KR102321106B1 - 딥러닝을 이용한 영상 제작 방법 및 장치 - Google Patents
딥러닝을 이용한 영상 제작 방법 및 장치 Download PDFInfo
- Publication number
- KR102321106B1 KR102321106B1 KR1020190152621A KR20190152621A KR102321106B1 KR 102321106 B1 KR102321106 B1 KR 102321106B1 KR 1020190152621 A KR1020190152621 A KR 1020190152621A KR 20190152621 A KR20190152621 A KR 20190152621A KR 102321106 B1 KR102321106 B1 KR 102321106B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- product
- creator
- matching
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 106
- 230000006870 function Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002324 mouth wash Substances 0.000 description 1
- 229940051866 mouthwash Drugs 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 229940034610 toothpaste Drugs 0.000 description 1
- 239000000606 toothpaste Substances 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 명세서는, 제품 영상 제작을 수행하는 크리에이터 매칭 방법을 제공할 수 있다. 이때, 크리에이터 매칭 방법은 제품 영상 제작 요청 메시지를 수신하는 단계, 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하는 단계 및 매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하는 단계를 포함할 수 있다. 이때, 매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고, 학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 매칭을 수행하고, 입력 정보는 제품 속성 정보 및 크리에이터 속성 정보일 수 있다.
Description
본 명세서는 딥러닝을 이용하여 영상을 제작하는 방법 및 장치에 대한 것이다. 구체적으로, 본 발명은 딥러닝에 기초하여 제품 영상과 제품 영상을 제작하는 크리에이터(creator)를 매칭하는 방법 및 장치를 제공할 수 있다.
기존에는 영상 제작을 위해 다양한 장비 및 복잡한 소프트웨어가 필요할 수 있었다. 최근, 산업 발전과 더불어 디바이스에 영상 제작에 필요한 소형 장비들이 구현되었으며, 다양한 소프트웨어를 통해 영상 제작 및 편집이 용이해졌다. 특히, 카메라의 성능이 향상되고, 소형화된 다양한 카메라들이 디바이스에 장착되면서 영상 제작에 한계가 줄어들었다. 또한, 최근에는 개인 방송국과 같이, 개인 방송이 활성화되고 있으며, 영상이나 광고 제작도 개인에 의해 쉽게 제작될 수 있는 시대가 도래하였다.
이러한 시대적 흐름에 따라 개인 크리에이터들이 다수 등장하였으며, 크리에이터의 성향 및 능력을 고려하여 맞춤형 컨텐츠 제작이 가능할 수 있다. 다만, 다수의 크리에이터가 존재하는 환경에서 특정 제품에 대한 영상을 효율적으로 제작하기 위해 크리에이터를 분석하여 선택하는 방법이 필요할 수 있으며, 이에 대해서는 현재 시스템 및 방법이 미비한 상태이다. 하기에서는 상술한 점을 고려하여 딥러닝에 기초하여 제품 영상 제작을 위한 크리에이터 선택 방법 및 장치에 대해 서술한다.
본 명세서는, 딥러닝을 이용하여 영상을 제작하는 방법 및 장치를 제공하는데 목적이 있다.
본 명세서는, 딥러닝을 이용하여 제품 특성 및 크리에이터 특성을 고려한 영상 제작 방법 및 장치를 제공하는데 목적이 있다.
본 명세서는, 딥러닝을 이용하여 제품 영상을 제작하는 크리에이터를 선택하는 방법 및 장치를 제공하는데 목적이 있다.
본 명세서의 일 실시예에 따라,제품 영상 제작을 수행하는 크리에이터 매칭 방법을 제공할 수 있다. 이때, 크리에이터 매칭 방법은 제품 영상 제작 요청 메시지를 수신하는 단계, 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하는 단계 및 매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하는 단계를 포함할 수 있다. 이때, 매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고, 학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 매칭을 수행하고, 입력 정보는 제품 속성 정보 및 크리에이터 속성 정보일 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체가 제공될 수 있다. 이때,크리에이터 매칭 방법은제품 영상 제작 요청 메시지를 수신하는 단계, 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하는 단계 및매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하는 단계를 포함할 수 있다. 이때,매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고, 학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 매칭을 수행하고,입력 정보는 제품 속성 정보 및 크리에이터 속성 정보일 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 영상 제작을 수행하는 크리에이터를 매칭하는 서버를 제공할 수 있다. 이때, 서버는 데이터를송수신하는 송수신부 및 송수신부를 제어하는 프로세서를 포함할 수 있다. 이때, 프로세서는 디바이스로부터 제품 영상 제작 요청 메시지를 수신하고, 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하고, 매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하되, 매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고,학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 매칭을 수행하고,입력 정보는 제품 속성 정보 및 크리에이터 속성 정보일 수 있다.
또한, 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법, 컴퓨터 프로그램 및 서버에 대해서 다음 사항들은 공통으로 적용될 수 있다.
본 명세서의 일 실시예에 따라, 제품 속성 정보는 제품 영상 제작 요청 메시지에 포함되어 전송되고,등록된 적어도 하나의 크리에이터 각각의 크리에이터 속성 정보는 적어도 하나의 크리에이터가 등록되는 경우에 설정될 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 속성 정보는 제품 정보, 제품 카테고리 정보, 제품 가격 정보, 제품 제조자 정보, 제품 용도 정보, 제품 기능 정보, 제품 크기 정보, 제품 색상 정보, 제품 특징 정보 및 제품 영상 제작 관련 정보 중 적어도 하나 이상을 포함할 수 있다.
또한, 본 명세서의 일 실시예에 따라, 크리에이터 속성 정보는 전문 분야 정보, 경력 정보, 영상 제작 히스토리 정보, 수익 정보, 인지도 정보, 성별 정보, 나이 정보 및 소셜 네트워크 관련 정보 중 적어도 하나 이상을 포함할 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 속성 정보와 크리에이터 속성 정보의 유사도가 벡터거리에 기초하여 판단되는 경우, 학습 기준 정보는 제품 속성 정보와 크리에이터 속성 정보 각각에서 유사도 비교가 가능한 정보의 리스트를 제공하고, 각각의 제품 속성 정보와 각각의 크리에이터 속성 정보는 학습 기준 정보에 기초하여 수치화되고, 수치화된 정보에 기초하여 산출된 벡터거리에 기초하여 유사도가 판단될 수 있다.
이때, 본 명세서의 일 실시예에 따라, 학습 기준 정보는 유사도 판단에 기초하여 산출된 매칭 결과를 반영하여 업데이트될 수 있다.
본 명세서의 일 실시예에 따라,제품 영상 제작을 수행하는 크리에이터 매칭 방법을 제공할 수 있다. 이때, 크리에이터 매칭 방법은 제품 영상 제작 요청 메시지를 수신하는 단계, 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하는 단계 및 매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하는 단계를 포함할 수 있다. 이때, 매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고, 학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 매칭을 수행하고, 입력 정보는 제품 속성 정보 및 크리에이터 속성 정보일 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체가 제공될 수 있다. 이때,크리에이터 매칭 방법은제품 영상 제작 요청 메시지를 수신하는 단계, 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하는 단계 및매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하는 단계를 포함할 수 있다. 이때,매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고, 학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 매칭을 수행하고,입력 정보는 제품 속성 정보 및 크리에이터 속성 정보일 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 영상 제작을 수행하는 크리에이터를 매칭하는 서버를 제공할 수 있다. 이때, 서버는 데이터를송수신하는 송수신부 및 송수신부를 제어하는 프로세서를 포함할 수 있다. 이때, 프로세서는 디바이스로부터 제품 영상 제작 요청 메시지를 수신하고, 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하고, 매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하되, 매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고,학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 매칭을 수행하고,입력 정보는 제품 속성 정보 및 크리에이터 속성 정보일 수 있다.
또한, 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법, 컴퓨터 프로그램 및 서버에 대해서 다음 사항들은 공통으로 적용될 수 있다.
본 명세서의 일 실시예에 따라, 제품 속성 정보는 제품 영상 제작 요청 메시지에 포함되어 전송되고,등록된 적어도 하나의 크리에이터 각각의 크리에이터 속성 정보는 적어도 하나의 크리에이터가 등록되는 경우에 설정될 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 속성 정보는 제품 정보, 제품 카테고리 정보, 제품 가격 정보, 제품 제조자 정보, 제품 용도 정보, 제품 기능 정보, 제품 크기 정보, 제품 색상 정보, 제품 특징 정보 및 제품 영상 제작 관련 정보 중 적어도 하나 이상을 포함할 수 있다.
또한, 본 명세서의 일 실시예에 따라, 크리에이터 속성 정보는 전문 분야 정보, 경력 정보, 영상 제작 히스토리 정보, 수익 정보, 인지도 정보, 성별 정보, 나이 정보 및 소셜 네트워크 관련 정보 중 적어도 하나 이상을 포함할 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제품 속성 정보와 크리에이터 속성 정보의 유사도가 벡터거리에 기초하여 판단되는 경우, 학습 기준 정보는 제품 속성 정보와 크리에이터 속성 정보 각각에서 유사도 비교가 가능한 정보의 리스트를 제공하고, 각각의 제품 속성 정보와 각각의 크리에이터 속성 정보는 학습 기준 정보에 기초하여 수치화되고, 수치화된 정보에 기초하여 산출된 벡터거리에 기초하여 유사도가 판단될 수 있다.
이때, 본 명세서의 일 실시예에 따라, 학습 기준 정보는 유사도 판단에 기초하여 산출된 매칭 결과를 반영하여 업데이트될 수 있다.
도1은 본 명세서의 일 실시예에 따라 네트워크를 통해 디바이스들 및 서버가 통신을 수행하는 방법을 나타난 도면이다.
도 2는 본 명세서의 일 실시예에 따라 디바이스와 서버의 장치 구성을 나타낸 도면이다.
도 3 은 본 명세서의 일 실시예에 따라 크리에이터에 기초하여 제작된 제품 영상을 디스플레이하는 방법을 나타낸 도면이다.
도 4는 본 명세서의 일 실시예에 따라 제품과 크리에이터를 매칭하는 방법을 나타낸 도면이다.
도 5는 본 명세서의 일 실시예에 따라 딥러닝에 기초하여 출력 정보를 획득하는 방법을 나타낸 도면이다.
도 6은 본 명세서의 일 실시예에 따라 딥러닝에 기초하여 제품과 크리에이터를 매칭하는 방법을 나타낸 도면이다.
도 7은 본 명세서의 일 실시예에 따라 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법을 나타낸 도면이다.
도 8은 본 명세서의 일 실시예에 따라 학습 모델을 업데이트하는 방법을 나타낸 도면이다.
도 9는 본 명세서의 일 실시예에 따라 히스토리 정보를 업데이트하는 방법을 나타낸 도면이다.
도 2는 본 명세서의 일 실시예에 따라 디바이스와 서버의 장치 구성을 나타낸 도면이다.
도 3 은 본 명세서의 일 실시예에 따라 크리에이터에 기초하여 제작된 제품 영상을 디스플레이하는 방법을 나타낸 도면이다.
도 4는 본 명세서의 일 실시예에 따라 제품과 크리에이터를 매칭하는 방법을 나타낸 도면이다.
도 5는 본 명세서의 일 실시예에 따라 딥러닝에 기초하여 출력 정보를 획득하는 방법을 나타낸 도면이다.
도 6은 본 명세서의 일 실시예에 따라 딥러닝에 기초하여 제품과 크리에이터를 매칭하는 방법을 나타낸 도면이다.
도 7은 본 명세서의 일 실시예에 따라 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법을 나타낸 도면이다.
도 8은 본 명세서의 일 실시예에 따라 학습 모델을 업데이트하는 방법을 나타낸 도면이다.
도 9는 본 명세서의 일 실시예에 따라 히스토리 정보를 업데이트하는 방법을 나타낸 도면이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.
이하의 실시예들은 본 발명의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성할 수도 있다. 본 발명의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시된다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.
또한, 본 명세서에서 제1 및/또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 명세서의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게, 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
또한 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 그리고 명세서에 기재된 "?유닛", "?부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 및/또는 소프트웨어의 결합으로 구현될 수 있다.
도1은 본 명세서의 일 실시예에 따라 네트워크를 통해 디바이스들 및 서버가 통신을 수행하는 방법을 나타난 도면이다.
본 명세서에서 복수 개의 디바이스들은 네트워크를 통해 데이터를 교환할 수 있다. 일 예로, 네트워크는 디바이스와 시스템(또는 서버) 및 디바이스 상호 간의 데이터 교환을 수행할 수 있는 통신망으로서 유무선 네트워크를 포함할 수 있으며, 특정 네트워크로 한정되는 것은 아니다.
또한, 일 예로, 디바이스는 PC, 노트북, 스마트폰 및 태블릿을 포함할 수 있다. 또 다른 일 예로, 디바이스는 웨어러블 디바이스나 HMD(Head Mounted Display)일 수 있다. 즉, 디바이스는 데이터 통신이 가능한 장치로서 고정된 디바이스 및 고정된 디바이스일 수 있으며, 특정 디바이스로 한정되는 것은 아니다. 또 다른 일 예로, 디바이스는 IoT(Internet of Thing) 기능을 구비하는 디바이스로 생활 가전이나 그 밖의 장치일 수 있다. 즉, 데이터 통신이 가능하고, 영상을 디스플레이할 수 있는 장치는 본 발명의 디바이스일 수 있으며, 특정 디바이스에 한정되는 것은 아니다.
또한, 일 예로, 시스템(서버)은 디바이스들로부터 수신한 데이터를 수집하여 프로세싱하는 장치일 수 있다. 일 예로, 시스템은 중앙형 시스템으로 특정 디바이스일 수 있다. 또한, 일 예로, 시스템은 다수로 분산된 디바이스들의 집합으로 형성될 수 있다. 일 예로, 시스템은 엣지 컴퓨팅에 기초하여 데이터 프로세싱을 수행하는 다수의 디바이스로 형성될 수 있다. 즉, 시스템이라 함은 디바이스들로부터 데이터를 수신하여 이를 프로세싱한 후 다시 제공하는 기능을 수행하는 소프트웨어적인 구성으로 그 형태가 한정되는 것은 아니다. 하기에서는 시스템이 디바이스들로부터 제품 정보나 크리에이터 정보 중 적어도 어느 하나 이상을 수신하여 딥러닝에 기초하여 제품 영상 제작 크리에이터를 매칭하는 기능을 수행하는 방법에 대해 서술하나 이에 한정되는 것은 아니다.
구체적인 일 예로, 도 1을 참조하면, 복수 개의 모바일 디바이스(110-1, 110-2, 110-3)와 복수 개의 고정 디바이스(120-1, 120-2, 120-3)는 네트워크를 통해 서버(200, 또는 시스템)과 데이터 통신을 수행할 수 있다. 일 예로, 본 발명에 기초하여 서버(200)는 제품 영상 제작을 위한 크리에이터 매칭을 수행하고, 이에 대한 정보를 디바이스로 전송할 수 있다. 이때, 제품 영상 제작을 의뢰한 디바이스의 유저는 디바이스를 통해 제품 영상 제작을 위한 크리에이터 매칭 정보를 확인할 수 있다. 또한, 일 예로, 서버(200)는 크리에이터를 통해 제작된 영상을 네트워크를 통해 디바이스의 유저들에게 제공할 수 있으며, 이에 대해서는 후술한다.
도 2는 본 명세서의 일 실시예에 따라 디바이스와 서버의 장치 구성을 나타낸 도면이다.
상술한 바와 같이, 복수 개의 디바이스들은 네트워크를 통해 서버와 통신을 수행할 수 있다. 이때, 일 예로, 도 2를 참조하면, 각각의 디바이스(100)는 송수신부(110)와 프로세서(120)를 포함할 수 있다. 일 예로, 디바이스(100)의 송수신부(110)는 데이터 교환을 수행할 수 있다. 또한, 일 예로, 디바이스(100)의 프로세서(120)는 송수신부(110)를 제어할 수 있다. 또한, 일 예로, 디바이스(100)는 입력부(130)를 더 포함할 수 있다. 일 예로, 입력부(130)는 유저의 입력 정보를 획득하는 구성으로 터치 입력, 음성 입력 및 그 밖의 입력 정보를 획득할 수 있으며, 특정 입력에 한정되는 것은 아니다. 또한, 일 예로, 디바이스(100)는 디스플레이부(미도시)를 더 포함할 수 있다. 일 예로, 디바이스(100)는 서버(200)로부터 획득한 데이터를 디스플레이부를 통해 디스플레이하고, 유저는 이를 통해 데이터를 확인할 수 있다. 이때, 디바이스(100)의 프로세서(120)는 상술한 구성들을 제어할 수 있다. 또한, 디바이스(100)는 그 밖의 구성들을 더 포함할 수 있다. 또한, 일 예로, 디바이스(100)와 통신하는 서버(200)는 송수신부(210)와 프로세서(220)를 포함할 수 있다. 일 예로, 서버(200)는 송수신부(210)를 통해 다른 디바이스나 서버로 데이터를 전송할 수 있다. 또한, 서버(200)의 프로세서(220)는 송수신부를 제어할 수 있다. 또한, 서버(200)는 다른 구성들을 제어할 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 일 예로, 서버(200)는 딥러닝학습부(230)를 더 포함할 수 있다. 일 예로, 딥러닝학습부(230)는 설정된 학습 모델에 기초하여 입력 정보에 대응되는 출력 정보를 도출하여 제공할 수 있다. 일 예로, 딥러닝학습부(230)는 제품 속성 정보와 크리에이터 속성 정보를 입력 정보로 제품과 크리에이터 매칭 정보를 출력할 수 있다. 이때, 학습 모델에는 학습 기준 정보에 기초하여 동작하는 히든레이어가 존재하며 이에 대해서는 후술한다.
도 3 은 본 명세서의 일 실시예에 따라크리에이터에 기초하여 제작된 제품 영상을 디스플레이하는 방법을 나타낸 도면이다.
일 예로, 본 발명의 일 실시예에 따라, 디바이스는 서버로부터 제품 영상 정보를 수신하여 디스플레이할 수 있다. 이때, 일 예로, 디바이스는 소프트웨어, 웹페이지 및 어플리케이션 중 적어도 어느 하나에 기초하여 제품 영상 정보를 수신하여 디스플레이할 수 있다. 즉, 디바이스는 서버로부터 수신한 영상을 디스플레이할 수 있으며, 그 형태는 한정되지 않는다. 이때, 일 예로, 도 3a를 참조하면, 제품 영상 정보인바, 제품 영상과 함께 관련 정보들이 디스플레이될 수 있다. 일 예로, 디바이스는 제품 영상과 함께 제품 이름, 제품 카테고리, 제품 용도 및 제품 가격 정보 중 적어도 어느 하나 이상을 디스플레이할 수 있다. 또한, 디바이스는 제품과 관련된 다른 정보들을 디스플레이할 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 일 예로, 디바이스는 제품과 관련된 키워드 정보를 더 디스플레이할 수 있다. 또한, 일 예로, 디바이스는 제품 영상을 제작한 크리에이터에 대한 정보를 더 디스플레이할 수 있으며, 상술한 실시예로 한정되지 않는다. 즉, 디바이스는 서버로부터 제품 영상 정보 및 제품과 관련된 정보를 수신하여 디스플레이할 수 있으며, 유저는 이를 통해 제품 관련 영상을 시청할 수 있다.
구체적인 일 예로, 도 3b는 "칫솔"에 대한 영상일 수 있다. 이때, 디바이스는 서버로부터 칫솔과 관련된 영상과 해당 제품에 대한 정보 및 크리에이터 정보 중 적어도 어느 하나 이상을 수신하여 디스플레이할 수 있다. 즉, 디바이스는 제품에 대한 영상과 관련 정보를 디스플레이할 수 있다.
또 다른 일 예로, 크리에이터는 디바이스를 통해 제품 영상을 제작할 수 있다. 보다 상세하게는, 크리에이터는 자신의 디바이스를 통해 제품과 관련된 영상을 제작할 수 있다. 일 예로, 디바이스는 영상 제작을 위한 소프트웨어나 어플리케이션을 포함할 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 일 예로, 디바이스는 제작된 제품 영상을 유저 인풋에 기초하여 서버로 전송할 수 있다. 이때, 서버는 수신한 제품 영상과 제품 정보를 다른 디바이스의 유저들에게 제공할 수 있다. 즉, 크리에이터가 디바이스를 통해 제작한 영상이 서버를 통해 사용자 디바이스로 제공될 수 있으며, 상술한 실시예로 한정되지 않는다.
도 4는 본 명세서의 일 실시예에 따라 제품과 크리에이터를 매칭하는 방법을 나타낸 도면이다.
상술한 바와 같이, 크리에이터가 제작한 제품 영상은 서버를 통해 사용자 디바이스로 제공될 수 있다. 이때, 일 예로, 서버에는 다수의 크리에이터가 등록될 수 있다. 일 예로, 상술한 바와 같이, 디바이스의 영상 제작 소프트웨어나 어플리케이션을 통해 영상 제작이 용이해졌다. 일 예로, 디바이스는 고화질 카메라를 구비하고 있으며, 이에 기초하여 각각의 개인은 디바이스를 통해 영상을 제작할 수 있게 되었다. 상술한 점에 기초하여 크리에이터가 다수 존재할 수 있으며, 서버에도 다수의 크리에이터가 등록될 수 있다. 이때, 일 예로, 도 4a를 참조하면, 서버는 등록된 크리에이터에 대한 정보를 저장할 수 있다. 일 예로, 서버는 등록된 크리에이터 수 정보, 크리에이터 수익 정보 및 개별 수익 정보 중 적어도 어느 하나 이상을 저장할 수 있다. 또한, 서버는 크리에이터 관련 정보를 디바이스로 전송하고, 디바이스는 이에 대한 정보를 디스플레이할 수 있다. 또한, 일 예로, 서버는 크리에이터 등록 요청 정보를 디바이스로부터 수신하고, 수신한 정보에 기초하여 크리에이터를 서버에 등록할 수 있다. 이때, 일 예로, 서버는 크리에이터 아이디 정보에 기초하여 크리에이터를 등록할 수 있다. 즉, 개별 아이디별로크리에이터가 서버에 등록될 수 있다. 또한, 일 예로, 서버는 등록된 크리에이터로부터 제품에 대한 영상 정보를 획득할 수 있다. 즉, 크리에이터는 자신의 아이디에 기초하여 제품에 대한 영상을 서버로 등록할 수 있다. 이때, 서버는 크리에이터 아이디에 기초하여 보상 정보를 크리에이터에게 제공할 수 있다. 일 예로, 보상 정보는 제작된 영상에 대한 조회 수 정보나 광고 수익 정보에 기초하여 산정될 수 있으며, 상술한 실시예로 한정되지 않는다.
이때, 일 예로, 서버에는 다수의 크리에이터가 존재하는바, 제품 영상을 제작하기 위한 크리에이터에 대한 매칭이 필요할 수 있다. 이때, 특정 제품에 대한 영상을 제작하기 위한 크리에이터가 복수의 크리에이터 중에서 결정될 수 있다. 보다 구체적으로, 서버는 특정 제품에 대한 영상 제작 요청을 수신할 수 있다. 즉, 제품 영상 제작을 희망하는 유저는 제품 영상 제작을 위해 요청 메시지를 서버로 전송할 수 있다. 이때, 일 예로, 영상 제작 요청 메시지에는 제작되는 제품 관련 정보들이 포함될 수 있다. 일 예로, 제품명 정보, 제품 특징 정보, 제품 용도 정보, 제품 가격 정보, 관련 키워드 정보, 영상 제작 방향 정보 중 적어도 어느 하나 이상이 포함될 수 있다. 또한, 그 밖에도 다른 정보가 영상 제작 요청 메시지에는 제품과 관련된 다른 정보가 더 포함될 수 있으며, 상술한 실시예로 한정되지 않는다.
이때, 일 예로, 도 4b를 참조하면, 서버는 제품 관련 정보에 기초하여 특정 제품을 제작하는 크리에이터를 결정할 수 있다. 이때, 일 예로, 서버는 크리에이터 관련 정보를 더 포함할 수 있으며, 제품 관련 정보와 크리에이터 관련 정보를 이용하여 특정 제품을 제작하는 크리에이터를 결정할 수 있다. 일 예로, 도 4b에서 제품 A(411)의 제품 정보와 크리에이터 정보에 기초하여 크리에이터 D(424)가 제작되도록 결정될 수 있다. 또한, 제품 B(412)의 제품 정보와 크리에이터 정보에 기초하여 크리에이터 A(421)가 제작되도록 결정될 수 있다. 즉, 서버는 특정 제품의 영상을 제작하도록 제품과 크리에이터를매칭할 수 있다. 다만, 일 예로, 상술한 바와 같이, 서버에 다수의 크리에이터가 존재하는 경우, 제품에 가장 적합한 크리에이터를 선택하는 것이 문제될 수 있다. 서버는 제품에 대한 정보와 크리에이터 정보를 모두 고려해야 하는바, 가장 적합한 매칭을 찾는 것이 쉽지 않을 수 있다. 상술한 점을 고려하여, 서버는 딥러닝 학습 모델에 기초하여 제품과 크리에이터를매칭할 수 있으며, 이에 대해서는 후술한다.
도 5는 본 명세서의 일 실시예에 따라 딥러닝에 기초하여 출력 정보를 획득하는 방법을 나타낸 도면이다.
일 예로, 딥러닝은 학습 모델에 기초하여 심층 신경망(Deep Neural Network)을 학습함을 의미할 수 있다. 일 예로, 도 5를 참조하면, 심층 신경망은입력 레이어(Input layer)와 출력 레이어(Output layer) 사이에 다중의 히든레이어(Hidden layer)을 포함한 인공신경망(Artificial Neural Network)을 의미할 수 있다. 이때, 히든레이어는 입력 정보에 기초하여 학습된 정보에 기초하여 출력 레이어로 출력 정보를 제공할 수 있다. 또한, 히든레이어는 입력 레이어 및 출력 레이어와 관련된 다수의 정보들을 저장하고 있고, 이에 대한 정보에 기초하여 정합의 데이터가 산출되도록 할 수 있다. 또한, 입력 레이어의 정보 및 출력 레이어의 정보를 저장하고, 이를 학습을 위한 데이터로 활용하여 지속적으로 학습되도록 할 수 있다. 구체적인 일 예로,딥러닝의 학습 방식은 지도 학습(supervised learning)과 비지도 학습(unsupervised learning)을 포함할 수 있다. 이때, 일 예로, 지도 학습은 입력에 대한 정해진 출력에 기초하여 학습되는 모델일 수 있다. 또한, 비지도 학습은 정해진 출력이 아닌 다양한 패턴 정보에 기초하여 입력 레이어에 정합하는 출력 레이어를 결정하는 방법일 수 있다.
일 예로, 본 발명은 비지도 학습에 기초하여 학습 모델이 구성되고, 이에 기초하여 매칭이 수행될 수 있다. 다만 일 예로, 지도 학습 또는 머신 러닝이나 AI 기법도 적용될 수 있으며, 이에 한정되는 것은 아니다.
보다 구체적인 일 예로, 입력 레이어의 정보는 제품 관련 정보 및 크리에이터 관련 정보를 포함할 수 있다. 일 예로, 제품 관련 정보는 제품 속성 정보일 수 있다. 또한, 크리에이터 관련 정보는 크리에이터 속성 정보일 수 있다. 즉, 서버는 입력 레이어 정보로서 제품 속성 정보와 크리에이터 속성 정보에 기초하여 학습 모델을 출력 정보를 획득할 수 있다. 이때, 일 예로, 출력 레이어의 정보로서 출력 정보는 제품과 크리에이터 매칭 정보일 수 있다. 이때, 일 예로, 출력 정보는 제품과 크리에이터의 일대일 매칭 정보일 수 있다. 또한, 출력 정보는 제품과 관련된 크리에이터 리스트 정보일 수 있다. 또한, 일 예로, 출력 정보는 제품과 관련된 크리에이터 추천 정보, 우선 순위 정보일 수 있으며, 이에 대한 한정되는 것은 아니다. 또한, 일 예로, 입력 정보는 제품 속성 정보와 크리에이터 속성 정보뿐만 아니라 다른 정보를 더 포함할 수 있다. 일 예로, 입력 레이어에 대한 입력 정보로서 제한 사항에 대한 정보가 더 포함될 수 있다. 일 예로, 제품에 대한 영상 제작을 요청하는 유저는 가격 또는 영상 제작과 관련된 제한 사항을 설정할 수 있다. 이때, 입력 레이어는 상술한 제한 사항에 대한 정보를 입력 정보로 더 반영할 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 출력 정보도 다른 정보가 더 포함될 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 일 예로, 히든레이어 정보는 입력 레이어 정보의 유사도를 판단하는 정보를 포함할 수 있다. 일 예로, 유사도는 벡터 거리에 기초하여 결정될 수 있다. 보다 상세하게는, 유사도는 입력 정보 각각을 수치화하고, 수치화된 정보를 비교하여 벡터 거리 값을 산출하여 판단할 수 있다.일 예로, 벡터 거리 산출을 위해 유클리디언 거리(Euclidean distance)가 계산될 수 있으며, 이는 하기 수학식 1에 기초하여 계산될 수 있다. 일 예로, 두 데이터의 유사도는하기 수학식 1에 대한 값이계산값이 0에 가까울수록 유사할 수 있다. 또한, 일 예로, 유사도 측정을 위한 다른 벡터 거리가 사용될 수 있으며, 상술한 실시예로 한정되지 않는다.
[수학식 1]
도 6은 본 명세서의 일 실시예에 따라 딥러닝에 기초하여 제품과 크리에이터를 매칭하는 방법을 나타낸 도면이다.
상술한 바와 같이, 서버는 딥러닝 학습 모델에 기초하여 제품 영상을 제작할 크리에이터를 매칭할 수 있다. 이때, 보다 구체적인 일 예로, 입력 정보는 제품 속성 정보 및 크리에이터 속성 정보를 포함할 수 있다. 이때, 제품 속성 정보는 제품명 정보, 제품의 카테고리 정보, 가격 정보, 제조사 정보, 용도 정보, 기능 정보, 영상 히스토리 정보, 크기 정보 및 색상 정보 중 적어도 어느 하나 이상을 포함할 수 있다. 이때, 일 예로, 영상 히스토리 정보는 해당 제품 또는 해당 제품과 유사한 제품의 영상 제작 정보일 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 제품 속성 정보는 영상 제작 방향 정보를 더 포함할 수 있다. 일 예로, 영상 제작 방향 정보는 "제품의 기능을 중심으로 영상 제작" ,"제품에 세련된 이미지를 구현하는 것을 중심으로 영상 제작" 등과 같은 제품 영상 제작을 의뢰하는 사용자의 의도일 수 있으며, 상술한 실시예로 한정되지 않는다. 즉, 제품에 대한 다양한 속성 정보가 입력 레이어 정보로서 설정될 수 있다.
또한, 일 예로, 입력 정보로서 크리에이터 속성 정보가 포함될 수 있다. 이때, 크리에이터 속성 정보는 크리에이터 개인 정보, 전문 분야 정보 및 기존 히스토리 정보 중 적어도 어느 하나 이상을 포함할 수 있다. 일 예로, 크리에이터 개인 정보는 성별, 나이, 경력 정보 등일 수 있다. 또한, 일 예로, 크리에이터 개인 정보는 소셜 정보일 수 있다. 일 예로, 소셜 정보는 소셜 미디어 활동 정보일 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 전문 분야 정보는 크리에이터의 전문 분야 정보일 수 있다. 일 예로, 전문 분야 정보는 복수 개 설정될 수 있다. 또한, 일 예로, 전문 분야 정보는 크리에이터가 이전에 제작했던 영상에 대한 정보에 기초하여 설정될 수 있으며, 이에 한정되지 않는다. 일 예로, 서버는 크리에이터를 등록하는 과정에서 크리에이터가 사전에 제작한 영상 정보를 획득할 수 있으며, 이에 기초하여 전문 분야 정보를 설정할 수 있다. 또한, 전문 분야 정보는 다양하게 설정될 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 크리에이터히스토리 정보가 더 포함될 수 있다. 일 예로, 히스토리 정보는 크리에이터가 기존에 제작한 영상 정보일 수 있다. 또한, 일 예로, 히스토리 정보는 제작한 영상과 관련된 정보를 더 포함할 수 있다. 일 예로, 히스토리 정보에는 크리에이터가 기존에 제작한 영상의 수익 정보가 더 포함될 수 있다. 또한, 일 옐, 히스토리 정보에는 크리에이터의 제품 제작 의사 정보가 포함될 수 있다. 일 예로, 제품 제작 의사 정보는 크리에이터가 특정 제품에 대한 영상 제작을 허여하였는지 여부에 대한 정보일 수 있다. 즉, 크리에이터는 특정 제품에 대한 영상 제작을 진행할지 여부를 결정할 수 있으며, 이에 대한 정보가 히스토리 정보로 반영될 수 있다.
또한, 히든레이어에는 학습 기준 정보가 포함될 수 있다. 일 예로, 학습 기준 정보는 제품 속성 정보와 크리에이터 속성 정보의 유사도를 판단하기 위한 기준 정보일 수 있다. 일 예로, 제품 속성 정보로서 제품 정보와 크리에이터 속성 정보로서 제품 제작 히스토리 정보가 비교될 수 있다. 이때, 크리에이터가 해당 제품 영상 제작 경험이 존재하는 경우, 상술한 유사도 벡터 거리 값이 작아질 수 있다.(즉, 유사도가 커질 수 있다.) 이때, 또 다른 일 예로, 크리에이터가 해당 제품 영상 제작 경험이 많을수록 유사도 벡터 거리 값은 더 작아질 수 있다. 즉, 제작 횟수에 기초하여 유사도 거리 값이 작아지도록 기준이 설정될 수 있으나, 이에 한정되는 것은 아니다.
또 다른 일 예로, 제품 속성 정보로서 제품 카테고리 정보와 크리에이터 속성 정보로서 히스토리 정보가 비교될 수 있다. 일 예로, 제품 카테고리 정보에 기초하여 제품이 유아용인 경우, 크리에이터가 유아 관련 제품 영상 횟수가 많으면 유아용 제품에 대한 벡터 거리 값이 작아질 수 있다. 즉, 특정 카테고리와 관련된 크리에이터 제작 히스토리 정보가 일치하는 경우, 벡터 거리가 작아져 유사도가 커질 수 있다.
또 다른 일 예로, 제품 속성 정보로서 제품 사용 연령대 정보와 크리에이터 연령 정보가 비교될 수 있다. 일 예로, 제품 사용 연령대와 크리에이터 연령 차가 작을수록 벡터 거리를 작게하여 유사도가 커지도록 할 수 있다. 또 다른 일 예로, 제품과 크리에이터 의사 여부 정보가 비교될 수 있다. 일 예로, 동일 또는 유사 제품에 대해서 크리에이터가 영상 제작을 허여하였으면, 벡터 거리가 작아져 유사도가 커질 수 있다.
또 다른 일 예로, 제품 정보와 크리에이터 수익 정보가 비교될 수 있다. 일 예로, 동일 또는 유사 제품에 대한 영상이 복수의 크리에이터에 의해 제작된 경우, 가장 조회수가 크거나 수익이 가장 큰 크리에이터에 대한 벡터 거리가 작아져 유사도가 커질 수 있다.
또 다른 일 예로, 제품 정보와 크리에이터가 영상 제작 기간 정보가 비교될 수 있다. 일 예로, 제품 영상 제작 기일이 작은 제품의 경우 영상 제작 기간이 작은 크리에이터에 대한 벡터 거리가 작아져 유사도가 커질 수 있다.
또 다른 일 예로, 영상 방향 정보와 크리에이터 특성 정보가 비교될 수 있다. 보다 상세하게는, 제품에 대한 영상이 제작되는 경우, 상술한 바와 같이 제품의 기능을 강조하는 것을 중요시하는 영상, 제품 이미지를 강조하는 것을 중요시하는 영상, 행복한 이미지를 주는 영상, 코믹한 영상, 포근한 이미지 영상 등 다양한 형태의 영상 제작 방향이 존재할 수 있다. 이때, 제품 영상 제작을 희망하는 유저는 영상 제작 방향을 설정할 수 있다. 이때, 크리에이터가 제작하였던 영상에 대한 영상 방향 정보가 비교될 수 있다. 일 예로, 크리에이터 제작 영상을 영상 이미지를 기준으로 카테고리화하고, 해당 카테고리에 대응하는 경우에 벡터 거리를 작게하여유사도를 높일 수 있다.
또 다른 일 예로, 제품 영상을 제작한 크리에이터의 수익 정보에 기초하여 학습 모델이 학습될 수 있다. 일 예로, 제품 영상을 제작한 크리에이터의 수익 정보가 큰 경우, 제품 속성 정보와 크리에이터의유사도는 증가하도록 설정될 수 있다. 일 예로, 유아 용품 제작 영상에서 수익 정보가 큰 크리에이터는 이후 제작 선정 과정에서 유사도가 높아질 수 있다. 반면, 제품 영상을 제작한 크리에이터의 수익 정보가 작은 경우, 제품 속성 정보와 크리에이터의유사도를 감소시킬 수 있다. 일 예로, 칫솔 영상을 제작한 크리에이터의 수익 정보가 기준값 이하인 경우, 해당 크리에이터와 칫솔 제품 또는 칫솔과 유사 제품(치약, 구강세정제 등)에 대해서는 유사도가 작아질 수 있다. 즉, 학습 모델은 입력 정보와 크리에이터 수익 정보를 비교하여 지속적으로 학습하여 업데이트될 수 있으며, 상술한 실시예로 한정되지 않는다.
도7은 본 명세서의 일 실시예에 따라 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법을 나타낸 도면이다.
도 7을 참조하면, 제품 영상 제작을 수행하는 크리에이터가 매칭될 수 있다. 이때, 서버는 제품 영상 제작 요청 메시지를 수신할 수 있다. 일 예로, 제품 영상 제작 요청 메시지는 제품 영상을 의뢰하는 사용자가 디바이스를 통해 요청할 수 있다.(S710) 즉, 서버는 디바이스로부터 제품 영상 제작 요청 메시지를 수신할 수 있다. 또한, 일 예로, 서버는 사용자 아이디에 기초하여 제품 영상 제작 요청 메시지를 수신할 수 있다. 보다 상세하게는, 서버는 플랫폼을 통해 제품 영상을 크리에이터와 매칭하도록 유저에게 정보를 제공할 수 있다. 이때, 일 예로, 플랫폼은 소프트웨어, 어플리케이션 및 웹 페이지 중 적어도 어느 하나를 통해 제공될 수 있으며, 상술한 실시예로 한정되지 않는다. 이때, 플랫폼에는 제품 영상 제작을 요청하는 아이디 및 크리에이터 아이디가 생성되어 관리될 수 있다. 이를 통해, 서버는 제품 영상 제작을 요청하는 사용자의 아이디를 확인할 수 있다. 일 예로, 사용자 아이디 정보에 기초하여 제품 영상 제작의 히스토리 정보가 활용될 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 일 예로, 제품 영상 제작 요청 메시지에는 제품 속성 정보가 포함될 수 있다. 일 예로, 제품 속성 정보는 제품 정보, 제품 카테고리 정보, 제품 가격 정보, 제품 제조자 정보, 제품 용도 정보, 제품 기능 정보, 제품 크기 정보, 제품 색상 정보, 제품 특징 정보 및 제품 영상 제작 관련 정보 중 적어도 하나 이상을 포함할 수 있다. 또한, 그 밖에도 제품과 관련된 정보는 제품 속성 정보일 수 있으며, 상술한 실시예로 한정되지 않는다.
다음으로, 서버는 제품 속성 정보와 크리에이터 속성 정보에 기초하여 등록된 크리에이터 중 적어도 하나 이상의 크리에이터를 매칭할 수 있다.(S720) 이때, 일 예로, 크리에이터 속성 정보는 전문 분야 정보, 경력 정보, 영상 제작 히스토리 정보, 수익 정보, 인지도 정보, 성별 정보, 나이 정보 및 소셜 네트워크 관련 정보 중 적어도 하나 이상을 포함할 수 있다. 또한, 그 밖에도 크리에이터와 관련된 정보는 크리에이터 속성 정보일 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 일 예로, 서버는 크리에이터가 서버에 등록될 때, 상술한 크리레이터 속성 정보를 획득할 수 있다. 또 다른 일 예로, 서버는 크리에이터가 제품 영상 제작을 수행할 때마다 히스토리 정보로써 크리에이터 정보를 업데이트할 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 서버는 크리에이터 속성 정보도 크리에이터 아이디 정보에 기초하여 관리할 수 있다. 즉, 크리에이터도 플랫폼에서 아이디를 통해 식별되고, 이를 통해 속성 정보가 관리될 수 있다.
이때, 상술한 바와 같이, 서버는 딥러닝에 기초한 학습 모델을 통해 매칭을 수행할 수 있다. 일 예로, 학습 모델에는 학습 기준 정보가 설정될 수 있다. 이때, 학습 기준 정보는 제품 속성 정보와 크리에이터 속성 정보의 유사도를 벡터거리에 기초하여 판단하기 위한 정보일 수 있다. 보다 상세하게는,학습 기준 정보는 제품 속성 정보와 크리에이터 속성 정보 각각에서 유사도 비교가 가능한 정보 리스트를 제공할 수 있으며, 이는 상술한 바와 같다. 이때, 제품 속성 정보와 크리에이터 속성 정보 중 비교 가능한 정보들은 상술한 수학식 1 또는 그 밖의 방법에 기초하여 수치화될 수 있다. 그 후, 서버는 수치화된 정보에 기초하여 산출된 벡터거리를 통해 유사도를 판단하고, 매칭을 수행할 수 있다. 또한, 일 예로, 서버는 학습 기준 정보를 산출된 매칭 결과를 반영하여 업데이트할 수 있다. 즉, 입력 정보에 기초한 출력 정보로서 매칭 정보는 학습 모델을 업데이트하기 위한 정보일 수 있다. 이를 통해 학습 기준 정보는 지속적으로 업데이트할 수 있다. 일 예로, 특정 제품에 특정 크리에이터가 제품 제작을 수행하여 큰 수익을 낸 경우, 학습 기준 정보로써 크리에이터는 해당 제품 또는 유사 제품에 대한 벡터거리가 작아지도록 업데이트될 수 있다.
한편, 일 예로, 매칭 정보는 등록된 크리에이터 중 적어도 하나의 크리에이터에 대한 정보일 수 있다. 일 예로, 하나의 크리에이터만 매칭될 수 있다. 또 다른 일 예로, 복수의 크리에이터가 매칭되어 매칭된 크리에이터 정보를 제공할 수 있다. 이때, 일 예로, 서버는 유사도 판단 정보에 기초하여 크리에이터에 대한 우선 순위 정보는 추천 정보를 제공할 수 있으며, 상술한 실시예로 한정되지 않는다.
다음으로, 서버는 매칭된 하나의 크리에이터 정보를 디바이스로 전송할 수 있다. (S730) 이때, 일 예로, 서버는 제품 영상 제작 요청 메시지를 전송한 디바이스 또는 제품 영상 제작 요청 메시지를 전송한 사용자 아이디에 기초하여 매칭 정보를 전송할 수 있다. 이를 통해, 유저는 특정 제품 영상 제작을 위한 크리에이터 매칭 정보를 확인할 수 있다.
도8은 본 명세서의 일 실시예에 따라 학습 모델을 업데이트하는 방법을 나타낸 도면이다.
일 예로, 상술한 바와 같이, 서버는 입력 정보로써 제품 속성 정보와 크리에이터 속성 정보를 이용하여 매칭을 수행할 수 있다.(S810) 이때, 서버는 상술한 바와 같이 매칭 결과를 반영하여 학습 모델의 학습 기준 정보를 업데이트할 수 있다.(S820) 그 후, 서버는 업데이트된 학습 기준 정보에 기초하여 새로운 매칭을 수행할 수 있다.(S830) 보다 상세하게는, 매칭에 대한 결과 정보가 학습 기준 정보에 반영될 수 있다. 일 예로, 제품 영상 제작을 수행하는 크리에이터가 결정된 경우, 크리에이터는 영상을 제작할 수 있다. 그 후, 서버는 제작된 영상에 기초하여 크리에이터에게 수익을 제공할 수 있다. 이때, 서버는 제작된 영상의 조회 수나 인기도 또는 그 밖의 데이터를 활용하여 매칭 결과에 대한 정보를 산출할 수 있다. 그 후, 서버는 학습 기준 정보에 상술한 매칭 결과 정보를 반영하여 유사도 판단을 업데이트하도록 할 수 있으며, 이를 이후 매칭에서 활용할 수 있다.
도9는본 명세서의 일 실시예에 따라 히스토리 정보를 업데이트하는 방법을 나타낸 도면이다.
상술한 바와 같이, 서버는 제품 영상 요청 메시지를 수신할 수 있다.(S910) 이때, 일 예로, 서버가 제품 영상 요청 메시지를 수신한 경우, 서버는 제품 영상 제작 요청 메시지를 적어도 하나의 등록된 크리에이터에게 전송할 수 있다.(S920) 즉, 서버는 크리에이터의 의사를 반영할 수 있다. 보다 상세하게는, 일 예로, 서버는 크리에이터의 의사와 무관하게 매칭 정보를 제품 영상 제작 요청자에게 제공할 수 있다. 이때, 제품 영상 제작을 수행하는 요청자는매칭 정보에 기초하여 크리에이터를 선정하고, 선정된 크리에이터와 영상 제작을 수행할 수 있다. 다만, 매칭 정보에 크리에이터의 의사가 반영되지 않는 경우, 요청자는 제작 의사를 한번 더 확인해야 할 수 있다.
상술한 점을 고려하여, 서버는 제품 영상 제작 요청 메시지를 크리에이터로 전송할 수 있다. 이때, 크리에이터가 제품 영상 제작을 허여할지 여부에 대한 응답을 서버로 전송할 수 있다. (930) 일 예로, 크리에이터가 제품 영상 제작을 수락하지 않는 경우, 서버는 제품과 유사도 판단을 수행하는 경우에 해당 크리에이터를 배제할 수 있다.(940) 즉, 학습 모델에 기초하여 출력되는 매칭 정보에서 해당 크리에이터는 배제될 수 있다. 또한, 서버는 상술한 거부 의사에 대한 정보를 히스토리 정보에 반영할 수 있다.(S950) 일 예로, 특정 제품에 대해 거부 의사에 대한 정보가 반영된 경우, 해당 크리에이터는 해당 제품과 동일 제품 또는 유사 제품과 벡터 거리가 멀어지도록 학습 기준 정보가 업데이트될 수 있으며, 이를 이후 매칭에 반영될 수 있다.
반면, 크리에이터가 제품 영상 제작을 수락하는 경우, 서버는 제품과 유사도 판단을 수행하는 경우에 해당 크리에이터를 포함할 수 있다.(960) 즉, 학습 모델에 기초하여 출력되는 매칭 정보에서 해당 크리에이터는 포함되고, 요청자는크리에이터에게 의사를 다시 확인하지 않을 수 있다. 또한, 서버는 상술한 수락 의사에 대한 정보를 히스토리 정보에 반영할 수 있다.(S970) 일 예로, 특정 제품에 대해 수락 의사에 대한 정보가 반영된 경우, 해당 크리에이터는 해당 제품과 동일 제품 또는 유사 제품과 벡터 거리가 가까워지도록 학습 기준 정보가 업데이트될 수 있으며, 이를 이후 매칭에 반영될 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시형태에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시 형태를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.또한, 이상에서는 본 명세서의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 명세서는 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 명세서의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 명세서의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
그리고 당해 명세서에서는 물건 발명과 방법 발명이 모두 설명되고 있으며, 필요에 따라 양 발명의 설명은 보충적으로 적용될 수 있다.
100 :디바이스
110 :디바이스의 송수신부
120 :디바이스의 프로세서
130 :디바이스의 입력부
200 :서버
210 :서버의 송수신부
220 :서버의 프로세서
230 :서버의 딥러닝 학습부
110 :디바이스의 송수신부
120 :디바이스의 프로세서
130 :디바이스의 입력부
200 :서버
210 :서버의 송수신부
220 :서버의 프로세서
230 :서버의 딥러닝 학습부
Claims (7)
- 서버에 의해 수행되는, 제품 영상 제작을 수행하는 크리에이터 매칭 방법에 있어서,
특정 제품에 대한 제품 영상 제작 요청 메시지를 수신하는 단계;
상기 제품 영상 제작 요청 메시지를 등록된 크리에이터에게 전송하는 단계;
크리에이터로부터 제품 영상 제작을 수락 또는 거절 의사를 수신하는 단계;
상기 수락 또는 거절 의사를 수신 후, 상기 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하는 단계; 및
상기 매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하는 단계;를 포함하되,
상기 매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고,
상기 학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 상기 매칭을 수행하고,
상기 입력 정보는 제품 속성 정보 및 크리에이터 속성 정보를 포함하고,
상기 크리에이터가 제품 영상 제작을 수락하면 상기 특정 제품에 대한 해당 크리에이터의 유사도가 높아지도록 상기 학습 기준 정보를 업데이트하고,
상기 크리에이터가 제품 영상 제작을 거절하면 상기 특정 제품에 대한 해당 크리에이터의 유사도가 낮아지도록 상기 학습 기준 정보를 업데이트하는, 크리에이터 매칭 방법.
- 제 1 항에 있어서,
상기 제품 속성 정보는 상기 제품 영상 제작 요청 메시지에 포함되어 전송되고,
상기 등록된 적어도 하나의 크리에이터 각각의 크리에이터 속성 정보는 상기 적어도 하나의 크리에이터가 등록되는 경우에 설정되는, 크리에이터 매칭 방법.
- 제 1 항에 있어서,
상기 제품 속성 정보는 제품 정보, 제품 카테고리 정보, 제품 가격 정보, 제품 제조자 정보, 제품 용도 정보, 제품 기능 정보, 제품 크기 정보, 제품 색상 정보, 제품 특징 정보 및 제품 영상 제작 관련 정보 중 적어도 하나 이상을 포함하는, 크리에이터 매칭 방법.
- 제 1 항에 있어서,
상기 크리에이터 속성 정보는 전문 분야 정보, 경력 정보, 영상 제작 히스토리 정보, 수익 정보, 인지도 정보, 성별 정보, 나이 정보 및 소셜 네트워크 관련 정보 중 적어도 하나 이상을 포함하는, 크리에이터 매칭 방법.
- 제 1항에 있어서,
상기 제품 속성 정보와 상기 크리에이터 속성 정보의 상기 유사도가 상기 벡터거리에 기초하여 판단되는 경우, 상기 학습 기준 정보는 상기 제품 속성 정보와 상기 크리에이터 속성 정보 각각에서 상기 유사도 비교가 가능한 정보의 리스트를 제공하고,
각각의 상기 제품 속성 정보와 각각의 상기 크리에이터 속성 정보는 상기 학습 기준 정보에 기초하여 수치화되고,
상기 수치화된 정보에 기초하여 산출된 상기 벡터거리에 기초하여 상기 유사도가 판단되는, 크리에이터 매칭 방법.
- 제 5항에 있어서,
상기 학습 기준 정보는 상기 유사도 판단에 기초하여 산출된 매칭 결과를 반영하여 업데이트되는, 크리에이터 매칭 방법.
- 서버에 의해 수행되는, 제품 영상 제작을 수행하는 크리에이터를 매칭하는 방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체에 있어서, 상기 크리에이터 매칭 방법은,
특정 제품에 대한 제품 영상 제작 요청 메시지를 수신하는 단계;
상기 제품 영상 제작 요청 메시지를 등록된 크리에이터에게 전송하는 단계;
크리에이터로부터 제품 영상 제작을 수락 또는 거절 의사를 수신하는 단계;
상기 수락 또는 거절 의사를 수신 후, 상기 제품 영상 제작 요청 메시지에 기초하여 등록된 크리에이터 중 적어도 하나의 크리에이터를 제품과 매칭하는 단계; 및
상기 매칭된 적어도 하나의 크리에이터에 대한 정보를 제공하는 단계;를 포함하되,
상기 매칭은 딥러닝에 기초하여 설정된 학습 모델을 통해 수행되고,
상기 학습 모델은 학습 기준 정보에 기초하여 입력 정보들의 유사도를 벡터거리를 통해 판단하여 상기 매칭을 수행하고,
상기 입력 정보는 제품 속성 정보 및 크리에이터 속성 정보를 포함하고,
상기 크리에이터가 제품 영상 제작을 수락하면 상기 특정 제품에 대한 해당 크리에이터의 유사도가 높아지도록 상기 학습 기준 정보를 업데이트하고,
상기 크리에이터가 제품 영상 제작을 거절하면 상기 특정 제품에 대한 해당 크리에이터의 유사도가 낮아지도록 상기 학습 기준 정보를 업데이트하는, 컴퓨터 판독 가능 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190152621A KR102321106B1 (ko) | 2019-11-25 | 2019-11-25 | 딥러닝을 이용한 영상 제작 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190152621A KR102321106B1 (ko) | 2019-11-25 | 2019-11-25 | 딥러닝을 이용한 영상 제작 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210063929A KR20210063929A (ko) | 2021-06-02 |
| KR102321106B1 true KR102321106B1 (ko) | 2021-11-03 |
Family
ID=76373032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190152621A KR102321106B1 (ko) | 2019-11-25 | 2019-11-25 | 딥러닝을 이용한 영상 제작 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102321106B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102472030B1 (ko) | 2021-11-26 | 2022-11-29 | 이승민 | 매칭 정보 제공 방법 및 디바이스 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230050727A (ko) * | 2021-10-08 | 2023-04-17 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 제어 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180066643A (ko) * | 2016-12-09 | 2018-06-19 | 동서대학교산학협력단 | 딥러닝 기반 영상 비교를 이용한 상품 검색 시스템 및 방법 |
| KR20190035502A (ko) * | 2017-09-25 | 2019-04-03 | 주식회사 와이드플래닛 | 인공지능 기반의 콘텐츠 매칭을 통한 콘텐츠 제작 서비스 제공 방법 및 그 콘텐츠 제작 서버 |
-
2019
- 2019-11-25 KR KR1020190152621A patent/KR102321106B1/ko active IP Right Grant
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102472030B1 (ko) | 2021-11-26 | 2022-11-29 | 이승민 | 매칭 정보 제공 방법 및 디바이스 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210063929A (ko) | 2021-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12051080B2 (en) | Virtual environment-based interfaces applied to selected objects from video | |
| US11893514B2 (en) | Contextual-based method and system for identifying and revealing selected objects from video | |
| US12019844B2 (en) | Graphical user interfaces and systems for presenting content summaries | |
| CN111353091B (zh) | 信息处理方法、装置、电子设备及可读存储介质 | |
| JP5429498B2 (ja) | 電子プロファイルの開発、格納、使用、およびそれらに基づいてアクション行うためのシステム | |
| CA2842255C (en) | A recommendation engine that processes data including user data to provide recommendations and explanations for the recommendations to a user | |
| US20130024464A1 (en) | Recommendation engine that processes data including user data to provide recommendations and explanations for the recommendations to a user | |
| US20160055571A1 (en) | Selective sharing of user information based on contextual relationship information, such as to crowd-source gifts of interest to a recipient | |
| US20170060872A1 (en) | Recommending a content curator | |
| US20160171588A1 (en) | Providing product advice recommendation | |
| KR101686830B1 (ko) | 온라인 소셜 네트워크 상의 이미지를 위한 태그 제안 | |
| US10074032B2 (en) | Using images and image metadata to locate resources | |
| US12034823B2 (en) | Interactive service platform and operating method thereof | |
| KR102321106B1 (ko) | 딥러닝을 이용한 영상 제작 방법 및 장치 | |
| US20160314145A1 (en) | Using image recognition to locate resources | |
| KR20210061094A (ko) | 디자인 제작 서버 및 이를 이용한 인터랙티브 디자인 제작 방법 | |
| US20150269177A1 (en) | Method and system for determining user interest in a file | |
| US20240267344A1 (en) | Chatbot for interactive platforms | |
| US20230410169A1 (en) | System and method for buyer and seller connecting, matching, and communication | |
| US20240354641A1 (en) | Recommending content using multimodal memory embeddings | |
| US20240249318A1 (en) | Determining user intent from chatbot interactions | |
| JP2017182753A (ja) | 情報提供サーバ装置、通信端末装置及びプログラム |
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 |