KR20220083324A - 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법 - Google Patents

사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법 Download PDF

Info

Publication number
KR20220083324A
KR20220083324A KR1020200173464A KR20200173464A KR20220083324A KR 20220083324 A KR20220083324 A KR 20220083324A KR 1020200173464 A KR1020200173464 A KR 1020200173464A KR 20200173464 A KR20200173464 A KR 20200173464A KR 20220083324 A KR20220083324 A KR 20220083324A
Authority
KR
South Korea
Prior art keywords
search
user
company
attribute data
query
Prior art date
Application number
KR1020200173464A
Other languages
English (en)
Other versions
KR102549006B1 (ko
Inventor
최진영
김현조
Original Assignee
주식회사 포인트테크놀러지스
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 포인트테크놀러지스 filed Critical 주식회사 포인트테크놀러지스
Priority to KR1020200173464A priority Critical patent/KR102549006B1/ko
Publication of KR20220083324A publication Critical patent/KR20220083324A/ko
Application granted granted Critical
Publication of KR102549006B1 publication Critical patent/KR102549006B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3325—Reformulation based on results of preceding query
    • G06F16/3326—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3322—Query formulation using system suggestions
    • G06F16/3323—Query formulation using system suggestions using document space presentation or visualization, e.g. category, hierarchy or range presentation and selection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자 질의 키워드 외에, 사용자 속성, 사용자와 관련된 기업 속성을 고려하여 적절한 관심 기업을 추천할 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법이 개시된다. 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템은: 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 상기 사용자와 관련된 사용자 속성 데이터, 및 상기 사용자가 소속된 기업의 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정하도록 구성되는 검색 조건 설정 모듈; 상기 검색 조건과 대응되는 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 상기 관심 기업을 검색하고, 상기 관심 기업에 관한 검색 결과를 출력하도록 구성되는 검색 모듈; 및 상기 검색 결과에 대한 사용자의 피드백에 따라 상기 검색 조건을 보정하여 최종 검색 질의 벡터를 생성하도록 구성되는 검색 질의 보정 모듈;을 포함한다.

Description

사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법{System for company search using automatic correction of query vectors based on user behavior and method of the same}
본 발명은 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 사용자 질의 키워드 외에, 사용자 속성, 사용자와 관련된 기업 속성을 고려하여 적절한 관심 기업을 추천할 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법에 관한 것이다.
일반적으로, 기업 추천 시스템은 사용자가 설정한 카테고리 조건에 부합하는 기업 중 특정 사용자가 관심을 가질 만한 정보를 필터링하여 보여주는 기능을 제공하고 있다. 그러나 종래의 기업 추천 방법은 사용자가 입력한 질의 키워드들에 의해서만 결과가 도출되며, 검색 사이트 내에서 규모가 크거나 인지도가 높은 기업의 조회수와 사용자 선호도가 소규모 기업에 비해 높게 측정되어 비교적 자주 검색결과에 표시되는 결과를 초래한다.
이와 같은 기업 노출 방식은 기업의 수익으로도 직접 연결되어 기업간 성장 격차와 불균등의 원인을 제공하는 문제를 유발할 수 있다. 또한 기업에 소속된 직원은 기업이 추진 예정인 프로젝트를 성사시키기 위하여, 해당 프로젝트의 가치 사슬(Value Chain)의 역할을 이행할 만한 거래처를 순차적으로 발굴해야 하는 경우가 있다.
하지만 종래의 기업 검색 및 추천 시스템은 사용자 정보와 관심 분야를 기반으로 관련 기업을 검색하여 추천하는 관계로, 사용자가 소속되어 있는 기업과 유사한 기업이나, 경쟁사를 추천하게 되어 사용자가 필요로 하는 프로젝트와 관련된 거래처를 추천하지 못하는 한계가 있다.
본 발명은 사용자 질의 키워드 외에, 사용자 속성, 사용자와 관련된 기업 속성을 고려하여 적절한 관심 기업을 추천할 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법을 제공하기 위한 것이다.
또한, 본 발명은 사용자의 피드백 데이터를 재귀적 인공신경망 모델을 통해 예측하여 피드백이 없는 사용자의 피드백도 예측할 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법을 제공하기 위한 것이다.
또한, 본 발명은 가치 사슬(Value Chain)의 역할을 이행할 만한 거래처를 순차적으로 발굴하는데 효과적으로 활용될 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템은: 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 상기 사용자와 관련된 사용자 속성 데이터, 및 상기 사용자가 소속된 기업의 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정하도록 구성되는 검색 조건 설정 모듈; 상기 검색 조건과 대응되는 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 상기 관심 기업을 검색하고, 상기 관심 기업에 관한 검색 결과를 출력하도록 구성되는 검색 모듈; 및 상기 검색 결과에 대한 사용자의 피드백에 따라 상기 검색 조건을 보정하여 최종 검색 질의 벡터를 생성하도록 구성되는 검색 질의 보정 모듈;을 포함한다.
상기 검색 질의 보정 모듈은: 상기 검색 결과에 대한 상기 사용자의 피드백 행동 패턴을 수집하도록 구성되는 사용자 행동 패턴 수집 모듈; 및 상기 피드백 행동 패턴에 따라 가중치를 적용하여 상기 검색 조건을 보정하여 상기 최종 검색 질의 벡터를 생성하도록 구성되는 질의 벡터 보정 모듈;을 포함할 수 있다.
상기 피드백 행동 패턴은 상기 사용자가 상기 검색 결과에 머무르는 체류 시간, 상기 검색 결과 내에 연결된 링크 클릭, 상기 검색 결과에 대한 즐겨찾기 추가, 상기 검색 결과에서의 스크롤 이동, 상기 검색 결과에 대한 상기 사용자의 만족도 평가를 포함할 수 있다.
상기 질의 벡터 보정 모듈은 상기 피드백 행동 패턴을 재귀적 인공신경망 모델로 학습하여 상기 가중치를 결정하고, 상기 가중치를 적용하여 상기 검색 조건을 보정하여 상기 최종 검색 질의 벡터를 생성하도록 구성될 수 있다.
상기 검색 조건 설정 모듈은 상기 사용자 속성 데이터와 상기 기업 속성 데이터 간의 충돌시, 설정되거나 상기 피드백 행동 패턴에 따라 보정된 가중치에 따라 충돌되는 사용자 속성 데이터와 기업 속성 데이터 중의 어느 하나를 선택하도록 구성될 수 있다.
상기 사용자 속성 데이터는 소속 기업명, 직무, 직위 및 업종을 포함하고, 상기 기업 속성 데이터는 산업군, 지역, 기업 규모 및 직원수를 포함할 수 있다.
본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법은: 검색 조건 설정 모듈에 의해, 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 상기 사용자와 관련된 사용자 속성 데이터, 및 상기 사용자가 소속된 기업의 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정하는 단계; 검색 모듈에 의해, 상기 검색 조건과 대응되는 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 상기 관심 기업을 검색하고, 상기 관심 기업에 관한 검색 결과를 출력하는 단계; 및 검색 질의 보정 모듈에 의해, 상기 검색 결과에 대한 사용자의 피드백에 따라 상기 검색 조건을 보정하여 최종 검색 질의 벡터를 생성하는 단계;를 포함한다.
상기 최종 검색 질의 벡터를 생성하는 단계는: 사용자 행동 패턴 수집 모듈에 의해, 상기 검색 결과에 대한 상기 사용자의 피드백 행동 패턴을 수집하는 단계; 및 질의 벡터 보정 모듈에 의해, 상기 피드백 행동 패턴에 따라 가중치를 적용하여 상기 검색 조건을 보정하는 단계;를 포함할 수 있다.
상기 검색 조건을 보정하는 단계는 상기 피드백 행동 패턴을 재귀적 인공신경망 모델로 학습하여 상기 가중치를 결정하고, 상기 가중치를 적용하여 상기 검색 조건을 보정하는 단계를 포함할 수 있다.
상기 검색 조건을 설정하는 단계는 상기 사용자 속성 데이터와 상기 기업 속성 데이터 간의 충돌시, 설정되거나 상기 피드백 행동 패턴에 따라 보정된 가중치에 따라 충돌되는 사용자 속성 데이터와 기업 속성 데이터 중의 어느 하나를 선택하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 상기 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.
본 발명의 실시예에 의하면, 사용자 질의 키워드 외에, 사용자 속성, 사용자와 관련된 기업 속성을 고려하여 적절한 관심 기업을 추천할 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법이 제공된다.
또한, 본 발명의 실시예에 의하면, 사용자의 피드백 데이터를 재귀적 인공신경망 모델을 통해 예측하여 피드백이 없는 사용자의 피드백도 예측할 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법이 제공된다.
또한, 본 발명의 실시예에 의하면, 가치 사슬(Value Chain)의 역할을 이행할 만한 거래처를 순차적으로 발굴하는데 효과적으로 활용될 수 있는 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법이 제공된다.
도 1은 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템의 구성도이다.
도 2는 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템을 구성하는 검색 조건 설정 모듈의 구성도이다.
도 3은 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템을 구성하는 검색 질의 보정 모듈의 구성도이다.
도 4는 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법의 순서도이다.
도 5는 도 4의 단계 S130의 순서도이다.
도 6 및 도 7은 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법을 설명하기 위한 개념도이다.
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.
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.
본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법은 기업 규모에 의한 불균등 현상과 사용자의 불편을 해소하기 위해, 사용자의 특성과 사용자의 상위 분류인 기업의 특성, 사용자의 이력을 분석하여 자동으로 카테고리 질의 벡터를 조절하여 최종 검색 질의를 생성한다.
본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법은 먼저 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 사용자 속성 데이터, 및 사용자와 관련된 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정한다.
다음으로, 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법은 질의 키워드, 사용자 속성 데이터, 및 기업 속성 데이터에서 추출된 키워드들로부터 생성되는 검색 조건을 기반으로 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 관심 기업을 검색한다.
이어서, 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법은 관심 기업에 관한 검색 결과를 대한 사용자의 피드백에 따라 검색 조건을 보정하여 최종 검색 질의 벡터를 생성하고, 최종 검색 질의 벡터에 따라 관심 기업의 검색 결과를 보정한다.
도 1은 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템(100)은 검색 조건 설정 모듈(110), 검색 모듈(120), 검색 질의 보정 모듈(130), 및 데이터베이스(140)를 포함한다.
검색 조건 설정 모듈(110)은 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 사용자와 관련된 사용자 속성 데이터, 및 사용자가 소속된 기업의 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정할 수 있다.
도 2는 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템을 구성하는 검색 조건 설정 모듈의 구성도이다.
도 1 및 도 2를 참조하면, 검색 조건 설정 모듈(110)은 사용자 질의 입력부(112), 사용자 속성 추출부(114), 기업 속성 추출부(116) 및 검색 조건 설정부(118)를 포함할 수 있다.
사용자 질의 입력부(112)는 관심 기업의 검색을 위해 사용자가 사용자 단말기(10)를 이용하여 입력한 질의 키워드를 입력받도록 구성될 수 있다.
사용자 단말기(10)는 사용자가 운용 또는 사용하는 단말기로서, 기업의 업무용 단말기, 또는 사용자의 휴대 단말기 등을 포함할 수 있다.
사용자 단말기(10)는 기업 검색 시스템과 유/무선 통신 인터페이스를 통해 통신할 수 있다.
사용자 단말기(10)는 예를 들어, 스마트폰, 스마트패드, 데스크탑 PC, 노트북, 랩탑 PC 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
사용자 단말기(10)는 관심 기업의 검색을 위한 질의 키워드 입력을 위한 입력 인터페이스(예를 들어, 키보드, 마우스, 터치패드 등)를 구비할 수 있다.
또한, 사용자 단말기(10)는 관심 기업의 검색 결과를 표시 화면 상에 표시하는 표시부를 구비할 수 있다.
사용자 속성 추출부(114)는 데이터베이스(140)로부터 사용자(예를 들어, 기업별 담당자)와 관련된 사용자 속성 데이터를 추출할 수 있다. 실시예에서, 사용자 속성 데이터는 소속 기업명, 직무, 직위, 업종 등과 같은 사용자의 프로필, 관심(선호) 기업 카테고리 등의 사용자 속성 정보를 포함할 수 있다.
데이터베이스(140)는 기업의 각 사용자 별로 소속 기업명, 직무, 직위, 업종 등과 같은 사용자의 프로필, 관심(선호) 기업 카테고리 등의 사용자 속성 정보를 저장할 수 있다. 사용자 속성 정보는 사용자가 사용자 단말기(10)를 이용하여 입력한 정보일 수 있다.
기업 속성 추출부(116)는 데이터베이스(140)로부터 기업 속성 데이터를 추출할 수 있다. 기업 속성 데이터는 사용자가 소속된 기업의 기업 속성 데이터로서, 예를 들어, 산업군, 지역, 기업 규모, 직원수 등을 포함할 수 있다.
데이터베이스(140)는 사용자 속성 정보 뿐 아니라, 사용자들이 각각 소속된 기업 별로 해당 기업의 산업군, 지역, 기업 규모, 직원수 등의 기업 속성 정보를 저장할 수 있다.
검색 조건 설정부(118)는 사용자가 입력한 질의 키워드, 데이터베이스(140)로부터 추출된 사용자 속성 데이터 및 기업 속성 데이터로부터 검색 조건을 설정할 수 있다.
검색 조건 설정 모듈(110)은 사용자 속성 데이터와 기업 속성 데이터 간의 충돌시, 설정되거나 피드백 행동 패턴에 따라 보정된 가중치에 따라 충돌되는 사용자 속성 데이터와 기업 속성 데이터 중의 어느 하나를 선택할 수 있다.
일 예로, 사용자 속성 데이터와 기업 속성 데이터 간의 충돌시, 기업 속성 데이터를 선택하거나, 사용자의 피드백 행동 패턴에 부합하는 속성 데이터를 선택할 수 있다.
검색 모듈(120)은 검색 조건 설정부(118)에 의해 설정된 검색 조건과 대응되는 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 관심 기업을 검색하고, 관심 기업에 관한 검색 결과를 출력할 수 있다.
검색 모듈(120)은 예를 들어, 코사인 유사도(cosine similarity) 등에 의해 검색 벡터와 기업 속성 벡터 간의 유사도를 산출하여 유사도가 높은 순으로 검색 결과를 제공할 수 있다.
검색 질의 보정 모듈(130)은 검색 모듈(120)에 의해 출력되어 사용자 단말기(10)에 표시되는 검색 결과에 대한 사용자의 피드백에 따라 검색 조건을 보정하여 최종 검색 질의 벡터를 생성할 수 있다.
도 3은 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템을 구성하는 검색 질의 보정 모듈의 구성도이다.
도 1 및 도 3을 참조하면, 검색 질의 보정 모듈(130)은 사용자 행동패턴 수집 모듈(132)과, 질의 벡터 보정 모듈(134)을 포함할 수 있다.
사용자 행동패턴 수집 모듈(132)은 검색 모듈(120)에 의해 출력되어 사용자 단말기(10)에 표시되는 검색 결과에 대한 사용자의 피드백 행동 패턴을 수집할 수 있다.
피드백 행동 패턴은 사용자가 검색 결과에 머무르는 체류 시간, 검색 결과 내에 연결된 링크 클릭, 검색 결과에 대한 즐겨찾기 추가, 검색 결과에서의 스크롤 이동, 검색 결과에 대한 사용자의 만족도 평가 등을 포함할 수 있다.
질의 벡터 보정 모듈(134)은 사용자 행동패턴 수집 모듈(132)에서 수집한 사용자의 피드백 행동 패턴에 따라 가중치를 적용하여 검색 조건을 보정하여 최종 검색 질의 벡터를 생성할 수 있다.
질의 벡터 보정 모듈(134)은 피드백 행동 패턴을 재귀적 인공신경망(RNN; Recurrent Neural Network) 모델로 학습하여 가중치를 결정하고, 가중치를 적용하여 검색 조건을 보정하여 최종 검색 질의 벡터를 생성할 수 있다.
수집된 결과는 사용자의 피드백(긍정, 부정) 결과와 함께 RNN 학습 모델을 통해 학습될 수 있다.
이에 따라 사용자의 행동패턴에 따라 학습된 데이터를 기반으로 향후 사용자가 피드백을 거부한 경우에도, 피드백을 하지 않은 사용자의 행동에 대해서도 RNN 학습 모델에 의해 긍정 및 부정 피드백에 대한 예측(만족, 불만족의 확률을 예측)을 할 수 있으며, 피드백에 관한 예측 결과를 기반으로 사용자의 검색 질의 벡터 조절 시에 가중치로 적용하여 거래처 등의 추천 기업 정보를 제공할 수 있다.
사용자 단말기(10)에는 사용자가 검색한 질의에 부합하는 유사 기업들이 유사도가 높은 순으로 우선 순위에 따라 순차적으로 리스트 형태로 표시될 수 있으며, 리스트에 각 기업의 유사율이 표시될 수 있다.
종래의 검색 방법은 정해진 질의 키워드에 의해서만 결과가 도출되나, 본 발명의 실시예에 의하면, 사용자가 가지고 있는 기본적인 특성, 그리고 사용자와 연결된 기업의 속성을 질의 보정 데이터로 활용하여 검색을 함으로써 보다 효과적인 검색 결과를 도출할 수 있다.
사용자가 거래처를 검색하기 위해 설정하는 조건을 기반으로 1차 검색 결과 페이지가 사용자 단말기(10)의 화면에 표시된 상태에서, 사용자 단말기(10)의 화면에 리스트된 기업 중 사용자가 특정 기업들에 대해 선택(클릭)하여 해당 기업 정보를 확인한 경우, 검색 질의 보정 모듈(130)은 사용자가 클릭한 기업들의 공통 속성을 추출하여 사용자 선호 속성 벡터를 생성할 수 있다.
또한, 검색 질의 보정 모듈(130)은 해당 속성을 만족하는 기업들이 초기 검색 결과보다 많이 사용자 단말기(10)에 노출될 수 있도록 사용자가 기본 설정한 값을 자동으로 보정하여, 사용자 선호 속성 벡터와 기업 속성 벡터 간의 유사도에 따라 사용자에게 추천되는 검색 결과를 보정하여 사용자 단말기(10)의 화면으로 제공할 수 있다.
본 발명의 실시예에 의하면, 사용자의 피드백 데이터를 RNN 모델을 통해 예측하여 피드백이 없는 사용자의 피드백도 예측할 수 있으며, 입력받을 수 있는 키워드가 제한적인 검색에서도 다양한 결과가 나오도록 적용 가능하다.
본 발명의 실시예는 기업이 고객에게 가치를 제공함에 있어서 부가가치 창출에 직·간접적으로 관련된 일련의 활동·기능·프로세스의 연계를 의미하는 가치 사슬(Value Chain)의 역할을 이행할 만한 거래처를 순차적으로 발굴하는데 효과적으로 활용될 수 있다.
또한, 본 발명의 실시예에 의하면, 사용자의 행동 속성 데이터를 분석하여 사용자 설정 조건에 근사한 기업을 자동으로 표시해줄 수 있으며, 사용자 행동패턴을 통해 산업 군별로 B2B 거래 시 가장 중요하게 여기는 조건에 대한 정보 수집이 가능하다.
도 4는 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법의 순서도이다.
도 1, 도 2 및 도 4를 참조하면, 검색 조건 설정 모듈(110)은 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 사용자와 관련된 사용자 속성 데이터, 및 사용자가 소속된 기업의 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정할 수 있다(S110).
보다 구체적으로, 사용자 질의 입력부(112)는 관심 기업의 검색을 위해 사용자가 사용자 단말기(10)를 이용하여 입력한 질의 키워드를 입력받을 수 있다.
사용자 속성 추출부(114)는 데이터베이스(140)로부터 사용자와 관련된 사용자 속성 데이터(예를 들어, 소속 기업명, 직무, 직위, 업종 등)를 추출할 수 있다.
기업 속성 추출부(116)는 데이터베이스(140)로부터 사용자가 소속된 기업과 관련된 기업 속성 데이터(예를 들어, 산업군, 지역, 기업 규모, 직원수 등)를 추출할 수 있다.
검색 조건 설정부(118)는 사용자가 입력한 질의 키워드, 데이터베이스(140)로부터 추출된 사용자 속성 데이터 및 기업 속성 데이터로부터 검색 조건을 설정할 수 있다.
검색 조건 설정 모듈(110)은 사용자 속성 데이터와 기업 속성 데이터 간의 충돌시, 설정되거나 피드백 행동 패턴에 따라 보정된 가중치에 따라 충돌되는 사용자 속성 데이터와 기업 속성 데이터 중의 어느 하나를 선택할 수 있다.
검색 모듈(120)은 검색 조건 설정부(118)에 의해 설정된 검색 조건과 대응되는 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 관심 기업을 검색하고, 관심 기업에 관한 검색 결과를 출력할 수 있다(S120).
검색 모듈(120)은 예를 들어, 코사인 유사도(cosine similarity) 등에 의해 검색 벡터와 기업 속성 벡터 간의 유사도를 산출하여 유사도가 높은 순으로 검색 결과를 제공할 수 있다.
검색 질의 보정 모듈(130)은 검색 모듈(120)에 의해 출력되어 사용자 단말기(10)에 표시되는 검색 결과에 대한 사용자의 피드백에 따라 검색 조건을 보정하여 최종 검색 질의 벡터를 생성할 수 있다(S130).
도 5는 도 4의 단계 S130의 순서도이다. 도 6 및 도 7은 본 발명의 실시예에 따른 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법을 설명하기 위한 개념도이다.
도 1, 도 3 내지 도 7을 참조하면, 사용자 행동패턴 수집 모듈(132)은 검색 모듈(120)에 의해 출력되어 사용자 단말기(10)에 표시되는 검색 결과에 대한 사용자의 피드백 행동 패턴을 수집할 수 있다(S132).
피드백 행동 패턴은 사용자가 검색 결과에 머무르는 체류 시간, 검색 결과 내에 연결된 링크 클릭, 검색 결과에 대한 즐겨찾기 추가, 검색 결과에서의 스크롤 이동, 검색 결과에 대한 사용자의 만족도 평가 등을 포함할 수 있다.
질의 벡터 보정 모듈(134)은 사용자 행동패턴 수집 모듈(132)에서 수집한 사용자의 피드백 행동 패턴에 따라 가중치를 적용하여 검색 조건을 보정하여 최종 검색 질의 벡터를 생성할 수 있다(S134).
질의 벡터 보정 모듈(134)은 피드백 행동 패턴을 재귀적 인공신경망(RNN; Reccurent Neural Network) 모델로 학습하여 가중치를 결정하고, 가중치를 적용하여 검색 조건을 보정하여 최종 검색 질의 벡터를 생성할 수 있다.
수집된 결과는 사용자의 피드백(긍정, 부정) 결과와 함께 RNN 학습 모델을 통해 학습될 수 있다. 이에 따라 학습된 데이터를 기반으로 향후 사용자가 피드백을 거부한 경우에도, 피드백을 하지 않은 사용자의 행동에 대해서도 RNN 학습 모델에 의해 긍정 및 부정 피드백에 대한 예측(각 만족, 불만족의 확률을 예측)을 할 수 있으며, 이 피드백에 관한 예측 결과를 기반으로 사용자의 검색 질의 벡터 조절 시에 가중치로 적용할 수 있다.
종래의 검색 방법은 정해진 질의 키워드에 의해서만 결과가 도출되나, 본 발명의 실시예에 의하면, 사용자가 가지고 있는 기본적인 특성, 그리고 사용자와 연결된 기업의 속성을 질의 보정 데이터로 활용하여 검색을 함으로써 보다 효과적인 검색 결과를 도출할 수 있다.
또한, 본 발명의 실시예에 의하면, 사용자의 피드백 데이터를 RNN 모델을 통해 예측하여 피드백이 없는 사용자의 피드백도 예측할 수 있으며, 입력받을 수 있는 키워드가 제한적인 검색에서도 다양한 결과가 나오도록 적용 가능하다.
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.
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.
예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor) 와 같은, 다른 처리 구성(Processing configuration)도 가능하다. 소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.
소프트웨어 및/ 또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 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.
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.
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.
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.
10: 사용자 단말기
100: 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템
110: 검색 조건 설정 모듈
112: 사용자 질의 입력부
114: 사용자 속성 추출부
116: 기업 속성 추출부
118: 검색 조건 설정부
120: 검색 모듈
130: 검색 질의 보정 모듈
132: 사용자 행동패턴 수집 모듈
134: 질의 벡터 보정 모듈
140: 데이터베이스

Claims (10)

  1. 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 상기 사용자와 관련된 사용자 속성 데이터, 및 상기 사용자가 소속된 기업의 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정하도록 구성되는 검색 조건 설정 모듈;
    상기 검색 조건과 대응되는 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 상기 관심 기업을 검색하고, 상기 관심 기업에 관한 검색 결과를 출력하도록 구성되는 검색 모듈; 및
    상기 검색 결과에 대한 사용자의 피드백에 따라 상기 검색 조건을 보정하여 최종 검색 질의 벡터를 생성하도록 구성되는 검색 질의 보정 모듈;을 포함하는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템.
  2. 제1항에 있어서,
    상기 검색 질의 보정 모듈은:
    상기 검색 결과에 대한 상기 사용자의 피드백 행동 패턴을 수집하도록 구성되는 사용자 행동 패턴 수집 모듈; 및
    상기 피드백 행동 패턴에 따라 가중치를 적용하여 상기 검색 조건을 보정하여 상기 최종 검색 질의 벡터를 생성하도록 구성되는 질의 벡터 보정 모듈;을 포함하는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템.
  3. 제1항에 있어서,
    상기 피드백 행동 패턴은 상기 사용자가 상기 검색 결과에 머무르는 체류 시간, 상기 검색 결과 내에 연결된 링크 클릭, 상기 검색 결과에 대한 즐겨찾기 추가, 상기 검색 결과에서의 스크롤 이동, 상기 검색 결과에 대한 상기 사용자의 만족도 평가를 포함하고,
    상기 질의 벡터 보정 모듈은 상기 피드백 행동 패턴을 재귀적 인공신경망 모델로 학습하여 상기 가중치를 결정하고, 상기 가중치를 적용하여 상기 검색 조건을 보정하여 상기 최종 검색 질의 벡터를 생성하도록 구성되는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템.
  4. 제1항에 있어서,
    상기 검색 조건 설정 모듈은 상기 사용자 속성 데이터와 상기 기업 속성 데이터 간의 충돌시, 설정되거나 상기 피드백 행동 패턴에 따라 보정된 가중치에 따라 충돌되는 사용자 속성 데이터와 기업 속성 데이터 중의 어느 하나를 선택하도록 구성되는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템.
  5. 제4항에 있어서,
    상기 사용자 속성 데이터는 소속 기업명, 직무, 직위 및 업종을 포함하고, 상기 기업 속성 데이터는 산업군, 지역, 기업 규모 및 직원수를 포함하는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템.
  6. 검색 조건 설정 모듈에 의해, 관심 기업의 검색을 위해 사용자가 입력한 질의 키워드, 상기 사용자와 관련된 사용자 속성 데이터, 및 상기 사용자가 소속된 기업의 기업 속성 데이터에서 키워드를 추출하여 검색 조건을 설정하는 단계;
    검색 모듈에 의해, 상기 검색 조건과 대응되는 검색 벡터와 기업 속성 벡터 간의 유사도를 기반으로 상기 관심 기업을 검색하고, 상기 관심 기업에 관한 검색 결과를 출력하는 단계; 및
    검색 질의 보정 모듈에 의해, 상기 검색 결과에 대한 사용자의 피드백에 따라 상기 검색 조건을 보정하여 최종 검색 질의 벡터를 생성하는 단계;를 포함하는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법.
  7. 제6항에 있어서,
    상기 최종 검색 질의 벡터를 생성하는 단계는:
    사용자 행동 패턴 수집 모듈에 의해, 상기 검색 결과에 대한 상기 사용자의 피드백 행동 패턴을 수집하는 단계; 및
    질의 벡터 보정 모듈에 의해, 상기 피드백 행동 패턴에 따라 가중치를 적용하여 상기 검색 조건을 보정하는 단계;를 포함하는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법.
  8. 제6항에 있어서,
    상기 피드백 행동 패턴은 상기 사용자가 상기 검색 결과에 머무르는 체류 시간, 상기 검색 결과 내에 연결된 링크 클릭, 상기 검색 결과에 대한 즐겨찾기 추가, 상기 검색 결과에서의 스크롤 이동, 상기 검색 결과에 대한 상기 사용자의 만족도 평가를 포함하고,
    상기 검색 조건을 보정하는 단계는 상기 피드백 행동 패턴을 재귀적 인공신경망 모델로 학습하여 상기 가중치를 결정하고, 상기 가중치를 적용하여 상기 검색 조건을 보정하는 단계를 포함하는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법.
  9. 제6항에 있어서,
    상기 검색 조건을 설정하는 단계는 상기 사용자 속성 데이터와 상기 기업 속성 데이터 간의 충돌시, 설정되거나 상기 피드백 행동 패턴에 따라 보정된 가중치에 따라 충돌되는 사용자 속성 데이터와 기업 속성 데이터 중의 어느 하나를 선택하는 단계를 포함하고,
    상기 사용자 속성 데이터는 소속 기업명, 직무, 직위 및 업종을 포함하고, 상기 기업 속성 데이터는 산업군, 지역, 기업 규모 및 직원수를 포함하는, 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법.
  10. 제6항 내지 제9항 중 어느 한 항의 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020200173464A 2020-12-11 2020-12-11 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법 KR102549006B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200173464A KR102549006B1 (ko) 2020-12-11 2020-12-11 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200173464A KR102549006B1 (ko) 2020-12-11 2020-12-11 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220083324A true KR20220083324A (ko) 2022-06-20
KR102549006B1 KR102549006B1 (ko) 2023-06-27

Family

ID=82257621

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200173464A KR102549006B1 (ko) 2020-12-11 2020-12-11 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102549006B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010055173A (ja) * 2008-08-26 2010-03-11 Ricoh Co Ltd 情報検索システム、情報検索方法、プログラムおよび記録媒体
KR20120039397A (ko) * 2010-10-15 2012-04-25 나이스신용평가정보주식회사 기업정보 제공시스템 및 이를 이용한 기업정보 제공방법
KR101458234B1 (ko) * 2007-01-10 2014-11-04 마이크로소프트 코포레이션 기업 검색 시스템과 커스텀 액세스 제어 애플리케이션 프로그래밍 인터페이스의 통합
KR20190092773A (ko) * 2018-01-31 2019-08-08 (주)사람인에이치알 검색 결과 및 이의 필터링을 위한 그래픽 유저 인터페이스 표시 방법
KR20200065736A (ko) * 2018-11-30 2020-06-09 주식회사 딥서치 관심 토픽에 대한 투자 대상 기업을 결정하는 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101458234B1 (ko) * 2007-01-10 2014-11-04 마이크로소프트 코포레이션 기업 검색 시스템과 커스텀 액세스 제어 애플리케이션 프로그래밍 인터페이스의 통합
JP2010055173A (ja) * 2008-08-26 2010-03-11 Ricoh Co Ltd 情報検索システム、情報検索方法、プログラムおよび記録媒体
KR20120039397A (ko) * 2010-10-15 2012-04-25 나이스신용평가정보주식회사 기업정보 제공시스템 및 이를 이용한 기업정보 제공방법
KR20190092773A (ko) * 2018-01-31 2019-08-08 (주)사람인에이치알 검색 결과 및 이의 필터링을 위한 그래픽 유저 인터페이스 표시 방법
KR20200065736A (ko) * 2018-11-30 2020-06-09 주식회사 딥서치 관심 토픽에 대한 투자 대상 기업을 결정하는 방법 및 그 장치

Also Published As

Publication number Publication date
KR102549006B1 (ko) 2023-06-27

Similar Documents

Publication Publication Date Title
He et al. Diversified third-party library prediction for mobile app development
US6954758B1 (en) Building predictive models within interactive business analysis processes
US10769721B2 (en) Intelligent product requirement configurator
CN110309119B (zh) 用于实现数据上传、处理和预测查询api公开的系统、方法和装置
US11809966B2 (en) Computer model machine learning based on correlations of training data with performance trends
Xia et al. An effective change recommendation approach for supplementary bug fixes
CN115964027B (zh) 基于人工智能的桌面嵌入式rpa流程配置系统及方法
Pan et al. Collaborative recommendation with multiclass preference context
TW201938993A (zh) 操作路徑導航的方法及裝置
Azizi et al. Retest: A cost effective test case selection technique for modern software development
Liu et al. Collaborative prediction for multi-entity interaction with hierarchical representation
US11842299B2 (en) System and method using deep learning machine vision to conduct product positioning analyses
Mirylenka et al. On classifier behavior in the presence of mislabeling noise
Mazaheri et al. A recommender system for scientific datasets and analysis pipelines
KR102549006B1 (ko) 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법
Shyr et al. Automated data analysis
JP7463560B2 (ja) 自動機械学習：統合され、カスタマイズ可能、及び拡張可能なシステム
KR101784106B1 (ko) 지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법
Caiuta et al. Meta-learning based selection of software reliability models
CN114897290A (zh) 业务流程的演化识别方法、装置、终端设备以及存储介质
Priyanga et al. Mobile app usage pattern prediction using hierarchical flexi-ensemble clustering (HFEC) for mobile service rating
KR102553576B1 (ko) 그룹웨어에 특화된 누적특성 데이터 기반 질의 보정 기술이 적용된 챗봇 시스템 및 이에 의한 검색 방법
Zhu et al. CPL: A combined framework of pointwise prediction and learning to rank for top-n recommendations with implicit feedback
CN113849745A (zh) 一种对象推荐方法、装置、设备及存储介质
Champiri et al. A contextual Bayesian user experience model for scholarly recommender systems

Legal Events

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