KR101933559B1 - 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 - Google Patents
딥러닝 기반의 sns 역기능 개선 시스템 및 방법 Download PDFInfo
- Publication number
- KR101933559B1 KR101933559B1 KR1020170098625A KR20170098625A KR101933559B1 KR 101933559 B1 KR101933559 B1 KR 101933559B1 KR 1020170098625 A KR1020170098625 A KR 1020170098625A KR 20170098625 A KR20170098625 A KR 20170098625A KR 101933559 B1 KR101933559 B1 KR 101933559B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- preference
- server
- subject
- level
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title abstract description 29
- 230000004064 dysfunction Effects 0.000 title abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 199
- 230000000694 effects Effects 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 14
- 230000000903 blocking effect Effects 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000003340 mental effect Effects 0.000 abstract 1
- 230000000116 mitigating effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 230000006872 improvement Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 저장하는 사용자 인터페이스 서버, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 외부 연계 서버, 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장하는 상황인식 서버, 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 분석 서버 및 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 서비스 관리 서버를 포함한다.
Description
본 발명은 딥러닝 기반의 SNS 역기능 개선 시스템 및 방법에 관한 것으로, 보다 상세하게는 이용자들 사이에서 안정성, 연관성 및 적절성을 제공할 수 있는 딥러닝 기반의 SNS 역기능 개선에 관한 것이다.
최근 인터넷 기술이 발전하면서, 많은 사람들이 소셜 네트워크 서비스(Social Network Service, SNS)를 이용하고 있다. SNS는 온라인 공간에서 사용자로 하여금 인적 네트워크를 구축할 수 있도록 하는 서비스로서, 인맥관리서비스, 사회연결망서비스, 커뮤니티형 웹사이트라는 용어로 설명되기도 한다.
이러한 SNS의 서비스의 요체는 일정한 절차를 통해 참가자들끼리 특정 관계를 형성하고, 그 범위를 점점 넓혀서 결국은 참가자들 사이의 광범위한 상호작용을 긴밀한 방식으로 중계하는 것으로 볼 수 있다. 대표적인 SNS로는 페이스북, 트위터, 마이스페이스 등을 들 수 있다.
이 중 페이스북의 경우 엣지 링크 알고리즘은 친밀도, 가중치 및 시간의 세가지 요소를 기점으로 상위 노출 게시물을 결정하고 있으며, 친밀도의 경우 사용자가 '댓글', '좋아요' 및 '공유'행위를 표시한 컨텐츠 위주로 가중치를 두고 있고, 가중치의 경우 사진, 영상, 텍스트 및 링크 순으로 가중치를 두고 있으며, 새로 포스팅한 게시물일수록 노출 빈도가 올라가는 특징을 가진다.
이러한 SNS는 많은 사람들에게 유익한 정보의 제공 및 인간 관계의 확장이라는 장점을 제공하고 있으나, SNS의 특성상 불특정 다수에게 아무런 제약없이 노출되고 있어 사회적 문제점과 역기능을 동시에 가지고 있다.
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 SNS 역기능을 최소화할 수 있는 딥러닝 기반의 SNS 역기능 개선 시스템을 제공하는 것이다.
또한, 본 발명의 다른 목적은 SNS 역기능을 최소화할 수 있는 딥러닝 기반의 SNS 역기능 개선 방법을 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 저장하는 사용자 인터페이스 서버, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 외부 연계 서버, 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장하는 상황인식 서버, 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 분석 서버 및 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 서비스 관리 서버를 포함한다.
본 발명의 일 실시예에 있어서, 상기 분석 서버는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계, 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계, 상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 이용하여 선호도를 분석할 수 있다.
본 발명의 일 실시예에 있어서, 상기 기본값은 사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도 및 상기 주체와 객체의 상호작용이 반영된 선호도를 포함할 수 있다. 상기 추가값은 주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도, 객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도 및 상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의될 수 있다.
여기서, 
은 제1 레벨 분석 단계에서 분석된 선호도, 
는 제2 레벨 분석 단계에서 분석된 선호도, 
는 제3 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제3 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제3 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 선제적 차단 및 선별적 노출 서비스를 포함할 수 있다. 상기 선제적 차단 및 선별적 노출 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서 상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 선제적 차단 후, 상기 제3 사용자의 활동에 따른 제1 사용자의 제3 사용자에 대한 선호도 변화에 따라 제1 사용자의 SNS에 대한 제3 사용자의 접근을 단계적으로 허용할 수 있다.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 과제 도우미 서비스를 포함할 수 있다. 상기 분석 서버는 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천할 수 있다.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 음식 추천 서비스를 포함할 수 있다. 상기 분석 서버는 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천할 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법은 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 사용자 인터페이스 서버에 저장하는 단계, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 외부 연계 서버에 저장하는 단계, 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 상황인식 서버에 저장하는 단계, 분석 서버가 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 단계 및 서비스 관리 서버가 상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 단계를 포함한다.
본 발명의 일 실시예에 있어서, 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 분석하는 단계는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계, 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계, 상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 기본값은 사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도 및 상기 주체와 객체의 상호작용이 반영된 선호도를 포함할 수 있다. 상기 추가값은 주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도, 객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도 및 상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의될 수 있다.
여기서, 
은 제1 레벨 분석 단계에서 분석된 선호도, 
는 제2 레벨 분석 단계에서 분석된 선호도, 
는 제3 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제3 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제3 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 선제적 차단 및 선별적 노출 서비스를 포함할 수 있다. 상기 선제적 차단 및 선별적 노출 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서 상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 선제적 차단 후, 상기 제3 사용자의 활동에 따른 제1 사용자의 제3 사용자에 대한 선호도 변화에 따라 제1 사용자의 SNS에 대한 제3 사용자의 접근을 단계적으로 허용할 수 있다.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 과제 도우미 서비스를 포함할 수 있다. 상기 분석 서버는 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천할 수 있다.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 음식 추천 서비스를 포함할 수 있다. 상기 분석 서버는 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천할 수 있다.
본 발명에 따르면, 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 단순한 취향 분석이 아닌 다른 사용자와의 상호 작용에서 발생되는 정보 및 사용자의 활동 변화에 의해 추가되거나 변동되는 정보를 즉각적으로 반영하여 선호도를 분석한다. 따라서, 기계적인 추천 서비스가 아닌 사용자의 상황에 맞는 맞춤형 서비스의 제공이 가능하다.
또한, 본 발명에 따른 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 상황에 맞는 맞춤형 서비스가 가능하므로, 무분별한 노출 및 원하지 않는 타 사용자의 접근을 차단할 수 있으므로 SNS 역기능을 개선할 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 시스템을 나타내는 블럭도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법을 나타내는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 선호도 분석 단계를 나타내는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법을 나타내는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 선호도 분석 단계를 나타내는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 시스템을 나타내는 블럭도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 시스템(10)은 사용자 인터페이스 서버(100), 외부 연계 서버(200), 상황 인식 서버(300), 분석 서버(400) 및 서비스 관리 서버(500)를 포함한다.
상기 사용자 인터페이스 서버(100)는 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 저장한다. 상기 사용자 인터페이스 서버(100)에서는 사용자가 자주 접속하는 사이트, 사이트 내에서 관심을 갖는 대상 등의 활동 정보에 관한 데이터를 수집하고 저장할 수 있다.
상기 외부 연계 서버(200)는 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장한다. 상기 외부 연계 서버(200)는 예를 들어, 페이스북, 인스타그램, 네이버 블로그 또는 카카오톡 등과 연계되어 사용자들이 다른 사용자들과의 상호 관계에서 이루어지는 활동에 관한 데이터를 수집하고 저장할 수 있다.
상기 상황 인식 서버(300)는 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장한다. 상기 상황 인식 서버(300)는 기온, 습도, 강수량, 풍향 및 주거지역에 관한 정보 등의 환경 정보, 사용자의 시각 인지 반응, 공간 인지 반응, 언어 인지 반응 및 스토리 반응 등의 인지 정보 및 웨어러블 기기 등으로부터 수집되는 심전도, 뇌파 및 체온 등의 정보를 포함하는 행위 정보를 수집하고 저장할 수 있다. 따라서, 상황 인식 서버(300)는 특정 상황에 대한 사용자의 감정 또는 행동의 변화에 관한 데이터를 저장하고 있으므로 유사한 상황에 대한 사용자의 선호도 등을 예측하는데 이러한 데이터를 이용할 수 있다.
상기 분석 서버(400)는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석한다.
상기 분석 서버(400)는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계, 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계, 상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 이용하여 선호도를 분석할 수 있다.
따라서, 미리 프로그래밍된 이벤트 조건에 따라 다음의 행위를 결정하는 일반적인 방식과 달리, 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하여 선호도를 분석하며, 인공 신경망 방법에 의해 변화되는 레벨 별 추이가 다음 레벨의 분석에 전이되어 다음 레벨의 분석에 영향을 미치게 된다. 따라서, 사용자의 활동 변화에 따른 심리적인 변화 및 선호도의 변화 등이 즉시 선호도 분석에 반영될 수 있으므로, 사용자의 선호도에 맞는 맞춤형 서비스 제공이 가능하다.
상기 서비스 관리 서버(500)는 상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공한다. 상기 서비스 관리 서버(500)가 제공하는 맞춤형 서비스에 대하여는 도 4 내지 도 7을 참조하여 상세하게 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법을 나타내는 순서도이다. 도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 선호도 분석 단계를 나타내는 순서도이다.
도 2 및 도 3을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법은 각각의 서버에 데이터를 저장하는 단계(S100), 각각의 서버로부터 데이터를 수집하는 단계(S200), 수집된 데이터를 이용하여 선호도를 분석하는 단계(S300) 및 상기 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 단계(S400)를 포함한다.
상기 각각의 서버에 데이터를 저장하는 단계(S100)에서는 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 사용자 인터페이스 서버에 저장하는 단계, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 외부 연계 서버에 저장하는 단계 및 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 상황인식 서버에 저장하는 단계를 포함할 수 있다.
상기 각각의 서버에 데이터들이 저장되면, 각각의 서버로부터 데이터를 수집하는 단계(S200)에서 선호도 분석에 필요한 데이터를 수집할 수 있다.
상기 수집된 데이터를 이용하여 선호도를 분석하는 단계(S300)에서는 분석 서버가 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석한다.
상기 수집된 데이터를 이용하여 선호도를 분석하는 단계(S300)는 제1 레벨 분석 단계(S310), 제2 레벨 분석 단계(S320), 제3 레벨 분석 단계(S330), 제3 레벨 분석 결과를 저장하는 단계(S340), 추가값이 있는지 확인하는 단계(S350) 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 포함할 수 있다.
상기 제1 레벨 분석 단계(S310)에서는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석한다. 상기 제1 레벨 분석 단계(S310)에서는 각각의 서버에 저장되어 있는 데이터 중에서 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도에 관련된 데이터를 중심으로 사용자의 선호도를 분석한다.
상기 제1 레벨 분석 단계(S310)에서는 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 선호도를 분석한다. 상기 제1 레벨 분석 단계(S310)에서 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 분석되는 선호도는 다음의 수학식 1에 의해 정의될 수 있다.
수학식 1
여기서, 
은 제1 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
상기 제2 레벨 분석 단계(S320)에서는 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 사용자의 선호도를 분석한다.
상기 제2 레벨 분석 단계(S320)에서는 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하고, 여기에 상기 제1 레벨 분석 단계(S310)에서 분석된 결과를 반영하여 선호도를 분석한다. 상기 제2 레벨 분석 단계(S320)에서 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 분석되는 선호도는 다음의 수학식 2에 의해 정의될 수 있다.
수학식 2
여기서, 
는 제2 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
상기 제3 레벨 분석 단계(S330)에서는 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석한다. 따라서, 상기 제2 레벨 분석 단계에서의 추가값에 의한 변화의 추이가 상기 제3 레벨 분석 단계로 전이될 수 있다.
상기 제3 레벨 분석 단계(S330)에서는 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하고, 여기에 상기 제2 레벨 분석 단계(S320)에서 분석된 결과를 반영하여 선호도를 분석한다. 상기 제3 레벨 분석 단계(S330)에서 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 분석되는 선호도는 다음의 수학식 3에 의해 정의될 수 있다.
수학식 3
여기서, 
는 제3 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제3 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제3 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
즉, 제1 내지 제3 레벨 분석 단계에서는 각각 객체의 주체에 대한 선호도와 주체의 객체에 대한 선호도를 중재하여 선호도를 분석하며, 제1 레벨 분석 단계의 분석결과가 제2 레벨 분석 단계의 분석에 반영되고, 제1 레벨 분석 단계의 분석 결과가 반영된 제2 레벨 분석 단계의 분석 결과는 제3 레벨 분석 단계의 분석에 반영된다.
이후, 제3 레벨 분석 결과를 저장하는 단계(S340)에서는 상기 제3 레벨 분석 단계(S330)의 분석 결과를 기본값으로 저장한다. 따라서, 상기 제1 레벨 분석 단계 내지 상기 제3 레벨 분석 단계에서 수행된 분석 결과는 기본값으로 저장되고, 이후 사용자의 활동에 의해 새롭게 추가되거나 변경되는 추가값을 반영하여 다시 선호도를 재분석할 수 있다. 따라서, 사용자의 활동 등에 의해 변화되는 사용자의 심리 또는 선호도의 변화 등을 즉각적으로 반영할 수 있다.
이후, 추가값이 있는지 확인하는 단계(S350)에서는 상기 제1 레벨 분석 단계 내지 상기 제3 레벨 분석 단계 수행 후 새롭게 추가된 추가값이 있는지 여부를 판단한다. 추가값이 없는 경우에는 선호도 분석을 종료하고, 추가값이 있는 경우에는 추가값을 반영하여 상기 제1 레벨 분석 단계 내지 상기 제3 레벨 분석 단계를 반복한다.
주체의 객체에 대한 선호도 및 객체의 주체에 대한 선호도를 이용하여 선호도를 분석하는 단계(S330)에서는 상기 주체의 객체에 대한 제1 내지 제3 레벨 분석을 하는 단계(S310) 및 상기 객체의 주체에 대한 제1 내지 제3 레벨 분석을 하는 단계(S320)에서 분석된 결과들을 이용하여 중재(arbitration)가 일어난다. 따라서, 이 단계(S330)를 통해 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도가 적절히 반영된 선호도가 분석될 수 있다.
여기서 상기 기본값은 사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도 및 상기 주체와 객체의 상호작용이 반영된 선호도를 포함할 수 있다. 또한, 상기 추가값은 주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도, 객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도 및 상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함할 수 있다. 즉, 상기 기본값은 각각의 서버에 저장되어 있는 사용자의 과거의 활동 등에 관한 정보이며, 추가값은 사용자의 활동에 의해 새롭게 추가되거나 변경된 정보를 말한다.
또한, 기본적으로 주체와 객체의 관계는 일대일 대응인 아닌 일대다 대응으로부터 시작되며, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도도 분석하므로 주체와 객체의 관계에 관한 노드의 확장이 반복되면, 주체와 객체의 관계는 다대다 대응으로 확장될 수 도 있다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 맞춤형 서비스는 선제적 차단 및 단계적 접근 허용 서비스를 포함한다.
상기 선제적 차단 및 단계적 접근 허용 서비스는 사용자와 친구 관계가 아닌 사람들과의 관계에서 친구 관계가 아닌 사용자가 사용자에게 원하지 않는 접근을 시도하는 경우 이를 선제적으로 차단하고 그 사용자에게 단계적인 접근을 허용하는 서비스를 말한다.
상기 선제적 차단 및 단계적 허용 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서, 상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석한다.
예를 들어, 도 5에 도시된 바와 같이, C군은 A양의 친구는 아니나 친구인 B군의 SNS를 통해 A양에게 관심이 생길 수 있다. 이에 따라, C군이 A양의 SNS의 게시물을 이용하여 위치를 파악하고 이상한 댓글을 남기는 등 A양을 스토킹 하려는 듯한 행동을 취할 수 있다. 이러한 C군의 행동은 사용 패턴과 성격이 변화된 것으로 볼 수 있으며, 이는 분석 서버에서 추가값으로 인식하여 선호도 분석을 수행한다. 따라서, 분석 서버는 A양을 향한 C군의 행동의 변화를 감지하고, A양의 선호도 분석에 반영한다. C군의 행동은 A양에게 부정적인 활동으로 반영되며, 이에 따라 A양의 C군에 대한 선호도는 감소하게 된다.
이후, 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 제1 사용자의 SNS 내용을 분석된 선호도에 따라 단계적으로 접근을 허용하게 된다. 여기서 단계적 접근의 허용은 상기 C군의 활동 상태에 따라 A양의 C군에 대한 선호도가 개선되는 정도에 따라, 접근의 정도를 단계적으로 허용하는 것을 말한다. 따라서, C군이 A양에게 접근하지 못하도록 선제적으로 차단하게 되며, 선제적 차단 후, C군의 행동의 변화에 따른 A양의 선호도를 반영하여, C군의 A양에 대한 접근의 정도를 단계적으로 조절하는 서비스를 제공할 수 있다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 맞춤형 서비스는 과제 도우미 서비스를 포함한다.
상기 과제 도우미 서비스는 분석 서버가 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며, 상기 서비스 관리 서버가 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천하는 서비스를 제공할 수 있다.
예를 들어, A양이 화학 과목에 관한 조언을 해줄 도우미가 필요한 경우에, 분석 서버는 A양과 직접 또는 간접적으로 관계를 맺고 있는 사용자들의 각 과목에 대한 선호도를 정량적으로 분석하여 주변 사용자들을 과목별로 분류한다. 이후, 서비스 관리 서버는 화학 과목에 대한 선호도가 높은 H군, I양 및 F군을 화학 과목 과제 도우미로 추천할 수 있다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 맞춤형 서비스는 음식 추천 서비스를 포함한다.
상기 음식 추천 서비스는 분석 서버가 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며, 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천하는 서비스를 제공할 수 있다.
예를 들어, A양이 무엇을 먹을지 고민하고 있을 때, 단순히 취향만을 고려하여 음식을 추천하지 않고, 먼저 A양의 선호도를 파악하여 유사한 음식 취향을 갖는 사용자들의 선호 음식을 추천하고, 상기 상황 인식 서버에 저장된 내용을 바탕으로 과거의 동일한 상황에서 먹었던 음식과 같은 정보를 반영하여 상황에 맞는 음식을 추가적으로 선별하여 추천할 수 있다. 즉, 단순히 좋아하는 음식이 아닌, 비가 오는 날에 먹으면 좋은 음식 또는 1년 전에 헤어진 남자친구와 비 오는 날에 먹었던 음식 등을 선별하여 추천하는 서비스를 제공할 수 있다.
본 발명에 따르면, 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 단순한 취향 분석이 아닌 다른 사용자와의 상호 작용에서 발생되는 정보 및 사용자의 활동 변화에 의해 추가되거나 변동되는 정보를 즉각적으로 반영하여 선호도를 분석한다. 따라서, 기계적인 추천 서비스가 아닌 사용자의 상황에 맞는 맞춤형 서비스의 제공이 가능하다.
또한, 본 발명에 따른 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 상황에 맞는 맞춤형 서비스가 가능하므로, 무분별한 노출 및 원하지 않는 타 사용자의 접근을 차단할 수 있으므로 SNS 역기능을 개선할 수 있다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 사용자 인터페이스 서버 200: 외부 연계 서버
300: 상황 인식 서버 400: 분석 서버
500: 서비스 관리 서버
300: 상황 인식 서버 400: 분석 서버
500: 서비스 관리 서버
Claims (15)
- 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 저장하는 사용자 인터페이스 서버;
소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 외부 연계 서버;
상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장하는 상황인식 서버;
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 분석 서버; 및
상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 서비스 관리 서버를 포함하고,
상기 분석 서버는,
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계;
상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계;
상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계;
상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계; 및
상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 이용하여 선호도를 분석하는 딥러닝 기반의 SNS 역기능 개선 시스템.
- 삭제
- 제1항에 있어서,
상기 기본값은,
사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도;
주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도; 및
상기 주체와 객체의 상호작용이 반영된 선호도를 포함하고,
상기 추가값은,
주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도;
객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도; 및
상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 시스템. - ◈청구항 4은(는) 설정등록료 납부시 포기되었습니다.◈제3항에 있어서,
상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
,
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
,
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 시스템.
여기서,은 제1 레벨 분석 단계에서 분석된 선호도,
는 제2 레벨 분석 단계에서 분석된 선호도,
는 제3 레벨 분석 단계에서 분석된 선호도,
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도,
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도,
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도,
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도,
는 제3 레벨 분석 단계의 주체의 객체에 대한 선호도,
는 제3 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미함.
- 제1항에 있어서,
상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 선제적 차단 및 선별적 노출 서비스를 포함하며,
상기 선제적 차단 및 선별적 노출 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서,
상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석하며,
상기 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 선제적 차단 후, 상기 제3 사용자의 활동에 따른 제1 사용자의 제3 사용자에 대한 선호도 변화에 따라 제1 사용자의 SNS에 대한 제3 사용자의 접근을 단계적으로 허용하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 시스템. - 제1항에 있어서,
상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 과제 도우미 서비스를 포함하며,
상기 분석 서버는 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며,
상기 서비스 관리 서버는 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 시스템. - 제1항에 있어서,
상기 서비스 관리 서버가 제공하는 맞춤형 음식 추천 서비스를 포함하며,
상기 분석 서버는 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며,
상기 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 시스템. - 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 사용자 인터페이스 서버에 저장하는 단계;
소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 외부 연계 서버에 저장하는 단계;
상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 상황인식 서버에 저장하는 단계;
분석 서버가 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 선호도를 인공 신경망 방법을 이용하여 분석하는 단계; 및
서비스 관리 서버가 상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 단계를 포함하고,
상기 사용자의 선호도를 인공 신경망 방법을 이용하여 분석하는 단계는,
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계;
상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계;
상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계;
상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계; 및
상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법.
- 삭제
- 제8항에 있어서,
사용자의 선호도를 인공 신경망 방법을 이용하여 분석하는 단계는,
사용자를 주체, 사용자의 상대방을 객체라고 할 때,
주체의 객체에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 단계;
객체의 주체에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 단계; 및
상기 분석된 주체의 객체에 대한 선호도 및 상기 분석된 객체의 주체에 대한 선호도를 중재하여 선호도를 분석하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법. - 제10항에 있어서,
상기 기본값은,
사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도;
주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도; 및
상기 주체와 객체의 상호작용이 반영된 선호도를 포함하고,
상기 추가값은,
주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도;
객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도; 및
상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법. - ◈청구항 12은(는) 설정등록료 납부시 포기되었습니다.◈제11항에 있어서,
상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
,
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
,
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법.
여기서,은 제1 레벨 분석 단계에서 분석된 선호도,
는 제2 레벨 분석 단계에서 분석된 선호도,
는 제3 레벨 분석 단계에서 분석된 선호도,
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도,
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도,
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도,
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도,
는 제3 레벨 분석 단계의 주체의 객체에 대한 선호도,
는 제31 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미함.
- 제8항에 있어서,
상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 선제적 차단 및 선별적 노출 서비스를 포함하며,
상기 선제적 차단 및 선별적 노출 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서,
상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석하며,
상기 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 선제적 차단 후, 상기 제3 사용자의 활동에 따른 제1 사용자의 제3 사용자에 대한 선호도 변화에 따라 제1 사용자의 SNS에 대한 제3 사용자의 접근을 단계적으로 허용하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법. - 제8항에 있어서,
상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 과제 도우미 서비스를 포함하며,
상기 분석 서버는 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며,
상기 서비스 관리 서버는 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법. - 제8항에 있어서,
상기 서비스 관리 서버가 제공하는 맞춤형 음식 추천 서비스를 포함하며,
상기 분석 서버는 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며,
상기 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170098625A KR101933559B1 (ko) | 2017-08-03 | 2017-08-03 | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170098625A KR101933559B1 (ko) | 2017-08-03 | 2017-08-03 | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180166648A Division KR102149160B1 (ko) | 2018-12-20 | 2018-12-20 | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101933559B1 true KR101933559B1 (ko) | 2019-04-05 |
Family
ID=66103725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170098625A KR101933559B1 (ko) | 2017-08-03 | 2017-08-03 | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101933559B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057817A (ko) * | 2018-11-13 | 2020-05-27 | 차의과학대학교 산학협력단 | 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 |
| KR20210008775A (ko) * | 2019-07-15 | 2021-01-25 | 주식회사 지금컴퍼니 | Disc 기반 성향 분석 시스템 |
| KR20220093993A (ko) * | 2020-12-28 | 2022-07-05 | 심지훈 | 친구 관계에 따라 댓글의 공개 범위를 달리하는 시스템 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050052638A (ko) | 2003-11-28 | 2005-06-03 | 한국전자통신연구원 | 사용자 선호도를 고려한 정보 제공 방법 및 장치 |
| JP2013025324A (ja) * | 2011-07-14 | 2013-02-04 | Kddi Corp | レコメンド装置、レコメンド方法およびプログラム |
| KR20140045672A (ko) * | 2012-10-09 | 2014-04-17 | 김태기 | 스마트 폰을 이용한 온라인 학습 컨설팅 방법 및 시스템 |
| KR101711118B1 (ko) * | 2015-11-20 | 2017-02-28 | 주식회사 헬스맥스 | 빅데이터를 이용한 사용자에 개인화된 음식 추천 시스템 |
-
2017
- 2017-08-03 KR KR1020170098625A patent/KR101933559B1/ko active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050052638A (ko) | 2003-11-28 | 2005-06-03 | 한국전자통신연구원 | 사용자 선호도를 고려한 정보 제공 방법 및 장치 |
| JP2013025324A (ja) * | 2011-07-14 | 2013-02-04 | Kddi Corp | レコメンド装置、レコメンド方法およびプログラム |
| KR20140045672A (ko) * | 2012-10-09 | 2014-04-17 | 김태기 | 스마트 폰을 이용한 온라인 학습 컨설팅 방법 및 시스템 |
| KR101711118B1 (ko) * | 2015-11-20 | 2017-02-28 | 주식회사 헬스맥스 | 빅데이터를 이용한 사용자에 개인화된 음식 추천 시스템 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057817A (ko) * | 2018-11-13 | 2020-05-27 | 차의과학대학교 산학협력단 | 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 |
| KR102151505B1 (ko) | 2018-11-13 | 2020-09-03 | 차의과학대학교 산학협력단 | 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 |
| KR20210008775A (ko) * | 2019-07-15 | 2021-01-25 | 주식회사 지금컴퍼니 | Disc 기반 성향 분석 시스템 |
| KR102212676B1 (ko) | 2019-07-15 | 2021-02-05 | 주식회사 지금컴퍼니 | Disc 기반 성향 분석 시스템 |
| KR20220093993A (ko) * | 2020-12-28 | 2022-07-05 | 심지훈 | 친구 관계에 따라 댓글의 공개 범위를 달리하는 시스템 및 방법 |
| KR102609590B1 (ko) | 2020-12-28 | 2023-12-04 | 심지훈 | 친구 관계에 따라 댓글의 공개 범위를 달리하는 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Clifton et al. | An introduction to social network analysis for personality and social psychologists | |
| Hope | Biopower and school surveillance technologies 2.0 | |
| Funder | Taking situations seriously: The situation construal model and the Riverside Situational Q-Sort | |
| Patil et al. | What should researchers expect when they replicate studies? A statistical view of replicability in psychological science | |
| Pennycook et al. | Everyday consequences of analytic thinking | |
| Vallacher et al. | The intrinsic dynamics of psychological process | |
| Conroy et al. | Fear of failure and achievement goals in sport: Addressing the issue of the chicken and the egg | |
| Francis | The psychology of replication and replication in psychology | |
| Ansara et al. | Cisgenderism in psychology: Pathologising and misgendering children from 1999 to 2008 | |
| Shilton et al. | Charting sociotechnical dimensions of values for design research | |
| Dahlstrom | The persuasive influence of narrative causality: Psychological mechanism, strength in overcoming resistance, and persistence over time | |
| Tomaiuolo et al. | A survey on troll detection | |
| Kane | On the limits of social control: Structural deterrence and the policing of “suppressible” crimes | |
| KR101933559B1 (ko) | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 | |
| KR20190015164A (ko) | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 | |
| Yick et al. | A 16-year examination of domestic violence among Asians and Asian Americans in the empirical knowledge base: A content analysis | |
| US20170004453A1 (en) | Job type recommendation engine | |
| Shirai et al. | Identity development in relation to time beliefs in emerging adulthood: A long-term longitudinal study | |
| Dean et al. | Friendship dissolution within social networks modeled through multilevel event history analysis | |
| Lee | Towards Informatic Personhood: understanding contemporary subjects in a data-driven society | |
| Butterfuss et al. | Hedged language and partisan media influence belief in science claims | |
| Ahern et al. | Worldviews, issue knowledge, and the pollution of a local science information environment | |
| Reynolds | Diffusion in information-seeking networks: testing the interaction of network hierarchy and fluidity with agent-based modeling | |
| Waddell et al. | Fake news in the family: How family communication patterns and conflict history affect the intent to correct misinformation among family members | |
| Li et al. | Probabilistic local expert retrieval |