KR102053595B1 - 토픽 간 m＆a 활성도 생성에 기반한 유망아이템 식별 방법 - Google Patents

Abstract

토픽 간 M&A 활성도 생성 방법이 제공된다. 본 발명의 일 실시예에 따른 토픽 간 M&A 활성도 생성 방법은, 서버가 기업의 업무를 기술하는 텍스트를 분석하여, 상기 기업에 대하여 토픽 별 가중치를 부여하는 단계, 상기 서버가 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계, 상기 서버가 상기 연산된 조합별 가중치를 동일한 토픽 조합 별로 합산하여 각 토픽 사이의 거래 활성도를 연산하는 단계, 상기 서버가 상기 토픽과 일대일 대응되는 노드 및 상기 노드 사이의 엣지를 포함하는 그래프 데이터를 생성하되, 제1 노드와 제2 노드 사이의 엣지는 상기 제1 노드의 토픽 및 상기 제2 노드의 토픽 사이의 거래 활성도가 0이 아닌 경우에 한하여 형성되는 것일 수 있다.

Description

토픽 간 M＆A 활성도 생성에 기반한 유망아이템 식별 방법{HOW TO IDENTIFY PROMISING ITEMS BASED ON M＆A ACTIVITY GENERATION BETWEEN TOPICS}

본 발명은 토픽 간 M&A 활성도 생성 방법에 관한 것이다. 보다 자세하게는, M&A의 기업 간 거래관계 데이터를 바탕으로, 기업 간 관계를 비즈니스 아이템 간 관계로 변환하여 토픽 간의 M&A 활성도를 생성하는 방법에 관한 것이다.

종래 유형의 대상에만 국한되었던 가치 평가가 기술과 같은 무형의 대상까지 확대되었으며, 이를 기술 가치 평가라고 한다. 무형의 대상은 대상 자체가 유형의 대상처럼 눈에 보이지 않으며, 시장 및 경제 상황 등과 같은 다양한 요인에 영향을 받는다. 따라서, 이러한 기술 가치 평가는 전문가의 경험에 의존할 수 밖에 없으며, 이에 따라 기술 가치 평가의 결과는 객관성이 떨어질 수 밖에 없다는 문제점이 있다.

이러한 문제점을 해결하기 위해, 사업화 정보를 기반으로 기술 가치 평가를 하려는 시도가 계속되어 왔다. 다만, 사업화정보(재무, VC투자, M&A 상장, 거래정보)는 기업정보(Enterprises Information)를 기반으로 한다. 이러한 기업정보(Enterprises Information)는 기업 간 관계를 나타낼 뿐이므로 특정 토픽에 대한 평가가 정확하게 이루어질 수 없는 문제점이 있다.

기존에 기업 간 관계를 각 기업이 속한 산업 간 관계로 변환하는 기술은 이루어 지고 있었으나, 이 경우에도 산업 수준에서 네트워크의 분석이 이루어지므로, 구체적인 활용 방안을 도출하기 어려운 문제점이 존재해왔다.

따라서, 객관성을 갖추면서도, 기업정보(Enterprises Information)를 제품정보(Item information)화하는 과정이 필요하다. 즉, M&A 데이터를 분석하여 기업 간 관계를 비즈니스 아이템 간 관계로 변환하여 유망 사업영역 발굴 및 트랜드 도출에 활용하기 위한 제공이 요구된다.

한국공개특허공보 10-2002-0046558

본 발명이 해결하고자 하는 기술적 과제는, M&A 데이터와 같은 사업화정보를 바탕으로 기업정보를 제품정보화 하여 토픽 간 M&A 활성도를 판단하는 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 다른 기술적 과제는, 사용자의 편의성 향상을 도모할 수 있도록 비즈니스 아이템 간 네트워크를 분석하여 그래프로 도식화 하여 제공하는 토픽 간 M&A 활성도를 판단하는 방법을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상적 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른, 토픽 간 M&A 활성도 생성 방법은, 서버가, 기업의 업무를 기술하는 텍스트를 분석하여, 상기 기업에 대하여 토픽 별 가중치를 부여하는 단계, 상기 서버가, 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계, 상기 서버가, 상기 연산된 조합별 가중치를 동일한 토픽 조합 별로 합산하여 각 토픽 사이의 거래 활성도를 연산하는 단계, 상기 서버가, 상기 토픽과 일대일 대응되는 노드 및 상기 노드 사이의 엣지를 포함하는 그래프 데이터를 생성하되, 제1 노드와 제2 노드 사이의 엣지는 상기 제1 노드의 토픽 및 상기 제2 노드의 토픽 사이의 거래 활성도가 0이 아닌 경우에 한하여 형성되는 것일 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 상기 토픽 별 가중치를 부여하는 단계는, 상기 텍스트에서 키워드를 추출하는 로직을 수행하여, 각 키워드 별 가중치를 얻는 단계 및 제1 토픽에 속하는 각 키워드의 가중치를 합산하여, 상기 제1 토픽의 가중치를 얻는 단계를 더 포함할 수 있다. 이 때, 상기 제1 토픽의 가중치를 얻는 단계는, 상기 텍스트에 상기 제1 토픽에 속하는 키워드가 포함되지 않은 경우 상기 제1 토픽의 가중치를 NULL 값으로 세팅하는 단계를 포함하는 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 상기 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계는, 상기 인수 기업에 부여된 제1 토픽의 가중치와 상기 피인수 기업에 부여된 제2 토픽의 가중치를 곱하여 상기 조합별 가중치를 연산하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계는, 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하고, 연산된 조합별 가중치를 M&A 액수를 기반으로 조정하는 것을, 각 M&A 사례 별로 반복하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계는, 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하고, 연산된 조합별 가중치를 M&A 시기를 기반으로 조정하는 것을, 각 M&A 사례 별로 반복하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 그래프 데이터를 생성하는 단계는, 상기 제1 노드의 토픽이 부여된 각 기업의 M&A 건수를, 상기 제1 노드의 토픽이 부여된 모든 기업에 대하여 합산한 값을 상기 제1 노드의 가중치로 세팅하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 그래프 데이터를 생성하는 단계는, 상기 제1 노드의 토픽이 부여된 각 기업의 M&A 액수를, 상기 제1 노드의 토픽이 부여된 모든 기업에 대하여 합산한 값을 상기 제1 노드의 가중치로 세팅하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 그래프 데이터를 생성하는 단계는, 상기 제1 노드의 토픽 및 상기 제2 노드의 토픽 사이의 거래 활성도를, 제1 노드와 제2 노드 사이의 엣지의 가중치로 세팅하는 단계를 포함할 수 있다.

도 1은 본 발명의 일 실시예에 따른 토픽 간 M&A 활성도를 생성하는 시스템의 제1 구성도이다.
도 2는 본 발명의 일 실시예에 따른 토픽 간 M&A 활성도를 생성하는 시스템의 제2 구성도이다.
도 3은 본 발명의 일 실시예에 따른 토픽 간 M&A 활성도를 생성하는 순서도이다.
도 4는 본 발명의 몇몇 실시예에서 참조될 수 있는 M&A 데이터를 기업별 업무 기술서와 기업 간 M&A내역으로 분할하는 방법을 나타낸 도면이다.
도 5은 본 발명의 몇몇 실시예에서 참조될 수 있는 기업별 업무 기술서를 바탕으로 토픽 모델링 하는 방법을 나타내는 도면이다.
도 6는 몇몇 실시예에서 참조될 수 있는 기업별 토픽 가중치를 합산하는 방법을 설명하기 위한 도면이다.
도 7는 몇몇 실시예에서 참조될 수 있는 기업별 M&A 내역 및 해당 기업의 토픽 가중치를 바탕으로 토픽 간 M&A관계를 통합하는 방법을 설명하기 위한 도면이다.
도 8은 몇몇 실시예에서 참조될 수 있는 토픽 간 M&A 관계를 바탕으로 네트워크 분석을 하는 방법을 설명하기 위한 도면이다.
도 9은 몇몇 실시예에서 참조될 수 있는 토픽 간 키워드와 토픽 별 업무기술서를 바탕으로 토픽 별 속성 및 아이템군을 판단하는 방법을 설명하기 위한 도면이다.
도 10 및 도 11은 본 발명의 몇몇 실시예에서 참조될 수 있는 아이템군에 대한 거래 활성도를 그래프로 도식화 하는 방법에 대한 도면이다.
도 12는 일 실시예에 따른 비즈니스 아이템 간 M&A 활성도 생성 방법을 수행하는 하드웨어 구성도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시 예들을 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 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

이하, 본 발명에 대하여 첨부된 도면에 따라 더욱 상세히 설명한다.

본 발명의 일 실시예에 따른 토픽 간 M&A 활성도를 생성하는 시스템의 구성 및 그 동작을, 도 1 및 도 2를 참조하여 설명한다. 본 실시예에 따른 토픽 간 M&A 활성도를 생성하는 시스템은 인터넷에 연결된 하나 이상의 컴퓨팅 장치로 구성될 수 있다. 예를 들어, 상기 하나 이상의 컴퓨팅 장치는 소스 데이터 수집 장치(100), 소스 데이터 프로세싱 장치(110) 및 데이터 분석 장치(120)를 포함할 수 있다.

소스 데이터 수집 장치(100)는 M&A 거래 데이터와 같이 소스 데이터를 구성하는 데이터를 수신하고, 수신된 데이터를 취합하여 소스 데이터를 구성한다. 이에 대해서는 아래에서 자세히 설명한다. 데이터 분석 장치(120)는 소스 데이터 프로세싱 장치(110)로부터 제공된 '분석을 위하여 준비된 데이터(prepared data)'를 이용하여 머신 러닝, 데이터 마이닝과 같은 데이터 분석을 수행한다.

본 실시예에 따른 시스템은 인터넷에 연결된 사용자 단말(130)을 더 포함할 수 있다.

사용자 단말(130)은 소스 데이터 수집 장치(100)에 접속하여, 소스 데이터 수집 정책 등을 설정하기 위한 UI(User Interface, 이하, 'UI'라고만 함), 소스 데이터 수집 상황의 모니터링 대시보드 데이터 등을 디스플레이 할 수 있다.

또한, 사용자 단말(130)은 소스 데이터 프로세싱 장치(110)에 접속하여, 소스 데이터의 토픽 기반 인덱싱 방식을 설정하기 위한 UI, 소스 데이터에서 샘플링 된 데이터에 대한 가공 함수 적용을 통해 데이터 준비(data preparation)를 수행하기 위한 데이터 준비 툴 UI 또는 상기 데이터 준비 툴 사용에 있어서, 자동 추가 샘플링 방식 등을 설정하기 위한 환경설정 UI 등을 디스플레이 할 수 있다.

또한, 사용자 단말(130)은 데이터 분석 장치(120)에 접속하여, 소스 데이터 프로세싱 장치로부터 수신된 데이터(prepared data)를 이용하여 소스 데이터에 대한 분석을 수행함에 있어서, 그 분석 방법 및 파라미터 등을 세팅하고, 분석 결과를 확인하기 위한 UI를 디스플레이 할 수 있다

도 1에 도시된 것이 본 실시예에 따른 시스템의 유일한 구성은 아님을 유의하여야 한다. 예를 들어, 본 실시예에 따른 시스템에 소스 데이터 수집 장치(100)는 존재하지 않을 수 있다. 이 때에는, 소스 데이터 프로세싱 장치(110)는 소스 데이터 구성 동작까지도 수행할 것이다. 또한, 예를 들어, 본 실시예에 따른 시스템에 데이터 분석 장치(120)가 존재하지 않을 수도 있다. 이 때에는, 소스 데이터 프로세싱 장치(110)가 데이터 준비(data preparation) 뿐만 아니라, 상기 데이터 준비 과정을 거쳐 분석 대상으로 결정된 데이터에 대한 분석(예를 들어, 데이터 마이닝, 머신 러닝, 다양한 통계 분석)까지도 수행할 것이다.

도 1에 도시된 시스템을 포괄적으로 설명하면, 소스 데이터 수집 장치(100)는 분석의 대상인 일종의 원시 데이터(raw data)를 구성하고, 소스 데이터 프로세싱 장치(100)는 상기 원시 데이터 중 분석이 필요한(또는 분석 할 만한) 데이터를 취합하기 위해 데이터를 준비(data preparation) 하며, 데이터 분석 장치(120)는 소스 데이터 프로세싱 장치(110)에 의하여 준비된 데이터를 대상으로 데이터 분석을 수행하는 것으로 이해될 수 있을 것이다. 소스 데이터 프로세싱 장치(110)는 데이터의 토픽을 기준으로 데이터를 인덱싱 한 결과인 토픽 간 M&A관계 테이블을 생성하고, 생성된 토픽 간 M&A 관계 테이블을 이용하여, 네트워크로 도식화를 수행할 수 있다.

이하, 본 발명의 다른 실시예에 따른 데이터 프로세싱 방법을 도 2를 참조하여 설명한다. 도 2는 몇몇 실시예에 따라 토픽 간 M&A 활성도 생성 장치가 토픽 간 M&A 활성도를 제공하는 구조를 설명하기 위한 도면이다.

몇몇 실시예에 따르면, 토픽 간 M&A 활성도 생성 장치(1)는 문서 템플릿(10)을 이용하여 토픽 간 M&A 활성도 데이터(30)를 생성할 수 있다. 여기서, 문서 템플릿(10)은 토픽 간 M&A 활성도를 생성하기 위한 전자 문서의 서식을 포함한다. 몇몇 실시 예에 따르면, 문서 템플릿(10)은 텍스트를 입력하기 위한 매크로 변수와 텍스트가 아닌 객체를 포함할 수 있다. 여기서, 객체는 표, 도형, 또는 이미지 등 문서에 입력될 수 있는 데이터를 의미한다. 문서 템플릿은 표, 도형 및 이미지 중 하나 이상을 포함하는 객체를 포함할 수 있다.

몇몇 실시 예에 따르면, 상기 문서 템플릿(10)은 기업별 업무 기술서 일 수 있다. 기업별 업무 기술서란, 하나 이상의 기업에 대해 상기 기업의 업무 내용이 기술된 문서를 말한다.

문서 템플릿(10)의 예로 상기 기업별 업무 기술서가 입력된다고 가정한다.

업무 기술서는 상기 도 1에서 설명한 바 있는, 소스 데이터를 수집하고 프로세싱 하는 장치(220)에 수집된다. 수집된 업무기술서를 바탕으로, 데이터 분석(250)이 수행된다.

데이터 분석(250)를 통해 상기 기업별 업무 기술서(10)의 키워드를 추출하여 기업별 대응 토픽 목록과 기업별 토픽 가중치가 산출된다. 이 때, 데이터 분석 장치(250)는 소스 데이터를 수집하고 프로세싱 하는 장치(220)로부터 제공된 '분석을 위하여 준비된 데이터(prepared data)'를 이용하여 머신 러닝, 데이터 마이닝과 같은 데이터 분석을 수행될 수 있다.

상기 분석된 데이터를 바탕으로 토픽 별 가중치가 산출(121)된다. 토픽이란, 하나 이상의 비즈니스 아이템을 포함하는 아이템군을 말한다. 토픽 별 가중치란, 기업관계를 기반으로 토픽 별로 거래 활성도를 알아보기 위한 가중치를 말한다. 토픽 별 가중치를 산출하는 장치(121)에서 산출된 토픽 별 가중치와 기업 간 M&A 내역(20)이 수신되면, 네트워크 도식화(122)가 수행된다. 네트워크 도식화에 관하여는 아래에서 자세히 설명한다.

상기 네트워크 도식화(121)가 수행되면, 토픽 간 M&A 활성도(30)가 생성된다. 본 발명의 일 실시예에 따르면, 상기 토픽 간 M&A 활성도(30)는 상기 토픽과 일대일 대응되는 노드 및 상기 노드 사이의 엣지를 포함하는 그래프 데이터의 형태를 가질 수 있다. 이 때, 제1 노드와 제2 노드 사이의 엣지는 상기 제1 노드의 토픽 및 상기 제2 노드의 토픽 사이의 거래 활성도가 0이 아닌 경우에 한하여 형성될 수 있다.

상기 도 2에 도시된 토픽 간 M&A 활성도 생성 장치(1)는 컴퓨팅 장치에서 수행될 수 있다. 여기서 상기 컴퓨팅 장치는, 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능 및 통신 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 다만, 도 1에 예시된 바와 같이, 다양한 단계로 이루어진 모든 기능을 수행하는 경우, 상기 컴퓨팅 장치는 고성능의 서버 컴퓨팅 장치로 구현되는 것이 바람직할 수 있다.

이하, 본 발명의 다른 실시예에 따른 토픽 간 M&A 활성도 생성 방법을 도 3을 참조하여 설명한다. 도 3은 본 실시예의 순서도이다. 본 실시예는 업무 기술서를 기반으로 데이터를 준비하여, 토픽 별 가중치와 조합별 가중치를 연산하고, 상기 연산된 조합별 가중치를 이용하여 거래 활성도를 연산하여 그래프 데이터로 생성하는 것으로 개괄적으로 이해될 수 있을 것이다. 또한, 본 실시예에 따른 방법은 컴퓨팅 장치에 의하여 수행되는데, 물리적으로 하나의 컴퓨팅 장치에 의하여 본 실시예의 방법에 포함되는 모든 동작이 실행될 수도 있을 것이나, 본 실시예의 방법의 제1 동작들은 제1 컴퓨팅 장치에 의하여 수행되고, 본 실시예의 방법의 제2 동작들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다.

단계 S100에서, 수신된 기업의 업무를 기술하는 문서(이하, '기업별 업무 기술서'라고 한다.)의 텍스트를 분석하여 기업마다 토픽 별 가중치를 부여한다. 보다 자세하게는, 기업별 업무 기술서가 수신되면, 기 설정된 용어 사전을 기반으로 해당 업무 기술서에 토픽 별로 가중치 점수로 나타낸다. 토픽이란, 상관관계가 높은 5개의 키워드로 구성된 비즈니스 아이템군을 말한다. 이 때, 기업별 업무 기술서는 독자적으로 수신될 수도 있고, 기업 M&A 거래 데이터를 수신하여 그 중 기업별 업무 기술서와 기업 간 M&A 내역으로 분할하는 단계를 더 거친 것 일 수도 있다. 토픽 별 가중치를 부여하는 단계는 텍스트의 키워드를 추출하는 로직을 수행하여, 각 키워드 별로 가중치를 얻는 단계를 포함할 수 있다. 이에 대해서는, 도 4에서 자세히 설명하도록 한다.

단계 S200에서, 수신된 모든 기업의 업무기술서에 대하여 상기 가중치 부여 작업이 수행되었는지 판단한다. 만약, 모든 기업에 대해 수행되지 않았다면, 수행되지 않은 기업에 대하여 가중치 부여 작업을 수행하고, 모든 기업에 대해 가중치 부여 작업이 수행되었다면, 단계 S300으로 넘어간다.

단계 S300에서 토픽 별 가중치 데이터를 가지고 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산한다. 이 때 일 실시예에 따르면, 상기 인수 기업에 부여된 제1 토픽의 가중치와 상기 피인수 기업에 부여된 제2 토픽의 가중치를 곱하여 상기 조합별 가중치를 연산할 수 있다. 본 발명의 또 다른 실시예에 의하면, 상기 연산된 조합별 가중치에 대하여 M&A 액수 또는 M&A 시기별로 가중치를 조정할 수도 있다. 이에 대하여는 도 7에서 자세히 설명한다.

조합별 가중치를 모두 연산하면, 상기 연산된 조합별 가중치를 동일한 토픽 별로 통합하여 토픽 별 거래 활성도를 연산한다(S400). 본 발명의 일 실시예에 따르면, 상기 통합은 합산의 방식으로 이뤄질 수 있다. 조합별 가중치를 동일한 토픽 별로 통합함에 따라 기업정보(Enterprises Information)기반의 거래 활성도를 제품정보(Item Information)기반의 거래 활성도로 활용할 수 있다. 이 때, 토픽 별 키워드와 토픽 별 업무기술서를 바탕으로, 토픽 별 속성 및 아이템군이 정의될 수 있다. 이에 대하여는 도 8내지 도 9에서 자세히 설명한다.

상기 연산된 토픽 별 거래 활성도를 바탕으로 그래프 데이터로 생성할 수 있다(S500). 이 때, 상기 제1 노드의 가중치는 상기 제1 노드의 토픽이 부여된 각 기업의 M&A 건수를 반영한 것일 수 있다. 또 다른 실시예에 의하면, 상기 제1 노드의 가중치는 M&A 거래 액수가 반영된 것 일 수 있다. 노드의 가중치는 이에 국한되지 않으며, 목적에 따라 다양하게 설정될 수 있음은 당연하다. 또한, 엣지의 가중치는 상기 제1 노드의 토픽 및 상기 제2 노드의 토픽 사이의 거래 활성도를 상기 제1 노드와 상기 제2 노드 사이의 엣지의 가중치로 할 수 있다. 이에 대하여는 도 10 및 도 11에서 자세히 설명한다.

이하, 도 3의 각 단계에 대하여 도 4부터 도 11를 참조하여, 각 단계에 대하여 좀 더 자세히 설명한다.

도 4는 기업 M&A 트랜잭션 데이터(201)가 수신되면, 상기 수신된 기업 M&A 트랜잭션 데이터(201)를 바탕으로 기업별 업무 기술서(202)와 기업 간 M&A 내역(203)으로 분할하는 단계가 도시되어 있다.

예를 들어, 1만건의 기업 M&A 트랜잭션 데이터(201)가 수신되었다고 가정한다. 상기 데이터는 기업 간 M&A 내역(203)과 기업별 업무 기술서(202)가 모두 담겨져있다. 여기서 기업별 업무 기술서(202)란, 각 기업별로 기업의 업무를 나타내는 키워드를 추출한 데이터를 말한다. 기업 간 M&A 내역(203)은 각 M&A의 피인수 기업(Target/ Issuer)과 인수 기업(buyer/ Ivestors)의 정보로 이루어진 데이터를 말한다.

상기 수신된 1만건의 기업 M&A 트랜잭션 데이터(201)는 기업별 업무 기술서(202)와 기업 간 M&A 내역(203)으로 분할된다. 기업별 거래 활성도가 아닌 비즈니스 아이템 별 M&A 활성도를 파악하기 위함이다. 다만, 기업 M&A 트랜잭션 데이터(201)가 아닌, 기업별 업무 기술서(202)가 수신되는 경우에는 상기 분할하는 단계가 생략될 수 있음은 당연하다.

도 5에는 본 발명의 일 실시예에 따른 기업별 업무 기술서를 바탕으로 토픽 모델링 하는 단계를 나타내는 도면이 도시 되어 있다. 기업별 업무 기술서(202)의 텍스트를 분석하여 토픽에 관한 데이터로 바꾸는 단계일 수 있다.

도 5을 참조하면, 기업별 업무 기술서(202)의 텍스트를 분석하기 위한 용어 사전(301)이 구축된다. 상기 용어 사전(301)은 제품과 서비스명에 관한 것일 수 있다. 상기 용어 사전은 기계 학습에 의한 것일 수 있다. 예를 들어, 기계 학습의 방식으로서 DBN(Deep Belief Network), LSTM(Long-Short Term Memory), 및 CNN(Convolutional Neural Network) 등의 다양한 방식이 채택될 수 있다. 입력 데이터인 기업별 업무 기술서(202)에는 다양한 제품 및 서비스 명을 나타내는 키워드들을 포함하고 있다. 상기 기업별 업무 기술서(202)는 기계학습으로 구축된 용어 사전을 이용하여 상기 키워드를 바탕으로 기업별 대응 토픽 목록(302), 기업별 토픽 가중치(303), 토픽 별 키워드(304) 및 토픽 별 업무 기술서(305)로 분류될 수 있다.

상기 구축된 용어 사전(301)을 기반으로 기업별 업무 기술서들을 전체로 모아 토픽 모델링이 수행될 수 있다. 토픽이란, 비즈니스 아이템군을 의미한다. 즉 적어도 한 개 이상의 아이템이 하나의 토픽에 포함될 수 있다. 예를 들어, 1개의 토픽은 상관관계가 높은 5개의 키워드로 구성될 수 있다.

용어 사전(301)을 이용한 토픽 모델링에는 자연어 처리를 기반으로 한 텍스트 마이닝이 이용될 수 있다. 자연어 처리 기반 텍스트 마이닝은 언어학, 통계학, 기계 학습 등을 기반으로 한 자연언어 처리 기술을 활용하여 반정형/비정형 텍스트를 정형화하고, 특징을 추출하기 위한 기술과 추출된 특징으로부터 의미 있는 정보를 발견할 수 있도록 하는 텍스트 마이닝 기술을 말한다.

상기 용어 사전(301)을 이용한 토픽 모델링을 통해 기업별 업무 기술서(202)를 바탕으로 다시 기업별 대응 토픽 목록(302), 기업별 토픽 가중치(303), 토픽 별 키워드(304), 토픽 별 업무 기술서(305)를 추출할 수 있다.

기업별 대응 토픽 목록(302)이란, 기업별로 업무기술서에 각 토픽에 해당하는 키워드의 유무를 나타낸 것일 수 있다. 예를 들어, 업무기술서에 토픽(topic)1에 해당하는 키워드가 있다면 1로 표시하고, 없다면 0으로 표시할 수 있다.

기업별 토픽 가중치(303)란, 기업별 해당 토픽이 업무기술서에서 차지하는 비중을 말한다. 각 토픽 간 가중치의 합이 반드시 1이 될 필요는 없으며, 각 토픽에 해당하는 키워드가 각 기업의 업무 기술서에 언급되는 비중 등을 수치화한 것일 수 있다. 상기 기업별 토픽 가중치(303)를 계산함에 있어서는 LDA(Latent Dirichlet Allocation) 알고리즘이 이용될 수 있다.

토픽 별 키워드(304)는 하나의 토픽 별로 상관관계가 높은 5개의 키워드로 이루어진 데이터일 수 있다. 예를 들어, 도 3을 참조하면, 토픽 별 키워드(304)의 토픽 ID 4에는 자동차에 관련된 키워드들인 vehicle, car, track, fleet, driver로 이루어져 있다.

마지막으로, 토픽 별 업무 기술서(305)란, 각 토픽에 해당하는 기업과 그에 따른 업무 기술서를 포함하는 데이터를 말한다. 토픽 별로 해당 기업과 그 기업의 업무 기술서가 포함된 데이터를 말한다. 기업 간 관계를 아이템군 간 관계로 변환하기 위함이다.

도 6에는 몇몇 실시예에서 참조될 수 있는 기업별 토픽 가중치를 합산하는 방법을 설명하기 위한 도면이 도시되어 있다.

도 6에는 상기 기업별 대응 토픽 목록(302)과 상기 기업별 토픽 가중치(303)를 이용하여 기업별 유효 토픽 가중치(401)를 계산하는 방법이 예로써 도시되어 있다. 기업별(즉, 업무 기술서 별) 대응 토픽을 추출하고, 기업별 주요 토픽에 대해 해당 토픽이 각 기업에서 차지하는 가중치를 파악하여 기업별 유효 토픽 비중을 산출하는 단계이다.

기업별 유효 토픽 가중치(401)란, 기업별 구성 토픽 가중치(303)에 기업별 토픽 목록(302)을 곱한 값일 수 있다. 기업별 유효 토픽 가중치(401)를 통해 업무기술서에 해당 토픽이 존재하지 않는 경우의 가중치가 제외되어 추후 관계 도출 시 노이즈가 제거된 결과값이 제공될 수 있다.

다만, 상기 방법은 기업별 업무 기술서에 기재된 토픽에 대한 가중치를 계산할 수 있는 방법의 일 실시예에 불과하며, 반드시 국한되는 것이 아님은 당연하다.

도 6을 참조하면, company_a의 경우, 토픽(topic)1,2,3에 대한 키워드는 업무기술서에 기재되어 있고, 토픽(topic)4,5 에 해당하는 키워드는 기재되어 있지 않음을 알 수 있다. 또한, 기업별 토픽 가중치(303)를 살펴보면, company_a의 경우, 토픽(topic)1 의 가중치는 0.5이고 토픽(topic)2는 0.3, 토픽(topic)3은 0.2, 토픽(topic)4는 01 토픽(topic)5는 -0.4 임을 알 수 있다. 이 두가지 지표를 곱한 company_a의 기업별 유효 토픽 가중치(401)는 토픽(topic)1은 0.5, 토픽(topic)2 는 0.3, 토픽(topic)3 은 0.2 임을 알 수 있다. 유효 토픽 가중치(401)는 그 목적과 용도에 따라 다양한 가중치를 두어 합산될 수 있음은 물론이다.

도 7 및 도 8에는 몇몇 실시예에서 참조될 수 있는 기업별 M&A 내역 및 해당 기업의 토픽 가중치를 바탕으로 토픽 간 M&A관계를 통합하는 방법을 설명하기 위한 도면이 도시되어 있다. 기업 간 M&A 거래 관계를 토픽 간 M&A 거래 관계로 변화하기 위함이다. 보다 자세하게는, Buyer 기업의 구성 토픽과 Target 기업의 구성 토픽 각각에 대해 해당 토픽 간 관계를 형성하여, 각 토픽의 가중치를 곱하여 토픽 간 관계의 가중치를 도출한다. 동일 토픽 간 관계가 여러 M&A건에서 발생하는 경우에는 이를 통합하여 토픽 간 통합 M&A관계를 도출할 수 있다. 이하 도면을 참조하여 상세하게 설명한다.

먼저, 도 7을 참조한다. 도 7의 왼쪽에는 기업 간 M&A 내역을 나타내는 데이터와 기업별 유효 토픽 및 가중치를 정리한 기업 간 M&A 내역 및 해당 기업의 유효 토픽 가중치(501)에 대한 테이블이 도시되어 있다. 기업별 유효 토픽 및 가중치는 상기 도 6을 참조하여 계산된 기업별 유효 토픽 가중치(401) 값을 반영할 수 있다. 예를 들어, company_a와 company_b의 경우, Target/Issuer인 company_a의 유효 토픽(가중치)는 토픽(topic)_1(0.5), 토픽(topic)_2(0.3), 토픽(topic)(0.2)이고, Buyers/Inventors인 company_b의 유효 토픽(가중치)는 토픽(topic)2(0.3), 토픽(topic)4(0.2)이다. 이제 company_a와 company_b 간의 M&A 내역을 토픽 간 M&A관계로 바꾸기 위해 M&A 트랜젝션별로 바이어와 타겟 기업이 해당하는 토픽(아이템)들의 WEIGHT 값들을 경우의 수에 따라 각각 곱해주어서 토픽 간 관계의 가중치를 도출한다. 이 때, 가중치 = target topic score x buyers topic score일 수 있다. 이 때, 사용자가 원하는 목적에 따라 가중치를 주는 방식을 다양하게 할 수 있음은 물론이다. 예를 들어, 상기 가중치의 값은 M&A의 빈도가 높을수록 가중치가 더 높을 수 있다. 또는 최신 M&A 일수록 가중치가 높을 수 있다.

도 8을 참조하면, 동일 토픽 간에는 관계 가중치를 통합할 수 있다. 기업 간 M&A거래 관계가 아닌 토픽 간 M&A 거래 관계로 변환하기 위함이다. 상기 통합 과정에는 합산 또는 곱셈 등의 연산이 이용될 수 있다. 도 6의 토픽 간 M&A관계(502)는 상기 통합과정이 일어나기 이전의 데이터이다. 동일 토픽 간의 가중치를 통합하여 토픽 간 통합 M&A 관계 (503)로 변환된다. 도 8에는 통합방법의 예시로 합산하는 것이 나타나 있다.

예를 들어, 도 8의 토픽 간 M&A 관계(502) 테이블을 검토하면, Targer/ Issuer가 토픽(topic)3이면서 Buyers/ Investors는 토픽(topic)4인 가중치는 0.04와 0.72 두가지 경우가 있다. 통합의 대상이 되는 가중치는 상기 도 5에서 계산된 것으로, 활용 목적에 따라 다양하게 가중치를 둔 수치들이므로 같은 토픽 간이라 하여도 동일한 값이 아닐 수 있음은 당연하다. 상기 두가지 경우를 합산하면 Targer/ Issuer가 토픽(topic) 3이면서 Buyers/ Investors는 토픽(topic)4인 토픽 간 통합 M&A 관계(503)의 가중치는 0.76의 값을 저장한다.

토픽 간 통합 M&A 관계 (503)를 바탕으로, 네트워크가 그려질 수 있다. 상기 네트워크를 분석함에 있어서는 M&A기업은 산업별 카테고리를 포함하고 있고, 네트워크 여부, 링크 가중치 값, 카테고리 속성을 포함하여 도 6과 같은 네트워크(504)로 표현될 수 있다. 도 6에는 IT 관련 아이템군과 타 산업 관련 아이템군, 그리고 투자 관련 아이템군으로 나누어 관계가 도시되어 있다. 이는 본 발명의 일 실시예를 나타낸 것일 뿐이며, 다른 다양한 산업에 대해 다양한 방법으로 표현될 수 있음은 당연하다.

도 8에 일 예로 표시된 네트워크(504)를 자세히 살펴본다. IT 관련 아이템군은 원 모양의 도형으로 표기되어 있으며, 도형의 밑에는 키워드들이 표시되어 있다. 타 사업 관련 아이템군은 네모 모양의 도형으로 표기되어 있으며 마찬가지로 도형 아래에 해당 키워드들이 표시되어 있다. 마지막으로, 세모 모양의 도형은 투자 관련 아이템군을 나타내는 것으로, 도형 아래에 키워드들이 표시되어 있다.

각 도형 간 관계는 엣지로 표시되어 있으며, 엣지는 가중치에 따라 각기 다른 두께와 길이로 표시되어 있다. 이에 대하여는 도 10에서 다시 자세히 설명한다.

도 9에는 몇몇 실시예에서 참조될 수 있는 토픽 간 키워드와 토픽 별 업무기술서를 바탕으로 토픽 별 속성 및 아이템군을 판단하는 방법을 설명하기 위한 도면이 도시되어 있다.

토픽 별 키워드(304)는 한 개의 토픽에 대하여 상관 관계가 높은 5개의 키워드로 구성될 수 있다. 상기 키워드의 구성은 전문가에 의하여 이루어질 수도 있으나, 기계 학습에 의하여 이루어질 수 있다. 앞서 설명한 바와 같이, 기계 학습을 기반으로 구축된 용어 사전을 기반으로, 기업별 업무기술서들을 전체로 모아 이루어질 수도 있다. 이러한 토픽 별 키워드 및 토픽 별 업무기술서 분석을 통해 토픽 별 아이템군이 정의될 수 있다. 토픽 별 아이템군을 정의함에 있어서는, 다양한 규칙들에 의할 수 있다. 즉, 활용 용도에 따라 규칙을 설정할 수 있으며, 기 설정된 규칙에 의하여 토픽 별 아이템군이 정의된다. 10000개의 기업 데이터로부터 100개의 토픽을 도출한 경우, 100개 토픽에 대한 아이템 군을 정의할 수 있다.

예를 들어, 도 9에 도시된 토픽 별 키워드(304)의 토픽(topic)_2의 키워드는 million, invest, seek, firm, equity로 이루어져 있다. 이에 대응되는 토픽 별 업무기술서(305)를 통합하여 토픽(topic)2 의 아이템군은 Private Equity, Leveraged Buyout, Recapitalization이고, 속성은 투자로 정의된 것을 토픽 별 속성 및 아이템군 (701) 테이블을 통해 알 수 있다.

도 9에 도시된 예는 속성 분야를 IT와 투자, 타 산업으로 구분하도록 기 설정된 경우이며, 이러한 설정은 활용 목적에 따라 얼마든지 변경 가능함은 당연하다. 데이터가 쌓일수록 정확도가 올라가는 것 또한, 기계 학습 분야에서 자명하므로 자세한 설명은 생략한다.

이제까지 기업 간 M&A 거래 관계를 바탕으로 기업 간 관계를 토픽, 즉 아이템 간 관계로 변환하는 방법을 도면을 참조하여 설명하였다. 이하부터는 이렇게 정의된 아이템과 속성을 바탕으로 네트워크화 하는 것에 대해 설명한다.

도 10 및 도 11은 본 발명의 일 실시예에 따른 아이템군에 대한 거래 활성도를 네트워크한 그래프에 대한 도면이다.

먼저 도 10을 참조하면, 도 10은 2016년에 발생한 기업 간 M&A 거래관계를 비즈니스 아이템 간 M&A 거래 활성관계를 나타내는 네트워크로 도식화 한 것이다. 각 노드는 토픽을 나타내며, 링크 즉 엣지는 해당 토픽 간의 관계 가중치를 나타낸다. 엣지의 방향은 Buyer에서 Target이며, 엣지의 두께는 관계 가중치의 크기를 나타낼 수 있다.

노드의 가중치는 해당 토픽을 가지는 M&A 관련 기업의 수일 수 있다. 도 8을 살펴보면, 각 노드의 아래에 숫자가 쓰여 있는 것을 발견할 수 있다. 이는 M&A 관련 기업의 수를 나타낸다. 다만, 기업의 수는 본 발명의 하나의 실시예 일 뿐이며, 다양한 기준, 예를 들면, 최근에 발생했는지 여부 등을 기준으로 노드의 가중치를 결정할 수 있음은 당연하다.

도 10의 노드는 크게 3가지로 구분되어 도시되어 있다. IT 관련 아이템군을 나타내는 원 모양의 노드와 투자 관련 아이템군을 나타내는 세모 모양의 노드, 그리고 산업 관련 아이템군을 나타낸 네모 모양의 노드이다. 이는 타 산업 아이템군과의 관계 중심으로 IT 아이템군과의 연관성을 분석하기 위함으로 다른 분석 목적에 의한 경우, 다양한 산업군을 나타내는 노드를 포함할 수 있음은 당연하다. 다시 도 8을 참조하면, 각 노드를 연결하는 엣지는 서로 다른 두께와 길이를 가지고 있음을 알 수 있다. 이 엣지의 두께는 관계 가중치의 크기를 나타낼 수 있다. 예를 들어, 토픽(topic)간 가중치의 합산을 반영할 수 있으며, 토픽(topic) 간 가중치는 앞서 설명한 바와 같이, 다양한 요소들을 반영하여 계산될 수 있다.

또한, 일정수준의 링크(엣지)가 임계값 이상인 관계만을 표기할 수 있다. 도 8에는 일 예로써, 가중치가 0.5 이상인 임계값 만을 표기하였다.

이에 반해, 도 11를 참조하면, 도 11은 2017년을 기준 연도로 링크(엣지) 임계값이 0.2 이상인 경우만을 표기했음을 알 수 있다. 또한 IT 관련 아이템군과 타 산업 관련 아이템군 만을 표기하여 직관적으로 아이템 간 거래 활성도를 판단할 수 있도록 표기하였다.

도 11의 경우 각 노트마다 그 노드를 구성하는 아이템 즉, 키워드를 표기하였으며, 노드의 아래에는 해당 비즈니스 아이템의 M&A가 일어난 횟수가 숫자로 표시되어 있다. 노드의 크기는 거래 횟수뿐 아니라, M&A 거래 금액의 규모와 횟수 등을 가중치로 둘 수 있다.

도 12은 본 발명의 일 실시예에 따른 비즈니스 아이템 간 M&A 활성도 생성 장치(100)를 나타내는 하드웨어 구성도이다.

도 12을 참조하면, 비즈니스 아이템 간 M&A 활성도 생성 장치(100)는 하나 이상의 프로세서(101), 버스(105), 네트워크 인터페이스(107), 프로세서(101)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(103)와, M&A 활성도 판단 소프트웨어(109a)를 저장하는 스토리지(109)를 포함할 수 있다. 다만, 도 12에서는 본 발명의 실시예와 관련 있는 구성요소들 만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 12에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 물론, 비즈니스 아이템 간 M&A 활성도 생성 장치(100)는 도 12에 도시된 구성 요소 중 일부 구성 요소가 생략되는 형태로 구현될 수도 있다.

프로세서(101)는 비즈니스 아이템 간 M&A 활성도 생성 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(101)은 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술분야에서 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(101)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 비즈니스 아이템 간 M&A 활성도 생성 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(103)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(103)는 본 발명의 실시예들에 따른 비즈니스 아이템 간 M&A 활성도 생성 방법을 실행하기 위하여 스토리지(109)로부터 하나 이상의 프로그램(109a)을 로드할 수 있다. 도 12에서 메모리(103)의 예시로 RAM이 도시되었다.

버스(105)는 비즈니스 아이템 간 M&A 활성도 생성 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(105)는 주소 버스(Addressing Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

네트워크 인터페이스(107)는 비즈니스 아이템 간 M&A 활성도 생성 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 네트워크 인터페이스(107)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(107)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

스토리지(109)는 상기 하나 이상의 프로그램(109a), 평가 기초 데이터 (109b)를 비임시적으로 저장할 수 있다. 도 10에서 상기 하나 이상의 프로그램 (109b)의 예시로 비즈니스 아이템 간 M&A 활성도 생성 소프트웨어(109a)가 도시되었다.

스토리지(109)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

비즈니스 아이템 간 M&A 활성도 생성 소프트웨어(109a)는 메모리(103)에 로드될 때 프로세서(101)로 하여금 본 발명의 몇몇 실시예들에 머신러닝 기반 용어 사전을 이용하여 활성도를 생성하는 방법을 수행하도록 인스트럭션들을 포함할 수 있다.

예를 들어, 비즈니스 아이템 간 M&A 활성도 생성 소프트웨어(109a)는 평가 대상의 M&A 거래 데이터를 입력받는 동작, 텍스트 마이닝을 수행하는 머신런닝 모델을 이용하여, 상기 M&A 데이터의 업무 관련 텍스트를 분류하여 기업별 업무에 대해 기술한 데이터를 생성하는 동작 및 상기 기업별 업무에 대해 기술하는 데이터를 토픽 별로 분석하여 가중치를 부여하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이때, 상기 생성된 기업별 업무에 대해 기술한 데이터는 가상의 데이터 샘플로 구성된다.

도 1 내지 도 12를 참조하여 본 발명의 몇몇 실시예들 및 그 실시 예들에 따른 효과들을 언급하였다. 본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 도 1 내지 도 12을 참조하여 설명된 본 발명의 개념은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되 어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (9)

1. 서버가, 기업의 업무를 기술하는 텍스트에서 상기 기업의 비즈니스 아이템을 가리키는 키워드를 추출하고, 상기 추출된 키워드가 각 기업에 대응되는 토픽에 포함되는지 여부에 따라 토픽 별 가중치를 부여하되, 상기 토픽은 상기 기업의 비즈니스 아이템을 가리키는 키워드 간의 상관 관계를 기초로 구성된 복수의 비즈니스 아이템군인, 단계;
   상기 서버가, 기업간 M&A 내역에 따라 인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽을 조합하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계;
   상기 서버가, 상기 연산된 조합별 가중치를 동일한 토픽 조합 별로 합산하여 각 토픽 간의 M&A 활성도를 연산하는 단계;
   상기 서버가, 상기 토픽과 일대일 대응되는 노드 및 상기 노드 사이의 엣지를 포함하는 그래프 데이터를 생성하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
2. 제1 항에 있어서,
   상기 토픽 별 가중치를 부여하는 단계는,
   제1 토픽에 속하는 각 키워드의 가중치를 합산하여, 상기 제1 토픽의 가중치를 얻는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
3. 제2 항에 있어서,
   상기 제1 토픽의 가중치를 얻는 단계는,
   상기 텍스트에 상기 제1 토픽에 속하는 키워드가 포함되지 않은 경우 상기 제1 토픽의 가중치를 NULL 값으로 세팅하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
4. 제1 항에 있어서,
   인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계는,
   상기 인수 기업에 부여된 제1 토픽의 가중치와 상기 피인수 기업에 부여된 제2 토픽의 가중치를 곱하여 상기 조합별 가중치를 연산하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
5. 제1 항에 있어서,
   인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계는,
   인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하고, 연산된 조합별 가중치를 M&A 액수를 기반으로 조정하는 것을, 각 M&A 사례 별로 반복하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
6. 제1 항에 있어서,
   인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하는 것을, 각 M&A 사례 별로 반복하는 단계는,
   인수 기업에 부여된 모든 토픽 및 피인수 기업에 부여된 모든 토픽의 모든 조합에 대하여 조합별 가중치를 연산하고, 연산된 조합별 가중치를 M&A 시기를 기반으로 조정하는 것을, 각 M&A 사례 별로 반복하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
7. 제1 항에 있어서,
   상기 그래프 데이터를 생성하는 단계는,
   상기 그래프 데이터의 제1 노드의 토픽이 부여된 각 기업의 M&A 건수를, 상기 제1 노드의 토픽이 부여된 모든 기업에 대하여 합산한 값을 상기 제1 노드의 가중치로 세팅하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
8. 제1 항에 있어서,
   상기 그래프 데이터를 생성하는 단계는,
   상기 그래프 데이터의 제1 노드의 토픽이 부여된 각 기업의 M&A 액수를, 상기 제1 노드의 토픽이 부여된 모든 기업에 대하여 합산한 값을 상기 제1 노드의 가중치로 세팅하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
9. 제1 항에 있어서,
   상기 그래프 데이터를 생성하는 단계는,
   상기 그래프 데이터의 제1 노드의 토픽 및 제2 노드의 토픽 사이의 거래 활성도를, 상기 제1 노드와 상기 제2 노드 사이의 엣지의 가중치로 세팅하는 단계를 포함하는,
   토픽 간 M&A 활성도 생성 방법.
   

Images