KR20220012085A - Apparatus for personalized recommendation based on collaborative filtering of tag attributes matching purchase history and product, and method of the same - Google Patents

Apparatus for personalized recommendation based on collaborative filtering of tag attributes matching purchase history and product, and method of the same Download PDF

Info

Publication number
KR20220012085A
KR20220012085A KR1020200091186A KR20200091186A KR20220012085A KR 20220012085 A KR20220012085 A KR 20220012085A KR 1020200091186 A KR1020200091186 A KR 1020200091186A KR 20200091186 A KR20200091186 A KR 20200091186A KR 20220012085 A KR20220012085 A KR 20220012085A
Authority
KR
South Korea
Prior art keywords
tag
attribute
product
channel
matrix
Prior art date
Application number
KR1020200091186A
Other languages
Korean (ko)
Inventor
최진영
김현조
Original Assignee
주식회사 유켈리
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 유켈리 filed Critical 주식회사 유켈리
Priority to KR1020200091186A priority Critical patent/KR20220012085A/en
Publication of KR20220012085A publication Critical patent/KR20220012085A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K9/6201—
    • 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]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Disclosed are a device for personalized recommendation based on collaborative filtering of tag attributes matching a purchase history and product, and a method thereof, wherein users, channels, and products all share the association of the same tag attribute, and depending on the association with these tag attributes, preference can be derived and recommended between users and products, between users and channels, and between channels and products. The device includes a tag attribute extraction module, a user tag matrix generation module, a product tag matrix generation module, a channel tag matrix generation module, a recommendation information providing module, and a feedback module.

Description

구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치 및 그 방법{APPARATUS FOR PERSONALIZED RECOMMENDATION BASED ON COLLABORATIVE FILTERING OF TAG ATTRIBUTES MATCHING PURCHASE HISTORY AND PRODUCT, AND METHOD OF THE SAME}Apparatus and method for personalized recommendation based on collaborative filtering of purchase history and tag attributes matched to products

본 발명은 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치 및 그 방법에 관한 것으로, 보다 상세하게는 사용자, 채널, 상품이 모두 같은 태그 속성에 대한 연관성을 공유하며, 이러한 태그 속성과의 연관성에 따라 사용자와 상품 간, 사용자와 채널 간, 그리고 채널과 상품 간의 선호도 도출 및 추천이 가능한 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치 및 그 방법에 관한 것이다.The present invention relates to an apparatus and method for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product, and more particularly, a user, a channel, and a product all share a correlation with the same tag attribute, and such tag It relates to a personalized recommendation device and method based on collaborative filtering of a tag attribute matched to a purchase history and product that can derive and recommend preferences between a user and a product, between a user and a channel, and between a channel and a product according to the correlation with the attribute .

일반적으로 상품을 홍보하는 종래의 플랫폼은 자체 상품 페이지나 배너 광고를 사용하여 상품을 홍보하는 방식인 관계로, 홍보의 효과가 제한적이었다. 최근에는 유튜브, 페이스북 등의 다양한 소셜 네트워크 서비스(SNS; Social Network Service)가 활성화되면서, 이를 통한 상품, 서비스 등을 홍보하기 위한 마케팅 규모도 급속하게 성장하고 있다. 그러나, 상품 판매자가 다른 홍보 채널을 이용하여 상품을 광고하려고 할 때 자신이 직접 홍보 채널을 찾아야 하는 번거로움이 존재하며, 수많은 채널 중에서 상품 광고 효과를 극대화할 수 있는 채널을 결정하는데 어려움이 따르고 있다.In general, a conventional platform for promoting a product is a method of promoting a product using its own product page or banner advertisement, so the effect of promotion is limited. Recently, as various social network services (SNS) such as YouTube and Facebook have been activated, the scale of marketing for promoting products and services through them is also rapidly growing. However, when product sellers try to advertise products using other promotional channels, they have to find a promotional channel themselves, and it is difficult to determine a channel that can maximize the effect of product advertising among numerous channels. .

본 발명은 사용자, 채널, 상품이 모두 같은 태그 속성에 대한 연관성을 공유하며, 이러한 태그 속성과의 연관성에 따라 사용자와 상품 간, 사용자와 채널 간, 그리고 채널과 상품 간의 선호도 도출 및 추천이 가능한 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치 및 그 방법을 제공하기 위한 것이다.According to the present invention, a user, a channel, and a product all share a correlation with the same tag attribute, and according to the correlation with these tag attributes, a purchase that can derive and recommend a preference between a user and a product, between a user and a channel, and between a channel and a product An object of the present invention is to provide a personalized recommendation device and method based on collaborative filtering of tag attributes matched to history and products.

본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법은: 태그 속성 추출 모듈에 의해, 다수의 상품에 관한 상품 데이터, 컨텐츠를 제공하는 다수의 채널에 관한 채널 데이터, 다수의 사용자의 상품 구매 이력 데이터 및 상기 다수의 사용자의 채널 구독 이력 데이터로부터, 다수의 태그 속성을 추출하는 단계; 사용자 태그 매트릭스 생성 모듈에 의해, 상기 다수의 사용자의 상기 상품 구매 이력 데이터와, 상기 다수의 사용자의 상기 채널 구독 이력 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 사용자와 상기 다수의 태그 속성 간의 연관성을 나타내는 사용자 태그 매트릭스를 생성하는 단계; 상품 태그 매트릭스 생성 모듈에 의해, 상기 다수의 상품에 관한 상기 상품 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 상품과 상기 다수의 태그 속성 간의 연관성을 나타내는 상품 태그 매트릭스를 생성하는 단계; 채널 태그 매트릭스 생성 모듈에 의해, 상기 다수의 채널에 관한 상기 채널 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 채널과 상기 다수의 태그 속성 간의 연관성을 나타내는 채널 태그 매트릭스를 생성하는 단계; 및 추천 정보 제공 모듈에 의해, 상기 다수의 태그 속성을 매개로, 상기 사용자 태그 매트릭스, 상기 상품 태그 매트릭스, 및 상기 채널 태그 매트릭스를 기반으로 사용자와 상품 및 채널 간에 추천 정보를 제공하는 단계를 포함한다.According to an embodiment of the present invention, a collaborative filtering-based personalized recommendation method for purchase history and tag attributes matched to products relates to a plurality of channels that provide product data and content for a plurality of products by a tag attribute extraction module extracting a plurality of tag attributes from channel data, product purchase history data of a plurality of users, and channel subscription history data of the plurality of users; Association between the plurality of users and the plurality of tag attributes by collaborative filtering based on the product purchase history data of the plurality of users and the channel subscription history data of the plurality of users by the user tag matrix generation module generating a user tag matrix representing generating, by a product tag matrix generation module, a product tag matrix indicating a correlation between the plurality of products and the plurality of tag attributes by collaborative filtering based on the product data regarding the plurality of products; generating, by a channel tag matrix generation module, a channel tag matrix indicating associations between the plurality of channels and the plurality of tag attributes by collaborative filtering based on the channel data about the plurality of channels; and providing, by the recommendation information providing module, recommendation information between a user and a product and a channel based on the user tag matrix, the product tag matrix, and the channel tag matrix through the plurality of tag attributes. .

상기 추천 정보를 제공하는 단계는: 관련성 매트릭스 생성부에 의해, 상기 다수의 태그 속성을 매개로, 상기 다수의 사용자와 상기 다수의 상품간의 제1 관련성 매트릭스, 상기 다수의 상품과 상기 다수의 채널 간의 제2 관련성 매트릭스 및 상기 다수의 사용자와 상기 다수의 채널 간의 제3 관련성 매트릭스를 생성하는 단계; 및 추천 정보 제공부에 의해, 상기 제1 관련성 매트릭스, 상기 제2 관련성 매트릭스 및 상기 제3 관련성 매트릭스를 기반으로, 사용자와 상품 및 채널 간에 상기 추천 정보를 제공하는 단계를 포함할 수 있다.The providing of the recommendation information includes: by the relevance matrix generator, a first relevance matrix between the plurality of users and the plurality of products, and between the plurality of products and the plurality of channels, via the plurality of tag attributes. generating a second relevance matrix and a third relevance matrix between the plurality of users and the plurality of channels; and based on the first relevance matrix, the second relevance matrix, and the third relevance matrix, by the recommendation information providing unit, providing the recommendation information between the user and the product and channel.

상기 사용자 태그 매트릭스를 생성하는 단계는: 사용자 속성 벡터 생성부에 의해, 상기 다수의 사용자 별로 상기 다수의 태그 속성과 관련된 사용자 속성 벡터를 생성하는 단계; 제1 속성 유사도 산출부에 의해, 상기 다수의 사용자의 다수의 사용자 속성 벡터 간의 제1 속성 유사도를 산출하는 단계; 제1 연관성 데이터 산출부에 의해, 상기 제1 속성 유사도를 기반으로, 상기 사용자 속성 벡터 중 사용자와 태그 속성 간의 연관성 데이터가 존재하지 않는 제1 예측 대상 항목에 대해 제1 연관성 데이터를 산출하는 단계; 및 사용자 태그 매트릭스 생성부에 의해, 상기 다수의 사용자의 사용자 속성 벡터와 상기 제1 연관성 데이터를 결합하여 상기 사용자 태그 매트릭스를 생성하는 단계를 포함할 수 있다.The generating of the user tag matrix may include: generating, by a user attribute vector generator, a user attribute vector related to the plurality of tag attributes for each of the plurality of users; calculating, by a first attribute similarity calculator, a first attribute similarity between a plurality of user attribute vectors of the plurality of users; calculating, by a first association data calculator, first association data for a first prediction target item in which association data between a user and a tag attribute does not exist among the user attribute vectors, based on the first attribute similarity; and generating, by a user tag matrix generating unit, the user tag matrix by combining the user attribute vectors of the plurality of users with the first association data.

상기 상품 태그 매트릭스를 생성하는 단계는: 상품 속성 벡터 생성부에 의해, 상기 다수의 상품 별로 상기 다수의 태그 속성과 관련된 상품 속성 벡터를 생성하는 단계; 제2 속성 유사도 산출부에 의해, 상기 다수의 상품의 다수의 상품 속성 벡터 간의 제2 속성 유사도를 산출하는 단계; 제2 연관성 데이터 산출부에 의해, 상기 제2 속성 유사도를 기반으로, 상기 상품 속성 벡터 중 상품과 태그 속성 간의 연관성 데이터가 존재하지 않는 제2 예측 대상 항목에 대해 제2 연관성 데이터를 산출하는 단계; 및 상품 태그 매트릭스 생성부에 의해, 상기 다수의 상품의 상품 속성 벡터와 상기 제2 연관성 데이터를 결합하여 상기 상품 태그 매트릭스를 생성하는 단계를 포함할 수 있다.The generating of the product tag matrix may include: generating, by a product attribute vector generator, a product attribute vector related to the plurality of tag attributes for each of the plurality of products; calculating, by a second attribute similarity calculating unit, a second attribute similarity between a plurality of product attribute vectors of the plurality of products; calculating, by a second correlation data calculation unit, second correlation data for a second prediction target item in which correlation data between a product and a tag attribute does not exist among the product attribute vectors, based on the second attribute similarity; and generating the product tag matrix by combining the product attribute vectors of the plurality of products with the second association data by the product tag matrix generator.

상기 채널 태그 매트릭스를 생성하는 단계는: 채널 속성 벡터 생성부에 의해, 상기 다수의 채널 별로 상기 다수의 태그 속성과 관련된 채널 속성 벡터를 생성하는 단계; 제3 속성 유사도 산출부에 의해, 상기 다수의 채널의 다수의 채널 속성 벡터 간의 제3 속성 유사도를 산출하는 단계; 제3 연관성 데이터 산출부에 의해, 상기 제3 속성 유사도를 기반으로, 상기 채널 속성 벡터 중 채널과 태그 속성 간의 연관성 데이터가 존재하지 않는 제3 예측 대상 항목에 대해 제3 연관성 데이터를 산출하는 단계; 및 채널 태그 매트릭스 생성부에 의해, 상기 다수의 채널의 채널 속성 벡터와 상기 제3 연관성 데이터를 결합하여 상기 채널 태그 매트릭스를 생성하는 단계를 포함할 수 있다.The generating of the channel tag matrix may include: generating, by a channel attribute vector generator, a channel attribute vector related to the plurality of tag attributes for each of the plurality of channels; calculating, by a third attribute similarity calculator, a third attribute similarity between a plurality of channel attribute vectors of the plurality of channels; calculating, by a third association data calculator, third association data for a third prediction target item in which association data between a channel and a tag attribute does not exist among the channel attribute vectors, based on the third attribute similarity; and generating the channel tag matrix by combining, by a channel tag matrix generator, the channel attribute vectors of the plurality of channels and the third association data.

본 발명의 실시예에 따르면, 상기 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.According to an embodiment of the present invention, there is provided a computer-readable recording medium in which a program for executing a collaborative filtering-based personalized recommendation method of the tag attribute matched to the purchase history and the product is recorded.

본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치는: 다수의 상품에 관한 상품 데이터, 컨텐츠를 제공하는 다수의 채널에 관한 채널 데이터, 다수의 사용자의 상품 구매 이력 데이터 및 상기 다수의 사용자의 채널 구독 이력 데이터로부터, 다수의 태그 속성을 추출하도록 구성되는 태그 속성 추출 모듈; 상기 다수의 사용자의 상기 상품 구매 이력 데이터와, 상기 다수의 사용자의 상기 채널 구독 이력 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 사용자와 상기 다수의 태그 속성 간의 연관성을 나타내는 사용자 태그 매트릭스를 생성하도록 구성되는 사용자 태그 매트릭스 생성 모듈; 상기 다수의 상품에 관한 상기 상품 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 상품과 상기 다수의 태그 속성 간의 연관성을 나타내는 상품 태그 매트릭스를 생성하도록 구성되는 상품 태그 매트릭스 생성 모듈; 상기 다수의 채널에 관한 상기 채널 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 채널과 상기 다수의 태그 속성 간의 연관성을 나타내는 채널 태그 매트릭스를 생성하도록 구성되는 채널 태그 매트릭스 생성 모듈; 및 상기 다수의 태그 속성을 매개로, 상기 사용자 태그 매트릭스, 상기 상품 태그 매트릭스, 및 상기 채널 태그 매트릭스를 기반으로 사용자와 상품 및 채널 간에 추천 정보를 제공하도록 구성되는 추천 정보 제공 모듈을 포함한다.According to an embodiment of the present invention, a collaborative filtering-based personalized recommendation apparatus for purchase history and tag attributes matched to products includes: product data on a plurality of products, channel data on a plurality of channels that provide content, and information of a plurality of users. a tag attribute extraction module, configured to extract a plurality of tag attributes from product purchase history data and channel subscription history data of the plurality of users; To generate a user tag matrix indicating the association between the plurality of users and the plurality of tag attributes by collaborative filtering based on the product purchase history data of the plurality of users and the channel subscription history data of the plurality of users a user tag matrix generation module configured; a product tag matrix generation module, configured to generate a product tag matrix indicating associations between the plurality of products and the plurality of tag attributes by collaborative filtering based on the product data regarding the plurality of products; a channel tag matrix generation module, configured to generate a channel tag matrix representing associations between the plurality of channels and the plurality of tag attributes by collaborative filtering based on the channel data about the plurality of channels; and a recommendation information providing module configured to provide recommendation information between a user and a product and a channel based on the user tag matrix, the product tag matrix, and the channel tag matrix via the plurality of tag attributes.

상기 추천 정보 제공 모듈은: 상기 다수의 태그 속성을 매개로, 상기 다수의 사용자와 상기 다수의 상품간의 제1 관련성 매트릭스, 상기 다수의 상품과 상기 다수의 채널 간의 제2 관련성 매트릭스 및 상기 다수의 사용자와 상기 다수의 채널 간의 제3 관련성 매트릭스를 생성하도록 구성되는 관련성 매트릭스 생성부; 및 상기 제1 관련성 매트릭스, 상기 제2 관련성 매트릭스 및 상기 제3 관련성 매트릭스를 기반으로, 사용자와 상품 및 채널 간에 상기 추천 정보를 제공하도록 구성되는 추천 정보 제공부를 포함할 수 있다.The recommendation information providing module includes: a first relevance matrix between the plurality of users and the plurality of products, a second relevance matrix between the plurality of products and the plurality of channels, and the plurality of users via the plurality of tag attributes and a relevance matrix generator configured to generate a third relevance matrix between the plurality of channels; and a recommendation information providing unit configured to provide the recommendation information between a user and a product and a channel based on the first relevance matrix, the second relevance matrix, and the third relevance matrix.

상기 사용자 태그 매트릭스 생성 모듈은: 상기 다수의 사용자 별로 상기 다수의 태그 속성과 관련된 사용자 속성 벡터를 생성하도록 구성되는 사용자 속성 벡터 생성부; 상기 다수의 사용자의 다수의 사용자 속성 벡터 간의 제1 속성 유사도를 산출하도록 구성되는 제1 속성 유사도 산출부; 상기 제1 속성 유사도를 기반으로, 상기 사용자 속성 벡터 중 사용자와 태그 속성 간의 연관성 데이터가 존재하지 않는 제1 예측 대상 항목에 대해 제1 연관성 데이터를 산출하도록 구성되는 제1 연관성 데이터 산출부; 및 상기 다수의 사용자의 사용자 속성 벡터와 상기 제1 연관성 데이터를 결합하여 상기 사용자 태그 매트릭스를 생성하도록 구성되는 사용자 태그 매트릭스 생성부를 포함할 수 있다.The user tag matrix generating module includes: a user attribute vector generator configured to generate a user attribute vector related to the plurality of tag attributes for each of the plurality of users; a first attribute similarity calculator configured to calculate a first attribute similarity between the plurality of user attribute vectors of the plurality of users; a first association data calculation unit configured to calculate first association data for a first prediction target item in which association data between a user and a tag attribute does not exist among the user attribute vectors, based on the first attribute similarity; and a user tag matrix generator configured to generate the user tag matrix by combining the plurality of users' user attribute vectors with the first association data.

상기 상품 태그 매트릭스 생성 모듈은: 상기 다수의 상품 별로 상기 다수의 태그 속성과 관련된 상품 속성 벡터를 생성하도록 구성되는 상품 속성 벡터 생성부; 상기 다수의 상품의 다수의 상품 속성 벡터 간의 제2 속성 유사도를 산출하도록 구성되는 제2 속성 유사도 산출부; 상기 제2 속성 유사도를 기반으로, 상기 상품 속성 벡터 중 상품과 태그 속성 간의 연관성 데이터가 존재하지 않는 제2 예측 대상 항목에 대해 제2 연관성 데이터를 산출하도록 구성되는 제2 연관성 데이터 산출부; 및 상기 다수의 상품의 상품 속성 벡터와 상기 제2 연관성 데이터를 결합하여 상기 상품 태그 매트릭스를 생성하도록 구성되는 상품 태그 매트릭스 생성부를 포함할 수 있다.The product tag matrix generation module includes: a product attribute vector generator configured to generate product attribute vectors related to the plurality of tag attributes for each of the plurality of products; a second attribute similarity calculator configured to calculate a second attribute similarity between the plurality of product attribute vectors of the plurality of products; a second association data calculation unit configured to calculate second association data for a second prediction target item in which association data between a product and a tag attribute does not exist in the product attribute vector, based on the second attribute similarity; and a product tag matrix generator configured to generate the product tag matrix by combining the product attribute vectors of the plurality of products with the second association data.

상기 채널 태그 매트릭스 생성 모듈은: 상기 다수의 채널 별로 상기 다수의 태그 속성과 관련된 채널 속성 벡터를 생성하도록 구성되는 채널 속성 벡터 생성부; 상기 다수의 채널의 다수의 채널 속성 벡터 간의 제3 속성 유사도를 산출하도록 구성되는 제3 속성 유사도 산출부; 상기 제3 속성 유사도를 기반으로, 상기 채널 속성 벡터 중 채널과 태그 속성 간의 연관성 데이터가 존재하지 않는 제3 예측 대상 항목에 대해 제3 연관성 데이터를 산출하도록 구성되는 제3 연관성 데이터 산출부; 및 상기 다수의 채널의 채널 속성 벡터와 상기 제3 연관성 데이터를 결합하여 상기 채널 태그 매트릭스를 생성하도록 구성되는 채널 태그 매트릭스 생성부를 포함할 수 있다.The channel tag matrix generation module may include: a channel attribute vector generator configured to generate a channel attribute vector related to the plurality of tag attributes for each of the plurality of channels; a third attribute similarity calculator configured to calculate a third attribute similarity between the plurality of channel attribute vectors of the plurality of channels; a third association data calculator configured to calculate third association data for a third prediction target item in which association data between a channel and a tag attribute does not exist among the channel attribute vectors, based on the third attribute similarity; and a channel tag matrix generator configured to generate the channel tag matrix by combining the channel attribute vectors of the plurality of channels with the third association data.

본 발명의 실시예에 의하면, 사용자, 채널, 상품이 모두 같은 태그 속성에 대한 연관성을 공유하며, 이러한 태그 속성과의 연관성에 따라 사용자와 상품 간, 사용자와 채널 간, 그리고 채널과 상품 간의 선호도 도출 및 추천이 가능한 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치 및 그 방법이 제공된다.According to an embodiment of the present invention, a user, a channel, and a product all share a correlation with the same tag attribute, and according to the correlation with the tag attribute, preference is derived between a user and a product, between a user and a channel, and between a channel and a product and a collaborative filtering-based personalized recommendation device and method for recommendable purchase histories and tag attributes matched to products are provided.

도 1은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치의 구성도이다.
도 2는 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 추천 정보 제공 모듈의 구성도이다.
도 3은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 사용자 태그 매트릭스 생성 모듈의 구성도이다.
도 4는 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 상품 태그 매트릭스 생성 모듈의 구성도이다.
도 5는 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 채널 태그 매트릭스 생성 모듈의 구성도이다.
도 6은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법의 순서도이다.
도 7은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법을 설명하기 위한 개념도이다.
도 8은 도 6의 단계 S150을 예시한 순서도이다.
도 9는 도 6의 단계 S120을 예시한 순서도이다.
도 10은 도 6의 단계 S120을 설명하기 위한 개념도이다.
도 11은 도 6의 단계 S130을 예시한 순서도이다.
도 12는 도 6의 단계 S130을 설명하기 위한 개념도이다.
도 13은 도 6의 단계 S140을 예시한 순서도이다.
도 14는 도 6의 단계 S140을 설명하기 위한 개념도이다.1 is a block diagram of an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.
2 is a block diagram of a recommendation information providing module constituting a personalized recommendation device based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.
3 is a block diagram of a user tag matrix generating module constituting an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.
4 is a block diagram of a product tag matrix generation module constituting an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.
5 is a block diagram of a channel tag matrix generation module constituting an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.
6 is a flowchart of a personalized recommendation method based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.
7 is a conceptual diagram for explaining a method for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.
8 is a flowchart illustrating step S150 of FIG. 6 .
9 is a flowchart illustrating step S120 of FIG. 6 .
10 is a conceptual diagram for explaining step S120 of FIG. 6 .
11 is a flowchart illustrating step S130 of FIG. 6 .
12 is a conceptual diagram for explaining step S130 of FIG. 6 .
13 is a flowchart illustrating step S140 of FIG. 6 .
14 is a conceptual diagram for explaining step S140 of FIG. 6 .

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Advantages and features of the present invention and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and common knowledge in the art to which the present invention pertains It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout.

본 명세서에서, 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 명세서에서 사용되는 '~모듈', '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 하드웨어 구성요소를 의미할 수 있다. '~모듈', '~부'에서 제공하는 기능은 복수의 구성요소에 의해 분리되어 수행되거나, 다른 추가적인 구성요소와 통합될 수도 있다. 본 명세서의 '~모듈', '~부'는 반드시 소프트웨어 또는 하드웨어에 한정되지 않으며, 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 이하에서는 도면을 참조하여 본 발명의 실시예에 대해서 구체적으로 설명하기로 한다.In the present specification, when a part 'includes' a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated. As used herein, '~ module' and '~ unit' are units for processing at least one function or operation, and may refer to, for example, software, FPGA, or hardware components. The functions provided by '~ module' and '~ unit' may be performed separately by a plurality of components, or may be integrated with other additional components. '~ module' and '~ unit' in this specification are not necessarily limited to software or hardware, and may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors. Hereinafter, an embodiment of the present invention will be described in detail with reference to the drawings.

본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치 및 방법은 사용자, 채널(예를 들어, 유튜브, 페이스북, 인스타그램, 블로그 등의 채널), 상품이 모두 같은 태그 속성에 대한 연관성을 공유하며, 이러한 태그 속성과의 연관성에 따라 사용자와 상품 간, 사용자와 채널 간, 그리고 채널과 상품 간의 선호도 도출 및 추천이 가능하다.According to an embodiment of the present invention, a collaborative filtering-based personalized recommendation apparatus and method for purchase history and tag attributes matched to products include users, channels (eg, channels such as YouTube, Facebook, Instagram, blog, etc.), All products share the association with the same tag attribute, and depending on the association with these tag attributes, preference can be derived and recommended between a user and a product, between a user and a channel, and between a channel and a product.

도 1은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치의 구성도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치(100)는 태그 속성 추출 모듈(110), 사용자 태그 매트릭스 생성 모듈(120), 상품 태그 매트릭스 생성 모듈(130), 채널 태그 매트릭스 생성 모듈(140), 추천 정보 제공 모듈(150) 및 피드백 모듈(160)을 포함할 수 있다.1 is a block diagram of an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention. Referring to FIG. 1 , the collaborative filtering-based personalized recommendation apparatus 100 for tag attributes matched to purchase history and products according to an embodiment of the present invention includes a tag attribute extraction module 110 and a user tag matrix generation module 120 . , a product tag matrix generation module 130 , a channel tag matrix generation module 140 , a recommendation information providing module 150 , and a feedback module 160 .

태그 속성 추출 모듈(110)은 다수의 상품에 관한 상품 데이터, 컨텐츠를 제공하는 다수의 채널에 관한 채널 데이터, 다수의 사용자의 상품 구매 이력 데이터 및 다수의 사용자의 채널 구독 이력 데이터로부터, 다수의 태그 속성을 추출하도록 구성될 수 있다.The tag attribute extraction module 110 is configured to extract a plurality of tags from product data on a plurality of products, channel data on a plurality of channels that provide content, product purchase history data of a plurality of users, and channel subscription history data of a plurality of users. may be configured to extract attributes.

태그 속성 추출 모듈(110)은 사용자에 의해 입력되거나, 사용자의 이력을 분석하여 획득한 정보, 상품 판매자, 상품 판매 관리자 또는 상품 홍보자가 상품 판매 페이지에 입력한 태그 정보, 채널 관리자 또는 채널 홍보자가 채널 홍보 페이지에 입력한 태그 정보, 상품, 채널 등에 기록된 키워드, 텍스트 컨텐츠, 사용자, 상품 및/또는 채널과 관련된 소셜네트워크서비스(SNS)의 입력 정보, 블로그 등을 분석하여 태그 속성들을 추출할 수 있다. 또한, 태그 속성 추출 모듈(110)은 추출한 키워드들을 분류기에 의해 분류하여 클러스터링하는 군집화 처리를 수행하여 군집화된 태그 속성들을 추출할 수 있다.The tag attribute extraction module 110 includes information input by a user or obtained by analyzing a user's history, tag information input by a product seller, a product sales manager, or a product promoter into a product sales page, and a channel by a channel manager or channel promoter Tag attributes can be extracted by analyzing the tag information entered in the promotion page, keywords recorded on products, channels, etc., text content, social network service (SNS) input information related to users, products and/or channels, blogs, etc. . Also, the tag attribute extraction module 110 may extract the clustered tag attributes by performing a clustering process of classifying and clustering the extracted keywords by a classifier.

사용자의 상품 구매 이력 데이터는 예를 들어 사용자의 상품 구매와 관련된 검색 이력, 구매 이력, 상품에 대한 후기 데이터, 평점 등을 포함할 수 있다. 사용자의 채널 구독 이력 데이터는 예를 들어 사용자의 채널 구독 또는 시청과 관련된 검색 이력, 구독/시청 이력, 채널에 대한 후기 데이터, 평점 등을 포함할 수 있다.The user's product purchase history data may include, for example, a search history related to the user's product purchase, a purchase history, review data about the product, a rating, and the like. The user's channel subscription history data may include, for example, a search history related to the user's channel subscription or viewing, a subscription/viewing history, review data for a channel, a rating, and the like.

사용자 태그 매트릭스 생성 모듈(120)은 다수의 사용자의 상품 구매 이력 데이터와, 다수의 사용자의 채널 구독 이력 데이터를 기반으로 다수의 사용자와 다수의 태그 속성 간의 연관성을 나타내는 사용자 태그 매트릭스를 생성하도록 구성될 수 있다.The user tag matrix generation module 120 may be configured to generate a user tag matrix indicating associations between a plurality of users and a plurality of tag attributes based on product purchase history data of a plurality of users and channel subscription history data of a plurality of users. can

상품 태그 매트릭스 생성 모듈(130)은 다수의 상품에 관한 상품 데이터를 기반으로 다수의 상품과 다수의 태그 속성 간의 연관성을 나타내는 상품 태그 매트릭스를 생성하도록 구성될 수 있다.The product tag matrix generation module 130 may be configured to generate a product tag matrix indicating associations between a plurality of products and a plurality of tag attributes based on product data related to the plurality of products.

채널 태그 매트릭스 생성 모듈(140)은 다수의 채널에 관한 채널 데이터를 기반으로 다수의 채널과 다수의 태그 속성 간의 연관성을 나타내는 채널 태그 매트릭스를 생성하도록 구성될 수 있다.The channel tag matrix generation module 140 may be configured to generate a channel tag matrix indicating associations between a plurality of channels and a plurality of tag attributes, based on channel data regarding the plurality of channels.

추천 정보 제공 모듈(150)은 다수의 태그 속성을 매개로, 사용자 태그 매트릭스, 상품 태그 매트릭스, 및 채널 태그 매트릭스를 기반으로 사용자와 상품 및 채널 간에 추천 정보를 제공하도록 구성될 수 있다.The recommendation information providing module 150 may be configured to provide recommendation information between a user and a product and a channel based on a plurality of tag attributes, a user tag matrix, a product tag matrix, and a channel tag matrix.

피드백 모듈(160)은 추천 결과에 대해 사용자로부터 피드백 데이터를 입력받고, 입력받은 피드백 데이터를 기반으로 사용자의 상품 구매 이력, 채널 구독 이력을 보정하거나, 상품 또는 채널과 관련된 태그 속성 간의 연관성 정보를 보정할 수 있다. 예를 들어, 사용자의 채널, 상품에 대한 평가 및 구매, 시청 등의 이력을 사용자 이력 데이터로 추가할 수 있다.The feedback module 160 receives feedback data from the user with respect to the recommendation result, and corrects the user's product purchase history and channel subscription history based on the received feedback data, or corrects correlation information between tag attributes related to products or channels can do. For example, a history of the user's channel, evaluation and purchase of a product, viewing, etc. may be added as user history data.

도 2는 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 추천 정보 제공 모듈의 구성도이다. 도 1 및 도 2를 참조하면, 추천 정보 제공 모듈(150)은 관련성 매트릭스 생성부(152) 및 추천 정보 제공부(154)를 포함할 수 있다.2 is a block diagram of a recommendation information providing module constituting a personalized recommendation device based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention. 1 and 2 , the recommendation information providing module 150 may include a relevance matrix generator 152 and a recommendation information provider 154 .

관련성 매트릭스 생성부(152)는 다수의 태그 속성을 매개로, 다수의 사용자와 다수의 상품간의 제1 관련성 매트릭스, 다수의 상품과 다수의 채널 간의 제2 관련성 매트릭스 및 다수의 사용자와 다수의 채널 간의 제3 관련성 매트릭스를 생성하도록 구성될 수 있다.The relevance matrix generator 152 generates a first relevance matrix between a plurality of users and a plurality of products, a second relevance matrix between a plurality of products and a plurality of channels, and between a plurality of users and a plurality of channels through a plurality of tag attributes. and generate a third relevance matrix.

추천 정보 제공부(154)는 관련성 매트릭스 생성부(152)에 의해 생성된 제1 관련성 매트릭스, 제2 관련성 매트릭스 및 제3 관련성 매트릭스를 기반으로, 사용자와 상품 및 채널 간에 추천 정보를 제공하도록 구성될 수 있다.The recommendation information providing unit 154 may be configured to provide recommendation information between a user and a product and a channel based on the first relevance matrix, the second relevance matrix, and the third relevance matrix generated by the relevance matrix generation unit 152 . can

도 3은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 사용자 태그 매트릭스 생성 모듈의 구성도이다. 도 1 및 도 3을 참조하면, 사용자 태그 매트릭스 생성 모듈(120)은 사용자 속성 벡터 생성부(122), 제1 속성 유사도 산출부(124), 제1 연관성 데이터 산출부(126) 및 사용자 태그 매트릭스 생성부(128)를 포함할 수 있다.3 is a block diagram of a user tag matrix generating module constituting an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention. 1 and 3 , the user tag matrix generation module 120 includes a user attribute vector generator 122 , a first attribute similarity calculator 124 , a first correlation data calculator 126 , and a user tag matrix A generator 128 may be included.

사용자 속성 벡터 생성부(122)는 다수의 사용자 별로 다수의 태그 속성과 관련된 사용자 속성 벡터를 생성하도록 구성될 수 있다.The user attribute vector generator 122 may be configured to generate user attribute vectors related to a plurality of tag attributes for each of the plurality of users.

제1 속성 유사도 산출부(124)는 사용자 속성 벡터 생성부(122)에 의해 생성된 다수의 사용자의 다수의 사용자 속성 벡터 간의 제1 속성 유사도를 산출하도록 구성될 수 있다.The first attribute similarity calculator 124 may be configured to calculate a first attribute similarity between a plurality of user attribute vectors of a plurality of users generated by the user attribute vector generator 122 .

제1 연관성 데이터 산출부(126)는 제1 속성 유사도 산출부(124)에 의해 산출된 제1 속성 유사도를 기반으로, 사용자 속성 벡터 중 사용자와 태그 속성 간의 연관성 데이터가 존재하지 않는 제1 예측 대상 항목에 대해 제1 연관성 데이터를 산출하도록 구성될 수 있다.The first association data calculator 126 is configured to calculate a first prediction target for which association data between the user and the tag attribute does not exist among the user attribute vectors based on the first attribute similarity calculated by the first attribute similarity calculator 124 . and may be configured to calculate first association data for the item.

사용자 태그 매트릭스 생성부(128)는 다수의 사용자의 사용자 속성 벡터와 제1 연관성 데이터 산출부(126)에 의해 산출된 제1 연관성 데이터를 결합하여 사용자 태그 매트릭스를 생성하도록 구성될 수 있다.The user tag matrix generator 128 may be configured to generate a user tag matrix by combining user attribute vectors of a plurality of users with the first association data calculated by the first association data calculator 126 .

도 4는 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 상품 태그 매트릭스 생성 모듈의 구성도이다. 도 1 및 도 4를 참조하면, 상품 태그 매트릭스 생성 모듈(130)은 상품 속성 벡터 생성부(132), 제2 속성 유사도 산출부(134), 제2 연관성 데이터 산출부(136) 및 상품 태그 매트릭스 생성부(138)를 포함할 수 있다.4 is a block diagram of a product tag matrix generation module constituting an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention. 1 and 4 , the product tag matrix generation module 130 includes a product attribute vector generation unit 132 , a second attribute similarity calculation unit 134 , a second correlation data calculation unit 136 , and a product tag matrix A generator 138 may be included.

상품 속성 벡터 생성부(132)는 다수의 상품 별로 다수의 태그 속성과 관련된 상품 속성 벡터를 생성하도록 구성될 수 있다.The product attribute vector generator 132 may be configured to generate product attribute vectors related to a plurality of tag attributes for each of the plurality of products.

제2 속성 유사도 산출부(134)는 상품 속성 벡터 생성부(132)에 의해 생성된 다수의 상품의 다수의 상품 속성 벡터 간의 제2 속성 유사도를 산출하도록 구성될 수 있다.The second attribute similarity calculating unit 134 may be configured to calculate a second attribute similarity between the plurality of product attribute vectors of the plurality of products generated by the product attribute vector generating unit 132 .

제2 연관성 데이터 산출부(136)는 제2 속성 유사도 산출부(134)에 의해 산출된 제2 속성 유사도를 기반으로, 상품 속성 벡터 중 상품과 태그 속성 간의 연관성 데이터가 존재하지 않는 제2 예측 대상 항목에 대해 제2 연관성 데이터를 산출하도록 구성될 수 있다.The second association data calculating unit 136 is configured to calculate a second prediction target in which association data between a product and a tag attribute in the product attribute vector does not exist based on the second attribute similarity calculated by the second attribute similarity calculating unit 134 . and may be configured to calculate second association data for the item.

상품 태그 매트릭스 생성부(138)는 다수의 상품의 상품 속성 벡터와 제2 연관성 데이터 산출부(136)에 의해 산출된 제2 연관성 데이터를 결합하여 상품 태그 매트릭스를 생성하도록 구성될 수 있다.The product tag matrix generation unit 138 may be configured to generate a product tag matrix by combining product attribute vectors of a plurality of products with the second correlation data calculated by the second correlation data calculation unit 136 .

도 5는 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치를 구성하는 채널 태그 매트릭스 생성 모듈의 구성도이다. 도 1 및 도 5를 참조하면, 채널 태그 매트릭스 생성 모듈(140)은 채널 속성 벡터 생성부(142), 제3 속성 유사도 산출부(144), 제3 연관성 데이터 산출부(146) 및 채널 태그 매트릭스 생성부(148)를 포함할 수 있다.5 is a block diagram of a channel tag matrix generation module constituting an apparatus for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention. 1 and 5 , the channel tag matrix generation module 140 includes a channel attribute vector generator 142 , a third attribute similarity calculator 144 , a third correlation data calculator 146 , and a channel tag matrix A generator 148 may be included.

채널 속성 벡터 생성부(142)는 다수의 채널 별로 다수의 태그 속성과 관련된 채널 속성 벡터를 생성하도록 구성될 수 있다.The channel attribute vector generator 142 may be configured to generate channel attribute vectors related to a plurality of tag attributes for each of the plurality of channels.

제3 속성 유사도 산출부(144)는 채널 속성 벡터 생성부(142)에 의해 생성된 다수의 채널의 다수의 채널 속성 벡터 간의 제3 속성 유사도를 산출하도록 구성될 수 있다.The third attribute similarity calculator 144 may be configured to calculate a third attribute similarity between the plurality of channel attribute vectors of the plurality of channels generated by the channel attribute vector generator 142 .

제3 연관성 데이터 산출부(146)는 제3 속성 유사도 산출부(144)에 의해 산출된 제3 속성 유사도를 기반으로, 채널 속성 벡터 중 채널과 태그 속성 간의 연관성 데이터가 존재하지 않는 제3 예측 대상 항목에 대해 제3 연관성 데이터를 산출하도록 구성될 수 있다.The third association data calculator 146 is a third prediction target in which association data between the channel and the tag attribute does not exist among the channel attribute vectors based on the third attribute similarity calculated by the third attribute similarity calculator 144 . and calculate third association data for the item.

채널 태그 매트릭스 생성부(148)는 다수의 채널의 채널 속성 벡터와 제3 연관성 데이터 산출부(146)에 의해 산출된 제3 연관성 데이터를 결합하여 채널 태그 매트릭스를 생성하도록 구성될 수 있다.The channel tag matrix generating unit 148 may be configured to generate a channel tag matrix by combining the channel attribute vectors of a plurality of channels with the third association data calculated by the third association data calculating unit 146 .

도 6은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법의 순서도이다. 도 7은 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법을 설명하기 위한 개념도이다.6 is a flowchart of a personalized recommendation method based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention. 7 is a conceptual diagram for explaining a method for personalized recommendation based on collaborative filtering of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention.

도 1, 도 6 및 도 7을 참조하여 본 발명의 실시예에 따른 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법에 대해 설명하면, 먼저 태그 속성 추출 모듈(110)은 다수의 상품(20)에 관한 상품 데이터, 컨텐츠를 제공하는 다수의 채널(30)에 관한 채널 데이터, 다수의 사용자(10)의 상품 구매 이력 데이터 및 다수의 사용자(10)의 채널 구독 이력 데이터로부터, 다수의 태그 속성(40)을 추출할 수 있다(S110).Referring to Figs. 1, 6, and 7, a collaborative filtering-based personalized recommendation method of a tag attribute matched to a purchase history and a product according to an embodiment of the present invention will be described. First, the tag attribute extraction module 110 includes a plurality of From product data related to the product 20, channel data related to a plurality of channels 30 that provide content, product purchase history data of a plurality of users 10, and channel subscription history data of a plurality of users 10, A plurality of tag attributes 40 may be extracted (S110).

다음으로, 사용자 태그 매트릭스 생성 모듈(120)은 다수의 사용자(10)의 상품 구매 이력 데이터와, 다수의 사용자(10)의 채널 구독 이력 데이터를 기반으로 다수의 사용자(10)와 다수의 태그 속성(40) 간의 연관성을 나타내는 사용자 태그 매트릭스를 생성할 수 있다(S120).Next, the user tag matrix generation module 120 generates a plurality of users 10 and a plurality of tag attributes based on the product purchase history data of the plurality of users 10 and the channel subscription history data of the plurality of users 10 . (40) It is possible to generate a user tag matrix indicating the correlation between the (S120).

또한, 상품 태그 매트릭스 생성 모듈(130)은 다수의 상품(20)에 관한 상품 데이터를 기반으로 다수의 상품(20)과 다수의 태그 속성(40) 간의 연관성을 나타내는 상품 태그 매트릭스를 생성할 수 있다(S130).In addition, the product tag matrix generation module 130 may generate a product tag matrix indicating the association between the plurality of products 20 and the plurality of tag attributes 40 based on product data related to the plurality of products 20 . (S130).

또한, 채널 태그 매트릭스 생성 모듈(140)은 다수의 채널(30)에 관한 채널 데이터를 기반으로 다수의 채널(30)과 다수의 태그 속성(40) 간의 연관성을 나타내는 채널 태그 매트릭스를 생성할 수 있다(S140).In addition, the channel tag matrix generation module 140 may generate a channel tag matrix indicating the association between the plurality of channels 30 and the plurality of tag attributes 40 based on channel data regarding the plurality of channels 30 . (S140).

추천 정보 제공 모듈(150)은 다수의 태그 속성(40)을 매개로, 사용자 태그 매트릭스, 상품 태그 매트릭스, 및 채널 태그 매트릭스를 기반으로 사용자(10)와 상품(20) 및 채널(30) 간에 추천 정보를 제공할 수 있다(S150).The recommendation information providing module 150 recommends between the user 10 and the product 20 and the channel 30 based on the user tag matrix, the product tag matrix, and the channel tag matrix via a plurality of tag attributes 40 . Information may be provided (S150).

도 8은 도 6의 단계 S150을 예시한 순서도이다. 도 1, 도 2, 도 6 및 도 8을 참조하면, 관련성 매트릭스 생성부(152)는 다수의 태그 속성을 매개로, 다수의 사용자와 다수의 상품간의 제1 관련성 매트릭스, 다수의 상품과 다수의 채널 간의 제2 관련성 매트릭스 및 다수의 사용자와 다수의 채널 간의 제3 관련성 매트릭스를 생성할 수 있다(S152).8 is a flowchart illustrating step S150 of FIG. 6 . 1, 2, 6 and 8 , the relevance matrix generator 152 generates a first relevance matrix between a plurality of users and a plurality of products, a plurality of products and a plurality of products, via a plurality of tag attributes. A second relevance matrix between channels and a third relevance matrix between multiple users and multiple channels may be generated (S152).

추천 정보 제공부(154)는 관련성 매트릭스 생성부(152)에 의해 생성된 제1 관련성 매트릭스, 제2 관련성 매트릭스 및 제3 관련성 매트릭스를 기반으로, 사용자와 상품 및 채널 간에 추천 정보를 제공할 수 있다(S154).The recommendation information providing unit 154 may provide recommendation information between the user and the product and channel based on the first relevance matrix, the second relevance matrix, and the third relevance matrix generated by the relevance matrix generation unit 152 . (S154).

도 9는 도 6의 단계 S120을 예시한 순서도이다. 도 10은 도 6의 단계 S120을 설명하기 위한 개념도이다. 도 1, 도 3, 도 6, 도 9 및 도 10을 참조하면, 사용자 속성 벡터 생성부(122)는 다수의 사용자 별로 다수의 태그 속성과 관련된 사용자 속성 벡터를 생성할 수 있다(S122).9 is a flowchart illustrating step S120 of FIG. 6 . 10 is a conceptual diagram for explaining step S120 of FIG. 6 . 1, 3, 6, 9 and 10 , the user attribute vector generator 122 may generate a user attribute vector related to a plurality of tag attributes for each of the plurality of users (S122).

제1 속성 유사도 산출부(124)는 사용자 속성 벡터 생성부(122)에 의해 생성된 다수의 사용자의 다수의 사용자 속성 벡터 간의 제1 속성 유사도를 산출할 수 있다(S124).The first attribute similarity calculator 124 may calculate a first attribute similarity between the plurality of user attribute vectors of the plurality of users generated by the user attribute vector generator 122 ( S124 ).

제1 연관성 데이터 산출부(126)는 제1 속성 유사도 산출부(124)에 의해 산출된 제1 속성 유사도를 기반으로, 사용자 속성 벡터 중 사용자와 태그 속성 간의 연관성 데이터가 존재하지 않는 제1 예측 대상 항목에 대해 제1 연관성 데이터를 산출할 수 있다(S126).The first association data calculator 126 is configured to calculate a first prediction target for which association data between the user and the tag attribute does not exist among the user attribute vectors based on the first attribute similarity calculated by the first attribute similarity calculator 124 . First correlation data may be calculated for the item (S126).

사용자 태그 매트릭스 생성부(128)는 다수의 사용자의 사용자 속성 벡터와 제1 연관성 데이터 산출부(126)에 의해 산출된 제1 연관성 데이터를 결합하여 사용자 태그 매트릭스를 생성할 수 있다(S128).The user tag matrix generator 128 may generate a user tag matrix by combining the user attribute vectors of a plurality of users with the first association data calculated by the first association data calculator 126 ( S128 ).

도 10에 도시된 사용자 태그 매트릭스에는 사용자 별로 다양한 태그 속성에 대한 관련도가 나열되어 있다. 사용자 속성 벡터 생성부(122)는 사용자 별로 다양한 태그 속성에 대한 K개(K는 태그 속성의 개수)의 관련도 성분들을 포함하는 L개(L은 사용자 수)의 사용자 속성 벡터(VG1, VG2, VG3, VG4, ..., VGL)를 생성할 수 있다. 이에 따라, 사용자 속성 벡터(VG1, VG2, VG3, VG4, ..., VGL)는 각각 K개의 벡터 성분을 가질 수 있다.In the user tag matrix shown in FIG. 10, the degree of relevance for various tag attributes is listed for each user. The user attribute vector generating unit 122 includes L (L is the number of users) user attribute vectors V G1 , V including K (K is the number of tag attributes) relevance components for various tag attributes for each user. G2 , V G3 , V G4 , ..., V GL ) can be created. Accordingly, the user attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GL may each have K vector components.

제1 속성 유사도 산출부(124)는 사용자 속성 벡터 생성부(122)에 의해 생성된 다수의 사용자 속성 벡터(VG1, VG2, VG3, VG4, ..., VGL) 간의 제1 속성 유사도를 산출할 수 있다. 제1 속성 유사도는 예를 들어 코사인 유사도(Cosine Similarity), 유클리디언 거리(Euclidean Distance), 맨해튼 거리(Manhattan Distance), 민코스키 거리(Minkowski Distance) 등을 기반으로 산출될 수 있으나, 이에 제한되는 것은 아니다.The first attribute similarity calculating unit 124 is configured to perform first among the plurality of user attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GL generated by the user attribute vector generation unit 122 . Attribute similarity can be calculated. The first attribute similarity may be calculated based on, for example, Cosine Similarity, Euclidean Distance, Manhattan Distance, Minkowski Distance, etc., but is limited thereto it is not

제1 연관성 데이터 산출부(126)는 제1 속성 유사도 산출부(124)에 의해 산출된 제1 속성 유사도를 기반으로, 다수의 사용자 속성 벡터(VG1, VG2, VG3, VG4, ..., VGL) 중 사용자(50)와 태그 속성 간의 연관성 데이터가 존재하지 않는 제1 예측 대상 항목(52)에 대해 제1 연관성 데이터를 산출할 수 있다. 사용자 태그 매트릭스 생성부(128)는 다수의 사용자 속성 벡터(VG1, VG2, VG3, VG4, ..., VGL)와 제1 연관성 데이터 산출부(126)에 의해 산출된 제1 연관성 데이터를 결합하여 사용자 태그 매트릭스를 생성할 수 있다.The first association data calculator 126 calculates a plurality of user attribute vectors V G1 , V G2 , V G3 , V G4 , . .., V GL ), the first correlation data may be calculated for the first prediction target item 52 in which there is no correlation data between the user 50 and the tag attribute. The user tag matrix generating unit 128 is configured to generate a first result calculated by the plurality of user attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GL and the first association data calculating unit 126 . Association data can be combined to create a matrix of user tags.

예를 들어, "사용자 1"과 "사용자 L" 간의 유사도가 높은 경우, 즉 "사용자 1"의 사용자 속성 벡터(VG1)와 "사용자 L"의 사용자 속성 벡터(VGL) 간의 유사도가 높은 경우, "사용자 L"과 "태그 속성 2" 간의 관련도 "5"는 예측 대상 항목(52)인 "사용자 1"의 "태그 속성 2"와의 관련도 예측시 높은 비율로 반영될 수 있다.For example, when the similarity between "User 1" and "User L" is high, that is, when the user attribute vector (V G1 ) of "User 1" and the user attribute vector (V GL ) of "User L" are high. , “User L” and “Tag attribute 2” may have a high degree of relevance “5” when predicting the relevance of “User 1”, which is the prediction target item 52 , with “Tag Attribute 2”.

다른 예로, "사용자 1"과 "사용자 3" 간의 유사도가 낮은 경우, 즉 "사용자 1"의 사용자 속성 벡터(VG1)와 "사용자 3"의 사용자 속성 벡터(VG3) 간의 유사도가 낮은 경우, "사용자 3"과 "태그 속성 2" 간의 관련도 "2"는 예측 대상 항목(52)인 "사용자 1"의 "태그 속성 2"와의 관련도 예측시 낮은 비율로 반영되거나 아예 반영되지 않을 수 있다.As another example, when the similarity between “User 1” and “User 3” is low, that is, when the similarity between the user attribute vector (V G1 ) of “User 1” and the user attribute vector (V G3 ) of “User 3” is low, Relevance “2” between “User 3” and “Tag Attribute 2” may be reflected at a low rate or not reflected at all when predicting the relevance of “User 1”, which is the prediction target item 52 , with “Tag Attribute 2”. .

도 11은 도 6의 단계 S130을 예시한 순서도이다. 도 12는 도 6의 단계 S130을 설명하기 위한 개념도이다. 도 1, 도 3, 도 6, 도 11 및 도 12를 참조하면, 상품 속성 벡터 생성부(132)는 다수의 상품 별로 다수의 태그 속성과 관련된 상품 속성 벡터를 생성할 수 있다(S132).11 is a flowchart illustrating step S130 of FIG. 6 . 12 is a conceptual diagram for explaining step S130 of FIG. 6 . 1, 3, 6, 11, and 12 , the product attribute vector generator 132 may generate product attribute vectors related to a plurality of tag attributes for each of the plurality of products ( S132 ).

제2 속성 유사도 산출부(134)는 상품 속성 벡터 생성부(132)에 의해 생성된 다수의 상품의 다수의 상품 속성 벡터 간의 제2 속성 유사도를 산출할 수 있다(S134).The second attribute similarity calculating unit 134 may calculate a second attribute similarity between the plurality of product attribute vectors of the plurality of products generated by the product attribute vector generating unit 132 ( S134 ).

제2 연관성 데이터 산출부(136)는 제2 속성 유사도 산출부(134)에 의해 산출된 제2 속성 유사도를 기반으로, 상품 속성 벡터 중 상품과 태그 속성 간의 연관성 데이터가 존재하지 않는 제2 예측 대상 항목에 대해 제2 연관성 데이터를 산출할 수 있다(S136).The second association data calculating unit 136 is configured to calculate a second prediction target in which association data between a product and a tag attribute in the product attribute vector does not exist based on the second attribute similarity calculated by the second attribute similarity calculating unit 134 . Second correlation data may be calculated for the item (S136).

상품 태그 매트릭스 생성부(138)는 다수의 상품의 상품 속성 벡터와 제2 연관성 데이터 산출부(136)에 의해 산출된 제2 연관성 데이터를 결합하여 상품 태그 매트릭스를 생성할 수 있다(S138).The product tag matrix generation unit 138 may generate a product tag matrix by combining product attribute vectors of a plurality of products with the second correlation data calculated by the second correlation data calculation unit 136 ( S138 ).

도 12에 도시된 상품 태그 매트릭스에는 상품 별로 다양한 태그 속성에 대한 관련도가 나열되어 있다. 상품 속성 벡터 생성부(132)는 상품 별로 다양한 태그 속성에 대한 K개(K는 태그 속성의 개수)의 관련도 성분들을 포함하는 M개(M은 상품 수)의 상품 속성 벡터(VG1, VG2, VG3, VG4, ..., VGM)를 생성할 수 있다. 이에 따라, 상품 속성 벡터(VG1, VG2, VG3, VG4, ..., VGM)는 각각 K개의 벡터 성분을 가질 수 있다.In the product tag matrix shown in FIG. 12 , the degree of relevance for various tag attributes is listed for each product. The product attribute vector generator 132 includes M product attribute vectors (V G1 , V where M is the number of products) including K (K is the number of tag attributes) relevance components for various tag attributes for each product. G2 , V G3 , V G4 , ..., V GM ) can be created. Accordingly, the product attribute vectors (V G1 , V G2 , V G3 , V G4 , ..., V GM ) may each have K vector components.

제2 속성 유사도 산출부(134)는 상품 속성 벡터 생성부(132)에 의해 생성된 다수의 상품 속성 벡터(VG1, VG2, VG3, VG4, ..., VGM) 간의 제2 속성 유사도를 산출할 수 있다. 제2 속성 유사도는 예를 들어 코사인 유사도(Cosine Similarity), 유클리디언 거리(Euclidean Distance), 맨해튼 거리(Manhattan Distance), 민코스키 거리(Minkowski Distance) 등을 기반으로 산출될 수 있으나, 이에 제한되는 것은 아니다.The second attribute similarity calculation unit 134 may generate a second value between the plurality of product attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GM generated by the product attribute vector generation unit 132 . Attribute similarity can be calculated. The second attribute similarity may be calculated based on, for example, Cosine Similarity, Euclidean Distance, Manhattan Distance, Minkowski Distance, etc., but is limited thereto it is not

제2 연관성 데이터 산출부(136)는 제2 속성 유사도 산출부(134)에 의해 산출된 제2 속성 유사도를 기반으로, 다수의 상품 속성 벡터(VG1, VG2, VG3, VG4, ..., VGM) 중 상품(60)과 태그 속성 간의 연관성 데이터가 존재하지 않는 제2 예측 대상 항목(62)에 대해 제2 연관성 데이터를 산출할 수 있다. 상품 태그 매트릭스 생성부(138)는 다수의 상품 속성 벡터(VG1, VG2, VG3, VG4, ..., VGM)와 제2 연관성 데이터 산출부(136)에 의해 산출된 제2 연관성 데이터를 결합하여 상품 태그 매트릭스를 생성할 수 있다.The second association data calculator 136 calculates a plurality of product attribute vectors V G1 , V G2 , V G3 , V G4 , . .., V GM ), the second correlation data may be calculated for the second prediction target item 62 in which correlation data between the product 60 and the tag attribute does not exist. The product tag matrix generation unit 138 includes a plurality of product attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GM ) and the second correlation data calculation unit 136 . Association data can be combined to create a matrix of product tags.

예를 들어, "상품 1"과 "상품 M" 간의 유사도가 높은 경우, 즉 "상품 1"의 상품 속성 벡터(VG1)와 "상품 M"의 상품 속성 벡터(VGM) 간의 유사도가 높은 경우, "상품 M"과 "태그 속성 2" 간의 관련도 "5"는 예측 대상 항목(62)인 "상품 1"의 "태그 속성 2"와의 관련도 예측시 높은 비율로 반영될 수 있다.For example, when the similarity between "Product 1" and "Product M" is high, that is, when the similarity between the product attribute vector (V G1 ) of "Product 1" and the product attribute vector (V GM ) of "Product M" is high , “product M” and “tag attribute 2” may have a high degree of relevance “5” when predicting the relevance of “product 1”, which is the prediction target item 62 , with “tag attribute 2”.

다른 예로, "상품 1"과 "상품 3" 간의 유사도가 낮은 경우, 즉 "상품 1"의 상품 속성 벡터(VG1)와 "상품 3"의 상품 속성 벡터(VG3) 간의 유사도가 낮은 경우, "상품 3"과 "태그 속성 2" 간의 관련도 "3"은 예측 대상 항목(62)인 "상품 1"의 "태그 속성 2"와의 관련도 예측시 낮은 비율로 반영되거나 아예 반영되지 않을 수 있다.As another example, when the similarity between "Product 1" and "Product 3" is low, that is, when the similarity between the product attribute vector (V G1 ) of "Product 1" and the product attribute vector (V G3 ) of "Product 3" is low, Relevance “3” between “product 3” and “tag attribute 2” may be reflected at a low rate or not reflected at all when predicting the relevance of “product 1”, which is the prediction target item 62 , with “tag attribute 2”. .

도 13은 도 6의 단계 S140을 예시한 순서도이다. 도 14는 도 6의 단계 S140을 설명하기 위한 개념도이다. 도 1, 도 3, 도 6, 도 13 및 도 14를 참조하면, 채널 속성 벡터 생성부(142)는 다수의 채널 별로 다수의 태그 속성과 관련된 채널 속성 벡터를 생성할 수 있다(S142).13 is a flowchart illustrating step S140 of FIG. 6 . 14 is a conceptual diagram for explaining step S140 of FIG. 6 . 1, 3, 6, 13 and 14 , the channel attribute vector generator 142 may generate a channel attribute vector related to a plurality of tag attributes for each of the plurality of channels ( S142 ).

제3 속성 유사도 산출부(144)는 채널 속성 벡터 생성부(142)에 의해 생성된 다수의 채널의 다수의 채널 속성 벡터 간의 제3 속성 유사도를 산출할 수 있다(S144).The third attribute similarity calculator 144 may calculate a third attribute similarity between the plurality of channel attribute vectors of the plurality of channels generated by the channel attribute vector generator 142 ( S144 ).

제3 연관성 데이터 산출부(146)는 제3 속성 유사도 산출부(144)에 의해 산출된 제3 속성 유사도를 기반으로, 채널 속성 벡터 중 채널과 태그 속성 간의 연관성 데이터가 존재하지 않는 제3 예측 대상 항목에 대해 제3 연관성 데이터를 산출할 수 있다(S146).The third association data calculator 146 is a third prediction target in which association data between the channel and the tag attribute does not exist among the channel attribute vectors based on the third attribute similarity calculated by the third attribute similarity calculator 144 . Third correlation data may be calculated for the item (S146).

채널 태그 매트릭스 생성부(148)는 다수의 채널의 채널 속성 벡터와 제3 연관성 데이터 산출부(146)에 의해 산출된 제3 연관성 데이터를 결합하여 채널 태그 매트릭스를 생성할 수 있다(S148).The channel tag matrix generator 148 may generate a channel tag matrix by combining the channel attribute vectors of a plurality of channels with the third association data calculated by the third association data calculator 146 ( S148 ).

도 14에 도시된 채널 태그 매트릭스에는 채널 별로 다양한 태그 속성에 대한 관련도가 나열되어 있다. 채널 속성 벡터 생성부(142)는 채널 별로 다양한 태그 속성에 대한 K개(K는 태그 속성의 개수)의 관련도 성분들을 포함하는 N개(N은 채널 개수)의 채널 속성 벡터(VG1, VG2, VG3, VG4, ..., VGN)를 생성할 수 있다. 이에 따라, 채널 속성 벡터(VG1, VG2, VG3, VG4, ..., VGMN)는 각각 K개의 벡터 성분을 가질 수 있다.In the channel tag matrix shown in FIG. 14 , the degree of relevance for various tag attributes is listed for each channel. The channel attribute vector generator 142 includes N (N is the number of channels) channel attribute vectors V G1 , V including K (K is the number of tag attributes) relevance components for various tag attributes for each channel. G2 , V G3 , V G4 , ..., V GN ) can be created. Accordingly, each of the channel attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GMN may have K vector components.

제3 속성 유사도 산출부(144)는 채널 속성 벡터 생성부(142)에 의해 생성된 다수의 채널 속성 벡터(VG1, VG2, VG3, VG4, ..., VGN) 간의 제3 속성 유사도를 산출할 수 있다. 제3 속성 유사도는 예를 들어 코사인 유사도(Cosine Similarity), 유클리디언 거리(Euclidean Distance), 맨해튼 거리(Manhattan Distance), 민코스키 거리(Minkowski Distance) 등을 기반으로 산출될 수 있으나, 이에 제한되는 것은 아니다.The third attribute similarity calculator 144 is configured to generate a third value between the plurality of channel attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GN generated by the channel attribute vector generator 142 . Attribute similarity can be calculated. The third attribute similarity may be calculated based on, for example, cosine similarity, Euclidean Distance, Manhattan Distance, Minkowski Distance, etc., but is limited thereto it is not

제3 연관성 데이터 산출부(146)는 제3 속성 유사도 산출부(144)에 의해 산출된 제3 속성 유사도를 기반으로, 다수의 채널 속성 벡터(VG1, VG2, VG3, VG4, ..., VGN) 중 채널(70)과 태그 속성 간의 연관성 데이터가 존재하지 않는 제3 예측 대상 항목(72)에 대해 제3 연관성 데이터를 산출할 수 있다. 채널 태그 매트릭스 생성부(148)는 다수의 채널 속성 벡터(VG1, VG2, VG3, VG4, ..., VGN)와 제3 연관성 데이터 산출부(146)에 의해 산출된 제3 연관성 데이터를 결합하여 채널 태그 매트릭스를 생성할 수 있다.The third association data calculator 146 calculates the plurality of channel attribute vectors V G1 , V G2 , V G3 , V G4 , . .., V GN ), third correlation data may be calculated for the third prediction target item 72 in which correlation data between the channel 70 and the tag attribute does not exist. The channel tag matrix generation unit 148 includes a plurality of channel attribute vectors V G1 , V G2 , V G3 , V G4 , ..., V GN , and the third correlation data calculation unit 146 calculated by the third correlation data calculation unit 146 . Association data can be combined to create a matrix of channel tags.

예를 들어, "채널 1"과 "채널 N" 간의 유사도가 높은 경우, 즉 "채널 1"의 채널 속성 벡터(VG1)와 "채널 N"의 채널 속성 벡터(VGN) 간의 유사도가 높은 경우, "채널 N"과 "태그 속성 2" 간의 관련도 "4"는 예측 대상 항목(72)인 "채널 1"의 "태그 속성 2"와의 관련도 예측시 높은 비율로 반영될 수 있다.For example, when the similarity between “Channel 1” and “Channel N” is high, that is, when the channel attribute vector (V G1 ) of “Channel 1” and the channel attribute vector (V GN ) of “Channel N” have high similarity. , the degree of relevance "4" between "channel N" and "tag property 2" may be reflected at a high rate when predicting the degree of relevance of "channel 1", which is the prediction target item 72, with "tag property 2".

다른 예로, "채널 1"과 "채널 3" 간의 유사도가 낮은 경우, 즉 "채널 1"의 채널 속성 벡터(VG1)와 "채널 3"의 채널 속성 벡터(VG3) 간의 유사도가 낮은 경우, "채널 3"과 "태그 속성 2" 간의 관련도 "4"는 예측 대상 항목(72)인 "채널 1"의 "태그 속성 2"와의 관련도 예측시 낮은 비율로 반영되거나 아예 반영되지 않을 수 있다.As another example, when the similarity between "Channel 1" and "Channel 3" is low, that is, when the similarity between the channel property vector (V G1 ) of "Channel 1" and the channel property vector (V G3 ) of "Channel 3" is low, Relevance “4” between “Channel 3” and “Tag Attribute 2” may be reflected at a low rate or not reflected at all when predicting the relevance of “Channel 1”, which is the prediction target item 72 , with “Tag Attribute 2”. .

사용자와 태그 속성 간의 연관도, 상품과 태그 속성 간의 연관도, 채널과 태그 속성 간의 연관도가 산출되면, 추천 정보 제공 모듈은 태그 속성을 매개로, 사용자와 상품 및 채널 간에 제공할 추천 정보를 결정할 수 있다. 예를 들어, 사용자에게는 사용자와 관련된 태그 속성과 연관도가 높은 순으로, 사용자와 관련된 상품 정보 및/또는 채널 정보를 제공할 수 있다.When the correlation between the user and the tag attribute, the correlation between the product and the tag attribute, and the channel and the tag attribute are calculated, the recommendation information providing module determines the recommendation information to be provided between the user, the product, and the channel through the tag attribute. can For example, product information and/or channel information related to the user may be provided to the user in the order of the user-related tag attribute and the highest degree of relevance.

또한, 상품 판매자 측에는 해당 상품과 관련된 태그 속성과 연관도가 높은 순으로, 상품을 홍보할 채널 정보를 제공하고, 해당 상품에 대해 관심을 가질 것으로 예상되는 사용자들의 정보(예를 들어, 사용자의 SNS 등)를 제공할 수 있다. 또한, 채널 관리자 측에는 해당 채널과 관련된 태그 속성과 연관도가 높은 순으로, 상품 정보 또는 상품 판매자 정보를 제공할 수 있으며, 해당 채널에 관심을 가질 것으로 예상되는 사용자들의 정보(예를 들어, 사용자의 SNS 등)를 제공할 수 있다.In addition, the product seller provides channel information to promote the product in the order of highest relevance to the tag attribute related to the product, and information of users expected to be interested in the product (eg, the user's SNS etc) can be provided. In addition, product information or product seller information may be provided to the channel manager in the order of highest relevance to tag attributes related to the channel, and information of users expected to be interested in the channel (eg, the user's SNS, etc.) can be provided.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/ 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 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.The embodiments described above may be implemented by a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the apparatus, method, and component described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). Array), a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers.

처리 장치는 운영 체제 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 기술 분야에서 통상의 지식을 가진 자는 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 이해할 것이다.The processing device may run an operating system and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, a processing device is sometimes described as being used, but a person of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It will be understood that this may include

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.For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as a Parallel Processor. The software may include a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device.

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 신호파(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.The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software.

컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(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.Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and ROM, RAM, and flash memory. Hardware devices specially configured to store and execute program instructions, such as, etc. are included. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

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.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result. Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

110: 태그 속성 추출 모듈
120: 사용자 태그 매트릭스 생성 모듈
130: 상품 태그 매트릭스 생성 모듈
140: 채널 태그 매트릭스 생성 모듈
150: 추천 정보 제공 모듈
160: 피드백 모듈110: tag attribute extraction module
120: user tag matrix generation module
130: product tag matrix generation module
140: channel tag matrix generation module
150: module for providing recommended information
160: feedback module

Claims (11)

태그 속성 추출 모듈에 의해, 다수의 상품에 관한 상품 데이터, 컨텐츠를 제공하는 다수의 채널에 관한 채널 데이터, 다수의 사용자의 상품 구매 이력 데이터 및 상기 다수의 사용자의 채널 구독 이력 데이터로부터, 다수의 태그 속성을 추출하는 단계;
사용자 태그 매트릭스 생성 모듈에 의해, 상기 다수의 사용자의 상기 상품 구매 이력 데이터와, 상기 다수의 사용자의 상기 채널 구독 이력 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 사용자와 상기 다수의 태그 속성 간의 연관성을 나타내는 사용자 태그 매트릭스를 생성하는 단계;
상품 태그 매트릭스 생성 모듈에 의해, 상기 다수의 상품에 관한 상기 상품 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 상품과 상기 다수의 태그 속성 간의 연관성을 나타내는 상품 태그 매트릭스를 생성하는 단계;
채널 태그 매트릭스 생성 모듈에 의해, 상기 다수의 채널에 관한 상기 채널 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 채널과 상기 다수의 태그 속성 간의 연관성을 나타내는 채널 태그 매트릭스를 생성하는 단계; 및
추천 정보 제공 모듈에 의해, 상기 다수의 태그 속성을 매개로, 상기 사용자 태그 매트릭스, 상기 상품 태그 매트릭스, 및 상기 채널 태그 매트릭스를 기반으로 사용자와 상품 및 채널 간에 추천 정보를 제공하는 단계를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법.By the tag attribute extraction module, from product data on a plurality of products, channel data on a plurality of channels that provide content, product purchase history data of a plurality of users, and channel subscription history data of the plurality of users, a plurality of tags extracting attributes;
Association between the plurality of users and the plurality of tag attributes by collaborative filtering based on the product purchase history data of the plurality of users and the channel subscription history data of the plurality of users by the user tag matrix generation module generating a user tag matrix representing
generating, by a product tag matrix generation module, a product tag matrix indicating a correlation between the plurality of products and the plurality of tag attributes by collaborative filtering based on the product data regarding the plurality of products;
generating, by a channel tag matrix generation module, a channel tag matrix indicating associations between the plurality of channels and the plurality of tag attributes by collaborative filtering based on the channel data about the plurality of channels; and
A step of providing, by a recommendation information providing module, recommendation information between a user and a product and a channel based on the user tag matrix, the product tag matrix, and the channel tag matrix through the plurality of tag attributes as a medium, A personalized recommendation method based on collaborative filtering of purchase history and tag attributes matched to products. 제1항에 있어서,
상기 추천 정보를 제공하는 단계는:
관련성 매트릭스 생성부에 의해, 상기 다수의 태그 속성을 매개로, 상기 다수의 사용자와 상기 다수의 상품간의 제1 관련성 매트릭스, 상기 다수의 상품과 상기 다수의 채널 간의 제2 관련성 매트릭스 및 상기 다수의 사용자와 상기 다수의 채널 간의 제3 관련성 매트릭스를 생성하는 단계; 및
추천 정보 제공부에 의해, 상기 제1 관련성 매트릭스, 상기 제2 관련성 매트릭스 및 상기 제3 관련성 매트릭스를 기반으로, 사용자와 상품 및 채널 간에 상기 추천 정보를 제공하는 단계를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법.According to claim 1,
The step of providing the recommendation information includes:
By the relevance matrix generator, a first relevance matrix between the plurality of users and the plurality of products, a second relevance matrix between the plurality of products and the plurality of channels, and the plurality of users via the plurality of tag attributes and generating a third relevance matrix between the plurality of channels; and
Based on the first relevance matrix, the second relevance matrix, and the third relevance matrix, by the recommendation information providing unit, the step of providing the recommendation information between the user and the product and channel. A personalized recommendation method based on collaborative filtering of matched tag attributes. 제1항에 있어서,
상기 사용자 태그 매트릭스를 생성하는 단계는:
사용자 속성 벡터 생성부에 의해, 상기 다수의 사용자 별로 상기 다수의 태그 속성과 관련된 사용자 속성 벡터를 생성하는 단계;
제1 속성 유사도 산출부에 의해, 상기 다수의 사용자의 다수의 사용자 속성 벡터 간의 제1 속성 유사도를 산출하는 단계;
제1 연관성 데이터 산출부에 의해, 상기 제1 속성 유사도를 기반으로, 상기 사용자 속성 벡터 중 사용자와 태그 속성 간의 연관성 데이터가 존재하지 않는 제1 예측 대상 항목에 대해 제1 연관성 데이터를 산출하는 단계; 및
사용자 태그 매트릭스 생성부에 의해, 상기 다수의 사용자의 사용자 속성 벡터와 상기 제1 연관성 데이터를 결합하여 상기 사용자 태그 매트릭스를 생성하는 단계를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법.According to claim 1,
The generating the user tag matrix comprises:
generating, by a user attribute vector generator, a user attribute vector related to the plurality of tag attributes for each of the plurality of users;
calculating, by a first attribute similarity calculator, a first attribute similarity between a plurality of user attribute vectors of the plurality of users;
calculating, by a first association data calculator, first association data for a first prediction target item in which association data between a user and a tag attribute does not exist among the user attribute vectors, based on the first attribute similarity; and
Collaborative filtering base for tag attributes matched to purchase history and products, comprising, by a user tag matrix generator, generating the user tag matrix by combining the user attribute vectors of the plurality of users with the first association data A personalized recommendation method. 제1항에 있어서,
상기 상품 태그 매트릭스를 생성하는 단계는:
상품 속성 벡터 생성부에 의해, 상기 다수의 상품 별로 상기 다수의 태그 속성과 관련된 상품 속성 벡터를 생성하는 단계;
제2 속성 유사도 산출부에 의해, 상기 다수의 상품의 다수의 상품 속성 벡터 간의 제2 속성 유사도를 산출하는 단계;
제2 연관성 데이터 산출부에 의해, 상기 제2 속성 유사도를 기반으로, 상기 상품 속성 벡터 중 상품과 태그 속성 간의 연관성 데이터가 존재하지 않는 제2 예측 대상 항목에 대해 제2 연관성 데이터를 산출하는 단계; 및
상품 태그 매트릭스 생성부에 의해, 상기 다수의 상품의 상품 속성 벡터와 상기 제2 연관성 데이터를 결합하여 상기 상품 태그 매트릭스를 생성하는 단계를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법.According to claim 1,
The step of generating the product tag matrix includes:
generating, by the product attribute vector generator, product attribute vectors related to the plurality of tag attributes for each of the plurality of products;
calculating, by a second attribute similarity calculating unit, a second attribute similarity between a plurality of product attribute vectors of the plurality of products;
calculating, by a second correlation data calculation unit, second correlation data for a second prediction target item in which correlation data between a product and a tag attribute does not exist among the product attribute vectors, based on the second attribute similarity; and
A collaborative filtering basis of purchase history and tag attributes matched to products, comprising, by a product tag matrix generation unit, generating the product tag matrix by combining the product attribute vectors of the plurality of products and the second association data A personalized recommendation method. 제1항에 있어서,
상기 채널 태그 매트릭스를 생성하는 단계는:
채널 속성 벡터 생성부에 의해, 상기 다수의 채널 별로 상기 다수의 태그 속성과 관련된 채널 속성 벡터를 생성하는 단계;
제3 속성 유사도 산출부에 의해, 상기 다수의 채널의 다수의 채널 속성 벡터 간의 제3 속성 유사도를 산출하는 단계;
제3 연관성 데이터 산출부에 의해, 상기 제3 속성 유사도를 기반으로, 상기 채널 속성 벡터 중 채널과 태그 속성 간의 연관성 데이터가 존재하지 않는 제3 예측 대상 항목에 대해 제3 연관성 데이터를 산출하는 단계; 및
채널 태그 매트릭스 생성부에 의해, 상기 다수의 채널의 채널 속성 벡터와 상기 제3 연관성 데이터를 결합하여 상기 채널 태그 매트릭스를 생성하는 단계를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법.According to claim 1,
The generating of the channel tag matrix comprises:
generating, by a channel attribute vector generator, a channel attribute vector related to the plurality of tag attributes for each of the plurality of channels;
calculating, by a third attribute similarity calculator, a third attribute similarity between a plurality of channel attribute vectors of the plurality of channels;
calculating, by a third association data calculator, third association data for a third prediction target item in which association data between a channel and a tag attribute does not exist among the channel attribute vectors, based on the third attribute similarity; and
Collaborative filtering of purchase history and tag attributes matched to products, comprising, by a channel tag matrix generating unit, generating the channel tag matrix by combining the channel attribute vectors of the plurality of channels and the third association data A personalized recommendation method. 제1항 내지 제5항 중 어느 한 항에 기재된 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.A computer-readable recording medium in which a program for executing the collaborative filtering-based personalized recommendation method of the tag attribute matched to the purchase history and the product according to any one of claims 1 to 5 is recorded. 다수의 상품에 관한 상품 데이터, 컨텐츠를 제공하는 다수의 채널에 관한 채널 데이터, 다수의 사용자의 상품 구매 이력 데이터 및 상기 다수의 사용자의 채널 구독 이력 데이터로부터, 다수의 태그 속성을 추출하도록 구성되는 태그 속성 추출 모듈;
상기 다수의 사용자의 상기 상품 구매 이력 데이터와, 상기 다수의 사용자의 상기 채널 구독 이력 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 사용자와 상기 다수의 태그 속성 간의 연관성을 나타내는 사용자 태그 매트릭스를 생성하도록 구성되는 사용자 태그 매트릭스 생성 모듈;
상기 다수의 상품에 관한 상기 상품 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 상품과 상기 다수의 태그 속성 간의 연관성을 나타내는 상품 태그 매트릭스를 생성하도록 구성되는 상품 태그 매트릭스 생성 모듈;
상기 다수의 채널에 관한 상기 채널 데이터를 기반으로 하는 협업 필터링에 의해 상기 다수의 채널과 상기 다수의 태그 속성 간의 연관성을 나타내는 채널 태그 매트릭스를 생성하도록 구성되는 채널 태그 매트릭스 생성 모듈; 및
상기 다수의 태그 속성을 매개로, 상기 사용자 태그 매트릭스, 상기 상품 태그 매트릭스, 및 상기 채널 태그 매트릭스를 기반으로 사용자와 상품 및 채널 간에 추천 정보를 제공하도록 구성되는 추천 정보 제공 모듈을 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치.A tag configured to extract a plurality of tag attributes from product data about a plurality of products, channel data about a plurality of channels that provide content, product purchase history data of a plurality of users, and channel subscription history data of the plurality of users attribute extraction module;
To generate a user tag matrix indicating the association between the plurality of users and the plurality of tag attributes by collaborative filtering based on the product purchase history data of the plurality of users and the channel subscription history data of the plurality of users a user tag matrix generation module configured;
a product tag matrix generation module, configured to generate a product tag matrix indicating associations between the plurality of products and the plurality of tag attributes by collaborative filtering based on the product data regarding the plurality of products;
a channel tag matrix generation module, configured to generate a channel tag matrix representing associations between the plurality of channels and the plurality of tag attributes by collaborative filtering based on the channel data about the plurality of channels; and
and a recommendation information providing module configured to provide recommendation information between a user and a product and a channel based on the user tag matrix, the product tag matrix, and the channel tag matrix via the plurality of tag attributes; A personalized recommendation device based on collaborative filtering of tag attributes matched to products and products. 제7항에 있어서,
상기 추천 정보 제공 모듈은:
상기 다수의 태그 속성을 매개로, 상기 다수의 사용자와 상기 다수의 상품간의 제1 관련성 매트릭스, 상기 다수의 상품과 상기 다수의 채널 간의 제2 관련성 매트릭스 및 상기 다수의 사용자와 상기 다수의 채널 간의 제3 관련성 매트릭스를 생성하도록 구성되는 관련성 매트릭스 생성부; 및
상기 제1 관련성 매트릭스, 상기 제2 관련성 매트릭스 및 상기 제3 관련성 매트릭스를 기반으로, 사용자와 상품 및 채널 간에 상기 추천 정보를 제공하도록 구성되는 추천 정보 제공부를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치.8. The method of claim 7,
The recommendation information providing module is:
Via the plurality of tag attributes, a first relevance matrix between the plurality of users and the plurality of products, a second relationship matrix between the plurality of products and the plurality of channels, and a second relationship between the plurality of users and the plurality of channels 3 a relevance matrix generator, configured to generate a relevance matrix; and
a tag matched to a purchase history and a product, comprising a recommendation information providing unit configured to provide the recommendation information between a user and a product and a channel based on the first relevance matrix, the second relevance matrix, and the third relevance matrix A personalized recommendation device based on collaborative filtering of properties. 제7항에 있어서,
상기 사용자 태그 매트릭스 생성 모듈은:
상기 다수의 사용자 별로 상기 다수의 태그 속성과 관련된 사용자 속성 벡터를 생성하도록 구성되는 사용자 속성 벡터 생성부;
상기 다수의 사용자의 다수의 사용자 속성 벡터 간의 제1 속성 유사도를 산출하도록 구성되는 제1 속성 유사도 산출부;
상기 제1 속성 유사도를 기반으로, 상기 사용자 속성 벡터 중 사용자와 태그 속성 간의 연관성 데이터가 존재하지 않는 제1 예측 대상 항목에 대해 제1 연관성 데이터를 산출하도록 구성되는 제1 연관성 데이터 산출부; 및
상기 다수의 사용자의 사용자 속성 벡터와 상기 제1 연관성 데이터를 결합하여 상기 사용자 태그 매트릭스를 생성하도록 구성되는 사용자 태그 매트릭스 생성부를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치.8. The method of claim 7,
The user tag matrix generation module includes:
a user attribute vector generator configured to generate a user attribute vector related to the plurality of tag attributes for each of the plurality of users;
a first attribute similarity calculator configured to calculate a first attribute similarity between the plurality of user attribute vectors of the plurality of users;
a first association data calculation unit configured to calculate first association data for a first prediction target item in which association data between a user and a tag attribute does not exist among the user attribute vectors, based on the first attribute similarity; and
and a user tag matrix generator configured to generate the user tag matrix by combining the user attribute vectors of the plurality of users with the first association data. Device. 제7항에 있어서,
상기 상품 태그 매트릭스 생성 모듈은:
상기 다수의 상품 별로 상기 다수의 태그 속성과 관련된 상품 속성 벡터를 생성하도록 구성되는 상품 속성 벡터 생성부;
상기 다수의 상품의 다수의 상품 속성 벡터 간의 제2 속성 유사도를 산출하도록 구성되는 제2 속성 유사도 산출부;
상기 제2 속성 유사도를 기반으로, 상기 상품 속성 벡터 중 상품과 태그 속성 간의 연관성 데이터가 존재하지 않는 제2 예측 대상 항목에 대해 제2 연관성 데이터를 산출하도록 구성되는 제2 연관성 데이터 산출부; 및
상기 다수의 상품의 상품 속성 벡터와 상기 제2 연관성 데이터를 결합하여 상기 상품 태그 매트릭스를 생성하도록 구성되는 상품 태그 매트릭스 생성부를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치.8. The method of claim 7,
The product tag matrix generation module includes:
a product attribute vector generator configured to generate product attribute vectors related to the plurality of tag attributes for each of the plurality of products;
a second attribute similarity calculator configured to calculate a second attribute similarity between the plurality of product attribute vectors of the plurality of products;
a second association data calculation unit configured to calculate second association data for a second prediction target item in which association data between a product and a tag attribute does not exist in the product attribute vector, based on the second attribute similarity; and
and a product tag matrix generator configured to generate the product tag matrix by combining the product attribute vectors of the plurality of products with the second correlation data. Device. 제7항에 있어서,
상기 채널 태그 매트릭스 생성 모듈은:
상기 다수의 채널 별로 상기 다수의 태그 속성과 관련된 채널 속성 벡터를 생성하도록 구성되는 채널 속성 벡터 생성부;
상기 다수의 채널의 다수의 채널 속성 벡터 간의 제3 속성 유사도를 산출하도록 구성되는 제3 속성 유사도 산출부;
상기 제3 속성 유사도를 기반으로, 상기 채널 속성 벡터 중 채널과 태그 속성 간의 연관성 데이터가 존재하지 않는 제3 예측 대상 항목에 대해 제3 연관성 데이터를 산출하도록 구성되는 제3 연관성 데이터 산출부; 및
상기 다수의 채널의 채널 속성 벡터와 상기 제3 연관성 데이터를 결합하여 상기 채널 태그 매트릭스를 생성하도록 구성되는 채널 태그 매트릭스 생성부를 포함하는, 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치.8. The method of claim 7,
The channel tag matrix generation module includes:
a channel attribute vector generator configured to generate a channel attribute vector related to the plurality of tag attributes for each of the plurality of channels;
a third attribute similarity calculator configured to calculate a third attribute similarity between the plurality of channel attribute vectors of the plurality of channels;
a third association data calculator configured to calculate third association data for a third prediction target item in which association data between a channel and a tag attribute does not exist among the channel attribute vectors, based on the third attribute similarity; and
and a channel tag matrix generating unit configured to generate the channel tag matrix by combining the channel attribute vectors of the plurality of channels with the third association data. Device.
KR1020200091186A 2020-07-22 2020-07-22 Apparatus for personalized recommendation based on collaborative filtering of tag attributes matching purchase history and product, and method of the same KR20220012085A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200091186A KR20220012085A (en) 2020-07-22 2020-07-22 Apparatus for personalized recommendation based on collaborative filtering of tag attributes matching purchase history and product, and method of the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200091186A KR20220012085A (en) 2020-07-22 2020-07-22 Apparatus for personalized recommendation based on collaborative filtering of tag attributes matching purchase history and product, and method of the same

Publications (1)

Publication Number Publication Date
KR20220012085A true KR20220012085A (en) 2022-02-03

Family

ID=80268848

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200091186A KR20220012085A (en) 2020-07-22 2020-07-22 Apparatus for personalized recommendation based on collaborative filtering of tag attributes matching purchase history and product, and method of the same

Country Status (1)

Country Link
KR (1) KR20220012085A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102507215B1 (en) * 2022-02-16 2023-03-09 주식회사 열심히커뮤니케이션즈 System for user-customized subscription platform service providing and method thereof
KR102507209B1 (en) * 2022-02-16 2023-03-09 주식회사 열심히커뮤니케이션즈 System for subscription platform service operating and method thereof
KR102620306B1 (en) * 2023-08-22 2023-12-29 주식회사 앱포스터 Apparatus and method for trading watchfaces and watchface assets

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102507215B1 (en) * 2022-02-16 2023-03-09 주식회사 열심히커뮤니케이션즈 System for user-customized subscription platform service providing and method thereof
KR102507209B1 (en) * 2022-02-16 2023-03-09 주식회사 열심히커뮤니케이션즈 System for subscription platform service operating and method thereof
KR102620306B1 (en) * 2023-08-22 2023-12-29 주식회사 앱포스터 Apparatus and method for trading watchfaces and watchface assets

Similar Documents

Publication Publication Date Title
KR102219344B1 (en) Automatic advertisement execution device, method for automatically generating campaign information for an advertisement medium to execute an advertisement and computer program for executing the method
US11704367B2 (en) Indexing and presenting content using latent interests
CN105447730B (en) Target user orientation method and device
KR102191486B1 (en) Automatic advertisement execution device, method for automatically generating campaign information for an advertisement medium to execute an advertisement and computer program for executing the method
US8583685B2 (en) Determination of category information using multiple stages
US20160188661A1 (en) Multilingual business intelligence for actions
KR20220012085A (en) Apparatus for personalized recommendation based on collaborative filtering of tag attributes matching purchase history and product, and method of the same
US20120036123A1 (en) Query suggestion for e-commerce sites
US20200098031A1 (en) Product recommending apparatus and non-transitory computer readable medium
CN111966886A (en) Object recommendation method, object recommendation device, electronic equipment and storage medium
US11250468B2 (en) Prompting web-based user interaction
CN106452809B (en) Data processing method and device
US10474670B1 (en) Category predictions with browse node probabilities
US11373210B2 (en) Content interest from interaction information
Zheng et al. Implicit User Awareness Modeling via Candidate Items for CTR Prediction in Search Ads
US10387934B1 (en) Method medium and system for category prediction for a changed shopping mission
US11409826B2 (en) Deep learning machine vision to analyze localities for comparative spending analyses
US11842299B2 (en) System and method using deep learning machine vision to conduct product positioning analyses
CN113763005B (en) Picture advertisement pushing method, electronic equipment and computer readable storage medium
KR20220155078A (en) Keyword extraction method, device and system for marketing based on information on the open-market
KR20210023453A (en) Apparatus and method for matching review advertisement
KR20210066674A (en) System and method for brand-menu combination type recommendation using member attributes and feedback data based collaborative filtering
KR102552351B1 (en) Method and apparatus of exposing advertisements
KR20200114902A (en) Method for generating customer profile using card usage information and appratus for generating customer profile
Yang et al. SOMONITOR: Explainable Marketing Data Processing and Analysis with Large Language Models

Legal Events

Date Code Title Description
E902 Notification of reason for refusal