KR20210096760A - 서비스 서버 및 이의 동작 방법 - Google Patents

서비스 서버 및 이의 동작 방법 Download PDF

Info

Publication number
KR20210096760A
KR20210096760A KR1020200010205A KR20200010205A KR20210096760A KR 20210096760 A KR20210096760 A KR 20210096760A KR 1020200010205 A KR1020200010205 A KR 1020200010205A KR 20200010205 A KR20200010205 A KR 20200010205A KR 20210096760 A KR20210096760 A KR 20210096760A
Authority
KR
South Korea
Prior art keywords
content
user
service server
matrix
purchase
Prior art date
Application number
KR1020200010205A
Other languages
English (en)
Other versions
KR102307070B1 (ko
Inventor
장시영
Original Assignee
주식회사 엘지유플러스
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 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020200010205A priority Critical patent/KR102307070B1/ko
Publication of KR20210096760A publication Critical patent/KR20210096760A/ko
Application granted granted Critical
Publication of KR102307070B1 publication Critical patent/KR102307070B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Graphics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

서비스 서버가 개시된다. 일 실시예는 사용자들 및 콘텐츠들에 대한 구매 매트릭스를 생성하고, 학습을 반복 수행하여 완료함으로써 상기 생성된 구매 매트릭스에 대응되는 구매 예측 매트릭스를 생성하며, 상기 생성된 구매 예측 매트릭스에서 타겟 콘텐츠 기준의 사용자 그룹을 추출하고, 상기 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공한다.

