KR20210086008A - 컨텐츠 추천 모델을 개인화하는 방법 및 장치 - Google Patents

컨텐츠 추천 모델을 개인화하는 방법 및 장치 Download PDF

Info

Publication number
KR20210086008A
KR20210086008A KR1020190179651A KR20190179651A KR20210086008A KR 20210086008 A KR20210086008 A KR 20210086008A KR 1020190179651 A KR1020190179651 A KR 1020190179651A KR 20190179651 A KR20190179651 A KR 20190179651A KR 20210086008 A KR20210086008 A KR 20210086008A
Authority
KR
South Korea
Prior art keywords
content recommendation
recommendation model
model
content
personalization
Prior art date
Application number
KR1020190179651A
Other languages
English (en)
Inventor
김준범
김지현
김태훈
오기민
이한결
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190179651A priority Critical patent/KR20210086008A/ko
Priority to PCT/KR2020/019492 priority patent/WO2021137657A1/en
Priority to US17/139,375 priority patent/US20210200824A1/en
Priority to EP20911199.6A priority patent/EP4014195A4/en
Publication of KR20210086008A publication Critical patent/KR20210086008A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

컨텐츠 추천 모델을 개인화하는 방법 및 장치가 제공된다. 전자 장치가 컨텐츠 추천 모델을 개인화하는 방법은, 전자 장치의 사용자에게 컨텐츠를 추천하기 위해 이용되는 제1 컨텐츠 추천 모델을 획득하는 동작, 상기 사용자의 컨텐츠 이용 이력에 기초하여 상기 제1 컨텐츠 추천 모델을 개인화하는 동작, 제2 컨텐츠 추천 모델을 서버로부터 수신하는 동작, 상기 제2 컨텐츠 추천 모델을 개인화하기 위한 개인화 모델을 상기 서버로부터 수신하는 동작, 상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 상기 개인화 모델을 이용하여 상기 제2 컨텐츠 추천 모델을 개인화하는 동작 및 상기 개인화된 제2 컨텐츠 추천 모델을 이용하여 상기 사용자에게 컨텐츠 추천 서비스를 제공하는 동작을 포함할 수 있다.

