KR102389219B1 - 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템 - Google Patents

콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102389219B1
KR102389219B1 KR1020210139638A KR20210139638A KR102389219B1 KR 102389219 B1 KR102389219 B1 KR 102389219B1 KR 1020210139638 A KR1020210139638 A KR 1020210139638A KR 20210139638 A KR20210139638 A KR 20210139638A KR 102389219 B1 KR102389219 B1 KR 102389219B1
Authority
KR
South Korea
Prior art keywords
content
user
time
information
reading time
Prior art date
Application number
KR1020210139638A
Other languages
English (en)
Inventor
김경식
오형석
Original Assignee
주식회사 노티플러스
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 노티플러스 filed Critical 주식회사 노티플러스
Priority to KR1020210139638A priority Critical patent/KR102389219B1/ko
Application granted granted Critical
Publication of KR102389219B1 publication Critical patent/KR102389219B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 콘텐츠 정독 시간을 예측하여 추천 콘텐츠를 제공하는 방법에 있어서, 제1 사용자 단말이 웹 사이트에 접속하면, 상기 웹 사이트의 홈 페이지를 제1 사용자 단말로 제공하고, 상기 제1 사용자 단말에 로그인 되어 있는 제1 사용자 계정을 확인하여 제1 사용자 정보를 획득하는 단계; 상기 홈 페이지 상에서 제1 콘텐츠의 대표 이미지가 클릭되면, 상기 제1 사용자 단말로부터 상기 제1 콘텐츠에 대한 조회 요청을 수신하고, 상기 제1 콘텐츠를 확인하여 제1 콘텐츠 정보를 획득하는 단계; 상기 제1 사용자 정보 및 상기 제1 콘텐츠 정보를 기초로, 상기 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측하는 단계; 상기 제1 사용자의 정독 시간이 미리 설정된 사용자 허용 범위 내에 포함되는 것으로 확인되면, 상기 제1 콘텐츠를 상기 제1 사용자 단말로 제공하는 단계; 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제2 콘텐츠-상기 제2 콘텐츠는 상기 제1 콘텐츠와 주제가 동일하면서 상기 제1 콘텐츠 보다 많은 글자 수로 구성된 콘텐츠-에 대한 추천 정보를 상기 제1 사용자 단말로 제공하는 단계; 및 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제3 콘텐츠-상기 제3 콘텐츠는 상기 제1 콘텐츠와 주제가 동일하면서 상기 제1 콘텐츠 보다 적은 글자 수로 구성된 콘텐츠-에 대한 추천 정보를 상기 제1 사용자 단말로 제공하는 단계를 포함하는, 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법이 제공된다.

Description

콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING RECOMMENDED CONTENT THROUGH PREDICTION OF CONTENT READING TIME}
아래 실시예들은 콘텐츠 정독 시간을 예측하여 추천 콘텐츠를 제공하기 위한 기술에 관한 것이다.
최근, 사용자 맞춤형 추천에 대한 관심이 증대되면서, 콘텐츠를 사용자에게 추천하는 방식과 관련하여서도, 다양한 알고리즘에 대한 기술이 개발되고 있다.
특히, 딥러닝을 이용한 추천 알고리즘 중 Factorization Machines(FM)은 성능이 매우 우수한 편이라 추천 시스템에서 FM이 많이 사용되고 있다.
FM을 활용한 추천 알고리즘의 경우, 사용자 정보 및 콘텐츠 정보를 기반으로 평점 또는 정독 시간에 대한 예측이 가능하고, 이를 통해, 영화 도메인에서는 정독 시간이 긴 콘텐츠를 추천할 수 있다.
하지만, 뉴스 콘텐츠의 경우, 정독 시간이 길 것으로 예측되는 콘텐츠가 반드시 좋은 콘텐츠가 아닌 문제가 있으며, 사용자 별로 정독 시간이 상이한데 이를 고려하지 못하는 문제도 있다.
이에 따라, 상술한 문제점들을 해결하기 위해, 사용자 정보 및 콘텐츠 정보를 기초로 콘텐츠에 대한 정독 시간을 예측한 후, 사용자의 평소 정독 시간 및 콘텐츠 속성에 따른 정독 시간을 고려하여, 사용자에게 적합한 콘텐츠를 추천하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.
대한민국 등록특허 제10-2198365호 대한민국 등록특허 제10-2190304호 대한민국 공개특허 제10-2021-0059845호 대한민국 공개특허 제10-2021-0010105호
일실시예에 따르면, 제1 사용자 단말이 웹 사이트에 접속하면, 웹 사이트의 홈 페이지를 제1 사용자 단말로 제공하고, 제1 사용자 단말에 로그인 되어 있는 제1 사용자 계정을 확인하여 제1 사용자 정보를 획득하고, 홈 페이지 상에서 제1 콘텐츠의 대표 이미지가 클릭되면, 제1 사용자 단말로부터 제1 콘텐츠에 대한 조회 요청을 수신하고, 제1 콘텐츠를 확인하여 제1 콘텐츠 정보를 획득하고, 제1 사용자 정보 및 제1 콘텐츠 정보를 기초로, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측하고, 제1 사용자의 정독 시간이 미리 설정된 사용자 허용 범위 내에 포함되는 것으로 확인되면, 제1 콘텐츠를 제1 사용자 단말로 제공하고, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제2 콘텐츠에 대한 추천 정보를 제1 사용자 단말로 제공하고, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제3 콘텐츠에 대한 추천 정보를 제1 사용자 단말로 제공하는, 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 장치에 의해 수행되는, 콘텐츠 정독 시간을 예측하여 추천 콘텐츠를 제공하는 방법에 있어서, 제1 사용자 단말이 웹 사이트에 접속하면, 상기 웹 사이트의 홈 페이지를 제1 사용자 단말로 제공하고, 상기 제1 사용자 단말에 로그인 되어 있는 제1 사용자 계정을 확인하여 제1 사용자 정보를 획득하는 단계; 상기 홈 페이지 상에서 제1 콘텐츠의 대표 이미지가 클릭되면, 상기 제1 사용자 단말로부터 상기 제1 콘텐츠에 대한 조회 요청을 수신하고, 상기 제1 콘텐츠를 확인하여 제1 콘텐츠 정보를 획득하는 단계; 상기 제1 사용자 정보 및 상기 제1 콘텐츠 정보를 기초로, 상기 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측하는 단계; 상기 제1 사용자의 정독 시간이 미리 설정된 사용자 허용 범위 내에 포함되는 것으로 확인되면, 상기 제1 콘텐츠를 상기 제1 사용자 단말로 제공하는 단계; 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제2 콘텐츠-상기 제2 콘텐츠는 상기 제1 콘텐츠와 주제가 동일하면서 상기 제1 콘텐츠 보다 많은 글자 수로 구성된 콘텐츠-에 대한 추천 정보를 상기 제1 사용자 단말로 제공하는 단계; 및 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제3 콘텐츠-상기 제3 콘텐츠는 상기 제1 콘텐츠와 주제가 동일하면서 상기 제1 콘텐츠 보다 적은 글자 수로 구성된 콘텐츠-에 대한 추천 정보를 상기 제1 사용자 단말로 제공하는 단계를 포함하는, 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법이 제공된다.
상기 제1 사용자의 정독 시간을 예측하는 단계는, 상기 제1 사용자 정보를 통해 상기 제1 사용자의 콘텐츠 이용 내역을 획득하는 단계; 상기 제1 사용자의 콘텐츠 이용 내역을 기초로, 콘텐츠 별로 정독 시간을 확인하여, 상기 제1 사용자의 평균 정독 시간을 산출하는 단계; 상기 제1 사용자의 평균 정독 시간을 기초로, 상기 제1 사용자의 행동 정보를 생성하는 단계; 상기 제1 콘텐츠 정보를 통해, 상기 제1 콘텐츠의 글자 수를 확인하는 단계; 상기 제1 콘텐츠의 글자 수를 기초로, 상기 제1 콘텐츠의 속성 정보를 생성하는 단계; 상기 제1 사용자의 행동 정보 및 상기 제1 콘텐츠의 속성 정보를 매칭하여, 매칭 결과를 생성하는 단계; 및 상기 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로 상기 제1 사용자의 정독 시간을 예측하는 단계를 포함할 수 있다.
상기 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법은, 상기 제1 콘텐츠 정보를 통해 상기 제1 콘텐츠의 사용자 조회 내역을 획득하는 단계; 상기 제1 콘텐츠의 사용자 조회 내역을 기초로, 사용자 별로 정독 시간을 확인하여, 상기 제1 콘텐츠의 평균 정독 시간을 산출하는 단계; 상기 제1 콘텐츠의 평균 정독 시간의 길이에 따라, 기준치를 설정하는 단계; 상기 제1 콘텐츠의 평균 정독 시간에서 상기 기준치를 차감한 값으로, 상기 사용자 허용 범위의 최소 시간을 산출하는 단계; 상기 제1 콘텐츠의 평균 정독 시간에 상기 기준치를 가산한 값으로, 상기 사용자 허용 범위의 최대 시간을 산출하는 단계; 및 상기 사용자 허용 범위의 최소 시간 및 상기 사용자 허용 범위의 최대 시간을 기초로, 상기 사용자 허용 범위를 설정하는 단계를 더 포함할 수 있다.
상기 제1 콘텐츠를 상기 제1 사용자 단말로 제공하는 단계는, 제1 영역-상기 제1 영역은 조회 요청된 콘텐츠에 대한 내용이 표시되는 영역-으로 구성된 상기 제1 콘텐츠에 대한 웹 페이지를 상기 제1 사용자 단말로 제공하여, 상기 제1 영역에 상기 제1 콘텐츠의 상세 정보가 표시되도록 제어하는 단계를 포함하며, 상기 제2 콘텐츠에 대한 추천 정보를 제공하는 단계는, 상기 제1 영역 및 제2 영역-상기 제2 영역은 추천 콘텐츠에 대한 내용이 표시되는 영역-으로 구성된 상기 제1 콘텐츠에 대한 웹 페이지를 상기 제1 사용자 단말로 제공하여, 상기 제1 영역에 상기 제1 콘텐츠의 상세 정보가 표시되고 상기 제2 영역에 상기 제2 콘텐츠에 대한 추천 정보가 표시되도록 제어하는 단계를 포함하며, 상기 제3 콘텐츠에 대한 추천 정보를 제공하는 단계는, 상기 제1 영역 및 제2 영역으로 구성된 상기 제1 콘텐츠에 대한 웹 페이지를 상기 제1 사용자 단말로 제공하여, 상기 제1 영역에 상기 제1 콘텐츠의 상세 정보가 표시되고 상기 제2 영역에 상기 제3 콘텐츠에 대한 추천 정보가 표시되도록 제어하는 단계를 포함할 수 있다.
일실시예에 따르면, 제1 사용자 단말이 웹 사이트에 접속하면, 웹 사이트의 홈 페이지를 제1 사용자 단말로 제공하고, 제1 사용자 단말에 로그인 되어 있는 제1 사용자 계정을 확인하여 제1 사용자 정보를 획득하고, 홈 페이지 상에서 제1 콘텐츠의 대표 이미지가 클릭되면, 제1 사용자 단말로부터 제1 콘텐츠에 대한 조회 요청을 수신하고, 제1 콘텐츠를 확인하여 제1 콘텐츠 정보를 획득하고, 제1 사용자 정보 및 제1 콘텐츠 정보를 기초로, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측하고, 제1 사용자의 정독 시간이 미리 설정된 사용자 허용 범위 내에 포함되는 것으로 확인되면, 제1 콘텐츠를 제1 사용자 단말로 제공하고, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제2 콘텐츠에 대한 추천 정보를 제1 사용자 단말로 제공하고, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제3 콘텐츠에 대한 추천 정보를 제1 사용자 단말로 제공함으로써, 사용자 정보 및 콘텐츠 정보를 기초로 콘텐츠에 대한 정독 시간을 예측한 후, 사용자의 평소 정독 시간 및 콘텐츠 속성에 따른 정독 시간을 고려하여, 사용자에게 적합한 콘텐츠를 추천할 수 있는 효과가 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 콘텐츠 정독 시간을 예측하여 추천 콘텐츠를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 사용자의 정독 시간을 예측하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 사용자 허용 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 콘텐츠에 대한 웹 페이지의 화면 구성을 도시한 도면이다.
도 6은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 사용자 단말(100) 및 장치(200)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
복수의 사용자 단말(100)은 웹 사이트에 접속하여 콘텐츠를 확인하는 사용자들이 사용하는 단말로, 제1 사용자가 사용하는 제1 사용자 단말(110), 제2 사용자가 사용하는 제2 사용자 단말(120), 제3 사용자가 사용하는 제3 사용자 단말(130) 등을 포함할 수 있다.
복수의 사용자 단말(100) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 사용자 단말(110), 제2 사용자 단말(120), 제3 사용자 단말(130) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 사용자 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 사용자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.
복수의 사용자 단말(100) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 사용자 단말(100) 각각은 웹 사이트 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.
복수의 사용자 단말(100) 각각은 장치(200)에서 제공하는 웹 사이트, 애플리케이션을 등을 통해 장치(200)에 접속할 수 있다.
이하에서는 설명의 편의상, 제1 사용자 단말(110)의 동작을 위주로 설명하지만, 제2 사용자 단말(120) 등의 다른 사용자 단말에서 제1 사용자 단말(110)의 동작을 대신 수행할 수 있는 것은 물론이다.
장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 복수의 사용자 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 사용자 단말(100) 각각의 동작을 제어하고, 복수의 사용자 단말(100) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
장치(200)는 사용자 정보 및 콘텐츠 정보를 기초로, 콘텐츠 정독 시간을 예측한 후, 사용자별 평소 정독 시간 및 콘텐츠 속성에 따른 정독 시간을 고려하여, 사용자에게 적합한 콘텐츠를 추천할 수 있다. 여기서, 콘텐츠는 글자, 이미지, 동영상 등에 대한 정보를 포함할 수 있으며, 예를 들면, 웹 사이트에 게시된 뉴스 콘텐츠이다.
장치(200)는 사용자 행동 정보, 사용자 프로파일, 콘텐츠 속성 등에 대한 정보를 학습에 사용하여 학습 모델을 생성한 후, 학습 모델을 기반으로 사용자들에게 적합한 콘텐츠를 추천할 수 있다.
도 2는 일실시예에 콘텐츠 정독 시간을 예측하여 추천 콘텐츠를 제공하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 웹 사이트에 대한 접속 요청을 수신할 수 있다.
S202 단계에서, 장치(200)는 웹 사이트에 대한 접속 요청에 따라, 웹 사이트에 접속되도록 처리하여, 웹 사이트의 홈 페이지를 제1 사용자 단말(110)로 제공하고, 홈 페이지가 제1 사용자 단말(110)의 화면에 표시되도록, 제1 사용자 단말(110)의 동작을 제어할 수 있다.
S203 단계에서, 장치(200)는 제1 사용자 계정을 확인하여, 제1 사용자 정보를 획득할 수 있다. 이때, 장치(200)는 제1 사용자 단말(110)에 로그인 되어 있는 제1 사용자 계정을 확인하고, 제1 사용자 계정을 통해 데이터베이스에 저장된 사용자 정보를 조회하여, 데이터베이스로부터 제1 사용자 정보를 획득할 수 있다. 여기서, 제1 사용자 정보는 제1 사용자에 대한 사용자 정보로, 제1 사용자의 프로파일 정보, 행동 정보, 콘텐츠 이용 내역 등을 포함할 수 있다.
S204 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청을 수신할 수 있다.
구체적으로, 장치(200)는 제1 사용자 단말(110)의 화면에 표시된 홈 페이지 상에서 제1 콘텐츠의 대표 이미지가 클릭되면, 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청을 수신할 수 있다. 예를 들어, 제1 콘텐츠가 뉴스 콘텐츠인 경우, 제1 콘텐츠의 대표 이미지는 뉴스 헤드라인이고, 제1 콘텐츠에 대한 조회 요청은 뉴스 상세 정보를 조회하는 것에 대한 요청일 수 있다.
S205 단계에서, 장치(200)는 제1 콘텐츠를 확인하여, 제1 콘텐츠 정보를 획득할 수 있다. 이때, 장치(200)는 제1 콘텐츠에 대한 조회 요청을 통해 제1 콘텐츠를 확인하고, 데이터베이스에 저장된 콘텐츠 정보를 조회하여, 데이터베이스로부터 제1 콘텐츠 정보를 획득할 수 있다. 여기서, 제1 콘텐츠 정보는 제1 콘텐츠에 대한 콘텐츠 정보로, 제1 콘텐츠의 속성 정보, 사용자 이용 내역 등을 포함할 수 있다.
S206 단계에서, 장치(200)는 제1 사용자 정보 및 제1 콘텐츠 정보를 기초로, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측할 수 있다. 여기서, 제1 사용자의 정독 시간은 제1 사용자가 제1 콘텐츠를 정독하는데 소요되는 시간을 의미하며, 제1 사용자의 정독 시간을 예측하는 과정에 대한 자세한 설명은 도 3을 참조하여 후술하기로 한다.
S207 단계에서, 장치(200)는 제1 사용자의 정독 시간이 사용자 허용 범위 내에 포함되는지 여부를 확인할 수 있다. 여기서, 사용자 허용 범위는 실시예에 따라 상이하게 설정될 수 있으며, 이와 관련된 자세한 설명은 도 4를 참조하여 후술하기로 한다.
S207 단계에서 제1 사용자의 정독 시간이 사용자 허용 범위 내에 포함되는 것으로 확인되면, S208 단계에서, 장치(200)는 제1 콘텐츠를 제1 사용자 단말(110)로 제공하고, 제1 사용자 단말(110)의 화면에 제1 콘텐츠에 대한 웹 페이지가 표시되도록, 제1 사용자 단말(110)의 동작을 제어할 수 있다. 여기서, 제1 콘텐츠에 대한 웹 페이지는 제1 콘텐츠의 대표 이미지에 대한 클릭으로 연결되는 웹 페이지로, 제1 콘텐츠에 대한 상세 정보를 포함할 수 있다. 예를 들어, 제1 콘텐츠의 대표 이미지가 뉴스의 헤드라인인 경우, 제1 콘텐츠에 대한 웹 페이지는 뉴스의 상세 정보가 표시되는 페이지이다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청이 수신된 경우, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측한 결과, 제1 사용자의 정독 시간이 사용자 허용 범위 내에 포함되는 것으로 확인되면, 제1 콘텐츠가 제1 사용자에게 적합한 콘텐츠로 판단하여, 제1 콘텐츠를 제1 사용자 단말(110)로 제공할 수 있다.
S207 단계에서 제1 사용자의 정독 시간이 사용자 허용 범위 내에 포함되지 않고 사용자 허용 범위를 벗어나는 것으로 확인되면, S209 단계에서, 장치(200)는 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 짧은지 여부를 확인할 수 있다.
S209 단계에서 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, S210 단계에서, 장치(200)는 제2 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공하고, 제1 사용자 단말(110)의 화면에 제2 콘텐츠에 대한 추천 정보가 표시되도록, 제1 사용자 단말(110)의 동작을 제어할 수 있다. 여기서, 제2 콘텐츠는 제1 콘텐츠와 주제가 동일하면서 제1 콘텐츠 보다 많은 글자 수로 구성된 콘텐츠이고, 제2 콘텐츠에 대한 추천 정보는 제2 콘텐츠의 대표 이미지를 포함할 수 있다.
예를 들어, 제1 콘텐츠는 제1 주제에 대한 콘텐츠로 100개의 글자와 20개의 이미지로 구성된 콘텐츠이고, 제2 콘텐츠는 제1 주제에 대한 콘텐츠로 80개의 글자와 30개의 이미지로 구성된 콘텐츠인 경우, 장치(200)는 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 데이터베이스에 저장된 콘텐츠 정보를 조회하여, 제1 콘텐츠 보다 많은 글자 수로 구성된 제2 콘텐츠를 확인할 수 있으며, 제2 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 수 있다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청이 수신된 경우, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측한 결과, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되면, 제1 콘텐츠가 제1 사용자에게 적합하지 않은 콘텐츠로 판단하고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제1 사용자의 정독 시간을 증가시키기 위해 제1 콘텐츠 보다 많은 글자 수로 구성된 제2 콘텐츠가 제1 사용자에게 적합한 콘텐츠로 판단하여, 제2 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 수 있다. 이때, 장치(200)는 제1 콘텐츠 및 제2 콘텐츠에 대한 추천 정보를 함께 제1 사용자 단말(110)로 제공할 수 있다.
S209 단계에서 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 긴 것으로 확인되면, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어난 것으로 확인되어, 제1 사용자의 정독 시간이 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인될 수 있으며, 제1 사용자의 정독 시간이 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, S211 단계에서, 장치(200)는 제3 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공하고, 제1 사용자 단말(110)의 화면에 제3 콘텐츠에 대한 추천 정보가 표시되도록, 제1 사용자 단말(110)의 동작을 제어할 수 있다. 여기서, 제3 콘텐츠는 제1 콘텐츠와 주제가 동일하면서 제1 콘텐츠 보다 적은 글자 수로 구성된 콘텐츠이고, 제3 콘텐츠에 대한 추천 정보는 제3 콘텐츠의 대표 이미지를 포함할 수 있다.
예를 들어, 제1 콘텐츠는 제1 주제에 대한 콘텐츠로 100개의 글자와 20개의 이미지로 구성된 콘텐츠이고, 제3 콘텐츠는 제1 주제에 대한 콘텐츠로 120개의 글자와 10개의 이미지로 구성된 콘텐츠인 경우, 장치(200)는 제1 사용자의 정독 시간이 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 데이터베이스에 저장된 콘텐츠 정보를 조회하여, 제1 콘텐츠 보다 적은 글자 수로 구성된 제3 콘텐츠를 확인할 수 있으며, 제3 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 수 있다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청이 수신된 경우, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측한 결과, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되면, 제1 콘텐츠가 제1 사용자에게 적합하지 않은 콘텐츠로 판단하고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제1 사용자의 정독 시간을 감소시키기 위해 제1 콘텐츠 보다 적은 글자 수로 구성된 제3 콘텐츠가 제1 사용자에게 적합한 콘텐츠로 판단하여, 제3 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 수 있다. 이때, 장치(200)는 제1 콘텐츠 및 제3 콘텐츠에 대한 추천 정보를 함께 제1 사용자 단말(110)로 제공할 수 있다.
도 3은 일실시예에 따른 사용자의 정독 시간을 예측하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 제1 사용자 계정을 확인하여 제1 사용자 정보를 획득할 수 있다.
S302 단계에서, 장치(200)는 제1 사용자 정보를 통해 제1 사용자의 콘텐츠 이용 내역을 획득할 수 있다. 여기서, 제1 사용자 정보는 제1 사용자가 정독한 콘텐츠의 이용 내역을 포함할 수 있으며, 제1 사용자의 콘텐츠 이용 내역은 제1 사용자가 어느 콘텐츠를 얼마나 오래 정독하였는지에 대한 내역을 포함할 수 있다.
예를 들어, 제1 사용자 단말(110)의 화면에 제4 콘텐츠가 표시된 경우, 제4 콘텐츠에 대한 웹 페이지가 표시된 시점부터, 제4 콘텐츠에 대한 웹 페이지에서 다른 페이지로 이동한 시점까지, 제4 콘텐츠의 정독 시간으로 측정되어, 제4 콘텐츠 및 제4 콘텐츠의 정독 시간이 제1 사용자의 콘텐츠 이용 내역에 추가될 수 있다.
S303 단계에서, 장치(200)는 제1 사용자의 콘텐츠 이용 내역을 기초로, 콘텐츠 별로 정독 시간을 확인할 수 있다.
예를 들어, 제1 사용자의 콘텐츠 이용 내역에 제4 콘텐츠, 제5 콘텐츠 및 제6 콘텐츠가 이용한 콘텐츠로 등록되어 있는 경우, 장치(200)는 제4 콘텐츠의 정독 시간, 제5 콘텐츠의 정독 시간 및 제4 콘텐츠의 정독 시간을 각각 확인할 수 있다.
S304 단계에서, 장치(200)는 콘텐츠 별로 확인된 정독 시간의 평균값을 통해, 제1 사용자의 평균 정독 시간을 산출할 수 있다.
예를 들어, 제1 사용자가 제4 콘텐츠를 정독한 시간이 10초, 제1 사용자가 제5 콘텐츠를 정독한 시간이 20초, 제1 사용자가 제6 콘텐츠를 정독한 시간이 30초인 경우, 장치(200)는 제1 사용자의 평균 정독 시간을 20초로 산출할 수 있다.
S305 단계에서, 장치(200)는 제1 사용자의 평균 정독 시간을 기초로, 제1 사용자의 행동 정보를 생성할 수 있다. 여기서, 제1 사용자의 행동 정보는 제1 사용자의 평균 정독 시간을 나타내는 정보이다.
한편, S306 단계에서, 장치(200)는 제1 콘텐츠를 확인하여 제1 콘텐츠 정보를 획득할 수 있다.
S307 단계에서, 장치(200)는 제1 콘텐츠 정보를 통해 제1 콘텐츠의 글자 수를 확인할 수 있다. 여기서, 제1 콘텐츠 정보는 제1 콘텐츠의 구성 내역을 포함할 수 있으며, 제1 콘텐츠의 구성 내역은 제1 콘텐츠의 글자 수가 몇 개이고, 제1 콘텐츠의 이미지 수가 몇 개인지에 대한 내역을 포함할 수 있다.
S308 단계에서, 장치(200)는 제1 콘텐츠의 글자 수를 기초로, 제1 콘텐츠의 속성 정보를 생성할 수 있다. 여기서, 제1 콘텐츠의 속성 정보는 제1 콘텐츠의 글자 수를 나타내는 정보이다.
S309 단계에서, 장치(200)는 제1 사용자의 행동 정보 및 제1 콘텐츠의 속성 정보를 매칭하여 매칭 결과를 생성할 수 있다. 즉, 장치(200)는 제1 사용자의 평균 정독 시간과 제1 콘텐츠의 글자 수를 매칭하여 매칭 결과를 생성할 수 있다.
S310 단계에서, 장치(200)는 매칭 결과를 인공 신경망에 적용할 수 있다. 여기서, 인공 신경망은 매칭 결과를 입력 받은 후, 사용자의 정독 시간을 예측하여 출력하는 알고리즘일 수 있다. 인공 신경망은 도 7을 참조하여 후술되는 방법을 통해 학습될 수 있다.
S311 단계에서, 장치(200)는 인공 신경망의 출력을 기초로, 제1 사용자의 정독 시간을 예측할 수 있다.
일실시예에 따르면, 인공 신경망은 사용자 행동 정보 및 콘텐츠 속성 정보를 매칭한 매칭 결과를 통해, 사용자 정독 시간을 예측하도록 학습될 수 있다. 이를 통해, 인공 신경망은 사용자의 평균 정독 시간 및 콘텐츠의 글자 수를 고려하여, 콘텐츠에 대한 사용자의 정독 시간을 예측하여 출력할 수 있다.
도 4는 일실시예에 따른 사용자 허용 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 콘텐츠 정보를 통해 제1 콘텐츠의 사용자 조회 내역을 획득할 수 있다. 여기서, 제1 콘텐츠 정보는 제1 콘텐츠를 정독한 사용자의 조회 내역을 포함할 수 있으며, 제1 콘텐츠의 사용자 조회 내역은 어느 사용자가 제1 콘텐츠를 얼마나 오래 정독하였는지에 대한 내역을 포함할 수 있다.
예를 들어, 제1 사용자 단말(110)의 화면에 제1 콘텐츠가 표시된 경우, 제1 콘텐츠에 대한 웹 페이지가 표시된 시점부터, 제1 콘텐츠에 대한 웹 페이지에서 다른 페이지로 이동한 시점까지, 제1 콘텐츠의 정독 시간으로 측정되어, 제1 사용자 및 제1 콘텐츠의 정독 시간이 제1 콘텐츠의 사용자 조회 내역에 추가될 수 있다.
S402 단계에서, 장치(200)는 제1 콘텐츠의 사용자 조회 내역을 기초로, 사용자 별로 정독 시간을 확인할 수 있다.
예를 들어, 제1 콘텐츠의 사용자 조회 내역에 제1 사용자, 제2 사용자 및 제3 사용자가 조회한 사용자로 등록되어 있는 경우, 장치(200)는 제1 사용자의 정독 시간, 제2 사용자의 정독 시간 및 제3 사용자의 정독 시간을 각각 확인할 수 있다.
S403 단계에서, 장치(200)는 사용자 별로 확인된 정독 시간의 평균값을 통해, 제1 콘텐츠의 평균 정독 시간을 산출할 수 있다.
예를 들어, 제1 사용자가 제1 콘텐츠를 정독한 시간이 10초, 제2 사용자가 제1 콘텐츠를 정독한 시간이 20초, 제3 사용자가 제1 콘텐츠를 정독한 시간이 30초인 경우, 장치(200)는 제1 콘텐츠의 평균 정독 시간을 20초로 산출할 수 있다.
S404 단계에서, 장치(200)는 제1 콘텐츠의 평균 정독 시간의 길이에 따라, 기준치를 설정할 수 있다.
예를 들어, 장치(200)는 제1 콘텐츠의 평균 정독 시간이 1분인 경우, 기준치를 10초로 설정하고, 제1 콘텐츠의 평균 정독 시간이 2분인 경우, 기준치를 20초로 설정할 수 있다. 기준치를 설정하는 기준은 실시예에 따라 상이하게 설정될 수 있다.
S405 단계에서, 장치(200)는 제1 콘텐츠의 평균 정독 시간에서 기준치를 차감한 값으로, 사용자 허용 범위의 최소 시간을 산출할 수 있다.
예를 들어, 장치(200)는 제1 콘텐츠의 평균 정독 시간이 1분이고, 기준치가 10초인 경우, 사용자 허용 범위의 최소 시간을 50초로 산출할 수 있다.
S406 단계에서, 장치(200)는 제1 콘텐츠의 평균 정독 시간에 기준치를 가산한 값으로, 사용자 허용 범위의 최대 시간을 산출할 수 있다.
예를 들어, 장치(200)는 제1 콘텐츠의 평균 정독 시간이 1분이고, 기준치가 10초인 경우, 사용자 허용 범위의 최대 시간을 70초로 산출할 수 있다.
S407 단계에서, 장치(200)는 사용자 허용 범위의 최소 시간 및 사용자 허용 범위의 최대 시간을 기초로, 사용자 허용 범위를 설정할 수 있다.
예를 들어, 장치(200)는 제1 콘텐츠의 평균 정독 시간이 1분인 경우, 사용자 허용 범위를 50초 내지 70초의 범위로 설정할 수 있다.
도 5는 일실시예에 따른 콘텐츠에 대한 웹 페이지의 화면 구성을 도시한 도면이다.
일실시예에 따르면, 장치(200)는 제1 콘텐츠를 제1 사용자 단말(110)로 제공할 때, 제1 영역으로 구성된 제1 콘텐츠에 대한 웹 페이지를 제1 사용자 단말(110)로 제공하여, 제1 영역에 제1 콘텐츠의 상세 정보가 표시되도록 제어할 수 있다. 여기서, 제1 영역은 조회 요청된 콘텐츠에 대한 내용이 표시되는 영역을 의미할 수 있다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청이 수신된 경우, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측한 결과, 제1 사용자의 정독 시간이 사용자 허용 범위 내에 포함되는 것으로 확인되면, 제1 콘텐츠가 제1 사용자에게 적합한 콘텐츠로 판단하여, 제1 콘텐츠를 제1 사용자 단말(110)로 제공할 수 있다. 이때, 도 5의 (a)에 도시된 바와 같이, 제1 영역(510)으로 구성된 제1 콘텐츠에 대한 웹 페이지가 제공될 수 있다.
일실시예에 따르면, 장치(200)는 제2 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 때, 제1 영역 및 제2 영역으로 구성된 제1 콘텐츠에 대한 웹 페이지를 제1 사용자 단말(110)로 제공하여, 제1 영역에 제1 콘텐츠의 상세 정보가 표시되고 제2 영역에 제2 콘텐츠에 대한 추천 정보가 표시되도록 제어할 수 있다. 여기서, 제2 영역은 추천 콘텐츠에 대한 내용이 표시되는 영역을 의미할 수 있다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청이 수신된 경우, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측한 결과, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되면, 제1 콘텐츠가 제1 사용자에게 적합하지 않은 콘텐츠로 판단하고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제1 콘텐츠 보다 많은 글자 수로 구성된 제2 콘텐츠가 제1 사용자에게 적합한 콘텐츠로 판단하여, 제2 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 수 있다. 이때, 도 5의 (b)에 도시된 바와 같이, 제1 영역(510) 및 제2 영역(520)으로 구성된 제1 콘텐츠에 대한 웹 페이지가 제공될 수 있다. 여기서, 제1 영역(510)의 크기 및 위치와 제2 영역(520)의 크기 및 위치는 실시예에 따라 상이하게 설정될 수 있다.
일실시예에 따르면, 장치(200)는 제3 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 때, 제1 영역 및 제2 영역으로 구성된 제1 콘텐츠에 대한 웹 페이지를 제1 사용자 단말(110)로 제공하여, 제1 영역에 제1 콘텐츠의 상세 정보가 표시되고 제2 영역에 제3 콘텐츠에 대한 추천 정보가 표시되도록 제어할 수 있다. 여기서, 제2 영역은 추천 콘텐츠에 대한 내용이 표시되는 영역을 의미할 수 있다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 제1 콘텐츠에 대한 조회 요청이 수신된 경우, 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측한 결과, 제1 사용자의 정독 시간이 사용자 허용 범위를 벗어나는 것으로 확인되면, 제1 콘텐츠가 제1 사용자에게 적합하지 않은 콘텐츠로 판단하고, 제1 사용자의 정독 시간이 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제1 콘텐츠 보다 적은 글자 수로 구성된 제3 콘텐츠가 제1 사용자에게 적합한 콘텐츠로 판단하여, 제3 콘텐츠에 대한 추천 정보를 제1 사용자 단말(110)로 제공할 수 있다. 이때, 도 5의 (b)에 도시된 바와 같이, 제1 영역(510) 및 제2 영역(520)으로 구성된 제1 콘텐츠에 대한 웹 페이지가 제공될 수 있다. 여기서, 제1 영역(510)의 크기 및 위치와 제2 영역(520)의 크기 및 위치는 실시예에 따라 상이하게 설정될 수 있다.
도 6은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 인공 신경망은 매칭 결과를 입력 받은 후, 사용자의 정독 시간을 예측하여 출력하는 알고리즘일 수 있다. 인공 신경망의 학습이 이루어지는 장치(200)는 학습된 인공 신경망을 이용하여 사용자 정독 시간을 예측하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 인공 신경망이 학습되는 과정을 설명한다.
먼저, S601 단계에서, 장치(200)는 매칭 결과를 기초로 입력을 생성할 수 있다.
구체적으로, 장치(200)는 사용자 행동 정보 및 콘텐츠 속성 정보를 매칭한 후, 매칭된 결과에 대한 전처리를 수행할 수 있다. 전처리가 수행된 매칭 결과를 인공 신경망의 입력으로 그래도 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S602 단계에서, 장치(200)는 인공 신경망에 입력을 적용할 수 있다. 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 사용자의 평균 정독 시간이 길수록 사용자의 정독 시간을 길게 예측하면 보상값이 높아질 수 있으며, 제2 보상은 콘텐츠의 글자 수가 많을수록 사용자의 정독 시간을 길게 예측하면 보상값이 높아질 수 있다.
S603 단계에서, 장치(200)는 인공 신경망으로부터 출력을 획득할 수 있다. 인공 신경망의 출력은 매칭 결과를 통해 사용자의 정독 시간을 예측한 결과일 수 있다. 이때, 인공 신경망은 사용자의 평균 정독 시간 및 콘텐츠의 글자 수를 고려하여, 콘텐츠에 대한 사용자의 정독 시간을 예측하여 출력할 수 있다.
S604 단계에서, 장치(200)는 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.
구체적으로 장치(200)는 사용자의 평균 정독 시간이 길수록 사용자의 정독 시간을 길게 예측하면 제1 보상을 많이 수여하고, 콘텐츠의 글자 수가 많을수록 사용자의 정독 시간을 길게 예측하면 제2 보상을 많이 수여할 수 있다.
S605 단계에서, 장치(200)는 평가를 기초로 인공 신경망을 갱신할 수 있다.
구체적으로, 장치(200)는 인공 신경망이 매칭 결과를 통해 사용자의 정독 시간을 예측하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(200)는 상기와 같은 인공 신경망의 학습 과정을 반복함으로써, 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(200)는 매칭 결과를 통해 사용자의 정독 시간을 예측하여 출력하는 인공 신경망을 학습시킬 수 있다.
즉, 장치(200)는 사용자 행동 정보 및 콘텐츠 속성 정보에 대한 매칭 결과를 통해 사용자의 정독 시간을 예측할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 인공 신경망을 학습시킬 수 있다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 6을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 장치에 의해 수행되는, 콘텐츠 정독 시간을 예측하여 추천 콘텐츠를 제공하는 방법에 있어서,
    제1 사용자 단말이 웹 사이트에 접속하면, 상기 웹 사이트의 홈 페이지를 제1 사용자 단말로 제공하고, 상기 제1 사용자 단말에 로그인 되어 있는 제1 사용자 계정을 확인하여 제1 사용자 정보를 획득하는 단계;
    상기 홈 페이지 상에서 제1 콘텐츠의 대표 이미지가 클릭되면, 상기 제1 사용자 단말로부터 상기 제1 콘텐츠에 대한 조회 요청을 수신하고, 상기 제1 콘텐츠를 확인하여 제1 콘텐츠 정보를 획득하는 단계;
    상기 제1 콘텐츠 정보를 통해 상기 제1 콘텐츠의 사용자 조회 내역을 획득하는 단계;
    상기 제1 콘텐츠의 사용자 조회 내역을 기초로, 사용자 별로 정독 시간을 확인하여, 상기 제1 콘텐츠의 평균 정독 시간을 산출하는 단계;
    상기 제1 콘텐츠의 평균 정독 시간의 길이에 따라, 기준치를 설정하는 단계;
    상기 제1 콘텐츠의 평균 정독 시간에서 상기 기준치를 차감한 값으로, 사용자 허용 범위의 최소 시간을 산출하는 단계;
    상기 제1 콘텐츠의 평균 정독 시간에 상기 기준치를 가산한 값으로, 상기 사용자 허용 범위의 최대 시간을 산출하는 단계;
    상기 사용자 허용 범위의 최소 시간 및 상기 사용자 허용 범위의 최대 시간을 기초로, 상기 사용자 허용 범위를 설정하는 단계;
    상기 제1 사용자 정보 및 상기 제1 콘텐츠 정보를 기초로, 상기 제1 콘텐츠에 대한 제1 사용자의 정독 시간을 예측하는 단계;
    상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위 내에 포함되는 것으로 확인되면, 상기 제1 콘텐츠를 상기 제1 사용자 단말로 제공하는 단계;
    상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제2 콘텐츠-상기 제2 콘텐츠는 상기 제1 콘텐츠와 주제가 동일하면서 상기 제1 콘텐츠 보다 많은 글자 수로 구성된 콘텐츠-에 대한 추천 정보를 상기 제1 사용자 단말로 제공하는 단계; 및
    상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 사용자의 정독 시간이 상기 사용자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제3 콘텐츠-상기 제3 콘텐츠는 상기 제1 콘텐츠와 주제가 동일하면서 상기 제1 콘텐츠 보다 적은 글자 수로 구성된 콘텐츠-에 대한 추천 정보를 상기 제1 사용자 단말로 제공하는 단계를 포함하는,
    콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법.
  2. 제1항에 있어서,
    상기 제1 사용자의 정독 시간을 예측하는 단계는,
    상기 제1 사용자 정보를 통해 상기 제1 사용자의 콘텐츠 이용 내역을 획득하는 단계;
    상기 제1 사용자의 콘텐츠 이용 내역을 기초로, 콘텐츠 별로 정독 시간을 확인하여, 상기 제1 사용자의 평균 정독 시간을 산출하는 단계;
    상기 제1 사용자의 평균 정독 시간을 기초로, 상기 제1 사용자의 행동 정보를 생성하는 단계;
    상기 제1 콘텐츠 정보를 통해, 상기 제1 콘텐츠의 글자 수를 확인하는 단계;
    상기 제1 콘텐츠의 글자 수를 기초로, 상기 제1 콘텐츠의 속성 정보를 생성하는 단계;
    상기 제1 사용자의 행동 정보 및 상기 제1 콘텐츠의 속성 정보를 매칭하여, 매칭 결과를 생성하는 단계; 및
    상기 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로 상기 제1 사용자의 정독 시간을 예측하는 단계를 포함하는,
    콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법.
  3. 삭제
KR1020210139638A 2021-10-19 2021-10-19 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템 KR102389219B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210139638A KR102389219B1 (ko) 2021-10-19 2021-10-19 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210139638A KR102389219B1 (ko) 2021-10-19 2021-10-19 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102389219B1 true KR102389219B1 (ko) 2022-04-21

Family

ID=81437258

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210139638A KR102389219B1 (ko) 2021-10-19 2021-10-19 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102389219B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130082830A (ko) * 2011-12-20 2013-07-22 주식회사 케이티 통합 아이디를 이용한 콘텐츠 제공 시스템 및 방법
KR101909267B1 (ko) * 2017-05-17 2018-10-17 주식회사 카카오 열독률 제공 장치 및 방법
KR102190304B1 (ko) 2018-11-30 2020-12-14 서울대학교 산학협력단 Gpu 연산 기반의 딥러닝을 이용한 선호 콘텐츠 추천 장치 및 그 방법
KR102198365B1 (ko) 2019-11-28 2021-01-04 광운대학교 산학협력단 다중 채널 프리뷰 기반의 사용자 맞춤형 미디어 콘텐츠 프로그램 추천 시스템 및 방법
KR20210010105A (ko) 2019-07-19 2021-01-27 조재희 예측퀴즈 및 배팅 기반의 마케팅 서비스 제공 서버 및 그 방법
KR20210059845A (ko) 2019-11-15 2021-05-26 에스케이텔레콤 주식회사 딥러닝 기반의 상황인지 컨텐츠 추천을 위한 장치 및 이를 위한 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130082830A (ko) * 2011-12-20 2013-07-22 주식회사 케이티 통합 아이디를 이용한 콘텐츠 제공 시스템 및 방법
KR101909267B1 (ko) * 2017-05-17 2018-10-17 주식회사 카카오 열독률 제공 장치 및 방법
KR102190304B1 (ko) 2018-11-30 2020-12-14 서울대학교 산학협력단 Gpu 연산 기반의 딥러닝을 이용한 선호 콘텐츠 추천 장치 및 그 방법
KR20210010105A (ko) 2019-07-19 2021-01-27 조재희 예측퀴즈 및 배팅 기반의 마케팅 서비스 제공 서버 및 그 방법
KR20210059845A (ko) 2019-11-15 2021-05-26 에스케이텔레콤 주식회사 딥러닝 기반의 상황인지 컨텐츠 추천을 위한 장치 및 이를 위한 방법
KR102198365B1 (ko) 2019-11-28 2021-01-04 광운대학교 산학협력단 다중 채널 프리뷰 기반의 사용자 맞춤형 미디어 콘텐츠 프로그램 추천 시스템 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Choi Yu-Ra, ‘Debbable, launches a perusal article widget that recommends content with a high perusal rate’, Internet News, page 1-2, (2018.10.17.) *
최유라, ‘데비블, 정독률 높은 콘텐츠 추천하는 정독 기사 위젯 출시’, 인터넷 뉴스, 페이지 1-2, (2018.10.17.) 1부*

Similar Documents

Publication Publication Date Title
CN112567688B (zh) 用于嵌入的云微服务的自动调谐器
KR102322845B1 (ko) 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템
US11159573B1 (en) Selective regulation of information transmission from mobile applications to third-party privacy compliant target systems
US9588738B2 (en) Supporting software application developers to iteratively refine requirements for web application programming interfaces
KR102391510B1 (ko) 인공지능 기반 it 인프라 장비의 사전 장애 예측 방법, 장치 및 시스템
KR101785219B1 (ko) 사물 인터넷 환경에서의 그룹 사용자를 위한 그룹 구성 정보 기반 서비스 추천 방법
US10783128B2 (en) Rule based data processing
KR102340834B1 (ko) 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위한 구조 설계 방법, 장치 및 시스템
CN109697018A (zh) 调整存储节点副本数量的方法和装置
US10824794B2 (en) Process for creating a fixed length representation of a variable length input
CN111340220A (zh) 用于训练预测模型的方法和装置
CN114297475A (zh) 一种对象推荐方法、装置、电子设备及存储介质
Guo et al. Finite horizon risk-sensitive continuous-time Markov decision processes with unbounded transition and cost rates
JP2024508502A (ja) 情報をプッシュする方法および装置
KR102597432B1 (ko) 인공지능 모델을 활용한 맞춤형 콘텐츠의 기획안 및 견적 생성 방법, 장치 및 시스템
US20220171906A1 (en) Generating digital building representations and mapping to different environments
KR102389219B1 (ko) 콘텐츠 정독 시간의 예측을 통한 추천 콘텐츠 제공 방법, 장치 및 시스템
CN117573725A (zh) 缓存数据处理方法、装置、电子设备及存储介质
KR102430989B1 (ko) 인공지능 기반 콘텐츠 카테고리 예측 방법, 장치 및 시스템
KR20220070644A (ko) 기계 학습 기반 업체 추천 시스템
US11410023B2 (en) Lexicographic deep reinforcement learning using state constraints and conditional policies
KR102372434B1 (ko) 노출 화면 특성 기반의 콘텐츠 노출 영역 설정 방법, 장치 및 시스템
KR102372432B1 (ko) 클릭 및 노출 정보를 활용한 추천 콘텐츠 제공 방법, 장치 및 시스템
US20170090914A1 (en) Method and system for associating applications using parameter optimization
Wei et al. New average optimality conditions for semi-Markov decision processes in Borel spaces

Legal Events

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