KR102485428B1 - 뉴럴 네트워크를 이용하여 사용자와 관련된 기업 리스트를 단말에게 제공하는 방법 및 장치 - Google Patents

Abstract

실시예들은 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자와 관련된 기업 리스트를 제1 단말에게 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 서버에 입력된 정보를 기반으로 상기 제1 단말의 사용자에 대한 정보, 상기 사용자와 관련된 복수의 연락 주소에 대한 정보 및 복수의 기업에 대한 정보를 획득하고, 상기 사용자에 대한 정보는 상기 사용자의 개인 정보, 상기 사용자의 이전 직장과 관련된 정보, 상기 사용자의 업종에 대한 정보, 상기 사용자의 근무 요일에 대한 정보 및 상기 사용자의 검색 이력에 대한 정보를 포함하고, 상기 연락 주소에 대한 정보는 전화 번호에 대한 정보, 이메일에 대한 정보 또는 메신저 ID에 대한 정보 중 적어도 하나를 포함하고, 상기 복수의 연락 주소에 대한 정보에 기반하여 복수의 제2 단말에게 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함하는 제1 질문 메시지를 전송하고, 상기 복수의 제2 단말로부터 상기 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함하는 제1 답변 메시지를 수신하고, 상기 제1 답변 메시지에 기반하여 제2 질문 메시지를 상기 제1 단말에게 전송하고, 상기 제2 질문 메시지에 기반하여 상기 제1 단말로부터 제2 답변 메시지를 수신하고, 상기 제1 답변 메시지, 상기 제2 답변 메시지 및 상기 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 상기 사용자에 대한 성향을 결정하고, 상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용한 제2 모델을 통해 상기 사용자와 관련된 기업 리스트를 상기 제1 단말에게 제공하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 사용자와 관련된 기업 리스트를 단말에게 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING A USER-RELATED COMPANY LIST TO A TERMINAL USING A NEURAL NETWORK BY A SEVER}

본 개시의 실시예들은 사용자와 관련된 기업 리스트를 단말에게 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 사용자와 관련된 기업 리스트를 단말에게 제공하는 기술에 대한 것이다.

현대 의료 산업의 발달로 인해 인간의 수명이 증가하고, 일하는 인구의 나이가 높아지면서, 일자리를 원하는 중장년층의 수요가 늘어나고 있다. 특히, 중장년층은 주로 계약직으로 일하고 있으며, 재계약이 성사되지 않을 경우 은퇴해야 하는 불안한 위치에 있을 수 있다. 따라서, 단기로 일하는 중장년층의 이직을 위한 플랫폼이 필요할 수 있다.

또한, 현재 일자리 플랫폼은 구직자의 성향이나 구직자가 이전에 근무했던 직장에 대한 정보를 고려하지 않고 구직자의 개인 정보와 기업의 정보만으로 매칭시킴으로써, 구직자가 원하는 기업을 정확하게 매칭시키기 어려울 수 있다.

그리고, 기업이 이전 직장에서의 구직자에 대한 평판을 확인하지 않고, 구직자의 정보만으로 채용하는 경우, 구직자의 실제 업무를 수행하는 능력을 제대로 검증하지 못하므로, 기업은 원하는 인재를 찾기 어려울 수 있다.

이에, 구직자의 이전 직장의 동료들로부터 구직자의 평판을 수집하여 텍스트 마이닝을 통해 다수의 카테고리 별로 구직자의 성향을 파악하고, 상기 구직자의 성향과 구직자가 원하는 조건을 기반으로 뉴럴 네트워크를 통해 보다 구직자에게 적합한 기업 리스트를 제공할 필요가 있다.

본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 사용자와 관련된 기업 리스트를 단말에게 제공하는 방법 및 장치를 제공할 수 있다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자와 관련된 기업 리스트를 제1 단말에게 제공하는 방법은, 상기 서버에 입력된 정보를 기반으로 상기 제1 단말의 사용자에 대한 정보, 상기 사용자와 관련된 복수의 연락 주소에 대한 정보 및 복수의 기업에 대한 정보를 획득하고, 상기 사용자에 대한 정보는 상기 사용자의 개인 정보, 상기 사용자의 이전 직장과 관련된 정보, 상기 사용자의 업종에 대한 정보, 상기 사용자의 근무 요일에 대한 정보 및 상기 사용자의 검색 이력에 대한 정보를 포함하고, 상기 연락 주소에 대한 정보는 전화 번호에 대한 정보, 이메일에 대한 정보 또는 메신저 ID에 대한 정보 중 적어도 하나를 포함하고, 상기 복수의 연락 주소에 대한 정보에 기반하여 복수의 제2 단말에게 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함하는 제1 질문 메시지를 전송하고, 상기 복수의 제2 단말로부터 상기 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함하는 제1 답변 메시지를 수신하고, 상기 제1 답변 메시지에 기반하여 제2 질문 메시지를 상기 제1 단말에게 전송하고, 상기 제2 질문 메시지에 기반하여 상기 제1 단말로부터 제2 답변 메시지를 수신하고, 상기 제1 답변 메시지, 상기 제2 답변 메시지 및 상기 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 상기 사용자에 대한 성향을 결정하고, 상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용한 제2 모델을 통해 상기 사용자와 관련된 기업 리스트를 상기 제1 단말에게 제공하는 단계를 포함할 수 있다.

일 실시예에 따라, 상기 제1 질문 메시지는 복수의 제1 카테고리들에 따라 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함할 수 있다. 예를 들어, 상기 복수의 제1 카테고리들 중에서 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 것에 기반하여, 상기 제1 카테고리에 대해 상기 사용자와 관련된 제2 질문 텍스트를 포함하는 상기 제2 질문 메시지가 생성될 수 있다.

일 실시예에 따라, 상기 사전 설정된 제1 개수는 아래 수학식에 의해 설정될 수 있다.

상기 수학식에서, 상기 Tn_th는 상기 사전 설정된 제1 개수이고, 상기 n은 상기 복수의 제2 단말의 개수이고, 상기 t_d는 제2 단말이 상기 제1 질문 메시지를 확인한 이후부터 상기 서버가 상기 제1 답변 메시지를 수신한 제1 답변 시간에 대한 디폴트 값이고, 상기 t_i는 i번째 제2 단말에 대한 상기 제1 답변 시간이고, 상기 RSRP_d는 RSRP(reference signal received power)의 디폴트 값이고, 상기 RSRP_i는 i번째 제2 단말의 RSRP 값이고, 상기 P는 제1 카테고리의 중요도에 대한 값이고, 상기 Tn_total은 상기 제1 답변 메시지에 포함된 텍스트의 총 개수이고, 상기 C_n은 상기 복수의 제1 카테고리의 개수일 수 있다.

일 실시예에 따라, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 상기 제1 답변 메시지, 상기 제2 답변 메시지, 상기 사용자에 대한 정보 및 정답 사용자의 성향으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터는 상기 제1 손실 값이 작아지는 방향으로 학습된, 상기 제1 모델이 생성될 수 있다.

예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보 및 정답 사용자와 관련된 기업 리스트로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습된, 상기 제2 모델이 생성될 수 있다.

일 실시예에 따라, 상기 복수의 기업에 대한 정보는 복수의 제2 카테고리를 포함할 수 있다. 예를 들어, 상기 사용자에 대한 성향에 기반하여 상기 복수의 제2 카테고리에 대한 가중치가 상이하게 설정될 수 있다. 예를 들어, 상기 사용자와 관련된 기업 리스트는 사전 설정된 제3 개수의 기업을 포함할 수 있다. 예를 들어, 상기 사전 설정된 제3 개수의 기업은 복수의 기업 중에서 상기 복수의 제2 카테고리에 대한 점수를 합산한 값이 높은 기업의 순서로 결정될 수 있다.

부가적으로, 예를 들어, 상기 기업에 대한 점수는 상기 복수의 제2 카테고리를 기반으로 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, G는 기업에 대한 점수이고, a₁ 내지 a₅는 기업의 평가 기준에 대한 사용자의 우선 순위이고, z는 사용자의 유형과 조직 문화의 유형의 유사도에 따라 결정되는 값이고, e는 기업의 근무 환경에 대한 값, c는 기업이 제시한 급여에 대한 값, c₀는 사용자가 원하는 급여에 대한 값이고, l은 기업의 위치와 사용자의 주소와의 거리와 관련된 값이고, f는 기업의 전망과 관련된 값일 수 있다.

예를 들어, a₁ 내지 a₅는 상기 사용자에 대한 성향에 대한 값에서 맨 앞자리를 제외한 나머지 숫자에 순서대로 매칭될 수 있다.

예를 들어, z 값과 관련하여, 상기 사용자의 유형이 제1 유형이고, 상기 기업의 조직 문화가 제1 유형인 경우, 동일한 유형으로 결정하고, z 값은 100으로 결정될 수 있다. 예를 들어, 상기 사용자의 유형이 제1 유형이고, 상기 기업의 조직 문화가 제2 유형인 경우, 완전 상이한 유형으로 결정하고, z 값은 25로 결정될 수 있다. 예를 들어, 상기 사용자의 유형이 제1 유형이고, 상기 기업의 조직 문화가 제3 유형 또는 제4 유형인 경우, 유사한 유형으로 결정하고, z 값은 50으로 결정될 수 있다. 이러한 유형들 사이의 매칭 관계는 상기 서버에 사전 설정될 수 있다.

예를 들어, e는 웹 크롤링을 통해 수집된 기업의 고용 정보 중에서 사전 설정된 복수의 단어들이 포함된 정도에 따라 결정될 수 있다. 예를 들어, 상기 사전 설정된 복수의 단어들은 보험, 연금, 보너스, 스톡옵션, 출산, 명절, 노조 및 동호회와 같이 기업의 복지와 관련된 단어들을 포함할 수 있다. 또한, 예를 들어, 상기 사전 설정된 복수의 단어들은 상기 제1 단말이 서버에 전송한 단어들을 포함할 수 있다. 이때, 상기 웹 크롤링을 통해 수집된 기업의 고용 정보 중에서 사전 설정된 복수의 단어들이 모두 포함된 경우, e 값은 100으로 결정될 수 있고, 상기 웹 크롤링을 통해 수집된 기업의 고용 정보 중에서 사전 설정된 복수의 단어들이 80% 포함된 경우, e 값은 80으로 결정될 수 있다.

예를 들어, l은 경위도좌표 상의 기업의 위치와 상기 사용자의 주소에 따라 결정된 지리좌표 거리에 기반한 값일 수 있다. 예를 들어, 기업의 위치가 (37°, 33′, 58.97″ N, 126° 58′ 39.78″ E)이고, 상기 사용자의 주소가 (37° 33″ 56.08 N, 126° 58′ 41.10″ E)인 경우, 두 좌표의 차이인 (0° 0′ 2.89″, 0° 0′ -1.32″)을 하기 수학식을 적용함으로써, 서버는 상기 기업의 위치와 상기 사용자의 주소 사이의 거리를 0.09547km로 결정할 수 있다.

그리고, 예를 들어, 상기 기업의 위치와 상기 사용자의 주소 사이의 거리가 5Km 이하인 경우에는 상기 l 값을 100으로 결정할 수 있고, 상기 기업의 위치와 상기 사용자의 주소 사이의 거리가 5km를 초과하고 10km 이하인 경우에는 상기 l 값을 90으로 결정할 수 있다. 즉, l 값은 기업의 위치와 상기 사용자의 주소 사이의 거리가 포함되는 사전 설정된 범위에 매칭되는 값으로 결정될 수 있다.

예를 들어, f는 상기 웹 크롤링을 통해 수집된 기업의 재무 정보 중에서 사전 설정된 카테고리들의 값에 따라 결정될 수 있다. 예를 들어, f는 기업의 매출액 증가 여부, 기업의 영업이익 증가 여부, 기업의 당기순이익 증가 여부 및 총 자산 순이익률(Return On Assets, ROA) 값을 기반으로 0을 제외한 100 이하의 상수 값으로 결정될 수 있다.

부가적으로, 예를 들어, 상기 사전 설정된 제3 개수는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, n은 상기 사전 설정된 제3 개수이고, p는 상기 사용자의 유형에 대한 값이고, β는 상기 제1 단말의 통신 상태에 따른 가중치일 수 있다.

예를 들어, 상기 p는 사용자에 대한 성향을 나타내는 값에서 가장 맨 앞의 수일 수 있다. 예를 들어, p는 1, 2, 3 및 4 중에 어느 하나의 값일 수 있다.

예를 들어, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값 이상인 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이만큼 β값이 증가할 수 있다. 또한, 예를 들어, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값보다 작은 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이만큼 β값이 감소할 수 있다. 예를 들어, β가 3으로 설정된 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이가 사전 설정된 제1 범위에 포함되고, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값 이상이면, 상기 β 값은 4로 증가할 수 있다. 또한, 예를 들어, β가 3으로 설정된 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이가 사전 설정된 제2 범위에 포함되고, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값 미만이면, 상기 β 값은 1로 감소할 수 있다.

실시예들에 따르면, 서버는 제1 질문 메시지를 전송한 복수의 제2 단말로부터 제1 답변 메시지를 수신하고, 상기 제1 답변 메시지에 기반하여 제1 단말의 사용자에 대한 제2 질문 메시지를 상기 제1 단말에게 전송하고, 상기 제1 단말로부터 제2 답변 메시지를 수신함으로써, 제1 답변 메시지 뿐만 아니라 제2 답변 메시지까지 고려하여 사용자에 대한 성향을 보다 정확하게 결정할 수 있다.

실시예들에 따르면, 상기 제1 답변 메시지의 텍스트의 개수가 사전 설정된 개수보다 작은 경우, 서버는 상기 제2 단말의 통신 상태와 상기 제1 답변 메시지의 작성 시간을 고려하여 추가적인 질문 텍스트가 필요한 지 여부를 판단함으로써, 무분별하게 상기 제2 질문 메시지에 추가적인 질문 텍스트를 포함하는 것을 방지할 수 있다.

실시예들에 따르면, 사용자에 대한 정보와 기업에 대한 정보만으로 기업 리스트를 제공하지 않고, 서버는 사용자에 대한 성향까지 고려함으로써, 보다 사용자에게 적합한 기업 리스트를 제공할 수 있다. 또한, 사용자에 대한 성향과 제1 단말의 통신 상태를 고려하여, 서버는 사용자에게 필요한 개수의 추천 기업을 포함한 기업 리스트를 제공할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 사용자와 관련된 기업 리스트를 제1 단말에게 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 서버가 제2 질문 메시지를 전송하는 방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 통해 학습된 제1 모델 및 제2 모델을 나타낸다.
도 6은 일 실시예에 따른 제1 질문 메시지와 제1 답변 메시지가 디스플레이된 제2 단말의 화면에 대한 도면이다.
도 7은 일 실시예에 따른 제2 질문 메시지와 제2 답변 메시지가 디스플레이된 제1 단말의 화면에 대한 도면이다.
도 8은 일 실시예에 따른 사용자와 관련된 기업 리스트가 디스플레이된 제1 단말의 화면에 대한 도면이다.
도 9는 일 실시예에 따른 서버가 사용자와 관련된 기업 리스트를 제1 단말에게 전송하는 절차를 나타낸 신호 교환도이다.
도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.

인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

도 3은 일 실시예에 따른 사용자와 관련된 기업 리스트를 제1 단말에게 제공하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 3을 참조하면, 단계 S301에서, 서버는 상기 서버에 입력된 정보를 기반으로 제1 단말의 사용자에 대한 정보, 사용자와 관련된 복수의 연락 주소에 대한 정보 및 복수의 기업에 대한 정보를 획득할 수 있다.

여기서, 상기 사용자에 대한 정보는 상기 제1 단말의 사용자에 의해 상기 서버에 입력되거나, 상기 제1 단말로부터 상기 서버에게 전송될 수 있다. 예를 들어, 상기 사용자에 대한 정보는 상기 사용자의 개인 정보, 상기 사용자의 이전 직장과 관련된 정보, 상기 사용자의 업종에 대한 정보, 상기 사용자의 근무 요일에 대한 정보 및 상기 사용자의 검색 이력에 대한 정보를 포함할 수 있다.

예를 들어, 상기 사용자의 개인 정보는 상기 사용자의 생년월일, 상기 사용자의 이름, 상기 사용자의 성별 및 상기 사용자의 주소 등과 같은 정보를 포함할 수 있다. 예를 들어, 상기 사용자의 이전 직장과 관련된 정보는 상기 사용자가 근무한 직장의 이름, 근무 기간, 근무 부서 및 업무 이력을 포함할 수 있다. 예를 들어, 상기 사용자의 업종에 대한 정보는 상기 사용자가 근무하길 원하는 업종에 대한 정보일 수 있다. 예를 들어, 상기 사용자의 업종에 대한 정보는 상기 제1 단말의 사용자에 의해 선택된 하나 이상의 업종을 포함할 수 있다. 예를 들어, 상기 사용자의 근무 요일에 대한 정보는 상기 사용자가 근무하길 원하는 요일에 대한 정보일 수 있다. 예를 들어, 상기 사용자의 근무 요일에 대한 정보는 상기 제1 단말의 사용자에 의해 선택된 하나 이상의 근무 요일을 포함할 수 있다. 예를 들어, 상기 사용자의 검색 이력에 대한 정보는 상기 제1 단말이 검색 엔진을 통해 검색한 용어들에 대한 정보일 수 있다. 여기서, 검색 엔진은 컴퓨터 시스템에 저장된 정보를 찾아주거나 웹 검색을 수행하는 프로그램 또는 검색 시스템일 수 있다. 예를 들어, 서버는 상기 사용자의 검색 이력에 대한 정보에 기반하여 상기 사용자의 취미를 결정할 수 있다.

여기서, 상기 연락 주소에 대한 정보는 상기 제1 단말의 사용자에 의해 상기 서버에 입력되거나, 상기 제1 단말로부터 상기 서버에게 전송될 수 있다. 예를 들어, 상기 연락 주소에 대한 정보는 상기 제1 단말의 사용자의 이전 직장의 동료들에게 연락할 수 있는 정보일 수 있다. 예를 들어, 상기 연락 주소에 대한 정보는 전화 번호에 대한 정보, 이메일에 대한 정보 또는 메신저 ID에 대한 정보 중 적어도 하나를 포함할 수 있다.

여기서, 상기 기업에 대한 정보는 기업의 명칭, 기업의 업종, 기업의 근무 요일, 기업의 근무 환경, 기업의 조직 문화, 기업의 전망, 기업의 위치, 기업이 구인하는 직위 및 기업 내 직원들의 급여와 같은 정보를 포함할 수 있다. 예를 들어, 상기 기업에 대한 정보는 상기 서버에 사전 입력되거나, 하나 이상의 장치로부터 상기 서버에게 전송될 수 있다.

단계 S302에서, 서버는 복수의 연락 주소에 대한 정보에 기반하여 복수의 제2 단말에게 사용자와 관련된 복수의 제1 질문 텍스트를 포함하는 제1 질문 메시지를 전송할 수 있다.

예를 들어, 상기 복수의 제2 단말은 상기 제1 단말의 사용자의 이전 직장의 동료와 관련된 단말을 포함할 수 있다.

여기서, 상기 사용자와 관련된 복수의 제1 질문 텍스트는 상기 사용자의 이전 직장과 관련된 질문들을 포함할 수 있다. 즉, 예를 들어, 상기 사용자와 관련된 복수의 제1 질문 텍스트는 상기 사용자의 이전 직장에서의 업무 능력(예: 업무 지식, 기획력, 분석력, 추진력)에 대한 질문, 대인 관계 및 인성(예: 책임감, 협동심, 근면성, 소통 능력)에 대한 질문을 포함할 수 있다.

예를 들어, 상기 사용자와 관련된 복수의 제1 질문 텍스트는 상기 서버에 사전 설정될 수 있다.

예를 들어, 상기 제1 질문 메시지는 복수의 제1 카테고리를 포함할 수 있고, 상기 복수의 제1 카테고리 별로 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함할 수 있다. 예를 들어, 상기 복수의 제1 카테고리는 상기 서버에 사전 설정될 수 있다.

예를 들어, 상기 제1 질문 메시지는 전화 번호에 대한 정보에 기반한 LMS(long message service) 또는 MMS(multimedia message service) 중 어느 하나의 메시지를 포함할 수 있다. 또는, 예를 들어, 상기 제1 질문 메시지는 이메일에 대한 정보에 기반한 메일을 통한 메시지를 포함할 수 있다. 또는, 예를 들어, 상기 제1 질문 메시지는 상기 메신저 ID에 대한 정보에 기반한 메시지일 수 있다. 여기서, 메신저는 카카오톡, 네이트온, 라인 등과 같은 모바일 메신저를 포함할 수 있다.

예를 들어, 상기 제1 질문 메시지를 전송하기 이전에, 상기 서버와 상기 복수의 제2 단말은 연결 절차를 수행할 수 있다. 예를 들어, 상기 서버는 상기 복수의 제2 단말에게 연결 요청 메시지를 전송하고, 상기 복수의 제2 단말로부터 연결 수락 메시지를 수신한 경우, 상기 서버는 상기 복수의 제2 단말과 무선 연결을 확립한 이후, 상기 제1 질문 메시지를 전송할 수 있다. 예를 들어, 상기 무선 연결이 확립된 후, 서버는 상기 복수의 제2 단말로부터 제2 단말의 통신 상태에 대한 값을 수신할 수 있다.

또는, 예를 들어, 복수의 제2 단말 중에서 일부의 제2 단말이 상기 연결을 수락하지 않을 수 있다. 예를 들어, 상기 제1 질문 메시지를 전송하기 이전에, 서버는 상기 복수의 제2 단말에게 연결 요청 메시지를 전송하고, 상기 복수의 제2 단말 중에서 적어도 하나의 제2 단말로부터 연결 수락 메시지를 수신한 경우, 상기 서버는 상기 적어도 하나의 제2 단말과 무선 연결을 확립한 이후, 상기 제1 질문 메시지를 전송할 수 있다. 예를 들어, 상기 무선 연결이 확립된 후, 서버는 상기 적어도 하나의 제2 단말로부터 상기 적어도 하나의 제2 단말의 통신 상태에 대한 값을 수신할 수 있다.

단계 S303에서, 서버는 복수의 제2 단말로부터 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함하는 제1 답변 메시지를 수신할 수 있다. 예를 들어, 상기 제1 답변 메시지는 상기 복수의 제1 카테고리 별로 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함할 수 있다.

단계 S304에서, 서버는 제1 답변 메시지에 기반하여 상기 제1 단말에게 제2 질문 메시지를 전송할 수 있다. 예를 들어, 상기 제2 질문 메시지는 상기 제1 답변 메시지에 따라 상이하게 결정될 수 있다. 예를 들어, 상기 제2 질문 메시지는 기본 질문 텍스트를 포함할 수 있고, 특정 조건에 따라 추가적인 제2 질문 텍스트를 더 포함할 수 있다.

일 실시예에 따라, 상기 제1 질문 메시지는 복수의 제1 카테고리를 포함할 수 있고, 상기 복수의 제1 카테고리마다 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함할 수 있다. 예를 들어, 상기 복수의 제1 카테고리들 중에서 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 것에 기반하여, 상기 제1 카테고리에 대해 상기 사용자와 관련된 제2 질문 텍스트를 포함하는 상기 제2 질문 메시지가 생성될 수 있다.

즉, 예를 들어, 상기 복수의 제1 카테고리 중에서 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 경우, 서버는 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 제1 카테고리에 대해 상기 사용자와 관련된 제2 질문 텍스트를 포함한 상기 제2 질문 메시지를 생성할 수 있다.

일 실시예에 따라, 상기 사전 설정된 제1 개수는 아래 수학식 1에 의해 설정될 수 있다.

상기 수학식 1에서, 상기 Tn_th는 상기 사전 설정된 제1 개수이고, 상기 n은 상기 복수의 제2 단말의 개수이고, 상기 t_d는 제2 단말이 상기 제1 질문 메시지를 확인한 이후부터 상기 서버가 상기 제1 답변 메시지를 수신한 제1 답변 시간에 대한 디폴트 값이고, 상기 t_i는 i번째 제2 단말에 대한 상기 제1 답변 시간이고, 상기 RSRP_d는 RSRP(reference signal received power)의 디폴트 값이고, 상기 RSRP_i는 i번째 제2 단말의 RSRP 값이고, 상기 P는 제1 카테고리의 중요도에 대한 값이고, 상기 Tn_total은 상기 제1 답변 메시지에 포함된 텍스트의 총 개수이고, 상기 C_n은 상기 복수의 제1 카테고리의 개수일 수 있다.

여기서, RSRP 값은 단말이 수신하는 참조 신호에 대한 전력을 나타내며, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 상기 단말의 통신 상태가 불량한 것으로 결정될 수 있다. 예를 들어, 서버와 복수의 제2 단말 사이에 무선 연결이 확립된 후, 서버는 상기 복수의 제2 단말로부터 통신 상태에 대한 값(예: RSRP 값)을 수신할 수 있다.

여기서, 예를 들어, 제2 단말은 상기 제1 질문 메시지를 수신한 후, 서버에게 상기 제1 질문 메시지를 수신한 것을 알리는 수신 완료 메시지를 전송할 수 있다. 이때, 서버는 제2 단말이 상기 제1 질문 메시지를 확인한 시점을 상기 수신 완료 메시지를 수신한 시점으로 결정할 수 있다. 즉, 예를 들어, 서버는 상기 수신 완료 메시지를 상기 제2 단말로부터 수신한 시점부터 상기 제1 답변 메시지를 상기 제2 단말로부터 수신한 시점까지의 시간을 상기 제1 답변 시간으로 결정할 수 있다.

즉, 서버는 상기 제2 단말의 통신 상태를 고려한 상기 제1 답변 메시지의 작성 시간에 기반하여 해당 제1 카테고리에 추가적인 제2 질문 텍스트가 필요한 지 여부를 판단함으로써, 무분별하게 상기 제2 질문 메시지에 추가적인 제2 질문 텍스트를 포함하는 것을 방지할 수 있다.

단계 S305에서, 서버는 제2 질문 메시지에 기반하여 상기 제1 단말로부터 제2 답변 메시지를 수신할 수 있다. 예를 들어, 상기 제2 답변 메시지는 기본 질문 텍스트에 대한 답변 텍스트를 포함할 수 있고, 상기 제2 질문 메시지에 제2 질문 텍스트가 더 포함된 경우, 상기 제2 질문 텍스트에 대한 답변 텍스트를 더 포함할 수 있다.

단계 S306에서, 서버는 제1 답변 메시지, 상기 제2 답변 메시지 및 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 사용자에 대한 성향을 결정할 수 있다. 여기서, 사용자에 대한 성향은 기업의 평가 기준에 대한 가중치를 결정하기 위한 값일 수 있다. 예를 들어, 상기 기업의 평가 기준은 기업의 근무환경, 급여, 기업의 조직 문화, 기업의 위치 및 기업의 전망을 포함할 수 있다. 즉, 예를 들어, 서버가 제1 답변 메시지, 상기 제2 답변 메시지 및 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 상기 사용자의 성향을 결정한 경우, 서버는 상기 사용자의 성향에 따라 상기 기업의 평가 기준 각각에 대한 가중치를 결정할 수 있다.

즉, 서버는 사용자에 대한 정보 이외에 복수의 제2 단말로부터 수신한 제1 답변 메시지 및 제1 단말로부터 수신한 제2 답변 메시지를 고려하여, 사용자에 대한 성향을 보다 정확하게 결정할 수 있다.

일 실시예에 따라, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다.

예를 들어, 상기 제1 답변 메시지, 상기 제2 답변 메시지, 상기 사용자에 대한 정보 및 정답 사용자에 대한 성향으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터는 상기 제1 손실 값이 작아지는 방향으로 학습된, 상기 제1 모델이 생성될 수 있다.

단계 S307에서, 서버는 사용자에 대한 성향, 사용자에 대한 정보 및 복수의 기업에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용한 제2 모델을 통해 사용자와 관련된 기업 리스트를 상기 제1 단말에게 제공할 수 있다. 여기서, 상기 사용자와 관련된 기업 리스트는 상기 사용자에게 추천하는 기업 리스트일 수 있다.

일 실시예에 따라, 상기 복수의 기업에 대한 정보는 복수의 제2 카테고리를 포함할 수 있다. 예를 들어, 상기 사용자에 대한 성향에 기반하여 상기 복수의 제2 카테고리에 대한 가중치가 상이하게 설정될 수 있다. 예를 들어, 복수의 제2 카테고리는 상기 기업의 평가 기준을 포함할 수 있고, 상기 기업의 평가 기준은 기업의 근무 환경, 급여, 기업의 조직 문화, 기업의 위치 및 기업의 전망을 포함할 수 있다. 즉, 예를 들어, 서버가 제1 답변 메시지, 상기 제2 답변 메시지 및 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 상기 사용자의 성향을 결정한 경우, 서버는 상기 사용자의 성향에 따라 상기 기업의 평가 기준 각각에 대한 가중치를 결정할 수 있다. 그리고, 서버는 상기 사용자에 대한 정보, 상기 복수의 기업에 대한 정보 및 상기 가중치에 기반하여 제2 뉴럴 네트워크를 이용한 제2 모델을 통해 상기 사용자와 관련된 기업 리스트를 결정할 수 있다.

예를 들어, 상기 사용자와 관련된 기업 리스트는 사전 설정된 제3 개수의 기업을 포함할 수 있다. 예를 들어, 상기 사전 설정된 제3 개수의 기업은 복수의 기업들 중에서 상기 복수의 제2 카테고리에 대한 점수를 합산한 값이 높은 기업의 순서로 결정될 수 있다. 즉, 사용자에 대한 정보와 기업에 대한 정보만으로 기업 리스트를 제공하지 않고, 서버는 사용자에 대한 성향까지 고려함으로써, 서버는 사용자에게 적합한 기업 리스트를 제공할 수 있다.

일 실시예에 따라, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다.

예를 들어, 상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보 및 정답 사용자와 관련된 기업 리스트로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습된, 상기 제2 모델이 생성될 수 있다.

도 4는 일 실시예에 따른 서버가 제2 질문 메시지를 전송하는 방법을 나타내는 흐름도이다. 도 4의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.

도 4를 참조하면, 단계 S401에서, 서버는 제1 질문 메시지에 대한 제1 답변 메시지를 복수의 제2 단말로부터 수신할 수 있다. 예를 들어, 상기 제1 질문 메시지는 복수의 제1 카테고리를 포함할 수 있고, 상기 복수의 제1 카테고리 별로 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함할 수 있다. 예를 들어, 상기 제1 답변 메시지는 상기 복수의 제1 카테고리 별로 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함할 수 있다.

단계 S402에서, 서버는 제1 답변 메시지 내 텍스트의 총 개수가 임계 값 이하인지 여부를 결정할 수 있다. 예를 들어, 텍스트의 개수는 '대한민국'텍스트에 대해 4개로 결정될 수 있다. 예를 들어, 상기 임계 값은 상기 서버에 사전 설정될 수 있다. 또는, 예를 들어, 상기 임계 값은 이전에 수신된 복수의 제1 답변 메시지 내 텍스트의 총 개수를 기반으로 뉴럴 네트워크를 통해 학습된 값일 수 있다.

예를 들어, 상기 제1 답변 메시지 내 텍스트의 총 개수는 상기 복수의 제2 단말로부터 수신한 제1 답변 메시지들에 포함된 텍스트의 총 개수일 수 있다. 예를 들어, 상기 복수의 제2 단말로부터 수신한 제1 답변 메시지가 3개이고, 각각의 제1 답변 메시지에 포함된 텍스트가 150개, 170개, 190개인 경우, 상기 임계 값이 600개이면, 상기 제1 답변 메시지 내 텍스트의 총 개수가 510개이므로, 서버는 상기 제1 답변 메시지 내 텍스트의 총 개수가 임계 값 이하인 것으로 결정할 수 있다.

또는, 예를 들어, 상기 제1 답변 메시지 내 텍스트의 총 개수는 상기 복수의 제2 단말로부터 수신한 제1 답변 메시지에 포함된 텍스트의 총 개수를 평균한 값일 수 있다. 예를 들어, 상기 복수의 제2 단말로부터 수신한 제1 답변 메시지가 3개이고, 각각의 제1 답변 메시지에 포함된 텍스트가 150개, 170개, 190개(평균 값은 170개)인 경우, 상기 임계 값이 180개이면, 상기 서버는 제1 답변 메시지 내 텍스트의 총 개수가 170개이므로, 상기 임계 값 이하인 것으로 결정할 수 있다.

단계 S403에서, 상기 제1 답변 메시지 내 텍스트의 총 개수가 임계 값 이하인 경우, 서버는 복수의 제1 카테고리들 중에서 사전 설정된 제1 개수 이하인 제1 카테고리가 존재하는지 여부를 결정할 수 있다. 예를 들어, 상기 제1 질문 메시지 및 상기 제1 답변 메시지는 복수의 제1 카테고리들을 포함할 수 있다. 예를 들어, 상기 사전 설정된 제1 개수는 상술한 수학식 1에 의해 설정될 수 있다.

예를 들어, 사전 설정된 제1 개수가 10개이고, 제1 답변 텍스트가 5개인 제1 카테고리가 상기 복수의 제1 카테고리들에 포함된 경우, 서버는 상기 복수의 제1 카테고리들 중에서 사전 설정된 제1 개수 이하인 제1 카테고리가 존재하는 것으로 결정할 수 있다.

단계 S404에서, 사전 설정된 제1 개수 이하인 제1 카테고리가 존재하는 경우, 서버는 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인지 여부를 결정할 수 있다. 예를 들어, 상기 사전 설정된 제2 개수가 3개인 경우, 상기 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 3개이면, 서버는 상기 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 것으로 결정할 수 있다.

단계 S405에서, 상기 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 경우, 서버는 기본 질문 텍스트 및 제2 질문 텍스트를 생성하고, 단계 S406에서, 상기 기본 질문 텍스트 및 제2 질문 텍스트를 포함하는 상기 제2 질문 메시지를 상기 제1 단말에게 전송할 수 있다. 여기서, 제2 질문 메시지는 서버가 사용자에 대한 성향을 정확하게 결정하기 위해 추가적으로 제1 단말에게 전송하는 메시지일 수 있다. 여기서, 기본 질문 텍스트는 사용자에 대한 성향을 결정하기 위해 사용자 본인에 대한 기본적인 질문일 수 있다. 예를 들어, 상기 제2 질문 메시지는 기본 질문 텍스트와 상기 제1 카테고리에 대한 상기 사용자와 관련된 제2 질문 텍스트를 포함할 수 있다. 즉, 상기 제2 질문 메시지는 기본 질문 텍스트 및 상기 제1 카테고리 각각에 대한 상기 사용자와 관련된 제2 질문 텍스트를 포함할 수 있다. 예를 들어, 기본 질문 텍스트 및 복수의 카테고리들 각각에 대한 상기 사용자와 관련된 제2 질문 텍스트가 상기 서버에 사전 설정될 수 있다.

예를 들어, 서버는 복수의 제1 카테고리들 중에서 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 적어도 하나의 제1 카테고리를 결정하고, 서버는 상기 적어도 하나의 제1 카테고리 각각에 대한 상기 사용자와 관련된 제2 질문 텍스트 및 기본 질문 텍스트를 포함하는 제2 질문 메시지를 상기 제1 단말에게 전송할 수 있다. 즉, 상기 제2 질문 메시지는 상기 제1 답변 메시지에 따라 상이하게 결정될 수 있다.

단계 S407에서, 서버는 기본 질문 텍스트를 생성하고, 단계 S408에서, 서버는 상기 기본 질문 텍스트를 포함하는 상기 제2 질문 메시지를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 기본 질문 텍스트는 상기 서버에 사전 설정될 수 있다.

예를 들어, 상기 제1 답변 메시지 내 텍스트의 총 개수가 임계 값을 초과하는 경우, 서버는 기본 질문 텍스트를 생성할 수 있다. 예를 들어, 상기 제1 답변 메시지 내 텍스트의 총 개수가 임계 값 이하이고, 상기 복수의 제1 카테고리들 중에서 상기 사전 설정된 제1 개수 이하인 제1 카테고리가 존재하지 않는 경우, 서버는 기본 질문 텍스트를 생성할 수 있다. 예를 들어, 상기 제1 답변 메시지 내 텍스트의 총 개수가 임계 값 이하이고, 상기 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 미만인 경우, 서버는 기본 질문 텍스트를 생성할 수 있다.

도 5는 일 실시예에 따른 뉴럴 네트워크를 통해 학습된 제1 모델 및 제2 모델을 나타낸다. 도 5의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 5를 참조하면, 제1 뉴럴 네트워크는 제1 입력 레이어(511), 하나 이상의 제1 히든 레이어(512), 제1 출력 레이어(513)로 구성된 제1 모델(510)을 포함하고, 제2 뉴럴 네트워크는 제2 입력 레이어(521), 하나 이상의 제2 히든 레이어(522), 제2 출력 레이어(523)로 구성된 제2 모델(520)을 포함할 수 있다.

예를 들어, 제1 답변 메시지, 제2 답변 메시지, 사용자에 대한 정보 및 정답 사용자에 대한 성향으로 구성된 각각의 학습 데이터는 제1 뉴럴 네트워크의 상기 제1 입력 레이어(511)에 입력되어 상기 하나 이상의 제1 히든 레이어(512) 및 제1 출력 레이어(513)를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어(513)에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터는 상기 제1 손실 값이 작아지는 방향으로 학습된, 상기 제1 모델(510)이 생성될 수 있다.

예를 들어, 상기 제1 답변 메시지 및 상기 제2 답변 메시지에 포함된 텍스트 정보는 입력 레이어에 입력되기 이전에 텍스트 전처리가 수행될 수 있다. 예를 들어, 텍스트 전처리 과정에서, 서버는 상기 텍스트 정보에 포함된 문장들을 단어 집합으로 변환시키고, 상기 단어 집합을 벡터의 차원으로 변환시킬 수 있다. 그리고, 상기 변환된 벡터들을 상기 입력 레이어에 입력시킬 수 있다.

예를 들어, 상기 제1 답변 메시지는 복수의 제1 카테고리들(예: 업무 지식, 기획력, 분석력, 추진력, 책임감, 협동심, 근면성, 소통 능력)를 포함할 수 있고, 각 제1 카테고리에 대한 제1 답변 텍스트를 포함할 수 있다. 이때, 각 제1 카테고리에 사전 설정된 텍스트들과 상기 각 제1 카테고리에 대한 제1 답변 텍스트를 매칭시킴으로써, 사전 설정된 텍스트들과 매칭된 제1 답변 텍스트의 개수에 따라 해당 카테고리의 점수를 결정하도록 제1 뉴럴 네트워크를 통해 제1 모델(510)이 학습될 수 있다. 예를 들어, 복수의 제1 카테고리들은 상기 사용자의 업무 능력(예: 업무 지식, 기획력, 분석력, 추진력) 카테고리와 상기 사용자의 대인 관계 및 인성(예: 책임간, 협동심, 근면성, 소통 능력) 카테고리로 분류될 수 있다.

예를 들어, 상기 제2 답변 메시지는 상기 복수의 제1 카테고리들 중에서 적어도 하나의 제1 카테고리를 포함할 수 있고, 적어도 하나의 제1 카테고리 각각에 대한 제2 답변 텍스트를 포함할 수 있다. 이때, 상기 적어도 하나의 제1 카테고리는 상술한 제1 카테고리, 즉 사전 설정된 제1 개수 이하의 제1 답변 텍스트 개수를 가진 제1 카테고리일 수 있다. 또한, 상기 제2 답변 메시지는 기본 질문에 대한 답변 텍스트를 포함할 수 있다. 여기서, 기본 질문은 기업의 평가 기준에 대한 우선 순위와 관련된 질문일 수 있으며, 상기 기본 질문에 대한 답변 텍스트는 기업의 평가 기준에 대한 우선 순위와 관련된 텍스트를 포함할 수 있다.

예를 들어, 상기 기본 질문이 기업의 조직 문화, 기업의 근무 환경, 급여, 기업의 위치 및 기업의 전망에 대한 우선 순위에 대한 질문인 경우, 상기 기본 질문에 대한 답변 텍스트는 [3, 2, 1, 4, 5]와 같은 숫자의 배열을 포함할 수 있다. 이때, 각 숫자는 우선 순위를 의미할 수 있다. 즉, 상기 기본 질문에 대한 답변 텍스트는 기업의 평가 기준에 대한 우선 순위의 배열을 포함할 수 있다.

예를 들어, 사용자에 대한 정보에 포함된 사용자의 검색 이력에 대한 정보에 기반하여 상기 사용자의 취미를 결정하도록 제1 뉴럴 네트워크를 통해 제1 모델(510)이 학습될 수 있다. 예를 들어, 복수의 취미에 매칭되는 값들이 상기 서버에 사전 설정될 수 있다. 예를 들어, 상기 사용자의 검색 이력에서 '물고기', '저수지'와 같이 낚시와 관련된 단어가 가장 많이 검출된 경우, 서버는 상기 사용자의 취미를 낚시로 결정하고, 상기 복수의 제1 카테고리들 중에서 상기 낚시에 매칭되는 제1 카테고리(예를 들어, 기획력, 분석력)에 대해 가중치를 결정할 수 있다.

예를 들어, 사용자에 대한 정보에 포함된 사용자의 이전 직장과 관련된 정보에 기반하여 상기 사용자의 평균 근속년수를 결정하도록 제1 뉴럴 네트워크를 통해 제1 모델(510)이 학습될 수 있다. 예를 들어, 상기 평균 근속년수에 매칭되는 값이 상기 서버에 사전 설정될 수 있다. 예를 들어, 상기 사용자의 이전 직장에 대한 평균 근속년수가 4.2년인 경우, 서버는 상기 복수의 제1 카테고리들 중에서 상기 근속년수와 매칭되는 제1 카테고리(예를 들어, 근면성, 책임감)에 대한 점수에 가중치를 적용할 수 있다.

여기서, 사용자에 대한 성향은 상기 복수의 제1 카테고리들에 대한 점수 및 상기 우선 순위의 배열을 기반으로 결정될 수 있다. 사용자에 대한 성향은 복수의 유형을 포함할 수 있다. 예를 들어, 제1 유형은 상기 복수의 제1 카테고리들 중에서 대인 관계 및 인성(예: 책임감, 협동심, 근면성 및 소통 능력)에 대한 점수의 평균(이하, 제1 평균)이 업무 능력(예: 업무 지식, 기획력, 분석력 및 추진력)에 대한 점수의 평균(이하, 제2 평균)보다 높으며, 상기 제1 평균과 제2 평균의 차이가 사전 설정된 값보다 큰 경우일 수 있다. 예를 들어, 제2 유형은 상기 제1 평균이 상기 제2 평균보다 낮으며, 상기 제1 평균과 상기 제2 평균의 차이가 사전 설정된 값보다 큰 경우일 수 있다. 예를 들어, 제3 유형은 상기 복수의 제1 카테고리들에 대한 점수의 평균 값이 사전 설정된 평균 값 미만이고, 상기 제1 평균과 제2 평균의 차이가 사전 설정된 값보다 작은 경우일 수 있다. 예를 들어, 제4 유형은 상기 복수의 제1 카테고리들에 대한 점수의 평균 값이 사전 설정된 평균 값 이상이고, 상기 제1 평균과 제2 평균의 차이가 사전 설정된 값보다 작은 경우일 수 있다.

이때, 예를 들어, 상기 복수의 제1 카테고리들에 대한 점수가 제1 유형에 해당하고, 상기 우선 순위의 배열이 [2, 3, 1, 4, 5]인 경우, 사용자에 대한 성향은 [1, 2, 3, 1, 4, 5]의 배열로 결정될 수 있다. 즉, 상기 배열의 가장 앞자리 숫자는 상기 사용자의 유형을 나타내고, 나머지 숫자는 상기 기업의 평가 기준에 대한 우선 순위를 나타낼 수 있다. 예를 들어, 상기 복수의 제1 카테고리들에 대한 점수 및 상기 우선 순위의 배열을 사용자에 대한 성향으로 출력하도록 제1 뉴럴 네트워크를 통해 제1 모델(510)이 학습될 수 있다.

예를 들어, 상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보 및 정답 사용자와 관련된 기업 리스트로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어(521)에 입력되어 상기 하나 이상의 제2 히든 레이어(522) 및 제2 출력 레이어(523)를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어(523)에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습된, 상기 제2 모델이 생성될 수 있다.

예를 들어, 복수의 기업에 대한 정보는 기업의 명칭, 기업의 업종, 기업의 근무 요일, 기업의 근무 환경, 기업의 조직 문화, 기업의 전망, 기업의 위치 및 기업 내 직원들의 급여와 같은 정보를 포함할 수 있다. 예를 들어, 복수의 기업에 대한 정보는 복수의 제2 카테고리를 포함할 수 있다. 예를 들어, 복수의 제2 카테고리는 기업의 조직 문화, 기업의 근무 환경, 기업의 전망, 기업의 위치 및 급여를 포함할 수 있다. 예를 들어, 상기 복수의 기업에 대한 정보는 상기 서버에 사전 입력되거나, 하나 이상의 장치로부터 상기 서버에게 전송될 수 있다.

여기서, 기업의 조직 문화에 대한 정보는 상기 기업과 관련된 사이트들에 대한 웹 크롤링을 통해 각 웹 사이트에서 기업에 대한 설명 탭을 기반으로 설정될 수 있다. 여기서, 웹 크롤링은 웹 사이트들의 정보를 수집하는 동작일 수 있다. 예를 들어, 수집된 웹 사이트들의 정보 중에서 특정 단어들의 빈도 수에 따라 상기 기업의 조직 문화에 대한 값이 결정될 수 있다. 예를 들어, 제2 뉴럴 네트워크를 통해, 화합, 참여 및 의사소통에 대한 단어의 빈도 수가 높은 경우에는 제1 유형, 생산성, 수익, 이익 및 개인에 대한 단어의 빈도 수가 높은 경우에는 제2 유형, 일관성 및 지속성, 안정에 대한 단어의 빈도 수가 높은 경우에는 제3 유형, 적응, 창조, 민첩에 대한 단어의 빈도 수가 높은 경우에는 제4 유형으로 결정되도록 제2 뉴럴 네트워크를 통해 상기 제2 모델(520)이 학습될 수 있다.

예를 들어, 상기 사용자의 업종에 대한 정보, 상기 사용자의 근무 요일에 대한 정보 및 복수의 기업에 대한 정보에 기반하여 상기 사용자의 업종에 해당하고, 상기 사용자의 근무 요일이 포함되는 복수의 기업들을 결정하도록 제2 뉴럴 네트워크를 통해 상기 제2 모델(520)이 학습될 수 있다.

예를 들어, 상기 사용자에 대한 성향에 기반하여 복수의 기업들 중에서 사전 설정된 제3 개수의 기업을 포함하는 상기 사용자와 관련된 기업 리스트를 결정하도록 제2 뉴럴 네트워크를 통해 상기 제2 모델(520)이 학습될 수 있다.

예를 들어, 상기 복수의 기업에 대한 점수는 상기 복수의 제2 카테고리를 기반으로 하기 수학식 2에 의해 결정되도록 제2 뉴럴 네트워크를 통해 상기 제2 모델(520)이 학습될 수 있다. 예를 들어, 상기 기업에 대한 점수는 상기 복수의 제2 카테고리를 기반으로 하기 수학식 2에 의해 결정될 수 있다.

상기 수학식 2에서, G는 기업에 대한 점수이고, a₁ 내지 a₅는 기업의 평가 기준에 대한 사용자의 우선 순위이고, z는 사용자의 유형과 조직 문화의 유형의 유사도에 따라 결정되는 값이고, e는 기업의 근무 환경에 대한 값, c는 기업이 제시한 급여에 대한 값, c₀는 사용자가 원하는 급여에 대한 값이고, l은 기업의 위치와 사용자의 주소와의 거리와 관련된 값이고, f는 기업의 전망과 관련된 값일 수 있다.

여기서, a1 내지 a5는 상기 사용자에 대한 성향에 대한 값에서 맨 앞자리를 제외한 나머지 숫자에 순서대로 매칭될 수 있다.

예를 들어, z 값과 관련하여, 상기 사용자의 유형이 제1 유형이고, 상기 기업의 조직 문화가 제1 유형인 경우, 동일한 유형으로 결정하고, z 값은 100으로 결정될 수 있다. 예를 들어, 상기 사용자의 유형이 제1 유형이고, 상기 기업의 조직 문화가 제2 유형인 경우, 완전 상이한 유형으로 결정하고, z 값은 25로 결정될 수 있다. 예를 들어, 상기 사용자의 유형이 제1 유형이고, 상기 기업의 조직 문화가 제3 유형 또는 제4 유형인 경우, 유사한 유형으로 결정하고, z 값은 50으로 결정될 수 있다. 이러한 유형들 사이의 매칭 관계는 상기 서버에 사전 설정될 수 있다.

여기서, e는 상기 웹 크롤링을 통해 수집된 기업의 고용 정보 중에서 사전 설정된 복수의 단어들이 포함된 정도에 따라 결정될 수 있다. 예를 들어, 상기 사전 설정된 복수의 단어들은 보험, 연금, 보너스, 스톡옵션, 출산, 명절, 노조 및 동호회와 같이 기업의 복지와 관련된 단어들을 포함할 수 있다. 또한, 예를 들어, 상기 사전 설정된 복수의 단어들은 상기 제1 단말이 서버에 전송한 단어들을 포함할 수 있다. 이때, 상기 웹 크롤링을 통해 수집된 기업의 고용 정보 중에서 사전 설정된 복수의 단어들이 모두 포함된 경우, e 값은 100으로 결정될 수 있고, 상기 웹 크롤링을 통해 수집된 기업의 고용 정보 중에서 사전 설정된 복수의 단어들이 80% 포함된 경우, e 값은 80으로 결정될 수 있다.

예를 들어, l은 경위도좌표 상의 기업의 위치와 상기 사용자의 주소에 따라 결정된 지리좌표 거리에 기반한 값일 수 있다. 예를 들어, 기업의 위치가 (37°, 33′, 58.97″ N, 126° 58′ 39.78″ E)이고, 상기 사용자의 주소가 (37° 33″ 56.08 N, 126° 58′ 41.10″ E)인 경우, 두 좌표의 차이인 (0° 0′ 2.89″, 0° 0′ -1.32″)을 하기 수학식을 적용함으로써, 서버는 상기 기업의 위치와 상기 사용자의 주소 사이의 거리를 0.09547km로 결정할 수 있다.

그리고, 예를 들어, 상기 기업의 위치와 상기 사용자의 주소 사이의 거리가 5Km 이하인 경우에는 상기 l 값을 100으로 결정할 수 있고, 상기 기업의 위치와 상기 사용자의 주소 사이의 거리가 5km를 초과하고 10km 이하인 경우에는 상기 l 값을 90으로 결정할 수 있다. 즉, l 값은 기업의 위치와 상기 사용자의 주소 사이의 거리가 포함되는 사전 설정된 범위에 매칭되는 값으로 결정될 수 있다.

f는 상기 웹 크롤링을 통해 수집된 기업의 재무 정보 중에서 사전 설정된 카테고리들의 값에 따라 결정될 수 있다. 예를 들어, f는 기업의 매출액 증가 여부, 기업의 영업이익 증가 여부, 기업의 당기순이익 증가 여부 및 총 자산 순이익률(return on Assets, ROA) 값을 기반으로 0을 제외한 100 이하의 상수 값으로 결정될 수 있다.

예를 들어, 상기 사용자와 관련된 기업 리스트는 사전 설정된 제3 개수의 기업을 포함할 수 있다. 예를 들어, 상기 사전 설정된 제3 개수의 기업은 복수의 기업들 중에서 상기 복수의 제2 카테고리에 대한 점수를 합산한 값이 높은 기업의 순서로 결정되도록, 제2 뉴럴 네트워크를 통해 제2 모델(520)이 학습될 수 있다.

예를 들어, 상기 사전 설정된 제3 개수는 하기 수학식 4에 의해 결정될 수 있다.

상기 수학식 4에서, n은 상기 사전 설정된 제3 개수이고, p는 상기 사용자의 유형에 대한 값이고, β는 상기 제1 단말의 통신 상태에 따른 가중치일 수 있다.

예를 들어, 상기 p는 사용자에 대한 성향을 나타내는 값에서 가장 맨 앞의 수일 수 있다. 예를 들어, p는 1, 2, 3 및 4 중에 어느 하나의 값일 수 있다.

예를 들어, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값 이상인 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이만큼 β값이 증가할 수 있다. 또한, 예를 들어, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값보다 작은 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이만큼 β값이 감소할 수 있다. 예를 들어, β가 3으로 설정된 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이가 사전 설정된 제1 범위에 포함되고, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값 이상이면, 상기 β 값은 4로 증가할 수 있다. 또한, 예를 들어, β가 3으로 설정된 경우, 상기 제1 단말의 RSRP 값과 상기 디폴트 RSRP 값의 차이가 사전 설정된 제2 범위에 포함되고, 상기 제1 단말의 RSRP 값이 디폴트 RSRP 값 미만이면, 상기 β 값은 1로 감소할 수 있다.

따라서, 서버는 사용자에 대한 성향과 제1 단말의 통신 상태를 고려하여, 고정된 개수의 기업을 항상 제공하지 않고, 사용자에게 필요한 개수의 추천 기업을 포함한 기업 리스트를 제공할 수 있다.

예를 들어, 서버는 상기 제2 모델(520)을 통해 사용자에 대한 정보와 복수의 기업에 대한 정보를 기반으로 복수의 기업들을 결정하고, 상기 제1 모델(510)에 의해 결정된 사용자에 대한 성향에 대한 값을 기반으로 상기 제2 모델(520)을 통해 복수의 기업들에 대한 점수를 결정하고, 상기 제2 모델(520)을 통해 상기 복수의 기업들에 대한 점수가 가장 높은 기업의 순서로 사전 설정된 제3 개수만큼 사용자와 관련된 기업 리스트에 포함시킬 수 있다.

도 6은 일 실시예에 따른 제1 질문 메시지와 제1 답변 메시지가 디스플레이된 제2 단말의 화면에 대한 도면이다. 도 7은 일 실시예에 따른 제2 질문 메시지와 제2 답변 메시지가 디스플레이된 제1 단말의 화면에 대한 도면이다. 도 6 및 도 7의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.

도 6을 참조하면, 제2 단말의 화면(600)은 복수의 제1 카테고리(610, 620, 630), 복수의 제1 질문 텍스트(611, 621, 631) 및 복수의 제1 답변 텍스트(612, 622, 632)를 포함할 수 있다.

예를 들어, 복수의 제1 질문 텍스트(611, 621, 631)는 사용자에 대한 정보에 포함된 사용자의 이름과 복수의 제1 카테고리에 매칭된 사전 설정된 제1 질문 텍스트를 결합하여 생성될 수 있다.

예를 들어, 서버가 하나의 제2 단말로부터 제1 답변 메시지만을 수신한 경우, 서버는 복수의 제1 답변 텍스트(612, 622, 632)의 총 개수가 임계 값 이하인지 여부를 결정할 수 있다. 예를 들어, 임계 값이 30인 경우, 복수의 제1 답변 텍스트(612, 622, 632)의 총 개수가 27개이므로, 서버는 복수의 제1 답변 텍스트(612, 622, 632)의 총 개수가 임계 값 이하인 것으로 결정할 수 있다.

예를 들어, 제1 카테고리(610)에 대해 사전 설정된 복수의 텍스트들 중 하나인 '많다'가 제1 답변 텍스트(612)에 포함된 경우, 서버는 제1 카테고리(610)에 대한 점수를 사전 설정된 제1 점수만큼 증가시킬 수 있다. 예를 들어, 제1 카테고리(620)에 대해 사전 설정된 복수의 텍스트들 중 하나인 '아쉬웠다'가 제1 답변 텍스트(622)에 포함된 경우, 서버는 제1 카테고리(620)에 대한 점수를 사전 설정된 제1 점수만큼 감소시킬 수 있다. 예를 들어, 제1 카테고리(630)에 대해 사전 설정된 복수의 텍스트들과 매칭되는 텍스트가 존재하지 않는 경우, 서버는 제1 카테고리(630)에 대한 점수를 변경시키지 않을 수 있다.

예를 들어, 서버는 각 제1 카테고리에 포함된 제1 답변 텍스트의 개수가 사전 설정된 제1 개수 이하인지 여부를 결정할 수 있다. 예를 들어, 사전 설정된 제1 개수가 9개인 경우, 제1 답변 텍스트(632)의 개수가 5개이므로, 서버는 제1 카테고리(630)가 사전 설정된 제1 개수 이하인 것으로 결정할 수 있다. 따라서, 서버는 기본 질문 텍스트와 제1 카테고리(630)에 대한 제2 질문 텍스트를 생성하고, 상기 기본 질문 텍스트와 제1 카테고리(630)에 대한 제2 질문 텍스트를 포함한 제2 질문 메시지를 제1 단말에게 전송할 수 있다.

도 7을 참조하면, 제1 단말의 화면(700)은 제1 카테고리(710), 제2 질문 텍스트(711), 제2 답변 텍스트(712), 기본 질문 텍스트(720) 및 기본 질문에 대한 답변 텍스트(721)를 포함할 수 있다.

예를 들어, 도 6의 제1 카테고리(630)가 사전 설정된 제1 개수 이하인 것에 기반하여, 제1 카테고리(710)는 도 6의 제1 카테고리(630)와 동일하게 설정되고, 제2 질문 텍스트(711)는 복수의 제1 카테고리에 매칭된 사전 설정된 제1 질문 텍스트를 포함할 수 있다. 예를 들어, 제1 카테고리(710)와 도 6의 제1 카테고리(630)가 동일한 경우에도, 제2 질문 텍스트(711)는 도 6의 제1 질문 텍스트(631)와 상이할 수 있다.

예를 들어, 제1 카테고리(710)에 대해 사전 설정된 복수의 텍스트들 중 하나인 '충만했다'가 제1 답변 텍스트(712)에 포함된 경우, 서버는 제1 카테고리(710)에 대한 점수를 사전 설정된 제2 점수만큼 증가시킬 수 있다. 예를 들어, 상기 사전 설정된 제2 점수는 상기 사전 설정된 제1 점수보다 작은 값을 가질 수 있다.

예를 들어, 기본 질문 텍스트(720)는 사전 설정된 기본 질문 텍스트에 기반하여 결정될 수 있다. 예를 들어, 기본 질문에 대한 답변 텍스트(721)는 조직 문화. 근무 환경, 급여, 위치, 기업의 전망 각각에 대한 우선 순위를 나타내는 숫자 텍스트일 수 있다. 즉, 상기 기본 질문에 대한 답변 텍스트(721)는 [3, 2, 1, 4, 5]와 같은 숫자의 배열을 포함할 수 있다. 이때, 각 숫자는 우선 순위를 의미할 수 있다. 상기 기본 질문에 대한 답변 텍스트(721)는 기업의 평가 기준에 대한 우선 순위의 배열을 포함할 수 있다.

도 8은 일 실시예에 따른 사용자와 관련된 기업 리스트가 디스플레이된 제1 단말의 화면에 대한 도면이다. 도 8의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 8을 참조하면, 제1 단말의 제1 화면(810)은 사용자와 관련된 기업 리스트를 포함할 수 있다. 예를 들어, 상기 사전 설정된 제3 개수가 3개인 경우, 복수의 기업들 중에서 복수의 기업에 대한 점수가 가장 높은 순서로 1순위의 기업, 2순위의 기업 및 3순위의 기업이 제1 단말의 제1 화면(810)에 디스플레이될 수 있다.

또한, 예를 들어, 제1 단말의 제1 화면(810)에서 CAO(chief administration officer), CFO(chief financial officer), COO(chief operating officer)는 각 기업에서 구인하는 직위를 나타낸다. 예를 들어, 서버는 복수의 기업에 대한 정보에 기반하여 각 기업에서 구인하는 직위에 대한 정보를 사용자와 관련된 기업 리스트에 포함시킬 수 있고, 각 기업에서 구인하는 직위가 제1 단말의 제1 화면(810)에 디스플레이 될 수 있다.

예를 들어, 제1 단말의 제2 화면(820)은 상기 기업에 대한 점수와 기업에 대한 평가 기준 각각에 대한 점수를 포함할 수 있다. 예를 들어, 사용자와 관련된 기업 리스트는 상기 기업에 대한 점수와 기업에 대한 평가 기준 각각에 대한 점수에 대한 정보를 포함할 수 있다. 예를 들어, 상기 기업에 대한 점수는 상술한 수학식 2의 점수를 5로 나눈 평균 값일 수 있다. 예를 들어, 상기 기업에 대한 평가 기준 각각에 대한 점수는 상술한 수학식 2의 점수를 구성하는 각각의 요소에 대한 점수일 수 있다.

또는, 예를 들어, 사용자와 관련된 기업 리스트에 포함된 어느 하나의 기업에 대한 정보가 제1 단말로부터 서버에게 요청되면, 서버는 상기 요청된 기업에 대한 정보를 상기 제1 단말에게 전송할 수 있고, 상기 제1 단말은 제2 화면(820)을 디스플레이할 수 있다.

도 9는 일 실시예에 따른 서버가 사용자와 관련된 기업 리스트를 제1 단말에게 전송하는 절차를 나타낸 신호 교환도이다. 도 9의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 9를 참조하면, 단계 S901에서, 서버는 제1 질문 메시지를 복수의 제2 단말에게 전송할 수 있다. 예를 들어, 서버는 복수의 연락 주소에 대한 정보에 기반하여 복수의 제2 단말에게 사용자와 관련된 복수의 제1 질문 텍스트를 포함하는 제1 질문 메시지를 전송할 수 있다. 예를 들어, 상기 제1 질문 메시지는 복수의 제1 카테고리를 포함할 수 있고, 상기 사용자와 관련된 복수의 제1 질문 테스트는 상기 복수의 제1 카테고리 각각에 대한 설정될 수 있다.

예를 들어, 상기 제1 질문 메시지를 전송하기 이전에, 상기 서버와 상기 복수의 제2 단말은 연결 절차를 수행할 수 있다. 예를 들어, 상기 서버는 상기 복수의 제2 단말에게 연결 요청 메시지를 전송하고, 상기 복수의 제2 단말로부터 연결 수락 메시지를 수신한 경우, 상기 서버는 상기 복수의 제2 단말과 무선 연결을 확립한 이후, 상기 제1 질문 메시지를 전송할 수 있다. 도 9의 실시예는 복수의 제2 단말 중에서 적어도 하나의 제2 단말이 수락한 경우에도 적용될 수 있다.

단계 S902에서, 서버는 복수의 제2 단말로부터 수신 완료 메시지를 수신할 수 있다. 예를 들어, 복수의 제2 단말은 상기 제1 질문 메시지를 수신한 후, 서버에게 상기 제1 질문 메시지를 수신한 것을 알리는 수신 완료 메시지를 전송할 수 있다. 예를 들어, 상기 수신 완료 메시지는 제2 단말의 통신 상태에 대한 값(예: RSRP 값)을 포함할 수 있다.

단계 S903에서, 복수의 제2 단말은 복수의 제3 단말에게 추가 메시지를 전송할 수 있다. 예를 들어, 복수의 제2 단말은 상기 복수의 제2 단말에 사전 저장된 연락 주소에 대한 정보에 기반하여 복수의 제3 단말에게 추가 메시지를 전송할 수 있다. 여기서, 상기 추가 메시지는 상기 제1 질문 메시지와 동일한 메시지일 수 있다.

예를 들어, 상기 추가 메시지를 수신한 복수의 제3 단말은 상기 추가 메시지를 수신한 후, 서버에게 상기 추가 메시지를 수신한 것을 알리는 수신 완료 메시지를 전송할 수 있다. 예를 들어, 서버는 수신 완료 메시지에 기반하여 상기 복수의 제3 단말과 연결 절차를 수행할 수 있다. 예를 들어, 상기 수신 완료 메시지는 제3 단말의 통신 상태에 대한 값(예: RSRP 값)을 포함할 수 있다. 도 9의 실시예는 복수의 제3 단말 중에서 적어도 하나의 제3 단말이 수락한 경우 또는 복수의 제3 단말이 모두 수락하지 않은 경우에도 적용될 수 있다.

단계 S904에서, 복수의 제2 단말 및 복수의 제3 단말은 상기 사용자와 관련된 제1 질문 텍스트에 대한 제1 답변 텍스트가 포함된 제1 답변 메시지를 서버에게 전송할 수 있다.

단계 S905에서, 서버는 제2 질문 메시지를 제1 단말에게 전송할 수 있다. 예를 들어, 상기 제2 질문 메시지를 전송하기 이전에, 상기 서버와 상기 제1 단말은 연결 절차를 수행할 수 있다. 예를 들어, 상기 서버는 상기 제1 단말에게 연결 요청 메시지를 전송하고, 상기 제1 단말로부터 연결 수락 메시지를 수신한 경우, 상기 서버는 상기 제1 단말과 무선 연결을 확립한 이후, 상기 제1 질문 메시지를 전송할 수 있다. 예를 들어, 상기 무선 연결이 확립된 후, 서버는 상기 제1 단말로부터 제1 단말의 통신 상태에 대한 값(예: RSRP 값)을 수신할 수 있다.

예를 들어, 제2 질문 메시지는 상기 제1 답변 메시지에 기반하여 결정될 수 있고, 상기 제1 답변 메시지에 따라 상이하게 결정될 수 있다.

예를 들어, 상기 제1 답변 메시지 내 제1 답변 텍스트의 개수가 사전 설정된 제1 개수 이하인 제1 카테고리가 존재하고, 상기 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 경우, 제2 질문 메시지는 기본 질문 텍스트 이외에 상기 사전 설정된 제1 개수 이하인 제1 카테고리에 대한 제2 질문 텍스트를 더 포함할 수 있다. 예를 들어, 상기 사전 설정된 제1 개수는 상술한 수학식 1에 의해 결정될 수 있다.

단계 S906에서, 제1 단말은 제2 답변 메시지를 서버에게 전송할 수 있다.

단계 S907에서, 서버는 제1 답변 메시지, 제2 답변 메시지, 사용자에 대한 정보에 기반하여 상술한 제1 모델을 통해 사용자에 대한 성향을 결정할 수 있다.

단계 S908에서, 서버는 사용자에 대한 성향, 사용자에 대한 정보 및 복수의 기업에 대한 정보에 기반하여 상술한 제2 모델을 통해 사용자와 관련된 기업 리스트를 결정할 수 있다.

단계 S909에서, 서버는 사용자와 관련된 기업 리스트를 제1 단말에게 전송할 수 있다.

단계 S910에서, 제1 단말은 서버에게 추가 요청 메시지를 전송할 수 있다. 예를 들어, 추가 요청 메시지는 사용자와 관련된 기업 리스트에 포함되지 않은 기업에 대한 정보를 추가적으로 요청하는 메시지일 수 있다. 예를 들어, 추가 요청 메시지는 요청 개수에 대한 정보를 포함할 수 있다.

단계 S911에서, 서버는 상기 추가 요청 메시지에 기반하여 제1 단말에게 추가 기업 리스트를 전송할 수 있다. 예를 들어, 추가 기업 리스트는, 상기 사용자와 관련된 기업 리스트에 포함된 복수의 기업들 이외에, 상술한 기업에 대한 점수가 높은 순서로 상기 요청 개수의 기업을 포함할 수 있다.

도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 10의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 10에 도시된 바와 같이, 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030)를 포함할 수 있다. 그러나, 도 10에 도시된 구성 요소 모두가 서버(1000)의 필수 구성 요소인 것은 아니다. 도 10에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(1000)가 구현될 수도 있고, 도 10에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(1000)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.

프로세서(1010)는, 통상적으로 서버(1000)의 전반적인 동작을 제어한다. 프로세서(1010)는 하나 이상의 프로세서를 구비하여, 서버(1000)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(1010)는, 메모리(1030)에 저장된 프로그램들을 실행함으로써, 통신부(1020) 및 메모리(1030) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1010)는 메모리(1030)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 9에 기재된 서버(1000)의 기능을 수행할 수 있다.

일 실시예에 따라, 프로세서(1010)는 서버(1000)에 입력된 정보를 기반으로 제1 단말의 사용자에 대한 정보, 상기 사용자와 관련된 복수의 연락 주소에 대한 정보 및 복수의 기업에 대한 정보를 획득할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 서버와 연결된 적어도 하나의 장치로부터 제1 단말의 사용자에 대한 정보, 상기 사용자와 관련된 복수의 연락 주소에 대한 정보 및 복수의 기업에 대한 정보를 네트워크를 통해 수신할 수 있다.

프로세서(1010)는 통신부(1020)를 통해 상기 복수의 연락 주소에 대한 정보에 기반하여 복수의 제2 단말에게 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함하는 제1 질문 메시지를 전송할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 복수의 제2 단말로부터 상기 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함하는 제1 답변 메시지를 수신할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 제1 답변 메시지에 기반하여 제2 질문 메시지를 상기 제1 단말에게 전송할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 제2 질문 메시지에 기반하여 상기 제1 단말로부터 제2 답변 메시지를 수신할 수 있다.

프로세서(1010)는 상기 제1 답변 메시지, 상기 제2 답변 메시지 및 상기 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 상기 사용자에 대한 성향을 결정할 수 있다. 프로세서(1010)는 상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용한 제2 모델을 통해 상기 사용자와 관련된 기업 리스트를 결정할 수 있다.

프로세서(1010)는 통신부(1020)를 통해 상기 사용자와 관련된 기업 리스트를 상기 제1 단말에게 제공할 수 있다.

예를 들어, 상기 제1 질문 메시지는 복수의 제1 카테고리들에 따라 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함할 수 있다.

프로세서(1010)는 상기 복수의 제1 카테고리들 중에서 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 것에 기반하여, 상기 제1 카테고리에 대해 상기 사용자와 관련된 제2 질문 텍스트를 포함하는 상기 제2 질문 메시지를 생성할 수 있다. 프로세서(1010)는 상술한 수학식 1에 의해 상기 사전 설정된 제1 개수를 설정할 수 있다.

예를 들어, 프로세서(1010)는 메모리(1030)를 통해 상기 제1 답변 메시지, 상기 제2 답변 메시지, 상기 사용자에 대한 정보 및 정답 사용자의 성향으로 구성된 각각의 학습 데이터를 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력시키고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력시킬 수 있다. 프로세서(1010)는 메모리(1030)를 통해 상기 제1 출력 벡터를 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력시키고, 상기 제1 손실함수 레이어를 통해 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력시키고, 상기 제1 뉴럴 네트워크의 파라미터를 상기 제1 손실 값이 작아지는 방향으로 학습시킴으로써, 상기 제1 모델을 생성할 수 있다.

예를 들어, 프로세서(1010)는 메모리(1030)를 통해 상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보 및 정답 사용자와 관련된 기업 리스트로 구성된 각각의 학습 데이터를 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력시키고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력시킬 수 있다. 프로세서(1010)는 메모리(1030)를 통해 상기 제2 출력 벡터를 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력시키고, 상기 제2 손실함수 레이어를 통해 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력시키고, 상기 제2 뉴럴 네트워크의 파라미터를 상기 제2 손실 값이 작아지는 방향으로 학습시킴으로써, 상기 제2 모델을 생성할 수 있다.

예를 들어, 상기 복수의 기업에 대한 정보는 복수의 제2 카테고리를 포함할 수 있다. 상기 사용자와 관련된 기업 리스트는 사전 설정된 제3 개수의 기업을 포함할 수 있다.

프로세서(1010)는 메모리(1030)를 통해 상기 사용자에 대한 성향에 기반하여 상기 복수의 제2 카테고리에 대한 가중치를 상이하게 설정할 수 있고, 상기 사전 설정된 제3 개수의 기업을 복수의 기업 중에서 상기 복수의 제2 카테고리에 대한 점수를 합산한 값이 높은 기업의 순서로 결정할 수 있다.

통신부(1020)는, 서버(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(1020)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.

예를 들어, 통신부(1020)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(1020)는 프로세서(1010)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(1020)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(1020)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.

메모리(1030)는, 프로세서(1010)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(1030)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(1030)는 프로세서(1010)에서 생성된 데이터를 저장할 수 있다. 예를 들어, 메모리(1030)는 프로세서(1010)가 생성한 제1 모델에 대한 정보, 사용자에 대한 성향, 제2 모델에 대한 정보, 복수의 기업에 대한 점수 및 사용자와 관련된 기업 리스트를 저장할 수 있다. 메모리(1030)는 서버(1000)로 입력되거나 서버(1000)로부터 출력되는 정보를 저장할 수도 있다. 예를 들어, 메모리(1030)는 복수의 제1 질문 텍스트, 복수의 제2 질문 텍스트, 복수의 제1 카테고리, 복수의 제2 카테고리, 임계 값, 사전 설정된 제1 개수, 사전 설정된 제2 개수, 사전 설정된 제3 개수, 사전 설정된 복수의 텍스트, 복수의 취미에 매칭되는 값들, 평균 근속년수에 매칭되는 값들, 사전 설정된 값, 사용자의 유형과 기업의 조직 문화 유형의 매칭 관계, 사전 설정된 복수의 단어, 사전 설정된 범위, 사전 설정된 제1 범위 및 사전 설정된 제2 범위를 저장할 수 있다.

메모리(1030)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 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. 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.

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 특허청구범위의 범위에 속한다.

Claims (12)

1. 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자와 관련된 기업 리스트를 제1 단말에게 제공하는 방법에 있어서,
   상기 서버에 입력된 정보를 기반으로 상기 제1 단말의 사용자에 대한 정보, 상기 사용자와 관련된 복수의 연락 주소에 대한 정보 및 복수의 기업에 대한 정보를 획득하는 단계;
   상기 사용자에 대한 정보는 상기 사용자의 개인 정보, 상기 사용자의 이전 직장과 관련된 정보, 상기 사용자의 업종에 대한 정보, 상기 사용자의 근무 요일에 대한 정보 및 상기 사용자의 검색 이력에 대한 정보를 포함하고,
   상기 연락 주소에 대한 정보는 전화 번호에 대한 정보, 이메일에 대한 정보 또는 메신저 ID에 대한 정보 중 적어도 하나를 포함하고,
   상기 복수의 연락 주소에 대한 정보에 기반하여 복수의 제2 단말에게 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함하는 제1 질문 메시지를 전송하는 단계;
   상기 복수의 제2 단말로부터 상기 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함하는 제1 답변 메시지를 수신하는 단계;
   상기 제1 답변 메시지에 기반하여 제2 질문 메시지를 상기 제1 단말에게 전송하는 단계;
   상기 제2 질문 메시지에 기반하여 상기 제1 단말로부터 제2 답변 메시지를 수신하는 단계;
   상기 제1 답변 메시지, 상기 제2 답변 메시지 및 상기 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 상기 사용자에 대한 성향을 결정하는 단계; 및
   상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용한 제2 모델을 통해 상기 사용자와 관련된 기업 리스트를 상기 제1 단말에게 제공하는 단계를 포함하고,
   상기 제1 질문 메시지는 복수의 제1 카테고리들에 따라 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함하고,
   상기 복수의 제1 카테고리들 중에서 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 것에 기반하여, 상기 제1 카테고리에 대해 상기 사용자와 관련된 제2 질문 텍스트를 포함하는 상기 제2 질문 메시지가 생성되고,
   상기 사전 설정된 제1 개수는 아래 수학식에 의해 설정되고,
   

   

   
   상기 수학식에서, 상기 Tn_th는 상기 사전 설정된 제1 개수이고, 상기 n은 상기 복수의 제2 단말의 개수이고, 상기 t_d는 제2 단말이 상기 제1 질문 메시지를 확인한 이후부터 상기 서버가 상기 제1 답변 메시지를 수신한 제1 답변 시간에 대한 디폴트 값이고, 상기 t_i는 i번째 제2 단말에 대한 상기 제1 답변 시간이고, 상기 RSRP_d는 RSRP(reference signal received power)의 디폴트 값이고, 상기 RSRP_i는 i번째 제2 단말의 RSRP 값이고, 상기 P는 제1 카테고리의 중요도에 대한 값이고, 상기 Tn_total은 상기 제1 답변 메시지에 포함된 텍스트의 총 개수이고, 상기 C_n은 상기 복수의 제1 카테고리의 개수인,
   방법.
   
2. 삭제
3. 삭제
4. 제 1항에 있어서,
   상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
   상기 제1 답변 메시지, 상기 제2 답변 메시지, 상기 사용자에 대한 정보 및 정답 사용자의 성향으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터는 상기 제1 손실 값이 작아지는 방향으로 학습된, 상기 제1 모델이 생성되는,
   상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
   상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보 및 정답 사용자와 관련된 기업 리스트로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습된, 상기 제2 모델이 생성되는,
   방법.
   
5. 제 1항에 있어서,
   상기 복수의 기업에 대한 정보는 복수의 제2 카테고리를 포함하고,
   상기 사용자에 대한 성향에 기반하여 상기 복수의 제2 카테고리에 대한 가중치가 상이하게 설정되고,
   상기 사용자와 관련된 기업 리스트는 사전 설정된 제3 개수의 기업을 포함하고,
   상기 사전 설정된 제3 개수의 기업은 복수의 기업 중에서 상기 복수의 제2 카테고리에 대한 점수를 합산한 값이 높은 기업의 순서로 결정되는,
   방법.
   
6. 적어도 하나의 프로세서; 적어도 하나의 메모리 및 통신부를 포함하는 서버에 있어서,
   상기 적어도 하나의 프로세서는:
   상기 서버에 입력된 정보를 기반으로 제1 단말의 사용자에 대한 정보, 상기 사용자와 관련된 복수의 연락 주소에 대한 정보 및 복수의 기업에 대한 정보를 획득하고,
   상기 사용자에 대한 정보는 상기 사용자의 개인 정보, 상기 사용자의 이전 직장과 관련된 정보, 상기 사용자의 업종에 대한 정보, 상기 사용자의 근무 요일에 대한 정보 및 상기 사용자의 검색 이력에 대한 정보를 포함하고,
   상기 연락 주소에 대한 정보는 전화 번호에 대한 정보, 이메일에 대한 정보 또는 메신저 ID에 대한 정보 중 적어도 하나를 포함하고,
   상기 복수의 연락 주소에 대한 정보에 기반하여 복수의 제2 단말에게 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함하는 제1 질문 메시지를 전송하고,
   상기 복수의 제2 단말로부터 상기 복수의 제1 질문 텍스트 각각에 대한 제1 답변 텍스트를 포함하는 제1 답변 메시지를 수신하고,
   상기 제1 답변 메시지에 기반하여 제2 질문 메시지를 상기 제1 단말에게 전송하고,
   상기 제2 질문 메시지에 기반하여 상기 제1 단말로부터 제2 답변 메시지를 수신하고.
   상기 제1 답변 메시지, 상기 제2 답변 메시지 및 상기 사용자에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용한 제1 모델을 통해 상기 사용자에 대한 성향을 결정하고,
   상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용한 제2 모델을 통해 상기 사용자와 관련된 기업 리스트를 상기 제1 단말에게 제공하고,
   상기 제1 질문 메시지는 복수의 제1 카테고리들에 따라 상기 사용자와 관련된 복수의 제1 질문 텍스트를 포함하고,
   상기 복수의 제1 카테고리들 중에서 상기 제1 답변 텍스트가 사전 설정된 제1 개수 이하인 제1 카테고리의 개수가 사전 설정된 제2 개수 이상인 것에 기반하여, 상기 제1 카테고리에 대해 상기 사용자와 관련된 제2 질문 텍스트를 포함하는 상기 제2 질문 메시지가 생성되고,
   상기 사전 설정된 제1 개수는 아래 수학식에 의해 설정되고,
   

   

   
   상기 수학식에서, 상기 Tn_th는 상기 사전 설정된 제1 개수이고, 상기 n은 상기 복수의 제2 단말의 개수이고, 상기 t_d는 제2 단말이 상기 제1 질문 메시지를 확인한 이후부터 상기 서버가 상기 제1 답변 메시지를 수신한 제1 답변 시간에 대한 디폴트 값이고, 상기 t_i는 i번째 제2 단말에 대한 상기 제1 답변 시간이고, 상기 RSRP_d는 RSRP(reference signal received power)의 디폴트 값이고, 상기 RSRP_i는 i번째 제2 단말의 RSRP 값이고, 상기 P는 제1 카테고리의 중요도에 대한 값이고, 상기 Tn_total은 상기 제1 답변 메시지에 포함된 텍스트의 총 개수이고, 상기 C_n은 상기 복수의 제1 카테고리의 개수인,
   서버.
   
7. 삭제
8. 삭제
9. 제 6항에 있어서,
   상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
   상기 제1 답변 메시지, 상기 제2 답변 메시지, 상기 사용자에 대한 정보 및 정답 사용자의 성향으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터는 상기 제1 손실 값이 작아지는 방향으로 학습된, 상기 제1 모델이 생성되는,
   상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
   상기 사용자에 대한 성향, 상기 사용자에 대한 정보 및 상기 복수의 기업에 대한 정보 및 정답 사용자와 관련된 기업 리스트로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습된, 상기 제2 모델이 생성되는,
   서버.
   
10. 제 6항에 있어서,
    상기 복수의 기업에 대한 정보는 복수의 제2 카테고리를 포함하고,
    상기 사용자에 대한 성향에 기반하여 상기 복수의 제2 카테고리에 대한 가중치가 상이하게 설정되고,
    상기 사용자와 관련된 기업 리스트는 사전 설정된 제3 개수의 기업을 포함하고,
    상기 사전 설정된 제3 개수의 기업은 복수의 기업 중에서 상기 복수의 제2 카테고리에 대한 점수를 합산한 값이 높은 기업의 순서로 결정되는,
    서버.
    
11. 하드웨어와 결합되어 제1항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
    
12. 하드웨어와 결합되어 제1항의 방법을 실행시키는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
    

Images