1 |
1
복수의 아이템에 대한 복수의 사용자의 리뷰 데이터를 수집하는 데이터 수집부; 상기 수집된 리뷰 데이터에 대한 선호도 분석과 감성 분석을 수행하여 선호도 텐서 모델을 생성하는 선호도 모델화부; 상기 생성된 선호도 텐서 모델에 기초한 유사도 측정을 통해 상기 생성된 선호도 텐서 모델을 복수의 하위 모델로 분할하는 모델 분할부;상기 분할된 하위 모델에서 상기 복수의 사용자 중 타겟 사용자의 리뷰 데이터가 포함된 적어도 하나의 하위 모델을 선정하고, 상기 선정된 하위 모델 각각에 대한 상기 타겟 사용자의 선호도를 예측하는 선호도 예측부 및상기 선호도의 예측 결과에 기초하여 상기 복수의 아이템 중 적어도 하나의 아이템을 추천하는 아이템 추천부를 포함하는 아이템 추천 장치
|
2 |
2
제1항에 있어서, 상기 리뷰 데이터는, 상기 복수의 아이템 각각에 대한 복수의 선호도 종류 정보 및 상기 복수의 선호도 종류 정보 각각에 대응되는 평점 정보를 포함하는 아이템 추천 장치
|
3 |
3
제1항에 있어서, 상기 선호도 모델화부는, 상기 수집된 리뷰 데이터에 대한 상기 선호도 분석을 통해 다차원 텐서 모델을 생성하고, 상기 수집된 리뷰 데이터에 대한 상기 감성 분석의 수행 결과를 이용하여 상기 생성된 다차원 텐서 모델을 보완하여 상기 선호도 텐서 모델을 생성하는 아이템 추천 장치
|
4 |
4
제3항에 있어서, 상기 선호도 모델화부는, 플레어엘모(FlairElmo), 텍스트블랍(Textblob), 베이더(Vader), 로지스틱 회귀(Logistic Regression), 패스트텍스트(Fasttext) 및 서포트 벡터 머신(support vector machine) 중 적어도 하나에 기초한 상기 감성 분석의 수행 결과에 기초하여 상기 생성된 다차원 텐서 모델을 보완하는아이템 추천 장치
|
5 |
5
제2항에 있어서, 상기 모델 분할부는, 상기 생성된 선호도 텐서 모델에 구비되는 선호도 종류 정보와 평점 정보에 대한 유사도 거리 연산을 수행하고, 상기 유사도 거리 연산의 수행 결과에 기초하여 상기 생성된 선호도 텐서 모델을 복수의 제1 하위 모델로 분할하는 아이템 추천 장치
|
6 |
6
제5항에 있어서, 상기 모델 분할부는, 상기 분할된 제1 하위 모델 중 기설정된 크기 비율을 초과하는 모델을 제2 하위 모델로 분할하는 아이템 추천 장치
|
7 |
7
제5항에 있어서, 상기 모델 분할부는, 유클리드 거리 및 코사인 유사도 중 적어도 하나에 기초한 상기 유사도 거리 연산을 수행하는아이템 추천 장치
|
8 |
8
제1항에 있어서, 상기 선호도 예측부는, 상기 선정된 하위 모델 각각에 대하여 텐서 분해를 병렬로 수행하여, 상기 선정된 하위 모델 각각에 대한 선호도를 동시에 예측하는아이템 추천 장치
|
9 |
9
제8항에 있어서, 상기 아이템 추천부는, 상기 텐서 분해를 통해 도출되는 상기 선정된 하위 모델 각각의 선호도 값에 대하여 합산 연산 및 평균값 연산 중 적어도 하나의 연산을 수행하고, 상기 연산의 수행 결과에 기초하여 기설정된 개수의 아이템을 추천하는 아이템 추천 장치
|
10 |
10
데이터 수집부에서, 복수의 아이템에 대한 복수의 사용자의 리뷰 데이터를 수집하는 단계;선호도 모델화부에서, 상기 수집된 리뷰 데이터에 대한 선호도 분석과 감성 분석을 수행하여 선호도 텐서 모델을 생성하는 단계; 모델 분할부에서, 상기 생성된 선호도 텐서 모델에 구비된 리뷰 데이터에 기초한 유사도 측정을 통해 상기 생성된 선호도 텐서 모델을 복수의 하위 모델로 분할하는 단계;선호도 예측부에서, 상기 분할된 하위 모델에서 상기 복수의 사용자 중 타겟 사용자의 리뷰 데이터가 포함된 적어도 하나의 하위 모델을 선정하고, 상기 선정된 하위 모델에 대한 상기 타겟 사용자의 선호도를 예측하는 단계 및아이템 추천부에서, 상기 선호도의 예측 결과에 기초하여 상기 복수의 아이템 중 적어도 하나의 아이템을 추천하는 단계를 포함하는 아이템 추천 방법
|