KR20200136209A - 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들 - Google Patents

콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들 Download PDF

Info

Publication number
KR20200136209A
KR20200136209A KR1020190061988A KR20190061988A KR20200136209A KR 20200136209 A KR20200136209 A KR 20200136209A KR 1020190061988 A KR1020190061988 A KR 1020190061988A KR 20190061988 A KR20190061988 A KR 20190061988A KR 20200136209 A KR20200136209 A KR 20200136209A
Authority
KR
South Korea
Prior art keywords
learning model
model
content
content recommendation
individual
Prior art date
Application number
KR1020190061988A
Other languages
English (en)
Other versions
KR102277006B1 (ko
Inventor
박지형
Original Assignee
에스케이텔레콤 주식회사
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 에스케이텔레콤 주식회사 filed Critical 에스케이텔레콤 주식회사
Priority to KR1020190061988A priority Critical patent/KR102277006B1/ko
Publication of KR20200136209A publication Critical patent/KR20200136209A/ko
Application granted granted Critical
Publication of KR102277006B1 publication Critical patent/KR102277006B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

개시된 콘텐츠 추천 모델 제공 장치에서 수행하는 콘텐츠 추천 모델 제공 방법은, 복수의 사용자 단말로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집하는 단계와, 전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 전체 사용자의 로그 데이터를 이용하여 전체 학습 모델을 학습시키고, 개별 사용자의 로그 데이터 및 전체 학습 모델의 결과를 이용하여 개별 학습 모델을 학습시키는 단계와, 학습된 개별 학습 모델을 복수의 사용자 단말 중 대응하는 사용자 단말에 콘텐츠 추천 모델로서 전송하는 단계를 포함한다.

Description

콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들{METHOD FOR PROVIDING CONTENT RECOMMENDATION MODEL, METHOD FOR RECOMMENDING CONTENT, AND APPARATUSES THEREOF}
본 발명은 콘텐츠 추천 모델을 제공하는 방법과 이렇게 제공받은 콘텐츠 추천 모델을 이용하여 콘텐츠를 추천하는 방법 및 이 방법들을 수행하는 장치들에 관한 것이다.
미디어, 커머스 등의 서비스 영역에서 콘텐츠 수는 기하 급수적으로 늘어나고 있기에 개인화 추천은 사용자 경험을 개선하는데 도움을 주고 있어서 콘텐츠 서비스 분야 등에서 개인화 추천은 반드시 필요한 요소가 되고 있다.
종래 기술에 따르면, 콘텐츠 추천에 기계학습이나 딥 러닝 등의 학습법을 사용하는 경우에는 추천 엔진이 동작하고 있는 서버에서 모델을 학습하고 학습된 모델을 이용해 개인별 맞춤 콘텐츠 추천 목록을 생성한 뒤 사용자 단말로 전송한다.
개인별 맞춤 콘텐츠 추천 목록의 생성 작업은 주기적으로 추천 목록을 생성하는 배치(Batch) 작업과 필요한 순간에 추천 목록을 생성하여 사용자 단말로 제공하는 실시간 작업으로 구분할 수 있다. 사용자의 취향은 고정되어 있지 않고 상황, 환경, 기분에 따라 바뀔 수 있어 실시간 추천의 성능이 서비스의 사용자 경험 향상에 중요한 요소가 될 수 있다.
하지만 서버에서 개인별 맞춤 콘텐츠 추천 목록을 생성하는 경우 실시간 추천이 가능하지만 서버 자원을 효율적으로 사용하지 못하는 단점이 있다. 예를 들면 딥 러닝 모델로 1명의 추천 결과를 생성하는데 1ms가 소요된다고 가정(실제로는 1ms 이상 소요됨)하면 1개의 CPU(Central Processing Unit)를 사용하면 1초에 1,000명의 추천 결과를 생성할 수 있다. 만약 동시 사용자가 1만명이 된다면 10개의 CPU가 필요하게 되고 10만명이 동시에 사용한다면 100개의 CPU가 필요하게 되어 사용자 수에 따라 선형적으로 필요한 리소스가 증가하게 된다. 이런 부분은 GPU(Graphic Processing Unit)를 활용해도 달라지지 않는다.
공개특허공보 제10-2019-0009063호, 공개일자 2019년 01월 28일.
본 발명의 실시예에 따르면, 전체 사용자의 콘텐츠와 관련된 로그 데이터를 이용하여 개인화 학습 모델을 학습시킨 후 학습된 개인화 학습 모델 중 일부인 개별 사용자에 대응하는 개별 학습 모델을 콘텐츠 추천 모델로서 사용자 단말에 제공하는 콘텐츠 추천 모델 제공 방법 및 장치를 제공한다.
또한, 콘텐츠의 이용과 관련된 로그 데이터를 콘텐츠 추천 모델의 입력 데이터로 이용하여 콘텐츠 추천 모델의 출력 데이터를 콘텐츠에 대한 추천 정보로서 제공하는 콘텐츠 추천 방법 및 장치를 제공한다.
본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 제 1 관점에 따른 콘텐츠 추천 모델 제공 장치에서 수행하는 콘텐츠 추천 모델 제공 방법은, 복수의 사용자 단말로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집하는 단계와, 전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터를 이용하여 상기 전체 학습 모델을 학습시키고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과를 이용하여 상기 개별 학습 모델을 학습시키는 단계와, 상기 학습된 개별 학습 모델을 상기 복수의 사용자 단말 중 대응하는 사용자 단말에 콘텐츠 추천 모델로서 전송하는 단계를 포함한다.
본 발명의 제 2 관점에 따르면, 상기 콘텐츠 추천 모델 제공 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.
본 발명의 제 3 관점에 따른 콘텐츠 추천 모델 제공 장치는, 다수의 사용자 단말과 데이터를 송수신하는 통신부와, 상기 통신부를 제어하는 제어부를 포함하고, 상기 제어부는, 상기 통신부를 통해 상기 다수의 사용자 단말로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집하고, 전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터를 이용하여 상기 전체 학습 모델을 학습시키고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과를 이용하여 상기 개별 학습 모델을 학습시키며, 상기 학습된 개별 학습 모델을 상기 복수의 사용자 단말 중 대응하는 사용자 단말에 콘텐츠 추천 모델로서 전송하도록 상기 통신부를 제어한다.
본 발명의 제 4 관점에 따라 콘텐츠 추천 장치에서 수행하는 콘텐츠 추천 방법은, 콘텐츠의 이용과 관련된 이벤트가 발생하면 상기 콘텐츠의 이용과 관련된 로그 데이터를 생성하는 단계와, 상기 로그 데이터를 콘텐츠 추천 모델의 입력 데이터로 이용하여 상기 콘텐츠 추천 모델의 출력 데이터를 상기 콘텐츠에 대한 추천 정보로서 제공하는 단계를 포함하고, 상기 콘텐츠 추천 모델은, 전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터가 이용되어 상기 전체 학습 모델이 학습되고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과가 이용되어 상기 개별 학습 모델이 학습된 후, 상기 개별 학습 모델이 상기 콘텐츠 추천 모델로서 제공된 것이다.
본 발명의 제 5 관점에 따르면, 상기 콘텐츠 추천 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.
본 발명의 제 6 관점에 따른 콘텐츠 추천 장치는, 콘텐츠의 이용과 관련된 이벤트를 입력할 수 있는 입력부와, 콘텐츠 추천 모델이 저장된 저장부와, 제어부와, 상기 제어부에 의한 처리 결과를 출력하는 출력부를 포함하고, 상기 콘텐츠 추천 모델은, 전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터가 이용되어 상기 전체 학습 모델이 학습되고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과가 이용되어 상기 개별 학습 모델이 학습된 후, 상기 개별 학습 모델이 상기 콘텐츠 추천 모델로서 제공된 것이며, 상기 제어부는, 상기 이벤트가 입력되면 상기 콘텐츠의 이용과 관련된 로그 데이터를 생성하며, 상기 로그 데이터를 상기 콘텐츠 추천 모델의 입력 데이터로 이용하여 상기 콘텐츠 추천 모델의 출력 데이터를 상기 콘텐츠에 대한 추천 정보로서 출력하도록 상기 출력부를 제어한다.
본 발명의 실시예에 의하면, 전체 사용자의 콘텐츠와 관련된 로그 데이터를 이용하여 개인화 학습 모델을 학습시킨 후 학습된 개인화 학습 모델 중 일부인 개별 사용자에 대응하는 개별 학습 모델을 콘텐츠 추천 모델로서 사용자 단말에 제공한다. 그러므로, 개인화 학습 모델 전체를 콘텐츠 추천 모델로 제공하는 경우와 비교할 때에 상대적으로 모델 용량이 감소된다. 이로써, 사용자 단말에서 콘텐츠 추천 모델을 실행하기 위해 필요한 자원 또한 감소되고, 상대적으로 저성능의 연산능력이 요구된다.
또한, 서버측이 아닌 사용자 단말측에서 콘텐츠의 이용과 관련된 로그 데이터를 콘텐츠 추천 모델의 입력 데이터로 이용하여 콘텐츠 추천 모델의 출력 데이터를 콘텐츠에 대한 추천 정보로서 제공하기 때문에, 필요한 순간에 콘텐츠 추천 정보를 제공하는 실시간 작업을 지원하면서도 동시 사용자가 증가하더라도 서버측의 필요 자원이 선형적으로 증가하지 않을 뿐만 아니라 크게 변화가 없고, 콘텐츠 추천 시의 서버와 사용자 단말간의 응답 지연에 영향을 받지 않는 효과가 있다.
도 1은 본 발명의 실시예에 따른 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법이 이용될 수 있는 콘텐츠 추천 시스템의 구성도이다.
도 2는 본 발명의 실시예에 따른 콘텐츠 추천 방법을 이용할 수 있는 사용자 단말의 구성도이다.
도 3은 본 발명의 실시예에 따른 콘텐츠 추천 모델 제공 방법을 이용할 수 있는 서버의 구성도이다.
도 4는 본 발명의 제 1 실시예에 따른 콘텐츠 추천 모델 제공 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 제 1 실시예에 따른 콘텐츠 추천 모델 제공 방법에 이용되는 개인화 학습 모델의 개념도이다.
도 6은 본 발명의 제 2 실시예에 따른 콘텐츠 추천 모델 제공 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 제 2 실시예에 따른 콘텐츠 추천 모델 제공 방법에 이용되는 개인화 학습 모델의 개념도이다.
도 8은 본 발명의 실시예에 따른 콘텐츠 추천 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 실시예에 따른 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법이 이용될 수 있는 콘텐츠 추천 시스템의 구성도이다.
도 1을 참조하면, 실시예에 따른 콘텐츠 추천 시스템(100)은 복수의 사용자 단말(110)이 통신망(10)을 통해 서버(120)에 접속될 수 있다.
사용자 단말(110)은 사용자가 각종 콘텐츠를 이용하기 위한 수단으로서, 개인화 맞춤형 콘텐츠를 추천하기 위한 콘텐츠 추천 정보를 제공할 수 있는 콘텐츠 추천 장치이다. 이러한 사용자 단말(110)은 통신 기능 및 컴퓨팅 연산 기능을 구비한 각종 정보처리장치로 구현할 수 있다. 예를 들어, 사용자 단말(110)은 스마트폰(smart phone) 등으로 불리는 이동통신 단말장치일 수 있다. 물론, 사용자 단말(110)이 이동통신 단말장치로 한정되는 것은 아니다. 이러한 사용자 단말(110)에 대해서는 도 2를 참조하여 아래에서 다시 살펴보기로 한다.
서버(120)는 사용자에게 개인화 맞춤형 콘텐츠를 추천하기 위한 콘텐츠 추천 정보를 제공할 수 있는 콘텐츠 추천 모델을 통신망(10)을 통해 사용자 단말(110)에 제공하는 콘텐츠 추천 모델 제공 장치이다. 이러한 서버(120)는 사용자 단말(110)에 각종 콘텐츠를 직접 제공하거나 별도의 콘텐츠 제공 서버(도시 생략됨)와 연동하여 사용자 단말(110)에 의해 요청된 각종 콘텐츠를 제공할 수 있다. 이러한 서버(120)에 대해서는 도 3를 참조하여 아래에서 다시 살펴보기로 한다.
도 2는 본 발명의 실시예에 따른 콘텐츠 추천 방법을 이용할 수 있는 사용자 단말(110)의 구성도이다.
실시예에 따른 사용자 단말(110)은 입력부(111), 저장부(112), 제어부(113), 출력부(114), 통신부(115)를 포함할 수 있다.
입력부(111)는 콘텐츠의 이용과 관련된 이벤트를 입력할 수 있는 수단으로서, 프로그래머블 키패드 또는 물리 키패드를 제공할 수 있다. 예를 들어, 입력부(111)는 출력부(114)와 일체화된 터치 스크린 패널을 제공할 수 있다.
저장부(112)에는 서버(120)에 의해 제공된 콘텐츠 추천 모델이 저장된다. 예를 들어, 저장부(112)는 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), 플래시 메모리(flash memory)와 같은 프로그램 명령어들을 저장하고 수행하도록 특별히 구성된 하드웨어 장치 등과 같이 컴퓨터 판독 가능한 기록매체일 수 있다.
출력부(114)는 제어부(113)에 의한 처리 결과를 출력한다. 예를 들어, 출력부(114)는 LCD(Liquid Crystal Display) 패널, LED(light emitting diode) 패널, OLED(Organic Light Emitting Diodes) 패널 등과 표시장치를 포함할 수 있고, 입력부(111)와 일체화된 터치 스크린 패널을 제공할 수 있다.
제어부(113)는 사용자 단말(110)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제어부(113)는 마이크로프로세서(Microprocessor)를 포함하여 구현될 수 있다. 이러한 제어부(113)는 입력부(111)에 이벤트가 입력되면 콘텐츠의 이용과 관련된 로그 데이터를 생성하며, 로그 데이터를 콘텐츠 추천 모델의 입력 데이터로 이용하여 콘텐츠 추천 모델의 출력 데이터를 콘텐츠에 대한 추천 정보로서 출력하도록 출력부(114)를 제어한다. 예를 들어, 콘텐츠 이용 이력을 포함하는 시퀀스 데이터에 콘텐츠의 이용과 관련된 로그 데이터를 포함시켜 갱신하고, 갱신된 시퀀스 데이터를 벡터화하며, 벡터화의 결과를 콘텐츠 추천 모델의 입력 데이터로 이용하여 콘텐츠에 대한 추천 정보를 출력하도록 할 수 있다.
통신부(115)는 제어부(113)의 제어에 따라 로그 데이터를 서버(120)로 전송할 수 있고, 제어부(113)의 제어에 따라 서버(120)로부터 콘텐츠 추천 모델을 수신할 수 있다.
도 3은 본 발명의 실시예에 따른 콘텐츠 추천 모델 제공 방법을 이용할 수 있는 서버(120)의 구성도이다.
실시예에 따른 서버(120)는 통신부(121) 및 제어부(122)를 포함할 수 있다.
통신부(121)는 다수의 사용자 단말(110)과 데이터를 송수신한다.
제어부(122)는 통신부(121)를 제어한다. 예를 들어, 제어부(113)는 마이크로프로세서를 포함하여 구현될 수 있다. 이러한 제어부(122)는 통신부(121)를 통해 다수의 사용자 단말(110)로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집하고, 전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 전체 사용자의 로그 데이터를 이용하여 전체 학습 모델을 학습시키고, 개별 사용자의 로그 데이터 및 전체 학습 모델의 결과를 이용하여 개별 학습 모델을 학습시키며, 학습된 개별 학습 모델을 복수의 사용자 단말 중 대응하는 사용자 단말에 콘텐츠 추천 모델로서 전송하도록 통신부(121)를 제어할 수 있다.
도 4는 본 발명의 제 1 실시예에 따른 콘텐츠 추천 모델 제공 방법을 설명하기 위한 흐름도이고, 도 5는 본 발명의 제 1 실시예에 따른 콘텐츠 추천 모델 제공 방법에 이용되는 개인화 학습 모델의 개념도이다. 이러한 본 발명의 제 1 실시예에 대하여 살펴보기로 한다.
사용자 단말(110)의 사용자가 콘텐츠를 이용하기 위하여 입력부(111)에 콘텐츠의 이용과 관련된 이벤트를 입력하면 사용자 단말(110)의 제어부(113)는 입력된 이벤트에 대응하여 콘텐츠의 이용과 관련된 로그 데이터를 생성하며, 이렇게 생성된 로그 데이터는 제어부(113)의 제어에 따라 통신부(115)에 의해 서버(120)로 전송될 수 있다. 이와 관련하여, 서버(120)의 제어부(122)는 통신부(121)를 제어하여 다수의 사용자 단말(110)로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집한다(S410).
표 1은 서버(120)의 제어부(122)에 의해 수집된 로그 데이터를 예시한 것이다.
사용자 식별자 시간
(yyyymmddhhmm)		 메뉴 콘텐츠 식별자 소비시간
A 201903061734 오늘의 추천 76342 320초
A 201903061854 주간 랭킹 6612 1872초
B 201903062133 나를 위한 추천 122675 812초
D 201903062311 유사 콘텐츠 123216 10초
그리고, 서버(120)의 제어부(122)는 복수의 사용자 단말(110)로부터 수집된 로그 데이터에 기초하여 사용자별 콘텐츠 이용 이력을 포함하는 시퀀스 데이터를 생성한다. 예를 들어, 콘텐츠 소비 이력을 시퀀스 데이터로 생성하는 경우라면, 제어부(122)는 spark 등을 이용하여 아래의 표 2와 같이 시퀀스 데이터를 생성할 수 있다(S420). 예컨대, 시퀀스 데이터는 가장 최근에 소비 이력을 갖는 콘텐츠를 맨 오른쪽에 배치한 후 왼쪽으로 갈수록 순차적으로 과거 소비 이력을 갖는 콘텐츠를 배치할 수 있다.
사용자 식별자 콘텐츠 식별자 콘텐츠 식별자 콘텐츠 식별자 콘텐츠 식별자
A 612341 7521 235 76342
B 721 234676 123 6612
C 227872 332366 122356 122675
D 124463 122676 123612 123216
이어서, 서버(120)의 제어부(122)는 시퀀스 데이터를 벡터화한다. 예를 들어, 서버(120)의 제어부(122)는 word2vec, doc2vec, one hot encoding 등을 이용하여 시퀀스 데이터를 벡터화할 수 있다(S430). 예컨대, 표 2의 시퀀스 데이터에 포함된 사용자 식별자를 표 3과 같이 벡터화할 수 있고, 표 2의 시퀀스 데이터에 포함된 콘텐츠 식별자를 표 4와 같이 벡터화할 수 있다.
사용자 식별자 사용자 벡터
A (-0.123, 0.512, 0.182, …, -0.612)
B (0.324, -0.852, 0.75, …, -0.223)
C (-0.132, -0.574, -0.982, …, -0.82)
D (0.67, 0.23, 0.763, …, -0.123)
콘텐츠 식별자 콘텐츠 벡터
125123 (-0.85, 0.234, 0.542, …, -0.421)
5613412331 (0.764, 0.123, -0.3234, …, -0.975)
653423 (-0.643, -0.834, -0.236, …, 0.752)
432 (0.756, -0.125, 0.874, …, -0.822)
다음으로, 서버(120)의 제어부(122)는 단계 S430에 의한 벡터화 결과를 이용하여 개인화 학습 모델을 학습시킨다. 예를 들어, 개인화 학습 모델은 DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등의 딥 러닝 모델이 이용될 수 있다. 여기서, 도 5에 예시한 바와 같이 개인화 학습 모델(500)은 전체 사용자에 대응하는 전체 학습 모델(510)과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델(520)을 포함한다. 그리고, 서버(120)의 제어부(122)는 단계 S410에서 수집된 로그 데이터를 개인화 학습 모델을 학습할 때에, 전체 사용자의 로그 데이터를 이용하여 전체 학습 모델(510)을 학습시키고, 개별 사용자의 로그 데이터 및 전체 학습 모델(510)의 결과를 이용하여 개별 학습 모델(520)을 학습시킨다. 즉, 전체 사용자의 로그 데이터를 변환하여 생성한 벡터화 결과를 이용하여 전체 학습 모델(510)을 학습시키고, 개별 사용자의 로그 데이터를 변환하여 생성한 벡터와 결과 및 전체 학습 모델(510)의 결과를 이용하여 개별 학습 모델(520)을 학습시킨다(S440).
이후, 서버(120)의 제어부(122)는 단계 S440에 의해 학습된 개인화 학습 모델(500) 중 개별 학습 모델(520)을 복수의 사용자 단말(110) 중 대응하는 사용자 단말(110)에 콘텐츠 추천 모델로서 전송하도록 통신부(121)를 제어하고, 통신부(121)는 제어부(122)의 제어에 따라 개별 학습 모델(520)을 콘텐츠 추천 모델로서 해당 사용자 단말(110)로 전송한다(S450).
이러한 본 발명의 제 1 실시예에 의하면, 전체 사용자의 콘텐츠와 관련된 로그 데이터를 이용하여 개인화 학습 모델을 학습시킨 후 학습된 개인화 학습 모델 중 일부인 개별 사용자에 대응하는 개별 학습 모델을 콘텐츠 추천 모델로서 사용자 단말에 제공한다. 그러므로, 개인화 학습 모델 전체를 콘텐츠 추천 모델로 제공하는 경우와 비교할 때에 상대적으로 모델 용량이 감소된다.
한편, 서버(120)는 단계 S410 내지 S450에서 설명한 바와는 달리 복수의 사용자를 유사 행동 패턴을 갖는 복수의 사용자 그룹으로 구분한 후 사용자 그룹별로 콘텐츠 추천 모델을 제공할 수도 있다. 이러한 실시예에는 도 6 및 도 7에 나타내었다. 도 6은 본 발명의 제 2 실시예에 따른 콘텐츠 추천 모델 제공 방법을 설명하기 위한 흐름도이고, 도 7은 본 발명의 제 2 실시예에 따른 콘텐츠 추천 모델 제공 방법에 이용되는 개인화 학습 모델의 개념도이다. 이러한 본 발명의 제 2 실시예에 대하여 살펴보기로 한다.
서버(120)의 제어부(122)는 통신부(121)를 제어하여 다수의 사용자 단말(110)로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집한다(S610). 예를 들어, 서버(120)의 제어부(122)는 표 1에 예시한 바와 같은 로그 데이터를 수집할 수 있다.
그리고, 서버(120)의 제어부(122)는 복수의 사용자 단말(110)로부터 수집된 로그 데이터에 기초하여 사용자별 콘텐츠 이용 이력을 포함하는 시퀀스 데이터를 생성한다. 예를 들어, 콘텐츠 소비 이력을 시퀀스 데이터로 생성하는 경우라면, 제어부(122)는 spark 등을 이용하여 아래의 표 2와 같이 시퀀스 데이터를 생성할 수 있다(S620).
이어서, 서버(120)의 제어부(122)는 시퀀스 데이터를 벡터화한다. 예를 들어, 서버(120)의 제어부(122)는 word2vec, doc2vec, one hot encoding 등을 이용하여 시퀀스 데이터를 벡터화할 수 있다(S630). 예컨대, 표 2의 시퀀스 데이터에 포함된 사용자 식별자를 표 3과 같이 벡터화할 수 있고, 표 2의 시퀀스 데이터에 포함된 콘텐츠 식별자를 표 4와 같이 벡터화할 수 있다.
다음으로, 서버(120)의 제어부(122)는 단계 S630에서 벡터화된 사용자 벡터에 기초하여 유사 행동 패턴을 갖는 M개의 사용자 그룹을 생성한다. 예를 들어, 제어부(122)는 표 3의 사용자 벡터와 사용자 벡터 사이의 거리에 기초하여 서로 소정 거리 이내로 이격된 사용자들을 동일한 사용자 그룹으로 구분할 수 있다(S640).
그리고, 서버(120)의 제어부(122)는 단계 S630에서 벡터화된 콘텐츠 벡터를 입력 데이터로 사용하여 M개의 사용자 그룹별로 개인화 학습 모델을 학습시킨다. 예를 들어, 개인화 학습 모델은 DNN, CNN, RNN 등의 딥 러닝 모델이 이용될 수 있다. 여기서, 도 7에 예시한 바와 같이 개인화 학습 모델(700)은 사용자 그룹별 모델 데이터, 즉 해당 사용자 그룹에 대응하는 콘텐츠 벡터를 입력으로 하여 학습된다(S650).
이후, 서버(120)의 제어부(122)는 단계 S650에 의해 학습된 사용자 그룹별 개인화 학습 모델(700)을 복수의 사용자 단말(110) 중 대응하는 사용자 그룹의 사용자 단말(110)에 콘텐츠 추천 모델로서 전송하도록 통신부(121)를 제어하고, 통신부(121)는 제어부(122)의 제어에 따라 개인화 학습 모델(700)을 콘텐츠 추천 모델로서 해당 사용자 단말(110)로 전송한다(S660).
이러한 본 발명의 제 2 실시예에 의하면, 개인화 학습 모델(700)을 M개의 사용자 그룹으로 구분하여 학습시킨 후 콘텐츠 추천 모델로서 사용자 단말에 제공한다. 그러므로, 전체 사용자에 대하여 단일의 개인화 학습 모델을 학습할 때와 비교할 때에 M개의 사용자 그룹으로 나눠지기 때문에 상대적으로 모델 용량이 감소된다.
도 8은 본 발명의 실시예에 따른 콘텐츠 추천 방법을 설명하기 위한 흐름도이다. 이러한 도 8을 참조하여 본 발명의 실시예에 따라 사용자 단말(110)에 의해 콘텐츠 추천 정보가 제공되는 과정에 대해 살펴보기로 한다.
먼저, 사용자 단말(110)의 입력부(111)를 통해 콘텐츠와 관련된 이벤트가 입력되면 제어부(113)는 입력된 이벤트에 대응하여 콘텐츠의 이용과 관련된 로그 데이터를 생성한다(S810).
그리고, 제어부(113)는 통신부(115)를 제어하여 단계 S810에서 생성된 로그 데이터를 서버(120)로 전송하도록 제어하고, 해당 로그 데이터가 통신부(115)에 의해 서버(120)로 전송된다. 그러면, 앞서 도 4 내지 도 7를 참조하여 설명한 바와 같이 서버(120)가 사용자 단말(110)로 콘텐츠 추천 모델을 전송하고, 제어부(113)는 통신부(115)를 제어하여 콘텐츠 추천 모델을 수신한 후, 저장부(112)에 수신된 콘텐츠 추천 모델을 저장한다.
한편, 사용자 단말(110)의 제어부(113)는 단계 S810에서 생성된 로그 데이터에 기초하여 시퀀스 데이터를 생성한다. 예를 들어, 제어부(113)는 spark 등을 이용하여 시퀀스 데이터를 생성할 수 있다. 예컨대, 제어부(113)는 기존의 콘텐츠 이용 이력을 포함하여 사전에 생성해 둔 시퀀스 데이터에 단계 S810에서 생성된 로그 데이터를 포함시켜 시퀀스 데이터를 갱신할 수 있다.
이어서, 사용자 단말(110)의 제어부(113)는 단계 S820에서 생성된 시퀀스 데이터를 벡터화한다. 예를 들어, 사용자 단말(110)의 제어부(113)는 word2vec, doc2vec, one hot encoding 등을 이용하여 시퀀스 데이터를 벡터화할 수 있다(S830).
다음으로, 사용자 단말(110)의 제어부(113)는 단계 S830에 의한 벡터화의 결과를 콘텐츠 추천 모델의 입력 데이터로 이용하고, 콘텐츠 추천 모델의 출력 데이터로서 콘텐츠에 대한 추천 정보가 획득되면 해당 콘텐츠에 대한 추천 정보를 출력하도록 출력부(114)를 제어하며, 출력부(114)에 의해 콘텐츠 추천 모델에 의해 추천된 콘텐츠에 대한 추천 정보가 출력되어, 이러한 콘텐츠에 대한 추천 정보를 사용자가 인지하게 된다(S840). 예를 들어, 콘텐츠에 대한 추천 정보로는 콘텐츠명과 해당 콘텐츠에 대응하는 추천점수를 포함하여 제공할 수 있다. 예컨대, 콘텐츠 추천 모델이 콘텐츠를 추천하는 경우, 해당 사용자의 콘텐츠 취향 벡터를 딥 러닝의 결과로서 획득하고, 취향 벡터에 가까이 있는 콘텐츠 식별자를 포함하는 콘텐츠 추천 리스트를 생성하여 콘텐츠에 대한 추천 정보로서 제공할 수 있다.
지금까지 설명한 바와 같이 본 발명의 실시예들에 의하면, 전체 사용자의 콘텐츠와 관련된 로그 데이터를 이용하여 개인화 학습 모델을 학습시킨 후 학습된 개인화 학습 모델 중 일부인 개별 사용자에 대응하는 개별 학습 모델을 콘텐츠 추천 모델로서 사용자 단말에 제공한다. 그러므로, 개인화 학습 모델 전체를 콘텐츠 추천 모델로 제공하는 경우와 비교할 때에 상대적으로 모델 용량이 감소된다. 이로써, 사용자 단말에서 콘텐츠 추천 모델을 실행하기 위해 필요한 자원 또한 감소되고, 상대적으로 저성능의 연산능력이 요구된다.
또한, 서버측이 아닌 사용자 단말측에서 콘텐츠의 이용과 관련된 로그 데이터를 콘텐츠 추천 모델의 입력 데이터로 이용하여 콘텐츠 추천 모델의 출력 데이터를 콘텐츠에 대한 추천 정보로서 제공하기 때문에, 필요한 순간에 콘텐츠 추천 정보를 제공하는 실시간 작업을 지원하면서도 동시 사용자가 증가하더라도 서버측의 필요 자원이 선형적으로 증가하지 않을 뿐만 아니라 크게 변화가 없고, 콘텐츠 추천 시의 서버와 사용자 단말간의 응답 지연에 영향을 받지 않는 효과가 있다.
본 발명에 첨부된 각 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 기록매체에 저장된 인스트럭션들은 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
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 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명의 실시예에 의하면, 전체 사용자의 콘텐츠와 관련된 로그 데이터를 이용하여 개인화 학습 모델을 학습시킨 후 학습된 개인화 학습 모델 중 일부인 개별 사용자에 대응하는 개별 학습 모델을 콘텐츠 추천 모델로서 사용자 단말에 제공한다. 이러한 본 발명은 미디어, 커머스 등의 서비스 영역에서 각종 콘텐츠를 제공하거나 개인화 추천 기능을 제공할 때에 이용할 수 있다.
110: 사용자 단말
120: 서버
500: 개인화 학습 모델
510: 전체 학습 모델
520: 개별 학습 모델

Claims (7)

  1. 콘텐츠 추천 모델 제공 장치에서 수행하는 콘텐츠 추천 모델 제공 방법으로서,
    복수의 사용자 단말로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집하는 단계와,
    전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터를 이용하여 상기 전체 학습 모델을 학습시키고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과를 이용하여 상기 개별 학습 모델을 학습시키는 단계와,
    상기 학습된 개별 학습 모델을 상기 복수의 사용자 단말 중 대응하는 사용자 단말에 콘텐츠 추천 모델로서 전송하는 단계를 포함하는
    콘텐츠 추천 모델 제공 방법.
  2. 제 1 항에 있어서,
    상기 수집된 로그 데이터에 기초하여 사용자별 콘텐츠 이용 이력을 포함하는 시퀀스 데이터를 생성하는 단계와,
    상기 시퀀스 데이터를 벡터화하는 단계를 더 포함하고,
    상기 개인화 학습 모델은,
    상기 전체 사용자에 대한 상기 벡터화의 결과를 상기 전체 학습 모델의 입력 데이터로 사용하며, 상기 개별 사용자에 대한 상기 벡터화의 결과 및 상기 전체 학습 모델의 결과를 상기 개별 학습 모델의 입력 데이터로 사용하는
    콘텐츠 추천 모델 제공 방법.
  3. 제 1 항 또는 제 2 항에 기재된 콘텐츠 추천 모델 제공 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는
    컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
  4. 다수의 사용자 단말과 데이터를 송수신하는 통신부와,
    상기 통신부를 제어하는 제어부를 포함하고,
    상기 제어부는,
    상기 통신부를 통해 상기 다수의 사용자 단말로부터 사용자들의 콘텐츠와 관련된 로그 데이터를 수집하고, 전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터를 이용하여 상기 전체 학습 모델을 학습시키고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과를 이용하여 상기 개별 학습 모델을 학습시키며, 상기 학습된 개별 학습 모델을 상기 복수의 사용자 단말 중 대응하는 사용자 단말에 콘텐츠 추천 모델로서 전송하도록 상기 통신부를 제어하는
    콘텐츠 추천 모델 제공 장치.
  5. 콘텐츠 추천 장치에서 수행하는 콘텐츠 추천 방법으로서,
    콘텐츠의 이용과 관련된 이벤트가 발생하면 상기 콘텐츠의 이용과 관련된 로그 데이터를 생성하는 단계와,
    상기 로그 데이터를 콘텐츠 추천 모델의 입력 데이터로 이용하여 상기 콘텐츠 추천 모델의 출력 데이터를 상기 콘텐츠에 대한 추천 정보로서 제공하는 단계를 포함하고,
    상기 콘텐츠 추천 모델은,
    전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터가 이용되어 상기 전체 학습 모델이 학습되고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과가 이용되어 상기 개별 학습 모델이 학습된 후, 상기 개별 학습 모델이 상기 콘텐츠 추천 모델로서 제공된 것인
    콘텐츠 추천 방법.
  6. 제 6 항에 기재된 콘텐츠 추천 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는
    컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
  7. 콘텐츠의 이용과 관련된 이벤트를 입력할 수 있는 입력부와,
    콘텐츠 추천 모델이 저장된 저장부와,
    제어부와,
    상기 제어부에 의한 처리 결과를 출력하는 출력부를 포함하고,
    상기 콘텐츠 추천 모델은,
    전체 사용자에 대응하는 전체 학습 모델과 복수의 개별 사용자에 대응하는 복수의 개별 학습 모델을 포함하는 개인화 학습 모델에 대하여, 상기 전체 사용자의 상기 로그 데이터가 이용되어 상기 전체 학습 모델이 학습되고, 상기 개별 사용자의 상기 로그 데이터 및 상기 전체 학습 모델의 결과가 이용되어 상기 개별 학습 모델이 학습된 후, 상기 개별 학습 모델이 상기 콘텐츠 추천 모델로서 제공된 것이며,
    상기 제어부는,
    상기 이벤트가 입력되면 상기 콘텐츠의 이용과 관련된 로그 데이터를 생성하며, 상기 로그 데이터를 상기 콘텐츠 추천 모델의 입력 데이터로 이용하여 상기 콘텐츠 추천 모델의 출력 데이터를 상기 콘텐츠에 대한 추천 정보로서 출력하도록 상기 출력부를 제어하는
    콘텐츠 추천 장치.
KR1020190061988A 2019-05-27 2019-05-27 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들 KR102277006B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190061988A KR102277006B1 (ko) 2019-05-27 2019-05-27 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190061988A KR102277006B1 (ko) 2019-05-27 2019-05-27 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들

Publications (2)

Publication Number Publication Date
KR20200136209A true KR20200136209A (ko) 2020-12-07
KR102277006B1 KR102277006B1 (ko) 2021-07-13

Family

ID=73791294

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190061988A KR102277006B1 (ko) 2019-05-27 2019-05-27 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들

Country Status (1)

Country Link
KR (1) KR102277006B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102321713B1 (ko) * 2021-04-19 2021-11-03 주형진 턱걸이 기구를 이용한 인공지능 기반 콘텐츠 제공 방법, 장치 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012138667A1 (en) * 2011-04-05 2012-10-11 Netflix, Inc. Recommending digital content based on implicit user identification
US20170091652A1 (en) * 2015-09-24 2017-03-30 Linkedin Corporation Regularized model adaptation for in-session recommendations
JP2018181326A (ja) * 2017-04-06 2018-11-15 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ ディープラーニングを活用した個人化商品推薦
KR20190009063A (ko) 2017-07-18 2019-01-28 한국과학기술원 이종 컨텐츠 추천 모델 제공 장치 및 방법
KR20190088131A (ko) * 2018-01-05 2019-07-26 주식회사 라온랩 여행상품 추천 딥러닝 모듈을 이용한 개인별 여행상품 큐레이션 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012138667A1 (en) * 2011-04-05 2012-10-11 Netflix, Inc. Recommending digital content based on implicit user identification
US20170091652A1 (en) * 2015-09-24 2017-03-30 Linkedin Corporation Regularized model adaptation for in-session recommendations
JP2018181326A (ja) * 2017-04-06 2018-11-15 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ ディープラーニングを活用した個人化商品推薦
KR20190009063A (ko) 2017-07-18 2019-01-28 한국과학기술원 이종 컨텐츠 추천 모델 제공 장치 및 방법
KR20190088131A (ko) * 2018-01-05 2019-07-26 주식회사 라온랩 여행상품 추천 딥러닝 모듈을 이용한 개인별 여행상품 큐레이션 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102321713B1 (ko) * 2021-04-19 2021-11-03 주형진 턱걸이 기구를 이용한 인공지능 기반 콘텐츠 제공 방법, 장치 및 시스템
WO2022225136A1 (ko) * 2021-04-19 2022-10-27 주형진 턱걸이 기구를 이용한 인공지능 기반 콘텐츠 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR102277006B1 (ko) 2021-07-13

Similar Documents

Publication Publication Date Title
US20210304075A1 (en) Batching techniques for handling unbalanced training data for a chatbot
US10503767B2 (en) Computerized natural language query intent dispatching
US20180004729A1 (en) State machine based context-sensitive system for managing multi-round dialog
US20190171727A1 (en) Personalized contextual predictive type-ahead query suggestions
US20210304003A1 (en) Method and system for constraint based hyperparameter tuning
US10387528B2 (en) Search results integrated with interactive conversation service interface
US20210312136A1 (en) Machine Learning System for Optimizing Projects
WO2015158881A1 (en) Methods and systems for managing dialogs of a robot
US10997373B2 (en) Document-based response generation system
US10762902B2 (en) Method and apparatus for synthesizing adaptive data visualizations
US20220100763A1 (en) Optimizing job runtimes via prediction-based token allocation
WO2022115291A1 (en) Method and system for over-prediction in neural networks
CN111353299A (zh) 基于人工智能的对话场景确定方法和相关装置
KR102277006B1 (ko) 콘텐츠 추천 모델 제공 방법과 콘텐츠 추천 방법 및 그 장치들
US20160070678A1 (en) Managing a presentation
US20210098012A1 (en) Voice Skill Recommendation Method, Apparatus, Device and Storage Medium
KR102493435B1 (ko) 인지중재 프로그램 제공 방법 및 그 장치
CN112925894A (zh) 对话中标问匹配方法、系统及装置
CN113366510A (zh) 经由训练的原始网络与双网络来执行多目标任务
CN109254816A (zh) 素材处理方法及装置、存储介质和电子设备
KR20230035750A (ko) 공간 맞춤형 인테리어 설계 및 견적 정보 제공 방법, 장치 및 시스템
CN108415983B (zh) 一种基于交互的智能问题解决方法和装置
CN113413590A (zh) 一种信息验证方法、装置、计算机设备及存储介质
CN111782794A (zh) 问答响应方法和装置
US20230239377A1 (en) System and techniques to autocomplete a new protocol definition

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant