KR20210023111A - System for recommending performance - Google Patents

System for recommending performance Download PDF

Info

Publication number
KR20210023111A
KR20210023111A KR1020190102840A KR20190102840A KR20210023111A KR 20210023111 A KR20210023111 A KR 20210023111A KR 1020190102840 A KR1020190102840 A KR 1020190102840A KR 20190102840 A KR20190102840 A KR 20190102840A KR 20210023111 A KR20210023111 A KR 20210023111A
Authority
KR
South Korea
Prior art keywords
performance
user
propensity
information
recommendation
Prior art date
Application number
KR1020190102840A
Other languages
Korean (ko)
Other versions
KR102257690B1 (en
Inventor
최희재
Original Assignee
주식회사 지금컴퍼니
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 지금컴퍼니 filed Critical 주식회사 지금컴퍼니
Priority to KR1020190102840A priority Critical patent/KR102257690B1/en
Publication of KR20210023111A publication Critical patent/KR20210023111A/en
Application granted granted Critical
Publication of KR102257690B1 publication Critical patent/KR102257690B1/en

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Abstract

According to one aspect of the present invention, a performance recommendation system comprises: a propensity information collection unit collecting propensity information including DISC propensity and user interest information of a user analyzed in advance through a survey from a user terminal; a performance information collection unit collecting performance information; a performance recommendation engine selecting and merging variables to be used for learning according to a predefined data schema from the propensity information collected with a pre-trained deep learning-based deep learning model and receiving the merged variables as input to output a list of recommended performances; and a performance recommendation unit selecting and recommending a performance for recommendation to the user from the recommended performance list based on the DISC tendency of the user.

Description

공연 추천 시스템{SYSTEM FOR RECOMMENDING PERFORMANCE}Performance recommendation system {SYSTEM FOR RECOMMENDING PERFORMANCE}

본 발명은 공연 추천 시스템에 관한 것으로, 더욱 상세하게는 개인의 DISC 성향을 기초로 선호하는 공연을 추천하는 시스템에 관한 것이다.The present invention relates to a system for recommending a performance, and more particularly, to a system for recommending a performance that is preferred based on a personal DISC disposition.

사람들은 저마다 서로 다른 행동의 경향성을 가지고 있으며, 서로 다른 방식으로 사물을 이해하고 판단한다. 이렇듯 저마다 다른 독특한 인간의 특성을 설명하는 행동 모델의 하나로 DISC 행동유형 패턴모델이 있다. DISC는 192I년 미국 콜롬비아 대학의 Marston 박사가 고안한 인간의 행동유형 패턴을 검사하는 방법으로 성격 유형을 사람들의 행동유형에 따라 구분하여 주도형(Dominance), 사교형(Influence), 안정형(Steadiness), 신중형(Conscientiousness)의 4가지 유형으로 분류한다. DISC는 이 4가지 유형의 머리글자를 따서 이르는 말이다.Different people have different behavioral tendencies, and they understand and judge things in different ways. As such, one of the behavioral models that explain different and unique human characteristics is the DISC behavioral pattern model. DISC is a method designed by Dr. Marston of Columbia University in the United States in 192I to examine the patterns of human behavior. It is classified into four types: Conscientiousness. DISC stands for these four types of acronyms.

최근 머신러닝을 기반으로 하는 추천 서비스가 많이 등장하고 있다. 개인 선호도를 정보를 바탕으로 이러한 추천 서비스의 중요도가 높아지고 있다.Recently, a lot of recommendation services based on machine learning have appeared. The importance of such recommendation services is increasing based on personal preference information.

본 발명은 예측된 사용자의 DISC 성향과 사용자 관심사 정보를 기초로 사용자에게 공연, 페스티벌 등을 추천하는 시스템을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a system for recommending performances, festivals, etc. to users based on predicted user's DISC propensity and user interest information.

본 발명의 일 양상에 따르면 공연 추천 시스템은 성향 정보 수집부와, 활동량 수집부와, 공연 추천 엔진과, 공연 추천부를 포함한다.According to an aspect of the present invention, a performance recommendation system includes a propensity information collection unit, an activity amount collection unit, a performance recommendation engine, and a performance recommendation unit.

성향 정보 수집부는 사전 설문조사되어 분석된 사용자의 DISC 성향과 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집한다.The propensity information collection unit collects propensity information from the user terminal, including information about the user's DISC propensity and user interests, which has been analyzed through a preliminary survey.

공연 정보 수집부는 공연 정보를 제공하는 웹 포털에 접속하여 공연 정보를 수집한다.The performance information collection unit collects performance information by accessing a web portal that provides performance information.

공연 추천 엔진은 사전 학습된 딥러닝 기반의 딥러닝 모델로 수집한 성향 정보와 공연 정보로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 공연 리스트를 출력한다.The performance recommendation engine selects and merges variables to be used for learning according to a predefined data schema from propensity information and performance information collected by a deep learning model based on pre-learned deep learning, and receives the merged variables to create a list of recommended performances. Print it out.

공연 추천부는 사용자의 DISC 성향을 기초로 추천 공연 리스트에서 사용자에게 추천할 공연을 선택하여 추천한다.The performance recommendation unit selects and recommends a performance to be recommended to the user from the recommended performance list based on the user's DISC disposition.

본 발명의 추가적 양상에 따르면 공연 추천 시스템은 DISC 성향 예측부를 더 포함할 수 있다.According to an additional aspect of the present invention, the performance recommendation system may further include a DISC propensity predictor.

DISC 성향 예측부는 사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하고, 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측할 수 있다. 이때, 공연 추천부는 예측된 사용자의 DISC 성향을 기초로 추천 공연 리스트에서 사용자에게 추천할 공연을 선택한다.The DISC propensity prediction unit collects log data on the use of IoT devices installed in the user's living space, selects variables to be used for learning according to a predefined data schema from the collected log data, and dips the selected variables in advance. The user's DISC propensity can be predicted through a learning-based DISC propensity prediction engine. In this case, the performance recommendation unit selects a performance to be recommended to the user from the recommended performance list based on the predicted user's DISC disposition.

본 발명의 추가적 양상에 따르면 공연 추천 시스템은 위치 추적부를 더 포함할 수 있고, 위치 추적부는 GPS 또는 와이파이 접속 정보를 이용하여 사용자 단말의 위치를 추적하여 사용자의 현재 위치를 추적한다. 이때, 공연 추천부는 사용자 단말의 위치 주변의 공연을 검색하여 사용자에게 추천할 수 있다.According to a further aspect of the present invention, the performance recommendation system may further include a location tracking unit, and the location tracking unit tracks the current location of the user by tracking the location of the user terminal using GPS or Wi-Fi access information. In this case, the performance recommendation unit may search for a performance around the location of the user terminal and recommend it to the user.

본 발명의 추가적 양상에 따르면 공연 추천 시스템은 공연 예약부를 더 포함할 수 있고, 공연 예약부는 공연 추천부가 추천한 공연을 인터넷을 통해 예약할 수 있다.According to an additional aspect of the present invention, the performance recommendation system may further include a performance reservation unit, and the performance reservation unit may reserve a performance recommended by the performance recommendation unit through the Internet.

본 발명의 공연 추천 시스템에 의하면 사용자의 DISC 성향과 사용자 관심사를 기초로 사용자에게 공연을 보다 정확하게 추천할 수 있다.According to the performance recommendation system of the present invention, a performance can be more accurately recommended to a user based on the user's DISC disposition and user interest.

도 1은 본 발명의 일 양상에 따른 공연 추천 시스템을 개념적으로 도시한 블록도이다.
도 2는 본 발명의 다양한 양상에 따른 공연 추천 시스템이 사용자 단말에 추천한 개인화된 공연 추천 서비스의 예시를 도시한 것이다.
도 3은 본 발명의 일 양상에 따른 공연 추천 시스템의 IoT 디바이스들의 사용패턴으로부터 DISC 성향을 예측하는 절차를 도시한 절차도이다.
도 4는 본 발명의 다양한 양상에 따른 공연 추천 시스템이 DISC 성향을 기초로 공연을 추천하는 절차를 도시한 절차도이다.1 is a block diagram conceptually showing a performance recommendation system according to an aspect of the present invention.
2 illustrates an example of a personalized performance recommendation service recommended to a user terminal by a performance recommendation system according to various aspects of the present invention.
3 is a flowchart illustrating a procedure for predicting a DISC tendency from a usage pattern of IoT devices in a performance recommendation system according to an aspect of the present invention.
4 is a flowchart illustrating a procedure for recommending a performance based on a DISC tendency by a performance recommendation system according to various aspects of the present invention.

이하, 첨부한 도면을 참조하여 본 발명의 공연 추천 시스템이 사용자의 DISC 기반의 성향과 개인 관심사 정보를 기초로 공연을 추천하는 시스템에 바람직한 실시 예를 상세히 설명한다.Hereinafter, a preferred embodiment of a system for recommending a performance based on a user's DISC-based disposition and personal interest information will be described in detail with reference to the accompanying drawings.

각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 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 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.The same reference numerals shown in each drawing indicate the same members. In addition, specific structural or functional descriptions of the embodiments of the present invention are exemplified only for the purpose of describing the embodiments according to the present invention, and unless otherwise defined, all terms used herein including technical or scientific terms They have the same meaning as commonly understood by those of ordinary skill in the art to which the present invention belongs. Terms as defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in the present specification. It is desirable not to.

도 1은 본 발명의 일 양상에 따른 공연 추천 시스템을 개념적으로 도시한 블록도이다. 도 1을 참조하여 설명하면, 공연 추천 시스템(10)은 사용자 단말로부터 성향정보를 수집한다. 공연 추천 시스템(10)은 성향 정보를 학습한 딥러닝 기반의 공연 추천 엔진(120)을 통해 추천 공연 리스트를 획득하여 사용자의 DISC 성향을 기초로 사용자에게 적합한 공연을 추천한다. 공연은 연극, 클래식 공연, 콘서트, 영화, 뮤지컬, 페스티벌, 문화제 등 다양한 문화행사를 포함할 수 있다.1 is a block diagram conceptually showing a performance recommendation system according to an aspect of the present invention. Referring to FIG. 1, the performance recommendation system 10 collects propensity information from a user terminal. The performance recommendation system 10 obtains a recommended performance list through the deep learning-based performance recommendation engine 120 that has learned the propensity information, and recommends a suitable performance to the user based on the user's DISC propensity. Performances may include various cultural events such as plays, classical performances, concerts, movies, musicals, festivals, and cultural festivals.

또한 공연 추천 시스템(10)은 IoT 디바이스 사용패턴으로부터 사용자의 DISC 성향을 예측하기 위해 사용자의 생활 공간에 설치되는 IoT 디바이스들로부터 로그 데이터를 수집한다. IoT 디바이스들은 복수 개가 존재하는 것이 일반적이므로 IoT 게이트웨이 또는 IoT 허브를 통해 타 시스템과 연결되고, IoT 디바이스들은 Bluetooth, Z-Wave, ZigBee 등의 저전력 무선통신 프로토콜을 이용하여 IoT 게이트웨이 또는 IoT 허브와 통신하도록 IoT 인프라가 구성될 수 있다. 따라서, IoT 디바이스들은 공연 추천 시스템(10)과 직접 연결되지 않고 IoT 게이트웨이 또는 IoT 허브를 통해 연결될 수 있다. 다만, 이에 한정되는 것은 아니고 직접 연결될 수 있다.In addition, the performance recommendation system 10 collects log data from IoT devices installed in the user's living space in order to predict the user's DISC tendency from the IoT device usage pattern. Since it is common for a plurality of IoT devices to exist, they are connected to other systems through an IoT gateway or an IoT hub, and IoT devices communicate with an IoT gateway or an IoT hub using low-power wireless communication protocols such as Bluetooth, Z-Wave, and ZigBee. IoT infrastructure can be configured. Accordingly, IoT devices may not be directly connected to the performance recommendation system 10 but may be connected through an IoT gateway or an IoT hub. However, it is not limited thereto and may be directly connected.

발명의 양상에 따라서는 IoT 디바이스들과 공연 추천 시스템(10)은 데이터 교환을 위한 통신 프로토콜로 저전력의 소형기기 제어에 적합한 MQTT(Message Queueing Telemetry Transport) 프로토콜을 사용할 수 있다. MQTT 프로토콜은 사물 통신(Machine to Machine, M2M), 사물 인터넷(IoT)과 같이 대역폭이 제한된 통신 환경에 최적화된 푸시 기반의 경량 메시지 전송 프로토콜이다. MQTT 프로토콜에서는 푸시 기술에서 일반적으로 사용되는 클라이언트-서버 방식이 아닌 브로커라는 메시지 매개자를 통해 송신측에서 특정 토픽에 대한 메시지를 발행(publish)하고 해당 토픽에 대하여 수신자가 구독(subscribe)하는 방식으로 메시지를 수신한다. 따라서, MQTT 프로토콜이 사용되는 경우에는 IoT 디바이스들과 공연 추천 시스템(10) 사이에 MQTT 브로커 서버가 추가될 수 있으며, IoT 디바이스들이 로그 데이터를 토픽으로 하여 메시지를 발행하고, 공연 추천 시스템(10)이 해당 토픽을 구독하여 MQTT 브로커로부터 해당 메시지를 전달받는다.According to an aspect of the invention, the IoT devices and the performance recommendation system 10 may use a message queuing telemetry transport (MQTT) protocol suitable for controlling small devices with low power as a communication protocol for data exchange. The MQTT protocol is a push-based lightweight message transmission protocol optimized for bandwidth-limited communication environments such as Machine to Machine (M2M) and Internet of Things (IoT). In the MQTT protocol, not a client-server method commonly used in push technology, but a message in which the sender publishes a message on a specific topic through a message intermediary called a broker, and the receiver subscribes to the topic. Receive. Therefore, when the MQTT protocol is used, an MQTT broker server may be added between the IoT devices and the performance recommendation system 10, and the IoT devices issue a message with log data as a topic, and the performance recommendation system 10 Subscribe to this topic and receive the message from the MQTT broker.

발명의 일 양상에 따르는 공연 추천 시스템(10)은 성향 정보 수집부(100)와, 공연 정보 수집부(110)와, 공연 추천 엔진(120)과, 공연 추천부(130)를 포함한다.The performance recommendation system 10 according to an aspect of the invention includes a propensity information collection unit 100, a performance information collection unit 110, a performance recommendation engine 120, and a performance recommendation unit 130.

공연 추천 시스템(10)은 프로세서, 메모리, 하드 디스크 또는 SSD 등의 저장 장치, 네트워크 장치 등을 포함하는 서버로 구성될 수 있다. 성향 정보 수집부(100)와, 공연 정보 수집부(110)와, 공연 추천 엔진(120)과, 공연 추천부(130)는 메모리에 로드되어 프로세서에서 실행되는 컴퓨터 프로그램 명령어 세트이다.The performance recommendation system 10 may be composed of a server including a processor, a memory, a storage device such as a hard disk or an SSD, a network device, and the like. The propensity information collection unit 100, the performance information collection unit 110, the performance recommendation engine 120, and the performance recommendation unit 130 are computer program instruction sets that are loaded into a memory and executed in a processor.

성향 정보 수집부(100)는 사전 설문조사를 분석하여 파악된 사용자의 DISC 성향과 사전 설문조사 등을 통해 파악된 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집한다.The propensity information collection unit 100 collects propensity information from the user terminal, including the DISC propensity of the user identified by analyzing the preliminary survey and the user interest information identified through the preliminary survey.

공연 정보 수집부(110)는 공연 정보를 제공하는 웹 포털에 접속하여 공연 정보를 수집한다. 공연 정보를 제공하는 웹 포털 리스트는 사전에 조사되어 공연 추천 시스템(10)에 미리 설정된다. 시스템 운영자는 시스템을 운영하며 공연 정보를 제공하는 웹 사이트 정보를 추가하거나 삭제하거나 수정하는 방법으로 포털 리스트를 변경할 수 있다.The performance information collection unit 110 collects performance information by accessing a web portal that provides performance information. A list of web portals providing performance information is pre-examined and preset in the performance recommendation system 10. The system operator can change the portal list by adding, deleting, or modifying the website information that operates the system and provides performance information.

공연 추천 엔진(120)은 사전 학습된 딥러닝 기반의 딥러닝 모델로 수집한 성향 정보로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 공연 리스트를 출력한다. 공연 추천 엔진(120)이 성향 정보로부터 변수를 선별하기 위해 사용하는 미리 정의된 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 개인의 관심사와 공연과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 공연 추천 엔진(120)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 공연 추천 엔진(120)이 출력하는 추천 공연 리스트는 DISC 성향에 기초하여 순위 정보를 함께 제공할 수 있다.The performance recommendation engine 120 selects and merges variables to be used for learning according to a predefined data schema from propensity information collected by a pre-trained deep learning-based deep learning model, and receives the merged variables to create a list of recommended performances. Print it out. The predefined data schema used by the performance recommendation engine 120 to select variables from the propensity information is determined by considering the association between the DISC propensity and personal interests and performances through thesis and academic information research. At this time, the determined variable may be verified through the deep learning-based performance recommendation engine 120 learned with the accumulated test data set, and may be changed according to whether it matches the DISC disposition of users surveyed in advance. The recommended performance list output by the performance recommendation engine 120 may provide ranking information together based on the DISC propensity.

공연 추천부(130)는 사용자의 DISC 성향을 기초로 추천 공연 리스트에서 사용자에게 추천할 공연을 선택하여 추천한다.The performance recommendation unit 130 selects and recommends a performance to be recommended to a user from a recommended performance list based on the user's DISC disposition.

본 발명의 추가적 양상에 따르면 공연 추천 시스템(10)은 DISC 성향 예측부(140)를 더 포함할 수 있다. DISC 성향 예측부(140)는 메모리에 로드되어 프로세서에서 실행되는 컴퓨터 프로그램 명령어 세트이다.According to an additional aspect of the present invention, the performance recommendation system 10 may further include a DISC propensity predictor 140. The DISC propensity prediction unit 140 is a set of computer program instructions that are loaded into a memory and executed by a processor.

DISC 성향 예측부(140)는 사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하고, 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다. 이때 학습에 사용될 변수를 선별하기 위한 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 IoT 디바이스들의 사용패턴과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 DISC 성향 예측 모델(엔진)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 즉, 사용자의 IoT 디바이스들의 사용패턴과 DISC 성향의 높은 연관성을 나타내는 변수를 최종 선별하게 된다. DISC 성향 예측부(140)가 로그 데이터를 수집하는 IoT 디바이스들은 전동 커튼 및 조명 외에 다양한 가전 기기들이 포함될 수 있다. 예를 들어, 공기 청정기, 세탁기 등이 포함될 수 있다.The DISC propensity prediction unit 140 collects log data on the use of IoT devices installed in the user's living space, and selects variables to be used for learning according to a predefined data schema from the collected log data. At this time, the data schema for selecting variables to be used for learning is determined in consideration of the association between DISC propensity and usage patterns of IoT devices through research on thesis and academic information. At this time, the determined variable may be verified through a deep learning-based DISC propensity prediction model (engine) learned with the accumulated test data set, and may be changed depending on whether it matches the DISC propensity of users surveyed in advance. In other words, a variable that shows a high correlation between the user's use pattern of IoT devices and the disposition of DISC is finally selected. IoT devices for which the DISC propensity prediction unit 140 collects log data may include various home appliances in addition to electric curtains and lighting. For example, an air cleaner, a washing machine, and the like may be included.

또한, 공연 추천부(130)는 예측된 사용자의 DISC 성향을 기초로 추천 공연 리스트에서 사용자에게 추천할 공연을 선택한다.In addition, the performance recommendation unit 130 selects a performance to be recommended to the user from the recommended performance list based on the predicted user's DISC disposition.

본 발명의 추가적 양상에 따르면 공연 추천 시스템(10)은 위치 추적부(150)를 더 포함할 수 있고, 위치 추적부(150)는 GPS 또는 와이파이 접속 정보를 이용하여 사용자 단말의 위치를 추적하여 사용자의 현재 위치를 추적한다. 공연 추천 시스템(10)은 현재 사용자가 위치하고 있는 주변에서 공연되는 공연 정보를 검색하기 위해 사용자 단말의 위치를 추적한다. 따라서, 공연 추천부(130)는 사용자 단말의 위치 주변의 공연을 검색하여 사용자에게 추천할 수 있다. 위치 추적부(150)는 메모리에 로드되어 프로세서에서 실행되는 컴퓨터 프로그램 명령어 세트이다.According to an additional aspect of the present invention, the performance recommendation system 10 may further include a location tracking unit 150, and the location tracking unit 150 tracks the location of the user terminal by using GPS or Wi-Fi access information. Keeps track of your current location. The performance recommendation system 10 tracks the location of the user terminal in order to search for performance information performed in the vicinity where the user is currently located. Accordingly, the performance recommendation unit 130 may search for a performance around the location of the user terminal and recommend it to the user. The location tracking unit 150 is a set of computer program instructions that are loaded into a memory and executed by a processor.

본 발명의 추가적 양상에 따르면 공연 추천 시스템(10)은 공연 예약부(160)를 더 포함할 수 있고, 공연 예약부(160)는 공연 추천부(130)가 추천한 공연을 인터넷을 통해 예약할 수 있다. 따라서, 공연 추천 시스템(10)은 공연 예약을 위해 필요한 개인 정보 및 결제 정보 등을 사전에 사용자로부터 입력 받아 저장하고 있다. 일 예로, 공연 추천부(130)가 사용자에게 현재 공연 중인 뮤지컬을 추천한 경우 해당 뮤지컬을 관람할 수 있는 공연장을 인터넷으로 예약할 수 있다. 공연 예약부(160)는 메모리에 로드되어 프로세서에서 실행되는 컴퓨터 프로그램 명령어 세트이다.According to an additional aspect of the present invention, the performance recommendation system 10 may further include a performance reservation unit 160, and the performance reservation unit 160 reserves the performance recommended by the performance recommendation unit 130 through the Internet. I can. Accordingly, the performance recommendation system 10 receives and stores personal information and payment information necessary for reservation of the performance from the user in advance. For example, when the performance recommendation unit 130 recommends a musical currently being performed to a user, a performance venue in which the musical can be viewed may be reserved through the Internet. The performance reservation unit 160 is a set of computer program instructions loaded into a memory and executed by a processor.

발명의 또 다른 양상에 따르는 공연 추천 시스템(10)의 공연 추천부(130)는 사용자 단말로부터 공연 추천의 수용 여부에 대한 피드백을 수신하고, 수신한 피드백을 다음 공연 추천에 반영하여 사용자에게 공연을 제안할 수 있다.The performance recommendation unit 130 of the performance recommendation system 10 according to another aspect of the invention receives a feedback on whether or not the performance recommendation is accepted from the user terminal, and reflects the received feedback to the next performance recommendation to provide a performance to the user. I can suggest.

공연 추천 시스템(10)이 사용자에게 공연을 제안하더라도 사용자가 제안을 수용할 지 알 수 없으므로 공연 추천 시스템(10)은 사용자의 수용 여부에 대한 피드백을 수신한 다음 공연 추천에 반영하여 보다 엄밀하게 개인화된 추천을 할 수 있다.Even if the performance recommendation system 10 proposes a performance to the user, it is not known whether the user will accept the proposal, so the performance recommendation system 10 receives feedback on the acceptance of the user and then reflects it in the performance recommendation to more strictly personalize it. You can make recommended recommendations.

도 2는 본 발명의 다양한 양상에 따른 공연 추천 시스템이 사용자 단말에 추천한 개인화된 공연 추천 서비스의 예시를 도시한 것이다. 도 2에 도시된 것과 같이 공연 추천 시스템(10)이 사용자 단말을 통해 사용자에 공연을 추천하고 해당 공연을 관람할 수 있는 공연장을 예약할 것을 제안할 수 있다. 사용자가 해당 추천에 대하여 수용 여부를 선택하면 공연 추천 시스템(10)이 이를 피드백으로 받아 다음 공연 추천에 반영한다.2 illustrates an example of a personalized performance recommendation service recommended to a user terminal by a performance recommendation system according to various aspects of the present invention. As illustrated in FIG. 2, the performance recommendation system 10 may recommend a performance to a user through a user terminal and propose a reservation for a performance hall in which the performance can be viewed. When the user selects whether to accept the recommendation, the performance recommendation system 10 receives it as a feedback and reflects it in the next performance recommendation.

도 3은 본 발명의 다양한 양상에 따른 공연 추천 시스템이 사용자의 IoT 디바이스 사용패턴을 학습하여 DISC 성향을 예측하는 절차를 도시한 절차도이다. 도 3을 참조하여 설명하면, 공연 추천 시스템(10)이 IoT 디바이스 사용패턴을 학습하여 DISC 성향을 예측하는 절차는 공연 추천 시스템(10)이 IoT 디바이스들로부터 사용이력에 대한 로그 데이터를 수집하고(S1000), 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다(S1020). 선별된 변수를 딥러닝 기반의 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S1040).3 is a flowchart illustrating a procedure for predicting DISC propensity by learning a user's IoT device usage pattern by a performance recommendation system according to various aspects of the present invention. Referring to FIG. 3, the procedure for predicting the DISC tendency by learning the IoT device usage pattern by the performance recommendation system 10 is that the performance recommendation system 10 collects log data on the usage history from IoT devices ( S1000), a variable to be used for learning is selected from the collected log data according to a predefined data schema (S1020). The selected variable is provided as an input variable to the deep learning-based DISC propensity prediction engine to predict the user's DISC propensity (S1040).

도 4는 본 발명의 일 양상에 따른 공연 추천 시스템의 공연 추천 절차를 도시한 절차도이다. 도 4를 참조하여 설명하면, 공연 추천 시스템(10)은 사전 설문조사되어 분석된 사용자의 DISC 성향과 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집하고(S2000), 공연 정보를 제공하는 엡 사이트들에 접속하여 공연정보를 수집하고(S2020), 수집한 성향 정보로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고(S2040), 병합된 변수를 입력 데이터로 사전 학습된 딥러닝 기반의 공연 추천 엔진(120)을 통해 추천 공연 리스트를 출력하고(S2060), 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 공연 리스트에서 사용자에게 추천할 공연을 선택하여 추천한다(S2080). 공연 추천 시스템(10)이 사용자 단말로부터 공연 추천의 수용 여부에 대한 피드백을 수신하고 해당 피드백을 다음 공연 추천에 반영할 수 있다(S2100).4 is a flowchart illustrating a performance recommendation procedure of a performance recommendation system according to an aspect of the present invention. Referring to FIG. 4, the performance recommendation system 10 collects the propensity information including the DISC propensity and user interest information of the user analyzed by a preliminary survey from the user terminal (S2000), and provides the performance information. Access to sites to collect performance information (S2020), select and merge variables to be used for learning according to a predefined data schema from the collected propensity information (S2040), and pre-learn the merged variables as input data. A recommended performance list is output through the running-based performance recommendation engine 120 (S2060), and a performance to be recommended to the user is selected and recommended from the recommended performance list based on the user's DISC tendency and the current user's activity amount (S2080). . The performance recommendation system 10 may receive a feedback on whether or not to accept the performance recommendation from the user terminal and reflect the feedback to the next performance recommendation (S2100).

상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.The above-described embodiments of the present invention are disclosed for the purpose of illustration, and those skilled in the art who have ordinary knowledge of the present invention will be able to make various modifications, changes, and additions within the spirit and scope of the present invention, and such modifications, changes and additions It should be seen as falling within the scope of the following claims.

10: 공연 추천 시스템
100: 성향 정보 수집부
110: 공연 정보 수집부
120: 공연 추천 엔진
130: 공연 추천부
140: DISC 성향 예측부
150: 위치 추적부
160: 공연 예약부10: Performance recommendation system
100: propensity information collection unit
110: performance information collection unit
120: Performance recommendation engine
130: Performance recommendation department
140: DISC propensity prediction unit
150: location tracking unit
160: Performance reservation department

Claims (5)

사전 설문조사되어 분석된 사용자의 DISC 성향과 개인 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집하는 성향 정보 수집부;
공연 정보를 제공하는 웹 포털에 접속하여 공연 정보를 수집하는 공연 정보 수집부;
수집한 성향 정보와 공연 정보로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 공연 리스트를 출력하는 사전 학습된 딥러닝 기반의 공연 추천 엔진;
사용자의 DISC 성향을 기초로 추천 공연 리스트에서 사용자에게 추천할 공연을 선택하여 추천하는 공연 추천부;
를 포함하는 공연 추천 시스템.
A propensity information collection unit that collects propensity information including information about the user's DISC propensity and personal interests, analyzed through preliminary survey, from the user terminal;
A performance information collection unit for collecting performance information by accessing a web portal providing performance information;
A pre-learned deep learning-based performance recommendation engine that selects and merges variables to be used for learning according to a predefined data schema from the collected propensity information and performance information, and outputs a list of recommended performances by receiving the merged variables;
A performance recommendation unit that selects and recommends a performance to be recommended to a user from a list of recommended performances based on the user's DISC disposition;
Performance recommendation system comprising a.
 제 1 항에 있어서,
사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하고, 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 DISC 성향 예측부;
를 더 포함하되,
공연 추천부는 예측된 사용자의 DISC 성향을 기초로 추천 공연 리스트에서 사용자에게 추천할 공연을 선택하는 공연 추천 시스템.
The method of claim 1,
Deep learning-based DISC that collects log data on the use of IoT devices installed in the user's living space, selects variables to be used for learning according to a predefined data schema from the collected log data, and learns the selected variables in advance. A DISC propensity prediction unit that predicts a user's DISC propensity through a propensity prediction engine;
But further include,
The performance recommendation unit is a performance recommendation system that selects a performance to be recommended to the user from a list of recommended performances based on the predicted user's DISC disposition.
 제 1 항에 있어서,
GPS 또는 와이파이 접속 정보를 이용하여 사용자 단말의 위치를 추적하는 위치 추적부;
를 더 포함하되,
공연 추천부가 사용자 단말의 위치 주변의 공연을 추천하는 공연 추천 시스템.
The method of claim 1,
A location tracking unit for tracking a location of a user terminal using GPS or Wi-Fi access information;
But further include,
A performance recommendation system in which the performance recommendation unit recommends performances around the location of the user terminal.
 제 1 항에 있어서,
공연 추천부가 추천한 공연을 예약하는 공연 예약부;
를 더 포함하는 공연 추천 시스템.
The method of claim 1,
A performance reservation unit that reserves a performance recommended by the performance recommendation unit;
Performance recommendation system further comprising a.
 제 1 항에 있어서,
공연 추천부가 사용자 단말로부터 공연 추천의 수용 여부에 대한 피드백을 수신하고, 해당 피드백을 다음 공연 추천에 반영하는 공연 추천 시스템.The method of claim 1,
A performance recommendation system in which the performance recommendation unit receives feedback on whether to accept the performance recommendation from the user terminal, and reflects the feedback to the next performance recommendation.
KR1020190102840A 2019-08-22 2019-08-22 System for recommending performance KR102257690B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190102840A KR102257690B1 (en) 2019-08-22 2019-08-22 System for recommending performance

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102840A KR102257690B1 (en) 2019-08-22 2019-08-22 System for recommending performance

Publications (2)

Publication Number Publication Date
KR20210023111A true KR20210023111A (en) 2021-03-04
KR102257690B1 KR102257690B1 (en) 2021-05-28

Family

ID=75174431

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102840A KR102257690B1 (en) 2019-08-22 2019-08-22 System for recommending performance

Country Status (1)

Country Link
KR (1) KR102257690B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102348756B1 (en) * 2021-09-16 2022-01-07 (주)라이브베리 Relay service delivery system for live performance images

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170030379A (en) * 2015-09-09 2017-03-17 네이버비즈니스플랫폼 주식회사 Method and system for personalized travel curation service
KR20170086839A (en) * 2016-01-19 2017-07-27 김지윤 Method for providing information of the performance
KR20180121466A (en) * 2017-04-06 2018-11-07 네이버 주식회사 Personalized product recommendation using deep learning
KR20190058086A (en) * 2017-11-21 2019-05-29 디포커스 (주) Recommending system and methode culture life based on happiness curation service

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170030379A (en) * 2015-09-09 2017-03-17 네이버비즈니스플랫폼 주식회사 Method and system for personalized travel curation service
KR20170086839A (en) * 2016-01-19 2017-07-27 김지윤 Method for providing information of the performance
KR20180121466A (en) * 2017-04-06 2018-11-07 네이버 주식회사 Personalized product recommendation using deep learning
KR20190058086A (en) * 2017-11-21 2019-05-29 디포커스 (주) Recommending system and methode culture life based on happiness curation service

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102348756B1 (en) * 2021-09-16 2022-01-07 (주)라이브베리 Relay service delivery system for live performance images

Also Published As

Publication number Publication date
KR102257690B1 (en) 2021-05-28

Similar Documents

Publication Publication Date Title
Chen et al. Learning and management for Internet of Things: Accounting for adaptivity and scalability
He et al. Green resource allocation based on deep reinforcement learning in content-centric IoT
Li et al. PyramidFL: A fine-grained client selection framework for efficient federated learning
US9414222B1 (en) Predictive caching devices, systems and methods
US11228653B2 (en) Terminal, cloud apparatus, driving method of terminal, method for processing cooperative data, computer readable recording medium
US20120124136A1 (en) Context information sharing apparatus and method for providing intelligent service by sharing context information between one or more terminals
EP3133502B1 (en) Terminal device and method for cooperatively processing data
Baumann et al. Selecting individual and population models for predicting human mobility
KR102257690B1 (en) System for recommending performance
KR102278104B1 (en) System for recommending exercise
KR100852221B1 (en) Wearable computer and method using multiobjective optimization in ubiquitous computing environment
Surobhi et al. A context-aware M2M-based middleware for service selection in mobile ad-hoc networks
JP2017033569A (en) System and method of collecting user's feeling and activity on the basis of instant message
Orsini et al. Generic context adaptation for mobile cloud computing environments
Orsini et al. Generic context adaptation for mobile cloud computing environments
KR102269629B1 (en) Washing machine control system
Seghrouchni et al. Enablers for smart cities
Mansouri et al. Dynamic semantic‐based green bio‐inspired approach for optimizing energy and cloud services qualities
KR102264534B1 (en) System for recommending meditation
KR102248094B1 (en) Lighting control system
KR102426748B1 (en) System for recommending service based on disc
KR102278103B1 (en) System for controlling the electric curtain
KR102281159B1 (en) Air purifier control system
Jamali et al. Cost‐aware co‐locating of services in Internet of Things by using multicriteria decision making
Seo et al. Implementation of context prediction system based on event recurrence time

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant