1 |
1
복수의 제1 컨텐츠 및 복수의 제2 컨텐츠를 기초로 학습되는 이종 컨텐츠 추천 모델을 제공하는 장치에 있어서,상기 복수의 제1 컨텐츠의 각각으로부터 제1 특징 벡터를 추출하는 제1 특징 벡터 추출부;상기 복수의 제2 컨텐츠의 각각으로부터 제2 특징 벡터를 추출하는 제2 특징 벡터 추출부; 및 상기 제1 및 제2 특징 벡터가 동일한 특징 공간(feature space) 내에 표현되는 경우, 매핑 관계가 존재하는 두 컨텐츠를 기초로 생성된 두 특징 벡터끼리의 거리는 상기 특징 공간 내에서 가까워지도록 변환하면서, 상기 제1 특징 벡터끼리의 거리 관계 및 상기 제2 특징 벡터끼리의 거리 관계는 유지되도록 상기 제1 및 제2 특징 벡터를 변환하는 기계 학습 모델을 생성하는 모델 학습부를 포함하고,상기 제1 컨텐츠와 상기 제2 컨텐츠는 서로 상이한 종류(modality)의 컨텐츠이고, 상기 복수의 제1 컨텐츠 중 어느 하나와 상기 복수의 제2 컨텐츠 중 어느 하나는 매핑 관계가 존재하고, 상기 기계 학습 모델은,상기 특징 공간 내에서 상기 제1 특징 벡터끼리의 거리의 관계가 유지되면서 상기 제1 특징 벡터와 매핑 관계가 존재하는 상기 제2 특징 벡터와의 거리가 가까워지도록 상기 제1 특징 벡터를 변환하는 학습이 수행되는 제1 신경망; 및상기 특징 공간 내에서 상기 제2 특징 벡터끼리의 거리의 관계가 유지되면서 상기 제2 특징 벡터와 매핑 관계가 존재하는 상기 제1 특징 벡터와의 거리가 가까워지도록 상기 제2 특징 벡터를 변환하는 학습이 수행되는 제2 신경망을 포함하고,상기 모델 학습부는,상기 제1 및 제2 특징 벡터 및 상기 제1 및 제2 신경망을 통해 변환된 제1 및 제2 특징 벡터가 동일한 차원을 갖도록 변환하는 임베딩부를 포함하는이종 컨텐츠 추천 모델 제공 장치
|
2 |
2
제1항에 있어서,상기 제1 및 제2 특징 벡터는 각각 feature aggregation 기법을 통해 상기 제1 및 제2 컨텐츠로부터 추출된이종 컨텐츠 추천 모델 제공 장치
|
3 |
3
제1항에 있어서,상기 모델 학습부는,상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원이 다른 경우, 상기 제1 특징 벡터 및 상기 제2 특징 벡터가 동일한 차원을 갖도록 변환하는 임베딩부를 포함하는이종 컨텐츠 추천 모델 제공 장치
|
4 |
4
삭제
|
5 |
5
제1항에 있어서,상기 모델 학습부는,상기 매핑 관계가 존재하는 두 컨텐츠를 기초로 생성된 두 특징 벡터 간의 제1 거리가, 상기 두 특징 벡터와 다른 특징 벡터 사이의 제2 거리보다 가까워지도록 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 변환하는 기계 학습 모델을 생성하는이종 컨텐츠 추천 모델 제공 장치
|
6 |
6
제1항에 있어서,상기 기계 학습 모델의 network loss 는, (상기 , , , 는 기 지정된 상수, 상기 은 상기 변환된 제1 특징 벡터, 상기 은 상기 변환된 제2 특징 벡터, 인덱스가 동일한 및 는 매핑 관계에 있는 두 컨텐츠로부터 변환된 두 특징 벡터, 는 hinge loss 상수, 이고 이때 는 변환된 특징 벡터이고, 는 변환되기 전 특징 벡터, 상기 i, 상기 j, 상기 k 각각은 상기 λ, 상기 v 또는 상기 m에 대한 인덱스, 상기 T는 행렬이 전치됨을 의미함) 로 설정되는이종 컨텐츠 추천 모델 제공 장치
|
7 |
7
제1항에 있어서,상기 제1 컨텐츠는 음악 컨텐츠이고, 상기 제2 컨텐츠는 영상 컨텐츠인이종 컨텐츠 추천 모델 제공 장치
|
8 |
8
복수의 제1 컨텐츠 및 복수의 제2 컨텐츠를 기초로 학습되는 이종 컨텐츠 추천 모델을 제공하는 방법에 있어서,상기 복수의 제1 컨텐츠의 각각으로부터 제1 특징 벡터를 추출하는 단계;상기 복수의 제2 컨텐츠의 각각으로부터 제2 특징 벡터를 추출하는 단계; 상기 제1 특징 벡터 및 상기 제2 특징 벡터가 동일한 특징 공간(feature space) 내에 표현되도록 변환하는 단계; 및상기 제1 및 제2 특징 벡터가 상기 특징 공간 내에 표현되는 경우, 매핑 관계가 존재하는 두 컨텐츠를 기초로 생성된 두 특징 벡터끼리의 거리는 상기 특징 공간 내에서 가까워지도록 변환하면서, 상기 제1 특징 벡터끼리의 거리 관계 및 상기 제2 특징 벡터끼리의 거리 관계는 유지되도록 상기 제1 및 제2 특징 벡터를 변환하는 기계 학습 모델을 생성하는 단계를 포함하고,상기 제1 컨텐츠와 상기 제2 컨텐츠는 서로 상이한 종류(modality)의 컨텐츠이고, 상기 복수의 제1 컨텐츠 중 어느 하나와 상기 복수의 제2 컨텐츠 중 어느 하나는 매핑 관계가 존재하고, 상기 기계 학습 모델을 생성하는 단계는,상기 특징 공간 내에서 상기 제1 특징 벡터끼리의 거리 관계가 유지되면서 상기 제1 특징 벡터와 매핑 관계가 존재하는 상기 제2 특징 벡터와의 거리가 가까워지도록 상기 제1 특징 벡터를 변환하는 제1 신경망을 학습하는 단계; 및상기 특징 공간 내에서 상기 제2 특징 벡터끼리의 거리 관계가 유지되면서 상기 제2 특징 벡터와 매핑 관계가 존재하는 상기 제1 특징 벡터와의 거리가 가까워지도록 상기 제2 특징 벡터를 변환하는 제2 신경망을 학습하는 단계를 포함하는이종 컨텐츠 추천 모델 제공 방법
|
9 |
9
제8항에 있어서,상기 제1 및 제2 특징 벡터는 각각 feature aggregation 기법을 통해 상기 제1 및 제2 컨텐츠로부터 추출된이종 컨텐츠 추천 모델 제공 방법
|
10 |
10
제8항에 있어서,상기 특징 공간 내에 표현되도록 변환하는 단계는,상기 제1 및 제2 특징 벡터가 동일한 차원을 갖도록 변환하는 단계를 포함하는이종 컨텐츠 추천 모델 제공 방법
|
11 |
11
삭제
|
12 |
12
제8항에 있어서,상기 기계 학습 모델을 생성하는 단계는,상기 매핑 관계가 존재하는 두 컨텐츠를 기초로 생성된 두 특징 벡터 간의 제1 거리가, 상기 두 특징 벡터와 다른 특징 벡터 사이의 제2 거리보다 가까워지도록 기계 학습을 수행하는 단계를 포함하는이종 컨텐츠 추천 모델 제공 방법
|
13 |
13
제8항에 있어서,상기 기계 학습 모델의 network loss 는, (상기 , , , 는 기 지정된 상수, 상기 은 상기 변환된 제1 특징 벡터, 상기 은 상기 변환된 제2 특징 벡터, 인덱스가 동일한 및 는 매핑 관계에 있는 두 컨텐츠로부터 변환된 두 특징 벡터, 는 hinge loss 상수, 이고 이때 는 변환된 특징 벡터, 는 변환되기 전 특징 벡터, 상기 i, 상기 j, 상기 k 각각은 상기 λ, 상기 v 또는 상기 m에 대한 인덱스, 상기 T는 행렬이 전치됨을 의미함)로 설정되는이종 컨텐츠 추천 모델 제공 방법
|
14 |
14
제8항에 있어서,상기 제1 컨텐츠는 음악 컨텐츠이고, 상기 제2 컨텐츠는 영상 컨텐츠인이종 컨텐츠 추천 모델 제공 방법
|
15 |
15
제8항 내지 제10항, 제12항 내지 제14항 중 어느 한 항의 방법을 프로세서가 수행하도록 하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램
|
16 |
16
제8항 내지 제10항, 제12항 내지 제14항 중 어느 한 항의 방법을 프로세서가 수행하게 하는 명령어를 포함하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체
|