[go: up one dir, main page]

KR101073602B1 - 소셜 신뢰도 모델 생성 시스템 및 방법 - Google Patents

소셜 신뢰도 모델 생성 시스템 및 방법 Download PDF

Info

Publication number
KR101073602B1
KR101073602B1 KR1020100121012A KR20100121012A KR101073602B1 KR 101073602 B1 KR101073602 B1 KR 101073602B1 KR 1020100121012 A KR1020100121012 A KR 1020100121012A KR 20100121012 A KR20100121012 A KR 20100121012A KR 101073602 B1 KR101073602 B1 KR 101073602B1
Authority
KR
South Korea
Prior art keywords
relationship
social
reliability
users
user
Prior art date
Application number
KR1020100121012A
Other languages
English (en)
Inventor
한상용
김무철
서지완
노상현
Original Assignee
중앙대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020100121012A priority Critical patent/KR101073602B1/ko
Application granted granted Critical
Publication of KR101073602B1 publication Critical patent/KR101073602B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/60—Business processes related to postal services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

소셜 신뢰도 모델 생성 시스템 및 방법이 개시된다. 소셜 신뢰도 모델을 생성하는 방법으로서, 사용자간의 연결관계를 기반으로 실질 관계 네트워크를 생성하는 단계; 사용자들이 소유하고 있는 컨텐츠들의 내용 유사성을 기반으로 복수의 가상 관계 집단을 생성하는 단계-상기 복수의 가상 관계 집단은 서로 다른 사용자를 포함함; 사용자들 중 적어도 한 명(이하, 기준 사용자)에 대한 실질 관계 네트워크 및 상기 가상 관계 집단을 이용하여 확장 소셜 네트워크를 생성하는 단계; 및 상기 확장 소셜 네트워크를 이용하여 소셜 신뢰도 모델을 생성하는 단계를 포함하되, 상기 소셜 신뢰도 모델은 상기 기준 사용자에 대해 연결관계를 가지고 있는 사용자들의 신뢰도 집합인 것을 특징으로 한다. 본 발명에 따르면, 소셜 신뢰도 모델을 생성하기 위해 사용자간의 연결관계뿐만이 아니라 사용자간의 내용 유사도를 이용한 가상 관계 집단을 더 고려하여 소셜 네트워크를 생성함으로써 소셜 네트워크의 희박성 문제를 해결할 수 있다

Description

소셜 신뢰도 모델 생성 시스템 및 방법{System and Method for CREATING Social REPUTATION MODEL}
본 발명은 소셜 신뢰도 모델 생성 시스템 및 방법에 관한 것으로서, 보다 상세하게는 소셜 네트워크를 확장하여 보다 신뢰성 있는 모델을 생성할 수 있는 시스템 및 방법에 관한 것이다.
소셜 네트워크(Social Network)는 웹 사이언스의 연구 분야 중 하나로, 웹 상에서 개인 또는 집단이 하나의 노드(node)가 되어 각 노드들 간의 상호의존적인 연결관계(tie)에 의해 만들어지는 사회적 관계 구조를 말한다. 모든 노드들은 네트워크 안에 존재하는 개별적인 주체들이고, 타이(tie)는 각 노드들간의 연결관계를 말한다.
이러한 소셜 네트워크를 기반으로 하는 소셜 미디어들은 근래 들어 사용자 참여와 협동이 강조되는 웹 2.0 의 도래로 말미암아 많은 발전을 이루어왔다. 소셜 미디어란, 다수의 의견, 생각, 경험, 관점 등을 서로 공유하기 위해 사용하는 온라인 툴과 플랫폼을 의미한다.
소셜 미디어를 통해 공유되는 컨텐츠는 텍스트, 이미지, 오디오, 비디오 등의 다양한 형태를 가지며 블로그, 소셜 네트워크(페이스북, 트위터 등), 인스턴트 메시지 보드, 팟 캐스트, 위키, 사용자 제작 컨텐츠(UCC) 등이 있으며, 이를 통해 공유되는 대상은 텍스트, 이미지, 오디오, 비디오 등의 다양한 형태를 가진다.
이러한 환경하에서, 소셜 네트워크를 활용한 소셜 미디어의 검색 및 추천을 위해서는 신뢰성 있는 사용자의 소셜 신뢰도 모델을 구축하는 것이 중요하다. 신뢰도 모델이란 추천의 대상이 되는 사용자가 얼마나 추천 요구자가 원하는 정보를 보유하고 있는가에 대한 신뢰성 정보를 보여주는 모델을 의미한다.
기존의 소셜 네트워크를 활용한 검색 및 추천 시스템 연구들은 사용자간의 연결관계를 이용하여 소셜 신뢰도 모델을 구축하는 방식을 사용했다.
그러나 사용자간의 실질적인 연결관계의 수가 제한적이어서 사용자간의 연결관계를 이용하여 소셜 네트워크를 생성하고 이를 기반으로 신뢰도 모델을 구축하는 경우 소셜 네트워크의 희박성 문제가 발생하는 문제점이 있다.
그 결과 신뢰도 모델을 생성할 수 있는 사용자의 수가 제한되어 보다 신뢰성 있는 모델을 제안하는데 어려움이 있었다.
상기한 바와 같은 종래기술의 문제점을 해결하기 위해, 본 발명에서는 소셜 네트워크 확장을 통한 소셜 신뢰도 모델 생성 시스템 및 방법을 제안하고자 한다.
상기한 목적을 달성하기 위해 본 발명의 바람직한 일실시예에 따르면, 복수의 사용자에 네트워크를 통해 연결되는 서버에서의 소셜 신뢰도 모델을 생성하는 방법으로서, 상기 사용자간의 연결관계를 기반으로 실질 관계 네트워크를 생성하는 단계; 상기 사용자가 소유하고 있는 컨텐츠들의 내용 유사성을 기반으로 내용이 유사한 사용자들을 포함하는 복수의 가상 관계 집단을 생성하는 단계-상기 복수의 가상 관계 집단은 서로 다른 사용자를 포함함; 상기 사용자들 중 적어도 한 명(이하, 기준 사용자)에 대한 실질 관계 네트워크 및 상기 가상 관계 집단을 이용하여 확장 소셜 네트워크를 생성하는 단계; 및 상기 확장 소셜 네트워크를 이용하여 소셜 신뢰도 모델을 생성하는 단계를 포함하되, 상기 소셜 신뢰도 모델은 상기 기준 사용자에 대해 연결관계를 가지고 있는 사용자들의 신뢰도 집합인 것을 특징으로 하는 소셜 신뢰도 모델 생성 방법을 제공한다.
여기서, 상기 연결관계는 상기 사용자간 컨텐츠의 공동 생성, 다른 사용자가 저작한 컨텐츠에 대한 즐겨 찾기 추가, 상기 사용자간 동일 컨텐츠의 공유 등 상기 사용자간의 관계가 양 방향으로 이루어지는 것을 의미하는 것을 특징으로 할 수 있다.
또한, 상기 가상 관계 집단을 생성하는 단계는 상기 각각의 사용자가 소유하고 있는 상기 컨텐츠의 제목, 내용 등에 포함된 단어 별 출현 빈도수를 이용하여 내용 속성 정보를 생성하는 단계; 및 상기 사용자들의 내용 속성 정보를 이용하여 내용 유사성을 가지는 사용자를 포함하는 복수의 가상 관계 집단을 생성하는 단계;를 포함하는 것을 특징으로 할 수 있다.
여기서, 상기 확장 소셜 네트워크를 생성하는 단계는 상기 실질 관계 네트워크로부터 상기 기준 사용자에 대한 제1 연결관계를 획득하는 단계; 상기 복수의 가상 관계 집단 중 상기 기준 사용자를 포함하고 있는 가상 관계 집단으로부터 상기 기준 사용자에 대한 제2 연결관계를 획득하는 단계; 상기 제1 연결관계 및 상기 제2 연결관계의 조합으로 상기 기준 사용자에 대한 확장 소셜 네트워크를 생성하는 단계를 포함하는 것을 특징으로 할 수 있다.
상기 소셜 신뢰도 모델을 생성하는 단계는 상기 확장 소셜 네트워크를 통해 직접 연결된 사용자 간의 직접 연결관계 신뢰도를 계산하는 단계; 상기 확장 소셜 네트워크를 통해 상기 기준 사용자와 간접 연결된 사용자간의 간접 연결관계 신뢰도를 계산하는 단계; 상기 직접 연결관계 신뢰도와 상기 간접 연결관계 신뢰도를 이용하여 상기 기준 사용자에 대한 소셜 신뢰도 모델을 생성하는 단계를 포함하는 것을 특징으로 할 수 있다.
또한, 본 발명의 다른 일실시예에 따르면, 복수의 사용자에 네트워크를 통해 연결되는 서버에서의 소셜 신뢰도 모델을 생성하는 시스템으로서, 상기 사용자간의 연결관계를 기반으로 실질 관계 네트워크를 생성하는 실질 관계 네트워크 생성부;
상기 사용자가 소유하고 있는 컨텐츠들의 내용 유사성을 기반으로 내용이 유사한 사용자들을 포함하는 복수의 가상 관계 집단을 생성하는 가상 관계 집단 생성부-상기 복수의 가상 관계 집단은 서로 다른 사용자를 포함함; 상기 사용자들 중 적어도 한 명(이하, 기준 사용자)에 대한 실질 관계 네트워크 및 상기 가상 관계 집단을 이용하여 확장 소셜 네트워크를 생성하는 확장 소셜 네트워크 생성부; 및 상기 확장 소셜 네트워크를 이용하여 소셜 신뢰도 모델을 생성하는 소셜 신뢰도 모델 생성부를 포함하되, 상기 소셜 신뢰도 모델은 상기 기준 사용자에 대해 연결관계를 가지고 있는 사용자들의 신뢰도 집합인 것을 특징으로 하는 소셜 신뢰도 모델 생성 시스템을 제공한다.
본 발명에서는 소셜 신뢰도 모델을 생성하기 위해 사용자간의 연결관계뿐만이 아니라 사용자간의 내용 유사도를 이용한 가상 관계 집단을 더 고려하여 소셜 네트워크를 생성함으로써 소셜 네트워크의 희박성 문제를 해결할 수 있다.
도 1은 본 발명의 일 실시예에 따른 소셜 신뢰도 모델 생성 시스템을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 사용자간의 실질 관계 네트워크를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 실질 관계 네트워크, 가상 관계 집단 및 확장 소셜 네트워크의 일례를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 실질 관계 네트워크 관계를 형성하는 사용자 간의 신뢰도를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 기준 사용자와 직/간접 연결된 사용자간의 신뢰도를 도시한 도면이다.
도 6는 본 발명의 일 실시예에 따른 소셜 신뢰도 모델 생성 방법에 대한 전체 과정을 도시한 순서도이다.
도 7은 본 발명의 일 실시예에 따른 가상 관계 집단을 생성하는 단계의 구체적인 과정을 도시한 순서도이다.
도 8은 본 발명의 일 실시예에 따른 확장 소셜 네트워크를 생성하는 단계의 구체적인 과정을 도시한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 소셜 신뢰도 모델을 생성하는 단계의 구체적인 과정을 도시한 순서도이다.
도 10은 본 발명의 일 실시예에 따른 확장 소셜 네트워크에서 형성되는 간접 연결관계의 수에 대해 도시한 도면이다.
도 11은 실질 관계를 이용한 소셜 신뢰도 모델과 가상 관계를 함께 고려한 소셜 신뢰도 모델의 결과를 비교한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 소셜 신뢰도 모델 생성 시스템을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 소셜 신뢰도 모델 생성 시스템(100)은 소셜 네트워크 서버(101), 실질 관계 네트워크 생성부(103), 가상 관계 집단 생성부(105), 확장 소셜 네트워크 생성부(107), 소셜 신뢰도 모델 생성부(109)를 포함할 수 있다. 이하 각 구성요소 별로 그 기능을 상술하기로 한다.
소셜 신뢰도 모델 생성 시스템(100)은 복수의 사용자들이 네트워크를 통해 연결되는 소셜 네트워크 서버(101)를 통해 제공될 수 있다.
실질 관계 네트워크 생성부(103)는 사용자 간의 연결관계를 기반으로 실질 관계 네트워크를 생성한다. 본 발명에서 소셜 네트워크에서의 사용자는 노드를 의미한다.
여기서, 사용자간의 연결관계는 단 방향 또는 양 방향의 두 가지 관계로 설명할 수 있다. 단 방향의 연결관계는 블로그에서의 태깅, 트위터에서의 팔로잉, 포스트에 대한 댓글, 이메일의 전송 등 정보의 흐름이 한 방향으로 이루어지는 경우 등 이다.
양 방향의 연결관계는 컨텐츠의 공동 생성, 다른 사용자가 저작한 컨텐츠에 대한 링크 추가, 동일 컨텐츠의 공유 등 사용자간의 관계가 양 방향으로 이루어지는 경우이다. 일례로서, DBLP에서의 논문의 공저관계, 논문의 공동 링크 등이 양 방향의 연결관계를 의미한다.
본 발명에서의 연결관계는 상기에서 설명한 것에 한정되지 않으며 다른 여려 연결관계가 있음은 당업자에게 있어 자명할 것이다.
이하, 도 2를 참조하여 실질 관계 네트워크에 대한 보다 자세한 설명을 하도록 한다.
도 2는 본 발명의 일 실시예에 따른 사용자간의 실질 관계 네트워크를 도시한 도면이다.
도 2를 참조하면 제1 사용자(201)와 제2 사용자(203)가 적어도 하나 이상의 컨텐츠의 공동 생성 또는 컨텐츠의 공유를 하고 있다면 도 2와 같이 연결관계가 형성되게 되며 제1 사용자(201)와 제2 사용자는(203)는 직접 연결관계를 이루게 된다. 또한 제2 사용자(203)와 제3 사용자(205)간에 연결관계가 형성되는 경우 제1 사용자(201)와 제3 사용자(205)는 간접 연결관계, 제2 사용자(203)와 제3 사용자(205)는 직접 연결관계를 이루게 된다. 이러한 웹 또는 서버 상의 다수의 사용자간의 연결관계를 통해 실질 관계 네트워크가 생성된다.
다시 도 1을 참조하여 소셜 신뢰도 모델 생성 시스템(100)에 대해 설명하도록 한다.
가상 관계 집단 생성부(105)는 사용자들이 소유하고 있는 컨텐츠들의 내용 유사성을 기반으로 내용이 유사한 사용자들을 포함하는 복수의 가상 관계 집단을 생성한다.
여기서, 컨텐츠는 텍스트, 이미지, 오디오, 비디오 등의 다양한 형태를 가질 수 있으며 내용의 유사성 판단 시 텍스트의 경우에는 텍스트의 제목 또는 본문을 통해 내용의 유사성을 판단하며 이미지, 오디오 또는 비디오의 경우에는 컨텐츠의 성격(컨텐츠가 이미지, 오디오 또는 비디오 중 어느 하나인지 여부) 및 컨텐츠의 제목을 통해 내용 유사성을 판단할 수 있다.
본 발명의 일 실시예에 따르면, 가상 관계 집단 생성부(105)는 컨텐츠에의 제목 또는 본문에 포함된 여러 단어들의 가중치를 벡터요소로 하는 내용 속성 정보를 생성하고, 내용 속성 정보를 이용하여 내용의 유사성을 판단할 수 있다. 단어의 가중치는 컨텐츠의 제목 또는 본문 내에서 각 단어들이 가지는 중요도를 의미한다.
이러한 단어들의 가중치는 문서 내 단어의 출현 빈도를 이용하는 TF-IDF 가중치를 이용하여 결정할 수 있다. TF-IDF는 정보 검색과 텍스트 마이닝에서 이용하는 가중치로, 여러 문서로 이루어진 문서군이 있을 때 어떠한 단어가 특정 문서 내에서 얼마나 중요한 것인지를 나타내는 통계적 수치이다.
TF(단어 빈도수, term frequency)는 특정한 단어가 문서 내에 얼마나 자주 등장하는지를 나타내는 값으로, 이 값이 높을수록 문서에서 중요하다고 생각할 수 있다. 하지만 단어 자체가 문서군 내에서 자주 사용되는 경우, 이것은 그 단어가 흔하게 등장한다는 것을 의미한다. 이것을 DF(문서 빈도수, document frequency)라고 하며, 이 값의 역수를 IDF(inverse document frequency)라고 한다. TF-IDF는 TF와 IDF를 곱한 값이다.
컨텐츠내의 TF-IDF 가중치는 사용자가 지정한 단어 집합의 수만큼 등장하게 되며 단어에 대한 가중치를 벡터요소로 하여 내용 속성 정보를 생성할 수 있다.
이어서, 각각의 사용자의 컨텐츠에 대한 내용 속성 정보를 비교하여 각 사용자간의 유사도를 측정할 수 있다.
본 발명의 일 실시예에 따르면, 내용 유사도를 측정하는 방식으로 코사인 유사도(Cosine similarity) 방식을 이용할 수 있다. 코사인 유사도 방식은 문서를 하나의 벡터로 설정하고 두 개의 벡터가 이루는 각으로 유사도를 판단하는 방법이다.
따라서, 내용 속성 정보는 단어들의 가중치를 이용한 벡터로 표현되므로 코사인 유사도 방식을 이용하여 사용자 간의 내용 유사도를 측정할 수 있다.
다시 말하면, 가상 관계 집단 생성부(105)는 사용자간의 내용 유사도 측정을 통해 유사한 컨텐츠들을 소유하고 있는 사용자들을 유사한 사용자들로 판단하며, 이어서 유사한 사용자들을 포함하는 복수의 가상 관계 집단을 생성할 수 있다. 복수의 가상 관계 집단은 서로 다른 사용자를 포함할 수 있다.
확장 소셜 네트워크 생성부(107)는 사용자들 중 적어도 한 명(이하, 기준 사용자)에 대한 실질 관계 네트워크 및 가상 관계 집단을 이용하여 확장 소셜 네트워크를 생성할 수 있다.
확장 소셜 네트워크는 기준 사용자에 대한 실질 관계 네트워크와 복수의 가상 관계 집단 중 기준 사용자를 포함하고 있는 가상 관계 집단의 조합으로 생성된다.
다시 말하면, 사용자들 중 적어도 한 명을 기준으로 하는 사용자간의 연결관계로 이루어진 실질 관계 네트워크에 기준 사용자와 유사한 사용자들의 집단인 가상 관계 집단을 추가하여 확장 소셜 네트워크를 새롭게 생성한다.
이 경우, 확장 소셜 네트워크는 기준 사용자와 연결관계를 기반으로 하는 실질 관계만을 형성하는 사용자, 내용 유사성을 기반으로 가상 관계만을 형성하는 사용자, 실질 관계와 가상 관계를 중복하여 형성하고 있는 사용자들을 포함할 수 있다. 이에 대해서는 후에 보다 자세히 설명하도록 한다.
소셜 신뢰도 모델 생성부(109)는 확장 소셜 네트워크를 이용하여 소셜 신뢰도 모델을 생성한다. 소셜 신뢰도 모델이란 기준 사용자에 대해 연결관계를 가지고 있는 사용자들의 신뢰도 집합을 의미한다.
여기서, 신뢰도란 기준 사용자와 이와 연결관계를 가지고 있는 사용자간의 유사도를 의미하는 것으로서 다시 말하면 기준 사용자에 대해 사용자가 추천 되는 경우 얼마만큼의 기준 사용자가 원하는 컨텐츠를 소유하고 있는 사용자인가에 대한 척도를 의미한다.
기준 사용자와 사용자 간의 신뢰도는 실질 관계 또는 가상 관계 인지에 따라 다르게 계산되며, 직접 연결된 사용자, 간접 연결된 사용자인지 여부에 따라 다르게 계산된다. 이에 대해서는 후에 보다 자세히 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 실질 관계 네트워크, 가상 관계 집단 및 확장 소셜 네트워크의 일례를 도시한 도면이다.
도 3(a)는 실질 관계 네트워크(310)의 일례를 도시한 도면으로서 도 3(a)를 참조하면 사용자 B(302) 및 사용자 E(305)는 기준 사용자(301)과 직접 연결관계를 형성하며, 사용자 C(303) 및 사용자 D(304)는 기준 사용자(301)과 간접 연결관계를 형성한다.
도 3(b)는 가상 관계 집단의 일례를 도시한 도면으로서, 도3(b)를 참조하면 제1 가상 관계 집단(310)과 제2 가상 관계 집단(315)이 도시되어 있다.
제1 가상 관계 집단에 포함된 기준 사용자(301), 사용자 C(303), 사용자 E(305) 및 사용자 F(306)는 서로 유사한 컨텐츠를 소유하며 제2 가상 관계 집단에 포함된 사용자 B(302), 사용자 D(304), 사용자 G(307) 또한 서로 유사한 컨텐츠를 소유하고 있는 사용자들의 집합을 형성한다.
도 3(c)는 확장 소셜 네트워크(330)의 일례를 도시한 도면으로서, 도 3(c)를 참조하면 확장 소셜 네트워크(330)는 실질 관계 네트워크(310)와 제1 가상 관계 집단(320)의 조합으로 새롭게 생성된다.
여기서, 실질 관계 네트워크의 연결관계는 실선으로 표현되며, 가상 관계 집단에 포함된 사용자들의 연결관계는 점선으로 표현된다.
확장 소셜 네트워크(330)의 생성시 복수의 가상 관계 집단 중 기준 사용자(301)가 포함된 가상 관계 집단을 선택하게 되는데 도 2(b)를 참조하면 기준 사용자(301)가 포함된 가상 관계 집단은 제1 가상 관계 집단(320)이다. 따라서, 제1 가상 관계 집단(320)을 이용하여 실질 관계 네트워크(310)와의 관계에서 확장 소셜 네트워크(330)를 생성한다.
도 3(c)를 참조하면, 사용자 B(302) 기준 사용자(301)와 실질 관계를 가지며 직접 연결되어 있다. 사용자 C(303)는 제1 가상 관계 집단에 포함된 사용자로서 기준 사용자(301)와 실질 관계 및 가상 관계를 중복하여 가지며 간접 연결된 사용자이다. 사용자 D(304)는 기준 사용자(301)와의 관계에서 실질 관계 및 간접 연결관계를 가진다. 사용자 E는 기준 사용자(301)과 실질 관계 와 가상 관계를 중복하여 가지며, 기준 사용자(301)와 직접 연결되어 있다. 사용자 F는 실질 관계 네트워크서는 기준 사용자(301)와 연결관계가 없으나 제1 가상 관계 집단(320)을 통해 가상 관계를 가지며 기준 사용자(301)와 직접 연결된다. 사용자 G는 실질 관계 네트워크(310)에서도 연결관계가 없고 제2 가상 관계 집단(225)에 포함된 사용자로서 기준 사용자(301)와 아무런 관계를 가지지 않는 사용자이다.
이하, 사용자간의 신뢰도를 계산하는 방법에 대해 설명하도록 한다.
기준 사용자(301)와 직접 연결관계를 가지고 있는 사용자에 대한 신뢰도는 실질 관계만을 가지고 있는 사용자, 가상 관계만을 가지고 있는 사용자, 실질 관계 및 가상 관계를 중복하여 가지고 있는 사용자의 유형으로 구분하여 계산할 수 있다.
실질 관계만을 가지고 있는 사용자간의 실질 관계 신뢰도는 사용자들의 공통 링크된 영역의 측정을 통해 계산될 수 있다. 다시 말하면 사용자가 공동 생성한 컨텐츠의 수량, 공통 링크된 컨텐츠의 수량 또는 사용자간 서로 공유하고 있는 컨텐츠의 수량 등으로 신뢰도가 계산될 수 있다.
즉, DBLP에서의 논문을 예로 들면, 사용자간의 공저관계를 이루는 논문의 수량, 공동 링크된 논문의 수량 등으로 소셜 신뢰도 모델 생성부(109)는 사용자간의 신뢰도를 계산할 수 있다.
실질 관계 신뢰도 값의 설명을 돕기 위해 도 4를 참조 하도록 한다.
도 4는 본 발명의 일 실시예에 따른 실질 관계 네트워크 관계를 형성하는 사용자 간의 신뢰도를 설명하기 위한 도면이다.
도 4를 참조하면 일례로서 제1 사용자(201)가 제2 사용자(203)와 공유하고 있는 컨텐츠는 3개로서 제1사용자(201)에 대한 제2 사용자의 신뢰도는 3으로 계산될 수 있다. 제2 사용자(203)와 제3 사용자(205)가 공유하고 있는 컨텐츠는 2개로서 제2 사용자에 대한 제3 사용자의 신뢰도는 2로 계산될 수 있다. 따라서, 실질 관계를 가지고 있는 사용자간의 신뢰도는 1이상의 정수 범위를 가지게 된다.
이어서, 가상 관계를 가지고 있는 사용자간의 가상 관계 신뢰도는 사용자간의 내용 유사도를 이용하여 계산될 수 있다. 사용자간의 내용 유사도 값은 1을 넘을 수 없으므로 1 이하의 양의 소수 값을 가지게 된다. 따라서, 가상 관계 신뢰도 는 실질 관계 신뢰도 보다 더 낮은 값을 가지게 된다.
실질 관계 및 가상 관계를 중복하여 가지고 있는 사용자에 대한 중복 관계 신뢰도는 실질 관계 신뢰도 및 가상 관계 신뢰도를 함께 고려하여 계산될 수 있다.
중복 관계 신뢰도는 하기의 수식 1과 같이 표현할 수 있다.
Figure 112010079013746-pat00001
여기서,
Figure 112010079013746-pat00002
는 중복 관계 신뢰도,
Figure 112010079013746-pat00003
는 실질 관계 신뢰도,
Figure 112010079013746-pat00004
는 가상 관계 신뢰도를 각각 의미한다.
결론적으로, 기준 사용자와 직접 연결관계를 가지고 있는 사용자에 대한 신뢰도는 하기의 수식2와 같이 세가지 유형으로 표현될 수 있다.
Figure 112010079013746-pat00005
여기서,
Figure 112010079013746-pat00006
직접 연결관계 신뢰도를 의미한다.
이어서, 기준 사용자(301)와 간접 연결관계를 가지고 있는 사용자에 대한 간접 연결 신뢰도의 계산방법에 대해 살펴 보기로 한다.
간접 연결관계를 이루는 사용자 간의 간접 연결 신뢰도는 실질 관계 신뢰도와 가상 관계의 신뢰도 값이 가지는 범위가 다르기 때문에 직접 연결과 다른 방법으로 신뢰도를 계산하게 된다. 간접 연결 신뢰도는 하기의 수식3과 같이 표현될 수 있다.
Figure 112010079013746-pat00007
여기서,
Figure 112010079013746-pat00008
는 간접 연결관계 신뢰도, t는 기준 사용자와 간접 연결된 사용자간의 연결관계의 개수를 의미한다.
수식 3의 설명을 돕기 위해 이하 도 5를 참조하여 간접 연결관계의 신뢰도를 계산하는 방법에 대해 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 기준 사용자와 직/간접 연결된 사용자간의 신뢰도를 도시한 도면이다.
도 5를 참조하면 기준 사용자(301)과 사용자 B(302)간의 직접 연결관계 신뢰도는 3.4, 사용자 B(302)와 사용자 C(303)간의 직접 연결관계 신뢰도는 5, 사용자 C(303)와 사용자 D간의 직접 연결관계 신뢰도(304)는 0.6임을 알 수 있다.
기준 사용자(301)과 사용자 C(303)는 간접 연결관계이며 연결관계의 개수는 2임으로 수식 3에 의해 기준 사용자(301)과 사용자 C(303)간의 간접 연결관계 신뢰도는
Figure 112010079013746-pat00009
의 값을 가지게 된다.
기준 사용자(301)과 사용자 D(304)는 연결관계의 개수는 3이며 수식 3에 의해 기준 사용자(301)과 사용자 D(304)간의 간접 연결관계 신뢰도는
Figure 112010079013746-pat00010
의 값을 가지게 된다.
이하, 본 발명의 일 실시예에 따른 소셜 신뢰도 모델 생성 방법에 대해 설명하도록 한다.
도 6는 본 발명의 일 실시예에 따른 소셜 신뢰도 모델 생성 방법에 대한 전체 과정을 도시한 순서도이다.
먼저 단계(S601)는 실질 관계 네트워크 생성부(103)가 소셜 네트워크를 이루는 사용자간의 연결관계를 기반으로 실질 관계 네트워크를 생성한다.
이어서 단계(S603)은 가상 관계 집단 생성부(105)가 사용자들이 소유하고 있는 컨텐츠들의 내용 유사성을 기반으로 내용이 유사한 사용자들을 포함하는 복수의 가상 관계 집단을 생성한다.
단계(S605)는 확장 소셜 네트워크 생성부(107)가 기준 사용자에 대한 실질 관계 네트워크와 가상 관계 집단을 이용하여 확장 소셜 네트워크를 생성한다.
단계(S607)은 소셜 신뢰도 모델 생성부(109)가 확장 소셜 네트워크를 이용하여 소셜 신뢰도 모델을 생성한다.
본 발명의 일 실시예에 따르면, 사용자간의 연결관계는 양 방향의 연결관계를 전제로 할 수 있다. 이 경우 사용자 간의 신뢰도는 연결관계에서 발생하는 공통 영역의 정도로 계산될 수 있다.
도 7은 본 발명의 일 실시예에 따른 가상 관계 집단을 생성하는 단계의 구체적인 과정을 도시한 순서도이다.
단계(S701)에서 가상 관계 집단 생성부(105)는 사용자들이 소유하고 있는 컨텐츠의 제목 또는 본문에 포함된 여러 단어들의 가중치를 벡터요소로 하는 내용 속성 정보를 생성한다.
이어서 단계(S703)에서는 가상 관계 집단 생성부(105)가 각각의 사용자의 컨텐츠에 대한 내용 속성 정보를 이용하여 각 사용자간의 내용 유사도를 측정하고 이를 이용하여 유사한 사용자들을 포함하는 복수의 가상 관계 집단을 생성한다.
본 발명의 일 실시예에 따르면, 복수의 가상 관계 집단을 생성하기 위해 K-평균(k-means) 알고리즘을 이용한 클러스터링 기법을 이용할 수 있다. K-평균 알고리즘이란 주어진 데이터를 k개의 클러스터로 묶는 알고리즘을 의미한다.
우선 k개의 클러스터를 초기화 하기 위해 k개의 사용자를 랜럼 방식으로 선출하여 클러스터의 프로토 타입으로 선정한다. 클러스터 프로토 타입은 클러스터에 소속된 노드들을 대표하는 값이다. 이후, 각각의 사용자들은 자신과 가장 유사도 값이 가까운 클러스터의 소속 노드로 참여하게 된다.
클러스터의 소속 노드에 대한 참여가 끝나고 나면 각 소속 노드에 포함된 사용자들의 코사인 유사도 평균을 구하고 이 평균을 이용하여 새로운 클러스터의 프로토 타입을 선정한다. 최적의 클러스터를 구성하기 위해 새롭게 선출된 클러스터 프로토 타입이 기존의 것과 같을 때까지 이와 같은 과정을 반복 수행한다.
이에 따라, k개의 가상 관계 집단이 생성되며 각각의 가상관계 집단은 복수의 서로 다른 사용자를 포함하게 된다.
도 8은 본 발명의 일 실시예에 따른 확장 소셜 네트워크를 생성하는 단계의 구체적인 과정을 도시한 순서도이다.
단계(S801)은 확장 소셜 네트워크 생성부가(107) 실질 관계 네트워크 생성부(103)에서 생성된 실질 관계 네트워크로부터 기준 사용자에 대한 제1 연결관계를 획득한다.
제1 연결관계란 실질 관계 네트워크에서 기준 사용자를 중심으로 직/간접 연결된 사용자간의 네트워크를 말한다.
단계(S803)는 확장 소셜 네트워크 생성부(107)가 가상 관계 집단 생성부(105)에서 생성된 가상 관계 집단으로부터 기준 사용자에 대한 제2 연결관계를 획득한다.
제2 연결관계는 복수의 가상 관계 집단 중 기준 사용자를 포함하는 가상 관계 집단에 포함된 사용자 간의 연결관계를 의미한다.
단계(S805)는 확장 소셜 네트워크 생성부(107)가 제1 연결관계 및 제2 연결관계의 조합으로 기준 사용자에 대한 확장 소셜 네트워크를 생성한다.
도 9는 본 발명의 일 실시예에 따른 소셜 신뢰도 모델을 생성하는 단계의 구체적인 과정을 도시한 순서도이다.
단계(S901)은 소셜 신뢰도 모델 생성부 (109)가 직접 연결된 사용자간의 직접 연결관계 신뢰도를 계산한다. 직접 연결관계 신뢰도는 실질 관계 신뢰도, 가상 관계 신뢰도, 중복 관계 신뢰도의 세가지 유형을 가진다.
단계(S903)은 소셜 신뢰도 모델 생성부(109)가 기준 사용자와 간접 연결된 사용자들의 간접 연결관계 신뢰도를 계산한다. 간접 연결관계 신뢰도는 기준 사용자와 간접 연결된 사용자간의 연결관계의 개수 및 각 사용자간의 직접 연결관계 신뢰도를 이용하여 계산될 수 있다.
단계(S905)는 소셜 신뢰도 모델 생성부가 직접 연결 관계 신뢰도와 간접 연결 관계 신뢰도를 이용하여 기준 사용자와 연결관계를 가지는 사용자에 대한 소셜 신뢰도 모델을 생성한다.
도 10은 본 발명의 일 실시예에 따른 확장 소셜 네트워크에서 형성되는 간접 연결관계의 수에 대해 도시한 도면이다.
도 10(a)를 참조하면, 본 발명의 경우 종래 기술에 비해 추가적인 사용자의 연결관계가 확보됨을 확인할 수 있다. 간접 연결관계는 3번째 간접 연결에서 많은 증가를 보이며 그 이후에는 수렴하게 된다.
도 10(b)는 간접 연결관계의 분산 그래프이며 간접 연결관계 중 3번 째 간접 연결이 차지하는 비중이 가장 큼을 알 수 있다.
도 11은 실질 관계만을 이용한 소셜 신뢰도 모델과 가상 관계를 함께 고려한 소셜 신뢰도 모델의 결과를 비교한 도면이다.
도 10을 참조하면, 본 발명의 경우 종래 기술에 비해 높은 정확률 및 재현율을 보임을 알 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
101 : 소셜 네트워크 서버103 : 실질 관계 네트워크 생성부
105 : 가상 관계 집단 생성부107 : 확장 소셜 네트워크 생성부
109 : 소셜 신뢰도 모델 생성부
201 : 제1 사용자203 : 제2 사용자
205 : 제3 사용자
301 : 기준 사용자302 : 사용자 B
303 : 사용자 C304 : 사용자 D
305 : 사용자 E306 : 사용자 F
307 : 사용자 G310 : 실질 관계 네트워크
320 : 제1 가상 관계 집단325 : 제2 가상 관계 집단
330 : 확장 소셜 네트워크

Claims (15)

  1. 소셜 신뢰도 모델을 생성하는 방법으로서,
    사용자간의 연결관계를 기반으로 실질 관계 네트워크를 생성하는 단계;
    사용자들이 소유하고 있는 컨텐츠들의 내용 유사성을 기반으로 복수의 가상 관계 집단을 생성하는 단계-상기 복수의 가상 관계 집단은 서로 다른 사용자를 포함함;
    사용자들 중 적어도 한 명(이하, 기준 사용자)에 대한 상기 실질 관계 네트워크 및 상기 가상 관계 집단을 이용하여 확장 소셜 네트워크를 생성하는 단계; 및
    상기 확장 소셜 네트워크를 이용하여 소셜 신뢰도 모델을 생성하는 단계를 포함하되,
    상기 소셜 신뢰도 모델은 상기 기준 사용자에 대해 연결관계를 가지고 있는 사용자들의 신뢰도 집합인 것을 특징으로 하는 소셜 신뢰도 모델 생성 방법.
  2. 제1항에 있어서,
    상기 연결관계는,
    상기 사용자간 컨텐츠의 공동 생성, 다른 사용자가 저작한 컨텐츠에 대한 즐겨 찾기 추가, 상기 사용자간 동일 컨텐츠의 공유, 블로그에서의 태깅, 트위터에서의 팔로잉, 포스트에 대한 댓글, 이메일의 전송 중 적어도 하나를 포함하는 것을 특징으로 하는 소셜 신뢰도 모델 생성 방법.
  3. 제1항에 있어서,
    상기 가상 관계 집단을 생성하는 단계는
    각각의 사용자가 소유하고 있는 컨텐츠의 제목, 내용 등에 포함된 단어 별 출현 빈도수를 이용하여 내용 속성 정보를 생성하는 단계; 및
    상기 내용 속성 정보를 이용하여 내용 유사성을 가지는 사용자를 포함하는 복수의 가상 관계 집단을 생성하는 단계;
    를 포함하는 것을 특징으로 하는 소셜 신뢰도 모델 생성방법.
  4. 제3항에 있어서,
    상기 내용 속성 정보는 상기 단어 별 출현 빈도수를 벡터요소로 하는 것을 특징으로 하는 소셜 신뢰도 모델 생성 방법.
  5. 제4항에 있어서,
    상기 내용 유사성은,
    상기 내용 속성 정보를 이루는 벡터요소가 이루는 각을 이용하여 결정되는 것을 특징으로 하는 소셜 신뢰도 모델 생성 방법.
  6. 제1항에 있어서,
    상기 확장 소셜 네트워크를 생성하는 단계는,
    상기 실질 관계 네트워크로부터 상기 기준 사용자에 대한 제1 연결관계를 획득하는 단계;
    상기 복수의 가상 관계 집단 중 상기 기준 사용자를 포함하고 있는 가상 관계 집단으로부터 상기 기준 사용자에 대한 제2 연결관계를 획득하는 단계; 및
    상기 제1 연결관계 및 상기 제2 연결관계의 조합으로 상기 기준 사용자에 대한 확장 소셜 네트워크를 생성하는 단계
    를 포함하는 것을 특징으로 하는 소셜 신뢰도 모델 생성방법.
  7. 제6항에 있어서,
    상기 소셜 신뢰도 모델을 생성하는 단계는
    상기 확장 소셜 네트워크를 통해 직접 연결된 사용자 간의 직접 연결관계 신뢰도를 계산하는 단계;
    상기 확장 소셜 네트워크를 통해 상기 기준 사용자와 간접 연결된 사용자간의 간접 연결관계 신뢰도를 계산하는 단계; 및
    상기 직접 연결관계 신뢰도와 상기 간접 연결관계 신뢰도를 이용하여 상기 기준 사용자와 연결관계를 가지는 상기 사용자에 대한 소셜 신뢰도 모델을 생성하는 단계;
    를 포함하는 것을 특징으로 하는 소셜 신뢰도 모델 생성방법.
  8. 제 7항에 있어서,
    상기 직접 연결관계 신뢰도는
    상기 사용자간의 제1 연결관계를 가지고 있는 실질 관계 신뢰도, 상기 사용자간의 제2연결관계를 가지고 있는 가상 관계 신뢰도 또는 상기 사용자간의 상기 제1 연결관계 및 상기 제2 연결관계를 동시에 가지고 있는 중복 관계 신뢰도 중 어느 하나의 신뢰도인 것을 특징으로 하는 소셜 신뢰도 모델 생성 방법.
  9. 제8항에 있어서,
    상기 실질 관계 신뢰도는 상기 사용자 간의 상호 공유하고 있는 상기 컨텐츠의 수량에 의해 계산되며,
    상기 가상 관계 신뢰도는 상기 사용자 간의 상기 내용 유사도 값에 의해 계산되며,
    상기 중복 관계 신뢰도는 상기 컨텐츠의 수량과 상기 내용 유사도 값을 함께 고려하여 계산되는 것을 특징으로 하는 소셜 신뢰도 모델 생성방법.
  10. 제9항에 있어서,
    상기 간접 연결관계 신뢰도는
    상기 기준 사용자와 간접 연결된 사용자간의 연결관계의 수와 상기 직접 연결관계 신뢰도를 이용하여 계산되는 것을 특징으로 하는 소셜 신뢰도 모델 생성방법.
  11. 제10항에 있어서,
    상기 간접 연결관계 신뢰도는,
    하기의 수학식을 기초로 계산되는 것을 특징으로 하는 소셜 신뢰도 모델 생성방법.


    Figure 112010079013746-pat00011

    여기서,
    Figure 112010079013746-pat00012
    는 간접 연결관계 신뢰도,
    Figure 112010079013746-pat00013
    는 중복 관계 신뢰도,
    Figure 112010079013746-pat00014
    는 실질 관계 신뢰도,
    Figure 112010079013746-pat00015
    는 가상 관계 신뢰도, t는 기준 사용자와 간접 연결된 사용자간의 연결관계의 개수를 각각 의미한다.
  12. 복수의 사용자에 네트워크를 통해 연결되는 서버에서의 소셜 신뢰도 모델을 생성하는 시스템으로서,
    상기 사용자간의 연결관계를 기반으로 실질 관계 네트워크를 생성하는 실질 관계 네트워크 생성부;
    상기 사용자가 소유하고 있는 컨텐츠들의 내용 유사성을 기반으로 내용이 유사한 사용자들을 포함하는 복수의 가상 관계 집단을 생성하는 가상 관계 집단 생성부-상기 복수의 가상 관계 집단은 서로 다른 사용자를 포함함;
    상기 사용자들 중 적어도 한 명(이하, 기준 사용자)에 대한 실질 관계 네트워크 및 상기 가상 관계 집단을 이용하여 확장 소셜 네트워크를 생성하는 확장 소셜 네트워크 생성부; 및
    상기 확장 소셜 네트워크를 이용하여 소셜 신뢰도 모델을 생성하는 소셜 신뢰도 모델 생성부를 포함하되,
    상기 소셜 신뢰도 모델은 상기 기준 사용자에 대해 연결관계를 가지고 있는 사용자들의 신뢰도 집합인 것을 특징으로 하는 소셜 신뢰도 모델 생성 시스템.
  13. 제12항에 있어서,
    상기 가상 관계 집단 생성부는,
    상기 각각의 소유자가 소유하고 있는 상기 컨텐츠의 제목, 내용 등에 포함된 단어 별 출현 빈도수를 이용하여 생성된 내용 속성 정보를 이용하여 상기 복수의 가상 관계 집단을 생성하는 것을 특징으로 하는 소셜 신뢰도 모델 생성 시스템.
  14. 제12항에 있어서,
    상기 확장 소셜 네트워크 생성부는,
    상기 실질 관계 네트워크로부터 획득된 상기 기준 사용자에 대한 제1 연결 관계 및 상기 복수의 가상 관계 집단 중 상기 기준 사용자를 포함하고 있는 가상 관계 집단으로부터 획득된 상기 기준 사용자에 대한 제2 연결 관계의 조합으로 상기 기준 사용자에 대한 확장 소셜 네트워크를 생성하는 것을 특징으로 하는 소셜 신뢰도 모델 생성 시스템.
  15. 제12항에 있어서,
    상기 소셜 신뢰도 모델을 생성부는,
    상기 확장 소셜 네트워크를 통해 직접 연결된 사용자 간의 직접 연결관계 신뢰도 및 상기 확장 소셜 네트워크를 통해 상기 기준 사용자와 간접 연결된 사용자간의 간접 연결관계 신뢰도를 이용하여 상기 기준 사용자에 대한 소셜 신뢰도 모델을 생성하는 것을 특징으로 하는 소셜 신뢰도 모델 생성 시스템.
KR1020100121012A 2010-11-30 2010-11-30 소셜 신뢰도 모델 생성 시스템 및 방법 KR101073602B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100121012A KR101073602B1 (ko) 2010-11-30 2010-11-30 소셜 신뢰도 모델 생성 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100121012A KR101073602B1 (ko) 2010-11-30 2010-11-30 소셜 신뢰도 모델 생성 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101073602B1 true KR101073602B1 (ko) 2011-10-14

Family

ID=45032828

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100121012A KR101073602B1 (ko) 2010-11-30 2010-11-30 소셜 신뢰도 모델 생성 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101073602B1 (ko)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013058903A1 (en) * 2011-10-18 2013-04-25 Facebook, Inc. Ranking objects by social relevance
KR101286713B1 (ko) * 2011-11-18 2013-07-16 서강대학교산학협력단 Ｓｎｓ문장분석을 통한 사용자 요구사항 수집방법
KR101373927B1 (ko) 2012-05-04 2014-03-13 중앙대학교 산학협력단 소셜 네트워크 서버 및 이를 이용한 소셜 신뢰도 모델 생성방법
KR101396013B1 (ko) * 2012-07-11 2014-05-19 중앙대학교 산학협력단 인지형 소셜 네트워크 구축 방법 및 서버
WO2014136998A1 (ko) * 2013-03-05 2014-09-12 주식회사 랭크웨이브 네트워크 서비스에서의 사용자 영향력 지수 설정 방법 및 그 장치
KR101459537B1 (ko) 2012-12-21 2014-11-11 서울대학교산학협력단 링크 예측을 이용한 소셜 추천 방법
KR101456331B1 (ko) 2012-05-04 2014-11-14 중앙대학교 산학협력단 소셜 네트워크 서버 및 이를 이용한 정보 접근 권한 설정 방법
KR101550494B1 (ko) 2013-04-19 2015-09-07 성균관대학교산학협력단 소셜 네트워크 서비스의 동적 사용자 신뢰도 평가 방법 및 신뢰도 평가 시스템
US9690826B2 (en) 2013-05-03 2017-06-27 Facebook, Inc. Using inverse operators for queries
US9697291B2 (en) 2013-05-03 2017-07-04 Facbook, Inc. Search query interactions
US10402412B2 (en) 2013-05-03 2019-09-03 Facebook, Inc. Search intent for queries
US11005846B2 (en) 2017-12-07 2021-05-11 Electronics And Telecommunications Research Institute Method and apparatus for providing trust-based media services
KR20210117037A (ko) * 2020-03-18 2021-09-28 충북대학교 산학협력단 소셜 사물 인터넷 환경에서 유사 사용자 추천 방법 및 이를 기록한 기록매체
KR20220125580A (ko) * 2021-03-05 2022-09-14 백석대학교산학협력단 블록체인과 로튼 토마토 방식을 활용한 이메일 집단 인증 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008519332A (ja) 2004-10-28 2008-06-05 ヤフー！ インコーポレイテッド 信頼ネットワークを含むユーザ判断を一体化したサーチシステム及び方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008519332A (ja) 2004-10-28 2008-06-05 ヤフー！ インコーポレイテッド 信頼ネットワークを含むユーザ判断を一体化したサーチシステム及び方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013058903A1 (en) * 2011-10-18 2013-04-25 Facebook, Inc. Ranking objects by social relevance
US8977611B2 (en) 2011-10-18 2015-03-10 Facebook, Inc. Ranking objects by social relevance
KR101286713B1 (ko) * 2011-11-18 2013-07-16 서강대학교산학협력단 Ｓｎｓ문장분석을 통한 사용자 요구사항 수집방법
KR101373927B1 (ko) 2012-05-04 2014-03-13 중앙대학교 산학협력단 소셜 네트워크 서버 및 이를 이용한 소셜 신뢰도 모델 생성방법
KR101456331B1 (ko) 2012-05-04 2014-11-14 중앙대학교 산학협력단 소셜 네트워크 서버 및 이를 이용한 정보 접근 권한 설정 방법
KR101396013B1 (ko) * 2012-07-11 2014-05-19 중앙대학교 산학협력단 인지형 소셜 네트워크 구축 방법 및 서버
KR101459537B1 (ko) 2012-12-21 2014-11-11 서울대학교산학협력단 링크 예측을 이용한 소셜 추천 방법
WO2014136998A1 (ko) * 2013-03-05 2014-09-12 주식회사 랭크웨이브 네트워크 서비스에서의 사용자 영향력 지수 설정 방법 및 그 장치
KR101550494B1 (ko) 2013-04-19 2015-09-07 성균관대학교산학협력단 소셜 네트워크 서비스의 동적 사용자 신뢰도 평가 방법 및 신뢰도 평가 시스템
US9690826B2 (en) 2013-05-03 2017-06-27 Facebook, Inc. Using inverse operators for queries
US9697291B2 (en) 2013-05-03 2017-07-04 Facbook, Inc. Search query interactions
US10402412B2 (en) 2013-05-03 2019-09-03 Facebook, Inc. Search intent for queries
US10417222B2 (en) 2013-05-03 2019-09-17 Facebook, Inc. Using inverse operators for queries
US10423687B2 (en) 2013-05-03 2019-09-24 Facebook, Inc. Search query interactions
US11005846B2 (en) 2017-12-07 2021-05-11 Electronics And Telecommunications Research Institute Method and apparatus for providing trust-based media services
KR20210117037A (ko) * 2020-03-18 2021-09-28 충북대학교 산학협력단 소셜 사물 인터넷 환경에서 유사 사용자 추천 방법 및 이를 기록한 기록매체
KR102388952B1 (ko) 2020-03-18 2022-04-20 충북대학교 산학협력단 소셜 사물 인터넷 환경에서 유사 사용자 추천 방법 및 이를 기록한 기록매체
KR20220125580A (ko) * 2021-03-05 2022-09-14 백석대학교산학협력단 블록체인과 로튼 토마토 방식을 활용한 이메일 집단 인증 시스템
KR102449591B1 (ko) 2021-03-05 2022-09-29 백석대학교산학협력단 블록체인과 로튼 토마토 방식을 활용한 이메일 집단 인증 시스템

Similar Documents

Publication Publication Date Title
KR101073602B1 (ko) 소셜 신뢰도 모델 생성 시스템 및 방법
Zhang et al. Location-aware deep collaborative filtering for service recommendation
KR101173163B1 (ko) 소셜 네트워크를 통한 사용자 신뢰도 평가 방법 및 이를 통한 컨텐츠 신뢰도 평가 시스템 및 방법
Hoonlor et al. Trends in computer science research
CN103955535A (zh) 一种基于元路径的个性化推荐方法及系统
CN103744966A (zh) 一种物品推荐方法、装置
Li et al. A topic-biased user reputation model in rating systems
CN107423343A (zh) 一种基于混合协同过滤的图书馆图书推荐方法及系统
CN103559320B (zh) 对异质网络中对象进行排序的方法
Li et al. Anisotropic Hardy Spaces of Musielak‐Orlicz Type with Applications to Boundedness of Sublinear Operators
Stanescu et al. A hybrid recommender system: User profiling from keywords and ratings
Sardianos et al. A survey on the scalability of recommender systems for social networks
Cui et al. Mgnn: Graph neural networks inspired by distance geometry problem
Song et al. Graph representation-based deep multi-view semantic similarity learning model for recommendation
Yi et al. A nonlinear feature fusion-based rating prediction algorithm in heterogeneous network
CN111046280B (zh) 一种应用fm的跨领域推荐方法
KR101373927B1 (ko) 소셜 네트워크 서버 및 이를 이용한 소셜 신뢰도 모델 생성방법
Li et al. New error estimates of nonconforming mixed finite element methods for the Stokes problem
JP2017059255A (ja) 推定装置、推定方法及び推定プログラム
Chen et al. Trust-based collaborative filtering algorithm in social network
Lopez-Renteria et al. The boundary crossing theorem and the maximal stability interval
Xie et al. Multiple solutions for a fractional difference boundary value problem via variational approach
Lee et al. Improving context awareness information retrieval with online social networks
Liu et al. Personalized recommendation via trust-based diffusion
Shambour et al. A trust-based recommender system for personalized restaurants recommendation

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20101130

PA0201 Request for examination
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: 20110929

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20111007

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20111010

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
FPAY Annual fee payment

Payment date: 20151028

Year of fee payment: 5

PR1001 Payment of annual fee

Payment date: 20151028

Start annual number: 5

End annual number: 5

FPAY Annual fee payment

Payment date: 20171116

Year of fee payment: 7

PR1001 Payment of annual fee

Payment date: 20171116

Start annual number: 7

End annual number: 7

PC1903 Unpaid annual fee

Termination category: Default of registration fee

Termination date: 20200718