KR102272821B1 - 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치 - Google Patents

인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치 Download PDF

Info

Publication number
KR102272821B1
KR102272821B1 KR1020200144607A KR20200144607A KR102272821B1 KR 102272821 B1 KR102272821 B1 KR 102272821B1 KR 1020200144607 A KR1020200144607 A KR 1020200144607A KR 20200144607 A KR20200144607 A KR 20200144607A KR 102272821 B1 KR102272821 B1 KR 102272821B1
Authority
KR
South Korea
Prior art keywords
instant message
transmission target
learning model
machine learning
responses
Prior art date
Application number
KR1020200144607A
Other languages
English (en)
Other versions
KR20210045344A (ko
Inventor
하용호
배세환
Original Assignee
주식회사 카카오
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
Priority claimed from KR1020190128425A external-priority patent/KR102190651B1/ko
Application filed by 주식회사 카카오 filed Critical 주식회사 카카오
Priority to KR1020200144607A priority Critical patent/KR102272821B1/ko
Publication of KR20210045344A publication Critical patent/KR20210045344A/ko
Application granted granted Critical
Publication of KR102272821B1 publication Critical patent/KR102272821B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06Q50/30—
    • 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
    • G06Q50/50—Business processes related to the communications industry
    • H04L51/14—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/21—Monitoring or handling of messages
    • H04L51/214—Monitoring or handling of messages using selective forwarding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

인스턴트 메시지를 전송하는 방법이 개시된다. 일실시예에 따른 인스턴트 메시지를 전송하는 방법은 사용자 그룹으로부터 결정된 이전 회차 별 전송 대상에 전송된 인스턴트 메시지에 반응하는 이전 회차까지의 응답들을 수집하는 단계; 이전 회차까지의 응답들 및 이전 회차까지 응답한 사용자들의 특징들에 기초하여, 사용자 응답을 예측하는 머신러닝 모델을 학습시키는 단계; 학습된 머신러닝 모델에 기초하여, 사용자 그룹으로부터 현재 회차 별 전송 대상을 결정하는 단계; 및 인스턴트 메시지를 현재 회차 별 전송 대상에 전송하는 단계를 포함한다.

Description

인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치{METHOD FOR DETERMINING TARGETS FOR TRANSMITTING INSTANT MESSAGES AND APPARATUS THEREOF}
아래 실시예들은 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치에 관한 것으로, 예를 들어 머신 러닝 모델(Machine-learning model)에 관한 것이다.
대중들에게 제품이나 서비스 등을 알리고, 해당 제품 또는 서비스에 대한 대중들의 태도를 변화시키기 위하여 다양한 종류의 광고가 이루어진다. 인스턴트 메시지는 누구에게 전송되는지에 따라 그 광고 효과가 달라질 수 있다. 따라서, 인스턴트 메시지의 전송 대상이 되는 사용자들을 결정하는 문제는 광고 효과에 영향을 끼치는 주요한 문제일 수 있다.
인스턴트 메시지의 전송 대상을 결정하기 위하여, 프로파일링(profiling) 및 클러스터링(clustering) 기술을 활용하여 전송 후보가 되는 사용자들의 프로파일을 생성할 수 있다. 다만, 특정 프로파일을 가지는 사용자가 어떠한 인스턴트 메시지를 선호할지, 또는 특정 인스턴트 메시지가 어떠한 프로파일의 사용자에 의해서 선호될지를 결정하는 문제가 여전히 존재한다.
머신 러닝(Machine learning)은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 머신 러닝은 훈련 데이터(Training data)를 기반으로 학습된 속성들을 기반으로 미지의 새로운 입력의 속성을 예측(Predict)할 수 있다. 예를 들어, 일반 메일 및 스팸 메일을 포함하는 훈련 데이터를 기반으로 학습된 머신 러닝 모델은 새로이 수신된 이메일이 스팸 메일인지 여부를 예측할 수 있다.
일 측에 따른 인스턴트 메시지를 전송하는 서버의 동작 방법은 복수의 회차(round)들을 통하여 인스턴트 메시지를 전송하는 서버의 동작 방법에 있어서, 사용자 그룹으로부터 결정된 이전 회차 별 전송 대상에 전송된 상기 인스턴트 메시지에 반응하는 이전 회차까지의 응답들을 수집하는 단계; 상기 이전 회차까지의 응답들 및 상기 이전 회차까지 응답한 사용자들의 특징들에 기초하여, 임의의 사용자가 상기 인스턴트 메시지에 반응할지 여부의 사용자 응답을 예측하는 머신러닝 모델(Machine-learning model)을 학습시키는 단계; 상기 머신러닝 모델에 기초하여, 상기 사용자 그룹으로부터 현재 회차 별 전송 대상을 결정하는 단계; 및 상기 인스턴트 메시지를 상기 현재 회차 별 전송 대상에 전송하는 단계를 포함한다.
상기 이전 회차까지의 응답들은 상기 이전 회차 별 전송 대상에 포함되는 사용자들이 상기 인스턴트 메시지가 수신된 채팅방을 이용하여 상기 인스턴트 메시지에 반응(react)하는지 여부에 기초하여 결정될 수 있다.
상기 현재 회차 별 전송 대상을 결정하는 단계는 상기 사용자 그룹에 포함된 사용자들 중 상기 이전 회차 별 전송 대상에 속하지 않는 사용자의 특징을 상기 머신러닝 모델에 인가함으로써, 상기 사용자의 응답을 예측하는 단계; 및 상기 예측된 응답에 기초하여, 상기 사용자를 상기 현재 회차 별 전송 대상에 포함시키는 단계를 포함할 수 있다.
상기 학습시키는 단계는 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었는지 여부를 판단하는 단계; 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었다는 판단에 따라, 상기 머신러닝 모델을 학습시키는 단계; 및 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았다는 판단에 따라, 상기 이전 회차의 응답들을 추가적으로 수집하는 단계를 더 포함할 수 있다.
상기 학습시키는 단계는 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았더라도, 미리 정해진 임계 시간이 도과한 경우, 상기 머신러닝 모델을 학습시키는 단계를 더 포함할 수 있다.
상기 이전 회차까지의 응답들은 상기 이전 회차 별 전송 대상에 포함되는 개별의 사용자가 상기 인스턴트 메시지를 수신 확인하였으나 반응하지 않은 묵시적 부정 상태; 및 상기 개별의 사용자가 상기 인스턴트 메시지를 수신 확인하고 반응한 명시적 긍정 상태 중 적어도 하나를 포함할 수 있다.
상기 현재 회차 별 전송 대상을 결정하는 단계는 상기 머신러닝 모델에 기초하여, 상기 인스턴트 메시지에 반응할 것으로 예측되는 사용자들이 포함되도록 상기 현재 회차 별 전송 대상을 결정하는 단계를 포함할 수 있다.
일 측에 따른 인스턴트 메시지를 전송하는 장치는 복수의 회차들을 통하여 인스턴트 메시지를 전송하는 장치에 있어서, 프로그램이 기록된 메모리; 및 상기 프로그램을 수행하는 프로세서를 포함하고, 상기 프로그램은, 사용자 그룹으로부터 결정된 이전 회차 별 전송 대상에 전송된 상기 인스턴트 메시지에 반응하는 이전 회차까지의 응답들을 수집하는 단계; 상기 이전 회차까지의 응답들 및 상기 이전 회차까지 응답한 사용자들의 특징들에 기초하여, 임의의 사용자가 상기 인스턴트 메시지에 반응할지 여부의 사용자 응답을 예측하는 머신러닝 모델(Machine-learning model)을 학습시키는 단계; 상기 머신러닝 모델에 기초하여, 상기 사용자 그룹으로부터 현재 회차 별 전송 대상을 결정하는 단계; 및 상기 인스턴트 메시지를 상기 현재 회차 별 전송 대상에 전송하는 단계를 수행한다.
상기 이전 회차까지의 응답들은 상기 이전 회차 별 전송 대상에 포함되는 사용자들이 상기 인스턴트 메시지가 수신된 채팅방을 이용하여 상기 인스턴트 메시지에 반응(react)하는지 여부에 기초하여 결정될 수 있다.
상기 현재 회차 별 전송 대상을 결정하는 단계는 상기 사용자 그룹에 포함된 사용자들 중 상기 이전 회차 별 전송 대상에 속하지 않는 사용자의 특징을 상기 머신러닝 모델에 인가함으로써, 상기 사용자의 응답을 예측하는 단계; 및 상기 예측된 응답에 기초하여, 상기 사용자를 상기 현재 회차 별 전송 대상에 포함시키는 단계를 포함할 수 있다.
상기 학습시키는 단계는 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었는지 여부를 판단하는 단계; 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었다는 판단에 따라, 상기 머신러닝 모델을 학습시키는 단계; 및 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았다는 판단에 따라, 상기 이전 회차의 응답들을 추가적으로 수집하는 단계를 더 포함할 수 있다.
상기 학습시키는 단계는 상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았더라도, 미리 정해진 임계 시간이 도과한 경우, 상기 머신러닝 모델을 학습시키는 단계를 더 포함할 수 있다.
도 1은 일실시예에 따른 인스턴트 메시지를 전송하는 장치의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인스턴트 메시지의 전송 대상을 결정하는 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 복수의 인스턴트 메시지들의 전송 대상을 결정하는 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 인스턴트 메시지의 전송 대상을 결정하는 방법의 효과를 설명하기 위한 예시도이다.
도 5는 일실시예에 따른 머신러닝 모델(Machine-learning model의 동작을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 인스턴트 메시지를 전송하는 방법을 설명하기 위한 동작 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 인스턴트 메시지를 전송하는 장치의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 인스턴트 메시지를 전송하는 장치(100)는 적어도 하나의 프로세서를 포함한다. 적어도 하나의 프로세서는 수집부(110), 머신러닝 모델(Machine-learning model) 관리부(120), 전송 대상 결정부(130) 및 전송부(140)의 동작들을 수행할 수 있다. 인스턴트 메시지를 전송하는 장치(100)는 복수의 회차(round)들을 통하여 복수의 사용자들에게 인스턴트 메시지를 전송하기 위한 장치로, 예를 들어, 인스턴트 메시징 서비스를 제공하는 서버 혹은 그 서버와 연동하여 인스턴트 메시지를 전송하는 서버를 포함할 수 있다. 각 회차에서 인스턴트 메시지를 전송하는 장치(100)는 해당 회차의 전송 대상이 되는 사용자(이하, 회차 별 전송 대상)를 결정한다.
인스턴트 메시지는 실시간으로 송수신할 수 있고 수신 여부를 즉시 확인할 수 있는 메시지일 수 있다. 인스턴트 메시지는 특정한 정보를 사용자들에게 광고하기 위한 광고형 메시지 또는 특정한 컨텐츠를 사용자들에게 전달하기 위한 컨텐츠형 메시지를 포함할 수 있다. 컨텐츠형 메시지는 특정한 내용을 사용자들에게 공지하기 위한 메시지를 포함할 수 있다.
일 실시예에 따르면, 인스턴트 메시지를 전송하는 장치(100)는 복수의 사용자들에게 동일한 내용의 인스턴트 메시지를 전송할 수 있다.
인스턴트 메시지를 전송하는 장치(100)를 통하여 메시지를 전송하는 주체는 일반 사용자의 계정과 구별되는 공식 계정일 수 있다. 공식 계정은 인스턴트 메시징 서비스 상에서 다수의 사용자들에게 광고성 메시지나 정보성 메시지를 전송 가능한 계정일 수 있다. 예를 들어, 공식 계정은 친구 관계에 있는 다수의 사용자들에게 광고성 메시지를 전송하거나, 친구 관계와 무관하게 하나 이상의 사용자에게 정보성 메시지를 전송할 수 있다. 일 예시로, 메시지를 전송하는 주체는 기업 계정(예를 들어, 플러스 친구)일 수 있다.
메시지를 전송하는 주체에 기초하여, 인스턴트 메시지의 전송 대상에 해당하는 사용자들을 포함하는 사용자 그룹이 결정될 수 있다. 일실시예에 따르면, 사용자 그룹은 메시지를 전송하고자 하는 공식 계정과 일정한 관계에 있는 사용자들을 포함할 수 있다. 일 예시로, 사용자 그룹은 메시지를 전송하고자 하는 공식 계정과 친구 관계에 있는 메신저 계정을 가진 사용자들을 포함할 수 있다. 다른 예시로, 사용자 그룹은 메시지를 전송하고자 하는 공식 계정을 구독한 메신저 계정을 가진 사용자들을 포함할 수 있다. 일실시예에 따르면, 사용자 그룹은 공식 계정과 일정한 관계(예를 들어, 친구 관계)에 있지 않은 메신저 계정을 가진 사용자들까지 포함할 수 있다.
일실시예에 따르면, 인스턴트 메시지는 인스턴트 메시지를 구성하는 복수의 요소들에 기초하여 생성될 수 있다. 예를 들어, 인스턴트 메시지를 전송하는 장치(110)는 전달하고자 하는 내용, 해당 내용을 표현하는 이미지, 문구, 폰트, 디자인, 해당 메시지의 타입 등의 복수의 요소들을 결정함으로써, 인스턴트 메시지를 생성할 수 있다. 일실시예에 따르면, 인스턴트 메시지를 전송하는 장치(110)는 메시지를 전송하는 주체로부터 인스턴트 메시지를 수신할 수 있다. 이 경우, 수신한 인스턴트 메시지는 복수의 요소들이 결정된 것일 수 있다.
인스턴트 메시지를 전송하는 장치(100)는 인스턴트 메시지를 복수의 회차(round)들을 통하여 전송한다. 이를 위하여, 인스턴트 메시지를 전송하는 장치(100)는 각 회차에서 회차 별 전송 대상에 포함되는 사용자들을 결정한다. 이하, 회차 별 전송 대상은 특정 회차에서 인스턴트 메시지를 수신할 대상으로 결정된 사용자를 포함하는 개념으로 이해될 수 있다.
일 실시예에 따르면, 회차가 진행됨에 따라 회차 별 전송 대상에 포함되는 사용자들의 수는 변경될 수 있다. 예를 들어, 회차가 진행됨에 따라 회차 별 전송 대상에 포함되는 사용자들의 수는 증가될 수 있다.
일실시예에 따르면, 회차 별 전송 대상은 인스턴트 메시지의 수신 대상이 되는 사용자 그룹 내에서 선택될 수 있다. 예를 들어, 특정 회차 내에서 회차 별 전송 대상이 되는 적어도 하나의 사용자가 순차적으로 결정될 수 있다. 회차 별 전송 대상이 사용자 그룹으로부터 선택되는 방법에 관하여는 후술한다.
수집부(110)는 이전 회차까지 결정된 이전 회차 별 전송 대상에 전송된 인스턴트 메시지에 반응하는 이전 회차까지의 응답들을 수집한다. 이전 회차 별 전송 대상은 바로 이전 회차에서 결정된 회차 별 전송 대상뿐 아니라, 그 이전 회차(들)에서 결정된 회차 별 전송 대상(들)도 포함하는 개념으로 이해될 수 있다. 물론 실시예에 따라, 이전 회차 별 전송 대상은 바로 이전 회차에서 결정된 회차 별 전송 대상만을 포함할 수도 있다.
예를 들어, 현재 회차가 k번째 회차라고 가정하면, 이전 회차까지의 응답들은 첫 번째 회차 내지 k-1번째 회차들에서 회차 별 전송 대상의 반응들을 포함할 수 있다.
이전 회차까지의 응답들은 인스턴트 메시지가 이전 회차 별 전송 대상에 포함되는 사용자들에 의하여 반응(react)-예를 들어, 클릭 등-되었는지 여부에 기초하여 결정될 수 있다. 구체적으로, 인스턴트 메시지에 반응하는 이전 회차까지의 응답들은 이전 회차 별 전송 대상에 포함되는 개별의 사용자가 인스턴트 메시지를 수신 확인하였으나 반응하지 않은 묵시적 부정 상태 및 개별의 사용자가 인스턴트 메시지를 수신 확인하고 반응한 명시적 긍정 상태 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 인스턴트 메시지에 반응하여 수집되는 응답은 인스턴트 메시지를 수신한 사용자가 채팅방에 접속하여 인스턴트 메시지를 뷰잉(viewing)하는지 여부에 관련된 정보를 포함할 수 있다.
일실시예에 따르면, 인스턴트 메시지에 반응하여 수집되는 응답은 인스턴트 메시지를 수신한 사용자가 인스턴트 메시지를 선택하여 관련된 세부적 내용을 확인하는지 여부에 관련된 정보를 포함할 수 있다. 이 경우, 인스턴트 메시지를 선택하는 동작은 인스턴트 메시지를 터치하는 동작 및 인스턴트 메시지에 반응하는 동작을 포함할 수 있다. 일 예시로, 관련된 세부적 내용을 확인하는지 여부는 인스턴트 메시지에 대응하는 파일(장문 메시지, 영상 메시지 및 음성 메시지 등)을 여는(open)지 여부에 대응될 수 있다. 다른 예시로, 관련된 세부적 내용을 확인하는지 여부는 인스턴트 메시지에 포함된 URL 등을 통해 인스턴트 메시지와 연결된 페이지로 넘어가는지 여부에 대응될 수 있다.
일실시예에 따르면, 인스턴트 메시지에 반응하여 수집되는 응답은 인스턴트 메시지를 수신한 사용자가 인스턴트 메시지를 선택하여 관련된 세부적 내용을 확인한 후, 메시지를 전송하는 주체가 기대하는 행동(Action)을 더 수행하는지 여부에 관련된 정보를 포함할 수 있다. 기대하는 행동을 더 수행하는지 여부는 쿠폰을 다운받는지 여부, 특정 영상을 시청하는지 여부, 또는 다른 페이지로 더 넘어가는지 여부 등을 포함할 수 있다.
수집부(110)에서 수집되는 응답들에 기초하여, 인스턴트 메시지의 반응률(Reaction Rate)이 계산될 수 있다. 인스턴트 메시지의 반응률은 인스턴트 메시지를 수신 확인한 사용자들 중 인스턴트 메시지를 응답한 사용자들의 비율에 대응될 수 있다. 예를 들어, 인스턴트 메시지와 관련된 명시적 긍정 상태의 응답들의 수를 인스턴트 메시지를 수신한 회차 별 전송 대상에 포함되는 사용자들의 수로 나눔으로써, 인스턴트 메시지와 관련된 반응률-일 예로, 클릭률(CTR, Click Through Rate)-이 계산될 수 있다.
일 실시예에 따르면, 인스턴트 메시지의 반응률이 미리 정해진 임계 반응률보다 낮다고 판단되는 경우, 인스턴트 메시지를 전송하는 장치(100)는 인스턴트 메시지의 전송을 중단하기로 결정할 수 있다.
일실시예에 따르면, 회차별로 수집되는 응답들에 기초하여 반응률을 각각 계산하고, 계산된 반응률 각각이 미리 정해진 임계 반응률보다 낮은지 여부가 판단될 수 있다. 일실시예에 따르면, 복수의 회차와 관련하여 수집되는 응답들에 기초하여 반응률을 계산하고, 계산된 반응률이 미리 정해진 임계 반응률보다 낮은지 여부가 판단될 수도 있다.
수집부(110)는 수집된 이전 회차까지의 응답들을 머신러닝 모델 관리부(120)로 전송한다. 머신러닝 모델 관리부(120)에서, 머신러닝 모델은 이전 회차까지의 응답들 및 이전 회차까지 응답한 사용자들의 특징에 기초하여, 임의의 특징을 가지는 사용자가 해당 인스턴트 메시지에 응답할지 여부를 예측(predict)하도록 학습된다. 구체적으로, 이전 회차까지의 응답들 및 이전 회차까지 응답한 사용자들의 특징을 훈련 데이터(Training data)로 하여 머신러닝 모델이 학습될 수 있다. 학습된 머신러닝 모델은 사용자의 특징을 입력으로 수신하고, 수신된 사용자의 특징에 기초하여 사용자 응답을 예측할 수 있다. 이하에서, 머신러닝 모델에 의하여 예측되는 사용자 응답은 해당 사용자의 응답률 혹은 반응률에 대응하는 스코어(score)의 형태로 출력될 수 있다.
일 예로, 머신러닝 모델은 입력되는 사용자의 특징에 대응하여, 해당 사용자가 해당 인스턴트 메시지에 반응할지 여부를 나타내는 점수 혹은 확률을 예측하여 출력할 수 있다. 아래에서 상세하게 설명하겠으나, 인스턴트 메시지를 전송하는 장치(100)는 이전 회차까지의 응답들에 기초하여 학습된 머신러닝 모델을 이용하여 아직 인스턴트 메시지를 수신하지 않은 사용자들의 응답률을 예측함으로써, 현재 회차 별 전송 대상을 결정할 수 있다.
인스턴트 메시지를 전송하는 장치(100)에 포함된 머신러닝 모델 관리부(120)는 머신러닝 모델을 학습시키기에 충분할 정도로 이전 회차까지의 응답들이 수집되었는지 여부를 판단할 수 있다. 일실시예에 따르면, 머신러닝 모델은 학습에 충분할 정도로 이전 회차까지의 응답들이 수집되었는지 여부를 스스로 판단할 수 있다. 이하, 설명의 편의를 위하여 머신러닝 모델이 학습에 충분할 정도로 이전 회차까지의 응답들이 수집되었는지 여부를 스스로 판단하는 실시예들을 설명한다.
머신러닝 모델을 학습시키기에 충분할 정도로 이전 회차까지의 응답들이 수집되었다는 판단에 따라, 머신러닝 모델이 학습될 수 있다. 또는, 머신러닝 모델을 학습시키기에 충분할 정도로 이전 회차까지의 응답들이 수집되지 않았다는 판단에 따라, 이전 회차의 응답들이 추가적으로 수집되기를 기다릴 수 있다.
다만, 머신러닝 모델을 학습시키기에 충분할 정도로 이전 회차까지의 응답들이 수집되지 않았더라도, 미리 정해진 임계 시간이 도과한 경우, 이전 회차의 응답들을 더 이상 추가적으로 수집하지 않고 머신러닝 모델을 학습시킬 수 있다. 이를 통하여, 단일의 회차에 지나친 시간이 소요되는 것을 방지할 수 있다.
일실시예에 따르면, 인스턴트 메시지를 전송하는 장치(100)는 현재 회차를 위한 머신러닝 모델을 학습시키기에 충분할 정도로 이전 회차까지의 응답들이 수집되지 않았다는 판단에 따라, 인스턴트 메시지의 전송과 관련된 시간을 조절할 수 있다. 일 예시로, 인스턴트 메시지를 전송하는 장치(100)는 이전 회차의 응답들이 추가적으로 수집되기를 기다릴 수 있다. 다른 예시로, 인스턴트 메시지를 전송하는 장치(100)는 이전 회차에서 전송한 메시지들에 대한 응답의 수집이 늦거나, 수집되지 않는 경우에 현재 회차에서 인스턴트 메시지를 전송하는 시간 간격이 더 길어지도록 조절할 수 있다.
일실시예에 따르면, 인스턴트 메시지를 전송하는 장치(100)는 현재 회차를 위한 머신러닝 모델을 학습시키기에 충분할 정도로 이전 회차까지의 응답들을 수집하기 위하여, 회차 별 전송 대상의 수가 더 커지도록 조절할 수도 있다.
일실시예에 따르면, 인스턴트 메시지를 전송하는 장치(100)는 현재 회차(예를 들어, k번째 회차)에서 머신러닝 모델을 학습시키기 위하여 첫 번째 회차 내지 k-1번째 회차 중 일부의 응답들만을 이용할 수 있다. 예를 들어, 인스턴트 메시지를 전송하는 장치(100)는 현재 회차(예를 들어, k번째 회차)에서 머신러닝 모델을 학습시키기에 충분할 정도로 응답들이 수집되었는지 여부를 판단함에 있어서 k-1번째 회차의 응답들만을 고려할 수 있다.
이하, 설명의 편의를 위하여, 현재 회차(예를 들어, k번째 회차)에서 머신러닝 모델을 학습시키기 위하여 인스턴트 메시지를 전송하는 장치(100)가 인스턴트 메시지에 반응하는 이전 회차(예를 들어, k-1번째 회차)의 응답들을 이용하는 실시예들을 설명한다.
특정 사용자의 특징은 특정 사용자와 관련된 지역, 특정 사용자와 관련된 인구 통계적 특성(Demographic characteristics), 특정 사용자와 관계를 맺은 공식 계정, 특정 사용자가 공식 계정과 관계를 맺은 기간, 특정 사용자가 미리 정해진 시간 간격 동안 수신한 인스턴트 메시지의 개수 및 특정 사용자와 관련된 프로파일(profile)중 적어도 하나를 포함할 수 있다. 특정 사용자와 관련된 지역은 특정 사용자의 거주 지역, 근무 지역 및 출신 지역 등을 포함할 수 있다. 특정 사용자와 관련된 인구 통계적 특성은 성별, 나이, 직업, 소득 및 학력 등을 포함하며, 특정 사용자와 관련된 프로파일과 그 내용의 적어도 일부가 중첩될 수 있다. 특정 사용자가 관계를 맺은 공식 계정은 특정 사용자의 관심 분야와 연관될 수 있다.
일실시예에 따르면, 특정 사용자의 특징은 특정 사용자가 수신한 개별 인스턴트 메시지에 반응하는 응답 또는 미반응 응답을 통해 결정될 수 있다. 예를 들어, 특정 사용자의 특징은 특정 사용자가 수신 확인 후 반응 한 인스턴트 메시지들의 목록 및/또는 수신 확인하였으나 반응하지 않은 인스턴트 메시지들의 목록에 기초하여 결정될 수 있다.
일실시예에 따르면, 특정 사용자의 특징은 미리 정해진 시간 간격 동안 특정 사용자가 공식 계정과 연계하여 서비스를 이용하거나, 혹은 서비스 이용을 중단하는 내역들을 포함할 수도 있다. 예를 들어, 특정 사용자의 특징은 지난 한 달간 공식 계정과 연계된 음악 스트리밍 서비스의 사용을 중단했던 내역을 포함할 수 있다.
학습된 머신러닝 모델에 기초하여, 전송 대상 결정부(130)는 사용자 그룹의 적어도 일부에 해당하며 현재 회차 별 전송 대상을 결정한다. 사용자 그룹은 인스턴트 메시지의 전송 대상의 후보가 될 수 있는 사용자들을 포함하는 그룹일 수 있다. 구체적으로, 전송 대상 결정부(130)는 사용자 그룹에 포함된 사용자들 중 이전 회차 별 전송 대상에 속하지 않는 사용자의 특징을 머신러닝 모델에 인가함으로써 사용자의 응답률(혹은 반응률)을 예측하고, 예측된 응답률에 기초하여 이전 회차 별 전송 대상에 속하지 않는 사용자들 중 적어도 일부의 사용자를 현재 회차 별 전송 대상에 포함시킬 수 있다.
일실시예에 따르면, 전송 대상 결정부(130)는 인스턴트 메시지에 반응할 것으로 예측되는 사용자들이 포함되도록 현재 회차 별 전송 대상을 결정할 수 있다. 이 경우, 인스턴트 메시지에 반응할 것으로 예측되는 사용자들의 응답은 명시적 긍정으로 예측될 수 있다.
머신러닝 모델의 동작과 관련된 보다 상세한 사항은 도 2 및 도 5를 통하여 후술한다. 전송 대상 결정부(130)의 동작과 관련된 보다 상세한 사항은 도 2를 통하여 후술한다.
전송부(140)는 결정된 현재 회차 별 전송 대상에 인스턴트 메시지를 전송한다. 현재 회차 별 전송 대상에 포함되는 사용자들이 수신하는 인스턴트 메시지에 반응하여 출력하는 응답들은 수집부(110)에 의하여 다음 회차를 위하여 수집될 수 있다.
전술한 바와 같이, 일실시예에 따른 인스턴트 메시지를 전송하는 장치(100)는 머신러닝 모델에 기초하여 명시적 긍정으로 응답이 예측되는 사용자들에게 인스턴트 메시지가 전송되도록 인스턴트 메시지의 전송 대상을 결정할 수 있다. 일실시예에 따른 인스턴트 메시지를 전송하는 장치(100)는 머신러닝 모델을 학습시키기에 충분할 정도로 응답들이 수집되었는지를 판단함으로써, 머신러닝 모델의 학습 속도(나아가, 인스턴트 메시지의 전송 대상을 결정하는 속도)를 조절할 수 있다. 후술하겠으나, 일실시예에 따른 인스턴트 메시지를 전송하는 장치(100)는 개별의 회차에서 복수의 인스턴트 메시지들의 전송 대상을 결정하기 위한 복수의 동작들을 함께 수행할 수도 있다.
일 실시예에 따르면, 인스턴트 메시지를 전송하는 장치(100)는 인스턴트 메시지와 관련되는 최종 전송량을 출력할 수 있다. 최종 전송량은 각 회차의 응답들을 수집하는 과정에서 카운트(count)될 수 있다. 최종 전송량은 각 회차에서 회차 별 전송 대상에 포함되는 사용자의 수를 포함할 수 있다. 최종 전송량은 미리 정해진 수량에 대응될 수 있다.
일 실시예에 따르면, 전송 대상에 해당하는 계정의 아이디가 중복되거나, 공식 계정과의 친구 관계 변화 등에 의한 발송 실패로 인하여, 최종 전송량은 초기에 설정한 목표 전송 대상의 모수에 비하여 작을 수 있다. 이에 따라, 인스턴트 메시지의 도달량이 중요한 경우, 목표 전송 대상의 모수가 더 크게 설정될 수 있다.
도 2는 일실시예에 따른 인스턴트 메시지의 전송 대상을 결정하는 방법을 설명하기 위한 도면이다.
도 2를 참조하면, 인스턴트 메시지를 전송하는 장치는 복수의 회차들을 통하여 인스턴트 메시지를 전송한다. 인스턴트 메시지를 전송하는 장치는 도 1의 인스턴트 메시지를 전송하는 장치(100)에 대응될 수 있다.
인스턴트 메시지를 전송하는 장치는 사용자 그룹 내 사용자들 중 응답을 할 확률이 높은 사용자들을 자동으로 선별하여 인스턴트 메시지를 전송할 수 있다. 이를 위하여, 복수의 회차들을 통하여 인스턴트 메시지를 전송받을 사용자들의 수는 미리 제한될 수 있다. 예를 들어, 특정 공식 계정과 친구 관계에 있는 사용자들을 포함하는 사용자 그룹 내 미리 정해진 비율(50% 등)의 사용자들에게만 인스턴트 메시지를 전송하도록 설정될 수 있다.
또한, 사용자 그룹에 필터링 기능(예를 들어, 성별 필터링)이 적용되더라도, 필터링 이후의 그룹 내 미리 정해진 비율의 사용자들에게만 인스턴트 메시지를 전송하도록 설정될 수 있다. 예를 들어, "플러스 친구 가입자 중 여성 전체에서 반응이 좋을 사람 순으로 50%에게 발송해 주세요"라는 요청에 따라, 해당 공식 계정과 친구 관계에 있는 사용자 그룹 중 여성 사용자들을 선별한 뒤, 선별된 여성 사용자들 중 50%에게만 인스턴트 메시지가 전송될 수 있다.
인스턴트 메시지를 전송받을 사용자들의 수가 결정되면, 복수의 회차들마다 몇 명의 사용자들에게 인스턴트 메시지가 전송될지 결정될 수 있다. 일 예로, 초반 회차에는 상대적으로 적은 수의 사용자들에게만 인스턴트 메시지가 전송되고, 후반 회차로 갈수록 더 많은 사용자들에게 인스턴트 메시지가 전송될 수 있다. 일 실시예에 따르면, 회차가 진행됨에 따라 인스턴트 메시지에 반응한 사용자들이 누적됨에 따라 머신 러닝 모델의 신뢰도가 높아질 수 있으며, 머신 러닝 모델의 신뢰도에 따라 회차 별 전송 대상의 수가 증가될 수 있다.
다른 예로, 중반 회차부터 후반 회차까지는 동일한 수의 사용자들에게 인스턴트 메시지가 전송되도록 결정될 수 있다. 또 다른 예로, 모든 회차에서 동일한 수의 사용 자들에게 인스턴트 메시지가 전송되도록 결정될 수도 있다.
첫 번째 회차에서, 인스턴트 메시지를 전송하는 장치는 첫 번째 회차 별 전송 대상을 결정하고, 결정된 전송 대상에 인스턴트 메시지를 전송한다. 앞서 설명한 것과 같이, 첫 번째 회차에서 인스턴트 메시지의 전송 대상은 사용자 그룹의 적어도 일부일 수 있다.
첫 번째 회차의 경우, 이전 회차까지의 응답들 및 이전 회차까지 응답한 사용자들이 존재하지 않는다. 이 경우, 사용자 그룹(예를 들어, 인스턴트 메시지를 전송하려는 공식 계정과 친구 관계를 맺은 사용자들) 중에서 임의로 선택된 사용자들이 첫 번째 회차 별 전송 대상으로 결정될 수 있다. 또는, 전송하려는 인스턴트 메시지의 속성에 따른 특정 조건의 필터링을 거친 이후(예를 들어, 성별 필터링 이후)의 사용자 그룹에서 임의로 선택된 사용자들이 첫 번째 회차 별 전송 대상으로 결정될 수도 있다.
또는, 실시예에 따라, 첫 번째 회차에서 머신러닝 모델(220)은 별도로 입력되는 사용자 응답 데이터 및 사용자 특징 데이터에 기초하여 학습될 수 있다. 머신러닝 모델(220)은 도 1의 머신러닝 모델에 대응될 수 있다. 이 경우, 입력되는 사용자 응답 데이터 및 사용자 특징 데이터는 임의로 생성된 데이터일 수 있다. 머신러닝 모델(220)이 별도로 입력되는 사용자 응답 데이터 및 사용자 특징 데이터에 기초하여 학습되는 경우, 전송 대상 결정부(230)는 후술할 k번째 회차와 마찬가지로, 머신러닝 모델(220)에 기초하여 첫 번째 회차 별 전송 대상을 결정할 수 있다. 전송 대상 결정부(230)는 도 1의 전송 대상 결정부(130)에 대응될 수 있다.
일실시예에 따르면, 현재 회차가 첫 번째 회차인 경우, 현재 회차 동안 머신러닝 모델(220)이 학습되지 않을 수 있다. 이 경우, 전송 대상 결정부(230)는 사용자 응답 및 사용자 특징과 무관하게 첫 번째 회차 별 전송 대상을 결정할 수 있다. 예를 들어, 인스턴트 메시지를 전송하는 장치는 사용자 그룹의 일부를 무작위 추출함으로써 첫 번째 회차 별 전송 대상을 결정할 수 있다. 전송부(240)는 결정된 현재 회차 별 전송 대상에 인스턴트 메시지를 전송한다. 전송부(240)는 도 1의 전송부(140)에 대응될 수 있다.
현재 회차가 첫 번째 회차가 아닌 경우, 예를 들어, k번째 회차(k는 2 이상의 자연수)의 경우, 수집부(210)는 k-1번째 회차(예를 들어, 이전 회차)까지의 대상에 전송된 인스턴트 메시지에 반응하는 k-1번째 회차까지의 응답들을 수집한다. 수집부(210)는 도 1의 수집부(110)에 대응될 수 있다.
k번째 회차에서, 수집부(210)는 수집된 k-1번째 회차까지의 응답들을 머신러닝 모델 관리부로 전송한다. 머신러닝 모델 관리부에 의하여, 머신러닝 모델(220)은 이전의 학습 결과에 의존하지 않고 처음부터 다시 학습될 수 있다. 머신러닝 모델(220)은 k-1번째 회차까지의 응답들 및 k-1번째 회차까지 응답한 사용자들의 특징을 훈련 데이터로 하여 학습될 수 있다.
이하, 설명의 편의를 위하여 개별의 회차가 완료되고 다음 회차가 진행될 때마다 진행되는 회차의 이전 회차까지의 응답들 및 이전 회차까지 응답한 사용자들의 특징을 훈련 데이터로 머신러닝 모델(220)이 처음부터 학습되는 실시예들을 설명한다.
다만, 머신러닝 모델(220)을 학습하는 방식은 설계에 따라 변경될 수 있다. 예를 들어, 다음 회차가 진행될 때 머신러닝 모델(220)이 훈련 데이터를 중첩시켜 가면서 학습될 수 있다. 이 경우, k번째 회차에서, k-1번째 회차에서 학습된 머신러닝 모델(220)의 훈련 데이터에 k-1번째 회차의 응답들 및 k-1번째 회차에서 응답한 사용자들의 특징을 추가함으로써 이미 학습된 머신러닝 모델(220)을 추가적으로 학습시킬 수 있다. 또는, 경우에 따라 다음 회차가 진행될 때 진행되는 회차의 바로 이전 회차의 응답들 및 바로 이전 회차에서 응답한 사용자들의 특징만을 훈련 데이터로 머신러닝 모델(220)이 학습될 수 있다.
k번째 회차에서, 학습된 머신러닝 모델(220)에 기초하여, 전송 대상 결정부(230)는 k번째 회차 별 전송 대상을 결정한다. 구체적으로, 전송 대상 결정부(230)는 이전 회차까지의 대상에 속하지 않는 사용자들의 특징들을 머신러닝 모델에 인가함으로써, 해당 사용자들의 응답률(혹은 반응률)을 예측할 수 있다.
전송 결정 대상부(230)에 의하여 머신러닝 모델(220)에 그 특징이 인가되는 사용자는 이전 회차까지의 전송 대상에 속하지 않는 사용자일 수 있다. 예를 들어, k번째 회차에서 전송 결정 대상부(230)에 의하여 머신러닝 모델(220)에 그 특징이 인가되는 사용자는 k-1번째 회차에서 전송 대상으로 결정되지 않은 사용자일 수 있다. 또는, 일실시예에 따르면, k번째 회차에서 전송 결정 대상부(230)에 의하여 머신러닝 모델(220)에 그 특징이 인가되는 사용자는 1번째 회차 내지 k-1번째 회차 중 어느 회차에서도 전송 대상이 된 적이 없는 사용자일 수 있다.
전송 대상 결정부(230)는 예측된 응답률에 기초하여 사용자들을 정렬할 수 있다. 전송 대상 결정부(230)는 k번째 회차 별 전송 대상의 수만큼의 상위 사용자들을 선택할 수 있다.
앞서 설명한 것과 같이, k번째 회차 별 전송 대상을 결정하기 위한 조건으로 k번째 회차 별 전송 대상에 포함된 사용자들의 수가 미리 정해져 있을 수 있다. 이 경우, k번째 회차 별 전송 대상에 포함된 사용자들의 수가 a명으로 미리 정해져 있다면, 전송 대상 결정부(230)는 명시적 긍정 상태의 응답을 출력할 확률이 높은 순서대로 a명을 선택함으로써 k번째 회차 별 전송 대상을 결정할 수 있다.
또는, 전송 대상 결정부(230)는 머신 러닝 모델의 출력에 기초하여 명시적 긍정으로 응답이 예측되는 사용자를 k번째 회차 별 전송 대상에 포함시킬 수 있다. 예를 들어, 전송 대상 결정부(230)는 이전 회차까지의 대상에 속하지 않는 사용자들로부터 임의로 선택되는 사용자의 특징을 머신 러닝 모델에 인가하고, 머신 러닝 모델에 의하여 출력되는 해당 사용자의 응답률에 기초하여 해당 사용자가 명시적 긍정으로 반응할지 여부를 예측할 수 있다. 일 예로. 전송 대상 결정부(230)는 예측된 응답률이 미리 정해진 임계 확률(예를 들어, 70% 등) 이상인지 여부에 따라 해당 사용자가 명시적 긍정으로 반응할지 여부를 예측할 수 있다.
일 실시예에 따르면, 머신 러닝 모델은 XAI(explainable artificial intelligence)일 수 있다. 이 경우, 학습된 머신 러닝 모델로부터 응답률이 높을 것으로 예측되는 사용자들의 속성들이 분석될 수 있다. 예를 들어, 특정 인스턴트 메시지는 제1 속성을 가지는 사용자들에 의하여 응답률이 높고, 제2 속성은 응답률과 무관하며, 제3 속성을 가지는 사용자들에 의하여 응답률이 낮다고 분석될 수 있다. 전송 대상 결정부(230)는 분석 결과에 기초하여, k번째 회차 별 전송 대상을 결정할 수 있다.
전송부(240)는 결정된 k번째 회차 별 전송 대상에 인스턴트 메시지를 전송한다. k번째 회차에서 인스턴트 메시지의 전송이 완료되지 않는다면, k번째 회차 별 전송 대상에 포함되는 사용자들이 수신하는 인스턴트 메시지에 반응하여 출력하는 응답들은 k+1번째 회차에서 수집부(210)에 의하여 이전 회차까지의 응답들로 수집될 수 있다. 또한, k번째 회차 별 전송 대상은 k+1번째 회차에서는 이전 회차 별 전송 대상이 될 수 있다.
도 3은 일실시예에 따른 복수의 인스턴트 메시지들의 전송 대상을 동시에 결정하는 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 일실시예에 따른 인스턴트 메시지를 전송하는 장치는 복수의 회차들을 통하여 복수의 인스턴트 메시지들을 전송할 수 있다. 인스턴트 메시지를 전송하는 장치는 도 1의 인스턴트 메시지를 전송하는 장치(100)에 대응될 수 있다. 구체적으로, 인스턴트 메시지를 전송하는 장치는 개별의 회차에서 복수의 인스턴트 메시지들의 전송 대상을 결정하기 위한 복수의 동작들을 함께 수행할 수 있다.
이하, 설명의 편의를 위하여, 인스턴트 메시지를 전송하는 장치가 복수의 회차들을 포함하는 하나의 시간 영역 내에서 복수의 인스턴트 메시지들의 전송 대상을 결정하는 실시예들을 설명한다. 다만, 이는 예시적인 것이며, 하나의 인스턴트 메시지를 전송하기 위한 복수의 회차들 및 하나의 메시지와 구별되는 인스턴트 메시지를 전송하기 위한 복수의 회차들이 일부만 중첩될 수도 있다.
복수의 회차들을 통하여 하나의 인스턴트 메시지(이하, 제1 인스턴트 메시지) 및 하나의 인스턴트 메시지와 구별되는 인스턴트 메시지(이하, 제2 인스턴트 메시지)를 전송하기 위하여, 수집부는 이전 회차까지의 제1 인스턴트 메시지의 전송 대상에 전송된 제1 인스턴트 메시지에 반응하는 응답들 및 이전 회차까지의 제2 인스턴트 메시지의 전송 대상에 전송된 제2 인스턴트 메시지에 반응하는 응답들을 수집할 수 있다. 수집부는 도 1의 수집부(110)에 대응될 수 있다. 일실시예에 따르면, 수집부는 수집 동작을 수행하는 복수의 서브 수집부들을 포함할 수 있다. 이 경우, 제1 서브 수집부(311)는 제1 인스턴트 메시지에 반응하는 응답들을 수집하고, 제2 서브 수집부(312)는 제2 인스턴트 메시지에 반응하는 응답들을 수집할 수 있다.
수집부는 수집된 이전 회차까지의 응답들을 머신러닝 모델 관리부로 전송한다. 머신러닝 모델은 이전 회차까지 제1 인스턴트 메시지에 반응하는 응답들, 이전 회차까지 제1 인스턴트 메시지에 응답한 사용자들의 특징, 이전 회차까지 제2 인스턴트 메시지에 반응하는 응답들 및 이전 회차까지 제2 인스턴트 메시지에 응답한 사용자들의 특징을 훈련 데이터로 하여 학습될 수 있다. 일실시예에 따르면, 머신러닝 모델은 제1 머신러닝 모델(321) 및 제2 머신러닝 모델(322)을 포함할 수 있다. 이 경우, 제1 머신러닝 모델(321)은 이전 회차까지 제1 인스턴트 메시지에 반응하는 응답들 및 이전 회차까지 제1 인스턴트 메시지에 응답한 사용자들의 특징을 훈련 데이터로 하여 학습되고, 제2 머신러닝 모델(322)은 이전 회차까지 제2 인스턴트 메시지에 반응하는 응답들 및 이전 회차까지 제2 인스턴트 메시지에 응답한 사용자들의 특징을 훈련 데이터로 하여 학습될 수 있다.
학습된 머신러닝 모델에 기초하여, 전송 대상 결정부는 현재 회차 별 전송 대상을 결정한다. 전송 대상 결정부는 도 1의 전송 대상 결정부(130)에 대응될 수 있다. 구체적으로, 전송 대상 결정부는 제1 인스턴트 메시지를 위한 현재 회차 별 전송 대상이 되는 현재 회차 별 전송 대상 및 제2 인스턴트 메시지를 위한 현재 회차 별 전송 대상이 되는 현재 회차의 다른 대상을 결정할 수 있다.
전송 대상 결정부는 이전까지의 회차 별 전송 대상에 속하지 않는 사용자의 특징을 머신러닝 모델에 인가함으로써 해당 사용자의 응답을 예측하고, 명시적 긍정으로 응답이 예측되는 사용자를 현재 회차 별 전송 대상에 포함시킬 수 있다. 일실시예에 따르면, 전송 대상 결정부는 이전 회차 별 전송 대상에 속하지 않는 사용자의 특징을 제1 머신러닝 모델(321)에 인가하고, 이전 회차까지의 다른 대상에 속하지 않는 사용자의 특징을 제2 머신러닝 모델(322)에 인가할 수 있다.
일실시예에 따르면, 전송 대상 결정부는 제1 서브 전송 대상 결정부(331) 및 제2 서브 전송 대상 결정부(332)를 포함할 수 있다. 이 경우, 제1 서브 전송 대상 결정부(331)는 이전 회차 별 전송 대상에 속하지 않는 사용자의 특징을 제1 머신러닝 모델(321)에 인가하고, 제2 서브 전송 대상 결정부(332)는 이전 회차까지의 다른 대상에 속하지 않는 사용자의 특징을 제2 머신러닝 모델(322)에 인가할 수 있다.
전송 대상 결정부는 이전 회차 별 전송 대상, 현재 회차 별 전송 대상, 이전 회차까지의 다른 대상 및 현재 회차의 다른 대상이 서로 구별되도록 현재 회차 별 전송 대상 및 현재 회차의 다른 대상을 결정할 수 있다.
전송부는 결정된 현재 회차의 전송 그룹에 인스턴트 메시지를 전송한다. 전송부는 도 1의 전송부(140)에 대응될 수 있다. 전송부는 현재 회차 별 전송 대상에 제1 인스턴트 메시지를 전송하고, 현재 회차의 다른 대상에 제2 인스턴트 메시지를 전송할 수 있다. 일실시예에 따르면, 전송부는 제1 서브 전송부(341) 및 제2 서브 전송부(342)를 포함할 수 있다. 이 경우, 제1 서브 전송부(341)는 현재 회차 별 전송 대상에 제1 인스턴트 메시지를 전송하고, 제2 서브 전송부(342)는 현재 회차의 다른 대상에 제2 인스턴트 메시지를 전송할 수 있다.
도 4는 일실시예에 따른 인스턴트 메시지의 전송 대상을 결정하는 방법의 효과를 설명하기 위한 예시도이다.
도 4를 참조하면, 일실시예에 따른 도 1의 인스턴트 메시지를 전송하는 장치(110)는 복수의 회차들을 통하여 인스턴트 메시지의 전송 대상을 결정하고, 결정된 전송 대상에게 인스턴트 메시지를 전송한다. 일실시예에 따르면, 도 1에서 전술한 도 1의 인스턴트 메시지를 전송하는 장치(110)의 동작들에 기초하여 인스턴트 메시지의 전송 대상을 결정하는 경우(420), 동일한 인스턴트 메시지의 전송 대상을 랜덤(random)하게 결정하는 경우(410)에 비해 전송 대상이 되는 사용자들의 반응률이 더 높을 수 있다. 반응률은 도 1의 반응률에 대응될 수 있다. 예를 들어, 특정 인스턴트 메시지의 전송 대상을 랜덤하게 결정하는 경우(410) 전송 대상이 되는 사용자들의 반응률은 3.53%인 반면, 도 1에서 전술한 도 1의 인스턴트 메시지를 전송하는 장치(110)의 동작들에 기초하여 해당 인스턴트 메시지의 전송 대상을 결정하는 경우(420) 전송 대상이 되는 사용자들의 반응률은 7.17%일 수 있다.
도 5는 일실시예에 따른 머신러닝 모델(Machine-learning model의 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 일실시예에 따른 머신러닝 모델은 훈련 데이터(Training data)(510)에 기초하여 학습(Training)(520)될 수 있다. 학습된 머신러닝 모델(Trained model)(530)은 새로운 입력(Input)(540)을 수신하고, 학습된 속성들을 기반으로 미지의 새로운 입력(540)의 속성을 예측(Predict)(550)할 수 있다. 학습된 머신러닝 모델(530)은 새로운 입력(540)의 속성을 예측(550)한 결과(Results)(560)를 출력할 수 있다.
도 1의 머신러닝 모델은 도 5에서 설명되는 머신러닝 모델의 동작 방법에 기초하여 동작할 수 있다. 도 1의 머신러닝 모델은 이전 회차까지 응답한 사용자들의 특징 및 이전 회차까지의 응답들을 훈련 데이터(510)로 하여 학습(520)될 수 있다. 학습된 도 1의 머신러닝 모델은 새로운 사용자들의 특징을 입력으로 수신하고, 이전 회차까지 응답한 사용자들의 특징과 이전 회차까지의 응답들 사이의 관계를 기반으로 새로운 사용자들의 응답률을 예측할 수 있다. 학습된 도 1의 머신러닝 모델은 학습된 머신러닝 모델(530)에 대응되고, 새로운 사용자들의 특징은 새로운 입력(540)에 대응되고, 이전 회차까지 응답한 사용자들의 특징과 이전 회차까지의 응답들 사이의 관계는 학습된 속성들에 대응될 수 있다. 학습된 도 1의 머신러닝 모델은 새로운 사용자들의 특징에 기초하여 새로운 사용자들의 응답률을 예측(550)한 결과(560)를 출력할 수 있다.
도 6은 일실시예에 따른 인스턴트 메시지를 전송하는 방법을 설명하기 위한 동작 흐름도이다.
도 6을 참조하면, 인스턴트 메시지를 전송하는 장치는 복수의 회차들을 통하여 인스턴트 메시지를 전송한다. 인스턴트 메시지를 전송하는 장치는 도 1의 인스턴트 메시지를 전송하는 장치(100)에 대응될 수 있다.
인스턴트 메시지를 전송하는 장치는 사용자 그룹의 적어도 일부에 해당하는 이전 회차 별 전송 대상에 전송된 인스턴트 메시지에 반응하는 이전 회차까지의 응답들을 수집한다(610). 이전 회차까지의 응답들을 수집하는 동작은 인스턴트 메시지를 전송하는 장치가 포함하는 도 1의 수집부(110)에 의하여 수행된다.
이전 회차까지의 응답들 및 이전 회차까지 응답한 사용자들의 특징들에 기초하여, 인스턴트 메시지를 전송하는 장치는 사용자 응답을 예측하는 머신러닝 모델(Machine-learning model)을 학습시킨다(620).
학습된 머신러닝 모델에 기초하여, 인스턴트 메시지를 전송하는 장치는 사용자 그룹의 적어도 일부에 해당하는 현재 회차 별 전송 대상을 결정한다(630). 현재 회차 별 전송 대상은 현재 회차 별 전송 대상이 되는 그룹이다. 현재 회차 별 전송 대상을 결정하는 동작은 인스턴트 메시지를 전송하는 장치가 포함하는 도 1의 전송 대상 결정부(130)에 의하여 수행된다.
인스턴트 메시지를 전송하는 장치는 결정된 현재 회차 별 전송 대상에 인스턴트 메시지를 전송한다(640). 현재 회차 별 전송 대상에 인스턴트 메시지를 전송하는 동작은 인스턴트 메시지를 전송하는 장치가 포함하는 도 1의 전송부(140)에 의하여 수행된다.
도면에 도시하지 않았으나, 인스턴트 메시지를 전송하는 장치는 프로세서 및 메모리를 포함한다. 프로세서는 도 1 내지 도 6을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리는 현재 회차 별 전송 대상에 포함되는 사용자들의 수, 임계 시간, 임계 반응률, 임계 확률, 머신러닝 모델의 아키텍쳐(architecture) 중 적어도 하나를 저장하거나 인스턴트 메시지를 전송하는 방법이 구현된 프로그램을 저장할 수 있다.
프로세서는 프로그램을 실행하고, 인스턴트 메시지를 전송하는 장치를 제어할 수 있다. 프로세서에 의하여 실행되는 프로그램의 코드는 메모리에 저장될 수 있다. 인스턴트 메시지를 전송하는 장치는 입출력 모듈을 통하여 사용자 인터페이스를 제공하거나, 통신 모듈을 통하여 외부 장치에 연결되어 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 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.
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 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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.
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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (11)

  1. 복수의 회차들을 통하여 인스턴트 메시지를 전송하는 서버의 동작 방법에 있어서,
    사용자 그룹으로부터 결정된 이전 회차 별 전송 대상에 전송된 상기 인스턴트 메시지에 반응하는 이전 회차까지의 응답들을 수집하는 단계;
    상기 이전 회차까지의 응답들에 기초하여, 상기 인스턴트 메시지가 수신된 채팅방을 이용하여 상기 인스턴트 메시지에 반응한 사용자들을 식별하는 단계;
    상기 이전 회차까지의 응답들 및 상기 식별된 사용자들의 특징들에 기초하여, 임의의 사용자가 상기 인스턴트 메시지에 반응할지 여부의 사용자 응답을 예측하는 머신러닝 모델을 학습시키는 단계;
    상기 머신러닝 모델에 기초하여, 상기 사용자 그룹으로부터 현재 회차 별 전송 대상을 결정하는 단계; 및
    상기 인스턴트 메시지를 상기 현재 회차 별 전송 대상에 전송하는 단계
    를 포함하고,
    상기 이전 회차까지의 응답들은
    상기 이전 회차 별 전송 대상에 포함되는 사용자들이 상기 인스턴트 메시지가 수신된 채팅방을 이용하여 상기 인스턴트 메시지에 반응하는지 여부에 기초하여 결정되는,
    인스턴트 메시지를 전송하는 서버의 동작 방법.
  2. 제1항에 있어서,
    상기 현재 회차 별 전송 대상을 결정하는 단계는
    상기 사용자 그룹에 포함된 사용자들 중 상기 이전 회차 별 전송 대상에 속하지 않는 사용자의 특징을 상기 머신러닝 모델에 인가함으로써, 상기 사용자의 응답을 예측하는 단계; 및
    상기 예측된 응답에 기초하여, 상기 사용자를 상기 현재 회차 별 전송 대상에 포함시키는 단계
    를 포함하는,
    인스턴트 메시지를 전송하는 서버의 동작 방법.
  3. 제1항에 있어서,
    상기 학습시키는 단계는
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었는지 여부를 판단하는 단계;
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었다는 판단에 따라, 상기 머신러닝 모델을 학습시키는 단계; 및
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았다는 판단에 따라, 상기 이전 회차의 응답들을 추가적으로 수집하는 단계
    를 더 포함하는,
    인스턴트 메시지를 전송하는 서버의 동작 방법.
  4. 제3항에 있어서,
    상기 학습시키는 단계는
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았더라도, 미리 정해진 임계 시간이 도과한 경우, 상기 머신러닝 모델을 학습시키는 단계
    를 더 포함하는,
    인스턴트 메시지를 전송하는 서버의 동작 방법.
  5. 제1항에 있어서,
    상기 이전 회차까지의 응답들은
    상기 이전 회차 별 전송 대상에 포함되는 개별의 사용자가 상기 인스턴트 메시지를 수신 확인하였으나 반응하지 않은 묵시적 부정 상태; 및
    상기 개별의 사용자가 상기 인스턴트 메시지를 수신 확인하고 반응한 명시적 긍정 상태
    중 적어도 하나를 포함하는,
    인스턴트 메시지를 전송하는 서버의 동작 방법.
  6. 제1항에 있어서,
    상기 현재 회차 별 전송 대상을 결정하는 단계는
    상기 머신러닝 모델에 기초하여, 상기 인스턴트 메시지에 반응할 것으로 예측되는 사용자들이 포함되도록 상기 현재 회차 별 전송 대상을 결정하는 단계
    를 포함하는,
    인스턴트 메시지를 전송하는 서버의 동작 방법.
  7. 하드웨어와 결합되어 제1항 내지 제6항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  8. 복수의 회차들을 통하여 인스턴트 메시지를 전송하는 장치에 있어서,
    프로그램이 기록된 메모리; 및
    상기 프로그램을 수행하는 프로세서
    를 포함하고,
    상기 프로그램은,
    사용자 그룹으로부터 결정된 이전 회차 별 전송 대상에 전송된 상기 인스턴트 메시지에 반응하는 이전 회차까지의 응답들을 수집하는 단계;
    상기 이전 회차까지의 응답들에 기초하여, 상기 인스턴트 메시지가 수신된 채팅방을 이용하여 상기 인스턴트 메시지에 반응한 사용자들을 식별하는 단계;
    상기 이전 회차까지의 응답들 및 상기 식별된 사용자들의 특징들에 기초하여, 임의의 사용자가 상기 인스턴트 메시지에 반응할지 여부의 사용자 응답을 예측하는 머신러닝 모델을 학습시키는 단계;
    상기 머신러닝 모델에 기초하여, 상기 사용자 그룹으로부터 현재 회차 별 전송 대상을 결정하는 단계; 및
    상기 인스턴트 메시지를 상기 현재 회차 별 전송 대상에 전송하는 단계
    를 수행하고,
    상기 이전 회차까지의 응답들은
    상기 이전 회차 별 전송 대상에 포함되는 사용자들이 상기 인스턴트 메시지가 수신된 채팅방을 이용하여 상기 인스턴트 메시지에 반응하는지 여부에 기초하여 결정되는,
    인스턴트 메시지를 전송하는 장치.
  9. 제8항에 있어서,
    상기 현재 회차 별 전송 대상을 결정하는 단계는
    상기 사용자 그룹에 포함된 사용자들 중 상기 이전 회차 별 전송 대상에 속하지 않는 사용자의 특징을 상기 머신러닝 모델에 인가함으로써, 상기 사용자의 응답을 예측하는 단계; 및
    상기 예측된 응답에 기초하여, 상기 사용자를 상기 현재 회차 별 전송 대상에 포함시키는 단계
    를 포함하는,
    인스턴트 메시지를 전송하는 장치.
  10. 제8항에 있어서,
    상기 학습시키는 단계는
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었는지 여부를 판단하는 단계;
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되었다는 판단에 따라, 상기 머신러닝 모델을 학습시키는 단계; 및
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았다는 판단에 따라, 상기 이전 회차의 응답들을 추가적으로 수집하는 단계
    를 더 포함하는,
    인스턴트 메시지를 전송하는 장치.
  11. 제10항에 있어서,
    상기 학습시키는 단계는
    상기 머신러닝 모델을 학습시키기에 충분할 정도로 상기 이전 회차까지의 응답들이 수집되지 않았더라도, 미리 정해진 임계 시간이 도과한 경우, 상기 머신러닝 모델을 학습시키는 단계
    를 더 포함하는, 인스턴트 메시지를 전송하는 장치.
KR1020200144607A 2019-10-16 2020-11-02 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치 KR102272821B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200144607A KR102272821B1 (ko) 2019-10-16 2020-11-02 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190128425A KR102190651B1 (ko) 2019-10-16 2019-10-16 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치
KR1020200144607A KR102272821B1 (ko) 2019-10-16 2020-11-02 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190128425A Division KR102190651B1 (ko) 2019-10-16 2019-10-16 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20210045344A KR20210045344A (ko) 2021-04-26
KR102272821B1 true KR102272821B1 (ko) 2021-07-05

Family

ID=75733825

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200144607A KR102272821B1 (ko) 2019-10-16 2020-11-02 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102272821B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019527874A (ja) * 2016-06-21 2019-10-03 ピンポイント プレディクティヴ，インコーポレイテッド ユーザー匿名性を維持しつつ機械学習を使って行動データから心理測定プロファイルを予測すること

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8762205B2 (en) * 2008-01-17 2014-06-24 International Business Machines Corporation Method for delivering businesses enterprises advertising via instant messaging
WO2011094734A2 (en) * 2010-02-01 2011-08-04 Jumptap, Inc. Integrated advertising system
KR20140047491A (ko) * 2012-10-11 2014-04-22 (주)카카오 봇을 이용한 인스턴트 메시지 서비스 제공 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019527874A (ja) * 2016-06-21 2019-10-03 ピンポイント プレディクティヴ，インコーポレイテッド ユーザー匿名性を維持しつつ機械学習を使って行動データから心理測定プロファイルを予測すること

Also Published As

Publication number Publication date
KR20210045344A (ko) 2021-04-26

Similar Documents

Publication Publication Date Title
CN106202453B (zh) 一种多媒体资源推荐方法和装置
JP5913754B2 (ja) オンライン・システム内のユーザ行動に関するカスタマイズされた予測器
CN111835760B (zh) 报警信息处理方法及装置、计算机存储介质、电子设备
TW201523487A (zh) 一種消息推送方法、裝置及系統
CN108111554B (zh) 一种访问队列的控制方法及装置
US11372805B2 (en) Method and device for information processing
CN111787345B (zh) 基于网络直播间的互动资源处理方法、装置、服务器及存储介质
US11604855B2 (en) Method and system for determining response for digital task executed in computer-implemented crowd-sourced environment
CN111405030B (zh) 一种消息推送方法、装置、电子设备和存储介质
CN109146280A (zh) 一种推送信息的方法、装置及系统
US11763148B2 (en) Systems and methods for managing interaction invitations
CN106096034A (zh) 应用程序日志管理方法及装置
CN106126519A (zh) 媒体信息的展示方法及服务器
KR20180050608A (ko) 깨진 네트워크 연결들의 기계 학습 기반 식별
US20200089762A1 (en) Compared sentiment queues
KR102272821B1 (ko) 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치
CN110169075B (zh) 在直播中智能插入次要内容
CN113765993A (zh) 一种下载速度预测方法、装置及存储介质
KR102190651B1 (ko) 인스턴트 메시지의 전송 대상을 결정하는 방법 및 그 장치
CN110267051A (zh) 一种数据处理的方法及装置
CN113377972A (zh) 多媒体内容推荐方法、装置、计算设备和存储介质
US20220353214A1 (en) Method for determining targets for transmitting instant messages and apparatus thereof
CN109313638B (zh) 应用推荐
CN114997930A (zh) 策略配置方法及装置
CN112054926B (zh) 集群管理方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant