KR102320482B1 - 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법 - Google Patents

인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR102320482B1
KR102320482B1 KR1020190156270A KR20190156270A KR102320482B1 KR 102320482 B1 KR102320482 B1 KR 102320482B1 KR 1020190156270 A KR1020190156270 A KR 1020190156270A KR 20190156270 A KR20190156270 A KR 20190156270A KR 102320482 B1 KR102320482 B1 KR 102320482B1
Authority
KR
South Korea
Prior art keywords
sound source
source revenue
frequency
mention
period
Prior art date
Application number
KR1020190156270A
Other languages
English (en)
Other versions
KR20210067042A (ko
Inventor
김하미
Original Assignee
김하미
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 김하미 filed Critical 김하미
Priority to KR1020190156270A priority Critical patent/KR102320482B1/ko
Publication of KR20210067042A publication Critical patent/KR20210067042A/ko
Application granted granted Critical
Publication of KR102320482B1 publication Critical patent/KR102320482B1/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change

Abstract

본 발명은 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법에 관한 것이다.
본 발명에 따르면, 음원 수익 정산 예측 시스템을 이용한 음원 수익 정산 예측 방법에 있어서, 특정 기간별 복수의 아티스트의 언급 빈도를 웹 크롤링 방법을 이용하여 획득하는 단계, 상기 특정 기간별 상기 복수의 아티스트의 음원수익을 획득하는 단계, 상기 언급 빈도와 상기 음원수익을 머신러닝 알고리즘에 적용하여 상관관계를 학습시키는 단계, 음원 수익 정산을 요청하는 해당 아티스트로부터 음원 수익을 예측받고자 하는 요청 기간과 상기 요청 기간 동안의 언급 빈도를 입력받는 단계, 상기 입력된 요청 기간 및 상기 요청 기간 동안의 언급 빈도를 상기 머신러닝 알고리즘에 적용하여 상기 요청 기간 동안의 음원 수익을 예측하는 단계, 그리고 상기 예측된 음원 수익을 상기 아티스트에게 제공하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 기존의 음원 정산 방법보다 손 쉽게 정산이 가능하며, 아티스트들이 지속적인 작품 활동에 전념할 수 있는 환경을 제공할 수 있다.

Description

인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법{SYSTEM FOR SOUND REVENUE SETTLEMENT FORECASTING USING ARTIFICAIL INTELLIGENCE AND METHOD THEREOF}
본 발명은 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법에 관한 것으로, 인공지능을 이용하여 음원 수익과 언급도를 학습하여 음원 수익에 대해 예측하는 음원 수익 정산 예측 시스템 및 그 방법에 관한 것이다.
음원이란 작사가, 작곡가, 편곡가 등 창작자에 의해 창작된 음악들을 말한다. 대개의 경우 특정 음원의 창작을 위해서는 제작자의 자본, 작사가, 작곡가, 편곡자의 창작, 그리고 실연자들의 연주와 노래 등이 필 요한 요소들로 각각의 참여자들이 저작권 혹은 인접권의 형태로 해당 음원에서 발생하는 수입에 일부에 대한 권리를 가지고 있다.
또한, 현재 저작권 협회에는 3개월 이후에 정산이 이루어지기 때문에, 모든 음원 서비스 플랫폼에서는 아티스트들에게 3개월 이후에 정산을 하고 있다.
현재의 음원 정산 방법은 즉각적인 정산이 불가능 했으며, 아티스트가 원하는 일자의 정산금액을 예측하지 못한다는 단점이 있다.
기존의 음원 정산 시스템은 영세업자 또는 자본력이 없는 아티스트의 경우에 꾸준히 작품 활동에 전념하기 힘들다는 단점이있다.
이러한 문제를 해결하기 위해 아티스트의 언급도와 음원수익 사이의 상관관계를 연산하여 음원 수익을 예측하는 시스템이 필요하게 되었다.
본 발명의 배경이 되는 기술은 대한민국 등록특허 제10-0674162호(2007.01.26.)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 인공지능을 이용하여 음원 수익과 언급도를 학습하여 음원 수익에 대해 예측하는 음원 수익 정산 예측 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 음원 수익 정산 예측 시스템을 이용한 음원 수익 정산 예측 방법에 있어서, 특정 기간별 복수의 아티스트의 언급 빈도를 웹 크롤링 방법을 이용하여 획득하는 단계, 상기 특정 기간별 상기 복수의 아티스트의 음원수익을 획득하는 단계, 상기 언급 빈도와 상기 음원수익을 머신러닝 알고리즘에 적용하여 상관관계를 학습시키는 단계, 음원 수익 정산을 요청하는 해당 아티스트로부터 음원 수익을 예측받고자 하는 요청 기간과 상기 요청 기간 동안의 언급 빈도를 입력받는 단계, 상기 입력된 요청 기간 및 상기 요청 기간 동안의 언급 빈도를 상기 머신러닝 알고리즘에 적용하여 상기 요청 기간 동안의 음원 수익을 예측하는 단계, 그리고 상기 예측된 음원 수익을 상기 아티스트에게 제공하는 단계를 포함한다.
상기 언급 빈도는, 언급된 매체의 종류 및 매체의 선호도에 따라 가중치가 다르게 부여될 수 있다.
상기 머신러닝 알고리즘은, 월의 상반기에 해당하는 기간이 월의 하반기에 해당하는 기간보다 더 높은 가중치를 가지도록 설정할 수 있다.
상기 머신러닝 알고리즘은, 월의 상반기와 월의 하반기가 동일한 언급 빈도를 가질 경우, 월의 상반기가 월의 하반기보다 더 높은 음원 수익을 발생시키도록 학습시킬 수 있다.
상기 학습시키는 단계는, 아티스트별 주요 장르 및 계절의 상관 관계에 대하여 더 적용하여 학습시킬 수 있다.
상기 머신러닝 알고리즘은, 상기 복수의 아티스트가 댄스 가수인 경우 특정 기간이 여름에 해당하면 겨울보다 더 높은 가중치를 부여하고, 상기 복수의 아티스트가 발라드 가수인 경우 특정 기간이 가을에 해당하면 여름보다 더 높은 가중치를 부여할 수 있다.
본 발명의 다른 실시예에 따르면, 특정 기간별 복수의 아티스트의 언급 빈도를 웹 크롤링 방법을 이용하여 획득하고, 상기 특정 기간별 상기 복수의 아티스트의 음원수익을 획득하는 획득부, 상기 언급 빈도와 상기 음원수익을 머신러닝 알고리즘에 적용하여 상관관계를 학습시키는 학습부, 음원 수익 정산을 요청하는 해당 아티스트로부터 음원 수익을 예측받고자 하는 요청 기간과 상기 요청 기간 동안의 언급 빈도를 입력받는 입력부, 상기 입력된 요청 기간 및 상기 요청 기간 동안의 언급 빈도를 상기 머신러닝 알고리즘에 적용하여 상기 요청 기간 동안의 음원 수익을 예측하는 예측부, 그리고 상기 예측된 음원 수익을 상기 아티스트에게 제공하는 제공부를 포함한다.
이와 같이 본 발명에 따르면, 기존의 음원 정산 방법보다 손 쉽게 정산이 가능하며, 아티스트들이 지속적인 작품 활동에 전념할 수 있는 환경을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 음원 수익 정산 예측 시스템의 구성을 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 따른 음원 수익 정산 예측 방법을 설명하기 위한 도면이다.
도 3은 도 2의 S230단계 내지 S250단계를 설명하기 위한 도면이다.
도 4는 도 2의 S250단계를 설명하기 위한 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 음원 수익 정산 예측 시스템의 구성을 나타낸 구성도이다.
도 1에서 나타낸 것처럼, 본 발명의 실시예에 따른 음원 수익 정산 예측 시스템(100)은 획득부(110), 학습부(120), 입력부(130), 예측부(140) 및 제공부(150)를 포함한다.
먼저, 획득부(110)는 특정 기간별 복수의 아티스트의 언급 빈도를 웹 크롤링 방법을 이용하여 획득하고, 특정 기간별 복수의 아티스트의 음원수익을 획득한다.
여기서, 언급 빈도는 언급된 매체의 종류 및 매체의 선호도에 따라 가중치가 다르게 부여된다.
다음으로, 학습부(120)는 언급 빈도와 음원수익을 머신러닝 알고리즘에 적용하여 상관관계를 학습시킨다.
이때, 머신러닝 알고리즘은 월의 상반기에 해당하는 기간이 월의 하반기에 해당하는 기간보다 더 높은 가중치를 가지도록 설정한다.
또한, 머신러닝 알고리즘은 월의 상반기와 월의 하반기가 동일한 언급 빈도를 가질 경우, 소비 욕구 심리가 더 큰 월의 상반기가 월의 하반기보다 더 높은 음원 수익을 발생시키도록 학습시킨다.
즉, 머신러닝 알고리즘은 복수의 아티스트가 댄스 가수인 경우 특정 기간이 여름에 해당하면 겨울보다 더 높은 가중치를 부여하고, 복수의 아티스트가 발라드 가수인 경우 특정 기간이 가을에 해당하면 여름보다 더 높은 가중치를 부여한다.
또한, 학습부(120)는 아티스트별 주요 장르 및 계절의 상관 관계를 적용하여 머신러닝 알고리즘을 학습시킬 수 있다.
다음으로, 입력부(130)는 음원 수익 정산을 요청하는 해당 아티스트로부터 음원 수익을 예측받고자 하는 요청 기간과 요청 기간 동안의 언급 빈도를 입력받는다.
여기서, 입력부(130)는 요청 기간 동안의 언급 빈도를 웹 크롤링(Web crawlling) 방법을 이용하여 획득한다.
그리고, 예측부(140)는 입력된 요청 기간 및 요청 기간 동안의 언급 빈도를 머신러닝 알고리즘에 적용하여 요청 기간 동안의 음원 수익을 예측한다.
그러면, 제공부(150)는 예측된 음원 수익을 음원 수익 정산을 요청하는 해당 아티스트에게 제공한다.
이하에서는 도 2 내지 도 4를 이용하여 본 발명의 실시예에 따른 음원 수익 정산 예측 방법에 대하여 설명한다.
도 2는 본 발명의 실시예에 따른 따른 음원 수익 정산 예측 방법을 설명하기 위한 도면이다.
도 2에서 나타낸 것처럼, 획득부(110)는 특정 기간별 복수의 아티스트의 언급 빈도를 웹 크롤링 방법을 이용하여 획득한다(S210)
여기서, 웹 크롤링은 데이터 마이닝의 한 분야이며, 복수의 사용자들 일일이 해당 사이트의 정보를 검색하는 것이 아니라 미리 입력된 컴퓨터 프로그램에 따라 끊임없이 새로운 웹 페이지를 찾아 종합하고, 찾은 결과를 이용해 또 새로운 정보를 찾아 색인을 추가하는 작업을 반복 수행한다.
또한, 웹 크롤링은 네이버, 구글 및 카카오와 같은 대형 포털사이트에서 입력된 정보를 찾고 가공하기 위해 사용된다.
그러면, 본 발명의 실시예에서의 웹 크롤링 방법은 아티스트의 언급 빈도를 멜론, 지니 및 네이버와 같은 웹에서 자동으로 데이터를 수집하고, 수집된 데이터를 데이터베이스화 한다.
또한, 언급 빈도는 언급된 매체의 종류 및 매체의 선호도에 따라 가중치가 다르게 부여된다.
즉, 언급 빈도는 네이버, 다음, 네이트와 같은 대형 포털 사이트의 경우에는 소규모의 신문을 제작하는 신문사의 사이트보다 크기 및 접속인원이 많기 때문에 더 높은 가중치가 부여된다.
다음으로, 획득부(110)는 특정 기간별 복수의 아티스트의 음원수익을 획득한다(S220).
여기서, 음원수익은 언급 빈도와 동일한 웹 크롤링 방법을 이용하여 획득될 수 있으며 음원을 제공하는 업체 또는 저작권 협회를 통하여 획득될 수 있다.
그러면, 학습부(120)는 언급 빈도와 음원수익을 머신러닝 알고리즘에 적용하여 상관관계를 학습시킨다(S230).
여기서, 머신러닝 알고리즘은 인공지능의 한 분야로, 패턴인식과 컴퓨터 학습이론으로부터 파생된 분야이다. 머신 러닝은 경험적 데이터를 기반으로 학습을 하여 예측하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이며, 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축한다.
즉, 머신러닝 알고리즘은 명시적인 알고리즘을 설계하기 어렵거나 프로그래밍하기 어려운 작업을 해결하기 위해 주로 사용된다.
이때, 머신러닝 알고리즘은 학습 대상이 되는 시스템에 정보 또는 데이터를 입력하는 형태에 따라 감독 학습, 비 감독 학습 및 강화 학습으로 나뉜다.
또한, 머신 러닝의 기법 및 모델들로는 트리 구조 형태를 예측 모델로 사용하는 의사 결정 나무(Decision Tree), 생물의 신경 네트워크 구조와 기능을 모방하는 인공 신경망(Neural Network), 생물의 진화 알고리즘에 기반한 유전자 프로그래밍(Genetic Programming), 관측된 예를 군집이라는 부분집합으로 분배하는 군집화(Clustering), 무작위로 추출된 난수를 통해 함수값을 확률로 계산하는 몬테카를로 방법(Monter Carlo method) 등이 있다.
본 발명의 실시예에서는 머신러닝을 통하여 언급 빈도에 따른 음원수익의 상관관계를 학습한다.
이때, 머신러닝 알고리즘은 월의 상반기에 해당하는 기간이 월의 하반기에 해당하는 기간보다 더 높은 가중치를 가지도록 설정하여 학습한다.
또한, 머신러닝 알고리즘은 월의 상반기와 월의 하반기가 동일한 언급 빈도를 가질 경우, 월의 상반기가 월의 하반기보다 더 높은 음원 수익을 발생시키도록 학습한다.
즉, 월의 상반기에 해당하는 기간의 구매력이 월의 하반기에 해당하는 기간의 구매력보다 높다는 점에서, 월의 상반기에 해당하는 기간이 월의 하반기에 해당하는 기간보다 더 높은 가중치를 가진다.
그리고, 학습부(120)는 아티스트별 주요 장르 및 계절의 상관 관계에 대하여 더 적용하여 학습시킨다.
예를 들어, 복수의 아티스트가 댄스 가수인 경우 특정 기간이 여름시즌에 해당하면, 머신러닝 알고리즘은 겨울시즌보다 더 높은 가중치를 부여하여 학습한다.
또 다른 예를 들면, 복수의 아티스트가 발라드 가수인 경우 특정 기간이 가을시즌에 해당하면, 머신러닝 알고리즘은 여름시즌보다 더 높은 가중치를 부여하여 학습한다.
그러면, 입력부(130)는 음원 수익 정산을 요청하는 해당 아티스트로부터 음원 수익을 예측받고자 하는 요청 기간과 요청 기간 동안의 언급 빈도를 입력받는다(S240).
여기서, 요청 기간은 현재까지 음원 수익이 정산되지 않은 기간으로서, 음원 수익에 대한 정산 수익을 예측하고자 하는 기간을 의미한다.
음원 수익 정산을 예측하고 하는 해당 아티스트는 특정 기간을 요청기간으로 선택할 수 있다.
예를 들어, 현재 일자가 11월 10일이고 9월 1일부터 미정산 기간이라고 가정하면, 해당 아티스트는 9월 1일부터 9월 14일까지의 음원 수익을 예측받고자 하는 요청 기간을 입력할 수 있다.
그리고, 입력부(130)는 웹 크롤링 방법을 이용하여 음원 수익을 예측받고자 하는 요청 기간에 해당하는 언급 빈도를 입력받는다.
즉, 입력부(130)는 9월 1일부터 9월 14일까지의 해당 아티스트에 대한 언급 빈도를 웹크롤링 기법을 통하여 획득한다.
그러면, 예측부(140)는 입력된 요청 기간 및 요청 기간 동안의 언급 빈도를 머신러닝 알고리즘에 적용하여 요청 기간 동안의 음원 수익을 예측한다(S250).
도 3은 도 2의 S230단계 내지 S250단계를 설명하기 위한 도면이다.
도 4는 도 2의 S250단계를 설명하기 위한 도면이다.
즉, 도 3에서 나타낸 것처럼, 요청 기간 동안의 음원 수익을 예측하기 위해서 언급 빈도와 음원수익간의 상관관계를 머신러닝 알고리즘을 이용하여 학습하고, 학습된 머신러닝 알고리즘을 기반으로 음원 수익을 예측한다.
그리고, 도 4에서 나타낸 것처럼, 댄스 가수인 경우, 음원 수익은 머신러닝 알고리즘에 의해 여름에 해당하는 7월과 8월로 갈수록 증가하도록 학습된다.
아티스트가 미 정산 구역 중에서 해당되는 기간을 선택하면 예측부(140)는 음원수익을 예측하여 아티스트에게 제공한다.
이때, 음원 수익 정산을 요청하는 해당 아티스트가 신인일 경우, 예측부(140)는 복수의 아티스트 중에서 신인일때의 언급 빈도가 유사한 아티스트를 선정하여 음원 수익을 예측한다.
그러면, 제공부(150)는 요청 기간동안 예측된 음원 수익의 정산을 요청하는 해당 아티스트에게 제공한다(S260).
여기서, 제공부(150)는 예측된 음원 수익을 해당 아티스트의 계좌 또는 마일리지 형식으로 제공할 수 있으며, 아티스트의 의사에 따라 다양한 종류로 제공할 수 있다.
이와 같이 본 발명의 실시예에 따르면, 기존의 음원 정산 방법보다 손 쉽게 정산이 가능하며, 아티스트들이 지속적인 작품 활동에 전념할 수 있는 환경을 제공할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명 되었으나 이는 예시적인 것이 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 음원 수익 정산 예측 시스템, 110: 획득부,
120: 학습부, 130: 입력부,
140: 예측부, 150: 제공부

Claims (12)

  1. 음원 수익 정산 예측 시스템을 이용한 음원 수익 정산 예측 방법에 있어서,
    특정 기간별 복수의 아티스트의 언급 빈도를 웹 크롤링 방법을 이용하여 획득하는 단계,
    상기 특정 기간별 상기 복수의 아티스트의 음원수익을 획득하는 단계,
    상기 언급 빈도와 상기 음원수익을 머신러닝 알고리즘에 적용하여 상관관계를 학습시키는 단계,
    음원 수익 정산을 요청하는 해당 아티스트로부터 음원 수익을 예측받고자 하는 요청 기간과 상기 요청 기간 동안의 언급 빈도를 입력받는 단계,
    상기 입력된 요청 기간 및 상기 요청 기간 동안의 언급 빈도를 상기 머신러닝 알고리즘에 적용하여 상기 요청 기간 동안의 음원 수익을 예측하는 단계, 그리고
    상기 예측된 음원 수익을 상기 아티스트에게 제공하는 단계를 포함하고,
    상기 언급 빈도는,
    언급된 매체의 종류 및 매체의 선호도에 따라 가중치가 다르게 부여되며,
    상기 머신러닝 알고리즘은,
    월의 상반기에 해당하는 기간이 월의 하반기에 해당하는 기간보다 더 높은 가중치를 가지도록 설정하고, 월의 상반기와 월의 하반기가 동일한 언급 빈도를 가질 경우, 월의 상반기가 월의 하반기보다 더 높은 음원 수익을 발생시키도록 학습시키는 음원 수익 정산 예측 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 학습시키는 단계는,
    아티스트별 주요 장르 및 계절의 상관 관계에 대하여 더 적용하여 학습시키는 음원 수익 정산 예측 방법.
  6. 제5항에 있어서,
    상기 머신러닝 알고리즘은,
    상기 복수의 아티스트가 댄스 가수인 경우 특정 기간이 여름에 해당하면 겨울보다 더 높은 가중치를 부여하고,
    상기 복수의 아티스트가 발라드 가수인 경우 특정 기간이 가을에 해당하면 여름보다 더 높은 가중치를 부여하는 음원 수익 정산 예측 방법.
  7. 특정 기간별 복수의 아티스트의 언급 빈도를 웹 크롤링 방법을 이용하여 획득하고, 상기 특정 기간별 상기 복수의 아티스트의 음원수익을 획득하는 획득부,
    상기 언급 빈도와 상기 음원수익을 머신러닝 알고리즘에 적용하여 상관관계를 학습시키는 학습부,
    음원 수익 정산을 요청하는 해당 아티스트로부터 음원 수익을 예측받고자 하는 요청 기간과 상기 요청 기간 동안의 언급 빈도를 입력받는 입력부,
    상기 입력된 요청 기간 및 상기 요청 기간 동안의 언급 빈도를 상기 머신러닝 알고리즘에 적용하여 상기 요청 기간 동안의 음원 수익을 예측하는 예측부, 그리고
    상기 예측된 음원 수익을 상기 아티스트에게 제공하는 제공부를 포함하고,
    상기 언급 빈도는,
    언급된 매체의 종류 및 매체의 선호도에 따라 가중치가 다르게 부여되며,
    상기 머신러닝 알고리즘은,
    월의 상반기에 해당하는 기간이 월의 하반기에 해당하는 기간보다 더 높은 가중치를 가지도록 설정하고, 월의 상반기와 월의 하반기가 동일한 언급 빈도를 가질 경우, 월의 상반기가 월의 하반기보다 더 높은 음원 수익을 발생시키도록 학습시키는 음원 수익 정산 예측 시스템.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 제7항에 있어서,
    상기 학습부는,
    아티스트별 주요 장르 및 계절의 상관 관계에 대하여 더 적용하여 학습시키는 음원 수익 정산 예측 시스템.
  12. 제11항에 있어서,
    상기 머신러닝 알고리즘은,
    상기 복수의 아티스트가 댄스 가수인 경우 특정 기간이 여름에 해당하면 겨울보다 더 높은 가중치를 부여하고,
    상기 복수의 아티스트가 발라드 가수인 경우 특정 기간이 가을에 해당하면 여름보다 더 높은 가중치를 부여하는 음원 수익 정산 예측 시스템.
KR1020190156270A 2019-11-29 2019-11-29 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법 KR102320482B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190156270A KR102320482B1 (ko) 2019-11-29 2019-11-29 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190156270A KR102320482B1 (ko) 2019-11-29 2019-11-29 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20210067042A KR20210067042A (ko) 2021-06-08
KR102320482B1 true KR102320482B1 (ko) 2021-11-02

Family

ID=76399114

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190156270A KR102320482B1 (ko) 2019-11-29 2019-11-29 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102320482B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102614220B1 (ko) * 2022-12-13 2023-12-20 초록소프트 주식회사 음원 이용량 예측 모델 생성 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102492124B1 (ko) * 2021-12-23 2023-01-27 주식회사 파이베이커리 가치평가 모델링을 통한 음악 저작권 및 저작인접권의 분할 및 상품화 비즈니스 모델 구현 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017215898A (ja) * 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180064749A (ko) * 2016-12-06 2018-06-15 뮤지코인 주식회사 음원 수익 예측/분석 시스템 및 방법
KR20180114857A (ko) * 2017-04-11 2018-10-19 주식회사 스페이스오디티 뮤지션 컨텐츠 전송 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017215898A (ja) * 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102614220B1 (ko) * 2022-12-13 2023-12-20 초록소프트 주식회사 음원 이용량 예측 모델 생성 방법 및 장치

Also Published As

Publication number Publication date
KR20210067042A (ko) 2021-06-08

Similar Documents

Publication Publication Date Title
Abualigah Group search optimizer: a nature-inspired meta-heuristic optimization algorithm with its results, variants, and applications
SS et al. Nature inspired meta heuristic algorithms for optimization problems
Liu et al. A robust model for paper reviewer assignment
Liu et al. An affinity propagation clustering based particle swarm optimizer for dynamic optimization
Prayogo et al. Optimization model for construction project resource leveling using a novel modified symbiotic organisms search
Tak et al. Recurrent type-1 fuzzy functions approach for time series forecasting
KR102320482B1 (ko) 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법
Fattore et al. From composite indicators to partial orders: evaluating socio-economic phenomena through ordinal data
Sarhani et al. Initialization of metaheuristics: comprehensive review, critical analysis, and research directions
Ji et al. HFADE-FMD: a hybrid approach of fireworks algorithm and differential evolution strategies for functional module detection in protein-protein interaction networks
Rahimi et al. Using meta-heuristics for project scheduling under mode identity constraints
Lingras Applications of rough set based k-means, Kohonen SOM, GA clustering
CN114925691A (zh) 基于作者学术背景的合著论文作者贡献度评价分析方法
CN112835960B (zh) 一种数字展会的数据分析方法与系统
Faliszewski et al. Multiwinner voting in genetic algorithms for solving ill-posed global optimization problems
González et al. An incremental approach to address big data classification problems using cognitive models
Maskat et al. Pay-as-you-go configuration of entity resolution
Casillas et al. A hybrid learning process for the knowledge base of a fuzzy rule-based system
Sadeghiram et al. Multi-objective distributed Web service composition—A link-dominance driven evolutionary approach
Karakostas Land-use planning via enhanced multi-objective evolutionary algorithms: optimizing the land value of major Greenfield initiatives
Brookhouse et al. Discovering regression rules with ant colony optimization
García et al. A two-step approach of feature construction for a genetic learning algorithm
CN111027709B (zh) 信息推荐方法、装置、服务器及存储介质
Dereli et al. Enhancing technology clustering through heuristics by using patent counts
Bose Data mining in tourism

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant