KR102266151B1 - 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법 - Google Patents

인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법 Download PDF

Info

Publication number
KR102266151B1
KR102266151B1 KR1020210017120A KR20210017120A KR102266151B1 KR 102266151 B1 KR102266151 B1 KR 102266151B1 KR 1020210017120 A KR1020210017120 A KR 1020210017120A KR 20210017120 A KR20210017120 A KR 20210017120A KR 102266151 B1 KR102266151 B1 KR 102266151B1
Authority
KR
South Korea
Prior art keywords
data
voting
main server
user
user terminals
Prior art date
Application number
KR1020210017120A
Other languages
English (en)
Inventor
장준호
서민정
Original Assignee
(주) 디엘토
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 (주) 디엘토 filed Critical (주) 디엘토
Priority to KR1020210017120A priority Critical patent/KR102266151B1/ko
Application granted granted Critical
Publication of KR102266151B1 publication Critical patent/KR102266151B1/ko

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0241—Advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/34—Betting or bookmaking, e.g. Internet betting

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 유저가 투표플랫폼을 이용하면서 입력하는 개인 정보, 선호하는 광고 컨텐츠 정보 및 투표 결과를 기반으로 학습한 인공지능 모델로 기업이 특정 소비자 그룹을 타겟하여 광고하고자 할 때 광고 효과가 가장 높은 광고 모델을 예측할 수 있는 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법에 관한 것이다.

Description

인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법{ARTIFICIAL INTELLIGENCE-BASED METHOD OF PROVIDING CONSUMER PREFERENCE THROUGH VOTING PLATFORM}
본 발명은 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법에 관한 것이다.
최근 시간과 장소의 제약을 넘기 위해, 웹(Web)이나 앱(App) 상에서 다수의 유저를 유권자로 투표를 진행하는 투표플랫폼이 증가하고 있는 실정이다. 일 예로, 서울가요대상(Seoul Music Awards)에서는 가수의 인기도를 측정하기 위해, 팬들이 웹이나 앱에 접근하여 투표를 하는 방식으로 진행하였다.
한편, 인공지능(AI; Artificial Intelligence)은 인간의 학습능력, 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 컴퓨터 공학 및 정보기술의 한 분야이다.
기업들은 효과적인 마케팅을 위해, 인공지능을 이용하여 소비자의 선호도를 예측(Predict)하는 시도를 하고 있는 실정이다.
특히, 인공지능 중 가장 많은 분야에서 활용되는 지도학습(Supervised learning)은 정답(Label)을 포함하는 트레이닝 데이터를 이용하여 미래 값을 예측하는 방법으로, 데이터의 수집 단계에서 트레이닝 데이터와 테스트 데이터의 순도(일 예로, 정확성과 진실성)가 인공지능 알고리즘의 성능을 좌우한다.
그러나 종래의 기술은 트레이닝 데이터와 테스트 데이터를 일반적으로 공공데이터와 빅데이터와 웹 크롤링을 통해서 얻는데, 데이터의 순도가 낮아 인공지능 알고리즘의 성능이 떨어짐으로써, 정확한 소비자 선호도를 파악하지 못하는 문제가 있다.
또한, 종래의 기술은 트레이닝 데이터와 테스트 데이터의 다양성이 떨어져 다양한 관점에서 소비자 선호도를 파악하지 못하는 문제도 있다.
본 발명이 해결하고자 하는 과제는 유저가 투표플랫폼을 이용하면서 입력하는 개인 정보, 선호하는 광고 컨텐츠 정보 및 투표 결과를 기반으로 학습한 인공지능 모델로 기업이 특정 소비자 그룹을 타겟하여 광고하고자 할 때 광고 효과가 가장 높은 광고 모델을 예측할 수 있는 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법을 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 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법은 메인 서버가 복수의 유저 단말로 투표권 충전 리스트 데이터를 송신하는 단계; 상기 복수의 유저 단말이 상기 투표권 충전 리스트 데이터 중에서 셀렉한 셀렉 데이터를 상기 메인 서버로 송신하는 단계; 상기 메인 서버가 상기 복수의 유저 단말로 리워드 투표권을 제공하는 단계; 상기 복수의 유저 단말이 투표 데이터를 상기 메인 서버로 송신하는 단계; 상기 메인 서버가 상기 셀렉 데이터를 피처값으로 설정하고 상기 투표 데이터를 레이블값으로 설정하여 지도학습으로 인공지능 소비자 선호도 알고리즘을 생성하는 단계를 포함하는 것을 특징으로 할 수 있다.
상기 셀렉 데이터는 상품 데이터와 마케팅 컨텐츠 데이터 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다.
상기 복수의 유저 단말이 메인 서버로 퍼스널 데이터를 송신하는 단계를 더 포함하고, 상기 메인 서버가 상기 퍼스널 데이터와 상기 셀렉 데이터를 피처값으로 설정하고 상기 투표 데이터를 레이블값으로 설정한 지도학습으로 인공지능 소비자 선호도 알고리즘을 생성하는 단계를 포함하는 것을 특징으로 할 수 있다.
상기 퍼스널 데이터는 성별 데이터와 나이 데이터와 거주 지역 데이터 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다.
상기 투표 데이터는 유저가 투표한 인물에 대한 데이터인 것을 특징으로 할 수 있다.
본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법에서는 유저가 리워드 투표권을 얻기 위해 입력하는 퍼스널 데이터와 셀렉 데이터를 피처값(Feature value; 독립변수)으로 유저가 특정 사물이나 인물을 지지하기 위해 투표한 투표 데이터를 레이블값(Label value; 종속변수)으로 트레이닝 데이터와 테스트 데이터를 설정하여 인공지능을 학습시킴으로써, 소비자 선호도를 정확하고 다양한 관점에서 예측할 수 있는 인공지능 알고리즘을 생성할 수 있는 장점이 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 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법을 나타낸 개념도이다.
도 2는 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 시스템을 나타낸 블록도이다.
도 3은 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 진행 순서를 나타낸 순서도이다.
도 4는 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 인공지능을 학습시키기 위한 피처값과 레이블값을 나타낸 표이다.
도 5는 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법이 실행되는 어플리케이션의 앱리스트를 나타낸 사진이다.
