KR20220063829A - 상품 또는 서비스 추천 장치 및 방법 - Google Patents

상품 또는 서비스 추천 장치 및 방법 Download PDF

Info

Publication number
KR20220063829A
KR20220063829A KR1020200149190A KR20200149190A KR20220063829A KR 20220063829 A KR20220063829 A KR 20220063829A KR 1020200149190 A KR1020200149190 A KR 1020200149190A KR 20200149190 A KR20200149190 A KR 20200149190A KR 20220063829 A KR20220063829 A KR 20220063829A
Authority
KR
South Korea
Prior art keywords
user
service
matrix
product
group
Prior art date
Application number
KR1020200149190A
Other languages
English (en)
Other versions
KR102609900B1 (ko
Inventor
김정수
Original Assignee
엔에이치엔 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엔에이치엔 주식회사 filed Critical 엔에이치엔 주식회사
Priority to KR1020200149190A priority Critical patent/KR102609900B1/ko
Publication of KR20220063829A publication Critical patent/KR20220063829A/ko
Application granted granted Critical
Publication of KR102609900B1 publication Critical patent/KR102609900B1/ko

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (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

상품/서비스를 추천하는 장치 및 방법이 개시된다. 상품 또는 서비스의 추천 장치는, 복수의 사용자 각각에 대하여, 온라인으로 제공되는 복수의 상품군 또는 서비스군 각각에 대한 복수의 사용자 반응을 성분으로 하는 사용자 반응 매트릭스를 생성하고, 상기 복수의 사용자 반응 각각에 대한 가중치를 성분으로 하는 사용자 반응 가중치 매트릭스를 생성하며, 복수의 사용자 각각에 대하여, 상기 사용자 반응 매트릭스에 상기 가중치 매트릭스를 곱하여 사용자 반응 점수 매트릭스를 산출하는 사용자 반응 매트릭스 생성부; 상기 사용자 반응 점수 매트릭스를 이용하여, 상기 복수의 사용자에 포함된 제1 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정하는 타겟 상품/서비스 판정부; 및 상기 타겟 상품군 또는 타겟 서비스군에 속하는 상품 또는 서비스에 대한 추천 메시지를 상기 제1 사용자의 사용자 단말에 전송하는 추천 메시지 전송부를 포함한다.

Description

상품 또는 서비스 추천 장치 및 방법{AN APPARATUS AND A METHOD FOR RECOMMENDING GOODS AND SERVICES}
본 발명은 상품 또는 서비스를 추천하는 장치 및 방법에 관한 것으로, 보다 구체적으로는 온라인에서 제공된 상품 또는 서비스에 관한 사용자의 반응에 기초하여 사용자의 성향을 판정하고, 사용자 성향에 따라 적합한 상품 또는 서비스를 추천하는 메시지를 사용자 단말에 전송하는 장치 및 이를 이용한 상품 또는 서비스의 추천 방법에 관한 것이다.
컴퓨터 기술의 발전 및 데이터 네트워크의 발전으로 상품 또는 서비스를 온라인으로 제공하는 전자 상거래가 활발해졌다.
특히, 스마트폰 등의 모바일 컴퓨팅 장치와 모바일 데이터 네트워크로 인하여 전자 상거래 시장의 규모의 성장 속도는 더 빨라지고 있다.
전자 상거래 시장의 성장은 전자 상거래를 이용하여 상품/서비스를 제공하는 업체간의 경쟁을 심화시키고 있다.
이와 같은 경쟁에서 중요한 요소 중 하나는 다양한 사용자의 구매/행위 패턴을 파악하고, 이에 적합한 상품/서비스를 개발하여 제공하는 것이다.
본 발명은 다양한 사용자의 성향을 파악하여, 사용자의 성향에 적합한 상품 또는 서비스를 추천함으로써 사용자 욕구를 충족시키는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 상품 또는 서비스의 추천 장치는, 복수의 사용자 각각에 대하여, 온라인으로 제공되는 복수의 상품군 또는 서비스군 각각에 대한 복수의 사용자 반응을 성분으로 하는 사용자 반응 매트릭스를 생성하고, 상기 복수의 사용자 반응 각각에 대한 가중치를 성분으로 하는 사용자 반응 가중치 매트릭스를 생성하며, 복수의 사용자 각각에 대하여, 상기 사용자 반응 매트릭스에 상기 가중치 매트릭스를 곱하여 사용자 반응 점수 매트릭스를 산출하는 사용자 반응 매트릭스 생성부; 상기 사용자 반응 점수 매트릭스를 이용하여, 상기 복수의 사용자에 포함된 제1 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정하는 타겟 상품/서비스 판정부; 및 상기 타겟 상품군 또는 타겟 서비스군에 속하는 상품 또는 서비스에 대한 추천 메시지를 상기 제1 사용자의 사용자 단말에 전송하는 추천 메시지 전송부를 포함한다.
상기 타겟 상품/서비스 판정부는, 상기 복수의 사용자 각각에 대하여, 상기 사용자 반응 매트릭스를 이용하여 사용자 반응 점수의 대표값을 산출하고, 상기 사용자 반응 점수의 대표값의 빈도 분포를 산출하며, 상기 사용자 반응 점수의 대표값의 빈도 분포를 복수의 구간으로 구분하고, 상기 제1 사용자의 사용자 반응 점수의 대표값이 속하는 구간을 판정하여, 상기 판정된 구간에 대응하는 상품군 또는 서비스군을 상기 제1 사용자에 대한 타겟 상품군으로 결정하도록 구성될 수 있다.
상기 사용자 반응 매트릭스 생성부는, 상기 복수의 상품군 또는 서비스군 각각에 대한 전체 사용자의 복수의 사용자 반응의 합계치를 성분으로 하는 기준 사용자 반응 매트릭스를 생성하고, 상기 기준 사용자 반응 매트릭스에 상기 가중치 매트릭스를 곱하여 기준 사용자 반응 점수 매트릭스를 산출하며,
상기 타겟 상품/서비스 판정부는, 상기 제1 사용자의 사용자 반응 점수 매트릭스를 상기 기준 사용자 반응 점수 매트릭스와 비교하여, 상기 복수의 상품군 또는 상기 복수의 서비스군 각각에 대한 상기 제1 사용자의 선호 성향을 판정하고, 상기 선호 성향에 따라, 상기 제1 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정하도록 구성될 수도 있다.
이 경우, 상기 타겟 상품/서비스 판정부는, 상기 제1 사용자의 사용자 반응 점수 매트릭스에서 상기 기준 사용자 반응 점수 매트릭스를 감산하여, 상기 제1 사용자에 대한 사용자 반응 점수 차분 매트릭스를 생성하고, 상기 제1 사용자에 대한 사용자 반응 점수 차분 매트릭스의 성분값의 크기에 따라 상기 제1 사용자의 선호 성향을 판정하도록 구성될 수 있다. 이때, 상기 타겟 상품군 또는 타겟 서비스군은, 적어도 상기 사용자 반응 점수 차분 매트릭스의 성분 중 가장 큰 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 포함할 수 있다.
상기 타겟 상품/서비스 판정부는, 상기 사용자 반응 점수 차분 매트릭스의 성분 각각을 임계값과 비교하여, 상기 사용자 반응 점수 차분 매트릭스의 성분 중, 임계값을 초과하는 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 상기 타겟 상품군 또는 서비스군으로 결정하도록 구성될 수도 있다.
본 발명의 일 실시예에 따른 상품 또는 서비스의 추천 방법은, 복수의 사용자 각각에 대하여, 온라인으로 제공되는 복수의 상품군 또는 서비스군 각각에 대한 복수의 사용자 반응을 성분으로 하는 사용자 반응 매트릭스를 생성하는 단계; 상기 복수의 사용자 반응 각각에 대한 가중치를 성분으로 하는 사용자 반응 가중치 매트릭스를 생성하는 단계; 복수의 사용자 각각에 대하여, 상기 사용자 반응 매트릭스에 상기 사용자 반응 가중치 매트릭스를 곱하여 사용자 반응 점수 매트릭스를 산출하는 단계; 상기 사용자 반응 점수 매트릭스를 이용하여, 상기 복수의 사용자에 포함된 제1 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정하는 단계; 및 상기 타겟 상품군 또는 타겟 서비스군에 속하는 상품 또는 서비스에 대한 추천 메시지를 상기 제1 사용자의 사용자 단말에 전송하는 단계를 포함한다.
상기 사용자 반응은 상기 복수의 상품군에 속하는 상품 또는 상기 복수의 서비스군에 속하는 서비스의 구매와 관련된 사용자 입력일 수 있다.
상기 타겟 상품군 또는 타겟 서비스군을 결정하는 단계는, 상기 복수의 사용자 각각에 대하여, 상기 사용자 반응 점수 매트릭스를 이용하여 사용자 반응 점수의 대표값을 산출하는 단계; 상기 사용자 반응 점수의 대표값의 빈도 분포를 산출하는 단계; 상기 제1 사용자의 사용자 반응 점수의 대표값이 속하는 구간을 판정하는 단계; 및 상기 판정된 구간에 대응하는 상품군 또는 서비스군을 상기 제1 사용자에 대한 타겟 상품군으로 결정하는 단계를 포함할 수 있다.
한편, 본 발명의 상품/서비스 추천 방법은 복수의 상품군 또는 서비스군 각각에 대한 전체 사용자의 복수의 사용자 반응의 합계치를 성분으로 하는 기준 사용자 반응 매트릭스를 생성하는 단계; 및 상기 기준 사용자 반응 매트릭스에 상기 가중치 매트릭스를 곱하여 기준 사용자 반응 점수 매트릭스를 산출하는 단계를 더 포함할 수 있다.
이 경우, 상기 타겟 상품군 또는 타겟 서비스군을 결정하는 단계는, 상기 제1 사용자의 사용자 반응 점수 매트릭스를 상기 기준 사용자 반응 점수 매트릭스와 비교하여, 상기 복수의 상품군 또는 상기 복수의 서비스군 각각에 대한 상기 제1 사용자의 선호 성향을 판정하는 단계; 및 상기 선호 성향에 따라, 상기 복수의 상품군 또는 서비스군 중에서 타겟 상품군 또는 타겟 서비스군을 결정하는 단계를 포함할 수 있다.
상기 타겟 상품군 또는 타겟 서비스군을 결정하는 단계는, 상기 사용자 반응 점수 차분 매트릭스의 성분 각각을 임계값과 비교하는 단계; 및 상기 사용자 반응 점수 차분 매트릭스의 성분 중, 임계값을 초과하는 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 상기 타겟 상품군 또는 서비스군에 추가하는 단계를 포함할 수 있다.
본 발명에 따르면, 사용자의 구매 이력 또는 서비스 이용 이력을 기초로 사용자의 성향을 판정하여, 사용자 성향에 맞는 상품군/서비스군에 속하는 상품/서비스를 추천함으로써, 상품/서비스 추천의 효율을 높일 수 있는 이점이 있다.
도 1은 본 발명의 상품/서비스 추천 장치를 포함하는 통신 네트워크의 구성을 도시한 블록 다이어그램이다.
도 2는 본 발명의 일 실시예에 따른 상품/서비스 추천 장치(10)의 구성을 도시한 블록 다이어그램이다.
도 3은 본 발명의 일 실시예에 따른 사용자 반응 매트릭스의 구성을 도시한 도면이다.
도 4는 상품군/서비스군 가중치 매트릭스의 일례를 도시한 도면이다.
도 5는 사용자 반응 매트릭스 생성부(110)에 의해 생성된 가중치 매트릭스를 도시한 도면이다.
도 6은 사용자 반응 매트릭스 생성부(110)에 의해 수행되는 사용자 반응 점수 매트릭스 산출식을 도시한 도면이다.
도 7은 기준 사용자 반응 매트릭스의 예를 도시한 도면이다.
도 8은 생성된 기준 사용자 반응점수 매트릭스 SR의 예를 도시한 도면이다.
도 9는 임의의 사용자 k에 대한 사용자 반응 점수 매트릭스 S(k)의 성분을 나타낸 그래프이다.
도 10은 예시적 사용자 반응 점수 대표값의 빈도 분포를 도시한 그래프이다.
도 11은 기준 사용자 반응 점수 매트릭스 SR의 성분을 나타낸 예시적 그래프이다.
도 12는 도 9의 사용자 k의 사용자 반응 점수와 도 11의 기준 사용자 반응점수의 차이를 도시한 그래프이다.
도 13은 본 발명의 일 실시예에 따른 상품/서비스 추천 방법을 도시한 흐름도이다.
도 14는 타겟 상품/서비스 판정부에 의한 타겟 상품군/서비스군의 결정의 제1 실시예를 도시한 흐름도이다.
도 15는 타겟 상품/서비스 판정부에 의한 타겟 상품군/서비스군의 결정의 제2 실시예를 도시한 흐름도이다.
도 16은 타겟 상품군/서비스군의 결정의 제3 실시예를 도시한 흐름도이다.
도 17는 타겟 상품군/서비스군의 결정의 제4 실시예를 도시한 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조 부호를 유사한 구성 요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 과장하여 도시한 것일 수 있다.
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 또한, A와 B가'연결된다', '결합된다'라는 의미는 A와 B가 직접적으로 연결되거나 결합하는 것 이외에 다른 구성요소 C가 A와 B 사이에 포함되어 A와 B가 연결되거나 결합되는 것을 포함하는 것이다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 또한, 방법 발명에 대한 특허청구범위에서, 각 단계가 명확하게 순서에 구속되지 않는 한, 각 단계들은 그 순서가 서로 바뀔 수도 있다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명한다.
도 1은 본 발명의 상품/서비스 추천 장치를 포함하는 통신 네트워크의 구성을 도시한 블록 다이어그램이다.
상품/서비스 추천 장치(10)는 데이터 통신 네트워크(30)를 통해 복수의 사용자 단말(20)과 접속되며, 상품 또는 서비스에 관한 추천 메시지를 사용자 단말(20)에 전송한다.
사용자 단말(20)은, 데스크 톱(desktop) 컴퓨터, 노트북 컴퓨터 등의 컴퓨터 단말 또는 스마트폰, 태블릿 등의 이동통신 단말을 포함할 수 있다.
사용자는 사용자 단말(20)을 통해, 데이터 통신 네트워크(30)에 접속된 전자 상거래 서버, 게임 서버 (미도시) 등에 접속하여 상품이나 서비스의 구매와 관련된 활동을 할 수 있다.
상품/서비스 추천 장치(10)는, 사용자 단말(20)을 통해 수행되는 사용자의 다양한 활동에 관한 데이터를 이용하여 사용자의 상품/서비스에 관한 선호도를 판정하고, 선호도에 따라 사용자에 적합한 상품 또는 서비스에 관한 추천 메시지를 사용자 단말(20)에 전송하도록 구성된다.
도 2는 본 발명의 일 실시예에 따른 상품/서비스 추천 장치(10)의 구성을 도시한 블록 다이어그램이다.
본 발명의 일 실시예에 따른 상품/서비스 추천 장치(10)는, 사용자 반응 매트릭스 생성부(110), 타겟 상품/서비스 판정부(120), 상품/서비스 추천 메시지 발송부 (130), 가중치 조정부(140), 및 데이터베이스(150)를 포함한다.
데이터베이스(150)는 사용자 데이터베이스, 상품 데이터베이스, 서비스 데이터 베이스를 포함할 수 있다.
사용자 반응 매트릭스 생성부(110)는, 복수의 사용자 각각에 대하여, 온라인으로 제공되는 복수의 상품군 또는 서비스군 각각에 대한 복수의 사용자 반응을 성분으로 하는 사용자 반응 매트릭스를 생성한다.
도 3은 본 발명의 일 실시예에 따른 사용자 반응 매트릭스의 구성을 도시한 도면이다.
C(k)는 복수의 사용자 중 k번째 사용자의 사용자 반응 매트릭스를 의미한다.
사용자 반응 매트릭스 C(k)는 M×N의 형태를 가지며, 성분 ci,j(k)는 i번째 상품군(Pi)에 관한 j번째 사용자 반응(Rj)이다.
본 발명의 일 실시예에 따르면, 사용자의 성향 파악을 위해 온라인에서 제공되는 다수의 상품 또는 서비스를 복수의 상품군 또는 서비스군으로 분류한다.
상품군/서비스군의 분류는 다양한 기준에 의해 이루어질 수 있다. 예컨대, 아래 표 1과 같이 상품/서비스의 판매 가격대를 기준으로 복수의 상품군(P1~P5)을 분류할 수 있는데, 이는 상품의 가격은 사용자의 구매 활동에 끼칠 수 있기 때문이다.
상품군 P1 P2 P3 P4 P5
가격대 ~3,000 3,000~30,000 30,000~100,000 100,000~300,000 300,000~
아래의 표 2는 또 다른 상품군/서비스군의 분류 예로서, 이 예에서는 온라인 게임에서 제공되는 이벤트(서비스)를 이벤트 조건에 따라 분류한 것이다.
이벤트군 E1 E2 E3 E4
조건 로그인형 수집형 순위쟁탈형 인게임형
표 2에서 "로그인형"은 이벤트가 누적접속수나 출석수 등을 이벤트 목표로 설정한 것이고, "수집형"은 게임 수행에서 얻어지는 아이템, 코인 등의 누적 획득량을 이벤트 목표로 설정한 것이며, "순위쟁탈형"은 기간 내 일정한 순위 내에 들어가는 것을 이벤트 목표로 설정한 것이고, "인게임형"은 게임 내에서 특정한 미션의 완수를 이벤트 목표로 설정한 것이다.
상품군 또는 서비스군의 분류는 상기 예 이외에도 다양한 기준에 의해 설정될 수 있다.
분류된 상품군(P1, P2, ... ,PM)들은 사용자 반응 매트릭스 C(k)의 행 성분을 구성한다.
상기 예에서는 온라인으로 제공되는 상품/서비스를 복수의 상품군으로 분류하였으나, 상품군 분류를 하지 않을 수도 있다. 상품군 분류를 하지 않은 경우, 도 3의 사용자 반응 매트릭스는 1×N의 단일 행 매트릭스의 형태를 가진다.
한편, 사용자 반응 매트릭스의 열성분은 각각의 상품군에 대한 사용자 반응으로 구성된다.
사용자 반응은 상품/서비스에 관한 사용자의 반응으로, 상품/서비스와 관련된 사용자 입력에 대응한다.
예컨대, 온라인에서 상품을 구매할 때, 사용자는 사용자 단말(20)을 통해 검색, 상품 목록 조회, 상품 정보 상세 조회, 장바구니 저장, 결제 시도, 결제 완료 등의 사용자 입력을 수행하게 되는데, 이러한 사용자 입력이 상품에 관한 사용자 반응에 대응한다.
아래 표 3은 상품 구매와 관련하여, 사용자 반응을, 사용자의 단계별 입력에 따라 4가지(R1~R4)로 분류한 예이다.
사용자 반응 R1 R2 R3 R4
사용자 입력 상품 정보 조회 장바구니 저장 결제 시도 결제 완료
아래의 표 4는 또 다른 사용자 반응 분류 예로서, 이벤트에 관한 사용자 반응을 이벤트에 관한 사용자 참여 형태를 기준으로 4가지(R1~R4)로 분류한 예이다.
사용자 반응 R1 R2 R3 R4
사용자 입력 이벤트 목록 조회 이벤트 정보 조회 이벤트 참여 목표 달성
상품/서비스에 관한 사용자 반응의 분류는 상기 예 이외에도 다양한 기준에 의해 설정될 수 있다.
예컨대, 사용자 반응은 상품의 구매액, 로그인 횟수 등을 여러 구간으로 나누어 분류될 수도 있다.
다시 도 3을 참조하면, 사용자 반응 매트릭스 C(k)의 성분 ci,j(k)는 상품 Pi에 관한 사용자 반응 Rj의 값이다. 사용자 반응값은 사용자 반응의 누적 횟수일 수 있다.
표 1의 상품군 분류와 표 3의 사용자 반응 분류에 따를 경우, 사용자 반응 매트릭스는 5×4의 형태를 가지며, 매트릭스를 구성하는 각각의 성분의 값은 상품군에 대한 사용자 반응의 누적횟수일 수 있다. 예컨대, c23(k)는, 3,000원~30,000원 대의 가격을 가진 상품에 대한 사용자 k의 결제 시도 누적 횟수일 수 있다.
사용자 반응 매트릭스의 성분 ci,j(k)의 값, 즉, 사용자 반응의 누계는 사용자 데이터베이스에 저장된 사용자 로그 기록, 사용자의 구매 내역 등의 정보를 이용하여 산출된다. 보다 구체적으로, 사용자 반응 매트릭스 생성부(110)는 사용자 정보 데이터베이스를 조회하여 사용자 k의 사용자 반응과 관련된 정보를 추출하고, 추출된 정보로부터 사용자 반응 누계를 산출할 수 있다.
사용자 반응의 누계는 기간별로 산출될 수도 있다.
상품군/서비스군의 특성에 따라 중요도가 다를 수 있다. 예를 들어, 저가의 상품들은 추천 메시지 발송에 의해 얻어지는 효과가 적으므로, 이러한 상품에 대한 사용자 반응이 크더라도 추천 메시지를 발송할 필요성이 적다. 반면, 고가의 내구재는 구매 빈도는 작으나 추천에 의해 기대되는 효과가 크므로 사용자 반응이 작더라도 중요하게 다룰 필요가 있다.
본 발명의 일 실시예에 따르면, 상품군/서비스군의 중요도에 따라 상품군/서비스군 별로 가중치를 부여하도록 구성될 수 있다.
상품군/서비스군 별 가중치를 적용하기 위해, 사용자 반응 매트릭스 생성부(110)는 아래의 수학식 1의 연산을 수행하도록 구성될 수 있다.
Figure pat00001
여기서 A는 상품군/서비스군 가중치 매트릭스이다.
상품군/서비스군 가중치 매트릭스는 대각 성분을 제외한 나머지 성분(off-diagonal element)는 모두 0인 M×M의 대각행렬이다.
도 4는 상품군/서비스군 가중치 매트릭스 A의 일례를 도시한 도면이다.
ai는 상품군/서비스군 Pi에 대한 가중치이다.
사용자 성향 판정에 복수의 사용자 반응이 사용되지만, 모든 사용자 반응이 동일한 중요도를 가지는 것은 아니다. 예컨대, 표 3의 사용자 반응 분류에 따를 경우, 상품의 결제 완료 횟수가 상품 정보의 조회 횟수보다 적은 것이 일반적일 것이지만, 대금 결제의 완료가 사용자의 상품에 대한 선호도에 미치는 영향이 가장 크므로 결제 완료에 대해서는 더 높음 가중치를 부여하는 것이 적절할 것이다.
이와 같은 이유로, 사용자 반응 매트릭스 생성부(110)는 복수의 사용자 반응 각각에 대한 가중치를 성분으로 하는 가중치 매트릭스를 생성한다.
도 5는 사용자 반응 매트릭스 생성부(110)에 의해 생성된 가중치 매트릭스를 도시한 도면이다.
가중치 매트릭스 W는 N×1 형태를 가지며, 매트릭스의 성분 wi는 사용자 반응 Ri의 가중치이다.
가중치 매트릭스 W는 모든 사용자에 대하여 동일하게 적용된다.
사용자 반응 매트릭스 생성부(110)는 사용자 반응 매트릭스 C(k)와 가중치 매트릭스 W의 곱을 연산하여 사용자 반응 점수 매트릭스를 산출한다.
도 6은 사용자 반응 매트릭스 생성부(110)에 의해 수행되는 사용자 반응 점수 매트릭스 산출식을 도시한 도면이다.
사용자 반응 점수 매트릭스 S(k)는, 각각의 상품군/서비스군에 대한 사용자 k의 사용자 반응의 가중 합계치를 성분으로 하는 M×1 형태의 매트릭스이다.
즉, 사용자 반응 점수 매트릭스 S(k)의 임의의 성분 si는 아래 수학식 2로 표현된다.
Figure pat00002
상기와 같은 과정을 거쳐, 사용자 반응 매트릭스 생성부(110)는 모든 사용자에 대하여 사용자 반응 점수 매트릭스 S(k)를 생성한다.
상기의 사용자 반응 점수 매트릭스 S(k)는 후술할 실시예 1 내지 4에 공통으로 사용된다.
사용자 반응 매트릭스 생성부(110)는, 사용자 반응 점수 매트릭스 S(k) 이외에도 기준 사용자 반응 매트릭스를 산출하도록 구성될 수 있다.
기준 사용자 반응 점수 매트릭스는 모든 사용자를 대표하는 가상의 사용자의 사용자 반응 매트릭스이다. 기준 사용자 반응 점수 매트릭스는 다양한 방식으로 생성될 수 있으나, 대표성의 확보 측면에서 평균적 의미를 가지는 것이 바람직하다. 예컨대, 기준 사용자 반응 매트릭스는 사용자 전체에 대한 사용자 반응의 평균을 성분으로 하는 M×N 매트릭스일 수 있다. 즉, 기준 사용자 반응 점수 매트릭스의 성분은 모든 사용자의 특정 상품군에 대한 특정 사용자 반응의 평균이며, 아래 수학식 3으로 표현될 수 있다.
Figure pat00003
여기서, cCRi,j는 기준 사용자 반응 점수 매트릭스의 (i,j) 성분이며, K는 전체 사용자의 수이고, ci,j(k)는 수학식 2로 표현된 임의의 사용자 k의 상품군 Pi에 대한 사용자 반응 Rj의 값이다.
도 7은 기준 사용자 반응 매트릭스의 예를 도시한 도면이다.
도 7의 예에서, 기준 사용자 반응 매트릭스의 각 성분은 수학식 3에 의해 산출된 값이다.
다음으로, 사용자 반응 매트릭스 생성부(110)는 전술한 사용자 반응 점수 매트릭스와 동일한 방식으로 기준 사용자 반응 점수 매트릭스를 생성한다. 즉, 생성된 사용자 반응 매트릭스에 전술한 사용자 반응 가중치 매트릭스와 동일한 사용자 반응 가중치 매트릭스를 곱하여 기준 사용자 반응점수 매트릭스를 생성한다. 타겟 상품/서비스 판정부(120)는 기준 사용자 반응점수 매트릭스를 생성하기 위해 아래 수학식 4의 연산을 수행한다.
Figure pat00004
여기서, SR은 기준 사용자 반응점수 매트릭스, CR은 수학식 3에 의해 생성된 기준 사용자 반응 매트릭스이며, W는 사용자 반응점수 매트릭스 C(k)에서 설명한 사용자 반응 가중치 매트릭스 W와 동일한 가중치 매트릭스이다.
생성된 기준 사용자 반응점수 매트릭스의 성분은 아래 수학식 5로 표현된다.
Figure pat00005
여기서, sRi는 기준 사용자 반응점수 매트릭스 SR의 i번째 행의 성분으로, 평균적 대표 사용자의 상품군/서비스군 Pi에 대한 반응 점수이다.
도 8은 생성된 기준 사용자 반응점수 매트릭스 SR의 예를 도시한 도면이다.
도 8의 기준 사용자 반응점수 매트릭스 SR는 도 7의 기준 사용자 반응 매트릭스에 수학식 5을 적용하여 산출된 것이다.
사용자 반응 매트릭스 생성부(110)에 의해 생성된 기준 사용자 반응 점수 매트릭스 SR은 후술할 실시예 3 및 4에 이용된다.
타겟 상품/서비스 판정부(120)는 사용자 반응 점수 매트릭스 S(k)를 이용하여 사용자의 성향을 판정하고, 그 결과에 따라 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정한다.
타겟 상품/서비스 판정부(120)는 다양한 형태로 구성될 수 있는데, 이하에서는 타겟 상품/서비스 판정부(120)에 의해 수행되는 사용자 성향 판정 및 타겟 상품군/서비스군 결정 과정을 실시예에 기초하여 설명한다.
<실시예 1>
타겟 상품/서비스 판정부(120)는 산출된 사용자 반응 점수 매트릭스 S(k)의 성분 si(k)를 상호 비교하여 최대값을 가지는 성분을 사용자의 최선호 상품군/서비스군으로 판정하도록 구성될 수 있다.
도 9는 임의의 사용자 k에 대한 사용자 반응 점수 매트릭스 S(k)의 성분을 나타낸 그래프이다.
그래프의 가로축은 상품군이고, 세로축은 상품군에 관한 사용자 반응 점수, 즉 수학식 2로 표현된 si(k)이다.
도 9의 예에서, 사용자 k의 사용자 반응 점수는 상품군 Pj에서 최대값 sj를 가진다. 따라서, 사용자 타겟 상품/서비스 판정부(120)는 상품군 Pj를 사용자 k의 최선호 상품군으로 판정할 수 있다.
상기에서는 반응 점수가 최대인 상품군/서비스군을 사용자의 최선호 상품군으로 판정하는 예를 설명하였으나, 반응 점수의 크기에 따라 복수의 상품군/서비스군을 선호 상품군으로 판정할 수도 있다.
<실시예2>
실시예 1은 임의의 사용자에 관하여, 해당 사용자의 사용자 반응 점수 매트릭스의 성분을 단순 비교하여 사용자 성향을 판정하였으나, 다른 사용자와의 비교에 의해 사용자의 성향을 판정할 수도 있다.
본 실시예에서, 타겟 상품/서비스 판정부(120)는 모든 사용자에 대하여 사용자 반응 매트릭스의 대표값들을 산출하고, 산출된 대표값들의 빈도 분포에서 임의의 사용자 k의 사용자 매트릭스의 대표값의 위치에 따라 사용자 성향을 판정하도록 구성된다.
먼저, 타겟 상품/서비스 판정부(120)는 각각의 사용자에 대한 사용자 반응 매트릭스에서 대표값을 산출한다.
사용자 점수 대표값은 제공되는 상품군/서비스군 전체에 대한 사용자의 반응을 대표하는 값이다. 다시 말해, 사용자 반응 점수 매트릭스의 각 성분 ci(k)는 특정한 상품군/서비스군 Pi에 대한 사용자 반응의 합계치이지만, 사용자 반응 점수 대표값은 제공되는 모든 상품군/서비스군 전체에 대한 사용자 반응을 대표하는 값이다.
대표값은 다양한 방식으로 산출될 수 있는데, 예컨대 대표값은 사용자 반응 점수 매트릭스의 성분들의 단순합일 수 있다. 사용자 반응 점수 매트릭스의 단순합인 대표값은 아래의 수학식 6으로 표현된다.
Figure pat00006
여기서 st(k)는 임의의 사용자 k에 관한 사용자 반응 점수의 대표값을 의미한다. si(k)는 수학식 2로 표현된 사용자 반응 점수 매트릭스의 성분이다.
타겟 상품/서비스 판정부(120)는 각각의 사용자에 대하여 수학식 3의 사용자 반응 점수 대표값을 산출한다.
다음으로, 타겟 상품/서비스 판정부(120)는 사용자 전체에 대하여 사용자 반응 점수 대표값의 빈도 분포를 산출한다. 사용자 반응 점수 대표값의 분포를 산출함에 있어서, 타겟 상품/서비스 판정부(120)는 사용자 반응 점수 대표값을 정규화하도록 구성될 수도 있다.
도 10은 예시적 사용자 반응 점수 대표값의 빈도 분포를 도시한 그래프이다.
그래프 가로축은 사용자 반응 점수의 대표값, 세로축은 사용자 반응 점수의 빈도(확률)를 나타낸다.
타겟 상품/서비스 판정부(120)는 사용자 성향의 분류를 위해 사용자 반응 점수 대표값을 복수의 구간으로 구분할 수 있다. 도 10의 예에서 사용자 반응 점수 대표값은 Q1~Q5의 다섯 개의 구간으로 구분되었다. 본 실시예에서 임의의 사용자의 성향은 사용자 반응 점수 대표값에 의해 결정되며, 동일한 사용자 반응 점수 구간에 속하는 사용자들은 유사한 성향을 가지는 것으로 판정된다.
타겟 상품/서비스 판정부(120)는 임의의 사용자 k의 사용자 점수 대표값이 사용자 반응 대표값 분포에서 어디에 위치하는지를 판정한다.
예컨대, 도 10의 예에서 사용자 j의 대표 점수 st(j) 구간 Q4에 위치하므로, 타겟 상품/서비스 판정부(120)는 사용자 j의 성향은 구간 Q4에 속하는 다른 사용자와 유사한 성향을 가지는 것으로 판정한다.
본 실시예에서 타겟 상품군/서비스군은 각각의 구간에 맵핑된다. 예컨대, 도 10의 예에서 타겟 상품군/서비스군은 구간 Q1~Q5에 대응하여 맵핑될 수 있다. 따라서 도 10의 예에서 사용자 j에 대한 타겟 상품군은 사용자 j의 반응 점수 대표값이 속하는 구간 Q4에 맵핑된 상품이 된다.
상품 데이터베이스 또는 서비스 데이터베이스는 각각의 상품이 어떤 타겟 상품군에 속하는지에 관한 정보를 저장하도록 구성될 수 있다.
<실시예 3>
실시예 2는 사용자 반응 점수 대표값의 분포를 이용하여 임의의 사용자를 다른 사용자와 비교하여 사용자 성향을 판정하였으나, 본 실시예는 사용자 반응 매트릭스 생성부(110)에 생성된 기준 사용자 반응 점수 매트릭스 SR과, 임의의 사용자의 사용자 반응 점수 매트릭스 S(k)를 비교하여 사용자의 성향을 판정하도록 구성된다.
구체적으로, 타겟 상품/서비스 판정부(120)는, 기준 사용자 반응 점수 매트릭스 SR의 성분과 임의의 사용자 k의 사용자 반응 점수 매트릭스 S(k)의 성분의 차이를 산출하고, 산출된 성분의 차이를 기초로 사용자 성향을 판정한다.
보다 구체적으로, 타겟 상품/서비스 판정부(120)는 임의의 사용자 k의 사용자 반응점수 매트릭스 S(k)와 기준 사용자 반응점수 매트릭스 CR의 차를 계산하고, 각각의 성분별 차이를 상호 비교하여 차이가 최대인 성분에 대응하는 상품군/서비스군을 사용자 k의 최선호 상품군/서비스군으로 결정하도록 구성될 수 있다.
먼저, 타겟 상품/서비스 판정부(120)는 두 매트릭스 S(k)와 SR의 차를 연산한다. 연산된 두 매트릭스의 차분 매트릭스의 각 성분은 다음의 수학식 7으로 표현된다.
Figure pat00007
여기서 Δsi(k)는 상품군/서비스군 Pi에 대한 사용자 반응점수와 기준 사용자 반응점수의 차이며, si(k)와 sRi는 각각 수학식 3과 수학식 5에 의해 도출된 값이다.
다음으로, 타겟 상품/서비스 판정부(120)는 산출된 M개의 Δsi(k)를 상호 비교하고, Δsi(k)가 최대인 상품군/서비스군을 해당 사용자의 최선호 상품군/서비스군으로 판정한다.
이하, 이해를 돕기 위해 도 9, 도 11 및 도 12를 참조하여 본 실시예에서 타겟 상품/서비스 판정부(120)가 사용자 성향을 판정하는 방식을 설명한다.
도 11은 기준 사용자 반응 점수 매트릭스 SR의 성분을 나타낸 예시적 그래프이다.
도 11의 그래프는 도 9의 그래프와 동일한 상품군/서비스군 분류, 동일한 상용자 반응 분류 및 가중치를 적용하여 도출된 것이다.
그래프의 가로축은 상품군이고, 세로축은 상품군에 관한 기준 사용자 반응 점수, 즉 수학식 5에 의해 표현된 sRi이다.
도 12는 도 9의 사용자 k의 사용자 반응 점수와 도 11의 기준 사용자 반응점수의 차이를 도시한 그래프이다.
도 12를 참조하면, 반응 점수의 차이가 최대인 상품군은 PM이며, 따라서, 타겟 상품/서비스 판정부(120)는 상품군 PM을 사용자 k의 최선호 상품군으로 판정한다.
실시예 1에서는 개별 사용자의 상품군별 반응점수 차이만을 고려하여 상품군 Pj를 최선호 상품군으로 판정하였으나, 본 실시예에서는 평균적 사용자의 기준 반응점수와의 차이를 고려하여 PM을 최선호 상품군으로 판정하였다.
상기에서는 반응 점수의 차이가 최대인 상품군/서비스군을 사용자의 최선호 상품군으로 판정하는 예를 설명하였으나, 반응 점수의 차이의 크기에 따라 복수의 상품군/서비스군을 선호 상품군으로 판정할 수도 있다.
<실시예 4>
본 실시예는 실시예 3의 변형으로, 기준 사용자 반응점수의 매트릭스의 생성, 임의의 사용자 k의 사용자 반응점수 매트릭스와 기준 사용자 반응점수 매트릭스의 차를 연산하는 과정을 실시예 3과 동일하게 수행한다.
다음으로, 타겟 상품/서비스 판정부(120)는 산출된 M개의 Δsi(k) 각각을 소정의 임계값과 비교한다. 임계값은 반응점수 매트릭스 각각의 성분, 즉 상품군/서비스군마다 다르게 설정되거나, 동일하게 설정될 수 있다.
타겟 상품/서비스 판정부(120)는 Δsi(k)가 임계값을 초과하는 상품군/서비스군을 사용자의 선호 상품군/서비스군으로 결정한다.
임계값을 초과하는 상품군/서비스군이 복수인 경우, 복수의 상품군/서비스군을 모두 사용자의 선호 상품군/서비스군으로 결정할 수도 있고, 그 중 최대값을 가지는 상품군/서비스군만 선호 상품군/서비스군으로 결정할 수도 있다.
또한, 본 실시예는 실시예 3과 동시에 실시될 수도 있다. 예컨대, 실시예 3에 의해 결정된 최선호 상품군/서비스군에 더하여, 사용자 반응 점수의 차분값이 임계값을 초과하는 상품군/서비스군을 타겟 상품군에 추가하는 것도 가능하다.
추천 메시지 전송부(130)는 타겟 상품/서비스 판정부(120)에 의해 결정된 타겟 상품군/서비스군에 속하는 상품 또는 서비스에 대한 추천 메시지를 해당 사용자의 사용자 단말에 전송한다.
추천 메시지에는 추천된 상품/서비스에 관한 정보를 조회할 수 있는 웹 페이지의 URL에 맵핑된 링크가 포함될 수 있다.
한편, 본 발명의 상품/서비스 추천 장치는 추천 메시지 전송부(130)에 의해 발송된 추천 메시지에 대한 사용자의 응답을 수신하고, 상기 사용자 응답 결과에 따라 상기 가중치 매트릭스를 조정하는 가중치 조정부(140)를 더 포함할 수 있다.
추천 메시지에 대한 사용자 응답은 메시지의 열람, 메시지에 포함된 링크의 조회 등을 포함할 수 있다.
추천 메시지에 대한 사용자 응답은 사용자 반응 매트릭스의 사용자 반응에 추가될 수도 있다. 하나의 추천 메시지에 대한 사용자 응답이 다수 존재할 경우, 각각의 사용자 응답은 하나의 사용자 반응으로 사용자 반응 매트릭스에 추가될 수도 있다.
전술한 바와 같이 추천 메시지에는 추천된 상품/서비스에 관한 정보를 조회할 수 있는 웹 페이지의 URL에 맵핑된 링크가 포함될 수 있는데, 가중치 조정부(140)는 사용자가 이 링크를 선택하여 해당 웹 페이지에 접속하는지를 모니터링하도록 구성될 수 있다. 가중치 조정부(140)는 추천 메시지에 대한 사용자 응답을 해당 추천 메시지의 추천 상품의 상품군에 대한 사용자 반응으로 추가하고, 추가된 사용자 반응에 따라 가중치를 조절할 수 있다.
본 발명의 일 실시예에 따르면, 사용자 반응 매트릭스 생성부(100), 타겟 상품/서비스 판정부(200), 추천 메시지 전송부(300) 및 가중치 조정부(400)는, 각각의 기능을 수행하도록 구성된 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합일 수 있다. 예컨대, 사용자 반응 매트릭스 생성부(100), 타겟 상품/서비스 판정부(200), 추천 메시지 전송부(300) 및 가중치 조정부(400)는 전술한 각각의 기능의 수행에 필요한 명령어를 포함하는 소프트웨어와 명령어에 따른 처리를 수행하는 컴퓨터 장치의 프로세서에 의해 구성될 수 있다. 이때 사용자 반응 매트릭스 생성부(100), 타겟 상품/서비스 판정부(200), 추천 메시지 전송부(300) 및 가중치 조정부(400)의 일부를 구성하는 소프트웨어는 애플리케이션 형태로 컴퓨터 장치에 설치될 수 있다.
전술한 상품/서비스 추천 장치를 이용한 상품/서비스 추천 방법을 도 13 내지 16을 참조하여 설명한다.
도 13은 본 발명의 일 실시예에 따른 상품/서비스 추천 방법을 도시한 흐름도이다.
먼저, 상품/서비스 추천 장치(10)의 사용자 반응 매트릭스 생성부(110)는 사용자 반응 매트릭스를 생성한다(S1000).
사용자 반응 매트릭스의 구성 및 생성 방식은 전술한 바 있으므로 여기서는 자세한 설명을 생략한다.
계속해서 상품/서비스 추천 장치(10)의 사용자 반응 매트릭스 생성부(110)는 가중치 매트릭스를 생성한다(S2000). 가중치 매트릭스에는 사용자 반응 매트릭스와 상품군/서비스군별 가중치 매트릭스가 있는데, 두 매트릭스 중 적어도 하나가 생성될 수 있다. 사용자 반응 매트릭스와 상품군/서비스군별 가중치 매트릭스의 구성 및 생성 방식에 대해서는 전술하였으므로 여기서는 설명을 생략한다.
상품/서비스 추천 장치(10)의 사용자 반응 매트릭스 생성부(110)는 사용자 반응 매트릭스에 가중치 매트릭스를 곱하여 사용자 반응점수 매트릭스를 생성한다(S3000). 사용자 반응점수 매트릭스의 구성 및 생성 방식은 전술한 바 있으므로 여기서는 자세한 설명을 생략한다.
상품/서비스 추천 장치(10)의 타겟 상품/서비스 판정부(120)는 생성된 사용자 반응점수 매트릭스를 이용하여 제1 사용자에 대한 타겟 상품군/서비스군을 결정한다(S4000). 타겟 상품/서비스 판정부(120)의 타겟 상품군/서비스군의 결정에 대해서는 앞에서 상세히 설명하였으므로 여기서는 설명을 생략한다.
마지막으로, 상품/서비스 추천 장치(10)의 상품/서비스 추천부(130)는 타겟 상품군/서비스군에 속하는 상품/서비스에 관한 추천 메시지를 제1 사용자의 사용자 단말에 전송한다.
타겟 상품/서비스 판정부(120)에 의한 타겟 상품군/서비스군의 결정은 다양한 방식으로 수행될 수 있다.
도 14는 타겟 상품/서비스 판정부에 의한 타겟 상품군/서비스군의 결정의 제1 실시예를 도시한 흐름도이다.
타겟 상품/서비스 판정부(120)는 제1 사용자의 사용자 반응 점수 매트릭스 각각의 성분을 상호 비교한다(S4110).
이어서, 타겟 상품/서비스 판정부(120)는 사용자 반응 점수 매트릭스의 성분 중 최대값을 가지는 성분에 대응하는 상품군/서비스군을 제1 사용자에 대한 타겟 상품군/서비스군으로 결정한다(S4120).
도 14의 실시예는 전술한 <실시예 1>에서 자세히 설명하였으므로, 여기서는 자세한 설명은 생략한다.
도 15는 타겟 상품/서비스 판정부에 의한 타겟 상품군/서비스군의 결정의 제2 실시예를 도시한 흐름도이다.
타겟 상품/서비스 판정부(120)는 사용자 반응 점수 매트릭스로부터 사용자 반응의 대표값을 산출한다(S4210). 사용자 반응 대표값의 의미와 산출 방식은 전술한 <실시예 2>에서 상세히 다루었으므로, 여기서는 설명을 생략한다.
계속해서 타겟 상품/서비스 판정부(120)는 사용자 반응 대표값의 빈도 분포를 산출한다(S4220). 사용자 반응 대표값의 빈도 분포는 복수의 구간으로 구분된다. 기타, 사용자 대표값의 빈도 분포의 의미와 산출 방식은 <실시예 2>에서 설명한 바와 같다.
타겟 상품/서비스 판정부(120)는, 사용자 반응 대표값의 빈도 분포의 복수 구간 중, 제1 사용자의 사용자 반응 대표값이 속하는 구간을 판정한다(S4230).
마지막으로, 타겟 상품/서비스 판정부(120)는, 판정된 구간에 대응하는 상품군/서비스군을 제1 사용자에 대한 타겟 상품군/서비스군으로 결정한다(S4240).
도 16은 타겟 상품군/서비스군의 결정의 제3 실시예를 도시한 흐름도이다.
도 16의 실시예는 전술한 <제3 실시예>에 대응하며, 이 실시예에 대해서는 전술한 바 있으므로, 여기서는 자세한 설명을 생략하고, 본 발명의 상품/서비스 추천 장치에 수행되는 처리를 단계별로 간단히 기술하기로 한다.
먼저 사용자 반응 매트릭스 생성부(110)는 기준 사용자 반응 매트릭스를 생성하고(S4310), 기준 사용자 반응 매트릭스에 가중치 매트릭스를 곱하여 기준 사용자 반응 점수 매트릭스를 생성한다(S4320).
다음으로 타겟 상품/서비스 판정부(120)는 임의의 사용자 k의 사용자 반응점수 매트릭스에서 기준 사용자 반응점수 매트릭스를 감산하여 사용자 반응점수 차분 매트릭스를 생성한다(S4330).
마지막으로 타겟 상품/서비스 판정부(120)는 사용자 반응 점수 차분 매트릭스의 성분 중 최대값을 가지는 성분에 대응하는 상품군/서비스군을 제1 사용자에 대한 타겟 상품군으로 결정한다(S4340).
도 17는 타겟 상품군/서비스군의 결정의 제4 실시예를 도시한 흐름도이다.
도 17의 실시예는 전술한 <제3 실시예>에 대응하며, 이 실시예에 대해서는 전술한 바 있으므로, 여기서는 자세한 설명을 생략하고, 본 발명의 상품/서비스 추천 장치에 수행되는 처리를 단계별로 간단히 기술하기로 한다.
먼저 사용자 반응 매트릭스 생성부(110)는 기준 사용자 반응 매트릭스를 생성하고(S4410), 기준 사용자 반응 매트릭스에 가중치 매트릭스를 곱하여 기준 사용자 반응 점수 매트릭스를 생성한다(S4420).
다음으로 타겟 상품/서비스 판정부(120)는 임의의 사용자 k의 사용자 반응점수 매트릭스에서 기준 사용자 반응점수 매트릭스를 감산하여 사용자 반응점수 차분 매트릭스를 생성한다(S4430).
계속해서 타겟 상품/서비스 판정부(120)는 사용자 반응점수 차분 매트릭스의 각 성분을 소정의 임계값과 비교하고(S4440), 임계값을 초과한 성분에 대응하는 상품군/서비스군을 제1 사용자에 대한 타겟 상품군으로 결정한다(S4450).
앞서 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술될 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10 : 상품/서비스 추천 장치 20 : 사용자 단말
30 : 데이터 통신 네트워크 110 : 사용자 반응 매트릭스 생성부
120 : 타겟 상품/서비스 판정부 130 : 상품/서비스 추천 메시지 발송부
140 : 가중치 조정부 150 : 데이터베이스

Claims (18)

  1. 복수의 사용자 각각에 대하여, 온라인으로 제공되는 복수의 상품군 또는 서비스군 각각에 대한 복수의 사용자 반응을 성분으로 하는 사용자 반응 매트릭스를 생성하고, 상기 복수의 사용자 반응 각각에 대한 가중치를 성분으로 하는 사용자 반응 가중치 매트릭스를 생성하며, 복수의 사용자 각각에 대하여, 상기 사용자 반응 매트릭스에 상기 가중치 매트릭스를 곱하여 사용자 반응 점수 매트릭스를 산출하는 사용자 반응 매트릭스 생성부;
    상기 사용자 반응 점수 매트릭스를 이용하여, 상기 복수의 사용자에 포함된 제1 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정하는 타겟 상품/서비스 판정부; 및
    상기 타겟 상품군 또는 타겟 서비스군에 속하는 상품 또는 서비스에 대한 추천 메시지를 상기 제1 사용자의 사용자 단말에 전송하는 추천 메시지 전송부;
    를 포함하는 상품 또는 서비스의 추천 장치.
  2. 제1항에 있어서, 상기 타겟 상품/서비스 판정부는,
    상기 복수의 사용자 각각에 대하여, 상기 사용자 반응 매트릭스를 이용하여 사용자 반응 점수의 대표값을 산출하고,
    상기 사용자 반응 점수의 대표값의 빈도 분포를 산출하며,
    상기 사용자 반응 점수의 대표값의 빈도 분포를 복수의 구간으로 구분하고,
    상기 제1 사용자의 사용자 반응 점수의 대표값이 속하는 구간을 판정하여,
    상기 판정된 구간에 대응하는 상품군 또는 서비스군을 상기 제1 사용자에 대한 타겟 상품군으로 결정하는
    상품 또는 서비스의 추천 장치.
  3. 제1항에 있어서,
    상기 사용자 반응 매트릭스 생성부는, 상기 복수의 상품군 또는 서비스군 각각에 대한 전체 사용자의 복수의 사용자 반응의 합계치를 성분으로 하는 기준 사용자 반응 매트릭스를 생성하고, 상기 기준 사용자 반응 매트릭스에 상기 가중치 매트릭스를 곱하여 기준 사용자 반응 점수 매트릭스를 산출하며,
    상기 타겟 상품/서비스 판정부는, 상기 제1 사용자의 사용자 반응 점수 매트릭스를 상기 기준 사용자 반응 점수 매트릭스와 비교하여, 상기 복수의 상품군 또는 상기 복수의 서비스군 각각에 대한 상기 제1 사용자의 선호 성향을 판정하고, 상기 선호 성향에 따라, 상기 제1 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정하는
    상품 또는 서비스의 추천 장치.
  4. 제3항에 있어서, 상기 타겟 상품/서비스 판정부는,
    상기 제1 사용자의 사용자 반응 점수 매트릭스에서 상기 기준 사용자 반응 점수 매트릭스를 감산하여, 상기 제1 사용자에 대한 사용자 반응 점수 차분 매트릭스를 생성하고, 상기 제1 사용자에 대한 사용자 반응 점수 차분 매트릭스의 성분값의 크기에 따라 상기 제1 사용자의 선호 성향을 판정하는 상품 또는 서비스의 추천 장치.
  5. 제4항에 있어서, 상기 타겟 상품군 또는 타겟 서비스군은, 적어도 상기 사용자 반응 점수 차분 매트릭스의 성분 중 가장 큰 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 포함하는 상품 또는 서비스의 추천 장치.
  6. 제5항에 있어서, 상기 타겟 상품/서비스 판정부는,
    상기 사용자 반응 차분 매트릭스의 성분 각각을 임계값과 비교하여, 상기 사용자 반응 점수 차분 매트릭스의 성분 중, 임계값을 초과하는 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 상기 타겟 상품군 또는 서비스군에 추가하는 상품 또는 서비스의 추천 장치.
  7. 제4항에 있어서, 상기 타겟 상품/서비스 판정부는,
    상기 사용자 반응 점수 차분 매트릭스의 성분 각각을 임계값과 비교하여, 상기 사용자 반응 점수 차분 매트릭스의 성분 중, 임계값을 초과하는 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 상기 타겟 상품군 또는 서비스군으로 결정하는 단계;
    를 포함하는 상품 또는 서비스의 추천 장치.
  8. 제6항 또는 제7항에 있어서,
    상기 임계값은 상기 사용자 반응 점수 차분 매트릭스 성분 각각에 대하여 다른 값을 가지는 상품 또는 서비스의 추천 장치.
  9. 복수의 사용자 각각에 대하여, 온라인으로 제공되는 복수의 상품군 또는 서비스군 각각에 대한 복수의 사용자 반응을 성분으로 하는 사용자 반응 매트릭스를 생성하는 단계;
    상기 복수의 사용자 반응 각각에 대한 가중치를 성분으로 하는 사용자 반응 가중치 매트릭스를 생성하는 단계;
    복수의 사용자 각각에 대하여, 상기 사용자 반응 매트릭스에 상기 사용자 반응 가중치 매트릭스를 곱하여 사용자 반응 점수 매트릭스를 산출하는 단계;
    상기 사용자 반응 점수 매트릭스를 이용하여, 상기 복수의 사용자에 포함된 제1 사용자에 대한 타겟 상품군 또는 타겟 서비스군을 결정하는 단계; 및
    상기 타겟 상품군 또는 타겟 서비스군에 속하는 상품 또는 서비스에 대한 추천 메시지를 상기 제1 사용자의 사용자 단말에 전송하는 단계
    를 포함하는 상품 또는 서비스의 추천 방법.
  10. 제9항에 있어서, 상기 사용자 반응은,
    상기 복수의 상품군에 속하는 상품 또는 상기 복수의 서비스군에 속하는 서비스의 구매와 관련된 사용자 입력인 상품 또는 서비스의 추천 방법.
  11. 제10항에 있어서, 상기 타겟 상품군 또는 타겟 서비스군을 결정하는 단계는,
    상기 복수의 사용자 각각에 대하여, 상기 사용자 반응 점수 매트릭스를 이용하여 사용자 반응 점수의 대표값을 산출하는 단계;
    상기 사용자 반응 점수의 대표값의 빈도 분포를 산출하는 단계;
    상기 제1 사용자의 사용자 반응 점수의 대표값이 속하는 구간을 판정하는 단계; 및
    상기 판정된 구간에 대응하는 상품군 또는 서비스군을 상기 제1 사용자에 대한 타겟 상품군으로 결정하는 단계
    를 포함하는 상품 또는 서비스의 추천 방법.
  12. 제10항에 있어서,
    복수의 상품군 또는 서비스군 각각에 대한 전체 사용자의 복수의 사용자 반응의 합계치를 성분으로 하는 기준 사용자 반응 매트릭스를 생성하는 단계; 및
    상기 기준 사용자 반응 매트릭스에 상기 가중치 매트릭스를 곱하여 기준 사용자 반응 점수 매트릭스를 산출하는 단계;
    를 더 포함하며,
    상기 타겟 상품군 또는 타겟 서비스군을 결정하는 단계는,
    상기 제1 사용자의 사용자 반응 점수 매트릭스를 상기 기준 사용자 반응 점수 매트릭스와 비교하여, 상기 복수의 상품군 또는 상기 복수의 서비스군 각각에 대한 상기 제1 사용자의 선호 성향을 판정하는 단계; 및
    상기 선호 성향에 따라, 상기 복수의 상품군 또는 서비스군 중에서 타겟 상품군 또는 타겟 서비스군을 결정하는 단계;
    를 포함하는 상품 또는 서비스의 추천 방법.
  13. 제12항에서, 상기 제1 사용자의 선호 성향을 판정하는 단계는,
    상기 제1 사용자의 사용자 반응 점수 매트릭스에서 상기 기준 사용자 반응 점수 매트릭스를 감산하여, 상기 제1 사용자에 대한 사용자 반응 점수 차분 매트릭스를 생성하는 단계; 및
    상기 제1 사용자에 대한 사용자 반응 점수 차분 매트릭스의 성분값의 크기에 따라 상기 제1 사용자의 선호 성향을 판정하는 단계;
    를 포함하는 상품 또는 서비스의 추천 방법.
  14. 제13항에서,
    상기 타겟 상품군 또는 타겟 서비스군은, 적어도 상기 사용자 반응 점수 차분 매트릭스의 성분 중 가장 큰 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 포함하는 상품 또는 서비스의 추천 방법.
  15. 제14항에 있어서,
    상기 타겟 상품군 또는 타겟 서비스군을 결정하는 단계는,
    상기 사용자 반응 점수 차분 매트릭스의 성분 각각을 임계값과 비교하는 단계; 및
    상기 사용자 반응 점수 차분 매트릭스의 성분 중, 임계값을 초과하는 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 상기 타겟 상품군 또는 서비스군에 추가하는 단계;
    를 포함하는 상품 또는 서비스의 추천 방법.
  16. 제15항에 있어서,
    상기 임계값은 상기 사용자 반응 점수 차분 매트릭스 성분 각각에 대하여 다른 값을 가지는 상품 또는 서비스의 추천 방법.
  17. 제13항에 있어서,
    상기 타겟 상품군 또는 타겟 서비스군을 결정하는 단계는,
    상기 사용자 반응 점수 차분 매트릭스의 성분 각각을 임계값과 비교하는 단계; 및
    상기 차분 매트릭스의 성분 중, 임계값을 초과하는 값을 가지는 성분에 대응하는 상품군 또는 서비스군을 상기 타겟 상품군 또는 서비스군으로 결정하는 단계;
    를 포함하는 상품 또는 서비스의 추천 방법.
  18. 제17항에 있어서,
    상기 임계값은 상기 사용자 반응 점수 차분 매트릭스 성분 각각에 대하여 다른 값을 가지는 상품 또는 서비스의 추천 방법.
KR1020200149190A 2020-11-10 2020-11-10 상품 또는 서비스 추천 장치 및 방법 KR102609900B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200149190A KR102609900B1 (ko) 2020-11-10 2020-11-10 상품 또는 서비스 추천 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200149190A KR102609900B1 (ko) 2020-11-10 2020-11-10 상품 또는 서비스 추천 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220063829A true KR20220063829A (ko) 2022-05-18
KR102609900B1 KR102609900B1 (ko) 2023-12-06

Family

ID=81800722

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200149190A KR102609900B1 (ko) 2020-11-10 2020-11-10 상품 또는 서비스 추천 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102609900B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160080716A (ko) * 2014-12-30 2016-07-08 세종대학교산학협력단 컨텐츠 추천 및 생성 장치와 이를 포함하는 컨텐츠 매매 시스템, 및 컨텐츠 추천 및 생성 방법
KR20200048183A (ko) * 2018-10-29 2020-05-08 채대성 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치
KR102144943B1 (ko) * 2018-06-18 2020-08-14 유승상 오프라인 매장의 잠재고객을 위한 상품 추천 시스템 및 상품추천방법
KR20200104013A (ko) * 2019-02-26 2020-09-03 주식회사 틸투원 상품 추천 방법 및 그 장치
KR20200111046A (ko) * 2019-03-18 2020-09-28 동아대학교 산학협력단 구매 데이터에 기초한 양방향 추천 점수 산출 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160080716A (ko) * 2014-12-30 2016-07-08 세종대학교산학협력단 컨텐츠 추천 및 생성 장치와 이를 포함하는 컨텐츠 매매 시스템, 및 컨텐츠 추천 및 생성 방법
KR102144943B1 (ko) * 2018-06-18 2020-08-14 유승상 오프라인 매장의 잠재고객을 위한 상품 추천 시스템 및 상품추천방법
KR20200048183A (ko) * 2018-10-29 2020-05-08 채대성 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치
KR20200104013A (ko) * 2019-02-26 2020-09-03 주식회사 틸투원 상품 추천 방법 및 그 장치
KR20200111046A (ko) * 2019-03-18 2020-09-28 동아대학교 산학협력단 구매 데이터에 기초한 양방향 추천 점수 산출 방법 및 장치

Also Published As

Publication number Publication date
KR102609900B1 (ko) 2023-12-06

Similar Documents

Publication Publication Date Title
Zhang et al. Optimal real-time bidding for display advertising
Stankovic et al. The digital competitiveness of European countries: A multiple-criteria approach.
US20130013541A1 (en) System And Method For Invitation Targeting In A Web-Based Social Network
CN104521225A (zh) 利用贝叶斯均值回归(bmr)的呼叫映射系统和方法
US11379919B2 (en) Reducing data traffic in a computerized trading system
CN106504098A (zh) 一种基于大数据技术的金融投资系统的投资方法
CN102668457A (zh) 用于社交图数据分析以确定社区内的连接性的系统和方法
CN105608125B (zh) 一种信息处理方法及服务器
Hsu et al. Exploring the best strategy plan for improving the digital convergence by using a hybrid MADM model
Mildenstein et al. The optimal pricing policy of a monopolistic marketmaker in the equity market
Zhang et al. A game-theoretic analysis for complementary and substitutable IoT services delivery with externalities
US9727640B2 (en) Asymmetrical multilateral decision support system
WO2021025726A1 (en) Predictive platform for determining incremental lift
Dhamal et al. Optimal investment strategies for competing camps in a social network: A broad framework
Adebiyi et al. An analytic hierarchy process analysis: application to subscriber retention decisions in the Nigerian mobile telecommunications
CN106998314A (zh) 账户交互方法及装置
CN109075987A (zh) 优化数字组件分析系统
CN104967643A (zh) 一种获取转移数据的方法及装置
KR102609900B1 (ko) 상품 또는 서비스 추천 장치 및 방법
Duch-Brown Quality discrimination in online multi-sided markets
KR101984842B1 (ko) 기업 가치 산출 방법 및 이를 수행하기 위한 장치
CN112449002A (zh) 一种待推送对象的推送方法、装置、设备及存储介质
Chepkorir et al. Relationship between mobile banking and financial performance of deposit taking savings and credit cooperatives in Kericho County, Kenya
Hopenhayn et al. Optimal simple ratings
CN111681090A (zh) 业务系统的账号分组方法、装置、终端设备及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant