KR101951757B1 - 빅데이터를 활용한 디지털 서평 시스템 - Google Patents

Abstract

서평정보 매칭을 요청하는 고객 단말 및 서평정보를 수집하여 빅 데이터를 생성하고, 고객정보를 획득하고, 인공지능 모델을 이용하여, 상기 빅 데이터로부터 상기 고객정보에 대응하는 하나 이상의 서평정보를 선택하고, 상기 선택된 서평정보를 제공하는 서버를 포함하고, 상기 인공지능 모델은, 상기 빅 데이터에 기반하여 학습된 것인, 빅데이터를 활용한 디지털 서평 시스템이 개시된다.

Description

빅데이터를 활용한 디지털 서평 시스템 {DIGITAL BOOK REVIEW SYSTEM USING BIG DATA}

본 발명은 빅데이터를 활용한 디지털 서평 시스템에 관한 것이다.

빅데이터는 포괄적인 개념으로, 단일화된 개념 정의보다는 다양한 관점에서의 정의가 존재한다. 예로, 기존의 데이터베이스 관리도구가 처리할 수 있는 역량을 넘어서는 정형·반정형·비정형 데이터세트(data set)의 집적물, 그리고 이로부터 경제적으로 필요한 가치를 추출 및 분석할 수 있는 기술을 가리킨다.

즉, 빅데이터는 스마트 기기의 대중화와 더불어 생활환경의 디지털화가 가속화되고 그로 인하여 발생하는 정보량이 기하급수적으로 증가함에 따라 데이터를 수집·축적·분석하여 새로운 가치를 창출하는 것이라 볼 수 있으며, 이러한 빅데이터의 특징은 데이터의 종류와 양이 방대하고 생성 속도가 빠르며, 활용 가치가 높고 가변적이라는 점이다.

그러나 빅데이터 그 자체는 데이터의 단순한 집적물일 뿐이기 때문에, 이를 분석하는 기술과 전문 인력이 필수적이다. 빅데이터 분석 기법에는 텍스트 마이닝(Text mining；비정형·반정형 텍스트 데이터에서 자연언어처리 기술에 기반하여 유용한 정보를 추출·가공하는 기술), 오피니언 마이닝(Opinion mining；소셜미디어 등의 정형·비정형 텍스트의 긍정·부정·중립의 선호도를 판별하는 기술), 소셜네트워크 분석(Social network analytics；소셜네트워크의 연결 구조와 연결 강도 등을 바탕으로 사용자의 명성 및 영향력을 측정하는 기술), 군집 분석(Cluster analysis；비슷한 특성을 가진 개체를 합쳐 나가면서 최종적으로 유사 특성의 군집을 발굴하는 기술) 등이 있다.

빅데이터를 활용한 사례로는 소비 패턴 분석을 통한 상품 추천 서비스, 검색어 분석을 통한 독감예보 서비스, 과거 데이터에 기반한 범죄예방 시스템 구축, 유전자 데이터 공유를 통한 질병치료체계 구축, 지능형 교통안내 시스템, 유권자 데이터베이스에 기반한 유권자 맞춤형 선거전략 등이 있다.

공개특허공보 제10-2017-0087423호, 2017.07.28 공개

본 발명이 해결하고자 하는 과제는 빅데이터를 활용한 디지털 서평 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 빅데이터를 활용한 디지털 서평 시스템은, 서평정보 매칭을 요청하는 고객 단말 및 서평정보를 수집하여 빅 데이터를 생성하고, 고객정보를 획득하고, 인공지능 모델을 이용하여, 상기 빅 데이터로부터 상기 고객정보에 대응하는 하나 이상의 서평정보를 선택하고, 상기 선택된 서평정보를 제공하는 서버를 포함하고, 상기 인공지능 모델은, 상기 빅 데이터에 기반하여 학습된다.

또한, 상기 서버는, 고객의 배경정보 및 생활정보를 수집하고, 상기 수집된 배경정보 및 생활정보에 기초하여, 상기 고객의 취향에 대한 1차 응답을 도출하고, 상기 1차 응답에 기초하여 설문 문항을 획득하고, 상기 획득된 설문 문항에 대한 응답을 포함하는 설문정보를 획득하고, 상기 제1 응답을 답변에 포함하는 객관식 설문 문항을 생성하되, 상기 객관식 설문 문항에서 상기 제1 응답을 제외한 답변은 상기 고객의 생활정보와 기 설정된 기준 이하의 관련성을 갖는 답변인 것을 특징으로 하고, 상기 생성된 객관식 설문 문항을 상기 고객 단말에 제공하고, 상기 객관식 설문 문항에 대한 응답을 상기 고객 단말로부터 획득하고, 상기 고객 단말의 응답에 기초하여 상기 서평정보를 선택할 수 있다.

또한, 상기 서버는, 상기 고객의 응답이 상기 제1 응답과 동일한 경우, 상기 제1 응답에 기 설정된 가중치를 부여하고, 상기 고객의 응답이 상기 제1 응답과 상이한 경우, 상기 고객의 응답을 답변에 포함하는 2차 객관식 설문 문항을 생성하되, 상기 2차 객관식 설문 문항의 답변은 상기 고객의 응답 및 상기 제1 응답을 제외한 상기 1차 응답 중 하나 이상의 응답을 포함하고, 상기 2차 객관식 설문 문항에 대한 상기 고객의 응답을 획득하고, 상기 획득된 상기 고객의 응답에 기 설정된 가중치를 부여할 수 있다.

또한, 상기 고객정보는 복수의 관심정보를 포함하고, 상기 서버는, 상기 고객정보에 포함된 상기 복수의 관심정보를 클러스터링하고, 상기 빅 데이터에 포함된 서평정보를 클러스터링하고, 상기 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하고, 상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하고, 상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 관심정보 클러스터 및 제1 서평정보 클러스터를 결정하고, 상기 결정된 제1 관심정보 클러스터에 포함된 적어도 하나의 관심정보와 상기 결정된 제1 서평정보 클러스터에 포함된 적어도 하나의 서평정보를 서로 매칭하고, 상기 고객정보에 포함된 상기 복수의 관심정보가 각각 포함된 복수의 제2 관심정보 클러스터를 결정하고, 상기 복수의 제2 관심정보 클러스터의 중점을 결정하고, 각각의 상기 복수의 제2 관심정보 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 서평정보 클러스터를 결정하고, 상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 서평정보 클러스터를 결정하고, 상기 복수의 제2 서평정보 클러스터 및 상기 제3 서평정보 클러스터에 포함된 복수의 서평정보와, 상기 복수의 관심정보를 각각 서로 매칭할 수 있다.

또한, 상기 서버는, 상기 고객 단말에 서평 매칭기준의 선택을 요청하되, 상기 서평 매칭기준은 최적화형 및 융합형을 포함하고, 상기 고객 단말로부터 선택 입력을 수신하고, 상기 고객 단말에서 최적화형이 선택된 경우, 상기 복수의 제2 서평정보 클러스터에 포함된 복수의 서평정보와, 상기 복수의 관심정보를 각각 서로 매칭하고, 상기 고객 단말에서 융합형이 선택된 경우, 상기 제3 서평정보 클러스터에 포함된 복수의 서평정보와, 상기 복수의 관심정보를 각각 서로 매칭할 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 고객이 직접 원하는 키워드를 검색하거나 비딩을 통해 찾는 것과 달리, 고객의 현재 상황을 종합적으로 고려하여 최적의 서평정보를 매칭 및 추천할 수 있는 장점이 있다.

또한, 빅데이터 및 인공지능 모델은 지속적으로 업데이트되며, 이에 따라 완성도 높은 솔루션을 제공할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시 예에 따른 시스템을 도시한 도면이다.
도 2는 일 실시 예에 따른 인공지능 기반 디지털 서평 매칭서비스 제공방법을 도시한 도면이다.
도 3은 일 실시 예에 따른 고객정보 획득 및 서평정보 선택방법을 도시한 도면이다.
도 4는 일 실시 예에 따른 가중치 부여방법을 도시한 흐름도이다.
도 5는 일 실시 예에 따른 클러스터링 방법을 도시한 흐름도이다.
도 6은 일 실시 예에 따른 매칭기준 선정방법을 도시한 흐름도이다.
도 7은 일 실시 예에 따른 장치의 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 일 실시 예에 따른 시스템을 도시한 도면이다.

도 1을 참조하면, 시스템은 서버(100) 및 하나 이상의 단말(10, 20 및 30)을 포함한다. 각각의 단말(10, 20 및 30)은 상술한 컴퓨터의 일종일 수 있으며, 개시된 실시 예에 따른 시스템의 각 주체가 이용하는 단말을 의미할 수 있다.

예를 들어, 각각의 단말(10, 20 및 30)은 구독자 단말, 서평가 단말 및 출판사 단말을 포함할 수 있다.

일 실시 예에서, 구독자는 서평, 서평가 또는 책을 추천받고자 하는 개인 혹은 기업일 수 있다.

개시된 실시 예에서, 서평가는 개인적으로 혹은 출판사의 의뢰를 받아 책에 대한 서평을 작성하고, 작성된 서평은 마케팅에 활용되거나, 서점 혹은 서평 플랫폼 등에 기반하여 배포될 수 있다.

서버(100)는 개시된 실시 예에 따른 서비스를 제공하는 데 활용되며, 서비스 제공자가 보유한 하드웨어에 기반하는 서버를 의미할 수도 있고, 또한 클라우드 서버를 의미할 수도 있다.

개시된 실시 예에 따른 서버(100)는 빅데이터 및 인공지능에 기반하여 서평을 의뢰, 배포 및 큐레이션하여 제공할 수 있는 일련의 서비스를 제공할 수 있는 플랫폼을 제공할 수 있다.

해당 플랫폼에서는, 서평가들과 출판사를 중개하여 각 출판사 혹은 각 출판사가 출판하고자 하는 책과 적합한 성향 혹은 경력을 갖는 서평가를 매칭하고, 서로 용이하게 작업을 의뢰하고, 보상을 지급할 수 있도록 하는 서비스를 제공할 수 있다.

또한, 해당 플랫폼에서는, 구독자의 성향에 맞는 서평 혹은 서평가를 추천하고, 이에 기반하여 구독자에게 책을 추천할 수 있는 서비스를 제공할 수 있다.

일 실시 예에서, 구독자의 취향이나 관심사, 경력 및 업무 분야 등에 기초하여 해당 분야에 전문성을 갖춘 서평가를 멘토로서 추천하고, 해당 서평가의 서평들을 큐레이션하여 제공함으로써 구독자가 책을 고르는 것을 도울 수 있다.

마찬가지로, 출판사의 입장에서도 출판마케팅을 위해 서평가에게 외주업무를 맡기거나, 서평가를 고용함에 있어서 가장 적합한 서평가를 매칭하고, 매칭된 서평가와 협업하는 일련의 과정을 해당 플랫폼에 기반하여 수행할 수 있다.

예를 들어, 해당 출판사 혹은 해당 출판사에서 출판하고자 하는 책과 연관성이 높은 서평가들을 선별하고, 나아가 각 서평가들의 영향력을 평가함으로써 해당 출판사의 니즈에 가장 적합한 서평가를 선택 및 추천할 수 있다.

상술한 매칭방식은 기 수집되고 업데이트되는 빅데이터에 기반하여 제공되며, 예를 들어 빅데이터에 기반하여 학습된 인공지능 모델을 이용하여 고객(예를 들어, 구독자와 출판사를 포괄하는 개념으로 이해될 수 있음)과 서평가를 매칭하는 것을 특징으로 한다.

이 경우, 고객이 직접 원하는 키워드를 검색하거나 비딩을 통해 찾는 것과 달리, 고객의 현재 상황을 종합적으로 고려하여 최적의 서평가(혹은 서평업체)를 매칭 및 추천할 수 있는 장점이 있다.

또한, 빅데이터 및 인공지능 모델은 지속적으로 업데이트되며, 이에 따라 완성도 높은 솔루션을 제공할 수 있다.

상술한 플랫폼이 구축되고 안정화되는 경우, 서평이나 책을 추천하는 것을 넘어서, 서로 관심사나 전문영역이 매칭되는 멘티와 멘토를 서로 추천해줄 수 있고, 창업자나 각 분야 전문가들 간에 서로 매칭을 통해 네트워킹과 협업의 기회를 제공할 수 있다.

또한, 서평뿐 아니라 다양한 업무와 질의, 인터뷰 등을 매칭할 수 있으며, 서로 다양한 자료와 인사이트를 공유할 수 있는 플랫폼을 완성할 수 있다.

도 2는 일 실시 예에 따른 인공지능 기반 디지털 서평 매칭서비스 제공방법을 도시한 도면이다.

단계 S101에서, 컴퓨터는 서평정보를 수집하여 빅 데이터를 생성한다.

단계 S102에서, 컴퓨터는 고객정보를 획득한다.

단계 S103에서, 컴퓨터는 인공지능 모델을 이용하여, 상기 빅 데이터로부터 상기 고객정보에 대응하는 하나 이상의 서평정보를 선택한다.

단계 S104에서, 컴퓨터는 상기 선택된 서평정보를 제공한다.

일 실시 예에서, 상기 인공지능 모델은, 상기 빅 데이터에 기반하여 학습된 것을 특징으로 한다.

도 3은 일 실시 예에 따른 고객정보 획득 및 서평정보 선택방법을 도시한 도면이다.

상술한 단계(S102)에서, 컴퓨터는 고객의 배경정보 및 생활정보를 수집하는 단계(S105)를 수행할 수 있다.

일 실시 예에서, 고객의 배경정보는 고객의 개인정보나 취미 등에 대한 기존 정보들을 포함할 수 있다.

일 실시 예에서, 고객의 생활정보는 각 고객의 대화내용을 포함할 수 있다. 예를 들어, 고객의 생활정보는 각 고객이 메일, 메신저 등을 이용하여 수행한 대화내용을 포함할 수 있다.

또한, 고객의 생활정보는 고객의 출퇴근 시간, 업무시간, 업무실적, 복지포인트 이용내역, 기타 복지(어학, 체육 등) 이용내역 등에 기초하여 수집된 다양한 개인정보 파라미터들을 포함할 수 있다.

또한, 컴퓨터는 상기 수집된 배경정보 및 생활정보에 기초하여, 상기 고객의 취향에 대한 1차 응답을 도출하는 단계(S106)를 수행할 수 있다.

또한, 컴퓨터는 상기 1차 응답에 기초하여 설문 문항을 획득하는 단계(S107)를 수행할 수 있다.

예를 들어, 1차 응답은 복수의 후보 응답들을 포함할 수 있다. 이 경우, 컴퓨터는 복수의 후보 응답 중 적어도 하나를 선택하도록 하는 설문 문항을 생성할 수도 있고, 복수의 후보 응답들의 특성을 추출하여, 각 특성들 중 각 고객이 선호하는 특성을 응답하도록 하는 형태의 설문 문항을 생성한 후 고객의 답변에 따라, 이에 대응하는 후보 응답을 최종 응답으로 선택할 수 있다.

또한, 컴퓨터는 상기 획득된 설문 문항에 대한 응답을 포함하는 설문정보를 획득하는 단계(S108)를 수행할 수 있다.

컴퓨터는 설문정보에 따라 최종 응답을 결정할 수 있다.

일 실시 예에서, 컴퓨터는 데이터베이스에 저장된 설문 문항들을 클러스터링할 수 있다.

또한, 컴퓨터는 상기 클러스터링 결과 생성된 클러스터들의 특성을 판단할 수 있다.

또한, 컴퓨터는 상기 1차 응답에 대응하는 특성을 판단하고, 상기 1차 응답의 특성을 포함하는 하나 이상의 클러스터를 결정할 수 있다.

또한, 컴퓨터는 상기 결정된 하나 이상의 클러스터에 포함된 하나 이상의 설문 문항을 획득할 수 있다.

예를 들어, 1차 응답의 특성에 대응하는 설문 문항들을 이용하여 고객으로부터 응답을 수신함으로써, 1차 응답의 방향성이 올바른가에 대한 정보를 획득할 수 있으며, 1차 응답의 방향성이 잘못된 것으로 판단되는 경우, 수정된 방향성과, 고객의 배경정보 및 생활정보를 반영하여 응답을 다시 예측할 수 있다.

또한, 컴퓨터는 1차 응답에 복수의 후보 응답이 포함되거나, 1차 응답이 일정 범위로 설정된 응답인 경우, 1차 응답의 특성에 대응하는 설문 문항들을 이용하여 해당 특성에 대한 응답을 더욱 구체적으로 획득하고, 최종 응답을 결정할 수도 있다.

예를 들어, 서평이나 책의 종류가 결정되는 경우, 해당 종류와 관련된 질문들을 고객에게 제공하고, 그 결과에 따라 서평이나 책의 유형을 변경할 수도 있고, 결정된 종류에서 고객이 원하는 특정 서평이나 책을 결정할 수도 있다. 또한, 서평이나 책이 특정 장르로 선택되는 경우, 해당 특성을 포함하는 질문들을 통해 더 구체적인 응답을 수신하고, 이를 이용하여 서평이나 책을 더 구체적으로 특정할 수도 있다.

빅 데이터를 활용한 맞춤형 서비스를 제공하는 기술에 있어서, 사용자로 하여금 감시당하거나 간파당한다는 느낌을 받도록 하는 것은 지양하는 편이 바람직한 경우가 많다. 따라서, 본 실시 예에서는 이러한 느낌을 해소할 수 있는 맞춤형 설문정보 제공방법을 설명한다.

상술한 단계(S107)에서, 컴퓨터는 상기 제1 응답을 답변에 포함하는 객관식 설문 문항을 생성하되, 상기 객관식 설문 문항에서 상기 제1 응답을 제외한 답변은 상기 고객의 생활정보와 기 설정된 기준 이하의 관련성을 갖는 답변인, 단계(S109)를 수행할 수 있다.

예를 들어, 고객에게 원하는 책이나 서평의 종류를 직접 질의하는 경우, 선택지로서 제1 응답을 포함시키되, 나머지 선택지는 이와 상대적 관련성이 낮은, 예를 들어 다른 장르의 책 등을 포함시켜, 사용자로 하여금 직접 제1 응답을 선택할 수 있도록 유도할 수 있다.

또한, 컴퓨터는 상기 생성된 객관식 설문 문항을 상기 고객에 제공하는 단계(S110)를 수행할 수 있다.

상술한 단계(S108)에서, 컴퓨터는 상기 객관식 설문 문항에 대한 상기 고객의 응답을 획득하는 단계(S111) 및 상기 고객의 응답에 기초하여 상기 서평정보를 선택하는 단계(S112)를 수행할 수 있다.

도 4는 일 실시 예에 따른 가중치 부여방법을 도시한 흐름도이다.

상술한 단계(S112)에서, 컴퓨터는 상기 고객의 응답이 상기 제1 응답과 동일한 경우, 상기 제1 응답에 기 설정된 가중치를 부여하는 단계(S113)를 수행할 수 있다.

예를 들어, 제1 응답은 복수의 후보 응답을 포함할 수도 있으며, 후보 응답들 중 하나가 고객정보에 명시된 것일 수도 있다. 이 경우, 컴퓨터는 고객정보에 명시된 응답을 선택지에 포함하는 설문 문항을 생성하여 고객에게 제공할 수 있으며, 실시 예에 따라 해당 설문 문항의 나머지 답변들은 다른 후보 응답들로 채워질 수도 있고, 상술한 실시 예와 같이 제1 응답과 관련성이 낮은 다른 응답으로 채워질 수도 있다.

이 경우 고객이 명시된 응답을 선택하는 경우, 해당 응답에 대하여 기 설정된 가중치를 부여함으로써, 해당 응답이 최종 응답으로 결정될 확률을 높일 수 있다.

또한, 컴퓨터는 상기 고객의 응답이 상기 제1 응답과 상이한 경우, 상기 고객의 응답을 답변에 포함하는 2차 객관식 설문 문항을 생성하되, 상기 2차 객관식 설문 문항의 답변은 상기 고객의 응답 및 상기 제1 응답을 제외한 상기 1차 응답 중 하나 이상의 응답을 포함하는, 단계(S114)를 수행할 수 있다.

예를 들어, 1차 응답이 복수의 후보 문항을 포함하는 경우, 후보 문항들은 서로 연관성이 있는 장르의 책이나 서평들을 포함할 수 있다. 이 경우 고객에게 제1 응답을 답변에 포함하고, 나머지는 이와 관련성인 낮은 설문 문항을 제공하였을 수 있다. 이 때 고객이 제1 응답이 아닌 다른 응답을 선택하는 경우, 컴퓨터는 예외상황에 대한 재확인을 위해, 고객이 선택한 응답을 답변에 포함하되 나머지 답변들은 제1 응답과 연관성이 있는 답변들을 포함하도록 하는 설문 문항을 생성하여 고객에게 다시 질의를 수행할 수 있다.

또한, 컴퓨터는 상기 2차 객관식 설문 문항에 대한 상기 고객의 응답을 획득하는 단계(S115)를 수행할 수 있다.

또한, 컴퓨터는 상기 단계(S115)에서 획득된 상기 고객의 응답에 기 설정된 가중치를 부여하는 단계(S116)를 수행할 수 있다.

이 경우, 고객이 다시 다른 응답을 선택하는 경우 고객의 의견이 확고한 것으로 판단, 해당 응답에 가중치를 부여할 수 있다. 또한, 고객이 제1 응답과 연관성이 있는 답변을 선택하는 경우, 고객은 해당 분야 또는 장르를 원하지만 제1 응답과는 다른 책이나 서평을 원하는 것으로 판단, 고객의 응답에 가중치를 부여할 수 있다.

도 5는 일 실시 예에 따른 클러스터링 방법을 도시한 흐름도이다.

일 실시 예에서, 상기 고객정보는 복수의 관심정보를 포함한다. 예를 들어, 관심정보는 각각의 고객의 취향, 업무분야, 전문분야, 경력 등에 대한 정보를 포함할 수 있으며, 이에 제한되지 않는다.

상술한 단계(S103)에서, 컴퓨터는 상기 고객정보에 포함된 상기 복수의 관심정보를 클러스터링하는 단계(S117)를 수행할 수 있다.

또한, 컴퓨터는 상기 빅 데이터에 포함된 서평정보를 클러스터링하는 단계(S118)를 수행할 수 있다.

일 실시 예에서, 컴퓨터는 각각의 클러스터를 대표하는 특징을 키워드로서 획득할 수 있다.

또한, 컴퓨터는 상기 단계(S117) 및 단계(S118)의 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하는 단계(S119)를 수행할 수 있다.

일 실시 예에서, 유사한 특징을 가진 클러스터일수록 서로 가까이 위치할 수 있다. 따라서, 컴퓨터는 거리에 기초하여 각 클러스터 간의 연관도를 판단할 수 있다.

또한, 컴퓨터는 상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하는 단계(S120)를 수행할 수 있다.

또한, 컴퓨터는 상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 관심정보 클러스터 및 제1 서평정보 클러스터를 결정하는 단계(S121)를 수행할 수 있다.

예를 들어, 컴퓨터는 각각의 관심정보 클러스터에 대하여 소정의 거리 내에 위치한 서평정보 클러스터를 선택하고, 선택된 관심정보와 서평정보 클러스터를 연관시킬 수 있다.

또한, 컴퓨터는 상기 결정된 제1 관심정보 클러스터에 포함된 적어도 하나의 관심정보와 상기 결정된 제1 서평정보 클러스터에 포함된 적어도 하나의 서평정보를 서로 매칭하는 단계(S122)를 수행할 수 있다.

일 실시 예에서, 컴퓨터는 인공지능 모델을 이용하여 제1 관심정보 클러스터와 제1 서평정보 클러스터에 포함된 각각의 관심정보 및 서평정보 간의 적합도를 판단하고, 판단된 적합도에 기초하여 관심정보와 서평정보를 서로 매칭시킬 수 있다.

상술한 단계(S117)에서, 컴퓨터는 상기 고객정보에 포함된 상기 복수의 관심정보가 각각 포함된 복수의 제2 관심정보 클러스터를 결정하는 단계(S123)를 수행할 수 있다.

또한, 컴퓨터는 상기 복수의 제2 관심정보 클러스터의 중점을 결정하는 단계(S124)를 수행할 수 있다.

상술한 단계(S121)에서, 컴퓨터는 각각의 상기 복수의 제2 관심정보 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 서평정보 클러스터를 결정하는 단계(S125)를 수행할 수 있다.

즉, 제2 서평정보 클러스터는 각각의 관심정보의 특성에 맞는 서평정보 클러스터를 의미할 수 있다.

또한, 컴퓨터는 상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 서평정보 클러스터를 결정하는 단계(S126)를 수행할 수 있다.

즉, 제3 서평정보 클러스터는 전체 관심정보 특성의 중간값에 대응하는 클러스터를 의미할 수 있다.

상술한 단계(S122)에서, 컴퓨터는 상기 복수의 제2 서평정보 클러스터 및 상기 제3 서평정보 클러스터에 포함된 복수의 서평정보와, 상기 복수의 관심정보를 각각 서로 매칭하는 단계(S127)를 수행할 수 있다.

일 실시 예에서, 컴퓨터는 각각의 관심정보의 특성에 맞는 서평정보를 각각 선별할 수도 있고, 전체 관심정보의 특성의 중간에 해당하는 특징을 갖는 서평정보를 선별하여 고객과 매칭할 수도 있다.

도 6은 일 실시 예에 따른 매칭기준 선정방법을 도시한 흐름도이다.

상술한 단계(S127)에서, 컴퓨터는 상기 고객에게 서평 매칭기준의 선택을 요청하되, 상기 서평 매칭기준은 최적화형 및 융합형을 포함하는, 단계(S128)를 수행할 수 있다.

또한, 컴퓨터는 상기 고객으로부터 선택 입력을 수신하는 단계(S129)를 수행할 수 있다.

또한, 컴퓨터는 상기 고객이 최적화형을 선택한 경우, 상기 복수의 제2 서평정보 클러스터에 포함된 복수의 서평정보와, 상기 복수의 관심정보를 각각 서로 매칭하는 단계(S130)를 수행할 수 있다.

즉, 최적화형은 각각의 관심정보에 대하여 최선의 특성을 갖는 서평정보를 매칭하는 것이다.

또한, 컴퓨터는 상기 고객이 융합형을 선택한 경우, 상기 제3 서평정보 클러스터에 포함된 복수의 서평정보와, 상기 복수의 관심정보를 각각 서로 매칭하는 단계(S131)를 수행할 수 있다.

즉, 융합형은 각각의 관심정보의 중간적 특성을 갖는 서평정보를 매칭하는 것이다.

관심정보는 고객정보에 기초하여, 해당 고객이 관심을 갖는 각 분야에 대한 정보를 나타내는 것이다. 예를 들어, 동일한 고객이라 할지라도 관심분야는 인문, 사회, 과학 등 다양한 분야에 걸쳐 있을 수 있다.

또한, 서평정보는 각 서평의 내용이나 서평가에 대한 정보, 서평업체나 출판사에 대한 정보 등을 포함할 수 있다.

따라서, 컴퓨터는 고객의 각각의 관심분야에 각각 매칭되는 서평정보를 제공할 수도 있고, 서로 다른 관심분야가 융합되는 서평정보를 매칭하여 제공함으로써, 융복합적 지식을 증진시키는 데 도움을 줄 수도 있다.

도 7은 일 실시 예에 따른 장치의 구성도이다.

프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 6과 관련하여 설명된 방법을 수행한다.

한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

10, 20 및 30 : 단말
100 : 서버

Claims (5)

1. 서평정보 매칭을 요청하는 고객 단말; 및
   서평정보를 수집하여 빅 데이터를 생성하고, 고객정보를 획득하고, 인공지능 모델을 이용하여, 상기 빅 데이터로부터 상기 고객정보에 대응하는 하나 이상의 서평정보를 선택하고, 상기 선택된 서평정보를 제공하는 서버; 를 포함하고,
   상기 인공지능 모델은, 상기 빅 데이터에 기반하여 학습된 것이며,
   상기 고객정보는 복수의 관심정보를 포함하고,
   상기 서버는,
   상기 고객정보에 포함된 상기 복수의 관심정보를 클러스터링하고, 상기 빅 데이터에 포함된 서평정보를 클러스터링하고, 상기 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하고, 상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하고, 상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 관심정보 클러스터 및 제1 서평정보 클러스터를 결정하고, 상기 결정된 제1 관심정보 클러스터에 포함된 적어도 하나의 관심정보와 상기 결정된 제1 서평정보 클러스터에 포함된 적어도 하나의 서평정보를 서로 매칭하고,
   상기 고객정보에 포함된 상기 복수의 관심정보가 각각 포함된 복수의 제2 관심정보 클러스터를 결정하고, 상기 복수의 제2 관심정보 클러스터의 중점을 결정하고,
   각각의 상기 복수의 제2 관심정보 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 서평정보 클러스터를 결정하고,
   상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 서평정보 클러스터를 결정하고,
   상기 복수의 제2 서평정보 클러스터 및 상기 제3 서평정보 클러스터에 포함된 복수의 서평정보와, 상기 복수의 관심정보를 각각 서로 매칭하는,
   빅데이터를 활용한 디지털 서평 시스템.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제

Images