KR102511170B1 - 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법, 장치 및 컴퓨터프로그램 - Google Patents

Abstract

댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 단계, 상기 수집된 댓글 데이터를 분석하여 상기 수집된 댓글 데이터를 복수의 등급 중 어느 하나의 등급으로 분류하는 단계 및 상기 분류된 댓글 데이터를 이용하여 상기 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 단계를 포함할 수 있다.

Description

댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR PROVIDING SECONDARY CONTENTS PREDICTION SOLUTION THROUGH COMMENTS BIG-DATA ANALYSIS}

본 발명의 다양한 실시예는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법, 장치 및 컴퓨터프로그램에 관한 것이다.

포털의 활성 이용자 유치를 위한 마케팅 수단이었던 웹툰은 현재 기존의 출판 만화와 달리 스마트폰에 최적화된 매력적인 문화 콘텐츠적 가치를 구축하여 독자적인 BM(Business Model)으로 수익을 창출하고 있으며, OSMU(One-Source Multi-Use)가 가능한 베이스라인(Base-line) 콘텐츠로서의 확고한 위치를 확보하였다.

다양한 2차 콘텐츠(드라마, 영화, 게임, 굿즈 등)의 원천이 되는 현대 사회의 핵심 콘텐츠 IP(Intellectual Property)인 한국 웹툰은 2020년 세계 월간 활성 이용자 수(MTU) 7000만 명(국내 1000만)을 돌파했고, 국내에서만 1조 원이 넘는 시장(거래액 기준)이 형성되어 있는 지속적으로 성장 중인 산업이다.

또한 키덜트족의 증가, 팬덤 문화의 확산 등으로 인해 콘텐츠 IP에 몰입하고 등장 캐릭터에 열광하며 적극적으로 소비하는 사람들이 극적으로 증가함에 따라, 캐릭터 산업은 12조 규모로 형성되어 있으며 웹툰은 캐릭터 산업의 중심으로 자리 잡고 있다.

그에 반해, 웹툰 관련 굿즈는 핸드폰 케이스, 다이어리 같은 소비재, 판촉물 위주로 다소 일반적이고 제한적이며, 소비자들의 니즈를 충실히 반영하지 못한다는 문제가 있다.

또한, 소비자의 니즈가 반영된 프리미엄 굿즈의 경우, 크라우드 펀딩 등을 통해 제작되는 경우가 많으나, 이 마저도 대다수의 후원금액이 3~20배 초과 달성하는 등 수요 대비 공급이 현저히 부족하며, 더 많은 공급을 위해 대량 생산을 하고자 하더라도 정확한 판매량을 예측하기 어렵기 때문에 리스크가 크다는 문제가 있다.

한국등록특허 제10-2263691호

본 발명이 해결하고자 하는 과제는 상술된 종래의 문제점을 극복하기 위한 목적으로, 1차 콘텐츠에 대한 리뷰 및 평가뿐만 아니라, 작가와 독자 또는 독자들 간의 의견 공유 및 소통, 니즈 표출 및 작품에 대한 아이디어, 영감 제공 등 다양한 기능 및 역할을 담당하는 댓글을 수집하고, 수집된 댓글을 빅데이터 분석함에 따라 사용자의 니즈를 정확하게 파악하며, 이를 이용하여 2차 콘텐츠의 형태, 제작 대상 및 예상 판매량을 예측함으로써, 사용자의 니즈를 반영한 2차 콘텐츠 제작 및 판매를 보조할 수 있는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 단계, 상기 수집된 댓글 데이터를 분석하여 상기 수집된 댓글 데이터를 복수의 등급 중 어느 하나의 등급으로 분류하는 단계 및 상기 분류된 댓글 데이터를 이용하여 상기 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 댓글 데이터를 수집하는 단계는, 크롤링을 통해 상기 복수의 1차 콘텐츠가 등록된 플랫폼으로부터 상기 복수의 1차 콘텐츠 각각에 대한 복수의 댓글 데이터를 수집하되, 상기 복수의 댓글 데이터 각각은 댓글, 상기 댓글의 작성 시간, 평가 정보 중 적어도 하나를 포함하는 댓글 정보와 상기 복수의 1차 콘텐츠 또는 상기 복수의 1차 콘텐츠 각각에 포함된 단위 콘텐츠별 평가 정보를 포함하는 메타 정보를 포함하는 것인, 단계 및 상기 수집된 복수의 댓글 데이터에 대한 전처리(Pre-processing)를 수행하는 단계를 포함하며, 상기 어느 하나의 등급으로 분류하는 단계는, 상기 전처리된 복수의 댓글 데이터를 분석하여 상기 복수의 등급 중 어느 하나의 등급으로 분류하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 전처리를 수행하는 단계는, 상기 수집된 복수의 댓글 데이터 각각에 포함된 댓글이 텍스트 기반의 줄글 형태인 경우, 상기 댓글에 포함된 노이즈 - 상기 노이즈는 이모티콘, 외국어, 특수문자 및 공백문자 중 적어도 하나를 포함함 - 를 제거하는 단계, 상기 수집된 복수의 댓글 데이터 중 상기 노이즈가 제거된 댓글의 길이가 제1 길이 미만이거나 또는 제2 길이를 초과하는 댓글 데이터를 필터링하는 단계 및 상기 수집된 복수의 댓글 데이터 중 상기 필터링된 댓글 데이터를 제외한 나머지 댓글 데이터를 기 설정된 포맷으로 변환하고, 상기 변환된 댓글 데이터에 대한 토큰화(Tokenization)하는 전처리를 수행하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 복수의 등급은 2차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제1 등급, 상기 복수의 1차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제2 등급 및 상기 제1 등급 또는 상기 제2 등급으로 분류되지 못한 댓글 데이터가 분류되는 제3 등급을 포함하며, 상기 어느 하나의 등급으로 분류하는 단계는, 기 학습된 분류 모델 - 상기 기 학습된 분류 모델은 복수의 댓글 데이터를 학습 데이터로 하여 사전학습(pre-training)되고, 상기 제1 등급 내지 상기 제3 등급 중 어느 하나의 등급으로 레이블링된 복수의 댓글 데이터를 학습 데이터로 하여 파인 튜닝(fine-tuning)된 자연어 처리 모델임 - 을 이용하여 상기 수집된 댓글 데이터를 분석함에 따라 상기 수집된 댓글 데이터를 상기 제1 등급 내지 상기 제3 등급 중 어느 하나의 등급으로 분류하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는, 상기 수집된 댓글 데이터를 분석하여 복수의 제1 키워드를 추출하고, 상기 추출된 복수의 제1 키워드 중 추출 횟수가 많은 제1 키워드부터 순차적으로 N개의 제1 키워드를 선택하는 단계, 상기 제1 등급으로 분류된 댓글 데이터를 분석하여 복수의 제2 키워드를 추출하고 상기 추출된 복수의 제2 키워드 중 추출 횟수가 많은 제2 키워드부터 순차적으로 M개의 제2 키워드를 선택하는 단계 및 상기 선택된 N개의 제1 키워드와 상기 선택된 M개의 제2 키워드를 비교하여 제1 핵심 키워드를 선정하고, 상기 2차 콘텐츠 예측 솔루션으로서 상기 선정된 제1 핵심 키워드를 이용하여 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 형태를 예측하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는, 상기 수집된 댓글 데이터를 분석하여 복수의 제1 키워드를 추출하고, 상기 추출된 복수의 제1 키워드 중 추출 횟수가 많은 제1 키워드부터 순차적으로 N개의 제1 키워드를 선택하는 단계, 상기 제2 등급으로 분류된 댓글 데이터를 분석하여 복수의 제3 키워드를 추출하고 상기 추출된 복수의 제3 키워드 중 추출 횟수가 많은 제3 키워드부터 순차적으로 K개의 제3 키워드를 선택하는 단계 및 상기 선택된 N개의 제1 키워드와 상기 선택된 K개의 제3 키워드를 비교하여 제2 핵심 키워드를 선정하고, 상기 2차 콘텐츠 예측 솔루션으로서 상기 선정된 제2 핵심 키워드를 이용하여 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 제작 대상을 예측하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는, 상기 복수의 1차 콘텐츠가 복수의 에피소드를 포함하는 웹툰 콘텐츠인 경우, 상기 복수의 에피소드별 상기 제1 등급 또는 상기 제2 등급으로 분류된 댓글 데이터의 수를 산출하고, 상기 산출된 댓글 데이터의 수에 기초하여 상기 복수의 에피소드 중 적어도 하나의 에피소드를 선택하는 단계 및 상기 2차 콘텐츠 예측 솔루션으로서 상기 선택된 적어도 하나의 에피소드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 제작 대상을 예측하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는, 상기 제1 등급 또는 상기 제2 등급으로 분류된 댓글 데이터를 분석하여 상기 복수의 1차 콘텐츠 각각에 대한 특성 정보를 추출하는 단계, 상기 추출된 특성 정보를 이용하여 상기 복수의 1차 콘텐츠를 클러스터링 함에 따라 복수의 클러스터를 생성하는 단계 및 상기 생성된 복수의 클러스터를 이용하여 상기 2차 콘텐츠 예측 솔루션으로서 상기 복수의 1차 콘텐츠 각각의 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 특성 정보를 추출하는 단계는, 상기 복수의 1차 콘텐츠 각각에 대한 특성 정보로서, 상기 복수의 1차 콘텐츠 각각에 대한 상기 제1 등급으로 분류된 댓글 데이터의 수와 상기 제2 등급으로 분류된 댓글 데이터의 수를 카운팅하되, 상기 제1 등급 또는 상기 제2 등급으로 분류된 댓글 데이터 각각에 포함된 평가 정보에 기초하여 가중치를 산출하고, 상기 산출된 가중치를 이용하여 상기 카운팅된 댓글 데이터의 수를 보정하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는, 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우, 상기 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠에 대응하는 2차 콘텐츠 형태에 기초하여, 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠의 형태를 예측하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는, 특정 1차 콘텐츠에 대하여, 2차 콘텐츠 판매 이력이 있는 복수의 다른 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 기초하여 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 예측하되, 상기 특정 1차 콘텐츠가 포함된 클러스터에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 있는 경우 상기 특정 1차 콘텐츠가 포함된 클러스터에 대한 가중치를 설정하고, 상기 설정된 가중치를 이용하여 상기 예측된 예상 판매량을 보정하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는, 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우, 상기 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠를 기준 1차 콘텐츠로 설정하고, 상기 기준 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 기초하여 수요 계수를 산출하는 단계, 상기 산출된 수요 계수를 이용하여 상기 특정 1차 콘텐츠가 포함된 클러스터에 대한 제1 예상 판매량 산출 함수를 도출하는 단계 및 상기 도출된 제1 예상 판매량 산출 함수에 상기 특정 1차 콘텐츠의 특성 정보로서 추출된 모수(population parameter) 값을 입력하여 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 수요 계수를 산출하는 단계는, 하기의 수학식 1을 이용하여 상기 수요 계수를 산출하는 단계를 포함하며, 상기 제1 예상 판매량 산출 함수를 도출하는 단계는, 상기 산출된 수요 계수와 상기 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 각각의 모수 값을 곱 연산하여 상기 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠에 대한 복수의 예상 판매량을 산출하고, 상기 산출된 복수의 예상 판매량을 선형적으로 모델링함에 따라 선형 함수 형태의 제1 예상 판매량 산출 함수를 도출하는 단계를 포함할 수 있다.

<수학식 1>

여기서, 상기 D_i-coef는 i번째 클러스터의 수요 계수, 상기 C_ref-sales는 상기 기준 1차 콘텐츠의 판매량 및 상기 C_ref-pam은 상기 기준 1차 콘텐츠의 모수 값일 수 있다.

다양한 실시예에서, 상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는, 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 부재한 경우, 상기 복수의 클러스터 각각에 포함된 복수의 1차 콘텐츠 중 상기 2차 콘텐츠 판매 이력이 있는 적어도 하나의 1차 콘텐츠를 선택하는 단계, 상기 선택된 적어도 하나의 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 기초하여 제2 예상 판매량 산출 함수를 도출하는 단계 및 상기 도출된 제2 예상 판매량 산출 함수에 상기 특정 1차 콘텐츠의 특성 정보로서 추출된 지표 값을 입력하여 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 특성 정보를 추출하는 단계는, 하기의 수학식 2를 이용하여 상기 특정 1차 콘텐츠의 특성 정보로서 지표 값을 산출하는 단계를 포함할 수 있다.

<수학식 2>

여기서, 상기 C_i-idx는 i번째 1차 콘텐츠의 지표 값, 상기 C_i-pam은 상기 i번째 1차 콘텐츠의 모수 값, 상기 N_i-1Tier는 상기 i번째 1차 콘텐츠의 댓글 데이터 중 상기 제1 등급으로 분류된 댓글 데이터의 수, 상기 N_i-2Tier는 상기 i번째 1차 콘텐츠의 댓글 데이터 중 상기 제2 등급으로 분류된 댓글 데이터의 수 및 상기 N_i-Episode는 상기 i번째 1차 콘텐츠의 총 연재 횟수일 수 있다.

다양한 실시예에서, 상기 제2 예상 판매량 산출 함수를 도출하는 단계는, 상기 선택된 적어도 하나의 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 포함된 판매량 정보와 상기 선택된 적어도 하나의 1차 콘텐츠의 특성 정보로서 추출된 지표 값을 회귀 분석 기반으로 모델링함에 따라 지수 함수 형태의 제2 예상 판매량 산출 함수를 도출하는 단계를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공장치는, 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 인스트럭션(instruction) 및 상기 수집된 댓글 데이터를 분석하여 상기 수집된 댓글 데이터를 복수의 등급 중 어느 하나의 등급으로 분류하는 인스트럭션 및 상기 분류된 댓글 데이터를 이용하여 상기 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 인스트럭션을 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은, 컴퓨팅 장치와 결합되어, 복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 단계, 상기 수집된 댓글 데이터를 분석하여 상기 수집된 댓글 데이터를 복수의 등급 중 어느 하나의 등급으로 분류하는 단계 및 상기 분류된 댓글 데이터를 이용하여 상기 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 단계를 포함하는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장될 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 다양한 실시예에 따르면, 1차 콘텐츠에 대한 리뷰 및 평가뿐만 아니라, 작가와 독자 또는 독자들 간의 의견 공유 및 소통, 니즈 표출 및 작품에 대한 아이디어, 영감 제공 등 다양한 기능 및 역할을 담당하는 댓글을 수집하고, 수집된 댓글을 빅데이터 분석함에 따라 사용자의 니즈를 정확하게 파악하며, 이를 이용하여 2차 콘텐츠의 형태, 제작 대상 및 예상 판매량을 예측함으로써, 사용자의 니즈를 반영한 2차 콘텐츠 제작 및 판매를 보조할 수 있고, 초기 기획 단계를 자동화하여 시장의 수요에 빠르게 대응할 수 있다는 이점이 있다.

또한, 1차 콘텐츠의 피드백 데이터인 댓글을 빅데이터 분석함에 따라 사용자들의 니즈를 데이터화할 수 있고, 데이터화된 사용자들의 니즈를 활용함으로써, 원천 콘텐츠의 활용 가능성을 증대시킬 수 있다는 이점이 있다.

또한, 사용자의 니즈를 반영한 2차 콘텐츠 기획을 수행함에 있어서, 데이터 드리븐(Data-driven)기반으로 접근하여 사용자의 니즈에 대한 정량적인 근거를 제시함으로써, 2차 콘텐츠 개발 및 기획에 있어서 최대 리스크인 수요 예측 문제를 해결할 수 있다는 이점이 있다.

또한, 댓글을 빅데이터 분석하여 사용자의 니즈를 파악하는 시스템을 구축함으로써, 웹툰뿐만 아니라, 드라마, 영화 등 댓글과 같은 피드백 데이터가 존재하는 모든 콘텐츠 플랫폼에 범용적으로 적용 가능하다는 이점이 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법의 순서도이다.
도 4는 다양한 실시예에서, 1차 콘텐츠로부터 댓글 데이터를 수집하는 형태를 예시적으로 도시한 도면이다.
도 5는 다양한 실시예에서, 수집된 댓글 데이터를 기반으로 생성된 댓글 테이블을 예시적으로 도시한 도면이다.
도 6은 다양한 실시예에서, 댓글 데이터에 대한 등급을 분류하는 과정을 도시한 도면이다.
도 7은 다양한 실시예에서, 2차 콘텐츠의 형태를 예측하는 방법을 설명하기 위한 순서도이다.
도 8은 다양한 실시예에서, 2차 콘텐츠의 제작 대상을 예측하는 방법을 설명하기 위한 순서도이다.
도 9는 다양한 실시예에서, 등급별로 분류된 댓글 데이터를 분석하여 추출된 키워드의 리스트를 예시적으로 도시한 도면이다.
도 10은 다양한 실시예에서, 에피소드별 전체 댓글 및 등급 댓글의 변화 추이를 나타낸 그래프를 예시적으로 도시한 도면이다.
도 11은 다양한 실시예에서, 2차 콘텐츠의 예상 판매량을 예측하는 방법을 설명하기 위한 순서도이다.
도 12는 다양한 실시예에서, 특성 정보를 기반으로 생성된 특성 테이블을 예시적으로 도시한 도면이다.
도 13은 다양한 실시예에서, 지표 값(idx)의 이상치 제거 및 하한선 설정 과정을 설명하기 위한 도면이다.
도 14는 다양한 실시예에서, 복수의 1차 콘텐츠에 대한 클러스터링 결과를 예시적으로 도시한 도면이다.
도 15는 다양한 실시예에서, 동일 클러스터 내에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우의 예상 판매량 산출 방법을 설명하기 위한 순서도이다.
도 16은 다양한 실시예에서, 제1 예상 판매량 산출 함수의 그래프를 예시적으로 도시한 도면이다.
도 17은 다양한 실시예에서, 동일 클러스터 내에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 부재한 경우의 예상 판매량 산출 방법을 설명하기 위한 순서도이다.
도 18은 다양한 실시예에서, 제2 예상 판매량 산출 함수의 그래프를 예시적으로 도시한 도면이다.
도 19는 다양한 실시예에서, 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법을 수행함에 따라 추출된 결과를 출력하는 의사결정 대시보드를 예시적으로 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서 1차 콘텐츠는 복수의 만화 이미지(컷)를 각각 포함하는 복수의 에피소드를 포함하는 웹툰 콘텐츠이고, 2차 콘텐츠는 웹툰 콘텐츠에 기초하여 제작 가능한 피규어, 인형, 패브릭(의류, 쿠션, 파자마 등), 문구(다이어리, 플래너, 달력 등), 드라마, 영화, 애니메이션, 게임, 악세서리, 포토(스티커, 명함, 액자 등), 키링, 아크릴 스탠드, 일러스트(엽서, 포스터, 일러스트 북 등), 생활용품(텀블러, 사무용품 등), 이모티콘 등인 것으로 설명하고 있으나, 이에 한정되지 않고, 1차 콘텐츠는 댓글과 같은 피드백 데이터가 존재하는 모든 콘텐츠(예: 드라마, 예능, 다큐와 같은 방송 프로그램, 영화, 만화, 게임 등)에 적용이 가능하다. 따라서, 본 명세서에서 제1 콘텐츠가 웹툰 콘텐츠인 것을 전제로 하더라도, 드라마, 영화 콘텐츠 등 다양한 종류의 콘텐츠로도 해석될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

또한, 본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 발명의 일 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공시스템을 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공시스템은 2차 콘텐츠 예측 솔루션 제공장치(100), 사용자 단말(200), 외부 서버(300) 및 네트워크(400)를 포함할 수 있다.

여기서, 도 1에 도시된 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.

일 실시예에서, 2차 콘텐츠 예측 솔루션 제공장치(100)(이하, "컴퓨팅 장치(100)")는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션을 제공할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 1차 콘텐츠(예: 웹툰)를 제공하는 콘텐츠 플랫폼 운용 서버로부터 사용자들로부터 입력 및 등록된 1차 콘텐츠의 댓글 데이터를 수집할 수 있고, 수집된 댓글 데이터를 빅데이터 분석하여 1차 콘텐츠에 대한 사용자들의 니즈를 파악할 수 있으며, 이를 기반으로 2차 콘텐츠 예측 솔루션을 제공할 수 있다.

여기서, 2차 콘텐츠 예측 솔루션은 사용자의 니즈가 반영된 2차 콘텐츠를 기획 및 제작함에 있어서 필요한 정보 즉, 사용자의 니즈를 반영한 2차 콘텐츠의 형태 및 제작 대상과, 이러한 형태 및 제작 대상으로 제작된 2차 콘텐츠의 예상 판매량 등을 예측하고, 이에 대한 정보를 제공하는 것을 의미할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 네트워크(400)는 사용자 단말(200)과 연결될 수 있으며, 사용자 단말(200)로 댓글의 빅데이터 분석을 통해 도출된 사용자들의 니즈에 관한 정보와 이에 따른 2차 콘텐츠 예측 솔루션을 제공할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 도 19에 도시된 바와 같이, 특정 1차 콘텐츠를 제작한 작가 또는 특정 1차 콘텐츠에 대응하는 2차 콘텐츠를 제작하고자 하는 제작자에게 특정 1차 콘텐츠에 관한 정보 및 이를 기반으로 도출된 2차 콘텐츠 예측 솔루션 결과(예: 1차 콘텐츠에 대응하는 2차 콘텐츠의 형태 및 제작 대상과 2차 콘텐츠의 예상 판매량에 관한 정보)를 출력하는 대시보드를 제공함으로써, 작가 또는 제작자가 2차 콘텐츠 기획 및 제작하는 과정에서의 의사결정을 보조할 수 있다.

여기서, 사용자 단말(200)은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으나, 이에 한정되지 않는다.

또한, 여기서, 네트워크(400)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함할 수 있다.

또한, 여기서, 무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등을 포함할 수 있으나, 이에 한정되지는 않는다.

일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 컴퓨팅 장치(100)와 연결될 수 있으며, 컴퓨팅 장치(100)가 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법을 수행하기 위해 필요한 각종 정보/데이터를 컴퓨팅 장치(100)에 제공하거나, 컴퓨팅 장치(100)로부터 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법을 수행함에 따라 생성되는 각종 정보/데이터를 제공받아 저장 및 관리할 수 있다.

다양한 실시예에서, 외부 서버(300)는 복수의 1차 콘텐츠에 대한 댓글 데이터를 제공하는 콘텐츠 플랫폼 운용 서버 및 컴퓨팅 장치(100)의 외부에 별도로 구비되는 저장 서버를 포함할 수 있으나, 이에 한정되지 않는다. 이하, 도 2를 참조하여 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법을 수행하는 컴퓨팅 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.

도 2는 본 발명의 다른 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공장치의 하드웨어 구성도이다.

도 2를 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.

또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(130)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(140)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.

스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(100)를 통해 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공 프로세스를 수행하는 경우, 스토리지(150)는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.

스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.

일 실시예에서, 컴퓨터 프로그램(151)은 복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 단계, 수집된 댓글 데이터를 분석하여 수집된 댓글 데이터를 복수의 등급 중 어느 하나의 등급으로 분류하는 단계 및 분류된 댓글 데이터를 이용하여 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 단계를 포함하는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다. 본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3을 참조하여, 컴퓨팅 장치(100)에 의해 수행되는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법에 대해 설명하도록 한다.

도 3은 본 발명의 또 다른 실시예에 따른 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법의 순서도이다.

도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠에 대한 댓글 데이터를 수집할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 네트워크(400)를 통해 복수의 1차 콘텐츠를 게시하는 콘텐츠 플랫폼 운용 서버와 연결될 수 있고, 콘텐츠 플랫폼 운용 서버로부터 실시간 또는 기 설정된 주기(예: 1차 콘텐츠 업데이트 주기)마다 복수의 1차 콘텐츠에 대응하여 등록된 댓글 데이터를 수집할 수 있다.

여기서, 댓글 데이터는 도 4에 도시된 바와 같이, 댓글, 댓글 작성 시간, 평가 정보(예: 댓글의 좋아요 수 및 싫어요 수 등)을 포함하는 댓글 정보와 복수의 1차 콘텐츠 또는 복수의 1차 콘텐츠 각각에 포함된 단위 콘텐츠(예: 회차, 에피소드)별 평가 정보(예: 좋아요 수, 평가자 수 및 평점 등)을 포함하는 메타 정보를 포함할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 크롤링(Crawling)을 통해 복수의 1차 콘텐츠가 등록된 플랫폼으로부터 복수의 1차 콘텐츠 각각에 대한 복수의 댓글 데이터를 수집할 수 있다. 예를 들어, 복수의 1차 콘텐츠가 등록된 플랫폼이 웹(Web) 형태로 구현된 경우, Auto-crawler 기반 웹 크롤링 기술을 이용하여 복수의 1차 콘텐츠 각각에 대한 복수의 댓글 데이터를 수집할 수 있다.

이때, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠 각각이 게시, 등록 또는 연재된 이후에 등록된 모든 댓글 정보 및 메타 정보를 수집하되, 댓글 정보의 경우 기 등록된 모든 댓글 정보를 통합하여 수집할 수 있고, 메타 정보의 경우 복수의 1차 콘텐츠 각각에 포함된 에피소드별로 구분하여 수집할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 크롤링을 통해 수집된 복수의 댓글 데이터에 대한 전처리(Pre-processing)를 수행할 수 있다. 여기서, 복수의 댓글 데이터에 대한 전처리 작업은 후술되는 댓글 데이터 분류 동작(예: S120 단계)를 수행하기 위해 복수의 댓글 데이터를 가공하는 과정을 의미할 수 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(100)는 복수의 댓글 데이터가 텍스트 기반의 줄글 형태의 댓글을 포함하는 경우, 댓글에 포함된 노이즈를 제거할 수 있다. 여기서, 노이즈는 이모티콘, 외국어, 특수문자 및 공백문자 등을 포함할 수 있으나, 이에 한정되지 않고, 정확한 의미 파악이 불가한 텍스트(단어, 구, 절 문장 등)나, 동일한 내용이 기 설정된 횟수 이상 반복된 텍스트도 노이즈로서 제거할 수 있다.

이후, 컴퓨팅 장치(100)는 복수의 댓글 데이터 중 노이즈가 제거된 댓글의 길이가 제1 길이 미만 즉, 2글자 이하로 매우 짧거나 또는 제2 길이를 초과 즉, 500글자를 초과하여 너무 긴 댓글 데이터를 필터링할 수 있다. 그러나, 이에 한정되지 않는다.

이후, 컴퓨팅 장치(100)는 복수의 댓글 데이터 중 필터링된 댓글 데이터를 제외한 나머지 댓글 데이터를 기 설정된 포맷(예: 유니코드(UTF-8))으로 변환할 수 있고, 변환된 댓글 데이터를 후술되는 분류 모델로 처리하기 위해, 변환된 댓글 데이터에 대한 토큰화(Tokenization)를 수행함으로써, 댓글에 포함된 단어들 각각을 토큰화할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 WPM(Wordpiece model)을 통해 BPE(Byte Pair Encoding으로, 자연어 처리 모델에서 널리 활용되는 정보 압축 알고리즘)의 변형 알고리즘으로 코퍼스(corpus)의 우도(likelihood)를 최대화하는 방식으로 복수의 단어 각각을 토큰화할 수 있다.

여기서, 토큰화되는 단어의 의미는 하나의 단어일 수 있으나, 이에 한정되지 않고, 경우에 따라 둘 이상의 단어를 포함하는 구, 절, 문장일 수 있다. 예를 들어, 둘 이상의 단어가 조합됨에 따라 둘 이상의 단어 각각의 의미와 상이한 의미를 표현하는 경우, 둘 이상의 단어를 하나로 그룹화하여 토큰화할 수 있다. 그러나, 이에 한정되지 않는다.

이후, 컴퓨팅 장치(100)는 상기와 같이 전처리된 댓글 데이터를 테이블 형태로 저장할 수 있다(예: 도 5). 여기서, 댓글 테이블은 csv, xlsx, database(MYSQL) 중 적어도 하나의 형식으로 저장될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 설정된 주기마다 수집되는 복수의 1차 콘텐츠에 대한 댓글 데이터를 전처리하고, 전처리된 댓글 데이터를 이용하여 댓글 테이블에 기록된 정보를 지속적으로 업데이트 함으로써, 사용자의 니즈를 실시간으로 반영한 2차 콘텐츠 예측 솔루션을 가능하게 할 수 있다.

S120 단계에서, 컴퓨팅 장치(100)는 S110 단계를 거쳐 수집된 댓글 데이터(또는 전처리된 댓글 데이터)를 분석하여 댓글 데이터를 복수의 등급 중 어느 하나의 등급으로 분류할 수 있다.

여기서, 복수의 등급은 2차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터 즉, 2차 콘텐츠에 대한 직접적인 내용을 포함하는 1티어(1-Tier) 댓글 데이터가 분류되는 제1 등급, 복수의 1차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터 즉, 2차 콘텐츠와 관련된 키워드는 없으나 1차 콘텐츠 또는 1차 콘텐츠에 포함된 에피소드, 캐릭터에 대한 선호도 정보를 포함하는 2티어 댓글 데이터가 분류되는 제2 등급 및 제1 등급 또는 제2 등급으로 분류되지 못한 나머지 댓글 데이터 즉, 3티어 댓글 데이터가 분류되는 제3 등급을 포함할 수 있으나, 이에 한정되지 않고, 복수의 등급은 제1 등급 및 제2 등급만을 포함하며, 제1 등급 또는 제2 등급으로 분류되지 않은 댓글 데이터에 대해서는 등급을 분류하지 않을 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 도 6에 도시된 바와 같이, 기 학습된 분류 모델(10)을 이용하여 복수의 댓글 데이터를 분석함으로써, 복수의 댓글 데이터 각각을 제1 등급 내지 제3 등급 중 어느 하나의 등급으로 분류할 수 잇다.

여기서, 기 학습된 분류 모델(Korean-Comments BERT, KoCoBERT)(10)은 복수의 댓글 데이터를 학습 데이터로 하여 사전학습(pre-training)되고, 제1 등급 내지 상기 제3 등급 중 어느 하나의 등급으로 레이블링된 복수의 댓글 데이터를 학습 데이터로 하여 파인 튜닝(fine-tuning)된 자연어 처리 모델, 예를 들어, 기 학습된 분류 모델(10)은 자연어 처리 신경망인 BERT를 기반으로 구현된 딥러닝 자연어 처리 모델일 수 있으나, 이에 한정되지 않는다.

여기서, 딥러닝 모델(예: 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐, 이에 한정되지 않는다.

다양한 실시예에서, 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다.

교사 학습의 경우 각각의 학습 데이터에 정답이 레이블링되어있는 학습 데이터를 사용하며(즉, 레이블링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 레이블링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 레이블링 된 데이터 일 수 있다. 레이블링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 레이블을 비교함으로써 오류(error)가 계산될 수 있다.

다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다.

입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

S130 단계에서, 컴퓨팅 장치(100)는 S120 단계를 거쳐 복수의 댓글 데이터를 분류한 결과를 이용하여 2차 콘텐츠의 형태를 예측할 수 있다. 이하, 도 7 내지 10을 참조하여 설명하도록 한다.

도 7은 다양한 실시예에서, 2차 콘텐츠의 형태를 예측하는 방법을 설명하기 위한 순서도이다.

도 7을 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 복수의 댓글 데이터를 분석하여 키워드를 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 1차 콘텐츠에 대하여 수집된 전체 댓글 데이터를 분석함으로써 복수의 제1 키워드를 추출할 수 있고, 전체 댓글 데이터 중 제1 등급으로 분류된 댓글 데이터만을 선택적으로 분석하여 복수의 제2 키워드를 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 자연어 분석 모델을 이용하여 댓글 데이터를 분석함으로써, 댓글 데이터를 형태소 단위로 분리할 수 있고, 분리된 형태소 각각을 키워드로서 추출할 수 있다. 이때, 컴퓨팅 장치(100)는 추출된 키워드 중 관형사, 부사, 감탄사, 조사 등과 같이 의미론적 추론이 불가능한 형태소에 대응하는 키워드를 제외하고 체언(명사), 용언(동사, 형용사)에 대응되는 키워드만을 추출할 수 있다. 그러나, 이에 한정되지 않는다.

S210 단계에서, 컴퓨팅 장치(100)는 복수의 제1 키워드와 복수의 제2 키워드를 비교하여 제1 핵심 키워드를 선정할 수 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(100)는 도 9의 (A)에 도시된 바와 같이 복수의 제1 키워드 중 추출 횟수(빈도수)가 많은 제1 키워드부터 순차적으로 정렬하고, 정렬된 순서에 따라 상위 N개의 제1 키워드를 선택할 수 있다.

또한, 컴퓨팅 장치(100)는 도 9의 (B)에 도시된 바와 같이 복수의 제2 키워드 중 추출 횟수(빈도수)가 많은 제2 키워드부터 순차적으로 정렬하고, 정렬된 순서에 따라 상위 M개의 제2 키워드를 선택할 수 있다.

여기서, 제1 키워드는 전체 댓글 데이터로부터 추출되는 키워드이고, 제2 키워드는 일부 댓글 데이터로부터 추출되는 키워드인 바, 제1 키워드의 개수(N)는 제2 키워드의 개수(M)보다 많게 설정될 수 있으나, 이에 한정되지 않고, 동일한 개수의 제2 키워드와 제2 키워드가 선택될 수 있다.

이후, 컴퓨팅 장치(100)는 N개의 제1 키워드와 M개의 제2 키워드를 비교하여 동일한 키워드를 선택하고, 선택한 키워드를 제1 핵심 키워드로서 선정할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 N개의 제1 키워드와 M개의 제2 키워드를 비교하여 동일한 키워드를 제1 핵심 키워드로 선정하되, N개의 제1 키워드와 M개의 제2 키워드가 동일한 키워드를 포함하지 않는 경우 제1 키워드 및 제2 키워드의 선택 개수를 순차적으로 증가시키며 비교함으로써, 제1 핵심 키워드를 선정할 수 있다.

또한, 컴퓨팅 장치(100)는 키워드 선택 개수를 기 설정된 최대치까지 증가시켰음에도 불구하고 제1 키워드와 제2 키워드 간에 동일한 키워드가 없을 경우, 해당 1차 콘텐츠가 2차 콘텐츠 제작에 부적합한 콘텐츠인 것으로 결정할 수 있다. 그러나, 이에 한정되지 않는다.

S230 단계에서, 컴퓨팅 장치(100)는 S220 단계를 거쳐 선정된 제1 핵심 키워드를 이용하여 2차 콘텐츠의 형태를 예측할 수 있다.

제1 등급으로 분류되는 댓글 데이터는 2차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터 즉, 2차 콘텐츠에 대한 직접적인 내용을 포함하는 댓글 데이터이고, 제1 핵심 키워드는 제1 등급으로 분류된 댓글 데이터로부터 추출된 제2 키워드 즉, 2차 콘텐츠에 대한 직접적인 내용을 포함하는 키워드를 이용하여 선정된 것인 바, 제1 핵심 키워드를 통해 사용자의 니즈가 반영된 2차 콘텐츠의 형태(예: 굿즈, 이모티콘, 드라마, 영화, 단행본 등)를 예측할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠에 대한 클러스터링을 수행함에 따라 복수의 클러스터를 생성할 수 있고, 생성된 복수의 클러스터를 이용하여 2차 콘텐츠의 형태를 예측할 수 있다.

복수의 1차 콘텐츠에 대한 특성 정보에 기초하여 클러스터링을 수행함에 따라 복수의 클러스터를 생성할 경우, 각각의 클러스터에 포함된 1차 콘텐츠 들은 동일한 특성 정보를 가지는 바, 동일한 클러스터에 포함된 1차 콘텐츠들의 2차 콘텐츠의 형태는 유사할 수 있다. 예를 들어, 귀여운 느낌을 주는 캐릭터를 중심으로 스토리가 전개되는 웹툰과 동일한 클러스터로 묶인 다른 웹툰들도 해당 웹툰과 동일하게 역시 귀여운 느낌의 캐릭터를 중심으로 전개되는 것일 수 있으며, 이에 따라 해당 웹툰들을 이용하는 사용자의 성향이 유사하기 때문에 이러한 사람들의 니즈가 반영된 2차 콘텐츠의 형태 역시 유사할 것이라고 추측될 수 있다.

따라서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠가 포함된 클러스터 내에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 있는 경우, 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠에 대응하는 2차 콘텐츠의 형태에 기초하여 특정 1차 콘텐츠에 대응하는 2차 콘텐츠의 형태를 예측할 수 있다. 여기서, 복수의 1차 콘텐츠를 클러스터링하는 방법은 도 11을 참조하여 후술하도록 한다.

도 8은 다양한 실시예에서, 2차 콘텐츠의 제작 대상을 예측하는 방법의 순서도이다.

도 8을 참조하면, S310 단계에서, 컴퓨팅 장치(100)는 1차 콘텐츠에 대한 전체 댓글 데이터를 분석하여 복수의 제1 키워드를 추출할 수 있고, 전체 댓글 데이터 중 제2 등급으로 분류된 댓글 데이터만을 선택적으로 분석하여 복수의 제3 키워드를 추출할 수 있다. 여기서, 키워드를 추출하는 방법은 도 7의 S210 단계와 동일 또는 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.

S320 단계에서, 컴퓨팅 장치(100)는 복수의 제1 키워드와 복수의 제3 키워드를 비교하여 K개의 제3 키워드를 선택하고, 선택한 K개의 제3 키워드를 제2 핵심 키워드를 선정할 수 있다. 여기서, 제2 핵심 키워드를 선정하는 방법은 도 7의 S220 단계와 동일 또는 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.

S330 단계에서, 컴퓨팅 장치(100)는 S320 단계를 거쳐 선정된 제2 핵심 키워드를 이용하여 2차 콘텐츠의 제작 대상을 예측할 수 있다.

제2 등급으로 분류되는 댓글 데이터는 복수의 1차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터 즉, 2차 콘텐츠와 관련된 키워드는 없으나 1차 콘텐츠 또는 1차 콘텐츠에 포함된 에피소드, 캐릭터에 대한 선호도 정보를 포함하는 댓글 데이터이고, 제2 핵심 키워드는 제2 등급으로 분류된 댓글 데이터로부터 추출된 제3 키워드 즉, 2차 콘텐츠 개발에 적합한 대상에 관한 내용을 포함하는 키워드를 이용하여 선정된 것인 바, 제2 핵심 키워드를 통해 사용자의 니즈가 반영된 2차 콘텐츠의 제작 대상(예: 2차 콘텐츠화를 위한 캐릭터, 장면 등)을 예측할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠가 복수의 에피소드를 포함하는 웹툰 콘텐츠인 경우, 복수의 에피소드별 제1 등급 또는 제2 등급으로 분류된 댓글 데이터의 수를 산출하고, 산출된 댓글 데이터의 수에 기초하여 복수의 에피소드 중 적어도 하나의 에피소드를 선택할 수 있으며, 선택된 적어도 하나의 에피소드를 기반으로 2차 콘텐츠의 제작 대상을 예측할 수 있다.

일례로, 컴퓨팅 장치(100)는 도 10에 도시된 바와 같이 에피소드가 진행됨에 따라 전체 댓글 데이터의 수와 제1 등급 또는 제2 등급으로 분류된 댓글 데이터의 수를 추적하여 제1 등급 또는 제2 등급으로 분류된 댓글 데이터가 많은 순서대로 N개의 에피소드를 추출할 수 있고, 추출된 에피소드를 기반으로 2차 콘텐츠 제작 대상을 예측할 수 있다.

이때, 컴퓨팅 장치(100)는 추출된 에피소드에 복수의 이미지(컷)가 포함되어 있고, 복수의 이미지마다 개별적인 댓글 데이터의 입력이 가능한 경우, 복수의 이미지 각각에 대한 제1 등급 또는 제2 등급으로 분류된 댓글 데이터의 수를 산출하여 댓글 데이터의 수가 많은 이미지 즉, 제1 등급 또는 제2 등급의 댓글을 유발한 장면, 캐릭터나 스토리에 대한 몰입을 유도한 핵심 장면을 추측할 수 있고, 해당 장면에 대응하는 이미지를 참조하여 2차 콘텐츠의 제작 대상을 예측할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 해당 장면에 포함된 캐릭터를 2차 콘텐츠 제작 대상으로 예측하거나, 해당 장면에 대응하는 이미지 자체를 2차 콘텐츠 제작 대상으로 예측할 수 있으나, 이에 한정되지 않는다.

다시, 도 3을 참조하면, S140 단계에서, 컴퓨팅 장치(100)는 S120 단계를 거쳐 복수의 댓글 데이터를 분류한 결과를 이용하여 2차 콘텐츠의 예상 판매량을 예측할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠의 2차 콘텐츠 판매 데이터를 기반으로 2차 콘텐츠의 예상 판매량을 예측할 수 있다.

통상적으로, 대부분의 웹툰 콘텐츠와 관련된 2차 콘텐츠(예: 굿즈)는 크라우드 펀딩을 통해 제작되기 때문에, 펀딩 결과에 따라 금액, 판매량을 대략적으로 산출할 수 있다. 따라서, 컴퓨팅 장치(100)는 이러한 금액 및 판매량 정보를 포함하는 판매 데이터를 활용함으로써, 2차 콘텐츠의 최소 예상 수요를 예측할 수 있다. 이하, 도 11 내지 18을 참조하여 설명하도록 한다.

도 11은 다양한 실시예에서, 2차 콘텐츠의 예상 판매량을 예측하는 방법을 설명하기 위한 순서도이다.

도 11을 참조하면, S410 단계에서, 컴퓨팅 장치(100)는 제1 등급 또는 상기 제2 등급으로 분류된 댓글 데이터를 분석하여 복수의 1차 콘텐츠 각각에 대한 특성 정보(Feature)를 추출할 수 있다.

여기서, 특성 정보는 콘텐츠가 웹툰 콘텐츠일 경우, 웹툰 제목(Title), 웹툰 고유 ID(Title ID), 총 연재 횟수(Episod), 연재 요일(Day), 인기도 순위(Rank_by_pop), 조회수 순위(Rank_bu_views), 평균 좋아요 수(Likes), 평균 평가자 수(Raters), 평균 댓글 수(Comments), 평균 평점(rate), 제1 등급으로 분류된 댓글 데이터의 수(Num_of_1tier), 제2 등급으로 분류된 댓글 데이터의 수(Num_of_2tier), 좋아요 및 평가자 수의 평균(Avg_Ir), 클러스터(Cluster), XY 좌표(예: 후술되는 차원 축소 과정을 통해 생성된 2차원 공간에 대한 XY좌표), 모수(population parameter, Pam)(콘텐츠 활성 이용자 수), 회당 평균 제1 등급 댓글 데이터 수(avg_of_1tier_for_epi), 회당 평균 제2 등급 댓글 데이터 수(avg_of_2tier_for_epi), 티어 댓글 가중치(weighted_total_tier), 회당 티어 댓글 가중치(wtt_for_epi) 및 지표(idx)를 포함할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 하기의 수학식 2를 이용하여, 특정 1차 콘텐츠에 대한 특성 정보로서 지표 값(IDX)을 산출할 수 있다.

<수학식 2>

여기서, C_i-idx는 i번째 1차 콘텐츠의 지표 값, C_i-pam은 i번째 1차 콘텐츠의 모수 값, N_i-1Tier는 i번째 1차 콘텐츠의 댓글 데이터 중 제1 등급으로 분류된 댓글 데이터의 수, N_i-2Tier는 i번째 1차 콘텐츠의 댓글 데이터 중 제2 등급으로 분류된 댓글 데이터의 수 및 N_i-Episode는 상기 i번째 1차 콘텐츠의 총 연재 횟수일 수 있다.

또한, 여기서,

는 티어 댓글 가중치(weighted_total_tier),

는 회당 티어 댓글 가중치(wtt_for_epi)일 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠 각각에 대한 특성 정보로서 복수의 1차 콘텐츠 각각에 대한 제1 등급으로 분류된 댓글 데이터의 수(Num_of_1tier)와 제2 등급으로 분류된 댓글 데이터의 수(Num_of_2tier)를 카운팅할 수 있다.

이때, 컴퓨팅 장치(100)는 제1 등급으로 분류된 댓글 데이터의 수(Num_of_1tier)와 제2 등급으로 분류된 댓글 데이터의 수(Num_of_2tier)를 카운팅하되, 제1 등급 또는 제2 등급으로 분류된 댓글 데이터 각각에 포함된 평가 정보에 기초하여 가중치를 산출하고, 산출된 가중치를 이용하여 카운팅된 댓글 데이터의 수를 보정할 수 있다.

보다 구체적으로, 컴퓨팅 장치(100)는 하기의 수학식 3을 이용하여 가중치를 산출할 수 있고, 산출된 가중치를 이용하여 댓글 데이터의 수를 보정할 수 있다.

<수학식 3>

여기서, N_sympathy는 댓글 데이터의 좋아요 수 및 N_hate는 댓글 데이터에 대한 싫어요 수일 수 있다. 예를 들어, 1개의 특정 댓글 데이터에 대하여 좋아요 수가 112개이고, 싫어요 수가 7인 경우, 좋아요 수와 싫어요 수 각각을 상기의 수학식 3에 대입함에 따라 특정 댓글 데이터의 개수를 1개가 아닌 약 2.14개로 카운트할 수 있다. 이를 통해, 사용자들로부터 더 많은 공감을 받은 댓글 데이터가 더 비중 있게 반영되도록 할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 학습된 분류 모델(10)의 정확도(Accuracy)에 기초하여, 제1 등급으로 분류된 댓글 데이터의 수와 제2 등급으로 분류된 댓글 데이터의 수를 보정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 기 학습된 분류 모델(10)의 정확도가 약 90%인 경우, 제1 등급으로 분류된 댓글 데이터의 수와 제2 등급으로 분류된 댓글 데이터의 수 각각에 0.9의 가중치를 부여하여 보정할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠로부터 추출된 특성 정보에 기초하여, 특성 테이블(예: 도 12)을 생성할 수 있다. 여기서, 특성 테이블은 도 12에 도시된 바와 같이 22개의 특성 정보 항목을 포함하는 형태로 구현될 수 있으나, 이에 한정되지 않고, 특성 테이블은 1차 콘텐츠를 제공하는 콘텐츠 플랫폼에 따라 상이한 형태로 구현될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 설정된 주기마다 수집되는 복수의 1차 콘텐츠에 대한 댓글 데이터에 기초하여 복수의 1차 콘텐츠 각각에 대한 특성 정보를 추출할 수 있고, 추출된 특성 정보를 이용하여 특성 테이블을 지속적으로 업데이트함으로써, 사용자의 니즈를 실시간으로 반영한 2차 콘텐츠 예측 솔루션을 가능하게 할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠로부터 추출된 특성 정보에 기초하여 복수의 1차 콘텐츠 중 적어도 하나의 1차 콘텐츠를 필터링할 수 있다. 예를 들어, 1차 콘텐츠에 대한 특성 정보로서 추출되는 지표 값(idx)의 분포는 직관적으로 정규분포 형태를 가지기 때문에, 지표 값을 기준으로 정규분포를 모델링 하는 경우, 도 12의 (A)에 도시된 바와 같이 정규분포 형태를 보일 수 있다.

이를 이용하여, 컴퓨팅 장치(100)는 지표 값(idx) 기반의 정규분포 곡선에서, 소정의 범위(예: 1.92 내지 6.22) 내에 속하지 않는 지표 값을 이상치로 판단할 수 있고, 이상치로 판단된 지표 값을 가지는 1차 콘텐츠를 2차 콘텐츠 예측 솔루션 대상(예: 예상 판매량 산출 대상)에서 제외시킬 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠로부터 추출된 특성 정보에 기초하여, 2차 콘텐츠 제작 가능성의 판단을 위한 하한선을 설정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 도 12의 (B)에 도시된 바와 같이, 복수의 1차 콘텐츠 각각에 대한 특성 정보로서 추출된 지표 값을 선형회귀 모델링함에 따라 선형 함수를 도출할 수 있고, 도출된 선형 함수의 X축 절편 값을 이용하여 차 콘텐츠 제작 가능성의 판단을 위한 하한선을 설정할 수 있다.

통상적으로 지표 값 및 판매량 그래프에서 복수의 1차 콘텐츠 각각에 대한 지표 값의 분포를 살펴보면, 선형 함수가 아닌 지수 함수의 형태로 지표 값이 증가함에 따라 예상 판매량이 증가하는 경향을 보이나, 지수 함수의 경우 X축 절편 값을 산출하는 것이 불가능하기 때문에 2차 콘텐츠 제작 가능성의 판단을 위한 하한선을 설정할 수 없다는 문제가 있다. 이에 컴퓨팅 장치(100)는 하한선 설정을 위해 지표 값 및 판매량 그래프를 선형 함수 형태로 모델링하고, 선형 함수로 모델링된 그래프를 기반으로 2차 콘텐츠 제작 가능성의 판단을 위한 하한선을 설정할 수 있다.

S420 단계에서, 컴퓨팅 장치(100)는 S410 단계를 거쳐 추출된 복수의 1차 콘텐츠에 대한 특성 정보에 기초하여, 복수의 1차 콘텐츠를 클러스터링 할 수 있고, 이를 통해 복수의 클러스터를 생성할 수 있다(예: 도 14).

다양한 실시예에서, 컴퓨팅 장치(100)가 수행하는 클러스터링 동작은 복수의 클러스터를 생성하고 이를 통해 특정 1차 콘텐츠에 대응하는 2차 콘텐츠의 예상 판매량을 산출하기 위함인 바, 복수의 특성 정보 중 2차 콘텐츠의 수요와 직접적으로 연관된 특성 정보만을 선택적으로 이용하여 복수의 1차 콘텐츠를 클러스터링 할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 1차 콘텐츠 각각에 대한 제1 등급으로 분류된 댓글 데이터의 수, 제2 등급으로 분류된 댓글 데이터의 수, 평균 댓글 수, 평균 평가자 수, 평균 좋아요 수 및 회당 티어 댓글 가중치만을 선택적으로 이용하여 복수의 1차 콘텐츠를 클러스터링할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 UMAP(Uniform Manifold Approximation and Projection) 기반의 차원 축소 기술을 이용하여, 복수의 1차 콘텐츠 각각에 대한 특성 정보 데이터의 차원을 축소할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 상기와 같이 6개의 특성 정보를 선택적으로 이용함에 따라 생성되는 N(전체 1차 콘텐츠 개수)*6차원의 데이터를 U-MAP 기반으로 N*2차원의 데이터로 축소할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 비지도 학습 기반 클러스터링 방법(예: H-DBSCAN(Hierarchical Density-Based Spatial Clustering of Applications with Noise))을 이용하여 복수의 1차 콘텐츠를 클러스터링 함으로써, 복수의 클러스터를 생성할 수 있다. 이때, 컴퓨팅 장치(100)는 생성되는 클러스터의 개수가 N(전체 1차 콘텐츠 개수)/10 내지 N/7 범위 내의 값을 가지도록 파라미터를 조정하여 클러스터링을 수행할 수 있으나, 이에 한정되지 않는다.

S430 단계에서, 컴퓨팅 장치(100)는 S420 단계를 거쳐 생성된 복수의 클러스터를 이용하여 2차 콘텐츠 예측 솔루션으로서 복수의 1차 콘텐츠 각각의 예상 판매량을 예측할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠를 포함하는 클러스터를 이용하여 특정 1차 콘텐츠로 2차 콘텐츠 제작 시의 예상 판매량을 예측하되, 특정 1차 콘텐츠를 포함하는 클러스터 내에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 있는지 여부에 기초하여 상이한 방법에 따라 예상 판매량을 예측할 수 있다. 이하, 도 15 내지 18을 참조하여 보다 구체적으로 설명하도록 한다.

도 15는 다양한 실시예에서, 동일 클러스터 내에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우의 예상 판매량 산출 방법을 설명하기 위한 순서도이다.

도 15를 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠를 포함하는 클러스터 내에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우, 특정 1차 콘텐츠가 포함된 클러스터에 포함된 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠의 2차 콘텐츠 판매 데이터를 이용하여 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출할 수 있다.

통상적으로, 대부분의 웹툰 콘텐츠와 관련된 2차 콘텐츠(예: 굿즈)는 크라우드 펀딩을 통해 제작되기 때문에, 펀딩 결과에 따라 금액, 판매량을 대략적으로 산출할 수 있다. 즉, 2차 콘텐츠 판매 데이터는 2차 콘텐츠의 금액 및 판매량 정보를 포함하는 것인 바, 컴퓨팅 장치(100)가 이를 활용함으로써 2차 콘텐츠의 최소 예상 수요를 예측할 수 있다. 이때, 예상 콘텐츠를 예측하기 위해 사용되는 판매 데이터는 2차콘텐츠의 형태가 명확하며 판매량 혹은 펀딩 금액의 정량적인 측정이 가능한 경우만을 사용하며, 2차 콘텐츠 판매 이력은 대외적으로 수치가 명확하게 공지된 경우만을 취급하며 판매량, 투자금액 등은 최소치로 간주할 수 있다.

S510 단계에서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 다른 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우, 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠를 기준 1차 콘텐츠(Marker)로 설정하고, 기준 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 기초하여 수요 계수를 산출할 수 있다.

여기서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 둘 이상인 경우, 둘 이상의 1차 콘텐츠 중 판매율이 높은 1차 콘텐츠를 기준 1차 콘텐츠로 설정할 수 있으나, 이에 한정되지 않고, 둘 이상의 1차 콘텐츠에 대응하는 2차 콘텐츠 판매 데이터의 평균을 산출하여 산출된 평균값에 따른 기준 1차 콘텐츠를 생성할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 하기의 수학식 1을 이용하여 수요 계수를 산출할 수 있다.

<수학식 1>

여기서, D_i-coef는 i번째 클러스터의 수요 계수, C_ref-sales는 기준 1차 콘텐츠의 판매량 및 C_ref-pam은 기준 1차 콘텐츠의 모수 값일 수 있다.

S520 단계에서, 컴퓨팅 장치(100)는 S510 단계를 거쳐 산출된 수요 계수를 이용하여 제1 예상 판매량 산출 함수를 도출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 각각의 모수 값과 수요 계수의 곱 연산을 통해 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠에 대한 복수의 예상 판매량을 산출할 수 있고, 도 16에 도시된 바와 같이, 산출된 복수의 예상 판매량을 선형적으로 모델링함에 따라 선형 함수 형태의 제1 예상 판매량 산출 함수를 도출할 수 있다.

2차 콘텐츠의 예상 판매량에 대한 추정의 근거가 되는 판매 데이터의 위계구조가 반영된 클러스터링을 통해 생성된 복수의 클러스터 중 같은 클러스터에 포함된 1차 콘텐츠들은 모수(콘텐츠 활성 이용자 수)에 비례하여 동일한 수요 곡선을 가지는 바, 동일한 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠에 대한 판매 데이터로부터 해당 클러스터를 대표하는 수요 곡선을 추정할 수 있다.

S530 단계에서, 컴퓨팅 장치(100)는 S520 단계를 거쳐 도출된 제1 예상 판매량 산출 함수를 이용하여 특정 제1 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제1 예상 판매량 산출 함수에 특정 1차 콘텐츠의 특성 정보로서 추출된 모수(pam) 값을 입력함으로써, 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠를 포함하는 클러스터 내에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우, 가중치를 설정하여 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 보정할 수 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(100)는 복수의 클러스터 각각에 대하여 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는지 여부에 따라 복수의 클러스터 각각에 대한 가중치를 설정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 클러스터 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 클러스터에 가중치를 설정할 수 있다. 여기서, 가중치의 크기는 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠의 수에 따라 결정될 수 있으나, 이에 한정되지 않는다.이후, 컴퓨팅 장치(100)는 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재함에 따라 가중치가 설정된 특정 클러스터에 포함된 특정 1차 콘텐츠에 대하여, 2차 콘텐츠에 대한 예상 판매량을 산출한 경우, 산출된 2차 콘텐츠에 대한 예상 판매량에 특정 클러스터에 설정된 가중치를 부여하여 보정할 수 있다. 즉, 컴퓨팅 장치(100)는 특정 1차 콘텐츠에 대응하는 2차 콘텐츠의 수요를 예측함에 있어서, 2차 콘텐츠 판매 이력이 있는 다른 1차 콘텐츠와 동일한 클러스터로 분류된 것 자체만으로 특정 1차 콘텐츠에 대한 가산점을 부여할 수 있다.

도 17은 다양한 실시예에서, 동일 클러스터 내에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 부재한 경우의 예상 판매량 산출 방법을 설명하기 위한 순서도이다.

도 17을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 부재한 경우, 특정 1차 콘텐츠가 포함된 클러스터가 아닌 다른 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠들의 2차 콘텐츠 판매 데이터를 이용하여 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출할 수 있다.

S610 단계에서, 컴퓨팅 장치(100)는 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 부재한 경우, 특정 1차 콘텐츠가 포함된 클러스터가 아닌 다른 클러스터들에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 적어도 하나의 1차 콘텐츠를 선택할 수 있다.

여기서, 다른 클러스터들은 특정 1차 콘텐츠가 포함된 클러스터를 제외한 나머지 클러스터들 전체를 의미하는 것일 수 있으나, 이에 한정되지 않고, 복수의 클러스터들과 특정 1차 콘텐츠가 포함된 클러스터와의 거리에 기초하여 가장 가까운 거리에 위치하는 클러스터부터 순차적으로 이용할 수 있다.

S620 단계에서, 컴퓨팅 장치(100)는 S610 단계에서 선택된 적어도 하나의 1차 콘텐츠에 대응하는 2차 콘텐츠 판매 데이터를 이용하여 제2 예상 판매량 산출 함수를 도출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 적어도 하나의 1차 콘텐츠의 2차 콘텐츠 판매량 데이터에 포함된 판매량 정보와 적어도 하나의 1차 콘텐츠의 특성 정보로서 추출된 지표 값을 회귀 분석 기반으로 모델링함에 따라 지수 함수 형태의 제2 예상 판매량 산출 함수를 도출할 수 있다.

복수의 1차 콘텐츠 각각에 대한 지표 값에 따른 판매량을 보면 지수 함수 형태의 증가 추세를 보이는 바, 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠들의 판매량과 해당 1차 콘텐츠들의 지표 값을 지수 함수 형태로 모델링함으로써, 도 18에 도시된 바와 같이, 지표 값을 입력받아 예상 판매량을 산출할 수 있는 제2 예상 판매량 산출 함수를 도출할 수 있다.

S630 단계에서, 컴퓨팅 장치(100)는 S620 단계를 거쳐 도출된 제2 예상 판매량 산출 함수를 이용하여 특정 제1 콘텐츠의 2차 콘텐츠에 대한 예상 판매량을 예측할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 특정 1차 콘텐츠의 특성 정보로서 추출된 지표 값을 제2 예상 판매량 산출 함수에 입력함으로써, 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출할 수 있다.

전술한 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 2차 콘텐츠 예측 솔루션 제공장치(컴퓨팅 장치)
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크

Claims (18)

1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
   복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 단계;
   상기 수집된 댓글 데이터를 분석하여 상기 수집된 댓글 데이터를 복수의 등급 - 상기 복수의 등급은 2차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제1 등급, 상기 복수의 1차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제2 등급 및 상기 제1 등급 또는 상기 제2 등급으로 분류되지 못한 댓글 데이터가 분류되는 제3 등급을 포함함 - 중 어느 하나의 등급으로 분류하는 단계; 및
   상기 분류된 댓글 데이터를 이용하여 상기 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 단계를 포함하며,
   상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는,
   상기 제1 등급으로 분류된 댓글 데이터로부터 추출된 키워드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 형태를 예측하고, 상기 제2 등급으로 분류된 댓글 데이터로부터 추출된 키워드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 대상을 예측하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
2. 제1항에 있어서,
   상기 댓글 데이터를 수집하는 단계는,
   크롤링을 통해 상기 복수의 1차 콘텐츠가 등록된 플랫폼으로부터 상기 복수의 1차 콘텐츠 각각에 대한 복수의 댓글 데이터를 수집하되, 상기 복수의 댓글 데이터 각각은 댓글, 상기 댓글의 작성 시간, 평가 정보 중 적어도 하나를 포함하는 댓글 정보와 상기 복수의 1차 콘텐츠 또는 상기 복수의 1차 콘텐츠 각각에 포함된 단위 콘텐츠별 평가 정보를 포함하는 메타 정보를 포함하는 것인, 단계; 및
   상기 수집된 복수의 댓글 데이터에 대한 전처리(Pre-processing)를 수행하는 단계를 포함하며,
   상기 어느 하나의 등급으로 분류하는 단계는,
   상기 전처리된 복수의 댓글 데이터를 분석하여 상기 복수의 등급 중 어느 하나의 등급으로 분류하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
3. 제2항에 있어서,
   상기 전처리를 수행하는 단계는,
   상기 수집된 복수의 댓글 데이터 각각에 포함된 댓글이 텍스트 기반의 줄글 형태인 경우, 상기 댓글에 포함된 노이즈 - 상기 노이즈는 이모티콘, 외국어, 특수문자 및 공백문자 중 적어도 하나를 포함함 - 를 제거하는 단계;
   상기 수집된 복수의 댓글 데이터 중 상기 노이즈가 제거된 댓글의 길이가 제1 길이 미만이거나 또는 제2 길이를 초과하는 댓글 데이터를 필터링하는 단계; 및
   상기 수집된 복수의 댓글 데이터 중 상기 필터링된 댓글 데이터를 제외한 나머지 댓글 데이터를 기 설정된 포맷으로 변환하고, 상기 변환된 댓글 데이터에 대한 토큰화(Tokenization)하는 전처리를 수행하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
4. 제1항에 있어서,
   상기 어느 하나의 등급으로 분류하는 단계는,
   기 학습된 분류 모델 - 상기 기 학습된 분류 모델은 복수의 댓글 데이터를 학습 데이터로 하여 사전학습(pre-training)되고, 상기 제1 등급 내지 상기 제3 등급 중 어느 하나의 등급으로 레이블링된 복수의 댓글 데이터를 학습 데이터로 하여 파인 튜닝(fine-tuning)된 자연어 처리 모델임 - 을 이용하여 상기 수집된 댓글 데이터를 분석함에 따라 상기 수집된 댓글 데이터를 상기 제1 등급 내지 상기 제3 등급 중 어느 하나의 등급으로 분류하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
5. 제1항에 있어서,
   상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는,
   상기 수집된 댓글 데이터를 분석하여 복수의 제1 키워드를 추출하고, 상기 추출된 복수의 제1 키워드 중 추출 횟수가 많은 제1 키워드부터 순차적으로 N개의 제1 키워드를 선택하는 단계;
   상기 제1 등급으로 분류된 댓글 데이터를 분석하여 복수의 제2 키워드를 추출하고 상기 추출된 복수의 제2 키워드 중 추출 횟수가 많은 제2 키워드부터 순차적으로 M개의 제2 키워드를 선택하는 단계; 및
   상기 선택된 N개의 제1 키워드와 상기 선택된 M개의 제2 키워드를 비교하여 제1 핵심 키워드를 선정하고, 상기 2차 콘텐츠 예측 솔루션으로서 상기 선정된 제1 핵심 키워드를 이용하여 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 형태를 예측하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
6. 제1항에 있어서,
   상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는,
   상기 수집된 댓글 데이터를 분석하여 복수의 제1 키워드를 추출하고, 상기 추출된 복수의 제1 키워드 중 추출 횟수가 많은 제1 키워드부터 순차적으로 N개의 제1 키워드를 선택하는 단계;
   상기 제2 등급으로 분류된 댓글 데이터를 분석하여 복수의 제3 키워드를 추출하고 상기 추출된 복수의 제3 키워드 중 추출 횟수가 많은 제3 키워드부터 순차적으로 K개의 제3 키워드를 선택하는 단계; 및
   상기 선택된 N개의 제1 키워드와 상기 선택된 K개의 제3 키워드를 비교하여 제2 핵심 키워드를 선정하고, 상기 2차 콘텐츠 예측 솔루션으로서 상기 선정된 제2 핵심 키워드를 이용하여 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 제작 대상을 예측하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
7. 제1항에 있어서,
   상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는,
   상기 복수의 1차 콘텐츠가 복수의 에피소드를 포함하는 웹툰 콘텐츠인 경우, 상기 복수의 에피소드별 상기 제1 등급 또는 상기 제2 등급으로 분류된 댓글 데이터의 수를 산출하고, 상기 산출된 댓글 데이터의 수에 기초하여 상기 복수의 에피소드 중 적어도 하나의 에피소드를 선택하는 단계; 및
   상기 2차 콘텐츠 예측 솔루션으로서 상기 선택된 적어도 하나의 에피소드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 제작 대상을 예측하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
8. 제1항에 있어서,
   상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는,
   상기 제1 등급 또는 상기 제2 등급으로 분류된 댓글 데이터를 분석하여 상기 복수의 1차 콘텐츠 각각에 대한 특성 정보를 추출하는 단계;
   상기 추출된 특성 정보를 이용하여 상기 복수의 1차 콘텐츠를 클러스터링 함에 따라 복수의 클러스터를 생성하는 단계; 및
   상기 생성된 복수의 클러스터를 이용하여 상기 2차 콘텐츠 예측 솔루션으로서 상기 복수의 1차 콘텐츠 각각에 대응하는 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
9. 제8항에 있어서,
   상기 특성 정보를 추출하는 단계는,
   상기 복수의 1차 콘텐츠 각각에 대한 특성 정보로서, 상기 복수의 1차 콘텐츠 각각에 대한 상기 제1 등급으로 분류된 댓글 데이터의 수와 상기 제2 등급으로 분류된 댓글 데이터의 수를 카운팅하되, 상기 제1 등급 또는 상기 제2 등급으로 분류된 댓글 데이터 각각에 포함된 평가 정보에 기초하여 가중치를 산출하고, 상기 산출된 가중치를 이용하여 상기 카운팅된 댓글 데이터의 수를 보정하는 단계를 포함하는,
   댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
10. 제8항에 있어서,
    상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는,
    특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 다른 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우, 상기 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠에 대응하는 2차 콘텐츠 형태에 기초하여, 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠의 형태를 예측하는 단계를 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
11. 제8항에 있어서,
    상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는,
    특정 1차 콘텐츠에 대하여, 2차 콘텐츠 판매 이력이 있는 복수의 다른 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 기초하여 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 예측하되, 상기 특정 1차 콘텐츠가 포함된 클러스터에 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 있는 경우 상기 특정 1차 콘텐츠가 포함된 클러스터에 대한 가중치를 설정하고, 상기 설정된 가중치를 이용하여 상기 예측된 예상 판매량을 보정하는 단계를 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
12. 제8항에 있어서,
    상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는,
    특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 존재하는 경우, 상기 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠를 기준 1차 콘텐츠로 설정하고, 상기 기준 1차 콘텐츠에 대응하는 2차 콘텐츠 판매 데이터에 기초하여 수요 계수를 산출하는 단계;
    상기 산출된 수요 계수를 이용하여 상기 특정 1차 콘텐츠가 포함된 클러스터에 대한 제1 예상 판매량 산출 함수를 도출하는 단계; 및
    상기 도출된 제1 예상 판매량 산출 함수에 상기 특정 1차 콘텐츠의 특성 정보로서 추출된 모수(population parameter) 값을 입력하여 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출하는 단계를 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
13. 제12항에 있어서,
    상기 수요 계수를 산출하는 단계는,
    하기의 수학식 1을 이용하여 상기 수요 계수를 산출하는 단계를 포함하며,
    상기 제1 예상 판매량 산출 함수를 도출하는 단계는,
    상기 산출된 수요 계수와 상기 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 각각의 모수 값을 곱 연산하여 상기 특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠에 대한 복수의 예상 판매량을 산출하고, 상기 산출된 복수의 예상 판매량을 선형적으로 모델링함에 따라 선형 함수 형태의 제1 예상 판매량 산출 함수를 도출하는 단계를 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
    <수학식 1>
    

    

    
    여기서, 상기 D_i-coef는 i번째 클러스터의 수요 계수, 상기 C_ref-sales는 상기 기준 1차 콘텐츠의 판매량 및 상기 C_ref-pam은 상기 기준 1차 콘텐츠의 모수 값임
14. 제8항에 있어서,
    상기 2차 콘텐츠의 형태 및 예상 판매량을 예측하는 단계는,
    특정 1차 콘텐츠가 포함된 클러스터에 포함된 복수의 1차 콘텐츠 중 2차 콘텐츠 판매 이력이 있는 1차 콘텐츠가 부재한 경우, 상기 복수의 클러스터 각각에 포함된 복수의 1차 콘텐츠 중 상기 2차 콘텐츠 판매 이력이 있는 적어도 하나의 1차 콘텐츠를 선택하는 단계;
    상기 선택된 적어도 하나의 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 기초하여 제2 예상 판매량 산출 함수를 도출하는 단계; 및
    상기 도출된 제2 예상 판매량 산출 함수에 상기 특정 1차 콘텐츠의 특성 정보로서 추출된 지표 값을 입력하여 상기 특정 1차 콘텐츠에 대응하는 2차 콘텐츠에 대한 예상 판매량을 산출하는 단계를 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
15. 제14항에 있어서,
    상기 특성 정보를 추출하는 단계는,
    하기의 수학식 2를 이용하여 상기 특정 1차 콘텐츠의 특성 정보로서 지표 값을 산출하는 단계를 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
    <수학식 2>
    

    

    
    여기서, 상기 C_i-idx는 i번째 1차 콘텐츠의 지표 값, 상기 C_i-pam은 상기 i번째 1차 콘텐츠의 모수 값, 상기 N_i-1Tier는 상기 i번째 1차 콘텐츠의 댓글 데이터 중 상기 제1 등급으로 분류된 댓글 데이터의 수, 상기 N_i-2Tier는 상기 i번째 1차 콘텐츠의 댓글 데이터 중 상기 제2 등급으로 분류된 댓글 데이터의 수 및 상기 N_i-Episode는 상기 i번째 1차 콘텐츠의 총 연재 횟수임
16. 제14항에 있어서,
    상기 제2 예상 판매량 산출 함수를 도출하는 단계는,
    상기 선택된 적어도 하나의 1차 콘텐츠의 2차 콘텐츠 판매 데이터에 포함된 판매량 정보와 상기 선택된 적어도 하나의 1차 콘텐츠의 특성 정보로서 추출된 지표 값을 회귀 분석 기반으로 모델링함에 따라 지수 함수 형태의 제2 예상 판매량 산출 함수를 도출하는 단계를 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법.
17. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 컴퓨터 프로그램은,
    복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 인스트럭션(instruction); 및
    상기 수집된 댓글 데이터를 분석하여 상기 수집된 댓글 데이터를 복수의 등급 - 상기 복수의 등급은 2차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제1 등급, 상기 복수의 1차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제2 등급 및 상기 제1 등급 또는 상기 제2 등급으로 분류되지 못한 댓글 데이터가 분류되는 제3 등급을 포함함 - 중 어느 하나의 등급으로 분류하는 인스트럭션; 및
    상기 분류된 댓글 데이터를 이용하여 상기 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 인스트럭션을 포함하며,
    상기 2차 콘텐츠 예측 솔루션을 제공하는 인스트럭션은,
    상기 제1 등급으로 분류된 댓글 데이터로부터 추출된 키워드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 형태를 예측하고, 상기 제2 등급으로 분류된 댓글 데이터로부터 추출된 키워드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 대상을 예측하는 인스트럭션을 포함하는,
    댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공장치.
18. 컴퓨팅 장치와 결합되어,
    복수의 1차 콘텐츠에 대한 댓글 데이터를 수집하는 단계;
    상기 수집된 댓글 데이터를 분석하여 상기 수집된 댓글 데이터를 복수의 등급 - 상기 복수의 등급은 2차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제1 등급, 상기 복수의 1차 콘텐츠와 관련된 키워드를 포함하는 댓글 데이터가 분류되는 제2 등급 및 상기 제1 등급 또는 상기 제2 등급으로 분류되지 못한 댓글 데이터가 분류되는 제3 등급을 포함함 - 중 어느 하나의 등급으로 분류하는 단계; 및
    상기 분류된 댓글 데이터를 이용하여 상기 복수의 1차 콘텐츠에 대응하는 2차 콘텐츠 예측 솔루션을 제공하는 단계를 포함하며,
    상기 2차 콘텐츠 예측 솔루션을 제공하는 단계는,
    상기 제1 등급으로 분류된 댓글 데이터로부터 추출된 키워드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 형태를 예측하고, 상기 제2 등급으로 분류된 댓글 데이터로부터 추출된 키워드를 기반으로 상기 복수의 1차 콘텐츠 각각에 대한 2차 콘텐츠의 대상을 예측하는 단계를 포함하는 댓글 빅데이터 분석을 통한 2차 콘텐츠 예측 솔루션 제공방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장된, 컴퓨터프로그램.

Images