KR20170011933A - 온라인 강의를 추천하는 시스템 - Google Patents

온라인 강의를 추천하는 시스템 Download PDF

Info

Publication number
KR20170011933A
KR20170011933A KR1020150123129A KR20150123129A KR20170011933A KR 20170011933 A KR20170011933 A KR 20170011933A KR 1020150123129 A KR1020150123129 A KR 1020150123129A KR 20150123129 A KR20150123129 A KR 20150123129A KR 20170011933 A KR20170011933 A KR 20170011933A
Authority
KR
South Korea
Prior art keywords
user
item
items
online
information
Prior art date
Application number
KR1020150123129A
Other languages
English (en)
Inventor
고동완
Original Assignee
주식회사 베티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 베티 filed Critical 주식회사 베티
Publication of KR20170011933A publication Critical patent/KR20170011933A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

온라인 강의를 추천하는 방법 및 장치가 개시된다. 개시된 온라인 강의 추천 방법은 복수의 제1 항목 중에서 제1 사용자가 구입하거나 실제로 평가하지 않은 적어도 하나의 제1 항목을 적어도 하나의 제2 항목으로 선택하고, 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하는 단계 - 제1 항목들은 서로 다른 온라인 강의들과 각각 연관되어 있고, 제1 항목들의 각각은 온라인 강의 강사 정보 및 온라인 강의 유형 정보를 포함함 -; 및
예상 평가 점수가 산출된 적어도 하나의 제2 항목 중 예상 평가 점수가 높은 상위 m개의 항목을 선택하고, 선택된 m개의 항목과 연관된 온라인 강의들에 해당하는 미리보기 영상들과 선택된 m개의 항목의 예상 평가 점수들을 제1 사용자에게 제공하는 단계를 포함한다.

Description

온라인 강의를 추천하는 시스템{SYSTEM FOR RECOMMENDING ONLINE LECTURE}
본 발명은 인터넷을 통한 정보 제공 시스템에 관한 것으로, 더 구체적으로는 온라인 강의를 추천하는 시스템에 관한 것이다.
인터넷 기술이 발달함에 따라 종래의 오프라인으로 제공되던 강의는 인터넷을 통해서도 사용자에게 보급되기 시작하였다. 인터넷을 통해 제공되는 강의를 온라인 강의라고 하는데, 온라인 강의는 시간과 장소의 제약을 받지 않고 수강할 수 있고 수강 비용도 저렴할 수 있다. 온라인 강의는 초중고생에서 대학생과 성인들까지 다양한 연령층에 의해 많이 이용되고 있으며, 이에 따라 온라인 강의와 관련된 시장은 지속적으로 성장하고 있다. 온라인 강의는 사용자가 온라인을 통해 강의 시청권을 구매 및 수강하는 구조로 인해, 온라인을 통해 판매되는 제품들과 같이 하나의 상품으로 인식 및 관리되고 있다.
온라인 강의가 더욱 더 다양해짐에 따라 소비자들의 선택의 폭은 넓어지고 있는 반면, 온라인 강의 상품 정보를 수집하고 추천하는 서비스는 많지 않아 온라인 강의를 수강하고자 하는 사용자들은 온라인 강의를 선택하는데 불편함을 겪고 있다. 일반적인 상품을 구매하는 경우, 소비자들은 먼저 구매한 사용자의 구매 후기 및 평점을 활용하여 상품 구매를 선택할 수 있으나, 온라인 강의는 이러한 정보가 충분치 않아 적절한 온라인 강의를 선택하는데 어려움이 따른다.
사용자들은 온라인 강의에 대한 미리보기 시청이 가능하나, 이에 대해 피드백을 할 수 있는 수단이 없어 자신의 기호를 반영한 강의를 추천받기가 어렵다. 또한, 졸업생이나 합격생처럼 해당 강의를 수료한 사람들이 존재하더라도, 이러한 사람들은 통상 해당 강의에 대한 구매후기와 같은 구매에 대한 정보를 제공하지 않고 있어, 온라인 강의 수강자들은 강의 수료자들에 대한 기호정보 데이터를 얻을 수 없다. 강의 수료자들이 온라인 강의에 관한 정보를 제공하더라도, 제공된 정보는 마케팅 차원의 후기로 광고 형태로만 반영되고 있을 뿐이다.
사용자에 맞는 맞춤형 정보추천 기술이 발전함에 따라, 사용자들은 자신들이 입력한 상품기호에 맞는 상품을 추천받는 방식을 온라인 상품 구매에서 활용하고 있다. 하지만, 이러한 방식은 온라인쇼핑의 일반적인 상품(신발, 완구 등)을 추천하는 기술이며, 온라인 강의 분야에는 적용하기 적합하지 않은 면이 있다. 왜냐하면, 상품추천을 하기 위해서는 상품을 구매한 사람들이 상품에 대한 상품평을 기재하여야 하는데, 온라인 강의는 모든 상품에 대한 평가가 많지 않아 평가 희소성(rating sparsity)이 존재하기 때문이다. 또한, 온라인 강의는 TV 프로그램처럼 상품정보가 계속적으로 변동되는 동적 컬렉션(dynamic collection)의 특성을 가지므로, 이미 종료된 온라인 강의를 추천하는 것은 무의미하게 되는 문제점이 있다. 따라서, 온라인 강의를 수강하고자 하는 사용자에게 기호를 반영한 적절한 온라인 강의를 추천할 수 있는 방안이 요구된다.
본 발명의 과제는 온라인 강의를 이용하는 사용자의 기호를 반영한 추천 온라인 강의 목록과 추천강의의 예상평점을 제공하여 사용자의 편의를 증가시킨 온라인 강의를 추천하는 시스템을 제공하는 것이다.
본 발명의 다른 과제는 강의 상품 정보의 변동이 빈번히 발생하는 상황에서도 사용자의 기호를 반영한 온라인 강의를 신속하게 추천할 수 있는 온라인 강의를 추천하는 시스템을 제공하는 것이다.
본 발명의 또 다른 과제는 강의 상품에 관한 평가가 충분하지 않은 상황에서도 사용자의 기호를 반영한 온라인 강의를 추천할 수 있는 온라인 강의를 추천하는 시스템을 제공하는 것이다.
본 발명의 실시예에 따르면, 온라인 강의 추천 방법이 제공된다. 본 온라인 강의 추천 방법은, 복수의 제1 항목 중에서 제1 사용자가 구입하거나 실제로 평가하지 않은 적어도 하나의 제1 항목을 적어도 하나의 제2 항목으로 선택하고, 상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하는 단계를 포함할 수 있다. 여기서, 상기 제1 항목들은 서로 다른 온라인 강의들과 각각 연관되어 있고, 상기 제1 항목들의 각각은 온라인 강의 강사 정보 및 온라인 강의 유형 정보를 포함할 수 있다. 본 온라인 강의 추천 방법은 상기 예상 평가 점수가 산출된 적어도 하나의 제2 항목 중 예상 평가 점수가 높은 상위 m개의 항목을 선택하고, 상기 선택된 m개의 항목과 연관된 온라인 강의들에 해당하는 미리보기 영상들과 상기 선택된 m개의 항목의 예상 평가 점수들을 상기 제1 사용자에게 제공하는 단계를 더 포함할 수 있다.
일 실시예에서, 본 온라인 강의 추천 방법은 상기 제1 사용자의 정보 및 복수의 사용자의 정보를 기초로 상기 제1 사용자와 상기 복수의 사용자 간의 유사도를 구하는 단계 ? 상기 제1 사용자의 정보 및 상기 복수의 사용자의 정보의 각각은 사용자 ID, 온라인 강의 구매 이력 및 온라인 강의 평점 정보를 포함함 -; 및 상기 복수의 사용자 중 상기 제1 사용자와 가장 유사도가 높은 k명(k는 상수)의 사용자를 상기 제1 사용자의 이웃들로 결정하는 단계를 더 포함할 수 있다. 여기서, 상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하는 단계는 상기 복수의 제1 항목에 대해 상기 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성하는 단계를 포함할 수 있다. 여기서 상기 취향 공간에는 상기 제1 항목들의 각각의 온라인 강의 강사 정보, 온라인 강의 유형 정보 및 온라인 강의 평가 정보를 연산하여 얻은 제1 항목 벡터들이 포함된다. 상기 취향 공간내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하는 단계; 및 상기 적어도 하나의 제2 항목의 각각에 대하여,(a) 상기 취향 공간에 상기 해당 제2 항목을 사영(projection)하여 제2 항목 벡터로 변환하는 단계; (b) 상기 적어도 하나의 클러스터의 각각의 중심점(centroid)과 상기 제2 항목 벡터를 비교하여, 상기 적어도 하나의 클러스터 중 상기 제2 항목 벡터와 가장 가까운 클러스터를 찾는 단계; 및 (c) 상기 복수의 제1 항목 중에서 상기 가장 가까운 클러스터의 중심점과 가장 근접한 상위 n개의 핵심 항목(core items)의 각각에 대해 상기 제1 사용자의 이웃들이 평가한 평가 점수를 기초로 상기 해당 제2 항목의 예상 평가 점수를 산출하는 단계를 수행하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 복수의 제1 항목에 대해 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성하는 단계는 그 행들이 상기 복수의 사용자와 각각 대응되고, 그 열들이 상기 복수의 제1 항목에 각각 대응되고, 그 원소값 rij 이 i번째 사용자가 j번째 항목에 대해 평가한 평점인 행렬을 제공하는 단계; 상기 행렬을 행렬 인수분해기법(matrix factorization)을 이용하여 제1, 제2 및 제3 행렬로 분해하는 고유값 분해(Signular Value Decompositon: SVD)를 적용하는 단계 - 상기 제1 행렬은 상기 행렬의 열들에 각각 해당하는 고유 벡터들(singular vectors)로 이루어진 행렬이고, 상기 제2 행렬은 상기 행렬의 행들에 각각 해당하는 고유 벡터들로 이루어진 행렬이며, 상기 제3 행렬은 상기 행렬의 원소값들의 각각을 고유값(singlular value)으로 가지는 대각 행렬(diagonal matrix) 임 -; 및 상기 제1, 제2 및 제3 행렬을 기초로 상기 복수의 제1 항목을 상기 제1 항목 벡터들로 변환하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 취향 공간내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하는 단계는, 상기 취향 공간 내의 제1 항목 벡터들 서로 간의 cosine 값이 작은 것들끼리를 클러스터링하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 취향 공간 내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하는 단계는, k-means 클러스터링 알고리즘을 사용하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 제1 사용자의 정보 및 복수의 사용자의 정보를 기초로 상기 제1 사용자와 상기 복수의 사용자 간의 유사도를 구하는 단계는 상기 제1 사용자와 상기 복수의 사용자가 상기 복수의 제1 항목과 연관된 온라인 강의들 중 동일한 온라인 강의에 대해 평가한 평점 정보를 바탕으로 상기 제1 사용자와 상기 복수의 사용자 간의 유사도를 구하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 유사도를 구하는 단계는, 피어슨 상관 계수(Pearson correlation coefficient), 제곱 평균 차이(mean-square-difference), 벡터 유사도(vector similarity) 중 어느 하나를 이용하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따르면, 온라인 강의 추천 장치가 또한 제공된다. 본 온라인 강의 추천 장치는, 복수의 제1 항목 중에서 제1 사용자가 구입하거나 실제로 평가하지 않은 적어도 하나의 제1 항목을 적어도 하나의 제2 항목으로서 선택하고, 상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하도록 구성된 온라인 강의 평가 예측부를 포함할 수 있다. 여기서, 상기 제1 항목들의 각각은 온라인 강의 강사 정보 및 온라인 강의 유형 정보를 포함할 수 있다. 본 온라인 강의 추천 장치는, 상기 예상 평가 점수가 산출된 적어도 하나의 제2 항목 중 예상 평가 점수가 높은 상위 m개의 항목을 선택하고, 상기 선택된 m개의 항목과 연관된 온라인 강의들의 목록을 생성하도록 구성된 온라인 강의 추천 목록 생성부; 상기선택된 m개의 항목의 예상 평가 점수들과 함께 상기 선택된 m개의 항목과 연관된 온라인강의들의 미리보기 영상들을 상기 제1 사용자에게 제공하도록 구성된 통신부를 더 포함할 수 있다.
본 발명의 실시예들에 따른 온라인 강의를 추천하는 시스템에 의하면, 다음과 같은 발명의 효과를 얻을 수 있다.
첫째, 온라인 강의를 이용하는 사용자의 기호에 부합하는 온라인 강의를 추천할 수 있다.
둘째, 새로운 온라인 강의가 추가되더라도 사용자의 기호에 부합하는 온라인 강의를 신속 및 정확하게 추천할 수 있다.
셋째, 온라인 강의 상품에 관한 평가가 충분히 수행되지 않은 상황에서도 유명한 강사의 온라인 강의에만 편중되지 않고 사용자의 기호를 반영한 온라인 강의를 추천할 수 있다.
도 1은 본 발명의 일 실시예에 따른 온라인 강의를 추천하는 시스템의 구성을 도시한 도면
도 2는 본 발명의 일 실시예에 따른 온라인 강의 추천 서버의 블록 구성도
도 3은 본 발명의 일 실시예에 따른 온라인 강의 평가 예측부의 블록 구성도
도 4는 본 발명의 일 실시에에 따라 새로운 항목에 대한 평가를 예측하는 절차를 설명하기 위한 흐름도
도 5는 온라인 강의 정보의 일 실시예를 나타내는 도면
도 6은 사용자 평점이 저장되는 정보의 일 실시예를 나타내는 도면
도 7은 본 발명의 일 실시예에 따라 취향 공간(taste space)을 생성하기 위한 행렬(MK)을 도시한 도면
본 발명의 이점들과 특징들 그리고 이들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해 질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 본 실시예들은 단지 본 발명의 개시가 완전하도록 하며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려 주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도에서 사용된 것이 아니다. 예를 들어, 단수로 표현된 구성 요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성 요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 발명의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성이 배제되는 것은 아니다.
본 명세서에 기재된 실시예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
덧붙여, 다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 발명의 명세서에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 보다 상세히 설명한다. 다만, 이하의 설명에서는 본 발명의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 온라인 강의를 추천하는 시스템의 구성을 도시한 도면이다.
본 발명의 일 실시예에 따른 온라인 강의를 추천하는 시스템(10)은 하나 이상의 온라인 강의 제공 서버(102), 복수의 사용자로 이루어진 사용자/클라이언트 그룹(104) 및 온라인 강의 추천 서버(100)를 포함할 수 있다. 여기서 사용자/클라이언트 그룹(104)을 구성하는 사용자는 인터넷을 통해 온라인 강의 제공 서버(102) 또는 온라인 강의 추천 서버(100)에 접속할 수 있는 사용자 단말기를 포함하는 의미이다. 온라인 강의 추천 서버(100)는 온라인 강의 제공 서버(102)로부터 사용자의 정보를 제공받아 협업 필터링 기반으로 사용자에게 온라인 강의를 추천하도록 구성될 수 있다. 온라인 강의 추천 서버(100), 사용자/클라이언트 그룹(104) 및 하나 이상의 온라인 강의 제공 서버(102)는 인터넷을 통해 서로 접속될 수 있다.
도 2는 본 발명의 일 실시예에 따른 온라인 강의 추천 서버의 블록 구성도이다. 도시된 바와 같이, 온라인 강의 추천 서버(100)는 이웃 사용자 결정부(122), 온라인 강의 평가 예측부(124), 온라인 강의 추천 목록 생성부(126)를 포함하는 제어부(120), 통신부(140) 및 저장부(160)를 포함할 수 있다. 도 2에 도시된 구성요소들은 온라인 강의를 추천하는 시스템에서 작동 가능한 온라인 강의 추천 서버(100)의 모든 기능을 반영한 것이 아니고 필수적인 것도 아니어서, 온라인 강의 추천 서버(100)는 도시된 구성요소들 보다 많은 구성요소를 포함하거나 그 보다 적은 구성요소를 포함할 수 있음을 인식하여야 한다.
제어부(120)는 일반적으로 온라인 강의 추천 서버(100)의 전반적인 동작을 제어하도록 구성될 수 있다. 제어부(120)는 온라인 강의를 추천하기 위한 관련된 제어를 위해 이웃 사용자 결정부(122), 온라인 강의 평가 예측부(124) 및 온라인 강의 추천 목록 생성부(126)를 포함할 수 있으나, 제어부(120)의 구성이 이에 한정되는 것은 아니다.
이웃 사용자 결정부(122)는 사용자와 유사한 이웃 사용자를 결정하도록 구성될 수 있다. 일 실시예에 있어서, 이웃 사용자 결정부(122)는 제1 사용자와 복수의 사용자 간의 유사도를 제1 사용자의 정보 및 복수의 사용자의 정보를 기초로 구하여, 복수의 사용자 중 제1 사용자와 가장 유사도가 높은 k명(k는 상수)의 사용자를 제1 사용자의 이웃들로 결정하도록 구성될 수 있다. 여기서 사용자의 정보는 사용자 ID, 온라인 강의 구매 이력 및 온라인 강의 평점 정보를 포함할 수 있다.
이웃 사용자 결정부(122)는, 일 실시예에서 제1 사용자와 복수의 사용자가 온라인 강의들 중 동일한 온라인 강의에 대해 평가한 평점 정보를 바탕으로 제1 사용자와 복수의 사용자 간의 유사도를 구하도록 구성될 수 있다. 이웃 사용자 결정부(122)는, 일 실시예에서 피어슨 상관 계수(Pearson correlation coefficient), 제곱 평균 차이(mean-square-difference), 벡터 유사도(vector similarity) 중 어느 하나를 이용하여 유사도를 구하도록 더 구성될 수 있다.
온라인 강의 평가 예측부(124)는 온라인 강의 중에서 사용자가 구입하거나 실제로 평가하지 않은 온라인 강의의 예상 평점을 산출하도록 구성될 수 있다. 일 실시예에서, (온라인 강의 강사 정보, 온라인 강의 유형 정보)를 항목으로 하여 예상 평점을 산출할 수 있다. 온라인 강의 평가 예측부(124)는, 복수의 제1 항목 중에서 제1 사용자가 구입하거나 실제로 평가하지 않은, 온라인 강의 강사 정보 및 온라인 강의 유형 정보를 포함하는 적어도 하나의 제1 항목을 적어도 하나의 제2 항목으로서 선택하고, 상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하도록 구성될 수 있다.
온라인 강의 추천 목록 생성부(126)는 사용자가 구입하거나 실제로 평가하지 않은 온라인 강의 중 예상 평가 점수가 높은 상위 항목들과 연관된 온라인 강의들의 목록을 생성하도록 구성될 수 있다. 일 실시예에서, 온라인 강의 추천 목록 생성부(126)는 예상 평가 점수가 산출된 적어도 하나의 제2 항목 중 예상 평가 점수가 높은 상위 m개의 항목을 선택하고, 선택된 m개의 항목과 연관된 온라인 강의들의 목록을 생성하도록 구성될 수 있다.
이상으로 설명한 실시예에서, 제어부(120)는 하드웨어적 측면에서 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers) 및 마이크로 프로세서(microprocessors) 중 적어도 하나를 이용하여 구현될 수 있다. 절차나 단계 또는 기능을 포함하는 실시예들은 적어도 하나의 기능 또는 작동을 수행하게 하는, 하드웨어 플랫폼 상에서 실행가능한 펌웨어/소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈은 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션에 의해 구현될 수 있다. 이 경우, 소프트웨어 모듈은 제어부(120)에 저장되거나 저장부(160)와 제어부(120)에 분산 저장될 수 있으며 제어부(120)에 의해 실행될 수 있다.
통신부(140)는 온라인 강의 추천 서버(100)가 사용자/클라이언트 그룹(104) 또는 온라인 강의 제공 서버(102)와 같은 네트워크 상의 엔터티와 통신할 수 있도록 지원하는 하드웨어 및/또는 펌웨어로 구현될 수 있다.
저장부(160)는, 전술한 바와 같이 제어부(120)의 동작을 위한 소프트웨어 모듈 및/또는 데이터를 저장할 수 있고 입/출력되는 데이터를 또한 저장할 수 있다. 저장부(160)는 플래스 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장 매체를 포함할 수 있다. 일 실시예에서, 온라인 강의 추천 서버(100)는 저장부(160)와는 별도로 또는 저장부(160)와 연계하여 인터넷(Internet)상에서 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작하도록 구성될 수 있다.
도 3은 본 발명의 일 실시예에 따른 온라인 강의 평가 예측부(124)의 블록 구성도이다. 도시된 바와 같이, 온라인 강의 평가 예측부(124)는 SVD 모듈(124a), 클러스터링 모듈(124b) 및 예상 평가 점수 산출 모듈(124c)을 포함할 수 있다.
SVD 모듈(124a)은 사용자-항목 행렬을 생성하고, 행렬에서 SVD 기법을 사용하여 항목들의 특징을 추출하고 항목들 간의 관계를 얻도록 구성될 수 있다. 일 실시예에서, SVD 모듈(124a)은 복수의 제1 항목에 대해 상기 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성하도록 구성될 수 있다. 이 경우, 취향 공간에는 제1 항목들의 각각의 온라인 강의 강사 정보, 강의 유형 정보 및 온라인 강의 평가 정보를 연산하여 얻은 제1 항목 벡터들이 포함될 수 있다.
클러스터링 모듈(124b)은 취향 공간내의 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하도록 구성될 수 있다. 예상 평가 점수 산출 모듈(124c)은 사용자가 구입하거나 실제로 평가하지 않은 온라인 강의의 항목에 대해 예상 평점을 산출하도록 구성될 수 있다. 일 실시예에서, 예상 평가 점수 산출 모듈(124c)은 미평가 항목 각각에 대하여 다음과 같은 연산을 실행하도록 더 구성될 수 있다. 취향 공간에 해당 항목을 사영(projection)하여 항목 벡터로 변환한다(제1 연산). 적어도 하나의 클러스터의 각각의 중심점(centroid)과 위 항목 벡터를 비교하여, 적어도 하나의 클러스터 중 위 항목 벡터와 가장 가까운 클러스터를 찾는다(제2 연산). 복수의 제1 항목 중에서 가장 가까운 클러스터의 중심점과 근접한 상위 n개의 핵심 항목(core items)의 각각에 대해 사용자의 이웃들이 평가한 평가 점수를 기초로 상기 해당 항목의 예상 평가 점수를 산출한다(제3 연산).
도 4는 본 발명의 일 실시에에 따른 온라인 강의 추천 방법의 흐름도이다.
본 온라인 강의 추천 방법은 제1 사용자로부터 강의 추천을 요청 받으면(S402), 제1 사용자의 강의 추천 요청에 응답하여 이웃 정보가 있는지를 판단한다(S404). 이웃 정보가 있는 경우 이웃 정보를 이용하고, 이웃 정보가 없는 경우 제1 사용자의 이웃을 구한다(S406).
이웃 사용자를 결정하는 단계(S406)
이하에서는 이웃 사용자를 결정하는 단계에 대하여 보다 상세하게 기술한다. 제1 사용자의 정보 및 복수의 사용자의 정보를 기초로 제1 사용자와 복수의 사용자 간의 유사도를 구할 수 있다. 일 실시예에서, 제1 사용자의 정보 및 복수의 사용자의 정보의 각각은 사용자 ID, 온라인 강의 구매 이력 및 온라인 강의 평점 정보를 포함할 수 있다. 일 실시예에서, 제1 사용자와 복수의 사용자가 복수의 제1 항목과 연관된 온라인 강의들 중 동일한 온라인 강의에 대해 평가한 평점 정보를 바탕으로 제1 사용자와 복수의 사용자 간의 유사도를 구할 수 있다. 일 실시예에서, 피어슨 상관 계수(Pearson correlation coefficient), 제곱 평균 차이(mean-square-difference), 벡터 유사도(vector similarity) 중 어느 하나를 이용하여 유사도를 구할 수 있다.
복수의 사용자 중 제1 사용자와 유사도가 높은 k명의 사용자를 제1 사용자의 이웃들로 결정할 수 있다. 일 실시예에 있어서, 결정된 제1 사용자의 이웃들의 사용자 ID를 제1 사용자와 연관시켜 저장부(160)에 저장할 수 있다.
복수의 사용자가 평가한 온라인 강의의 평점을 기초로 온라인 강의 간의 연관성을 찾아 기존의 평가 정보를 이용하여 새로운 온라인 강의에 대한 평가를 예측하기 위해서 취향 공간을 생성할 수 있다.
취향공간 생성단계(S410)
이하에서는, 도 5 내지 도 7를 참조하여, 일 실시예에 따른 취향공간 생성 방법을 기술한다. 도 5은 온라인 강의 정보의 일 실시예를 나타내는 도면이다. 도 5에 도시된 바와 같이, 온라인 강의 정보는 강의명, 강사명, 강의 유형, 강의회차/최종회차, 평점, 갱신일과 같은 온라인 강의를 상품으로 특정할 수 있는 정보를 포함할 수 있다. 도 6은 사용자 평점이 저장되는 정보의 일 실시예를 나타내는 도면이다. 사용자 평점은 (강사명, 강의유형) 별로 평점이 기록될 수 있다. 온라인 강의는 과목별로 강의 유형이 존재하는데, 일 실시예에서 (온라인 강의 강사명, 온라인 강의 강의유형)을 하나의 항목(item)으로서 온라인 강의와 연관시킬 수 있다.
복수의 제1 항목에 대해 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성할 수 있다. 일 실시예에서 취향 공간에는 제1 항목들의 각각의 온라인 강의 강사 정보, 온라인 강의 유형 정보 및 온라인 강의 평가 정보를 연산하여 얻은 제1 항목 벡터들이 포함될 수 있다. 도 7은 본 발명의 일 실시예에 따라 취향 공간(taste space)을 생성하기 위한 행렬(MK)을 도시한다. 일 실시예에 있어서, 복수의 제1 항목에 대해 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성하기 위해 행렬(MK)을 생성한다. 여기서, 해당 행렬(MK)의 행들은 복수의 사용자와 각각 대응되고, 행렬(MK)의 열들은 복수의 제1 항목에 각각 대응되고, 행렬(MK)의 원소값 rij 은 i번째 사용자가 j번째 항목에 대해 평가한 평점이다. 행렬(MK)을 행렬 인수분해기법(matrix factorization)을 이용하여 제1, 제2 및 제3 행렬로 분해하는 고유값 분해(Signular Value Decompositon: SVD)를 적용한 다음 제1, 제2 및 제3 행렬을 기초로 복수의 제1 항목을 상기 제1 항목 벡터들로 변환할 수 있다. 이 때, 제1 행렬은 행렬의 열들에 각각 해당하는 고유 벡터들(singular vectors)로 이루어진 행렬(U)이고, 제2 행렬은 행렬의 행들에 각각 해당하는 고유 벡터들로 이루어진 행렬(
Figure pat00001
Figure pat00002
)이며, 제3 행렬은 행렬의 원소값들의 각각을 고유값(singlular value)으로 가지는 대각 행렬(diagonal matrix)(VT)이다. 일 실시예에서, SVC(singular Value Decomposition)기법으로 분석하여 취향공간을 생성할 수 있다.
클러스터링 단계(S412)
취향 공간내의 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성할 수 있다. 일 실시예에서, 클러스터링을 위한 거리 척도로는 두 벡터간의 코사인(cosine) 값이 사용될 수 있다. 여기서, 각 클러스터는 온라인 강의에 대한 사용자 취향을 나타내며, 각 클러스터 별로 클러스터의 중심점(centroid)과 가장 근접한 항목을 선별하여 이를 핵심 항목(core items)으로 정의할 수 있다.
일 실시예에서, 취향 공간내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하는 것은 상기 취향 공간 내의 제1 항목 벡터들 서로 간의 cosine 값이 작은 것들끼리를 클러스터링함으로써 구현될 수 있다. 일 실시예에서, 클러스터링 기법으로서 k-means 클러스터링 알고리즘을 사용할 수 있다.
온라인 강의 예상 평가점수 산출 단계(S414)
새롭게 추가된 온라인 강의 또는 평가 부족한 강사의 온라인 강의에 대한 예상 평점을 사전에 클러스터링된 취향 공간에 사영(projection) 연산을 수행함으로써 산출할 수 있다.
미평가된 온라인 강의와 연관된 항목을 클러스터링된 취향 공간에 사영하여 항목 벡터로 변환(S416)하고, 변환된 항목 벡터와 가장 가까운 클러스터를 결정한다(S418). 가장 가까운 클러스터의 중심점과 가장 근접한 상위 n개의 핵심 항목(core items)의 각각에 대해서 이웃들이 평가한 평가 점수를 기초로 해당 미평가 항목과 연관된 온라인 강의의 예상 평가 점수를 산출할 수 있다(S420). 일 실시예에서, 복수의 제1 항목 중에서 제1 사용자가 구입하거나 실제로 평가하지 않은 적어도 하나의 제1 항목을 적어도 하나의 제2 항목으로 선택하고, 상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출할 수 있다. 일 실시예에 있어서, 제1 항목들은 서로 다른 온라인 강의들과 각각 연관되어 있고, 제1 항목들의 각각은 온라인 강의 강사명 및 온라인 강의 유형 정보를 포함할 수 있다.
일 실시예에서, 적어도 하나의 제2 항목의 각각에 대하여, (a) 취향 공간에 상기 해당 제2 항목을 사영(projection)하여 제2 항목 벡터로 변환하고, (b) 적어도 하나의 클러스터의 각각의 중심점(centroid)과 상기 제2 항목 벡터를 비교하여, 적어도 하나의 클러스터 중 상기 제2 항목 벡터와 가장 가까운 클러스터를 찾은 후, (c) 복수의 제1 항목 중에서 가장 가까운 클러스터의 중심점과 가장 근접한 상위 n개의 핵심 항목(core items)의 각각에 대해 상기 제1 사용자의 이웃들이 평가한 평가 점수를 기초로 상기 해당 제2 항목의 예상 평가 점수를 산출할 수 있다.
SVD 기법을 통해 차원이 감소된 행렬(U,
Figure pat00003
Figure pat00004
, VT)은 본래의 행렬(MK)에서 특징들만을 추출하여 구성되므로, 고차원의 본래 행렬(MK)보다 계산이 용이하다. 따라서, 새롭게 추가된 온라인 강의 또는 평가가 부족한 강사의 온라인 강의 등 평가가 수행되지 않아 예측이 필요한 온라인 강의에 대해서 이미 평가가 수행된 취향 공간 내 클러스터링 공간에 배치하여 평가 점수를 예측하는데 활용할 수 있다.
온라인 강의 추천 목록 생성 단계(S422)
단계(S422)에서는 온라인 강의 추천 목록을 생성한다. 산출된 예상 평가 점수를 기초로 예상 평가 점수가 높은 상위 항목들을 선택하고 해당 항목들과 연관된 온라인 강의들의 목록을 생성할 수 있다. 목록에 포함된 온라인 강의들의 미리보기 영상과 함께 예상 평가 점수를 사용자에게 제공할 수 있다. 일 실시예에 있어서, 예상 평가 점수가 산출된 적어도 하나의 제2 항목 중 예상 평가 점수가 높은 상위 m개의 항목을 선택하고, 선택된 m개의 항목과 연관된 온라인 강의들에 해당하는 미리보기 영상들과 상기 선택된 m개의 항목의 예상 평가 점수들을 상기 제1 사용자에게 제공할 수 있다.
미리보기 영상을 제공한 온라인 강의의 평점 입력 단계(S424)
단계(S424)에서는 사용자에게 미리보기 영상을 제공한 온라인 강의의 평점을 입력받을 수 있다. 일 실시예에 있어서, 사용자로부터 입력받은 온라인 강의의 평점을 저장부(160)에 기록하고, 이를 반영하여 사용자의 이웃을 재설정하고 미평가된 온라인 강의에 대한 예상평점을 업데이트할 수 있다.
본원에 개시된 실시예들에 있어서, 도시된 구성 요소들의 배치는 발명이 구현되는 환경 또는 요구 사항에 따라 달라질 수 있다. 예컨대, 일부 구성 요소가 생략되거나 몇몇 구성 요소들이 통합되어 하나로 실시될 수 있다. 또한 일부 구성 요소들의 배치 순서 및 연결이 변경될 수 있다.
본 발명 및 그 다양한 기능적 구성 요소들은 특정 실시예들로 설명되었으나, 본 발명은 하드웨어, 소프트웨어, 펌웨어, 미들웨어 또는 이들의 조합으로 구현될 수 있으며, 시스템, 서브시스템, 구성 요소들 또는 이들의 서브 구성 요소들로 활용될 수 있음을 이해하여야 한다. 소프트웨어로 구현되는 경우, 본 발명의 요소들은 필요한 작업들을 수행하기 위한 명령어들/코드 세그먼트들이 될 수 있다. 프로그램 또는 코드 세그먼트들은 프로세서 판독가능 매체와 같은 머신 판독가능 매체, 컴퓨터 프로그램 제품 내에 저장될 수 있다. 머신 판독가능 매체 또는 프로세서 판독가능 매체는 머신(예컨대, 프로세서, 컴퓨터 등)에 의해 판독되고 실행 가능한 형태로 정보를 저장 또는 전송할 수 있는 임의의 매체를 포함할 수 있다.이상에서는 본 발명의 다양한 실시예들에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예들에 한정되지 아니하며, 상술한 실시예들은 첨부하는 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변형 실시될 수 있음은 물론이고, 이러한 변형 실시예들이 본 발명의 기술적 사상이나 범위와 별개로 이해되어져서는 아니 될 것이다. 따라서, 본 발명의 기술적 범위는 오직 첨부된 특허청구범위에 의해서만 정해져야 할 것이다.
10: 온라인 강의 추천 시스템
102: 온라인 강의 제공 서버
104: 사용자/클라이언트 그룹
100: 온라인 강의 추천 서버
120: 제어부
122: 이웃 사용자 결정부
124: 온라인 강의 평가 예측부
126: 온라인 강의 추천 목록 생성부
140: 통신부
160: 저장부

Claims (17)

  1. 온라인 강의 추천 방법으로서,
    복수의 제1 항목 중에서 제1 사용자가 구입하거나 실제로 평가하지 않은 적어도 하나의 제1 항목을 적어도 하나의 제2 항목으로 선택하고, 상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하는 단계 - 상기 제1 항목들은 서로 다른 온라인 강의들과 각각 연관되어 있고, 상기 제1 항목들의 각각은 온라인 강의 강사 정보 및 온라인 강의 유형 정보를 포함함 ; 및
    상기 예상 평가 점수가 산출된 적어도 하나의 제2 항목 중 예상 평가 점수가 높은 상위 m개의 항목을 선택하고, 상기 선택된 m개의 항목과 연관된 온라인 강의들에 해당하는 미리보기 영상들과 상기 선택된 m개의 항목의 예상 평가 점수들을 상기 제1 사용자에게 제공하는 단계를 포함하는 온라인 강의 추천 방법.
  2. 제1항에 있어서,
    상기 제1 사용자로부터 상기 미리보기 영상들의 평가 점수를 입력받는 단계를 더 포함하는, 온라인 강의 추천 방법.
  3. 제1항에 있어서,
    상기 제1 사용자의 정보 및 복수의 사용자의 정보를 기초로 상기 제1 사용자와 상기 복수의 사용자 간의 유사도를 구하는 단계 상기 제1 사용자의 정보 및 상기 복수의 사용자의 정보의 각각은 사용자 ID, 온라인 강의 구매 이력 및 온라인 강의 평점 정보를 포함함 -; 및
    상기 복수의 사용자 중 상기 제1 사용자와 가장 유사도가 높은 k명의 사용자를 상기 제1 사용자의 이웃들로 결정하는 단계 상기 k는 상수임 ? 를 더 포함하고,
    상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하는 단계는
    상기 복수의 제1 항목에 대해 상기 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성하는 단계 상기 취향 공간에는 상기 제1 항목들의 각각의 온라인 강의 강사 정보, 온라인 강의 유형 정보 및 온라인 강의 평가 정보를 연산하여 얻은 제1 항목 벡터들이 포함됨 -;
    상기 취향 공간내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하는 단계; 및
    상기 적어도 하나의 제2 항목의 각각에 대하여,(a) 상기 취향 공간에 상기 해당 제2 항목을 사영(projection)하여 제2 항목 벡터로 변환하는 단계; (b) 상기 적어도 하나의 클러스터의 각각의 중심점(centroid)과 상기 제2 항목 벡터를 비교하여, 상기 적어도 하나의 클러스터 중 상기 제2 항목 벡터와 가장 가까운 클러스터를 찾는 단계; 및 (c) 상기 복수의 제1 항목 중에서 상기 가장 가까운 클러스터의 중심점과 가장 근접한 상위 n개의 핵심 항목(core items)의 각각에 대해 상기 제1 사용자의 이웃들이 평가한 평가 점수를 기초로 상기 해당 제2 항목의 예상 평가 점수를 산출하는 단계를 수행하는 단계를 포함하는, 온라인 강의 추천 방법.
  4. 제3항에 있어서,
    상기 복수의 제1 항목에 대해 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성하는 단계는
    그 행들이 상기 복수의 사용자와 각각 대응되고, 그 열들이 상기 복수의 제1 항목에 각각 대응되고, 그 원소값 rij 이 i번째 사용자가 j번째 항목에 대해 평가한 평점인 행렬을 제공하는 단계;
    상기 행렬을 행렬 인수분해기법(matrix factorization)을 이용하여 제1, 제2 및 제3 행렬로 분해하는 고유값 분해(Signular Value Decompositon: SVD)를 적용하는 단계 - 상기 제1 행렬은 상기 행렬의 열들에 각각 해당하는 고유 벡터들(singular vectors)로 이루어진 행렬이고, 상기 제2 행렬은 상기 행렬의 행들에 각각 해당하는 고유 벡터들로 이루어진 행렬이며, 상기 제3 행렬은 상기 행렬의 원소값들의 각각을 고유값(singlular value)으로 가지는 대각 행렬(diagonal matrix) 임 -; 및
    상기 제1, 제2 및 제3 행렬을 기초로 상기 복수의 제1 항목을 상기 제1 항목 벡터들로 변환하는 단계를 포함하는, 온라인 강의 추천 방법.
  5. 제3항에 있어서,
    상기 취향 공간내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하는 단계는,
    상기 취향 공간 내의 제1 항목 벡터들 서로 간의 cosine 값이 작은 것들끼리를 클러스터링하는 단계를 포함하는, 온라인 강의 추천 방법.
  6. 제5항에 있어서,
    상기 취향 공간 내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하는 단계는, k-means 클러스터링 알고리즘을 사용하는 단계를 더 포함하는, 온라인 강의 추천 방법.
  7. 제3항에 있어서,
    상기 제1 사용자의 정보 및 복수의 사용자의 정보를 기초로 상기 제1 사용자와 상기 복수의 사용자 간의 유사도를 구하는 단계는
    상기 제1 사용자와 상기 복수의 사용자가 상기 복수의 제1 항목과 연관된 온라인 강의들 중 동일한 온라인 강의에 대해 평가한 평점 정보를 바탕으로 상기 제1 사용자와 상기 복수의 사용자 간의 유사도를 구하는 단계를 포함하는, 온라인 강의 추천 방법.
  8. 제7항에 있어서,
    상기 유사도를 구하는 단계는, 피어슨 상관 계수(Pearson correlation coefficient), 제곱 평균 차이(mean-square-difference), 벡터 유사도(vector similarity) 중 어느 하나를 이용하는 단계를 더 포함하는, 온라인 강의 추천 방법.
  9. 프로그램을 기록한 컴퓨터 판독가능 기록매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 제1항 내지 제7항에 따른 방법을 수행하는, 컴퓨터 판독가능 기록매체.
  10. 온라인 강의 추천 장치로서,
    복수의 제1 항목 중에서 제1 사용자가 구입하거나 실제로 평가하지 않은 적어도 하나의 제1 항목을 적어도 하나의 제2 항목으로서 선택하고, 상기 선택된 적어도 하나의 제2 항목에 대한 예상 평가 점수를 산출하도록 구성된 온라인 강의 평가 예측부 - 상기 제1 항목들의 각각은 온라인 강의 강사 정보 및 온라인 강의 유형 정보를 포함함 -;
    상기 예상 평가 점수가 산출된 적어도 하나의 제2 항목 중 예상 평가 점수가 높은 상위 m개의 항목을 선택하고, 상기 선택된 m개의 항목과 연관된 온라인 강의들의 목록을 생성하도록 구성된 온라인 강의 추천 목록 생성부;
    상기선택된 m개의 항목의 예상 평가 점수들과 함께 상기 선택된 m개의 항목과 연관된 온라인강의들의 미리보기 영상들을 상기 제1 사용자에게 제공하도록 구성된 통신부를 포함하는 온라인 강의 추천 장치.
  11. 제10항에 있어서,
    제1 사용자와 복수의 사용자 간의 유사도를 상기 제1 사용자의 정보 및 상기 복수의 사용자의 정보 - 상기 제1 사용자의 정보 및 상기 복수의 사용자의 정보의 각각은 사용자 ID, 온라인 강의 구매 이력 및 온라인 강의 평점 정보를 포함함 - 를 기초로 구하여, 상기 복수의 사용자 중 상기 제1 사용자와 가장 유사도가 높은 k명의 사용자 - 상기 k는 상수임 - 를 상기 제1 사용자의 이웃들로 결정하도록 구성된 이웃 사용자 결정부를 더 포함하고,
    상기 온라인 강의 평가 예측부는
    상기 복수의 제1 항목에 대해 상기 복수의 사용자가 평가한 온라인 강의 평가 정보를 기초로 취향 공간(taste space)을 생성하도록 구성된 SVD 모듈 상기 취향 공간에는 상기 제1 항목들의 각각의 온라인 강의 강사 정보, 강의 유형 정보 및 온라인 강의 평가 정보를 연산하여 얻은 제1 항목 벡터들이 포함됨 -;
    상기 취향 공간내의 상기 제1 항목 벡터들 중 서로 유사한 것들끼리를 클러스터링하여 적어도 하나의 클러스터를 생성하도록 구성된 클러스터링 모듈; 및
    상기 적어도 하나의 제2 항목의 각각에 대하여,(a) 상기 취향 공간에 상기 해당 제2 항목을 사영(projection)하여 제2 항목 벡터로 변환하고;(b) 상기 적어도 하나의 클러스터의 각각의 중심점(centroid)과 상기 제2 항목 벡터를 비교하여, 상기 적어도 하나의 클러스터 중 상기 제2 항목 벡터와 가장 가까운 클러스터를 찾고, (c) 상기 복수의 제1 항목 중에서 상기 가장 가까운 클러스터의 중심점과 가장 근접한 상위 n개의 핵심 항목(core items)의 각각에 대해 상기 제1 사용자의 이웃들이 평가한 평가 점수를 기초로 상기 해당 제2 항목의 예상 평가 점수를 산출하도록 구성된 예상 평가 점수 산출 모듈을 포함하는, 온라인 강의 추천 장치.
  12. 제11항에 있어서,
    상기 SVD 모듈은
    그 행들이 상기 복수의 사용자와 각각 대응되고, 그 열들이 상기 복수의 제1 항목에 각각 대응되고, 그 원소값 rij 이 i번째 사용자가 j번째 항목에 대해 평가한 평점인 행렬을 생성하도록 구성된 행렬 생성부;
    상기 행렬을 행렬 인수분해기법(matrix factorization)을 이용하여 제1, 제2 및 제3 행렬로 분해하도록 구성된 행렬 고유값 분해부 - 상기 제1 행렬은 상기 행렬의 열들에 각각 해당하는 고유 벡터들(singular vectors)로 이루어진 행렬이고, 상기 제2 행렬은 상기 행렬의 행들에 각각 해당하는 고유 벡터들로 이루어진 행렬이며, 상기 제3 행렬은 상기 행렬의 원소값들의 각각을 고유값(singlular value)으로 가지는 대각 행렬(diagonal matrix) 임 -;
    상기 제1, 제2 및 제3 행렬을 기초로 상기 복수의 제1 항목을 상기 제1 항목 벡터들로 변환하도록 구성된 벡터 변환부를 포함하는, 온라인 강의 추천 장치.
  13. 제12항에 있어서,
    상기 클러스터링 모듈은 상기 취향 공간 내의 제1 항목 벡터들 서로 간의 cosine 값이 작은 것들끼리를 클러스터링하도록 구성되는, 온라인 강의 추천 장치.
  14. 제13항에 있어서,
    상기 클러스터링 모듈은, k-means 클러스터링 알고리즘을 사용하도록 더 구성되는, 온라인 강의 추천 방법.
  15. 제11항에 있어서,
    상기 이웃 사용자 결정부는
    상기 제1 사용자와 상기 복수의 사용자가 상기 온라인 강의들 중 동일한 온라인 강의에 대해 평가한 평점 정보를 바탕으로 상기 제1 사용자와 상기 복수의 사용자 간의 유사도를 구하도록 구성되는, 온라인 강의 추천 장치.
  16. 제15항에 있어서,
    상기 이웃 사용자 결정부는, 피어슨 상관 계수(Pearson correlation coefficient), 제곱 평균 차이(mean-square-difference), 벡터 유사도(vector similarity) 중 어느 하나를 이용하여 유사도를 구하도록 더 구성되는, 온라인 강의 추천 장치.
  17. 제16항에 있어서,
    상기 제1 사용자의 이웃들 및 상기 m개의 항목의 예상 평가 점수들을 저장하는 저장부를 더 포함하는 온라인 강의 추천 장치.
KR1020150123129A 2015-07-22 2015-08-31 온라인 강의를 추천하는 시스템 KR20170011933A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20150103906 2015-07-22
KR1020150103906 2015-07-22

Publications (1)

Publication Number Publication Date
KR20170011933A true KR20170011933A (ko) 2017-02-02

Family

ID=58151933

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150123129A KR20170011933A (ko) 2015-07-22 2015-08-31 온라인 강의를 추천하는 시스템

Country Status (1)

Country Link
KR (1) KR20170011933A (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018186548A1 (ko) * 2017-04-06 2018-10-11 주식회사 베티 온라인 강사 추천 방법
KR20200116186A (ko) * 2019-03-14 2020-10-12 (주)인더스트리미디어 수업 추천 장치 및 방법
KR20210066681A (ko) * 2019-11-28 2021-06-07 숭실대학교산학협력단 행렬 인수분해 기법에 기초한 데이터 확대 방법
CN113704608A (zh) * 2021-08-26 2021-11-26 武汉卓尔数字传媒科技有限公司 个性化项目推荐方法、装置、电子设备及存储介质
CN114282095A (zh) * 2021-11-18 2022-04-05 北京奥鹏远程教育中心有限公司 一种课程推荐方法、装置、设备及可读存储介质
WO2022154270A1 (ko) * 2021-01-13 2022-07-21 삼성전자 주식회사 요약 영상 생성 방법 및 그 전자 장치
KR20230069699A (ko) 2021-11-12 2023-05-19 (주)라라클래스 기질 분석을 통한 교육 추천 장치 및 방법
CN117114495A (zh) * 2023-09-11 2023-11-24 湖南软件职业技术大学 一种能力生成分析的职业本科教育质量评估方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018186548A1 (ko) * 2017-04-06 2018-10-11 주식회사 베티 온라인 강사 추천 방법
KR20200116186A (ko) * 2019-03-14 2020-10-12 (주)인더스트리미디어 수업 추천 장치 및 방법
KR20210066681A (ko) * 2019-11-28 2021-06-07 숭실대학교산학협력단 행렬 인수분해 기법에 기초한 데이터 확대 방법
WO2022154270A1 (ko) * 2021-01-13 2022-07-21 삼성전자 주식회사 요약 영상 생성 방법 및 그 전자 장치
CN113704608A (zh) * 2021-08-26 2021-11-26 武汉卓尔数字传媒科技有限公司 个性化项目推荐方法、装置、电子设备及存储介质
KR20230069699A (ko) 2021-11-12 2023-05-19 (주)라라클래스 기질 분석을 통한 교육 추천 장치 및 방법
CN114282095A (zh) * 2021-11-18 2022-04-05 北京奥鹏远程教育中心有限公司 一种课程推荐方法、装置、设备及可读存储介质
CN117114495A (zh) * 2023-09-11 2023-11-24 湖南软件职业技术大学 一种能力生成分析的职业本科教育质量评估方法
CN117114495B (zh) * 2023-09-11 2024-01-26 湖南软件职业技术大学 一种能力生成分析的职业本科教育质量评估方法

Similar Documents

Publication Publication Date Title
Koohi et al. A new method to find neighbor users that improves the performance of collaborative filtering
Roy et al. Efficient content-based sparse attention with routing transformers
KR20170011933A (ko) 온라인 강의를 추천하는 시스템
US10824941B2 (en) End-to-end deep collaborative filtering
Ning et al. A comprehensive survey of neighborhood-based recommendation methods
Nikolakopoulos et al. Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems
US20190026609A1 (en) Personalized Digital Image Aesthetics in a Digital Medium Environment
US20190228336A1 (en) Training apparatus, training method, and non-transitory computer readable storage medium
JP6261547B2 (ja) 判定装置、判定方法及び判定プログラム
Liang et al. A probabilistic rating auto-encoder for personalized recommender systems
KR20190070625A (ko) 메타데이터를 이용한 아이템 추천 방법 및 장치
KR101864822B1 (ko) 사용자를 위한 항목을 추천하는 장치 및 방법
JP6767342B2 (ja) 検索装置、検索方法および検索プログラム
CN108920647B (zh) 基于谱聚类的低秩矩阵填充top-n推荐方法
Hasan et al. A comprehensive approach towards user-based collaborative filtering recommender system
CN113221019A (zh) 基于即时学习的个性化推荐方法和系统
JP2017201535A (ja) 判定装置、学習装置、判定方法及び判定プログラム
Fareed et al. A collaborative filtering recommendation framework utilizing social networks
Thomas et al. Machine learning techniques for recommender systems–a comparative case analysis
Wu et al. A personalized network-based recommendation approach via distinguishing user’s preference
Salmani et al. Hybrid movie recommendation system using machine learning
Park et al. Finding social networks among online reviewers for customer segmentation
Liu et al. TCD-CF: Triple cross-domain collaborative filtering recommendation
Gunjal et al. A hybrid scalable collaborative filtering based recommendation system using ontology and incremental SVD algorithm
JP7012892B1 (ja) 情報処理装置、情報処理方法および情報処理プログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application