KR20180124550A - 연관패턴 학습을 통한 사용자 일정 추천 시스템 및 방법 - Google Patents
연관패턴 학습을 통한 사용자 일정 추천 시스템 및 방법 Download PDFInfo
- Publication number
- KR20180124550A KR20180124550A KR1020170059296A KR20170059296A KR20180124550A KR 20180124550 A KR20180124550 A KR 20180124550A KR 1020170059296 A KR1020170059296 A KR 1020170059296A KR 20170059296 A KR20170059296 A KR 20170059296A KR 20180124550 A KR20180124550 A KR 20180124550A
- Authority
- KR
- South Korea
- Prior art keywords
- schedule
- association
- event
- association pattern
- behavior event
- Prior art date
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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G06F17/27—
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
상술한 과제를 실현하기 위한 본 개시의 일예와 관련된 일정 추천 시스템은 사용자의 행동 이벤트를 수집하는 이벤트 수집부; 상기 사용자의 일정을 수집하는 상황정보 수집부; 상기 행동 이벤트와 상기 일정간의 연관관계 발생 확률이 기 설정된 기준값 이상인 경우, 상기 연관관계로부터 연관패턴을 생성하여 저장하고, 상기 일정에 대응되는 키워드를 확인하고, 상기 키워드에 대응되는 상기 연관패턴을 검색하고, 검색 결과를 반영하여 상기 연관패턴을 갱신하는 연관패턴 관리부; 및 상기 사용자의 일정을 상기 연관패턴에 매칭시켜 상기 사용자의 일정에 따른 추천일정을 생성하는 추천일정 생성부;를 포함할 수 있다.
Description
본 개시는 데이터 추천 장치 및 방법에 관한 것으로써, 사용자 행동 기반의 데이터에 기초하여 사용자 일정을 추천하는 시스템 및 방법에 관한 것이다.
사람들의 일상은 일주일, 한달, 일년 단위로 반복적인 생활 패턴 또는 간혹 이벤트 성으로 발생하는 일들에 반응하면서 이루어지고 있다. 이러한 생활 패턴을 자세히 보면 패턴과 패턴, 패턴과 일정 사이에 연관 관계, 특히 순서가 있는 연관관계가 존재함을 알 수 있다.
하나의 행위 다음에 일어나는 일은 다음에 일어나는 행위에 영향을 주고 또는 역방향으로 영향을 주어 일정 기간을 두고 발생하게 된다. 그리고 여러 가지 주변 환경, 즉, 계절, 날짜, 날씨 등에 의해서도 이러한 행위가 연관성을 가지고 발생함을 알 수 있다.
현재 스마트폰을 통한 기존의 일정 관리앱은 입력된 일정에 대한 알림 기능을 제공하지만 이는 사용자에 의해 직접 입력된 일정에 한해서 제공되고, 사용자별 맞춤형 일정 추천 기능은 제공하지 못하고 있는 실정이다.
따라서 사용자의 행동 등을 이용하여 사용자별 맞춤형 일정 추천 서비스를 제공할 수 있는 장치 및 방법의 개발이 요구되고 있는 실정이다.
본 개시는 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 사용자의 행동과 일정 간의 연관 관계를 이용하여 사용자에게 일정을 추천하는 장치 및 방법을 사용자에게 제공하는 데 그 목적이 있다.
또한, 본 개시는 일정에 대응되는 키워드를 사용하여 연관패턴을 검색하고 검색결과를 반영함으로써, 일정에 대응되는 연관패턴의 정확성을 높일 수 있는 장치 및 방법을 제공하는 데 다른 목적이 있다.
또한, 본 개시는 연관패턴의 검색에 사용되는 키워드의 범위를 확장 또는 그룹화하고 검색 결과를 반영함으로써, 연관패턴의 검출 또는 추천 일정의 신뢰성을 높일 수 있는 장치 및 방법을 제공하는 데 또 다른 목적이 있다.
한편, 본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 실현하기 위한 본 개시의 일예와 관련된 일정 추천 시스템은 사용자의 행동 이벤트를 수집하는 이벤트 수집부; 상기 사용자의 일정을 수집하는 상황정보 수집부; 상기 행동 이벤트와 상기 일정간의 연관관계 발생 확률이 기 설정된 기준값 이상인 경우, 상기 연관관계로부터 연관패턴을 생성하여 저장하고, 상기 일정에 대응되는 키워드를 확인하고, 상기 키워드에 대응되는 상기 연관패턴을 검색하고, 검색 결과를 반영하여 상기 연관패턴을 갱신하는 연관패턴 관리부; 및 상기 사용자의 일정을 상기 연관패턴에 매칭시켜 상기 사용자의 일정에 따른 추천일정을 생성하는 추천일정 생성부;를 포함할 수 있다.
상기 일정에 대응되는 키워드는 상기 일정으로부터 검출된 키워드와, 상기 키워드와 유사한 의미를 내포하는 유사 키워드를 포함할 수 있다.
또한, 상기 행동 이벤트는, 통화 이벤트, 결제 이벤트, 위치 이벤트, 앱 사용 이벤트, 미디어 사용 이벤트 중 적어도 하나를 포함할 수 있다.
또한, 상기 행동 이벤트를 저장하는 이벤트 저장부;를 더 포함할 수 있다.
또한, 상기 상황정보 수집부는, 상기 행동 이벤트가 발생한 때의 시간 정보 및 환경 정보 중 적어도 하나를 더 수집할 수 있다.
또한, 상기 시간 정보는 계절, 요일 및 일자 중 적어도 하나를 포함할 수 있다.
또한, 상기 환경 정보는 상기 사용자의 위치, 날씨 및 온도 중 적어도 하나를 포함할 수 있다.
또한, 상기 연관패턴 관리부는, 상기 행동 이벤트와 상기 일정 간의 선후관계를 분석하여 상기 연관패턴을 생성할 수 있다.
또한, 상기 연관패턴 관리부는, 상기 행동 이벤트 발생시간과 상기 일정 간의 시간차 정보를 상기 연관패턴에 포함시킬 수 있다.
또한, 상기 연관패턴을 저장하는 연관패턴 저장부;를 더 포함하고, 상기 연관패턴 관리부는, 상기 연관관계의 발생 확률이 기 설정된 기준값 미만이고, 상기 연관관계로부터 생성된 연관패턴이 상기 연관패턴 저장부에 저장되어 있는 경우, 상기 저장된 연관패턴을 삭제할 수 있다.
또한, 본 개시의 일예와 관련된 일정 추천 시스템은 상기 일정, 상기 일정과 관련된 행동 이벤트, 상기 행동 이벤트 발생시점과 일정 사이의 날자 차이, 상기 행동 이벤트 발생과 상기 일정의 연관 확률, 상기 일정 누적 빈도 수를 중 적어도 하나를 포함하는 연관패턴을 저장하는 연관패턴 저장부;를 더 포함할 수 있다.
본 개시의 일예와 관련된 일정 추천 시스템은 상기 행동 이벤트의 종류, 상기 행동 이벤트에 대응되는 대상, 상기 행동 이벤트의 발생 요일, 상기 행동 이벤트의 발생 시각, 상기 행동 이벤트의 상세 정보 중 적어도 하나를 저장하는 이벤트 저장부를 더 포함할 수 있다.
한편, 상술한 과제를 실현하기 위한 본 개시의 일예와 관련된 일정 추천 방법은 사용자의 단말기로부터 상기 사용자의 일정을 수집하는 단계; 사용자의 단말기로부터 상기 사용자의 행동 이벤트를 수집하는 단계; 상기 행동 이벤트와 상기 일정간의 연관관계를 도출하는 단계; 상기 연관관계의 발생 확률을 고려하여, 상기 연관관계로부터 연관패턴을 생성 및 저장하는 단계; 상기 일정에 대응되는 키워드를 확인하는 단계; 상기 키워드에 대응되는 상기 연관패턴을 검색하고, 검색 결과를 반영하여 상기 연관패턴을 갱신하는 단계; 및 상기 사용자의 일정을 상기 연관패턴에 매칭시켜 상기 사용자의 일정에 따른 추천일정을 생성하는 단계를 포함할 수 있다.
또한, 상기 일정에 대응되는 키워드는 상기 일정으로부터 검출된 키워드와, 상기 키워드와 유사한 의미를 내포하는 유사 키워드를 포함할 수 있다.
또한, 상기 사용자의 행동 이벤트를 수집하는 단계는, 상기 행동 이벤트가 발생한 때의 시간 정보 및 환경 정보 중 적어도 하나를 더 수집할 수 있다.
또한, 상기 연관패턴을 생성하는 단계는, 상기 행동 이벤트와 상기 일정간의 선후관계를 분석하여 상기 연관패턴을 생성할 수 있다.
또한, 상기 연관패턴을 생성하는 단계는, 상기 행동 이벤트 발생시간과 상기 일정간의 시간차 정보를 상기 연관패턴에 포함시킬 수 있다.
또한, 상기 저장된 연관패턴을 삭제하는 단계;를 더 포함하고, 상기 연관패턴을 삭제하는 단계는, 상기 연관관계의 발생 확률이 기 설정된 기준값 이상인지 여부를 판단하는 단계 후, 상기 연관관계의 발생 확률이 상기 기준값 미만이고, 상기 연관관계로부터 생성된 연관패턴이 상기 연관패턴 저장부에 저장되어 있는 경우, 수행될 수 있다.
또한, 상기 연관패턴은, 상기 일정, 상기 일정과 관련된 행동 이벤트, 상기 행동 이벤트 발생시점과 일정 사이의 날자 차이, 상기 행동 이벤트 발생과 상기 일정의 연관 확률, 상기 일정 누적 빈도 수를 중 적어도 하나를 포함할 수 있다.
또한, 상기 행동 이벤트는, 상기 행동 이벤트의 종류, 상기 행동 이벤트에 대응되는 대상, 상기 행동 이벤트의 발생 요일, 상기 행동 이벤트의 발생 시각, 상기 행동 이벤트의 상세 정보 중 적어도 하나를 포함할 수 있다.
본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.
본 개시에 따르면, 사용자의 행동과 일정 간의 연관 관계를 이용하여 사용자에게 일정을 추천하는 장치 및 방법을 사용자에게 제공할 수 있다.
또한, 본 개시에 따르면, 일정에 대응되는 키워드를 사용하여 연관패턴을 검색하고 검색결과를 반영함으로써, 일정에 대응되는 연관패턴의 정확성을 높일 수 있는 장치 및 방법을 사용자에게 제공할 수 있다.
나아가, 본 개시에 따르면, 일정에 포함된 키워드와 상기 키워드와 유사한 의미를 내포하는 유사 키워드를 사용하여 연관패턴을 검색하고, 검색 결과를 반영하여 갱신함으로써, 연관패턴의 적용 범위 확장 및 정확성을 높일 수 있는 장치 및 방법을 사용자에게 제공할 수 있다.한편, 본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 일 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1은 사용자 행동 이벤트와 일정간의 연관 관계를 설명하기 위한 도면이다.
도 2는 선행패턴과 후행패턴을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른 일정 추천 시스템을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 일정 추천 시스템에 구비된 이벤트 저장부가 저장하는 행동 이벤트의 데이터 구조를 예시하는 도면이다.
도 5는 본 개시의 일 실시예에 따른 일정 추천 시스템에 구비되는 연관패턴 관리부의 상세 동작을 설명하는 도면이다.
도 6은 본 개시의 일 실시예에 따른 일정 추천 시스템에 구비된 연관패턴 저장부가 저장하는 연관패턴의 데이터 구조를 예시하는 도면이다.
도 7은 본 개시의 일 실시예에 따른 연관 관계와 발생 확률을 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 일정 추천 방법을 나타내는 흐름도이다.
도 9는 본 개시의 일 실시예에 따른 일정 추천 방법을 실행하는 컴퓨팅 시스템을 보여주는 블록도이다.
도 1은 사용자 행동 이벤트와 일정간의 연관 관계를 설명하기 위한 도면이다.
도 2는 선행패턴과 후행패턴을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른 일정 추천 시스템을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 일정 추천 시스템에 구비된 이벤트 저장부가 저장하는 행동 이벤트의 데이터 구조를 예시하는 도면이다.
도 5는 본 개시의 일 실시예에 따른 일정 추천 시스템에 구비되는 연관패턴 관리부의 상세 동작을 설명하는 도면이다.
도 6은 본 개시의 일 실시예에 따른 일정 추천 시스템에 구비된 연관패턴 저장부가 저장하는 연관패턴의 데이터 구조를 예시하는 도면이다.
도 7은 본 개시의 일 실시예에 따른 연관 관계와 발생 확률을 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 일정 추천 방법을 나타내는 흐름도이다.
도 9는 본 개시의 일 실시예에 따른 일정 추천 방법을 실행하는 컴퓨팅 시스템을 보여주는 블록도이다.
이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.
본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.
본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다. 본 발명의 일정 추천 시스템을 설명하기에 앞서 도 1을 참조하여 연관패턴에 대해 설명한다.
도 1은 사용자 행동 이벤트와 일정간의 연관 관계를 설명하기 위한 도면이다.
사용자의 행동 이벤트는 사용자의 단말기를 사용하여 수행한 행동을 검출한 이벤트로서, 도 1에 예시된 위치 이벤트, 통화 이벤트, 결제 이벤트, 앱 사용 이벤트 및 미디어 사용 이벤트 등을 포함한다.
위치 이벤트는 사용자의 위치 정보에 대한 이벤트로서, 사용자의 위치(위도, 경도, 고도), 사용자의 이동 내역, 사용자의 이동 지역 등이 이에 해당할 수 있고, 통화 이벤트는 사용자의 통화 내역으로부터 추출될 수 있는 이벤트로서, 전화 수신자, 발신 시간, 수신 시간 등이 이에 해당할 수 있다.
그리고 결제 이벤트는 단말기를 통한 결제와 관련된 이벤트로서, 사용자의 결제 내역, 결제 대상, 결제 시간 등이 이에 해당할 수 있고, 앱 사용 이벤트는 사용자가 사용한 앱의 종류, 사용시간 등 앱 사용과 관련된 이벤트가 이에 해당할 수 있다.
또한, 미디어 사용 이벤트는 음악, 동영상 등의 재생 등에 대한 행위에 대한 이벤트이다.
다만, 행동 이벤트는 이러한 예시에 한정되지 않고, 단말기를 통해 사용자가 수행한 행동 또는 사용자가 단말기를 소지한 상태에서 이동하여 단말기가 획득하는 위치정보로부터 생성되는 이벤트 또한 이에 포함될 수 있다.
일정이라 함은 사용자의 단말기에 입력된 일정을 의미하는 것이다.
본 발명에서 연관패턴은 사용자의 행동 이벤트와 단말기에 입력된 일정이 형성하는 패턴을 말하는 것으로서, 연관패턴은 선행 패턴과 후행 패턴으로 분류될 수 있다.
도 2는 선행패턴과 후행패턴을 설명하기 위한 도면으로서, 도 2를 참조하면 선행 패턴은 일정이 발생함에 따라 해당 일정보다 이벤트가 먼저 수행되는 패턴을 의미하며, 후행 패턴은 일정이 발생함에 따라 해당 일정보다 이벤트가 후에 수행되는 패턴을 의미한다.
연관패턴에서 일정과 행동 이벤트는 소정 기간의 시간 차이를 가질 수 있다. 예를 들어, 시험이라는 일정이 있고 30일 전에 문제집을 구매하는 결제 이벤트가 발생하는 연관패턴은 30일이라는 시간 차이를 가진다.
그리고 연관패턴이 발생하는 확률은 각 연관패턴마다 다를 수 있다. 예를 들어, 병원 검진이라는 일정 후 80%의 확률로 약국으로 이동하는 이벤트가 발생하는 연관패턴은 80%라는 발생 확률을 가진다.
이하에서는 도 3을 참조하여 본 발명의 일전 추천 시스템에 대해 설명한다.
도 3은 본 개시의 일 실시예에 따른 일정 추천 시스템을 나타내는 블록도이다.
본 발명의 일정 추천 시스템은 이벤트 저장부(100), 연관패턴 저장부(200), 제어부(300) 및 추천일정 알림부(400) 등을 포함할 수 있다.
다만, 도 3에 도시된 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 일정 추천 시스템이 구현될 수도 있다.
이벤트 저장부(100)는 후술할 이벤트 수집부(310)가 수집한 사용자의 행동 이벤트를 저장하는 구성이다. 이벤트 저장부(100)는 행동 이벤트의 종류, 행동 이벤트에 대응되는 대상(예, 사람 또는 사물), 행동 이벤트의 발생 요일, 행동 이벤트의 발생 시각, 행동 이벤트의 상세 정보 등의 데이터(도 4참조)를 저장하는 데이터베이스(DB; Database)(예, 이벤트 DB) 를 구비할 수 있다. 여기서, 행동 이벤트의 종류는 위치 이벤트, 통화 이벤트, 결제 이벤트, 앱 사용 이벤트 및 미디어 사용 이벤트 등을 포함할 수 있다.
이벤트 저장부(100)가 저장한 행동 이벤트는 후술할 연관패턴 관리부(200)가 연관패턴을 생성할 때 사용될 수 있다.
연관패턴 저장부(200)는 후술할 연관패턴 관리부(330)가 생성한 연관패턴을 저장하는 구성이다. 연관패턴 저장부(200)는 연관패턴으로서, 일정, 상기 일정과 관련된 행동 이벤트, 행동 이벤트 발생시점과 일정 사이의 날자 차이, 행동 이벤트 발생과 일정의 연관 확률, 일정 누적 빈도 수 등의 데이터를 저장하는 데이터베이스(DB; Database)(예, 연관패턴 DB) 를 구비할 수 있다.
연관패턴 저장부(200)에 저장된 연관패턴은 특정 조건 하에서 연관패턴 관리부에 의해 삭제될 수 있으며, 이에 대한 상세한 내용은 후술한다.
제어부(300)는 일정 추천 시스템의 전반적인 동작을 수행하는 구성으로서, 이벤트 수집부(310), 상황정보 수집부(320), 연관패턴 생성부(330) 및 추천 일정 생성부(340) 등을 포함할 수 있다.
이벤트 수집부(310)는 사용자의 단말기로부터 사용자의 행동 이벤트를 수집하는 구성이다.
이벤트 수집부(310)는 소정 주기마다 행동 이벤트를 수집할 수 있으며, 이벤트 수집부(310)가 수집하는 행동 이벤트는 전술한 바와 같이 통화 이벤트, 결제 이벤트, 위치 이벤트, 앱 사용 이벤트 및 미디어 사용 이벤트 등을 포함할 수 있다.
상황정보 수집부(320)는 사용자의 단말기로부터 사용자의 일정, 행동 이벤트가 발생한 때의 시간정보 및 환경정보를 수집하는 구성이다.
예를 들어, 사용자의 단말기인 스마트폰의 캘린더 앱으로부터 사용자의 일정을 수집할 수 있고, 시간정보로서 계절, 요일 및 일자 등을 수집할 수 있다. 또한, 환경정보로서 스마트폰의 GPS(Global Positioning System)로부터 사용자의 위치, 날씨 앱으로부터 날씨 및 온도 등을 수집할 수 있다. 여기서, 일정, 시간 정보 및 환경 정보는 같은 클래스로서, 각각은 행동 이벤트와 연관 관계를 이룰 수 있다. 예를 들어, 일정으로서 시험일정과 시험일정의 행동 이벤트로서 시험일 30일 전에 문제집을 구매하는 이벤트가 연관 관계를 이룰 수 있다. 그리고 시간 정보로서 일요일과 행동 이벤트로서 일요일에 등산을 하는 이벤트가 연관 관계를 이룰 수 있다. 또한, 환경 정보로서 폭염과 행동 이벤트로서 에어컨을 켜는 이벤트가 연관 관계를 이룰 수 있다.
또한, 일정, 시간 정보 및 환경 정보는 조합된 형태로서 행동 이벤트와 연관 관계를 이룰 수도 있다. 예를 들어, 시간 정보로서 화요일과 환경 정보로서 사용자의 위치가 회사에 위치하는 것의 조합이 행동 이벤트로서 사용자의 위치가 회사인 때로부터 8시간 후에 학원에 가는 이벤트와 연관 관계를 이룰 수 있다.
연관패턴 관리부(330)는 수집한 행동 이벤트와 일정, 시간정보 또는 환경정보간의 연관관계로부터 연관패턴을 생성하는 구성이다. 예컨대, 연관패턴 관리부(330)는 일정 또는 행동 이벤트로부터 키워드를 검출하고, 상기 키워드를 기반으로 대응되는 연관패턴을 검출하거나 새로운 연관패턴을 생성할 수 있다.
도 5는 본 개시의 일 실시예에 따른 일정 추천 시스템에 구비되는 연관패턴 관리부의 상세 동작을 설명하는 도면이다.
도 5를 참조하면, 연관패턴 관리부(330)는 사용자의 일정에 대한 데이터를 저장하는 일정 DB(database)로부터 키워드를 추출하고, 유의어에 대한 데이터를 저장 및 관리하는 유의어 DB로부터 추출된 키워드에 대응되는 유의어를 검출한다(501).
예를 들어, 연관패턴 관리부(330)는 일정 DB(database)로부터 키워드로서 "여행"을 추출하고, 유의어 DB로부터 여행이라는 일정에 대응되는 "소풍", "나들이", "MT", "출장" 등의 유사어들을 검출할 수 있다.
그리고, 연관패턴 관리부(330)는 상기 검출된 키워드 및 유의어에 대응되는 연관패턴을 연관패턴 DB(600, 도 6참조)로부터 검색한다(502). 구체적으로, 연관패턴 DB(600)에는 일정(601), 상기 일정과 관련된 행동 이벤트(602), 행동 이벤트 발생시점과 일정 사이의 날자 차이(603), 행동 이벤트 발생과 일정의 연관 확률(604), 일정 누적 빈도 수(605) 등의 데이터가 저장될 수 있는데, 연관패턴 관리부(330)는 상기 검출된 키워드 및 유의어에 대응되는 일정(601)이 존재하는지를 확인할 수 있다.
그리고, 연관패턴 DB(600)에 상기 검출된 키워드 및 유의어에 대응되는 일정(예, 제1일정)이 존재하는 경우, 연관패턴 관리부(330)는 상기 제1일정에 대응되는 연관패턴을 갱신할 수 있다. 예컨대, 연관패턴 관리부(330)는 상기 제1일정을 반영하여, 행동 이벤트 발생시점과 일정 사이의 날자 차이(603), 행동 이벤트 발생과 일정의 연관 확률(604), 일정 누적 빈도 수(605) 등을 재 산출하고, 재 산출된 데이터를 업데이트 할 수 있다.
한편, 연관패턴 DB(600)에 상기 검출된 키워드 및 유의어에 대응되는 일정(예, 제1일정)이 존재하지 않는 경우, 연관패턴 관리부(330)는 제1일정과 관련되는 파라미터를 확인하고(503), 이를 바탕으로 연관패턴을 생성할 수 있다(504).
예컨대, 연관패턴 관리부(330)는 행동 이벤트와 일정, 시간정보 또는 환경정보간의 선후 관계에 대한 파라미터를 확인하고, 확인된 파라미터들을 분석하여 연관패턴을 생성할 수 있다. 예를 들어, 시험일정과 시험일정 30일 전 문제집 구매 이벤트의 연관 관계에서는 일정을 기준으로 이벤트가 선행하는 관계이다. 또한, 병원 검진 일정과 병원 검진 후, 1시간 뒤 약국 방문 이벤트는 일정을 기준으로 이벤트가 후행하는 관계이다.
어떠한 일정이 존재할 때 특정 행동 이벤트가 수행되는 연관관계의 발생을 확률로 나타낼 수 있으며, 연관패턴 관리부(330)는 연관관계의 발생 확률이 기 설정된 기준값 이상인 경우 연관패턴을 생성할 수 있다.
예를 들어, 10번의 운동 일정이 존재하고 그 후 음료수를 구매하는 이벤트가 7번 발생한다면 운동일정에 따른 음료수 구매가 수행되는 연관 관계의 발생확률은 70%가 되는 것이다.
연관패턴을 생성하기 위한 기준값이 60% 라면 위의 예에서 운동 일정 후 음료수 구매 이벤트는 연관패턴으로 생성될 것이고, 기준 값이 80%라면 연관패턴으로 생성되지 않을 것이다.
연관패턴 관리부(330)는 행동 이벤트 발생시간과 일정간의 시간차 정보를 연관패턴에 포함시킬 수 있다. 위의 예에서 운동 일정 1시간 후 음료수 구매 이벤트가 발생하는 연관패턴이 생성되는 경우, 이는 연관패턴에 운동 일정 '1시간 후'라는 정보를 포함시키는 것이다.
이하에서 도 7에 나타난 연관 관계를 참조하여 연관패턴의 생성에 대해 설명한다.
도 7은 본 개시의 일 실시예에 따른 연관 관계와 발생 확률을 나타내는 도면이다.
도 7에서 M은 월요일, T는 화요일, W는 수요일, Th는 목요일, F는 금요일 Sat는 토요일, Sun은 일요일을 의미한다. 도 7을 참조하면, 월요일, 수요일 및 금요일(시간 정보)에 집에 위치(환경 정보)하는 경우 80%의 확률로 체육관으로 가는 제 1 연관 관계가 존재한다. 또한, 일요일(시간 정보)에 카페에 위치(환경 정보) 하는 경우 30%의 확률로 집으로 가는 제 2 연관 관계가 존재한다.
기준 값이 70%인 경우, 연관패턴 관리부(330)는 제 1 연관 관계의 경우 발생 확률이 기준 값보다 높으므로 제 1 연관 관계를 연관패턴으로 생성한다. 반면, 제 2 연관 관계의 경우 발생 확률이 기준 값보다 낮으므로 제 2 연관 관계를 연관패턴으로 생성하지 않게 된다.
이와 같이 연관패턴 관리부(330)가 생성한 연관패턴은 전술한 연관패턴 저장부(200)에 저장될 수 있다.
연관패턴 관리부(330)는 연관패턴을 생성할 수 있을 뿐만 아니라, 연관패턴 저장부(200)에 저장된 연관패턴을 삭제할 수도 있다.
연관패턴 관리부(330)는 연관패턴 저장부(200)에 저장된 연관패턴의 연관 관계 발생확률이 기준 값 미만인 경우, 해당 연관패턴을 연관패턴 저장부(200)에서 삭제할 수 있다.
예를 들어, 제 1 연관 관계의 발생 확률이 기준 값 보다 높다면 연관패턴이 생성되어 연관패턴 저장부(200)에 저장될 수 있다. 그런데 이벤트 수집부(310)와 상황정보 수집부(320)는 계속적으로 행동 이벤트와 상황 정보를 수집할 수 있으므로, 제 1 연관 관계의 발생 확률은 시간이 지남에 따라 변할 수 있다.
이와 같이 시간이 지남에 따라 제 1 연관 관계의 발생 확률이 기준 값보다 낮아진다면, 제 1 연관 관계에 따른 연관패턴은 연관패턴 저장부(200)에 저장된 상태이므로 연관패턴 관리부(330)는 연관패턴 저장부(200)에 저장된 연관패턴을 삭제하게 된다.
추천일정 생성부(340)는 사용자의 일정, 시간정보 또는 환경정보를 연관패턴에 매칭시켜 사용자의 일정에 따른 추천일정을 생성한다.
즉, 제 1 일정, 시간정보 또는 환경정보와 제 1 행동 이벤트 간의 제 1 연관 관계에 의해 제 1 연관패턴이 생성되고, 상황 정보 수집부(320)가 제 1 일정, 시간정보 또는 환경정보과 동일한 내용인 제 2 일정을 수집하면, 제 2 일정을 제 1 일정에 매칭시켜 제 1 행동 이벤트를 추천일정으로 생성하는 것이다.
예를 들어, '시험 일정'(제 1 일정)과 시험 30일 전에 '문제집을 구매'(제 1 행동 이벤트)하는 연관관계에 의한 연관패턴이 존재하고, 상황 정보 수집부(320)가 '4월 20일에 시험'(제 2 일정)이라는 일정을 수집하면, 추천일정 생성부(340)는 제 제 2 일정을 제 1 일정에 매칭시켜 추천 일정으로서 4월 20일의 30일 전인 '3월 20일에 문제집을 구매'하는 것을 추천일정으로 생성할 수 있다.
추천일정 생성부(340)는 위와 같은 예시 이외에도 연관패턴에 사용자의 시간정보 또는 환경정보를 매칭시켜 추천일정을 생성할 수 있다.
본 개시의 일 실시예에 따라 연관패턴 저장부(200)에 연관패턴이 저장된다면 저장된 연관패턴을 이용하여 추천일정을 생성할 수 있다. 그리고 전술한 바와 같이 연관패턴 저장부(200)에 저장되었던 연관패턴이 삭제된다면 이를 반영하여 추천일정을 생성할 때 삭제된 연관패턴은 이용하지 않게 된다.
추천일정 알림부(400)는 생성된 추천일정을 단말기를 통해 사용자에게 알리는 구성으로서, 일정관리 앱의 알림기능 등이 이에 해당할 수 있다.
이하에서는 도 8을 참조하여 전술한 구성들을 기초로 연관패턴 추출 방법에 대해 구체적으로 설명한다.
도 8은 본 개시의 일 실시예에 따른 일정 추천 방법을 나타내는 흐름도이다.
우선, 상황정보 수집부(320)가 사용자의 단말기로부터 일정을 수집한다(S801).
이벤트 수집부(310)가 사용자의 단말기로부터 사용자의 행동 이벤트를 수집 및 저장한다(S802). 이때, 상황정보 수집부(320)는 행동 이벤트가 발생한 때의 시간정보 및 환경정보 또한 수집할 수 있다.
전술한 바와 같이 행동 이벤트는 통화 이벤트, 결제 이벤트, 위치 이벤트, 앱 사용 이벤트 및 미디어 사용 이벤트 등을 포함할 수 있다.
다음으로, 연관패턴 관리부(330)는 일정 DB로부터 키워드를 추출한다(S803). 이때, 연관패턴 관리부(330)는, 유의어에 대한 데이터를 저장 및 관리하는 유의어 DB로부터 추출된 키워드에 대응되는 유의어를 더 검출할 수 있다. 예를 들어, 연관패턴 관리부(330)는 일정 DB(database)로부터 키워드로서 "여행"을 추출하고, 유의어 DB로부터 여행이라는 일정에 대응되는 "소풍", "나들이", "MT", "출장" 등의 유사어들을 검출할 수 있다.
S804 단계에서, 연관패턴 관리부(330)는 상기 검출된 키워드 및 유의어에 대응되는 연관패턴을 연관패턴 DB(600)로부터 검색한다. 구체적으로, 연관패턴 DB(600)에는 일정(601), 상기 일정과 관련된 행동 이벤트(602), 행동 이벤트 발생시점과 일정 사이의 날자 차이(603), 행동 이벤트 발생과 일정의 연관 확률(604), 일정 누적 빈도 수(605) 등의 데이터가 저장될 수 있는데, 연관패턴 관리부(330)는 상기 검출된 키워드 및 유의어에 대응되는 일정(601)이 존재하는지를 확인할 수 있다.
연관패턴 DB(600)에 상기 검출된 키워드 및 유의어에 대응되는 일정(예, 제1일정)이 존재하는 경우(S804-예), 연관패턴 관리부(330)는 상기 제1일정에 대응되는 연관패턴을 갱신할 수 있다(S805). 구체적으로, 연관패턴 관리부(330)는 상기 제1일정을 반영하여, 행동 이벤트 발생시점과 일정 사이의 날자 차이(603), 행동 이벤트 발생과 일정의 연관 확률(604), 일정 누적 빈도 수(605) 등을 재 산출하고, 새 산출된 데이터를 업데이트 할 수 있다.
한편, 연관패턴 DB(600)에 상기 검출된 키워드 및 유의어에 대응되는 일정(예, 제1일정)이 존재하지 않는 경우(S804-아니오), 연관패턴 관리부(330)는 제1일정과 관련되는 행동 이벤트를 확인할 수 있다(S806). S806 단계에서, 이벤트 DB에 상기 제1일정과 관련되는 행동 이벤트가 존재하는지를 확인할 수 있다.
이벤트 DB에 상기 제1일정과 관련되는 행동 이벤트가 존재하는 경우(S806-예), 상기 제1일정과 관련되는 행동 이벤트를 사용하여 연관패턴을 생성한다(S807).
예를 들어, 시험일정과 시험일정 30일 전 문제집 구매 이벤트의 연관 관계에서는 일정을 기준으로 이벤트가 선행하는 관계를 예시할 수 있다. 또한, 병원 검진 일정과 병원 검진 후, 1시간 뒤 약국 방문 이벤트는 일정을 기준으로 이벤트가 후행하는 관계로 예시할 수 있다. 이와 같이, 일정과 행동 이벤트가 발생될 수 있는 다양한 연관 관계를 패턴화하여 구성할 수 있다. 이를 바탕으로, S807 단계에서, 연관패턴 관리부(330)는 상기 제1일정과 관련된 행동 이벤트를 조합 또는 가공하여 연관패턴을 생성할 수 있다.
나아가, 어떠한 일정이 존재할 때 특정 행동 이벤트가 수행되는 연관관계의 발생을 확률로 나타낼 수 있으며, 연관패턴 관리부(330)는 연관관계의 발생 확률이 기 설정된 기준값 이상인 경우 연관패턴을 생성할 수 있다. 또한, 연관패턴 관리부(330)는 행동 이벤트 발생시간과 일정 간의 시간차 정보를 연관패턴에 포함시킬 수 있다.
도 9는 본 개시의 일 실시예에 따른 일정 추천 방법을 실행하는 컴퓨팅 시스템을 보여주는 블록도이다.
도 9를 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.
본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.
또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.
100 : 이벤트 저장부
200 : 연관패턴 저장부
300 : 제어부
310 : 이벤트 수집부
320 : 상황정보 수집부
330 : 연관패턴 관리부
340 : 추천일정 생성부
400 : 추천일정 알림부
1000: 컴퓨팅 시스템
1100: 프로세서
1200: 시스템 버스
1300: 메모리
1310: ROM
1320: RAM
1400: 사용자 인터페이스
200 : 연관패턴 저장부
300 : 제어부
310 : 이벤트 수집부
320 : 상황정보 수집부
330 : 연관패턴 관리부
340 : 추천일정 생성부
400 : 추천일정 알림부
1000: 컴퓨팅 시스템
1100: 프로세서
1200: 시스템 버스
1300: 메모리
1310: ROM
1320: RAM
1400: 사용자 인터페이스
Claims (20)
- 사용자의 행동 이벤트를 수집하는 이벤트 수집부;
상기 사용자의 일정을 수집하는 상황정보 수집부;
상기 행동 이벤트와 상기 일정 간의 연관관계 발생 확률이 기 설정된 기준값 이상인 경우, 상기 연관관계에 기초한 연관패턴을 생성하여 저장하고, 상기 일정에 대응되는 키워드를 확인하고, 상기 키워드에 대응되는 상기 연관패턴을 검색하고, 검색 결과를 반영하여 상기 연관패턴을 갱신하는 연관패턴 관리부; 및
상기 사용자의 일정을 상기 연관패턴에 매칭시켜 상기 사용자의 일정에 따른 추천일정을 생성하는 추천일정 생성부;를 포함하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 일정에 대응되는 키워드는 상기 일정으로부터 검출된 키워드와, 상기 키워드와 유사한 의미를 내포하는 유사 키워드를 포함하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 행동 이벤트는, 통화 이벤트, 결제 이벤트, 위치 이벤트, 앱 사용 이벤트, 미디어 사용 이벤트 중 적어도 하나를 포함하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 행동 이벤트를 저장하는 이벤트 저장부;를 더 포함하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 상황정보 수집부는,
상기 행동 이벤트가 발생한 때의 시간 정보 및 환경 정보 중 적어도 하나를 더 수집하는 것을 특징으로 하는 일정 추천 시스템. - 제 5 항에 있어서,
상기 시간 정보는 계절, 요일 및 일자 중 적어도 하나를 포함하는 것을 특징으로 하는 일정 추천 시스템. - 제 5 항에 있어서,
상기 환경 정보는 상기 사용자의 위치, 날씨 및 온도 중 적어도 하나를 포함하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 연관패턴 관리부는,
상기 행동 이벤트와 상기 일정 간의 선후관계를 분석하여 상기 연관패턴을 생성하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 연관패턴 관리부는,
상기 행동 이벤트 발생시간과 상기 일정 간의 시간차 정보를 상기 연관패턴에 포함시키는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 연관패턴을 저장하는 연관패턴 저장부;를 더 포함하고,
상기 연관패턴 관리부는,
상기 연관관계의 발생 확률이 기 설정된 기준값 미만이고,
상기 연관관계로부터 생성된 연관패턴이 상기 연관패턴 저장부에 저장되어 있는 경우,
상기 저장된 연관패턴을 삭제하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 일정, 상기 일정과 관련된 행동 이벤트, 상기 행동 이벤트 발생시점과 일정 사이의 날자 차이, 상기 행동 이벤트 발생과 상기 일정의 연관 확률, 상기 일정 누적 빈도 수를 중 적어도 하나를 포함하는 연관패턴을 저장하는 연관패턴 저장부;를 더 포함하는 것을 특징으로 하는 일정 추천 시스템. - 제 1 항에 있어서,
상기 행동 이벤트의 종류, 상기 행동 이벤트에 대응되는 대상, 상기 행동 이벤트의 발생 요일, 상기 행동 이벤트의 발생 시각, 상기 행동 이벤트의 상세 정보 중 적어도 하나를 저장하는 이벤트 저장부를 더 포함하는 것을 특징으로 하는 일정 추천 시스템. - 사용자의 단말기로부터 상기 사용자의 일정을 수집하는 단계;
사용자의 단말기로부터 상기 사용자의 행동 이벤트를 수집하는 단계;
상기 행동 이벤트와 상기 일정 간의 연관관계를 도출하는 단계;
상기 연관관계의 발생 확률을 고려하여, 상기 연관관계로부터 연관패턴을 생성 및 저장하는 단계;
상기 일정에 대응되는 키워드를 확인하는 단계;
상기 키워드에 대응되는 상기 연관패턴을 검색하고, 검색 결과를 반영하여 상기 연관패턴을 갱신하는 단계; 및
상기 사용자의 일정을 상기 연관패턴에 매칭시켜 상기 사용자의 일정에 따른 추천일정을 생성하는 단계;를 포함하는 것을 특징으로 하는 일정 추천 방법. - 제 13 항에 있어서,
상기 사용자의 행동 이벤트를 수집하는 단계는,
상기 행동 이벤트가 발생한 때의 시간 정보 및 환경 정보 중 적어도 하나를 더 수집하는 것을 특징으로 하는 일정 추천 방법. - 제 13 항에 있어서,
상기 연관패턴을 생성하는 단계는,
상기 행동 이벤트와 상기 일정 간의 선후관계를 분석하여 상기 연관패턴을 생성하는 것을 특징으로 하는 일정 추천 방법. - 제 13 항에 있어서,
상기 연관패턴을 생성하는 단계는,
상기 행동 이벤트 발생시간과 상기 일정 간의 시간차 정보를 상기 연관패턴에 포함시키는 것을 특징으로 하는 일정 추천 방법. - 제 13 항에 있어서,
상기 일정에 대응되는 키워드는 상기 일정으로부터 검출된 키워드와, 상기 키워드와 유사한 의미를 내포하는 유사 키워드를 포함하는 것을 특징으로 하는 일정 추천 방법. - 제 17 항에 있어서,
상기 연관관계의 발생 확률과 기 설정된 기준값을 비교하는 단계;,
상기 연관관계의 발생 확률이 상기 기 설정된 기준값 미만이고, 상기 연관관계로부터 생성된 연관패턴이 상기 연관패턴 저장부에 저장되어 있으면, 상기 저장된 연관패턴을 삭제하는 단계;를 더 포함것을 특징으로 하는 일정 추천 방법. - 제 13 항에 있어서,
상기 연관패턴은,
상기 일정, 상기 일정과 관련된 행동 이벤트, 상기 행동 이벤트 발생시점과 일정 사이의 날자 차이, 상기 행동 이벤트 발생과 상기 일정의 연관 확률, 상기 일정 누적 빈도 수를 중 적어도 하나를 포함함을 특징으로 하는 일정 추천 방법. - 제 13 항에 있어서,
상기 행동 이벤트는,
상기 행동 이벤트의 종류, 상기 행동 이벤트에 대응되는 대상, 상기 행동 이벤트의 발생 요일, 상기 행동 이벤트의 발생 시각, 상기 행동 이벤트의 상세 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 일정 추천 방법..
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170059296A KR20180124550A (ko) | 2017-05-12 | 2017-05-12 | 연관패턴 학습을 통한 사용자 일정 추천 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170059296A KR20180124550A (ko) | 2017-05-12 | 2017-05-12 | 연관패턴 학습을 통한 사용자 일정 추천 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20180124550A true KR20180124550A (ko) | 2018-11-21 |
Family
ID=64602236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170059296A KR20180124550A (ko) | 2017-05-12 | 2017-05-12 | 연관패턴 학습을 통한 사용자 일정 추천 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20180124550A (ko) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021107676A1 (ko) | 2019-11-29 | 2021-06-03 | 주식회사 녹십자지놈 | 인공지능 기반 염색체 이상 검출 방법 |
KR102321408B1 (ko) * | 2021-04-02 | 2021-11-03 | 박신후 | 개인화된 메모패드 서비스 제공 방법, 장치 및 시스템 |
WO2022114631A1 (ko) | 2020-11-27 | 2022-06-02 | 주식회사 녹십자지놈 | 인공지능 기반 암 진단 및 암 종 예측방법 |
WO2022250513A1 (ko) | 2021-05-28 | 2022-12-01 | 주식회사 지씨지놈 | 세포유리 핵산단편 말단 서열 모티프 빈도 및 크기를 이용한 암 진단 및 암 종 예측방법 |
KR102518263B1 (ko) * | 2022-08-05 | 2023-04-06 | (주)시지태테크놀러지 | 캘린더 애플리케이션을 이용한 카테고리화된 일정의 입력 방법 |
WO2023075402A1 (ko) | 2021-10-26 | 2023-05-04 | 주식회사 지씨지놈 | 메틸화된 무세포 핵산을 이용한 암 진단 및 암 종 예측방법 |
-
2017
- 2017-05-12 KR KR1020170059296A patent/KR20180124550A/ko not_active Application Discontinuation
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021107676A1 (ko) | 2019-11-29 | 2021-06-03 | 주식회사 녹십자지놈 | 인공지능 기반 염색체 이상 검출 방법 |
WO2022114631A1 (ko) | 2020-11-27 | 2022-06-02 | 주식회사 녹십자지놈 | 인공지능 기반 암 진단 및 암 종 예측방법 |
KR102321408B1 (ko) * | 2021-04-02 | 2021-11-03 | 박신후 | 개인화된 메모패드 서비스 제공 방법, 장치 및 시스템 |
WO2022250513A1 (ko) | 2021-05-28 | 2022-12-01 | 주식회사 지씨지놈 | 세포유리 핵산단편 말단 서열 모티프 빈도 및 크기를 이용한 암 진단 및 암 종 예측방법 |
WO2023075402A1 (ko) | 2021-10-26 | 2023-05-04 | 주식회사 지씨지놈 | 메틸화된 무세포 핵산을 이용한 암 진단 및 암 종 예측방법 |
KR102518263B1 (ko) * | 2022-08-05 | 2023-04-06 | (주)시지태테크놀러지 | 캘린더 애플리케이션을 이용한 카테고리화된 일정의 입력 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20180124550A (ko) | 연관패턴 학습을 통한 사용자 일정 추천 시스템 및 방법 | |
CN110476176B (zh) | 用户目标辅助技术 | |
US9720933B2 (en) | Indicating location status | |
Versichele et al. | Pattern mining in tourist attraction visits through association rule learning on Bluetooth tracking data: A case study of Ghent, Belgium | |
KR101320179B1 (ko) | 모바일 장치 상에 정보를 프리캐싱하기 위한 시스템 및 방법 | |
CN108027888A (zh) | 使用上下文信号的局部异常检测 | |
US20140214819A1 (en) | Correlating Social Media Data with Location Information | |
US10250738B2 (en) | Schedule management device and method therefor | |
Drakonakis et al. | Please forget where I was last summer: The privacy risks of public location (meta) data | |
KR20180074316A (ko) | 장소 정보를 제공하기 위한 시스템 및 이를 지원하는 방법 및 전자 장치 | |
KR20130094290A (ko) | 문맥 대응 관심 지점 검색 | |
US20150161439A1 (en) | Semantic place labels | |
Sparks et al. | A global analysis of cities’ geosocial temporal signatures for points of interest hours of operation | |
US11978089B2 (en) | Anonymizing potentially sensitive data | |
JP6917919B2 (ja) | 提供装置、提供方法及び提供プログラム | |
US10600007B2 (en) | Auto-analyzing spatial relationships in multi-scale spatial datasets for spatio-temporal prediction | |
US11756084B2 (en) | Proximity based mechanisms for customer-service interaction feedback | |
JP6817120B2 (ja) | 推定装置、推定方法、及び推定プログラム | |
US20170278072A1 (en) | System and method for recommending a task to user using association pattern learning | |
CN106484827A (zh) | 检索方法以及装置、终端 | |
JP6425697B2 (ja) | 判定装置、判定方法、及び判定プログラム | |
JP6378994B2 (ja) | 配信装置及び配信方法 | |
Rahimi-Eichi et al. | Measures of Behavior and Life Dynamics from Commonly Available GPS Data (DPLocate): Algorithm Development and Validation | |
WO2020045459A1 (ja) | データ分析装置、データ分析システム、データ分析方法およびプログラム | |
JP2016224710A (ja) | 解析システム、解析方法及び解析プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |