KR20210152739A - 전자장치 및 그 제어방법 - Google Patents

전자장치 및 그 제어방법 Download PDF

Info

Publication number
KR20210152739A
KR20210152739A KR1020200069605A KR20200069605A KR20210152739A KR 20210152739 A KR20210152739 A KR 20210152739A KR 1020200069605 A KR1020200069605 A KR 1020200069605A KR 20200069605 A KR20200069605 A KR 20200069605A KR 20210152739 A KR20210152739 A KR 20210152739A
Authority
KR
South Korea
Prior art keywords
user
categories
characteristic data
electronic device
reference characteristic
Prior art date
Application number
KR1020200069605A
Other languages
English (en)
Inventor
박상훈
조건희
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 KR1020200069605A priority Critical patent/KR20210152739A/ko
Priority to PCT/KR2021/003670 priority patent/WO2021251599A1/en
Priority to US17/231,486 priority patent/US11651392B2/en
Publication of KR20210152739A publication Critical patent/KR20210152739A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06K9/481—
    • G06K9/6201—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Signal Processing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Graphics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

전자장치는, 인터페이스부를 통해 복수의 사용자의 특성데이터를 획득하고, 인터페이스부를 통해 수신되는 입력에 따라서, 획득한 특성데이터를 분석하기 위한 복수의 카테고리 및 기준특성을 식별하고, 식별된 복수의 카테고리 별로 복수의 사용자 중에서 특성데이터가 기준특성에 대응하는 하나 이상의 사용자를 식별하고, 식별된 하나 이상의 사용자에 관한 분석 결과를 출력하는 프로세서를 포함한다.

Description

전자장치 및 그 제어방법 {ELECTRONIC APPARATUS AND CONTROL METHOD THEREOF}
본 발명은 다수의 외부장치에 관한 데이터를 관리하고 각 외부장치에 기 설정된 서비스를 제공할 수 있는 전자장치 및 그 제어방법에 관한 것으로서, 상세하게는 각 외부장치에 다양한 사용자의 성향에 맞는 맞춤형 서비스를 제공함에 있어서, 특정 성향을 가진 사용자들의 외부장치들을 식별하기 위한 전자장치 및 그 제어방법에 관한 것이다.
소정의 정보를 특정 프로세스에 따라서 연산 및 처리하기 위해, 연산을 위한 CPU, 칩셋, 메모리 등의 전자부품들을 기본적으로 포함하는 전자장치는, 처리 대상이 되는 정보 또는 사용 용도가 무엇인지에 따라서 다양한 종류로 구분될 수 있다. 예를 들면, 전자장치에는 범용의 정보를 처리하는 PC나 서버 등의 정보처리장치, 영상데이터를 처리하는 영상처리장치, 오디오를 처리하는 오디오장치, 가정 내 잡무를 수행하는 생활가전 등이 있다. 영상처리장치는 처리된 영상데이터를 자체 구비한 디스플레이 패널(display panel) 상에 영상으로 표시하는 디스플레이장치로 구현될 수 있다. 이와 같은 다양한 종류의 전자장치들은 상호 통신이 가능한 서버 및 클라이언트의 역할을 각기 수행할 수 있다.
서버로 동작하는 전자장치는 네트워크를 통해, 클라이언트로 동작하는 다수의 외부장치와 통신한다. 이러한 일대 다의 통신망을 사용하여, 서버는 외부장치들에게 다양한 서비스를 제공할 수 있다. 서비스를 제공하는 예시로서, 서버는 복수의 서비스에 관한 정보를 안내하는 웹 페이지를 표시하고, 해당 웹 페이지에 접속하는 클라이언트가 원하는 서비스를 선택하면, 선택된 서비스의 컨텐츠 데이터를 해당 클라이언트에게 전송하는 수동적인 방식을 사용할 수 있다. 또는, 서버는 각 클라이언트의 성향을 개별적으로 판단하고, 판단한 성향에 대응하게 마련된 서비스를 클라이언트에게 제공하거나 또는 안내하는 능동적인 방식을 사용할 수도 있다.
앞서 설명한 능동적인 방식은, 예를 들면 특정 사용자에게 적합한 상품이나 물품 등의 서비스를 구축하기 위한 등의 개인화 상품 추천 시스템에 활용되고 있다. 그런데, 서버가 관리하는 많은 클라이언트들 중에서, 특정 성향을 가진 클라이언트들을 식별해 내는 것은 용이하지 않다. 예를 들어, 서버는 관리자로부터 소정의 공통된 성향을 가진 소수의 클라이언트에 관한 정보가 입력되면, 입력된 정보에 나타나는 성향에 관한 데이터를, 서버가 관리하는 각 클라이언트의 데이터와 일대 일로 비교한다. 그러나, 서버가 관리하는 클라이언트의 데이터가 방대한 빅 데이터를 이루고 있다면, 이러한 비교 방법은 서버에 있어서 큰 부담이 되고, 시간적으로도 많은 지연을 초래한다.
따라서, 서버가 특정 성향에 대응하는 서비스를 제공함에 있어서, 해당 성향을 가지거나 또는 해당 성향과 유사한 특성의 클라이언트들을, 상대적으로 빠르고 용이하게 식별하기 위한 방법이 필요할 수 있다.
본 발명의 실시예에 따른 전자장치는, 인터페이스부와, 상기 인터페이스부를 통해 복수의 사용자의 특성데이터를 획득하고, 상기 인터페이스부를 통해 수신되는 입력에 따라서, 상기 획득한 특성데이터를 분석하기 위한 복수의 카테고리 및 기준특성을 식별하고, 상기 식별된 복수의 카테고리 별로 상기 복수의 사용자 중에서 상기 특성데이터가 상기 기준특성에 대응하는 하나 이상의 사용자를 식별하고, 상기 식별된 하나 이상의 사용자에 관한 분석 결과를 출력하는 프로세서를 포함한다.
또한, 상기 프로세서는, 각각의 상기 사용자에 대해 상기 복수의 카테고리 별로 가중치를 부여하고, 상기 가중치가 부여된 상기복수의 카테고리에 기초하여 상기기준특성에 대응하는 사용자를 식별할 수 있다.
또한, 상기 프로세서는, 각각의 상기 사용자의 특성데이터에 대해 상기 복수의 카테고리 별로 상기 기준특성 대비 제1유사도를 산출하며, 상기 복수의 카테고리 별로 산출된 제1유사도를 통합하여 제2유사도를 산출하고, 상기 산출된 제2유사도에 기초하여 상기 기준특성에 대응하는 사용자를 식별할 수 있다.
또한, 상기 프로세서는, 상기 기준특성 대비 상기 제2유사도가 소정 랭킹 이상의 사용자를 상기 기준특성에 대응하는 사용자로 식별할 수 있다.
또한, 상기 프로세서는, 상기 기준특성 대비 상기 제2유사도가 문턱값 이상인 사용자를 상기기준특성에 대응하는 사용자로 식별할 수 있다.
또한, 상기 프로세서는, 상기 복수의 카테고리 별 제1유사도 각각에 대해 상기 복수의 카테고리 별로 설정된 대응가중치를 부여할 수 있다.
또한, 상기 가중치는 상기 기준특성에 의해 상기 복수의 카테고리 별로 요구되는 중요도에 따라서 각기 상이하게 마련될 수 있다.
또한, 상기 사용자의 특성데이터는, 외부장치의 사용 이력으로부터 도출된 상기 사용자의 행동 패턴에 기반한 벡터값을 포함할 수 있다.
또한, 상기 프로세서는, 상기 기준특성 및 상기 사용자의 특성데이터 사이의 유클리드 거리에 기반하여, 상기 특성데이터가 상기 기준특성에 대응하는지 여부를 식별할 수 있다.
또한, 상기 프로세서는, 복수의 상기 기준특성의 센트로이드를 도출하고, 상기 도출된 센트로이드 및 상기 사용자의 특성데이터 사이의 유클리드 거리에 기반하여, 상기 특성데이터가 상기 기준특성에 대응하는지 여부를 식별할 수 있다.
또한, 상기 센트로이드는, 유클리드 평면 상에서 상기 복수의 기준특성의 좌표값의 평균일 수 있다.
또한, 본 발명의 실시예에 따른 전자장치의 제어방법은, 복수의 사용자의 특성데이터를 획득하는 단계와, 수신되는 입력에 따라서, 상기 획득한 특성데이터를 분석하기 위한 복수의 카테고리 및 기준특성을 식별하는 단계와, 상기 식별된 복수의 카테고리 별로 상기 복수의 사용자 중에서 상기 특성데이터가 상기 기준특성에 대응하는 하나 이상의 사용자를 식별하는 단계와, 상기 식별된 하나 이상의 사용자에 관한 분석 결과를 출력하는 단계를 포함한다.
도 1은 복수의 외부장치와 통신하는 전자장치의 예시도이다.
도 2는 전자장치의 구성 블록도이다.
도 3은 전자장치의 동작을 나타내는 플로우차트이다.
도 4는 사용자 별 특징데이터의 테이블 형식을 나타내는 예시도이다.
도 5는 두 개 차원의 유클리드 평면 상에 특성데이터가 나타나는 원리를 간략히 나타내는 예시도이다.
도 6은 하나의 기준특성이 입력된 경우에 일 카테고리의 유클리드 평면 상에서 유사한 특성데이터를 식별하는 한 가지 방법의 예시도이다.
도 7은 하나의 기준특성이 입력된 경우에 일 카테고리의 유클리드 평면 상에서 유사한 특성데이터를 식별하는 한 가지 방법의 예시도이다.
도 8은 두 기준특성이 입력된 경우에 일 카테고리의 유클리드 평면 상에서 유사한 특성데이터를 식별하는 방법의 예시도이다.
도 9는 두 카테고리의 유클리드 평면에서 가중치를 적용하지 않는 경우 및 적용하는 경우의 차이를 나타내는 예시도이다.
도 10은 카테고리 별 가중치를 반영하지 않는 경우에 어느 한 사용자의 기준특성 대비 최종 유사도를 산출하는 방법에 관한 예시도이다.
도 11은 카테고리 별 가중치를 반영하는 경우에 어느 한 사용자의 기준특성 대비 최종 유사도를 산출하는 방법에 관한 예시도이다.
도 12는 카테고리 별 가중치를 설정 가능한 경우에 전자장치의 제어방법을 나타내는 플로우차트이다.
이하에서는 첨부도면을 참조하여 본 발명에 따른 실시예들에 관해 상세히 설명한다. 각 도면을 참조하여 설명하는 실시예들은 특별한 언급이 없는 한 상호 배타적인 구성이 아니며, 하나의 장치 내에서 복수 개의 실시예가 선택적으로 조합되어 구현될 수 있다. 이러한 복수의 실시예의 조합은 본 발명의 기술분야에서 숙련된 기술자가 본 발명의 사상을 구현함에 있어서 임의로 선택되어 적용될 수 있다.
만일, 실시예에서 제1구성요소, 제2구성요소 등과 같이 서수를 포함하는 용어가 있다면, 이러한 용어는 다양한 구성요소들을 설명하기 위해 사용되는 것이며, 용어는 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용되는 바, 이들 구성요소는 용어에 의해 그 의미가 한정되지 않는다. 실시예에서 사용하는 용어는 해당 실시예를 설명하기 위해 적용되는 것으로서, 본 발명의 사상을 한정하지 않는다.
또한, 본 명세서에서의 복수의 구성요소 중 "적어도 하나(at least one)"라는 표현이 나오는 경우에, 본 표현은 복수의 구성요소 전체 뿐만 아니라, 복수의 구성요소 중 나머지를 배제한 각 하나 혹은 이들의 조합 모두를 지칭한다.
도 1은 복수의 외부장치와 통신하는 전자장치의 예시도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 전자장치(110)는 예를 들면 서버로 구현되며, 네트워크를 통해 복수의 외부장치(120, 130, 140)와 각기 통신을 수행하게 마련된다. 다만, 전자장치(110)가 반드시 서버로 한정되는 것은 아니며 다양한 종류의 장치로 구현될 수 있는 바, 예를 들어 전자장치(110)는 다양한 종류의 외부장치(120, 130, 140)에 각기 통신 가능하게 연결된 호스트장치일 수도 있다. 전자장치(110) 및 외부장치(120, 130, 140) 사이는, 광역 네트워크, 근거리 네트워크, 케이블에 의한 일대 다 접속 등의 다양한 방식으로 연결될 수 있다.
또한, 본 실시예에서는 한 대의 전자장치(110)가 관련 동작을 수행하는 경우에 관해서만 설명하지만, 이는 한 가지 예시일 뿐이며, 복수의 전자장치(110)가 연계하여 동작하는 경우에도 본 실시예가 적용될 수 있다. 이 경우에, 복수의 전자장치(110)가 관련 동작을 분담하여 수행할 수 있다.
외부장치(120, 130, 140)는 다양한 종류의 장치로 구현될 수 있는 바, 예를 들면 TV, 모니터, 디지털 사이니지(signage), 전자칠판, 전자액자 등을 포함하는 고정형 디스플레이장치이거나; 셋탑박스, 광학미디어 재생기기 등을 포함하는 영상처리장치이거나; 컴퓨터본체 등을 포함하는 정보처리장치이거나; 세탁기, 냉장고, 의류관리기 등을 포함하는 생활가전이거나; 스마트폰, 태블릿기기 등을 포함하는 모바일기기이거나; 웨어러블 디바이스 등의 다양한 종류의 장치로 구현될 수 있다. 본 실시예에서는 전자장치(110)에 3대의 외부장치(120, 130, 140)이 연결되는 것으로 표현하고 있지만, 실질적으로 전자장치(110)에 통신 가능하게 연결되는 외부장치(120, 130, 140)의 수는 한정되지 않는다.
전자장치(110)는 통신하는 복수의 외부장치(120, 130, 140)를 상호 식별할 수 있게 마련된다. 외부장치(120, 130, 140)의 식별 방법의 예시로, 전자장치(110)는 각 외부장치(120, 130, 140)의 장치 ID를 통해 식별하거나, 각 외부장치(120, 130, 140)를 사용하는 사용자의 ID를 통해 식별할 수 있다. 외부장치(120, 130, 140)의 ID는 해당 외부장치(120, 130, 140)에 사전에 마련되거나 또는 외부장치(120, 130, 140)에서 사용자에 의해 입력되고, 이후 외부장치(120, 130, 140)로부터 전자장치(110)에 전달될 수 있다. 또는, 전자장치(110)는 통신 가능한 외부장치(120, 130, 140) 각각에 대해 ID를 임의로 할당할 수도 있다.
전자장치(110)는 각 외부장치(120, 130, 140)의 ID를 관리하는 것과 함께, 각 외부장치(120, 130, 140)에서의 사용자의 사용이력 정보를 저장한다. 예를 들면, 각 외부장치(120, 130, 140)에서는 사용자가 다양한 컨텐트를 시청하거나 또는 사용한 사용 이력이 누적된다. 이러한 각 외부장치(120, 130, 140) 별 사용 이력으로부터 각 외부장치(120, 130, 140)의 사용자의 시청 패턴 또는 행동 패턴에 관한 특징데이터가 개별적으로 도출될 수 있다. 전자장치(110)는 각 외부장치(120, 130, 140)로부터 도출된 특징데이터를 수신할 수도 있고, 또는 각 외부장치(120, 130, 140)로부터 수신되는 사용 이력으로부터 특징데이터를 도출할 수도 있다. 전자장치(110)는 획득한 특징데이터를 각 외부장치(120, 130, 140) ID와 대응하도록 저장하여 관리한다.
전자장치(110)는 각 외부장치(120, 130, 140)에 개별적으로 기 설정된 맞춤형 서비스를 제공할 수 있다. 맞춤형 서비스의 한 가지 예시로서, 소정의 제품에 관한 광고가 외부장치(120, 130, 140)에 제공되는 경우에 관해 설명한다. 광고 이외의 컨텐츠가 서비스로 제공되는 경우에도, 본 발명의 실시예가 응용되어 적용될 수 있다.
전자장치(110)는 특정 제품의 광고를 모든 외부장치(120, 130, 140)에 공통적으로 제공할 수도 있다. 그러나, 사용자의 성향 및 선호도가 서로 동일하지 않으므로, 해당 제품을 선호하는 사용자에게는 해당 광고가 상대적으로 유용하겠지만, 해당 제품을 선호하지 않는 사용자에게는 해당 광고가 유용하지 않을 수 있다. 즉, 전자장치(110)는 전자장치(110)가 관리하는 외부장치(120, 130, 140)의 사용자의 빅 데이터 내에서, 해당 제품을 선호하는 사용자들을 선별하고, 선별된 사용자들에 대해 맞춤형 광고를 제공한다.
따라서, 본 발명의 실시예에 관한 전자장치(110)는 소정의 서비스를 제공함에 있어서, 해당 서비스가 유용하다고 판단되는 성향 또는 특성이 1차적으로 결정되면, 이 결정된 성향 또는 특성과 동일 내지는 유사한 성향 또는 특성을 가진 사용자들 또는 외부장치(120, 130, 140)들을 2차적으로 선별한다. 전자장치(110)는 이와 같이 2차적으로 선별된 사용자들 또는 외부장치(120, 130, 140)들에 대해 해당 서비스를 제공한다. 이로써, 전자장치(110)는 특정 서비스를 제공함에 있어서, 유효하다고 판단되는 특성의 사용자들을 식별할 수 있다.
이하, 전자장치(110)의 구성에 관해 설명한다.
도 2는 전자장치의 구성 블록도이다.
도 2에 도시된 바와 같이, 전자장치(200)는 인터페이스부(210)를 포함할 수 있다. 인터페이스부(210)는 전자장치(200)가 복수의 외부장치(201, 202, 203)와 통신을 수행하고, 또한 데이터를 송수신하기 위한 인터페이스 회로를 포함한다. 인터페이스부(210)는 접속 방식에 따라서, 유선 통신연결을 위한 하나 이상의 유선인터페이스부(211)와, 무선 통신연결을 위한 하나 이상의 무선인터페이스부(212)를 포함한다. 본 실시예에서는 인터페이스부(210)가 유선인터페이스부(211) 및 무선인터페이스부(212)의 두가지를 모두 포함하는 경우이지만, 설계 방식에 따라서는 유선인터페이스부(211) 및 무선인터페이스부(212) 중 어느 하나만을 포함하는 경우도 가능하다.
유선인터페이스부(211)는 기 정의된 전송규격의 케이블이 접속되는 커넥터 또는 포트를 포함한다. 예를 들면, 유선인터페이스부(211)는 방송신호를 수신하도록 지상파 또는 위성방송 안테나에 접속되거나 케이블방송의 케이블이 접속되는 포트를 포함한다. 또는, 유선인터페이스부(211)는 다양한 영상처리장치와 접속하도록 HDMI, DP, DVI, 컴포넌트, 컴포지트, S-Video, 썬더볼트 등 다양한 유선전송규격의 케이블이 접속되는 포트를 포함한다. 또는, 유선인터페이스부(211)는 USB 기기와 접속하기 위한 USB 규격의 포트를 포함한다. 또는, 유선인터페이스부(211)는 광케이블이 접속되는 광포트를 포함한다. 또는, 유선인터페이스부(211)는 외부 마이크로폰이 접속되는 오디오 입력 포트와, 헤드셋, 이어폰, 외부 스피커 등이 접속되는 오디오 출력 포트를 포함한다. 또는, 유선인터페이스부(211)는 광역 네트워크에 접속하기 위해 게이트웨이, 라우터, 허브 등에 접속하는 이더넷 포트를 포함한다.
무선인터페이스부(212)는 다양한 종류의 무선통신 프로토콜에 대응하는 통신모듈, 통신칩 등의 구성요소들 중 적어도 하나 이상을 포함하는 양방향 통신회로를 포함한다. 예를 들면, 무선인터페이스부(212)는 와이파이(Wi-Fi) 방식에 따라서 AP(Access Point)와 무선통신을 수행하는 와이파이 통신칩과, 블루투스, Zigbee, Z-Wave, WirelessHD, WiGig, NFC 등의 무선통신을 수행하는 통신칩, IR 통신을 위한 IR 모듈, 모바일기기와 이동통신을 수행하는 이동통신칩 등을 포함한다.
전자장치(200)는 사용자입력부(220)를 포함할 수 있다. 사용자입력부(220)는 사용자의 입력을 수행하기 위해 사용자가 조작할 수 있도록 마련된 다양한 종류의 사용자 입력 인터페이스 관련 회로를 포함한다. 입출력 인터페이스라는 관점에서, 사용자입력부(220)는 인터페이스부(210)에 포함되는 구성으로 분류될 수도 있다. 사용자입력부(220)는 전자장치(200)의 종류에 따라서 여러 가지 형태의 구성이 가능하며, 예를 들면 전자장치(200)의 기계적 또는 전자적 버튼부, 터치패드, 센서, 카메라, 터치스크린, 전자장치(200)와 분리된 리모트 컨트롤러 등이 있다.
전자장치(200)는 저장부(230)를 포함할 수 있다. 저장부(230)는 디지털화된 데이터를 저장한다. 저장부(230)는 전원의 제공 유무와 무관하게 데이터를 보존할 수 있는 비휘발성의 스토리지(storage)와, 프로세서(240)에 의해 처리되기 위한 데이터가 로딩되며 전원이 제공되지 않으면 데이터를 보존할 수 없는 휘발성의 메모리(memory)를 포함한다. 스토리지에는 플래시메모리(flash-memory), HDD(hard-disc drive), SSD(solid-state drive) ROM(Read Only Memory) 등이 있으며, 메모리에는 버퍼(buffer), 램(RAM; Random Access Memory) 등이 있다.
전자장치(200)는 프로세서(240)를 포함할 수 있다. 프로세서(240)는 인쇄회로기판 상에 장착되는 CPU, 칩셋, 버퍼, 회로 등으로 구현되는 하나 이상의 하드웨어 프로세서를 포함하며, 설계 방식에 따라서는 SOC(system on chip)로 구현될 수도 있다. 프로세서(240)는 전자장치가 디스플레이장치로 구현되는 경우에 디멀티플렉서, 디코더, 스케일러, 오디오 DSP(Digital Signal Processor), 앰프 등의 다양한 프로세스에 대응하는 모듈들을 포함한다. 여기서, 이러한 모듈들 중 일부 또는 전체가 SOC로 구현될 수 있다. 예를 들면, 디멀티플렉서, 디코더, 스케일러 등 영상처리와 관련된 모듈이 영상처리 SOC로 구현되고, 오디오 DSP는 SOC와 별도의 칩셋으로 구현되는 것이 가능하다.
프로세서(240)는 통신 가능한 복수의 외부장치(201, 202, 203)을 사용자 ID에 따라서 식별한다. 프로세서(240)는 제공하고자 하는 서비스의 대상에 관한 조건이 입력되면, 다양한 사용자 ID를 포함하는 빅 데이터 내에서 해당 조건에 맞는 사용자 ID들을 선별하고, 선별된 사용자 ID들의 외부장치(201, 202, 203)에 해당 서비스를 제공한다.
이하, 본 발명의 실시예에 따른 프로세서(240)의 동작에 관해 설명한다.
도 3은 전자장치의 동작을 나타내는 플로우차트이다.
도 3에 도시된 바와 같이, 하기 동작은 전자장치(110, 200, 도 1 및 도 2 참조)의 프로세서(240, 도 2 참조)에 의해 수행된다.
310 단계에서 전자장치는 통신 가능한 복수의 외부장치 각각의 사용자를 식별한다. 전자장치는 연결된 각 외부장치의 사용자 ID를 가지고 해당 외부장치의 사용자를 식별할 수 있다.
320 단계에서 전자장치는 복수의 외부장치로부터 각 사용자의 특성데이터를 획득한다. 전자장치는 식별된 사용자의 외부장치로부터 특성데이터를 수신하며, 각 외부장치로부터 수신한 특성데이터에 의한 빅 데이터를 생성한다. 특성데이터는 다양한 기준 및 방식으로 마련될 수 있는데 예를 들면 벡터 데이터의 형태를 가질 수 있다.
330 단계에서 전자장치는 획득한 특성데이터를 분석하기 위한 대상에 관한 정보를 수신한다. 이러한 정보는 전자장치의 사용자에 의해 입력될 수 있는데, 예를 들면 사용자의 특성데이터에 의한 빅 데이터 내에서, 선별하고자 하는 사용자의 성향의 기준을 포함한다.
340 단계에서 전자장치는 수신된 정보에 기초하여, 앞서 획득한 특성데이터를 분석하기 위한 복수의 카테고리 및 기준특성을 식별한다. 여기서, 각 사용자의 특성데이터는 복수의 카테고리에 의해 분류되도록 정의되며, 카테고리의 내용 및 수는 한정되지 않는다. 구체적으로는, 한 명의 사용자의 특성데이터는 N개의 카테고리에 각기 대응하는 N개의 특성데이터를 포함한다(N은 자연수). 기준특성은 앞선 330 단계에서 수신되는, 빅 데이터 내에서 선별하고자 하는 사용자의 성향의 기준을 의미한다.
350 단계에서 전자장치는 식별된 복수의 카테고리 별로, 복수의 사용자 중에서 특성데이터가 상기한 식별된 기준특성에 대응하는 하나 이상의 사용자를 식별한다.
360 단계에서 전자장치는 식별된 하나 이상의 사용자에 관한 분석 결과를 출력한다.
이로써, 전자장치는 다양한 사용자의 성향에 관한 빅 데이터 중에서, 요구되는 성향의 사용자들을 용이하게 식별하고, 식별된 사용자들에 대해 맞춤형 서비스를 제공할 수 있다.
이하, 외부장치의 사용자 및 각 사용자의 특징데이터에 관해 설명한다.
도 4는 사용자 별 특징데이터의 테이블 형식을 나타내는 예시도이다.
도 4에 도시된 바와 같이, 전자장치(110, 200, 도 1 및 도 2 참조)는 예를 들면 통신 가능한 여러 외부장치의 사용자와, 각 사용자의 성향 또는 사용패턴에 관한 특징데이터를 테이블(400) 형식으로 저장할 수 있다. 본 실시예서 나타내는 테이블(400)은 전자장치가 특징데이터를 저장하는 방식의 하나의 예시에 불과하며, 전자장치가 데이터를 특징데이터를 저장하는 방식은 어느 한 가지로 한정되지 않는다.
전자장치는 통신 가능한 외부장치로부터 해당 외부장치의 사용자 ID를 획득함으로써, 사용자를 식별할 수 있다. 예를 들어 일 외부장치의 사용자가 사전 등록된 사용자 ID로 로그인을 시도하게 되면, 전자장치는 사용자 ID를 인증하여 해당 외부장치의 사용자를 식별한다.
또한, 전자장치는 각 사용자의 특성데이터를 각 외부장치로부터 획득할 수 있다. 사용자의 특성데이터는 사용자의 성향을 나타내는 데이터로서, 다양한 컨텐트에 대한 사용자의 사용 이력, 또는 다양한 컨텐트와 관련된 사용자의 행동 패턴을 나타낸다. 예를 들어 사용자의 성향은, 컨텐트의 장르 또는 종류 별 시청 패턴 및 선호 여부, 방송 프로그램의 다양한 채널의 선호 여부, 다양한 웹 사이트의 접속 패턴, 컨텐트의 시청 시간, 특정 종류의 물품에 관한 광고에 대한 선택 여부, VOD 컨텐트의 재선택 여부, 특정 어플리케이션의 실행 여부 등, 광범위한 사항을 포함한다.
어느 한 사용자와 관련된 특성데이터는 복수의 카테고리에 속한 복수의 데이터를 포함한다. 사용자 ID가 ID1인 사용자의 특성데이터는, V1 내지 VN (N은 2 이상의 자연수)의 총 N개의 카테고리 하의 데이터를 포함한다. 예를 들면, 사용자 ID가 ID1인 사용자에 대해, 카테고리 V1의 특성데이터는 V1(ID1), 카테고리 V2의 특성데이터는 V2(ID1), 카테고리 V3의 특성데이터는 V3(ID1), 카테고리 VN의 특성데이터는 VN(ID1)으로 편의상 나타내는 경우에, 모든 카테고리를 종합한 ID1인 사용자의 특성데이터는, [V1(ID1), V2(ID1), V3(ID1), ... VN(ID1)]가 된다. 본 테이블(400)에서 나타내는 사용자 ID 및 특성데이터의 기호는 상호 구별을 위해 편의상 도입된 것일 뿐, 그 자체적으로 특정한 수치를 나타내는 것은 아니다.
복수의 카테고리 V1 내지 VN 은 설계 방식에 따라서 다양한 사항을 포함할 수 있다. 예를 들어 복수의 카테고리가 사용자의 시청 패턴을 반영하여 구분된 경우, V1 은 어플리케이션 사용 패턴, V2 는 VOD 시청 패턴, V3 는 컨텐트 장르의 선호도, VN 은 방송채널 시청 패턴 등을 나타낼 수 있다. 특성데이터는 이러한 각 카테고리가 요구하는 사용자의 시청 패턴에 관한 데이터를 포함하며, 그 형식은 한정되지 않는다. 다만, 특성데이터는 M개 차원의 벡터값(M은 자연수)으로 표현됨으로써 유클리드 평면 상에 도시될 수 있게 마련된다.
이하, 특성데이터가 유클리드 평면 상에 나타내는 원리에 대해 간단히 설명한다.
도 5는 두 개 차원의 유클리드 평면 상에 특성데이터가 나타나는 원리를 간략히 나타내는 예시도이다.
도 5에 도시된 바와 같이, 프로그램이라는 카테고리 하에 제1프로그램 및 제2프로그램의 두 차원만을 포함하는 경우의 유클리드 평면(500)이 있다고 예시한다. 가로축은 일 사용자가 제1프로그램을 시청 또는 사용한 회수에 대응하며, 세로축은 해당 사용자가 제2프로그램을 시청 또는 사용한 회수에 대응한다.
유클리드 평면(500) 상에 나타나는 도트 A, B, C, D는 각각 제1프로그램 및 제2프로그램에 관련된 사용자의 행동 패턴을 나타내는 특성데이터에 해당한다. 예를 들어, 도트 A의 특성데이터는, 사용자가 제1프로그램을 상대적으로 많이 사용한 반면에 제2프로그램을 상대적으로 적게 사용한 패턴을 나타낸다. 도트 B의 특성데이터는, 사용자가 제1프로그램을 제2프로그램에 비해 약간 더 사용하기는 하였으나, 제1프로그램 및 제2프로그램 모두 적게 사용한 패턴을 나타낸다. 도트 C의 특성데이터는, 사용자가 제1프로그램을 상대적으로 적게 사용한 반면에 제2프로그램을 상대적으로 많이 사용한 패턴을 나타낸다. 도트 D의 특성데이터는, 사용자가 제1프로그램 및 제2프로그램을 거의 동일한 비율로 사용한 패턴을 나타낸다.
각 도트 별로 나타내는 패턴으로부터 다음과 같은 예측이 가능하다. 도트 A에 대응하는 사용자는 도트 B, C, D 각각에 대응하는 사용자에 비해 제1프로그램의 선호도가 높다고 볼 수 있다. 반면에, 도트 C에 대응하는 사용자는 도트 A, B, D 각각에 대응하는 사용자에 비해 제2프로그램의 선호도가 높다고 볼 수 있다. 도트 D에 대응하는 사용자는 제1프로그램 및 제2프로그램 모두에 대한 선호도가 높다고 볼 수 있다. 도트 B에 대응하는 사용자는 제1프로그램 및 제2프로그램 모두에 대한 선호도가 낮다고 볼 수 있다.
또한, 유클리드 평면(500) 상에서 도트 간의 거리, 즉 유클리드 거리(Euclidean Distance)는 성향의 유사도를 나타낸다. 상호 거리가 가까운 두 도트는 상대적으로 유사한 성향을 나타내며, 상호 거리가 먼 두 도트는 상대적으로 상이한 성향을 나타낸다. 예를 들면, 도트 A에 대응하는 사용자는, 도트 B 또는 C에 대응하는 사용자보다, 도트 D에 대응하는 사용자와 더 유사한 성향을 가진다고 볼 수 있다. 도트 C에 대응하는 사용자는, 도트 A 또는 B에 대응하는 사용자보다, 도트 D에 대응하는 사용자와 더 유사한 성향을 가진다고 볼 수 있다. 도트 D 및 도트 B 사이의 거리가, 도트 D 및 도트 A 사이의 거리 혹은 도트 D 및 도트 C 사이의 거리보다 멀리 떨어져 있으므로, 도트 B의 사용자는 도트 A 혹은 C의 사용자보다, 도트 D의 사용자와 더 상이한 성향을 가진다고 볼 수 있다.
이러한 예측을 기반으로, 제1프로그램과 유사한 성향의 프로그램을 선호하는 사용자를 식별하는 경우를 고려한다. 여러 가지 방법이 가능한데, 제1프로그램에 대한 사용 회수가 상대적으로 높다고 나타나는 도트 A, D 각각에 대응하는 사용자가 선택될 수 있다. 또는, 제1프로그램을 선호한다고 예측되는 도트 A가 지정되는 경우에, 도트 A로부터 유클리드 거리가 소정 문턱값 이하에 배치된 도트 D에 대응하는 사용자가 선택될 수도 있다.
같은 원리로, 제2프로그램을 선호한다고 예측되는 도트 C가 지정되는 경우에, 도트 C로부터 유클리드 거리가 소정 문턱값 이하에 배치된 도트 D에 대응하는 사용자가 선택될 수 있다. 해당 문턱값의 수치가 충분히 크다면, 도트 A에 대응하는 사용자도 선택될 수 있다.
본 실시예에서는 프로그램에 관한 하나의 카테고리 내에 제1프로그램 및 제2프로그램의 두 개의 차원만이 포함되는 경우에 관해 설명하였다. 그러나, 실질적으로는 사용자가 사용하는 프로그램이 두 가지만은 아니며, 보다 많은 수의 프로그램들이 고려 대상이 될 수 있다. 이러한 관점에서, 카테고리는 프로그램 등과 같은 M개의 사항에 관한 M개의 차원을 포함하며 (M은 셋 이상의 자연수), 해당 카테고리의 유클리드 평면(500) 또한 M개의 차원을 반영한다. 즉, 일 카테고리가 M개의 차원으로 설정되면, 복수의 사용자 각각에 관한 해당 카테고리의 특성데이터 또한 M개의 차원에 맞도록 마련된다. 따라서, 동일한 카테고리에 관한 유클리드 평면(500) 상에, 복수의 사용자 각각의 특성데이터가 도트로 표현될 수 있다.
유클리드 평면(500), 유클리드 거리 및 이와 관련된 보다 자세한 내용은, 이미 알려진 수학적 원리를 기반으로, 상기한 두 개의 차원에서 설명한 원리를 확장하면 용이하게 인지될 수 있는 사항이므로, 그 설명을 생략한다.
이하, 다양한 사용자의 성향에 관한 빅 데이터 중에서, 기준특성에 대응하는 성향의 사용자를 식별하는 방법에 관해 설명한다.
도 6은 하나의 기준특성이 입력된 경우에 일 카테고리의 유클리드 평면 상에서 유사한 특성데이터를 식별하는 한 가지 방법의 예시도이다.
도 6에 도시된 바와 같이, 일 카테고리의 유클리드 평면(600) 상에 복수의 사용자에 각기 대응하는 특성데이터가 도트로 표시된다. 전자장치(110, 200, 도 1 및 도 2 참조)는 통신 가능한 복수의 외부장치로부터 각 외부장치의 사용자의 성향을 나타내는 특성데이터를 획득할 수 있다. 본 도면의 경우에, dot1부터 dot11까지 총 11개의 사용자의 특성데이터가 나타나 있다.
전자장치는 인터페이스부(210, 도 2 참조) 또는 사용자입력부(220, 도 2 참조)를 통해 관심 대상이 되는 사용자 성향의 특성데이터, 즉 기준특성 데이터를 수신할 수 있다. 예를 들면, 광고 컨텐트를 제공하는 컨텐트제공자의 경우, 특정 프로그램을 선호하는 사용자들의 관심 대상이 될 수 있는데, 이 경우에 관심 대상이 되는 사용자들의 선별을 위한 기준특성 데이터가 요구된다. 전자장치는 인터페이스부(210, 도 2 참조)를 통해 컨텐트제공자의 장치로부터 기준특성 데이터를 수신하거나, 사용자입력부(220, 도 2 참조)를 통해 관리자로부터 기준특성 데이터를 입력받을 수도 있다. 여기서, 카테고리 당 기준특성 데이터는 하나일 수도 있고, 둘 이상일 수도 있다.
이하, 카테고리 당 기준특성 데이터가 하나인 경우에 관해 설명한다. 이 경우에, 기준특성 데이터는 유클리드 평면(600) 상에서 하나의 도트 dotr로 표시된다. 여기서, 기준특성 데이터 대비 유사도가 높은 사용자의 특성데이터를 식별하는 것에는 두 가지 기준이 이용 가능하다. 하나는, 도트 dotr로부터의 유클리드 거리가 소정의 문턱값 이내에 배치된 하나 이상의 도트를 식별하는 방법이다. 다른 하나는, 도트 dotr로부터의 유클리드 거리가 가까운 순서대로 배치된 도트들을 소정 개수만큼 식별하는 방법이다.
예를 들어, 유사도에 관한 유클리드 거리 L이 주어졌다고 예시한다. 전자장치는 유클리드 평면(600) 상에 기준특성 데이터의 도트 dotr로부터, 유클리드 거리 L의 범위 이내에 있는 모든 도트들을 식별한다. 본 도면의 경우에, 이 조건에 해당하는 도트는 dot5, dot6, dot8, dot9, dot10의 5개가 있다. 전자장치는 이들 식별된 도트들 각각의 사용자를, 요구 조건에 맞는 사용자로 식별한다.
도 7은 하나의 기준특성이 입력된 경우에 일 카테고리의 유클리드 평면 상에서 유사한 특성데이터를 식별하는 한 가지 방법의 예시도이다.
도 7에 도시된 바와 같이, 전자장치(110, 200, 도 1 및 도 2 참조)는 일 카테고리의 유클리드 평면(700) 상의 도트 중에서, 기준특성 데이터의 도트 dotr에 가장 가까운 순서대로 배치된 8개의 도트를 식별하도록 지정될 수도 있다. 사용자 성향의 특성데이터의 도트들 중에서, 도트 dotr에 가장 가까이 배치된 8개의 도트는, dot3, dot4, dot5, dot6, dot8, dot9, dot10, dot11이다. 전자장치는 이들 식별된 도트들 각각의 사용자를, 요구 조건에 맞는 사용자로 식별한다.
이러한 방법은, 빅 데이터 내에서 소정 수 이상의 사용자의 식별결과가 요구되는 경우에 적용될 수 있다. 설계 방식에 따라서는, 이상 설명한 두 가지 방법이 모두 적용될 수 있다. 예를 들면, 본 실시예와 같이 빅 데이터 내에서 소정 수 이상의 사용자를 식별하되, 기준특성 데이터로부터의 유클리드 거리가 문턱값보다 먼 도트에 대응하는 사용자를 배제하는 방법도 가능하다.
도 8은 두 기준특성이 입력된 경우에 일 카테고리의 유클리드 평면 상에서 유사한 특성데이터를 식별하는 방법의 예시도이다.
도 8에 도시된 바와 같이, 전자장치(110, 200, 도 1 및 도 2 참조)는 일 카테고리의 유클리드 평면(800) 상에서, 두 개의 기준특성 데이터에 대응하는 도트 dotr1 및 dotr2를 각각 표시할 수 있다. 이와 같이 복수의 기준특성이 입력되는 경우에, 전자장치는 여러 가지 방법에 따라서 유사도가 높은 사용자 대응 도트들을 식별할 수 있다. 한 가지 방법으로, 앞선 실시예와 같은 원리에 따라서, 전자장치는 기준특성 데이터에 대응하는 도트 dotr1 및 dotr2 각각에 대해 개별적으로 유클리드 거리 기반의 유사도를 적용하는 것이 가능하다.
다른 한 가지 방법으로, 전자장치는 복수의 기준특성 데이터에 대응하는 도트 dotr1 및 dotr2의 센트로이드(Centroid) C를 도출하여, 이를 기준으로 유클리드 거리 기반의 유사도를 적용할 수 있다. 센트로이드, 무게중심, 또는 도심은 평면 상의 소정 영역의 중심을 나타낸다. 센트로이드를 통하는 임의의 축에 관한 단면 1차 모멘트는 0이다. 단면 1차 모멘트 Sx는, 단면과 어느 축 x가 주어졌을 때, 매소 단면적 dA와 x축까지의 거리 y와의 전단면적에 대해서 구하고 총합한 것이다. 즉, 단면의 중심을 통하는 축에 대한 Sx0는, 0이다. 센트로이드는 주어진 영역 내에 포함되는 모든 점의 좌표값이 평균이 되는 다각형 내의 기하학적 중심으로서, 다각형을 구성하는 점들의 좌표 평균으로 구한다. 본 실시예의 경우에, 센트로이드 C는 복수의 기준특성 데이터에 대응하는 도트 dotr1 및 dotr2로부터 동일한 거리에 있는 위치의 지점이 된다. 본 실시예에서는 기준특성 데이터가 두 가지인 경우에 관해 설명하고 있으나, 기준특성 데이터가 셋 이상인 경우에도 동일한 원리가 적용될 수 있다.
전자장치는 도출된 센트로이드 C를 기준으로, 유클리드 평면(800) 상의 여러 도트들 중에서 유사도가 높은 도트들을 식별한다. 식별 방법은 앞선 실시예의 하나의 기준특성 데이터를 기준으로 식별하는 것과 실질적으로 동일하다.
전자장치는 이상 설명한 바와 같은 유클리드 평면 및 유클리드 거리의 방법을 사용하여, 기준특성 데이터 대비 각 사용자의 유사도를 산출한다. 각 카테고리 별 기준특성 데이터가 수신되면, 전자장치는 어느 한 사용자에 대해 각 카테고리에서 기준특성 데이터 대비 해당 사용자의 특성데이터의 유사도를 산출하고, 모든 카테고리의 유사도를 합산하여 해당 사용자의 최종 유사도를 산출한다. 모든 사용자의 최종 유사도가 산출되면, 전자장치는 상대적으로 높은 최종 유사도의 사용자들을 식별한다.
이와 같이 복수의 카테고리 각각에 대해 특성데이터의 유사도를 산출함으로써, 전자장치는 기준특성에 대한 각 사용자의 특성데이터의 유사도를 보다 정확하게 식별할 수 있다.
이 때, 최종 유사도를 산출하는 방법은 복수의 카테고리에 대해 가중치를 적용하지 않는 경우(또는 복수의 카테고리에 대해 동일한 가중치를 적용하는 경우)와, 복수의 카테고리에 대해 서로 상이한 가중치를 적용하는 경우의 두 가지가 있다. 특히, 후자의 경우는, 기준특성이 상대적으로 구체적이고 세부적인 요구사항을 포함하는 경우에, 해당 요구사항을 보다 정밀하게 반영하여 사용자들을 식별하고자 하는 상황에 활용될 수 있다.
이하, 복수의 카테고리에 대해 가중치를 적용하지 않는 경우 및 적용하지 않는 경우의 차이에 관해 설명한다.
도 9는 두 카테고리의 유클리드 평면에서 가중치를 적용하지 않는 경우 및 적용하는 경우의 차이를 나타내는 예시도이다.
도 9에 도시된 바와 같이, 서로 상이한 두 카테고리 V1 및 V2 각각의 유클리드 평면 상에, 사용자들의 카테고리 별 특성데이터에 대응하는 도트가 표시된다. 또한, 각 유클리드 평면 상에, 각 카테고리에 대한 기준특성 데이터에 대응하는 도트가 표시된다. 카테고리 V1에 대해서는 기준특성 데이터에 대응하는 도트 dotr1이, 카테고리 V2에 대해서는 기준특성 데이터에 대응하는 도트 dotr2가 표시된다.
예를 들어 유클리드 거리의 문턱값을 기준으로 각 카테고리 별 사용자의 도트를 식별하는 경우를 고려한다. 카테고리 V1에 유클리드 거리의 문턱값 L1이 설정된 경우, 도트 dotr1로부터 유클리드 거리 L1 이내의 도트들이 식별된다. 한편, 카테고리 V2에 유클리드 거리의 문턱값 L2 또는 L3가 설정된 경우, 도트 dotr2로부터 유클리드 거리 L2 또는 L3 이내의 도트들이 식별된다. 여기서, L2는 L1과 동일하고, L3는 L1보다 작다고 예시한다.
만일 카테고리 V2에 문턱값 L2가 설정되어 있다면, 카테고리 V1에서의 도트의 식별범위와 카테고리 V2에서의 도트의 식별범위는 동일한 면적을 나타낸다. 이는 카테고리 V1 및 카테고리 V2 각각의 가중치가 동일하다는 것을 나타낸다. 만일 기준특성의 전체 카테고리가 V1 및 V2의 두 가지 뿐이라면, 카테고리에 대해 가중치가 부여되지 않다는 것을 의미한다.
만일 카테고리 V2에 문턱값 L3가 설정되어 있다면, 카테고리 V1에서의 도트의 식별범위의 면적은 카테고리 V2에서의 도트의 식별범위의 면적보다 크다. 이는, 카테고리 V1에 대한 가중치가 카테고리 V2에 대한 가중치보다 크다는 것을 나타낸다. 이 경우에, 기준특성에 대한 유사도에서 카테고리 V1의 비중이 카테고리 V2의 비중보다 크게 나타난다.
이하, 어느 한 사용자의 기준특성 대비 최종 유사도를 산출하는 방법을, 카테고리 별 가중치를 반영하지 않는 경우 및 반영하는 경우를 각각 설명한다.
도 10은 카테고리 별 가중치를 반영하지 않는 경우에 어느 한 사용자의 기준특성 대비 최종 유사도를 산출하는 방법에 관한 예시도이다.
도 10에 도시된 바와 같이, 기준특성 데이터(1010) 및 사용자 ID1 의 특성데이터(1020)가 마련된다. 총 N개의 카테고리가 있을 때, 사용자 ID1 의 특성데이터(1020)는, V1 카테고리에 대한 특성데이터 V1(ID1), V2 카테고리에 대한 특성데이터 V2(ID1), V3 카테고리에 대한 특성데이터 V3(ID1), ... VN 카테고리에 대한 특성데이터 VN(ID1)을 포함한다. 한편, 기준특성 데이터(1010)는, V1 카테고리에 대한 기준특성 데이터 V1(RN), V2 카테고리에 대한 기준특성 데이터 V2(Rn), V3 카테고리에 대한 기준특성 데이터 V3(Rn), ... VN 카테고리에 대한 기준특성 데이터 VN(Rn)을 포함한다.
전자장치(110, 200, 도 1 및 도 2 참조)는 이러한 데이터에 기초하여, 카테고리 별로 기준특성 데이터(1010) 대비 사용자 ID1 의 특성데이터(1020)의 유사도(1030)를 산출한다. 예를 들면, V1 카테고리에서 사용자 ID1 의 특성데이터의 유사도는 V1(Rn:ID1), V2 카테고리에서 사용자 ID1 의 특성데이터의 유사도는 V2(Rn:ID1), V3 카테고리에서 사용자 ID1 의 특성데이터의 유사도는 V3(Rn:ID1), ... VN 카테고리에서 사용자 ID1 의 특성데이터의 유사도는 VN(Rn:ID1) 등으로 편의상 나타낼 수 있다.
각 카테고리 별 가중치를 부여하지 않는 경우에, 전자장치는 카테고리 별 사용자 ID1 의 특성데이터의 유사도(1030)를 합산하여, 사용자 ID1 의 특성데이터의 최종 유사도(1040)를 산출한다. 예를 들면, 사용자 ID1 의 특성데이터의 최종 유사도(1040)를 T(ID1)이라고 할 때, 다음과 같이 나타낼 수 있다.
T(ID1)=V1(Rn:ID1)+V2(Rn:ID1)+V3(Rn:ID1)+...+VN(Rn:ID1)
전자장치는 각 사용자에 대해 이러한 방식으로 최종 유사도(1040)를 산출하고, 각 사용자의 최종 유사도(1040)를 비교하여 소정 랭킹 이내의 최종 유사도(1040)를 나타내는 사용자들을 선별하거나, 최종 유사도(1040)의 소정 문턱값을 기준으로 사용자들을 선별할 수 있다.
도 11은 카테고리 별 가중치를 반영하는 경우에 어느 한 사용자의 기준특성 대비 최종 유사도를 산출하는 방법에 관한 예시도이다.
도 11에 도시된 바와 같이, 기준특성 데이터(1110) 및 사용자 ID1 의 특성데이터(1120)가 마련된다. 전자장치(110, 200, 도 1 및 도 2 참조)는 이러한 데이터에 기초하여, 카테고리 별로 기준특성 데이터(1110) 대비 사용자 ID1 의 특성데이터(1120)의 유사도(1130)를 산출한다. 이 단계까지의 내용은 앞선 도 10의 실시예와 동일하므로, 설명을 생략한다.
본 실시예에서는 복수의 카테고리 각각에 대해 가중치(1140)가 설정되며, 이 가중치는 전자장치의 관리자에 의해 입력되거나, 또는 기준특성 데이터를 제공하는 제공자로부터 제공될 수 있다. 예를 들면, V1 카테고리에 대한 가중치 W1, V2 카테고리에 대한 가중치 W2, V3 카테고리에 대한 가중치 W3, ... VN 카테고리에 대한 가중치 WN 등이 마련될 수 있다.
카테고리 별 가중치(1140)를 어떤 수치로 설정하는가에 관해서는 다양한 방법이 가능하므로, 가중치(1140)에 특정한 수치를 한정할 수 없다. 예를 들면, 가중치(1140)의 총 합, 즉 W1+W2+W3+...+WN 을 100%로 하고, 100% 범위 내에서 각 가중치(1140)의 비율을 기준특성에 따라서 조절되도록 마련될 수 있다. 기준특성에서 카테고리 V1의 중요도가 가장 높다면, 가중치(1140) W1의 비율이 타 가중치(1140)에 비해 높게 설정된다. 또는, 카테고리 별 가중치(1140)가 각기 상이한 수치를 가지도록 설정되고, 중요도가 높은 카테고리의 가중치(1140)가 타 카테고리의 가중치(1140)보다 상대적으로 높은 값을 가지도록 설정될 수 있다.
전자장치는 각 카테고리 별로 가중치(1140)를 유사도(1130)에 부여하여 합산함으로써 기준특성 대비 사용자 ID1 의 최종 유사도(1150)를 산출한다. 예를 들면, 사용자 ID1 의 특성데이터의 최종 유사도(1150)를 T(ID1)이라고 할 때, 다음과 같이 나타낼 수 있다.
T(ID1)=W1*V1(Rn:ID1)+W2*V2(Rn:ID1)+W3*V3(Rn:ID1)+...+WN*VN(Rn:ID1)
여기서 "*"는 곱셈기호일 수도 있고, 설계 방식에 따라서는 기 설정된 연산기호일 수도 있다. 각 카테고리 별 가중치(1140) 중에서 어느 가중치(1140)에 상대적으로 높은 값을 부여하는지에 따라서, 기준특성 대비 사용자의 특성데이터의 유사도는 달라지며, 결과적으로 최종 식별되는 사용자가 달라질 수 있다.
예를 들어, 기준특성이 "심야에 스포츠 채널을 시청"하는 사용자로 설정되는 경우를 고려한다. 이 경우에, 사용자의 특성데이터의 카테고리는 "심야", "스포츠", "방송채널"의 세 가지로 설정될 수 있다. 만일 카테고리 사이에 가중치의 차이를 두지 않는다면, 기준특성 대비 유사도가 높은 식별결과는 "심야에 활동하는 사용자", "스포츠를 좋아하는 사용자", "방송채널을 자주 시청하는 사용자"를 모두 포함할 것이다.
한편, "심야", "스포츠", "방송채널"의 세 카테고리 중에서 기준특성이 "스포츠"를 좋아하는 사용자에 보다 비중을 두는 경우를 고려할 수 있다. 이 경우에, "스포츠" 관련 카테고리에 상대적으로 높은 수치의 가중치가 설정되며, 기준특성 대비 유사도가 높은 식별결과는 "스포츠를 좋아하는 사용자"의 비율이 상대적으로 높아진다.
이와 같이, 기준특성이 중요시하는 카테고리의 가중치를 상대적으로 높게 설정함으로써, 전자장치는 기준특성에 보다 부합하는 성향의 사용자들을 식별할 수 있다.
이하, 전자장치가 빅 데이터 내에서 기준특성에 대비 유사한 성향의 사용자를 식별하는 과정에 관해 설명한다.
도 12는 카테고리 별 가중치를 설정 가능한 경우에 전자장치의 제어방법을 나타내는 플로우차트이다.
도 12에 도시된 바와 같이, 하기 동작은 전자장치(110, 200, 도 1 및 도 2 참조)의 프로세서에 의해 수행된다.
1210 단계에서 전자장치는 복수의 사용자의 복수의 카테고리 별 특성데이터를 저장한다.
1220 단계에서 전자장치는 복수의 카테고리 별 기준특성 데이터를 수신한다.
1230 단계에서 전자장치는 각 사용자에 대해 각 카테고리 별로 기준특성 대비 유사도를 산출한다.
1240 단계에서 전자장치는 각 카테고리 별로 가중치가 설정되어 있는지 여부를 식별한다.
각 카테고리 별로 가중치가 설정되어 있다고 식별되면(1240 단계에서 "Yes"로 이행), 1250 단계에서 전자장치는 각 카테고리 별 유사도에 대응 가중치를 부여하여 합산함으로써 각 사용자의 최종 유사도를 산출한다.
반면에 각 카테고리 별로 가중치가 설정되어 있지 않다고 식별되면(1240 단계에서 "No"로 이행), 1260 단계에서 전자장치는 카테고리 별 유사도를 합산하여 각 사용자의 최종 유사도를 산출한다.
1270 단계에서 전자장치는 산출된 각 사용자의 최종 유사도에 기초하여, 기준특성 대비 유사도가 높은 성향의 사용자들을 식별한다.
이하, 본 발명의 실시예에 따른 카테고리 및 가중치에 관련된 전자장치의 동작에 관해 추가적으로 설명한다.
한 가지 예시로서, 전자장치는 카테고리 및 가중치 중에서 가중치만을 입력받을 수 있다. 전자장치는 복수의 카테고리 및 각 카테고리 별로 가중치를 지정 또는 입력할 수 있는 UI를 표시한다. 사용자가 UI를 통해 카테고리 별 가중치를 입력하면, 전자장치는 UI를 통해 입력된 가중치를 획득한다. 여기서, 복수의 카테고리는 사전에 정해질 수도 있고, 기준특성에 기초하여 대응하는 복수의 카테고리가 자동으로 선별될 수도 있다. 자동 선별의 경우에, AI 알고리즘을 비롯한 다양한 판단 방법이 이용될 수 있다.
한 가지 예시로서, 전자장치는 카테고리 및 가중치를 모두 입력받을 수도 있다. 전자장치는 UI를 표시할 수 있으며, 본 UI는 복수의 카테고리 중 분석할 카테고리를 선택하고, 선택된 각 카테고리 별로 가중치를 지정하도록 마련된다.
한 가지 예시로서, 전자장치는 카테고리 및 가중치 중에서 카테고리만을 입력받을 수도 있다. 전자장치는 복수의 카테고리 중 분석할 카테고리를 선택 가능하게 마련된 UI를 표시하고, 사용자에 의해 UI를 통해 선택된 카테고리를 식별한다. 이 경우에, 선택된 각 카테고리에 부여할 가중치는 사전에 정해진 값이거나, 또는 기준특성에 기초하여 각 카테고리 별로 대응하는 값이 자동으로 지정될 수 있다. 카테고리 별로 가중치가 자동으로 지정되는 경우에, 지정되는 값은 AI 알고리즘을 비롯한 다양한 판단 방법이 이용되어 결정될 수 있다.
한편, 인공지능 모델을 이용하여 상기 전자장치의 제어방법을 수행할 수도 있다.
본 발명의 실시예에 따른 전자장치의 제어방법에 있어서, 기준특성 데이터가 수신되었을 때에 각 카테고리 별로 가중치를 설정하거나, 설정된 가중치를 각 카테고리 별 유사도에 부여하여 최종 유사도를 산출하거나, 산출된 각 사용자의 최종 유사도에 기반하여 유사도가 높은 성향의 사용자들을 식별하는 기준(랭킹, 문턱값)을 결정하는 방법들 중 적어도 하나를 실행하기 위해 인공지능 모델을 이용할 수 있다. 또한, 전자장치의 프로세서는 입력되는 데이터를 인공지능 모델의 입력으로 사용하는 데에 적합한 형태로 변환할 수 있다. 인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어 각각은 복수의 가중치들을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다.
추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론(Knowledge based Reasoning), 최적화 예측(Optimization Prediction), 선호 기반 계획(Preference-based Planning), 추천(Recommendation) 등을 포함한다.
예를 들어 전자장치는 기준특성 데이터가 수신되면, 기준특성 데이터의 각 카테고리 중에서 어떠한 카테고리가 중요한지에 관해, 중요하다고 판단된 카테고리에 대해 어느 정도의 가중치를 설정할 것인지에 관해, 인공지능 모델을 사용하여 판단할 수 있다. 또한 앞서 설명한 실시예에서 설명한 바와 같은 분석 동작이 반복됨에 따라서 학습을 진행하여, 카테고리 또는 가중치의 설정을 조정할 수도 있다.
본 발명의 예시적 실시예에 따른 방법들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이러한 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 예를 들어, 컴퓨터 판독 가능 매체는 삭제 가능 또는 재기록 가능 여부와 상관없이, USB 메모리장치와 같은 비휘발성 저장 장치, 또는 예를 들어 RAM, ROM, 플래시메모리, 메모리 칩, 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 발명의 실시 예들을 구현하는 지시들을 포함하는 프로그램 또는 프로그램들을 저장하기에 적합한 기계로 읽을 수 있는 저장 매체의 한 예임을 알 수 있을 것이다. 본 저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어의 기술 분야에서 숙련된 기술자에게 공지되어 사용 가능한 것일 수도 있다. 또는, 본 컴퓨터 프로그램 명령은 컴퓨터 프로그램 프로덕트에 의해 구현될 수도 있다.
200 : 전자장치
201, 202, 203 : 외부장치
210 : 인터페이스부
240 : 프로세서

Claims (20)

  1. 전자장치에 있어서,
    인터페이스부와,
    상기 인터페이스부를 통해 복수의 사용자의 특성데이터를 획득하고,
    상기 인터페이스부를 통해 수신되는 입력에 따라서, 상기 획득한 특성데이터를 분석하기 위한 복수의 카테고리 및 기준특성을 식별하고,
    상기 식별된 복수의 카테고리 별로 상기 복수의 사용자 중에서 상기 특성데이터가 상기 기준특성에 대응하는 하나 이상의 사용자를 식별하고,
    상기 식별된 하나 이상의 사용자에 관한 분석 결과를 출력하는 프로세서를 포함하는 전자장치.
  2. 제1항에 있어서,
    상기 프로세서는, 각각의 상기 사용자에 대해 상기 복수의 카테고리 별로 가중치를 부여하고, 상기 가중치가 부여된 상기복수의 카테고리에 기초하여 상기기준특성에 대응하는 사용자를 식별하는 전자장치.
  3. 제1항에 있어서,
    상기 프로세서는, 각각의 상기 사용자의 특성데이터에 대해 상기 복수의 카테고리 별로 상기 기준특성 대비 제1유사도를 산출하며, 상기 복수의 카테고리 별로 산출된 제1유사도를 통합하여 제2유사도를 산출하고, 상기 산출된 제2유사도에 기초하여 상기 기준특성에 대응하는 사용자를 식별하는 전자장치.
  4. 제3항에 있어서,
    상기 프로세서는, 상기 기준특성 대비 상기 제2유사도가 소정 랭킹 이상의 사용자를 상기 기준특성에 대응하는 사용자로 식별하는 전자장치.
  5. 제3항에 있어서,
    상기 프로세서는, 상기 기준특성 대비 상기 제2유사도가 문턱값 이상인 사용자를 상기기준특성에 대응하는 사용자로 식별하는 전자장치.
  6. 제3항에 있어서,
    상기 프로세서는, 상기 복수의 카테고리 별 제1유사도 각각에 대해 상기 복수의 카테고리 별로 설정된 대응가중치를 부여하는 전자장치.
  7. 제6항에 있어서,
    상기 가중치는 상기 기준특성에 의해 상기 복수의 카테고리 별로 요구되는 중요도에 따라서 각기 상이하게 마련되는 전자장치.
  8. 제1항에 있어서,
    상기 사용자의 특성데이터는, 외부장치의 사용 이력으로부터 도출된 상기 사용자의 행동 패턴에 기반한 벡터값을 포함하는 전자장치.
  9. 제1항에 있어서,
    상기 프로세서는, 상기 기준특성 및 상기 사용자의 특성데이터 사이의 유클리드 거리에 기반하여, 상기 특성데이터가 상기 기준특성에 대응하는지 여부를 식별하는 전자장치.
  10. 제9항에 있어서,
    상기 프로세서는, 복수의 상기 기준특성의 센트로이드를 도출하고, 상기 도출된 센트로이드 및 상기 사용자의 특성데이터 사이의 유클리드 거리에 기반하여, 상기 특성데이터가 상기 기준특성에 대응하는지 여부를 식별하는 전자장치.
  11. 제10항에 있어서,
    상기 센트로이드는, 유클리드 평면 상에서 상기 복수의 기준특성의 좌표값의 평균인 전자장치.
  12. 전자장치의 제어방법에 있어서,
    복수의 사용자의 특성데이터를 획득하는 단계와,
    수신되는 입력에 따라서, 상기 획득한 특성데이터를 분석하기 위한 복수의 카테고리 및 기준특성을 식별하는 단계와,
    상기 식별된 복수의 카테고리 별로 상기 복수의 사용자 중에서 상기 특성데이터가 상기 기준특성에 대응하는 하나 이상의 사용자를 식별하는 단계와,
    상기 식별된 하나 이상의 사용자에 관한 분석 결과를 출력하는 단계를 포함하는 전자장치의 제어방법.
  13. 제12항에 있어서,
    각각의 상기 사용자에 대해 상기 복수의 카테고리 별로 가중치를 부여하고, 상기 가중치가 부여된 상기 복수의 카테고리에 기초하여 상기 기준특성에 대응하는 사용자를 식별하는 전자장치의 제어방법.
  14. 제12항에 있어서,
    각각의 상기 사용자의 특성데이터에 대해 상기 복수의 카테고리 별로 상기 기준특성 대비 제1유사도를 산출하며, 상기 복수의 카테고리 별로 산출된 제1유사도를 통합하여 제2유사도를 산출하고, 상기 산출된 제2유사도에 기초하여 상기 기준특성에 대응하는 사용자를 식별하는 전자장치의 제어방법.
  15. 제14항에 있어서,
    상기 기준특성 대비 상기 제2유사도가 소정 랭킹 이상의 사용자를 상기 기준특성에 대응하는 사용자로 식별하는 전자장치의 제어방법.
  16. 제14항에 있어서,
    상기 기준특성 대비 상기 제2유사도가 문턱값 이상인 사용자를 상기 기준특성에 대응하는 사용자로 식별하는 전자장치의 제어방법.
  17. 제14항에 있어서,
    상기 복수의 카테고리 별 제1유사도 각각에 대해 상기 복수의 카테고리 별로 설정된 대응 가중치를 부여하는 전자장치의 제어방법.
  18. 제17항에 있어서,
    상기 가중치는 상기 기준특성에 의해 상기 복수의 카테고리 별로 요구되는 중요도에 따라서 각기 상이하게 마련되는 전자장치의 제어방법.
  19. 제12항에 있어서,
    상기 사용자의 특성데이터는, 외부장치의 사용 이력으로부터 도출된 상기 사용자의 행동 패턴에 기반한 벡터값을 포함하는 전자장치의 제어방법.
  20. 제12항에 있어서,
    상기 기준특성 및 상기 사용자의 특성데이터 사이의 유클리드 거리에 기반하여, 상기 특성데이터가 상기 기준특성에 대응하는지 여부를 식별하는 전자장치의 제어방법.
KR1020200069605A 2020-06-09 2020-06-09 전자장치 및 그 제어방법 KR20210152739A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200069605A KR20210152739A (ko) 2020-06-09 2020-06-09 전자장치 및 그 제어방법
PCT/KR2021/003670 WO2021251599A1 (en) 2020-06-09 2021-03-24 Electronic apparatus and control method thereof
US17/231,486 US11651392B2 (en) 2020-06-09 2021-04-15 Electronic apparatus and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200069605A KR20210152739A (ko) 2020-06-09 2020-06-09 전자장치 및 그 제어방법

Publications (1)

Publication Number Publication Date
KR20210152739A true KR20210152739A (ko) 2021-12-16

Family

ID=78817478

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200069605A KR20210152739A (ko) 2020-06-09 2020-06-09 전자장치 및 그 제어방법

Country Status (3)

Country Link
US (1) US11651392B2 (ko)
KR (1) KR20210152739A (ko)
WO (1) WO2021251599A1 (ko)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7877387B2 (en) 2005-09-30 2011-01-25 Strands, Inc. Systems and methods for promotional media item selection and promotional program unit generation
US8635103B1 (en) 2008-03-11 2014-01-21 Google Inc. Contextual targeting prediction
US8255949B1 (en) 2009-01-07 2012-08-28 Google Inc. Television program targeting for advertising
KR101010997B1 (ko) * 2009-03-24 2011-01-26 한국과학기술원 다종 웹 서버 간 유사 사용자 추출 시스템 및 그 방법
US8676828B1 (en) 2009-11-04 2014-03-18 Google Inc. Selecting and presenting content relevant to user input
KR101840426B1 (ko) 2010-09-01 2018-03-22 구글 엘엘씨 사용자 목록 식별
WO2013181636A2 (en) * 2012-06-01 2013-12-05 Kimmerling Kurt L System and method for eliciting information and generating pricing information
US10373197B2 (en) 2012-12-24 2019-08-06 Adobe Inc. Tunable algorithmic segments
KR20140138379A (ko) * 2013-05-22 2014-12-04 (주) 미디어인터랙티브 관계성 매트릭스를 이용하여 서비스를 제공하는 방법, 서버 및 컴퓨터 판독 가능한 기록 매체
KR102206001B1 (ko) * 2014-02-26 2021-01-21 에스케이플래닛 주식회사 사용자 행위에 기반한 전자서적 추천 장치 및 방법
JP6362465B2 (ja) * 2014-07-23 2018-07-25 株式会社ソニー・インタラクティブエンタテインメント 情報処理装置
US9681159B2 (en) 2015-07-27 2017-06-13 Adobe Systems Incorporated Creating audience segments for campaigns
US10242386B2 (en) * 2015-12-16 2019-03-26 Facebook, Inc. Grouping users into tiers based on similarity to a group of seed users
US10346871B2 (en) 2016-04-22 2019-07-09 Facebook, Inc. Automatic targeting of content by clustering based on user feedback data

Also Published As

Publication number Publication date
US11651392B2 (en) 2023-05-16
WO2021251599A1 (en) 2021-12-16
US20210382806A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
US20210084360A1 (en) Methods and systems for displaying content
US20180349946A1 (en) System, method and architecture for real-time native advertisement placement in an augmented/mixed reality (ar/mr) environment
US11397764B2 (en) Machine learning for digital image selection across object variations
CN110246110B (zh) 图像评估方法、装置及存储介质
EP3905179A1 (en) Product recommendation method, product recommendation system and storage medium
US20160110761A1 (en) Finding the space spanned by user profiles from binary feedback
US9325754B2 (en) Information processing device and information processing method
US20200074481A1 (en) System, method, and device for analyzing media asset data
WO2015149321A1 (en) Personal digital engine for user empowerment and method to operate the same
CN115657846A (zh) 一种基于vr数字内容的互动方法和系统
CN112511849A (zh) 一种游戏显示方法、装置、设备、系统及存储介质
US10623578B2 (en) Computer system, method for providing API, and program
KR102416421B1 (ko) 터치 패드 입력을 갖는 게임 컨트롤러
US20230396756A1 (en) Methods and systems for displaying content
KR20210051349A (ko) 전자장치 및 그 제어방법
KR20210152739A (ko) 전자장치 및 그 제어방법
US20200077151A1 (en) Automated Content Recommendation Using a Metadata Based Content Map
US11778277B1 (en) Digital item processing for video streams
US20210074044A1 (en) Method, server, and recording medium for creating composite image
US10126821B2 (en) Information processing method and information processing device
US20150326927A1 (en) Portable Device Account Monitoring
KR101548514B1 (ko) 서비스 단말 매칭 시스템 및 방법
US20240160456A1 (en) Method and electronic device for providing personalized menu
US11843829B1 (en) Systems and methods for recommending content items based on an identified posture
CN110909206B (zh) 用于输出信息的方法和装置

Legal Events

Date Code Title Description
A201 Request for examination