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.
이하, 도면을 참조하여 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)을 설명한다. 도 1은 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법을 나타낸 개념도이며, 도 2는 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 시스템을 나타낸 블록도이며, 도 3은 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 진행 순서를 나타낸 순서도이며, 도 4는 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 인공지능을 학습시키기 위한 피처값과 레이블값을 나타낸 표이며, 도 5는 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법이 실행되는 어플리케이션의 앱리스트를 나타낸 사진이다.
본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)은 복수의 유저 단말(10)과 네트워크(20)와 메인 서버(30)를 포함하는 시스템 내에서 수행될 수 있다.
복수의 유저 단말(10)은 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)관련 웹 페이지, 앱 페이지(앱 리스트), 프로그램 또는 애플리케이션이 복수의 유저에게 제공되는 단말일 수 있다.
복수의 유저 단말(10)은 네트워크(20)를 통하여 원격지의 메인 서버(30)에 접속할 수 있는 컴퓨터로 구현될 수 있으며, 일 예로, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
상세하게, 복수의 유저 단말(10)은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으나 이에 한정되는 것은 아니다.
복수의 유저 단말(10)은 네트워크(20)를 통해 메인 서버(30)와 연결될 수 있다.
네트워크(20)는 복수의 유저 단말(10)과 메인 서버(30)와 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5rd Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
메인 서버(30)는 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)과 관련한 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다.
본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)은 복수의 유저 단말(10)이 메인 서버(30)로 "퍼스널 데이터"를 송신하는 단계(100); 메인 서버(30)가 복수의 유저 단말(10)로 "투표권 충전 리스트 데이터"를 송신하는 단계(200); 복수의 유저 단말(10)이 "투표권 충전 리스트 데이터" 중에서 셀렉(Select; 선택)한 "셀렉 데이터"를 메인 서버(30)로 송신하는 단계(300); 메인 서버(30)가 복수의 유저 단말(10)로 리워드 투표권을 제공하는 단계(400); 복수의 유저 단말(10)이 "투표 데이터"를 메인 서버(30)로 송신하는 단계(500); 메인 서버(30)가 "퍼스널 데이터"와 "셀렉 데이터"를 피처값(Feature value)으로 설정하고 "투표 데이터"를 레이블값(Lable)으로 설정하여 지도학습(Supervised Learning)으로 인공지능 소비자 선호도 알고리즘을 생성하는 단계(600);를 포함할 수 있다.
복수의 유저 단말(10)이 메인 서버(30)로 "퍼스널 데이터"를 송신하는 단계(100)에서는 유저가 유저 단말(10)을 이용하여 "퍼스널 데이터"를 입력하고, 유저 단말(10)을 통해 입력된 "퍼스널 데이터"가 메인 서버(30)로 송신되어 저장될 수 있다.
이 경우, "퍼스널 데이터"는 유저의 성별에 관한 "성별 데이터(일 예로, 여자)"와 유저의 나이에 관한 "나이 데이터(일 예로, 만 17세)"와 유저의 거주지에 관한 "거주 지역 데이터(일 예로, 서울특별시 강남구 거주)" 중 적어도 하나를 포함할 수 있지만, 이에 한정되는 것은 아니다.
"퍼스널 데이터"는 인공지능을 학습시키기 위한 피처값으로 활용되며, 상술한 바와 같이, "퍼스널 데이터"는 유저의 성별, 나이, 거주 지역 등을 포함하므로, 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)은 다양한 관점에서 소비자 선호도를 예측(Predict)할 수 있다.
한편, 예측된 소비자 선호도의 정확성을 담보하기 위해 "퍼스널 데이터"의 순도(정확성)가 중요하므로, 메인 서버(30)에는 본인 인증 프로그램이 세팅되어 있을 수 있으며, 유저는 본인 인증을 통해 정확한 "퍼스널 데이터"를 유저 단말(10)을 통해 메인 서버(30)로 송신할 수 있다.
메인 서버(30)가 복수의 유저 단말(10)로 "투표권 충전 리스트 데이터"를 송신하는 단계(200)에서는 유저에게 투표권을 충전할 수 있는 다양한 투표권 충전 수단 리스트가 제공될 수 있다.
일 예로, 투표권 충전 수단 리스트는 유저에게 다양한 마케팅 컨텐츠를 제공하는 리스트로서, 유저에게 특정 상품(일 예로, 스넥류, 생활용품류, 학용품류 등; 나아가 하드웨어 뿐만 아니라 소프트웨어 즉, 일 예로, 게임 어플리케이션도 포함하는 개념)에 대해 특정 마케팅 컨텐츠(일 예로, 유저가 영상 광고를 시청하는 방식의 컨텐츠, 유저가 슬라이드 광고를 시청하는 방식의 컨텐츠, 유저가 어플리케이션을 다운받는 방식의 컨텐츠 등)를 제공하는 리스트일 수 있지만, 이에 한정되는 것은 아니다.
복수의 유저 단말(10)이 "투표권 충전 리스트 데이터" 중에서 셀렉(Select; 선택)한 "셀렉 데이터"를 메인 서버(30)로 송신하는 단계(300)에서는 유저가 자신에게 제공된 다양한 투표권 충전 수단 리스트 중에서 특정 수단을 선택하여 마케팅에 노출될 수 있다.
일 예로, 유저는 다양한 투표권 충전 수단 리스트 중 특정 수단을 선택하여 특정 상품에 대해 특정 마케팅 컨텐츠를 제공받음으로써, 마케팅에 노출될 수 있다.
이 경우, "셀렉 데이터"는 "투표권 충전 리스트 데이터" 중 유저에게 선택받은 데이터이기 때문에, 당연히 "상품 데이터"와 "마케팅 컨텐츠 데이터"를 포함할 수 있다.
"셀렉 데이터"는 인공지능을 학습시키기 위한 피처값으로 활용되며, 상술한 바와 같이, "셀렉 데이터"는 유저가 제공받은 특정 상품에 대한 특정 마케팅 컨텐츠 등을 포함하므로, 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)은 다양한 관점에서 소비자 선호도를 예측할 수 있다.
한편, "셀렉 데이터"는 유저가 자신의 자유의지에 의해 셀렉한 데이터이므로, "셀렉 데이터"의 순도(정확성)가 담보될 수 있다.
메인 서버(30)가 복수의 유저 단말(10)로 리워드 투표권을 제공하는 단계(400)에서는 유저가 마케팅에 노출된 대가(Reward; 리워드)로 투표권을 제공받을 수 있다.
복수의 유저 단말(10)이 "투표 데이터"를 메인 서버(30)로 송신하는 단계(500)에서는 유저가 다양한 후보군 중에서 특정 후보를 선택하여 투표한 결과가 메인 서버(30)에 저장될 수 있다.
이 경우, "투표 데이터"는 다양한 인간과 사물과 관념을 객체로 설정할 수 있으며, 일 예로, "투표 데이터"는 유저가 투표한 인물에 대한 데이터일 수 있지만, 이에 한정되는 것은 아니다.
"투표 데이터"는 인공지능을 학습시키기 위한 레이블값으로 활용되며, 유저가 자신의 자유의지에 의해 투표한 데이터이므로, "투표 데이터"의 순도(정확성)가 담보될 수 있다.
메인 서버(30)가 "퍼스널 데이터"와 "셀렉 데이터"를 피처값(Feature value)으로 설정하고 "투표 데이터"를 레이블값(Lable value)으로 설정하여 지도학습(Supervised Learning)으로 인공지능 소비자 선호도 알고리즘을 생성하는 단계(600)에서는 메인 서버(30)에서 복수의 유저 단말(10)의 개수만큼 저장된 순도 높고 다양한 관점을 가지고 있는 빅데이터를 트레이닝/테스트 데이터셋으로 설정하여 지도학습을 수행하고 그 결과, 임의의 "퍼스널 데이터"와 "셀렉 데이터"를 입력하면 소비자 선호도를 예측하는 인공지능 소비자 선호도 알고리즘을 생성할 수 있다.
참고로, 기계학습은 명시적으로 프로그램되지 않아도 컴퓨터가 스스로 학습할 수 있도록 능력을 부여하는 방법론으로 정의될 수 있으며, 이는 데이터를 기반으로 프로그램이 스스로 데이터의 패턴을 학습하도록 하는 방식이다. 기계학습은 학습에 필요한 데이터에 정답의 명시 여부에 따라 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)으로 구되고, 사용 목적에 따라 데이터를 유한개의 카테고리로 나누는 분류(Classification), 연속적인 값으로 맵핑하는 리그레션(Regression), 유사한 데이터를 묶는 군집화(Clustering), 다차원의 데이터를 대표성 있는 낮은 차원으로 사상하는 차원축소(Dimension Reduction) 방법론으로 구분된다.
딥러닝은 기계학습 기법 중 하나로 한동안 정체되었던 기계학습의 성능을 획기적으로 향상시켰는데, 딥러닝은 인간의 뇌 구조에서 시냅스의 중첩을 흉내 낸 인공신경망(ANN; Artificial Neural Network) 알고리즘에 기반한 방법론이며, 딥러닝 구조로는 입력 계층(Input Layer)과 출력 계층(Output Layer) 사이에 복수의 은닉 계층(Hidden Layer)이 존재하는 심층신경망(DNN; Deep Neural Network), 은닉계층 앞에 요인 추출에 필요한 필터를 두고 필터를 함께 학습하는 나선형신경망(CNN; Convolutional Neural Network), 각 시간의 인공신경망을 적층해 시계열 데이터 처리가 가능한 재귀신경망(RNN; Recurrent Neural Network)을 포함할 수 있다. 여기서, 딥러닝 모델의 높은 성능은 두 가지로 설명되는데, 첫째, 인경신경망은 각 계층에 있는 함수들의 가중합의 중첩으로 모든 종류의 함수가 근사 가능한 범용근사법(Universal Approximator)으로 충분히 일반적인 데이터가 주어 진다면 높은 정확도로 데이터를 모사할 수 있다. 둘째, 데이터를 잘 구분하기 위해서는 데이터를 대표하는 요인을 적절하게 추출하는 것이 중요한데 나선형신경망을 이용하여 필터 학습을 통해 최적의 요인을 추출할 수 있다는 것이다. 또한, 딥러닝은 인공신경망(neural network)이라는 인공지능분야의 모형이 발전된 형태로서, 계층구조로 이루어진 인공신경망의 내부계층(hidden layer)이 여러 단계로 이루어진 구조이다. 최근의 딥러닝 모형은 내부계층이 많아져서 노드(node)를 연결하는 가중치(weight, 연결강도를 의미함)의 수가 최대 수십억 개가 되기도 한다.
한편, 서울가요대상 투표플랫폼에서는 수많은 팬(제30회 하이원 서울가요대상 기준 총 투표수 78,240,181개)이 특정 가수에게 투표를 하여 투표 결과를 집계한다.
본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)이 서울가요대상 투표플랫폼으로 활용되는 경우, 피처값으로 수많은 성별과 나이와 거주지역을 가지며 특정 상품에 대한 마케팅 컨텐츠를 제공받은 유저에 대한 데이터를 피처값으로 제공받고 수많은 가수에 대한 데이터를 레이블값으로 제공받아 학습한 인공지능 소비자 선호도 알고리즘을 생성할 수 있다.
그 결과, 인공지능 소비자 선호도 알고리즘에 임의의 데이터로서 "여성, 만 17세, 서울 강남구 거주, 스넥류, 영상 마케팅 컨텐츠"를 피처값(Feature value; 독립변수)으로 입력하면, "방탄소년단"에 대한 선호도가 가장 높다는 레이블값(Lable value; 종속변수)을 출력(예측)하게 된다.
만약, 기업이 서울 강남구에 거주하는 만 17세 여성을 대상으로 스넥류에 대한 영상 마케팅 컨텐츠를 기획한다면, 인공지능 소비자 선호도 알고리즘을 이용하여 방탄소년단을 광고 모델로 선정할 수 있다.
즉, 기업이 특정 타켓층에 대한 특정 마케팅 컨텐츠를 기획하는 경우, 순도 높은 데이터 학습으로 검증된 인공지능 소비자 선호도 알고리즘에 의해 특정 가수를 광고 모델로 선정함으로써, 높은 가치의 마케팅 효과를 누릴 수 있는 장점이 있다.
한편, 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 제1변형례(미도시)에서는 복수의 유저 단말(10)이 메인 서버(30)로 "퍼스널 데이터"를 송신하는 단계(100)가 생략될 수 있다.
이 경우, 마지막 단계는 메인 서버(30)가 "셀렉 데이터"를 피처값으로 설정하고 "투표 데이터"를 레이블값으로 설정하여 지도학습으로 인공지능 소비자 선호도 알고리즘을 생성하는 단계로 변경될 수 있다.
한편, 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 제2변형례(미도시)에서는 메인 서버(30)에서 제1인공지능 소비자 선호도 알고리즘("퍼스널 데이터"만 피처값으로 설정)과 제2인공지능 소비자 선호도 알고리즘("셀렉 데이터"만 피처값으로 설정)과 제3인공지능 소비자 선호도 알고리즘("퍼스널 데이터"와 "셀렉 데이터" 모두 피처값으로 설정)을 생성할 수 있다.
이 경우, 마지막 단계는 메인 서버(30)가 "퍼스널 데이터"를 피처값으로 설정하고 "투표 데이터"를 레이블값으로 설정하여 지도학습으로 제1인공지능 소비자 선호도 알고리즘을 생성하고, "셀렉 데이터"를 피처값으로 설정하고 "투표 데이터"를 레이블값으로 설정하여 지도학습으로 제2인공지능 소비자 선호도 알고리즘을 생성하고, "퍼스널 데이터"와 "셀렉 데이터"를 피처값으로 설정하고 "투표 데이터"를 레이블값으로 설정하여 지도학습으로 제3인공지능 소비자 선호도 알고리즘을 생성하는 단계로 변경될 수 있다.
한편, 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법의 제3변형례(미도시)에서는 마지막 단계에서 메인 서버(30)가 복수의 유저 단말(10)에서 송신된 "투표 데이터"를 검증한 다음, 복수의 유저 단말(10) 중 검증된 유저 단말(10)에서 송신된 "퍼스널 데이터"와 "셀렉 데이터"를 피처값(Feature value)으로 설정하고 "투표 데이터"를 레이블값(Lable value)으로 설정하여 지도학습(Supervised Learning)으로 인공지능 소비자 선호도 알고리즘을 생성할 수 있다.
복수의 유저 단말(10)에서 송신된 "투표 데이터"를 검증하는 방법은 과거의 특정 시간 단위(제1특정 시간 단위; 일 예로, 일주일)에서 "투표 데이터"를 분석하여 특정 투표 객체 당 투표율을 분석한 다음, 그 후의 검증 기간에서의 특정 시간 단위(제2특정 시간 단위)에서 "투표 데이터"를 분석하여 특정 투표 객체 당 투표율이 과거의 특정 투표 객체 당 투표율의 범위를 일정 범위값 이상 벗어난 동시에 해당 특정 시간에서 빅데이터 및 공공데이터를 분석한 결과 이상 현상이라고 판단되는 경우, 해당 특정 시간 단위에서의 "퍼스널 데이터"와 "셀렉 데이터"와 "투표 데이터"는 인공지능을 학습시키기 위한 데이터셋에서 배제함으로써 실현될 수 있다(이상현상이 감지된 특정 시간 단위에서의 투표는 부정 투표로 해석할 수 있기 때문이다).
이 경우, 빅데이터 및 공공데이터를 분석한 결과 이상 현상이라고 판단되는 경우는 일 예로, 과거의 특정 시간 단위에서의 특정 투표 객체의 검색율(일 예로, 구글 트렌드 등 활용)과 검증 기간에서의 특정 시간 단위에서의 특정 투표 객체의 검색율의 변화량이 일정 범위 이하인 경우를 의미한다.
즉, 특정 투표 객체(일 예로, 방탄소년단)의 검색율이 급격히 올라가는 이벤트가 없음에도 불구하고 투표율이 급격히 변동한다면 부정 투표가 실시되고 있는 이상 현상으로 판단하고 해당 데이터를 인공지능 학습 데이터셋에서 배체시키는 것이다.
이상에서 전술한 본 발명의 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법(1000)은 하드웨어인 서버와 결합되어 실행되기 위한 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 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.
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 (5)

  1. 복수의 유저 단말이 메인 서버로 퍼스널 데이터를 송신하는 단계;
    상기 메인 서버가 상기 복수의 유저 단말로 유저가 투표권을 충전할 수 있는 수단인 투표권 충전 리스트 데이터를 송신하는 단계;
    상기 복수의 유저 단말이 상기 투표권 충전 리스트 데이터 중에서 셀렉한 셀렉 데이터를 상기 메인 서버로 송신하는 단계;
    상기 메인 서버가 상기 복수의 유저 단말로 리워드 투표권을 제공하는 단계;
    상기 복수의 유저 단말이 유저가 투표한 인물에 관한 투표 데이터를 상기 메인 서버로 송신하는 단계; 및
    상기 메인 서버가 상기 복수의 유저 단말에서 송신된 투표 데이터를 검증한 다음, 상기 복수의 유저 단말 중 검증된 유저 단말에서 송신된 상기 퍼스널 데이터와 상기 셀렉 데이터를 피처값으로 설정하고 상기 투표 데이터를 레이블값으로 설정한 지도학습으로 인공지능 소비자 선호도 알고리즘을 생성하는 단계를 포함하고,
    상기 퍼스널 데이터는 유저의 성별에 대한 성별 데이터와 유저의 나이에 대한 나이 데이터와 유저의 거주지에 대한 거주 지역 데이터를 포함하고,
    상기 투표권 충전 리스트 데이터는 유저에게 스넥류와 생활용품류와 학용품류를 포함하는 상품에 대한 영상 광고와 슬라이드 광고와 어플리케이션을 다운받는 것을 포함하는 마케팅 컨텐츠에 대한 데이터이고,
    상기 셀렉 데이터는 상기 투표권 충전 리스트 데이터 중에서 유저가 셀렉한 상품 데이터와 마케팅 컨텐츠 데이터를 포함하고,
    상기 메인 서버가 상기 복수의 유저 단말에서 송신된 상기 투표 데이터를 검증하는 방법은 과거의 제1특정 시간 단위에서 상기 투표 데이터를 분석하여 특정 투표 객체의 투표율을 분석한 다음, 그 후의 검증 기간에서의 제2특정 시간 단위에서 상기 투표 데이터를 분석하여 특정 투표 객체의 투표율이 과거의 특정 투표 객체의 투표율의 범위를 일정 범위값 이상 벗어난 동시에 빅데이터와 공공데이터를 분석한 결과 이상 현상이라고 판단되는 경우, 해당 제2특정 시간 단위에서의 상기 퍼스널 데이터와 상기 셀렉데이터와 상기 투표 데이터를 인공지능을 학습시키기 위한 데이터에서 배제함으로써 이뤄지고,
    빅데이터와 공공데이터를 분석한 결과 이상 현상이라고 판단되는 경우는 과거의 제1특정 시간 단위에서의 특정 투표 객체의 검색율과 검증 기간인 제2특정 시간 단위에서의 특정 투표 객체의 검색율의 변화량이 일정 범위 이하인 경우인 것을 특징으로 하는 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
KR1020210017120A 2021-02-05 2021-02-05 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법 KR102266151B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210017120A KR102266151B1 (ko) 2021-02-05 2021-02-05 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210017120A KR102266151B1 (ko) 2021-02-05 2021-02-05 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법

Publications (1)

Publication Number Publication Date
KR102266151B1 true KR102266151B1 (ko) 2021-06-16

Family

ID=76602868

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210017120A KR102266151B1 (ko) 2021-02-05 2021-02-05 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법

Country Status (1)

Country Link
KR (1) KR102266151B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140127599A (ko) * 2013-04-25 2014-11-04 그린베일 주식회사 리워드를 이용한 광고 상품 신청 시스템 및 방법
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140127599A (ko) * 2013-04-25 2014-11-04 그린베일 주식회사 리워드를 이용한 광고 상품 신청 시스템 및 방법
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법

Similar Documents

Publication Publication Date Title
CN115917535A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
KR102384860B1 (ko) 템플릿이 제공되어 상품 업로드 편의성이 향상된 오픈마켓 플랫폼의 운영방법
CN110427564A (zh) 将深度学习集成到广义加性混合效应（game）框架中
CN116452263A (zh) 一种信息推荐方法、装置、设备及存储介质、程序产品
Wang Artificial Intelligence‐Driven Model for Production Innovation of Sports News Dissemination
KR102266153B1 (ko) 인공지능 기반 자가심리분석플랫폼을 통한 소비자 선호도를 제공하는 방법
Dan Intelligent English resource recommendation and teaching effect based on symmetric SDAE collaborative filtering algorithm
CN111291868A (zh) 网络模型训练方法、装置、设备及计算机可读存储介质
KR102266151B1 (ko) 인공지능 기반 투표플랫폼을 통한 소비자 선호도를 제공하는 방법
Zhang Sharing of teaching resources for English majors based on ubiquitous learning resource sharing platform and neural network
CN113626697A (zh) 一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法
CN116150429A (zh) 异常对象识别方法、装置、计算设备以及存储介质
Zhang et al. A new point-of-interest classification model with an extreme learning machine
CN115455276A (zh) 推荐对象的方法、装置、计算机设备和存储介质
CN111414538A (zh) 基于人工智能的文本推荐方法、装置及电子设备
Suleiman et al. DeepPatterns: Predicting Mobile Apps Usage from Spatio-Temporal and Contextual Features
Chen et al. Interest-aware next POI recommendation for mobile social networks
CN117556149B (zh) 资源推送方法、装置、电子设备和存储介质
CN114880565B (zh) 一种信息推荐的方法、模型训练的方法以及相关装置
KR102687509B1 (ko) 인공지능을 기반으로 데이터를 분석하여 셀러에게 유저가 선호하는 상품 정보를 제공하는 셀러와 유저를 매칭시키는 글로벌 이커머스 플랫폼의 운영방법
KR102464356B1 (ko) 인공지능 기반 유저에게 상품을 자동으로 추천하는 셀러와 유저를 매칭시키는 오픈마켓 플랫폼의 운영방법
Alshmrany LFD-CNN: Levy flight distribution based convolutional neural network for an adaptive learning style prediction in E-learning environment
CN116628236B (zh) 多媒体信息的投放方法、装置、电子设备及存储介质
US20240119490A1 (en) System and method for recommending programs based on interest of the users
Su et al. TSWNN+: Check-in Prediction Based on Deep Learning and Factorization Machine

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant