KR20220122424A - Method and apparatus for predicting demand for new events by measuring similarity between events - Google Patents

Method and apparatus for predicting demand for new events by measuring similarity between events Download PDF

Info

Publication number
KR20220122424A
KR20220122424A KR1020210045186A KR20210045186A KR20220122424A KR 20220122424 A KR20220122424 A KR 20220122424A KR 1020210045186 A KR1020210045186 A KR 1020210045186A KR 20210045186 A KR20210045186 A KR 20210045186A KR 20220122424 A KR20220122424 A KR 20220122424A
Authority
KR
South Korea
Prior art keywords
metadata
events
event
demand
information
Prior art date
Application number
KR1020210045186A
Other languages
Korean (ko)
Other versions
KR102443041B1 (en
Inventor
진겸
김진원
Original Assignee
주식회사 페스타
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 페스타 filed Critical 주식회사 페스타
Publication of KR20220122424A publication Critical patent/KR20220122424A/en
Application granted granted Critical
Publication of KR102443041B1 publication Critical patent/KR102443041B1/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
    • G06F16/164—File meta data generation
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

A method and apparatus for predicting demand for a new event through similarity measurement between events are disclosed. A method for predicting demand for a new event through similarity measurement between events according to an embodiment of the present invention may include the steps of: obtaining information on first events that have occurred in advance, extracting first metadata, and storing the first metadata in a database; obtaining information of a second event input from a user; extracting second metadata from the obtained information by using natural language processing; obtaining third metadata corresponding to a third event having a high similarity to an event input from the user among the first events; predicting demand for the event input from the user by using the obtained third metadata; and providing information including the predicted demand to the user.

Description

이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법 및 장치 {METHOD AND APPARATUS FOR PREDICTING DEMAND FOR NEW EVENTS BY MEASURING SIMILARITY BETWEEN EVENTS}Method and Apparatus for Demand Prediction of New Events by Measuring Similarity Between Events

본 발명은 이벤트간 유사성 측정을 통해 새로운 이벤트의 수요를 예측하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for predicting a demand for a new event by measuring the similarity between events.

이하에 기술되는 내용은 단순히 본 발명에 따른 일 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described below merely provides background information related to an embodiment according to the present invention and does not constitute the prior art.

기존에는 사람들이 관심 있을 이벤트, 컨퍼런스, 세미나의 주제를 선정하기 위해서 대상자에게 설문형 수요조사를 요청하는 방법을 사용해왔다. 수요조사 방법으로는 게시판을 통한 의견 수렴이나 투표, 지인에게 물어보는 방법 등으로 진행했다.In the past, in order to select a topic for an event, conference, or seminar that people would be interested in, the method of requesting a survey-type demand survey from the subjects has been used. The demand survey method was conducted by collecting opinions through bulletin boards, voting, and asking acquaintances.

위와 같은 방법으로는 사람들이 얼마나 참여하느냐에 따라 설문 결과가 실제 표본과 다른 지표를 나타낼 수 있다. 그래서 오차를 줄이기 위해서는 굉장히 많은 사람들이 참여가 필요하다. 그리고 설문 조사가 마무리 되고, 결과를 얻을 때까지 시간이 오래 걸리는 단점이 있다. 또한 직접 설문조사를 만들어야 하며, 그에 따른 시간이 오래 걸리고, 효과적인 설문을 위해 공고문을 제작하고 홍보를 해야 하는 등 효율이 떨어지고 비용이 많이 발생하는 문제점이 존재한다.In the above method, depending on how many people participate, the survey results may represent different indicators from the actual sample. So, in order to reduce the error, a lot of people are required to participate. And there is a disadvantage that it takes a long time until the survey is completed and the results are obtained. In addition, there are problems in that efficiency is low and cost is high, such as having to create a survey by yourself, it takes a long time, and it is necessary to produce and publicize an announcement for an effective survey.

본 발명은 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요를 예측하는 것을 목적으로 한다.An object of the present invention is to predict the demand for a new event by measuring the similarity between events.

또한, 본 발명은 kNN 알고리즘을 이용하여 새로운 이벤트와 과거 진행된 이벤트의 유사도를 산출하고, 유사도가 높은 과거 진행된 이벤트의 정보를 토대로 이벤트의 수요를 예측하는 것을 목적으로 한다.In addition, an object of the present invention is to calculate a similarity between a new event and a past event using the kNN algorithm, and predict the demand for an event based on information on a past event with a high similarity.

또한, 본 발명은 예측된 수요를 증가시킬 수 있는 추천 정보를 제공하는 것을 목적으로 한다.Another object of the present invention is to provide recommendation information that can increase predicted demand.

또한, 본 발명은 이벤트 제작자가 설문 조사 없이 수요를 예측하는 것을 목적으로 한다.In addition, the present invention aims at an event producer to predict demand without a survey.

또한, 본 발명은 기존의 설문과 다르게 결과를 빠르게 도출하고, 과거의 데이터를 통해 합리적인 수요 예측을 하는 것을 목적으로 한다.In addition, an object of the present invention is to quickly derive a result differently from a conventional questionnaire, and to make a reasonable demand prediction through past data.

이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법 및 장치가 개시된다. 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 사전에 진행된 제1 이벤트들에 대한 정보를 획득하고, 제1 메타데이터를 추출하고 데이터베이스에 저장하는 단계, 사용자로부터 입력 받은 제2 이벤트의 정보를 획득하는 단계, 상기 획득된 정보로부터 자연어 처리를 이용하여 제2 메타데이터를 추출하는 단계, 상기 제1 이벤트들 중 상기 사용자로부터 입력 받은 이벤트와의 유사도가 높은 제3 이벤트에 대응하는 제3 메타데이터를 획득하는 단계, 상기 획득된 제3 메타데이터를 이용하여 상기 사용자로부터 입력 받은 이벤트의 수요를 예측하는 단계 및 상기 예측된 수요를 포함하는 정보를 상기 사용자에게 제공하는 단계를 포함할 수 있다.Disclosed are a method and apparatus for predicting demand for new events through similarity measurement between events. According to an embodiment of the present invention, a method for predicting demand for a new event through similarity measurement between events includes obtaining information on first events that have been conducted in advance, extracting first metadata and storing it in a database, from a user obtaining information on the received second event; extracting second metadata from the obtained information using natural language processing; Obtaining third metadata corresponding to the event, predicting the demand for the event received from the user by using the obtained third metadata, and providing information including the predicted demand to the user may include steps.

상기 제2 메타데이터를 추출하는 단계는 상기 획득된 정보에 포함된 이벤트 내용에 대해 형태소 분석을 통해 단어를 추출하는 단계, 기 설정된 분류 기준에 기초하여, 상기 추출된 단어를 적어도 하나의 분류 항목으로 분류하는 단계 및 상기 사용자에 의해 분류 항목이 선택된 순서에 기초하여 상기 추출된 단어에 점수를 부여하는 단계를 포함하고, 상기 점수를 부여하는 단계는 상기 사용자에 의해 선택된 순서대로 제1 점수, 상기 제1 점수보다 낮은 제2 점수, 상기 제2 점수보다 낮은 제3 점수를 부여하고, 상기 사용자에 의해 선택되지 않은 분류 항목에 대해서는 점수를 부여할 수 있다.The step of extracting the second metadata may include extracting a word through morphological analysis of the event content included in the obtained information, and converting the extracted word into at least one classification item based on a preset classification criterion. classifying and assigning a score to the extracted words based on an order in which classification items are selected by the user, wherein the assigning a score includes a first score, a first score, and the second score in an order selected by the user. A second score lower than the first score and a third score lower than the second score may be given, and a score may be given to a classification item not selected by the user.

상기 제3 메타데이터를 추출하는 단계는 상기 데이터베이스로부터 기 저장된 상기 제1 메타데이터를 획득하는 단계, 가상 공간에 상기 제2 메타데이터를 매핑하는 단계, 상기 가상 공간에 상기 획득된 제1 메타데이터를 매핑하는 단계 및 k-최근접 이웃 알고리즘(k-nearest neighbors) 알고리즘에 기초하여, 상기 제2 메타데이터로부터 유사도가 높은 순서대로 k개의 메타데이터를 상기 제3 메타데이터로서 기 설정된 이벤트 수만큼 추출하는 단계를 포함할 수 있다.The extracting of the third metadata may include: obtaining the pre-stored first metadata from the database; mapping the second metadata to a virtual space; and adding the obtained first metadata to the virtual space. Based on the mapping step and k-nearest neighbors algorithm, extracting k metadata from the second metadata in an order of high similarity as the third metadata by a preset number of events may include steps.

상기 획득된 제1 메타데이터를 매핑하는 단계는 상기 획득된 제1 메타데이터 중 상기 사용자가 선택한 분류 항목 중 적어도 하나를 포함하는 제4 이벤트에 대응하는 제4 메타데이터를 추출하는 단계, 상기 제4 메타데이터 각각에 상기 사용자의 분류 항목 선택 순서에 따른 점수를 부여하는 단계 및 상기 부여된 점수의 합이 클수록 상기 제2 이벤트로부터의 거리가 가까워지도록 상기 제4 메타데이터를 매핑하는 단계를 포함할 수 있다.The mapping of the obtained first metadata may include extracting fourth metadata corresponding to a fourth event including at least one of the classification items selected by the user from among the obtained first metadata; Giving each metadata a score according to the user's selection order of classification items, and mapping the fourth metadata so that the distance from the second event becomes closer as the sum of the given scores increases have.

상기 제1 메타데이터를 추출하고 데이터베이스에 저장하는 단계는 상기 제1 이벤트들에 대한 이벤트 정보를 획득하는 단계, 상기 획득된 이벤트 정보로부터 자연어 처리를 이용하여 제1 메타데이터를 추출하는 단계 및 상기 제1 메타데이터를 데이터베이스에 저장하는 단계를 포함할 수 있다.The step of extracting and storing the first metadata in a database includes obtaining event information on the first events, extracting the first metadata from the obtained event information using natural language processing, and the second 1 may include storing the metadata in a database.

상기 제1 이벤트들에 대한 이벤트 정보는 제목, 내용, 진행 시간대, 사용자의 클릭패턴, 조회수, 티켓 판매율, 및 티켓 가격 중 적어도 하나를 포함할 수 있다.The event information for the first events may include at least one of a title, content, progress time, user's click pattern, number of views, ticket sales rate, and ticket price.

상기 이벤트의 수요를 예측하는 단계 후 상기 예측된 수요가 증가할 수 있는 추천 정보를 생성하는 단계를 더 포함하고, 상기 정보를 제공하는 단계는 상기 추천 정보를 더 포함하는 정보를 제공하는 단계를 더 포함할 수 있다.After predicting the demand for the event, the method further includes generating recommendation information that can increase the predicted demand, and providing the information further includes providing information further including the recommendation information. may include

상기 추천 정보를 생성하는 단계는 상기 제1 이벤트들 중 판매율이 가장 높은 제5 이벤트에 대응하는 제5 메타데이터 및 상기 제2 메타데이터의 항목별 유사도를 산출하는 단계 및 상기 항목별 유사도가 낮은 순서대로 항목별 추천 정보를 생성하는 단계를 포함할 수 있다.The generating of the recommendation information may include calculating a similarity for each item of fifth metadata and the second metadata corresponding to a fifth event having the highest sales rate among the first events, and an order of decreasing the similarity for each item. As such, it may include the step of generating recommended information for each item.

상기 추천 정보는 티켓 가격, 이벤트 진행 시간대, 이벤트 내용, 및 태그 중 적어도 하나를 포함하는 항목에 대하여 상기 항목별 유사도를 높일 수 있는 정보를 포함할 수 있다.The recommendation information may include information capable of increasing the similarity for each item with respect to an item including at least one of a ticket price, an event progress time, event content, and a tag.

또한, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 장치는 적어도 하나의 프로그램이 기록된 메모리 및 상기 프로그램을 실행하는 프로세서를 포함하고, 상기 프로그램은 사전에 진행된 제1 이벤트들에 대한 정보를 획득하고, 제1 메타데이터를 추출하고 데이터베이스에 저장하는 단계, 사용자로부터 입력 받은 제2 이벤트의 정보를 획득하는 단계, 상기 획득된 정보로부터 자연어 처리를 이용하여 제2 메타데이터를 추출하는 단계, 상기 제1 이벤트들 중 상기 사용자로부터 입력 받은 이벤트와의 유사도가 높은 제3 이벤트에 대응하는 제3 메타데이터를 획득하는 단계, 상기 획득된 제3 메타데이터를 이용하여 상기 사용자로부터 입력 받은 이벤트의 수요를 예측하는 단계 및 상기 예측된 수요를 포함하는 정보를 상기 사용자에게 제공하는 단계를 수행하기 위한 명령어들을 포함할 수 있다.In addition, the apparatus for predicting the demand for a new event by measuring the similarity between events according to an embodiment of the present invention includes a memory in which at least one program is recorded and a processor executing the program, wherein the program is a first obtaining information on events, extracting first metadata and storing it in a database; obtaining information on a second event received from a user; and using natural language processing from the obtained information to obtain second metadata extracting , obtaining third metadata corresponding to a third event having a high similarity with an event input from the user among the first events, and using the obtained third metadata from the user It may include instructions for performing the steps of predicting the demand of the received event and providing information including the predicted demand to the user.

본 발명에 따르면 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요를 예측할 수 있다.According to the present invention, the demand for a new event can be predicted by measuring the similarity between events.

또한, 본 발명에 따르면 kNN 알고리즘을 이용하여 새로운 이벤트와 과거 진행된 이벤트의 유사도를 산출하고, 유사도가 높은 과거 진행된 이벤트의 정보를 토대로 이벤트의 수요를 예측할 수 있다.In addition, according to the present invention, it is possible to calculate the similarity between a new event and a past event using the kNN algorithm, and predict the demand for an event based on information on a past event with a high similarity.

또한, 본 발명에 따르면 예측된 수요를 증가시킬 수 있는 추천 정보를 제공할 수 있다.In addition, according to the present invention, it is possible to provide recommendation information that can increase the predicted demand.

또한, 본 발명에 따르면 이벤트 제작자가 설문 조사 없이 수요를 예측할 수 있다.In addition, according to the present invention, event producers can predict demand without a survey.

또한, 본 발명에 따르면 기존의 설문과 다르게 결과를 빠르게 도출할 수 있고, 과거의 데이터를 통해 합리적인 수요 예측을 할 수 있다.In addition, according to the present invention, results can be quickly derived differently from the existing questionnaire, and a reasonable demand forecast can be made based on past data.

도 1은 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측을 위한 주체들을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.
도 3은 본 발명의 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.
도 4는 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.
도 5는 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.
도 6은 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.
도 7은 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.
도 8은 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.1 is a block diagram illustrating subjects for demand prediction of a new event through similarity measurement between events according to an embodiment of the present invention.
2 is an operation flowchart illustrating a method for predicting a demand for a new event by measuring the similarity between events according to an embodiment of the present invention.
3 is an operation flowchart illustrating a method for predicting a demand for a new event through similarity measurement between events according to another embodiment of the present invention.
4 is an operation flowchart illustrating a method of predicting a demand for a new event by measuring the similarity between events according to another embodiment of the present invention.
5 is an operation flowchart illustrating a method for predicting a demand for a new event by measuring the similarity between events according to another embodiment of the present invention.
6 is an operation flowchart illustrating a method for predicting a demand for a new event through similarity measurement between events according to another embodiment of the present invention.
7 is an operation flowchart illustrating a method for predicting a demand for a new event by measuring the similarity between events according to another embodiment of the present invention.
8 is an operation flowchart illustrating a method of predicting a demand for a new event by measuring the similarity between events according to another embodiment of the present invention.
9 is a diagram illustrating a computer system according to an embodiment of the present invention.

본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.The present invention will be described in detail with reference to the accompanying drawings as follows. Here, repeated descriptions, well-known functions that may unnecessarily obscure the gist of the present invention, and detailed descriptions of configurations will be omitted. The embodiments of the present invention are provided in order to more completely explain the present invention to those of ordinary skill in the art. Accordingly, the shapes and sizes of elements in the drawings may be exaggerated for clearer description.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측을 위한 주체들을 나타낸 블록도이다.1 is a block diagram illustrating subjects for demand prediction of a new event through similarity measurement between events according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측을 위한 주체들은 수요 예측 장치(110), 데이터베이스(120) 및 사용자 단말(130)을 포함한다.Referring to FIG. 1 , subjects for demand prediction of a new event through similarity measurement between events according to an embodiment of the present invention include a demand forecasting device 110 , a database 120 , and a user terminal 130 .

수요 예측 장치(110)는 사용자 단말(130)을 이용하여 사용자에 의해 입력된 이벤트 정보를 획득하는 장치를 의미할 수 있다.The demand forecasting device 110 may refer to a device for acquiring event information input by a user using the user terminal 130 .

수요 예측 장치(110)는 상기 획득된 정보로부터 자연어 처리를 이용하여 메타데이터를 추출할 수 있다.The demand forecasting apparatus 110 may extract metadata from the obtained information using natural language processing.

수요 예측 장치(110)는 추출된 메타데이터를 데이터베이스(120)에 저장할 수 있도록 전송할 수 있다.The demand forecasting apparatus 110 may transmit the extracted metadata to be stored in the database 120 .

데이터베이스(120)는 수요 예측 장치(110)를 통해 추출된 메타데이터를 저장하는 장치를 의미할 수 있다.The database 120 may refer to a device for storing metadata extracted through the demand forecasting device 110 .

데이터베이스(120)는 수요 예측 장치(110)의 요청에 의해 저장된 메타데이터를 제공할 수 있다.The database 120 may provide the stored metadata at the request of the demand forecasting apparatus 110 .

사용자 단말(130)은 사용자에 의한 입력을 통해 수요 예측 장치(110)에 상기 사용자가 진행하고자 하는 이벤트에 대한 정보를 제공하는 장치를 의미할 수 있다.The user terminal 130 may refer to a device that provides information on an event that the user wants to proceed to the demand forecasting device 110 through an input by a user.

도 2는 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.2 is an operation flowchart illustrating a method for predicting a demand for a new event by measuring the similarity between events according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 먼저, 사전에 진행된 제1 이벤트들에 대한 정보를 획득하고, 제1 메타데이터를 추출하고 데이터베이스에 저장할 수 있다(S210).Referring to FIG. 2 , in the method for predicting demand for new events through similarity measurement between events according to an embodiment of the present invention, first, information on first events that have been conducted in advance is obtained, first metadata is extracted, and It can be stored in the database (S210).

다음으로, 사용자로부터 입력 받은 제2 이벤트의 정보를 획득할 수 있다(S220).Next, information on the second event input from the user may be obtained (S220).

다음으로, 상기 획득된 정보로부터 자연어 처리를 이용하여 제2 메타데이터를 추출할 수 있다(S230).Next, second metadata may be extracted from the obtained information using natural language processing (S230).

다음으로, 상기 제1 이벤트들 중 상기 사용자로부터 입력 받은 이벤트와의 유사도가 높은 제3 이벤트에 대응하는 제3 메타데이터를 획득할 수 있다(S240).Next, it is possible to obtain third metadata corresponding to a third event having a high degree of similarity to an event input from the user among the first events ( S240 ).

다음으로, 상기 획득된 제3 메타데이터를 이용하여 상기 사용자로부터 입력 받은 이벤트의 수요를 예측할 수 있다(S250).Next, the demand for the event received from the user may be predicted using the obtained third metadata (S250).

다음으로, 상기 예측된 수요를 포함하는 정보를 상기 사용자에게 제공할 수 있다(S260).Next, information including the predicted demand may be provided to the user (S260).

도 3은 본 발명의 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.3 is an operation flowchart illustrating a method for predicting a demand for a new event through similarity measurement between events according to another embodiment of the present invention.

도 3을 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 먼저, 상기 획득된 정보에 포함된 이벤트 내용에 대해 형태소 분석을 통해 단어를 추출할 수 있다(S310).Referring to FIG. 3 , in the method for predicting demand for a new event through similarity measurement between events according to an embodiment of the present invention, first, words can be extracted through morphological analysis of the event contents included in the obtained information. (S310).

다음으로, 기 설정된 분류 기준에 기초하여, 상기 추출된 단어를 적어도 하나의 분류 항목으로 분류할 수 있다(S320).Next, based on a preset classification criterion, the extracted word may be classified into at least one classification item (S320).

여기서, 분류 항목은 IT/기술, 스타트업, 커리어, 취미, 디자인, 비즈니스, 음식&음료, 프로그래밍, 홈&라이프스타일, 여행, 자기계발, 스포츠, 금융, 건강, 마케팅, 파티, 독서를 포함할 수 있다.Here, categories include IT/Technology, Startup, Career, Hobbies, Design, Business, Food & Beverage, Programming, Home & Lifestyle, Travel, Personal Development, Sports, Finance, Health, Marketing, Party, and Reading. can

다음으로, 상기 사용자에 의해 분류 항목이 선택된 순서에 기초하여 상기 추출된 단어에 점수를 부여할 수 있다(S330).Next, a score may be given to the extracted word based on the order in which the classification items are selected by the user ( S330 ).

여기서, 점수를 부여할 때, 상기 사용자에 의해 선택된 순서대로 제1 점수, 상기 제1 점수보다 낮은 제2 점수, 상기 제2 점수보다 낮은 제3 점수를 부여하고, 상기 사용자에 의해 선택되지 않은 분류 항목에 대해서는 점수를 부여하지 않을 수 있다.Here, when assigning a score, a first score, a second score lower than the first score, and a third score lower than the second score are given in the order selected by the user, and a classification not selected by the user Points may not be awarded for items.

예를 들면, 사용자가 첫 번째로 선택한 분류 항목에 대해서는 0.7점을 부여하고, 두 번째로 선택한 분류 항목에 대해서는 0.4점을 부여하고, 세 번째로 선택한 분류 항목에 대해서는 0.3점을 부여할 수 있다. 사용자가 선택하지 않은 항목에 대해서는 0점을 부여할 수 있다.For example, 0.7 points may be given to the first classification item selected by the user, 0.4 points may be given to the second classification item, and 0.3 points may be given to the third classification item selected by the user. 0 points can be given to items not selected by the user.

도 4는 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.4 is an operation flowchart illustrating a method of predicting a demand for a new event by measuring the similarity between events according to another embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 먼저, 상기 데이터베이스로부터 기 저장된 상기 제1 메타데이터를 획득할 수 있다(S410).Referring to FIG. 4 , in the method of predicting demand for a new event through similarity measurement between events according to an embodiment of the present invention, first, the first metadata stored in advance from the database may be acquired ( S410 ).

다음으로, 가상 공간에 상기 제2 메타데이터를 매핑할 수 있다(S420).Next, the second metadata may be mapped to the virtual space ( S420 ).

다음으로, 상기 가상 공간에 상기 획득된 제1 메타데이터를 매핑할 수 있다(S430).Next, the obtained first metadata may be mapped to the virtual space ( S430 ).

다음으로, k-최근접 이웃(k-nearest neighbors) 알고리즘에 기초하여, 상기 제2 메타데이터로부터 유사도가 높은 순서대로 k개의 메타데이터를 상기 제3 메타데이터로서 기 설정된 이벤트 수만큼 추출할 수 있다(S440).Next, based on the k-nearest neighbors algorithm, k metadata may be extracted from the second metadata in an order of high similarity as the third metadata as many as a preset number of events. (S440).

여기서, k-최근접 이웃(k-nearest neighbors, kNN) 알고리즘은 기존의 데이터와 새로운 데이터를 동일한 가상 공간에 매핑하고, 매핑된 거리에 기초하여 분류를 수행하거나 유사도를 산출하는 알고리즘으로, k 값에 따라서 예측 결과가 다르게 나타날 수 있다.Here, the k-nearest neighbors (kNN) algorithm is an algorithm that maps existing data and new data to the same virtual space, performs classification based on the mapped distance, or calculates similarity, and the k value Therefore, the prediction results may appear differently.

도 5는 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.5 is an operation flowchart illustrating a method for predicting a demand for a new event by measuring the similarity between events according to another embodiment of the present invention.

도 5를 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 먼저, 상기 획득된 제1 메타데이터 중 상기 사용자가 선택한 분류 항목 중 적어도 하나를 포함하는 제4 이벤트에 대응하는 제4 메타데이터를 추출할 수 있다(S510).Referring to FIG. 5 , in the method for predicting demand for a new event by measuring the similarity between events according to an embodiment of the present invention, first, the method includes at least one of the user-selected classification items among the acquired first metadata. The fourth metadata corresponding to the 4 event may be extracted (S510).

다음으로, 상기 제4 메타데이터 각각에 상기 사용자의 분류 항목 선택 순서에 따른 점수를 부여할 수 있다(S520).Next, each of the fourth metadata may be assigned a score according to the user's selection order of the classification items (S520).

다음으로, 상기 부여된 점수의 합이 클수록 상기 제2 이벤트로부터의 거리가 가까워지도록 상기 제4 메타데이터를 매핑할 수 있다(S530).Next, the fourth metadata may be mapped so that the distance from the second event becomes closer as the sum of the assigned scores increases ( S530 ).

예를 들면, 사용자에 의해 IT/기술, 스타트업, 프로그래밍 순서로 분류 항목이 선택되었을 경우, 상기 선택된 IT/기술, 스타트업, 프로그래밍 중 적어도 하나의 분류 항목을 포함하는 이벤트에 대응하는 메타데이터를 추출할 수 있다. 그리고 선택된 순서대로 IT/기술 항목에는 0.7점, 스타트업 항목에는 0.4점, 프로그래밍 항목에는 0.3점을 부여하고 상기 선택된 분류 항목을 제외한 나머지 항목에는 점수를 부여하지 않을 수 있다.For example, when a classification item is selected in the order of IT/technology, startup, and programming by the user, metadata corresponding to an event including at least one classification item among the selected IT/technology, startup, and programming can be extracted. And in the selected order, 0.7 points may be given to IT/technology items, 0.4 points to startup items, and 0.3 points to programming items, and points may not be given to items other than the selected classification items.

그런 다음 각 이벤트 별로 분류 항목에 부여된 점수를 합산할 수 있다. 예를 들면, IT/기술 항목과 스타트업 항목을 포함하고 있는 이벤트에 대해서는 0.7점과 0.4점을 합하여 1.1점이 부여될 수 있다.Then, the scores given to the classification items for each event can be summed up. For example, for an event that includes IT/technical items and startup items, 0.7 points and 0.4 points can be combined to give 1.1 points.

다른 예를 들면, 스타트업 항목과 프로그래밍 항목을 포함하고 있는 이벤트에 대해서는 0.4점과 0.3점을 합하여 0.7점이 부여될 수 있다.As another example, 0.7 points may be given by adding up 0.4 points and 0.3 points to an event that includes a startup item and a programming item.

또 다른 예를 들면, IT/기술 항목과 프로그래밍 항목을 포함하고 있는 이벤트에 대해서는 0.7점과 0.3점을 합하여 1.0점이 부여될 수 있다.As another example, for an event including IT/technical items and programming items, a sum of 0.7 points and 0.3 points may be given to give 1.0 points.

다음으로, 상기 점수의 합이 클수록 제2 이벤트가 매핑된 위치에서 거리가 가까워지도록 상기 추출된 메타데이터를 매핑할 수 있다.Next, as the sum of the scores increases, the extracted metadata may be mapped such that the distance from the location to which the second event is mapped becomes closer.

위 과정을 통해서, 사용자에 의해 입력된 제2 이벤트와 분류 항목이 유사한 제4 이벤트들의 분류 항목에 부여되는 점수가 높아질 수 있고, 제4 이벤트에 대응하는 제4 메타데이터가 제2 메타데이터가 매핑된 위치에 가깝게 배치될 수 있다. 이로 인해 kNN 알고리즘에 따라 분류 또는 유사도 산출하는 과정에서 상기 점수가 높은 데이터들이 새로운 데이터에 상대적으로 큰 영향을 주도록 할 수 있다.Through the above process, the score given to the classification items of the fourth events in which the classification item and the second event input by the user are similar may be increased, and the fourth metadata corresponding to the fourth event is mapped to the second metadata. It can be placed close to the For this reason, in the process of calculating the classification or similarity according to the kNN algorithm, it is possible to allow the data having the high score to have a relatively large influence on the new data.

도 6은 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.6 is an operation flowchart illustrating a method for predicting a demand for a new event through similarity measurement between events according to another embodiment of the present invention.

도 6을 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 먼저, 상기 제1 이벤트들에 대한 이벤트 정보를 획득할 수 있다(S610).Referring to FIG. 6 , in the method for predicting demand for a new event by measuring the similarity between events according to an embodiment of the present invention, first, event information on the first events may be obtained ( S610 ).

여기서, 상기 제1 이벤트들에 대한 이벤트 정보는 제목, 내용, 진행 시간대, 사용자의 클릭패턴, 조회수, 티켓 판매율, 및 티켓 가격 중 적어도 하나를 포함할 수 있다.Here, the event information for the first events may include at least one of title, content, progress time, user's click pattern, number of views, ticket sales rate, and ticket price.

다음으로, 상기 획득된 이벤트 정보로부터 자연어 처리를 이용하여 제1 메타데이터를 추출할 수 있다(S620).Next, the first metadata may be extracted from the acquired event information using natural language processing (S620).

다음으로, 상기 제1 메타데이터를 데이터베이스에 저장할 수 있다(S630).Next, the first metadata may be stored in a database (S630).

도 7은 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.7 is an operation flowchart illustrating a method for predicting a demand for a new event through similarity measurement between events according to another embodiment of the present invention.

도 7을 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 상기 이벤트의 수요를 예측하는 단계(S250) 후 상기 예측된 수요가 증가할 수 있는 추천 정보를 생성하는 단계를 더 포함할 수 있다(S710).Referring to FIG. 7 , in the method for predicting the demand for a new event by measuring the similarity between events according to an embodiment of the present invention, after predicting the demand for the event ( S250 ), the recommended information that the predicted demand can increase It may further include the step of generating (S710).

또한 상기 정보를 제공하는 단계(S260)는 상기 추천 정보를 더 포함하는 정보를 제공하는 단계를 더 포함할 수 있다.In addition, the step of providing the information ( S260 ) may further include providing information further including the recommendation information.

도 8은 본 발명의 또 다른 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법을 나타낸 동작 흐름도이다.8 is an operation flowchart illustrating a method of predicting a demand for a new event through similarity measurement between events according to another embodiment of the present invention.

도 8을 참조하면, 본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법은 먼저, 상기 제1 이벤트들 중 판매율이 가장 높은 제5 이벤트에 대응하는 제5 메타데이터 및 상기 제2 메타데이터의 항목별 유사도를 산출할 수 있다(S810).Referring to FIG. 8 , in the method for predicting demand for a new event through similarity measurement between events according to an embodiment of the present invention, first, fifth metadata corresponding to a fifth event having the highest sales rate among the first events; The similarity of each item of the second metadata may be calculated ( S810 ).

다음으로, 상기 항목별 유사도가 낮은 순서대로 항목별 추천 정보를 생성할 수 있다(S820).Next, it is possible to generate the recommended information for each item in the order in which the similarity for each item is lower ( S820 ).

여기서 추천 정보는 티켓 가격, 이벤트 진행 시간대, 이벤트 내용, 및 태그 중 적어도 하나를 포함하는 항목에 대하여 상기 항목별 유사도를 높일 수 있는 정보를 포함할 수 있다.Here, the recommendation information may include information capable of increasing the similarity of each item with respect to an item including at least one of a ticket price, an event progress time, event content, and a tag.

도 9는 본 발명의 일 실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.9 is a diagram illustrating a computer system according to an embodiment of the present invention.

본 발명의 일 실시예에 따른 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 장치는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1000)에서 구현될 수 있다.The apparatus for predicting demand for a new event by measuring the similarity between events according to an embodiment of the present invention may be implemented in the computer system 1000 such as a computer-readable recording medium.

도 9를 참조하면, 컴퓨터 시스템(1000)은 버스(1020)를 통하여 서로 통신하는 하나 이상의 프로세서(1010), 메모리(1030), 사용자 인터페이스 입력 장치(1040), 사용자 인터페이스 출력 장치(1050) 및 스토리지(1060)를 포함할 수 있다. 또한, 컴퓨터 시스템(1000)은 네트워크(1080)에 연결되는 네트워크 인터페이스(1070)를 더 포함할 수 있다. 프로세서(1010)는 중앙 처리 장치 또는 메모리(1030)나 스토리지(1060)에 저장된 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1030) 및 스토리지(1060)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체일 수 있다. 예를 들어, 메모리는 ROM(1031)이나 RAM(1032)을 포함할 수 있다.Referring to FIG. 9 , the computer system 1000 includes one or more processors 1010 , a memory 1030 , a user interface input device 1040 , a user interface output device 1050 and storage that communicate with each other via a bus 1020 . (1060). In addition, computer system 1000 may further include a network interface 1070 coupled to network 1080 . The processor 1010 may be a central processing unit or a semiconductor device that executes processing instructions stored in the memory 1030 or the storage 1060 . The memory 1030 and the storage 1060 may be various types of volatile or non-volatile storage media. For example, the memory may include ROM 1031 or RAM 1032 .

본 발명에서 설명하는 특정 실행들은 일 실시예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.The specific implementations described in the present invention are only examples and do not limit the scope of the present invention in any way. For brevity of the specification, descriptions of conventional electronic components, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connections or connecting members of the lines between the components shown in the drawings exemplify functional connections and/or physical or circuit connections, and in an actual device, various functional connections, physical connections that are replaceable or additional may be referred to as connections, or circuit connections. In addition, unless there is a specific reference such as "essential", "importantly", etc., it may not be a necessary component for the application of the present invention.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the above-described embodiments, and the scope of the spirit of the present invention is not limited to the scope of the scope of the present invention. will be said to belong to

110: 수요 예측 장치
120: 데이터베이스
130: 사용자
1000: 컴퓨터 시스템 1010: 프로세서
1020: 버스 1030: 메모리
1031: 롬 1032: 램
1040: 사용자 인터페이스 입력 장치
1050: 사용자 인터페이스 출력 장치
1060: 스토리지 1070: 네트워크 인터페이스110: demand forecasting device
120: database
130: user
1000: computer system 1010: processor
1020: bus 1030: memory
1031: rom 1032: ram
1040: user interface input device
1050: user interface output device
1060: storage 1070: network interface

Claims (10)

사전에 진행된 제1 이벤트들에 대한 정보를 획득하고, 제1 메타데이터를 추출하고 데이터베이스에 저장하는 단계;
사용자로부터 입력 받은 제2 이벤트의 정보를 획득하는 단계;
상기 획득된 정보로부터 자연어 처리를 이용하여 제2 메타데이터를 추출하는 단계;
상기 제1 이벤트들 중 상기 사용자로부터 입력 받은 이벤트와의 유사도가 높은 제3 이벤트에 대응하는 제3 메타데이터를 획득하는 단계;
상기 획득된 제3 메타데이터를 이용하여 상기 사용자로부터 입력 받은 이벤트의 수요를 예측하는 단계; 및
상기 예측된 수요를 포함하는 정보를 상기 사용자에게 제공하는 단계
를 포함하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.obtaining information on first events that have been conducted in advance, extracting first metadata, and storing the first metadata in a database;
obtaining information on a second event input from a user;
extracting second metadata from the obtained information using natural language processing;
obtaining third metadata corresponding to a third event having a high similarity with an event input from the user among the first events;
predicting the demand for the event received from the user by using the obtained third metadata; and
providing information including the predicted demand to the user
A method of predicting demand for new events through similarity measurement between events, including 제1 항에 있어서,
상기 제2 메타데이터를 추출하는 단계는,
상기 획득된 정보에 포함된 이벤트 내용에 대해 형태소 분석을 통해 단어를 추출하는 단계;
기 설정된 분류 기준에 기초하여, 상기 추출된 단어를 적어도 하나의 분류 항목으로 분류하는 단계; 및
상기 사용자에 의해 분류 항목이 선택된 순서에 기초하여 상기 추출된 단어에 점수를 부여하는 단계
를 포함하고,
상기 점수를 부여하는 단계는
상기 사용자에 의해 선택된 순서대로 제1 점수, 상기 제1 점수보다 낮은 제2 점수, 상기 제2 점수보다 낮은 제3 점수를 부여하고, 상기 사용자에 의해 선택되지 않은 분류 항목에 대해서는 점수를 부여하지 않는 것을 특징으로 하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.The method of claim 1,
The step of extracting the second metadata,
extracting words through morphological analysis of the event contents included in the obtained information;
classifying the extracted word into at least one classification item based on a preset classification criterion; and
assigning a score to the extracted word based on the order in which the classification items are selected by the user
including,
The step of giving the score
A first score, a second score lower than the first score, and a third score lower than the second score are given in the order selected by the user, and no score is given to classification items not selected by the user A method for predicting demand for new events through similarity measurement between events, characterized in that. 제1 항에 있어서,
상기 제3 메타데이터를 추출하는 단계는,
상기 데이터베이스로부터 기 저장된 상기 제1 메타데이터를 획득하는 단계;
가상 공간에 상기 제2 메타데이터를 매핑하는 단계;
상기 가상 공간에 상기 획득된 제1 메타데이터를 매핑하는 단계; 및
k-최근접 이웃 알고리즘(k-nearest neighbors) 알고리즘에 기초하여, 상기 제2 메타데이터로부터 유사도가 높은 순서대로 k개의 메타데이터를 상기 제3 메타데이터로서 기 설정된 이벤트 수만큼 추출하는 단계
를 포함하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.The method of claim 1,
The step of extracting the third metadata,
obtaining the pre-stored first metadata from the database;
mapping the second metadata to a virtual space;
mapping the obtained first metadata to the virtual space; and
Based on a k-nearest neighbors algorithm, extracting k metadata from the second metadata in an order of high similarity as the third metadata by a preset number of events
A method of predicting demand for new events through similarity measurement between events, including 제3 항에 있어서,
상기 획득된 제1 메타데이터를 매핑하는 단계는,
상기 획득된 제1 메타데이터 중 상기 사용자가 선택한 분류 항목 중 적어도 하나를 포함하는 제4 이벤트에 대응하는 제4 메타데이터를 추출하는 단계;
상기 제4 메타데이터 각각에 상기 사용자의 분류 항목 선택 순서에 따른 점수를 부여하는 단계; 및
상기 부여된 점수의 합이 클수록 상기 제2 이벤트로부터의 거리가 가까워지도록 상기 제4 메타데이터를 매핑하는 단계
를 포함하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.4. The method of claim 3,
The step of mapping the obtained first metadata includes:
extracting fourth metadata corresponding to a fourth event including at least one of the classification items selected by the user from among the obtained first metadata;
assigning a score to each of the fourth metadata according to the user's selection order of classification items; and
mapping the fourth metadata so that the distance from the second event becomes closer as the sum of the assigned scores increases
A method of predicting demand for new events through similarity measurement between events, including 제1 항에 있어서,
상기 제1 메타데이터를 추출하고 데이터베이스에 저장하는 단계는,
상기 제1 이벤트들에 대한 이벤트 정보를 획득하는 단계;
상기 획득된 이벤트 정보로부터 자연어 처리를 이용하여 제1 메타데이터를 추출하는 단계; 및
상기 제1 메타데이터를 데이터베이스에 저장하는 단계
를 포함하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.The method of claim 1,
The step of extracting the first metadata and storing it in a database comprises:
obtaining event information for the first events;
extracting first metadata from the acquired event information using natural language processing; and
Storing the first metadata in a database
A method of predicting demand for new events through similarity measurement between events, including 제5 항에 있어서,
상기 제1 이벤트들에 대한 이벤트 정보는,
제목, 내용, 진행 시간대, 사용자의 클릭패턴, 조회수, 티켓 판매율, 및 티켓 가격 중 적어도 하나를 포함하는 것을 특징으로 하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.6. The method of claim 5,
The event information for the first events is,
A method for predicting demand for a new event through similarity measurement between events, characterized in that it includes at least one of title, content, progress time, user's click pattern, number of views, ticket sales rate, and ticket price. 제1 항에 있어서,
상기 이벤트의 수요를 예측하는 단계 후,
상기 예측된 수요가 증가할 수 있는 추천 정보를 생성하는 단계
를 더 포함하고,
상기 정보를 제공하는 단계는,
상기 추천 정보를 더 포함하는 정보를 제공하는 단계
를 더 포함하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.The method of claim 1,
After predicting the demand for the event,
generating recommendation information that can increase the predicted demand
further comprising,
Providing the information includes:
providing information further including the recommendation information;
Demand forecasting method of new events through similarity measurement between events further comprising a. 제7 항에 있어서,
상기 추천 정보를 생성하는 단계는,
상기 제1 이벤트들 중 판매율이 가장 높은 제5 이벤트에 대응하는 제5 메타데이터 및 상기 제2 메타데이터의 항목별 유사도를 산출하는 단계; 및
상기 항목별 유사도가 낮은 순서대로 항목별 추천 정보를 생성하는 단계
를 포함하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.8. The method of claim 7,
The step of generating the recommendation information includes:
calculating a similarity for each item of fifth metadata and the second metadata corresponding to a fifth event having the highest sales rate among the first events; and
Generating recommended information for each item in an order of lower similarity for each item
A method of predicting demand for new events through similarity measurement between events, including 제8 항에 있어서,
상기 추천 정보는,
티켓 가격, 이벤트 진행 시간대, 이벤트 내용, 및 태그 중 적어도 하나를 포함하는 항목에 대하여 상기 항목별 유사도를 높일 수 있는 정보를 포함하는 것을 특징으로 하는 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법.9. The method of claim 8,
The recommended information is
A method for predicting demand for a new event through similarity measurement between events, characterized in that it includes information capable of increasing the similarity for each item with respect to an item including at least one of ticket price, event progress time, event content, and tags. 적어도 하나의 프로그램이 기록된 메모리; 및
상기 프로그램을 실행하는 프로세서
를 포함하고,
상기 프로그램은
사전에 진행된 제1 이벤트들에 대한 정보를 획득하고, 제1 메타데이터를 추출하고 데이터베이스에 저장하는 단계;
사용자로부터 입력 받은 제2 이벤트의 정보를 획득하는 단계;
상기 획득된 정보로부터 자연어 처리를 이용하여 제2 메타데이터를 추출하는 단계;
상기 제1 이벤트들 중 상기 사용자로부터 입력 받은 이벤트와의 유사도가 높은 제3 이벤트에 대응하는 제3 메타데이터를 획득하는 단계;
상기 획득된 제3 메타데이터를 이용하여 상기 사용자로부터 입력 받은 이벤트의 수요를 예측하는 단계; 및
상기 예측된 수요를 포함하는 정보를 상기 사용자에게 제공하는 단계
를 수행하기 위한 명령어들을 포함하는, 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 장치.a memory in which at least one program is recorded; and
a processor executing the program
including,
the program is
obtaining information on first events that have been conducted in advance, extracting first metadata, and storing the first metadata in a database;
obtaining information on a second event input from a user;
extracting second metadata from the obtained information using natural language processing;
obtaining third metadata corresponding to a third event having a high similarity with an event input from the user among the first events;
predicting the demand for the event received from the user by using the obtained third metadata; and
providing information including the predicted demand to the user
A device for predicting demand for new events through similarity measurement between events, including instructions for performing
KR1020210045186A 2021-02-26 2021-04-07 Method and apparatus for predicting demand for new events by measuring similarity between events KR102443041B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210026127 2021-02-26
KR1020210026127 2021-02-26

Publications (2)

Publication Number Publication Date
KR20220122424A true KR20220122424A (en) 2022-09-02
KR102443041B1 KR102443041B1 (en) 2022-10-14

Family

ID=83280908

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210045186A KR102443041B1 (en) 2021-02-26 2021-04-07 Method and apparatus for predicting demand for new events by measuring similarity between events

Country Status (1)

Country Link
KR (1) KR102443041B1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120088650A (en) * 2009-07-16 2012-08-08 블루핀 랩스, 인코포레이티드 Estimating and displaying social interest in time-based media
KR20130113250A (en) * 2012-04-05 2013-10-15 주식회사 알에스엔 Classification-extraction system based meaning for text-mining of large data
KR20190070625A (en) * 2017-12-13 2019-06-21 한국전자통신연구원 Method and apparatus for recommending item using metadata
JP2019519016A (en) 2016-04-06 2019-07-04 アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ Exhibition information presentation method and system
KR20200040652A (en) * 2018-10-10 2020-04-20 고려대학교 산학협력단 Natural language processing system and method for word representations in natural language processing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120088650A (en) * 2009-07-16 2012-08-08 블루핀 랩스, 인코포레이티드 Estimating and displaying social interest in time-based media
KR20130113250A (en) * 2012-04-05 2013-10-15 주식회사 알에스엔 Classification-extraction system based meaning for text-mining of large data
JP2019519016A (en) 2016-04-06 2019-07-04 アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ Exhibition information presentation method and system
KR20190070625A (en) * 2017-12-13 2019-06-21 한국전자통신연구원 Method and apparatus for recommending item using metadata
KR20200040652A (en) * 2018-10-10 2020-04-20 고려대학교 산학협력단 Natural language processing system and method for word representations in natural language processing

Also Published As

Publication number Publication date
KR102443041B1 (en) 2022-10-14

Similar Documents

Publication Publication Date Title
US11995112B2 (en) System and method for information recommendation
US8682739B1 (en) Identifying objects in video
CN108346075B (en) Information recommendation method and device
CN106557480B (en) Method and device for realizing query rewriting
CN110727868B (en) Object recommendation method, device and computer-readable storage medium
JP2015511039A (en) Disclosure of product information
KR20140026932A (en) System and method providing a suited shopping information by analyzing the propensity of an user
US20220180392A1 (en) Predictive recommendation system using tiered feature data
JP2017182663A (en) Content management device, content management method, and program
US8290925B1 (en) Locating product references in content pages
CN111737418A (en) Method, apparatus and storage medium for predicting relevance of search term and commodity
US20180068340A1 (en) Creating Meta-Descriptors of Marketing Messages to Facilitate In Delivery Performance Analysis, Delivery Performance Prediction and Offer Selection
CN111680165A (en) Information matching method and device, readable storage medium and electronic equipment
CN116821475B (en) Video recommendation method and device based on client data and computer equipment
CN113032668A (en) Product recommendation method, device and equipment based on user portrait and storage medium
CN112989179A (en) Model training and multimedia content recommendation method and device
US8903817B1 (en) Determining search relevance from user feedback
KR102234590B1 (en) Method and Apparatus for Recommending Contents for Contents Producer
CN113327132A (en) Multimedia recommendation method, device, equipment and storage medium
CN112036987A (en) Method and device for determining recommended commodities
KR102443041B1 (en) Method and apparatus for predicting demand for new events by measuring similarity between events
CN115935082A (en) User cold start content recommendation method, computing device and storage medium
CN112632275B (en) Crowd clustering data processing method, device and equipment based on personal text information
CN112507214B (en) User name-based data processing method, device, equipment and medium
CN112035740B (en) Project use time length prediction method, device, equipment and storage medium