KR20230112301A - 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템 - Google Patents

사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템 Download PDF

Info

Publication number
KR20230112301A
KR20230112301A KR1020220008401A KR20220008401A KR20230112301A KR 20230112301 A KR20230112301 A KR 20230112301A KR 1020220008401 A KR1020220008401 A KR 1020220008401A KR 20220008401 A KR20220008401 A KR 20220008401A KR 20230112301 A KR20230112301 A KR 20230112301A
Authority
KR
South Korea
Prior art keywords
video
user
funding
production
category
Prior art date
Application number
KR1020220008401A
Other languages
English (en)
Inventor
최진영
김현조
Original Assignee
주식회사 테라프티
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 테라프티 filed Critical 주식회사 테라프티
Priority to KR1020220008401A priority Critical patent/KR20230112301A/ko
Publication of KR20230112301A publication Critical patent/KR20230112301A/ko

Links

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Signal Processing (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)

Abstract

사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템에 대한 것으로, 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법은 복수 개의 영상들의 텍스트 정보에 기초하여 핵심 키워드, 카테고리를 포함하는 영상 속성 벡터를 산출하는 단계, 사용자 및 복수 명의 타 시청자들의 시청이력에 기초하여 카테고리 별 가중치를 산출하고, 산출된 카테고리 별 가중치 및 카테고리 핵심 키워드를 포함하는 사용자 속성 벡터를 산출하는 단계, 산출된 영상 속성 벡터와 산출된 사용자 속성 벡터간의 코사인 유사도를 기초로 코사인 유사도가 높은 순서로 영상 속성 벡터를 갖는 영상을 정렬하여 추천 영상 리스트를 생성하는 단계, 생성된 추천 영상 리스트와 관련된 제작 펀딩 리스트 및 사용자 제작 펀딩 이력을 포함하는 사용자 속성 벡터를 업데이트하고, 타 시청자들의 추천 영상 리스트와 관련된 제작 펀딩 리스트 및 제작 펀딩 이력을 포함하는 타 시청자 속성 벡터를 산출하는 단계 및 업데이트된 사용자 속성 벡터와 산출된 타 시청자 속성 벡터간의 코사인 유사도를 기초로 코사인 유사도가 가장 높은 타 시청자를 결정하고, 협업 필터링을 통해 추천 제작 펀딩 리스트를 생성하는 단계를 포함할 수 있다.

Description

사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템{A Recommendation System For Video And Production Funding Based On User Preference And System Thereof}
사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템에 대한 것이다.
영상을 포함한 컨텐츠 추천 시스템은 사용자의 성향을 분석하여 분석된 사용자의 성향에 적합한 컨텐츠를 추천해주는 시스템으로 최근 컨텐츠 제공 서비스의 활성화로 인해 다양한 사용자 맞춤형 컨텐츠 추천 방법이 일상에 보급되고 있다.
또한, 시청자가 영상을 포함한 컨텐츠를 시청하는 수단이 라디오, 텔레비전에서 인터넷, 모바일 단말로 넘어오면서 제공하는 컨텐츠의 크기가 작아지고, 이로 인해 하나의 컨텐츠 제작 시 소요되는 비용이 감소하고 있는 추세다. 이러한 추세에 맞춰 최근에는 크리에이터가 컨텐츠 제작 시 시청자로부터 기부 및 펀딩을 받아 컨텐츠를 제작하고 있다. 특히, 크리에이터는 복수의 시청자로부터 기부 및 펀딩을 받아 클라우드 펀딩의 형태로 시청자 의견에 따라 컨텐츠를 제작하고 있지만, 시청자가 크리에이터의 컨텐츠 제작에 기여한 정도를 확인할 수 없고 제작 펀딩한 영상과 관련된 다른 영상을 조회할 수 없어, 이러한 문제를 해결할 수 있는 시청자에게 기부 및 펀딩을 추천하는 시스템의 필요성도 커진 상황이다.
대한민국 공개특허공보 제10-2016-0038068호("컴퓨팅 어드바이스 수단에서의 흥미도 추천", 이베이 인크., 2016.04.06)
영상의 복수의 특성 별 속성과 사용자의 시청 이력, 제작 펀딩 이력 및 성향에 대한 사용자의 행동 속성을 매칭하여 사용자 개별 특성에 맞는 영상 및 제작 펀딩을 추천하는 영상 및 제작 펀딩 추천 시스템 및 그 제어방법을 제공할 수 있다.
사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법의 일 실시예는 복수 개의 영상들의 텍스트 정보에 기초하여 핵심 키워드, 카테고리를 포함하는 영상 속성 벡터를 산출하는 단계, 사용자 및 복수 명의 타 시청자들의 시청이력에 기초하여 카테고리 별 가중치를 산출하고, 산출된 카테고리 별 가중치 및 카테고리 핵심 키워드를 포함하는 사용자 속성 벡터를 산출하는 단계, 산출된 영상 속성 벡터와 산출된 사용자 속성 벡터간의 코사인 유사도를 기초로 코사인 유사도가 높은 순서로 영상 속성 벡터를 갖는 영상을 정렬하여 추천 영상 리스트를 생성하는 단계, 생성된 추천 영상 리스트와 관련된 제작 펀딩 리스트 및 사용자 제작 펀딩 이력을 포함하는 사용자 속성 벡터를 업데이트하고, 타 시청자들의 추천 영상 리스트와 관련된 제작 펀딩 리스트 및 제작 펀딩 이력을 포함하는 타 시청자 속성 벡터를 산출하는 단계 및 업데이트된 사용자 속성 벡터와 산출된 타 시청자 속성 벡터간의 코사인 유사도를 기초로 코사인 유사도가 가장 높은 타 시청자를 결정하고, 협업 필터링을 통해 추천 제작 펀딩 리스트를 생성하는 단계를 포함할 수 있다.
또한, 일 실시예에 따라서 사용자 속성 벡터를 산출하는 단계는 복수 개의 영상 중 하나의 영상을 시청한 사용자 및 타 시청자의 인원수를 산출하고, 하나의 영상의 전체시간 대비 시청시간 비율인 제1시청시간 비율이 0.1을 초과하는 사용자 및 타 시청자의 제1시청시간 비율을 합산하여 인원수를 나누어 하나의 영상에 대한 시청 확률을 산출하는 것을 특징으로 할 수 있다.
또한, 일 실시예에 따라서 사용자 속성 벡터를 산출하는 단계는 복수 개의 영상에 대해서 시청 확률을 산출하는 것을 특징으로 할 수 있다.
또한, 일 실시예에 따라서 사용자 속성 벡터를 산출하는 단계는 복수의 영상 중 카테고리가 동일한 영상을 분류하고, 동일 카테고리 내 영상 중 동일 카테고리 내 영상의 전체시간 대비 사용자 시청시간 비율인 제2시청시간 비율이 0.3을 초과하는 영상의 제2시청시간 비율, 시청 확률 및 보정치에 기초하여 영상 별 가중치를 산출하는 것을 특징으로 할 수 있다.
또한, 일 실시예에 따라서 사용자 속성 벡터를 산출하는 단계는 제2시청시간 비율이 0.3을 초과하는 영상의 영상 별 가중치를 합산하여 카테고리 별 가중치를 산출하는 것을 특징으로 할 수 있다.
또한, 일 실시예에 따라서 사용자 속성 벡터를 산출하는 단계는 카테고리 별 가중치를 산출한 카테고리 이외의 다른 카데고리에 대해서 카테고리 별 가중치를 산출하는 것을 특징으로 할 수 있다.
또한, 일 실시예에 따라서 영상 별 가중치는
[수학식]
( : 영상 별 가중치, : 제2시청시간 비율, : 시청 확률, : 보정치)
상술한 수학식에 따라 산출되는 것을 특징으로 할 수 있다.
또한, 일 실시예에 따라서 영상 별 가중치 산출 시 보정치는 상기 사용자의 댓글 작성, 선호도 표현, 되감기 이력, 빨리감기 이력의 4가지 보정 속성에 의해 결정되는 것을 특징으로 할 수 있다.
영상의 복수의 특성 별 속성과 사용자의 시청 이력, 제작 펀딩 이력 및 성향에 대한 사용자의 행동 속성을 매칭하여 사용자 개별 특성에 맞는 영상 및 제작 펀딩을 추천할 수 있다.
도 1은 일 실시예에 따른 사용자 속성에 기초한 영상 및 제작 펀딩 추천 시스템의 블록도이다.
도 2는 일 실시예에 따른 영상의 속성을 산출하는 개념도이다.
도 3은 일 실시예에 따른 사용자의 속성을 산출하는 개념도이다.
도 4는 일 실시예에 따른 사용자의 가중치를 산출하는 개념도이다.
도 5는 일 실시예에 따른 제작 펀딩 추천 시 협업 필터링에 대한 개념도이다.
도 6은 일 실시예에 따른 제작 펀딩을 추천하는 개념도이다.
도 7은 일 실시예에 따른 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법의 플로우 차트이다.
도 8은 일 실시예에 따른 사용자 속성 벡터를 산출하는 방법에 대한 플로우 차트이다.
이하, 첨부된 도면을 참조하여 기술되는 실시예를 통하여 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다. 다만, 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
이하에서 사용되는 용어들은 실시예에서의 기능을 고려하여 선택된 용어들로서, 그 용어의 의미는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 후술하는 실시예들에서 사용된 용어의 의미는, 이하에서 구체적으로 정의된 경우에는 그 정의에 따르며, 구체적인 정의가 없는 경우는 통상의 기술자들이 일반적으로 인식하는 의미로 해석되어야 할 것이다.
아울러, 이하에서 선택적으로 기재된 양상이나 선택적으로 기재된 실시예의 구성들은 비록 도면에서 단일의 통합된 구성으로 도시되었다 하더라도 달리 기재가 없는 한, 통상의 기술자에게 기술적으로 모순인 것이 명백하지 않다면 상호간에 자유롭게 조합될 수 있는 것으로 이해하여야 한다.
이하, 첨부된 도면을 참조하여 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 사용자 속성에 기초한 영상 및 제작 펀딩 추천 시스템의 일 실시예에 대해서 설명하도록 한다.
이하, 도 1 내지 도 7을 참조하여 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 사용자 속성에 기초한 영상 및 제작 펀딩 추천 시스템(100)의 실시예들에 대해서 설명하도록 한다.
도 1은 사용자 속성에 기초한 영상 및 제작 펀딩 추천 시스템(100)의 블록도를 도시하고 있다.
사용자 속성에 기초한 영상 및 제작 펀딩 추천 시스템(100)은 영상 속성 산출부(200), 사용자 속성 산출부(300), 저장부(400), 입력부(500), 출력부(600)를 포함할 수 있다.
이하, 도 1 및 도 2를 참조하여 영상 속성 산출부(200)에 대해서 설명하도록 한다.
영상 속성 산출부(200)는 입력부(500)를 통해 입력된 복수의 영상을 분석하여 영상 별 카테고리, 키워드를 산출할 수 있다. 또한, 영상 속성 산출부(200)는 전처리부(210), 영상 분석부(220), 영상 속성 벡터 생성부(220)를 포함할 수 있다.
전처리부(210)는 크리에이터 또는 사용자가 영상을 업로드할 때 입력되는 영상의 메인 카테고리, 추천연령, 태그, 자막, 영상이 설명에 기초하여 이를 텍스트로 분석할 수 있도록 전처리를 수행한다. 전처리부(210)는 영상에 포함된 텍스트 정보를 텍스트 토큰화, 불용어 제거의 자연어로의 전처리가 수행될 수 있다.
영상 분석부(220)는 영상에 포함된 자연어로 전처리된 텍스트를 분석하여 빈도 수를 기준으로 핵심 키워드를 추출하고, 추출된 핵심 키워드에 기초하여 분석하는 영상의 세부 카테고리를 추출할 수 있다.
영상 속성 벡터 생성부(220)는 영상 분석부(220)에서 선정한 영상의 핵심 키워드, 세부 카테고리 및 자연어 처리된 텍스트를 속성 벡터의 특징점으로 포함하여, 영상 속성 저장부(410)에 영상과 함께 매칭이 되도록 속성-영상 형태의 쌍 데이터로 저장될 수 있도록 영상의 속성 벡터를 생성할 수 있다.
구체적으로, 영상 속성 산출부(200)는 도 2에 도시된 바와 같이 크리에이터가 제목, 자막, 설명이 포함된 영상을 업로드하는 경우, 제목, 자막, 설명의 텍스트 정보를 전처리부(210)를 통해 자연어로 처리할 수 있다. 이후 영상 속성 산출부(200)는 자연어로 전처리된 텍스트 정보에 기초하여 핵심 키워드로 요리, 초보 요리, 생선 요리, 자취생을 핵심 키워드로 추출하고, 추출된 핵심 키워드에 기초하여 해당 영상에 대한 세부 카테고리를 요리 강의로 추출할 수 있다.
이하, 도 1, 도 3 및 도 4를 참조하여 사용자 속성 산출부(300)에 대해서 설명하도록 한다.
사용자 속성 산출부(300)는 사용자의 영상 시청 이력 및 영상 가중치에 의해 사용자의 속성을 산출하여 속성 벡터로 생성할 수 있다. 사용자 속성 산출부(300)는 시청 확률 산출부(310), 가중치 산출부(320), 사용자 속성 벡터 생성부(320)를 포함할 수 있다.
시청 확률 산출부(310)는 특정 영상에 대해 사용자 및 타 시청자의 시청이력에 기초하여 특정 영상을 처음부터 끝까지 시청할 가능성인 시청 확률(PWV, probability of watching the video to the end)을 산출할 수 있다.
구체적으로, 시청 확률 산출부(310)는 하나의 영상에 대한 시청 확률을 산출하기 위해서, 특정 영상을 본 시청자의 수(NP, the number of person who watched video)를 산출하고, 산출된 시청자의 수에 해당하는 시청자 별 전체 영상 시간 대비 시청 시간의 비율인 제1시간시간 비율( )을 산출할 수 있다. 시청 확률 산출부(310)는 산출한 시청자 별 시간 속성 중 0.1(10%)이하인 경우를 제외하고 0.1(10%)를 초과하는 시청자의 시간 속성을 합산한 후 시청자의 수(NP)를 나누어 시청 확률(PMW)를 산출할 수 있다. 이러한 시청 확률(PMW) 산출은 아래의 수학식 1과 같이 산출될 수 있다.
(NP: 영상을 시청한 시청자의 수, PWV: 영상의 시청 확률, i: 시청자 식별번호, : i번째 시청자가 전체 영상 시간 대비 영상을 시청한 비율(제1시청시간 비율), : 0.1을 초과하는 를 합산한 값, +=: 반복문이 종료될때까지 우변의 값을 합산하는 함수)
또한, 시청 확률 산출부(310)는 입력부(500)를 통해 추천 시스템(100)에 입력된 복수 개의 영상에 대한 시청 확률을 복수 개의 영상 별로 산출할 수 있다.
가중치 산출부(320)는 시청 확률 산출부(310)에서 산출된 복수 개의 영상 별 시청 확률, 영상 속성 분석부에서 분석한 카테고리 별 영상에 대해 영상 별 가중치를 산출하고, 이에 기초하여 카테고리 별 가중치를 카테고리 모두에 대해 산출할 수 있다.
구체적으로, 가중치 산출부(320)는 하나의 카테고리에 대한 카테고리 별 가중치를 산출하기 위해서, 같은 카테고리 내 포함된 복수 개의 영상에 대한 영상 별 가중치를 산출할 수 있다. 가중치 산출부(320)는 영상 속성 산출부(200)에서 분류한 복수 개의 영상 중 동일한 카테고리에 해당하는 영상들에 대해서 전체 영상 시간 대비 사용자의 시청 시간 비율인 제2시청시간 비율을 산출할 수 있다. 가중치 산출부(320)는 산출한 제2시청시간 비율이 0.3(30%)를 초과하는 영상에 대해 제2시청시간 비율과 제2시청시간 비율에 영상에 대한 시청 확률을 나눈 값을 곱하여 해당 값에 보정치를 더하여 영상 별 가중치( )를 산출할 수 있다. 또한, 가중치 산출부(320)는 동일 카테고리 내 영상 중 제2시청시간 비율이 0.3을 초과하는 영상들에 한해서 산출한 영상 별 가중치( )를 합산하여 카테고리 별 가중치( )를 산출할 수 있다.
예들 들어, 도 4에 도시된 바와 같이 가중치 산출부(320)는 요리를 카테고리로 갖는 A영상에 대한 영상 가중치(Pre_weight)를 0.7로 산출하고, B영상에 대한 영상 가중치(Pre_weight)를 0.6으로 산출하여 카테고리가 요리인 경우에 카테고리 별 가중치를 A영상 및 B영상의 영상 가중치를 합산한 1.3으로 산출할 수 있다. 또한, 가중치 산출부(320)는 영화리뷰를 카테고리로 갖는 C영상에 대한 영상 가중치(Pre_weight)를 0.8로 산출하고, D영상에 대한 영상 가중치(Pre_weight)를 0.2으로 산출하여 카테고리가 영화리뷰인 경우에 카테고리 별 가중치를 C영상 및 D영상의 영상 가중치를 합산한 1.0으로 산출할 수 있다.
또한, 가중치 산출부(320)는 영상 속성 산출부(200)를 통해 산출된 복수개의 영상의 카테고리에 해당하는 모든 카테고리에 대한 카테고리 별 가중치( )를 산출할 수 있다.
가중치 산출부(320)가 제2시청시간 비율 및 시청 확률에 기초하여 영상 별 가중치( ) 및 카테고리 별 가중치( )를 산출하는 방법은 아래의 수학식 2와 같이 산출될 수 있다.
(VSC: 동일 카테고리 내 영상, c: 카테고리 식별번호, k: 같은 VSC 내 영상 식별번호, ,: c 카테고리 가중치 : k 영상 가중치, : k영상의 전체시간 대비 시청한 시간의 비율, : k 영상의 시청 확률, : k영상의 보정치)
가중치 산출부(320)는 영상 별 가중치를 산출하는 경우 보정치를 생성하여 반영할 수 있다. 구체적으로, 가중치 산출부(320)는 사용자의 시청 이력 중 댓글 작성, 선호도 표현, 되감기 이력, 빨리감기 이력 4가지를 추적하여 가중치를 산출하는 영상에 대해 사용자가 댓글을 작성하였는지, 선호도를 표현하였는지, 되감기를 하였는지, 빨기감기를 하였는지를 체크하여 보정치에 반영할 수 있다. 가중치 산출부(320)에서 보정치를 생성하기 위한 방법은 아래의 수학식 3으로 수행될 수 있다.
( : k영상의 보정치, j: 보정항목 식별번호, N: 보정항목 총 개수, : j번째 보정항목의 가중치, : 보정항목 값)
가중치 생성부는 사용자가 댓글을 작성, 선호도(좋아요)를 표현, 되감기를 한 경우에 보정항목의 값을 "0.25"로 하여 보정항목의 가중치를 "+1"로 설정할 수 있다. 이 경우 보정치( )는 "0.75"일 수 있다. 또한, 가중치 생성부는 사용자가 빨리감기를 한 경우에 보정항목의 값을 "0.25"로 하여 보정항목의 가중치를 "-1"로 설정할 수 있다. 이 경우 보정치( )는 "-0.25"일 수 있다.
사용자 속성 벡터 생성부(320)는 가중치 생성부에서 생성된 제1시청시간 비율, 제2시청시간 비율, 영상 별 시청 확률, 영상 별 가중치 및 카테고리 별 가중치에 기초하여 사용자 속성 벡터를 생성할 수 있다.
구체적으로, 사용자 속성 벡터 생성부(320)는 사용자 시청 이력과 관련된 속성에 기초하여 영상들의 특징점에 해당하는 값을 추출하여 카운팅할 수 있으며, 카운팅을 하는 경우 가중치 생성부에서 생성한 가중치를 곱하여 합산을 하여 가장 큰 값이 사용자 속성 벡터의 특징점의 값이 될 수 있다.
예를 들어, 도 3에 도시된 바와 같이 사용자가 A 내지 D 영상을 시청한 경우 각 영상에 대한 제2시청비율, 시청확률을 산출하여 카테고리인 요리강의 및 vlog에 대한 카테고리 별 가중치를 각각 산출할 수 있다. 이 경우 요리강의라는 카테고리에 대한 카테고리 별 가중치(weight)는 1.63이고, vlog라는 카테고리에 대한 카테고리 별 가중치(weight)는 1.42로 요리강의에 대한 카테고리가 특징점의 값이 될 수 있다. 이에 사용자 벡터 생성부는 카테고리라는 특징점에 대해서는 요리강의, 키워드라는 특징점에 대해서는 카테고리가 요리강의인 A영상 및 C영상의 키워드인 "초보요리, 자취생, 고급요리, 전문가"를 값으로 설정하여, 사용자 속성 벡터를 생성할 수 있다.
또한, 사용자 속성 벡터 생성부(320)는 추천부(700)에서 생성한 추천 영상 리스트에 기초하여 추천 영상 리스트와 관련된 제작 펀딩 리스트 및 사용자 제작 편딩이력을 포함하는 사용자 속성 벡터를 업데이트할 수 있다.
구체적으로, 영상 추천부(710)에서 생성된 추천 영상 리스트에 포함된 영상과 동일한 카테고리에 해당하는 제작 펀딩, 해당 영상의 다음 에피소드의 영상에 대한 제작 펀딩에 대한 제작 펀딩 리스트를 생성하고, 사용자가 이전에 참여한 제작 펀딩 및 사용자가 입력한 관심 카테고리 및 관심 카테고리의 제작 펀딩을 포함하는 사용자 속성 벡터를 업데이트할 수 있다.
또한, 영상 추천부(710)는 사용자뿐만 아니라 타 시청자에 대한 타 시청자 속성 벡터를 산출할 수 있다.
구체적으로 영상 추천부(710)는 복수의 타 시청자에 대해서 생성된 추천 영상 리스트에 포함된 영상과 동일한 카테고리에 해당하는 제작 펀딩, 해당 영상의 다음 에피소드의 영상에 대한 제작 펀딩에 대한 제작 펀딩 리스트를 생성하고, 타 시청자가 이전에 참여한 제작 펀딩 및 타 시청자가 입력한 관심 카테고리 및 관심 카테고리의 제작 펀딩을 포함하는 타 시청자 속성 벡터를 타 시청자 별로 생성할 수 있다.
저장부(400)는 영상 속성 산출부(200) 및 사용자 속성 산출부(300)에서 산출된 영상 속성 벡터 및 사용자 속성 벡터를 저장하고, 영상을 저장할 수 있다. 저장부(400)는 영상 속성 저장부(410) 및 사용자 속성 저장부(420)를 포함할 수 있다.
영상 속성 저장부(410)는 영상 속성 산출부(200)에서 산출된 영상 속성 벡터, 영상에 포함된 영상의 메인 카테고리, 추천 연령, 태그, 자막, 영상의 설명을 포함할 수 있다. 또한, 영상 속성 저장부(410)는 업로드되거나 추천 리스트에 포함된 영상을 저장할 수도 있다.
사용자 속성 저장부(420)는 사용자 속성 산출부(300)에서 산출된 사용자 속성 벡터 및 영상 별 제1시청시간 비율, 제2시청시간 비율, 영상의 시청 확률, 영상 별 가중치, 카테고리 별 가중치를 저장할 수 있다. 또한, 사용자 속성 저장부(420)는 사용자의 제작 펀딩 이력, 가입 시 입력한 관심 카테고리, 관심 카테고리의 관심 제작 펀딩을 저장할 수 있다.
저장부(400)는 롬(ROM), 고속 랜덤 액세스 메모리(RAM), 자기 디스크 저장 장치, 플래시 메모리 장치와 같은 불휘발성 메모리 또는 다른 불휘발성 반도체 메모리 장치를 포함할 수 있다.
예를 들어, 저장부(400)는 반도체 메모리 장치로서 SD(Secure Digital) 메모리 카드, SDHC(Secure Digital High Capacity) 메모리 카드, mini SD 메모리 카드, mini SDHC 메모리 카드, TF(Trans Flach) 메모리 카드, micro SD 메모리 카드, micro SDHC 메모리 카드, 메모리 스틱, CF(Compact Flach), MMC(Multi-Media Card), MMC micro, XD(eXtreme Digital) 카드 등이 이용될 수 있다.
또한, 저장부(400)는 네트워크를 통하여 액세스되는 네트워크 부착형(attached) 저장 장치를 포함할 수도 있다.
입력부(500)는 서버 및 사용자로부터 데이터를 전달받아 추천 시스템(100)에 데이터를 입력할 수 있다. 구체적으로, 입력부(500)는 영상 및 영상에 포함된 텍스트 정보를 수신하여 영상 속성 산출부(200) 및 영상 속성 저장부(410)에 전달할 수 있다. 또한, 입력부(500)는 사용자의 가입시 입력된 정보 및 사용자의 시청정보, 타 시청자의 시청정보를 수신하여 사용자 속성 산출부(300) 및 사용자 속성 저장부(420)에 전달할 수 있다.
출력부(600)는 추천부(700)에서 추천된 영상 추천 리스트 및 제작 펀딩 리스트를 출력하고, 영상 추천 리스트에 포함된 영상을 출력하거나, 제작 펀딩 리스트에 포함된 제작 펀딩 정보를 출력할 수 있다.
추천부(700)는 영상 속성 산출부(200)에서 산출된 영상 속성 벡터와 사용자 속성 산출부(300)에서 산출된 사용자 속성 벡터에 기초하여 사용자 속성에 맞는 추천하고자 하는 영상의 리스트 및 제작 펀딩 리스트를 생성할 수 있다.
추천부(700)는 영상 추천부(710), 제작 펀딩 추천부(720)를 포함할 수 있다.
영상 추천부(710)는 사용자 속성 벡터와 복수의 영상들 각각의 영상 속성 벡터 간의 유사도를 산출하여 사용자 속성 벡터와 유사도가 높은 영상 속성 벡터에 해당하는 영상의 리스트를 생성할 수 있다. 영상 추천부(710)는 사용자 속성 벡터와 영상 속성 벡터 간의 코사인 유사도에 기초하여 벡터 간 유사도를 측정하고 유사도가 높은 순으로 추천받고자 하는 개수에 맞춰 리스트를 생성할 수 있다. 코사인 유사도는 두 벡터간의 유사성을 계산하기 위하여 사용되는 알고리즘으로, 두 벡터간 각도를 기반으로 코사인 유사도 값을 도출하며, 유사한 경우 1에 가까운 수를 나타내고 유사하지 않는 경우 0으로 나타날 수 있다.
구체적으로, 영상 추천부(710)는 아래의 수학식 4의 similarity 함수와 같이 코사인 유사도에 기초하여 사용자 속성 벡터와 영상 속성 벡터의 유사도를 측정할 수 있다.
(user: 사용자, video: 유사도 판단하고자 하는 영상, U: 사용자 속성 벡터, V: 영상 속성 벡터, : 사용자 속성 벡터의 j번째 속성, : 영상 속성 벡터의 j번째 속성, n: 속성 벡터 속성 수)
영상 추천부(710)는 수학식 4에 의해 측정되는 복수의 영상 별 사용자 속성 벡터와의 유사도를 수학식 5와 같이 추천 개수에 따라 유사도가 높은 영상을 순서대로 순위화하여 추천 영상 리스트를 생성할 수 있다.
(Rank(x, N): x의 값이 큰 순서대로 N개의 변수를 순위화하는 함수, : 추천 개수(Recommend Number))
제작 펀딩 추천부(720)는 영상 추천부(710)에서 생성한 추천 영상 리스트의 카테고리 제작 펀딩 리스트에 기초해 생성된 사용자 속성 벡터와 복수의 타 사용자 속성 벡터 간의 유사도 산출 및 협업 필터링을 통해 추천하고자 하는 제작 펀딩 리스트를 생성할 수 있다.
구체적으로, 제작 펀딩 추천부(720)는 사용자 속성 산출부(300)에서 산출한 사용자의 사용자 속성 벡터, 복수의 타 시청자에 대한 사용자 별 타 시청자 속성 벡터 간의 코사인 유사도를 통해 값이 높은 타 시청자를 미리 설정된 개수로 순위화할 수 있다. 여기서 사용자 속성 벡터와 타 시청자 속성 벡터 간의 코사인 유사도 산출은 상술한 사용자 속성 벡터와 영상 속성 벡터 사이의 코사인 유사도 산출과 동일할 수 있다.
제작 펀딩 추천부(720)는 사용자와 사용자 속성 벡터의 유사도가 높은 미리 설정된 개수의 타 시청자가 결정되면 타 사용자와 사용자 간의 협업 필터링 기법을 이용하여 제작 펀딩 리스트를 산출할 수 있다.
여기서 협업 필터링(collaborative filtering)은 많은 사용자로부터 얻은 성향, 기호 정보 등을 기반으로 사람들의 관심사를 예측하는 추천 알고리즘으로, 협업 필터링은 도 5에 도시된 바와 같이 사용자 기반(User-based) 협업필터링과 아이템 기반(Item-based)필터링으로 나뉠 수 있다. 사용자 기반 협업 필터링은 타겟 사용자가 이행한 행동(구매, 시청 등)이력과 유사한 사용자를 찾고, 유사한 사용자가 이행하였지만 타겟 사용자가 행하지 않은 행동 이력을 추천하는 것이다. 예를 들어, 타겟 사용자가 구매한 상품이 A, B, C이고, 유사 사용자가 구매한 상품이 A, B, C, D일 경우 타겟 사용자에게 상품 D를 추천하는 방식이다. 아이템 기반 협업 필터링은 사용자들이 행한 행동 이력을 분석하여 특정 행동을 할 경우 다음 행동을 예측하는 방식이다. 예를 들어, 타 시청자들이 상품 A를 구매한 경우 B를 구매하고, C를 구매한 경우 D를 구매한 이력이 많다고 하면, 타겟 사용자가 A를 구매하였을 때 B를 추천하는 방식이다.
예를 들어, 제작 펀딩 추천부(720)는 도 6에 도시된 바와 같이 사용자(Target user)와 코사인 유사도를 통해 유사한 1명의 타 시청자(User A)를 선정한 경우, 협업 필터링을 통해 타 시청자(User A)가 Production A, Production B, Production G, Production P에 대해서 제작 펀딩을 하였고, 사용자(Target user)는 Production A, Production B, Production C에 대해서 제작 펀딩을 하였기 때문에 다음 추천 제작 펀딩 리스트에 Production P를 포함시킬 수 있다.
이하, 도 7 및 도 8을 참조하여 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법에 대해서 설명하도록 한다.
도 7은 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법에 대한 플로우 차트이다.
먼저, 영상 속성 산출부(200)는 입력된 영상에 포함된 텍스트 정보에 기초하여 영상의 키워드 및 카테고리에 대한 영상 속성 벡터(S100)를 산출하고, 사용자 속성 산출부(300)는 사용자 및 타 시청자의 시청이력에 기초하여 카테고리 별 가중치를 산출(S200)할 수 있다. 여기서 S200의 구체적인 방법은 도 8을 참고하여 후술하도록 한다. 그리고 사용자 속성 산출부(300)는 카테고리 별 가중치, 카테고리의 핵심 키워드에 기초하여 사용자 속성 벡터를 산출(S300)할 수 있다. 이후 추천부(700)는 영상 속성 벡터 및 사용자 속성 벡터의 코사인 유사도를 산출하여 사용자 속성 벡터와 유사한 영상 속성 벡터에 대응되는 영상을 유사도가 높은 순서대로 추천 개수대로 추출하여 카테고리 내 영상 추천 리스트를 생성(S400)할 수 있다. 또한, 추천부(700)는 생성된 추천 영상 리스트와 관련된 제작 펀딩 리스트를 사용자 속성 벡터로 포함시켜 사용자 속성 벡터와 유사한 타 시청자 속성 벡터를 갖는 타 시청자 리스트를 생성하고, 리스트 중 협업 필터링을 통해 추천 제작 펀딩 리스트를 생성(S500)할 수 있다.
도 8은 사용자 속성을 산출하는 방법에 대한 플로우 차트이다.
사용자 속성 산출부(300)는 하나의 영상에 대한 특정 시청자의 제1시청시간 비율(time factor i)을 계산(S210)하고, 제1시청시간 비율이 0.1을 초과하는 시청자인지 판단(S220)하여 0.1을 초과하는 시청자인 경우, 해당 영상을 시청한 모든 시청자의 제1시청시간 비율을 계산하였는지를 판단(S230)한다. 해당 영상을 시청한 모든 시청자의 제1시청시간 비율을 계산한 경우, 제1시청시간 비율이 0.1을 초과한 시청자들의 제1시청시간 비율을 합산하고, 합산한 값에 해당 영상을 시청한 모든 시청자 수를 나누어 해당 영상의 시청 확률(PWV)를 산출(S240)할 수 있다.
그러나 제1시청시간 비율이 0.1을 초과하는 사용자가 아니거나, 영상을 시청한 모든 시청자의 제1시청시간 비율을 계산하지 않은 경우 다음 시청자로 변경하여 S210을 다시 수행(S235)할 수 있다.
또한, 사용자 속성 산출부(300)는 사용자의 특정 영상에 대한 제2시청시간 비율(time factor k)을 계산(S250)하고, 제2시청시간 비율이 0.3을 초과하는 영상인지 판단(S260)하여 0.3을 초과하는 영상인 경우, 같은 카테고리 내 모든 영상에 대해서 제2시청시간 비율을 계산하였는지를 판단(S270)한다. 같은 카테고리 내 모든 영상에 대해서 제2시청시간 비율을 계산한 경우, 제2시청시간 비율, 시청 확률, 보정치에 기초하여 영상 별 가중치를 산출(S280)할 수 있다.
그러나 제2시청시간 비율이 0.3을 초과하지 않는 영상이거나, 같은 카테고리 내 모든 영상에 대해 제2시청시간 비율 계산을 하지 않은 경우 같은 카테고리 내 다음 영상으로 변경하여 S250을 다시 수행(S275)할 수 있다.
이후, 사용자 속성 산출부(300)는 제2시청시간 비율이 0.3을 초과한 같은 카테고리 내 영상들의 영상 별 가중치를 합산하여 카테고리 별 가중치를 산출(S290)하고, 카테고리를 변경하여 다른 카테고리에 대한 카테고리 별 가중치를 산출할 수 있다.
상기의 설명은 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 기술 분야에서 통상의 지식을 가진 자라면 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 상기에 개시된 실시예 및 첨부된 도면들은 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 기술적 사상의 범위가 한정되는 것은 아니다. 그 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 사용자 속성에 기초한 영상 및 제작 펀딩 추천 시스템
200: 영상 속성 산출부
300: 사용자 속성 산출부
400: 저장부
500: 입력부
600: 출력부
700: 추천부

Claims (8)

  1. 복수 개의 영상들의 텍스트 정보에 기초하여 핵심 키워드, 카테고리를 포함하는 영상 속성 벡터를 산출하는 단계;
    사용자 및 복수 명의 타 시청자들의 시청이력에 기초하여 카테고리 별 가중치를 산출하고, 상기 산출된 카테고리 별 가중치 및 카테고리 핵심 키워드를 포함하는 사용자 속성 벡터를 산출하는 단계;
    상기 산출된 영상 속성 벡터와 상기 산출된 사용자 속성 벡터간의 코사인 유사도를 기초로 상기 코사인 유사도가 높은 순서로 상기 영상 속성 벡터를 갖는 영상을 정렬하여 추천 영상 리스트를 생성하는 단계;
    상기 생성된 추천 영상 리스트와 관련된 제작 펀딩 리스트 및 상기 사용자 제작 펀딩 이력을 포함하는 사용자 속성 벡터를 업데이트하고, 상기 타 시청자들의 추천 영상 리스트와 관련된 제작 펀딩 리스트 및 제작 펀딩 이력을 포함하는 타 시청자 속성 벡터를 산출하는 단계; 및
    상기 업데이트된 사용자 속성 벡터와 상기 산출된 타 시청자 속성 벡터간의 코사인 유사도를 기초로 상기 코사인 유사도가 가장 높은 타 시청자를 결정하고, 협업 필터링을 통해 추천 제작 펀딩 리스트를 생성하는 단계;
    를 포함하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
  2. 제1항에 있어서,
    상기 사용자 속성 벡터를 산출하는 단계는,
    상기 복수 개의 영상 중 하나의 영상을 시청한 사용자 및 타 시청자의 인원수를 산출하고, 상기 하나의 영상의 전체시간 대비 시청시간 비율인 제1시청시간 비율이 0.1을 초과하는 상기 사용자 및 타 시청자의 제1시청시간 비율을 합산하여 상기 인원수를 나누어 상기 하나의 영상에 대한 시청 확률을 산출하는 것을 특징으로 하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
  3. 제2항에 있어서,
    상기 사용자 속성 벡터를 산출하는 단계는,
    복수 개의 영상에 대해서 상기 시청 확률을 산출하는 것을 특징으로 하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
  4. 제1항에 있어서,
    상기 사용자 속성 벡터를 산출하는 단계는,
    상기 복수의 영상 중 상기 카테고리가 동일한 영상을 분류하고, 동일 카테고리 내 영상 중 상기 동일 카테고리 내 영상의 전체시간 대비 상기 사용자 시청시간 비율인 제2시청시간 비율이 0.3을 초과하는 영상의 제2시청시간 비율, 시청 확률 및 보정치에 기초하여 영상 별 가중치를 산출하는 것을 특징으로 하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
  5. 제4항에 있어서,
    상기 사용자 속성 벡터를 산출하는 단계는,
    상기 제2시청시간 비율이 0.3을 초과하는 영상의 상기 영상 별 가중치를 합산하여 카테고리 별 가중치를 산출하는 것을 특징으로 하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
  6. 제5항에 있어서,
    상기 사용자 속성 벡터를 산출하는 단계는,
    상기 카테고리 별 가중치를 산출한 카테고리 이외의 다른 카데고리에 대해서 상기 카테고리 별 가중치를 산출하는 것을 특징으로 하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
  7. 제4항에 있어서,
    상기 영상 별 가중치는,
    [수학식]

    ( : 영상 별 가중치, : 제2시청시간 비율, : 시청 확률, : 보정치)
    상기의 수학식에 따라 산출되는 것을 특징으로 하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
  8. 제4항에 있어서,
    상기 보정치는,
    상기 사용자의 댓글 작성, 선호도 표현, 되감기 이력, 빨리감기 이력의 4가지 보정 속성에 의해 결정되는 것을 특징으로 하는 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법.
KR1020220008401A 2022-01-20 2022-01-20 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템 KR20230112301A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220008401A KR20230112301A (ko) 2022-01-20 2022-01-20 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220008401A KR20230112301A (ko) 2022-01-20 2022-01-20 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20230112301A true KR20230112301A (ko) 2023-07-27

Family

ID=87433328

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220008401A KR20230112301A (ko) 2022-01-20 2022-01-20 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20230112301A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160038068A (ko) 2011-01-06 2016-04-06 이베이 인크. 컴퓨팅 어드바이스 수단에서의 흥미도 추천

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160038068A (ko) 2011-01-06 2016-04-06 이베이 인크. 컴퓨팅 어드바이스 수단에서의 흥미도 추천

Similar Documents

Publication Publication Date Title
US9639881B2 (en) Method and system for personalized video recommendation based on user interests modeling
US11061973B2 (en) Incorporating user usage of consumable content into recommendations
US20170171580A1 (en) Clustering and adjudication to determine a recommendation of multimedia content
CN108776676B (zh) 信息推荐方法、装置、计算机可读介质及电子设备
Domingues et al. Combining usage and content in an online recommendation system for music in the long tail
CN112074857A (zh) 组合机器学习和社交数据以生成个性化推荐
CN111708915B (zh) 内容推荐方法、装置、计算机设备和存储介质
Musto et al. Deep content-based recommender systems exploiting recurrent neural networks and linked open data
KR20190070625A (ko) 메타데이터를 이용한 아이템 추천 방법 및 장치
CN105635824A (zh) 个性化频道推荐方法和系统
Sanchez et al. Recommender system for sport videos based on user audiovisual consumption
CN104199896A (zh) 基于特征分类的视频相似度确定及视频推荐方法
CN111461841A (zh) 物品推荐方法、装置、服务器及存储介质
Rochan et al. Adaptive video highlight detection by learning from user history
CN111858969B (zh) 多媒体数据推荐方法、装置、计算机设备和存储介质
CN113420166A (zh) 商品挂载、检索、推荐、训练处理方法、装置及电子设备
CN115066906A (zh) 用于基于用户提供的标准进行推荐的方法和系统
CN117391824B (zh) 基于大语言模型和搜索引擎推荐物品的方法及装置
KR102632804B1 (ko) 인공지능 모델을 활용한 사용자 맞춤형 콘텐츠 생성 및 가공 플랫폼 서비스 제공 방법, 장치 및 시스템
CN110267102B (zh) 视频数据的处理方法及装置、介质及电子设备
Pan et al. Robust probabilistic tensor analysis for time-variant collaborative filtering
JP5013161B2 (ja) 情報処理装置および情報処理方法、提供装置および提供方法、並びにプログラム
CN117251622A (zh) 对象推荐的方法、装置、计算机设备和存储介质
CN116980665A (zh) 一种视频处理方法、装置、计算机设备、介质及产品
KR20230112301A (ko) 사용자 속성에 기초한 영상 및 제작 펀딩 추천 방법 및 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal