| 1 |
1
클러스터링(clustering)을 수행하는 방법에 있어서,클러스터링 대상 객체들로 네트워크를 구성하는 단계;상기 클러스터링 대상 객체들의 중요도를 수집하는 단계;신경망을 이용하여 상기 네트워크를 구성하는 클러스터링 대상 객체들의 이웃 객체들을 표현하는 벡터들의 집합을 출력하기 위한 네트워크 임베딩을 수행하는 단계; 및상기 클러스터링 대상 객체들 각각에 대한 정보와 상기 벡터들의 집합을 이용하여 상기 클러스터링 대상 객체들에 대한 클러스터링을 수행하는 단계를 포함하고,상기 신경망은 중요도가 높은 이웃 객체들이 더 높은 확률로 출력되도록 학습되는,클러스터링 방법
|
| 2 |
2
청구항 1에 있어서,상기 클러스터링 대상 객체들은 문서들 또는 모바일 어플리케이션(mobile application)인, 클러스터링 방법
|
| 3 |
3
청구항 1에 있어서,상기 네트워크는 로 정의되며, V는 상기 네트워크에 속한 상기 클러스터링 대상 객체들, E는 상기 네트워크에 속한 객체 쌍의 이진 관계(binary relation)를 나타내는 에지(edge), 는 에지 e()에 대한 실수 값 가중치(weight mapping)인,클러스터링 방법
|
| 4 |
4
청구항 3에 있어서,상기 클러스터링은 객체 가 클러스터 에 속할 사후 확률에 비례하는 스코어 함수(score function)를 이용하여 수행되며,는 상기 네트워크 G에서 객체 의 이웃 객체들인 의 집합, 는 객체 와 의 유사도 및 중요도를 표현하는 함수, 는 상기 클러스터 에 대응되는 그래프 에 속한 객체들, 는 상기 네트워크 G에 속한 전체 객체들, 는 객체 와 그래프 에 속한 객체들 간의 평균 유사도 및 중요도인,클러스터링 방법
|
| 5 |
5
청구항 4에 있어서,상기 는 Net2Vec 알고리즘에 의해서 학습되며, 상기 Net2Vec 알고리즘은 상기 클러스터링 대상 객체들의 중요도 정보를 이용하여 중요도가 높은 이웃 객체가 예측될 확률이 최대가 되도록 상기 신경망을 학습시키는,클러스터링 방법
|
| 6 |
6
청구항 5에 있어서, 상기 Net2Vec 알고리즘은 대상 객체의 이웃 객체 의 중요도가 낮을수록 페널티를 주어 중요도가 높은 객체가 더 높은 확률로 예측 되도록 학습을 유도하기 위한 Authority Ranking Loss 함수를 이용하는,클러스터링 방법
|
| 7 |
7
청구항 3에 있어서, 상기 중요도는 중요도 랭킹 점수(authority ranking score(ARS)) 함수 ARS(로 표현되며, 는 의 순위 점수이며, ()는 와 의 잠재 벡터(latent vector)들 간의 거리를 표현하는 코사인 유사도(cosine similarity), 는 그래프 G에서 객체 의 이웃 객체들인 의 집합인,클러스터링 방법
|
| 8 |
8
청구항 7에 있어서,상기 클러스터링 대상 객체들이 모바일 어플리케이션인 경우, 상기 는 주어진 기간 동안의 다운로드 순위의 역수 합을 min-max 정규화(normalization)하여 얻어지는,클러스터링 방법
|
| 9 |
9
클러스터링(clustering)을 수행하는 장치에 있어서, 적어도 하나의 프로세서; 및상기 적어도 하나의 프로세서에 의해서 실행되는 적어도 하나의 명령을 저장하는 메모리를 포함하고,상기 적어도 하나의 명령은 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서가클러스터링 대상 객체들로 네트워크를 구성하는 단계;상기 클러스터링 대상 객체들의 중요도를 수집하는 단계;신경망을 이용하여 상기 네트워크를 구성하는 클러스터링 대상 객체들의 이웃 객체들을 표현하는 벡터들의 집합을 출력하기 위한 네트워크 임베딩을 수행하는 단계; 및상기 클러스터링 대상 객체들 각각에 대한 정보와 상기 벡터들의 집합을 이용하여 상기 클러스터링 대상 객체들에 대한 클러스터링을 수행하는 단계를 수행하도록 구성되며,상기 신경망은 중요도가 높은 이웃 객체들이 더 높은 확률로 출력되도록 학습되는,클러스터링 장치
|
| 10 |
10
청구항 9에 있어서,상기 클러스터링 대상 객체들은 문서들 또는 모바일 어플리케이션(mobile application)인, 클러스터링 장치
|
| 11 |
11
청구항 9에 있어서,상기 네트워크는 로 정의되며, V는 상기 네트워크에 속한 상기 클러스터링 대상 객체들, E는 상기 네트워크에 속한 객체 쌍의 이진 관계(binary relation)를 나타내는 에지(edge), 는 에지 e()에 대한 실수 값 가중치(weight mapping)인,클러스터링 장치
|
| 12 |
12
청구항 11에 있어서,상기 클러스터링은 객체 가 클러스터 에 속할 사후 확률에 비례하는 스코어 함수(score function)를 이용하여 수행되며,는 상기 네트워크 G에서 객체 의 이웃 객체들인 의 집합, 는 객체 와 의 유사도 및 중요도를 표현하는 함수, 는 상기 클러스터 에 대응되는 그래프 에 속한 객체들, 는 상기 네트워크 G에 속한 전체 객체들, 는 객체 와 그래프 에 속한 객체들 간의 평균 유사도 및 중요도인,클러스터링 장치
|
| 13 |
13
청구항 12에 있어서,상기 는 Net2Vec 알고리즘에 의해서 학습되며, 상기 Net2Vec 알고리즘은 상기 클러스터링 대상 객체들의 중요도 정보를 이용하여 중요도가 높은 이웃 객체가 예측될 확률이 최대가 되도록 상기 신경망을 학습시키는,클러스터링 장치
|
| 14 |
14
청구항 13에 있어서, 상기 Net2Vec 알고리즘은 대상 객체의 이웃 객체 의 중요도가 낮을수록 페널티를 주어 중요도가 높은 객체가 더 높은 확률로 예측 되도록 학습을 유도하기 위한 Authority Ranking Loss를 이용하는,클러스터링 장치
|
| 15 |
15
청구항 11에 있어서, 상기 중요도는 중요도 랭킹 점수(authority ranking score(ARS)) 함수 ARS(로 표현되며, 는 의 순위 점수이며, ()는 와 의 잠재 벡터(latent vector)들 간의 거리를 표현하는 코사인 유사도(cosine similarity), 는 그래프 G에서 객체 의 이웃 객체들인 의 집합인,클러스터링 장치
|
| 16 |
16
청구항 15에 있어서,상기 클러스터링 대상 객체들이 모바일 어플리케이션인 경우, 상기 는 주어진 기간 동안의 다운로드 순위의 역수 합을 min-max 정규화(normalization)하여 얻어지는,클러스터링 장치
|
