KR102151505B1 - 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 - Google Patents
딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 Download PDFInfo
- Publication number
- KR102151505B1 KR102151505B1 KR1020180139204A KR20180139204A KR102151505B1 KR 102151505 B1 KR102151505 B1 KR 102151505B1 KR 1020180139204 A KR1020180139204 A KR 1020180139204A KR 20180139204 A KR20180139204 A KR 20180139204A KR 102151505 B1 KR102151505 B1 KR 102151505B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- post
- relationship index
- server
- attractiveness
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013135 deep learning Methods 0.000 title claims abstract description 65
- 230000004064 dysfunction Effects 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 168
- 230000007613 environmental effect Effects 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000013459 approach Methods 0.000 claims description 35
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 9
- 230000003993 interaction Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000008451 emotion Effects 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
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011161 development Methods 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
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/30—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/21—Monitoring or handling of messages
- H04L51/212—Monitoring or handling of messages using filtering or selective blocking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템은 사용자의 웹 및 모바일 기반의 인터페이스의 개인 정보, 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 상기 사용자의 심리적 및 환경적 변화에 관련된 데이터를 저장하는 상황 인식 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 상기 사용자의 다른 사용자에 대한 관계를 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장하는 분석 서버 및 상기 분석 서버에서 산출된 관계 지수에 따라 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도를 조절하는 관리 서버를 포함한다.
Description
본 발명은 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법에 관한 것으로, 보다 상세하게는 이용자들 사이에서 안정성, 연관성 및 적절성을 제공할 수 있는 딥러닝 기반의 SNS 역기능 개선 중 선제적 차단과 선별적 노출에 관한 것이다.
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.
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, 인스타그램, 마이스페이스 등을 들 수 있다.
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.
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.
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 SNS 역기능을 최소화할 수 있는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템을 제공하는 것이다.
또한, 본 발명의 다른 목적은 SNS 역기능을 최소화할 수 있는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법을 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템은 사용자의 웹 및 모바일 기반의 인터페이스의 개인 정보, 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 상기 사용자의 심리적 및 환경적 변화에 관련된 데이터를 저장하는 상황 인식 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 상기 사용자의 다른 사용자에 대한 관계를 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장하는 분석 서버 및 상기 분석 서버에서 산출된 관계 지수에 따라 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도를 조절하는 관리 서버를 포함한다.
본 발명의 일 실시예에 있어서, 상기 분석 서버는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 관계 지수를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 및 게시물에 달린 댓글과 관련된 주제와 관련된 정보를 포함하는 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 관계 지수를 분석할 수 있다.
본 발명의 일 실시예에 있어서, 상기 관계 지수는 부정을 나타내는 경우 0으로 표시되고, 긍정을 나타내는 경우 100으로 표시되는 관계 지수 구간으로 구분되며, 상기 관계 지수 구간은 관계 지수가 0이상 10미만인 제1 구간, 관계 지수가 10이상 25미만인 제2 구간, 관계 지수가 25이상 45미만인 제3 구간, 관계 지수가 45이상 65미만인 제4 구간, 관계 지수가 65이상 80미만인 제5 구간, 관계 지수가 80이상 90미만인 제6 구간 및 관계 지수가 90이상 100이하인 제7 구간을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 관계 지수가 상기 제2 구간 내지 제6 구간에 해당되는 경우 각구간의 경계값이 쓰레스홀드(threshold)로 작용하여 각 구간의 경계값에서 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도가 변화되며, 상기 관계 지수가 상기 제1 구간에 해당되는 경우 상기 관계 지수가 10미만이 되면 사용자의 게시물에 대한 다른 사용자의 접근이 즉시 완전 차단되며, 상기 관계 지수가 상기 제7 구간에 해당되는 경우 상기 관계 지수가 90이상이 되면 즉시 게시물이 완전 노출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템은 상기 관계 지수를 변환한 변환 관계 지수를 생성하여 저장하는 암호화부를 더 포함할 수 있다. 상기 관계지수는 상기 사용자와 다른 사용자 사이의 관계마다 산출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 변환 관계 지수는 상기 사용자와 다른 사용자의 관계를 구분하도록 기호화된 기호화 지수 및 상기 기호화 지수를 암호화한 암호화 지수를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 관계 지수는 사용자의 최초 게시물에 대한 긍정 또는 부정의 정도를 나타내는 최초 매력도, 사용자의 게시물에 대한 댓글이 달린 후 상기 게시물에 대한 긍정 또는 부정의 정도를 나타내는 반응 매력도, 상기 게시물의 주제와 관련된 환경 요소를 고려한 긍정 또는 부정의 정도를 나타내는 환경 요소 매력도, 상기 게시물에 대해 다른 사용자의 댓글, 대화 및 로그인 회수의 변화량에 대한 정도를 나타내는 유형적 접근도 및 상기 게시물의 주제의 유형을 나타내는 무형적 접근도를 고려하여 산출할 수 있다.
본 발명의 일 실시예에 있어서, 상기 최초 매력도는 사용자의 나이에 관련된 제1 요소, 사용자가 거주하는 지역에 관련된 제2 요소, 사용자의 성별에 관련된 제3 요소, 사용자의 직업에 관련된 제4 요소 및 사용자가 주로 활동하는 시간인 낮 또는 밤인지에 대한 시간 선호도에 관련된 제5 요소를 고려하여 상기 제1 레벨 분석 단계에 의해 산출될 수 있다. 상기 최초 매력도는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
는 최초 매력도, 
은 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물 중 사용자가 올린 게시물의 주제와 동일한 주제를 갖는 게시물의 개수, 
는 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물의 총 개수를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 환경 요소 매력도는 상기 최초 매력도에 추가값을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 반응 매력도는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
은 반응 매력도를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 유형적 접근도는 게시물의 주제에 대한 댓글 및 대화의 양을 나타내는 제1 유형, 상기 게시물의 주제에 대한 댓글 및 대화의 진행 속도를 나타내는 제2 유형, 상기 게시물에 댓글이 달리기 시작한 이후 댓글의 양의 증가량에 대한 댓글이 달리는 속도의 증가량의 비율을 나타내는 제3 유형, 상기 게시물에 대한 총 로그인 횟수를 나타내는 제4 유형, 상기 게시물에 대한 반복된 로그인 횟수를 나타내는 제5 유형, 총 로그인 횟수에 대한 반복된 로그인 회수의 비율을 나타내는 제6 유형 및 상기 게시물에 접근하여 조회한 횟수에 대한 다른 게시물을 조회한 횟수의 비율을 나타내는 제7 유형을을 고려하여 결정될 수 있다. 상기 유형적 접근도는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
는 유형적 접근도, 
내지 
는 각각 제1 유형 내지 제7 유형의 가중치, 
내지 
는 각각 제1 유형 내지 제2 유형의 값을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 무형적 접근도는 댓글이 달리지 않은 게시물의 경우 상기 최초매력도에 게시물의 목적에 따라 분류된 주제를 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되고, 댓글이 달린 게시물의 경우 상기 반응 매력도에 댓글을 포함한 게시물 전체의 목적에 따라 분류된 주제의 세부 유형을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 관계 지수는 상기 최초 매력도, 상기 반응 매력도, 상기 환경 요소 매력도 및 상기 유형적 접근도를 조합한 값으로 결정되며, 상기 관계지수는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
는 관계 지수, 
는 최초 매력도의 가중치, 
는 반응 매력도의 가중치, 
는 환경 요소 매력도의 가중치, 
는 유형적 접근도의 가중치, 
는 최초 매력도, 
은 반응 매력도, 
는 환경 요소 매력도, 
는 유형적 접근도를 나타낸다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법은 사용자 인터페이스 서버가 사용자의 웹 및 모바일 기반의 인터페이스의 개인정보, 로그인 정보 및 활동 정보 등에 관한 데이터를 저장하는 단계, 외부 연계 서버가 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 단계, 상황 인식 서버가 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 상기 사용자의 심리적 및 환경적 변화에 관련된 데이터를 저장하는 단계, 분석 서버가 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 상기 사용자의 다른 사용자에 대한 관계를 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장하는 단계 및 관리 서버가 상기 분석 서버에서 산출된 관계 지수에 따라 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도를 조절하는 단계를 포함한다.
본 발명의 일 실시예에 있어서, 상기 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장하는 단계는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 관계 지수를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 및 게시물에 달린 댓글과 관련된 주제와 관련된 정보를 포함하는 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.
본 발명의 일 실시예에 있어서, 상기 관계 지수는 부정을 나타내는 경우 0으로 표시되고, 긍정을 나타내는 경우 100으로 표시되는 관계 지수 구간으로 구분되며, 상기 관계 지수 구간은 관계 지수가 0이상 10미만인 제1 구간, 관계 지수가 10이상 25미만인 제2 구간, 관계 지수가 25이상 45미만인 제3 구간, 관계 지수가 45이상 65미만인 제4 구간, 관계 지수가 65이상 80미만인 제5 구간, 관계 지수가 80이상 90미만인 제6 구간 및 관계 지수가 90이상 100이하인 제7 구간을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 관계 지수가 상기 제2 구간 내지 제6 구간에 해당되는 경우 각구간의 경계값이 쓰레스홀드(threshold)로 작용하여 각 구간의 경계값에서 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도가 변화되며, 상기 관계 지수가 상기 제1 구간에 해당되는 경우 상기 관계 지수가 10미만이 되면 사용자의 게시물에 대한 다른 사용자의 접근이 즉시 완전 차단되며, 상기 관계 지수가 상기 제7 구간에 해당되는 경우 상기 관계 지수가 90이상이 되면 즉시 게시물이 완전 노출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법은 암호화부가 상기 관계 지수를 변환한 변환 관계 지수를 생성하여 저장하는 단계를 더 포함할 수 있다. 상기 관계지수는 상기 사용자와 다른 사용자 사이의 관계마다 산출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 변환 관계 지수를 생성하는 단계는 상기 암호화부가 상기 사용자와 다른 사용자의 관계를 구분하도록 기호화된 기호화 지수를 생성하는 단계 및 상기 암호화부가 상기 기호화 지수를 암호화한 암호화 지수를 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 관계 지수는 사용자의 최초 게시물에 대한 긍정 또는 부정의 정도를 나타내는 최초 매력도, 사용자의 게시물에 대한 댓글이 달린 후 상기 게시물에 대한 긍정 또는 부정의 정도를 나타내는 반응 매력도, 상기 게시물의 주제와 관련된 환경 요소를 고려한 긍정 또는 부정의 정도를 나타내는 환경 요소 매력도, 상기 게시물에 대해 다른 사용자의 댓글, 대화 및 로그인 회수의 변화량에 대한 정도를 나타내는 유형적 접근도 및 상기 게시물의 주제의 유형을 나타내는 무형적 접근도를 고려하여 산출할 수 있다.
본 발명의 일 실시예에 있어서, 상기 최초 매력도는 사용자의 나이에 관련된 제1 요소, 사용자가 거주하는 지역에 관련된 제2 요소, 사용자의 성별에 관련된 제3 요소, 사용자의 직업에 관련된 제4 요소 및 사용자가 주로 활동하는 시간인 낮 또는 밤인지에 대한 시간 선호도에 관련된 제5 요소를 고려하여 상기 제1 레벨 분석 단계에 의해 산출될 수 있다. 상기 최초 매력도는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
는 최초 매력도, 
은 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물 중 사용자가 올린 게시물의 주제와 동일한 주제를 갖는 게시물의 개수, 
는 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물의 총 개수를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 환경 요소 매력도는 상기 최초 매력도에 추가값을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 반응 매력도는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
은 반응 매력도를 나타낸다.
본 발명의 일 실시예에 있어서, 상기 유형적 접근도는 게시물의 주제에 대한 댓글 및 대화의 양을 나타내는 제1 유형, 상기 게시물의 주제에 대한 댓글 및 대화의 진행 속도를 나타내는 제2 유형, 상기 게시물에 댓글이 달리기 시작한 이후 댓글의 양의 증가량에 대한 댓글이 달리는 속도의 증가량의 비율을 나타내는 제3 유형, 상기 게시물에 대한 총 로그인 횟수를 나타내는 제4 유형, 상기 게시물에 대한 반복된 로그인 횟수를 나타내는 제5 유형, 총 로그인 횟수에 대한 반복된 로그인 회수의 비율을 나타내는 제6 유형 및 상기 게시물에 접근하여 조회한 횟수에 대한 다른 게시물을 조회한 횟수의 비율을 나타내는 제7 유형을을 고려하여 결정될 수 있다. 상기 유형적 접근도는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
는 유형적 접근도, 
내지 
는 각각 제1 유형 내지 제7 유형의 가중치, 
내지 
는 각각 제1 유형 내지 제2 유형의 값을 나타낸다.
본 발명의 일 실시예에 있어서, 상기 무형적 접근도는 댓글이 달리지 않은 게시물의 경우 상기 최초매력도에 게시물의 목적에 따라 분류된 주제를 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되고, 댓글이 달린 게시물의 경우 상기 반응 매력도에 댓글을 포함한 게시물 전체의 목적에 따라 분류된 주제의 세부 유형을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 관계 지수는 상기 최초 매력도, 상기 반응 매력도, 상기 환경 요소 매력도 및 상기 유형적 접근도를 조합한 값으로 결정되며, 상기 관계지수는 아래의 수학식에 의해 정의될 수 있다.
여기서, 
는 관계 지수, 
는 최초 매력도의 가중치, 
는 반응 매력도의 가중치, 
는 환경 요소 매력도의 가중치, 
는 유형적 접근도의 가중치, 
는 최초 매력도, 
은 반응 매력도, 
는 환경 요소 매력도, 
는 유형적 접근도를 나타낸다.
본 발명에 따르면, 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템은 사용자와 다른 사용자의 단순한 관계 지수 분석이 아닌 다른 사용자와의 상호 작용에서 발생되는 정보 및 사용자의 활동 변화에 의해 추가되거나 변동되는 정보를 즉각적으로 반영하여 관계 지수를 분석한다. 따라서, 기계적인 차단 또는 노출이 아닌 사용자와 다른 사용자의 관계에 맞는 인공지능 기반의 맞춤형 서비스의 제공이 가능하다.
또한, 본 발명에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템은 사용자의 상황에 맞는 맞춤형 서비스가 가능하므로, 무분별한 노출 및 원하지 않는 타 사용자의 접근을 차단할 수 있으므로 SNS 역기능을 개선할 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템을 나타내는 블럭도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법을 나타내는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 관계 지수 분석 단계를 나타내는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 관계 지수의 관계 지수 구간을 나타내는 블럭도이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 선제적 차단 및 선별적 노출을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 선별적 노출을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 기호화 지수 및 암호화 지수를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 접근 및 노출 조절 단계를 설명하기 위한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부를 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부를 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법을 나타내는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 관계 지수 분석 단계를 나타내는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 관계 지수의 관계 지수 구간을 나타내는 블럭도이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 선제적 차단 및 선별적 노출을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 선별적 노출을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 기호화 지수 및 암호화 지수를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 접근 및 노출 조절 단계를 설명하기 위한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부를 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부를 나타내는 도면이다.
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.
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.
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.
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.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템을 나타내는 블럭도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템(10)은 사용자 인터페이스 서버(100), 외부 연계 서버(200), 상황 인식 서버(300), 분석 서버(400), 관리 서버(500), 암호화부(600) 및 표시부(700)를 포함한다.
상기 사용자 인터페이스 서버(100)는 사용자의 웹 및 모바일 기반의 인터페이스의 개인 정보, 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.
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.
상기 상황 인식 서버(300)는 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 상기 사용자의 심리적 및 환경적 변화에 관련된 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.
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 관계를 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장한다.
상기 분석 서버(400)는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 관계 지수를 분석하는 제1 레벨 분석 단계, 상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 및 게시물에 달린 댓글과 관련된 주제와 관련된 정보를 포함하는 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.
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, 사용자와 다른 사용자 사이의 관계 지수에 맞는 맞춤형 서비스 제공이 가능하다.
상기 관리 서버(500)는 상기 분석 서버에서 분석된 관계 지수에 관한 데이터를 이용하여 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 차단의 정도 및 노출 정도를 조절하는 서비스를 제공한다.
여기서 차단과 노출은 핵심적 개념을 추가하여 이념적 레버리지를 개선하는 선제적 차단과 선별적 노출의 신 개념으로 정의될 수 있다. 먼저, 선제적 차단은 사용자에게 또는 사용자의 게시물에 접근하려는 다른 사용자를 선제적으로 차단하여, 사용자가 안심하고 SNS 서비스를 이용할 수 있도록 하는 것을 말한다. 이때, 차단된 사용자가 자신이 차단되었다는 것을 인지하지 못하도록 서비스를 제공할 수 있다.
또한, 선제적 차단과 선별적 노출에 대한 이념적 레버리지 효과는 경제 및 자본주의 이념상 차단과 노출이 자본의 경제이익과 마찬가지로 소셜미디어 상에서 자식과 커뮤니티에서 시공간의 이익에 도달할 수 있는 이념의 확신과 효과를 뜻한다. 즉, 경제학에서 이룬 레버리지 효과를 소셜미디어 공감 안에서 이념의 극대화를 이루어 선제적 차단과 선별적 허용을 이상적으로 이루고, 가장 유효한 이익의 구현 즉, 소셜미디어 상에서의 가치 극대화가 이룰 수 있게 하는 효과를 말한다.
다음으로, 선별적 노출은 사용자가 업로드한 게시물이 보여주고 싶은 사람들에게만 보여지고 있다는 느낌을 줄 수 있는 노출을 말한다. 선별적 노출은 특정 관계로 연결되어 있는 사람들뿐만 아니라 사용자와 비슷한 성향 또는 취향을 가진 사람들에게 노출되는 말한다. 예를 들어, 페이스북의 친구와 같은 관계로 연결되어 있는 사용자들에게만 공개하는 것이 아니고, 사용자의 주변에 있는 사람들 중 어느정도 사용자와 비슷한 성향, 직업, 나이, 거주 지역 등의 여러 요소들이 고려하여 게시물을 보여주고 싶은 사람들을 관계 지수에 따라 수정하면서 노출하는 개념을 말한다.
상기 암호화부(600)는 상기 관계 지수를 변환하여 변환 관계 지수를 생성할 수 있다. 상기 변환 관계 지수는 기호화 지수 및 암호화 지수를 포함할 수 있다.
상기 암호화부(600)는 상기 관계 지수를 기호화하여 기호화 지수를 생성하고, 상기 기호화 지수를 암호화하여 암호화 지수를 생성한다. 상기 관계 지수는 사용자와 다른 사용자 사이의 관계마다 산출되며, 사용자와 다른 사용자 사이의 관계를 나타낸다. 따라서, 관계 지수는 민감한 정보를 포함하고 있으므로, 사용자들에게 노출되지 않도록 하는 것이 중요하다. 상기 암호화부(600)는 관계 지수를 암호화하여 저장하고 관리하므로, 사용자와 다른 사용자 사이의 관계를 나타내는 정보를 사용자들이 확인할 수 없다. 본 실시예에서는 관계 지수를 지수화하고 이를 다시 암호화하는 방법을 예를 들어 설명하였으나, 본 발명은 이에 한정되는 것은 아니며, 상기 암호화부(600)는 상기 암호화 지수 또는 제3의 암호화된 비식별자를 생성하여 관계 지수의 보안을 유지할 수 있다.
상기 표시부(700)는 상기 관리 서버(500)에서 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 차단의 정도 및 노출 정도를 조절하는 서비스를 표시할 수 있다.
예를 들어, 상기 표시부(700)는 사용자가 확인할 수 있는 "나의 모드"에서 SNS 에서 이용자 자신이 보호되고 노출되고 있는 컨텐츠의 현재 상황을 보여줄 수 있으며, "관리자 모드"에서 SNS 공간에서 이용자들의 관계 지수에 따라 선제적 차단과 선별적 노출이 진행되는 현재 상황을 보여줄 수 있다.
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 개선을 위한 소셜 매쉬업 로직 구현 방법의 관계 지수 분석 단계를 나타내는 순서도이다.
도 2 및 도 3을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법은 각각의 서버에 데이터를 저장하는 단계(S100), 각각의 서버로부터 데이터를 수집하는 단계(S200), 수집된 데이터를 이용하여 관계 지수를 분석하는 단계(S300) 및 상기 분석된 관계 지수에 관한 데이터를 이용하여 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도를 조절하는 서비스를 제공하는 단계(S400)를 포함한다.
상기 각각의 서버에 데이터를 저장하는 단계(S100)에서는 사용자의 웹 및 모바일 기반의 인터페이스의 개인 정보, 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 사용자의 심리적 및 환경적 변화에 관련된 데이터를 상황인식 서버에 저장하는 단계를 포함할 수 있다.
상기 각각의 서버에 데이터들이 저장되면, 각각의 서버로부터 데이터를 수집하는 단계(S200)에서 관계 지수 분석에 필요한 데이터를 수집할 수 있다.
상기 수집된 데이터를 이용하여 관계 지수를 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.
상기 수집된 데이터를 이용하여 관계 지수를 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.
상기 제1 레벨 분석 단계(S310)에서는 상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 관계 지수를 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 관계 지수를 분석한다.
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.
수학식 1
여기서, 
은 제1 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
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.
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.
수학식 2
여기서, 
는 제2 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
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.
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.
수학식 3
여기서, 
는 제3 레벨 분석 단계에서 분석된 선호도, 
은 제1 레벨 분석 단계의 주체의 객체에 대한 선호도, 
은 제1 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제2 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제2 레벨 분석 단계의 객체의 주체에 대한 선호도, 
는 제3 레벨 분석 단계의 주체의 객체에 대한 선호도, 
는 제3 레벨 분석 단계의 객체의 주체에 대한 선호도를 의미한다.
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.
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.
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.
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.
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.
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 수도 있다.
상기 분석된 관계 지수에 관한 데이터를 이용하여 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도를 조절하는 서비스를 제공하는 단계(S400)에서는 상기 관계 지수에 따라 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 차단의 정도 및 노출 정도를 조절할 수 있다. 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 차단의 정도 및 노출 정도를 조절하는 방법은 도 4를 참조하여 상세하게 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선방법의 관계 지수의 관계 지수 구간을 나타내는 블럭도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법에 이용되는 관계 지수는 관계 구간으로 구분될 수 있다.
상기 관계 지수는 부정을 나타내는 경우 0으로 표시되고, 긍정을 나타내는 경우 100으로 표시되는 관계 지수 구간으로 구분될 수 있다.
상기 관계 지수 구간은 관계 지수가 0이상 10미만인 제1 구간, 관계 지수가 10이상 25미만인 제2 구간, 관계 지수가 25이상 45미만인 제3 구간, 관계 지수가 45이상 65미만인 제4 구간, 관계 지수가 65이상 80미만인 제5 구간, 관계 지수가 80이상 90미만인 제6 구간 및 관계 지수가 90이상 100이하인 제7 구간을 포함할 수 있다.
상기 관계 지수가 상기 제2 구간 내지 제6 구간에 해당되는 경우 각구간의 경계값이 쓰레스홀드(threshold)로 작용하여 각 구간의 경계값에서 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도가 변화되며, 상기 관계 지수가 상기 제1 구간에 해당되는 경우 상기 관계 지수가 10미만이 되면 사용자의 게시물에 대한 다른 사용자의 접근이 즉시 완전 차단되며, 상기 관계 지수가 상기 제7 구간에 해당되는 경우 상기 관계 지수가 90이상이 되면 즉시 게시물이 완전 노출될 수 있다.
또한, 상기 관계 지수가 현재 어떤 수치를 나타내고 있는지에 대해서는 도 4에 도시된 바와 같이 화살표로 표시될 수 있다. 예를 들어, 도 4에 도시된 상태는 현재 관계 지수가 제5 구간에 해당되는 것을 나타내는 것으로 볼 수 있다.
상기 관계 지수는 사용자의 최초 게시물에 대한 긍정 또는 부정의 정도를 나타내는 최초 매력도, 사용자의 게시물에 대한 댓글이 달린 후 상기 게시물에 대한 긍정 또는 부정의 정도를 나타내는 반응 매력도, 상기 게시물의 주제와 관련된 환경 요소를 고려한 긍정 또는 부정의 정도는 나타내는 환경 요소 매력도, 상기 게시물에 대해 다른 사용자의 댓글, 대화 및 로그인 회수의 변화량에 대한 정도를 나타내는 유형적 접근도 및 상기 게시물의 주제의 유형을 나타내는 무형적 접근도를 고려하여 산출할 수 있다.
상기 최초 매력도는 댓글이 달리지 않은 최초의 오리지널 게시물(영상, 이미지 또는 텍스트)을 대상으로 하는 판단의 근거를 뜻한다. 상기 최초 매력도는 여러가지 요소들이 현재 시간과 지역에 매칭되는 여부에 따라 수치를 가지게 된다.
상기 최초 매력도는 사용자의 나이에 관련된 제1 요소, 사용자가 거주하는 지역에 관련된 제2 요소, 사용자의 성별에 관련된 제3 요소, 사용자의 직업에 관련된 제4 요소 및 사용자가 주로 활동하는 시간인 낮 또는 밤인지에 대한 시간 선호도에 관련된 제5 요소를 고려하여 상기 제1 레벨 분석 단계에 의해 산출될 수 있다.
상기 최초 매력도는 아래의 수학식 4에 의해 정의될 수 있다.
수학식 4
여기서, 
는 최초 매력도, 
은 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물 중 사용자가 올린 게시물의 주제와 동일한 주제를 갖는 게시물의 개수, 
는 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물의 총 개수를 나타낸다.
상기 환경 요소 매력도는 게시물의 주제에 관련된 환경 요소를 고려한 긍정 또는 부정의 정도를 나타낸다. 상기 환경 요소 매력도는 댓글이 달기 전과 후를 모두 고려하여 판단할 수 있다. 환경 요소는 기후, 신용도, 건강도, 심전도, 뇌파 및 체온 등의 정보를 포함할 수 있으며, 예를 들어, 기후에 관한 정보는 기상청의 공공 데이터를 활용하여 수집할 수 있고, 신용도에 관한 정보는 신용카드 사용 데이터를 활용하여 수집할 수 있으며, 건강도에 관한 정보는 의료정보 데이터를 활용하여 수집할 수 있다. 단순히 하나의 환경 요소에 의해 사용자가 영향을 받는 것이 아니므로 환경 요소들은 하나의 데이터가 아닌 두 가지 이상의 데이터를 조합하여 고려될 수 있다.
상기 환경 요소 매력도는 상기 최초 매력도에 추가값을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출될 수 있다.
상기 반응 매력도는 사용자의 게시물에 대한 댓글이 달린 후 상기 게시물에 대한 긍정 또는 부정의 정도를 나타낸다. 즉 게시물의 주제에 대한 반응일 일어나는 이후, 즉 게시물이 포스팅 된 이후의 긍정 또는 부정의 정도는 나타낼 수 있다. 상기 반응 매력도는 댓글이 달리고 난 이후 일어나는 상기 최초 매력도 이후의 게시물(영상, 이미지 또는 텍스트 중 주로 텍스트)에 대한 판단의 근거를 제시할 수 있다.
상기 반응 매력도는 아래의 수학식 5에 의해 정의될 수 있다.
수학식 5
여기서, 
은 반응 매력도를 나타낸다.
상기 수학식 5에서 부정 댓글, 단어의 부정도 및 사용자의 반박도는 감성 사전 또는 구글, IBM, 왓슨 등이 제공하는 부정도 분석 API를 이용하여 부정도, 반박도 등을 수치화할 수 있다. 그러나, 본 발명은 이에 한정되는 것은 아니며, 부정 댓글, 단어의 부정도 사용자의 반반도 등은 부정도 등을 수치로 나타낼 수 있는 다양한 사전, 소프트웨어 등을 이용하여 수치화 할 수 있다.
상기 유형적 접근도는 상기 게시물에 대해 다른 사용자의 댓글, 대화 및 로그인 회수의 변화량에 대한 정도를 나타낸다. 상기 유형적 접근도는 주체와 객체의 관계를 나타내며, 유형적 요소를 가진 접근로서, 예를 들어, 주체 A가 객체 B, C, D 등에게 영향을 미치는 정도를 측정하기위한 판단의 근거이다.
상기 유형적 접근도는 게시물의 주제에 대한 댓글 및 대화의 양을 나타내는 제1 유형, 상기 게시물의 주제에 대한 댓글 및 대화의 진행 속도를 나타내는 제2 유형, 상기 게시물에 댓글이 달리기 시작한 이후 댓글의 양의 증가량에 대한 댓글이 달리는 속도의 증가량의 비율을 나타내는 제3 유형, 상기 게시물에 대한 총 로그인 횟수를 나타내는 제4 유형, 상기 게시물에 대한 반복된 로그인 횟수를 나타내는 제5 유형, 총 로그인 횟수에 대한 반복된 로그인 회수의 비율을 나타내는 제6 유형 및 상기 게시물에 접근하여 조회한 횟수에 대한 다른 게시물을 조회한 횟수의 비율을 나타내는 제7 유형을 포함할 수 있다.
상기 유형적 접근도는 아래의 수학식 6에 의해 정의될 수 있다.
수학식 6
여기서, 
는 유형적 접근도, 
내지 
는 각각 제1 유형 내지 제7 유형의 가중치, 
내지 
는 각각 제1 유형 내지 제2 유형의 값을 나타낸다.
상기 무형적 접근도는 게시물의 주제 유형에 따른 성격을 정도로 나타낸다. 주체와 객체의 무형적인 관계를 나타내기 위해서는 대화를 중심으로 할 경우 모든 주제, 즉 게시물에 대한 대화의 기본 유형을 파악할 필요가 있다.
주체와 객체가 실시하는 주제의 성격을 접근도로 표시할 때 댓글을 제외한 게시물의 성격으로 파악하는 경우와 댓글을 포함한 게시물의 성격으로 파악하는 경우를 고려할 수 있다.
먼저, 댓글이 없는 상태의 게시물에 대해서는 목적에 의한 구분으로 기본 유형을 파악한다. 예를 들어, 게시물의 주제를 1 친구간 친목 목적, 2 업무 목적, 3 공공 목적, 4 정치적 목적, 5 편의 제공 목적, 6 여행 목적, 7 학술 연구 목적, 8 박리다매 목적, 9 교육 목적, 10 건강상 목적 및 11 상업적 목적 등으로 구분할 수 있다.
댓글을 포함하는 경우에는 세부 유형을 파악하여 접근도를 판단할 수 있다. 예를 들어, 1. 친구간 친목 목적인 경우 세부 유형은 사교, 정보 교류, 시험, 순수 친목, 금전 등으로 구분될 수 있고, 2. 업무상 목적인 경우 경제, 토론, 비용 등과 같이 구분될 수 있다. 상기 세부 유형은 본 실시예에 한정되는 것은 아니며, 다양한 세부 유형을 고려하여 판단할 수 있다.
상기 무형적 접근도는 댓글이 달리지 않은 게시물의 경우 상기 최초매력도에 게시물의 목적에 따라 분류된 주제를 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되고, 댓글이 달린 게시물의 경우 상기 반응 매력도에 댓글을 포함한 게시물 전체의 목적에 따라 분류된 주제의 세부 유형을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출될 수 있다. 즉, 상기 무형적 접근도는 상기 최초 매력도 및 상기 반응 매력도를 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계를 통해 보다 정밀하게 산출하는 역할을 할 수 있다.
상기 관계 지수는 상기 최초 매력도, 상기 반응 매력도, 상기 환경 요소 매력도 및 상기 유형적 접근도를 조합한 값으로 결정될 수 있다.
상기 관계 지수는 아래의 수학식 7에 의해 정의될 수 있다.
수학식 7
여기서, 
는 관계 지수, 
는 최초 매력도의 가중치, 
는 반응 매력도의 가중치, 
는 환경 요소 매력도의 가중치, 
는 유형적 접근도의 가중치, 
는 최초 매력도, 
은 반응 매력도, 
는 환경 요소 매력도, 
는 유형적 접근도를 나타낸다.
이때, 상기 관계 지수는 상기 최초 매력도, 상기 반응 매력도, 상기 환경 요소 매력도 및 상기 유형적 접근도를 조합하여 결정하며, 모든 요소들을 고려할 수도 있고 관계지수 판단에 불필요한 요소는 제외하고 관계지수를 결정할 수도 있다.
예들 들어, 유형적 접근도를 고려하지 않아도 되는 경우에는 유형적 접근도의 가중치를 0으로 설정하여 관계지수를 결정할 수 있다. 이 경우, 최초 매력도, 반응 매력도 및 환경 요소 매력도를 고려하여 관계 지수가 결정된다. 그러나, 본 발명은 이에 한정되는 것이 아니며, 필요에 따라 상기 요소들의 다양한 조합으로 관계지수를 결정할 수 있다.
상기 관계 지수는 상기 환경 요소 매력도만을 고려하여 결정되는 제1 Case, 상기 최초 매력도와 상기 반응 매력도를 고려하여 결정되는 제2 Case, 상기 최초 매력도와 상기 환경 요소 매력도를 고려하여 결정되는 제3 Case, 상기 최초 매력도, 상기 반응 매력도 및 상기 환경 요소 매력도를 고려하여 결정되는 제4 Case 및 상기 최초 매력도, 상기 반응 매력도, 상기 환경 요소 매력도 및 상기 유형적 접근도를 고려하여 결정되는 제5 Case 등으로 구분될 수 있다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 선제적 차단 및 선별적 노출을 설명하기 위한 도면이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법은 사용자와 다른 사용자 사이의 관계를 선제적으로 차단하고 게시물을 선별적으로 노출할 수 있다.
A양과 B군은 친구이며, C군은 B군의 친구이고, A양과 C군은 친구가 아닌 관계에서, C군이 B군의 SNS를 통해 A양에게 관심이 생긴 경우가 있다.
이 경우, C군이 정상적인 접근을 할 수도 있으나, C군이 A양의 게시물을 이용하여 위치를 파악하고 이상한 댓글을 남기는 등 A양을 스토킹하려는 태도를 취할 수 있다. 이에 따라, C군의 행동은 반응 매력도에서 낮은 지수로 판단되고, C군의 행동 변화에 따라 환경 요소 매력도와 유형적 접근도의 지수도 낮아질 것이다.
이때 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법은 A양에 대한 C군의 관계지수를 계산하고, 관계 지수의 구간에 따라, C군의 A양에 대한 접근을 선제적으로 차단할 수 있다. 또한, 선제적 차단과 동시에 선별적 노출도 수행하게 된다.
따라서, C군은 A양에 대한 직접적인 접근 외에 B군을 통한 간접적인 접근도 차단되며, 선별적 노출에 의해 C군은 A양의 게시물을 볼 수 없으나, B군은 여전히 A양의 게시물을 볼 수 있게 된다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 선별적 노출을 설명하기 위한 도면이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법은 사용자의 게시물을 선별적으로 노출할 수 있다.
A양이 스커트를 새로 사서 새로 산 스커트 사진을 업로드 했다고 가정할때, A양은 자신과 잘 맞는 이성친구에게 자신의 게시물을 보여주고 싶을 수 있다.
이때, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법은 A양에게 적절한 이성 친구를 자동으로 추천하고, 추천된 친구들에게 A양의 게시물을 관계 지수에 따라 선별적으로 노출할 수 있다.
즉, A양의 주변의 사용자들의 관계 지수를 분석하여 관계 지수가 높은 사용자인 B군과 C군을 자동으로 추천하며, 관계지수가 20인 B군과 관계 지수가 5인 C군에게 관계 지수의 정도에 따른 선별적 노출을 수행한다. 따라서, 사용자가 원하는 사람에게만 게시물을 보여줄 수 있고, 스토킹 등으로부터 안전하다는 느낌을 주어 불안감을 해소할 수 있다.
또한, C군의 사회관계망서비스의 행위적 동작과 심리적 행태가 변경될 경우에 A양의 C군에 대한 노출과 차단은 인공지능기반의 소셜미디어 매쉬업 알고리즘에 의하여 자동 변환될 수 있다. 즉, C군의 행위적 동작과 심리적 행태가 변경될 경우 A양과 C군의 관계 지수가 변화되며, 이렇게 관계 지수가 변화됨에 따라, A양의 C군에 대한 노출과 차단은 인공지능기반의 소셜미디어 매쉬업 알고리즘에 의하여 자동 변환될 수 있다
도 7은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 기호화 지수 및 암호화 지수를 나타내는 도면이다.
도 1 및 도 7을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 암호화부는 상기 관계 지수를 변환하여 변환 관계 지수를 생성할 수 있다. 상기 변환 관계 지수는 기호화 지수(610) 및 암호화 지수(620)를 포함할 수 있다.
상기 암호화부(600)는 상기 관계 지수를 기호화하여 기호화 지수(610)를 생성하고, 상기 기호화 지수(610)를 암호화하여 암호화 지수(620)를 생성한다. 상기 관계 지수는 사용자와 다른 사용자 사이의 관계마다 산출되며, 사용자와 다른 사용자 사이의 관계를 나타낸다.
관리 서버(500)에는 상기 암호화 지수(620)만이 전달되며, 상기 암호화 지수(620)에 의해 차단 및 노출의 정도를 조절할 수 있다. 따라서, 암호화된 고유 식별 번호만을 이용하므로 사용자 ID 등 사용자의 개인 정보가 노출되지 않는다.
도 8은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 접근 및 노출 조절 단계를 설명하기 위한 순서도이다.
도 8을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 방법의 접근 및 노출을 조절하는 단계(S400)는 기호화 지수를 생성하는 단계(S410), 암호화 지수를 생성하는 단계(S420) 및 암호화 지수를 전송하는 단계(S430)를 포함할 수 있다.
상기 기호화 지수를 생성하는 단계(S410)에서는 상기 관계 지수를 기호화 하여 기호화 지수를 생성한다. 상기 기호화 지수는 암호화가 되지 않은 단순 기호화에 의해 생성된 지수를 말한다.
상기 암호화 지수를 생성하는 단계(S420)에서는 상기 기호화 지수를 암호화하여 암호화 지수를 생성한다. 상기 암호화 지수는 상기 기호화 지수를 암호화한 지수를 말하며, 상기 암호화 지수를 생성하는 단계(S420)에서는 암호화 지수 또는 제3의 암호화된 비식별자를 생성할 수 있다.
상기 암호화 지수를 전송하는 단계(S430)에서는 상기 암호화 지수를 상기 관리 서버로 전송한다. 이후, 상기 관리 서버는 상기 암호화 지수(620)에 의해 차단 및 노출의 정도를 조절할 수 있다.
도 9는 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부를 나타내는 도면이다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부는 "나의 모드"에서 표시되는 다양한 메뉴를 포함할 수 있다.
상기 표시부에 표시되는 다양한 메뉴 중 특정 관계 아이콘(710)은 SNS에서 사용자 자신이 보호되고 노출되고 있는 컨텐츠의 현재 상황을 보여줄 수 있다. 예를 들어, 상기 특정 관계 아이콘(710)은 허리케인 형상으로 표시될 수 있으며, 허리케인의 형상이 확대 또는 축소되어 사용자의 노출 및 차단의 정도를 직관적으로 표시할 수 있다. 허리케인의 형상이 확대되어 보여지는 경우 노출 및 차단이 많이 이루어지고 있는 상태를 나타내며, 허리케인의 형상이 축소되는 경우 노출 및 차단이 적게 이루어지는 상태를 나타낼 수 있다.
도 10은 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부를 나타내는 도면이다.
도 10을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 매쉬업 로직 구현 시스템의 표시부는 "관리자 모드"에서 표시되는 다양한 메뉴를 포함할 수 있다.
상기 "관리자 모드"는 사용자와 다른 사용자 사이의 관계 지수를 도표로 표시하는 관계 지수 표시부(720)를 포함할 수 있다. 상기 관계 지수 표시부(720)는 SNS 공간에서 이용자들의 관계 지수에 따라 선제적 차단과 선별적 노출을 수행하고 있는 현재 상황을 보여줄 수 있다.
상기 관계 지수 표시부(720)에서는 도 4에 도시된 관계 지수를 도표로 표시하며, 이 관계 지수는 차단과 노출의 이념적 레버리지를 수치화하여 생성할 수 있다. 또한, 상기 관계 지수 표시부(720)에서는 상기 관계 지수를 실시간으로 표시하여, 사용자와 다른 사용자들 사이의 관계의 변화를 표시할 수 있다.
본 발명에 따르면, 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템은 사용자와 다른 사용자의 단순한 관계 지수 분석이 아닌 다른 사용자와의 상호 작용에서 발생되는 정보 및 사용자의 활동 변화에 의해 추가되거나 변동되는 정보를 즉각적으로 반영하여 관계 지수를 분석한다. 따라서, 기계적인 차단 또는 노출이 아닌 사용자와 다른 사용자의 관계에 맞는 맞춤형 서비스의 제공이 가능하다.
또한, 본 발명에 따른 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템은 사용자의 상황에 맞는 맞춤형 서비스가 가능하므로, 무분별한 노출 및 원하지 않는 타 사용자의 접근을 차단할 수 있으므로 SNS 역기능을 개선할 수 있다.
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.
100: 사용자 인터페이스 서버
200: 외부 연계 서버
300: 상황 인식 서버
400: 분석 서버
500: 관리 서버
600: 암호화부
700: 표시부
200: 외부 연계 서버
300: 상황 인식 서버
400: 분석 서버
500: 관리 서버
600: 암호화부
700: 표시부
Claims (26)
- 사용자의 웹 및 모바일 기반의 인터페이스의 개인 정보, 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 상기 사용자의 심리적 및 환경적 변화에 관련된 데이터를 저장하는 상황 인식 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 상기 사용자의 다른 사용자에 대한 관계를 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장하는 분석 서버; 및
상기 분석 서버에서 산출된 관계 지수에 따라 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도를 조절하는 관리 서버를 포함하고,
상기 분석 서버는,
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 관계 지수를 분석하는 제1 레벨 분석 단계;
상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 및 게시물에 달린 댓글과 관련된 주제와 관련된 정보를 포함하는 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 관계 지수를 분석하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 삭제
- 제1항에 있어서,
상기 관계 지수는 부정을 나타내는 경우 0으로 표시되고, 긍정을 나타내는 경우 100으로 표시되는 관계 지수 구간으로 구분되며,
상기 관계 지수 구간은,
관계 지수가 0이상 10미만인 제1 구간;
관계 지수가 10이상 25미만인 제2 구간;
관계 지수가 25이상 45미만인 제3 구간;
관계 지수가 45이상 65미만인 제4 구간;
관계 지수가 65이상 80미만인 제5 구간;
관계 지수가 80이상 90미만인 제6 구간; 및
관계 지수가 90이상 100이하인 제7 구간을 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 제3항에 있어서,
상기 관계 지수가 상기 제2 구간 내지 제6 구간에 해당되는 경우 각구간의 경계값이 쓰레스홀드(threshold)로 작용하여 각 구간의 경계값에서 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도가 변화되며,
상기 관계 지수가 상기 제1 구간에 해당되는 경우 상기 관계 지수가 10미만이 되면 사용자의 게시물에 대한 다른 사용자의 접근이 즉시 완전 차단되며,
상기 관계 지수가 상기 제7 구간에 해당되는 경우 상기 관계 지수가 90이상이 되면 즉시 게시물이 완전 노출되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 제1항에 있어서,
상기 관계 지수를 변환한 변환 관계 지수를 생성하여 저장하는 암호화부를 더 포함하고,
상기 관계지수는 상기 사용자와 다른 사용자 사이의 관계마다 산출되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 제5항에 있어서,
상기 변환 관계 지수는,
상기 사용자와 다른 사용자의 관계를 구분하도록 기호화된 기호화 지수; 및
상기 기호화 지수를 암호화한 암호화 지수를 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 제1항에 있어서, 상기 관계 지수는,
사용자의 최초 게시물에 대한 긍정 또는 부정의 정도를 나타내는 최초 매력도;
사용자의 게시물에 대한 댓글이 달린 후 상기 게시물에 대한 긍정 또는 부정의 정도를 나타내는 반응 매력도;
상기 게시물의 주제와 관련된 환경 요소를 고려한 긍정 또는 부정의 정도를 나타내는 환경 요소 매력도;
상기 게시물에 대해 다른 사용자의 댓글, 대화 및 로그인 회수의 변화량에 대한 정도를 나타내는 유형적 접근도; 및
상기 게시물의 주제의 유형을 나타내는 무형적 접근도를 고려하여 산출하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 제7항에 있어서, 상기 최초 매력도는
사용자의 나이에 관련된 제1 요소;
사용자가 거주하는 지역에 관련된 제2 요소;
사용자의 성별에 관련된 제3 요소;
사용자의 직업에 관련된 제4 요소; 및
사용자가 주로 활동하는 시간인 낮 또는 밤인지에 대한 시간 선호도에 관련된 제5 요소를 고려하여 상기 제1 레벨 분석 단계에 의해 산출되며,
상기 최초 매력도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템.
여기서,는 최초 매력도,
은 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물 중 사용자가 올린 게시물의 주제와 동일한 주제를 갖는 게시물의 개수,
는 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물의 총 개수를 나타냄.
- 제8항에 있어서,
상기 환경 요소 매력도는 상기 최초 매력도에 추가값을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 제7항에 있어서,
상기 반응 매력도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템.
여기서,은 반응 매력도를 나타냄.
- 제7항에 있어서,
상기 유형적 접근도는,
게시물의 주제에 대한 댓글 및 대화의 양을 나타내는 제1 유형;
상기 게시물의 주제에 대한 댓글 및 대화의 진행 속도를 나타내는 제2 유형;
상기 게시물에 댓글이 달리기 시작한 이후 댓글의 양의 증가량에 대한 댓글이 달리는 속도의 증가량의 비율을 나타내는 제3 유형;
상기 게시물에 대한 총 로그인 횟수를 나타내는 제4 유형;
상기 게시물에 대한 반복된 로그인 횟수를 나타내는 제5 유형;
총 로그인 횟수에 대한 반복된 로그인 회수의 비율을 나타내는 제6 유형; 및
상기 게시물에 접근하여 조회한 횟수에 대한 다른 게시물을 조회한 횟수의 비율을 나타내는 제7 유형을 고려하여 결정되며,
상기 유형적 접근도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템.
여기서,는 유형적 접근도,
내지
는 각각 제1 유형 내지 제7 유형의 가중치,
내지
는 각각 제1 유형 내지 제7 유형의 값을 나타냄.
- 제7항에 있어서,
상기 무형적 접근도는 댓글이 달리지 않은 게시물의 경우 상기 최초매력도에 게시물의 목적에 따라 분류된 주제를 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되고, 댓글이 달린 게시물의 경우 상기 반응 매력도에 댓글을 포함한 게시물 전체의 목적에 따라 분류된 주제의 세부 유형을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템. - 제7항에 있어서,
상기 관계 지수는 상기 최초 매력도, 상기 반응 매력도, 상기 환경 요소 매력도 및 상기 유형적 접근도를 조합한 값으로 결정되며, 상기 관계지수는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템.
여기서,는 관계 지수,
는 최초 매력도의 가중치,
는 반응 매력도의 가중치,
는 환경 요소 매력도의 가중치,
는 유형적 접근도의 가중치,
는 최초 매력도,
은 반응 매력도,
는 환경 요소 매력도,
는 유형적 접근도를 나타냄.
- 사용자 인터페이스 서버가 사용자의 웹 및 모바일 기반의 인터페이스의 개인정보, 로그인 정보 및 활동 정보 등에 관한 데이터를 저장하는 단계;
외부 연계 서버가 소셜 미디어, 학교 커뮤니티 또는 지역 커뮤니티 등에서 상기 사용자와 관련된 다른 사용자와의 상호 관계에서 이루어지는 활동에 관한 데이터를 저장하는 단계;
상황 인식 서버가 상기 사용자 인터페이스 서버 및 상기 외부 연계 서버에 저장된 정보를 바탕으로 사용자의 심리적, 환경적 변화를 감지하고 상기 사용자의 심리적 및 환경적 변화에 관련된 데이터를 저장하는 단계;
분석 서버가 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 상기 사용자의 다른 사용자에 대한 관계를 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장하는 단계; 및
관리 서버가 상기 분석 서버에서 산출된 관계 지수에 따라 상기 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도를 조절하는 단계를 포함하고,
상기 인공 신경망 방법을 이용하여 수치적으로 산출한 관계 지수를 생성하여 저장하는 단계는,
상기 사용자 인터페이스 서버, 상기 외부 연계 서버 및 상황인식 서버에 저장된 데이터를 기본값으로 하여 관계 지수를 분석하는 제1 레벨 분석 단계;
상기 제1 레벨 분석 단계에서 분석된 결과에 사용자의 활동 및 게시물에 달린 댓글과 관련된 주제와 관련된 정보를 포함하는 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 포함하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 삭제
- 제14항에 있어서,
상기 관계 지수는 부정을 나타내는 경우 0으로 표시되고, 긍정을 나타내는 경우 100으로 표시되는 관계 지수 구간으로 구분되며,
상기 관계 지수 구간은,
관계 지수가 0이상 10미만인 제1 구간;
관계 지수가 10이상 25미만인 제2 구간;
관계 지수가 25이상 45미만인 제3 구간;
관계 지수가 45이상 65미만인 제4 구간;
관계 지수가 65이상 80미만인 제5 구간;
관계 지수가 80이상 90미만인 제6 구간; 및
관계 지수가 90이상 100이하인 제7 구간을 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 제16항에 있어서,
상기 관계 지수가 상기 제2 구간 내지 제6 구간에 해당되는 경우 각구간의 경계값이 쓰레스홀드(threshold)로 작용하여 각 구간의 경계값에서 사용자의 게시물에 대한 다른 사용자의 접근 정도 및 상기 사용자가 업로드한 컨텐츠의 노출 정도가 변화되며,
상기 관계 지수가 상기 제1 구간에 해당되는 경우 상기 관계 지수가10미만이 되면 즉시 게시물이 완전 노출되며,
상기 관계 지수가 상기 제7 구간에 해당되는 경우 상기 관계 지수가90 이상이 되면 사용자의 게시물에 대한 다른 사용자의 접근이 즉시 완전 차단되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 제14항에 있어서,
암호화부가 상기 관계 지수를 변환한 변환 관계 지수를 생성하여 저장하는 단계를 더 포함하고,
상기 관계지수는 상기 사용자와 다른 사용자 사이의 관계마다 산출되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 제18항에 있어서,
상기 변환 관계 지수를 생성하는 단계는,
상기 암호화부가 상기 사용자와 다른 사용자의 관계를 구분하도록 기호화된 기호화 지수를 생성하는 단계; 및
상기 암호화부가 상기 기호화 지수를 암호화한 암호화 지수를 생성하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 제14항에 있어서, 상기 관계지수는,
사용자의 최초 게시물에 대한 긍정 또는 부정의 정도를 나타내는 최초 매력도;
사용자의 게시물에 대한 댓글이 달린 후 상기 게시물에 대한 긍정 또는 부정의 정도를 나타내는 반응 매력도;
상기 게시물의 주제와 관련된 환경 요소를 고려한 긍정 또는 부정의 정도는 나타내는 환경 요소 매력도;
상기 게시물에 대해 다른 사용자의 댓글, 대화 및 로그인 회수의 변화량에 대한 정도를 나타내는 유형적 접근도; 및
상기 게시물의 주제의 유형을 나타내는 무형적 접근도를 고려하여 산출하는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 제20항에 있어서,
상기 최초 매력도는
사용자의 나이에 관련된 제1 요소;
사용자가 거주하는 지역에 관련된 제2 요소;
사용자의 성별에 관련된 제3 요소;
사용자의 직업에 관련된 제4 요소; 및
사용자가 주로 활동하는 시간인 낮 또는 밤인지에 대한 시간 선호도에 관련된 제5 요소를 고려하여 상기 제1 레벨 분석 단계에 의해 산출되며,
상기 최초 매력도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법.
여기서,는 최초 매력도,
은 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물 중 사용자가 올린 게시물의 주제와 동일한 주제를 갖는 게시물의 개수,
는 상기 제1 요소 내지 상기 제5 요소와 동일한 조건을 만족하는 게시물의 총 개수를 나타냄.
- 제21항에 있어서,
상기 환경 요소 매력도는 상기 최초 매력도에 추가값을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 제20항에 있어서,
상기 반응 매력도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법.
여기서,은 반응 매력도를 나타냄.
- 제20항에 있어서,
상기 유형적 접근도는,
게시물의 주제에 대한 댓글 및 대화의 양을 나타내는 제1 유형;
상기 게시물의 주제에 대한 댓글 및 대화의 진행 속도를 나타내는 제2 유형;
상기 게시물에 댓글이 달리기 시작한 이후 댓글의 양의 증가량에 대한 댓글이 달리는 속도의 증가량의 비율을 나타내는 제3 유형;
상기 게시물에 대한 총 로그인 횟수를 나타내는 제4 유형;
상기 게시물에 대한 반복된 로그인 횟수를 나타내는 제5 유형;
총 로그인 횟수에 대한 반복된 로그인 회수의 비율을 나타내는 제6 유형; 및
상기 게시물에 접근하여 조회한 횟수에 대한 다른 게시물을 조회한 횟수의 비율을 나타내는 제7 유형을 고려하여 결정되며,
상기 유형적 접근도는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법.
여기서,는 유형적 접근도,
내지
는 각각 제1 유형 내지 제7 유형의 가중치,
내지
는 각각 제1 유형 내지 제7 유형의 값을 나타냄.
- 제20항에 있어서,
상기 무형적 접근도는 댓글이 달리지 않은 게시물의 경우 상기 최초매력도에 게시물의 목적에 따라 분류된 주제를 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되고, 댓글이 달린 게시물의 경우 상기 반응 매력도에 댓글을 포함한 게시물 전체의 목적에 따라 분류된 주제의 세부 유형을 반영하여 상기 제2 레벨 분석 단계 및 상기 제3 레벨 분석 단계에 의해 산출되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법. - 제20항에 있어서,
상기 관계 지수는 상기 최초 매력도, 상기 반응 매력도, 상기 환경 요소 매력도 및 상기 유형적 접근도를 조합한 값으로 결정되며, 상기 관계지수는 아래의 수학식에 의해 정의되는 것을 특징으로 하는 딥러닝 기반의 SNS 역기능 개선을 위한 소셜 매쉬업 로직 구현 방법.
여기서,는 관계 지수,
는 최초 매력도의 가중치,
는 반응 매력도의 가중치,
는 환경 요소 매력도의 가중치,
는 유형적 접근도의 가중치,
는 최초 매력도,
은 반응 매력도,
는 환경 요소 매력도,
는 유형적 접근도를 나타냄.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180139204A KR102151505B1 (ko) | 2018-11-13 | 2018-11-13 | 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 |
| US16/217,053 US20200153777A1 (en) | 2018-11-13 | 2018-12-12 | Deep learning-based social mashup logic implementation system and method for reducing adverse effects of social networking service |
| CN201910419574.5A CN111242402A (zh) | 2018-11-13 | 2019-05-20 | 改善sns负面功能的社交混搭逻辑实现系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180139204A KR102151505B1 (ko) | 2018-11-13 | 2018-11-13 | 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200057817A KR20200057817A (ko) | 2020-05-27 |
| KR102151505B1 true KR102151505B1 (ko) | 2020-09-03 |
Family
ID=70550895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180139204A KR102151505B1 (ko) | 2018-11-13 | 2018-11-13 | 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20200153777A1 (ko) |
| KR (1) | KR102151505B1 (ko) |
| CN (1) | CN111242402A (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11526584B2 (en) * | 2019-10-14 | 2022-12-13 | International Business Machines Corporation | Apparatus, systems, and methods for assigning access permission to social media |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025324A (ja) | 2011-07-14 | 2013-02-04 | Kddi Corp | レコメンド装置、レコメンド方法およびプログラム |
| KR101933559B1 (ko) | 2017-08-03 | 2019-04-05 | 서울대학교산학협력단 | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050052638A (ko) | 2003-11-28 | 2005-06-03 | 한국전자통신연구원 | 사용자 선호도를 고려한 정보 제공 방법 및 장치 |
| US20130018954A1 (en) * | 2011-07-15 | 2013-01-17 | Samsung Electronics Co., Ltd. | Situation-aware user sentiment social interest models |
| KR101456331B1 (ko) * | 2012-05-04 | 2014-11-14 | 중앙대학교 산학협력단 | 소셜 네트워크 서버 및 이를 이용한 정보 접근 권한 설정 방법 |
| KR20150020823A (ko) * | 2013-08-19 | 2015-02-27 | 주식회사 에이티지랩 | 소셜 네트워크에서의 상대적 친밀도 측정 시스템 |
| KR101679348B1 (ko) * | 2014-08-29 | 2016-11-24 | 주식회사 테라클 | 소셜 네트워크 서비스 제공 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 |
| US10127115B2 (en) * | 2016-03-18 | 2018-11-13 | Microsoft Technology Licensing, Llc | Generation and management of social graph |
| US20180025322A1 (en) * | 2016-07-20 | 2018-01-25 | Linkedin Corporation | Skill-based recommendation of events to users |
-
2018
- 2018-11-13 KR KR1020180139204A patent/KR102151505B1/ko active IP Right Grant
- 2018-12-12 US US16/217,053 patent/US20200153777A1/en not_active Abandoned
-
2019
- 2019-05-20 CN CN201910419574.5A patent/CN111242402A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025324A (ja) | 2011-07-14 | 2013-02-04 | Kddi Corp | レコメンド装置、レコメンド方法およびプログラム |
| KR101933559B1 (ko) | 2017-08-03 | 2019-04-05 | 서울대학교산학협력단 | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200153777A1 (en) | 2020-05-14 |
| KR20200057817A (ko) | 2020-05-27 |
| CN111242402A (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11526720B2 (en) | Artificial intelligence system for supporting communication | |
| Cotter | Playing the visibility game: How digital influencers and algorithms negotiate influence on Instagram | |
| Taves et al. | Experience as event: event cognition and the study of (religious) experiences | |
| Ananny | Toward an ethics of algorithms: Convening, observation, probability, and timeliness | |
| Harari et al. | Personality sensing for theory development and assessment in the digital age | |
| Keller et al. | Designing effective health communications: a meta-analysis | |
| Shah et al. | Mining patient opinion to evaluate the service quality in healthcare: a deep-learning approach | |
| Liebermann | Born digital: The Black lives matter movement and memory after the digital turn | |
| US11200242B2 (en) | Medical condition communication management | |
| Pike | Defending data: Toward ethical protections and comprehensive data governance | |
| Rampton | Gumperz and governmentality in the 21st century: Interaction, power and subjectivity | |
| Lee et al. | The Routledge international handbook on fear of crime | |
| Femenia-Serra et al. | Is smart scary? A mixed-methods study on privacy in smart tourism | |
| Cousins | A semiotic approach to mind and culture | |
| Adolf et al. | Information, knowledge, and the return of social physics | |
| Kernot et al. | The stylometric impacts of ageing and life events on identity | |
| KR102149160B1 (ko) | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 | |
| Fan | Writing while wandering: material and spatial contingency in locative media narratives | |
| Nikolova et al. | “If I Unfollow Them, It's Not a Dig at Them”: A Narrative Analysis of Instagram Use in Eating Disorder Recovery | |
| KR101933559B1 (ko) | 딥러닝 기반의 sns 역기능 개선 시스템 및 방법 | |
| KR102151505B1 (ko) | 딥러닝 기반의 sns 역기능 개선을 위한 소셜 매쉬업 로직 구현 시스템 및 방법 | |
| Fletcher | Dis/Assembling schizophrenia on youtube: theorizing an analog body in a virtual sphere | |
| Veale | Governing machine learning that matters | |
| Palmer | Black Lives Matter in the national media: Disparities in coverage between legacy newsrooms and digital-first outlets | |
| Inverardi et al. | Systematic review on privacy categorisation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |