KR20190119743A - 컨텐츠 정보 제공 장치 및 그 방법 - Google Patents

컨텐츠 정보 제공 장치 및 그 방법 Download PDF

Info

Publication number
KR20190119743A
KR20190119743A KR1020180043085A KR20180043085A KR20190119743A KR 20190119743 A KR20190119743 A KR 20190119743A KR 1020180043085 A KR1020180043085 A KR 1020180043085A KR 20180043085 A KR20180043085 A KR 20180043085A KR 20190119743 A KR20190119743 A KR 20190119743A
Authority
KR
South Korea
Prior art keywords
content
information
management information
contents
occurrence matrix
Prior art date
Application number
KR1020180043085A
Other languages
English (en)
Inventor
권오범
김지훈
Original Assignee
(주)스마일게이트스토브
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 (주)스마일게이트스토브 filed Critical (주)스마일게이트스토브
Priority to KR1020180043085A priority Critical patent/KR20190119743A/ko
Priority to PCT/KR2019/003498 priority patent/WO2019198950A1/ko
Publication of KR20190119743A publication Critical patent/KR20190119743A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 실시예에 따른 컨텐츠 정보 제공 장치는 시청된 컨텐츠들의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 이용하여 상기 시청된 컨텐츠들의 관리 정보를 생성하고, 상기 관리 정보를 기반으로 상기 시청된 컨텐츠들의 유사 컨텐츠 정보를 제공하는 제 1 프로세서; 및 시청된 컨텐츠의 관리 정보가 존재하지 않는 경우, 유사 특성 정보를 기반으로 상기 시청된 컨텐츠의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 업데이트하는 제 2 프로세서를 포함할 수 있다.

Description

컨텐츠 정보 제공 장치 및 그 방법{APPARATUS FOR PROVIDING CONTENTS INFORMATION AND METHOD THEREOF}
본 발명은 컨텐츠 정보 제공 장치 및 그 방법에 관한 것으로, 보다 상세하게는 인터넷을 통해 제공되는 컨텐츠 시청 시 유사 컨텐츠의 컨텐츠 정보를 제공하는 기술에 관한 것이다.
인터넷의 발달과 함께 기업뿐만 아니라 개인들도 컨텐츠들을 편리하게 생성하여 제공할 수 있는 환경이 조성됨에 따라, 다양한 종류와 많은 양의 컨텐츠들이 인터넷 서비스를 통해 사용자들에게 제공되고 있다.
이러한 방대한 양의 컨텐츠들 중 사용자가 원하는 컨텐츠를 선택하여 제공받기 위한 검색 기술이 발달하고 있으며, 이러한 검색 기술뿐만 아니라, 사용자가 검색을 원하는 컨텐츠와 관련된 유사 컨텐츠의 컨텐츠 정보를 사용자에게 제공함으로써 유사 컨텐츠의 시청을 유도하는 서비스도 제공되고 있다.
기존에는 컨텐츠들의 유사 특성 정보를 기반으로 유사 컨텐츠 정보를 추출하여 제공하거나, 동시에 시청되는 컨텐츠들을 유사도가 높은 것으로 판단하여 동시 시청 빈도수가 높은 컨텐츠를 유사 컨텐츠 정보로서 제공하였다. 그러나 동시 시청 빈도수를 기반으로 유사 컨텐츠를 제공하는 경우 신규 등록된 컨텐츠의 동시 시청 빈도수에 대한 정보가 없어 신규 등록된 컨텐츠에 대한 유사 컨텐츠 정보를 제공하기 어려운 문제점이 있다.
본 발명의 실시예들은 사용자에게 추천 컨텐츠로서 유사 컨텐츠 정보를 제공할 수 있는 컨텐츠 정보 제공 장치 및 그 방법을 제공하고자 한다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 실시예에 따른 컨텐츠 정보 제공 장치는 시청된 컨텐츠들의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 이용하여 상기 시청된 컨텐츠들의 관리 정보를 생성하고, 상기 관리 정보를 기반으로 상기 시청된 컨텐츠들의 유사 컨텐츠 정보를 제공하는 제 1 프로세서; 및 시청된 컨텐츠의 관리 정보가 존재하지 않는 경우, 유사 특성 정보를 기반으로 상기 시청된 컨텐츠의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 업데이트하는 제 2 프로세서를 포함할 수 있다.
일 실시예에서, 상기 제 1 프로세서는, 상기 동시 발생 매트릭스를 기반으로 상기 시청된 컨텐츠들 간의 상관도를 산출하여, 상기 상관도를 기반으로 상기 시청된 컨텐츠들을 벡터 공간 상에 분류하여 관리 정보를 생성하는 것을 포함할 수 있다.
일 실시예에서, 상기 관리 정보는, 벡터 공간 상에서의 상기 시청된 컨텐츠들의 위치 정보를 포함하는 것을 포함할 수 있다.
일 실시예에서, 상기 동시 발생 매트릭스는, 데이터 쌍을 이루는 두 개의 컨텐츠의 동시 시청 빈도수를 포함하는 것을 포함할 수 있다.
일 실시예에서, 상기 제 2 프로세서는, 유사 특성 정보를 기반으로 학습된 알고리즘을 이용하여 상기 관리 정보가 존재하지 않는 컨텐츠의 유사 특성 정보를 이용하여 상기 시청된 컨텐츠들과 상기 관리 정보가 존재하지 않는 컨텐츠 간의 유사도 확률값을 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 제 2 프로세서는, 상기 유사도 확률값이 가장 높은 컨텐츠의 동시 발생 빈도수를 기반으로 하이퍼 파라미터를 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 제 2 프로세서는, 상기 유사도 확률값이 가장 높은 컨텐츠의 전체 동시 발생 빈도수의 총 합 또는 동시 발생 빈도수 중 가장 큰 수를 상기 하이퍼 파라미터로서 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 제 2 프로세서는, 상기 동시 발생 매트릭스의 행과 열에 상기 관리 정보가 존재하지 않는 컨텐츠를 항목으로 추가하고, 상기 시청된 컨텐츠들의 유사도 확률값과 상기 하이퍼 파라미터를 각각 연산하여 상기 관리 정보가 존재하지 않는 컨텐츠의 동시 발생 빈도수로서 산출하여 상기 동시 발생 매트릭스를 업데이트하는 것을 포함할 수 있다.
일 실시예에서, 상기 제 2 프로세서는, 상기 업데이트된 동시 발생 매트릭스를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠를 포함한 전체 컨텐츠들간의 상관도를 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 제 2 프로세서는, 상기 관리 정보가 존재하지 않는 컨텐츠를 포함하지 않는 동시 발생 매트릭스를 기반으로 전체 컨텐츠들간의 상관도를 산출하고, 상기 유사도 확률값을 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠와 상기 동시 발생 매트릭스에 포함된 시청된 컨텐츠들 간의 상관도를 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 제 1 프로세서는, 상기 제 2 프로세서에 의해 산출된 상관도를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠의 관리 정보를 생성하고, 상기 유사 컨텐츠 정보를 제공하는 것을 포함할 수 있다.
본 발명의 실시예에 따른 컨텐츠 정보 제공 방법은 시청된 컨텐츠들의 동시 시청 빈도수를 기반의 동시 발생 매트릭스를 이용하여 상기 시청된 컨텐츠들의 관리 정보를 생성하고, 상기 관리 정보를 기반으로 상기 시청된 컨텐츠들의 유사 컨텐츠 정보를 제공하는 단계; 및 시청된 컨텐츠의 관리 정보가 존재하지 않는 경우, 유사 특성 정보를 기반으로 상기 시청된 컨텐츠의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 업데이트하는 단계;를 포함할 수 있다.
일 실시예에서, 상기 업데이트 된 동시 발생 매트릭스를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠의 유사 컨텐츠 정보를 제공하는 단계;를 더 포함할 수 있다.
일 실시예에서, 상기 유사 컨텐츠 정보를 제공하는 단계는 상기 동시 발생 매트릭스를 기반으로 상기 시청된 컨텐츠들 간의 상관도를 산출하여, 상기 상관도를 기반으로 상기 시청된 컨텐츠들을 벡터 공간 상에 분류하여 관리 정보를 생성하는 것을 포함할 수 있다.
일 실시예에서, 상기 동시 발생 매트릭스를 업데이트하는 단계는, 유사 특성 정보를 기반으로 학습된 알고리즘을 이용하여 상기 관리 정보가 존재하지 않는 컨텐츠의 유사 특성 정보를 이용하여 상기 시청된 컨텐츠들과 상기 관리정보가 존재하지 않는 컨텐츠 간의 유사도 확률값을 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 동시 발생 매트릭스를 업데이트하는 단계는, 상기 유사도 확률값이 가장 높은 컨텐츠의 동시 발생 빈도수를 기반으로 하이퍼 파라미터를 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 동시 발생 매트릭스를 업데이트하는 단계는, 상기 유사도 확률값이 가장 높은 컨텐츠의 전체 동시 발생 빈도수의 총 합 또는 동시 발생 빈도수 중 가장 큰 수를 상기 하이퍼 파라미터로서 산출하고 상기 유사도 확률값과 상기 하이퍼 파라미터를 각각 연산하여 상기 관리 정보가 존재하지 않는 컨텐츠의 동시 발생 빈도수로서 산출하여 상기 동시 발생 매트릭스를 업데이트하는 것을 포함할 수 있다.
일 실시예에서, 상기 유사 컨텐츠 정보를 제공하는 단계는, 상기 업데이트된 동시 발생 매트릭스를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠를 포함한 전체 컨텐츠들 간의 상관도를 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 유사 컨텐츠 정보를 제공하는 단계는, 상기 관리 정보가 존재하지 않는 컨텐츠를 포함하지 않는 동시 발생 매트릭스를 기반으로 전체 컨텐츠들 간의 상관도를 산출하고, 상기 유사도 확률값을 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠와 상기 동시 발생 매트릭스에 포함된 시청된 컨텐츠들 간의 상관도를 산출하는 것을 포함할 수 있다.
일 실시예에서, 상기 유사 컨텐츠 정보를 제공하는 단계는, 상기 관리 정보가 존재하지 않는 컨텐츠와 상기 동시 발생 매트릭스에 포함된 시청된 컨텐츠들 간의 상관도를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠의 관리 정보를 생성하고, 상기 유사 컨텐츠 정보를 제공하는 것을 포함할 수 있다.
본 발명의 실시예들에 따른 컨텐츠 정보 제공 장치 및 그 방법에 따르면 사용자에게 추천 컨텐츠로서 유사 컨텐츠 정보를 제공할 수 있다.
본 발명의 실시예들에 따른 컨텐츠 정보 제공 장치 및 그 방법에 따르면 사용자에게 추천 컨텐츠로서 제공되는 유사 컨텐츠 정보의 정확도를 향상시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시예에 따른 컨텐츠 정보 제공 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 동시 발생 매트릭스 생성을 위한 동시에 시청되는 컨텐츠들의 데이터 쌍의 예시를 나타내는 도면이다.
도 3은 도 2의 데이터쌍을 이용하여 동시 발생 매트릭스를 생성하는 예시도이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 동시 발생 매트릭스 기반 컨텐츠들의 벡터 공간 상에서의 상대적 위치를 학습하는 예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 동시 발생 매트릭스 기반으로 학습된 뉴럴 네트워크를 이용하여 컨텐츠들의 유사도를 학습하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 동시 발생 매트릭스 기반으로 학습된 뉴럴 네트워크를 이용하여 신규 컨텐츠에 대한 기존 컨텐츠들의 유사도 확률값 산출 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 최대 빈도수 기반 하이퍼 파라미터를 산출하여 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트하는 예시도이다.
도 8은 본 발명의 일 실시예에 따른 총 빈도수 기반 하이퍼 파라미터를 산출하여 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트하는 예시도이다.
도 9는 본 발명의 일 실시예에 따른 상관도(PMI)를 산출하는 방법을 나타내는 예시도이다.
도 10은 본 발명의 일 실시예에 따른 상관도(PMI)를 산출하여 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트하는 예시도이다.
도 11은 본 발명의 일 실시예에 따른 컨텐츠에 대한 동시 발생 매트릭스를 생성 및 관리하는 방법을 설명하기 위한 순서도이다.
도 12는 본 발명의 일 실시예에 따른 컨텐츠 제공 방법을 설명하기 위한 순서도이다.
도 13은 본 발명의 일 실시예에 따른 신규 컨텐츠에 대해 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 하는 방법을 설명하기 위한 순서도이다.
도 14는 본 발명의 다른 일 실시예에 따른 신규 컨텐츠에 대해 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 하는 방법을 설명하기 위한 순서도이다.
도 15는 본 발명의 일 실시예에 따른 컴퓨팅 시스템을 도시한다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 도 1 내지 도 15를 참조하여, 본 발명의 실시예들을 구체적으로 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 컨텐츠 정보 제공 장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 컨텐츠 정보 제공 장치(100)는 제 1 프로세서(110) 및 제 2 프로세서(120)를 포함한다. 제 1 프로세서(110) 및 제 2 프로세서(120)는 학습된 네트워크로서 구현될 수 있다. 한편, 도 1에서는 제 1 프로세서(110) 및 제 2 프로세서(120)가 별개의 구성으로 도시되어 있으나, 이에 한정되는 것은 아니며, 제 1 프로세서(110) 및 제 2 프로세서(120)는 통합된 하나의 프로세서로서 동작할 수도 있다.
제 1 프로세서(110)의 학습된 뉴럴 네트워크(neural network)는 학습된 알고리즘(ex. 제 1 알고리즘)에 기반하여 동시 발생(Co-occurrence, 공동 발생) 매트릭스를 생성하고, 동시 발생 매트릭스를 기반으로 컨텐츠들의 관리 정보를 생성할 수 있다. 여기서, 학습된 알고리즘은 유사성이 있는 컨텐츠들을 유사한 관리 정보 값을 갖도록 생성하는 알고리즘으로 정의될 수 있다. 예를 들어, 서로 유사성이 있는 컨텐츠들은 벡터 공간 상에 인접하여 위치되는 관리 정보를 가질 수 있고, 컨텐츠의 내용, 주제, 소재, 외형, 카테고리, 요약 등에 있어 서로 동일하거나 유사한 컨텐츠를 의미할 수 있다.
제 2 프로세서(120)의 학습된 뉴럴 네트워크는 학습된 알고리즘(ex. 제 2 알고리즘)에 기반하여 컨텐츠의 유사 특성 정보를 기반으로 컨텐츠들간의 유사도 확률값을 산출하여 동시 발생 매트릭스를 업데이트한다. 여기서 '유사도 확률값'은 컨텐츠들 간의 유사함의 정도를 의미하며, 유사도 확률값의 계산은 통상의 유사도 관련 알고리즘에 의해 구현될 수 있고, 제 2 프로세서(120)의 학습 네트워크는 이러한 알고리즘에 의해 학습될 수 있다. 또한, '유사 특성 정보'는 컨텐츠의 내용, 주제, 소재, 외형, 카테고리, 요약 등에 있어 서로 동일하거나 유사한 특성 정보를 포함할 수 있다. 예를 들어, 컨텐츠가 영화인 경우, 주연배우, 출시 연도, 영화 제목, 제작비용 등을 포함할 수 있다.
제 1 프로세서(110)는 시청된 컨텐츠들의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 이용하여 시청된 컨텐츠들의 관리 정보를 생성하고, 관리 정보를 기반으로 시청된 컨텐츠들의 유사 컨텐츠 정보를 제공할 수 있다. 이때, 제 1 프로세서(110)는 미리 정한 주기마다 컨텐츠들의 관리 정보를 생성하거나, 신규 컨텐츠가 등록된 후 일정 시간마다 관리 정보를 생성할 수 있다.
제 1 프로세서(110)는 동시에 시청되는 컨텐츠들의 동시 시청 빈도수를 이용하여 동시 발생 매트릭스를 생성하고, 동시 발생 매트릭스의 값을 이용하여 컨텐츠들을 상관도(PMI; Pointwise Mutual Information)를 산출하고 컨텐츠들의 상관도를 기반으로 컨텐츠들을 N차원의 벡터 공간 상에서 상대적 위치를 가지도록 분류할 수 있다. 동시 발생 매트릭스의 생성 방법에 대해 추후 도 2 및 도 3을 통해 더욱 구체적으로 설명하기로 한다.
여기서 동시 발생 매트릭스의 행과 열은 컨텐츠들의 식별정보(ex. 컨텐츠 명칭) 및 데이터 쌍을 이루는 두 개의 컨텐츠가 동시에 시청되는 빈도수를 값으로 포함할 수 있다. 이때, 동시에 시청되는 조건은 컨텐츠 1이 시청되는 동안 컨텐츠 2의 시청이 시작되는 경우를 포함할 수 있다. 또한, 컨텐츠 1이 시청완료 된 후 일정 시간 내에 컨텐츠 2가 시청되는 경우 동시 시청으로 간주할 수도 있다.
제 1 프로세서(110)는 동시 발생 매트릭스의 값을 이용하여 컨텐츠들 간의 상관도를 산출하고, 상관도를 기반으로 N 차원 벡터 공간 상에 컨텐츠들을 분류한다. 이때, 각 컨텐츠들은 N차원의 벡터 공간 상에서 동시 발생 빈도수가 높거나 상관도가 높을수록 서로 인접한 위치에 배치될 수 있고, 제 1 프로세서(110)는 인접한 위치에 있는 컨텐츠들의 유사도가 높은 것으로 판단할 수 있다. 즉 제 1 프로세서(110)는 인접한 위치에 있는 컨텐츠들을 유사 컨텐츠로 분류하고, 각 컨텐츠들마다 벡터 공간 상에서의 상대적 위치 정보인 관리 정보(벡터 정보)를 생성할 수 있다.
제 2 프로세서(120)는 시청된 컨텐츠의 관리 정보가 존재하지 않는 경우, 컨텐츠의 유사 특성 정보를 기반으로 관리 정보가 존재하지 않는 시청된 컨텐츠의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 업데이트할 수 있다.
제 2 프로세서(120)는 유사 특성 정보를 기반으로 학습된 알고리즘을 이용하여 관리 정보가 존재하지 않는 컨텐츠(신규 컨텐츠)의 유사 특성 정보를 이용하여 시청된 컨텐츠들과 신규 컨텐츠 간의 유사도 확률값을 산출할 수 있다. 예를 들어, 신규 컨텐츠는 신규 등록되어 동시 발생 매트릭스에 포함되어 있지 않아 관리 정보가 생성되지 않은 컨텐츠를 포함할 수 있다. 즉 신규 컨텐츠의 특성 정보가 제 2 프로세서(120)에 입력되면, 제 2 프로세서(120)는 학습이 완료된 뉴럴 네트워크를 기반으로 신규 컨텐츠와 기존 컨텐츠(이미 시청되어 관리 정보가 존재하는 컨텐츠 또는 동시 발생 매트릭스에 포함되어 있는 컨텐츠)간의 유사도 확률값을 산출한다.
제 2 프로세서(120)는 유사도 확률값이 가장 높은 컨텐츠의 동시 발생 빈도수를 기반으로 하이퍼 파라미터(hyper-parameter)를 산출하여 동시 발생 매트릭스를 업데이트할 수 있다. 제 2 프로세서(120)는 유사도 확률값이 가장 높은 컨텐츠의 전체 동시 발생 빈도수의 총 합을 하이퍼 파라미터로서 산출할 수 있다. 또한, 제 2 프로세서(120)는 유사도 확률값이 가장 높은 컨텐츠의 동시 발생 빈도수 중 가장 큰 수를 하이퍼 파라미터로서 산출할 수 있다.
제 2 프로세서(120)는 동시 발생 매트릭스의 행과 열에 신규 컨텐츠를 항목으로 추가하고, 시청된 컨텐츠들의 유사도 확률값과 하이퍼 파라미터를 각각 연산하여 신규 컨텐츠의 동시 발생 빈도수로서 산출하여 동시 발생 매트릭스를 업데이트할 수 있다. 여기서, '연산'은 곱셈 연산을 포함할 수 있다.
제 2 프로세서(120)는 하이퍼 파라미터와 유사도 확률값을 기반으로 업데이트된 동시 발생 매트릭스를 기반으로 전체 컨텐츠간의 상관도를 산출할 수 있다. 이때, 신규 컨텐츠와 기존 컨텐츠간의 상관도도 산출될 수 있다.
다른 실시예로서, 제 2 프로세서(120)는 하이퍼 파라미터를 산출하지 않고, 신규 컨텐츠와 기존 컨텐츠들 간의 유사도 확률값과 신규 컨텐츠가 포함되지 않은 동시 발생 매트릭스를 이용하여 전체 컨텐츠들 간의 상관도를 산출할 수 있다.
제 2 프로세서(120)가 신규 컨텐츠와 기존 컨텐츠들간의 상관도를 산출하면, 제 1 프로세서(110)는 제 2 프로세서(120)에 의해 산출된 신규 컨텐츠와 기존 컨텐츠들간의 상관도를 기반으로 신규 컨텐츠에 대한 관리 정보를 생성하고, 학습된 알고리즘에 의해 유사 컨텐츠 정보를 생성하여 제공할 수 있다.
이와 같은 구성을 가지는 본 발명의 컨텐츠 정보 제공 장치(100)는 동시 시청 빈도수를 기반으로 유사 컨텐츠 정보를 제공하되, 동시 시청 빈도수 정보를 가지고 있지 않은 즉 동시 발생 매트릭스가 생성되지 않은 신규 컨텐츠의 경우 기존 컨텐츠들의 유사 특성 정보를 기반으로 학습되어 있는 뉴럴 네트워크 기반으로 기존 컨텐츠들 각각의 신규 컨텐츠에 대한 유사도 확률값을 산출하여 유사도 확률값을 기반으로 신규 컨텐츠의 동시 시청 빈도수를 임의로 산출함으로써 임의로 산출된 신규 컨텐츠의 동시 시청 빈도수를 기반으로 유사 컨텐츠 정보를 제공할 수 있다.
이하, 도 2 및 도 3을 참조하여 동시 발생 매트릭스를 생성하는 방법을 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 동시 발생 매트릭스 생성을 위한 동시에 시청되는 컨텐츠들의 데이터 쌍의 예시를 나타내는 도면이다. 도 3은 도 2의 데이터 쌍을 이용하여 동시 발생 매트릭스를 생성하는 예시도이다.
도 2 및 도 3에서는 설명의 편의상 컨텐츠들을 ?된?로 예를 들어 설명하나, 컨텐츠는 쇼핑, 광고 등을 목적으로 하는 다양한 멀티미디어 데이터를 포함할 수 있다. 도 2 및 도 3의 동시 발생 매트릭스를 생성하는 과정은 제 1 프로세서(110)에 의해 구현될 수 있다.
도 2를 참조하면, 영화1 내지 영화9가 시청되는데, 영화1이 시청되는 동안 영화2 및 영화3이 각각 순차적으로 시청된 경우, 컨텐츠 정보 제공 장치(100)는 영화1과 영화2, 영화 1과 영화3을 각각 데이터 쌍으로 생성한다.
또한, 영화 2가 시청되는 동안 영화1, 영화3, 영화4가 순차적으로 동시 시청되는 경우, 컨텐츠 정보 제공 장치(100)는 4개의 데이터 쌍(영화2와 영화1, 영화2와 영화3, 영화2와 영화4)이 생성된다.
도 3을 참조하면, 컨텐츠 정보 제공 장치(100)는 도 2에서 생성된 데이터쌍을 기반으로 동시 발생 매트릭스를 생성한다. 즉 영화1과 영화2는 2번 동시 시청되어, 빈도수가 2로 기록되고, 영화2와 영화3도 2번 동시에 시청되어 빈도수가 2로 기록된다. 이처럼 컨텐츠 정보 제공 장치(100)는 동시 시청된 횟수를 기반으로 동시 발생 매트릭스의 값을 생성한다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 동시 발생 매트릭스 기반 컨텐츠들의 벡터 공간 상에서의 상대적 위치(관리 정보)를 학습시키는 예를 설명하기 위한 도면이다.
도 4a를 참조하면, 제 1 프로세서(110)는 원 핫 벡터로서 구현되며, 원 핫 벡터는 전체 배열에서 하나의 값만 ‘1’ 로 존재하고 나머지는 ‘0’으로 되어 있는 벡터를 의미한다.
제 1 프로세서(110)는 데이터 쌍인 두 개의 단어(영화1, 영화2)가 입력 및 출력될 때, ‘영화1’이 입력 레이어에 입력되고 ‘영화2’가 출력 레이어로부터 출력되도록 가중치(W: 임배딩 차원의 개수(N)만큼 존재) 값을 학습 시킨다. 이러한 학습이 끝나게 되면 가중치 값들에 해당 단어들(영화1, 영화2)의 벡터 공간내의 상대적 위치가 학습되게 된다.
도 4a에서는 영화 1에 대한 유사 컨텐츠로서 영화 2의 값이 ‘1’로 설정되었으나 ‘1’값은 도 4b와 같이 상관도(PMI(영화1’; ‘영화2’)) 로 대체될 수 도 있다. 즉 영화 1과 상관도가 높은 컨텐츠인 영화 2에 대한 가중치값들에 대해 학습시킬 수 있다. 상관도의 산출은 이하 도 9를 참조하여 더욱 구체적으로 설명하기로 한다.
도 5는 본 발명의 일 실시예에 따른 동시 발생 매트릭스 기반으로 학습된 뉴럴 네트워크를 이용하여 컨텐츠들의 유사도를 학습시키는 방법을 설명하기 위한 도면이고, 도 6은 본 발명의 일 실시예에 따른 동시 발생 매트릭스 기반으로 학습된 뉴럴 네트워크를 이용하여 신규 컨텐츠에 대한 기존 컨텐츠들의 유사도 확률값 산출 방법을 설명하기 위한 도면이다.
도 5 및 도 6은 제 2 프로세서(120)에 의한 유사 특성 정보 기반 학습된 네트워크를 통해 유사도 또는 유사도 확률값을 산출하는 예를 개시한다. 도 5 및 도 6에서와 같이, 뉴럴 네트워크는 복수개의 유닛들로 구성된 N개의 레이어로 구성되며, 레이어를 통해 연산된 산출값(Y)은 소프트 맥스(softmax) 함수를 거쳐 유사도 또는 유사도 확률값을 산출할 수 있다.
도 5를 참조하면, 제 2 프로세서(120)는 컨텐츠의 유사 특성 정보가 뉴럴 네트워크에 입력되면, 산출값(Y)을 출력하고 소프트맥스(softmax) 함수를 수행하여 유사도를 출력한다.
도 5를 참조하면, 컨텐츠들(영화 1 내지 영화 8)의 관리 정보를 기반으로 학습된 뉴럴 네트워크에 영화 2의 유사 특성 정보가 입력되면 관리 정보 기반으로 영화 2와 인접한 위치에 있는 영화 3이 ‘1’값으로 출력되도록 가중치(w)와 변수(b)를 최적화 한다. 이때, 유사 특성 정보는 영화 2의 감독, 주연배우, 출시 연도, 영화 제목, 제작비용 등을 포함할 수 있고 영화 2와 영화 3의 유사 특성 정보가 일치할 수 있다.
도 6을 참조하면 이렇게 최적화된 가중치(w)와 변수(b)를 가지도록 학습된 뉴럴 네트워크에 관리 정보가 존재하지 않는 신규 컨텐츠인 영화 9의 유사 특성 정보가 입력되면, 제 2 프로세서(120)는 최적화된 가중치(w)와 변수(b)를 이용하여 유사도 확률값을 산출한다. 영화 3의 유사도 확률값이 가장 높은 것을 알 수 있다.
도 7은 본 발명의 일 실시예에 따른 최대 빈도수 기반 하이퍼 파라미터를 산출하여 관리 정보가 존재하지 않는 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트하는 예시도이다. 도 7에서는 하이퍼 파라미터를 산출하여 신규 컨텐츠인 '영화9'에 대한 동시 발생 매트릭스의 값을 생성하는 예를 도시한다.
제 2 프로세서(120)는 동시 발생 매트릭스를 구성하는 컨텐츠 중 유사도 확률값이 가장 높은 컨텐츠의 최대 빈도수를 하이퍼 파라미터로 산출하고, 하이퍼 파라미터를 각 컨텐츠의 유사도 확률값과 곱하여 신규 컨텐츠에 대한 빈도수를 산출할 수 있다.
도 7에서는 ‘영화3’의 유사도 확률값이 0.5로 가장 크므로, 영화 3의 최대 빈도수를 하이퍼 파라미터로서 산출한다. 즉, 영화3의 영화1과의 동시 시청 빈도수가 2, 영화 3과 영화 2의 동시 시청 빈도수가 2, 영화3과 영화 4의 동시 시청 빈도수가 2, 영화3과 영화 5의 동시 시청 빈도수가 1이므로, 컨텐츠 정보 제공 장치(100)는 최대 빈도수인 ‘2’를 하이퍼 파라미터로 산출한다. 이어, 제 2 프로세서(120)는 하이퍼 파라미터 ‘2’와 각 컨텐츠의 유사도 확률값을 곱하여 ‘영화9’에 대한 빈도수를 산출할 수 있다.
이때, 영화 9와 영화 1의 빈도수는 0.4, 영화9와 영화 2의 빈도수는 0.4, 영화9와 영화3의 빈도수는 1.0, 영화9와 영화4의 빈도수는 0.4, 영화9와 영화5의 빈도수는 0.2이므로, 제 2 프로세서(120)는 가장 큰 값을 가지는 영화 3에 대한 빈도수만 ‘1’로 기록하고 나머지 컨텐츠들은 ‘0’으로 기록할 수 있다. 이때, 제 2 프로세서(120)는 하이퍼 파라미터와 유사도 확률값을 곱한 값들을 관리 정보가 존재하지 않는 신규 컨텐츠와 대응되는 컨텐츠마다 기록할 수 있다. 이때, 기록되는 숫자는 소수점 이하를 버리거나 반올림하여 정수만 기록할 수도 있다.
도 8은 본 발명의 일 실시예에 따른 총 빈도수 기반 하이퍼 파라미터를 산출하여 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트하는 예시도이다. 도 8에서는 하이퍼 파라미터를 산출하여 신규 컨텐츠인 ‘영화9’에 대한 동시 발생 매트릭스의 값을 생성하는 예를 도시한다.
제 2 프로세서(120)는 동시 발생 매트릭스를 구성하는 컨텐츠 중 유사 확률값이 가장 높은 컨텐츠의 빈도수를 합산하여 합산값을 하이퍼 파라미터로 산출하고, 하이퍼 파라미터를 각 컨텐츠의 유사도 확률값과 곱하여 신규 컨텐츠에 대한 빈도수를 산출할 수 있다.
도 8에서는 ‘영화3’의 유사도 확률값이 0.5로 가장 크므로, 영화 3의 빈도수의 합을 하이퍼 파라미터로서 산출한다. 즉, 영화3의 영화1과의 동시 시청 빈도수가 2, 영화 3과 영화 2의 동시 시청 빈도수가 2, 영화3과 영화 4의 동시 시청 빈도수가 2, 영화3과 영화 5의 동시 시청 빈도수가 1이므로 제 2 프로세서(120)는 빈도수의 합인 ‘7’를 하이퍼 파라미터로 산출한다.
이어, 제 2 프로세서(120)는 하이퍼파라미터 ‘7’과 각 컨텐츠의 유사도 확률값을 곱하여 ‘영화9’에 대한 빈도수를 산출할 수 있다.
이때, 영화 9와 영화 1의 빈도수는 1.4, 영화9와 영화 2의 빈도수는 1.4, 영화9와 영화3의 빈도수는 3.5, 영화9와 영화4의 빈도수는 1.4, 영화9와 영화5의 빈도수는 0.7이므로, 제 2 프로세서(120)는 가장 큰 값을 가지는 영화 3에 대한 빈도수만 ‘1’로 기록하고 나머지 컨텐츠들은 ‘0’으로 기록할 수 있다. 이때, 제 2 프로세서(120)는 하이퍼 파라미터와 유사도 확률값을 곱한 값들을 컨텐츠별로 모두 기록하되, 소수점 이하를 버리고 정수만 기록할 수도 있다.
도 9는 본 발명의 일 실시예에 따른 컨텐츠들간의 상관도(PMI:Pointwise Mutual Information)를 산출하는 예시도이고, 도 10은 본 발명의 일 실시예에 따른 신규 컨텐츠에 대한 정보를 포함하는 동시 발생 매트릭스의 예시를 나타내는 도면이다.
제 1 프로세서(110)는 동시 발생 매트릭스의 컨텐츠들간의 상관도를 산출하여 각 컨텐츠들간의 관리 정보를 생성하고, 제 2 프로세서(120)는 하이퍼 파라미터 기반으로 업데이트된 동시 발생 매트릭스의 컨텐츠들 간의 상관도를 산출하거나, 업데이트되기 전의 기존 동시 발생 매트릭스의 컨텐츠들 간의 상관도를 산출하고, 신규 컨텐츠의 유사도 확률값을 기반으로 신규 컨텐츠와 기존 컨텐츠들 간의 상관도를 산출할 수 있으며, 상관도를 산출하는 방법은 아래 수학식들을 통해 구체적으로 설명한다.
컨텐츠 x, y의 상관도는 아래 수학식 1과 같이 정의 될 수 있다.
Figure pat00001
p(x)는 x컨텐츠가 시청될 확률, p(y)는 y 컨텐츠가 시청될 확률, p(x,y)는 x 컨텐츠, y컨텐츠가 동시에 시청될 확률이다.
수학식 1을 수학식 2와 같이 나타낼 수 있다.
Figure pat00002
xi는 유사도 확률값이 가장 큰 컨텐츠의 행의 값의 총합, xj 는 유사도 확률값이 가장 큰 컨텐츠의 열의 값의 총합, D는 동시 발생 매트릭스의 빈도수들의 총 합을 의미한다(도 9 참조).
제 1 프로세서(110) 및 제 2 프로세서(120)는 수학식 2를 통해 동시 발생 매트릭스의 기존 컨텐츠들 간의 상관도를 산출할 수 있다. 다만 신규 컨텐츠와 기존 컨텐츠들간의 상관도의 산출을 위해, 제 2 프로세서(110)는 아래 수학식 3과 같이, 유사도 확률값을 가정한다.
Figure pat00003
수학식 2에 수학식 3의 유사도 확률값을 대입하여 수식을 나타내면 아래 수학식 4와 같다.
Figure pat00004
제 2 프로세서(110)는 수학식 4와 같이 유사도 확률값을 이용하여 신규 컨텐츠의 상관도(PMI)를 산출할 수 있다.
예를 들어, 기존 컨텐츠들인 영화2와 영화3의 상관도를 산출하고자 하는 경우 수학식 2를 적용하여 산출하면 아래 수학식 5와 같다.
Figure pat00005
제 2 프로세서(120)는 각 컨텐츠간의 상관도를 기반으로 도 4b와 같이 원 핫벡터에 입력하여 학습시킨다. 즉, 제 2 프로세서(120)는 뉴럴 네트워크에 영화 2를 입력으로 하고 영화 3을 출력으로 설정한 후 영화 2가 입력되었을 때, 영화 3이 출력되도록 가중치를 최적화한다. 이어 학습이 완료되면 제 2 프로세서(120)는 가중치 값들을 이용하여 영화 2와 영화 3의 벡터 공간 상에서의 상대적 위치를 학습시킨다. 즉 가중치 값을 통해 각 영화가 시청될 확률 간의 상관도가 학습될 수 있다. 즉 수학식 5를 통해 도 10의 영화 1 내지 영화 8 간의 상관도를 산출할 수 있다.
한편, 신규 컨텐츠와 기존 컨텐츠간의 상관도를 산출하는 경우 수학식 4를 적용한다. 도 10를 참조하면 영화 1 내지 영화 8 간의 상관도는 상술한 수학식 2를 적용하고 신규 컨텐츠(영화 9)와 기존 컨텐츠(영화 1 내지 8)의 상관도의 산출은 수학식 4를 적용한다.
아래 표 1은 수학식 4에 도 9의 xj와 D값을 적용하여 영화9와 기존 컨텐츠(영화 1 내지 8)에 대한 상관도를 산출한 예시를 나타내고, 표 2는 최종 산출된 결과를 표시한 예시 테이블이다.
Figure pat00006
Figure pat00007
상기 표 2에서 영화 9는 영화 3과의 상관도가 가장 높음을 알 수 있다.
제 2 프로세서(120)는 영화 1 내지 영화 9 들 간의 상관도를 모두 산출하여 도 10과 같이 나타낼 수 있으며, 제 1 프로세서(110)는 산출된 전체 컨텐츠들간의 상관도를 기반으로 각 컨텐츠들의 관리 정보를 생성함으로써 영화9’가 시청되면 ‘영화3’을 유사 컨텐츠 정보로서 추천할 수 있다.
도 11은 본 발명의 일 실시예에 따른 컨텐츠에 대한 동시 발생 매트릭스를 생성 및 관리하는 방법을 설명하기 위한 순서도이다. 이하에서는 도 1의 컨텐츠 정보 제공 장치(100)가 도 11의 프로세스를 수행하는 것을 가정한다. 또한, 도 11의 설명에서, 장치에 의해 수행되는 것으로 기술된 동작은 제 1 프로세서(110)에 의해 제어되는 것으로 이해될 수 있다.
도 11을 참조하면, 컨텐츠 시청이 시작되면(S110), 컨텐츠 정보 제공 장치(100)는 시청중인 컨텐츠와 동시 시청되는 적어도 하나 이상의 컨텐츠가 존재하는 경우(S120), 동시 시청된 컨텐츠에 대한 동시 시청 빈도수를 동시 발생 매트릭스에 업데이트한다(S130).
컨텐츠 정보 제공 장치(100)는 업데이트 된 동시 발생 매트릭스를 기반으로 각 컨텐츠들 간의 상관도(PMI)를 계산한다(S140). 이어, 컨텐츠 정보 제공 장치(100)는 상관도를 이용하여 컨텐츠들을 벡터 공간상에 분류하여 관리 정보(벡터 정보)를 생성한다(S150). 이때 벡터 정보는 벡터 공간 상의 위치 정보로서, 유사도가 높은 컨텐츠들의 위치가 인접하게 된다. 또한, 컨텐츠 정보 제공 장치(100)는 상술한 수학식 2를 통해 각 컨텐츠들 간의 상관도의 산출을 수행할 수 있다.
컨텐츠 정보 제공 장치(100)는 생성된 관리 정보를 기반으로 시청된 컨텐츠의 유사 컨텐츠 정보를 제공한다(S160).
이하, 도 12를 참조하여 본 발명의 일 실시예에 따른 컨텐츠 제공 방법을 구체적으로 설명하기로 한다. 이하에서는 도 1의 컨텐츠 정보 제공 장치(100)가 도 12의 프로세스를 수행하는 것을 가정한다.
컨텐츠 정보 제공 장치(100)는 컨텐츠 시청 시(S210), 시청된 컨텐츠에 대한 동시 발생 매트릭스 정보가 존재하는 지를 체크한다(S220).
시청된 컨텐츠에 대한 동시 발생 매트릭스 정보가 존재하는 경우, 컨텐츠 정보 제공 장치(100)는 동시 발생 매트릭스 기반으로 시청된 컨텐츠의 유사 컨텐츠 정보를 제공한다(S230).
반면, 시청된 컨텐츠에 대한 동시 발생 매트릭스 정보가 존재하지 않는 경우, 컨텐츠 정보 제공 장치(100)는 유사 특성 정보를 기반으로 학습된 뉴럴 네트워크를 이용하여 동시 발생 매트릭스를 업데이트한다. 그 후 컨텐츠 정보 제공 장치(100)는 업데이트 된 동시 발생 매트릭스를 기반으로 유사 컨텐츠 정보를 제공한다(S240). 즉, 업데이트된 동시 발생 매트릭스를 이용하여 각 컨텐츠들의 관리 정보를 생성하고, 관리 정보를 기반으로 유사 컨텐츠 정보를 제공한다.
도 12에서는 시청된 컨텐츠의 관리 정보가 존재하지 않는 경우 컨텐츠 정보 제공 장치(100)는 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 하는 예를 개시하고 있으나, 이에 한정되지 않으며 신규 컨텐츠가 등록되면 컨텐츠 정보 제공 장치(100)는 주기적으로 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 되도록 구현될 수 있다.
이하, 도 13을 참조하여 본 발명의 일 실시예에 따른 신규 컨텐츠에 대해 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 하는 방법을 설명하기로 한다. 도 13은 본 발명의 일 실시예에 따른 신규 컨텐츠에 대해 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 하는 방법을 설명하기 위한 순서도로서, 도 12의 과정 S240의 관리 정보가 존재하지 않는 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트하는 방법을 구체적으로 나타낸다. 이하에서는 도 1의 컨텐츠 정보 제공 장치(100)가 도 13의 프로세스를 수행하는 것을 가정한다. 또한, 도 13의 설명에서, 장치에 의해 수행되는 것으로 기술된 동작 중 S310 내지 S340은 제 2 프로세서(120)에 의해 제어되며 S350의 과정은 제 1 프로세서(110)에 의해 제어되는 것으로 이해될 수 있다.
컨텐츠 정보 제공 장치(100)는 동시 발생 매트릭스의 항목인 컨텐츠들에 대한 각 유사도 확률값을 산출한다. 즉 컨텐츠 정보 제공 장치(100)는 신규 컨텐츠의 유사 특성 정보를 기반으로 미리 학습된 뉴럴 네트워크를 이용하여 유사도 확률값을 산출한다(S310). 이때, 도 6을 참조하면 컨텐츠 정보 제공 장치(100)는 이미 학습되어 있는 뉴럴 네트워크(제 2 프로세서(120))에 신규 컨텐츠인 영화 9의 유사 특성 정보를 입력함으로써 각 컨텐츠들의 유사도 확률값을 산출할 수 있다.
컨텐츠 정보 제공 장치(100)는 동시 발생 매트릭스 항목인 컨텐츠들의 동시 시청 빈도수를 기반으로 하이퍼 파라미터를 산출한다(S320). 이때, 하이퍼 파라미터는 유사도 확률값이 가장 높은 컨텐츠의 빈도수의 총합 또는 최대 빈도수로부터 산출될 수 있다. 이때, 하이퍼 파라미터는 도 7 및 도 8과 같이, 행의 합산값 또는 최대값으로서 산출될 수 있다.
컨텐츠 정보 제공 장치(100)는 유사도 확률값과 하이퍼 파라미터를 곱하여 얻은 값으로 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트한다(S330). 컨텐츠 정보 제공 장치(100)는 신규 컨텐츠인 영화 9에 대한 각 컨텐츠들(영화 1 내지 영화8)의 유사도 확률값에 하이퍼 파라미터를 각각 곱하여 얻은 값을 동시 발생 매트릭스 내의 영화 9 항목에 대한 빈도수로서 저장할 수 있다.
컨텐츠 정보 제공 장치(100)는 업데이트 된 동시 발생 매트릭스를 기반으로 전체 컨텐츠들(신규 컨텐츠, 기존 컨텐츠)의 상관도(PMI)를 산출한다(S340). 도 7 또는 도 8과 같이 하이퍼 파라미터를 통해 동시 발생 매트릭스가 업데이트 되면, 컨텐츠 정보 제공 장치(100)는 수학식 2를 통해 전체 컨텐츠들(영화 1 내지 영화 9) 간의 상관도를 산출할 수 있다.
그 후, 컨텐츠 정보 제공 장치(100)는 신규 컨텐츠와 기존 컨텐츠간의 상관도(PMI)를 제 1 프로세서(110)에 입력하여 신규 컨텐츠의 관리정보를 생성하고, 관리정보를 기반으로 유사 컨텐츠 정보를 제공한다(S350). 제 1 프로세서(110)는 도 4b와 같은 뉴럴 네트워크에 상관도를 입력하여 획득되는 가중치 값을 컨텐츠들의 관리 정보로 생성할 수 있다.
이와 같이, 도 13에서는 하이퍼 파라미터를 기반으로 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트 한 후, 전체 컨텐츠들(신규 컨텐츠 포함)간의 상관도를 산출하여 유사 컨텐츠 정보를 제공하는 예를 개시한다.
이하, 도 14를 참조하여 본 발명의 다른 일 실시예에 따른 신규 컨텐츠에 대해 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 하는 방법을 설명하기로 한다. 도 14는 본 발명의 다른 일 실시예에 따른 신규 컨텐츠에 대해 유사 특성 정보를 기반으로 동시 발생 매트릭스를 업데이트 하는 방법을 설명하기 위한 순서도로서, 도 12의 과정 S240의 관리 정보가 존재하지 않는 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트하는 방법을 구체적으로 나타내는 다른 실시예에 해당한다.
이하에서는 도 1의 컨텐츠 정보 제공 장치(100)가 도 14의 프로세스를 수행하는 것을 가정한다. 또한, 도 14의 설명에서, 장치에 의해 수행되는 것으로 기술된 동작 중 S410 내지 S420은 제 2 프로세서(120)에 의해 제어되며 S430의 과정은 제 1 프로세서(110)에 의해 제어되는 것으로 이해될 수 있다.
컨텐츠 정보 제공 장치(100)는 동시 발생 매트릭스의 항목인 컨텐츠들에 대한 각 유사도 확률값을 산출한다. 즉 컨텐츠 정보 제공 장치(100)는 신규 컨텐츠의 유사 특성 정보를 기반으로 미리 학습된 뉴럴 네트워크를 이용하여 유사도 확률값을 산출한다(S410). 이때, 도 6을 참조하면 컨텐츠 정보 제공 장치(100)는 신규 컨텐츠인 영화 9의 유사 특성 정보를 이미 학습되어 있는 뉴럴 네트워크(제 2 프로세서(120))에 입력함으로써 각 컨텐츠들의 유사도 확률값을 산출할 수 있다.
이어 컨텐츠 정보 제공 장치(100)는 유사도 확률값과 신규 컨텐츠가 포함되지 않은 동시 발생 매트릭스를 기반으로 전체 컨텐츠들 간의 상관도를 산출한다(S420). 즉 컨텐츠 정보 제공 장치(100)는 신규 컨텐츠가 포함되지 않은 동시 발생 매트릭스를 기반으로 수학식 2를 적용하여 영화 1 내지 영화 8 간의 상관도를 산출하고, 신규 컨텐츠(영화9)와 기존 컨텐츠들 간의 유사도 확률값과 신규 컨텐츠가 포함되지 않은 동시발생 매트릭스를 기반으로 수학식 4를 적용하여 신규 컨텐츠(영화9)와 기존 컨텐츠 간의 상관도를 산출할 수 있다.
이에 도 10의 영화 1 내지 영화 8에 대해서 수학식 2를 통해 상관도 PMI(영화1, 영화2) 내지 PMI(영화7, 영화8)를 산출하고 영화 9에 대해서는 수학식 4를 통해 상관도 PMI(영화9, 영화1) 내지 PMI(영화8, 영화9)를 산출한다.
그 후, 컨텐츠 정보 제공 장치(100)는 신규 컨텐츠와 기존 컨텐츠간의 상관도(PMI)를 제 1 프로세서(110)에 입력하여 신규 컨텐츠의 관리정보를 생성하고, 관리정보를 기반으로 유사 컨텐츠 정보를 제공한다(S430). 제 1 프로세서(110)는 도 4b와 같은 뉴럴 네트워크에 상관도를 입력하여 획득되는 가중치 값을 컨텐츠들의 관리 정보로 생성할 수 있다.
이와 같이 본 발명의 컨텐츠 정보 제공 장치(100)는 동시 발생 매트릭스를 생성하고, 생성된 동시 발생 매트릭스를 기반으로 각 컨텐츠들의 관리 정보를 생성하고 관리 정보를 기반으로 유사 컨텐츠 정보를 제공한다. 또한, 컨텐츠 정보 제공 장치(100)는 관리 정보가 존재하지 않는 신규 컨텐츠의 유사 특성 정보를 기반으로 학습된 뉴럴 네트워크를 이용하여 신규 컨텐츠에 대한 동시 발생 매트릭스를 업데이트한다.
도 15는 본 발명의 일 실시예에 따른 컴퓨팅 시스템을 도시한다.
도 15를 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다.
예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (20)

  1. 시청된 컨텐츠들의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 이용하여 상기 시청된 컨텐츠들의 관리 정보를 생성하고, 상기 관리 정보를 기반으로 상기 시청된 컨텐츠들의 유사 컨텐츠 정보를 제공하는 제 1 프로세서;
    시청된 컨텐츠의 관리 정보가 존재하지 않는 경우, 유사 특성 정보를 기반으로 상기 시청된 컨텐츠의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 업데이트하는 제 2 프로세서
    를 포함하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  2. 청구항 1에 있어서,
    상기 제 1 프로세서는,
    상기 동시 발생 매트릭스를 기반으로 상기 시청된 컨텐츠들 간의 상관도를 산출하여, 상기 상관도를 기반으로 상기 시청된 컨텐츠들을 벡터 공간 상에 분류하여 관리 정보를 생성하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  3. 청구항 2에 있어서,
    상기 관리 정보는,
    벡터 공간 상에서의 상기 시청된 컨텐츠들의 위치 정보를 포함하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  4. 청구항 1에 있어서,
    상기 동시 발생 매트릭스는,
    데이터 쌍을 이루는 두 개의 컨텐츠의 동시 시청 빈도수를 포함하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  5. 청구항 1에 있어서,
    상기 제 2 프로세서는,
    유사 특성 정보를 기반으로 학습된 알고리즘을 이용하여 상기 관리 정보가 존재하지 않는 컨텐츠의 유사 특성 정보를 이용하여 상기 시청된 컨텐츠들과 상기 관리 정보가 존재하지 않는 컨텐츠 간의 유사도 확률값을 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  6. 청구항 5에 있어서,
    상기 제 2 프로세서는,
    상기 유사도 확률값이 가장 높은 컨텐츠의 동시 발생 빈도수를 기반으로 하이퍼 파라미터를 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  7. 청구항 6에 있어서,
    상기 제 2 프로세서는,
    상기 유사도 확률값이 가장 높은 컨텐츠의 전체 동시 발생 빈도수의 총 합 또는 동시 발생 빈도수 중 가장 큰 수를 상기 하이퍼 파라미터로서 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  8. 청구항 6에 있어서,
    상기 제 2 프로세서는,
    상기 동시 발생 매트릭스의 행과 열에 상기 관리 정보가 존재하지 않는 컨텐츠를 항목으로 추가하고,
    상기 시청된 컨텐츠들의 유사도 확률값과 상기 하이퍼 파라미터를 각각 연산하여 상기 관리 정보가 존재하지 않는 컨텐츠의 동시 발생 빈도수로서 산출하여 상기 동시 발생 매트릭스를 업데이트하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  9. 청구항 8에 있어서,
    상기 제 2 프로세서는,
    상기 업데이트된 동시 발생 매트릭스를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠를 포함한 전체 컨텐츠들간의 상관도를 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  10. 청구항 5에 있어서,
    상기 제 2 프로세서는,
    상기 관리 정보가 존재하지 않는 컨텐츠를 포함하지 않는 동시 발생 매트릭스를 기반으로 전체 컨텐츠들간의 상관도를 산출하고,
    상기 유사도 확률값을 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠와 상기 동시 발생 매트릭스에 포함된 시청된 컨텐츠들 간의 상관도를 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  11. 청구항 9 또는 10에 있어서, 상기 제 1 프로세서는, 상기 제 2 프로세서에 의해 산출된 상관도를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠의 관리 정보를 생성하고, 상기 유사 컨텐츠 정보를 제공하는 것을 특징으로 하는 컨텐츠 정보 제공 장치.
  12. 시청된 컨텐츠들의 동시 시청 빈도수를 기반의 동시 발생 매트릭스를 이용하여 상기 시청된 컨텐츠들의 관리 정보를 생성하고, 상기 관리 정보를 기반으로 상기 시청된 컨텐츠들의 유사 컨텐츠 정보를 제공하는 단계; 및
    시청된 컨텐츠의 관리 정보가 존재하지 않는 경우, 유사 특성 정보를 기반으로 상기 시청된 컨텐츠의 동시 시청 빈도수 기반의 동시 발생 매트릭스를 업데이트하는 단계;
    를 포함하는 컨텐츠 정보 제공 방법.
  13. 청구항 12에 있어서,
    상기 업데이트 된 동시 발생 매트릭스를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠의 유사 컨텐츠 정보를 제공하는 단계;
    를 더 포함하는 것을 컨텐츠 정보 제공 방법.
  14. 청구항 12에 있어서,
    상기 유사 컨텐츠 정보를 제공하는 단계는
    상기 동시 발생 매트릭스를 기반으로 상기 시청된 컨텐츠들 간의 상관도를 산출하여, 상기 상관도를 기반으로 상기 시청된 컨텐츠들을 벡터 공간 상에 분류하여 관리 정보를 생성하는 것을 특징으로 하는 컨텐츠 정보 제공 방법.
  15. 청구항 13에 있어서,
    상기 동시 발생 매트릭스를 업데이트하는 단계는,
    유사 특성 정보를 기반으로 학습된 알고리즘을 이용하여 상기 관리 정보가 존재하지 않는 컨텐츠의 유사 특성 정보를 이용하여 상기 시청된 컨텐츠들과 상기 관리 정보가 존재하지 않는 컨텐츠 간의 유사도 확률값을 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 방법.
  16. 청구항 15에 있어서,
    상기 동시 발생 매트릭스를 업데이트하는 단계는,
    상기 유사도 확률값이 가장 높은 컨텐츠의 동시 발생 빈도수를 기반으로 하이퍼 파라미터를 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 방법.
  17. 청구항 16에 있어서,
    상기 동시 발생 매트릭스를 업데이트하는 단계는,
    상기 유사도 확률값이 가장 높은 컨텐츠의 전체 동시 발생 빈도수의 총 합 또는 동시 발생 빈도수 중 가장 큰 수를 상기 하이퍼 파라미터로서 산출하고 상기 유사도 확률값과 상기 하이퍼 파라미터를 각각 연산하여 상기 관리 정보가 존재하지 않는 컨텐츠의 동시 발생 빈도수로서 산출하여 상기 동시 발생 매트릭스를 업데이트하는 것을 특징으로 하는 컨텐츠 정보 제공 방법.
  18. 청구항 17에 있어서,
    상기 유사 컨텐츠 정보를 제공하는 단계는,
    상기 업데이트된 동시 발생 매트릭스를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠를 포함한 전체 컨텐츠들 간의 상관도를 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 방법.
  19. 청구항 13에 있어서,
    상기 유사 컨텐츠 정보를 제공하는 단계는,
    상기 관리 정보가 존재하지 않는 컨텐츠를 포함하지 않는 동시 발생 매트릭스를 기반으로 전체 컨텐츠들 간의 상관도를 산출하고,
    상기 유사도 확률값을 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠와 상기 동시 발생 매트릭스에 포함된 시청된 컨텐츠들 간의 상관도를 산출하는 것을 특징으로 하는 컨텐츠 정보 제공 방법.
  20. 청구항 18 또는 19에 있어서,
    상기 유사 컨텐츠 정보를 제공하는 단계는,
    상기 관리 정보가 존재하지 않는 컨텐츠와 상기 동시 발생 매트릭스에 포함된 시청된 컨텐츠들 간의 상관도를 기반으로 상기 관리 정보가 존재하지 않는 컨텐츠의 관리 정보를 생성하고, 상기 유사 컨텐츠 정보를 제공하는 것을 특징으로 하는 컨텐츠 정보 제공 방법.
KR1020180043085A 2018-04-13 2018-04-13 컨텐츠 정보 제공 장치 및 그 방법 KR20190119743A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180043085A KR20190119743A (ko) 2018-04-13 2018-04-13 컨텐츠 정보 제공 장치 및 그 방법
PCT/KR2019/003498 WO2019198950A1 (ko) 2018-04-13 2019-03-26 컨텐츠 정보 제공 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180043085A KR20190119743A (ko) 2018-04-13 2018-04-13 컨텐츠 정보 제공 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190119743A true KR20190119743A (ko) 2019-10-23

Family

ID=68162931

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180043085A KR20190119743A (ko) 2018-04-13 2018-04-13 컨텐츠 정보 제공 장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR20190119743A (ko)
WO (1) WO2019198950A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102180271B1 (ko) * 2020-03-30 2020-11-18 비에이비 주식회사 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법
KR102257550B1 (ko) * 2020-04-07 2021-05-27 주식회사 엘지유플러스 Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치
KR20230112000A (ko) * 2022-01-19 2023-07-26 채현민 인공지능 매칭 알고리즘을 이용한 온라인 영화 제작 플랫폼

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4124115B2 (ja) * 2003-12-02 2008-07-23 ソニー株式会社 情報処理装置及び情報処理方法、並びにコンピュータ・プログラム
KR100907744B1 (ko) * 2006-11-13 2009-07-14 에스케이커뮤니케이션즈 주식회사 협업 필터링 시스템 및 그 방법
KR100925511B1 (ko) * 2008-03-24 2009-11-06 에스케이커뮤니케이션즈 주식회사 협업필터링을 이용한 컨텐츠 분류 방법 및 시스템
KR101022886B1 (ko) * 2008-11-11 2011-03-16 한국과학기술원 사용자에 따른 지능형 콘텐츠 추천 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102180271B1 (ko) * 2020-03-30 2020-11-18 비에이비 주식회사 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법
KR102257550B1 (ko) * 2020-04-07 2021-05-27 주식회사 엘지유플러스 Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치
KR20230112000A (ko) * 2022-01-19 2023-07-26 채현민 인공지능 매칭 알고리즘을 이용한 온라인 영화 제작 플랫폼

Also Published As

Publication number Publication date
WO2019198950A1 (ko) 2019-10-17

Similar Documents

Publication Publication Date Title
WO2020207196A1 (zh) 用户标签生成方法、装置、存储介质和计算机设备
Pasricha et al. Translation-based factorization machines for sequential recommendation
Zhang et al. Discrete deep learning for fast content-aware recommendation
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN111191092B (zh) 标签确定方法和标签确定模型训练方法
Liu et al. A hybrid collaborative filtering recommendation mechanism for P2P networks
US8832091B1 (en) Graph-based semantic analysis of items
Shi et al. Local representative-based matrix factorization for cold-start recommendation
US20180336202A1 (en) System and method to represent documents for search in a graph
JP6261547B2 (ja) 判定装置、判定方法及び判定プログラム
CN110909182A (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
Alabdulrahman et al. Catering for unique tastes: Targeting grey-sheep users recommender systems through one-class machine learning
US20150066944A1 (en) Data processing, apparatus and methods
JP6334431B2 (ja) データ分析装置、データ分析方法、およびデータ分析プログラム
KR20190119743A (ko) 컨텐츠 정보 제공 장치 및 그 방법
CN110633421A (zh) 特征提取、推荐以及预测方法、装置、介质和设备
WO2023087914A1 (zh) 推荐内容的选择方法、装置、设备、存储介质及程序产品
Schelter amnesia–towards machine learning models that can forget user data very fast
Liu et al. Towards context-aware collaborative filtering by learning context-aware latent representations
JP2017201535A (ja) 判定装置、学習装置、判定方法及び判定プログラム
Sharma et al. Adaptive matrix completion for the users and the items in tail
Guan et al. Enhanced SVD for collaborative filtering
CN111708945A (zh) 产品的推荐方法及装置、电子设备、计算机存储介质
Mirhasani et al. Alleviation of cold start in movie recommendation systems using sentiment analysis of multi-modal social networks
WO2017095371A1 (en) Product recommendations based on selected user and product attributes

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application