KR102550862B1 - 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치 Download PDF

Info

Publication number
KR102550862B1
KR102550862B1 KR1020220171732A KR20220171732A KR102550862B1 KR 102550862 B1 KR102550862 B1 KR 102550862B1 KR 1020220171732 A KR1020220171732 A KR 1020220171732A KR 20220171732 A KR20220171732 A KR 20220171732A KR 102550862 B1 KR102550862 B1 KR 102550862B1
Authority
KR
South Korea
Prior art keywords
video
category
terminals
information
freelancer
Prior art date
Application number
KR1020220171732A
Other languages
English (en)
Inventor
김소희
Original Assignee
김소희
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 김소희 filed Critical 김소희
Priority to KR1020220171732A priority Critical patent/KR102550862B1/ko
Application granted granted Critical
Publication of KR102550862B1 publication Critical patent/KR102550862B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예들은 뉴럴 네트워크(neural network)를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 복수의 제1 단말 각각으로부터 프리랜서에 대한 정보를 수신하고, 상기 프리랜서에 대한 정보는 이력서에 대한 정보, 영상 제작과 관련된 포트폴리오 정보 및 영상 제작 참여와 관련된 정보를 포함하고, 상기 이력서에 대한 정보, 상기 영상 제작과 관련된 포트폴리오 정보 및 상기 영상 제작 참여와 관련된 정보를 기반으로 상기 복수의 제1 단말 각각에 대해 평가 점수를 결정하고, 복수의 검증 단말로부터 수신된 영상 제작과 관련된 포트폴리오 정보 및 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용한 키워드 추출 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 각각에 대한 감성 키워드를 추출하고, 상기 복수의 검증 단말은 상기 복수의 제1 단말 중에서 상기 평가 점수가 사전 설정된 점수 이상인 단말이고, 상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 키워드를 기반으로 상기 복수의 검증 단말과 관련된 프리랜서를 사전 설정된 세부 카테고리 별로 분류하고, 상기 사전 설정된 세부 카테고리는 직군 카테고리, 키워드 카테고리 및 영상 분야 카테고리를 포함하고, 상기 직군 카테고리는 PD, 촬영, 편집자, 기획자, 디자이너 및 기타를 포함하고, 제2 단말로부터 영상 제작을 위한 하나 이상의 팀을 요청하는 제1 메시지를 수신하고, 상기 제1 메시지는 영상 제작 목적, 영상 분야, 예산, 영상 제작 컨셉과 관련된 키워드, 참여 인력 및 고용 기간을 포함하고, 상기 제1 메시지, 상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 사전 설정된 세부 카테고리에 따른 유사도를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 중에서 적어도 하나의 프리랜서를 상기 하나 이상의 팀의 멤버로 매칭시키고, 상기 하나 이상의 팀의 멤버에 대한 정보를 포함하는 제2 메시지를 상기 제2 단말에게 전송하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치{METHOD AND APPARATUS FOR MATCHING FREELANCERS RELATED TO VIDEO PRODUCTION USING A NEURAL NETWORK}
본 개시의 실시예들은 영상 제작과 관련된 프리랜서들을 매칭시키는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 기술에 대한 것이다.
한편, 인터넷의 발달로 인해 미디어 산업이 급속히 발전하면서, 영상 인력에 대한 수요 또한 급격하게 증가하고 있다.
영상 인력 시장의 경우, 일반인들이 접근하기 어려운 폐쇄적인 시장으로, 주로 지인을 통한 추천으로 영상 인력이 소개되는 시스템이기 때문에, 대규모 인력을 구하기가 쉽지 않으며, 신규 영상 인력들이 유입되기 어려운 구조이다.
또한, 일반인들이 접근하기 쉬운 재능마켓의 경우에는, 실력을 판단하기 어렵고, 경험이 부족한 영상 인력들과 검증이 되지 않은 영상 인력들이 다수이기 때문에, 프리랜서로 구성된 영상 제작 팀을 구성할 때 협업이 자연스럽지 못한 문제가 있다.
이에, 빅데이터를 이용해 영상 제작과 관련된 프리랜서들을 관리하고, 사용자가 제작을 원하는 영상에 따라 영상 제작과 관련된 프리랜서들로 구성된 팀을 뉴럴 네트워크를 통해 효율적으로 매칭시켜주는 방법이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 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 뉴럴 네트워크(neural network)를 이용하여 서버가 영상 제작과 관련된 프리랜서들을 매칭시키는 방법은, 복수의 제1 단말 각각으로부터 프리랜서에 대한 정보를 수신하고, 상기 프리랜서에 대한 정보는 이력서에 대한 정보, 영상 제작과 관련된 포트폴리오 정보 및 영상 제작 참여와 관련된 정보를 포함하고, 상기 이력서에 대한 정보, 상기 영상 제작과 관련된 포트폴리오 정보 및 상기 영상 제작 참여와 관련된 정보를 기반으로 상기 복수의 제1 단말 각각에 대해 평가 점수를 결정하고, 복수의 검증 단말로부터 수신된 영상 제작과 관련된 포트폴리오 정보 및 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용한 키워드 추출 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 각각에 대한 감성 키워드를 추출하고, 상기 복수의 검증 단말은 상기 복수의 제1 단말 중에서 상기 평가 점수가 사전 설정된 점수 이상인 단말이고, 상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 키워드를 기반으로 상기 복수의 검증 단말과 관련된 프리랜서를 사전 설정된 세부 카테고리 별로 분류하고, 상기 사전 설정된 세부 카테고리는 직군 카테고리, 키워드 카테고리 및 영상 분야 카테고리를 포함하고, 상기 직군 카테고리는 PD, 촬영, 편집자, 기획자, 디자이너 및 기타를 포함하고, 제2 단말로부터 영상 제작을 위한 하나 이상의 팀을 요청하는 제1 메시지를 수신하고, 상기 제1 메시지는 영상 제작 목적, 영상 분야, 예산, 영상 제작 컨셉과 관련된 키워드, 참여 인력 및 고용 기간을 포함하고, 상기 제1 메시지, 상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 사전 설정된 세부 카테고리에 따른 유사도를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 중에서 적어도 하나의 프리랜서를 상기 하나 이상의 팀의 멤버로 매칭시키고, 상기 하나 이상의 팀의 멤버에 대한 정보를 포함하는 제2 메시지를 상기 제2 단말에게 전송하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 방법은 복수의 비검증 단말에게 영상 제작과 관련된 교육 영상에 대한 정보를 포함하는 교육 요청 메시지를 전송하고, 상기 복수의 비검증 단말은 상기 복수의 제1 단말 중에서 상기 평가 점수가 사전 설정된 점수 이상 미만인 단말이고, 상기 영상 제작과 관련된 교육 영상이 업로드된 웹 페이지의 로그를 기반으로 상기 복수의 비검증 단말 중에서 상기 영상 제작과 관련된 교육 영상의 시청 완료 여부를 확인하고, 상기 영상 제작과 관련된 교육 영상의 시청이 완료된 비검증 단말에게 온라인 테스트에 대한 정보를 포함하는 테스트 요청 메시지를 상기 복수의 비검증 단말에게 전송하는 단계를 더 포함할 수 있다. 상기 온라인 테스트와 관련된 서버로부터 수신된 검증 메시지에 기반하여 상기 검증 메시지에 포함된 식별자에 의해 비검증 단말을 상기 복수의 검증 단말에 포함시킬 수 있다.
상기 영상 분야 카테고리는 뷰티와 관련된 제1 카테고리, 전자기기와 관련된 제2 카테고리, 게임과 관련된 제3 카테고리, 식품과 관련된 제4 카테고리, 음악과 관련된 제5 카테고리, 일상생활과 관련된 제6 카테고리, 여행과 관련된 제7 카테고리, 시사교양과 관련된 제8 카테고리, 예능과 관련된 제9 카테고리, 애니메이션과 관련된 제10 카테고리, 스포츠와 관련된 제11 카테고리 및 교육과 관련된 제12 카테고리를 포함할 수 있다.
상기 감성 키워드 카테고리는 상기 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드 중에서 수집된 횟수가 사전 설정된 횟수 이상인 키워드를 포함할 수 있다.
상기 제1 메시지에 기반하여 상기 직군 카테고리에 포함된 직군 각각에 대해 중요도 점수가 결정될 수 있다. 상기 직군 카테고리에 포함된 직군 중에서 상기 중요도 점수가 사전 설정된 중요도 점수 이상인 직군이 영상 제작에 필요한 직군으로 결정될 수 있다. 상기 직군 카테고리에 포함된 직군 중에서 상기 중요도 점수가 가장 높은 직군이 기준 직군으로 결정될 수 있다. 상기 예산, 상기 고용 기간, 상기 영상 분야 및 상기 영상 제작 컨셉과 관련된 키워드에 기반하여 상기 기준 직군에 포함된 프리랜서 중에서 적어도 하나의 기준 프리랜서가 결정될 수 있다. 상기 영상 제작에 필요한 직군에 포함된 프리랜서 중에서 적어도 하나의 동료 프리랜서는 상기 적어도 하나의 기준 프리랜서와 협업한 횟수, 상기 영상 제작 컨셉과 관련된 키워드에 대한 유사도 및 상기 영상 분야와 관련된 유사도를 기반으로 결정될 수 있다.
상기 하나 이상의 팀의 멤버는 상기 적어도 하나의 기준 프리랜서 및 상기 적어도 하나의 동료 프리랜서로 구성될 수 있다.
상기 복수의 검증 단말과 관련된 프리랜서는 상기 기준 직군에 포함된 프리랜서와 상기 영상 제작에 필요한 직군에 포함된 프리랜서를 포함할 수 있다.
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 영상 제작과 관련된 포트폴리오 정보, 복수의 이미지, 복수의 이미지와 관련된 키워드 및 정답 감성 키워드로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 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 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 키워드 추출 모델이 생성될 수 있다.
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 프리랜서에 대한 정보, 복수의 프리랜서 각각에 대한 복수의 감성 키워드, 사전 설정된 세부 카테고리 및 정답 매칭 점수로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 매칭 모델이 생성될 수 있다.
부가적으로, 예를 들어, 상기 평가 점수는 하기 수학식에 의해 결정될 수 있다.
Figure 112022132798211-pat00001
상기 수학식에서, 상기 Pe는 상기 평가 점수이고, 상기 k는 영상 제작에 참여한 횟수이고, 상기 α는 i번째 영상의 제작에 대한 기여도이고, 상기 v는 i번째 영상의 조회수이고, 상기 m은 자격증의 개수이고, 상기 qj는 j번째 자격증에 매칭된 점수이고, 상기 z는 상기 프리랜서를 추천한 사람의 수이고, 상기 β는 i번째 추천한 사람이 입력한 평점일 수 있다.
부가적으로, 예를 들어, 상기 중요도 점수는 하기 수학식에 의해 결정될 수 있다.
Figure 112022132798211-pat00002
상기 Pi는 상기 중요도 점수이고, 상기 c는 상기 예산과 관련된 가중치이고, 상기 Target은 해당 영상 제작 목적에 대한 해당 직군의 우선 순위이고, 상기 m은 상기 참여 인력과 관련된 가중치이고, 상기 Field는 해당 영상 분야에 대한 해당 직군의 우선 순위일 수 있다.
부가적으로, 예를 들어, 매칭 점수는 하기 수학식에 의해 결정될 수 있다.
Figure 112022132798211-pat00003
상기 수학식에서, 상기 Pm은 상기 매칭 점수이고, 상기 ncop는 상기 적어도 하나의 기준 프리랜서와 협업한 횟수이고, 상기 navg는 해당 직군에서의 평균 협업 횟수이고, 상기 S1은 기준 프리랜서에 대한 영상 제작 컨셉과 관련된 키워드와 해당 프리랜서에 대한 영상 제작 컨셉과 관련된 키워드의 유사도이고, 상기 S2는 기준 프리랜서에 대한 영상 분야 카테고리와 해당 프리랜서에 대한 영상 분야 카테고리의 유사도이고, 상기 S3은 기준 프리랜서에 대한 영상 분야 카테고리 내 상세 카테고리와 해당 프리랜서에 대한 영상 분야 카테고리 내 상세 카테고리의 유사도일 수 있다.
실시예들에 따르면, 서버가 복수의 프리랜서에 대한 정보를 기반으로 프리랜서에 대한 정보를 전송한 제1 단말 각각에 대해 평가 점수를 결정함으로써, 프리랜서에 대해 효율적으로 평가 점수를 결정하고, 해당 평가 점수에 따라 프리랜서를 검증할 수 있다.
실시예들에 따르면, 서버는 복수의 검증 단말로부터 수신된 영상 제작과 관련된 포트폴리오 정보 및 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드를 기반으로 키워드 추출 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 각각에 대한 감성 키워드를 추출함으로써, 빅데이터를 이용하여 프리랜서가 제출한 포트폴리오에 따라 감성 키워드를 효율적으로 추출하고, 해당 감성 키워드를 반영하여 복수의 프리랜서들을 효과적으로 분류하여 사용자가 필요로 하는 프리랜서를 보다 용이하게 검색할 수 있다.
실시예들에 따르면, 서버는 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 사전 설정된 세부 카테고리에 따른 유사도를 기반으로 매칭 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 중에서 적어도 하나의 프리랜서를 하나 이상의 팀의 멤버로 매칭함으로써, 인공지능을 이용하여 사용자가 원하는 영상에 적합한 프리랜서들로 구성된 팀을 효과적으로 구성할 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 뉴럴 네트워크를 이용하여 서버가 영상 제작과 관련된 프리랜서들을 매칭시키는 방법을 나타낸다.
도 4는 일 실시예에 따른 키워드 추출 모델 및 매칭 모델의 일 예를 나타낸다.
도 5는 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 또는 TizenTM 를 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 뉴럴 네트워크를 이용하여 서버가 영상 제작과 관련된 프리랜서들을 매칭시키는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 서버는 복수의 제1 단말 각각으로부터 프리랜서에 대한 정보를 수신할 수 있다.
서버는 영상 제작과 관련된 프리랜서에 대한 정보를 관리하고, 영상 제작과 관련된 프리랜서들을 매칭시켜 영상 제작 팀을 구성하고, 해당 영상 제작 팀을 단말에게 추천하는 서비스를 제공하는 서버일 수 있다. 이때, 서버는 영상 제작과 관련된 프리랜서에게 영상 제작과 관련된 교육 영상을 제공할 수 있고, 영상 제작과 관련된 프리랜서를 검증할 수 있다. 예를 들어, 서버는 도 1의 서버(108)일 수 있다.
제1 단말은 상기 서버에 등록을 신청하는 프리랜서가 사용하는 단말일 수 있다. 예를 들어, 제1 단말은 도 1의 전자 장치(101) 또는 전자 장치(102)일 수 있다.
상기 프리랜서에 대한 정보는 이력서에 대한 정보, 영상 제작과 관련된 포트폴리오 정보 및 영상 제작 참여와 관련된 정보를 포함할 수 있다.
여기서, 이력서에 대한 정보는 개인 정보, 경력에 대한 정보, 급여에 대한 정보, 현재 진행 중인 프로젝트에 대한 정보 및 자격증에 대한 정보를 포함할 수 있다. 영상 제작과 관련된 포트폴리오 정보는 프리랜서가 제작에 참여한 영상에 대한 내용, 프리랜서가 제작에 참여한 영상 및 이미지를 포함할 수 있다. 영상 제작 참여와 관련된 정보는 영상 제작에 참여한 영상의 분야 및 영상 제작에서의 역할, 영상 제작에 참여한 횟수, 영상 제작에 참여한 참여자들에 대한 정보 및 제작된 영상의 조회수에 대한 정보를 포함할 수 있다. 예를 들어, 상기 영상 제작에 참여한 참여자들에 대한 정보는 각 참여자들의 이름, 각 참여자들의 영상 제작에 대한 기여도 및 역할을 포함할 수 있다.
단계 S302에서, 서버는 상기 이력서에 대한 정보, 상기 영상 제작과 관련된 포트폴리오 정보 및 상기 영상 제작 참여와 관련된 정보를 기반으로 상기 복수의 제1 단말 각각에 대해 평가 점수를 결정할 수 있다.
예를 들어, 서버는 상기 복수의 제1 단말로부터 추천하는 프리랜서에 대한 정보를 추가적으로 수신할 수 있다. 예를 들어, 추천하는 프리랜서에 대한 정보는 추천하는 프리랜서의 평점, 추천하는 프리랜서의 이름 및 연락처를 포함할 수 있다.
부가적으로, 예를 들어, 상기 평가 점수는 하기 수학식 1에 의해 결정될 수 있다.
Figure 112022132798211-pat00004
상기 수학식 1에서, 상기 Pe는 상기 평가 점수이고, 상기 k는 영상 제작에 참여한 횟수이고, 상기 α는 i번째 영상의 제작에 대한 기여도이고, 상기 v는 i번째 영상의 조회수이고, 상기 m은 자격증의 개수이고, 상기 qj는 j번째 자격증에 매칭된 점수이고, 상기 z는 상기 프리랜서를 추천한 사람의 수이고, 상기 β는 i번째 추천한 사람이 입력한 평점일 수 있다.
여기서, 상기 프리랜서가 보유한 자격증이 영상 제작과 관련된 직군 별로 설정된 자격증에 포함된 경우, 자격증에 매칭된 점수는 상기 설정된 자격증에 대응하는 점수로 결정될 수 있다. 상기 프리랜서가 보유한 자격증이 영상 제작과 관련된 직군 별로 설정된 자격증에 포함되지 않은 경우, 자격증에 매칭된 점수는 기본 점수로 결정될 수 있다.
예를 들어, 서버는 자격증을 식별하기 위한 식별 정보를 통해 해당 자격증과 관련된 서버의 주소를 확인하고, 상기 자격증과 관련된 서버에 자격증에 대한 정보를 전송하고, 해당 자격증의 진위 여부에 대한 메시지를 수신할 수 있다. 서버는 자격증의 진위 여부에 따라 상기 자격증의 개수를 카운트할 수 있다.
예를 들어, 서버는 영상의 제작에 참여한 횟수가 많고, 해당 영상의 조회수가 많으며, 그에 따른 기여도가 높은 프리랜서에 대해서 평가 점수를 높게 결정할 수 있다. 또한, 프리랜서가 영상 제작과 관련된 직군 별로 설정된 자격증에 매칭되는 자격증을 보유한 경우, 서버는 프리랜서에 대해 평가 점수에 대해 가중치를 적용할 수 있고, 해당 프리랜서를 추천한 다른 프리랜서의 수와 그 평점이 높을수록 서버는 프리랜서에 대해 평가 점수에 대해 가중치를 적용할 수 있다. 이를 통해, 서버는 다양한 요인을 반영하여 프리랜서에 대해 효율적으로 평가 점수를 결정하고, 해당 평가 점수에 따라 프리랜서를 검증할 수 있다.
단계 S303에서, 서버는 복수의 검증 단말로부터 수신된 영상 제작과 관련된 포트폴리오 정보 및 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용한 키워드 추출 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 각각에 대한 감성 키워드를 추출할 수 있다. 여기서, 웹 크롤링은 다양한 컴퓨터 소프트웨어 기술을 통해 웹 사이트들에게 필요한 정보를 추출하는 동작을 의미한다.
상기 복수의 검증 단말은 상기 복수의 제1 단말 중에서 상기 평가 점수가 사전 설정된 점수 이상인 단말일 수 있다.
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 영상 제작과 관련된 포트폴리오 정보, 복수의 이미지, 복수의 이미지와 관련된 키워드 및 정답 감성 키워드로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 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 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 키워드 추출 모델이 생성될 수 있다. 여기서, 복수의 이미지는 복수의 영상에 대한 썸네일 이미지일 수 있다.
단계 S304에서, 서버는 상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 감성 키워드를 기반으로 상기 복수의 검증 단말과 관련된 프리랜서를 사전 설정된 세부 카테고리 별로 분류할 수 있다.
상기 사전 설정된 세부 카테고리는 직군 카테고리, 감성 키워드 카테고리 및 영상 분야 카테고리를 포함할 수 있다. 본 개시에서 상기 사전 설정된 세부 카테고리의 종류는 이에 한정되지 않고, 더 많은 카테고리를 포함할 수도 있다.
상기 직군 카테고리는 PD(producer), 촬영, 편집자, 기획자, 디자이너 및 기타를 포함할 수 있다. 여기서, 기타는 PD, 촬영, 편집자, 기획자, 디자이너 이외의 직군으로, 예를 들어, 배우, 성우 등 영상 제작이 필요한 기타 직군들을 포함할 수 있다.
상기 영상 분야 카테고리는 뷰티와 관련된 제1 카테고리, 전자기기와 관련된 제2 카테고리, 게임과 관련된 제3 카테고리, 식품과 관련된 제4 카테고리, 음악과 관련된 제5 카테고리, 일상생활과 관련된 제6 카테고리, 여행과 관련된 제7 카테고리, 시사교양과 관련된 제8 카테고리, 예능과 관련된 제9 카테고리, 애니메이션과 관련된 제10 카테고리, 스포츠와 관련된 제11 카테고리 및 교육과 관련된 제12 카테고리를 포함할 수 있다. 또한, 제1 카테고리 내지 제12 카테고리는 각각 더 상세한 카테고리로 분류될 수 있다. 예를 들어, 뷰티와 관련된 제1 카테고리는 네일, 헤어, 메이크업 등과 같이 상세 카테고리로 분류될 수 있다. 예를 들어, 스포츠와 관련된 제11 카테고리는 축구, 골프, 야구, 격투기 등과 같이 상세 카테고리로 분류될 수 있다.
상기 감성 키워드 카테고리는 상기 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드 중에서 수집된 횟수가 사전 설정된 횟수 이상인 키워드를 포함할 수 있다.
여기서, 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드는 영상의 제목 및 해당 영상이 포함된 웹 페이지의 게시글에 기반하여 수집될 수 있다. 예를 들어, 상기 복수의 키워드는 감성을 나타내는 단어를 포함할 수 있고, '힙한', '매력적인', '시크한', '깔끔한' 및 '재미있는' 등과 같은 형용사를 포함할 수 있다.
예를 들어, 복수의 검증 단말과 관련된 프리랜서 중 프리랜서 A는 직군 카테고리는 PD로 분류되고, 영상 분야 카테고리는 제1 카테고리에 포함된 메이크업 카테고리로 분류되고, 키워드 카테고리는 '트렌디한'으로 분류될 수 있다.
단계 S305에서, 서버는 제2 단말로부터 영상 제작을 위한 하나 이상의 팀을 요청하는 제1 메시지를 수신할 수 있다.
제2 단말은 영상 제작을 위해 프리랜서로 구성된 팀을 요청하는 단말일 수 있다. 예를 들어, 제2 단말은 도 1의 전자 장치(101) 또는 전자 장치(102)일 수 있다.
상기 제1 메시지는 영상 제작 목적, 영상 분야, 예산, 영상 제작 컨셉과 관련된 키워드, 참여 인력 및 고용 기간을 포함할 수 있다.
여기서, 영상 제작 목적은 영상을 제작하기 위한 목적으로, 홍보 영상, 이벤트 영상, 정보 제공, 라이브 영상, 발표 영상, 전시 영상, 보도 영상 및 기업방송을 포함할 수 있다. 영상 분야는 제작하고자 하는 영상의 분야이며, 상기 제1 카테고리 내지 상기 제12 카테고리에 포함된 상세 카테고리 중 적어도 하나를 포함할 수 있다. 예산은 영상을 제작하기 위한 예산일 수 있다. 영상 제작 컨셉과 관련된 키워드는 상기 감성 키워드 카테고리 중 적어도 하나를 포함할 수 있다. 참여 인력은 영상 제작에 참여하는 사람의 수이며, 1명 이상 일 수 있다. 고용 기간은 영상 제작을 위한 팀을 고용하는 기간을 나타낼 수 있다.
단계 S306에서, 서버는 상기 제1 메시지, 상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 사전 설정된 세부 카테고리에 따른 유사도를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 중에서 적어도 하나의 프리랜서를 상기 하나 이상의 팀의 멤버로 매칭시킬 수 있다.
상기 제1 메시지에 기반하여 상기 직군 카테고리에 포함된 직군 각각에 대해 중요도 점수가 결정될 수 있다.
예를 들어, 영상 제작 목적 별로 각각의 직군에 대한 우선 순위가 상기 서버에 사전 설정될 수 있다. 또한, 영상 분야 별로 각각의 직군에 대한 우선 순위가 상기 서버에 사전 설정될 수 있다. 서버는 복수의 제1 단말에게 설문 메시지를 전송하고, 상기 설문 메시지에 대한 답변 메시지를 통해 영상 제작 목적 별 각각의 직군에 대한 우선 순위 및 영상 분야 별 각각의 직군에 대한 우선 순위를 결정할 수 있다. 예를 들어, 설문 메시지는 영상 제작 목적 별 각각의 직군에 대한 우선 순위 및 영상 분야 별 각각의 직군에 대한 우선 순위를 조사하기 위한 설문 내용을 포함할 수 있다. 서버는, 상기 설문 메시지에 대한 답변 메시지에 포함된 영상 제작 목적 별 각각의 직군에 대한 우선 순위에 대한 평균 값 및 영상 분야 별 각각의 직군에 대한 우선 순위에 대한 평균 값이 높은 순서로, 영상 제작 목적 별 각각의 직군에 대한 우선 순위 및 영상 분야 별 각각의 직군에 대한 우선 순위를 결정할 수 있다. 예를 들어, 서버는 상기 설문 메시지를 주기적으로 복수의 제1 단말에게 전송하고, 상기 설문 메시지에 대한 답변 메시지를 기반으로 영상 제작 목적 별 각각의 직군에 대한 우선 순위 및 영상 분야 별 각각의 직군에 대한 우선 순위를 업데이트할 수 있다.
상기 직군 카테고리에 포함된 직군 중에서 상기 중요도 점수가 사전 설정된 중요도 점수 이상인 직군이 영상 제작에 필요한 직군으로 결정될 수 있다. 예를 들어, 상기 참여 인력의 수가 직군의 개수 이하이면, 기준 직군과 영상 제작에 필요한 직군의 개수를 합한 값이 참여 인력의 수로 결정될 수 있다. 예를 들어, 상기 참여 인력의 수가 직군의 개수를 초과하면, 상기 영상 제작에 필요한 직군은 상기 기준 직군을 제외한 모든 직군일 수 있다.
상기 직군 카테고리에 포함된 직군 중에서 상기 중요도 점수가 가장 높은 직군이 기준 직군으로 결정될 수 있다.
부가적으로, 예를 들어, 상기 중요도 점수는 하기 수학식 2에 의해 결정될 수 있다.
Figure 112022132798211-pat00005
상기 수학식 2에서, 상기 Pi는 상기 중요도 점수이고, 상기 c는 상기 예산과 관련된 가중치이고, 상기 Target은 해당 영상 제작 목적에 대한 해당 직군의 우선 순위이고, 상기 m은 상기 참여 인력과 관련된 가중치이고, 상기 Field는 해당 영상 분야에 대한 해당 직군의 우선 순위일 수 있다.
예를 들어, 해당 영상 제작 목적에 대한 해당 직군의 우선 순위 및 해당 영상 분야에 대한 해당 직군의 우선 순위는 서버에 사전 설정될 수 있다.
예를 들어, 상기 예산과 관련된 가중치는 0에서 1사이의 값으로 해당 직군마다 상이할 수 있다. 예를 들어, 예산이 사전 설정된 값보다 작은 경우, PD와 촬영에 대한 예산과 관련된 가중치가 나머지 직군보다 높게 설정될 수 있다.
예를 들어, 상기 참여 인력과 관련된 가중치는 0에서 1사이의 값으로 해당 직군마다 상이할 수 있다. 예를 들어, 참여 인력이 사전 설정된 값보다 작은 경우, PD와 촬영에 대한 참여 인력과 관련된 가중치가 나머지 직군보다 높게 설정될 수 있다.
이를 통해, 서버는 예산 및 참여 인력뿐만 아니라 영상 제작 목적과 영상 분야에 따라 각 직군의 중요도를 상이하게 결정함으로써, 영상 제작 목적과 영상 분야를 고려하여 직군 별로 적합한 프리랜서를 결정할 수 있다.
상기 예산, 상기 고용 기간, 상기 영상 분야 및 상기 영상 제작 컨셉과 관련된 키워드에 기반하여 상기 기준 직군에 포함된 프리랜서 중에서 적어도 하나의 기준 프리랜서가 결정될 수 있다. 예를 들어, 서버는 상기 기준 직군에 포함된 프리랜서 중에서 상기 영상 분야 및 상기 영상 제작 컨셉과 관련된 키워드에 매칭되는 사전 설정된 세부 카테고리에 포함된 프리랜서를 결정하고, 상기 사전 설정된 세부 카테고리에 포함된 프리랜서 중에서 상기 예산과 상기 고용 기간을 만족하는 프리랜서를 적어도 하나의 기준 프리랜서로 결정할 수 있다. 즉, 기준 프리랜서는 기준 직군에 포함된 프리랜서 중에서 사전 설정된 세부 카테고리에 포함되고, 예산 및 고용 기간을 만족하는 프리랜서를 지칭할 수 있다. 예를 들어, 서버는 상술한 중요도 점수에 따라 기준 직군 및 영상 제작에 필요한 직군에 대한 예산의 비중을 결정할 수 있다. 즉, 서버는 중요도 점수가 높은 직군에 대해 예산의 비중을 높게 결정할 수 있다. 예를 들어, 상기 고용 기간과 적어도 하나의 기준 프리랜서가 현재 진행 중인 프로젝트의 기간은 중첩되지 않을 수 있다.
상기 영상 제작에 필요한 직군에 포함된 프리랜서 중에서 적어도 하나의 동료 프리랜서는 상기 적어도 하나의 기준 프리랜서와 협업한 횟수, 상기 영상 제작 컨셉과 관련된 키워드에 대한 유사도 및 상기 영상 분야와 관련된 유사도를 기반으로 결정될 수 있다. 즉, 동료 프리랜서는 기준 프리랜서와 하나의 팀을 구성하는 프리랜서로서, 예산 및 고용 기간을 만족하는 프리랜서를 지칭할 수 있다.
예를 들어, 서버는 상기 영상 제작에 필요한 직군에 포함된 프리랜서 중에서 상기 적어도 하나의 기준 프리랜서와 협업한 횟수, 상기 영상 제작 컨셉과 관련된 키워드에 대한 유사도 및 상기 영상 분야와 관련된 유사도를 기반으로 필터링을 수행하고, 상기 필터링된 프리랜서 중에서 상기 예산과 상기 고용 기간을 만족하는 프리랜서를 적어도 하나의 동료 프리랜서로 결정할 수 있다.
상기 적어도 하나의 기준 프리랜서와 협업한 횟수는 영상 제작에 참여한 참여자들에 대한 정보에 따라 카운트될 수 있다.
상기 영상 제작 컨셉과 관련된 키워드에 대한 유사도는 상기 감성 키워드 카테고리 사이의 유사도에 따라 결정될 수 있다. 예를 들어, 상기 감성 키워드 카테고리에 포함된 복수의 키워드 사이의 유사도가 서버에 사전 설정될 수 있다. 예를 들어, 상기 감성 키워드 카테고리에 포함된 복수의 키워드 사이의 유사도는 제1 유사도로 지칭될 수 있다. 예를 들어, 제1 유사도는 1에서 10 사이의 값일 수 있다.
상기 영상 분야와 관련된 유사도는 상기 영상 분야 카테고리에 포함된 제1 카테고리 내지 제12 카레고리 사이의 유사도 및 상기 제1 카테고리 내지 제12 카테고리 각각의 카테고리에 포함된 상세 카테고리 사이의 유사도를 포함할 수 있다. 예를 들어, 상기 영상 분야 카테고리에 포함된 제1 카테고리 내지 제12 카레고리 사이의 유사도 및 상기 제1 카테고리 내지 제12 카테고리 각각의 카테고리에 포함된 상세 카테고리 사이의 유사도가 서버에 사전 설정될 수 있다. 예를 들어, 상기 영상 분야 카테고리에 포함된 제1 카테고리 내지 제12 카레고리 사이의 유사도는 제2 유사도로 지칭될 수 있고, 상기 제1 카테고리 내지 제12 카테고리 각각의 카테고리에 포함된 상세 카테고리 사이의 유사도는 제3 유사도로 지칭될 수 있다. 예를 들어, 제2 유사도 및 제3 유사도는 1에서 10 사이의 값일 수 있다.
서버는 복수의 제1 단말에게 설문 메시지를 전송하고, 상기 설문 메시지에 대한 답변 메시지를 통해 상기 제1 유사도 내지 제3 유사도를 결정할 수 있다. 예를 들어, 설문 메시지는 상기 감성 키워드 카테고리에 포함된 복수의 키워드 사이의 유사도, 상기 영상 분야 카테고리에 포함된 제1 카테고리 내지 제12 카테고리의 유사도 및 상기 제1 카테고리 내지 제12 카테고리 각각의 카테고리에 포함된 상세 카테고리를 조사하기 위한 설문 내용을 포함할 수 있다. 서버는 복수의 제1 단말로부터 수신한 답변 메시지에 포함된 상기 감성 키워드 카테고리 사이의 유사도를 답변 메시지 별로 평균한 값을 제1 유사도로 결정할 수 있다. 서버는 복수의 제1 단말로부터 수신한 답변 메시지에 포함된 상기 영상 분야 카테고리에 포함된 제1 카테고리 내지 제12 카테고리 사이의 유사도를 답변 메시지 별로 평균한 값을 제2 유사도로 결정할 수 있다. 서버는 복수의 제1 단말로부터 수신한 답변 메시지에 포함된 상기 상세 카테고리 사이의 유사도를 답변 메시지 별로 평균한 값을 제3 유사도로 결정할 수 있다. 예를 들어, 서버는 상기 설문 메시지를 주기적으로 복수의 제1 단말에게 전송하고, 상기 설문 메시지에 대한 답변 메시지를 기반으로 상기 제1 유사도 내지 제3 유사도를 업데이트할 수 있다.
예를 들어, 상기 감성 키워드 카테고리에 포함된 복수의 키워드가 '힙한' '매력적인', '시크한', '깔끔한' 및 '재미있는'인 경우, 각 키워드마다 다른 키워드에 대한 제1 유사도가 결정될 수 있다.'힙한'과 '매력적인'의 제1 유사도는 9로 결정될 수 있고, '힙한'과 '시크한'의 제1 유사도는 7로 결정될 수 있고, '힙한'과 '깔끔한'의 제1 유사도는 6으로, '힙한'과 '재미있는'의 제1 유사도는 3으로 결정될 수 있다. 예를 들어, 제1 카테고리 내지 제12 카테고리 별로 다른 카테고리에 대한 제2 유사도가 결정될 수 있다. 또한, 제1 카테고리에 포함된 상세 카테고리 별로 제1 카테고리에 포함된 다른 상세 카테고리에 대한 제3 유사도가 결정될 수 있다.
상기 하나 이상의 팀의 멤버는 상기 적어도 하나의 기준 프리랜서 및 상기 적어도 하나의 동료 프리랜서로 구성될 수 있다. 예를 들어, 기준 프리랜서마다 해당 기준 프리랜서와 협업한 횟수, 해당 기준 프리랜서의 영상 제작 컨셉과 관련된 키워드에 대한 유사도 및 해당 기준 프리랜서의 영상 분야와 관련된 유사도를 기반으로 적어도 하나의 동료 프리랜서가 결정될 수 있고, 기준 프리랜서 별로 영상 제작 팀이 구성될 수 있다.
상기 복수의 검증 단말과 관련된 프리랜서는 상기 기준 직군에 포함된 프리랜서와 상기 영상 제작에 필요한 직군에 포함된 프리랜서를 포함할 수 있다.
부가적으로, 예를 들어, 상기 영상 제작에 필요한 직군에 포함된 프리랜서 중에서 적어도 하나의 동료 프리랜서는 상기 적어도 하나의 기준 프리랜서와 협업한 횟수, 상기 영상 제작 컨셉과 관련된 키워드에 대한 유사도 및 상기 영상 분야와 관련된 유사도를 기반으로 결정된 매칭 점수에 따라 결정될 수 있다. 즉, 상기 영상 제작에 필요한 직군 별로 상기 매칭 점수가 가장 높은 프리랜서가 상기 예산과 상기 고용 기간을 만족하는 프리랜서인 경우, 적어도 하나의 동료 프리랜서로 결정할 수 있다.
예를 들어, 매칭 점수는 하기 수학식 3에 의해 결정될 수 있다.
Figure 112022132798211-pat00006
상기 수학식 3에서, 상기 Pm은 상기 매칭 점수이고, 상기 ncop는 상기 적어도 하나의 기준 프리랜서와 협업한 횟수이고, 상기 navg는 해당 직군에서의 평균 협업 횟수이고, 상기 S1은 기준 프리랜서에 대한 영상 제작 컨셉과 관련된 키워드와 해당 프리랜서에 대한 영상 제작 컨셉과 관련된 키워드의 유사도이고, 상기 S2는 기준 프리랜서에 대한 영상 분야 카테고리와 해당 프리랜서에 대한 영상 분야 카테고리의 유사도이고, 상기 S3은 기준 프리랜서에 대한 영상 분야 카테고리 내 상세 카테고리와 해당 프리랜서에 대한 영상 분야 카테고리 내 상세 카테고리의 유사도일 수 있다.
예를 들어, 해당 직군에서의 평균 협업 횟수는 서버에 사전 설정될 수 있다.
따라서, 상기 적어도 하나의 기준 프리랜서와 협업한 횟수가 많고, 상기 S1 내지 S3 값이 클수록 상기 매칭 점수는 높게 결정될 수 있다. 이를 통해, 서버는 영상 제작에 필요한 직군 별로 기준 프리랜서와 상기 매칭 점수가 가장 높은 프리랜서를 동료 프리랜서로 결정함으로써, 영상 제작을 위한 팀을 효과적으로 결정할 수 있다.
즉, 예를 들어, 서버는 한 명의 기준 프리랜서에 대해 영상 제작에 필요한 직군 별로 상술한 매칭 점수가 가장 높은 동료 프리랜서를 선택하여 하나의 팀을 구성할 수 있다.
부가적으로, 예를 들어, 상기 제1 메시지에 제2 단말이 요청한 직군에 대한 정보가 포함되고, 상기 제2 단말이 요청한 직군이 복수인 경우, 서버는 상기 요청한 직군 각각에 대해 상기 제1 메시지에 기반하여 상술한 중요도 점수를 결정하고, 상기 중요도 점수가 가장 높은 직군을 기준 직군으로 결정할 수 있다. 서버는 상기 예산, 상기 고용 기간, 상기 영상 분야 및 상기 영상 제작 컨셉과 관련된 키워드에 기반하여 상기 기준 직군에 포함된 프리랜서 중에서 적어도 하나의 기준 프리랜서를 결정할 수 있다. 서버는 상기 요청한 직군 중에서 기준 직군 이외의 나머지 직군과 관련된 적어도 하나의 동료 프리랜서는 상기 적어도 하나의 기준 프리랜서와 협업한 횟수, 상기 영상 제작 컨셉과 관련된 키워드에 대한 유사도 및 상기 영상 분야와 관련된 유사도를 기반으로 결정할 수 있다.
부가적으로, 예를 들어, 상기 제1 메시지에 제2 단말이 요청한 직군에 대한 정보가 포함되고, 상기 제2 단말이 요청한 직군이 하나인 경우, 서버는 상기 제2 단말이 요청한 직군을 기준 직군으로 결정할 수 있다.
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 프리랜서에 대한 정보, 복수의 프리랜서 각각에 대한 복수의 감성 키워드, 사전 설정된 세부 카테고리 및 정답 매칭 점수로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 매칭 모델이 생성될 수 있다.
단계 S307에서, 서버는 상기 하나 이상의 팀의 멤버에 대한 정보를 포함하는 제2 메시지를 상기 제2 단말에게 전송할 수 있다.
일 실시예에 따르면, 서버는 복수의 비검증 단말에게 영상 제작과 관련된 교육 영상에 대한 정보를 포함하는 교육 요청 메시지를 전송할 수 있다. 상기 복수의 비검증 단말은 상기 복수의 제1 단말 중에서 상기 평가 점수가 사전 설정된 점수 이상 미만인 단말일 수 있다. 서버는 상기 영상 제작과 관련된 교육 영상이 업로드된 웹 페이지의 로그 데이터를 기반으로 상기 복수의 비검증 단말 중에서 상기 영상 제작과 관련된 교육 영상의 시청 완료 여부를 확인할 수 있다. 서버는 상기 영상 제작과 관련된 교육 영상의 시청이 완료된 비검증 단말에게 온라인 테스트에 대한 정보를 포함하는 테스트 요청 메시지를 상기 복수의 비검증 단말에게 전송할 수 있다. 여기서, 온라인 테스트에 대한 정보는 온라인 테스트를 수행하는 웹 사이트의 주소를 포함할 수 있다. 서버는 상기 온라인 테스트와 관련된 서버로부터 수신된 검증 메시지에 기반하여 상기 검증 메시지에 포함된 식별자에 의해 비검증 단말을 상기 복수의 검증 단말에 포함시킬 수 있다. 상기 식별자는 단말에 대한 15자리의 고유번호(예: IMEI(International Mobile Equipment Identity)를 포함할 수 있다.
부가적으로, 예를 들어, 상기 영상 제작에 필요한 직군에 포함된 프리랜서와 관련된 검증 단말이 상기 온라인 테스트와 관련된 서버로부터 수신된 검증 메시지에 포함된 식별자에 대응하는 단말인 경우, 상기 매칭 점수에 검증이 완료된 것에 대한 가중치가 부여될 수 있다.
도 4는 일 실시예에 따른 키워드 추출 모델 및 매칭 모델의 일 예를 나타낸다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 상기 추출 모델의 학습과 관련된 제1 뉴럴 네트워크(410)는 제1 입력 레이어(411), 하나 이상의 제1 히든 레이어(412) 및 제1 출력 레이어(413)를 포함할 수 있다. 예를 들어, 상기 제1 뉴럴 네트워크(410)는 복수의 컨벌루션 뉴럴 네트워크를 직렬로 연결한 다단 심층 뉴럴 네트워크일 수 있다.
복수의 영상 제작과 관련된 포트폴리오 정보, 복수의 이미지, 복수의 이미지와 관련된 텍스트 및 정답 감성 키워드로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 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 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 키워드 추출 모델이 생성될 수 있다.
예를 들어, 서버는 복수의 영상 제작과 관련된 포트폴리오 정보로부터 해당 포트폴리오의 대표 이미지 및 포트폴리오와 관련된 텍스트를 획득할 수 있다. 서버는 웹 크롤링을 통해 영상과 관련된 웹 사이트에 공개된 복수의 영상에 대한 썸네일 이미지를 수집하고, 해당 영상이 포함된 웹 페이지의 게시글에 기반하여 영상과 관련된 복수의 텍스트를 수집할 수 있다. 서버는 상기 웹 크롤링을 통해 수집된 영상과 관련된 복수의 텍스트 중에서 수집된 횟수가 사전 설정된 횟수 이상인 형용사를 감성 키워드로 결정할 수 있다. 또한, 서버에 감성 키워드가 사전 입력될 수 있다.
즉, 서버는 해당 포트폴리오의 대표 이미지, 포트폴리오와 관련된 텍스트, 복수의 영상에 대한 썸네일 이미지 및 복수의 감성 키워드를 기반으로 상기 제1 뉴럴 네트워크를 이용한 상기 추출 모델을 학습시킬 수 있다.
예를 들어, 상기 포트폴리오의 대표 이미지와 복수의 영상에 대한 썸네일 이미지는 데이터 전처리를 통해 동일한 크기 및 동일한 기준 방향으로 조절될 수 있다.
예를 들어, 복수의 포트폴리오의 대표 이미지에 대한 복수의 제1 픽셀 값이 추출될 수 있고, 복수의 영상에 대한 썸네일 이미지에 대한 복수의 제2 픽셀 값이 추출될 수 있다. 여기서, 픽셀 값은 색공간과 관련된 값일 수 있다. 예를 들어, 색공간과 관련된 값은 RGB(red, green, blue) 값일 수 있다. 이때, 상기 다단 심층 뉴럴 네트워크를 통해 복수의 제1 픽셀 값의 분포에 대한 제1 특징 벡터와 복수의 제2 픽셀 값의 분포에 대한 제2 특징 벡터가 생성되고, 상기 제1 특징 벡터와 상기 제2 특징 백터가 유사할 확률에 대한 특징 맵이 계산될 수 있다. 포트폴리오와 관련된 텍스트에 감성 키워드가 포함된 개수에 따라 가중치가 상기 특징 맵에 부여될 수 있고, 상기 포트폴리오에 대한 감성 키워드는 제1 특징 벡터와 가장 유사한 제2 특징 벡터와 매칭된 감성 키워드로 결정될 수 있다.
예를 들어, 복수의 영상에 대한 썸네일 이미지의 픽셀 값의 분포, 복수의 포트폴리오의 대표 이미지에 대한 픽셀 값의 분포 및 포트폴리오와 관련된 텍스트로 구성된 입력 벡터가 제1 입력 레이어(411)에 입력되는 경우, 상기 입력 벡터가 하나 이상의 제1 히든 레이어(412) 및 제1 출력 레이어(413)를 통과하게 되고, 복수의 제1 특징 벡터와 복수의 제2 특징 벡터가 유사할 확률에 대한 특징 맵이 계산되고, 포트폴리오와 관련된 텍스트를 통해 계산된 가중치가 특징 맵에 적용되고, 상기 특징 맵을 기반으로 상기 포트폴리오에 대한 감성 키워드가 출력 벡터로 출력될 수 있다. 상기 출력 벡터는 상기 제1 출력 레이어(413)에 연결된 용도에 대한 손실함수 레이어(미도시)에 입력되고, 상기 출력 벡터는 상기 제1 출력 레이어(413)에 연결된 영역에 대한 손실함수 레이어(미도시)에 연결될 수 있다. 예를 들어, 상기 출력 벡터와 정답 벡터를 비교하는 손실 함수를 이용하여 유사도와 관련된 손실값을 출력하고, 상기 손실함수 레이어는 상기 출력 벡터와 정답 벡터를 비교하는 손실 함수를 이용하여 유사도와 관련된 손실값을 출력할 수 있다. 예를 들어, 상기 제1 뉴럴 네트워크의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다. 이를 통해, 서버는 프리랜서가 제출한 포트폴리오에 따라 감성 키워드를 추출하고, 해당 감성 키워드를 반영한 프리랜서를 분류할 수 있다.
도 4를 참조하면, 상기 매칭 모델의 학습과 관련된 제2 뉴럴 네트워크(420)는 제2 입력 레이어(421), 하나 이상의 제2 히든 레이어(422) 및 제2 출력 레이어(423)를 포함할 수 있다. 예를 들어, 상기 제2 뉴럴 네트워크는 복수의 컨벌루션 뉴럴 네트워크를 직렬로 연결한 다단 심층 뉴럴 네트워크일 수 있다.
복수의 프리랜서에 대한 정보, 복수의 프리랜서 각각에 대한 복수의 감성 키워드, 사전 설정된 세부 카테고리 및 정답 프리랜서 사이의 유사도로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크(420)의 상기 제2 입력 레이어(421)에 입력되고, 상기 하나 이상의 제2 히든 레이어(422) 및 제2 출력 레이어(423)를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어(423)에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 매칭 모델이 생성될 수 있다.
예를 들어, 서버는 복수의 프리랜서에 대한 정보, 복수의 프리랜서 각각에 대한 복수의 감성 키워드 및 사전 설정된 세부 카테고리에 대해 데이터 전처리를 수행할 수 있다. 서버는 복수의 프리랜서에 대한 정보, 복수의 프리랜서 각각에 대한 복수의 감성 키워드 및 사전 설정된 세부 카테고리를 기반으로, [직군에 대응하는 값, 감성 키워드 카테고리에 대응하는 값, 상세 카테고리에 대응하는 값, 프리랜서 별 협업 횟수와 관련된 값, 영상 분야에 대응하는 값]으로 구성된 입력 벡터를 각 직군마다 프리랜서 별로 결정할 수 있다. 이때, 입력 벡터에서 기준 직군에 포함되는 프리랜서는 제외될 수 있다. 여기서, 프리랜서 별 협업 횟수와 관련된 값은 협업을 진행한 프리랜서를 식별할 수 있는 값과 해당 프리랜서와 협업을 진행한 횟수를 기반으로 결정된 값일 수 있다. 프리랜서 별 협업 횟수와 관련된 값은 협업을 진행한 프리랜서와 협업 횟수에 따라 구별될 수 있는 값으로, 예를 들어, 앞의 세자리는 협업 횟수 및 뒤의 다섯자리는 협업을 진행한 프리랜서를 식별할 수 있는 값으로 구성될 수 있다.
예를 들어, 기준 벡터는 [기준 직군에 대응하는 값, 감성 키워드 카테고리에 대응하는 값, 상세 카테고리에 대응하는 값, 프리랜서 별 협업 횟수와 관련된 값, 영상 분야에 대응하는 값]으로 구성된 벡터이며, 서버에 복수의 기준 벡터가 사전 설정될 수 있다.
예를 들어, [직군에 대응하는 값, 감성 키워드 카테고리에 대응하는 값, 상세 카테고리에 대응하는 값, 프리랜서 별 협업 횟수와 관련된 값, 영상 분야에 대응하는 값]으로 구성된 복수의 입력 벡터가 제2 입력 레이어(421)에 입력되는 경우, 상기 복수의 입력 벡터가 하나 이상의 제2 히든 레이어(422) 및 제1 출력 레이어(423)를 통과하게 되고, 복수의 특징 벡터에 대한 특징 맵이 계산되고, 상기 특징 맵을 기반으로 기준 벡터에 대한 매칭 점수가 출력 벡터로 출력될 수 있다. 상기 출력 벡터는 상기 제2 출력 레이어(423)에 연결된 용도에 대한 손실함수 레이어(미도시)에 입력되고, 상기 출력 벡터는 상기 제2 출력 레이어(423)에 연결된 영역에 대한 손실함수 레이어(미도시)에 연결될 수 있다. 예를 들어, 상기 출력 벡터와 정답 벡터를 비교하는 손실 함수를 이용하여 매칭점수와 관련된 손실값을 출력하고, 상기 손실함수 레이어는 상기 출력 벡터와 정답 벡터를 비교하는 손실 함수를 이용하여 매칭점수와 관련된 손실값을 출력할 수 있다. 예를 들어, 상기 제2 뉴럴 네트워크의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다. 이때, 상기 매칭점수는 상술한 수학식 3에 의해 계산되는 점수일 수 있다.
도 5는 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 5의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5에 도시된 바와 같이, 서버(500)는 프로세서(510), 통신부(520) 및 메모리(530)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(500)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(500)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(500)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(500)는 프로세서(510), 통신부(520) 및 메모리(530) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(510)는, 통상적으로 서버(500)의 전반적인 동작을 제어한다. 프로세서(510)는 하나 이상의 프로세서를 구비하여, 서버(500)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(510)는, 메모리(530)에 저장된 프로그램들을 실행함으로써, 통신부(520) 및 메모리(530) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(510)는 메모리(530)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 4에 기재된 서버(500)의 기능을 수행할 수 있다.
통신부(520)는, 서버(500)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(500)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(520)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(520)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(520)는 프로세서(510)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(520)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(520)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(530)는, 프로세서(510)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(530)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(530)는 프로세서(510)에서 생성된 데이터를 저장할 수 있다. 메모리(530)는 서버(500)로 입력되거나 서버(500)로부터 출력되는 정보를 저장할 수도 있다.
메모리(530)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 (5)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 영상 제작과 관련된 프리랜서들을 매칭시키는 방법에 있어서,
    복수의 제1 단말 각각으로부터 프리랜서에 대한 정보를 수신하는 단계;
    상기 프리랜서에 대한 정보는 이력서에 대한 정보, 영상 제작과 관련된 포트폴리오 정보 및 영상 제작 참여와 관련된 정보를 포함하고,
    상기 이력서에 대한 정보, 상기 영상 제작과 관련된 포트폴리오 정보 및 상기 영상 제작 참여와 관련된 정보를 기반으로 상기 복수의 제1 단말 각각에 대해 평가 점수를 결정하는 단계;
    복수의 검증 단말로부터 수신된 영상 제작과 관련된 포트폴리오 정보 및 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용한 키워드 추출 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 각각에 대한 감성 키워드를 추출하는 단계;
    상기 복수의 검증 단말은 상기 복수의 제1 단말 중에서 상기 평가 점수가 사전 설정된 점수 이상인 단말이고,
    상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 감성 키워드를 기반으로 상기 복수의 검증 단말과 관련된 프리랜서를 사전 설정된 세부 카테고리 별로 분류하는 단계;
    상기 사전 설정된 세부 카테고리는 직군 카테고리, 감성 키워드 카테고리 및 영상 분야 카테고리를 포함하고,
    상기 직군 카테고리는 PD, 촬영, 편집자, 기획자, 디자이너 및 기타를 포함하고,
    제2 단말로부터 영상 제작을 위한 하나 이상의 팀을 요청하는 제1 메시지를 수신하는 단계;
    상기 제1 메시지는 영상 제작 목적, 영상 분야, 예산, 영상 제작 컨셉과 관련된 키워드, 참여 인력 및 고용 기간을 포함하고,
    상기 제1 메시지, 상기 복수의 검증 단말로부터 수신된 프리랜서에 대한 정보 및 상기 사전 설정된 세부 카테고리에 따른 유사도를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 검증 단말과 관련된 프리랜서 중에서 적어도 하나의 프리랜서를 상기 하나 이상의 팀의 멤버로 매칭시키는 단계;
    상기 하나 이상의 팀의 멤버에 대한 정보를 포함하는 제2 메시지를 상기 제2 단말에게 전송하는 단계를 포함하되,
    상기 제1 메시지에 기반하여 상기 직군 카테고리에 포함된 직군 각각에 대해 중요도 점수가 결정되고,
    상기 직군 카테고리에 포함된 직군 중에서 상기 중요도 점수가 사전 설정된 중요도 점수 이상인 직군이 영상 제작에 필요한 직군으로 결정되고,
    상기 직군 카테고리에 포함된 직군 중에서 상기 중요도 점수가 가장 높은 직군이 기준 직군으로 결정되고,
    상기 예산, 상기 고용 기간, 상기 영상 분야 및 상기 영상 제작 컨셉과 관련된 키워드에 기반하여 상기 기준 직군에 포함된 프리랜서 중에서 적어도 하나의 기준 프리랜서가 결정되고,
    상기 영상 제작에 필요한 직군에 포함된 프리랜서 중에서 적어도 하나의 동료 프리랜서는 상기 적어도 하나의 기준 프리랜서와 협업한 횟수, 상기 영상 제작 컨셉과 관련된 키워드에 대한 유사도 및 상기 영상 분야와 관련된 유사도를 기반으로 결정되고,
    상기 하나 이상의 팀의 멤버는 상기 적어도 하나의 기준 프리랜서 및 상기 적어도 하나의 동료 프리랜서로 구성되고,
    상기 복수의 검증 단말과 관련된 프리랜서는 상기 기준 직군에 포함된 프리랜서와 상기 영상 제작에 필요한 직군에 포함된 프리랜서를 포함하고,
    상기 중요도 점수는 하기 수학식에 의해 결정되고,
    Figure 112023019746949-pat00012

    상기 수학식에서, 상기 Pi는 상기 중요도 점수이고, 상기 c는 상기 예산과 관련된 가중치이고, 상기 Target은 해당 영상 제작 목적에 대한 해당 직군의 우선 순위이고, 상기 m은 상기 참여 인력과 관련된 가중치이고, 상기 Field는 해당 영상 분야에 대한 해당 직군의 우선 순위인,
    방법.
  2. 제 1항에 있어서,
    복수의 비검증 단말에게 영상 제작과 관련된 교육 영상에 대한 정보를 포함하는 교육 요청 메시지를 전송하는 단계;
    상기 복수의 비검증 단말은 상기 복수의 제1 단말 중에서 상기 평가 점수가 사전 설정된 점수 이상 미만인 단말이고,
    상기 영상 제작과 관련된 교육 영상이 업로드된 웹 페이지의 로그를 기반으로 상기 복수의 비검증 단말 중에서 상기 영상 제작과 관련된 교육 영상의 시청 완료 여부를 확인하는 단계; 및
    상기 영상 제작과 관련된 교육 영상의 시청이 완료된 비검증 단말에게 온라인 테스트에 대한 정보를 포함하는 테스트 요청 메시지를 상기 복수의 비검증 단말에게 전송하는 단계;를 더 포함하되,
    상기 온라인 테스트와 관련된 서버로부터 수신된 검증 메시지에 기반하여 상기 검증 메시지에 포함된 식별자에 의해 비검증 단말을 상기 복수의 검증 단말에 포함시키는,
    방법.
  3. 제 1항에 있어서,
    상기 영상 분야 카테고리는 뷰티와 관련된 제1 카테고리, 전자기기와 관련된 제2 카테고리, 게임과 관련된 제3 카테고리, 식품과 관련된 제4 카테고리, 음악과 관련된 제5 카테고리, 일상생활과 관련된 제6 카테고리, 여행과 관련된 제7 카테고리, 시사교양과 관련된 제8 카테고리, 예능과 관련된 제9 카테고리, 애니메이션과 관련된 제10 카테고리, 스포츠와 관련된 제11 카테고리 및 교육과 관련된 제12 카테고리를 포함하고,
    상기 감성 키워드 카테고리는 상기 웹 크롤링을 통해 수집된 영상과 관련된 복수의 키워드 중에서 수집된 횟수가 사전 설정된 횟수 이상인 키워드를 포함하는,
    방법.
  4. 삭제
  5. 제 1항에 있어서,
    상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
    복수의 영상 제작과 관련된 포트폴리오 정보, 복수의 이미지, 복수의 이미지와 관련된 키워드 및 정답 감성 키워드로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 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 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 키워드 추출 모델이 생성되고,
    상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
    복수의 프리랜서에 대한 정보, 복수의 프리랜서 각각에 대한 복수의 감성 키워드, 사전 설정된 세부 카테고리 및 정답 매칭점수로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 매칭 모델이 생성되는,
    방법.
KR1020220171732A 2022-12-09 2022-12-09 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치 KR102550862B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220171732A KR102550862B1 (ko) 2022-12-09 2022-12-09 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220171732A KR102550862B1 (ko) 2022-12-09 2022-12-09 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102550862B1 true KR102550862B1 (ko) 2023-07-04

Family

ID=87156679

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220171732A KR102550862B1 (ko) 2022-12-09 2022-12-09 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102550862B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102658238B1 (ko) * 2023-09-07 2024-04-18 아이보람 주식회사 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 영어 글쓰기 서비스를 제공하는 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102024722B1 (ko) * 2018-10-31 2019-11-04 이승보 인공지능 추천을 이용한 ｏ２ｏ 마케팅을 위한 시스템 및 방법
KR102419326B1 (ko) * 2021-12-27 2022-07-11 (주)이랜서 포트폴리오의 선택적 솔팅과 매칭 시뮬레이션을 통한 에이전트 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102024722B1 (ko) * 2018-10-31 2019-11-04 이승보 인공지능 추천을 이용한 ｏ２ｏ 마케팅을 위한 시스템 및 방법
KR102419326B1 (ko) * 2021-12-27 2022-07-11 (주)이랜서 포트폴리오의 선택적 솔팅과 매칭 시뮬레이션을 통한 에이전트 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102658238B1 (ko) * 2023-09-07 2024-04-18 아이보람 주식회사 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 영어 글쓰기 서비스를 제공하는 방법 및 장치

Similar Documents

Publication Publication Date Title
KR102550862B1 (ko) 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치
KR102484291B1 (ko) 뉴럴 네트워크를 이용하여 서버가 구직자 리스트를 단말에게 제공하는 방법 및 장치
KR102468206B1 (ko) 뉴럴 네트워크를 이용한 크리에이팅 보조 방법, 그 방법을 수행하는 서버 및 단말기
KR102553169B1 (ko) 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치
KR20230168097A (ko) 웹툰의 장르 값에 기반하여 웹툰의 유사도를 결정하는 방법 및 장치
KR102384892B1 (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR20230006778A (ko) 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기
KR20230090979A (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR102638246B1 (ko) 다중 신경망을 이용하여 필드레슨을 제공하는 프로 골퍼 매칭 서비스
KR102466836B1 (ko) 뉴럴 네트워크를 이용한 매칭 방법 및 매칭 장치
KR102633788B1 (ko) 뉴럴 네트워크를 이용하여 댄스 대회를 관리하는 방법 및 시스템
KR102554242B1 (ko) 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치
KR102486525B1 (ko) 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102487754B1 (ko) 뉴럴 네트워크를 이용하여 서버가 마케팅 비용에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102572321B1 (ko) 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치
KR102596451B1 (ko) 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102513048B1 (ko) 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치
KR102602589B1 (ko) 뉴럴 네트워크를 사용하여 오프라인 팝업 스토어와 관련된 정보를 기반으로 메타버스 팝업 스토어를 관리하는 방법 및 장치
KR102652009B1 (ko) 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 동영상을 기반으로 하는 이북을 제공하는 방법 및 장치
KR102551357B1 (ko) 인공지능 기반의 육아 용품 플랫폼 시스템
KR102590839B1 (ko) 뉴럴 네트워크 기반의 컨텍스트 분석을 통한 진로 상담 컨텐츠 제공 시스템
KR102605447B1 (ko) 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치
KR102562282B1 (ko) 성향 기반 매칭 방법 및 장치

Legal Events

Date Code Title Description
GRNT Written decision to grant