KR102601446B1

KR102601446B1 - 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템

Info

Publication number: KR102601446B1
Application number: KR1020230099773A
Authority: KR
Inventors: 고태완
Original assignee: 주식회사 원트라이
Priority date: 2023-07-31
Filing date: 2023-07-31
Publication date: 2023-11-13

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능 모델을 활용한 인플루언서 기반 판매 제품 매칭 플랫폼 서비스 제공 방법에 있어서, 제1 업체 단말로부터 제1 업체에서 판매하는 제1 제품을 홍보할 인플루언서의 추천 요청을 수신하는 단계; 상기 제1 제품의 카테고리, 주 사용층, 출시일 및 판매량을 확인하여, 상기 제1 제품의 특징 정보를 분석하는 단계; 복수의 인플루언서들 중에서 어느 하나인 제1 인플루언서의 관심 카테고리, 주 팔로워층, 영향력 지수 및 제품 홍보 내역을 확인하여, 상기 제1 인플루언서의 활동 정보를 분석하는 단계; 상기 제1 제품의 특징 정보 및 상기 제1 인플루언서의 활동 정보를 매칭하여, 제1 매칭 정보를 생성하는 단계; 상기 제1 매칭 정보를 미리 학습된 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델의 출력을 기초로, 상기 제1 제품과 상기 제1 인플루언서 간의 매칭 점수를 설정하는 단계; 상기 제1 제품과 상기 복수의 인플루언서들 간의 매칭 점수가 각각 설정되면, 상기 복수의 인플루언서들 중에서 상기 제1 제품 간의 매칭 점수가 미리 설정된 제1 기준 점수 보다 높은 인플루언서를 제1 그룹으로 분류하는 단계; 상기 제1 그룹으로 분류된 인플루언서들을 기초로, 상기 제1 제품의 홍보에 대한 추천 인플루언서 리스트를 생성하는 단계; 및 상기 추천 인플루언서 리스트를 상기 제1 업체 단말로 전송하는 단계를 포함하는, 인공지능 모델을 활용한 인플루언서 기반 판매 제품 매칭 플랫폼 서비스 제공 방법이 제공된다.

Description

인공지능 모델을 활용한 인플루언서 기반 판매 제품 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING SALES PRODUCT MATCHING PLATFORM SERVICE BASED ON INFLUENCER USING ARTIFICIAL INTELLIGENCE MODEL}

아래 실시예들은 인공지능 모델을 활용하여 인플루언서 기반의 판매 제품 매칭 플랫폼 서비스를 제공하기 위한 기술에 관한 것이다.

SNS 활성화로 인해 인플루언서가 증가하면서, 인플루언서를 활용한 마케팅 시장도 성장함에 따라, 인플루언서와 제품을 연결해주는 중계업체들이 다수 등장하였으나, 단순히 비용에 따라 인플루언서와 제품을 연결하여 매칭해주고 있어, 저품질의 매칭 서비스 제공되고 있는 문제가 있다.

따라서, 제품과 인플루언서 간의 최적의 매칭의 지원하여, 제품 판매에 최대한 도움이 되는 인플루언서를 추천함으로써, 매칭 서비스에 대한 만족도를 증대시킬 수 있는 기술의 구현이 요구되고 있다.

한국등록특허 제10-2490009호 한국등록특허 제10-2278809호 한국공개특허 제10-2023-0094117호 한국공개특허 제10-2023-0074906호

일실시예에 따르면, 인공지능 모델을 활용하여 인플루언서 기반의 판매 제품 매칭 플랫폼 서비스를 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

상기 제1 인공지능 모델은, 상기 제1 제품의 카테고리와 상기 제1 인플루언서의 관심 카테고리 간의 유사도를 기초로, 제1 점수를 부여하고, 상기 제1 제품의 주 사용층과 상기 제1 인플루언서의 주 팔로워층 간의 유사도를 기초로, 제2 점수를 부여하고, 상기 제1 제품의 출시일이 최근이면서 상기 제1 인플루언서의 영향력 지수가 높을수록 제3 점수를 높은 점수로 부여하고, 상기 제1 제품의 판매량이 낮으면서 상기 제1 인플루언서의 영향력 지수가 높을수록 제4 점수를 높은 점수로 부여하고, 상기 제1 인플루언서의 제품 홍보 내역을 통해 상기 제1 제품의 카테고리에 속하는 제품을 홍보한 홍보 횟수를 확인하고, 상기 홍보 횟수가 많을수록 제5 점수를 높은 점수로 부여하고, 상기 제1 점수, 상기 제2 점수, 상기 제3 점수, 상기 제4 점수 및 상기 제5 점수를 합산하여 총점을 산출하고, 상기 총점을 상기 제1 제품과 상기 제1 인플루언서 간의 매칭 점수를 지시하는 출력값으로 출력할 수 있다.

상기 제1 인플루언서의 활동 정보를 분석하는 단계는, 상기 제1 인플루언서의 SNS 계정을 즐겨찾기로 등록한 팔로워 수를 제1 수치로 설정하는 단계; 상기 제1 수치에 미리 설정된 제1 가중치를 적용하여 팔로워 지수를 산출하는 단계; 상기 제1 인플루언서의 SNS 계정에 업로드된 게시 자료에 등록되어 있는 좋아요 수의 평균치를 제2 수치로 설정하는 단계; 상기 제2 수치에 상기 제1 가중치 보다 높은 값이 설정된 제2 가중치를 적용하여 좋아요 지수를 산출하는 단계; 상기 제1 인플루언서의 SNS 계정에 업로드된 게시 자료에 등록되어 있는 댓글 수의 평균치를 제3 수치로 설정하는 단계; 상기 제3 수치에 상기 제2 가중치 보다 높은 값이 설정된 제3 가중치를 적용하여 댓글 지수를 산출하는 단계; 상기 팔로워 지수, 상기 좋아요 지수 및 상기 댓글 지수를 합산하여, 총합 지수를 산출하는 단계; 미리 설정된 기준 기간 동안 상기 제1 인플루언서의 팔로워 수에 대한 변화량을 확인하는 단계; 상기 제1 수치 및 상기 변화량을 기반으로, 상기 기준 기간 동안 상기 제1 인플루언서의 팔로워 수에 대한 변경 비율을 산출하는 단계; 상기 변경 비율이 높을수록 제4 가중치를 높은 값으로 설정하는 단계; 및 상기 총합 지수에 상기 제4 가중치를 적용하여 상기 제1 인플루언서의 영향력 지수를 산출하는 단계를 포함할 수 있다.

일실시예에 따르면, 인공지능 모델을 활용하여 제품과 인플루언서 간의 매칭 점수를 산출하고, 매칭 점수를 기반으로 제품 홍보를 위한 추천 인플루언서 리스트를 생성하여 제공함으로써, 제품 판매에 최대한 도움이 되는 인플루언서를 추천하여, 매칭 서비스에 대한 만족도를 증대시킬 수 있는 효과가 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능 모델을 활용하여 인플루언서 기반의 판매 제품 매칭 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제품과 인플루언서 간의 매칭 점수를 산출하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 인플루언서의 영향력 지수를 산출하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 추천 인플루언서 리스트를 정렬하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 총합 활동 지수를 조정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 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.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 업체 단말(100) 및 장치(200)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

복수의 업체 단말(100) 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

복수의 업체 단말(100)은 제품을 판매하는 각 업체의 담당자들이 사용하는 단말로, 제1 업체의 담당자가 사용하는 제1 업체 단말(110), 제2 업체의 담당자가 사용하는 제2 업체 단말(120) 등을 포함할 수 있다. 이때, 제1 업체는 제1 제품을 판매하는 업체이고, 제2 업체는 제2 제품을 판매하는 업체일 수 있다.

복수의 업체 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 업체 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

복수의 업체 단말(100) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 업체 단말(100) 각각은 웹 페이지 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.

복수의 업체 단말(100) 각각은 장치(200)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(200)에 접속할 수 있다.

장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공지능 모델을 구비할 수 있다.

장치(200)는 복수의 업체 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 업체 단말(100) 각각의 동작을 제어하고, 복수의 업체 단말(100) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

장치(200)는 인플루언서를 기반으로 판매 제품을 매칭하는 서비스를 제공하는 서버로 구현되어, 인플루언서와 판매 제품을 매칭하는 매칭 서비스를 위한 플랫폼을 제공할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 업체 단말(100) 중 제1 업체 단말(110) 및 제2 업체 단말(120)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

일실시예에 따르면, 장치(200)는 인공지능을 기반으로 제품과 인플루언서 간의 매칭 점수를 설정할 수 있으며, 설정된 매칭 점수를 이용하여 제품을 홍보할 추천 인플루언서를 선정할 수 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 인공지능 모델을 활용하여 인플루언서 기반의 판매 제품 매칭 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 제1 업체 단말(110)로부터 제1 업체에서 판매하는 제1 제품을 홍보할 인플루언서의 추천 요청을 수신할 수 있다. 여기서, 제1 제품을 홍보할 인플루언서의 추천 요청은 제1 제품 정보를 포함할 수 있고, 제1 제품 정보는 제1 제품의 제품명, 가격, 카테고리, 주 사용층, 출시일, 판매량 등 제1 제품에 대한 정보를 포함할 수 있다.

S202 단계에서, 장치(200)는 제1 제품의 카테고리, 주 사용층, 출시일 및 판매량을 확인하여, 제1 제품의 특징 정보를 분석할 수 있다. 이때, 장치(200)는 제1 제품 정보를 기초로, 제1 제품의 특징 정보를 분석할 수 있고, 제1 제품의 특징 정보는 제1 제품의 카테고리, 주 사용층, 출시일, 판매량 등 제1 제품의 특징을 나타내는 정보를 포함할 수 있다.

S203 단계에서, 장치(200)는 복수의 인플루언서들 중에서 어느 하나인 제1 인플루언서의 관심 카테고리, 주 팔로워층, 영향력 지수 및 제품 홍보 내역을 확인하여, 제1 인플루언서의 활동 정보를 분석할 수 있다. 이때, 장치(200)는 SNS 서버로부터 제1 인플루언서 정보를 획득한 후, 제1 인플루언서 정보를 기초로, 제1 인플루언서의 활동 정보를 분석할 수 있고, 제1 인플루언서의 활동 정보는 제1 인플루언서의 관심 카테고리, 주 팔로워층, 영향력 지수, 제품 홍보 내역 등 제1 인플루언서의 활동 상태를 나타내는 정보를 포함할 수 있다.

장치(200)는 인플루언서 정보를 획득하기 위해, SNS 서버와 연결되어, SNS 서버로부터 인플루언서 정보를 획득할 수 있고, 획득된 인플루언서 정보를 토대로 인플루언서의 SNS 계정에 대한 상태를 분석할 수 있다. 여기서, 인플루언서 정보는 인플루언서의 이름, 성별, 나이, 주소, 관심 카테고리, 활동하는 소셜 네트워크 서비스의 종류, 활동하는 소셜 네트워크 서비스에서 사용하는 주소(ID), 소셜 네트워크 서비스에 가입한 가입 기간, 소셜 네트워크 서비스에서 보유한 팔로워(follower)의 수, 기간별 팔로워 수에 대한 변화량, 주 팔로워층, 제품 홍보 내역, 인플루언서의 SNS 계정 주소, 인플루언서의 SNS 계정을 즐겨찾기로 등록한 팔로워 리스트, 인플루언서의 SNS 계정에 업로드된 게시 자료 별로 등록되어 있는 해시 태그, 좋아요 수, 댓글 수, 기간별 SNS 계정에 업로드한 게시 자료의 수 등에 대한 정보를 포함할 수 있다.

장치(200)는 제1 인플루언서의 활동 정보를 분석하기 위해, 제1 인플루언서 정보를 기초로, 제1 인플루언서의 관심 카테고리, 주 팔로워층 및 제품 홍보 내역을 확인할 수 있고, 제1 인플루언서 정보를 기초로, 제1 인플루언서의 영향력 지수를 산출할 수 있다. 제1 인플루언서의 영향력 지수를 산출하는 과정에 대한 자세한 설명은 도 4를 참조하여 후술하기로 한다.

S204 단계에서, 장치(200)는 제1 제품의 특징 정보 및 제1 인플루언서의 활동 정보를 매칭하여, 제1 매칭 정보를 생성할 수 있다.

S205 단계에서, 장치(200)는 제1 매칭 정보를 미리 학습된 제1 인공지능 모델에 입력할 수 있다. 여기서, 제1 인공지능 모델은 제품과 인플루언서 간의 매칭 점수를 산출하도록 학습되어 있는 상태일 수 있다.

제1 인공지능 모델은 제품의 특징 정보 및 인플루언서의 활동 정보를 매칭한 매칭 정보를 입력으로 받아, 제품의 특징과 인플루언서의 활동 상태를 고려하여 제품과 인플루언서 간의 매칭 점수를 산출하고, 산출된 매칭 점수를 지시하는 출력값을 출력하는 알고리즘일 수 있다. 제1 인공지능 모델에서 매칭 점수를 산출하여 출력하는 과정에 대한 자세한 설명은 도 3을 참조하여 후술하기로 한다.

S206 단계에서, 장치(200)는 제1 인공지능 모델의 출력을 기초로, 제1 제품과 제1 인플루언서 간의 매칭 점수를 설정할 수 있다.

예를 들어, 장치(200)는 제1 매칭 정보를 제1 인공지능 모델에 입력하여, 제1 인공지능 모델로부터 출력을 획득하고, 제1 인공지능 모델의 출력을 확인한 결과, 출력값이 30으로 확인되면, 제1 제품과 제1 인플루언서 간의 매칭 점수를 30점으로 설정할 수 있다.

일실시예에 따르면, 제1 인공지능 모델은 제품의 특징 정보 및 인플루언서의 활동 정보를 매칭한 매칭 정보를 통해, 제품과 인플루언서 간의 매칭 점수를 산출하도록 학습될 수 있다.

제1 인공지능 모델의 학습이 이루어지는 학습 장치는 학습된 제1 인공지능 모델을 활용하여 제품과 인플루언서 간의 매칭 점수를 산출하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공지능 모델이 학습되는 과정을 설명한다.

먼저, 학습 장치는 제품의 특징 정보 및 인플루언서의 활동 정보를 매칭한 매칭 정보를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 제품의 특징 정보 및 인플루언서의 활동 정보를 매칭한 매칭 정보에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 정보를 제1 인공지능 모델의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델에 입력을 적용할 수 있다. 제1 인공지능 모델은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공지능 모델은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제1 인공지능 모델은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다.

예를 들어, 제1 보상은 제품의 카테고리와 인플루언서의 관심 카테고리 간의 유사도가 높을수록 매칭 점수를 높은 것으로 분석하면 보상값이 높아질 수 있고, 제2 보상은 제품의 주 사용층과 인플루언서의 주 팔로워층 간의 유사도가 높을수록 매칭 점수를 높은 것으로 분석하면 보상값이 높아질 수 있고, 제3 보상은 제품의 출시일이 최근이면서 인플루언서의 영향력 지수가 높을수록 매칭 점수를 높은 것으로 분석하면 보상값이 높아질 수 있고, 제4 보상은 제품의 판매량이 낮으면서 인플루언서의 영향력 지수가 높을수록 매칭 점수를 높은 것으로 분석하면 보상값이 높아질 수 있고, 제5 보상은 인플루언서가 제품의 카테고리에 속하는 제품을 홍보한 홍보 횟수가 많을수록 매칭 점수를 높은 것으로 분석하면 보상값이 높아질 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델로부터 출력을 획득할 수 있다. 제1 인공지능 모델의 출력은, 제품과 인플루언서 간의 매칭 점수를 지시하는 출력값에 대한 정보일 수 있다. 이때, 제1 인공지능 모델은 제품의 특징과 인플루언서의 활동 상태를 고려하여, 제품과 인플루언서 간의 매칭 점수를 산출하고, 산출된 매칭 점수를 지시하는 출력값에 대한 정보를 출력할 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상 내지 제5 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 제품의 카테고리와 인플루언서의 관심 카테고리 간의 유사도가 높을수록 매칭 점수를 높은 것으로 분석하면 제1 보상을 많이 수여하고, 제품의 주 사용층과 인플루언서의 주 팔로워층 간의 유사도가 높을수록 매칭 점수를 높은 것으로 분석하면 제2 보상을 많이 수여하고, 제품의 출시일이 최근이면서 인플루언서의 영향력 지수가 높을수록 매칭 점수를 높은 것으로 분석하면 제3 보상을 많이 수여하고, 제품의 판매량이 낮으면서 인플루언서의 영향력 지수가 높을수록 매칭 점수를 높은 것으로 분석하면 제4 보상을 많이 수여하고, 인플루언서가 제품의 카테고리에 속하는 제품을 홍보한 홍보 횟수가 많을수록 매칭 점수를 높은 것으로 분석하면 제5 보상을 많이 수여할 수 있다.

다음으로, 학습 장치는 평가를 기초로 제1 인공지능 모델을 갱신할 수 있다.

구체적으로, 학습 장치는 제1 인공지능 모델이, 제품과 인플루언서 간의 매칭 점수를 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공지능 모델을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 제품과 제1 인플루언서 간의 매칭 점수에 대해 문제가 없는 경우, 제1 제품과 제1 인플루언서 간의 매칭 점수 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 신호를 생성하고, 제1 학습 신호를 제1 인공지능 모델에 적용하여, 제1 제품의 특징과 유사한 특징을 가지는 제품과 제1 인플루언서와 유사한 활동 상태를 나타내는 인플루언서 간의 매칭 점수를 제1 제품과 제1 인플루언서 간의 매칭 점수와 유사한 값으로 산출하도록, 제1 인공지능 모델을 학습시키는 과정을 통해, 제1 인공지능 모델을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상술한 제1 인공지능 모델의 학습 과정을 반복함으로써, 제1 인공지능 모델을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 제품의 특징과 인플루언서의 활동 상태를 고려하여, 제품과 인플루언서 간의 매칭 점수를 산출하여 출력하는 제1 인공지능 모델을 학습시킬 수 있다.

즉, 학습 장치는 제품의 특징 정보 및 인플루언서의 활동 정보를 매칭한 매칭 정보를 통해, 제품과 인플루언서 간의 매칭 점수를 분석할 때, 제1 보상 내지 제5 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공지능 모델을 학습시킬 수 있다.

S207 단계에서, 장치(200)는 제1 제품과 복수의 인플루언서 간의 매칭 점수가 각각 설정된 것을 확인할 수 있다.

일실시예에 따르면, 제1 제품과 복수의 인플루언서 간의 매칭 점수를 설정하기 위해, S203 단계 내지 S206 단계가 반복하여 수행될 수 있다.

예를 들어, 장치(200)는 제2 인플루언서의 활동 정보를 분석하고, 제1 제품의 특징 정보 및 제2 인플루언서의 활동 정보를 매칭하여, 제2 매칭 정보를 생성하고, 제2 매칭 정보를 제1 인공지능 모델에 입력하고, 제1 인공지능 모델의 출력을 기초로, 제1 제품과 제2 인플루언서 간의 매칭 점수를 설정할 수 있다.

이와 같이, 매칭 점수를 설정하는 과정을 인플루언서 별로 수행하여, 제1 제품과 복수의 인플루언서 간의 매칭 점수가 각각 설정될 수 있다.

S208 단계에서, 장치(200)는 제1 제품과 복수의 인플루언서들 간의 매칭 점수가 각각 설정되면, 복수의 인플루언서들 중에서 제1 제품 간의 매칭 점수가 제1 기준 점수 보다 높은 인플루언서를 제1 그룹으로 분류할 수 있다. 여기서, 제1 기준 점수는 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제1 기준 점수가 50점으로 설정되어 있는 경우, 장치(200)는 제1 제품과 제1 인플루언서 간의 매칭 점수가 80점으로 확인되고, 제1 제품과 제2 인플루언서 간의 매칭 점수가 60점으로 확인되고, 제1 제품과 제3 인플루언서 간의 매칭 점수가 40점으로 확인되면, 제1 인플루언서, 제2 인플루언서 및 제3 인플루언서 중에서 매칭 점수가 제1 기준 점수 보다 높은 제1 인플루언서 및 제2 인플루언서를 제1 그룹으로 분류할 수 있다.

S209 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들을 기초로, 제1 제품의 홍보에 대한 추천 인플루언서 리스트를 생성할 수 있다. 여기서, 추천 인플루언서 리스트는 제1 그룹으로 분류된 인플루언서들 각각의 계정 정보를 포함할 수 있고, 계정 정보는 이름, SNS 계정 주소, 팔로워 수 등에 대한 정보를 포함할 수 있다.

장치(200)는 추천 인플루언서 리스트를 생성한 후, 추천 인플루언서 리스트를 미리 정해진 기준에 따라 정렬할 수 있다. 추천 인플루언서 리스트를 정렬하는 과정에 대한 자세한 설명은 도 5를 참조하여 후술하기로 한다.

S210 단계에서, 장치(200)는 추천 인플루언서 리스트를 제1 업체 단말(110)로 전송할 수 있다.

도 3은 일실시예에 따른 제품과 인플루언서 간의 매칭 점수를 산출하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 제1 인공지능 모델은 제1 제품의 카테고리와 제1 인플루언서의 관심 카테고리 간의 유사도를 기초로, 제1 점수를 부여할 수 있다.

구체적으로, 제1 인공지능 모델은 제1 제품의 카테고리가 제1 카테고리고 확인되고, 제1 인플루언서의 관심 카테고리가 제2 카테고리로 확인되면, 제1 카테고리 및 제2 카테고리를 비교하여, 제1 카테고리 및 제2 카테고리 간의 유사도를 산출할 수 있고, 산출된 유사도가 높을수록 제1 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제1 인공지능 모델은 제1 제품의 카테고리가 화장품 카테고리로 확인되고 제1 인플루언서의 관심 카테고리도 화장품 카테고리로 확인되면, 제1 제품의 카테고리와 제1 인플루언서의 관심 카테고리 간의 유사도를 100으로 산출한 후, 제1 점수를 100점으로 부여할 수 있으며, 제1 제품의 카테고리가 화장품 카테고리로 확인되고 제1 인플루언서의 관심 카테고리가 패션 카테고리로 확인되면, 제1 제품의 카테고리와 제1 인플루언서의 관심 카테고리 간의 유사도를 50으로 산출한 후, 제1 점수를 50점으로 부여할 수 있으며, 제1 제품의 카테고리가 화장품 카테고리로 확인되고 제1 인플루언서의 관심 카테고리가 자동차 카테고리로 확인되면, 제1 제품의 카테고리와 제1 인플루언서의 관심 카테고리 간의 유사도를 0으로 산출한 후, 제1 점수를 0점으로 부여할 수 있다.

S302 단계에서, 제1 인공지능 모델은 제1 제품의 주 사용층과 제1 인플루언서의 주 팔로워층 간의 유사도를 기초로, 제2 점수를 부여할 수 있다.

구체적으로, 제1 인공지능 모델은 제1 제품의 주 사용층이 제1 나이대로 확인되고, 제1 인플루언서의 주 팔로워층이 제2 나이대로 확인되면, 제1 나이대 및 제2 나이대를 비교하여, 제1 나이대 및 제2 나이대 간의 유사도를 산출할 수 있고, 산출된 유사도가 높을수록 제2 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제1 인공지능 모델은 제1 제품의 주 사용층이 20대로 확인되고 제1 인플루언서의 주 팔로워층이 20대로 확인되면, 제1 제품의 주 사용층과 제1 인플루언서의 주 팔로워층 간의 유사도를 100으로 산출한 후, 제2 점수를 100점으로 부여할 수 있으며, 제1 제품의 주 사용층이 20대로 확인되고 제1 인플루언서의 주 팔로워층이 30대로 확인되면, 제1 제품의 주 사용층과 제1 인플루언서의 주 팔로워층 간의 유사도를 50으로 산출한 후, 제2 점수를 50점으로 부여할 수 있으며, 제1 제품의 주 사용층이 20대로 확인되고 제1 인플루언서의 주 팔로워층이 40대로 확인되면, 제1 제품의 주 사용층과 제1 인플루언서의 주 팔로워층 간의 유사도를 0으로 산출한 후, 제2 점수를 0점으로 부여할 수 있다.

S303 단계에서, 제1 인공지능 모델은 제1 제품의 출시일이 최근이면서 제1 인플루언서의 영향력 지수가 높을수록 제3 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제1 인공지능 모델은 제1 제품의 출시일이 최근 3년 이내로 확인된 경우, 제1 인플루언서의 영향력 지수가 20으로 확인되면, 제3 점수를 10점으로 부여하고, 제1 인플루언서의 영향력 지수가 30으로 확인되면, 제3 점수를 15점으로 부여하고, 제1 제품의 출시일이 최근 2년 이내로 확인된 경우, 제1 인플루언서의 영향력 지수가 20으로 확인되면, 제3 점수를 20점으로 부여하고, 제1 인플루언서의 영향력 지수가 30으로 확인되면, 제3 점수를 30점으로 부여하고, 제1 제품의 출시일이 최근 1년 이내로 확인된 경우, 제1 인플루언서의 영향력 지수가 20으로 확인되면, 제3 점수를 40점으로 부여하고, 제1 인플루언서의 영향력 지수가 30으로 확인되면, 제3 점수를 60점으로 부여할 수 있다.

S304 단계에서, 제1 인공지능 모델은 제1 제품의 판매량이 낮으면서 제1 인플루언서의 영향력 지수가 높을수록 제4 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제1 인공지능 모델은 제1 제품의 판매량이 300개로 확인된 경우, 제1 인플루언서의 영향력 지수가 20으로 확인되면, 제4 점수를 10점으로 부여하고, 제1 인플루언서의 영향력 지수가 30으로 확인되면, 제4 점수를 15점으로 부여하고, 제1 제품의 판매량이 200개로 확인된 경우, 제1 인플루언서의 영향력 지수가 20으로 확인되면, 제4 점수를 20점으로 부여하고, 제1 인플루언서의 영향력 지수가 30으로 확인되면, 제4 점수를 30점으로 부여하고, 제1 제품의 판매량이 100개로 확인된 경우, 제1 인플루언서의 영향력 지수가 20으로 확인되면, 제4 점수를 40점으로 부여하고, 제1 인플루언서의 영향력 지수가 30으로 확인되면, 제4 점수를 60점으로 부여할 수 있다.

S305 단계에서, 제1 인공지능 모델은 제1 인플루언서의 제품 홍보 내역을 통해 제1 제품의 카테고리에 속하는 제품을 홍보한 홍보 횟수를 확인할 수 있다. 여기서, 제품 홍보 내역은 인플루언서가 홍보한 제품의 제품명, 카테고리, 홍보 기간 등을 포함하는 정보가 리스트로 구성될 수 있다.

예를 들어, 제1 인공지능 모델은 제1 제품의 카테고리가 제1 카테고리로 확인된 경우, 제1 인플루언서의 제품 홍보 내역을 통해 제1 카테고리에 속하는 제품을 홍보한 홍보 횟수를 확인할 수 있다.

S306 단계에서, 제1 인공지능 모델은 홍보 횟수가 많을수록 제5 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제1 인공지능 모델은 홍보 횟수가 3회로 확인되면, 제5 점수를 30점으로 부여하고, 홍보 횟수가 5회로 확인되면, 제5 점수를 50점으로 부여할 수 있다.

일실시예에 따르면, 제1 점수 내지 제5 점수는 동일한 범위 내에서 점수가 부여될 수 있고, 상이한 범위 내에서 점수가 부여될 수도 있다. 이때, 제1 점수 내지 제5 점수는 중요도에 따라 점수가 부여될 범위가 차등적으로 설정될 수 있다. 예를 들어, 제1 점수는 0점부터 100점 범위 내에서 부여되고, 제2 점수는 0점부터 90점 범위 내에서 부여되고, 제3 점수는 0점부터 80점 범위 내에서 부여되고, 제4 점수는 0점부터 70점 범위 내에서 부여되고, 제5 점수는 0점부터 60점 범위 내에서 부여될 수 있다.

S307 단계에서, 제1 인공지능 모델은 제1 점수, 제2 점수, 제3 점수, 제4 점수 및 제5 점수를 합산하여 총점을 산출할 수 있다.

S308 단계에서, 제1 인공지능 모델은 총점을 제1 제품과 제1 인플루언서 간의 매칭 점수를 지시하는 출력값으로 출력할 수 있다.

예를 들어, 제1 인공지능 모델은 총점이 200점으로 산출되면, 200을 출력값으로 출력할 수 있다.

도 4는 일실시예에 따른 인플루언서의 영향력 지수를 산출하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 인플루언서의 SNS 계정을 즐겨찾기로 등록한 팔로워 수를 제1 수치로 설정할 수 있다. 이때, 장치(200)는 제1 인플루언서 정보를 기초로, 제1 인플루언서의 SNS 계정을 즐겨찾기로 등록한 팔로워 리스트를 확인한 후, 팔로워 리스트를 이용하여 팔로워 수를 산출할 수 있다.

S402 단계에서, 장치(200)는 제1 수치에 제1 가중치를 적용하여, 팔로워 지수를 산출할 수 있다. 여기서, 제1 가중치는 실시예에 따라 상이하게 설정될 수 있다.

S403 단계에서, 장치(200)는 제1 인플루언서의 SNS 계정에 업로드된 게시 자료에 등록되어 있는 좋아요 수의 평균치를 제2 수치로 설정할 수 있다. 이때, 장치(200)는 제1 인플루언서 정보를 기초로, 제1 인플루언서의 SNS 계정에 업로드된 게시 자료 별로 등록되어 있는 좋아요 수를 확인한 후, 게시 자료 별로 확인된 좋아요 수의 평균치를 산출할 수 있다.

S404 단계에서, 장치(200)는 제2 수치에 제2 가중치를 적용하여, 좋아요 지수를 산출할 수 있다. 여기서, 제2 가중치는 제1 가중치 보다 높은 값으로 설정될 수 있다.

S405 단계에서, 장치(200)는 제1 인플루언서의 SNS 계정에 업로드된 게시 자료에 등록되어 있는 댓글 수의 평균치를 제3 수치로 설정할 수 있다. 이때, 장치(200)는 제1 인플루언서 정보를 기초로, 제1 인플루언서의 SNS 계정에 업로드된 게시 자료 별로 등록되어 있는 댓글 수를 확인한 후, 게시 자료 별로 확인된 댓글 수의 평균치를 산출할 수 있다.

S406 단계에서, 장치(200)는 제3 수치에 제3 가중치를 적용하여, 댓글 지수를 산출할 수 있다. 여기서, 제3 가중치는 제2 가중치 보다 높은 값으로 설정될 수 있다.

S407 단계에서, 장치(200)는 팔로워 지수, 좋아요 지수 및 댓글 지수를 합산하여, 총합 지수를 산출할 수 있다.

S408 단계에서, 장치(200)는 기준 기간 동안 제1 인플루언서의 팔로워 수에 대한 변화량을 확인할 수 있다. 여기서, 기준 기간은 실시예에 따라 상이하게 설정될 수 있으며, 예를 들면, 최근 1달로 설정될 수 있다.

S409 단계에서, 장치(200)는 제1 수치 및 변화량을 기반으로, 기준 기간 동안 제1 인플루언서의 팔로워 수에 대한 변경 비율을 산출할 수 있다.

예를 들어, 장치(200)는 제1 수치가 100명으로 확인되고, 변화량이 20명 증가로 확인되면, 변경 비율을 20%로 산출할 수 있고, 제1 수치가 100명으로 확인되고 변화량이 10명 감소로 확인되면, 변경 비율을 -10%로 산출할 수 있다.

S410 단계에서, 장치(200)는 변경 비율이 높을수록 제4 가중치를 높은 값으로 설정할 수 있다.

예를 들어, 장치(200)는 변경 비율이 20%로 산출된 경우, 제4 가중치를 1.2로 설정할 수 있고, 변경 비율이 -10%로 산출된 경우, 제4 가중치를 0.9로 설정할 수 있다.

S411 단계에서, 장치(200)는 총합 지수에 제4 가중치를 적용하여 제1 인플루언서의 영향력 지수를 산출할 수 있다.

예를 들어, 장치(200)는 총합 지수가 200으로 산출된 경우, 제4 가중치가 1.2로 설정되면, (200 X 1.2)를 통해 산출된 240을 제1 인플루언서의 영향력 지수로 산출할 수 있고, 제4 가중치가 0.9로 설정되면, (200 X 0.9)를 통해 산출된 180을 제1 인플루언서의 영향력 지수로 산출할 수 있다.

도 5는 일실시예에 따른 추천 인플루언서 리스트를 정렬하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 5에 도시된 각 단계는 S209 단계와 S210 단계 사이에 수행될 수 있다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제1 기간 동안의 게시 자료 업로드 횟수를 제1 횟수로 확인할 수 있다. 여기서, 제1 기간은 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제1 인플루언서 및 제2 인플루언서가 제1 그룹으로 분류되어 있고, 제1 기간이 2023년 2월로 설정되어 있는 경우, 장치(200)는 2023년 2월 동안 제1 인플루언서의 SNS 계정에 업로드된 게시 자료를 확인한 결과, 10개의 게시 자료가 확인되면, 제1 인플루언서의 제1 횟수를 10회로 확인할 수 있고, 2023년 2월 동안 제2 인플루언서의 SNS 계정에 업로드된 게시 자료를 확인한 결과, 20개의 게시 자료가 확인되면, 제2 인플루언서의 제1 횟수를 20회로 확인할 수 있다.

S502 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제1 횟수에 제5 가중치를 적용하여 제1 활동 지수를 산출할 수 있다. 여기서, 제5 가중치는 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제5 가중치가 1.2로 설정되어 있는 경우, 장치(200)는 제1 인플루언서의 제1 횟수가 10회로 확인되면, (10 X 1.2)를 통해 산출된 12를 제1 인플루언서의 제1 활동 지수로 산출할 수 있고, 제2 인플루언서의 제1 횟수가 20회로 확인되면, (20 X 1.2)를 통해 산출된 24를 제2 인플루언서의 제1 활동 지수로 산출할 수 있다.

S503 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제2 기간 동안의 게시 자료 업로드 횟수를 제2 횟수로 확인할 수 있다. 여기서, 제2 기간은 제1 기간 이전의 기간으로, 제1 기간과 동일한 기간으로 설정될 수 있으며, 예를 들어, 제1 기간이 2023년 2월인 경우, 제2 기간은 2023년 1월로 설정될 수 있다.

S504 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제2 횟수에 제6 가중치를 적용하여 제2 활동 지수를 산출할 수 있다. 여기서, 제6 가중치는 제5 가중치 보다 낮은 값으로 설정될 수 있다.

예를 들어, 제5 가중치가 1.2로 설정되어 있고 제6 가중치가 1.1로 설정되어 있는 경우, 장치(200)는 제1 인플루언서의 제2 횟수가 10회로 확인되면, (10 X 1.1)를 통해 산출된 11을 제1 인플루언서의 제2 활동 지수로 산출할 수 있고, 제2 인플루언서의 제2 횟수가 20회로 확인되면, (20 X 1.1)을 통해 산출된 22를 제2 인플루언서의 제2 활동 지수로 산출할 수 있다.

S505 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제1 활동 지수 및 제2 활동 지수를 합산하여, 총합 활동 지수를 산출할 수 있다.

S506 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 총합 활동 지수가 높을수록 제7 가중치를 높은 값으로 설정할 수 있다.

예를 들어, 장치(200)는 제1 인플루언서의 총합 활동 지수가 50으로 산출된 경우, 제1 인플루언서의 제7 가중치를 1.5로 설정할 수 있고, 제2 인플루언서의 총합 활동 지수가 60으로 산출된 경우, 제2 인플루언서의 제7 가중치를 1.6으로 설정할 수 있다.

S507 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제1 제품 간의 매칭 점수에 제7 가중치를 적용하여 랭킹 점수를 산출할 수 있다.

예를 들어, 장치(200)는 제1 제품과 제1 인플루언서 간의 매칭 점수가 100점으로 설정되고, 제1 인플루언서의 제7 가중치가 1.5로 설정된 것으로 확인되면, (100 X 1.5)를 통해 산출된 150점을 제1 인플루언서의 랭킹 점수로 산출할 수 있고, 제1 제품과 제2 인플루언서 간의 매칭 점수가 90점으로 설정되고, 제2 인플루언서의 제7 가중치가 1.6로 설정된 것으로 확인되면, (90 X 1.6)를 통해 산출된 144점을 제2 인플루언서의 랭킹 점수로 산출할 수 있다.

S508 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해 산출된 랭킹 점수를 기반으로, 추천 인플루언서 리스트를 정렬할 수 있다. 이때, 장치(200)는 랭킹 점수가 높을수록 상단에 위치하도록, 내림차순으로 추천 인플루언서 리스트를 정렬할 수 있다.

도 6은 일실시예에 따른 총합 활동 지수를 조정하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 6에 도시된 각 단계는 S505 단계와 S506 단계 사이에 수행될 수 있다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제1 기간 동안 업로드된 게시 자료 중에서 제1 제품의 카테고리와 관련된 게시 자료 업로드 횟수를 제3 횟수로 확인할 수 있다. 이때, 제1 제품의 카테고리와 관련된 게시 자료인지 여부는 게시 자료에 등록된 해시 태그를 통해 결정될 수 있다.

예를 들어, 제1 인플루언서 및 제2 인플루언서가 제1 그룹으로 분류되어 있고, 제1 기간이 2023년 2월로 설정되어 있는 경고, 제1 제품의 카테고리가 제1 카테고리로 확인된 경우, 장치(200)는 2023년 2월 동안 제1 인플루언서의 SNS 계정에 업로드된 게시 자료들의 해시 태그를 확인한 결과, 제1 카테고리와 관련된 게시 자료가 7개로 확인되면, 제1 인플루언서의 제3 횟수를 7회로 확인할 수 있고, 2023년 2월 동안 제2 인플루언서의 SNS 계정에 업로드된 게시 자료들의 해시 태그를 확인한 결과, 제1 카테고리와 관련된 게시 자료가 10개로 확인되면, 제2 인플루언서의 제3 횟수를 10회로 확인할 수 있다.

S602 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제3 횟수를 제1 횟수로 나눈 값으로 제1 비율을 산출할 수 있다.

예를 들어, 장치(200)는 제1 인플루언서의 제1 횟수가 10회로 확인되고, 제1 인플루언서의 제3 횟수가 7회로 확인되면, (7 / 10)을 통해 산출된 70%를 제1 인플루언서의 제1 비율로 산출할 수 있고, 제2 인플루언서의 제1 횟수가 20회로 확인되고, 제2 인플루언서의 제3 횟수가 10회로 확인되면, (10 / 20)을 통해 산출된 50%를 제2 인플루언서의 제1 비율로 산출할 수 있다.

S603 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제1 비율이 높을수록 제8 가중치를 높은 값으로 설정할 수 있다.

예를 들어, 장치(200)는 제1 인플루언서의 제1 비율이 70%로 산출되면, 제8 가중치를 1.7로 설정할 수 있고, 제2 인플루언서의 제1 비율이 50%로 산출되면, 제8 가중치를 1.5로 설정할 수 있다.

S604 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제2 기간 동안 업로드된 게시 자료 중에서 제1 제품의 카테고리와 관련된 게시 자료 업로드 횟수를 제4 횟수로 확인할 수 있다.

S605 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제4 횟수를 제2 횟수로 나눈 값으로 제2 비율을 산출할 수 있다.

S606 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제2 비율이 높을수록 제9 가중치를 높은 값으로 설정할 수 있다.

S607 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 제8 가중치 및 제9 가중치를 합산하여 제10 가중치를 산출할 수 있다.

S608 단계에서, 장치(200)는 제1 그룹으로 분류된 인플루언서들 각각에 대해, 총합 활동 지수에 제10 가중치를 적용하여 총합 활동 지수를 조정할 수 있다.

예를 들어, 장치(200)는 제1 인플루언서의 총합 활동 지수가 100으로 산출되고, 제1 인플루언서의 제10 가중치가 2.2로 산출된 것으로 확인되면, (100 X 2.2)를 통해 220을 산출하고, 제1 인플루언서의 총합 활동 지수를 100에서 220으로 변경하여, 제1 인플루언서의 총합 활동 지수를 조정할 수 있고, 제2 인플루언서의 총합 활동 지수가 90으로 산출되고, 제2 인플루언서의 제10 가중치가 2.5로 산출된 것으로 확인되면, (90 X 2.5)를 통해 225를 산출하고, 제2 인플루언서의 총합 활동 지수를 90에서 225로 변경하여, 제2 인플루언서의 총합 활동 지수를 조정할 수 있다.

도 7은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 6을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(200)는 인공지능 모델을 학습시키거나, 학습된 인공지능 모델을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공지능 모델을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공지능 모델 알고리즘을 학습시키거나 실행시킬 수 있다. 인공지능 모델을 학습시키는 학습 장치와 학습된 인공지능 모델을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

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.

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.

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 청구범위의 범위에 속한다.

Claims

장치에 의해 수행되는, 인공지능 모델을 활용한 인플루언서 기반 판매 제품 매칭 플랫폼 서비스 제공 방법에 있어서,
제1 업체 단말로부터 제1 업체에서 판매하는 제1 제품을 홍보할 인플루언서의 추천 요청을 수신하는 단계;
상기 제1 제품의 카테고리, 주 사용층, 출시일 및 판매량을 확인하여, 상기 제1 제품의 특징 정보를 분석하는 단계;
복수의 인플루언서들 중에서 어느 하나인 제1 인플루언서의 관심 카테고리, 주 팔로워층, 영향력 지수 및 제품 홍보 내역을 확인하여, 상기 제1 인플루언서의 활동 정보를 분석하는 단계;
상기 제1 제품의 특징 정보 및 상기 제1 인플루언서의 활동 정보를 매칭하여, 제1 매칭 정보를 생성하는 단계;
상기 제1 매칭 정보를 미리 학습된 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델의 출력을 기초로, 상기 제1 제품과 상기 제1 인플루언서 간의 매칭 점수를 설정하는 단계;
상기 제1 제품과 상기 복수의 인플루언서들 간의 매칭 점수가 각각 설정되면, 상기 복수의 인플루언서들 중에서 상기 제1 제품 간의 매칭 점수가 미리 설정된 제1 기준 점수 보다 높은 인플루언서를 제1 그룹으로 분류하는 단계;
상기 제1 그룹으로 분류된 인플루언서들을 기초로, 상기 제1 제품의 홍보에 대한 추천 인플루언서 리스트를 생성하는 단계; 및
상기 추천 인플루언서 리스트를 상기 제1 업체 단말로 전송하는 단계를 포함하고,
상기 제1 인공지능 모델은,
상기 제1 제품의 카테고리와 상기 제1 인플루언서의 관심 카테고리 간의 유사도를 기초로, 제1 점수를 부여하고,
상기 제1 제품의 주 사용층과 상기 제1 인플루언서의 주 팔로워층 간의 유사도를 기초로, 제2 점수를 부여하고,
상기 제1 제품의 출시일이 최근이면서 상기 제1 인플루언서의 영향력 지수가 높을수록 제3 점수를 높은 점수로 부여하고,
상기 제1 제품의 판매량이 낮으면서 상기 제1 인플루언서의 영향력 지수가 높을수록 제4 점수를 높은 점수로 부여하고,
상기 제1 인플루언서의 제품 홍보 내역을 통해 상기 제1 제품의 카테고리에 속하는 제품을 홍보한 홍보 횟수를 확인하고, 상기 홍보 횟수가 많을수록 제5 점수를 높은 점수로 부여하고,
상기 제1 점수, 상기 제2 점수, 상기 제3 점수, 상기 제4 점수 및 상기 제5 점수를 합산하여 총점을 산출하고,
상기 총점을 상기 제1 제품과 상기 제1 인플루언서 간의 매칭 점수를 지시하는 출력값으로 출력하는,
인공지능 모델을 활용한 인플루언서 기반 판매 제품 매칭 플랫폼 서비스 제공 방법.
삭제
제1항에 있어서,
상기 제1 인플루언서의 활동 정보를 분석하는 단계는,
상기 제1 인플루언서의 SNS 계정을 즐겨찾기로 등록한 팔로워 수를 제1 수치로 설정하는 단계;
상기 제1 수치에 미리 설정된 제1 가중치를 적용하여 팔로워 지수를 산출하는 단계;
상기 제1 인플루언서의 SNS 계정에 업로드된 게시 자료에 등록되어 있는 좋아요 수의 평균치를 제2 수치로 설정하는 단계;
상기 제2 수치에 상기 제1 가중치 보다 높은 값이 설정된 제2 가중치를 적용하여 좋아요 지수를 산출하는 단계;
상기 제1 인플루언서의 SNS 계정에 업로드된 게시 자료에 등록되어 있는 댓글 수의 평균치를 제3 수치로 설정하는 단계;
상기 제3 수치에 상기 제2 가중치 보다 높은 값이 설정된 제3 가중치를 적용하여 댓글 지수를 산출하는 단계;
상기 팔로워 지수, 상기 좋아요 지수 및 상기 댓글 지수를 합산하여, 총합 지수를 산출하는 단계;
미리 설정된 기준 기간 동안 상기 제1 인플루언서의 팔로워 수에 대한 변화량을 확인하는 단계;
상기 제1 수치 및 상기 변화량을 기반으로, 상기 기준 기간 동안 상기 제1 인플루언서의 팔로워 수에 대한 변경 비율을 산출하는 단계;
상기 변경 비율이 높을수록 제4 가중치를 높은 값으로 설정하는 단계; 및
상기 총합 지수에 상기 제4 가중치를 적용하여 상기 제1 인플루언서의 영향력 지수를 산출하는 단계를 포함하는,
인공지능 모델을 활용한 인플루언서 기반 판매 제품 매칭 플랫폼 서비스 제공 방법.