KR102413306B1 - 빅데이터 기반의 이름 추천 장치 및 방법 - Google Patents

Abstract

빅데이터에 기반하여 이름을 추천하는 컴퓨팅 장치가 제공된다. 상기 컴퓨팅 장치는 사용자 단말로부터 상기 이름이 부여될 오브젝트에 연관되는 복수의 질의문 각각에 대한 사용자 응답을 획득하는 획득부, 상기 획득된 사용자 응답으로부터 상기 오브젝트에 대한 특성 벡터 -상기 특성 벡터는 상기 오브젝트에 대한 적어도 하나의 특성과 상기 적어도 하나의 특성에 부여된 가중치를 포함함-를 계산하고, 상기 계산된 특성 벡터를 이용하여 데이터베이스로부터 상기 오브젝트에 대한 최종 후보 이름 집합을 계산하는 계산부 및 상기 최종 후보 이름 집합에 포함되는 복수의 이름들 중에서 상기 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력하는 출력부를 포함할 수 있다.

Description

빅데이터 기반의 이름 추천 장치 및 방법{APPARATUS AND METHOD OF RECOMMENDING NAMES BASED ON BIG DATA TECHNIQUE}

본 발명은 빅데이터 기반의 이름 추천 장치 및 방법에 관한 것으로, 보다 상세하게는 특정한 이름에 연관되는 복수의 특성들을 포함하는 빅데이터를 기반으로 사용자가 원하는 방식의 이름을 추천해주는 서비스에 관한 것이다.

아이가 태어나면 부모들은 아이의 이름을 짓기 위해 머리를 맞대고 고민하기 마련이다. 아이의 이름은 한번 정해지면 평생 불리며 따라다니는 만큼 신중하게 정해야 하기 때문이다. 또한, 이름은 사람의 인상을 좌우하기도 하여 호감을 주면서 의미도 좋은 이름을 찾는 것은 여간 까다로운 일이 아니다. 그래서 많은 부모들은 작명소에 찾아가 많은 돈을 지불하기도 한다. 하지만 큰 돈을 지불하고도 만족스러운 이름을 받지 못해 고민하는 부모들이 많다.

대한민국 등록특허 제10-1235501호에는 음소, 특성에 대한 값 및 이름 길이들을 파라미터로 활용하여 규칙 기반으로 이름을 생성하는 시스템이 개시된다. 그러나 해당 특허에는 이름에 연관되는 직업, 성격 등 다양한 파라미터들을 빅데이터 기반으로 처리하여 해당 이름이 추천된 이유를 설명할 수 있는 시스템에 대해서는 어떠한 내용도 개시하지 못하고 있다.

대한민국 등록특허 제10-1235501호(2013.02.14)

일 실시 예에 따르면, 빅데이터에 기반하여 이름을 추천하는 컴퓨팅 장치가 제공된다. 상기 컴퓨팅 장치는 사용자 단말로부터 상기 이름이 부여될 오브젝트에 연관되는 복수의 질의문 각각에 대한 사용자 응답을 획득하는 획득부, 상기 획득된 사용자 응답으로부터 상기 오브젝트에 대한 특성 벡터 -상기 특성 벡터는 상기 오브젝트에 대한 적어도 하나의 특성과 상기 적어도 하나의 특성에 부여된 가중치를 포함함-를 계산하고, 상기 계산된 특성 벡터를 이용하여 데이터베이스로부터 상기 오브젝트에 대한 최종 후보 이름 집합을 계산하는 계산부, 상기 최종 후보 이름 집합에 포함되는 복수의 이름들 중에서 상기 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력하는 출력부를 포함할 수 있다.

상기 계산부는, 상기 데이터베이스 내에서 상기 특성 벡터에 포함되는 제1 특성을 포함하는 복수의 이름들을 제1 후보 이름 집합으로 계산하고, 상기 제1 후보 이름 집합 내에서 상기 특성 벡터에 포함되는 제2 특성을 포함하는 복수의 이름들의 교집합을 최종 후보 이름 집합으로 계산할 수 있다.

상기 계산부는, 상기 제1 특성에 부여된 제1 가중치에 대응하는 제1 우선순위에 기반하여, 제1 특성을 포함하는 복수의 이름들 중에서 상기 제1 우선순위 내에 존재하는 복수의 이름들을 제1 후보 이름 집합으로 계산할 수 있다.

상기 계산부는 수학식 1에 기초하여 상기 제1 가중치 n(n은 0 이상 100 이하의 실수)에 대응하는 제1 우선순위 m을 계산할 수 있고, 상기 수학식 1은,

이고, 상기 수학식 1에서 a는 0을 초과하는 임의의 상수일 수 있다.

상기 계산부는, 상기 제1 가중치 n이 상기 특성 벡터 내의 특성에 부여된 가중치 중 최대값인 경우에, 상기 최종 후보 이름 집합 내에 하나의 이름이 존재하도록 상기 a의 크기를 변화시킬 수 있다.

다른 일 실시 예에 따르면, 빅데이터에 기반하여 이름을 추천하는 방법이 제공된다. 상기 빅데이터에 기반하여 이름을 추천하는 방법은 (a) 사용자 단말로부터 상기 이름이 부여될 오브젝트에 연관되는 복수의 질의문 각각에 대한 사용자 응답을 획득하는 단계, (b) 상기 획득된 사용자 응답으로부터 상기 오브젝트에 대한 특성 벡터 -상기 특성 벡터는 상기 오브젝트에 대한 적어도 하나의 특성과 상기 적어도 하나의 특성에 부여된 가중치를 포함함-를 계산하는 단계, (c) 상기 계산된 특성 벡터를 이용하여 데이터베이스로부터 상기 오브젝트에 대한 최종 후보 이름 집합을 계산하는 단계 및 (d) 상기 최종 후보 이름 집합에 포함되는 복수의 이름들 중에서 상기 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력하는 단계를 포함할 수 있다.

상기 (c) 단계는, (c1) 상기 데이터베이스 내에서 상기 특성 벡터에 포함되는 제1 특성을 포함하는 복수의 이름들을 제1 후보 이름 집합으로 계산하는 단계 및 (c2) 상기 제1 후보 이름 집합 내에서 상기 특성 벡터에 포함되는 제2 특성을 포함하는 복수의 이름들의 교집합을 최종 후보 이름 집합으로 계산하는 단계를 포함할 수 있다.

상기 (c1) 단계는, 상기 제1 특성에 부여된 제1 가중치에 대응하는 제1 우선순위에 기반하여, 제1 특성을 포함하는 복수의 이름들 중에서 상기 제1 우선순위 내에 존재하는 복수의 이름들을 제1 후보 이름 집합으로 계산하는 단계를 포함할 수 있다.

상기 (c1) 단계는, 수학식 1에 기초하여 상기 제1 가중치 n(n은 0 이상 100 이하의 실수)에 대응하는 제1 우선순위 m을 계산하는 단계를 포함할 수 있고, 상기 수학식 1은,

이고, 상기 수학식 1에서 a는 0을 초과하는 임의의 상수일 수 있다.

상기 빅데이터에 기반하여 이름을 추천하는 방법은 (e) 상기 제1 가중치 n이 상기 특성 벡터 내의 특성에 부여된 가중치 중 최대값인 경우에, 상기 최종 후보 이름 집합 내에 하나의 이름이 존재하도록 상기 a의 크기를 변화시키는 단계를 더 포함할 수 있다.

도 1은 일 실시 예에 따른 빅데이터 기반의 이름 추천 시스템 제공 장치를 설명하기 위한 블록도이다.
도 2는 일 실시 예에 따라 빅데이터 기반의 이름 추천 방법을 설명하는 흐름도이다.
도 3은 일 실시 예에 따른 빅데이터 기반의 이름 추천 방법을 설명하기 위한 도면이다.
도 4a 내지 4b는 일 실시 예에 따른 빅데이터 기반의 이름 추천 방법을 설명하기 위한 도면이다.
도 5a는 일 실시 예에 따라 빅데이터 기반의 이름 추천 시스템에 의한 사용자에게 대상자와 대상자 부모의 정보를 얻는 인터페이스에 해당하는 페이지(섹션)를 예시적으로 보여주는 도면이다.
도 5b는 본 발명의 일 실시 예에 따라 사용자에게 특성과 특성 중요도 정보를 얻는 인터페이스에 해당하는 페이지(섹션)를 예시적으로 보여주는 도면이다.
도 6은 본 발명의 일 실시 예에 따라 이름 추천 결과지 화면을 예시적으로 보여주는 화면 이미지이다.

실시 예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시 예들은 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.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 해당 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 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 빅데이터 기반의 이름 추천 시스템 제공 장치(110)를 설명하기 위한 블록도이다.

컴퓨팅 장치(110)를 구성하는 각 구성은 네트워크를 통해 통신할 수 있다. 이때, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 개인 근거리 무선통신(Personal Area Network; PAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet), Mobile WiMAX, HSDPA(High Speed Downlink Packet Access) 또는 위성 통신망 등과 같은 다양한 종류의 유/무선 네트워크로 구현될 수 있다.

사용자 단말(120)은 네트워크를 통해 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 단말과 연결될 수 있다.

도 1을 참조하면, 빅데이터 기반의 이름 추천 방법은 획득부(111), 계산부(112), 출력부(113)에 의한 동작을 통해 수행될 수 있다.

먼저, 획득부(111)는 사용자 단말(120)로부터 이름이 부여될 오브젝트에 연관되는 복수의 질의문 각각에 대한 사용자 응답을 획득할 수 있다.

구체적으로, 획득부(111)는 사용자가 원하는 이름에 대한 특성을 획득하기 위한 복수의 질의문을 사용자 단말(120)로 전송하고, 사용자 단말(120)로부터 복수의 질의문에 대한 사용자 응답을 획득할 수 있다. 이를 위해, 획득부(111)는 사용자 단말(120)로 사용자가 자신의 답변을 직접 입력할 수 있는 입력창을 제공할 수 있다.

예를 들어, 사용자가 원하는 이름을 제안하기 위한 질의문에는 MBTI 타입이 무엇인지, 이름 대상자의 성격이 어떠했으면 하는지, 고향이 어디인지와 같은 사용자와 이름이 부여될 오브젝트의 개인 정보와 관련된 질문이 포함될 수 있고, 획득부(111)은 사용자의 개인 정보를 획득하기 위해 MBTI, 성격, 고향 등을 각각 입력할 수 있는 입력창을 제공할 수 있다. 위와 같은 설명은 발명의 이해를 돕기 위한 예시일 뿐 다른 실시 예를 제한하거나 한정하는 것은 아니다.

본 발명의 일 실시 예에 따라, 컴퓨팅 장치(110)는 사용자가 질의문과 함께 대상자가 가졌으면 하는 능력치나 이름의 방향성을 설정할 수 있도록 하고 능력치나 이름의 방향성에 대한 사용자 응답을 획득할 수 있다. 추가적으로, 본 발명에 의한 컴퓨팅 장치(110)는 획득부(111)가 획득한 정보에서 각 특성에 따른 가중치와 우선순위를 추출할 수 있다.

계산부(112)는 상기 획득한 사용자 응답으로부터 오브젝트에 대한 특성 벡터를 계산할 수 있다. 특성 벡터는 사용자가 제1 특성 내지 제4 특성에 기초하여 결정될 수 있다. 예를 들어, 특성 벡터가 ⅰ)MBTI, ⅱ)직업, ⅲ)학력, ⅳ)유명인 연관도로 구성될 경우, 특성 벡터는 4차원 벡터의 형태로 표현될 수 있다.

계산부(112)는 상기 계산된 특성 벡터를 이용하여 데이터베이스로부터 상기 오브젝트에 대한 최종 후보 이름 집합을 계산할 수 있다. 상기 데이터베이스는 특정한 이름에 연관되는 복수의 특성 값들이 저장된 데이터 집합을 나타낼 수 있다. 예를 들어, 직업 특성을 반영하기 위해 데이터베이스는 대한변호사협회에 등록된 변호사들의 이름으로부터 추출된 이름들의 개수와 순위를 이용하여 해당 이름이 "변호사"라는 직업에 대해 갖는 특성 값과 우선순위를 저장할 수 있다. 다른 일 실시 예로서, 유행성 특성을 반영하기 위해 데이터베이스는 최근 3년간 신생아 이름 자료에 등록된 신생아들의 이름으로부터 추출된 이름들의 개수와 순위를 이용하여 해당 이름이 유행성에 대해 갖는 특성 값과 우선순위를 저장할 수 있다.

보다 구체적으로, 계산부(112)는, 데이터베이스(114) 내에서 특성 벡터에 포함되는 제1 특성을 포함하는 복수의 이름들을 제1 후보 이름 집합으로 계산하고, 상기 제1 후보 이름 집합 내에서 특성 벡터에 포함되는 제2 특성을 포함하는 복수의 이름들의 교집합을 최종 후보 이름 집합으로 계산할 수 있다. 예시적으로, 제1 특성이 직업인 경우에 계산부(112)는 데이터베이스(114) 내에서 특정 직업 특성에 연관되는 복수의 이름들을 제1 후보 이름 집합으로 먼저 계산하고, 제2 특성이 성경에 연관된 이름이라면 계산부(112)는 상기 제1 후보 이름 집합 내에서 성경에 연관된 이름을 다시 추출할 수 있다. 위의 설명에서는 이해를 돕기 위해 두 개의 특성이 활용되는 과정이 설명되나, 3 개, 5 개 등과 같은 다양한 개수의 특성을 이용하여 최종 후보 이름 집합이 계산될 수 있다는 것은 통상의 기술자에게 자명한 사실이다.

계산부(112)는 미리 획득한 가중치 정보를 이용하여 최종 후보 이름을 계산할 수 있다. 구체적으로, 계산부(112)는 상기 제1 특성에 부여된 제1 가중치에 대응하는 제1 우선순위에 기반하여, 제1 특성을 포함하는 복수의 이름들 중에서 상기 제1 우선순위 내에 존재하는 복수의 이름들을 제1 후보 이름 집합으로 계산할 수 있다.

보다 상세하게, 상기 계산부(112)는 수학식 1에 기초하여 상기 제1 가중치 n(n은 0 이상 100 이하의 실수)에 대응하는 제1 우선순위 m을 계산할 수 있다.

상기 수학식 1에서 a는 0을 초과하는 임의의 상수일 수 있다.

예를 들어, 사용자 단말로부터 전달되는 사용자 응답에 따라 제1 특성이 학력(제1 가중치 50), 제2 특성이 유행성(제2 가중치 30), 제3 특성이 직업(제3 가중치 20)으로 지정될 수 있다. 이 경우에 특성 벡터는 3차원 벡터의 형태로 표현될 것이다. 또한, 이 경우 제1 후보 이름 집합은 수능 점수 상위 50%에 해당하는 이름 집합일 수 있고, 제2 후보 이름 집합은 최신 5개년 신생아 이름 상위 70%일 수 있고, 제3 후보 이름 집합은 선택된 직업 종사자 내에서 상위 80%에 해당하는 이름 집합일 수 있다.

일 실시 예에 따라, 계산부(112)는, 제1 가중치 n이 특성 벡터 내의 특성에 부여된 가중치 중 최대값인 경우에, 상기 최종 후보 이름 집합 내에 하나의 이름이 존재하도록 상기 a의 크기를 변화시킬 수 있다. 앞서 설명된 실시예에 기반하여 설명하면, 제1 특성을 학력으로 하고 제1 가중치 50, 제2 특성을 유행성으로 하고 제2 가중치를 30, 제3 특성을 직업으로 하고 제3 가중치를 20으로 하고 a를 1로하여 제1 후보 이름 집합을 계산할 때, 제1 우선순위를 50으로 하면 최종 후보 이름 집합 내에 두 개 이상의 이름이 존재할 수도 있다. 이 경우, a를 2로 하여 제1 후보 이름 집합을 상위 10%, 제2 후보 이름 집합을 상위 40%, 제3 후보 이름 집합을 상위 60%로 하면, 최종 후보 이름 집합 내에 이름이 하나만 존재하여 최종 추천 이름을 계산할 수 있다.

출력부(113)는 상기 최종 후보 이름 집합에 포함되는 복수의 이름들 중에서 상기 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력할 수 있다.

이와 같은 방식으로 컴퓨팅 장치(110)는 획득한 사용자 응답으로부터 특성 벡터를 계산하고, 계산된 특성 벡터를 이용하여 획득한 가중치에 따라 수학식 1에 기초하여 후보 이름 집합을 계산할 수 있다. 컴퓨팅 장치(110)는 MBTI, 직업, 고향, 성격, 지역, 학력, 유행성, 유명인 관련도, 종교 관련도, 발음, 세계성, 외국어 연관도 등을 고려하여 임의의 차원의 분류 벡터를 산출하고, 획득한 가중치에 따라 후보 이름 집합을 계산하고 후보 이름 집합들의 교집합을 최종 후보 이름 집합으로 할 수 있다. 앞서 설명한 다양한 제1 특성과 제2 특성의 예시들 또는 직접 열거하지 않았으나 이와 동등하거나 유사하다고 판단되는 정보들로부터 k 개 차원의 특성 벡터를 설정하고, 후보 이름 집합을 계산하여 후보 이름 집합의 교집합으로 최종 후보 이름 집합을 계산하는 것은 통상의 기술자에게 자명하다. 또한, 앞서 설명된 최종 후보 이름 집합을 계산하는 구체적인 방식은 예시에 불과할 뿐, 제시된 예시에 한정되는 것이 아님은 통상의 기술자가 이해할 것이다.

도 2는 일 실시 예에 따라 빅데이터 기반의 이름 추천 방법을 설명하는 흐름도이다.

도 2에 도시된 실시예에 따른 빅데이터에 기반하여 이름을 추천하는 방법은 도 1에 도시된 컴퓨팅 장치(110)에서 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1에 도시된 컴퓨팅 장치(110)에 관한 기술 내용은 도 2에 도시된 실시예에 따른 빅데이터에 기반하여 이름을 추천하는 방법에도 적용될 수 있다.

도 2를 참조하면, 빅데이터에 기반하여 이름을 추천하는 방법은 사용자 단말로부터 상기 이름이 부여될 오브젝트에 연관되는 복수의 질의문 각각에 대한 사용자 응답을 획득하는 단계(210), 상기 획득된 사용자 응답으로부터 상기 오브젝트에 대한 특성 벡터를 계산하는 단계(220), 상기 계산된 특성 벡터를 이용하여 데이터베이스로부터 상기 오브젝트에 대한 최종 후보 이름 집합을 계산하는 단계(230) 및 상기 최종 후보 이름 집합에 포함되는 복수의 이름들 중에서 상기 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력하는 단계(240)를 포함할 수 있다.

단계(210)에서 컴퓨팅 장치(110)는 복수의 질의문에 대한 사용자의 응답을 획득할 수 있다.

하나의 실시 예에 따라, 획득부(111)는 사용자 단말(120)에 복수의 질의문과 사용자 응답을 입력 받을 입력창을 제공할 수 있다. 추가적으로, MBTI를 물어보는 질의문이나 이에 대한 입력창과 함께 MBTI 검사 링크를 제공할 수 있다. 이와 같이, 획득부(111)는 질의문과 입력창 이외에 질의문과 관련된 검사 링크, 설명 링크 등을 함께 제공할 수 있다.

단계(220)에서 컴퓨팅 장치(110)는 획득된 사용자 응답으로부터 오브젝트에 대한 특성 벡터를 계산할 수 있다.

계산부(112)는 획득된 사용자 응답을 이용하여 특성, 특성 벡터를 계산할 수 있다. 예를 들어, 3 개의 특성이 획득되었으면 3차원 특성 벡터를 생성하고 각 특성에 대한 가중치를 벡터의 성분으로 할 수 있다.

단계(230)에서 컴퓨팅 장치(110)는 데이터베이스로부터 오브젝트에 대한 최종 후보 이름 집합을 계산할 수 있다.

일 실시 예에 따르면, 단계(230)는, 상기 데이터베이스 내에서 상기 특성 벡터에 포함되는 제1 특성을 포함하는 복수의 이름들을 제1 후보 이름 집합으로 계산하는 단계 및 상기 제1 후보 이름 집합 내에서 상기 특성 벡터에 포함되는 제2 특성을 포함하는 복수의 이름들의 교집합을 최종 후보 이름 집합으로 계산하는 단계를 포함할 수 있다.

계산부(112)는 데이터베이스로부터 사용자가 선택한 특성에 대한 데이터를 추출하여 특성 벡터를 계산하고 사용자 응답으로부터 가중치를 획득하여 이에 따라 후보 이름 집합의 크기를 결정할 수 있다. 이 경우, 가중치가 높을수록 후보 이름 집합의 크기는 작아질 수 있다.

단계(240)에서 컴퓨팅 장치는 최종 후보 이름 집합에서 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력할 수 있다. 우선순위에 따라 하나의 추천 이름이 설명되는 과정은 도 1과 함께 기재된 설명이 적용될 수 있기에 중복되는 설명은 생략하기로 한다.

도 3은 일 실시 예에 따른 빅데이터 기반의 이름 추천 방법을 설명하기 위한 도면이다.

데이터베이스(114)는 이름 관련 데이터를 빅데이터 형태로 저장할 수 있다. 구체적으로, 데이터베이스(114)는 2021년 신생아 이름, 의사협회에 등록된 의사 이름, 거주지가 서울인 이름, 성경 속 등장인물 이름, 유명인 이름 등과 같은 이름 관련 데이터를 특정한 이름과 해당 이름이 나타내는 특성을 매칭하여 저장 및 관리할 수 있다.

데이터베이스(114)는 각 이름에 연관된 특성과 특성에 따른 순위를 저장할 수 있다. 예를 들어, 데이터베이스(114)는 서준(신생아 이름 순위 2위, 서울 거주 이름 순위 198위, 유명인 이름 순위 23위)과 같은 형태로 저장된 데이터를 포함할 수 있다.

도 3을 참조하면, 데이터베이스(114)에 저장된 데이터에 사용자가 선택한 특성이 포함되지 않을 수 있다. 다른 일 실시 예로서, 컴퓨팅 장치(110)는 특성 값이 부여되지 않은 특성에 대해 해당 특성의 평균값 또는 최소값 또는 중앙값을 넣을 수 있다. 이를 결정하는 것은 머신러닝 알고리즘에 의해 수행될 수 있다. 컴퓨팅 장치(110)는 데이터베이스(114)에 수집된 데이터를 머신러닝 알고리즘을 통해 분석하고 대체값을 넣을 수 있다. 머신러닝 알고리즘은 결정 트리(DT, Decision Tree) 알고리즘, 랜덤 포레스트 알고리즘, SVM(Support Vector Machine) 알고리즘 중 하나일 수 있다.

컴퓨팅 장치(110)는 데이터베이스(114)에 저장된 수집 데이터에 대해서 사전에 수집된 다수의 특성 정보를 기초하여 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하고, 학습한 결과에 따라 비어 있는 특성 값을 채울 수 있다. 컴퓨팅장치(110)는 정확도 향상을 위해 다수의 상호 보완적인 머신러닝 알고리즘들로 구성된 앙상블 구조를 적용할 수 있다.

컴퓨팅 장치(110)는 외부시스템과 통신을 통해 통계청, 직업 협회, 교육부 등으로부터 이름 관련 데이터를 수집하여 데이터베이스(114)에 저장하고 수시로 업데이트할 수 있다.

예를 들어, 도 3을 참조하면, 혁도라는 이름은 직업(의사) 특성, 유명인 특성, 인기 특성을 포함하지만 지역(서울) 특성을 포함하지 않을 수 있다. 이 경우, 비어 있는 지역(서울) 특성값을 특성의 평균값으로 대체할 수 있다.

도 4a 내지 4b는 일 실시예에 따른 빅데이터 기반의 이름 추천 방법을 설명하기 위한 도면이다.

도 4a 및 도 4b를 참조하면, 빅데이터에 기반하여 이름을 추천하는 컴퓨팅 장치가 제1 가중치 n이 상기 특성 벡터 내의 특성에 부여된 가중치 중 최대값인 경우에, 상기 최종 후보 이름 집합 내에 하나의 이름이 존재하도록 상기 a의 크기를 변화시키는 과정에 이 설명된다.

사용자의 응답으로 획득된 제1 특성이 ⅰ)학력이고 제2 특성이 ⅱ)유행성이고, 제3 특성이 ⅲ)직업이고, 제4 특성이 ⅳ)지역(서울)인 경우가 설명된다. 이 경우에, 특성 벡터는 4차원 벡터일 수 있다. 획득된 사용자 응답에 기초하여, 제1 가중치에는 40, 제2 가중치에는 30, 제3 가중치에는 20, 제4 가중치에는 10이 부여될 수 있다. 도 4a와 같이, a를 1로 하여 최종 이름 후보 집합을 계산하면 {건우, 준성} 두 개의 이름이 계산될 수 있다. 이 경우, 컴퓨팅 장치(110)은 a를 1.5로 바꾸어 다시 계산할 수 있다. 도 4b를 참조하면, a를 2로 하여 최종 이름 후보 집합을 계산하면, {건우}와 같이 원소가 하나인 최종 이름 후보 집합을 계산할 수 있다.

도 5a는 일 실시 예에 따라 빅데이터 기반의 이름 추천 시스템에 의한 사용자에게 대상자와 대상자 부모의 정보를 얻는 인터페이스에 해당하는 페이지(섹션)을 예시적으로 보여주는 도면이다.

도 5a를 참조하면, 획득부(111)는 사용자 단말(120)에 복수의 질의문과 사용자 응답을 입력 받을 입력창을 제공할 수 있다. 예시와 같이, 사용자 단말(120)을 통해 사용자에게 MBTI를 질의하는 문구(510)와 함께 각 MBTI에 대한 선택창과 설명(521,522,523,524,525,526,527??.) 및 검사 링크(530)를 제공할 수 있다.

또한, 획득부(111)는 사용자 단말(120)에 대상자에 대한 개인정보와 부모에 대한 정보를 입력하는 입력창(540,550)을 제공할 수 있다.

도 5b는 본 발명의 일 실시예에 따라 사용자에게 특성과 특성 중요도를 얻는 인터페이스에 해당하는 페이지(섹션)을 예시적으로 보여주는 도면이다.

도 5b를 참조하면, 획득부(111)는 대상자의 성격에 대한 질의문(560)과 이에 대한 응답창(570)을 제공할 수 있다.

또한, 획득부(111)는 오브젝트에 대한 특성벡터 설정 시 필요한 특성과 특성 중요도를 얻기 위한 입력창(581,582,583,584??.)을 제공할 수 있다.

도 6은 본 발명의 일 실시 예에 따라 이름 추천 결과지 화면을 예시적으로 보여주는 화면 이미지이다.

도 6을 참조하면, 컴퓨팅 장치(110)는 아기 이름 작명 결과와 함께 최종 이름이 결과 도출 내역을 사용자 단말(120)에 제공할 수 있다. 상기 결과 도출 내역에는 사용자 응답한 대상조건(610)과 사용자 응답을 기초로 하여 학습된 이름데이터(620)가 포함될 수 있다. 또한, 결과 도출 화면에는 계산 시 고려한 총 데이터 경우의 수 조합의 개수(630)이 출력될 수 있다.

일 실시 예에 따르면, 컴퓨팅 장치(110)는 최종 추천 이름(640)과 상기 이름을 가진 위인 및 유명인 정보(650)를 사용자 단말(120)로 전송할 수 있다.

도 6을 참조하면, 일 실시 예에 따라, 컴퓨팅 장치(110)는 최종 추천 이름(640)이 불만족스러울 경우 새로운 조건을 선택할 수 있도록 처음 단계로 돌아가는 서비스를 제공할 수 있다. 또한, 아기 이름 작명 결과를 SNS나 타인에게 공유하는 서비스를 제공할 수 있다.

위와 같은 빅데이터에 기반하여 이름을 추천해주는 컴퓨팅 장치는 특정한 직업에 대한 협회 데이터, 출생신고 데이터, 성경 데이터 등과 같은 이름에 대한 여러 빅데이터를 조합하여 신생아의 이름을 추천하는 과정에서 아기에 대한 부모들의 바람이 반영되고, 추천 이유와 각 특성 값 내에서의 순위를 설명할 수 있어 사용자에게 공감과 흥미를 제공할 수 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.

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.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 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.

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.

Claims (10)

1. 빅데이터에 기반하여 이름을 추천하는 컴퓨팅 장치에 있어서,
   사용자 단말로부터 상기 이름이 부여될 오브젝트에 연관되는 복수의 질의문 각각에 대한 사용자 응답을 획득하는 획득부;
   상기 획득된 사용자 응답으로부터 상기 오브젝트에 대한 특성 벡터 -상기 특성 벡터는 상기 오브젝트에 대한 적어도 하나의 특성과 상기 적어도 하나의 특성에 부여된 가중치를 포함함-를 계산하고, 상기 계산된 특성 벡터를 이용하여 데이터베이스로부터 상기 오브젝트에 대한 최종 후보 이름 집합을 계산하는 계산부;
   상기 최종 후보 이름 집합에 포함되는 복수의 이름들 중에서 상기 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력하는 출력부
   를 포함하고,
   상기 계산부는,
   제1 특성에 대해 상기 사용자 응답에 따라 부여된 제1 가중치에 대응하는 제1 우선순위에 기반하여, 상기 제1 특성을 포함하는 복수의 이름들 중에서 상기 제1 우선순위 내에 존재하는 복수의 이름들을 제1 후보 이름 집합으로 계산하고, 제2 특성에 대해 상기 사용자 응답에 따라 부여된 제2 가중치에 대응하는 제2 우선순위에 기반하여 제2 후보 이름 집합을 계산하고,
   수학식 1에 기초하여 상기 제1 가중치 n(n은 0 이상 100 이하의 실수)에 대응하는 상기 제1 우선순위 m을 계산하고,
   상기 수학식 1은,
   

   

   
   이고, 상기 수학식 1에서 a는 0을 초과하는 임의의 상수이고,
   상기 제1 우선순위 m은 상기 제1 특성에 대한 이름 데이터베이스 내에서 동일한 이름들의 개수의 순위의 상위 백분율을 나타내고,
   상기 제1 후보 이름 집합 및 상기 제2 후보 이름 집합을 이용하여 최종 후보 이름 집합을 계산하는 컴퓨팅 장치.
   
2. 제1항에 있어서,
   상기 계산부는,
   상기 제1 후보 이름 집합 내에서 상기 특성 벡터에 포함되는 상기 제2 특성을 포함하는 복수의 이름들의 교집합을 상기 최종 후보 이름 집합으로 계산하는 컴퓨팅 장치
   
3. 삭제
4. 삭제
5. 삭제
6. 빅데이터에 기반하여 이름을 추천하는 방법에 있어서,
   (a) 사용자 단말로부터 상기 이름이 부여될 오브젝트에 연관되는 복수의 질의문 각각에 대한 사용자 응답을 획득하는 단계;
   (b) 상기 획득된 사용자 응답으로부터 상기 오브젝트에 대한 특성 벡터 -상기 특성 벡터는 상기 오브젝트에 대한 적어도 하나의 특성과 상기 적어도 하나의 특성에 부여된 가중치를 포함함-를 계산하는 단계;
   (c) 상기 계산된 특성 벡터를 이용하여 데이터베이스로부터 상기 오브젝트에 대한 최종 후보 이름 집합을 계산하는 단계; 및
   (d) 상기 최종 후보 이름 집합에 포함되는 복수의 이름들 중에서 상기 특성 벡터에 포함되는 우선순위에 따라 추천 이름을 출력하는 단계
   를 포함하고,
   상기 (c) 단계는,
   (c1) 제1 특성에 대해 상기 사용자 응답에 따라 부여된 제1 가중치에 대응하는 제1 우선순위에 기반하여, 제1 특성을 포함하는 복수의 이름들 중에서 상기 제1 우선순위 내에 존재하는 복수의 이름들을 제1 후보 이름 집합으로 계산하는 단계;
   (c2) 제2 특성에 대해 상기 사용자 응답에 따라 부여된 제2 가중치에 대응하는 제2 우선순위에 기반하여 제2 후보 이름 집합을 계산하는 단계; 및
   (c3) 상기 제1 후보 이름 집합 및 상기 제2 후보 이름 집합을 이용하여 최종 후보 이름 집합을 계산하는 단계
   를 포함하고,
   상기 (c1) 단계는,
   수학식 1에 기초하여 상기 제1 가중치 n(n은 0 이상 100 이하의 실수)에 대응하는 상기 제1 우선순위 m을 계산하는 단계를 포함하고,
   상기 수학식 1은,
   

   

   
   이고, 상기 수학식 1에서 a는 0을 초과하는 임의의 상수이고,
   상기 제1 우선순위 m은 상기 제1 특성에 대한 이름 데이터베이스 내에서 동일한 이름들의 개수의 순위의 상위 백분율을 나타내는, 빅데이터에 기반하여 이름을 추천하는 방법.
   
7. 제6항에 있어서,
   상기 (c3) 단계는,
   (c3) 상기 제1 후보 이름 집합 내에서 상기 특성 벡터에 포함되는 상기 제2 특성을 포함하는 복수의 이름들의 교집합을 상기 최종 후보 이름 집합으로 계산하는 단계
   를 포함하는, 빅데이터에 기반하여 이름을 추천하는 방법.
   
8. 삭제
9. 삭제
10. 삭제

Images