| 1 |
1
사용자와 아이템, 아이템이 포함되는 장르, 사용자의 아이템 이용 내역 및 평가 정보인 가중치가 포함된 사용자 아이템 데이터를 인가받아, 서로 대응하는 정보를 매칭하여 사용자 아이템 매칭 테이블을 획득하고, 상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 가중치를 보정하며, 이전 사용자와 매칭되지 않은 추가 아이템을 대응하는 사용자와 매칭하여 상기 사용자 아이템 매칭 테이블에 추가하는 데이터 전처리부; 미리 학습된 인공 신경망으로 구현되어 상기 사용자 아이템 매칭 테이블에서 서로 매칭된 사용자에 아이템 각각을 벡터화하여 사용자 벡터와 아이템 벡터를 가상의 임베딩 공간 상에 배치하는 벡터 임베딩부; 및 상기 임베딩 공간 상에 배치된 사용자 벡터와 아이템 벡터 사이의 거리를 기반으로 추천 아이템을 선택하는 아이템 추천부를 포함하는 추천 장치
|
| 2 |
2
제1항에 있어서, 상기 데이터 전처리부는 사용자 아이템 데이터에 포함된 사용자와 아이템, 장르 및 가중치 중 서로 대응하는 정보를 매칭시켜, 상기 사용자 아이템 매칭 테이블을 획득하는 관계 설정부; 상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 보정 가중치로 변환하는 오프셋 적용부; 및 이전 사용자와 매칭되지 않은 추가 아이템을 선택하여 사용자와 매칭하고, 매칭된 추가 아이템의 가중치를 할당하는 아이템 추가부를 포함하는 추천 장치
|
| 3 |
3
제2항에 있어서, 상기 아이템 추가부는 사용자가 이전 이용하지 않은 장르를 탐색하여 탐색된 장르에서 기지정된 개수의 아이템을 선택하고, 선택된 아이템에 기지정된 제1 가중치를 할당하는 신규 장르 탐색부; 장르에 무관하게 사용자가 이전 이용하지 않은 아이템 중 기지정된 개수의 아이템을 탐색하여 선택하고, 선택된 아이템에 기지정된 제2 가중치를 할당하는 신규 아이템 탐색부; 및 선택된 아이템과 대응하여 할당된 제1 및 제2 가중치를 매칭하여, 상기 사용자 아이템 매칭 테이블에 삽입하는 아이템 삽입부를 포함하는 추천 장치
|
| 4 |
4
제3항에 있어서, 상기 신규 장르 탐색부는 상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭되지 않은 장르를 탐색하고, 탐색된 장르에 포함된 아이템을 선택하는 신규 장르 선택부; 및 선택된 아이템에 기지정된 제1 가중치를 할당하는 제1 가중치 할당부를 포함하는 추천 장치
|
| 5 |
5
제4항에 있어서, 상기 신규 아이템 탐색부는 상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭된 장르를 탐색하고, 탐색된 장르의 아이템 중 사용자와 매칭되지 않은 아이템을 탐색하여 선택하는 신규 아이템 선택부; 및 선택된 아이템에 기지정된 제2 가중치를 할당하는 제2 가중치 할당부를 포함하는 추천 장치
|
| 6 |
6
제5항에 있어서, 상기 오프셋 적용부는 상기 아이템에 대해 기지정된 평가 범위의 중간값을 기준으로 기지정된 범위 이내의 임의의 값으로 오프셋값을 설정하고, 상기 가중치에서 상기 오프셋값을 차감하여 상기 보정 가중치를 획득하는 추천 장치
|
| 7 |
7
제6항에 있어서, 상기 아이템 추가부는 상기 제1 및 제2 가중치를 상기 보정 가중치의 범위 이내의 값에서 양의 값으로 할당하는 추천 장치
|
| 8 |
8
제7항에 있어서, 상기 아이템 추가부는 상기 제2 가중치는 상기 제1 가중치와 상기 제2 가중치를 서로 독립적으로 설정하는 추천 장치
|
| 9 |
9
제8항에 있어서, 상기 아이템 추천부는상기 임베딩 공간 상에 배치된 사용자 벡터 각각을 중심으로 인접하여 배치된 기지정된 개수의 아이템 벡터를 탐색하여, 추천 아이템을 선택하는 추천 장치
|
| 10 |
10
제9항에 있어서, 상기 추천 장치는 학습시에 추가되어 인공 신경망으로 구현된 상기 벡터 임베딩부를 학습시키는 학습부를 더 포함하고, 상기 학습부는 학습시에 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 및 보정 가중치(wOi,j)를 이용하여 수학식(여기서 σ는 시그모이드 함수(sigmoid function)이고, sign()은 부호를 출력하는 사인 함수이며, 는 아이템(v)의 확률 분포(pn(v))에 기반하여 선택될 수 있는 아이템(vn)에 대한 크로스 엔트로피(cross entropy)를 나타내는 에너지 함수이다
|
| 11 |
11
사용자와 아이템, 아이템이 포함되는 장르, 사용자의 아이템 이용 내역 및 평가 정보인 가중치가 포함된 사용자 아이템 데이터를 인가받아, 서로 대응하는 정보를 매칭하여 사용자 아이템 매칭 테이블을 획득하는 단계; 상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 가중치를 보정하는 단계; 이전 사용자와 매칭되지 않은 추가 아이템을 대응하는 사용자와 매칭하여 상기 사용자 아이템 매칭 테이블에 추가하는 단계; 미리 학습된 인공 신경망으로 구현되어 상기 사용자 아이템 매칭 테이블에서 서로 매칭된 사용자에 아이템 각각을 벡터화하여 사용자 벡터와 아이템 벡터를 가상의 임베딩 공간 상에 배치하는 단계; 및 상기 임베딩 공간 상에 배치된 사용자 벡터와 아이템 벡터 사이의 거리를 기반으로 추천 아이템을 선택하는 단계를 포함하는 추천 방법
|
| 12 |
12
제11항에 있어서, 상기 사용자 아이템 매칭 테이블에 추가하는 단계는 사용자가 이전 이용하지 않은 장르를 탐색하여 탐색된 장르에서 기지정된 개수의 아이템을 선택하고, 선택된 아이템에 기지정된 제1 가중치를 할당하는 단계; 장르에 무관하게 사용자가 이전 이용하지 않은 아이템 중 기지정된 개수의 아이템을 탐색하여 선택하고, 선택된 아이템에 기지정된 제2 가중치를 할당하는 단계; 및 선택된 아이템과 대응하여 할당된 제1 및 제2 가중치를 매칭하여, 상기 사용자 아이템 매칭 테이블에 삽입하는 단계를 포함하는 추천 방법
|
| 13 |
13
제12항에 있어서, 상기 제1 가중치를 할당하는 단계는 상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭되지 않은 장르를 탐색하는 단계; 탐색된 장르에 포함된 아이템을 선택하는 단계; 및 선택된 아이템에 기지정된 제1 가중치를 할당하는 단계를 포함하는 추천 방법
|
| 14 |
14
제13항에 있어서, 상기 제2 가중치를 할당하는 단계는 상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭된 장르를 탐색하는 단계; 탐색된 장르의 아이템 중 사용자와 매칭되지 않은 아이템을 탐색하여 선택하는 단계; 및 선택된 아이템에 기지정된 제2 가중치를 할당하는 단계를 포함하는 추천 방법
|
| 15 |
15
제14항에 있어서, 상기 가중치를 보정하는 단계는 상기 아이템에 대해 기지정된 평가 범위의 중간값을 기준으로 기지정된 범위 이내의 임의의 값으로 오프셋값을 설정하고, 상기 가중치에서 상기 오프셋값을 차감하여 보정 가중치를 획득하는 추천 방법
|
| 16 |
16
제15항에 있어서, 상기 사용자 아이템 매칭 테이블에 추가하는 단계는 상기 제1 및 제2 가중치를 상기 보정 가중치의 범위 이내의 값에서 양의 값으로 할당하는 추천 방법
|
| 17 |
17
제16항에 있어서, 상기 아이템 추가부는 상기 제1 가중치와 상기 제2 가중치를 서로 독립적으로 설정하는 추천 방법
|
| 18 |
18
제17항에 있어서, 상기 추천 아이템을 선택하는 단계는 상기 임베딩 공간 상에 배치된 사용자 벡터 각각을 중심으로 인접하여 배치된 기지정된 개수의 아이템 벡터를 탐색하여, 추천 아이템을 선택하는 추천 방법
|
| 19 |
19
제18항에 있어서, 상기 추천 방법은 상기 인공 신경망을 학습시키기 위한 학습 단계를 더 포함하고, 상기 학습 단계는 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 및 보정 가중치(wOi,j)를 이용하여 수학식(여기서 σ는 시그모이드 함수(sigmoid function)이고, sign()은 부호를 출력하는 사인 함수이며, 는 아이템(v)의 확률 분포(pn(v))에 기반하여 선택될 수 있는 아이템(vn)에 대한 크로스 엔트로피(cross entropy)를 나타내는 에너지 함수이다
|
