WO2018128254A1 - 신규 사용자에 대한 사용자 그룹 추천 방법 및 장치 - Google Patents

신규 사용자에 대한 사용자 그룹 추천 방법 및 장치 Download PDF

Info

Publication number
WO2018128254A1
WO2018128254A1 PCT/KR2017/011873 KR2017011873W WO2018128254A1 WO 2018128254 A1 WO2018128254 A1 WO 2018128254A1 KR 2017011873 W KR2017011873 W KR 2017011873W WO 2018128254 A1 WO2018128254 A1 WO 2018128254A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
information
new
user group
new user
Prior art date
Application number
PCT/KR2017/011873
Other languages
English (en)
French (fr)
Inventor
김준수
정주영
Original Assignee
주식회사 다이퀘스트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 다이퀘스트 filed Critical 주식회사 다이퀘스트
Publication of WO2018128254A1 publication Critical patent/WO2018128254A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Definitions

  • the present invention relates to a method and apparatus for recommending a user group for a new user, and more particularly, to a method and apparatus for integrating viewing information to recommend an appropriate user group to a new user so that advertisers can accurately target advertisements. .
  • Korean Patent Publication No. 10-2010-68531 relates to an online advertisement selection device and method based on content emotion and intention analysis, and recognizes emotional information and intention by grasping the context of content for online advertisement service. As a result, the advertisement is filtered or the alternative advertisement is selected. In this way, the disadvantages of the prior art, which are adversely affected by sending advertisements related to the contents even in a negative intention content, are compensated for. However, this method has a problem in that accurate advertisement targeting cannot be achieved because it does not reflect a user's usage form for each content.
  • Korean Patent Laid-Open Publication No. 10-2013-0120263 provides viewing information for each content, and analyzes the viewing information for the content for each panel recruited for basic research to view the contents for each panel. Providing analysis information, reflecting the usage form of each content in the content viewing analysis information for each panel, and providing content usage analysis information for each panel, and using content profiling criteria information and the content usage pattern analysis information for each panel. To generate content profiling result information.
  • this method has a problem in that although the characteristics of each panel are reflected, the characteristics of actual users are not reflected.
  • Korean Patent No. 10-1503348 categorizes a user group according to a user's usage behavior, provides an associated keyword to the user by using a group profile of the corresponding user group, and provides an advertisement matched to the associated keyword, thereby making the advertisement more suitable for the user. To expose the content. However, even this method does not provide an appropriate content exposure method for new users.
  • the present invention has been made in view of the above, and provides a method and apparatus for recommending a user group to a new user for integrating viewing information to assign a new user to an appropriate user group so that advertisers can accurately target advertisements.
  • a user group recommendation apparatus for a new user generates a user group information by using a profiling information combiner that combines viewing history information, user information, and VOD information, and the combined profiling information.
  • a new user group recommendation unit for recommending a user group for a new user by matching the user group information generation unit, a new user information analysis unit analyzing new user information input by the new user, and the user group information and the new user information A part is provided.
  • the profiling information combiner generates viewing history information including the frequency of the content watched by the user, generates primary class information using the same, generates secondary class information using the personal information input from the user, and
  • the third class information is generated by increasing the frequency of items corresponding to the content viewed by the user from the viewing history information and the VOD information, and the final user group information is generated by combining the three class information.
  • the user group information generation unit converts the final user group information into a vector and performs a K-means clustering algorithm on the vector according to the number of clusters and clustering iterations received from the user to form a clustered user group.
  • the new user information analyzer analyzes whether the new user information input from the new user includes the same VOD as the user group information.
  • the new user group recommender calculates the cluster-specific weight of the user by combining the new user information and the clustered user group information and recommends one or more groups among the predetermined number of clusters having the highest weight as the user group for the new user.
  • the primary class information may include a user ID, a field, a tag, and a frequency.
  • the profiling information combiner increases the frequency of the corresponding primary class information whenever a user with the same user ID sees a program with the same field and the same tag.
  • a user group recommendation method for a new user includes a first step of generating profiling information by combining viewing history information, user information, and VOD information, and using the combined profiling information.
  • the first step includes generating viewing history information including the frequency of content watched by a user and generating primary class information using the same, and generating secondary class information using human information input from the user. And generating tertiary class information by increasing the frequency of items corresponding to the content viewed by the user from the viewing history information and the VOD information, and combining the three class information to generate final user group information. .
  • the second step includes converting the final user group information into a vector, and performing a K-means clustering algorithm on the vector according to the number of clusters and clustering iterations received from the user, and clustering the user group. Generating a step.
  • the third step it is analyzed whether the new user information received from the new user includes the same VOD as the user group information.
  • the new user information and the clustered user group information are combined to calculate the weight for each cluster of the user, and recommend one or more groups among the predetermined number of clusters having the highest weight as the user group for the new user.
  • the primary class information includes a user ID, a field, a tag, and a frequency, and increases the frequency of the primary class information whenever a user having the same user ID sees a program having the same field and the same tag in the first step. .
  • Tertiary class information includes user ID, field, tag, frequency.
  • the final user group information may be converted into a vector having a tag for each field of a user ID as an index.
  • the new user information may be analyzed using the ranking of the content of interest input by the new user in the third step.
  • one or more groups selected by the user from among a predetermined number of clusters having the highest weight in the fourth step may be recommended as the user group for the new user.
  • New user information and clustered information of user groups can be configured in the form of Json file. The first to fourth steps may be repeated periodically.
  • suitable user groups are also selected and recommended for new users, so that new users can be recommended for content or accurate target advertisement.
  • FIG. 1 is a functional block diagram showing an internal configuration of a user group assignment apparatus according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating an operation flow of a profiling information combiner.
  • FIG. 3 is a flowchart illustrating an operation flow in a user group information generator.
  • FIG. 4 is a flowchart illustrating an operation flow in a new user information analyzer and a new user group recommender.
  • FIG. 5 is a flowchart illustrating a procedure of adding a field, a tag, and a frequency according to a user ID from the extracted VOD information.
  • an apparatus for allocating a user group may include a profiling information combiner 10 which combines viewing history information, user information, and VOD information, using a combined profiling information.
  • a recommended new user group recommendation unit 40 is provided.
  • viewing history information is information indicating which user has viewed what content
  • the user information indicates information about the user such as gender, age, and region.
  • the VOD information is information about an actor, director, genre, etc. that the user prefers.
  • the profiling information combiner 10 combines viewing history information, user information, and VOD information to generate profiling information. 2 shows an operation flow of the profiling information combiner 10.
  • the profiling information combining unit 10 When the user views the VOD, the profiling information combining unit 10 generates the viewing history information in the form of (user ID, user field, user tag, frequency of the corresponding field and tag) (step 11).
  • user ID For example, (User ID: 91313, Entertainment, Radio Star, 15), (User ID: 91313, Drama, Descendants of the Sun, 5).
  • the user ID is an ID uniquely assigned to each user
  • the user field is the information field about the user, for example, the genre of the VOD watched
  • the user tag is the detail of the user field, for example the title of the watched VOD
  • Frequency indicates the frequency of the tag for this field for that user ID. That is, whenever the same user sees the same program, the frequency of the corresponding viewing history information is increased.
  • the profiling information combining unit 10 adds the viewing history information thus generated to the user group class (step 12) to generate information of the primary user group class (step 13).
  • the profiling information combining unit 10 also generates user information by using the personal information input from the user (step 14) to add a secondary class consisting of the user ID, field, tag, and frequency to the user group class (step 15) Generate information of the secondary user group class (step 16).
  • the field may be gender, residence, etc.
  • the tag may be a male / female if the field is a gender, or a state or province of residence if the field is a residence.
  • the frequency is fixed at one.
  • secondary class information is generated such as (user ID: 93131, gender, male, 1), (user ID: 93131, city, Seoul, 1), and the like.
  • the VOD information stores information on titles, genres, directors, and actors of each content.
  • the VOD information is stored in the form of, for example, (VOD ID: 23568, Title, Song Sung), (VOD ID: 23568, Main Cast, Kwak Do Won).
  • the profiling information combiner 10 extracts VOD information from the generated primary class information (step 17) and collects additional information to generate tertiary class information.
  • the tertiary class information has a form such as (User ID: 93131, Preferred Actor, Song Hye Kyo, 5), (User ID: 93131, Preferred Director, Bong Joon Ho, 5). That is, the frequency of the corresponding item is increased by extracting information such as actor, director, genre, and production country of the content viewed by the user from the viewing history information and VOD information viewed by the user (step 18).
  • FIG. 5 An example of such an operation is shown in FIG. 5.
  • Generate tertiary class information of fields, tags, frequency 1).
  • the information about the director and the main character is read from the VOD information corresponding to 'goongseong,' : 93131, Preference Director, Na Hongjin, 1), (User ID: 93131, Actor, Kwak Do Kyun, 1), (User ID: 93131, Actor, Hwang Jung Min, 1), ... Generates tertiary class information for.
  • tertiary class information with the same user ID and the same field already exists it is checked whether there is tertiary class information with the same tag as the history information input among the tertiary class information.
  • the frequency is increased by one in the tertiary class information (step 56). For example, if there is a third class information with a field of 'preferred actor' and a tag 'Kwak Do Kyun' in the user ID, the frequency of the third class information is increased by one.
  • the profiling information combining unit 10 combines these three class information to generate the final user group information (step 19) and delivers it to the user group information generating unit 20.
  • the user group information generation unit 20 obtains the end user group information from the profiling information combining unit 10 (step 21) and converts the tag for each user ID field into a vector having an index (step 22). This generates a vector for the number of user IDs (step 23).
  • a K-means clustering algorithm is performed on the generated vector (step 25) to generate a clustered user group (step 26).
  • the user group can be created in the form of a Json file with the top n% for each field.
  • the new user information analyzer 30 collects new user information (step 31) and analyzes whether the new user information includes the same VOD as the user group information (step 32).
  • New user information can be created in the form of a Json file. Collecting new user information may include receiving a ranking for content of interest from the new user.
  • the new user group recommendation unit 40 calculates the weight of each user's cluster by adding the new user Json information and the clustered Json information of the user group (step 41). For example, suppose the drama that new user 1 is a descendant of the sun is of primary concern. If it is 1st among the top n, it is n points, and if it is 2nd, n-1 points are weighted. The weights are calculated for each cluster, and scored the desired number of groups with the highest weight rank, for example 4 clusters, and the result is output as a Json file (step 42). One or more groups selected by the user among the outputted clusters are recommended as the user group for the new user (step 43).
  • the present invention has been described with some examples, the present invention is not necessarily limited to these embodiments, although all components constituting the embodiments of the present invention have been described as being combined or operating in combination. In other words, within the scope of the present invention, all of the components may be selectively operated in combination with one or more. In addition, some or all of the components may be selectively combined to be implemented as hardware or as a computer program. Codes and code segments constituting the computer program may be easily inferred by those skilled in the art. Such a computer program may be stored in a computer readable storage medium and read and executed by a computer, thereby implementing embodiments of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자들의 시청이력에 따라 사용자 그룹을 클러스터링한 후에 신규 사용자에 대해서도 적합한 사용자 그룹을 선정하여 추천함으로써, 신규 사용자에 대해서도 사용자의 성향에 맞는 콘텐츠의 추천이나 정확한 타겟 광고가 가능한 사용자 그룹 추천 방법 및 장치가 제공된다. 본 발명의 일 실시예에 따른 방법은 시청 이력 정보, 사용자 정보, VOD 정보를 결합하여 프로파일링 정보를 생성하는 제1 단계와, 상기 결합된 프로파일링 정보를 사용하여 사용자 그룹 정보를 생성하는 제2 단계와, 신규 사용자가 입력한 신규 사용자 정보를 분석하는 제3 단계와, 상기 사용자 그룹 정보과 상기 신규 사용자 정보를 매칭하여 신규 사용자에 대한 사용자 그룹을 추천하는 제4 단계를 구비한다.

Description

신규 사용자에 대한 사용자 그룹 추천 방법 및 장치
본 발명은 신규 사용자에 대한 사용자 그룹 추천 방법 및 장치에 관한 것으로서, 더욱 상세하게는 시청 정보를 통합하여 신규 사용자에 적절한 사용자 그룹을 추천하여 광고주들이 정확한 타겟 광고가 가능하도록 하는 방법 및 장치에 관한 것이다.
사용자의 취향과 관심 분야에 맞추어 온라인 광고 서비스를 시행하는 맞춤형 광고 기술에 대해서 많은 연구가 이루어지고 있다.
예를 들면, 공개특허공보 제10-2010-68531호는 콘텐츠 감성 및 의도 분석 기반의 온라인 광고 선정 장치 및 그 방법에 관한 것으로, 온라인 광고 서비스를 위해 콘텐츠의 문맥을 파악하여 감성정보와 의도를 인지하고, 이에 따라 해당 광고를 필터링하거나 대체 광고를 선정하고 있다. 이러한 방법을 통해 부정적인 의도의 콘텐츠에도 그 내용과 관련된 광고를 송출하여 역효과를 불러오는 종래 기술의 단점을 보완하고 있다. 그러나, 이 방법은 실제 콘텐츠별 이용자의 사용형태를 반영하지 못하여 정확한 광고 타겟팅이 이루어지지 못하는 문제점이 있다.
이러한 문제점을 해결하기 위하여, 공개특허공보 제10-2013-0120263호는 각 콘텐츠에 대한 시청정보를 제공하고, 기초조사를 위하여 모집된 각 패널별로 상기 콘텐츠에 대한 시청정보를 분석하여 패널별 콘텐츠 시청분석정보를 제공하고, 각 콘텐츠에 대한 사용형태를 상기 패널별 콘텐츠 시청분석정보에 반영하여 패널별 콘텐츠 사용형태 분석정보를 제공하며, 콘텐츠 프로파일링 기준정보와 상기 패널별 콘텐츠 사용형태 분석정보를 이용하여 콘텐츠 프로파일링 결과정보를 생성한다. 그러나, 이 방법은 패널별의 특성이 반영되기는 하지만 실제 사용자의 특성은 반영되지 않는 문제가 있다.
등록특허 제10-1503348호는 사용자의 이용행태에 따라 사용자 그룹을 분류하고 해당하는 사용자 그룹의 그룹 프로파일을 이용하여 사용자에게 연관된 키워드를 제공하고 연관 키워드에 매칭된 광고를 제공함으로써 사용자에게 보다 적합한 광고 컨텐츠를 노출하도록 하고 있다. 그러나, 이 방법의 경우에도 신규 사용자에 대해서는 적절한 컨텐츠 노출 방법을 제시하지 못하고 있다.
본 발명은 이러한 점을 감안하여 이루어진 것으로서, 시청 정보를 통합하여 신규 사용자를 적절한 사용자 그룹으로 할당할 수 있도록 하여 광고주들이 정확한 타겟 광고가 가능하도록 하는 신규 사용자에 대한 사용자 그룹 추천 방법 및 장치를 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 신규 사용자에 대한 사용자 그룹 추천 장치는 시청 이력 정보, 사용자 정보, VOD 정보를 결합하는 프로파일링 정보 결합부와, 상기 결합된 프로파일링 정보를 사용하여 사용자 그룹 정보를 생성하는 사용자 그룹 정보 생성부와, 신규 사용자가 입력한 신규 사용자 정보를 분석하는 신규 사용자 정보 분석부와, 상기 사용자 그룹 정보과 상기 신규 사용자 정보를 매칭하여 신규 사용자에 대한 사용자 그룹을 추천하는 신규 사용자 그룹 추천부를 구비한다.
프로파일링 정보 결합부는 사용자가 시청한 콘텐츠의 빈도를 포함하는 시청이력정보를 생성하고 이를 이용하여 1차 클래스 정보를 생성하며, 사용자로부터 입력된 인적 정보를 이용하여 2차 클래스 정보를 생성하며, 상기 시청이력정보와 VOD 정보로부터 사용자가 시청한 컨텐츠에 대응되는 항목들의 빈도를 증가시켜서 3차 클래스 정보를 생성하고 이들 세가지 클래스 정보를 결합하여 최종적인 사용자 그룹 정보를 생성한다.
사용자 그룹 정보 생성부는 상기 최종적인 사용자 그룹 정보를 벡터로 변환하고, 사용자로부터 입력받은 클러스터 갯수와 클러스터링 반복(Clustering Iteration) 갯수에 따라 상기 벡터에 대해서 K-means Clustering 알고리즘을 수행하여 클러스터링된 사용자 그룹을 생성한다.
신규 사용자 정보 분석부는 신규 사용자로부터 입력받은 신규 사용자 정보에 사용자 그룹 정보와 동일한 VOD가 들어있는지 분석한다.
신규 사용자 그룹 추천부는 신규 사용자 정보와 클러스터링된 사용자 그룹 정보를 합하여 사용자의 클러스터별 가중치를 계산하고 가장 높은 가중치를 갖는 정해진 수의 클러스터 중에서 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천한다.
1차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함할 수 있다. 프로파일링 정보 결합부는 동일 사용자 ID를 갖는 사용자가 동일 필드와 동일 태그를 갖는 프로그램을 볼 때마다 해당 1차 클래스 정보의 빈도를 증가시킨다.
3차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함할 수 있다. 프로파일링 정보 결합부는, 시청이력정보에서 생성된 1차 클래스 정보에서 추출한 사용자 ID가 3차 클래스 정보에 없으면 (사용자 ID, 필드, 태그, 빈도=1)의 3차 클래스 정보를 생성한다. 같은 사용자 ID를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 필드를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 빈도=1을 갖는 3차 클래스 정보를 생성한다. 같은 사용자 ID, 같은 필드를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 태그를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 및 빈도=1을 갖는 3차 클래스를 생성한다. 같은 사용자 ID, 같은 필드, 같은 태그를 가진 3차 클래스 정보가 이미 존재하는 경우에는 해당 3차 클래스 정보에서 빈도를 하나 증가시킨다.
본 발명의 일 실시예에 따른 신규 사용자에 대한 사용자 그룹 추천 방법은, 시청 이력 정보, 사용자 정보, VOD 정보를 결합하여 프로파일링 정보를 생성하는 제1 단계와, 상기 결합된 프로파일링 정보를 사용하여 사용자 그룹 정보를 생성하는 제2 단계와, 신규 사용자가 입력한 신규 사용자 정보를 분석하는 제3 단계와, 상기 사용자 그룹 정보과 상기 신규 사용자 정보를 매칭하여 신규 사용자에 대한 사용자 그룹을 추천하는 제4 단계를 구비한다.
제1 단계는 사용자가 시청한 콘텐츠의 빈도를 포함하는 시청이력정보를 생성하고 이를 이용하여 1차 클래스 정보를 생성하는 단계와, 사용자로부터 입력된 인적 정보를 이용하여 2차 클래스 정보를 생성하는 단계와, 상기 시청이력정보와 VOD 정보로부터 사용자가 시청한 컨텐츠에 대응되는 항목들의 빈도를 증가시켜서 3차 클래스 정보를 생성하고 이들 세가지 클래스 정보를 결합하여 최종적인 사용자 그룹 정보를 생성하는 단계를 포함한다.
제2 단계는 상기 최종적인 사용자 그룹 정보를 벡터로 변환하는 단계와, 사용자로부터 입력받은 클러스터 갯수와 클러스터링 반복(Clustering Iteration) 갯수에 따라 상기 벡터에 대해서 K-means Clustering 알고리즘을 수행하여 클러스터링된 사용자 그룹을 생성하는 단계를 포함한다.
제3 단계에서는 신규 사용자로부터 입력받은 신규 사용자 정보에 사용자 그룹 정보와 동일한 VOD가 들어있는지 분석한다.
제4 단계에서는 신규 사용자 정보와 클러스터링된 사용자 그룹 정보를 합하여 사용자의 클러스터별 가중치를 계산하고 가장 높은 가중치를 갖는 정해진 수의 클러스터 중에서 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천한다.
1차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함하며, 제1 단계에서 동일 사용자 ID를 갖는 사용자가 동일 필드와 동일 태그를 갖는 프로그램을 볼 때마다 해당 1차 클래스 정보의 빈도를 증가시킨다.
3차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함한다. 제1단계는, 시청이력정보에서 생성된 1차 클래스 정보에서 추출한 사용자 ID가 3차 클래스 정보에 없으면 (사용자 ID, 필드, 태그, 빈도=1)의 3차 클래스 정보를 생성하는 단계와, 같은 사용자 ID를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 필드를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 빈도=1을 갖는 3차 클래스 정보를 생성하는 단계와, 같은 사용자 ID, 같은 필드를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 태그를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 및 빈도=1을 갖는 3차 클래스를 생성하는 단계와, 같은 사용자 ID, 같은 필드, 같은 태그를 가진 3차 클래스 정보가 이미 존재하는 경우에는 해당 3차 클래스 정보에서 빈도를 하나 증가시키는 단계를 더 포함할 수 있다.
제2단계에서 상기 최종적인 사용자 그룹 정보를 사용자 ID별 필드별 태그를 인덱스로 갖는 벡터로 변환할 수 있다. 일 실시예에서 제3단계에서 신규 사용자가 입력한 관심 콘텐츠에 대한 순위를 사용하여 신규 사용자 정보를 분석할 수 있다. 일 실시예에서, 제4단계에서 가장 높은 가중치를 갖는 정해진 수의 클러스터 중에서 사용자가 선택한 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천할 수 있다. 신규 사용자 정보와 사용자 그룹의 클러스터링된 정보는 Json 파일 형태로 구성할 수 있다. 제1 단계 내지 제4 단계는 주기적으로 반복될 수 있다.
본 발명에 따르면 사용자들의 시청이력에 따라 사용자 그룹을 클러스터링한 후에 신규 사용자에 대해서도 적합한 사용자 그룹을 선정하여 추천함으로써, 신규 사용자에 대해서도 사용자의 성향에 맞는 콘텐츠의 추천이나 정확한 타겟 광고가 가능하다.
도 1은 본 발명의 일 실시예에 따른 사용자 그룹 할당 장치의 내부 구성을 보여주는 기능블록도이다.
도 2는 프로파일링 정보 결합부에서의 동작 흐름을 보여주는 흐름도이다.
도 3은 사용자 그룹 정보 생성부에서의 동작 흐름을 보여주는 흐름도이다.
도 4는 신규 사용자 정보 분석부 및 신규 사용자 그룹 추천부에서의 동작 흐름을 보여주는 흐름도이다.
도 5는 추출된 VOD 정보로부터 사용자 ID에 따라 필드, 태그, 빈도를 추가하는 절차를 보여주는 흐름도이다.
본 발명의 일 실시예에 따른 사용자 그룹 할당 장치는, 도 1에 도시된 것처럼 시청 이력 정보, 사용자 정보, VOD 정보를 결합하는 프로파일링 정보 결합부(10), 결합된 프로파일링 정보를 사용하여 사용자 그룹 정보를 생성하는 사용자 그룹 정보 생성부(20), 신규 사용자가 입력한 신규 사용자 정보를 분석하는 신규 사용자 정보 분석부(30), 사용자 그룹 정보과 신규 사용자 정보를 매칭하여 신규 사용자에 대한 사용자 그룹을 추천하는 신규 사용자 그룹 추천부(40)를 구비한다.
본 발명에서는 프로파일링 정보로서 시청 이력 정보, 사용자 정보, VOD 정보를 사용한다. 시청 이력 정보는 어떤 사용자가 어떤 컨텐츠를 시청하였는지를 나타내는 정보이고, 사용자 정보는 성별, 나이, 지역 등 사용자에 관한 정보를 나타낸다. VOD 정보는 사용자가 선호하는 배우, 감독, 장르 등에 관한 정보이다.
프로파일링 정보 결합부(10)는 시청이력정보, 사용자 정보, VOD 정보를 결합하여 프로파일링 정보를 생성한다. 도 2에 프로파일링 정보 결합부(10)의 동작 흐름이 도시되어 있다.
사용자가 VOD를 시청하면 프로파일링 정보 결합부(10)는 (사용자 ID, 사용자 필드, 사용자 태그, 해당 필드와 태그의 빈도)의 형태로 시청이력정보를 생성한다(단계 11). 예를 들면 (사용자 ID : 91313, 예능, 라디오스타, 15), (사용자 ID : 91313, 드라마, 태양의후예, 5)와 같은 형태로 생성된다. 사용자 ID는 사용자별로 고유하게 할당되는 ID이며, 사용자 필드는 사용자에 대한 정보 필드로서 예를 들면 시청한 VOD의 장르, 사용자 태그는 사용자 필드에 대한 세부사항으로서 예를 들면 시청한 VOD의 제목이며, 빈도는 해당 사용자 ID에 대한 이 필드에 대한 태그의 빈도수를 나타낸다. 즉, 동일 사용자가 동일 프로그램을 볼 때마다 해당 시청이력정보의 빈도를 증가시킨다. 예를 들면, ID=91313인 사용자가 '라디오스타'라는 프로그램을 시청할 때마다 해당 사용자 ID에 대한 '예능' 필드에 대한 '라디오스타' 태그의 빈도수를 증가시킨다. 프로파일링 정보 결합부(10)는 이와 같이 생성된 시청 이력 정보를 사용자 그룹 클래스에 추가하여(단계 12) 1차 사용자 그룹 클래스의 정보를 생성한다(단계 13).
프로파일링 정보 결합부(10)는 또한 사용자로부터 입력된 인적 정보를 이용하여 사용자 정보를 생성하여(단계 14) 사용자 Id, 필드, 태그, 빈도로 이루어지는 2차 클래스를 사용자 그룹 클래스에 추가하여(단계 15) 2차 사용자 그룹 클래스의 정보를 생성한다(단계 16). 2차 클래스에서 필드는 성별, 거주지 등이 될 수 있으며, 태그는 필드가 성별인 경우에는 남자/여자, 필드가 거주지인 경우에는 거주하는 시/도가 될 수 있다. 빈도는 1로 고정된다. 예를 들면 (사용자 ID : 93131, 성별, 남자, 1), (사용자 ID: 93131, 시, 서울시, 1) 등과 같이 2차 클래스 정보가 생성된다.
VOD 정보에는 각 컨텐츠의 제목, 장르, 감독, 출연배우 등에 관한 정보가 저장되어 있다. VOD 정보는 예를 들면 (VOD ID : 23568, 제목, 곡성), (VOD ID : 23568, 주연, 곽도원) 등과 같은 형태로 저장되어 있다. 프로파일링 정보 결합부(10)는 생성된 1차 클래스 정보에서 VOD 정보를 추출하고(단계 17) 추가 정보를 수집하여 3차 클래스 정보를 생성한다. 3차 클래스 정보는 예를 들면 (사용자 ID : 93131, 선호배우, 송혜교, 5), (사용자 ID : 93131, 선호감독, 봉준호, 5) 와 같은 형태를 갖는다. 즉 사용자가 시청한 시청이력정보와 VOD 정보로부터 해당 사용자가 시청한 컨텐츠의 배우, 감독, 장르, 제작국가 등의 정보를 추출하여 해당 항목의 빈도를 증가시킨다(단계 18).
이러한 동작의 예가 도 5에 도시되어 있다. 시청이력정보에서 생성된 1차 클래스 정보에서 추출한 사용자 ID가 3차 클래스에 존재하는지를 확인하고(단계 51),동일 사용자 ID가 없으면 단계 53에서 해당 사용자가 처음 콘텐츠를 시청한 것이므로, (사용자 ID, 필드, 태그, 빈도=1)의 3차 클래스 정보를 생성한다. 예를 들어, 시청이력정보에서 사용자 ID=93131인 사용자가 '곡성'이라는 영화를 본 이력정보가 입력되었다면, '곡성'에 해당하는 VOD 정보에서 감독과 주연에 관한 정보를 읽어와서, (사용자 ID : 93131, 선호감독, 나홍진, 1), (사용자 ID : 93131, 선호배우, 곽도균, 1), (사용자 ID : 93131, 선호배우, 황정민, 1),... 등과 같이 해당 콘텐츠의 제작진과 출연진에 대한 3차 클래스 정보를 생성한다. 단계 51에서의 확인 결과, 같은 사용자 ID를 가진 3차 클래스 정보가 이미 존재하는 경우에는 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 필드를 가진 3차 클래스 정보가 있는지를 확인한다(단계 52). 예를 들어, '선호장르'라는 필드를 가진 3차 클래스 정보가 없었다면 단계 55에서 해당 사용자 ID에 '선호장르'라는 필드와, 입력된 이력정보에 해당하는 태그(특정 장르) 및 빈도=1을 갖는 3차 클래스를 생성한다. 단계 52에서의 확인 결과, 같은 사용자 ID, 같은 필드를 가진 3차 클래스 정보가 이미 존재하는 경우에는 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 태그를 가진 3차 클래스 정보가 있는지를 확인한다(단계 54). 예를 들어, '선호배우'라는 필드에 태그로서 '곽도균'을 가진 3차 클래스 정보가 없었다면 단계 57에서 해당 사용자 ID에 '선호배우'라는 필드와, '곽도균'이라는 태그 및 빈도=1을 갖는 3차 클래스를 생성한다. 단계 54에서의 확인 결과, 같은 사용자 ID, 같은 필드, 같은 태그를 가진 3차 클래스 정보가 이미 존재하는 경우에는 해당 3차 클래스 정보에서 빈도를 하나 증가시킨다(단계 56). 예를 들어, 해당 사용자 ID에 '선호배우'라는 필드와, '곽도균'이라는 태그를 가진 3차 클래스 정보가 이미 존재하는 경우에는 그 3차 클래스 정보의 빈도를 하나 증가시킨다.
프로파일링 정보 결합부(10)는 이들 세가지 클래스 정보를 결합하여 최종적인 사용자 그룹 정보를 생성하고(단계 19) 이를 사용자 그룹 정보 생성부(20)에 전달한다.
사용자 그룹 정보 생성부(20)는 프로파일링 정보 결합부(10)로부터 최종 사용자 그룹 정보를 가져와서(단계 21) 사용자 ID별 필드별 태그를 인덱스로 갖는 벡터로 변환한다(단계 22). 이를 통해 사용자 ID 갯수만큼 벡터가 생성된다(단계 23).
사용자로부터 클러스터 갯수와 클러스터링 반복(Clustering Iteration) 갯수를 입력받은 후(단계 24) 생성된 벡터에 대해서 K-means Clustering 알고리즘을 수행하여(단계 25) 클러스터링된 사용자 그룹을 생성한다(단계 26). 사용자 그룹은 각 필드에 대해 상위 n개의 %를 갖는 Json 파일 형태로 생성될 수 있다.
신규 사용자 정보 분석부(30)는 신규 사용자 정보를 수집하고(단계 31) 신규 사용자 정보에 사용자 그룹 정보와 동일한 VOD가 들어있는지 분석하여 신규 사용자 정보를 생성한다(단계 32). 신규 사용자 정보는 Json 파일 형태로 생성될 수 있다. 신규 사용자 정보를 수집하는 것은 신규 사용자로부터 관심 콘텐츠에 대한 순위를 입력받는 것을 포함할 수 있다.
신규 사용자 그룹 추천부(40)는 신규 사용자 Json 정보와 사용자 그룹의 클러스터링된 Json 정보를 합하여 사용자의 클러스터별 가중치를 계산한다(단계 41). 예를 들어 신규 사용자 1이 태양의 후예라는 드라마가 1순위 관심사라고 가정하자. 상위 n개중 1 등이면 n점, 2등이면 n-1점으로 가중치를 준다. 클러스터마다 가중치를 계산하여 가장 높은 가중치 순위로 원하는 그룹 갯수, 예를 들면 4개의 클러스터까지 점수를 매기고 그 결과를 Json 파일로 출력한다(단계 42). 이렇게 출력된 클러스터 중에서 사용자가 선택한 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천한다(단계 43).
한편, 신규 사용자가 콘텐츠를 시청해가면서 데이터가 축적되면 좀더 정확한 프로파일링이 가능해진다. 이는 기존 사용자의 경우에도 마찬가지이다. 따라서 이상 설명한 절차를 일정 주기마다 반복함으로써 사용자들의 선호도에 따라 좀더 정확한 그루핑이 가능해지며, 따라서 좀더 정확한 콘텐츠 추천과 타겟 광고가 가능해진다.
이상, 본 발명을 몇가지 예를 들어 설명하였으나, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하드웨어로서 또는 컴퓨터 프로그램으로서 구현될 수도 있다. 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (17)

  1. 시청 이력 정보, 사용자 정보, VOD 정보를 결합하는 프로파일링 정보 결합부;
    상기 결합된 프로파일링 정보를 사용하여 사용자 그룹 정보를 생성하는 사용자 그룹 정보 생성부;
    신규 사용자가 입력한 신규 사용자 정보를 분석하는 신규 사용자 정보 분석부;
    상기 사용자 그룹 정보과 상기 신규 사용자 정보를 매칭하여 신규 사용자에 대한 사용자 그룹을 추천하는 신규 사용자 그룹 추천부
    를 구비하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  2. 제1항에 있어서,
    프로파일링 정보 결합부는 사용자가 시청한 콘텐츠의 빈도를 포함하는 시청이력정보를 생성하고 이를 이용하여 1차 클래스 정보를 생성하며, 사용자로부터 입력된 인적 정보를 이용하여 2차 클래스 정보를 생성하며, 상기 시청이력정보와 VOD 정보로부터 사용자가 시청한 컨텐츠에 대응되는 항목들의 빈도를 증가시켜서 3차 클래스 정보를 생성하고 이들 세가지 클래스 정보를 결합하여 최종적인 사용자 그룹 정보를 생성하며,
    사용자 그룹 정보 생성부는 상기 최종적인 사용자 그룹 정보를 벡터로 변환하고, 사용자로부터 입력받은 클러스터 갯수와 클러스터링 반복(Clustering Iteration) 갯수에 따라 상기 벡터에 대해서 K-means Clustering 알고리즘을 수행하여 클러스터링된 사용자 그룹을 생성하며,
    신규 사용자 정보 분석부는 신규 사용자로부터 입력받은 신규 사용자 정보에 사용자 그룹 정보와 동일한 VOD가 들어있는지 분석하며,
    신규 사용자 그룹 추천부는 신규 사용자 정보와 클러스터링된 사용자 그룹 정보를 합하여 사용자의 클러스터별 가중치를 계산하고 가장 높은 가중치를 갖는 정해진 수의 클러스터 중에서 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  3. 제2항에 있어서,
    상기 1차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함하며,
    프로파일링 정보 결합부는 동일 사용자 ID를 갖는 사용자가 동일 필드와 동일 태그를 갖는 프로그램을 볼 때마다 해당 1차 클래스 정보의 빈도를 증가시키는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  4. 제3항에 있어서, 상기 3차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함하며,
    프로파일링 정보 결합부는, 시청이력정보에서 생성된 1차 클래스 정보에서 추출한 사용자 ID가 3차 클래스 정보에 없으면 (사용자 ID, 필드, 태그, 빈도=1)의 3차 클래스 정보를 생성하며,
    같은 사용자 ID를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 필드를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 빈도=1을 갖는 3차 클래스 정보를 생성하며,
    같은 사용자 ID, 같은 필드를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 태그를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 및 빈도=1을 갖는 3차 클래스를 생성하며,
    같은 사용자 ID, 같은 필드, 같은 태그를 가진 3차 클래스 정보가 이미 존재하는 경우에는 해당 3차 클래스 정보에서 빈도를 하나 증가시키는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  5. 제2항 내지 제4항 중 어느 한 항에 있어서, 사용자 그룹 정보 생성부는 상기 최종적인 사용자 그룹 정보를 사용자 ID별 필드별 태그를 인덱스로 갖는 벡터로 변환하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  6. 제2항 내지 제4항 중 어느 한 항에 있어서,
    신규 사용자 정보 분석부는 신규 사용자가 입력한 관심 콘텐츠에 대한 순위를 사용하여 신규 사용자 정보를 분석하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  7. 제2항 내지 제4항 중 어느 한 항에 있어서,
    신규 사용자 그룹 추천부는 가장 높은 가중치를 갖는 정해진 수의 클러스터 중에서 사용자가 선택한 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  8. 제2항 내지 제4항 중 어느 한 항에 있어서,
    신규 사용자 정보와 사용자 그룹의 클러스터링된 정보는 Json 파일 형태로 되어 있는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 장치.
  9. 시청 이력 정보, 사용자 정보, VOD 정보를 결합하여 프로파일링 정보를 생성하는 제1 단계와,
    상기 결합된 프로파일링 정보를 사용하여 사용자 그룹 정보를 생성하는 제2 단계와,
    신규 사용자가 입력한 신규 사용자 정보를 분석하는 제3 단계와,
    상기 사용자 그룹 정보과 상기 신규 사용자 정보를 매칭하여 신규 사용자에 대한 사용자 그룹을 추천하는 제4 단계
    를 구비하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  10. 제9항에 있어서,
    제1 단계는 사용자가 시청한 콘텐츠의 빈도를 포함하는 시청이력정보를 생성하고 이를 이용하여 1차 클래스 정보를 생성하는 단계와, 사용자로부터 입력된 인적 정보를 이용하여 2차 클래스 정보를 생성하는 단계와, 상기 시청이력정보와 VOD 정보로부터 사용자가 시청한 컨텐츠에 대응되는 항목들의 빈도를 증가시켜서 3차 클래스 정보를 생성하고 이들 세가지 클래스 정보를 결합하여 최종적인 사용자 그룹 정보를 생성하는 단계를 포함하며,
    제2 단계는 상기 최종적인 사용자 그룹 정보를 벡터로 변환하는 단계와, 사용자로부터 입력받은 클러스터 갯수와 클러스터링 반복(Clustering Iteration) 갯수에 따라 상기 벡터에 대해서 K-means Clustering 알고리즘을 수행하여 클러스터링된 사용자 그룹을 생성하는 단계를 포함하며,
    제3 단계에서는 신규 사용자로부터 입력받은 신규 사용자 정보에 사용자 그룹 정보와 동일한 VOD가 들어있는지 분석하며,
    제4 단계에서는 신규 사용자 정보와 클러스터링된 사용자 그룹 정보를 합하여 사용자의 클러스터별 가중치를 계산하고 가장 높은 가중치를 갖는 정해진 수의 클러스터 중에서 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  11. 제10항에 있어서,
    상기 1차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함하며,
    제1 단계에서 동일 사용자 ID를 갖는 사용자가 동일 필드와 동일 태그를 갖는 프로그램을 볼 때마다 해당 1차 클래스 정보의 빈도를 증가시키는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  12. 제11항에 있어서, 상기 3차 클래스 정보는 사용자 ID, 필드, 태그, 빈도를 포함하며,
    제1단계는, 시청이력정보에서 생성된 1차 클래스 정보에서 추출한 사용자 ID가 3차 클래스 정보에 없으면 (사용자 ID, 필드, 태그, 빈도=1)의 3차 클래스 정보를 생성하는 단계와,
    같은 사용자 ID를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 필드를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 빈도=1을 갖는 3차 클래스 정보를 생성하는 단계와,
    같은 사용자 ID, 같은 필드를 가진 3차 클래스 정보가 이미 존재하는 경우에 해당 3차 클래스 정보 중에서 입력된 이력정보와 같은 태그를 가진 3차 클래스 정보가 없으면 해당 사용자 ID에 입력된 이력정보에 해당하는 필드, 태그 및 및 빈도=1을 갖는 3차 클래스를 생성하는 단계와,
    같은 사용자 ID, 같은 필드, 같은 태그를 가진 3차 클래스 정보가 이미 존재하는 경우에는 해당 3차 클래스 정보에서 빈도를 하나 증가시키는 단계를 더 포함하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  13. 제10항 내지 제12항 중 어느 한 항에 있어서, 제2단계에서 상기 최종적인 사용자 그룹 정보를 사용자 ID별 필드별 태그를 인덱스로 갖는 벡터로 변환하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  14. 제10항 내지 제12항 중 어느 한 항에 있어서,
    제3단계에서 신규 사용자가 입력한 관심 콘텐츠에 대한 순위를 사용하여 신규 사용자 정보를 분석하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  15. 제10항 내지 제12항 중 어느 한 항에 있어서,
    제4단계에서 가장 높은 가중치를 갖는 정해진 수의 클러스터 중에서 사용자가 선택한 하나 또는 그 이상의 그룹을 신규 사용자에 대한 사용자 그룹으로서 추천하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  16. 제10항 내지 제12항 중 어느 한 항에 있어서,
    신규 사용자 정보와 사용자 그룹의 클러스터링된 정보는 Json 파일 형태로 되어 있는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
  17. 제10항 내지 제12항 중 어느 한 항에 있어서,
    제1 단계 내지 제4 단계를 주기적으로 반복하는 것을 특징으로 하는 신규 사용자에 대한 사용자 그룹 추천 방법.
PCT/KR2017/011873 2017-01-04 2017-10-26 신규 사용자에 대한 사용자 그룹 추천 방법 및 장치 WO2018128254A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20170001520 2017-01-04
KR10-2017-0001520 2017-01-04

Publications (1)

Publication Number Publication Date
WO2018128254A1 true WO2018128254A1 (ko) 2018-07-12

Family

ID=62789386

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/011873 WO2018128254A1 (ko) 2017-01-04 2017-10-26 신규 사용자에 대한 사용자 그룹 추천 방법 및 장치

Country Status (1)

Country Link
WO (1) WO2018128254A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197402A (zh) * 2019-06-05 2019-09-03 中国联合网络通信集团有限公司 基于用户群的用户标签分析方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012015917A (ja) * 2010-07-02 2012-01-19 Sharp Corp コンテンツ視聴システム、コンテンツ推薦方法およびコンテンツ表示装置
JP2012204894A (ja) * 2011-03-24 2012-10-22 Toshiba Corp 情報推薦装置
KR20130120263A (ko) * 2012-04-25 2013-11-04 주식회사 케이티 콘텐츠 프로파일링 장치 및 그 방법과 그를 이용한 타겟 광고 시스템 및 그 방법
KR20140131088A (ko) * 2013-05-03 2014-11-12 에스케이플래닛 주식회사 추천 아이템 제공 방법, 이를 위한 프로그램을 기록한 기록 매체 및 장치
KR20140130933A (ko) * 2013-05-02 2014-11-12 김동균 아이템에 대한 활동 정보에 기초하여 회원을 그룹화하고 회원 간의 정보를 공유하기 위한 방법, 서버 및 컴퓨터 판독 가능한 기록 매체

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012015917A (ja) * 2010-07-02 2012-01-19 Sharp Corp コンテンツ視聴システム、コンテンツ推薦方法およびコンテンツ表示装置
JP2012204894A (ja) * 2011-03-24 2012-10-22 Toshiba Corp 情報推薦装置
KR20130120263A (ko) * 2012-04-25 2013-11-04 주식회사 케이티 콘텐츠 프로파일링 장치 및 그 방법과 그를 이용한 타겟 광고 시스템 및 그 방법
KR20140130933A (ko) * 2013-05-02 2014-11-12 김동균 아이템에 대한 활동 정보에 기초하여 회원을 그룹화하고 회원 간의 정보를 공유하기 위한 방법, 서버 및 컴퓨터 판독 가능한 기록 매체
KR20140131088A (ko) * 2013-05-03 2014-11-12 에스케이플래닛 주식회사 추천 아이템 제공 방법, 이를 위한 프로그램을 기록한 기록 매체 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197402A (zh) * 2019-06-05 2019-09-03 中国联合网络通信集团有限公司 基于用户群的用户标签分析方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
US11601703B2 (en) Video recommendation based on video co-occurrence statistics
CN105677715B (zh) 一种基于多用户的视频推荐方法及装置
CN101681469B (zh) 用于推荐内容项目的方法和系统
US20170171580A1 (en) Clustering and adjudication to determine a recommendation of multimedia content
Pyo et al. LDA-based unified topic modeling for similar TV user grouping and TV program recommendation
Selke et al. Pushing the boundaries of crowd-enabled databases with query-driven schema expansion
CN103229203B (zh) 激励用户向用户的联系人推荐项目的推荐系统
US20130283303A1 (en) Apparatus and method for recommending content based on user's emotion
CN108028962A (zh) 处理视频使用情况信息以投放广告
JP2013088832A (ja) 情報処理装置、情報処理方法、および、プログラム
KR20190011829A (ko) 컴퓨터 실행 방법, 시스템 및 컴퓨터 판독 가능 매체
US20160142775A1 (en) Device and method for recommending content and sound source
CN104685899A (zh) 动态媒体片段定价
US20200111121A1 (en) Systems and methods for automatic processing of marketing documents
KR20100116412A (ko) 동영상 장면 기반 광고정보 제공장치 및 방법
KR20170079429A (ko) 사용자 속성을 고려한 클러스터링 기반의 협업 필터링 방법 및 영화 추천 시스템
WO2018128254A1 (ko) 신규 사용자에 대한 사용자 그룹 추천 방법 및 장치
US20160094887A1 (en) Tv program-based shopping guide system and tv program-based shopping guide method
CN110913249B (zh) 一种节目的推荐方法及系统
Kim et al. Recommendation system of iptv tv program using ontology and k-means clustering
US20230334261A1 (en) Methods, systems, and media for identifying relevant content
KR101674310B1 (ko) 영상 콘텐츠와 연관성을 갖는 광고를 제공하기 위한 광고 매칭 시스템 및 방법
You et al. Clustering method based on genre interest for cold-start problem in movie recommendation
US20200111130A1 (en) Systems and methods for automatic processing of marketing documents
KR20130120263A (ko) 콘텐츠 프로파일링 장치 및 그 방법과 그를 이용한 타겟 광고 시스템 및 그 방법

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: 17890203

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: 17890203

Country of ref document: EP

Kind code of ref document: A1