KR102198866B1 - 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치 - Google Patents
공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치 Download PDFInfo
- Publication number
- KR102198866B1 KR102198866B1 KR1020180171706A KR20180171706A KR102198866B1 KR 102198866 B1 KR102198866 B1 KR 102198866B1 KR 1020180171706 A KR1020180171706 A KR 1020180171706A KR 20180171706 A KR20180171706 A KR 20180171706A KR 102198866 B1 KR102198866 B1 KR 102198866B1
- Authority
- KR
- South Korea
- Prior art keywords
- persona
- user
- prediction model
- data
- generating
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06Q99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법, 생성장치 및 기록매체가 제공된다. 본 페르소나 예측 모델 생성방법에 따르면, 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하고, 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하여, 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성할 수 있게 되어, 사용자의 페르소나를 더욱 쉽고 빠르게 예측할 수 있게 된다. 또한, 이와 같이 생성된 페르소나 예측 모델을 이용하여 새로운 사용자의 페르소나를 예측할 수도 있게 된다.
Description
본 발명은 사용자 군집 기반 페르소나 생성방법 및 생성장치에 관한 것으로써, 더욱 상세하게는 사용자의 외향성, 내향성, 양향성 페르소나 생성방법 및 생성장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시 예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
공간 지능 서비스를 사용자에게 맞춤형으로 제공하기 위해서는 공간 내 사용자의 의도를 파악해야 하는데, 사용자의 의도를 파악하기 위해서는 먼저 공간 내 사용자의 타입을 분류할 수 있어야 한다. 특히, 사용자의 의도는 성격에 따라 다르게 결정될 가능성이 높기 때문에, 성격을 기준으로 사용자의 타입을 분류할 필요가 있다.
종래 사용자의 성격을 파악하는 방법으로는 검사방법에 따라 질문지법, 평정법, 작업검사법, 투영법 등이 있다. 질문지법은 연구자가 어떤 문제에 관하여 작성한 일련의 질문사항에 대하여 피험자가 대답을 기술하도록 한 조사방법이고, 평정법은 객관적으로 측정할 수 없는 주관적인 여러 가지 특성들을 알아보기 위하여 사상이나 대상에 대하여 순위를 매겨서 평가해보는 방법이며, 작업법은 일정한 작업을 시켜서, 그 작업의 과정이나 결과에서, 성격, 기질 등을 조사하는 것이고, 투영법은 다양한 도형이나 미완성인 문장을 제시한 후 자신이 생각하는 대로 해석하게 해 그 자유해석 속에서 숨겨진 욕망 또는 걱정하는 것들을 밝혀내는 방법이다.
하지만, 이러한 방법들은 각각의 개인들에 대하여 개별적으로 이루어지고 시간과 비용이 많이 소요되는 단점이 있다.
이에 따라, 시간과 비용을 절약하면서 성격을 기준으로 사용자의 타입을 분류할 수 있는 방안의 모색이 요청된다.
삭제
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하고, 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하여, 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 페르소나 예측 모델 생성방법, 생성장치 및 기록매체를 제공함에 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성장치를 이용한 페르소나 예측 모델 생성방법은, 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 단계; 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하는 단계; 및 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 단계;를 포함한다.
그리고, 데이터를 수집하는 단계는, 사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 수집할 수도 있다.
또한, 온라인상 행동과 관련된 데이터는, 사용자의 메신저 로그 데이터와 웹 또는 앱 사용 로그 데이터를 포함할 수도 있다.
그리고, 오프라인상 행동과 관련된 데이터는, 사용자의 위치 데이터와 움직임 데이터를 포함할 수도 있다.
또한, 행동요소를 추출하는 단계는, 수집된 사용자의 메신저 로그 데이터에서 대화 세션 횟수, 한 세션 내에서의 지속시간 및 한 세션과 다음 세션간의 시간 간격을 포함하는 행동요소를 추출할 수도 있다.
그리고, 행동요소를 추출하는 단계는, 수집된 사용자의 웹 또는 앱 사용 로그 데이터에서 SNS 관련 웹 또는 앱 사용 횟수, 업무 관련 웹 또는 앱 사용 횟수, 각 웹 또는 앱의 사용시간 및 한 번의 사용과 다음 번 사용간의 시간 간격을 포함하는 행동요소를 추출할 수도 있다.
또한, 행동요소를 추출하는 단계는, 수집된 사용자의 위치 데이터에서 공공장소 방문 횟수, 공공장소에 머문 시간, 사적 공간 방문 횟수, 사적 공간에 머문 시간 및 타인과 함께 머문 시간을 포함하는 행동요소를 추출할 수도 있다.
그리고, 행동요소를 추출하는 단계는, 수집된 사용자의 움직임 데이터에서 걷기 또는 달리기 횟수, 걷기 또는 달리기의 지속시간, 한 번의 걷기 또는 달리기와 다음 번 걷기 또는 달리기의 시간 간격을 포함하는 행동요소를 추출할 수도 있다.
또한, 페르소나 예측 모델을 생성하는 단계는, 사용자에 의해 입력된 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성할 수도 있다.
그리고, 페르소나 예측 모델을 생성하는 단계는, 페르소나 타입정보를 결정하기 위한 설문에 대한 사용자의 답안 입력 정보를 입력받고, 답안 입력 정보에 따라 결정된 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성할 수도 있다.
또한, 페르소나 예측 모델을 생성하는 단계는, 추출된 행동요소 및 사용자의 페르소나 타입정보를 학습용 입력데이터로 하여 기계학습(machine learning)을 수행함으로써, 페르소나 예측 모델을 생성할 수도 있다.
한편, 페르소나 예측 모델 생성장치를 이용한 페르소나 예측 방법은, 복수의 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 단계; 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하는 단계; 추출된 행동요소 및 복수의 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 단계; 및 예측대상 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터가 입력되면, 생성된 페르소나 예측 모델을 이용하여 해당 예측대상 사용자의 페르소나 타입정보를 예측하는 단계;를 포함한다.
한편, 페르소나 예측 모델 생성장치는, 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 통신부; 및 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하고, 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 제어부;를 포함한다.
한편, 페르소나 예측 모델 생성방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체는, 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 단계; 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하는 단계; 및 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 단계;를 포함한다.
본 발명의 다양한 실시예에 따르면, 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하고, 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하여, 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 페르소나 예측 모델 생성방법, 생성장치 및 기록매체를 제공할 수 있게 되어, 사용자의 페르소나를 더욱 쉽고 빠르게 예측할 수 있게 된다. 나아가 생성된 페르소나 예측 모델을 이용하여 새로운 사용자의 페르소나를 예측할 수도 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에 서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성장치의 구성을 도시한 도면,
도 2는 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성방법의 전체적인 과정을 도시한 흐름도,
도 3은 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성방법의 구체적인 과정을 도시한 흐름도,
도 4는 본 발명의 일 실시예에 따른, 수집된 사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 도시한 도면,
도 5는 본 발명의 일 실시예에 따른, 수집된 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터에서 외향성과 관련된 행동요소들을 추출하기 위해 추출하는 정보들을 예시한 표,
도 6은 본 발명의 일 실시예에 따른, 페르소나 타입정보를 결정하기 위해 사용자에게 설문을 하기 위한 설문지를 도시한 도면,
도 7은 본 발명의 일 실시예에 따른, 사용자의 설문지에 대한 답안 입력 정보를 이용하여 페르소나 타입정보를 결정하기 위해 사용되는 그래프를 도시한 도면,
도 8는 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성장치를 이용하여 사용자의 페르소나를 예측하는 방법을 도시한 도면,
도 9는 본 발명의 일 실시예에 따른, 예측된 사용자의 페르소나를 이용하여 사용자의 의도를 파악하는 방법을 도시한 도면이다.
도 1은 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성장치의 구성을 도시한 도면,
도 2는 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성방법의 전체적인 과정을 도시한 흐름도,
도 3은 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성방법의 구체적인 과정을 도시한 흐름도,
도 4는 본 발명의 일 실시예에 따른, 수집된 사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 도시한 도면,
도 5는 본 발명의 일 실시예에 따른, 수집된 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터에서 외향성과 관련된 행동요소들을 추출하기 위해 추출하는 정보들을 예시한 표,
도 6은 본 발명의 일 실시예에 따른, 페르소나 타입정보를 결정하기 위해 사용자에게 설문을 하기 위한 설문지를 도시한 도면,
도 7은 본 발명의 일 실시예에 따른, 사용자의 설문지에 대한 답안 입력 정보를 이용하여 페르소나 타입정보를 결정하기 위해 사용되는 그래프를 도시한 도면,
도 8는 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성장치를 이용하여 사용자의 페르소나를 예측하는 방법을 도시한 도면,
도 9는 본 발명의 일 실시예에 따른, 예측된 사용자의 페르소나를 이용하여 사용자의 의도를 파악하는 방법을 도시한 도면이다.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을의미한다.
다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 기술되는 "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
페르소나(persona, 복수형 personas)란 어떤 제품 혹은 서비스를 사용할 만한 목표 집단 안에 있는 다양한 사용자 유형들을 대표하는 가상의 인물 타입을 말한다. 페르소나는 어떤 제품이나 서비스를 개발하기 위하여 시장과 환경 그리고 사용자들을 이해하기 위해 사용되는데 어떤 특정한 상황과 환경속에서 어떤 전형적인 인물이 어떻게 행동할 것인가에 대한 예측을 위해 실제 사용자 자료를 바탕으로 만들어진다. 페르소나는 가상의 인물을 묘사하고 그 인물이 가지는 필요 니즈등으로 구성된다. 소프트웨어 개발, 가전제품 개발, 인터렉션 디자인 개발 등의 분야에서 사용자 연구의 한 방법과 마케팅 전략 수립을 위한 자료로 많이 이용되고 있다.
페르소나를 사용하면 복잡한 데이터나 통계자료에 의존하여 시장과 사용자를 이해하는 대신 인간의 얼굴을 가진 한 개인적 인격체로서 보다 인지적으로 가깝게 느낄 수 있게 되므로 개발자는 실제 사용자들이 필요하고 느낄만한 것에 대해 보다 쉽게 이해하고 접근할 수 있게 된다.
공간 지능 서비스를 사용자에게 맞춤형으로 제공하기 위해서는 공간 내 사용자의 의도를 파악하고, 사용자의 의도는 사용자의 타입에 따라 다르게 나타나므로 사용자의 타입을 분류할 수 있어야 한다. 본 발명의 일 실시예에 따라 페르소나 예측 모델 생성장치(100)는 사용자의 타입을 성격 기준으로 분류하되, 특히 외향성, 내향성 및 양향성 중 어느 하나의 페르소나 타입으로 분류한다.
도 1은 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성장치의 구성을 도시한 도면이다.
페르소나 예측 모델 생성장치(100)는 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하여 페르소나 예측 모델을 생성하는 기능을 수행하고, 페르소나 예측 모델 생성장치(100)는 통신부(110) 및 제어부(120)를 포함한다. 여기에서, 사용자의 모바일기기는 사용자가 소지하고 이용하는 기기들을 나타내는 것으로, 예를 들어, 스마트폰이나 태블릿 같은 기기를 포함하고 스마트 워치와 같은 웨어러블기기도 포함할 수도 있다.
통신부(110)에서는 사용자의 모바일기기로부터 사용자의 행동과 관련된 데이터가 수집된다. 공간 속 사용자를 파악하고 분류하여 페르소나를 생성하기 위해서는 분류 기준과 관련된 사용자의 데이터를 분석해야 한다. 사용자의 분류 기준인 성격, 특히 외향성을 알 수 있는 행동을 담은 데이터가 수집된다.
외향성을 알 수 있는 행동을 담은 데이터에는 온라인상 행동과 관련된 데이터와 오프라인상 행동과 관련된 데이터가 포함될 수 있다.
온라인상 행동과 관련된 데이터에는 사용자의 메신저 로그 데이터와 웹 또는 앱 사용 로그 데이터가 포함될 수 있다.
메신저 앱은 사용자마다 각각 다른 메신저 앱을 사용할 수 있으므로, 통신부(110)는 사용자의 모바일기기에 설치된 모든 메신저 앱의 사용 로그 데이터를 수집할 수도 있고, 또한, 통신부(110)는 데이터의 통일을 위하여 특정 메신저 앱의 사용 로그 데이터만 수집할 수도 있다. 예를 들어, 통신부(110)는 사용자의 모바일 기기에 설치된 Slack 메신저 앱의 로그 데이터를 Slack API를 이용하여 수집할 수도 있다.
웹 또는 앱 사용 로그 데이터도 사용자마다 각각 다른 웹 또는 앱을 사용할 수 있으므로, 통신부(110)는 설치된 모든 웹 또는 앱의 사용 로그 데이터를 수집하거나, 특정 웹 또는 앱의 사용 로그 데이터만 수집할 수도 있다. 본 발명의 일 실시예로, 웹 또는 앱의 사용 로그 데이터는 Rescue Time 이라는 웹 또는 앱 사용량 제공 서비스를 이용하여 통신부(110)에 수집된다.
사용자의 모바일 기기에서 통신부(110)에 로그 데이터가 전송되는 방식은 유선 또는 무선 방식일 수 있으며, 무선 통신의 경우 와이파이나 블루투스가 이용될 수 있다.
오프라인상 행동과 관련된 데이터에는 사용자의 위치 데이터와 움직임 데이터가 포함될 수 있다.
사용자의 위치 데이터는 사용자 모바일 기기의 GPS 로그 데이터로부터 구할 수 있는 지도상 절대적 좌표가 포함될 수도 있다. 본 발명의 일 실시예로, 통신부(110)는 공간 내에 비콘이 설치된 경우 공간 내 사용자의 스마트워치를 통해 비콘 신호를 수신하여 실내 측위(indoor positioning) API로 공간 내 사용자의 절대적 위치 로그 데이터를 수집할 수도 있다.
통신부(110)는 사용자의 움직임 데이터는 사용자 모바일 기기의 걸음 및 운동 관련 앱으로부터 움직임 데이터를 수집할 수도 있다. 본 발명의 일 실시예로, 공간 내 사용자의 스마트워치와 Android API 를 이용하여 수집되는 것으로 할 수 있다.
사용자의 모바일 기기 또는 웨어러블 장치에서 통신부(110)에 데이터가 전송되는 방식은 유선 또는 무선 방식일 수 있으며, 무선 통신의 경우 와이파이나 블루투스가 이용될 수 있다.
데이터 수집은 사용자의 사생활을 침해할 수 있는 요소가 있다. 따라서 메신저 데이터를 수집하더라도 메시지의 텍스트를 제외하고 수집하여 개인의 사생활 보호가 되도록 할 수있고, 사용자에게 데이터 수집에 관한 컨트롤을 주어 사용자가 원하지 않는 경우에는 데이터 수집을 정지시킬 수 있는 권한을 줄 수도 있다.
통신부(110)에 수집된 사용자의 온라인상 행동과 관련된 데이터와 오프라인상 행동과 관련된 데이터는 도 4에서 나타난 도면과 같이 확인된다. 도 4는 본 발명의 일 실시예에 따른, 수집된 사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 도시한 도면이다.
제어부(120)에서는 수집된 사용자의 온라인상 행동과 관련된 데이터와 오프라인상 행동과 관련된 데이터에서 외향성에 관련된 행동요소를 추출하고, 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델이 생성된다. 여기에서, 외향성에 관련된 행동요소는 사용자의 외향성을 판단할 수 있는 요소를 나타내는 것으로, 데이터에서 외향성에 관련된 행동요소가 많을 수록 페르소나는 외향의 타입으로 판단될 가능성이 높아지게 된다.
먼저, 제어부(120)는 수집된 사용자의 온라인상 행동과 관련된 데이터 중 사용자의 메신저 로그 데이터에서 대화 세션 횟수, 한 세션 내에서의 지속시간 및 한 세션과 다음 세션간의 시간 간격을 포함하는 행동요소를 추출할 수 있다. 대화 횟수가 많을 수록 성격이 외향적이라고 볼 수 있고, 대화 세션의 지속시간이 길거나 대화 세션 간의 간격이 짧을 수록 타인과의 커뮤니케이션을 즐기는 외향적인 성격이라고 판단될 수 있기 때문이다.
또한, 제어부(120)는 사용자의 온라인상 행동과 관련된 데이터 중 웹 또는 앱 사용 로그 데이터에서는 SNS(Social Network Service) 관련 웹 또는 앱 사용 횟수, 업무 관련 웹 또는 앱 사용 횟수, 각 웹 또는 앱의 사용시간 및 한 번의 사용과 다음 번 사용간의 시간 간격을 포함하는 행동요소를 추출할 수도 있다. SNS 관련 웹 또는 앱의 사용 횟수와 업무 관련 웹 또는 앱의 사용 횟수가 많을수록 사용자의 성격이 외향적이고, 또한 이러한 웹 또는 앱의 사용 간격이 짧을 수록 외향적이라고 판단될 수 있기 때문이다.
그리고, 제어부(120)는 사용자의 오프라인상 행동과 관련된 데이터 중 사용자의 위치 데이터에서 공공장소 방문 횟수, 공공장소에 머문 시간, 사적 공간 방문 횟수, 사적 공간에 머문 시간 및 타인과 함께 머문 시간을 포함하는 행동요소를 추출할 수 있다. 공공장소 방문 횟수가 많고, 공공장소에 머문 시간 및 타인과 함께 머문 시간이 길수록 사용자의 성격이 외향적이고, 반대로 사적 공간에 머문 시간이 길수록 내향적이라고 판단될 수 있기 때문이다.
또한, 제어부(120)는 사용자의 오프라인상 행동과 관련된 데이터 중 사용자의 움직임 데이터에서는 걷기 또는 달리기 횟수, 걷기 또는 달리기의 지속시간, 한 번의 걷기 또는 달리기와 다음 번 걷기 또는 달리기의 시간 간격을 포함하는 행동요소를 추출할 수도 있다. 외향적인 사람일수록 걷거나 달리는 횟수가 많고 그 지속시간이 길며, 걸음 또는 달리기의 간격이 짧을 수 있기 때문이다.
수집된 사용자의 온라인상 행동과 관련된 데이터와 오프라인상 행동과 관련된 데이터에서 본 발명의 일 실시예에 따르면 도 5의 표의 내용과 같은 사항이 추출될 수도 있다. 도 5는 본 발명의 일 실시예에 따른, 수집된 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터에서 외향성과 관련된 행동요소들을 추출하기 위해 추출하는 정보들을 예시한 표이다.
그리고, 제어부(120)는 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델를 생성한다.
여기에서 페르소나 타입정보는 내향 타입, 양향 타입 및 외향 타입 중 어느하나에 해당하며, 다양한 방식으로 미리 결정될 수 있다.
제어부(120)는 사용자의 페르소나 타입정보를 사용자에 의해 입력받을 수도 있다. 사용자는 자신의 성격이 외향적인지 내향적인지 또는 양향적인지 페르소나 타입정보를 입력하고, 제어부(120)는 입력된 페르소나 타입정보와 추출된 행동요소를 이용하여 페르소나 예측 모델을 생성할 수 있다.
또한, 제어부(120)는 페르소나 타입정보를 결정하기 위한 설문에 대한 사용자의 답안 입력 정보를 입력받고, 답안 입력 정보에 따라 사용자의 페르소나 타입정보를 결정할 수도 있다. 제어부(120)는 사용자의 페르소나 타입이 외향적인지, 내향적인지 또는 양향적인지 판단하기 위해 사용자를 대상으로 설문을 제공하고 설문에 대한 답안 입력 정보를 토대로 사용자의 페르소나 타입정보를 결정할 수 있다. 제어부(120)는 결정된 페르소나 타입정보와 추출된 행동요소를 이용하여 페르소나 예측 모델을 생성할 수 있다. 도 6은 본 발명의 일 실시예에 따른 페르소나 타입정보 결정을 위한 설문지의 예시이다.
제어부(120)에서는 추출된 행동요소 및 사용자의 페르소나 타입정보를 학습용 입력데이터로 하여 기계학습(machine learning)을 수행함으로써, 페르소나 예측 모델이 생성될 수 있다.
여기서 기계학습(machine learning) 알고리즘에는 Linear SVC, GP Classifier, Decision Tree, Random Forest 등이 사용될 수 있다.
이와 같이 통신부(110)와 제어부(120)를 포함하는 페르소나 예측 모델 생성장치(100)는 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하여 페르소나 예측 모델을 생성하는 기능을 수행한다.
도 2는 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성방법의 전체적인 과정을 도시한 흐름도이다.
페르소나 예측 모델 생성장치(이하 '생성장치'라 함)(100)는 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하고(S200), 수집된 데이터로부터 외향성에 관련된 행동요소를 추출한다(S300). 그리고 생성장치(100)는 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성할 수 있다(S400). 각 단계에 대한 상세한 설명은 도 3을 참고하여 한다.
도 3은 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성방법의 구체적인 과정을 도시한 흐름도이다.
생성장치(100)는 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집할 때(S200), 사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 수집할 수 있다.
사용자의 온라인상 행동과 관련된 데이터에는 사용자의 메신저 로그 데이터와 웹 또는 앱 사용 로그 데이터가 포함될 수 있다(S210A).
메신저 앱은 사용자마다 각각 다른 메신저 앱을 사용할 수 있으므로 사용자의 모바일기기에 설치된 모든 메신저 앱의 사용 로그 데이터가 수집되는 것으로 할 수 있고, 데이터의 통일을 위하여 특정 메신저 앱의 사용 로그 데이터만 수집되는 것으로 할 수도 있다. 본 발명의 일 실시예로, 사용자의 모바일 기기에 설치된 Slack 메신저 앱의 로그 데이터는 Slack API를 이용하여 생성장치(100)에 수집된다.
웹 또는 앱 사용 로그 데이터도 사용자마다 각각 다른 웹 또는 앱을 사용할 수 있으므로 설치된 모든 웹 또는 앱의 사용 로그 데이터가 수집되는 것으로 하거나, 특정 웹 또는 앱의 사용 로그 데이터만 수집되는 것으로 할 수도 있다. 본 발명의 일 실시예로, 웹 또는 앱의 사용 로그 데이터는 Rescue Time 이라는 웹 또는 앱 사용량 제공 서비스를 이용하여 생성장치(100)에 수집된다.
사용자의 모바일 기기에서 생성장치(100)에 로그 데이터가 전송되는 방식은 유선 또는 무선 방식일 수 있으며, 무선 통신의 경우 와이파이나 블루투스가 이용될 수 있다.
사용자의 오프라인상 행동과 관련된 데이터에는 사용자의 위치 데이터와 움직임 데이터가 포함될 수 있다(S210B).
사용자의 위치 데이터는 사용자 모바일 기기 또는 웨어러블 장치의 GPS 로그 데이터로부터 지도상 절대적 위치가 수집되는 것으로 할 수 있다. 본 발명의 일 실시예로, 측정하고자 하는 공간 내에 비콘을 설치하고 공간 내 사용자의 스마트워치를 이용하여 비콘 신호를 수신하여 실내 측위(indoor positioning) API로 공간 내 사용자의 절대적 위치 로그 데이터가 수집되는 것으로 할 수 있다.
사용자의 움직임 데이터는 사용자 모바일 기기 또는 웨어러블 장치의 걸음 및 운동 관련 앱으로부터 움직임 데이터가 수집되는 것으로 할 수 있다. 본 발명의 일 실시예로, 공간 내 사용자의 스마트워치와 Android API 를 이용하여 수집되는 것으로 할 수 있다.
사용자의 모바일 기기 또는 웨어러블 장치에서 통신부(110)에 데이터가 전송되는 방식은 유선 또는 무선 방식일 수 있으며, 무선 통신의 경우 와이파이나 블루투스가 이용될 수 있다.
데이터 수집은 사용자의 사생활을 침해할 수 있는 요소가 있다. 따라서 생성장치(100)는 메신저 데이터를 수집하더라도 메시지의 텍스트를 제외하고 수집하여 개인의 사생활 보호가 되도록 할 수있고, 사용자에게 데이터 수집에 관한 컨트롤을 주어 사용자가 원하지 않는 경우에는 데이터 수집을 정지시킬 수 있는 권한을 줄 수도 있다.
수집된 사용자의 온라인상 행동과 관련된 데이터와 오프라인상 행동과 관련된 데이터는 도 4에서 나타난 도면과 같이 확인된다.
생성장치(100)는 수집된 사용자의 온라인상 행동과 관련된 데이터와 오프라인상 행동과 관련된 데이터에서 외향성에 관련된 행동요소를 추출하고(S300), 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성한다(S400).
먼저 생성장치(100)에서 수집된 사용자의 온라인상 행동과 관련된 데이터 중 사용자의 메신저 로그 데이터에서 대화 세션 횟수, 한 세션 내에서의 지속시간 및 한 세션과 다음 세션간의 시간 간격을 포함하는 행동요소가 추출될 수 있다(S310A). 대화 횟수가 많을 수록 성격이 외향적이라고 볼 수 있고, 대화 세션의 지속시간이 길거나 대화 세션 간의 간격이 짧을 수록 타인과의 커뮤니케이션을 즐기는 외향적인 성격이라고 판단될 수 있기 때문이다.
사용자의 온라인상 행동과 관련된 데이터 중 웹 또는 앱 사용 로그 데이터에서는 SNS(Social Network Service) 관련 웹 또는 앱 사용 횟수, 업무 관련 웹 또는 앱 사용 횟수, 각 웹 또는 앱의 사용시간 및 한 번의 사용과 다음 번 사용간의 시간 간격을 포함하는 행동요소가 추출될 수 있다(S310A). SNS 관련 웹 또는 앱의 사용 횟수와 업무 관련 웹 또는 앱의 사용 횟수가 많을수록 사용자의 성격이 외향적이고, 또한 이러한 웹 또는 앱의 사용 간격이 짧을 수록 외향적이라고 판단될 수 있기 때문이다.
사용자의 오프라인상 행동과 관련된 데이터 중 사용자의 위치 데이터에서 공공장소 방문 횟수, 공공장소에 머문 시간, 사적 공간 방문 횟수, 사적 공간에 머문 시간 및 타인과 함께 머문 시간을 포함하는 행동요소가 추출될 수 있다(S310B). 공공장소 방문 횟수가 많고, 공공장소에 머문 시간 및 타인과 함께 머문 시간이 길수록 사용자의 성격이 외향적이고, 반대로 사적 공간에 머문 시간이 길수록 내향적이라고 판단될 수 있기 때문이다.
사용자의 오프라인상 행동과 관련된 데이터 중 사용자의 움직임 데이터에서는 걷기 또는 달리기 횟수, 걷기 또는 달리기의 지속시간, 한 번의 걷기 또는 달리기와 다음 번 걷기 또는 달리기의 시간 간격을 포함하는 행동요소를 추출될 수 있다(S310B). 외향적인 사람일수록 걷거나 달리는 횟수가 많고 그 지속시간이 길며, 걸음 또는 달리기의 간격이 짧을 수 있기 때문이다.
수집된 사용자의 온라인상 행동과 관련된 데이터와 오프라인상 행동과 관련된 데이터에서 본 발명의 일 실시예에 따르면 도 5의 표의 내용과 같은 사항이 추출될 수도 있다.
생성장치(100)는 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델를 생성한다.
사용자의 페르소나 타입정보는 사용자에 의해 입력되는 것일 수 있다. 사용자는 자신의 성격이 외향적인지 내향적인지 또는 양향적인지 페르소나 타입정보를 입력하고, 입력된 페르소나 타입정보와 추출된 행동요소를 이용하여 페르소나 예측 모델이 생성될 수 있다(S410).
또한, 사용자의 페르소나 타입정보는 페르소나 타입정보를 결정하기 위한 설문에 대한 사용자의 답안 입력 정보를 입력받고, 답안 입력 정보에 따라 결정된 사용자의 페르소나 타입정보로 이용되게 할 수 있다. 사용자의 페르소나 타입이 외향적인지, 내향적인지 또는 양향적인지 판단하기 위해 사용자를 대상으로 설문을 하고 설문에 대한 답안 입력 정보를 토대로 사용자의 페르소나 타입정보가 결정될 수 있다. 결정된 페르소나 타입정보와 추출된 행동요소를 이용하여 페르소나 예측 모델이 생성될 수 있다.
도 6은 본 발명의 일 실시예에 따른, 페르소나 타입정보를 결정하기 위해 사용자에게 설문을 하기 위한 설문지를 도시한 도면이다.
도 6의 설문지는 연구에서 활발히 쓰이고 있는 IPIP 성격 심리 검사 (Goldberg, L. R. (1992). The development of markers for the Big-Five factor structure. Psychological Assessment, 4, 26-42.) 중 외향성을 측정하는 설문지이다. 본 발명의 일 실시예에 따라, 공간 속 사용자들에게 해당 설문에 답하게 한 후, 사용자 개개인의 설문에 대한 점수값을 얻는다.
도 7은 본 발명의 일 실시예에 따른, 사용자의 설문지에 대한 답안 입력 정보를 이용하여 페르소나 타입정보를 결정하기 위해 사용되는 그래프를 도시한 도면이다.
위와 같이 사용자 개개인의 설문에 대한 답안으로 얻어진 값을 이용하여 외향적, 양향적, 내향적인 사용자로 구분을 하는데, 이 때 외향성 검사지 점수값의 전체 사용자 평균 ±1 표준편차 범위 내를 양향적인 사용자라고 하고, 그 미만인 경우는 내향적인 사용자, 초과하는 경우는 외향적인 사용자라고 구분할 수 있다.
생성장치(100)에서는 추출된 행동요소 및 사용자의 페르소나 타입정보를 학습용 입력데이터로 하여 기계학습(machine learning)을 수행함으로써, 페르소나 예측 모델이 생성될 수 있다.
여기서 기계학습(machine learning) 알고리즘에는 Linear SVC, GP Classifier, Decision Tree, Random Forest 등이 사용될 수 있다.
도 8는 본 발명의 일 실시예에 따른, 페르소나 예측 모델 생성장치를 이용하여 사용자의 페르소나를 예측하는 방법을 도시한 도면이다.
페르소나 예측 모델 생성장치(100)를 이용하여, 복수의 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하고, 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하여, 추출된 행동요소 및 복수의 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성한다.
그 이후, 페르소나 예측 모델 생성장치(100)는 새로운 예측대상 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터가 입력되면, 생성된 페르소나 예측 모델을 이용하여 해당 예측대상 사용자의 페르소나 타입정보를 예측할 수 있다.
즉, 상기 페르소나 예측 모델 생성장치(100)를 이용하여 페르소나 예측 모델이 생성되고, 생성된 페르소나 예측 모델에 페르소나 타입을 예상하고자 하는 사용자의 행동과 관련된 데이터를 입력하여 사용자의 페르소나 타입정보를 예측할 수 있는 것이다.
이와 같이, 페르소나 예측 모델 생성장치(100)는 모델 생성이 완료되면 사용자의 모바일 기기로부터 입력된 데이터만으로 사용자의 페르소나 타입을 판단할 수 있게 된다. 따라서, 페르소나 예측 모델 생성장치(100)는 사용자가 별도의 설문이나 심리검사를 수행하지 않더라도, 사용자의 모바일 기기 사용 현황에 대한 데이터만을 수집하여 사용자의 페르소나 타입을 빠르게 판단할 수 있게 된다.
도 9는 본 발명의 일 실시예에 따른, 예측된 사용자의 페르소나를 이용하여 사용자의 의도를 파악하는 방법을 도시한 도면이다.
도 8의 도면과 같이 생성된 페르소나 예측 모델에 페르소나 타입을 예상하고자 하는 사용자의 행동과 관련된 데이터를 입력하여 사용자의 페르소나 타입정보를 예측한 후, 예측된 페르소나 타입정보를 기반으로 사용자의 공간 내 의도를 추론할 수 있다. 사용자의 의도는 개인의 성향과 순간의 니즈가 결합된 것으로, 예측된 페르소나를 바탕으로 의도의 베이스라인이 되는 개인의 성향을 추론할 수 있다.
이 때 기존 문헌 중 외향성과 관련된 Eyseneck's arousal theory of personality (Howarth, E., and H. J. Eysenck. "Extraversion, arousal, and paired-associate recall."Journal of Experimental Research in Personality(1968))에 근거할 수 있는데, 해당 이론은 외향성인 사람이 내향적인 사람에 비해 각성 수준이 낮다는 이론이다.
따라서 해당 이론과 미리 생성된 페르소나를 기반으로 다양한 사용자와 함께 공간을 공유하는 휴게실과 같은 공간에서 외향적인 사람은 비교적 소리에 민감하지 않을 것이고, 휴게실에서의 행동 또한 혼자만의 시간을 보내는 것보다는 다른 사람과 함께 시간을 보낼 것으로 추론할 수 있다. 반면 내향적인 사람은 비교적 소음에 민감할 것이고, 휴게실에서는 조용한 혼자만의 시간을 선호할 것으로 추론할 수 있다.
한편, 본 실시예에 따른 장치의 기능 및 방법을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 프로그래밍 언어 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 플래시 메모리, 솔리드 스테이트 디스크(SSD) 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
본 명세서와 도면에서는 예시적인 장치 구성을 기술하고 있지만, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물은 다른 유형의 디지털 전자 회로로구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다.
따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 본 발명이속하는 분야의 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100 : 페르소나 예측 모델 생성장치
110 : 통신부
120 : 제어부
110 : 통신부
120 : 제어부
Claims (14)
- 페르소나 예측 모델 생성장치를 이용한 페르소나 예측 모델 생성방법에 있어서,
페르소나 예측 모델 생성장치가, 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 단계;
페르소나 예측 모델 생성장치가, 수집된 데이터로부터 외향성에 관련된 행동요소를 추출하는 단계; 및
페르소나 예측 모델 생성장치가, 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 단계;를 포함하고,
데이터를 수집하는 단계는,
사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 수집하고,
오프라인상 행동과 관련된 데이터는,
사용자의 위치 데이터와 움직임 데이터를 포함하며,
행동요소를 추출하는 단계는,
수집된 사용자의 위치 데이터에서 공공장소 방문 횟수, 공공장소에 머문 시간, 사적 공간 방문 횟수, 사적 공간에 머문 시간 및 타인과 함께 머문 시간을 포함하는 행동요소를 추출하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 삭제
- 청구항 1에 있어서,
온라인상 행동과 관련된 데이터는,
사용자의 메신저 로그 데이터와 웹 또는 앱 사용 로그 데이터를 포함하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 삭제
- 청구항 3에 있어서,
행동요소를 추출하는 단계는,
수집된 사용자의 메신저 로그 데이터에서 대화 세션 횟수, 한 세션 내에서의 지속시간 및 한 세션과 다음 세션간의 시간 간격을 포함하는 행동요소를 추출하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 청구항 3에 있어서,
행동요소를 추출하는 단계는,
수집된 사용자의 웹 또는 앱 사용 로그 데이터에서 SNS 관련 웹 또는 앱 사용 횟수, 업무 관련 웹 또는 앱 사용 횟수, 각 웹 또는 앱의 사용시간 및 한 번의 사용과 다음 번 사용간의 시간 간격을 포함하는 행동요소를 추출하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 삭제
- 청구항 1에 있어서,
행동요소를 추출하는 단계는,
수집된 사용자의 움직임 데이터에서 걷기 또는 달리기 횟수, 걷기 또는 달리기의 지속시간, 한 번의 걷기 또는 달리기와 다음 번 걷기 또는 달리기의 시간 간격을 포함하는 행동요소를 추출하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 청구항 1에 있어서,
페르소나 예측 모델을 생성하는 단계는,
사용자에 의해 입력된 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 청구항 1에 있어서,
페르소나 예측 모델을 생성하는 단계는,
페르소나 타입정보를 결정하기 위한 설문에 대한 사용자의 답안 입력 정보를 입력받고, 답안 입력 정보에 따라 결정된 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 청구항 1에 있어서,
페르소나 예측 모델을 생성하는 단계는,
추출된 행동요소 및 사용자의 페르소나 타입정보를 학습용 입력데이터로 하여 기계학습(machine learning)을 수행함으로써, 페르소나 예측 모델을 생성하는 것을 특징으로 하는 페르소나 예측 모델 생성방법.
- 페르소나 예측 모델 생성장치를 이용한 페르소나 예측 방법에 있어서,
페르소나 예측 모델 생성장치가, 복수의 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 단계;
수집된 데이터로부터 외향성에 관련된 행동요소를 추출하는 단계;
페르소나 예측 모델 생성장치가, 추출된 행동요소 및 복수의 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 단계; 및
페르소나 예측 모델 생성장치가, 예측대상 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터가 입력되면, 생성된 페르소나 예측 모델을 이용하여 해당 예측대상 사용자의 페르소나 타입정보를 예측하는 단계;를 포함하고,
데이터를 수집하는 단계는,
사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 수집하고,
오프라인상 행동과 관련된 데이터는,
사용자의 위치 데이터와 움직임 데이터를 포함하며,
행동요소를 추출하는 단계는,
수집된 사용자의 위치 데이터에서 공공장소 방문 횟수, 공공장소에 머문 시간, 사적 공간 방문 횟수, 사적 공간에 머문 시간 및 타인과 함께 머문 시간을 포함하는 행동요소를 추출하는 것을 특징으로 하는 페르소나 예측 방법.
- 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 통신부; 및
수집된 데이터로부터 외향성에 관련된 행동요소를 추출하고, 추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 제어부;를 포함하고,
통신부는,
사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 수집하고,
오프라인상 행동과 관련된 데이터는,
사용자의 위치 데이터와 움직임 데이터를 포함하며,
제어부는,
수집된 사용자의 위치 데이터에서 공공장소 방문 횟수, 공공장소에 머문 시간, 사적 공간 방문 횟수, 사적 공간에 머문 시간 및 타인과 함께 머문 시간을 포함하는 행동요소를 추출하는 것을 특징으로 하는 페르소나 예측 모델 생성장치.
- 사용자의 모바일 기기로부터 사용자의 행동과 관련된 데이터를 수집하는 단계;
수집된 데이터로부터 외향성에 관련된 행동요소를 추출하는 단계; 및
추출된 행동요소 및 사용자의 페르소나 타입정보를 이용하여 페르소나 예측 모델을 생성하는 단계;를 포함하고,
데이터를 수집하는 단계는,
사용자의 온라인상 행동과 관련된 데이터 및 오프라인상 행동과 관련된 데이터를 수집하고,
오프라인상 행동과 관련된 데이터는,
사용자의 위치 데이터와 움직임 데이터를 포함하며,
행동요소를 추출하는 단계는,
수집된 사용자의 위치 데이터에서 공공장소 방문 횟수, 공공장소에 머문 시간, 사적 공간 방문 횟수, 사적 공간에 머문 시간 및 타인과 함께 머문 시간을 포함하는 행동요소를 추출하는 것을 특징으로 하는 페르소나 예측 모델 생성방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180171706A KR102198866B1 (ko) | 2018-12-28 | 2018-12-28 | 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180171706A KR102198866B1 (ko) | 2018-12-28 | 2018-12-28 | 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200081812A KR20200081812A (ko) | 2020-07-08 |
| KR102198866B1 true KR102198866B1 (ko) | 2021-01-05 |
Family
ID=71600056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180171706A KR102198866B1 (ko) | 2018-12-28 | 2018-12-28 | 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102198866B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102551779B1 (ko) * | 2021-02-23 | 2023-07-11 | 주식회사 아이디이노랩 | 페르소나 기반의 리뷰 데이터 분석 방법 및 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101524971B1 (ko) * | 2014-02-11 | 2015-06-02 | 숭실대학교산학협력단 | 개인 성향 예측 방법 및 그 장치 |
| US20160103996A1 (en) * | 2014-10-09 | 2016-04-14 | Qualcomm Incorporated | Methods and Systems for Behavioral Analysis of Mobile Device Behaviors Based on User Persona Information |
| JP2017211969A (ja) * | 2016-05-24 | 2017-11-30 | 技研商事インターナショナル株式会社 | 位置情報を利用した行動分析システム及びそのプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2012004106A (es) * | 2009-10-06 | 2013-02-11 | Deloitte Dev Llc | Sistemas y metodos para proporcionar y explotar comercialmente validacion de persona en linea. |
| KR20180002197A (ko) * | 2016-06-29 | 2018-01-08 | 주식회사 엘지유플러스 | 감성형 채팅 어플리케이션, 채팅 어플리케이션의 채팅 서비스 방법 및 채팅 서버 |
-
2018
- 2018-12-28 KR KR1020180171706A patent/KR102198866B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101524971B1 (ko) * | 2014-02-11 | 2015-06-02 | 숭실대학교산학협력단 | 개인 성향 예측 방법 및 그 장치 |
| US20160103996A1 (en) * | 2014-10-09 | 2016-04-14 | Qualcomm Incorporated | Methods and Systems for Behavioral Analysis of Mobile Device Behaviors Based on User Persona Information |
| JP2017211969A (ja) * | 2016-05-24 | 2017-11-30 | 技研商事インターナショナル株式会社 | 位置情報を利用した行動分析システム及びそのプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200081812A (ko) | 2020-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| D’Alfonso | AI in mental health | |
| Pielot et al. | When attention is not scarce-detecting boredom from mobile phone usage | |
| Madan et al. | Sensing the" health state" of a community | |
| Lee et al. | Information disclosure concerns in the age of wearable computing | |
| Chen et al. | A framework for group activity detection and recognition using smartphone sensors and beacons | |
| Meegahapola et al. | Generalization and personalization of mobile sensing-based mood inference models: an analysis of college students in eight countries | |
| JP6946814B2 (ja) | 機械学習に基づくコンテキストアウェアなリダイレクションのためのシステムおよび方法、提供プログラム | |
| Vinciarelli et al. | More personality in personality computing | |
| Fieldhouse et al. | Cascade or echo chamber? A complex agent-based simulation of voter turnout | |
| Kalimeri et al. | Going beyond traits: Multimodal classification of personality states in the wild | |
| KR20230023203A (ko) | 감정 평가 및 치료 장치 | |
| Mulongo et al. | Applying innovative approaches for reaching men who have sex with men and female sex workers in the Democratic Republic of Congo | |
| Pfundmair et al. | Construal level and social exclusion: Concrete thinking impedes recovery from social exclusion | |
| Bouchard et al. | Practical guidelines to build smart homes: lessons learned | |
| Vianna et al. | Pompilos, a Model for Augmenting Health Assistant Applications with Social Media Content. | |
| Martinez et al. | Predicting participant compliance with fitness tracker wearing and ecological momentary assessment protocols in information workers: Observational study | |
| Ghosh et al. | Phones, privacy, and predictions: A study of phone logged data to predict privacy attitudes of individuals | |
| KR102198866B1 (ko) | 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치 | |
| Morales Dussan et al. | Exploring the Colombian digital divide using Moodle logs through supervised learning | |
| Chen et al. | My smartphone knows i am hungry | |
| Liu | Hanging out with my pandemic pal: contextualizing motivations of anthropomorphizing voice assistants during COVID-19 | |
| Vhaduri et al. | Predicting unreliable response patterns in smartphone health surveys: A case study with the mood survey | |
| Di Matteo | Inference of anxiety and depression from smartphone-collected data | |
| Patil et al. | Analysis of Youtube comments to inform the design of virtual reality training simulations to target emotional arousal | |
| Kalimeri et al. | Causal-modelling of personality traits: extraversion and locus of control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |