KR20190084866A - 시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체 - Google Patents

시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체 Download PDF

Info

Publication number
KR20190084866A
KR20190084866A KR1020187015328A KR20187015328A KR20190084866A KR 20190084866 A KR20190084866 A KR 20190084866A KR 1020187015328 A KR1020187015328 A KR 1020187015328A KR 20187015328 A KR20187015328 A KR 20187015328A KR 20190084866 A KR20190084866 A KR 20190084866A
Authority
KR
South Korea
Prior art keywords
user
model
obtaining
time period
user preference
Prior art date
Application number
KR1020187015328A
Other languages
English (en)
Other versions
KR102251302B1 (ko
Inventor
류양 차오
지엔밍 왕
징 샤오
Original Assignee
핑안 테크놀로지 (션젼) 컴퍼니 리미티드
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 핑안 테크놀로지 (션젼) 컴퍼니 리미티드 filed Critical 핑안 테크놀로지 (션젼) 컴퍼니 리미티드
Publication of KR20190084866A publication Critical patent/KR20190084866A/ko
Application granted granted Critical
Publication of KR102251302B1 publication Critical patent/KR102251302B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

시간 인자와 결합한 협업 필터링 방법은: 지수 평활화 모델을 구축하는 단계; 상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계; 상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계; 상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계; 상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계; 협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및 상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함한다.

Description

시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체
본 출원은 2016년 11월 15일 출원된 제목이 “시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체”인 중국 특허출원 제201611005200.1호에 우선권을 주장한 출원으로, 그 전체 내용은 여기에 참고로서 포함된다.
본 발명은 컴퓨터 기술 분야에 관한 것으로서, 보다 상세하게는 시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체에 관한 것이다.
사용자들의 선호도를 수집하고 데이터 분석 및 데이터 마이닝을 수행함으로써, 제품 정보 푸싱의 정확성을 효과적으로 향상시킬 수 있다. 종래의 방식에서, 특정 제품에 대한 사용자 선호도는 전형적으로 사용자 행동에 의해 설정된다. 예를 들어, 상기 사용자 행동은 클릭(clicking), 수집(collecting), 구매(purchasing)를 포함한다. 불특정 사용자 선호도 값에 대한 예측이 이루어지는 경우, 시간 인자에 대한 고려가 생략된다. 사용자가 특정 물품을 1년 전에 구입하였고 올해 동일 물품의 구입을 중단하였다고 가정한다. 올해 제품에 대한 사용자 선호도 예측이 작년부터 이러한 사용자의 이러한 제품 기호도에 따라 수행된다면, 예측 결과는 실제 사례를 반영할 수 없다. 이와 같이, 시간의 인자를 결합하여, 특정제품의 사용자 선호도 값에 대한 효과적인 예측을 수행하는 것은 해결되어야 할 기술적인 문제에 해당한다.
본 발명의 다양한 실시예들에 따르면, 시간 인자와 결합한 방법, 장치, 서버 및 저장 매체가 제공된다.
시간 인자와 결합한 협업 필터링 방법으로, 상기 방법은, 지수 평활화 모델을 구축하는 단계; 상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계; 상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계; 상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계; 상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계; 협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및 상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함하는 방법.
시간 인자와 결합한 협업 필터링 장치는 지수 평활화 모듈을 구축하도록 구성되는 모델 구축 모듈; 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하도록 구성되는 취득 모듈; 상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하도록 구성되는 평활화 모듈; 상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하도록 구성되고, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는 행렬 생성 모듈; 및 상기 취득 모듈은 협업 필터링 모델을 취득하도록 더 구성되며, 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 제1 학습 모듈을 포함하되, 상기 제1 학습 모듈은 상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하도록 구성된다.
프로세서 및 상기 프로세서에 의해 실행될 때 상기 프로세서가 단계들을 수행하게 하는 명령을 저장하는 메모리를 포함하는 서버로서, 상기 단계들은, 지수 평활화 모델을 구축하는 단계; 상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계; 상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계; 상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계; 상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계; 협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및 상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함하는 서버.
컴퓨터 판독 가능 명령을 저장하는 적어도 하나의 비 일시적 컴퓨터 판독 가능 저장 매체로서, 상기 명령은 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서가 단계들을 수행하도록 하며, 상기 단계들은, 지수 평활화 모델을 구축하는 단계; 상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계; 상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계; 상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계; 상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계; 협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및 상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함하는 저장 매체.
본 발명의 적어도 하나의 실시예에 대한 설명은 다음의 도면 및 설명을 참조하여 설명될 것이다. 본 발명의 다른 특성, 목적 및 장점은 상세한 설명, 도면 및 청구 범위로부터 더욱 명백해질 것이다.
사용자 식별자들 사이의 사용자 선호도 유사성을 계산함으로써, 많은 사용자들로부터 유사한 사용자 선호도를 갖는 사용자들은 효과적으로 추출될 수 있고, 그에 따라 메시지들의 푸싱 및 유사한 사용자 선호도들을 갖는 사용자들에 대한 소비 경향의 예측이 용이해질 수 있다.
본 발명의 실시예 또는 기존 기술의 기술적 해결책을 더 명확하게 설명하기 위해, 다음에 실시예 또는 기존 기술을 설명하는 데 필요한 첨부 도면을 간략하게 설명한다. 명백히, 다음 설명의 첨부 도면은 단지 본 발명의 일부 실시예를 도시하는 것이며, 본 기술 분야의 통상의 기술자는 창의적 노력 없이 이들 첨부 도면으로부터 다른 도면을 여전히 안출할 수 있다.
도 1은 실시예에 따른 시간 인자와 결합한 협업 필터링 방법의 어플리케이션 시나리오를 나타내는 개략도이다.
도 2는 실시예에 따른 시간 인자와 결합한 협업 필터링 방법의 흐름도이다.
도 3은 실시예에 따른 2차원 공간 내의 기록 포인트의 개략도이다.
도 4는 실시 에 따른 서버의 블록도이다.
도 5는 실시예에 따른 시간 인자와 결합한 협업 필터링 장치의 블록도이다.
도 6은 다른 실시예에 따른 시간 인자와 결합한 협업 필터링 장치의 블록도이다
도 7은 또 다른 실시예에 따른 시간 인자와 결합한 협업 필터링 장치의 블록도이다.
도 8은 또 다른 실시예에 따른 시간 인자와 결합한 협업 필터링 장치의 블록도이다.
본 개시내용의 목적들, 기술적 해결책들, 및 장점들을 보다 명확히 하기 위해, 본 개시내용이 첨부 도면 및 실시예들을 참조하여 아래에 상세히 설명된다. 여기에 설명된 특정한 실시예들은 단지 본 개시내용을 설명하고자 하는 것이지, 본 개시내용을 제한하려는 것은 아니다.
실시예에 따른 시간 인자와 결합한 협업 필터링 방법은 도 1에 도시된 어플리케이션 시나리오에 적용될 수 있다. 단말(102)과 서버(104)는 네트워크를 통해 연결된다. 단말(102)은 복수 개일 수 있다. 단말(102)은 서버에 접속할 수 있는 어플리케이션과 함께 설치되며, 사용자가 상기 어플리케이션을 통해 서버(104)에 접속할 때, 서버(104)는 대응되는 페이지를 단말(102)에 제공한다. 사용자는 페이지 상에 전시된 제품을 클릭하는 것(click), 즐겨 찾기 하는 것(favorite) 및 구매하는 것(purchase) 등의 행동을 할 수 있다. 사용자가 단말(102)을 통해 조작할 때, 서버(104)는 사용자 식별자 및 전술한 사용자의 행동을 수집할 수 있다. 서버(104)는 특정 제품에 대하여 미리 설정된 시간 주기 내에서 사용자 행위를 수집함으로써 사용자 선호도 값을 획득할 수 있다. 서버(104)는 지수 평활화 모델을 구축한다. 서버(104)는 지수 평활화 모델에 대응하는 기간(time period)을 제안할 수 있고, 상기 기간에 복수의 시간 주기(time cycle)이 있을 수 있다. 서버(104)는 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 사용자 식별자의 사용자 선호도 값을 취득한다. 서버(104)는 복수의 시간 주기에 대응하는 사용자 선호도 값을 지수 평활화 모델에 입력하고, 복수의 시간 주기 동안 사용자 선호도 값의 반복 계산을 수행하며, 상기 시간 주기에 대응하는 평활화 결과를 획득한다. 서버(104)는 사용자 식별자 및 시간 주기에 대응하는 평활화 결과를 이용하여 희소 행렬을 생성한다. 희소 행렬은 예측될 복수의 사용자 선호도를 포함한다. 서버(104)는 협업 필터링 모델을 취득하고 시간 주기에 대응하는 평활화 결과를 협업 필터링 모델에 입력한다. 협업 필터링 모델을 통해 학습함에 따라, 예측될 복수의 사용자 선호도의 예측 값은 계산되고 획득된다.
일 실시예에서, 도 2를 참조하면, 시간 인자와 결합한 협업 필터링 방법이 제공된다. 도 2의 흐름도의 다양한 단계는 화살표를 따라 연속적으로 도시되어 있지만, 이러한 단계들이 반드시 화살표로 표시된 순서에 따라 수행되는 것은 아니다. 본 명세서에서 달리 설명되지 않는 한, 다른 순서에서 실행될 수 있는 이러한 단계의 실행에 대해 엄격한 순서 제한은 없다. 또한, 도 2의 단계들의 적어도 일부는 동시에 수행될 필요는 없지만 상이한 순간에 수행될 수 있는 몇몇 하위 단계들 또는 몇몇 스테이지를 포함할 수 있다. 그리고 이러한 하위 단계들 또는 스테이지는 연속적으로 수행될 필요는 없지만, 차례로 또는 다른 단계, 하위 단계, 스테이지 또는 이들의 적어도 일부분과 번갈아 수행될 수 있다. 특히, 방법의 어플리케이션을 예시적으로 서버에서 수행한다.
단계(S202)에서, 지수 평활화 모델이 구축된다.
단계(S204)에서, 지수 평활화 모델에 대해 제안된 기간은 취득되고, 상기 기간은 복수의 시간 주기를 포함한다.
사용자 선호도는 특정 제품에 대한 사용자의 선호 정도를 나타낸다. 사용자 선호도는 값으로 나타날 수 있다. 사용자 선호 데이터는 서버에 미리 저장된다. 사용자 선호 데이터는 사용자 식별자, 제품 식별자 및 대응하는 사용자 선호도 값을 포함한다. 사용자 선호도 값은 미리 설정된 시간 주기 내에서 특정 제품에 대해 사용자 행동을 수집하는 서버에 의해 획득될 수 있으며, 사용자 행동은 클릭(clicking), 구입(purchasing), 수집(collecting)이 포함된다. 사용자 선호도는 시간 주기에 대응한다. 상이한 특정 제품의 경우, 사용자 선호도에 대응하는 시간 주기는 동일하거나 상이할 수 있다. 예를 들어, 게임 제품의 경우, 사용자 선호도에 대응하는 시간 주기는 1일일 수 있다. 보험 상품의 경우, 사용자 선호도에 대응하는 시간 주기는 1개월 또는 1개월 이상일 수 있다.
특정 제품에 대한 사용자 선호도의 효과적인 조합을 위해, 지수 평활화 모델이 서버에 의해 구축된다. 지수 평활화 모델을 통해, 복수의 시간 주기의 사용자 선호도는 융합된다.
일 실시예에서, 지수 평활화 모델의 공식은 Pt+1=a*Pt+(1-a)*Pt-1을 포함한다. 여기서, a는 제품 식별자에 대응하는 지수 계수; Pt+1은 다음 시간 주기에 대응하는 사용자 선호도 값; Pt는 현재 시간 주기에 해당하는 사용자 선호도 값; Pt-1은 이전 시간 주기에 대응하는 사용자 선호도 값이다.
서버는 지수 평활화 모델에 대응하는 기간을 제안할 수 있으며, 상기 기간에는 복수의 시간 주기가 있을 수 있다. 기간은 특정 제품의 특성을 고려하여 제안될 수 있으며, 상이한 특정 제품은 상이한 기간으로 제안될 수 있다. 예를 들어, 금융 상품의 지수 평활화 모델에 제안된 기간은 한 달일 수 있으며, 이러한 기간에서 시간 주기는 일 단위로 측정될 수 있다. 보험 상품의 지수 평활화 모델에 제안된 기간은 일년일 수 있으며, 이러한 기간에서 시간 주기는 수개월 단위로 측정될 수 있다.
상이한 특정 제품은 상이한 지수 계수에 대응할 수 있다. 지수 계수는 사용자 선호도에 대한 시간 주기에 의한 영향의 중요성을 반영할 수 있다. 지수 계수가 클수록, 사용자 선호도에 대한 시간 주기의 영향의 중요성이 커진다. 시간주기가 가까울수록 사용자 선호도에 미치는 영향이 커진다.
단계(S206)에서, 복수의 시간 주기 동안 복수의 사용자 식별자 및 특정 제품에 대한 사용자 식별자의 사용자 선호도 값은 취득된다.
지수 평활화 모델을 위해 서버에 의해 제안된 기간은 복수의 시간 주기를 포함하며, 서버는 복수의 시간 주기 동안 복수의 사용자 식별자 및 특정 제품에 대한 사용자 식별자의 사용자 선호도 값을 취득한다. 복수의 시간 주기 동안 특정 제품에 대한 사용자 식별자의 사용자 선호도 값은 한 명의 사용자의 사용자 선호도 값 또는 복수의 사용자의 사용자 선호도 값일 수 있다.
단계(S208)에서, 지수 평활화 모델을 사용하여 사용자 선호도 값에 대한 반복 계산이 수행되고, 시간 주기에 대응하는 평활화 결과가 획득된다.
서버는 복수의 시간 주기에 대응하는 사용자 선호도 값을 지수 평활화 모델에 입력하고, 복수의 시간 주기 동안 사용자 선호도 값의 반복 계산을 수행하며, 상기 시간 주기에 대응하는 평활화 결과를 획득한다.
특히, 서버는 제품 식별자에 따라 지수 평활화 모델에 대응하는 지수 계수를 취득한다. 서버는 제안된 기간의 제1 시간 주기에 대응하는 사용자 선호도 값에 지수 계수를 곱하고, 계산된 값을 지수 평활화 모델의 초기 값으로 사용한다. 초기 값은 제1 시간 주기에 대응하는 평활화 결과로 불릴 수도 있다. 제1 시간 주기에 대응하는 평활화 결과, 제2 시간 주기에 대응하는 사용자 선호도 및 지수 평활화 모델에 입력한 지수 계수를 사용하여 반복 계산을 수행하고, 제2 시간 주기에 대응하는 평활화 결과를 취득한다. 유사한 방법으로, 서버는 복수의 시간 주기에 대응하는 평활화 결과를 취득하기 위해 계산한다.
특정 제품을 제품 1, 시간 주기를 하루, 평활화 지수 모델의 지수 계수를 0.3, 제안된 기간을 4일로 가정하면, 이제 예측될 다섯 번째 날의 사용자 선호도 값은 취득된다. 먼저, 지수 평활화 모델을 이용하여 이전 4일 동안의 사용자 선호도 값에 대한 반복 계산이 수행되며, 이에 해당하는 평활화 결과는 다음 표 1과 같다.
[표 1]
Figure pct00001
첫 번째 날의 평활화 결과는 다음과 같다: 0.3 * 8 = 2.4; 두 번째 날의 평활화 결과는 다음과 같다: 0.3 * 9 + (1-0.3) * 2.4 = 4.38; 세 번째 날의 평활화 결과는 다음과 같다: 0.3 * 5 + (1-0.3) * 4.38 = 4.566; 네 번째 날의 평활화 결과는 0.3 * 3 + (1-0.3) * 4.566 = 4.096 이다. 지수 평활화 모델을 통해, 특정 제품에 대한 사용자 선호도 값은 시간의 인자와 융합된다.
단계(S210)에서, 희소 행렬은 사용자 식별자 및 시간 주기에 대응하는 평활화 결과를 이용하여 생성된다. 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함한다.
서버는 사용자 식별자 및 시간 사이클에 해당하는 평활화 결과를 이용하여 사용자 식별자가 제품 식별자에 대응하는 희소 행렬을 생성한다. 희소 행렬은 복수의 사용자 식별자와 하나의 제품 식별자를 포함하거나 복수의 사용자 식별자와 복수의 제품 식별자를 포함할 수도 있다. 계수 행렬은 알려진 사용자(known user) 선호도 값 및 알려지지 않은 사용자(unknown user) 선호도 값을 포함한다. 알려지지 않은 사용자 선호도 값은 예측될 사용자 선호도의 예측 값이다.
희소 행렬에서, 예측될 사용자 선호도의 예측 값은 “?”와 같은 미리 설정된 문자로 나타날 수 있다. 예를 들어 희소 행렬의 행은 제품 식별자이고 열은 사용자 식별자이며 희소 행렬의 값은 제품에 대한 사용자의 사용자 선호도 값이다(표 2 참조).
[표 2]
Figure pct00002
희소 행렬의 사용자 선호도 값은 시간 주기에 대응하는 평활화 결과이므로, 희소 행렬도 시간 인자와 효과적으로 융합된다. 다음 시간 주기에서 알려지지 않은 사용자 선호도 값을 예측할 필요가 있을 때, 서버는 제품 식별자, 사용자 식별자 및 현재 시간 주기에서 사용자 선호도 값의 평활화 결과를 취득하여 사용자 식별자와 제품 식별자가 대응하는 희소 행렬을 생성한다.
단계(S212)에서, 협업 필터링 모델이 취득되고, 협업 필터링 모델에 시간 주기에 대응하는 평활화 결과가 입력된다.
단계(S214)에서, 협업 필터링 모델을 통해 학습함으로써, 희소 행렬에서 예측될 복수의 사용자 선호도의 예측 값이 계산되고 획득된다.
협업 필터링 모델은 종래의 협업 필터링 모델일 수 있다. 서버는 협업 필터링 모델을 획득하고 협업 필터링 모델에 시간 주기에 해당하는 평활화 결과를 입력한다. 협업 필터링 모델을 통해 학습함으로써, 예측될 복수의 사용자 선호도의 예측 값이 계산되고 획득된다.
특히, 다음 시간 주기에서 알려지지 않은 사용자 선호도 값이 예측 될 때, 서버는 지난 시간 주기에서 복수의 사용자 식별자의 평활화 결과를 취득하고 이를 협업 필터링 모델에 입력한다. 협업 필터링 모델을 통해 학습함으로써, 다음 시간 주기에서의 사용자 식별자 및 제품 식별자에 대응하는 희소 행렬에서 예측될 복수의 사용자 선호도의 예측 값이 계산되고 획득된다.
서버는 복수의 시간 주기에 대응하는 사용자 선호도 값을 지수 평활화 모델에 입력하고, 복수의 시간 주기 동안 사용자 선호도 값의 반복 계산을 수행하며, 시간 주기에 대응하는 복수의 평활화 결과를 획득한다. 다음 시간 주기에서 알려지지 않은 사용자 선호도 값이 예측될 때, 사용자 식별자와 시간 주기에 대응하는 평활화 결과를 사용하여 희소 행렬을 생성하고, 시간 주기에 대응하는 평활화 결과를 협력 필터링 모델에 입력하며, 협력 필터링 모델을 통해 학습을 수행하고, 희소 행렬에서 예측되는 복수의 사용자 선호도의 예측 값을 계산하여 획득한다. 협력 모델에 입력된 평활화 결과가 시간 인자와 융합됨에 따라, 특정 제품에 대한 시간 인자 관련 사용자 선호도 값이 예측 될 수 있다. 특정 제품의 사용자 선호도 값에 대한 효과적인 예측 및 시간 계수의 결합이 구현된다.
일 실시예에서, 상기 방법은 희소 행렬에서 예측될 복수의 사용자 선호도 예측 값이 계산되고 획득된 이후, 다음의 방법을 더 포함할 수 있다. 사용자 선호도 값에 대응하는 차원을 취득하는 단계; 사용자 식별자에 따라 복수의 차원에서 사용자 선호도 값의 통계치를 수집하는 단계; 통계 결과를 정규화하고 사용자 식별자에 대응하는 다차원 벡터를 획득하는 단계; 및 다차원 벡터에 따라 사용자 식별자들 간의 사용자 선호도의 유사도를 계산하는 단계.
본 실시예에서, 희소 행렬에서 예측될 복수의 사용자 선호도의 대응하는 예측 값이 서버에 의해 계산된 이후, 유사한 사용자 선호도를 갖는 복수의 사용자 식별자를 획득하기 위해 알려진 및 예측된 사용자 선호도 값의 유사도 계산이 수행될 수 있다.
서버는 제품 식별자를 사용자 선호도 값에 대응하는 차원으로 사용할 수 있다. 서로 다른 제품 식별자는 서로 다른 차원이다. 사용자 선호도 값은 공간에 흩어져있는 기록 포인트로 간주될 수 있다. 예를 들어, 도 3에 도시 된 바와 같이, 2 차원 공간 맵을 취하면, 각 기록 포인트는 경도 및 위도로 표현 될 수 있다. X 축은 위도일 수 있고, Y 축은 경도일 수 있다. 사용자 식별자 1의 사용자 선호도 값의 기록 포인트가 도 3의 검은 점으로 표시되고, 사용자 식별자2의 사용자 선호도 값의 기록 포인트가 도 3의 회색 점으로 표시된다고 가정한다. 사용자 식별자 1의 네 개의 기록 포인트와 사용자 식별자 2의 세 개의 기록 포인트가 있는 것을 알 수 있다. 각 기록 포인트의 경도 및 위도가 다르기 때문에 유사도 비교가 직접적으로 수행될 수 없다. 위도 평균과 경도 평균으로 조합된 평균 포인트를 사용하여 비교를 수행하면, 평균 포인트가 사용자 기록 포인트에서 명백히 벗어 나기에 실제 사용자 선호도 값을 나타낼 수 없습니다.
사용자 선호도 값을 효과적으로 비교하기 위해 서버는 모든 기록 포인트를 클러스터링한다. 예를 들어, 서버는 KMeans 알고리즘 (클러스터링 알고리즘)을 채택하여 클러스터링을 수행하고 복수의 클래스를 획득한다. 각 클래스에는 대응하는 차원을 가진다. 각 클래스는 복수의 사용자 식별자에 대응하는 사용자 선호도 값 기록 포인트를 포함한다.
서버는 사용자 식별자에 따라 복수 차원에서 사용자 선호도 값의 통계를 수집하고 사용자 선호도 값의 통계적 결과를 획득한다. 서버는 통계 결과를 정규화하여 사용자 식별자에 대응하는 다차원 벡터를 구하고, 다차원 벡터에 따른 사용자 식별자 간의 유사 거리를 계산하며, 계산된 유사 거리를 사용자 선호도의 유사도로 사용한다.
이하, 도 3의 사용자 식별자 1 및 사용자 식별자 2에 대응하는 기록 포인트를 예시적으로 설명한다. 서버는 도 3의 기록 포인트를 클러스터링하여 3개의 차원을 획득한다. 사용자 식별자 1은 첫 번째 차원에 2개의 기록 포인트, 두 번째 차원에 기록 포인트 1개, 세 번째 차원에 기록 포인트 1개를 가지고 있다. 사용자 식별자 2는 첫 번째 차원에 두 개의 기록 포인트, 두 번째 차원에 기록 포인트 1개, 세 번째 차원에 기록 포인트 0개를 가지고 있다. 서버는 사용자 식별자 1에 대응하는 사용자 선호도 값 기록 포인트의 개수 총 4개, 사용자 식별자 2에 대응하는 사용자 선호도 값 기록 포인트의 개수 총 3개인 통계를 수집한다. 서버는 통계 결과를 정규화하고 사용자 식별자 1에 대응하는 다차원 벡터 (2/4, 1/4, 1/4)와 사용자 식별자 2에 대응하는 다차원 벡터 (2/4, 1/4, 1/4)를 획득한다. 사용자 식별자 1과 사용자 식별자 2의 유사 거리는 다차원 벡터에 따라 계산되고, 유사 거리는 사용자 선호 유사도로 이용된다. 유사 거리에 대한 계산 방법은 다양한 방법이 적용될 수 있다. 예시적으로, 유클리드 거리 계산 방법을 사용한 유사 거리 계산이 적용될 수 있다.
사용자 식별자들 사이의 사용자 선호도 유사성을 계산함으로써, 많은 사용자들로부터 유사한 사용자 선호도를 갖는 사용자들은 효과적으로 추출될 수 있고, 그에 따라 메시지들의 푸싱 및 유사한 사용자 선호도들을 갖는 사용자들에 대한 소비 경향의 예측이 용이해질 수 있다.
일 실시예에서, 상기 방법은 다음의 단계가 더 포함될 수 있다. 사용자 식별자 및 제품 식별자에 따라 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득하는 단계; 부정적인 샘플을 분할하고, 복수의 분할된 부정적인 샘플을 획득하는 단계로서, 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 미리 설정된 범위 내에 있는, 획득하는 단계; 분류 모델을 취득하고, 긍정적인 샘플 및 분할된 부정적인 샘플을 이용하여 분류 모델을 학습하고 복수의 학습된 분류 모델을 획득하는 단계; 및 학습된 분류 모델 각각에 대응하는 분류 가중치를 계산하고 획득하는 단계.
본 실시예에서, 서버는 사용자 식별자 및 제품 식별자에 따른 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득할 수 있다. 긍정적인 샘플은 사용자가 제품을 좋아한다는 것을 나타내며, 부정적인 샘플은 사용자가 제품을 싫어한다는 것을 나타낸다. 예를 들어 긍정적인 샘플은 사용자 1이 iPhone 7 (휴대 전화의 일종)을 좋아하는 것이고, 반면 부정적인 샘플은 사용자 2가 iPhone 7을 싫어한다는 것이다. 사용자 선호도 값은 알려진 사용자 선호도 값 및 예측된 사용자 선호도 값을 포함한다. 서버는 분류 학습에 대해 알려진 사용자 선호도 값을 사용하거나, 분류 학습에 대해 알려진 사용자 선호도 값 및 예측된 사용자 선호도 값을 사용할 수 있다.
긍정적인 샘플 및 부정적인 샘플 모두 샘플로 간주될 수 있다. 상응하는 샘플 데이터는 서버에 미리 저장되고, 샘플 데이터는 사용자 특성 데이터 및 제품 특성 데이터를 포함한다. 사용자 특성 데이터는 사용자의 연령 및 성별을 포함하고, 제품 특성 데이터는 제품 식별자 및 제품 유형을 포함한다.
일반적으로 신제품이 출시되면 신제품을 선호하는 사용자 수가 신제품을 싫어하는 사용자 수보다 훨씬 적다. 이와 같이, 긍정적인 샘플의 수는 제품에 대한 사용자의 부정적인 샘플의 수보다 훨씬 적을 수 있다.
종래 분류 학습에는 주로 두 가지 방법이 있다. 첫 번째 종래의 방법은 부정적인 샘플에 대한 언더 샘플링을 수행하고 긍정적인 샘플의 수와 동일한 수의 부정적인 샘플을 획득하며, 언더 샘플링된 부정적인 샘플과 긍정적인 샘플을 사용하여 분류 학습을 수행하는 것이다. 이러한 종래의 방법은 여전히, 언더 샘플링된 부정적인 샘플은 부정적인 샘플의 데이터 중 일부에 지나지 않으며, 전체 샘플 데이터가 완전히 활용되지 않아, 분류 모델이 부정확하게 된다. 두 번째 종래의 방법은 긍정적인 샘플을 복제하여 긍정적인 샘플의 수를 기본적으로 음성 샘플의 수와 균등하게 하는 것이다. 두 번째 종래의 방법에서는 여분의 샘플 정보가 도입되지 않지만, 부정적인 샘플 수가 긍정적인 샘플의 수보다 훨씬 많기 때문에, 긍정적인 샘플의 복제 이후에, 계산될 데이터 볼륨이 많아지게 되어 서버의 계산 부하가 증가한다.
전체 샘플 데이터를 이용함으로써 야기된 샘플 데이터의 불충분한 사용 및 서버 계산 과부하 문제를 효과적으로 해결하기 위해, 본 실시예에서는 새로운 분류 학습 방식이 제공된다.
특히, 서버는 제품 식별자 및 사용자 식별자에 따라 사용자 선호도 값에 대응하는 긍정적인 샘플 및 부정적인 샘플을 수집한다. 서버는 긍정적인 샘플의 수에 따라 부정적인 샘플을 분할한다. 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 사전 설정된 범위 내에 있다. 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수는 같거나 비슷할 수 있다. 서버는 분류 모델을 획득하고, 분류 모델은 종래의 분류 모델일 수 있다. 서버는 각 분할 부정적인 샘플 및 긍정적인 샘플을 학습용으로 분류 모델에 입력하고 분할 부정적인 샘플과 동일한 수를 가지는 학습된 분류 모델을 획득한다. 서버는 회귀 모델을 획득한다.
여기서 회귀 모델은 일반적인 회귀 모델일 수 있다. 서버는 복수의 학습된 분류 모델의 결과물을 회귀 모델에 입력하고, 이에 따라 복수의 학습된 분류 모델을 조정하게 하며, 각각의 학습된 분류 모델에 대응하는 분류 가중치를 계산 및 획득한다. 전체 프로세서에서, 현재 샘플 데이터 전체가 충분히 활용될 뿐만 아니라 계산될 데이터도 과다하지 않으므로 서버의 계산 부하가 효과적으로 완화된다.
일 실시예에서, 상기 방법은 학습된 분류 모델에 대응하는 분류 가중치를 계산하고 획득하는 단계 이후에, 분류될 샘플 데이터를 획득하는 단계 및 학습된 분류 모델 및 분류 가중치를 이용하여 분류될 샘플 데이터를 분류하는 단계를 더 포함할 수 있다.
서버는 분류될 샘플 데이터를 취득하고, 분류될 샘플 데이터를 학습된 분해 모델에 각각 입력하고, 분류될 샘플 데이터를 각각의 학습된 분류 모델 및 분류 가중치를 이용하여 분류할 수 있다. 이와 같이, 분류될 샘플 데이터에 신속하고 효과적인 분류가 수행될 수 있다.
일 실시예에서, 도 4를 참조하면, 시스템 버스를 통해 연결된 프로세서, 비일시적인 저장 매체, 메모리 장치 및 네트워크 인터페이스를 포함하는 서버가 제공된다. 운영 시스템 및 컴퓨터 판독 가능 명령은 서버의 비일시적 저장 매체에 저장되며, 컴퓨터 판독 가능 명령은 시간 인자와 함께 협업 필터링 방법을 구현하도록 구성된다. 프로세서는 계산 및 제어 기능을 제공하여 전체 서버 작동을 지원하도록 구성된다. 네트워크 인터페이스는 네트워크 통신을 통해 외부 단말기와 통신하도록 구성된다. 서버는 독립적인 서버이거나 복수의 서버들로 구성된 서버 그룹을 통해 구현 될 수 있다. 당업자라면, 도 4는 본 발명의 일 실시예에 따른 단말기의 구조를 도시하기 위한 예시이며 서버가 실시예로 제한하지 않는 다는 것을 이해할 것이다. 다른 실시 예에서, 도 4에 도시된 구조와 비교하여, 특정 서버는 더 많거나 적은 구성 요소들을 포함할 수도 있고, 도 4에 도시되지 않은 다른 구성 요소들로 구성되거나, 또는 상이한 구성을 포함할 수도 있다.
일 실시예에서, 도 5를 참조하면, 시간 인자와 결합한 협업 필터링 장치가 제공된다. 상기 장치는 모델 구축 모듈(502), 취득 모듈(504), 평활화 모듈(506), 행렬 생성 모듈(508) 및 제1 학습 모듈(510)을 포함한다.
모델 구축 모듈(502)은 지수 평활화 모듈을 구축하도록 구성된다.
취득 모듈(504)은 지수 평활화 모델에 대해 제안된 기간을 취득하도록 구성된다. 기간은 복수의 시간 주기를 포함한다. 취득 모듈(504)은 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 사용자 식별자의 사용자 선호도 값을 취득한다.
평활화 모듈(506)은 지수 평활화 모델을 사용하여 사용자 선호도 값의 반복 계산을 수행하며, 상기 시간 주기에 대응하는 평활화 결과를 획득하도록 구성된다.
행렬 생성 모듈(508)은 사용자 식별자 및 시간 주기에 대응하는 평활화 결과를 이용하여 희소 행렬을 생성하도록 구성된다. 희소 행렬은 예측될 복수의 사용자 선호도를 포함한다.
취득 모듈(504)은 협업 필터링 모델을 취득하도록 더 구성된다.
제1 학습 모듈(510)은 시간 주기에 대응하는 평활화 결과를 상기 협업 필터링 모델에 입력하도록 구성된다. 제1 학습 모듈(510)은 협업 필터링 모델을 통해 학습함에 따라, 예측될 복수의 사용자 선호도의 예측 값은 계산되고 획득되도록 구성된다.
일 실시예에서, 지수 평활화 모델의 공식은 다음과 같다.
Pt+1=a*Pt+(1-a)*Pt-1;
여기서, a는 제품 식별자에 대응하는 지수 계수; Pt+1은 다음 시간 주기에 대응하는 사용자 선호도 값; Pt는 현재 시간 주기에 해당하는 사용자 선호도 값; Pt-1은 이전 시간 주기에 대응하는 사용자 선호도 값이다.
일 실시예에서, 취득 모듈(504)은 사용자 선호도 값에 대응하는 차원을 취득하도록 더 구성된다. 도 5에 도시된 바와 같이, 장치는 통계 수집 모듈(512), 정규화 모듈(514), 유사도 계산 모듈(516)을 더 포함한다.
통계 수집 모듈(512)은 사용자 식별자에 따라 복수의 차원에서 사용자 선호도 값의 통계치를 수집하도록 구성된다.
정규화 모듈(514)은 통계 결과를 정규화하고 사용자 식별자에 대응하는 다차원 벡터를 획득하도록 구성된다.
유사도 계산 모듈(516)은 다차원 벡터에 따라 사용자 식별자들 간의 사용자 선호도의 유사도를 계산하도록 구성된다.
일 실시예에서, 취득 모듈(504)은 사용자 식별자 및 제품 식별자에 따라 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득하도록 더 구성된다. 도 6에 도시된 바와 같이, 장치는 분할 모듈(518), 제2 학습 모듈(520), 조정 모듈(522)을 더 포함한다.
분할 모듈(518)은 부정적인 샘플을 분할하고, 복수의 분할된 부정적인 샘플을 획득하도록 구성된다. 여기서 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 미리 설정된 범위 내에 있다.
취득 모듈(504)는 분류 모델을 취득하도록 더 구성된다.
제2 학습 모듈(520)은 긍정적인 샘플 및 분할된 부정적인 샘플을 이용하여 분류 모델을 학습하고 복수의 학습된 분류 모델을 획득하도록 구성된다.
조정 모듈(522)은 복수의 학습된 분류 모델을 조정하고 학습된 분류 모델 각각에 대응하는 분류 가중치를 계산하고 획득하도록 구성된다.
일 실시예에서, 취득 모듈(504)은 분류 샘플 데이터를 취득하도록 더 구성된다. 도 7에 도시된 바와 같이, 장치는 분류 가중치 및 훈련된 분류 모델을 이용하여 분류될 샘플 데이터를 분류하도록 구성된 분류 모듈(524)을 더 포함한다.
전술한 협력 필터링 장치의 다양한 모듈은 시간 인자와 함께 소프트웨어, 하드웨어 또는 이들의 조합에 의해 부분적으로 또는 전체적으로 구현될 수 있다. 전술한 모듈들은 기지국의 프로세서 내에 및 하드웨어의 형태로 내장되거나 독립 될 수 있거나, 또는 기지국의 메모리에 소프트웨어의 형태로 저장 될 수 있어, 프로세서가 전술한 다양한 모듈의 대응하는 동작을 호출 및 실행하는 것을 용이하게 한다. 프로세서는 CPU 또는 마이크로 프로세서 등일 수 있다.
일 실시예에서, 컴퓨터 판독 가능 명령을 저장하는 적어도 하나의 비 일시적 저장 매체가 제공되며, 컴퓨터 판독 가능 명령은 적어도 하나의 프로세서에 의해 실행되어 다음과 같은 단계를 수행한다
지수 평활화 모델을 구축하는 단계; 상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계; 상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계; 상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계; 상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계; 협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및 상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함하는 방법.
일 실시예에서, 상기 지수 평활화 모델의 공식은 다음과 같다.
Pt+1=a*Pt+(1-a)*Pt-1;
여기서, a는 제품 식별자에 대응하는 지수 계수; Pt+1은 다음 시간 주기에 대응하는 사용자 선호도 값; Pt는 현재 시간 주기에 해당하는 사용자 선호도 값; Pt-1은 이전 시간 주기에 대응하는 사용자 선호도 값이다.
일 실시예에서, 상기 예측될 복수의 사용자 선호도의 예측 값이 계산되고 획득된 단계 이후, 상기 명령들은 적어도 하나의 프로세서에 의해 더 실행되어 상기 사용자 선호도 값에 대응하는 차원을 취득하는 단계; 상기 사용자 식별자에 따라 복수의 차원에서 상기 사용자 선호도 값의 통계치를 수집하는 단계; 통계 결과를 정규화하고 상기 사용자 식별자에 대응하는 다차원 벡터를 획득하는 단계; 및 다차원 벡터에 따라 상기 사용자 식별자들 간의 사용자 선호도의 유사도를 계산하는 단계를 더 수행한다.
일 실시예에서, 상기 명령들은 적어도 하나의 프로세서에 의해 더 실행되어 상기 사용자 식별자 및 제품 식별자에 따라 상기 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득하는 단계; 상기 부정적인 샘플을 분할하고, 복수의 분할된 부정적인 샘플을 획득하는 단계로서, 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 미리 설정된 범위 내에 있는, 획득하는 단계; 분류 모델을 취득하고, 상기 긍정적인 샘플 및 상기 분할된 부정적인 샘플을 이용하여 상기 분류 모델을 학습하고 복수의 학습된 분류 모델을 획득하는 단계; 및 상기 복수의 학습된 분류 모델을 조정하고 학습된 분류 모델 각각에 대응하는 분류 가중치를 계산하고 획득하는 단계를 더 수행한다.
일 실시예에서, 상기 학습된 분류 모델에 대응하는 분류 가중치를 계산하고 획득하는 단계 이후에, 상기 명령들은 적어도 하나의 프로세서에 의해 더 실행되어 분류될 샘플 데이터를 획득하는 단계; 및 상기 학습된 분류 모델 및 상기 분류 가중치를 이용하여 분류될 상기 샘플 데이터를 분류하는 단계를 더 수행한다.
통상의 기술자라면 전술한 실시예 방법들을 구현하기 위한 모든 또는 일부 과정이 관련된 하드웨어를 명령하는 컴퓨터 프로그램에 의해 완료될 수 있다는 것을 이해할 것이다. 이 프로그램은 컴퓨터에 의해 판독 가능한 저장 매체에 저장될 수 있다. 이 프로그램이 실행된 때, 전술한 방법들의 실시예들에 따른 과정이 포함될 수 있다. 저장 매체는 자기 디스크, 광디스크, ROM(Read-Only Memory), 또는 RAM(Random Access Memory)과 같은 비 휘발성 저장 매체일 수 있다.
각각의 실시 예가 하나씩 설명되었지만, 각각의 실시예는 고립되지 않을 것이라는 것을 이해해야 한다. 통상의 기술자는 각 실시 형태에 포함되는 각각의 기술적 특징이 서로 충돌하지 않는 한, 각 실시 형태 사이에서 임의로 조합될 수 있음을 응용의 개시 내용을 통해 명백하게 알 수 있다.
전술한 실시예들은 본 개시의 몇몇 구현 예만을 설명하고, 그 설명은 비교적 구체적이고 상세하지만, 본 개시의 특허 범위를 제한하는 것으로 이해될 수 없다. 통상의 기술자라면 본 개시의 개념을 벗어남이 없이 변형 및 개선을 더 행할 수 있으며, 이들이 모두 본 개시의 보호 범위 내에 속한다는 것을 알아야 한다. 따라서, 본 개시의 특허 보호 범위는 첨부된 청구 범위를 따라야 한다.
102: 단말
104: 서버
502: 모델 구축 모듈
504: 취득 모듈
506: 평활화 모듈
508: 행렬 생성 모듈
510: 제1 학습 모듈
512: 통계 수집 모듈
514: 정규화 모듈
516: 유사도 계산 모듈
518: 분할 모듈
520: 제2 학습 모듈
522: 조정 모듈
524: 분류 모듈

Claims (20)

  1. 시간 인자와 결합한 협업 필터링 방법으로서, 상기 방법은,
    지수 평활화 모델을 구축하는 단계;
    상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계;
    상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계;
    상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계;
    상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계;
    협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및
    상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함하는 시간 인자와 결합한 협업 필터링 방법.
  2. 제1 항에 있어서,
    상기 지수 평활화 모델의 공식은 Pt+1=a*Pt+(1-a)*Pt-1을 포함하는 시간 인자와 결합한 협업 필터링 방법.
    (여기서, 여기서, a는 제품 식별자에 대응하는 지수 계수; Pt+1은 다음 시간 주기에 대응하는 사용자 선호도 값; Pt는 현재 시간 주기에 해당하는 사용자 선호도 값; Pt-1은 이전 시간 주기에 대응하는 사용자 선호도 값이다)
  3. 제1 항에 있어서,
    상기 예측될 복수의 사용자 선호도의 예측 값이 계산되고 획득된 단계 이후,
    상기 사용자 선호도 값에 대응하는 차원을 취득하는 단계;
    상기 사용자 식별자에 따라 복수의 차원에서 상기 사용자 선호도 값의 통계치를 수집하는 단계;
    통계 결과를 정규화하고 상기 사용자 식별자에 대응하는 다차원 벡터를 획득하는 단계; 및
    다차원 벡터에 따라 상기 사용자 식별자들 간의 사용자 선호도의 유사도를 계산하는 단계를 더 포함하는 시간 인자와 결합한 협업 필터링 방법.
  4. 제1 항에 있어서,
    상기 사용자 식별자 및 제품 식별자에 따라 상기 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득하는 단계;
    상기 부정적인 샘플을 분할하고, 복수의 분할된 부정적인 샘플을 획득하는 단계로서, 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 미리 설정된 범위 내에 있는, 획득하는 단계;
    분류 모델을 취득하고, 상기 긍정적인 샘플 및 상기 분할된 부정적인 샘플을 이용하여 상기 분류 모델을 학습하고 복수의 학습된 분류 모델을 획득하는 단계; 및
    상기 복수의 학습된 분류 모델을 조정하고 학습된 분류 모델 각각에 대응하는 분류 가중치를 계산하고 획득하는 단계를 더 포함하는 시간 인자와 결합한 협업 필터링 방법.
  5. 제4 항에 있어서,
    상기 학습된 분류 모델에 대응하는 분류 가중치를 계산하고 획득하는 단계 이후에,
    분류될 샘플 데이터를 획득하는 단계; 및
    상기 학습된 분류 모델 및 상기 분류 가중치를 이용하여 분류될 상기 샘플 데이터를 분류하는 단계를 더 포함하는 시간 인자와 결합한 협업 필터링 방법.
  6. 지수 평활화 모듈을 구축하도록 구성되는 모델 구축 모듈;
    복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하도록 구성되는 취득 모듈;
    상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하도록 구성되는 평활화 모듈;
    상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하도록 구성되는 행렬 생성 모듈로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 행렬 생성 모듈; 및
    상기 취득 모듈은 협업 필터링 모델을 취득하도록 더 구성되며, 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 제1 학습 모듈을 포함하되,
    상기 제1 학습 모듈은 상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하도록 구성되는 시간 인자와 결합한 협업 필터링 장치.
  7. 제6 항에 있어서,
    상기 지수 평활화 모델의 공식은 Pt+1=a*Pt+(1-a)*Pt-1을 포함하는 시간 인자와 결합한 협업 필터링 장치.
    (여기서, 여기서, a는 제품 식별자에 대응하는 지수 계수; Pt+1은 다음 시간 주기에 대응하는 사용자 선호도 값; Pt는 현재 시간 주기에 해당하는 사용자 선호도 값; Pt-1은 이전 시간 주기에 대응하는 사용자 선호도 값이다.)
  8. 제6 항에 있어서,
    상기 취득 모듈은 상기 사용자 선호도 값에 대응하는 차원을 취득하도록 더 구성되고,
    상기 사용자 식별자에 따라 복수의 차원에서 상기 사용자 선호도 값의 통계치를 수집하도록 구성되는 통계 수집 모듈;
    통계 결과를 정규화하고 상기 사용자 식별자에 대응하는 다차원 벡터를 획득하도록 구성되는 정규화 모듈; 및
    다차원 벡터에 따라 상기 사용자 식별자들 간의 사용자 선호도의 유사도를 계산하도록 구성되는 유사도 계산 모듈을 더 포함하는 시간 인자와 결합한 협업 필터링 장치.
  9. 제6 항에 있어서,
    상기 취득 모듈은 상기 사용자 식별자 및 제품 식별자에 따라 상기 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득하도록 더 구성되고,
    상기 부정적인 샘플을 분할하고, 복수의 분할된 부정적인 샘플을 획득하고, 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 미리 설정된 범위 내에 있도록 구성되는 분할 모듈;
    상기 취득 모듈은 협업 필터링 모델을 취득하도록 더 구성되며;
    상기 긍정적인 샘플 및 상기 분할된 부정적인 샘플을 이용하여 상기 분류 모델을 학습하고 복수의 학습된 분류 모델을 획득하도록 구성되는 제2 학습 모듈; 및
    상기 복수의 학습된 분류 모델을 조정하고 학습된 분류 모델 각각에 대응하는 분류 가중치를 계산하고 획득하도록 구성되는 조정 모듈을 더 포함하는 시간 인자와 결합한 협업 필터링 장치.
  10. 제9항에 있어서,
    상기 취득 모듈은 분류될 샘플 데이터를 획득하도록 더 구성되고,
    상기 학습된 분류 모델 및 상기 분류 가중치를 이용하여 분류될 상기 샘플 데이터를 분류하는 분류 모듈을 더 포함하는 시간 인자와 결합한 협업 필터링 장치.
  11. 프로세서 및 상기 프로세서에 의해 실행될 때 상기 프로세서가 단계들을 수행하게 하는 명령을 저장하는 메모리를 포함하는 서버로서, 상기 단계들은,
    지수 평활화 모델을 구축하는 단계;
    상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계;
    상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계;
    상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계;
    상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계;
    협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및
    상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함하는 서버.
  12. 제11 항에 있어서,
    상기 지수 평활화 모델의 공식은 Pt+1=a*Pt+(1-a)*Pt-1을 포함하는 서버.
    (여기서, 여기서, a는 제품 식별자에 대응하는 지수 계수; Pt+1은 다음 시간 주기에 대응하는 사용자 선호도 값; Pt는 현재 시간 주기에 해당하는 사용자 선호도 값; Pt-1은 이전 시간 주기에 대응하는 사용자 선호도 값이다.)
  13. 제11 항에 있어서,
    상기 희소 행렬에서 상기 예측될 복수의 사용자 선호도의 예측 값이 계산되고 획득된 단계 이후,
    상기 방법은,
    상기 사용자 선호도 값에 대응하는 차원을 취득하는 단계;
    상기 사용자 식별자에 따라 복수의 차원에서 상기 사용자 선호도 값의 통계치를 수집하는 단계;
    통계 결과를 정규화하고 상기 사용자 식별자에 대응하는 다차원 벡터를 획득하는 단계; 및
    다차원 벡터에 따라 상기 사용자 식별자들 간의 사용자 선호도의 유사도를 계산하는 단계를 더 포함하는 서버.
  14. 제11 항에 있어서,
    상기 프로세서는,
    상기 사용자 식별자 및 제품 식별자에 따라 상기 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득하는 단계;
    상기 부정적인 샘플을 분할하고, 복수의 분할된 부정적인 샘플을 획득하는 단계로서, 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 미리 설정된 범위 내에 있는, 획득하는 단계;
    분류 모델을 취득하고, 상기 긍정적인 샘플 및 상기 분할된 부정적인 샘플을 이용하여 상기 분류 모델을 학습하고 복수의 학습된 분류 모델을 획득하는 단계; 및
    상기 복수의 학습된 분류 모델을 조정하고 학습된 분류 모델 각각에 대응하는 분류 가중치를 계산하고 획득하는 단계를 제공하기 위한 명령을 더 실행하는 서버.
  15. 제14 항에 있어서,
    상기 학습된 분류 모델에 대응하는 분류 가중치를 계산하고 획득하는 단계 이후에,
    상기 프로세서는,
    분류될 샘플 데이터를 획득하는 단계; 및
    상기 학습된 분류 모델 및 상기 분류 가중치를 이용하여 분류될 상기 샘플 데이터를 분류하는 단계를 제공하기 위한 명령을 더 실행하는 서버.
  16. 컴퓨터 판독 가능 명령을 저장하는 적어도 하나의 비 일시적 컴퓨터 판독 가능 저장 매체로서, 상기 명령은 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서가 단계들을 수행하도록 하며, 상기 단계들은,
    지수 평활화 모델을 구축하는 단계;
    상기 지수 평활화 모델에 대해 제안된 기간을 취득하는 단계로서, 상기 기간은 복수의 시간 주기를 포함하는, 취득하는 단계;
    상기 복수의 사용자 식별자 및 복수의 시간 주기 동안 특정 제품에 대한 상기 사용자 식별자의 사용자 선호도 값을 취득하는 단계;
    상기 지수 평활화 모델을 활용하여 상기 사용자 선호도 값의 반복 계산을 수행하고, 상기 시간 주기에 대응하는 평활화 결과를 획득하는 단계;
    상기 사용자 식별자 및 상기 시간 주기에 대응하는 상기 평활화 결과를 이용하여 희소 행렬을 생성하는 단계로서, 상기 희소 행렬은 예측될 복수의 사용자 선호도를 포함하는, 생성하는 단계;
    협업 필터링 모델을 취득하고 상기 시간 주기에 대응하는 상기 평활화 결과를 상기 협업 필터링 모델에 입력하는 단계; 및
    상기 협업 필터링 모델을 통해 학습하고, 상기 희소 행렬에서 예측될 상기 복수의 사용자 선호도의 예측 값을 계산 및 획득하는 단계를 포함하는 저장 매체.
  17. 제16 항에 있어서,
    상기 지수 평활화 모델의 공식은 Pt+1=a*Pt+(1-a)*Pt-1을 포함하는 저장 매체.
    (여기서, 여기서, a는 제품 식별자에 대응하는 지수 계수; Pt+1은 다음 시간 주기에 대응하는 사용자 선호도 값; Pt는 현재 시간 주기에 해당하는 사용자 선호도 값; Pt-1은 이전 시간 주기에 대응하는 사용자 선호도 값이다.)
  18. 제16 항에 있어서,
    상기 희소 행렬에서 상기 예측될 복수의 사용자 선호도의 예측 값이 계산되고 획득된 단계 이후,
    상기 적어도 하나의 프로세서는,
    상기 사용자 선호도 값에 대응하는 차원을 취득하는 단계;
    상기 사용자 식별자에 따라 복수의 차원에서 상기 사용자 선호도 값의 통계치를 수집하는 단계;
    통계 결과를 정규화하고 상기 사용자 식별자에 대응하는 다차원 벡터를 획득하는 단계; 및
    다차원 벡터에 따라 상기 사용자 식별자들 간의 사용자 선호도의 유사도를 계산하는 단계를 제공하기 위한 명령을 더 실행하는 저장 매체.
  19. 제16 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 사용자 식별자 및 제품 식별자에 따라 상기 사용자 선호도 값들에 대응하는 긍정적인 샘플 및 부정적인 샘플을 취득하는 단계;
    상기 부정적인 샘플을 분할하고, 복수의 분할된 부정적인 샘플을 획득하는 단계로서, 분할된 부정적인 샘플의 수와 긍정적인 샘플의 수 사이의 차이는 미리 설정된 범위 내에 있는, 획득하는 단계;
    분류 모델을 취득하고, 상기 긍정적인 샘플 및 상기 분할된 부정적인 샘플을 이용하여 상기 분류 모델을 학습하고 복수의 학습된 분류 모델을 획득하는 단계; 및
    상기 복수의 학습된 분류 모델을 조정하고 학습된 분류 모델 각각에 대응하는 분류 가중치를 계산하고 획득하는 단계를 제공하기 위한 명령을 더 실행하는 저장 매체.
  20. 제19 항에 있어서,
    상기 학습된 분류 모델에 대응하는 분류 가중치를 계산하고 획득하는 단계 이후에,
    상기 적어도 하나의 프로세서는,
    분류될 샘플 데이터를 획득하는 단계; 및
    상기 학습된 분류 모델 및 상기 분류 가중치를 이용하여 분류될 상기 샘플 데이터를 분류하는 단계를 제공하기 위한 명령을 더 실행하는 저장 매체.
KR1020187015328A 2016-11-15 2017-04-06 시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체 KR102251302B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201611005200.1 2016-11-15
CN201611005200.1A CN106530010B (zh) 2016-11-15 2016-11-15 融合时间因素的协同过滤方法和装置
PCT/CN2017/079565 WO2018090545A1 (zh) 2016-11-15 2017-04-06 融合时间因素的协同过滤方法、装置、服务器和存储介质

Publications (2)

Publication Number Publication Date
KR20190084866A true KR20190084866A (ko) 2019-07-17
KR102251302B1 KR102251302B1 (ko) 2021-05-13

Family

ID=58353220

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187015328A KR102251302B1 (ko) 2016-11-15 2017-04-06 시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체

Country Status (9)

Country Link
US (1) US10565525B2 (ko)
EP (1) EP3543941A4 (ko)
JP (1) JP6484730B2 (ko)
KR (1) KR102251302B1 (ko)
CN (1) CN106530010B (ko)
AU (2) AU2017101862A4 (ko)
SG (1) SG11201709930TA (ko)
TW (1) TWI658420B (ko)
WO (1) WO2018090545A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180091043A (ko) * 2016-04-29 2018-08-14 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 사용자 포트레이트를 획득하는 방법 및 장치

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530010B (zh) 2016-11-15 2017-12-12 平安科技（深圳）有限公司 融合时间因素的协同过滤方法和装置
CN107633254A (zh) * 2017-07-25 2018-01-26 平安科技（深圳）有限公司 建立预测模型的装置、方法及计算机可读存储介质
CN109060332A (zh) * 2018-08-13 2018-12-21 重庆工商大学 一种基于协同过滤融合进行声波信号分析的机械设备诊断法
CN109800359B (zh) * 2018-12-20 2021-08-17 北京百度网讯科技有限公司 信息推荐处理方法、装置、电子设备及可读存储介质
US10984461B2 (en) * 2018-12-26 2021-04-20 Paypal, Inc. System and method for making content-based recommendations using a user profile likelihood model
CN110580311B (zh) * 2019-06-21 2023-08-01 东华大学 动态时间感知协同过滤方法
CN110458664B (zh) * 2019-08-06 2021-02-02 上海新共赢信息科技有限公司 一种用户出行信息预测方法、装置、设备及存储介质
CN110992127B (zh) * 2019-11-14 2023-09-29 北京沃东天骏信息技术有限公司 一种物品推荐方法及装置
CN111209977B (zh) * 2020-01-16 2024-01-05 北京百度网讯科技有限公司 分类模型的训练和使用方法、装置、设备和介质
CN111178986B (zh) * 2020-02-18 2023-04-07 电子科技大学 用户-商品偏好的预测方法及系统
CN111652741B (zh) * 2020-04-30 2023-06-09 中国平安财产保险股份有限公司 用户偏好分析方法、装置及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120060119A1 (en) * 2006-03-06 2012-03-08 Veveo, Inc. Methods and Systems for Segmenting Relative User Preferences into Fine-Grain and Coarse-Grain Collections
US20140280251A1 (en) * 2013-03-15 2014-09-18 Yahoo! Inc. Almost online large scale collaborative filtering based recommendation system
KR20150097744A (ko) * 2012-12-17 2015-08-26 아마데우스 에스.에이.에스. 상호작용식 검색 폼을 위한 추천 엔진
KR20160076330A (ko) * 2014-12-22 2016-06-30 연세대학교 산학협력단 온라인 활동 이력에 기초한 사용자의 온라인 활동 예측 방법 및 시스템

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002033628A2 (en) * 2000-10-18 2002-04-25 Johnson & Johnson Consumer Companies, Inc. Intelligent performance-based product recommendation system
US8392228B2 (en) * 2010-03-24 2013-03-05 One Network Enterprises, Inc. Computer program product and method for sales forecasting and adjusting a sales forecast
JP5778626B2 (ja) * 2012-06-18 2015-09-16 日本電信電話株式会社 アイテム利用促進装置、アイテム利用促進装置の動作方法およびコンピュータプログラム
US9704102B2 (en) 2013-03-15 2017-07-11 William Marsh Rice University Sparse factor analysis for analysis of user content preferences
CN103235823A (zh) * 2013-05-06 2013-08-07 上海河广信息科技有限公司 根据相关网页和当前行为确定用户当前兴趣的方法和系统
US9684656B2 (en) 2013-07-31 2017-06-20 Google Inc. Creating personalized and continuous playlists for a content sharing platform based on user history
CN103473354A (zh) * 2013-09-25 2013-12-25 焦点科技股份有限公司 基于电子商务平台的保险推荐系统框架及保险推荐方法
CN104021163B (zh) * 2014-05-28 2017-10-24 深圳市盛讯达科技股份有限公司 产品推荐系统及方法
CN104166668B (zh) * 2014-06-09 2018-02-23 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN105205128B (zh) * 2015-09-14 2018-08-28 清华大学 基于评分特征的时序推荐方法及推荐装置
CN106960354A (zh) * 2016-01-11 2017-07-18 中国移动通信集团河北有限公司 一种基于客户生命周期的精准化推荐方法及装置
CN105975483B (zh) * 2016-04-25 2020-02-14 北京三快在线科技有限公司 一种基于用户偏好的消息推送方法和平台
CN106530010B (zh) 2016-11-15 2017-12-12 平安科技（深圳）有限公司 融合时间因素的协同过滤方法和装置
CN107194754A (zh) * 2017-04-11 2017-09-22 美林数据技术股份有限公司 基于混合协同过滤的券商产品推荐方法
CN107169052B (zh) * 2017-04-26 2019-03-05 北京小度信息科技有限公司 推荐方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120060119A1 (en) * 2006-03-06 2012-03-08 Veveo, Inc. Methods and Systems for Segmenting Relative User Preferences into Fine-Grain and Coarse-Grain Collections
KR20150097744A (ko) * 2012-12-17 2015-08-26 아마데우스 에스.에이.에스. 상호작용식 검색 폼을 위한 추천 엔진
US20140280251A1 (en) * 2013-03-15 2014-09-18 Yahoo! Inc. Almost online large scale collaborative filtering based recommendation system
KR20160076330A (ko) * 2014-12-22 2016-06-30 연세대학교 산학협력단 온라인 활동 이력에 기초한 사용자의 온라인 활동 예측 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180091043A (ko) * 2016-04-29 2018-08-14 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 사용자 포트레이트를 획득하는 방법 및 장치

Also Published As

Publication number Publication date
CN106530010A (zh) 2017-03-22
EP3543941A1 (en) 2019-09-25
AU2017101862A4 (en) 2019-10-31
AU2017268629A1 (en) 2018-05-31
CN106530010B (zh) 2017-12-12
TWI658420B (zh) 2019-05-01
SG11201709930TA (en) 2018-06-28
KR102251302B1 (ko) 2021-05-13
WO2018090545A1 (zh) 2018-05-24
US20180300648A1 (en) 2018-10-18
JP2019507398A (ja) 2019-03-14
TW201820231A (zh) 2018-06-01
EP3543941A4 (en) 2020-07-29
JP6484730B2 (ja) 2019-03-13
US10565525B2 (en) 2020-02-18

Similar Documents

Publication Publication Date Title
KR102251302B1 (ko) 시간 인자와 결합한 협업 필터링 방법, 장치, 서버 및 저장 매체
CN110503531B (zh) 时序感知的动态社交场景推荐方法
CN111080398B (zh) 商品推荐方法、装置、计算机设备和存储介质
CN111178949B (zh) 服务资源匹配参考数据确定方法、装置、设备和存储介质
CN110555749B (zh) 基于神经网络的信用行为预测方法以及装置
CN110543935A (zh) 处理交互序列数据的方法及装置
CA3119351C (en) Extending finite rank deep kernel learning to forecasting over long time horizons
CN112070559A (zh) 状态获取方法和装置、电子设备和存储介质
Inoue et al. Estimating customer impatience in a service system with unobserved balking
CN115730125A (zh) 对象识别方法、装置、计算机设备和存储介质
Chopin Inference and model choice for sequentially ordered hidden Markov models
CN111931035B (zh) 业务推荐方法、装置及设备
US11704598B2 (en) Machine-learning techniques for evaluating suitability of candidate datasets for target applications
CN116739649A (zh) 一种用户响应潜力评估方法和装置
CN111428741B (zh) 网络社区的发现方法、装置、电子设备及可读存储介质
CN113469819A (zh) 基金产品的推荐方法、相关装置及计算机存储介质
CN112307319A (zh) 一种页面生成方法及装置
CN117421459B (zh) 应用于数字城市的数据挖掘方法及系统
CN117829951A (zh) 三维模型推荐方法、装置、计算机设备和存储介质
CN116127183A (zh) 业务推荐方法、装置、计算机设备和存储介质
Tolmachev et al. Fake pages determination in the social network" vkontakte" with the artificial neural networks
CN117094828A (zh) 金融产品推荐方法、装置、计算机设备和存储介质
JP2022036713A (ja) 情報処理装置、情報処理方法、及びプログラム
CN117376410A (zh) 业务推送方法、装置、计算机设备和存储介质
CN115017341A (zh) 用户标签处理方法、装置及电子设备

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant