KR102257550B1 - Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치 - Google Patents

Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치 Download PDF

Info

Publication number
KR102257550B1
KR102257550B1 KR1020200042435A KR20200042435A KR102257550B1 KR 102257550 B1 KR102257550 B1 KR 102257550B1 KR 1020200042435 A KR1020200042435 A KR 1020200042435A KR 20200042435 A KR20200042435 A KR 20200042435A KR 102257550 B1 KR102257550 B1 KR 102257550B1
Authority
KR
South Korea
Prior art keywords
elements
content
user
index
values
Prior art date
Application number
KR1020200042435A
Other languages
English (en)
Inventor
장시영
Original Assignee
주식회사 엘지유플러스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020200042435A priority Critical patent/KR102257550B1/ko
Application granted granted Critical
Publication of KR102257550B1 publication Critical patent/KR102257550B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4755—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user preferences, e.g. favourite actors or genre
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
    • H04N21/47202—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for requesting content on demand, e.g. video on demand

Abstract

VOD 가이드 채널(Video On Demand Guide Channel)에의 예고편 편성용 컨텐츠 선정 방법이 제공된다. 본 방법은, 본편시청확률 매트릭스 P를 설정하는 단계 - 상기 P는 원소들을 포함하고, 상기 P의 원소들은 사용자들이 컨텐츠들을 시청할 확률들을 나타냄 -, 상기 P가 사용자 별 특징들을 정의하는 고객특징정보 매트릭스 C 및 컨텐츠 별 특징들을 정의하는 컨텐츠특징정보 매트릭스 A의 곱으로 표현되도록 상기 C 및 상기 A를 설정하는 단계, 상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 기준으로 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 단계, 상기 P 및 상기 복수의 집합에 의해 정의되는 우도 함수(Likelihood Function: L)를 이용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 결정하는 단계, 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 단계, 및 상기 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠의 예고편을 편성하는 것으로 결정하는 단계를 포함할 수 있다.

Description

VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치{Method and Apparatus for Content Selection for Trailer Compilation in a Video on Demand Guide Channel}
본 발명은 VOD(Video On Demand) 컨텐츠 관련의 정보 처리 기술에 관한 것이다.
근래에 들어 인터넷(Internet)의 활용이 일상화됨에 따라 홈 네트워크 시대가 도래하였다. 이러한 홈 네트워크를 실현한 구체적인 한 예로서 IPTV(Internet Protocol Television) 서비스를 들 수 있다. IPTV 서비스는 인터넷을 이용하여 제공되는 양방향 TV 서비스로서, 인터넷에 연결된 셋탑박스(set-top box)를 이용하여 실시간 방송을 시청하거나 컨텐츠 제공 서비스 사업자가 운용하는 컨텐츠 제공 서버와 연결하여 VOD 컨텐츠를 시청할 수 있도록 한 서비스이다. 사업자가 사용자에게 VOD 서비스를 제공함에 있어서 통상 VOD 가이드 채널(guide channel) 또는 프리뷰 채널(preview channel)이라 불리는 한 채널을 할당하여 몇몇 컨텐츠들의 예고편들을 시청할 수 있도록 하고 있다. 사용자들의 입장에서는 VOD 서비스에 의해 어떤 VOD 컨텐츠가 제공되고 있는지 인지하지 못하여 해당 컨텐츠를 구매하여 시청하지 못하는 것일 수 있으므로, 사용자들이 가이드 채널을 통해 가능한 한 많은 컨텐츠들의 예고편들을 접할 수 있도록 하는 것이 바람직하다.
본 발명의 과제는 고객 개개인 별로 해당 고객이 선호할 만한 적어도 하나의 VOD 컨텐츠를 선정하여 그 예고편을 가이드 채널에 편성할 수 있도록 함으로써 고객의 컨텐츠 소비량을 증대할 수 있도록 한, VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
일 측면에서, VOD 가이드 채널(Video On Demand Guide Channel)에의 예고편 편성용 컨텐츠 선정 방법이 제공된다. 본 방법은, 본편시청확률 매트릭스 P를 설정하는 단계 - 상기 P는 원소들을 포함하고, 상기 P의 원소들은 사용자들이 컨텐츠들을 시청할 확률들을 나타냄 -, 상기 P가 사용자 별 특징들을 정의하는 고객특징정보 매트릭스 C 및 컨텐츠 별 특징들을 정의하는 컨텐츠특징정보 매트릭스 A의 곱으로 표현되도록 상기 C 및 상기 A를 설정하는 단계, 상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 기준으로 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 단계, 상기 P 및 상기 복수의 집합에 의해 정의되는 우도 함수(Likelihood Function: L)를 이용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 결정하는 단계, 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 단계, 및 상기 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠의 예고편을 편성하는 것으로 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 기준으로 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 단계는, 예고편시청여부 매트릭스 T 및 본편시청여부 매트릭스 O에 관한 데이터를 참조하여 상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 판단하는 단계를 포함한다.
일 실시예에서, 상기 T의 행들의 수는 상기 사용자들의 수와 같고, 상기 T의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 T의 원소들은 ti,j로 나타내고, 상기 T의 원소 ti,j는 i번째 사용자가 j번째 컨텐츠의 예고편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이다.
일 실시예에서, 상기 O의 행들의 수는 상기 사용자들의 수와 같고, 상기 O의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 O의 원소들은 oi,j로 나타내고, 상기 O의 원소 oi,j는 i번째 사용자가 j번째 컨텐츠의 본편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이다.
일 실시예에서, 상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 기준으로 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 단계는, 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 구성하는 단계를 포함하고, 상기 집합(S11)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고, 상기 집합(S12)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타내고, 상기 집합(S21)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고, 상기 집합(S22)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타낸다.
일 실시예에서, 상기 우도 함수 L은 아래의 식
Figure 112020036282669-pat00001
에 따라 정의되고, 상기 i는 사용자 인덱스이고 상기 j는 컨텐츠 인덱스이다.
일 실시예에서, 상기 C의 행들의 개수는 상기 사용자들의 수와 같고, 상기 C의 열들의 수는 특징들(features)의 개수와 같고, 상기 C의 원소들은 ci,j로 나타내고, 상기 A의 행들의 개수는 상기 특징들의 개수와 같고, 상기 A의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 A의 원소들은 ai,j로 나타내며, 상기 우도 함수 L은 ci,j 및 ai,j의 함수이다.
일 실시예에서, 상기 P 및 상기 복수의 집합에 의해 정의되는 우도 함수(Likelihood Function: L)를 이용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 결정하는 단계는, 상기 우도 함수 L이 최대값에 근접하도록 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 단계를 포함한다.
일 실시예에서, 상기 우도 함수 L이 최대값에 근접하도록 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 단계는, 상기 우도 함수 L에 경사하강법(Gradient Descent Algorithm)을 적용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 단계를 포함한다.
일 실시예에서, 상기 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 구성하는 단계는, 상기 구성된 집합(S22)에서 선정된 개수의 쌍들만을 선택하여 상기 집합(S22)을 갱신하는 단계를 포함한다.
일 실시예에서, 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 단계는, 상기 C와 상기 A를 곱하여 상기 P의 원소들의 값들을 산출하는 단계를 포함한다.
일 실시예에서, 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 단계는, 상기 산출된 P의 원소들의 값들에 대해 보정을 수행하는 단계를 포함한다.
일 실시예에서, 상기 산출된 P의 원소들의 값들에 대해 보정을 수행하는 단계는, 상기 산출된 P의 원소의 값이 음수인 경우 0으로 보정하고 상기 산출된 P의 원소의 값이 1을 초과하는 경우 1로 보정하는 단계를 포함한다.
일 실시예에서, 상기 P의 행들의 수는 상기 사용자들의 수와 같고, 상기 P의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 P의 원소들은 pi,j로 나타내고, 상기 P의 원소 pi,j는 i번째 사용자가 j번째 컨텐츠를 시청할 확률을 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이고, 상기 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠의 예고편을 편성하는 것으로 결정하는 단계는, 상기 P의 원소 pi,j의 값이 선정된 임계값 이상인 경우 i번째 사용자를 위한 VOD 가이드 채널에 j번째 컨텐츠의 예고편을 편성하는 것으로 결정하는 단계를 포함한다.
다른 측면에서, VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정을 위한 장치가 제공된다. 본 장치는, 사용자들이 컨텐츠들의 예고편들 및 본편들을 시청하였는지의 여부를 나타내는 사용자 데이터를 저장하는 데이터베이스부, 및 상기 데이터베이스부에 통신 가능하게 결합된 프로세싱 엔진을 포함할 수 있다. 상기 프로세싱 엔진은, (i) 본편시청확률 매트릭스 P를 설정하는 동작 - 상기 P는 원소들을 포함하고, 상기 P의 원소들은 상기 사용자들이 상기 컨텐츠들을 시청할 확률들을 나타냄 -, (ii) 상기 P가 사용자 별 특징들을 정의하는 고객특징정보 매트릭스 C 및 컨텐츠 별 특징들을 정의하는 컨텐츠특징정보 매트릭스 A의 곱으로 표현되도록 상기 C 및 상기 A를 설정하는 동작, (iii) 상기 사용자 데이터에 기초하여 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 동작, (iv) 상기 P 및 상기 복수의 집합에 의해 정의되는 우도 함수(Likelihood Function: L)를 이용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 결정하는 동작, (v) 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 동작, 및 (vi) 상기 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠의 예고편을 편성하는 것으로 결정하는 동작을 수행하도록 구성될 수 있다.
일 실시예에서, 상기 사용자 데이터는 예고편시청여부 매트릭스 T 및 본편시청여부 매트릭스 O에 관한 데이터를 포함한다.
일 실시예에서, 상기 T의 행들의 수는 상기 사용자들의 수와 같고, 상기 T의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 T의 원소들은 ti,j로 나타내고, 상기 T의 원소 ti,j는 i번째 사용자가 j번째 컨텐츠의 예고편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이다.
일 실시예에서, 상기 O의 행들의 수는 상기 사용자들의 수와 같고, 상기 O의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 O의 원소들은 oi,j로 나타내고, 상기 O의 원소 oi,j는 i번째 사용자가 j번째 컨텐츠의 본편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이다.
일 실시예에서, 상기 프로세싱 엔진은 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 상기 복수의 집합으로서 구성하는 동작을 수행하도록 더 구성되고, 상기 집합(S11)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고, 상기 집합(S12)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타내고, 상기 집합(S21)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고, 상기 집합(S22)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타낸다.
일 실시예에서, 상기 우도 함수 L은 아래의 식
Figure 112020036282669-pat00002
에 따라 정의되고, 상기 i는 사용자 인덱스이고 상기 j는 컨텐츠 인덱스이다.
일 실시예에서, 상기 C의 행들의 개수는 상기 사용자들의 수와 같고, 상기 C의 열들의 수는 특징들(features)의 개수와 같고, 상기 C의 원소들은 ci,j로 나타내고, 상기 A의 행들의 개수는 상기 특징들의 개수와 같고, 상기 A의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 A의 원소들은 ai,j로 나타내며, 상기 우도 함수 L은 ci,j 및 ai,j의 함수이다.
일 실시예에서, 상기 프로세싱 엔진은, 상기 우도 함수 L이 최대값에 근접하도록 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 동작을 수행하도록 더 구성된다.
일 실시예에서, 상기 프로세싱 엔진은, 상기 우도 함수 L에 경사하강법(Gradient Descent Algorithm)을 적용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 동작을 수행하도록 더 구성된다.
일 실시예에서, 상기 프로세싱 엔진은, 상기 구성된 집합(S22)에서 선정된 개수의 쌍들만을 선택하여 상기 집합(S22)을 갱신하는 동작을 수행하도록 더 구성된다.
일 실시예에서, 상기 프로세싱 엔진은, 상기 C와 상기 A를 곱하여 상기 P의 원소들의 값들을 산출하는 동작을 수행하도록 더 구성된다.
일 실시예에서, 상기 프로세싱 엔진은, 상기 산출된 P의 원소들의 값들에 대해 보정을 수행하는 동작을 수행하도록 더 구성된다.
일 실시예에서, 상기 프로세싱 엔진은, 상기 산출된 P의 원소의 값이 음수인 경우 0으로 보정하고 상기 산출된 P의 원소의 값이 1을 초과하는 경우 1로 보정하는 동작을 수행하도록 더 구성된다.
일 실시예에서, 상기 P의 행들의 수는 상기 사용자들의 수와 같고, 상기 P의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 P의 원소들은 pi,j로 나타내고, 상기 P의 원소 pi,j는 i번째 사용자가 j번째 컨텐츠를 시청할 확률을 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이고, 상기 프로세싱 엔진은, 상기 P의 원소 pi,j의 값이 선정된 임계값 이상인 경우 i번째 사용자를 위한 VOD 가이드 채널에 j번째 컨텐츠의 예고편을 편성하는 것으로 결정하는 동작을 수행하도록 더 구성된다.
또 다른 측면에서, 프로그램을 기록한 컴퓨터 판독가능 기록매체가 제공된다. 여기서 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 상기 방법을 수행한다.
본 발명의 실시예들에 따르면, 고객 개개인 별로 해당 고객이 선호할 만한 적어도 하나의 VOD 컨텐츠를 선정하여 그 예고편을 가이드 채널에 편성할 수 있도록 함으로써 고객의 컨텐츠 소비량을 증대할 수 있는 기술적 효과가 있다.
도 1은 VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정을 위한 장치의 블록도의 일 실시예를 도시한 도면이다.
도 2는 예고편시청여부 매트릭스 T의 일 실시예를 도시한 도면이다.
도 3은 본편시청여부 매트릭스 O의 일 실시예를 도시한 도면이다.
도 4는 본편시청확률 매트릭스 P, 고객특징정보 매트릭스 C 및 컨텐츠특징정보 매트릭스 A를 설정하는 방식을 예시하기 위한 도면이다.
도 5는 산출된 원소 값들을 갖는 본편시청확률 매트릭스 P의 일 실시예를 도시한 도면이다.
도 6은 VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법을 설명하기 위한 흐름도의 일 실시예를 도시한 도면이다.
본 발명의 이점들과 특징들 그리고 이들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해 질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 본 실시예들은 단지 본 발명의 개시가 완전하도록 하며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려 주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도에서 사용된 것이 아니다. 예를 들어, 단수로 표현된 구성 요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성 요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 발명의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성이 배제되는 것은 아니다. 또한, 본 명세서에 기재된 실시예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미할 수 있다.
덧붙여, 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 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 발명의 명세서에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 보다 상세히 설명한다. 다만, 이하의 설명에서는 본 발명의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
도 1은 VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정을 위한 장치의 블록도의 일 실시예를 도시한 도면이다.
도 1의 예고편 편성용 컨텐츠 선정을 위한 장치(100)는 IPTV 서비스 사업자가 운용하는, 하나 이상의 위치에 설치되는 하나 이상의 서버 컴퓨터에서 실행되는 컴퓨터 프로그램들로서 구현되는 시스템의 일 예일 수 있다. 도 1에 도시된 바와 같이, 장치(100)는 데이터베이스부(110) 및 데이터베이스부(110)에 통신 가능하게 결합된 프로세싱 엔진(120)을 포함할 수 있다. 데이터베이스부(110)는 사용자 데이터를 저장할 수 있다. 사용자 데이터는 예고편시청여부 매트릭스(matrix) T 및 본편시청여부 매트릭스 O에 관한 데이터를 포함할 수 있다. 매트릭스 T의 행들(rows)의 수는, 예컨대 IPTV 서비스 사업자가 제공하는 VOD 서비스에 가입한 사용자들의 수(n)와 같고, 매트릭스 T의 열들(columns)의 수는 IPTV 서비스 사업자가 사용자들에게 요청 기반으로 제공하는 컨텐츠들의 총 개수(m)와 같다. 매트릭스 T의 원소들은 ti,j로 나타내고, 매트릭스 T의 원소 ti,j는 i번째 사용자가 j번째 컨텐츠의 예고편을 시청하였는지의 여부를 나타낸다. 여기서 i는 1 이상이고 사용자들의 수(n) 이하인 자연수이고, j는 1 이상이고 컨텐츠들의 개수(m) 이하인 자연수이다. 매트릭스 T의 일 실시예를 도시한 도면인 도 2를 참조하면, t1,1은 1이고 t2,3은 0이므로 첫 번째 사용자가 첫 번째 컨텐츠의 예고편을 시청한 이력이 있고, 두 번째 사용자가 세 번째 컨텐츠의 예고편을 시청한 이력이 없음을 나타낸다. 매트릭스 O의 행들의 수는 사용자들의 수(n)와 같고, 매트릭스 O의 열들의 수는 컨텐츠들의 총 개수(m)와 같다. 매트릭스 O의 원소들은 oi,j로 나타내고, 매트릭스 O의 원소 oi,j는 i번째 사용자가 j번째 컨텐츠의 본편을 시청하였는지의 여부를 나타낸다. 매트릭스 O의 일 실시예를 도시한 도면인 도 3을 참조하면, o3,1은 1이고 o1,3은 0이므로 세 번째 사용자가 첫 번째 컨텐츠의 본편을 시청한 이력이 있고, 첫 번째 사용자가 세 번째 컨텐츠의 본편을 시청한 이력이 없음을 나타낸다. 이상으로 설명한 매트릭스 T 및 매트릭스 O의 각각에 관한 데이터는 프로그래밍적 관점에서 2차원 어레이(2-dimensional array)를 선언하고 그 요소들에 해당 매트릭스의 원소들의 값들을 저장함으로써 저장될 수 있으나, 매트릭스 T 및 매트릭스 O에 관한 데이터를 저장하는 방식이 이에 한정되는 것이 아님을 인식하여야 한다.
데이터베이스부(110)는 프로세싱 엔진(120)을 구현하기 위해 필요한 소프트웨어/펌웨어를 더 저장할 수 있다. 데이터베이스부(110)는, 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드(MultiMedia Card: MMC), 카드 타입의 메모리(예를 들어, SD(Secure Digital) 카드 또는 XD(eXtream Digital) 카드 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크 및 광 디스크 중 어느 하나의 저장 매체로 구현될 수 있으나, 당업자라면 데이터베이스부(110)의 구현 형태가 이에 한정되는 것이 아님을 알 수 있을 것이다.
프로세싱 엔진(120)은 본편시청확률 매트릭스 P, 고객특징정보 매트릭스 C 및 컨텐츠특징정보 매트릭스 A를 설정하는 동작을 수행하도록 구성될 수 있다. 도 4에는 본편시청확률 매트릭스 P, 고객특징정보 매트릭스 C 및 컨텐츠특징정보 매트릭스 A를 설정하는 방식을 예시하기 위한 도면이 도시되어 있다. 도 4에 도시된 바와 같이, 매트릭스 P의 행들의 수는 사용자들의 수(n)와 같고, 매트릭스 P의 열들의 수는 컨텐츠들의 개수(m)와 같다. 매트릭스 P의 원소들은 pi,j로 나타내고, 매트릭스 P의 원소 pi,j는 i번째 사용자가 j번째 컨텐츠를 시청할 확률(본편 시청 확률)을 나타낸다. 본 개시에서는 사용자 데이터를 이용하여 본편 시청 확률들, 즉 매트릭스 P의 원소들 pi,j의 값들을 예측하고 이에 기반하여 사용자 개개인 별로 VOD 가이드 채널에 예고편을 편성할 컨텐츠를 선정한다. 프로세싱 엔진(120)은 매트릭스 P가 사용자 별 특징들(features)을 정의하는 고객특징정보 매트릭스 C 및 컨텐츠 별 특징들을 정의하는 컨텐츠특징정보 매트릭스 A의 곱으로 표현되도록 매트릭스 C 및 매트릭스 A를 설정하도록 구성될 수 있다. 일 실시예에서, 매트릭스 P는 매트릭스 팩토라이제이션 기법(matrix factorization technique)에 의해 매트릭스 C 및 매트릭스 A로 분리될 수 있다. 본편시청확률 매트릭스 P를 고객특징정보 매트릭스 C와 컨텐츠특징정보 매트릭스 A로 분리하는 이유는, 사용자 별 특징들과 컨텐츠 별 특징들을 분리하여 수치화함으로써 서로 유사한 특징들을 갖는 사용자들은 컨텐츠들에 대한 선호 경향이 유사하게 되고 서로 유사한 특징들을 갖는 컨텐츠들은 동일한 사용자를 기준으로 할 때 선호되는 경향이 유사하게 되는 방향으로 본편 시청 확률들 pi,j를 결정할 수 있도록 하기 위함이다. 매트릭스 C의 행들의 개수는 사용자들의 수(n)와 같고, 매트릭스 C의 열들의 수는 특징들의 개수(k)와 같고, 매트릭스 C의 원소들은 ci,j로 나타낸다. 매트릭스 A의 행들의 개수는 특징들의 개수(k)와 같고, 매트릭스 A의 열들의 수는 컨텐츠들의 개수(m)와 같고, 매트릭스 A의 원소들은 ai,j로 나타낸다. 특징들의 개수(k)가 클수록 매트릭스 P의 원소들 pi,j의 예측값들의 정확도가 높아지겠지만 이 경우 프로세싱 엔진(120)의 처리 부하가 그 만큼 높아지므로, 정확도와 처리 부하 간에서 절충을 이루는 선에서 특징들의 개수(k)를 정할 수 있다. 이상으로 설명한 매트릭스 P, 매트릭스 C 및 매트릭스 A의 각각은 프로그래밍적 관점에서 2차원 어레이를 선언함으로써 설정될 수 있으나, 이들을 설정하는 방식이 이에 한정되는 것이 아님을 인식하여야 한다.
프로세싱 엔진(120)은 사용자 데이터에 기초하여 사용자 인덱스(user index) 및 컨텐츠 인덱스(content index)의 쌍들을 원소로 포함하는 서로 다른 복수의 집합을 구성하는 동작을 수행하도록 더 구성될 수 있다. 일 실시예에서, 서로 다른 복수의 집합은 4개의 집합인 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 포함한다. 4개의 집합으로의 사용자 인덱스 및 컨텐츠 인덱스의 쌍들의 할당은 예고편시청여부 매트릭스(matrix) T 및 본편시청여부 매트릭스 O에 관한 데이터를 참조로 하여 사용자들의 각각이 각 컨텐츠의 예고편을 시청하였는지의 여부와 그 본편을 시청하였는지의 여부를 판단하고 이를 바탕으로 이루어질 수 있다. 특정 사용자가 특정 컨텐츠의 예고편을 시청하고 그 본편을 시청하였다면 해당 특정 사용자의 사용자 인덱스 및 해당 특정 컨텐츠의 컨텐츠 인덱스의 쌍은 집합(S11)에 할당된다. 따라서, 집합(S11)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타낸다. 특정 사용자가 특정 컨텐츠의 예고편을 시청하고 그 본편을 시청하지 않았다면 해당 특정 사용자의 사용자 인덱스 및 해당 특정 컨텐츠의 컨텐츠 인덱스의 쌍은 집합(S12)에 할당된다. 따라서, 집합(S12)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타낸다. 특정 사용자가 특정 컨텐츠의 예고편을 시청하지 않고 그 본편을 시청하였다면 해당 특정 사용자의 사용자 인덱스 및 해당 특정 컨텐츠의 컨텐츠 인덱스의 쌍은 집합(S21)에 할당된다. 따라서, 집합(S21)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타낸다. 특정 사용자가 특정 컨텐츠의 예고편을 시청하지 않고 그 본편을 시청하지 않았다면 해당 특정 사용자의 사용자 인덱스 및 해당 특정 컨텐츠의 컨텐츠 인덱스의 쌍은 집합(S22)에 할당된다. 따라서, 집합(S22)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타낸다. 도 2의 매트릭스 T와 도 3의 매트릭스 O를 다시 참조하여 예를 들어 보면, 사용자 3은 컨텐츠 3의 예고편과 본편을 모두 시청하였으므로 집합(S11)에는 원소 (3, 3)이 포함된다. 다른 예를 들어 보면, 사용자 1은 컨텐츠 2의 예고편을 시청하였으나 그 본편을 시청하지 않았으므로 집합(S12)에는 원소 (1, 2)가 포함된다. 샘플 사용자 데이터를 통계적으로 분석해 본 결과 예고편을 시청하지 않고 본편도 시청하지 않은 경우가 상당히 많으므로 집합(S22)의 원소들의 개수가 가장 많을 것으로 예측된다.
프로세싱 엔진(120)은 매트릭스 P의 원소들, 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)에 의해 정의되는 우도 함수(Likelihood Function: L)를 설정하는 동작을 수행하도록 더 구성될 수 있다. 일 실시예에서, 우도 함수 L은 아래의 수학식 1에 따라 설정될 수 있다.
Figure 112020036282669-pat00003
여기서, i는 사용자 인덱스를 나타내고, j는 컨텐츠 인덱스를 나타낸다.
위 수학식 1에서 집합(S11)에 속하는 사용자 인덱스 및 컨텐츠 인덱스의 쌍 (i, j)의 경우 pi,j를 곱하고 나머지 집합들(S12, S21 및 S22)에 속하는 사용자 인덱스 및 컨텐츠 인덱스의 쌍 (i, j)의 경우 (1 - pi,j)를 곱하여 우도 함수 L을 설정하는 이유는, 예고편을 시청하고 본편을 시청한 경우에는 이를 우도 함수 L에 긍정적으로 반영하고 나머지의 경우는 부정적으로 반영하기 위함이다. 우도 함수 L은 pi,j의 함수이고 pi,j는 ci,j 및 ai,j의 함수이므로, 우도 함수 L도 ci,j 및 ai,j의 함수일 수 있다. 프로세싱 엔진(120)은, 집합(S22)의 원소들이 다른 집합들의 원소들에 비해 많다는 점을 감안하여, 프로세싱 엔진(120)이 우도 함수 L을 설정하거나 처리하는데 소요되는 처리 시간을 줄이기 위하여 집합(S22)에서 선정된 개수의 쌍들만을 선택하여 집합(S22)을 갱신하는 동작을 수행하도록 더 구성될 수 있다. 일 실시예에서, 프로세싱 엔진(120)은 집합(S22)을 갱신하기 위하여 집합(S22)의 원소들을 무작위로 샘플링할 수 있다.
프로세싱 엔진(120)은 우도 함수 L을 이용하여 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 결정하는 동작을 수행하도록 더 구성될 수 있다. 프로세싱 엔진(120)은 우도 함수 L이 최대값에 근접하도록 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 학습에 의하여 결정할 수 있다. 프로세싱 엔진(120)은 우도 함수 L이 최대값에 근접하도록 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 학습에 의해 복수 회 갱신하도록 구성될 수 있다. 일 실시예에서, 프로세싱 엔진(120)은 우도 함수 L에 경사하강법(Gradient Descent Algorithm)을 적용하여 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 복수 회 갱신하는 동작을 수행하도록 구성될 수 있다. 일 실시예에서, 프로세싱 엔진(120)은 경사하강법을 적용하기에 적합한 방식으로 매트릭스 C의 원소들의 초기 값들과 매트릭스 A의 원소들의 초기 값들을 설정하도록 구성될 수 있다. 우도 함수 L에 경사하강법을 적용하여 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 갱신함에 있어 많은 횟수로 갱신을 반복(iteration)하면 우도 함수 L이 그 만큼 최대값에 가까워지므로 매트릭스 C의 원소들의 값들과 매트릭스 A의 원소들의 값들이 정확해지기는 하나, 너무 많은 횟수로 갱신을 반복하면 프로세싱 엔진(120)에 부하가 걸릴 수 있으므로 선정된 횟수로 반복 횟수를 제한하거나 처리 시간에 타임 아웃을 거는 방식으로 프로세싱 엔진(120)에 걸리는 부하를 줄일 수 있다.
프로세싱 엔진(120)은 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 이용하여 매트릭스 P의 원소들의 값들을 산출하는 동작을 수행할 수 있다. 이를 위해 프로세싱 엔진(120)은 매트릭스 C와 매트릭스 A를 곱하여 매트릭스 P의 원소들의 값들을 산출할 수 있다. 일 실시예에서, 프로세싱 엔진(120)은 산출된 매트릭스 P의 원소들의 값들에 대해 보정을 수행하는 동작을 수행하도록 더 구성될 수 있다. 이러한 실시예의 경우 프로세싱 엔진(120)은 산출된 P의 원소의 값이 음수인 경우 0으로 보정하고 산출된 P의 원소의 값이 1을 초과하는 경우 1로 보정하는 동작을 수행한다. 프로세싱 엔진(120)은 매트릭스 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠에 대한 예고편을 편성하는 것으로 결정하는 동작을 수행하도록 더 구성될 수 있다. 프로세싱 엔진(120)은 매트릭스 P의 원소 pi,j의 값이 선정된 임계값 이상인 경우 i번째 사용자를 위한 VOD 가이드 채널에 j번째 컨텐츠에 대한 예고편을 편성하는 것으로 결정하는 동작을 수행하도록 더 구성될 수 있다. 산출된 원소 값들을 갖는 매트릭스 P의 일 실시예를 도시한 도 5를 참조하여 예를 들어 보면, 선정된 임계값이 0.5라 가정하는 경우, p1,1, p1,2, p2,2 및 p3,1이 각각 0.67, 0.73, 0.95 및 0.09이므로, 프로세싱 엔진(120)은 첫 번째 사용자를 위한 VOD 가이드 채널에 첫 번째 및 두 번째 컨텐츠들에 대한 예고편들을 편성하는 것으로 결정하고, 두 번째 사용자를 위한 VOD 가이드 채널에 두 번째 컨텐츠에 대한 예고편을 편성하는 것으로 결정하고, 세 번째 사용자를 위한 VOD 가이드 채널에 첫 번째 컨텐츠에 대한 예고편은 편성하지 않는 것으로 결정할 수 있다.
프로세싱 엔진(120)은, 응용 주문형 집적 회로(Application Specific Integrated Circuits: ASICs), 디지털 신호 처리기(Digital Signal Processors: DSPs), 디지털 신호 처리 소자(Digital Signal Processing Devices: DSPDs), 프로그램 가능 논리 소자(Programmable Logic Devices: PLDs), 현장 프로그램 가능 게이트 어레이(Field-Programmable Gate Arrays: FPGAs), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers) 및 마이크로 프로세서(microprocessors) 중 적어도 하나에 기반한 하드웨어 플랫폼(hardware platform)으로서 구현될 수 있다. 프로세싱 엔진(120)은 또한 전술한 하드웨어 플랫폼 상에서 실행 가능한 펌웨어(firmware)/소프트웨어 모듈로 구현될 수 있다. 이 경우, 소프트웨어 모듈은 적절한 프로그램(program) 언어로 쓰여진 소프트웨어 애플리케이션(application)에 의해 구현될 수 있다.
도 6은 VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법을 설명하기 위한 흐름도의 일 실시예를 도시한 도면이다.
본 VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법은 본편시청확률 매트릭스 P를 설정하는 단계(S605)로부터 시작된다. 전술한 바와 같이, 매트릭스 P의 원소들은 pi,j로 나타내고, 매트릭스 P의 원소 pi,j는 i번째 사용자가 j번째 컨텐츠를 시청할 확률을 나타낸다. 단계(S610)에서는 매트릭스 P가 사용자 별 특징들을 정의하는 고객특징정보 매트릭스 C 및 컨텐츠 별 특징들을 정의하는 컨텐츠특징정보 매트릭스 A의 곱으로 표현되도록 매트릭스 C 및 매트릭스 A를 설정한다. 전술한 바와 같이, 매트릭스 C의 행들의 개수는 사용자들의 수(n)와 같고, 매트릭스 C의 열들의 수는 특징들의 개수(k)와 같고, 매트릭스 A의 행들의 개수는 특징들의 개수(k)와 같고, 매트릭스 A의 열들의 수는 컨텐츠들의 개수(m)와 같다. 단계(S615)에서는 사용자 데이터를 이용하여 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성한다. 사용자 데이터는 예고편시청여부 매트릭스 T 및 본편시청여부 매트릭스 O에 관한 데이터를 포함할 수 있다. 전술한 바와 같이, 매트릭스 T의 행들의 수는 사용자들의 수(n)와 같고, 매트릭스 T의 열들의 수는 컨텐츠들의 개수(m)와 같고, 매트릭스 T의 원소 ti,j는 i번째 사용자가 j번째 컨텐츠의 예고편을 시청하였는지의 여부를 나타낸다. 매트릭스 O의 행들의 수는 사용자들의 수(n)와 같고, 매트릭스 O의 열들의 수는 컨텐츠들의 개수(m)와 같고, 매트릭스 O의 원소 oi,j는 i번째 사용자가 j번째 컨텐츠의 본편을 시청하였는지의 여부를 나타낸다. 또한 전술한 바와 같이, 서로 다른 복수의 집합은 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 포함한다. 집합(S11)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타낸다. 집합(S12)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타낸다. 집합(S21)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타낸다. 집합(S22)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 해당 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 해당 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타낸다.
단계(S620)에서는 매트릭스 P의 원소들 및 집합들(S11, S12, S21 및 S22)에 의해 정의되는 우도 함수 L을 이용하여 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 결정한다. 일 실시예에서, 우도 함수 L은 전술한 수학식 1에 따라 결정된다. 우도 함수 L은 매트릭스 C의 원소들 및 매트릭스 A의 원소들의 함수일 수 있다. 본 단계에서는 우도 함수 L이 최대값에 근접하도록 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 복수 회 갱신한다. 본 단계에서는 우도 함수 L에 경사하강법을 적용하여 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 복수 회 갱신할 수 있다. 본 단계에서는 또한 집합(S22)에서 선정된 개수의 쌍들만을 선택하여 집합(S22)를 갱신하고 갱신된 집합(S22)를 적용하여 우도 함수 L을 정의하고 이렇게 정의된 우도 함수 L에 기초하여 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 산출할 수 있다. 단계(S625)에서는 매트릭스 C의 원소들의 값들 및 매트릭스 A의 원소들의 값들을 이용하여 매트릭스 P의 원소들의 값들을 산출한다. 본 단계에서는 매트릭스 C와 매트릭스 A를 곱하여 매트릭스 P의 원소들의 값들을 산출할 수 있다. 또한 본 단계에서는 산출된 매트릭스 P의 원소들의 값들에 대해 보정을 수행할 수 있다. 산출된 매트릭스 P의 원소의 값이 음수인 경우 0으로 변경하고 산출된 매트릭스 P의 원소의 값이 1을 초과하는 경우 1로 변경함으로써 보정을 수행할 수 있다. 단계(S630)에서는 매트릭스 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠에 대한 예고편을 편성하는 것으로 결정한다. 본 단계에서는 매트릭스 P의 원소 pi,j의 값이 선정된 임계값 이상인 경우 i번째 사용자를 위한 VOD 가이드 채널에 j번째 컨텐츠에 대한 예고편을 편성하는 것으로 결정할 수 있다.
이상의 설명에 있어서 어떤 구성 요소가 다른 구성 요소에 접속되거나 결합된다는 기재의 의미는 당해 구성 요소가 그 다른 구성 요소에 직접적으로 접속되거나 결합된다는 의미뿐만 아니라 이들이 그 사이에 개재된 하나 또는 그 이상의 타 구성 요소를 통해 접속되거나 결합될 수 있다는 의미를 포함하는 것으로 이해되어야 한다. 이외에도 구성 요소들 간의 관계를 기술하기 위한 용어들(예컨대, '간에', '사이에' 등)도 유사한 의미로 해석되어야 한다.
본원에 개시된 실시예들에 있어서, 도시된 구성 요소들의 배치는 발명이 구현되는 환경 또는 요구 사항에 따라 달라질 수 있다. 예컨대, 일부 구성 요소가 생략되거나 몇몇 구성 요소들이 통합되어 하나로 실시될 수 있다. 또한 일부 구성 요소들의 배치 순서 및 연결이 변경될 수 있다.
이상에서는 본 발명의 다양한 실시예들에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예들에 한정되지 아니하며, 상술한 실시예들은 첨부하는 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변형 실시될 수 있음은 물론이고, 이러한 변형 실시예들이 본 발명의 기술적 사상이나 범위와 별개로 이해되어져서는 아니 될 것이다. 따라서, 본 발명의 기술적 범위는 오직 첨부된 특허청구범위에 의해서만 정해져야 할 것이다.
100: VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정을 위한 장치
110: 데이터베이스부
120: 프로세싱 엔진
T: 예고편시청여부 매트릭스
O: 본편시청여부 매트릭스
P: 본편시청확률 매트릭스
C: 고객특징정보 매트릭스
A: 컨텐츠특징정보 매트릭스

Claims (29)

  1. VOD 가이드 채널(Video On Demand Guide Channel)에의 예고편 편성용 컨텐츠 선정 방법으로서,
    본편시청확률 매트릭스 P를 설정하는 단계 - 상기 P는 원소들을 포함하고, 상기 P의 원소들은 사용자들이 컨텐츠들을 시청할 확률들을 나타냄 -,
    상기 P가 사용자 별 특징들을 정의하는 고객특징정보 매트릭스 C 및 컨텐츠 별 특징들을 정의하는 컨텐츠특징정보 매트릭스 A의 곱으로 표현되도록 상기 C 및 상기 A를 설정하는 단계,
    상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 기준으로 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 단계,
    상기 P 및 상기 복수의 집합에 의해 정의되는 우도 함수(Likelihood Function: L)를 이용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 결정하는 단계,
    상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 단계, 및
    상기 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠의 예고편을 편성하는 것으로 결정하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  2. 제1항에 있어서,
    상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 기준으로 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 단계는, 예고편시청여부 매트릭스 T 및 본편시청여부 매트릭스 O에 관한 데이터를 참조하여 상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 판단하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  3. 제2항에 있어서,
    상기 T의 행들의 수는 상기 사용자들의 수와 같고, 상기 T의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 T의 원소들은 ti,j로 나타내고, 상기 T의 원소 ti,j는 i번째 사용자가 j번째 컨텐츠의 예고편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하인, 예고편 편성용 컨텐츠 선정 방법.
  4. 제2항에 있어서,
    상기 O의 행들의 수는 상기 사용자들의 수와 같고, 상기 O의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 O의 원소들은 oi,j로 나타내고, 상기 O의 원소 oi,j는 i번째 사용자가 j번째 컨텐츠의 본편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하인, 예고편 편성용 컨텐츠 선정 방법.
  5. 제1항에 있어서,
    상기 사용자들의 각각이 상기 컨텐츠들의 예고편들 및 상기 컨텐츠들의 본편들을 시청하였는지의 여부를 기준으로 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 단계는, 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 구성하는 단계를 포함하고,
    상기 집합(S11)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고,
    상기 집합(S12)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타내고,
    상기 집합(S21)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고,
    상기 집합(S22)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타내는, 예고편 편성용 컨텐츠 선정 방법.
  6. 제5항에 있어서,
    상기 우도 함수 L은 아래의 식
    Figure 112020036282669-pat00004

    에 따라 정의되고, 상기 i는 사용자 인덱스이고 상기 j는 컨텐츠 인덱스인, 예고편 편성용 컨텐츠 선정 방법.
  7. 제6항에 있어서,
    상기 C의 행들의 개수는 상기 사용자들의 수와 같고, 상기 C의 열들의 수는 특징들(features)의 개수와 같고, 상기 C의 원소들은 ci,j로 나타내고, 상기 A의 행들의 개수는 상기 특징들의 개수와 같고, 상기 A의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 A의 원소들은 ai,j로 나타내며,
    상기 우도 함수 L은 ci,j 및 ai,j의 함수인, 예고편 편성용 컨텐츠 선정 방법.
  8. 제6항에 있어서,
    상기 P 및 상기 복수의 집합에 의해 정의되는 우도 함수(Likelihood Function: L)를 이용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 결정하는 단계는, 상기 우도 함수 L이 최대값에 근접하도록 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  9. 제8항에 있어서,
    상기 우도 함수 L이 최대값에 근접하도록 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 단계는, 상기 우도 함수 L에 경사하강법(Gradient Descent Algorithm)을 적용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  10. 제5항에 있어서,
    상기 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 구성하는 단계는, 상기 구성된 집합(S22)에서 선정된 개수의 쌍들만을 선택하여 상기 집합(S22)을 갱신하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  11. 제1항에 있어서,
    상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 단계는, 상기 C와 상기 A를 곱하여 상기 P의 원소들의 값들을 산출하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  12. 제11항에 있어서,
    상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 단계는, 상기 산출된 P의 원소들의 값들에 대해 보정을 수행하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  13. 제12항에 있어서,
    상기 산출된 P의 원소들의 값들에 대해 보정을 수행하는 단계는, 상기 산출된 P의 원소의 값이 음수인 경우 0으로 보정하고 상기 산출된 P의 원소의 값이 1을 초과하는 경우 1로 보정하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  14. 제1항에 있어서,
    상기 P의 행들의 수는 상기 사용자들의 수와 같고, 상기 P의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 P의 원소들은 pi,j로 나타내고, 상기 P의 원소 pi,j는 i번째 사용자가 j번째 컨텐츠를 시청할 확률을 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이고,
    상기 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠의 예고편을 편성하는 것으로 결정하는 단계는, 상기 P의 원소 pi,j의 값이 선정된 임계값 이상인 경우 i번째 사용자를 위한 VOD 가이드 채널에 j번째 컨텐츠의 예고편을 편성하는 것으로 결정하는 단계를 포함하는, 예고편 편성용 컨텐츠 선정 방법.
  15. VOD 가이드 채널에의 예고편 편성용 컨텐츠 선정을 위한 장치로서,
    사용자들이 컨텐츠들의 예고편들 및 본편들을 시청하였는지의 여부를 나타내는 사용자 데이터를 저장하는 데이터베이스부, 및
    상기 데이터베이스부에 통신 가능하게 결합된 프로세싱 엔진을 포함하고,
    상기 프로세싱 엔진은,
    (i) 본편시청확률 매트릭스 P를 설정하는 동작 - 상기 P는 원소들을 포함하고, 상기 P의 원소들은 상기 사용자들이 상기 컨텐츠들을 시청할 확률들을 나타냄 -,
    (ii) 상기 P가 사용자 별 특징들을 정의하는 고객특징정보 매트릭스 C 및 컨텐츠 별 특징들을 정의하는 컨텐츠특징정보 매트릭스 A의 곱으로 표현되도록 상기 C 및 상기 A를 설정하는 동작,
    (iii) 상기 사용자 데이터에 기초하여 사용자 인덱스 및 컨텐츠 인덱스의 쌍들을 원소로서 포함하는 서로 다른 복수의 집합을 구성하는 동작,
    (iv) 상기 P 및 상기 복수의 집합에 의해 정의되는 우도 함수(Likelihood Function: L)를 이용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 결정하는 동작,
    (v) 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 이용하여 상기 P의 원소들의 값들을 산출하는 동작, 및
    (vi) 상기 P의 원소들의 값들을 기초로 적어도 한 사용자를 위한 VOD 가이드 채널에 적어도 하나의 컨텐츠의 예고편을 편성하는 것으로 결정하는 동작을 수행하도록 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  16. 제15항에 있어서,
    상기 사용자 데이터는 예고편시청여부 매트릭스 T 및 본편시청여부 매트릭스 O에 관한 데이터를 포함하는, 예고편 편성용 컨텐츠 선정 장치.
  17. 제16항에 있어서,
    상기 T의 행들의 수는 상기 사용자들의 수와 같고, 상기 T의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 T의 원소들은 ti,j로 나타내고, 상기 T의 원소 ti,j는 i번째 사용자가 j번째 컨텐츠의 예고편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하인, 예고편 편성용 컨텐츠 선정 장치.
  18. 제16항에 있어서,
    상기 O의 행들의 수는 상기 사용자들의 수와 같고, 상기 O의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 O의 원소들은 oi,j로 나타내고, 상기 O의 원소 oi,j는 i번째 사용자가 j번째 컨텐츠의 본편을 시청하였는지의 여부를 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하인, 예고편 편성용 컨텐츠 선정 장치.
  19. 제15항에 있어서,
    상기 프로세싱 엔진은 집합(S11), 집합(S12), 집합(S21) 및 집합(S22)을 상기 복수의 집합으로서 구성하는 동작을 수행하도록 더 구성되고,
    상기 집합(S11)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고,
    상기 집합(S12)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타내고,
    상기 집합(S21)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하였음을 나타내고,
    상기 집합(S22)에 포함되는 사용자 인덱스 및 컨텐츠 인덱스의 쌍은 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 예고편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았고 상기 컨텐츠 인덱스가 나타내는 컨텐츠의 본편을 상기 사용자 인덱스가 나타내는 사용자가 시청하지 않았음을 나타내는, 예고편 편성용 컨텐츠 선정 장치.
  20. 제19항에 있어서,
    상기 우도 함수 L은 아래의 식
    Figure 112020036282669-pat00005

    에 따라 정의되고, 상기 i는 사용자 인덱스이고 상기 j는 컨텐츠 인덱스인, 예고편 편성용 컨텐츠 선정 장치.
  21. 제20항에 있어서,
    상기 C의 행들의 개수는 상기 사용자들의 수와 같고, 상기 C의 열들의 수는 특징들(features)의 개수와 같고, 상기 C의 원소들은 ci,j로 나타내고, 상기 A의 행들의 개수는 상기 특징들의 개수와 같고, 상기 A의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 A의 원소들은 ai,j로 나타내며,
    상기 우도 함수 L은 ci,j 및 ai,j의 함수인, 예고편 편성용 컨텐츠 선정 장치.
  22. 제20항에 있어서,
    상기 프로세싱 엔진은, 상기 우도 함수 L이 최대값에 근접하도록 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 동작을 수행하도록 더 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  23. 제22항에 있어서,
    상기 프로세싱 엔진은, 상기 우도 함수 L에 경사하강법(Gradient Descent Algorithm)을 적용하여 상기 C의 원소들의 값들 및 상기 A의 원소들의 값들을 복수 회 갱신하는 동작을 수행하도록 더 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  24. 제19항에 있어서,
    상기 프로세싱 엔진은, 상기 구성된 집합(S22)에서 선정된 개수의 쌍들만을 선택하여 상기 집합(S22)을 갱신하는 동작을 수행하도록 더 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  25. 제15항에 있어서,
    상기 프로세싱 엔진은, 상기 C와 상기 A를 곱하여 상기 P의 원소들의 값들을 산출하는 동작을 수행하도록 더 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  26. 제25항에 있어서,
    상기 프로세싱 엔진은, 상기 산출된 P의 원소들의 값들에 대해 보정을 수행하는 동작을 수행하도록 더 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  27. 제26항에 있어서,
    상기 프로세싱 엔진은, 상기 산출된 P의 원소의 값이 음수인 경우 0으로 보정하고 상기 산출된 P의 원소의 값이 1을 초과하는 경우 1로 보정하는 동작을 수행하도록 더 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  28. 제15항에 있어서,
    상기 P의 행들의 수는 상기 사용자들의 수와 같고, 상기 P의 열들의 수는 상기 컨텐츠들의 개수와 같고, 상기 P의 원소들은 pi,j로 나타내고, 상기 P의 원소 pi,j는 i번째 사용자가 j번째 컨텐츠를 시청할 확률을 나타내고, 상기 i는 1 이상이고 상기 사용자들의 수 이하이고, 상기 j는 1 이상이고 상기 컨텐츠들의 개수 이하이고,
    상기 프로세싱 엔진은, 상기 P의 원소 pi,j의 값이 선정된 임계값 이상인 경우 i번째 사용자를 위한 VOD 가이드 채널에 j번째 컨텐츠의 예고편을 편성하는 것으로 결정하는 동작을 수행하도록 더 구성되는, 예고편 편성용 컨텐츠 선정 장치.
  29. 프로그램을 기록한 컴퓨터 판독가능 기록매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 제1항 내지 제14항 중 어느 한 항에 따른 방법을 수행하는, 컴퓨터 판독가능 기록매체.
KR1020200042435A 2020-04-07 2020-04-07 Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치 KR102257550B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200042435A KR102257550B1 (ko) 2020-04-07 2020-04-07 Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200042435A KR102257550B1 (ko) 2020-04-07 2020-04-07 Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102257550B1 true KR102257550B1 (ko) 2021-05-27

Family

ID=76135340

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200042435A KR102257550B1 (ko) 2020-04-07 2020-04-07 Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102257550B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170049248A (ko) * 2015-10-28 2017-05-10 삼성에스디에스 주식회사 티비 채널 추천 방법 및 그 장치
KR20190119743A (ko) * 2018-04-13 2019-10-23 (주)스마일게이트스토브 컨텐츠 정보 제공 장치 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170049248A (ko) * 2015-10-28 2017-05-10 삼성에스디에스 주식회사 티비 채널 추천 방법 및 그 장치
KR20190119743A (ko) * 2018-04-13 2019-10-23 (주)스마일게이트스토브 컨텐츠 정보 제공 장치 및 그 방법

Similar Documents

Publication Publication Date Title
CN110929052B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
US20170186030A1 (en) Advertisement click-through rate correction method and advertisement push server
US20180132001A1 (en) Systems and methods for adjusting the priority of media assets scheduled to be recorded
US20210385510A1 (en) Live stream playback video generation method, device and apparatus
WO2012173670A1 (en) Systems and methods for providing media recommendations
CN110856037B (zh) 一种视频封面确定方法、装置、电子设备及可读存储介质
US11722736B2 (en) Churn analysis and methods of intervention
CN110909205A (zh) 一种视频封面确定方法、装置、电子设备及可读存储介质
JP2005530255A (ja) 適応性ステレオタイプ・プロフィールを適用してユーザに関心アイテムを推奨するための方法及び装置
US9098860B2 (en) Rating and novelty decay
US20170318317A1 (en) Method, device, and server for producing video frame set
US11051053B2 (en) Cloud DVR optimization
US20230239551A1 (en) Content summaries for upcoming media assets
US20040003391A1 (en) Method, system and program product for locally analyzing viewing behavior
CN112150182B (zh) 多媒体文件推送方法和装置、存储介质及电子装置
KR102257550B1 (ko) Vod 가이드 채널에의 예고편 편성용 컨텐츠 선정 방법 및 장치
US20160105699A1 (en) System and Method for Audience Media Planning for Tune-In
US20120130931A1 (en) Bootstrapping recommender system and method
CN111680218B (zh) 用户兴趣识别方法、装置、电子设备及存储介质
US11750870B2 (en) Evolutionary parameter optimization for selecting optimal personalized screen carousels
US20220180216A1 (en) Systems and methods for providing media content recommendations
CN113297399A (zh) 个性化推荐方法、个性化推荐装置及电子设备
KR102391644B1 (ko) Vod 컨텐츠 추천 방법 및 장치
KR102380871B1 (ko) 유사 컨텐츠 추천 방법 및 장치
EP3314903B1 (en) Digital content provision

Legal Events

Date Code Title Description
GRNT Written decision to grant