KR102399833B1

KR102399833B1 - 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법

Info

Publication number: KR102399833B1
Application number: KR1020210181230A
Authority: KR
Inventors: 김선엽
Original assignee: 주식회사 이크림
Priority date: 2021-12-17
Filing date: 2021-12-17
Publication date: 2022-05-20

Abstract

본 발명은 인공 신경망 기반의 생성 모델을 이용하여 로그 라인을 이용한 시놉시스 제작 서비스 제공할 수 있는 기술에 관한 것이며, 컨텐츠 제작 수요에 전문적인 인력의 공급이 부족한 환경에서 공급가 수요에 대한 균형을 맞추고 양질의 컨텐츠 생성에 기본이 되는 양질의 시놉시스를 제공할 수 있는 서비스를 제공하기 위하, 인공 신경망 기반의 로그라인 정보 생성모델을 생성 및 학습하고, 사용자가 입력한 복수의 로그라인 정보와 로그라인 정보 생성모델을 이용하여 생성한 복수의 출력 로그라인 정보를 연결함으로써 시놉시스 정보를 생성하고, 이를 사용자에게 제공하는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 기술을 제공하는데 그 목적이 있다.

Description

인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법{synopsis production service providing apparatus using log line based on artificial neural network and method therefor}

본 발명은 인공 신경망 기반의 생성 모델을 이용하여 로그 라인을 이용한 시놉시스 제작 서비스 제공할 수 있는 기술에 관한 것이며, 더 자세하게는 사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 생성된 복수개의 입력 로그라인 정보를 인공 신경망 기반의 로그라인 정보 생성모델에 입력하여 생성된 적어도 하나의 출력 로그라인 정보와 복수개의 입력 로그라인 정보를 연결하여 시놉시스 정보를 생성할 수 있는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법을 제공하는데 그 목적이 있다.

컴퓨터 기능과 용량, 디지털 장치와 네트워크의 연결 기술들의 급격한 발전은 2000년대 이후 빅데이터 트렌드로 인한 도전과 기회를 제공하게 됐으며, 특히 AI의 적극적 활용 가능성을 더 높이고 있으며, 특히 인공지능(AI)은 세계 문화예술계에 많은 변화를 예고하고 있으며, 특히 예술창작 도구로서 인공지능의 활용에 대해 많은 시도가 진행되고 있다.

더 나아가 Baidu, Yandex, Bing, Google 및 네이버나 다음과 같은 검색 엔진들은 웹을 지속적으로 스캔하고 수십억 개의 블로그를 색인화하며 얻은 빅데이터를 기반으로 하는 자동선택과 추천 기능들을 개발하여 제공하고 있으며, 이는 세계적 검색 엔진과 유튜브와 같은 SNS에서는 이미 기본적인 기능이 되어 버려 디지털세상은 인간과 유사하지만 양적으로 전혀 다른 규모로 작동하는 지능이 요구되고 있다.

이러한 인공 신경망 기반의 딥러닝 기술로 인해 많은 양의 자동화된 정보처리 기능의 수준을 넘어 이제는 창작의 단계에 까지 이르고 있으며, 예술가들의 창작은 기술과 기계장치가 아닌 오로지 인간의 영역이라고 판단되었던 분야이나 이제 창작의 도구로의 기능에서만 멈추는 것이 아닌 예술 창작자로서 인공지능 기술 개발에 대한 시장의 수요가 점차 증가하고 있는 상황이다.

본 발명은 점차 증가하고 있는 컨텐츠 제작 수요에 전문적인 인력의 공급이 부족한 환경에서 공급가 수요에 대한 균형을 맞추고 양질의 컨텐츠 생성에 기본이 되는 양질의 시놉시스를 제공할 수 있는 서비스를 제공하기 위하, 인공 신경망 기반의 로그라인 정보 생성모델을 생성 및 학습하고, 사용자가 입력한 복수의 로그라인 정보와 로그라인 정보 생성모델을 이용하여 생성한 복수의 출력 로그라인 정보를 연결함으로써 시놉시스 정보를 생성하고, 이를 사용자에게 제공하는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 기술을 제공하는데 그 목적이 있다.

본 발명의 실시예에 따르면 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치는 사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 복수의 시퀀스로 나누어 각 시퀀스 별 시퀀스 정보를 생성하고, 각 시퀀스 별로 시퀀스 유형 정보, 등장 인물 성향 정보, 인물 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 입력 로그라인 정보를 생성하는 입력 로그라인 정보 생성부; 데이터 베이스로부터 입력받은 복수의 완성 시놉시스 정보를 각 시놉시스 별로 분석하여 복수의 시퀀스로 나누고 상기 시퀀스 별 시퀀스 정보를 생성하며, 각 시퀀스 별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 학습 로그라인 정보를 생성하고, 생성된 학습 로그라인 정보를 분석하여 미리 설정된 기준 이상의 연결 빈도를 보이는 시퀀스 유형의 연결 순서를 선정하여 복수의 시퀀스 진행 패턴을 각각 포함하는 복수의 학습 시퀀스 진행 정보를 생성하고, 각 시퀀스 유형별로 미리 설정된 기준 이상의 등장 빈도를 보이는 등장 인물의 인물 유형 정보, 행위 컨셉 정보를 분석하여 복수의 학습 시퀀스별 인물 설정 정보를 생성하는 학습 데이터 생성부; 상기 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력받아 상대적으로 높은 선호도를 보이는 완성 시놉시스 정보에 상대적으로 높은 가중치를 부여하고, 복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 산출하고, 이 중 상대적으로 높은 선호도를 보이는 시놉시스 정보에 포함된 복수의 시퀀스의 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯의 발생 빈도에는 가중치를 적용하여 각 항목별 연관성 점수를 산출하고, 상기 시퀀스 유형별로 미리 설정된 값 이상의 연관성 점수를 보이는 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 로그라인 생성 학습 정보로 생성하는 로그라인 생성 학습 정보 생성부; 복수의 합성곱 레이어로 형성된 인공 신경망을 통해 로그라인 정보 생성모델을 생성하고, 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보, 로그라인 생성 학습 정보를 로그라인 정보 생성 모델에 입력하여 시놉시스 제작 요청 정보를 기반하여 생성된 복수개의 입력 로그라인 정보를 입력 받으면 상기 복수개의 입력 로그라인 정보에 매칭되는 적어도 하나의 출력 로그라인 정보를 출력하도록 상기 로그라인 정보 생성 모델을 학습하는 로그라인 정보 생성모델 학습부; 사용자 만족 점수 예측 모델에 적어도 하나의 출력 로그라인 정보를 입력하여 상기 출력 로그라인 정보에 대한 각 사용자의 만족 점수를 예측하고, 예측된 상기 출력 로그라인 정보 별 만족점수를 이용하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 생성하고, 상기 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 이용하여 입력 받은 사용자의 성향 정보에 매칭되는 적어도 하나의 출력 로그라인 정보를 출력하도록 로그라인 정보 생성모델을 업데이트하는 생성모델 업데이트부; 및 사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 생성된 복수개의 입력 로그라인 정보를 상기 로그라인 정보 생성모델에 입력하여 생성된 적어도 하나의 출력 로그라인 정보와 상기 복수개의 입력 로그라인 정보를 연결하여 시놉시스 정보를 생성하는 시놉시스 정보 생성부를 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 로그라인 정보 생성모델 학습부는 상기 로그라인 정보 생성모델은 복수의 합성곱 레이어로 이루어진 제1 생성모듈, 제2 생성모듈, 제3 생성모듈을 포함하고, 상기 제1 생성모듈은 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보를 입력받아 복수의 제1 출력 로그라인 후보 정보를 생성하고, 상기 제2 생성모듈은 상기 복수의 학습 시퀀스 진행 정보와 로그라인 생성 학습 정보를 입력받아 정보를 입력받아 복수의 제2 출력 로그라인 후보 정보를 생성하고, 상기 제3 생성모듈은 상기 제1 출력 로그라인 후보 정보, 제2 출력 로그라인 후보정보를 입력받아 정보를 입력받아 복수의 출력 로그라인 정보를 생성하도록 상기 로그라인 정보 생성모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 상기 로그라인 생성 학습 정보 생성부는, 데이터 베이스로부터 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력받는 사용자 선호도 입력부; 상기 사용자의 선호도 정보를 분석하여 특정 완성 시놉시스 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보 또는 완성 시놉시스 정보에 대한 응답 또는 미응답, 복수의 완성 시놉시스 정보들 간의 선호도 상관 관계를 도출할 수 있는 간접 관심 정보로 분류하는 관심정보 분류부; 분류된 상기 직접 관심 정보와 간접 관심 정보를 인공 신경망 기반의 완성 시놉시스 선호도 산출 모델에 입력하여 직접 관심 정보가 존재하는 완성 시놉시스 정보뿐만 아니라 간접 관심 정보만이 존재하는 완성 시놉시스 정보 및 직접 관심 정보와 간접 관심 정보가 모두 존재하는 완성 시놉시스 정보를 포함한 각 완성 시놉시스 정보에 대한 선호도 점수를 사용자 기반으로 산출하여 사용자 별 완성 시놉시스 선호도 정보를 생성하는 선호도 정보 생성부; 상기 사용자 별 완성 시놉시스 선호도 정보를 이용하여 미리 설정된 임계값을 넘는 사용자의 선호도 점수를 가지는 완성 시놉시스 정보들을 그룹핑하여 유효 시놉시스 정보 그룹을 생성하는 유효 시놉시스 정보 그룹 생성부; 복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 계산하고, 상기 유효 시놉시스 정보 그룹에 포함된 복수의 완성 시놉시스 정보 사용자의 선호도 점수가 상대적으로 높은 완성 시놉시스 정보의 발생 빈도에 상대적으로 높은 가중치를 부여하여 최종 발생 빈도를 산출하는 발생 빈도 산출부; 및 산출된 최종 발생 빈도를 이용하여 각 항목별 연관성 점수를 산출하고, 상기 시퀀스 유형별로 미리 설정된 임계값 이상의 연관성 점수를 보이는 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 로그라인 생성 학습 정보로 생성할 수 있다.

본 발명의 일 실시예에 따르면 상기 생성모델 업데이트부는, 상기 예측된 출력 로그라인 정보 별 만족점수를 이용하여 상기 복수의 출력 로그라인 정보들 중 미리 설정된 일정 기준 이하의 만족 점수 값을 가진 출력 로그라인 정보를 불만족 로그라인 정보로 선정하고, 협업 필터링 기법을 이용하여 상기 불만족 로그라인 정보와 연관된 복수의 출력 로그라인 정보를 선정하여 선정된 상기 복수의 출력 로그라인 정보의 만족 점수에 0~1 이하의 가중치를 적용하여 산출된 산출 값을 소정의 범위 내의 값으로 정규화하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스에 입력함으로써 직접 입력 받지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성할 수 있다.

본 발명의 일 실시예에 따르면 상기 시놉시스 정보 생성부는, 상기 복수개의 학습 로그라인 정보 중 일부를 로그라인 정보 생성모델에 입력하여 생성한 적어도 하나의 출력 로그라인 정보와 복수개의 학습 로그라인 정보 중 입력되지 않은 일부의 학습 로그라인 정보의 시퀀스 정보, 시퀀스 별 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 기준으로 대비하였을 때 상기 적어도 하나의 출력 로그라인 정보가 사용자에게 적합한 정보였다고 인정된 정도로 근사함을 평가할 수 있는 것으로 판단하기 위한 제1 기대 값을 설정하고, 상기 생성된 출력 로그라인 정보과 제1 기대값의 차이를 제1 차이값으로 산출하고, 상기 복수개의 학습 로그라인 정보 중 일부를 로그라인 정보 생성모델에 입력하여 생성한 적어도 하나의 출력 로그라인 정보와 복수개의 학습 로그라인 정보 중 입력되지 않은 일부의 학습 로그라인 정보의 시퀀스 정보, 시퀀스 별 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 기준으로 대비하였을 때 상기 적어도 하나의 출력 로그라인 정보가 사용자에게 적합한 정보였다고 인정된 정도로 근사함을 평가할 수 없는 것으로 판단하기 위한 제2 기대 값을 설정하고, 상기 생성된 출력 로그라인 정보과 제2 기대값의 차이를 제2 차이값으로 산출하고, 상기 제1 차이값과 상기 제2 차이값의 합을 이용하여 상기 로그라인 정보 생성모델을 구성하는 인경 신경망의 구분 손실값으로 산출하고, 상기 구분 손실값이 최소가 되도록 가중치를 고정하여, 상기 상기 로그라인 정보 생성모델의 오차가 발생한 데이터 각각에 적용하는 가중치로 업데이트할 수 있다.

본 발명의 실시예에 따라 구현된 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법을 이용하면 인공 신경망 기반의 로그라인 정보 생성모델을 통해 전문 작가의 인력 투입 없이도 사용자의 선호도 및 요구 사항에 부합되는 시놉시스 정보를 제공받을 수 있으며, 복수의 시놉시스 정보를 제공받음으로 인하여 다양한 컨텐츠를 창작할 수 있는 기반이 될 수 있는 효과가 존재한다.

도 1은 본 발명의 실시예에 따라 구현된 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치의 구성도이다.
도 2는 도 1에 도시된 로그라인 생성 학습 정보 생성부의 세부 구성도이다.
도 3은 본 발명의 일 실시예에 따라 구현된 로그라인 정보 생성모델 학습부에 포함된 로그라인 정보 생성모델의 제1, 2, 3 생성모듈 간의 데이터 흐름을 나타낸 도면이다.
도 4를 참조하면 본 발명의 일 실시예에 따라 구현된 로그라인 정보 생성모델의 제1, 2, 3 생성모듈의 네트워크 구조가 나타나 있다.
도 5는 본 발명의 일 실시예에 따른 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 방법의 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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 본 발명이 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 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다.

그리고 몇 가지 대체 실시예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이 때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다.

그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.

따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.

이하, 도면을 참조하여 본 발명의 실시 예에 따른 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법에 대하여 설명한다.

도 1은 본 발명의 실시예에 따라 구현된 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치의 구성도이다.

도 1을 참조하면 본 발명의 일 실시예에 따른 구현된 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치(1000)는 입력 로그라인 정보 생성부(100), 학습 데이터 생성부(200), 로그라인 생성 학습 정보 생성부(300), 로그라인 정보 생성모델 학습부(400), 생성모델 업데이트부(500), 시놉시스 정보 생성부(600)를 포함할 수 있다.

입력 로그라인 정보 생성부(100)는 사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 복수의 시퀀스로 나누어 각 시퀀스 별 시퀀스 정보를 생성하고, 각 시퀀스 별로 시퀀스 유형 정보, 등장 인물 성향 정보, 인물 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 입력 로그라인 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 시놉시스 제작 요청 정보는 사용자가 제공 받고자하는 복수의 시퀀스 형식으로 이루어진 전체 시놉시스에 대한 일부분의 정보를 의미할 수 있으며, 복수의 시퀀스가 연속하여 이어져 있는 형태가 일반적이나 이에 제한되지 아니하고, 일 실시예에 따르면 일정한 패턴을 가지며 복수의 시퀀스가 불연속된 형태로 구성될 수도 있다.

본 발명의 일 실시예에 따르면 시놉시스 제작 요청 정보는 사용자가 직접 텍스트로 입력하거나 일정한 툴(TOOL)에서 제공한 키워드 입력 기능을 통해 일정한 형식을 가지도록 생성될 수 있으며, 일정한 형식을 가짐에 따라 이를 기반으로 각장면을 각 씬(scene)으로 이루어진 시퀀스 단위로 자동으로 분류할 수 있다.

여기서 시퀀스(sequence)란 씬(scene)의 집합이자 에피소드(episode)의 구성 요소로, 독립된 극적 구조를 가진 씬의 집합을 말하며, 하나의 극적 단위 구실을 의미하며, 사용자가 하나의 스토리를 작성할 때 가장 기본이 되는 요소를 의미할 수 있다.

본 발명의 일 실시예에 따르면 일정한 툴(TOOL)에서 제공한 키워드 입력 기능을 통해 시놉시스 제작 요청 정보를 입력받기 위하여 질의 형식을 통해 등장 캐릭터의 수, 성별, 연령, 행위유형, 외부 환경 대응 패턴, 주요 욕망, 줄거리의 진행 성격, 선호 엔딩 분위기 등의 항목에 대한 질문 정보에 대하여 응답 사항이 미리 준비된 질문지를 제공하고, 제공된 질문을 통해 사용자로부터 선택을 입력 받는 형식으로 이루어 질 수 있으나 이제 한정되지 아니하며, 상기 복수의 질문 항목에 대하여 사용자가 직접 텍스트로 입력할 수 있는 형태로 구현될 수 있다.

본 발명의 일 실시예에 따르면 입력 로그라인 정보 생성부(100)는 입력 받은 시놉시스 제작 요청 정보를 분석하여 시퀀스 단위로 복수의 시퀀스로 분할하여 각 시퀀스 별 시퀀스 정보를 생성할 수 있다.

여기서 시퀀스 정보란 각 시퀀스를 식별할 수 있는 식별 정보를 의미할 수 있으며, 각 시퀀스 정보를 기준으로 시퀀스에 대한 시퀀스 유형 정보, 등장 인물 성향 정보, 인물 컨셉 정보, 시퀀스 플롯 정보 등의 세부 정보가 포함될 수 있다.

본 발명의 일 실시예에 따르면 시퀀스 유형 정보는 각 시퀀스의 진행에 대한 특성을 표현한 정보를 의미할 수 있으며, 예를 들어, 행복, 사랑, 평화, 진행, 역경, 등장, 퇴장, 급진전, 갈등, 웃음 등 시퀀스의 전체적인 진행 분위기에 대한 특성을 나타낼 수 있는 대표 키워드 등을 의미할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 시놉시스 제작 요청 정보의 텍스트를 분석하여 하나의 에피소드로 묶을 수 있는 것을 기준으로 텍스트의 묶음 단위를 분류하여 복수의 시퀀스를 분류로 분할할 수 있다.

본 발명의 일 실시예에 따르면 등장 인물 성향 정보는 시퀀스에 등장하는 각인물들에 대한 캐릭터 성향을 키워드 또는 암시하는 단어로 나타낸 정보를 의미할 수 있다.

본 발명의 일 실시예에 따르면 등장 인물 성향 정보는 성공 추구, 과격한 활동 선호, 노력 지향, 활발한 분위기 메이커 등 등장 인물의 캐릭터 성향에 대한 키워드적인 정보를 의미할 수 있으며 돈키호테, 신데렐라, 팜므파탈 등 캐릭터 성향을 암시하는 단어로 이루어질 수 있다.

본 발명의 일 실시예에 다르면 인물 컨셉 정보는 등장 인물의 성향 정보와 더불어, 인물의 행동에 있어서 우선 순위 기준에 대한 내용을 포함한 정보를 의미할 수 있으며, 돈, 사랑, 정의, 믿음, 우정, 가족, 친구, 명예 등 시간이 특정 행동을 수행하거나 복수의 선택지가 있는 특정 선택을 수행할 때 선택지를 선정하기 위한 기준에 대한 것을 의미할 수 있다.

본 발명의 일 실시예에 따르면 시퀀스 플롯 정보는 각 시퀀스에서 진행되는 시나리오의 흐름에 대한 유형 정보를 의미할 수 있으며, 변모, 추구, 모험, 상승, 몰락 등 시나리오 흐름에 대한 정보가 사용될 수 있다.

학습 데이터 생성부(200)는 데이터 베이스로부터 입력받은 복수의 완성 시놉시스 정보를 각 시놉시스 별로 분석하여 복수의 시퀀스로 나누고 시퀀스 별 시퀀스 정보를 생성하며, 각 시퀀스 별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 학습 로그라인 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 학습 데이터 생성부(200)는 복수의 완성 시놉시스 정보를 각 시놉시스 별로 분석하여 복수개의 학습 로그라인 정보를 생성할 수 있으며, 이때 완성 시놉시스 정보는 처음부터 끝까지 시나리오의 기승전결이 완성되어 있는 시놉시스 정보를 의미할 수 있으며, 분석은 텍스트 마이닝 기법을 통해 수행될 수 있다.

본 발명의 일 실시예에 따르면 생성된 학습 로그라인 정보를 분석하여 미리 설정된 기준 이상의 연결 빈도를 보이는 시퀀스 유형의 연결 순서를 선정하여 복수의 시퀀스 진행 패턴을 포함하는 복수의 학습 시퀀스 진행 정보를 생성하고, 각 시퀀스 유형별로 미리 설정된 기준 이상의 등장 빈도를 보이는 등장 인물의 인물 유형 정보, 행위 컨셉 정보를 분석하여 복수의 학습 시퀀스별 인물 설정 정보를 생성할 수 있다.

본 발명의 일 실시 예에 따르면 학습 로그라인 정보에 포함된 복수의 시퀀스가 연결된 순서를 시퀀스 유형 정보를 기준으로 분석하여 순차적으로 시퀀스 유형의 연결 순서의 각 연결 빈도를 산출하고, 미리 설정된 기준 이상의 연결 빈도를 보이는 시퀀스 유형의 연결 순서를 복수의 시퀀스 진행 패턴으로 선정할 수 있으며, 선정된 복수의 시퀀스 진행 패턴을 이용하여 복수의 학습 시퀀스 진행 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 각 시퀀스 유형별로 미리 설정된 기준 이상의 등장 빈도를 보이는 등장 인물의 인물 유형 정보, 행위 컨셉 정보를 분석하여 시퀀스 유형별로 미리 설정한 기준 이상의 빈도를 보이는 등장 인물의 인물 유형 정보, 행위 컨셉 정보를 선정하고, 선정된 등장 인물에 대한 복수의 인물 유형 정보, 행위 컨셉 정보를 포함한 복수의 학습 시퀀스 별 인물 설정 정보를 생성할 수 있다.

로그라인 생성 학습 정보 생성부(300)는 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력 받아 상대적으로 높은 선호도를 보이는 완성 시놉시스 정보에 상대적으로 높은 가중치를 부여하고, 복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 완성 시놉시스 정보에 대한 사용자의 선호도 정보는 특정 완성 시놉시스 정보에 대한 선호도를 나타낼 수 있는 정보를 의미할 수 있으며 완성 시놉시스 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보와 응답, 미응답 또는 관련성을 통해 선호도를 유추할 수 있는 정보들을 포함하는 간접 관심 정보를 포함할 수 있다.

여기서 직접 관심 정보는 사용자가 직접 기술한 완성 시놉시스 정보에 대한 선호도 정보 또는 완성 시놉시스 정보에 대한 평가를 분석하여 획득한 특정 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 의미할 수 있으며, 간접 관심 정보는 특정 완성 시놉시스 정보를 직접 지정하지는 않았지만 완성 시놉시스 정보의 선호 유사도 또는 작업 유사도를 이용하여 사용자의 선호도를 예측할 수 있는 정보를 의미할 수 있다.

본 발명의 일 실시예에 따르면 로그라인 생성 학습 정보 생성부(300)는 상대적으로 높은 선호도를 보이는 시놉시스 정보에 포함된 복수의 시퀀스의 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯의 발생 빈도에는 가중치를 적용하여 각 항목별 연관성 점수를 산출하고, 시퀀스 유형별로 미리 설정된 값 이상의 연관성 점수를 보이는 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 로그라인 생성 학습 정보로 생성할 수 있다.

로그라인 생성 학습 정보 생성부(300)에 대한 자세한 설명은 도 2를 참조하며 하도록 한다.

로그라인 정보 생성모델 학습부(400)는 복수의 합성곱 레이어로 형성된 인공 신경망을 통해 로그라인 정보 생성모델을 생성하고, 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보, 로그라인 생성 학습 정보를 로그라인 정보 생성 모델에 입력하여 시놉시스 제작 요청 정보를 기반하여 생성된 복수개의 입력 로그라인 정보를 입력 받으면 복수개의 입력 로그라인 정보에 매칭되는 적어도 하나의 출력 로그라인 정보를 출력하도록 로그라인 정보 생성 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 로그라인 정보 생성모델은 복수의 합성곱 레이어를 통해 단일의 인공 신경망으로 형성될 수 있으나 이에 한정되지 아니하고, 복수의 별개의 인공 신경망으로 이루어져 각각의 출력값을 생성하고 복수의 출력값을 합성하여 출력 로그라인 정보를 산출할 수 있는 연산 레이어를 포함하는 구조로 형성될 수 있다.

생성모델 업데이트부(500)는 사용자 만족 점수 예측 모델에 적어도 하나의 출력 로그라인 정보를 입력하여 각 사용자의 만족 점수를 예측하고, 예측된 출력 로그라인 정보 별 만족점수를 이용하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 생성하고, 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 이용하여 입력 받은 사용자의 성향 정보에 매칭되는 적어도 하나의 출력 로그라인 정보를 출력하도록 로그라인 정보 생성모델을 업데이트할 수 있다.

본 발명의 일 실시예에 따르면 사용자 만족 점수 예측 모델은 적어도 하나의 출력 로그라인 정보를 입력받아 입력된 출력 로그라인 정보 별 각 사용자의 만족 점수를 미리 저장된 각 사용자 별 로그라인 정보에 대한 만족도 점수를 이용하여 각 로그라인 정보의 유사도에 따라 예측할 수 있다.

본 발명의 일 실시예에 따르면 예측된 출력 로그라인 정보 별 만족점수를 이용하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 생성할 수 있다.

본 발명의 일 실시예에 따르면 예측된 출력 로그라인 정보 별 만족점수를 이용하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 생성하기 위해서 n 차원의 페이크 평점 벡터를 생성하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값으로 설정하는 방법을 사용할 수 있으며, 예측된 출력 로그라인 정보 별 만족점수(

를 사용자 만족 점수 예측 모델(

)에 입력받아 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값(R)을 산출할 수 있고, 산출된 값이 실제의 것으로 판단하고 실제의 것으로 판단하도록 사용자 만족 점수 예측 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 사용자 만족 점수 예측 모델은 생성모델과 판별모델로 나뉘어 질 수 있고 생성모델이 생성한 값을 판별모델이 실제의 값으로 판단할 때까지 반복하여 학습될 수 있다.

사용자 만족 점수 예측 모델은 수학식 1과 같이 정의될 수 있다.

여기에서,

는 사용자 u에 대응하는 생성모델에 의해 생성된 n 차원의 평점 벡터를 나타내고,

는 미리 저장된 사용자 별 로그라인 정보에 대한 만족도 점수 를 의미할 수 있으며,

는

로 산출될 수 있으며, Z는 노이즈 벡터를 의미할 수 있으며, {}는 두 벡터들의 내부에서의 연결(concatenation)을 나타낼 수 있다.

는 사용자 u가 로그라인정보 i에 대해 평점을 부여했는지 여부를 나타내는 n 차원의 인디케이터 벡터일 수 있으며, 평점을 부여했으면 1, 부여하지 않았으면 0으로 나타낼 수 있으며,

는 element-wise 곱셈을 나타낼 수 있다.

본 발명의 일 실시예에 따르면 수학식 1을 통해 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값에 해당하는 생성모델의 출력 노드들을 드롭하여 판별 모델이 드롭된 노드들을 무시하고 생성모델이 드롭된 노드들에 대해 판별모델로부터의 손실 그라디언트를 얻지 못하게 함으로써 모델 파라미터들은 관찰된 평점들에 기반하여서만 학습됨으로써 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값을 산출할 수 있도록 사용될 수 있다.

본 발명의 일 실시예에 따르면 생성모델 업데이트부(500)는 예측된 출력 로그라인 정보 별 만족점수를 이용하여 상기 복수의 출력 로그라인 정보들 중 미리 설정된 일정 기준 이하의 만족 점수 값을 가진 출력 로그라인 정보를 불만족 로그라인 정보로 선정할 수 있다.

상기 일 실시예에 따르면 생성모델 업데이트부(500) 협업 필터링 기법을 이용하여 불만족 로그라인 정보와 연관된 복수의 출력 로그라인 정보를 선정하여 선정된 복수의 출력 로그라인 정보의 만족 점수에 0~1 이하의 가중치를 적용하여 산출된 산출 값을 소정의 범위 내의 값으로 정규화하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스에 입력함으로써 직접 입력 받지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성할 수 있다.

본 발명의 일 실시예에 따르면 사용자 만족 점수 예측 모델에 적어도 하나의 출력 로그라인 정보가 불만족 로그라인 정보와 연관된 출력 로그라인 정보인 경우에 출력된 각 사용자의 만족 점수에 0~1 이하의 가중치를 적용하여 산출된 산출 값을 소정의 범위 내의 값으로 정규화하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스에 입력하여 직접 입력 받지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성함으로써 정확도를 상대적으로 향상 시킬 수 있다.

시놉시스 정보 생성부(600)는 사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 생성된 복수개의 입력 로그라인 정보를 로그라인 정보 생성모델에 입력하여 생성된 적어도 하나의 출력 로그라인 정보와 복수개의 입력 로그라인 정보를 연결하여 시놉시스 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 시놉시스 정보 생성부(600)는 복수개의 학습 로그라인 정보 중 일부를 로그라인 정보 생성모델에 입력하여 생성한 적어도 하나의 출력 로그라인 정보와 복수개의 학습 로그라인 정보 중 입력되지 않은 일부의 학습 로그라인 정보의 시퀀스 정보, 시퀀스 별 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 기준으로 대비하였을 때 적어도 하나의 출력 로그라인 정보가 사용자에게 적합한 정보였다고 인정된 정도로 근사함을 평가할 수 있는 것으로 판단하기 위한 제1 기대 값을 설정하고, 상기 생성된 출력 로그라인 정보과 제1 기대값의 차이를 제1 차이값으로 산출할 수 있다.

상기 일 실시예에 따르면 복수개의 학습 로그라인 정보 중 일부를 로그라인 정보 생성모델에 입력하여 생성한 적어도 하나의 출력 로그라인 정보와 복수개의 학습 로그라인 정보 중 입력되지 않은 일부의 학습 로그라인 정보의 시퀀스 정보, 시퀀스 별 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 기준으로 대비하였을 때 상기 적어도 하나의 출력 로그라인 정보가 사용자에게 적합한 정보였다고 인정된 정도로 근사함을 평가할 수 없는 것으로 판단하기 위한 제2 기대 값을 설정하고, 상기 생성된 출력 로그라인 정보과 제2 기대값의 차이를 제2 차이값으로 산출할 수 있다.

상기 일 실시예에 따르면 제1 차이값과 상기 제2 차이값의 합을 이용하여 상기 로그라인 정보 생성모델을 구성하는 인경 신경망의 구분 손실값으로 산출하고, 상기 구분 손실값이 최소가 되도록 가중치를 고정하여, 상기 상기 로그라인 정보 생성모델의 오차가 발생한 데이터 각각에 적용하는 가중치로 업데이트할 수 있다.

도 2는 도 1에 도시된 로그라인 생성 학습 정보 생성부의 세부 구성도이다.

도 2를 참조하면 도 1에 도시된 로그라인 생성 학습 정보 생성부(300)는 사용자 선호도 입력부(310), 관심정보 분류부(320), 선호도 정보 생성부(330), 유효 시놉시스 정보 그룹 생성부(340), 발생빈도 산출부(350), 연관성 점수 산출부(360)를 포함할 수 있다.

사용자 선호도 입력부(310)는 데이터 베이스로부터 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력 받을 수 있다.

관심정보 분류부(320)는 사용자의 선호도 정보를 분석하여 특정 완성 시놉시스 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보 또는 완성 시놉시스 정보에 대한 응답 또는 미응답, 복수의 완성 시놉시스 정보들 간의 선호도 상관 관계를 도출할 수 있는 간접 관심 정보로 분류할 수 있다.

본 발명의 일 실시 예에 따르면 관심정보 분류부(320)는 사용자의 선호도 정보는 완성 시놉시스 정보에 대한 사용자의 선호도를 나타낼 수 있는 정보를 의미할 수 있으며 협업 필터링 기법에서 사용되는 기준에 따라 특정 항목에 대한 명시적인 선호도를 나타내는 직접 관심 정보와 응답, 미응답 또는 관련성을 통해 선호도를 유추할 수 있는 정보들을 포함하는 간접 관심 정보로 분류할 수 있다.

선호도 정보 생성부(330)는 분류된 직접 관심 정보와 간접 관심 정보를 인공 신경망 기반의 완성 시놉시스 선호도 산출 모델에 입력하여 직접 관심 정보가 존재하는 완성 시놉시스 정보뿐만 아니라 간접 관심 정보만이 존재하는 완성 시놉시스 정보 및 직접 관심 정보와 간접 관심 정보가 모두 존재하는 완성 시놉시스 정보를 포함한 각 완성 시놉시스 정보에 대한 선호도 점수를 사용자 기반으로 산출하여 사용자 별 완성 시놉시스 선호도 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 관심정보 분류부(320)는 완성 시놉시스 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보가 존재하는 완성 시놉시스 정보의 경우 해당 선호도에 따라 선호도를 산출할 수 있으며, 직접 관심 정보와 간접 관심 정보를 이용하여 완성 시놉시스 정보에 대한 선호도를 산출함으로써 직접 관심 정보가 존재하지 아니하는 완성 시놉시스 정보에 대한 선호도의 산출이 가능하고 더 나아가 직접 관심 정보가 존재하는 완성 시놉시스 정보에 대해서도 간접 관심 정보를 이용하여 가중치 값을 부여하여 더욱 정확한 선호도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 완성 시놉시스 선호도 산출 모델은 복수의 사용자에 각각에 대한 목적함수 및 샘플링 확률 분포(sampling probability distribution)를 산출하며, 직접 관심 정보 및 샘플링 확률 분포를 이용하여 복수의 사용자 각각에 대한 선호도의 차이가 미리 설정된 기준을 만족하는 직접 관심 정보와 간접 관심 정보를 연관 항목세트로 선정하여 복수의 항목 세트를 생성할 수 있다.

본 발명의 일 실시예에 따르면 선호도 정보 생성 모델의 목적 함수는 수학식 2와 같이 나타낼 수 있다.

여기서 u는 사용자이며,

는 사용자 u의 직접 관심 정보의 평가 벡터이며,

는 사용자 u의 간접 관심 정보인 평가 벡터이고,

는 사용자 u의 평가 정보 존재 유무에 대한 인디케이터 벡터이며,

는 활성화함수(sigmoid 또는 hyperbolic 탄젠트 함수)이며,

와

는 사용자 u의 완성 시놉시스 정보 i,j에 대한 평가 결과 예상치이며,

와

는 정규화항에 대한 중요도를 제어하기 위해 설정하는 파라미터이고

은 딥러닝 모델에 대응되는 파라미터를 의미할 수 있다.

본 발명의 일 실시예에 따르면 샘플링 확률 분포는 사용자의 관심도가 낮은 완성 시놉시스 정보가 선호도가 낮은 완성 시놉시스 정보로 샘플링되도록 구성될 수 있으며, 이러한 샘플링확률분포는 아래와 같은 수학식 3와 같이 나타낼 수 있다.

수학식 3에서

는 소프트맥스(softmax)함수를 의미할 수 있다.

본 발명의 일 실시예에 따르면 선호도 정보 생성 모델은 복수의 항목 세트에 근거하여 직접 관심 정보 또는 간접 관심 정보에 따른 완성 시놉시스 정보에 대한 선호도를 산출하도록 학습된 인공 신경망을 기반으로 한 모델일 수 있다.

본 발명의 일 실시예에 따르면 완성 시놉시스 선호도 산출 모델은 직접 관심 정보와 간접 관심 정보에 텍스트에 포함된 단어들의 수 및 단어들 간의 상관 관계에 기반하여 산출된 제1 점수를 산출할 수 있으며, 이미지와 기 저장된 유사도 계산용 기준 이미지와의 유사도에 기반하여 산출된 제2 점수를 산출할 수 있다.

본 발명의 일 실시예에 따르면 산출된 제1, 2점수를 이용하여 사용자 의향에 상응하는 복수의 완성 시놉시스 정보의 선호 유사도들을 계산하고, 선호 유사도들에 기반하여 선호 항목 풀(POOL)에 기 저장된 복수개의 연관 항목들 중 가장 높은 작업 유사도를 갖는 연관 항목을 항목 세트로 선정할 수 있다.

본 발명의 일 실시예에 따르면 복수의 완성 시놉시스 정보들에 기 설정된 조건에 따라 가중치를 설정하고, 가중치가 설정된 완성 시놉시스 정보로부터 계산된 작업 유사도의 가중합(WEIGHTED SUM)을 산출할 수 있으며, 계산된 가중합을 고려하여 선호도를 산출할 수 있다.

유효 시놉시스 정보 그룹 생성부(340)는 사용자 별 완성 시놉시스 선호도 정보를 이용하여 미리 설정된 임계값을 넘는 사용자의 선호도 점수를 가지는 완성 시놉시스 정보들을 그룹핑하여 유효 시놉시스 정보 그룹을 생성할 수 있다.

본 발명의 일 실시예에 따르면 완성 시놉시스 선호도 산출 모델을 통해 산출된 사용자 별 완성 시놉시스 선호도 정보 중 미리 설정된 임계값을 넘는 사용자의 선호도 점수를 가지는 완성 시놉시스 정보들을 그룹핑 하여 유효 시놉시스 정보 그룹을 생성하여 해당 그룹에 포함된 완성 시놉시스 정보에게는 상대적으로 높은 가중치를 주어 이를 기준으로 로그라인 생성 학습 정보에 사용할 수 있다.

발생빈도 산출부(350)는 복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 계산하고, 유효 시놉시스 정보 그룹에 포함된 복수의 완성 시놉시스 정보 사용자의 선호도 점수가 상대적으로 높은 완성 시놉시스 정보의 발생 빈도에 상대적으로 높은 가중치를 부여하여 최종 발생 빈도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 계산하고, 유효 시놉시스 정보 그룹에 포함된 복수의 완성 시놉시스 정보의 계산된 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도에 상대적으로 높은 가중치를 적용하여 최종 발생빈도를 산출할 수 있다.

연관성 점수 산출부(360)는 산출된 최종 발생 빈도를 이용하여 각 항목별 연관성 점수를 산출하고, 시퀀스 유형별로 미리 설정된 임계값 이상의 연관성 점수를 보이는 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 로그라인 생성 학습 정보로 생성할 수 있다.

본 발명의 일 실시예에 따르면 각 항목별 연관성 점수는 복수의 완성 시놉시스 정보를 분석하여 가중치를 적용해 산출된 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도라는 각 항목별 발생 빈도를 정규화하여 0~100점 사이의 연관성 점수를 산출하고, 미리 설정된 임계 값이상의 연관성 점수를 보이는 각 항목인 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 세부 사항들을 선정하여 선정된 각 항목별 세부 사항들을 포함한 로그라인 생성 학습 정보로 생성할 수 있다.

도 3은 본 발명의 일 실시예에 따라 구현된 로그라인 정보 생성모델 학습부에 포함된 로그라인 정보 생성모델의 제1, 2, 3 생성모듈 간의 데이터 흐름을 나타낸 도면이다.

도 3을 참조하면 본 발명의 일 실시예에 따라 구현된 로그라인 정보 생성모델 학습부에 포함된 로그라인 정보 생성모델의 제1, 2, 3 생성모듈이 나타나 있으며, 로그라인 정보 생성모델은 복수의 합성곱 레이어로 이루어진 제1 생성모듈, 제2 생성모듈, 제3 생성모듈을 포함할 수 있다.

본 발명의 일 실시예에 따르면 제1 생성 모듈과 제2 생성모듈은 별도의 인공신경망으로 구성될 수 있으며, 제1 생성 모듈과 제2 생성모듈은 상호 다른 종류의 네트워크 형식으로 구성될 수 있다.

도 4를 참조하면 본 발명의 일 실시예에 따라 구현된 로그라인 정보 생성모델의 제1, 2, 3 생성모듈의 네트워크 구조가 나타나 있다.

도 4를 참조하면 본 발명의 일 실시예에 따른 제1 생성모듈은 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보를 입력 받아 복수의 제1 출력 로그라인 후보 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제1 생성모듈을 복수의 연산 레이어로 구성될 수 있으며 입력되는 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보를

1번째 레이어를

, 2번째 레이어를

, L번째 레이어를

으로 지칭할 수 있으며, 이때

는 아래 수학식 4와 같이 산출될 수 있다.

상기 일 실시예에 따르면 제2 생성모듈은 복수의 학습 시퀀스 진행 정보와 로그라인 생성 학습 정보를 입력 받아 복수의 제2 출력 로그라인 후보 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제2생성모듈을 복수의 연산 레이어로 구성될 수 있으며 입력되는 복수의 학습 시퀀스 진행 정보와 로그라인 생성 학습 정보를

1번째 레이어를

, 2번째 레이어를

, L번째 레이어를

으로 지칭할 수 있으며, 이때

는 아래 수학식 5와 같이 산출될 수 있다.

상기 일 실시예에 따르면 제3 생성모듈은 복수의 학습 시퀀스 진행 정보와 복수의 학습 시퀀스별 인물 설정 정보, 로그라인 생성 학습 정보, 제1 출력 로그라인 후보 정보, 제2 출력 로그라인 후보정보를 입력받아 복수의 출력 로그라인 정보를 생성하도록 로그라인 정보 생성모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 복수의 학습 시퀀스 진행 정보와 복수의 학습 시퀀스별 인물 설정 정보, 로그라인 생성 학습 정보, 제1 출력 로그라인 후보 정보, 제2 출력 로그라인 후보정보를 통합하여

를 생성할 수 있고, 아래 수학식 6에 기반하여 복수의 출력 로그라인 정보(

)를 생성할 수 있다.

도 5는 본 발명의 일 실시예에 따른 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 방법의 흐름도이다.

사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 복수의 시퀀스로 나누어 각 시퀀스 별 시퀀스 정보를 생성하고, 각 시퀀스 별로 복수개의 입력 로그라인 정보를 생성한다(S10).

사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 복수의 시퀀스로 나누어 각 시퀀스 별 시퀀스 정보를 생성하고, 각 시퀀스 별로 시퀀스 유형 정보, 등장 인물 성향 정보, 인물 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 입력 로그라인 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 시놉시스 제작 요청 정보를 분석하여 시퀀스 단위로 복수의 시퀀스로 분할하여 각 시퀀스 별 시퀀스 정보를 생성할 수 있다.

복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 별로 복수개의 학습 로그라인 정보를 생성하고, 생성된 학습 로그라인 정보를 분석하여 복수의 학습 시퀀스 진행 정보를 생성하고, 각 시퀀스 유형별로 복수의 학습 시퀀스별 인물 설정 정보를 생성한다(S20).

본 발명의 일 실시예에 따르면 데이터 베이스로부터 입력받은 복수의 완성 시놉시스 정보를 각 시놉시스 별로 분석하여 복수의 시퀀스로 나누고 시퀀스 별 시퀀스 정보를 생성하며, 각 시퀀스 별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 학습 로그라인 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 복수의 완성 시놉시스 정보를 각 시놉시스 별로 분석하여 복수개의 학습 로그라인 정보를 생성할 수 있으며, 이때 완성 시놉시스 정보는 처음부터 끝까지 시나리오의 기승전결이 완성되어 있는 시놉시스 정보를 의미할 수 있으며, 분석은 텍스트 마이닝 기법을 통해 수행될 수 있다.

복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력 받아 상대적으로 높은 선호도를 보이는 완성 시놉시스 정보에 상대적으로 높은 가중치를 부여하고, 복수의 완성 시놉시스 정보를 분석하여 상대적으로 높은 선호도를 보이는 시놉시스 정보에 포함된 복수의 시퀀스의 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯의 발생 빈도에 가중치를 적용하여 각 항목별 연관성 점수를 산출하고, 시퀀스 유형별로 미리 설정된 값 이상의 연관성 점수를 보이는 로그라인 생성 학습 정보를 생성한다(S30).

본 발명의 일 실시예에 따르면 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력 받아 상대적으로 높은 선호도를 보이는 완성 시놉시스 정보에 상대적으로 높은 가중치를 부여하고, 복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 데이터 베이스로부터 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력 받을 수 있다.

본 발명의 일 실시예에 따르면 사용자의 선호도 정보를 분석하여 특정 완성 시놉시스 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보 또는 완성 시놉시스 정보에 대한 응답 또는 미응답, 복수의 완성 시놉시스 정보들 간의 선호도 상관 관계를 도출할 수 있는 간접 관심 정보로 분류할 수 있다.

본 발명의 일 실시 예에 따르면 사용자의 선호도 정보는 완성 시놉시스 정보에 대한 사용자의 선호도를 나타낼 수 있는 정보를 의미할 수 있으며 협업 필터링 기법에서 사용되는 기준에 따라 특정 항목에 대한 명시적인 선호도를 나타내는 직접 관심 정보와 응답, 미응답 또는 관련성을 통해 선호도를 유추할 수 있는 정보들을 포함하는 간접 관심 정보로 분류할 수 있다.

본 발명의 일 실시예에 따르면 분류된 직접 관심 정보와 간접 관심 정보를 인공 신경망 기반의 완성 시놉시스 선호도 산출 모델에 입력하여 직접 관심 정보가 존재하는 완성 시놉시스 정보뿐만 아니라 간접 관심 정보만이 존재하는 완성 시놉시스 정보 및 직접 관심 정보와 간접 관심 정보가 모두 존재하는 완성 시놉시스 정보를 포함한 각 완성 시놉시스 정보에 대한 선호도 점수를 사용자 기반으로 산출하여 사용자 별 완성 시놉시스 선호도 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 완성 시놉시스 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보가 존재하는 완성 시놉시스 정보의 경우 해당 선호도에 따라 선호도를 산출할 수 있으며, 직접 관심 정보와 간접 관심 정보를 이용하여 완성 시놉시스 정보에 대한 선호도를 산출함으로써 직접 관심 정보가 존재하지 아니하는 완성 시놉시스 정보에 대한 선호도의 산출이 가능하고 더 나아가 직접 관심 정보가 존재하는 완성 시놉시스 정보에 대해서도 간접 관심 정보를 이용하여 가중치 값을 부여하여 더욱 정확한 선호도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 샘플링 확률 분포는 사용자의 관심도가 낮은 완성 시놉시스 정보가 선호도가 낮은 완성 시놉시스 정보로 샘플링되도록 구성될 수 있으며, 이러한 샘플링확률분포는 수학식 3과 같이 나타낼 수 있다.

본 발명의 일 실시예에 따르면 복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 계산하고, 유효 시놉시스 정보 그룹에 포함된 복수의 완성 시놉시스 정보 사용자의 선호도 점수가 상대적으로 높은 완성 시놉시스 정보의 발생 빈도에 상대적으로 높은 가중치를 부여하여 최종 발생 빈도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 산출된 최종 발생 빈도를 이용하여 각 항목별 연관성 점수를 산출하고, 시퀀스 유형별로 미리 설정된 임계값 이상의 연관성 점수를 보이는 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 로그라인 생성 학습 정보로 생성할 수 있다.

복수의 합성곱 레이어로 형성된 인공 신경망을 통해 로그라인 정보 생성모델을 생성하고, 시놉시스 제작 요청 정보를 기반하여 생성된 복수개의 입력 로그라인 정보를 입력 받으면 복수개의 입력 로그라인 정보에 매칭되는 적어도 하나의 출력 로그라인 정보를 출력하도록 로그라인 정보 생성 모델을 학습한다(S40).

본 발명의 일 실시예에 따르면 복수의 합성곱 레이어로 형성된 인공 신경망을 통해 로그라인 정보 생성모델을 생성하고, 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보, 로그라인 생성 학습 정보를 로그라인 정보 생성 모델에 입력하여 시놉시스 제작 요청 정보를 기반하여 생성된 복수개의 입력 로그라인 정보를 입력 받으면 복수개의 입력 로그라인 정보에 매칭되는 적어도 하나의 출력 로그라인 정보를 출력하도록 로그라인 정보 생성 모델을 학습할 수 있다.

본 발명의 일 실시예에 따라 구현된 로그라인 정보 생성모델 학습부에 포함된 로그라인 정보 생성모델의 제1, 2, 3 생성모듈이 나타나 있으며, 로그라인 정보 생성모델은 복수의 합성곱 레이어로 이루어진 제1 생성모듈, 제2 생성모듈, 제3 생성모듈을 포함할 수 있다.

본 발명의 일 실시예에 따른 제1 생성모듈은 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보를 입력 받아 복수의 제1 출력 로그라인 후보 정보를 생성할 수 있다.

1번째 레이어를

, 2번째 레이어를

, L번째 레이어를

으로 지칭할 수 있으며, 이때

는 수학식 4와 같이 산출될 수 있다.

1번째 레이어를

, 2번째 레이어를

, L번째 레이어를

으로 지칭할 수 있으며, 이때

는 수학식 5와 같이 산출될 수 있다.

)를 생성할 수 있다.

학습된 로그라인 정보 생성 모델을 사용하여 출력된 적어도 하나의 출력 로그라인 정보들의 대한 각 사용자의 만족 점수를 예측하고, 예측된 출력 로그라인 정보 별 만족점수를 이용하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 생성하고, 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 이용하여 적어도 하나의 출력 로그라인 정보를 출력하도록 로그라인 정보 생성모델을 업데이트한다(S50).

본 발명의 일 실시예에 따르면 예측된 출력 로그라인 정보 별 만족점수를 이용하여 상기 복수의 출력 로그라인 정보들 중 미리 설정된 일정 기준 이하의 만족 점수 값을 가진 출력 로그라인 정보를 불만족 로그라인 정보로 선정할 수 있다.

상기 일 실시예에 따르면 협업 필터링 기법을 이용하여 불만족 로그라인 정보와 연관된 복수의 출력 로그라인 정보를 선정하여 선정된 복수의 출력 로그라인 정보의 만족 점수에 0~1 이하의 가중치를 적용하여 산출된 산출 값을 소정의 범위 내의 값으로 정규화하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스에 입력함으로써 직접 입력 받지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성할 수 있다.

생성된 복수개의 입력 로그라인 정보를 로그라인 정보 생성모델에 입력하여 생성된 적어도 하나의 출력 로그라인 정보와 복수개의 입력 로그라인 정보를 연결하여 시놉시스 정보를 생성한다(S60).

본 발명의 일 실시예에 따르면 사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 생성된 복수개의 입력 로그라인 정보를 로그라인 정보 생성모델에 입력하여 생성된 적어도 하나의 출력 로그라인 정보와 복수개의 입력 로그라인 정보를 연결하여 시놉시스 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 복수개의 학습 로그라인 정보 중 일부를 로그라인 정보 생성모델에 입력하여 생성한 적어도 하나의 출력 로그라인 정보와 복수개의 학습 로그라인 정보 중 입력되지 않은 일부의 학습 로그라인 정보의 시퀀스 정보, 시퀀스 별 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 기준으로 대비하였을 때 적어도 하나의 출력 로그라인 정보가 사용자에게 적합한 정보였다고 인정된 정도로 근사함을 평가할 수 있는 것으로 판단하기 위한 제1 기대 값을 설정하고, 상기 생성된 출력 로그라인 정보과 제1 기대값의 차이를 제1 차이값으로 산출할 수 있다.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims

사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 복수의 시퀀스로 나누어 각 시퀀스 별 시퀀스 정보를 생성하고, 각 시퀀스 정보 별로 시퀀스 유형 정보, 등장 인물 성향 정보, 인물 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 입력 로그라인 정보를 생성하는 입력 로그라인 정보 생성부;
데이터 베이스로부터 입력받은 복수의 완성 시놉시스 정보를 각 시놉시스 별로 분석하여 복수의 학습 시퀀스로 나누고 상기 학습 시퀀스 별 학습 시퀀스 정보를 생성하며, 각 학습 시퀀스 정보 별로 학습 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 포함하는 복수개의 학습 로그라인 정보를 생성하고, 생성된 학습 로그라인 정보를 분석하여 미리 설정된 기준 이상의 학습 시퀀스 유형간 연결 빈도를 보이는 학습 시퀀스 유형의 연결 순서를 선정하여 복수의 학습 시퀀스 진행 패턴을 각각 포함하는 복수의 학습 시퀀스 진행 정보를 생성하고, 각 학습 시퀀스 유형별로 미리 설정된 기준 이상의 등장 빈도를 보이는 등장 인물의 인물 유형 정보, 행위 컨셉 정보를 분석하여 복수의 시퀀스별 인물 설정 정보를 생성하는 학습 데이터 생성부;
상기 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력받아 상대적으로 높은 선호도를 보이는 완성 시놉시스 정보에 상대적으로 높은 가중치를 부여하고, 복수의 완성 시놉시스 정보를 분석하여 각 학습 시퀀스 별로 학습 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 학습 시퀀스 플롯 정보의 발생 빈도를 포함하는 복수의 항목들에 대한 정보를 산출하고, 상대적으로 높은 선호도를 보이는 완성 시놉시스 정보에 포함된 복수의 학습 시퀀스의 학습 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 학습 시퀀스 플롯의 발생 빈도에는 가중치를 적용하여 각 항목별 연관성 점수를 산출하고, 상기 학습 시퀀스 유형별로 미리 설정된 값 이상의 연관성 점수를 보이는 학습 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 학습 시퀀스 플롯 정보를 로그라인 생성 학습 정보로 생성하는 로그라인 생성 학습 정보 생성부;
복수의 합성곱 레이어로 형성된 인공 신경망을 통해 로그라인 정보 생성모델을 생성하고, 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보, 로그라인 생성 학습 정보를 로그라인 정보 생성 모델에 입력하여 시놉시스 제작 요청 정보를 기반하여 생성된 복수개의 입력 로그라인 정보를 입력 받으면 상기 복수개의 입력 로그라인 정보에 매칭되는 적어도 하나의 출력 로그라인 정보를 출력하도록 상기 로그라인 정보 생성 모델을 학습하는 로그라인 정보 생성모델 학습부;
사용자 만족 점수 예측 모델에 적어도 하나의 출력 로그라인 정보를 입력하여 상기 출력 로그라인 정보에 대한 각 사용자의 만족 점수를 예측하고, 예측된 상기 출력 로그라인 정보 별 만족점수를 이용하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 생성하고, 상기 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 이용하여 사용자로부터 입력 받은 사용자의 성향 정보와 매칭되는 기준 이상의 만족점수를 가지는 적어도 하나의 출력 로그라인 정보를 출력하도록 로그라인 정보 생성모델을 업데이트하는 생성모델 업데이트부; 및
사용자로부터 입력 받은 시놉시스 제작 요청 정보를 분석하여 생성된 복수개의 입력 로그라인 정보를 상기 로그라인 정보 생성모델에 입력하여 생성된 적어도 하나의 출력 로그라인 정보와 상기 복수개의 입력 로그라인 정보를 연결하여 시놉시스 정보를 생성하는 시놉시스 정보 생성부를 포함하고,
상기 생성모델 업데이트부에 있어서,
사용자 만족 점수 예측 모델은 적어도 하나의 출력 로그라인 정보를 입력받아 입력된 출력 로그라인 정보 별 각 사용자의 만족 점수를 미리 저장된 각 사용자 별 로그라인 정보에 대한 만족도 점수를 이용하여 각 로그라인 정보의 유사도에 따라 예측하고,
상기 생성모델 업데이트부는,
예측된 출력 로그라인 정보 별 만족점수를 이용하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성하고, 복수의 사용자에 대한 로그라인 정보 별 매트릭스를 생성하기 위해서 n 차원의 페이크 평점 벡터를 생성하여 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값으로 설정하는 방법을 사용할 수 있으며, 상기 예측된 출력 로그라인 정보 별 만족점수(
)를 사용자 만족 점수 예측 모델(
)에 입력받아 미리 저장되지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값(R)을 산출할 수 있고, 산출된 값이 실제의 것으로 판단하고 실제의 것으로 판단하도록 사용자 만족 점수 예측 모델을 학습하는 것을 특징으로 하는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치.
제 1 항에 있어서 상기 로그라인 정보 생성모델 학습부는
상기 로그라인 정보 생성모델은 복수의 합성곱 레이어로 이루어진 제1 생성모듈, 제2 생성모듈, 제3 생성모듈을 포함하고,
상기 제1 생성모듈은 복수의 학습 시퀀스 진행 정보, 복수의 학습 시퀀스별 인물 설정 정보를 입력받아 복수의 제1 출력 로그라인 후보 정보를 생성하고,
상기 제2 생성모듈은 상기 복수의 학습 시퀀스 진행 정보와 로그라인 생성 학습 정보를 입력받아 정보를 입력받아 복수의 제2 출력 로그라인 후보 정보를 생성하고,
상기 제3 생성모듈은 상기 제1 출력 로그라인 후보 정보, 제2 출력 로그라인 후보정보를 입력받아 정보를 입력받아 복수의 출력 로그라인 정보를 생성하도록 상기 로그라인 정보 생성모델을 학습하는 것을 특징으로 하는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치.
제 1 항에 있어서 상기 로그라인 생성 학습 정보 생성부는,
데이터 베이스로부터 복수의 완성 시놉시스 정보에 대한 사용자의 선호도 정보를 입력받는 사용자 선호도 입력부;
상기 사용자의 선호도 정보를 분석하여 특정 완성 시놉시스 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보 또는 완성 시놉시스 정보에 대한 응답 또는 미응답, 복수의 완성 시놉시스 정보들 간의 선호도 상관 관계를 도출할 수 있는 간접 관심 정보로 분류하는 관심정보 분류부;
분류된 상기 직접 관심 정보와 간접 관심 정보를 인공 신경망 기반의 완성 시놉시스 선호도 산출 모델에 입력하여 직접 관심 정보가 존재하는 완성 시놉시스 정보뿐만 아니라 간접 관심 정보만이 존재하는 완성 시놉시스 정보 및 직접 관심 정보와 간접 관심 정보가 모두 존재하는 완성 시놉시스 정보를 포함한 각 완성 시놉시스 정보에 대한 선호도 점수를 사용자 기반으로 산출하여 사용자 별 완성 시놉시스 선호도 정보를 생성하는 선호도 정보 생성부;
상기 사용자 별 완성 시놉시스 선호도 정보를 이용하여 미리 설정된 임계값을 넘는 사용자의 선호도 점수를 가지는 완성 시놉시스 정보들을 그룹핑하여 유효 시놉시스 정보 그룹을 생성하는 유효 시놉시스 정보 그룹 생성부;
복수의 완성 시놉시스 정보를 분석하여 각 시퀀스 유형별로 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보의 발생 빈도를 계산하고, 상기 유효 시놉시스 정보 그룹에 포함된 복수의 완성 시놉시스 정보 사용자의 선호도 점수가 상대적으로 높은 완성 시놉시스 정보의 발생 빈도에 상대적으로 높은 가중치를 부여하여 최종 발생 빈도를 산출하는 발생 빈도 산출부; 및
산출된 최종 발생 빈도를 이용하여 각 항목별 연관성 점수를 산출하고, 상기 시퀀스 유형별로 미리 설정된 임계값 이상의 연관성 점수를 보이는 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 로그라인 생성 학습 정보로 생성하는 연관성 점수 산출부를 더 포함하는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치.
제 1 항에 있어서 상기 생성모델 업데이트부는,
상기 예측된 출력 로그라인 정보 별 만족점수를 이용하여 상기 복수의 출력 로그라인 정보들 중 미리 설정된 일정 기준 이하의 만족 점수 값을 가진 출력 로그라인 정보를 불만족 로그라인 정보로 선정하고,
협업 필터링 기법을 이용하여 상기 불만족 로그라인 정보와 연관된 복수의 출력 로그라인 정보를 선정하여 선정된 상기 복수의 출력 로그라인 정보의 만족 점수에 0~1 이하의 가중치를 적용하여 산출된 산출 값을 소정의 범위 내의 값으로 정규화하여 복수의 사용자에 대한 로그라인 정보 별 매트릭스에 입력함으로써 직접 입력 받지 아니한 복수의 사용자에 대한 로그라인 정보 별 만족점수의 값들을 생성하는 것을 특징으로 하는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치.
제 4 항에 있어서 상기 시놉시스 정보 생성부는,
상기 복수개의 학습 로그라인 정보 중 일부를 로그라인 정보 생성모델에 입력하여 생성한 적어도 하나의 출력 로그라인 정보와 복수개의 학습 로그라인 정보 중 입력되지 않은 일부의 학습 로그라인 정보의 시퀀스 정보, 시퀀스 별 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 기준으로 대비하였을 때 상기 적어도 하나의 출력 로그라인 정보가 사용자에게 적합한 정보였다고 인정된 정도로 근사함을 평가할 수 있는 것으로 판단하기 위한 제1 기대 값을 설정하고, 상기 생성된 출력 로그라인 정보과 제1 기대값의 차이를 제1 차이값으로 산출하고,
상기 복수개의 학습 로그라인 정보 중 일부를 로그라인 정보 생성모델에 입력하여 생성한 적어도 하나의 출력 로그라인 정보와 복수개의 학습 로그라인 정보 중 입력되지 않은 일부의 학습 로그라인 정보의 시퀀스 정보, 시퀀스 별 시퀀스 유형 정보, 인물 유형 정보, 행위 컨셉 정보, 시퀀스 플롯 정보를 기준으로 대비하였을 때 상기 적어도 하나의 출력 로그라인 정보가 사용자에게 적합한 정보였다고 인정된 정도로 근사함을 평가할 수 없는 것으로 판단하기 위한 제2 기대 값을 설정하고, 상기 생성된 출력 로그라인 정보과 제2 기대값의 차이를 제2 차이값으로 산출하고,
상기 제1 차이값과 상기 제2 차이값의 합을 이용하여 상기 로그라인 정보 생성모델을 구성하는 인경 신경망의 구분 손실값으로 산출하고, 상기 구분 손실값이 최소가 되도록 가중치를 고정하여, 상기 상기 로그라인 정보 생성모델의 오차가 발생한 데이터 각각에 적용하는 가중치로 업데이트하는 것을 특징으로 하는 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치.