1 |
1
전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 제1 연산부;상기 전문가 그룹과 소셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 제2 연산부;EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 추천 계산부; 및상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 추천부를 포함하는 전문가 추천 장치
|
2 |
2
제1항에 있어서,상기 추천 계산부는,상기 제1 유사도와 상기 제2 유사도를 모두 획득하는 경우,상기 제1 유사도와 상기 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 상기 추천 점수를 계산하는전문가 추천 장치
|
3 |
3
제1항에 있어서,상기 추천 계산부는,상기 제1 유사도와 상기 제2 유사도를 모두 획득하지 않는 경우,상기 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하고, 상기 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하며, 상기 전문가 평균값과 상기 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 상기 추천 점수를 계산하는전문가 추천 장치
|
4 |
4
제1항에 있어서,상기 추천 계산부는,상기 제1 유사도와 상기 제2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 상기 추천 점수로서 계산하는전문가 추천 장치
|
5 |
5
제1항에 있어서,상기 제1 연산부는,전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 상기 전문가 단말 간의 내용기반 유사도값을 산출하고, 임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출하며, 상기 내용기반 유사도값과 상기 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하여 상기 제1 유사도를 연산하는전문가 추천 장치
|
6 |
6
제5항에 있어서,상기 제1 연산부는,속성별 가중치와 복수 전문가 단말 사이의 임의 속성에 대한 유사도값을 곱하고 합산하여 상기 내용기반 유사도값을 산출하는전문가 추천 장치
|
7 |
7
제5항에 있어서,상기 제1 연산부는,상기 임의 사용자 단말이 상기 전문가 단말에 부여한 평가점수를 평균한 값을 분산 값으로 나누어 상기 협업기반 유사도값을 산출하는전문가 추천 장치
|
8 |
8
제1항에 있어서,상기 제2 연산부는,사용자 유사도값을 산출하고, 직접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 상기 제2 유사도로서 연산하는전문가 추천 장치
|
9 |
9
제8항에 있어서,상기 제2 연산부는,상기 사용자 유사도값의 외적값을 내적값으로 나누고, 상기 사용자 단말 사이의 피어슨 상관 계수를 곱하여 상기 사용자 유사도값을 산출하는전문가 추천 장치
|
10 |
10
제1항에 있어서,상기 추천부는,상기 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 상기 추천 점수를 갱신하고, 상기 갱신된 추천 점수에 의해 부여된 랭킹 순으로 상기 전문가 단말을 추천하는전문가 추천 장치
|
11 |
11
전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 단계;상기 전문가 그룹과 소셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 단계;EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 단계; 및상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 단계를 포함하는 전문가 추천 방법
|
12 |
12
제11항에 있어서,상기 추천 점수를 계산하는 단계는,상기 제1 유사도와 상기 제2 유사도를 모두 획득하는 경우,상기 제1 유사도와 상기 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하는 수식 1을 통해 상기 추천 점수를 계산하는 단계를 포함하고,상기 수식 1은, 'λ*제2 유사도 + (1-λ)*제1 유사도'를 만족하고,상기 서로 대칭되는 제1 반영치 λ와 1-λ는, 합산하면 1이 되는 변수인전문가 추천 방법
|
13 |
13
제11항에 있어서,상기 추천 점수를 계산하는 단계는,상기 제1 유사도와 상기 제2 유사도를 모두 획득하지 않는 경우,상기 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하는 단계;상기 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하는 단계; 및상기 전문가 평균값과 상기 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하는 수식 2을 통해 상기 추천 점수를 계산하는 단계를 포함하고,상기 수식 2는, 'λ*사용자 평균값 + (1-λ)*전문가 평균값'를 만족하고,상기 서로 대칭되는 제1 반영치 λ와 1-λ는, 합산하면 1이 되는 변수인전문가 추천 방법
|
14 |
14
제11항에 있어서,상기 추천 점수를 계산하는 단계는,상기 제1 유사도 및 제2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 상기 추천 점수로서 계산하는 단계를 포함하는 전문가 추천 방법
|
15 |
15
제11항에 있어서,상기 제1 유사도를 연산하는 단계는,전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 상기 전문가 단말 간의 내용기반 유사도값을 산출하는 단계;임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출하는 단계; 및상기 내용기반 유사도값과 상기 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하는 수식 3을 통해 상기 제1 유사도를 연산하는 단계를 포함하고,상기 수식 3은, 'β*내용기반 유사도값 + (1-β)*협업기반 유사도값'를 만족하고,상기 서로 대칭되는 제2 반영치 β와 1-β는, 합산하면 1이 되는 변수인전문가 추천 방법
|
16 |
16
제15항에 있어서,상기 내용기반 유사도값을 산출하는 단계는, 를 만족하여 상기 내용기반 유사도값을 산출하는 단계- 상기 는 속성별 가중치를 의미하고, 상기 는 복수 전문가 단말 사이의 임의 속성(An)에 대한 유사도값 의미함 -를 포함하는 전문가 추천 방법
|
17 |
17
제15항에 있어서,상기 협업기반 유사도값을 산출하는 단계는, 를 만족하여 상기 협업기반 유사도값을 산출하는 단계- 상기 와 는 상기 임의 사용자 단말이 상기 전문가 단말에 부여한 평가점수를 의미하고, 및 은 상기 전문가 단말에 대한 사용자 단말의 평균 평가점수를 의미함 -를 포함하는 전문가 추천 방법
|
18 |
18
제11항에 있어서,상기 제2 유사도를 연산하는 단계는,사용자 유사도값을 산출하는 단계; 및직접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 상기 제2 유사도로서 연산하는 단계를 포함하는 전문가 추천 방법
|
19 |
19
제18항에 있어서,상기 사용자 유사도값을 산출하는 단계는, 를 만족하여 상기 사용자 유사도값을 산출하는 단계- 상기 sim(a,u)는 상기 사용자 단말 사이의 피어슨 상관 계수를 의미함 -를 포함하는 전문가 추천 방법
|
20 |
20
제11항에 있어서,상기 전문가 단말을 추천하는 단계는,상기 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 상기 추천 점수를 갱신하고, 상기 갱신된 추천 점수에 의해 부여된 랭킹 순으로 상기 전문가 단말을 추천하는 단계를 포함하는 전문가 추천 방법
|