KR102149371B1 - 동영상 기반 인력 매칭 방법 및 시스템 - Google Patents

동영상 기반 인력 매칭 방법 및 시스템 Download PDF

Info

Publication number
KR102149371B1
KR102149371B1 KR1020190116691A KR20190116691A KR102149371B1 KR 102149371 B1 KR102149371 B1 KR 102149371B1 KR 1020190116691 A KR1020190116691 A KR 1020190116691A KR 20190116691 A KR20190116691 A KR 20190116691A KR 102149371 B1 KR102149371 B1 KR 102149371B1
Authority
KR
South Korea
Prior art keywords
user
expert
video
score
information
Prior art date
Application number
KR1020190116691A
Other languages
English (en)
Inventor
박재병
Original Assignee
주식회사 케어닥
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=72234358&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=KR102149371(B1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by 주식회사 케어닥 filed Critical 주식회사 케어닥
Priority to KR1020190116691A priority Critical patent/KR102149371B1/ko
Application granted granted Critical
Publication of KR102149371B1 publication Critical patent/KR102149371B1/ko

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream

Abstract

본 개시는 동영상 기반 인력 매칭 방법을 제공한다. 이 방법은 제1 사용자 단말로부터 제1 사용자의 인적 정보 및 인터뷰 동영상을 포함하는 전문가 등록 요청을 수신하는 단계, 인터뷰 동영상으로부터 제1 사용자의 성향 데이터를 추출하는 단계, 제1 사용자의 성향 데이터에 기초하여 제1 사용자의 전문가 등급을 판정하는 단계, 제1 사용자의 전문가 등급에 기초하여 전문가 등록 요청의 허용 여부를 판정하는 단계, 전문가 등록 요청을 허용하는 것으로 판정되는 경우, 제1 사용자의 인적 정보, 인터뷰 동영상 및 전문가 등급을 연관시켜 제1 전문가 프로필로 저장하는 단계를 포함한다.

Description

동영상 기반 인력 매칭 방법 및 시스템{METHOD AND SYSTEM FOR MATCHING WORKFORCE BASED ON VIDEO}
본 개시는 동영상 기반 인력 매칭 방법 및 시스템에 관한 것으로, 구체적으로, 전문가의 인터뷰 동영상에서 추출한 성향 데이터를 이용하여 판정한 전문가의 등급과 전문가의 인적정보를 사용자에게 제공하여 사용자가 전문가를 선택할 수 있도록 하는 인력 매칭 방법 및 시스템에 관한 것이다.
최근 우리나라는 전체 인구 중 노인인구 비중이 14%를 넘는 고령사회에 들어섰으며, 기대여명이 늘어나 쇠약, 질병 등으로 거동이 불편한 고령자가 향후 점차 증가할 것으로 예상된다. 이에 따라, 장기요양이 필요한 노인을 위한 요양병원, 요양시설의 수가 과거에 비해 증가하였으나, 안전사고, 노인학대, 요양급여의 부정 수급과 같은 문제에 대한 우려 또한 지속적으로 제기되고 있다. 또한, 사용자에게 요양시설을 추천하거나 소개해주는 기존의 요양시설 중개 플랫폼은, 광고로 인한 추천 및 소개가 많아 신뢰가 떨어지고 정보가 왜곡될 수 있다는 문제점이 있다.
한편, 요양보호사는, 치매, 중풍 등 노인성 질환으로 독립적인 일상생활을 수행하기 어려운 노인들을 위해 요양병원, 요양시설에서 신체 및 가사 지원 서비스를 제공한다. 일반적으로, 요양보호사는 인력 매칭을 위해, 교육비, 소개 수수료와 같은 고액의 수수료를 부담하거나 업체의 편향적인 모객 구조로 인해 불안정한 근로환경에 위치하고있다는 문제점이 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 동영상 기반 전문가 매칭 방법 및 시스템을 제공한다.
본 명세서에서 개시되는 실시예들은, 요양보호사와 같은 전문가들의 인적 정보, 인터뷰 동영상 및 전문가 등급을 이용하여 전문가 프로필을 생성한 뒤 사용자에게 제공하는 방법 및 시스템이 제공된다.
본 명세서에서 개시되는 실시예들은, 전문가들의 인터뷰 동영상에서 얼굴 특징 및 음성 특징을 추출하고, 추출된 얼굴 특징 및 음성 특징에 기초하여 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수 및 주의력 점수 중 적어도 하나를 산출하여 전문가 등급을 부여하는 하는 방법 및 시스템이 제공된다.
본 개시는 방법, 시스템, 장치 또는 명령어들을 저장하는 컴퓨터 판독가능 저장 매체를 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 방법은, 제1 사용자 단말로부터 제1 사용자의 인적 정보 및 인터뷰 동영상을 포함하는 전문가 등록 요청을 수신하는 단계, 인터뷰 동영상으로부터 제1 사용자의 성향 데이터를 추출하는 단계, 제1 사용자의 성향 데이터에 기초하여 제1 사용자의 전문가 등급을 판정하는 단계, 제1 사용자의 전문가 등급에 기초하여 전문가 등록 요청의 허용 여부를 판정하는 단계, 전문가 등록 요청을 허용하는 것으로 판정되는 경우, 제1 사용자의 인적 정보, 인터뷰 동영상 및 전문가 등급을 연관시켜 제1 전문가 프로필로 저장하는 단계를 포함한다.
일 실시예에 따르면, 제1 사용자의 인적 정보는 자격증 정보, 이력 정보, 지원 분야 정보 및 근무희망 지역 정보 중 적어도 하나를 포함한다.
일 실시예에 따르면, 인터뷰 동영상으로부터 제1 사용자의 성향 데이터를 추출하는 단계는, 인터뷰 동영상에 기초하여 제1 사용자의 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수 및 주의력 점수 중 적어도 하나를 산출하는 단계를 포함한다.
일 실시예에 따르면, 인터뷰 동영상에 기초하여 제1 사용자의 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수 및 주의력 점수 중 적어도 하나를 산출하는 단계는, 인터뷰 동영상으로부터 제1 사용자의 얼굴 특징을 추출하는 단계, 인터뷰 동영상으로부터 제1 사용자의 음성 특징을 추출하는 단계, 추출된 얼굴 특징과 음성 특징에 기초하여 제1 사용자의 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수 및 주의력 점수 중 적어도 하나를 산출하는 단계를 포함한다.
일 실시예에 따르면, 제1 사용자의 얼굴 특징은 AAM(Active Appearance Model), ACM(Active Contour Model) 및 ASM(Active Shape Model) 중 적어도 하나를 이용하여 추출되고, 제1 사용자의 음성 특징은 오디오 핑거프린트 또는 MFCC(Mel Frequency Coefficient Cepstral) 벡터를 이용하여 추출된다.
일 실시예에 따르면, 제1 사용자의 전문가 등급에 기초하여 전문가 등록 요청의 허용 여부를 판정하는 단계는, 제1 사용자의 전문가 등급이 미리 결정된 등급 이상인 경우, 전문가 등록 요청을 허용하는 단계, 제1 사용자의 전문가 등급이 미리 결정된 등급 미만인 경우, 전문가 등록 요청을 거부하는 단계를 포함한다.
일 실시예에 따르면, 제2 사용자 단말로부터 전문가 매칭 요청을 수신하는 단계, 제2 사용자 단말에 제1 전문가 프로필이 포함된 전문가 리스트를 제공하는 단계, 제2 사용자 단말로부터 전문가 리스트에 포함된 제1 전문가 프로필에 대한 선택을 수신하는 단계를 포함한다.
일 실시예에 따르면, 제2 사용자 단말로부터 제1 사용자에 대한 평가를 수신하는 단계, 수신한 제1 사용자에 대한 평가에 기초하여 제1 사용자의 전문가 등급을 업데이트하는 단계를 더 포함한다.
본 개시의 일 실시예에 전술한 동영상 기반 인력 매칭 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터로 판독 가능한 기록 매체가 제공된다.
본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 시스템은 제1 사용자 단말로부터 제1 사용자의 인적 정보 및 인터뷰 동영상을 포함하는 전문가 등록 요청을 수신하는 통신 모듈, 인터뷰 동영상으로부터 제1 사용자의 성향 데이터를 추출하는 추출 모듈, 제1 사용자의 성향 데이터에 기초하여 제1 사용자의 전문가 등급을 판정하는 등급 부여 모듈, 제1 사용자의 전문가 등급에 기초하여 전문가 등록 요청의 허용 여부를 판정하는 등록 요청 허용 여부 결정 모듈, 및 등록 요청 허용 여부 결정 모듈이 전문가 등록 요청을 허용하는 것으로 판정되는 경우, 제1 사용자의 인적 정보, 인터뷰 동영상 및 전문가 등급을 연관시켜 제1 전문가 프로필로 저장하는 데이터베이스를 포함한다.
본 개시의 일부 실시예들에 따르면, 요양보호사와 같은 전문가들의 인터뷰 동영상을 분석한 동영상 기반 인력 매칭을 통해서 신뢰 기반의 인력 서비스를 제공받을 수 있다.
본 개시의 일부 실시예들에 따르면, 전문가의 전문성과 함께 전문가의 성실성, 상냥함, 성격과 같은 성향에 기반하여 전문가 매칭을 수행할 수 있다.
본 개시의 일부 실시예들에 따르면, 전문가들의 인터뷰 동영상을 다양한 분석 기법으로 분석 후, 전문가의 평가에 반영하여 관리자의 개입 없이 전문가 초기 등급을 생성할 수 있다.
본 개시의 일부 실시예들에 따르면, 전문가에 대한 사용자의 평가에 기초하여 전문가의 등급을 업데이트함으로써 사용자는 전문가에 대한 최신의 평가를 제공받을 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따라 동영상 기반 인력 매칭을 제공하기 위하여 제1 사용자 단말 및 제2 사용자 단말이 동영상 기반 인력 매칭 시스템과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 2는 본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 시스템의 개략도이다.
도 3은 본 개시의 일 실시예에 따른 전문가 정보 데이터베이스에 저장된 전문가별 인적 정보를 보여주는 예시도이다.
도 4는 본 개시의 일 실시예에 따른 전문가 동영상 분석 정보 데이터베이스에 저장된 전문가별 정보를 보여주는 예시도이다.
도 5는 본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 시스템이 전문가 프로필을 등록하는 방법을 나타내는 순서도이다.
도 6은 본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 시스템이 전문가 프로필을 제공하고 전문가 등급을 갱신하는 방법을 나타내는 순서도이다.
도 7은 본 개시의 일 실시예에 따른 인터뷰 동영상을 이용하여 성향 데이터를 추출하는 예시도이다.
도 8은 본 개시의 일 실시예에 따른 인공신경망을 나타내는 구조도이다.
도 9는 본 개시의 일 실시예에 따른 사용자의 희망 위치에 기반한 인력 매칭 화면을 나타내는 예시도이다.
도 10은 본 개시의 일 실시예에 따른 추천 기반 전문가 리스트 제공 화면을 나타내는 예시도이다.
도 11은 본 개시의 일 실시예에 따른 전문가 서비스 요청 화면을 나타내는 예시도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 개시에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
본 개시의 전체에서 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
본 개시에서, 용어 '모듈'은 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈'은 어떤 역할들을 수행한다. 그렇지만 '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '모듈'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈'들로 결합되거나 추가적인 구성요소들과 '모듈'들로 더 분리될 수 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 서버 장치 중 적어도 하나의 장치를 지칭할 수 있지만, 이에 한정되는 것은 아니다.
도 1은 본 개시의 일 실시예에 따라 동영상 기반 인력 매칭을 제공하기 위하여 제1 사용자 단말(110_1 ... 110_n) 및 제2 사용자 단말(120_1 ... 120_n)이 동영상 기반 인력 매칭 시스템과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 제1 사용자 단말(110_1 ... 110_n) 및 제2 사용자 단말(120_1 ... 120_n)은, 통신 모듈을 구비하여 네트워크 연결이 가능하고, 동영상 기반 인력 매칭 시스템에 접속하여 서비스 요청/수신을 수행할 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 제1 사용자 단말(110_1 ... 110_n) 및 제2 사용자 단말(120_1 ... 120_n)은 이동 통신 단말기, 무선 통신 단말기, 스마트폰, 태블릿 PC, 데스크탑 PC, 랩톱 PC, 웨어러블 장치 등일 수 있다. 일 실시예에서 제1 사용자 단말(110_1 ... 110_n)은 동영상 기반 인력 매칭 시스템(100)에 등록되거나 등록하고자 하는 전문가가 사용하는 장치이고, 제2 사용자 단말(120_1 ... 120_n)은 동영상 기반 인력 매칭 시스템(100)에 전문가 매칭 요청을 하고자 하는 이용자가 사용하는 장치일 수 있다.
사용자는 제1 사용자 단말(110) 및 제2 사용자 단말(120)의 인터페이스(예를 들어, 터치 디스플레이, 키보드, 마우스, 터치펜 또는 스틸러스, 마이크로폰, 동작인식 센서)를 통하여 동영상 기반 인력 매칭 시스템(100)에 접속할 수 있다. 또한, 제1 사용자 단말(110_1 ... 110_n) 및 제2 사용자 단말(120_1 ... 120_n)은 네트워크를 통해 동영상 기반 인력 매칭 시스템(100)과 통신하도록 구성될 수 있으나, 이에 한정되지 않는다. 예를 들어, 제1 사용자 단말(110_1 ... 110_n) 및 제2 사용자 단말(120_1 ... 120_n)은 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성된 네트워크를 통해서 동영상 기반 인력 매칭 시스템(100)과 통신하도록 구성될 수 있다.
동영상 기반 인력 매칭 시스템(100)은 제1 사용자 단말로(110_1 ... 110_n)부터 제1 사용자의 인적 정보 및 인터뷰 동영상을 포함하는 전문가 등록 요청을 수신할 수 있다. 이 경우, 동영상 기반 인력 매칭 시스템(100)은 수신한 인터뷰 동영상으로부터 제1 사용자의 성향 데이터를 추출하고, 추출된 제1 사용자의 성향 데이터에 기초하여 제1 사용자의 전문가 등급을 판정할 수 있다. 일 실시예에서, 인터뷰 동영상으로부터 추출되는 성향 데이터는 제1 사용자의 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수 등일 수 있다. 제1 사용자의 전문가 등급이 판정되면, 동영상 기반 인력 매칭 시스템(100)은 판정된 전문가 등급에 기초하여 전문가 등록 요청에 대한 허용 여부를 판정할 수 있다.
제1 사용자의 전문가 등급이 임계치 이상인 경우, 동영상 기반 인력 매칭 시스템(100)은 제1 사용자에 대한 전문가 등록 요청을 허용할 수 있다. 이 경우, 제1 사용자의 인적 정보, 인터뷰 동영상, 전문가 등급, 성향 데이터가 서로 연관되어 제1 전문가 프로필로 데이터베이스에 저장될 수 있다. 반면, 제1 사용자의 전문가 등급이 임계치 미만인 경우, 동영상 기반 인력 매칭 시스템(100)은 제1 사용자에 대한 전문가 등록 요청을 거부할 수 있다. 동영상 기반 인력 매칭 시스템(100)은 제1 사용자에 대한 전문가 등록 요청의 허용 거부에 피드백을 제1 사용자 단말(110_1 ... 110_n)에 통지할 수 있다.
동영상 기반 인력 매칭 시스템(100)은 제2 사용자 단말(120_1 ... 120_n)로부터 전문가 매칭 요청을 수신할 수 있다. 이 경우, 데이터베이스에 저장되어 있는 복수의 전문가 프로필 중 하나 이상의 전문가 프로필이 포함되도록 전문가 리스트를 생성하고, 생성된 전문가 리스트를 제2 사용자 단말(120_1 ... 120_n)에 제공할 수 있다. 일 실시예에서, 동영상 기반 인력 매칭 시스템(100)은 제2 사용자 단말(120_1 ... 120_n)이 요청한 조건에 부합하는 전문가들의 프로필만 추출하여 전문가 리스트를 생성할 수 있다.
제2 사용자 단말(120_1 ... 120_n)은 전문가 리스트를 수신한 후, 하나의 전문가 프로필에 대한 선택을 동영상 기반 인력 매칭 시스템(100)에 전송할 수 있다. 동영상 기반 인력 매칭 시스템(100)은 제2 사용자 단말(120_1 ... 120_n)이 선택한 전문가 프로필에 대응되는 제1 사용자 단말과 제2 사용자 단말의 매칭을 수행할 수 있다.
도 2는 본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 시스템(100)의 개략도이다. 도 2에 도시된 바와 같이, 동영상 기반 인력 매칭 시스템(100)은 통신 모듈(210), 프로세서(220) 및 데이터베이스(230)를 포함할 수 있다. 프로세서(220)는, 추출 모듈(222), 등급 부여 모듈(224), 등록 요청 허용 여부 결정 모듈(226) 및 전문가 리스트 생성 모듈(228)을 포함할 수 있고, 데이터베이스(230)는 전문가 정보 데이터베이스(232), 동영상 분석 정보 데이터베이스(234)를 포함할 수 있다. 도 2에는 프로세서(220)가 복수의 하위 모듈을 포함하고, 데이터베이스(230) 복수의 하위 데이터베이스를 포함하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 통합 프로세서와 통합 데이터베이스로 구성될 수도 있다.
통신 모듈(210)은 동영상 기반 인력 매칭 시스템(100)이 사용자 단말과 임의의 정보 또는 데이터를 송수신하는 것이 가능하도록 구성될 수 있다. 프로세서(220)는 통신 모듈(210)을 통해 사용자 단말의 요청을 수신하여 처리하도록 구성될 수 있다. 데이터베이스(240)는 사용자 단말로부터 수신되는 정보/데이터를 저장하고, 프로세서(220)가 생성하는 정보를 저장하도록 구성될 수 있다.
일 실시예에서, 통신 모듈(210)은 사용자 단말로부터 전문가 등록 요청을 수신하여 프로세서(220)로 전송할 수 있다. 사용자 단말로부터 수신되는 전문가 등록 요청은 사용자의 인적 정보 및 인터뷰 동영상을 포함할 수 있다. 예를 들어, 인적 정보는 전문가로 등록하고자 하는 사용자가 입력한 자격증 정보, 이력 정보, 지원 분야 정보 및 근무희망 지역 정보 중 적어도 하나를 포함할 수 있고, 인터뷰 동영상은 전문가로 등록하고자 하는 사용자가 직접 촬영한 자기소개 인터뷰 영상일 수 있다.
다른 실시예에서, 통신 모듈(210)은 사용자 단말로부터 전문가 매칭 요청을 수신하여 프로세서(220)로 전송할 수 있다. 사용자 단말로부터 수신되는 전문가 매칭 요청은 사용자가 원하는 전문가의 조건을 포함할 수 있다. 예를 들어, 시설 종류, 서비스, 위치, 추천 중 적어도 하나를 포함할 수 있다.
프로세서(220)는 통신 모듈(210)부터 수신한 사용자 단말의 전문가 등록 요청에 포함된 사용자의 인터뷰 동영상을 추출 모듈(222)로 전달할 수 있다. 추출 모듈(222)은 사용자의 인터뷰 동영상으로부터 사용자의 성향 데이터를 추출할 수 있다. 일 실시예에서, 추출 모듈(222)은 AAM(Active Appearance Model), ACM(Active Contour Model) 및 ASM(Active Shape Model) 중 적어도 하나를 이용하여 인터뷰 동영상에서 사용자의 얼굴 특징을 추출하고, 오디오 핑거프린트 또는 MFCC(Mel Frequency Coefficient Cepstral) 벡터를 이용하여 사용자의 음성 특징을 추출할 수 있다. 추출 모듈(222)은 추출된 사용자의 얼굴 특징과 음성 특징에 기초하여 사용자의 성향 데이터를 추출할 수 있다. 노인 요양 서비스, 노인 돌보미 서비스 등의 시니어 케어 마켓에서는 전문가의 전문성도 중요하지만, 전문가의 성실성, 상냥함, 성격과 같은 기본 성향도 중요하므로, 추출 모듈(222)은 예를 들어, 사용자의 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수 등을 데이터로 추출할 수 있다.
일 실시예에서, 추출 모듈(222)은 사용자의 인터뷰 동영상을 AAM(Active Appearance Model), ACM(Active Contour Model) 및 ASM(Active Shape Model) 중 적어도 하나에 입력 데이터로 입력하여 사용자의 얼굴 특징을 추출할 수 있다. 또한, 추출 모듈(222)은 사용자의 인터뷰 동영상에 오디오 핑거프린트 또는 MFCC(Mel Frequency Coefficient Cepstral) 벡터를 이용하여 사용자의 음성 특징을 추출할 수 있다. 추출 모듈(222)은 추출된 사용자의 얼굴 특징과 사용자의 음성 특징을 이용하여 반사회성, 성실성, 언변의 진실성, 목소리의 안정성 점수, 커뮤니케이션 능력 점수 및 주의력 점수 등을 포함하는 사용자의 성향 데이터를 추출할 수 있다. 이때, 반사회성, 성실성, 언변의 진실성, 목소리의 안정성, 커뮤니케이션 능력, 주의력 등은 각각 점수로 표현될 수 있으며, 각각의 점수를 통해 최종 점수가 산출될 수 있다.
추출 모듈(222)은 인터뷰 동영상으로부터 추출된 사용자의 성향 데이터를 등급 부여 모듈(224)에 제공할 수 있다. 등급 부여 모듈(224)은 사용자의 성향 데이터에 기초하여 해당 사용자의 전문가 등급을 판정할 수 있다. 사용자의 전문가 등급이 판정되면, 등록 요청 허용 여부 결정 모듈(226)은 사용자의 전문가 등급에 기초하여 전문가 등록 요청의 허용 여부를 판정할 수 있다. 예를 들어, 사용자의 전문가 등급은 1등급부터 5등급까지 나누어 부여될 수 있고, 사용자의 전문가 등급이 3등급 이상인 경우 사용자의 전문가 등록 요청을 허용할 수 있다.
일 실시예에서, 등급 부여 모듈(224)은 추출 모듈(222)을 통해 추출된 성향 데이터 각각의 점수를 계산하여 최종 점수를 산출하고, 사용자의 전문가 등급을 판정할 수 있다. 예를 들어, 사용자 A의 성향 데이터가 "반사회성 점수 10점, 성실성 점수 90점, 언변의 진실성 점수 95점"이라면, 사용자 A의 최종 점수는 175점으로, 2등급이 부여되어 전문가 등록 요청이 허용될 수 있다. 다른 예에서, 사용자 B의 성향 데이터가 "반사회성 점수 35점, 성실성 점수 80점, 언변의 진실성 점수 70점"이라면, 사용자 B의 최종 점수는 115점으로, 5등급이 부여되어 전문가 등록 요청이 거부될 수 있다.
등록 요청 허용 여부 결정 모듈(226)은 사용자의 전문가 등급이 임계치 이상인 경우 사용자에 대한 전문가 등록 요청을 허용할 수 있다. 예를 들어, 등록 요청 허용 여부 결정 모듈(226)은 사용자의 전문가 등급이 3등급 이상인 경우 사용자에 대한 전문가 등록 요청을 허용할 수 있다. 이 경우, 사용자의 인적 정보, 인터뷰 동영상, 전문가 등급 및 사용자의 성향 데이터가 데이터베이스(230)에 저장될 수 있다. 예를 들어, 사용자의 인적 정보가 전문가 프로필로 전문가 정보 데이터베이스(232)에 저장되고, 사용자의 인터뷰 동영상, 성향 데이터, 전문가 등급이 동영상 분석 정보 데이터베이스(234)에 저장될 수 있다. 반면, 제1 사용자의 전문가 등급이 임계치 미만인 경우, 등록 요청 허용 여부 결정 모듈(226)은 제1 사용자에 대한 전문가 등록 요청을 거부할 수 있다.
전문가 리스트 생성 모듈(228)은 통신 모듈(210)을 통해 사용자 단말로부터 수신한 전문가의 조건에 따라 전문가 리스트를 생성하도록 구성될 수 있다. 일 실시예에서, 전문가 리스트 생성 모듈(228)은 통신 모듈(210)을 통해 사용자 단말로부터의 전문가 매칭 요청을 수신할 수 있다. 전문가 매칭 요청은 사용자가 요구하는 전문가의 조건을 포함할 수 있다. 예를 들어, 전문가의 조건은 시설 종류, 서비스 종류 및 서비스를 받고자 하는 위치 중 적어도 하나를 포함할 수 있다.
전문가 리스트 생성 모듈(228)은 통신 모듈(210)로부터 수신한 전문가 매칭 요청에 포함된 전문가의 조건에 기초하여, 데이터베이스(230)에 저장되어 있는 하나 이상의 전문가 프로필을 추출하고 전문가 리스트를 생성할 수 있다. 예를 들어, 사용자가 전문가의 조건을 "'위치', '서울특별시 강남구'"로 입력하였다면, 전문가 리스트 생성 모듈(228)은 데이터베이스(230)에 저장되어 있는 복수의 전문가 프로필 중 '근무희망 지역'이 '서울특별시 강남구'인 전문가 프로필들을 추출하여 전문가 리스트를 생성할 수 있다. 다른 예에서, 사용자 전문가의 조건을 "'서비스', '치매 노인 간병'"으로 입력하였다면, 전문가 리스트 생성 모듈(228)은 데이터베이스(230)에 저장되어 있는 복수의 전문가 프로필 중 '지원분야'가 '치매 노인 간병'인 전문가 프로필들을 추출하여 전문가 리스트를 생성할 수 있다.
전문가 리스트 생성 모듈(228)은 생성된 전문가 리스트를 통신 모듈(210)을 이용하여 사용자 단말로 송신할 수 있다. 사용자는 수신한 전문가 리스트에서 연결 받고자 하는 전문가 프로필을 선택하여 전문 인력 매칭을 진행할 수 있다. 사용자가 연결된 전문가로부터 서비스를 받은 경우, 해당 전문가에 대한 평가를 동영상 기반 인력 매칭 시스템(100)에 제공할 수 있다. 이 경우, 동영상 기반 인력 매칭 시스템(100)은 수신한 전문가에 대한 평가를 수신하고, 등급 부여 모듈(224)에서 해당 평가에 기초하여 해당 전문가의 전문가 등급을 업데이트할 수 있다. 일 실시예에서, 전문가에 대한 평가에 의해 해당 전문가의 전문가 등급이 낮춰져서 임계치 미만이 되는 경우, 해당 전문가의 등록이 취소될 수도 있다.
일 실시예에서, 데이터베이스(230)는 전문가의 경력, 자격증, 이력사항, 지원분야, 근무희망 지역 등이 전문가별로 분류되어 저장되는 전문가 정보 데이터베이스(232) 및 전문가의 인터뷰 동영상, 전문가의 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수, 전문가 등급 등이 전문가별로 분류되어 저장되는 전문가 동영상 분석 정보 데이터베이스(234)를 포함할 수 있다. 동영상 기반 인력 매칭 시스템(100)은 사용자 단말들로부터 주기적으로 또는 비주기적으로(예를 들어, 실시간, 전문가 등록 요청 및 전문가 매칭 요청 수신 시) 사용자 정보를 제공받아 데이터베이스(230)에 저장할 수 있다. 이와 같이 관리자가 전문가들의 등록 요청을 일일이 확인하고 인터뷰 동영상을 평가하여 전문가의 등급을 부여하지 않고, 동영상 기반 인력 매칭 시스템(100)이 자동으로 전문가의 성향 데이터를 분석하여 전문가의 등급을 부여하고, 실 사용자의 평가에 기초하여 전문가의 등급을 갱신함으로써 중개업체의 수수료를 최소화하고, 신뢰도가 높은 정보와 서비스를 제공할 수 있다.
도 3은 본 개시의 일 실시예에 따른 전문가 정보 데이터베이스에 저장된 전문가별 인적 정보를 보여주는 예시도이다. 전문가별 인적 정보는 사용자 단말로부터 수신되는 전문가 등록 요청에 포함된 사용자의 인적 정보에 기초하여 데이터베이스에 저장될 수 있다. 사용자의 인적 정보는 경력, 자격증 종류, 이력 사항, 지원분야 및 근무희망 지역을 포함할 수 있다. 또한, 전문가 정보 데이터베이스에는 각 전문가의 과거 매칭 정보가 긍정 평가 요소와 부정 평가 요소별로 저장될 수 있다.
예를 들어, 전문가 A는 전문가 등록 요청 시 자신의 인적 정보를 '경력: 9년; 자격증: 임상병리사; 이력 사항: XX 종합병원 - 4년, XXX 병원 - 5년; 지원분야: 치매 노인 간병 분야, 근무희망 지역 - 1지망 강남 / 2지망 서초'로 입력하여, 해당 정보가 전문가 정보 데이터베이스에 전문가 A의 인적 정보로서 저장될 수 있다. 과거 매칭 정보로서 긍정 평가 요소는 "성실함", "전문적임", "친절함" 등이 입력될 수 있고, 부정 평가 요소는 "서비스 범위가 적음", "잡담", "수동적", "서비스 수준 부족" 등이 입력될 수 잇다.
도 4는 본 개시의 일 실시예에 따른 전문가 동영상 분석 정보 데이터베이스에 저장된 전문가별 정보를 보여주는 예시도이다. 전문가 동영상 분석 정보 데이터베이스에는 인터뷰 동영상, 인터뷰 동영상으로부터 추출된 반사회성 점수, 성실성 점수, 언변의 진실성 점수와 같은 전문가의 성향 데이터, 최종 점수 및 최종 등급 등이 저장될 수 있다. 일 실시예에서, 최종 점수는 (성실성 점수+언변의 진실성 점수-반사회성 점수)로 계산되고, 최종 등급은 최종점수가 181점 이상인 경우 1등급, 161~180점인 경우 2등급, 141~160점인 경우 3등급, 121~140점인 경우 4등급, 120점 미만인 경우 5등급이 부여될 수 있다.
예를 들어, 전문가 A는 인터뷰 동영상으로부터 반사회성 점수가 35점, 성실성 점수가 80점, 언변의 진실성 점수가 70점으로 산출될 수 있다. 이 때, 전문가 A는 최종점수가 200점 만점에 115점으로 전문가 등급으로는 5등급이 부여된다. 전문가 A의 전문가 등급이 임계치(3등급) 미만이므로 전문가 등록 요청이 거부될 수 있다.
일 실시예에서, 전문가 등록 요청이 거부되는 경우에도 동일 인물이 다시 전문가 등록 요청을 할 경우에 참고자료로 활용하기 위해 해당 전문가에 대한 정보가 데이터베이스에 저장될 수 있다. 이 경우, 해당 전문가 프로필은 사용자에게 제공되는 전문가 리스트에는 포함되지 않을 수 있다. 다른 실시예에서, 전문가 등록 요청이 거부되는 경우, 해당 전문가에 대한 정보가 데이터베이스에 저장되지 않을 수 있다.
전문가 B는 인터뷰 동영상으로부터 반사회성 점수가 10점, 성실성 점수가 90점, 언변의 진실성 점수가 95점으로 산출될 수 있다. 이 때, 전문가 B는 최종점수가 200점 만점에 175점으로 전문가 등급으로는 2등급이 부여된다. 전문가 B의 전문가 등급이 임계치(3등급) 이상이므로 전문가 등록 요청이 허용되며, 전문가 B의 프로필은 사용자에게 제공되는 전문가 리스트에 포함될 수 있다.
도 4에서는 성향 데이터로 반사회성 점수, 성실성 점수, 언변의 진실성 점수가 사용되는 것으로 설명되었으나, 이에 한정되지 않으며 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수 등 다양한 점수가 사용될 수 있다.
도 5는 본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 시스템이 전문가 프로필을 등록하는 방법을 나타내는 순서도이다. 전문가 프로필을 저장하는 방법은 제1 사용자 단말로부터 제1 사용자의 인적 정보 및 인터뷰 동영상을 포함하는 전문가 등록 요청을 수신하는 단계(S510)로 개시될 수 있다. 예를 들어, 인적 정보는 전문가로 등록하고자 하는 사용자가 입력한 개인 정보(이름, 나이 등), 자격증 정보, 이력 정보, 지원 분야 정보 및 근무희망 지역 정보 중 적어도 하나를 포함할 수 있고, 인터뷰 동영상은 전문가로 등록하고자 하는 사용자가 직접 촬영한 자기소개 인터뷰 영상일 수 있다.
전문가 등록 요청을 수신하면, 인터뷰 동영상으로부터 제1 사용자의 성향 데이터를 추출할 수 있다(S520). 일 실시예에서, 인터뷰 동영상에서 사용자의 얼굴 특징과 음성 특징을 추출하고, 추출된 얼굴 특징과 음성 특징에 기초하여 성향 데이터를 추출할 수 있다. 예를 들어, 성향 데이터는 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수 등을 포함할 수 있다.
그 후, 제1 사용자의 성향 데이터에 기초하여 제1 사용자의 전문가 등급을 판정할 수 있다(S530). 일 실시예에서, 성향 데이터에 포함된 반사회성 점수, 성실성 점수, 언변의 진실성 점수, 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수 등에 기초하여 최종 점수를 산출하고, 최종 점수에 기초하여 전문가 등급을 판정할 수 있다. 예를 들어, 사용자의 전문가 등급은 1등급부터 5등급까지 나누어 부여될 수 있다.
다음 단계(S540)에서는 제1 사용자의 전문가 등급에 기초하여 전문가 등록 요청의 허용 여부를 판정할 수 있다. 일 실시예에서, 제1 사용자의 전문가 등급이 임계치 이상인 경우 제1 사용자에 대한 전문가 등록 요청을 허용할 수 있다. 예를 들어, 제1 사용자의 전문가 등급이 3등급 이상인 경우 제1 사용자에 대한 전문가 등록 요청을 허용할 수 있다. 반면, 제1 사용자의 전문가 등급이 임계치 미만인 경우, 제1 사용자에 대한 전문가 등록 요청을 거부할 수 있다.
전문가 등록 요청을 허용하는 것으로 판정되는 경우, 제1 사용자의 인적 정보, 인터뷰 동영상 및 전문가 등급을 연관시켜 제1 전문가 프로필로 저장할 수 있다(S550). 전문가 프로필은 전문가별로 분류되어 데이터베이스에 저장될 수 있다.
도 6은 본 개시의 일 실시예에 따른 동영상 기반 인력 매칭 시스템이 전문가 프로필을 제공하고 전문가 등급을 갱신하는 방법을 나타내는 순서도이다. 전문가 프로필을 제공하고 전문가 등급을 갱신하는 방법은 동영상 기반 인력 매칭 시스템이 제2 사용자 단말로부터 전문가 매칭 요청을 수신하는 단계(S610)로 개시될 수 있다. 제2 사용자 단말로부터 수신한 전문가 매칭 요청은 제2 사용자가 원하는 전문가의 조건을 포함할 수 있다. 예를 들어, 전문가의 조건은 시설 종류, 서비스, 위치, 추천 중 적어도 하나를 포함할 수 있다.
전문가 매칭 요청을 수신하면, 동영상 기반 인력 매칭 시스템은 제2 사용자 단말에 하나 이상의 전문가 프로필이 포함된 전문가 리스트를 제공할 수 있다(S620). 예를 들어, 전문가 리스트는 제2 사용자 단말로부터 수신한 전문가의 조건에 기초하여, 데이터베이스에 저장되어 있는 제1 전문가 프로필을 포함한 전문가의 조건을 만족하는 전문가 프로필들을 추출하고 전문가 리스트를 생성할 수 있다.
일 실시예에서, 동영상 기반 인력 매칭 시스템은 제2 사용자가 이전에 서비스를 제공받은 전문가에 대한 평가(예를 들어, 평점, 후기, 긍정 평가 요소, 부정 평가 요소 등)에 기초하여 전문가의 조건을 만족하는 전문가 프로필들을 추출하고 전문가 리스트를 생성할 수 있다. 이 경우, 사용자가 긍정적으로 평가한 전문가의 인적 정보 및 성향 데이터와 유사한 정보를 보유한 전문가들의 전문가 리스트를 생성하여 사용자 단말에 출력할 수 있다. 반대로 사용자가 부정적으로 평가한 전문가의 인적 정보 및 성향 데이터와 유사한 정보를 보유한 전문가들은 전문가 리스트 생성에서 배제될 수 있다.
그 후, 동영상 기반 인력 매칭 시스템은 제2 사용자 단말로부터 전문가 리스트에 포함된 제1 전문가 프로필에 대한 선택을 수신할 수 있다(S630). 제1 전문가 프로필을 선택함으로써, 동영상 기반 인력 매칭 시스템은 제2 사용자 단말에 제1 전문가의 연락처 정보를 제공하거나, 제1 사용자 단말과 제2 사용자 단말의 매칭을 수행할 수 있다.
제1 사용자 단말과 제2 사용자 단말의 매칭이 이루어져서 제2 사용자가 제1 전문가 프로필에 대응되는 제1 사용자의 전문가 서비스(예를 들어, 노인 요양 서비스, 돌봄 서비스 등)를 받은 후, 동영상 기반 인력 매칭 시스템은 제2 사용자 단말로부터 제1 사용자에 대한 평가를 수신할 수 있다(S640). 예를 들어, 제1 사용자에 대한 평가는 제1 사용자의 돌봄 서비스에 대한 만족도, 제1 사용자의 성실성, 전문성 등일 수 있다. 일 실시예에서, 제2 사용자는 일정 기간(예를 들어, 전문가 서비스 종료)이 경과한 후 제1 사용자에 대한 평가를 동영상 기반 인력 매칭 시스템으로 전송할 수 있다.
제2 사용자 단말로부터 제1 사용자에 대한 평가를 수신하고 나면, 제1 사용자에 대한 평가에 기초하여 제1 사용자의 전문가 등급을 업데이트할 수 있다(S650). 일 실시예에서, 제1 사용자에 대한 별점 평가(예를 들어, 1점 내지 5점)를 수신하고, 해당 별점 평가에 기초하여 제1 사용자의 최종 점수를 갱신하고 전문가 등급을 재판정할 수 있다. 예를 들어, 별점이 1점인 경우 -2점, 별점이 2점인 경우 -1점, 별점이 3점인 경우 0점, 별점이 4점인 경우 +1점, 별점이 5점인 경우 +2점을 최종 점수에 합산하고, 갱신된 최종점수에 기초하여 전문가 등급을 재판정할 수 있다. 이 때, 낮은 별점이 누적되어 제1 사용자의 전문가 등급이 임계치 미만으로 재판정되는 경우, 해당 전문가의 등록이 취소될 수도 있다.
도 7은 본 개시의 일 실시예에 따른 인터뷰 동영상을 이용하여 성향 데이터를 추출하는 예시도이다. 인터뷰 동영상을 이용하여 성향 데이터를 추출하기 위해, 인터뷰 동영상을 통한 얼굴 특징 분석과 음성 특징 분석을 수행할 수 있다. 사람은 얼굴 표정으로 감정을 표현할 때, 기준이 되는 특징 영역들이 존재하며, 인터뷰 동영상의 각 프레임에서 얼굴의 특징 영역을 검출하고, 특징 영역들의 변화를 분석함으로써 해당 사용자의 얼굴 특징을 추출할 수 있다.
일 실시예에서, 사람의 얼굴에서 특징 영역으로 눈, 눈썹, 입 꼬리 및 입술 주변부 중 하나 이상을 사용할 수 있다. 예를 들어, 눈썹과 입 꼬리 형태에 초점을 맞추어 특징 영역의 변화를 분석할 수 있다. 인터뷰 동영상을 이용한 성향 데이터 추출을 위해, 성향 데이터 추출 모듈은 사용자의 인터뷰 동영상에서 해당 사용자의 얼굴 특징을 추출할 수 있다. 일 실시예에서, 성향 데이터 추출 모듈은 AAM(Active Appearance Model), ACM(Active Contour Model) 및 ASM(Active Shape Model) 중 적어도 하나를 이용하여 인터뷰 동영상에서 사용자의 얼굴 특징을 추출할 수 있다.
AAM(Active Appearance Model)은 인터뷰 동영상을 입력 값으로 받아 사용자의 얼굴 특징을 추출할 수 있다. AAM은 형태 모델(Shape Model)과 외양 모델(Appearance Model)로 구성되며, 각 파라미터의 조합으로 여러 얼굴의 생김새를 표현할 수 있다. AAM은 입력된 인터뷰 동영상에서 사용자의 얼굴 이미지(700)를 인식하고, n개의 랜드마크(Landmark)의 위치를 이용하여 형태 모델(710)을 구성할 수 있다. 형태 모델(710)은 사용자의 얼굴 이미지(700) 전체에 대한 모양과 위치를 탐색하는데, 이 경우, 복수의 입력 값(예를 들어, 동영상 및 이미지)에 대해 얼굴 각 부위의 위상을 동일하게 설정(예를 들어, 입을 구성하는 점들 위에 코를 구성하는 점이 존재)할 수 있다.
AAM이 형태 모델(710)을 이용하여 사용자의 얼굴 이미지(700) 전체에 대한 모양과 위치를 탐색한 후, 외양 모델(Appearance Model)을 이용하여 사용자의 얼굴 이미지(700)에서의 화소 강도(Pixel Intensity)를 추출할 수 있다. 외양 모델(Appearance Model)은 사용자의 얼굴 이미지(700)에서 피부, 눈, 입술 등의 색 정보를 모델로 구성할 수 있다.
형태 모델(Shape Model)과 외양 모델(Appearance Model)을 이용하여 사용자의 얼굴 이미지(700)의 탐색이 완료되었다면, 사용자의 얼굴 이미지(700)에 AAM 피팅(Active Appearance Model Fitting)이 이루어질 수 있다. AAM 피팅을 통해 사용자의 얼굴 이미지와 형태 모델 및 외양 모델 사이의 오차를 최소화하는 파라미터를 계산할 수 있다.
AAM 피팅이 완료된 후 사용자의 얼굴 이미지의 랜드마크(Landmark)들을 이용하여 사용자의 얼굴 특징을 추출할 수 있다. 일 실시예에서, 랜드마크가 변하는 특징점을 계산하여 얼굴 특징을 추출할 수 있다. 예를 들어, 변하는 특징점에 따른 얼굴 특징은 <표 1>과 같이 대응될 수 있다.
Figure 112019096914777-pat00001
<표 1>
ACM(Active Contour Model)은 인터뷰 동영상을 입력 값으로 받아 사용자의 얼굴 특징을 추출할 수 있다. ACM은 인터뷰 동영상에서 사용자의 얼굴을 인식하고 폐곡선을 사용하여 사용자 얼굴의 눈, 입, 눈썹, 코의 윤곽선을 찾을 수 있다. 이 경우, ACM은 사용자의 얼굴에서 특징을 추출하고자 사용자에 의해 초기 윤곽선이 설정되고, 윤곽선 주변과의 관계, 초기 값, 주관적인 요인과 같은 여러 가지 제한조건에 의해 윤곽선의 정확도를 높일 수 있다. 사용자의 얼굴 윤곽선이 결정된 후, ACM은 AAM과 동일하게 얼굴의 윤곽선이 변하는 특징점을 통해 사용자의 얼굴 특징을 추출할 수 있다.
ASM(Active Shape Model)은 인터뷰 동영상을 입력 값으로 받아 사용자의 얼굴 특징을 추출할 수 있다. ASM은 사용자의 얼굴 특징을 추출하기 위해, 사용자의 얼굴 이미지(700)에 랜드마크(Landmark)를 표시할 수 있다. 랜드마크들은 서로 연결되어 얼굴 이미지(700)의 윤곽을 생성할 수 있다. 생성된 얼굴 이미지(700)의 윤곽 방향 변화를 통해 사용자의 얼굴 특징을 추출할 수 있다.
추가로, 성향 데이터 추출 모듈은 인터뷰 동영상으로부터 사용자의 음성 특징을 추출할 수 있다. 일 실시예에서, 성향 데이터 추출 모듈은 인터뷰 동영상 내의 사용자 음성의 주파수대역, 강세, 억양 속도와 같은 음성 특징을 추출할 수 있다. 예를 들어, 성향 데이터 추출 모듈은 오디오 핑거프린트 방법, MFCC (Mel-Frequency Cepstral Coefficients) 방법 등과 같은 임의의 적합한 음성 특징 추출 스킴을 이용할 수 있다. 추출된 음성 특징은 복수의 특징 벡터(임베딩 벡터)일 수 있으며, 이러한 벡터는 MFCC(Mel Frequency Cepstral Coefficient), LPC(Linear Predictive Coefficients), PLP(Perceptual Linear Prediction), 오디오 핑거프린트 등과 같은 다양한 음성 특징 벡터들 중의 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 이렇게 추출된 복수의 임베딩 벡터는 시간 순에 따른 정보를 포함하고 있으므로, 이러한 벡터의 길이는 입력된 인터뷰 동영상의 길이에 따라 가변적이거나 상이할 수 있다.
성향 데이터 추출 모듈은 사용자의 인터뷰 동영상에서 추출된 사용자의 얼굴 특징과 음성 특징을 이용하여 성향 데이터를 추출할 수 있다. 일 실시예에서, 성향 데이터(720)는 반사회성 점수, 성실성 점수, 언변의 진실성 점수를 포함할 수 있다. 예를 들어, 성향 데이터 추출 모듈은 머신러닝(Machine Learning)을 통해 학습된 모델을 이용하여 인터뷰 동영상으로부터 반사회성 점수, 성실성 점수, 언변의 진실성 점수를 추출할 수 있다. 해당 머신러닝 모델은 실 사용자들이 제공하는 평가에 기초하여 재학습될 수 있다. 추출된 반사회성 점수, 성실성 점수, 언변의 진실성 점수를 통해 최종 점수가 산출될 수 있다.
도 7에서는 성향 데이터로 반사회성 점수, 성실성 점수, 언변의 진실성 점수가 사용되는 것으로 설명되었으나, 이에 한정되지 않으며 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수 등 다양한 점수가 사용될 수 있다. 도 8은 본 개시의 일 실시예에 따른 인공신경망을 나타내는 구조도이다. 인공신경망(800)은 머신러닝(Machine Learning)기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다. 즉, 인공신경망(800)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 머신러닝 모델을 나타낸다.
일반적으로 인공신경망은 다층의 노드들과 이들 상이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망(800)은 MLP를 포함하는 다양한 인공신경망 구조들 중의 하나를 이용하여 구현될 수 있다. 도 8에서 도시된 바와 같이, 인공신경망(800)은 외부로부터 입력 신호 또는 데이터(810)를 수신하는 입력층(820), 입력 데이터에 대응한 출력 신호 또는 데이터(850)를 출력하는 출력층(840), 입력층(820)과 출력층(840) 사이에 위치하며 입력층(820)으로부터 신호를 받아 특성을 추출하여 출력층(840)으로 전달하는 n개의 은닉층(830_1 내지 830_n)으로 구성된다. 여기서, 출력층(840)은, 은닉층(830_1 내지 830_n)으로부터 신호를 받아 외부로 출력한다. 일반적으로, 인공신경망(800)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning)방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning)방법이 있다. 본 개시에 따른 동영상 기반 인력 매칭 방법 및 시스템 은, 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 준 지도 학습(Semi-supervised Learning)을 이용하여, 사용자의 인터뷰 동영상에서 성향 데이터를 추출하는 인공신경망(800)을 학습시킬 수 있다. 이렇게 학습된 인공신경망(800)은 사용자의 인터뷰 동영상으로부터 반사회성 점수, 성실성 점수, 언변의 진실성 점수를 추출할 수 있다.
일 실시예에서, 도 8에 도시된 바와 같이, 성향 데이터를 추출할 수 있는 인공신경망(800)의 입력 변수는, 사용자 단말로부터 수신한 사용자의 인터뷰 동영상을 하나의 벡터 데이터요소로 구성한, 인터뷰 동영상 벡터(810)가 될 수 있다. 한편, 인공신경망(800)의 출력층(840)에서 출력되는 출력변수는, 성향 데이터를 나타내는 벡터가 될 수 있다. 일 실시예에 따르면, 출력변수는 반사회성 점수 벡터(850), 성실성 점수 벡터(852), 언변의 진실성 점수 벡터(854)로 구성될 수 있다. 예를 들어, 각각의 벡터(850 내지 854)는 인터뷰 동영상에 기초하여 성향 데이터를 추출하는 데이터 요소를 포함할 수 있다. 본 개시에 있어서 인공신경망(800)의 출력변수는, 이상에서 설명한 유형에 한정되지 않을 수 있다.
이와 같이 인공신경망(800)의 입력층(820)과 출력층(840)에 복수의 입력변수와 대응되는 복수의 출력변수를 각각 매칭시켜, 입력층(820), 은닉층(830_1 ... 830_n) 및 출력층(840)에 포함된 노드들 사이의 시냅스 값을 조정함으로써, 특정 입력에 대응한 올바른 출력을 추론할 수 있도록 학습할 수 있다. 이러한 학습과정을 통해, 인공신경망(800)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망(800)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 이렇게 학습된 인공신경망(800)을 이용하여, 사용자의 인터뷰 동영상에서 성향 데이터를 추출할 수 있다.
도 8에서는 사용자 인터뷰 동영상에서 성향 데이터로 반사회성 점수, 성실성 점수, 언변의 진실성 점수를 추출하는 것으로 설명되었으나, 이에 한정되지 않으며 목소리의 안정성 점수, 커뮤니케이션 능력 점수, 주의력 점수 등 다양한 점수가 추출될 수 있다.
도 9는 본 개시의 일 실시예에 따른 사용자의 희망 위치에 기반한 인력 매칭 화면을 나타내는 예시도이다. 사용자는 사용자 단말에서 제1 내지 제3 동작(910, 920, 930)을 통해 전문가 매칭을 진행할 수 있다. 일 실시예에서, 사용자가 전문가의 조건을 입력하기 위해 전문돌봄영역 별 찾기, 서비스 별로 찾기, 지역 별로 찾기, 질환 별로 찾기, 추천 별로 찾기, 중 적어도 하나를 선택할 수 있다.
제1 동작(910)에 도시된 것과 같이, 사용자가 "지역 별로 찾기 버튼"(912)을 클릭할 수 있다. 이 경우, 사용자 단말의 화면에 사용자가 희망하는 지역을 입력할 수 있는 사용자 인터페이스가 표시될 수 있다.
제2 동작(920)은 사용자가 서비스를 받고자 하는 지역의 상세 지역(922)을 입력하고, 검색하기(924) 버튼을 클릭하여 전문가 리스트를 요청하는 것을 나타낸다. 이 경우, 사용자가 입력한 상세 지역(922)에 대응되는 근무희망 지역을 기재한 전문가의 리스트가 사용자 단말의 화면에 출력될 수 있다.
제3 동작(930)은 사용자가 사용자 단말의 화면에 출력된 전문가 리스트에서 하나의 전문가 프로필(932)을 선택하는 것을 나타낸다. 이 경우, 사용자가 선택한 전문가 프로필(932) 상세 내용이 표시될 수 있다. 예를 들어, 전문가의 등급, 인적 정보, 자격증 정보, 경력 정보, 이력 정보 등이 출력될 수 있다. 이 때, 사용자가 전문가와 별도로 연락을 취할 수 없도록 전문가의 연락처 정보는 제공되지 않거나 블라인드 처리된 상태로 제공될 수 있다. 사용자가 해당 전문가의 서비스를 요청하기를 희망하는 경우, 해당 전문가에게 서비스 요청을 진행할 수 있다.
도 10은 본 개시의 일 실시예에 따른 추천 기반 전문가 리스트 제공 화면을 나타내는 예시도이다. 사용자는 사용자 단말에서 제1 내지 제2 동작(1010, 1020)을 통해 전문가 매칭을 진행할 수 있다. 제1 동작(1010)에 도시된 것과 같이, 사용자가 "추천 별로 찾기 버튼"(1012)를 클릭할 수 있다. 이 경우, 사용자는 동영상 기반 인력 매칭 시스템이 해당 사용자에게 적합하다고 생각되는 전문가의 리스트를 제공받을 수 있다. 이 경우, 동영상 기반 인력 매칭 시스템은 전문가의 경력 질환, 서비스 지역, 평가, 전문가 등급과 같은 정보에 기초하여 전문가 리스트를 생성한 후 사용자 단말에 출력할 수 있다.
제2 동작(1020)은 사용자가 사용자 단말의 화면에 출력된 전문가 리스트에서 하나의 전문가 프로필(1022)을 선택하는 것을 나타낸다. 이 경우, 사용자가 선택한 전문가 프로필(1022) 상세 내용이 표시될 수 있다. 예를 들어, 전문가의 등급, 인적 정보, 자격증 정보, 경력 정보, 이력 정보 등이 출력될 수 있다. 이 때, 사용자가 전문가와 별도로 연락을 취할 수 없도록 전문가의 연락처 정보는 제공되지 않거나 블라인드 처리된 상태로 제공될 수 있다. 사용자가 해당 전문가의 서비스를 요청하기를 희망하는 경우, 해당 전문가에게 서비스 요청을 진행할 수 있다.
도 11은 본 개시의 일 실시예에 따른 전문가 서비스 요청 화면을 나타내는 예시도이다. 일 실시예에서, 사용자는 전문가 리스트에서 하나의 전문가 프로필을 선택할 수 있다. 이 경우, 도시된 바와 같이, 선택된 전문가 프로필의 상세 정보가 사용자 단말의 화면에 표시될 수 있다.
전무가 프로필의 상세 정보는 전문가의 이름, 나이와 같은 기본정보, 교육수료 여부, 인터뷰 동영상, 소개 문구, 경력 사항 등을 포함할 수 있다. 사용자가 전문가 프로필을 확인한 후, 해당 전문가의 서비스를 요청하고자 하는 경우, "신청하기 버튼(1122)"을 클릭함으로써 사용자 단말과 전문가 단말의 매칭이 수행될 수 있다.
일반적으로, 본원에 설명된 사용자 단말은 무선 전화기, 셀룰러 전화기, 랩탑 컴퓨터, 무선 멀티미디어 디바이스, 무선 통신 PC (personal computer) 카드, PDA, 외부 모뎀이나 내부 모뎀, 무선 채널을 통해 통신하는 디바이스 등과 같은 다양한 타입들의 디바이스들을 나타낼 수도 있다. 사용자 단말은 액세스 단말기 (access terminal; AT), 액세스 유닛, 가입자 유닛, 이동국, 모바일 디바이스, 모바일 유닛, 모바일 전화기, 모바일, 원격국, 원격 단말, 원격 유닛, 유저 디바이스, 유저 장비 (user equipment), 핸드헬드 디바이스 등과 같은 다양한 이름들을 가질 수도 있다. 본원에 설명된 임의의 디바이스는 명령들 및 데이터를 저장하기 위한 메모리, 뿐만 아니라 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 조합들을 가질 수도 있다.
본원에 기술된 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시 적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 당업자들은 더 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호교환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능성의 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 제약들에 따라 달라진다. 당업자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현 결정들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들 (digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들 (programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들 (field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본원에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본원의 개시와 연계하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안에서, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 그러한 구성의 조합으로써 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리 (random access memory; RAM), 판독 전용 메모리 (read-only memory; ROM), 불휘발성 RAM (non-volatile random access memory; NVRAM), PROM (programmable read-only memory), EPROM (erasable programmable read-only memory), EEPROM (electrically erasable PROM), 플래시 메모리, 컴팩트 디스크 (compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행가능할 수도 있고, 프로세서(들)로 하여금 본원에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되면, 상기 기능들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크 (disk) 와 디스크 (disc)는, CD, 레이저 디스크, 광 디스크, DVD (digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들 (disks) 은 보통 자기적으로 데이터를 재생하고, 반면 디스크들 (discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 커플링될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 컴포넌트들로서 존재할 수도 있다.
본 개시의 앞선 설명은 당업자들이 본 개시를 행하거나 이용하는 것을 가능하게 하기 위해 제공된다. 본 개시의 다양한 수정예들이 당업자들에게 쉽게 자명할 것이고, 본원에 정의된 일반적인 원리들은 본 개시의 취지 또는 범위를 벗어나지 않으면서 다양한 변형예들에 적용될 수도 있다. 따라서, 본 개시는 본원에 설명된 예들에 제한되도록 의도된 것이 아니고, 본원에 개시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위가 부여되도록 의도된다.
비록 예시 적인 구현예들이 하나 이상의 독립형 컴퓨터 시스템의 맥락에서 현재 개시된 주제의 양태들을 활용하는 것을 언급할 수도 있으나, 본 주제는 그렇게 제한되지 않고, 오히려 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 현재 개시된 주제의 양상들은 복수의 프로세싱 칩들이나 디바이스들에서 또는 그들에 걸쳐 구현될 수도 있고, 스토리지는 복수의 디바이스들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 디바이스들은 PC들, 네트워크 서버들, 및 핸드헬드 디바이스들을 포함할 수도 있다.
비록 본 주제가 구조적 특징들 및/또는 방법론적 작용들에 특정한 언어로 설명되었으나, 첨부된 청구항들에서 정의된 주제가 위에서 설명된 특정 특징들 또는 작용들로 반드시 제한되는 것은 아님이 이해될 것이다. 오히려, 위에서 설명된 특정 특징들 및 작용들은 청구항들을 구현하는 예시 적인 형태로서 설명된다.
이 명세서에서 언급된 방법은 특정 실시예들을 통하여 설명되었지만, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
100: 동영상 기반 인력 매칭 시스템
110_1 ... 110_n: 제1 사용자 단말
120_1 ... 120_n: 제2 사용자 단말
210: 통신 모듈 222: 추출 모듈;
224: 등급 부여 모듈 226: 등록 요청 허용 여부 결정 모듈
228: 전문가 리스트 생성 모듈 232: 전문가 정보 DB
234: 동영상 분석 정보 DB 700: 제1 사용자의 얼굴 이미지
710: 형태 모델 720: 성향 데이터
800: 인공신경망 810: 인터뷰 동영상 벡터
820: 입력층 830_1 ... 830_n: 은닉층
840: 출력층 850: 반사회성 점수 벡터
852: 성실성 점수 벡터 854: 언변의 진실성 점수 벡터
912: 지역 별로 찾기 버튼 922: 상세 지역
924: 검색하기 버튼 932: 제1 전문가 프로필
1012: 추천 별로 찾기 버튼 1022: 제1 전문가 프로필
1122: 신청하기 버튼

Claims (10)

  1. 동영상 기반 노인 요양 인력 매칭 시스템에 의해 실행되는 동영상 기반 인력 매칭 방법에 있어서,
    상기 시스템의 통신 모듈이 제1 사용자 단말로부터 제1 사용자의 인적 정보 및 인터뷰 동영상을 포함하는 전문가 등록 요청을 수신하는 단계;
    상기 시스템의 프로세서가 상기 인터뷰 동영상으로부터 상기 제1 사용자의 성향 데이터를 추출하는 단계;
    상기 프로세서가 상기 제1 사용자의 성향 데이터에 기초하여 상기 제1 사용자의 전문가 등급을 판정하는 단계;
    상기 프로세서가 상기 제1 사용자의 전문가 등급에 기초하여 상기 전문가 등록 요청의 허용 여부를 판정하는 단계;
    상기 전문가 등록 요청을 허용하는 것으로 판정되는 경우, 상기 프로세서가 상기 제1 사용자의 인적 정보, 인터뷰 동영상 및 전문가 등급을 연관시킨 제1 전문가 프로필을 데이터베이스에 저장하는 단계;
    상기 전문가 등록 요청을 허용하지 않는 것으로 판정되는 경우, 동일 사용자가 다시 전문가 등록 요청을 할 경우에 참고자료로 활용하기 위해 상기 프로세서가 상기 제1 사용자의 인적 정보를 상기 데이터베이스에 저장하는 단계;
    상기 통신 모듈이 제2 사용자 단말로부터 전문가 매칭 요청을 수신하는 단계;
    상기 통신 모듈이 상기 제2 사용자 단말에 상기 제1 전문가 프로필이 포함된 전문가 리스트를 제공하는 단계 - 상기 제1 전문가 프로필에 포함된 상기 제1 사용자의 연락처가 블라인드 처리된 상태로 제공됨 -;
    상기 통신 모듈이 상기 제2 사용자 단말로부터 상기 전문가 리스트에 포함된 상기 제1 전문가 프로필에 대한 선택을 수신하는 단계;
    상기 통신 모듈이 상기 제2 사용자 단말로부터 상기 제1 사용자에 대한 평가를 수신하는 단계; 및
    상기 프로세서가 상기 수신한 제1 사용자에 대한 평가에 기초하여 상기 제1 사용자의 전문가 등급을 업데이트하는 단계
    를 포함하고,
    상기 제1 사용자의 인적 정보는 자격증 정보, 이력 정보, 지원 분야 정보 및 근무희망 지역 정보 중 적어도 하나를 포함하고,
    상기 제1 사용자의 전문가 등급에 기초하여 상기 전문가 등록 요청의 허용 여부를 판정하는 단계는,
    상기 제1 사용자의 전문가 등급이 미리 결정된 등급 이상인 경우, 상기 전문가 등록 요청을 허용하는 단계; 및
    상기 제1 사용자의 전문가 등급이 미리 결정된 등급 미만인 경우, 상기 전문가 등록 요청을 거부하는 단계를 포함하고,
    상기 인터뷰 동영상으로부터 상기 제1 사용자의 성향 데이터를 추출하는 단계는,
    상기 인터뷰 동영상으로부터 상기 제1 사용자의 얼굴 특징을 추출하는 단계;
    상기 인터뷰 동영상으로부터 상기 제1 사용자의 음성 특징을 추출하는 단계; 및
    상기 제1 사용자의 얼굴 특징 및 상기 제1 사용자의 음성 특징에 기초하여 상기 제1 사용자의 반사회성 점수, 성실성 점수 및 언변의 진실성 점수를 산출하는 단계를 포함하고,
    상기 제1 사용자의 얼굴 특징은 랜드마크(Landmark)를 이용한 AAM(Active Appearance Model), ACM(Active Contour Model) 및 ASM(Active Shape Model) 중 적어도 하나를 이용하여 추출되고,
    상기 인터뷰 동영상으로부터 상기 제1 사용자의 얼굴 특징을 추출하는 단계는,
    상기 인터뷰 동영상의 각 프레임에서 상기 제1 사용자의 얼굴 특징 영역을 검출하는 단계 - 상기 얼굴 특징 영역은 눈, 눈썹, 입 꼬리 또는 입술 주변부 중 적어도 하나를 포함함 -; 및
    각 프레임에서 검출되는 얼굴 특징 영역의 변화에 기초하여 상기 제1 사용자의 얼굴 특징을 추출하는 단계
    를 포함하고,
    상기 추출된 제1 사용자의 음성 특징은 오디오 핑거프린트 또는 MFCC(Mel Frequency Coefficient Cepstral) 벡터이고,
    상기 프로세서가 상기 수신한 제1 사용자에 대한 평가에 기초하여 상기 제1 사용자의 전문가 등급을 업데이트하는 단계는,
    상기 업데이트된 제1 사용자의 전문가 등급이 미리 결정된 등급 미만인 경우, 상기 제1 사용자의 전문가 등록을 취소하는 단계
    를 포함하고,
    상기 제2 사용자 단말에 상기 제1 전문가 프로필이 포함된 전문가 리스트를 제공하는 단계는,
    상기 제2 사용자 단말이 과거에 부정적으로 평가한 전문가의 인적 정보 및 성향 데이터와 유사한 정보가 포함된 전문가 프로필을 상기 전문가 리스트에서 제외시키는 단계
    를 포함하는,
    동영상 기반 인력 매칭 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제1항의 동영상 기반의 인력 매칭 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 프로그램이 기록된, 컴퓨터 판독가능 저장매체.

  10. 삭제
KR1020190116691A 2019-09-23 2019-09-23 동영상 기반 인력 매칭 방법 및 시스템 KR102149371B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190116691A KR102149371B1 (ko) 2019-09-23 2019-09-23 동영상 기반 인력 매칭 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190116691A KR102149371B1 (ko) 2019-09-23 2019-09-23 동영상 기반 인력 매칭 방법 및 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020200081198A Division KR20210035038A (ko) 2020-07-01 2020-07-01 동영상 기반 인력 매칭 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102149371B1 true KR102149371B1 (ko) 2020-08-31

Family

ID=72234358

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190116691A KR102149371B1 (ko) 2019-09-23 2019-09-23 동영상 기반 인력 매칭 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102149371B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902290A (zh) * 2021-09-14 2022-01-07 中国人民解放军军事科学院评估论证研究中心 一种面向评估任务的专家匹配效度测算方法
CN114429642A (zh) * 2021-12-23 2022-05-03 华能招标有限公司 远程评标视频会议过程中评标专家的异常行为认定方法
US11620604B2 (en) 2020-12-21 2023-04-04 Hi5Talent LLC System and method for management of a talent network

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180085634A (ko) * 2017-01-19 2018-07-27 주식회사 맘편한세상 공유경제 서비스에 최적화된 영유아 케어 방법 및 장치
KR101984283B1 (ko) * 2017-11-22 2019-05-30 주식회사 제네시스랩 기계학습모델을 이용한 자동화된 피평가자분석 시스템, 방법, 및 컴퓨터 판독가능매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180085634A (ko) * 2017-01-19 2018-07-27 주식회사 맘편한세상 공유경제 서비스에 최적화된 영유아 케어 방법 및 장치
KR101984283B1 (ko) * 2017-11-22 2019-05-30 주식회사 제네시스랩 기계학습모델을 이용한 자동화된 피평가자분석 시스템, 방법, 및 컴퓨터 판독가능매체

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11620604B2 (en) 2020-12-21 2023-04-04 Hi5Talent LLC System and method for management of a talent network
CN113902290A (zh) * 2021-09-14 2022-01-07 中国人民解放军军事科学院评估论证研究中心 一种面向评估任务的专家匹配效度测算方法
CN114429642A (zh) * 2021-12-23 2022-05-03 华能招标有限公司 远程评标视频会议过程中评标专家的异常行为认定方法

Similar Documents

Publication Publication Date Title
US11545173B2 (en) Automatic speech-based longitudinal emotion and mood recognition for mental health treatment
US10977452B2 (en) Multi-lingual virtual personal assistant
US11164105B2 (en) Intelligent recommendations implemented by modelling user profile through deep learning of multimodal user data
US10936346B2 (en) Processing multimodal user input for assistant systems
US11200811B2 (en) Intelligent recommendation of guidance instructions
JP2022553749A (ja) 速度ベースのスクリーニング及び挙動の健康状態の監視のための音響及び自然言語処理モデル
US11763811B2 (en) Oral communication device and computing system for processing data and outputting user feedback, and related methods
US20200098366A1 (en) Method and apparatus for facilitating persona-based agent interactions with online visitors
JP2021529382A (ja) 精神的健康評価のためのシステム及び方法
KR102149371B1 (ko) 동영상 기반 인력 매칭 방법 및 시스템
US11562744B1 (en) Stylizing text-to-speech (TTS) voice response for assistant systems
US11676220B2 (en) Processing multimodal user input for assistant systems
EP4193235A1 (en) Multimodal analysis combining monitoring modalities to elicit cognitive states and perform screening for mental disorders
US11393459B2 (en) Method and apparatus for recognizing a voice
US20210097887A1 (en) Multimodal neural network for public speaking guidance
US10770072B2 (en) Cognitive triggering of human interaction strategies to facilitate collaboration, productivity, and learning
US11651044B2 (en) Intelligent insight system and method for facilitating participant involvement
EP3557498A1 (en) Processing multimodal user input for assistant systems
Khoo et al. Machine Learning for Multimodal Mental Health Detection: A Systematic Review of Passive Sensing Approaches
Yu et al. Speaking style based apparent personality recognition
WO2024005944A1 (en) Meeting attendance prompt
US20220351730A1 (en) Method and system providing service based on user voice
US20230252418A1 (en) Apparatus for classifying candidates to postings and a method for its use
KR20210035038A (ko) 동영상 기반 인력 매칭 방법 및 시스템
Valenti et al. In their own words: a companion robot for detecting the emotional state of persons with Parkinson’s disease

Legal Events

Date Code Title Description
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2020101001694; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20200702

Effective date: 20200731

GRNO Decision to grant (after opposition)
GRNT Written decision to grant
Z031 Request for patent cancellation [new post grant opposition system introduced on 1 march 2017]

Free format text: CASE NUMBER: 2021106000019

Z072 Maintenance of patent after cancellation proceedings: certified copy of decision transmitted [new post grant opposition system as of 20170301]
Z131 Decision taken on request for patent cancellation [new post grant opposition system as of 20170301]