KR20180137351A - 사용자 행위 기반의 아이템 추천 방법 및 장치 - Google Patents

사용자 행위 기반의 아이템 추천 방법 및 장치 Download PDF

Info

Publication number
KR20180137351A
KR20180137351A KR1020170076928A KR20170076928A KR20180137351A KR 20180137351 A KR20180137351 A KR 20180137351A KR 1020170076928 A KR1020170076928 A KR 1020170076928A KR 20170076928 A KR20170076928 A KR 20170076928A KR 20180137351 A KR20180137351 A KR 20180137351A
Authority
KR
South Korea
Prior art keywords
item
user
items
preference
feature matrix
Prior art date
Application number
KR1020170076928A
Other languages
English (en)
Other versions
KR102049777B1 (ko
Inventor
박찬영
양민철
이정태
Original Assignee
네이버 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 네이버 주식회사 filed Critical 네이버 주식회사
Priority to KR1020170076928A priority Critical patent/KR102049777B1/ko
Publication of KR20180137351A publication Critical patent/KR20180137351A/ko
Application granted granted Critical
Publication of KR102049777B1 publication Critical patent/KR102049777B1/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

온라인 쇼핑 서버를 통한 복수의 사용자들 각각의 아이템들에 대한 구매 내역 및 선택 내역에 대한 정보를 획득하는 단계; 아이템들에 대한 구매 내역 및 선택 내역에 기초하여, 아이템들 각각에 대한 복수의 사용자들 각각의 선호도를 추정하는 단계; 및 복수의 사용자들 중 소정 사용자의 아이템들 각각에 대한 선호도에 기초하여, 소정 사용자의 미구매 아이템의 정보를 소정 사용자의 단말로 전송하는 단계를 포함하는 것을 특징으로 하는 본 발명의 일 실시예에 따른 아이템 추천 장치에 의한 아이템 추천 방법이 개시된다.

Description

사용자 행위 기반의 아이템 추천 방법 및 장치{ITEM RECOMMENDATION METHOD AND APPARATUS BASED ON USER BEHAVIOR}
본 발명은 온라인 쇼핑 분야에 관한 것이다. 보다 구체적으로, 본 발명은 온라인 환경에서의 사용자의 행위에 기반하여 사용자에게 아이템을 추천하는 방법 및 장치에 관한 것이다.
근래에 온라인 쇼핑 시장이 증가함에 따라 더 많은 사용자들을 유입시키기 위한 e-커머스(e-commerce) 회사들 사이의 경쟁이 매우 치열해졌다. 많은 e-커머스 회사들은 사용자의 온라인 쇼핑 행위를 이해하고, 특성을 판단함으로써, 사용자들에게 사용자 맞춤형 아이템을 추천해주고 있다.
사용자의 미래의 구매를 정확하게 예측하기 위해서는, 사용자들의 과거 구매 이력과 해당 구매에 대한 명시적인(explicit) 사용자 피드백이 필요하였다. 명시적인 사용자 피드백은 아이템에 대한 사용자의 평가 및 리뷰를 포함할 수 있다. 이러한 명시적인 사용자 피드백을 통해 사용자의 선호도가 명확하게 표현되기 때문에, 사용자의 미래 구매를 예측하는데 매우 중요하다. 그러나, 이러한 명시적인 피드백은 그 수가 매우 적다는 문제점이 존재한다. 아직까지 오프라인에서만 아이템을 구매하는 사용자도 존재하고, 온라인에서 아이템을 구매한 사용자라도 평점이나 리뷰를 남기는 경우는 드물다. 또한, 사용자에게 평점이나 리뷰를 요청하는 것은 사용자에게 부담을 주는 행위이므로 오히려 사용자의 구매욕을 떨어뜨리는 요인이 될 수도 있다. 따라서, e-커머스 회사들은 제한된 양의 암묵적인(implicit) 사용자 피드백을 이용하여야만 한다. 암묵적인 사용자 피드백은 사용자의 과거 구매 이력을 의미한다.
사용자의 미래 구매를 예측하는 대부분의 연구는 사용자의 선호도를 모델링하기 위해 암묵적인 사용자 피드백을 이용하였다. 예를 들어, Rendle의 연구 (Steffen Rendle, Christoph Freudenthaler, Zeno Gantner, and Lars Schmidt-Thieme. 2009. BPR: Bayesian personalized ranking from implicit feedback. In Proceedings of the twenty-fifth conference on uncertainty in artificial intelligence. AUAI Press.)에 따르면, 각 사용자는 구매하지 않은 모든 아이템에 비해 구매한 아이템을 보다 선호할 것이라는 가정에 따라 BPR(Bayesian Personalized Ranking)이라고 불리는 페어-와이즈(pair-wise) 러닝-투-랭크(learning-to-rank) 방법을 제안하였다. 그러나, Rendle의 연구는 사용자가 구매하지 않은 아이템을 부정적인 피드백으로 고려하여 미구매 아이템의 효과를 과대 해석하는 문제점이 있다. 또한, Rendle의 연구에 따르더라도 사용자의 구매 이력 데이터가 여전히 부족하기 때문에 그 정확성이 떨어질 수 있다.
본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 아이템에 대한 사용자들의 선호도를 정확하게 예측하는 것을 목적으로 한다.
또한, 본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 온라인 쇼핑 사업을 운영하는 사업자의 수익을 증대시키는 것을 목적으로 한다.
또한, 본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 사용자가 필요로 하는 아이템을 사용자에게 추천하여 사용자의 쇼핑 만족도를 향상시키는 것을 목적으로 한다.
또한, 본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 구매하고자 하는 아이템을 검색하는 사용자의 부담을 감소시키는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 아이템 추천 방법은,
온라인 쇼핑 서버를 통한 복수의 사용자들 각각의 아이템들에 대한 구매 내역 및 선택 내역에 대한 정보를 획득하는 단계; 상기 아이템들에 대한 구매 내역 및 선택 내역에 기초하여, 상기 아이템들 각각에 대한 상기 복수의 사용자들 각각의 선호도를 추정하는 단계; 및 상기 복수의 사용자들 중 소정 사용자의 아이템들 각각에 대한 선호도에 기초하여, 상기 소정 사용자의 미구매 아이템의 정보를 상기 소정 사용자의 단말로 전송하는 단계를 포함할 수 있다.
본 발명의 다른 실시예에 따른 아이템 추천 장치는,
온라인 쇼핑 서버를 통한 복수의 사용자들 각각의 아이템들에 대한 구매 내역 및 선택 내역에 대한 정보를 획득하는 정보 획득부; 상기 아이템들에 대한 구매 내역 및 선택 내역에 기초하여, 상기 아이템 각각에 대한 상기 복수의 사용자들 각각의 선호도를 추정하는 선호도 추정부; 및 상기 복수의 사용자들 중 소정 사용자의 아이템들 각각에 대한 선호도에 기초하여, 상기 소정 사용자의 미구매 아이템의 정보를 상기 소정 사용자의 단말로 전송하는 통신부를 포함할 수 있다.
본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 아이템에 대한 사용자들의 선호도를 정확하게 예측할 수 있다.
또한, 본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 온라인 쇼핑을 운영하는 사업자의 수익을 증대시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 사용자가 필요로 하는 아이템을 사용자에게 추천하여 사용자의 쇼핑 만족도를 향상시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치는 구매하고자 하는 아이템을 검색하는 사용자의 부담을 감소시킬 수 있다.
다만, 본 발명의 일 실시예에 따른 사용자 행위 기반의 아이템 추천 방법 및 장치가 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 아이템 추천 장치가 적용되는 환경을 도시하는 예시적인 도면이다.
도 2는 본 발명의 일 실시예에 따른 아이템 추천 방법을 설명하기 위한 순서도이다.
도 3은 복수의 사용자들의 전체 아이템들에 대한 구매 내역 및 선택 내역을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 아이템 추천 방법에 적용 가능한 제 1 특징 행렬 및 제 2 특징 행렬을 도시하는 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 아이템 추천 장치의 구성을 도시하는 블록도이다.
도 6은 본 발명의 일 실시예에 따른 아이템 추천 방법과 다른 방법의 효과를 비교하기 위한 테스트 결과이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명은 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 '~부(유닛)', '모듈' 등으로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.
또한, 본 명세서에서, '아이템'이란, 온라인을 통해 사용자가 구매할 수 있는 유형 및 무형의 상품을 포괄하는 의미이며, 예를 들어, '아이템'은 의류, 식료품, 가전제품 등의 유형 상품뿐만 아니라, 영화 예매, 연극 예매, 공연 예매, 서비스 계약 등의 무형의 상품을 포함할 수 있다.
이하에서는, 도면을 참조하여 본 발명의 기술적 사상에 따른 예시적인 실시예들에 대해 설명한다.
도 1은 본 발명의 일 실시예에 따른 아이템 추천 장치(100)가 적용되는 환경을 도시하는 예시적인 도면이다.
도 1을 참조하면, 사용자 단말(200)은 온라인 쇼핑 서버(300)에 접속하여 웹 페이지를 통해 아이템을 검색, 선택 및 구매할 수 있다. 예를 들어, 사용자 단말(200)은 웹 페이지의 화면에 표시된 아이템을 선택하여 아이템의 세부 정보를 확인할 수 있고, 사용자에 의해 입력된 검색어에 대응하는 아이템 리스트를 웹 페이지를 통해 수신할 수도 있다. 또한, 사용자는 사용자 단말(200)을 이용하여 자신이 원하는 아이템을 선택하고, 결제 과정을 통해 해당 아이템을 구매할 수도 있다.
아이템 추천 장치(100)는 온라인 쇼핑 서버(300)에서의 사용자의 행위, 즉, 아이템의 구매, 아이템의 선택 등의 정보를 획득하여 사용자 맞춤형 아이템을 사용자 단말(200)로 추천해줄 수 있다. 아이템 추천 장치(100)는 직접 사용자 단말(200)로 사용자 맞춤형 아이템을 추천해줄 수도 있으며, 또는 온라인 쇼핑 서버(300)가 사용자 단말(200)로 제공하는 웹 페이지를 통해 사용자 맞춤형 아이템을 추천해줄 수도 있다.
도 1은 하나의 사용자 단말(200)과 하나의 온라인 쇼핑 서버(300)만을 도시하고 있지만, 이는 하나의 실시예일 뿐이며, 복수의 사용자 단말(200) 각각이 복수의 온라인 쇼핑 서버(300)에 접속하여 아이템을 구매할 수도 있으며, 아이템 추천 장치(100)는 복수의 온라인 쇼핑 서버(300)와 접속하여 복수의 사용자의 아이템 구매 행위, 아이템 선택 행위 등에 대한 정보를 획득할 수 있다.
또한, 도 1은 아이템 추천 장치(100)가 온라인 쇼핑 서버(300)와 물리적으로 분리되어 있는 것으로 도시하고 있지만, 이는 하나의 실시예일 뿐이며, 아이템 추천 장치(100)는 온라인 쇼핑 서버(300)에 내장될 수도 있다.
본 발명의 실시예에서 사용자 단말(200)은 도시된 스마트폰 뿐만 아니라, 데스크탑 PC, 테블릿 PC, 노트북, 웨어러블 기기 등 네트워크를 통해 온라인 쇼핑 서버(300)와 연결될 수 있는 기기라면 다양한 종류의 기기가 사용자 단말(200)에 해당할 수 있다.
도 1에 도시된 사용자 단말(200), 온라인 쇼핑 서버(300) 및 아이템 추천 장치(100)는 네트워크를 통해 연결될 수 있는데, 여기서, 네트워크는 유선 네트워크와 무선 네트워크를 포함할 수 있다. 예를 들어, 네트워크는 근거리 네트워크(LAN: Local Area Network), 도시권 네트워크(MAN: Metropolitan Area Network), 광역 네트워크(WAN: Wide Area Network) 등 다양한 네트워크를 포함할 수 있다. 또한, 네트워크는 공지의 월드 와이드 웹(WWW: World Wide Web)을 포함할 수도 있다. 그러나, 본 발명의 실시예에 따른 네트워크는 상기 열거된 네트워크에 국한되지 않고, 공지의 무선 데이터 네트워크나 공지의 전화 네트워크, 공지의 유무선 텔레비전 네트워크를 적어도 일부로 포함할 수도 있다.
본 발명의 일 실시예에서는 종래의 연구에서와 같이 사용자의 암묵적인 피드백, 즉, 사용자가 구매한 아이템의 정보와 사용자가 구매하지 않은 아이템의 정보뿐만 아니라, 사용자가 선택하였으나 구매하지 않은 아이템의 정보를 함께 이용하여 사용자 맞춤형 아이템을 추천할 수 있다. 여기서, 사용자의 선택이란, 사용자가 아이템의 정보를 확인하거나 결제하기 위하여 웹 페이지에 표시된 아이템 링크를 클릭, 터치 등의 방법으로 선택하는 것을 의미한다.
이하에서는, 도 2를 참조하여 본 발명의 일 실시예에 따른 아이템 추천 방법을 상세히 설명한다.
도 2는 본 발명의 일 실시예에 따른 아이템 추천 방법을 설명하기 위한 순서도이다.
S210 단계에서, 아이템 추천 장치(100)는 온라인 쇼핑 서버(300)를 통한 복수의 사용자들 각각의 전체 아이템들에 대한 구매 내역 및 선택 내역에 대한 정보를 획득한다.
전체 아이템은 온라인 쇼핑 서버(300)가 판매하는 아이템 전부를 의미할 수도 있고, 특정 그룹(예를 들어, 의류 그룹, 식료품 그룹 또는 가전제품 그룹 등)에 속한 아이템을 의미할 수도 있다. 운영자는 사용자에 대한 추천 후보 아이템이 될 수 있는 전체 아이템을 다양하게 선택할 수 있다.
아이템 추천 장치(100)는 복수의 사용자들의 구매 내역 및 선택 내역으로서, 복수의 사용자들 각각이 구매한 구매 아이템, 선택하였지만 구매하지 않은 제 1 미구매 아이템, 선택하지도 않고 구매하지도 않은 제 2 미구매 아이템에 대한 정보를 획득할 수 있다.
도 3은 복수의 사용자들의 구매 내역 및 선택 내역에 대한 정보를 행렬로서 도시하고 있는데, 도 3에 도시된 바와 같이, 각 사용자들은 행렬의 행에 매핑되며, 각 아이템들은 행렬의 열에 매핑될 수 있다. 사용자 1에게 아이템 1과 아이템 M은 구매 아이템에 해당하나, 아이템 2는 선택하지 않은 제 2 미구매 아이템에 해당한다. 또한, 사용자 2에게 아이템 1은 선택 후 구매하지 않은 제 1 미구매 아이템에 해당하고, 아이템 2는 구매 아이템, 아이템 M은 제 2 미구매 아이템에 해당한다.
다시 도 2를 보면, S220 단계에서, 아이템 추천 장치(100)는 전체 아이템들에 대한 구매 내역 및 선택 내역에 기초하여, 전체 아이템 각각에 대한 복수의 사용자들 각각의 선호도를 추정한다.
본 발명의 일 실시예에서는 사용자들의 구매 아이템에 대한 선호도가 제 1 미구매 아이템에 대한 선호도보다 높고, 제 1 미구매 아이템에 대한 선호도가 제 2 미구매 아이템에 대한 선호도보다 높은 것으로 가정하여 각 아이템에 대한 사용자들의 선호도를 추정할 수 있다. 다시 말하면, 사용자가 구매한 구매 아이템의 선호도는 선택 후 구매하지 않은 제 1 미구매 아이템의 선호도보다 높으며, 사용자가 선택하였지만 구매하지 않은 제 1 미구매 아이템의 선호도는 선택하지도 않은 제 2 미구매 아이템의 선호도보다 높은 것이다.
아이템 추천 장치(100)가 복수의 사용자들 각각의 전체 아이템에 대한 선호도를 추정하는 방법에 대해서는 도 4를 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 아이템 추천 방법에 적용 가능한 제 1 특징 행렬(410) 및 제 2 특징 행렬(420)을 도시하는 예시적인 도면인데, 아이템 추천 장치(100)는 복수의 사용자들에 대한 제 1 특징 행렬(410)의 각 엘리먼트들과 전체 아이템들에 대한 제 2 특징 행렬(420)의 각 엘리먼트들을 학습한 후, 제 1 특징 행렬(410)과 제 2 특징 행렬(420)을 곱하여 각 사용자들의 각 아이템에 대한 선호도를 추정할 수 있다.
예를 들어, 제 1 특징 행렬(410)에서 사용자 1에 대응하는 최종 학습된 엘리먼트 a11, a12와 제 2 특징 행렬(420)에서 아이템 1에 대응하는 최종 학습된 엘리먼트 b11, b21을 곱하여(즉, a11·b11+a12·b21), 사용자 1의 아이템 1에 대한 선호도를 추정할 수 있는 것이다.
본 발명의 실시예에서는 제 1 특징 행렬(410)의 엘리먼트들과 제 2 특징 행렬(420)의 엘리먼트들을 학습하는데 있어, 행렬 분해 기법을 기반으로 랭킹(ranking) 문제를 해결하는 페어-와이즈(pair-wise) 행렬 분해 기법을 이용할 수 있다.
앞서 설명한 바와 같이, 구매 아이템에 대한 선호도는 제 1 미구매 아이템에 대한 선호도보다 높고, 제 1 미구매 아이템에 대한 선호도는 제 2 미구매 아이템에 대한 선호도보다 높으므로, 구매 아이템에 대한 선호도와 제 1 미구매 아이템에 대한 선호도의 차이가 최대화(maximize)되고, 제 1 미구매 아이템에 대한 선호도와 제 2 미구매 아이템에 대한 선호도의 차이가 최대화(maximize)되도록 제 1 특징 행렬(410)의 엘리먼트들과 제 2 특징 행렬(420)의 엘리먼트들을 학습할 수 있다.
구체적으로, 각 사용자에 대응하는 제 1 특징 행렬(410)의 엘리먼트(각 사용자에 대응하는 행에 속한 엘리먼트)와 각 사용자의 구매 아이템에 대응하는 제 2 특징 행렬(420)의 엘리먼트(각 구매 아이템에 대응하는 열에 속한 엘리먼트)를 곱한 결과와, 각 사용자에 대응하는 제 1 특징 행렬(410)의 엘리먼트와 각 사용자의 제 1 미구매 아이템에 대응하는 제 2 특징 행렬(420)의 엘리먼트(각 제 1 미구매 아이템에 대응하는 열에 속한 엘리먼트)를 곱한 결과의 차이가 최대화되도록 하고, 각 사용자에 대응하는 제 1 특징 행렬(410)의 엘리먼트와 각 사용자의 제 1 미구매 아이템에 대응하는 제 2 특징 행렬(420)의 엘리먼트를 곱한 결과와, 각 사용자에 대응하는 제 1 특징 행렬(410)의 엘리먼트와 각 사용자의 제 2 미구매 아이템에 대응하는 제 2 특징 행렬(420)의 엘리먼트(각 제 2 미구매 아이템에 대응하는 열에 속한 엘리먼트)를 곱한 결과의 차이가 최대화되도록 제 1 특징 행렬(410)과 상기 제 2 특징 행렬(420)의 엘리먼트들을 학습할 수 있는 것이다.
제 1 특징 벡터의 엘리먼트들과 제 2 특징 벡터의 엘리먼트들을 학습하는 방법은 아래의 수학식 1로 표현할 수 있다.
[수학식 1]
Figure pat00001
상기 수학식 1에서, u는 복수의 사용자 그룹 U에 포함된 사용자의 인덱스, i는 구매 아이템의 인덱스, j는 제 1 미구매 아이템의 인덱스, k는 제 2 미구매 아이템의 인덱스,
Figure pat00002
는 사용자 u의 구매 아이템,
Figure pat00003
는 사용자 u의 제 1 미구매 아이템,
Figure pat00004
는 사용자 u의 제 2 미구매 아이템, D(·)는 거리 함수,
Figure pat00005
는 사용자 u에 대응하는 제 1 특징 행렬(410)
Figure pat00006
의 엘리먼트,
Figure pat00007
는 구매 아이템에 대응하는 제 2 특징 행렬(420)
Figure pat00008
의 엘리먼트,
Figure pat00009
는 제 1 미구매 아이템에 대응하는 제 2 특징 행렬(420)
Figure pat00010
의 엘리먼트,
Figure pat00011
는 제 2 미구매 아이템에 대응하는 제 2 특징 행렬(420)
Figure pat00012
의 엘리먼트를 나타낸다. 또한,
Figure pat00013
는 레귤러라이징 텀(regularization term)으로서, 제 1 특징 행렬(410)과 제 2 특징 행렬(420)이 학습 데이터에 과적합(over-fitting)되는 것을 방지하며,
Figure pat00014
와
Figure pat00015
는 임의의 값으로 설정되는 하이퍼파라미터이다. 구현예에 따라서, 상기 수학식 1에서
Figure pat00016
는 생략될 수도 있다. 상기 제 1 특징 행렬(410)
Figure pat00017
는 N×x행렬이고, 상기 제 2 특징 행렬(420)
Figure pat00018
는 x×M행렬이되, 상기 N는 복수의 사용자의 총 인원수, M은 상기 전체 아이템의 총 개수, x는 임의의 자연수일 수 있다.
D(·)는 거리 함수로서, 예를 들어, 유클리디안 거리 함수, 1차-놈(norm) 함수, p차-놈(norm) 함수, 내적 함수, 코사인 거리 함수 또는 마할라노비스 거리 함수를 포함할 수 있으나 이에 한정되지는 않는다.
아이템 추천 장치(100)는 제 1 특징 행렬(410)의 엘리먼트들과 제 2 특징 행렬(420)의 엘리먼트들의 초기값을 설정하고, 상기 수학식 1의 결과 값이 최대화가 되도록 초기값을 갱신하면서 수학식 1의 결과가 수렴할 때까지 초기값을 갱신시킨다.
최종적으로 갱신된 제 1 특징 행렬(410)의 엘리먼트들과 제 2 특징 행렬(420)의 엘리먼트들이 도출되면, 아이템 추천 장치(100)는 제 1 특징 행렬(410)과 제 2 특징 행렬(420)을 곱하여 복수의 사용자들 각각의 전체 아이템 각각에 대한 선호도를 추정할 수 있다.
도 2의 S230 단계에서, 아이템 추천 장치(100)는 복수의 사용자 중 소정 사용자의 아이템들에 대한 선호도에 기초하여, 소정 사용자의 미구매 아이템(예를 들어, 제 1 미구매 아이템 및 제 2 미구매 아이템 중 적어도 하나)의 정보를 소정 사용자의 단말(200)로 전송할 수 있다. 예를 들어, 미구매 아이템들 중 기 설정된 값 이상의 선호도를 갖는 미구매 아이템의 정보를 추천 아이템으로서 소정 사용자의 단말(200)로 전송할 수 있다.
앞서 설명한 바와 같이, 아이템 추천 장치(100)는 미구매 아이템의 정보를 네트워크를 통해 직접 사용자 단말(200)로 전송하거나, 온라인 쇼핑 서버(300)가 사용자 단말(200)에게 제공하는 웹 페이지를 통해 미구매 아이템의 정보를 사용자 단말(200)로 전송할 수 있다. 또는, 미구매 아이템의 정보를 단문 메시지, 이메일, SNS(social network service) 서버를 통해 사용자 단말(200)로 전송할 수도 있다. 그러나, 미구매 아이템의 정보를 사용자 단말(200)로 전송하는 방법은 상기 예시에 한정되지 않으며, 사용자가 인지할 수 있는 다양한 방법으로 미구매 아이템의 정보가 사용자 단말(200)로 전송될 수 있다.
본 발명의 일 실시예에서는, 사용자의 제 1 미구매 아이템은 사용자가 선택하였지만, 구매하지 않은 아이템이므로 사용자에 의해 필터링된 아이템이라는 점에서, 사용자가 선택조차 하지 않은 제 2 미구매 아이템의 정보를 추천 아이템으로서 사용자 단말(200)로 전송할 수 있다.
도 5는 본 발명의 일 실시예에 따른 아이템 추천 장치(100)의 구성을 도시하는 블록도이다.
도 5를 참조하면, 아이템 추천 장치(100)는 메모리(510), 정보 획득부(530), 선호도 추정부(550) 및 통신부(570)를 포함할 수 있다. 메모리(510), 정보 획득부(530), 선호도 추정부(550) 및 통신부(570)는 적어도 하나의 프로세서로 구현될 수 있으며, 메모리(510)에 저장된 프로그램에 따라 동작할 수 있다.
메모리(510)는 복수의 사용자들 각각의 온라인 쇼핑 서버(300)에서의 행위 정보를 저장한다. 예를 들어, 메모리(510)는 복수의 사용자들 각각이 온라인 쇼핑 서버(300)에서 구매한 구매 아이템 정보, 선택하였지만 구매하지 않은 제 1 미구매 아이템 정보 및 선택하지 않은 제 2 미구매 아이템의 정보를 각 사용자의 식별 정보에 매핑시켜 저장할 수 있다.
정보 획득부(530)는 온라인 쇼핑 서버(300)를 통한 복수의 사용자들 각각의 전체 아이템들에 대한 구매 내역 및 선택 내역에 대한 정보를 메모리(510)로부터 획득한다.
선호도 추정부(550)는 전체 아이템들에 대한 구매 내역 및 선택 내역에 기초하여, 전체 아이템 각각에 대한 복수의 사용자들 각각의 선호도를 추정한다. 전체 아이템 각각에 대한 사용자들의 선호도를 추정하는 방법에 대해서는 전술하였는 바, 상세한 설명은 생략한다.
통신부(570)는 복수의 사용자들 중 소정 사용자의 전체 아이템 각각에 대한 선호도에 기초하여, 소정 사용자의 미구매 아이템의 정보를 소정 사용자의 단말(200)로 전송한다. 통신부(570)는 예를 들어, 네트워크를 통해 미구매 아이템의 정보를 소정 사용자의 단말(200)로 전송하는 네트워크 카드, 이동통신망을 통해 미구매 아이템의 정보를 소정 사용자의 단말(200)로 전송하는 이동통신 모듈 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
도 6은 본 발명의 일 실시예에 따른 아이템 추천 방법과 다른 방법의 효과를 비교하기 위한 테스트 결과이다.
본 발명의 출원인은 동일 사용자 그룹의 구매 기록과 선택(클릭) 기록을 포함하는 두 개의 실제 데이터 세트(DATASET, RecSYs2015)를 이용하여 본 발명의 일 실시예에 따른 아이템 추천 방법의 효과를 검증하였다. DATASET은 온라인 쇼핑 플랫폼을 제공하는 웹 포탈이며, 8개의 구매 및 40개의 선택 미만의 사용자 데이터는 제거하였다. RecSYs2015 데이터 세트는 e-커머스 웹 사이트로부터 추출된 클릭 세션들과 구매 시퀀스들을 포함한다. 여기서, 본 출원인은 각 세션을 사용자로 가정하였고, 8개의 구매 및 10개의 클릭 미만의 사용자의 데이터는 제거하였다. 두 실제 데이터 세트에 대하여, 시간 순서대로 배열된 구매 기록의 시퀀스를 각 사용자에 대하여 반(half)으로 분할하였고, 분할된 처음의 반(half)은 학습 데이터로서 사용하였고, 두 번째의 반(half)은 테스트 데이터로서 사용하였다. 또한, 학습 데이터에서 마지막 구매 시간까지의 사용자의 클릭 기록을 이용하였다.
본 출원인은 본 발명의 일 실시예에 따른 방법이 클릭되지 않은 아이템들 중에서 사용자의 미래 구매를 얼마나 정확히 예측하는지 평가하였다. 다시 말하면, 각 사용자에 대하여, 과거에 사용자에 의해 클릭되지 않은 아이템들(즉, 제 2 미구매 아이템)이 추천 후보로서 고려되었다.
본 발명의 일 실시예에 따른 효과와 대비하기 위한 종래의 방법은 다음과 같다.
i) MostPoP: 가장 자주 구매된 아이템들을 추천하는 기본적인 방법.
ii) BPR: Rendle의 연구에 따른 방법
iii) P3S-1: 구매 아이템의 선호도가 제 2 미구매 아이템의 선호도보다 크다는 가정에 따라 페어-와이즈(pair-wise) 행렬 분해 기법을 적용한 방법. 본 방법에서는 사용자에 의해 구매되지 않은 제 1 미구매 아이템 대신 사용자에 의해 선택되지 않은 제 2 미구매 아이템을 사용자의 부정적인 피드백으로 가정하였다.
iv) P3S-2: 본 발명의 일 실시예에 따른 방법으로서, 구매 아이템의 선호도가 제 1 미구매 아이템의 선호도보다 크고, 제 1 미구매 아이템의 선호도가 제 2 미구매 아이템의 선호도가 크다는 가정에 따라 페어-와이즈(pair-wise) 행렬 분해 기법을 적용한 방법.
v) P3S-3: 구매 아이템의 선호도가 제 1 미구매 아이템의 선호도보다 크고, 제 2 미구매 아이템의 선호도가 제 1 미구매 아이템의 선호도보다 크다는 가정에 따라 페어-와이즈(pair-wise) 행렬 분해 기법을 적용한 방법. 본 방법에서는 사용자가 클릭하였지만 구매하지 않은 아이템을, 클릭조차 하지 않은 아이템보다 더 선호하지 않는다는 가정을 활용한 것이다.
비록, BPR 방법이 AUC(Area under the ROC curve)를 최적화하기 위하여 디자인되었지만, 본 출원인은 6개의 다른 랭킹 매트릭스, 즉 Precision@5, Recall@5, MAP(Mean Average Precision), MRR(Mean Reciprocal Rank), NDCG(Normalized Discounted Cumulative Gain) 및 AUC (Area under the ROC curve)를 이용하여 본 발명의 일 실시예의 현저한 효과를 증명하였다. 모두 기본적으로, 그리드 서치(grid search)를 수행하여 하이퍼 파라미터를 튜닝하였다.
도 6에 도시된 결과는, 초기화를 위한 서로 다른 램덤 시드(seed)를 가지고 각 방법을 5회 수행한 결과의 평균을 보여준다. 도 6을 보면, 본 발명의 일 실시예에 따른 방법이 타 방법에 비해 뛰어난 성능을 보여줌을 알 수 있다. 가장 자주 구매된 아이템을 추천해주는 MostPoP 방법은 사용자 맞춤형으로 아이템을 추천해주는 타 방법에 비해 성능이 떨어짐을 알 수 있고, 본 발명의 일 실시예에 따른 P3S-2 방법이 타 방법에 비해 일관적으로 우수한 효과를 보임을 알 수 있다. 이는 미구매 아이템(즉, 제 1 미구매 아이템과 제 2 미구매 아이템)을 모두 부정적인 피드백으로 취급할 수는 없다는 것을 의미한다.
P3S-1 방법은 BPR 방법의 성능과 큰 차이를 보여주지 못하는데, 이는 클릭했지만 구매하지 않은 제 1 미구매 아이템이 추천의 정확도에 큰 영향을 끼친다는 것을 알 수 있다. P3S-3 방법은 BPR 방법보다는 좋지 않은 성능을 보이고 있으며, 이는 클릭하였지만 구매하지 않은 제 1 미구매 아이템의 선호도가 클릭조차 하지 않은 제 2 미구매 아이템의 선호도보다 높다는 것을 증명한다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 작성된 프로그램은 매체에 저장될 수 있다.
매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100: 아이템 추천 장치
200: 사용자 단말
300: 온라인 쇼핑 서버
510: 메모리
530: 정보 획득부
550: 선호도 추정부
570: 통신부

Claims (7)

  1. 온라인 쇼핑 서버를 통한 복수의 사용자들 각각의 아이템들에 대한 구매 내역 및 선택 내역에 대한 정보를 획득하는 단계;
    상기 아이템들에 대한 구매 내역 및 선택 내역에 기초하여, 상기 아이템들 각각에 대한 상기 복수의 사용자들 각각의 선호도를 추정하는 단계; 및
    상기 복수의 사용자들 중 소정 사용자의 아이템들 각각에 대한 선호도에 기초하여, 상기 소정 사용자의 미구매 아이템의 정보를 상기 소정 사용자의 단말로 전송하는 단계를 포함하는 것을 특징으로 하는, 아이템 추천 장치에 의한 아이템 추천 방법.
  2. 제1항에 있어서,
    상기 구매 내역 및 선택 내역에 대한 정보를 획득하는 단계는,
    상기 복수의 사용자들 각각의 구매 아이템, 제 1 미구매 아이템 및 제 2 미구매 아이템에 대한 정보를 획득하는 단계를 포함하되,
    상기 제 1 미구매 아이템은 사용자에 의해 선택되었으나 구매되지 않은 아이템을 포함하고, 상기 제 2 미구매 아이템은 사용자에 의해 선택되지 않은 아이템을 포함하는 것을 특징으로 하는 아이템 추천 방법.
  3. 제2항에 있어서,
    상기 복수의 사용자들 각각의 선호도를 추정하는 단계는,
    상기 구매 아이템이 상기 제 1 미구매 아이템보다 사용자의 선호도가 높고, 상기 제 1 미구매 아이템이 상기 제 2 미구매 아이템보다 사용자의 선호도가 높은 것으로 가정하여, 상기 복수의 사용자들에 대한 제 1 특징 행렬의 엘리먼트들과 상기 아이템들에 대한 제 2 특징 행렬의 엘리먼트들을 학습하는 단계; 및
    상기 학습된 제 1 특징 행렬과 상기 제 2 특징 행렬에 기초하여, 상기 아이템들 각각에 대한 복수의 사용자들 각각의 선호도를 추정하는 단계를 포함하는 것을 특징으로 하는 아이템 추천 방법.
  4. 제3항에 있어서,
    상기 학습하는 단계는,
    각 사용자에 대응하는 제 1 특징 행렬의 엘리먼트와 각 사용자의 구매 아이템에 대응하는 제 2 특징 행렬의 엘리먼트를 곱한 결과와, 각 사용자에 대응하는 제 1 특징 행렬의 엘리먼트와 각 사용자의 제 1 미구매 아이템에 대응하는 제 2 특징 행렬의 엘리먼트를 곱한 결과의 차이가 최대화되도록 하고,
    각 사용자에 대응하는 제 1 특징 행렬의 엘리먼트와 각 사용자의 제 1 미구매 아이템에 대응하는 제 2 특징 행렬의 엘리먼트를 곱한 결과와, 각 사용자에 대응하는 제 1 특징 행렬의 엘리먼트와 각 사용자의 제 2 미구매 아이템에 대응하는 제 2 특징 행렬의 엘리먼트를 곱한 결과의 차이가 최대화되도록 상기 제 1 특징 행렬과 상기 제 2 특징 행렬의 엘리먼트들을 학습하는 단계를 포함하는 것을 특징으로 하는 아이템 추천 방법.
  5. 제2항에 있어서,
    상기 미구매 아이템의 정보를 상기 소정 사용자의 단말로 전송하는 단계는,
    성가 소정 사용자의 제 2 미구매 아이템 중 기 설정된 값 이상의 선호도를 갖는 제 2 미구매 아이템의 정보를 상기 소정 사용자의 단말로 전송하는 단계를 포함하는 것을 특징으로 하는, 아이템 추천 장치에 의한 아이템 추천 방법.
  6. 하드웨어와 결합하여 제1항 내지 제5항 중 어느 하나의 항의 아이템 추천 방법을 실행하기 위하여 매체에 저장된 프로그램.
  7. 온라인 쇼핑 서버를 통한 복수의 사용자들 각각의 아이템들에 대한 구매 내역 및 선택 내역에 대한 정보를 획득하는 정보 획득부;
    상기 아이템들에 대한 구매 내역 및 선택 내역에 기초하여, 상기 아이템 각각에 대한 상기 복수의 사용자들 각각의 선호도를 추정하는 선호도 추정부; 및
    상기 복수의 사용자들 중 소정 사용자의 아이템들 각각에 대한 선호도에 기초하여, 상기 소정 사용자의 미구매 아이템의 정보를 상기 소정 사용자의 단말로 전송하는 통신부를 포함하는 것을 특징으로 하는 아이템 추천 장치.
KR1020170076928A 2017-06-16 2017-06-16 사용자 행위 기반의 아이템 추천 방법 및 장치 KR102049777B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170076928A KR102049777B1 (ko) 2017-06-16 2017-06-16 사용자 행위 기반의 아이템 추천 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170076928A KR102049777B1 (ko) 2017-06-16 2017-06-16 사용자 행위 기반의 아이템 추천 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180137351A true KR20180137351A (ko) 2018-12-27
KR102049777B1 KR102049777B1 (ko) 2019-11-28

Family

ID=64953333

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170076928A KR102049777B1 (ko) 2017-06-16 2017-06-16 사용자 행위 기반의 아이템 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102049777B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321486A (zh) * 2019-06-28 2019-10-11 北京科技大学 一种网络商城的推荐方法和装置
KR20200103148A (ko) * 2019-02-11 2020-09-02 한양대학교 산학협력단 다중 유형 페어와이즈 기반 아이템 추천 방법 및 장치
KR20200142871A (ko) * 2019-06-13 2020-12-23 한양대학교 산학협력단 명시적 및 내연적 평가 정보를 이용한 아이템 추천 방법 및 장치
KR20210012075A (ko) * 2019-07-23 2021-02-03 주식회사 엔씨소프트 선호도 예측 방법 및 장치
KR102221098B1 (ko) * 2020-09-08 2021-02-26 한국과학기술정보연구원 기업 맞춤형 신약개발추천장치 및 그 동작 방법
KR20210152965A (ko) * 2020-06-09 2021-12-16 (주) 올윈에어 아이템 추천 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090077073A (ko) * 2006-10-20 2009-07-14 스트랜즈, 아이엔씨. 퍼스널 음악 추천 매핑
KR20130092310A (ko) * 2012-02-10 2013-08-20 (주)워터빈 상품 추천 시스템
KR20170036874A (ko) * 2015-09-18 2017-04-03 충북대학교 산학협력단 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090077073A (ko) * 2006-10-20 2009-07-14 스트랜즈, 아이엔씨. 퍼스널 음악 추천 매핑
KR20130092310A (ko) * 2012-02-10 2013-08-20 (주)워터빈 상품 추천 시스템
KR20170036874A (ko) * 2015-09-18 2017-04-03 충북대학교 산학협력단 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200103148A (ko) * 2019-02-11 2020-09-02 한양대학교 산학협력단 다중 유형 페어와이즈 기반 아이템 추천 방법 및 장치
KR20200142871A (ko) * 2019-06-13 2020-12-23 한양대학교 산학협력단 명시적 및 내연적 평가 정보를 이용한 아이템 추천 방법 및 장치
CN110321486A (zh) * 2019-06-28 2019-10-11 北京科技大学 一种网络商城的推荐方法和装置
CN110321486B (zh) * 2019-06-28 2021-08-03 北京科技大学 一种网络商城的推荐方法和装置
KR20210012075A (ko) * 2019-07-23 2021-02-03 주식회사 엔씨소프트 선호도 예측 방법 및 장치
KR20210152965A (ko) * 2020-06-09 2021-12-16 (주) 올윈에어 아이템 추천 방법 및 장치
KR102221098B1 (ko) * 2020-09-08 2021-02-26 한국과학기술정보연구원 기업 맞춤형 신약개발추천장치 및 그 동작 방법

Also Published As

Publication number Publication date
KR102049777B1 (ko) 2019-11-28

Similar Documents

Publication Publication Date Title
CN109902849B (zh) 用户行为预测方法及装置、行为预测模型训练方法及装置
KR20180137351A (ko) 사용자 행위 기반의 아이템 추천 방법 및 장치
US20210049645A1 (en) System and method providing personalized recommendations
US9980011B2 (en) Sequential delivery of advertising content across media devices
US10354184B1 (en) Joint modeling of user behavior
Costa-Montenegro et al. Which App? A recommender system of applications in markets: Implementation of the service for monitoring users’ interaction
CN110458220B (zh) 人群定向方法、装置、服务器及存储介质
US8725559B1 (en) Attribute based advertisement categorization
US9838743B2 (en) Techniques for context aware video recommendation
JP5601862B2 (ja) ソーシャルネットワーク環境において転送構造を利用するためのシステム及び方法
US20160034468A1 (en) Testing of and adapting to user responses to web applications
US20130138507A1 (en) Predictive modeling for e-commerce advertising systems and methods
US20150379609A1 (en) Generating recommendations for unfamiliar users by utilizing social side information
US20140279121A1 (en) Customizable and adjustable pricing of games
US20120143718A1 (en) Optimization of a web-based recommendation system
US10699198B2 (en) Method and system for cold-start item recommendation
US9489638B2 (en) Method and apparatus for propagating user preference information in a communications network
US20160026640A1 (en) Systems and methods of testing-based online ranking
KR20100114860A (ko) 터치포인트 커스터마이제이션 시스템
CN101669131A (zh) 交叉渠道优化系统和方法
US20210192549A1 (en) Generating analytics tools using a personalized market share
CN110689402A (zh) 推荐商家的方法、装置、电子设备及可读存储介质
US20240144328A1 (en) Automatic rule generation for next-action recommendation engine
CN111552835B (zh) 文件推荐方法、装置及服务器
US11126785B1 (en) Artificial intelligence system for optimizing network-accessible content

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)