KR102554242B1 - 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102554242B1
KR102554242B1 KR1020220113685A KR20220113685A KR102554242B1 KR 102554242 B1 KR102554242 B1 KR 102554242B1 KR 1020220113685 A KR1020220113685 A KR 1020220113685A KR 20220113685 A KR20220113685 A KR 20220113685A KR 102554242 B1 KR102554242 B1 KR 102554242B1
Authority
KR
South Korea
Prior art keywords
data
output
adjustment variable
contribution
learning
Prior art date
Application number
KR1020220113685A
Other languages
English (en)
Inventor
유희주
Original Assignee
유희주
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 유희주 filed Critical 유희주
Priority to KR1020220113685A priority Critical patent/KR102554242B1/ko
Application granted granted Critical
Publication of KR102554242B1 publication Critical patent/KR102554242B1/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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/30—Transportation; Communications
    • 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages

Abstract

일 실시예에 따르면, 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치가 제공된다. 일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 이벤트와 관련된 메시지를 적어도 하나의 제1 단말에게 제공하는 방법은, 동영상 플랫폼 또는 SNS(social network service)에 업로드된 현재 컨텐츠를 선택하는 단계;상기 선택된 현재 컨텐츠에 대한 복수의 1차 응답 텍스트를 크롤링하여 각각 복수의 크롤링 데이터를 획득하는 단계; 복수의 크롤링 데이터 및 상기 현재 컨텐츠를 뉴럴 네트워크로 구성된 연관도 출력 모델에 입력하여 각각의 크롤링 데이터에 대응하는 연관도를 출력하는 단계; 뉴럴 네트워크로 구성된 조정 변수 출력 모델에 상기 현재 컨텐츠, 상기 현재 컨텐츠에 대한 복수의 1차 응답 텍스트, 상기 복수의 1차 응답 텍스트에 대한 복수의 2차 응답 텍스트를 입력하여 기여도의 문턱 조정 변수, 기여도의 편차 조정 변수 및 기여도의 중심 조정 변수를 출력하는 단계; 상기 각각의 크롤링 데이터의 연관도 및 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 기초로 상기 각각의 크롤링 데이터의 기여도를 계산하는 단계; 상기 복수의 크롤링 데이터 중에서 기여도가 임계값 이상인 크롤링 데이터를 선택하는 단계; 및 상기 선택된 하나 이상의 크롤링 데이터를 생성한 각각의 ID(identifier)로 이벤트와 관련된 메시지를 제1 단말로 전송하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING A MESSAGE RELATED AN EVENT TO A TERMINAL USING A NEURAL NETWORK BY A SERVER}
본 개시의 실시예들은 이벤트와 관련된 메시지를 단말에게 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 기술에 대한 것이다.
인터넷 사용자 수의 증가에 따라, 광고 또는 홍보를 위해 동영상 플랫폼 또는 SNS(social network service)를 이용하는 기업들이 증가하고 있다. 다만, 동영상 플랫폼 또는 SNS(social network service)에 작성되는 악성 댓글, 음란물, 불법 광고 등으로 인해 브랜드의 이미지가 훼손되는 문제가 발생할 수 있다.
한편, 동영상 플랫폼 또는 SNS의 사회에 대한 영향력이 커지면서, 연예인들뿐만 아니라 크리에이터(creator)를 통해 제품을 홍보하는 케이스가 늘어나고 있다. 뿐만 아니라, 동영상 플랫폼 또는 SNS(social network service)와 관련된 웹 페이지를 운영하는 크리에이터들은 자신의 웹 페이지에 방문하는 유저들에게 흥미를 유발시키기 위해 다양한 이벤트를 제공하고 있다.
이때, 다양한 이벤트를 제공하기 위해 이벤트의 형태에 따라 유저들이 작성한 답변 게시물로부터 데이터를 추출하여 효율적으로 당첨자를 결정하는 방법이 필요할 수 있다.
이에, 서버가 뉴럴 네트워크를 이용한 모델을 통해 성의있는 답변 게시물을 작성한 유저들을 선별하고, 해당 유저들이 작성한 답변 게시물들에 대해서 진행하는 이벤트와 매칭되는 답변 게시물을 효율적으로 결정하는 방법이 필요할 수 있다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른, 뉴럴 네트워크(neural network)를 이용하여 서버가 이벤트와 관련된 메시지를 적어도 하나의 제1 단말에게 제공하는 방법에 있어서, 동영상 플랫폼 또는 SNS(social network service)에 업로드된 현재 컨텐츠를 선택하는 단계;상기 선택된 현재 컨텐츠에 대한 복수의 1차 응답 텍스트를 크롤링하여 각각 복수의 크롤링 데이터를 획득하는 단계; 복수의 크롤링 데이터 및 상기 현재 컨텐츠를 뉴럴 네트워크로 구성된 연관도 출력 모델에 입력하여 각각의 크롤링 데이터에 대응하는 연관도를 출력하는 단계; 뉴럴 네트워크로 구성된 조정 변수 출력 모델에 상기 현재 컨텐츠, 상기 현재 컨텐츠에 대한 복수의 1차 응답 텍스트, 상기 복수의 1차 응답 텍스트에 대한 복수의 2차 응답 텍스트를 입력하여 기여도의 문턱 조정 변수, 기여도의 편차 조정 변수 및 기여도의 중심 조정 변수를 출력하는 단계; 상기 각각의 크롤링 데이터의 연관도 및 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 기초로 상기 각각의 크롤링 데이터의 기여도를 계산하는 단계; 상기 복수의 크롤링 데이터 중에서 기여도가 임계값 이상인 크롤링 데이터를 선택하는 단계; 및 상기 선택된 하나 이상의 크롤링 데이터를 생성한 각각의 ID(identifier)로 이벤트와 관련된 메시지를 제1 단말로 전송하는 단계를 포함할 수 있다.
상기 조정 변수 출력 모델은 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함하고, 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 대한 1차 학습 응답 텍스트, 상기 1차 학습 응답 텍스트에 대한 2차 학습 응답 텍스트, 정답 문턱 조정 변수, 정답 편차 조정 변수 및 정답 중심 조정 변수로 구성된 각각의 학습 데이터는 상기 조정 변수 출력 모델의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습될 수 있다.
상기 기여도를 계산하는 단계는, 상기 현재 컨텐츠의 1차 응답 텍스트에 대한 긍정적인 2차 응답 텍스트의 수, 상기 현재 컨텐츠의 1차 응답 텍스트에 대한 부정적인 2차 응답 텍스트의 수, 복수의 1차 응답 텍스트에 대응하는 각각의 크롤링 데이터의 연관도를 기초로, 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 이용하여 상기 각각의 크롤링 데이터의 기여도를 계산하는 단계를 포함할 수 있다.
상기 연관도 출력 모델은 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함하고, 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 각각에 대한 복수의 학습 크롤링 데이터 및 정답 연관도로 구성된 각각의 학습 데이터는 상기 연관도 출력 모델의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습될 수 있다.
실시예들에 따르면, 서버가 복수의 답변 게시물에 대한 텍스트를 기반으로 뉴럴 네트워크를 이용한 조정 변수 출력 모델 및 연관도 출력 모델을 통해 컨텐츠와 적절한 연관도를 가지면서도 컨텐츠에 대한 반응으로서 컨텐츠 자체에 대한 흥미를 증가시키는 데에 기여하는 척도를 나타내는 기여도를 기반으로 적어도 하나의 ID를 결정함으로써, 이벤트에 매칭되는 ID를 결정할 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 서버가 이벤트와 관련된 메시지를 적어도 하나의 제1 단말에게 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 조정 변수 출력 모델, 연관도 출력 모델 및 분석 모델에 대한 예이다.
도 5은 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 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 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 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 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: 국제모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(198) 또는 제2 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: 제2 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, 제1 네트워크(198) 또는 제2 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 제1 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 제2 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 제2 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 제2 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 결제기능을 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 결제시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신될 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 서버가 이벤트와 관련된 메시지를 적어도 하나의 제1 단말에게 제공하는 방법을 나타낸다.
일 실시예에 따르면, 뉴럴 네트워크(neural network)를 이용하여 서버가 이벤트와 관련된 메시지를 적어도 하나의 제1 단말에게 제공하는 방법이 제공된다.
일 실시예에 따르면, 단계(301)에서, 서버는 동영상 플랫폼 또는 SNS(social network service)에 업로드된 현재 컨텐츠를 선택할 수 있다.
여기서, 동영상 플랫폼은 유튜브 등과 같이 동영상을 자유롭게 업로드하고 조회할 수 있는 플랫폼일 수 있다. 여기서, SNS는 페이스북, 인스타그램과 같이 인터넷 또는 인트라넷 등 전자 네트워크로 정보를 주고받는 미디어 서비스일 수 있다. 예를 들어, 동영상 플랫폼 또는 SNS와 관련된 웹 페이지는 특정 크리에이터(creator)에 대한 동영상 플랫폼 또는 SNS와 관련된 채널의 특정 웹 페이지일 수 있다. 여기서, 크리에이터는 특정한 컨텐츠를 만드는 사람일 수 있다. 여기서, 답변 게시물은 특정 웹 페이지에 업로드된 컨텐츠에 대한 답변 게시물일 수 있다. 예를 들어, 복수의 답변 게시물에 대한 텍스트는 답변 게시물에 대한 내용, 답변 게시물을 작성한 작성자의 ID, 작성 날짜 및 작성 시간을 포함할 수 있다. 일 실시예에 따르면, 단계(303)에서, 서버는 상기 선택된 현재 컨텐츠에 대한 복수의 1차 응답 텍스트를 크롤링하여 각각 복수의 크롤링 데이터를 획득할 수 있다. 여기서, 크롤링은 인터넷 상의 웹 페이지에서 데이터를 수집하는 동작일 수 있다. 크롤링 데이터는 텍스트 데이터에서 서식이 제외된 텍스트 시퀀스 형태의 데이터일 수 있다. 즉, 크롤링 데이터는 텍스트 데이터의 일종일 수 있다.
일 실시예에 따르면, 단계(305)에서, 서버는 복수의 크롤링 데이터 및 상기 현재 컨텐츠를 뉴럴 네트워크로 구성된 연관도 출력 모델에 입력하여 각각의 크롤링 데이터에 대응하는 연관도를 출력할 수 있다.
여기서, 연관도는 현재 컨텐츠에 대한 1차 응답 텍스트의 연관된 정도를 나타낸다. 예를 들어, 현재 컨텐츠가 엘지와 삼성의 프로야구 경기 영상이고, 현재 컨텐츠는 경기 영상에 대한 이미지 데이터 및 해설진의 음성 데이터를 포함할 수 있다. 1차 응답 텍스트는 경기 영상에 대한 댓글일 수 있다. 연관도는 경기 영상과 1차 응답 테스트 사이의 연관된 정도를 나타낼 수 있고, 1차 응답 텍스트가 얼마나 경기 영상에 적합한 댓글인지를 나타낼 수 있다. 예를 들어, 1차 응답 텍스트가 "엘지 티비보다 삼성 티비가 더 좋다"인 경우, 1차 응답 텍스트는 현재 컨텐츠와의 연관도가 낮게 평가될 수 있다. 1차 응답 텍스트가 "이번 경기에 엘지가 이겨 봤자 어차피 가을 야구는 삼성이 가겠지"인 경우, 1차 응답 텍스트는 현재 컨텐츠와의 연관도가 높게 평가될 수 있다.
상기 연관도 출력 모델은 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다.
연관도 출력 모델은 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 각각에 대한 복수의 학습 크롤링 데이터 및 정답 연관도로 구성된 각각의 학습 데이터는 상기 연관도 출력 모델의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습될 수 있다.
일 실시예에 따르면, 단계(307)에서, 서버는 뉴럴 네트워크로 구성된 조정 변수 출력 모델에 상기 현재 컨텐츠, 상기 현재 컨텐츠에 대한 복수의 1차 응답 텍스트, 상기 복수의 1차 응답 텍스트에 대한 복수의 2차 응답 텍스트를 입력하여 기여도의 문턱 조정 변수, 기여도의 편차 조정 변수 및 기여도의 중심 조정 변수를 출력할 수 있다.
여기서, 기여도는 크롤링 데이터의 연관도 및 문턱 조정 변수, 편차 조정 변수 및 중심 조정 변수를 기초로 계산될 수 있다. 기여도는 컨텐츠에 대한 응답 컨텐츠에 대한 긍정적인 반응을 증가시키는 정도를 의미한다. 일반적으로, 컨텐츠에 대한 댓글은 컨텐츠 자체의 흥미를 증가시키는 요소이다. 응답이 컨텐츠와 적절한 연관성을 가지면서도 창의성을 가지는 경우에 다른 사용자들로부터 좋은 반응을 가질 수 있다. 기여도는 연관도를 독립 변수로 가질 수 있다. 예를 들어, 컨텐츠와 답변의 연관도가 너무 적으면 전혀 무관한 내용을 기재한 것으로 인식될 수 있다. 컨텐츠와 답변의 연관도가 너무 높으면 단순히 컨텐츠의 내용을 요약한 것으로 인식될 수 있다. 컨텐츠와 답변의 연관도가 중간 범위이면서 창의성이 높은 답변은 컨텐츠의 흥미를 증가시키는 답변으로 인식될 수 있다.
상기 조정 변수 출력 모델은 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다.
조정 변수 출력 모델은 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 대한 1차 학습 응답 텍스트, 상기 1차 학습 응답 텍스트에 대한 2차 학습 응답 텍스트, 정답 문턱 조정 변수, 정답 편차 조정 변수 및 정답 중심 조정 변수로 구성된 각각의 학습 데이터는 상기 조정 변수 출력 모델의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습될 수 있다.
일 실시예에 따르면, 단계(309)에서, 서버는 상기 각각의 크롤링 데이터의 연관도 및 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 기초로 상기 각각의 크롤링 데이터의 기여도를 계산할 수 있다.
즉, 특정한 유형의 컨텐츠에서 기여도가 연관도의 함수로 표현될 수 있도록, 조정 변수 출력 모델을 이용하여 컨텐츠와 응답을 기초로 문턱 조정 변수, 편차 조정 변수 및 중심 조정 변수가 학습될 수 있고, 학습된 변수를 가지는 수학식에 의해 연관도를 기초로 기여도가 계산될 수 있다.
서버는 상기 현재 컨텐츠의 1차 응답 텍스트에 대한 긍정적인 2차 응답 텍스트의 수, 상기 현재 컨텐츠의 1차 응답 텍스트에 대한 부정적인 2차 응답 텍스트의 수, 복수의 1차 응답 텍스트에 대응하는 각각의 크롤링 데이터의 연관도를 기초로, 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 이용하여 상기 각각의 크롤링 데이터의 기여도를 계산할 수 있다.
예를 들어, 기여도는 하기 수학식을 이용하여 계산될 수 있다.
[수학식]
Figure 112022094521470-pat00001
수학식에서, Na는 답변에 대한 긍정적인 댓글(2차 응답 텍스트)의 수, Nb는 답변에 대한 부정적인 댓글의 수, Wout은 연관도가 최저일 때의 기여도의 문턱 조정 변수, Vout은 연관도가 최저 및 최대일 때의 기여도의 편차 조정 변수, Kout은 최대의 기여도를 출력하는 연관도의 중심 조정 변수를 의미한다. Vout, Wout, Kout은 조정 변수 출력 모델로부터 출력될 수 있다. Koffset은 기여도의 최대치를 조정하는 값을 의미한다.
[그래프]
Figure 112022094521470-pat00002
예를 들어, 그래프는 수학식의 Vout이 0.1, Wout이 1, Kout이 5인 경우를 나타낸다. Vout이 클수록 연관도가 최저 및 최대일 때의 기여도의 편차는 작아진다. Wout이 클수록 연관도가 최저일 때의 기여도의 문턱값은 커진다. 연관도가 Kout에 가까울수록 기여도는 높은 값을 가질 수 있다.
일 실시예에 따르면, 단계(311)에서, 서버는 상기 복수의 크롤링 데이터 중에서 기여도가 임계값 이상인 크롤링 데이터를 선택할 수 있다.
일 실시예에 따르면, 단계(313)에서, 서버는 상기 선택된 하나 이상의 크롤링 데이터를 생성한 각각의 ID(identifier)로 이벤트와 관련된 메시지를 제1 단말로 전송할 수 있다. 서버는 상기 적어도 하나의 ID에 대한 기여도가 사전 설정된 임계값 이상인 것에 기반하여, 상기 적어도 하나의 ID와 연동된 적어도 하나의 제1 단말(예: 도 1의 전자 장치(101))에게 이벤트와 관련된 메시지를 전송할 수 있다. 여기서, 이벤트와 관련된 메시지는 이벤트에 당첨된 것을 알리는 메시지일 수 있다. 예를 들어, 이벤트와 관련된 메시지는 당첨 선물과 관련된 정보를 포함할 수 있다. 서버는 복수의 답변 게시물에 대한 텍스트, 복수의 유형 및 사전 설정된 이벤트와 관련된 정보를 기반으로 적어도 하나의 ID(identifier)를 결정할 수 있다. 여기서, 이벤트와 관련된 정보는 정답과 관련된 텍스트, 날짜 및 시간에 대한 텍스트 또는 사전 설정된 단어와 관련된 텍스트, 이벤트 타입에 대한 정보, 당첨 선물에 대한 정보 또는 사전 설정된 금액에 대한 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, 이벤트 타입은 퀴즈 이벤트, 선착순 이벤트 또는 사연 이벤트와 같이 다양한 이벤트 타입을 포함할 수 있다. 여기서, 퀴즈 이벤트는 퀴즈에 대한 정답 텍스트를 포함하는 답변 게시물을 결정하여 당첨 선물을 증정하는 이벤트일 수 있다. 여기서, 선착순 이벤트는 답변 게시물을 작성한 순서로 사전 설정된 개수의 답변 게시물을 결정하여 당첨 선물을 증정하는 이벤트일 수 있다. 여기서, 사연 이벤트는 특정 단어들이 포함된 답변 게시물을 결정하여 당첨 선물을 증정하는 이벤트일 수 있다.
예를 들어, 이벤트는 특정한 날짜 및 시간에 답변 게시글을 작성하는 이벤트일 수 있다. 이때, 예를 들어, 상기 이벤트와 관련된 정보는 날짜 및 시간에 대한 텍스트, 이벤트 타입에 대한 값, 당첨 선물에 대한 정보 및 사전 설정된 금액에 대한 정보를 포함할 수 있다. 서버는 기여도가 임계값 이상인 답변 게시물에 대한 텍스트 중에서 날짜 및 시간에 대한 텍스트를 포함하는 적어도 하나의 답변 게시물을 결정할 수 있다. 예를 들어, 서버는 상기 적어도 하나의 답변 게시물에 대한 텍스트에 기반하여 상기 적어도 하나의 답변 게시물을 작성한 적어도 하나의 ID를 결정할 수 있다. 또한, 예를 들어, 상기 임계값 이상의 기여도를 가지는 답변 게시물에 대한 텍스트 중에서 날짜 및 시간에 대한 텍스트를 포함하는 적어도 하나의 답변 게시물이 존재하지 않는 경우, 서버는 상기 날짜 및 시간에 가장 근접한 날짜 및 시간에 대한 텍스트를 포함하는 적어도 하나의 답변 게시물을 결정할 수 있다. 예를 들어, 상기 적어도 하나의 답변 게시물은 사전 설정된 개수만큼 결정될 수 있다. 예를 들어, 상기 적어도 하나의 답변 게시물이 사전 설정된 개수를 초과하는 경우, 서버는 랜덤하게 상기 적어도 하나의 답변 게시물 중에서 사전 설정된 개수만큼 답변 게시물을 결정할 수 있다.
예를 들어, 이벤트 타입이 선착순 이벤트인 경우, 상기 이벤트와 관련된 정보는 기준 날짜 및 기준 시간에 대한 텍스트, 이벤트 타입에 대한 값, 당첨 선물에 대한 정보 및 사전 설정된 금액에 대한 정보를 포함할 수 있다. 서버는 기여도가 임계값 이상인 답변 게시물에 대한 텍스트 중에서 기준 날짜 및 기준 시간 이후의 날짜 및 시간에 대한 텍스트를 포함하는 복수의 답변 게시물을 결정할 수 있다. 예를 들어, 서버는 날짜 및 시간에 대한 텍스트를 포함하는 복수의 답변 게시물을 가장 먼저 작성된 순서로 상기 적어도 하나의 답변 게시물을 결정하고, 상기 적어도 하나의 답변 게시물에 대한 텍스트에 기반하여 상기 적어도 하나의 답변 게시물을 작성한 적어도 하나의 ID를 결정할 수 있다. 예를 들어, 상기 적어도 하나의 답변 게시물은 사전 설정된 개수만큼 결정될 수 있다.
예를 들어, 이벤트 타입이 사연 이벤트인 경우, 사전 설정된 단어와 관련된 텍스트, 날짜 및 시간에 대한 텍스트, 이벤트 타입에 대한 값, 당첨 선물에 대한 정보 및 사전 설정된 금액에 대한 정보를 포함할 수 있다. 예를 들어, 서버는 기여도가 임계값 이상인 답변 게시물에 대한 텍스트 중에서 상기 사전 설정된 복수의 단어와 관련된 텍스트를 포함하는 적어도 하나의 답변 게시물을 결정할 수 있다. 예를 들어, 서버는 상기 적어도 하나의 답변 게시물에 대한 텍스트에 기반하여 상기 적어도 하나의 답변 게시물을 작성한 적어도 하나의 ID를 결정할 수 있다. 또한, 예를 들어, 서버는 상기 적어도 하나의 답변 게시물이 사전 설정된 개수를 초과하는 경우, 상기 사전 설정된 단어와 관련된 텍스트를 가장 많이 포함하는 순서로 사전 설정된 개수만큼 답변 게시물을 결정할 수 있다.
도 4는 일 실시예에 따른 조정 변수 출력 모델, 연관도 출력 모델 및 분석 모델에 대한 예이다.
도 4를 참조하면, 조정 변수 출력 모델 및 연관도 출력 모델은 컨텐츠-텍스트 분석 모델(400)을 기초로 한 구조일 수 있다. 컨텐츠-텍스트 분석 모델(400)은 텍스트 분석 모델(410), 음성 분석 모델(420), 이미지 분석 모델(430) 및 통합 모델(440)을 포함할 수 있다.
텍스트 분석 모델(410)은 텍스트 형태의 데이터를 입력받고 벡터 형태의 데이터를 출력할 수 있다. 음성 분석 모델(420)은 소리 형태의 데이터를 입력 받고 벡터 형태의 데이터를 출력할 수 있다. 이미지 분석 모델(430)은 이미지 형태의 데이터를 입력 받고 벡터 형태의 데이터를 출력할 수 있다.
예를 들어, 컨텐츠는 이미지 데이터 및 음성 데이터를 포함할 수 있다. 이미지 분석 모델(430)은 컨텐츠에 포함된 이미지 데이터를 분석하여 컨텐츠의 내용을 분석할 수 있다. 음성 분석 모델(420)은 컨텐츠에 포함된 음성 데이터를 분석하여 컨텐츠의 내용을 분석할 수 있다. 텍스트 분석 모델(410)은 컨텐츠에 대한 응답 텍스트들을 분석하여 컨텐츠에 대한 반응을 분석할 수 있다.
예를 들어, 텍스트 분석 모델(410)은 세 개의 서로 다른 합성곱층을 이용하는 멀티-채널 CNN일 수 있다. 예를 들어, 텍스트 분석 모델(410), 음성 분석 모델(420) 및 이미지 분석 모델(430)은 각각 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 예를 들어, 텍스트 분석 모델(410)에서, 하나 이상의 히든 레이어는 세 개의 서로 다른 합성곱층을 포함하고, 세 개의 서로 다른 합성곱층을 기반으로 형태소, 음절, 자소를 모두 입력 값으로 설정할 수 있다. 여기서, 형태소는 의미를 가지는 요소로서는 더 이상 분석할 수 없는 가장 작은 말의 단위를 의미한다. 여기서, 음절은 음의 한 마디를 의미한다. 여기서, 자소는 문자의 기본 단위를 의미한다. 따라서, 형태소, 음절, 자소를 모두 입력 값으로 설정함으로써, 학습이 되지 않은 단어는 음절과 자소에 대한 특징 벡터를 통해 보완할 수 있고, 고유 명사나 전문 용어는 형태소에 대한 특징 벡터를 통해 보완할 수 있다. 예를 들어, 텍스트 분석 모델(410)은 Word2vec, Glove, Syntactic 등과 같이 서로 다른 방식의 단어 임베딩을 동시에 사용할 수 있다. 예를 들어, 입력 레이어는 세 개의 입력 채널을 포함할 수 있고, 답변 게시물 내 하나의 문장이 형태소, 음절 및 자소로 분류되고, 분류된 형태소, 음절 및 자소가 각각 세 개의 입력 채널로 입력될 수 있다.
이미지 분석 모델(430)은 합성곱 신경망의 일반적인 구조를 채택할 수 잇으며, 음성 분석 모델(420)은 순환형 뉴럴 네트워크 구조를 채택할 수 있다. 다만, 이들은 예시에 불과하며, 각각의 유형의 데이터를 분석하기에 적합한 다른 구조를 채택할 수도 있다.
통합 모델(440)은 컨텐츠의 분석 결과 및 컨텐츠에 대한 반응 사이의 관계를 평가할 수 있다. 예를 들어, 조정 변수 출력 모델의 경우, 통합 모델(440)은 현재 컨텐츠의 이미지 분석 결과 또는 음성 분석 결과와 응답 텍스트의 분석 결과 사이의 관계를 평가할 수 있다. 평가 결과는 벡터 형태의 데이터로 출력될 수 있다. 통합 모델(440)은, 예를 들어, 연관도의 범위를 0에서 10으로 설정하고, 연관도의 값에 따라 최적의 기여도가 산출되도록, 현재 컨텐츠의 분석 결과 및 응답 텍스트의 분석 결과 사이의 관계에 대한 평가 결과를 기초로 기여도의 문턱 조정 변수, 기여도의 편차 조정 변수 및 기여도의 중심 조정 변수를 출력할 수 있다.
즉, 특정한 유형의 컨텐츠에서 기여도가 연관도의 함수로 표현될 수 있도록, 조정 변수 출력 모델을 이용하여 컨텐츠와 응답을 기초로 문턱 조정 변수, 편차 조정 변수 및 중심 조정 변수가 학습될 수 있고, 학습된 변수를 가지는 수학식에 의해 연관도를 기초로 기여도가 계산될 수 있다. 운영자는 기여도가 높은 응답, 즉, 1차 응답 텍스트에 대응하는 단말로 선물을 수여하는 이벤트와 관련된 메시지를 전달할 수 있다.
조정 변수 출력 모델은 텍스트 분석 모델(410), 음성 분석 모델(420) 및 이미지 분석 모델(430) 및 통합 모델(440)을 포함할 수 있다. 각각의 구성은 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 서버는 예를 들어, 상기 현재 컨텐츠에 대한 복수의 1차 응답 텍스트, 상기 복수의 1차 응답 텍스트에 대한 복수의 2차 응답 텍스트를 입력 받을 수 있다. 예를 들어, 서버는 텍스트 분석 모델(410)의 제3 입력 레이어을 통하여 복수의 1차 응답 텍스트 및 복수의 2차 응답 텍스트에 포함된 문장을 형태소, 음절 및 자소로 분석하고, 각각의 형태소, 음절 및 자소에 대해 Word2vec, Glove, Syntactic 등과 같이 서로 다른 방식의 제1 단어 임베딩을 수행하여 벡터 형태의 데이터를 출력할 수 있다.
조정 변수 출력 모델과 관련하여, 예를 들어, 서버는 현재 컨텐츠를 입력받을 수 있다. 현재 컨텐츠는 이미지, 동영상, 음성 및 텍스트 데이터로 구성될 수 있으며, 서버는 현재 컨텐츠의 유형에 맞는 입력 레이어(예, 음성 분석 모델(420) 또는 이미지 분석 모델(430)의 입력 레이어)에 상기 현재 컨텐츠를 입력하여 임베딩을 수행하고 벡터 형태의 데이터를 출력할 수 있다. 상기 임베딩된 결과들은 통합 모델(440)의 복수의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 문턱 조정 변수, 편차 조정 변수 및 중심 조정 변수를 출력할 수 있다.
수학식으로 표현되는 기여도에 의해 연관도와 기여도 간의 관계가 정확하게 매핑될 수 있도록, 수학식의 문턱 조정 변수, 편차 조정 변수 및 중심 조정 변수는 경기 영상의 이미지 데이터 및 음성 데이터의 벡터 데이터와 1차 응답 텍스트의 벡터 데이터 사이의 관계를 기초로 미리 학습될 수 있다.
이를 위하여, 조정 변수 출력 모델은, 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 대한 1차 학습 응답 텍스트, 상기 1차 학습 응답 텍스트에 대한 2차 학습 응답 텍스트, 정답 문턱 조정 변수, 정답 편차 조정 변수 및 정답 중심 조정 변수로 구성된 각각의 학습 데이터는 상기 조정 변수 출력 모델의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습될 수 있다.
연관도 출력 모델은 텍스트 분석 모델(410), 음성 분석 모델(420) 및 이미지 분석 모델(430) 및 통합 모델(440)을 포함할 수 있다. 각각의 구성은 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다. 서버는 예를 들어, 현재 컨텐츠에 대한 복수의 크롤링 데이터를 입력 받을 수 있다. 예를 들어, 서버는 텍스트 분석 모델(410)의 제4 입력 레이어을 통하여 복수의 크롤링 데이터에 포함된 문장을 형태소, 음절 및 자소로 분석하고, 각각의 형태소, 음절 및 자소에 대해 Word2vec, Glove, Syntactic 등과 같이 서로 다른 방식의 제2 단어 임베딩을 수행하여 벡터 형태의 데이터를 출력할 수 있다.
연관도 출력 모델과 관련하여, 예를 들어, 서버는 현재 컨텐츠를 입력받을 수 있다. 현재 컨텐츠는 이미지, 동영상, 음성 및 텍스트 데이터로 구성될 수 있으며, 서버는 현재 컨텐츠의 유형에 맞는 입력 레이어(예, 음성 분석 모델(420) 또는 이미지 분석 모델(430)의 입력 레이어)에 상기 현재 컨텐츠를 입력하여 임베딩을 수행하고 벡터 형태의 데이터를 출력할 수 있다. 상기 임베딩된 결과들은 복수의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 연관도를 출력할 수 있다.
이러한 연관도 출력 모델의 학습과 관련하여, 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 각각에 대한 복수의 학습 크롤링 데이터 및 정답 연관도로 구성된 각각의 학습 데이터는 상기 연관도 출력 모델의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습될 수 있다.
도 5는 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
일 실시예에 따르면, 서버(500)는 메모리(530)(예: 도 1의 메모리(130)), 프로세서(510)(예: 도 1의 프로세서(120)) 및 통신부(520)(예: 도 1의 통신 모듈(190))를 포함할 수 있다.
일 실시예에 따르면, 프로세서(510)는 동영상 플랫폼 또는 SNS(social network service)에 업로드된 현재 컨텐츠를 선택할 수 있다.
일 실시예에 따르면, 프로세서(510)는 상기 선택된 현재 컨텐츠에 대한 복수의 1차 응답 텍스트를 크롤링하여 각각 복수의 크롤링 데이터를 획득할 수 있다.
일 실시예에 따르면, 프로세서(510)는 복수의 크롤링 데이터 및 상기 현재 컨텐츠를 뉴럴 네트워크로 구성된 연관도 출력 모델에 입력하여 각각의 크롤링 데이터에 대응하는 연관도를 출력할 수 있다.
상기 연관도 출력 모델은 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다.
연관도 출력 모델은 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 각각에 대한 복수의 학습 크롤링 데이터 및 정답 연관도로 구성된 각각의 학습 데이터는 상기 연관도 출력 모델의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습될 수 있다.
일 실시예에 따르면, 프로세서(510)는 뉴럴 네트워크로 구성된 조정 변수 출력 모델에 상기 현재 컨텐츠, 상기 현재 컨텐츠에 대한 복수의 1차 응답 텍스트, 상기 복수의 1차 응답 텍스트에 대한 복수의 2차 응답 텍스트를 입력하여 기여도의 문턱 조정 변수, 기여도의 편차 조정 변수 및 기여도의 중심 조정 변수를 출력할 수 있다.
상기 조정 변수 출력 모델은 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다.
조정 변수 출력 모델은 복수의 학습 컨텐츠, 상기 학습 컨텐츠에 대한 1차 학습 응답 텍스트, 상기 1차 학습 응답 텍스트에 대한 2차 학습 응답 텍스트, 정답 문턱 조정 변수, 정답 편차 조정 변수 및 정답 중심 조정 변수로 구성된 각각의 학습 데이터는 상기 조정 변수 출력 모델의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습될 수 있다.
일 실시예에 따르면, 프로세서(510)는 상기 각각의 크롤링 데이터의 연관도 및 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 기초로 상기 각각의 크롤링 데이터의 기여도를 계산할 수 있다.
프로세서(510)는 상기 현재 컨텐츠의 1차 응답 텍스트에 대한 긍정적인 2차 응답 텍스트의 수, 상기 현재 컨텐츠의 1차 응답 텍스트에 대한 부정적인 2차 응답 텍스트의 수, 복수의 1차 응답 텍스트에 대응하는 각각의 크롤링 데이터의 연관도를 기초로, 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 이용하여 상기 각각의 크롤링 데이터의 기여도를 계산할 수 있다.
일 실시예에 따르면, 프로세서(510)는 상기 복수의 크롤링 데이터 중에서 기여도가 임계값 이상인 크롤링 데이터를 선택할 수 있다.
일 실시예에 따르면, 프로세서(510)는 상기 선택된 하나 이상의 크롤링 데이터를 생성한 각각의 ID(identifier)로 이벤트와 관련된 메시지를 제1 단말로 전송할 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(1000)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 체제상에서 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 (4)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 이벤트와 관련된 메시지를 적어도 하나의 제1 단말에게 제공하는 방법에 있어서,
    동영상 플랫폼 또는 SNS(social network service)에 업로드된 현재 컨텐츠를 선택하는 단계; 상기 선택된 현재 컨텐츠에 대한 복수의 1차 응답 텍스트를 크롤링하여 각각 복수의 크롤링 데이터를 획득하는 단계;
    복수의 크롤링 데이터 및 상기 현재 컨텐츠를 뉴럴 네트워크로 구성된 연관도 출력 모델에 입력하여 각각의 크롤링 데이터에 대응하는 연관도를 출력하는 단계;
    뉴럴 네트워크로 구성된 조정 변수 출력 모델에 상기 현재 컨텐츠, 상기 현재 컨텐츠에 대한 복수의 1차 응답 텍스트, 상기 복수의 1차 응답 텍스트에 대한 복수의 2차 응답 텍스트를 입력하여 기여도의 문턱 조정 변수, 기여도의 편차 조정 변수 및 기여도의 중심 조정 변수를 출력하는 단계;
    상기 각각의 크롤링 데이터의 연관도 및 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 기초로 상기 각각의 크롤링 데이터의 기여도를 계산하는 단계;
    상기 복수의 크롤링 데이터 중에서 기여도가 임계값 이상인 크롤링 데이터를 선택하는 단계; 및
    상기 선택된 하나 이상의 크롤링 데이터를 생성한 각각의 ID(identifier)로 이벤트와 관련된 메시지를 제1 단말로 전송하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 조정 변수 출력 모델은 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함하고,
    복수의 학습 컨텐츠, 상기 학습 컨텐츠에 대한 1차 학습 응답 텍스트, 상기 1차 학습 응답 텍스트에 대한 2차 학습 응답 텍스트, 정답 문턱 조정 변수, 정답 편차 조정 변수 및 정답 중심 조정 변수로 구성된 각각의 학습 데이터는 상기 조정 변수 출력 모델의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 조정 변수 출력 모델의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습되는,
    방법.
  3. 제1항에 있어서,
    상기 기여도를 계산하는 단계는,
    상기 현재 컨텐츠의 1차 응답 텍스트에 대한 긍정적인 2차 응답 텍스트의 수, 상기 현재 컨텐츠의 1차 응답 텍스트에 대한 부정적인 2차 응답 텍스트의 수, 복수의 1차 응답 텍스트에 대응하는 각각의 크롤링 데이터의 연관도를 기초로, 상기 문턱 조정 변수, 상기 편차 조정 변수 및 상기 중심 조정 변수를 이용하여 상기 각각의 크롤링 데이터의 기여도를 계산하는 단계를 포함하는,
    방법.
  4. 제1항에 있어서,
    상기 연관도 출력 모델은 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함하고,
    복수의 학습 컨텐츠, 상기 학습 컨텐츠의 각각에 대한 복수의 학습 크롤링 데이터 및 정답 연관도로 구성된 각각의 학습 데이터는 상기 연관도 출력 모델의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 연관도 출력 모델의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습되는,
    방법.
KR1020220113685A 2022-09-07 2022-09-07 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치 KR102554242B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220113685A KR102554242B1 (ko) 2022-09-07 2022-09-07 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220113685A KR102554242B1 (ko) 2022-09-07 2022-09-07 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102554242B1 true KR102554242B1 (ko) 2023-07-11

Family

ID=87160044

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220113685A KR102554242B1 (ko) 2022-09-07 2022-09-07 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102554242B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180127853A (ko) * 2017-05-22 2018-11-30 충북대학교 산학협력단 사용자 영향력 계산 방법
KR20210148573A (ko) * 2020-06-01 2021-12-08 주식회사 피처링 Sns 사용자 채널에 대한 공개 데이터를 수집하고, 수집된 공개 데이터를 기반으로 영향력을 측정하는 시스템 및 방법
KR102388670B1 (ko) * 2022-01-11 2022-04-20 주식회사온앤미 라이브 스트리밍 중계 서비스 제공 장치, 시스템, 방법 및 프로그램
KR102413770B1 (ko) * 2021-09-06 2022-06-29 배정환 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR20220096744A (ko) * 2020-12-31 2022-07-07 주식회사 플라노그램 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법
KR102440532B1 (ko) * 2021-05-28 2022-09-06 주식회사 시니스트 블록체인 기반의 콘텐츠 활동 보상 플랫폼 장치 및 이를 이용한 콘텐츠 활동 보상 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180127853A (ko) * 2017-05-22 2018-11-30 충북대학교 산학협력단 사용자 영향력 계산 방법
KR20210148573A (ko) * 2020-06-01 2021-12-08 주식회사 피처링 Sns 사용자 채널에 대한 공개 데이터를 수집하고, 수집된 공개 데이터를 기반으로 영향력을 측정하는 시스템 및 방법
KR20220096744A (ko) * 2020-12-31 2022-07-07 주식회사 플라노그램 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법
KR102440532B1 (ko) * 2021-05-28 2022-09-06 주식회사 시니스트 블록체인 기반의 콘텐츠 활동 보상 플랫폼 장치 및 이를 이용한 콘텐츠 활동 보상 방법
KR102413770B1 (ko) * 2021-09-06 2022-06-29 배정환 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR102388670B1 (ko) * 2022-01-11 2022-04-20 주식회사온앤미 라이브 스트리밍 중계 서비스 제공 장치, 시스템, 방법 및 프로그램

Similar Documents

Publication Publication Date Title
KR102413770B1 (ko) 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR102476292B1 (ko) 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템
KR102452577B1 (ko) 뉴럴 네트워크를 이용하여 서버가 웹툰에 대한 시각화 정보를 제공하는 방법 및 장치
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
KR102474122B1 (ko) 사용자의 유형 및 사용자와 관련된 정보를 기초로 증강현실을 이용하여 상품을 추천하는 방법 및 장치
KR102399945B1 (ko) 유아 학습용 전자 장치의 광학 문자 인식 방법
KR102554242B1 (ko) 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치
KR102468206B1 (ko) 뉴럴 네트워크를 이용한 크리에이팅 보조 방법, 그 방법을 수행하는 서버 및 단말기
KR102384892B1 (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR20230109539A (ko) 뉴럴 네트워크 기반의 파일 매니지먼트 시스템
KR20220087410A (ko) 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR102572321B1 (ko) 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치
KR102525978B1 (ko) 뉴럴 네트워크를 이용하여 응시자 단말에게 모의고사 서비스를 제공하는 방법 및 장치
KR102487754B1 (ko) 뉴럴 네트워크를 이용하여 서버가 마케팅 비용에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102551357B1 (ko) 인공지능 기반의 육아 용품 플랫폼 시스템
KR102493490B1 (ko) 인공 지능을 이용한 데이터 크롤링 시스템
KR102564511B1 (ko) 사용자 커스터마이징 기반의 메뉴판 인터페이스 제공 장치 및 방법
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
KR102581822B1 (ko) 교육용 프로그램에서 문자를 인식하는 방법
KR102651497B1 (ko) 텍스트마이닝 기반의 인력 중개 플랫폼 시스템 및 방법
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102478964B1 (ko) 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치
KR102486525B1 (ko) 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치
KR102658238B1 (ko) 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 영어 글쓰기 서비스를 제공하는 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant