KR101120103B1 - 개인화된 파라미터를 이용한 컨텐츠 추천 시스템 및 방법 - Google Patents

Abstract

개인화된 파라미터를 이용한 컨텐츠 추천 시스템 및 방법이 개시된다. 개시된 방법은 추천 시 사용되는 적어도 하나의 파라미터에 대해 사용자별로 개인화된 개인 파라미터를 설정하여 유지하는 단계(a); 추천 요청이 있을 경우, 추천을 요청한 사용자의 개인 파라미터를 로드하는 단계(b); 상기 로드된 해당 사용자의 개인 파라미터를 이용하여 컨텐츠들의 평점을 예측하고, 예측된 평점 정보를 이용하여 추천을 수행하는 단계(c)를 포함한다. 개시된 방법 및 시스템에 의하면, 시스템에 고정된 파라미터에 구속되지 않고 사용자별로 개인화된 파라미터를 이용하여 컨텐츠를 추천할 수 있으며, 사용자의 선호도가 보다 세밀하게 분석되어 추천에 대한 만족도를 제고할 수 있는 장점이 있다.

추천, 파라미터

Description

개인화된 파라미터를 이용한 컨텐츠 추천 시스템 및 방법{Contents Recommendation System and Method Using Personalized Parameters}

본 발명은 추천 시스템에 관한 것으로서, 더욱 상세하게는 사용자별로 개인화된 파라미터를 이용한 컨텐츠 추천 시스템에 관한 것이다.

인터넷을 통해 사용자가 원하는 정보를 검색할 수 있는 검색 시스템이 존재하기는 하나, 정보의 양이 늘어나면서 이와 같은 검색 시스템도 사용자의 기호에 맞는 정보를 제공하는 있어 한계를 보이고 있으며, 이러한 문제를 해결하기 위해 추천 시스템에 대한 관심이 높아지고 있다.

추천 시스템이란 사용자에 관한 정보와 웹 페이지에서 추출한 정보 혹은 기타 다른 정보에 기반해서 사용자에게 필요할 것으로 예상되는 정보나 상품을 추천해 주는 시스템이다.

추천 시스템은 사용자가 추천을 요청할 경우 컨텐츠를 추천하거나 사용자의 요청과는 무관하게 정보 제공의 목적으로 컨텐츠 추천 정보를 제공하기도 한다.

이와 같은 추천 시스템은 현재 아마존과 같은 온라인 쇼핑몰이나 유튜브와 같은 온라인 멀티미디어 서비스에 주로 이용되나, 점차 대부분의 온라인 서비스에 이용될 것으로 예상되고 있다.

추천 엔진을 통한 추천 시스템의 종류는 구현하는데 사용되는 기술에 따라 크게 협업 필터링(collaborative filtering)과 내용기반 필터링(content-based filtering), 연관규칙 기반(association rule-based) 추천 등의 방식이 있으며, 이들 기술을 두 개 혹은 그 이상 결합한 하이브리드 시스템(hybrid system)도 선보이고 있다

협업 필터링은 사용자와 유사한 선호도를 가지는 다른 사용자들의 평가 정보를 기초로 하여 컨텐츠를 추천하는 방식이다. 협업 필터링 방식에서는 준거 그룹을 설정하며, 여기서 준거 그룹이란 추천을 요청한 사용자와 유사한 선호를 가지는 다른 사용자들의 집합을 의미한다.

협업 필터링에서는 준거 그룹의 사용자들이 평가한 평점 정보에 기초하여 추천을 요청한 사용자에 대해 특정 컨텐츠의 평점을 예측하며, 예측된 평정 점보를 기초로 하여 컨텐츠 추천을 수행한다.

내용기반 필터링은 상품을 기술한 문서(설명서 혹은 상품 소개 웹페이지)의 내용을 분석하여 추천을 한다. 예를 들어 현재 사용자가 상품 1에 관한 웹 페이지를 관심 있게 읽고 있다면 이 페이지의 내용을 문헌 정보학 분야에서 잘 알려진 키워드 빈도 분석 방법을 이용하여 이와 비슷한 내용을 포함하고 있는 페이지를 찾는다. 이때, 상기 페이지가 담고 있는 상품은 현재 사용자가 보고 있는 상품 1과 비슷한 것일 것이므로 현재 사용자가 관심을 가질 가능성이 크다. 따라서 상기 페이지 또는 상기 페이지에 포함된 상품들을 현재 사용자에게 추천한다.

연관규칙 기반 추천 기술은 사용자들의 과거 구매 이력을 통해 추천을 하는 방법이다. 예를 들어, 어떤 온라인 쇼핑몰의 사용자의 구매 기록에서, 상품 1을 구매한 사람들의 다른 상품 구매기록을 살펴보면 상품 1과 함께 구매하게 되는 다른 상품의 리스트를 작성할 수 있다. 예를 들어 상품 1을 구매한 사람 중 50%의 사람이 상품 2를 구매하였고, 30%의 사람이 상품 3을 구매하였고, 등과 같은 식으로 구매비율이 높은 순으로 상품 리스트를 작성할 수 있다. 이것이 상품 1과 다른 상품이 연관되어 있는 규칙이다. 상기에서 만일 현재 사용자가 상품 1을 구매하였다면, 이 사용자는 상품 2를 구매할 가능성도 크므로 상품 2를 추천할 수 있다.

현재 추천 시스템들은 추천이 적용되는 분야에 따라서 상술한 추천 방식들을 적절히 선택하여 사용하고 있으며, 쇼핑몰이나 멀티미디어 서비스에는 협업 필터링이 주로 이용되고, 블로그와 같은 웹문서 추천에는 내용기반 필터링이 주로 이용되고 있다.

이와 같은 추천 시스템은 컨텐츠 추천을 위해 다양한 파라미터를 필요로 한다. 예를 들어, 협업 필터링의 경우, 준거 그룹을 설정하여야 하는데, 준거 그룹의 사이즈를 설정할 필요가 있다. 또한, 준거 그룹은 해당 사용자와 선호도가 유사한 다른 사용자들의 집합으로서, 준거 그룹에 포함되는 사용자 선정을 위해서는 유사도가 연산되어야 하며, 어떠한 유사도 연산 방식을 사용하는가도 중요한 파라미터 중 하나이다.

종래에는 이와 같은 준거 그룹의 사이즈, 유사도 연산 방식과 같은 추천에 필요한 파라미터는 추천 시스템에 고정되어 있었으며, 모든 사용자에 대해 고정적 으로 적용되었다.

그러나, 이와 같이 시스템에 고정된 파라미터를 이용하여 추천을 수행하는 것은 사용자별 특성을 고려하지 않고 추천이 이루어지는 문제점이 있었으며, 이는 추천에 대한 사용자들의 만족도를 떨어뜨리는 주요한 요인 중 하나로 작용하였다.

본 발명에서는 상기한 바와 같은 종래 기술의 문제점을 해결하기 위해, 시스템에 고정된 파라미터에 구속되지 않고 사용자별로 개인화된 파라미터를 이용하여 컨텐츠를 추천하는 컨텐츠 추천 시스템 및 방법을 제안하고자 한다.

본 발명의 다른 목적은 사용자의 선호도가 보다 세밀하게 분석되어 추천에 대한 만족도를 제고할 수 있는 컨텐츠 추천 시스템 및 방법을 제안하는 것이다.

본 발명의 다른 목적들은 하기의 실시예를 통해 당업자에 의해 용이하게 도출될 수 있을 것이다.

상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 측면에 따르면, 추천 시 사용되는 적어도 하나의 파라미터에 대해 사용자별로 개인화된 개인 파라미터를 설정하여 유지하는 단계(a); 추천 요청이 있을 경우, 추천을 요청한 사용자의 개인 파라미터를 로드하는 단계(b); 상기 로드된 해당 사용자의 개인 파라미터를 이용하여 컨텐츠들의 평점을 예측하고, 예측된 평점 정보를 이용하여 추천을 수행하는 단계(c)를 포함하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법이 제공된다.

상기 개인화되는 개인 파라미터는 적어도 준거 그룹 사이즈, 유사도 연산 방식, 컨텐츠 평가 유효 기간, 유사도 가중치 레벨 및 신뢰수준 가중치 레벨로 이루어지는 그룹으로부터 선택된 어느 하나 또는 이들의 조합을 포함할 수 있다.

상기 단계(c)는 상기 개인 파라미터에 의한 평점 예측과 시스템에 고정되어 있는 시스템 파라미터에 의한 평점 예측을 함께 고려하여 컨텐츠들에 대한 평점을 예측한다.

상기 단계(a)에서 설정되는 개인 파라미터는 사용자들이 부여한 컨텐츠들의 평점 정보에 기초하여 설정되며, 미리 설정된 시간 간격 혹은 필요에 따라 업데이트된다.

상기 단계(a)는, 해당 사용자가 미리 평점을 부여한 컨텐츠에 대해 개인화할 제1 파라미터를 변경시키면서 평점을 예측하는 단계(a1); 상기 단계(a1)에서 예측된 평점 중 상기 해당 사용자가 미리 부여한 평점과 가장 근접한 평점에 상응하는 파라미터값을 컨텐츠별 최적값으로 설정하는 단계(a2); 및 상기 설정된 최적값을 기록하는 단계(a3)를 포함할 수 있다.

상기 단계(a)는, 상기 해당 사용자가 미리 평점을 부여한 다른 컨텐츠들에 대해서도 상기 단계 (a1) 내지 (a3)를 반복하는 단계(a4)를 더 포함할 수 있다.

상기 단계(a)는, 상기 단계(a4)에 의해 기록되는 컨텐츠별 최적값들을 이용하여 최적 제1 파라미터값을 결정하는 단계(a5)를 더 포함할 수 있다.

상기 단계 (a1) 내지 (a5)를 개인화되는 다른 파라미터들인 제N 파라미터들(N은 1이 아님)에 대해서도 독립적으로 수행하여 제N 최적 파라미터값들을 설정하는 단계(a6)를 더 포함할 수 있다.

상기 단계(a1)에서 변경시키면서 평점을 예측하는 제1 파라미터외의 다른 파라미터들은 시스템에 고정된 파라미터값 또는 이전에 설정된 개인 파라미터값으로 설정하여 평점을 예측하는 것이 바람직하다.

상기 단계(a1) 내지 (a6)를 통해 설정된 N개의 최적 파라미터값들을 함께 적용하여 사용자가 미리 평점을 부여한 컨텐츠들에 대한 평점을 예측하고, 미리 부여한 평점과 예측값이 근접하도록 상기 설정된 N개의 최적 파라미터값들을 미세하게 조정하는 단계(a7)를 더 포함할 수 있다.

한편, 본 발명의 다른 측면에 따르면, 상술한 방법을 수행하기 위한 명령어들의 조합이 유형적으로 구현되어 있으며 디지털 정보 처리 장치에 의해 판독 가능한 프로그램이 기록된 기록 매체가 제공된다.

본 발명의 또 다른 측면에 따르면, 사용자 클라이언트들과 네트워크를 통해 연결되어 있으며, 사용자 클라이언트로부터 추천 요청 정보를 수신하거나 미리 설정된 이벤트가 발생할 경우 추천 요청 정보를 생성하는 웹서버; 및 추천 시 사용되는 적어도 하나의 파라미터에 대해 사용자별로 개인화된 개인 파라미터를 설정하여 유지하고 있으며, 상기 웹서버 또는 상기 사용자 클라이언트들로부터 추천 요청 정보를 수신할 경우 추천을 요청한 사용자의 개인 파라미터를 로드하고, 로드된 파라미터에 기초하여 추천 결과 데이터를 제공하는 추천 시스템을 포함하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템이 제공된다.

상기 추천 시스템은, 사용자들의 컨텐츠들에 대한 평가 정보를 저장하는 평가 정보 저장부; 상기 평가 정보 저장부에 저장된 데이터에 기초하여 사용자들의 개인 파라미터를 설정하는 개인 파라미터 설정부; 상기 개인 파라미터 설정부에 의해 설정된 사용자별 개인 파라미터를 저장하는 개인 파라미터 저장부; 상기 추천 요청 정보에 포함된 사용자 식별 정보를 이용하여 추천을 요청한 사용자의 개인 파라미터를 상기 개인 파라미터 저장부로부터 로드하는 개인 파라미터 적용부; 및 상기 개인 파라미터 적용부에서 제공되는 개인 파라미터에 기초하여 추천을 요청한 사용자의 컨텐츠들의 평점을 예측하고 추천 결과 데이터를 생성하는 추천부를 포함할 수 있다.

상기 개인 파라미터 설정부는, 개인화되는 파라미터들에 대해 독립적으로 최적 파라미터값을 설정하는 복수의 파라미터 설정부들을 포함하며, 상기 복수의 파라미터 설정부들 각각은, 사용자가 미리 평점을 부여한 컨텐츠에 대해 해당 파라미터를 변경시키면서 평점을 예측하며, 사용자가 미리 부여한 평점에 상응하는 파라미터값을 컨텐츠별 최적값으로 설정하는 평점 예측부; 상기 평점 예측부의 컨텐츠별 최적값 설정이 사용자가 평점을 부여한 복수의 컨텐츠들에 이루어질 경우 복수의 상기 컨텐츠별 최척값들을 기록하는 컨텐츠별 최적값 기록부; 및 상기 컨텐츠별 최적값들을 이용하여 최적 파라미터값을 결정하는 파라미터 결정부를 포함할 수 있다.

상기 개인 파라미터 설정부는 상기 각 파라미터 설정부들에서 설정되는 최적 파라미터값을 함께 적용하여 사용자가 미리 평점을 부여한 컨텐츠들에 대한 평점을 예측하고, 미리 부여한 평점과 예측값이 근접하도록 상기 설정된 최적 파라미터값들을 미세하게 조정하는 조정부를 더 포함할 수 있다.

상기 평점 예측부에서 평점 예측 시 해당 파라미터 이외의 파라미터는 시스템에 고정된 파라미터값 또는 이전에 설정된 개인 파라미터값을 이용하여 평점을 예측하는 것이 바람직하다.

상기 추천부는 상기 개인 파라미터를 이용하여 컨텐츠들에 대한 평점을 예측하는 제1 예측부; 시스템에 고정된 시스템 파라미터를 이용하여 컨텐츠들에 대한 평점을 예측하는 제2 예측부; 상기 제1 예측부 및 제2 예측부의 예측값에 미리 설정된 가중치를 부여하여 최종적인 평점을 예측하는 최종 예측부; 및 상기 최종 예측부의 컨텐츠들에 대한 평점 예측값을 이용하여 추천 결과 데이터를 생성하는 컨텐츠 추천부를 포함할 수 있다.

본 발명에 의하면, 시스템에 고정된 파라미터에 구속되지 않고 사용자별로 개인화된 파라미터를 이용하여 컨텐츠를 추천할 수 있으며, 사용자의 선호도가 보다 세밀하게 분석되어 추천에 대한 만족도를 제고할 수 있는 장점이 있다.

이하에서, 첨부된 도면을 참조하여 본 발명에 의한 개인화된 파라미터를 이용한 컨텐츠 추천 시스템 및 방법의 바람직한 실시예를 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 개인화된 파라미터를 이용한 컨텐츠 추천 방법의 개략적인 흐름을 도시한 순서도이다.

도 1을 참조하면, 우선 시스템에 등록된 사용자별로 개인 파라미터를 설정한다(단계 100). 여기서 파라미터는 다양한 추천 시스템에 사용되는 다양한 파라미터가 모두 포함될 수 있으나, 본 실시예에서는 협업 필터링에 사용되는 파라미터를 예로 하여 설명하기로 한다.

협업 필터링 방식을 사용할 때 개인화되는 파라미터는 다음과 같을 수 있다.

(1) 준거 그룹(Reference Group)의 사이즈

(2) 유사도 연산 방식

(3) 평가에 적용되는 컨텐츠 평가 유효 기간

(4) 유사도 가중치 레벨

(5) 신뢰 수준 가중치 레벨

물론, 협업 필터링에는 상술한 파라미터 이외에도 다양한 파라미터들이 더 사용될 수 있으며, 이러한 파라미터들도 개인화 대상이 될 수 있으나, 설명의 편의를 위해 상술한 파라미터들을 개인화하는 경우를 예로 본 실시예를 설명하기로 한다.

준거 그룹의 사이즈는 준거 그룹에 포함되는 선호도가 유사한 사용자의 수이다. 종래에는 준거 그룹의 사이즈는 시스템에 고정되어 있어 모든 사용자에 대한 추천 수행 시 동일한 사이즈의 준거 그룹이 설정되었으나, 본 발명에서는 각 사용자 별로 최적화 된 서로 다른 준거 그룹의 사이즈가 설정된다.

유사도 연산 방식은 준거 그룹 생성을 위해 사용자간 유사도를 연산하는데 이때 사용되는 연산 방식을 의미한다. 일반적으로 유사도 연산 방식에는 상관도(Correlation) 방법, 평균 제곱 에러(Mean Squared Error) 연산 방식, 벡터 기반 거리(Vetor-based Distance) 연산 방식, 베이지안 확률(Bayesian Probability) 연산 방식 등이 있다. 이러한 유사도 연산 방식은 이미 공지된 기술들이므로 자세한 연산 방식에 대한 설명은 생략하기로 한다.

종래의 추천 시스템은 이와 같은 유사도 연산 방식 중 어느 하나가 선택되어 모든 사용자에 대해 선택된 유사도 연산 방식만이 사용되었으나, 본 발명에서는 각 사용자에게 적합한 유사도 연산 방식이 선택된다.

사용자간 유사도 연산 시 및 평가 예측 시에 다른 사용자가 한 평가 정보가 이용되는데, 컨텐츠 평가 유효 기간은 평가 시점이 미리 설정된 시점 이전인 경우에는 유사도 연산 시 및 평가 예측 시의 평가 정보로 사용하지 않기 위해 설정되는 파라미터이다.

예를 들어, 컨텐츠 평가 유효 기간은 기준일(예를 들어, 현재 시점)로부터 6개월, 1년 등과 같이 설정될 수 있으며, 종래에는 이러한 컨텐츠 평가 유효 기간은 모든 사용자에 대해 동일하게 적용되었으나, 본 실시예에서는 개인별로 다르게 설정되도록 한다.

유사도 가중치 레벨은 준거 그룹에 포함된 사용자들의 컨텐츠 평점 정보를 이용하여 컨텐츠 평점 예측 시 부여되는 가중치로서, 유사도가 높은 사용자에게는 높은 가중치가 부여되고 낮은 사용자에게는 상대적으로 낮은 가중치가 부여된다. 이와 같은 유사도 가중치는 유사도 차이에 따라 가중치 레벨이 높게 설정될 수도 있고 낮게 설정될 수도 있다.

신뢰 수준(confidence level) 가중치 레벨은 두 사용자간의 유사도가 얼마나 신뢰할 수 있는지를 나타내는 신뢰도에 따라 부여되는 가중치로서, 신뢰수준이 높은 사용자에게는 높은 가중치가 부여되고 낮은 사용자에게는 상대적으로 낮은 가중치가 부여된다. 예를 들어 두 사용자가 공통으로 평가한 컨텐츠 항목이 3개인 경우 보다 10개인 경우가 연산된 유사도의 신뢰수준이 높다고 볼 수 있다. 그렇기 때문에 이것을 평점예측에도 반영해서 서로 다른 가중치를 부여하는 것이 바람직하다. 이때 신뢰수준의 차이에 따라서 가중치 레벨이 높게 설정될 수도 있고 낮게 설정될 수도 있다.

이와 같이 추천 시 사용되는 파라미터들을 개인별로 다르게 설정하는 상세한방법은 별도의 도면을 참조하여 후에 설명하기로 한다.

개인 별로 설정된 추천 파라미터들은 별도의 저장부에 저장되어 유지된다(단계 102).

이후 시스템은 사용자로부터 추천 요청이 있는지 여부를 모니터링한다(단계 104). 사용자의 추천 요청은 사용자가 직접 요청할 수도 있으며, 미리 설정된 이벤트가 발생할 경우 자동적으로 발생할 수도 있다.

예를 들어, 사용자에게 제공되는 웹페이지에 추천 요청을 위한 인터페이스가 제공되고, 사용자가 해당 인터페이스를 통해 직접 컨텐츠 추천을 요청함으로써 추천 요청이 추천 시스템에 전달될 수 있다.

또 다른 예로, 사용자가 컨텐츠 목록을 조회를 요청할 경우, 컨텐츠 목록 조회에 응답하여 자동적으로 추천 요청이 생성되도록 설정될 수 있으며, 이와 같이 생성된 추천 요청이 추천 시스템에 전달될 수도 있다.

이때, 사용자에게는 일반적인 컨텐츠 목록과 함께 사용자에게 추천 가능한 컨텐츠 목록이 함께 제공될 수 있다.

특정 사용자로부터의 추천 요청이 추천 시스템에 전달될 경우, 추천 시스템 은 해당 사용자에 대해 설정된 개인 파라미터를 로드한다(단계 106).

추천 시스템은 로드된 개인 파라미터를 이용하여 컨텐츠에 대한 평가를 예측한다(단계 108).

단계 108에서 예측된 평가 정보를 기초로 하여, 높은 평가 정보를 가진 컨텐츠를 사용자에게 추천한다(단계 110).

도 2는 본 발명의 일 실시예에 따른 개인화된 파라미터를 이용한 컨텐츠 추천 시스템의 구성을 도시한 블록도이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 개인화된 파라미터를 이용한 컨텐츠 추천 시스템은 웹서버(200) 및 추천 시스템(202)을 포함하며, 추천 시스템은 평가 정보 저장부(220), 개인 파라미터 설정부(222), 개인 파라미터 저장부(224), 개인 파라미터 적용부(226) 및 추천부(228)를 포함할 수 있다. 한편, 웹서버(200)는 네트워크를 통해 다수의 사용자 클라이언트들(250)과 연결된다.

사용자 클라이언트들(250)은 일반적인 PC, 노트북, 휴대폰, PDA 등과 같이 네트워크를 통해 통신 가능하고 어플리케이션의 실행이 가능한 다양한 종류의 디지털 데이터 처리 장치를 모두 포함할 수 있다.

사용자 클라이언트들(250)은 웹서버(200)가 제공하는 웹페이지를 통해 정보의 요청 및 수신을 수행할 수도 있으며, 별도의 전용 프로그램을 통해 웹서버와 네트워크를 통한 통신을 수행할 수도 있다.

네트워크는 인터넷망, 사설망과 같은 유선 네트워크는 물론 이동통신망 및 무선 인터넷, 센서 네트워크와 같은 무선 네트워크를 모두 포함할 수 있다.

웹서버(200)는 네트워크를 통해 사용자 클라이언트들(250)과 통신하며 사용자의 요청 정보를 수신하고 이에 대한 응답 정보를 생성하여 사용자 클라이언트들(250)에 제공하는 기능을 한다.

웹서버(200)는 사용자가 추천 요청과 같은 다양한 요청을 수행할 수 있는 웹페이지를 생성하여 사용자 클라이언트들(250)에 제공하며, 요청한 정보에 대한 응답 정보를 포함하는 웹페이지를 생성하여 사용자 클라이언트들(250)에 제공한다. 네트워크가 인터넷망일 경우 일반적인 TCP/IP 프로토콜에 의해 통신을 수행할 수 있다.

웹서버(200)는 추천 시스템(202)과 결합되며, 전용망을 통해 결합될 수도 있으며, 인터넷망과 같은 공중망을 통해 결합될 수도 있다.

웹서버(200)는 사용자 클라이언트(250)로부터 추천 요청 정보가 수신될 경우, 추천 요청 정보를 추천 시스템(202)에 전달하며, 추천 시스템(202)으로부터 추천 결과 데이터를 수신한다. 웹서버(200)는 미리 설정된 이벤트가 발생할 경우 사용자의 요청과는 무관하게 추천 요청 정보를 생성하여 추천 시스템(202)에 전달할 수도 있다.

도 2에는 웹서버(200)를 경유하여 추천 요청 및 추천 결과 데이터가 사용자 클라이언트(250) 및 추천 시스템(202) 사이에 송수신되는 경우가 도시되어 있으나, 사용자 클라이언트(250)와 추천 시스템(202)이 직접 통신할 수도 있다는 점은 당업자에게 있어 자명할 것이다.

웹서버가 추천 시스템에 제공하는 추천 요청 정보(또는 사용자 클라이언트로 부터 직접 전송되는 추천 요천 정보)에는 사용자를 식별할 수 있는 사용자 식별 정보(예를 들어, 사용자 아이디)가 포함된다.

추천 시스템(202)은 웹서버(또는 사용자 클라이언트)로부터 추천 요청 정보를 수신할 경우, 추천 결과 데이터를 생성하여 웹서버(또는 사용자 클라이언트)에 제공한다. 추천 시스템(202)은 추천 요청 정보에 포함된 사용자 식별 정보를 이용하여 사용자를 식별하고 요청한 사용자에 상응하는 개인 파라미터를 이용하여 추천 결과 데이터를 생성한다.

추천 시스템의 평가 정보 저장부(220)에는 사용자들이 서비스되는 컨텐츠에 대해 평가한 평점 정보가 저장된다. 평가 정보 저장부(220)에 저장된 정보는 개인 파라미터를 설정하는데 사용된다.

도 3은 본 발명의 일 실시예에 따른 평가 정보 저장부에서 사용자들의 평점 정보를 저장하는 필드 구성의 일례를 도시한 도면이다.

도 3을 참조하면, 평가 정보 저장부(250)는 사용자 필드(300) 및 컨텐츠 필드(302)를 포함하며, 각 사용자가 각 컨텐츠에 대해 평가한 평가 정보가 저장된다.

여기서, 컨텐츠는 다양한 객체를 포함할 수 있다. 예를 들어, 컨텐츠는 전자 상거래 사이트를 통해 판매되는 다양한 상품들일 수 있다. 또한, 컨텐츠는 멀티미디어 사이트를 통해 제공되는 다양한 멀티미디어 데이터(예를 들어, 영화 또는 드라마)일 수도 있다.

개인 파라미터 설정부(222)는 평가 정보 저장부(220)에 저장된 데이터를 이용하여 각 개인별로 적합한 파라미터를 설정한다. 전술한 바와 같이, 개인화되는 파라미터는 준거 그룹 사이즈, 유사도 연산 방식, 컨텐츠 유효 기간, 유사도 가중치 레벨 및 신뢰수준 가중치 레벨을 포함할 수 있으나 이에 한정되는 것은 아니다.

개인 파라미터 설정부(222)는 개인 파라미터 설정 시 사용자가 이미 평가한 평가 정보를 이용하여 어떠한 파라미터값이 적절한지 여부를 판단한다. 예를 들어, 도 3에서, 사용자 A는 컨텐츠1에 대해 3이라는 평점을 부여하였다. 이때, 개인 파라미터 설정부(222)는 파라미터값을 변경시키면서 파라미터 값을 어떻게 설정하였을 때 평점 예측치가 사용자가 이미 평점을 부여한 3에 가장 근접하는지를 통해 개인 파라미터를 설정한다. 개인 파라미터 설정부(222)의 보다 상세한 구성 및 동작 구조는 별도의 도면을 참조하여 후에 설명한다.

평가 정보 저장부(220)의 데이터는 계속적으로 업데이트되므로 개인 파라미터 설정부(222) 역시 미리 설정된 시간 간격 혹은 필요에 따라서 개인 파라미터를 변경하는 것이 바람직하다.

개인 파라미터 저장부(224)는 개인 파라미터 설정부에 의해 사용자 개인별로 설정된 개인 파라미터를 저장하는 기능을 한다.

도 4는 본 발명의 일 실시예에 따른 개인 파라미터 저장부의 필드 구성을 도시한 도면이다.

도 4를 참조하면, 개인 파라미터 저장부(224)는 사용자별로 준거 그룹 사이즈 정보, 유사도 연산 방식 정보, 컨텐츠 평가 유효 기간 정보, 유사도 가중치 레벨 및 신뢰 수준 가중치 레벨 정보를 저장하고 있다.

개인 파라미터 적용부(226)는 웹서버(또는 사용자 클라이언트)로부터 추천 요청 정보가 전달될 경우, 해당 추천 요청 정보에 포함된 사용자 식별 정보를 추출하여 사용자를 식별하고, 식별된 사용자에 상응하는 개인 파라미터를 개인 파라미터 저장부(224)로부터 로드하여 추천부(228)에 제공한다.

추천부(228)는 개인 파라미터 적용부(226)에서 제공하는 개인 파라미터를 이용하여 추천을 요청한 사용자에 대한 컨텐츠 추천을 수행한다. 추천부(228)는 개인 파라미터를 이용하여 다양한 컨텐츠에 대한 평점을 예측하고, 이중 높은 평점이 예측되는 컨텐츠를 추출하여 추천 결과 데이터를 생성한다.

추천 결과 데이터는 웹서버(200)를 경유하거나 사용자 클라이언트(250)로 직접 전송된다.

본 발명의 바람직한 실시예에 따르면, 추천부(228)는 각 사용자별로 개인화된 개인 파라미터와 시스템에 고정되어 있는 시스템 파라미터를 함께 이용하여 컨텐츠에 대한 평점을 예측하고 추천을 수행할 수 있으며, 이와 달리 개인 파라미터만을 이용하여 평점을 예측하고 추천을 수행할 수도 있다.

도 5는 본 발명의 일 실시예에 따른 개인 파라미터 설정부의 상세 구성을 도시한 블록도이다.

도 5를 참조하면, 개인 파라미터 설정부는 다양한 파라미터들에 대한 파라미터 설정부들(500, 502, 504)을 포함하며, 각 파라미터 설정부는 제N 파라미터 평점 예측부(530), 컨텐츠별 최적값 기록부(532) 및 제N 파라미터 결정부(534)를 포함할 수 있다.

도 5에서, 각 파라미터 설정부들(500, 502, 504)은 독립적으로 개인 파라미 터를 설정한다. 예를 들어, 제1 파라미터는 준거 그룹 사이즈일 수 있으며, 제2 파라미터는 유사도 연산 방식일 수 있으며, 준거 그룹 사이즈 파라미터 설정부(500) 및 유사도 연산 방식 파라미터 설정부(502)는 각각 독립적으로 개인화된 파라미터를 설정한다.

파라미터 평점 예측부(530)는 해당 파라미터를 변경시키면서 사용자가 이미 평가한 컨텐츠에 대한 평점을 예측한다. 예를 들어, 해당 파라미터가 준거 그룹 사이즈일 경우, 파라미터 평점 예측부(530)는 준거 그룹의 사이즈(즉, 준거 그룹에 포함되는 선호도가 유사한 사용자의 수)를 변경시키면서 사용자가 이미 평가한 컨텐츠에 대한 평점을 예측한다.

평점 예측 시 다른 파라미터들도 사용이 되는데, 다른 파라미터들은 초기에는 시스템에 고정되어 있는 시스템 파라미터를 이용할 수도 있으며, 이전에 설정된 개인 파라미터값이 있을 경우 다른 파라미터들은 이전에 설정된 개인 파라미터값을 적용하여 평점 예측을 수행할 수도 있다.

파라미터 평점 예측부(530)에서 파라미터를 변경시키면서 평점을 예측할 경우 다양한 예측값들이 출력되며, 컨텐츠별 최적값 기록부(532)는 다양한 예측값들 중 사용자가 이미 평가한 평점에 가장 근사한 예측값에 상응하는 파라미터를 기록한다.

사용자가 복수의 컨텐츠에 대해 평점을 부여하였을 경우, 파라미터 평가 예측부에서 1차적으로 예측한 컨텐츠 이외의 다른 컨텐츠에 대해서도 동일한 예측 과정이 수행되며, 이중 사용자가 부여한 평점과 가장 유사한 예측값에 상응하는 파라 미터값이 컨텐츠별 최적값 기록부(532)에 기록된다.

즉, 파라미터 평점 예측부(530)는 사용자가 평점을 부여한 다양한 컨텐츠의 전부 또는 일부에 대해 해당 파라미터를 변경시키면서 예측값을 출력하며, 컨텐츠별 최적값 기록부는 예측값과 사용자가 부여한 평점이 가장 근접한 파라미터값들을 컨텐츠별로 기록하는 것이다.

파라미터 결정부(534)는 컨텐츠별 최적값 기록부(532)에 기록된 최적값들을 이용하여 개인화된 최적 파라미터를 결정한다. 컨텐츠별 최적값이 준거 그룹 사이즈 및 컨텐츠 유효 기간과 같은 수치일 경우, 파라미터 결정부(534)는 수치의 평균값 또는 가장 많이 기록된 수치를 개인화된 최적 파라미터값으로 결정할 수 있다. 컨텐츠별 최적값이 유사도 연산 방식과 같이 특정 방식인 경우 가장 많이 기록된 방식을 최적 파라미터값으로 결정할 수 있다.

도 6은 본 발명의 일 실시예에 따른 각각의 파라미터 설정부에서 최적 파라미터를 설정하는 과정을 도시한 순서도이다.

도 3에 도시된 표 및 도 6에 도시된 순서도를 참조하여 각각의 개인 파라미터를 설정하는 과정을 상세히 살펴보면 다음과 같다.

도 3에서, 사용자 D의 개인 파라미터 중 준거 그룹의 사이즈를 설정하는 과정을 예로 하여 도 6의 순서도를 설명한다.

사용자 D는 컨텐츠1 내지 컨텐츠5의 5개의 컨텐츠에 대해 평점을 부여하였다.

도 6에서, n=1로 설정되며 여기서 n은 컨텐츠 번호이다. 우선, 사용자 D가 미리 평가한 컨텐츠들 중 컨텐츠1에 대해 파라미터값(준거 그룹 사이즈)를 변화시키면서 컨텐츠1에 대한 평점을 예측한다(단계 600).

평점을 예측하는 과정은 다음과 같은 방식으로 이루어질 수 있다.

(1) 다른 사용자들과의 유사도 연산(사용자 D가 특정 컨텐츠에 부여한 평점과 다른 사용자들이 부여한 평점을 이용하여 유사도가 연산됨, 전술한 바와 같이, 상관도(Correlation) 방법, 평균 제곱 에러(Mean Squared Error) 연산 방식, 벡터 기반 거리(Vetor-based Distance) 연산 방식, 베이지안 확률(Bayesian Probability) 연산 방식 등을 이용하여 유사도를 연산할 수 있음).

(2) 연산된 유사도를 이용하여 준거 그룹 사이즈에 상응하는 준거 그룹 설정(준거 그룹 사이즈가 10인 경우 10명의 유사도가 높은 다른 사용자들이 준거 그룹으로 설정됨).

(3) 준거 그룹에 포함된 사용자들이 대상 컨텐츠에 대해 부여한 평점을 가중치를 적용하여 합산(여기서, 가중치는 연산된 유사도와 신뢰수준에 기반함)

(4) 가중치를 적용하여 합산한 결과에 대한 평균을 연산하여 대상 컨텐츠에 대한 평점 예측

상술한 평점 예측 과정은 일 실시예이며, 다른 다양한 평점 예측 방식이 사용될 수도 있다는 점은 당업자에게 있어 자명할 것이다. 또한, 평점 예측 과정에서 준거 그룹 사용자들의 평점 정보를 정규화하고 평균값에 의해 평점을 연산한 후 이를 역정규화하는 과정이 추가적으로 수행될 수 있다는 점 역시 당업자에게 있어 자명할 것이다. 정규화 및 역정규화는 사용자마다 평점을 주는 경향(예를 들어, 어떤 사용자는 주로 높은 평점을 부여하고 어떤 사용자는 주로 낮은 평점을 부여함)이 다르므로 이를 평점 예측에 반영하기 위해서 수행하며, 이는 기존의 추천 시스템에서 일반적으로 사용하는 방식이므로 상세한 설명은 생략한다.

컨텐츠 1에 대한 평점 예측 과정을 파라미터값(준거 그룹 사이즈)를 변경시켜가면서 반복적으로 수행한다. 예를 들어, 설정 가능한 준거 그룹 사이즈가 {10, 15, 20, 25, 30}일 경우, 준거 그룹 사이즈를 이와 같이 변경 시키면서 5개의 예측값을 출력한다.

복수의 예측값이 단계 600을 통해 출력되면, 예측값 중 사용자가 미리 평가한 평점과 가장 유사한 예측값에 상응하는 파라미터값을 최적값으로 결정한다(단계 602).

도 4에서, 사용자 D는 컨텐츠1에 대해 3점을 부여하였으며, 3점에 가장 가까운 예측값을 출력하도록 하는 파라미터값을 최적값으로 결정할 수 있다. 예를 들어, 준거 그룹 사이즈가 20일 때 3에 가장 가까운 예측값이 출력될 경우, 준거 그룹 사이즈 20이 최적값으로 설정된다.

이와 같은 컨텐츠1에 대해 설정된 최적값은 컨텐츠별 최적값 기록부(532)에 저장된다(단계 604).

상술한 단계 600 내지 단계 604는 사용자 D가 평점을 부여한 컨텐츠2에 대해서도 동일하게 수행되며, 컨텐츠 2에 대한 최적값 역시 컨텐츠별 최적값 기록부에 저장된다.

이와 같은 컨텐츠별 평점 예측에 의한 최적값 설정 작업은 n이 한계치에 도 달할 때까지 계속적으로 수행된다. 여기서 한계치는 사용자가 평점을 부여한 컨텐츠의 개수일 수도 있으며, 물론 이와 다르게 설정될 수도 있다.

사용자가 평점을 부여한 각 컨텐츠별로 단계 600 내지 단계 604를 통해 최적값이 결정되면, 저장된 복수의 컨텐츠별 최적값을 이용하여 최종적인 파라미터 최적값을 결정한다(단계 608).

예를 들어, 5개의 컨텐츠에 대해 최적 준거 그룹 사이즈가 각각 20, 15, 20, 15, 20으로 설정된 경우, 이들의 평균값을 최종적인 최적 준거 그룹 사이즈로 결정할 수 있다. 물론, 가장 많은 빈도수를 가지고 있는 20을 최종적인 최적 준거 그룹 사이즈로 결정할 수도 있을 것이며, 이는 작업자가 컨텐츠의 종류에 따라 선택적으로 결정할 수 있을 것이다.

전술한 바와 같이, 도 6에 도시된 각각의 파라미터 설정부에서 최적 파라미터를 설정하는 과정은 파라미터별로 독립적으로 이루어진다. 즉, 준거 그룹 사이즈, 유사도 연산 방식, 컨텐츠 유효 기간, 유사도 가중치 레벨 및 신뢰수준 가중치 레벨에 대한 최적값 설정 과정은 독립적으로 이루어지는 것이다.

따라서, 독립적으로 설정된 최적 파라미터들이 함께 적용될 때 가장 정확한 예측이 이루어지는지에 대해서는 확신할 수 없다. 이를 위해, 개인 파라미터 설정부에는 조정부(550)가 구비된다.

조정부(550)는 각 파라미터 설정부에서 설정한 최적 파라미터를 함께 적용하여 예측한 평점이 사용자가 실제 부여한 평점과 차이가 있을 경우, 사용자가 실제 부여한 평점과 근접하도록 각 파라미터 설정부에서 설정한 최적 파라미터들을 미세 하게 조정한다.

조정부(550)는 각각의 파라미터들을 미세하게 조정하면서 반복적인 평가 예측 연산을 수행하며 사용자가 실제 부여한 평점과 가장 근접한 예측치가 산출되도록 하는 파라미터값들을 최적 파라미터로 다시 조정한다.

예를 들어, "준거 그룹 사이즈는 20, 유사도 연산 방식은 상관도 방식, 컨텐츠 유효 기간은 1년, 유사도 가중치 레벨=(높게 설정), 신뢰수준 가중치 레벨=(중간으로 설정)"으로 최적 파라미터가 각 파라미터 설정부에서 설정되었을 때, 조정부(550)는 준거 그룹 사이즈를 25로 조정하거나 컨텐츠 유효 기간을 14개월로 조정하는 것과 같이 각 최적 파라미터를 미세하게 조정하면서 최종적인 조정 과정을 수행한다.

도 7은 본 발명의 일 실시예에 따른 추천 시스템의 추천부의 구성을 도시한 블록도이다.

도 7을 참조하면, 본 발명의 일 실시예에 따른 추천부는 제1 예측부(700), 제2 예측부(702), 최종 예측부(704) 및 컨텐츠 추천부(706)를 포함할 수 있다.

제1 예측부(700)는 개인 파라미터를 적용하여 컨텐츠에 대한 평점을 예측하며, 제2 예측부(702)는 시스템에 고정되어 있는 시스템 파라미터를 적용하여 컨텐츠에 대한 평점을 예측한다.

최종 예측부(704)는 제1 예측부(700) 및 제2 예측부(700)에서 예측되는 평점을 조합하여 최종적인 평점 예측을 수행한다. 예를 들어, 제1 예측부(700)에서 예측되는 평점이 P1이고, 제2 예측부(700)에서 예측되는 평점이 P2일 경우 최종 예측 부(704)는 제1 예측부(700)의 평점 P1 및 제2 예측부(702)의 평점 P2에 대해 미리 설정된 가중치를 부여한 후 평균을 연산함으로써 최종적인 평점 예측을 수행한다.

최종 예측부(704)의 평점 예측(P)은 다음의 수학식 1과 같이 연산될 수 있다.

위 수학식 1에서, a와 b는 가중치로서 a+b=1로 설정될 수 있다. 여기서 a와 b는 개인 파라미터 설정에서 사용된 것과 유사한 방법으로 값을 변경시켜가면서 예측 평점을 가장 정확하게 하는 값을 찾아서 사용할 수 있다. 이 값은 개인별로 설정할 수도 있고 시스템 전체적으로 하나의 값을 설정해서 사용할 수도 있다.

컨텐츠 추천부(706))는 최종 예측부(704)에서 예측되는 각 컨텐츠의 평점 정보를 이용하여 높은 평점이 예측되는 컨텐츠를 추천하는 추천 결과 데이터를 생성한다.

한편, 상술한 바와 같은 본 발명의 방법은 프로그램으로 구현되어 컴퓨터로 읽을 수 있는 기록매체(씨디롬, 서버, 램, 롬, 플로피 디스크, 하드디스크, 광자기디스크 등)에 저장될 수 있다.

상기에서는 본 발명의 바람직한 일 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.

도 1은 본 발명의 일 실시예에 따른 개인화된 파라미터를 이용한 컨텐츠 추천 방법의 개략적인 흐름을 도시한 순서도.

도 2는 본 발명의 일 실시예에 따른 개인화된 파라미터를 이용한 컨텐츠 추천 시스템의 구성을 도시한 블록도.

도 3은 본 발명의 일 실시예에 따른 평가 정보 저장부에서 사용자들의 평점 정보를 저장하는 필드 구성의 일례를 도시한 도면.

도 4는 본 발명의 일 실시예에 따른 개인 파라미터 저장부의 필드 구성을 도시한 도면.

도 5는 본 발명의 일 실시예에 따른 개인 파라미터 설정부의 상세 구성을 도시한 블록도.

도 6은 본 발명의 일 실시예에 따른 각각의 파라미터 설정부에서 최적 파라미터를 설정하는 과정을 도시한 순서도.

도 7은 본 발명의 일 실시예에 따른 추천 시스템의 추천부의 구성을 도시한 블록도.

Claims (22)

1. 사용자의 클라이언트들과 네트워크를 통해 통신 가능하게 연결되며 개인화된 파라미터를 이용하여 컨텐츠를 추천하기 위해 컨텐츠 추천 시스템에서 수행되는 방법으로서,

   추천 시 사용되는 적어도 하나의 파라미터에 대해 사용자별로 개인화된 개인 파라미터를 설정하여 유지하는 단계(a);

   추천 요청이 있을 경우, 추천을 요청한 사용자의 개인 파라미터를 로드하는 단계(b);

   상기 로드된 해당 사용자의 개인 파라미터를 이용하여 컨텐츠들의 평점을 예측하고, 예측된 평점 정보를 이용하여 추천을 수행하는 단계(c)를 포함하되,

   상기 개인화된 개인 파라미터는 적어도 준거 그룹 사이즈, 유사도 연산 방식, 컨텐츠 평가 유효 기간, 유사도 가중치 레벨 및 신뢰수준 가중치 레벨로 이루어지는 그룹으로부터 선택된 어느 하나 또는 이들의 조합을 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
2. 삭제
3. 제1항에 있어서,

   상기 단계(a)에서 설정되는 개인 파라미터는 사용자들이 부여한 컨텐츠들의 평점 정보에 기초하여 설정되며, 미리 설정된 시간 간격 또는 미리 설정된 이벤트 발생에 따라 업데이트되는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
4. 제1항에 있어서,

   상기 단계(a)는,

   해당 사용자가 미리 평점을 부여한 컨텐츠에 대해 개인화할 제1 파라미터를 변경시키면서 평점을 예측하는 단계(a1);

   상기 단계(a1)에서 예측된 평점 중 상기 해당 사용자가 미리 부여한 평점과 가장 근접한 평점에 상응하는 파라미터값을 컨텐츠별 최적값으로 설정하는 단계(a2); 및

   상기 설정된 최적값을 기록하는 단계(a3)를 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
5. 제4항에 있어서,

   상기 단계(a)는,

   상기 해당 사용자가 미리 평점을 부여한 다른 컨텐츠들에 대해서도 상기 단계 (a1) 내지 (a3)를 반복하는 단계(a4)를 더 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
6. 제5항에 있어서,

   상기 단계(a)는,

   상기 단계(a4)에 의해 기록되는 컨텐츠별 최적값들을 이용하여 최적 제1 파 라미터값을 결정하는 단계(a5)를 더 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
7. 제6항에 있어서,

   상기 단계 (a1) 내지 (a5)를 개인화되는 다른 파라미터들인 제N 파라미터들(N은 1이 아님)에 대해서도 독립적으로 수행하여 제N 최적 파라미터값들을 설정하는 단계(a6)를 더 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
8. 제5항에 있어서,

   상기 단계(a1)에서 변경시키면서 평점을 예측하는 제1 파라미터외의 다른 파라미터들은 시스템에 고정된 파라미터값 또는 이전에 설정된 개인 파라미터값으로 설정하여 평점을 예측하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
9. 제7항에 있어서,

   상기 단계(a1) 내지 (a6)를 통해 설정된 N개의 최적 파라미터값들을 함께 적용하여 사용자가 미리 평점을 부여한 컨텐츠들에 대한 평점을 예측하고, 미리 부여한 평점과 예측값이 근접하도록 상기 설정된 N개의 최적 파라미터값들을 미세하게 조정하는 단계(a7)를 더 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 방법.
10. 삭제
11. 삭제
12. 제1항 및 제3항 내지 제9항 중 어느 한 항의 방법을 수행하기 위한 명령어들의 조합이 유형적으로 구현되어 있으며 디지털 정보 처리 장치에 의해 판독 가능한 프로그램이 기록된 기록 매체.
13. 사용자 클라이언트들과 네트워크를 통해 연결되어 있으며, 사용자 클라이언트로부터 추천 요청 정보를 수신하거나 미리 설정된 이벤트가 발생할 경우 추천 요청 정보를 생성하는 웹서버; 및

    추천 시 사용되는 적어도 하나의 파라미터에 대해 사용자별로 개인화된 개인 파라미터를 설정하여 유지하고 있으며, 상기 웹서버 또는 상기 사용자 클라이언트들로부터 추천 요청 정보를 수신할 경우 추천을 요청한 사용자의 개인 파라미터를 로드하고, 로드된 파라미터에 기초하여 추천 결과 데이터를 제공하는 추천 시스템을 포함하되,

    상기 사용자별로 개인화되는 개인 파라미터는 적어도 준거 그룹 사이즈, 유사도 연산 방식, 컨텐츠 평가 유효 기간, 유사도 가중치 레벨 및 신뢰수준 가중치 레벨로 이루어지는 그룹으로부터 선택된 어느 하나 또는 이들의 조합을 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템.
14. 제13항에 있어서,

    상기 추천 시스템은,

    사용자들의 컨텐츠들에 대한 평가 정보를 저장하는 평가 정보 저장부;

    상기 평가 정보 저장부에 저장된 데이터에 기초하여 사용자들의 개인 파라미터를 설정하는 개인 파라미터 설정부;

    상기 개인 파라미터 설정부에 의해 설정된 사용자별 개인 파라미터를 저장하는 개인 파라미터 저장부;

    상기 추천 요청 정보에 포함된 사용자 식별 정보를 이용하여 추천을 요청한 사용자의 개인 파라미터를 상기 개인 파라미터 저장부로부터 로드하는 개인 파라미터 적용부; 및

    상기 개인 파라미터 적용부에서 제공되는 개인 파라미터에 기초하여 추천을 요청한 사용자의 컨텐츠들의 평점을 예측하고 추천 결과 데이터를 생성하는 추천부를 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템.
15. 삭제
16. 제14항에 있어서,

    상기 개인 파라미터 설정부는,

    개인화되는 파라미터들에 대해 독립적으로 최적 파라미터값을 설정하는 복수의 파라미터 설정부들을 포함하며,

    상기 복수의 파라미터 설정부들 각각은,

    사용자가 미리 평점을 부여한 컨텐츠에 대해 해당 파라미터를 변경시키면서 평점을 예측하며, 사용자가 미리 부여한 평점에 상응하는 파라미터값을 컨텐츠별 최적값으로 설정하는 평점 예측부;

    상기 평점 예측부의 컨텐츠별 최적값 설정이 사용자가 평점을 부여한 복수의 컨텐츠들에 이루어질 경우 복수의 상기 컨텐츠별 최척값들을 기록하는 컨텐츠별 최적값 기록부; 및

    상기 컨텐츠별 최적값들을 이용하여 최적 파라미터값을 결정하는 파라미터 결정부를 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템.
17. 제16항에 있어서,

    상기 각 파라미터 설정부들에서 설정되는 최적 파라미터값을 함께 적용하여 사용자가 미리 평점을 부여한 컨텐츠들에 대한 평점을 예측하고, 미리 부여한 평점과 예측값이 근접하도록 상기 설정된 최적 파라미터값들을 미세하게 조정하는 조정부를 더 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템.
18. 제16항에 있어서,

    상기 평점 예측부에서 평점 예측 시 해당 파라미터 이외의 파라미터는 시스템에 고정된 파라미터값 또는 이전에 설정된 개인 파라미터값을 이용하여 평점을 예측하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템.
19. 제18항에 있어서,

    상기 추천부는 상기 개인 파라미터를 이용하여 컨텐츠들에 대한 평점을 예측하는 제1 예측부;

    시스템에 고정된 시스템 파라미터를 이용하여 컨텐츠들에 대한 평점을 예측하는 제2 예측부;

    상기 제1 예측부 및 제2 예측부의 예측값에 미리 설정된 가중치를 부여하여 최종적인 평점을 예측하는 최종 예측부; 및

    상기 최종 예측부의 컨텐츠들에 대한 평점 예측값을 이용하여 추천 결과 데이터를 생성하는 컨텐츠 추천부를 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템.
20. 제19항에 있어서,

    상기 최종 예측부에서 상기 제1 예측부의 예측값 및 상기 제2 예측부의 예측값에 부여되는 가중치는 상기 개인 파라미터 설정부에 의해 개인화되는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 시스템.
21. 컨텐츠 추천 장치에 있어서,

    사용자들의 컨텐츠들에 대한 평가 정보를 저장하는 평가 정보 저장부;

    상기 평가 정보 저장부에 저장된 데이터에 기초하여 사용자들의 개인 파라미터를 설정하는 개인 파라미터 설정부;

    상기 개인 파라미터 설정부에 의해 설정된 사용자별 개인 파라미터를 저장하는 개인 파라미터 저장부;

    상기 추천 요청 정보에 포함된 사용자 식별 정보를 이용하여 추천을 요청한 사용자의 개인 파라미터를 상기 개인 파라미터 저장부로부터 로드하는 개인 파라미터 적용부; 및

    상기 개인 파라미터 적용부에서 제공되는 개인 파라미터에 기초하여 추천을 요청한 사용자의 컨텐츠들의 평점을 예측하고 추천 결과 데이터를 생성하는 추천부를 포함하되,

    상기 개인 파라미터 설정부는,

    개인화되는 파라미터들에 대해 독립적으로 최적 파라미터값을 설정하는 복수의 파라미터 설정부들을 포함하며,

    상기 복수의 파라미터 설정부들 각각은,

    사용자가 미리 평점을 부여한 컨텐츠에 대해 해당 파라미터를 변경시키면서 평점을 예측하며, 사용자가 미리 부여한 평점에 상응하는 파라미터값을 컨텐츠별 최적값으로 설정하는 평점 예측부;

    상기 평점 예측부의 컨텐츠별 최적값 설정이 사용자가 평점을 부여한 복수의 컨텐츠들에 이루어질 경우 복수의 상기 컨텐츠별 최척값들을 기록하는 컨텐츠별 최적값 기록부; 및

    상기 컨텐츠별 최적값들을 이용하여 최적 파라미터값을 결정하는 파라미터 결정부를 포함하는 것을 특징으로 하는 개인화된 파라미터를 이용한 컨텐츠 추천 장치.
22. 삭제

Images