KR20180128147A - 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치 - Google Patents

모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치 Download PDF

Info

Publication number
KR20180128147A
KR20180128147A KR1020170063256A KR20170063256A KR20180128147A KR 20180128147 A KR20180128147 A KR 20180128147A KR 1020170063256 A KR1020170063256 A KR 1020170063256A KR 20170063256 A KR20170063256 A KR 20170063256A KR 20180128147 A KR20180128147 A KR 20180128147A
Authority
KR
South Korea
Prior art keywords
information
restaurant
context data
data
behavior
Prior art date
Application number
KR1020170063256A
Other languages
English (en)
Other versions
KR102020551B1 (ko
Inventor
안병익
정구임
최혜림
Original Assignee
식신 주식회사
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 식신 주식회사 filed Critical 식신 주식회사
Priority to KR1020170063256A priority Critical patent/KR102020551B1/ko
Publication of KR20180128147A publication Critical patent/KR20180128147A/ko
Application granted granted Critical
Publication of KR102020551B1 publication Critical patent/KR102020551B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • G06Q50/12—Hotels or restaurants

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치를 개시한다.
단말기로부터 주변환경 및 사용자 행동에 대한 모바일 컨텍스트 정보를 수집하고, 모바일 컨텍스트 정보를 기반으로 사용자의 행동 패턴정보를 생성하며, 행동 패턴정보에 매칭되는 음식점 추천정보를 제공하는 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치에 관한 것이다.

Description

모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치{Method and Apparatus for Recommending Restaurant Based on Mobile Context Information}
본 실시예는 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
스마트폰과 태블릿PC는 사용자가 언제 어디서나 자유롭게 네트워크에 접속 할 수 있도록 하는 유비쿼터스 시대를 만들었다. 유비쿼터스 컴퓨팅은 사용자의 위치, 상태, 행동정보, 주변 상황 등의 컨텍스트(Context)를 인식할 수 있게 하였는데 이로 인해 사용자에게 필요한 서비스를 빠르고 정확하게 제공해 줄 수 있게 되었다.
사용자의 행동은 상황에 따라 변하기 때문에 컨텐츠를 필요로 할 때 사용자의 컨텍스트를 신속하게 수집하고 분석하여 추천할 수 있어야 한다. 현재 대부분의 컨텍스트 기반 추천 서비스는 사용자의 위치를 기반으로 정보를 제공하고 있는데 최근 웨어러블 디바이스와 센서 기능이 포함되어 있는 디바이스가 등장하면서 위치정보 외에 모바일 컨텍스트 정보를 이용한 추천 시스템에 관한 연구가 활발하게 이루어지고 있다.
기존의 이동통신 기반의 추천 시스템이 사용자의 위치와 위치기반 서비스 제공업체의 위치를 감안하여 가장 가까운 곳으로 추천한 반면, 최근의 추천 시스템은 기존의 기능에 사용자의 취향을 반영하고 보안성까지 고려한 방식으로 변화하고 있다.
본 실시예는 단말기로부터 주변환경 및 사용자 행동에 대한 모바일 컨텍스트 정보를 수집하고, 모바일 컨텍스트 정보를 기반으로 사용자의 행동 패턴정보를 생성하며, 행동 패턴정보에 매칭되는 음식점 추천정보를 제공하는 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치를 제공하는 데 주된 목적이 있다.
본 실시예의 일 측면에 의하면, 음식점을 추천하는 장치에 있어서, 단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집부; 상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집부; 상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 상기 사용자 행동을 분류하는 데이터 분류부; 상기 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성부; 및 상기 행동 패턴정보 및 기 설정된 기준 패턴정보를의 비교 결과에 근거하여 선정된 적어도 하나의 음식점 정보를 포함하는 음식점 추천정보를 제공하는 추천정보 처리부를 포함하는 음식점 추천장치를 제공한다.
또한, 본 실시예의 다른 측면에 의하면, 음식점을 추천하는 방법에 있어서, 단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집과정; 상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집과정; 상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 사용자 행동이 소정의 카테고리에 포함될 확률값을 산출하고, 상기 확률값에 근거하여 상기 사용자 행동을 분류하는 데이터 분류과정; 상기 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성과정; 및 상기 행동 패턴정보 및 기 설정된 기준 패턴정보를 비교하여 선호 음식점을 예측하여 음식점 추천정보를 제공하는 추천정보 처리과정을 포함하는 음식점 추천방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 음식점 추천장치는 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 주변환경 및 사용자의 행동에 대한 컨텍스트 정보를 기반으로 사용자의 상황에 따른 맞춤형 음식점을 단말기 사용자에게 추천할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천 시스템을 개략적으로 나타낸 블록 구성도이다.
도 2는 본 실시예에 따른 음식점 추천장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천방법을 설명하기 위한 순서도이다.
도 4는 본 실시예에서 모바일 컨텍스트 정보 기반으로 음식점 추천정보를 제공하는 동작을 설명하기 위한 예시도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천 시스템을 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천 시스템(100)은 단말기(110), 음식점 추천장치(120) 및 행동패턴 DB(130)를 포함한다. 도 1에 도시된 음식점 추천 시스템(100)은 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 음식점 추천 시스템(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다.
단말기(110)는 음식추천 애플리케이션(미도시)을 설치하여 이용할 수 있는 이동통신 기기를 의미한다. 단말기(110)는 네트워크(120) 또는 AP(Access Point)를 경유하여 인터넷에 접속할 수 있는 휴대용 전화기, 데스크탑 PC, 랩탑, 스마트폰, 태블릿 PC 등을 포함할 수 있다.
단말기(110)는 음식추천 애플리케이션이 구동되면 모바일 컨텍스트 정보를 음식점 추천장치(120)로 전송한다. 여기서, 모바일 컨텍스트 정보는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 포함한다. 제1 컨텍스트 데이터는 단말기(110)의 주변환경에 대한 데이터를 의미하며, 단말기(110)의 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 다양한 주변환경 정보를 포함할 수 있다. 제2 컨텍스트 데이터는 단말기(110)의 사용자 행동과 관련된 데이터를 의미하며, 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등 다양한 사용자 행동과 관련된 정보를 포함할 수 있다.
음식점 추천장치(120)는 단말기(110)로부터 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 수집하고, 수집된 데이터를 전처리하여 복수의 카테고리에 대해 분류하여 사용자의 행동 패턴정보를 생성한다. 음식점 추천장치(120)는 행동 패턴정보를 행동패턴 DB(130)에 기 저정된 행동 패턴정보와 비교하여 생성된 음식점 추천정보를 단말기(110)로 제공한다.
음식점 추천장치(120)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 복수의 사용자 행동을 분류하고, 사용자 행동에 대한 목적을 추론한다.
음식점 추천장치(120)는 사용자 행동의 분류 결과 및 행동목적 추론정보를 이용하여 사용자의 행동 패턴정보를 생성한다. 행동 패턴정보는 복수의 사용자 각각에 대해 생성된다. 예를 들어, 복수의 사용자 각각에 대한 행동 패턴정보는 위치정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 날씨정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 대기 측정정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 요일정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴 등의 정보를 포함할 수 있다.
음식점 추천장치(120)는 행동패턴 DB(130)에 기 저장된 기준 패턴정보와 사용자의 행동 패턴정보를 비교하고, 비교 결과에 따라 추출된 음식점 리스트를 음식점 추천정보롤 생성한다. 또한, 음식점 추천장치(120)는 음식점에 대한 선호도, 거리 등에 대한 조건을 추가로 반영하여 음식점 추천정보를 생성할 수 있다. 음식점 추천장치(120)에 대한 구체적인 동작은 도 2에서 설명하도록 한다.
행동패턴 DB(130)는 음식점 추천장치(120)와 연결되어 있고, 행동 패턴에 대한 데이터베이스를 구비한 장치를 의미한다. 행동패턴 DB(130)는 신규로 생성된 사용자의 행동 패턴을 저장하거나 기준 패턴정보를 저장하며, 음식점 추천장치(120)의 요청에 따라 저장된 데이터를 제공한다.
도 1에서 행동패턴 DB(130)는 음식점 추천장치(120)와 별도의 장치인 것으로 도시하고 있으나 반드시 이에 한정되는 것은 아니며, 음식점 추천장치(120) 내에 행동패턴 데이터 저장부(미도시)와 같은 모듈 형태로 구현될 수 있다.
도 2는 본 실시예에 따른 음식점 추천장치를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 음식점 추천장치(120)는 제1 데이터 수집부(210), 제2 데이터 수집부(220), 데이터 전처리부(230), 데이터 처리부(240), 행동패턴 생성부(250) 및 추천정보 처리부(260)를 포함한다. 도 2에 도시된 음식점 추천장치(120)는 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 음식점 추천장치(120)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다.
제1 데이터 수집부(210)는 단말기(110)로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집한다. 여기서, 주변환경은 단말기(110)의 사용자의 위치를 기준으로 소정의 영역 내의 환경을 의미한다. 제1 컨텍스트 데이터는 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 다양한 주변환경 정보를 포함할 수 있다.
제1 데이터 수집부(210)는 단말기(110)에 구비된 모듈 또는 장치를 이용하여 센싱 또는 측정된 제1 컨텍스트 데이터를 수집할 수 있으나 반드시 이에 한정되는 것은 아니다. 예를 들어, 제1 데이터 수집부(210)는 단말기(110) 내에 설치된 애플리케이션으로부터 정보를 취합하여 생성된 제1 컨텍스트 데이터를 단말기(110)로부터 수집할 수 있다.
제2 데이터 수집부(220)는 단말기(110)로부터 사용자 행동과 관련된 제2 컨텍스트 데이터를 수집한다. 여기서, 사용자 행동은 단말기(110)를 이용하여 방문한 음식점, 단말기(110)를 통해 입력한 입력정보 등을 통해 판단되는 음식점 방문과 관련된 사용자의 행동을 의미한다. 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등 다양한 사용자 행동과 관련된 정보를 포함할 수 있다.
제2 컨텍스트 데이터는 제1 컨텍스트 데이터와 별도의 데이터일 수 있으나 반드시 이에 한정되는 것은 아니며, 제1 컨텍스트 데이터와 연관된 데이터일 수 있다. 예를 들어, 제2 컨텍스트 데이터는 제1 컨텍스트 데이터에 포함된 위치정보를 중심으로 소정의 영역 내에 포함된 음식점과 연관된 사용자 행동정보(음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등)를 포함할 수 있다. 또한, 제2 컨텍스트 데이터는 맑음, 흐림, 비, 안개, 눈 등의 날씨정보 각각에 연관된 사용자 행동정보를 포함하거나, 온도정보, 대기 측정정보 등의 수치값에 따른 사용자 행동정보를 포함할 수 있다.
본 실시예에서, 제1 데이터 수집부(210) 및 제2 데이터 수집부(220)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 각각 수집하는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니다. 예를 들어, 음식점 추천장치(120)는 데이터 수집부(미도시)를 이용하여 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터가 통합된 모바일 컨텍스트 데이터를 수집할 수 있다. 여기서, 모바일 컨텍스트 데이터는 단말기(110)에 설치된 음식 추천 애플리케이션을 통해 통합된 데이터인 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
데이터 전처리부(230)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리 및 정규화 처리한다.
데이터 전처리부(230)는 데이터 분류 처리부(240)에서 사용자의 행동을 분석하기 위한 형태로 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리한다. 여기서, 전처리는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터 각각에 포함된 복수의 속성값 각각을 소정의 기준정보에 따라 식별하기 위한 데이터로 가공하는 것을 의미한다. 예를 들어, 데이터 전처리부(230)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터 각각에 포함된 복수의 속성값에 소정의 기준정보에 따른 식별번호를 부여할 수 있다.
또한, 데이터 전처리부(230)는 전처리를 수행한 후 전처리된 데이터(제1 컨텍스트 데이터 및 제2 컨텍스트 데이터)를 정규화 처리한다. 데이터 전처리부(230)는 전처리된 데이터 중 데이터 분류 처리부(240)에서 분석하기 어렵거나 불필요한 데이터를 판단하여 제거한다. 여기서, 분석하기 어렵거나 불필요한 데이터는 기 설정된 기준량 이하인 데이터(예: 우박, 가뭄에 관한 데이터)를 의미한다.
데이터 분류 처리부(240)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 복수의 사용자 행동을 분류하고, 사용자 행동에 대한 목적을 추론한다. 데이터 분류 처리부(240)는 데이터 분류부(242) 및 목적 추론부(244)를 포함한다.
데이터 분류부(242)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 사용자 행동을 분류한다. 여기서, 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터는 전처리된 데이터인 것이 바람직하나 전처리 과정(데이터 전처리부의 동작)이 생략되는 경우 제1 데이터 수집부(210) 및 제2 데이터 수집부(220)에서 수집된 데이터일 수 있다.
데이터 분류부(242)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 이용하여 복수의 사용자 행동마다 특정 카테고리에 속할 복수의 확률값을 산출하고, 복수의 확률값 중 가장 높은 확률값에 해당하는 사용자 행동을 특정 카테고리로 분류한다. 데이터 분류부(242)는 수학식 1을 이용하여 복수의 확률값을 산출하고 가장 높은 확률값을 구할 수 있다.
Figure pat00001
(Vmax: 가장 높은 확률값, ck: 사용자의 행동(속성)이 특정 카테고리 k일 확률(제2 컨텍스트 데이터의 속성), p(ck): 전체 집합(카테고리)에서 특정 카테고리 k가 속할 확률, xi: i 번째 속성일 확률(제1 컨텍스트 데이터의 속성), p(xi|ck): 특정 카테고리 k에서 특정 속성 x일 확률)
목적 추론부(244)는 사용자 행동의 분류 결과에 근거하여 사용자 행동의 목적을 추론하여 행동목적 추론정보를 생성한다. 다시 말해, 목적 추론부(244)는 기 설정된 복수의 목적 모델에 사용자 행동의 분류 결과를 매칭시켜 사용자 목적에 대한 행동목적 추론정보를 생성한다. 예를 들어, 목적 추론부(244)는 업무 모임, 회사 모임, 개인 친목 모임, 가족 모임, 기타 모임 등의 목적 모델을 설정하고, 사용자 행동의 분류 결과를 설정된 복수의 목적 모델에 매칭시켜 행동목적 추론정보를 생성할 수 있다. 행동목적 추론정보는 '평일/저녁/회사 근처 /일반 음식점'을 방문한 사용자 행동의 분류 결과를 '업무 모임'으로 매칭시키고, '주말/점심/집 근처/일반 음식점'을 방문한 사용자 행동의 분류 결과를 '가족 모임'으로 매칭시키고, '주말/저녁/강남/주점'을 방문한 사용자 행동의 분류 결과를 '개인 친목 모임'으로 매칭시켜 행동목적 추론정보를 생성할 수 있다.
행동패턴 생성부(250)는 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성한다. 행동 패턴정보는 복수의 사용자 각각에 대해 생성된다.
행동 패턴정보는 제1 컨텍스트 데이터의 속성값을 기준으로 생성될 수 있다. 예를 들어, 복수의 사용자 각각에 대한 행동 패턴정보는 위치정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 날씨정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 대기 측정정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 요일정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴 등의 정보를 포함할 수 있다.
행동패턴 생성부(250)는 생성된 행동 패턴정보를 행동패턴 DB(130)로 전송하여 저장되도록 한다. 여기서, 행동패턴 DB(130)는 별도의 데이터베이스 장치일 수 있으나 반드시 이에 한정되는 것은 아니며, 음식점 추천장치(120) 내에 행동패턴 저장부(미도시)와 같은 모듈 형태로 구현될 수 있다.
또한, 행동패턴 생성부(250)는 사용자 행동의 분류 결과와 행동목적 추론정보를 고려하여 사용자의 행동 패턴정보를 생성할 수 있다. 행동패턴 생성부(250)는 제1 컨텍스트 데이터의 속성값을 기준으로 행동 패턴정보를 생성할 때 행동목적 추론정보를 추가로 포함시킬 수 있다.
추천정보 처리부(260)는 행동 패턴정보 및 기 설정된 기준 패턴정보를 비교하고, 비교 결과에 근거하여 적어도 하나의 음식점 정보를 포함하는 음식점 추천정보를 생성한다. 추천정보 처리부(260)는 생성된 음식점 추천정보를 단말기(110)로 전송한다. 여기서, 음식점 추천정보는 음식점 추천에 대한 사용자의 요구상황에 따라 포함되는 음식점 정보가 변경될 수 있다.
추천정보 처리부(260)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 유사한 행동 패턴이 존재하는 것으로 판단하여 기준 패턴정보에 해당하는 음식점 리스트를 음식점 추천정보로 생성한다. 여기서, 기준 패턴정보 및 기준 패턴정보에 해당하는 음식점 리스트는 행동패턴 DB(130)로부터 불러온 정보인 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
추천정보 처리부(260)는 두 가지 방식을 이용하여 생성된 음식점 리스트에 포함된 음식점을 필터링하고, 필터링된 음식점을 이용하여 음식점 추천정보를 변경(갱신)할 수 있다.
첫 번째 방식은 음식점의 선호도를 반영하여 음식점 추천정보를 변경하는 방식이다. 추천정보 처리부(260)는 생성된 음식점 리스트에 포함된 음식점 각각에 대한 선호 예측값을 추가로 산출한다. 여기서, 선호 예측값은 기 저장된 사용자들의 선호도를 가중 평균하여 산출된 평가 점수로 예측한 값을 의미한다. 추천정보 처리부(260)는 산출된 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 적어도 하나의 음식점을 추출하여 음식점 추천정보를 변경한다.
추천정보 처리부(260)는 수학식 2를 이용하여 추출된 음식점의 사용자 선호 예측값을 산출할 수 있다.
Figure pat00002
(P(u1,pj): 사용자 u1이 경험하지 않은 장소 pj에 대한 선호 예측값,
Figure pat00003
및
Figure pat00004
: 각각 사용자 u1과 u20이 평가한 모든 아이템의 평가점수의 평균값, ru20,pj는 이웃 사용자 u20의 pj에 대한 평가점수)
두 번째 방식은 음식점의 거리값을 반영하여 음식점 추천정보를 변경하는 방식이다. 추천정보 처리부(260)는 단말기(110)의 현재위치와 음식점 리스트에 포함된 음식점 각각과 거리값을 산출한다. 추천정보 처리부(260)는 산출된 복수의 거리값 중 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 적어도 하나의 음식점을 추출하여 음식점 추천정보를 변경한다.
한편, 추천정보 처리부(260)는 선호 예측값 및 거리값을 모두 이용하여 음식점 추천정보를 생성할 수도 있다. 추천정보 처리부(260)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 기준 패턴정보에 해당하는 제1 음식점 리스트를 생성하고, 제1 음식점 리스트 중 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 음식점을 추출하여 제2 음식점 리스트를 생성할 수 있다. 추천정보 처리부(260)는 제2 음식점 리스트 중 상기 단말기의 현재위치를 기준으로 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 음식점을 추출하여 음식점 추천정보를 생성할 수 있다.
도 3은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천방법을 설명하기 위한 순서도이다.
음식점 추천장치(120)는 단말기(110)로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집한다(S310). 여기서, 제1 컨텍스트 데이터는 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 다양한 주변환경 정보를 포함할 수 있다.
음식점 추천장치(120)는 단말기(110)로부터 사용자 행동과 관련된 제2 컨텍스트 데이터를 수집한다(S312). 여기서, 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등 다양한 사용자 행동과 관련된 정보를 포함할 수 있다.
음식점 추천장치(120)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리 및 정규화 처리한다(S320). 음식점 추천장치(120)는 사용자의 행동을 분석하기 위한 형태로 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리하고, 전처리된 데이터(제1 컨텍스트 데이터 및 제2 컨텍스트 데이터)를 정규화 처리한다. 여기서, 전처리는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터 각각에 포함된 복수의 속성값 각각을 소정의 기준정보에 따라 식별하기 위한 데이터로 가공하는 것을 의미하며, 정규화 처리는 기 설정된 기준량 이하인 데이터(예: 우박, 가뭄에 관한 데이터)를 판단하여 제거하는 것을 의미한다.
음식점 추천장치(120)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산한다(S330).
음식점 추천장치(120)는 복수의 확률값 중 가장 높은 확률값에 해당하는 사용자 행동을 특정 카테고리로 분류한다(S332).
음식점 추천장치(120)는 사용자 행동의 목적을 추론한다(S334). 다시 말해, 음식점 추천장치(120)는 기 설정된 복수의 목적 모델에 사용자 행동의 분류 결과를 매칭시켜 사용자 목적에 대한 행동목적 추론정보를 생성한다.
음식점 추천장치(120)는 사용자 행동의 분류 결과 및 행동목적 추론정보 중 적어도 하나를 고려하여 사용자의 행동 패턴정보를 생성한다(S340).
음식점 추천장치(120)는 단계 S340에서 생성된 행동 패턴정보와 기 저장된 행동 패턴정보를 비교한다(S350). 기 저장된 행동 패턴정보는 행동 패턴 DB(130)에 저장된 정보일 수 있다.
단계 S350에서 음식점 추천장치(120)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 유사한 행동 패턴이 존재하는 것으로 판단하여 기준 패턴정보에 해당하는 음식점 리스트를 추출하고(S360), 추출된 음식점 리스트를 음식점 추천정보로 생성하여 단말기(110)에 제공한다(S370).
한편, 단계 S350에서 음식점 추천장치(120)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값 이하이면 유사한 행동 패턴이 존재하지 않는 것으로 판단하여 행동 패턴정보를 신규로 행동 패턴 DB(130)에 저장한다(S352). 음식점 추천장치(120)는 신규로 저장된 행동 패턴정보에 관련된 음식점 리스트를 새롭게 생성하고(S354), 생성된 음식점 리스트를 포함하는 음식점 추천정보를 단말기(110)에 제공한다(S370).
도 3에서는 단계 S310 내지 단계 S370를 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3에 기재된 순서를 변경하여 실행하거나 단계 S310 내지 단계 S370 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 3에 기재된 본 실시예에 따른 음식점 추천장치(120)의 동작은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 음식점 추천장치(120)의 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
도 4는 본 실시예에서 모바일 컨텍스트 정보 기반으로 음식점 추천정보를 제공하는 동작을 설명하기 위한 예시도이다. 도 4는 도 3의 단계 S360 내지 단계 S370에서 음식점 추천정보를 생성하는 동작을 구체적으로 설명한다.
음식점 추천장치(120)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 기준 패턴정보에 해당하는 제1 음식점 리스트를 생성한다(S410).
음식점 추천장치(120)는 제1 음식점 리스트에 대한 선호 예측값을 산출한다(S420). 음식점 추천장치(120)는 제1 음식점 리스트에 포함된 음식점 각각에 대한 선호 예측값을 산출한다. 여기서, 선호 예측값은 기 저장된 사용자들의 선호도를 가중 평균하여 산출된 평가 점수로 예측한 값을 의미한다.
음식점 추천장치(120)는 단계 S420에서 산출된 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 적어도 하나의 음식점을 추출하여 제2 음식점 리스트를 생성한다(S430).
음식점 추천장치(120)는 단말기(110)의 현재위치와 제2 음식점 리스트에 포함된 음식점 각각과의 거리값을 산출한다(S440).
음식점 추천장치(120)는 단계 S420에서 산출된 복수의 거리값 중 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 적어도 하나의 음식점을 추출하여 제3 음식점 리스트를 생성한다(S450).
음식점 추천장치(120)는 제3 음식점 리스트의 음식점 정보를 포함하는 음식점 추천정보를 생성하여 단말기(110)로 제공한다(S460).
도 4에서는 단계 S410 내지 단계 S460를 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 4에 기재된 순서를 변경하여 실행하거나 단계 S410 내지 단계 S460 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 4는 시계열적인 순서로 한정되는 것은 아니다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 음식점 추천 시스템 110: 단말기
120: 음식점 추천장치 130: 행동패턴 DB
210: 제1 데이터 수집부 220: 제2 데이터 수집부
230: 데이터 전처리부 240: 데이터 처리부
250: 행동패턴 생성부 260: 추천정보 처리부

Claims (13)

  1. 음식점을 추천하는 장치에 있어서,
    단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집부;
    상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집부;
    상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 상기 사용자 행동을 분류하는 데이터 분류부;
    상기 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성부; 및
    상기 행동 패턴정보 및 기 설정된 기준 패턴정보의 비교 결과에 근거하여 선정된 적어도 하나의 음식점 정보를 포함하는 음식점 추천정보를 제공하는 추천정보 처리부
    를 포함하는 음식점 추천장치.
  2. 제1항에 있어서,
    상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 전처리 및 정규화 처리하는 데이터 전처리부를 추가로 포함하되,
    상기 데이터 전처리부는,
    상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 분석하기 위해 소정의 기준정보에 따라 데이터를 전처리하며, 전처리된 데이터 중 기 설정된 기준량 이하인 데이터를 정규화 처리하는 것을 특징으로 하는 음식점 추천장치.
  3. 제1항에 있어서,
    상기 제1 컨텍스트 데이터는 상기 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보 및 요일정보 중 적어도 하나의 정보를 포함하고, 상기 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보 및 동행자 정보 중 적어도 하나의 정보를 포함하며,
    상기 데이터 분류부는 상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 이용하여 복수의 사용자 행동 각각을 카테고리별로 분류하는 것을 특징으로 하는 음식점 추천장치.
  4. 제1항에 있어서,
    상기 데이터 분류부는,
    상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 이용하여 상기 사용자 행동이 상기 특정 카테고리에 속할 것으로 예측되는 복수의 확률값을 산출하고, 상기 복수의 확률값 중 가장 높은 확률값에 해당하는 상기 사용자 행동을 상기 특정 카테고리로 분류하는 것을 특징으로 하는 음식점 추천장치.
  5. 제1항에 있어서,
    상기 사용자 행동의 분류 결과에 근거하여 상기 사용자 행동의 목적을 추론하여 행동목적 추론정보를 생성하는 목적 추론부를 추가로 포함하는 것을 특징으로 하는 음식점 추천장치.
  6. 제5항에 있어서,
    상기 행동 패턴 생성부는,
    상기 사용자 행동의 분류 결과와 행동목적 추론정보를 고려하여 상기 행동 패턴정보를 생성하는 것을 특징으로 하는 음식점 추천장치.
  7. 제6항에 있어서,
    상기 추천정보 처리부는,
    상기 행동 패턴정보와 상기 기준 패턴정보의 비교값이 소정의 기준값을 초과하면 상기 기준 패턴정보에 해당하는 제1 음식점 리스트를 생성하고, 상기 제1 음식점 리스트 중 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 음식점을 추출하여 제2 음식점 리스트를 생성하며, 상기 제2 음식점 리스트 중 상기 단말기의 현재위치를 기준으로 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 음식점을 추출하여 상기 음식점 추천정보로 제공하는 것을 특징으로 하는 음식점 추천장치.
  8. 제1항에 있어서,
    상기 추천정보 처리부는,
    상기 행동 패턴정보와 상기 기준 패턴정보의 비교값이 소정의 기준값을 초과하면 상기 기준 패턴정보에 해당하는 음식점 리스트를 상기 음식점 추천정보로 제공하는 것을 특징으로 하는 음식점 추천장치.
  9. 제8항에 있어서,
    상기 추천정보 처리부는,
    상기 음식점 리스트에 포함된 음식점 각각에 대한 선호 예측값을 산출하고, 상기 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 음식점을 상기 음식점 리스트에서 추출하여 상기 음식점 추천정보로 제공하는 것을 특징으로 하는 음식점 추천장치.
  10. 제8항에 있어서,
    상기 추천정보 처리부는,
    상기 단말기의 현재위치와 상기 음식점 리스트에 포함된 음식점 각각과의 거리값을 산출하고, 상기 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 음식점을 상기 음식점 리스트에서 추출하여 상기 음식점 추천정보로 제공하는 것을 특징으로 하는 음식점 추천장치.
  11. 음식점을 추천하는 방법에 있어서,
    단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집과정;
    상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집과정;
    상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 사용자 행동이 소정의 카테고리에 포함될 확률값을 산출하고, 상기 확률값에 근거하여 상기 사용자 행동을 분류하는 데이터 분류과정;
    상기 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성과정; 및
    상기 행동 패턴정보 및 기 설정된 기준 패턴정보를 비교하여 선호 음식점을 예측하여 음식점 추천정보를 제공하는 추천정보 처리과정
    을 포함하는 음식점 추천방법.
  12. 제11항에 있어서,
    상기 제1 컨텍스트 데이터는 상기 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보 및 요일정보 중 적어도 하나의 정보를 포함하고, 상기 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보 및 동행자 정보 중 적어도 하나의 정보를 포함하며,
    상기 데이터 분류과정은 상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 이용하여 복수의 사용자 행동 각각을 카테고리별로 분류하는 것을 특징으로 하는 음식점 추천방법.
  13. 제11항에 있어서,
    상기 데이터 분류과정은,
    상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 이용하여 상기 사용자 행동이 상기 특정 카테고리에 속할 것으로 예측되는 복수의 확률값을 산출하고, 상기 복수의 확률값 중 가장 높은 확률값에 해당하는 상기 사용자 행동을 상기 특정 카테고리로 분류하는 것을 특징으로 하는 음식점 추천방법.
KR1020170063256A 2017-05-23 2017-05-23 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치 KR102020551B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170063256A KR102020551B1 (ko) 2017-05-23 2017-05-23 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170063256A KR102020551B1 (ko) 2017-05-23 2017-05-23 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치

Publications (2)

Publication Number Publication Date
KR20180128147A true KR20180128147A (ko) 2018-12-03
KR102020551B1 KR102020551B1 (ko) 2019-09-30

Family

ID=64743280

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170063256A KR102020551B1 (ko) 2017-05-23 2017-05-23 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치

Country Status (1)

Country Link
KR (1) KR102020551B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827080A (zh) * 2019-11-04 2020-02-21 恩亿科(北京)数据科技有限公司 一种定向推送方法及装置
KR20200080355A (ko) 2018-12-14 2020-07-07 주식회사 엔유씨전자 빅데이터를 이용한 레시피 추천 시스템
WO2020219462A1 (en) * 2019-04-23 2020-10-29 The Mewah Corporation Methods and systems for generating restaurant recommendations
KR20210028999A (ko) * 2019-09-05 2021-03-15 조현우 위치 기반의 음식점 추천 서비스 장치 및 그 방법
KR102227552B1 (ko) * 2020-06-08 2021-03-15 주식회사 그로우키친 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템
US11601500B2 (en) 2019-03-18 2023-03-07 Samsung Electronics Co., Ltd. Method and device for storing a data file in a cloud-based storage

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102255843B1 (ko) * 2020-02-17 2021-05-25 주식회사 타키 머신러닝을 이용한 음식추천방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120037541A (ko) * 2010-10-12 2012-04-20 박흥순 가맹점 및 고객 분석 기반의 마케팅 시스템
KR20120045548A (ko) * 2010-10-29 2012-05-09 에스케이플래닛 주식회사 사용자 위치기반 상가정보 제공 시스템 및 방법
JP2013513183A (ja) * 2009-12-15 2013-04-18 インテル コーポレイション 推奨を提供するためユーザ行動の傾向、プロファイリング及びテンプレートベースの予測における確率的技術を利用するシステム、装置及び方法
KR20130062442A (ko) * 2011-11-22 2013-06-13 주식회사 케이티 협업 필터링 추천 방식을 이용한 추천 방법 및 추천 시스템
KR20140018652A (ko) * 2012-08-03 2014-02-13 공주대학교 산학협력단 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템
JP2016095741A (ja) * 2014-11-17 2016-05-26 東芝テック株式会社 情報提供装置、情報提供システム、情報提供プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013513183A (ja) * 2009-12-15 2013-04-18 インテル コーポレイション 推奨を提供するためユーザ行動の傾向、プロファイリング及びテンプレートベースの予測における確率的技術を利用するシステム、装置及び方法
KR20120037541A (ko) * 2010-10-12 2012-04-20 박흥순 가맹점 및 고객 분석 기반의 마케팅 시스템
KR20120045548A (ko) * 2010-10-29 2012-05-09 에스케이플래닛 주식회사 사용자 위치기반 상가정보 제공 시스템 및 방법
KR20130062442A (ko) * 2011-11-22 2013-06-13 주식회사 케이티 협업 필터링 추천 방식을 이용한 추천 방법 및 추천 시스템
KR20140018652A (ko) * 2012-08-03 2014-02-13 공주대학교 산학협력단 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템
JP2016095741A (ja) * 2014-11-17 2016-05-26 東芝テック株式会社 情報提供装置、情報提供システム、情報提供プログラム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080355A (ko) 2018-12-14 2020-07-07 주식회사 엔유씨전자 빅데이터를 이용한 레시피 추천 시스템
US11601500B2 (en) 2019-03-18 2023-03-07 Samsung Electronics Co., Ltd. Method and device for storing a data file in a cloud-based storage
WO2020219462A1 (en) * 2019-04-23 2020-10-29 The Mewah Corporation Methods and systems for generating restaurant recommendations
KR20210028999A (ko) * 2019-09-05 2021-03-15 조현우 위치 기반의 음식점 추천 서비스 장치 및 그 방법
CN110827080A (zh) * 2019-11-04 2020-02-21 恩亿科(北京)数据科技有限公司 一种定向推送方法及装置
KR102227552B1 (ko) * 2020-06-08 2021-03-15 주식회사 그로우키친 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템

Also Published As

Publication number Publication date
KR102020551B1 (ko) 2019-09-30

Similar Documents

Publication Publication Date Title
KR102020551B1 (ko) 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치
KR101888919B1 (ko) 사용자 영향력 기반의 광고 마케팅 방법 및 그를 위한 장치
CN110119420B (zh) 数据编配平台管理
Zhao et al. User profiling from their use of smartphone applications: A survey
JP5615857B2 (ja) 分析装置、分析方法及び分析プログラム
US20120136812A1 (en) Method and system for machine-learning based optimization and customization of document similarities calculation
KR20100058833A (ko) 모바일 기기에서 감지 가능한 사용자의 행위 기반의 사용자기호 마이닝 방법
KR20130062442A (ko) 협업 필터링 추천 방식을 이용한 추천 방법 및 추천 시스템
US20210012363A1 (en) Device, method and computer-readable medium for analyzing customer attribute information
JP2014203442A (ja) レコメンド情報生成装置及びレコメンド情報生成方法
CN111797861A (zh) 信息处理方法、装置、存储介质及电子设备
KR20070094264A (ko) 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템
KR20180009408A (ko) 소셜 네트워크 분석과 온톨로지를 이용한 장소성 추출 시스템 및 방법
CN110598126B (zh) 基于行为习惯的跨社交网络用户身份识别方法
CN113392920B (zh) 生成作弊预测模型的方法、装置、设备、介质及程序产品
CN113919361A (zh) 一种文本分类方法和装置
KR20170101069A (ko) 광고 트래킹을 통한 부정 홍보 모니터링 방법 및 이를 이용한 시스템
CN115392944A (zh) 一种推广内容的处理方法、装置、计算机设备和存储介质
JP7105176B2 (ja) 機械学習装置、判定装置、プログラム及び機械学習方法
KR102242317B1 (ko) 정성적 가짜 뉴스 판단 시스템, 판단 방법 및 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
JPWO2021048902A1 (ja) 学習モデル適用システム、学習モデル適用方法、及びプログラム
JP6990060B2 (ja) データ処理システム、データ処理方法およびプログラム
KR20220107771A (ko) 옴니채널 마케팅 분석 장치 및 방법
KR101083208B1 (ko) 사용자의 프라이버시 침해 염려도를 고려한 서비스/제품 광고 방법 및 그 장치
Lee et al. Abnormal usage sequence detection for identification of user needs via recurrent neural network semantic variational autoencoder

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
E801 Decision on dismissal of amendment
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant