KR102559891B1

KR102559891B1 - Apparatus, method and program for providing content creation integrated platform service that provides a recommended design determined using user content

Info

Publication number: KR102559891B1
Application number: KR1020220042863A
Authority: KR
Inventors: 배진명
Original assignee: 주식회사 유니코드
Priority date: 2022-04-06
Filing date: 2022-04-06
Publication date: 2023-07-27

Abstract

본 발명의 실시예에 따르면, 콘텐츠 제작 통합 플랫폼 서비스를 제공하기 위한 장치가 제공된다. 상기 장치는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다. 또한, 상기 적어도 하나의 동작은, 사용자의 사용자 단말로부터 상기 사용자의 사업영역, 사용자콘텐츠의 종류 및 상기 사용자콘텐츠를 수신하는 동작; 데이터베이스에서 상기 사업영역 및 상기 종류와 매칭되는 복수의 디자인콘텐츠들을 선택하는 동작; 상기 사업영역, 상기 종류 및 상기 사용자콘텐츠에 포함된 복수의 제1 문장들을 이용해 상기 디자인콘텐츠들 각각의 제1 유사도를 결정하는 동작; 상기 제1 유사도가 미리 설정된 기준 유사도 이상인 상기 디자인콘텐츠들을 추천디자인콘텐츠들로 결정하는 동작; 및 상기 추천디자인콘텐츠들을 상기 사용자 단말에 제공하는 동작을 포함할 수 있다.According to an embodiment of the present invention, an apparatus for providing a content production integrated platform service is provided. The device may include at least one processor; and a memory for storing instructions instructing the at least one processor to perform at least one operation. In addition, the at least one operation may include an operation of receiving the user's business area, the type of user content, and the user content from the user's user terminal; selecting a plurality of design contents matching the business area and type from the database; determining a first similarity of each of the design contents using the business area, the type, and a plurality of first sentences included in the user contents; determining the design contents having the first similarity equal to or greater than a preset reference similarity as recommended design contents; and providing the recommended design contents to the user terminal.

Description

Apparatus, method, and program for providing content production integrated platform services that provide recommended design determined using user content

본 발명은 사용자콘텐츠를 이용해 결정된 추천디자인을 제공하는 콘텐츠 제작 통합 플랫폼 서비스 제공 장치, 방법 및 프로그램에 관한 것이다.The present invention relates to an apparatus, method, and program for providing a content creation integrated platform service that provides a recommended design determined using user content.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.Unless otherwise indicated herein, material described in this section is not prior art to the claims in this application, and inclusion in this section is not an admission that it is prior art.

회사소개서, IR자료, 브로슈어 등의 회사를 알릴 수 있는 콘텐츠들은 회사를 운영하는데 있어서 필수적인 요소들이다. Contents that can inform the company, such as company introduction, IR materials, and brochures, are essential elements in running a company.

특히, 투자자들로부터 자본을 받아 회사를 급격하게 성장시키거나, 정부의 지원금을 통해 회사를 성장시키는 등의 사례가 증가하고 있어, 회사에 대한 양질의 콘텐츠를 만드는 일의 중요성이 대두되고 있다.In particular, as cases such as rapidly growing a company by receiving capital from investors or growing a company through government subsidies are increasing, the importance of creating quality content for the company is emerging.

전문컨설팅 회사에 의뢰하여 회사에 대한 콘텐츠를 만드는 사례가 증가하고 있는데, 많은 비용이 발생될 뿐더러 관련된 지식이 상대적으로 부족한 회사로서는 전문컨설팅 회사의 역량을 정확히 파악하기 힘들어, 발생된 비용에 비해 양질의 콘텐츠를 얻지 못하는 피해사례 역시 증가하고 있다. There are an increasing number of cases where professional consulting companies are commissioned to create content for the company. In addition to incurring a lot of costs, it is difficult for companies with relatively little related knowledge to accurately grasp the capabilities of professional consulting companies, so there are also increasing cases of damages in which high-quality content is not obtained compared to the cost incurred.

이러한 문제점을 고려하여, 신뢰성 있는 양질의 콘텐츠를 제공할 수 있는 기술에 대한 필요성이 대두되고 있다. Considering these problems, the need for a technology capable of providing reliable, high-quality content is emerging.

본 발명은, 사용자의 콘텐츠와 관련성이 있음과 동시에 미리 검증된 디자인을 추천디자인으로 결정하고, 결정된 추천디자인을 사용자 단말에 제공할 수 있는, 플랫폼 서비스 제공 장치, 방법 및 프로그램을 제공하는 것을 일 목적으로 한다.An object of the present invention is to provide a platform service providing device, method, and program capable of determining a design that is related to a user's content and verified in advance as a recommended design, and providing the determined recommended design to a user terminal.

본 발명은, 미리 검증된 콘텐츠들 중 사용자의 콘텐츠보다 높은 평가를 받음과 동시에 사용자의 콘텐츠와 관련성이 있는 콘텐츠들을 결정하고, 결정된 콘텐츠들과 사용자의 콘텐츠를 비교해 차별점을 도출하며, 도출된 차별점을 이용해 사용자의 콘텐츠에 부가할 추가자료를 검색해 사용자 단말에 제공할 수 있는, 플랫폼 서비스 제공 장치, 방법 및 프로그램을 제공하는 것을 다른 목적으로 한다.Another object of the present invention is to provide a platform service providing apparatus, method, and program capable of determining content that has a higher evaluation than user content among pre-verified content, determining content that is related to user content, comparing the determined content with the user content, deriving a difference, and searching for additional material to be added to the user's content using the derived difference and providing it to a user terminal.

상기 목적을 달성하기 위한 본 발명의 일 측면은, 콘텐츠 제작 통합 플랫폼 서비스를 제공하기 위한 장치를 제공한다.One aspect of the present invention for achieving the above object provides an apparatus for providing an integrated content production platform service.

상기 장치는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다. The device may include at least one processor; and a memory for storing instructions instructing the at least one processor to perform at least one operation.

또한, 상기 적어도 하나의 동작은, 사용자의 사용자 단말로부터 상기 사용자의 사업영역, 사용자콘텐츠의 종류 및 상기 사용자콘텐츠를 수신하는 동작; 데이터베이스에서 상기 사업영역 및 상기 종류와 매칭되는 복수의 디자인콘텐츠들을 선택하는 동작; 상기 사업영역, 상기 종류 및 상기 사용자콘텐츠에 포함된 복수의 제1 문장들을 이용해 상기 디자인콘텐츠들 각각의 제1 유사도를 결정하는 동작; 상기 제1 유사도가 미리 설정된 기준 유사도 이상인 상기 디자인콘텐츠들을 추천디자인콘텐츠들로 결정하는 동작; 및 상기 추천디자인콘텐츠들을 상기 사용자 단말에 제공하는 동작을 포함할 수 있다. In addition, the at least one operation may include an operation of receiving the user's business area, the type of user content, and the user content from the user's user terminal; selecting a plurality of design contents matching the business area and type from the database; determining a first similarity of each of the design contents using the business area, the type, and a plurality of first sentences included in the user contents; determining the design contents having the first similarity equal to or greater than a preset reference similarity as recommended design contents; and providing the recommended design contents to the user terminal.

또한, 상기 사업영역, 상기 종류 및 상기 사용자콘텐츠에 포함된 복수의 제1 문장들을 이용해 상기 디자인콘텐츠들 각각의 제1 유사도를 결정하는 동작은, 상기 사업영역, 상기 종류 및 상기 제1 문장들에 포함된 복수의 제1 소제목들 각각을 미리 학습된 제1 기계학습모델에 입력 값으로 입력하고, 상기 제1 기계학습모델로부터 상기 제1 소제목들과 대응하는 제1 제목클래스들을 획득하는 동작; 상기 제1 문장들에 포함되고 상기 제1 소제목들 각각에 대해 쓰여진 복수의 제1 세부문장들을 획득하는 동작; 상기 사업영역, 상기 종류 및 상기 제1 세부문장들 각각을 미리 학습된 제2 기계학습모델에 입력 값으로 입력하고, 상기 제2 기계학습모델로부터 상기 제1 세부문장들과 대응하는 제1 문장클래스들을 획득하는 동작; 상기 데이터베이스에서 상기 디자인콘텐츠들 각각과 대응하는 제2 제목클래스들 및 제2 문장클래스들을 선택하는 동작; 및 상기 제1 제목클래스들, 상기 제1 문장클래스들, 상기 제2 제목클래스들 및 상기 제2 문장클래스들을 이용하여 상기 디자인콘텐츠들 각각의 상기 제1 유사도를 결정하는 동작을 포함할 수 있다.In addition, the operation of determining the first similarity of each of the design contents using the business area, the type, and the plurality of first sentences included in the user content includes: inputting each of the business area, the type, and a plurality of first subheadings included in the first sentences as an input value to a first machine learning model trained in advance, and obtaining first title classes corresponding to the first subheadings from the first machine learning model; obtaining a plurality of first sub-sentences included in the first sentences and written for each of the first sub-headings; inputting the business area, the type, and each of the first sub-sentences as input values to a pre-learned second machine learning model, and obtaining first sentence classes corresponding to the first sub-sentences from the second machine learning model; selecting second title classes and second sentence classes corresponding to each of the design contents from the database; and determining the first similarity of each of the design contents using the first title classes, the first sentence classes, the second title classes, and the second sentence classes.

또한, 상기 적어도 하나의 동작은, 상기 사업영역, 상기 종류 및 상기 사용자콘텐츠에 포함된 복수의 제1 문장들을 이용해 상기 사용자콘텐츠의 제1 점수를 산출하는 동작; 데이터베이스에서 상기 사업영역 및 상기 종류와 매칭되는 복수의 비교콘텐츠들을 선택하는 동작; 미리 설정된 유사 조건을 만족하는 상기 비교콘텐츠들을 유사콘텐츠들로 결정하는 동작; 상기 사용자콘텐츠에 포함된 복수의 제1 단어들, 상기 유사콘텐츠들 각각에 포함된 복수의 제2 단어들을 이용하여, 상기 유사콘텐츠들 각각의 제2 유사도를 결정하는 동작; 상기 제1 점수, 상기 유사콘텐츠들 각각의 제2 점수 및 상기 유사콘텐츠들 각각의 상기 제2 유사도를 이용해 상기 유사콘텐츠들 각각과 대응하는 추천도를 결정하고, 상기 추천도가 미리 설정된 기준 추천도보다 큰 상기 유사콘텐츠들을 추천콘텐츠들로 결정하는 동작; 및 상기 추천콘텐츠들 각각에 포함되는 상기 제2 문장들 중 상기 제1 문장들과 대응하지 않는 제2 문장들, 상기 사업영역 및 상기 종류를 이용하여 추가자료를 검색하고, 검색된 추가자료를 상기 사용자 단말에 제공하는 동작을 포함할 수 있다.In addition, the at least one operation may include calculating a first score of the user content using the business area, the type, and a plurality of first sentences included in the user content; selecting a plurality of comparison contents matching the business area and type from the database; determining the comparison contents that satisfy a preset similarity condition as similar contents; determining a second similarity of each of the similar contents by using a plurality of first words included in the user content and a plurality of second words included in each of the similar contents; determining a recommendation level corresponding to each of the similar contents using the first score, a second score of each of the similar contents, and the second similarity of each of the similar contents, and determining the similar contents having a higher recommendation level than a preset standard recommendation level as recommended contents; and searching for additional data using second sentences that do not correspond to the first sentences among the second sentences included in each of the recommended contents, the business area, and the type, and providing the searched additional data to the user terminal.

또한, 상기 사용자콘텐츠의 제1 점수를 산출하는 동작은, 상기 사업영역, 상기 종류 및 상기 제1 문장들에 포함된 복수의 제1 소제목들 각각을 미리 학습된 제1 기계학습모델에 입력 값으로 입력하고, 상기 제1 기계학습모델로부터 상기 제1 소제목들과 대응하는 제1 제목클래스들을 획득하는 동작; 상기 제1 문장들에 포함되고 상기 제1 소제목들 각각에 대해 쓰여진 복수의 제1 세부문장들을 획득하는 동작; 상기 사업영역, 상기 종류 및 상기 제1 세부문장들 각각을 미리 학습된 제2 기계학습모델에 입력 값으로 입력하고, 상기 제2 기계학습모델로부터 상기 제1 세부문장들과 대응하는 제1 문장클래스들을 획득하는 동작; 및 상기 사업영역, 상기 종류, 상기 제1 제목클래스들 및 상기 제1 제목클래스들 각각과 대응하는 상기 제1 문장클래스들을 미리 학습된 제3 기계학습모델에 입력 값으로 입력하고, 상기 제3 기계학습모델로부터 상기 사용자콘텐츠와 대응하는 상기 제1 점수를 획득하는 동작을 포함할 수 있다.In addition, the calculating of the first score of the user content may include inputting the business area, the type, and each of a plurality of first subheadings included in the first sentences as an input value to a pre-learned first machine learning model, and obtaining first title classes corresponding to the first subheadings from the first machine learning model; obtaining a plurality of first sub-sentences included in the first sentences and written for each of the first sub-headings; inputting the business area, the type, and each of the first sub-sentences as input values to a pre-learned second machine learning model, and obtaining first sentence classes corresponding to the first sub-sentences from the second machine learning model; and inputting the business area, the type, the first subject classes, and the first sentence classes corresponding to each of the first subject classes as input values to a pre-learned third machine learning model, and obtaining the first score corresponding to the user content from the third machine learning model.

또한, 상기 미리 설정된 유사 조건을 만족하는 상기 비교콘텐츠들을 상기 유사콘텐츠들로 결정하는 동작은, 제2 제목클래스들이 상기 제1 제목클래스들을 모두 포함하고, 상기 제2 제목클래스들 각각과 대응하는 복수의 제2 문장클래스들이 상기 제1 제목클래스들 각각과 대응하는 상기 제1 문장클래스들을 모두 포함하는 상기 비교콘텐츠들을 상기 유사콘텐츠들로 결정할 수 있다.Also, in the operation of determining the comparison contents satisfying the preset similarity condition as the similar contents, the comparison contents in which the second title classes include all of the first title classes, and a plurality of second sentence classes corresponding to each of the second title classes include all of the first sentence classes corresponding to each of the first title classes may be determined as the similar contents.

또한, 상기 검색된 추가자료를 상기 사용자 단말에 제공하는 동작은, 상기 제1 제목클래스들 중 적어도 하나가 상기 제2 제목클래스와 동일한 경우, 상기 제2 제목클래스와 동일한 상기 제1 제목클래스로 라벨링된 상기 제1 소제목을 획득하고, 획득한 상기 제1 소제목에 대해 쓰여진 상기 제1 세부문장들의 상기 제1 문장클래스들과 상기 제2 제목클래스와 대응하는 제2 문장클래스들을 비교하는 동작; 상기 제2 문장클래스들 중 상기 제1 문장클래스들과 동일하지 않은 제2 문장클래스들을 추가문장클래스들로 결정하는 동작; 및 상기 추가문장클래스들, 상기 제2 제목클래스와 동일한 상기 제1 제목클래스, 상기 사업영역 및 사용자콘텐츠의 종류를 이용하여 상기 추가자료를 검색하는 동작을 포함할 수 있다.In addition, in the operation of providing the searched additional material to the user terminal, when at least one of the first title classes is identical to the second title class, the first title class that is the same as the second title class is labeled. obtaining the first sub-heading and comparing the first sentence classes of the first sub-sentences written for the acquired first sub-heading with second sentence classes corresponding to the second subject class; determining second sentence classes that are not identical to the first sentence classes among the second sentence classes as additional sentence classes; and searching for the additional data by using the additional sentence classes, the first subject class identical to the second subject class, the business area, and the type of user content.

또한, 상기 검색된 추가자료를 상기 사용자 단말에 제공하는 동작은, 상기 제1 제목클래스들 모두와 상기 제2 제목클래스가 동일하지 않은 경우, 상기 제2 제목클래스, 상기 사업영역 및 상기 종류를 이용하여 상기 추가자료를 검색하는 동작을 더 포함할 수 있다.The providing of the searched additional material to the user terminal may further include, when all of the first subject classes and the second subject class are not the same, searching for the additional material by using the second subject class, the business area, and the type.

본 발명의 일 실시예에 따르면, 사용자의 콘텐츠와 관련성이 있으면서도 미리 검증된 디자인이 채용된 콘텐츠들이 사용자에게 제공된다. 이를 통해, 사용자는 제공된 디자인 또는 제공된 디자인에 기초하여 제작된 디자인을 사용자의 콘텐츠에 채용할 수 있다. 즉, 사용자는 검증된 양질의 디자인을 제공받을 수 있다. According to an embodiment of the present invention, contents that are related to the user's contents and employ a pre-verified design are provided to the user. Through this, the user can employ the provided design or the design produced based on the provided design to the user's content. That is, the user can be provided with a verified design of good quality.

본 발명의 다른 실시예에 따르면, 사용자의 콘텐츠보다 높은 평가를 받으면서도 사용자의 콘텐츠와 관련성이 있는 콘텐츠와 사용자의 콘텐츠 사이의 차별점을 이용해 사용자의 콘텐츠에 부가할 추가자료가 결정된다. 미리 검증된 콘텐츠들과의 차별점에 기초하여 사용자의 콘텐츠에 부가할 추가자료가 결정되므로, 신뢰성 있는 양질의 추가자료가 사용자에게 제공될 수 있다. According to another embodiment of the present invention, additional material to be added to the user's content is determined using a difference between the user's content and the content that is rated higher than the user's content but is related to the user's content. Since additional data to be added to the user's content is determined based on differences from previously verified contents, reliable, high-quality additional data can be provided to the user.

도 1은 일 실시예에 따른 플랫폼 서비스를 제공하기 위한 시스템에 대한 개요도이다.
도 2는 도 1에 따른 서비스 제공 장치의 기능적 모듈을 예시적으로 나타낸 도면이다.
도 3은 도 1에 따른 서비스 제공 장치가 추천디자인콘텐츠를 결정하는 과정을 도시하는 흐름도다.
도 4는 도 1에 따른 서비스 제공 장치가 사용자콘텐츠의 점수를 이용해 유사콘텐츠를 결정하는 과정을 도시하는 흐름도다.
도 5는 도 1에 따른 서비스 제공 장치가 추천콘텐츠를 결정하는 과정을 도시하는 흐름도다.
도 6은 도 1에 따른 서비스 제공 장치가 사용자 단말에 제공할 추가자료를 결정하고 검색하는 과정을 도시하는 흐름도다.
도 7은 도 1에 따른 서비스 제공 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.1 is a schematic diagram of a system for providing platform services according to an embodiment.
FIG. 2 is a diagram showing functional modules of the service providing apparatus according to FIG. 1 by way of example.
FIG. 3 is a flowchart illustrating a process in which the service providing device according to FIG. 1 determines recommended design content.
FIG. 4 is a flowchart illustrating a process in which the service providing apparatus according to FIG. 1 determines similar content using scores of user content.
5 is a flowchart illustrating a process of determining recommended content by the service providing apparatus according to FIG. 1 .
6 is a flowchart illustrating a process of determining and retrieving additional data to be provided to a user terminal by the service providing apparatus according to FIG. 1 .
7 is a diagram showing the hardware configuration of the service providing apparatus according to FIG. 1 by way of example.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. Like reference numerals have been used for like elements throughout the description of each figure.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. Terms such as first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention. The terms and/or include any combination of a plurality of related recited items or any of a plurality of related recited items.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. It should be understood that when an element is referred to as being “connected” or “connected” to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle. On the other hand, when an element is referred to as “directly connected” or “directly connected” to another element, it should be understood that no other element exists in the middle.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in this application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, the terms "include" or "have" are intended to designate that the features, numbers, operations, components, parts, or combinations thereof described in the specification exist, but it should be understood that the presence or addition of one or more other features or numbers, operations, components, parts, or combinations thereof is not excluded in advance.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and are not interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 일 실시예에 따른 플랫폼 서비스를 제공하기 위한 시스템에 대한 개요도이다.1 is a schematic diagram of a system for providing platform services according to an embodiment.

도 1을 참조하면, 플랫폼 서비스를 제공하기 위한 시스템은, 서비스 제공 장치(100) 및 사용자 단말(200)을 포함한다. 도시된 실시예에서, 하나의 사용자 단말(200)과 서비스 제공 장치(100)가 통신 가능하게 연결되는 것으로 도시되나, 이에 한정되는 것은 아니며 복수의 사용자 단말(200)들과 서비스 제공 장치(100)가 통신 가능하게 연결될 수 있다. Referring to FIG. 1 , a system for providing a platform service includes a service providing device 100 and a user terminal 200 . In the illustrated embodiment, one user terminal 200 and the service providing device 100 are shown as being communicatively connected, but are not limited thereto, and a plurality of user terminals 200 and the service providing device 100 may be communicatively connected.

사용자 단말(200)은, 플랫폼 서비스를 통해 사용자콘텐츠에 사용할 추가 자료를 제공받고자 하는 사용자의 단말로서, 서비스 제공 장치(100)에 사용자의 정보를 제공한다. 일 실시예에서, 사용자의 정보는, 사용자의 사업영역 및 사용자콘텐츠의 종류를 포함할 수 있다. The user terminal 200 is a terminal of a user who wants to receive additional data to be used for user content through a platform service, and provides user information to the service providing device 100 . In one embodiment, user information may include the user's business area and the type of user content.

또한, 사용자 단말(200)은, 서비스 제공 장치(100)에 사용자콘텐츠와 사용자의 정보를 제공하고, 서비스 제공 장치(100)로부터 사용자콘텐츠의 점수보다 높고 구성이 유사한 유사콘텐츠들을 제공받을 수 있다. 일 실시예에서, 사용자 단말(200)은, 홍보물, IR자료, 회사소개서, 브로슈어 등의 사용자콘텐츠를 서비스 제공 장치(100)에 제공할 수 있다. In addition, the user terminal 200 may provide user content and user information to the service providing device 100, and may receive similar content that has a higher score than the user content and a similar configuration from the service providing device 100. In one embodiment, the user terminal 200 may provide user contents such as promotional materials, IR materials, company introduction letters, and brochures to the service providing device 100 .

또한, 사용자 단말(200)은, 추천도가 미리 설정된 기준 이상인 유사콘텐츠들인 추천콘텐츠들을 서비스 제공 장치(100)로부터 제공받을 수 있다.In addition, the user terminal 200 may receive recommended contents, which are similar contents having a recommendation level equal to or higher than a preset standard, from the service providing device 100 .

또한, 사용자 단말(200)은, 사용자콘텐츠에는 포함되지 않으나 추천콘텐츠들에는 포함되는 차별화포인트들을 서비스 제공 장치(100)로부터 제공받을 수 있다. 또한, 사용자 단말(200)은, 차별화포인트들이 표시된 추천콘텐츠들을 출력 인터페이스 장치를 통해 사용자에게 제공하고, 사용자는 사용자 단말(200)을 통해 차별화포인트들 중 적어도 하나에 대한 선택신호를 입력할 수 있다. 서비스 제공 장치(100)는, 사용자 단말(200)에 차별화포인트들에 대한 선택기능을 제공하는 사용자 인터페이스(User Interface)를 제공할 수 있다. In addition, the user terminal 200 may be provided with differentiation points that are not included in user content but are included in recommended content from the service providing device 100 . In addition, the user terminal 200 provides the user with recommended contents marked with differentiation points through an output interface device, and the user may input a selection signal for at least one of the differentiation points through the user terminal 200 . The service providing apparatus 100 may provide the user terminal 200 with a user interface that provides a selection function for differentiation points.

또한, 사용자 단말(200)은, 서비스 제공 장치(100)에 선택신호와 대응하는 차별화포인트를 제공하고, 서비스 제공 장치(100)로부터 차별화포인트와 대응하는 추가자료를 제공받을 수 있다. In addition, the user terminal 200 may provide a selection signal and a corresponding differentiation point to the service providing device 100 and receive additional data corresponding to the differentiation point from the service providing device 100 .

서비스 제공 장치(100)는, 사용자 단말(200)에 콘텐츠 제작을 위한 통합 플랫폼 서비스를 제공하는 서버일 수 있다. The service providing device 100 may be a server that provides an integrated platform service for content production to the user terminal 200 .

도 2는 도 1에 따른 서비스 제공 장치(100)의 동작 과정을 예시적으로 나타낸 도면이다.FIG. 2 is a diagram illustrating an operation process of the service providing apparatus 100 according to FIG. 1 by way of example.

서비스 제공 장치(100)는, 추천디자인 결정부(101), 사용자콘텐츠 평가부(102), 유사콘텐츠 결정부(103), 추천콘텐츠 결정부(104), 추가자료 결정부(105) 및 추가자료 검색부(106)를 포함한다. The service providing device 100 includes a recommended design determining unit 101, a user content evaluation unit 102, a similar content determining unit 103, a recommended content determining unit 104, an additional data determining unit 105, and an additional data search unit 106.

추천디자인 결정부(101)는, 사용자의 사업영역, 사용자콘텐츠의 종류 및 사용자콘텐츠에 포함된 문장들을 이용해 추천디자인콘텐츠들을 결정할 수 있다. 일 실시예에서, 홍보물, IR자료, 회사소개서, 브류슈어 등이 사용자콘텐츠의 종류에 해당될 수 있다.The recommended design determining unit 101 may determine recommended design contents by using the user's business area, the type of user contents, and sentences included in the user contents. In one embodiment, promotional material, IR material, company introduction letter, brewsure, etc. may correspond to the type of user content.

도 3은 도 1에 따른 서비스 제공 장치가 추천디자인콘텐츠를 결정하는 과정을 도시하는 흐름도다.FIG. 3 is a flowchart illustrating a process in which the service providing device according to FIG. 1 determines recommended design contents.

먼저, 추천디자인 결정부(101)는, 사용자의 사용자 단말(200)로부터 사용자의 사업영역, 사용자콘텐츠의 종류 및 사용자콘텐츠를 수신한다(S11).First, the recommended design determining unit 101 receives the user's business area, the type of user content, and the user content from the user terminal 200 (S11).

또한, 추천디자인 결정부(101)는, 서비스 제공 장치(100)의 데이터베이스에서 수신한 사업영역 및 종류와 매칭되는 복수의 디자인콘텐츠들을 선택한다(S12). 일 실시예에서, 디자인콘텐츠는, 사전에 디자인의 우수성이 검증된 디자인으로 제작된 콘텐츠를 의미한다. In addition, the recommended design determining unit 101 selects a plurality of design contents matching the business area and type received from the database of the service providing device 100 (S12). In one embodiment, design content refers to content produced with a design whose excellence in design has been verified in advance.

서비스 제공 장치(100)의 데이터베이스에는, 사업영역 및 콘텐츠의 종류와 디자인콘텐츠가 미리 매칭되어 저장된다. 추천디자인 결정부(101)는, 사용자 단말(200)로부터 수신한 사업영역 및 콘텐츠 종류와 매칭되는 디자인콘텐츠들을 데이터베이스에서 선택할 수 있다. 이를 통해, 사용자의 사업영역 및 콘텐츠 종류와 동일하면서도 디자인의 우수성이 입증된 디자인콘텐츠들이 선택될 수 있다. In the database of the service providing device 100, business areas, types of contents, and design contents are matched in advance and stored. The recommended design determining unit 101 may select design contents matching the business area and content type received from the user terminal 200 from the database. Through this, design contents that are the same as the business area and type of contents of the user and have proven superiority in design can be selected.

또한, 추천디자인 결정부(101)는, 디자인콘텐츠로부터 복수의 소제목들을 획득하고, 소제목들과 대응하는 제1 제목클래스들을 결정한다(S13). In addition, the recommended design determining unit 101 obtains a plurality of subheadings from the design content, and determines first title classes corresponding to the subheadings (S13).

추천디자인 결정부(101), 사용자콘텐츠의 목차를 구성하는 소제목들을 획득하고, 소제목들의 종류에 기초해 미리 설정된 제목클래스들과 소제목들을 매칭할 수 있다. 일 실시예에서, 사용자콘텐츠가 회사소개서인 경우, 회사개요, 회사연혁, 경영이념, 조직도, 주요사업, 사업내용, 경쟁력, 시장성, 고객사 등과 대응하는 제목클래스들이 설정될 수 있다. 소제목이 회사개요와 관련된 내용인 경우, 추천디자인 결정부(101)는, 소제목에 회사개요와 대응하는 제목클래스를 매칭할 수 있다. The recommended design determining unit 101 may acquire subheadings constituting the table of contents of the user content, and match the subheadings with previously set title classes based on the types of the subheadings. In one embodiment, when the user content is a company introduction, subject classes corresponding to company overview, company history, management philosophy, organization chart, main business, business content, competitiveness, marketability, and customer companies may be set. If the sub-title is related to the company profile, the recommendation design determining unit 101 may match the sub-heading with a title class corresponding to the company profile.

일 실시예에서, 추천디자인 결정부(101)는, 입력 인터페이스 장치를 통해 사용자콘텐츠와 대응하는 소제목들 및 소제목들 각각에 대해 쓰여진 내용을 입력 받을 수 있다. In one embodiment, the recommended design determining unit 101 may receive subheadings corresponding to the user content and contents written for each of the subheadings through an input interface device.

일 실시예에서, 추천디자인 결정부(101)는, 사용자 단말(200)로부터 사용자콘텐츠와 대응하는 소제목들 및 소제목들 각각에 대해 쓰여진 내용을 입력 받을 수 있다. In an embodiment, the recommended design determining unit 101 may receive subheadings corresponding to the user content and contents written for each of the subheadings from the user terminal 200 .

일 실시예에서, 추천디자인 결정부(101)는, 텍스트를 미리 학습된 자연어처리모델을 이용해 문장 단위로 구분하고, 문장을 문장이 소제목에 해당하는지 여부를 판단하도록 미리 학습된 기계학습모델에 입력 값으로 입력하고, 기계학습모델로부터 문장의 소제목여부를 획득할 수 있다. 예를 들어, RNN(Recurrent Neural Network), BERT(Bidirectional Encoder Representations from Transformers) 등이 기계학습모델의 학습에 사용될 수 있다. 다만, 이에 한정되는 것은 아니다. 추천디자인 결정부(101)는, 소제목에 해당하는 두 문장 사이에 위치한 문장들을 먼저 나온 문장에 대해 쓰여진 내용으로 결정할 수 있다. In one embodiment, the recommendation design determination unit 101 divides text into sentence units using a pre-learned natural language processing model, inputs the sentence as an input value to a pre-learned machine learning model to determine whether the sentence corresponds to a sub-heading, and obtains whether the sentence has a sub-heading from the machine learning model. For example, a Recurrent Neural Network (RNN), Bidirectional Encoder Representations from Transformers (BERT), and the like may be used to learn a machine learning model. However, it is not limited thereto. The recommendation design determining unit 101 may determine sentences located between two sentences corresponding to the subheading as the written content of the first sentence.

일 실시예에서, 서비스 제공 장치(100)의 데이터베이스에는 사용자콘텐츠의 종류별로 매칭되는 제목클래스테이블이 저장된다. 예를 들어, 사용자콘텐츠의 종류가 회사소개서인 경우, 추천디자인 결정부(101)는, 회사소개서와 매칭되는 제목클래스테이블을 선택할 수 있다. 제목클래스테이블에는 제목클래스들 각각과 복수의 제목키워드들이 매칭되어 저장된다. 추천디자인 결정부(101)는, 소제목으로 판단된 문장에 포함되는 단어들과 매칭되는 제목클래스를 제목클래스테이블에서 선택할 수 있다. 또한, 추천디자인 결정부(101)는, 선택한 제목클래스를 소제목에 대한 제1 제목클래스로 라벨링할 수 있다. In one embodiment, the database of the service providing device 100 stores a title class table matched for each type of user content. For example, when the type of user content is a company introduction, the recommendation design determining unit 101 may select a title class table that matches the company introduction. Each of the title classes and a plurality of title keywords are matched and stored in the title class table. The recommendation design determining unit 101 may select a title class that matches words included in the sentence determined as a subheading from the title class table. Also, the recommendation design determining unit 101 may label the selected title class as a first title class for the small title.

일 실시예에서, 추천디자인 결정부(101)는, 소제목으로 판단된 문장을 문장의 제목클래스를 판단하도록 미리 학습된 기계학습모델에 입력 값으로 입력하고, 기계학습모델로부터 문장과 대응하는 제목클래스를 획득할 수 있다. 일 실시예에서, 기계학습모델은, 사업영역, 콘텐츠의 종류 및 소제목에 해당하는 문장에 제목클래스를 라벨링하여 생성된 학습데이터를 이용한 기계학습을 통해 생성될 수 있다. 예를 들어, RNN(Recurrent Neural Network), BERT(Bidirectional Encoder Representations from Transformers) 등이 기계학습모델의 학습에 사용될 수 있다. 다만, 이에 한정되는 것은 아니다. 추천디자인 결정부(101)는, 획득한 제목클래스를 소제목에 대한 제1 제목클래스로 결정할 수 있다. In one embodiment, the recommendation design determining unit 101 inputs the sentence determined as a subheading as an input value to a pre-learned machine learning model to determine the title class of the sentence, and obtains a title class corresponding to the sentence from the machine learning model. In one embodiment, the machine learning model may be generated through machine learning using learning data generated by labeling a title class to a sentence corresponding to a business area, a type of content, and a subheading. For example, a Recurrent Neural Network (RNN), Bidirectional Encoder Representations from Transformers (BERT), and the like may be used to learn a machine learning model. However, it is not limited thereto. The recommended design determining unit 101 may determine the acquired title class as the first title class for the sub-title.

또한, 추천디자인 결정부(101)는, 사용자콘텐츠로부터 소제목들 각각과 대응하는 복수의 세부문장들을 획득하고, 세부문장들과 대응하는 제1 문장클래스들을 결정한다(S14). 일 실시예에서, 소제목들 각각과 대응하는 복수의 세부문장들은, 사용자콘텐츠에 포함된 문장들 중 소제목들 각각에 대해 쓰여진 복수의 문장들을 의미한다. Also, the recommendation design determining unit 101 obtains a plurality of detailed sentences corresponding to each of the subheadings from the user content, and determines first sentence classes corresponding to the detailed sentences (S14). In one embodiment, a plurality of sub-sentences corresponding to each of the sub-headings means a plurality of sentences written for each of the sub-headings among sentences included in the user content.

추천디자인 결정부(101)는, 사용자콘텐츠로부터 소제목들 각각과 대응하는 복수의 세부문장들을 획득하고, 세부문장들 각각의 제1 문장클래스를 결정한다.The recommended design determining unit 101 obtains a plurality of sub-sentences corresponding to each of the sub-headings from the user content, and determines a first sentence class of each sub-sentence.

추천디자인 결정부(101)는, 각각의 소제목들에 대해 쓰여진 내용들을 문장단위로 획득하고, 문장의 종류에 기초해 미리 설정된 문장클래스들과 문장들을 매칭할 수 있다. 일 실시예에서, 소제목이 경쟁력으로 라벨링된 경우, 소제목에 대해 쓰여진 문장들은, 제품효과, 특허, 경쟁사비교 등의 문장클래스들로 라벨링될 수 있다. The recommendation design determining unit 101 may acquire contents written for each of the subheadings sentence by sentence, and match the sentences with preset sentence classes based on the type of sentence. In one embodiment, when a subheading is labeled as competitiveness, sentences written for the subheading may be labeled with sentence classes such as product effectiveness, patent, and competitor comparison.

추천디자인 결정부(101)는, 소제목에 대해 쓰여진 세부문장을 미리 학습된 기계학습모델에 입력 값으로 입력하고, 기계학습모델로부터 세부문장과 대응하는 문장클래스를 획득할 수 있다. 예를 들어, "자사는 3건의 등록특허를 취득하여 자사만의 원천적인 기술을 확보하였습니다"라는 세부문장을 기계학습모델에 입력 값으로 입력한 경우, 기계학습모델로부터 세부문장과 대응하는 문장클래스로 "특허"를 획득할 수 있다. 일 실시예에서, 기계학습모델은 사업영역, 사업콘텐츠의 종류 및 문장에 문장클래스를 라벨링하여 생성된 학습데이터를 이용한 기계학습을 통해 생성될 수 있다. 예를 들어, RNN(Recurrent Neural Network), BERT(Bidirectional Encoder Representations from Transformers) 등이 기계학습모델의 학습에 사용될 수 있다.The recommendation design determining unit 101 may input the detailed sentence written for the subheading as an input value to the pre-learned machine learning model, and obtain a sentence class corresponding to the detailed sentence from the machine learning model. For example, if the sub-sentence "We have obtained 3 registered patents and secured our own original technology" is entered as an input value to the machine learning model, "Patent" can be obtained as a sentence class corresponding to the sub-sentence from the machine learning model. In one embodiment, the machine learning model may be generated through machine learning using learning data generated by labeling a business area, a type of business content, and a sentence class to a sentence. For example, a Recurrent Neural Network (RNN), Bidirectional Encoder Representations from Transformers (BERT), and the like may be used to learn a machine learning model.

또한, 추천디자인 결정부(101)는, 데이터베이스에서 디자인콘텐츠들 각각과 매칭되는 제2 제목클래스들 및 제2 문장클래스들을 선택한다(S15). Also, the recommended design determining unit 101 selects second title classes and second sentence classes that match each of the design contents in the database (S15).

데이터베이스에는, 디자인콘텐츠와 제2 제목클래스들 및 제2 문장클래스들이 미리 매칭되어 저장된다. 제2 제목클래스들 및 제2 문장클래스들을 결정하는 방식은, 제1 제목클래스들 및 제1 문장클래스들을 결정하는 방식과 동일하며, 디자인콘텐츠에 대한 제2 제목클래스들 및 제2 문장클래스들은 미리 결정되어 디자인콘텐츠와 매칭된 상태로 데이터베이스에 저장된다. In the database, design contents, second title classes, and second sentence classes are matched in advance and stored. The method of determining the second title classes and the second sentence classes is the same as the method of determining the first title classes and the first sentence classes.

또한, 추천디자인 결정부(101)는, 제1 제목클래스들, 제1 문장클래스들, 제2 제목클래스들 및 제2 문장클래스들을 이용해 디자인콘텐츠들 각각의 유사도를 산출한다(S16). Also, the recommended design determining unit 101 calculates the similarity of each of the design contents using the first title classes, the first sentence classes, the second title classes, and the second sentence classes (S16).

일 실시예에서, 추천디자인 결정부(101)는, 제1 제목클래스들과 동일한 제2 제목클래스들의 개수, 제1 문장클래스들과 동일한 제2 문장클래스들의 개수에 기초하여 디자인콘텐츠들 각각의 유사도롤 산출할 수 있다. 예를 들어, 추천디자인 결정부(101)는, 제1 제목클래스들과 동일한 제2 제목클래스들의 개수가 상대적으로 많을수록 디자인콘텐츠의 유사도를 크게 설정할 수 있다. 예를 들어, 추천디자인 결정부(101)는, 제1 문장클래스들과 동일한 제2 문장클래스들의 개수가 상대적으로 많을수록 디자인콘텐츠의 유사도를 크게 설정할 수 있다.In an embodiment, the recommendation design determining unit 101 may calculate the degree of similarity of each of the design contents based on the number of second title classes identical to the first title classes and the number of second sentence classes identical to the first sentence classes. For example, the recommendation design determining unit 101 may set the similarity of the design contents as the number of second title classes identical to the first title classes is relatively large. For example, the recommendation design determining unit 101 may set the similarity of the design contents as the number of second sentence classes identical to the first sentence classes is relatively large.

또한, 추천디자인 결정부(101)는, 유사도가 미리 설정된 기준 유사도 이상인 디자인콘텐츠들을 추천디자인콘텐츠들로 결정한다(S17).In addition, the recommended design determining unit 101 determines design contents having a similarity equal to or higher than a preset standard similarity as recommended design contents (S17).

또한, 추천디자인 결정부(101)는, 추천디자인콘텐츠들을 평점이 높은 순서대로 나열한 추천디자인리스트를 생성하여 사용자 단말(200)에 제공한다(S18).In addition, the recommended design determining unit 101 creates a recommended design list in which recommended design contents are arranged in order of highest rating, and provides the generated recommended design list to the user terminal 200 (S18).

서비스 제공 장치(100)의 데이터베이스에는 디자인콘텐츠와 평점이 매칭되어 저장될 수 있다. 추천디자인 결정부(101)는, 데이터베이스에서 추천디자인콘텐츠들 각각과 매칭되는 평점을 검색하고, 평점이 높은 순서대로 추천디자인콘텐츠들을 나열한 추천디자인리스트를 생성할 수 있다. 이를 통해, 사용자는 사업영역 및 콘텐츠의 종류에 적합한 디자인을 추천받을 수 있으며, 추천 받은 디자인 또는 추천 받은 디자인을 기초로하여 제작된 디자인을 사용자콘텐츠에 채용할 수 있다. Design contents and ratings may be matched and stored in the database of the service providing device 100 . The recommended design determining unit 101 may search for ratings matching each of the recommended design contents in the database and generate a recommended design list in which the recommended design contents are arranged in order of highest rating. Through this, the user can receive a design suitable for the business area and type of content, and the recommended design or a design based on the recommended design can be adopted as user content.

사용자콘텐츠 평가부(102)는, 사용자의 사업영역, 사용자콘텐츠의 종류 및 사용자콘텐츠에 포함된 문장들을 이용해 사용자콘텐츠의 점수를 산출할 수 있다. 일 실시예에서, 홍보물, IR자료, 회사소개서, 브로슈어 등이 사용자콘텐츠의 종류에 해당될 수 있다.The user content evaluation unit 102 may calculate the score of the user content using the user's business area, the type of user content, and sentences included in the user content. In one embodiment, promotional material, IR material, company introduction letter, brochure, etc. may correspond to the type of user content.

도 4는 도 1에 따른 서비스 제공 장치(100)가 사용자콘텐츠의 점수를 이용해 유사콘텐츠를 결정하는 과정을 도시하는 흐름도다. FIG. 4 is a flowchart illustrating a process in which the service providing apparatus 100 according to FIG. 1 determines similar content using scores of user content.

먼저, 사용자콘텐츠 평가부(102)는, 사용자의 사용자 단말(200)로부터 사용자콘텐츠를 수신한다(S110). First, the user content evaluation unit 102 receives user content from the user's user terminal 200 (S110).

또한, 사용자콘텐츠 평가부(102)는, 사용자콘텐츠로부터 복수의 소제목들을 획득하고, 소제목들과 대응하는 제1 제목클래스들을 결정한다(S120). In addition, the user content evaluation unit 102 obtains a plurality of subheadings from the user content, and determines first title classes corresponding to the subheadings (S120).

사용자콘텐츠 평가부(102)는, 사용자콘텐츠의 목차를 구성하는 소제목들을 획득하고, 소제목들의 종류에 기초해 미리 설정된 제목클래스들과 소제목들을 매칭할 수 있다. 일 실시예에서, 사용자콘텐츠가 회사소개서인 경우, 회사개요, 회사연혁, 경영이념, 조직도, 주요사업, 사업내용, 경쟁력, 시장성, 고객사 등과 대응하는 제목클래스들이 설정될 수 있다. 소제목이 회사개요와 관련된 내용인 경우, 사용자콘텐츠 평가부(102)는, 소제목에 회사개요와 대응하는 제목클래스를 매칭할 수 있다. The user content evaluation unit 102 may acquire subheadings constituting the table of contents of the user content, and match the subheadings with previously set title classes based on types of the subheadings. In one embodiment, when the user content is a company introduction, subject classes corresponding to company overview, company history, management philosophy, organization chart, main business, business content, competitiveness, marketability, and customer companies may be set. If the sub-title is related to the company profile, the user content evaluation unit 102 may match the sub-title with a title class corresponding to the company profile.

일 실시예에서, 사용자콘텐츠 평가부(102)는, 입력 인터페이스 장치를 통해 사용자콘텐츠와 대응하는 소제목들 및 소제목들 각각에 대해 쓰여진 내용을 입력 받을 수 있다. In one embodiment, the user content evaluation unit 102 may receive subheadings corresponding to the user content and contents written for each of the subheadings through an input interface device.

일 실시예에서, 사용자콘텐츠 평가부(102)는, 사용자 단말(200)로부터 사용자콘텐츠와 대응하는 소제목들 및 소제목들 각각에 대해 쓰여진 내용을 입력 받을 수 있다. In an embodiment, the user content evaluation unit 102 may receive subheadings corresponding to the user content and contents written for each of the subheadings from the user terminal 200 .

일 실시예에서, 사용자콘텐츠 평가부(102)는, 텍스트를 미리 학습된 자연어처리모델을 이용해 문장 단위로 구분하고, 문장을 문장이 소제목에 해당하는지 여부를 판단하도록 미리 학습된 기계학습모델에 입력 값으로 입력하고, 기계학습모델로부터 문장의 소제목여부를 획득할 수 있다. 예를 들어, RNN(Recurrent Neural Network), BERT(Bidirectional Encoder Representations from Transformers) 등이 기계학습모델의 학습에 사용될 수 있다. 다만, 이에 한정되는 것은 아니다. 사용자콘텐츠 평가부(102)는, 소제목에 해당하는 두 문장 사이에 위치한 문장들을 먼저 나온 문장에 대해 쓰여진 내용으로 결정할 수 있다. In one embodiment, the user content evaluation unit 102 divides text into sentence units using a pre-learned natural language processing model, inputs the sentence as an input value to a pre-learned machine learning model to determine whether the sentence corresponds to a sub-heading, and obtains whether the sentence has a sub-heading from the machine learning model. For example, a Recurrent Neural Network (RNN), Bidirectional Encoder Representations from Transformers (BERT), and the like may be used to learn a machine learning model. However, it is not limited thereto. The user content evaluation unit 102 may determine sentences located between two sentences corresponding to the subheading as the content written for the sentence that appeared first.

일 실시예에서, 서비스 제공 장치(100)의 데이터베이스에는 사용자콘텐츠의 종류별로 매칭되는 제목클래스테이블이 저장된다. 예를 들어, 사용자콘텐츠의 종류가 회사소개서인 경우, 사용자콘텐츠 평가부(102)는, 회사소개서와 매칭되는 제목클래스테이블을 선택할 수 있다. 제목클래스테이블에는 제목클래스들 각각과 복수의 제목키워드들이 매칭되어 저장된다. 사용자콘텐츠 평가부(102)는, 소제목으로 판단된 문장에 포함되는 단어들과 매칭되는 제목클래스를 제목클래스테이블에서 선택할 수 있다. 또한, 사용자콘텐츠 평가부(102)는, 선택한 제목클래스를 소제목에 대한 제1 제목클래스로 라벨링할 수 있다. In one embodiment, the database of the service providing device 100 stores a title class table matched for each type of user content. For example, when the type of user content is a company introduction, the user content evaluation unit 102 may select a title class table that matches the company introduction. Each of the title classes and a plurality of title keywords are matched and stored in the title class table. The user content evaluation unit 102 may select a title class that matches words included in the sentence determined as a subheading from the title class table. Also, the user content evaluation unit 102 may label the selected title class as a first title class for the small title.

일 실시예에서, 사용자콘텐츠 평가부(102)는, 소제목으로 판단된 문장을 문장의 제목클래스를 판단하도록 미리 학습된 기계학습모델에 입력 값으로 입력하고, 기계학습모델로부터 문장과 대응하는 제목클래스를 획득할 수 있다. 일 실시예에서, 기계학습모델은, 사업영역, 콘텐츠의 종류 및 소제목에 해당하는 문장에 제목클래스를 라벨링하여 생성된 학습데이터를 이용한 기계학습을 통해 생성될 수 있다. 예를 들어, RNN(Recurrent Neural Network), BERT(Bidirectional Encoder Representations from Transformers) 등이 기계학습모델의 학습에 사용될 수 있다. 다만, 이에 한정되는 것은 아니다. 사용자콘텐츠 평가부(102)는, 획득한 제목클래스를 소제목에 대한 제1 제목클래스로 결정할 수 있다. In one embodiment, the user content evaluation unit 102 inputs the sentence determined as a subheading as an input value to a pre-learned machine learning model to determine the title class of the sentence, and obtains a title class corresponding to the sentence from the machine learning model. In one embodiment, the machine learning model may be generated through machine learning using learning data generated by labeling a title class to a sentence corresponding to a business area, a type of content, and a subheading. For example, a Recurrent Neural Network (RNN), Bidirectional Encoder Representations from Transformers (BERT), and the like may be used to learn a machine learning model. However, it is not limited thereto. The user content evaluation unit 102 may determine the acquired title class as the first title class for the sub-title.

또한, 사용자콘텐츠 평가부(102)는, 사용자콘텐츠로부터 소제목들 각각과 대응하는 복수의 세부문장들을 획득하고, 세부문장들과 대응하는 제1 문장클래스들을 결정한다(S130). 일 실시예에서, 소제목들 각각과 대응하는 복수의 세부문장들은, 사용자콘텐츠에 포함된 문장들 중 소제목들 각각에 대해 쓰여진 복수의 문장들을 의미한다. In addition, the user content evaluation unit 102 obtains a plurality of detailed sentences corresponding to each of the subheadings from the user content, and determines first sentence classes corresponding to the detailed sentences (S130). In one embodiment, a plurality of sub-sentences corresponding to each of the sub-headings means a plurality of sentences written for each of the sub-headings among sentences included in the user content.

사용자콘텐츠 평가부(102)는, 사용자콘텐츠로부터 소제목들 각각과 대응하는 복수의 세부문장들을 획득하고, 세부문장들 각각의 제1 문장클래스를 결정한다.The user content evaluation unit 102 obtains a plurality of detailed sentences corresponding to each of the subheadings from the user content, and determines a first sentence class of each of the detailed sentences.

사용자콘텐츠 평가부(102)는, 각각의 소제목들에 대해 쓰여진 내용들을 문장단위로 획득하고, 문장의 종류에 기초해 미리 설정된 문장클래스들과 문장들을 매칭할 수 있다. 일 실시예에서, 소제목이 경쟁력으로 라벨링된 경우, 소제목에 대해 쓰여진 문장들은, 제품효과, 특허, 경쟁사비교 등의 문장클래스들로 라벨링될 수 있다. The user content evaluation unit 102 may acquire contents written for each of the subheadings sentence by sentence, and match sentences with preset sentence classes based on sentence types. In one embodiment, when a subheading is labeled as competitiveness, sentences written for the subheading may be labeled with sentence classes such as product effectiveness, patent, and competitor comparison.

사용자콘텐츠 평가부(102)는, 소제목에 대해 쓰여진 세부문장을 미리 학습된 기계학습모델에 입력 값으로 입력하고, 기계학습모델로부터 세부문장과 대응하는 문장클래스를 획득할 수 있다. 예를 들어, "자사는 3건의 등록특허를 취득하여 자사만의 원천적인 기술을 확보하였습니다"라는 세부문장을 기계학습모델에 입력 값으로 입력한 경우, 기계학습모델로부터 세부문장과 대응하는 문장클래스로 "특허"를 획득할 수 있다. 일 실시예에서, 기계학습모델은 사업영역, 사업콘텐츠의 종류 및 문장에 문장클래스를 라벨링하여 생성된 학습데이터를 이용한 기계학습을 통해 생성될 수 있다. 예를 들어, RNN(Recurrent Neural Network), BERT(Bidirectional Encoder Representations from Transformers) 등이 기계학습모델의 학습에 사용될 수 있다.The user content evaluation unit 102 may input the detailed sentence written for the subheading as an input value to the pre-learned machine learning model, and obtain a sentence class corresponding to the detailed sentence from the machine learning model. For example, if the sub-sentence "We have obtained 3 registered patents and secured our own original technology" is entered as an input value to the machine learning model, "Patent" can be obtained as a sentence class corresponding to the sub-sentence from the machine learning model. In one embodiment, the machine learning model may be generated through machine learning using learning data generated by labeling a business area, a type of business content, and a sentence class to a sentence. For example, a Recurrent Neural Network (RNN), Bidirectional Encoder Representations from Transformers (BERT), and the like may be used to learn a machine learning model.

또한, 사용자콘텐츠 평가부(102)는, 제1 제목클래스들 및 제1 문장클래스들을 이용하여 사용자콘텐츠의 점수를 결정한다(S140). In addition, the user content evaluation unit 102 determines the score of the user content using the first title classes and the first sentence classes (S140).

사용자콘텐츠 평가부(102)는, 사용자의 사업영역, 사용자콘텐츠의 종류, 제1 제목클래스들 및 제1 제목클래스들 각각과 대응하는 제1 문장클래스들을 미리 학습된 기계학습모델에 입력 값으로 입력하고, 기계학습모델로부터 사용자콘텐츠와 대응하는 점수를 획득할 수 있다.The user content evaluation unit 102 may input the user's business area, the type of user content, first title classes, and first sentence classes corresponding to each of the first title classes as input values to a pre-learned machine learning model, and obtain a score corresponding to the user content from the machine learning model.

일 실시예에서, 기계학습모델은, 사업영역, 콘텐츠의 종류, 제1 제목클래스들 및 제1 제목클래스들 각각과 대응하는 제1 문장클래스들에 점수를 라벨링하여 생성된 학습데이터를 이용한 기계학습을 통해 생성될 수 있다. 학습용콘텐츠의 소제목들의 제1 제목클래스 및 소제목들 각각에 대해 쓰여진 세부문장들의 제1 문장클래스들과 학습용콘텐츠와 대응하는 사업영역 및 학습용콘텐츠의 종류에 학습용콘텐츠의 점수를 라벨링한 학습데이터를 이용한 기계학습을 통해 기계학습모델이 생성될 수 있다. In one embodiment, the machine learning model may be generated through machine learning using training data generated by labeling scores to business areas, types of content, first title classes, and first sentence classes corresponding to each of the first title classes. A machine learning model can be generated through machine learning using the first title class of the subheadings of the learning content and the first sentence classes of the detailed sentences written for each of the subheadings, the business area corresponding to the learning content, and the learning data in which the score of the learning content is labeled in the type of the learning content.

즉, 사용자콘텐츠 평가부(102)는, 특정한 사업영역 및 특정한 종류의 콘텐츠에서, 콘텐츠의 구성(제1 제목클래스들 및 제1 제목클래스들 각각과 대응하는 제1 문장클래스들)과 콘텐츠의 점수 사이의 연관성을 학습한 기계학습모델을 이용해 사용자콘텐츠의 점수가 획득할 수 있다. 일 실시예에서, Random Forest, Xgboost, 다중회귀분석 등이 기계학습모델의 학습에 사용될 수 있다. 다만, 이에 한정되는 것은 아니다. That is, the user content evaluation unit 102 may acquire the score of the user content by using a machine learning model that has learned the relationship between the composition of the content (first title classes and first sentence classes corresponding to each of the first title classes) and the score of the content in a specific business area and a specific type of content. In one embodiment, random forest, Xgboost, multiple regression analysis, etc. may be used to learn the machine learning model. However, it is not limited thereto.

또한, 유사콘텐츠 결정부(103)는, 서비스 제공 장치(100)의 데이터베이스에서 사용자의 사업영역 및 사용자콘텐츠의 종류와 매칭되는 복수의 비교콘텐츠들을 선택한다(S150).Also, the similar content determination unit 103 selects a plurality of comparison contents matching the user's business area and the type of user contents from the database of the service providing device 100 (S150).

서비스 제공 장치(100)의 데이터베이스에는 비교콘텐츠들 각각과 사업영역 및 비교콘텐츠의 종류가 매칭되어 저장된다. In the database of the service providing device 100, each of the comparison contents is matched with the business area and the type of the comparison contents and stored.

유사콘텐츠 결정부(103)는, 사업영역 및 비교콘텐츠의 종류가 사용자의 사업영역 및 사용자콘텐츠의 종류와 동일한 비교컨텐츠들을 서비스 제공 장치(100)의 데이터베이스에서 선택한다. The similar content determination unit 103 selects comparison contents in which the business area and the type of comparative contents are the same as the user's business area and the type of user contents, from the database of the service providing device 100 .

또한, 유사콘텐츠 결정부(103)는, 데이터베이스에서 비교콘텐츠들 각각과 매칭되는 제2 제목클래스들 및 제2 문장클래스들을 선택한다(S160). Also, the similar content determination unit 103 selects second title classes and second sentence classes that match each of the comparison contents from the database (S160).

또한, 유사콘텐츠 결정부(103)는, 제2 제목클래스들이 제1 제목클래스들 모두를 포함하고, 제2 문장클래스들이 제1 문장클래스들을 모두 포함하는 비교콘텐츠들을 유사콘텐츠들로 결정한다(S170).Also, the similar content determination unit 103 determines comparison contents in which the second title classes include all of the first title classes and the second sentence classes include all of the first sentence classes as similar contents (S170).

이를 통해, 사용자콘텐츠의 구성을 모두 포함하는 비교콘텐츠들이 유사콘텐츠들로 결정될 수 있다. Through this, comparison contents including all configurations of user contents may be determined as similar contents.

또한, 추천콘텐츠 결정부(104)는, 사용자콘텐츠에 포함된 복수의 단어들과 유사콘텐츠들 각각에 포함된 복수의 단어들을 이용하여 유사콘텐츠들 각각에 대한 유사도를 결정할 수 있다. 또한, 추천콘텐츠 결정부(104)는, 사용자콘텐츠의 점수, 유사콘텐츠들 각각의 점수 및 유사콘텐츠들 각각의 유사도를 이용해 유사콘텐츠들 중 추천콘텐츠를 결정할 수 있다. Also, the recommended content determiner 104 may determine a similarity of each of the similar contents by using a plurality of words included in the user content and a plurality of words included in each of the similar contents. Also, the recommended content determination unit 104 may determine recommended content among similar content items using a score of user content, a score of each similar content, and a degree of similarity between each similar content.

도 5는 도 1에 따른 서비스 제공 장치(100)가 추천콘텐츠를 결정하는 과정을 도시하는 흐름도다.FIG. 5 is a flowchart illustrating a process in which the service providing apparatus 100 according to FIG. 1 determines recommended content.

또한, 추천콘텐츠 결정부(104)는, 사용자콘텐츠에서 복수의 비교키워드들을 획득하고, 비교키워드들을 이용해 제1 벡터를 생성한다(S210). In addition, the recommended content determination unit 104 obtains a plurality of comparison keywords from user content and generates a first vector using the comparison keywords (S210).

추천콘텐츠 결정부(104)는, 사용자콘텐츠에 포함된 복수의 단어들을 획득하고, 사용자의 사업영역 및 사용자콘텐츠의 종류와의 연관성을 이용해 단어들 각각에 대한 중요도를 결정할 수 있다. 일 실시예에서, 추천콘텐츠 결정부(104)는, OCR(Optical Character Reader)을 이용해 사용자콘텐츠에 포함된 텍스트를 획득할 수 있다. 또한, 추천콘텐츠 결정부(104)는, 획득한 텍스트를 단어를 획득하도록 미리 학습된 자연어처리모델에 입력 값으로 입력하고, 자연어처리모델로부터 텍스트에 포함된 복수의 단어들을 획득할 수 있다. 일 실시예에서, 추천콘텐츠 결정부(104)는, 사업영역 및 콘텐츠의 종류가 사용자와 동일한 콘텐츠들에 포함된 빈도수에 기초하여 단어의 중요도를 평가할 수 있다. 일 실시예에서, 추천콘텐츠 결정부(104)는, 사용영역 및 콘텐츠의 종류가 사용자와 동일한 콘텐츠들을 검색하고, 검색된 콘텐츠들에서 단어가 포함되는 횟수가 많을수록 상대적으로 단어의 중요성을 높게 결정할 수 있다. The recommended content determination unit 104 may obtain a plurality of words included in the user content and determine the importance of each of the words by using a relationship between the user's business area and the type of user content. In one embodiment, the recommended content determination unit 104 may obtain text included in the user content using OCR (Optical Character Reader). In addition, the recommended content determination unit 104 may input the acquired text as an input value to a natural language processing model trained in advance to obtain words, and obtain a plurality of words included in the text from the natural language processing model. In one embodiment, the recommended content determination unit 104 may evaluate the importance of a word based on the frequency of content included in content having the same business area and content type as the user. In one embodiment, the recommended content determination unit 104 may search for contents having the same usage area and content type as the user, and may determine a relatively high importance of the word as the number of times the word is included in the searched contents increases.

추천콘텐츠 결정부(104)는, 중요도가 미리 설정된 기준 중요도 이상인 단어들을 비교키워드들로 결정할 수 있다. The recommended content determination unit 104 may determine, as comparison keywords, words whose importance is greater than or equal to a preset reference level of importance.

추천콘텐츠 결정부(104)는, 비교키워드들을 이용해 제1 벡터를 생성한다. The recommended content determination unit 104 generates a first vector using comparison keywords.

또한, 추천콘텐츠 결정부(104)는, 유사콘텐츠들 각각의 제2 벡터와 제1 벡터를 이용해 유사콘텐츠들 각각의 유사도를 결정한다(S220). In addition, the recommended content determination unit 104 determines the degree of similarity of each of the similar contents using the second vector and the first vector of each of the similar contents (S220).

서비스 제공 장치(100)의 데이터베이스에는 유사콘텐츠들 각각과 제2 벡터가 미리 매칭되어 저장된다. 제2 벡터는 유사콘텐츠에 포함된 비교키워드들을 이용해 생성될 수 있다.In the database of the service providing device 100, each of the similar contents and the second vector are pre-matched and stored. The second vector may be generated using comparison keywords included in similar content.

추천콘텐츠 결정부(104)는, 제1 벡터와 제2 벡터 사이의 코사인 유사도를 이용하여 유사콘텐츠들 각각과 대응하는 유사도를 결정할 수 있다. The recommended content determination unit 104 may determine a similarity corresponding to each of the similar contents using the cosine similarity between the first vector and the second vector.

유사도는 아래의 수학식 1에 의해 산출될 수 있다.The degree of similarity can be calculated by Equation 1 below.

상기 수학식 1에서, S1은 유사도를 의미하고, A는 제1 벡터를 의미하며, B는 제2 벡터를 의미한다. 제1 벡터와 제2 벡터가 이루는 각도가 작을수록 유사도는 상대적으로 커지고, 제1 벡터와 제2 벡터가 이루는 각도가 클수록 유사도는 상대적으로 작아진다. In Equation 1, S1 denotes similarity, A denotes the first vector, and B denotes the second vector. The smaller the angle formed by the first vector and the second vector, the greater the degree of similarity, and the greater the angle formed by the first vector and the second vector, the smaller the degree of similarity.

또한, 추천콘텐츠 결정부(104)는, 사용자콘텐츠의 점수, 유사콘텐츠들 각각의 점수 및 유사콘텐츠들 각각의 유사도를 이용해 유사콘텐츠들 각각의 추천도를 결정한다(S230). In addition, the recommended content determination unit 104 determines a recommendation degree of each of the similar contents using the score of the user content, the score of each of the similar contents, and the degree of similarity of each of the similar contents (S230).

일 실시예에서, 추천콘텐츠 결정부(104)는, 유사콘텐츠의 점수에서 사용자콘텐츠의 점수를 뺀 값을 이용해 유사콘텐츠와 대응하는 보정계수를 결정할 수 있다. 유사콘텐츠의 점수에서 사용자콘텐츠의 점수를 뺀 값이 상대적으로 클수록 보정계수가 높게 결정될 수 있다. In an embodiment, the recommended content determination unit 104 may determine a correction coefficient corresponding to the similar content using a value obtained by subtracting the user content score from the similar content score. As the value obtained by subtracting the score of user content from the score of similar content is relatively large, the correction coefficient may be determined to be high.

일 실시예에서, 추천콘텐츠 결정부(104)는, 유사도에 보정계수를 곱한 값을 유사콘텐츠와 대응하는 추천도로 결정할 수 있다. In an embodiment, the recommended content determination unit 104 may determine a value obtained by multiplying a similarity by a correction coefficient as a recommendation corresponding to similar content.

또한, 추천콘텐츠 결정부(104)는, 추천도가 미리 설정된 기준 추천도보다 큰 유사콘텐츠들을 추천콘텐츠들로 결정한다(S240).In addition, the recommended content determination unit 104 determines similar contents having a higher recommendation level than a preset standard recommendation level as recommended contents (S240).

이를 통해, 상대적으로 높은 점수를 받으면서도 사용자콘텐츠와 내용적으로 관련이 있는 유사콘텐츠들이 추천콘텐츠들로 결정될 수 있다. Through this, similar contents that are related to user contents while receiving relatively high scores may be determined as recommended contents.

도 6은 도 1에 따른 서비스 제공 장치(100)가 사용자 단말(200)에 제공할 추가자료를 결정하고 검색하는 과정을 도시하는 흐름도다. FIG. 6 is a flowchart illustrating a process of determining and retrieving additional data to be provided to the user terminal 200 by the service providing apparatus 100 according to FIG. 1 .

추가자료 결정부(105) 및 추가자료 검색부(106)는, 추천콘텐츠들 각각에 포함되는 문장들 중 사용자콘텐츠의 문장들과 대응하지 않는 문장들, 사용자의 사업영역 및 사용자콘텐츠의 종류를 이용하여 추가자료를 검색하고, 검색된 추가자료를 사용자 단말(200)에 제공할 수 있다.The additional data determination unit 105 and the additional data search unit 106 may search for additional data by using sentences that do not correspond to sentences of the user content among sentences included in each of the recommended contents, business area of the user, and type of the user content, and provide the searched additional data to the user terminal 200.

추가자료 결정부(105)는, 사용자콘텐츠의 제1 제목클래스들과 추천콘텐츠들 각각의 제2 제목클래스들을 비교한다(S310). The additional material determining unit 105 compares the first title classes of the user contents with the second title classes of each of the recommended contents (S310).

또한, 추가자료 결정부(105)는, 제1 제목클래스들 중 적어도 하나가 제2 제목클래스와 동일한지 판단한다(S320). Also, the additional data determining unit 105 determines whether at least one of the first title classes is the same as the second title class (S320).

추가자료 결정부(105)는, 제1 제목클래스들 중 적어도 하나가 제2 제목클래스가 동일한 경우, 제2 제목클래스와 매칭된 소제목에 대해 쓰여진 내용과 제2 제목클래스와 동일한 제1 제목클래스와 매칭된 소제목에 대해 쓰여진 내용을 비교하여 사용자 단말(200)에 제공할 추가자료를 결정한다. 예를 들어, 제2 제목클래스가 회사연혁이고, 제1 제목클래스들 중 회사연혁인 제1 제목클래스가 존재하는 경우, 추가자료 결정부(105)는, 추천콘텐츠의 회사연혁으로 라벨링된 소제목에 대해 쓰여진 내용과 사용자콘텐츠의 회사연혁으로 라벨링된 소제목에 대해 쓰여진 내용을 비교하여 사용자 단말(200)에 제공할 추가자료를 결정한다. When at least one of the first title classes has the same second title class, the additional data determining unit 105 compares the content written for the subheading matched with the second title class with the content written for the subheading matched with the first title class identical to the second title class to determine additional data to be provided to the user terminal 200. For example, if the second title class is the company history and there is a first title class that is the company history among the first title classes, the additional data determining unit 105 compares the content written for the subheading labeled with the company history of the recommended content with the content written for the subheading labeled with the company history of the user content to determine additional data to be provided to the user terminal 200.

추가자료 결정부(105)는, 제1 제목클래스들 모두와 제2 제목클래스가 동일하지 않는 경우, 제2 제목클래스를 이용해 사용자 단말(200)에 제공할 추가자료를 결정한다. 예를 들어, 제2 제목클래스가 포트폴리오이고, 제1 제목클래스들 중 포트폴리오인 제1 제목클래스가 존재하지 않는 경우, 추가자료 결정부(105)는, 포트폴리오인 제2 제목클래스를 이용하여 사용자 단말(200)에 제공할 추가자료를 결정한다. The additional data determining unit 105 determines additional data to be provided to the user terminal 200 using the second title class when all of the first title classes are not the same as the second title class. For example, when the second title class is a portfolio and the first title class, which is a portfolio, does not exist among the first title classes, the additional data determining unit 105 determines additional data to be provided to the user terminal 200 by using the second title class, which is a portfolio.

또한, 추가자료 결정부(105)는, 제2 제목클래스와 대응하는 제2 문장클래스들을 제2 제목클래스와 동일한 제1 제목클래스와 대응하는 제1 문장클래스들을 비교한다(S330). Further, the additional material determining unit 105 compares the second sentence classes corresponding to the second title class with the first sentence classes corresponding to the same first subject class as the second title class (S330).

추가자료 결정부(105)는, 제2 제목클래스와 매칭된 소제목에 대해 쓰여진 세부문장들의 제2 문장클래스들을, 제2 제목클래스와 동일한 제1 제목클래스와 매칭된 소제목에 대해 쓰여진 세부문장들의 제1 문장클래스들과 비교한다. 예를 들어, 추가자료 결정부(105)는, 사용자 콘텐츠의 경쟁력으로 라벨링된 소제목에 대해 쓰여진 세부문장들의 제1 문장클래스들과 추천콘텐츠의 경쟁력으로 라벨링된 소제목에 대해 쓰여진 세부문장들의 제2 문장클래스들을 비교한다. The additional material determining unit 105 compares the second sentence classes of the sub-sentences written for the sub-heading matched with the second title class with the first sentence classes of the sub-sentences written for the sub-heading matched with the same first subject class as the second subject class. For example, the additional data determining unit 105 compares the first sentence classes of the sub-sentences written for the sub-heading labeled as the competitiveness of user content with the second sentence classes of the sub-sentences written for the sub-heading labeled as the competitiveness of the recommended content.

또한, 추가자료 결정부(105)는, 제2 문장클래스들 중 제1 문장클래스들과 동일하지 않은 제2 문장클래스들을 추가문장클래스들로 결정하고, 결정된 추가문장클래스들을 사용자 단말(200)에 제공한다(S340).In addition, the additional data determining unit 105 determines second sentence classes that are not identical to the first sentence classes among the second sentence classes as additional sentence classes, and provides the determined additional sentence classes to the user terminal 200 (S340).

예를 들어, 제2 문장클래스들은 제품효과, 특허 및 경쟁사비교이고, 제1 문장클래스들이 제품효과 및 특허인 경우, 경쟁사비교인 제2 문장클래스가 추가문장클래스로 결정될 수 있다. For example, when the second sentence classes are product effect, patent, and competitor comparison, and the first sentence classes are product effect and patent, the second sentence class, which is competitor comparison, may be determined as an additional sentence class.

추가문장클래스들을 제공받은 사용자 단말(200)은, 출력 인터페이스 장치를 통해 추가문장클래스들을 사용자에게 제공한다. 또한, 사용자 단말(200)은, 입력 인터페이스 장치를 통해 사용자로부터 추가문장클래스들 중 적어도 하나에 대한 선택신호를 입력 받을 수 있다. The user terminal 200 receiving the additional sentence classes provides the additional sentence classes to the user through the output interface device. Also, the user terminal 200 may receive a selection signal for at least one of the additional sentence classes from the user through the input interface device.

또한, 추가자료 결정부(105)는, 사용자로부터 입력 받은 추가문장클래스를 사용자 단말(200)로부터 수신한다(S350). 사용자 단말(200)은, 사용자로부터 입력 받은 선택신호와 대응하는 추가문장클래스를 추가자료 결정부(105)에 제공한다. In addition, the additional data determining unit 105 receives the additional sentence class input from the user from the user terminal 200 (S350). The user terminal 200 provides the additional sentence class corresponding to the selection signal input from the user to the additional data determining unit 105 .

또한, 추가자료 검색부(106)는, 사용자 단말(200)로부터 수신한 추가문장클래스, 제2 제목클래스와 동일한 제1 제목클래스, 사용자의 사업영역 및 사용자콘텐츠의 종류를 이용해 추가자료를 검색하고, 검색된 추가자료를 사용자 단말(200)에 제공한다(S360).In addition, the additional data search unit 106 searches for additional data using the additional sentence class received from the user terminal 200, the first subject class identical to the second subject class, the user's business area, and the type of user content, and provides the searched additional data to the user terminal 200 (S360).

서비스 제공 장치(100)의 데이터베이스에는 추가문장클래스와 복수의 제1 검색어들이 미리 매칭되어 저장되고, 제1 제목클래스와 복수의 제2 검색어들이 미리 매칭되어 저장되며, 사업영역과 복수의 제3 검색어들이 미리 매칭되어 저장되고, 사용자콘텐츠의 종류와 복수의 제4 검색어들이 미리 매칭되어 저장된다. In the database of the service providing apparatus 100, additional sentence classes and a plurality of first search words are pre-matched and stored, a first subject class and a plurality of second search words are pre-matched and stored, a business area and a plurality of third search words are pre-matched and stored, and a user content type and a plurality of fourth search words are pre-matched and stored.

추가자료 검색부(106)는, 추가문장클래스, 제1 제목클래스, 사업영역 및 사용자콘텐츠의 종류와 매칭되는 제1 검색어들, 제2 검색어들, 제3 검색어들 및 제4 검색어들을 데이터베이스에서 선택하고, 선택된 제1 검색어들, 제2 검색어들, 제3 검색어들 및 제4 검색어들을 이용해 검색식을 생성할 수 있다. 일 실시예에서, 검색식은 제1 검색어들 중 어느 하나, 제2 검색어들 중 어느 하나, 제3 검색어들 중 어느 하나 및 제4 검색어들 중 어느 하나를 모두 포함하도록 설정될 수 있다. 일 실시예에서, 검색식은 제1 검색어를 반드시 포함하고 제2 검색어, 제3 검색어 및 제4 검색어는 선택적으로 포함하도록 설정될 수 있다. The additional data search unit 106 may select first search words, second search words, third search words, and fourth search words matching the type of additional sentence class, first subject class, business area, and user content from the database, and generate a search expression using the selected first, second, third, and fourth search words. In one embodiment, the search expression may be set to include any one of the first search words, any one of the second search words, any one of the third search words, and any one of the fourth search words. In one embodiment, the search expression may be set to necessarily include the first search word and selectively include the second search word, the third search word, and the fourth search word.

추가자료 검색부(106)는, 별도의 자료검색서버(미도시) 또는 서비스 제공 장치(100)에 포함된 검색데이터베이스(미도시)에 검색식을 입력하고, 검색식과 대응하는 복수의 검색자료들을 획득할 수 있다. The additional data search unit 106 inputs a search formula into a separate data search server (not shown) or a search database (not shown) included in the service providing apparatus 100, and obtains a plurality of search materials corresponding to the search formula.

추가자료 검색부(106)는, 검색자료들 각각에 대한 제3 유사도를 결정하고, 제3 유사도가 기 설정된 기준 유사도보다 큰 검색자료들을 추가자료들로 결정하여 사용자 단말(200)에 제공할 수 있다. The additional data search unit 106 may determine a third similarity for each of the search data, determine search data having a third similarity greater than a preset reference similarity as additional data, and provide the determined search data to the user terminal 200. there is.

일 실시예에서, 추가자료 검색부(106)는, 검색자료에 제1 검색어가 포함된 횟수, 검색자료에 제2 검색어가 포함된 횟수, 검색자료에 제3 검색어가 포함된 횟수 및 검색자료에 제4 검색어가 포함된 횟수를 이용해 검색자료와 대응하는 제3 유사도를 결정할 수 있다. 일 실시예에서, 검색자료에 제1 검색어가 포함된 횟수, 검색자료에 제2 검색어가 포함된 횟수, 검색자료에 제3 검색어가 포함된 횟수 및 검색자료에 제4 검색어가 포함된 횟수가 클수록 제3 유사도가 상대적으로 크게 설정될 수 있다. 일 실시예에서, 검색자료에 제1 검색어가 포함된 횟수에 제1 가중치를 곱한 값, 검색자료에 제2 검색어가 포함된 횟수에 제2 가중치를 곱한 값, 검색자료에 제3 검색어가 포함된 횟수에 제3 가중치를 곱한 값 및 검색자료에 제4 검색어가 포함된 횟수에 제4 가중치를 곱한 값이 클수록 제3 유사도가 상대적으로 크게 설정될 수 있다. 일 실시예에서, 제1 가중치 내지 제4 가중치는 서로 다르게 설정될 수 있다. In one embodiment, the additional data search unit 106 may determine a third degree of similarity corresponding to the search data by using the number of times the first search word is included in the search data, the number of times the second search word is included in the search data, the number of times the third search word is included in the search data, and the number of times the fourth search word is included in the search data. In one embodiment, the number of times the first search word is included in the search data, the number of times the second search word is included in the search material, the number of times the third search word is included in the search material, and the number of times the fourth search word is included in the search material are larger. The third similarity may be set to be relatively large. In an embodiment, a value obtained by multiplying the number of times the first search word is included in the search data by the first weight, a value obtained by multiplying the number of times the second search word is included in the search data by the second weight, a value obtained by multiplying the number of times the third search word is included in the search data by the third weight, and a value obtained by multiplying the number of times the fourth search word is included in the search data by the fourth weight is greater, the third similarity may be set to be relatively large. In one embodiment, the first to fourth weights may be set differently.

또한, 제1 제목클래스들 모두가 제2 제목클래스와 동일하지 않은 경우, 추가자료 검색부(106)는, 제2 제목클래스, 사용자의 사업영역 및 사용자콘텐츠의 종류를 이용하여 추가자료를 검색하고, 검색된 추가자료를 사용자 단말(200)에 제공한다(S370). In addition, when all of the first subject classes are not identical to the second subject class, the additional material search unit 106 searches for additional material using the second subject class, the user's business area, and the type of user content, and provides the searched additional material to the user terminal 200 (S370).

서비스 제공 장치(100)의 데이터베이스에는 제2 제목클래스와 복수의 제5 검색어들이 미리 매칭되어 저장되며, 사업영역과 복수의 제3 검색어들이 미리 매칭되어 저장되고, 사용자콘텐츠의 종류와 복수의 제4 검색어들이 미리 매칭되어 저장된다. In the database of the service providing apparatus 100, the second subject class and a plurality of fifth search words are pre-matched and stored, the business area and a plurality of third search words are pre-matched and stored, and the type of user content and a plurality of fourth search words are pre-matched and stored.

추가자료 검색부(106)는, 제2 제목클래스, 사업영역 및 사용자콘텐츠의 종류와 매칭되는 제5 검색어들, 제3 검색어들 및 제4 검색어들을 데이터베이스에서 선택하고, 선택된 제5 검색어들, 제3 검색어들 및 제4 검색어들을 이용해 검색식을 생성할 수 있다. 일 실시예에서, 검색식은 제5 검색어들 중 어느 하나, 제3 검색어들 중 어느 하나 및 제4 검색어들 중 어느 하나를 모두 포함하도록 설정될 수 있다. 일 실시예에서, 검색식은 제5 검색어를 반드시 포함하고 제3 검색어, 및 제4 검색어는 선택적으로 포함하도록 설정될 수 있다. The additional data search unit 106 may select fifth search words, third search words, and fourth search words matching the second subject class, business area, and type of user content from the database, and generate a search expression using the selected fifth search words, third search words, and fourth search words. In one embodiment, the search expression may be set to include any one of the fifth search words, any one of the third search words, and any one of the fourth search words. In one embodiment, the search expression may be set to necessarily include the fifth search term and optionally include the third and fourth search terms.

추가자료 검색부(106)는, 검색자료들 각각에 대한 제3 유사도를 결정하고, 제3 유사도가 기 설정된 기준 유사도보다 큰 검색자료들을 추가자료들로 결정하여 사용자 단말(200)에 제공할 수 있다. The additional data search unit 106 may determine a third similarity for each search data, determine search data having a third similarity greater than a predetermined reference similarity as additional data, and provide the determined search data to the user terminal 200 .

일 실시예에서, 추가자료 검색부(106)는, 검색자료에 제5 검색어가 포함된 횟수, 검색자료에 제3 검색어가 포함된 횟수 및 검색자료에 제4 검색어가 포함된 횟수를 이용해 검색자료와 대응하는 제3 유사도를 결정할 수 있다. 일 실시예에서, 검색자료에 제5 검색어가 포함된 횟수, 검색자료에 제3 검색어가 포함된 횟수 및 검색자료에 제4 검색어가 포함된 횟수가 클수록 제3 유사도가 상대적으로 크게 설정될 수 있다. 일 실시예에서, 검색자료에 제5 검색어가 포함된 횟수에 제5 가중치를 곱한 값, 검색자료에 제3 검색어가 포함된 횟수에 제3 가중치를 곱한 값 및 검색자료에 제4 검색어가 포함된 횟수에 제4 가중치를 곱한 값이 클수록 제3 유사도가 상대적으로 크게 설정될 수 있다. 일 실시예에서, 제3 가중치 내지 제5 가중치는 서로 다르게 설정될 수 있다. In one embodiment, the additional data search unit 106 may determine a third degree of similarity corresponding to the search data by using the number of times the fifth search word is included in the search data, the number of times the third search word is included in the search data, and the number of times the fourth search word is included in the search data. In an embodiment, the third similarity may be set to be relatively large as the number of times the fifth search word is included in the search data, the number of times the third search word is included in the search data, and the number of times the fourth search word is included in the search data is greater. In one embodiment, a value obtained by multiplying the number of times the fifth search word is included in the search data by the fifth weight, a value obtained by multiplying the number of times the third search word is included in the search data by the third weight, and a value obtained by multiplying the number of times the fourth search word is included in the search data by the fourth weight may be set to a relatively large third similarity. In one embodiment, the third to fifth weights may be set differently.

도 7은 도 1에 따른 서비스 제공 장치(100)의 하드웨어 구성을 예시적으로 나타낸 도면이다.FIG. 7 is a diagram showing the hardware configuration of the service providing apparatus 100 according to FIG. 1 by way of example.

도 6을 참조하면, 서비스 제공 장치(100)는, 적어도 하나의 프로세서(110) 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.Referring to FIG. 6 , the service providing apparatus 100 may include at least one processor 110 and a memory for storing instructions instructing the at least one processor 110 to perform at least one operation.

상기 적어도 하나의 동작은 전술한 서비스 제공 장치(100)의 구성부들(101~105)이나 기타 기능 또는 동작 방법을 포함할 수 있다.The at least one operation may include the components 101 to 105 of the above-described service providing apparatus 100 or other functions or operation methods.

여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. Here, the at least one processor 110 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed. Each of the memory 120 and the storage device 160 may include at least one of a volatile storage medium and a non-volatile storage medium.

예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고, 저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.For example, the memory 120 may be one of a read only memory (ROM) and a random access memory (RAM), and the storage device 160 may be a flash-memory, a hard disk drive (HDD), a solid state drive (SSD), or various memory cards (eg, a micro SD card).

또한, 장치(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 장치(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 장치(100)에 포함된 각각의 구성 요소들은 버스(bus, 170)에 의해 연결되어 서로 통신을 수행할 수 있다.In addition, the device 100 may include a transceiver 130 that performs communication through a wireless network. In addition, the device 100 may further include an input interface device 140 , an output interface device 150 , a storage device 160 , and the like. Each component included in the device 100 may be connected by a bus 170 to communicate with each other.

장치(100)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.Examples of the device 100 include a communicable desktop computer, a laptop computer, a notebook, a smart phone, a tablet PC, a mobile phone, a smart watch, a smart glass, an e-book reader, a portable multimedia player (PMP), a portable game machine, a navigation device, a digital camera, and a digital multimedia broadcasting (DMB) player, It may be a digital audio recorder, a digital audio player, a digital video recorder, a digital video player, a personal digital assistant (PDA), and the like.

본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.The methods according to the present invention may be implemented in the form of program instructions that can be executed by various computer means and recorded on a computer readable medium. Computer readable media may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on a computer readable medium may be specially designed and configured for the present invention or may be known and usable to those skilled in computer software.

컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of computer readable media may include hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions may include not only machine language codes generated by a compiler but also high-level language codes that can be executed by a computer using an interpreter and the like. The hardware device described above may be configured to operate with at least one software module to perform the operations of the present invention, and vice versa.

또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다. In addition, the above-described method or device may be implemented by combining all or some of its components or functions, or may be implemented separately.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention without departing from the spirit and scope of the present invention described in the claims below. It will be understood that it can be changed.

Claims

As a device for providing content production integrated platform services,
The device,
at least one processor; and
A memory for storing instructions instructing the at least one processor to perform at least one operation,
At least one operation,
receiving the business area of the user, the type of user content, and the user content from the user's user terminal;
determining first title classes and first sentence classes from the user content by using a first machine learning model and a second machine learning model;
determining a score of the user content by using the first title classes and the first sentence classes;
selecting a plurality of comparison contents matching the business area and type from the database;
selecting second title classes and second sentence classes corresponding to each of the comparison contents from the database;
determining, among the comparative contents, comparative contents in which the second title classes include all of the first title classes and the second sentence classes include all of the first sentence classes as similar contents;
determining a degree of similarity for each of the similar contents by using a plurality of words included in each of the similar contents;
determining recommended content among the similar contents by using the score of the user content, the score of each of the similar contents, and the degree of similarity of each of the similar contents;
The operation of determining first title classes and first sentence classes in the user content by using the first machine learning model and the second machine learning model,
inputting each of the plurality of first subheadings included in the business area, the type, and the plurality of first sentences included in the user content as an input value to a pre-learned first machine learning model, and acquiring the first title classes corresponding to the first subheadings from the first machine learning model;
obtaining a plurality of first sub-sentences included in the first sentences and written for each of the first sub-headings; and
An operation of inputting each of the business area, the type, and the first subsentences as input values to a pre-learned second machine learning model, and obtaining the first sentence classes corresponding to the first subsentences from the second machine learning model;
The operation of determining the score of the user content,
inputting the business area of the user, the type of user content, the first title classes, and the first sentence classes to a pre-learned third machine learning model, and determining a score of the user content from the third machine learning model;
The operation of determining the degree of similarity for each of the similar contents using a plurality of words included in each of the similar contents,
obtaining a plurality of words included in the user content;
determining, for each of the words, an importance having a higher value as the frequency of the obtained plurality of words being included in comparison content having the same type of content as the business area increases;
determining words whose importance is greater than or equal to a reference importance as comparison keywords, and generating a first vector using the determined comparison keywords;
generating a second vector corresponding to each of the similar contents by using comparison keywords included in each of the similar contents; and
An operation of determining the degree of similarity corresponding to each of the similar contents according to the following equation using the first vector and the second vector;
(In the equation, S1 is the similarity, A is the first vector, and B is the second vector)
The operation of determining recommended content among the similar content includes:
determining a correction coefficient set to have a higher value as a value obtained by subtracting the score of the user content from the score of the similar content is larger;
determining a recommendation rate corresponding to each of the similar contents by multiplying the similarity by the correction coefficient; and
An operation of determining, as the recommended content, similar contents for which the determined recommendation degree is greater than a preset reference recommendation degree;
Device.

delete