KR20230059595A - 사용자의 선호도를 모델링하는 방법 및 장치 - Google Patents

사용자의 선호도를 모델링하는 방법 및 장치 Download PDF

Info

Publication number
KR20230059595A
KR20230059595A KR1020210143931A KR20210143931A KR20230059595A KR 20230059595 A KR20230059595 A KR 20230059595A KR 1020210143931 A KR1020210143931 A KR 1020210143931A KR 20210143931 A KR20210143931 A KR 20210143931A KR 20230059595 A KR20230059595 A KR 20230059595A
Authority
KR
South Korea
Prior art keywords
parameter
list
item
user
preference
Prior art date
Application number
KR1020210143931A
Other languages
English (en)
Inventor
전재훈
이장수
최인규
한규범
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210143931A priority Critical patent/KR20230059595A/ko
Priority to US17/698,667 priority patent/US20230126117A1/en
Publication of KR20230059595A publication Critical patent/KR20230059595A/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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90324—Query formulation using system suggestions
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

일 실시예에 따른 사용자의 선호도를 모델링하는 방법은 복수의 항목들에 대응하는 선호도 점수들을 수신하는 단계; 사용자로부터 복수의 항목들 중 적어도 하나의 항목을 선택하는 항목 선택 입력을 수신하는 단계; 선택된 항목이 상기 선호도 점수들에 기초하여 결정된 추천 항목에 해당하는 제1 리스트에 포함된 경우, 시간 감쇠 비율 및 제1 파라미터에 기초하여 제1 리스트 및 상기 제1 리스트와 구별되는 제2 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠시키는 단계; 선택된 항목이 상기 제2 리스트에 포함된 경우, 시간 감쇠 비율 및 제2 파라미터에 기초하여 상기 제1 리스트 및 상기 제2 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠 시키는 단계; 및 선택된 항목에 대응하는 선호도 점수를 증가시키는 단계를 포함할 수 있다.

Description

사용자의 선호도를 모델링하는 방법 및 장치{METHOD AND APPARATUS FOR MODELING USER PREFERENCES}
아래 실시예들은 사용자의 선호도를 모델링하는 방법 및 장치에 관한 것이다.
대량의 콘텐츠가 제공되는 환경에서 사용자에게 적합한 콘텐츠 추천은 사용자의 콘텐츠 이용 편이성과 콘텐츠 소비 촉진이라는 점에서 필수 기능으로 요구되고 있는 추세이다. 최근 정보통신기술의 발달로 사용자가 전자 장치를 통하여 접할 수 있는 콘텐츠가 더욱 풍부해지면서 사용자의 선호에 맞는 콘텐츠를 선별하여 제공함으로써 사용자의 선택에 도움을 줄 수 있는 콘텐츠의 추천 기술에 대한 필요성이 증대되고 있다.
사용자들에게 콘텐츠를 추천하기 위하여 다른 사용자들이 많이 이용한 콘텐츠를 추천하는 인기도 기반 추천 방법 등 다양한 추천 방법이 존재하며, 해당 방법 이외에도 높은 정확도로 사용자가 원하는 콘텐츠를 추천하기 위한 방법에 대한 연구는 지속적으로 진행되고 있는 추세이다.
일 실시예에 따른 사용자의 선호도를 모델링하는 방법은 복수의 항목들에 대응하는 선호도 점수들을 수신하는 단계; 사용자로부터 복수의 항목들 중 적어도 하나의 항목을 선택하는 항목 선택 입력을 수신하는 단계; 선택된 항목이 상기 선호도 점수들에 기초하여 결정된 추천 항목에 해당하는 제1 리스트에 포함된 경우, 시간 감쇠 비율 및 제1 파라미터에 기초하여 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠시키는 단계; 선택된 항목이 상기 제1 리스트와 구별되는 제2 리스트에 포함된 경우, 시간 감쇠 비율 및 제2 파라미터에 기초하여 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠 시키는 단계; 및 선택된 항목에 대응하는 선호도 점수를 증가시키는 단계를 포함할 수 있다.
일 실시예에 따른 제1 리스트는, 사전 결정된 개수 이하의 적어도 하나의 추천 항목을 포함할 수 있다.
일 실시예에 따른 선택된 항목에 대응하는 선호도 점수를 증가시키는 단계는 선호도 점수에 가중치를 더하는 단계를 포함할 수 있다.
일 실시예에 따른 시간 감쇠 비율은 시간 경과에 기초하여 선호도 점수를 감쇠시키는 비율을 포함할 수 있다.
일 실시예에 따른 제1 파라미터는, 시간 경과에 따라 선호도 점수가 감쇠되는 비율을 조정하기 위한 파라미터를 포함할 수 있다.
일 실시예에 따른 제1 파라미터는 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함할 수 있다.
일 실시예에 따른 제1 파라미터는, 제1 리스트에 포함된 적어도 하나의 항목의 선호 순위 정보에 기초하여 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함할 수 있다.
일 실시예에 따른 제2 파라미터는 제1 파라미터에 비하여 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 더 많이 감쇠 시키도록 설정될 수 있다.
일 실시예에 따른 제2 파라미터는 제1 파라미터보다 작은 값을 가지는 파라미터를 포함할 수 있다.
일 실시예에 따른 제2 파라미터는 적어도 하나의 추천 항목을 포함하는 리스트를 입력 데이터로 하고, 사용자 선택 항목을 정답 데이터로 하여 학습된 파라미터를 포함할 수 있다.
다른 일 실시예에 따른 사용자의 선호도를 모델링하는 장치는 복수의 항목들에 대응하는 선호도 점수들을 수신하고, 사용자로부터 복수의 항목들 중 적어도 하나의 항목을 선택하는 항목 선택 입력을 받고, 선택된 항목이 선호도 점수들에 기초하여 결정된 추천 항목에 해당하는 제1 리스트에 포함된 경우, 시간 감쇠 비율 및 제1 파라미터에 기초하여 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠 시키고, 선택된 항목이 제1 리스트와 구별되는 제2 리스트에 포함된 경우, 시간 감쇠 비율 및 제2 파라미터에 기초하여 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠 시키고, 그리고 선택된 항목에 대응하는 선호도 점수를 증가시키는 프로세서를 포함할 수 있다.
도 1은 일 실시예에 따른 사용자의 선호도를 모델링하기 위한 방법을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 사용자의 선호도 점수가 업데이트되는 과정을 설명하기 위한 예시도이다.
도 3은 일 실시예에 따른 사용자에게 디스플레이되는 추천 항목을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 사용자 추천 방법 각각에 대한 정확도를 설명하기 위한 도면이다.
도 5a 내지 도 5b는 일 실시예에 따른 항목이 선택된 경우에 선호도 점수가 업데이트되는 과정을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 전자 장치를 설명하기 위한 블록도이다.
본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실제로 구현된 형태는 다양한 다른 모습을 가질 수 있으며 본 명세서에 설명된 실시예로만 한정되지 않는다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~간의"와 "바로~간의" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 사용자의 선호도를 모델링하기 위한 방법을 설명하기 위한 도면이다.
이하에서는 도 1을 참조하여 사용자 선택에 따른 선호도 점수가 업데이트되는 방법에 대하여 구체적으로 설명된다.
일 실시예에 따른 프로세서(610)는 복수의 항목들에 대응하는 선호도 점수들을 수신할 수 있다. 일 실시예에 따른 항목은 사용자가 선택할 수 있는 객체를 포함할 수 있다. 예를 들어, 항목은 유체물 객체 및/또는 무체물 객체를 포함할 수 있다. 유체물 객체는 예를 들어, 가방, 지갑, 전자 기기, 가구, 생필품 등 사용자가 선택할 수 있는 물품을 포함할 수 있다. 무체물 객체는 형태 없이 인간의 사고 상에만 존재하는 객체일 수 있다. 예를 들어, 무체물 객체는 사용자가 선택하려는 영화, 회의실, 음악 등이 포함될 수 있다.
일 실시예에 따른 선호도 점수는 복수의 항목들 각각에 대한 사용자의 선호도 점수를 의미할 수 있다. 예를 들어, 사용자A는 항목인 영화1, 영화2 및 영화3 각각에 대한 선호도를 가질 수 있다. 프로세서(610)는 사용자A의 선호도 점수를 수신할 수 있다. 예를 들어, 영화1에 대한 선호도 점수는 9, 영화2에 대한 선호도 점수는 6, 영화3에 대한 선호도 점수는 4일 수 있다. 선호도 점수는 높을수록 사용자가 선호하는 항목임을 의미할 수 있다. 일 실시예에 따른 선호도 점수는 사용자의 선택 횟수에 기초하여 결정될 수 있다. 선호도 점수는 초기에 0일 수 있다. 이후에 항목에 대한 사용자의 선택 횟수가 증가하는 경우, 선호도 점수도 증가할 수 있다.
일 실시예에 따른 프로세서(610)는 사용자로부터 복수의 항목들 중 적어도 하나의 항목을 선택하는 항목 선택 입력을 수신할 수 있다. 프로세서(610)는 디스플레이에 표시된 복수의 항목들 중 하나를 선택할 수 있다. 예를 들어, 디스플레이에는 영화1, 영화2, 영화3 및 영화4가 표시될 수 있다. 이 경우, 사용자는 자신이 선호하는 영화1을 선택할 수 있다. 프로세서(610)는 사용자로부터 영화1 항목에 대한 선택 입력을 수신할 수 있다.
일 실시예에 따른 복수의 항목들은 제1 리스트 및 제2 리스트로 나누어질 수 있다.
일 실시예에 따른 제1 리스트는 선호도 점수들에 기초하여 결정된 추천 항목을 포함할 수 있다. 제1 리스트는 적어도 하나의 추천 항목을 포함할 수 있다. 예를 들어, 프로세서(610)는 선호도 점수가 상위 10개인 항목을 추천 항목으로 결정할 수 있다. 또 다른 예를 들어, 프로세서(610)는 선호도 점수가 상위 4개인 항목을 추천 항목으로 결정할 수 있다. 이 경우, 제1 리스트에는 선호도 점수가 상위 4개인 추천 항목이 포함될 수 있다.
일 실시예에 따른 제2 리스트는 추천 항목이 아닌 항목들이 포함될 수 있다. 예를 들어, 100개의 항목 중에서 10개의 항목이 추천 항목일 수 있다. 이 경우, 10개의 추천 항목은 제1 리스트에 포함되고, 나머지 90개 항목은 제2 리스트에 포함될 수 있다. 일 실시예에 따른 제2 리스트에는 사용자의 선택을 한번도 받지 못한 항목 및/또는 사용자에게 과거에 선택을 받았더라도 최근에 선택된 기록이 없어 선호도 점수가 낮은 항목이 포함될 수 있다.
일 실시예에 따른 프로세서(610)는 제1 리스트 표시(110)할 수 있다. 프로세서(610)는 제1 리스트를 디스플레이를 통하여 표시할 수 있다. 다른 일 실시예에 따른 프로세서(610)는 제2 리스트도 표시할 수 있다. 예를 들어, 프로세서(610)는 디스플레이를 통하여, 추천 항목들이 포함된 제1 리스트는 디스플레이 상단에 표시하고, 제2 리스트는 하단에 표시할 수 있다. 또 다른 예를 들어, 프로세서(610)는 디스플레이를 통하여 추천 항목들이 포함된 제1 리스트만 표시하고, 사용자의 추가 입력을 수신하는 경우에만 제2 리스트를 디스플레이를 통하여 표시할 수 있다.
일 실시예에 따른 프로세서(610)는 복수의 항목들 중 적어도 하나의 항목을 선택하는 항목 선택 입력을 수신할 수 있다.
일 실시예에 따른 프로세서(610)는 항목 선택 입력이 제1 리스트에 포함된 항목이 선택(130)된 것인지 판단할 수 있다. 제1 리스트에 포함된 항목인 경우, 프로세서(610)는 시간 감쇠 비율 및 제1 파라미터에 기초하여 제1 리스트 및 제2 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠(140)시킬 수 있다. 이를 통해, 프로세서(610)는 제1 리스트 및 제2 리스트에 포함된 항목에 대하여 선호도 점수를 감쇠시킬 수 있다. 시간이 지날수록 각 항목에 대한 사용자의 선호도는 감소되는 경향이 존재할 수 있기 때문이다.
일 실시예에 따른 시간 감쇠 비율은 시간 경과에 기초하여 선호도 점수를 감쇠시키기 위한 비율을 의미할 수 있다. 특정 항목에 대한 사용자의 선호도 점수는 시간이 지날수록 낮아질 수 있다. 예를 들어, 영화2에 대한 사용자의 선호도 점수는 시간이 지날수록 낮아질 수 있다. 시간 감쇠 비율은 0에서 1사이의 실수값일 수 있다. 따라서, 이전 타임의 선호도 점수에 시간 감쇠 비율을 곱하는 경우, 다음 타임의 선호도 점수는 이전 타임의 선호도 점수보다 작을 수 있다.
일 실시예에 따른 제1 파라미터는 시간 경과에 따라 선호도 점수가 감쇠되는 비율을 조정하기 위한 파라미터를 포함할 수 있다. 프로세서(610)는 시간 감쇠 비율에 제1 파라미터를 곱함으로써 선호도 점수가 감쇠되는 비율을 조정할 수 있다. 일 실시예에 따른 제1 파라미터는 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함할 수 있다. 예를 들어, 제1 파라미터는 0과 1사이의 실수일 수 있다. 이 경우, 프로세서(610)가 시간 감쇠 비율에 제1 파라미터를 곱하는 경우, 선호도 점수의 감쇠 비율은 감소될 수 있다.
일 실시예에 따른 프로세서(610)는 선택된 항목에 대응하는 선호도 점수를 증가시킬 수 있다. 일 실시예에 따른 프로세서(610)는 제1 리스트에 포함된 항목 중에서 선택된 항목에 대응하는 선호도 점수에 가중치 더할(141) 수 있다. 이를 통해, 프로세서(610)는 사용자가 선택한 항목에 대하여 가중치를 증가시킴으로써 사용자의 선호도 점수를 업데이트할 수 있다. 이를 통해, 사용자가 과거 선택한 항목에 대한 정보가 쉽게 잊어지지 않게 할 수 있다. 즉, 사용자가 과거에 선호했던 항목들 중에는 현재도 사용자가 선호하는 항목이 존재할 수 있기 때문이므로, 시간 경과에 따른 선호도 점수를 감쇠시키더라도, 선택한 항목에 대해서는 선호도 점수를 증가시킬 필요가 존재할 수 있다.
일 실시예에 따른 프로세서(610)는 항목 선택 입력이 제2 리스트에 포함된 항목이 선택(150)된 것인지 판단할 수 있다. 일 실시예에 따른 프로세서(610)는 1 리스트 및 제2 리스트에 포함된 항목에 대하여 시간 감쇠 비율 및 제2 파라미터에 기초하여 선호도 점수 업데이트(160)할 수 있다. 사용자가 추천 항목이 포함된 제1 리스트에서 항목을 선택하지 않은 이유는, 선호도 점수에 기초한 제1 리스트에 사용자가 선호하는 항목이 없었기 때문일 가능성이 클 수 있다. 따라서, 프로세서(610)는 제2 리스트에 포함된 항목이 선택된 경우, 제1 리스트 및 제2 리스트에 포함된 항목들에 대응하는 선호도 점수를 더 크게 감쇠시킬 수 있다. 즉, 제2 리스트에 포함된 항목이 선택된 경우는, 사용자는 과거 패턴에서 벗어나 새로운 항목을 선호하는 패턴을 보이는 경우를 의미할 수 있다. 예를 들어, 사용자는 새로운 트렌드에 적응하여 과거 패턴에서 벗어나 새로운 항목을 선택할 수도 있다.
일 실시예에 따른 프로세서(610)는 제2 리스트에 포함된 항목 중에서 선택된 항목에 대응하는 선호도 점수에 가중치 더할(161) 수 있다. 예를 들어, 복수의 항목들은 영화1, 영화2, 영화3, 영화4 및 영화5일 수 있다. 영화1 및 영화2는 추천 항목으로서 제1 리스트에 포함되고, 영화3, 영화4 및 영화5는 제2 리스트에 포함될 수 있다. 프로세서(610)가 제2 리스트에 포함된 영화3에 대한 선택 입력을 받는 경우, 프로세서(610)는 영화1, 영화2, 영화3, 영화4 및 영화5에 대하여 선호도 점수를 감쇠시킬 수 있다. 그리고, 프로세서(610)는 제2 리스트에 포함된 영화3에 대한 선호도 점수에 가중치를 더하여 선호도 점수를 증가시킬 수 있다.
일 실시예에 따른 제2 리스트에 포함된 항목들 중 과거 사용자 선택 이력이 없는 항목의 선호도 점수는 0일 수 있다. 이러한 항목이 선택된 경우, 프로세서(610)는 선호도 점수에 가중치를 더하여 선호도 점수를 증가시킬 수 있다. 다른 일 실시예에 따른 제2 리스트에 포함된 항목들 중 과거 사용자 선택 이력이 존재하는 항목이 존재할 수 있다. 이러한 항목의 선호도 점수는 매우 낮지만 0이 아닐 수 있다. 이러한 항목이 선택된 경우, 프로세서(610)는 선호도 점수에 시간 감쇠 비율에 제1 파라미터 또는 제2 파라미터를 곱하여 선호도 점수를 감쇠시킬 수 있다. 그리고 프로세서(610)는 선호도 점수를 감쇠시킨 후, 선택된 항목에 대하여 가중치를 더함으로써 선호도 점수를 증가시킬 수 있다.
일 실시예에 따른 제2 파라미터는 제1 파라미터에 비하여 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 더 많이 감쇠 시키도록 설정될 수 있다. 예를 들어, 제2 파라미터는 제1 파라미터와 마찬가지로 0과 1사이의 실수값일 수 있다. 일 실시예에 따른 제2 파라미터는, 제1 파라미터보다 작은 값을 가지는 파라미터를 포함할 수 있다. 예를 들어, 제2 파라미터는
Figure pat00001
이고, 제1 파라미터는
Figure pat00002
일 수 있다.
일 실시예에 따른 프로세서(610)가 제2 리스트에 포함된 항목에 대하여 선택 입력을 수신한 경우, 추천 항목이 포함된 제1 리스트에서는 사용자가 선호하는 항목을 포함하지 않고 있었다는 것을 의미하고 있을 수 있다. 따라서, 제1 리스트에 포함된 항목이 선택된 경우보다, 제2 리스트에 포함된 항목이 선택된 경우, 제1 리스트 및 제2 리스트에 포함된 항목들에 대응하는 선호도 점수를 더 큰 폭으로 감소시킬 수 있다. 이를 통해, 프로세서(610)는 즉각적으로 새로운 트렌드를 반영하여 사용자에게 새로운 항목을 추천할 수 있다. 즉, 프로세서(610)가 사용자가 선택한 항목이 추천 항목인지 여부에 기초하여 항목들에 대한 선호도 점수를 다르게 감쇠시킴으로써, 새로운 트렌드를 반영하여, 사용자에게 적합한 항목들을 추천할 수 있다.
일 실시예에 따른 제2 파라미터는, 적어도 하나의 추천 항목을 포함하는 리스트를 입력 데이터로 하고, 사용자 선택 항목을 정답 데이터로 하여 학습된 파라미터를 포함할 수 있다. 프로세서(610)는 제2 파라미터를 학습을 통해 결정할 수 있다. 프로세서(610)는 적어도 하나의 추천 항목을 포함하는 리스트(예를 들어, 영화1, 영화2, 영화3, 영화4)를 입력 데이터로 하고, 사용자의 선택 입력(예를 들어, 영화1)을 정답 데이터로 하여 제2 파라미터를 학습시킬 수도 있다.
본 개시는 시간 감쇠 비율 및 사용자의 항목 선택 정보에 기초하여 선호도 점수를 업데이트할 수 있다. 시간 감쇠 비율에만 기초하여 선호도 점수를 업데이트하는 경우, 사용자가 과거에 선택한 항목의 선호도 점수가 계속 감쇠되어 과거 선택한 정보가 쉽게 잊어질 수 있다. 하지만, 과거에 사용자가 선택하였던 항목이더라도, 사용자가 현재 새롭게 선택하면 선호도 점수를 증가시킴으로써, 프로세서(610)는 과거 사용자의 선호도가 현재 사용자 항목 선택과 얼마나 일치하는지 정보를 선호도 점수에 반영할 수 있다.
도 2는 일 실시예에 따른 사용자의 선호도 점수가 업데이트되는 과정을 설명하기 위한 예시도이다.
도 2에서는 시간 t-1에서의 선호도 테이블(201) 및 시간 t에서의 선호도 테이블(200)이 도시되어 있다. 각각의 테이블에는 선호도 점수(230) 및 업데이트된 선호도 점수(250)가 포함되어 있을 수 있다.
일 실시예에 따른 프로세서(610)는 시간 t-1(220)의 선호도 점수(230)에 기초하여 추천 항목을 결정할 수 있다. 프로세서(610)는 선호도 점수가 높은 회의실1(211) 및 회의실2(212)를 추천 항목으로서 제1 리스트에 포함시킬 수 있다. 도 2에 도시된 바와 같이 회의실1(211)의 선호도 점수1(231)은 3.118646이고, 회의실2(212)의 선호도 점수2(232)는 2.897353으로 높은 점수를 가질 수 있다. 즉, 사용자는 회의실1(211) 또는 회의실2(212)를 선호하는 것을 알 수 있다.
일 실시예에 따른 프로세서(610)는 사용자 선택(270)을 수신할 수 있다. 프로세서(610)는 사용자 선택(270) 및 시간 감쇠 비율에 기초하여 선호도 점수를 업데이트(290)할 수 있다. 시간t에서의 선호도 테이블(202)은 업데이트된 선호도 점수(250)를 표시하고 있을 수 있다. 일 실시예에 따른 선택된 항목이 회의실2(212)인 경우, 프로세서(610)는 시간 감쇠 비율 및 제1 파라미터에 기초하여 제1 리스트에 포함된 회의실1(211) 및 회의실2(212)에 대응하는 선호도 점수를 감쇠시킬 수 있다. 또한 프로세서(610)는 제1 리스트에 포함되지 않은 다른 회의실에 대응하는 선호도 점수를 감쇠시킬 수 있다. 그리고 프로세서(610)는 선택된 항목인 회의실2(212)에 대한 선호도 점수에 가중치를 더하여 회의실2(212)에 대한 선호도 점수를 증가시킬 수 있다. 이 경우, 시간t(240)에서의 회의실2(212)의 선호도 점수4(252)는 3.697711로 가장 높을 수 있다.
도 3은 일 실시예에 따른 사용자에게 디스플레이되는 추천 항목을 설명하기 위한 도면이다.
일 실시예에 따른 도 3은 추천 항목들을 포함하는 제1 리스트가 표시된 디스플레이를 의미할 수 있다. 일 실시예에 따른 항목은 회의실일 수 있다. 이 경우, 프로세서(610)는 선호도 점수가 높은 순서대로 회의실 번호를 디스플레이에 출력할 수 있다. 도 3에서는 2-302 회의실(310)이 가장 높은 선호도 점수를 가지고, 그 다음으로 2-304 회의실(320) 및 2-305 회의실(330)이 선호도 점수가 높은 것을 알 수 있다. 사용자는 추천 회의실 테이블을 보고 회의실을 선택할 수 있다. 일 실시예에 따른, 도 3에서 회의실 번호 및에 기재된 숫자는 회의실의 최소 예약 인원을 의미할 수 있다. 예를 들어, 2-302 회의실(310)의 최소 예약 인원은 5명일 수 있다. 또 다른 예를 들어, 2-304 회의실(320)의 최소 예약 인원은 6명일 수 있다.
도 4는 일 실시예에 따른 사용자 추천 방법 각각에 대한 정확도를 설명하기 위한 도면이다.
일 실시예에 따른 빈도수에 기초한 추천(410)은 사용자가 항목을 선택한 횟수에 기초하여 선호도 점수 결정하는 방법일 수 있다.
일 실시예에 따른 시간에 따른 선호도 감쇠함수 기반 추천(420)은 선호도 점수가 시간의 흐름에 따라 감소하는 방법일 수 있다.
일 실시예에 따른 유사 사용자 정보를 활용한 추천(440)은 다른 사용자의 항목 선택 데이터를 이용하여, 사용자에게 항목을 추천하는 방법일 수 있다.
본 개시는 시간 및 사용자 선택에 따른 선호도 감쇠함수 기반 추천(430)일 수 있다.
일 실시예에 따른 실험은 추천항목 1개(451), 추천항목 2개(452), 추천항목 3개(453), 추천항목 4개(454) 및 추천항목 5개(455)의 경우로 나누어서 진행될 수 있다. 즉, 제1 리스트에 포함된 항목이 1개, 2개, 3개, 4개 및 5개인 경우로 나눠서 실험을 진행할 수 있다.
도 4에 도시된 바와 같이, 각각의 모든 경우에서 본 개시의 시간 및 사용자 선택에 따른 선호도 감쇠함수 기반 추천(430) 방법은 정확도가 가장 높을 수 있다. 표 안에 기재된 숫자들은 사용자가 추천항목을 선택한 확률을 의미할 수 있다.
일 실시예에 따른 제1 리스트는, 사전 결정된 개수 이하의 적어도 하나의 추천 항목을 포함할 수 있다. 사전 결정된 개수는 임의로 정할 수도 있고, 항목의 카테고리 정보에 기초하여 결정될 수도 있다. 예를 들어, 제1 리스트는 5개 이하의 추천 항목을 포함할 수 있다. 프로세서(610)는 제1 리스트에 포함된 항목 개수가 많을 때보다 항목 개수가 적을 때, 더 높은 정확도로 사용자가 선호하는 항목을 추천할 수 있다.
도 5a 내지 도 5b는 일 실시예에 따른 항목이 선택된 경우에 선호도 점수가 업데이트되는 과정을 설명하기 위한 도면이다.
도 5a는 제1 리스트에 포함된 항목이 선택된 경우에 선호도 점수가 업데이트되는 과정을 설명하기 위한 도면일 수 있다.
일 실시예에 따른
Figure pat00003
(510)는 t시간에서 사용자 u의 항목 m에 대한 선호도 점수를 의미할 수 있다. 일 실시예에 따른
Figure pat00004
(520)는 t-1시간에서 사용자 u의 항목 m에 대한 선호도 점수를 의미할 수 있다. 일 실시예에 따른
Figure pat00005
(530)는 시간 감쇠 비율을 의미할 수 있다. 예를 들어, 시간 감쇠 비율은
Figure pat00006
일 수 있다. 일 실시예에 따른
Figure pat00007
(540)는 제1 파라미터를 의미할 수 있다. 예를 들어,
Figure pat00008
는
Figure pat00009
일 수 있다. 일 실시예에 따른
Figure pat00010
(560)는 제1 리스트에서 선택된 항목을 의미할 수 있다.
Figure pat00011
는 사용자u의 항목
Figure pat00012
(560)에 대한 선호도 점수를 의미할 수 있다. 일 실시예에 따른
Figure pat00013
(550)는 가중치를 의미할 수 있다.
일 실시예에 따른 제1 파라미터는 제1 리스트에 포함된 적어도 하나의 항목의 선호 순위 정보에 기초하여 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함할 수 있다. 도 5에 도시된
Figure pat00014
(540)에서 j는 제1 리스트에 포함된 추천 항목 번호일 수 있다. 추천 항목 번호는 각각의 항목에 대응하는 선호도 점수에 기초하여 결정될 수 있다. 가장 선호도 점수가 높은 추천 항목 번호는 1, 그 다음으로 선호도 점수가 높은 추천 항목 번호는 2일 수 있다. 추천 항목 번호가 작아질수록 선호도 점수의 감쇠 비율은 커질 수 있다. 예를 들어, 추천 항목 번호가 1인 항목을 사용자가 선택한 경우, 제1 파라미터는
Figure pat00015
일 수 있다. 또 다른 예를 들어, 추천 항목 번호가 2인 항목을 사용자가 선택한 경우, 제1 파라미터는
Figure pat00016
일 수 있다.
Figure pat00017
는
Figure pat00018
보다 작은 값이므로, 추천 항목 번호가 2인 항목이 선택되었을 경우의 선호도 점수의 감쇠 비율은 추천 항목 번호가 1인 항목이 선택되었을 경우보다 클 수 있다. 즉, 프로세서(610)가 예측한 "사용자가 선택할 확률이 높은 항목"을 사용자가 선택할수록, 선호도 점수의 감쇠 비율은 작아질 수 있다.
일 실시예에 따른 프로세서(610)는 제1 리스트 및 제2 리스트에 포함된 모든 항목 m에 대하여 선호도 점수를 감소시킬 수 있다. 그리고 프로세서(610)는 제1 리스트에서 선택된 항목에 대해서만 가중치를 더하여 선호도를 증가시킬 수 있다.
도 5b는 제2 리스트에 포함된 항목이 선택된 경우에 선호도 점수가 업데이트되는 과정을 설명하기 위한 도면일 수 있다.
일 실시예에 따른
Figure pat00019
(570)는 제2 파라미터를 의미할 수 있다. 일 실시예에 따른
Figure pat00020
(580)는 제2 리스트에 포함된 항목을 의미할 수 있다. 일 실시예에 따른, 제2 파라미터는 제1 파라미터보다 작을 수 있다. 예를 들어,
Figure pat00021
(570)의 c는
Figure pat00022
(540)의 j보다 클 수 있다. 따라서, 제2 리스트에 포함된 항목
Figure pat00023
(580)가 선택된 경우, 프로세서(610)는 1 리스트에 포함된 항목
Figure pat00024
(560)이 선택된 경우보다 제1 리스트 및 제2 리스트에 포함된 모든 항목 m에 대한 선호도 점수를 제 더 큰 폭으로 선호도 점수를 감쇠시킬 수 있다.
이를 통해, 프로세서(610)는 제1 리스트에 포함된 추천 항목이 사용자의 선택을 받지 못한 경우, 제1 리스트 및 제2 리스트에 포함된 모든 항목들에 대해서는 시간 경과에 따라 큰 폭으로 선호도 점수를 감쇠시킬 수 있다.
도 6은 일 실시예에 따른 전자 장치를 설명하기 위한 블록도이다.
도 6을 참조하면, 일 실시예에 따른 전자 장치(600)는 메모리(620), 프로세서(610), 및 통신 인터페이스(630)를 포함한다. 메모리(620), 프로세서(610), 및 통신 인터페이스(630)는 통신 버스(640)를 통해 서로 연결될 수 있다.
메모리(620)는 상술한 프로세서(610)의 처리 과정에서 생성되는 다양한 정보들을 저장할 수 있다. 이 밖에도, 메모리(620)는 각종 데이터와 프로그램 등을 저장할 수 있다. 메모리(620)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(620)는 하드 디스크 등과 같은 대용량 저장 매체를 구비하여 각종 데이터를 저장할 수 있다.
프로세서(610)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 분류 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(Central Processing Unit; CPU), 그래픽 처리 장치(Graphic Processing Unit; GPU), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array), NPU(Neural Processing Unit) 등을 포함할 수 있다.
프로세서(610)는 프로그램을 실행하고, 전자 장치를 제어할 수 있다. 프로세서(610)에 의하여 실행되는 프로그램 코드는 메모리(620)에 저장될 수 있다.
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, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 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 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (21)

  1. 사용자의 선호도를 모델링하는 방법에 있어서,
    복수의 항목(item)들에 대응하는 선호도 점수들을 수신하는 단계;
    상기 사용자로부터 상기 복수의 항목들 중 적어도 하나의 항목을 선택하는 항목 선택 입력을 수신하는 단계;
    상기 선택된 항목이 상기 선호도 점수들에 기초하여 결정된 추천 항목에 해당하는 제1 리스트에 포함된 경우, 시간 감쇠(decay) 비율 및 제1 파라미터에 기초하여 상기 제1 리스트 및 상기 제1 리스트와 구별되는 제2 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠시키는 단계;
    상기 선택된 항목이 상기 제2 리스트에 포함된 경우, 시간 감쇠 비율 및 제2 파라미터에 기초하여 상기 제1 리스트 및 상기 제2 리스트에 포함된 적어도 하나의 항목에 대응하는 상기 선호도 점수를 감쇠 시키는 단계; 및
    상기 선택된 항목에 대응하는 선호도 점수를 증가시키는 단계;
    를 포함하는,
    사용자의 선호도를 모델링하는 방법.
  2. 제1항에 있어서,
    상기 제1 리스트는,
    사전 결정된 개수 이하의 적어도 하나의 추천 항목을 포함하는,
    사용자의 선호도를 모델링하는 방법.
  3. 제1항에 있어서,
    상기 선택된 항목에 대응하는 선호도 점수를 증가시키는 단계는
    상기 선호도 점수에 가중치를 더하는 단계;
    를 포함하는,
    사용자의 선호도를 모델링하는 방법.
  4. 제1항에 있어서,
    상기 시간 감쇠 비율은,
    시간 경과에 기초하여 선호도 점수를 감쇠시키는 비율을 포함하는,
    사용자의 선호도를 모델링하는 방법.
  5. 제1항에 있어서,
    상기 제1 파라미터는,
    시간 경과에 따라 상기 선호도 점수가 감쇠되는 비율을 조정하기 위한 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 방법.
  6. 제1항에 있어서,
    상기 제1 파라미터는,
    상기 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 방법.
  7. 제1항에 있어서,
    상기 제1 파라미터는,
    상기 제1 리스트에 포함된 적어도 하나의 항목의 선호 순위 정보에 기초하여 상기 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 방법.
  8. 제1항에 있어서,
    상기 제2 파라미터는
    상기 제1 파라미터에 비하여 상기 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 상기 선호도 점수를 더 많이 감쇠시키도록 설정되는,
    사용자의 선호도를 모델링하는 방법.
  9. 제1항에 있어서,
    상기 제2 파라미터는,
    제1 파라미터보다 작은 값을 가지는 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 방법.
  10. 제1항에 있어서,
    상기 제2 파라미터는,
    적어도 하나의 추천 항목을 포함하는 리스트를 입력 데이터로 하고, 사용자 선택 항목을 정답 데이터로 하여 학습된 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 방법.
  11. 하드웨어와 결합되어 제1항 내지 제10항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  12. 복수의 항목들에 대응하는 선호도 점수들을 수신하고, 사용자로부터 상기 복수의 항목들 중 적어도 하나의 항목을 선택하는 항목 선택 입력을 수신하고, 상기 선택된 항목이 상기 선호도 점수들에 기초하여 결정된 추천 항목에 해당하는 제1 리스트에 포함된 경우, 시간 감쇠 비율 및 제1 파라미터에 기초하여 상기 제1 리스트 및 상기 제1 리스트와 구별되는 제2 리스트에 포함된 적어도 하나의 항목에 대응하는 선호도 점수를 감쇠 시키고, 상기 선택된 항목이 상기 제2 리스트에 포함된 경우, 시간 감쇠 비율 및 제2 파라미터에 기초하여 상기 제1 리스트 및 상기 제2 리스트에 포함된 적어도 하나의 항목에 대응하는 상기 선호도 점수를 감쇠시키고, 그리고 상기 선택된 항목에 대응하는 선호도 점수를 증가시키는 프로세서를 포함하는,
    사용자의 선호도를 모델링하는 장치.
  13. 제12항에 있어서,
    상기 제1 리스트는,
    사전 결정된 개수 이하의 적어도 하나의 추천 항목을 포함하는,
    사용자의 선호도를 모델링하는 장치.
  14. 제12항에 있어서,
    상기 프로세서는,
    상기 선호도 점수에 가중치를 더하는,
    사용자의 선호도를 모델링하는 장치.
  15. 제12항에 있어서,
    상기 시간 감쇠 비율은,
    시간 경과에 기초하여 선호도 점수를 감쇠시키는 비율을 포함하는,
    사용자의 선호도를 모델링하는 장치.
  16. 제12항에 있어서,
    상기 제1 파라미터는,
    시간 경과에 따라 상기 선호도 점수가 감쇠되는 비율을 조정하기 위한 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 장치.
  17. 제12항에 있어서,
    상기 제1 파라미터는,
    상기 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 장치.
  18. 제12항에 있어서,
    상기 제1 파라미터는,
    상기 제1 리스트에 포함된 적어도 하나의 항목의 선호 순위 정보에 기초하여 상기 선호도 점수의 감쇠 비율을 감소시키기 위한 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 장치.
  19. 제12항에 있어서,
    상기 제2 파라미터는
    상기 제1 파라미터에 비하여 상기 제1 리스트에 포함된 적어도 하나의 항목에 대응하는 상기 선호도 점수를 더 많이 감쇠시키도록 설정되는,
    사용자의 선호도를 모델링하는 장치.
  20. 제12항에 있어서,
    상기 제2 파라미터는,
    제1 파라미터보다 작은 값을 가지는 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 장치.
  21. 제12항에 있어서,
    상기 제2 파라미터는,
    적어도 하나의 추천 항목을 포함하는 리스트를 입력 데이터로 하고, 사용자 선택 항목을 정답 데이터로 하여 학습된 파라미터를 포함하는,
    사용자의 선호도를 모델링하는 장치.

KR1020210143931A 2021-10-26 2021-10-26 사용자의 선호도를 모델링하는 방법 및 장치 KR20230059595A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210143931A KR20230059595A (ko) 2021-10-26 2021-10-26 사용자의 선호도를 모델링하는 방법 및 장치
US17/698,667 US20230126117A1 (en) 2021-10-26 2022-03-18 Method and apparatus for modeling user preferences

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210143931A KR20230059595A (ko) 2021-10-26 2021-10-26 사용자의 선호도를 모델링하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230059595A true KR20230059595A (ko) 2023-05-03

Family

ID=86057579

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210143931A KR20230059595A (ko) 2021-10-26 2021-10-26 사용자의 선호도를 모델링하는 방법 및 장치

Country Status (2)

Country Link
US (1) US20230126117A1 (ko)
KR (1) KR20230059595A (ko)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013033229A1 (en) * 2011-08-29 2013-03-07 Massachusetts Institute Of Technology System and method for providing personalized recommendations
US10127596B1 (en) * 2013-12-10 2018-11-13 Vast.com, Inc. Systems, methods, and devices for generating recommendations of unique items
US10824960B2 (en) * 2016-08-02 2020-11-03 Telefonaktiebolaget Lm Ericsson (Publ) System and method for recommending semantically similar items
US11423103B2 (en) * 2019-07-08 2022-08-23 Valve Corporation Content-item recommendations
US11393013B2 (en) * 2020-06-25 2022-07-19 Mercari, Inc. Method, non-transitory computer-readable device, and system for intelligent listing creation
US20220058489A1 (en) * 2020-08-19 2022-02-24 The Toronto-Dominion Bank Two-headed attention fused autoencoder for context-aware recommendation
US20230101928A1 (en) * 2021-09-24 2023-03-30 Target Brands, Inc. User attribute preference model

Also Published As

Publication number Publication date
US20230126117A1 (en) 2023-04-27

Similar Documents

Publication Publication Date Title
US10853099B2 (en) System, method, and apparatus for rendering interface elements
US9922123B2 (en) Policy performance ordering
CN112424748B (zh) 源代码文件推荐通知
US20230053724A1 (en) Automatic Generation of Narratives from Data Using Communication Goals and Narrative Analytics
US20110246549A1 (en) Adaptive distribution of the processing of highly interactive applications
US9910641B2 (en) Generation of application behaviors
CN102880672A (zh) 自适应推荐系统
CN112558824A (zh) 一种页面显示方法、装置、以及计算机存储介质
JP2021182415A (ja) コントロールを使用して汎用プログラムを構成する技法
US20180063064A1 (en) Modifying a mood through selective feeding of content
CN113728308B (zh) 用于会话机器人的训练对话的可视化
US9268875B2 (en) Extensible content focus mode
WO2014110424A1 (en) Generating optimized solutions to complex problems
US8276106B2 (en) Swarm intelligence for electrical design space modeling and optimization
US20180232643A1 (en) Identifying user engagement based upon emotional state
EP3374936A1 (en) Method and apparatus for dynamically selecting content for online visitors
US20230345076A1 (en) Methods and systems for transition-coded media, measuring engagement of transition-coded media, and distribution of components of transition-coded media
KR20230059595A (ko) 사용자의 선호도를 모델링하는 방법 및 장치
US20090328036A1 (en) Selection of virtual computing resources using hardware model presentations
US11830030B2 (en) Methods and systems for transition-coded media, measuring engagement of transition-coded media, and distribution of components of transition-coded media
CN109741141A (zh) 配置工业模型运行环境的方法及工业模型运行环境配置器
CN114896061A (zh) 计算资源控制模型的训练方法、计算资源控制方法及装置
US10198150B2 (en) Cross database data selection and correlation interface
KR102027358B1 (ko) 아이템 생성 관련 게임 서비스 제공 방법 및 장치
WO2014201062A2 (en) Online selling mechanism creation