KR102245602B1

KR102245602B1 - 광고 관련 동적 보상을 지원하는 서비스 제공 장치 및 방법, 그리고 이를 포함하는 서비스 제공 시스템

Info

Publication number: KR102245602B1
Application number: KR1020190054664A
Authority: KR
Inventors: 이관우; 이영호; 이성원
Original assignee: (주)버즈빌
Priority date: 2019-05-10
Filing date: 2019-05-10
Publication date: 2021-04-29
Also published as: WO2020231001A2; WO2020231001A3; KR20200129767A

Abstract

본 발명은 광고 관련 동적 보상을 지원하는 서비스 제공 장치 및 방법, 그리고 이를 포함하는 서비스 제공 시스템에 관한 것으로서, 더욱 상세히는 사용자 단말로 광고 제공시 사용자의 광고 참여 관련 활동을 유지시키면서 매출과 관련된 사용자의 활동을 높이는 동시에 사용자의 광고 관련 세그먼트 특성에 따라 사용자의 광고 참여를 유도할 수 있도록 동적으로 보상을 변경하여 제공하기 위한 광고 관련 동적 보상을 지원하는 서비스 제공 장치 및 방법, 그리고 이를 포함하는 서비스 제공 시스템에 관한 것이다.

Description

광고 관련 동적 보상을 지원하는 서비스 제공 장치 및 방법, 그리고 이를 포함하는 서비스 제공 시스템{Service providing apparatus and method supporting dynamic reward related to advertisement, and service providing system including the same}

기존의 광고는 광고 시청 및 참여에 대해 사용자에게 별도로 제공되는 혜택이 없어 사용자들은 거추장스러운 광고를 보고 싶어하지 않게 되고 광고 차단을 위한 별도의 어플리케이션을 통해 광고를 차단하는 경우가 대부분이었으며, 이로 인해 광고 효율이 지극히 낮은 문제가 있다.

최근, 광고 효율을 높이기 위해 광고를 보거나 광고에서 의도하는 조건을 만족시키기 위해 사용자가 광고에 참여할 때 사용자에게 보상을 지급하여 광고에 대한 사용자의 거부감을 낮추는 광고 모델이 등장하고 있다.

이러한 광고 모델은 광고를 시청하거나 광고를 클릭하거나 광고에서 광고 중인 어플리케이션을 다운로드하여 설치하는 등의 광고에서 의도하는 보상 지급 조건을 만족하여 사용자가 실질적인 광고 소비와 관련된 행위를 수행하는 경우 사용자에게 리워드와 같은 보상 혜택을 제공함으로써, 사용자가 광고 소비에 적극적으로 참여하도록 유도함과 아울러 광고 효율을 높이고 있다.

그러나, 기존의 광고 모델은 대부분 임의의 정해진 보상 금액을 일정 시간마다 또는 광고와 관련된 보상 지급 조건 만족시마다 균등하게 지급하는 것과 같은 단순한 보상 방식을 사용하고 있으며, 이로 인해 보상만을 목적으로 하는 사용자에게 악용될 소지가 많을 뿐만 아니라 사용자가 반복적인 보상 패턴에 익숙해지게 되어 점차 사용자의 활동성을 증가시키기 어려워지므로 광고 효율이 떨어지는 문제가 있다.

한국공개특허 제10-2015-0053843호

본 발명은 사용자에게 노출된 광고와 관련되어 사용자의 매출 관련 활동에 따라 보상 금액을 산정하여 보상하되 보상 시기와 금액을 동적으로 변경하면서 보상 금액을 분할하여 제공하기 위한 활동 보상 관련 최적의 활동 보상 모델을 제공하고, 사용자에 대응되는 세그먼트 특성에 따라 광고 참여를 유도하기 위한 유도 보상 관련 최적의 유도 보상 모델을 제공하며, 상기 활동 보상과 유도 보상의 상관 관계에 따라 비용 대비 매출이 극대화되도록 상기 활동 보상 모델과 유도 보상 모델을 최적화하도록 하는데 그 목적이 있다.

본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치는, 복수의 서로 다른 광고 관련 광고 정보를 저장하는 광고 관리 서버로부터 광고 정보를 수신하고, 상기 광고 정보를 사용자 단말로 전송하는 광고 제공부 및 상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 전체 보상 금액을 갱신하고, 상기 갱신된 전체 보상 금액에 대응되어 광고 환경 관련 환경 정보를 산출하며, 상기 환경 정보가 개선되는 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 학습하여 상기 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 상기 학습을 기반으로 상기 복수의 매개 변수별로 산출된 최적값에 따라 상기 갱신된 전체 보상 금액 중 일부인 활동 보상 금액을 결정한 후 상기 활동 보상 금액을 사용자에 대응되어 지급하는 활동 보상부를 포함할 수 있다.

본 발명과 관련된 일 예로서, 상기 활동 보상부는 상기 광고 제공부와 연동하여 상기 사용자 단말에 전송되는 광고 정보별로 사용자의 활동에 따른 이벤트 발생시마다 상기 사용자 단말로부터 상기 이벤트 관련 이벤트 정보를 수신하는 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 환경 정보는 미리 설정된 복수의 속성별 파라미터를 포함하고, 상기 복수의 속성은 유지율, 클릭율, 매출, 사용자 당 광고 노출수를 포함하는 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 활동 보상부는 상기 이벤트 발생시 미리 설정된 제 1 수식에 따라 상기 갱신된 전체 보상 금액에 대응되는 상기 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 산출하고, 상기 복수의 매개 변수와 광고 환경 사이의 상관 관계가 학습된 제 1 딥러닝 알고리즘에 상기 갱신된 전체 보상 금액에 대응되어 산출된 전체 보상 횟수와 붕괴율을 적용하여 상기 광고 환경 관련 환경 정보를 산출하며, 상기 환경 정보가 개선되는 상기 복수의 매개 변수를 학습하는 제 1 강화학습 알고리즘 및 상기 제 1 딥러닝 알고리즘을 통해 상기 복수의 매개 변수별 최적값을 산출한 후 상기 광고 제공부를 통해 제공된 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 미리 설정된 제 2 수식에 상기 최적값을 적용하여 상기 전체 보상 금액 중 일부인 활동 보상 금액을 결정하여 지급하는 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 제 1 수식은

이며,

R은 전체 보상 금액이고, T는 전체 보상 횟수이고, λ는 붕괴율이고, t는 광고를 시청한 횟수이며, N₀은 상수인 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 활동 보상부는 상기 복수의 매개변수별 최적값을 결정한 이후 상기 제 2 수식인

에 따라 상기 이벤트가 발생한 특정 시점인 t_n에 지급해야 하는 활동 보상 금액인 r_n을 결정하는 것을 특징으로 하며, λ는 붕괴율이고, t는 광고를 시청한 횟수이며, N₀은 상수인 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 사용자와 관련되어 상기 이벤트 관련 이벤트 정보 수집시마다 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성하고, 상기 특정 그룹에 대응되어 예상되는 광고 환경인 예상 환경 정보를 산출하며, 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하여 상기 학습을 기반으로 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하고, 상기 유도 보상 금액을 지급하기 위한 지급 조건을 상기 광고 제공부에서 제공하는 광고 정보에 설정하여 상기 사용자 단말로 전송하는 유도 보상부를 더 포함하는 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 유도 보상부는 미리 설정된 복수의 세그먼트와 상기 세그먼트에 대응되어 예상되는 상기 광고 환경 사이의 상관 관계가 학습된 미리 설정된 제 2 딥러닝 알고리즘에 상기 특정 그룹의 세그먼트별 설정값을 적용하여 상기 특정 그룹에 대응되어 예상되는 광고 환경인 상기 예상 환경 정보를 산출하며, 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하는 미리 설정된 제 2 강화학습 알고리즘 및 상기 제 2 딥러닝 알고리즘을 통해 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하는 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 활동 보상부 및 유도 보상부와 연동하여 복수의 서로 다른 사용자에 대해 얻어진 전체 활동 보상 금액, 유도 보상 금액, 유도 보상 금액 관련 세그먼트를 제외한 상기 세그먼트별 설정값 및 상기 환경 정보를 미리 설정된 회귀 트리 모델에 적용하여 상기 환경 정보가 유사한 사용자들을 고유 그룹으로 그룹핑한 후 상기 고유 그룹을 대상으로 상기 전체 활동 보상 금액과 매출 사이의 관계에 대한 제 1 회귀식 및 상기 유도 보상 금액과 매출 사이의 관계에 대한 제 2 회귀식을 산출하고, 상기 제 1 회귀식 및 제 2 회귀식 각각에서 얻어지는 최대 수익이 상호 수렴하는 최적의 활동 보상 금액 및 최적의 유도 보상 금액을 상기 회귀 트리 모델을 통해 산출하여 상기 활동 보상부 및 유도 보상부에 설정하는 최적화부를 더 포함하는 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 상기 최적화부는 상기 활동 보상부 및 유도 보상부와 연동하여 상기 지급 조건의 만족에 따른 활동 보상 금액 및 유도 보상 금액 중 적어도 하나의 지급 필요시 상기 사용자에 대응되어 산출된 상기 최적의 활동 보상 금액 및 유도 보상 금액 중 적어도 하나가 지급되도록 하는 것을 특징으로 할 수 있다.

