KR102582544B1 - 전자 장치 및 그 동작 방법 - Google Patents

Abstract

전자 장치 및 그 동작 방법이 제공된다. 전자 장치는, 통신부, 디스플레이, 및 제1 서버로부터 통신부를 통해 검색 키워드에 기초하여 검색 결과 데이터를 수신하고, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 제2 서버에게 통신부를 통해 요청하고, 제2 서버로부터 수신한 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터를 표시하도록 디스플레이를 제어하는 프로세서를 포함하고, 부가 정보는, 제2 서버에 의해, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지에 기초하여 생성될 수 있다.
또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.

Description

전자 장치 및 그 동작 방법{ELECTRONIC APPRATUS AND OPERATING METHOD FOR THE SAME}

본 개시는 전자 장치 및 그 동작 방법에 관한 것이다.

또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

전자 장치 및 그 동작 방법을 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

일 측면에 따른 전자 장치는, 통신부, 디스플레이, 및 제1 서버로부터 통신부를 통해 검색 키워드에 기초하여 검색 결과 데이터를 수신하고, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 제2 서버에게 통신부를 통해 요청하고, 제2 서버로부터 수신한 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터를 표시하도록 디스플레이를 제어하는 프로세서를 포함하고, 부가 정보는, 제2 서버에 의해, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지에 기초하여 생성될 수 있다.

다른 측면에 따른 전자 장치의 동작 방법은, 제1 서버로부터 검색 키워드에 기초하여 검색 결과 데이터를 수신하는 단계, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 제2 서버에게 요청하는 단계, 제2 서버로부터 수신한 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터를 표시하도록 디스플레이를 제어하는 단계를 포함하고, 부가 정보는, 제2 서버에 의해, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지에 기초하여 생성될 수 있다.

다른 측면에 따른 전자 장치는, 통신부, 디스플레이, 및 외부 전자 장치로부터 통신부를 통해 검색 키워드에 기초한 검색 결과 데이터를 수신하고, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 생성하고, 부가 정보를 통신부를 통해 외부 전자 장치로 전송하는 프로세서를 포함하고, 프로세서는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지에 기초하여 부가 정보를 생성할 수 있다.

다른 측면에 따른 전자 장치의 동작 방법은, 외부 전자 장치로부터 검색 키워드에 기초한 검색 결과 데이터를 수신하는 단계, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 생성하는 단계, 및 부가 정보를 외부 전자 장치로 전송하는 단계를 포함하고, 부가 정보를 생성하는 단계는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지에 기초하여 부가 정보를 생성할 수 있다.

또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.

도 1은 일 실시 예에 따른 전자 장치가 동작하는 일 예를 도시하는 도면이다.
도 2는 일 실시 예에 따른 전자 장치의 동작 방법의 흐름도이다.
도 3은 일 실시 예에 따른 전자 장치, 제1 서버 및 제2 서버의 동작 방법의 흐름도이다.
도 4는 일 실시 예에 따른 제2 서버의 동작 방법의 흐름도이다.
도 5는 일 실시 예에 따른 제2 서버가 광고성 페이지인지에 관한 부가 정보를 생성하는 예를 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 제2 서버가 웹 페이지의 접속 이력 정보에 기초하여 부가 정보를 생성하는 예를 설명하기 위한 도면이다.
도 7 내지 도 8은 일 실시 예에 따른 제2 서버가 특정 사용자에 대응한 선호 정보에 기초하여 부가 정보를 생성하는 예를 설명하기 위한 도면이다.
도 9 내지 도 12는 일 실시 예에 따른 제2 서버가 학습 모델을 이용하여 판단된 광고 패턴을 포함하는지에 기초하여 부가 정보를 생성하는 예를 설명하기 위한 도면이다.
도 13 내지 도 15는 일 실시 예에 따른 전자 장치가 부가 정보에 기초하여 검색 결과 데이터를 표시하는 예를 설명하기 위한 도면이다.
도 16은 일 실시 예에 따른 전자 장치의 블록 구성도(block diagram)이다.
도 17는 일 실시 예에 따른 전자 장치의 상세 블록 구성도(block diagram)이다.
도 18은 일 실시 예에 따른 제2 서버의 블록 구성도(block diagram)이다.
도 19는 일 실시 예에 따른 제2 서버의 프로세서의 블록도이다.
도 20은 일 실시 예에 따른 데이터 학습부의 블록도이다.
도 21은 일 실시 예에 따른 데이터 인식부의 블록도이다.
도 22는 일 실시 예에 따른 제2 서버가 다른 서버와 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시 예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 또한, 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시에서 사용되는 용어는, 본 개시에서 언급되는 기능을 고려하여 현재 사용되는 일반적인 용어로 기재되었으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 다양한 다른 용어를 의미할 수 있다. 따라서 본 개시에서 사용되는 용어는 용어의 명칭만으로 해석되어서는 안되며, 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 해석되어야 한다.

또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 이 용어들에 의해 한정되어서는 안 된다. 이 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용된다.

또한, 본 개시에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것이며, 본 개시를 한정하려는 의도로 사용되는 것이 아니다. 단수의 표현은 문맥상 명백하게 단수를 뜻하지 않는 한, 복수의 의미를 포함한다. 또한, 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

본 명세서, 특히, 특허 청구 범위에서 사용된 “상기” 및 이와 유사한 지시어는 단수 및 복수 모두를 지시하는 것일 수 있다. 또한, 본 개시에 따른 방법을 설명하는 단계들의 순서를 명백하게 지정하는 기재가 없다면, 기재된 단계들은 적당한 순서로 행해질 수 있다. 기재된 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다.

본 명세서에서 다양한 곳에 등장하는 "일부 실시 예에서" 또는 "일 실시 예에서" 등의 어구는 반드시 모두 동일한 실시 예를 가리키는 것은 아니다.

본 개시의 일부 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단” 및 “구성”등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.

또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.

이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.

도 1은 일 실시 예에 따른 전자 장치가 동작하는 일 예를 도시하는 도면이다.

일 실시 예에 따르면, 전자 장치(1000)는 검색 엔진을 이용하여 음식점, 상품 등을 검색함에 따라 검색 결과를 제공할 때, 검색 결과에 포함된 웹 페이지, 블로그 등이 광고성 페이지일 확률 정보 등을 함께 제공할 수 있다.

이에 따라, 사용자는 검색 결과에 포함된 웹 페이지들에 접속해 보지 않아도 광고성 페이지일 확률을 미리 알 수 있어, 보다 실효성 있는 정보를 얻을 수 있고, 사용자가 원하는 정보를 얻기 위한 시간도 단축될 수 있다.

도 1에 도시한 바와 같이, 예를 들어, 사용자는 전자 장치(1000)(예컨대, 스마트 폰)에서 웹 브라우저를 실행 시키고, 검색 엔진에 접속할 수 있다. 전자 장치(1000)는 검색 엔진의 실행 화면(101)을 표시하고, 맛집을 검색하기 위한 검색 키워드(예컨대, “맛집”)(102)를 입력 받을 수 있다. 전자 장치(1000)는 검색 키워드를 이용하여 검색된 웹 페이지들의 리스트(104)를 디스플레이(1210, 도 16, 도 17)(이하, 디스플레이(1210))에 표시할 수 있다. 이 때, 전자 장치(1000)는 각각의 웹 페이지가 광고성 페이지일 확률 정보(105)를 함께 표시할 수 있다. 예를 들어, 전자 장치(100)는 웹 페이지 리스트 중 첫 번째 웹 페이지는 광고성 페이지일 확률이 80% 임을 표시할 수 있다. 이에 따라, 사용자는 검색 결과 화면 상에서 웹 페이지 리스트와 함께 어떤 웹 페이지가 광고성 페이지일 확률이 높은지 여부를 인지할 수 있다.

도 1에서는, 일 실시 예로서 전자 장치(1000)를 스마트 폰으로 도시하고 있으나, 이에 제한되지 않는다.

일 실시 예에 따른 전자 장치(1000)는 디스플레이를 구비한 전자 장치 또는 디스플레이와 연결 가능한 전자 장치로 구현될 수 있다. 예를 들어, 전자 장치(1000)는, 스마트 TV, 셋탑 박스, 태블릿 PC, 디지털 카메라, 노트북 컴퓨터(laptop computer), 데스크탑, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 착용형 기기(wearable device) 등과 같은 다양한 전자 장치로 구현될 수 있다.

도 1은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 2는 일 실시 예에 따른 전자 장치의 동작 방법의 흐름도이다.

도 2의 단계 S201에서, 전자 장치(1000)는, 제1 서버로부터 검색 키워드에 기초하여 검색 결과 데이터를 수신할 수 있다.

일 실시 예에 따라, 전자 장치(1000)는 사용자로부터 검색 키워드를 입력 받고, 검색 키워드에 기초한 검색 결과 데이터를 제1 서버(예컨대, 검색 엔진 서버)에게 통신부(1500, 도 16, 17)(이하, 통신부(1500))를 통해 요청할 수 있다. 전자 장치(1000)는 검색 요청에 응답하는 제1 서버(예컨대, 검색 엔진 서버)로부터 검색 결과 데이터를 수신할 수 있다.

예를 들어, 검색 엔진을 통해 검색 키워드(예컨대, “맛집”)가 입력되면, 전자 장치(1000)는 검색 키워드에 기초한 검색 결과 데이터(예컨대, 맛집 정보를 포함하는 웹 사이트, 블로그 등의 리스트)를 제1 서버(예컨대, 검색 엔진 서버)로부터 수신할 수 있다.

도 2의 단계 S202에서, 전자 장치(1000)는, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 제2 서버에게 요청할 수 있다.

일 실시 예에 따라, 전자 장치(1000)는 수신한 검색 결과 데이터를 디스플레이(1210)에 표시하기 전에, 제2 서버에게 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지 판단하도록 요청할 수 있다. 제2 서버는, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 생성하고, 부가 정보를 전자 장치(1000)로 전송할 수 있다.

일 실시 예에 따라, 부가 정보는, 웹 페이지가 광고성 페이지일 확률 정보를 포함할 수 있다.

일 실시 예에 따라, 제2 서버는, 광고성 페이지에 대해 미리 학습된 서버일 수 있다. 제2 서버는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지 판단할 수 있다. 또한, 제2 서버는, 웹 페이지의 접속 이력 정보, 특정 사용자에 대응한 선호 정보에 기초하여, 검색 결과 데이터에 포함된 웹 페이지가 광고성 페이지인지 판단할 수 있다.

일 실시 예에 따라 제2 서버가 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 생성하는 예에 관해서는 도 5 내지 도 12에 관한 설명에서 보다 상세히 설명하기로 한다.

도 2의 단계 S203에서, 전자 장치(1000)는, 제2 서버로부터 수신한 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터를 표시할 수 있다.

일 실시 예에 따라, 부가 정보는, 웹 페이지가 광고성 페이지일 확률 정보를 포함할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 검색 결과 데이터에 포함된 웹 페이지 리스트와 각각의 웹 페이지에 대응하는 확률 정보를 디스플레이(1210)에 표시할 수 있다. 예를 들어, 각각의 웹 페이지에 접속할 수 있는 하이퍼링크를 표시하고 이와 대응하도록 각각의 웹 페이지가 광고성 페이지일 확률 정보(예컨대, “광고성 60%”)를 표시할 수 있다.

또한, 전자 장치(100)는 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터에 포함된 웹 페이지 중 디스플레이(1210)에 표시할 웹 페이지 리스트를 결정할 수 있다. 일 실시 예에 따라, 전자 장치(100)는 검색 결과 데이터에 포함된 웹 페이지 중 웹 페이지가 광고성 페이지일 확률 정보가 미리 정해진 임계치 이상인 웹 페이지를 디스플레이(1210)에 표시할 웹 페이지 리스트로부터 제외시킬 수 있다. 예를 들어, 전자 장치(100)는 검색 결과 데이터에 포함된 웹 페이지 중 광고성 페이지일 확률 정보가 80% 이상인 웹 페이지를 제외시키고 디스플레이(1210)에 표시할 수 있다.

도 3은 일 실시 예에 따른 전자 장치, 제1 서버 및 제2 서버의 동작 방법의 흐름도이다.

도 3의 단계 S301에서, 전자 장치(1000)는 검색 키워드를 입력 받을 수 있다.

예를 들어, 전자 장치(1000)는 웹 브라우저를 통해 접속된 검색 엔진의 실행 화면을 디스플레이(1210)에 표시할 수 있다. 전자 장치(100)는 검색 엔진의 실행 화면 상의 사용자 인터페이스를 통해 검색 키워드(예컨대, “맛집”)를 입력 받을 수 있다.

도 3의 단계 S302에서, 전자 장치(100)는 검색 키워드에 기초하여 검색 결과 데이터를 제1 서버(200)에게 요청할 수 있다.

예를 들어, 전자 장치(100)는 제1 서버(200)(예컨대, 검색 엔진 서버)에게 검색 키워드에 기초한 검색 결과 데이터(예컨대, 검색 키워드를 포함하는 웹 사이트 리스트)를 요청할 수 있다.

도 3의 단계 S303에서, 제1 서버(200)는 검색 결과 데이터를 생성할 수 있다.

예를 들어, 제1 서버(200)(예컨대, 검색 엔진 서버)는, 미리 정해진 검색 설정 조건에 따라, 검색 키워드(예컨대, “맛집”)를 포함하는 웹 사이트, 블로그, 이미지 등을 포함하는 검색 결과 데이터를 생성할 수 있다.

도 3의 단계 S304에서, 전자 장치(1000)는 제1 서버로부터 검색 결과 데이터를 수신할 수 있다.

예를 들어, 전자 장치(1000)는, 검색 키워드(예컨대, “맛집”)를 포함하는 웹 사이트 리스트를 제1 서버(200)로부터 수신할 수 있다.

도 3의 단계 S305에서, 전자 장치(1000)는 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 제2 서버(300)에게 요청할 수 있다.

일 실시 예에 따라, 부가 정보는, 웹 페이지가 광고성 페이지일 확률 정보를 포함할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 검색 결과 데이터에 포함된 복수의 웹 페이지의 URL(Uniform Resource Locator) 정보를 제2 서버(300)로 전송하고, 각각의 URL 정보에 대응하는 확률 정보를 요청할 수 있다.

도 3의 단계 S306에서, 제2 서버(300)는 웹 페이지가 광고 패턴을 포함하는지에 기초하여 부가 정보를 생성할 수 있다.

일 실시 예에 따라, 제2 서버(300)는, 입력된 웹 페이지가 광고 패턴을 포함하는지 판단할 수 있도록 미리 학습된 서버일 수 있다.

일 실시 예에 따라, 제2 서버는, 다량의 광고성 페이지를 입력 데이터로 받아 학습 모델(데이터 인식 모델)을 학습시킬 수 있다.

일 실시 예에 따라, 제2 서버(300)는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여, 전자 장치(1000)로부터 수신한 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지일 확률 정보를 생성할 수 있다. 예를 들어, 검색 결과 데이터에 포함된 복수의 웹 페이지 리스트 중 첫번째 웹 페이지는 광고성 30%, 두번째 웹 페이지는 광고성 50% 와 같이, 각각의 웹 페이지에 대응하는 확률 정보를 생성할 수 있다.

도 3의 단계 S307에서, 전자 장치(1000)는 각각의 웹 페이지에 대응하는 부가 정보를 제2 서버(300)로부터 수신할 수 있다.

일 실시 예에 따라, 전자 장치(1000)는 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지일 확률 정보를 수신할 수 있다.

도 3의 단계 S308에서, 전자 장치(1000)는 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터를 표시할 수 있다.

일 실시 예에 따라, 전자 장치(1000)는 검색 결과 데이터에 포함된 웹 페이지 리스트와 각각의 웹 페이지에 대응하는 확률 정보(예컨대, “광고성 60%”)를 디스플레이(1210)에 표시할 수 있다.

또한, 일 실시 예에 따라, 전자 장치(1000)는 검색 결과 데이터에 포함된 웹 페이지 중 웹 페이지가 광고성 페이지일 확률 정보가 미리 정해진 임계치 이상인 웹 페이지(예컨대, 확률 정보가 80% 이상인 웹 페이지)를 디스플레이(1210)에 표시할 웹 페이지 리스트로부터 제외시킬 수 있다.

도 2 내지 도 3은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 4는 일 실시 예에 따른 제2 서버의 동작 방법의 흐름도이다. 도 5는 일 실시 예에 따른 제2 서버가 광고성 페이지인지에 관한 부가 정보를 생성하는 예를 설명하기 위한 도면이다. 도 6은 일 실시 예에 따른 제2 서버가 웹 페이지의 접속 이력 정보에 기초하여 부가 정보를 생성하는 예를 설명하기 위한 도면이다. 도 7 내지 도 8은 일 실시 예에 따른 제2 서버가 특정 사용자에 대응한 선호 정보에 기초하여 부가 정보를 생성하는 예를 설명하기 위한 도면이다.

도 4의 단계 S401에서, 제2 서버(300)는 외부 전자 장치로부터 검색 키워드에 기초한 검색 결과 데이터를 수신할 수 있다.

일 실시 예에 따라, 전자 장치(1000)는 제1 서버(200)(예컨대, 검색 엔진 서버)로부터 검색 키워드에 기초한 검색 결과 데이터(예컨대, 검색 키워드에 기초한 웹 사이트 리스트)를 수신할 수 있다.

일 실시 예에 따라, 전자 장치(1000)는 검색 결과 데이터를 제2 서버(300)로 전송할 수 있다. 전자 장치(1000)는 검색 결과 데이터 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 제2 서버(300)에게 요청할 수 있다. 예를 들어, 전자 장치(100)는 검색 결과 데이터에 포함된 복수의 웹 페이지의 URL(Uniform Resource Locator) 정보를 제2 서버(300)로 전송하고, 각각의 URL 정보에 대응하는 확률 정보를 요청할 수 있다.

도 4의 단계 S402에서, 제2 서버(300)는 웹 페이지의 접속 이력 정보에 기초한 제1 스코어, 특정 사용자에 대응한 선호 정보에 기초한 제2 스코어 및 웹 페이지가 광고 패턴을 포함하는지에 관한 제3 스코어 중 적어도 하나에 기초하여, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 생성할 수 있다.

일 실시 예에 따라, 웹 페이지가 광고성 페이지인지에 관한 부가 정보는, 웹 페이지가 광고성 페이지일 확률 정보를 포함할 수 있다.

도 5를 참조하면, 제2 서버(300)는 웹 페이지의 광고성 점수를 산출함에 따라 부가 정보를 생성할 수 있다. 일 실시 예에 따라, 광고성 점수는 웹 페이지가 광고성 페이지일 확률(%)로 산출될 수 있다.

예를 들어, 광고성 점수(501)는, 특정 웹 페이지의 접속 이력 정보에 기초한 제1 스코어(A)와 (A)에 대한 가중치(Aw)의 곱, 특정 사용자에 대응한 선호 정보에 기초한 제2 스코어(B)와 (B)에 대한 가중치(Bw)의 곱 및 웹 페이지가 광고 패턴을 포함하는지에 관한 제3 스코어(C)의 합(A*Aw + B*Bw + C)으로 산출될 수 있다.

또한, 예를 들어, 광고성 점수는, 특정 웹 페이지의 접속 이력 정보에 기초한 제1 스코어(A)로 산출될 수 있다. 또한, 광고성 점수는, 제1 스코어(A)와 (A)에 대한 가중치(Aw)의 곱으로 산출될 수 있다.

또한, 광고성 점수는, 특정 사용자에 대응한 선호 정보에 기초한 제2 스코어(B)로 산출될 수 있다. 또한, 광고성 점수는, 제2 스코어(B)와 (B)에 대한 가중치(Bw)의 곱으로 산출될 수 있다.

또한, 광고성 점수는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 판단된 광고 패턴을 포함하는지에 기초한 제3 스코어(C)로 산출될 수 있다.

또한, 광고성 점수는, 제1 스코어(A), 제2 스코어(B) 및 제3 스코어(C)의 적어도 하나의 합으로 산출될 수 있다. 또한, 광고성 점수는, 제1 스코어(A)와 (A)에 대한 가중치(Aw)의 곱, 제2 스코어(B)와 (B)에 대한 가중치(Bw)의 곱 및 제3 스코어(C)의 적어도 하나의 합으로 산출될 수 있다.

일 실시 예에 따라, (A)에 대한 가중치(Aw), (B)에 대한 가중치(Bw)는 광고성 점수를 산출함에 있어서, 제1 스토어(A), 제2 스코어(B) 각각의 중요도에 기초하여 결정될 수 있다. 일 실시 예에 따라, (A)에 대한 가중치(Aw), (B)에 대한 가중치(Bw)는 제2 서버(300)의 프로세서에 의해 미리 설정되거나 변경될 수 있다. 또한, 사용자 입력에 따라, (A)에 대한 가중치(Aw), (B)에 대한 가중치(Bw)가 설정 또는 변경될 수 있다.

일 실시 예에 따라, 웹 페이지의 접속 이력 정보는, 웹 페이지에 접속한 이후부터 웹 페이지 접속을 종료할 때까지의 경과 시간(time on page)을 포함할 수 있다.

도 6을 참조하면, 예컨대, 전자 장치(1000)는 검색 결과 페이지(601)에 포함된 복수의 웹 페이지 리스트 중 어느 하나(602)를 선택하는 입력을 수신하면, 선택된 웹 페이지(603)로 접속하게 된다. 이 때, 웹 페이지에 접속한 이후부터 접속을 종료할 때까지의 경과 시간(time on page)이 광고성 페이지인지 판단하기 위해 고려될 수 있다. 일반적으로 접속한 웹 페이지가 실효성 있는 정보를 제공한다면 접속 이후 비교적 오랜 시간 이후 접속을 종료하는 한편, 광고성 페이지에 가까울수록 접속한 이후 빠른 시간 내에 접속을 종료하게 되는 비율이 높을 것이다.

또한, 일 실시 예에 따라, 웹 페이지의 접속 이력 정보는, 웹 페이지에 접속한 후 웹 페이지 내에서 연결 가능한 다른 웹 페이지로의 접속 없이 웹 페이지 접속을 종료하는 비율(bouncing rate)을 포함할 수 있다.

도 6을 참조하면, 예컨대, 전자 장치(1000)는 검색 결과 페이지(601)에 포함된 복수의 웹 페이지 리스트 중 어느 하나(602)를 선택하는 입력을 수신하면, 선택된 웹 페이지(603)로 접속하게 된다. 이 때, 접속된 웹 페이지(603) 내에서 연결 가능한 다른 웹 페이지의 링크로 접속하지 않고 웹 페이지(603)의 접속을 종료하는 비율(bouncing rate)이 광고성 페이지인지 판단하기 위해 고려될 수 있다. 일반적으로 해당 웹 페이지가 실효성 있는 정보를 제공한다면 해당 웹 페이지 내에서 연결 가능한 다른 웹 페이지에 대한 신뢰도가 높아져 접속 비율이 높을 수 있으나, 광고성 페이지에 가까울수록 다른 웹 페이지에 접속하지 않고 빠른 시간 내에 해당 웹 페이지의 접속을 종료하게 되는 비율이 높을 것이다.

일 실시 예에 따라, 특정 사용자에 대응한 선호 정보는, 특정 사용자에 대응하는 웹 페이지의 접속 이력 정보 및 특정 사용자의 입력에 의한 정보 중 적어도 하나를 포함할 수 있다.

도 7을 참조하면, 예컨대, 전자 장치(1000)는 검색 결과 페이지(701)에 포함된 복수의 웹 페이지 리스트 중 어느 하나(702)를 선택하는 입력을 수신하면, 선택된 웹 페이지(703)로 접속할 수 있다.

일 실시 예에 따른 특정 사용자에 대응하는 웹 페이지의 접속 이력 정보는, 특정 사용자가 웹 페이지에 접속한 이후부터 웹 페이지 접속을 종료할 때까지의 경과 시간(time on page)을 포함할 수 있다. 또한, 일 실시 예에 따라, 특정 사용자에 대응하는 웹 페이지의 접속 이력 정보는, 특정 사용자가 웹 페이지에 접속한 후 웹 페이지 내에서 연결 가능한 다른 웹 페이지로의 접속 없이 웹 페이지 접속을 종료하는 비율(bouncing rate)을 포함할 수 있다.

일 실시 예에 따라, 특정 사용자의 웹 페이지에 대한 로그인 정보에 기초하여, 특정 사용자에 대응하는 웹 페이지의 접속 이력 정보가 수집될 수 있다.

또한, 일 실시 예에 따라, 특정 사용자에 대응한 선호 정보는, 특정 사용자의 입력에 의한 정보를 포함할 수 있다.

도 8을 참조하면, 예컨대, 전자 장치(1000)는 검색 결과 페이지에 포함된 복수의 웹 페이지 리스트 중 어느 하나를 선택하는 입력을 수신하면, 선택된 웹 페이지(801)로 접속할 수 있다. 이 때, 접속된 웹 페이지(801) 상에 사용자가 웹 페이지의 선호도를 직접 입력할 수 있는 사용자 인터페이스(802)가 제공될 수 있다. 예컨대, 웹 페이지 선호도에 따라 사용자가 더 많은 별표를 선택할 수 있도록 하는 인터페이스(802)가 제공될 수 있다.

또한, 예컨대, 웹 페이지의 선호도를 Good 또는 Bad로 사용자가 선택할 수 있도록 하는 인터페이스가 제공될 수 있으며, 이제 제한되지 않는다.

일 실시 예에 따라, 특정 사용자의 웹 페이지에 대한 로그인 정보에 기초하여, 특정 사용자가 입력한 특정 웹 페이지에 대한 선호 정보가 수집될 수 있다.

또한, 일 실시 예에 따라, 제2 서버(300)는 웹 페이지가 광고 패턴을 포함하는지에 관한 제3 스코어에 기초하여, 웹 페이지가 광고성 페이지인지 판단할 수 있다. 제2 서버(300)는 인공지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지 판단할 수 있다.

학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지 판단하는 예에 관해서는 후술할 도 9 내지 도 12에 관한 설명에서 보다 상세히 설명하기로 한다.

한편, 도 4의 단계 S403에서, 제2 서버(300)는 부가 정보를 외부 전자 장치로 전송할 수 있다. 일 실시 예에 따라, 제2 서버(300)는 단계 S402에서 생성한 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지일 확률 정보를 전자 장치(1000)로 전송할 수 있다. 이에 따라, 전자 장치(1000)는 수신한 확률 정보를 검색 결과 데이터와 함께 표시할 수 있다.

도 4 내지 도 8은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 9 내지 도 12는 일 실시 예에 따른 제2 서버가 학습 모델을 이용하여 판단된 광고 패턴을 포함하는지에 기초하여 부가 정보를 생성하는 예를 설명하기 위한 도면이다.

도 9에 도시한 바와 같이, 일 실시 예에 따른 제2 서버(300, 도 3)는 입력된 페이지가 광고성 페이지인지를 판단할 수 있다.

예컨대, 페이지는, 텍스트, 이미지 등으로 구성된 웹 페이지, 블로그 등일 수 있다.

일 실시 예에 따라, 제2 서버(300)는, 페이지가 입력되면, 입력된 페이지(903)가 광고성 페이지인지 판단하기 위한 전처리(preprocessing) 과정을 수행할 수 있다.

일 실시 예에 따라, 제2 서버(300)는 입력된 페이지에 포함된 이미지로부터 텍스트를 추출하기 위해 OCR(Optical Character Recognition)을 수행할 수 있다. 예를 들어, 이미지에 포함된 간판, 명함 등으로부터 상호명, 전화번호, 주소 등이 추출될 수 있다.

또한, 제2 서버(300)는, 영상 인식을 통한 캡션을 생성(caption generation)할 수 있다. 예를 들어, 웹 페이지에 포함된 음식 사진을 설명하기 위한 캡션이 생성될 수 있다.

또한, 제2 서버(300)는, 텍스트로부터 감성 분석(Sentiment analysis)을 수행할 수 있다. 예를 들어, 웹 페이지에 포함된 음식점 리뷰에 사용된 단어들에 드러나는 감정이 긍정적인지 부정적인지 판단될 수 있다.

일 실시 예에 따라, 제2 서버(300)는, 인공지능 알고리즘을 이용하여 학습된 학습 모델(901)을 이용하여, 입력된 페이지(903)로부터 전처리(preprocessing)된 데이터(processed data)(904)가 광고성 페이지일 확률을 판단할 수 있다.

일 실시 예에 따라, 제2 서버(300)는, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 학습 모델(training model)(901)을 학습시킬 수 있다.

일 실시 예에 따라, 학습 데이터는, 다량의 광고성 페이지일 수 있다.

일 실시 예에 따라, 제2 서버는, 다량의 광고성 페이지를 입력 값으로 하는 지도 학습을 통하여, 학습 모델(901)을 학습시킬 수 있다.

일 실시 예에 따라, 제2 서버는, 웹 크롤링(crawling) 을 통해 다량의 광고성 페이지를 획득하고, 다량의 광고성 페이지를 입력 값으로 하는 지도 학습을 수행할 수 있다.

또한, 일 실시 예에 따라, 제2 서버는, 다량의 학습 데이터를 확보하기 위해, 가상의 광고 페이지를 생성할 수 있다.

도 10을 참조하면, 일 실시 예에 따른 제2 서버(300, 도 3)는 광고성 페이지의 광고 패턴을 분석할 수 있다(1001).

예를 들어, 광고성 페이지의 광고 패턴은, 상호, 주소, 전화 번호, 간판 이미지, 제품 이미지, 음식에 포커싱된 사진 등을 다수 포함할 수 있다. 또한, 광고 패턴은, 명함 사진, 지도 이미지를 포함할 수 있다. 또한, 광고 패턴은, 긍정적인 표현의 단어, 긍정적인 의미의 이모티콘를 포함할 수 있다. 또한, 광고 패턴은, 특정 문구(예컨대, “A음식점의 지원을 받아 작성되었습니다”)를 포함할 수 있다.

일 실시 예에 따른 제2 서버(300)는 분석된 광고 패턴에 기초하여 가상의 광고성 페이지를 생성할 수 있다(1002).

일 실시 예에 따라 제2 서버(300)는 광고 패턴을 포함하는 가상의 페이지를 생성할 수 있다. 예를 들어, 제2 서버(300)는 공개된 업체의 데이터를 이용하여, 상호명, 주소, 전화 번호, 홈페이지 하이퍼링크 등을 포함하는 페이지를 생성할 수 있다. 또한, 예를 들어, 제2 서버(300)는 공개된 지도 데이터를 이용하여, 간판 이미지, 지도 이미지 등을 포함하는 페이지를 생성할 수 있다. 또한, 예를 들어, 제2 서버(300)는 명함 사진 등을 포함하는 페이지를 생성할 수 있다. 또한, 예를 들어, 제2 서버(300)는 광고성 페이지에서 다수 사용되는 긍정적인 표현, 긍정적인 의미의 이모티콘을 포함하는 페이지를 생성할 수 있다. 또한, 예를 들어, 제2 서버(300)는 특정 문구(예컨대, “A음식점의 지원을 받아 작성되었습니다”)를 포함하는 페이지를 생성할 수 있다.

도 9를 참조하면, 일 실시 예에 따라, 제2 서버(300)는 생성된 가상의 광고성 페이지를 입력 값(902)으로 하는 지도 학습(supervise learning)을 통하여, 학습 모델(901)을 학습시킬 수 있다.

일 실시 예에 따르면, 웹 크롤링을 통해 획득한 다수의 페이지뿐 아니라, 제2 서버(300)에 의해 생성된 다량의 광고성 페이지를 입력 값으로 함으로써, 학습 모델(901)의 학습 데이터가 다수 확보될 수 있다. 이에 따라, 학습 모델(901)의 정확도가 높아질 수 있다.

한편, 도 9에 도시한 바와 같이, 일 실시 예에 따라, 제2 서버(300)는, 입력된 페이지(903)로부터 전처리(preprocessing)된 데이터(processed data)(904)를 획득하고, 미리 학습된 학습 모델(901)을 이용하여, 전 처리된 데이터(processed data)(904)로부터 광고성 페이지일 확률을 판단할 수 있다.

도 11을 참조하면, 일 실시 예에 따라, 제2 서버(300)는, 입력된 웹 페이지(1103)로부터 전처리(preprocessing)된 데이터(processed data)(1104)를 획득할 수 있다.

일 실시 예에 따라, 제2 서버(300)는, 입력된 웹 페이지(1103)로부터 영상 인식, 텍스트 인식 등을 수행할 수 있다. 예를 들어, 제2 서버(300)는, 입력된 웹 페이지에 포함된 이미지로부터 텍스트 인식(OCR)을 수행할 수 있다. 또한, 예를 들어, 제2 서버(300)는, 영상 인식을 통한 캡션을 생성(caption generation)하거나, 텍스트로부터 감성 분석(Sentiment analysis)을 수행할 수 있다.

일 실시 예에 따라, 제2 서버는, 입력된 웹 페이지(1103)로부터 전처리(preprocessing)를 수행함으로써, 전처리된 데이터(processed data) 예컨대, 상호, 주소, 전화 번호, 상호가 포함된 이미지, 주소에 해당하는 지도 이미지, 음식 사진, 긍정적인 단어들(친절, 만족, 굿, 재방문100%)을 획득할 수 있다.

일 실시 예에 따라, 제2 서버(300)는, 미리 학습된 학습 모델(1101)을 이용하여, 전처리된 데이터(processed data)(1104)로부터 광고성 페이지일 확률(예컨대, 99.99%)을 판단할 수 있다.

또한, 도 12를 참조하면, 일 실시 예에 따라, 제2 서버(300)는, 입력된 블로그 페이지(1203)로부터 전처리(preprocessing)된 데이터(processed data)(1204)(예컨대, 상호, 상호가 포함된 이미지, 음식 사진, 부정적인 단어들(더럽, 휴, 답답, 문제, 시끄럽다), 긍정적인 단어들(저렴, 푸짐, 우와, 최고)을 획득할 수 있다.

일 실시 예에 따라, 제2 서버는, 미리 학습된 학습 모델(1201)을 이용하여, 전 처리된 데이터(processed data)(1204)로부터 광고성 페이지일 확률(예컨대, 30%)을 판단할 수 있다.

도 9 내지 도 12는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 13 내지 도 15는 일 실시 예에 따른 전자 장치가 부가 정보에 기초하여 검색 결과 데이터를 표시하는 예를 설명하기 위한 도면이다.

일 실시 예에 따르면, 전자 장치(1000)는 제1 서버(200)로부터 수신한 검색 과 데이터를 디스플레이(1210)에 표시하기 전에, 제2 서버(300)에게 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 요청할 수 있다. 전자 장치(100)는 제2 서버(300)로부터 수신한 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터를 표시할 수 있다.

도 13을 참조하면, 전자 장치(1000)는 디스플레이(1210)에 표시할 검색 결과 데이터에, 제2 서버(클라우드 서버)(300)로부터 수신한 검색 결과 데이터에 포함된 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 추가할 수 있다.

예를 들어, 전자 장치(1000)는 디스플레이(1210)에 표시할 검색 결과 데이터를 HTML 문서 형식으로 제공할 때, HTML 문서를 구성하는 돔(DOM) 트리의 마지막 노드에 부가 정보를 삽입할 수 있다.

일 실시 예에 따라, 부가 정보는, 검색 결과 데이터에 포함된 웹 페이지가 광고성 페이지일 확률 정보일 수 있다.

예를 들어, 전자 장치(100)는, 검색 결과 1에 대응하는 확률 정보(광고성 80%)(1301), 검색 결과 2에 대응하는 확률 정보(광고성 88%)(1302), 검색 결과 3에 대응하는 확률 정보(광고성 60%)(1303)가 검색 결과와 함께 표시되도록, 돔(DOM) 트리의 마지막 노드에 확률 정보를 삽입할 수 있다.

도 14를 참조하면, 예를 들어, 전자 장치(100)는, 검색 엔진의 실행 화면(1401) 상에, 검색된 웹 사이트 리스트(1402)와 각각의 웹 사이트에 대응하는 광고성 페이지일 확률 정보(1403)를 표시할 수 있다. 예를 들어, 첫 번째 검색 결과인 웹 페이지는 광고성 페이지일 확률이 80%이고, 두 번째 검색 결과인 웹 페이지는 광고성 페이지일 확률이 88%이고, 세 번째 검색 결과인 웹 페이지는 광고성 페이지일 확률이 60%라는 확률 정보가 표시될 수 있다.

이에 따라, 사용자는 검색 결과에 포함된 웹 페이지에 접속해보지 않아도, 검색 결과 중 광고성 페이지일 확률이 높은 웹 페이지를 인지할 수 있다. 또한, 사용자는 검색 결과 중에 광고성 페이지를 미리 인지할 수 있으므로 보다 빠른 시간 내에 실효성 있는 정보를 획득할 수 있다.

또한, 일 실시 예에 따르면, 전자 장치(100)는, 검색 엔진의 실행 화면(1401) 상에, 검색된 웹 사이트 리스트를 표시하고, 검색된 웹 사이트 리스트 중 광고성 페이지일 확률이 미리 정해진 임계치 이상(예컨대, 확률 정보가 80% 이상)인 페이지의 개수(예컨대, 검색 결과 웹 페이지 20개 중 광고성 페이지 8개)를 표시할 수 있다.

또한, 일 실시 예에 따라, 전자 장치(1000)는, 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터에 포함된 웹 페이지 중 디스플레이(1210)에 표시할 웹 페이지 리스트를 결정할 수 있다.

도 15를 참조하면, 전자 장치(1000)는 검색된 웹 페이지의 링크 정보를 포함하는 원본 HTML 코드(1501)로부터 광고성 페이지일 확률 정보가 미리 정해진 임계치 이상인 웹 페이지(예컨대, 확률 정보가 80% 이상인 웹 페이지)를 제외시킨 HTML 코드(1502)를 생성할 수 있다.

또한, 일 실시 예에 따라, 제2 서버(300)는 검색 결과 데이터에 포함된 웹 사이트 리스트 중 광고성 페이지일 확률 정보가 미리 정해진 임계치 이상인 웹 페이지를 제외시킨 데이터를 전자 장치(1000)로 전송할 수 있다.

일 실시 예에 따르면, 사용자는 광고성 페이지일 확률이 높은 웹 페이지가 제외된 검색 결과 데이터를 제공받을 수 있으므로, 보다 빠른 시간 내에 실효성 있는 정보를 획득할 수 있다.

도 13 내지 도 15는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 16은 일 실시 예에 따른 전자 장치의 블록 구성도(block diagram)이다. 도 17는 일 실시 예에 따른 전자 장치의 상세 블록 구성도(block diagram)이다.

도 16에 도시된 바와 같이, 일부 실시 예에 따른 전자 장치(1000)는 디스플레이(1210), 통신부(1500) 및 프로세서(1300)를 포함할 수 있다. 그러나, 도 16에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 16에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 16에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.

예를 들어, 도 16에 도시된 바와 같이, 일부 실시 예에 따른 전자 장치(1000)는, 디스플레이(1210), 통신부(1500) 및 프로세서(1300) 이외에, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), A/V 입력부(1600) 및 저장부(1700)를 더 포함할 수도 있다.

사용자 입력부(1100)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 또한, 사용자 입력부(1100)는 마이크로폰(1620)과 연결되어 음성 인식 장치(1000)를 제어하기 위한 음성 입력을 수신할 수 있다.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.

디스플레이(1210)는 전자 장치(1000)에서 처리되는 정보를 표시 출력한다.

일 실시 예에 따라, 디스플레이(1210)는, 프로세서(1300)의 제어에 의해, 검색 키워드에 기초한 검색 결과 데이터를 표시할 수 있다.

또한, 디스플레이(1210)는, 프로세서(1300)의 제어에 의해, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지일 확률 정보를 표시할 수 있다.

또한, 디스플레이(1210)는, 프로세서(1300)의 제어에 의해, 웹 페이지에 대한 선호도를 입력 받기 위한 사용자 인터페이스를 표시할 수 있다.

한편, 디스플레이(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다.

또한, 디스플레이(1210)는 발광 소자(미도시)를 포함할 수 있다. 발광 소자(미도시)는 예를 들어, 발광 다이오드(Light emitting diode) 및 디스플레이 패널을 포함할 수 있으며, 이에 제한되지 않는다.

음향 출력부(1220)는 통신부(1500)로부터 수신되거나 저장부(1700)에 저장된 음향 데이터를 출력한다. 진동 모터(1230)는 진동 신호를 출력할 수 있다.

프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 저장부(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 프로세서(1300)는, 도 1 내지 도 15에 설시된 전자 장치(1000)의 기능을 수행하기 위하여, 전자 장치(1000)의 동작을 제어할 수 있다.

일 실시 예에 따라, 프로세서(1300)는 검색 키워드를 입력 받고, 검색 키워드에 기초하여 검색 결과 데이터를 제1 서버(200, 도 3)에게 통신부(1500)를 통해 요청할 수 있다.

또한, 일 실시 예에 따라, 프로세서(1300)는 제1 서버(200, 도 3)로부터 통신부(1500)를 통해 검색 키워드에 기초하여 검색 결과 데이터를 수신할 수 있다.

또한, 프로세서(1300)는 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 제2 서버(300, 도 3)에게 통신부(1500)를 통해 요청할 수 있다.

또한, 프로세서(1300)는 제2 서버(300, 도 3)로부터 수신한 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터를 표시하도록 디스플레이(1210)를 제어할 수 있다.

또한, 프로세서(1300)는 검색 결과 데이터에 포함된 웹 페이지 리스트와 각각의 웹 페이지에 대응하는 확률 정보를 표시하도록 디스플레이(1210)를 제어할 수 있다.

또한, 프로세서(1300)는 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 검색 결과 데이터에 포함된 웹 페이지 중 디스플레이(1210)에 표시할 웹 페이지 리스트를 결정할 수 있다.

또한, 프로세서(1300)는 검색 결과 데이터에 포함된 웹 페이지 중 웹 페이지가 광고성 페이지일 확률 정보가 미리 정해진 임계치 이상인 웹 페이지를 디스플레이(1210)에 표시할 웹 페이지 리스트로부터 제외시킬 수 있다.

센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.

센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 조도 센서(1495), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

통신부(1500)는, 전자 장치(1000)가 외부와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 음성 인식 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.

A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다.

카메라(1610)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.

카메라(1610)에서 처리된 화상 프레임은 저장부(1700)에 저장되거나 통신부(1500)를 통하여 외부로 전송될 수 있다. 카메라(1610)는 단말기의 구성 태양에 따라 2개 이상이 구비될 수도 있다.

마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.

저장부(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다.

저장부(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

저장부(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730), 이미지 필터 모듈(미도시) 등으로 분류될 수 있다.

UI 모듈(1710)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시 예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

알림 모듈(1730)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(1000)에서 발생되는 이벤트의 예로는 일정 알림, 음성 명령의 수행 완료 등 관련된 정보 알림, 키 신호 입력 등이 있다. 알림 모듈(1730)은 디스플레이(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.

도 18은 일 실시 예에 따른 제2 서버의 블록 구성도(block diagram)이다.

도 18은 제2 서버(300, 도 3)의 일 예를 도시한다.

제2 서버(300) 또한, 도 16 및 도 17에 개시된 장치 구성을 포함할 수 있다.

도 18에 도시된 바와 같이, 일부 실시 예에 따른 제2 서버(300)는 저장부(302), 통신부(303) 및 프로세서(301)를 포함할 수 있다. 그러나, 도 18에 도시된 구성 요소 모두가 제2 서버(300)의 필수 구성 요소인 것은 아니다. 도 18에 도시된 구성 요소보다 많은 구성 요소에 의해 제2 서버(300)가 구현될 수도 있고, 도 18에 도시된 구성 요소보다 적은 구성 요소에 의해 제2 서버(300)가 구현될 수도 있다.

일 실시 예에 따라, 제2 서버(300, 도 3)의 프로세서(301)는, 외부 전자 장치(1000, 도 3)로부터 통신부(303)를 통해 검색 키워드에 기초한 검색 결과 데이터를 수신할 수 있다.

또한, 일 실시 예에 따라, 제2 서버(300, 도 3)의 프로세서(301)는, 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고성 페이지인지에 관한 부가 정보를 생성할 수 있다.

또한, 프로세서(301)는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 웹 페이지가 광고 패턴을 포함하는지에 기초하여 부가 정보를 생성할 수 있다.

또한, 일 실시 예에 따라, 프로세서(301)는, 광고성 페이지의 광고 패턴을 분석하고, 분석된 광고 패턴에 기초하여 가상의 광고성 페이지를 생성하고, 가상의 광고성 페이지를 이용하여 학습 모델을 학습시킬 수 있다.

또한, 프로세서(301)는, 웹 페이지의 접속 이력 정보에 기초한 제1 스코어, 특정 사용자에 대응한 선호 정보에 기초한 제2 스코어 및 상기 웹 페이지가 상기 광고 패턴을 포함하는지에 관한 제3 스코어 중 적어도 하나에 기초하여 부가 정보를 생성할 수 있다.

또한, 프로세서(301)는, 부가 정보를 통신부(303)를 통해 외부 전자 장치(1000, 도 3)로 전송할 수 있다.

일 실시 예에 따라, 제2 서버(300, 도 3)의 저장부(302)는, 인공 지능 알고리즘을 이용하여 웹 페이지가 광고성 페이지인지 판단할 수 있도록 학습된 학습 모델을 저장할 수 있다.

또한, 일 실시 예에 따라, 제2 서버(300, 도 3)의 저장부(302)는, 웹 크롤링(crawling)된 다량의 웹 페이지 각각에 대응하는 접속 이력 정보를 저장할 수 있다.

또한, 일 실시 예에 따라, 제2 서버(300, 도 3)의 저장부(302)는, 웹 크롤링(crawling)된 다량의 웹 페이지 각각에 대응하는 특정 사용자에 대응한 선호 정보를 저장할 수 있다.

도 19는 일 실시 예에 따른 제2 서버의 프로세서의 블록도이다.

도 19는 제2 서버(300, 도 3)의 프로세서의 일 예를 도시한다.

도 19를 참조하면, 일부 실시 예에 따른 프로세서(301)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.

데이터 학습부(1310)는 상황 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.

데이터 인식부(1320)는 데이터에 기초한 상황을 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 상황을 인식할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초한 소정의 상황을 판단할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.

한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 20은 일 실시예에 따른 데이터 학습부의 블록도이다.

도 20을 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.

데이터 획득부(1310-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

일 예로, 데이터 획득부(1310-1)는 전자 장치의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다. 또한, 데이터 획득부(1310-1)는 서버로부터 데이터를 수신할 수도 있다.

일 실시 예에 따라, 데이터 획득부(1310-1)는 영상 프레임 또는 음성 신호를 획득할 수 있다.

예를 들어, 데이터 획득부(1310-1)는 음성 인식 장치(1000)의 주변 영상을 입력 받을 수 있다. 주변 영상은 복수의 이미지(또는, 프레임(frame))들로 구성될 수 있다. 일 예로, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 음성 인식 장치의 카메라, 또는 데이터 학습부(1310)를 포함하는 음성 인식 장치와 통신 가능한 외부의 카메라(예로, CCTV 또는 블랙박스 등)를 통하여 동영상을 입력 받을 수 있다. 여기서, 카메라는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다.

또한, 일 실시 예에 따라, 데이터 획득부(1310-1)는 마이크로폰(1620, 도 17)을 통해 입력되는 음성 신호를 획득할 수 있다.

전처리부(1310-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1310-2)는 입력된 동영상의 적어도 일부를 구성하는 복수의 이미지(또는 프레임(frame))들 각각에 포함된 공통 영역을 기초로, 복수의 이미지들의 적어도 일부를 중첩하여 하나의 합성 이미지를 생성할 수 있다. 이 경우, 하나의 동영상에서 복수 개의 합성 이미지들이 생성될 수도 있다. 공통 영역은, 복수의 이미지들 각각에서 동일 또는 유사한 공통 오브젝트(예로, 물체, 동식물 또는 사람 등)를 포함한 영역이 될 수 있다. 또는, 공통 영역은, 복수의 이미지들 각각에서 색, 음영, RGB 값 또는 CMYK 값 등이 동일 또는 유사한 영역이 될 수 있다.

학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

예를 들어, 웹 크롤링을 통해 획득된 다량의 광고성 페이지가 선택될 수 있다.

또한, 예를 들어, 광고성 페이지의 광고 패턴에 기초하여 생성된 가상의 광고성 페이지가 선택될 수 있다.

모델 학습부(1310-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

일 실시 예에 따라, 모델 학습부(1310-4)는 음성 특성 데이터에 기초하여, 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 판단하기 위한 기준을 학습할 수 있다.

또한, 모델 학습부(1310-4)는 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지, 샘플 음성 신호 등)을 입력 받아 미리 구축된 모델일 수 있다.

데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도 없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.

또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 음성 인식 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 음성 인식 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 음성 인식 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 음성 인식 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.

한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 음성 인식 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 음성 인식 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 21은 일 실시예에 따른 데이터 인식부의 블록도이다.

도 21을 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.

데이터 획득부(1320-1)는 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.

일 실시 예에 따라, 입력된 웹 페이지가 광고성 페이지일 확률 정보가 제공될 수 있다.

모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 22는 일 실시 예에 따른 제2 서버가 다른 서버와 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 22는 일부 실시 예에 따른 제2 서버(300) 및 제3 서버(400)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 22를 참조하면, 제3 서버(400)는 상황 판단을 위한 기준을 학습할 수 있으며, 제2 서버(300)는 제3 서버(400)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.

이 경우, 제3 서버(400)의 모델 학습부(2340)는 도 20에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 제3 서버(400)의 모델 학습부(2340)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.

또한, 제2 서버(300)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 제3 서버(400)에 의해 생성된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 제3 서버(400)에게 전송하고, 제3 서버(400)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 상황을 판단할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 제3 서버(400)에 의해 판단된 상황에 관한 정보를 제3 서버(400)로부터 수신할 수 있다.

예를 들어, 제3 서버(400)는 다량의 광고성 페이지를 학습할 수 있다.

예를 들어, 제2 서버(300)는 입력된 페이지가 광고성 페이지일 확률 정보를 판단할 수 있다.

또는, 제2 서버(300)의 인식 결과 제공부(1320-4)는 제3 서버(400)에 의해 생성된 인식 모델을 제3 서버(400)로부터 수신하고, 수신된 인식 모델을 이용하여 상황을 판단할 수 있다. 이 경우, 제2 서버(300)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 제3 서버(400)로부터 수신된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다.

한편, 상술한 실시 예는, 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터에 의해 판독 가능한 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 실시 예에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 또한, 상술한 실시 예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로 구현될 수 있다. 예를 들어, 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 컴퓨터가 읽고 실행할 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있다.

컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 기록 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 포함할 수 있다. 컴퓨터 판독 가능 매체는 마그네틱 저장매체, 예를 들면, 롬, 플로피 디스크, 하드 디스크 등을 포함하고,) 광학적 판독 매체, 예를 들면, 시디롬, DVD 등과 같은 저장 매체를 포함할 수 있으나, 이에 제한되지 않는다. 또한, 컴퓨터 판독 가능 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다.

또한, 컴퓨터가 읽을 수 있는 복수의 기록 매체가 네트워크로 연결된 컴퓨터 시스템들에 분산되어 있을 수 있으며, 분산된 기록 매체들에 저장된 데이터, 예를 들면 프로그램 명령어 및 코드가 적어도 하나의 컴퓨터에 의해 실행될 수 있다.

본 개시에서 설명된 특정 실행들은 일 실시 예 일 뿐이며, 어떠한 방법으로도 본 개시의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 및 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다.

전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 개시에서 모든 예들 또는 예시적인 용어, 예를 들어, “등”의 사용은 단순히 본 개시를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 개시의 범위가 한정되는 것은 아니다.

또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 개시에 기재된 구성 요소들은 본 개시의 실행을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

본 개시의 실시 예들과 관련된 기술 분야에서 통상의 지식을 가진 자는 상기 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다.

본 개시는 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 본 개시는 명세서에 기재된 특정한 실시 형태에 의해 한정되는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물이 본 개시에 포함되는 것으로 이해되어야 한다. 그러므로, 개시된 실시예들은 한정적인 관점이 아닌 설명적 관점에서 이해되어야 한다.

본 개시의 범위는 발명의 상세한 설명보다는 특허 청구 범위에 의하여 나타나며, 특허 청구 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

본 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

"부", "모듈"은 어드레싱될 수 있는 저장 매체에 저장되며 프로세서에 의해 실행될 수 있는 프로그램에 의해 구현될 수도 있다.

예를 들어, “부”, "모듈" 은 소프트웨어 구성 요소들, 객체 지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들에 의해 구현될 수 있다.

본 명세서에서, "A는 a1, a2 및 a3 중 하나를 포함할 수 있다"는 기재은, A라는 엘리먼트(element)에 포함될 수 있는 예시적인 엘리먼트가 a1, a2 또는 a3라는 넓은 의미이다.

상기 기재로 인해 엘리먼트 A를 구성할 수 있는 엘리먼트가 반드시 a1, a2 또는 a3로 국한된다는 것은 아니다. 따라서 A를 구성할 수 있는 엘리먼트가, a1, a2 및 a3 이외에 예시되지 않은 다른 엘리먼트들을 배제한다는 의미로, 배타적으로 해석되지 않음에 유의하여야 한다.

또한, 상기 기재는, A는 a1를 포함하거나, a2를 포함하거나, 또는 a3를 포함할 수 있다는 의미이다. 상기 기재가 A를 구성하는 엘리먼트들이 반드시 소정 집합 내에서 선택적으로 결정된다는 것을 의미하지는 않는다. 예를 들어 상기 기재가, 반드시 a1, a2 및 a3를 포함하는 집합으로부터 선택된 a1, a2, 또는 a3가 컴포넌트 A를 구성한다는 것으로, 제한적으로 해석되지 않음에 유의하여야 한다.

1000 : 전자 장치
1300 : 프로세서

Claims (20)

1. 전자 장치에 있어서,
   통신부;
   디스플레이; 및
   상기 통신부를 통해, 제1 서버로부터 검색 키워드에 기초한 검색 결과 데이터를 수신하고,
   상기 통신부를 통해, 제2 서버에게 상기 검색 결과 데이터에 포함된 각각의 웹 페이지에 관한 부가 정보 요청을 전송하며, 상기 부가 정보는 상기 검색 결과 데이터에 포함된 상기 각각의 웹 페이지가 광고 페이지일 확률 정보를 포함하고, 상기 요청은 상기 수신된 검색 결과 데이터를 포함하고,
   상기 통신부를 통해, 상기 제2 서버로부터 상기 각각의 웹 페이지에 대응하는 부가 정보를 수신하고,
   상기 제2 서버로부터 수신한 상기 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 상기 검색 결과 데이터에 포함된 웹 페이지들의 리스트 및 상기 각각의 웹 페이지가 광고 페이지일 확률 정보를 표시하도록 상기 디스플레이를 제어하는 프로세서를 포함하고,
   상기 부가 정보는, 상기 제2 서버에 의해, 상기 각각의 웹 페이지의 접속 이력 정보, 특정 사용자 선호 정보 및 상기 각각의 웹 페이지가 광고 패턴을 포함하는지에 기초하여 생성되며,
   상기 각각의 웹 페이지가 광고 패턴을 포함하는지는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 결정되는, 전자 장치.
   
2. 삭제
3. 제1 항에 있어서,
   상기 프로세서는,
   상기 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 상기 검색 결과 데이터에 포함된 웹 페이지 중 상기 디스플레이에 표시할 상기 웹 페이지 리스트를 결정하는, 전자 장치.
   
4. 제3 항에 있어서,
   상기 프로세서는,
   상기 검색 결과 데이터에 포함된 웹 페이지 중 상기 각각의 웹 페이지가 광고성 페이지일 확률 정보가 미리 정해진 임계치 이상인 웹 페이지를 상기 디스플레이에 표시할 웹 페이지 리스트로부터 제외시키는, 전자 장치.
   
5. 삭제
6. 제1 항에 있어서,
   상기 각각의 웹 페이지의 접속 이력 정보는,
   상기 각각의 웹 페이지에 접속한 이후부터 상기 각각의 웹 페이지 접속을 종료할 때까지의 경과 시간 및 상기 각각의 웹 페이지에 접속한 후 상기 각각의 웹 페이지 내에서 연결 가능한 다른 웹 페이지로의 접속 없이 상기 각각의 웹 페이지 접속을 종료하는 비율 중 적어도 하나를 포함하는, 전자 장치.
   
7. 제1 항에 있어서,
   상기 특정 사용자에 대응한 선호 정보는,
   상기 특정 사용자의 입력에 의한 정보 및 상기 특정 사용자에 대응하는 상기 각각의 웹 페이지의 접속 이력 정보 중 적어도 하나를 포함하는, 전자 장치.
   
8. 제1 항에 있어서,
   상기 프로세서는,
   상기 전자 장치의 사용자 인터페이스를 통해, 상기 검색 키워드를 입력 받고,
   상기 통신부를 통해, 상기 검색 키워드에 기초하여 검색 결과 데이터를 상기 제1 서버에게 상기 통신부를 통해 요청하는, 전자 장치.
   
9. 전자 장치에 있어서,
   통신부;
   디스플레이; 및
   상기 통신부를 통해, 외부 전자 장치로부터 검색 키워드에 기초한 검색 결과 데이터에 포함된 각각의 웹 페이지에 관한 부가 정보 요청을 수신하고
   상기 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고 페이지일 확률 정보를 포함하는 부가 정보를 생성하며,
   상기 통신부를 통해, 상기 외부 전자 장치로 상기 각각의 웹 페이지에 대응하는 상기 부가 정보를 전송하는 프로세서를 포함하고,
   상기 프로세서는, 상기 각각의 웹 페이지의 접속 이력 정보, 사용자 선호 정보 및 상기 각각의 웹 페이지가 광고 패턴을 포함하는지에 기초하여 상기 부가 정보를 생성하고,
   상기 각각의 웹 페이지가 광고 패턴을 포함하는지는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 결정되며,
   상기 확률 정보는 상기 검색 결과 데이터에 포함된 웹 페이지들의 리스트와 함께 상기 외부 전자 장치의 디스플레이에 표시되는, 전자 장치.
   
10. 제9 항에 있어서,
    상기 프로세서는,
    광고성 페이지의 광고 패턴을 분석하고,
    상기 분석된 광고 패턴에 기초하여 가상의 광고성 페이지를 생성하고,
    상기 가상의 광고성 페이지를 이용하여 상기 학습 모델을 학습시키는, 전자 장치.
    
11. 삭제
12. 제9 항에 있어서,
    상기 각각의 웹 페이지의 접속 이력 정보는,
    상기 각각의 웹 페이지에 접속한 이후부터 상기 각각의 웹 페이지 접속을 종료할 때까지의 경과 시간 및 상기 각각의 웹 페이지에 접속한 후 상기 각각의 웹 페이지 내에서 연결 가능한 다른 웹 페이지로의 접속 없이 상기 각각의 웹 페이지 접속을 종료하는 비율 중 적어도 하나를 포함하는, 전자 장치.
    
13. 제9 항에 있어서,
    상기 특정 사용자에 대응한 선호 정보는,
    상기 특정 사용자의 입력에 의한 정보 및 상기 특정 사용자에 대응하는 상기 각각의 웹 페이지의 접속 이력 정보 중 적어도 하나를 포함하는, 전자 장치.
    
14. 전자 장치의 동작 방법에 있어서,
    제1 서버로부터 검색 키워드에 기초한 검색 결과 데이터를 수신하는 단계;
    제2 서버에게 상기 검색 결과 데이터에 포함된 각각의 웹 페이지에 관한 부가 정보 요청을 전송하며, 상기 부가 정보는 상기 검색 결과 데이터에 포함된 상기 각각의 웹 페이지가 광고 페이지일 확률 정보를 포함하고, 상기 요청은 상기 수신된 검색 결과 데이터를 포함하는 단계;
    상기 제2 서버로부터 상기 각각의 웹 페이지에 대응하는 부가 정보를 수신하는 단계; 및
    상기 제2 서버로부터 수신한 상기 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 상기 검색 결과 데이터에 포함된 웹 페이지들의 리스트 및 상기 각각의 웹 페이지가 광고 페이지일 확률 정보를 표시하도록 디스플레이를 제어하는 단계를 포함하고,
    상기 부가 정보는, 상기 제2 서버에 의해, 상기 각각의 웹 페이지의 접속 이력 정보, 사용자 선호 정보 및 상기 웹 페이지가 광고 패턴을 포함하는지에 기초하여 생성되며,
    상기 각각의 웹 페이지가 광고 패턴을 포함하는지는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 결정되는, 동작 방법.
    
15. 삭제
16. 제14 항에 있어서,
    상기 디스플레이를 제어하는 단계는,
    상기 각각의 웹 페이지에 대응하는 부가 정보에 기초하여, 상기 검색 결과 데이터에 포함된 웹 페이지 중 상기 디스플레이에 표시할 상기 웹 페이지 리스트를 결정하는 단계를 포함하는, 동작 방법.
    
17. 제16 항에 있어서,
    상기 디스플레이를 제어하는 단계는,
    상기 검색 결과 데이터에 포함된 웹 페이지 중 상기 각각의 웹 페이지가 광고성 페이지일 확률 정보가 미리 정해진 임계치 이상인 웹 페이지를 상기 디스플레이에 표시할 웹 페이지 리스트로부터 제외시키는 단계를 포함하는, 동작 방법.
    
18. 삭제
19. 전자 장치의 동작 방법에 있어서,
    외부 전자 장치로부터 검색 키워드에 기초한 검색 결과 데이터에 포함된 각각의 웹 페이지에 관한 부가 정보 요청을 수신하는 단계;
    상기 검색 결과 데이터에 포함된 각각의 웹 페이지가 광고 페이지일 확률 정보를 포함하는 부가 정보를 생성하는 단계; 및
    상기 외부 전자 장치로 상기 각각의 웹 페이지에 대응하는 상기 부가 정보를 전송하는 단계를 포함하고,
    상기 부가 정보를 생성하는 단계는, 상기 각각의 웹 페이지의 접속 이력 정보, 사용자 선호 정보 및 상기 각각의 웹 페이지가 광고 패턴을 포함하는지에 기초하여 상기 부가 정보를 생성하고,
    상기 각각의 웹 페이지가 광고 패턴을 포함하는지는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 결정되며,
    상기 확률 정보는 상기 검색 결과 데이터에 포함된 웹 페이지들의 리스트와 함께 상기 외부 전자 장치의 디스플레이에 표시되는, 동작 방법.
    
20. 제19 항에 있어서,
    광고성 페이지의 광고 패턴을 분석하는 단계;
    상기 분석된 광고 패턴에 기초하여 가상의 광고성 페이지를 생성하는 단계; 및
    상기 가상의 광고성 페이지를 이용하여 상기 학습 모델을 학습시키는 단계를 더 포함하는, 동작 방법.

Images