KR102748296B1 - Methods and System for Providing Personalized Reviews - Google Patents
Methods and System for Providing Personalized Reviews Download PDFInfo
- Publication number
- KR102748296B1 KR102748296B1 KR1020220048092A KR20220048092A KR102748296B1 KR 102748296 B1 KR102748296 B1 KR 102748296B1 KR 1020220048092 A KR1020220048092 A KR 1020220048092A KR 20220048092 A KR20220048092 A KR 20220048092A KR 102748296 B1 KR102748296 B1 KR 102748296B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- reviews
- review
- personalized
- users
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
개인화된 리뷰를 제공하는 방법 및 시스템이 제시된다. 본 발명에서 제안하는 개인화된 리뷰를 제공하는 방법은 정보 추출부를 통해 사용자가 평가하는 하나 이상의 평가 대상에 대해 복수의 평가 정보를 반영한 리뷰를 수집하고, 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 에 대해 웹크롤링(Web Crawling) 또는 웹스크래핑(Web Scraping)을 이용하여 리뷰 관련 정보를 추출하는 단계, 학습부를 통해 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 단계 및 사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 단계를 포함한다.A method and system for providing personalized reviews are presented. The method for providing personalized reviews proposed in the present invention includes a step of collecting reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by a user through an information extraction unit, extracting review-related information using web crawling or web scraping from the collected reviews to reprocess them into personalized reviews for each user, a step of digitizing the extracted review-related information using machine learning (ML) or natural language processing (NLP) through a learning unit, and a step of expressing the digitized review-related information as user-specific weight parameters and data distributions through a user-specific personalized review providing unit, and providing user-specific personalized reviews using the user-specific weight parameters and data distributions.
Description
본 발명은 개인화된 리뷰를 제공하는 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for providing personalized reviews.
인터넷 및 스마트폰 앱 등 다수의 사람이 대상을 평가할 수 있는 플랫폼에서 제공되는 리뷰에 있어서, 동일한 대상이라고 하더라도 개인에 따라서 평가가 달라질 수 있다. 하지만 개인이 경험해보지 못한 영역에 대해 직접 시도하기 전까지는 타인의 리뷰에 의존할 수밖에 없는데, 이는 개인에 따라서 정확한 정보가 될 수도 있고 부정확한 정보가 될 수도 있다. In reviews provided on platforms where many people can evaluate an object, such as the Internet and smartphone apps, evaluations may vary depending on the individual, even for the same object. However, until an individual directly tries an area they have not experienced, they have no choice but to rely on other people's reviews, which may be accurate or inaccurate information depending on the individual.
예를 들어, 음식을 선택할 때는 이미 그 음식을 시도해 본 사람들의 평가에 의존할 수밖에 없다. 따라서 다수 평가자의 평가들을 종합적으로 열람이 가능한 리뷰 앱들이 다양하게 시장에 등장했다. 하지만 그 평가는 사용자마다 척도가 달라 상대적이다. 즉, 리뷰가 주관적인 평가이기 때문에 경우에 따라서 특정 사용자에게는 적용되지 않을 수 있다는 치명적인 단점이 존재한다. 개별 사용자가 부여하는 평점은 사용자에 따라 편향성이나 패턴이 있을 수 밖에 없고, 따라서 보다 정확한 정보를 제공하기 위해서는 이를 고려하는 것이 바람직하다. For example, when choosing food, you have no choice but to rely on the evaluations of people who have already tried the food. Therefore, various review apps that allow you to comprehensively view the evaluations of multiple evaluators have appeared on the market. However, the evaluations are relative because the scale is different for each user. In other words, since the reviews are subjective evaluations, there is a fatal flaw in that they may not apply to certain users in some cases. The ratings given by individual users are bound to have biases or patterns depending on the user, so it is desirable to consider this in order to provide more accurate information.
이와 관련하여, 종래기술 한국등록특허 제10-2227552호는 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템에 대해 개시하고 있다. 이를 위하여 해당 아이디어는 웹트래픽 및 키스트로크 로깅(Keystroke logging)을 포함하는 개인화 데이터를 실시간으로 업로드하고 개인화 데이터에 의해 정렬순서가 변경된 메인 페이지를 노출하며 개인화 서비스 제공 서버를 포함한다. In this regard, prior art Korean Patent No. 10-2227552 discloses a system for providing personalized restaurant exposure services using a review category based on a situational awareness algorithm. To this end, the idea includes uploading personalized data including web traffic and keystroke logging in real time, exposing a main page with a sort order changed by the personalized data, and including a personalized service providing server.
또 다른 종래기술 한국등록특허 제10-2017-0016913호는 콘텐츠의 우선순위를 개인화하는 시스템, 방법 및 프로그램에 대해 개시하고 있다. 이를 위하여 대표액션이 전체 사용자의 액션 대비 어느 정도 수준인지를 평가하여 속성별로 대표액션 스코어를 계산하는 가중치인 속성 가중치를 생성하는 속성 가중치 모듈이나 속성 가중치와 온라인 콘텐츠의 속성정보를 이용하여 온라인 콘텐츠의 우선순위를 계산하는 우선순위 모듈 등 여러가지 모듈을 제시한다. Another prior art, Korean Patent Registration No. 10-2017-0016913, discloses a system, method, and program for personalizing the priority of content. To this end, it proposes various modules, such as an attribute weight module that generates attribute weights, which are weights that calculate a representative action score by attribute by evaluating the level of a representative action compared to the actions of all users, and a priority module that calculates the priority of online content using attribute weights and attribute information of online content.
또 다른 종래기술 한국등록특허 제10-1532715호는 문서와 서치 질의에 대해 관련성 점수를 계산하고, 그 서치 질의에 응답하여 결과 리스트에 반환된 문서를 등급화하여 변수와 파라미터를 갖는 공식으로 공식화하며, 최종적으로 서치 엔진에 의해 반환되는 결과를 등급화하기 위한 방법과 시스템에 대해 개시하고 있다. 그 과정에서 통계 분류의 형태를 포함하는 기술과 같은 머신 학습 기술을 사용해서 상기 파라미터를 결정한다. Another prior art Korean Patent No. 10-1532715 discloses a method and system for calculating a relevance score for a document and a search query, ranking documents returned in a result list in response to the search query, formulating the ranking into a formula having variables and parameters, and finally ranking the results returned by a search engine. In the process, machine learning techniques, such as techniques including a form of statistical classification, are used to determine the parameters.
다만, 상술된 종래기술의 구성을 이용한다고 할지라도 그 목적이 다르고, 문서를 등급화할 뿐 개인에 적합하도록 재구성의 단계를 포함하지 않기 때문에 리뷰 개인화라고 할 수 없다. 따라서, 개인별 취향 및 상황을 고려하여 리뷰를 개인화하는 방법의 연구 및 개발이 요구된다. However, even if the configuration of the above-described prior art is utilized, it cannot be called review personalization because the purpose is different and it only grades the document and does not include a step of reconfiguring it to suit the individual. Therefore, research and development of a method to personalize reviews by considering individual tastes and situations is required.
본 발명이 이루고자 하는 기술적 과제는 리뷰를 제공받는 개개인에게 최적화된 리뷰 정보를 제공하는 서비스인 리뷰 개인화를 통하여 인터넷 및 스마트폰 앱 등의 플랫폼에서 보다 정확한 정보를 제공하기 위한 방법 및 시스템을 제공하는데 있다. 본 발명에 따른 개인화된 리뷰로 재가공하기 위해 주어진 리뷰 정보를 웹크롤링(Web Crawling)이나 웹스크래핑(Web Scraping) 및 구조화 단계를 통해 정보를 추출한 다음, 기계학습(Machine Learning; ML) 혹은 자연어 처리(Natural Language Processing; NLP)를 사용해서 수치화하고자 한다. 이후 수치화된 리뷰를 분포로 나타내고 최종적으로 개인에게 맞춤화된 결과를 반환하며, 개인화된 리뷰에 사용자의 만족도를 증가시키기 위해 사용자의 리뷰로부터 파라미터를 지속적으로 갱신한다. The technical problem to be achieved by the present invention is to provide a method and system for providing more accurate information on platforms such as the Internet and smartphone apps through review personalization, which is a service that provides optimized review information to each individual who receives a review. In order to reprocess the given review information into a personalized review according to the present invention, the information is extracted through web crawling or web scraping and a structuring step, and then machine learning (ML) or natural language processing (NLP) is used to quantify the information. Thereafter, the quantified review is expressed as a distribution, and a result customized to the individual is finally returned, and parameters are continuously updated from the user's review in order to increase the user's satisfaction with the personalized review.
일 측면에 있어서, 본 발명에서 제안하는 개인화된 리뷰를 제공하는 방법은 정보 추출부를 통해 사용자가 평가하는 하나 이상의 평가 대상에 대해 복수의 평가 정보를 반영한 리뷰를 수집하고, 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 에 대해 웹크롤링(Web Crawling) 또는 웹스크래핑(Web Scraping)을 이용하여 리뷰 관련 정보를 추출하는 단계, 학습부를 통해 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 단계 및 사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 단계를 포함한다. In one aspect, the method for providing a personalized review suggested in the present invention includes the steps of collecting reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by a user through an information extraction unit, extracting review-related information using web crawling or web scraping from the collected reviews to reprocess them into personalized reviews for each user, the step of digitizing the extracted review-related information using machine learning (ML) or natural language processing (NLP) through a learning unit, and the step of expressing the digitized review-related information as user-specific weight parameters and data distributions through a user-specific personalized review providing unit, and providing user-specific personalized reviews using the user-specific weight parameters and data distributions.
본 발명의 실시예에 따른 사용자별 개인화된 리뷰 제공부를 통해 사용자별 개인화된 리뷰에 대한 사용자의 만족도를 증가시키기 위해 사용자별 가중치 파라미터 및 데이터 분포를 반복적으로 갱신한다. In order to increase user satisfaction with personalized reviews for each user through a personalized review provision unit according to an embodiment of the present invention, user-specific weight parameters and data distributions are repeatedly updated.
상기 학습부를 통해 기계학습 또는 자연어 처리를 이용하여 추출된 리뷰 관련 정보를 수치화하는 단계는 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 개인 사용자 평가 외에 또 다른 복수의 사용자들의 평가를 포함하는 리뷰들에 대하여 수치화된 리뷰 관련 정보를 다차원 특징공간 내 점들로 나타내고, 상기 다차원 특징공간 내 점들에 대하여 클러스터링(Clustering) 또는 기계학습을 수행한다. The step of digitizing the review-related information extracted using machine learning or natural language processing through the above learning unit includes expressing the digitized review-related information as points in a multidimensional feature space for reviews that include evaluations of multiple other users in addition to individual user evaluations of the collected reviews in order to reprocess them into personalized reviews for each user, and performing clustering or machine learning on the points in the multidimensional feature space.
상기 사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 단계는 상기 데이터 분포를 파악하기 위해 다차원 가우시안 분포로 나타내고, 상기 사용자별 가중치 파라미터는 평가 대상에 대한 개인 사용자 외에 또 다른 복수의 사용자들의 수치에 따른 개인 사용자만의 경향성을 반영하고, 모든 리뷰를 반영한 데이터 분포와 비교하여 개인 사용자의 리뷰의 상대적인 위치를 나타내는 수치이고, 상기 개인 사용자 및 상기 복수의 사용자들을 미리 정해진 특정 부류로 군집화하여 군집별 경향성을 나타낸다. The step of providing personalized reviews for each user by using the user-specific weight parameter and data distribution to represent the digitized review-related information through the user-specific personalized review providing unit comprises: representing the data distribution as a multidimensional Gaussian distribution in order to identify the data distribution; and the user-specific weight parameter is a numerical value that reflects the tendency of only the individual user according to the numerical values of a plurality of users other than the individual user for the evaluation target, and represents the relative position of the individual user's review compared to the data distribution reflecting all reviews; and representing the tendency of each cluster by clustering the individual user and the plurality of users into predetermined specific categories.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 개인화된 리뷰를 제공하는 시스템은 사용자가 평가하는 하나 이상의 평가 대상에 대해 복수의 평가 정보를 반영한 리뷰를 수집하고, 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 에 대해 웹크롤링(Web Crawling) 또는 웹스크래핑(Web Scraping)을 이용하여 리뷰 관련 정보를 추출하는 정보 추출부, 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 학습부 및 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 사용자별 개인화된 리뷰 제공부를 포함한다.In another aspect, the system for providing a personalized review proposed in the present invention includes an information extraction unit that collects reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by a user, extracts review-related information using web crawling or web scraping from the collected reviews to reprocess them into personalized reviews for each user, a learning unit that quantifies the extracted review-related information using machine learning (ML) or natural language processing (NLP), and a user-specific personalized review provision unit that expresses the quantified review-related information as user-specific weight parameters and data distribution, and provides user-specific personalized reviews using the user-specific weight parameters and data distribution.
본 발명의 실시예들에 따르면 리뷰를 제공받는 개개인에게 최적화된 리뷰 정보를 제공하는 서비스인 리뷰 개인화를 통하여 인터넷 및 스마트폰 앱 등의 플랫폼에서 보다 정확한 정보를 제공할 수 있다. 사용자에게 적절한 리뷰 정보를 이용하여 보다 신뢰도가 높은 개인화된 리뷰를 제공할 수 있고, 나아가 수집된 다양한 리뷰의 수치화된 변인들을 사용하여 다른 사용자와 함께 최적화된 추천 서비스를 제공할 수 있다. According to embodiments of the present invention, more accurate information can be provided on platforms such as the Internet and smartphone apps through review personalization, which is a service that provides optimized review information to each individual who receives a review. More reliable personalized reviews can be provided to users by utilizing appropriate review information, and further, optimized recommendation services can be provided together with other users by utilizing numerical variables of various collected reviews.
도 1은 본 발명의 일 실시예에 따른 사용자별 개인화된 리뷰를 제공하는 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 사용자별 개인화된 리뷰를 제공하는 시스템의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 사용자별 가중치 파라미터의 예시를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 사용자별 개인화된 리뷰를 제공하는 다양한 예시를 설명하기 위한 도면이다.FIG. 1 is a flowchart illustrating a method for providing personalized reviews for each user according to one embodiment of the present invention.
FIG. 2 is a diagram showing the configuration of a system that provides personalized reviews for each user according to one embodiment of the present invention.
FIG. 3 is a diagram showing an example of user-specific weight parameters according to one embodiment of the present invention.
FIG. 4 is a diagram illustrating various examples of providing personalized reviews for each user according to one embodiment of the present invention.
본 발명은 인터넷 및 스마트폰 앱 등에서 제공되는 리뷰를 개인화하기 위한 방법 및 시스템에 대한 것이다. 본 발명에 따른 방법은 개인별 특성을 고려하여 사용자 전체에 공통으로 제공되는 리뷰를 개인화된 리뷰로 표시하는 것을 목적으로, 주어진 텍스트 정보를 이용하여 웹크롤링(Web Crawling)이나 웹스크래핑(Web Scraping) 및 구조화 단계를 거쳐 정보를 추출하는 단계, 그리고 추출된 정보를 기반으로 개인화된 리뷰를 생성하는 단계를 포함한다. 예를 들어, 상기 정보는 통계 분류의 형태를 포함하는 기술과 같은, 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 사용하여 결정할 수 있다. 보다 유의미한 정보를 전달하는 것을 목표로 사용자에게 보다 최적화된 정보를 제공하고, 특히 재가공된 리뷰에 대한 만족도를 향상시키기 위해 관련 파라미터를 지속적으로 갱신한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다. The present invention relates to a method and system for personalizing reviews provided on the Internet and smartphone apps, etc. The method according to the present invention includes a step of extracting information through web crawling or web scraping and a structuring step using given text information, for the purpose of displaying a review commonly provided to all users as a personalized review by considering individual characteristics, and a step of generating a personalized review based on the extracted information. For example, the information can be determined using machine learning (ML) or natural language processing (NLP), such as a technology including a form of statistical classification. In order to provide more optimized information to users with the goal of delivering more meaningful information, and in particular, to improve satisfaction with reprocessed reviews, related parameters are continuously updated. Hereinafter, an embodiment of the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 일 실시예에 따른 사용자별 개인화된 리뷰를 제공하는 방법을 설명하기 위한 흐름도이다. FIG. 1 is a flowchart illustrating a method for providing personalized reviews for each user according to one embodiment of the present invention.
제안하는 사용자별 개인화된 리뷰를 제공하는 방법은 정보 추출부를 통해 사용자가 평가하는 하나 이상의 평가 대상에 대해 복수의 평가 정보를 반영한 리뷰를 수집하고, 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 에 대해 웹크롤링(Web Crawling) 또는 웹스크래핑(Web Scraping)을 이용하여 리뷰 관련 정보를 추출하는 단계(110), 학습부를 통해 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 단계(120), 사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 단계(130) 및 상기 사용자별 개인화된 리뷰 제공부를 통해 사용자별 개인화된 리뷰에 대한 사용자의 만족도를 증가시키기 위해 사용자별 가중치 파라미터 및 데이터 분포를 반복적으로 갱신하는 단계(140)를 포함한다. The proposed method for providing a personalized review for each user includes a step (110) of collecting reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by users through an information extraction unit, extracting review-related information using web crawling or web scraping from the collected reviews to reprocess them into personalized reviews for each user, a step (120) of digitizing the extracted review-related information using machine learning (ML) or natural language processing (NLP) through a learning unit, a step (130) of expressing the digitized review-related information as user-specific weight parameters and data distributions through a user-specific personalized review providing unit, and providing user-specific personalized reviews using the user-specific weight parameters and data distributions, and a step (140) of repeatedly updating the user-specific weight parameters and data distributions to increase user satisfaction with the user-specific personalized reviews through the user-specific personalized review providing unit.
단계(110)에서, 정보 추출부를 통해 사용자가 평가하는 하나 이상의 평가 대상에 대해 복수의 평가 정보를 반영한 리뷰를 수집하고, 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 에 대해 웹크롤링(Web Crawling) 또는 웹스크래핑(Web Scraping)을 이용하여 리뷰 관련 정보를 추출한다. In step (110), reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by users are collected through an information extraction unit, and review-related information is extracted using web crawling or web scraping for the collected reviews to reprocess them into personalized reviews for each user.
본 발명의 실시예에 따른 웹크롤링이란 조직적이고 자동화된 방법으로 전 세계적인 정보공간인 월드 와이드 웹(World Wide Web; WWW)을 탐색하여 유용한 데이터를 추출해내는 작업이다. 구글과 같은 검색엔진 등에서 주로 사용하며 특정 형태의 정보를 수집하는 데도 사용한다.Web crawling according to an embodiment of the present invention is a task of searching the World Wide Web (WWW), a global information space, in an organized and automated manner to extract useful data. It is mainly used in search engines such as Google and is also used to collect specific types of information.
본 발명의 실시예에 따른 웹스크래핑은 웹페이지(Webpage)로부터 유용한 데이터를 추출해오는 작업이다. 웹크롤링과 달리 여러 페이지가 아니라 하나의 웹페이지가 대상이라는 점에서 차이가 있다.Web scraping according to an embodiment of the present invention is a task of extracting useful data from a webpage. It differs from web crawling in that it targets a single webpage rather than multiple pages.
단계(120)에서, 학습부를 통해 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화한다. In step (120), review-related information extracted using machine learning (ML) or natural language processing (NLP) is quantified through a learning unit.
이때, 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 개인 사용자 평가 외에 또 다른 복수의 사용자들의 평가를 포함하는 리뷰들에 대하여 수치화된 리뷰 관련 정보를 다차원 특징공간 내 점들로 이해할 수 있다. 상기 다차원 특징공간 내 점들에 대하여 클러스터링(Clustering) 또는 기계학습을 통한 회귀분석(regression analysis)등 여러 연산을 적용할 수 있다. At this time, in order to reprocess the collected reviews into personalized reviews for each user, the numerical review-related information can be understood as points in a multidimensional feature space for reviews that include evaluations from multiple other users in addition to individual user evaluations. Various operations such as clustering or regression analysis through machine learning can be applied to the points in the multidimensional feature space.
본 발명의 실시예에 따른 기계학습이란 인공지능의 한 분야로, 명시적인 프로그래밍 없이 학습하여 성능을 개선하는 컴퓨터 알고리즘과 기술을 개발하는 연구분야다. 크게 분류(Classification)와 회귀(Regression)로 그 목적을 나눌 수 있는데, 결국 주목적은 예측(Prediction)이다. 본 발명의 실시예에 따른 기계학습을 통하여 리뷰에 대한 올바른 가중치를 예측할 수 있다.Machine learning according to the embodiment of the present invention is a field of artificial intelligence, and is a research field that develops computer algorithms and technologies that improve performance by learning without explicit programming. Its purpose can be largely divided into classification and regression, but its main purpose is prediction. Through machine learning according to the embodiment of the present invention, the correct weight for a review can be predicted.
본 발명의 실시예에 따른 자연어 처리는 컴퓨터와 인간이 의사소통을 위해 사용하는 자연어 사이의 상호작용을 연구하는 인공지능의 한 분야다. 음성인식, 번역 등을 포함하여 매우 넓은 범위를 포괄한다. 본 발명의 실시예에 따른 자연어 처리는 텍스트 데이터를 수치화하는 단계에 적용할 수 있다.Natural language processing according to an embodiment of the present invention is a field of artificial intelligence that studies the interaction between natural language used by computers and humans for communication. It covers a very wide range, including speech recognition, translation, etc. Natural language processing according to an embodiment of the present invention can be applied to the step of digitizing text data.
단계(130)에서, 사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공한다. In step (130), the digitized review-related information is expressed as user-specific weight parameters and data distribution through a user-specific personalized review provision unit, and a user-specific personalized review is provided using the user-specific weight parameters and data distribution.
먼저, 수치화된 리뷰 관련 정보가 개인 사용자 본인의 것인지 여부를 판단한다(131). 개인 사용자 본인의 것이 아닌 경우, 데이터 분포를 파악하기 위해 대표 값과 분포를 파악하기 쉬운 다차원 가우시안 분포로 나타낸다(132). First, it is determined whether the digitized review-related information belongs to the individual user (131). If it does not belong to the individual user, the data distribution is represented as a representative value and a multidimensional Gaussian distribution that is easy to understand (132).
반면에, 개인 사용자 본인의 것인 경우, 사용자별 가중치 파라미터로 나타낸다(133). 이후, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공한다(134). On the other hand, if it is the individual user's own, it is represented by a user-specific weight parameter (133). Afterwards, a personalized review for each user is provided using the user-specific weight parameter and data distribution (134).
본 발명의 실시예에 따른 사용자별 가중치 파라미터는 평가 대상에 대한 개인 사용자 외에 또 다른 복수의 사용자들의 수치에 따른 개인 사용자만의 경향성을 반영한다. 이러한 사용자별 가중치 파라미터는 모든 리뷰를 반영한 글로벌 데이터 분포와 비교하여 개인 사용자의 리뷰의 상대적인 위치를 나타내는 수치이다. The user-specific weight parameter according to an embodiment of the present invention reflects the tendency of an individual user based on the values of a plurality of other users in addition to the individual user for the evaluation target. This user-specific weight parameter is a numerical value that indicates the relative position of an individual user's review compared to the global data distribution reflecting all reviews.
이러한 사용자별 가중치 파라미터에 대해 기계학습(Machine Learning; ML)으로 학습의 과정을 거치고 자연어 처리(Natural Language Processing; NLP)를 통해 텍스트로 구성된 리뷰를 수치화한다. These user-specific weight parameters are trained through machine learning (ML) and the text-based reviews are quantified through natural language processing (NLP).
본 발명의 실시예에 따르면, 개인 사용자 및 상기 복수의 사용자들을 미리 정해진 특정 부류로 군집화하여 군집별 경향성을 나타낼 수 있다. 또한, 평가 대상들을 미리 정해진 특정 부류로 군집화하여 군집별 경향성을 나타낼 수도 있다. According to an embodiment of the present invention, individual users and the plurality of users can be clustered into specific, predetermined categories to indicate tendencies by clustering. In addition, evaluation subjects can be clustered into specific, predetermined categories to indicate tendencies by clustering.
단계(140)에서, 사용자별 개인화된 리뷰 제공부를 통해 사용자별 개인화된 리뷰에 대한 사용자의 만족도를 증가시키기 위해 사용자별 가중치 파라미터 및 데이터 분포를 반복적으로 갱신한다. In step (140), the user-specific weight parameters and data distribution are repeatedly updated to increase user satisfaction with the user-specific personalized reviews through the user-specific personalized review provision unit.
기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 학습의 과정은 본 발명의 실시예에 따른 특정 평가대상에 대하여 예측한 사용자의 만족도와 실제 사용자가 남긴 리뷰로 계산한 만족도를 비교하여, 사용자의 만족도를 정확하게 예측하는 것을 목표로 반복하여 학습할 수 있다. The learning process of quantifying review-related information extracted using machine learning (ML) or natural language processing (NLP) can be repeatedly learned with the goal of accurately predicting user satisfaction by comparing the predicted user satisfaction with the satisfaction calculated from reviews left by actual users for a specific evaluation target according to an embodiment of the present invention.
다양한 내부 및 외부 변인들에 의해 결정되는 파라미터에 대해 외부 변인에 따라 추천하는 기능을 수행할 수도 있다. It can also perform a function of making recommendations based on external variables for parameters determined by various internal and external variables.
리뷰를 제공받는 사용자에게 보다 신뢰성 있는 리뷰를 제공하기 위해 본 발명에서는 텍스트로 이루어진 리뷰를 기계학습 또는 자연어 처리를 이용해서 수치화 하고 수치화된 데이터의 분포를 통해 타인과 사용자의 리뷰와 비교하여 최종적으로 사용자에게 최적화된 리뷰 정보를 제공하는 방식을 제안한다. 바람직하게, 기계학습을 사용할 경우 개인화된 리뷰에 대하여 사용자의 만족도를 증가시키기 위해 사용자의 새로운 리뷰를 반영하여 파라미터를 갱신하는 과정을 반복한다. 본 아이디어는 또한 기존의 리뷰 데이터를 웹크롤링(Web crawling)이나 웹스크래핑(Web scraping)하는 방법을 포함하기 때문에 추가적인 데이터를 필요로 하지 않고도 최적화된 리뷰를 제공할 수 있다. In order to provide more reliable reviews to users who receive reviews, the present invention proposes a method of digitizing text-based reviews using machine learning or natural language processing, comparing the distribution of the digitized data with reviews of others and users, and ultimately providing optimized review information to users. Preferably, when machine learning is used, the process of updating parameters by reflecting new reviews from users is repeated to increase user satisfaction with personalized reviews. This idea also includes a method of web crawling or web scraping existing review data, so that optimized reviews can be provided without requiring additional data.
도 2는 본 발명의 일 실시예에 따른 사용자별 개인화된 리뷰를 제공하는 시스템의 구성을 나타내는 도면이다. FIG. 2 is a diagram showing the configuration of a system that provides personalized reviews for each user according to one embodiment of the present invention.
제안하는 사용자별 개인화된 리뷰를 제공하는 시스템은 정보 추출부(210), 학습부(220) 및 사용자별 개인화된 리뷰 제공부(230)를 포함한다. The system providing personalized reviews for each user includes an information extraction unit (210), a learning unit (220), and a personalized review provision unit (230).
본 발명의 실시예에 따른 정보 추출부(210)는 사용자가 평가하는 하나 이상의 평가 대상에 대해 복수의 평가 정보를 반영한 리뷰를 수집하고, 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 에 대해 웹크롤링(Web Crawling) 또는 웹스크래핑(Web Scraping)을 이용하여 리뷰 관련 정보를 추출한다. The information extraction unit (210) according to an embodiment of the present invention collects reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by a user, and extracts review-related information using web crawling or web scraping for the collected reviews to reprocess them into personalized reviews for each user.
본 발명의 실시예에 따른 학습부(220)는 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화한다. The learning unit (220) according to an embodiment of the present invention digitizes the extracted review-related information using machine learning (ML) or natural language processing (NLP).
본 발명의 실시예에 따른 학습부(220)는 사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 개인 사용자 평가 외에 또 다른 복수의 사용자들의 평가를 포함하는 리뷰들에 대하여 수치화된 리뷰 관련 정보를 다차원 특징공간 내 점들로 이해할 수 있다. 상기 다차원 특징공간 내 점들에 대하여 클러스터링(Clustering) 또는 기계학습을 통한 회귀분석(regression analysis)등 여러 연산을 적용할 수 있다. The learning unit (220) according to an embodiment of the present invention can understand the numerical review-related information as points in a multidimensional feature space for reviews that include evaluations of multiple other users in addition to individual user evaluations of reviews collected for reprocessing into personalized reviews for each user. Various operations such as clustering or regression analysis through machine learning can be applied to the points in the multidimensional feature space.
본 발명의 실시예에 따른 제공부(230)는 사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공한다. The providing unit (230) according to an embodiment of the present invention provides a personalized review providing unit for each user by expressing the digitized review-related information as a user-specific weight parameter and data distribution, and using the user-specific weight parameter and data distribution, provides a personalized review for each user.
본 발명의 실시예에 따른 제공부(230)는 데이터 분포를 파악하기 위해 대표 값과 분포를 파악하기 쉬운 다차원 가우시안 분포로 나타낸다. The provision unit (230) according to an embodiment of the present invention represents the data distribution as a representative value and a multidimensional Gaussian distribution that is easy to understand the distribution.
본 발명의 실시예에 따른 사용자별 가중치 파라미터는 평가 대상에 대한 개인 사용자 외에 또 다른 복수의 사용자들의 수치에 따른 개인 사용자만의 경향성을 반영한다. 이러한 사용자별 가중치 파라미터는 모든 리뷰를 반영한 글로벌 데이터 분포와 비교하여 개인 사용자의 리뷰의 상대적인 위치를 나타내는 수치이다. The user-specific weight parameter according to an embodiment of the present invention reflects the tendency of an individual user based on the values of a plurality of other users in addition to the individual user for the evaluation target. This user-specific weight parameter is a numerical value that indicates the relative position of an individual user's review compared to the global data distribution reflecting all reviews.
이러한 사용자별 가중치 파라미터에 대해 기계학습(Machine Learning; ML)으로 학습의 과정을 거치고 자연어 처리(Natural Language Processing; NLP)를 통해 텍스트로 구성된 리뷰를 수치화한다. These user-specific weight parameters are trained through machine learning (ML) and the text-based reviews are quantified through natural language processing (NLP).
본 발명의 실시예에 따르면, 개인 사용자 및 상기 복수의 사용자들을 미리 정해진 특정 부류로 군집화하여 군집별 경향성을 나타낼 수 있다. 또한, 평가 대상들을 미리 정해진 특정 부류로 군집화하여 군집별 경향성을 나타낼 수도 있다. According to an embodiment of the present invention, individual users and the plurality of users can be clustered into specific, predetermined categories to indicate tendencies by clustering. In addition, evaluation subjects can be clustered into specific, predetermined categories to indicate tendencies by clustering.
본 발명의 실시예에 따른 제공부(230)는 사용자별 개인화된 리뷰에 대한 사용자의 만족도를 증가시키기 위해 사용자별 가중치 파라미터 및 데이터 분포를 반복적으로 갱신한다. The provision unit (230) according to an embodiment of the present invention repeatedly updates user-specific weight parameters and data distributions to increase user satisfaction with personalized reviews for each user.
기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 학습의 과정은 본 발명의 실시예에 따른 특정 평가대상에 대하여 예측한 사용자의 만족도와 실제 사용자가 남긴 리뷰로 계산한 만족도를 비교하여, 사용자의 만족도를 정확하게 예측하는 것을 목표로 반복하여 학습할 수 있다. The learning process of quantifying review-related information extracted using machine learning (ML) or natural language processing (NLP) can be repeatedly learned with the goal of accurately predicting user satisfaction by comparing the predicted user satisfaction with the satisfaction calculated from reviews left by actual users for a specific evaluation target according to an embodiment of the present invention.
다양한 내부 및 외부 변인들에 의해 결정되는 파라미터에 대해 외부 변인에 따라 추천하는 기능을 수행할 수도 있다. It can also perform a function of making recommendations based on external variables for parameters determined by various internal and external variables.
도 3은 본 발명의 일 실시예에 따른 사용자별 가중치 파라미터의 예시를 나타내는 도면이다. FIG. 3 is a diagram showing an example of user-specific weight parameters according to one embodiment of the present invention.
리뷰는 평가자의 주관적인 생각이기에 평가자들의 리뷰는 모두에게 정확한 정보라고 할 수 없다. 하지만 아직까지 인터넷 및 스마트폰 앱 등에서 제공되는 리뷰는 그러한 고려가 반영되지 않으며, 그에 따라 여러 리뷰가 존재함에도 사용자는 적합한 정보를 얻지 못하는 경우도 존재한다. Since reviews are the subjective opinions of evaluators, reviews by evaluators cannot be said to be accurate information for everyone. However, reviews provided on the Internet and smartphone apps do not reflect such considerations, and as a result, even though there are many reviews, there are cases where users do not obtain appropriate information.
따라서, 본 발명에서는 리뷰를 제공받는 개개인에게 최적화된 리뷰 정보를 제공하는 서비스인 리뷰 개인화를 통하여 인터넷 및 스마트폰 앱 등의 플랫폼에서 보다 정확한 정보를 제공하고자 한다. Therefore, the present invention seeks to provide more accurate information on platforms such as the Internet and smartphone apps through review personalization, a service that provides review information optimized for each individual receiving a review.
본 발명의 실시예에 따른 개인화된 리뷰로 재가공하기 위해 주어진 리뷰 정보를 웹크롤링(Web Crawling)이나 웹스크래핑(Web Scraping)및 구조화 단계를 통해 정보를 추출한 다음, 기계학습 또는 자연어 처리를 이용해서 수치화할 수 있다. 이후, 수치화된 리뷰를 분포로 나타내고, 최종적으로 개인에게 맞춤화된 결과를 반환한다. In order to reprocess the given review information into a personalized review according to an embodiment of the present invention, the information can be extracted through web crawling or web scraping and a structuring step, and then digitized using machine learning or natural language processing. After that, the digitized review is expressed as a distribution, and finally, a result customized to the individual is returned.
도 3은 하나의 평가 대상에 대한 그래프를 나타낸다. 리뷰의 수치화는 다차원 공간에서의 분포로 표시 가능하며 해당 그래프는 그 중 한 축에 대한 사용자별 가중치를 나타낸 것이다. 축이 N개라면 수치화된 리뷰는 N차원 공간의 분포로 표현할 수 있으며 이러한 경우 N개의 가중치 집합을 사용할 수 있다. Figure 3 shows a graph for one evaluation subject. The numerical value of the review can be expressed as a distribution in a multidimensional space, and the graph shows the weights for each user for one axis. If there are N axes, the numerical review can be expressed as a distribution in an N-dimensional space, and in this case, N sets of weights can be used.
도 4는 본 발명의 일 실시예에 따른 사용자별 개인화된 리뷰를 제공하는 다양한 예시를 설명하기 위한 도면이다.FIG. 4 is a diagram illustrating various examples of providing personalized reviews for each user according to one embodiment of the present invention.
본 발명의 실시예에 따르면, 사용자에게 적절한 리뷰 정보를 이용하여 보다 신뢰도가 높은 개인화된 리뷰를 제공할 수 있다. 나아가 수집된 다양한 리뷰의 수치화된 변인들을 사용하여 다른 사용자와 함께 최적화된 추천 서비스를 제공받을 수 있다. According to an embodiment of the present invention, it is possible to provide a more reliable personalized review to a user by using appropriate review information. Furthermore, it is possible to provide an optimized recommendation service together with other users by using numerical variables of various collected reviews.
도 4에 도시된 실시예는 특히 음식 리뷰의 개인화에 대한 것이며 본 발명은 이 외 다양한 경우에 적용 가능하고, 여러 가지 상이한 형태로 구현될 수 있으며 여기서 설명하는 실시예에 한정되지 않는다. The embodiment illustrated in FIG. 4 is particularly directed to personalization of food reviews, and the present invention is applicable to various other cases, can be implemented in various different forms, and is not limited to the embodiment described herein.
도 4(a)를 참조하면, 개인 사용자에 대한 미식 프로필을 표시한다. 사용자에 대하여 미식 정보를 분석한 결과를 맛의 종류에 따라 표시한다. 이때, 정보는 함축적으로 표현할 수 있다. Referring to Fig. 4(a), a gastronomic profile for an individual user is displayed. The results of analyzing the gastronomic information for the user are displayed according to the type of taste. At this time, the information can be expressed implicitly.
도 4(b)는 특정 매장의 특정 음식에 대해 분석된 리뷰 프로필을 표시한다.Figure 4(b) shows the analyzed review profile for a specific food in a specific store.
특정 매장의 특정 음식에 대한 맛의 종류에 따라 개인 사용자에게 최적화된 맛을 추천할 수 있다. Depending on the type of taste for a specific food at a specific store, we can recommend a flavor optimized for the individual user.
도 4(c)는 음식 리뷰의 개인화에 있어서 환경정보(예를 들어, 날씨)를 반영한 추천 메뉴를 표시한다. Figure 4(c) shows a recommended menu that reflects environmental information (e.g., weather) in personalizing food reviews.
이와 같이 리뷰를 제공받는 개개인에게 최적화된 리뷰 정보를 제공하는 서비스인 리뷰 개인화를 통하여 인터넷 및 스마트폰 앱 등의 플랫폼에서 보다 정확한 정보를 제공할 수 있다. 사용자에게 적절한 리뷰 정보를 이용하여 보다 신뢰도가 높은 개인화된 리뷰를 제공할 수 있고, 나아가 수집된 다양한 리뷰의 수치화된 변인들을 사용하여 다른 사용자와 함께 최적화된 추천 서비스를 제공할 수 있다. In this way, through review personalization, a service that provides optimized review information to each individual who receives a review, more accurate information can be provided on platforms such as the Internet and smartphone apps. By using appropriate review information for users, more reliable personalized reviews can be provided, and furthermore, by using numerical variables from various collected reviews, an optimized recommendation service can be provided together with other users.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The devices described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices and components described in the embodiments may be implemented using one or more general-purpose computers or special-purpose computers, such as, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), a programmable logic unit (PLU), a microprocessor, or any other device capable of executing instructions and responding to them. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to the execution of the software. For ease of understanding, the processing device is sometimes described as being used alone, but those skilled in the art will appreciate that the processing device may include multiple processing elements and/or multiple types of processing elements. For example, the processing unit may include multiple processors, or a processor and a controller. Other processing configurations, such as parallel processors, are also possible.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing device to perform a desired operation or, independently or collectively, command the processing device. The software and/or data may be embodied in any type of machine, component, physical device, virtual equipment, computer storage medium, or device for interpretation by the processing device or for providing instructions or data to the processing device. The software may also be distributed over network-coupled computer systems, and stored or executed in a distributed manner. The software and data may be stored on one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program commands that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program commands, data files, data structures, etc., alone or in combination. The program commands recorded on the medium may be those specially designed and configured for the embodiment or may be those known to and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, and hardware devices specially configured to store and execute program commands such as ROMs, RAMs, and flash memories. Examples of program commands include not only machine language codes generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter, etc.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described above by way of limited examples and drawings, those skilled in the art will appreciate that various modifications and variations may be made from the above teachings. For example, appropriate results may be achieved even if the described techniques are performed in a different order than the described method, and/or components of the described systems, structures, devices, circuits, etc. are combined or combined in a different form than the described method, or are replaced or substituted by other components or equivalents.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also included in the scope of the claims described below.
Claims (8)
학습부를 통해 기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 단계; 및
사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 단계
를 포함하고,
상기 사용자별 개인화된 리뷰 제공부를 통해 상기 수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 단계는,
상기 데이터 분포를 파악하기 위해 다차원 공간의 확률 모델로 나타내고,
상기 사용자별 가중치 파라미터는 평가 대상에 대한 개인 사용자 외에 또 다른 복수의 사용자들의 수치에 따른 개인 사용자만의 경향성을 반영하고, 모든 리뷰를 반영한 데이터 분포와 비교하여 개인 사용자의 리뷰의 상대적인 위치를 나타내는 수치이고,
상기 개인 사용자 및 상기 복수의 사용자들을 미리 정해진 특정 부류로 군집화하여 군집별 경향성을 나타냄으로써, 주관적인 생각이 포함되는 복수의 사용자들의 평가를 포함하는 리뷰들에 대하여 사용자별 개인화된 리뷰를 제공하는
리뷰 제공 방법. A step of collecting reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by users through an information extraction unit, and extracting review-related information using web crawling or web scraping for the collected reviews to reprocess them into personalized reviews for each user;
A step of quantifying the review-related information extracted through machine learning (ML) or natural language processing (NLP) through the learning unit; and
A step for providing personalized reviews for each user by expressing the digitized review-related information as user-specific weight parameters and data distribution through a user-specific personalized review provision unit, and providing personalized reviews for each user by using the user-specific weight parameters and data distribution.
Including,
The step of providing personalized reviews for each user by using the user-specific personalized review provision section to express the digitized review-related information as user-specific weight parameters and data distribution, and using the user-specific weight parameters and data distribution,
In order to understand the above data distribution, it is expressed as a probability model of a multidimensional space,
The above user-specific weight parameter reflects the individual user's tendency based on the values of multiple other users in addition to the individual user for the evaluation target, and is a numerical value indicating the relative position of the individual user's review compared to the data distribution reflecting all reviews.
By clustering the above individual users and the above multiple users into predetermined specific categories and showing the tendency of each cluster, it provides personalized reviews for each user for reviews that include evaluations of multiple users that include subjective thoughts.
How to provide a review.
상기 사용자별 개인화된 리뷰 제공부를 통해 사용자별 개인화된 리뷰에 대한 사용자의 만족도를 증가시키기 위해 사용자별 가중치 파라미터 및 데이터 분포를 반복적으로 갱신하는 단계
를 더 포함하는 리뷰 제공 방법. In the first paragraph,
A step of repeatedly updating user-specific weight parameters and data distributions to increase user satisfaction with user-specific personalized reviews through the above-mentioned user-specific personalized review provision unit.
How to provide reviews that are more inclusive.
상기 학습부를 통해 기계학습 또는 자연어 처리를 이용하여 추출된 리뷰 관련 정보를 수치화하는 단계는,
사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 개인 사용자 평가 외에 또 다른 복수의 사용자들의 평가를 포함하는 리뷰들에 대하여 수치화된 리뷰 관련 정보를 다차원 특징공간 내 점들로 나타내고, 상기 다차원 특징공간 내 점들에 대하여 클러스터링(Clustering) 또는 기계학습을 수행하는
리뷰 제공 방법. In the first paragraph,
The step of digitizing the review-related information extracted through machine learning or natural language processing through the above learning unit is as follows.
In order to reprocess the collected reviews into personalized reviews for each user, reviews containing evaluations of multiple other users are represented as points in a multidimensional feature space, and clustering or machine learning is performed on the points in the multidimensional feature space.
How to provide a review.
기계학습(Machine Learning; ML) 또는 자연어 처리(Natural Language Processing; NLP)를 이용하여 추출된 리뷰 관련 정보를 수치화하는 학습부; 및
수치화된 리뷰 관련 정보를 사용자별 가중치 파라미터와 데이터 분포로서 나타내고, 사용자별 가중치 파라미터 및 데이터 분포를 이용하여 사용자별 개인화된 리뷰를 제공하는 사용자별 개인화된 리뷰 제공부
를 포함하고,
상기 사용자별 개인화된 리뷰 제공부는,
상기 데이터 분포를 파악하기 위해 다차원 공간의 확률 모델로 나타내고,
상기 사용자별 가중치 파라미터는 평가 대상에 대한 개인 사용자 외에 또 다른 복수의 사용자들의 수치에 따른 개인 사용자만의 경향성을 반영하고, 모든 리뷰를 반영한 데이터 분포와 비교하여 개인 사용자의 리뷰의 상대적인 위치를 나타내는 수치이고,
상기 개인 사용자 및 상기 복수의 사용자들을 미리 정해진 특정 부류로 군집화하여 군집별 경향성을 나타냄으로써, 주관적인 생각이 포함되는 복수의 사용자들의 평가를 포함하는 리뷰들에 대하여 사용자별 개인화된 리뷰를 제공하는
리뷰 제공 시스템. An information extraction unit that collects reviews reflecting multiple evaluation information for one or more evaluation targets evaluated by users and extracts review-related information using web crawling or web scraping for the collected reviews to reprocess them into personalized reviews for each user;
A learning unit that quantifies the review-related information extracted using machine learning (ML) or natural language processing (NLP); and
A user-specific personalized review provision unit that provides user-specific personalized reviews by expressing numerical review-related information as user-specific weight parameters and data distributions and utilizing user-specific weight parameters and data distributions.
Including,
The above personalized review provision section for each user is:
In order to understand the above data distribution, it is expressed as a probability model of a multidimensional space,
The above user-specific weight parameter reflects the individual user's tendency based on the values of multiple other users in addition to the individual user for the evaluation target, and is a numerical value indicating the relative position of the individual user's review compared to the data distribution reflecting all reviews.
By clustering the above individual users and the above multiple users into predetermined specific categories and showing the tendency of each cluster, it provides personalized reviews for each user for reviews that include evaluations of multiple users that include subjective thoughts.
Review provision system.
상기 사용자별 개인화된 리뷰 제공부는
사용자별 개인화된 리뷰에 대한 사용자의 만족도를 증가시키기 위해 사용자별 가중치 파라미터 및 데이터 분포를 반복적으로 갱신하는
리뷰 제공 시스템.In paragraph 5,
The above personalized review provision section for each user
Iteratively updates user-specific weight parameters and data distributions to increase user satisfaction with personalized reviews.
Review provision system.
상기 학습부는,
사용자별 개인화된 리뷰로 재가공하기 위해 수집된 리뷰의 개인 사용자 평가 외에 또 다른 복수의 사용자들의 평가를 포함하는 리뷰들에 대하여 수치화된 리뷰 관련 정보를 다차원 특징공간 내 점들로 나타내고, 상기 다차원 특징공간 내 점들에 대하여 클러스터링(Clustering) 또는 기계학습을 수행하는
리뷰 제공 시스템.In paragraph 5,
The above learning department,
In order to reprocess the collected reviews into personalized reviews for each user, reviews containing evaluations of multiple other users are represented as points in a multidimensional feature space, and clustering or machine learning is performed on the points in the multidimensional feature space.
Review provision system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220048092A KR102748296B1 (en) | 2022-04-19 | 2022-04-19 | Methods and System for Providing Personalized Reviews |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220048092A KR102748296B1 (en) | 2022-04-19 | 2022-04-19 | Methods and System for Providing Personalized Reviews |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230148995A KR20230148995A (en) | 2023-10-26 |
| KR102748296B1 true KR102748296B1 (en) | 2024-12-31 |
Family
ID=88509125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220048092A Active KR102748296B1 (en) | 2022-04-19 | 2022-04-19 | Methods and System for Providing Personalized Reviews |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102748296B1 (en) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2601768C (en) | 2005-03-18 | 2016-08-23 | Wink Technologies, Inc. | Search engine that applies feedback from users to improve search results |
| KR102292092B1 (en) * | 2015-10-08 | 2021-08-19 | 삼성에스디에스 주식회사 | Method and apparatus for providing personalized search results |
| KR101871827B1 (en) | 2017-02-07 | 2018-06-28 | (주)망고플레이트 | Content priority personalization apparatus, method and program |
| KR102582813B1 (en) * | 2020-03-04 | 2023-09-26 | 케이퍼스트랩 주식회사 | Method and apparatus for providing personalized recommendation service for offline purchase |
| KR102227552B1 (en) | 2020-06-08 | 2021-03-15 | 주식회사 그로우키친 | System for providing context awareness algorithm based restaurant sorting personalized service using review category |
| KR102365897B1 (en) * | 2020-07-21 | 2022-02-21 | 건국대학교 글로컬산학협력단 | Device and method for recommending cultural life content |
-
2022
- 2022-04-19 KR KR1020220048092A patent/KR102748296B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230148995A (en) | 2023-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108874992B (en) | Public opinion analysis method, system, computer equipment and storage medium | |
| KR101827345B1 (en) | Personalized recommendation system and its method using multiple algorithms and self-learning function | |
| KR20210036184A (en) | Item recommendation module based on user taste information and method for identifying user taste information | |
| US20190197063A1 (en) | Artificial intelligence for product data extraction | |
| CN111078971A (en) | Screening method, device, terminal and storage medium for resume files | |
| CN112288455A (en) | Label generation method and device, computer readable storage medium and electronic equipment | |
| CN119377490B (en) | A person-job matching recommendation method based on BERT and latent semantic algorithm model | |
| JP2022035314A (en) | Information processing unit and program | |
| KR102296420B1 (en) | Method and system for trust level evaluationon personal data collector with privacy policy analysis | |
| CN114546360B (en) | Code program recommendation method, device, electronic device and storage medium | |
| CN117744935A (en) | User portrait model construction method and system based on user access data | |
| WO2018230616A1 (en) | Legal information processing system, method, and program | |
| CN113961811A (en) | Conversational recommendation method, device, equipment and medium based on event map | |
| KR20180009408A (en) | Placeness Extraction and Inference System based on Social Network Analysis and Ontology | |
| KR102663632B1 (en) | Device and method for artwork trend data prediction using artificial intelligence | |
| KR102748296B1 (en) | Methods and System for Providing Personalized Reviews | |
| KR102653187B1 (en) | web crawling-based learning data preprocessing electronic device and method thereof | |
| CN115906858A (en) | Text processing method, system and electronic device | |
| Watanabe et al. | Layout cross-browser failure classification for mobile responsive design Web applications: Combining classification models using feature selection | |
| KR20250097548A (en) | Method and system of recommending talent by job competency | |
| KR102284440B1 (en) | Method to broker deep learning model transactions perfomed by deep learning model transaction brokerage servers | |
| CN118069834A (en) | Method, device, equipment and medium for speech quality inspection and training method of classification model | |
| CN116453702B (en) | Data processing method, device, system and medium for autism behavior feature set | |
| CN119539967B (en) | Insurance proposal generation method and device, computer equipment and storage medium | |
| CN120106400B (en) | A method, device and terminal device for real-time display of gas station information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20220419 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20240422 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20241223 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20241224 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20241226 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |