| 1 |
1
GAN(generative adversarial network)에 기반한 협업 필터링 방법에 있어서,아이템에 대하여 실제 값 벡터 단위(real-valued vector-wise)로 상기 GAN의 생성 모델(generative model)과 판별 모델(discriminative model)을 트레이닝하는 단계; 및상기 트레이닝된 생성 모델과 판별 모델을 이용하여 사용자에게 개인화된 아이템 목록을 추천하는 단계를 포함하는 GAN에 기반한 협업 필터링 방법
|
| 2 |
2
제1항에 있어서,상기 생성 모델은 실수 값으로 구성된 구매 벡터를 생성하고,상기 판별 모델은 주어진 구매 벡터가 실측 자료(ground truth)에 해당되는 실제 구매 벡터인지 혹은 상기 생성 모델에서 생성된 구매 벡터인지 판별하는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 3 |
3
제1항에 있어서,실수 값 벡터로서 사용자 특정 조건 벡터와 랜덤 노이즈 벡터가 주어지면,상기 생성 모델은 n-차원의 구매 벡터를 생성하고,상기 판별 모델은 상기 사용자 특정 조건 벡터에 의해 조절되어 상기 생성된 구매 벡터를 해당 사용자의 실제 구매 벡터와 구별하도록 트레이닝되는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 4 |
4
제3항에 있어서,상기 트레이닝하는 단계는,상기 생성 모델이 각 아이템을 사용자가 구입했는지 여부를 특정하는 n-차원 표시기 벡터를 이용하여 상기 생성 모델의 출력인 상기 생성된 구매 벡터를 마스크하는 단계를 포함하는 GAN에 기반한 협업 필터링 방법
|
| 5 |
5
제3항에 있어서,상기 생성 모델은 상기 사용자 특정 조건 벡터와 상기 랜덤 노이즈 벡터에 의해 n-차원의 구매 벡터를 출력하는 신경망이고,상기 판별 모델은 자체 입력을 가지고 해당 입력이 실측 자료일 확률을 나타내는 단일 스칼라 값을 출력하는 신경망이고,상기 트레이닝하는 단계는,미니배치(minibatch)와 역-전파(back-propagation)를 이용한 확률적 기울기 하강법(stochastic gradient descent)을 통해 상기 생성 모델과 상기 판별 모델을 트레이닝하는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 6 |
6
제1항에 있어서,상기 생성 모델에서 생성된 구매 벡터에는 데이터 세트의 모든 아이템에 대한 사용자의 예측 선호도 스코어가 포함되고,상기 추천하는 단계는,상기 데이터 세트에서 상기 예측 선호도 스코어가 높은 상위 N개의 아이템을 선택하여 추천하는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 7 |
7
제1항에 있어서,상기 트레이닝하는 단계는,사용자가 구매하지 않은 아이템을 음수(negative) 아이템으로 추정한 후 상기 음수 아이템의 값이 0(zero)에 가까워지도록 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 8 |
8
제7항에 있어서,상기 트레이닝하는 단계는,상기 음수 아이템을 제로-재구성 정규화에 사용하여 상기 생성 모델의 목적 함수를 최소화하는 방법을 통해 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 9 |
9
제7항에 있어서,상기 트레이닝하는 단계는,사용자가 구매한 아이템과 상기 음수 아이템을 상기 판별 모델의 입력 값으로 이용하고 상기 판별 모델의 손실 기울기에 대해 상기 음수 아이템에 대한 출력을 다시 상기 생성 모델로 전달하는 방법을 통해 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 10 |
10
제7항에 있어서,상기 트레이닝하는 단계는,상기 음수 아이템을 제로-재구성 정규화에 사용하여 상기 생성 모델의 목적 함수를 최소화하는 방법, 및 사용자가 구매한 아이템과 상기 음수 아이템을 상기 판별 모델의 입력 값으로 이용하고 상기 판별 모델의 손실 기울기에 대해 상기 음수 아이템에 대한 출력을 다시 상기 생성 모델로 전달하는 방법이 결합된 하이브리드 방법을 통해 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 GAN에 기반한 협업 필터링 방법
|
| 11 |
11
컴퓨터와 결합되어 제1항 내지 제10항 중 어느 한 항의 GAN에 기반한 협업 필터링 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|
| 12 |
12
제1항 내지 제10항 중 어느 한 항의 GAN에 기반한 협업 필터링 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체
|
| 13 |
13
컴퓨터 시스템에 있어서,메모리; 및상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,아이템에 대하여 실제 값 벡터 단위(real-valued vector-wise)로 GAN GAN(generative adversarial network)의 생성 모델(generative model)과 판별 모델(discriminative model)을 트레이닝하고,상기 트레이닝된 생성 모델과 판별 모델을 이용하여 사용자에게 개인화된 아이템 목록을 추천하는 것을 특징으로 하는 컴퓨터 시스템
|
| 14 |
14
제13항에 있어서,실수 값 벡터로서 사용자 특정 조건 벡터와 랜덤 노이즈 벡터가 주어지면,상기 생성 모델은 n-차원의 구매 벡터를 생성하고,상기 판별 모델은 상기 사용자 특정 조건 벡터에 의해 조절되어 상기 생성된 구매 벡터를 해당 사용자의 실제 구매 벡터와 구별하도록 트레이닝되는 것을 특징으로 하는 컴퓨터 시스템
|
| 15 |
15
제14항에 있어서,상기 생성 모델은 상기 사용자 특정 조건 벡터와 상기 랜덤 노이즈 벡터에 의해 n-차원의 구매 벡터를 출력하는 신경망이고,상기 판별 모델은 자체 입력을 가지고 해당 입력이 실측 자료일 확률을 나타내는 단일 스칼라 값을 출력하는 신경망이고,상기 적어도 하나의 프로세서는,미니배치(minibatch)와 역-전파(back-propagation)를 이용한 확률적 기울기 하강법(stochastic gradient descent)을 통해 상기 생성 모델과 상기 판별 모델을 트레이닝하는 것을 특징으로 하는 컴퓨터 시스템
|
| 16 |
16
제13항에 있어서,상기 생성 모델에서 생성된 구매 벡터에는 데이터 세트의 모든 아이템에 대한 사용자의 예측 선호도 스코어가 포함되고,상기 적어도 하나의 프로세서는,상기 데이터 세트에서 상기 예측 선호도 스코어가 높은 상위 N개의 아이템을 선택하여 추천하는 것을 특징으로 하는 컴퓨터 시스템
|
| 17 |
17
제13항에 있어서,상기 적어도 하나의 프로세서는,사용자가 구매하지 않은 아이템을 음수(negative) 아이템으로 추정한 후 상기 음수 아이템의 값이 0(zero)에 가까워지도록 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 컴퓨터 시스템
|
| 18 |
18
제17항에 있어서,상기 적어도 하나의 프로세서는,상기 음수 아이템을 제로-재구성 정규화에 사용하여 상기 생성 모델의 목적 함수를 최소화하는 방법을 통해 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 컴퓨터 시스템
|
| 19 |
19
제17항에 있어서,상기 적어도 하나의 프로세서는,사용자가 구매한 아이템과 상기 음수 아이템을 상기 판별 모델의 입력 값으로 이용하고 상기 판별 모델의 손실 기울기에 대해 상기 음수 아이템에 대한 출력을 다시 상기 생성 모델로 전달하는 방법을 통해 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 컴퓨터 시스템
|
| 20 |
20
제17항에 있어서,상기 적어도 하나의 프로세서는,상기 음수 아이템을 제로-재구성 정규화에 사용하여 상기 생성 모델의 목적 함수를 최소화하는 방법, 및 사용자가 구매한 아이템과 상기 음수 아이템을 상기 판별 모델의 입력 값으로 이용하고 상기 판별 모델의 손실 기울기에 대해 상기 음수 아이템에 대한 출력을 다시 상기 생성 모델로 전달하는 방법이 결합된 하이브리드 방법을 통해 상기 생성 모델을 트레이닝하는 것을 특징으로 하는 컴퓨터 시스템
|
