| 1 |
1
상황관련 텐서를 기반으로 다수의 특정상황을 고려하며 사용자의 아이템에 대한 선호도를 학습하여, 사용자 잠재벡터 및 아이템 잠재벡터를 생성하는 기계 학습부;상기 사용자 잠재벡터 및 아이템 잠재벡터를 이용하여 아이템 별로 추천점수를 계산하는 추천 점수 계산부; 및상기 추천점수를 기반으로 주어진 상황을 고려하여 아이템에 대한 현재 사용자의 선호도를 예측하는 사용자 선호도 예측부;를 포함하고, 상기 기계 학습부는 상기 현재 사용자의 선호도와 과거 사용자의 선호도의 비교를 통해 상기 사용자 잠재벡터 및 상기 아이템 잠재벡터를 갱신하며,상기 기계 학습부는, 기 저장된 상황정보 객체 벡터(Ck)와 상황정보들 간의 상관관계에 관한 상황정보 텐서(Tc)를 텐서 곱을 통해 결합하여 상황정보 영향력 행렬(Mc,k)을 생성하는 상황정보 행렬 생성부를 포함하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 시스템
|
| 2 |
2
제 1 항에 있어서,상기 기계 학습부는,시간이 지날수록 사용자의 성향이 달라지는 경향과 인간의 망각 패턴을 고려하여 과거에 학습된 데이터에 대해 가중치를 부여하고, 상기 가중치는 과거의 선호도와 현재의 선호도 차이에 시그모이드 함수를 적용하여 산출하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 시스템
|
| 3 |
3
제 2 항에 있어서,상기 가중치는,임계치 이상의 횟수로 학습된 추천 도메인의 데이터일수록 높은 가중치로 조정되어 부여되고, 상기 조정된 가중치는 과거에 학습된 데이터에 반영되어 새로운 학습의 파라미터 초기값으로 활용되는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 시스템
|
| 4 |
4
제 1 항에 있어서,상기 기계 학습부는,상기 상황정보 영향력 행렬(Mc,k)을 사용자 유사특징 행렬(M_u)과 텐서 곱을 통해 결합하여 특정상황이 사용자에 미치는 영향력을 의미하는 사용자 영향력 행렬(M_(u, k))을 생성하고, 상기 상황정보 영향력 행렬(Mc,k)을 아이템 유사특징 행렬(M_v)과 텐서 곱을 통해 결합하여 특정상황이 아이템에 미치는 영향력을 의미하는 아이템 영향력 행렬(M_(v, k))을 생성하는 영향력 행렬 생성부; 및상기 사용자 영향력 행렬(M_(u, k))을 기 저장된 사용자 잠재벡터(q_i)와 텐서 곱을 통해 결합하여 특정상황반영 사용자 잠재벡터(q_(i, k))를 생성하고, 상기 아이템 영향력 행렬(M_(v, k))을 기 저장된 아이템 잠재벡터(p_j)와 텐서 곱을 통해 결합하여 특정상황반영 아이템 잠재벡터(p_(j, k))를 생성하는 특정상황반영 행렬 생성부;를 포함하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 시스템
|
| 5 |
5
제 4 항에 있어서,상기 사용자 선호도 예측부는,상기 특정상황반영 사용자 잠재벡터(q_(i, k))와 상기 특정상황반영 아이템 잠재벡터(p_(j, k))의 내적을 계산하고, 글로벌, 사용자, 아이템 및 특정 상황의 각 편향된 정도를 줄여주기 위한 바이어스를 더함으로써, 특정상황 k에서 아이템 j에 대한 사용자 i의 사용자 선호도 점수()를 산출하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 시스템
|
| 6 |
6
제 5 항에 있어서,상기 추천 점수 계산부는,상기 특정상황 k에서 사용자 i에 대해 각 아이템 별로 상기 추천점수를 산출하여, 가장 높은 상기 추천 점수가 산출되는 아이템을 사용자에게 추천하는 아이템으로 추출하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 시스템
|
| 7 |
7
제 4 항에 있어서,상기 기계 학습부는,상기 사용자 영향력 행렬(M_(u, k))과 상기 아이템 영향력 행렬(M_(v, k)), 상기 상황정보 텐서(Tc),상기 다수의 상황정보를 고려한 사용자 잠재벡터 및 아이템 잠재벡터를 학습하기 위해 확률 기울기 하강(Stochastic gradient descent) 알고리즘 기반의 학습을 수행하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 시스템
|
| 8 |
8
상황관련 텐서를 기반으로 다수의 특정상황을 고려하며 사용자의 아이템에 대한 선호도를 학습하여, 사용자 잠재벡터 및 아이템 잠재벡터를 생성하는 단계;상기 사용자 잠재벡터 및 아이템 잠재벡터를 이용하여 아이템 별로 추천 점수를 계산하는 단계; 및상기 추천 점수를 기반으로 주어진 상황을 고려하여 아이템에 대한 현재 사용자의 선호도를 예측하는 단계;를 포함하며,상기 사용자 잠재벡터 및 아이템 잠재벡터를 생성하는 단계는, 기 저장된 상황정보 객체 벡터(Ck)와 상황정보들 간의 상관관계에 관한 상황정보 텐서(Tc)를 텐서 곱을 통해 결합하여 상황정보 영향력 행렬(Mc,k)을 생성하는 단계를 포함하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 방법
|
| 9 |
9
제 8 항에 있어서,상기 사용자 잠재벡터 및 아이템 잠재벡터를 생성하는 단계는,상기 상황정보 영향력 행렬(Mc,k)을 사용자 유사특징 행렬(M_u)과 텐서 곱을 통해 결합하여 특정상황이 사용자에 미치는 영향력을 의미하는 사용자 영향력 행렬(M_(u, k))을 생성하고, 상기 상황정보 영향력 행렬(Mc,k)을 아이템 유사특징 행렬(M_v)과 텐서 곱을 통해 결합하여 특정상황이 아이템에 미치는 영향력을 의미하는 아이템 영향력 행렬(M_(v, k))을 생성하는 단계; 및상기 사용자 영향력 행렬(M_(u, k))을 기 저장된 사용자 잠재벡터(q_i)와 텐서 곱을 통해 결합하여 특정상황반영 사용자 잠재벡터(q_(i, k))를 생성하고, 상기 아이템 영향력 행렬(M_(v, k))을 기 저장된 아이템 잠재벡터(p_j)와 텐서 곱을 통해 결합하여 특정상황반영 아이템 잠재벡터(p_(j, k))를 생성하는 단계를 포함하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 방법
|
| 10 |
10
제 9 항에 있어서,상기 추천 점수를 계산하는 단계는,상기 특정상황반영 사용자 잠재벡터(q_(i, k))와 상기 특정상황반영 아이템 잠재벡터(p_(j, k))의 내적을 계산하고, 글로벌, 사용자, 아이템 및 특정 상황의 각 편향된 정도를 줄여주기 위한 바이어스를 더함으로써, 특정상황 k에서 아이템 j에 대한 사용자 i의 추천 점수()를 산출하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 방법
|
| 11 |
11
제 8 항에 있어서,예측된 사용자의 선호도를 과거의 선호도와 비교하며 상기 사용자 잠재벡터 및 상기 아이템 잠재벡터를 갱신하는 단계를 더 포함하는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 방법
|
| 12 |
12
제 11 항에 있어서,상기 사용자 잠재벡터 및 아이템 잠재벡터를 갱신하는 단계는,과거에 학습된 데이터에 시그모이드 함수를 통해 산출된 가중치를 부여하되, 상기 가중치는 시간이 지날수록 사용자의 성향이 달라지는 경향과 인간의 망각 패턴이 상기 과거에 학습된 데이터에 대해 미치는 영향을 반영하며, 임계치 이상의 횟수로 학습된 추천 도메인의 데이터일수록 높은 가중치로 부여되고, 상기 조정된 가중치는 과거에 학습된 데이터에 반영되어 새로운 학습의 파라미터 초기값으로 활용되는 것을 특징으로 하는 다수상황 간의 상관관계를 고려한 추천 방법
|
| 13 |
13
제 8 항 내지 제12항 중 어느 한 항에 따른 다수상황 간의 상관관계를 고려한 추천방법을 컴퓨터에서 수행하기 위한 컴퓨터에서 수행하기 위한 컴퓨터에서 판독 가능한 프로그램이 기록된 저장 매체
|
