- 1 -

비관심 아이템을 활용한 아이템 추천 방법 및 장치

Ⅰ. 제안기술 개요

기술의 내용 기술의 동향 제품화 및 시장 전망

추천 정확도에 상당한 영향을 끼치는

OCCF 문제를 완화하기 위하여 기존

기술들의 개선 방안을 제안함

본 기술은 사용자들의 기록을 (예: 북

마크, 클릭) 기반으로 각 사용자가 선

호하지 않을 것 같은 아이템을 찾아줌

관심 아이템과 비관심 아이템을 통해

사용자의 선호도를 좀 더 명확히 분석

함으로써, 추천 정확도를 상당히 개선

시킴

[국내동향] 제안 기술은 현재 실험실 수준의 개발

이 완료된 상태임

따라서 본 기술의 이전을 필요로 하는

기업에게 바로 이전이 가능하며, 제품

화할 수 있음

제안 기술이 적용되기에 가장 적합한

시장인 온라인 쇼핑몰 시장은 기업 간

경쟁이 치열한 시장이므로, 기술적인

측면에서의 차별성과 경쟁력을 갖춘 본

기술에 대한 수요는 충분할 것으로 판

단됨

- 영화 추천: 왓챠

- 상품 추천: 네이버 쇼핑몰

[해외동향]

- 영화 추천: Netflix

- 상품 추천: Amazon

상용화

단계

일반 □ 아이디어 □ 연구 □ 개발 ■ 개발완료(시제품) □ 제품화

의약바이오

□ 라이센싱 □ 개발 □ 제품화

핵심

키워드

한글 추천 시스템 비관심 아이템 OCCF 문제 One-class 환경 개인화

영문Recommender

Systems

Uninteresting

ItemsOCCF Problem

One-class

settingPersonalization

Ⅱ. 기술개발자 정보

기관명 한양대학교 부 서 공과대학 컴퓨터공학부

성 명 김상욱 직 급 교수

전 화 02-2220-4567 이메일 wook@hanyang.ac.kr

Ⅲ. 특허정보

특허현황 사업화 대상기술 관련특허 출원 1건 / 등록 0건, 총 1건

구 분 상 태 출원(등록)일 권리번호 특 허 명

대상기술1 출원 2016.07.04. 10-2016-0084228 비관심 아이템을 활용한 아이템 추천 방법 및 장치

대상기술2

관련기술1

관련기술2

관련기술3

- 2 -

1. 기술권리성

① 권리구성의 적절성

- 본 기술에 관련된 특허인 ‘비관심 아이템을 활용한 아이템 추천 방법 및 장치’의

특허 청구 범위는 총 8개의 청구항으로 되어 있음

- 그림 1은 아이템 추천 장치가 사용자에게 아이템을 추천하는 동작을 설명하기

위한 흐름도임

그림 1. 아이템 추천 장치가 사용자에게 아이템을 추천

하는 동작

- 그림 2는 아이템 추천 장치가 아이템을 바이너리-클래스 세팅으로 분류하여 확장

매트릭스(augmented matrix)를 생성하는 동작을 설명하기 위한 흐름도임

- 3 -

그림 2. 아이템 추천 장치가 아이템을 바이너리-클래스

세팅으로 분류하여 확장 매트릭스를 생성하는 동작

- 그림 3은 아이템 추천 장치가 원-클래스 협업 필터링 (OCCF, One-Class

Collaborative Filtering) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는

동작을 설명하기 위한 흐름도임

그림 3. 아이템 추천 장치가 원-클래스 협업 필터링 방

법을 이용하여 사용자에게 추천할 아이템을 결정하는 동

작

- 그림 4는 아이템 추천 장치가 RWR (Random Walk with Restart) 방법을

이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도임

- 4 -

그림 4. 아이템 추천 장치가 RWR 방법을 이용하여 사용

자에게 추천할 아이템을 결정하는 동작

- 그림 5는 아이템 추천 장치가 신뢰도 확산 (BP, Belief Propagation) 방법을

이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도임

그림 5. 아이템 추천 장치가 신뢰도 확산 방법을 이용하

여 사용자에게 추천할 아이템을 결정하는 동작

② 권리의 범위

- 본 기술에 관련된 특허의 청구항들은 다음과 같은 단계를 모두 포함하고 있음

1. 사용자가 선호도를 표현한 평가 아이템 및 상기 사용자가 선호도를 표현하지

않은 비평가 아이템(unrated item)의 원-클래스 세팅(one-class setting)으로

분류된 아이템을 식별하는 단계

2. 상기 비평가 아이템의 비관심 점수(uninteresting score)를 결정하는 단계

- 5 -

3. 결정된 상기 비관심 점수에 기초하여, 상기 비평가 아이템 중에서 비관심

아이템(uninteresting item)을 결정함으로써, 상기 원-클래스 세팅으로 구분된

아이템을 상기 평가 아이템, 상기 비평가 아이템 및 상기 비관심 아이템의

바이너리-클래스 세팅(binary-class setting)으로 분류하는 단계

4. 상기 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 상기 사용자에게

추천할 아이템을 결정하는 단계

③ 권리의 안정성(법적 안정성과 유사권리대비 경쟁력)

- 본 기술과 유사한 특허는 아직까지 확인된 바 없으며 본 특허는 이미 출원

완료됨

2. 시장규모

- 그림 6은 온라인 쇼핑몰 시장과 대형 마트의 시장 규모를 비교한 결과를 나타냄

- 그림의 진한 파란색은 온라인 쇼핑몰 시장을 나타내며, 연한 파란색은 대형 마트

시장을 나타냄

- 그림을 통해 최근에 온라인 쇼핑몰의 시장 규모, 매출 비중이 모두 대형 마트와

유사해진 것을 확인할 수 있음

- 이러한 추세라면 향후 1-2년 이내로 온라인 쇼핑몰의 시장 규모가 오프라인

시장인 대형 마트 시장의 규모를 넘어설 것으로 예상됨

출처: 한국 온라인 쇼핑 협회

그림 6. 온라인 쇼핑몰 시장과 대형 마트 시장의

규모 및 매출 비중 비교

- 온라인 쇼핑몰 시장에서 본 기술에 대한 수요가 상당히 많을 것이라고 판단하

였음

- 따라서 온라인 쇼핑몰 시장과 매출의 규모가 매년 급격히 증가하는 것은 본

기술을 사업화하는 데 긍정적인 작용을 한다고 판단됨

- 6 -

3. 기술 유용성

① 혁신성(기술이 새로운 제품시장을 창출 또는 확대시킬 수 있는 정도)

- 추천 시스템에서 one-class 환경은 평점 환경보다 훨씬 더 실용적이고 일반적인

상황이므로 중요함 (예: 북마크, 클릭)

- 그러나, one-class 환경에서는 사용자의 선호도를 명확하게 파악하기 어려워 평점

환경에서 사용하던 기존의 추천 알고리즘들을 적용하는 데 어려움을 가짐 (즉,

OCCF 문제)

- 따라서, 이용 전 선호도 개념을 기반으로 비관심 아이템을 찾아 해당 아이템에

대한 선호도를 추가적인 하나의 부정적인 클래스로 활용함으로써 one-class 환경

(1, unknown)을 binary-class 환경 (1, 0, unknown) 으로 변환함

- 이로써 더 이상 OCCF 문제가 아니므로 평점 환경에서 사용하던 기존 추천

알고리즘들을 적용하는 것이 가능해짐

- 본 특허의 공헌을 요약하면 다음과 같음

1. 소셜 네트워크, 콘텐츠, 평점 행렬 등을 기반으로 하는 다양한 방법으로

비관심 아이템을 도출함

2. 비관심 아이템을 활용하여 OCCF 문제를 갖는 one-class 환경을 더 이상

OCCF 문제가 발생하지 않는 새로운 환경으로 변환함

3. 기존 다양한 추천 알고리즘들 (CF, OCCF, 그래프 분석 알고리즘)을 적용할 수

있도록 함

4. 개선된 Belief Propagation (이하 BP) 추천 알고리즘을 제안함: 추천 대상이

되는 사용자의 선호 아이템들과 비관심 아이템들에 대해 like-potential과

dislike-potential을 다르게 부여하는 방안을 제안함

5. 개선된 Random Walk with Restart (이하 RWR) 추천 알고리즘을 제안함:

선호 아이템 기반의 선호 그래프 (positive graph)와 비관심 아이템 기반의

비관심 그래프 (negative graph)를 구성한 뒤, 두 그래프에 각각 RWR을

수행하여 각 아이템의 선호 점수와 비관심 점수를 계산하는 방안을 제안함

6. 개선된 One-Class Collaborative Filtering (이하 OCCF) 추천 알고리즘을

제안함: 비관심 아이템에 대한 가중치를 새롭게 할당하는 방안을 제안함

② 기술수명(기술의 활용으로 수익을 창출할 수 있는 기간)

- 7 -

- 대부분 서비스에서 추천 기술은 주로 사용자들을 유인하기 위한 마케팅 측면의

역할로 활용됨

- 이러한 방식으로 사용자들을 유인하는 것뿐만 아니라, 유입된 사용자들이

이탈하지 않도록 하는 것도 매우 중요함

- 그러나 기존 방법을 기반으로 하는 추천 시스템이 부정확한 추천을 제공하거나

아예 추천을 제공하지 못 할 경우, 해당 시스템에 대한 사용자들의 이탈이

빈번하게 발생할 것으로 예상됨

- 본 기술은 직접적인 평가를 매긴 기록이 거의 없는 초기 사용자들에게도 추천을

해줄 수 있음

- 뿐만 아니라, 기존 사용자들도 번거롭게 추가적으로 평가를 하지 않아도 추천을

제공받을 수 있음

- 본 기술을 활용하여 사용자를 유인할 수 있을 뿐만 아니라, 사용자들의 이탈 또한

막을 수 있음

- 이는 결국 서비스를 꾸준히 이용하는 액티브 사용자들의 수를 늘리는데 기여하고,

이러한 액티브 사용자들을 대상으로 다양한 수익 창출 전략을 세울 수 있음

- 다시 말해, 본 기술은 수익을 창출하기 위한 기반 환경을 마련하는데 상당한

도움을 줄 수 있음

③ 파급성(대상기술로 적용할 수 있는 제품 수)

- 본 기술은 키워드 검색 기능을 제공하며, 추천을 제공하기를 원하는 모든

사이트에 적용이 가능함

- 다음과 같은 다양한 사이트에 적용 가능함

1. 네이버 쇼핑몰

그림 7. 네이버 쇼핑몰 메인 화면

2. 아마존닷컴

- 8 -

그림 8. 아마존닷컴 메인 화면

3. 왓챠

그림 9. 왓챠 메인 화면

4. 구글 플레이스토어

그림 10. 구글 플레이스토어 메인 화면

④ 고객에게 미치는 영향

- 본 기술을 통해 가장 많은 영향을 받게 되는 시장 중 하나는 온라인 쇼핑 시장임

- 이러한 온라인 쇼핑 시장의 규모는 매년 급격하게 성장하고, 경쟁 또한 매우

치열해지고 있음

- 대표적인 온라인 쇼핑 업체인 ‘쿠팡’의 매출액은 2013년 480억원에서 2014년

3480억원으로 급격하게 증가하였음

- 본 기술은 검색 기능을 제공하는 모든 온라인 쇼핑 시장에 적용할 수 있음

- 9 -

- 따라서 새로운 시장에 진입할 필요 없이, 기존 온라인 쇼핑몰 중 추천을 필요로

하는 곳에 적용하기만 하면 됨

- 고객 유치를 위해 매우 치열하게 경쟁 중인 시장이므로 본 기술을 필요로 하는

업체는 많을 것으로 판단됨

- 최종적으로 본 기술이 적용된 온라인 쇼핑몰의 사용자들은 번거로운 작업 없이

추천을 제공받을 수 있게 될 것으로 판단됨

⑤ 연구개발지원(정부차원의 전략적인 신기술개발에 대한 지원의 정도)

4. 기술 경쟁성

① 차별성(기존 또는 유사기술 대비 경쟁적 우위성, 친환경성, 편의성 등)

- 본 특허에서는 CF 기반 추천 알고리즘 (Item-based KNN, SVD), OCCF 추천

알고리즘, 그래프 기반 추천 알고리즘 (BP, RWR)들을 개선하였음

- 각 개선 알고리즘의 추천 정확도가 기존 알고리즘의 추천 정확도보다 매우

상승하는 것을 실험을 통해 확인하였음

- 실험 데이터: Movielens 100k 데이터

- 실험 방안

1. 척도: Precision, Recall, F1 score, MRR, NDCG

2. 정답: Test set에 있는 모든 사용자-아이템 쌍

- 실험 결과

- 10 -

그림 11. 실험 결과

② 모방용이성(리버스 엔지니어링을 통한 모방 가능성 및 기술의 복잡성)

- 본 기술 개발이 반영되는 추천 시스템은 사용자가 이용하는 서비스의 백엔드에서

수행되고 사용자에게는 추천 결과만을 제공하기 때문에, 제품에 대한 모방은

불가능함

- 또한 추천 시스템의 바이너리 역시 서비스의 서버 내에만 존재하기 때문에

리버스 엔지니어링 역시 매우 어려움

- 이처럼 본 기술의 모방 가능성은 매우 낮다고 판단됨

③ 회피비용(대상기술과 유사한 기술을 개발하는데 소요되는 비용)

- 본 기술을 개발하기 위해서는 충분한 데이터와 다양한 기반 지식이 요구됨

- 먼저 사용자들에 대한 상당한 양의 검색 기록이 필요함

- 또한, 데이터가 충분하다고 하더라도 데이터 마이닝, 특히 추천 기술에 관련한

기반 지식 없이는 개발하는데 어려움이 있음

- 따라서, 본 기술과 유사한 기술을 개발하기 위해서는 상당한 시간이 소요될

- 11 -

것으로 판단됨

④ 대체기술 존재 여부

- 현재까지 본 기술과 유사한 기술을 적용하고 있는 서비스 혹은 특허는 존재하지

않음

- 그 외의 기존 기술들은 모두 one-class 환경일 때 추천 정확도가 매우 낮은

문제가 발생함

- 따라서 이러한 문제점을 완화하는 본 기술을 기존 기술들만으로 대체하기는

어렵다고 판단됨

⑤ 경쟁자에게 미치는 영향(경쟁자의 시장점유율에 미지는 영향)

- 본 기술을 적용한 서비스는 경쟁 서비스에 비해 사용자의 이탈이 적을 것으로

예상됨

- 뿐만 아니라 사용자의 행동을 최소한으로만 요구하는 본 기술의 이점으로 경쟁

서비스의 사용자들 또한 넘어올 것으로 예상됨

5. 산업특성

① 산업특성(대상기술제품이 속한 산업계의 특성)

- 현재 추천 서비스는 다양한 산업계에서 사용자를 유인하기 위한 핵심 기능 중

하나로 사용되고 있음

- 특히, 경쟁이 치열한 시장에서는 사용자를 끌어들이기 위한 이러한 기능이 매우

중요함

- 온라인 쇼핑몰 시장은 현재 경쟁이 매우 치열한 시장 중 하나임

- 따라서 온라인 쇼핑몰 서비스에 적합한 본 기술은 상당한 가치 창출을 제공할 수

있음

② 산업성장성(대상기술제품이 속한 업종의 시장성장률)

- 그림 12는 온라인 쇼핑몰 시장의 성장률을 보여줌

- 그림에서도 나타나듯이 온라인 쇼핑몰 시장은 매년 최소 15% 이상의 성장률을

보이고 있음

- 12 -

그림 12. 온라인 쇼핑몰

시장의 성장률

- 그림 13은 한국의 최근 국내 총 생산 및 경제 성장률 추이를 나타냄

- 그림 13을 통해 온라인 쇼핑몰 시장의 성장률은 경제 성장률과 대비하여 상당히

빠르게 성장하고 있음을 확인할 수 있음

출처: 한국은행『국민 소득』

그림 13. 한국의 국내 총 생산 및 경제 성장률

③ 경기변동의 특성(호경기와 불경기에 따라 발생하는 변동특성)

- 일반적으로 온라인 쇼핑몰 시장의 경우 경기가 안 좋아짐에 따라 사용자들의

소비가 위축되는 경향이 있음

- 그러나 본 기술이 목표로 하는 추천 서비스의 경우, 경기 변동에 영향을 크게

받지 않고 꾸준하게 사용자 수요를 얻을 수 있는 산업임

- 경기가 좋을 때는 시장이 활발해지기 때문에 본 기술의 활용도가 더 높아짐

- 반대로 경기가 안 좋을 때 또한 좀 더 현명한 소비를 하려는 사용자들에 의해

추천 서비스의 중요성이 부각될 수 있음

6. 시장특성

- 13 -

① 시장구조(기업의 수, 진입의 허용 여부, 상품의 차별성 등)

- 온라인 쇼핑몰 시장은 어느 한, 두 기업의 독·과점 체제가 아닌 다양한 기업들의

경쟁 체제로 유지되고 있음

- 특히, 최근 몇 년 새 소셜 커머스 업체들이 등장하면서 경쟁은 점점 더

심화되어가고 있음

- 앞에서 살펴본 바와 같이 온라인 쇼핑몰 시장의 규모와 성장률은 매년 빠르게

증가하고 있기 때문에, 앞으로도 경쟁자가 출현할 가능성이 높다고 판단됨

② 시장수요(제품의 특성 및 가격변화에 대한 고객의 수요정도)

- 본 기술은 추천을 제공하는 무형의 서비스이므로 가격이 존재하지 않음

- 따라서 가격에 따른 수요 변동은 발생하지 않음

- 본 기술의 경쟁력으로 초기 수요 확보에는 문제가 없을 것으로 판단됨

- 대신 본 기술은 사용자들이 사용 후 느낀 만족도에 따라 계속 사용 여부를

결정하게 됨

- 이러한 특성을 감안하여 사용자의 피드백을 끊임없이 반영하여 사용자의 이탈을

막을 수 있도록 해야 함

③ 규제 및 지원(제도적 제약요인(승인, 허가 등) 또는 장려요인(정부의 지원책 등))

- 본 기술의 경우 시장 진입에 대한 제도적인 장벽이 전혀 없음

- 본 기술을 필요로 하는 기업만 있다면, 기술 이전을 통해 곧바로 사업화가 가능함

- 뿐만 아니라, 본 기술은 최근 정부 지원 사업에서 각광 받고 있는 ‘빅데이터’를

기반으로 하는 기술이기 때문에 다양한 정부 사업에 지원 받을 수 있을 것으로

판단됨

7. 경쟁특성

① 기업간 경쟁강도(동일시장 내 기업간 경쟁의 정도)

- 본 기술이 적용될 수 있는 시장인 온라인 쇼핑몰 시장은 경쟁이 매우 심함

- 그림 14는 현재 온라인 쇼핑몰 시장의 경쟁 추이를 나타냄

- 14 -

그림 14. 온라인 쇼핑몰의 시장 점유율

- 이와 같은 치열한 경쟁은 각 기업의 마케팅 비용 상승을 초래하였음

- 이러한 상황에서 각 업체들이 마케팅 비용을 늘리기 보단 기술적인 차별성과

경쟁력을 갖추는 것이 유리할 것으로 판단됨

- 현재까지 본 기술과 유사한 기술을 적용하고 있는 서비스 혹은 특허는 존재하지

않으므로 이러한 레드 오션은 오히려 본 기술의 사업화에 도움이 될 것으로

판단됨

② 제품의 경쟁성(대체제품과의 경쟁적 우위성)

- 본 기술과 기존 기술과의 대표적인 차이점은 본 기술의 경우 one-class 환경일 때

사용자가 선호한 아이템 뿐만 아니라, 표현하진 않았지만 선호하지 않을 것 같은

아이템을 찾아 선호 분석에 활용함

- 따라서 본 기술은 데이터가 one-class 환경일 때도 매우 정확한 추천이

가능하다는 경쟁력을 가짐

- 이러한 이점은 사용자 확보에 상당한 영향력을 끼칠 것으로 판단됨

8. 사업화 가능성

① 사업화 기간 및 비용 적절성

- 본 기술은 현재 실험실 수준의 개발이 완료된 상태임

- 따라서 최종적으로 검색 기능을 제공하는 사이트에 적용하는 단계만 요구됨

- 15 -

- 사업화 기간은 약 1년 정도가 소요될 것으로 예상됨

1. 1-2분기: 데이터 수집, 기술 이전을 통한 기술 구현

2. 3-4분기: 최적화, 테스트, 마케팅

② 기술이전(또는 출자) 가능성

- 위에서 언급한 바와 같이 본 기술이 적용될 수 있는 시장은 경쟁이 매우 심한

시장임

- 이러한 시장에서는 기술적인 경쟁 우위를 통해 사용자 확보를 원하는 기업이

매우 많을 것으로 판단됨

- 본 기술은 사용자의 행동을 최소한으로 줄여주는 이점을 가지고 있으므로 사용자

확보 수단으로 적절함

- 따라서 본 기술의 이전에 대한 가능성은 충분하다고 판단됨

③ 사업화 실현 가능성(시장진입 및 매출발생 가능성)

- 위에서 언급한 바와 같이 본 기술은 이미 실험실 수준의 개발이 완료되었음

- 따라서 본 기술을 필요로 하는 기업에게 기술 이전이 가능한 상황임

- 또한, 기존 기술과의 차별화된 본 기술만의 경쟁력을 가지고 있으므로 기업의

사용자 유치에 크게 기여할 것으로 판단됨