KR20230150239A - 가맹점 추천 정보를 제공하는 방법 및 디바이스 - Google Patents

가맹점 추천 정보를 제공하는 방법 및 디바이스 Download PDF

Info

Publication number
KR20230150239A
KR20230150239A KR1020230136824A KR20230136824A KR20230150239A KR 20230150239 A KR20230150239 A KR 20230150239A KR 1020230136824 A KR1020230136824 A KR 1020230136824A KR 20230136824 A KR20230136824 A KR 20230136824A KR 20230150239 A KR20230150239 A KR 20230150239A
Authority
KR
South Korea
Prior art keywords
probability
affiliated
target group
affiliated store
group
Prior art date
Application number
KR1020230136824A
Other languages
English (en)
Inventor
이태영
Original Assignee
비씨카드(주)
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 비씨카드(주) filed Critical 비씨카드(주)
Priority to KR1020230136824A priority Critical patent/KR20230150239A/ko
Publication of KR20230150239A publication Critical patent/KR20230150239A/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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일 실시 예에 따르면, 가맹점 추천 정보를 제공하는 방법에 있어서, 시간 및 지역으로 특정되는 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호에 대한 연산 결과에 기초하여 상기 사용자들에 대한 클러스터링을 수행하는 단계; 상기 클러스터링의 수행 결과에 따라 획득된 타겟 그룹에 포함된 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 획득하는 단계; 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 확률을 갱신하는 단계; 및 갱신된 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는 단계;를 포함하는, 방법이 제공된다.

Description

가맹점 추천 정보를 제공하는 방법 및 디바이스{A METHOD AND A DEVICE FOR PROVIDING RECOMMENDATION INFORMATION FOR AFFILIATED STORES}
본 개시는 가맹점 추천 정보를 제공하는 방법 및 디바이스에 관한 것으로, 더욱 상세하게는, 유사한 시간 및 지역에서 유사한 결제 패턴을 가지는 사용자들이 이용한 가맹점들의 선후 관계를 고려하여 사용자의 니즈에 부합하는 가맹점 추천 정보를 제공할 수 있는 방법 및 디바이스에 관한 것이다.
종래에는, 낯선 위치에서 고객이 불특정 가맹점에 대한 정보를 얻고자 할 때, 주로 포털 사이트 검색을 통해 가맹점 정보를 제공받았으나, 포털 사이트에 개시된 가맹점 정보에는 홍보를 위한 인위적인 정보 등이 상당수를 차지하고 있어 고객에게 실제로 도움이 되는 정보를 검색하기 어려운 문제가 있다.
이에, 보다 정확한 가맹점 사용 예측을 위하여 빅데이터에 기반하여 고객 소비 패턴을 군집화하는 기술이 개발되고 있으나, 고객과 결제에 대한 데이터를 이루는 데이터 요소(차원)들이 많아질수록 처리량이 기하급수적으로 증가하고 차원의 저주(Curse of Dimensionality)로 인해 머신러닝 학습의 모델링 결과가 과적합(Overfitting)되는 문제가 있다.
이에, 상술한 문제점을 극복하고 정확률(제시된 결과들 중 고객이 원하는 것과 부합하는 비율)과 재현율(고객이 원하는 결과에 관련된 결과들을 제시하는 비율)을 모두 개선할 수 있는 기술에 대한 요구가 점차 증대되고 있다.
한국공개특허 제10-2019-0085763호(2019.07.19) 추천 가맹점 정보 제공 방법 및 이를 이용한 추천 가맹점 정보 제공 장치
본 개시의 일 실시 예는 전술한 종래 기술의 문제점을 해결하기 위한 것으로, 유사한 시간 및 지역에서 유사한 결제 패턴을 가지는 사용자들이 이용한 가맹점들의 선후 관계를 고려하여 사용자의 니즈에 부합하는 가맹점 추천 정보를 제공할 수 있는 방법 및 디바이스를 제공할 수 있다.
본 개시의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
본 개시의 제 1 측면에 따른 가맹점 추천 정보를 제공하는 방법은 시간 및 지역으로 특정되는 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호에 대한 연산 결과에 기초하여 상기 사용자들에 대한 클러스터링을 수행하는 단계; 상기 클러스터링의 수행 결과에 따라 획득된 타겟 그룹에 포함된 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 획득하는 단계; 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 확률을 갱신하는 단계; 및 갱신된 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는 단계;를 포함할 수 있다.
또한, 상기 방법은 상기 클러스터링의 수행 결과에 따라 획득된 복수개의 그룹들에 대해서 상기 타겟 그룹과의 유사도를 결정하는 단계; 상기 유사도에 기초하여 상기 복수개의 그룹들 중 적어도 하나의 그룹을 상기 타겟 그룹에 대한 유사 그룹으로 결정하는 단계; 및 상기 유사 그룹에 포함된 유사 그룹 내 가맹점들의 선후 관계에 대한 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는 단계;를 더 포함할 수 있다.
또한, 상기 유사도는 상기 유사도를 결정하고자 하는 대상 그룹과 상기 타겟 그룹에서 이용된 가맹점들의 총 개수에 반비례하고, 상기 대상 그룹과 상기 타겟 그룹에서 공통적으로 이용된 가맹점들의 총 개수에 비례할 수 있다.
또한, 상기 유사 그룹에 포함된 유사 그룹 내 가맹점들의 선후 관계에 대한 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는 단계는 상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 유사 그룹 내 가맹점들의 선후 관계에 대한 확률을 갱신하는 단계를 더 포함하고, 상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치는 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치보다 작을 수 있다.
또한, 상기 연산 결과는 상기 식별 번호를 입력으로 하는 해쉬 함수의 연산에 따라 획득된 나머지 값을 포함할 수 있다.
또한, 상기 클러스터링을 수행하는 단계는 상기 사용자들 각각에 대한 연산 결과들 중 가장 작은 값에 기초하여 상기 클러스터링을 수행할 수 있다.
또한, 상기 가중치는 상기 거리에 반비례하게 결정될 수 있다.
또한, 상기 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률은 상기 타겟 그룹 내 사용자들의 가맹점 이용 순서, 가맹점 종류, 사용자 위치 및 결제 시간 중 적어도 하나에 기초하여 마르코프(Markov) 확률 모델을 통한 조건부 확률에 따라 결정될 수 있다.
또한, 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 확률을 갱신하는 단계는 상기 타겟 그룹에 포함된 사용자의 결제 내역에 기초하여 상기 타겟 그룹에 포함된 사용자의 가맹점 이용 성향을 결정하는 단계; 및 상기 타겟 그룹에 포함된 사용자의 가맹점 이용 성향에 기초하여 상기 가중치를 갱신하는 단계를 더 포함할 수 있다.
또한, 상기 타겟 그룹에 포함된 사용자의 가맹점 이용 성향을 결정하는 단계는 상기 타겟 그룹에 포함된 사용자의 결제 내역에 기초하여 기설정 시간 구간 내에 결제가 수행된 가맹점들의 가맹점 이용 순서 선호도, 가맹점 종류 선호도, 가맹점간 거리 선호도 및 결제 시간 선호도 중 적어도 하나를 결정하는 단계; 및 상기 가맹점 이용 순서 선호도, 상기 가맹점 종류 선호도, 상기 가맹점간 거리 선호도 및 상기 결제 시간 선호도 중 적어도 하나에 기초하여 상기 가맹점 이용 성향을 결정하는 단계를 포함할 수 있다.
본 개시의 제 2 측면에 따른 가맹점 추천 정보를 제공하는 디바이스는 시간 및 지역으로 특정되는 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호에 대한 연산 결과에 기초하여 상기 사용자들에 대한 클러스터링을 수행하고, 상기 클러스터링의 수행 결과에 따라 획득된 타겟 그룹에 포함된 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 획득하고, 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 확률을 갱신하고, 갱신된 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 획득하는 프로세서; 및 상기 타겟 그룹에 포함된 사용자에 대응하는 사용자 단말에 상기 가맹점 추천 정보를 전송하는 통신부;를 포함할 수 있다.
또한, 상기 프로세서는 상기 클러스터링의 수행 결과에 따라 획득된 복수개의 그룹들에 대해서 상기 타겟 그룹과의 유사도를 결정하고, 상기 유사도에 기초하여 상기 복수개의 그룹들 중 적어도 하나의 그룹을 상기 타겟 그룹에 대한 유사 그룹으로 결정하고, 상기 유사 그룹에 포함된 유사 그룹 내 가맹점들의 선후 관계에 대한 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공할 수 있다.
또한, 상기 유사도는 상기 유사도를 결정하고자 하는 대상 그룹과 상기 타겟 그룹에서 이용된 가맹점들의 총 개수에 반비례하고, 상기 대상 그룹과 상기 타겟 그룹에서 공통적으로 이용된 가맹점들의 총 개수에 비례할 수 있다.
또한, 상기 프로세서는 상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 유사 그룹 내 가맹점들의 선후 관계에 대한 확률을 갱신하고, 상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치는 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치보다 작을 수 있다.
또한, 상기 연산 결과는 상기 식별 번호를 입력으로 하는 해쉬 함수의 연산에 따라 획득된 나머지 값을 포함할 수 있다.
또한, 상기 프로세서는 상기 사용자들 각각에 대한 연산 결과들 중 가장 작은 값에 기초하여 상기 클러스터링을 수행할 수 있다.
또한, 상기 가중치는 상기 거리에 반비례하게 결정될 수 있다.
또한, 상기 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률은 상기 타겟 그룹 내 사용자들의 가맹점 이용 순서, 가맹점 종류, 사용자 위치 및 결제 시간 중 적어도 하나에 기초하여 마르코프(Markov) 확률 모델을 통한 조건부 확률에 따라 결정될 수 있다.
본 개시의 제 3 측면은 제 1 측면에 따른 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 또는, 본 개시의 제 4 측면은 제 1 측면에 따른 방법을 구현하기 위하여 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
본 개시의 일 실시 예에 따르면, 유사한 시간 및 지역에서 결제 내역이 있는 사용자들에 따라 1차 군집화하고, 유사한 결제 패턴을 가지는 사용자들에 따라 2차 군집화하여, 정확도(precision)와 재현율(recall) 측면에서 모두 효과적인 클러스터링을 수행할 수 있다.
또한, 타겟 사용자가 군집화된 타겟 그룹 내 가맹점 이용에 따른 조건부 확률을 이용하는 동시에, 타겟 그룹과 소비 패턴이 유사한 유사 그룹을 도출하여 클러스터링 범위를 확장함으로써, 정확도 및 재현율을 향상시킬 수 있다.
또한, 가맹점을 추천할 때 사용자의 가맹점 이용 순서, 가맹점 종류, 결제 시간 및 결제 위치를 고려하여 사용자의 니즈에 부합하는 보다 정확한 가맹점 추천 정보를 제공할 수 있다.
또한, 사용자의 결제에 따라 실시간 지역별 시간별 클러스터링을 통해 신속하게 다음 가맹점을 추천할 수 있어, 리소스 소모 및 속도 측면에서 효율적인 동시에 사용자 만족도를 높일 수 있다.
또한, 최소-해쉬(Min-Hash) 기반의 클러스터링을 통해 신속하고 정확하게 사용자들의 소비 패턴을 군집화하여 리소스 및 성능 측면에서 효율적이다.
본 개시의 효과는 상기한 효과로 한정되는 것은 아니며, 본 개시의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 일 실시 예에 따른 가맹점 추천 시스템을 도시한 도면이다.
도 2는 일 실시 예에 따른 가맹점 추천 디바이스의 구성의 일 예를 도시한 블록도이다.
도 3은 일 실시 예에 따른 가맹점 추천 디바이스가 가맹점 추천 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
도 4는 다른 일 실시 예에 따른 가맹점 추천 디바이스가 가맹점 추천 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
실시 예들에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 “…부”, “…모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
명세서 전체에서 '제공'은 특정 정보를 획득하거나 특정 대상에게 직간접적으로 송수신하는 과정을 포함하며 이러한 과정에서 요구되는 관련 동작의 수행을 포괄적으로 포함하는 것으로 해석될 수 있다. 또한, '지원'은 특정 목적을 달성하기 위한 관련된 동작의 수행을 포함하는 의미로 폭넓게 해석될 수 있으며, 제한하여 해석되지 않는다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
이하에서는 도면을 참조하여 본 개시의 실시 예들을 상세히 설명한다.
도 1은 일 실시 예에 따른 가맹점 추천 시스템을 도시한 도면이다.
도 1을 참조하면, 일 실시 예에 따른 가맹점 추천 시스템은 네트워크를 통해 상호 통신할 수 있는 복수의 사용자 단말(100), 가맹점 추천 디바이스(200), 카드사 서버(300) 및 복수의 가맹점 단말(400)을 포함할 수 있다.
여기에서, 네트워크는 유선 및 무선 등과 같은 다양한 통신망을 통해 구성될 수 있고, 예를 들면, 근거리 통신망(LAN: Local Area Network), 도시권 통신망(MAN: Metropolitan Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있고, 일부 네트워크는 3G, 4G 등의 이동 통신망 또는 그밖에 공지된 무선 통신망으로 구성될 수도 있다
일 실시 예에 따른 복수의 사용자 단말(100)은 복수의 사용자 각각과 연관된 디바이스를 나타내며, 예를 들면, 일 실시 예에서, 가맹점 추천 디바이스(200)가 제공하는 가맹점 추천 서비스에 가입한 사용자의 사용자 계정에 대응할 수 있다. 일 실시 예에서, 사용자 단말(100)은 휴대폰, 스마트폰, PDA(Personal Digital Assistant), PMP(Portable Multimedia Player), 태블릿 PC 등과 같은 다양한 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치로 구현되거나, 데스크탑 PC, 태블릿 PC, 랩탑 PC와 같이 외부 서버와 연결되어 어플리케이션을 설치 및 실행할 수 있는 기반이 마련된 다양한 종류의 유무선 통신 장치를 포함할 수 있다.
일 실시 예에서, 복수의 사용자 단말(100)은 각각 가맹점 추천 서비스를 제공하는 가맹점 추천 어플리케이션이 설치될 수 있다. 일 실시 예에서, 가맹점 추천 디바이스(200)는 가맹점 추천 어플리케이션을 복수의 사용자 단말(100)에 제공할 수 있고, 복수의 사용자 단말(100)에 설치된 가맹점 추천 어플리케이션을 통해 사용자들에게 가맹점 추천 리스트 제공, 가맹점 상세 정보 제공 등 다양한 서비스를 제공할 수 있다.
일 실시 예에서, 가맹점 추천 어플리케이션은 외부 장치와 통신할 수 있는 프로그램 모듈일 수 있고, 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 단말 또는 이와 통신 가능한 다른 장치에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
이하에서는, 복수의 사용자 단말(100) 각각에 설치된 가맹점 추천 어플리케이션을 통해 가맹점을 추천하는 과정을 설명하지만, 가맹점 추천 어플리케이션 없이 단말 자체적으로 모든 과정을 수행할 수 있다.
일 실시 예에서, 복수의 사용자 단말(100) 중 어느 하나인 제 1 사용자 단말(110)은 가맹점 추천 어플리케이션을 통해 가맹점 추천 디바이스(200)에 가맹점 추천 요청을 전송할 수 있다. 예를 들면, 제 1 사용자 단말(110)은 제 1 사용자에 대응되고, 가맹점 추천 어플리케이션을 실행하여 가맹점 추천 서비스 이용을 위해 필요한 정보(예: 사용자 정보, 카드 정보 등)를 입력하기 위한 인터페이스를 화면에 표시하고, 가맹점 추천을 요청하는 사용자 입력이 수신되면 가맹점 추천 요청 및 GPS(Global Positioning System) 기반 위치 정보를 가맹점 추천 디바이스(200)에 전송하여, 제 1 사용자 단말(110)의 위치에 인접한 가맹점의 추천을 요청할 수 있다.
일 실시 예에서, 제 1 사용자 단말(110)은 가맹점 추천 디바이스(200)로부터 가맹점 추천 정보가 수신되면 가맹점 추천 어플리케이션을 통해 가맹점 추천 리스트를 디스플레이할 수 있고, 기설정된 가맹점 맵을 기반으로 가맹점 추천 정보에 포함된 가맹점의 위치를 표시할 수 있으며, 가맹점 추천 리스트 중 어느 하나가 선택되면 선택된 가맹점의 상세 정보를 가맹점 추천 디바이스(200)로부터 제공받아 화면에 표시할 수 있다.
일 실시 예에 따른 가맹점 추천 디바이스(200)는 가맹점 추천 정보를 제공할 수 있는 컴퓨팅 장치에 해당하며, 일 실시 예에서, 본 명세서에서 설명되는 기능을 실현시키기 위한 컴퓨터 프로그램을 통해 동작하는 컴퓨터 등의 서버로 구현될 수 있고, 네트워크를 통해 다른 디바이스(예: 서버, 단말)과 연결되거나 내부 구성요소들 간에 연결될 수 있는 모든 종류의 유무선 통신 장치를 포함할 수 있다.
일 실시 예에서, 가맹점 추천 디바이스(200)는 제 1 사용자 단말(110)로부터 가맹점 추천 요청이 수신되거나, 카드사 서버(300)로부터 실시간 수신되는 사용자의 결제 내역 중에서 제 1 사용자 계정에 설정된 카드 정보와 매칭되는 결제 내역이 검출되거나, 또는 사용자 설정에 기초하여, 사용자들에 대한 실시간 클러스터링을 기반으로 제 1 사용자에 의해 향후 결제 가능성 높은 가맹점들에 대한 가맹점 추천 정보를 제 1 사용자에 대응하는 제 1 사용자 단말(110)에 제공할 수 있다.
일 실시 예에서, 가맹점 추천 디바이스(200)는 복수의 사용자의 결제 내역 및 복수의 가맹점 정보를 저장 및 관리할 수 있고, 예를 들면, 카드사 서버(300)로부터 사용자들의 결제 내역을 수신하여 데이터베이스에 저장할 수 있으며, 카드사 서버(300)로부터 획득하거나 크롤링을 통해 획득한 복수의 가맹점 정보를 데이터베이스에 저장 및 관리할 수 있다. 일 실시 예에서, 사용자의 결제 내역은 사용자가 카드를 이용하여 가맹점에서 결제한 내역으로, 사용자 식별 번호, 가맹점 식별 번호, 가맹점 업종코드, 결제일자, 승인금액 정보 등을 포함할 수 있다. 또한, 가맹점 정보는 가맹점 식별 번호, 가맹점 업종코드, 위치, 운영시간 등을 포함할 수 있다.
일 실시 예에서, 가맹점 추천 디바이스(200)는 사용자의 결제 내역을 기반으로 사용자들에 대한 클러스터링을 수행할 수 있으며, 클러스터링을 통해 분류된 고객 정보, 가맹점에 대한 상세 정보, 카드와 가맹점 간의 연관성 정보, 카드와 고객 간의 연관성 정보 등을 데이터베이스에 저장하여 관리할 수 있다. 일 실시 예에서, 가맹점 추천 디바이스(200)는 클러스터링을 처리하기 위한 빅데이터 클러스터를 포함하거나, 복수의 하둡(Hadoop) 서버와 연결될 수 있으며, 결제 내역을 분석하여 데이터 처리를 수행하는 과정은 이하에서 도 3을 참조하여 후술하기로 한다.
일 실시 예에 따른 카드사 서버(300)는 가맹점 단말(400)로부터 수신되는 결제 요청에 따라 거래가 승인된 사용자의 결제 내역을 사용자별로 데이터베이스에 저장하여 관리할 수 있고, 사용자의 결제 내역을 가맹점 추천 디바이스(200)에 제공할 수 있다. 예를 들면, 카드사 서버(300)는 사용자의 신규 결제가 승인될 때마다 사용자의 결제 내역을 전송하거나 기설정 주기로 사용자들의 결제 내역을 가맹점 추천 디바이스(200)에 전송할 수 있다.
일 실시 예에 따른 가맹점 단말(400)은 가맹점에 대응하는 장치로서, 기설정된 가맹점의 식별 번호에 따라 식별될 수 있고, 사용자 요청에 따라 카드사 서버(300)와 연동하여 특정 상품 또는 서비스에 관한 결제를 요청할 수 있다.
또한, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 가맹점 추천 시스템에 더 포함될 수 있음을 관련 기술 분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 예를 들면, 가맹점 추천 시스템은 인터넷 상에서 가맹점 정보를 크롤링하여 정형화된 가맹점 정보를 가맹점 추천 디바이스(200)에 제공하는 크롤러 서버(미도시) 등을 더 포함할 수 있다. 또는 다른 실시 예에 따를 경우, 도 1에 도시된 구성요소들 중 일부 구성요소는 생략될 수 있다.
도 2는 일 실시 예에 따른 가맹점 추천 디바이스(200)의 구성의 일 예를 도시한 블록도이고, 도 3은 일 실시 예에 따른 가맹점 추천 디바이스(200)가 가맹점 추천 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
도 2 내지 도 3을 참조하면, 가맹점 추천 디바이스(200)는 프로세서(210) 및 통신부(220)를 포함할 수 있다.
단계 S310에서 프로세서(210)는 시간 및 지역으로 특정되는 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호에 대한 연산 결과에 기초하여 사용자들에 대한 클러스터링을 수행할 수 있다.
보다 구체적으로, 프로세서(210)는 기저장된 사용자들의 결제 내역에 기초하여 기설정 시간 및 기설정 지역별로 결제 내역이 있는 사용자들을 1차적으로 추출하는 방식으로 유사한 시간 및 지역의 가맹점에서 결제 히스토리가 있는 사용자들을 분류하고, 1차 추출된 사용자들에 의한 결제 내역에 있는 가맹점들의 식별 번호를 이용하여 기설정 방식(예: 해쉬 함수)으로 연산한 결과에 따라 1차 추출된 사용자들을 2차적으로 분류하는 방식으로 유사한 가맹점 소비 성향이 있는 사용자들에 대한 클러스터링을 수행할 수 있다.
일 실시 예에서, 기설정 시간은 특정 시간대(예: 09:00~11:00, 11:00~13:00, 17:00~20:00 등), 특정 기간(예: 최근 3일, A일 09:00 ~ B일 12:00시 등), 특정 시각(예: A일 09:00) 및 특정 요일(예: 평일, 주말, 공휴일 등) 중 하나 이상을 포함할 수 있다. 일 실시 예에서, 기설정 시간은 제 1 사용자 단말(110)로부터 수신되는 가맹점 추천 요청의 수신 시각, 가맹점 추천 요청에 포함된 시간 정보, 및 카드사 서버(300)로부터 실시간 수신되는 제 1 사용자의 결제 내역에 포함된 결제 시간 중 하나 이상에 기초하여 결정될 수 있다.
일 실시 예에서, 기설정 지역은 행정주소에 기초하여 결정되는 구역범위를 포함할 수 있다. 일 실시 예에서, 기설정 지역은 제 1 사용자 단말(110)로부터 수신되는 위치 정보, 가맹점 추천 요청에 포함된 위치 정보, 및 카드사 서버(300)로부터 실시간 수신되는 제 1 사용자의 결제 내역에 포함된 가맹점 위치 중 하나 이상에 기초하여 결정될 수 있다.
일 실시 예에서, 프로세서(210)는 시간 및 지역으로 특정되는 사용자들의 식별 번호와 해당 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호 간의 매핑을 수행할 수 있다. 예를 들면, 프로세서(210)는 표 1에 나타난 일 예시처럼, 사용자별 카드 내역에 기초하여 특정 시간대 및 지역 범위 내에서 결제 내역이 있는 사용자들의 식별 번호를 추출하고, 해당 사용자들 각각에 의해 결제가 수행된 가맹점들의 식별 번호를 추출하여 해당 사용자의 식별 번호와 매핑할 수 있다.
사용자의 식별번호 사용자에 의해 결제가 수행된 가맹점의 식별번호
1000001 4005 4096 4097 4098 4099 7061 7062 8200 8500 9000
1000002 4096 4097 4098 7062 8200 9000
1000003 4098 4099 7061 7062 8200 8500
1000004 4048 4049 4098 4099
1000005 4005 4096 8500 9000
1000006 4501 7061 7062 8200 9999
1000007 4056 4096 4100 4200 4300 4500
1000008 4500 4501 4502 4600 4700 4800
1000009 4910 7062 8200 9999
일 실시 예에서, 프로세서(210)는 가맹점들의 식별 번호를 입력으로 하는 기설정 해쉬 함수에 따른 연산 결과를 이용하여 사용자들에 대한 클러스터링을 수행할 수 있다. 예를 들면, 프로세서(210)는 각 사용자의 식별 번호에 매핑된 가맹점들의 식별 번호 각각을 해쉬 함수에 입력하여 해쉬값을 산출하고, 산출된 해쉬값들을 이용하여 그룹 식별 번호(예: 그룹 ID)를 생성해 해당 사용자의 식별 번호에 매핑시키고, 동일 그룹 식별 번호에 매핑되는 사용자들의 식별 번호를 클러스터링하여 그룹화할 수 있다.일 실시 예에서, 연산 결과는 가맹점들의 식별 번호를 입력으로 하는 해쉬 함수의 연산에 따라 획득된 나머지 값을 포함할 수 있고, 예를 들면, 수학식 1에 기초하여 결정될 수 있다.[수학식 1]
hp(x) = (ax + b) mod N
(여기에서, h(x)는 x를 입력으로 하는 해쉬 함수를 나타내고, p는 해쉬 함수 번호를 나타내고, x는 가맹점들의 식별 번호를 나타내고, mod 는 나머지 연산을 나타내고, a, b 및 N은 설정 상수를 나타내고, 예를 들면, a, b 및 N은 설계자에 의해 설정되거나 기저장된 랜덤 함수를 통해 랜덤하게 산출된 상수일 수 있음)
일 실시 예에서, 프로세서(210)는 a, b 및 N 중 적어도 하나가 상이한 값으로 설정되는 기설정 개수(예: 4개)의 해쉬 함수를 결정할 수 있고, 각 해쉬 함수에 가맹점의 식별 번호를 입력하여 해쉬값들을 산출할 수 있다. 예를 들면, 해쉬 함수의 q와 p를 각각 2로 가정하였을 때, 제 1 그룹(예: p=1, q=1)에 대한 제 1 해쉬 함수 “h1(x) = (3x + 5) mod 17”, 제 2 그룹(예: p=1, q=2)에 대한 제 2 해쉬 함수 “h2(x) = (5x + 2) mod 23”, 제 3 그룹(예: p=2, q=1)에 대한 제 3 해쉬 함수 “h3(x) = (x + 7) mod 11”, 제 4 그룹(예: p=2, q=2)에 대한 제 4 해쉬 함수 “h4(x) = (7x + 3) mod 13”를 설정할 수 있고, 제 1 그룹 내지 제 4 그룹 각각에 대한 제 1 내지 제 4 해쉬 함수에 각각 가맹점의 식별 번호를 입력하여 출력되는 해쉬값들을 해당 사용자의 식별 번호에 매핑할 수 있다.
표 2는 일 실시 예에 따라, 제 1 그룹(예: p=1, q=1)에 대한 제 1 해쉬 함수 “h1(x) = (3x + 5) mod 17”를 적용하였을 때 산출되는 해쉬값들을 나타내고, 표 3은 제 2 그룹(예: p=1, q=2)에 대한 제 2 해쉬 함수 “h2(x) = (5x + 2) mod 23”를 적용하였을 때 산출되는 해쉬값들을 나타내며, 명세서 전반에 기재된 표들은 설명의 편의를 위해 일부분만을 나타낸 것일 수 있다.
사용자의 식별번호 사용자에 의해 결제가 수행된 가맹점의 식별번호를 입력으로 하는 제 1 해쉬 함수의 출력값
1000001 1 2 5 8 11 6 9 6 5 9
1000002 2 5 8 9 6 9
1000003 8 11 6 9 6
1000004 11 14 8 11
1000005 1 2 5 9
1000006 10 6 9 6 14
1000007 1 2 14 8 2 7
1000008 7 10 13 1 12 6
1000009 13 9 6 14
사용자의 식별번호 사용자에 의해 결제가 수행된 가맹점의 식별번호를 입력으로 하는 제 2 해쉬 함수의 출력값
1000001 17 12 17 22 4 2 7 16 21 14
1000002 12 17 22 7 16 14
1000003 22 4 2 7 16 21
1000004 2 7 22 4
1000005 17 12 21 14
1000006 13 2 7 16 18
1000007 19 12 9 3 20 8
1000008 8 13 18 2 19 13
1000009 11 7 16 18
일 실시 예에서, 프로세서(210)는 사용자들 각각에 대한 연산 결과들 중 가장 작은 값에 기초하여 클러스터링을 수행할 수 있다. 일 실시 예에서, 해쉬 함수는 최소-해쉬(Min-Hash) 알고리즘을 포함할 수 있다. 예를 들면, 프로세서(210)는 사용자의 식별 번호 각각에 대하여 표 2 및 표 3에 나타난 해쉬 함수의 출력값들 중 가장 작은 값들만 추출하여 기설정된 비트수에 따라 오른쪽 영 채우기(Zero padding)를 수행할 수 있고, 사용자의 식별 번호 별로 p=1 및 p=2에서의 최소 해쉬(Min Hash)값들을 합쳐 그룹 식별 번호를 산출하고, q=1 및 q=2 각각에서 그룹 식별 번호를 산출하여, 표 4 및 표 5와 같이, 그룹별로 사용자의 식별 번호와 그룹 식별 번호 간의 대응 관계를 결정할 수 있다.
사용자의 식별 번호 q=1 그룹 식별 번호
1000001 00010002
1000002 00020007
1000003 00060002
1000004 00080002
1000005 00010012
1000006 00060002
1000007 00010003
1000008 00010002
1000009 00060007
사용자의 식별 번호 q=2 그룹 식별 번호
1000001 00000002
1000002 00010004
1000003 00000002
1000004 00000005
1000005 00010002
1000006 00010004
1000007 00020003
1000008 00010000
1000009 00050001
일 실시 예에서, 프로세서(210)는 2 이상의 사용자의 식별 번호가 대응되는 그룹 식별 번호에 기초하여 클러스터링을 수행할 수 있고, 예를 들면, 하기 표 6에서와 같이, 복수의 그룹 식별 번호 중에서 2개 이상의 사용자의 식별 번호와 매핑되는 그룹 식별 번호 00000002, 0000002, 00010004 및 00060002를 추출하고, 추출된 그룹 식별 번호 각각에서 대응되는 사용자들의 식별 번호를 그룹화하여 클러스터링을 수행할 수 있다.
그룹 식별 번호 사용자의 식별 번호
00000002 1000001
1000003
00000005 1000004
00010000 1000008
00010002 1000001
1000008
1000005
00010003 1000007
00010004 1000002
1000006
00010012 1000005
00020003 1000007
00020007 1000002
00050001 1000009
00060002 1000003
1000006
00060007 1000009
00080002 1000004
요컨대, 일 실시 예에 따른 프로세서(210)는 상술한 것처럼, p개의 해쉬 함수들을 결정하고, 대상 객체가 가지는 요소들을 해쉬 함수를 이용하여 계산하며, 해쉬 함수에 따라 산출된 해쉬값들 중 최소값을 추출하고, p번의 해쉬 연산에 따라 획득된 최소 해쉬값들을 이어 붙이는 연산을 통해 그룹 ID를 생성할 수 있다. 이러한 과정을 q번 반복하면, 그룹 식별 번호가 최대 q개 생성될 수 있고, 한 명의 사용자가 최대 q개의 다른 그룹에 속할 수 있게 되며, 각각의 사용자들이 확률적으로 유사한 그룹으로 군집화될 수 있다.이에 따라, 프로세서(210)는 유사한 시간 및 지역에서 결제 내역이 있는 사용자들에 따라 1차 군집화하고, 유사한 결제 패턴을 가지는 사용자들에 따라 2차 군집화하여, 정확도(precision)와 재현율(recall) 측면에서 모두 효과적인 클러스터링을 수행할 수 있다.
단계 S320에서 프로세서(210)는 클러스터링의 수행 결과에 따라 획득된 타겟 그룹에 포함된 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 획득할 수 있다. 여기에서, 타겟 그룹은 가맹점 추천 대상인 제 1 사용자가 포함된 그룹을 나타내며, 일 실시 예에서, 제 1 사용자의 식별 번호와 매핑되는 그룹 식별 번호에 따라 결정될 수 있다.
일 실시 예에서, 프로세서(210)는 타겟 그룹 내 사용자들의 가맹점 이용 순서에 기초하여 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 결정할 수 있고, 예를 들면, 사용자의 식별 번호를 기준으로 과거 특정 시간 대역 및 지역에서 이용된 가맹점 이용 내역을 추출하여 가맹점 이용 순서를 결정하고, 가맹점 이용 순서에 따라 제 1 가맹점에 후속적으로 제 2 가맹점이 이용될 확률을 산출할 수 있다.
일 실시 예에서, 프로세서(210)는 타겟 그룹 내 사용자들의 가맹점 이용 순서 및 마르코프(Markov) 확률 모델을 이용하여 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 결정할 수 있고, 예를 들면, 나이브 베이지안 룰(Naive Bayesian Rule)을 이용하여 바이그램(Bi-Gram)을 기준으로 수학식 2에 따른 마르코프(Markov) 확률 모델을 생성하고, 가맹점(merchant) 1~n까지 리스트가 주어진 경우에 대하여 확률을 산출할 수 있다.
[수학식 2]
(여기에서, m1, m2, …mn은 타겟 그룹 내 제 1 가맹점, 제 2 가맹점, …, 제 n 가맹점을 나타내고, P(mn-1, mn)은 타겟 그룹 내에서 제 (n-1) 가맹점 이후에 제 n 가맹점이 이용된 확률을 나타내고, n은 타겟 그룹 내 이용된 가맹점들의 개수를 나타냄)
만일, 가맹점 추천 대상인 제 1 사용자가 그룹 식별 번호에 따라 제 2 사용자, 제 3 사용자 및 제 4 사용자와 같은 그룹으로 할당된 경우를 가정하여 예를 들면, 가맹점 식별 번호에 따라 표시하였을 때, 제 2 사용자의 가맹점 이용 순서는 SS(시작)-4005-4096-4099-4098-7061-8200-7062-8200-9000-8500-4096-SE(끝) 이고, 제 3 사용자의 가맹점 이용 순서는 SS(시작)-7061-7062-8500-8200-4096-4098-8200-8500- SE(끝) 이고, 제 4 사용자의 가맹점 이용 순서는 SS(시작)-7061-7062-4005-4099-8200-7061-4096-4098-8200-8500-7062-SE(끝) 일 수 있다.
이러한 경우, 프로세서(210)는 하기 표 7에서와 같이, 제 2 사용자 내지 제 4 사용자의 가맹점 이용 순서 및 수학식 2를 이용하여 조건부 확률을 산출할 수 있다. 예를 들면, 가맹점 식별 번호 4005는 3 명의 사용자들 중 제 2 사용자에 의해서만 최초 이용되었으므로, SS (시작) 이후 가맹점 식별 번호 4005가 이용되는 케이스인 SS-4005의 조건부 확률은 1/3(=0.33)로 산출되고, 가맹점 식별 번호 7061은 3명의 사용자들 중 나머지 제 1 및 제 3 사용자에 의해서 최초 이용되었으므로, SS (시작) 이후 가맹점 식별 번호 7061이 이용되는 케이스인 SS-7061의 조건부 확률은 2/3(=0.67)로 산출될 수 있다. 마찬가지의 방식으로, 4005 가맹점 이후 조건부 확률, 4096 가맹점 이후 조건부 확률 등을 산출한 결과는 표 7에서와 같다.
SS (시작) 이후 조건부 확률
SS-4005 > 0.3333333333333333
SS-7061 > 0.6666666666666666
4005 가맹점 이후 조건부 확률4005-4096 > 0.5
4005-4099 > 0.5
4096 가맹점 이후 조건부 확률4096-4099 > 0.25
4096-SE > 0.25
4096-4098 > 0.5
4099 가맹점 이후 조건부 확률4099-4098 > 0.5
4099-8200 > 0.5
4098 가맹점 이후 조건부 확률4098-7061 > 0.3333333333333333
4098-8200 > 0.6666666666666666
7061 가맹점 이후 조건부 확률7061-8200 > 0.25
7061-7062 > 0.5
7061-4096 > 0.25
8200 가맹점 이후 조건부 확률8200-7062 > 0.16666666666666666
8200-9000 > 0.16666666666666666
8200-4096 > 0.16666666666666666
8200-8500 > 0.3333333333333333
8200-7061 > 0.16666666666666666
7062 가맹점 이후 조건부 확률7062-8200 > 0.25
7062-8500 > 0.25
7062-4005 > 0.25
7062-SE > 0.25
9000 가맹점 이후 조건부 확률9000-8500 > 1.0
8500 가맹점 이후 조건부 확률8500-4096 > 0.25
8500-8200 > 0.25
8500-SE > 0.25
8500-7062 > 0.25
일 실시 예에서, 프로세서(210)는 타겟 그룹 내 사용자들의 가맹점 이용 순서, 가맹점 종류, 사용자 위치 및 결제 시간 중 적어도 하나에 기초하여 마르코프 확률 모델을 통해 타겟 그룹 내 가맹점들의 선후 관계에 대한 조건부 확률을 결정할 수 있다. 예를 들면, 프로세서(210)는 11시~14 사이에 을지로 4가역 주변에서 수집되는 고객군들의 소비 성향을 군집화할 때, 사용자 A는 칼국수음식점1 - 카페1 순서로 이용하고, 사용자 B는 국밥음식점 - 카페2로 이용하는 소비 성향이 수집된 경우, 사용자 C에게 가맹점을 추천할 때, 만일 현재 12시이고 아직 11시~14시 사이에 결제 내역이 없는 경우에는 칼국수음식점1이나 국밥음식점에 대한 가맹점 추천을 제안할 수 있고, 만일 현재 13시이고 11시~14시 사이에 음식점에 대한 결제 내역이 있는 경우에는 카페에 대한 가맹점 추천을 제안할 수 있다. 이에 따라, 사용자의 가맹점 이용 순서, 가맹점 종류, 결제 시간 및 결제 위치를 고려하여 사용자의 니즈에 부합하는 보다 정확하게 가맹점 추천 정보를 제공할 수 있다.일 실시 예에서, 가맹점들의 선후 관계에 대한 확률은 가맹점의 선후 이용 순서에 대한 제 1 확률, 가맹점의 선후 이용 종류에 대한 제 2 확률, 가맹점의 선후 위치에 대한 제 3 확률 및 가맹점의 선후 결제 시간에 대한 제 4 확률 중 적어도 하나를 포함할 수 있다. 예를 들면, 프로세서(210)는 제 1 확률 내지 제 4 확률을 각각 마르코프 확률 모델을 통해 조건부 확률로 산출하고, 산출된 제 1 내지 제 4 확률들 가산한 결과를 이용하거나, 또는 제 1 확률, 제 2 확률, 제 3 확률 및 제 4 확률 순으로 높은 가산점을 부여하여 합산한 결과에 따라 각 가맹점에서의 확률을 결정할 수 있다.
단계 S330에서 프로세서(210)는 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 확률을 갱신할 수 있다. 예를 들면, 프로세서(210)는 제 1 가맹점 이후에 이용될 수 있는 후보 가맹점으로 제 2 가맹점과 제 3 가맹점이 있는 경우, 제 1 가맹점과 거리가 가까운 가맹점에 더 높은 가중치를 부여하여, 단계 S320를 통해 산출한 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률값을 갱신할 수 있다.
일 실시 예에서, 가중치는 타겟 그룹 내 가맹점들 간의 거리에 반비례하게 결정될 수 있고, 예를 들면, 수학식 3에 기초하여 결정될 수 있다.
[수학식 3]
(여기에서, W는 가중치(weight)를 나타내고, n은 가맹점간 거리(예: km 기준)를 나타내고, a 및 c는 각각 설계자에 의해 설정될 수 있는 상수 및 추가 가중치를 나타내고, SE(끝)의 경우 W=1일 수 있음)
예를 들면, 가맹점 식별 번호 8500에 대해 확률이 계산된 (가맹점 식별 번호, 8500과의 가맹점간 거리)가 (4096, 1km), (8200, 2km), (7062, 3km)이고, a를 10으로 가정하였을 때, 프로세서(210)는 가맹점 식별 번호 4096의 가중치 W를 2로 산출하고, 가맹점 식별 번호 8200의 가중치 W를 1.5로 산출하고, 가맹점 식별 번호 7063의 가중치 W를 1.16으로 산출할 수 있으며, 단계 S320를 통해 산출한 조건부 확률에 가중치를 곱하는 연산을 수행하여 표 8에서와 같이 확률값을 갱신할 수 있다.
8500 가맹점 이후 조건부 확률 (가중치)
8500-4096 > 0.25 * 2 = 0.5
8500-8200 > 0.25 * 1.5 = 0.375
8500-SE(끝) > 0.25 * 1 = 0.25
8500-7062 > 0.25 * 1.16 = 0.29
이에 따라, 같은 조건부 확률을 가지더라도 가맹점간 거리가 가까운 순으로 우선 순위가 부여될 수 있고, 가맹점간 연관성과 거리를 함께 고려하여 가맹점 추천에 대한 재현율을 개선할 수 있다.일 실시 예에서, 타겟 그룹에 포함된 사용자의 결제 내역에 기초하여 상기 타겟 그룹에 포함된 사용자의 가맹점 이용 성향을 결정하고, 타겟 그룹에 포함된 사용자의 가맹점 이용 성향에 기초하여 가중치를 갱신할 수 있다. 예를 들면, 사용자의 과거 결제 내역으로부터 가맹점 이용 순서를 추출하여 가맹점 이용 순서에 따른 선후 가맹점간 거리 평균값을 산출하고, 거리 평균값이 기설정값 미만이면 가맹점간 거리를 중요시하는 제 1 가맹점 이용 성향으로 결정하고, 거리 평균값이 기설정 값 이상이면 가맹점간 연관성을 중요시하는 제 2 가맹점 이용 성향으로 결정하고, 제 1 가맹점 이용 성향인 경우, 가중치가 가맹점간 거리에 반비례한 정도(또는 추가 가중치)를 증가시키고, 제 2 가맹점 이용 성향인 경우, 가중치가 가맹점간 거리에 반비례한 정도(또는 추가 가중치)를 감소시킬 수 있다.일 실시 예에서, 프로세서(210)는 타겟 그룹에 포함된 사용자의 결제 내역에 기초하여 기설정 시간 구간(예: 24시간) 내에 결제가 수행된 가맹점들의 가맹점 이용 순서 선호도, 가맹점 종류 선호도, 가맹점간 거리 선호도 및 결제 시간 선호도 중 적어도 하나를 결정하고, 결정된 가맹점 이용 순서 선호도, 가맹점 종류 선호도, 가맹점간 거리 선호도 및 결제 시간 선호도 중 적어도 하나에 기초하여 가맹점 이용 성향을 결정할 수 있다. 예를 들면, 사용자의 결제 히스토리에 따라 제 1 가맹점과 제 2 가맹점 간의 선후 이용 빈도에 기초하여 가맹점 이용 순서 선호도를 결정하고, 특정 가맹점 종류의 이용 빈도에 기초하여 가맹점 종류 선호도를 결정하고, 선후로 순차 이용되는 가맹점들 간의 거리 평균값에 기초하여 거맹점간 거리 선호도를 결정하고, 특정 시간대에서의 결제 빈도에 기초하여 결제 시간 선호도를 결정하고, 기설정값 이상인 선호도를 가중치에 반영할 수 있다.
일 실시 예에서, 추가 가중치는 가맹점의 식별 번호에 부여되는 가맹점 중요도에 기초하여 가맹점별로 상이하게 결정될 수 있고, 예를 들면, 가맹점 중요도는 우선 제휴 관계에 있는 가맹점인지 여부 또는 가맹점 정책에 기초하여 결정될 수 있다.
단계 S340에서 프로세서(210)는 갱신된 확률에 기초하여 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공할 수 있다. 여기에서, 타겟 그룹에 포함된 사용자는 가맹점 추천 대상인 제 1 사용자를 나타내고, 예를 들면, 프로세서(210)는 상술한 단계들에 따라 가맹점별 조건부 확률이 결정 및 갱신되면, 그룹 식별 번호 내에서 가맹점별 조건부 확률을 취합하고 확률이 높은 순으로 상위 N 개의 가맹점들을 정렬하여 가맹점 추천 정보를 생성하고, 통신부(220)를 통해 가맹점 추천 정보를 제1 사용자 단말(120)에 전송할 수 있다.
일 실시 예에서, 가맹점 추천 정보는 가맹점의 상세 정보를 포함하고, 다른 사용자에 의해 기설정 시간대에 이용된 횟수, 기설정 지역에서 이용된 횟수 및 제 1 사용자에 의해 가장 최근 결제가 수행된 특정 가맹점에 후속하여 다른 사용자에 의해 이용된 횟수 중 적어도 하나를 더 포함하고, 기설정 방식에 따라 최종 결정된 확률로부터 변환된 추천 점수 등을 더 포함할 수 있다.
일 실시 예에서, 프로세서(210)는 클러스터링의 수행 결과에 따라 획득된 복수개의 그룹들에 대해서 타겟 그룹과의 유사도를 결정할 수 있다. 일 실시 예에서, 프로세서(210)는 유사도를 결정하고자 하는 대상 그룹과 타겟 그룹에서 이용된 가맹점들의 총 개수에 반비례하고 공통적으로 이용된 가맹점들의 총 개수에 비례하도록 유사도를 결정할 수 있고, 예를 들면, 자카드 유사도(Jaccard Similarity)를 이용하는 수학식 4에 기초하여 각 그룹에 대해서 타겟 그룹과의 유사도를 결정할 수 있다.
[수학식 4]
(여기에서, A ∪ B는 그룹 A와 그룹 B에서 이용된 가맹점들의 총 개수를 산출하는 연산을 의미하고, A ∩ B는 그룹 A와 그룹 B에서 공통적으로 이용된 가맹점들의 총 개수를 산출하는 연산을 의미함)
예를 들면, 프로세서(210)는 제 1 사용자가 포함된 그룹 A와, 제 1 사용자가 포함되지 않은 그룹 B, C 및 D가 획득된 경우, 그룹 A와 그룹 B에서 공통적으로 이용된 가맹점들의 총 개수를 그룹 A와 그룹 B에서 이용된 가맹점들의 총 개수로 나누는 연산을 통해 유사도를 산출하여 그룹 B에 대한 그룹 A와의 유사도를 산출하고, 마찬가지로, 그룹 C 및 D에 대한 그룹 A와의 유사도를 각각 산출할 수 있다.
일 실시 예에서, 프로세서(210)는 유사도에 기초하여 복수개의 그룹들 중 적어도 하나의 그룹을 타겟 그룹에 대한 유사 그룹으로 결정하고, 유사 그룹에 포함된 유사 그룹 내 가맹점들의 선후 관계에 대한 확률에 기초하여 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공할 수 있다. 예를 들면, 프로세서(210)는 타겟 그룹과의 유사도가 기설정값 이상인 하나 이상의 그룹을 유사 그룹으로 결정하고, 유사 그룹의 그룹 식별 번호 각각에 대하여 유사 그룹 내 가맹점들의 선후 관계에 대한 확률을 결정 및 갱신하고, 유사 그룹 내 기설정 값 이상의 확률값을 가지는 가맹점이 있는 경우, 가맹점 추천 정보에 포함시킬 수 있다.
이에 따라, 제 1 사용자가 소속된 그룹 식별 번호와 유사한 다른 그룹 식별 번호를 도출하여 추천 가맹점 대상을 확장함으로써, 타겟 그룹 내에 제한되지 않고 동적으로 가맹점을 분석할 수 있다.
일 실시 예에서, 프로세서(210)는 타겟 그룹과의 유사도가 기설정 제 1 값 이상 제 2 값 미만인 경우, 부분 유사 그룹으로 결정하고, 타겟 그룹과의 유사도가 기설정 제 2 값 이상인 그룹의 경우, 유사 그룹으로 결정할 수 있다. 프로세서(210)는 부분 유사 그룹의 경우, 부분 유사 그룹 내 가맹점들의 선후 관계에 대한 확률을 결정 및 갱신하여 확률이 높은 순으로 상위 특정 개수의 가맹점들만을 선별하여 가맹점 추천 정보에 반영할 수 있다.
일 실시 예에서, 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치는 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치보다 작을 수 있고, 예를 들면, 타겟 그룹과 유사 그룹의 조건부 확률이 동일하게 산출되더라도 유사 그룹의 가중치(또는 추가 가중치)를 타겟 그룹의 가중치(또는 추가 가중치)보다 기설정 비율로 낮게 부여하여 조건부 확률을 갱신할 수 있다. 또한, 프로세서(210)는 확률이 높은 순으로 가맹점들을 재정렬할 때 타겟 그룹에 포함되는 추천 가맹점과 유사 그룹에 포함되는 추천 가맹점을 구별하여 디스플레이하거나 타겟 그룹에 포함되는 추천 가맹점이 상위에 노출되도록 할 수도 있다.
일 실시 예에서, 통신부(220)는 생성된 가맹점 추천 정보를 제 1 사용자 단말(120)에 전송할 수 있다. 일 실시 예에서, 통신부(220)는 네트워크를 통해 다른 디바이스와 연결되어 명세서 전반에서 기술되는 다양한 정보들을 송수신할 수 있고, 또한, 프로세서(210)는 가맹점 추천 정보를 제공하기 위한 일련의 동작들을 수행할 수 있고, 가맹점 추천 디바이스(200)의 동작 전반을 제어하는 CPU(central processor unit)를 포함하여 구현될 수 있으며, 통신부(220) 및 그밖의 구성요소들과 전기적으로 연결되거나 네트워크를 통해 연결되어 이들 간의 데이터 흐름을 제어할 수 있다.
또한, 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 가맹점 추천 디바이스(200)에 더 포함될 수 있음을 관련 기술 분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 예를 들면, 가맹점 추천 디바이스(200)는 동작 전반에 이용되는 데이터를 저장하기 위한 저장 모듈(예: 메모리, 데이터베이스 등), 사용자 입력을 수신하거나 정보를 출력하기 위한 입출력 인터페이스 등을 더 포함할 수 있다.
도 4는 다른 일 실시 예에 따른 가맹점 추천 디바이스(200)가 가맹점 추천 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 단계 S401에서 가맹점 추천 디바이스(200)는 카드사 서버(300)로부터 사용자들의 결제 내역을 기설정 주기로 수집하여 데이터베이스에 저장 및 관리할 수 있다.
단계 S402에서 가맹점 추천 디바이스(200)는 제 1 사용자 단말(110)에 설치된 가맹점 추천 어플리케이션을 통해 제 1 사용자 단말(110)로부터 가맹점 추천 요청을 수신할 수 있다. 또는, 카드사 서버(300)가 가맹점 단말(400)로부터 제 1 사용자에 의한 카드 결제 요청을 수신하여 결제를 승인하고 가맹점 추천 서비스에 제 1 사용자가 가입된 경우, 가맹점 추천 디바이스(200)는 카드사 서버(300)로부터 제 1 사용자에 의한 결제 내역이 실시간 수신됨에 따라 가맹점 추천 과정을 시작할 수 있다.
단계 S403에서 가맹점 추천 디바이스(200)는 시간 및 지역에 기초하여 사용자들을 특정하고, 특정된 사용자들에 의해 결제가 수행된 가맹점들 추출할 수 있다. 예를 들면, 가맹점 추천 디바이스(200)는 제 1 사용자 단말(110)로부터 가맹점 추천 요청이 수신된 시간 정보(예: 13:00)에 기초하여 기설정된 복수의 시간대(예: 09:00~11:00, 11:00~13:00, 17:00~20:00 등) 중 특정 시간대(예: 09:00~11:00)를 결정하고, 제 1 사용자 단말(110)로부터 수신되는 위치 정보(예: 서울시 중구 을지로 170)에 기초하여 특정 지역(예: 서울시 중구)을 결정하고, 기저장된 사용자들의 결제 내역에 기초하여 결정된 특정 시간대(예: 09:00~11:00) 및 특정 지역(예: 서울시 중구)의 가맹점에서 결제 히스토리가 있는 사용자들의 식별 번호를 추출하고, 추출된 사용자들의 식별 번호와 해당 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호 간을 표 1에서와 같이 매핑할 수 있다.
단계 S404에서 가맹점 추천 디바이스(200)는 추출된 가맹점들의 식별 번호에 대한 해쉬 연산을 통해 사용자들을 클러스터링할 수 있다. 예를 들면, 가맹점 추천 디바이스(200)는 서로 다른 p개의 해쉬 함수들을 결정하고, 추출된 가맹점들의 식별 번호 각각을 해쉬 함수에 입력하여 산출된 해쉬값들 중 최소값을 표 2 내지 표 3에서와 같이 추출하고, p번의 해쉬 연산에 따라 획득된 최소 해쉬값들을 이어 붙이는 연산을 통해 그룹 식별 번호를 생성하고, 이러한 과정을 q번 반복하여 그룹 식별 번호를 표 4 내지 표 5에서와 같이 생성하고, 2 이상의 사용자의 식별 번호가 대응되는 그룹 식별 번호에 기초하여 사용자들에 대한 클러스터링을 표 6에서와 같이 수행할 수 있다.
단계 S405에서 가맹점 추천 디바이스(200)는 제 1 사용자에 의한 결제 내역에 포함된 제 1 사용자가 소속된 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률 결정할 수 있고, 예를 들면, 가맹점 추천 디바이스(200)는 타겟 그룹 내 사용자들의 가맹점 이용 순서 및 마르코프 확률 모델을 이용하여 타겟 그룹 내 가맹점들 간의 조건부 확률을 산출할 수 있다.
단계 S406에서 가맹점 추천 디바이스(200)는 타겟 그룹과의 유사도에 기초하여 유사 그룹을 결정하고, 유사 그룹 내 가맹점들의 선후 관계에 대한 확률 결정할 수 있다. 예를 들면, 가맹점 추천 디바이스(200)는 유사도를 결정하고자 하는 대상 그룹과 타겟 그룹에서 이용된 가맹점들의 총 개수에 반비례하고 공통적으로 이용된 가맹점들의 총 개수에 비례하도록 유사도를 결정할 수 있고, 유사도가 기설정값 이상인 그룹을 유사 그룹으로 결정하고, 유사 그룹 내 사용자들의 가맹점 이용 순서 및 마르코프 확률 모델을 이용하여 유사 그룹 내 가맹점들 간의 조건부 확률을 산출할 수 있다.
단계 S407에서 가맹점 추천 디바이스(200)는 타겟 그룹과 유사 그룹 각각에서 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 확률을 갱신할 수 있고, 예를 들면, 타겟 그룹 및 유사 그룹 내에서 가맹점들 간의 거리에 반비례하도록 결정되는 가중치를 반영하여 각 가맹점에 대한 조건부 확률을 갱신할 수 있다.
단계 S408에서 가맹점 추천 디바이스(200)는 갱신된 확률에 기초하여 가맹점 추천 정보를 제 1 사용자 단말(110)에 제공할 수 있고, 예를 들면, 갱신된 확률이 높은 순으로 정렬되는 상위 N 개의 가맹점들에 가맹점 추천 리스트 및 가맹점의 상세 정보를 포함하는 가맹점 추천 정보를 생성하여 제 1 사용자 단말(110)에 전송할 수 있다.
본 발명의 일 실시 예에 따르면, 가맹점 추천 디바이스(200)는 유사한 시간 및 지역에서 결제 내역이 있는 사용자들에 따라 1차 군집화하고, 유사한 결제 패턴을 가지는 사용자들에 따라 2차 군집화하여, 정확도(precision)와 재현율(recall) 측면에서 모두 효과적인 클러스터링을 수행할 수 있다.
또한, 가맹점 추천 디바이스(200)는 타겟 사용자가 군집화된 타겟 그룹 내 가맹점 이용에 따른 조건부 확률을 이용하는 동시에, 타겟 그룹과 소비 패턴이 유사한 유사 그룹을 도출하여 클러스터링 범위를 확장함으로써, 정확도 및 재현율을 향상시킬 수 있다.
이상에서 도시된 단계들의 순서 및 조합은 일 실시 예이고, 명세서에 기재된 각 구성요소들의 본질적인 특성에서 벗어나지 않는 범위에서 순서, 조합, 분기, 기능 및 그 수행 주체가 추가, 생략 또는 변형된 형태로 다양하게 실시될 수 있음을 알 수 있다.
한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 램, USB, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 개시의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
100: 복수의 사용자 단말
110: 제 1 사용자 단말
200: 가맹점 추천 디바이스
210: 프로세서
220: 통신부
300: 카드사 서버
400: 복수의 가맹점 단말

Claims (17)

  1. 가맹점 추천 정보를 제공하는 방법에 있어서,
    프로세서가 시간 및 지역으로 특정되는 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호에 대한 연산 결과에 기초하여 상기 사용자들에 대한 클러스터링을 수행하는 단계;
    상기 프로세서가 상기 클러스터링의 수행 결과에 따라 획득된 타겟 그룹에 포함된 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 획득하는 단계;
    상기 프로세서가 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 확률을 갱신하는 단계; 및
    갱신된 확률에 기초하여 통신부가 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는 단계;를 포함하고,
    상기 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률은
    마르코프(Markov) 확률 모델을 통한 조건부 확률에 따라 결정되는 가맹점의 선후 이용 순서에 대한 제 1 확률, 가맹점의 선후 이용 종류에 대한 제 2 확률, 가맹점의 선후 위치에 대한 제 3 확률 및 가맹점의 선후 결제 시간에 대한 제 4 확률을 모두 가산한 값 또는 상기 제 1 확률, 상기 제 2 확률, 상기 제 3 확률 및 상기 제 4 확률의 순서로 높게 부여되는 가산점에 기초하여 결정되는 확률 값을 모두 가산한 값으로 결정되는, 방법.
  2. 제 1 항에 있어서,
    상기 프로세서가 상기 클러스터링의 수행 결과에 따라 획득된 복수개의 그룹들에 대해서 상기 타겟 그룹과의 유사도를 결정하는 단계;
    상기 프로세서가 상기 유사도에 기초하여 상기 복수개의 그룹들 중 적어도 하나의 그룹을 상기 타겟 그룹에 대한 유사 그룹으로 결정하는 단계; 및
    상기 유사 그룹에 포함된 유사 그룹 내 가맹점들의 선후 관계에 대한 확률에 기초하여 상기 통신부가 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는 단계;를 더 포함하는, 방법.
  3. 제 2 항에 있어서,
    상기 유사도는
    상기 유사도를 결정하고자 하는 대상 그룹과 상기 타겟 그룹에서 이용된 가맹점들의 총 개수에 반비례하고, 상기 대상 그룹과 상기 타겟 그룹에서 공통적으로 이용된 가맹점들의 총 개수에 비례하는, 방법.
  4. 제 2 항에 있어서,
    상기 유사 그룹에 포함된 유사 그룹 내 가맹점들의 선후 관계에 대한 확률에 기초하여 상기 통신부가 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는 단계는
    상기 프로세서가 상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 유사 그룹 내 가맹점들의 선후 관계에 대한 확률을 갱신하는 단계를 더 포함하고,
    상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치는 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치보다 작은, 방법.
  5. 제 1 항에 있어서,
    상기 연산 결과는
    상기 식별 번호를 입력으로 하는 해쉬 함수의 연산에 따라 획득된 나머지 값을 포함하는, 방법.
  6. 제 5 항에 있어서,
    상기 프로세서가 상기 클러스터링을 수행하는 단계는
    상기 프로세서가 상기 사용자들 각각에 대한 연산 결과들 중 가장 작은 값에 기초하여 상기 클러스터링을 수행하는, 방법.
  7. 제 1 항에 있어서,
    상기 가중치는 상기 거리에 반비례하게 결정되고,
    수학식 3에 기초하여 결정되는, 방법.
    [수학식 3]

    (W는 가중치(weight)를 나타내고, n은 가맹점간 거리(예: km 기준)를 나타내고, a 및 c는 각각 설계자에 의해 설정될 수 있는 상수 및 추가 가중치를 나타내고, SE(끝)의 경우 W=1일 수 있음)
  8. 제 1 항에 있어서,
    상기 프로세서가 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 확률을 갱신하는 단계는
    상기 프로세서가 상기 타겟 그룹에 포함된 사용자의 결제 내역에 기초하여 가맹점 이용 순서를 획득하고 상기 가맹점 이용 순서에 따른 가맹점들 간의 거리 평균값을 산출하는 단계;
    상기 프로세서가 상기 거리 평균값에 기초하여 상기 타겟 그룹에 포함된 사용자의 가맹점 이용 성향을 결정하는 단계; 및
    상기 프로세서가 상기 사용자의 가맹점 이용 성향에 기초하여 상기 가중치를 갱신하는 단계;를 포함하고,
    상기 거리 평균값이 기설정값 미만일 경우 상기 프로세서는 상기 사용자의 가맹점 이용 성향을 가맹점 간의 거리를 중요시하는 제 1 가맹점 이용 성향으로 결정하고,
    상기 거리 평균값이 기설정값 이상일 경우 상기 프로세서는 상기 사용자의 가맹점 이용 성향을 가맹점 간의 연관성을 중요시하는 제 2 가맹점 이용 성향으로 결정하고,
    상기 사용자의 가맹점 이용 성향이 상기 제 1 가맹점 이용 성향으로 결정될 경우, 상기 프로세서는 상기 가맹점 간의 거리에 반비례한 정도가 증가하도록 또는 추가 가중치의 크기가 증가하도록 상기 가중치를 갱신하고,
    상기 사용자의 가맹점 이용 성향이 상기 제 2 가맹점 이용 성향으로 결정될 경우, 상기 프로세서는 상기 가맹점 간의 거리에 반비례한 정도가 감소하도록 또는 추가 가중치의 크기가 감소하도록 상기 가중치를 갱신하는, 방법.
  9. 제 8 항에 있어서,
    상기 프로세서가 상기 타겟 그룹에 포함된 사용자의 가맹점 이용 성향을 결정하는 단계는
    상기 프로세서가 상기 타겟 그룹에 포함된 사용자의 결제 내역에 기초하여 기설정 시간 구간 내에 결제가 수행된 가맹점들의 가맹점 이용 순서 선호도, 가맹점 종류 선호도, 가맹점간 거리 선호도 및 결제 시간 선호도 중 적어도 하나를 결정하는 단계; 및
    상기 프로세서가 상기 가맹점 이용 순서 선호도, 상기 가맹점 종류 선호도, 상기 가맹점간 거리 선호도 및 상기 결제 시간 선호도 중 적어도 하나에 기초하여 상기 가맹점 이용 성향을 결정하는 단계를 포함하는, 방법.
  10. 가맹점 추천 정보를 제공하는 디바이스에 있어서,
    시간 및 지역으로 특정되는 사용자들에 의해 결제가 수행된 가맹점들의 식별 번호에 대한 연산 결과에 기초하여 상기 사용자들에 대한 클러스터링을 수행하고, 상기 클러스터링의 수행 결과에 따라 획득된 타겟 그룹에 포함된 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률을 획득하고, 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 확률을 갱신하고, 갱신된 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 획득하는 프로세서; 및
    상기 타겟 그룹에 포함된 사용자에 대응하는 사용자 단말에 상기 가맹점 추천 정보를 전송하는 통신부;를 포함하고,
    상기 타겟 그룹 내 가맹점들의 선후 관계에 대한 확률은
    마르코프(Markov) 확률 모델을 통한 조건부 확률에 따라 결정되는 가맹점의 선후 이용 순서에 대한 제 1 확률, 가맹점의 선후 이용 종류에 대한 제 2 확률, 가맹점의 선후 위치에 대한 제 3 확률 및 가맹점의 선후 결제 시간에 대한 제 4 확률을 모두 가산한 값 또는 상기 제 1 확률, 상기 제 2 확률, 상기 제 3 확률 및 상기 제 4 확률의 순서로 높게 부여되는 가산점에 기초하여 결정되는 확률 값을 모두 가산한 값으로 결정되는, 디바이스.
  11. 제 10 항에 있어서,
    상기 프로세서는
    상기 클러스터링의 수행 결과에 따라 획득된 복수개의 그룹들에 대해서 상기 타겟 그룹과의 유사도를 결정하고,
    상기 유사도에 기초하여 상기 복수개의 그룹들 중 적어도 하나의 그룹을 상기 타겟 그룹에 대한 유사 그룹으로 결정하고,
    상기 유사 그룹에 포함된 유사 그룹 내 가맹점들의 선후 관계에 대한 확률에 기초하여 상기 타겟 그룹에 포함된 사용자에 대한 가맹점 추천 정보를 제공하는, 디바이스.
  12. 제 11 항에 있어서,
    상기 유사도는
    상기 유사도를 결정하고자 하는 대상 그룹과 상기 타겟 그룹에서 이용된 가맹점들의 총 개수에 반비례하고, 상기 대상 그룹과 상기 타겟 그룹에서 공통적으로 이용된 가맹점들의 총 개수에 비례하는, 디바이스.
  13. 제 11 항에 있어서,
    상기 프로세서는
    상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치에 기초하여 상기 유사 그룹 내 가맹점들의 선후 관계에 대한 확률을 갱신하고,
    상기 유사 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치는 상기 타겟 그룹 내 가맹점들 간의 거리에 따라 부여된 가중치보다 작은, 디바이스.
  14. 제 10 항에 있어서,
    상기 연산 결과는
    상기 식별 번호를 입력으로 하는 해쉬 함수의 연산에 따라 획득된 나머지 값을 포함하는, 디바이스.
  15. 제 14 항에 있어서,
    상기 프로세서는
    상기 사용자들 각각에 대한 연산 결과들 중 가장 작은 값에 기초하여 상기 클러스터링을 수행하는, 디바이스.
  16. 제 10 항에 있어서,
    상기 가중치는 상기 거리에 반비례하게 결정되고,
    수학식3에 기초하여 결정되는, 디바이스.
    [수학식 3]

    (W는 가중치(weight)를 나타내고, n은 가맹점간 거리(예: km 기준)를 나타내고, a 및 c는 각각 설계자에 의해 설정될 수 있는 상수 및 추가 가중치를 나타내고, SE(끝)의 경우 W=1일 수 있음)
  17. 제 1 항 내지 제 9 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

KR1020230136824A 2020-10-30 2023-10-13 가맹점 추천 정보를 제공하는 방법 및 디바이스 KR20230150239A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230136824A KR20230150239A (ko) 2020-10-30 2023-10-13 가맹점 추천 정보를 제공하는 방법 및 디바이스

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200143122A KR20220057955A (ko) 2020-10-30 2020-10-30 가맹점 추천 정보를 제공하는 방법 및 디바이스
KR1020230136824A KR20230150239A (ko) 2020-10-30 2023-10-13 가맹점 추천 정보를 제공하는 방법 및 디바이스

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200143122A Division KR20220057955A (ko) 2020-10-30 2020-10-30 가맹점 추천 정보를 제공하는 방법 및 디바이스

Publications (1)

Publication Number Publication Date
KR20230150239A true KR20230150239A (ko) 2023-10-30

Family

ID=81582800

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200143122A KR20220057955A (ko) 2020-10-30 2020-10-30 가맹점 추천 정보를 제공하는 방법 및 디바이스
KR1020230136824A KR20230150239A (ko) 2020-10-30 2023-10-13 가맹점 추천 정보를 제공하는 방법 및 디바이스

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200143122A KR20220057955A (ko) 2020-10-30 2020-10-30 가맹점 추천 정보를 제공하는 방법 및 디바이스

Country Status (1)

Country Link
KR (2) KR20220057955A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102483903B1 (ko) 2022-06-30 2023-01-03 주식회사 애자일소다 가맹점 추천 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190085763A (ko) 2018-01-11 2019-07-19 주식회사 더리얼마케팅 추천 가맹점 정보 제공 방법 및 이를 이용한 추천 가맹점 정보 제공 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190085763A (ko) 2018-01-11 2019-07-19 주식회사 더리얼마케팅 추천 가맹점 정보 제공 방법 및 이를 이용한 추천 가맹점 정보 제공 장치

Also Published As

Publication number Publication date
KR20220057955A (ko) 2022-05-09

Similar Documents

Publication Publication Date Title
US20190362263A1 (en) Machine learning and prediction using graph communities
US11163845B2 (en) Position debiasing using inverse propensity weight in machine-learned model
US20160283481A1 (en) Method and apparatus for combining text search and recommendation engines
US20180365253A1 (en) Systems and Methods for Optimizing and Simulating Webpage Ranking and Traffic
CN111798280B (zh) 多媒体信息推荐方法、装置和设备及存储介质
WO2020143849A2 (en) Method and system for optimizing user grouping for advertisement
KR20230150239A (ko) 가맹점 추천 정보를 제공하는 방법 및 디바이스
WO2020150611A1 (en) Systems and methods for entity performance and risk scoring
CN109690581A (zh) 用户指导系统及方法
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN113034168A (zh) 内容项投放方法、装置、计算机设备及存储介质
CN110674208B (zh) 用于确定用户的职住地信息的方法和装置
CN114119123A (zh) 信息推送的方法和装置
KR20220015162A (ko) 성격 정보에 기초하여 매칭 정보를 제공하는 방법 및 장치
WO2020150597A1 (en) Systems and methods for entity performance and risk scoring
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN110766488A (zh) 一种自动确定主题场景的方法和装置
KR20240052035A (ko) 사용자 신뢰도에 기반한 크라우드소싱된 현장 리포트들 검증
CN114580652A (zh) 应用于自动人工智能的项目推荐的方法和系统
CN113591986A (zh) 用于生成推荐模型的对象权值的方法和个性化推荐方法
Fernández-Durán et al. Consumer segmentation based on use patterns
CN113792952A (zh) 用于生成模型的方法和装置
CN113326436A (zh) 确定推荐资源的方法、装置、电子设备和存储介质
CN110895579A (zh) 具有树交互特征的实体级搜索模型
JP2019159666A (ja) 不動産情報提供システム

Legal Events

Date Code Title Description
A107 Divisional application of patent