KR102144122B1 - Method and apparatus for calculating online advertising effectiveness based on suitability - Google Patents
Method and apparatus for calculating online advertising effectiveness based on suitability Download PDFInfo
- Publication number
- KR102144122B1 KR102144122B1 KR1020180095671A KR20180095671A KR102144122B1 KR 102144122 B1 KR102144122 B1 KR 102144122B1 KR 1020180095671 A KR1020180095671 A KR 1020180095671A KR 20180095671 A KR20180095671 A KR 20180095671A KR 102144122 B1 KR102144122 B1 KR 102144122B1
- Authority
- KR
- South Korea
- Prior art keywords
- users
- keywords
- advertisement
- information
- fitness
- Prior art date
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
- G06Q30/0242—Determining effectiveness of 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0244—Optimization
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 방법은 광고 상품에 대한 복수의 제1 키워드를 포함하는 정보인 광고대상정보 및 사회 관계망 서비스(social network service; SNS)의 복수의 사용자에 대한 이웃 관계 데이터 및 게시물 데이터를 포함하는 정보인 사용자정보를 획득하는 단계; 상기 사용자정보에 포함된 게시물 데이터에 포함된 복수의 제2 키워드 및 상기 광고대상정보에 포함된 복수의 제1 키워드에 기초하여, 상기 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하는 단계; 및 상기 사용자정보에 포함된 이웃 관계 데이터, 상기 복수의 사용자 각각에 대한 적합도 및 미리 결정된 파급 모델에 기초하여, 상기 복수의 사용자 각각에 대한 광고 효과를 산출하는 단계를 포함한다.According to an embodiment of the present invention, a method for calculating an online advertisement effect based on a degree of suitability is applied to advertisement target information and a plurality of users of a social network service (SNS), which is information including a plurality of first keywords for an advertisement product. Acquiring user information, which is information including neighboring relationship data and post data for the user; Calculating a suitability between a user-product for each of the plurality of users based on a plurality of second keywords included in the post data included in the user information and a plurality of first keywords included in the advertisement target information; And calculating an advertisement effect for each of the plurality of users based on the neighbor relationship data included in the user information, a fitness level for each of the plurality of users, and a predetermined ripple model.
Description
본 발명은 적합도 기반의 온라인 광고 효과 계산 방법 및 장치에 관한 것으로, 보다 상세하게는 소셜 네트워크 서비스(SNS) 사용자와 광고 상품 간의 적합도에 기반하여 해당 사용자의 광고 상품에 대한 광고 효과를 계산하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for calculating an online advertisement effect based on fitness, and more particularly, a method for calculating an advertisement effect for an advertisement product of a corresponding user based on the fitness between a social network service (SNS) user and an advertisement product, and It relates to the device.
최근 Facebook, Twitter와 같은 소셜 네트워크 서비스(SNS)의 급격한 발전으로 이러한 서비스를 이용하는 사용자들이 크게 증가하였다. 이때, SNS는 사용자들이 다양한 의견, 지식 등을 서로 공유하는 매개체로써 역할을 한다. 기업들은 이러한 SNS를 통해 자기 기업에 이윤을 가져다 줄 수 있는 유용한 정보를 소셜 네트워크에 최대한 널리 퍼뜨리고자 한다. 따라서 SNS에서 기업에 유용한 정보를 많이 전파할 수 있는 시드유저를 찾는 연구들이 진행되어 오고 있다.Recently, with the rapid development of social network services (SNS) such as Facebook and Twitter, the number of users using these services has increased significantly. In this case, SNS serves as a medium through which users share various opinions and knowledge with each other. Companies want to disseminate useful information that can bring profits to their businesses through social networks as wide as possible. Therefore, studies are being conducted to find seed users who can spread a lot of useful information to companies through SNS.
학계에서는 2003년에 David Kempe에 의해 영향력 최대화 문제의 최적의 해를 구하는 것이 NP-난해임이 입증되었고, k 단계에 걸쳐 각 단계마다 영향력이 최대인 노드를 하나씩 선출하여 최종적으로 k 개의 시드 노드로 이루어진 집합을 구성하는 SimpleGreedy가 제안되었다. 이후 SimpleGreedy 방법을 기반으로 하여, 여러 방법들이 영향력 최대화 문제의 해결 방법으로 제안되고 있다. 현재 상용화 되고 있는 광고 대행 사용자인 시드유저 추천 서비스에서는 방문자 수, 팔로워 수 등 몇몇 수치지표를 활용하여 시드유저를 추천해주고 있다.In the academic world, it was proved that it was NP-difficulty to find the optimal solution of the influence maximization problem by David Kempe in 2003, and a node with the greatest influence was selected for each stage over k stages and finally k seed nodes. SimpleGreedy, which constitutes a set consisting of, was proposed. Since then, based on the SimpleGreedy method, several methods have been proposed as solutions to the problem of maximizing influence. The seed user recommendation service, which is a commercially available ad agency user, recommends seed users using several numerical indicators such as the number of visitors and the number of followers.
그러나, SimpleGreedy를 비롯한 기존의 영향력 최대화 문제를 해결하는 방법들은 사용자와 광고 상품 사이의 적합성은 고려하지 않고 있다. 이로 인하여 기존 영향력 최대화 문제를 해결하는 방법을 광고 효과 최대화 문제에 그대로 적용하면, 광고 상품과 관련 없는 사용자들이 시드유저집합에 선출되는 문제점이 있다.However, methods to solve the existing problem of maximizing influence, including SimpleGreedy, do not consider the suitability between users and advertisement products. Accordingly, if the method of solving the existing influence maximization problem is applied to the advertisement effect maximization problem as it is, there is a problem in that users who are not related to the advertisement product are elected to the seed user set.
즉, 현재 상용화 되고 있는 시드유저 추천 서비스의 선정 방식은 각 사용자 자체의 특징만 고려하여 사용자의 영향력을 평가한다. 따라서 시드유저로부터 단계적으로 전파되어 나타나는 SNS 전체에서의 광고 효과를 고려하지 못하고 있다. 이런 이유로 SNS에서 사용자를 통해 단계적으로 파급되는 영향력과 추천 대상으로 선정되는 시드유저 사이에 중복되는 영향력을 고려하지 못하는 문제점이 있다.That is, the seed user recommendation service selection method that is currently commercially available evaluates the user's influence by considering only the characteristics of each user. Therefore, it does not take into account the advertising effect on the entire SNS, which is spread step by step from the seed user. For this reason, there is a problem in that the influence that is spread step by step through the user in SNS and the overlapping influence between the seed user selected as a recommendation target cannot be considered.
따라서, 광고 상품과 사용자 간의 관련성을 수치화한 적합도에 기반하는 보다 정확한 광고 효과 계산 방법 및 장치에 대한 필요성이 대두되고 있다.Accordingly, there is a need for a more accurate method and apparatus for calculating advertisement effects based on a degree of fitness that quantifies the relationship between advertisement products and users.
본 발명은 광고 상품과 사용자 간의 관련성을 수치화한 적합도에 기반함으로써, 보다 정확하게 소셜 네트워크 서비스(SNS) 사용자에 대한 광고 효과를 계산하는 방법 및 장치를 제공하고자 한다.An object of the present invention is to provide a method and apparatus for more accurately calculating an advertisement effect for a social network service (SNS) user, based on a degree of fitness obtained by quantifying the relationship between an advertisement product and a user.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the problem(s) mentioned above, and another problem(s) not mentioned will be clearly understood by those skilled in the art from the following description.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 방법은 광고 상품에 대한 복수의 제1 키워드를 포함하는 정보인 광고대상정보 및 사회 관계망 서비스(social network service; SNS)의 복수의 사용자에 대한 이웃 관계 데이터 및 게시물 데이터를 포함하는 정보인 사용자정보를 획득하는 단계; 상기 사용자정보에 포함된 게시물 데이터에 포함된 복수의 제2 키워드 및 상기 광고대상정보에 포함된 복수의 제1 키워드에 기초하여, 상기 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하는 단계; 및 상기 사용자정보에 포함된 이웃 관계 데이터, 상기 복수의 사용자 각각에 대한 적합도 및 미리 결정된 파급 모델에 기초하여, 상기 복수의 사용자 각각에 대한 광고 효과를 산출하는 단계를 포함한다.According to an embodiment of the present invention for achieving the above object, a method for calculating an online advertisement effect based on a degree of fitness according to an embodiment of the present invention includes advertisement target information and social network service; ) Obtaining user information, which is information including neighbor relationship data and post data for a plurality of users; Calculating a suitability between a user-product for each of the plurality of users based on a plurality of second keywords included in the post data included in the user information and a plurality of first keywords included in the advertisement target information; And calculating an advertisement effect for each of the plurality of users based on the neighbor relationship data included in the user information, a fitness level for each of the plurality of users, and a predetermined ripple model.
바람직하게는, 그리디 알고리즘(greedy algorithm)에 기초하여, 상기 복수의 사용자 중에서 상기 산출된 광고 효과가 가장 우수한 복수의 시드유저를 선별하는 단계를 더 포함할 수 있다.Preferably, based on a greedy algorithm, the step of selecting a plurality of seed users having the most excellent advertisement effect among the plurality of users may be further included.
바람직하게는, 상기 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하는 단계는 빈도에 기초하여, 상기 복수의 사용자 각각에 대하여 상기 사용자정보에 포함된 게시물 데이터로부터 상기 복수의 제2 키워드를 선별하는 단계; 및 상기 복수의 제1 키워드, 상기 복수의 제2 키워드 및 상기 복수의 제2 키워드 각각의 빈도에 기초하여 상기 복수의 사용자 각각에 대한 적합도를 산출하는 단계를 포함할 수 있다.Preferably, the step of calculating the suitability between user-products for each of the plurality of users selects the plurality of second keywords from post data included in the user information for each of the plurality of users based on frequency Step to do; And calculating a suitability for each of the plurality of users based on frequencies of the plurality of first keywords, the plurality of second keywords, and the plurality of second keywords.
바람직하게는, 상기 복수의 사용자 각각에 대한 적합도를 산출하는 단계는 상기 복수의 제1 키워드에 포함된 키워드와 상기 복수의 제2 키워드에 포함된 키워드 간의 유사도가 가장 높아지도록 하는 최대 매칭을 이용할 수 있다.Preferably, the step of calculating the suitability for each of the plurality of users may use a maximum matching that allows the highest similarity between the keywords included in the plurality of first keywords and the keywords included in the plurality of second keywords. have.
바람직하게는, 상기 유사도는 Word2Vec모델을 이용하여 산출될 수 있다.Preferably, the similarity can be calculated using the Word2Vec model.
바람직하게는, 상기 복수의 사용자 각각에 대한 광고 효과를 산출하는 단계는 상기 이웃 관계 데이터로부터, 상기 복수의 사용자 각각에 대한 적어도 하나의이웃에 관한 정보인 이웃정보를 추출하는 단계; 및 상기 파급 모델에 대응되도록, 상기 복수의 사용자 각각에 대하여 상기 이웃정보에 포함된 이웃의 수, 상기 이웃정보에 포함된 이웃 각각의 상기 적합도 및 상기 광고 효과를 이용하여 상기 광고 효과를 산출하는 단계를 포함할 수 있다.Preferably, the calculating of the advertisement effect for each of the plurality of users includes: extracting neighbor information, which is information about at least one neighbor for each of the plurality of users, from the neighbor relationship data; And calculating the advertisement effect using the number of neighbors included in the neighbor information for each of the plurality of users, the suitability of each neighbor included in the neighbor information, and the advertisement effect so as to correspond to the distribution model. It may include.
또한, 상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 장치는 광고 상품에 대한 복수의 제1 키워드를 포함하는 정보인 광고대상정보 및 사회 관계망 서비스(SNS)의 복수의 사용자에 대한 이웃 관계 데이터 및 게시물 데이터를 포함하는 정보인 사용자정보를 획득하는 획득부; 및 상기 사용자정보에 포함된 게시물 데이터에 포함된 복수의 제2 키워드 및 상기 광고대상정보에 포함된 복수의 제1 키워드에 기초하여, 상기 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하고, 상기 사용자정보에 포함된 이웃 관계 데이터, 상기 복수의 사용자 각각에 대한 적합도 및 미리 결정된 파급 모델에 기초하여, 상기 복수의 사용자 각각에 대한 광고 효과를 산출하는 산출부를 포함한다.In addition, the fitness-based online advertisement effect calculation apparatus according to an embodiment of the present invention for achieving the above object includes advertisement target information and social network service (SNS), which are information including a plurality of first keywords for advertisement products. An acquisition unit for acquiring user information, which is information including neighbor relationship data and post data for a plurality of users; And based on a plurality of second keywords included in the post data included in the user information and a plurality of first keywords included in the advertisement target information, calculating a user-product suitability for each of the plurality of users, And a calculation unit that calculates an advertisement effect for each of the plurality of users based on the neighbor relationship data included in the user information, a fitness level for each of the plurality of users, and a predetermined ripple model.
바람직하게는, 그리디 알고리즘(greedy algorithm)에 기초하여, 상기 복수의 사용자 중에서 상기 산출된 광고 효과가 가장 우수한 복수의 시드유저를 선별하는 선별부를 더 포함할 수 있다.Preferably, based on a greedy algorithm, it may further include a selection unit that selects a plurality of seed users having the most excellent advertisement effect among the plurality of users.
바람직하게는, 상기 산출부는 빈도에 기초하여, 상기 복수의 사용자 각각에 대하여 상기 사용자정보에 포함된 게시물 데이터로부터 상기 복수의 제2 키워드를 선별하고, 상기 복수의 제1 키워드, 상기 복수의 제2 키워드 및 상기 복수의 제2 키워드 각각의 빈도에 기초하여 상기 복수의 사용자 각각에 대한 적합도를 산출할 수 있다.Preferably, the calculation unit selects the plurality of second keywords from post data included in the user information for each of the plurality of users, based on the frequency, and selects the plurality of first keywords and the plurality of second keywords. The suitability for each of the plurality of users may be calculated based on the keyword and the frequency of each of the plurality of second keywords.
바람직하게는, 상기 산출부가 상기 복수의 사용자 각각에 대한 적합도를 산출할 때, 상기 복수의 제1 키워드에 포함된 키워드와 상기 복수의 제2 키워드에 포함된 키워드 간의 유사도가 가장 높아지도록 하는 최대 매칭을 이용할 수 있다.Preferably, when the calculation unit calculates a degree of suitability for each of the plurality of users, maximum matching such that the similarity between the keywords included in the plurality of first keywords and the keywords included in the plurality of second keywords is highest You can use
바람직하게는, 상기 유사도는 Word2Vec모델을 이용하여 산출될 수 있다.Preferably, the similarity can be calculated using the Word2Vec model.
바람직하게는, 상기 산출부는 상기 이웃 관계 데이터로부터, 상기 복수의 사용자 각각에 대한 적어도 하나의이웃에 관한 정보인 이웃정보를 추출하고, 상기 파급 모델에 대응되도록, 상기 복수의 사용자 각각에 대하여 상기 이웃정보에 포함된 이웃의 수, 상기 이웃정보에 포함된 이웃 각각의 상기 적합도 및 상기 광고 효과를 이용하여 상기 광고 효과를 산출할 수 있다.Preferably, the calculation unit extracts neighbor information, which is information about at least one neighbor for each of the plurality of users, from the neighbor relationship data, and corresponds to the spread model, for each of the plurality of users. The advertisement effect may be calculated by using the number of neighbors included in the information, the fitness of each neighbor included in the neighbor information, and the advertisement effect.
본 발명은 광고 상품과 소셜 네트워크 서비스(SNS) 사용자 간의 관련성을 수치화한 적합도에 기반함으로써, 보다 정확하게 SNS 사용자에 대한 광고 효과를 계산할 수 있는 효과가 있다.The present invention has the effect of more accurately calculating the advertising effect for the SNS user, based on the degree of fitness obtained by quantifying the relationship between the advertisement product and the social network service (SNS) user.
또한, 본 발명은 SNS 사용자별로 광고 효과를 정확하게 계산함으로써, 다른 사용자들에 대한 광고 효과가 높은 시드유저를 보다 정확하게 선별할 수 있는 효과가 있다.In addition, according to the present invention, by accurately calculating the advertising effect for each SNS user, it is possible to more accurately select seed users having high advertising effects for other users.
도 1은 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 장치를 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 방법의 결과를 다른 방법에 의한 결과와 비교한 도면이다.1 is a flowchart illustrating a method of calculating an online advertisement effect based on fitness according to an embodiment of the present invention.
2 is a block diagram illustrating an apparatus for calculating an online advertisement effect based on fitness according to an embodiment of the present invention.
FIG. 3 is a diagram comparing a result of a method for calculating a fitness-based online advertisement effect according to an embodiment of the present invention with a result obtained by another method.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 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.In the present invention, various modifications may be made and various embodiments may be provided, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to a specific embodiment, it is to be understood as including all changes, equivalents, and substitutes included in the spirit and scope of the present invention. In describing each drawing, similar reference numerals have been used for similar elements.
제1, 제2, A, B 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. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various elements, but the elements should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another component. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may be referred to as a first component. The term and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is referred to as being "connected" or "connected" to another component, it is understood that it is directly connected to or may be connected to the other component, but other components may exist in the middle. Should be. On the other hand, when a component is referred to as being "directly connected" or "directly connected" to another component, it should be understood that there is no other component in the middle.
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 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof does not preclude in advance.
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.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms as defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in this application. Does not.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 방법을 설명하기 위한 흐름도이다.1 is a flowchart illustrating a method of calculating an online advertisement effect based on fitness according to an embodiment of the present invention.
단계 S110에서는, 광고 효과 계산 장치가 광고 상품에 대한 복수의 제1 키워드를 포함하는 정보인 광고대상정보 및 사회 관계망 서비스(social network service; SNS)의 복수의 사용자에 대한 이웃 관계 데이터 및 게시물 데이터를 포함하는 정보인 사용자정보를 획득한다.In step S110, the advertisement effect calculation device calculates advertisement target information, which is information including a plurality of first keywords for an advertisement product, and neighbor relationship data and post data for a plurality of users of a social network service (SNS). User information, which is information to be included, is acquired.
여기서, 소셜 네트워크 서비스(SNS)는 사용자들 간에 관계망을 구축하여 게시물을 통해 소통할 수 있는 온라인 서비스의 형태로서, 페이스북(facebook), 트위터(twitter), 메시지 서비스(kakaotalk, line), 블로그(blog) 등이 있다. 하지만, 본 발명에서 의미하는 SNS는 이에 한정되는 것은 아니며, 사용자들간의 관계망이 존재하는 다양한 형태의 온라인 서비스를 모두 포함할 수 있다.Here, social network service (SNS) is a form of online service that allows users to communicate through posts by establishing a relationship network, and includes Facebook, Twitter, message services (kakaotalk, line), and blogs ( blog), etc. However, the SNS meant in the present invention is not limited thereto, and may include all various types of online services in which a relationship network between users exists.
또한, 광고 상품은 온라인을 통해 광고될 수 있는 모든 종류의 물품과 서비스를 포괄한다. 하지만, 광고 상품은 물품과 서비스에만 한정되는 것은 아니며, 언급되지 않은 어떠한 형태의 대상도 모두 포함할 수 있다.In addition, advertising products encompass all kinds of goods and services that can be advertised online. However, advertisement products are not limited to goods and services, and may include all types of objects not mentioned.
한편, 제1 키워드는 광고 상품을 나타내는 대표적인 명칭 또는 특징에 관한 단어일 수 있으며, 광고대상정보는 이러한 제1 키워드를 복수개 포함할 수 있다. 예컨대, 광고 상품이 휴대폰인 경우, 제1 키워드는 휴대폰, 스마트폰, 스마트기기, 핸드폰, 아이폰, 갤럭시 등이 될 수 있다.Meanwhile, the first keyword may be a representative name representing an advertisement product or a word related to a characteristic, and the advertisement target information may include a plurality of such first keywords. For example, when the advertisement product is a mobile phone, the first keyword may be a mobile phone, a smart phone, a smart device, a mobile phone, an iPhone, or a galaxy.
이웃 관계 데이터는 어떤 사용자와 SNS 상에서 관계를 가지고 있는 다른 사용자들에 관한 데이터를 의미할 수 있다. 예컨대, 이웃 관계 데이터는 SNS 상에서 그 어떤 사용자를 팔로잉하는 다른 사용자의 수 또는 다른 사용자의 ID에 관한 데이터를 포함할 수 있다. The neighbor relationship data may mean data about a user and other users having a relationship on the SNS. For example, the neighbor relationship data may include data on the ID of another user or the number of other users following that user on the SNS.
게시물 데이터는 어떤 사용자가 SNS 상에서 작성한 게시물에 관한 데이터일 수 있다. 예컨대, 게시물 데이터는 트위터 상에서 그 어떤 사용자가 작성한 트윗(tweet)에 관한 데이터를 포함할 수 있다.The post data may be data related to a post written by a user on an SNS. For example, the post data may include data on a tweet created by a certain user on Twitter.
단계 S120에서는, 광고 효과 계산 장치가 사용자정보에 포함된 게시물 데이터에 포함된 복수의 제2 키워드 및 광고대상정보에 포함된 복수의 제1 키워드에 기초하여, 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출한다.In step S120, based on the plurality of second keywords included in the post data included in the user information and the plurality of first keywords included in the advertisement target information, the advertisement effect calculating apparatus Calculate the fit.
예컨대, 광고 효과 계산 장치는 어떤 사용자의 게시물 데이터에 포함된 복수의 제2 키워드와 광고대상정보에 포함된 복수의 제1 키워드의 유사성에 기초하여, 그 사용자에 대한 사용자-상품 적합도를 산출할 수 있다.For example, the advertisement effect calculation apparatus may calculate a user-product suitability for a user based on the similarity between a plurality of second keywords included in the post data of a user and a plurality of first keywords included in the advertisement target information. have.
한편, 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하는 자세한 내용은 아래의 실시예를 통해 구체적으로 후술한다.Meanwhile, details of calculating the suitability between user-products for each of a plurality of users will be described later in detail through the following examples.
다른 실시예에서는, 광고 효과 계산 장치가 복수의 제1 키워드, 복수의 제2 키워드 및 복수의 제2 키워드 각각의 빈도에 기초하여, 사용자-상품 간의 적합도를 산출할 수 있다.In another embodiment, the advertisement effect calculation apparatus may calculate a degree of suitability between user-products based on the frequencies of each of the plurality of first keywords, the plurality of second keywords, and the plurality of second keywords.
우선적으로, 광고 효과 계산 장치는 빈도에 기초하여, 복수의 사용자 각각에 대하여 사용자정보에 포함된 게시물 데이터로부터 복수의 제2 키워드를 선별할 수 있다.First, the advertisement effect calculation apparatus may select a plurality of second keywords from post data included in the user information for each of the plurality of users based on the frequency.
예컨대, 광고 효과 계산 장치는 어떤 사용자가 SNS 상에 게시한 게시물에서 사용된 빈도에 기초하여 복수의 제2 키워드를 선별할 수 있다. 이때, 광고 효과 계산 장치는 복수의 제2 키워드를 선별하는데 있어서, 조사, 부사, 감탄사 등과 같이 광고 상품과의 관련성이 낮을 것으로 추정되는 단어들을 제외할 수 있다.For example, the advertisement effect calculation apparatus may select a plurality of second keywords based on a frequency used in a post posted by a certain user on an SNS. In this case, in selecting the plurality of second keywords, the advertisement effect calculation apparatus may exclude words that are estimated to have low relevance to the advertisement product, such as survey, adverb, and exclamation.
그 다음으로, 광고 효과 계산 장치는 복수의 제1 키워드, 복수의 제2 키워드 및 복수의 제2 키워드 각각의 빈도에 기초하여, 복수의 사용자 각각에 대한 적합도를 산출할 수 있다.Next, the advertisement effect calculation apparatus may calculate a suitability for each of the plurality of users based on the frequencies of each of the plurality of first keywords, the plurality of second keywords, and the plurality of second keywords.
예컨대, 광고 효과 계산 장치는 어떤 사용자의 복수의 제2 키워드 각각에 대하여 제1 키워드와의 유사도를 산출한 후, 복수의 제2 키워드 각각의 빈도를 가중치로 적용할 수 있다. 또한, 광고 효과 계산 장치는 그 결과를 모두 합하여 그 사용자에 관한 적합도를 산출할 수 있다.For example, the advertisement effect calculation apparatus may calculate a degree of similarity with the first keyword for each of the plurality of second keywords of a certain user, and then apply the frequency of each of the plurality of second keywords as a weight. In addition, the advertisement effect calculation apparatus may calculate the degree of fitness for the user by summing all the results.
이때, 광고 효과 계산 장치는 아래의 수학식 1을 이용하여 사용자별 적합도를 산출할 수 있다.In this case, the advertisement effect calculation apparatus may calculate the fitness for each user using Equation 1 below.
[수학식 1][Equation 1]
여기서, rel(B, X)는 사용자 B의 상품 X에 대한 적합도이고, bw는 제2 키워드이고, xw는 제1 키워드이고, sim(bw, xw)는 제2 키워드와 제1 키워드의 유사도이고, n(bw)는 제2 키워드의 빈도이다.Here, rel(B, X) is the suitability of user B to product X, bw is the second keyword, xw is the first keyword, and sim(bw, xw) is the similarity between the second keyword and the first keyword. , n(bw) is the frequency of the second keyword.
또 다른 실시예에서는, 광고 효과 계산 장치가 복수의 제1 키워드에 포함된 키워드와 복수의 제2 키워드에 포함된 키워드 간의 유사도가 가장 높아지도록 하는 최대 매칭을 이용하여 사용자-상품 간의 적합도를 산출할 수 있다.In another embodiment, the advertisement effect calculation device may calculate the suitability between the user and the product by using the maximum matching that causes the highest similarity between the keywords included in the plurality of first keywords and the keywords included in the plurality of second keywords. I can.
예컨대, 광고 효과 계산 장치는 복수의 제2 키워드 각각에 대하여 복수의 제1 키워드 중 가장 유사도가 높은 키워드를 선별하여 최대 매칭을 수행할 수 있다.For example, the advertisement effect calculation apparatus may perform maximum matching by selecting a keyword having the highest similarity among the plurality of first keywords for each of the plurality of second keywords.
보다 구체적으로, 복수의 제2 키워드가 {A, B, C}이고, 복수의 제1 키워드가 {a, b, c}인 경우를 가정한다. 이때, 광고 효과 계산 장치는 A에 대하여 {a, b, c} 중 가장 유사도가 높은 a를 매칭시킬 수 있다. 또한, 광고 효과 계산 장치는 B에 대하여 {a, b, c} 중 가장 유사도가 높은 a를 매칭시킬 수 있다. 또한, 광고 효과 계산 장치는 C에 대하여 {a, b, c} 중 가장 유사도가 높은 b를 매칭시킬 수 있다. 이처럼, 광고 효과 계산 장치는 복수의 제2 키워드 각각에 대하여 복수의 제1 키워드 중 가장 유사도가 높은 키워드를 매칭하여 최대 매칭을 수행할 수 있다.More specifically, it is assumed that the plurality of second keywords are {A, B, C} and the plurality of first keywords are {a, b, c}. In this case, the advertisement effect calculation apparatus may match A with a having the highest similarity among {a, b, c}. Also, the advertisement effect calculation apparatus may match B with a having the highest similarity among {a, b, c}. Also, the advertisement effect calculation apparatus may match C with the highest similarity b among {a, b, c}. As such, the advertisement effect calculation apparatus may perform maximum matching by matching a keyword having the highest similarity among the plurality of first keywords with respect to each of the plurality of second keywords.
또 다른 실시예에서는, 유사도는 Word2Vec모델을 이용하여 산출될 수 있다.In another embodiment, the degree of similarity may be calculated using the Word2Vec model.
여기서, Word2Vec모델은 단어 사이의 의미 연관성을 유사도로 산출할 수 있도록 학습된 모델로서, 2013년 구글에서 개발된 자연어 처리 방식이다. 즉, Word2Vec모델은 단어의 빈도에 기반하여 단어를 벡터 스페이스에 임베딩(embedding)함으로써, 같이 등장하는 빈도가 높은 단어들은 상호 유사도가 높고, 빈도가 낮은 단어들은 상호 유사도가 낮은 것으로 판단할 수 있다.Here, the Word2Vec model is a model that has been trained to calculate the similarity of meaning between words, and is a natural language processing method developed by Google in 2013. That is, the Word2Vec model embeds words in a vector space based on the frequency of words, so that words with high frequency appearing together may have high similarity and words with low frequency can be determined to have low similarity.
즉, 광고 효과 계산 장치는 사용자별 적합도를 산출하는 과정에서, 제2 키워드와 제1 키워드의 유사도를 학습된 Word2Vec모델을 이용하여 산출할 수 있다.That is, the advertisement effect calculation apparatus may calculate the similarity between the second keyword and the first keyword by using the learned Word2Vec model in the process of calculating the fitness for each user.
마지막으로 단계 S130에서는, 광고 효과 계산 장치가 사용자정보에 포함된 이웃 관계 데이터, 복수의 사용자 각각에 대한 적합도 및 미리 결정된 파급 모델에 기초하여, 복수의 사용자 각각에 대한 광고 효과를 산출한다.Finally, in step S130, the advertisement effect calculation apparatus calculates the advertisement effect for each of the plurality of users based on the neighbor relationship data included in the user information, the suitability for each of the plurality of users, and a predetermined ripple model.
예컨대, 광고 효과 계산 장치는 Independent cascade (IC) 모델을 파급 모델로 이용할 수 있다. 이때, IC 모델은 네트워크 간선(edge)의 가중치를 1/(이웃 관계의 수)로 할당할 수 있다. 하지만, 광고 효과 계산 장치는 IC 모델뿐만 아니라, 언급되지 않은 다양한 종류의 파급 모델을 이용할 수 있음은 물론이다.For example, the advertisement effect calculation apparatus may use an independent cascade (IC) model as a distribution model. In this case, the IC model may allocate the weight of the network edge as 1/ (the number of neighbor relationships). However, it goes without saying that the advertisement effect calculation apparatus can use not only the IC model but also various types of dissemination models not mentioned.
한편, 광고 효과 계산 장치는 광고 효과가 광고 상품과 각 사용자들의 적합도에 따라 달라질 수 있다는 점을 반영하여 광고 효과를 산출하고 있다. 예를 들어, 어떤 사용자가 광고 상품에 대한 광고를 접했을 때, 해당 광고 상품이 자신에게 적합하다면 광고에 영향을 받을 가능성이 크지만, 그렇지 않다면 해당 광고의 영향을 받을 가능성이 낮을 것이다. 그러므로, 광고 효과 계산 장치는 사용자와 광고 상품 간 적합도를 정의하고, 사용자와 광고 상품 간 적합도를 반영하여 광고 효과를 산출하고 있다.Meanwhile, the advertisement effect calculation device calculates the advertisement effect by reflecting that the advertisement effect may vary according to the advertisement product and the suitability of each user. For example, when a user encounters an advertisement for an advertisement product, if the advertisement product is suitable for him/her, it is highly likely to be affected by the advertisement, but otherwise, the possibility of being affected by the advertisement will be low. Therefore, the advertisement effect calculation apparatus defines the degree of fitness between the user and the advertisement product, and calculates the advertisement effect by reflecting the degree of suitability between the user and the advertisement product.
한편, 복수의 사용자 각각에 대한 광고 효과를 산출하는 자세한 내용은 아래의 실시예를 통해 구체적으로 후술한다.Meanwhile, details of calculating the advertising effect for each of a plurality of users will be described later in detail through the following embodiments.
다른 실시예에서는, 광고 효과 계산 장치가 복수의 사용자 각각에 대한 이웃정보를 이용하여 광고 효과를 산출할 수 있다.In another embodiment, the advertisement effect calculation apparatus may calculate the advertisement effect using neighbor information for each of a plurality of users.
우선적으로, 광고 효과 계산 장치는 이웃 관계 데이터로부터, 복수의 사용자 각각에 대한 적어도 하나의 이웃에 관한 정보인 이웃정보를 추출할 수 있다.First, the advertisement effect calculation apparatus may extract neighbor information, which is information about at least one neighbor for each of a plurality of users, from neighbor relation data.
예컨대, 광고 효과 계산 장치는 어떤 사용자와 이웃 관계에 있는 사용자의 수 및 그 사용자의 ID를 포함하는 이웃정보를 이웃 관계 데이터로부터 추출할 수 있다.For example, the advertisement effect calculation apparatus may extract neighbor information including the number of users in a neighbor relationship with a certain user and the user's ID from the neighbor relation data.
그 다음으로, 광고 효과 계산 장치는 미리 설정된 파급 모델에 대응되도록, 복수의 사용자 각각에 대하여 이웃정보에 포함된 이웃의 수, 이웃정보에 포함된 이웃 각각의 적합도 및 광고 효과를 이용하여 광고 효과를 산출할 수 있다.Next, the advertisement effect calculation apparatus calculates the advertisement effect by using the number of neighbors included in the neighbor information, the fitness of each neighbor included in the neighbor information, and the advertisement effect for each of the plurality of users so as to correspond to a preset spread model. Can be calculated.
예컨대, 광고 효과 계산 장치는 어떤 사용자의 이웃의 수, 이웃 각각의 적합도 및 광고 효과를 이용하여 그 사용자에 대한 광고 효과를 산출할 수 있다.For example, the advertisement effect calculation apparatus may calculate an advertisement effect for a user by using the number of neighbors of a user, the fitness of each neighbor, and the advertisement effect.
보다 구체적으로, 광고 효과 계산 장치는 아래의 수학식 2를 이용하여 복수의 사용자 각각에 대한 광고 효과를 산출할 수 있다.More specifically, the advertisement effect calculation apparatus may calculate an advertisement effect for each of a plurality of users using Equation 2 below.
[수학식 2][Equation 2]
여기서, σ(A, X)는 사용자 A의 상품 X에 대한 광고 효과이고, OA는 사용자 A의 이웃의 집합이고, rel(B, X)는 사용자 B의 상품 X에 대한 적합도이고, IB는 사용자 B의 이웃의 수이고, σ(B, X)는 사용자 B의 상품 X에 대한 광고 효과이다.Here, σ(A, X) is the advertising effect of user A's product X, O A is the set of user A's neighbors, rel(B, X) is the fitness of user B's product X, and I B Is the number of neighbors of user B, and σ(B, X) is the advertising effect of user B's product X.
또 다른 실시예에서는, 광고 효과 계산 장치가 그리디 알고리즘(greedy algorithm)에 기초하여, 복수의 사용자 중에서 그 산출된 광고 효과가 가장 우수한 복수의 시드유저를 선별할 수 있다.In another embodiment, the advertisement effect calculation apparatus may select a plurality of seed users having the most excellent advertisement effect among the plurality of users based on a greedy algorithm.
즉, 광고 효과 계산 장치는 그리디 알고리즘을 적용하여, 매 단계 광고 효과의 한계 이득(marginal gain)이 최대인 사용자를 하나씩 선출함으로써 미리 정해진 만큼의 복수의 시드유저를 선출할 수 있다.That is, the advertisement effect calculation apparatus may select a plurality of seed users by a predetermined number by selecting one user with the maximum marginal gain of each stage advertisement effect by applying a greedy algorithm.
한편, 도 3을 참조하면, 3가지 종류의 온라인 광고 효과 계산 방법을 비교한 결과가 나타나 있다. AEE는 본 발명의 일 실시예에 따른 온라인 광고 효과 계산 방법이고, IM은 기존의 영향력 최대화 방안으로, 사용자-상품 간 적합도를 고려하지 않는 그리디 알고리즘을 이용하는 온라인 광고 효과 계산 방법이고, SDD(single degree discount)는 이웃 수를 기반으로 시드유저를 선출하되, 다음 시드유저 선출 시, 기 선출된 시드유저의 간선을 제거하는 온라인 광고 효과 계산 방법이다.Meanwhile, referring to FIG. 3, a result of comparing three types of online advertisement effect calculation methods is shown. AEE is an online advertisement effect calculation method according to an embodiment of the present invention, and IM is an existing influence maximization method, an online advertisement effect calculation method using a greedy algorithm that does not consider the fit between user-products, and SDD (single degree discount) is a method of calculating the effectiveness of online advertising that selects a seed user based on the number of neighbors, but removes the edge of the previously elected seed user when the next seed user is elected.
3가지 방법들의 광고 효과를 비교하기 위해, 각 방법에 대하여 10명의 시드유저 집합을 선출하여 선출된 시드유저집합의 광고 효과를 측정하였다. 이때, 시드유저집합의 광고 효과는 시드유저의 광고에 영향을 받은 사용자의 수를 의미한다.To compare the advertising effects of the three methods, a set of 10 seed users were selected for each method, and the advertising effect of the selected seed user set was measured. In this case, the advertising effect of the seed user set means the number of users affected by the seed user's advertisement.
그 결과, 본 발명의 일 실시예에 따른 온라인 광고 효과 계산 방법(AEE)으로 선출한 시드유저 집합이 가장 큰 광고 효과를 보였으며, IM 및 SDD와 비교하여 각각 12% 및 91%만큼 더 큰 광고 효과를 갖는 시드유저를 선출하였다. 이러한 실험 결과는 본 발명의 일 실시예에 따른 온라인 광고 효과 계산 방법(AEE)이 사용자-상품 간 적합도를 반영함으로써, 사용자들의 광고 효과를 더욱 정확하게 계산할 수 있다는 것을 의미한다.As a result, the set of seed users elected by the online advertisement effect calculation method (AEE) according to an embodiment of the present invention showed the greatest advertisement effect, and advertisements that were larger by 12% and 91%, respectively, compared to IM and SDD. A seed user with the effect was elected. This experimental result means that the online advertisement effect calculation method (AEE) according to an embodiment of the present invention reflects the user-product fitness, so that the advertisement effect of users can be more accurately calculated.
이와 같이, 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 방법은 광고 상품과 소셜 네트워크 서비스(SNS) 사용자 간의 관련성을 수치화한 적합도에 기반함으로써, 보다 정확하게 SNS 사용자에 대한 광고 효과를 계산할 수 있는 효과가 있다.As described above, the method for calculating the effectiveness of online advertising based on fitness according to an embodiment of the present invention is based on the fitness that quantifies the relationship between the advertising product and the social network service (SNS) user, so that the advertising effect for SNS users can be more accurately calculated It can have an effect.
도 2는 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 장치를 설명하기 위한 블록도이다.2 is a block diagram illustrating an apparatus for calculating an online advertisement effect based on fitness according to an embodiment of the present invention.
도 2를 참조하면, 본 발명의 일 실시예에 따른 적합도 기반의 온라인 광고 효과 계산 장치(200)는 획득부(210) 및 산출부(220)를 포함할 수 있다. 또한, 선택적으로 선별부(미도시)를 더 포함할 수 있다. Referring to FIG. 2, a fitness-based online advertisement
한편, 적합도 기반의 온라인 광고 효과 계산 장치(200)는 서버 컴퓨터, 데스크탑PC, 노트북, 태블릿 및 스마트폰 등에 탑재되어 SNS 사용자별 광고 효과를 계산하기 위하여 이용될 수 있다.Meanwhile, the fitness-based online advertisement
획득부(210)는 광고 상품에 대한 복수의 제1 키워드를 포함하는 정보인 광고대상정보 및 사회 관계망 서비스(SNS)의 복수의 사용자에 대한 이웃 관계 데이터 및 게시물 데이터를 포함하는 정보인 사용자정보를 획득한다.The acquisition unit 210 stores advertisement target information, which is information including a plurality of first keywords for advertisement products, and user information, which is information including neighbor relationship data and post data for a plurality of users of a social network service (SNS). Acquire.
산출부(220)는 사용자정보에 포함된 게시물 데이터에 포함된 복수의 제2 키워드 및 광고대상정보에 포함된 복수의 제1 키워드에 기초하여, 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하고, 사용자정보에 포함된 이웃 관계 데이터, 복수의 사용자 각각에 대한 적합도 및 미리 결정된 파급 모델에 기초하여, 복수의 사용자 각각에 대한 광고 효과를 산출한다.The calculation unit 220 calculates the suitability between a user-product for each of a plurality of users based on a plurality of second keywords included in the post data included in the user information and a plurality of first keywords included in the advertisement target information. Then, advertisement effects for each of the plurality of users are calculated based on the neighbor relationship data included in the user information, the suitability for each of the plurality of users, and a predetermined ripple model.
다른 실시예에서는, 산출부(220)는 빈도에 기초하여, 복수의 사용자 각각에 대하여 사용자정보에 포함된 게시물 데이터로부터 복수의 제2 키워드를 선별하고, 복수의 제1 키워드, 복수의 제2 키워드 및 복수의 제2 키워드 각각의 빈도에 기초하여 복수의 사용자 각각에 대한 적합도를 산출할 수 있다.In another embodiment, the calculation unit 220 selects a plurality of second keywords from post data included in the user information for each of the plurality of users, based on the frequency, and selects a plurality of first keywords and a plurality of second keywords. And a degree of suitability for each of the plurality of users based on the frequency of each of the plurality of second keywords.
또 다른 실시예에서는, 산출부(220)는 복수의 사용자 각각에 대한 적합도를 산출할 때, 복수의 제1 키워드에 포함된 키워드와 복수의 제2 키워드에 포함된 키워드 간의 유사도가 가장 높아지도록 하는 최대 매칭을 이용할 수 있다.In another embodiment, when calculating the suitability for each of a plurality of users, the calculation unit 220 allows the highest similarity between the keywords included in the plurality of first keywords and the keywords included in the plurality of second keywords. Maximum matching can be used.
또 다른 실시예에서는, 유사도는 Word2Vec모델을 이용하여 산출될 수 있다.In another embodiment, the degree of similarity may be calculated using the Word2Vec model.
또 다른 실시예에서는, 산출부(220)는 이웃 관계 데이터로부터, 복수의 사용자 각각에 대한 적어도 하나의 이웃에 관한 정보인 이웃정보를 추출하고, 파급 모델에 대응되도록, 복수의 사용자 각각에 대하여 이웃정보에 포함된 이웃의 수, 이웃정보에 포함된 이웃 각각의 적합도 및 광고 효과를 이용하여 광고 효과를 산출할 수 있다.In another embodiment, the calculation unit 220 extracts neighbor information, which is information about at least one neighbor for each of the plurality of users, from the neighbor relationship data, and corresponds to the distribution model, for each of the plurality of users. The advertisement effect may be calculated using the number of neighbors included in the information, the fitness of each neighbor included in the neighbor information, and the advertisement effect.
선별부(미도시)는 그리디 알고리즘(greedy algorithm)에 기초하여, 복수의 사용자 중에서 그 산출된 광고 효과가 가장 우수한 복수의 시드유저를 선별한다.The selection unit (not shown) selects a plurality of seed users having the best advertisement effect among the plurality of users based on a greedy algorithm.
상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.The above-described embodiments of the present invention can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium.
상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 를 포함한다.The computer-readable recording medium includes a magnetic storage medium (for example, a ROM, a floppy disk, a hard disk, etc.), and an optical reading medium (for example, a CD-ROM, a DVD, etc.).
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다. So far, the present invention has been looked at around its preferred embodiments. Those of ordinary skill in the art to which the present invention pertains will appreciate that the present invention may be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments should be considered from an illustrative point of view rather than a limiting point of view. The scope of the present invention is shown in the claims rather than the above description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.
Claims (12)
광고 상품에 대한 복수의 제1 키워드를 포함하는 정보인 광고대상정보 및 사회 관계망 서비스(social network service; SNS)의 복수의 사용자에 대한 이웃 관계 데이터 및 게시물 데이터를 포함하는 정보인 사용자정보를 획득하는 단계;
상기 게시물 데이터에서 사용된 단어의 빈도에 기초하여 복수의 제2 키워드를 선별하되, 상기 게시물 데이터에서 사용된 단어 중에서 조사, 부사, 감탄사에 대응되는 단어는 상기 복수의 제2 키워드에서 제외하는 단계;
상기 사용자정보에 포함된 게시물 데이터에 포함된 상기 복수의 제2 키워드 및 상기 광고대상정보에 포함된 복수의 제1 키워드에 기초하여, 상기 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하는 단계; 및
상기 사용자정보에 포함된 이웃 관계 데이터, 상기 복수의 사용자 각각에 대한 적합도 및 미리 결정된 파급 모델에 기초하여, 상기 복수의 사용자 각각에 대한 광고 효과를 산출하는 단계
를 포함하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 방법.In the fitness-based online advertising effect calculation method performed by the fitness-based online advertising effect calculation device,
To obtain user information, which is information including information including a plurality of first keywords for advertisement products, information including neighbor relation data and post data for a plurality of users of advertisement target information and social network service (SNS) step;
Selecting a plurality of second keywords based on the frequency of words used in the post data, but excluding words corresponding to survey, adverb, and exclamation among words used in the post data from the plurality of second keywords;
Calculating a suitability between a user-product for each of the plurality of users based on the plurality of second keywords included in the post data included in the user information and the plurality of first keywords included in the advertisement target information ; And
Calculating an advertisement effect for each of the plurality of users based on neighbor relationship data included in the user information, a fitness level for each of the plurality of users, and a predetermined ripple model
Fit-based online advertising effect calculation method comprising a.
그리디 알고리즘(greedy algorithm)에 기초하여, 상기 복수의 사용자 중에서 상기 산출된 광고 효과가 가장 우수한 복수의 시드유저를 선별하는 단계
를 더 포함하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 방법.The method of claim 1,
Selecting a plurality of seed users having the best advertisement effect among the plurality of users based on a greedy algorithm
Online advertising effect calculation method based on fitness, characterized in that it further comprises.
상기 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하는 단계는
상기 복수의 제1 키워드, 상기 복수의 제2 키워드 및 상기 복수의 제2 키워드 각각의 빈도에 기초하여 상기 복수의 사용자 각각에 대한 적합도를 산출하는 단계
를 포함하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 방법.The method of claim 1,
The step of calculating the suitability between user-products for each of the plurality of users
Calculating a suitability for each of the plurality of users based on frequencies of the plurality of first keywords, the plurality of second keywords, and the plurality of second keywords
Fit-based online advertising effect calculation method comprising a.
상기 복수의 사용자 각각에 대한 적합도를 산출하는 단계는
상기 복수의 제1 키워드에 포함된 키워드와 상기 복수의 제2 키워드에 포함된 키워드 간의 유사도가 가장 높아지도록 하는 최대 매칭을 이용하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 방법.The method of claim 3,
The step of calculating the fitness for each of the plurality of users
A method for calculating a fitness-based online advertisement effect, characterized in that a maximum matching is used so that a similarity between a keyword included in the plurality of first keywords and a keyword included in the plurality of second keywords is highest.
상기 유사도는
Word2Vec모델을 이용하여 산출되는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 방법.The method of claim 4,
The similarity is
Online advertising effect calculation method based on fitness, characterized in that it is calculated using the Word2Vec model.
상기 복수의 사용자 각각에 대한 광고 효과를 산출하는 단계는
상기 이웃 관계 데이터로부터, 상기 복수의 사용자 각각에 대한 적어도 하나의이웃에 관한 정보인 이웃정보를 추출하는 단계; 및
상기 파급 모델에 대응되도록, 상기 복수의 사용자 각각에 대하여 상기 이웃정보에 포함된 이웃의 수, 상기 이웃정보에 포함된 이웃 각각의 상기 적합도 및 상기 광고 효과를 이용하여 상기 광고 효과를 산출하는 단계
를 포함하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 방법.The method of claim 1,
The step of calculating the advertising effect for each of the plurality of users
Extracting neighbor information, which is information about at least one neighbor for each of the plurality of users, from the neighbor relationship data; And
Calculating the advertisement effect by using the number of neighbors included in the neighbor information for each of the plurality of users, the fitness of each neighbor included in the neighbor information, and the advertisement effect so as to correspond to the spread model
Fit-based online advertising effect calculation method comprising a.
상기 게시물 데이터에서 사용된 단어의 빈도에 기초하여 복수의 제2 키워드를 선별하되, 상기 게시물 데이터에서 사용된 단어 중에서 조사, 부사, 감탄사에 대응되는 단어는 상기 복수의 제2 키워드에서 제외하며, 상기 사용자정보에 포함된 게시물 데이터에 포함된 상기 복수의 제2 키워드 및 상기 광고대상정보에 포함된 복수의 제1 키워드에 기초하여, 상기 복수의 사용자 각각에 대한 사용자-상품 간의 적합도를 산출하고, 상기 사용자정보에 포함된 이웃 관계 데이터, 상기 복수의 사용자 각각에 대한 적합도 및 미리 결정된 파급 모델에 기초하여, 상기 복수의 사용자 각각에 대한 광고 효과를 산출하는 산출부
를 포함하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 장치.An acquisition unit for acquiring advertisement target information, which is information including a plurality of first keywords for advertisement products, and user information, which is information including neighboring relationship data and post data for a plurality of users of a social network service (SNS); And
A plurality of second keywords are selected based on the frequency of words used in the post data, but among words used in the post data, words corresponding to surveys, adverbs, and exclamations are excluded from the plurality of second keywords, and the Based on the plurality of second keywords included in the post data included in user information and the plurality of first keywords included in the advertisement target information, a degree of suitability between user-products for each of the plurality of users is calculated, and the A calculation unit that calculates an advertisement effect for each of the plurality of users based on the neighbor relationship data included in the user information, the fitness for each of the plurality of users, and a predetermined ripple model
A fitness-based online advertising effect calculation device comprising a.
그리디 알고리즘(greedy algorithm)에 기초하여, 상기 복수의 사용자 중에서 상기 산출된 광고 효과가 가장 우수한 복수의 시드유저를 선별하는 선별부
를 더 포함하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 장치.The method of claim 7,
A selection unit that selects a plurality of seed users having the best advertisement effect among the plurality of users based on a greedy algorithm
A fitness-based online advertising effect calculation device, characterized in that it further comprises.
상기 산출부는
상기 복수의 제1 키워드, 상기 복수의 제2 키워드 및 상기 복수의 제2 키워드 각각의 빈도에 기초하여 상기 복수의 사용자 각각에 대한 적합도를 산출하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 장치.The method of claim 7,
The calculation unit
A fitness-based online advertisement effect calculation apparatus, characterized in that, based on the frequency of each of the plurality of first keywords, the plurality of second keywords, and the plurality of second keywords, a degree of suitability for each of the plurality of users is calculated.
상기 산출부가 상기 복수의 사용자 각각에 대한 적합도를 산출할 때,
상기 복수의 제1 키워드에 포함된 키워드와 상기 복수의 제2 키워드에 포함된 키워드 간의 유사도가 가장 높아지도록 하는 최대 매칭을 이용하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 장치.The method of claim 9,
When the calculation unit calculates the suitability for each of the plurality of users,
Apparatus for calculating an online advertisement effect based on fitness, characterized in that a maximum matching is used so that a similarity between a keyword included in the plurality of first keywords and a keyword included in the plurality of second keywords is highest.
상기 유사도는
Word2Vec모델을 이용하여 산출되는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 장치.The method of claim 10,
The similarity is
A fitness-based online advertisement effect calculation device, characterized in that it is calculated using the Word2Vec model.
상기 산출부는
상기 이웃 관계 데이터로부터, 상기 복수의 사용자 각각에 대한 적어도 하나의이웃에 관한 정보인 이웃정보를 추출하고,
상기 파급 모델에 대응되도록, 상기 복수의 사용자 각각에 대하여 상기 이웃정보에 포함된 이웃의 수, 상기 이웃정보에 포함된 이웃 각각의 상기 적합도 및 상기 광고 효과를 이용하여 상기 광고 효과를 산출하는 것을 특징으로 하는 적합도 기반의 온라인 광고 효과 계산 장치.
The method of claim 7,
The calculation unit
Extracting neighbor information, which is information about at least one neighbor for each of the plurality of users, from the neighbor relationship data,
The advertisement effect is calculated using the number of neighbors included in the neighbor information for each of the plurality of users, the fitness of each neighbor included in the neighbor information, and the advertisement effect so as to correspond to the spread model. Online advertising effect calculation device based on fitness.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180095671A KR102144122B1 (en) | 2018-08-16 | 2018-08-16 | Method and apparatus for calculating online advertising effectiveness based on suitability |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180095671A KR102144122B1 (en) | 2018-08-16 | 2018-08-16 | Method and apparatus for calculating online advertising effectiveness based on suitability |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200020223A KR20200020223A (en) | 2020-02-26 |
| KR102144122B1 true KR102144122B1 (en) | 2020-08-13 |
Family
ID=69637922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180095671A KR102144122B1 (en) | 2018-08-16 | 2018-08-16 | Method and apparatus for calculating online advertising effectiveness based on suitability |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102144122B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101834564B1 (en) * | 2017-12-22 | 2018-03-06 | 주식회사 마인드셋 | Domain matching device and method for multi-domain natural language processing |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101297271B1 (en) * | 2011-04-11 | 2013-08-14 | 에스케이씨앤씨 주식회사 | Method and apparatus for social network analysis service |
| KR20160009776A (en) * | 2014-07-16 | 2016-01-27 | 경북대학교 산학협력단 | Method for providing advertisement based on analyzation of user's interests, and mobile terminal using there of |
| KR20180043774A (en) * | 2018-04-19 | 2018-04-30 | 문용희 | Method for providing social advertisement mediation service |
-
2018
- 2018-08-16 KR KR1020180095671A patent/KR102144122B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101834564B1 (en) * | 2017-12-22 | 2018-03-06 | 주식회사 마인드셋 | Domain matching device and method for multi-domain natural language processing |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200020223A (en) | 2020-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106886518B (en) | Microblog account number classification method | |
| CN108733706B (en) | Method and device for generating heat information | |
| CN109460512B (en) | Recommendation information processing method, device, equipment and storage medium | |
| US9646263B2 (en) | Identifying expanding hashtags in a message | |
| US8583471B1 (en) | Inferring household income for users of a social networking system | |
| US8732015B1 (en) | Social media pricing engine | |
| US10489719B2 (en) | Shared per content provider prediction models | |
| CN106940705A (en) | A kind of method and apparatus for being used to build user's portrait | |
| WO2016015444A1 (en) | Target user determination method, device and network server | |
| US8341101B1 (en) | Determining relationships between data items and individuals, and dynamically calculating a metric score based on groups of characteristics | |
| CN104765758B (en) | System and method for search result orientation | |
| US20180068028A1 (en) | Methods and systems for identifying same users across multiple social networks | |
| US9959503B2 (en) | Filtering automated selection of hashtags for computer modeling | |
| US20180129929A1 (en) | Method and system for inferring user visit behavior of a user based on social media content posted online | |
| US11200591B2 (en) | Electronic content based on neural networks | |
| US20130204823A1 (en) | Tools and methods for determining relationship values | |
| CN107977678A (en) | Method and apparatus for output information | |
| US20200111027A1 (en) | Systems and methods for providing recommendations based on seeded supervised learning | |
| KR20190097879A (en) | System for providing marketing platform and method and computer program for social network based marketing using the same | |
| JP2014219985A (en) | Field opinion leader extraction method, and field opinion leader extraction device | |
| US9569727B2 (en) | Predicting computer model accuracy | |
| JP2020035409A (en) | Characteristic estimation device, characteristic estimation method, and characteristic estimation program or the like | |
| KR20090016043A (en) | Method and system for generating marketing information | |
| KR102144122B1 (en) | Method and apparatus for calculating online advertising effectiveness based on suitability | |
| CN111784091B (en) | Method and device for processing information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |