1 |
1
행렬 분해 모델(matrix factorization model)을 분석하는 장치에서 수행되는 데이터(data) 분석 방법에 있어서,적어도 하나의 제1 상품에 대하여 미리 수집된 선호도 데이터 및 미리 수집되지 않은 적어도 하나의 제2 상품에 대한 선호도 데이터를 산출하기 위한 보조 데이터가 나타내는 사전 분포를 기반으로 분석 모델을 생성하는 단계;상기 분석 모델을 구성하는 복수의 변수들을 기반으로 사후 분포를 추론하여 상기 분석 모델을 학습하는 단계; 및상기 학습된 분석 모델을 기반으로 상기 제2 상품에 대한 최종 선호도를 결정하는 단계를 포함하되,상기 분석 모델을 생성하는 단계는,상기 제1 상품 및 상기 제2 상품의 추천 대상 사용자에 대한 특징과 상기 제1 상품 및 제2 상품의 특징에 대한 선형 변환(linear transformation)을 기반으로 상기 분석 모델을 생성하는 행렬 분해 모델 기반 데이터 분석 방법
|
2 |
2
청구항 1에 있어서,상기 분석 모델은,상기 선호도 데이터 및 상기 보조 데이터를 포함하는 멀티 모달 데이터(multi modal data)가 나타내는 행렬 분해 모델의 사전 분포를 결정하는 복수의 변수들 각각이 확률 변수로 변환되어 생성되는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 방법
|
3 |
3
청구항 1에 있어서,상기 분석 모델을 생성하는 단계는,상기 제1 상품 및 제2 상품의 추천 대상 사용자와 관련된 정보에서 사용자 특징을 획득하는 단계;상기 사용자 특징을 선형 변환하여 제1 잠재 변수(latent variable)를 산출하는 단계;상기 제1 상품 및 제2 상품과 관련된 정보가 나타내는 상품 특징을 획득하는 단계;상기 상품 특징을 선형 변환하여 제2 잠재 변수를 산출하는 단계; 및상기 제1 잠재 변수 및 상기 제2 잠재 변수를 기반으로 상기 분석 모델을 생성하는 단계를 포함하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 방법
|
4 |
4
청구항 1에 있어서,상기 분석 모델을 학습하는 단계는,상기 분석 모델이 나타내는 행렬을 구성하는 복수의 요소들 각각의 확률 변수를 분해하는 단계;상기 분해된 각각의 확률 변수에 대하여 로그 우도 함수(log-likelihood)의 하한(lower-bound) 함수를 최대화하는 보조 함수를 산출하는 단계; 및상기 산출된 보조 함수를 기반으로 상기 사후 분포를 추론하여 상기 분석 모델을 학습하는 단계를 포함하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 방법
|
5 |
5
청구항 4에 있어서,상기 확률 변수를 분해하는 단계는,상기 행렬을 구성하는 복수의 요소들 각각에 대하여 평균장 어림 방식(mean-field approximation)을 기반으로 상기 확률 변수를 분해하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 방법
|
6 |
6
청구항 4에 있어서,상기 보조 함수를 산출하는 단계는,상기 로그 우도 함수의 값이 미리 설정된 임계값 보다 작아지는 경우까지, 상기 보조 함수에 포함된 복수의 파라미터들을 순차적으로 갱신하여 상기 보조 함수를 산출하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 방법
|
7 |
7
청구항 6에 있어서,상기 보조 함수를 산출하는 단계는,상기 복수의 파라미터들을 상기 행렬의 열 단위로 분산하여 갱신하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 방법
|
8 |
8
행렬 분해 모델(matrix factorization model)을 기반으로 데이터(data)를 분석하는 장치로서,프로세서(processor); 및상기 프로세서를 통해 실행되는 적어도 하나의 프로그램 명령(program command)이 저장된 메모리(memory)를 포함하고,상기 적어도 하나의 명령 프로그램은,적어도 하나의 제1 상품에 대하여 미리 수집된 선호도 데이터 및 미리 수집되지 않은 적어도 하나의 제2 상품에 대한 선호도 데이터를 산출하기 위한 보조 데이터가 나타내는 사전 분포를 기반으로 분석 모델을 생성하는 단계;상기 분석 모델을 구성하는 복수의 변수들을 기반으로 사후 분포를 추론하여 상기 분석 모델을 학습하는 단계; 및상기 학습된 분석 모델을 기반으로 상기 제2 상품에 대한 최종 선호도를 결정하는 단계를 수행하도록 실행 가능하되,상기 분석 모델을 생성하는 단계는,상기 제1 상품 및 상기 제2 상품의 추천 대상 사용자에 대한 특징과 상기 제1 상품 및 상기 제2 상품의 특징에 대한 선형 변환(linear transformation)을 기반으로 상기 분석 모델을 생성하는 행렬 분해 모델 기반 데이터 분석 장치
|
9 |
9
청구항 8에 있어서,상기 분석 모델은,상기 선호도 데이터 및 상기 보조 데이터를 포함하는 멀티 모달 데이터(multi modal data)가 나타내는 행렬 분해 모델의 사전 분포를 결정하는 복수의 변수들 각각이 확률 변수로 변환되어 생성되는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 장치
|
10 |
10
청구항 8에 있어서,상기 분석 모델을 생성하는 단계는,상기 제1 상품 및 제2 상품의 추천 대상 사용자와 관련된 정보에서 사용자 특징을 획득하는 단계;상기 사용자 특징을 선형 변환하여 제1 잠재 변수(latent variable)를 산출하는 단계;상기 제1 상품 및 제2 상품과 관련된 정보가 나타내는 상품 특징을 획득하는 단계;상기 상품 특징을 선형 변환하여 제2 잠재 변수를 산출하는 단계; 및상기 제1 잠재 변수 및 상기 제2 잠재 변수를 기반으로 상기 분석 모델을 생성하는 단계를 포함하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 장치
|
11 |
11
청구항 8에 있어서,상기 분석 모델을 학습하는 단계는,상기 분석 모델이 나타내는 행렬을 구성하는 복수의 요소들 각각의 확률 변수를 분해하는 단계;상기 분해된 각각의 확률 변수에 대하여 로그 우도 함수(log-likelihood)의 하한(lower-bound) 함수를 최대화하는 보조 함수를 산출하는 단계; 및상기 산출된 보조 함수를 기반으로 상기 사후 분포를 추론하여 상기 분석 모델을 학습하는 단계를 포함하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 장치
|
12 |
12
청구항 11에 있어서,상기 확률 변수를 분해하는 단계는,상기 행렬을 구성하는 복수의 요소들 각각에 대하여 평균장 어림 방식(mean-field approximation)을 기반으로 상기 확률 변수를 분해하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 장치
|
13 |
13
청구항 11에 있어서,상기 보조 함수를 산출하는 단계는,상기 로그 우도 함수의 값이 미리 설정된 임계값 보다 작아지는 경우까지, 상기 보조 함수에 포함된 복수의 파라미터들을 순차적으로 갱신하여 상기 보조 함수를 산출하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 장치
|
14 |
14
청구항 13에 있어서,상기 보조 함수를 산출하는 단계는,상기 복수의 파라미터들을 상기 행렬의 열 단위로 분산하여 갱신하는 것을 특징으로 하는 행렬 분해 모델 기반 데이터 분석 장치
|