KR20190061130A

KR20190061130A - 소셜 네트워크 정보와 레이팅 정보를 활용한 설명가능하고 정확한 추천 방법 및 추천 시스템

Info

Publication number: KR20190061130A
Application number: KR1020170159167A
Authority: KR
Inventors: 강유; 박해규; 전현식; 김정환
Original assignee: 서울대학교산학협력단
Priority date: 2017-11-27
Filing date: 2017-11-27
Publication date: 2019-06-05

Abstract

본 명세서에서 개시되는 실시예들은 추천 방법 및 추천 시스템에 관한 것으로서, 소셜 네트워크 정보와 레이팅 정보를 활용하여 추천의 정확도를 향상시키고, 설득력 있는 추천의 이유를 제시할 수 있는 방법 및 그를 수행하는 시스템에 관한 것이다. 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 추천 시스템에 의해 수행되는 것으로서, 소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받는 단계, 입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성하는 단계, 상기 병합 그래프에서 네트워크 임베딩을 수행하는 단계, 및 수행한 네트워크 임베딩에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는 단계를 포함하는 추천 방법이 개시된다.

Description

소셜 네트워크 정보와 레이팅 정보를 활용한 설명가능하고 정확한 추천 방법 및 추천 시스템{EXPLAINABLE AND ACCURATE RECOMMENDER METHOD AND SYSTEM USING SOCIAL NETWORK INFORMATION AND RATING INFORMATION}

본 명세서에서 개시되는 실시예들은 추천 방법 및 추천 시스템에 관한 것으로서, 소셜 네트워크 정보와 레이팅 정보를 활용하여 추천의 정확도를 향상시키고, 설득력 있는 추천의 이유를 제시할 수 있는 방법 및 그를 수행하는 시스템에 관한 것이다.

기존의 추천 서비스에 따르면, 레이팅 정보에만 의존하여 추천을 제공한다. 레이팅 정보는 희박성을 갖고 있어, 레이팅 정보에만 의존하는 추천 서비스의 경우 정확도가 떨어지게 된다.

또한, 기존의 추천 서비스들은 추천의 이유를 설명하지 못하므로 추천 정보를 제공 받는 사용자에게 신뢰를 얻지 못한다는 문제가 있어왔다.

관련하여 선행기술 문헌인 한국공개특허 제10-2005-0023583호에서는 콘텐츠에 대한 사용자의 반응을 바탕으로 소정의 모델에 따라 사용자 프로파일을 생성하고, 데이터 소스로부터 획득한 콘텐츠 특성과 사용자 프로파일을 바탕으로 콘텐츠 추천목록을 생성하는 것을 특징으로 한다.

상술한 선행기술 역시, '사용자의 반응'이라는 사용자 평가, 즉 레이팅 정보에만 의존하여 콘텐츠를 추천하고 있어 정확도가 떨어지며, 추천의 이유를 설명하지 못한다는 문제에서 벗어나지 못한다.

한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 명세서에서 개시되는 실시예들은, 추천 방법 및 그를 위한 시스템을 개시하는 데에 목적이 있다.

또한 실시예들은, 소셜 네트워크 정보와 관찰된 레이팅 정보라는 이질적인 두 정보를 통합하여 추천의 정확도를 높이고, 추천의 이유를 제시할 수 있는 추천 서비스를 제공하는 데에 목적이 있다.

또한, 실시예들은, 유저-유저 또는 유저-아이템의 상관 관계에 있어서, 양적인 상관 관계뿐만 아니라 질적인 상관 관계를 함께 고려하여 추천을 제공함으로써 추천의 정확도를 높이고 추천의 이유를 제시하는 데에 목적이 있다.

또한 실시예들은, 정확하고 설명가능한 추천을 제공함으로써 판매자의 영업 이익 및 구매자(유저)의 구매 만족도를 향상시키는 데에 목적이 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 추천 시스템에 의해 수행되는 것으로서, 소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받는 단계; 입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성하는 단계; 상기 병합 그래프에서 네트워크 임베딩을 수행하는 단계; 및 수행한 네트워크 임베딩에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는 단계를 포함하는 추천 방법이 개시된다.

다른 실시예에 따르면, 추천 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체가 개시된다. 이때 추천 방법은, 추천 시스템에 의해 수행되는 것으로서, 소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받는 단계; 입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성하는 단계; 상기 병합 그래프에서 네트워크 임베딩을 수행하는 단계; 및 수행한 네트워크 임베딩에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는 단계를 포함할 수 있다.

또 다른 실시예에 따르면, 추천 시스템에 의해 수행되며, 추천 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램이 개시된다. 이때 추천 방법은, 추천 시스템에 의해 수행되는 것으로서, 소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받는 단계; 입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성하는 단계; 상기 병합 그래프에서 네트워크 임베딩을 수행하는 단계; 및 수행한 네트워크 임베딩에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는 단계를 포함할 수 있다.

또 다른 실시예에 따르면, 소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받아 저장하는 저장부; 및 입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하되, 상기 소셜 네트워크 정보 및 상기 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성하고, 상기 병합 그래프에서 네트워크 임베딩을 수행하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는 제어부를 포함하는 추천 시스템이 개시된다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 본 명세서에서 개시되는 실시예들은, 추천 방법 및 그를 위한 시스템을 개시할 수 있다.

또한 실시예들은, 소셜 네트워크 정보와 관찰된 레이팅 정보라는 이질적인 두 정보를 통합하여 추천의 정확도를 높이고, 추천의 이유를 제시하는 추천 서비스를 제공할 수 있다.

또한, 실시예들은, 유저-유저 또는 유저-아이템의 상관 관계에 있어서, 양적인 상관 관계뿐만 아니라 질적인 상관 관계를 함께 고려하여 추천을 제공함으로써 추천의 정확도를 높이고 추천의 이유를 제시할 수 있다.

또한 실시예들은, 정확하고 설명 가능한 추천을 제공함으로써 판매자의 영업 이익 및 구매자(유저)의 구매 만족도를 향상시킬 수 있다.

개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 추천 시스템의 구성을 도시한 블록도이다.
도 2 및 도 3은 일 실시예에 따른 추천 시스템의 동작을 설명하기 위한 예시도이다.
도 4 내지 도 6은 일 실시예들에 따른 추천 방법을 설명하기 위한 순서도이다.
도 7은 일 실시예에 따른 추천 방법을 설명하기 위한 예시도이다.

아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.

이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.

다만, 설명에 앞서 이하에서 사용될 용어에 대해 정의한다.

이하에서 '유저'는, 소셜 네트워크를 이용하는 자를 말하며, 실시예에 따른 추천 시스템(Recommender System)(10)은 유저 계정에 의해 유저를 식별할 수 있다.

또한, 유저 중에서 추천 시스템(10)으로부터 추천을 제공받는 유저를 '타겟 대상'이라고 하며, 추천 시스템(10)이 타겟 대상에게 추천해주는 아이템을 '추천 아이템'이라고 한다. '추천 아이템'은 '상품' 또는 '타 유저'를 포함할 수 있다.

그 외에 정의가 필요한 용어들은 이하에서 서술되는 관련 부분에서 정의하도록 한다.

도 1은 일 실시예에 따른 추천 시스템(10)의 구성을 도시한 블록도이다.

본 명세서의 실시예에 따르면, 추천 시스템(10)은 소셜 네트워크 정보 및 레이팅 정보에 기초하여 타겟 대상에 대하여 추천 아이템을 제시할 수 있는 컴퓨팅 장치로 구현될 수 있다.

예를 들어, 추천 시스템(10)은 애플리케이션이 설치된 전자단말기로 구현될 수 있거나 또는 서버-클라이언트 시스템으로 구현될 수 있으며, 이때, 서버-클라이언트 시스템은 유저와의 인터랙션을 위한 클라이언트가 설치된 전자단말기를 포함할 수 있다.

이때 전자단말기는, 사용자와의 인터랙션이 가능한 인터페이스를 포함할 수 있는 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 타서버에 접속하거나 타단말과 연결될 수 있다.

그리고 서버는 유저와의 인터랙션을 위한 클라이언트가 설치된 전자단말기와 네트워크를 통해 통신이 가능한 컴퓨팅장치로 구현될 수 있으며, 데이터를 저장할 수 있는 저장장치를 포함하거나 또는 제 3 의 서버(미도시)로부터 데이터를 수신하거나 제3의 서버에 데이터를 저장할 수 있다.

이하에서는 일 실시예에 따라 추천 시스템(10)이 추천 방법을 수행하는 과정을 자세히 설명한다.

도 1을 참고하면, 일 실시예에 따른 추천 시스템(10)은 입출력부(11), 저장부(12), 통신부(13) 및 제어부(14)를 포함할 수 있다.

일 실시예에 따른 입출력부(11)는 유저 또는 추천 시스템(10)의 관리자로부터 입력을 수신하기 위한 입력부와, 연산의 수행 결과, 예를 들어 추천 아이템에 대한 정보 등을 표시하기 위한 출력부를 포함할 수 있다. 예를 들어, 입출력부(11)는 유저 또는 추천 시스템(10)의 관리자의 입력을 수신하는 조작 패널(operation panel) 및 영상을 출력하는 디스플레이 패널(display panel) 등을 포함할 수 있다.

구체적으로, 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 입력 수신 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널, 스피커 또는 헤드셋 등을 포함할 수 있다. 다만, 입출력부(11)는 상술한 예시에 한정되지 않고 다양한 입출력을 지원하는 구성을 포함할 수 있다.

한편, 통신부(13)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(13)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.

통신부(13)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra-Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(13)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다. 또한, 통신부(13)는 인터넷 또는 이동통신망을 통해 목적지에 데이터 또는 메시지 등을 전송할 수도 있다.

일 실시예에 다르면, 통신부(13)는 추천의 근거가 되는 데이터로서 소셜 네트워크 정보 및 관찰된 레이팅 정보를 제3의 서버로부터 수신할 수 있다.

이때, '소셜 네트워크 정보'는, 소셜 네트워크 서비스(SNS)를 사용하는 유저에 대한 정보 및 유저 간의 '소셜 네트워크 관계'에 관한 정보를 포함할 수 있다. 이때 '소셜 네트워크 관계'란, 친구로 등록되는 등 소셜 네트워크 서비스에서 제공하는 유저 간의 네트워크 관계를 말한다.

또한, '레이팅 정보'란, 아이템에 대한 유저의 평가, 유저의 선호도 등을 말한다. 이때, '관찰된 레이팅 정보'란, 추천 방법을 수행하기 위하여 수집한 아이템에 대한 유저의 평가 정보를 말하는 것으로서, 각각의 관찰된 레이팅 정보는, 레이팅 정보를 작성한 유저 및 레이팅 정보의 대상이 되는 아이템에 관한 정보를 포함할 수 있다.

한편, 저장부(12)에는 추천 방법을 수행하기 위한 다양한 종류의 데이터가 설치 및 저장될 수 있다. 일 실시예에 따르면, 저장부(12)는 추천의 근거가 되는 소셜 네트워크 정보 및 관찰된 레이팅 정보를 저장하거나 추천 방법의 수행을 위한 애플리케이션 및/또는 장치 드라이버와 같은 소프트웨어를 저장 및 구동할 수 있다.

한편, 제어부(14)는 추천 시스템(10)의 전체적인 동작을 제어하며, CPU 등과 같은 프로세서를 포함할 수 있다. 실시예에 따르면, 제어부(14)는 추천 방법을 수행하기 위하여 추천 시스템(10)에 포함된 다른 구성들을 제어하고, 추천 방법을 수행하기 위하여 각종 데이터를 처리할 수 있다.

예를 들어, 제어부(14)는 저장부(12)에 저장된 프로그램을 실행시키거나, 저장부(12)에 저장된 데이터를 분석하고, 그 결과에 따른 동작을 수행할 수도 있다. 일 실시예에 따르면, 제어부(14)는 저장부(12)에 저장된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 예측 레이팅 정보를 예측하고, 추천 아이템에 대한 정보를 타겟 대상에 대하여 제공할 수 있다.

실시예에 따르면, 제어부(14)는 입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 병합 그래프(G)를 생성할 수 있다. 예를 들어, 제어부(14)는 노드(V) 및 노드 사이를 연결하는 에지(E)를 추가함으로써 병합 그래프(G=(V, E))를 생성할 수 있다. 이때, 실시예에 따르면, 제어부(14)는 병합 그래프를 생성하기에 앞서 모든 유저와 아이템의 임베딩 벡터 및 바이어스를 랜덤 초기화할 수 있다.

실시예에 따르면, 제어부(14)는 관찰된 레이팅 정보에 포함된 유저 및 아이템에 대응하는 노드 및 에지를 추가할 수 있다. 상술한 바와 같이 각각의 관찰된 레이팅 정보는, 레이팅 정보를 작성한 유저 및 레이팅 정보의 대상이 되는 아이템에 관한 정보를 포함하므로, 제어부(14)는 이에 기초하여, 각각의 관찰된 레이팅 정보에 대응하는 유저 및 아이템을 그래프의 노드로 추가하고, 각각의 관찰된 레이팅 정보에 대응하는 유저 및 아이템 사이의 에지를 그래프에 추가할 수 있다. 또한, 제어부(14)는, 각각의 에지에 대하여, 각각의 에지에 대응되는 레이팅 값에 기초하여 가중치를 부여할 수 있다. 이때, 레이팅 값에 기초하여 부여된 가중치는 유저와 아이템간의 유사도를 나타낸다고 해석될 수 있다.

한편, 제어부(14)는 관찰된 레이팅 정보를 그래프에 반영하기 위하여, 행렬 형태의 레이팅 정보(

)를 그래프 구조(V, E)로 변환할 수 있다.

또한, 제어부(14)는 소셜 네트워크 정보에 포함되는 유저에 대응하는 노드 및 에지를 추가할 수 있다. 즉, 제어부(14)는 소셜 네트워크 정보에 포함된 각각의 유저에 대응하는 노드를 그래프에 추가하고, 유저 사이의 소셜 네트워크 관계에 기초하여 각각의 유저에 대응하는 노드를 연결하는 에지를 그래프에 추가할 수 있다. 실시예에 따르면, 제어부(14)는 유저 간의 에지에 대하여 하이퍼파라미터(Hyperparameter) c에 기초하여 가중치를 부여할 수 있으며, 이때 유저 간의 에지에 부여되는 가중치는 유저 간의 유사도를 나타내는 것으로 해석될 수 있다.

상술한 바와 같이, 제어부(14)는 소셜 네트워크 정보 및 관찰된 레이팅 정보를 통합하는 그래프를 생성할 수 있다.

그리고 실시예에 따르면, 제어부(14)는 병합 그래프에서 네트워크 임베딩을 수행할 수 있다.

먼저, 제어부(14)는 소정 노드에서 시작되는 랜덤워크를 수행할 수 있다. 이때, 랜덤워크의 시작 노드는 임의로 결정될 수 있으며, 유저에 대응하는 노드 또는 아이템에 대응하는 노드를 시작 노드로 할 수 있다. 또한, 제어부(14)는 랜덤워크를 수행하되, 각 노드에서 시작하는 소정 길이(l)의 랜덤워크를 수행할 수 있다.

실시예에 따르면, 제어부(14)는 랜덤워크를 수행하되, 세 가지의 이동 형태 중 적어도 하나에 따라 랜덤워크를 수행할 수 있다. 예를 들어, 제어부(14)는 양의 이동, 음의 이동 및 무가중치의 이동 중 적어도 하나에 따라 랜덤워크를 수행할 수 있다.

이때, '양의 이동'이란, 에지에 부여된 가중치에 비례하는 이동 가능성을 갖는 랜덤워크 형태를 말한다. 또한, '음의 이동'이란, 유저-아이템 에지에 부여된 가중치 또는 유저-유저 에지에 부여된 가중치에 있어서, 가중치의 최소값(minR)과 최대값(maxR)의 합에서 에지에 부여된 가중치(weights on edges)를 제외한 값, 즉,

에 비례하는 이동 가능성을 갖는 랜덤워크 형태를 말한다. 그리고, '무가중치의 이동'이란, 모든 에지에 균일하게 적용되는 이동 가능성을 갖는 랜덤워크 형태를 말한다.

이와 같이 랜덤워크에 따라 노드를 이동함으로써, 하나 이상의 노드를 이동한 형태, 즉, 이동 시퀀스가 생성될 수 있다. 이때, 이동 시퀀스에는 랜덤워크에 따라 이동한 하나 이상의 노드에 대한 정보가 포함될 수 있으며, 이동 순서에 대한 정보가 포함될 수도 있다. 제어부(14)는 랜덤워크를 1회 이상 수행할 수 있으며, 랜덤워크를 수행할 때마다 이동 시퀀스가 생성될 수 있다.

구체적으로, 양의 이동에 따른 랜덤워크는 에지에 부여된 가중치가 클수록 이동 확률이 높고, 이때 큰 가중치는 높은 유사성을 나타낼 수 있으므로, 양의 이동에 따른 랜덤워크의 이동 시퀀스는 서로 유사성이 있는 노드들을 포함할 수 있다. 또한, 소정의 유사한 특성을 갖는 아이템 그룹과 상기 아이템 그룹을 싫어하는 유저 그룹이 있을 때, 음의 이동에 따른 랜덤워크의 이동 시퀀스는 상기 아이템 그룹과 상기 유저 그룹에 대응하는 노드를 포함할 수 있다.

한편, 제어부(14)는 이동 시퀀스에 기초하여 노드 쌍을 추출할 수 있다. 이때, 실시예에 따르면, 제어부(14)는 이동 시퀀스 각각에 포함된 노드 중에서, 세 가지의 타입 중 적어도 하나에 따라 노드 쌍을 추출할 수 있다. 예를 들어, 제어부(14)는 이동 시퀀스 각각에 포함된 노드 중, 관찰된 레이팅 정보에 대응하는 에지로 연결된 노드 쌍을 추출하는 제1타입, 유사성의 상관관계를 갖는 노드 쌍을 추출하는 제2타입 및 비유사성의 상관관계를 갖는 노드 쌍을 추출하는 제3타입 중 적어도 하나에 따라 노드 쌍을 추출할 수 있다. 이때, 유사성의 상관관계 및 비유사성의 상관관계는 에지에 부여된 가중치에 따라 결정될 수 있다. 한편, 제어부(14)는 추출된 노드 쌍을 추출 타입에 따라 카테고라이징하여 저장하도록 할 수 있다.

관련하여, 도 2 및 도 3을 참고하면, 도 2는 이동 형태에 따라 랜덤워크를 수행하는 실시예를, 도 3은 상기 랜덤워크에 따라 생성된 이동 시퀀스와 이동 시퀀스에서 추출된 노드 쌍의 실시예를 도시하고 있다.

먼저, 도 2를 참고하면, 양의 이동(+walk)에 따른 랜덤워크는 실선(높은 가중치)과 일점쇄선(친구; 소셜 네트워크 관계)을 따라 이동할 가능성이 높다. 또한, 음의 이동(-walk)에 따른 랜덤워크는 점선(낮은 가중치)과 일점쇄선(친구; 소셜 네트워크 관계)을 따라 이동할 가능성이 높다.

다음으로, 도 3을 참고하면, 도 2에서 설명된 바와 같이, 양의 이동(+walk) 또는 음의 이동(-walk)에 따른 랜덤워크의 이동 시퀀스와 각 이동 시퀀스에서 추출된 노드 쌍의 실시예가 도시되어 있다.

도 3에 따르면, 이동 시퀀스에 하나의 윈도우(window)를 설정하고, 윈도우의 중앙에 위치한 센터 노드를 중심으로 하여, 제1타입, 제2타입 및 제3타입의 노드 쌍을 추출할 수 있다.

한편, 제어부(14)는 추출된 노드 쌍에 기초하여 목적함수(L)를 최소화하는 바이어스 및 벡터를 학습할 수 있다.

이때, 목적함수(L)는 유저-아이템에 있어서 양적 상관관계뿐만 아니라 질적 상관관계를 고려하여 궁극적으로는 타겟 대상의 아이템에 대한 선호도를 예측하기 위한 함수이다.

이를 위하여 목적함수(L)는, 관찰된 레이팅과 예측 레이팅의 차이를 최소화하는 제1수식, 유사성의 상관관계를 갖는 노드에 대응하는 벡터간의 내적을 증가시키는 제2수식, 비유사성의 상관관계를 갖는 노드에 대응하는 벡터간의 내적을 감소시키는 제3수식으로 구성될 수 있다.

이때 목적함수(L)의 일 실시예는 다음과 같다.

[수식 1]

이때,

는 관찰된 레이팅 정보이며,

는 예측 레이팅 정보이고, 각각 유저(

) 및 아이템(

)에 대응된다. 또한,

및

는 개체

,

에 각각 대응되는 잠재된 벡터(latent vector)이다. 또한,

는 바이어스 팩터의 정규화 파라미터이며,

는 잠재된 벡터의 정규화 파라미터이다.

와

는 각각 해당 수식의 가중치이다.

는 모든 개체의 바이어스 벡터이며,

가 각 개체의 벡터

의 차원(dimension)을 나타낼 때,

는 개체의 잠재된 벡터 행렬(latent vector matrix)을 나타낸다.

또한, [수식 1]의 목적함수에서 지도 학습 텀(Supervised term)은 제1수식에 대응되며, 양의 자율 학습 텀(Positive unsupervised term)은 제2수식에, 음의 자율 학습 텀(Negative unsupervised term)은 제3수식에 각각 대응된다.

이때, 제어부(14)는 제1타입에 대응하는 노드를 제1수식에 적용하고, 제2타입에 대응하는 노드를 제2수식에 적용하고, 제3타입에 대응하는 노드를 제3수식에 각각 적용할 수 있다. 또한, 제어부(14)는 노드가 각각 적용된 목적함수에 경사하강법을 적용함으로써 목적함수를 최소화(

)하는 바이어스(

) 및 벡터(

)를 학습할 수 있다.

또한, 제어부(14)는 학습된 바이어스 및 벡터에 기초하여 예측 레이팅 정보(

)를 연산할 수 있다. 예측 레이팅 정보는 레이팅의 평균에 관한 정보인

, 바이어스 팩터

, 개체

의 잠재된 벡터

에 기초하여 다음과 같은 [수식 2]에 의해 연산될 수 있다.

[수식 2]

실시예에 따르면, 제어부(14)는 상술한 바와 같은 네트워크 임베딩에 기초하여 타겟 대상에 대한 추천 아이템을 선정할 수 있다. 즉, 예측 레이팅 정보에 기초하여, 타겟 대상이 선호할 것으로 예상되는 아이템을 추천 아이템으로 선정할 수 있다. 예를 들어, 타겟 대상에 대응하는 예측 레이팅 정보에 있어서, 높은 예측 레이팅 값을 갖는 아이템을 추천 아이템으로 선정할 수 있다.

나아가 제어부(14)는 추천 아이템에 대한 선정 이유를 제시할 수 있다.

실시예에 따르면, 제어부(14)는 추천 아이템에 대응하는 보충 개체를 선정 이유로 제시할 수 있다. 이때, 보충 개체는 추천 아이템을 선호하는 유저로서, 타겟 대상과 유사성의 상관관계를 갖는 유사 유저를 포함할 수 있다. 또한, 보충 개체는 타겟 대상이 선호하는 아이템으로서, 추천 아이템과 유사성의 상관관계를 갖는 유사 아이템을 포함할 수 있다.

관련하여, 제어부(14)는 다음과 같은 수식에 기초하여 두 개체

와

의 유사성(

)을 명확히 수치화할 수 있다.

[수식 3]

이때,

는

이 제2타입의 노드 쌍에서 등장하는 횟수이며,

이다.

나아가 제어부(14)는, 보충 개체의 선정 이유를 제시할 수 있다. 예를 들어, 제어부(14)는 유사 유저가 타겟 대상과 유사한 이유를 제시할 수 있으며, 유사 아이템이 추천 아이템과 유사한 이유를 제시할 수도 있다. 가령, 타겟 대상이 유사 유저와 공통된 아이템을 선호하거나 공통된 친구를 갖거나 공통적으로 싫어하는 아이템이 있다는 점을 근거로 제시할 수 있다.

한편, 도 4 내지 도 6는 추천 시스템(10)이 수행하는 추천 방법을 설명하기 위한 순서도들이다. 도 4 내지 도 6에 도시된 실시예에 따른 추천 방법은 도 1 내지 도 3과 관련한 실시예에 따른 추천 시스템(10)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 내지 도 3과 관련한 실시예에 따른 추천 시스템(10)에 관하여 이상에서 기술한 내용은 도 4 내지 도 6에 도시된 실시예들에 따른 추천 방법에도 적용될 수 있다.

도 4를 참고하면, 추천 시스템(10)은 소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받을 수 있고(S41), 입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성할 수 있다(S42).

이와 관련하여, 도 5를 참고하면, 추천 시스템(10)은 병합 그래프를 생성함에 있어서(S42), 관찰된 레이팅 정보에 포함된 유저 및 아이템에 대응하는 노드 및 에지를 추가할 수 있다(S51). 이때, 에지는 대응하는 관찰된 레이팅 정보에 따른 레이팅 값에 대한 정보를 포함할 수 있다. 그리고 추천 시스템(10)은 소셜 네트워크 정보에 포함된 유저에 대응하는 노드 및 에지를 추가할 수 있다(S52).

그리고 추천 시스템(10)은 병합 그래프에서 네트워크 임베딩을 수행할 수 있다(S43). 관련하여, 도 6을 참고하면, 추천 시스템(10)은 소정 노드에서 시작되는 랜덤워크를 수행할 수 있다(S61). 또한, 추천 시스템(10)은 랜덤워크로 생성된 이동 시퀀스에 기초하여 노드 쌍을 추출하고(S62), 추출된 노드 쌍에 기초하여 목적함수를 최소화하는 바이어스 및 벡터를 학습할 수 있다(S63).

이때, 추천 시스템(10)은 램덤워크를 수행함에 있어서, 양의 이동, 음의 이동 및 무가중치의 이동 중 적어도 하나에 따라 랜덤워크를 수행할 수 있다.

그리고 추천 시스템(10)은 노드 쌍을 추출함에 있어서, 제1타입, 제2타입 및 제3타입 중 적어도 하나에 따라 노드 쌍을 추출할 수 있다.

또한, 실시예에 따라 목적함수가 제1수식, 제2수식 및 제3수식으로 구성될 때, 추천 시스템(10)은 제1타입에 대응하는 노드를 제1수식에, 제2타입에 대응하는 노드를 제2수식에, 제3타입에 대응하는 노드를 제3수식에 각각 적용하되, 경사하강법을 적용하여 목적함수를 최소화하는 바이어스 및 벡터를 학습할 수 있다.

또한, 추천 시스템(10)은 수행한 네트워크 임베딩에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하고(S44), 연산한 예측 레이팅 정보에 기초하여 타겟 대상에 대응하는 추천 아이템을 선정할 수 있다(S45).

이때, 추천 시스템(10)은 타겟 대상에 대하여 추천 아이템에 대한 정보 및 추천 아이템에 대한 선정 이유를 제시할 수 있으며, 선정 이유로 보충 개체를 제시할 수 있다. 이때, 보충 개체는, 추천 아이템을 선호하는 유저로서 타겟 대상에 대한 유사 유저 및 타겟 대상이 선호하는 아이템으로서 추천 아이템에 대한 유사 아이템 중 적어도 하나를 포함할 수 있다.

나아가 추천 시스템(10)은 유사 유저가 타겟 대상과 유사한 이유 및 유사 아이템이 추천 아이템과 유사한 이유 중 적어도 하나를 제시할 수 있다.

한편, 도 7은 타겟 대상에 대하여 추천을 제공하는 추천 방법을 수행하는 실시예에 대한 예시도이다.

도 7의 상단에 따르면, 타겟 대상(U1)에 대하여 추천 아이템으로 a, b 및 c가 제시되고 있다.

또한, 도 7의 중단에 따르면, 추천 아이템을 선정한 이유에 대한 보충 개체로서 타겟 대상과 유사한 유사 유저를 제시하고 있다. 구체적으로는, 타겟 대상과 각 유사 유저의 유사도를 시각적으로 표현하고, 타겟 대상과 유사 유저가 등록된 소셜 네트워크 관계에 있는지, 예를 들어, 친구인지 여부 및 각 유사 유저가 선호하는 아이템에 대한 정보를 함께 제시하고 있다.

그리고 도 7의 하단을 참고하면, 추천 아이템을 선정한 이유에 대한 보충 개체로서 타겟 대상이 선호하는 유사 아이템을 제시하고 있다. 이와 함께, 각각의 유사 아이템과 각각의 추천 아이템의 유사도를 시각적으로 표시하고 있다.

도 7에 도시된 바와 같이, 타겟 대상에 대하여 설득력 있는 추천 아이템 선정의 이유를 제시함으로써 추천 시스템(10)에 대한 신뢰를 높이고, 타겟 대상이 추천 아이템을 구매하도록 유도할 수 있으며, 구매에 대한 만족도를 높일 수 있다.

이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.

구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.

뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.

도 4 내지 도 6를 통해 설명된 실시예들에 따른 추천 방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다. 예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.

또한 도 4 내지 도 6를 통해 설명된 실시예들에 따른 추천 방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.

따라서 도 4 내지 도 6를 통해 설명된 실시예들에 따른 추천 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.

여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.

또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.

그리고 저장 장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.

상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.

10: 추천 시스템 11: 입출력부
12: 저장부 13: 통신부
14: 제어부

Claims

추천 시스템에 의해 수행되는 추천 방법으로서,
소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받는 단계;
입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성하는 단계;
상기 병합 그래프에서 네트워크 임베딩을 수행하는 단계; 및
수행한 네트워크 임베딩에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는 단계를 포함하는, 추천 방법.
제1항에 있어서,
상기 병합 그래프를 생성하는 단계는,
상기 관찰된 레이팅 정보에 포함된 유저 및 아이템에 대응하는 노드 및 에지를 추가하는 단계를 포함하는, 추천 방법.
제2항에 있어서,
상기 노드 및 에지를 추가하는 단계는,
에지를 추가하되, 상기 에지에 대하여, 상기 에지에 대응되는 레이팅 값에 기초하여 가중치를 부여하는 것을 특징으로 하는, 추천 방법.
제2항에 있어서,
상기 병합 그래프를 생성하는 단계는,
상기 소셜 네트워크 정보에 포함된 유저에 대응하는 노드 및 에지를 추가하는 단계를 더 포함하는, 추천 방법.
제1항에 있어서,
상기 네트워크 임베딩을 수행하는 단계는,
소정 노드에서 시작되는 랜덤워크를 수행하는 단계;
상기 랜덤워크로 생성된 이동 시퀀스에 기초하여 노드 쌍을 추출하는 단계; 및
추출된 노드 쌍에 기초하여 목적함수를 최소화하는 바이어스 및 벡터를 학습하는 단계를 포함하는, 추천 방법.
제5항에 있어서,
상기 랜덤워크를 수행하는 단계는,
양의 이동, 음의 이동 및 무가중치의 이동 중 적어도 하나에 따라 랜덤워크를 수행하는 것을 특징으로 하는, 추천 방법.
제5항에 있어서,
상기 노드 쌍을 추출하는 단계는,
상기 이동 시퀀스 각각에 포함된 노드 중, 관찰된 레이팅 정보에 대응하는 에지로 연결된 노드 쌍을 추출하는 제1타입, 유사성의 상관관계를 갖는 노드 쌍을 추출하는 제2타입 및 비유사성의 상관관계를 갖는 노드 쌍을 추출하는 제3타입 중 적어도 하나에 따라 노드 쌍을 추출하는 것을 특징으로 하는, 추천 방법.
제7항에 있어서,
상기 바이어스 및 벡터를 학습하는 단계는,
상기 목적함수가, 관찰된 레이팅과 예측 레이팅의 차이를 최소화하는 제1수식, 유사성의 상관관계를 갖는 노드에 대응하는 벡터간의 내적을 증가시키는 제2수식, 비유사성의 상관관계를 갖는 노드에 대응하는 벡터간의 내적을 감소시키는 제3수식으로 구성되는 것을 특징으로 하는, 추천 방법.
제8항에 있어서,
상기 바이어스 및 벡터를 학습하는 단계는,
상기 제1타입에 대응하는 노드를 상기 제1수식에 적용하고, 상기 제2타입에 대응하는 노드를 상기 제2수식에 적용하고, 상기 제3타입에 대응하는 노드를 상기 제3수식에 각각 적용하되, 경사하강법을 적용하여 상기 목적함수를 최소화하는 바이어스 및 벡터를 학습하는 것을 특징으로 하는, 추천 방법.
제1항에 있어서,
연산한 예측 레이팅 정보에 기초하여 상기 타겟 대상에 대응하는 추천 아이템을 선정하고, 상기 타겟 대상에 대하여 상기 추천 아이템에 대한 정보 및 상기 추천 아이템에 대한 선정 이유를 제시하는 단계를 더 포함하는, 추천 방법.
제10항에 있어서,
상기 제시하는 단계는,
상기 추천 아이템에 대응하는 보충 개체를 선정 이유로 제시하되, 상기 보충 개체는, 상기 추천 아이템을 선호하는 유저인 상기 타겟 대상에 대한 유사 유저 및 상기 타겟 대상이 선호하는 아이템인 상기 추천 아이템에 대한 유사 아이템 중 적어도 하나를 포함하는 것을 특징으로 하는, 추천 방법.
제11항에 있어서,
상기 제시하는 단계는,
상기 유사 유저가 상기 타겟 대상과 유사한 이유 및 상기 유사 아이템이 상기 추천 아이템과 유사한 이유 중 적어도 하나를 제시하는 단계를 더 포함하는, 추천 방법.
제 1 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
추천 시스템에 의해 수행되며, 제 1 항에 기재된 방법을 수행하기 위해 기록매체에 저장된 컴퓨터 프로그램.
소셜 네트워크 정보 및 관찰된 레이팅 정보를 입력 받아 저장하는 저장부; 및
입력된 소셜 네트워크 정보 및 관찰된 레이팅 정보에 기초하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는 제어부를 포함하고,
상기 제어부는,
상기 소셜 네트워크 정보 및 상기 관찰된 레이팅 정보에 기초하여 병합 그래프를 생성하고, 상기 병합 그래프에서 네트워크 임베딩을 수행하여 타겟 대상에 대응하는 예측 레이팅 정보를 연산하는, 추천 시스템.