Description

서비스 서버 및 이의 동작 방법{SERVICE SERVER AND OPERATING METHOD THEREOF}
아래 실시예들은 서비스 서버 및 이의 동작 방법에 관한 것이다.
기존에는 모든 고객에게 광고 또는 VOD(Video on Demand)가 추천된다. 한편, VOD 할인 쿠폰은 개수만큼 비용이 증가하게 되어, 모든 고객에게 VOD 할인 쿠폰이 제공되는 것이 어렵다.
또한, 기존 쿠폰 할인 서비스는 타겟 고객을 선정한 뒤 해당 타겟 고객에게 VOD 할인 쿠폰을 제공한다.
관련 선행기술로, 한국 공개특허공보 제10-2015-0076275호(발명의 명칭: 의미적 클러스터를 이용한 컨텐츠 추천 시스템 및 방법, 출원인: 주식회사 케이티)가 있다. 해당 공개특허공보에는 사용자의 관심 정보 및 컨텐츠의 메타 데이터 정보를 이용하여 사용자 및 컨텐츠에 대한 의미적 클러스터를 생성하고 그 유사도를 판단하여 사용자에게 컨텐츠를 추천하는 시스템 및 방법이 개시된다.
일 측에 따른 서비스 서버의 동작 방법은 사용자들 및 콘텐츠들에 대한 구매 매트릭스를 생성하는 단계; 학습을 반복 수행하여 완료함으로써 상기 생성된 구매 매트릭스에 대응되는 구매 예측 매트릭스를 생성하는 단계; 상기 생성된 구매 예측 매트릭스에서 타겟 콘텐츠 기준의 사용자 그룹을 추출하는 단계; 및 상기 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공하는 단계를 포함한다.
상기 구매 예측 매트릭스를 생성하는 단계는 상기 생성된 구매 매트릭스에 매트릭스 인수분해(Matrix Factorization)를 수행하여 상기 사용자들에 대한 제1 특징 벡터 및 상기 콘텐츠들에 대한 제2 특징 벡터를 생성하는 단계를 포함할 수 있다.
상기 구매 예측 매트릭스를 생성하는 단계는 우도(likelihood)가 최대가 되도록 상기 제1 및 제2 특징 벡터를 반복적으로 학습시키는 단계를 포함할 수 있다.
상기 우도는 하나 이상의 제1 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제1 예측 확률값, 상기 하나 이상의 제1 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 하나 이상의 제2 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제2 예측 확률값, 상기 하나 이상의 제2 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 및 가중치를 기초로 표현될 수 있다.
상기 하나 이상의 제1 사용자-콘텐츠 집합은 사용자가 쿠폰으로 콘텐츠를 구매한 이력의 집합을 나타낼 수 있다.
상기 하나 이상의 제2 사용자-콘텐츠 집합은 사용자가 쿠폰 이용 없이 실제로 콘텐츠를 구매한 이력의 집합을 나타낼 수 있다.
상기 생성된 구매 매트릭스 내의 원소들 각각의 행은 상기 사용자들 각각에 대응될 수 있고 상기 원소들 각각의 열은 상기 콘텐츠들 각각에 대응될 수 있다.
상기 생성된 구매 매트릭스 내의 특정 원소가 제1 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하였음을 나타낼 수 있다.
상기 생성된 구매 매트릭스 내의 특정 원소가 제2 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하지 않았음을 나타낼 수 있다.
상기 제공하는 단계는 상기 추출된 사용자 그룹 내의 사용자들 중에서 제약 사항을 고려하여 하나 이상의 사용자를 선정하는 단계를 포함할 수 있다.
상기 서비스를 제공하는 단계는 상기 선정된 사용자의 계정으로 IPTV 서비스에서 사용되는 쿠폰을 제공하는 단계를 포함할 수 있다.
일 측에 따른 서비스 서버는 사용자들 및 콘텐츠들에 대한 구매 매트릭스를 생성하고, 학습을 반복 수행하여 완료함으로써 상기 생성된 구매 매트릭스에 대응되는 구매 예측 매트릭스를 생성하며, 상기 생성된 구매 예측 매트릭스에서 타겟 콘텐츠 기준의 사용자 그룹을 추출하고, 상기 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공하는 컨트롤러를 포함한다.
상기 컨트롤러는 상기 생성된 구매 매트릭스에 매트릭스 인수분해(Matrix Factorization)를 수행하여 상기 사용자들에 대한 제1 특징 벡터 및 상기 콘텐츠들에 대한 제2 특징 벡터를 생성할 수 있다.
상기 컨트롤러는 우도(likelihood)가 최대가 되도록 상기 제1 및 제2 특징 벡터를 반복적으로 학습시킬 수 있다.
상기 우도는 하나 이상의 제1 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제1 예측 확률값, 상기 하나 이상의 제1 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 하나 이상의 제2 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제2 예측 확률값, 상기 하나 이상의 제2 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 및 가중치를 기초로 표현될 수 있다.
상기 하나 이상의 제1 사용자-콘텐츠 집합은 사용자가 쿠폰으로 콘텐츠를 구매한 이력의 집합을 나타낼 수 있다.
상기 하나 이상의 제2 사용자-콘텐츠 집합은 사용자가 쿠폰 이용 없이 실제로 콘텐츠를 구매한 이력의 집합을 나타낼 수 있다.
상기 컨트롤러는 상기 사용자들 각각이 상기 콘텐츠들 각각을 구매하였는지 여부를 파악하여 상기 구매 매트릭스를 생성할 수 있다.
상기 생성된 구매 매트릭스 내의 원소들 각각의 행은 상기 사용자들 각각에 대응될 수 있고 상기 원소들 각각의 열은 상기 콘텐츠들 각각에 대응될 수 있다.
상기 생성된 구매 매트릭스 내의 특정 원소가 제1 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하였음을 나타낼 수 있다.
상기 생성된 구매 매트릭스 내의 특정 원소가 제2 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하지 않았음을 나타낼 수 있다.
상기 컨트롤러는 상기 추출된 사용자 그룹 내의 사용자들 중에서 제약 사항을 고려하여 하나 이상의 사용자를 선정할 수 있다.
상기 컨트롤러는 상기 선정된 사용자의 계정으로 IPTV 서비스에서 사용되는 쿠폰을 제공할 수 있다.
실시예들은 타겟 콘텐츠 기준으로 선정된 타겟 고객에게 효율적인 비용으로 서비스(예를 들어, 할인 쿠폰 서비스)를 제공할 수 있다.
도 1은 일 실시예에 따른 콘텐츠 서비스 시스템을 설명하기 위한 도면이다.
도 2 내지 도 4는 일 실시예에 따른 서비스 서버의 동작을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 서비스 서버의 동작 방법을 설명하기 위한 흐름도이다.
도 6은 일 실시예에 따른 서비스 서버를 설명하기 위한 블록도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 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 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 콘텐츠 서비스 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 콘텐츠 서비스 시스템(100)은 서비스 서버(110) 및 콘텐츠 재생 기기들(120-1 내지 120-n)을 포함한다.
콘텐츠 서비스 시스템(100)은 IPTV(Internet Protocol TV) 시스템을 지원할 수 있다. 콘텐츠 재생 기기들(120-1 내지 120-n) 중 하나 이상은 셋탑 박스와 디스플레이를 포함할 수 있다. 서비스 서버(110)는 셋탑 박스에 콘텐츠(예를 들어, 실시간 콘텐츠 및/또는 주문형 콘텐츠)를 전송할 수 있고 해당 셋탑 박스는 디스플레이에 콘텐츠를 출력할 수 있다. 이에 따라, 사용자 또는 시청자는 콘텐츠를 시청할 수 있다.
또한, 콘텐츠 서비스 시스템(100)은 모바일 콘텐츠 시스템을 지원할 수 있다. 콘텐츠 재생 기기들(120-1 내지 120-n) 중 하나 이상은 이동 단말(예를 들어, 스마트폰, 태블릿 등)을 나타낼 수 있고, 서비스 서버(110)는 이동 단말로 콘텐츠를 전송할 수 있다.
일 실시예에 따르면, 서비스 서버(110)는 여러 콘텐츠들 중에서 하나 이상의 타겟 콘텐츠를 결정할 수 있고, 결정된 하나 이상의 타겟 콘텐츠를 기준으로 적절한 하나 이상의 사용자를 선택할 수 있으며, 선택된 하나 이상의 사용자에게 서비스(예를 들어, 할인 쿠폰 서비스)를 제공할 수 있다. 이하, 서비스 서버(110)의 동작에 대해 구체적으로 설명한다.
도 2 내지 도 4는 일 실시예에 따른 서비스 서버의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 서비스 서버(110)는 사용자들 및 콘텐츠들에 대한 구매 매트릭스(210)를 생성할 수 있다. 일례로, 서비스 서버(110)는 사용자들 각각이 콘텐츠들 각각을 구매하였는지 여부를 파악하여 구매 매트릭스(210)를 생성할 수 있다.
구매 매트릭스(210)의 행은 사용자들을 나타낼 수 있고 구매 매트릭스(210)의 열은 콘텐츠들을 나타낼 수 있다. 구현에 따라, 열이 사용자들에 해당하고 행이 콘텐츠들에 해당하도록 구매 매트릭스가 생성될 수 있다.
구매 매트릭스(210) 내의 성분들 각각은 제1 값(예를 들어, 1) 또는 제2 값(예를 들어, 0)을 가질 수 있다. 일례로, 구매 매트릭스(210)의 (3,2) 성분은 1을 가질 수 있고, (3,3) 성분은 0을 가질 수 있다. (3,2) 성분이 1이라는 것은 사용자3이 콘텐츠2를 구매한 것을 나타낼 수 있고, (3,3) 성분이 0이라는 것은 사용자3이 콘텐츠3을 구매하지 않은 것을 나타낼 수 있다.
서비스 서버(110)는 구매 매트릭스(210)로부터 제1 특징 벡터(220) 및 제2 특징 벡터(230)를 생성할 수 있다. 일례로, 서비스 서버(110)는 구매 매트릭스(210)에 매트릭스 인수분해(Matrix Factorization)를 수행하여 제1 특징 벡터(220) 및 제2 특징 벡터(230)를 생성할 수 있다. 제1 특징 벡터(220)는 사용자들에 대한 벡터를 나타내고, 제2 특징 벡터(230)는 콘텐츠들에 대한 벡터를 나타낸다.
서비스 서버(110)는 제1 특징 벡터(220) 및 제2 특징 벡터(230)를 기초로 구매 예측 매트릭스
Figure pat00001
(240)를 생성한다. 구매 예측 매트릭스
Figure pat00002
(240)는 사용자들이 할인 쿠폰을 이용하여 콘텐츠들 각각을 구매할 예측 확률(또는 사용자들이 콘텐츠들 각각을 구매할 예측 확률)을 포함할 수 있다. 일례로, 구매 예측 매트릭스
Figure pat00003
(240)의 성분 (1,1)은 사용자1이 할인 쿠폰을 이용하여 컨텐츠1을 구매할 예측 확률(또는 사용자1이 컨텐츠1을 구매할 예측 확률)
Figure pat00004
을 가질 수 있고, 구매 예측 매트릭스
Figure pat00005
(240)의 성분 (4,10)은 사용자4가 할인 쿠폰을 이용하여 컨텐츠10을 구매할 예측 확률(또는 사용자4가 컨텐츠10을 구매할 예측 확률)
Figure pat00006
을 가질 수 있다.
서비스 서버(110)는 사용자들의 콘텐츠 구매 금액에 대한 신뢰도 매트릭스(250)를 생성한다. 일례로, 서비스 서버(110)는 사용자 별 콘텐츠 구매 금액을 확인할 수 있고 사용자 별 콘텐츠 구매 금액에 미리 정해진 함수를 적용하여 신뢰도 매트릭스(250)를 생성할 수 있다. 일례로, 사용자3이 콘텐츠2를 x원으로 구매한 경우, 서비스 서버(110)는 미리 정해진 함수에 x를 적용하여 신뢰도 c를 도출할 수 있고, 신뢰도 매트릭스(250)의 성분 (3,2)에 도출된 c를 설정 또는 기록할 수 있다. 한편, 일부 사용자는 콘텐츠를 구매하지 않을 수 있는데, 이 경우, 신뢰도 매트릭스(250) 상에서 해당 사용자의 성분은 미리 정해진 값(예를 들어, 0)을 가질 수 있다. 일례로, 사용자5가 콘텐츠5를 구매하지 않은 경우, 신뢰도 매트릭스(250)의 성분 (5,5)는 0을 가질 수 있다.
서비스 서버(110)는 우도(likelihood)(L)가 최대가 되도록 제1 특징 벡터(220) 및 제2 특징 벡터(230)를 학습시킬 수 있다. 이러한 likelihood(L)는 아래 수학식 1로 표현될 수 있다.
Figure pat00007
수학식 1에서, u는 사용자를 나타내고 a는 콘텐츠를 나타낸다.
수학식 1에서,
Figure pat00008
는 (사용자, 콘텐츠) 집합으로, 사용자가 할인 쿠폰 사용 없이 실제로 콘텐츠를 구매한 이력의 집합을 나타내고,
Figure pat00009
는 (사용자, 콘텐츠) 집합으로, 사용자가 할인 쿠폰으로 콘텐츠를 구매한 이력의 집합을 나타낸다.
수학식 1에서,
Figure pat00010
는
Figure pat00011
에 해당한다. 여기서,
Figure pat00012
는 구매 금액 가중치(또는 가중치)를 나타내고,
Figure pat00013
는 사용자u가 컨텐츠a를 구매한 비용을 나타낸다. 서비스 서버(110)는 신뢰도 매트릭스(250)에서 성분 (u,a)의 값(또는 신뢰도)을
Figure pat00014
로 이용할 수 있다.
수학식 1에서,
Figure pat00015
는 사용자u가 할인 쿠폰을 사용하여 컨텐츠a를 구매할 예측 확률을 나타낸다.
서비스 서버(110)는 학습 피드백 단계에서 위 수학식 1의 likelihood 방식이 적용된 최적화 함수(또는 비용 함수)를 사용할 수 있다. 달리 표현하면, 서비스 서버(110)는 학습 피드백 단계에서 구매 이력의 쿠폰 사용 여부에 따라 다르게 학습 가능한 likelihood 방식의 최적화 함수를 사용할 수 있다.
서비스 서버(110)는 위 수학식 1의 likelihood(L)이 최대가 되도록 특징 벡터들(220 및 230)을 반복적으로 학습시킬 수 있다. 실시예에 있어서, 서비스 서버(110)는 특징 벡터들(220 및 230)을 학습 또는 최적화시키기 위해 ALS(Alternating Least Squares) 기법을 활용할 수 있다. 이하, 도 3을 참조하면서 학습 동작의 반복에 대해 구체적으로 설명한다.
도 3에 도시된 예에서, 반복 횟수가 m이라 하자.
서비스 서버(110)는 특징 벡터들(220 및 230)을 이용하여 구매 예측 매트릭스를 생성할 수 있다. 학습을 수행하기 전이므로, 해당 구매 예측 매트릭스를
Figure pat00016
로 표현한다.
서비스 서버(110)는 학습1을 통해 특징 벡터들(220 및 230)을 학습시킬 수 있다. 달리 표현하면, 서비스 서버(110)는 학습1을 통해 특징 벡터들(220 및 230)을 업데이트할 수 있다. 일례로, 서비스 서버(110)는 ALS 기법에 따라 특징 벡터들(240)을 학습시킬 수 있다. 이 때, ALS 기법의 비용 함수는, 예를 들어, 위 수학식 1의 likelihood가 적용된 것일 수 있으나 이에 제한되지 않는다.
서비스 서버(110)는 학습1을 통해 학습된 특징 벡터들(220 및 230)에 매트릭스 곱셈 연산을 수행하여 구매 예측 매트릭스
Figure pat00017
을 생성할 수 있다.
서비스 서버(110)는 학습1을 통해 학습된 특징 벡터들(220 및 230)을 학습2를 통해 재학습시킬 수 있다. 서비스 서버(110)는 재학습된 특징 벡터들(220 및 230)에 매트릭스 곱셈 연산을 수행하여 구매 예측 매트릭스
Figure pat00018
을 생성할 수 있다. 이러한 방식으로, 서비스 서버(110)는 학습을 m번 수행할 수 있고 도 3에 도시된 예와 같이, 최종 학습m에서의 구매 예측 매트릭스
Figure pat00019
을 생성할 수 있다. 다시 말해, 서비스 서버(110)는 위 수학식 1의 likelihood가 최대가 되도록(또는 위 수학식 1의 likelihood가 적용된 비용 함수가 최적화되도록) 특징 벡터들(220 및 230)에 대한 학습을 반복적으로 수행할 수 있고, 학습 완료된 특징 벡터들(220 및 230)을 기초로 구매 예측 매트릭스
Figure pat00020
을 생성할 수 있다.
구매 예측 매트릭스
Figure pat00021
는 학습 완료됨으로써 생성된 것이므로, 최종 구매 예측 매트릭스로 달리 표현될 수 있다.
서비스 서버(110)는 구매 예측 매트릭스
Figure pat00022
에서 타겟 콘텐츠 기준의 사용자 그룹을 추출할 수 있다. 타겟 콘텐츠는 운영자 또는 관리자에 의해 결정된 콘텐츠에 해당할 수 있다. 타겟 콘텐츠는, 예를 들어, 프로모션할 콘텐츠일 수 있으나, 이에 제한되지 않는다. 또한, 서비스 서버(110)는 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공할 수 있다. 일례로, 도 4에 도시된 예를 참조하면, 서비스 서버(110)는 구매 예측 매트릭스
Figure pat00023
에서 타겟 콘텐츠(410)를 선택할 수 있고 타겟 콘텐츠(410) 기준으로 사용자 그룹을 추출할 수 있다. 여기서, 추출된 사용자 그룹은 구매 예측 매트릭스
Figure pat00024
에서 타겟 콘텐츠(410)에 해당하는 열을 나타낼 수 있다. 서비스 서버(110)는 추출된 사용자 그룹에서 제약 사항을 고려하여 하나 이상의 타겟 사용자(420)를 선정할 수 있다. 제약 사항은, 예를 들어, 관리자 또는 운영자에 의해 입력된 마케팅 예산 정보를 포함할 수 있다. 이에 따라, 서비스 서버(110)는 추출된 사용자 그룹에서 마케팅 예산에 맞춘 하나 이상의 사용자를 선정할 수 있다.
서비스 서버(110)는 타겟 사용자(420)에게 서비스를 제공할 수 있다. 일례로, 서비스 서버(110)는 타겟 사용자(420)의 계정으로 IPTV 서비스에서 사용되는 할인 쿠폰을 제공할 수 있다. 이에 따라, 서비스 서버(110)는 효율적인 비용으로 할인 쿠폰을 타겟 사용자(420)에게 제공할 수 있다.
도 5는 일 실시예에 따른 서비스 서버의 동작 방법을 설명하기 위한 흐름도이다.
도 5를 참조하면, 서비스 서버(110)는 사용자들 및 콘텐츠들에 대한 구매 매트릭스를 생성한다(510).
서비스 서버(110)는 학습을 반복 수행하여 완료함으로써 구매 예측 매트릭스를 생성한다(520). 일례로, 서비스 서버(110)는 도 2를 통해 설명한 구매 매트릭스(210)에 매트릭스 인수 분해를 수행하여 특징 벡터들(220 및 230)을 생성할 수 있다. 서비스 서버(110)는 likelihood가 최대가 되도록 제1 및 제2 특징 벡터를 반복적으로 학습시킬 수 있다. 이 때, likelihood는 제1 사용자-콘텐츠 집합들이 쿠폰을 사용하여 해당 콘텐츠를 구매할 제1 예측 확률값들, 제1 사용자들 각각의 콘텐츠 구매 비용, 제2 사용자-콘텐츠 집합들이 쿠폰을 사용하여 해당 콘텐츠들 각각을 구매할 제2 예측 확률값들, 제2 사용자들 각각의 콘텐츠 구매 비용, 및 가중치를 기초로 표현될 수 있다. 제1 사용자들은 상술한
Figure pat00025
에 속한 사용자-콘텐츠 집합이고, 쿠폰을 이용하여 해당 사용자가 해당 콘텐츠를 구매한 사용자-콘텐츠 집합으로 나타낼 수 있다. 제2 사용자들은 상술한
Figure pat00026
에 속한 사용자들로, 해당 사용자가 쿠폰 이용 없이 해당 콘텐츠를 구매한 사용자-콘텐츠 집합으로 나타낼 수 있다. 달리 표현하면, 일 실시예에 따른 likelihood는 하나 이상의 제1 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제1 예측 확률값, 하나 이상의 제1 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 하나 이상의 제2 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제2 예측 확률값, 하나 이상의 제2 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 및 가중치를 기초로 표현될 수 있다. 이 때, 하나 이상의 제1 사용자-콘텐츠 집합은 사용자가 쿠폰으로 콘텐츠를 구매한 이력의 집합을 나타낼 수 있고, 하나 이상의 제2 사용자-콘텐츠 집합은 사용자가 쿠폰 이용 없이 실제로 콘텐츠를 구매한 이력의 집합을 나타낼 수 있다.
서비스 서버(110)는 학습을 반복 수행하여 완료함으로써 생성된 구매 예측 매트릭스(즉, 최종 구매 예측 매트릭스)에서 타겟 콘텐츠 기준의 사용자 그룹을 추출한다(530). 일례로, 서비스 서버(110)는 도 3을 통해 설명한 학습을 m번 반복함으로써 생성된 최종 구매 예측 매트릭스
Figure pat00027
에서 타겟 콘텐츠를 기준으로 사용자 그룹을 추출할 수 있다.
서비스 서버(110)는 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공한다(540).
도 1 내지 도 4를 통해 기술된 사항들은 도 5를 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
도 6은 일 실시예에 따른 서비스 서버를 설명하기 위한 블록도이다.
도 6을 참조하면, 서비스 서버(110)는 메모리(610) 및 컨트롤러(620)를 포함한다.
컨트롤러(620)는 도 1 내지 도 5를 통해 설명한 서비스 서버(110)의 동작을 수행한다. 컨트롤러(620)는 사용자들 및 콘텐츠들에 대한 구매 매트릭스를 생성하고, 최적화 동작을 반복 수행하여 완료함으로써 구매 예측 매트릭스를 생성하며, 해당 구매 예측 매트릭스에서 타겟 콘텐츠 기준의 사용자 그룹을 추출하고, 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공한다.
컨트롤러(620)는 서비스 서버(110)의 동작의 결과물을 메모리(610)에 저장할 수 있다. 일례로, 컨트롤러(620)는 구매 매트릭스(210), 특징 벡터들(220 및 230), 각 학습에서 생성된 구매 예측 매트릭스, 및 신뢰도 매트릭스(250) 중 적어도 하나를 메모리(610)에 저장할 수 있다.
도 1 내지 도 5를 통해 기술된 사항들은 도 6을 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (20)

  1. 서비스 서버의 동작 방법에 있어서,
    사용자들 및 콘텐츠들에 대한 구매 매트릭스를 생성하는 단계;
    학습을 반복 수행하여 완료함으로써 상기 생성된 구매 매트릭스에 대응되는 구매 예측 매트릭스를 생성하는 단계;
    상기 생성된 구매 예측 매트릭스에서 타겟 콘텐츠 기준의 사용자 그룹을 추출하는 단계; 및
    상기 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공하는 단계
    를 포함하는,
    서비스 서버의 동작 방법.
  2. 제1항에 있어서,
    상기 구매 예측 매트릭스를 생성하는 단계는,
    상기 생성된 구매 매트릭스에 매트릭스 인수분해(Matrix Factorization)를 수행하여 상기 사용자들에 대한 제1 특징 벡터 및 상기 콘텐츠들에 대한 제2 특징 벡터를 생성하는 단계
    를 포함하는,
    서비스 서버의 동작 방법.
  3. 제2항에 있어서,
    상기 구매 예측 매트릭스를 생성하는 단계는,
    우도(likelihood)가 최대가 되도록 상기 제1 및 제2 특징 벡터를 반복적으로 학습시키는 단계
    를 포함하는,
    서비스 서버의 동작 방법.
  4. 제3항에 있어서,
    상기 우도는,
    하나 이상의 제1 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제1 예측 확률값, 상기 하나 이상의 제1 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 하나 이상의 제2 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제2 예측 확률값, 상기 하나 이상의 제2 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 및 가중치를 기초로 표현되는,
    서비스 서버의 동작 방법.
  5. 제4항에 있어서,
    상기 하나 이상의 제1 사용자-콘텐츠 집합은 사용자가 쿠폰으로 콘텐츠를 구매한 이력의 집합을 나타내고, 상기 하나 이상의 제2 사용자-콘텐츠 집합은 사용자가 쿠폰 이용 없이 실제로 콘텐츠를 구매한 이력의 집합을 나타내는,
    서비스 서버의 동작 방법.
  6. 제1항에 있어서,
    상기 구매 매트릭스를 생성하는 단계는,
    상기 사용자들 각각이 상기 콘텐츠들 각각을 구매하였는지 여부를 파악하여 상기 구매 매트릭스를 생성하는 단계
    를 포함하는,
    서비스 서버의 동작 방법.
  7. 제1항에 있어서,
    상기 생성된 구매 매트릭스 내의 원소들 각각의 행은 상기 사용자들 각각에 대응되고 상기 원소들 각각의 열은 상기 콘텐츠들 각각에 대응되는,
    서비스 서버의 동작 방법.
  8. 제1항에 있어서,
    상기 생성된 구매 매트릭스 내의 특정 원소가 제1 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하였음을 나타내고, 상기 생성된 매트릭스 내의 특정 원소가 제2 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하지 않았음을 나타내는,
    서비스 서버의 동작 방법.
  9. 제1항에 있어서,
    상기 제공하는 단계는,
    상기 추출된 사용자 그룹 내의 사용자들 중에서 제약 사항을 고려하여 하나 이상의 사용자를 선정하는 단계
    를 포함하는,
    서비스 서버의 동작 방법.
  10. 제1항에 있어서,
    상기 서비스를 제공하는 단계는,
    상기 선정된 사용자의 계정으로 IPTV 서비스에서 사용되는 쿠폰을 제공하는 단계
    를 포함하는,
    서비스 서버의 동작 방법.
  11. 서비스 서버에 있어서,
    사용자들 및 콘텐츠들에 대한 구매 매트릭스를 생성하고, 학습을 반복 수행하여 완료함으로써 상기 생성된 구매 매트릭스에 대응되는 구매 예측 매트릭스를 생성하며, 상기 생성된 구매 예측 매트릭스에서 타겟 콘텐츠 기준의 사용자 그룹을 추출하고, 상기 추출된 사용자 그룹 내의 사용자들 중에서 선정된 사용자에게 서비스를 제공하는 컨트롤러
    를 포함하는,
    서비스 서버.
  12. 제11항에 있어서,
    상기 컨트롤러는,
    상기 생성된 구매 매트릭스에 매트릭스 인수분해(Matrix Factorization)를 수행하여 상기 사용자들에 대한 제1 특징 벡터 및 상기 콘텐츠들에 대한 제2 특징 벡터를 생성하는,
    서비스 서버.
  13. 제12항에 있어서,
    상기 컨트롤러는,
    우도(likelihood)가 최대가 되도록 상기 제1 및 제2 특징 벡터를 반복적으로 학습시키는,
    서비스 서버.
  14. 제13항에 있어서,
    상기 우도는,
    하나 이상의 제1 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제1 예측 확률값, 상기 하나 이상의 제1 사용자-콘텐츠 집합에서의 콘텐츠 구매 비용, 하나 이상의 제2 사용자-콘텐츠 집합에서 쿠폰이 이용되어 콘텐츠가 구매될 제2 예측 확률값, 상기 하나 이상의 제2 사용자-콘텐츠 집합들에서의 콘텐츠 구매 비용, 및 가중치를 기초로 표현되는,
    서비스 서버.
  15. 제14항에 있어서,
    상기 하나 이상의 제1 사용자-콘텐츠 집합은 사용자가 쿠폰으로 콘텐츠를 구매한 이력의 집합을 나타내고, 상기 하나 이상의 제2 사용자-콘텐츠 집합은 사용자가 쿠폰 이용 없이 실제로 콘텐츠를 구매한 이력의 집합을 나타내는,
    서비스 서버.
  16. 제11항에 있어서,
    상기 컨트롤러는,
    상기 사용자들 각각이 상기 콘텐츠들 각각을 구매하였는지 여부를 파악하여 상기 구매 매트릭스를 생성하는,
    서비스 서버.
  17. 제11항에 있어서,
    상기 생성된 구매 매트릭스 내의 원소들 각각의 행은 상기 사용자들 각각에 대응되고 상기 원소들 각각의 열은 상기 콘텐츠들 각각에 대응되는,
    서비스 서버.
  18. 제11항에 있어서,
    상기 생성된 구매 매트릭스 내의 특정 원소가 제1 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하였음을 나타내고, 상기 생성된 매트릭스 내의 특정 원소가 제2 값을 갖는 경우는 상기 특정 원소의 행에 대응되는 사용자가 상기 특정 원소의 열에 대응되는 콘텐츠를 구매하지 않았음을 나타내는,
    서비스 서버.
  19. 제11항에 있어서,
    상기 컨트롤러는,
    상기 추출된 사용자 그룹 내의 사용자들 중에서 제약 사항을 고려하여 하나 이상의 사용자를 선정하는,
    서비스 서버.
  20. 제11항에 있어서,
    상기 컨트롤러는,
    상기 선정된 사용자의 계정으로 IPTV 서비스에서 사용되는 쿠폰을 제공하는,
    서비스 서버.
KR1020200010205A 2020-01-29 2020-01-29 서비스 서버 및 이의 동작 방법 KR102307070B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200010205A KR102307070B1 (ko) 2020-01-29 2020-01-29 서비스 서버 및 이의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200010205A KR102307070B1 (ko) 2020-01-29 2020-01-29 서비스 서버 및 이의 동작 방법

Publications (2)

Publication Number Publication Date
KR20210096760A true KR20210096760A (ko) 2021-08-06
KR102307070B1 KR102307070B1 (ko) 2021-09-29

Family

ID=77315256

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200010205A KR102307070B1 (ko) 2020-01-29 2020-01-29 서비스 서버 및 이의 동작 방법

Country Status (1)

Country Link
KR (1) KR102307070B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100100421A (ko) * 2009-03-06 2010-09-15 주식회사 케이티에프엠하우스 Ｉｐｔｖ 커머스 서비스 제공 방법 및 장치
KR101738809B1 (ko) * 2016-02-15 2017-05-24 한국과학기술원 IoT 기반 스마트 홈 커뮤니티에서 소셜 매칭 및 소통 서비스를 위한 다차원매트릭스 지역화 방법 및 시스템
KR20190082048A (ko) * 2017-12-29 2019-07-09 삼성전자주식회사 시각 정보에 기초한 고객 아이템 추천 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100100421A (ko) * 2009-03-06 2010-09-15 주식회사 케이티에프엠하우스 Ｉｐｔｖ 커머스 서비스 제공 방법 및 장치
KR101738809B1 (ko) * 2016-02-15 2017-05-24 한국과학기술원 IoT 기반 스마트 홈 커뮤니티에서 소셜 매칭 및 소통 서비스를 위한 다차원매트릭스 지역화 방법 및 시스템
KR20190082048A (ko) * 2017-12-29 2019-07-09 삼성전자주식회사 시각 정보에 기초한 고객 아이템 추천 방법 및 장치

Also Published As

Publication number Publication date
KR102307070B1 (ko) 2021-09-29

Similar Documents

Publication Publication Date Title
US20230325657A1 (en) Using embedding functions with a deep network
KR102191486B1 (ko) 자동 광고 대행 서버, 자동으로 광고 매체를 위한 캠페인 정보를 생성하여 광고의 집행을 대행하는 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램
WO2017180208A1 (en) Wide and deep machine learning models
KR20200142489A (ko) 자동 광고 대행 서버, 자동으로 광고 매체를 위한 캠페인 정보를 생성하여 광고의 집행을 대행하는 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램
CN105761102B (zh) 一种预测用户购买商品行为的方法和装置
CN111931057B (zh) 一种自适应输出的序列推荐方法和系统
US20170076222A1 (en) System and method to cognitively process and answer questions regarding content in images
US10515378B2 (en) Extracting relevant features from electronic marketing data for training analytical models
CN114117216A (zh) 推荐概率预测方法及装置、计算机存储介质和电子设备
KR102184772B1 (ko) 태그 추천 모델을 이용한 자동화된 스마트 컨트랙트 태그 생성 및 추천 시스템
Xia et al. Modeling consumer buying decision for recommendation based on multi-task deep learning
CN111931054A (zh) 一种基于改进残差结构的序列推荐方法和系统
CN111340605B (zh) 训练用户行为预测模型、用户行为预测的方法和装置
KR102307070B1 (ko) 서비스 서버 및 이의 동작 방법
CN111402003B (zh) 实现用户相关推荐的系统和方法
CN113836390A (zh) 资源推荐方法、装置、计算机设备及存储介质
AU2019200721B2 (en) Online training and update of factorization machines using alternating least squares optimization
KR102411095B1 (ko) 광고 적합 콘텐츠 탐색 시스템 및 방법
KR102330059B1 (ko) 포스터 추천 방법 및 장치
KR102334594B1 (ko) 사용자의 컨텐츠 시청 목록에 기초하여 컨텐츠를 추천하는 방법 및 장치
KR20220155078A (ko) 오픈마켓 상의 정보를 기반으로 마케팅 타겟을 위한 키워드 추출 방법, 장치 및 시스템
KR102342522B1 (ko) 추천 장치 및 이의 동작 방법
US20170220645A1 (en) Information Handling System to Alter Results for a Query Based on Strategic Inference
KR20200119429A (ko) 매칭 서버 및 이의 동작 방법
CN112632389B (zh) 信息处理方法、信息处理装置、存储介质与电子设备

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant