KR102262338B1 - Gan을 이용한 웹사이트 자동생성 방법, 장치 및 프로그램 - Google Patents

Abstract

컴퓨터에 의하여 수행되는 방법에 있어서, 웹사이트 생성을 위한 정보를 수집하는 단계, 상기 수집된 정보에 기초하여 웹사이트를 생성하는 단계 및 상기 생성된 웹사이트를 검증하는 단계를 포함하고, 상기 웹사이트의 생성 및 검증은 GAN(Generative Adversarial Network)을 이용하여 수행되는 것을 특징으로 하는, GAN을 이용한 웹사이트 자동생성 방법이 개시된다.

Description

GAN을 이용한 웹사이트 자동생성 방법, 장치 및 프로그램 {METHOD, APPARATUS AND PROGRAM FOR GENERATING WEBSITE AUTOMATICALLY USING GAN}

본 발명은 GAN을 이용한 웹사이트 자동생성 방법, 장치 및 프로그램에 관한 것이다.

기존의 웹사이트 자동 제작방법은 기 설정된 레이아웃 또는 데이터베이스로부터 선택된 데이터들을 조합하여 생성하는 것이 일반적이었고, 이에 따라 자동으로 생성된 웹사이트는 획일적인 구성을 가지고 있음은 물론, 사람이 직접 만든 웹사이트와 구별되기 쉬운 단점이 있었다.

GAN(Generative Adversarial Network)은 생성적 적대 신경망이라는 이름과 같이, 두 신경망 모델의 상호 경쟁을 통해 학습하고 이에 따른 결과물을 만들어내는 것을 특징으로 한다. GAN에 포함되는 두 신경망 모델은 생성자(Generator)와 감별자(Discriminator)로 불리며, 서로 상반된 목적을 가진다.

생성자는 실제 데이터를 학습하고 이를 바탕으로 거짓 데이터를 생성한다. 생성자는 실제에 가까운 거짓 데이터를 생성하는 것을 목적으로 한다. 감별자는 생성자가 내놓은 데이터가 실제인지 거짓인지 판별하도록 학습된다. 즉, 감별자는 제공되는 데이터가 생성자에 의하여 생성된 것인지, 아니면 실제 데이터인지를 판별하도록 학습된다. 따라서, 감별자는 생성자의 거짓 데이터에 속지 않는 것을 목적으로 학습된다.

학습 과정에서, 생성자는 감별자를 속이지 못한 데이터를, 감별자는 생성자에게 속은 데이터를 입력받아 학습한다. 이 과정이 반복되면서 GAN은 점점 더 실제에 가까운 거짓 데이터를 만들 수 있게 된다.

공개특허공보 제10-2006-0007091호, 2006.01.24 공개

본 발명이 해결하고자 하는 과제는 GAN을 이용한 웹사이트 자동생성 방법, 장치 및 프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 GAN을 이용한 웹사이트 자동생성 방법은, 웹사이트 생성을 위한 정보를 수집하는 단계, 상기 수집된 정보에 기초하여 웹사이트를 생성하는 단계 및 상기 생성된 웹사이트를 검증하는 단계를 포함하고, 상기 웹사이트의 생성 및 검증은 GAN(Generative Adversarial Network)을 이용하여 수행되는 것을 특징으로 한다.

또한, 상기 웹사이트를 생성하는 단계는, 상기 GAN의 생성자(Generator)를 이용하여 상기 웹사이트를 생성하는 단계를 포함하고, 상기 생성된 웹사이트를 검증하는 단계는, 상기 GAN의 감별자(Discriminator)를 이용하여 상기 생성된 웹사이트를 검증하는 단계를 포함할 수 있다.

또한, 상기 생성자를 이용하여 웹사이트를 생성하는 단계는, 상기 웹사이트의 레이아웃을 생성하되, 상기 레이아웃은 하나 이상의 영역 및 상기 하나 이상의 영역 내의 콘텐츠 배치를 포함하는 단계, 상기 웹사이트에 포함될 콘텐츠를 획득하는 단계 및 상기 획득된 콘텐츠를 상기 생성된 레이아웃에 배치하여 웹사이트를 생성하는 단계를 포함할 수 있다.

또한, 상기 콘텐츠를 획득하는 단계는, 상기 웹사이트의 각 위치에 배치될 콘텐츠 정보를 생성하는 단계 및 서브 GAN을 이용하여 상기 생성된 콘텐츠 정보로부터 상기 콘텐츠를 생성하는 단계를 포함할 수 있다.

또한, 상기 웹사이트를 생성하는 단계는, 상기 GAN을 이용하여 상기 수집된 정보로부터 상기 웹사이트에 포함될 하나 이상의 콘텐츠를 생성하는 단계, 상기 생성된 하나 이상의 콘텐츠의 배치를 결정하는 단계 및 상기 생성된 하나 이상의 콘텐츠를 배치하여 상기 웹사이트를 생성하는 단계를 포함할 수 있다.

또한, 상기 하나 이상의 콘텐츠를 생성하는 단계는, 상기 웹사이트의 레이아웃을 결정하되, 상기 레이아웃은 하나 이상의 영역을 포함하는 단계, 상기 하나 이상의 영역에 포함될 콘텐츠의 종류를 결정하는 단계 및 상기 결정된 종류의 콘텐츠를 생성하는 단계를 포함할 수 있다.

또한, 상기 GAN을 학습시키는 단계를 더 포함하고, 상기 GAN을 학습시키는 단계는, 상기 GAN의 학습을 위한 하나 이상의 웹사이트를 획득하는 단계, 상기 하나 이상의 웹사이트의 영역 분할, 콘텐츠가 배치되는 위치 및 각 위치에 배치되는 콘텐츠의 특성을 추출하는 단계, 상기 추출된 정보를 포함하는 학습 데이터를 생성하는 단계 및 상기 생성된 학습 데이터를 이용하여 상기 GAN을 학습시키는 단계를 포함할 수 있다.

또한, 상기 GAN을 학습시키는 단계는, 상기 학습 데이터를 이용하여 상기 GAN의 생성자를 학습시키는 단계 및 상기 GAN의 생성자에 의하여 생성된 웹사이트와, 상기 하나 이상의 웹사이트를 이용하여 상기 GAN의 감별자를 학습시키는 단계를 더 포함하고, 상기 GAN의 생성자를 학습시키는 단계는, 웹사이트의 영역 분할을 수행하는 제1 생성자를 학습시키는 단계, 콘텐츠 배치 위치를 결정하는 제2 생성자를 학습시키는 단계 및 콘텐츠 특성을 결정하는 제3 생성자를 학습시키는 단계를 포함하고, 상기 GAN의 감별자를 학습시키는 단계는, 상기 제1 생성자의 영역 분할 결과를 검증하는 제1 감별자를 학습시키는 단계, 상기 제2 생성자의 콘텐츠 배치 위치를 검증하는 제2 감별자를 학습시키는 단계, 상기 제3 생성자의 콘텐츠 특성을 검증하는 제3 감별자를 학습시키는 단계 및 생성된 웹사이트 결과물을 검증하는 제4 감별자를 학습시키는 단계를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 GAN을 이용한 웹사이트 자동생성 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 개시된 실시 예에 따른 GAN을 이용한 웹사이트 자동생성 방법을 수행한다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 GAN을 이용한 웹사이트 자동생성 프로그램은, 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 GAN을 이용한 웹사이트 자동생성 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, GAN 기술을 웹사이트 제작에 적용함으로써 실제 사람이 만든 것과 같은 웹사이트를 자동으로 생성할 수 있도록 하는 효과가 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시 예에 따른 GAN을 이용한 웹사이트 자동생성 방법을 도시한 흐름도이다.
도 2는 일 실시 예에 따라 데이터를 수집하여 웹사이트를 생성하는 방법을 도시한 도면이다.
도 3은 참조하면, 웹사이트를 생성 및 검증하는 GAN의 일 예를 도시한 도면이다.
도 4는 콘텐츠 생성을 위한 서브 GAN을 포함하는 일 예를 도시한 도면이다.
도 5는 일 실시 예에 따른 웹사이트 생성방법을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따라 복수의 페이지를 포함하는 웹사이트 생성방법을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 장치의 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 일 실시 예에 따른 GAN을 이용한 웹사이트 자동생성 방법을 도시한 흐름도이다.

단계 S110에서, 컴퓨터는 웹사이트 생성을 위한 정보를 수집한다.

단계 S120에서, 컴퓨터는 상기 수집된 정보에 기초하여 웹사이트를 생성한다.

단계 S130에서, 컴퓨터는 상기 생성된 웹사이트를 검증한다.

개시된 실시 예에서, 상술한 웹사이트의 생성 및 검증은 GAN(Generative Adversarial Network)을 이용하여 수행된다.

GAN을 이용한 웹사이트의 생성 및 검증방법은 이하에서 도면을 참조하여 구체적으로 서술한다.

도 2는 일 실시 예에 따라 데이터를 수집하여 웹사이트를 생성하는 방법을 도시한 도면이다.

개시된 실시 예에 따른 웹사이트 자동생성 장치 또는 모듈은, 도 2에 도시된 바와 같이 데이터 입력부(210) 및 웹사이트 생성부(220)를 포함할 수 있다.

일 실시 예에서, 데이터 입력부(210)는 사용자(클라이언트)로부터 웹사이트 생성을 위한 정보를 획득할 수 있다.

예를 들어, 데이터 입력부(210)는 사용자로부터 웹사이트가 대표할 업체 또는 개인에 대한 정보, 웹사이트에서 다루고자 하는 주제, 웹사이트에서 광고하고자 하는 대상(서비스, 제품 등), 사용자의 디자인 선호도 및 취향 등에 대한 정보를 획득할 수 있다.

일 실시 예에서, 데이터 입력부(210)는 사용자로부터 직접 데이터를 입력받을 수도 있고, 사용자로부터 제공된 레퍼런스로부터 데이터를 추출할 수도 있으며, 사용자가 제공한 정보에 기반한 검색을 수행하여 사용자에 대한 정보를 수집할 수도 있으며, 그 방법은 제한되지 않는다.

일 실시 예에서, 웹사이트 생성부(220)는 데이터 입력부(210)를 통해 수집된 데이터를 활용하여 웹사이트를 생성할 수 있다.

예를 들어, 웹사이트 생성부(220)는 웹사이트가 대표할 업체 또는 개인에 대한 정보, 웹사이트에서 다루고자 하는 주제, 웹사이트에서 광고하고자 하는 대상(서비스, 제품 등), 사용자의 디자인 선호도 및 취향 등을 고려하여 이에 따라 웹사이트를 생성할 수 있다.

예를 들어, 컴퓨터는 수집된 정보에 따라 웹사이트의 구성, 분위기, 톤, 색조, 콘텐츠 및 콘텐츠의 배치 등을 결정할 수 있고, 이에 따라 웹사이트를 생성할 수 있다.

일 실시 예에서, 컴퓨터는 기 설정된 레이아웃들 중 하나를 선택하고, 선택된 레이아웃에 콘텐츠를 배치하되, 콘텐츠는 사용자로부터 제공되거나, 기 저장된 데이터베이스로부터 검색 및 선택하여 배치될 수 있다.

개시된 실시 예에 따르면, GAN을 이용함으로써 사용자가 직접 입력하지 않은 정보 및 콘텐츠를 생성할 수 있을 뿐 아니라, 생성된 정보, 콘텐츠 및 웹사이트를 검증할 수 있다.

GAN은 생성적 적대 신경망이라는 이름과 같이, 두 신경망 모델의 상호 경쟁을 통해 학습하고 이에 따른 결과물을 만들어내는 것을 특징으로 한다. GAN에 포함되는 두 신경망 모델은 생성자(Generator)와 감별자(Discriminator)로 불리며, 서로 상반된 목적을 가진다.

생성자는 실제 데이터를 학습하고 이를 바탕으로 거짓 데이터를 생성한다. 생성자는 실제에 가까운 거짓 데이터를 생성하는 것을 목적으로 한다. 감별자는 생성자가 내놓은 데이터가 실제인지 거짓인지 판별하도록 학습된다. 즉, 감별자는 제공되는 데이터가 생성자에 의하여 생성된 것인지, 아니면 실제 데이터인지를 판별하도록 학습된다. 따라서, 감별자는 생성자의 거짓 데이터에 속지 않는 것을 목적으로 학습된다.

학습 과정에서, 생성자는 감별자를 속이지 못한 데이터를, 감별자는 생성자에게 속은 데이터를 입력받아 학습한다. 이 과정이 반복되면서 GAN은 점점 더 실제에 가까운 거짓 데이터를 만들 수 있게 된다.

GAN이 생성할 수 있는 데이터의 종류는 제한되지 않으며, 이미지, 텍스트 및 기타 다양한 데이터 및 콘텐츠들이 학습 데이터에 기반하여 학습된 GAN으로부터 생성될 수 있다.

도 3을 참조하면, 웹사이트를 생성 및 검증하는 GAN의 일 예가 도시되어 있다.

도 3에 도시된 GAN의 구성은 예시로서 제공된 것이며, 이에 제한되는 것은 아니다. 또한, 개시된 실시 예에서 언급하는 GAN의 구체적인 구성 또한 이에 제한되지 않으며, 다양한 변형 및 개선이 적용될 수 있다.

예를 들어, GAN의 훈련성능을 높이기 위해 이용되는 DCGAN(Deep Convolutional GAN)이 이용될 수 있다. DCGAN은 GAN에 지도학습에서 이미 폭넓게 적용되던 CNN(Convolutional Neural Network)을 사용하는 것으로, 기존의 fully connected DNN(Deep Neural Network) 대신 CNN기법으로 신경망을 구성한 것이다.

DCGAN은 기존의 GAN의 성능을 높여 더욱 진짜와 같은 가짜 데이터를 생성할 수 있도록 한다. 이외에도, 다양한 GAN 및 이로부터 파생 또는 개선된 모델들이 웹사이트의 제작에 이용될 수 있다.

상술한 웹사이트를 생성하는 단계에서, 컴퓨터는 GAN(300)의 생성자(Generator, 310)를 이용하여 상기 웹사이트를 생성할 수 있다.

또한, 상술한 바와 같이 생성된 웹사이트를 검증하는 단계에서, 컴퓨터는 상기 GAN(300)의 감별자(Discriminator, 320)를 이용하여 상기 생성된 웹사이트(10)를 검증할 수 있다.

일 실시 예에서, GAN(300)을 학습시키는 단계를 더 포함할 수 있다. 상기 GAN(300)을 학습시키는 단계에서, 컴퓨터는 상기 GAN의 학습을 위한 하나 이상의 웹사이트(20)를 획득할 수 있다.

생성자(310)는 획득된 웹사이트들에 대한 정보에 기반하여 웹사이트를 생성하기 위한 학습을 수행하고, 감별자(320)는 생성자(310)가 생성한 웹사이트와, 수집된 웹사이트(20)를 감별하기 위한 학습을 수행한다.

예를 들어, 감별자(320)의 감별확률이 50%가 되어 더 이상 진위판단이 불가능한 평형상태가 되면, GAN(300)은 사람이 직접 만든 것과 같은 웹사이트를 생성할 수 있도록 학습된 것으로 이해될 수 있다.

일 실시 예에서, 컴퓨터는 상기 하나 이상의 웹사이트(20)의 영역 분할, 콘텐츠가 배치되는 위치 및 각 위치에 배치되는 콘텐츠의 특성을 추출할 수 있다. 컴퓨터는 상기 추출된 정보를 포함하는 학습 데이터를 생성할 수 있고, 상기 생성된 학습 데이터를 이용하여 상기 GAN을 학습시킬 수 있다.

구체적으로, GAN(300)의 생성자(310)는 웹사이트의 영역 분할을 결정하고, 콘텐츠가 배치되는 위치를 결정하며, 각 위치에 배치될 콘텐츠의 특성을 결정할 수 있다.

이를 위하여, 컴퓨터는 하나 이상의 웹사이트(20)의 영역 분할, 콘텐츠가 배치되는 위치 및 각 위치에 배치되는 콘텐츠의 특성을 추출하고, 이로부터 생성된 학습 데이터를 이용하여 GAN(300)을 학습시킬 수 있다.

또한, 감별자(320)의 경우 완성된 웹사이트에 대한 감별뿐 아니라, 생성자(310)가 생성하는 각 단계(영역 분할, 콘텐츠 배치 위치 및 그 특성 등)에 대하여 각각 감별을 수행할 수도 있다.

예를 들어, 이를 위하여 GAN(300)은 하나 이상의 서브 GAN을 포함할 수 있으나, 이에 제한되는 것은 아니다.

예를 들어, 상기 GAN(300)의 생성자(310)를 학습시키는 단계는, 웹사이트의 영역 분할을 수행하는 제1 생성자를 학습시키는 단계, 콘텐츠 배치 위치를 결정하는 제2 생성자를 학습시키는 단계 및 콘텐츠 특성을 결정하는 제3 생성자를 학습시키는 단계를 포함할 수 있다.

또한, 상기 GAN(300)의 감별자(320)를 학습시키는 단계는, 상기 제1 생성자의 영역 분할 결과를 검증하는 제1 감별자를 학습시키는 단계, 상기 제2 생성자의 콘텐츠 배치 위치를 검증하는 제2 감별자를 학습시키는 단계, 상기 제3 생성자의 콘텐츠 특성을 검증하는 제3 감별자를 학습시키는 단계 및 생성된 웹사이트 결과물을 검증하는 제4 감별자를 학습시키는 단계를 포함할 수 있다.

이와 같이, GAN(300)은 복수의 스텝을 통하여 웹사이트를 생성할 수 있으며, 각각의 스텝에 따른 웹사이트의 구성요소를 생성 및 감별하는 서브 GAN이 포함될 수 있다. 또한, 이를 통해 최종적으로 생성된 웹사이트를 감별하기 위한 감별자가 더 포함될 수 있다. 마찬가지로, 제1 생성자 내지 제3 생성자를 이용하여 생성된 구성요소들을 통합하여 최종 웹사이트를 생성하는 생성자 또한 포함될 수 있다.

상술한 바와 같은 복수의 생성자 및 감별자는 하나의 GAN 구조 내에 계층적으로 포함될 수도 있으나, 서로 다른 서브 GAN으로서 구성되며, 각각의 생성자가 서로 연결되어 결과물을 공유할 수 있도록 구성될 수도 있다.

각각의 생성자는 대응하는 감별자와의 상호작용을 통해 학습 및 결과물을 생성하며, 각각의 생성자로부터 생성된 결과물이 다른 생성자의 생성을 위한 재료가 될 수도 있고, 서로 다른 생성자로부터 생성된 결과물들이 다른 생성자에 의하여 취합될 수도 있으며, 그 구체적인 구성은 제한되지 않는다.

상술한 GAN(300)의 구성은 예시로서 제시된 것이며, 개시된 실시 예에 따른 GAN(300)의 구성이 이에 제한되는 것은 아니다.

도 4는 콘텐츠 생성을 위한 서브 GAN을 포함하는 일 예를 도시한 도면이다.

상술한 바와 같이, 웹사이트를 생성함에 있어서 필요한 각각의 스텝 혹은 구성요소를 생성하기 위한 하나 이상의 서브 GAN이 더 포함될 수 있다.

도 4를 참조하면, 콘텐츠 생성을 위한 서브 GAN(400)이 도시되어 있다.

서브 GAN(400)이 생성할 수 있는 콘텐츠의 종류는 제한되지 않으며, 예를 들어 이미지 또는 텍스트를 생성할 수 있다.

개시된 실시 예에서, 이미지를 생성하는 서브 GAN 및 텍스트를 생성하는 서브 GAN이 각각 포함될 수 있으며, 이외에도 다양한 콘텐츠(예를 들어, 음성이나 영상 등)를 생성하기 위한 GAN들이 더 포함될 수도 있다.

상술한 바에 따른 웹사이트를 생성하는 단계에서, 컴퓨터는 서브 GAN(400)을 이용하여 상기 수집된 정보로부터 상기 웹사이트에 포함될 하나 이상의 콘텐츠를 생성할 수 있다.

또한, 컴퓨터는 상기 생성된 하나 이상의 콘텐츠의 배치를 결정하고, 상기 생성된 하나 이상의 콘텐츠를 배치하여 상기 웹사이트를 생성할 수 있다.

또한, 상기 하나 이상의 콘텐츠를 생성하는 단계에서, 컴퓨터는 상기 웹사이트의 레이아웃을 결정하되, 상기 레이아웃은 하나 이상의 영역을 포함하도록 할 수 있다.

또한, 컴퓨터는 상기 하나 이상의 영역에 포함될 콘텐츠의 종류를 결정하고, 상기 결정된 종류의 콘텐츠를 생성할 수 있다.

일 실시 예에서, 서브 GAN(400)은 GAN(300)을 통해 생성된 콘텐츠 정보에 기초하여 콘텐츠를 생성할 수 있다. 예를 들어, GAN(300)은 웹사이트 내에서 콘텐츠가 배치될 위치와, 해당 위치에 배치될 콘텐츠에 대해 “사람이 가방을 들고 있는 모습”과 같이 그 콘텐츠의 내용이나 특성을 결정할 수 있다.

이에 대하여, 서브 GAN(400)은 “사람이 가방을 들고 있는 모습” 이라는 문장에 대응하는 이미지를 자동으로 생성할 수 있다.

상술한 콘텐츠의 특성 및 이에 따른 콘텐츠 자동생성 방법은 상술한 바에 제한되지 않으며, 다양한 유형의 콘텐츠 특성 및 이에 따른 콘텐츠 자동생성이 수행될 수 있다.

도 5는 일 실시 예에 따른 웹사이트 생성방법을 설명하기 위한 도면이다.

상술한 바에 따라 생성자를 이용하여 웹사이트를 생성하는 단계에서, 컴퓨터는 상기 웹사이트의 레이아웃을 생성하되, 상기 레이아웃은 하나 이상의 영역 및 상기 하나 이상의 영역 내의 콘텐츠 배치를 포함하도록 할 수 있다.

도 5를 참조하면, 웹사이트(500)를 생성함에 있어 웹사이트(500)의 각각의 영역(510 내지 560)을 결정하는 일 예가 도시되어 있다.

도 5에서 각 영역에 표시된 명칭은 이해를 돕기 위한 예시로서 기재된 것으로, 이에 제한되는 것은 아니다.

예를 들어, GAN의 생성자는 웹사이트를 주어진 정보에 기초하여 복수의 영역으로 분할하며, 각각의 영역의 위치와 크기, 역할(내용)을 결정할 수 있다.

예를 들어, 컴퓨터는 분할된 각 영역을 헤더(타이틀)영역, 서브 타이틀 영역, 메뉴 영역 및 아티클 영역 등으로 분할할 수 있으나, 이에 제한되는 것은 아니다.

또한, 웹사이트의 유형에 따라 페이지형, 반응형, 모바일형, 블로그형 등 다양한 형태가 존재할 수 있는데, 이에 따라 각 웹사이트의 영역 분할방식 및 분할된 영역들의 연결 및 표시방식은 상이할 수 있다.

일 실시 예에서, 컴퓨터는 상기 웹사이트(500)에 포함될 콘텐츠를 획득할 수 있다.

예를 들어, 컴퓨터는 웹사이트(500)의 각 위치에 배치될 콘텐츠 정보를 생성하고, 서브 GAN(도 4의 400)을 이용하여 상기 생성된 콘텐츠 정보로부터 상기 콘텐츠를 생성할 수 있으나, 이에 제한되는 것은 아니다.

일 실시 예에서, 컴퓨터는 상기 획득된 콘텐츠를 상기 생성된 레이아웃에 배치하여 웹사이트를 생성할 수 있다.

도 5를 참조하면, 컴퓨터는 특정 영역(560)에 포함될 콘텐츠들(562 및 564)을 획득하고, 획득된 콘텐츠를 해당 영역에 배치하는 방식으로 각 영역을 완성하고, 모든 영역을 완성 및 배치하여 최종적으로 웹사이트를 생성할 수 있다.

일 실시 예에서, 웹사이트의 영역 분할 및 콘텐츠 배치 위치에 따른 HTML코드가 자동으로 생성될 수 있으며, 예를 들어 이는 결정된 영역 분할 및 콘텐츠 배치 위치에 따라 기 설정된 HTML 코드의 파라미터를 조절하는 방식으로 수행될 수 있으나, 이에 제한되는 것은 아니다.

이외에도 다양한 언어나 툴을 이용하여 웹사이트가 생성될 수 있으며, 이 경우 해당 언어나 툴을 이용하여 웹사이트가 자동으로 생성될 수 있다.

도 6은 일 실시 예에 따라 복수의 페이지를 포함하는 웹사이트 생성방법을 설명하기 위한 도면이다.

도 6을 참조하면, 도 5에 도시된 바와 같은 웹사이트(500) 및 웹사이트(500)에 포함되는 하나 이상의 페이지(502 및 504)가 도시되어 있다.

웹사이트(500)에 포함되는 페이지의 수 및 각 페이지에 포함되는 내용은 사용자에 의하여 미리 지정될 수도 있고, 컴퓨터가 자동으로 결정할 수도 있다.

또한, 각 페이지의 배치 또한 웹사이트(500)의 유형 및 설정에 따라 다르게 결정될 수 있으며, 예를 들어 서로 다른 페이지가 스크롤 이동을 통해 표시될 수 있도록 배치될 수도 있고, 각 페이지에 대응하는 링크를 선택하여 이동할 수 있도록 배치될 수도 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 컴퓨터는 각각의 페이지에 대하여 상술한 바와 같이 영역 분할, 콘텐츠 배치 위치 결정 및 콘텐츠 특성 결정과, 콘텐츠 생성 및 배치를 수행할 수 있다.

또한, 컴퓨터는 각각의 페이지에 대응하는 링크를 메인 페이지(홈페이지)에 배치할 수 있으며, 배치를 위한 영역 및 구체적인 위치를 결정할 수 있다.

예를 들어, 컴퓨터는 웹사이트(500)의 메뉴 영역(520)에 링크 배치를 결정할 수 있으며, 링크는 텍스트, 배너, 이미지 등 다양한 형태로 생성 및 배치될 수 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 컴퓨터는 상술한 방법들을 이용하여 생성된 웹사이트를 감별자를 이용하여 검증하며, 검증에 통과한 하나 이상의 웹사이트를 사용자에게 제공한다.

사용자는 제공된 웹사이트 중 적어도 하나를 선택하거나, 재작성을 요청할 수 있으며, 사용자가 최종적으로 선택한 웹사이트가 사용자에게 제공될 수 있다.

일 실시 예에서, 컴퓨터는 제공된 웹사이트들에 대한 사용자의 피드백을 요청할 수 있다. 예를 들어, 컴퓨터는 사용자가 최종적으로 선택한 웹사이트 외에도, 나머지 웹사이트들에 대한 순위 결정을 요청할 수 있으며, 또한 각각의 웹사이트에 대해 전문가가 직접 생성한 웹사이트와, 컴퓨터에 의하여 자동으로 생성된 웹사이트를 구분해줄 것을 요청할 수 있다.

실시 예에 따라서, 개시된 실시 예에 따라 생성된 웹사이트들은 일종의 캡차(CAPTCHA)로도 활용될 수 있으며, 이를 이용하여 정보를 수집할 수도 있다.

예를 들어, 사람과 컴퓨터를 구분해야 하는 상황에서, 서로 다른 웹사이트의 링크를 제공하며, 둘 중 컴퓨터가 자동으로 생성한 것으로 판단되는 웹사이트를 선택할 것을 요청할 수 있다.

예를 들어, 개시된 실시 예에 따른 웹사이트 자동생성 서비스에 의하여 생성된 웹사이트들에 대한 정보를 데이터베이스에 저장하며, 이와 대조하기 위한 다른 웹사이트들(레퍼런스 웹사이트들)의 리스트를 다른 데이터베이스에 저장할 수 있다. 이후, 컴퓨터는 캡차 제공시 레퍼런스 웹사이트 중 하나의 링크와, 생성된 웹사이트 중 하나의 링크를 제공할 수 있다.

일 실시 예에서, 캡차를 통해 제공되는 웹사이트의 종류는 해당 캡차를 이용하는 사용자 혹은 해당 캡차가 활용되는 사이트의 특성에 기반하여 결정될 수 있으며, 각 캡차에 웹사이트를 제공할 수 있는 권한이 판매될 수도 있다.

예를 들어, 컴퓨터 가격비교 사이트에서 회원 로그인시 제공되는 캡차에 컴퓨터 혹은 컴퓨터 주변기기를 판매하는 사이트의 웹사이트가 제공되면, 사용자를 해당 웹사이트로 유입할 수 있는 바, 적지 않은 광고효과가 있을 수 있다.

이에 따라, 컴퓨터는 특정 사이트 혹은 특정 속성을 갖는 사이트/사용자에 대하여 캡차 레퍼런스로서 자신의 웹사이트를 제공할 수 있도록 하는 권한을 판매할 수 있으며, 이는 노출빈도, 노출횟수 등에 따라 상이하게 결정될 수 있다.

또한, 광고비 정산방법은 CPC(Cost Per Click), CPA(Cost Per Action), CPM(Cost Per Mille) 등 다양한 방법으로 수행될 수 있으며, 실시 예에 따라 원래 로그인하고자 하였던 사이트의 계정정보와 연동하여, 사용자가 각 링크에서 실제로 구매한 구매정보를 취합하여 구매전환 기반 광고비 정산이 수행될 수도 있으며, 이에 제한되는 것은 아니다.

개시된 실시 예에 따라 생성된 웹사이트를 제공함에 있어, 컴퓨터는 사용자에게 해당 웹사이트를 캡차를 이용한 광고를 집행할지 여부를 질의할 수 있다. 해당 스텝을 통해 사용자는 광고여부 및 광고방법과 비용 등을 결정할 수 있으며, 이에 따라 컴퓨터는 상술한 바와 같이 해당 웹사이트의 광고를 집행할 수 있다

단, 개시된 실시 예에 따른 GAN이 고도로 학습될수록 사람이 이를 구별하기는 어려울 수 있다. 이 경우, 해당 캡챠는 리캡차(ReCAPTCHA)와 같이 정보수집을 위한 수단으로 활용될 수 있으며, 실제 캡차는 포함되지 않거나, 이미지/텍스트 인식과 같은 통상적인 캡차 수단을 함께 활용할 수도 있다.

상술한 방법들을 통해 수집된 정보는, 개시된 실시 예에 따른 GAN을 학습하는 데 활용될 수 있다.

도 7은 일 실시 예에 따른 장치의 구성도이다.

프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 6과 관련하여 설명된 방법을 수행한다.

한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

1. 컴퓨터에 의하여 수행되는 GAN을 이용한 웹사이트 자동생성 방법에 있어서,
   웹사이트 생성을 위한 정보를 수집하는 단계;
   상기 수집된 정보에 기초하여 웹사이트를 생성하는 단계; 및
   상기 생성된 웹사이트를 검증하는 단계; 를 포함하고,
   상기 웹사이트의 생성 및 검증은 GAN(Generative Adversarial Network)을 이용하여 수행되는 것을 특징으로 하고,
   상기 웹사이트를 생성하는 단계는,
   상기 GAN의 생성자(Generator)를 이용하여 상기 웹사이트를 생성하는 단계를 포함하고,
   상기 생성된 웹사이트를 검증하는 단계는,
   상기 GAN의 감별자(Discriminator)를 이용하여 상기 생성된 웹사이트를 검증하는 단계를 포함하고,
   상기 생성자를 이용하여 웹사이트를 생성하는 단계는,
   상기 웹사이트의 레이아웃을 생성하되, 상기 레이아웃은 하나 이상의 영역 및 상기 하나 이상의 영역 내의 콘텐츠 배치를 포함하는 단계;
   상기 웹사이트에 포함될 콘텐츠를 획득하는 단계; 및
   상기 획득된 콘텐츠를 상기 생성된 레이아웃에 배치하여 웹사이트를 생성하는 단계; 를 포함하고,
   상기 GAN을 학습시키는 단계; 를 더 포함하고,
   상기 GAN을 학습시키는 단계는,
   상기 GAN의 학습을 위한 하나 이상의 웹사이트를 획득하는 단계;
   상기 하나 이상의 웹사이트의 영역 분할, 콘텐츠가 배치되는 위치 및 각 위치에 배치되는 콘텐츠의 특성을 추출하는 단계;
   상기 추출된 정보를 포함하는 학습 데이터를 생성하는 단계; 및
   상기 생성된 학습 데이터를 이용하여 상기 GAN을 학습시키는 단계; 를 포함하는,
   GAN을 이용한 웹사이트 자동생성 방법.
2. 삭제
3. 삭제
4. 제1 항에 있어서,
   상기 콘텐츠를 획득하는 단계는,
   상기 웹사이트의 각 위치에 배치될 콘텐츠 정보를 생성하는 단계; 및
   서브 GAN을 이용하여 상기 생성된 콘텐츠 정보로부터 상기 콘텐츠를 생성하는 단계; 를 포함하는,
   GAN을 이용한 웹사이트 자동생성 방법.
5. 제1 항에 있어서,
   상기 웹사이트를 생성하는 단계는,
   상기 GAN을 이용하여 상기 수집된 정보로부터 상기 웹사이트에 포함될 하나 이상의 콘텐츠를 생성하는 단계;
   상기 생성된 하나 이상의 콘텐츠의 배치를 결정하는 단계; 및
   상기 생성된 하나 이상의 콘텐츠를 배치하여 상기 웹사이트를 생성하는 단계; 를 포함하는,
   GAN을 이용한 웹사이트 자동생성 방법.
6. 제5 항에 있어서,
   상기 하나 이상의 콘텐츠를 생성하는 단계는,
   상기 웹사이트의 레이아웃을 결정하되, 상기 레이아웃은 하나 이상의 영역을 포함하는, 단계;
   상기 하나 이상의 영역에 포함될 콘텐츠의 종류를 결정하는 단계; 및
   상기 결정된 종류의 콘텐츠를 생성하는 단계; 를 포함하는,
   GAN을 이용한 웹사이트 자동생성 방법.
7. 삭제
8. 제1 항에 있어서,
   상기 GAN을 학습시키는 단계는,
   상기 학습 데이터를 이용하여 상기 GAN의 생성자를 학습시키는 단계; 및
   상기 GAN의 생성자에 의하여 생성된 웹사이트와, 상기 하나 이상의 웹사이트를 이용하여 상기 GAN의 감별자를 학습시키는 단계; 를 더 포함하고,
   상기 GAN의 생성자를 학습시키는 단계는,
   웹사이트의 영역 분할을 수행하는 제1 생성자를 학습시키는 단계;
   콘텐츠 배치 위치를 결정하는 제2 생성자를 학습시키는 단계; 및
   콘텐츠 특성을 결정하는 제3 생성자를 학습시키는 단계; 를 포함하고,
   상기 GAN의 감별자를 학습시키는 단계는,
   상기 제1 생성자의 영역 분할 결과를 검증하는 제1 감별자를 학습시키는 단계;
   상기 제2 생성자의 콘텐츠 배치 위치를 검증하는 제2 감별자를 학습시키는 단계;
   상기 제3 생성자의 콘텐츠 특성을 검증하는 제3 감별자를 학습시키는 단계; 및
   생성된 웹사이트 결과물을 검증하는 제4 감별자를 학습시키는 단계; 를 포함하는,
   GAN을 이용한 웹사이트 자동생성 방법.
9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
   상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
   상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
   제1 항의 방법을 수행하는, GAN을 이용한 웹사이트 자동생성 장치.
10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
    

Images