KR20190122334A - 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템 - Google Patents

소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템 Download PDF

Info

Publication number
KR20190122334A
KR20190122334A KR1020180045948A KR20180045948A KR20190122334A KR 20190122334 A KR20190122334 A KR 20190122334A KR 1020180045948 A KR1020180045948 A KR 1020180045948A KR 20180045948 A KR20180045948 A KR 20180045948A KR 20190122334 A KR20190122334 A KR 20190122334A
Authority
KR
South Korea
Prior art keywords
expert
user terminal
query
keyword
interest
Prior art date
Application number
KR1020180045948A
Other languages
English (en)
Other versions
KR102106203B1 (ko
Inventor
송희섭
임종태
복경수
유재수
Original Assignee
충북대학교 산학협력단
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 충북대학교 산학협력단 filed Critical 충북대학교 산학협력단
Priority to KR1020180045948A priority Critical patent/KR102106203B1/ko
Publication of KR20190122334A publication Critical patent/KR20190122334A/ko
Application granted granted Critical
Publication of KR102106203B1 publication Critical patent/KR102106203B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G06F17/20—
    • 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
    • G06Q50/01—Social networking
    • G06Q50/30—

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템이 개시된다. 본 발명의 일실시예에 따른 전문가 추천 방법은, 소셜 네트워크 시스템을 이용하는 제1 사용자 단말로부터 질의가 요청 됨에 따라, 상기 질의로부터 질의 키워드를 추출하는 단계와, 상기 소셜 네트워크 시스템을 이용하는 사용자 단말들 중에서, 상기 질의 키워드와 연관되는 관심분야를 등록한 제2 사용자 단말을 검색하는 단계와, 상기 제2 사용자 단말을 상기 질의에 응답 가능한 전문가 그룹으로 구성하는 단계, 및 상기 전문가 그룹을 포함하여, 상기 질의 요청에 따른 전문가 추천 결과를 상기 제1 사용자 단말로 출력하는 단계를 포함한다.

Description

소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템{EXPERT RECOMMENDING METHOD AND SYSTEM FOR PROVIDING SOCIAL NETWORK SYSTEM BASED QUESTION AND ANSWER SERVICE}
본 발명은 소셜 네트워크 시스템(SNS) 기반의 질의 응답 서비스 제공을 위한 전문가 추천 기술에 관한 것으로, 사용자 단말의 관심분야와 인적 네트워크 및 응답 품질을 고려해 사용자 질의에 신속 정확하게 응답 가능한 전문가 단말을 추천 함으로써, SNS를 통한 질의 응답 서비스의 활용도와 사용자 만족도를 높일 수 있는 전문가 추천 방법 및 전문가 추천 시스템에 관한 것이다.
소셜 네트워크 시스템(SNS)이란, 사용자가 생성한 정보를 인적 관계를 맺고 있는 다른 사용자와 공유할 수 있는 온라인 플랫폼을 지칭하며, 대표적으로 트위터, 페이스북, 인스타그램 등과 같은 SNS가 많은 사용자들에 의해 이용되고 있다.
또한, 쿼라(Quora), 링크드인(LinkedIn) 등과 같은 소셜 네트워크 시스템에서는, 커뮤니케이션과 정보 공유 외에도, 사용자가 작성한 질의에 대해 SNS 상의 지인으로부터 작성된 응답을 제공하는 질의 응답 서비스를 제공하고 있다.
하지만, 기존의 SNS를 통한 질의 응답 서비스는, 질의를 요청한 사용자의 인적 관계가 제한되어 있어 전문가에 의한 고품질의 답변을 제공하기 어려우며, 악의적인 정보, 신뢰할 수 없는 정보, 필요치 않은 정보를 포함한 다양하고 방대한 정보가 SNS 상에 제한 없이 존재하고 있어, 사용자가 요청한 질의에 부합하는 양질의 답변을 필터링해 제공하는 데에는 한계를 가지고 있다.
이 때문에 기존의 SNS를 통한 질의 응답 서비스와 연계하여, 사용자 질의에 대해 양질의 신뢰할 수 있는 답변을 제공해 줄 수 있는 전문가를 추천하는 전문가 추천 서비스가 제안되고 있으며, 일례로, 소셜 네트워크 사용자들이 직접 입력한 자신의 프로필을 기반으로 추천하는 기법과, 각 사용자들의 소셜 행위 내역을 분석하여 추천하는 기법이 사용되고 있다.
한편, 프로필과 사용자 질의 간 유사도가 높은 사용자를 전문가로 추천하는 기법의 경우, 사용자가 프로필을 갱신하지 않아서 오래되거나 허위로 프로필을 작성한 경우 전문가 추천의 정확도가 낮아질 수 있다.
또한, 사용자의 소셜 행위 내역을 분석해 전문가를 추천하는 기법의 경우, 질의한 사용자가 맺은 인적 관계 내에서 추천이 이루어지므로 인적 관계가 적은 사용자에게는 정확한 전문가를 추천하기 어려울 수 있다.
뿐만 아니라, 기존의 전문가 추천 기법은 전문가에 의해 작성된 답변의 품질에 대한 고려 없이 전문가를 추천하고 있어 사용자가 전문가로부터 실제로 고품질의 응답을 신속하게 제공 받을 수 있는지 여부를 가늠하기 어려울 수 없다.
이에 따라, 소셜 네트워크 시스템에서의 사용자의 소셜 행위 분석을 통해 각 사용자의 관심분야, 인적 관계 및 응답 품질을 판별하여, 사용자 질의와 연관된 관심분야 별로 인적 관계가 풍부하고 응답 품질이 좋은 전문가를 추천할 필요성이 있다.
본 발명의 실시예는 소셜 네트워크 시스템(SNS)을 이용하는 사용자 단말들의 관심분야, 사용자 간 인적 관계 및 응답 품질을 고려하여, 사용자 질의를 자신의 최신 관심분야로 하면서, 해당 관심분야의 다른 사용자 단말들과의 인적 관계가 풍부하고 응답 품질이 좋은 사용자 단말을, 질의 응답을 요청할 전문가 단말로 선정해 추천 함으로써, 전문가 추천의 정확도와 신뢰성을 향상시키고 SNS를 통한 질의 응답 서비스에 대한 높은 만족도를 유지할 수 있도록 하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 사용자의 소셜 행위 분석을 통해 최근 관심분야를 판별하고, 사용자 질의와 연관된 관심분야로 판별된 사용자 중에서 질의 응답을 위한 전문가를 선정해 추천 함으로써, 기존의 프로필 기반의 전문가 추천 기법에서 프로필이 오래 전에 작성되거나 허위로 작성된 경우 전문가 추천의 정확도가 낮아지는 문제점을 해소하고, 각 사용자의 관심분야의 최신성을 유지하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 소셜 네트워크 시스템 상의 인적 네트워크를 관심분야 별로 재구축하고 동일 관심분야의 사용자들 사이에서 인적 관계를 맺고 있는 정도를 분석하여, 해당 관심분야 내에서 영향력이 큰 사용자를 전문가로 선정해 추천 함으로써, 기존의 질의한 사용자를 중심으로 한 인적 네트워크 내에서 전문가를 추천하는 기법에서 인적 관계를 맺고 있는 사용자들이 적거나 사용자들의 관심분야가 다양하지 못할 경우 질의에 대한 전문성이 높은 사용자를 추천하기 어려운 문제점을 해소하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 사용자 단말의 과거응답에 대한 타 사용자 단말의 긍정적인 반응(댓글, 공감, 공유 등)과 응답 속도 및 과거응답과 관심분야 간 유사도 중 적어도 하나를 분석해 응답 품질을 평가 함으로써, 응답 품질에 기초하여 빠르고 정확하게 다른 사용자의 질의에 응답해 줄 수 있는 사용자를 전문가로서 추천하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 사용자가 질의한 내용을 분석하여 단어의 계층적 구조를 이용하여 전문가 그룹을 매칭 함으로써 전문가 추천의 정확도와 신뢰성을 높이는 것을 목적으로 한다.
본 발명의 일실시예에 따른 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법은, 소셜 네트워크 시스템을 이용하는 제1 사용자 단말로부터 질의가 요청 됨에 따라, 상기 질의로부터 질의 키워드를 추출하는 단계와, 상기 소셜 네트워크 시스템을 이용하는 사용자 단말들 중에서, 상기 질의 키워드와 연관되는 관심분야를 등록한 제2 사용자 단말을 검색하는 단계와, 상기 제2 사용자 단말을 상기 질의에 응답 가능한 전문가 그룹으로 구성하는 단계, 및 상기 전문가 그룹을 포함하여, 상기 질의 요청에 따른 전문가 추천 결과를 상기 제1 사용자 단말로 출력하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 시스템은, 소셜 네트워크 시스템을 이용하는 제1 사용자 단말로부터 질의가 요청 됨에 따라, 상기 질의로부터 질의 키워드를 추출하는 키워드 추출부와, 상기 소셜 네트워크 시스템을 이용하는 사용자 단말들 중에서, 상기 질의 키워드와 연관되는 관심분야를 등록한 제2 사용자 단말을 검색하는 단말 검색부와, 상기 제2 사용자 단말을 상기 질의에 응답 가능한 전문가 그룹으로 구성하는 그룹 구성부, 및 상기 전문가 그룹을 포함하여, 상기 질의 요청에 따른 전문가 추천 결과를 상기 제1 사용자 단말로 출력하는 결과 출력부를 포함한다.
본 발명의 일실시예에 따르면, 소셜 사용자들의 관심분야의 최신성과 사용자 간 인적관계 및 과거 응답의 품질과 속도를 모두 고려해 질의에 응답할 전문가를 선정함으로써, 전문가 추천의 정확도와 신뢰성을 향상시키고 SNS를 통한 질의 응답 서비스에 대한 높은 만족도를 유지할 수 있다.
또한, 본 발명의 일실시예에 따르면, SNS를 이용하는 사용자들의 소셜 행위 데이터 분석을 통해 각 사용자의 최신의 관심분야를 판별하고, 관심분야 별로 SNS 사용자들 간 인적 네트워크를 재구축하여, 사용자 질의와 연관된 관심분야를 가지면서 해당 분야의 인적 네트워크가 풍부한 사용자를 질의 응답을 요청할 전문가로서 선정 함으로써, 사용자들의 관심분야를 최신으로 유지하고 해당 분야에서의 영향력이 큰 전문가의 추천이 가능해진다.
또한, 본 발명의 일실시예에 따르면, 사용자의 과거응답에 대한 분석을 통해 응답 품질을 평가하여, 빠르고 정확하게 다른 사용자의 질의에 답해 줄 수 있는 사용자를 전문가로서 추천할 수 있다.
또한, 본 발명의 일실시예에 따르면, 단어의 계층적 구조를 이용하여 사용자 질의 내 키워드 뿐만 아니라 해당 키워드의 하위어에 매칭되는 전문가를 포함해 전문가 그룹을 추천하여, 전문가 추천의 정확도와 신뢰성을 높일 수 있다.
또한, 본 발명의 일실시예에 따르면, 상품이나 연구에 대한 전문가의 의견을 들을 수 있는 질의 응답 시스템으로 활용할 수 있다.
도 1은 본 발명의 일실시예에 따른 전문가 추천 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 전문가 추천 시스템의 구성을 도시한 블록도이다.
도 3은 본 발명의 다른 실시예에 따른 전문가 추천 시스템에서, 관심분야 지수 산출부의 상세한 구성을 도시한 블록도이다.
도 4는 본 발명의 다른 실시예에 따른 전문가 추천 시스템에서, 인적 관계 지수 산출부의 상세한 구성을 도시한 블록도이다.
도 5는 본 발명의 다른 실시예에 따른 전문가 추천 시스템에서, 응답 품질 지수 산출부의 상세한 구성을 도시한 블록도이다.
도 6은 본 발명의 실시예들에 따른 전문가 추천 시스템에서, 사용자 단말들 간 인적 네트워크를 관심분야 별로 재구축하는 일례를 도시한 도면이다.
도 7은 본 발명의 실시예들에 따른 전문가 추천 시스템에서, 사용자 질의와 매칭되는 전문가 그룹으로 추천 결과를 제공하는 일례를 도시한 도면이다.
도 8은 본 발명의 일실시예에 따른 전문가 추천 방법의 순서를 도시한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일실시예에 따른 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 시스템에 대해 상세히 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일실시예에 따른 전문가 추천 시스템의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 전문가 추천 시스템(100)은, 키워드 추출부(110), 단말 검색부(120), 그룹 구성부(130) 및 결과 출력부(140)를 포함하여 구성할 수 있다. 또한, 실시예에 따라, 전문가 추천 시스템(100)은 수집부(150), 관심분야 등록부(160), 네트워크 재구축부(170), 응답 품질 평가부(180) 및 데이터베이스(190)를 각각 추가하여 구성할 수 있다.
키워드 추출부(110)는 소셜 네트워크 시스템을 이용하는 제1 사용자 단말로부터 질의가 요청 됨에 따라, 상기 질의로부터 질의 키워드를 추출한다.
예를 들어, 키워드 추출부(110)는 사용자 단말로부터 SNS를 통해 질의('원피스 6기 루피 피규어 언제 출시되나요?')가 요청되면 상기 질의를 분석하여 질의 키워드('피규어')를 추출할 수 있다.
단말 검색부(120)는 소셜 네트워크 시스템을 이용하는 사용자 단말들 중에서, 상기 질의 키워드와 연관되는 관심분야를 등록한 제2 사용자 단말을 검색한다.
예를 들어, 단말 검색부(120)는 질의 키워드('루피 피규어')를 관심분야로 등록한 제2 사용자 단말을 데이터베이스(190)로부터 검색할 수 있다. 질의 키워드('피규어')와 동일한 키워드를 관심분야로 등록한 제2 사용자 단말이 데이터베이스(190)에 없다면, 질의 키워드('피규어')의 상위어('굿즈') 또는 상기 질의 내 다른 질의 키워드('원피스')를 관심분야로 등록한 제2 사용자 단말을 데이터베이스(190)에서 검색할 수 있다.
이때, 단말 검색부(120)는 상기 질의의 문맥에 따른 주제를 확인하고, 상기 주제 별로 상기 질의 키워드와 연관된 관심분야를 등록한 제2 사용자 단말을 검색할 수 있다.
예를 들어, 단말 검색부(120)는 상기 질의의 문맥에 따른 주제('애니 원피스')로 질의 키워드('피규어')와 연관된 관심분야를 등록한 제2 사용자 단말을 검색하여 전문가 추천의 정확도를 더욱 높일 수 있다.
실시예에 따라, 전문가 추천 시스템(100)은 수집부(150), 관심분야 등록부(160), 네트워크 재구축부(170), 응답 품질 평가부(180) 및 데이터베이스(190)를 각각 더 포함할 수 있다.
수집부(150)는 상기 질의가 요청된 시점을 기준으로 일정 이전 기간 동안에 각 사용자 단말이 작성하거나 공유한 게시글과 댓글 중 적어도 하나의 텍스트 형태의 문서를 포함하여 기록된 상기 각 사용자 단말의 소셜 행위 데이터를, 상기 소셜 네트워크 시스템으로부터 수집한다.
여기서 소셜 행위는 소셜 네트워크 시스템 상에서 사용자 단말이 수행하는 모든 행위를 지칭할 수 있으며, 예를 들어, 게시글/댓글을 작성하거나 작성된 게시글/댓글을 공유하거나 '좋아요!'와 같은 긍정적인 반응을 하거나 질의에 응답하거나 타 사용자 단말과 인적 관계를 맺는 것 등일 수 있다.
즉, 수집부(150)는 상기 기간 동안 사용자 단말들 각각이 작성한 게시글(문서)과 댓글과 공유한 게시글, 공유 횟수, 반응 횟수, 댓글 수, 작성 일시 및 질의 응답 이력 중 적어도 하나를 포함하여 상기 소셜 행위 데이터를 수집할 수 있다.
또한, 수집부(150)는 소셜 네트워크 시스템 상에서 사용자 단말들 사이의 연결 관계를 나타내는 인적 네트워크를 수집할 수 있다.
관심분야 등록부(160)는 소셜 네트워크 시스템으로부터 수집된 소셜 행위 데이터를 분석하여, 사용자 단말들 각각에 대해 관심분야를 등록한다.
일례로, 관심분야 등록부(160)는 문서로부터 추출되는 관심분야 키워드 각각에 대해, TF-IDF(Term Frequency-Inverse Document Frequency) 기법에 따라 키워드 점수를 부여하고, 상기 관심분야 키워드가 추출된 문서 각각에 대해, 반응이 입력된 횟수 및 문서 작성 일시를 고려하여 신뢰도 점수를 부여하고, 상기 키워드 점수 및 상기 신뢰도 점수의 순으로 일정 수의 관심분야 키워드를 선별하고, 상기 선별한 관심분야 키워드를, 상기 각 사용자 단말의 관심분야로 등록할 수 있다.
여기서, TF-IDF 기법은 여러 문서로 이루어진 문서 군 중에서 어떤 단어가 특정 문서 내에서 얼마나 중요한지를 나타내는 통계적 수치를 산출하는 기법으로, TF 값은 단어 빈도로서 특정 단어가 문서에 등장하는 빈도를 나타내는 값이고, IDF 값은 역문서 빈도로 전체 문서에서 특정 단어를 포함하는 문서가 어느 정도인지 나타내는 값을 나타내며, 키워드 검출부(312)는 TF 값과 IDF 값을 곱한 TF-IDF 값을 이용하여 키워드 점수를 부여할 수 있다.
예를 들어, 사용자 단말 A가 활동한 문서(작성하거나 공유한 글)가 100개이고 그 중 단어 '하둡'을 포함하는 문서가 8개이고 그 중 하나의 문서 B에 단어 '하둡'이 5회 나온 경우, 키워드 검출부(312)는 문서 B에 대한 TF 값을 '5', IDF 값을 '2.52573'로 하여 TF-IDF 값을 '12.6286'으로 산출할 수 있다.
키워드 검출부(312)는 TF-IDF 값이 높을수록 중요한 단어로 판단하여 해당 단어를 관심분야 키워드로 추출할 수 있다.
이때, 수집부(150)는 상기 질의가 요청된 시점으로부터 일정 시간이 경과한 경우, 상기 경과한 시점을 기준으로 상기 일정 이전 기간 동안에 기록된 상기 각 사용자 단말의 소셜 행위 데이터를, 상기 소셜 네트워크 시스템으로부터 재수집할 수 있으며, 관심분야 등록부(160)는 상기 재수집된 소셜 행위 데이터의 분석을 통해, 상기 등록한 관심분야를 갱신할 수 있다.
이에 따라, 관심분야 등록부(160)는 각 사용자 단말의 관심분야의 최신성을 유지할 수 있으므로, 사용자가 직접 등록한지 오래된 프로필을 기반으로 전문가를 추천할 때 보다 정확도가 떨어지는 문제점을 해소할 수 있다.
네트워크 재구축부(170)는 소셜 네트워크 시스템 상에서 사용자 단말들 사이에 구축되어 있는 인적 네트워크를, 관심분야 별로 재구축한다.
예를 들어, 도 6을 참조하면, 네트워크 재구축부(170)는 도 6의 (ⅰ)과 같이 다양한 관심분야를 등록한 SNS 사용자 단말들 사이의 인적 네트워크를 관심분야 A와 관심분야 B 각각으로 구분해서, 도 6의 (ⅱ)에 도시한 동일 관심분야 A를 가지는 단말들 사이의 인적 네트워크 및 도 6의 (ⅲ)에 도시한 동일 관심분야 B를 가지는 단말들 사이의 인적 네트워크를 재구축할 수 있다.
단말 검색부(120)는 질의 키워드와 연관되는 관심분야에 관해 재구축된 인적 네트워크에서 제2 사용자 단말을 검색 함으로써, 질의를 요청한 제1 사용자 단말의 인적 관계가 협소하거나 다양한 관심분야를 가진 지인이 없더라도, 관심분야 별로 구성된 인적 네트워크에서 사용자 질의를 전문 분야로 하는 제2 사용자 단말을 손쉽게 검색할 수 있다.
또한, 단말 검색부(120)는 상기 재구축된 인적 네트워크에서, 연결되어 있는 단말의 수가 설정값 이상인 사용자 단말을, 상기 제2 사용자 단말로서 검색할 수 있다.
구체적으로, 단말 검색부(120)는 질의 키워드가 관심분야 A와 연관되는 경우 도 6의 (ⅱ)와 같이 재구축한 인적 네트워크를 기반으로 PageRank 알고리즘을 사용하여 사용자 단말의 인적 관계 지수를 산출할 수 있다.
단말 검색부(120)는 웹페이지 간 링크 관계를 통하여 웹페이지 당 점수를 계산하는 PageRank 알고리즘을 인적 관계에 적용하여 동일 관심분야의 사용자 단말들 사이에 연결되는 인적 관계, 즉 연결된 단말의 수를 카운트하고, 카운트한 단말의 수에 따라 PageRank 점수를 부여할 수 있다.
단말 검색부(120)는 연결된 단말의 수가 많을수록(PageRank 점수가 높을수록) 인적 관계 지수를 높게 산출하고, 인적 관계 지수에 따라 상위에 랭크되는 제2 사용자 단말을 검색 함으로써, 해당 분야에서 영향력이 크고 전문성이 뛰어난 전문가의 추천이 가능해지도록 할 수 있다.
이때, 단말 검색부(120)는 상기 재구축된 인적 네트워크에서, 상기 제1 사용자 단말과 연결되어 있는 사용자 단말을 우선하여 상기 제2 사용자 단말로 검색할 수 있다.
예를 들어, 도 6의 (ⅱ)와 같이 재구축한 인적 네트워크에, 질의를 요청한 제1 사용자 단말과 인적 관계를 맺은 지인이 포함되면, 해당 지인을 제2 사용자 단말로 검색하여, 질의자 본인과 연관이 있는 사용자에게 손쉽게 질의할 수 있도록 하고 지인과의 친밀도를 높일 수 있다.
응답 품질 평가부(180)는 상기 소셜 행위 데이터에 질의 응답 이력이 포함되는 사용자 단말의 경우, 상기 사용자 단말에 의해 제출된 과거응답에 대한 응답 품질을 평가한다.
일례로, 응답 품질 평가부(180)는 상기 과거응답과 관심분야와의 유사도, 응답 소요 시간 및 상기 과거응답에 대한 타 사용자 단말의 반응 중 적어도 하나를 고려하여, 응답 품질을 수치화 하여 평가할 수 있다.
단말 검색부(120)는 상기 재구축된 인적 네트워크에서, 상기 응답 품질을 나타내는 수치의 순서로 사용자 단말을, 상기 제2 사용자 단말로서 검색할 수 있다.
즉, 단말 검색부(120)는 응답 품질 지수가 상위에 랭크되는 사용자 단말을 제2 사용자 단말로 검색하여, 전문가 추천 시 과거응답의 품질이 고려되도록 할 수 있다.
그룹 구성부(130)는 상기 제2 사용자 단말을 상기 질의에 응답 가능한 전문가 그룹으로 구성한다.
일례로, 그룹 구성부(130)는 질의 키워드와 연관되는 관심분야를 등록한 사용자 단말 중에서 관심분야 지수가 상위이면서, 관심분야 별로 재구축된 인적 네트워크에서 인적 관계 지수가 상위이고, 응답 품질 지수가 상위인 제2 사용자 단말을 전문가 그룹으로 구성할 수 있다.
또한, 그룹 구성부(130)는 질의 키워드와 연관되는 관심분야를 등록한 사용자 단말 중에서 관심분야 지수가 상위인 제2 사용자 단말, 관심분야 별로 재구축된 인적 네트워크에서 인적 관계 지수가 상위인 제2 사용자 단말, 및 응답 품질 지수가 상위인 제2 사용자 단말을 모두 포함하여 상기 전문가 그룹을 구성할 수도 있다.
또한, 그룹 구성부(130)는 상기 구성한 전문가 그룹을, 상기 질의 키워드에 매칭하여 데이터베이스(190)에 유지 함으로써, 이후의 질의 키워드 매칭을 통해 전문가 그룹의 탐색이 용이해지도록 할 수 있다.
또한, 그룹 구성부(130)는 질의 키워드에 대한 하위 키워드 각각으로 구성되는 하위 전문가 그룹을, 상기 각 하위 키워드에 매칭할 수 있다.
예를 들어, 그룹 구성부(130)는 질의 키워드('브랜드 커피')에 대한 하위 키워드('스타벅스', '커피빈', '투썸' 등) 각각으로 구성되는 하위 전문가 그룹을, 상기 각 하위 키워드에 매칭할 수 있다.
또한, 그룹 구성부(130)는 상기 전문가 그룹 및 상기 하위 전문가 그룹을 각각 노드로서, 매칭된 키워드의 계층적인 구조로 배치한 트리(도 7의 710 참조)를 생성하여, 데이터베이스(190)에 유지할 수 있다.
또한, 데이터베이스(190)는 SNS로부터 수집한 소셜 행위 데이터와, 관심분야, 해당 관심분야에 관해 재구축된 인적 네트워크 및 응답 품질 중 적어도 하나의 분석 데이터를 사용자 단말 각각에 대해 데이터베이스(190)에 유지할 수 있다.
결과 출력부(140)는 상기 전문가 그룹을 포함하여, 상기 질의 요청에 따른 전문가 추천 결과를 상기 제1 사용자 단말로 출력한다.
또한, 결과 출력부(140)는 질의 키워드와 일치하는 키워드에 매칭된 전문가 그룹과, 상기 전문가 그룹에서 분기하는 하위 전문가 그룹을 포함하여, 전문가 추천 결과를 출력할 수 있다.
구체적으로, 결과 출력부(140)는 신규의 질의로부터 상기 질의와 동일한 질의 키워드가 추출되는 경우, 데이터베이스(190)에 유지된 상기 트리에서, 상기 질의 키워드와 일치하는 키워드에 매칭된 상기 전문가 그룹을 탐색하고, 상기 전문가 그룹에서 분기하는 하위 전문가 그룹을 탐색하고, 상기 전문가 그룹 및 상기 하위 전문가 그룹을 포함하여 상기 전문가 추천 결과를 출력할 수 있다.
다시 말해, 결과 출력부(140)는 상기 질의 키워드를 상기 트리와 비교 매칭하여, 상기 질의 키워드와 일치하는 키워드에 매칭된 전문가 그룹을 탐색하고, 매칭된 키워드 간 단어의 계층적인 구조를 고려하여, 상기 트리에서, 상기 전문가 그룹에서 분기하는 하위 전문가 그룹을 탐색할 수 있다.
결과 출력부(140)는 전문가 그룹에 속한 사용자 단말 전체와, 하위 전문가 그룹에 속한 사용자 단말 중, 전문가 그룹에서 분기하는 개수에 따른 일부 사용자 단말을 선별하여, 상기 전문가 추천 결과에 포함시킬 수 있다.
예를 들어, 도 7을 참조하면, 결과 출력부(140)는 사용자 질의로부터 추출한 질의 키워드가 전문가 그룹 B에 매칭되었을 때, 전문가 그룹 B와, 상기 질의 키워드의 하위 키워드에 매칭된 전문가 그룹인 C, D, E를 포함하여 전문가 추천 결과를 출력할 수 있다.
이때, 결과 출력부(140)는 전문가 그룹 C, D, E 각각에서 각 하위 키워드의 개수('3개')에 따라 전문가 지수 순으로 상위('1/3')에 해당하는 일부의 사용자 단말(상위 전문가)만을 선별해 전문가 추천 결과에 포함시킬 수 있다.
이와 같이, 본 발명의 일실시예에 따르면, 소셜 사용자들의 관심분야의 최신성과 사용자 간 인적관계 및 과거 응답의 품질과 속도를 모두 고려해 질의에 응답할 전문가를 선정함으로써, 전문가 추천의 정확도와 신뢰성을 향상시키고 SNS를 통한 질의 응답 서비스에 대한 높은 만족도를 유지할 수 있다.
도 2는 본 발명의 다른 실시예에 따른 전문가 추천 시스템의 구성을 도시한 블록도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 전문가 추천 시스템(200)은, 사용자 전문성 분석부(210) 및 사용자 질의 분석부(220)를 포함하여 구성할 수 있다.
사용자 전문성 분석부(210)는 소셜 네트워크 시스템으로부터 수집한 사용자 단말들 각각의 SNS 활동 내역에 기초하여 각 사용자 단말의 전문성을 분석하는 기능을 한다.
여기서 사용자 단말의 전문성은 사용자 단말이 관심을 가지는 관심분야에서 정보가 풍부한 정도를 의미하며, 사용자 전문성 분석부(210)는 분야 별 전문가 지수로 사용자 단말의 전문성을 분석할 수 있다.
이를 위해, 사용자 전문성 분석부(210)는 소셜 네트워크 시스템으로부터 수집한 데이터를 분석하여 관심분야를 판별하고, 해당 관심분야에서 전문가 지수를 산출할 수 있다.
사용자 전문성 분석부(210)는 SNS 활동 내역이 풍부한 분야를 분석하기 위해, 정해진 기간 동안(예를 들면 '최근 한 달') 각 사용자 단말이 작성한 게시글이나 댓글, 작성 일시, 각 사용자 단말이 공유한 글, 공유한 횟수, 공감 횟수, 긍정적으로 반응한 횟수 및 질의 응답 이력 중 적어도 하나의 소셜 행위에 관한 데이터를 수집할 수 있다.
여기서, 작성 일시는 사용자 단말이 최근에 작성한 게시글이나 댓글을 토대로 최근 관심사로 하는 분야를 분석하기 위해 수집될 수 있고, 질의 응답 이력은 해당 기간 동안 작성한 응답의 품질을 분석하기 위해 수집될 수 있다.
또한, 사용자 전문성 분석부(210)는 소셜 네트워크 시스템 상에서 사용자 단말들 사이의 연결 관계를 나타내는 인적 네트워크를 더 수집할 수 있다.
일례로, 도 2에 도시된 것처럼, 사용자 전문성 분석부(210)는 관심분야 지수 산출부(211), 인적 관계 지수 산출부(212), 응답 품질 지수 산출부(213) 및 전문가 지수 산출부(214)를 포함하여 구성할 수 있다.
관심분야 지수 산출부(211)는 수집된 SNS 활동 내역을 분석해서 관심분야 키워드를 추출하고, 관심분야 키워드 별로 소셜 행위의 횟수와 최신성에 기초해 관심분야 지수를 산출한다.
또한, 관심분야 지수 산출부(211)는 관심분야 지수가 높게 산출되는 적어도 하나의 관심분야 키워드를, 각 사용자 단말의 관심분야(전문분야)로 등록할 수 있다.
예를 들어, 관심분야 지수 산출부(211)는 SNS 활동 내역 중 사용자 단말이 작성하거나 공유한 게시글과 댓글로부터 '자동차 박람회', '일본여행', '피규어'를 관심분야 키워드로서 추출한 경우, 게시글과 댓글이 작성되거나 공유된 횟수에 따라 점수를 부여하여 관심분야 키워드 각각으로 관심분야 지수를 산출하고, 관심분야 지수가 높게 산출된 관심분야 키워드 '피규어'를 사용자 단말의 관심분야로 판별할 수 있다.
특히, 관심분야 지수 산출부(211)는 게시글과 댓글이 최근에 작성되었는지에 따라 가중치를 부여해 관심분야 지수를 산출 함으로써 사용자 단말의 최근의 관심사에 기초해 관심분야를 판별할 수 있다.
인적 관계 지수 산출부(212)는 수집된 인적 네트워크를 분석해서 관심분야 별로 사용자 단말의 인적 관계 지수를 산출한다.
일례로, 인적 관계 지수 산출부(212)는 소셜 네트워크 시스템을 이용하는 사용자 단말들 사이의 인적 네트워크를 관심분야 별로 재구축하고, 재구축한 관심분야 별 인적 네트워크에서 사용자 단말 각각에 대해 타 사용자 단말과 관계를 맺은 횟수에 따라 점수를 부여하여 인적 관계 지수를 산출할 수 있다.
이를 통해 같은 관심분야로 연결된 사용자 단말들 간에 인적 관계를 맺는 정도에 따라 해당 분야에서 영향력이 높은 사용자 단말의 판별이 가능해진다.
응답 품질 지수 산출부(213)는 각 사용자 단말의 과거응답에 대해, 응답 속도와 응답 신뢰도에 기초하여 응답 품질 지수를 산출한다.
일례로, 응답 품질 지수 산출부(213)는 응답과 관심분야의 유사도, 응답 소요 시간, 응답 속도, 질의한 사용자의 만족도 및 타 사용자 단말의 반응(예, 댓글, 공유) 중 적어도 하나를 분석하여 응답 품질 지수를 산출한다.
이에 따라, 응답 품질 지수 산출부(213)는 응답 소요 시간이 적어서 응답 속도가 높고, 관심분야와의 유사도가 높고, 타 사용자 단말의 반응이 긍정적인 과거응답을 한 사용자 단말에 대해, 상대적으로 높은 응답 품질 지수를 산출할 수 있다.
전문가 지수 산출부(214)는 관심분야 지수, 인적 관계 지수 및 응답 품질 지수를 합산하여 전문가 지수를 산출한다.
전문가 지수 산출부(214)는 상기 전문가 지수에 기초하여, 관심분야 지수에 따라 판별된 관심분야에서의 전문성을 분석할 수 있다.
예를 들어, 전문가 지수 산출부(214)는 사용자 단말 A의 관심분야가 '피규어'로 판별된 경우, 관심분야 지수 '34' + 인적 관계 지수 '65' + 응답 품질 지수 '0'에 따라 전문가 지수 '99'를 산출할 수 있다.
또한, 전문가 지수 산출부(214)는 동일한 관심분야로 판별된 사용자 단말 B에 대해, 관심분야 지수 '24' + 인적 관계 지수 '50' + 응답 품질 지수 '30'에 의해 전문가 지수 '104'를 산출할 수 있다.
이에 따라, 전문가 지수 산출부(214)는 해당 분야 '피규어'에서 전문가 지수가 높은 사용자 단말 B의 전문성이 높은 것으로 분석할 수 있다.
전문가 지수 산출부(214)는 사용자의 관심분야 지수, 인적 관계 지수, 응답 품질 지수를 종합하여 수학식 1에 따라 전문가 지수를 도출할 수 있다.
수학식 1에서 keyword는 관심분야 지수이고, Relations는 인적 관계지수, QAR은 응답 품질 지수이다. 가중치 α, β, γ의 합은 1로 표현된다.
Figure pat00001
전문가 지수 산출부(214)는 전문가 지수를 이용하여 사용자 단말들을 관심분야, 인적 관계, 응답 품질을 고려한 분야 별 전문가 그룹으로 구성할 수 있다.
전문가 지수 산출부(214)는 단어의 계층적 관계를 기반으로 구축한 온톨로지를 기반으로 전문가 그룹을 구성할 수 있다. 즉, 전문가 지수 산출부(214)는 사용자 별로 판별된 전문가 지수를 이용하여 온톨로지 그룹에 사용자를 구성원으로 포함시킬 수 있다.
사용자 질의 분석부(220)는 사용자로부터 질의가 요청되면 상기 전문가 지수에 기초하여 사용자 질의에 응답 가능한 전문가 그룹을 추천하는 기능을 한다.
일례로, 도 2에 도시된 것처럼, 사용자 질의 분석부(220)는 질의 키워드 분석부(221), 질의-전문가 분야 매칭부(222) 및 전문가 그룹 추천부(223)를 포함하여 구성할 수 있다.
질의 키워드 분석부(221)는 사용자 단말로부터 SNS를 통해 질의가 요청되면 상기 질의를 분석하여 질의 키워드를 추출한다.
질의-전문가 분야 매칭부(222)는 질의 키워드를 미리 구성해 둔 전문가 그룹에 매칭된 키워드와 각각 비교하여, 상기 질의를 관심분야로 하는 전문가 그룹을 탐색한다. 여기서, 전문가 그룹에 매칭된 키워드는 전문가 그룹에 속한 사용자 단말의 관심분야를 의미할 수 있다.
또한, 질의-전문가 분야 매칭부(222)는 단어의 계층적 구조에 따라 질의 키워드의 하위 키워드에 매칭된 하위 전문가 그룹을 탐색할 수 있다.
질의-전문가 분야 매칭부(222)는 수학식 2에 기초하여 질의와 매칭된 전문가 그룹을 탐색할 수 있다. 여기서 EGi는 전문가 그룹 i의 전문가 그룹이고, SEGi는 EGi에서 분기된 하위어의 그룹이며, SEGmax는 EGi의 분기된 하위어 그룹의 전체 개수이다.
Figure pat00002
전문가 그룹 추천부(223)는 상기 탐색에 따라 전문가 그룹 및 하위 전문가 그룹을, 질의를 요청한 사용자 단말에 추천한다.
이때, 전문가 그룹 추천부(223)는 하위 전문가 그룹에 속한 사용자 단말을 추천 시, 하위 전문가 그룹의 개수를 고려해 일부의 사용자 단말을 선별해서 추천할 수 있다.
다시 말해, 전문가 그룹 추천부(223)는 사용자 질의에 포함된 질의 키워드를 관심분야로 하는 전문가 그룹 뿐만 아니라, 질의 키워드의 하위 키워드에 대한 전문가 그룹도 추천 결과에 포함시킴으로써, 사용자 질의에 응답 가능한 전문가 선출의 정확도를 높일 수 있다.
예를 들어, 도 7을 참조하면, 전문가 그룹 추천부(223)는 사용자 질의로부터 추출한 질의 키워드가 전문가 그룹 B에 매칭되었을 때, 전문가 그룹 B와, 상기 질의 키워드의 하위 키워드에 매칭된 전문가 그룹인 C, D, E를 포함하여 전문가 추천 결과를 출력할 수 있다.
이때, 전문가 그룹 추천부(223)는 전문가 그룹 C, D, E 각각에서 각 하위 키워드의 개수('3개')에 따라 전문가 지수 순으로 상위('1/3')에 해당하는 일부의 사용자 단말(상위 전문가)을 선별해 전문가 추천 결과에 포함시킬 수 있다.
이처럼, 본 발명에 따르면, 소셜 네트워크 시스템에서의 사용자의 소셜 행위 분석을 통해 각 사용자의 관심분야, 인적 관계 및 응답 품질을 판별하고, 사용자 질의와 연관된 관심분야에서 인적 관계가 풍부하고 응답 품질이 좋은 사용자를 질의 응답을 요청할 전문가로 추천하여, 전문가 추천의 정확도와 신뢰성을 향상시키고 SNS를 통한 질의 응답 서비스에 대한 높은 만족도를 유지할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 전문가 추천 시스템에서, 관심분야 지수 산출부의 상세한 구성을 도시한 블록도이다.
도 3을 참조하면, 관심분야 지수 산출부(211)는 관심분야 키워드 분석부(310), 문서 신뢰도 산출부(320) 및 지수 산출부(330)를 포함하여 구성할 수 있다.
관심분야 키워드 분석부(310)는 사용자의 소셜 네트워크 시스템 상의 SNS 활동 내역을 수집한 후 형태소 분석기를 통해 키워드를 추출한다.
일례로, 관심분야 키워드 분석부(310)는 형태소 분석부(311) 및 키워드 검출부(312)를 포함하여 구성할 수 있다.
형태소 분석부(311)는 사용자 단말이 소셜 네트워크상에 작성한 글이나 공유한 데이터와 같은 텍스트 형태의 문서로부터 형태소 분석기를 사용해 명사를 추출한 후 불용어(Stopword)를 제거한다. 여기서 형태소 분석기는 '한국과학기술원(KAIST)'에서 개발한 '한나눔 형태소 분석기'를 예시할 수 있다.
키워드 검출부(312)는 형태소 분석부(311)에서 얻어진 단어에 TF-IDF 기법을 적용하여 사용자가 소셜 네트워크 상에서 자주 사용하는 중요 단어를 관심분야 키워드로서 추출한다.
TF-IDF 기법은 여러 문서로 이루어진 문서 군 중에서 어떤 단어가 특정 문서 내에서 얼마나 중요한지를 나타내는 통계적 수치를 산출하는 기법으로 문서의 핵심어를 추출하는 데 이용될 수 있다.
여기서, TF 값은 단어 빈도로서 특정 단어가 문서에 등장하는 빈도를 나타내는 값이고, IDF 값은 역문서 빈도로 전체 문서에서 특정 단어를 포함하는 문서가 어느 정도인지 나타내는 값을 나타낼 수 있다.
예를 들어, 사용자 단말 A가 활동한 문서(작성하거나 공유한 글)가 100개이고 그 중 단어 '하둡'을 포함하는 문서가 8개이고 그 중 하나의 문서 B에 단어 '하둡'이 5회 나온 경우, 키워드 검출부(312)는 문서 B에 대한 TF 값을 '5', IDF 값을 '2.52573'로 하여 TF-IDF 값을 '12.6286'으로 산출할 수 있다.
키워드 검출부(312)는 TF 값과 IDF 값을 곱한 TF-IDF 값이 높을수록 중요한 단어로 판단하여 해당 단어를 관심분야 키워드로 추출할 수 있다.
문서 신뢰도 산출부(320)는 키워드 검출부(312)에 의해 관심분야 키워드가 추출되면, 해당 관심분야 키워드를 포함하는 문서에 대한 신뢰도를 판단한다.
문서 신뢰도 산출부(320)는 신뢰도 추출부(321) 및 소셜 행위 신뢰도 검출부(322)를 포함하여 구성할 수 있다.
신뢰도 추출부(321)는 문서의 최신성에 가중치를 주어 최신의 글일수록 시간 가중치를 주고, 문서에 남겨진 긍정적인 반응('좋아요')의 수, 댓글 수, 공유 수를 고려하여 문서의 신뢰도를 추출한다.
수학식 3 은 사용자가 소셜 네트워크 상에 남긴 문서의 신뢰도에 대한 가중치를 계산하는 식이다.
Figure pat00003
수학식 3에서 Time_w는
Figure pat00004
로서, 사용자가 남긴 문서의 시간 가중치로 작성한 지 오래된 문서일수록 낮은 가중치를 가지게 된다. Like_w는 사용자가 남긴 문서의 긍정적인 반응(좋아요)의 수의 평균값이고, Comment_w는 사용자가 남긴 문서 평균값, Share_w는 사용자가 남긴 문서의 공유 평균값이다. 가중치 α, β, γ, δ의 합은 1로 표현된다.
소셜 행위 신뢰도 검출부(322)는 사용자의 소셜 행위를 분석하여 사용자 신뢰도를 계산한다. 예를 들어, 소셜 행위 신뢰도 검출부(322)는 사용자의 소셜 행위가 수행된 시간과, 긍정적인 반응('좋아요')의 수, 댓글 수, 공유 횟수 중 적어도 하나에 기초하여 소셜 행위 신뢰도를 검출할 수 있다.
지수 산출부(330)는 소셜 행위 신뢰도와 TF-IDF 기법을 합하여 최종적으로 사용자 단말의 관심분야 지수를 산출하고, 관심분야를 결정한다.
수학식 4는 사용자의 관심분야 지수를 도출하는 방법을 기술한 식이다.
Figure pat00005
수학식 4에서 dn은 사용자가 소셜 네트워크상에 남긴 문서이고, dnTi는 사용자가 소셜 네트워크 상에 남긴 문서 i의 신뢰도이다. TFj는 단어 빈도로 단어 j가 문서 내에 얼마나 자주 등장하는지를 나타내는 값이다. IDF는 역문서 빈도로 전체 문서에서 특정 단어를 가지고 있는 문서가 얼마나 되는지를 나타내는 값이다.
지수 산출부(330)는 관심분야 키워드를 수학식 4에서 얻어진 키워드 점수에 따라 오름차순으로 정렬하여 상위 Top-n 키워드를 추출한다.
하지만 이렇게 만들어진 키워드 점수만을 가지고 사용자 관심분야 지수를 계산한다면 키워드별로 문서의 양이 다르기 때문에 최신의 키워드인 경우에는 오래된 키워드에 비교해 낮은 점수를 가진 사용자가 전문가로 추천될 경우가 있다. 이러한 문제점을 고려하여, 지수 산출부(330)는 키워드 점수를, 소셜 네트워크 상의 같은 관심분야를 가지고 있는 사용자 단말의 총합으로 나누어 각 키워드 별로 관심분야 지수를 산출할 수 있다.
도 4는 본 발명의 다른 실시예에 따른 전문가 추천 시스템에서, 인적 관계 지수 산출부의 상세한 구성을 도시한 블록도이다.
도 4를 참조하면, 인적 관계 지수 산출부(212)는 사용자 단말들의 인적 관계를 관심분야 별로 재구축하여 인적 관계 지수를 산출한다.
인적 관계 지수 산출부(212)는 관심분야 별 인적 네트워크 재구축부(410) 및 지수 산출부(420)를 포함하여 구성할 수 있다.
관심분야 별 인적 네트워크 재구축부(410)는 사용자의 소셜 네트워크 시스템 상의 활동 내역을 분석하여 사용자 단말 별 관심분야를 추출한 결과를 가지고 관심분야 별로 인적 네트워크를 재구축한다.
지수 산출부(420)는 재구축된 인적 관계에 선정된 알고리즘(일례로, 'PageRank')을 적용하여 관심분야 별 인적 관계 지수(PageRank 점수)를 산출한다.
여기서, PageRank 알고리즘은 웹페이지 간 링크 관계를 통하여 웹페이지 당 점수를 계산하는 알고리즘으로서, 지수 산출부(420)는 PageRank 알고리즘을 인적 관계에 적용하여 동일 관심분야의 사용자 단말들 사이에 연결되는 인적 관계를 카운트할 수 있다.
일례로, 지수 산출부(420)는 같은 분야의 많은 사용자와 인적 관계를 맺고 있는 전문가에 대해 높은 PageRank 점수를 산출하고, 같은 분야의 사용자들과 맺은 인적 관계가 적어 영향력이 떨어지는 전문가에 대해 낮은 PageRank 점수를 산출할 수 있다.
지수 산출부(420)에서 관심분야 별로 인적 네트워크를 재구축하는 일례를 후술하는 도 6에서 상세히 설명한다.
도 5는 본 발명의 다른 실시예에 따른 전문가 추천 시스템에서, 응답 품질 지수 산출부의 상세한 구성을 도시한 블록도이다.
도 5를 참조하면, 응답 품질 지수 산출부(213)는 질의한 사용자에게 신속하고 정확한 답변을 줄 수 있는 전문가를 추천할 수 있도록, 각 사용자 단말의 과거응답을 분석하여 응답 품질 지수를 산출해, 분야 별 전문가의 응답 품질을 평가한다.
응답 품질 지수 산출부(213)는 사용자 응답 유사도 분석부(510), 사용자 응답 반응 분석부(520) 및 지수 산출부(530)를 포함하여 구성될 수 있다.
사용자 응답 유사도 분석부(510)는 사용자 단말의 관심분야와 사용자 단말의 과거응답 간 유사도를 측정한다.
사용자 응답 유사도 분석부(510)는 전문가의 관심분야와 응답한 글 사이의 유사도를 코사인 유사도(Cosine similarity)를 이용하여 계산할 수 있다.
코사인 유사도는 내적 공간의 두 벡터 간 각도의 코사인값을 이용하여 측정된 벡터 간의 유사한 정도를 의미하며 특히 다차원의 양수 공간에서의 유사도 측정에 자주 이용되고 있다.
예를 들어, 사용자 응답 유사도 분석부(510)는 키워드 하나하나를 각각의 차원으로 구성하고, 문서를, 각 단어가 문서에 나타나는 횟수로 표현되는 벡터값으로 설정하여 이러한 다차원 공간에서 코사인 유사도를 통해 문서와 키워드 간 유사도를 측정할 수 있다.
아래의 수학식 5는 코사인 유사도를 계산하는 식으로, A는 질의 키워드, B는 문서 가중치이며 벡터의 값으로 계산된다.
Figure pat00006
사용자 응답 반응 분석부(520)는 소셜 네트워크 상에서 사용자 단말의 과거 응답한 글에 대한 긍정적인 반응('좋아요')의 수와, 응답에 소요된 시간에 기초하여, 아래의 수학식 6에 따라 응답 품질을 판별한다.
Figure pat00007
수학식 6에서 Ar은 사용자의 응답 양이고, An은 사용자의 답변 n, Sim_An은 사용자의 답변 n과 관심분야의 유사도, likeAn은 사용자의 답변 n의 좋아요 평균값, Atn은 사용자의 평균 응답시간이다. 가중치 α, β의 합은 1로 표현된다.
지수 산출부(530)는 상기 유사도와 상기 응답 품질을 합하여 응답 품질 지수를 산출한다.
도 6은 본 발명의 실시예들에 따른 전문가 추천 시스템에서, 사용자 단말들 간 인적 네트워크를 관심분야 별로 재구축하는 일례를 도시한 도면이다.
도 6을 참조하면, 전문가 추천 시스템은, 관심분야 별로 사용자 단말의 인적 네트워크를 재구축한 후 인적 관계 지수를 산출할 수 있다.
도 6의 (ⅰ)에는 소셜 네트워크 시스템을 이용하는 사용자 단말들 사이에 기존에 구축된 인적 네트워크가 도시되어 있다. 도시된 것처럼 기존의 인적 네트워크는 관심분야 A와 B라는 다양한 관심 분야를 가지는 사용자 단말들이 섞여 이루어져 있다.
전문가 추천 시스템은, 관심분야 A를 등록한 사용자 단말들의 인적 관계 지수를 산출하기 위해, 도 6의 (ⅰ)에 도시된 기존의 인적 네트워크에서 관심분야 B를 등록한 사용자 단말들을 배제하고, 관심분야 A를 등록한 사용자 단말들을 이용하여 도 6의 (ⅱ)와 같이 인적 네트워크를 재구축한 후 PageRank 알고리즘을 사용하여 인적 관계 지수를 산출할 수 있다.
마찬가지로, 전문가 추천 시스템은, 관심분야 B를 등록한 사용자 단말들의 인적 관계 지수를 산출하기 위해, 도 6의 (ⅰ)에 도시된 기존의 인적 네트워크에서 관심분야 A를 등록한 사용자 단말들을 배제하고, 관심분야 B를 등록한 사용자 단말들을 이용하여 도 6의 (ⅲ)과 같이 인적 네트워크를 재구축한 후 PageRank 알고리즘을 사용하여 인적 관계 지수를 산출할 수 있다.
전문가 추천 시스템은 관심분야 별로 재구축한 인적 네트워크를 기반으로 PageRank 알고리즘을 사용하여 관심분야 별 인적 네트워크 지수를 판별할 수 있다.
또한, 전문가 추천 시스템은 아래의 수학식 7에 기초하여 관심분야 별 인적 관계 지수를 계산할 수 있다.
Figure pat00008
수학식 7에서, PR(U2)는 관심분야 i의 사용자 U2의 키워드 점수 값, C(U2)는 사용자 U2의 관심분야 i인 친구의 수, N은 관심분야 i을 가지는 총 사용자 수이며, d는 덤핑 벡터로서 0과 1 사이의 수로 설정되며 본 명세서에서는 0.85로 설정될 수 있다.
이와 같이, 전문가 추천 시스템은 분야 별 인적 관계 지수에 기초하여, 질의 키워드와 연관된 관심분야를 가지는 사용자 중에서도 인적 관계가 풍부하여 영향력과 전문성이 높은 사용자를 전문가로서 추천할 수 있게 된다.
도 7은 본 발명의 실시예들에 따른 전문가 추천 시스템에서, 사용자 질의와 매칭되는 전문가 그룹으로 추천 결과를 제공하는 일례를 도시한 도면이다.
도 7을 참조하면, 본 발명의 실시예들에 따른 전문가 추천 시스템은, 질의 키워드에 관해 구성한 전문가 그룹과, 상기 질의 키워드의 하위 키워드에 매칭되는 하위 전문가 그룹을 포함하여 트리(710)를 생성하고, 각 전문가 그룹을 매칭된 키워드의 계층적인 구조에 따라 배치할 수 있다. 전문가 추천 시스템은 상기 트리(710)에 기초하여 전문가 추천 결과(720)를 출력할 수 있다.
일례로, 전문가 추천 시스템은 사용자 질의로부터 추출한 질의 키워드를 도 7의 트리(710)와 비교 매칭하여, 상기 질의 키워드에 매칭된 전문가 그룹 B를 탐색하고, 전문가 그룹 B에 속한 사용자 단말 전체를 포함해 전문가 추천 결과(720)를 출력할 수 있다.
또한, 전문가 추천 시스템은 도 7의 트리(710)에서 전문가 그룹 B에서 분기하는 하위 전문가 그룹 C, D, E를 탐색하고, 각 하위 전문가 그룹 C, D, E에 속한 사용자 단말을 더 포함해 전문가 추천 결과(720)를 출력할 수 있다.
이하, 도 8에서는 본 발명의 실시예들에 따른 전문가 추천 시스템의 작업 흐름을 상세히 설명한다.
도 8은 본 발명의 일실시예에 따른 전문가 추천 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 전문가 추천 방법은 상술한 전문가 추천 시스템에 의해 수행될 수 있다.
도 8을 참조하면, 단계(810)에서 전문가 추천 시스템은 소셜 네트워크 시스템을 통해 사용자 단말로부터 질의 요청이 수신되는지 확인한다.
단계(810)에서 질의 요청이 수신되는 경우, 단계(820)에서 전문가 추천 시스템은 상기 질의로부터 질의 키워드를 추출한다.
예를 들어, 전문가 추천 시스템은 사용자 단말로부터 SNS를 통해 질의('원피스 6기 루피 피규어 언제 출시되나요?')가 요청되면 상기 질의를 분석하여 질의 키워드('피규어')를 추출할 수 있다.
단계(830)에서 전문가 추천 시스템은 단어의 계층적 구조를 고려하여 생성한 전문가 트리에서 상기 질의 키워드와 매칭되는 전문가 그룹을 탐색한다.
일례로, 전문가 추천 시스템은 상기 질의 키워드에 매칭된 전문가 그룹을 데이터베이스에 유지된 트리에서 탐색할 수 있다.
또한, 전문가 추천 시스템은 상기 트리에서 상기 전문가 그룹으로부터 분기하는 하위 전문가 그룹을 더 탐색할 수 있다.
단계(840)에서 전문가 추천 시스템은 상기 전문가 그룹에 속한 전문가를 포함하여 전문가 추천 결과를 출력한다.
또한, 전문가 추천 시스템은 상기 전문가 그룹에서 분기하는 하위 전문가 그룹을 더 포함하여 전문가 추천 결과를 출력할 수 있다.
예를 들어, 도 7을 참조하면, 전문가 추천 시스템은 사용자 질의로부터 추출한 질의 키워드가 전문가 그룹 B에 매칭되었을 때, 전문가 그룹 B와, 상기 질의 키워드의 하위 키워드에 매칭된 전문가 그룹인 C, D, E를 포함하여 전문가 추천 결과를 출력할 수 있다.
이때, 전문가 추천 시스템은 전문가 그룹 C, D, E 각각에서 각 하위 키워드의 개수('3개')에 따라 전문가 지수 순으로 상위('1/3')에 해당하는 일부의 사용자 단말(상위 전문가)만을 선별해 전문가 추천 결과에 포함시킬 수 있다.
이와 같이, 게시글, 댓글, 공유, 긍정적인 반응 등의 소셜 행위와 인적 네트워크 분석을 통해 판별한 각 사용자 단말의 관심분야와 인적 네트워크 및 응답 품질을 고려해 사용자 질의에 신속 정확하게 응답 가능한 전문가 단말을 추천 함으로써, SNS를 통한 질의 응답 서비스의 활용도와 사용자 만족도를 높일 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 전문가 추천 시스템
110: 키워드 추출부 120: 단말 검색부
130: 그룹 구성부 140: 결과 출력부
150: 수집부 160: 관심분야 등록부
170: 네트워크 재구축부 180: 응답 품질 평가부
190: 데이터베이스

Claims (15)

  1. 소셜 네트워크 시스템을 이용하는 제1 사용자 단말로부터 질의가 요청 됨에 따라, 상기 질의로부터 질의 키워드를 추출하는 단계;
    상기 소셜 네트워크 시스템을 이용하는 사용자 단말들 중에서, 상기 질의 키워드와 연관되는 관심분야를 등록한 제2 사용자 단말을 검색하는 단계;
    상기 제2 사용자 단말을 상기 질의에 응답 가능한 전문가 그룹으로 구성하는 단계; 및
    상기 전문가 그룹을 포함하여, 상기 질의 요청에 따른 전문가 추천 결과를 상기 제1 사용자 단말로 출력하는 단계
    를 포함하는 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법.
  2. 제1항에 있어서,
    상기 소셜 네트워크 시스템으로부터 수집된 소셜 행위 데이터를 분석하여, 상기 사용자 단말들 각각에 대해 관심분야를 등록하는 단계; 및
    상기 소셜 네트워크 시스템 상에서 상기 사용자 단말들 사이에 구축되어 있는 인적 네트워크를, 상기 관심분야 별로 재구축하는 단계
    를 더 포함하고,
    상기 검색하는 단계는,
    상기 질의 키워드와 연관되는 관심분야에 관해 재구축된 인적 네트워크에서, 상기 제2 사용자 단말을 검색하는 단계
    를 포함하는 전문가 추천 방법.
  3. 제2항에 있어서,
    상기 전문가 추천 방법은,
    상기 질의가 요청된 시점을 기준으로 일정 이전 기간 동안에 각 사용자 단말이 작성하거나 공유한 게시글과 댓글 중 적어도 하나의 텍스트 형태의 문서를 포함하여 기록된 상기 각 사용자 단말의 소셜 행위 데이터를, 상기 소셜 네트워크 시스템으로부터 수집하는 단계
    를 더 포함하고,
    상기 관심분야를 등록하는 단계는,
    상기 문서로부터 추출되는 관심분야 키워드 각각에 대해, TF-IDF(Term Frequency-Inverse Document Frequency) 기법에 따라 키워드 점수를 부여하는 단계;
    상기 관심분야 키워드가 추출된 문서 각각에 대해, 반응이 입력된 횟수 및 문서 작성 일시를 고려하여 신뢰도 점수를 부여하는 단계;
    상기 키워드 점수 및 상기 신뢰도 점수의 순으로 일정 수의 관심분야 키워드를 선별하는 단계; 및
    상기 선별한 관심분야 키워드를, 상기 각 사용자 단말의 관심분야로 등록하는 단계
    를 포함하는 전문가 추천 방법.
  4. 제3항에 있어서,
    상기 전문가 추천 방법은,
    상기 질의가 요청된 시점으로부터 일정 시간이 경과한 경우, 상기 경과한 시점을 기준으로 상기 일정 이전 기간 동안에 기록된 상기 각 사용자 단말의 소셜 행위 데이터를, 상기 소셜 네트워크 시스템으로부터 재수집하는 단계; 및
    상기 재수집된 소셜 행위 데이터의 분석을 통해, 상기 등록한 관심분야를 갱신하는 단계
    를 더 포함하는 전문가 추천 방법.
  5. 제2항에 있어서,
    상기 검색하는 단계는,
    상기 재구축된 인적 네트워크에서, 연결되어 있는 단말의 수가 설정값 이상인 사용자 단말을, 상기 제2 사용자 단말로서 검색하는 단계
    를 더 포함하는 전문가 추천 방법.
  6. 제2항에 있어서,
    상기 검색하는 단계는,
    상기 재구축된 인적 네트워크에서, 상기 제1 사용자 단말과 연결되어 있는 사용자 단말을 우선하여 상기 제2 사용자 단말로서 검색하는 단계
    를 더 포함하는 전문가 추천 방법.
  7. 제2항에 있어서,
    상기 소셜 행위 데이터에 질의 응답 이력이 포함되는 사용자 단말의 경우,
    상기 전문가 추천 방법은,
    상기 사용자 단말에 의해 제출된 과거응답에 대한 응답 품질을 평가하는 단계로서, 상기 과거응답과 관심분야와의 유사도, 응답 소요 시간 및 상기 과거응답에 대한 타 사용자 단말의 반응 중 적어도 하나를 고려하여, 응답 품질을 수치화 하여 평가하는 단계
    를 더 포함하고,
    상기 검색하는 단계는,
    상기 재구축된 인적 네트워크에서, 상기 응답 품질을 나타내는 수치의 순서로 사용자 단말을, 상기 제2 사용자 단말로서 검색하는 단계
    를 더 포함하는 전문가 추천 방법.
  8. 제1항에 있어서,
    상기 검색하는 단계는,
    상기 질의의 문맥에 따른 주제를 확인하고, 상기 주제 별로 상기 질의 키워드와 연관된 관심분야를 등록한 제2 사용자 단말을 검색하는 단계
    를 포함하는 전문가 추천 방법.
  9. 제1항에 있어서,
    상기 구성한 전문가 그룹을, 상기 질의 키워드에 매칭하는 단계;
    상기 질의 키워드에 대한 하위 키워드 각각으로 구성되는 하위 전문가 그룹을, 상기 각 하위 키워드에 매칭하는 단계; 및
    상기 전문가 그룹 및 상기 하위 전문가 그룹을 각각 노드로서, 매칭된 키워드의 계층적인 구조로 배치한 트리를 생성하는 단계
    를 더 포함하고,
    신규의 질의로부터 상기 질의와 동일한 질의 키워드가 추출되는 경우,
    상기 전문가 추천 결과를 출력하는 단계는,
    상기 트리에서 상기 질의 키워드와 일치하는 키워드에 매칭된 상기 전문가 그룹과, 상기 전문가 그룹에서 분기하는 하위 전문가 그룹을 포함하여, 상기 전문가 추천 결과를 출력하는 단계
    를 포함하는 전문가 추천 방법.
  10. 소셜 네트워크 시스템을 이용하는 제1 사용자 단말로부터 질의가 요청 됨에 따라, 상기 질의로부터 질의 키워드를 추출하는 키워드 추출부;
    상기 소셜 네트워크 시스템을 이용하는 사용자 단말들 중에서, 상기 질의 키워드와 연관되는 관심분야를 등록한 제2 사용자 단말을 검색하는 단말 검색부;
    상기 제2 사용자 단말을 상기 질의에 응답 가능한 전문가 그룹으로 구성하는 그룹 구성부; 및
    상기 전문가 그룹을 포함하여, 상기 질의 요청에 따른 전문가 추천 결과를 상기 제1 사용자 단말로 출력하는 결과 출력부
    를 포함하는 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 시스템.
  11. 제10항에 있어서,
    상기 소셜 네트워크 시스템으로부터 수집된 소셜 행위 데이터를 분석하여, 상기 사용자 단말들 각각에 대해 관심분야를 등록하는 관심분야 등록부; 및
    상기 소셜 네트워크 시스템 상에서 상기 사용자 단말들 사이에 구축되어 있는 인적 네트워크를, 상기 관심분야 별로 재구축하는 네트워크 재구축부
    를 더 포함하고,
    상기 단말 검색부는,
    상기 질의 키워드와 연관되는 관심분야에 관해 재구축된 인적 네트워크에서, 상기 제2 사용자 단말을 검색하는
    전문가 추천 시스템.
  12. 제11항에 있어서,
    상기 전문가 추천 시스템은,
    상기 질의가 요청된 시점을 기준으로 일정 이전 기간 동안에 각 사용자 단말이 작성하거나 공유한 게시글과 댓글 중 적어도 하나의 텍스트 형태의 문서를 포함하여 기록된 상기 각 사용자 단말의 소셜 행위 데이터를, 상기 소셜 네트워크 시스템으로부터 수집하는 수집부
    를 더 포함하고,
    상기 관심분야 등록부는,
    상기 문서로부터 추출되는 관심분야 키워드 각각에 대해, TF-IDF 기법에 따라 키워드 점수를 부여하고,
    상기 관심분야 키워드가 추출된 문서 각각에 대해, 반응이 입력된 횟수 및 문서 작성 일시를 고려하여 신뢰도 점수를 부여하고,
    상기 키워드 점수 및 상기 신뢰도 점수의 순으로 일정 수의 관심분야 키워드를 선별하고,
    상기 선별한 관심분야 키워드를, 상기 각 사용자 단말의 관심분야로 등록하는
    전문가 추천 시스템.
  13. 제12항에 있어서,
    상기 단말 검색부는,
    상기 재구축된 인적 네트워크에서, 연결되어 있는 단말의 수가 설정값 이상인 사용자 단말을, 상기 제2 사용자 단말로서 검색하는
    전문가 추천 시스템.
  14. 제11항에 있어서,
    상기 소셜 행위 데이터에 질의 응답 이력이 포함되는 사용자 단말의 경우,
    상기 전문가 추천 시스템은,
    상기 사용자 단말에 의해 제출된 과거응답에 대한 응답 품질을 평가 시, 상기 과거응답과 관심분야와의 유사도, 응답 소요 시간 및 상기 과거응답에 대한 타 사용자 단말의 반응 중 적어도 하나를 고려하여, 응답 품질을 수치화 하여 평가하는 응답 품질 평가부
    를 더 포함하고,
    상기 단말 검색부는,
    상기 재구축된 인적 네트워크에서, 상기 응답 품질을 나타내는 수치의 순서로 사용자 단말을, 상기 제2 사용자 단말로서 검색하는
    전문가 추천 시스템.
  15. 제10항에 있어서,
    상기 그룹 구성부는,
    상기 구성한 전문가 그룹을, 상기 질의 키워드에 매칭하고,
    상기 질의 키워드에 대한 하위 키워드 각각으로 구성되는 하위 전문가 그룹을, 상기 각 하위 키워드에 매칭하고,
    상기 전문가 그룹 및 상기 하위 전문가 그룹을 각각 노드로서, 매칭된 키워드의 계층적인 구조로 배치한 트리를 생성하고,
    신규의 질의로부터 상기 질의와 동일한 질의 키워드가 추출되는 경우,
    상기 결과 출력부는,
    상기 트리에서 상기 질의 키워드와 일치하는 키워드에 매칭된 상기 전문가 그룹과, 상기 전문가 그룹에서 분기하는 하위 전문가 그룹을 포함하여, 상기 전문가 추천 결과를 출력하는
    전문가 추천 시스템.
KR1020180045948A 2018-04-20 2018-04-20 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템 KR102106203B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180045948A KR102106203B1 (ko) 2018-04-20 2018-04-20 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180045948A KR102106203B1 (ko) 2018-04-20 2018-04-20 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템

Publications (2)

Publication Number Publication Date
KR20190122334A true KR20190122334A (ko) 2019-10-30
KR102106203B1 KR102106203B1 (ko) 2020-04-29

Family

ID=68462942

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180045948A KR102106203B1 (ko) 2018-04-20 2018-04-20 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템

Country Status (1)

Country Link
KR (1) KR102106203B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021118190A1 (ko) * 2019-12-10 2021-06-17 주식회사 우경정보기술 매칭 장치 및 매칭 방법
KR102298407B1 (ko) * 2021-02-03 2021-09-07 더코퍼레이션 주식회사 전문가 상담 서비스 시스템과 방법 및 이를 위한 컴퓨터 프로그램
KR20220021153A (ko) * 2020-08-13 2022-02-22 인천대학교 산학협력단 사용자 위치 및 키워드 기반 지능형 퍼지 유도 시스템 및 방법
WO2022086069A1 (ko) * 2020-10-23 2022-04-28 엘지전자 주식회사 디스플레이장치 및 이의 뉴스 키워드 추천 방법
KR102392163B1 (ko) * 2020-11-20 2022-04-28 김종훈 인공지능 기반의 스타일 추천과 스타일 피팅 시뮬레이션 서비스 제공 장치 및 방법
KR102536172B1 (ko) * 2022-09-05 2023-05-26 주식회사 매일벤처스 인공지능 기반 스포츠 창업 지원 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102561313B1 (ko) * 2022-08-05 2023-07-31 브랜뉴플래닛 주식회사 매칭 플랫폼 서버 및 그 플랫폼의 제어 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120045861A (ko) * 2010-11-01 2012-05-09 주식회사 케이티 소셜 네트워크 기반의 질의 응답 서비스 제공 서버 및 제공 방법
KR20130045425A (ko) * 2011-10-25 2013-05-06 (주)케이테크 소셜 온톨로지 기반 지식 전문가 추천방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120045861A (ko) * 2010-11-01 2012-05-09 주식회사 케이티 소셜 네트워크 기반의 질의 응답 서비스 제공 서버 및 제공 방법
KR20130045425A (ko) * 2011-10-25 2013-05-06 (주)케이테크 소셜 온톨로지 기반 지식 전문가 추천방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021118190A1 (ko) * 2019-12-10 2021-06-17 주식회사 우경정보기술 매칭 장치 및 매칭 방법
KR20210073346A (ko) * 2019-12-10 2021-06-18 주식회사우경정보기술 매칭 장치 및 매칭 방법
KR20220021153A (ko) * 2020-08-13 2022-02-22 인천대학교 산학협력단 사용자 위치 및 키워드 기반 지능형 퍼지 유도 시스템 및 방법
WO2022086069A1 (ko) * 2020-10-23 2022-04-28 엘지전자 주식회사 디스플레이장치 및 이의 뉴스 키워드 추천 방법
KR102392163B1 (ko) * 2020-11-20 2022-04-28 김종훈 인공지능 기반의 스타일 추천과 스타일 피팅 시뮬레이션 서비스 제공 장치 및 방법
KR102298407B1 (ko) * 2021-02-03 2021-09-07 더코퍼레이션 주식회사 전문가 상담 서비스 시스템과 방법 및 이를 위한 컴퓨터 프로그램
KR102561313B1 (ko) * 2022-08-05 2023-07-31 브랜뉴플래닛 주식회사 매칭 플랫폼 서버 및 그 플랫폼의 제어 방법
KR102536172B1 (ko) * 2022-09-05 2023-05-26 주식회사 매일벤처스 인공지능 기반 스포츠 창업 지원 플랫폼 서비스 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR102106203B1 (ko) 2020-04-29

Similar Documents

Publication Publication Date Title
KR102106203B1 (ko) 소셜 네트워크 시스템 기반의 질의 응답 서비스 제공을 위한 전문가 추천 방법 및 전문가 추천 시스템
US10936959B2 (en) Determining trustworthiness and compatibility of a person
US20210329094A1 (en) Discovering signature of electronic social networks
US9875441B2 (en) Question recommending method, apparatus and system
Liu et al. When web search fails, searchers become askers: Understanding the transition
CN105045931A (zh) 一种基于Web挖掘的视频推荐方法和系统
KR101543780B1 (ko) 동적 사용자 프로필 및 소셜 네트워크 신뢰성을 이용한 전문가 검색 시스템 및 방법
Sen et al. A total error framework for digital traces of humans
KR20160057475A (ko) 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법
Hua et al. Towards measuring adversarial twitter interactions against candidates in the us midterm elections
Mirani et al. Sentiment analysis of isis related tweets using absolute location
US8965867B2 (en) Measuring and altering topic influence on edited and unedited media
US20170061448A1 (en) Brand Personality Perception Gap Identification and Gap Closing Recommendation Generation
Okazaki et al. How to mine brand Tweets: Procedural guidelines and pretest
KR20170011963A (ko) 아이템 추천 방법 및 서버
Yigit et al. Extended topology based recommendation system for unidirectional social networks
Kim et al. Topic-Driven SocialRank: Personalized search result ranking by identifying similar, credible users in a social network
Pallas et al. Evaluating the accuracy of cloud NLP services using ground-truth experiments
Stankevich et al. Analysis of Big Five Personality Traits by Processing of Social Media Users Activity Features.
Roshchina et al. User profile construction in the twin personality-based recommender system
Dib et al. Semantic-based followee recommendations on Twitter network
WO2020111329A1 (ko) 유사 사용자 매칭을 이용한 자동 답변 방법 및 시스템
KR101958555B1 (ko) 검색 결과 제공 장치 및 방법
Soltani et al. Identity matching in social media platforms
Benzarti et al. EgoTR: Personalized tweets recommendation approach

Legal Events

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