KR20230155336A - 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치 - Google Patents

본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치 Download PDF

Info

Publication number
KR20230155336A
KR20230155336A KR1020220122430A KR20220122430A KR20230155336A KR 20230155336 A KR20230155336 A KR 20230155336A KR 1020220122430 A KR1020220122430 A KR 1020220122430A KR 20220122430 A KR20220122430 A KR 20220122430A KR 20230155336 A KR20230155336 A KR 20230155336A
Authority
KR
South Korea
Prior art keywords
user
users
preference
score
opposite sex
Prior art date
Application number
KR1020220122430A
Other languages
English (en)
Inventor
신민호
Original Assignee
신민호
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 신민호 filed Critical 신민호
Priority to KR1020220122430A priority Critical patent/KR20230155336A/ko
Publication of KR20230155336A publication Critical patent/KR20230155336A/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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Circuits Of Receivers In General (AREA)

Abstract

다양한 실시 예에 따르면, 사용자 및 상대방의 선호 조건에 기반하여 상기 사용자에게 적합한 이성을 추천하는 매칭 서비스 제공 서버는, 다수의 사용자 단말들로부터 회득된 사용자들 각각의 프로필 정보에 기반하여 상기 사용자들을 회원으로 등록하고, 상기 프로필 정보를 저장하는 DB 관리부; 상기 사용자 단말들로부터 획득된 상기 사용자들의 선호 조건에 기반하여 상기 사용자에게 추천할 이성 사용자를 결정하는 선호 조건 기반 추천부; 상기 사용자의 선호 타입을 결정하는 선호 타입 결정부; 특이값 분해(singular value decomposition)에 기반한 협업 필터링을 통해 상기 사용자들에 대한 외모 평가 점수를 산출하고, 산출된 외모 평가 점수에 기반하여 사용자에게 추천할 상기 이성 사용자를 결정하는 외모 평가 점수 기반 추천부; 특이값 분해(singular value decomposition)에 기반한 협업 필터링을 통해 상기 사용자들에 대한 외모 평가 점수를 산출하고, 산출된 외모 평가 점수에 기반하여 사용자에게 추천할 상기 이성 사용자를 결정하만남 결과 점수 기반 추천부를 포함할 수 있다.

Description

본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 AI 기반의 만남 매칭 서비스 제공 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING AN AI-BASED ENCOUNTER MATCHING SERVICE THAT ARRANGES MATCHING BASED ON THE PREFERENCE CONDITIONS OF THE PERSON AND THE OTHER PARTY}
본 발명은 AI 기반의 만남 매칭 서비스를 제공하는 방법 및 장치에 관한 것으로, 구체적으로 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 AI 기반의 만남 매칭 서비스 제공 방법 및 장치에 관한 것이다.
최근 참여, 개방 그리고 공유를 핵심으로 한 웹상의 정보 공간에 사용자가 자신의 개인적인 정보를 자유롭게 게시할 수 있도록 하는 페이스북, 싸이월드, 미투데이, 유투브, 플리커 등 소셜 네트워크 서비스가 엄청난 규모의 트래픽과 회원을 확보하고 있다.
이에 따라 소셜 네트워크 사용자들 간 주고받은 데이터 관계에 초점을 맞춰 자신에게 꼭 필요한 정보를 수집하는 소셜 인덱싱 분야의 연구가 활발히 진행되고 있고, 소셜 인덱싱을 통하여 새로운 부가가치 창출을 하기 위한 많은 노력이 이루어지고 있다.
그 예로서는 커플 매칭이 있는데, 일반적인 커플 매칭은 개인정보를 바탕으로 키워드(Keyword) 검색을 통해 단순 매칭하는 방법과 각종 검사지(성격, 심리)를 통해 수집한 정보를 활용한 매칭과 회원의 프로필 정보와 같은 제한적인 정보와 담당 컨설턴트의 노하우에 의한 매칭이 이뤄진다. 따라서, 과도한 개인정보 수집과 불필요한 신상정보 노출의 문제점이 발견되고 있다. 또한 여러 유형의 검사지를 활용한 매칭은 개인이 가지고 있는 다양하고 방대한 정보를 담아내지 못하기 때문에 정확한 성향을 분석하는데 한계가 존재하며, 회원이 성향이나 선호도를 반영하는데 한계가 있다. 따라서 담당 컨설턴트의 능력에 따라 회원의 만족도가 달라질 수 있으며, 담당 컨설턴트는 회원들이 만족하는 매칭을 위해 많은 시간을 투여할 수밖에 없다.
이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로써, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 사용자 선호 조건에 기반하여 사용자에게 적합한 이성 사용자를 추천하는데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 협업필터링에 기반하여 사용자에게 적합한 이성 사용자를 추천하는데 있다.
다양한 실시 예에 따르면, AI에 기반하여 사용자에게 적합한 이성을 추천하는 매칭 서비스 제공 서버는, 다수의 사용자 단말들로부터 획득된 사용자들 각각의 프로필 정보에 기반하여 상기 사용자들을 회원으로 등록하고, 상기 프로필 정보를 저장하는 DB 관리부; 상기 사용자 단말들로부터 획득된 상기 사용자들의 선호 조건에 기반하여 상기 사용자에게 추천할 이성 사용자를 결정하는 선호 조건 기반 추천부; 상기 사용자의 선호 타입을 결정하는 선호 타입 결정부; 특이값 분해(singular value decomposition)에 기반한 협업 필터링을 통해 상기 사용자들에 대한 외모 평가 점수를 산출하고, 산출된 외모 평가 점수에 기반하여 사용자에게 추천할 상기 이성 사용자를 결정하는 외모 평가 점수 기반 추천부; 및 특이값 분해(singular value decomposition)에 기반한 협업 필터링을 통해 상기 사용자들에 대한 만남 결과 점수를 산출하고, 산출된 만남 결과 점수에 기반하여 사용자에게 추천할 상기 이성 사용자를 결정하는 만남 결과 점수 기반 추천부를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 선호 조건 기반 추천부는, 상기 사용자의 사용자 단말로부터 획득된 상기 사용자의 선호 조건에 기반하여, 상기 DB 관리부에 저장된 이성 사용자들에 대한 제1 선호도 점수를 산출하고, 상기 DB 관리부에 저장된 상기 이성 사용자들의 선호 조건에 기반하여 상기 이성 사용자들의 상기 사용자에 대한 제2 선호도 점수를 산출하고, 상기 제1 선호도 및 상기 제2 선호도에 기반하여 상기 이성 사용자를 결정할 수 있다.
다양한 실시 예에 따르면, 상기 선호 타입 결정부는, 미리 학습된 가우시안 혼합 모델을 이용하여, 상기 사용자 단말들로부터 획득된 선호 조건들 각각에 대응하는 상기 사용자들을 클러스터링함으로써, 상기 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 선호 타입을 해당 클러스터에 속하는 사용자의 선호 타입으로 결정하는 선호 타입 예측 모델을 포함할 수 있다.
다양한 실시 예에 따르면, 상기 외모 평가 점수 기반 추천부는, 상기 사용자들이 이성 사용자들의 외모에 대해 평가한 외모 평가 정보에 액세스하고, 상기 외모 평가 정보에 기반하여 외모 평가 테이블을 생성하고, 생성된 상기 외모 평가 테이블로부터 제1 특성 행렬(feature matrix)을 추출하고, 추출된 상기 제1 특성 행렬에 기반하여 협업 필터링을 수행하여 상기 사용자에게 추천할 이성 사용자를 결정할 수 있다.
다양한 실시 예에 따르면, 상기 만남 결과 점수 기반 추천부는, 상기 사용자들의 이성 사용자들에 대한 만남 평가 정보에 액세스하고, 상기 만남 평가 정보에 기반하여 만남 평가 테이블을 생성하고, 생성된 상기 만남 평가 테이블로부터 제2 특성 행렬(feature matrix)을 추출하고, 추출된 상기 제2 특성 행렬에 기반하여 협업 필터링을 수행하여 상기 사용자에게 추천할 이성 사용자를 결정할 수 있다.
다양한 실시 예에 따르면, 상기 선호 타입 결정부는, 사용자별로 수집되는 학습 데이터들을 이용하여 선호하는 나이, 선호하는 키, 선호하는 얼굴상에 따른 기호, 선호하는 체형에 따른 기호, 선호하는 연 수입, 선호하는 자산, 선호하는 종교에 따른 기호, 선호하는 학력 및 선호하는 직업군에 따른 기호를 포함하는 전처리 학습 데이터를 획득하고, 획득된 전처리 학습 데이터에 포함된 지표들 중 적어도 일부를 이용하여 상기 사용자들 각각에 대응하는 타입 분류 벡터를 생성하고, 상기 타입 분류 벡터를 이용하여 상기 사용자를 다수의 클러스터들 중 하나로 분류하되, 상기 가우시안 혼합 모델의 K개의 가우시안 분포들 중에서 가우시안 분포 선택함수의 결과값이 가장 높은 가우시안 분포를 선정하고, 선정된 가우시안 분포를 상기 사용자의 선호 타입으로 결정하고, 상기 K는 1보다 큰 자연수일 수 있다.
다양한 실시 예에 따르면, 상기 선호 조건은 나이, 본인의 거주지와 상대방의 거주지간 거리, 종교, 학력, 자산, 수입, 자립 여부, 직업, 키, 체중, 음주 여부, 흡연 여부, 문신 유무를 포함하며, 상기 선호 조건 기반 추천부는, 상기 DB 관리부에 저장된 상기 이성 사용자들 중 상기 사용자에 대한 제2 선호도 점수가 미리 설정된 제1 점수 이상인 제1 이성 사용자들을 결정하고, 결정된 상기 제1 이성 사용자들 중에서, 상기 사용자의 상기 제1 이성 사용자들에 대한 제1 선호도 점수가 미리 설정된 제2 점수 이상인 이성 사용자를 결정할 수 있다.
다양한 실시 예에 따르면, 상기 선호도 점수는 이하 수학식을 통해 산출되고,
상기 수학식에서, P는 선호도 점수, a는 나이에 관한 지표이며, 선호 조건에 포함된 선호 나이 범위에 포함되는 경우 5점, 상기 선호 나이 범위로부터 1살씩 멀어질때마다 1점씩 감점되며, d는 상호 간의 직선 거리를 나타낸 지표이며, 사용자의 거주지와 상대방의 거주지 간 직선 거리가 20km이내면 5점, 20km 초과 45km이내인 경우 4점, 45km 초과 80km 이내인 경우 3점, 80km 초과 120km 이내인 경우 2점, 120km 초과 200km 이내인 경우 1점, 200km 초과인 경우 0점이며, r은 종교에 관한 지표이며, 선호 조건에 포함된 상대방의 종교에 대해, 매우 선호하는 경우 5점, 선호하는 경우 4점, 보통인 경우 3점, 싫은 경우 1점, 매우 싫은 경우 0점이고, e는 학력에 대한 지표이며, 선호 조건에 포함된 상대방의 학력에 대하여 선호 학력 이상인 경우 5점, 선호 학력으로부터 한단계 떨어질 때마다 2점씩 감점되고, j는 직업에 대한 지표이며, 선호 조건에 포함된 상대방의 직업에 대하여 선호 직업인 경우 5점, 무관한 경우 3점, 비선호인 경우 0점이고, h는 키에 대한 지표이며, 선호 조건에 포함된 선호 키 범위에 포함되는 경우 5점, 상기 선호 키 범위로부터 1cm씩 멀어질수록 1점씩 감점될 수 있다. b는 부동산에 관한 지표이며, 부동산을 소유한 경우 5점 부동산을 소유하지 않은 경우 0점이고, w1은 상기 나이에 관한 가중치, w2는 상기 직선 거리에 관한 가중치, w3은 상기 종교에 관한 가중치, w4는 상기 학력에 관한 가중치, w5는 상기 직업에 관한 가중치, w6은 상기 키에 관한 가중치, w7은 상기 부동산에 관한 가중치일 수 있다.
다양한 실시 예에 따르면, 상기 외모 평가 점수 기반 추천부는, 상기 사용자와 동일한 선호 타입에 포함된 다른 동성 사용자들이 미리 설정된 임계 점수 이상을 준 제2 이성 사용자들의 얼굴 이미지들에 기반하여 이상형 이미지를 생성하되, 상기 제2 이성 사용자들의 얼굴 이미지들 각각의 랜드 마크를 지정하고, 상기 랜드 마크에 기반하여 상기 얼굴 이미지들 각각에 대하여 얼굴 특징점들을 획득하고, 상기 얼굴 특징점들의 평균 특징점을 가지는 상기 이상형 이미지를 생성하고, 상기 DB 관리부에 저장된 이성 사용자들 중에서 생성된 상기 이상형 이미지와 유사도가 가장 높은 얼굴 이미지에 대응하는 이성 사용자를 결정하여 상기 사용자에게 추천할 수 있다.
본 문서에 개시되는 다양한 실시 예들에 따르면, 회원의 성향 및 선호도를 반영하여, 회원이 원하는 상대방을 실시간으로 매칭할 수 있다.
또한, 다양한 실시 예들에 따르면, 협업 필터링 추천 방법을 통해 신규 회원의 기본적인 정보만으로도 신규 회원에 알맞은 상대방을 매칭시켜줄 수 있다.
또한, 다양한 실시 예들에 따르면, 담당 컨설턴트의 업무 투입 시간을 최소화하여, 효율적이고 편리하게 다양한 매칭 정보를 제공할 수 있다.
일 실시예의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시 예에 따른 시스템을 도시한 도면이다.
도 2는 매칭 서비스 제공 서버의 주요 구성 요소를 나타낸 도면이다.
도 3은 사용자들 각각의 선호 조건에 기반하여 선호도 점수를 산출하는 것과 관련된 도면이다.
도 4는 선호도 점수가 평가 테이블을 통해 표시된 것을 나타낸 도면이다.
도 5는 사용자들의 정보에 기반하여 사용자의 선호 타입을 결정하는 것과 관련된 도면이다.
도 6은 외모 평가 점수가 평가 테이블을 통해 표시된 것을 나타낸 도면이다.
도 7은 만남 결과 점수가 평가 테이블을 통해 표시된 것을 나타낸 도면이다.
도 8은 도 1에 따른 매칭 서비스 제공 서버의 하드웨어 구성을 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
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.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 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 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시 예에 매칭 서비스 제공 시스템(10)을 도시한 도면이다. 도 1을 참조하면, 매칭 서비스 제공 시스템(10)은 매칭 서비스 제공 서버(100), 사용자 단말(200), 등을 포함할 수 있다. 이하 설명되는 동작들은 매칭 서비스 제공 서버(100)에 의하여 제어되는 플랫폼(예: 웹 페이지 및/또는 어플리케이션)을 통해 수행 내지 구현될 수 있다. 다시 말해서, 매칭 서비스 제공 서버(100)는, 사용자가 사용자 단말(200)을 이용하여 네트워크를 통해 매칭 서비스 제공 서버(100)에 접속하여 다양한 정보를 입력하고, 등록하고, 출력할 수 있는 웹 사이트를 제공할 수 있으며, 사용자 단말(200)에 설치되고 실행됨으로써 다양한 정보를 입력하고, 등록하고, 출력할 수 있는 어플리케이션을 제공할 수 있다.
매칭 서비스 제공 서버(100)는 사용자로부터 획득된 사용자의 선호 조건에 기반하여 사용자와 매칭될 수 있는 다른 사용자들 각각에 대한 선호도 점수를 산출하고, 산출된 선호도 점수에 기반하여 상기 다른 사용자들 중 후보 상대방을 결정할 수 있다.
또한, 매칭 서비스 제공 서버(100)는 특이값 분해(SVD, singular value decomposition) 기반 행렬 분해(MF, matrix factorization)에 의한 협업 필터링을 통해 사용자에게 추천할 이성 상대방을 결정할 수 있다. 구체적으로, 매칭 서비스 제공 서버(100)는 사용자들 간의 외모 평가 점수 및 사용자들 간의 만남 결과 점수 각각에 기반하여 협업 필터링을 수행하고, 협업 필터링의 결과로써 사용자에게 추천할 이성 상대방을 결정하고, 결정된 이성 상대방을 상기 사용자에게 추천할 수 있다.
사용자 단말(200)은 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), 및 PDA(Personal Digital Assistant) 등 일 수 있다.
매칭 서비스 제공 서버(100), 사용자 단말(200)은 각각 통신 네트워크(50)에 연결되어, 통신 네트워크를 통해 서로간 데이터를 송수신할 수 있다. 예를 들어, 통신 네트워크는 LAN(Local Area Network), MAN(Metropolitan Area Network), GSM(Global System for Mobile Network), EDGE(Enhanced Data GSM Environment), HSDPA(High Speed Downlink Packet Access), W-CDMA(Wideband Code Division Multiple Access), CDMA(Code Division Multiple Access), TDMA(Time Division Multiple Access), 블루투스(Bluetooth), 지그비(Zigbee), 와이-파이(Wi-Fi), VoIP(Voice over Internet Protocol), LTE Advanced, IEEE802.16m, WirelessMAN-Advanced, HSPA+, 3GPP Long Term Evolution (LTE), Mobile WiMAX(IEEE 802.16e), UMB(formerly EV-DO Rev. C), Flash-OFDM, iBurst and MBWA (IEEE 802.20) systems, HIPERMAN, Beam-Division Multiple Access (BDMA), Wi-MAX(World Interoperability for Microwave Access), 5G 등 다양한 종류의 유선 또는 무선 네트워크가 사용될 수 있다
도 2는 매칭 서비스 제공 서버(100)의 주요 구성 요소를 나타낸 도면이다. 도 3은 사용자들 각각의 선호 조건에 기반하여 선호도 점수를 산출하는 것과 관련된 도면이다. 도 4는 선호도 점수가 평가 테이블을 통해 표시된 것을 나타낸 도면이다. 도 5는 사용자들의 정보에 기반하여 사용자의 선호 타입을 결정하는 것과 관련된 도면이다. 도 6은 외모 평가 점수가 평가 테이블을 통해 표시된 것을 나타낸 도면이다. 도 7은 만남 결과 점수가 평가 테이블을 통해 표시된 것을 나타낸 도면이다.
매칭 서비스 제공 서버(100)는 DB 관리부(101), 선호 조건 기반 추천부(102), 선호 타입 결정부(103), 외모 평가 점수 기반 추천부(104), 만남 결과 점수 기반 추천부(105) 등을 포함할 수 있다.
DB 관리부(101)는 사용자 단말(200)로부터 사용자의 프로필 정보를 획득하고, 획득된 프로필 정보에 기반하여 상기 사용자를 회원으로 등록할 수 있다. DB 관리부(101)는 상기 사용자 외에 회원으로 등록된 다수의 사용자들에 대한 프로필 정보를 저장할 수 있다. 상기 프로필 정보는 이름, 나이, 키, 체중 등에 관한 정보를 포함할 수 있고, 얼굴 이미지를 포함할 수 있다.
DB 관리부(101)는 다수의 사용자 단말들 각각로부터 사용자의 선호 조건(스타일), 외모 평가 정보(점수), 만남 결과 정보(점수) 등에 관한 정보들을 수집하고, 사용자 별로 저장할 수 있다.
선호 조건 기반 추천부(102)는 다수의 사용자 단말들로부터 획득된 사용자들의 선호 조건에 기반하여, 다른 사용자들에 대한 선호도 점수를 산출할 수 있다.
선호 조건 기반 추천부(102)는 사용자 단말(200)로부터 획득된 사용자의 선호 조건에 기반하여, DB 관리부(101)에 저장된 이성 사용자들에 대한 제1 선호도 점수를 산출할 수 있다. 선호 조건 기반 추천부(102)는 다수의 사용자 단말들로부터 획득되어 DB 관리부(101)에 저장된 이성 사용자들의 선호 조건에 기반하여 상기 이성 사용자들의 상기 사용자에 대한 제2 선호도 점수를 산출할 수 있다.
상기 선호도 점수는 일대일 관계에서의 상대적인 점수일 수 있다. 예를 들어, 남자1과 여자1 간 선호도 점수에서 여자1이 90점을 받는 경우에도, 남자2와 여자 1간 선호도 점수에서 여자 1이 76점을 받을 수 있다.
선호 조건은 사용자가 원하는 선호 조건을 의미하며, 나이, 거주지간 거리, 종교, 학력, 자산, 수입, 자립 여부, 직업, 키, 체중, 음주 여부, 흡연 여부, 문신 유무 등을 포함할 수 있다 할 수 있다. DB 관리부(101)는 선호 조건에 관한 정보를 사용자 단말로부터 획득하되, 사용자의 입력에 의하여 입력된 선호 조건에 관한 정보를 획득할 수 있다. 예를 들어, 사용자는 상대방이 가진 종교에 대하여 매우 선호하는 종교, 선호하는 종교, 싫어하는 종교 등을 입력하거나, 상대방의 학력에 대하여 선호 학력을 입력하거나, 상대방의 수입에 대하여 선호 수입을 입력할 수 있다.
선호 조건 기반 추천부(102)는 DB 관리부(101)에 저장된 사람들 중 상기 사용자에 대한 제2 선호도 점수가 미리 설정된 제1 점수 이상인 이성 사용자들을 결정할 수 있다. 선호 조건 기반 추천부(102)는 결정된 상기 이성 사용자들 중에서, 상기 사용자의 상기 이성 사용자들에 대한 제1 선호도 점수가 미리 설정된 제2 점수 이상인 이성 사용자들을 결정할 수 있다. 다시 말해서, 자신에 대해 호감도가 높은 이성들이 추려지고, 자신에 대해 호감도가 높은 이성들에 대한 자신의 호감도를 통해 매칭될 이성들이 결정될 수 있다.
상기 선호도 점수는 이하 수학식 1을 통해 산출될 수 있다.
상기 수학식 1에서, P는 선호도 점수, a는 나이에 관한 지표이며, 선호 조건에 포함된 선호 나이 범위에 포함되는 경우 5점, 상기 선호 나이 범위로부터 1살씩 멀어질때마다 1점씩 감점될 수 있다. d는 상호 간의 직선 거리를 나타낸 지표이며, 사용자의 거주지와 상대방의 거주지 간 직선 거리가 20km이내면 5점, 20km 초과 45km이내인 경우 4점, 45km 초과 80km 이내인 경우 3점, 80km 초과 120km 이내인 경우 2점, 120km 초과 200km 이내인 경우 1점, 200km 초과인 경우 0점일 수 있다. r은 종교에 관한 지표이며, 선호 조건에 포함된 상대방의 종교에 대해, 매우 선호하는 경우 5점, 선호하는 경우 4점, 보통인 경우 3점, 싫은 경우 1점, 매우 싫은 경우 0점일 수 있다. e는 학력에 대한 지표이며, 선호 조건에 포함된 상대방의 학력에 대하여 선호 학력 이상인 경우 5점, 선호 학력으로부터 한단계 떨어질 때마다 2점씩 감점될 수 있다. j는 직업에 대한 지표이며, 선호 조건에 포함된 상대방의 직업에 대하여 선호 직업인 경우 5점, 무관한 경우 3점, 비선호인 경우 0점일 수 있다. h는 키에 대한 지표이며, 선호 조건에 포함된 선호 키 범위에 포함되는 경우 5점, 상기 선호 키 범위로부터 1cm씩 멀어질수록 1점씩 감점될 수 있다. b는 부동산에 관한 지표이며, 부동산을 소유한 경우 5점 부동산을 소유하지 않은 경우 0점일 수 있다. w1은 상기 나이에 관한 가중치, w2는 상기 직선 거리에 관한 가중치, w3은 상기 종교에 관한 가중치, w4는 상기 학력에 관한 가중치, w5는 상기 직업에 관한 가중치, w6은 상기 키에 관한 가중치, w7은 상기 부동산에 관한 가중치일 수 있다. 그 외에도 추가로 음주 여부, 흡연 여부, 문신 유무에 기반하여 상기 선호도 점수가 산출될 수 있다.
선호 타입 결정부(103)는 미리 학습된 가우시안 혼합 모델을 이용하여, 다수의 사용자 단말들로부터 획득된 선호 데이터들 각각에 대응하는 사용자들을 클러스터링할 수 있다. 선호 타입 결정부(103)는 상기 사용자들을 클러스터링함으로써, 상기 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 선호 타입을 해당 클러스터에 속하는 사용자의 선호 타입으로 결정할 수 있다.
선호 타입 결정부(103)는 사용자 단말들로부터 획득된 학습 데이터들을 이용하여 사용자들 각각과 대응하는 선호 타입을 결정할 수 있다. 선호 타입은 유사한 이상형을 가질 것으로 예측되는 사용자들이 분류된 타입일 수 있다. 구체적으로, 선호 타입 결정부(103)는 학습 데이터들 각각에 대응하는 사용자들을 클러스터링함으로써, 사용자들 각각과 대응하는 클러스터를 결정하고, 결정된 클러스터에 부여되는 선호 타입을 결정하는 선호 타입 예측 모델을 포함할 수 있다. 예를 들어, 선호 타입 예측 모델은 가우시안 혼합 모델(Gaussian Mixture Model, GMM)에 따른 클러스터링을 수행할 수 있다.
선호 타입 예측 모델은, 가우시안 혼합 모델 (Gaussian Mixture Model, GMM) 기반으로 동작하는 클러스터링 모델을 포함할 수 있다. 선호 타입 예측 모델은 가우시안 혼합 모델(GMM)을 소프트웨어 상으로 구현한 일종의 소스코드 또는 소스코드의 동작 프로그램에 해당할 수 있다. 각 사용자마다 선호하는 나이, 선호하는 키, 선호하는 얼굴상, 선호하는 체형, 선호하는 연 수입, 선호하는 자산, 선호하는 종교, 선호하는 학력, 선호하는 직업군 등이 상이하기 때문에, 여러 개의 지표 중 하나가 동일하다고 하더라도 유사한 이상형을 가졌다고 판단할 수 없다. 따라서, 각 사용자마다 선호하는 나이, 키, 얼굴형, 체형, 연 수입, 자산, 종교, 학력 등을 고려하여 선호 타입이 결정될 필요가 있다.
본 발명의 일 실시예에서는 이처럼 사용자마다 이성에 대한 선호 타입을 결정하는 세부 지표가 상이한 점을 고려하여, 다양한 세부 지표를 기준으로 사용자의 선호 타입이 결정되고 결정된 선호 타입에 기초하여 사용자의 호감 상대방이 예측될 수 있도록, 사용자들을 클러스터링하여 다수의 클러스터들(clusters)을 구성하고, 구성된 클러스터들 각각에 대응하는 선호 타입을 결정한다. 여기서, 선호 타입은 사용자가 속한 클러스터마다 개별적으로 부여되는 일종의 식별 기호로서 1, 2, 3 등과 같이 우열 없이 결정되는 식별 번호로 표현되거나 그밖에 다양한 형태의 고유 식별 기호로 표현될 수 있다.
선호 타입 예측 모델은 사용자별로 수집되는 학습 데이터들을 이용하여 사용자에 대응하는 타입 분류 벡터(특징 벡터)를 생성할 수 있다. 예를 들어, 선호 타입 예측 모델은 사용자별로 수집되는 학습 데이터들을 이용하여 선호하는 나이, 선호하는 키, 선호하는 얼굴상에 따른 기호, 선호하는 체형에 따른 기호, 선호하는 연 수입, 선호하는 자산, 선호하는 종교에 따른 기호, 선호하는 학력 및 선호하는 직업군에 따른 기호를 포함하는 전처리 학습 데이터를 획득할 수 있다. 선호 타입 예측 모델은 획득된 전처리 학습 데이터에 포함된 지표들 중 적어도 일부를 이용하여 사용자에 대응하는 타입 분류 벡터를 생성할 수 있다. 예를 들어, 선호 타입 예측 모델은, 선호하는 나이, 선호하는 키, 선호하는 얼굴상에 따른 기호, 선호하는 체형에 따른 기호, 선호하는 연 수입, 선호하는 자산, 선호하는 종교에 따른 기호, 선호하는 학력, 선호하는 직업군에 따른 기호 각각을 성분값으로 하는 타입 분류 벡터를 생성할 수 있다.
선호하는 얼굴상에 따른 기호, 선호하는 체형에 따른 기호, 선호하는 종교에 따른 기호, 선호하는 학력에 따른 기호, 선호하는 직업군에 따른 기호는 일종의 식별 기호로서 1, 2, 3 등과 같이 우열 없이 결정되는 식별 번호로 표현되거나 그밖에 다양한 형태의 고유 식별 기호로 표현될 수 있다.
예를 들어, 선호하는 얼굴상에 따른 기호는 선호하는 얼굴상이 강아지상의 경우 1, 여우상의 경우 2, 곰상의 경우 3, 공룡상의 경우 4, 토끼상의 경우 5, 말상의 경우 6, 개구리상의 경우 7, 사슴상의 경우 8 등일 수 있다.
예를 들어, 선호하는 체형에 따른 기호는 선호하는 체형이 역삼각형의 경우 1, 직사각형의 경우 2, 둥근형의 경우 3, 삼각형의 경우 4, 모래시계형의 경우 5 등일 수 있다.
예를 들어, 선호하는 종교에 따른 기호는 선호하는 종교가 무교인 경우 1, 불교인 경우 2, 개신교인 경우 3, 천주교인 경우 4 등일 수 있다.
예를 들어, 선호하는 학력에 따른 기호는 선호하는 최종 학력이 대학원인 경우 1, 대학교인 경우 2, 고등학교인 경우 3, 중학교인 경우 4 등일 수 있다.
예를 들어, 선호하는 직업군에 따른 기호는 선호하는 직업군이 일반사무직인 경우 1, 건설직인 경우 2, 금융직인 경우 3, 전문직인 경우 4, 운동선수인 경우 5, 예술가인 경우 6 등일 수 있다.
선호 타입 예측 모델은 사용자들 각각의 적어도 하나의 타입 분류 벡터를 이용하여 사용자들 각각을 다수의 클러스터들 중 하나로 분류(classify)할 수 있다. 예를 들어, 가우시안 혼합 모델(GMM)의 경우, 미리 지정된 K(K는 1보다 큰 자연수)개의 가우시안 분포들 각각이 클러스터와 대응하며. 사용자들을 K개의 가우시안 분포들 중 하나로 분류하도록 동작할 수 있다.
구체적으로, 가우시안 혼합 모델의 경우, 베이즈 정리(Bayes' theorem)를 이용하여 K개의 가우시안 분포들 중에서 하기 수학식 2에 따른 가우시안 분포 선택함수(γ)의 결과값이 가장 높은 가우시안 분포를 선정하고, 선정된 가우시안 분포를 해당 사용자에 대응하는 선호 타입으로 결정한다.
수학식 2에서 (γ)는 선택함수이고, xn은 n번째 사용자에 따른 타입 분류 벡터고, znk는 타입 분류 벡터가 주어졌을 때 가우시안 혼합 모델에서 k(k는 1과 K 사이의 자연수)번째 가우시안 분포가 선택되면 1이고, 아니면 0의 값을 갖는 2진 변수이다. 또한 수학식 2에서 μ와 Σ는 가우시안 혼합 모델에 따른 파라미터로서 미리 가우시안 혼합 모델에 대한 학습 과정을 통해 확정되는 값이다. 가우시안 혼합 모델에 따른 파라미터를 결정하기 위한 학습 과정에 대해서는 Christopher Bishop의 Pattern Recognition and Machine Learning, 2008.03.18 을 참조하면 이해할 수 있으므로 구체적인 설명은 생략한다.
외모 평가 점수 기반 추천부(104)는 특이값 분해(SVD, singular value decomposition) 기반 행렬 분해(MF, matrix factorization)에 의한 협업 필터링을 통해 외모 평가 점수를 산출하고, 산출된 외모 평가 점수에 기반하여 사용자에게 추천할 이성 사용자를 결정하고, 결정된 이성 사용자를 사용자와 매칭할 수 있다. Matrix Factorization은 협업 필터링(collaborative filtering) 중 모델 기반 필터링에 속한 대표적인 알고리즘일 수 있다.
외모 평가 점수 기반 추천부(104)는 DB 관리부(101)에 저장된 다른 동성 사용자들(즉, 동성 회원들)이 평가한 이성 사용자들에 대한 외모 평가 점수에 기반하여 사용자에게 추천할 이성 사용자를 결정할 수 있다. 또한, 외모 평가 점수 기반 추천부(104)는 사용자와 동일한 클러스터(즉, 선호 타입)에 포함된 다른 동성 사용자들(즉, 동성 회원들)이 평가한 이성 사용자들에 대한 외모 평가 점수에 기반하여 이성 사용자를 결정할 수 있다. 외모 평가 점수 기반 추천부(104)는 동일한 선호 타입에 속하는 다른 동성 사용자들(즉, 사용자의 이상형과 유사한 이상형을 가진 다른 동성 사용자들)이 선호하는 외모는 사용자가 선호하는 외모일 확률이 높으므로, 이성 사용자들의 외모에 대하여 평가한 외모 평가 점수를 사용자 단말(200)에 제공할 수 있다.
외모 평가 점수는 얼굴 점수 및 체형 점수를 포함하며, 외모 평가 점수 기반 추천부(104)는 얼굴 점수 및 체형 점수 각각에 대한 가중치를 다르게 적용하여 상기 외모 평가 점수를 산출할 수 있다. 외모 평가 점수 기반 추천부(104)는 외모 평가 점수가 미리 설정된 임계값 이상인 이성 사용자들을 결정하여 상기 사용자에게 추천할 수 있다.
외모 평가 점수 기반 추천부(104)는 다수의 사용자 단말로부터 상기 다수의 사용자 단말에서 수행된 이성에 대한 외모 평가 정보를 획득하고, 획득된 외모 평가 정보를 사용자 별로 저장할 수 있다.
외모 평가 점수 기반 추천부(104)는 사용자와 동일한 클러스터(즉, 선호 타입)에 포함된 다른 동성 사용자들이 미리 설정된 임계 점수 이상을 준 이성 사용자들의 얼굴 이미지들에 기반하여 이상형 이미지를 생성할 수 있다. 외모 평가 점수 기반 추천부(104)는 상기 이성 사용자들의 얼굴 이미지들 각각의 랜드 마크를 지정하고, 상기 랜드 마크에 기반하여 얼굴 이미지들 각각에 대하여 얼굴 특징점들을 획득할 수 있다. 외모 평가 점수 기반 추천부(104)는 얼굴 특징점들의 평균 특징점을 가지는 이상형 이미지를 생성할 수 있다. 상기 이성 사용자들의 얼굴 이미지들은 DB 관리부(101)에 저장된 상기 이성 사용자들의 얼굴이 포함된 이미지일 수 있다. 외모 평가 점수 기반 추천부(104)는 DB 관리부(101)에 저장된 이성 사용자들 중에서 생성된 상기 이상형 이미지와 유사한 이성 사용자들을 결정할 수 있다.
만남 결과 점수 기반 추천부(105)는 특이값 분해(SVD, singular value decomposition) 기반 행렬 분해(MF, matrix factorization)에 의한 협업 필터링을 통해 만남 결과 점수를 산출하고, 산출된 만남 결과 점수에 기반하여 사용자에게 추천할 이성 사용자를 결정하고, 결정된 이성 사용자를 사용자와 매칭할 수 있다
만남 결과 점수 기반 추천부(105)는 사용자의 만남 결과 점수 및 DB 관리부(101)에 저장된 사용자들의 만남 결과 점수를 산출할 수 있다. 만남 결과 점수 기반 추천부(105)는 만남 결과 점수가 미리 설정된 임계값 이상인 이성 사용자들을 결정하여 상기 사용자에게 추천할 수 있다.
만남 결과 점수 기반 추천부(105)는 사용자와 이상형이 유사한 다른 동성 사용자들(즉, 동일한 선호 타입에 포함된 동성 사용자들)이 평가한 다른 이성 사용자들 각각의 만남 결과 점수를 산출할 수 있다.
만남 결과 점수 기반 추천부(105)는 다수의 사용자 단말들로부터 획득되어 DB 관리부(101)에 저장된 만남 평가 항목에 기초하여, 상기 만남 결과 점수를 산출할 수 있다. 상기 만남 평가 항목은, 첫인상, 대화 공통사, 리액션, 매너, 만남 유지 시간, 만남 약속 시간에 대한 지각 여부, 지각한 경우 지각 시간 등을 포함할 수 있다. 상기 만남 결과 점수는 실제로 만난 것에 기반하여 산출된 만남 실제 점수와 실제로 만나지 않았지만 예측되어 산출된 만남 예측 점수로 나뉠 수 있다.
만남 결과 점수 기반 추천부(105)는 실제 만남을 기반으로 산출된 실제 만남 점수 및 실제 만남이 이루어지지 않아 만남 결과 점수가 없는 사용자들에 대한 만남 결과 점수를 예측할 수 있다. 다시 말해서, 만남 결과 점수 기반 추천부(105)는 실제 만남 결과 데이터가 있는 경우, 만남 실제 점수 및 만남 예측 점수를 모두 계산하고, 실제 만남 결과 데이터가 없는 경우, 만남 예측 점수를 계산할 수 있다. 만남 결과 점수 기반 추천부(105)는 만남 실제 점수와 만남 예측 점수에 기반하여 만남 실제 점수와 만남 예측 점수를 비교하고, 상기 비교에 기반하여 신뢰 점수를 산출할 수 있다.
만남 결과 점수 기반 추천부(105)는 남성 회원이 평가한 여성 회원에 대한 만남 예측 점수, 남성 회원이 평가한 여성 회원에 대한 만남 실제 점수, 여성 회원이 평가한 남성 회원에 대한 만남 예측 점수, 여성 회원이 평가한 남성 회원에 대한 만남 실제 점수를 산출할 수 있다.
만남 결과 점수 기반 추천부(105)는 산출된 만남 결과 점수에 기초하여, 만남 평가 테이블을 생성할 수 있다. 만남 결과 점수 기반 추천부(105)는 생성된 상기 만남 평가 테이블로부터 특성 행렬(feature matrix)을 추출하고, 추출된 상기 특성 행렬에 기반하여 협업 필터링을 수행하여 상기 사용자에게 추천할 이성 사용자를 결정할 수 있다. 여기서, 만남 결과 점수 기반 추천부(105)는 불필요한 노이즈의 제거, 계산 속도의 향상을 위하여 사용자와 동일한 클러스터(즉, 선호 타입)에 속한 다른 동성 사용자들(즉, 회원들)이 평가한 이성 회원에 대한 만남 평가 정보에 기반하여 상기 평가 테이블을 생성할 수 있다.
도 8은 도 1에 따른 매칭 서비스 제공 서버(100)의 하드웨어 구성을 나타낸 도면이다.
도 8을 참조하면, 매칭 서비스 제공 서버(100)는 적어도 하나의 프로세서(110) 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
상기 적어도 하나의 동작은, 전술한 매칭 서비스 제공 서버(100)의 동작이나 기능 중 적어도 일부를 포함하고 명령어들 형태로 구현되어 프로세서(110)에 의하여 수행될 수 있다.
여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고, 저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.
또한, 매칭 서비스 제공 서버(100)는 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 매칭 서비스 제공 서버(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 매칭 서비스 제공 서버(100)에 포함된 각각의 구성 요소들은 버스(bus)(170)에 의해 연결되어 서로 통신을 수행할 수 있다. 도 8에서는 매칭 서비스 제공 서버(100)를 예로 들어 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 복수 개의 사용자 단말들은 도 8에 따른 구성요소를 포함할 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 매칭 서비스 제공 서버 200: 사용자 단말

Claims (1)

  1. 사용자 및 상대방의 선호 조건에 기반하여 상기 사용자에게 적합한 이성을 추천하는 매칭 서비스 제공 서버에 있어서,
    다수의 사용자 단말들로부터 획득된 사용자들 각각의 프로필 정보에 기반하여 상기 사용자들을 회원으로 등록하고, 상기 프로필 정보를 저장하는 DB 관리부;
    상기 사용자 단말들로부터 획득된 상기 사용자들의 선호 조건에 기반하여 상기 사용자에게 추천할 이성 사용자를 결정하는 선호 조건 기반 추천부;
    상기 사용자의 선호 타입을 결정하는 선호 타입 결정부;
    특이값 분해(singular value decomposition)에 기반한 협업 필터링을 통해 상기 사용자들에 대한 외모 평가 점수를 산출하고, 산출된 외모 평가 점수에 기반하여 사용자에게 추천할 상기 이성 사용자를 결정하는 외모 평가 점수 기반 추천부; 및
    특이값 분해(singular value decomposition)에 기반한 협업 필터링을 통해 상기 사용자들에 대한 만남 결과 점수를 산출하고, 산출된 만남 결과 점수에 기반하여 사용자에게 추천할 상기 이성 사용자를 결정하는 만남 결과 점수 기반 추천부를 포함하고,
    상기 선호 타입 결정부는,
    미리 학습된 가우시안 혼합 모델을 이용하여, 상기 사용자 단말들로부터 획득된 선호 조건들 각각에 대응하는 상기 사용자들을 클러스터링함으로써, 상기 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 선호 타입을 해당 클러스터에 속하는 사용자의 선호 타입으로 결정하는 선호 타입 예측 모델을 포함하고,
    상기 선호 타입 결정부는,
    사용자별로 수집되는 학습 데이터들을 이용하여 선호하는 나이, 선호하는 키, 선호하는 얼굴상에 따른 기호, 선호하는 체형에 따른 기호, 선호하는 연 수입, 선호하는 자산, 선호하는 종교에 따른 기호, 선호하는 학력 및 선호하는 직업군에 따른 기호를 포함하는 전처리 학습 데이터를 획득하고,
    획득된 전처리 학습 데이터에 포함된 지표들 중 적어도 일부를 이용하여 상기 사용자들 각각에 대응하는 타입 분류 벡터를 생성하고,
    상기 타입 분류 벡터를 이용하여 상기 사용자를 다수의 클러스터들 중 하나로 분류하되, 상기 가우시안 혼합 모델의 K개의 가우시안 분포들 중에서 가우시안 분포 선택함수의 결과값이 가장 높은 가우시안 분포를 선정하고,
    선정된 가우시안 분포를 상기 사용자의 선호 타입으로 결정하고, 상기 K는 1보다 큰 자연수이고,
    상기 외모 평가 점수 기반 추천부는,
    상기 사용자들이 이성 사용자들의 외모에 대해 평가한 외모 평가 정보에 액세스하고,
    상기 외모 평가 정보에 기반하여 외모 평가 테이블을 생성하고,
    생성된 상기 외모 평가 테이블로부터 제1 특성 행렬(feature matrix)을 추출하고,
    추출된 상기 제1 특성 행렬에 기반하여 협업 필터링을 수행하여 상기 사용자에게 추천할 이성 사용자를 결정하되,
    상기 사용자와 동일한 선호 타입에 포함된 다른 동성 사용자들이 미리 설정된 임계 점수 이상을 준 제2 이성 사용자들의 얼굴 이미지들에 기반하여 이상형 이미지를 생성하되,
    상기 제2 이성 사용자들의 얼굴 이미지들 각각의 랜드 마크를 지정하고,
    상기 랜드 마크에 기반하여 상기 얼굴 이미지들 각각에 대하여 얼굴 특징점들을 획득하고,
    상기 얼굴 특징점들의 평균 특징점을 가지는 상기 이상형 이미지를 생성하고,
    상기 DB 관리부에 저장된 이성 사용자들 중에서 생성된 상기 이상형 이미지와 유사도가 가장 높은 얼굴 이미지에 대응하는 이성 사용자를 결정하여 상기 사용자에게 추천하고,
    상기 만남 결과 점수 기반 추천부는,
    상기 사용자들의 이성 사용자들에 대한 만남 평가 정보에 액세스하고,
    상기 만남 평가 정보에 기반하여 만남 평가 테이블을 생성하고,
    생성된 상기 만남 평가 테이블로부터 제2 특성 행렬(feature matrix)을 추출하고,
    추출된 상기 제2 특성 행렬에 기반하여 협업 필터링을 수행하여 상기 사용자에게 추천할 이성 사용자를 결정하고,
    상기 선호 조건 기반 추천부는,
    상기 사용자의 사용자 단말로부터 획득된 상기 사용자의 선호 조건에 기반하여, 상기 DB 관리부에 저장된 이성 사용자들에 대한 제1 선호도 점수를 산출하고,
    상기 DB 관리부에 저장된 상기 이성 사용자들의 선호 조건에 기반하여 상기 이성 사용자들의 상기 사용자에 대한 제2 선호도 점수를 산출하고,
    상기 제1 선호도 점수 및 상기 제2 선호도 점수에 기반하여 상기 이성 사용자를 결정하는, 매칭 서비스 제공 서버.
KR1020220122430A 2022-05-03 2022-09-27 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치 KR20230155336A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220122430A KR20230155336A (ko) 2022-05-03 2022-09-27 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220054793A KR102449694B1 (ko) 2022-05-03 2022-05-03 Ai 기반의 만남 매칭 서비스를 제공하는 방법 및 장치
KR1020220122430A KR20230155336A (ko) 2022-05-03 2022-09-27 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020220054793A Division KR102449694B1 (ko) 2022-05-03 2022-05-03 Ai 기반의 만남 매칭 서비스를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230155336A true KR20230155336A (ko) 2023-11-10

Family

ID=83451680

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020220054793A KR102449694B1 (ko) 2022-05-03 2022-05-03 Ai 기반의 만남 매칭 서비스를 제공하는 방법 및 장치
KR1020220122433A KR20230155337A (ko) 2022-05-03 2022-09-27 외모 평가 정보 및 만남 평가 정보에 기반하여 ai 만남 매칭 서비스를 제공하는 방법 및 장치
KR1020220122430A KR20230155336A (ko) 2022-05-03 2022-09-27 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020220054793A KR102449694B1 (ko) 2022-05-03 2022-05-03 Ai 기반의 만남 매칭 서비스를 제공하는 방법 및 장치
KR1020220122433A KR20230155337A (ko) 2022-05-03 2022-09-27 외모 평가 정보 및 만남 평가 정보에 기반하여 ai 만남 매칭 서비스를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (3) KR102449694B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102576191B1 (ko) * 2022-08-19 2023-09-07 시놀(주) 시니어 사용자 간에 매칭 시스템의 제어 방법
CN116313116B (zh) * 2023-05-12 2023-07-28 氧乐互动(天津)科技有限公司 基于人体热生理模型的仿真处理系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160064447A (ko) * 2014-11-28 2016-06-08 이종찬 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법
KR20200064839A (ko) * 2018-11-29 2020-06-08 정승현 이혼인의 개인선호정보와 이혼사유를 활용한 적정 이성을 매칭해주는 방법
KR20220053168A (ko) * 2020-10-22 2022-04-29 김밀알 데이팅 상대 매칭 서비스를 제공하는 장치 및 그 제공 방법
KR102350616B1 (ko) * 2021-04-29 2022-01-17 (주)테키 Ai 기반 결혼 정보 매칭 방법 및 장치

Also Published As

Publication number Publication date
KR20230155337A (ko) 2023-11-10
KR102449694B1 (ko) 2022-09-30

Similar Documents

Publication Publication Date Title
US11688159B2 (en) Engaging users by personalized composing-content recommendation
KR20230155336A (ko) 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치
US11704500B2 (en) Techniques to add smart device information to machine learning for increased context
CN111615706A (zh) 基于子流形稀疏卷积神经网络分析空间稀疏数据
May Petry et al. MARC: a robust method for multiple-aspect trajectory classification via space, time, and semantic embeddings
Shi et al. Sentiment analysis of Chinese microblogging based on sentiment ontology: a case study of ‘7.23 Wenzhou Train Collision’
US20160086135A1 (en) Evaluation apparatus, evaluation method and evaluation system for evaluating evaluation target person
US20170235726A1 (en) Information identification and extraction
US8719191B2 (en) Training and verification using a correlated boosted entity model
Solomon et al. Predict demographic information using word2vec on spatial trajectories
US20160132788A1 (en) Methods and systems for creating a classifier capable of predicting personality type of users
Ahmed et al. Discovering diverse, high quality design ideas from a large corpus
CN112000801A (zh) 基于机器学习的政务文本分类、热点问题挖掘方法及系统
CN115577316A (zh) 一种基于多模态数据融合的用户人格预测方法与应用
CN105308591A (zh) 来自社交交互的关系强度的动态性
CN117726884B (zh) 对象类别识别模型的训练方法、对象类别识别方法及装置
US10902215B1 (en) Social hash for language models
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
Khan et al. Possible effects of emoticon and emoji on sentiment analysis web services of work organisations
CN108604230A (zh) 具有职业和非职业内容的用户馈送
McGlynn ‘Fat boys make you feel thinner!’: fat GBQ men’s comfort and stigma in UK bear spaces
CN114202402A (zh) 行为特征预测方法及装置
CN112507185B (zh) 用户肖像的确定方法和装置
CN113609833B (zh) 文件的动态生成方法、装置、计算机设备及存储介质
CN110941638A (zh) 应用分类规则库构建方法、应用分类方法及装置