KR102326744B1 - 사용자 참여형 키워드 선정 시스템의 제어 방법, 장치 및 프로그램 - Google Patents

Abstract

서버에 의해 수행되는 사용자 참여형 키워드 선정 시스템의 제어 방법이 개시된다. 상기 제어 방법은, 상기 서버가, 대상 제품에 대한 정보를 획득하는 단계, 상기 서버가, 상기 대상 제품에 대한 정보를 바탕으로 키워드 추출을 위한 설문을 획득하는 단계, 사용자 단말이, 상기 서버로부터 상기 설문을 수신하고, 상기 설문에 대한 답변 정보를 획득하는 단계 및 상기 서버가, 상기 사용자 단말로부터 상기 설문에 대한 답변 정보를 수신하고, 수신한 상기 답변 정보를 바탕으로 상기 대상 제품에 대한 제1 키워드를 추출하는 단계를 포함한다.

Description

사용자 참여형 키워드 선정 시스템의 제어 방법, 장치 및 프로그램{CONTROL METHOD, DEVICE AND PROGRAM OF USER PARTICIPATION KEYWORD SELECTION SYSTEM}

본 발명은 사용자 참여형 키워드 선정 시스템의 제어 방법, 장치 및 프로그램에 관한 것이다.

최근에는 온라인 및 오프라인을 포함하는 다양한 마케팅 서비스들이 제공되고 있다. 일례로, 키워드 광고는 포털사이트 등에서 특정 키워드가 검색되었을 때 광고주가 등록한 웹사이트나 페이지 등의 링크를 우선적으로 표시하는 것을 의미할 수 있다. 검색량이 많은 키워드일수록 광고 효과가 크므로, 광고비용이 높아지는 것이 일반적이다.

그러나, 비전문가의 경우, 어떤 키워드를 사용하였을 때, 광고 효과가 큰지 여부를 확인하기 어려우며, 복수의 키워드에 대해 키워드 관오 설정을 하는 경우, 각각의 키워드에 따른 매출 변화를 정량적으로 판단하기가 어려운 것이 현실이다.

또한, 키워드 검색량이 많다고 해도 검색의 목적에 따라 실제 유입량 및 유입에 따른 매출발생량은 상이할 수 있는데, 기존에는 이러한 매출연관성을 정량적으로 확인하기 어려웠고, 이에 따라 사람이 직접 통계를 내어 대략적으로 예측이 가능할 뿐이었다.

결론적으로, 비전문가의 경우, 1) 자신이 판매하는 제품에 대하여 어떠한 키워드를 사용해야 하는지, 2) 사용한 키워드가 매출 향상에 어느 정도 기여하는지 여부를 판단하는 것이 어려운 문제점이 있었다.

등록특허공보 제10-1998828호, 2019.07.04

본 발명이 해결하고자 하는 과제는 본 발명은 사용자 참여형 키워드 선정 시스템의 제어 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 서버에 의해 수행되는 사용자 참여형 키워드 선정 시스템의 제어 방법은, 상기 서버가, 대상 제품에 대한 정보를 획득하는 단계; 상기 서버가, 상기 대상 제품에 대한 정보를 바탕으로 키워드 추출을 위한 설문을 획득하는 단계; 사용자 단말이, 상기 서버로부터 상기 설문을 수신하고, 상기 설문에 대한 답변 정보를 획득하는 단계; 및 상기 서버가, 상기 사용자 단말로부터 상기 설문에 대한 답변 정보를 수신하고, 수신한 상기 답변 정보를 바탕으로 상기 대상 제품에 대한 제1 키워드를 추출하는 단계;를 포함한다.

이때, 상기 제어 방법은, 상기 서버가, 상기 대상 제품에 대한 정보 및 상기 설문에 대한 답변 정보를 학습 데이터로 획득하는 단계; 상기 서버가, 상기 학습 데이터를 바탕으로 인공지능 모델을 학습시키는 단계; 상기 서버가, 대상 제품에 대한 정보를 입력값으로 상기 학습된 인공지능 모델에 입력하여, 대상 제품에 대한 제1 키워드를 출력값으로 출력하는 단계;를 포함할 수 있다.

이때, 상기 학습 데이터로 획득하는 단계는, 상기 대상 제품에 대한 정보에 대응되는 SNS 정보를 수집하는 단계; 상기 SNS 정보를 분석하여 복수의 제2 키워드를 추출하는 단계; 상기 제1 키워드와 상기 복수의 제2 키워드의 연관도를 판단하는 단계; 및 상기 연관도가 기 설정된 값 이상인 경우, 상기 대상 제품에 대한 정보 및 상기 설문에 대한 답변 정보를 학습 데이터로 획득하는 단계;를 포함할 수 있다.

이때, 상기 분석하는 단계는, 상기 SNS 정보의 형태소를 분석하여 복수개의 제2 키워드 후보를 획득하는 단계; 상기 획득된 복수개의 제2 키워드 후보 중 오류 키워드 후보를 판단하는 단계; 상기 오류 키워드 후보를 수정하는 단계;를 포함하고, 상기 연관도를 판단하는 단계는, 상기 제1 키워드 및 상기 복수의 제2 키워드 각각을 Word2Vec 학습을 통해 워드 벡터로 변환하는 단계; 상기 제1 키워드에 대응되는 워드 벡터와 상기 복수의 제2 키워드 각각에 대응되는 복수의 워드 벡터간의 거리를 판단하는 단계;를 포함할 수 있다.

이때, 상기 제어 방법은, 상기 서버가, 상기 대상 제품에 대한 정보에 대응되는 SNS 정보를 수집하는 단계; 상기 수집된 SNS 정보에 기초하여, 상기 대상 제품의 매출 연관성을 판단하는 단계;를 포함하고, 상기 매출 연관성을 판단하는 단계는, 상기 SNS 정보에 대응되는 구매자 정보 및 상기 사용자의 구매 정보를 획득하는 단계; 상기 구매자 정보 및 상기 구매 정보를 바탕으로, 상기 대상 제품을 구매한 사용자의 SNS 정보를 추출하는 단계; 상기 대상 제품을 구매한 사용자의 SNS 정보를 분석하여 제3 키워드를 추출하는 단계;를 포함할 수 있다.

이때, 상기 매출 연관성을 판단하는 단계는, 상기 SNS 정보에 대응되는 구매자 정보 및 상기 사용자의 구매 정보를 획득하는 단계; 상기 구매자 정보 및 상기 구매 정보를 바탕으로, 상기 대상 제품을 구매하지 않은 사용자의 SNS 정보를 추출하는 단계; 상기 대상 제품을 구매한 사용자의 SNS 정보를 분석하여 제4 키워드를 추출하는 단계; 및 상기 제4 키워드 중 상기 제1 키워드와의 연관도가 기 설정된 값 이상인 제5 키워드를 추출하는 단계;를 포함할 수 있다.

이때, 상기 SNS 정보를 수집하는 단계는, 상기 제3 키워드를 검색한 제1 사용자에 대한 SNS 정보를 수집하는 단계;를 더 포함하고, 상기 매출 연관성을 판단하는 단계는, 상기 제1 사용자가 상기 제3 키워드를 검색하기 전 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 상기 제1 사용자가 상기 대상 제품을 구매할 것인지에 대한 구매의사를 판단하는 단계; 상기 제1 사용자가 상기 제3 키워드를 검색한 후 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 상기 제1 사용자가 상기 대상 제품을 구매하였는지 여부를 판단하는 단계; 상기 구매의사 여부 및 상기 구매여부 각각에 대한 평가결과에 기 설정된 가중치를 부여하여 합산함으로써 상기 대상 제품에 대한 상기 매출 연관성을 산출하는 단계;를 더 포함할 수 있다.

이때, 상기 SNS 정보를 수집하는 단계는, 상기 제3 키워드를 검색한 제1 사용자에 대한 SNS 정보를 수집하는 단계; 및 상기 제5 키워드를 검색한 복수의 제2 사용자에 대한 SNS 정보를 수집하는 단계;를 더 포함하고, 상기 제어 방법은, 상기 복수의 제2 사용자가 상기 제5 키워드를 검색한 후 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 상기 복수의 제2 사용자가 상기 대상 제품을 구매하였는지 여부를 판단하는 단계; 상기 복수의 제2 사용자 중, 상기 대상 제품을 구매한 사용자가 기 설정된 비율 이상인 경우, 상기 제5 키워드를 상기 제3 키워드로 관리하는 단계;를 포함할 수 있다.

이때, 상기 SNS 정보를 수집하는 단계는, 상기 SNS 정보 중 제1 SNS 정보가 기 설정된 조건을 만족하는지 판단하는 단계 및 상기 제1 SNS 정보가 기 설정된 조건을 만족하는 경우, 상기 제1 SNS 정보를 상기 대상 제품에 대한 광고 정보로 판단하고, 상기 제1 SNS 정보를 제거하는 단계;를 포함하고, 상기 기 설정된 조건은, 상기 제1 SNS 정보에 기 설정된 키워드가 존재하는지에 대한 조건, 상기 제1 SNS 정보가 기 설정된 크기 이상의 공백을 포함하는지에 대한 조건, 상기 제1 SNS 정보가 기 설정된 길이의 동일한 문자 또는 문자열을 포함하는지에 대한 조건 중 적어도 하나일 수 있다.

이때, 상기 오류 키워드 후보를 판단하는 단계는, 상기 복수개의 제2 키워드 후보 각각에 대한 의미 정보를 획득하는 단계; 상기 획득된 의미 정보를 상기 복수개의 제2 키워드 후보 각각에 매칭하는 단계; 상기 매칭된 의미 정보 및 상기 SNS 정보를 바탕으로 상기 복수개의 제2 키워드 후보 각각에 대한 정확도 점수를 획득하는 단계; 상기 정확도 점수가 기 설정된 값 이하인 키워드를 오류 키워드 후보로 판단하는 단계;를 포함하고, 상기 오류 키워드 후보를 수정하는 단계는, 상기 오류 키워드 후보에 대한 복수개의 의미 정보를 획득하는 단계; 상기 획득된 복수개의 의미 정보 각각에 대한 복수개의 가중치를 획득하는 단계; 상기 복수개의 가중치 중, 상기 대상 제품에 대한 정보와의 연관도가 가장 높은 가중치를 획득하는 단계; 및 상기 대상 제품에 대한 정보와의 연관도가 가장 높은 가중치에 대응되는 의미 정보를 상기 오류 키워드 후보에 매칭하는 단계;를 포함할 수 있다.

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

상술한 본 발명의 다양한 실시예에 따라, 판매자는 사용자가 직접 참여해 획득된 키워드를 바탕으로 키워드 광고를 수행할 수 있는 효과가 존재한다.

또한, 사용자가 직접 참여해 획득된 키워드와 연관된 복수의 키워드를 추가로 획득하여 더욱 정확한 키워드를 제공 받을 수 있다.

나아가, 사용자가 직접 참여해 획득된 키워드 및 연관된 키워드에 대한 데이터가 축적됨에 따라, 사용자에게 직접 키워드 선정을 요청하지 않고도, 인공지능 모델을 이용하여 키워드를 선정할 수 있는 새로운 효과가 존재한다.

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 일 실시예에 따른 사용자 참여형 키워드 선정 시스템의 시스템도이다.
도 2는 본 발명의 일 실시예에 따른 사용자 참여형 키워드 획득 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능 모델에 의해 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 학습 데이터를 획득하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 제품을 구매한 사용자의 SNS 정보를 기초로 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예에 따른, 제품을 구매하지 않은 사용자의 SNS 정보를 기초로 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 제품을 구매한 사용자의 키워드를 검색한 사용자의 제품 구매를 바탕으로 매출 연관성을 획득하는 방법을 설명하기 위한 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 제품을 구매하지 않은 사용자의 키워드를 검색한 사용자의 제품 구매 여부를 바탕으로 키워드를 업데이트 하는 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 불필요한 SNS 정보를 제거하는 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 정확한 키워드 추출을 위한 오류 키워드를 수정하는 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명의 일 실시예에 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.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 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 본 발명의 일 실시예에 따른 사용자 참여형 키워드 선정 시스템의 시스템도이다.

도 1에 도시된 바와 같이, 시스템은 판매자 단말(100), 서버(200) 및 사용자 단말(300)을 포함할 수 있다.

판매자 단말(100)은 대상 제품에 대한 키워드를 추출하기 위한 설문을 서버(200)로 전송하고, 서버(200)로부터 대상 제품에 대한 키워드를 제공받는 구성이다.

일 실시예로, 판매자 단말(100)은 대상 제품의 판매 정보를 서버(200)로 전송할 수 있다. 이때, 대상 제품의 판매 정보는 대상 제품을 구매한 구매자에 대한 정보, 대상 제품을 구매한 시점, 구매 가격에 대한 정보, 대상 제품을 구매한 구매자가 SNS, 블로그 등에 업로드한 데이터 정보 등을 포함할 수 있다.

일 실시예로, 판매자 단말(100)은 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC (desktop PC), 랩탑 PC(laptop PC), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player)중 적어도 하나를 포함할 수 있다.

서버(200)는 대상 제품에 대한 설문을 획득하여 사용자 단말(300)로 전송하고, 사용자 단말(300)로부터 설문에 대응되는 키워드를 획득하기 위한 구성이다. 이외에도 서버(200)는 SNS 정보로부터 키워드를 추출하거나, 다양한 키워드를 분류하는 작업을 수행할 수 있다. 후술하는 본 발명의 다양한 실시예를 바탕으로 서버(200)의 구체적인 동작을 살펴본다.

사용자 단말(300)은, 서버(200)로부터 설문을 수신하고, 수신한 설문에 대응되는 키워드를 추출하기 위한 구성이다.

일 실시예로, 사용자 단말(300)은 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC (desktop PC), 랩탑 PC(laptop PC), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player)중 적어도 하나를 포함할 수 있다.

도 2는 본 발명의 일 실시예에 따른 사용자 참여형 키워드 획득 방법을 설명하기 위한 흐름도이다.

S110에서, 서버(200)는, 대상 제품에 대한 정보를 획득 할 수 있다.

이때, 대상 제품이란, 판매자가 판매하고자 하는 제품에 대한 정보일 수 있다. 일 실시예로, 대상 제품에 대한 정보는, 대상 제품의 이름, 가격, 스펙 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니며, 대상 제품 정보는 대상 제품에 대한 장단점, 대상 제품과 경쟁 제품에 대한 정보를 더 포함하는 개념일 수 있다.

S120에서, 서버(200)는, 대상 제품에 대한 정보를 바탕으로 키워드 추출을 위한 설문을 획득 할 수 있다.

일 실시예로, 설문은 판매자에 의해 작성된 설문일 수 있다. 본 발명에서는 설문으로 표현하나, 필요에 따라 이벤트 등 다양한 용어를 포함할 수 있음은 물론이다. 예를 들어, 설문은 대상 제품 구매시 고려 요소가 무엇인가요?와 같이 질문에 대한 객관식 설문 및 주관식 설문을 포함하는 개념일 수 있다.

또 다른 실시예로, 서버(200)는 수신한 대상 제품에 대한 정보를 바탕으로 설문을 생성할 수 있다. 구체적으로, 서버(200)는 대상 제품의 이름, 가격, 스펙 정보를 바탕으로 복수의 키워드 목록을 생성하거나, 대상 제품에 대한 장단점, 대상 제품과 경쟁 제품에 대한 정보를 바탕으로 복수의 키워드 목록을 생성하고, 생성된 복수의 키워드 목록을 바탕으로 설문을 생성할 수 있다.

S130에서, 사용자 단말(300)은, 서버로부터 설문을 수신하고, 설문에 대한 답변 정보를 획득 할 수 있다.

S140에서, 서버(200)는, 사용자 단말로부터 설문에 대한 답변 정보를 수신하고, 수신한 답변 정보를 바탕으로 대상 제품에 대한 제1 키워드를 추출 할 수 있다.

한편, 본 발명에서의 키워드는, 텍스트에 대한 키워드일 수 있으나, 이에 한정되는 것은 아니다. 본 발명에서의 키워드는 텍스트, 이미지, 오디오, 색깔, 채도, 명도, 템포 등 다양한 개념을 포함할 수 있다.

도 3은 본 발명의 일 실시예에 따른 인공지능 모델에 의해 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.

S210에서, 서버(200)는, 대상 제품에 대한 정보 및 설문에 대한 답변 정보를 학습 데이터로 획득 할 수 있다.

구체적으로, 서버(200)는 대상 제품에 대한 정보, 대상 제품에 대한 정보를 바탕으로 생성된 설문 및 추출된 제1 키워드를 학습 데이터로 획득할 수 있다.

S220에서, 서버(200)는, 학습 데이터를 바탕으로 인공지능 모델을 학습 할 수 있다.

구체적으로, 서버(200)는 대상 제품에 대한 정보 및 대상 제품에 대한 정보를 바탕으로 생성된 설문을 입력하는 경우, 제1 키워드가 출력되도록 인공지능 모델을 학습시킬 수 있다.

S230에서, 서버(200)는, 대상 제품에 대한 정보를 입력값으로 학습된 인공지능 모델에 입력하여, 대상 제품에 대한 제1 키워드를 출력값으로 출력 할 수 있다.

즉, 서버(200)는 초기에는 사용자의 참여를 바탕으로 대상 제품에 대한 제1 키워드를 추출하나, 사용자 참여를 바탕으로 추출되는 제1 키워드에 대한 데이터가 다수 획득되면, 대상 제품에 대한 정보를 인공지능 모델에 입력하여 (사용자 대신) 제1 키워드를 추출시킬 수 있다.

상술한 방법을 통해 서버(200)는 대상 제품에 대한 정확한 키워드를 사용자 참여 없이 획득할 수 있게 되는 효과가 존재한다.

다만, 사용자 설문을 바탕으로 획득되는 학습 데이터의 데이터량은 인공지능 모델을 학습시키기에 부족할 수 있다. 따라서, 서버(200)는 소셜 네트워크, 포털 사이트 등을 통해 대상 제품과 관련된 정보를 수집하고, 수집된 정보를 바탕으로 학습 데이터를 추가 획득할 수 있다. 이에 대한 설명은 도 4에서 후술한다.

한편, 본 발명에 따른 인공지능 모델 학습데이터를 입력하여 학습된 합성곱 신경망(Convolutional deep Neural Networks, CNN) 기반의 인공지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 다양한 인공지능 모델이 본 발명에 적용될 수 있음은 물론이다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공지능 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

이때, 합성곱 신경망(Convolutional deep Neural Networks, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망은 하나 또는 여러개의 합성곱 계층(convolutional layer)과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 또한, 합성곱 신경망은 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다. 합성곱 신경망은 입력 영상에 대하여 합성곱과 서브샘플링을 번갈아 수행함으로써 입력 영상으로부터 특징을 추출한다.

합성곱 신경망은 여러 개의 합성곱 계층(Convolution layer), 여러 개의 서브샘플링 계층(Subsampling layer, Lacal pooling layer, Max-Pooling layer), 완전 연결 층(Fully Connected layer)을 포함한다. 합성곱 계층은 입력 영상(Input Image)에 대해 합성곱을 수행하는 계층이다. 그리고 서브샘플링 계층은 입력 영상에 대해 지역적으로 최대값을 추출하여 2차원 영상으로 매핑하는 계층으로, 국소적인 영역을 더 크게 하고, 서브샘플링을 수행한다.

합성곱 계층에서는 커널의 크기(kernel size), 사용할 커널의 개수(즉, 생성할 맵의 개수), 및 합성곱 연산 시에 적용할 가중치 테이블 등의 정보가 필요하다. 예를 들어, 입력 영상의 크기가 32×32이고, 커널의 크기가 5×5이고, 사용할 커널의 개수가 20개인 경우를 예로 들자. 이 경우, 32×32 크기의 입력 영상에 5×5 크기의 커널을 적용하면, 입력 영상의 위, 아래, 왼쪽, 오른쪽에서 각각 2개의 픽셀(pixel)에는 커널을 적용하는 것이 불가능하다. 입력 영상의 위에 커널을 배치한 후 합성곱을 수행하면, 그 결과 값인 '-8'은 커널에 포함된 입력 영상의 픽셀들 중에서 커널의 중심요소(center element)에 대응하는 픽셀의 값으로 결정되기 때문이다. 따라서, 32×32 크기의 입력 영상에 5×5 크기의 커널을 적용하여 합성곱을 수행하면 28×28 크기의 맵(map)이 생성된다. 앞서, 사용할 커널의 개수가 총 20개인 경우를 가정하였으므로, 첫 번째 합성곱 계층에서는 총 20개의 28×28 크기의 맵이 생성된다.

서브샘플링 계층에서는 서브샘플링할 커널의 크기에 대한 정보, 커널 영역 내의 값들 중 최대값을 선택할 것인지 최소값을 선택할 것인지에 대한 정보가 필요하다.

또한, 심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.

이때, 심층 신경망의 구조는 퍼셉트론(perceptron)으로 구성될 수 있다. 퍼셉트론은 여러 개의 입력 값(input)과 하나의 프로세서(prosessor), 하나의 출력 값으로 구성된다. 프로세서는 여러 개의 입력 값에 각각 가중치를 곱한 후, 가중치가 곱해진 입력 값들을 모두 합한다. 그 다음 프로세서는 합해진 값을 활성화함수에 대입하여 하나의 출력 값을 출력한다. 만약 활성화함수의 출력 값으로 특정한 값이 나오기를 원하는 경우, 각 입력 값에 곱해지는 가중치를 수정하고, 수정된 가중치를 이용하여 출력 값을 다시 계산할 수 있다. 이때, 각각의 퍼셉트론은 서로 다른 활성화함수를 사용할 수 있다. 또한 각각의 퍼셉트론은 이전 계층에서 전달된 출력들을 입력으로 받아들인 다음, 활성화 함수를 이용해서 출력을 구한다. 구해진 출력은 다음 계층의 입력으로 전달된다. 상술한 바와 같은 과정을 거치면 최종적으로 몇 개의 출력 값을 얻을 수 있다.

또한, 딥 러닝 기법에 대한 설명으로 다시 돌아가면, 순환 신경망(Reccurent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.

심층 신뢰 신경망(Deep Belief Networks, DBN)이란 기계학습에서 사용되는 그래프 생성 모형(generative graphical model)으로, 딥 러닝에서는 잠재변수(latent variable)의 다중계층으로 이루어진 심층 신경망을 의미한다. 계층 간에는 연결이 있지만 계층 내의 유닛 간에는 연결이 없다는 특징이 있다.

심층 신뢰 신경망은 생성 모형이라는 특성상 선행학습에 사용될 수 있고, 선행학습을 통해 초기 가중치를 학습한 후 역전파 혹은 다른 판별 알고리즘을 통해 가중치의 미조정을 할 수 있다. 이러한 특성은 훈련용 데이터가 적을 때 굉장히 유용한데, 이는 훈련용 데이터가 적을수록 가중치의 초기값이 결과적인 모델에 끼치는 영향이 세지기 때문이다. 선행학습된 가중치 초기값은 임의로 설정된 가중치 초기값에 비해 최적의 가중치에 가깝게 되고 이는 미조정 단계의 성능과 속도향상을 가능케 한다.

상술한 인공지능 및 그 학습방법에 관한 내용은 예시를 위하여 서술된 것이며, 이하에서 설명되는 실시 예들에서 이용되는 인공지능 및 그 학습방법은 제한되지 않는다. 예를 들어, 당 업계의 통상의 기술자가 동일한 과제해결을 위하여 적용할 수 있는 모든 종류의 인공지능 기술 및 그 학습방법이 개시된 실시 예에 따른 시스템을 구현하는 데 활용될 수 있다.

도 4는 본 발명의 일 실시예에 따른 학습 데이터를 획득하는 방법을 설명하기 위한 흐름도이다.

S310에서, 서버(200)는, 대상 제품에 대한 정보에 대응되는 SNS 정보를 수집 할 수 있다.

일 실시예로, 서버(200)는 대상 제품의 제품명을 포함하는 SNS 게시물을 획득하거나, 대상 제품의 이미지를 포함하는 SNS 게시물을 크롤링 등의 방법을 통해 획득할 수 있다.

S320에서, 서버(200)는, SNS 정보를 분석하여 복수의 제2 키워드를 추출 할 수 있다.

일 실시예로, 키워드는 도 5에서 후술하는 바와 같이, 형태소 분석 등의 방법을 통해 획득될 수 있다.

S330에서, 서버(200)는, 제1 키워드와 복수의 제2 키워드의 연관도를 판단 할 수 있다.

구체적으로, 제1 키워드는 대상 제품에 대해 사용자가 직접 참여하여 획득된 키워드로서, 판매자에게 가장 도움이 되는 키워드일 가능성이 크다. 그러나 제2 키워드는 단지 대상 제품 정보를 포함하는 SNS 정보를 바탕으로 추출된 키워드이므로, 판매자가 원치 않은 키워드가 포함될 가능성이 높다.

예를 들어, 대상 제품 정보를 포함하는 SNS 정보가, 대상 제품의 부정적인 측면을 게시한 정보이거나, 대상 제품과는 관계가 없는 정보인 경우에도, 서버(200)는 해당 정보에 대한 제2 키워드를 추출할 수 있는 문제점이 존재한다.

따라서, 서버(200)는 획득된 복수의 제2 키워드 중, 판매자에게 적합한 키워드를 추출할 필요성이 존재한다.

따라서, S340에서, 서버(200)는, 연관도가 기 설정된 값 이상인 경우, 대상 제품에 대한 정보 및 설문에 대한 답변 정보를 학습 데이터로 획득 할 수 있다.

즉, 서버(200)는 획득된 복수의 제2 키워드 중, 제1 키워드와 연관도가 높은 키워드만을 추출하고, 추출된 제2 키워드를 바탕으로 학습 데이터를 추가로 획득할 수 있다.

도 5는 본 발명의 일 실시예에 따른 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.

S410에서, 서버(200)는, SNS 정보의 형태소를 분석하여 복수개의 제2 키워드 후보를 획득 할 수 있다.

일 실시예로, SNS 정보에 포함된 텍스트가 한글 텍스트인 경우, 서버(200)는 Okt, Komoran, Hannanum, Kkma, Mecab 형태소 분석기 등 다양한 형태소 분석기를 바탕으로 SNS 정보에 대한 형태소 분석을 수행할 수 있다. 나아가, 서버(200)는 분석하고자 하는 SNS 정보가 포함하는 사용 언어에 따라 다양한 형태소 분석기를 사용할 수 있음은 물론이다.

S420에서, 서버(200)는, 획득된 복수개의 제2 키워드 후보 중 오류 키워드 후보를 판단 할 수 있다.

일 실시예로, 오류 키워드 후보는, 단순 오기 또는 오타인 경우일 수 있다.

또 다른 실시예로, 오류 키워드 후보는, 동음이의어의 경우, SNS 정보가 포함하는 의미와 다른 의미로 판단된 키워드 후보를 의미할 수 있다. 예를 들어, '사과'가 과일의 한종류라는 의미 정보와 매칭되어야 하나 사죄하거나 잘못을 구하다의 의미로 매칭된 경우, 서버(200)는 사과를 오류 키워드 후보로 획득할 수 있다.

S430에서, 서버(200)는, 오류 키워드 후보를 수정 할 수 있다.

S440에서, 서버(200)는, 제1 키워드 및 복수의 제2 키워드 각각을 Word2Vec 학습을 통해 워드 벡터로 변환 할 수 있다.

일 실시예로, 서버(200)는 키워드를 200~300차원 정도의 벡터 공간에 표현할 수 있으며, 학습을 위하여 주변 키워드가 만드는 의미의 방향성을 기반으로 타겟 키워드를 예측하는 CBOW(Continuous Bag of Words)와 한 키워드를 기준으로 주변에 올 수 있는 키워드를 예측하는 Skip-gram모델을 활용할 수 있다.

이때, 두 워드 벡터 간의 거리는 두 워드 벡터 각각에 대응되는 키워드 간의 유사성을 나타내고, 워드 벡터의 방향은 SNS 정보 내에서의 의미를 나타낼 수 있다.

S450에서, 서버(200)는, 제1 키워드에 대응되는 워드 벡터와 복수의 제2 키워드 각각에 대응되는 복수의 워드 벡터간의 거리를 판단 할 수 있다.

구체적으로, 서버(200)는 제1 키워드 및 제2 키워드 중 어느 하나의 워드 벡터 간의 거리가 기 설정된 거리 미만인 경우, 두개의 키워드의 연관도가 기 설정된 값 이상인 것으로 판단할 수 있다.

도 6은 본 발명의 일 실시예에 따른 제품을 구매한 사용자의 SNS 정보를 기초로 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.

구체적으로, 도 2 내지 도 5의 방법으로 획득된 제1 키워드 및 제2 키워드는, 대상 제품 구매와 관련된 키워드이지만, 실제 제품을 구매한 사용자에 대한 키워드는 아닐 수 있다. 따라서, 서버(200)는 대상 제품을 실제 구매한 사용자의 SNS 정보를 바탕으로 제3 키워드를 추출할 수 있으며, 나아가 키워드에 따른 매출 연관성을 판단할 수 있다.

S510에서, 서버(200)는, 대상 제품에 대한 정보에 대응되는 SNS 정보를 수집 할 수 있다.

일 실시예로, 서버(200)는 대상 제품의 제품명을 포함하는 SNS 게시물을 획득하거나, 대상 제품의 이미지를 포함하는 SNS 게시물을 크롤링 등의 방법을 통해 획득할 수 있다.

S520에서, 서버(200)는, 수집된 SNS 정보에 기초하여, 대상 제품의 매출 연관성을 판단 할 수 있다.

구체적으로, S530에서, 서버(200)는, SNS 정보에 대응되는 구매자 정보 및 사용자의 구매 정보를 획득 할 수 있다.

S540에서, 서버(200)는, 구매자 정보 및 구매 정보를 바탕으로, 대상 제품을 구매한 사용자의 SNS 정보를 추출 할 수 있다.

S550에서, 서버(200)는, 대상 제품을 구매한 사용자의 SNS 정보를 분석하여 제3 키워드를 추출 할 수 있다.

서버(200)는 추출된 제3 키워드와 대상 제품간의 매출 연관성을 판단할 수 있다. 즉, 서버(200)는 실제 대상 제품을 구매한 구매자의 SNS 정보로부터 획득된 제3 키워드를 바탕으로 매출 연관성을 획득할 수 있다.

다만, 이에 한정되는 것은 아니고, 본 발명의 다양한 실시예에 따라, 서버(200)는 수집된 SNS 정보에 기초한 복수의 제2 키워드와 대상 제품간의 매출 연관성을 판단할 수 있다. 또 다른 실시예로, 서버(200)는 수집된 SNS 정보에 기초한 복수의 제2 키워드 중, 제1 키워드와의 연관도가 기 설정된 값 이상인 키워드와 대상 제품간의 매출 연관성을 판단할 수 있다.

도 7은 서버(200)는, 본 발명의 일 실시예에 따른, 제품을 구매하지 않은 사용자의 SNS 정보를 기초로 키워드를 획득하는 방법을 설명하기 위한 흐름도이다.

즉, 도 6의 경우, 대상 제품을 실제 구매한 구매자를 바탕으로 매출 연관성이 높은 제3 키워드를 추출하는 방법에 관한 것이었으나, 제품의 잠재적 구매자로부터 추출된 키워드 또한 매출 연관성과 깊은 관련이 있다.

따라서, S610에서, 서버(200)는, SNS 정보에 대응되는 구매자 정보 및 사용자의 구매 정보를 획득 할 수 있다.

S620에서, 서버(200)는, 구매자 정보 및 구매 정보를 바탕으로, 대상 제품을 구매하지 않은 사용자의 SNS 정보를 추출 할 수 있다.

S630에서, 서버(200)는, 대상 제품을 구매하지 않은 사용자의 SNS 정보를 분석하여 제4 키워드를 추출 할 수 있다.

S640에서, 서버(200)는, 제4 키워드 중 제1 키워드와의 연관도가 기 설정된 값 이상인 제5 키워드를 추출 할 수 있다.

구체적으로, 단계 S620에서 추출한 대상 제품을 구매하지 않은 사용자의 SNS 정보는 잠재적 구매자에 대한 SNS 정보뿐만 아니라 구매 예정이 전혀 없는 구매자에 대한 SNS 정보 또한 포함할 수 있다.

다만, 어떠한 사용자가 잠재적 구매자인지 판단할 수 있는 기술적 방법이 요구된다. 따라서, 서버(200)는, 대상 제품을 구매하지 않은 사용자의 SNS 정보를 분석하여 추출된 제4 키워드와 사용자 참여를 통해 획득된 제1 키워드를 비교할 수 있다.

구체적으로, 서버(200)는 제4 키워드 중, 제1 키워드와의 연관도가 기 설정된 값 이상인 키워드를 잠재적 구매자에 대한 제5 키워드로 획득할 수 있다. 이때, 제5 키워드는 것은 도 5의 방법을 이용하여 획득될 수 있다.

도 8은 본 발명의 일 실시예에 따른 제품을 구매한 사용자의 키워드를 검색한 사용자의 제품 구매를 바탕으로 매출 연관성을 획득하는 방법을 설명하기 위한 흐름도이다.

S710에서, 서버(200)는, 제3 키워드를 검색한 제1 사용자에 대한 SNS 정보를 수집 할 수 있다.

S720에서, 서버(200)는, 제1 사용자가 제3 키워드를 검색하기 전 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 제1 사용자가 대상 제품을 구매할 것인지에 대한 구매의사를 판단 할 수 있다.

예를 들어, 서버(200)는 수집된 SNS 정보에서, 상기 제1 사용자가 업로드한 정보 및 상기 제1 사용자와 연관된 정보들을 추출할 수 있다. 실시 예에 따라서, 서버(200)는 제1 사용자의 단말로부터 동의를 통해 소정의 정보들을 추가적으로 수집할 수 있다.

일 실시 예에서, 서버(200)는 제1 사용자가 제3 키워드를 검색하기 전 소정의 기간 동안 제3 키워드를 언급하였는지 여부를 판단하며, 해당 언급에 포함된 구매의사를 판단할 수 있다.

예를 들어, 제3 키워드에 대응하는 제품은 제1 사용자가 주기적으로 이용하는 소모품일 수도 있고, 제1 사용자가 갖고싶어하던 물건일 수도 있다. 서버(200)는 SNS 정보에 기초하여 이러한 정보를 수집하고, 이에 기초하여 제1 사용자의 구매의사 수준 및 구매확률을 산출할 수도 있다.

예를 들어, 제3 키워드에 대응하는 제품이 생수이고, 제1 사용자가 특정 브랜드의 생수를 주기적으로 구매하는 것으로 판단되는 경우, 제1 사용자의 제3 키워드 검색은 구매확률이 상당히 높은 것으로 판단할 수 있다.

또한, 제3 키워드에 대응하는 제품이 가방이고, 제1 사용자가 해당 가방을 갖고 싶다는 내용의 SNS 정보를 갖는 경우 제1 사용자의 제3 키워드 검색 또한 구매확률이 높은 편이지만, 이 경우 정보조사를 겸할 수 있으므로 구매확률은 상기한 생수의 경우보다는 낮은 것으로 판단될 수 있다.

또한, 제1 사용자가 가방을 검색하는데, 제1 사용자가 가방 회사 직원이거나 생산자인 경우 검색은 대부분 정보조사를 위한 것이며, 특히 경우에 따라 매일 시장조사를 위해 검색을 수행할 수도 있는데, 이 경우 구매확률은 상당히 낮은 것으로 판단될 수 있다.

또한, 키워드는 대응하는 제품이나 대상의 유형에 따라 매출연관성이 보정될 수 있다. 예를 들어, 키워드가 강아지나 날씨, 하늘 등과 같은 것이라면 매출연관성이 낮을 것으로 예측할 수 있고, 소모품인 경우 매출연관성이 높을 것으로 예측할 수 있다. 또한, 대상 제품의 가격에 따라, 가격이 낮고 소모품일수록 사용자가 간단한 검색을 통해 빠르게 구매를 수행할 것으로 판단할 수 있고, 가격이 높을수록 오랜 기간에 걸쳐 신중하게 조사 및 구매할 수도 있으며, 조사 후 온라인이 아닌 다른 채널을 통해 구매할 수도 있으므로, 상대적으로 매출연관성이 낮은 것으로 추정할 수 있다. 하지만 이는 예시일 뿐이며, 매출연관성을 판단하는 방법 및 기준은 이에 제한되지 않는다.

S730에서, 서버(200)는, 제1 사용자가 제3 키워드를 검색한 후 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 제1 사용자가 대상 제품을 구매하였는지 여부를 판단 할 수 있다.

예를 들어, 서버(200)는 제1 사용자가 제3 키워드를 검색한 후 소정 기간 이후에 SNS에 해당 제품에 대한 후기나 사진 등을 업로드하는 경우, 제1 사용자가 해당 제품을 구매한 것으로 판단할 수 있다.

S740에서, 서버(200)는, 구매의사 여부 및 구매여부 각각에 대한 평가결과에 기 설정된 가중치를 부여하여 합산함으로써 대상 제품에 대한 매출 연관성을 산출 할 수 있다.

서버(200)는 구매의사 여부가 높을수록, 그리고 실제 구매하였을수록 높은 매출연관성을 키워드에 부여할 수 있다. 또한, 실시 예에 따라 검색을 유도하는 구매의사에 더 높은 가중치를 부여할 수도 있고, 실제 구매로 이어지는 구매여부에 더 높은 가중치를 부여할 수도 있다. 이러한 가중치는 개시된 실시 예에 따른 매출연관성 산출방법과의 비교를 통해 산출될 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 가중치는 추정치로 적용된 후, 이후 피드백을 통해 실제 키워드의 매출연관성과 일치시키는 방향으로 조정될 수 있다.

서버(200)는 판단된 매출 연관성을 바탕으로 판매자 단말(100)에게 매출 발생이 가장 높을 것으로 예상되는 키워드를 제공할 수 있다.

결론적으로, 서버(200)는 단순히 대상 제품에 대한 키워드를 추출하여 매출 연관성을 판단하는 것 뿐만 아니라, 대상 제품을 직접 구매한 구매자의 키워드를 바탕으로 매출연관성을 판단하여, 매출 향상에 직접적으로 도움이 되는 키워드를 선별할 수 있는 효과가 있다.

도 9는 본 발명의 일 실시예에 따른 제품을 구매하지 않은 사용자의 키워드를 검색한 사용자의 제품 구매 여부를 바탕으로 키워드를 업데이트 하는 방법을 설명하기 위한 흐름도이다.

S810에서, 서버(200)는, 제3 키워드를 검색한 제1 사용자에 대한 SNS 정보를 수집 할 수 있다. S820에서, 서버(200)는, 제5 키워드를 검색한 복수의 제2 사용자에 대한 SNS 정보를 수집 할 수 있다.

즉, 대상 제품을 구매한 구매자의 제3 키워드의 데이터량이 적을 수 있으므로, 서버(200)는 대상 제품 전체에 대하여 추출된 제5 키워드를 검색한 제2 사용자에 대한 SNS 정보를 추가로 획득할 수 있다.

일 실시예로, 서버(200)는 제5 키워드 및 제5 키워드를 검색한 복수의 제2 사용자에 대한 SNS 정보를 바탕으로 상기 단계 S720 내지 단계 S740을 수행하여 매출 연관성을 판단할 수 있음은 물론이다.

S830에서, 서버(200)는, 복수의 제2 사용자가 제5 키워드를 검색한 후 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 복수의 제2 사용자가 대상 제품을 구매하였는지 여부를 판단 할 수 있다.

S840에서, 서버(200)는, 복수의 제2 사용자 중, 대상 제품을 구매한 사용자가 기 설정된 비율 이상인 경우, 제5 키워드를 제3 키워드로 업데이트 할 수 있다.

즉, 대상 제품을 구매한 구매자의 키워드인 제3 키워드는 아니지만, 대상 제품에 대한 키워드인 제5 키워드를 검색하여 대상 제품을 구매한 제2 사용자는 잠재적 구매자가 대상 제품을 구매한 것이므로, 서버(200)는 제5 키워드를 데3 키워드로 업데이트 할 수 있다.

상술한 방법을 통해 서버(200)는 대상 제품에 대한 모든 SNS 정보 중 제품 구매율이 높은(매출 연관성이 큰) 제3 키워드 및 제5 키워드의 일부를 획득할 수 있다.

도 10은 본 발명의 일 실시예에 따른 불필요한 SNS 정보를 제거하는 방법을 설명하기 위한 흐름도이다.

구체적으로, 대상 제품에 대한 SNS 정보라고 하더라도, 제품 구매와는 관련성이 없는 SNS 정보가 존재할 수 있다. 따라서, 서버(200)는 제품 구매와 연관없는 SNS 정보를 제거함으로써, 키워드 추출에 필요한 계산량을 줄일 수 있다.

S910에서, 서버(200)는, SNS 정보 중 제1 SNS 정보가 기 설정된 조건을 만족하는지 판단 할 수 있다.

이때, 기 설정된 조건은, 제1 SNS 정보에 기 설정된 키워드가 존재하는지에 대한 조건, 제1 SNS 정보가 기 설정된 크기 이상의 공백을 포함하는지에 대한 조건, 제1 SNS 정보가 기 설정된 길이의 동일한 문자 또는 문자열을 포함하는지에 대한 조건, 제1 SNS 정보가 대상 제품에 대한 부정적인 단어를 포함하는지 여부에 대한 조건 중 적어도 하나의 조건일 수 있다.

일 실시예로, 제1 SNS 정보에 '후원', '제공', '광고' 등의 단어가 포함된 경우, 서버(200)는 제1 SNS 정보를 대상 제품에 대해 금전적 이익을 제공 받고 작성한 광고성 SNS로 판단할 수 있다.

또 다른 실시예로, 서버(200)는 제1 SNS 정보가 기 설정된 크기 이상의 공백을 가지거나, 기 설정된 길이의 동일한 문자 또는 문자열이 반복되는 경우, 제1 SNS 정보가 비정상적인 방법으로 생성된 정보로 판단할 수 있다.

S920에서, 서버(200)는, 제1 SNS 정보가 기 설정된 조건을 만족하는 경우, 제1 SNS 정보를 대상 제품에 대한 광고 정보로 판단하고, 제1 SNS 정보를 제거 할 수 있다.

상기 방법을 통해, 서버(200)는 제품 구매와 연관없는 SNS 정보를 제거함으로써, 키워드 추출에 필요한 계산량을 줄일 수 있는 효과가 있다.

도 11은 본 발명의 일 실시예에 따른 정확한 키워드 추출을 위한 오류 키워드를 수정하는 방법을 설명하기 위한 흐름도이다.

구체적으로, 상기 오류 키워드 후보를 판단하는 단계는, S1010 내지 S1040에 의해 수행될 수 있다.

S1010에서, 서버(200)는, 복수개의 제2 키워드 후보 각각에 대한 의미 정보를 획득 할 수 있다.

S1020에서, 서버(200)는, 획득된 의미 정보를 복수개의 제2 키워드 후보 각각에 매칭 할 수 있다.

이때, 의미 정보란, 키워드에 대한 인텐트를 의미할 수 있다. 서버(200)는 키워드에 대한 의미 정보를 획득하기 위해 인공지능 모델을 이용한 자연어 처리를 수행할 수 있다.

구체적으로, 인공지능 모델은 자연어 이해부를 포함하고, 자연어 이해부는 문장 분석 결과를 바탕으로 엔티티(entity) 및 문장에 포함된 키워드의 의도(intent)를 파악할 수 있으며, 나아가, 자연어 이해부는 문장의 구조 및 주요 성분 분석을 통해 문장을 해석하고 통계/분석 등을 이용하여 문장 분석을 수행할 수 있다.

예를 들어, 서버(200)는 '사과'가 포함된 문장을 분석하여 사과에 대한 복수의 의미 정보를 획득하고, '사과'에 대한 복수개의 의미 정보 중 문장과 적합하다고 판단되는 의미 정보를 '사과'와 매칭할 수 있다.

S1030에서, 서버(200)는, 매칭된 의미 정보 및 SNS 정보를 바탕으로 복수개의 제2 키워드 후보 각각에 대한 정확도 점수를 획득 할 수 있다.

즉, S1010에서 매칭된 의미 정보가 부정확할 수 있으므로, 서버(200)는 대상 제품에 대한 정보를 포함하는 모든 SNS 정보를 바탕으로 키워드에 매칭된 의미 정보의 정확도 점수를 획득할 수 있다.

예를 들어, 대상 제품에 대한 정보를 포함하는 모든 SNS 정보에 포함된 '사과' 키워드가 100개이고, 그 중, 99개는 과일의 의미로 쓰였으나, 1개가 사죄의 의미로 사용되었다면, 서버(200)는 사죄의 의미가 매칭된 사과 키워드의 정확도 점수를 낮게 판단할 수 있다.

S1040에서, 서버(200)는, 정확도 점수가 기 설정된 값 이하인 키워드를 오류 키워드 후보로 판단 할 수 있다.

즉, 서버(200)는 정확도 점수가 기 설정된 값 이하인 경우, 해당 키워드에 매칭된 의미 정보가 잘못 매칭된 것으로 판단하고, 키워드를 오류 키워드 후보로 획득할 수 있다.

나아가, 오류 키워드 후보를 수정하는 단계는, S1050 내지 S1080에 의해 수행될 수 있다.

S1050에서, 서버(200)는, 오류 키워드 후보에 대한 복수개의 의미 정보를 획득 할 수 있다.

S1060에서, 서버(200)는, 획득된 복수개의 의미 정보 각각에 대한 복수개의 가중치를 획득할 수 있다.

일 실시예로, 서버(200)는 오류 키워드 후보를 포함하는 SNS 정보를 바탕으로 가중치를 획득할 수 있다. 구체적으로, 서버(200)는 SNS 정보에서 오류 키워드 후보를 포함하는 적어도 하나의 문장을 획득하고, 획득된 적어도 하나의 문장에 포함된 오류 키워드 후보와 동일한 키워드에 대한 의미 정보를 획득할 수 있다. 서버(200)는 오류 키워드 후보와 동일한 적어도 하나의 키워드에 대한 의미 정보를 바탕으로, 복수개의 의미 정보에 대한 가중치를 획득할 수 있다.

S1070에서, 서버(200)는, 복수개의 가중치 중, 대상 제품에 대한 정보와의 연관도가 가장 높은 가중치를 획득할 수 있다.

S1080에서, 서버(200)는, 대상 제품에 대한 정보와의 연관도가 가장 높은 가중치에 대응되는 의미 정보를 오류 키워드 후보에 매칭할 수 있다.

즉, 서버(200)는 오류 키워드 후보에 대한 복수개의 의미 정보 중 가중치가 가장 큰 의미 정보를 오류 키워드 후보에 대한 의미 정보로 결정하고, 오류 단어를 수정할 수 있다.

도 12는 본 발명의 일 실시예에 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 8과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(102)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 상기 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 상기 테스트 결과, 라벨링된 정보가 기 설정된 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 상기 추출된 제1 학습용 데이터를 상기 신규 학습용 데이터로부터 삭제하고, 상기 추출된 학습용 데이터가 삭제된 상기 신규 학습용 데이터를 이용하여 상기 학습된 모델을 다시 학습시킬 수 있다.

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.

100 : 판매자 단말
200 : 사용자 단말
300 : 사용자 단말

Claims (10)

1. 서버에 의해 수행되는 사용자 참여형 키워드 선정 시스템의 제어 방법에 있어서,
   상기 서버가, 대상 제품에 대한 정보를 획득하는 단계;
   상기 서버가, 상기 대상 제품에 대한 정보를 바탕으로 키워드 추출을 위한 설문을 획득하는 단계;
   사용자 단말이, 상기 서버로부터 상기 설문을 수신하고, 상기 설문에 대한 답변 정보를 획득하는 단계; 및
   상기 서버가, 상기 사용자 단말로부터 상기 설문에 대한 답변 정보를 수신하고, 수신한 상기 답변 정보를 바탕으로 상기 대상 제품에 대한 제1 키워드를 추출하는 단계;를 포함하고,
   상기 제어 방법은,
   상기 서버가, 상기 대상 제품에 대한 정보 및 상기 설문에 대한 답변 정보를 학습 데이터로 획득하는 단계;
   상기 서버가, 상기 학습 데이터를 바탕으로 인공지능 모델을 학습시키는 단계;
   상기 서버가, 대상 제품에 대한 정보를 입력값으로 상기 학습된 인공지능 모델에 입력하여, 대상 제품에 대한 제1 키워드를 출력값으로 출력하는 단계;를 포함하고,
   상기 학습 데이터로 획득하는 단계는,
   상기 대상 제품에 대한 정보에 대응되는 SNS 정보를 수집하는 단계;
   상기 SNS 정보를 분석하여 복수의 제2 키워드를 추출하는 단계;
   상기 제1 키워드와 상기 복수의 제2 키워드의 연관도를 판단하는 단계; 및
   상기 연관도가 기 설정된 값 이상인 경우, 상기 대상 제품에 대한 정보 및 상기 설문에 대한 답변 정보를 학습 데이터로 획득하는 단계;를 포함하고,
   상기 분석하는 단계는,
   상기 SNS 정보의 형태소를 분석하여 복수개의 제2 키워드 후보를 획득하는 단계;
   상기 획득된 복수개의 제2 키워드 후보 중 오류 키워드 후보를 판단하는 단계;
   상기 오류 키워드 후보를 수정하는 단계;를 포함하고,
   상기 연관도를 판단하는 단계는,
   상기 제1 키워드 및 상기 복수의 제2 키워드 각각을 Word2Vec 학습을 통해 워드 벡터로 변환하는 단계;
   상기 제1 키워드에 대응되는 워드 벡터와 상기 복수의 제2 키워드 각각에 대응되는 복수의 워드 벡터간의 거리를 판단하는 단계;를 포함하고,
   상기 오류 키워드 후보는, 오기, 또는 오타, 또는 동음이의어 중 적어도 하나이고,
   상기 제어 방법은,
   상기 서버가, 상기 대상 제품에 대한 정보에 대응되는 SNS 정보를 수집하는 단계;
   상기 수집된 SNS 정보에 기초하여, 상기 대상 제품의 매출 연관성을 판단하는 단계;를 포함하고,
   상기 매출 연관성을 판단하는 단계는,
   상기 SNS 정보에 대응되는 구매자 정보 및 상기 사용자의 구매 정보를 획득하는 단계;
   상기 구매자 정보 및 상기 구매 정보를 바탕으로, 상기 대상 제품을 구매한 사용자의 SNS 정보를 추출하는 단계;
   상기 대상 제품을 구매한 사용자의 SNS 정보를 분석하여 제3 키워드를 추출하는 단계;를 포함하고,
   상기 매출 연관성을 판단하는 단계는,
   상기 SNS 정보에 대응되는 구매자 정보 및 상기 사용자의 구매 정보를 획득하는 단계;
   상기 구매자 정보 및 상기 구매 정보를 바탕으로, 상기 대상 제품을 구매하지 않은 사용자의 SNS 정보를 추출하는 단계;
   상기 대상 제품을 구매하지 않은 사용자의 SNS 정보를 분석하여 제4 키워드를 추출하는 단계; 및
   상기 제4 키워드 중 상기 제1 키워드와의 연관도가 기 설정된 값 이상인 제5 키워드를 추출하는 단계;를 포함하고,
   상기 제5 키워드는, 잠재적 구매자에 대응하고,
   상기 SNS 정보를 수집하는 단계는,
   상기 제3 키워드를 검색한 제1 사용자에 대한 SNS 정보를 수집하는 단계; 및
   상기 제5 키워드를 검색한 복수의 제2 사용자에 대한 SNS 정보를 수집하는 단계;를 더 포함하고,
   상기 제어 방법은,
   상기 복수의 제2 사용자가 상기 제5 키워드를 검색한 후 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 상기 복수의 제2 사용자가 상기 대상 제품을 구매하였는지 여부를 판단하는 단계;
   상기 복수의 제2 사용자 중, 상기 대상 제품을 구매한 사용자가 기 설정된 비율 이상인 경우, 상기 제5 키워드를 상기 제3 키워드로 관리하는 단계;를 포함하는 제어 방법.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 제1항에 있어서,
   상기 SNS 정보를 수집하는 단계는,
   상기 제3 키워드를 검색한 제1 사용자에 대한 SNS 정보를 수집하는 단계;를 더 포함하고,
   상기 매출 연관성을 판단하는 단계는,
   상기 제1 사용자가 상기 제3 키워드를 검색하기 전 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 상기 제1 사용자가 상기 대상 제품을 구매할 것인지에 대한 구매의사를 판단하는 단계;
   상기 제1 사용자가 상기 제3 키워드를 검색한 후 기 설정된 기간 동안 수집된 SNS 정보에 기초하여 상기 제1 사용자가 상기 대상 제품을 구매하였는지 여부를 판단하는 단계;
   상기 구매의사 여부 및 상기 구매여부 각각에 대한 평가결과에 기 설정된 가중치를 부여하여 합산함으로써 상기 대상 제품에 대한 상기 매출 연관성을 산출하는 단계;를 더 포함하는 것을 특징으로 하는 제어 방법.
8. 삭제
9. 제1항에 있어서,
   상기 SNS 정보를 수집하는 단계는,
   상기 SNS 정보 중 제1 SNS 정보가 기 설정된 조건을 만족하는지 판단하는 단계 및
   상기 제1 SNS 정보가 기 설정된 조건을 만족하는 경우, 상기 제1 SNS 정보를 상기 대상 제품에 대한 광고 정보로 판단하고, 상기 제1 SNS 정보를 제거하는 단계;를 포함하고,
   상기 기 설정된 조건은,
   상기 제1 SNS 정보에 기 설정된 키워드가 존재하는지에 대한 조건, 상기 제1 SNS 정보가 기 설정된 크기 이상의 공백을 포함하는지에 대한 조건, 상기 제1 SNS 정보가 기 설정된 길이의 동일한 문자 또는 문자열을 포함하는지에 대한 조건 중 적어도 하나인 것을 특징으로 하는 제어 방법.
10. 제1항에 있어서,
    상기 오류 키워드 후보를 판단하는 단계는,
    상기 복수개의 제2 키워드 후보 각각에 대한 의미 정보를 획득하는 단계;
    상기 획득된 의미 정보를 상기 복수개의 제2 키워드 후보 각각에 매칭하는 단계;
    상기 매칭된 의미 정보 및 상기 SNS 정보를 바탕으로 상기 복수개의 제2 키워드 후보 각각에 대한 정확도 점수를 획득하는 단계;
    상기 정확도 점수가 기 설정된 값 이하인 키워드를 오류 키워드 후보로 판단하는 단계;를 포함하고,
    상기 오류 키워드 후보를 수정하는 단계는,
    상기 오류 키워드 후보에 대한 복수개의 의미 정보를 획득하는 단계;
    상기 획득된 복수개의 의미 정보 각각에 대한 복수개의 가중치를 획득하는 단계;
    상기 복수개의 가중치 중, 상기 대상 제품에 대한 정보와의 연관도가 가장 높은 가중치를 획득하는 단계; 및
    상기 대상 제품에 대한 정보와의 연관도가 가장 높은 가중치에 대응되는 의미 정보를 상기 오류 키워드 후보에 매칭하는 단계;를 포함하는 제어 방법.
    
    

Images