KR102361593B1 - Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning - Google Patents

Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning Download PDF

Info

Publication number
KR102361593B1
KR102361593B1 KR1020200054673A KR20200054673A KR102361593B1 KR 102361593 B1 KR102361593 B1 KR 102361593B1 KR 1020200054673 A KR1020200054673 A KR 1020200054673A KR 20200054673 A KR20200054673 A KR 20200054673A KR 102361593 B1 KR102361593 B1 KR 102361593B1
Authority
KR
South Korea
Prior art keywords
information
recommended content
customer
specific customer
recommended
Prior art date
Application number
KR1020200054673A
Other languages
Korean (ko)
Other versions
KR20210136432A (en
Inventor
김성일
박지혜
Original Assignee
주식회사 엘지유플러스
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 주식회사 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020200054673A priority Critical patent/KR102361593B1/en
Publication of KR20210136432A publication Critical patent/KR20210136432A/en
Application granted granted Critical
Publication of KR102361593B1 publication Critical patent/KR102361593B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25883—Management of end-user data being end-user demographical data, e.g. age, family status or address
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4663—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving probabilistic networks, e.g. Bayesian networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Abstract

추천 컨텐츠의 자동 재생 여부 판단 방법이 제공된다. 본 방법은, 특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -, 및 상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계를 포함할 수 있다.A method of determining whether to automatically reproduce recommended content is provided. The method includes inputting input information including customer information of a specific customer, information about recommended content recommended to the specific customer, and information about a time when the recommended content was recommended into the deep learning module, thereby providing the information about the recommended content. providing a behavioral prediction value of a specific customer, wherein the behavioral prediction value of the specific customer indicates a probability that the specific customer will view the recommended content when the recommended content is automatically played; and based on the behavioral prediction value of the specific customer The method may include determining whether to automatically play the recommended content for the specific customer.

Description

심층 학습에 기반한 추천 컨텐츠의 자동 재생 여부 판단 방법 및 장치{Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning}{Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning}

본 발명은 컨텐츠 관련의 정보 처리 기술에 관한 것이다.The present invention relates to a content-related information processing technology.

근래에 들어 인터넷(Internet)의 활용이 일상화됨에 따라 컨텐츠 제공 서비스 사업자가 운용하는 컨텐츠 제공 서버와 연결하여 VOD(video on demand) 컨텐츠와 같은 컨텐츠를 다운로드 방식 또는 스트리밍 방식으로 내려 받아 시청할 수 있게 되었다. 컨텐츠 제공 서비스 사업자는 유료 컨텐츠 서비스 이외에도 무료 컨텐츠 서비스를 제공하고 있는데, 이러한 무료 컨텐츠 서비스는 광고 수익을 올리기 위한 기반이 되고 있다. 서비스 사업자의 입장에서는 시청자가 될 수 있으면 많은 컨텐츠를 시청할 수 있도록 함으로써 시청자에 대한 컨텐츠 노출 시간을 늘리는 것이 매우 중요하다.In recent years, as the use of the Internet has become commonplace, it is possible to download and watch content such as video on demand (VOD) content by downloading or streaming in connection with a content providing server operated by a content providing service provider. Content providing service providers are providing free content services in addition to paid content services. These free content services serve as a basis for increasing advertising revenue. From a service provider's point of view, it is very important to increase the content exposure time to viewers by allowing viewers to watch as many contents as possible.

본 발명의 과제는 고객에게 끊김 없는 컨텐츠 재생을 제공하여 고객에 대한 컨텐츠 노출 시간을 증가시킬 수 있는 기술을 제공하는 것이다.SUMMARY OF THE INVENTION It is an object of the present invention to provide a technology capable of increasing content exposure time to customers by providing seamless content reproduction to customers.

본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.

일 측면에서, 추천 컨텐츠의 자동 재생 여부 판단 방법이 제공된다. 본 방법은, 특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 수신하는 단계, 상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계, 상기 입력 벡터들을 심층 신경망(Deep Neural Network: DNN) 계층으로 입력하여 복수의 출력 값을 제공하는 단계, 상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -, 및 상기 특정 고객의 행동 예측값을 필터 계층으로 입력하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계를 포함할 수 있다.In one aspect, a method for determining whether to automatically reproduce recommended content is provided. The method includes receiving input information including customer information of a specific customer, information on recommended content recommended to the specific customer, and information about a time when the recommended content is recommended, and inputting the input information into an input layer to output input vectors by performing an embedding process, inputting the input vectors to a deep neural network (DNN) layer to provide a plurality of output values, and sigmoy the plurality of output values. providing a behavioral prediction value of the specific customer with respect to the recommended content by input to a sigmoid function layer; indicating a probability of viewing the content - and inputting the behavioral prediction value of the specific customer into a filter layer to determine whether to automatically play the recommended content for the specific customer.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID(Identification)를 포함한다.In one embodiment, the customer information of the specific customer includes a customer ID (Identification) of the specific customer.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 프로필 정보를 더 포함하며, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함한다.In an embodiment, the customer information of the specific customer further includes profile information of the specific customer, and the profile information of the specific customer includes information about the age of the specific customer and information about the gender of the specific customer .

일 실시예에서, 상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 ID를 포함한다.In an embodiment, the information about the recommended content includes a content ID of the recommended content.

일 실시예에서, 상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 메타 정보(content meta information)를 더 포함한다.In an embodiment, the information about the recommended content further includes content meta information of the recommended content.

일 실시예에서, 상기 추천 컨텐츠는 무료 컨텐츠이다.In an embodiment, the recommended content is free content.

일 실시예에서, 상기 방법은, 상기 특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 수신하는 단계 이전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함한다.In one embodiment, the method includes, before receiving input information including customer information of the specific customer, information about recommended content recommended to the specific customer, and information about a time when the recommended content is recommended, The method further includes training the input layer, the deep neural network layer, and the sigmoid function layer as training data.

일 실시예에서, 상기 학습 데이터는 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠의 시청 여부에 관한 정보를 포함하고, 상기 입력 계층 및 상기 심층 신경망 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 시그모이드 함수 계층은 복수의 입력 노드 및 출력 노드를 포함하고, 상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 계층을 학습 데이터로 학습시키는 단계는, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되어 상기 고객이 시청한 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함한다.In an embodiment, the training data includes customer information, information about recommended content, and information about whether to watch recommended content, and the input layer and the deep neural network layer include a plurality of input nodes and a plurality of output nodes and the sigmoid function layer includes a plurality of input nodes and output nodes, weights are set between the input nodes and the output nodes, and the input layer, the deep neural network layer, and the sigmoid layer The step of learning as learning data is output from the sigmoid function layer when information on recommended content that is recommended and automatically played for a customer identified by the customer information and watched by the customer is input to the input layer. and changing the weights so that the predicted behavior value is greater than or equal to a predetermined threshold value.

일 실시예에서, 상기 학습 데이터는 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠의 시청 여부에 관한 정보를 포함하고, 상기 입력 계층 및 상기 심층 신경망 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 시그모이드 함수 계층은 복수의 입력 노드 및 출력 노드를 포함하고, 상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 계층을 학습 데이터로 학습시키는 단계는, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되었으나 상기 고객이 시청하지 않은 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이하가 되도록 상기 가중치들을 변경하는 단계를 포함한다.In an embodiment, the training data includes customer information, information about recommended content, and information about whether to watch recommended content, and the input layer and the deep neural network layer include a plurality of input nodes and a plurality of output nodes and the sigmoid function layer includes a plurality of input nodes and output nodes, weights are set between the input nodes and the output nodes, and the input layer, the deep neural network layer, and the sigmoid layer In the step of learning as learning data, from the sigmoid function layer when information about recommended content that is recommended and automatically played for a customer identified by the customer information but has not been viewed by the customer is input to the input layer. and changing the weights so that the output behavior prediction value is less than or equal to a predetermined threshold value.

일 실시예에서, 상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 - 는, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 특정 고객의 행동 예측값을 제공하는 단계를 포함한다.In one embodiment, the step of inputting the plurality of output values into a sigmoid function layer to provide a behavioral prediction value of the specific customer with respect to the recommended content - The behavioral prediction value of the specific customer is the specific customer Representing the probability of viewing the recommended content includes providing a behavioral prediction value of the specific customer by applying a sigmoid function to the plurality of output values.

일 실시예에서, 상기 특정 고객의 행동 예측값을 필터 계층으로 입력하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계는, 상기 특정 고객의 행동 예측값이 선정된 임계값 이상인 경우 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생하는 것으로 결정하는 단계를 포함한다.In one embodiment, the step of inputting the behavioral prediction value of the specific customer into a filter layer and determining whether to automatically play the recommended content for the specific customer includes: When the behavioral prediction value of the specific customer is greater than or equal to a predetermined threshold and determining to automatically play the recommended content for the specific customer.

다른 측면에서, 추천 컨텐츠의 자동 재생 여부 판단 방법이 제공된다. 본 방법은, 특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -, 및 상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계를 포함할 수 있다.In another aspect, a method for determining whether to automatically reproduce recommended content is provided. The method includes inputting input information including customer information of a specific customer, information about recommended content recommended to the specific customer, and information about a time when the recommended content was recommended into the deep learning module, thereby providing the information about the recommended content. providing a behavioral prediction value of a specific customer, wherein the behavioral prediction value of the specific customer indicates a probability that the specific customer will view the recommended content when the recommended content is automatically played; and based on the behavioral prediction value of the specific customer The method may include determining whether to automatically play the recommended content for the specific customer.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 포함한다.In one embodiment, the customer information of the specific customer includes a customer ID of the specific customer.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 프로필 정보를 더 포함하며, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함한다.In an embodiment, the customer information of the specific customer further includes profile information of the specific customer, and the profile information of the specific customer includes information about the age of the specific customer and information about the gender of the specific customer .

일 실시예에서, 상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 ID를 포함한다.In an embodiment, the information about the recommended content includes a content ID of the recommended content.

일 실시예에서, 상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 메타 정보를 더 포함한다.In an embodiment, the information on the recommended content further includes content meta information of the recommended content.

일 실시예에서, 상기 심층 학습 모듈은 입력 계층 및 심층 신경망 계층을 포함한다.In one embodiment, the deep learning module includes an input layer and a deep neural network layer.

일 실시예에서, 상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계는, 상기 특정 고객의 행동 예측값이 선정된 임계값 이상인 경우 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생하는 것으로 결정하는 단계를 포함한다.In one embodiment, the determining whether to automatically play the recommended content for the specific customer based on the behavioral prediction value of the specific customer may include, when the behavioral prediction value of the specific customer is greater than or equal to a predetermined threshold value, the specific customer and determining to automatically play the recommended content for this purpose.

또 다른 측면에서, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치가 제공된다. 본 장치는, 고객 정보 및 컨텐츠에 관한 정보를 저장하는 데이터베이스부, 및 입력 계층, 심층 신경망 계층 및 시그모이드 함수 계층을 포함하는 심층 학습 모듈을 구현하며, 상기 데이터베이스부로부터 특정 고객의 고객 정보 및 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보를 검색하여 상기 심층 학습 모듈로 입력되게 제어하도록 구성된 프로세싱 엔진을 포함한다. 상기 입력 계층은 상기 특정 고객의 고객 정보 및 상기 추천 컨텐츠에 관한 정보를 임베딩 처리하여 입력 벡터들을 출력하도록 구성되고, 상기 심층 신경망 계층은 상기 입력 벡터들을 처리하여 복수의 출력 값을 제공하도록 구성되고, 상기 시그모이드 함수 계층은 상기 복수의 출력 값에 기초하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하도록 구성되고 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -, 상기 프로세싱 엔진은 상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하도록 구성된 필터 계층을 포함한다.In another aspect, an apparatus for determining whether to automatically reproduce recommended content is provided. The device implements a deep learning module including a database unit for storing information about customer information and content, and an input layer, a deep neural network layer, and a sigmoid function layer, and from the database unit, customer information of a specific customer and and a processing engine configured to search for information on recommended content recommended to the specific customer and control the information to be input to the deep learning module. The input layer is configured to output input vectors by embedding information about the customer information and the recommended content of the specific customer, and the deep neural network layer is configured to process the input vectors to provide a plurality of output values, the sigmoid function layer is configured to provide a behavioral prediction value of the specific customer with respect to the recommended content based on the plurality of output values; indicates a probability that a customer will view the recommended content, wherein the processing engine comprises a filter layer configured to determine whether to automatically play the recommended content for the particular customer based on a behavioral prediction of the particular customer.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 포함한다.In one embodiment, the customer information of the specific customer includes a customer ID of the specific customer.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 프로필 정보를 더 포함하며, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함한다.In an embodiment, the customer information of the specific customer further includes profile information of the specific customer, and the profile information of the specific customer includes information about the age of the specific customer and information about the gender of the specific customer .

일 실시예에서, 상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 ID를 포함한다.In an embodiment, the information about the recommended content includes a content ID of the recommended content.

일 실시예에서, 상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 메타 정보를 더 포함한다.In an embodiment, the information on the recommended content further includes content meta information of the recommended content.

일 실시예에서, 상기 프로세싱 엔진은, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키도록 더 구성된다.In an embodiment, the processing engine is further configured to train the input layer, the deep neural network layer and the sigmoid function layer with training data.

일 실시예에서, 상기 학습 데이터는 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠의 시청 여부에 관한 정보를 포함하고, 상기 입력 계층 및 상기 심층 신경망 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 시그모이드 함수 계층은 복수의 입력 노드 및 출력 노드를 포함하고, 상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며, 상기 프로세싱 엔진은, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되어 상기 고객이 시청한 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하도록 더 구성된다.In an embodiment, the training data includes customer information, information about recommended content, and information about whether to watch recommended content, and the input layer and the deep neural network layer include a plurality of input nodes and a plurality of output nodes and the sigmoid function layer includes a plurality of input nodes and output nodes, weights are set between the input nodes and the output nodes, and the processing engine is configured to select a customer identified by the customer information. It is further configured to change the weights so that the behavioral prediction value output from the sigmoid function layer is greater than or equal to a predetermined threshold value when information on recommended content that is recommended and automatically reproduced and viewed by the customer is input to the input layer do.

일 실시예에서, 상기 학습 데이터는 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠의 시청 여부에 관한 정보를 포함하고, 상기 입력 계층 및 상기 심층 신경망 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 시그모이드 함수 계층은 복수의 입력 노드 및 출력 노드를 포함하고, 상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며, 상기 프로세싱 엔진은, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되었으나 상기 고객이 시청하지 않은 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이하가 되도록 상기 가중치들을 변경하도록 더 구성된다.In an embodiment, the training data includes customer information, information about recommended content, and information about whether to watch recommended content, and the input layer and the deep neural network layer include a plurality of input nodes and a plurality of output nodes and the sigmoid function layer includes a plurality of input nodes and output nodes, weights are set between the input nodes and the output nodes, and the processing engine is configured to select a customer identified by the customer information. To change the weights so that the behavioral prediction value output from the sigmoid function layer is less than or equal to a predetermined threshold when information on recommended content that is recommended for and automatically played but not watched by the customer is input to the input layer is composed

일 실시예에서, 상기 시그모이드 함수 계층은, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 특정 고객의 행동 예측값을 제공하도록 더 구성된다.In an embodiment, the sigmoid function layer is further configured to apply a sigmoid function to the plurality of output values to provide a behavioral prediction value of the specific customer.

일 실시예에서, 상기 필터 계층은, 상기 특정 고객의 행동 예측값이 선정된 임계값 이상인 경우 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생하는 것으로 결정하도록 더 구성된다.In an embodiment, the filter layer is further configured to determine to automatically play the recommended content for the specific customer when the behavioral prediction value of the specific customer is greater than or equal to a predetermined threshold.

또 다른 측면에서, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치가 제공된다. 본 장치는, 고객 정보 및 컨텐츠에 관한 정보를 저장하는 데이터베이스부, 및 심층 학습 모듈을 구현하며 상기 데이터베이스로부터 특정 고객의 고객 정보 및 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보를 검색하고 상기 검색된 정보가 상기 심층 학습 모듈로 입력되게 제어하도록 구성된 프로세싱 엔진을 포함한다. 상기 심층 학습 모듈은 상기 검색된 정보가 그로 입력되는 것에 응답하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하도록 구성되고 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -, 상기 프로세싱 엔진은 상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하도록 구성된 필터 계층을 포함할 수 있다.In another aspect, an apparatus for determining whether to automatically reproduce recommended content is provided. The device implements a database unit for storing information about customer information and content, and a deep learning module, and retrieves information about customer information of a specific customer and recommended content recommended to the specific customer from the database, and retrieves the retrieved information and a processing engine configured to control to be input to the deep learning module. the deep learning module is configured to provide a behavioral prediction value of the specific customer for the recommended content in response to the retrieved information being input thereto, the behavioral prediction value of the specific customer being the specific customer when the recommended content is automatically played indicates a probability that a customer will view the recommended content, wherein the processing engine may include a filter layer configured to determine whether to automatically play the recommended content for the particular customer based on the predicted behavior of the particular customer. .

또 다른 측면에서, 프로그램을 기록한 컴퓨터 판독가능 기록매체가 제공된다. 여기서 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 상기 방법을 수행한다.In another aspect, a computer-readable recording medium recording a program is provided. wherein the program includes instructions, the instructions performing the method when executed by a computer.

본 발명의 실시예들에 따르면, 고객에게 끊김 없는 컨텐츠 재생을 제공하여 고객에 대한 컨텐츠 노출 시간을 증가시킬 수 있게 되는 기술적 효과가 있다.According to the embodiments of the present invention, there is a technical effect that can increase the content exposure time to the customer by providing seamless content reproduction to the customer.

도 1은 심층 학습(Deep Learning)에 기반하여 추천 컨텐츠의 자동 재생 여부를 판단하기 위한 장치의 블록도의 일 실시예를 도시한 도면이다.
도 2는 심층 학습 모듈의 개략적인 구조의 일 실시예를 도시한 도면이다.
도 3은 도 1의 프로세싱 엔진에 의해 관리되는 학습 데이터 테이블의 일 실시예를 도시한 도면이다.
도 4는 추천 컨텐츠의 자동 재생 여부를 판단하는 방법을 설명하기 위한 흐름도의 일 실시예를 도시한 도면이다.1 is a diagram illustrating an embodiment of a block diagram of an apparatus for determining whether to automatically reproduce recommended content based on deep learning.
2 is a diagram illustrating an embodiment of a schematic structure of a deep learning module.
3 is a diagram illustrating an embodiment of a learning data table managed by the processing engine of FIG. 1 ;
4 is a diagram illustrating an embodiment of a flowchart for explaining a method of determining whether to automatically reproduce recommended content.

본 발명의 이점들과 특징들 그리고 이들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해 질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 본 실시예들은 단지 본 발명의 개시가 완전하도록 하며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려 주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Advantages and features of the present invention and a method of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in a variety of different forms, and these embodiments merely allow the disclosure of the present invention to be complete and those of ordinary skill in the art to which the present invention pertains. It is provided to fully inform the person of the scope of the invention, and the present invention is only defined by the scope of the claims.

본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도에서 사용된 것이 아니다. 예를 들어, 단수로 표현된 구성 요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성 요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 발명의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성이 배제되는 것은 아니다. 또한, 본 명세서에 기재된 실시예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미할 수 있다.The terms used herein are used only to describe specific embodiments and are not intended to limit the present invention. For example, a component expressed in a singular should be understood as a concept including a plurality of components unless the context clearly means only the singular. In addition, in the specification of the present invention, terms such as 'include' or 'have' are only intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, and such The use of the term does not exclude the possibility of the presence or addition of one or more other features or numbers, steps, operations, components, parts, or combinations thereof. In addition, in the embodiments described in this specification, a 'module' or 'unit' may mean a functional part that performs at least one function or operation.

덧붙여, 다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 발명의 명세서에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.In addition, unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the specification of the present invention, it should be interpreted in an ideal or excessively formal meaning. doesn't happen

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 보다 상세히 설명한다. 다만, 이하의 설명에서는 본 발명의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.Hereinafter, embodiments of the present invention will be described in more detail with reference to the accompanying drawings. However, in the following description, if there is a risk of unnecessarily obscuring the gist of the present invention, detailed descriptions of well-known functions or configurations will be omitted.

도 1은 심층 학습(Deep Learning)에 기반하여 추천 컨텐츠의 자동 재생 여부를 판단하기 위한 장치의 블록도의 일 실시예를 도시한 도면이다.1 is a diagram illustrating an embodiment of a block diagram of an apparatus for determining whether to automatically reproduce recommended content based on deep learning.

도 1의 추천 컨텐츠의 자동 재생 여부 판단 장치(100)는 IPTV 서비스 사업자와 같은 컨텐츠 제공 서비스 사업자가 운용하는, 하나 이상의 위치에 설치되는 하나 이상의 서버 컴퓨터에서 실행되는 컴퓨터 프로그램들로서 구현되는 시스템의 일 예일 수 있다. 도 1에 도시된 바와 같이, 장치(100)는 데이터베이스부(110)를 포함할 수 있다. 데이터베이스부(110)는 고객 정보를 저장할 수 있다. 고객 정보는 복수의 고객의 ID들(Identifications) 및 복수의 고객의 각각의 프로필 정보를 포함할 수 있다. 복수의 고객의 각각의 프로필 정보는 해당 고객의 가입 정보, 해당 고객의 나이에 관한 정보 및/또는 해당 고객의 성별에 관한 정보를 포함할 수 있다. 고객의 가입 정보는 보급형 채널 상품, 아이들나라 상품 등과 같은 해당 고객이 가입한 가입 상품에 관한 정보일 수 있다. 고객 정보는 고객측에 설치된 셋탑박스(Set-top Box)와 인터넷(Internet)과 같은 통신망을 통해 통신하면서 고객의 요청을 수신하고 이에 응답하여 컨텐츠를 제공하는 서비스 제공 서버로부터 다양한 방식으로 획득하는 것이 가능하나, 고객 정보를 획득하는 방식이 이에 제한되는 것이 아님을 인식하여야 한다. 데이터베이스부(110)는, 예컨대 VOD(video on demand) 컨텐츠와 같은 컨텐츠에 관한 정보를 더 저장할 수 있다. 컨텐츠에 관한 정보는 컨텐츠 제공 서비스 사업자가 제공하고 있는 컨텐츠들의 타이틀에 관한 정보와 해당 컨텐츠들의 ID들 및 메타 정보를 포함할 수 있다. 컨텐츠의 메타 정보(content meta information)는 해당 컨텐츠의 키워드, 분위기, 장르, 소재, 줄거리, 배우, 감독 등에 관한 정보를 포함할 수 있다. 데이터베이스부(110)는 학습 데이터를 더 저장할 수 있다. 데이터베이스부(110)에 학습 데이터를 저장하는 방식에 대해서는 후술하기로 한다.The apparatus 100 for determining whether to automatically reproduce recommended content of FIG. 1 is an example of a system implemented as computer programs running on one or more server computers installed at one or more locations and operated by a content providing service provider such as an IPTV service provider can As shown in FIG. 1 , the device 100 may include a database unit 110 . The database unit 110 may store customer information. The customer information may include IDs (Identifications) of a plurality of customers and profile information of each of the plurality of customers. Each profile information of the plurality of customers may include subscription information of the corresponding customer, information about the age of the customer, and/or information about the gender of the customer. The customer's subscription information may be information about subscription products to which the customer has subscribed, such as a low-end channel product, a children's country product, and the like. Customer information is obtained in various ways from a service providing server that receives customer requests and provides contents in response while communicating through communication networks such as set-top boxes installed on the customer side and the Internet. Although possible, it should be recognized that the method of obtaining customer information is not limited thereto. The database unit 110 may further store information about content, for example, video on demand (VOD) content. The information about the content may include information about the title of the content provided by the content providing service provider, IDs of the corresponding content, and meta information. The content meta information may include information about keywords, atmosphere, genre, material, plot, actors, directors, and the like of the corresponding content. The database unit 110 may further store learning data. A method of storing the learning data in the database unit 110 will be described later.

데이터베이스부(110)는, 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드(MultiMedia Card: MMC), 카드 타입의 메모리(예를 들어, SD(Secure Digital) 카드 또는 XD(eXtream Digital) 카드 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크 및 광 디스크 중 어느 하나의 저장 매체로 구현될 수 있으나, 당업자라면 데이터베이스부(110)의 구현 형태가 이에 한정되는 것이 아님을 알 수 있을 것이다.The database unit 110 is a flash memory type (flash memory type), a hard disk type (hard disk type), a multimedia card (MultiMedia Card: MMC), a card type memory (eg, SD (Secure Digital) card or XD (eXtream Digital) card, etc.), RAM (Random Access Memory), SRAM (Static Random Access Memory), ROM (Read-Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) ), a magnetic memory, a magnetic disk, and an optical disk may be implemented as any one storage medium, but those skilled in the art will understand that the implementation form of the database unit 110 is not limited thereto.

장치(100)는 데이터베이스부(110)에 통신가능한 방식으로 결합된 프로세싱 엔진(processing engine, 120)을 더 포함할 수 있다. 프로세싱 엔진(120)은 입력 계층(Input Layer, 133), 심층 신경망(Deep Neural Network: DNN) 계층(135) 및 시그모이드 함수 계층(Sigmoid Function Layer, 137)을 포함하는 심층 학습 모듈(Deep Learning Module, 130)을 구현하도록 설계될 수 있다. 심층 학습 모듈의 개략적인 구조의 일 실시예를 도시한 도면인 도 2를 참조하면, 입력 계층(133)은 심층 학습 모듈(130)로 입력되는 입력들(입력 정보)의 개수에 해당하는 개수의 노드를 포함하는데, 이 노드들은 각각 입력 벡터들을 출력한다. 심층 신경망 계층(135)은 복수의 은닉층(hidden layers)을 포함할 수 있는데, 여기서 최상위 은닉층은 출력 계층을 구성한다. 심층 신경망 계층(135)에서의 각각의 은닉층은 복수의 노드를 포함할 수 있다. 도시된 실시예에서는 은닉층들에서의 노드들의 개수가 입력 계층(133)에서의 노드들의 개수 보다 많고 모두 동일한 것으로 도시되어 있으나, 은닉층들에서의 노드들의 개수가 이에 한정되는 것이 아님을 인식하여야 한다. 도시된 실시예에서와는 달리 은닉층들에서의 노드들의 개수가 상위로 갈수록 점점 줄어들도록 심층 신경망 계층(135)을 설계하는 것이 가능하다. 입력 계층(133)에서의 노드들의 각각은 심층 신경망 계층(135)의 최하위 은닉층에서의 노드들에 연결되며, 최하위 은닉층을 포함하는 은닉층들에서의 노드들도 유사한 방식으로 그 상위의 은닉층들에서의 노드들에 각각 연결된다. 또한 도시된 바와 같이 시그모이드 함수 계층(137)은 심층 신경망 계층(135)의 출력 계층에서의 노드들에 연결된 하나의 노드를 포함할 수 있다. 본 개시에 있어서 심층 학습 모듈(130)에서의 특정 노드가 또 다른 특정 노드에 '연결된다'고 함은 특정 노드의 출력값에 벡터값일 수 있는 가중치(weight)가 곱해져 또 다른 특정 노드로 전달된다는 의미로 해석될 수 있음에 유의하여야 한다. 심층 신경망 계층(135)은 입력 벡터들을 입력으로 하여 복수의 은닉층에서의 비선형적 연산 처리에 의해 입력 정보의 대안적 표현값들(alternative representations)인 복수의 출력 값을 제공하도록 구성될 수 있다. 심층 학습 모듈(130)은 감독 학습(supervised learning), 준감독 학습(semi-supervised learning) 및 무감독 학습(unsupervised learning) 중 어느 하나의 방식으로 기계 학습의 일종인 심층 학습을 수행하도록 구현될 수 있다.The apparatus 100 may further include a processing engine 120 coupled to the database unit 110 in a communicable manner. The processing engine 120 is a deep learning module including an input layer (Input Layer, 133), a deep neural network (DNN) layer 135 and a sigmoid function layer (Sigmoid Function Layer, 137). Module, 130) can be designed to implement. Referring to FIG. 2 which is a diagram showing an embodiment of a schematic structure of a deep learning module, the input layer 133 has a number corresponding to the number of inputs (input information) input to the deep learning module 130 . It contains nodes, each of which outputs input vectors. The deep neural network layer 135 may include a plurality of hidden layers, where the highest hidden layer constitutes an output layer. Each hidden layer in the deep neural network layer 135 may include a plurality of nodes. In the illustrated embodiment, the number of nodes in the hidden layers is greater than the number of nodes in the input layer 133 and it is illustrated that they are all the same. However, it should be understood that the number of nodes in the hidden layers is not limited thereto. Unlike in the illustrated embodiment, it is possible to design the deep neural network layer 135 such that the number of nodes in the hidden layers gradually decreases toward the top. Each of the nodes in the input layer 133 is connected to nodes in the lowest hidden layer of the deep neural network layer 135, and nodes in the hidden layers including the lowest hidden layer are also connected in the hidden layers above it in a similar manner. connected to each node. Also, as shown, the sigmoid function layer 137 may include one node connected to nodes in the output layer of the deep neural network layer 135 . In the present disclosure, that a specific node in the deep learning module 130 is 'connected' to another specific node means that the output value of the specific node is multiplied by a weight that may be a vector value and transmitted to another specific node. It should be noted that it can be interpreted as meaning. The deep neural network layer 135 may be configured to provide a plurality of output values that are alternative representations of input information by non-linear computational processing in a plurality of hidden layers by taking input vectors as input. The deep learning module 130 may be implemented to perform deep learning, a type of machine learning, in any one of supervised learning, semi-supervised learning, and unsupervised learning. have.

프로세싱 엔진(120)은 데이터베이스부(110)로부터 특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보를 검색하여 심층 학습 모듈(130)로 입력되게 제어하도록 작동될 수 있다. 프로세싱 엔진(120)은 추천 컨텐츠가 추천된 시간에 관한 정보가 심층 학습 모듈(130)로 입력되게 더 제어하도록 작동될 수 있다. 특정 고객의 고객 정보는 해당 고객의 고객 ID 및/또는 해당 고객의 프로필 정보를 포함할 수 있다. 추천 컨텐츠에 관한 정보는 특정 고객에게 추천된 컨텐츠, 즉 특정 고객이 시청할 가능성이 있는지를 예측해 보고자 하는 대상이 되는 컨텐츠에 관한 정보로서, 해당 컨텐츠의 ID 및/또는 해당 컨텐츠의 메타 정보를 포함할 수 있다. 일 실시예에서, 추천 컨텐츠는 특정 고객이 이전 컨텐츠를 시청하고 있는 중간에 또는 이전 컨텐츠의 시청을 종료한 후에 특정 고객에게 추천될 수 있다. 일 실시예에서, 추천 컨텐츠는 무료 컨텐츠이다. 일 실시예에서, 추천 컨텐츠가 추천된 시간에 관한 정보는 YYYY/MM/DD/HH/MM/SS(년도/달/일/시/분/초)와 같은 포맷으로 된 정보를 포함할 수 있다. 일 실시예에서, 추천 컨텐츠가 추천된 시간에 관한 정보는 아침, 저녁, 야간 등과 같이 하루의 때를 나타내는 정보일 수 있다.The processing engine 120 may be operated to search for customer information of a specific customer and information on recommended content recommended to the specific customer from the database unit 110 to be input to the deep learning module 130 . The processing engine 120 may be operated to further control that information about a time at which the recommended content is recommended is input to the deep learning module 130 . Customer information of a particular customer may include that customer's customer ID and/or profile information of that customer. The information on the recommended content is information about content recommended to a specific customer, that is, a content for which a specific customer is likely to view, and may include an ID of the content and/or meta information of the content. have. In an embodiment, the recommended content may be recommended to a specific customer while the specific customer is watching the previous content or after the previous content has been viewed. In one embodiment, the recommended content is free content. In an embodiment, the information about the recommended content time may include information in a format such as YYYY/MM/DD/HH/MM/SS (year/month/day/hour/minute/second). . According to an embodiment, the information on the time at which the recommended content is recommended may be information indicating the time of day, such as morning, evening, or night.

심층 학습 모듈(130)의 입력 계층(133)은 특정 고객의 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력들(입력 정보)을 임베딩(embedding) 처리하여 입력 벡터들을 출력하도록 구성될 수 있다. 일 실시예에서, 입력 계층(130)은 입력들에 임베딩 함수들(embedding functions)을 각각 적용하도록 구성될 수 있다. 일 실시예에서, 입력(입력 정보)에 임베딩 함수를 적용하는 동작은, 예컨대 룩업데이블(lookup table)을 이용하여 입력을 인코딩하는 동작을 수반할 수 있다. 일 실시예에서, 입력(입력 정보)에 임베딩 함수를 적용하는 동작은 인코딩된 입력에 벡터값일 수 있는 가중치를 적용하는 동작을 더 수반할 수 있다. 일 실시예에서, 입력 계층(133)은 특정 고객의 ID를 임베딩 처리하여 제공된 입력 벡터, 추천 컨텐츠의 ID를 임베딩 처리하여 제공된 입력 벡터 및 해당 추천 컨텐츠가 특정 고객에게 추천된 시간에 관한 정보를 임베딩 처리하여 제공된 입력 벡터를 출력하도록 구성될 수 있다. 일 실시예에서, 입력 계층(133)은 특정 고객의 프로필 정보를 임베딩 처리하여 제공된 입력 벡터를 더 출력하도록 구성될 수 있다. 일 실시예에서, 입력 계층(133)은 추천 컨텐츠의 컨텐츠 메타 정보를 임베딩 처리하여 제공된 입력 벡터를 출력하도록 더 구성될 수 있다.The input layer 133 of the deep learning module 130 performs embedding processing of inputs (input information) including customer information of a specific customer, information about recommended content, and information about a time when the recommended content is recommended. It may be configured to output input vectors. In one embodiment, input layer 130 may be configured to apply embedding functions to inputs, respectively. In one embodiment, applying the embedding function to the input (input information) may involve encoding the input using, for example, a lookup table. In one embodiment, applying the embedding function to the input (input information) may further involve applying a weight, which may be a vector value, to the encoded input. In an embodiment, the input layer 133 embeds information about an input vector provided by embedding the ID of a specific customer, an input vector provided by embedding the ID of the recommended content, and the time when the corresponding recommended content is recommended to a specific customer. It may be configured to process and output the provided input vector. In an embodiment, the input layer 133 may be configured to further output an input vector provided by embedding profile information of a specific customer. In an embodiment, the input layer 133 may be further configured to output an input vector provided by embedding content meta information of the recommended content.

심층 학습 모듈(130)의 시그모이드 함수 계층(137)은 심층 신경망 계층(135)으로부터 출력되는 복수의 출력 값에 기초하여 추천 컨텐츠(특정 고객에게 추천되었으며 자동으로 재생되었을 시에 특정 고객이 시청할 가능성이 있는지를 예측해 보고자 하는 대상이 되는 컨텐츠)에 대한 특정 고객의 행동 예측값(behavior prediction value)을 제공하도록 구성될 수 있다. 특정 고객의 행동 예측값은 추천 컨텐츠가 자동 재생되었을 시에 특정 고객이 추천 컨텐츠를 시청할 확률을 나타낸다. 행동 예측값은 0 이상이고 1 이하인 값일 수 있다. 일 실시예에서, 시그모이드 함수 계층(137)은 복수의 출력 값에 시그모이드 함수(Sigmoid Function)를 적용해서 행동 예측값을 제공하도록 구성될 수 있다. 시그모이드 함수 계층(137)은 심층 신경망 계층(135)의 복수의 출력 노드에 가중치들이 각각 적용되어 연결된 출력 노드(220)를 포함할 수 있다.Based on a plurality of output values output from the deep neural network layer 135, the sigmoid function layer 137 of the deep learning module 130 is recommended content (recommended to a specific customer and automatically played back by a specific customer) It may be configured to provide a behavior prediction value of a particular customer for the content of the target for which it is desired to predict the likelihood. The behavioral prediction value of the specific customer represents the probability that the specific customer will watch the recommended content when the recommended content is automatically played. The behavior prediction value may be a value greater than or equal to 0 and less than or equal to 1. In an embodiment, the sigmoid function layer 137 may be configured to provide a behavioral prediction value by applying a sigmoid function to a plurality of output values. The sigmoid function layer 137 may include an output node 220 connected by applying weights to a plurality of output nodes of the deep neural network layer 135 , respectively.

프로세싱 엔진(120)은 심층 학습 모듈(130)에 통신가능한 방식으로 결합된 필터 계층(140)을 구현하도록 더 설계될 수 있다. 필터 계층(140)은 시그모이드 함수 계층(137)으로부터 출력되는 특정 고객의 행동 예측값에 기초하여 특정 고객을 위하여 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하도록 구성될 수 있다. 필터 계층(140)은 행동 예측값이 선정된 임계값 이상인 경우 특정 고객을 위하여 추천 컨텐츠를 자동으로 재생하는 것으로 결정하도록 더 구성될 수 있다. 일 실시예에서, 필터 계층(140)은 행동 예측값이 0.5 이상인 경우 특정 고객을 위하여 추천 컨텐츠를 자동 재생하는 것으로 결정하도록 구성될 수 있다. 예를 들어 특정 고객이 컨텐츠 A를 시청하는 도중에 컨텐츠 B가 추천되었다고 가정하면, 추천 컨텐츠인 컨텐츠 B에 대한 특정 고객의 행동 예측값이 0.7로 출력되는 경우, 필터 계층(140)은 컨텐츠 A의 재생이 종료된 후 컨텐츠 B를 자동으로 재생하는 것으로 결정할 수 있다.The processing engine 120 may be further designed to implement the filter layer 140 coupled in a communicable manner to the deep learning module 130 . The filter layer 140 may be configured to determine whether to automatically play the recommended content for a specific customer based on the behavioral prediction value of the specific customer output from the sigmoid function layer 137 . The filter layer 140 may be further configured to determine to automatically play the recommended content for a specific customer when the behavioral prediction value is greater than or equal to a predetermined threshold. In one embodiment, the filter layer 140 may be configured to determine to automatically play the recommended content for a particular customer when the behavioral prediction value is 0.5 or greater. For example, assuming that content B is recommended while a specific customer is watching content A, if a specific customer's behavioral prediction value for content B, which is the recommended content, is output as 0.7, the filter layer 140 determines that the reproduction of content A is It may be decided to automatically play content B after it is finished.

특정 고객을 위하여 추천 컨텐츠를 자동으로 재생하는 것으로 결정된 경우 이러한 결정은 특정 고객 측에 있는 셋탑박스 등의 고객 장치로 전달되어 추천 컨텐츠가 자동으로 재생되게 된다. 추천 컨텐츠가 자동으로 재생되면 특정 고객이 추천 컨텐츠를 끝까지 시청할 가능성이 많겠으나 실제로는 그렇지 않을 가능성도 존재한다. 프로세싱 엔진(120)은 특정 고객이 자동 재생된 추천 컨텐츠를 시청하였는지의 여부에 관한 정보를 특정 고객의 고객 장치로부터 수신하여 이를 토대로 학습 데이터를 생성하여 연관 테이블(relational table)의 형태로 데이터베이스부(110)에 저장하도록 더 구성될 수 있다. 프로세싱 엔진(120)에 의해 관리되는 학습 데이터 테이블의 일 실시예를 도 3에 도시하였다. 도 3에 도시된 학습 데이터 테이블(300)은 단지 예시의 목적상 데이터를 서로 연관시켜 저장하는 방식을 개념적으로 도시한 것일 뿐이고 도 3에 도시된 사항이 저장된 데이터의 구조를 예시하거나 암시하는 것이 아님을 인식하여야 할 것이다. 도 3에 도시된 실시예에 따르면 학습 데이터 테이블(300)에 저장되는 각각의 학습 데이터는 고객 ID, 고객의 나이에 관한 정보, 고객의 성별에 관한 정보, 해당 고객에게 추천된 추천 컨텐츠의 ID, 해당 고객에게 추천 컨텐츠가 추천된 시간에 관한 정보 및 추천 컨텐츠가 자동 재생되었을 시에 해당 고객이 추천 컨텐츠를 시청하였는지의 여부에 관한 정보를 포함하나, 학습 데이터의 구조가 이에 제한되는 것이 아님을 인식하여야 한다.When it is determined to automatically reproduce recommended content for a specific customer, this determination is transmitted to a customer device such as a set-top box on the side of the specific customer, and the recommended content is automatically played. If the recommended content is automatically played, there is a high possibility that a specific customer will watch the recommended content to the end, but in reality this may not be the case. The processing engine 120 receives information on whether or not the specific customer watched the automatically reproduced recommended content from the customer device of the specific customer, generates learning data based thereon, and forms a relational table in the form of a database unit ( 110) may be further configured to store. One embodiment of a training data table managed by the processing engine 120 is shown in FIG. 3 . The learning data table 300 shown in FIG. 3 is only conceptually illustrating a method of storing data in association with each other for the purpose of illustration, and the items shown in FIG. 3 do not illustrate or imply the structure of the stored data. will have to recognize According to the embodiment shown in Figure 3, each of the learning data stored in the learning data table 300 is a customer ID, information about the customer's age, information about the customer's gender, the ID of the recommended content recommended to the customer, Recognize that the structure of the learning data is not limited thereto, including information on the time when the recommended content was recommended to the customer and information on whether the customer watched the recommended content when the recommended content was automatically played shall.

프로세싱 엔진(120)은, 심층 학습 모듈(130)이 유의미한 결과를 출력하도록 하기 위해서 학습 데이터를 이용하여 심층 학습 모듈(130)을 학습시키도록 더 구성될 수 있다. 프로세싱 엔진(120)은, 예컨대 도 3의 학습 데이터 테이블(300)에 저장된 학습 데이터를 이용하여 심층 학습 모듈(130)을 학습시킬 수 있다. 도 3을 참조하면서 예를 들어 보면, 1번 데이터는 추천 컨텐츠가 자동 재생되었을 시에 고객이 추천 컨텐츠를 시청한 경우에 대한 데이터이므로, 프로세싱 엔진(120)은, 고객 ID 'AAA', 고객의 나이 '45', 고객의 성별 'M', 추천 컨텐츠의 ID '0135' 및 추천 컨텐츠가 추천된 시간 '20200422164521'을 입력 계층(133)으로 입력시켰을 때 시그모이드 함수 계층(137)으로부터 출력되는 행동 예측값이 선정된 임계값 이상이 되도록 입력 계층(133), 심층 신경망 계층(135) 및 시그모이드 함수 계층(137)에서의 가중치들을 변경하는 방식으로 심층 학습 모듈(130)을 학습시킬 수 있다. 다른 예를 들어 보면, 2번 데이터는 추천 컨텐츠가 자동 재생되었으나 고객이 추천 컨텐츠를 시청하지 않은 경우에 대한 데이터이므로, 프로세싱 엔진(120)은, 고객 ID 'BBB', 고객의 나이 '29', 고객의 성별 'F', 추천 컨텐츠의 ID '1214' 및 추천 컨텐츠가 추천된 시간 '20200421010101'을 입력 계층(133)으로 입력시켰을 때 시그모이드 함수 계층(137)으로부터 출력되는 행동 예측값이 선정된 임계값 이하가 되도록 입력 계층(133), 심층 신경망 계층(135) 및 시그모이드 함수 계층(137)에서의 가중치들을 변경하는 방식으로 심층 학습 모듈(130)을 학습시킬 수 있다. 일 실시예에서, 프로세싱 엔진(120)은 심층 학습 모듈(130)에서의 가중치들을 변수로 하는 목적 함수(objective function)를 정의하고 이 목적 함수가 최소값에 근접하도록 가중치들의 값들을 학습에 의해 복수 회 갱신하도록 구성될 수 있다. 일 실시예에서, 프로세싱 엔진(120)은 목적 함수에 경사하강법(Gradient Descent Algorithm)을 적용하여 가중치들의 값들을 복수 회 갱신하는 동작을 수행하도록 구성될 수 있다. 목적 함수에 경사하강법을 적용하여 가중치들의 값들을 갱신함에 있어 많은 횟수로 갱신을 반복(iteration)하면 목적 함수가 그 만큼 최소값에 가까워지므로 가중치들의 값들이 정확해지기는 하나, 너무 많은 횟수로 갱신을 반복하면 프로세싱 엔진(120)에 부하가 걸릴 수 있으므로 선정된 횟수로 반복 횟수를 제한하거나 처리 시간에 타임 아웃을 거는 방식으로 프로세싱 엔진(120)에 걸리는 부하를 줄일 수 있다. 심층 학습 모듈(130)이 잘 학습되면 될수록 입력 정보에 더 잘 부합되는 행동 예측값을 얻는 것이 가능해진다.The processing engine 120 may be further configured to train the deep learning module 130 using the learning data in order to cause the deep learning module 130 to output meaningful results. The processing engine 120 may train the deep learning module 130 by using, for example, learning data stored in the learning data table 300 of FIG. 3 . Referring to FIG. 3 , for example, since data 1 is data for a case in which the customer watched the recommended content when the recommended content is automatically played, the processing engine 120, the customer ID 'AAA', the customer's When the age '45', the customer's gender 'M', the ID of the recommended content '0135' and the recommended content time '20200422164521' are input to the input layer 133, the output from the sigmoid function layer 137 is The deep learning module 130 may be trained by changing the weights in the input layer 133 , the deep neural network layer 135 , and the sigmoid function layer 137 so that the behavioral prediction value is greater than or equal to the selected threshold. . As another example, data No. 2 is data about a case in which the recommended content is automatically played but the customer does not watch the recommended content, so the processing engine 120, the customer ID 'BBB', the customer's age '29', When the customer's gender 'F', the ID of the recommended content '1214', and the recommended content's recommended time '20200421010101' are input to the input layer 133, the behavioral prediction value output from the sigmoid function layer 137 is selected The deep learning module 130 may be trained by changing the weights in the input layer 133 , the deep neural network layer 135 , and the sigmoid function layer 137 to be less than or equal to the threshold value. In one embodiment, the processing engine 120 defines an objective function with the weights as variables in the deep learning module 130 and learns the values of the weights multiple times so that the objective function approaches a minimum value. It can be configured to update. In an embodiment, the processing engine 120 may be configured to apply a gradient descent algorithm to the objective function to update values of weights a plurality of times. In updating the values of weights by applying gradient descent to the objective function, if the update is repeated many times, the objective function approaches the minimum value that much, so the values of the weights become accurate, but they are updated too many times. Since a load may be applied to the processing engine 120 by repeating , the load on the processing engine 120 may be reduced by limiting the number of repetitions to a predetermined number of times or by setting a timeout for the processing time. The better the deep learning module 130 is learned, the better it becomes possible to obtain a behavioral prediction value that matches the input information.

프로세싱 엔진(120)은, 응용 주문형 집적 회로(Application Specific Integrated Circuits: ASICs), 디지털 신호 처리기(Digital Signal Processors: DSPs), 디지털 신호 처리 소자(Digital Signal Processing Devices: DSPDs), 프로그램 가능 논리 소자(Programmable Logic Devices: PLDs), 현장 프로그램 가능 게이트 어레이(Field-Programmable Gate Arrays: FPGAs), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers) 및 마이크로 프로세서(microprocessors) 중 적어도 하나에 기반한 하드웨어 플랫폼(hardware platform)으로서 구현될 수 있다. 프로세싱 엔진(120)은 또한 전술한 하드웨어 플랫폼 상에서 실행 가능한 펌웨어(firmware)/소프트웨어 모듈로 구현될 수 있다. 이 경우, 소프트웨어 모듈은 적절한 프로그램(program) 언어로 쓰여진 소프트웨어 애플리케이션(application)에 의해 구현될 수 있다.The processing engine 120 includes Application Specific Integrated Circuits (ASICs), Digital Signal Processors (DSPs), Digital Signal Processing Devices (DSPDs), and programmable logic devices (Programmable Logic Devices). Hardware based on at least one of Logic Devices (PLDs), Field-Programmable Gate Arrays (FPGAs), processors, controllers, micro-controllers, and microprocessors. It may be implemented as a hardware platform. The processing engine 120 may also be implemented as a firmware/software module executable on the hardware platform described above. In this case, the software module may be implemented by a software application written in an appropriate program language.

도 4는 추천 컨텐츠의 자동 재생 여부를 판단하는 방법을 설명하기 위한 흐름도의 일 실시예를 도시한 도면이다.4 is a diagram illustrating an embodiment of a flowchart for explaining a method of determining whether to automatically reproduce recommended content.

도 4에 도시된 바와 같이, 본 방법은, 특정 고객의 고객 정보, 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 수신하는 단계(S405)로부터 시작된다. 특정 고객의 고객 정보는 특정 고객의 고객 ID를 포함할 수 있다. 특정 고객의 고객 정보는 특정 고객의 프로필 정보를 더 포함할 수 있고, 특정 고객의 프로필 정보는 특정 고객의 가입 정보, 특정 고객의 나이에 관한 정보 및/또는 특정 고객의 성별에 관한 정보를 포함할 수 있다. 추천 컨텐츠에 관한 정보는 추천 컨텐츠의 컨텐츠 ID를 포함할 수 있다. 추천 컨텐츠에 관한 정보는 추천 컨텐츠의 컨텐츠 메타 정보를 더 포함할 수 있다. 단계(S410)에서는 입력 정보를 입력 계층(133)으로 입력하여 임베딩 처리를 수행함으로써 입력 벡터들을 출력한다. 입력 정보에 대한 임베딩 처리는 입력 정보를 인코딩하고 이에 가중치를 곱하는 처리를 포함할 수 있다. 단계(S415)에서는 입력 벡터들을 심층 신경망 계층(135)으로 입력하여 복수의 출력 값을 제공한다. 단계(S420)에서는 복수의 출력 값을 시그모이드 함수 계층(137)으로 입력하여 추천 컨텐츠에 대한 특정 고객의 행동 예측값을 제공한다. 본 단계에서는 복수의 출력값에 시그모이드 함수를 적용해서 특정 고객의 행동 예측값을 제공할 수 있다. 여기서 특정 고객의 행동 예측값은 추천 컨텐츠가 자동 재생되었을 시에 특정 고객이 추천 컨텐츠를 시청할 확률을 나타낸다. 단계(S425)에서는 특정 고객의 행동 예측값을 필터 계층으로 입력하여 특정 고객을 위하여 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단한다. 본 단계에서는 특정 고객의 행동 예측값이 선정된 임계값 이상인 경우 특정 고객을 위하여 추천 컨텐츠를 자동으로 재생하는 것으로 결정할 수 있다. 특정 고객을 위하여 추천 컨텐츠를 자동으로 재생하는 것으로 결정된 경우 이러한 결정은 특정 고객 측에 있는 셋탑박스 등의 고객 장치로 전달되어 추천 컨텐츠가 자동으로 재생되게 된다. 이에 따라 특정 고객은 고객 장치를 별도로 작동시키지 않고도 유휴 시간 없이 추천 컨텐츠를 이어서 시청할 수 있게 된다. 특정 고객이 자동 재생된 추천 컨텐츠를 시청하였는지의 여부에 관한 정보를 특정 고객의 고객 장치로부터 수신하면 이를 토대로 학습 데이터가 생성되어 학습 데이터 테이블(300)에 저장된다. 학습 데이터 테이블(300)에 저장된 학습 데이터는 심층 학습 모듈(130)을 학습시키기 위해 사용된다.As shown in FIG. 4 , the method includes receiving input information including customer information of a specific customer, information about recommended content recommended to a specific customer, and information about a time at which the recommended content is recommended ( S405 ) starts from The customer information of the specific customer may include the customer ID of the specific customer. The specific customer's customer information may further include specific customer's profile information, and the specific customer's profile information may include specific customer's subscription information, information about the specific customer's age, and/or information about the specific customer's gender. can The information about the recommended content may include a content ID of the recommended content. The information about the recommended content may further include content meta information of the recommended content. In step S410, input vectors are output by inputting input information to the input layer 133 and performing embedding processing. The embedding process for the input information may include a process of encoding the input information and multiplying it by a weight. In step S415, input vectors are input to the deep neural network layer 135 to provide a plurality of output values. In step S420, a plurality of output values are input to the sigmoid function layer 137 to provide a behavioral prediction value of a specific customer with respect to the recommended content. In this step, it is possible to provide a behavioral prediction value of a specific customer by applying a sigmoid function to a plurality of output values. Here, the behavioral prediction value of the specific customer represents the probability that the specific customer will watch the recommended content when the recommended content is automatically played. In step S425, it is determined whether to automatically play the recommended content for the specific customer by inputting the behavioral prediction value of the specific customer into the filter layer. In this step, when the behavioral prediction value of a specific customer is greater than or equal to a selected threshold, it may be determined to automatically reproduce the recommended content for the specific customer. When it is determined to automatically reproduce recommended content for a specific customer, this determination is transmitted to a customer device such as a set-top box on the side of the specific customer, and the recommended content is automatically played. Accordingly, a specific customer can continuously watch the recommended content without idle time without separately operating the customer's device. When information on whether or not the specific customer watched the automatically reproduced recommended content is received from the specific customer's customer device, learning data is generated based on this and stored in the learning data table 300 . The learning data stored in the learning data table 300 is used to train the deep learning module 130 .

이상의 설명에 있어서 어떤 구성 요소가 다른 구성 요소에 접속되거나 결합된다는 기재의 의미는 당해 구성 요소가 그 다른 구성 요소에 직접적으로 접속되거나 결합된다는 의미뿐만 아니라 이들이 그 사이에 개재된 하나 또는 그 이상의 타 구성 요소를 통해 접속되거나 결합될 수 있다는 의미를 포함하는 것으로 이해되어야 한다. 이외에도 구성 요소들 간의 관계를 기술하기 위한 용어들(예컨대, '간에', '사이에' 등)도 유사한 의미로 해석되어야 한다.In the above description, the meaning of the description that a component is connected to or coupled to another component does not only mean that the component is directly connected or coupled to the other component, but also means that one or more other components are interposed therebetween. It should be understood to include the meaning that may be connected or coupled via an element. In addition, terms for describing the relationship between the elements (eg, 'between', 'between', etc.) should also be interpreted with similar meanings.

본원에 개시된 실시예들에 있어서, 도시된 구성 요소들의 배치는 발명이 구현되는 환경 또는 요구 사항에 따라 달라질 수 있다. 예컨대, 일부 구성 요소가 생략되거나 몇몇 구성 요소들이 통합되어 하나로 실시될 수 있다. 또한 일부 구성 요소들의 배치 순서 및 연결이 변경될 수 있다.In the embodiments disclosed herein, the arrangement of the illustrated components may vary depending on the environment or requirements in which the invention is implemented. For example, some components may be omitted or some components may be integrated and implemented as one. Also, the arrangement order and connection of some components may be changed.

이상에서는 본 발명의 다양한 실시예들에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예들에 한정되지 아니하며, 상술한 실시예들은 첨부하는 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변형 실시될 수 있음은 물론이고, 이러한 변형 실시예들이 본 발명의 기술적 사상이나 범위와 별개로 이해되어져서는 아니 될 것이다. 따라서, 본 발명의 기술적 범위는 오직 첨부된 특허청구범위에 의해서만 정해져야 할 것이다.In the above, various embodiments of the present invention have been shown and described, but the present invention is not limited to the specific embodiments described above, and the above-described embodiments depart from the gist of the present invention as claimed in the appended claims. Without this, various modifications may be made by those of ordinary skill in the art to which the present invention pertains, and these modified embodiments should not be understood separately from the technical spirit or scope of the present invention. Accordingly, the technical scope of the present invention should be defined only by the appended claims.

100: 추천 컨텐츠의 자동 재생 여부 판단 장치
110: 데이터베이스부
120: 프로세싱 엔진
130: 심층 학습 모듈
133: 입력 계층
135: 심층 신경망 계층
137: 시그모이드 함수 계층
140: 필터 계층100: Device for determining whether to automatically play recommended content
110: database unit
120: processing engine
130: deep learning module
133: input layer
135: deep neural network layer
137: sigmoid function layer
140: filter layer

Claims (31)

추천 컨텐츠의 자동 재생 여부 판단 방법으로서,
특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 수신하는 단계,
상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계,
상기 입력 벡터들을 심층 신경망(Deep Neural Network: DNN) 계층으로 입력하여 복수의 출력 값을 제공하는 단계,
상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -, 및
상기 특정 고객의 행동 예측값을 필터 계층으로 입력하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계를 포함하고,
상기 특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 수신하는 단계 이전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함하고,
상기 학습 데이터는 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠의 시청 여부에 관한 정보를 포함하고,
상기 입력 계층 및 상기 심층 신경망 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 시그모이드 함수 계층은 복수의 입력 노드 및 출력 노드를 포함하고,
상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계는, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되어 상기 고객이 시청한 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
As a method for determining whether to automatically play recommended content,
Receiving input information including customer information of a specific customer, information about recommended content recommended to the specific customer, and information about a time when the recommended content was recommended;
outputting input vectors by inputting the input information into an input layer and performing an embedding process;
providing a plurality of output values by inputting the input vectors to a deep neural network (DNN) layer;
providing a behavioral prediction value of the specific customer for the recommended content by inputting the plurality of output values into a sigmoid function layer - The behavioral prediction value of the specific customer is automatically reproduced when the recommended content represents the probability that the specific customer will watch the recommended content in -, and
determining whether to automatically play the recommended content for the specific customer by inputting the behavioral prediction value of the specific customer into a filter layer;
Prior to the step of receiving input information including customer information of the specific customer, information on recommended content recommended to the specific customer, and information about a time when the recommended content is recommended, the input layer, the deep neural network layer, and Further comprising the step of learning the sigmoid function layer as training data,
The learning data includes customer information, information on recommended content, and information on whether to watch the recommended content,
The input layer and the deep neural network layer include a plurality of input nodes and a plurality of output nodes, the sigmoid function layer includes a plurality of input nodes and output nodes,
Weights are set between the input nodes and the output nodes,
In the step of learning the input layer, the deep neural network layer, and the sigmoid function layer as learning data, information about recommended content that is recommended and automatically reproduced for a customer identified by the customer information and watched by the customer and changing the weights so that, when inputted to the input layer, the action prediction value output from the sigmoid function layer is equal to or greater than a predetermined threshold value, the method of determining whether to automatically reproduce recommended content.
 제1항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID(Identification)를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
According to claim 1,
The customer information of the specific customer includes a customer ID (Identification) of the specific customer, the method for determining whether to automatically play the recommended content.
 제2항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 프로필 정보를 더 포함하며, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
3. The method of claim 2,
The customer information of the specific customer further includes profile information of the specific customer, and the profile information of the specific customer includes information about the age of the specific customer and information about the gender of the specific customer. How to determine whether to play.
 제1항에 있어서,
상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 ID를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
According to claim 1,
The information on the recommended content includes a content ID of the recommended content, the method for determining whether to automatically play the recommended content.
 제4항에 있어서,
상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 메타 정보(content meta information)를 더 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
5. The method of claim 4,
The information on the recommended content further includes content meta information of the recommended content, the method for determining whether to automatically play the recommended content.
 제1항에 있어서,
상기 추천 컨텐츠는 무료 컨텐츠인, 추천 컨텐츠의 자동 재생 여부 판단 방법.
According to claim 1,
The recommended content is free content, the method for determining whether to automatically play the recommended content.
 삭제delete 삭제delete 제1항에 있어서,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계는, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되었으나 상기 고객이 시청하지 않은 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이하가 되도록 상기 가중치들을 변경하는 단계를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
According to claim 1,
In the step of learning the input layer, the deep neural network layer, and the sigmoid function layer as training data, information on recommended content recommended and automatically played for a customer identified by the customer information but not viewed by the customer and changing the weights so that a behavioral prediction value output from the sigmoid function layer becomes less than or equal to a predetermined threshold when , is input to the input layer.
 제1항에 있어서,
상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 - 는, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 특정 고객의 행동 예측값을 제공하는 단계를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
According to claim 1,
inputting the plurality of output values to a sigmoid function layer to provide a behavioral prediction value of the specific customer with respect to the recommended content - The specific customer's behavioral prediction value is the specific customer's recommendation content Indicating the probability of viewing - is, applying a sigmoid function to the plurality of output values, including the step of providing a predicted value of the specific customer's behavior, a method for determining whether to automatically play recommended content.
 제1항에 있어서,
상기 특정 고객의 행동 예측값을 필터 계층으로 입력하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계는, 상기 특정 고객의 행동 예측값이 선정된 임계값 이상인 경우 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생하는 것으로 결정하는 단계를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
According to claim 1,
The step of determining whether to automatically play the recommended content for the specific customer by inputting the behavioral prediction value of the specific customer into the filter layer may include: When the behavioral prediction value of the specific customer is greater than or equal to a predetermined threshold value, for the specific customer and determining whether to automatically reproduce the recommended content.
 추천 컨텐츠의 자동 재생 여부 판단 방법으로서,
특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -, 및
상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계를 포함하고,
특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계는,
상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계,
상기 입력 벡터들을 심층 신경망(Deep Neural Network: DNN) 계층으로 입력하여 복수의 출력 값을 제공하는 단계,
상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하는 단계 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -를 포함하고,
상기 특정 고객의 고객 정보, 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보 및 상기 추천 컨텐츠가 추천된 시간에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력하기 전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함하고,
상기 학습 데이터는 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠의 시청 여부에 관한 정보를 포함하고,
상기 입력 계층 및 상기 심층 신경망 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 시그모이드 함수 계층은 복수의 입력 노드 및 출력 노드를 포함하고,
상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계는, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되어 상기 고객이 시청한 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함하는 추천 컨텐츠의 자동 재생 여부 판단 방법.
As a method for determining whether to automatically play recommended content,
Behavior of the specific customer toward the recommended content by inputting input information including customer information of a specific customer, information on the recommended content recommended to the specific customer, and information on the time when the recommended content is recommended into the deep learning module providing a predicted value, wherein the behavioral prediction value of the specific customer indicates a probability that the specific customer will view the recommended content when the recommended content is automatically played; and
Comprising the step of determining whether to automatically play the recommended content for the specific customer based on the behavior prediction value of the specific customer,
Behavior of the specific customer toward the recommended content by inputting input information including customer information of a specific customer, information on the recommended content recommended to the specific customer, and information on the time when the recommended content is recommended into the deep learning module The step of providing the predicted value is:
outputting input vectors by inputting the input information into an input layer and performing an embedding process;
providing a plurality of output values by inputting the input vectors to a deep neural network (DNN) layer;
providing a behavioral prediction value of the specific customer for the recommended content by inputting the plurality of output values into a sigmoid function layer - The behavioral prediction value of the specific customer is automatically reproduced when the recommended content represents the probability that the specific customer will watch the recommended content in - including,
Before inputting input information including customer information of the specific customer, information about recommended content recommended to the specific customer, and information about a time when the recommended content is recommended to the deep learning module, the input layer, the deep neural network Further comprising the step of learning the layer and the sigmoid function layer as training data,
The learning data includes customer information, information on recommended content, and information on whether to watch the recommended content,
The input layer and the deep neural network layer include a plurality of input nodes and a plurality of output nodes, the sigmoid function layer includes a plurality of input nodes and output nodes,
Weights are set between the input nodes and the output nodes,
In the step of learning the input layer, the deep neural network layer, and the sigmoid function layer as learning data, information about recommended content that is recommended and automatically reproduced for a customer identified by the customer information and watched by the customer and changing the weights so that, when input to the input layer, the action prediction value output from the sigmoid function layer is equal to or greater than a predetermined threshold value.
 제12항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
13. The method of claim 12,
The customer information of the specific customer includes the customer ID of the specific customer, the method for determining whether to automatically play the recommended content.
 제13항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 프로필 정보를 더 포함하며, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
14. The method of claim 13,
The customer information of the specific customer further includes profile information of the specific customer, and the profile information of the specific customer includes information about the age of the specific customer and information about the gender of the specific customer. How to determine whether to play.
 제12항에 있어서,
상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 ID를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
13. The method of claim 12,
The information on the recommended content includes a content ID of the recommended content, the method for determining whether to automatically play the recommended content.
 제15항에 있어서,
상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 메타 정보를 더 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
16. The method of claim 15,
The information on the recommended content further includes content meta information of the recommended content, the method for determining whether to automatically play the recommended content.
 삭제delete 제12항에 있어서,
상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하는 단계는, 상기 특정 고객의 행동 예측값이 선정된 임계값 이상인 경우 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생하는 것으로 결정하는 단계를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단 방법.
13. The method of claim 12,
The step of determining whether to automatically play the recommended content for the specific customer based on the behavioral prediction value of the specific customer may include, when the behavioral prediction value of the specific customer is greater than or equal to a predetermined threshold value, the recommended content for the specific customer A method of determining whether to automatically play recommended content, comprising determining to automatically play the content.
 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치로서,
고객 정보 및 컨텐츠에 관한 정보를 저장하는 데이터베이스부, 및
입력 계층, 심층 신경망 계층 및 시그모이드 함수 계층을 포함하는 심층 학습 모듈을 구현하며, 상기 데이터베이스부로부터 특정 고객의 고객 정보 및 상기 특정 고객에게 추천된 추천 컨텐츠에 관한 정보를 검색하여 상기 심층 학습 모듈로 입력되게 제어하도록 구성된 프로세싱 엔진을 포함하며,
상기 입력 계층은 상기 특정 고객의 고객 정보 및 상기 추천 컨텐츠에 관한 정보를 임베딩 처리하여 입력 벡터들을 출력하도록 구성되고,
상기 심층 신경망 계층은 상기 입력 벡터들을 처리하여 복수의 출력 값을 제공하도록 구성되고,
상기 시그모이드 함수 계층은 상기 복수의 출력 값에 기초하여 상기 추천 컨텐츠에 대한 상기 특정 고객의 행동 예측값을 제공하도록 구성되고 - 상기 특정 고객의 행동 예측값은 상기 추천 컨텐츠가 자동 재생되었을 시에 상기 특정 고객이 상기 추천 컨텐츠를 시청할 확률을 나타냄 -,
상기 프로세싱 엔진은 상기 특정 고객의 행동 예측값에 기초하여 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생할 지의 여부를 판단하도록 구성된 필터 계층을 포함하고,
상기 프로세싱 엔진은, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키도록 더 구성되고,
상기 학습 데이터는 고객 정보, 추천 컨텐츠에 관한 정보 및 추천 컨텐츠의 시청 여부에 관한 정보를 포함하고,
상기 입력 계층 및 상기 심층 신경망 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 시그모이드 함수 계층은 복수의 입력 노드 및 출력 노드를 포함하고,
상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며,
상기 프로세싱 엔진은, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되어 상기 고객이 시청한 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하도록 더 구성되는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
As a device for determining whether to automatically play recommended content,
A database unit for storing information about customer information and content, and
Implementing a deep learning module including an input layer, a deep neural network layer, and a sigmoid function layer, by retrieving information on customer information of a specific customer and recommended content recommended to the specific customer from the database unit, the deep learning module a processing engine configured to control input into
The input layer is configured to output input vectors by embedding information about the customer information of the specific customer and the recommended content,
the deep neural network layer is configured to process the input vectors to provide a plurality of output values;
the sigmoid function layer is configured to provide a behavioral prediction value of the specific customer with respect to the recommended content based on the plurality of output values; Indicates the probability that the customer will watch the recommended content -,
the processing engine comprises a filter layer configured to determine whether to automatically play the recommended content for the specific customer based on the behavioral prediction of the specific customer;
The processing engine is further configured to train the input layer, the deep neural network layer, and the sigmoid function layer as training data,
The learning data includes customer information, information on recommended content, and information on whether to watch the recommended content,
The input layer and the deep neural network layer include a plurality of input nodes and a plurality of output nodes, the sigmoid function layer includes a plurality of input nodes and output nodes,
Weights are set between the input nodes and the output nodes,
The processing engine, the behavior prediction value output from the sigmoid function layer when the information about the recommended content that is recommended and automatically reproduced for the customer identified by the customer information and watched by the customer is input to the input layer is The apparatus for determining whether to automatically reproduce recommended content, further configured to change the weights to be greater than or equal to a predetermined threshold.
 제19항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
20. The method of claim 19,
The customer information of the specific customer includes the customer ID of the specific customer, an apparatus for determining whether to automatically play the recommended content.
 제20항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 프로필 정보를 더 포함하며, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
21. The method of claim 20,
The customer information of the specific customer further includes profile information of the specific customer, and the profile information of the specific customer includes information about the age of the specific customer and information about the gender of the specific customer. A device for determining whether to play.
 제19항에 있어서,
상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 ID를 포함하는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
20. The method of claim 19,
The information on the recommended content includes a content ID of the recommended content, the apparatus for determining whether to automatically play the recommended content.
 제22항에 있어서,
상기 추천 컨텐츠에 관한 정보는 상기 추천 컨텐츠의 컨텐츠 메타 정보를 더 포함하는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
23. The method of claim 22,
The information on the recommended content further includes content meta information of the recommended content, the apparatus for determining whether to automatically play the recommended content.
 삭제delete 삭제delete 제19항에 있어서,
상기 프로세싱 엔진은, 상기 고객 정보에 의해 식별되는 고객을 위하여 추천되고 자동 재생되었으나 상기 고객이 시청하지 않은 추천 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 행동 예측값이 선정된 임계값 이하가 되도록 상기 가중치들을 변경하도록 더 구성되는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
20. The method of claim 19,
The processing engine, the behavior prediction value output from the sigmoid function layer when information on recommended content that is recommended and automatically played for the customer identified by the customer information but has not been viewed by the customer is input to the input layer The apparatus for determining whether to automatically reproduce recommended content, further configured to change the weights to be less than or equal to the predetermined threshold.
 제19항에 있어서,
상기 시그모이드 함수 계층은, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 특정 고객의 행동 예측값을 제공하도록 더 구성되는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
20. The method of claim 19,
The sigmoid function layer is further configured to provide a behavioral prediction value of the specific customer by applying a sigmoid function to the plurality of output values.
 제19항에 있어서,
상기 필터 계층은, 상기 특정 고객의 행동 예측값이 선정된 임계값 이상인 경우 상기 특정 고객을 위하여 상기 추천 컨텐츠를 자동으로 재생하는 것으로 결정하도록 더 구성되는, 추천 컨텐츠의 자동 재생 여부 판단을 위한 장치.
20. The method of claim 19,
The filter layer is further configured to determine whether to automatically reproduce the recommended content for the specific customer when the behavioral prediction value of the specific customer is greater than or equal to a predetermined threshold value.
 삭제delete 프로그램을 기록한 컴퓨터 판독가능 기록매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 제1항 내지 제6항 및 제9항 내지 제11항 중 어느 한 항에 따른 방법을 수행하는, 컴퓨터 판독가능 기록매체.
A computer-readable recording medium recording a program, the program including instructions, which, when executed by a computer, perform the method according to any one of claims 1 to 6 and 9 to 11 which is a computer-readable recording medium.
 프로그램을 기록한 컴퓨터 판독가능 기록매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 제12항 내지 제16항 및 제18항 중 어느 한 항에 따른 방법을 수행하는, 컴퓨터 판독가능 기록매체.A computer readable recording medium recording a program, the program including instructions, which, when executed by a computer, perform the method according to any one of claims 12 to 16 and 18, computer readable possible recording medium.
KR1020200054673A 2020-05-07 2020-05-07 Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning KR102361593B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200054673A KR102361593B1 (en) 2020-05-07 2020-05-07 Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200054673A KR102361593B1 (en) 2020-05-07 2020-05-07 Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning

Publications (2)

Publication Number Publication Date
KR20210136432A KR20210136432A (en) 2021-11-17
KR102361593B1 true KR102361593B1 (en) 2022-02-09

Family

ID=78702876

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200054673A KR102361593B1 (en) 2020-05-07 2020-05-07 Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning

Country Status (1)

Country Link
KR (1) KR102361593B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101624246B1 (en) * 2012-02-21 2016-05-25 우얄라, 인크. Automatically recommending content
KR102086604B1 (en) * 2018-09-10 2020-03-09 서울대학교산학협력단 Deep learning based conversation-style sentence spacing method and system using context information

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180121466A (en) * 2017-04-06 2018-11-07 네이버 주식회사 Personalized product recommendation using deep learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101624246B1 (en) * 2012-02-21 2016-05-25 우얄라, 인크. Automatically recommending content
KR102086604B1 (en) * 2018-09-10 2020-03-09 서울대학교산학협력단 Deep learning based conversation-style sentence spacing method and system using context information

Also Published As

Publication number Publication date
KR20210136432A (en) 2021-11-17

Similar Documents

Publication Publication Date Title
Ebesu et al. Collaborative memory network for recommendation systems
US11930241B2 (en) System and method for optimizing videos
US11589120B2 (en) Deep content tagging
CN108595493B (en) Media content pushing method and device, storage medium and electronic device
CN111209440A (en) Video playing method, device and storage medium
Maddodi NETFLIX bigdata analytics-the emergence of data driven recommendation
JP2019125313A (en) Learning device, learning method, and learning program
CN112464100B (en) Information recommendation model training method, information recommendation method, device and equipment
CN115114542A (en) Object recommendation method, system, training method, medium and computer equipment
CN115867919A (en) Graph structure aware incremental learning for recommendation systems
US20220180186A1 (en) Machine learning techniques for generating enjoyment signals for weighting training data
KR102361593B1 (en) Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning
CN115880024A (en) Method for recommending lightweight graph convolutional neural network based on pre-training
KR102342492B1 (en) Method and Apparatus for Deep Learning Based Content Recommendation
EP3314903B1 (en) Digital content provision
CN114357301A (en) Data processing method, device and readable storage medium
KR102357360B1 (en) Method and Apparatus for Deep Learning Based Real-time Program Recommendation
KR102342485B1 (en) Method and Apparatus for Deep Learning Based Content Recommendation
KR102391644B1 (en) Method and Apparatus for VOD Content Recommendation
KR102391640B1 (en) Method and Apparatus for VOD Content Recommendation
KR20210123803A (en) Method and Apparatus for Deep Learning Based Content Recommendation
US20230403432A1 (en) Systems and methods for restricting video content
US20230239527A1 (en) Automation of User-Initiated Content Modification
US20210365800A1 (en) Computing apparatus and operating method thereof
US20220157348A1 (en) System and method for generating personalized video trailers

Legal Events

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