Description

컨텐츠 추천 모델을 개인화하는 방법 및 장치{METHOD AND APPARATUS FOR PERSONALIZING CONTENT RECOMMENDATION MODEL}
본 개시는 컨텐츠 추천 모델을 개인화하는 방법 및 장치에 관한 것이다.
최근 무선 인터넷을 통하여 이동통신 단말기로 컨텐츠를 제공하는 서비스가 보편화되어 있으며, 이와 같이 이동통신 단말기로 제공되는 컨텐츠의 유형은 이미지 컨텐츠, 음악 컨텐츠, 동영상 컨텐츠, 게임 컨텐츠 및 실시간 정보 컨텐츠 등으로 매우 다양하다.
컨텐츠 추천 방식으로는, 각 사용자가 입력한 선호 장르 정보나 선호 카테고리 정보, 혹은, 각 사용자의 구매 이력 등을 이용하는 맞춤형 추천 방식이 있으며, 특히 최근에는 사용자의 이용 이력에 기초한 학습을 통해, 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있는 기계학습 기반 컨텐츠 추천 방식이 사용되고 있다.
일부 실시예는, 사용자의 이용 이력에 기초하여, 서버로부터 수신한 컨텐츠 추천 모델을 개인화하는 방법 및 장치를 제공할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 전자 장치의 사용자에게 컨텐츠를 추천하기 위해 이용되는 제1 컨텐츠 추천 모델을 획득하는 동작, 상기 사용자의 컨텐츠 이용 이력에 기초하여 상기 제1 컨텐츠 추천 모델을 개인화하는 동작, 제2 컨텐츠 추천 모델을 서버로부터 수신하는 동작, 상기 제2 컨텐츠 추천 모델을 개인화하기 위한 개인화 모델을 상기 서버로부터 수신하는 동작, 상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 상기 개인화 모델을 이용하여 상기 제2 컨텐츠 추천 모델을 개인화하는 동작 및 상기 개인화된 제2 컨텐츠 추천 모델을 이용하여 상기 사용자에게 컨텐츠 추천 서비스를 제공하는 동작을 포함하는, 전자 장치가 컨텐츠 추천 모델을 개인화하는 방법을 제공할 수 있다.
또한, 본 개시의 제2 측면은, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하며, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 전자 장치의 사용자에게 컨텐츠를 추천하기 위해 이용되는 제1 컨텐츠 추천 모델을 획득하고, 상기 사용자의 컨텐츠 이용 이력에 기초하여 상기 제1 컨텐츠 추천 모델을 개인화하고, 제2 컨텐츠 추천 모델을 서버로부터 수신하고, 상기 제2 컨텐츠 추천 모델을 개인화하기 위한 개인화 모델을 상기 서버로부터 수신하고, 상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 상기 개인화 모델을 이용하여 상기 제2 컨텐츠 추천 모델을 개인화하고, 상기 개인화된 제2 컨텐츠 추천 모델을 이용하여 상기 사용자에게 컨텐츠 추천 서비스를 제공하는, 컨텐츠 추천 모델을 개인화하는 전자 장치를 제공할 수 있다.
또한, 본 개시의 제3 측면은, 제2 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 포함하는 컴퓨터 프로그램 장치를 제공할 수 있다.
도 1은 일부 실시예에 따른 컨텐츠 추천 서비스 제공 시스템의 예시를 나타낸 것이다.
도 2는 일부 실시예에 따른 전자 장치가 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 흐름도이다.
도 3은 일부 실시예에 따른 전자 장치가 개인화 모델을 사용하여 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 흐름도이다.
도 4는 일부 실시예에 따른 전자 장치가 사용자의 컨텐츠 이용 이력에 기초하여 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 도면이다.
도 5는 일부 실시예에 따른 전자 장치가 개인화 모델로부터 획득된 가중치 데이터에 기초하여 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 도면이다.
도 6은 일부 실시예에 따른 서버가 개인화 모델을 생성하는 방법을 나타낸 도면이다.
도 7은 일부 실시예에 따른 서버가 개인화 모델을 생성하는 방법을 나타낸 도면이다.
도 8은 일부 실시예에 따른 전자 장치의 블록도이다.
도 9는 일부 실시예에 따른 서버의 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 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.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일부 실시예에 따른 컨텐츠 추천 서비스 제공 시스템의 예시를 나타낸 것이다.
도 1을 참조하면, 일부 실시예에 따른 컨텐츠 추천 모델 업데이트 시스템은, 전자 장치(1000) 및 서버(2000)를 포함할 수 있다.
본 개시에서 전자 장치(1000)는 사용자에게 컨텐츠를 제공하는 장치일 수 있다. 실시예에 의한 전자 장치(1000)는 컨텐츠 추천 모델을 사용하여 사용자에게 적절한 컨텐츠를 추천하기 위한 장치를 지칭하는 것으로서, 예컨대, 스마트폰, 개인용 컴퓨터(PC), 노트북 PC, 태블릿 PC, 스마트 TV, 스마트 스피커 및 스마트 오디오 등이 해당될 수 있으나, 이에 제한되지 않으며, 사용자에게 컨텐츠를 제공할 수 있는 장치를 모두 포함할 수 있다.
본 개시에서 컨텐츠는 전자 장치에 의해 재생됨으로써 사용자에 의해 소비될 수 있는 정보를 포함할 수 있다. 실시예에 의한 컨텐츠는 시각적 정보 또는 청각적 정보 중 적어도 하나를 포함하는 데이터로서, 예컨대, 디지털 신문, 서적, 음반, 영화 및 드라마 등이 해당 될 수 있으나, 이에 제한되지 않으며, 사용자가 이해하고 소비할 수 있는 정보를 모두 포함할 수 있다.
전자 장치(1000)는 컨텐츠 추천 모델을 사용하여 사용자에게 컨텐츠를 추천할 수 있다.
본 개시에서 컨텐츠의 추천은, 사용자가 전자 장치(1000)가 제공하는 컨텐츠 중 적어도 하나의 컨텐츠를 선택함에 따라, 선택된 컨텐츠의 특성 또는 사용자의 컨텐츠 이용 이력 중 적어도 하나에 기초하여, 다른 적어도 하나의 컨텐츠를 추천하는 것일 수 있다.
여기서, 전자 장치(1000)가 컨텐츠를 추천하기 위해 사용하는 컨텐츠 추천 모델은, 사용자의 컨텐츠 이용에 관련된 정보에 기초하여, 사용자에게 컨텐츠를 추천하기 위한 인공지능 모델일 수 있다. 컨텐츠 추천 모델은, 예를 들어, 사용자의 컨텐츠 선택에 기초하여 사용자에게 적합한 다른 컨텐츠를 추천할 수 있다.
전자 장치(1000)는, 예를 들어, 컨텐츠를 추천하기 위한 컨텐츠 추천 모델로서, 심층 신경망(Deep Neural Network, DNN)을 포함하는 모델을 사용할 수 있다. 예를 들어, 컨텐츠 추천 모델은 선택된 컨텐츠에 관한 정보를 입력으로 하여, 적어도 하나의 추천 컨텐츠를 포함하는 추천 컨텐츠 정보를 출력하는 과정을 통해 학습될 수 있다.
본 개시에서 컨텐츠 추천 모델이 포함할 수 있는 심층 신경망은, 예를 들어, 컨볼루션 뉴럴 네트워크(Convolution Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN) 및 GAN (Generative Adversarial Networks) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않으며, 컨텐츠의 추천에 사용될 수 있는 모든 종류의 심층 신경망이 이용될 수 있다.
일부 실시예에 따른 서버(2000)는 컨텐츠 추천 모델을 생성할 수 있으며, 전자 장치(1000)는 서버(2000)로부터 전달받은 컨텐츠 추천 모델에 기초하여 사용자에게 컨텐츠를 추천할 수 있다.
서버(2000)의 컨텐츠 추천 모델 생성은, 예를 들어, 컨텐츠에 관한 정보를 입력으로 하고, 적어도 하나의 추천 컨텐츠에 관한 정보를 출력으로 하는 빅데이터에 기초한 학습을 통해 이루어질 수 있다. 여기서 서버(2000)가 컨텐츠 추천 모델 생성에 사용하는 빅데이터는, 예를 들어, 컨텐츠 추천 모델을 생성하기 위해 미리 획득된 소정의 익명화된 데이터일 수 있다. 빅데이터 기반 컨텐츠 추천 시스템은 컨텐츠 추천과 관련된 기술 분야에서 알려진 기술에 해당하므로, 이와 같은 컨텐츠 추천 모델 생성 방식에 관한 구체적인 설명은 생략하기로 한다.
서버(2000)가 생성한 컨텐츠 추천 모델은, 예를 들어, 각 전자 장치(1000)에게 배포되어, 각 전자 장치(1000)의 사용자에게 컨텐츠를 추천하는데 사용될 수 있다.
한편, 전자 장치(1000)는 서버(2000)로부터 전달받은 컨텐츠 추천 모델에 기초하여 사용자에게 컨텐츠를 추천하고, 컨텐츠 추천 모델을 개인화(personalized)할 수 있다.
본 개시에서 컨텐츠 추천 모델의 개인화는, 전자 장치(1000)가 컨텐츠 추천 모델에 기초하여 사용자에게 컨텐츠를 반복하여 추천함에 따라, 사용자에게 최적화된 컨텐츠를 추천할 수 있도록 컨텐츠 추천 모델이 추가적으로 학습되는 것일 수 있다. 전자 장치(1000)는 서버(2000)로부터 전달받은 컨텐츠 추천 모델을 사용하여 컨텐츠 추천을 반복 수행함으로써, 전자 장치(1000) 사용자의 선호 및 취향에 대응되도록 컨텐츠 추천 모델을 개인화할 수 있다.
다시 도 1을 참조하면, 일부 실시예에 따른 전자 장치(1000)는 서버(2000)로부터 제1 컨텐츠 추천 모델을 전달받을 수 있다. 전자 장치(1000)는 서버(2000)로부터 전달받은 제1 컨텐츠 추천 모델을 기초로, 사용자의 컨텐츠 선택에 대응하여 다른 컨텐츠를 추천할 수 있다.
전자 장치(1000)에 의해 다른 컨텐츠가 추천됨에 따라, 사용자는 전자 장치(1000)에 의해 추천된 다른 컨텐츠 중 원하는 컨텐츠를 선택할 수 있다. 이때, 전자 장치(1000)의 제1 컨텐츠 추천 모델에 기초한 컨텐츠 추천 및 사용자의 컨텐츠 선택이 반복됨에 따라, 개인화된 제1 컨텐츠 추천 모델(101)이 획득될 수 있다.
한편, 일부 실시예에 따른 서버(2000)는, 제1 컨텐츠 추천 모델과 서로 다른 제2 컨텐츠 추천 모델을 생성할 수 있다. 본 개시에서, 앞서 생성된 제1 컨텐츠 추천 모델과 서로 다른 제2 컨텐츠 추천 모델의 생성을 컨텐츠 추천 모델의 업데이트로 지칭하기로 한다.
서버(2000)는, 예를 들어, 제1 컨텐츠 추천 모델을 전자 장치(1000)에게 전달한 이후에, 컨텐츠 추천 모델을 업데이트하여 제2 컨텐츠 추천 모델을 생성할 수 있다. 제2 컨텐츠 추천 모델이 생성되면, 서버(2000)는 생성된 제2 컨텐츠 추천 모델을 전자 장치(1000)에게 전달할 수 있다. 이 경우, 예를 들어, 제1 컨텐츠 추천 모델 및 제2 컨텐츠 추천 모델은 동일 또는 상이한 네트워크 구조를 가질 수 있다. 제1 컨텐츠 추천 모델 및 제2 컨텐츠 추천 모델은 동일 또는 상이한 네트워크 구조를 가지는 경우에, 제1 컨텐츠 추천 모델의 입출력 데이터는, 제2 컨텐츠 추천 모델에 적합한 포맷으로 변환될 수 있다.
개인화된 제1 컨텐츠 추천 모델(101)을 사용하여 컨텐츠 추천을 수행하던 전자 장치(1000)는, 서버(2000)로부터 제2 컨텐츠 추천 모델을 전달받음에 따라, 개인화된 제1 컨텐츠 추천 모델(101)의 입출력 데이터를 사용하여 직접 제2 컨텐츠 추천 모델을 개인화할 수 있다.
본 개시의 전자 장치(1000)는, 사용자의 컨텐츠 선택에 관한 이용 이력 정보를 서버(2000)로 전송하지 않고, 전달받은 제2 컨텐츠 추천 모델을 직접 개인화할 수 있으므로, 사용자의 개인 정보를 보호할 수 있는 장점이 있다.
또한, 본 개시의 전자 장치(1000)는 제1 컨텐츠 추천 모델을 개인화하는데 사용되었던 이용 이력에 관한 방대한 데이터를 저장할 필요 없이, 개인화된 제1 컨텐츠 추천 모델(101)의 입출력 데이터만으로도 제2 컨텐츠 추천 모델을 개인화할 수 있으므로, 사용자의 개인 정보를 보호함과 동시에 컨텐츠 추천 모델의 개인화 효율을 높일 수 있는 장점이 있다.
한편, 본 개시의 전자 장치(1000)는, 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터에 기초하여 직접 제2 컨텐츠 추천 모델을 개인화하기 위한 별도의 개인화 모델을 사용할 수 있다. 개인화 모델은 제2 컨텐츠 추천 모델을 개인화하기 위하여 제2 컨텐츠 추천 모델 내의 레이어들 간의 가중치를 조정하는데 이용되는 가중치 값을 출력하는 인공지능 모델일 수 있다. 이때, 개인화 모델은, 제2 컨텐츠 추천 모델과 함께 서버(2000)에서 생성될 수 있다.
이하에서는, 도 2 내지 도 7의 실시예에 기초하여, 본 개시의 전자 장치가 컨텐츠 추천 모델을 개인화하는 구체적인 방법과, 서버가 개인화 모델을 생성하는 방법에 대해 구체적으로 설명한다.
도 2는 일부 실시예에 따른 전자 장치가 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 흐름도이다.
도 2를 참조하면, 일부 실시예에 따른 서버(2000)는, S201 단계에서, 제1 컨텐츠 추천 모델을 생성할 수 있다. S202 단계에서, 서버(2000)는 생성한 제1 컨텐츠 추천 모델을 전자 장치(1000)에게 전달할 수 있다.
서버(2000)로부터 제1 컨텐츠 추천 모델을 전달받은 전자 장치(1000)는, S203 단계에서, 사용자의 컨텐츠 이용 이력에 기초하여 제1 컨텐츠 추천 모델을 개인화함으로써, 개인화된 제1 컨텐츠 추천 모델을 생성할 수 있다.
한편, 서버(2000)는, S204 단계에서, 제2 컨텐츠 추천 모델을 생성할 수 있다. 서버(2000)는, S205 단계에서, 제2 컨텐츠 추천 모델의 개인화를 위한 개인화 모델을 생성할 수 있다.
서버(2000)는, S206 단계에서, 생성한 제2 컨텐츠 추천 모델 및 개인화 모델을 전자 장치(1000)에게 전달할 수 있다.
서버(2000)로부터 제2 컨텐츠 추천 모델 및 개인화 모델을 전달받은 전자 장치(1000)는, S207 단계에서, 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 개인화 모델을 사용하여 제2 컨텐츠 추천 모델을 개인화할 수 있다.
전자 장치(1000)는, S208 단계에서, 개인화된 제2 컨텐츠 추천 모델을 이용하여 사용자에게 컨텐츠 추천 서비스를 제공할 수 있다.
도 3은 일부 실시예에 따른 전자 장치가 개인화 모델을 사용하여 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 흐름도이다.
도 3을 참조하면, 일부 실시예에 따른 전자 장치(1000)는, S205 단계에서, 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 개인화 모델을 사용하여 제2 컨텐츠 추천 모델을 개인화할 수 있다.
이때, 전자 장치(1000)는, S301 단계에서, 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터를 개인화 모델에 입력할 수 있다.
전자 장치(1000)는, S302 단계에서, 제2 컨텐츠 추천 모델에 포함된 레이어들 사이에 적용되는 가중치를 나타내는 데이터인 가중치 데이터를 획득할 수 있다.
전자 장치(1000)는, S303 단계에서, 획득된 가중치 데이터에 기초하여 제2 컨텐츠 추천 모델에 포함된 레이어들 사이에 적용되는 가중치를 변경함으로써 제2 컨텐츠 추천 모델을 개인화할 수 있다.
도 4는 일부 실시예에 따른 전자 장치가 사용자의 컨텐츠 이용 이력에 기초하여 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 도면이다.
도 4를 참조하면, 일부 실시예에 따른 전자 장치(1000)는 제1 컨텐츠 추천 모델(401)에 기초하여 사용자에게 컨텐츠를 추천할 수 있다. 전자 장치(1000)는, 예를 들어, 제1 컨텐츠 추천 모델(401)을 사용함으로써, 사용자의 컨텐츠 선택에 대응되는 입력 데이터 Input_A_1, Input_A_2 및 Input_A_3의 입력에 대응하여, 컨텐츠 추천에 대응되는 출력 데이터 Output_A_1, Output_A_2 및 Output_A_3를 각각 출력할 수 있다. 사용자의 컨텐츠 선택에 대응되는 입력 데이터는, 예를 들어, 사용자에 의해 선택된 컨텐츠의 식별 값, 컨텐츠의 장르, 컨텐츠가 선택될 때의 시간 및 장소, 컨텐츠가 선택될 때에 전자 장치(1000)에서 실행되고 있던 애플리케이션의 식별 값 등을 포함할 수 있으나, 이에 제한되지 않는다.
전자 장치(1000)가 출력 데이터 Output_A_1, Output_A_2 및 Output_A_3를 출력하여 사용자에게 컨텐츠를 추천함에 따라, 사용자는 전자 장치(1000)가 추천한 추천 컨텐츠 중 적어도 하나의 컨텐츠를 선택할 수 있다. 예를 들어, 제1 컨텐츠 추천 모델(401)로부터 출력되는 출력 데이터는, 컨텐츠의 식별 값을 포함할 수 있으나, 이에 제한되지 않는다. 이와 같은 사용자의 컨텐츠 선택 및 전자 장치(1000)의 컨텐츠 추천이 반복됨에 따라, 제1 컨텐츠 추천 모델(401)은 개인화되어 개인화된 제1 컨텐츠 추천 모델(411)이 획득될 수 있다. 또한, 컨텐츠 추천을 위해 이용된 입력 데이터 및 출력 데이터는 전자 장치(1000) 내에 누적하여 저장될 수 있다.
한편, 일부 실시예에 따른 서버(2000)는, 제1 컨텐츠 추천 모델(401)을 업데이트하여 제2 컨텐츠 추천 모델(402)을 생성할 수 있다. 서버(2000)는, 제2 컨텐츠 추천 모델을 생성함과 함께, 제2 컨텐츠 추천 모델에 대응되는 개인화 모델(43)을 생성할 수 있다. 생성된 제2 컨텐츠 추천 모델(402) 및 개인화 모델(43)은 전자 장치(1000)에게 전달될 수 있다. 상기에서는 서버(2000)가 제1 컨텐츠 추천 모델(401)을 업데이트하여 제2 컨텐츠 추천 모델(402)을 생성하는 것으로 단순하게 설명하였지만 이에 제한되지 않는다. 서버(2000)의 컨텐츠 추천 모델은 컨테츠 추천을 위한 빅데이터를 이용하여 계속하여 업데이트될 수 있으며, 업데이트 전의 컨텐츠 추천 모델이 제1 컨텐츠 추천 모델(401)로 지칭되고 업데이트 후의 컨텐츠 추천 모델이 제2 컨텐츠 추천 모델(402)로 지칭될 수 있다.
제2 컨텐츠 추천 모델(402) 및 개인화 모델(43)을 전달받은 전자 장치(1000)는, 제2 컨텐츠 추천 모델(402)을 개인화하기 위하여, 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터를 획득할 수 있다. 예를 들어, 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터는 전자 장치(411)의 메모리 내에 누적하여 저장되어 있을 수 있으며, 전자 장치(411)는 메모리 내에 저장되어 있는 입출력 데이터를 메모리로부터 추출할 수 있다. 또한, 예를 들어, 전자 장치(411)는 소정의 입력 데이터를 개인화된 제1 컨텐츠 추천 모델(411)에 입력함으로써 개인화된 제1 컨텐츠 추천 모델(411)로부터 출력되는 출력 데이터를 획득하고, 입력 데이터 및 출력 데이터의 세트를 획득할 수 있다.
개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터는 개인화 모델(43)에 입력될 수 있다. 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터를 입력받은 개인화 모델(43)은, 입력받은 입출력 데이터에 대응하여, 제2 컨텐츠 추천 모델(402)를 직접 개인화하여 개인화된 제2 컨텐츠 추천 모델(422)를 생성하는데 필요한 정보를 획득할 수 있다. 이 경우, 예를 들어, 제2 컨텐츠 추천 모델(402) 에 관한 데이터 및 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터와 함께, 개인화 모델(43)에 입력될 수 있다. 제2 컨텐츠 추천 모델(402)에 관한 데이터는, 예를 들어, 제2 컨텐츠 추천 모델(402) 내의 레이어들, 및 레이어들 간의 가중치들에 관한 정보를 포함할 수 있으나, 이에 제한되지 않는다.
제2 컨텐츠 추천 모델(402)를 직접 개인화하는데 사용되는 정보는, 예를 들어, 제2 컨텐츠 추천 모델에 포함된 레이어들 사이에 적용되는 가중치를 나타내는 데이터인 가중치 데이터일 수 있다.
도 5는 일부 실시예에 따른 전자 장치가 개인화 모델로부터 획득된 가중치 데이터에 기초하여 컨텐츠 추천 모델을 개인화하는 방법을 나타낸 도면이다.
도 5를 참조하면, 일부 실시예에 따른 전자 장치(1000)는 개인화된 제1 컨텐츠 추천 모델(411)에 입력된 입력 데이터 및 개인화된 제1 컨텐츠 추천 모델(411)로부터 출력된 출력 데이터를 획득할 수 있다.
전자 장치(1000)가 사용하는 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터는, 예를 들어, 사용자의 컨텐츠 이용 이력에 대응되는 입출력 데이터를 포함할 수 있다. 여기서, 사용자의 컨텐츠 이용 이력에 대응되는 입출력 데이터는, 제1 컨텐츠 추천 모델(401)이 개인화된 제1 컨텐츠 추천 모델(411)로 개인화되는데 사용되었던 입출력 데이터를 의미한다. 여기서, 사용자의 컨텐츠 이용 이력에 대응되는 입출력 데이터는, 제1 컨텐츠 추천 모델(401)에 기초한 컨텐츠 추천 과정에서 전자 장치(1000)의 메모리에 저장된 데이터일 수 있다.
한편, 전자 장치(1000)가 제2 컨텐츠 추천 모델(402)을 직접 개인화하기 위해 사용하는 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터는, 다른 예로, 서버(2000)로부터 제2 컨텐츠 추천 모델(402)을 전달받은 이후에, 제2 컨텐츠 추천 모델(402)을 개인화하기 위한 목적으로 획득된 별도의 입출력 데이터일 수 있다. 예를 들어, 전자 장치(1000)는, 기존의 사용자 이용 이력과 무관하게, 서버(2000)로부터 제2 컨텐츠 추천 모델(402)을 전달받은 이후에, 개인화된 제1 컨텐츠 추천 모델(411)에 데이터를 입력하고 출력된 데이터를 획득함으로써, 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터를 획득할 수 있다. 이때, 전자 장치(1000)는 사용자의 컨텐츠 이용 이력에 대응되는 입출력 데이터를 사용하지 않을 수 있다.
한편, 전자 장치(1000)가 사용하는 개인화된 제1 컨텐츠 추천 모델(411)의 입출력 데이터는, 다른 예로, 사용자의 컨텐츠 이용 이력에 대응되는 입출력 데이터 및 제2 컨텐츠 추천 모델(402)을 개인화하기 위한 목적으로 획득된 별도의 입출력 데이터를 모두 포함할 수도 있다. 사용자의 컨텐츠 이용 이력에 대응되는 입력 데이터, 예를 들어, 사용자에 의해 선택된 컨텐츠의 식별 값, 컨텐츠의 장르, 컨텐츠가 선택될 때의 시간 및 장소, 컨텐츠가 선택될 때에 전자 장치(1000)에서 실행되고 있던 애플리케이션의 식별 값 등을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 사용자의 컨텐츠 이용 이력에 대응되는 출력 데이터는 사용자의 컨텐츠 이용 이력에 대응되는 입력 데이터에 기초하여 개인화된 제1 컨텐츠 추천 모델(411)로부터 출력되는 데이터일 수 있다.
전자 장치(1000)는 개인화된 제1 컨텐츠 추천 모델(411)로부터 추출한 입출력 데이터를 조합하여, 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 세트(501)를 획득할 수 있다.
개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 세트(501)를 획득한 전자 장치(1000)는, 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 세트(501)를 개인화 모델(43)에 입력하여, 제2 컨텐츠 추천 모델(402)을 직접 개인화하는데 사용되는 가중치 데이터를 출력으로 획득할 수 있다. 이때 가중치 데이터는, 제2 컨텐츠 추천 모델(402)에 포함된 레이어들 사이에 적용되는 가중치를 나타내는 데이터일 수 있다.
전자 장치(1000)는, 개인화 모델(43)을 통해, 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 세트(501)로부터 가중치 데이터를 획득하고, 획득한 가중치 데이터에 기초하여 제2 컨텐츠 추천 모델(402)의 포함된 레이어들 사이에 적용되는 가중치를 직접 조절함으로써, 개인화된 제2 컨텐츠 추천 모델(422)를 생성할 수 있다.
도 6은 일부 실시예에 따른 서버가 개인화 모델을 생성하는 방법을 나타낸 도면이다.
일부 실시예에 따른 서버(2000)는 소정의 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터 및 분류된 복수의 입력 데이터에 대응되도록 소정의 컨텐츠 카테고리 별로 특화된(specialized) 복수의 제2 컨텐츠 추천 모델(602)에 기초하여 개인화 모델(63)을 생성할 수 있다. 컨텐츠 카테고리는, 예를 들어, 컨텐츠의 종류, 컨텐츠의 속성 또는 컨텐츠에 기초하여 사용자에게 제공되는 서비스의 종류 중 적어도 하나에 기초하여 분류될 수 있다. 컨텐츠의 종류는, 예를 들어, 뮤직, 무비, 사진 등을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 컨텐츠의 속성은, 예를 들어, 컨텐츠의 장르, 컨텐츠의 재생 시간, 아티스트, 제작자, 재생 시간 등을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 서비스의 종류는, 예를 들어, 방송 서비스, 음악 스트리밍 서비스 및 동영상 스트리밍 서비스를 포함할 수 있으나, 이에 제한되지 않는다.
컨텐츠 카테고리는 입력 데이터의 레이블에 기초하여 레이블들 간의 유사성을 기반으로 결정될 수 있다. 예를 들어 음악 추천 서비스의 경우, 입력 데이터로 사용자의 프로파일과 음악 컨텐츠 정보가 있을 수 있다. 사용자의 프로파일은 연령, 성별, 지역 등으로 구성될 수 있고, 음악 컨텐츠 정보의 경우 장르, 작곡가, 가수 등으로 구성될 수 있다. 예를 들어, 사용자 프로파일에 기초하여 연령, 성별, 지역, 장르 등이 컨텐츠 카테고리로 분류될 수 있으며, 콘텐츠 카테고리들 중 적어도 일부를 그룹핑함으로써 콘텐츠 카테고리가 분류될 수도 있다.
도 6을 참조하면, 서버(2000)는, 예를 들어, 미리 생성한 제2 컨텐츠 추천 모델(602)에 대하여, 소정의 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터를 입력할 수 있다. 서버(2000)는, 예를 들어, 음악 장르와 관련된 컨텐츠 카테고리인 발라드로 분류된 입력 데이터를 제2 컨텐츠 추천 모델(602)에 입력하여, 입력된 데이터에 대응되는 추천 결과를 획득할 수 있다. 발라드로 분류된 입력 데이터에 대응하는 추천 결과를 반복하여 획득하는 과정에서, 제2 컨텐츠 추천 모델(602)은 발라드에 특화되도록 학습될 수 있다.
도 6에 도시되지 않았지만, 서버(2000)는, 예를 들어, 음악 장르와 관련된 소정의 컨텐츠 카테고리인 락, 가요 및 해외 음악으로 분류된 각 입력 데이터에 대해서도, 발라드로 분류된 입력 데이터와 동일한 방식을 통해, 제2 컨텐츠 추천 모델(602)을 락, 가요 및 해외 음악 각각에 특화되도록 학습시킬 수 있다.
음악 장르와 관련된 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터 및 분류된 복수의 입력 데이터에 대응되도록 특화된 복수의 제2 컨텐츠 추천 모델(602)이 획득되면, 서버(2000)는 음악 장르와 관련된 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터를 입력 값으로 이용하고, 각 특화된 복수의 제2 컨텐츠 추천 모델(602)의 가중치를 출력 값으로 이용함으로써, 개인화 모델(63)의 학습을 수행할 수 있다.
여기서 개인화 모델(63)의 학습은, 예를 들어, 특정 컨텐츠 카테고리로 분류된 입력 데이터에 대응하여, 해당 카테고리에 대응하는 제2 컨텐츠 추천 모델(602)의 가중치의 레이블에 대한 확률을 출력하는 과정에서, 개인화 모델에 포함된 레이어 간 가중치를 조정하는 방식으로 이루어질 수 있다. 또한, 예를 들어, 개인화 모델(63)은, 특정 컨텐츠 카테고리에 대응되는 입출력 데이터를 이용하여 특화된 제2 컨텐츠 추천 모델(602) 내의 레이블 간의 가중치들 중에서, 개인화 모델(63)로부터 출력될 가중치를 결정하도록 훈련될 수 있다. 이 경우, 특화된 제2 컨텐츠 추천 모델 내(602)의 가중치들 중에서 개인화 모델(63)로부터 출력되는 가중치는, 제2 컨텐츠 추천 모델(602)을 특화시키는데 높은 영향을 미친 가중치일 수 있다. 예를 들어, 특화된 제2 컨텐츠 추천 모델(602) 내의 가중치들 중에서 특화되기 전의 제2 컨텐츠 추천 모델(602)의 가중치와 차이가 큰 값이 개인화 모델(63)로부터 출력될 가중치로 결정될 수 있다. 또는, 예를 들어, 특화된 제2 컨텐츠 추천 모델(602) 내의 가중치들 중에서, 특화된 제2 컨텐츠 추천 모델(602)이 특정 컨텐츠 카테고리에 대응되는 입력 데이터로부터 특정 컨텐츠 카테고리에 대응되는 출력 값을 출력하도록 할 확률이 높은 가중치들이 개인화 모델(63)로부터 출력될 가중치로 선택될 수 있다. 이 경우, 개인화 모델(63)은, 예를 들어, 제2 컨텐츠 추천 모델(602)을 특화하기 위하여 이용된 입출력 데이터의 세트, 및 입출력 데이터 세트를 기반으로 특화된 제2 컨텐츠 추천 모델의 가중치들을 이용하여 학습될 수 있다.
이처럼, 일부 실시예에 따른 서버(2000)는, 제2 컨텐츠 추천 모델(602)을 생성하고, 생성된 제2 컨텐츠 추천 모델(602)에 대응되는 개인화 모델(63)을 생성함으로써, 전자 장치(1000)로 하여금 서버(2000)로부터 제2 컨텐츠 추천 모델(602) 및 개인화 모델(63)을 전달받아, 직접 제2 컨텐츠 추천 모델(602)을 개인화하도록 할 수 있다.
한편, 전자 장치(1000)는 개인화된 제1 컨텐츠 추천 모델(611)에 입력된 입력 데이터 및 개인화된 제1 컨텐츠 추천 모델(611)로부터 출력된 출력 데이터를 조합함으로써, 개인화된 제1 컨텐츠 추천 모델(611)의 입출력 데이터 세트를 획득할 수 있다.
개인화된 제1 컨텐츠 추천 모델(611)의 입출력 데이터 세트를 획득한 전자 장치(1000)는, 개인화된 제1 컨텐츠 추천 모델(611)의 입출력 데이터 세트를 서버(2000)로부터 전달받은 개인화 모델(63)에 입력할 수 있다. 개인화된 제1 컨텐츠 추천 모델(611)의 입출력 데이터 세트가 개인화 모델(63)에 입력됨에 따라, 전자 장치(1000)는 제2 컨텐츠 추천 모델(602)을 직접 개인화하는데 사용되는 가중치 데이터, 즉 제2 컨텐츠 추천 모델(602)에 포함된 레이어들 사이에 적용되는 가중치를 나타내는 데이터인 가중치 데이터를 출력으로 획득할 수 있다. 이때 가중치 데이터는, 제2 컨텐츠 추천 모델(602)에 포함된 레이어들 사이에 적용되는 가중치를 나타내는 데이터일 수 있다.
개인화 모델(63)을 통해 가중치 데이터가 획득되면, 전자 장치(1000)는 획득된 가중치 데이터에 기초하여 제2 컨텐츠 추천 모델(602)에 포함된 레이어들 사이에 적용되는 가중치를 변경함으로써, 제2 컨텐츠 추천 모델(602)을 직접 개인화할 수 있다.
도 7은 일부 실시예에 따른 서버가 개인화 모델을 생성하는 방법을 나타낸 도면이다.
도 6 및 도 7을 참조하면, 도 7의 일부 실시예에 따른 서버가 생성하는 제2 컨텐츠 추천 모델(702)은, 도 6의 일부 실시예에 따른 서버가 생성하는 제2 컨텐츠 추천 모델(602)과는 달리, 추천 레이어 및 개인화 레이어를 포함할 수 있다.
제2 컨텐츠 추천 모델(702)에 포함된 추천 레이어는 컨텐츠 추천을 위한 레이어이며, 제2 컨텐츠 추천 모델(702)에 포함된 개인화 레이어는 추천 레이어로부터의 출력 데이터를 개인화 하기 위한 레이어일 수 있다. 제2 컨텐츠 추천 모델(702)에 포함된 추천 레이어는, 예를 들어, 컨텐츠 추천과 관련 학습 및 추천의 수행에 사용되는 레이어일 수 있다. 한편, 제2 컨텐츠 추천 모델(702)에 포함된 개인화 레이어는, 예를 들어, 추천 레이어와는 별개의 레이어일 수 있으며, 컨텐츠 추천과 관련 학습 및 추천 이외에, 제2 컨텐츠 추천 모델(702)의 개인화에 사용되는 레이어일 수 있다. 개인화 레이어는 추천 레이어로부터 출력되는 가중치들 중 적어도 일부를 변경함으로써 제2 컨텐츠 추천 모델(702)을 개인화하는데 이용될 수 있다. 또한, 제2 컨텐츠 추천 모델(702) 내의 추천 레이어 및 개인화 레이어 중에서, 개인화 레이어가 특정 사용자에 특화됨으로써, 특정 사용자에 개인화된 제2 컨텐츠 추천 모델(722)이 생성될 수 있다.
일부 실시예에 따른 서버(2000)는 소정의 사용자 카테고리 별로 분류된 복수의 입력 데이터 및 분류된 복수의 입력 데이터에 대응되도록 소정의 사용자 카테고리 별로 특화된 복수의 개인화 레이어에 기초하여 개인화 모델(73)을 생성할 수 있다.
도 7을 참조하면, 서버(2000)는, 예를 들어, 미리 생성한 제2 컨텐츠 추천 모델(702)에 대하여, 소정의 사용자 카테고리 별로 분류된 복수의 입력 데이터를 입력할 수 있다. 서버(2000)는, 예를 들어, 사용자의 종류와 관련된 컨텐츠 카테고리인 제1 사용자로 분류된 입력 데이터를 제2 컨텐츠 추천 모델(702)에 입력하여, 입력된 데이터에 대응되는 추천 결과를 획득할 수 있다. 제1 사용자로 분류된 입력 데이터에 대응하는 추천 결과를 반복하여 획득하는 과정에서, 제2 컨텐츠 추천 모델(702)의 개인화 레이어는 제1 사용자에 특화되도록 학습될 수 있다.
도 7에 도시되지 않았지만, 서버(2000)는, 예를 들어, 사용자의 종류와 관련된 소정의 컨텐츠 카테고리인 제2 사용자, 제3 사용자 및 제4 사용자로 분류된 각 입력 데이터에 대해서도, 제1 사용자로 분류된 입력 데이터와 동일한 방식을 통해, 제2 컨텐츠 추천 모델(702)의 개인화 레이어를 제2 사용자, 제3 사용자 및 제4 사용자 각각에 특화되도록 학습시킬 수 있다.
사용자의 종류와 관련된 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터 및 분류된 복수의 입력 데이터에 대응되도록 특화된 복수의 개인화 레이어가 획득되면, 서버(2000)는 사용자 종류와 관련된 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터를 입력으로, 각 특화된 복수의 개인화 레이어의 가중치를 출력으로 하여, 개인화 모델(73)의 학습을 수행할 수 있다. 이에 따라, 개인화 모델(73)은 제2 컨텐츠 추천 모델(702)의 입력 데이터를 입력으로 하여, 제2 컨텐츠 추천 모델(702) 내의 추천 레이어로부터 출력되는 가중치들 중 적어도 일부를 변경하기 위한, 개인화 레이어의 가중치를 출력할 수 있다.
여기서 개인화 모델(73)의 학습은, 예를 들어, 특정 컨텐츠 카테고리로 분류된 입력 데이터에 대응하여, 해당 카테고리에 대응하는 제2 컨텐츠 추천 모델(702)의 개인화 레이어의 가중치를 출력하는 과정에서, 개인화 모델(73)에 포함된 레이어 간 가중치를 조정하는 방식으로 이루어질 수 있다.
이처럼, 일부 실시예에 따른 서버(2000)는, 제2 컨텐츠 추천 모델(702)을 생성하고, 생성된 제2 컨텐츠 추천 모델(702)의 개인화 레이어에 대응되는 개인화 모델(73)을 생성함으로써, 전자 장치(1000)로 하여금 서버(2000)로부터 제2 컨텐츠 추천 모델(702) 및 개인화 모델(73)을 전달받아, 직접 제2 컨텐츠 추천 모델(702)을 개인화하도록 함과 동시에, 상대적으로 적은 가중치 데이터를 사용하여 제2 컨텐츠 추천 모델(702)의 개인화를 수행하도록 할 수 있다.
한편, 전자 장치(1000)는 개인화된 제1 컨텐츠 추천 모델(711)로부터 추출한 입출력 데이터를 조합하여, 개인화된 제1 컨텐츠 추천 모델(711)의 입출력 데이터 세트를 획득할 수 있다.
개인화된 제1 컨텐츠 추천 모델(711)의 입출력 데이터 세트를 획득한 전자 장치(1000)는, 개인화된 제1 컨텐츠 추천 모델(711)의 입출력 데이터 세트를 서버(2000)로부터 전달받은 개인화 모델(73)에 입력하여, 제2 컨텐츠 추천 모델(702)을 직접 개인화하는데 사용되는 개인화 레이어의 가중치 데이터를 출력으로 획득할 수 있다. 이때 개인화 레이어의 가중치 데이터는, 제2 컨텐츠 추천 모델(702)에 포함된 개인화 레이어들 사이에 적용되는 가중치를 나타내는 데이터일 수 있다.
개인화 모델(73)을 통해 가중치 데이터가 획득되면, 전자 장치(1000)는 획득된 개인화 레이어의 가중치 데이터에 기초하여 제2 컨텐츠 추천 모델(702)에 포함된 개인화 레이어들 사이에 적용되는 가중치를 변경함으로써 제2 컨텐츠 추천 모델(702)을 직접 개인화할 수 있다.
도 8은 일부 실시예에 따른 전자 장치의 블록도이다.
도 8을 참조하면, 일부 실시예에 따른 전자 장치(1000)는 통신부(1001), 입출력부(1002), 프로세서(1003) 및 메모리(1004)를 포함할 수 있다.
통신부(1001)는 서버(2000)와의 통신을 위한 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(1001)는, 근거리 통신부 또는 이동 통신부 중 적어도 하나를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.
이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
입출력부(1002)는, 전자 장치(1000)의 동작을 제어하기 위한 사용자의 입력을 수신하고, 전자 장치(1000)에서 재생될 수 있는 컨텐츠와 관련된 데이터를 사용자가 시각 및/또는 청각적으로 인식할 수 있는 정보로 출력할 수 있다.
입출력부(1002)는, 예를 들어, 키 패드(key pad), 마이크, 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등의 입력 장치와 연결되어 사용자의 입력을 수신할 수 있으나, 이에 한정되는 것은 아니다.
또한, 입출력부(1002)는, 예를 들어, 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 신호 및 재생되는 컨텐츠를 소리로 출력할 수 있는 스피커, 전자 장치(1000)에서 처리되는 정보 및 재생되는 컨텐츠를 표시 출력하는 디스플레이 등의 출력 장치와 연결되어 컨텐츠와 관련된 데이터를 사용자가 시각 및/또는 청각적으로 인식할 수 있는 정보로 출력할 수 있으나, 이에 한정되는 것은 아니다.
프로세서(1003)는 전자 장치(1000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(1003)는, 메모리(1004)에 저장된 프로그램들을 실행함으로써, 통신부(1001), 입출력부(1002) 및 메모리(1004)의 전반적인 동작을 제어할 수 있다.
프로세서(1003)는 전자 장치의 사용자에게 컨텐츠를 추천하기 위해 이용되는 제1 컨텐츠 추천 모델(1102)을 획득할 수 있다. 프로세서(1003)는 사용자의 컨텐츠 이용 이력에 기초하여 제1 컨텐츠 추천 모델(1102)을 개인화할 수 있다.
프로세서(1003)는 서버로부터 제2 컨텐츠 추천 모델(1104) 및 제2 컨텐츠 추천 모델을 개인화하기 위한 개인화 모델(1101)을 수신할 수 있다.
프로세서(1003)는 개인화된 제1 컨텐츠 추천 모델(1103)의 입출력 데이터 및 개인화 모델(1101)을 이용하여 제2 컨텐츠 추천 모델(1104)을 개인화할 수 있다. 프로세서(1003)는, 예를 들어, 메모리(1004)에 미리 저장된 프로그램 모듈인 개인화 모듈(1106)을 실행하여, 개인화된 제1 컨텐츠 추천 모델(1103)의 입출력 데이터 및 개인화 모델(1101)에 기초한 제2 컨텐츠 추천 모델(1104)의 개인화를 수행할 수 있다.
프로세서(1003)는 개인화된 제2 컨텐츠 추천 모델(1105)을 이용하여 사용자에게 컨텐츠 추천 서비스를 제공할 수 있다.
일부 실시예에 따른 프로세서(1003)는, 예를 들어, 인공지능 연산을 수행할 수 있다. 프로세서(1003)는, 예를 들어, CPU(Central Processing Unit), GPU(Graphics Processing Unit), NPU(Neural Processing Unit), FPGA(Field Programmable Gate Array), ASIC(application specific integrated circuit) 중 어느 하나일 수 있으나, 이에 제한되지 않는다.
메모리(1004)는 전자 장치(1000)의 동작을 제어하기 위한 프로그램을 저장할 수 있다. 메모리(1004)는 전자 장치(1000)의 동작을 제어하기 위한 적어도 하나의 인스트럭션을 포함할 수 있다. 메모리(1004)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류될 수 있다.
메모리(1004)는, 예를 들어, 서버(2000)로부터 전달받은 제1 컨텐츠 추천 모델(1103), 제2 컨텐츠 추천 모델(1104) 및 개인화 모델(1101)을 저장할 수 있다.
메모리(1004)는, 예를 들어, 전자 장치(1000)가 제1 컨텐츠 추천 모델(1103)에 기초한 컨텐츠 추천을 반복 수행함으로써 생성된 개인화된 제1 컨텐츠 추천 모델(1103)을 저장할 수 있다.
메모리(1004)는, 예를 들어, 개인화된 제1 컨텐츠 추천 모델(1103)의 입출력 데이터 및 개인화 모델(1101)을 사용하여 제2 컨텐츠 추천 모델(1104)의 개인화를 수행하기 위한 개인화 모듈(1106)을 저장할 수 있다.
메모리(1004)는, 예를 들어, 전자 장치(1000)가 개인화 모듈(1106)을 통해 제2 컨텐츠 추천 모델(1104)을 개인화하여 생성된 개인화된 제2 컨텐츠 추천 모델(1105)을 저장할 수 있다.
메모리(2004)는, 예를 들어, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있으나, 이에 제한되지 않는다.
도 9는 일부 실시예에 따른 서버의 블록도이다.
도 9를 참조하면, 일부 실시예에 따른 서버(2000)는, 통신부(2001), 프로세서(2002) 및 메모리(2003)를 포함할 수 있다.
통신부(2001)는 전자 장치(1000)와의 통신을 위한 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(2001)는, 근거리 통신부 또는 이동 통신부 중 적어도 하나를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 제한되지 않는다.
이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
프로세서(2002)는 서버(2000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(2002)는, 메모리(2003)에 저장된 프로그램들을 실행함으로써, 통신부(2001) 및 메모리(2003)의 전반적인 동작을 제어할 수 있다.
프로세서(2002)는 전자 장치(1000)에게 전달하기 위한 컨텐츠 추천 모델을 생성할 수 있다.
프로세서(2002)는 전자 장치(1000)에게 전달하기 위한 컨텐츠 추천 모델을 생성할 수 있다. 프로세서(2002)는, 예를 들어, 메모리(2003)에 미리 저장된 프로그램 모듈인 컨텐츠 추천 모델 생성 모듈(2101)을 실행하여, 전자 장치(1000)에게 전달하기 위한 컨텐츠 추천 모델을 생성할 수 있다. 프로세서(2002)에 의해 생성된 컨텐츠 추천 모델은 통신부(2001)를 통해 전자 장치(1000)에게 전달되어, 전자 장치(1000)의 컨텐츠 추천 서비스 제공에 사용될 수 있다.
프로세서(2002)는 전자 장치(1000)에게 전달하기 위한 개인화 모델을 생성할 수 있다. 프로세서(2002)는, 예를 들어, 메모리(2003)에 미리 저장된 프로그램 모듈인 개인화 모델 생성 모듈(2102)을 실행하여, 전자 장치(1000)에게 전달하기 위한 개인화 모델을 생성할 수 있다. 프로세서(2002)에 의해 생성된 개인화 모델은 통신부(2001)를 통해 전자 장치(1000)에게 전달되어, 전자 장치(1000)의 컨텐츠 추천 모델 개인화에 사용될 수 있다.
메모리(2003)는 서버(2000)의 동작을 제어하기 위한 프로그램을 저장할 수 있다. 메모리(2003)는 서버(2000)의 동작을 제어하기 위한 적어도 하나의 인스트럭션을 포함할 수 있다. 메모리(2003)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류될 수 있다.
메모리(2003)는, 예를 들어, 전자 장치(1000)에게 전달하기 위한 컨텐츠 추천 모델을 생성하는데 사용되는 컨텐츠 추천 모델 생성 모듈(2101)을 저장할 수 있다.
메모리(2003)는, 예를 들어, 전자 장치(1000)에게 전달하기 위한 개인화 모델을 생성하는데 사용되는 개인화 모델 생성 모듈(2102)을 저장할 수 있다.
메모리(2003)는, 예를 들어, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있으나, 이에 제한되지 않는다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 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.
또한, 컴퓨터에 의해 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 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 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (13)

  1. 전자 장치가 컨텐츠 추천 모델을 개인화하는 방법에 있어서,
    전자 장치의 사용자에게 컨텐츠를 추천하기 위해 이용되는 제1 컨텐츠 추천 모델을 획득하는 동작;
    상기 사용자의 컨텐츠 이용 이력에 기초하여 상기 제1 컨텐츠 추천 모델을 개인화하는 동작;
    제2 컨텐츠 추천 모델을 서버로부터 수신하는 동작;
    상기 제2 컨텐츠 추천 모델을 개인화하기 위한 개인화 모델을 상기 서버로부터 수신하는 동작;
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 상기 개인화 모델을 이용하여 상기 제2 컨텐츠 추천 모델을 개인화하는 동작; 및
    상기 개인화된 제2 컨텐츠 추천 모델을 이용하여 상기 사용자에게 컨텐츠 추천 서비스를 제공하는 동작;을 포함하는, 방법.
  2. 제1항에 있어서,
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터는
    상기 사용자의 컨텐츠 이용 이력에 대응되는 입출력 데이터를 포함하는, 방법.
  3. 제1항에 있어서,
    상기 개인화 모델은
    소정의 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터 및 상기 분류된 복수의 입력 데이터에 대응되도록 소정의 컨텐츠 카테고리 별로 특화된 복수의 제2 컨텐츠 추천 모델에 기초하여 생성되는 것인, 방법.
  4. 제3항에 있어서,
    상기 제2 컨텐츠 추천 모델을 개인화하는 동작은
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터를 상기 개인화 모델에 입력하는 동작;
    상기 제2 컨텐츠 추천 모델에 포함된 레이어들 사이에 적용되는 가중치를 나타내는 데이터인 가중치 데이터를 획득한 동작; 및
    상기 획득된 가중치 데이터에 기초하여 상기 제2 컨텐츠 추천 모델에 포함된 레이어들 사이에 적용되는 가중치를 변경함으로써 상기 제2 컨텐츠 추천 모델을 개인화하는 동작;을 포함하는, 방법
  5. 제1항에 있어서,
    상기 제2 컨텐츠 추천 모델은
    컨텐츠 추천 레이어 및 개인화 레이어를 포함하고,
    상기 개인화 모델은
    소정의 사용자 카테고리 별로 분류된 복수의 입력 데이터 및 상기 분류된 복수의 입력 데이터에 대응되도록 소정의 사용자 카테고리 별로 특화된 복수의 개인화 레이어에 기초하여 생성되는 것인, 방법.
  6. 제5항에 있어서,
    상기 제2 컨텐츠 추천 모델을 개인화하는 동작은
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터를 상기 개인화 모델에 입력하는 동작;
    상기 제2 컨텐츠 추천 모델에 포함된 개인화 레이어들 사이에 적용되는 가중치를 나타내는 데이터인 개인화 레이어의 가중치 데이터를 획득한 동작; 및
    상기 획득된 개인화 레이어의 가중치 데이터에 기초하여 상기 제2 컨텐츠 추천 모델에 포함된 개인화 레이어들 사이에 적용되는 가중치를 변경함으로써 상기 제2 컨텐츠 추천 모델을 개인화하는 동작;을 포함하는, 방법
  7. 컨텐츠 추천 모델을 개인화하는 전자 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 프로세서;를 포함하며,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써
    전자 장치의 사용자에게 컨텐츠를 추천하기 위해 이용되는 제1 컨텐츠 추천 모델을 획득하고, 상기 사용자의 컨텐츠 이용 이력에 기초하여 상기 제1 컨텐츠 추천 모델을 개인화하고, 제2 컨텐츠 추천 모델을 서버로부터 수신하고, 상기 제2 컨텐츠 추천 모델을 개인화하기 위한 개인화 모델을 상기 서버로부터 수신하고, 상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 상기 개인화 모델을 이용하여 상기 제2 컨텐츠 추천 모델을 개인화하고, 상기 개인화된 제2 컨텐츠 추천 모델을 이용하여 상기 사용자에게 컨텐츠 추천 서비스를 제공하는, 전자 장치.
  8. 제7항에 있어서,
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터는
    상기 사용자의 컨텐츠 이용 이력에 대응되는 입출력 데이터를 포함하는, 전자 장치.
  9. 제7항에 있어서,
    상기 개인화 모델은
    소정의 컨텐츠 카테고리 별로 분류된 복수의 입력 데이터 및 상기 분류된 복수의 입력 데이터에 대응되도록 소정의 컨텐츠 카테고리 별로 특화된 복수의 제2 컨텐츠 추천 모델에 기초하여 생성되는 것인, 전자 장치.
  10. 제9항에 있어서,
    상기 프로세서는
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터를 상기 개인화 모델에 입력하고, 상기 제2 컨텐츠 추천 모델에 포함된 레이어들 사이에 적용되는 가중치를 나타내는 데이터인 가중치 데이터를 획득하고, 상기 획득된 가중치 데이터에 기초하여 상기 제2 컨텐츠 추천 모델에 포함된 레이어들 사이에 적용되는 가중치를 변경함으로써 상기 제2 컨텐츠 추천 모델을 개인화하는, 전자 장치.
  11. 제7항에 있어서,
    상기 제2 컨텐츠 추천 모델은
    컨텐츠 추천 레이어 및 개인화 레이어를 포함하고,
    상기 개인화 모델은
    소정의 사용자 카테고리 별로 분류된 복수의 입력 데이터 및 상기 분류된 복수의 입력 데이터에 대응되도록 소정의 사용자 카테고리 별로 특화된 복수의 개인화 레이어에 기초하여 생성되는 것인, 전자 장치.
  12. 제11항에 있어서,
    상기 프로세서는
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터를 상기 개인화 모델에 입력하고, 상기 제2 컨텐츠 추천 모델에 포함된 개인화 레이어들 사이에 적용되는 가중치를 나타내는 데이터인 개인화 레이어의 가중치 데이터를 획득하고, 상기 획득된 개인화 레이어의 가중치 데이터에 기초하여 상기 제2 컨텐츠 추천 모델에 포함된 개인화 레이어들 사이에 적용되는 가중치를 변경함으로써 상기 제2 컨텐츠 추천 모델을 개인화하는, 전자 장치.
  13. 전자 장치의 사용자에게 컨텐츠를 추천하기 위해 이용되는 제1 컨텐츠 추천 모델을 획득하는 동작;
    상기 사용자의 컨텐츠 이용 이력에 기초하여 상기 제1 컨텐츠 추천 모델을 개인화하는 동작;
    제2 컨텐츠 추천 모델을 서버로부터 수신하는 동작;
    상기 제2 컨텐츠 추천 모델을 개인화하기 위한 개인화 모델을 상기 서버로부터 수신하는 동작;
    상기 개인화된 제1 컨텐츠 추천 모델의 입출력 데이터 및 상기 개인화 모델을 이용하여 상기 제2 컨텐츠 추천 모델을 개인화하는 동작; 및
    상기 개인화된 제2 컨텐츠 추천 모델을 이용하여 상기 사용자에게 컨텐츠 추천 서비스를 제공하는 동작;을 포함하는 컨텐츠 추천 모델을 개인화하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020190179651A 2019-12-31 2019-12-31 컨텐츠 추천 모델을 개인화하는 방법 및 장치 KR20210086008A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190179651A KR20210086008A (ko) 2019-12-31 2019-12-31 컨텐츠 추천 모델을 개인화하는 방법 및 장치
PCT/KR2020/019492 WO2021137657A1 (en) 2019-12-31 2020-12-31 Method and apparatus for personalizing content recommendation model
US17/139,375 US20210200824A1 (en) 2019-12-31 2020-12-31 Method and apparatus for personalizing content recommendation model
EP20911199.6A EP4014195A4 (en) 2019-12-31 2020-12-31 METHOD AND DEVICE FOR PERSONALIZING A CONTENT RECOMMENDATION MODEL

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190179651A KR20210086008A (ko) 2019-12-31 2019-12-31 컨텐츠 추천 모델을 개인화하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210086008A true KR20210086008A (ko) 2021-07-08

Family

ID=76547355

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190179651A KR20210086008A (ko) 2019-12-31 2019-12-31 컨텐츠 추천 모델을 개인화하는 방법 및 장치

Country Status (4)

Country Link
US (1) US20210200824A1 (ko)
EP (1) EP4014195A4 (ko)
KR (1) KR20210086008A (ko)
WO (1) WO2021137657A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102593134B1 (ko) * 2022-12-16 2023-10-24 고려대학교산학협력단 사용자 디바이스를 위한 임베딩 테이블 크기를 조절하는 방법 및 이를 위한 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11693897B2 (en) * 2020-10-20 2023-07-04 Spotify Ab Using a hierarchical machine learning algorithm for providing personalized media content
US20220337058A1 (en) * 2021-04-15 2022-10-20 Jinho Kim Optimizing home energy efficiency and device upgrade scheduling

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100908982B1 (ko) * 2006-10-27 2009-07-22 야후! 인크. 지능형 정보 제공 시스템 및 방법
US8756184B2 (en) * 2009-12-01 2014-06-17 Hulu, LLC Predicting users' attributes based on users' behaviors
KR20130035064A (ko) * 2011-09-29 2013-04-08 삼성전자주식회사 개인 성향 기반의 개인화 서비스 제공 방법 및 시스템
US8996530B2 (en) * 2012-04-27 2015-03-31 Yahoo! Inc. User modeling for personalized generalized content recommendations
US9785978B1 (en) * 2014-03-26 2017-10-10 EMC IP Holding Company LLC Dynamic content control in an information processing system
JP2016173623A (ja) * 2015-03-16 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 コンテンツ提供装置、コンテンツ提供方法及びコンテンツ提供プログラム
US10572820B2 (en) * 2015-09-02 2020-02-25 Salesforce.Com, Inc. Evaluating personalized recommendation models
KR102012676B1 (ko) 2016-10-19 2019-08-21 삼성에스디에스 주식회사 콘텐츠 추천 방법, 장치 및 시스템
WO2018173121A1 (ja) * 2017-03-21 2018-09-27 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム
RU2763530C1 (ru) 2017-12-22 2021-12-30 Хуавей Текнолоджиз Ко., Лтд. Клиент, сервер и система клиент-сервер, адаптированные для генерации персонализированных рекомендаций
CN108268934A (zh) * 2018-01-10 2018-07-10 北京市商汤科技开发有限公司 基于深度学习的推荐方法和装置、电子设备、介质、程序
WO2019182265A1 (ko) * 2018-03-21 2019-09-26 엘지전자 주식회사 인공 지능 기기 및 그의 동작 방법
KR102042078B1 (ko) * 2018-04-25 2019-11-27 광주과학기술원 뉴럴 네트워크를 이용한 3차원 형상 복원 시스템의 동작 방법
US11593634B2 (en) * 2018-06-19 2023-02-28 Adobe Inc. Asynchronously training machine learning models across client devices for adaptive intelligence
US10210860B1 (en) * 2018-07-27 2019-02-19 Deepgram, Inc. Augmented generalized deep learning with special vocabulary
US11308284B2 (en) * 2019-10-18 2022-04-19 Facebook Technologies, Llc. Smart cameras enabled by assistant systems

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102593134B1 (ko) * 2022-12-16 2023-10-24 고려대학교산학협력단 사용자 디바이스를 위한 임베딩 테이블 크기를 조절하는 방법 및 이를 위한 장치

Also Published As

Publication number Publication date
EP4014195A4 (en) 2022-08-24
US20210200824A1 (en) 2021-07-01
EP4014195A1 (en) 2022-06-22
WO2021137657A1 (en) 2021-07-08

Similar Documents

Publication Publication Date Title
US20200401380A1 (en) Application Digital Content Control using an Embedded Machine Learning Module
US20210200824A1 (en) Method and apparatus for personalizing content recommendation model
US20200118010A1 (en) System and method for providing content based on knowledge graph
US11868739B2 (en) Device and method for providing application translation information
US20180137550A1 (en) Method and apparatus for providing product information
US11210525B2 (en) Method and terminal for providing content
US11606619B2 (en) Display device and display device control method
KR20210012730A (ko) 인공지능 모델의 학습 방법 및 전자 장치
CN111316662A (zh) 图像显示设备及其操作方法
JP2016004551A (ja) 特定装置、特定方法及び特定プログラム
US20240037616A1 (en) Systems and methods for customizing electronic marketplace applications
US20220309231A1 (en) Electronic device for generating summary information of conversation text and operating method thereof
US20220004874A1 (en) Electronic apparatus training individual model of user and method of operating the same
KR102423754B1 (ko) 디바이스 사용 문의에 대한 응답을 제공하는 디바이스 및 방법
KR20190061824A (ko) 전자장치 및 그 제어 방법
US11675973B2 (en) Electronic device and operation method for embedding an input word using two memory operating speeds
US20210249018A1 (en) Method and apparatus for providing voice assistant service
EP3686752A1 (en) Electronic device and operating method for providing feedback information in response to user input
US11386304B2 (en) Electronic device and method of controlling the same
US11617957B2 (en) Electronic device for providing interactive game and operating method therefor
KR20220089537A (ko) 전자 장치 및 이의 제어 방법
KR20220039018A (ko) 전자 장치 및 그 제어 방법
US11915691B2 (en) Electronic apparatus and controlling method thereof
KR20200021409A (ko) 전자 장치 및 그 제어 방법
US20220083882A1 (en) Electronic device and operating method for providing information about why response has changed

Legal Events

Date Code Title Description
A201 Request for examination