KR102149160B1 - System and method for improving sns dysfunction based on deep learning - Google Patents
System and method for improving sns dysfunction based on deep learning Download PDFInfo
- Publication number
- KR102149160B1 KR102149160B1 KR1020180166648A KR20180166648A KR102149160B1 KR 102149160 B1 KR102149160 B1 KR 102149160B1 KR 1020180166648 A KR1020180166648 A KR 1020180166648A KR 20180166648 A KR20180166648 A KR 20180166648A KR 102149160 B1 KR102149160 B1 KR 102149160B1
- Authority
- KR
- South Korea
- Prior art keywords
- preference
- server
- user
- subject
- level analysis
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000004064 dysfunction Effects 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 203
- 230000000694 effects Effects 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000006872 improvement Effects 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 235000013305 food Nutrition 0.000 description 16
- 230000000903 blocking effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 235000019640 taste Nutrition 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001404 mediated effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 저장하는 사용자 인터페이스 서버, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 외부 연계 서버, 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장하는 상황인식 서버, 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 분석 서버 및 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 서비스 관리 서버를 포함한다.The deep learning-based SNS dysfunction improvement system is a user interface server that stores data related to login information and activity information of the user's web and mobile-based interfaces, social media, school communities, or local communities with other users related to the user. An external connection server that stores data on activities performed in a mutual relationship, a context awareness server that detects a user's psychological and environmental changes based on information stored in the user interface server and the external connection server and stores data about the user interface server, Based on the default values stored in the user interface server, the external linking server, and the context-aware server, and added or changed according to the user's activity, the user's other An analysis server that analyzes user preferences and preferences for a specific object or specific situation using an artificial neural network method, and a service management server that provides customized services to users using data on preferences analyzed by the analysis server. Include.
Description
본 발명은 딥러닝 기반의 SNS 역기능 개선 시스템 및 방법에 관한 것으로, 보다 상세하게는 이용자들 사이에서 안정성, 연관성 및 적절성을 제공할 수 있는 딥러닝 기반의 SNS 역기능 개선에 관한 것이다. The present invention relates to a deep learning-based SNS dysfunction improvement system and method, and more particularly, to a deep learning-based SNS dysfunction improvement that can provide stability, relevance and appropriateness among users.
최근 인터넷 기술이 발전하면서, 많은 사람들이 소셜 네트워크 서비스(Social Network Service, SNS)를 이용하고 있다. SNS는 온라인 공간에서 사용자로 하여금 인적 네트워크를 구축할 수 있도록 하는 서비스로서, 인맥관리서비스, 사회연결망서비스, 커뮤니티형 웹사이트라는 용어로 설명되기도 한다.With the recent development of internet technology, many people use social network services (SNS). SNS is a service that enables users to build a personal network in an online space, and is also described in terms of social networking service, social network service, and community-type website.
이러한 SNS의 서비스의 요체는 일정한 절차를 통해 참가자들끼리 특정 관계를 형성하고, 그 범위를 점점 넓혀서 결국은 참가자들 사이의 광범위한 상호작용을 긴밀한 방식으로 중계하는 것으로 볼 수 있다. 대표적인 SNS로는 페이스북, 트위터, 마이스페이스 등을 들 수 있다.The essence of the service of this SNS is to form a specific relationship between participants through a certain procedure, expand the scope of it, and eventually relay a wide range of interactions between participants in a close manner. Representative SNS include Facebook, Twitter, and MySpace.
이 중 페이스북의 경우 엣지 링크 알고리즘은 친밀도, 가중치 및 시간의 세가지 요소를 기점으로 상위 노출 게시물을 결정하고 있으며, 친밀도의 경우 사용자가 '댓글', '좋아요' 및 '공유'행위를 표시한 컨텐츠 위주로 가중치를 두고 있고, 가중치의 경우 사진, 영상, 텍스트 및 링크 순으로 가중치를 두고 있으며, 새로 포스팅한 게시물일수록 노출 빈도가 올라가는 특징을 가진다.Among them, in the case of Facebook, the edge link algorithm determines the top exposed posts based on three factors: intimacy, weight, and time, and in the case of intimacy, content in which the user displays'comment','like' and'share' behavior The weight is mainly given, and in the case of weight, the weight is given in the order of photo, video, text, and link, and the frequency of exposure increases as new posts are posted.
이러한 SNS는 많은 사람들에게 유익한 정보의 제공 및 인간 관계의 확장이라는 장점을 제공하고 있으나, SNS의 특성상 불특정 다수에게 아무런 제약없이 노출되고 있어 사회적 문제점과 역기능을 동시에 가지고 있다.Such SNS provides the advantage of providing useful information and expanding human relations to many people, but due to the nature of SNS, it is exposed to an unspecified number of people without any restrictions, so it has social problems and dysfunctions at the same time.
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 SNS 역기능을 최소화할 수 있는 딥러닝 기반의 SNS 역기능 개선 시스템을 제공하는 것이다. Accordingly, the technical problem of the present invention is conceived in this respect, and an object of the present invention is to provide a deep learning-based SNS dysfunction improvement system capable of minimizing SNS dysfunction.
또한, 본 발명의 다른 목적은 SNS 역기능을 최소화할 수 있는 딥러닝 기반의 SNS 역기능 개선 방법을 제공하는 것이다. In addition, another object of the present invention is to provide a deep learning-based SNS dysfunction improvement method capable of minimizing SNS dysfunction.
상기한 본 발명의 목적을 실현하기 위한 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 저장하는 사용자 인터페이스 서버, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 외부 연계 서버, 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장하는 상황인식 서버, 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 분석 서버 및 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 서비스 관리 서버를 포함한다. The deep learning-based SNS dysfunction improvement system for realizing the object of the present invention described above is a user interface server that stores data on login information and activity information of the user's web and mobile-based interfaces, social media, school communities, or regions. Detects psychological and environmental changes of the user based on the information stored in the external connection server, the user interface server, and the external connection server that stores data on activities performed in a mutual relationship with other users related to the user in the community, etc. It is added or changed according to the default values stored in the context recognition server, the user interface server, the external linking server, and the context recognition server, and the user's activity, etc. to store the data to Based on the stored additional value, the user's preference for other users and the user's preference for a specific object or specific situation are analyzed using an artificial neural network method, and the user using data on the preference analyzed by the analysis server. It includes a service management server that provides customized services to users.
본 발명의 일 실시예에 있어서, 상기 분석 서버는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계, 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계, 상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 이용하여 선호도를 분석할 수 있다.In one embodiment of the present invention, the analysis server is a first level analysis step of analyzing the preference by using data stored in the user interface server, the external linking server, and the context recognition server as default values, in the first level analysis step A second level analysis step of reflecting an additional value added or changed and stored by the user's activity in the analyzed result and analyzing using a convolution neural network (CNN), change according to the second level analysis result A third level analysis step of re-analyzing it using a recurrent neural network (RNN) by reflecting the trend, storing the third level analysis result as a default value, and using the data reflecting the third level analysis result Thus, preference may be analyzed using the step of repeatedly performing the analysis steps of the first level to the third level.
본 발명의 일 실시예에 있어서, 상기 기본값은 사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도 및 상기 주체와 객체의 상호작용이 반영된 선호도를 포함할 수 있다. 상기 추가값은 주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도, 객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도 및 상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함할 수 있다.In one embodiment of the present invention, the default value is the preference for the subject of the object based on the object by inversely applying the preference for the object of the subject and the relationship between the subject and the object with the user as the subject and another user as the object. And a preference reflecting the interaction between the subject and the object. The additional value reflects the subject's changed preference for the object that has changed according to the subject's activity, the changed preference for the subject of the object that has changed according to the activity of the object, and the interaction that has changed according to the activity of the subject and the object. It can include varied preferences.
본 발명의 일 실시예에 있어서, 상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.In an embodiment of the present invention, the preference of the first level analysis step may be defined by the following equation.
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.The preference of the second level analysis step may be defined by the following equation.
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의될 수 있다.The preference of the third level analysis step may be defined by the following equation.
여기서, 
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 선제적 차단 및 선별적 노출 서비스를 포함할 수 있다. 상기 선제적 차단 및 선별적 노출 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서 상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 선제적 차단 후, 상기 제3 사용자의 활동에 따른 제1 사용자의 제3 사용자에 대한 선호도 변화에 따라 제1 사용자의 SNS에 대한 제3 사용자의 접근을 단계적으로 허용할 수 있다.In one embodiment of the present invention, the customized service provided by the service management server may include a preemptive blocking and selective exposure service. The preemptive blocking and selective exposure service is not a friend relationship with a first user, a second user who is a friend of the first user, and a third user who is a friend of the second user. The third user's preference for the first user is negatively analyzed by reflecting data on the negative activity of the third user toward the first user in the first user's preference analysis for the third user, and the service management server According to the negative preference of the first user for the third user analyzed by the analysis server, the third user is preemptively blocked from accessing the SNS of the first user, and after preemptive blocking, the third user According to the change in preference of the first user for the third user according to the activity, the third user's access to the SNS of the first user may be allowed in stages.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 과제 도우미 서비스를 포함할 수 있다. 상기 분석 서버는 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천할 수 있다.In one embodiment of the present invention, the customized service provided by the service management server may include a task helper service. The analysis server analyzes the preferences for various subjects of other users who are friends or interacts with the user, classifies other users by subject, quantitatively analyzes the preferences of other users for each subject, and provides the service The management server may recommend a task assistant for a subject for which the user needs assistance according to a quantitative value of the preference for each subject of another user analyzed by the analysis server.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 음식 추천 서비스를 포함할 수 있다. 상기 분석 서버는 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천할 수 있다.In an embodiment of the present invention, a customized food recommendation service provided by the service management server may be included. The analysis server analyzes the user's preference by reflecting data on the environment such as weather and user's psychology stored in the context-aware server to the user's preference analysis, and the service management server analyzes the user's preference analyzed by the analysis server. Can recommend food according to.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법은 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 사용자 인터페이스 서버에 저장하는 단계, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 외부 연계 서버에 저장하는 단계, 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 상황인식 서버에 저장하는 단계, 분석 서버가 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 단계 및 서비스 관리 서버가 상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 단계를 포함한다. In the deep learning-based SNS dysfunction improvement method according to an embodiment for realizing another object of the present invention, the step of storing data related to login information and activity information of the user's web and mobile-based interfaces in a user interface server. , Storing data on activities performed in mutual relations with other users related to the user in social media, school communities, or local communities in an external connection server, based on information stored in the user interface server and the external connection server The step of detecting the psychological and environmental changes of the user and storing the data on the context-aware server, the analysis server is added or changed by default values stored in the user interface server, the external linkage server, and the context-aware server, and the user's activities. Analyzing the user's preference for other users and the user's preference for a specific object or specific situation using an artificial neural network method based on additional values stored in the user interface server, the external linking server, and the context recognition server; and And providing, by the service management server, a customized service to a user by using the data on preference analyzed by the analysis server.
본 발명의 일 실시예에 있어서, 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 분석하는 단계는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계, 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계, 상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 포함할 수 있다.In one embodiment of the present invention, the step of analyzing the user's preference for other users and the user's preference for a specific object or specific situation includes data stored in the user interface server, the external connection server, and the context recognition server as default values. In the first level analysis step of analyzing the preference, the additional value added or changed and stored by the user's activity, etc. is reflected in the analyzed result in the first level analysis step, and a convolution neural network (CNN) is used. A second level analysis step of analyzing using a second level analysis step, a third level analysis step of re-analyzing the trend changed by the second level analysis result using a recurrent neural network (RNN), and the third level analysis It may include storing a result as a default value and repeatedly performing the analysis of the first level to the third level by using the data reflecting the analysis result of the third level.
본 발명의 일 실시예에 있어서, 상기 기본값은 사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도 및 상기 주체와 객체의 상호작용이 반영된 선호도를 포함할 수 있다. 상기 추가값은 주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도, 객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도 및 상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함할 수 있다.In one embodiment of the present invention, the default value is the preference for the subject of the object based on the object by inversely applying the preference for the object of the subject and the relationship between the subject and the object with the user as the subject and another user as the object. And a preference reflecting the interaction between the subject and the object. The additional value reflects the subject's changed preference for the object that has changed according to the subject's activity, the changed preference for the subject of the object that has changed according to the activity of the object, and the interaction that has changed according to the activity of the subject and the object. It can include varied preferences.
본 발명의 일 실시예에 있어서, 상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.In an embodiment of the present invention, the preference of the first level analysis step may be defined by the following equation.
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 될 수 있다.The preference of the second level analysis step may be defined by the following equation.
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의될 수 있다.The preference of the third level analysis step may be defined by the following equation.
여기서, 
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 선제적 차단 및 선별적 노출 서비스를 포함할 수 있다. 상기 선제적 차단 및 선별적 노출 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서 상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 선제적 차단 후, 상기 제3 사용자의 활동에 따른 제1 사용자의 제3 사용자에 대한 선호도 변화에 따라 제1 사용자의 SNS에 대한 제3 사용자의 접근을 단계적으로 허용할 수 있다.In one embodiment of the present invention, the customized service provided by the service management server may include a preemptive blocking and selective exposure service. The preemptive blocking and selective exposure service is not a friend relationship with a first user, a second user who is a friend of the first user, and a third user who is a friend of the second user. The third user's preference for the first user is negatively analyzed by reflecting data on the negative activity of the third user toward the first user in the first user's preference analysis for the third user, and the service management server According to the negative preference of the first user for the third user analyzed by the analysis server, the third user is preemptively blocked from accessing the SNS of the first user, and after preemptive blocking, the third user According to the change in preference of the first user for the third user according to the activity, the third user's access to the SNS of the first user may be allowed in stages.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 서비스는 과제 도우미 서비스를 포함할 수 있다. 상기 분석 서버는 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천할 수 있다.In one embodiment of the present invention, the customized service provided by the service management server may include a task helper service. The analysis server classifies other users by subject by analyzing the preferences for various subjects of other users who have a friend relationship or interaction with the user, and quantitatively analyzes the preferences of other users for each subject, and the service The management server may recommend a task assistant for a subject for which the user needs assistance according to a quantitative value of the preference for each subject of another user analyzed by the analysis server.
본 발명의 일 실시예에 있어서, 상기 서비스 관리 서버가 제공하는 맞춤형 음식 추천 서비스를 포함할 수 있다. 상기 분석 서버는 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며, 상기 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천할 수 있다.In an embodiment of the present invention, a customized food recommendation service provided by the service management server may be included. The analysis server analyzes the user's preference by reflecting data on the environment such as weather and the user's psychology stored in the context-aware server to the user's preference analysis, and the service management server analyzes the user's preference analyzed by the analysis server. Can recommend food according to.
본 발명에 따르면, 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 단순한 취향 분석이 아닌 다른 사용자와의 상호 작용에서 발생되는 정보 및 사용자의 활동 변화에 의해 추가되거나 변동되는 정보를 즉각적으로 반영하여 선호도를 분석한다. 따라서, 기계적인 추천 서비스가 아닌 사용자의 상황에 맞는 맞춤형 서비스의 제공이 가능하다.According to the present invention, the deep learning-based SNS dysfunction improvement system immediately reflects information generated from interactions with other users and information added or changed by a change in user's activity, rather than simply analyzing the user's taste. Analyze. Therefore, it is possible to provide a customized service according to the user's situation rather than a mechanical recommendation service.
또한, 본 발명에 따른 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 상황에 맞는 맞춤형 서비스가 가능하므로, 무분별한 노출 및 원하지 않는 타 사용자의 접근을 차단할 수 있으므로 SNS 역기능을 개선할 수 있다. In addition, since the deep learning-based SNS dysfunction improvement system according to the present invention enables a customized service according to the user's situation, it is possible to block indiscriminate exposure and unwanted access of other users, thereby improving the SNS dysfunction.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 시스템을 나타내는 블럭도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법을 나타내는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 선호도 분석 단계를 나타내는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.1 is a block diagram showing a system for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
2 is a flowchart illustrating a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
3 is a flow chart showing a preference analysis step of a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
4 is a diagram for describing a customized service of a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
5 is a diagram illustrating a customized service of a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
6 is a diagram illustrating a customized service of a deep learning-based SNS dysfunction improvement method according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. The present invention will be described in detail in the text, since various modifications can be made and various forms can be obtained. However, this is not intended to limit the present invention to a specific form of disclosure, it is to be understood as including all changes, equivalents, or substitutes included in the spirit and scope of the present invention. In describing each drawing, similar reference numerals have been used for similar elements. Terms such as first and second may be used to describe various components, but the components should not be limited by the terms.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. These terms are used only for the purpose of distinguishing one component from another component. 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.
본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. In the present application, terms such as "comprise" or "consist of" are intended to designate the presence of features, numbers, steps, actions, elements, 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 the possibility of being added.
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, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the drawings.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 시스템을 나타내는 블럭도이다.1 is a block diagram showing a system for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 시스템(10)은 사용자 인터페이스 서버(100), 외부 연계 서버(200), 상황 인식 서버(300), 분석 서버(400) 및 서비스 관리 서버(500)를 포함한다. Referring to FIG. 1, a deep learning-based SNS
상기 사용자 인터페이스 서버(100)는 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 저장한다. 상기 사용자 인터페이스 서버(100)에서는 사용자가 자주 접속하는 사이트, 사이트 내에서 관심을 갖는 대상 등의 활동 정보에 관한 데이터를 수집하고 저장할 수 있다.The
상기 외부 연계 서버(200)는 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장한다. 상기 외부 연계 서버(200)는 예를 들어, 페이스북, 인스타그램, 네이버 블로그 또는 카카오톡 등과 연계되어 사용자들이 다른 사용자들과의 상호 관계에서 이루어지는 활동에 관한 데이터를 수집하고 저장할 수 있다.The
상기 상황 인식 서버(300)는 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장한다. 상기 상황 인식 서버(300)는 기온, 습도, 강수량, 풍향 및 주거지역에 관한 정보 등의 환경 정보, 사용자의 시각 인지 반응, 공간 인지 반응, 언어 인지 반응 및 스토리 반응 등의 인지 정보 및 웨어러블 기기 등으로부터 수집되는 심전도, 뇌파 및 체온 등의 정보를 포함하는 행위 정보를 수집하고 저장할 수 있다. 따라서, 상황 인식 서버(300)는 특정 상황에 대한 사용자의 감정 또는 행동의 변화에 관한 데이터를 저장하고 있으므로 유사한 상황에 대한 사용자의 선호도 등을 예측하는데 이러한 데이터를 이용할 수 있다.The context-
상기 분석 서버(400)는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석한다. The
상기 분석 서버(400)는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계, 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계, 상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 이용하여 선호도를 분석할 수 있다. The
따라서, 미리 프로그래밍된 이벤트 조건에 따라 다음의 행위를 결정하는 일반적인 방식과 달리, 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하여 선호도를 분석하며, 인공 신경망 방법에 의해 변화되는 레벨 별 추이가 다음 레벨의 분석에 전이되어 다음 레벨의 분석에 영향을 미치게 된다. 따라서, 사용자의 활동 변화에 따른 심리적인 변화 및 선호도의 변화 등이 즉시 선호도 분석에 반영될 수 있으므로, 사용자의 선호도에 맞는 맞춤형 서비스 제공이 가능하다.Therefore, unlike the general method of determining the next action according to the pre-programmed event condition, the preference is analyzed by reflecting the additional value added or changed and stored by the user's activity, etc., and for each level changed by the artificial neural network method. The trend is transferred to the next level of analysis and affects the next level of analysis. Therefore, since psychological changes and changes in preferences according to changes in the user's activities can be immediately reflected in the preference analysis, it is possible to provide a customized service according to the user's preferences.
상기 서비스 관리 서버(500)는 상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공한다. 상기 서비스 관리 서버(500)가 제공하는 맞춤형 서비스에 대하여는 도 4 내지 도 7을 참조하여 상세하게 설명하도록 한다.The
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법을 나타내는 순서도이다. 도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 선호도 분석 단계를 나타내는 순서도이다. 2 is a flowchart illustrating a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention. 3 is a flow chart illustrating a preference analysis step of a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
도 2 및 도 3을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법은 각각의 서버에 데이터를 저장하는 단계(S100), 각각의 서버로부터 데이터를 수집하는 단계(S200), 수집된 데이터를 이용하여 선호도를 분석하는 단계(S300) 및 상기 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 단계(S400)를 포함한다.2 and 3, the method for improving dysfunction of SNS based on deep learning according to an embodiment of the present invention includes storing data in each server (S100), and collecting data from each server (S200). ), analyzing a preference using the collected data (S300), and providing a customized service to a user using the analyzed preference data (S400).
상기 각각의 서버에 데이터를 저장하는 단계(S100)에서는 사용자의 웹 및 모바일 기반의 인터페이스의 로그인 정보 및 활동 정보 등에 관한 데이터를 사용자 인터페이스 서버에 저장하는 단계, 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 외부 연계 서버에 저장하는 단계 및 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 상황인식 서버에 저장하는 단계를 포함할 수 있다. In the step of storing data in each of the servers (S100), storing data related to login information and activity information of the user's web and mobile-based interfaces in a user interface server, the social media, school community, or local community, etc. Storing data on activities performed in a mutual relationship with other users related to the user in an external linking server, and detecting the psychological and environmental changes of the user based on the information stored in the user interface server and the external linking server, It may include the step of storing the data on the context awareness server.
상기 각각의 서버에 데이터들이 저장되면, 각각의 서버로부터 데이터를 수집하는 단계(S200)에서 선호도 분석에 필요한 데이터를 수집할 수 있다.When data is stored in each of the servers, data necessary for preference analysis may be collected in the step of collecting data from each server (S200).
상기 수집된 데이터를 이용하여 선호도를 분석하는 단계(S300)에서는 분석 서버가 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동 등에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석한다. In the step of analyzing the preference using the collected data (S300), the analysis server is added or changed according to default values stored in the user interface server, the external linking server, and the context-aware server, and the user's activity. Based on the additional values stored in the external connection server and the context-aware server, the user's preference for other users and the user's preference for a specific object or specific situation are analyzed using an artificial neural network method.
상기 수집된 데이터를 이용하여 선호도를 분석하는 단계(S300)는 제1 레벨 분석 단계(S310), 제2 레벨 분석 단계(S320), 제3 레벨 분석 단계(S330), 제3 레벨 분석 결과를 저장하는 단계(S340), 추가값이 있는지 확인하는 단계(S350) 및 상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 포함할 수 있다.In the step of analyzing the preference using the collected data (S300), the first level analysis step (S310), the second level analysis step (S320), the third level analysis step (S330), and the third level analysis result are stored. Step S340, the step of checking whether there is an additional value (S350), and the step of repeatedly performing the step of analyzing the first level to the third level by using the data reflecting the result of the third level analysis. have.
상기 제1 레벨 분석 단계(S310)에서는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석한다. 상기 제1 레벨 분석 단계(S310)에서는 각각의 서버에 저장되어 있는 데이터 중에서 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도에 관련된 데이터를 중심으로 사용자의 선호도를 분석한다.In the first level analysis step (S310), preference is analyzed by using data stored in the user interface server, the external linking server, and the context recognition server as default values. In the first level analysis step S310, the user's preference is analyzed based on data related to the user's preference for other users and the user's preference for a specific object or specific situation among data stored in each server.
상기 제1 레벨 분석 단계(S310)에서는 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 선호도를 분석한다. 상기 제1 레벨 분석 단계(S310)에서 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 분석되는 선호도는 다음의 수학식 1에 의해 정의될 수 있다.In the first level analysis step (S310), the preference is analyzed by mediating the preference for the subject of the subject and the preference for the subject of the object. In the first level analysis step S310, the preference analyzed by mediating the preference for the subject of the subject and the preference for the subject of the object may be defined by Equation 1 below.
수학식 1Equation 1
여기서, 
상기 제2 레벨 분석 단계(S320)에서는 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 등에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 사용자의 선호도를 분석한다. In the second level analysis step (S320), an additional value added or changed and stored by a user's activity, etc. is reflected in the analysis result in the first level analysis step, and a convolution neural network (CNN) is used. Analyze users' preferences.
상기 제2 레벨 분석 단계(S320)에서는 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하고, 여기에 상기 제1 레벨 분석 단계(S310)에서 분석된 결과를 반영하여 선호도를 분석한다. 상기 제2 레벨 분석 단계(S320)에서 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 분석되는 선호도는 다음의 수학식 2에 의해 정의될 수 있다.In the second level analysis step S320, the preference of the subject and the preference of the subject are mediated, and the preference is analyzed by reflecting the result analyzed in the first level analysis step (S310). In the second level analysis step S320, the preference analyzed by mediating the preference for the subject of the subject and the preference for the subject of the object may be defined by Equation 2 below.
수학식 2Equation 2
여기서, 
상기 제3 레벨 분석 단계(S330)에서는 상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석한다. 따라서, 상기 제2 레벨 분석 단계에서의 추가값에 의한 변화의 추이가 상기 제3 레벨 분석 단계로 전이될 수 있다.In the third level analysis step (S330), a trend changed by the second level analysis result is reflected and re-analyzed using a recurrent neural network (RNN). Accordingly, a trend of change due to the additional value in the second level analysis step may be transferred to the third level analysis step.
상기 제3 레벨 분석 단계(S330)에서는 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하고, 여기에 상기 제2 레벨 분석 단계(S320)에서 분석된 결과를 반영하여 선호도를 분석한다. 상기 제3 레벨 분석 단계(S330)에서 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도를 중재하여 분석되는 선호도는 다음의 수학식 3에 의해 정의될 수 있다.In the third level analysis step (S330), the preference of the subject and the preference of the object are mediated, and the preference is analyzed by reflecting the result analyzed in the second level analysis step (S320). In the third level analysis step S330, the preference analyzed by mediating the preference for the subject of the subject and the preference for the subject of the object may be defined by Equation 3 below.
수학식 3Equation 3
여기서, 
즉, 제1 내지 제3 레벨 분석 단계에서는 각각 객체의 주체에 대한 선호도와 주체의 객체에 대한 선호도를 중재하여 선호도를 분석하며, 제1 레벨 분석 단계의 분석결과가 제2 레벨 분석 단계의 분석에 반영되고, 제1 레벨 분석 단계의 분석 결과가 반영된 제2 레벨 분석 단계의 분석 결과는 제3 레벨 분석 단계의 분석에 반영된다. That is, in the first to third level analysis steps, preference is analyzed by mediating the preference for the subject of the object and the preference for the object of the subject, respectively, and the analysis result of the first level analysis step is applied to the analysis of the second level analysis step. The analysis result of the second level analysis step is reflected and the analysis result of the first level analysis step is reflected is reflected in the analysis of the third level analysis step.
이후, 제3 레벨 분석 결과를 저장하는 단계(S340)에서는 상기 제3 레벨 분석 단계(S330)의 분석 결과를 기본값으로 저장한다. 따라서, 상기 제1 레벨 분석 단계 내지 상기 제3 레벨 분석 단계에서 수행된 분석 결과는 기본값으로 저장되고, 이후 사용자의 활동에 의해 새롭게 추가되거나 변경되는 추가값을 반영하여 다시 선호도를 재분석할 수 있다. 따라서, 사용자의 활동 등에 의해 변화되는 사용자의 심리 또는 선호도의 변화 등을 즉각적으로 반영할 수 있다.Thereafter, in the step of storing the third level analysis result (S340), the analysis result of the third level analysis step (S330) is stored as a default value. Accordingly, the analysis result performed in the first level analysis step to the third level analysis step is stored as a default value, and the preference may be re-analyzed by reflecting an additional value newly added or changed by the user's activity. Accordingly, it is possible to immediately reflect changes in the user's psychology or preferences, which are changed by the user's activities or the like.
이후, 추가값이 있는지 확인하는 단계(S350)에서는 상기 제1 레벨 분석 단계 내지 상기 제3 레벨 분석 단계 수행 후 새롭게 추가된 추가값이 있는지 여부를 판단한다. 추가값이 없는 경우에는 선호도 분석을 종료하고, 추가값이 있는 경우에는 추가값을 반영하여 상기 제1 레벨 분석 단계 내지 상기 제3 레벨 분석 단계를 반복한다. Thereafter, in the step of checking whether there is an additional value (S350), it is determined whether there is an additional value newly added after performing the first level analysis step to the third level analysis step. If there is no additional value, the preference analysis is terminated, and if there is an additional value, the first level analysis step to the third level analysis step are repeated by reflecting the additional value.
주체의 객체에 대한 선호도 및 객체의 주체에 대한 선호도를 이용하여 선호도를 분석하는 단계(S330)에서는 상기 주체의 객체에 대한 제1 내지 제3 레벨 분석을 하는 단계(S310) 및 상기 객체의 주체에 대한 제1 내지 제3 레벨 분석을 하는 단계(S320)에서 분석된 결과들을 이용하여 중재(arbitration)가 일어난다. 따라서, 이 단계(S330)를 통해 주체의 객체에 대한 선호도와 객체의 주체에 대한 선호도가 적절히 반영된 선호도가 분석될 수 있다. In the step of analyzing the preference using the preference for the subject of the subject and the preference for the subject of the object (S330), performing a first to third level analysis of the object of the subject (S310) and the subject of the object Arbitration takes place using the results analyzed in step S320 of performing the first to third level analysis. Accordingly, through this step (S330), the preference of the subject for the object and the preference in which the preference for the subject of the object is appropriately reflected may be analyzed.
여기서 상기 기본값은 사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도 및 상기 주체와 객체의 상호작용이 반영된 선호도를 포함할 수 있다. 또한, 상기 추가값은 주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도, 객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도 및 상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함할 수 있다. 즉, 상기 기본값은 각각의 서버에 저장되어 있는 사용자의 과거의 활동 등에 관한 정보이며, 추가값은 사용자의 활동에 의해 새롭게 추가되거나 변경된 정보를 말한다. Here, the default is the preference for the subject of the object and the interaction of the subject and the object based on the object by inversely applying the subject's preference for the object and the relationship between the subject and the object with the user as the subject and another user as the object. This can include reflected preferences. In addition, the additional value is a variable preference for an object of the subject that has changed according to the activity of the subject, a changed preference for the subject of the object that has been changed according to the activity of the object, and the interaction that has changed according to the activity of the subject and the object This can include reflected changed preferences. That is, the default value is information about the user's past activity stored in each server, and the additional value is information newly added or changed by the user's activity.
또한, 기본적으로 주체와 객체의 관계는 일대일 대응인 아닌 일대다 대응으로부터 시작되며, 주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도도 분석하므로 주체와 객체의 관계에 관한 노드의 확장이 반복되면, 주체와 객체의 관계는 다대다 대응으로 확장될 수 도 있다. In addition, basically, the relationship between the subject and the object starts from a one-to-many correspondence rather than a one-to-one correspondence, and by applying the relationship between the subject and the object in reverse, the preference for the subject of the object is analyzed based on the object. If the expansion of the related node is repeated, the relationship between the subject and the object may be expanded in a many-to-many correspondence.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다. 4 is a diagram for describing a customized service of a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
도 4를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 맞춤형 서비스는 선제적 차단 및 단계적 접근 허용 서비스를 포함한다. Referring to FIG. 4, the customized service of the method for improving dysfunction of SNS based on deep learning according to an embodiment of the present invention includes a preemptive blocking and stepwise access permission service.
상기 선제적 차단 및 단계적 접근 허용 서비스는 사용자와 친구 관계가 아닌 사람들과의 관계에서 친구 관계가 아닌 사용자가 사용자에게 원하지 않는 접근을 시도하는 경우 이를 선제적으로 차단하고 그 사용자에게 단계적인 접근을 허용하는 서비스를 말한다.The above preemptive blocking and step-by-step access permission service preemptively blocks users who are not in a friend relationship and attempts unwanted access to the user in a relationship between the user and non-friend relations and allows the user step-by-step access. Refers to the service
상기 선제적 차단 및 단계적 허용 서비스는 제1 사용자, 제1 사용자의 친구인 제2 사용자 및 제1 사용자와는 친구관계가 아니나 제2 사용자의 친구인 제3 사용자의 관계에서, 상기 분석 서버는 상기 제3 사용자의 제1 사용자에 대한 부정적인 활동에 대한 데이터를 제1 사용자의 제3 사용자에 대한 선호도 분석에 반영하여 제1 사용자에 대한 제3 사용자의 선호도를 부정적으로 분석한다. The preemptive blocking and step-by-step permission service is in a relationship between a first user, a second user who is a friend of the first user, and a third user who is not a friend of the first user but is a friend of the second user, the analysis server The third user's preference for the first user is negatively analyzed by reflecting data on the negative activity of the third user toward the first user in the first user's preference analysis for the third user.
예를 들어, 도 5에 도시된 바와 같이, C군은 A양의 친구는 아니나 친구인 B군의 SNS를 통해 A양에게 관심이 생길 수 있다. 이에 따라, C군이 A양의 SNS의 게시물을 이용하여 위치를 파악하고 이상한 댓글을 남기는 등 A양을 스토킹 하려는 듯한 행동을 취할 수 있다. 이러한 C군의 행동은 사용 패턴과 성격이 변화된 것으로 볼 수 있으며, 이는 분석 서버에서 추가값으로 인식하여 선호도 분석을 수행한다. 따라서, 분석 서버는 A양을 향한 C군의 행동의 변화를 감지하고, A양의 선호도 분석에 반영한다. C군의 행동은 A양에게 부정적인 활동으로 반영되며, 이에 따라 A양의 C군에 대한 선호도는 감소하게 된다. For example, as shown in FIG. 5, Group C may be interested in Miss A through SNS of Group B, who is not a friend of Miss A. Accordingly, Group C can take an action as if trying to stal Miss A, such as grasping the location using the posts of Miss A's SNS and leaving strange comments. These behaviors of group C can be seen as changes in usage patterns and characteristics, which are recognized as additional values in the analysis server, and preference analysis is performed. Therefore, the analysis server detects the change in group C's behavior toward Miss A and reflects it in the analysis of her preference. Group C's behavior is reflected as a negative activity to Miss A, and accordingly, the preference of Group A for Group C decreases.
이후, 서비스 관리 서버는 상기 분석 서버에서 분석된 제3 사용자에 대한 제1 사용자의 부정적인 선호도에 따라 상기 제3 사용자가 상기 제1 사용자의 SNS에 접근하지 못하도록 선제적으로 차단하고, 제1 사용자의 SNS 내용을 분석된 선호도에 따라 단계적으로 접근을 허용하게 된다. 여기서 단계적 접근의 허용은 상기 C군의 활동 상태에 따라 A양의 C군에 대한 선호도가 개선되는 정도에 따라, 접근의 정도를 단계적으로 허용하는 것을 말한다. 따라서, C군이 A양에게 접근하지 못하도록 선제적으로 차단하게 되며, 선제적 차단 후, C군의 행동의 변화에 따른 A양의 선호도를 반영하여, C군의 A양에 대한 접근의 정도를 단계적으로 조절하는 서비스를 제공할 수 있다. Thereafter, the service management server preemptively blocks the third user from accessing the SNS of the first user according to the negative preference of the first user for the third user analyzed by the analysis server, and The SNS content is allowed to be accessed step by step according to the analyzed preference. Here, the permission of the step-by-step approach refers to allowing the degree of access step by step according to the degree of improvement in preference for Group C of the amount A according to the activity status of the group C. Therefore, it is preemptively blocked so that Group C does not approach Yang A, and after preemptive blocking, the degree of access to Yang A of Group C is reflected by reflecting the preference of Yang A according to the change in the behavior of Group C. It can provide a service that adjusts in stages.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.5 is a diagram illustrating a customized service of a method for improving dysfunctional SNS based on deep learning according to an embodiment of the present invention.
도 5를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 맞춤형 서비스는 과제 도우미 서비스를 포함한다. Referring to FIG. 5, a customized service of a method for improving dysfunction of SNS based on deep learning according to an embodiment of the present invention includes a task helper service.
상기 과제 도우미 서비스는 분석 서버가 사용자와 친구 관계이거나 상호 작용인 이루어지고 있는 다른 사용자들의 다양한 과목에 대한 선호도를 분석하여 다른 사용자들을 과목별로 분류하고, 각 과목에 대한 다른 사용자들의 선호도를 정량적으로 분석하며, 상기 서비스 관리 서버가 상기 분석 서버에서 분석된 다른 사용자의 각 과목에 대한 선호도의 정량적 수치에 따라 사용자가 도움이 필요한 과목의 과제 도우미를 추천하는 서비스를 제공할 수 있다.In the task assistant service, the analysis server analyzes the preferences of other users for various subjects that are friends or interacts with the user, classifies other users by subject, and quantitatively analyzes the preferences of other users for each subject. In addition, the service management server may provide a service for recommending a task assistant for a subject for which the user needs assistance according to a quantitative value of the preference for each subject of another user analyzed by the analysis server.
예를 들어, A양이 화학 과목에 관한 조언을 해줄 도우미가 필요한 경우에, 분석 서버는 A양과 직접 또는 간접적으로 관계를 맺고 있는 사용자들의 각 과목에 대한 선호도를 정량적으로 분석하여 주변 사용자들을 과목별로 분류한다. 이후, 서비스 관리 서버는 화학 과목에 대한 선호도가 높은 H군, I양 및 F군을 화학 과목 과제 도우미로 추천할 수 있다.For example, if Ms. A needs a helper to give advice on chemistry subject, the analysis server quantitatively analyzes the preferences of users who have a direct or indirect relationship with A Classify. Thereafter, the service management server may recommend Group H, Yang I, and Group F with high preference for chemistry subjects as chemistry subject task assistants.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 맞춤형 서비스를 설명하기 위한 도면이다.6 is a diagram illustrating a customized service of a deep learning-based SNS dysfunction improvement method according to an embodiment of the present invention.
도 6을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선 방법의 맞춤형 서비스는 음식 추천 서비스를 포함한다.Referring to FIG. 6, a customized service of a method for improving dysfunction of SNS based on deep learning according to an embodiment of the present invention includes a food recommendation service.
상기 음식 추천 서비스는 분석 서버가 상기 상황 인식 서버에 저장된 날씨 등의 환경 및 사용자의 심리에 관한 데이터를 사용자의 선호도 분석에 반영하여 사용자의 선호도를 분석하며, 서비스 관리 서버는 상기 분석 서버에서 분석된 사용자의 선호도에 따른 음식을 추천하는 서비스를 제공할 수 있다.In the food recommendation service, the analysis server analyzes the user's preference by reflecting data on the environment such as weather and the user's psychology stored in the context-aware server to the user's preference analysis, and the service management server analyzed by the analysis server. It is possible to provide a service that recommends food according to the user's preference.
예를 들어, A양이 무엇을 먹을지 고민하고 있을 때, 단순히 취향만을 고려하여 음식을 추천하지 않고, 먼저 A양의 선호도를 파악하여 유사한 음식 취향을 갖는 사용자들의 선호 음식을 추천하고, 상기 상황 인식 서버에 저장된 내용을 바탕으로 과거의 동일한 상황에서 먹었던 음식과 같은 정보를 반영하여 상황에 맞는 음식을 추가적으로 선별하여 추천할 수 있다. 즉, 단순히 좋아하는 음식이 아닌, 비가 오는 날에 먹으면 좋은 음식 또는 1년 전에 헤어진 남자친구와 비 오는 날에 먹었던 음식 등을 선별하여 추천하는 서비스를 제공할 수 있다.For example, when Ms. A is contemplating what to eat, she does not recommend food by simply considering her taste, but first grasps Ms. A's preferences and recommends preferred foods of users with similar food tastes, and recognizes the situation. Based on the contents stored in the server, it is possible to additionally select and recommend food suitable for the situation by reflecting the same information as the food eaten in the same situation in the past. In other words, it is possible to provide a service that selects and recommends foods that are not just favorite foods, but good foods to eat on rainy days or foods that were eaten on rainy days with a boyfriend who broke up a year ago.
본 발명에 따르면, 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 단순한 취향 분석이 아닌 다른 사용자와의 상호 작용에서 발생되는 정보 및 사용자의 활동 변화에 의해 추가되거나 변동되는 정보를 즉각적으로 반영하여 선호도를 분석한다. 따라서, 기계적인 추천 서비스가 아닌 사용자의 상황에 맞는 맞춤형 서비스의 제공이 가능하다.According to the present invention, the deep learning-based SNS dysfunction improvement system immediately reflects information generated from interactions with other users and information added or changed by a change in user's activity, rather than simply analyzing the user's taste. Analyze. Therefore, it is possible to provide a customized service according to the user's situation rather than a mechanical recommendation service.
또한, 본 발명에 따른 딥러닝 기반의 SNS 역기능 개선 시스템은 사용자의 상황에 맞는 맞춤형 서비스가 가능하므로, 무분별한 노출 및 원하지 않는 타 사용자의 접근을 차단할 수 있으므로 SNS 역기능을 개선할 수 있다.In addition, since the deep learning-based SNS dysfunction improvement system according to the present invention enables a customized service according to the user's situation, it is possible to block indiscriminate exposure and unwanted access of other users, thereby improving the SNS dysfunction.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to embodiments, those skilled in the art can variously modify and change the present invention without departing from the spirit and scope of the present invention described in the following claims. You will understand that there is.
100: 사용자 인터페이스 서버 200: 외부 연계 서버
300: 상황 인식 서버 400: 분석 서버
500: 서비스 관리 서버 100: user interface server 200: external linkage server
300: context-aware server 400: analysis server
500: service management server
Claims (2)
소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 외부 연계 서버;
상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장하는 상황인식 서버;
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 다른 사용자에 대한 선호도 및 사용자의 특정 사물이나 특정 상황에 대한 선호도를 인공 신경망 방법을 이용하여 분석하는 분석 서버; 및
상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 서비스 관리 서버를 포함하고,
상기 분석 서버는,
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계;
상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계;
상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계;
상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계; 및
상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 이용하여 선호도를 분석하고,
상기 기본값은,
사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도;
주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도; 및
상기 주체와 객체의 상호작용이 반영된 선호도를 포함하고,
상기 추가값은,
주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도;
객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도; 및
상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함하고,
상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 시스템.
여기서,
An external linkage server that stores data on activities performed in a mutual relationship with other users related to the user in social media, school communities, or local communities;
A context recognition server that senses a user's psychological and environmental changes based on information stored in the user interface server and the external linking server and stores data thereon;
Based on the default values stored in the user interface server, the external linking server, and the context-aware server, and additional values stored in the user interface server, the external linking server, and the context-aware server after being added or changed by the user's activity, An analysis server that analyzes a preference for a user and a preference for a specific object or specific situation by using an artificial neural network method; And
A service management server that provides a customized service to a user by using data on preference analyzed by the analysis server,
The analysis server,
A first level analysis step of analyzing preferences based on data stored in the user interface server, the external linking server, and the context recognition server;
A second level analysis step of reflecting an additional value added or changed and stored by a user's activity to the analysis result in the first level analysis step and analyzing using a convolution neural network (CNN);
A third level analysis step of reflecting a trend changed by the second level analysis result and reanalyzing it using a recurrent neural network (RNN);
Storing the third level analysis result as a default value; And
Analyzing the preference using the step of repeatedly performing the analysis steps of the first level to the third level using the data reflecting the third level analysis result,
The default values above are,
The user as the subject and another user as the object, the preference for the subject's object;
The preference for the subject of the object based on the object by inversely applying the relationship between the subject and the object; And
Including the preference reflecting the interaction between the subject and the object,
The additional value is,
Fluctuating preferences for the subject's object, which fluctuates according to the subject's activity;
A fluctuating preference for the subject of the object, which fluctuates according to the activity of the object; And
Including a changed preference reflecting the changed interaction according to the activity of the subject and the object,
The preference of the first level analysis step is defined by the following equation,
The preference of the second level analysis step is defined by the following equation,
The preference of the third level analysis step is a deep learning-based SNS dysfunction improvement system, characterized in that it is defined by the following equation.
here,
외부 연계 서버가 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 단계;
상황인식 서버가 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 이에 대한 데이터를 저장하는 단계;
분석 서버가 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장된 기본값 및 사용자의 활동에 의해 추가되거나 변동되어 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황 인식 서버에 저장되는 추가값을 바탕으로 사용자의 선호도를 인공 신경망 방법을 이용하여 분석하는 단계; 및
서비스 관리 서버가 상기 분석 서버에서 분석된 선호도에 관한 데이터를 이용하여 사용자에게 맞춤형 서비스를 제공하는 단계를 포함하고,
상기 사용자의 선호도를 인공 신경망 방법을 이용하여 분석하는 단계는,
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 선호도를 분석하는 제1 레벨 분석 단계;
상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동에 의해 추가되거나 변동되어 저장되는 추가값을 반영하고 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 분석하는 제2 레벨 분석 단계;
상기 제2 레벨 분석 결과에 의해 변화되는 추이를 반영하여 이를 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 재분석하는 제3 레벨 분석 단계;
상기 제3 레벨 분석 결과를 기본값으로 저장하는 단계; 및
상기 제3 레벨 분석 결과가 반영된 데이터를 이용하여 상기 제1 레벨 내지 제3 레벨의 분석 단계를 반복적으로 수행하는 단계를 포함하고,
상기 기본값은,
사용자를 주체로 하고 다른 사용자를 객체로 하여 주체의 객체에 대한 선호도;
주체와 객체의 관계를 역으로 적용하여 객체를 기준으로 객체의 주체에 대한 선호도; 및
상기 주체와 객체의 상호작용이 반영된 선호도를 포함하고,
상기 추가값은,
주체의 활동에 따라 변동된 주체의 객체에 대한 변동된 선호도;
객체의 활동에 따라 변동된 객체의 주체에 대한 변동된 선호도; 및
상기 주체와 객체의 활동에 따라 변동된 상호작용이 반영된 변동된 선호도를 포함하고,
상기 제1 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
상기 제2 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되고,
상기 제3 레벨 분석 단계의 선호도는 다음의 수식에 의해 정의 되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선 방법.
여기서,
Storing, by the user interface server, data regarding login information and activity information of the user's web and mobile-based interfaces;
Storing, by an external connection server, data on activities performed in a social media, a school community, or a mutual relationship with another user related to the user in a local community;
Detecting, by a context-aware server, a psychological and environmental change of a user based on information stored in the user interface server and the external linking server, and storing data thereon;
The analysis server is based on the default values stored in the user interface server, the external linking server, and the context-aware server, and additional values added or changed according to the user's activity and stored in the user interface server, the external linking server, and the context-aware server. Analyzing the preference of using an artificial neural network method; And
A service management server comprising the step of providing a customized service to a user using data on preference analyzed by the analysis server,
Analyzing the user's preference using an artificial neural network method,
A first level analysis step of analyzing preferences based on data stored in the user interface server, the external linking server, and the context recognition server;
A second level analysis step of reflecting an additional value added or changed and stored by a user's activity to the analysis result in the first level analysis step and analyzing using a convolution neural network (CNN);
A third level analysis step of reflecting a trend changed by the second level analysis result and reanalyzing it using a recurrent neural network (RNN);
Storing the third level analysis result as a default value; And
And repeatedly performing the analysis steps of the first level to the third level by using the data reflecting the result of the third level analysis,
The default values above are,
The user as the subject and another user as the object, the preference for the subject's object;
The preference for the subject of the object based on the object by inversely applying the relationship between the subject and the object; And
Including the preference reflecting the interaction between the subject and the object,
The additional value is,
Fluctuating preferences for the subject's object, which fluctuates according to the subject's activity;
A fluctuating preference for the subject of the object, which fluctuates according to the activity of the object; And
Including a changed preference reflecting the changed interaction according to the activity of the subject and the object,
The preference of the first level analysis step is defined by the following equation,
The preference of the second level analysis step is defined by the following equation,
The preference of the third level analysis step is a deep learning-based SNS dysfunction improvement method, characterized in that defined by the following equation.
here,
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180166648A KR102149160B1 (en) | 2018-12-20 | 2018-12-20 | System and method for improving sns dysfunction based on deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180166648A KR102149160B1 (en) | 2018-12-20 | 2018-12-20 | System and method for improving sns dysfunction based on deep learning |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170098625A Division KR101933559B1 (en) | 2017-08-03 | 2017-08-03 | System and method for improving sns dysfunction based on deep learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190015164A KR20190015164A (en) | 2019-02-13 |
| KR102149160B1 true KR102149160B1 (en) | 2020-08-31 |
Family
ID=65366680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180166648A KR102149160B1 (en) | 2018-12-20 | 2018-12-20 | System and method for improving sns dysfunction based on deep learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102149160B1 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784318A (en) * | 2019-03-13 | 2019-05-21 | 西北工业大学 | The recognition methods of Link16 data-link signal neural network based |
| CN110136041B (en) * | 2019-05-09 | 2021-05-04 | 中国科学院自动化研究所 | Artificial population synthesis method, system and device based on multiple social relationship constraints |
| KR20210012730A (en) | 2019-07-26 | 2021-02-03 | 삼성전자주식회사 | Learning method of artificial intelligence model and electronic apparatus |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025324A (en) | 2011-07-14 | 2013-02-04 | Kddi Corp | Recommendation device, recommendation method and program |
| KR101711118B1 (en) | 2015-11-20 | 2017-02-28 | 주식회사 헬스맥스 | System for personnally recommending food based on big-data |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050052638A (en) | 2003-11-28 | 2005-06-03 | 한국전자통신연구원 | Method for providing information considering user's preference and apparatus therefor |
| KR101455907B1 (en) * | 2012-10-09 | 2014-11-03 | 김태기 | Smart phone based online study consulting system |
-
2018
- 2018-12-20 KR KR1020180166648A patent/KR102149160B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025324A (en) | 2011-07-14 | 2013-02-04 | Kddi Corp | Recommendation device, recommendation method and program |
| KR101711118B1 (en) | 2015-11-20 | 2017-02-28 | 주식회사 헬스맥스 | System for personnally recommending food based on big-data |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190015164A (en) | 2019-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Robinson | A longitudinal mixed-methods case study of quarter-life crisis during the post-university transition: Locked-out and locked-in forms in combination | |
| Funder | Taking situations seriously: The situation construal model and the Riverside Situational Q-Sort | |
| US11170064B2 (en) | Method and system to filter out unwanted content from incoming social media data | |
| Rauthmann et al. | Directionality of person–situation transactions: Are there spillovers among and between situation experiences and personality states? | |
| Shah et al. | Big data, digital media, and computational social science: Possibilities and perils | |
| Snijders et al. | Representing micro–macro linkages by actor-based dynamic network models | |
| Batenburg et al. | Virtual support communities and psychological well-being: The role of optimistic and pessimistic social comparison strategies | |
| Kosinski et al. | Manifestations of user personality in website choice and behaviour on online social networks | |
| Gerlitz et al. | The like economy: Social buttons and the data-intensive web | |
| Flashman | Academic achievement and its impact on friend dynamics | |
| Lee et al. | Algorithms as folding: Reframing the analytical focus | |
| KR102149160B1 (en) | System and method for improving sns dysfunction based on deep learning | |
| US20110196927A1 (en) | Social Networking Application Using Posts to Determine Compatibility | |
| US10452411B2 (en) | System and method of using emojis for interactive and enhanced data matching capabilities | |
| US20170249594A1 (en) | Job search engine for recent college graduates | |
| Fadel et al. | Exploring knowledge filtering processes in electronic networks of practice | |
| Maier et al. | Communicating scientific evidence: Scientists’, journalists’ and audiences’ expectations and evaluations regarding the representation of scientific uncertainty | |
| Brody et al. | Social networking site behaviors across the relational lifespan: Measurement and association with relationship escalation and de-escalation | |
| Hofmans et al. | k-centres functional clustering: A person-centered approach to modeling complex nonlinear growth trajectories | |
| US20170004453A1 (en) | Job type recommendation engine | |
| KR101933559B1 (en) | System and method for improving sns dysfunction based on deep learning | |
| Van Der Bruggen et al. | Profiling darkweb child sexual exploitation material forum members using longitudinal posting history data | |
| Sillence et al. | Trust and engagement in online health: A timeline approach | |
| Ghita | In defence of subjectivity: Autoethnography and studying technology non-use | |
| Weinberger | If intelligence is a cause, it is a within-subjects cause |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |