KR102536202B1 - 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체 - Google Patents

서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체 Download PDF

Info

Publication number
KR102536202B1
KR102536202B1 KR1020160109159A KR20160109159A KR102536202B1 KR 102536202 B1 KR102536202 B1 KR 102536202B1 KR 1020160109159 A KR1020160109159 A KR 1020160109159A KR 20160109159 A KR20160109159 A KR 20160109159A KR 102536202 B1 KR102536202 B1 KR 102536202B1
Authority
KR
South Korea
Prior art keywords
user information
users
log data
viewing log
user
Prior art date
Application number
KR1020160109159A
Other languages
English (en)
Other versions
KR20180023584A (ko
Inventor
샤이다 에르네스토 에브게니 산체스
비벡 아가왈
자틴 갈그
송민석
권재욱
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020160109159A priority Critical patent/KR102536202B1/ko
Priority to US16/328,055 priority patent/US10750239B2/en
Priority to PCT/KR2017/007059 priority patent/WO2018038384A1/ko
Publication of KR20180023584A publication Critical patent/KR20180023584A/ko
Application granted granted Critical
Publication of KR102536202B1 publication Critical patent/KR102536202B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H04N21/44224—Monitoring of user activity on external systems, e.g. Internet browsing
    • H04N21/44226—Monitoring of user activity on external systems, e.g. Internet browsing on social networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25883—Management of end-user data being end-user demographical data, e.g. age, family status or address
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/658—Transmission by the client directed to the server
    • H04N21/6582—Data stored in the client, e.g. viewing habits, hardware capabilities, credit card number

Abstract

서버 장치가 개시된다. 서버 장치는, 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터와 복수의 제1 사용자 각각의 복수의 사용자 정보를 외부 서버로부터 수신하는 통신부, 수신된 복수의 제1 시청 로그 데이터 및 수신된 복수의 사용자 정보에 기초하여, 시청 로그 데이터에서 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하는 예측 모델을 갱신하는 프로세서를 포함하고, 프로세서는, 통신부를 통하여 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 갱신된 예측 모델을 이용하여 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측한다.

Description

서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체{SERVER APPARATUS, METHOD FOR CONTROLLING THE SAME AND COMPUTER-READABLE RECORDING MEDIUM}
본 개시는 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체에 대한 것으로, 보다 상세하게는 복수의 사용자 각각에 대한 사용자 정보를 예측할 수 있는 서버 장치, 그 제어 방법 및 판독가능 기록 매체에 대한 것이다.
다양한 정보에 기반하여 개인화 서비스를 제공하는 기술은 다양한 분야에서 적용되고 있다. 예를 들면 사용자의 구매 패턴에 기반한 컨텐츠 추천시스템과 같은 기술이 있다. 이외에도, 컨텐츠 아이템 사용자의 행동 내역을 학습하여 컨텐츠를 추천하는 기술, TV 시청 사용자에 따라 미디어 리스트를 추천하는 기술, 지역정보와 사용자의 컨텐츠 사용 로그에 기반한 추천 기술, 소셜-네트워크와 프로파일 필터링에 기반한 추천 기술 등 다양한 추천 기술이 제시되어 있다.
그러나, 이러한 종래 추천 기술은 정적인 정보나 단편적인 정보만을 이용하여 추천서비스를 제공한다. 즉, 추천서비스를 제공하기 위해서는 추천에 사용하기 위한 사용자의 정보를 사용자가 직접 제공하는 단계가 반드시 필요하다.
또한, 제공되는 사용자의 정보는 양이 매우 적거나, 불완전하며, 이를 수집하기 위해 높은 비용이 소요된다는 점에서 사용자에게 맞는 적절한 컨텐츠를 추천하기가 곤란하였고, 특히, 가정에서 사용되는 TV와 같이, 동일한 서버 장치를 복수의 사용자가 사용하는 경우, 복수의 사용자 각각에 대응되는 컨텐츠를 추천 및 제공하기 어렵다는 문제점이 있었다.
이에 따라, 서버 장치를 공유하는 복수의 사용자 각각에 대한 프로파일링을 보다 정확하게 하기 위한 기술의 필요성이 대두되고 있다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은, 방송수신장치의 사용 기록을 이용하여, 복수의 사용자 각각에 대한 사용자 정보를 예측할 수 있는 서버 장치, 그 제어 방법 및 판독가능 기록 매체를 제공함에 있다.
상술한 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 서버 장치는, 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터와 상기 복수의 제1 사용자 각각의 복수의 사용자 정보를 외부 서버로부터 수신하는 통신부, 상기 수신된 복수의 제1 시청 로그 데이터 및 상기 수신된 복수의 사용자 정보에 기초하여, 시청 로그 데이터에서 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하는 예측 모델을 갱신하는 프로세서를 포함하고, 상기 프로세서는, 상기 통신부를 통하여 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 상기 갱신된 예측 모델을 이용하여 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측한다.
이 경우, 상기 프로세서는, 상기 예측된 사용자 수 및 상기 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하고, 상기 검색된 컨텐츠 정보가 상기 제2 방송수신장치에 전달되도록 상기 통신부를 제어할 수 있다.
이 경우, 상기 프로세서는, 상기 예측된 각 사용자의 사용자 정보에 각각 대응되는 컨텐츠 정보를 검색하고, 상기 검색된 각 컨텐츠 정보 중 공통된 컨텐츠 정보를 상기 제2 방송수신장치에 전달되도록 상기 통신부를 제어할 수 있다.
한편, 상기 프로세서는, 시간대별로 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측할 수 있다.
이 경우, 상기 프로세서는, 상기 시간대별로 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하고, 검색된 컨텐츠 정보가 상기 제2 방송수신장치에 전달되도록 상기 통신부를 제어할 수 있다.
한편, 상기 프로세서는, 상기 수신된 복수의 제1 시청 로그 데이터를 시간순으로 정렬하고, 상기 예측 모델을 이용하여 상기 정렬된 시청 로그 데이터에서 상기 제1 방송수신장치를 사용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하고, 상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보와 상기 예측된 사용자 정보를 비교하여 상기 예측 모델을 수정할 수 있다.
이 경우, 상기 프로세서는, 상기 예측된 사용자 정보가 상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보에 근사하도록 상기 예측 모델을 수정할 수 있다.
한편, 상기 예측 모델은, 순환형 신경망(recurrent neural network), 완전 접속망(fully connected network), 회선 신경망(convolutional neural network) 중 어느 하나를 포함할 수 있다.
한편, 상기 사용자 정보는, 성별, 연령, 소득 수준 및 교육 수준 중 적어도 하나를 포함할 수 있다.
한편, 상기 제1 시청 로그 데이터 및 제2 시청 로그 데이터는, 시청된 채널, 채널 변경 시간, 볼륨 조절 시간, 상기 서버 장치의 전원 온/오프 시간 중 적어도 하나일 수 있다.
한편, 본 개시의 일 실시 예에 따른 서버 장치의 제어 방법은, 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터와 상기 복수의 제1 사용자 각각의 복수의 사용자 정보를 외부 서버로부터 수신하는 단계, 상기 수신된 복수의 제1 시청 로그 데이터 및 상기 수신된 복수의 사용자 정보에 기초하여, 시청 로그 데이터에서 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하는 예측 모델을 갱신하는 단계, 및 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 상기 갱신된 예측 모델을 이용하여 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측하는 단계를 포함할 수 있다.
이 경우, 상기 예측된 사용자 수 및 상기 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하는 단계, 및 상기 검색된 컨텐츠 정보를 상기 제2 방송수신장치에 전달하는 단계;를 더 포함할 수 있다.
이 경우, 상기 검색하는 단계는, 상기 예측된 각 사용자의 사용자 정보에 각각 대응되는 컨텐츠 정보를 검색하고, 상기 전달하는 단계는, 상기 검색된 각 컨텐츠 정보 중 공통된 컨텐츠 정보를 상기 제2 방송수신장치에 전달할 수 있다.
한편, 상기 예측하는 단계는, 시간대별로 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측할 수 있다.
이 경우, 상기 시간대별로 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하고, 검색된 컨텐츠 정보를 상기 제2 방송수신장치에 전달할 수 있다.
한편, 상기 갱신하는 단계는, 상기 수신된 복수의 제1 시청 로그 데이터를 시간순으로 정렬하는 단계, 상기 예측 모델을 이용하여 상기 정렬된 시청 로그 데이터에서 상기 제1 방송수신장치를 사용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하는 단계, 상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보와 상기 예측된 사용자 정보를 비교하여 상기 예측 모델을 수정하는 단계를 포함할 수 있다.
이 경우, 상기 수정하는 단계는, 상기 예측된 사용자 정보가 상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보에 근사하도록 상기 예측 모델을 수정할 수 있다.
한편, 상기 예측 모델은, 순환형 신경망(recurrent neural network), 완전 접속망(fully connected network), 회선 신경망(convolutional neural network) 중 어느 하나를 포함할 수 있다.
한편, 상기 제1 시청 로그 데이터 및 제2 시청 로그 데이터는, 시청된 채널, 채널 변경 시간, 볼륨 조절 시간, 상기 서버 장치의 전원 온/오프 시간 중 적어도 하나일 수 있다.
한편, 서버 장치의 제어 방법을 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록 매체에 있어서, 상기 제어 방법은, 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터와 상기 복수의 제1 사용자 각각의 복수의 사용자 정보를 외부 서버로부터 수신하는 단계, 상기 수신된 복수의 제1 시청 로그 데이터 및 상기 수신된 복수의 사용자 정보에 기초하여, 시청 로그 데이터에서 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하는 예측 모델을 갱신하는 단계 및 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 상기 갱신된 예측 모델을 이용하여 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측하는 단계를 포함할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 서버 장치를 이용한 사용자 프로파일링 시스템의 구성을 나타내는 도면,
도 2는 본 개시의 일 실시 예에 따른 서버 장치의 구성을 간략하게 나타내는 블럭도,
도 3은 본 개시의 일 실시 예에 따른 서버 장치의 구성을 구체적으로 나타내는 블럭도,
도 4는 본 개시의 일 실시 예에 따른 사용자 프로파일링 방법을 개략적으로 나타내는 도면,
도 5는 본 개시의 따른 실시 예에 따른 사용자 프로파일링 방법을 개략적으로 나타내는 도면,
도 6은 외부 서버에서 제1 시청 로그 데이터 및 사용자 정보를 수집하는 방법을 개략적으로 나타내는 도면,
도 7은 본 개시의 일 실시 예에 따라 제1 시청 로그 데이터를 제1 방송수신장치별로 시간순으로 정렬하는 방법을 개략적으로 나타내는 도면,
도 8은 본 개시의 일 실시 예에 따른 제2 시청 로그 데이터를 이용한 사용자 프로파일링 방법을 개략적으로 나타내는 도면, 그리고,
도 9는 본 개시의 일 실시 예에 따른 사용자 프로파일링 방법을 설명하기 위한 흐름도이다.
이하에서는 도면을 참조하여 본 개시에 대해 상세히 설명하도록 한다. 본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 나아가, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 개시의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.
도 1은 본 개시의 일 실시 예에 따른 서버 장치를 이용한 사용자 프로파일링 시스템의 구성을 나타내는 도면이다.
도 1을 참조하면, 본 개시의 일 실시 예에 따른 사용자 프로파일링 시스템(100)은 서버 장치(100), 외부 서버(200) 및 방송수신장치(300)를 포함한다.
이때, 서버 장치(100)는 외부 서버(200)로부터 수신된 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터 및 복수의 사용자 각각의 복수의 사용자 정보를 기초로 기저장된 예측 모델(predictive model)을 갱신할 수 있다. 그리고, 서버 장치(100)는 사용자 정보를 예측할 수 있다. 구체적으로, 서버 장치(100)는 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 갱신된 예측 모델을 이용하여 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측할 수 있다.
이때, 예측 모델은 독립 변수에 대한 종속 변수의 관계를 설명하거나, 투입에 대한 산출의 관계를 설명하는 모델로서, 입력과 출력 및 수행 기능은 알려져 있으나 내부적인 구현은 알려져 있지 않거나, 크게 개의치 않는 모델로, 블랙 박스 모델(black box model)이라고도 한다. 구체적으로, 예측 모델은 시청 로그 데이터에서 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측할 수 있다.
여기서, 예측 모델은 순환형 신경망(recurrent neural network), 완전 접속망(fully connected network), 회선 신경망(convolutional neural network) 등을 포함할 수 있다. 이상에 기재된 예측 모델의 종류는 당 분야에 널리 알려진 것인 바, 자세한 설명은 생략한다.
한편, 서버 장치(100)의 구체적인 구성은 이하 도 2 및 도 3을 참조하여 자세히 설명한다.
한편, 서버 장치(100)는 외부 서버(200)로부터 복수의 방송수신장치를 사용하는 복수의 사용자에 대한 시청 로그 데이터 및 복수의 사용자에 대한 사용자 정보를 수신하고, 수신된 시청 로그 데이터를 이용하여 복수의 사용자 정보를 예측하고, 예측된 사용자 정보 및 수신된 사용자 정보를 비교하여 예측 모델을 수정할 수 있다. 구체적으로, 서버 장치(100)는 예측 모델의 파라미터를 변경하여 예측 모델을 수정할 수 있다.
이때, 서버 장치(100)는 외부 서버(200) 및 방송수신장치(300)와 연결된 서버일 수 있으며, 설명의 편의를 위하여 서버 장치(100) 및 방송수신장치(300)는 별개의 구성인 것으로 도시하였으나, 실제 구현시에는 하나의 구성일 수 있다. 서버 장치(100)와 방송수신장치(300)가 하나의 구성인 경우, 외부 서버(200)와 연결된 서버 장치(100)는 스마트폰, 노트북, 태블릿 PC 등과 같은 모바일 장치, 스마트 TV, 데스크탑 PC 등의 다양한 디스플레이 장치일 수 있다. 한편, 이하에서는 설명의 편의를 위하여 서버 장치(100)와 방송수신장치(300)는 별개의 구성인 것으로 설명한다.
한편, 외부 서버(200)는 서버 장치(100)에 외부 서버(200)와 연결된 복수의 방송수신장치를 각각 사용하는 복수의 사용자에 대한 시청 로그 데이터 및 복수의 사용자에 대한 사용자 정보를 제공한다. 구체적으로, 외부 서버(200)는 시청 로그 데이터는 복수의 방송수신장치 각각에 대해 생성하며, 복수의 방송수신장치 각각을 사용하는 복수의 사용자 별로 생성한다.
여기서, 시청 로그 데이터는, 시청된 채널, 채널 변경 시간, 볼륨 조절 시간, 서버 장치의 전원 온/오프 시간, 서버 장치의 사용 시간을 포함할 수 있고, 추가적으로, 선호 TV 채널, 선호 TV 프로그램, 컨텐츠 구매 이력, 서비스 사용 이력을 포함할 수 있다. 그리고, 사용자 정보는 사용자 각각의 성별, 연령, 소득 수준, 거주 지역, 교육 수준 및 세대 구조 등 사용자의 개인 정보를 포함할 수 있다.
이때, 외부 서버(200)는 공공 기관, 정부, 시장 조사 기관, 설문 조사 기관 및 기업 중 적어도 하나의 것일 수 있다. 따라서, 외부 서버(200)로부터 제공되는 시청 로그 데이터 및 사용자 정보는 오픈 데이터이거나, 소정의 비용이 요구될 수 있다.
방송수신장치(300)는 서버 장치(100)에 방송수신장치(300)에 대한 시청 로그 데이터를 전송할 수 있다. 이때, 방송수신장치(300)에 대한 시청 로그 데이터는 사용자의 수를 포함한 사용자의 개인 정보는 포함되어 있지 않으며, 사용자가 방송수신장치(300)를 사용한 내역을 시간 순으로 정렬한 것일 수 있다. 구체적으로, 방송수신장치(300)는 스마트폰, 노트북, 데스크탑 PC, 태블릿 PC, 스마트 TV, 셋탑박스 등 복수의 사용자가 공유 가능한 장치일 수 있다.
한편, 방송수신장치(300)에서 서버 장치(100)로 전송되는 시청 로그 데이터는, 시청된 채널, 채널 변경 시간, 볼륨 조절 시간, 서버 장치의 전원 온/오프 시간, 서버 장치의 사용 시간을 포함할 수 있고, 추가적으로, 선호 TV 채널, 선호 TV 프로그램, 컨텐츠 구매 이력, 서비스 사용 이력을 포함할 수 있다.
한편, 이상에서는 방송수신장치(300)에서 서버 장치로(100) 방송수신장치(300)에 대한 시청 로그 데이터만 전송되는 것으로 도시하고 설명하였으나, 실제 구현시 서버 장치(100)는, 방송수신장치(300)를 사용하는 적어도 하나의 사용자의 적어도 하나의 항목에 대한 미지의 정보를 포함하는 사용자 정보를 전송할 수도 있다. 이 경우, 서버 장치(100)는 갱신된 예측 모델을 이용하여 미지의 정보를 예측할 수 있다.
도 2는 본 개시의 일 실시 예에 따른 서버 장치의 구성을 간략하게 나타내는 블럭도이다.
도 2를 참조하면, 본 개시의 일 실시 예에 따른 서버 장치(100)는 통신부(110) 및 프로세서(120)를 포함한다.
통신부(110)는 외부 서버로부터 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터 및 복수의 제1 사용자 각각의 복수의 사용자 정보를 수신받을 수 있다. 구체적으로, 통신부(110)는 외부 서버로부터 복수의 방송수신장치를 사용하는 복수의 사용자 각각에 대한 시청 로그 데이터 및 복수의 사용자 각각에 대한 복수의 항목으로 구성된 사용자 정보를 수신할 수 있다.
여기서, 외부 서버와 연결된 방송수신장치가 복수 개이면, 시청 로그 데이터는 복수의 방송수신장치 별로 생성되며, 복수의 방송수신장치 각각에 대한 시청 로그 데이터는 복수의 방송수신장치를 각각 사용하는 복수의 사용자 별로 사용 기록을 분류하여 시청 로그 데이터를 생성할 수 있다. 복수의 방송수신장치를 사용하는 복수의 사용자 각각에 대한 시청 로그 데이터를 생성하는 방법은 이하 도 6을 참조하여 자세히 설명한다.
한편, 통신부(110)는 외부 서버와 연결된 복수의 제1 방송수신장치 이외에 서버 장치(100)와 연결된 제2 방송수신장치로부터 제2 방송수신장치에 대한 시청 로그 데이터를 수신할 수 있다. 구체적으로, 제2 방송수신장치에 대한 시청 로그 데이터는 제2 방송수신장치를 사용한 내역을 시간 순으로 정렬한 것일 뿐, 제2 방송수신장치를 사용한 사용자의 수, 사용자의 성별, 연령 등 사용자의 개인 정보 등은 알 수 없다.
사용자의 개인 정보 등은 수신된 제2 방송수신장치에 대한 시청 로그 데이터에 기초하여 프로세서(120)에 의해 예측될 수 있다. 사용자 정보 예측에 대해서는 이하 프로세서(120)에 대한 기재 및 도 8을 참조하여 자세히 설명한다.
한편, 통신부(110)는 프로세서(120)에 의해 제2 방송수신장치에 대한 시청 로그 데이터에 기초하여 예측된 사용자 정보에 기초하여, 제2 방송수신장치를 사용하는 적어도 하나의 사용자 각각에 대응되는 것으로 검색된 컨텐츠를 제2 방송수신장치로 전송할 수 있다. 그리고, 통신부(110)는 프로세서(120)에 의해 예측된 사용자 정보를 제2 방송수신장치에 전송할 수 있다.
한편, 프로세서(120)는 외부 서버로부터 통신부(110)를 통해 수신된 복수의 제1 방송수신장치를 사용하는 복수의 제1 사용자에 대한 제1 시청 로그 데이터 및 복수의 제1 사용자 각각의 복수의 사용자 정보를 이용하여 예측 모델을 갱신할 수 있다.
구체적으로, 프로세서(120)는 외부 서버로부터 통신부(110)를 통해 수신된 복수의 제1 시청 로그 데이터를 시간순으로 정렬할 수 있다. 구체적으로, 프로세서(120)는 복수의 제1 방송수신장치 중 적어도 하나의 제1 방송수신장치를 사용하는 복수의 제1 사용자에 대한 제1 시청 로그 데이터를 방송수신장치 별로 시간순으로 정렬할 수 있다. 이에 대해서는 이하 도 7을 참조하여 자세히 설명한다.
그리고, 프로세서(120)는 복수의 제1 방송수신장치를 사용하는 복수의 제1 사용자에 대한 사용자 정보의 적어도 하나의 항목을 예측할 수 있다. 구체적으로, 프로세서(120)는 시청 로그 데이터로 방송수신장치를 사용하는 사용자의 수 및 사용자 정보를 예측하는 예측 모델을 이용하여 정렬된 제1 시청 로그 데이터에서 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 사용자 정보를 예측할 수 있다. 구체적으로, 복수의 제1 사용자 각각에 대한 사용자 정보를 구성하는 복수의 항목 중 적어도 하나의 항목을 예측할 수 있다.
그리고, 프로세서(120)는 통신부(110)를 통해 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보와 예측된 사용자 정보를 비교하여 예측 모델을 수정할 수 있다. 구체적으로, 프로세서(120)는 예측된 사용자 정보가 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보에 근사하도록 예측 모델을 수정할 수 있다.
그리고, 프로세서(120)는 통신부(110)를 통하여 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 갱신된 예측 모델을 이용하여 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측할 수 있다.
그리고, 프로세서(120)는 예측된 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보에 대응되는 컨텐츠 정보를 검색하여 제2 방송수신장치에 전달되도록 통신부(110)를 제어할 수 있다.
이때, 프로세서(120)는 제2 방송수신장치를 사용하는 사용자가 복수인 것으로 예측되면, 예측된 각 사용자의 정보에 따라 각각 대응되는 컨텐츠 정보를 검색하고, 검색된 각 사용자에 대응되는 컨텐츠 정보 중 공통된 컨텐츠 정보만 제2 방송수신장치로 전송되도록 통신부(110)를 제어할 수 있다.
그리고, 프로세서(120)는 시간대별로 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 예측할 수 있다. 구체적으로, 프로세서(120)는 갱신된 예측 모델을 이용하여 시간대별로 생성된 제2 시청 로그 데이터에서 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 시간대별로 예측할 수 있다.
이 경우, 프로세서(120)는 시간대별로 예측된 각 사용자 정보에 기초하여, 각 시간대별로 예측된 사용자 정보에 대응되는 컨텐츠를 검색하여 제2 방송수신장치에 전달되도록 통신부(110)를 제어할 수 있다.
이상에 기재한 다양한 실시 예에 따라, 방송수신장치를 사용하는 사용자의 수 및 각 사용자의 사용자 정보를 보다 정확히 예측할 수 있고, 예측된 사용자 정보에 따라 사용자에 따라 보다 적절한 컨텐츠 및 시간대별로 보다 적절한 컨텐츠를 제공할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 서버 장치의 구성을 구체적으로 나타내는 블럭도이다.
도 3을 참조하면, 본 개시의 일 실시 예에 따른 서버 장치(100)는 통신부(110), 프로세서(120) 및 저장부(130)를 포함한다.
통신부(110) 및 프로세서(120)는 도 2에 도시된 구성과 동일한 바, 자세한 설명은 생략한다.
저장부(130)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 저장부(130)는 서버 장치(100)의 제어를 위한 제어 프로그램, 제조사에서 최초 제공되거나 외부에서부터 다운로드 받은 어플리케이션, 어플리케이션과 관련된 GUI(graphical user interface), GUI를 제공하기 위한 오브젝트(예를 들어, 이미지 텍스트, 아이콘, 버튼 등), 사용자 정보, 문서, 데이터베이스들 또는 관련 데이터들을 저장할 수 있다.
구체적으로, 저장부(130)는 통신부(110)로부터 수신된 제1 방송수신장치를 사용하는 제1 사용자 각각에 대한 복수의 제1 로그 데이터, 제1 사용자 각각의 복수의 사용자 정보 및 예측된 제2 방송수신장치의 사용자 정보를 저장할 수 있다. 이 때, 사용자 정보는 복수의 방송수신장치 각각의 사용자의 성별, 연령, 소득 수준, 거주 지역, 세대 구조, 장치 사용 정보를 포함하고, 시청 로그 데이터는 방송수신장치에서의 서비스 이용 정보, 장치 이용 시간, 선호 채널 및 선호 TV 프로그램 등을 포함할 수 있다.
그리고, 저장부(130)는 시청 로그 데이터로부터 미지의 사용자 정보를 예측하기 위한 예측 모델의 파라미터를 저장할 수 있다.
그리고, 저장부(130)는 저장된 파라미터를 이용하여 프로세서(120)에 의해 예측된 제1 방송수신장치의 사용자의 수 및 각 사용자의 사용자 정보를 저장할 수 있다. 그리고, 저장부(130)는 예측된 사용자 정보 및 제1 방송수신장치로부터 수신된 사용자 정보에 기초하여 갱신된 예측 모델을 저장할 수 있다. 구체적으로, 저장부(130)는 예측된 사용자 정보를 제1 방송수신장치로부터 수신된 사용자 정보와 비교하여 계산된 에러에 기초하여 파라미터를 변경하여 갱신된 예측 모델을 저장할 수 있다.
그리고, 저장부(130)는 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 수신된 제2 시청 로그 데이터를 저장할 수 있고, 갱신된 예측 모델을 이용하여 예측된 제2 방송수신장치를 사용하는 사용자의 수 및 사용자의 사용자 정보를 저장할 수 있다.
그리고, 저장부(130)는 각종 컨텐츠를 저장할 수 있다. 여기서 컨텐츠는 타 방송수신장치에서 사용자에게 제공될 수 있는 광고, 영화, TV 프로그램과 같은 동영상 파일이나, 이에 대응되는 썸네일 이미지와 같은 이미지 파일 등일 수 있다.
한편, 이상에서는 서버 장치(100)와 제2 방송수신장치가 별개의 구성인 것으로 도시하고 설명하였으나, 실제 구현시에는 서버 장치(100)와 제2 방송수신장치가 하나의 구성일 수 있으며, 이 경우에는 제2 로그 데이터 생성을 위해 사용자로부터 조작 명령을 입력받는 입력부 및 유저 인터페이스 화면이나 컨텐츠를 표시하는 디스플레이부가 더 포함될 수 있다.
도 4는 본 개시의 일 실시 예에 따른 사용자 프로파일링 방법을 개략적으로 나타내는 도면이다.
도 4를 참조하면, 본 개시의 일 실시 예에 따른 서버 장치의 프로세서(120)는 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터(41), 복수의 제1 사용자 각각의 복수의 사용자 정보(42) 및 기계 학습을 수행할 수 있는 예측 모델(121)을 이용하여 사용자의 미지의 정보를 예측한 결과 정보(43)를 획득할 수 있다.
우선, 프로세서(120)는 제1 시청 로그 데이터(41), 사용자 정보(42)를 취합하여 사용자 정보를 프로파일링 할 수 있다. 이때, 사용자의 미지의 정보를 예측하기 위해 이용되는 제1 시청 로그 데이터(41) 및 사용자 정보(42)는 외부 서버로부터 수신된 것이거나, 복수의 사용자가 각각 사용하는 스마트 TV 또는 모바일 장치 등과 같은 적어도 하나의 제1 방송수신장치로부터 직접 수신된 것일 수 있다.
이때, 입력된 사용자 정보(42)는 정보 입력 여부에 따라 미지의 정보가 포함될 수 있다. 예를 들어, 방송수신장치 1(device ID:1)의 사용자 1 및 2의 연령 및 방송수신장치 2(device ID:2)의 사용자 1 내지 3의 연령은 입력되었으나, 방송수신장치 3(device ID:3)의 사용자 1 내지 3의 연령은 입력되지 않았으므로, 방송수신장치 3의 복수의 사용자의 연령은 미지의 정보에 해당할 수 있다.
이때, 프로세서(120)는 제1 시청 로그 데이터(41)를 이용하여 복수의 제1 방송수신장치에 대한 복수의 제1 사용자 각각의 사용자 정보를 예측할 수 있다. 구체적으로, 프로세서(120)는 복수의 제1 방송수신장치에 대한 복수의 제1 시청 로그 데이터(41)를 각 방송수신장치별로 시간순으로 정렬하여 각 제1 방송수신장치별로 제1 시청 로그 데이터를 생성하고, 생성된 각 제1 방송수신장치별 제1 시청 로그 데이터 및 사용자 정보 예측 모델(121)을 이용하여 복수의 제1 사용자 각각에 대한 사용자 정보(43)을 예측할 수 있다.
이때, 프로세서(120)는 예측된 사용자 정보(43)와 수신 또는 입력된 사용자 정보(42)를 비교하여 예측된 사용자 정보(43)의 에러를 계산하고, 이에 기초하여 예측 모델(121)의 파라미터를 수정하여 예측 모델(121)을 수정할 수 있다. 기계 학습 과정은 당 분야에서 잘 알려진 기술인 바, 자세한 설명은 생략한다.
한편, 이상에서는 복수의 사용자의 사용자 정보(42)로 연령만이 기재되었으나, 실제 구현시에는 성별, 소득 수준, 교육 수준 등을 더 포함할 수 있다.
이와 같이, 제1 방송수신장치를 사용하는 복수의 제1 사용자의 복수의 제1 시청 로그 데이터 및 복수의 사용자 정보를 이용하여 예측 모델을 수정함으로써, 보다 정확하게 미지의 사용자 정보를 예측할 수 있다.
도 5는 본 개시의 따른 실시 예에 따른 사용자 프로파일링 방법을 개략적으로 나타내는 도면이다.
도 5를 참조하면, 본 개시의 일 실시 예에 따른 서버 장치의 프로세서(120)는 제2 방송수신장치로부터 수신된 제2 시청 로그 데이터(51)를 이용하여 복수의 제2 방송수신장치를 각각 사용하는 적어도 하나의 사용자의 미지의 정보를 예측한 결과 정보(52)를 획득할 수 있다. 이때, 예측된 결과 정보(52)는 제2 방송수신장치를 사용하는 사용자의 수와 각 사용자의 사용자 정보를 포함할 수 있다.
구체적으로, 프로세서(120)는 제2 방송수신장치를 사용하는 사용자가 구분되지 않은 복수의 제2 방송수신장치 각각의 사용 기록인 제2 시청 로그 데이터(51)를 이용하여 시간대별로 제2 방송수신장치를 사용한 사용자의 수와 사용자 정보(52)를 예측할 수 있다. 이때, 프로세서(120)는 수신 또는 입력된 제2 시청 로그 데이터(51) 및 갱신된 예측 모델을 이용하여 예측 결과 정보(52)를 획득할 수 있다. 여기서, 이용되는 예측 모델은 도 4에 기재된, 기계 학습을 통해 수정된 예측 모델일 수 있다.
이와 같이, 수정된 예측 모델을 사용함으로써, 사용자가 구분되지 않은 제2 방송수신장치의 사용 기록인 제2 시청 로그 데이터를 이용하더라도, 시간대별로 제2 방송수신장치를 사용하는 사용자의 수 및 적어도 하나의 사용자 각각의 사용자 정보를 예측할 수 있게 된다.
도 6은 외부 서버에서 제1 시청 로그 데이터 및 사용자 정보를 수집하는 방법을 개략적으로 나타내는 도면이다.
도 6을 참조하면, 외부 서버(미도시)와 연결된 제1 방송수신장치(201)는 복수의 사용자(20-1, 20-2)에 의해 사용될 수 있다. 구체적으로, 제1 방송수신장치(201)는 복수의 사용자(20-1, 20-2) 각각의 조작을 구분하여 입력받을 수 있다. 예를 들어, 복수의 사용자(20-1, 20-2)는 제1 방송수신장치(201)를 조작할 수 있는 복수의 리모콘(10-1, 10-2)을 각각 사용하여 제1 방송수신장치(201)를 조작할 수 있다. 한편, 이에 한정되지 않고, 하나의 리모콘에 복수의 사용자(20-1, 20-2)가 조작하는 범위가 각각 다르거나, 조작 전 조작하는 사용자가 누구인지 입력 후 조작을 하는 등 제1 방송수신장치(201)가 복수의 사용자(20-1, 20-2)의 조작을 구분할 수 있는 모든 방법에 사용 가능하다.
그리고, 제1 방송수신장치(201)는 복수의 사용자(20-1, 20-2)가 제1 방송수신장치(201)를 사용한 기록인 제1 시청 로그 데이터(61)를 생성할 수 있다. 이때, 제1 방송수신장치(201)는 복수의 사용자(20-1, 20-2)별로 사용 기록을 분류하여 제1 시청 로그 데이터(61)를 생성할 수 있다.
그리고, 제1 방송수신장치(201)는 복수의 사용자(20-1, 20-2) 각각에 대한 사용자 정보(62)를 생성할 수 있다. 이때, 사용자 정보(62)는 복수의 사용자(20-1, 20-2)가 리모콘(10-1, 10-2)을 통하여 제1 방송수신장치(201)에 입력한 것일 수 있다. 한편, 사용자 정보(62)는 제1 방송수신장치(201)에 입력하지 않더라도, 외부 기관으로부터 조사된 각 가정 별 인구 조사 결과를 제공받은 것일 수도 있다.
한편, 도 6에서는 하나의 가족에 두 명의 사용자가 존재하는 것으로 도시하고 설명하였으나, 실제 구현시에는 한 명 또는 세 명 이상의 사용자가 제1 방송수신장치(201)를 공유할 수 있다. 그리고, 이상에서는 외부 서버와 연결된 제1 방송수신장치(201)가 하나인 것으로 설명되었으나, 실제 구현시에는 외부 서버와 연결된 서버 장치는 복수 개 일 수 있다.
그리고, 제1 방송수신장치(201)는 생성된 복수의 사용자(20-1, 20-2)에 대한 제1 시청 로그 데이터(61) 및 사용자 정보(62)를 외부 서버(미도시) 또는 방송수신장치(미도시)에 전송할 수 있다.
그리고, 제1 방송수신장치(201)로부터 제1 시청 로그 데이터(61) 및 사용자 정보(62)를 수신한 외부 서버는 본 개시의 일 실시 예에 따른 서버 장치(미도시)에 수신된 제1 시청 로그 데이터(61) 및 사용자 정보(62)를 전송할 수 있다.
도 7은 본 개시의 일 실시 예에 따라 제1 시청 로그 데이터를 제1 방송수신장치별로 시간순으로 정렬하는 방법을 개략적으로 나타내는 도면이다.
도 7을 참조하면, 서버 장치는 외부 서버로부터 외부 서버와 연결된 복수의 제1 방송수신장치에 대한 복수의 제1 사용자가 복수의 제1 방송수신장치를 각각 사용한 기록인 제1 시청 로그 데이터(71)를 수신하고, 수신된 제1 시청 로그 데이터(71)를 시간순으로 정렬하여 정렬된 제1 시청 로그 데이터(72)를 생성할 수 있다. 그리고, 서버 장치는 정렬된 제1 시청 로그 데이터(72)를 저장할 수 있다.
도시되지는 않았으나, 서버 장치는 외부 서버로부터 복수의 제1 사용자 각각에 대한 사용자 정보를 함께 수신할 수 있으며, 정렬된 제1 시청 로그 데이터(72) 및 수신된 사용자 정보는, 사용자 정보 없이 제2 방송수신장치에 대한 제2 시청 로그 데이터만 입력된 경우, 제2 방송수신장치를 사용한 사용자의 수 및 사용자 정보를 예측하기 위한 예측 모델을 갱신하는 데 사용되는 데이터 베이스가 될 수 있다.
도 8은 본 개시의 일 실시 예에 따른 제2 시청 로그 데이터를 이용한 사용자 프로파일링 방법을 개략적으로 나타내는 도면이다.
도 8을 참조하면, 본 개시의 일 실시 예에 따른 서버 장치와 연결된 제2 방송수신장치(300)는 복수의 사용자(20-1, 20-2)에 의해 사용될 수 있다. 구체적으로, 제2 방송수신장치(300)는 복수의 사용자(20-1, 20-2)의 조작을 입력받을 수 있다. 이때, 제2 방송수신장치(300)는 리모콘(10)에 의한 조작만 입력받을 수 있을 뿐, 복수의 사용자(20-1, 20-2)가 조작하는지 여부는 구분할 수 없다.
본 개시의 일 실시 예에 따른 서버 장치는 연결된 제2 방송수신장치(300)로부터 제2 방송수신장치(300)가 사용된 기록인 제2 시청 로그 데이터(81)를 수신할 수 있으며, 도 8에서는 복수의 사용자가 제2 방송수신장치(300)를 사용하였음을 나타내기 위하여 사용자가 구분되도록 제2 시청 로그 데이터(81)를 도시하였으나, 실제 구현시에는 제2 방송수신장치(300)로부터 수신된 제2 시청 로그 데이터(81)는 제2 방송수신장치(300)의 사용 내역이 시간 순으로 기록된 것일 수 있다.
본 개시의 일 실시 예에 따른 서버 장치의 프로세서(120)는 수신된 제2 시청 로그 데이터(81) 및 수정된 예측 모델을 이용하여 제2 방송수신장치(300)의 사용자의 수 및 사용자별 사용자 정보를 예측할 수 있다. 이때, 수정된 예측 모델은 도 4에 도시된 바와 같이 기계 학습이 수행되어 보다 정확한 예측이 가능한 예측 모델일 수 있다.
본 개시의 일 실시 예에 따른 서버 장치의 프로세서(120)는 수신된 제2 시청 로그 데이터(81) 및 수정된 예측 모델을 이용하여 제2 방송수신장치(300)를 사용하는 사용자의 수 및 사용자 각각의 사용자 정보(82)를 예측할 수 있다. 예를 들어, 제2 방송수신장치(300)를 공유하는 가족 1의 구성원의 수, 각 구성원의 성별 및 연령 등의 정보를 프로파일링할 수 있다.
이와 같이, 방송수신장치의 사용 기록을 시간순으로 정렬한 시청 로그 데이터 및 기계 학습이 수행된 예측 모델을 이용하여 방송수신장치를 사용하는 복수의 구성원을 보다 정확하게 프로파일링할 수 있다.
도 9는 본 개시의 일 실시 예에 따른 사용자 프로파일링 방법을 설명하기 위한 흐름도이다.
우선 외부 서버(200)는 제1 시청 로그 데이터 및 사용자 정보를 수집할 수 있다(S901). 구체적으로, 외부 서버(200)는 제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터 및 복수의 사용자 각각에 대한 사용자 정보를 수집할 수 있다. 여기서, 수집되는 제1 시청 로그 데이터는 복수의 제1 방송수신장치 각각을 사용하는 복수의 제1 사용자 각각에 대한 데이터로, 사용자마다 구별되는 리모콘을 사용하는 등 조작 명령이 입력된 복수의 제1 방송수신장치 각각은 명령을 입력한 제1 사용자 각각을 구분할 수 있다. 그리고, 사용자 정보는 복수의 사용자 각각에 의해 직접 입력된 것일 수 있다.
그리고, 외부 서버(200)는 수집된 제1 시청 로그 데이터 및 사용자 정보를 서버 장치(100)에 전송할 수 있다.
외부 서버(200)로부터 수신된 제1 시청 로그 데이터 및 사용자 정보를 수신받은 서버 장치(100)는 수신된 제1 시청 로그 데이터를 시간순으로 정렬할 수 있다(S903). 예를 들어, 사용자 1 및 사용자 2가 방송수신장치 1을 사용하는 경우, 서버 장치(100)는 수신된 사용자 1에 대한 제1 시청 로그 데이터와 사용자 2에 대한 제1 시청 로그 데이터를 병합하여, 시간순으로 정렬할 수 있다.
그 다음, 서버 장치(100)는 복수의 제1 방송수신장치를 각각 사용하는 복수의 제1 사용자의 수 및 사용자 각각의 사용자 정보를 예측할 수 있다(S904). 구체적으로, 서버 장치(100)는 제1 시청 로그 데이터로 방송수신장치를 사용하는 사용자의 수 및 각 사용자 정보를 예측하는 예측 모델을 이용하여 정렬된 제1 시청 로그 데이터에서 상기 복수의 제1 방송수신장치를 사용하는 사용자의 수 및 각 사용자의 사용자 정보를 예측할 수 있다.
그 다음, 서버 장치(100)는 예측된 사용자의 수 및 사용자 정보 기초하여 예측 모델을 갱신할 수 있다(S905). 구체적으로, 서버 장치(100)는 예측된 사용자의 수 및 사용자 정보와, 외부 서버(200)로부터 수신된 복수의 제1 사용자의 사용자 정보를 비교하여 예측된 정보의 에러에 기초하여 예측 모델을 갱신할 수 있다. 한편, 도 9에서는 설명의 편의를 위하여 사용자 정보를 예측하는 단계(S904) 및 이에 기초하여 예측 모델을 수정하는 단계(S905)가 한 번씩만 수행되는 것으로 도시하고 설명하였으나, 실제 구현시에는 예측 및 갱신 단계가 수 회 반복되어 보다 정확한 예측을 가능하게 하는 기계 학습이 수행되는 형태로 구현될 수 있다.
한편, 서버 장치(100)와 연결된 제2 방송수신장치(300)는 제2 방송수신장치(300)를 사용하는 적어도 하나의 사용자에 대한 제2 시청 로그 데이터를 생성할 수 있다(S906). 여기서, 제2 방송수신장치(300)에 대한 제2 시청 로그 데이터는 제2 방송수신장치(300)를 사용한 내역을 시간순으로 정렬한 것일 뿐, 제2 방송수신장치(300)를 사용한 사용자의 수, 사용자의 성별, 연령 등 사용자의 정보 등은 알 수 없다. 한편, 제2 방송수신장치(300)에 대한 제2 시청 로그 데이터가 생성되는 시점은, 서버 장치(100)의 동작 순서와는 별개일 수 있다.
그 다음, 제2 방송수신장치(300)는 생성된 제2 시청 로그 데이터를 서버 장치(100)에 전송할 수 있다(S907).
한편, 제2 방송수신장치(300)로부터 제2 방송수신장치(300)에 대한 제2 시청 로그 데이터를 전송 받은 서버 장치(100)는 갱신된 예측 모델을 이용하여 제2 방송수신장치(300)의 사용자에 대한 사용자 정보를 예측할 수 있다(S908). 한편, 도시되지는 않았지만, 서버 장치(100)는 예측된 제2 방송수신장치(300)의 사용자에 대한 사용자 정보를 제2 방송수신장치(300)에 전송할 수 있다.
한편, 서버 장치(100)는 제2 방송수신장치(300)를 사용하는 적어도 하나의 사용자에 대여 예측된 사용자 정보 기초하여, 적어도 하나의 사용자 각각에 대응되는 컨텐츠를 검색할 수 있다(S909). 그리고, 서버 장치(100)는 검색된 컨텐츠가 제2 방송수신장치(300)에 표시되도록 검색된 컨텐츠를 제2 방송수신장치(300)에 전송할 수 있다(S910).
이상에 기재한 바와 같은 다양한 실시 예에 따라, 외부 서버로부터 수신된 복수의 사용자가 구분된 제1 시청 로그 데이터 및 사용자 정보를 이용하여 예측모델을 반복적으로 갱신함으로써, 적은 입력 데이터를 이용하여 보다 정확한 복수의 사용자 정보 예측을 통한 사용자 프로파일링이 가능할 수 있다.
본 개시의 예시적 실시 예에 따른 방법들은 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. 예를 들어, 상기 컴퓨터 판독 가능 매체는 삭제 가능 또는 재기록 가능 여부와 상관없이, ROM 등의 저장 장치와 같은 휘발성 또는 비휘발성 저장 장치, 또는 예를 들어, RAM, 메모리 칩, 장치 또는 집적 회로와 같은 메모리, 또는 예를 들어 CD, DVD, 자기 디스크 또는 자기 테이프 등과 같은 광학 또는 자기적으로 기록 가능함과 동시에 기계(예를 들어, 컴퓨터)로 읽을 수 있는 저장 매체에 저장될 수 있다. 이동 단말 내에 포함될 수 있는 메모리는 본 개시의 실시 예들을 구현하는 지시들을 포함하는 프로그램 또는 프로그램들을 저장하기에 적합한 기계로 읽을 수 있는 저장 매체의 한 예임을 알 수 있을 것이다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
이상과 같이 본 개시는 비록 한정된 예시적 실시 예와 도면에 의해 설명되었으나, 본 개시는 상기의 예시적 실시 예에 한정되는 것은 아니며, 본 개시가 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 개시의 범위는 설명된 예시적 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 서버 장치 110 : 통신부
120 : 프로세서 130 : 저장부
200 : 외부 서버 300 : 제2 방송수신장치

Claims (20)

  1. 서버 장치에 있어서,
    제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터와 상기 복수의 제1 사용자 각각의 복수의 사용자 정보를 외부 서버로부터 수신하는 통신부;
    상기 수신된 복수의 제1 시청 로그 데이터 및 상기 수신된 복수의 사용자 정보에 기초하여, 시청 로그 데이터를 이용하여, 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하도록 예측 모델을 학습시키는 프로세서를 포함하고,
    상기 프로세서는,
    상기 통신부를 통하여 제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 상기 학습된 예측 모델을 이용하여 시간대 별로 예측된 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 획득하고,
    상기 프로세서는,
    상기 수신된 복수의 제1 시청 로그 데이터를 시간 순으로 정렬하고, 상기 예측 모델을 이용하여 상기 정렬된 시청 로그 데이터에 기초하여 예측된 상기 제1 방송수신장치를 사용하는 사용자 수 및 사용자 각각의 사용자 정보를 획득하고,
    상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보와 상기 획득된 사용자 정보를 비교하여 상기 획득된 사용자 정보가 상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보에 근사 하도록 상기 예측 모델을 반복하여 학습시키고,
    상기 예측 모델은,
    순환형 신경망(recurrent neural network), 완전 접속망(fully connected network), 회선 신경망(convolutional neural network) 중 어느 하나를 포함하는 서버 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 예측된 사용자 수 및 상기 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하고, 상기 검색된 컨텐츠 정보가 상기 제2 방송수신장치에 전달되도록 상기 통신부를 제어하는 서버 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    상기 예측된 각 사용자의 사용자 정보에 각각 대응되는 컨텐츠 정보를 검색하고, 상기 검색된 각 컨텐츠 정보 중 공통된 컨텐츠 정보를 상기 제2 방송수신장치에 전달되도록 상기 통신부를 제어하는 서버 장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 시간대별로 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하고, 검색된 컨텐츠 정보가 상기 제2 방송수신장치에 전달되도록 상기 통신부를 제어하는 서버 장치.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제1항에 있어서,
    상기 사용자 정보는,
    성별, 연령, 소득 수준 및 교육 수준 중 적어도 하나를 포함하는 서버 장치.
  10. 제1항에 있어서,
    상기 제1 시청 로그 데이터 및 제2 시청 로그 데이터는,
    시청된 채널, 채널 변경 시간, 볼륨 조절 시간, 상기 서버 장치의 전원 온/오프 시간 중 적어도 하나인 서버 장치.
  11. 서버 장치의 제어 방법에 있어서,
    제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터와 상기 복수의 제1 사용자 각각의 복수의 사용자 정보를 외부 서버로부터 수신하는 단계;
    상기 수신된 복수의 제1 시청 로그 데이터 및 상기 수신된 복수의 사용자 정보에 기초하여, 시청 로그 데이터를 이용하여 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하도록 예측 모델을 학습시키는 단계; 및
    제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 상기 학습된 예측 모델을 이용하여 시간대 별로 예측된 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 획득하는 단계; 를 포함하는 서버 장치의 제어 방법.
    상기 학습시키는 단계는,
    상기 수신된 복수의 제1 시청 로그 데이터를 시간순으로 정렬하는 단계;
    상기 예측 모델을 이용하여 상기 정렬된 시청 로그 데이터에 기초하여 예측된 상기 제1 방송수신장치를 사용하는 사용자 수 및 사용자 각각의 사용자 정보를 획득하는 단계;
    상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보와 상기 예측된 사용자 정보를 비교하여 상기 예측된 사용자 정보가 상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보에 근사하도록 상기 예측 모델을 반복하여 학습시키는 단계;를 포함하고,
    상기 예측 모델은,
    순환형 신경망(recurrent neural network), 완전 접속망(fully connected network), 회선 신경망(convolutional neural network) 중 어느 하나를 포함하는 서버 장치의 제어 방법.
  12. 제11항에 있어서,
    상기 예측된 사용자 수 및 상기 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하는 단계; 및
    상기 검색된 컨텐츠 정보를 상기 제2 방송수신장치에 전달하는 단계;를 더 포함하는 서버 장치의 제어 방법.
  13. 제12항에 있어서,
    상기 검색하는 단계는,
    상기 예측된 각 사용자의 사용자 정보에 각각 대응되는 컨텐츠 정보를 검색하고,
    상기 전달하는 단계는,
    상기 검색된 각 컨텐츠 정보 중 공통된 컨텐츠 정보를 상기 제2 방송수신장치에 전달하는 서버 장치의 제어 방법.
  14. 삭제
  15. 제11항에 있어서,
    상기 시간대별로 예측된 사용자 정보에 대응되는 컨텐츠 정보를 검색하고, 검색된 컨텐츠 정보를 상기 제2 방송수신장치에 전달하는 서버 장치의 제어 방법.
  16. 삭제
  17. 삭제
  18. 제11항에 있어서,
    상기 예측 모델은,
    순환형 신경망(recurrent neural network), 완전 접속망(fully connected network), 회선 신경망(convolutional neural network) 중 어느 하나를 포함하는 서버 장치의 제어 방법.
  19. 제11항에 있어서,
    상기 제1 시청 로그 데이터 및 제2 시청 로그 데이터는,
    시청된 채널, 채널 변경 시간, 볼륨 조절 시간, 상기 서버 장치의 전원 온/오프 시간 중 적어도 하나인 서버 장치의 제어 방법.
  20. 서버 장치의 제어 방법을 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록 매체에 있어서,
    상기 제어 방법은,
    제1 방송수신장치를 사용하는 복수의 제1 사용자 각각에 대한 복수의 제1 시청 로그 데이터와 상기 복수의 제1 사용자 각각의 복수의 사용자 정보를 외부 서버로부터 수신하는 단계;
    상기 수신된 복수의 제1 시청 로그 데이터 및 상기 수신된 복수의 사용자 정보에 기초하여, 시청 로그 데이터를 이용하여 방송수신장치를 이용하는 사용자 수 및 사용자 각각의 사용자 정보를 예측하도록 예측 모델을 학습시키는 단계; 및
    제2 방송수신장치로부터 제2 시청 로그 데이터가 수신되면, 상기 학습된 예측 모델을 이용하여 시간대 별로 예측된 상기 제2 방송수신장치를 사용하는 사용자 수 및 각 사용자의 사용자 정보를 획득하는 단계; 를 포함하는 서버 장치의 제어 방법.
    상기 학습시키는 단계는,
    상기 수신된 복수의 제1 시청 로그 데이터를 시간순으로 정렬하는 단계;
    상기 예측 모델을 이용하여 상기 정렬된 시청 로그 데이터에 기초하여 예측된 상기 제1 방송수신장치를 사용하는 사용자 수 및 사용자 각각의 사용자 정보를 획득하는 단계;
    상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보와 상기 예측된 사용자 정보를 비교하여 상기 예측된 사용자 정보가 상기 수신된 복수의 제1 사용자 각각의 복수의 사용자 정보에 근사하도록 상기 예측 모델을 반복하여 학습시키는 단계;를 포함하고,
    상기 예측 모델은,
    순환형 신경망(recurrent neural network), 완전 접속망(fully connected network), 회선 신경망(convolutional neural network) 중 어느 하나를 포함하는 컴퓨터 판독가능 기록 매체.

KR1020160109159A 2016-08-26 2016-08-26 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체 KR102536202B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020160109159A KR102536202B1 (ko) 2016-08-26 2016-08-26 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체
US16/328,055 US10750239B2 (en) 2016-08-26 2017-07-04 Server apparatus and method for controlling same
PCT/KR2017/007059 WO2018038384A1 (ko) 2016-08-26 2017-07-04 서버 장치 및 그 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160109159A KR102536202B1 (ko) 2016-08-26 2016-08-26 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체

Publications (2)

Publication Number Publication Date
KR20180023584A KR20180023584A (ko) 2018-03-07
KR102536202B1 true KR102536202B1 (ko) 2023-05-25

Family

ID=61245011

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160109159A KR102536202B1 (ko) 2016-08-26 2016-08-26 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체

Country Status (3)

Country Link
US (1) US10750239B2 (ko)
KR (1) KR102536202B1 (ko)
WO (1) WO2018038384A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11451875B2 (en) 2018-06-04 2022-09-20 Samsung Electronics Co., Ltd. Machine learning-based approach to demographic attribute inference using time-sensitive features
US11916769B2 (en) 2018-06-06 2024-02-27 The Nielsen Company (Us), Llc Onboarding of return path data providers for audience measurement
US10805029B2 (en) 2018-09-11 2020-10-13 Nbcuniversal Media, Llc Real-time automated classification system
CN109756759B (zh) * 2018-12-26 2021-01-15 北京蓦然认知科技有限公司 一种弹幕信息推荐方法和装置
WO2021041909A1 (en) * 2019-08-29 2021-03-04 The Nielsen Company (Us), Llc Onboarding of return path data providers for audience measurement
US11775196B2 (en) * 2020-05-27 2023-10-03 EMC IP Holding Company LLC Generating data replication configurations using artificial intelligence techniques

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2353385C (en) 1998-12-03 2004-09-28 Expanse Networks, Inc. Subscriber identification system
US8543456B2 (en) 2003-12-15 2013-09-24 Ip Mining Corporation Media targeting system and method
ES2261527T3 (es) 2001-01-09 2006-11-16 Metabyte Networks, Inc. Sistema, procedimiento y aplicacion de software para publicidad dirigida mediante una agrupacion de modelos de comportamiento, y preferencias de programacion basadas en grupos de modelos de comportamiento.
US7757250B1 (en) 2001-04-04 2010-07-13 Microsoft Corporation Time-centric training, inference and user interface for personalized media program guides
US8490136B2 (en) * 2009-05-07 2013-07-16 Sirius Xm Radio Inc. Method and apparatus for providing enhanced electronic program guide with personalized selection of broadcast content using affinities data and user preferences
US8504575B2 (en) 2006-03-29 2013-08-06 Yahoo! Inc. Behavioral targeting system
US20070271580A1 (en) * 2006-05-16 2007-11-22 Bellsouth Intellectual Property Corporation Methods, Apparatus and Computer Program Products for Audience-Adaptive Control of Content Presentation Based on Sensed Audience Demographics
US20090024546A1 (en) 2007-06-23 2009-01-22 Motivepath, Inc. System, method and apparatus for predictive modeling of spatially distributed data for location based commercial services
KR100889987B1 (ko) 2007-11-30 2009-03-25 엔에이치엔(주) 방송 프로그램 추천 시스템 및 방법
US8180891B1 (en) * 2008-11-26 2012-05-15 Free Stream Media Corp. Discovery, access control, and communication with networked services from within a security sandbox
KR20120003362A (ko) 2010-07-02 2012-01-10 아코지토(주) 협력적 필터링 알고리즘 기반의 ｉｐｔｖ 개인별 선호프로그램 추천시스템
US20130246164A1 (en) 2010-07-09 2013-09-19 Vimal Kumar Khanna System and method for predicting specific mobile user/specific set of localities for targeting advertisements.
US9269047B2 (en) * 2010-12-09 2016-02-23 At&T Intellectual Property I, L.P. Rule-based selection of content
US20120278330A1 (en) * 2011-04-28 2012-11-01 Ray Campbell Systems and methods for deducing user information from input device behavior
US9277275B1 (en) * 2011-05-03 2016-03-01 Google Inc. System and method for associating individual household members with television programs viewed
US8510770B1 (en) * 2012-02-03 2013-08-13 Google Inc. Predicting live programs
KR101769976B1 (ko) * 2013-03-06 2017-08-21 한국전자통신연구원 시청 가구 구성원 프로파일 추론 방법 및 장치
US10447826B2 (en) * 2013-03-14 2019-10-15 Google Llc Detecting user interest in presented media items by observing volume change events
KR101495297B1 (ko) * 2013-04-29 2015-02-27 에이스텔 주식회사 스마트 티비 기반의 상황 인지를 통한 사용자 이력 분석 제공 시스템, 장치, 방법 및 컴퓨터 판독 가능한 기록 매체
KR102104355B1 (ko) * 2013-08-30 2020-05-29 엘지전자 주식회사 영상 표시 기기 및 그 동작 방법
KR102214246B1 (ko) * 2014-10-07 2021-02-09 주식회사 케이티 가변형 홈쇼핑 채널 제공 방법, 시스템 및 서버
US9357266B2 (en) * 2014-10-29 2016-05-31 Echostar Technologies L.L.C. Apparatus, systems and methods for media content event recommendation banner
US9967619B2 (en) * 2014-12-01 2018-05-08 Google Llc System and method for associating search queries with remote content display
US9571881B1 (en) * 2015-07-27 2017-02-14 Sling Media Pvt Ltd. Video electronic programming guide
US9807447B2 (en) * 2015-08-31 2017-10-31 Verizon Patent And Licensing Inc. Intelligent scheduling of DVR commands and DVR client status updates
US10257572B2 (en) * 2017-01-03 2019-04-09 Bliss Point Media, Inc. Optimization of broadcast event effectiveness
US10405027B2 (en) * 2017-12-03 2019-09-03 Cisco Technology, Inc. Cloud DVR system with retroactive recording
US10341703B1 (en) * 2018-06-26 2019-07-02 Hitachi, Ltd. Integrated audience interaction measurements for videos

Also Published As

Publication number Publication date
US10750239B2 (en) 2020-08-18
WO2018038384A1 (ko) 2018-03-01
KR20180023584A (ko) 2018-03-07
US20190200076A1 (en) 2019-06-27

Similar Documents

Publication Publication Date Title
KR102536202B1 (ko) 서버 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체
CN105635824A (zh) 个性化频道推荐方法和系统
KR101777242B1 (ko) 동영상 컨텐츠의 하이라이트 영상을 추출하여 제공하는 방법과 시스템 및 기록 매체
US11017024B2 (en) Media content rankings for discovery of novel content
US10198498B2 (en) Methods and systems for updating database tags for media content
CN102265276B (zh) 基于上下文的推荐系统
JP4328757B2 (ja) 番組選択装置及び番組選択装置の制御方法
JP2019032853A (ja) 双方向メディアガイダンスアプリケーションにおいてメディアを取得、分類、および配信するためのシステムおよび方法
US8869211B2 (en) Zoomable content recommendation system
JPH06124309A (ja) 情報サービスシステムおよび放送受信システム
CN103686344A (zh) 增强视频系统及方法
CN102265273A (zh) 用于推荐器系统的自适应隐式学习
US9210461B2 (en) Theme-based media program discovery systems and methods
US10448113B2 (en) Display apparatus and method of controlling the same
US20160110761A1 (en) Finding the space spanned by user profiles from binary feedback
CN104053063A (zh) 用于控制显示装置的直观的基于图像的节目指南
KR20130050868A (ko) 텔레비전 광고 제품의 정보를 디스플레이하는 시스템 및 방법, 그리고 텔레비전 광고 제품 정보의 기록 매체
WO2022247220A1 (zh) 界面处理方法及装置
CN113420166A (zh) 商品挂载、检索、推荐、训练处理方法、装置及电子设备
KR20160003714A (ko) 방송 미디어 콘텐츠 및 스트리밍 미디어 콘텐츠에 대한 상관 프로그래밍 정보의 제공
EP3119094A1 (en) Methods and systems for clustering-based recommendations
US20150033269A1 (en) System and method for displaying availability of a media asset
CN114615524B (zh) 服务器、媒资推荐网络的训练方法及媒资推荐方法
CN103139639B (zh) 便携式终端及其信息处理方法
CN117688231A (zh) 一种资源推荐方法、电子设备及服务器

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right