WO2013157705A1 - Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템 - Google Patents

Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템 Download PDF

Info

Publication number
WO2013157705A1
WO2013157705A1 PCT/KR2012/006704 KR2012006704W WO2013157705A1 WO 2013157705 A1 WO2013157705 A1 WO 2013157705A1 KR 2012006704 W KR2012006704 W KR 2012006704W WO 2013157705 A1 WO2013157705 A1 WO 2013157705A1
Authority
WO
WIPO (PCT)
Prior art keywords
interest
social
user
degree
topic
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2012/006704
Other languages
English (en)
French (fr)
Inventor
현순주
김태훈
안다비
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Advanced Institute of Science and Technology KAIST
Original Assignee
Korea Advanced Institute of Science and Technology KAIST
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 Korea Advanced Institute of Science and Technology KAIST filed Critical Korea Advanced Institute of Science and Technology KAIST
Publication of WO2013157705A1 publication Critical patent/WO2013157705A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/40—Business processes related to social networking or social networking services
    • G06Q10/42—Determination of affinities or common interests between users

Definitions

  • the present invention relates to a method and a system for inferring a user's interests by using the interests of social neighbors and social activities that constitute the social network service (SNS).
  • SNS social network service
  • SNS Social Network Service
  • users can post their interests and socialize while talking about their interests with social neighbors who share the same interests.
  • the present invention relates to a concern that a user wants to post, and by using a social correlation feature in inferring a user's interest in SNS, the user's interest can be inferred from the interest of a social neighbor.
  • This social correlation refers to a social phenomenon in which subjects in a social relationship have similar characteristics.
  • the similarity between interests specified by social neighbors and social activities of social neighbors is used to reduce errors and increase accuracy in inferring user interests.
  • a user interest inference method and system that can rank interests by predicting user preferences for one or more inferred user interests.
  • a method of inferring user interest in a social network service comprising: extracting a topic from a communication log of a user with each social neighbor; Calculating a degree of association of interests for each social neighborhood from the extracted topics; Calculating intimacy with each social neighborhood of the user; Calculating a degree of correlation indicating how relevant the user is for each type of interest for each social neighborhood based on the degree of intimacy and intimacy of each interest; And inferring a user's interest using the calculated correlation.
  • the step of extracting a topic from the communication log with each social neighborhood of the user the interest content (Interest Content) which is a document related to one or more interests set in advance by each social neighborhood and the social log means the communication log.
  • Social content is expressed in the form of a Topic Distribution Vector through a Latent Dirichlet Allocation (LDA) topic model.
  • LDA Latent Dirichlet Allocation
  • the step of calculating the degree of association for each social neighborhood from the extracted topic may include the similarity between the interest content and the social content by reflecting each topic distribution vector indicated by the LDA topic model in Equation 1. The average of the equations is calculated to find the degree of association.
  • the input value is the content of interest and social content
  • the number of topics, the input social content and social content are trained
  • the topic is represented as an output value
  • the topic is represented as a probability distribution.
  • the step of calculating a correlation indicating how related to each type of interests for each social neighbor is related to the user based on the degree of intimacy and intimacy of interests the calculated degree of association and interest of each user Correlation is calculated by reflecting intimacy with social neighbors in Equation 2.
  • inferring a user's interest using the calculated correlation may comprise calculating an interest as a sum of the correlations; And ranking the user's interest according to the calculated value of the interest.
  • the step of calculating the degree of interest as the sum of the correlations is calculated by reflecting the calculated correlation in Equation 3.
  • a user interest inference system in SNS comprising: a topic extracting unit for extracting a topic from a communication log with each social neighbor of a user; An association calculation unit that calculates a degree of association for each social neighborhood from the extracted topics; An intimacy calculation unit that calculates intimacy with each social neighborhood of the user; A correlation calculation unit configured to calculate a degree of correlation indicating how relevant the user is for each type of interest for each social neighborhood based on the degree of intimacy and intimacy of each interest; And an interest inference unit that infers a user's interest using the calculated correlation.
  • FIG. 1 is a flowchart of a method of inferring user interests according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating a relationship with a social neighbor in SNS and interests of each social neighbor in an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating extracting a degree of association by extracting a topic distribution vector through an LDA topic model according to one embodiment of the present invention.
  • FIG. 4 is a diagram showing the degree of intimacy and association between a user and a social neighborhood according to an embodiment of the present invention.
  • FIG. 5 is a view showing a correlation for one concern in an embodiment of the present invention.
  • FIG. 6 is a block diagram of a user interest inference system according to an exemplary embodiment of the present invention.
  • step 150 extracting a topic from a communication log with each social neighbor of the user (110), calculating a degree of association for each social interest for each social neighbor from the extracted topic (120), and each user Calculation of intimacy with social neighbors (130), calculating a correlation indicating how relevant each user is for each type of interest for each social neighborhood (140), inferring the user's interests using the calculated correlation Proceeding to step 150 is performed.
  • SNS is a service that allows one user to establish social relationships online.
  • a user engages in social neighborhood relations with a large number of users, and engages in social activities online by communicating with the social neighbors or sympathizing with posted articles.
  • Figure 2 shows the relationship between users in this SNS.
  • the user 210 has social neighbors with four users from neighbor 1 to neighbor 4 (220-250), except for the user, the neighbors 20-250 of the user have posted their interests on SNS. to be. Through the present invention, the user 210 may find and post an interest without directly posting the interest through the interests 221, 231, 241, and 251 posted by the social neighbor.
  • step 110 extracting a topic from the user's communication log with each social neighborhood refers to interest content (Interest Content) and communication log, which are documents related to one or more interests set in advance by each social neighbor.
  • Social content is expressed in the form of a Topic Distribution Vector through a Latent Dirichlet Allocation (LDA) topic model.
  • LDA Latent Dirichlet Allocation
  • the LDA topic model receives input documents such as content of interest and social content and the number of topics as input, and the input social content and social content are trained and the topics appear as output values. Appears and performs the identification and presentation of the topic distribution vector according to the number of documents received as inputs of the content of interest and social content respectively.
  • the content of interest 310 represents a document on the SNS that introduces and explains the interests posted by the social neighbors of the SNS, and the social content 320 is made in relation to the interests between the user and the social neighborhood. Use a conversation or empathy to indicate a document of interest.
  • the content of interest 310 and the social content 320 are represented as a topic distribution vector through the LDA topic model.
  • the degree of association may be calculated using the topic distribution vector.
  • Step 120 calculates the degree of association by interest for each social neighborhood from the extracted topics.
  • the degree of association can be obtained by calculating the average of the similarity between the two vectors by reflecting the topic distribution vector of each content of interest and social content indicated by the LDA topic model in Equation 1.
  • H is the number of social activities
  • the degree of association is shown in FIG. 4.
  • This degree of association can be derived for each social neighborhood by the number of interests specified by the social neighborhood on the SNS.
  • the higher the value of the degree of association the more likely it is to be inferred as a user's concern. Since the existing technology does not consider the topic extracted from the communication log, the degree of association at this time is zero.
  • step 130 the intimacy between the user and each social neighbor is calculated, which may be a reference for calculating the intimacy, for example, the number of visits to each other, the frequency or number of conversations or empathy, and the like. Can be quantified
  • Computation of the user's intimacy with each social neighborhood 140 calculates a degree of correlation that indicates how relevant the user is for each type of interest for each social neighborhood based on the degree of intimacy and intimacy of each interest.
  • Step 140 calculates the correlation by reflecting the degree of association by interest calculated in step 120 and the intimacy of each social neighbor of the user calculated in step 130 in Equation 2.
  • Correlation i, j, k refers to the degree of correlation indicating how closely the user i is related to the social neighborhood j and the interest k.
  • ⁇ and ⁇ are values for setting respective weights to the degree of intimacy and intimacy
  • f i, j means intimacy between user i and social neighbor j.
  • e j, k has a value of 0 or 1, and when the interest that calculates the degree of association is the interest (k) specified by the user's social neighbor (j) in SNS, the value is calculated as 1 If the interest is not specified by the social neighbor j, the value becomes zero and the correlation becomes zero. Therefore, even if the topic shows the actual degree of association, the correlation is zero unless it is a stated concern in the social neighborhood.
  • Correlation i, j, k is obtained by referring to w i, j, k and f i, j between the user and the social neighbor shown in FIG. 4.
  • the user and social neighborhood of FIG. 4 correspond to FIG. 2.
  • FIG. 5 shows a correlation diagram of the interests indicated by 'KAIST' among the interests of the social neighbors based on the relationship with the social neighbors shown in FIG. 2 and the interests of each social neighbor. Is calculated through step 140.
  • Neighbor 1 220 of FIG. 2 specifies an interest of 'KAIST' and the correlation between user 210 and neighbor 1 220 is calculated as 22, and neighbor 2 230 also specifies an interest of 'KAIST'.
  • the correlation between the user 210 and the neighbor 2 230 was calculated as 14.
  • the correlation between the user 210 and the neighbor 3 240 is calculated as 14, and in the case of the neighbor 4 250, as shown in FIG. 2, 'KAIST' among the interests 251 specified by the neighbor 4.
  • the topic may be found in the communication log, but the correlation between the user 210 and the neighbor 4 250 is calculated as 0 regardless of intimacy or degree of association.
  • Step 150 may infer a user's interest using the correlation calculated in step 140, calculating the interest as the sum of the correlations;
  • the interest of the user may be ranked according to the calculated value of interest.
  • Equation 3 calculates the interest as a sum of correlations, U is the number of social neighbors, and InterestScore i, k denotes an interest that is assumed that the user i is interested in the interest (k).
  • a user interest inference system in a social network service includes a topic extraction unit 610 for extracting a topic from a communication log between a user and each social neighbor; An association calculation unit 620 for calculating a degree of association for each social neighborhood from the extracted topics; An intimacy calculator 630 for calculating an intimacy with each social neighborhood of the user; A correlation calculation unit 640 that calculates a correlation indicating how related to the user is for each type of interest for each social neighborhood based on the degree of intimacy and intimacy of each interest; And an interest inference unit 650 that infers a user's interest using the calculated correlation.
  • SNS social network service
  • the user interest inference system is a system to which an interest inference method is applied in SNS, and is a system that can sequentially perform each step.
  • the topic extractor 610 may generate a topic dictionlet allocation (LDA) topic model of interest content, which is a document related to one or more interests set in advance by each social neighbor, and social content, which means a communication log. Each of the above steps is performed in the form of a topic distribution vector.
  • LDA topic dictionlet allocation
  • input values are received as the content of interest, social content, and the number of topics, and the input content of interest and social content is displayed through the training process.
  • This topic may be represented as a probability distribution, and may play a role of finding a topic distribution vector of each of the content of interest and social content input.
  • the association calculating unit 620 calculates an association degree by calculating an average of similarities between the content of interest and the social content using the topic extracted from the topic extraction unit 610, that is, the topic distribution vector indicated by the LDA topic model. Perform. At this time, the substantially calculated is a topic distribution vector and a numerical result can be derived.
  • the intimacy calculator 630 calculates an intimacy between the user and each social neighborhood. Based on the user, intimacy with all social neighbors can be calculated, and the relatively high intimacy can be predicted to be a great deal of mutual interaction.
  • the degree of association calculated by the association calculator 620 and the intimacy calculated by the intimacy calculator 630 may calculate a correlation through the correlation calculator 640. As a variable indicating how relevant the interest is, it can be calculated as the sum of the degree of association between interests and the intimacy with the social neighbor.
  • the interest inference unit 650 which finally derives the interest of the user may include an interest calculation unit (not shown) that calculates the interest as the sum of the correlations; And a ranking unit (not shown) in which the user's interests are ranked according to the calculated interest level.
  • the interest calculation unit may calculate the sum of the correlations calculated by the correlation calculation unit 640 for all neighbors for each interest. For example, a social neighbor that does not have an explicit statement of a concern of interest may have a zero correlation.
  • the ranking determiner considers that the high level of interest is the most likely to be the user's interest, and may determine the user's interest rank in the order of the high numbers.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 SNS(Social Network Service)를 구성하고 있는 사회적 이웃의 관심사와 사회적 활동의 토픽을 활용하여 사용자의 관심사를 추론하는 방법과 그 시스템에 관한 것이다. 사용자 관심사 추론 방법에 있어서, 사용자와 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 단계; 추출한 토픽으로부터 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 단계; 사용자의 각 사회적 이웃과의 친밀도를 계산하는 단계; 관심사별 연관 정도 및 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 단계; 및 계산된 상관도를 이용하여 사용자의 관심사를 추론하는 단계를 수행한다.

Description

ＳＮＳ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템
본 발명은 SNS(Social Network Service)를 구성하고 있는 사회적 이웃의 관심사와 사회적 활동의 토픽을 활용하여 사용자의 관심사를 추론하는 방법과 그 시스템에 관한 것이다.
최근 인터넷이 급속하게 보급화되고 스마트 기기의 사용자가 증가함으로써, 온라인 사회가 커지고 있다. 그리고 이와 관련하여 인터넷을 이용한 SNS(Social Network Service)가 보급화되어 사용자들은 SNS를 통해 대화하고 소통하며, 그 사용자의 규모도 점점 늘어나고 있다.
또한, SNS에서 커뮤니케이션을 원활하게 하기 위해 사용자는 자신의 관심사를 게시하여 같은 관심사를 가지는 사회적 이웃과 관심사에 대해 대화하면서 친목을 다질 수 있다.
본 발명은 사용자가 게시하고자 하는 관심사에 관한 것으로, SNS에서 사용자의 관심사를 추론하는데 사회적 상관관계라는 특성을 이용하면 사회적 이웃이 가진 관심사로부터 사용자의 관심사를 추론할 수 있다. 이 사회적 상관관계란, 사회적 관계에 있는 주체들끼리 비슷한 특징을 가지는 사회 현상을 말한다.
기존 기술에서는 사용자 관심사를 추론하기 위해, 사회적 이웃의 관심사와 그와의 친밀도만 가지고 사용자 관심사를 추론하였기 때문에, 사회적 이웃과 대화한 내역에서 추출할 수 있는 토픽 등 추가로 볼 수 있는 요소들을 고려하지 않음으로써 관심사 추론의 정확성을 떨어뜨렸다.
따라서, SNS에서 사용자의 관심사를 더 정확하게 추론할 수 있는 방법과 그 시스템의 필요성이 나타난다.
기존 기술에 추가적으로 사회적 이웃이 명시한 관심사와 사회적 이웃의 사회 활동 사이의 유사성을 이용하여, 사용자 관심사 추론 시에 오류를 줄이고 정확도를 높인다.
이와 더불어, 추론한 하나 이상의 사용자 관심사에 대한 사용자의 선호도를 예측하여 관심사의 순위를 매길 수 있는 사용자 관심사 추론 방법 및 그 시스템을 제안한다.
SNS(Social Network Service)에서 사용자 관심사 추론 방법에 있어서, 사용자의 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 단계; 추출한 토픽으로부터 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 단계; 사용자의 각 사회적 이웃과의 친밀도를 계산하는 단계; 관심사별 연관 정도 및 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 단계; 및 계산된 상관도를 이용하여 사용자의 관심사를 추론하는 단계를 포함한다.
일례에 있어서, 사용자의 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 단계는, 각 사회적 이웃이 사전에 설정한 하나 이상의 관심사에 관련된 문서인 관심 콘텐트(Interest Content)와 상기 커뮤니케이션 로그를 뜻하는 사회적 콘텐트(Social Content)를 LDA (Latent Dirichlet Allocation) 토픽 모델을 통해 각각 토픽 분포 벡터 (Topic Distribution Vector)의 형태로 표시한다.
또 다른 측면에 있어서, 추출한 토픽으로부터 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 단계는, 상기 LDA 토픽 모델이 표시하는 각 토픽 분포 벡터를 수학식 1에 반영하여 상기 관심 콘텐트와 상기 사회적 콘텐트간 유사도의 평균을 계산하여 연관 정도를 구하는 것이다.
수학식 1:
Figure PCTKR2012006704-appb-I000001
(여기서, H는 사회적 활동의 횟수,
Figure PCTKR2012006704-appb-I000002
는 사회적 콘텐트의 토픽 분포 벡터,
Figure PCTKR2012006704-appb-I000003
는 관심 콘텐트의 토픽 분포 벡터, 그리고
Figure PCTKR2012006704-appb-I000004
는 사용자 i와 사회적 이웃 j의 관심사 k에 대한 연관 정도를 의미한다.)
또 다른 측면에 있어서, LDA 토픽 모델은 입력 값은 관심 콘텐트와 사회적 콘텐트, 그리고 토픽의 개수이고, 입력되는 사회적 콘텐트와 사회적 콘텐트는 트레이닝 과정을 거쳐 토픽이 출력 값으로 나타나며, 토픽은 확률 분포로써 나타나고, 입력되는 사회적 콘텐트와 사회적 콘텐트 각각의 토픽 분포 벡터를 알아낸다.
또 다른 측면에 있어서, 관심사별 연관 정도 및 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 단계는, 계산된 관심사별 연관 정도와 사용자의 각 사회적 이웃과의 친밀도를 수학식 2에 반영하여 상관도를 계산하는 것이다.
수학식 2:
Figure PCTKR2012006704-appb-I000005
(여기서, α 및 β는 설정하는 값, fi,j는 사용자 i와 사회적 이웃 j와의 친밀도, Correlationi,j,k는 사용자 i가 사회적 이웃 j와 관심사 k에 대해 얼마나 연관이 있는지를 나타내는 상관도를 의미한다.)
또 다른 측면에 있어서, 계산된 상관도를 이용하여 사용자의 관심사를 추론하는 단계는 상관도의 합으로 관심도를 계산하는 단계; 및 계산된 관심도의 값에 따라 상기 사용자의 관심사의 순위가 매겨지는 단계를 포함한다.
또 다른 측면에 있어서, 상관도의 합으로 관심도를 계산하는 단계는 계산된 상관도를 수학식 3에 반영하여 계산하는 것이다.
수학식 3:
Figure PCTKR2012006704-appb-I000006
(여기서, U는 사회적 이웃의 수, InterestScorei,k는 사용자 i가 관심사 k에 관심이 있는 것으로 추정되는 관심도를 의미한다.)
SNS에서 사용자 관심사 추론 시스템에 있어서, 사용자의 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 토픽 추출부; 추출한 토픽으로부터 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 연관 계산부; 사용자의 각 사회적 이웃과의 친밀도를 계산하는 친밀도 계산부; 관심사별 연관 정도 및 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 상관도 계산부; 및 계산된 상관도를 이용하여 사용자의 관심사를 추론하는 관심사 추론부로 구성된다.
기존 기술의 사회적 이웃의 관심사나 사회적 이웃과의 친밀도를 가지고 사용자 관심사를 추론했던 접근법에서 나타날 수 있는 오류를 줄이고 정확성을 높일 수 있다.
본 발명을 통해, SNS에서 사용자의 속성을 추측하고 직접 기재하지 않은 숨겨진 프로필을 발견할 수 있다.
도 1은 본 발명의 일실시예에 있어서, 사용자 관심사 추론 방법의 흐름도를 나타낸다.
도 2는 본 발명의 일실시예에 있어서, SNS에서 사회적 이웃과의 관계, 그리고 각 사회적 이웃의 관심사를 나타낸 도면이다.
도 3은 본 발명의 일실시예에 있어서, LDA 토픽 모델을 통해 토픽 분포 벡터를 추출하여 연관 정도를 도출하는 것을 나타낸 도면이다.
도 4는 본 발명의 일실시예에 있어서, 사용자와 사회적 이웃 간의 친밀도와 연관 정도를 나타낸 도면이다.
도 5는 본 발명의 일실시예에 있어서, 하나의 관심사에 대한 상관도를 나타낸 도면이다.
도 6은 본 발명의 일실시예에 있어서, 사용자 관심사 추론 시스템의 구성도를 나타낸다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
SNS에서 사용자 관심사 추론 방법을 도 1을 통해 살펴보도록 한다.
SNS에서 사용자 관심사 추론 방법에 있어서, 사용자의 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 단계(110), 추출한 토픽으로부터 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 단계(120), 사용자의 각 사회적 이웃과의 친밀도를 계산하는 단계(130), 각 사회적 이웃 별로 관심사의 종류마다 사용자와 얼마나 연관이 있는지 나타내는 상관도를 계산하는 단계(140), 계산된 상관도를 이용하여 사용자의 관심사를 추론하는 단계(150)로 진행된다.
SNS는 하나의 사용자가 온라인상에 사회적 관계를 맺을 수 있도록 하는 서비스이다. SNS에서 하나의 사용자는 다수의 사용자와 사회적 이웃 관계를 맺고, 이 사회적 이웃과 대화를 하거나 게시된 글을 공감함으로써 온라인상 사회적 활동을 하는 것이다. 도 2는 이러한 SNS에서의 사용자 간 관계를 나타낸 것이다. 사용자(210)는 이웃 1부터 이웃 4까지(220~250) 네 명의 사용자와 사회적 이웃을 맺고 있고, 사용자를 제외하고 사용자의 이웃(20~250)은 각자 자신의 관심사를 SNS에 게시해 놓은 상태이다. 사용자(210)는 본 발명을 통해 사회적 이웃이 게시한 관심사(221, 231, 241, 251)를 통해서 직접적으로 관심사를 게시하지 않아도 관심사를 찾고 이를 게시할 수 있다.
먼저, 단계(110)에 의하면 상기 사용자의 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 것은 각 사회적 이웃이 사전에 설정한 하나 이상의 관심사에 관련된 문서인 관심 콘텐트(Interest Content)와 커뮤니케이션 로그를 뜻하는 사회적 콘텐트(Social Content)를 LDA (Latent Dirichlet Allocation) 토픽 모델을 통해 각각 토픽 분포 벡터 (Topic Distribution Vector)의 형태로 표시하는 것이다.
여기서의 LDA 토픽 모델은 입력으로 관심 콘텐트와 사회적 콘텐트 같은 문서와 그리고 토픽의 개수를 입력으로 받으며, 입력되는 사회적 콘텐트와 사회적 콘텐트는 트레이닝 과정을 거쳐 토픽이 출력 값으로 나타나는데, 이 토픽은 확률 분포로써 나타나고, 입력된 관심 콘텐트와 사회적 콘텐트 각각의, 입력으로 받은 문서의 수대로 토픽 분포 벡터를 알아내고 나타내는 일을 수행한다.
도 3을 참고하여 설명하면 관심 콘텐트(310)는 SNS의 사회적 이웃이 게시한 관심사에 대한 소개, 설명을 하는 SNS 상의 문서를 나타내고, 사회적 콘텐트(320)는 사용자와 사회적 이웃간에 관심사와 관련하여 이루어진 대화나 공감 등으로 관심사와 관련된 문서를 나타낸다. 이러한 관심 콘텐트(310)와 사회적 콘텐트(320)는 LDA 토픽 모델을 통해서 토픽 분포 벡터로 나타나는 것이며, 단계(120)를 진행할 때, 토픽 분포 벡터를 이용하여 연관 정도를 계산할 수 있다.
단계(120)는 추출한 토픽으로부터 각 사회적 이웃 별로 관심사별 연관 정도를 계산한다.
수학식 1
Figure PCTKR2012006704-appb-M000001
LDA 토픽 모델이 표시하는 각 관심 콘텐트와 사회적 콘텐트의 토픽 분포 벡터를 수학식 1에 반영하여 두 벡터간 유사도의 평균을 계산하여 연관 정도를 구할 수 있다.
여기서, H는 사회적 활동의 횟수,
Figure PCTKR2012006704-appb-I000007
는 사회적 콘텐트의 토픽 분포 벡터,
Figure PCTKR2012006704-appb-I000008
는 관심 콘텐트의 토픽 분포 벡터를 뜻하며, 그리고
Figure PCTKR2012006704-appb-I000009
는 사용자(i)와 사회적 이웃(j)의 관심사(k)에 대한 연관 정도를 의미한다.
이러한 일례로, 계산식을 거쳐 도출해낸
Figure PCTKR2012006704-appb-I000010
, 즉 연관 정도가 도 4에 도시되어있다. 이 연관 정도는 각 사회적 이웃에 대해, 사회적 이웃이 SNS에 명시한 관심사의 개수만큼 도출해 낼 수 있다. 또한, 이 연관 정도의 값이 높을수록 사용자의 관심사로 추론될 가능성이 높다고 할 수 있으며, 기존 기술은 커뮤니케이션 로그로부터 추출한 토픽을 고려하지 않기 때문에, 이때의 연관 정도는 0 이다.
단계(130)에서는 사용자와 각 사회적 이웃 간의 친밀도를 계산하는데, 친밀도를 계산하기에 기준이 될 수 있는 것은 예컨대, 상호 간 방문 횟수나 대화나 공감을 하는 빈도나 횟수 등을 사용자의 입장에서 상대적으로 수치화시킬 수 있다.
사용자의 각 사회적 이웃과의 친밀도를 계산하는 단계(140)는 관심사별 연관 정도 및 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산한다.
수학식 2
Figure PCTKR2012006704-appb-M000002
단계(140)는 단계(120)에서 계산된 관심사별 연관 정도와 단계(130)에서 계산된 사용자의 각 사회적 이웃과의 친밀도를 수학식 2에 반영하여 상기 상관도를 계산한다.
여기서, Correlationi,j,k는 사용자(i)가 사회적 이웃(j)과 관심사(k)에 대해 얼마나 연관이 있는지를 나타내는 상관도를 의미한다. α 및 β는 연관 정도와 친밀도에 각각의 가중치를 설정하는 값, fi,j는 사용자(i)와 사회적 이웃(j)과의 친밀도를 뜻한다. 그리고 ej,k는 0 또는 1의 값을 가지는데, 연관 정도를 계산한 관심사가 사용자의 사회적 이웃(j)이 SNS에 명시한 관심사(k)일 때, 그 값은 1로 상관도가 계산될 수 있으며, 사회적 이웃(j)이 명시하지 않은 관심사일 때, 그 값이 0이 되어 상관도가 0이 된다. 그러므로, 실제 연관 정도가 나타난 토픽이라 하더라도 사회적 이웃에 명시된 관심사가 아니라면 그 상관도는 0이 된다.
이에 대한 예시로, 도 4에 도시된 사용자와 사회적 이웃간의 wi,j,k와 fi,j를 참고하여 Correlationi,j,k를 구하도록 한다. 도 4의 사용자와 사회적 이웃은 도 2에 준한다.
먼저, 사용자(210)와 이웃 1(220)간의 친밀도인 fDabi, Taehun = 10으로 계산되었으며, 관심사에 대한 연관 정도인 wDabi, Taehun,'무한도전'= 6, WDabi, Taehun, 'The Wonder Girls'= 3, 그리고 wDabi, Taehun, 'KAIST'= 12로 계산되었다. 계산을 위한 α 및 β는 α=β=1로 가중치는 동일하다고 가정한다.
따라서, 수학식 2에 주어진 수를 대입하여 상관도를 각각 구하면 CorrelationDabi, Taehun,'무한도전'=(1*6+1*10)*1=16, CorrelationDabi, Taehun, 'The Wonder Girls'=(1*3+1*10)*1=13, CorrelationDabi, Taehun, 'KAIST'=(1*12+1*10)*1 = 22 로 각각 구할 수 있다. 이를 통해, 사용자(210)와 이웃 1(220)간에 'KAIST'라는 관심사에 대한 대화가 많았음을 예측할 수 있다.
만약, 이웃 1(220)에게 명시되어있지 않은 어떤 다른 토픽에 관해 연관 정도가 나타났다면, 상관도를 구할 때 ej,k가 0이 되기 때문에 연관 정도가 얼마나 나타난 지와 상관없이 그 상관도의 값은 0이 된다.
도 5는 도 2에 도시된 사회적 이웃과의 관계, 그리고 각 사회적 이웃의 관심사를 바탕으로 하여, 사회적 이웃의 관심사 중 'KAIST'라고 표시된 관심사에 대한 각각의 상관도를 나타낸 것으로, 단계(110)에서 단계(140)을 거쳐 계산된 것이다.
도 2의 이웃 1(220)은 'KAIST'라는 관심사를 명시하고 있으며 사용자(210)와 이웃 1(220) 간의 상관도는 22로 계산되었고, 이웃 2(230) 또한 'KAIST'라는 관심사를 명시하고 있으며 사용자(210)와 이웃 2(230) 사이의 상관도는 14로 계산되었다. 이와 마찬가지로 사용자(210)와 이웃 3(240) 간의 상관도는 14로 계산되었으며, 이웃 4(250)같은 경우, 도 2를 참고하면 알 수 있듯이, 이웃 4가 명시한 관심사(251) 중에 'KAIST'라는 관심사는 없는 관계로, 커뮤니케이션 로그에서 토픽은 찾을 수도 있으나, 사용자(210)와 이웃 4(250)의 상관도는 친밀도나 연관 정도와 상관없이 0으로 계산된다.
단계(150)는 단계(140)에서 계산된 상관도를 이용하여 사용자의 관심사를 추론하는데, 상관도의 합으로 관심도를 계산하는 단계; 계산된 관심도의 값에 따라 사용자의 관심사의 순위가 매겨지는 단계로 나뉘어 진행될 수 있다.
수학식 3
Figure PCTKR2012006704-appb-M000003
수학식 3은 상관도의 합으로 관심도를 계산하는 것으로, U는 사회적 이웃의 수, InterestScorei,k는 사용자(i)가 관심사 (k)에 관심이 있는 것으로 추정되는 관심도를 의미한다.
도 5를 참고하여 'KAIST'라 표시된 관심사에 대해 관심도를 계산하면, 22+14+14+0='50'으로 모든 사회적 이웃에 대해 계산된 상관도를 모두 더해서 구한다.
이러한 방법으로 사회적 이웃이 명시한 관심사에 대해 관심도를 모두 계산한 후, 계산된 관심도의 값에 따라 사용자의 관심사 순위가 매겨지게 되는데, 이 순서는 관심도가 클수록 사용자의 관심사일 확률이 높다 판단할 수 있기 때문에, 관심도가 큰 순서대로 순위를 정할 수 있다.
도 6은 본 발명의 실시예에 있어서, 사용자 관심사 추론 시스템의 구성도를 나타낸다. SNS(Social Network Service)에서 사용자 관심사 추론 시스템은 사용자와 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 토픽 추출부(610); 추출한 토픽으로부터 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 연관 계산부(620); 사용자의 각 사회적 이웃과의 친밀도를 계산하는 친밀도 계산부(630); 관심사별 연관 정도 및 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 상관도 계산부(640); 및 계산된 상관도를 이용하여 사용자의 관심사를 추론하는 관심사 추론부(650)로 구성될 수 있다.
사용자 관심사 추론 시스템은 SNS에서 관심사 추론 방법이 적용될 수 있는 시스템으로, 각 단계를 순차적으로 수행할 수 있는 시스템이다.
토픽 추출부(610)는 각 사회적 이웃이 사전에 설정한 하나 이상의 관심사에 관련된 문서인 관심 콘텐트(Interest Content)와 커뮤니케이션 로그를 뜻하는 사회적 콘텐트(Social Content)를 LDA (Latent Dirichlet Allocation) 토픽 모델을 통해 각각 토픽 분포 벡터 (Topic Distribution Vector)의 형태로 표시하는 단계를 수행하게 된다. LDA 토픽 모델은 입력 값은 관심 콘텐트와 사회적 콘텐트, 그리고 토픽의 개수로 받으며, 입력되는 관심 콘텐트와 사회적 콘텐트는 트레이닝 과정을 거쳐 출력 값으로 토픽이 나타난다. 이 토픽은 확률 분포로써 나타나고, 입력되는 관심 콘텐트와 사회적 콘텐트 각각의 토픽 분포 벡터를 알아내는 역할을 수행할 수 있다.
연관 계산부(620)는 토픽 추출부(610)로부터 추출된 토픽, 즉 LDA 토픽 모델이 표시하는 각 토픽 분포 벡터를 이용하여 관심 콘텐트와 사회적 콘텐트 간 유사도의 평균을 계산하여 연관 정도를 구하는 단계를 수행한다. 이때, 실질적으로 계산되는 것은 토픽 분포 벡터이며 수치적 결과가 도출될 수 있다.
또한, 친밀도 계산부(630)는 사용자와 각 사회적 이웃 간의 친밀도를 계산하는 단계를 수행한다. 사용자를 기준으로 하여, 모든 사회적 이웃과의 친밀도를 계산할 수 있으며, 상대적으로 높은 수치의 친밀도는 상호 간의 교류가 많은 것이라 예측 가능하다.
이렇게 연관 계산부(620)를 통해 계산된 연관 정도와 친밀도 계산부(630)에서 계산한 친밀도는 상관도 계산부(640)를 통해 상관도를 계산할 수 있는데, 상관도는 사용자가 각 사회적 이웃과 관심사에 대해 얼마나 연관이 있는지 나타내는 변수로서, 관심사별 연관 정도와 사회적 이웃과의 친밀도의 합으로 계산될 수 있다.
사용자의 관심사를 최종적으로 도출해내는 관심사 추론부(650)는 상관도의 합으로 관심도를 계산하는 관심도 계산부(도시하지 않음); 및 계산된 관심도의 값에 따라 사용자의 관심사의 순위가 매겨지는 순위 결정부(도시하지 않음)로 구성될 수 있다.
여기서 관심도 계산부는 상관도 계산부(640)에서 계산된 상관도를 관심사별로 모든 이웃에 대해 합을 구하여 계산할 수 있다. 예컨대, 관심도를 구하는 해당 관심사에 대한 명시가 없는 사회적 이웃은 그 상관도가 0으로 나타낼 수 있다.
또한, 관심도가 모두 계산되면, 순위 결정부는 관심도의 수치가 높은 것을 사용자의 관심사일 확률이 가장 큰 것으로 간주하여, 수치가 높은 순서대로 사용자의 관심사 순위를 결정할 수 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해서 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (14)

  1. SNS(Social Network Service)에서 사용자 관심사 추론 방법에 있어서,
    사용자와 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 단계;
    상기 추출한 토픽으로부터 상기 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 단계;
    상기 사용자의 상기 각 사회적 이웃과의 친밀도를 계산하는 단계;
    상기 관심사별 연관 정도 및 상기 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 상기 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 단계; 및
    상기 계산된 상관도를 이용하여 상기 사용자의 관심사를 추론하는 단계
    를 포함하는 사용자 관심사 추론 방법.
  2. 제1항에 있어서,
    상기 사용자의 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 단계는,
    상기 각 사회적 이웃이 사전에 설정한 하나 이상의 관심사에 관련된 문서인 관심 콘텐트(Interest Content)와 상기 커뮤니케이션 로그를 뜻하는 사회적 콘텐트(Social Content)를
    LDA (Latent Dirichlet Allocation) 토픽 모델을 통해 각각 토픽 분포 벡터 (Topic Distribution Vector)의 형태로 표시하는 것
    을 특징으로 하는 사용자 관심사 추론 방법.
  3. 제2항에 있어서,
    상기 추출한 토픽으로부터 상기 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 단계는,
    상기 LDA 토픽 모델이 표시하는 각 토픽 분포 벡터를 수학식 1에 반영하여 상기 관심 콘텐트와 상기 사회적 콘텐트 간 유사도의 평균을 계산하여 연관 정도를 구하는 것
    을 특징으로 하는 사용자 관심사 추론 방법.
    수학식 1:
    Figure PCTKR2012006704-appb-I000011
    (여기서, H는 사회적 활동의 횟수,
    Figure PCTKR2012006704-appb-I000012
    는 사회적 콘텐트의 토픽 분포 벡터,
    Figure PCTKR2012006704-appb-I000013
    는 관심 콘텐트의 토픽 분포 벡터, 그리고
    Figure PCTKR2012006704-appb-I000014
    는 사용자 i와 사회적 이웃 j의 관심사 k에 대한 연관 정도를 의미한다.)
  4. 제3항에 있어서,
    상기 LDA 토픽 모델은,
    입력 값은 관심 콘텐트와 사회적 콘텐트, 그리고 토픽의 개수이고,
    상기 입력되는 사회적 콘텐트와 사회적 콘텐트는 트레이닝 과정을 거쳐 토픽이 출력 값으로 나타나며,
    상기 토픽은 확률 분포로써 나타나고,
    상기 입력되는 관심 콘텐트와 사회적 콘텐트 각각의 상기 토픽 분포 벡터를 알아내는 것
    을 특징으로 하는 사용자 관심사 추론 방법.
  5. 제3항에 있어서,
    상기 관심사별 연관 정도 및 상기 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 상기 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 단계는,
    상기 계산된 관심사별 연관 정도와 상기 사용자의 상기 각 사회적 이웃과의 친밀도를 수학식 2에 반영하여 상기 상관도를 계산하는 것
    을 특징으로 하는 사용자 관심사 추론 방법.
    수학식 2:
    Figure PCTKR2012006704-appb-I000015
    (여기서, α 및 β는 설정하는 값, fi,j는 사용자 i와 사회적 이웃 j와의 친밀도, Correlationi,j,k는 사용자 i가 사회적 이웃 j와 관심사 k에 대해 얼마나 연관이 있는지를 나타내는 상관도를 의미한다.)
  6. 제5항에 있어서,
    상기 계산된 상관도를 이용하여 상기 사용자의 관심사를 추론하는 단계는
    상기 상관도의 합으로 관심도를 계산하는 단계; 및
    상기 계산된 관심도의 값에 따라 상기 사용자의 관심사의 순위가 매겨지는 단계
    를 포함하는 사용자 관심사 추론 방법.
  7. 제6항에 있어서,
    상기 상관도의 합으로 관심도를 계산하는 단계는,
    상기 계산된 상관도를 수학식 3에 반영하여 계산하는 것
    을 특징으로 하는 사용자 관심사 추론 방법.
    수학식 3:
    Figure PCTKR2012006704-appb-I000016
    (여기서, U는 사회적 이웃의 수, InterestScorei,k는 사용자 i가 관심사 k에 관심이 있는 것으로 추정되는 관심도를 의미한다.)
  8. SNS(Social Network Service)에서 사용자 관심사 추론 시스템에 있어서,
    사용자와 각 사회적 이웃과의 커뮤니케이션 로그로부터 토픽을 추출하는 토픽 추출부;
    상기 추출한 토픽으로부터 상기 각 사회적 이웃 별로 관심사별 연관 정도를 계산하는 연관 계산부;
    상기 사용자의 상기 각 사회적 이웃과의 친밀도를 계산하는 친밀도 계산부;
    상기 관심사별 연관 정도 및 상기 친밀도에 기초하여, 각 사회적 이웃 별로 관심사의 종류마다 상기 사용자와 얼마나 연관이 있는지를 나타내는 상관도를 계산하는 상관도 계산부; 및
    상기 계산된 상관도를 이용하여 상기 사용자의 관심사를 추론하는 관심사 추론부
    로 구성되는 사용자 관심사 추론 시스템.
  9. 제8항에 있어서,
    상기 토픽 추출부는,
    상기 각 사회적 이웃이 사전에 설정한 하나 이상의 관심사에 관련된 문서인 관심 콘텐트(Interest Content)와 상기 커뮤니케이션 로그를 뜻하는 사회적 콘텐트(Social Content)를 LDA (Latent Dirichlet Allocation) 토픽 모델을 통해 각각 토픽 분포 벡터 (Topic Distribution Vector)의 형태로 표시하는 것
    을 특징으로 하는 사용자 관심사 추론 시스템.
  10. 제9항에 있어서,
    상기 연관 계산부는,
    상기 LDA 토픽 모델이 표시하는 각 토픽 분포 벡터를 수학식 4에 반영하여 상기 관심 콘텐트와 상기 사회적 콘텐트 간 유사도의 평균을 계산하여 연관 정도를 구하는 것
    을 특징으로 하는 사용자 관심사 추론 시스템.
    수학식 4:
    Figure PCTKR2012006704-appb-I000017
    (여기서, H는 사회적 활동의 횟수,
    Figure PCTKR2012006704-appb-I000018
    는 사회적 콘텐트의 토픽 분포 벡터,
    Figure PCTKR2012006704-appb-I000019
    는 관심 콘텐트의 토픽 분포 벡터, 그리고
    Figure PCTKR2012006704-appb-I000020
    는 사용자 i와 사회적 이웃 j의 관심사 k에 대한 연관 정도를 의미한다.)
  11. 제10항에 있어서,
    상기 LDA 토픽 모델은,
    입력 값은 관심 콘텐트와 사회적 콘텐트, 그리고 토픽의 개수이고,
    상기 입력되는 관심 콘텐트와 사회적 콘텐트는 트레이닝 과정을 거쳐 출력 값으로 토픽이 나타나며,
    상기 토픽은 확률 분포로써 나타나고,
    상기 입력되는 관심 콘텐트와 사회적 콘텐트 각각의 상기 토픽 분포 벡터를 알아내는 것
    을 특징으로 하는 사용자 관심사 추론 시스템.
  12. 제10항에 있어서,
    상기 상관도 계산부는,
    상기 계산된 관심사별 연관 정도와 상기 사용자의 상기 각 사회적 이웃과의 친밀도를 수학식 5에 반영하여 상기 상관도를 계산하는 것
    을 특징으로 하는 사용자 관심사 추론 시스템.
    수학식 5:
    Figure PCTKR2012006704-appb-I000021
    여기서, α 및 β는 설정하는 값, fi,j는 사용자 i와 사회적 이웃 j와의 친밀도, Correlationi,j,k는 사용자 i가 사회적 이웃 j와 관심사 k에 대해 얼마나 연관이 있는지를 나타내는 상관도를 의미한다.)
  13. 제12항에 있어서,
    상기 관심사 추론부는
    상기 상관도의 합으로 관심도를 계산하는 관심도 계산부; 및
    상기 계산된 관심도의 값에 따라 상기 사용자의 관심사의 순위가 매겨지는 순위 결정부
    를 포함하는 사용자 관심사 추론 시스템.
  14. 제13항에 있어서,
    상기 관심도 계산부는,
    상기 계산된 상관도를 수학식 6에 반영하여 계산하는 것
    을 특징으로 하는 사용자 관심사 추론 시스템.
    수학식 6:
    Figure PCTKR2012006704-appb-I000022
    (여기서, U는 사회적 이웃의 수, InterestScorei,k는 사용자 i가 관심사 k에 관심이 있는 것으로 추정되는 관심도를 의미한다.)
PCT/KR2012/006704 2012-04-17 2012-08-23 Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템 Ceased WO2013157705A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020120039511A KR101356948B1 (ko) 2012-04-17 2012-04-17 Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템
KR10-2012-0039511 2012-04-17

Publications (1)

Publication Number Publication Date
WO2013157705A1 true WO2013157705A1 (ko) 2013-10-24

Family

ID=49383632

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2012/006704 Ceased WO2013157705A1 (ko) 2012-04-17 2012-08-23 Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템

Country Status (2)

Country Link
KR (1) KR101356948B1 (ko)
WO (1) WO2013157705A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850578A (zh) * 2015-03-19 2015-08-19 浙江工商大学 一种基于lda算法的社会化网络交互活动用户兴趣挖掘方法
CN109857857A (zh) * 2019-01-17 2019-06-07 中国人民解放军国防科技大学 一种用户阅读兴趣主题漂移的检测方法
CN110413897A (zh) * 2019-06-14 2019-11-05 腾讯科技（深圳）有限公司 用户兴趣挖掘方法、装置、存储介质和计算机设备
CN112148960A (zh) * 2019-06-27 2020-12-29 北京百度网讯科技有限公司 关注点的类别确定方法、装置、设备及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984681B (zh) * 2014-03-31 2017-01-25 同济大学 基于时序分布信息和主题模型的新闻事件演化分析方法
KR101644036B1 (ko) 2015-02-24 2016-07-29 국민대학교산학협력단 개인 관심 이슈 트래킹 장치 및 방법
KR101671740B1 (ko) * 2015-07-07 2016-11-16 숭실대학교산학협력단 토픽 추출 장치 및 방법
KR101872733B1 (ko) 2017-06-14 2018-06-29 조선대학교산학협력단 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법
KR102910200B1 (ko) * 2023-04-26 2026-01-09 주식회사 카카오 사용자 클러스터링을 위한 정보 처리 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005346493A (ja) * 2004-06-03 2005-12-15 Sony Corp コミュニケーション装置及びコミュニケーション概要作成方法
KR20090132331A (ko) * 2008-06-20 2009-12-30 에스케이커뮤니케이션즈 주식회사 소집단 관심사 키워드 추출 시스템 및 방법
KR20100054175A (ko) * 2008-11-03 2010-05-25 주식회사 케이티 Ｉｍｓ 기반의 가상 커뮤니티 서비스 제공을 위한 장치 및 방법
KR20110106676A (ko) * 2010-03-23 2011-09-29 주식회사 솔트룩스 지식 검색 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100992524B1 (ko) * 2009-03-04 2010-11-05 한국과학기술원 태그를 이용한 웹 페이지 간의 유사도 측정 방법 및 시스템
KR101099908B1 (ko) * 2010-04-21 2011-12-28 엔에이치엔(주) 문서 간 유사도 계산 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005346493A (ja) * 2004-06-03 2005-12-15 Sony Corp コミュニケーション装置及びコミュニケーション概要作成方法
KR20090132331A (ko) * 2008-06-20 2009-12-30 에스케이커뮤니케이션즈 주식회사 소집단 관심사 키워드 추출 시스템 및 방법
KR20100054175A (ko) * 2008-11-03 2010-05-25 주식회사 케이티 Ｉｍｓ 기반의 가상 커뮤니티 서비스 제공을 위한 장치 및 방법
KR20110106676A (ko) * 2010-03-23 2011-09-29 주식회사 솔트룩스 지식 검색 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"On the quality of inferring interests from social neighbors", KDD ''10 PROCEEDINGS OF THE 16TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 25 July 2010 (2010-07-25), pages 373 - 381 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850578A (zh) * 2015-03-19 2015-08-19 浙江工商大学 一种基于lda算法的社会化网络交互活动用户兴趣挖掘方法
CN104850578B (zh) * 2015-03-19 2018-04-20 浙江工商大学 一种基于lda算法的社会化网络交互活动用户兴趣挖掘方法
CN109857857A (zh) * 2019-01-17 2019-06-07 中国人民解放军国防科技大学 一种用户阅读兴趣主题漂移的检测方法
CN109857857B (zh) * 2019-01-17 2020-11-20 中国人民解放军国防科技大学 一种用户阅读兴趣主题漂移的检测方法
CN110413897A (zh) * 2019-06-14 2019-11-05 腾讯科技（深圳）有限公司 用户兴趣挖掘方法、装置、存储介质和计算机设备
CN110413897B (zh) * 2019-06-14 2023-10-27 腾讯科技（深圳）有限公司 用户兴趣挖掘方法、装置、存储介质和计算机设备
CN112148960A (zh) * 2019-06-27 2020-12-29 北京百度网讯科技有限公司 关注点的类别确定方法、装置、设备及存储介质
CN112148960B (zh) * 2019-06-27 2024-03-22 北京百度网讯科技有限公司 关注点的类别确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
KR101356948B1 (ko) 2014-01-29
KR20130116982A (ko) 2013-10-25

Similar Documents

Publication Publication Date Title
WO2013157705A1 (ko) Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템
WO2020122456A1 (ko) 이미지와 텍스트간 유사도 매칭 시스템 및 방법
WO2020199932A1 (zh) 模型训练方法、人脸识别方法、装置、设备及存储介质
US9305050B2 (en) Aggregator, filter and delivery system for online context dependent interaction, systems and methods
US20150271280A1 (en) Multi-objective server placement determination
WO2018124729A1 (en) Privacy-preserving transformation of continuous data
CN102831176A (zh) 推荐好友的方法及服务器
CN114722937B (zh) 一种异常数据检测方法、装置、电子设备和存储介质
WO2021060757A1 (en) Method and system for generating video
CN112214605A (zh) 一种文本分类方法和相关装置
CN109376288A (zh) 一种实现语义搜索的云计算平台及其均衡方法
CN113537492B (zh) 模型训练及数据处理方法、装置、设备、介质、产品
WO2020222386A1 (en) Method and apparatus for updating a cluster probability model
WO2019031621A1 (ko) 통화 중 감정을 인식하여 인식된 감정을 활용하는 방법 및 시스템
CN115131058A (zh) 账号识别方法、装置、设备及存储介质
US9244970B2 (en) Communication assistance device, communication assistance method, and computer readable recording medium
WO2019039659A1 (ko) 감성 기반의 사용자 관리 방법 및 이를 수행하는 장치들
WO2021256595A1 (ko) 시력 검사 장치, 방법 및 컴퓨터 판독 가능 저장 매체에 저장된 프로그램
CN114357290A (zh) 一种多视角社交媒体用户立场检测方法与装置
CN117743796B (zh) 基于投资标注数据的指令集自动化质量校验方法、系统
CN115114406B (zh) 知识图谱的表示学习方法和装置、存储介质及电子设备
WO2019098584A1 (ko) 사물 인터넷 환경에서 낯선 기기에 대한 사용자 신뢰도 계산 시스템 및 방법
WO2020138608A1 (ko) 복수의 챗봇을 이용한 질의 응답 방법 및 장치
WO2016195271A1 (ko) 액티비티카운트를 이용한 게임수행방법
WO2023101103A1 (ko) 관상 정보 기반 사용자 선택 컨텐츠 정보 제공방법, 그 서버 및 어플리케이션

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12874867

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12874867

Country of ref document: EP

Kind code of ref document: A1