KR20200036173A - 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치 - Google Patents

사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치 Download PDF

Info

Publication number
KR20200036173A
KR20200036173A KR1020180115436A KR20180115436A KR20200036173A KR 20200036173 A KR20200036173 A KR 20200036173A KR 1020180115436 A KR1020180115436 A KR 1020180115436A KR 20180115436 A KR20180115436 A KR 20180115436A KR 20200036173 A KR20200036173 A KR 20200036173A
Authority
KR
South Korea
Prior art keywords
group
user
machine learning
grouping
analysis algorithm
Prior art date
Application number
KR1020180115436A
Other languages
English (en)
Inventor
이혜영
Original Assignee
주식회사 알스피릿
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 주식회사 알스피릿 filed Critical 주식회사 알스피릿
Priority to KR1020180115436A priority Critical patent/KR20200036173A/ko
Publication of KR20200036173A publication Critical patent/KR20200036173A/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 일 실시예에 따른, 서버에 의해 수행되는 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법에 있어서, (a) 사용자 단말로부터 사용자 정보를 수신하는 단계; (b) 사용자 정보 및 기 수신된 다른 사용자 정보를 통해 제 1 그루핑을 수행하고, 제 1 분석그룹을 생성하는 단계; (c) 사용자 단말로부터 적어도 하나 이상의 그룹선호조건을 수신하고, 그룹선호조건을 통해 제 2 그루핑을 수행하여, 제 1 분석그룹에 포함되는 제 2 분석그룹을 생성하는 단계; (d) 그룹선호조건에 기초하여 제 2 분석그룹에 대응하는 기계학습 분석알고리즘을 판단하는 단계; 및 (e) 기계학습 분석 알고리즘을 사용자 단말에 제공하는 단계;를 포함할 수 있다.

Description

사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치 {METHOD AND APPARATUS FOR RECOMMENDING USER GROUPING AND GROUPWISE PREFERRED MACHINE LEARNING ANALYSIS ALGORITHMS}
본 발명은 복수의 사용자를 그루핑(grouping)하고, 그루핑 된 집단을 분석하기 위한 알고리즘을 추천하는 방법 및 장치에 관한 발명이다.
기술에 발전에 따라, 국내외 기업에 대한 연구가 활발하게 이루어 지고 있으며, 그에 따른, 연구에 결과도 무수하게 누적되고 있는 상황이다. 다양한 분석기업들이 다각도에서 국내외 기업에 대한 경영 환경분석을 수행하고 있으나, 그 방식이 미흡한 상황이다.
예컨대, 주식시장에서 생성되는 온/오프라인 데이터를 과학적인 근거에 기반한 환경 분석 및 투자 예측 방법에 있어 정확도가 높지 않은 편이다.
또한, 이러한 분석은 기업 경영 내부현황 데이터뿐만 아니라 외부(정치, 경제, 정책, 사회, 과학기술, SNS 등) 데이터를 고려한 분석 알고리즘을 추천하는 방법이 존재하고 있지 않은 상황이다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 사용자 정보 혹은 선호하는 분석 방식을 기초로 사용자 집단을 그루핑하고, 그루핑 된 집단을 분석하기 위한 최적의 알고리즘을 도출하여 제공하는 것을 목적으로 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른, 서버에 의해 수행되는 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법에 있어서, (a) 사용자 단말로부터 사용자 정보를 수신하는 단계; (b) 사용자 정보 및 기 수신된 다른 사용자 정보를 통해 제 1 그루핑을 수행하고, 제 1 분석그룹을 생성하는 단계; (c) 사용자 단말로부터 적어도 하나 이상의 그룹선호조건을 수신하고, 그룹선호조건을 통해 제 2 그루핑을 수행하여, 제 1 분석그룹에 포함되는 제 2 분석그룹을 생성하는 단계; (d) 그룹선호조건에 기초하여 제 2 분석그룹에 대응하는 기계학습 분석알고리즘을 판단하는 단계; 및 (e) 기계학습 분석 알고리즘을 사용자 단말에 제공하는 단계;를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 또 다른 일 실시예는, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 장치에 있어서, 사용자 단말로부터 사용자 정보 및 그룹선호조건을 수신하고, 이후 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법을 제공하는 프로그램이 저장된 메모리 및 메모리에 저장된 프로그램을 실행하여 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법을 제공하는 프로세서를 포함하되, 프로세서는 사용자 단말로부터 사용자 정보를 수신하고, 사용자 정보 및 기 수신된 다른 사용자 정보를 통해 제 1 그루핑을 수행하고, 제 1 분석그룹을 생성하고, 사용자 단말로부터 적어도 하나 이상의 그룹선호조건을 수신하고, 그룹선호조건을 통해 제 2 그루핑을 수행하여, 제 1 분석그룹에 포함되는 제 2 분석그룹을 생성하고, 그룹선호조건에 기초하여 제 2 분석그룹에 대응하는 기계학습 분석 알고리즘을 산출하고, 기계학습 분석 알고리즘을 사용자 단말에 제공하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 장치일 수 있다.
본 발명은 사용자 정보 혹은 선호하는 분석 방식을 기초로 사용자 집단을 그루핑하고, 그루핑 된 집단을 분석하기 위한 최적의 알고리즘을 도출하여 제공할 수 있다.
따라서, 분석이 필요한 사용자 집단을 대상으로 최적의 분석 결과를 도출하기 위한 그룹으로 나눌 수 있고, 각각의 그룹을 분석하기 위한 최적의 알고리즘을 제공함으로써 사용자 집단에 대한 높은 분석 결과를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버(100)의 구성을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법을 나타낸 동작 흐름도이다.
도 4a는 본 발명의 일 실시예에 따라, 통계화 된 사용자 정보의 예시이다.
도 4b는 본 발명의 일 실시예에 따라, 사용자 정보를 분산형 차트로 표현한 예시이다.
도 4c는 본 발명의 일 실시예에 따라, 사용자 단말로 전달되는 그루핑 정보의 예시이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
명세서 전체에서, 서버(100)는 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 장치를 의미할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 시스템(1)의 구성을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 시스템(1)은 서버(100) 및 사용자 단말(200)을 포함한다. 또한, 서버(100)와 사용자 단말(200)을 상호 연결하는 통신망을 포함하고, 사용자 단말(201 및 202)은 하나 이상의 복수로 구성된다.
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)에 탑재된 단말 어플리케이션을 통해 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천될 수 있도록, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하기 위한 인터페이스 등을 제공한다. 또한, 사용자 단말(200)은 서버(100)로부터 제공받은 인터페이스에 기초하여 사용자 정보, 그룹선호조건을 제공하며, 그에 대한 결과로 기계학습 분석 알고리즘을 제공받는 것을 특징으로 한다.
여기서, 사용자 정보는 본 발명을 이용하는 사용자의 나이, 성별, 전공, 직업, 사는 곳, 성격 중 적어도 하나 이상을 더 포함하는 것으로, 사용자의 특징이나 성향을 나타낼 수 있는 정보를 뜻할 수 있다.
또한, 기계학습 분석 알고리즘은 복합적인 데이터 온라인 분석 방식을 추천하기 위한 것으로, 서버(100)는 기업 경영 내부현황 데이터뿐만 아니라, 정치, 경제, 정책, 사회, 과학기술 등 다양한 분야의 주제를 다각도로 분석할 수 있는 알고리즘을 사전에 저장해 두고, 사용자 단말에 적합한 기계학습 분석 알고리즘을 제공하는 것이다.
서버(100)는 복수의 사용자 단말(201 및 202)로부터 사용자 정보를 수신하고, 이를 제 1 그루핑 작업을 통해 제 1 분석그룹을 생성하고, 그룹선호조건을 사용자 단말(201 및 202)로부터 추가로 수신하여 제 2 그루핑 작업을 통해 제 1 분석그룹 내부에 존재하는 제 2 분석그룹을 생성한다.
이후, 서버(100)는 제 2 분석그룹에 포함되는 사용자 단말(201 및 202)들의 사용자 단말과 그룹선호조건에 기초하여 기계학습 분석알고리즘을 판단하고, 해당 기계학습 분석 알고리즘을 사용자 단말(200)로 제공하게 된다.
이때, 서버(100)는 사용자 단말(200)로 사용자 정보나, 그룹선호조건을 수신하기 위한 인터페이스를 기 제공할 수 있다. 예를 들면, 설문조사와 같은 형태의 선택지가 있는 인터페이스를 통해 사용자 정보를 수집할 수 있으며, 특히 그룹선호조건의 경우 그룹선호선택 인터페이스를 별도로 제공할 수 있다.
사용자 단말(200)은 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천받기 위한 사용자가 사용하는 단말로 서버(100)로부터 제공받은 인터페이스를 기초로 사용자 정보 및 그룹선호조건을 제공하고, 기계학습 분석 알고리즘을 추천 받아 사용자에게 제공하게 된다.
이때, 사용자 단말(200)은 단순히 기계학습 분석 알고리즘을 수신할 뿐만 아니라, 그루핑 된 분석그룹의 정보나, 추천된 알고리즘에 사용자 정보가 적용되어 생성된 결과값을 수신할 수도 있다.
사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 어플리케이션은 사용자 단말(200)에 내장된 어플리케이션이거나, 어플리케이션 배포 서버로부터 다운로드되어 사용자 단말(200)에 설치된 어플리케이션일 수 있다.
사용자 단말(201 및 202)들은 유무선 통신 환경에서 단말 어플리케이션을 이용할 수 있는 통신 단말기를 의미한다. 여기서 사용자 단말(200)은 사용자의 휴대용 단말기일 수 있다. 도 1에서는 사용자 단말(200)이 휴대용 단말기의 일종인 스마트폰(smart phone)으로 도시되었지만, 본 발명의 사상은 이에 제한되지 아니하며, 상술한 바와 같이 단말 어플리케이션을 탑재할 수 있는 단말에 대해서 제한 없이 차용될 수 있다.
이를 더욱 상세히 설명하면, 사용자 단말(200)은 핸드헬드 컴퓨팅 디바이스(예를 들면, PDA, 이메일 클라이언트 등), 핸드폰의 임의의 형태, 또는 다른 종류의 컴퓨팅 또는 커뮤니케이션 플랫폼의 임의의 형태를 포함할 수 있으나, 본 발명이 이에 한정되는 것은 아니다.
한편, 통신망은 서버(100)와 사용자 단말(200)들을 연결하는 역할을 수행한다. 즉, 통신망은 사용자 단말(200)들이 서버(100)에 접속한 후 데이터를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망(300)은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 2는 본 발명의 일 실시예에 따른 서버(100)의 구성을 나타낸 도면이다.
도 2를 참조하면, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 서버(100)는 통신 모듈(110), 메모리(120), 프로세서(130) 및 데이터베이스(140)를 포함한다.
상세히, 통신 모듈(110)은 통신망과 연동하여 서버(100)와 사용자 단말(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공한다. 나아가, 통신 모듈(110)은 사용자 단말(200)로부터 데이터 요청을 수신하고, 이에 대한 응답으로서 데이터를 송신하는 역할을 수행할 수 있다.
여기서, 통신 모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
메모리(120)는 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하기 위한 프로그램이 기록된다. 또한, 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 메모리(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(130)는 일종의 중앙처리장치로서 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 전체 과정을 제어한다. 프로세서(130)가 수행하는 각 단계에 대해서는 도 3을 참조하여 후술하기로 한다.
여기서, 프로세서(130)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 사용자 단말(200)에 제공하는 사용자 정보 및 그룹선호조건과 그에 대한 결과인 기계학습 분석 알고리즘이 저장될 수 있다. 이때, 저장된 정보들은 신규 사용자 단말(200)로부터 사용자 정보 및 그룹선호조건을 수신하면, 기존의 알고리즘을 산출한 방식과 비교하여 신속하게 신규 사용자 단말(200)에 기계학습 분석 알고리즘을 제공하기 위해 사용될 수 있다.
비록 도 2에는 도시하지 아니하였으나, 알고리즘, 사용자 정보, 보유제품정보, 인플루언서의 스타일링 이미지 중 일부는 데이터베이스(140)와 물리적 또는 개념적으로 분리된 데이터베이스(미도시)에 저장될 수 있다.
도 3은 본 발명의 일 실시예에 따른, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법을 나타낸 동작 흐름도이다.
도 3을 참조하면, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하기 위해서는 먼저, 사용자 단말(200)로부터 사용자 정보를 수신한다(S310).
이때, 서버(100)는 적어도 하나 이상의 사용자 단말(201 및 202)들로부터 각각의 단말에 매핑하는 사용자 정보를 수신하게 된다.
서버(100)는 사용자 정보를 통해 제 1 그루핑을 수행하고, 제 1 분석그룹을 생성한다(S320).
서버(100)가 수신한 복수의 사용자 정보 간의 기 설정된 기준 이상의 유사도를 갖는 사용자 정보들로 제 1 그루핑을 수행하게 된다.
이를 자세하게 설명하면, 서버(100)는 사용자 정보를 도 4a와 같이 통계화하여, 각각의 사용자 정보마다의 유사도를 측정하고, 유사도에 따른 제 1 그루핑을 수행하게 되는 것이다.
이때, 유사도는 코사인 유사도, 유클리디언 유사도 중 적어도 하나를 사용할 수 있으며, 그 외에도 K-평균 군집화(K-means clustering)나 더 진보된 군집화 알고리즘이 있다면, 상기 코사인 유사도나 유클리디언 유사도를 대체하여 적용할 수 있다.
단계(S320) 이후, 서버(100)는 사용자 단말(200)로부터 그룹선호조건을 추가로 수신한다(S330).
서버(100)는 단계(S330)를 수행하기 이전에 사용자 단말(200)로 그룹선호조건을 수신하기 위한 그룹선호선택 인터페이스를 전달할 수 있다.
이때, 그룹선호조건은 기계학습 분석 알고리즘을 수행하기 위한 조건으로 속성값과 가중치를 가지게 된다.
속성값이란 기계학습 분석 알고리즘에 대한 분석 목적, 주제, 변수 정보 중 적어도 하나 이상이 포함될 수 있으며, 가중치는 속성값의 중요성을 수치적 값으로 표현한 것이다.
예컨대, 사용자 단말(200)의 사용자가 원하는 분석의 목적이 A, B, C의 형태의 선택지 방식으로 주어지고 사용자가 속성값 A, B, C 중 하나를 선택하게 된다면, 서버(100)는 사용자 단말(200)에 숫자로 이루어진 가중치를 1~10 중 하나를 선택할 수 있게끔 추가 선택지를 제공하게 된다. 이때, 서버(100)는 사용자가 선택한 속성값에 매핑하는 가중치의 수치가 높을수록, 사용자가 선택한 속성값에 대한 중요도를 높게 평가한다고 판단하게 되는 것이다.
이때, 서버(100)는 제 1 분석그룹에 소속된 복수의 사용자 단말(201 및 202)은 동일한 개수의 속성값을 선택하게 되고, 기 설정된 최대치를 가지는 가중치를 속성값의 개수에 맞게 분배하도록 유도하게 된다.
예컨대, 서버(100)가 그룹선호선택 인터페이스를 통해 3가지의 속성값(예를 들면, D선택지, E선택지, F선택지)의 선택지 및 최대 10의 가중치를 설정하여 사용자 단말(200)에 제공한다고 가정하면, 사용자는 자신이 중요하다고 여기는 속성값을 선택하고, 그에 대한 가중치를 부여하게 된다. 사용자가 D선택지의 속성값에 3, E선택지의 속성값에는 2, F선택지의 속성값에는 5의 가중치를 부여한다면, 서버(100)는 사용자가 F선택지를 통해 선택한 속성값을 매우 중요하게 생각한다고 판단하고, E선택지의 속성값은 상대적으로 낮은 중요성을 가진다고 판단하게 된다.
이때, 서버(100)는 사용자가 D,E,F선택지에서 선택되지 못한 속성값은 기계학습 분석 알고리즘의 선택을 고려할 시, 중요성이 없다고 판단할 수도 있다.
서버(100)는 단계(S330)에서 수신한 그룹선호조건을 통해 제 2 그루핑을 수행하고, 제 1 분석그룹에 포함되는 제 2 분석그룹을 생성한다(S340).
이를 상세하게 설명하면, 서버(100)는 제 1 분석그룹에 공통적으로 소속된 사용자 단말(201 및 202)들로만 제 2 그루핑을 수행하고, 속성값과 가중치의 유사도가 기 설정된 기준 이상을 갖는 사용자 단말(201 및 202)끼리 제 2 그루핑을 수행하게 되는 것이다.
이때, 선택적 실시예로 도 4b와 같이 제 1 분석그룹 혹은 제 2 분석그룹의 정보를 통계화 하여 각 그룹마다 가지는 속성을 사용자 단말(200)로 제공할 수도 있다.
서버(100)는 사용자 정보 및 그룹선호조건에 기초하여 제 2 분석그룹에 대응하는 기계학습 분석 알고리즘을 도출한다(S350).
이를 상세하게 설명하면, 서버(100)는 각 그루핑을 통해 얻게된 사용자 정보 및 그룹선호조건의 유사도와 대응하는 기계학습 분석 알고리즘을 기 설정된 방법에 따라, 데이터베이스(140)에서 검색하여 그 결과를 사용자 단말(200)로 제공하게 되는 것이다.
또한, 추가 실시예로, 복수의 알고리즘이 검색되는 경우, 사용자 단말(200)로부터 추가적인 그룹선호조건을 수신하여, 검색 결과의 범위를 좁힐 수도 있다.
마지막으로, 기계학습 분석 알고리즘을 사용자 단말(200)로 제공한다(S360).
추가 실시예로, 서버(100)는 사용자 단말(200)로 기계학습 분석 알고리즘에 사용자 정보의 대입여부를 묻는 메시지를 전달할 수 있으며, 메시지의 답변에 기초하여 기계학습 분석 알고리즘만 제공하거나, 기계학습 분석 알고리즘에 사용자 정보를 적용한 결과값을 생성하여 알고리즘과 함께 제공할 수도 있다.
단계(S310) 내지 단계(S360)를 수행하는 과정은 서버(100)의 데이터베이스(140)에 저장될 수 있다. 이러한, 데이터가 누적되는 경우 신규 사용자 단말(200)로부터 사용자 정보 및 그룹선호조건을 수신하면, 회귀분석 방식을 통해 기 저장된 기계학습 분석 알고리즘의 도출 과정과 비교하고, 신규 사용자 단말(200)에 어울리는 기계학습 분석 알고리즘을 산출할 수도 있다.
도 4a는 본 발명의 일 실시예에 따라, 통계화 된 사용자 정보의 예시이다.
도 4a를 참조하면, 사용자 정보는 분류(410), 특성값(420) 및 사용자 단말(200)의 식별정보(430)가 포함될 수 있다.
분류(410)는 예컨대, 성별, 전공, 직업, 분석횟수, 분석목적, 주제 등이 포함될 수 있고, 특성값(420)은 분류(410)에 대한 수치로서, 사용자의 정보를 나타내는 정보이다.
식별정보(430)는 적어도 하나 이상의 사용자 단말(201 및 202)들로부터 사용자 정보를 수신하기에, 각각의 사용자 단말(201 및 202)들을 구분하기 위한 정보가 될 수 있다.
도 4b는 본 발명의 일 실시예에 따라, 사용자 정보를 분산형 차트로 표현한 예시이다.
도 4b를 참조하면, 사용자 정보를 분산형 차트로 표현하기 위해 각 클러스터(510)는 도면 상에 도시되어 있는 것과 같이 분산형 차트(520)로 표현될 수 있다.
서버(100)는 각각의 클러스터(510)에 포함되는 복수의 사용자 정보 혹은 그룹선택조건을 분산형 차트(520)로 산출하고, 기 설정된 수치만큼 인접한 정보들을 유사하다고 판단하게 된다.
도 4c는 본 발명의 일 실시예에 따라, 사용자 단말(200)로 전달되는 그루핑 정보의 예시이다.
도 4c를 참조하면, 그루핑 정보는 분석그룹(610), 분석값(620)을 포함할 수 있다.
분석그룹(610)은 그루핑의 결과로 생성된 그룹에 대한 식별 정보를 뜻하고, 사용자가 확인하고 있는 그루핑 정보가 어떤 분석그룹(610)의 속하는지 확인할 수 있다.
분석값(620)은 해당 분석그룹(610)의 특성값(420)을 뜻한다. 이때, 분석값(620)은 해당 분석그룹(610)에 포함되어 있는 사용자 정보 혹은 그룹선택조건의 평균/대표하는 특성값(420)이 될 수 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
1: 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 시스템
100: 서버
200, 201, 202: 사용자 단말

Claims (14)

  1. 서버에 의해 수행되는, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법에 있어서,
    (a) 사용자 단말로부터 사용자 정보를 수신하는 단계;
    (b) 상기 사용자 정보 및 기 수신된 다른 사용자 정보를 통해 제 1 그루핑을 수행하고, 제 1 분석그룹을 생성하는 단계;
    (c) 상기 사용자 단말로부터 적어도 하나 이상의 그룹선호조건을 수신하고, 상기 그룹선호조건을 통해 제 2 그루핑을 수행하여, 상기 제 1 분석그룹에 포함되는 제 2 분석그룹을 생성하는 단계;
    (d) 상기 그룹선호조건에 기초하여 상기 제 2 분석그룹에 대응하는 기계학습 분석알고리즘을 판단하는 단계; 및
    (e) 상기 기계학습 분석 알고리즘을 상기 사용자 단말에 제공하는 단계;
    를 포함하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  2. 제 1 항에 있어서,
    상기 사용자정보는 사용자의 나이, 성별, 전공, 직업, 사는 곳, 성격 중 적어도 하나 이상을 더 포함하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  3. 제 2 항에 있어서,
    상기 (b) 단계는
    복수의 상기 사용자 정보 간의 기 설정된 기준 이상의 유사도를 갖는 복수의 상기 사용자 정보들로 제 1 그루핑을 수행하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  4. 제 3 항에 있어서,
    상기 유사도는 코사인 유사도, 유클리디언 유사도 중 적어도 하나를 사용하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  5. 제 1 항에 있어서,
    상기 (c) 단계 이전에
    상기 그룹선호조건을 수신하기 위한 그룹선호선택 인터페이스를 상기 사용자 단말로 제공하는 단계;를 포함하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  6. 제 1 항에 있어서,
    상기 (c) 단계는
    상기 그룹선호조건은 상기 기계학습 분석 알고리즘을 수행하기 위한 조건으로 속성값과 가중치를 가지되,
    상기 속성값은 상기 기계학습 분석 알고리즘에 대한 분석 목적, 주제, 변수 정보 중 적어도 하나 이상을 포함하고, 가중치는 상기 속성값의 중요성을 수치적 값으로 가지는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  7. 제 6 항에 있어서,
    복수의 상기 사용자 단말은 동일한 개수의 상기 속성값을 선택하고, 기 설정된 최대치를 가지는 상기 가중치를 상기 속성값의 개수에 맞게 분배하도록 유도하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  8. 제 6 항에 있어서,
    상기 제 2 그루핑은 상기 제 1 분석그룹에 공통적으로 소속된 상기 사용자 단말로만 진행하고,
    상기 속성값 및 가중치의 유사도가 기 설정된 기준 이상을 갖는 상기 사용자 단말끼리 제 2 그루핑을 수행하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  9. 제 1 항에 있어서,
    상기 (c) 단계 이후
    상기 제 1 분석그룹 및 제 2 분석그룹의 정보를 통계화하여 상기 사용자 단말로 제공하는 단계;를 더 포함하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  10. 제 1 항에 있어서,
    상기 (d) 단계는
    상기 사용자 정보 및 그룹선호조건의 유사도와 대응하는 상기 기계학습 분석 알고리즘을 기 설정된 방법에 따라 서버의 데이터베이스에서 검색하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  11. 제 1 항에 있어서,
    상기 (e) 단계는
    상기 사용자 단말로 상기 기계학습 분석 알고리즘에 상기 사용자 정보의 대입여부를 묻는 메시지를 전달하고,
    상기 메시지의 답변에 기초하여 상기 기계학습 분석 알고리즘만 제공하거나, 상기 기계학습 분석 알고리즘에 상기 사용자 정보를 적용한 결과값을 함께 제공하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  12. 제 1 항에 있어서,
    상기 (e) 단계 이후
    상기 (a) 단계 내지 상기 (d) 단계의 과정을 통해 도출 과정을 상기 서버의 데이터베이스에 저장하고,
    신규 사용자 단말로부터 상기 사용자 정보 및 그룹선호조건을 수신하면, 회귀분석 방식을 통해 기 저장된 상기 도출 과정과 비교하여, 상기 신규 사용자 단말에 제공하기 위한 상기 기계학습 분석 알고리즘을 산출하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법.
  13. 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 장치에 있어서,
    사용자 단말로부터 사용자 정보 및 그룹선호조건을 수신하고, 이후 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법을 제공하는 프로그램이 저장된 메모리 및
    상기 메모리에 저장된 프로그램을 실행하여 상기 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법을 제공하는 프로세서를 포함하되,
    상기 프로세서는 사용자 단말로부터 사용자 정보를 수신하고, 상기 사용자 정보 및 기 수신된 다른 사용자 정보를 통해 제 1 그루핑을 수행하고, 제 1 분석그룹을 생성하고, 상기 사용자 단말로부터 적어도 하나 이상의 그룹선호조건을 수신하고, 상기 그룹선호조건을 통해 제 2 그루핑을 수행하여, 상기 제 1 분석그룹에 포함되는 제 2 분석그룹을 생성하고, 상기 그룹선호조건에 기초하여 상기 제 2 분석그룹에 대응하는 기계학습 분석 알고리즘을 산출하고, 상기 기계학습 분석 알고리즘을 상기 사용자 단말에 제공하는 것인, 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 장치.
  14. 제 1 항 내지 제 12 항 중 어느 한 항에 따른 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법을 수행하는 프로그램이 기록된 컴퓨터 판독가능 기록매체.
KR1020180115436A 2018-09-28 2018-09-28 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치 KR20200036173A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180115436A KR20200036173A (ko) 2018-09-28 2018-09-28 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180115436A KR20200036173A (ko) 2018-09-28 2018-09-28 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200036173A true KR20200036173A (ko) 2020-04-07

Family

ID=70291091

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180115436A KR20200036173A (ko) 2018-09-28 2018-09-28 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20200036173A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565448B1 (ko) * 2022-12-21 2023-08-08 (주)와이오엘 인공지능 기반의 맞춤형 고객 관리 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565448B1 (ko) * 2022-12-21 2023-08-08 (주)와이오엘 인공지능 기반의 맞춤형 고객 관리 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11968105B2 (en) Systems and methods for social graph data analytics to determine connectivity within a community
CN109241427B (zh) 信息推送方法、装置、计算机设备和存储介质
US11526799B2 (en) Identification and application of hyperparameters for machine learning
CN107305611B (zh) 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
US11250166B2 (en) Fingerprint-based configuration typing and classification
CN108366012B (zh) 一种社交关系建立方法、装置及电子设备
CN110555164B (zh) 群体兴趣标签的生成方法、装置、计算机设备和存储介质
CN112104505B (zh) 应用推荐方法、装置、服务器和计算机可读存储介质
CN110750658A (zh) 一种媒体资源的推荐方法、服务器及计算机可读存储介质
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
US11144793B2 (en) Incremental clustering of a data stream via an orthogonal transform based indexing
CN111078997B (zh) 一种资讯推荐方法及装置
US20230004776A1 (en) Moderator for identifying deficient nodes in federated learning
US20210357553A1 (en) Apparatus and method for option data object performance prediction and modeling
JP6570978B2 (ja) クラスタ選択装置
US10474688B2 (en) System and method to recommend a bundle of items based on item/user tagging and co-install graph
CN111651741B (zh) 用户身份识别方法、装置、计算机设备和存储介质
KR20200036173A (ko) 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치
CN107784363B (zh) 数据处理方法、装置及系统
CN112131607B (zh) 资源数据处理方法、装置、计算机设备和存储介质
CN116882648A (zh) 账户资源分配方法、装置、计算机设备和存储介质
CN116738055A (zh) 信息推荐方法、设备和存储介质
CN115796979A (zh) 一种基于对象行为的物品推荐方法、装置、设备及介质
CN114090873A (zh) 匹配数据的方法、装置、设备和计算机可读介质
CN116932914A (zh) 多模型个性化推荐方法、系统、终端设备及存储介质

Legal Events

Date Code Title Description
E601 Decision to refuse application