본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 시스템은, 사용자 단말로 전송 대상인 광고 정보를 선택하여 할당하는 광고 관리 서버와, 상기 사용자 단말에 할당된 광고 정보를 사용자 단말로 전송하고 상기 광고 정보에 대응되어 사용자 단말로부터 수신된 사용자의 광고 활동 관련 이벤트 정보를 기초로 사용자에게 지급하기 위한 리워드를 생성하여 사용자 단말의 사용자에 대응되어 적립하는 서비스 서버 및 상기 광고 관리 서버 및 상기 서비스 서버와 연동하여 상기 사용자 단말에 전송 대상인 광고 정보를 상기 서비스 서버를 통해 상기 사용자 단말로 전송하고, 상기 서비스 서버로부터 상기 사용자 단말에서 상기 광고 정보에 대응되어 전송한 이벤트 정보를 수신하여 상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 상기 리워드 관련 전체 보상 금액을 갱신하고, 상기 갱신된 전체 보상 금액에 대응되어 광고 환경 관련 환경 정보를 산출하며, 상기 환경 정보가 개선되는 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 학습하여 상기 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 상기 학습을 기반으로 상기 복수의 매개 변수별로 산출된 최적값에 따라 상기 갱신된 전체 보상 금액 중 일부인 활동 보상 금액을 결정한 후 상기 활동 보상 금액을 사용자에 대응되어 지급하는 서비스 제공 장치를 포함할 수 있다.

본 발명과 관련된 일 예로서, 상기 서비스 제공 장치는 상기 사용자와 관련되어 상기 이벤트 관련 이벤트 정보 수집시마다 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성하고, 상기 특정 그룹에 대응되어 예상되는 광고 환경인 예상 환경 정보를 산출하며, 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하여 상기 학습을 기반으로 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하고, 상기 유도 보상 금액을 지급하기 위한 지급 조건을 상기 사용자 단말로 전송 대상인 상기 광고 정보에 설정하여 상기 사용자 단말로 전송하는 것을 특징으로 할 수 있다.

본 발명의 실시예에 따른 사용자 단말로 광고 정보를 전송하는 서비스 제공 장치의 광고 관련 동적 보상을 지원하는 서비스 제공 방법은, 상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 전체 보상 금액을 갱신하고 미리 설정된 제 1 수식에 따라 상기 갱신된 전체 보상 금액에 대응되는 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 산출하는 단계와, 상기 복수의 매개 변수와 광고 환경 사이의 상관 관계가 학습된 제 1 딥러닝 알고리즘에 상기 갱신된 전체 보상 금액에 대응되어 산출된 전체 보상 횟수와 붕괴율을 적용하여 상기 광고 환경 관련 환경 정보를 산출하는 단계 및 상기 환경 정보가 개선되는 상기 복수의 매개 변수를 학습하는 제 1 강화학습 알고리즘 및 상기 제 1 딥러닝 알고리즘을 통해 상기 복수의 매개 변수별 최적값을 산출한 후 상기 광고 제공부를 통해 제공된 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 미리 설정된 제 2 수식에 상기 최적값을 적용하여 상기 전체 보상 금액 중 일부인 활동 보상 금액을 결정하여 지급하는 단계를 포함할 수 있다.

본 발명과 관련된 일 예로서, 상기 사용자와 관련되어 상기 이벤트 관련 이벤트 정보 수집시마다 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성하는 단계와, 미리 설정된 복수의 세그먼트와 상기 세그먼트에 대응되어 예상되는 광고 환경 사이의 상관 관계가 학습된 미리 설정된 제 2 딥러닝 알고리즘에 상기 특정 그룹의 세그먼트별 설정값을 적용하여 상기 특정 그룹에 대응되어 예상되는 광고 환경인 예상 환경 정보를 산출하는 단계 및 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하는 미리 설정된 제 2 강화학습 알고리즘 및 상기 제 2 딥러닝 알고리즘을 통해 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하고, 상기 유도 보상 금액을 지급하기 위한 지급 조건을 상기 광고 제공부에서 제공하는 광고 정보에 설정하여 상기 사용자 단말로 전송하는 단계를 더 포함하는 것을 특징으로 할 수 있다.

본 발명과 관련된 일 예로서, 복수의 서로 다른 사용자에 대해 얻어진 전체 활동 보상 금액, 유도 보상 금액, 상기 세그먼트별 설정값 및 상기 환경 정보를 미리 설정된 회귀 트리 모델에 적용하여 상기 환경 정보가 유사한 사용자들을 고유 그룹으로 그룹핑한 후 상기 고유 그룹을 대상으로 상기 전체 활동 보상 금액과 매출 사이의 관계에 대한 제 1 회귀식 및 상기 유도 보상 금액과 매출 사이의 관계에 대한 제 2 회귀식을 산출하고, 상기 제 1 회귀식 및 제 2 회귀식 각각에서 얻어지는 최대 수익이 상호 수렴하는 최적의 활동 보상 금액 및 최적의 유도 보상 금액을 상기 회귀 트리 모델을 통해 산출하여 상기 지급 조건 만족시 상기 최적의 활동 보상 금액 및 최적의 유도 보상 금액 중 적어도 하나를 지급하는 단계를 더 포함하는 것을 특징으로 할 수 있다.

본 발명은 광고 참여와 관련된 사용자의 활동에 대해 활동 보상을 지급하되 전체 활동 보상 금액을 보상 기간 내에서 나누어 지급하고 사용자의 활동 정도에 따라 보상 금액이 증가된다는 사실을 사용자에게 인식시킬 수 있는 최선의 보상 기간과 보상 시점별 보상 금액을 딥러닝 기반 학습을 통해 유연하게 동적으로 변경하여 제공함으로써 사용자가 광고 참여 관련 활동을 최대한 유지하도록 하면서 매출과 연결되는 사용자의 활동을 최대한 이끌어내어 수익을 높일 수 있을 뿐만 아니라 광고에 대해 사용자가 발생시킨 이벤트를 기초로 사용자와 광고 전환 패턴이 유사한 타 사용자와 사용자를 특정 그룹으로 그룹핑한 후 사용자의 광고 참여 유도를 위한 유도 보상 금액을 세그먼트로 포함하는 상기 특정 그룹의 세그먼트별 특성과 상기 유도 보상 금액의 변화에 따른 광고 환경 변화 사이의 상관 관계를 딥러닝 기반 학습을 통해 산출하여 특정 그룹에 속한 사용자에 대한 광고시마다 사용자의 광고 참여를 유도할 수 있는 유도 보상 금액을 제시하여 사용자의 광고 참여 관련 활동을 높일 수 있음과 아울러 사용자의 광고 전환 패턴 변화시에 사용자의 광고 전환 패턴 변화에 따라 사용자가 종속되는 그룹의 특성을 고려하여 유도 보상 금액을 동적으로 변경하여 제공함으로써 사용자의 광고 참여 유도를 지속적으로 이끌어 내어 광고 효율을 크게 높이는 효과가 있다.

또한, 본 발명은 활동 보상과 유도 보상 각각에서 얻어지는 수익이 상호 수렴하는 최적의 활동 보상과 유도 보상을 회귀 트리 모델을 통해 산출하여 제공할 수 있으며, 이를 통해 광고를 통해 제공되는 보상을 최소화하면서 수익을 극대화하여 광고 효율을 높일 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 시스템의 구성도.
도 2는 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치의 구성도.
도 3은 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치에 구성되는 활동 보상부의 상세 구성 및 동작 관련 예시도.
도 4는 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치에 구성되는 유도 보상부의 상세 구성 및 동작 관련 예시도.
도 5는 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치에 구성되는 최적화부의 동작 순서도.

이하, 도면을 참고하여 본 발명의 상세 실시예를 설명한다.

도 1은 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 시스템의 구성도이다.

도시된 바와 같이, 복수의 서로 다른 광고주 단말과 통신망을 통해 통신하여 상기 광고주 단말로부터 수신되는 광고 관련 광고 정보를 광고 DB에 저장하는 광고 관리 서버(10)와, 통신망을 통해 상기 광고 관리 서버(10)로부터 광고 정보를 수신하고, 상기 광고 정보를 복수의 서로 다른 매체 서버를 통해 사용자 단말로 전송하거나 직접 전송하는 서비스 제공 장치(100)를 포함하여 구성될 수 있다.

이때, 상기 서비스 제공 장치(100)는 상기 복수의 매체 서버와 통신망을 통해 통신할 수 있으며, 상기 매체 서버는 상기 사용자 단말에 설치되어 실행되는 어플리케이션으로 상기 서비스 제공 장치(100)로부터 수신한 상기 광고 정보를 전송하여 상기 사용자 단말에서 상기 어플리케이션 실행시 상기 어플리케이션을 통해 상기 광고 정보가 상기 사용자 단말에서 표시되어 제공되도록 할 수 있다.

또한, 상기 통신망은 유선 LAN(Local Area Network), 유선 WAN(Wide Area Network), 이더넷(Ethernet), 4G 이동통신 서비스, 5G 이동통신 서비스 등과 같은 널리 알려진 다양한 유무선 통신 방식이 적용될 수 있다.

또한, 상기 서비스 제공 장치(100)는 상기 사용자 단말에 설치되어 실행되는 특정 어플리케이션으로 통신망을 통해 직접 상기 광고 정보를 전송할 수도 있으며, 상기 특정 어플리케이션이 실행된 상태의 사용자 단말은 상기 광고 정보를 상기 사용자 단말의 표시부를 통해 표시할 수 있다.

상술한 바와 같이, 서비스 제공 장치(100)는 광고 정보를 사용자 단말에 전송하여 표시함으로써, 광고 정보에 따른 광고를 사용자 단말의 사용자에게 노출시켜 사용자가 광고를 시청하도록 제공할 수 있다.

그러나, 단순 시청만으로 사용자가 광고에 노출되어 광고에 대한 사용자의 인식이 정상적으로 이루어졌는지 판단하기 어려우므로, 상기 서비스 제공 장치(100)는 광고 정보에 포함된 광고 이미지나 링크(link)를 클릭(click)하는 클릭 이벤트나 광고 정보에 대응되는 어플리케이션의 설치 이벤트 또는 광고 정보에 대응되는 상품의 구매와 같은 전환(conversion) 이벤트 등과 같은 사용자의 활동 관련 특정 이벤트(입력 이벤트) 발생시 사용자에 대응되어 리워드(reward)와 같은 보상을 제공할 수 있다.

이를 통해, 상기 서비스 제공 장치(100)는 광고와 관련된 사용자의 활동에 따른 보상으로 리워드를 제공할 수 있으며, 해당 리워드를 사용자에게 지급하여 해당 리워드를 상품의 구매 할인이나 상품 교환 등에 사용할 수 있도록 지원할 수 있다.

이러한, 보상 광고는 보상이 주어지는 시점과 보상 금액에 따라서 사용자의 활동성이 매우 달라진다. 단순한 보상 지급 방식(일례로, 임의의 정해진 보상을 일정 시간마다 균등하게 지급)을 사용할 경우 보상만을 목적으로 하는 사용자에게 악용될 소지가 많다. 또한, 사용자가 반복적인 보상 패턴에 익숙해지게 되어 점차 사용자의 활동성을 증가시키기 어려워진다.

이에 따라, 본 발명에 따른 서비스 제공 장치(100)는 사용자의 광고와 관련된 활동에 따라 발생된 매출을 기반으로 책정된 전체 보상 금액에 대해 사용자의 활동 상태에 따라 효율적으로 보상 금액과 지급 시기를 산정하여 전체 보상 금액을 나누어 지급함으로써 사용자의 광고 참여를 유지시킴과 아울러 광고 제공시 광고와 관련된 사용자의 활동을 유도하는 유도 보상을 동적으로 제공하여 광고 참여와 관련된 활동이 저하되는 사용자를 광고에 적극적으로 참여하도록 유도함으로써 광고 효율을 높임과 동시에 광고에 따른 매출을 높일 수 있도록 지원할 수 있다.

상술한 구성을 기초로 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치(100)의 상세 동작 실시예를 이하 도면을 참고하여 설명한다.

우선, 도 2는 본 발명의 실시예에 따른 서비스 제공 장치(100)의 상세 구성도이다.

도시된 바와 같이, 상기 서비스 제공 장치(100)는 광고 제공부(110)와, 활동 보상부(120)와, 유도 보상부(130) 및 최적화부(140)를 포함하여 구성될 수 있다.

이때, 상기 서비스 제공 장치(100)를 구성하는 구성부 중 어느 하나가 상기 서비스 제공 장치(100)를 제어하는 제어부로 구성될 수 있다.

상기 제어부는 상기 서비스 제공 장치(100)에 미리 저장된 프로그램 및 데이터를 이용하여 상기 서비스 제공 장치(100)의 전반적인 제어 기능을 실행할 수 있으며, 제어부는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다.

또한, 상기 서비스 제공 장치(100)를 구성하는 구성부 중 적어도 하나가 다른 구성부에 포함되어 구성될 수도 있다.

우선, 상기 광고 제공부(110)는 상기 광고 관리 서버(10)로부터 수신한 광고 정보를 상기 사용자 단말로 전송할 수 있다.

이때, 상기 광고 제공부(110)는 상기 복수의 매체 서버와 통신하는 매체 연동부(111)를 포함하여 구성될 수 있으며, 상기 매체 연동부(111)는 상술한 바와 같이 상기 매체 서버를 통해 상기 사용자 단말로 광고 정보를 전송할 수 있다.

이에 따라, 상기 서비스 제공 장치(100)로부터 광고 정보를 수신한 매체 서버는 상기 매체 서버에 대응되는 사용자 단말의 어플리케이션에서 광고 정보를 실행하여 상기 사용자 단말에 표시하도록 상기 광고 정보를 상기 사용자 단말의 어플리케이션으로 전송할 수 있다.

또한, 상기 활동 보상부(120)는 광고에 참여하는 사용자의 활동을 바탕으로 매출과 관련된 사용자의 활동에 대응되어 매출의 일부를 사용자에게 보상으로 지급할 수 있다.

또한, 활동 보상부(120)는 사용자의 활동에 따라 책정된 전체 보상 금액을 지속적으로 수정하여 지급할 수 있을 뿐만 아니라 전체 보상 금액을 소정의 기간 동안 나누어 지급할 수 있으며, 상기 전체 보상 금액을 나누어 지급할 때 특정 시점에 지급되는 보상 금액과 상기 특정 시점과 상이한 다른 시점에 지급되는 보상 금액을 사용자의 활동에 따라 달리하여 지급함으로써 사용자의 광고 참여와 관련된 활동을 유지시킴과 아울러 사용자의 활동이 활발할수록 높은 보상 금액을 제공하여 사용자의 적극적인 광고 참여 활동을 유도할 수 있는데, 이를 활동 보상부(120)의 상세 구성에 대한 도 3을 참고하여 상세히 설명한다.

우선, 활동 보상부(120)는 단위 기간 동안 지급할 활동 보상(Action Reward)인 전체 보상 금액을 산정할 수 있다.

일례로, 활동 보상부(120)는 사용자의 광고 참여 활동 유지에 필요한 기본 보상을 제공할 수 있으며, 광고와 관련되어 미리 설정된 서비스 사용 지표에 따라서 사용자의 그룹을 나눈 뒤, 사용자 그룹마다 기본 보상 금액을 산정할 수 있다.

예를 들어, 서비스 내 컨텐츠 생성을 많이 하는 사용자와 소비만 하는 사용자 그룹을 나누어 기본 보상 금액을 따로 설정할 수 있다.

또한, 활동 보상부(120)는 해당 사용자의 광고 참여로 인해 발생한 매출의 일정 비율을 보상 금액으로 지급할 수 있다. 예를 들어, 사용자의 광고 참여를 통해 1,000원의 매출이 발생한 경우 이에 대한 10%인 100원을 사용자의 전체 보상 금액에 추가한다. 그 외에도 친구를 초대했다거나, 컨텐츠를 생성하는 등의 활동에도 매출 가치를 매긴 뒤 해당 활동에 따른 매출 보상 금액을 산정하여 상기 전체 보상 금액에 추가할 수 있다.

또한, 활동 보상부(120)는 상술한 바와 같이 사용자에 대응되어 산정된 전체 보상 금액을 DB에 저장할 수 있다.

이때, 상기 전체 보상 금액을 활동 직후 한 번에 다 지급할 경우 사용자가 느끼는 평소 보상 금액이 너무 낮아진다. 이 때문에 사용자의 유지율(Retention rate)이 떨어질 수 있다. 이를 해결하기 위해 전체 보상 금액을 일정 기간 동안 나누어 지급한다.

한편, 단순히 같은 금액을 일정 기간동안 나누어 지급할 경우 사용자의 광고 참여를 유도하기가 어려워진다. 사용자가 활동을 했을 때 보상이 많아진다는 점을 인식시킬 필요가 있다.

이를 위해, 활동 보상부(120)는 매출 관련 활동(일례로, 전환(conversion))이 발생했을 때 상대적으로 많은 보상을 지급하고, 활동이 없는 기간 동안 점차 보상을 줄여나가는 전략을 실행한다. 이를 통해, 사용자의 추가 활동을 유도할 수 있다.

이를 위해, 활동 보상부(120)는 하나의 광고를 클릭하는 시점에 지급하는 보상 금액을 하기 수학식 1(Exponential decay)에 따라 산출할 수 있다.

이 때 t는 광고를 시청한 횟수이고, 사용자의 활동에 의해 전체 보상 금액이 증액될 경우 t는 0으로 초기화될 수 있다.

즉, 사용자가 첫 번째 광고를 봤을 때 t는 1이고, 그 다음 광고를 봤을 때 t는 2가 되며, 매출 관련 이벤트(일례로, 광고 참여(Conversion))가 발생했을 때 전체 보상 금액(R)이 새로 계산되면서 t가 다시 0이 된다.

또한, 상기 활동 보상부(120)는 상기 N₀를 하기 수학식 2를 통해 산출할 수 있다.

이때, R은 전체 보상 금액이고, T는 전체 보상 횟수이고, λ는 붕괴율이고, t는 광고를 시청한 횟수일 수 있다.

또한, 상기 N₀는 상기 수학식 2를 통해 산출된 상수일 수 있다.

상술한 구성을 기초로, 사용자의 활동에 따라 전체 보상 금액을 동적으로 나누어 지급하는 활동 보상부(120)의 실시예를 설명한다.

도시된 바와 같이, 상기 활동 보상부(120)는 상기 광고 제공부(110)와 연동하여 상기 사용자 단말에 전송되는 광고 정보별로 광고 정보에 대응되어 사용자의 활동에 따른 이벤트 발생시마다 상기 사용자 단말로부터 상기 이벤트 관련 이벤트 정보를 수신할 수 있으며, 상기 사용자에 대응되어 상기 이벤트 정보를 DB에 저장할 수 있다.

또한, 상기 활동 보상부(120)는 상기 이벤트 정보를 기초로 상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 전체 보상 금액을 갱신하고, 미리 설정된 제 1 수식에 따라 상기 갱신된 전체 보상 금액에 대응되는 전체 보상 횟수 및 붕괴율을 산출할 수 있다.

이때, 상기 제 1 수식은 상기 수학식 1 및 수학식 2를 포함할 수 있으며, 상기 N_O는 상술한 제 1 수식에 따라 구해진 상수가 적용될 수 있다.

또한, 상기 전체 보상 횟수(T)는 상기 전체 보상 금액을 나눠 지급할 횟수이며, 보상 사이의 간격을 결정한다. 전체 보상 횟수(T)가 작으면 상대적으로 큰 금액을 짧은 기간에 지급하게 되고, 전체 보상 횟수(T)가 크면 상대적으로 적은 금액을 오랜 기간 지급하게 된다.

또한, 상기 붕괴율(Exponential decay constant : λ)은 시간에 따라 보상이 줄어드는 정도를 결정한다. 상기 활동 보상부(120)는 붕괴율이 클 경우 초기에 많은 보상을 지급하고 이후 빠르게 보상 금액을 줄여나간다. 상기 활동 보상부(120)는 붕괴율이 작을 경우 초기 보상은 적게 지급하지만 보상 금액을 천천히 줄여나간다.

또한, 활동 보상부(120)는 상기 제 1 수식에 사용되는 상기 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수와 광고 환경 사이의 상관 관계가 학습된 미리 설정된 제 1 딥러닝(deep learning) 알고리즘에 상기 갱신된 전체 보상 금액에 대응되어 산출한 전체 보상 횟수와 붕괴율을 적용하여 상기 광고 환경 관련 환경 정보를 산출할 수 있다.

이때, 상기 환경 정보는 유지율(Retention rate), 클릭율(Click through rate), 매출(Revenue), 사용자 당 광고 노출수(Impression count per user) 등을 포함하는 복수의 속성별 파라미터를 포함할 수 있다.

또한, 상기 유지율은 광고 관련 전체 서비스의 사용자 유지율을 의미할 수 있으며, 상기 클릭율은 전체 사용자의 광고 클릭율을 의미할 수 있으며, 상기 매출은 상기 전체 서비스의 매출을 의미할 수 있으며, 상기 사용자 당 광고 노출수는 사용자별 광고 노출수를 의미할 수 있다.

이때, 사용자당 광고 노출수가 증가한다는 것은 사용자의 활동이 그만큼 많아진 것으로 해석될 수 있다.

또한, 상기 활동 보상부(120)는 제 1 강화 학습부(121)를 포함하여 구성될 수 있으며, 상기 제 1 강화 학습부(121)는 상기 환경 정보와 상기 복수의 매개 변수 사이의 상관관계가 학습된 상태의 미리 설정된 제 1 강화학습 알고리즘에 상기 사용자의 매출 관련 이벤트에 대응되어 상기 제 1 딥러닝 알고리즘을 통해 산출된 상기 환경 정보를 적용하여 상기 전체 보상 횟수 및 붕괴율 각각의 매개변수 값을 산출할 수 있다.

이때, 상기 제 1 강화학습 알고리즘은 결과를 보고 결과가 좋을 경우 보상을 주고 결과가 좋지 않을 경우 페널티를 주는 방법으로 학습하는 강화학습(Reinforcement Learning) 관련 신경망을 의미할 수 있다. 즉, 결과가 좋을 경우 현재의 매개변수에 더 큰 가중치를 부여하고 그렇지 않을 경우 가중치를 감소시킨다.

광고 시스템의 특성상 어떤 지표도 최적 또는 해답이라는 값을 가지기 힘들다. 즉, 얼마나 틀렸는가라는 지표를 알기가 어려운데, 강화학습은 더 좋은 지표의 값을 계속 찾아나가기 때문에 상기 전체 보상 횟수 및 붕괴율 각각에 대한 최적의 매개변수 값을 찾을 수 있다.

또한, 상기 활동 보상부(120)는 상기 사용자의 매출 관련 이벤트에 대응되어 상기 제 1 강화 학습부(121)를 통해 산출된 상기 전체 보상 횟수 및 붕괴율을 상기 제 1 딥러닝 알고리즘에 적용하여 산출되는 환경 정보를 상기 제 1 강화 학습부(121)의 상기 제 1 강화학습 알고리즘에 반복 적용하여 전체 보상 횟수 및 붕괴율을 다시 산출하고 이를 다시 상기 제 1 딥러닝 알고리즘에 적용하는 과정을 반복할 수 있으며, 상기 제 1 강화 학습부(121)는 상기 제 1 강화 학습 알고리즘을 이용한 강화학습을 통해 상기 환경 정보가 개선되는 전체 보상 횟수 및 붕괴율 각각에 대한 매개 변수값을 찾아 지속적으로 산출할 수 있다.

또한, 상기 활동 보상부(120)는 상기 제 1 강화 학습부(121)에 의해 복수의 매개 변수 값이 산출될 때마다 상기 제 1 딥러닝 알고리즘에 적용하여 환경 정보를 산출한 후 다시 상기 제 1 강화 학습부(121)에 적용하여 상기 복수의 매개 변수값이 산출되도록 할 수 있으며, 상기 제 1 강화 학습부(121)를 통해 산출되는 복수의 매개 변수값이 미리 설정된 제 1 조건 만족시 상기 제 1 조건을 만족할 때 산출된 복수의 매개 변수값을 각각 상기 전체 보상 횟수 및 붕괴율에 대한 최적의 매개 변수값(최적값)으로 결정할 수 있다.

일례로, 상기 활동 보상부(120)는 상기 제 1 강화 학습부(121)를 통해 기존(직전)과 동일한 복수의 매개 변수값이 반복 산출될때 해당 복수의 매개 변수값을 상기 전체 보상 횟수 및 붕괴율 각각에 대한 최적의 매개 변수값(최적값)으로 결정할 수 있다.

즉, 상기 활동 보상부(120)는 사용자에 대한 광고 제공에 따라 발생한 매출 관련 이벤트에 의해 증액된 전체 보상 금액과 관련하여 제 1 수식을 통해 결정된 보상횟수와 붕괴율이 조성하는 광고 환경에 대한 평가를 수행하여, 해당 광고 환경이 개선되는 방향으로 상기 전체 보상 횟수와 붕괴율을 최적화할 수 있으며, 이를 통해 사용자에 대해 발생한 전체 보상 금액을 상기 전체 보상 횟수와 붕괴율에 따라 동적으로 나누어 지급할 수 있다.

일례로, 상기 활동 보상부(120)는 상술한 바와 같이 상기 환경 정보에 따른 광고 환경이 개선되는 상기 복수의 매개 변수를 학습하는 제 1 강화학습 알고리즘 및 상기 제 1 딥러닝 알고리즘을 통해 상기 복수의 매개 변수별 최적값을 산출한 후 상기 광고 제공부(110)를 통해 제공된 광고 정보에 보상 금액의 지급을 위해 미리 설정된 지급 조건에 대응되는 이벤트 발생시 미리 설정된 제 2 수식에 상기 최적값을 적용하여 상기 전체 보상 금액 중 일부인 활동 보상 금액을 결정(산출)한 후 해당 활동 보상 금액을 사용자에 대응되어 지급할 수 있다.

이때, 상기 활동 보상부(120)는 상기 복수의 매개변수별 최적값을 결정한 이후 상기 제 2 수식인 하기 수학식 3에 따라 상기 이벤트가 발생한 특정 시점인 t_n에 지급해야 하는 활동 보상 금액인 r_n을 결정할 수 있다.

이때, λ는 붕괴율이고, t는 광고를 시청한 횟수이며, N₀은 상수일 수 있다.

상술한 구성에서, 상기 활동 보상부(120)는 DB에 저장된 전체 데이터에 대하여 강화학습을 진행하여 초기 붕괴율(λ)을 찾은 후, 이 값을 초기 세팅으로 가지는 모델을 각 사용자에게 배분할 수 있다.

또한, 활동 보상부(120)는 해당 모델이 사용자의 패턴을 파악하여 최적의 보상 배분 전략을 설계하도록 관리할 수 있다.

일례로, 상기 활동 보상부(120)는 초기 λ₁을 사용자한테 적용을 한다. 그리고 일정한 기간 T(일례로, 24시간, 48시간 등)를 기다린 뒤, 사용자의 매출의 증가 또는 감소 값(R₁-R₀, 매출이 R₀에서 R₁으로 바뀜)에 비례한 값을 λ에 적용한다.

즉, 활동 보상부(120)는 강화학습의 다음 트레이닝 단계로서 사용자에게 λ₂ = λ₁ + k·(R₁ - R₀)를 적용한다. 여기서 k는 미리 설정된 하이퍼파라미터이다.

한편, 상기 유도 보상부(130)는 사용자에게 특정 광고를 보여줬을 경우 발생할 수 있는 매출의 기대값을 바탕으로 유도 보상(Attraction Reward) 금액을 산정할 수 있다.

이때, 유도 보상 금액은 사용자의 광고 참여 가능성을 바탕으로 광고 참여를 유도하기 위해 지급되는 보상으로서, 광고가 전달되는 시점에 동적으로 보상액을 계산한다.

일례로, 상기 유도 보상부(130)는 사용자의 관심사와 광고 참여 활동을 학습하면서 이를 기반으로 사용자에 대한 각 광고의 참여 가능성을 추측하여 매출 기대값을 계산할 수 있으며, 매출 기대값에 서비스 공급자(또는 광고주)가 설정한 사용자 공유 비율을 곱해서 유도 보상 금액을 산정할 수 있다.

예를 들어, 사용자가 광고에 참여할 확률이 5% 이고, 광고 참여시 매출이 1,000원 일 경우 50원의 매출 기대값을 가진다. 사용자 공유 비율이 10% 일 경우 5원을 유도 보상 금액으로 산정할 수 있다.

이때, 상기 유도 보상부(130)는 사용자가 특정 물품을 구매하면 구매한 물품과 비슷한 다른 물품에 대해 높은 광고 참여 확률을 부여할 수 있으며, 사용자와 비슷한 소비 패턴을 가진 다른 사용자가 구매하였지만 현재 사용자는 구매하지 않은 물품에 대하여 더 높은 광고 참여 확률을 부여할 수 있다.

상술한 구성을 토대로, 상기 유도 보상부(130)는 상기 광고 제공부(110)와 연동하여 광고 제공시 사용자의 활동을 유도하는 유도 보상을 동적으로 제공하여 광고 참여와 관련된 활동이 저하되는 사용자를 광고에 적극적으로 참여하도록 유도함으로써 광고 효율을 높임과 동시에 광고에 따른 매출을 높일 수 있도록 지원할 수 있는데, 이를 도 4를 참고하여 상세히 설명한다.

상기 유도 보상부(130)는 상기 광고 제공부(110) 및 활동 보상부(120) 중 적어도 하나와 연동하여 상기 사용자에 대응되어 상기 이벤트 관련 이벤트 정보 수집시마다 DB에 사용자에 대응되어 수집된 복수의 이벤트 정보를 기초로 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성할 수 있다.

이때, 상기 광고 전환 패턴은 광고 선택, 회원 가입, 광고 대상 상품의 구매, 광고 대상 어플리케이션의 설치, 광고 대상 어플리케이션의 실행 등을 포함하는 광고 전환(conversion) 관련 패턴을 의미할 수 있다.

또한, 상기 유도 보상부(130)는 미리 설정된 복수의 세그먼트(segment)와 상기 세그먼트에 대응되어 예상되는 광고 환경 사이의 상관 관계가 학습된 상태의 미리 설정된 제 2 딥러닝 알고리즘에 상기 특정 그룹의 생성시 결정되는 상기 특정 그룹의 세그먼트별 설정값을 적용하여 상기 특정 그룹에 대응되어 예상되는 예상 광고 환경 관련 예상 환경 정보를 산출할 수 있다.

이때, 상기 세그먼트는 그룹의 구분 및 설정을 위한 기준으로서 상기 그룹에 설정되는 사용자의 성향, 제품 활동 특성, 관심사 특성, 광고 참여 특성, 유도 보상 금액 등을 포함할 수 있다.

또한, 상기 사용자의 성향은 사용자와 비슷한 다른 사용자들의 물품 구매와 비교하여 사용자가 구매한 각 물품에 대한 점수로 산출될 수 있으며, 제품 활동 특성은 사용자가 구매한 특정 물품과 유사한 물품에 대한 광고를 선택하거나 구매한 기록을 바탕으로 점수가 산출되고, 관심사 특성은 사용자가 클릭한 뉴스 기사 등의 활동으로 분석한 관심사를 바탕으로 광고와의 관련도 점수가 산출되고, 광고 참여 특성은 광고에 참여한 기록을 바탕으로 점수가 산출될 수 있다.

또한, 상기 예상 환경 정보는 예상 클릭율(Expected CTR), 예상 전환율(Expected Conversion Rate), 예상 발생 매출(Expected Revenue), 예상 유지율(Expected Retention rate)(또는 유지율), 사용자당 광고 노출수 등의 복수의 속성별 파라미터를 포함할 수 있다.

이때, 예상 클릭율은 사용자가 광고를 보고 클릭할 확률이며, 예상 전환율은 사용자가 광고를 보고 광고에 참여해서 매출을 발생할 확률이며, 예상 발생 매출은 광고 단가와 예상 전환율을 곱한 값이다.

또한, 상기 유도 보상부(130)는 제 2 강화 학습부(131)를 포함하여 구성될 수 있으며, 상기 제 2 강화 학습부(131)는 상기 예상 환경 정보와 상기 복수의 세그먼트 중 하나인 유도 보상 금액 사이의 상관관계가 학습된 상태의 미리 설정된 제 2 강화학습 알고리즘에 상기 사용자에 대응되어 상기 제 2 딥러닝 알고리즘을 통해 산출된 상기 예상 환경 정보를 적용하여 상기 사용자에 대한 유도 보상 금액을 산출할 수 있다.

이때, 상기 제 2 강화학습 알고리즘은 상기 제 1 강화학습 알고리즘과 마찬가지로 결과를 보고 결과가 좋을 경우 보상을 주고 결과가 좋지 않을 경우 페널티를 주는 방법으로 학습하는 강화학습(Reinforcement Learning) 관련 신경망을 의미할 수 있다. 즉, 결과가 좋을 경우 현재의 유도 보상 금액에 더 큰 가중치를 부여하고 그렇지 않을 경우 가중치를 감소시킨다.

또한, 상기 유도 보상부(130)는 상기 사용자에 대응되어 상기 제 2 강화 학습부(131)를 통해 산출된 상기 유도 보상 금액에 대한 결과로 상기 세그먼트별 설정값(복수의 세그먼트) 중 유도 보상 금액 관련 세그먼트(세그먼트값)를 대체한 후 상기 제 2 딥러닝 알고리즘에 적용하고, 상기 유도 보상 금액에 대한 결과로 대체된 세그먼트별 설정값을 제 2 딥러닝 알고리즘에 적용하여 산출된 예상 환경 정보를 다시 상기 제 2 강화 학습부(131)의 상기 제 2 강화학습 알고리즘에 반복 적용하여 산출되는 유도 보상 금액에 대한 신규 결과로 상기 세그먼트별 설정값 중 어느 하나인 상기 유도 보상 금액에 대한 기존 결과를 다시 대체한 후 상기 신규 결과가 반영된(신규 결과로 대체된) 세그먼트별 설정값을 다시 제 2 딥러닝 알고리즘에 적용하는 과정을 반복할 수 있으며, 상기 제 2 강화 학습부(131)는 상기 제 2 강화 학습 알고리즘을 이용한 강화학습을 통해 상기 예상 환경 정보가 개선되는 유도 보상 금액에 대한 값을 지속적으로 산출할 수 있다.

또한, 상기 유도 보상부(130)는 상기 제 2 강화 학습부(131)에 의해 유도 보상 금액이 산출될 때마다 다른 세그먼트와 함께 상기 제 2 딥러닝 알고리즘에 적용하여 예상 환경 정보를 산출한 후 이를 다시 상기 제 2 강화 학습부(131)에 적용하여 상기 유도 보상 금액이 산출되도록 할 수 있으며, 상기 제 2 강화 학습부(131)를 통해 산출되는 유도 보상 금액이 미리 설정된 제 2 조건 만족시 상기 제 2 조건을 만족할 때 산출된 유도 보상 금액을 최종 유도 보상 금액으로 결정할 수 있다.

일례로, 상기 유도 보상부(130)는 상기 제 2 강화 학습부(131)에서 기존과 동일한 유도 보상 금액이 반복 산출될때 해당 유도 보상 금액을 최종 유도 보상 금액으로 결정할 수 있다.

이에 따라, 상기 유도 보상부(130)는 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 상기 유도 보상 금액을 학습하는 미리 설정된 제 2 강화학습 알고리즘 및 제 2 딥러닝 알고리즘을 통해 사용자가 속한 특정 그룹의 세그먼트에 맞추어 사용자의 활동을 유도하면서 비용당 예상 이득(= 예상 발생 매출/비용)을 최대화하는 유도 보상 금액을 최종 유도 보상 금액으로 결정할 수 있다.

또한, 상기 유도 보상부(130)는 상기 광고 제공부(110)와 연동하여 상기 최종 유도 보상 금액을 지급하기 위한 지급 조건을 상기 광고 제공부(110)에서 제공하는 광고 정보에 설정하여 상기 사용자 단말로 전송할 수 있다.

또한, 상기 유도 보상부(130)는 상기 광고 제공부(110)와 연동하여 상기 최종 유도 보상 금액에 대응되는 지급 조건을 만족하는 이벤트 정보를 사용자 단말로부터 수신시 사용자에 대응되어 상기 최종 유도 보상 금액을 지급할 수 있다.

한편, 활동 보상과 유도 보상은 서로의 영향을 받아 유동적으로 변한다. 예를 들어, 활동 보상이 매우 많을 때 많은 유도 보상을 부여하여도 사용자 입장에서는 아무런 차이를 느끼지 못한다.

이에 따라, 상기 서비스 제공 장치(100)는 최적화부(140)를 포함하여 구성될 수 있으며, 상기 최적화부(140)는 활동 보상부(120)에 의해 결정된 활동 보상과 유도 보상부(130)에 의해 결정된 유도 보상의 금액이 서로의 영향을 극대화할 수 있도록 활동 보상 및 유도 보상 각각에 대해 최적값인 최적 보상을 결정할 수 있다.

이때, 상기 최적화부(140)의 최적 보상은 활동 보상과 유도 보상에 대한 충분한 데이터가 만들어지고 나면 시작된다. 충분한 데이터가 만들어지면 유도 보상이 현재의 활동 보상에서도 의미가 있는지를 판단할 수 있게 된다. 즉 특정 보상을 줄여도 똑같은 이익이 나올 경우 보상을 줄이거나, 보상을 조금 증가시켰는데 예상되는 이익이 더 커진다면 보상을 증가시키는 등의 선택을 할 수 있다.

상기 최적화부(140)의 상세 구성을 도 5를 참고하여 상세히 설명한다.

도시된 바와 같이, 상기 최적화부(140)는 상기 활동 보상부(120) 및 유도 보상부(130)와 연동하여 복수의 서로 다른 사용자에 대해 얻어진 전체 활동 보상 금액, 유도 보상 금액(최종 유도 보상 금액), 상기 유도 보상 금액 관련 세그먼트를 제외한 특정 그룹의 세그먼트별 설정값 및 상기 환경 정보를 미리 설정된 회귀 트리 모델(Regression Tree Model)에 적용하여 상기 환경 정보가 유사한 사용자들을 고유 그룹으로 그룹핑한 후 상기 고유 그룹을 대상으로 상기 전체 활동 보상 금액과 매출 사이의 관계에 대한 제 1 회귀식 및 상기 유도 보상 금액과 매출 사이의 관계에 대한 제 2 회귀식을 산출하고, 상기 제 1 회귀식 및 제 2 회귀식 각각에서 얻어지는 최대 수익이 상호 수렴하는 최적의 활동 보상 금액 및 최적의 유도 보상 금액을 상기 회귀 트리 모델을 통해 산출하여 상기 활동 보상부(120) 및 유도 보상부(130)에 설정할 수 있다.

이때, 상기 회귀 트리 모델은 비슷한 유형의 데이터를 묶어나간 뒤 최종으로 묶인 모델의 데이터에서 회귀식을 추론하는 분석 기법이다.

또한, 상기 전체 활동 보상 금액은 사용자의 활동을 바탕으로 단위 기간 동안 지급할 총 활동 보상 금액을 의미할 수 잇다.

또한, 상기 복수의 세그먼트 중 하나인 사용자의 성향은 사용자와 유사한 다른 사용자들의 광고 전환(conversion)과 비교하여 각 광고에 대해 부여된 점수를 의미할 수 있다.

즉, 상기 최적화부(140)는 상기 활동 보상부(120) 및 유도 보상부(130)에서 제공하는 보상이 적당한지 아니면 추가적인 이득을 볼 수 있을지 선택할 수 있으며, 상기 활동 보상부(120) 및 유도 보상부(130)에서 산출된 값으로 추가적인 이득을 얻을 수 있는 최적의 활동 보상 금액과 유도 보상 금액을 산출할 수 있다.

일례로, 상기 최적화부(140)는 상기 활동 분석부를 통해 얻어지는 사용자별 환경 정보를 기초로 상호 유사한 환경 정보를 가지는 유형의 사용자들을 회귀 트리 모델을 통해 고유 그룹으로 그룹핑할 수 있다(S1).

또한, 상기 최적화부(140)는 고유 그룹 내에서 활동 보상 금액(또는 전체 활동 보상 금액)을 고정하고, 상기 유도 보상부(130)와 연동하여 유도 보상 금액과 매출의 관계를 제 1 회귀식으로 산출한 후(S2) 제 1 회귀식으로 유도 보상 금액을 줄였을때 얻을 수 있는 최대 수익 A를 산출하는 제 1 과정을 수행할 수 있다(S3).

또한, 상기 최적화부(140)는 유도 보상 금액을 고정하고, 상기 활동 보상부(120)와 연동하여 활동 보상 금액(또는 전체 활동 보상 금액)과 매출의 관계에 대한 제 2 회귀식을 산출한 후(S4) 상기 제 2 회귀식으로 활동 보상을 줄였을때 얻을 수 있는 최대 수익 B를 산출하는 제 2 과정을 수행할 수 있다(S5).

또한, 상기 최적화부(140)는 상기 제 1 및 제 2 과정을 반복 수행하여 상기 제 1 및 제 2 과정의 반복 수행에 따라 최대 수익 A와 최대 수익 B가 상호 수렴하게 되는(S6) 최적의 활동 보상 금액과 최적의 유도 보상 금액을 산출할 수 있다(S7).

또한, 상기 최적화부(140)는 상기 활동 보상부(120) 및 유도 보상부(130)와 연동하여 상기 지급 조건의 만족에 따른 활동 보상 금액 및 유도 보상 금액 중 적어도 하나의 지급 필요시 상기 사용자에 대응되어 산출된 상기 최적의 활동 보상 금액 및 최적의 유도 보상 금액 중 적어도 하나를 사용자에 대응되어 지급할 수 있다.

한편, 상술한 구성에 따라, 상기 최적화부(140)는 광고에 참여하지 않고 보상만을 목적으로 광고를 무분별하게 클릭하는 부정 사용자들을 상기 회귀 트리 모델을 통해 특정 그룹으로 그룹핑할 수 있으며, 상기 회귀 트리 모델을 통해 상기 특정 그룹으로 그룹핑된 부정 사용자들의 경우 보상 금액 대비 매출이 매우 낮게 산출되므로, 이러한 부정 사용자들의 그룹에 대해서는 활동 보상 금액 및 유도 보상 금액을 낮게 최적화하거나 보상을 지급하지 않도록 설정할 수 있어 용이하게 부정 사용자들을 차단할 수 있다.

또한, 본 발명에서 설명한 제 1 및 제 2 딥러닝 알고리즘은 하나 이상의 신경망 모델로 구성될 수 있으며, 상기 신경망 모델(또는 신경망)은 입력층(Input Layer), 하나 이상의 은닉층(Hidden Layers) 및 출력층(Output Layer)으로 구성될 수 있다.

또한, 상기 신경망 모델의 일례로서 DNN(Deep Neural Network), RNN(Recurrent Neural Network), CNN(Convolutional Neural Network), SVM(Support Vector Machine) 등과 같은 다양한 종류의 신경망이 적용될 수 있다.

또한, 본 발명에서 설명하는 활동 보상 금액 및 유저 보상 금액은 리워드일 수 있으며, 이때 사용자에게 지급되는 리워드는 특정 서비스에서만 사용가능한 자체 리워드이거나 다양한 서비스에서 범용적으로 통용되는 통합 리워드일 수도 있다.

또한, 상기 리워드는 웹인 경우에는 캐시일 수 있으며, 모바일의 경우에는 IFA, GAID 등 사용자를 구분할 수 있는 값에 매핑되게 되며, 로그인, 전화번호 인증 등을 통해 사용자에게 매핑되어 사용자 단위로 통합 관리 될 수 있다.

또한, 상기 서비스 제공 장치(100)는 통합 리워드의 경우 사용자 본인이 획득하고자 하는 리워드를 선택하여 선별적으로 지급받을 수 있도록 지원하며, 해당 리워드를 다른 리워드로 변환할 수 있도록 지원할 수 있다.

또한, 상기 서비스 제공 장치(100)는 광고 뿐만 아니라 다양한 컨텐츠나 이벤트, 전단지 등 유저 참여 촉진을 목적으로 하는 컨텐츠에 대해 상술한 바와 같은 동적 리워드를 지급하거나 지급하지 않을 수 있고, 동적으로 리워드를 늘리거나 줄일 수 있다.

또한, 상기 서비스 제공 장치(100)는 상술한 구성을 통해 컨텐츠의 참여를 끌어내는 다양한 플랫폼에 구성될 수 있다.

상술한 바와 같이, 본 발명은 광고 참여와 관련된 사용자의 활동에 대해 사용자에게 광고 참여에 따른 활동 보상을 지급하되 사용자의 광고 참여 관련 활동 유지를 위해 전체 활동 보상 금액을 보상 기간 내에서 나누어 지급하고 사용자의 활동 정도에 따라 보상 금액이 증가된다는 사실을 사용자에게 인식시킬 수 있는 최선의 보상 기간과 보상 시점별 보상 금액을 딥러닝 기반 학습을 통해 유연하게 동적으로 변경하여 제공함으로써 사용자가 광고 참여 관련 활동을 최대한 유지하도록 하면서 매출과 연결되는 사용자의 활동을 최대한 이끌어내어 수익을 높일 수 있을 뿐만 아니라 광고에 대해 사용자가 발생시킨 이벤트를 기초로 사용자와 광고 전환 패턴이 유사한 타 사용자와 사용자를 특정 그룹으로 그룹핑한 후 사용자의 광고 참여 유도를 위한 유도 보상 금액을 세그먼트로 포함하는 상기 특정 그룹의 세그먼트별 특성과 상기 유도 보상 금액의 변화에 따른 광고 환경 변화 사이의 상관 관계를 딥러닝 기반 학습을 통해 산출하여 특정 그룹에 속한 사용자에 대한 광고시마다 사용자의 광고 참여를 유도할 수 있는 유도 보상 금액을 제시하여 사용자의 광고 참여 관련 활동을 높일 수 있음과 아울러 사용자의 광고 전환 패턴 변화시에 사용자의 광고 전환 패턴 변화에 따라 종속되는 그룹의 특성을 고려하여 유도 보상 금액을 동적으로 변경하여 제공함으로써 사용자의 광고 참여 유도를 지속적으로 이끌어 내어 광고 효율을 크게 높일 수 있다.

또한, 본 발명은 활동 보상과 유도 보상 각각에서 얻어지는 수익이 상호 수렴하는 최적의 활동 보상과 유도 보상을 회귀 트리 모델을 통해 산출하여 제공할 수 있으며, 이를 통해 광고를 통해 제공되는 보상을 최소화하면서 수익을 극대화하여 광고 효율을 높일 수 있다.

한편, 상술한 구성을 토대로, 기존에 제공되고 있는 다양한 광고 플랫폼 기반의 다양한 광고 모델에 적용되어 광고 참여시마다 고정된 보상을 제공하는 정적인 보상 모델을 대신하여 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치로 구성된 동적 보상 모델을 해당 광고 모델에 적용함으로써 기존의 정적인 보상을 대체하여 동적인 보상과 더불어 유도 보상이 해당 광고 모델에서 수행되도록 지원할 수 있다.

이를 위해, 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 시스템은 사용자 단말로 전송 대상인 광고 정보를 선택하여 할당하는 광고 관리 서버와, 상기 사용자 단말에 할당된 광고 정보를 사용자 단말로 전송하고 상기 광고 정보에 대응되어 사용자 단말로부터 수신된 사용자의 광고 활동 관련 이벤트 정보를 기초로 사용자에게 지급하기 위한 리워드를 생성하여 사용자 단말의 사용자에 대응되어 적립하는 서비스 서버와, 상기 광고 관리 서버 및 상기 서비스 서버와 연동하여 상기 사용자 단말에 전송 대상인 광고 정보를 상기 서비스 서버를 통해 상기 사용자 단말로 전송하고, 상기 서비스 서버로부터 상기 사용자 단말에서 상기 광고 정보에 대응되어 전송한 이벤트 정보를 수신하여 상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 상기 리워드 관련 전체 보상 금액을 갱신하고 상기 갱신된 전체 보상 금액에 대응되어 상기 서비스 서버와 연동하여 동적으로 활동 보상 금액을 결정한 후 사용자에 대응되어 지급하는 상기 서비스 제공 장치를 포함하여 구성될 수 있다.

또한, 상기 서비스 제공 장치는 상기 사용자와 관련되어 상기 이벤트 관련 이벤트 정보 수집시마다 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성하고, 상기 특정 그룹에 대응되어 예상되는 광고 환경인 예상 환경 정보를 산출하며, 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하여 상기 학습을 기반으로 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하고, 상기 유도 보상 금액을 지급하기 위한 지급 조건을 상기 사용자 단말로 전송 대상인 상기 광고 정보에 설정하여 상기 서비스 서버를 통해 상기 사용자 단말로 전송할 수 있다.

상술한 구성을 통해, SNS(Social Networking Service)나 게임 등과 같이 사용자 단말에서 실행되는 특정 어플리케이션을 매개로 광고 정보를 전송하여 광고를 수행하도록 구성된 광고 모델을 운영 및 실행하는 서비스 서버에 대해서도 본 발명의 실시예에 따른 동적 보상 모델을 적용할 수 있으며, 이를 통해 광고 효율을 상술한 바와 같이 크게 향상시킬 수 있다.

이때, 본 발명의 실시예에 따른 광고 관련 동적 보상을 지원하는 서비스 제공 장치는 상기 광고 모델을 운영하는 서비스 서버와 통신망을 통해 통신하거나 해당 서비스 서버에 모듈로 포함되도록 구성되어 상기 서비스 서버에서 광고 모델을 통해 제공하는 광고 정보에 대해 동적 보상 및 유도 보상을 적용하여 광고를 수행할 수 있을 뿐 아니라 상기 서비스 서버나 광고 모델에 소프트웨어 형태로 설치 또는 삽입되어 동적 보상 및 유도 보상을 수행할 수도 있다.

본 명세서에 기술된 다양한 장치 및 구성부는 하드웨어 회로(예를 들어, CMOS 기반 로직 회로), 펌웨어, 소프트웨어 또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 전기적 구조의 형태로 트랜지스터, 로직게이트 및 전자회로를 활용하여 구현될 수 있다.

전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

10: 광고 관리 서버 100: 서비스 제공 장치
110: 광고 제공부 111: 매체 연동부
120: 활동 보상부 121: 제 1 강화 학습부
130: 유도 보상부 131: 제 2 강화 학습부
140: 최적화부

Claims

복수의 서로 다른 광고 관련 광고 정보를 저장하는 광고 관리 서버로부터 광고 정보를 수신하고, 상기 광고 정보를 사용자 단말로 전송하는 광고 제공부;
상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 전체 보상 금액을 갱신하고, 상기 갱신된 전체 보상 금액에 대응되어 광고 환경 관련 환경 정보를 산출하며, 상기 환경 정보가 개선되는 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 학습하여 상기 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 상기 학습을 기반으로 상기 복수의 매개 변수별로 산출된 최적값에 따라 상기 갱신된 전체 보상 금액 중 일부인 활동 보상 금액을 결정한 후 상기 활동 보상 금액을 사용자에 대응되어 지급하는 활동 보상부; 및
상기 사용자와 관련되어 상기 이벤트 관련 이벤트 정보 수집시마다 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성하고, 상기 특정 그룹에 대응되어 예상되는 광고 환경인 예상 환경 정보를 산출하며, 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하여 상기 학습을 기반으로 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하고, 상기 유도 보상 금액을 지급하기 위한 지급 조건을 상기 광고 제공부에서 제공하는 광고 정보에 설정하여 상기 사용자 단말로 전송하는 유도 보상부를 포함하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
청구항 1에 있어서,
상기 활동 보상부는 상기 광고 제공부와 연동하여 상기 사용자 단말에 전송되는 광고 정보별로 사용자의 활동에 따른 이벤트 발생시마다 상기 사용자 단말로부터 상기 이벤트 관련 이벤트 정보를 수신하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
청구항 1에 있어서,
상기 환경 정보는 미리 설정된 복수의 속성별 파라미터를 포함하고, 상기 복수의 속성은 유지율, 클릭율, 매출, 사용자 당 광고 노출수를 포함하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
청구항 1에 있어서,
상기 활동 보상부는
상기 이벤트 발생시 미리 설정된 제 1 수식에 따라 상기 갱신된 전체 보상 금액에 대응되는 상기 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 산출하고, 상기 복수의 매개 변수와 광고 환경 사이의 상관 관계가 학습된 제 1 딥러닝 알고리즘에 상기 갱신된 전체 보상 금액에 대응되어 산출된 전체 보상 횟수와 붕괴율을 적용하여 상기 광고 환경 관련 환경 정보를 산출하며, 상기 환경 정보가 개선되는 상기 복수의 매개 변수를 학습하는 제 1 강화학습 알고리즘 및 상기 제 1 딥러닝 알고리즘을 통해 상기 복수의 매개 변수별 최적값을 산출한 후 상기 광고 제공부를 통해 제공된 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 미리 설정된 제 2 수식에 상기 최적값을 적용하여 상기 전체 보상 금액 중 일부인 활동 보상 금액을 결정하여 지급하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
청구항 4에 있어서,
상기 제 1 수식은

이며,
R은 전체 보상 금액이고, T는 전체 보상 횟수이고, λ는 붕괴율이고, t는 광고를 시청한 횟수이며, N₀은 상수인 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
청구항 4에 있어서,
상기 활동 보상부는 상기 복수의 매개변수별 최적값을 결정한 이후 상기 제 2 수식인

에 따라 상기 이벤트가 발생한 특정 시점인 t_n에 지급해야 하는 활동 보상 금액인 r_n을 결정하는 것을 특징으로 하며, λ는 붕괴율이고, t는 광고를 시청한 횟수이며, N₀은 상수인 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
삭제
청구항 1에 있어서,
상기 유도 보상부는
미리 설정된 복수의 세그먼트와 상기 세그먼트에 대응되어 예상되는 상기 광고 환경 사이의 상관 관계가 학습된 미리 설정된 제 2 딥러닝 알고리즘에 상기 특정 그룹의 세그먼트별 설정값을 적용하여 상기 특정 그룹에 대응되어 예상되는 광고 환경인 상기 예상 환경 정보를 산출하며, 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하는 미리 설정된 제 2 강화학습 알고리즘 및 상기 제 2 딥러닝 알고리즘을 통해 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
청구항 1에 있어서,
상기 활동 보상부 및 유도 보상부와 연동하여 복수의 서로 다른 사용자에 대해 얻어진 전체 활동 보상 금액, 유도 보상 금액, 유도 보상 금액 관련 세그먼트를 제외한 상기 세그먼트별 설정값 및 상기 환경 정보를 미리 설정된 회귀 트리 모델에 적용하여 상기 환경 정보가 유사한 사용자들을 고유 그룹으로 그룹핑한 후 상기 고유 그룹을 대상으로 상기 전체 활동 보상 금액과 매출 사이의 관계에 대한 제 1 회귀식 및 상기 유도 보상 금액과 매출 사이의 관계에 대한 제 2 회귀식을 산출하고, 상기 제 1 회귀식 및 제 2 회귀식 각각에서 얻어지는 최대 수익이 상호 수렴하는 최적의 활동 보상 금액 및 최적의 유도 보상 금액을 상기 회귀 트리 모델을 통해 산출하여 상기 활동 보상부 및 유도 보상부에 설정하는 최적화부를 더 포함하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
청구항 9에 있어서,
상기 최적화부는 상기 활동 보상부 및 유도 보상부와 연동하여 상기 지급 조건의 만족에 따른 활동 보상 금액 및 유도 보상 금액 중 적어도 하나의 지급 필요시 상기 사용자에 대응되어 산출된 상기 최적의 활동 보상 금액 및 유도 보상 금액 중 적어도 하나가 지급되도록 하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 장치.
사용자 단말로 전송 대상인 광고 정보를 선택하여 할당하는 광고 관리 서버;
상기 사용자 단말에 할당된 광고 정보를 사용자 단말로 전송하고 상기 광고 정보에 대응되어 사용자 단말로부터 수신된 사용자의 광고 활동 관련 이벤트 정보를 기초로 사용자에게 지급하기 위한 리워드를 생성하여 사용자 단말의 사용자에 대응되어 적립하는 서비스 서버; 및
상기 광고 관리 서버 및 상기 서비스 서버와 연동하여 상기 사용자 단말에 전송 대상인 광고 정보를 상기 서비스 서버를 통해 상기 사용자 단말로 전송하고, 상기 서비스 서버로부터 상기 사용자 단말에서 상기 광고 정보에 대응되어 전송한 이벤트 정보를 수신하여 상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 상기 리워드 관련 전체 보상 금액을 갱신하고, 상기 갱신된 전체 보상 금액에 대응되어 광고 환경 관련 환경 정보를 산출하며, 상기 환경 정보가 개선되는 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 학습하여 상기 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 상기 학습을 기반으로 상기 복수의 매개 변수별로 산출된 최적값에 따라 상기 갱신된 전체 보상 금액 중 일부인 활동 보상 금액을 결정한 후 상기 활동 보상 금액을 사용자에 대응되어 지급하는 서비스 제공 장치를 포함하되,
상기 서비스 제공 장치는 상기 사용자와 관련되어 상기 이벤트 관련 이벤트 정보 수집시마다 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성하고, 상기 특정 그룹에 대응되어 예상되는 광고 환경인 예상 환경 정보를 산출하며, 상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하여 상기 학습을 기반으로 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하고, 상기 유도 보상 금액을 지급하기 위한 지급 조건을 상기 사용자 단말로 전송 대상인 상기 광고 정보에 설정하여 상기 사용자 단말로 전송하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 시스템.
삭제
사용자 단말로 광고 정보를 전송하는 서비스 제공 장치의 광고 관련 동적 보상을 지원하는 서비스 제공 방법에 있어서,
상기 사용자 단말에 전송되는 광고 정보에 대응되어 미리 설정된 매출 관련 이벤트 발생시 상기 사용자 단말의 사용자에게 지급되는 전체 보상 금액을 갱신하고 미리 설정된 제 1 수식에 따라 상기 갱신된 전체 보상 금액에 대응되는 전체 보상 횟수 및 붕괴율을 포함하는 복수의 매개 변수를 산출하는 단계;
상기 복수의 매개 변수와 광고 환경 사이의 상관 관계가 학습된 제 1 딥러닝 알고리즘에 상기 갱신된 전체 보상 금액에 대응되어 산출된 전체 보상 횟수와 붕괴율을 적용하여 상기 광고 환경 관련 환경 정보를 산출하는 단계; 및
상기 환경 정보가 개선되는 상기 복수의 매개 변수를 학습하는 제 1 강화학습 알고리즘 및 상기 제 1 딥러닝 알고리즘을 통해 상기 복수의 매개 변수별 최적값을 산출한 후 광고 제공부를 통해 제공된 광고 정보에 미리 설정된 지급 조건에 대응되는 이벤트 발생시 미리 설정된 제 2 수식에 상기 최적값을 적용하여 상기 전체 보상 금액 중 일부인 활동 보상 금액을 결정하여 지급하는 단계를 포함하되,
상기 사용자와 관련되어 상기 이벤트 관련 이벤트 정보 수집시마다 상기 사용자의 광고 전환 패턴을 분석한 후 상기 광고 전환 패턴이 유사한 하나 이상의 타 사용자와 상기 사용자를 그룹핑하여 특정 그룹을 생성하는 단계;
미리 설정된 복수의 세그먼트와 상기 세그먼트에 대응되어 예상되는 광고 환경 사이의 상관 관계가 학습된 미리 설정된 제 2 딥러닝 알고리즘에 상기 특정 그룹의 세그먼트별 설정값을 적용하여 상기 특정 그룹에 대응되어 예상되는 광고 환경인 예상 환경 정보를 산출하는 단계; 및
상기 예상 환경 정보가 개선되는 사용자의 활동 유도를 위한 유도 보상 금액을 학습하는 미리 설정된 제 2 강화학습 알고리즘 및 상기 제 2 딥러닝 알고리즘을 통해 비용당 예상 이득을 최대화하는 유도 보상 금액을 결정하고, 상기 유도 보상 금액을 지급하기 위한 지급 조건을 상기 광고 제공부에서 제공하는 광고 정보에 설정하여 상기 사용자 단말로 전송하는 단계를 더 포함하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 방법.
삭제
청구항 13에 있어서,
복수의 서로 다른 사용자에 대해 얻어진 전체 활동 보상 금액, 유도 보상 금액, 상기 세그먼트별 설정값 및 상기 환경 정보를 미리 설정된 회귀 트리 모델에 적용하여 상기 환경 정보가 유사한 사용자들을 고유 그룹으로 그룹핑한 후 상기 고유 그룹을 대상으로 상기 전체 활동 보상 금액과 매출 사이의 관계에 대한 제 1 회귀식 및 상기 유도 보상 금액과 매출 사이의 관계에 대한 제 2 회귀식을 산출하고, 상기 제 1 회귀식 및 제 2 회귀식 각각에서 얻어지는 최대 수익이 상호 수렴하는 최적의 활동 보상 금액 및 최적의 유도 보상 금액을 상기 회귀 트리 모델을 통해 산출하여 상기 지급 조건 만족시 상기 최적의 활동 보상 금액 및 최적의 유도 보상 금액 중 적어도 하나를 지급하는 단계
를 더 포함하는 것을 특징으로 하는 광고 관련 동적 보상을 지원하는 서비스 제공 방법.