KR20070022755A - 성격 속성들을 이용하여 개인화된 요약들 - Google Patents

성격 속성들을 이용하여 개인화된 요약들 Download PDF

Info

Publication number
KR20070022755A
KR20070022755A KR1020067026464A KR20067026464A KR20070022755A KR 20070022755 A KR20070022755 A KR 20070022755A KR 1020067026464 A KR1020067026464 A KR 1020067026464A KR 20067026464 A KR20067026464 A KR 20067026464A KR 20070022755 A KR20070022755 A KR 20070022755A
Authority
KR
South Korea
Prior art keywords
features
content
personality
user
test
Prior art date
Application number
KR1020067026464A
Other languages
English (en)
Inventor
라리타 아그니호트리
네벤카 디미트로바
존 케이. 켄더
Original Assignee
코닌클리케 필립스 일렉트로닉스 엔.브이.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 코닌클리케 필립스 일렉트로닉스 엔.브이. filed Critical 코닌클리케 필립스 일렉트로닉스 엔.브이.
Priority to KR1020067026464A priority Critical patent/KR20070022755A/ko
Publication of KR20070022755A publication Critical patent/KR20070022755A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/854—Content authoring
    • H04N21/8549—Creating video summaries, e.g. movie trailer

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

사용자를 위한 콘텐트의 개인화된 요약을 제공하기 위한 방법 및 시스템으로서, 사용자의 성격 속성들을 결정하고; 콘텐트의 특징들을 추출하고; 및 특징들의 성격 속성들로의 맵에 기초하여 개인화된 요약을 생성하는, 방법 및 시스템에 제공된다. 특징들은 맵 및 성격 특성들에 기초하여 랭크가 제공될 수 있고, 여기서 개인화된 요약은 다른 특징들 보다 높이 랭크된 특징들을 포함하는 콘텐트의 부분들을 포함한다. 성격 속성들은 예컨대 마이어스-브리그스 유형 인디케이터 테스트, 메릴 라이드 테스트 및/또는 브레인-이용 테스트를 이용하여 결정될 수 있다.
콘텐트 요약, 마이어스-브리그스, 브레인-이용 테스트, 성격 속성, 사용자

Description

성격 속성들을 이용하여 개인화된 요약들{Personalized summaries using personality attributes}
본 발명은 개략적으로 성격 속성들에 기초하여 요약들을 개인화하는 방법들 및 시스템들에 관한 것이다.
추천기들은 사용자의 프로필에 기초하여 사용자들에게 콘텐츠를 추천하는데 이용된다. 사용자가 좋아하거나 싫어하는 콘텐트에 관한 암시적 및/또는 명시적 입력의 형태로 사용자로부터 입력을 수신하는 시스템들이 알려져 있다. 일 예로써, 발명자가 Gutta 외 다수이고 발명의 명칭이 "Method and Apparatus for Recommending Television Programming using Decision Trees"인, 1999년 12월 17일에 출원된 미국 특허 제6,727,914호는 암시적인 추천기 시스템의 예를 개시하고 있으며, 여기에 완전히 설명되는 것처럼 참조로서 포함되어 있다. 암시적 추천기 시스템은 사용자의 시청 이력을 나타내는 저장 신호들에 응답하여 사용자에게 콘텐트(예컨대, 텔레비전 콘텐트, 오디오 콘텐트 등)를 추천한다. 예를 들어, 텔레비전 추천기는 시청자가 시청을 목적으로 선택했던 혹은 선택하지 않았던 다른 텔레비전 콘텐트에 기초하여 시청자에게 텔레비전 콘텐트를 추천할 수 있다. 사용자의 시청 습관들을 분석함으로써, 텔레비전 추천기는 시청 및/또는 비시청 콘텐트의 특성을 결정한 후, 이들 결정된 특성들을 이용하여 다른 가용 콘텐트를 추천한다. 사용자가 시청을 원하는 것을 결정하기 위하여, 많은 상이한 유형들의 수학적 모델들이 가용한 콘텐트를 수신하면서 함께 수신되는, 예컨대 EPG로부터의, 암시적 데이터를 분석하는데 이용된다.
다른 유형의 알려된 텔레비전 추천기 시스템은 명시적 프로필을 이용하여 사용자가 시청을 원하는 것을 결정한다. 명시적 프로필은, 사용자가 좋아하는 및/또는 싫어하는 콘텐트의 유형들에 관한 명시적 질문들을 답하도록 사용자가 디스플레이 상의 사용자 인터페이스에 의해 재촉되는, 설문서와 유사하게 동작한다. 질문들은 다음을 포함한다: 시청자가 좋아하는 콘텐트의 장르가 무엇인지; 시청자가 좋아하는 배우들 또는 프로듀서가 누구인지; 시청자가 영화들 또는 시리즈물들을 좋아하는지, 등. 본 기술분야에서 알려져 있는 바와 같이, 이들 질문들은 또한 더욱 복잡해질 수 있다. 이 방식으로, 명시적 텔레비전 추천기는 시청자가 좋아하는 또는 싫어한다고 명시적으로 말하는 것의 프로필을 구성한다.
이 명시적 프로필에 기초하여, 명시적 추천기는 시청자가 좋아할 것 같은 콘텐트를 제안할 것이다. 예를 들어, 명시적 추천기는 시청자가 존 웨인의 액션 영화들을 즐긴다는 정보를 수신할 수 있다. EPG 정보와 함께 이 명시적 입력으로부터, 추천기는 시청이 가능한 존 웨인 영화를 추천할 것이다. 물론, 이것은 매우 간단한 예이고, 당업자는 더욱 복잡한 분석 및 추천이 명시적 추천기/프로필 시스템에 의해 제공될 수 있다는 것을 용이하게 이해할 수 있을 것이다.
다른 추천기 시스템들이 알려져 있다. 예컨대, Kurapati외 다수에 의해 발명 되고 2000년 9월 20일에 출원되어 계류 중인, "Method and Apparatus for Generating Recommendation Scores Using Implict and Explicit Viewing" 이라는 제목의 미국 특허 출원 일련 번호 09/666401호는 암시적 및 명시적 추천기 시스템의 예를 개시하고 있다. Shaffer 외 다수에 의해 발명되고 2000년 7월 27일에 출원되어 계류 중인, "Four-Way Recommendation Method and System Including Collaborative Filtering"이라는 제목의 미국 특허 출원 일련 번호 09/953385호는 암시적, 명시적, 피드백 및 협력적 필터링 기반 추천기 시스템의 예를 개시하고 있다. 전술한 특허 출원들에 개시된 시스템들 각각은 완전히 여기에 설명되는 것 정도로 포함되어 있다.
각각 코닌클리케 필립스 일렉트로닉스 N.V.에 양도되었고 전체로서 여기에 참조로 포함된, Dimitrova 외 다수가 발명한 US 6,754,389호, Sagar가 발명한 US2003/0031455A1, 및 Trajkovic 외 다수가 발명한 WO 02/096102 A1(2001년 5월 22일에 출원된 미국 특허 출원 일련 번호 09/862,278호)에 개시된 바와 같이, 콘텐트 분석 및 분류 이용에 대한 다양한 주지의 방법들이 있다.
종래의 추천기들은 사용자 프로필을 암시적 혹은 명시적으로 결정한 후, 예컨대 비디오에서의 특징 X, 오디오에서의 특징 Y, 콘텐트의 텍스트에서의 특징 Z와 같은 어떤 특징들이 특정한 사용자에게 중요한 것임을 결정한 후 콘텐트를 추천한다. 특정 콘텐트가 그러한 특징들을 결정 또는 추출하기 위하여 분석될 수 있고, 검출된 특징들 및 사용자 프로필에 기초하여 프로그램을 추천하거나, 사용자 프로필로부터 결정된 바와 같이 사용자에게 중요한 XYZ 특징들을 추출함으로써 콘텐트 의 요약을 생성할 수 있다. 예를 들어, 다른 분류도 가능하지만, 이 특정 사용자가 비디오 콘텐트에서 얼굴들(X=얼굴)을 보고, 오디오 콘텐트에서 소리(speech)를 듣고(즉, 침묵이 아닌, 예컨대 Y=소리), 및 콘텐트의 텍스트(Z=텍스트)에서 특정 이름들 또는 단어들을 보는 것이 중요할 수 있다. 따라서, 특징들 XYZ(즉, 얼굴들, 소리 및 텍스트)를 포함하는 프로그램 또는 프로그램 요약이 이러한 사용자에게 제공되거나 또는 추천된다. 발명자들은 사람들이 선호도를 갖고 있기 때문에 고정되지 않은 혹은 일정하지 않은 가변적인 특징들 X'Y'Z'을 생성할 필요가 있음을 깨달았다. 따라서, 요약을 생성하거나 콘텐트를 추천하기 위하여 콘텐트로부터 추출되는 특징들 X'Y'Z'가 사용자(들)의 성격 유형 또는 특성들에 기초하여 개인화된다.
사람들은 종종, 프로그램 내에서 그들에게 중요한 것이 무엇인지, 혹은 그들이 프로그램에서 시청하기 원하는 것이 무엇인지, 예컨대 그들에게 얼굴들, 텍스트 또는 소리의 유형이 중요한지를 알지 못한다. 따라서, 간접적으로 사용자 선호도를 결정하기 위하여 테스트가 이용된다. 명시적 추천기들은 사용자 선호도를 결정하기 위하여 질문을 하며, 이것은 때로 수 시간이 소요된다. 암시적 추천기들은 유사한 사용자들의 프로필들 또는 사용자 이력에 기초한 결정된 사용자 선호도를 이용한다. 그러나, 시드/유사 프로필들 또는 사용자들의 이력이 필요하다.
사람들의 성격 유형들을 분석하는 방법은 많다. 비디오, 오디오 및 비공개 자막으로부터 다양한 특징들을 추출하는 방법이 주지되어 있다. 종래의 추천기들은 비평가들에 의한 콘텐트의 리뷰, 콘텐트의 장르 및 유형과 같은 높은 수준의 특징들에 기초하며, 낮은 수준의 콘텐트 특징들 예컨대 비트/바이트 수준에 기초하여 이용하거나 추천하지 않는다. 매체(TV 프로그램, 영화 등)에 대한 사람들의 소비성향은 그들의 성격에 좌우된다. 사람들이 좋아하는 프로그램의 종류 및 요약들에 포함될 것이 무엇인지를 결정하기 위하여, 발명자들은 성격 특성들을 사람이 시청하는 비디오로부터 유도되는 중/저 수준 특징들에 매핑하는 것이 유리하다는 것을 알았다. 각각의 성격 그룹은 상이한 맵을 가지며, 따라서 특징들 XYZ는 사용자의 성격 특성들에 기초하여 개인화된다.
종래의 시스템들은 비디오로부터 다수의 특징들을 유도하고, 상이한 특징들은 일반 대중에 대해 특정(고정된) 중요도를 갖는다고 가정한다. 예를 들어, 얼굴들은 중요하고, 요약들에서 표시되어야 한다. 그러나, 어떤 세그먼트들이 다른 사용자들에게 실제로 관심이 되는지를 결정할 수 있는 성격 특성들에 기초한 범용의 분류는 없다. 따라서, 종래의 시스템들은 개인화된 콘텐트 요약 또는 사용자의 성격 특성에 기초한 콘텐트 요약을 제공하지 않는다.
본 발명의 일 실시예에 따르면, 사용자를 위한 콘텐트의 개인화된 요약을 생성하는 방법에 있어서, 상기 사용자의 성격 속성들을 결정하는 단계; 상기 콘텐트의 특징들을 추출하는 단계; 및 상기 특징들의 상기 성격 속성들로의 맵에 기초하여 상기 개인화된 요약을 생성하는 단계를 포함하는 방법이 제공된다. 이 방법은 또한, 상기 맵 및 상기 성격 속성들을 기초하여 상기 특징들의 랭크를 제공하는 단계를 더 포함할 수 있고, 여기서 상기 개인화된 요약은 상기 특징들 중 다른 것보다 더 높이 랭크된 상기 특징들을 갖는 상기 콘텐트의 부분들을 포함한다. 상기 성격 특성들은, 예컨대, 마이어스-브리그스 유형 인디케이서 테스트(Myers-Briggs Type Indicator test), 메릴 라이드 테스트(Merrill Reid test) 및 브레인-이용 테스트(brain-use test)를 이용하여 결정될 수 있다.
상기 개인화된 요약을 생성하는 단계는, 상기 맵으로부터 결정된 상기 성격 속성들을 갖는 사람들에 의해 선호되는 상기 특징들에 기초하여, 상기 콘텐트의 세그먼트들의 중요도를 가변시키는 것을 포함할 수 있다. 여기서, 상기 맵은 상기 특징들 및 상기 성격 속성들의 연관 및/또는 상기 성격 속성들을 갖는 사람들에 의해 선호되는 상기 특징들의 분류를 포함한다.
상기 맵은, 테스트 주체들의 성격 특성들을 결정하기 위하여, 상기 테스트 주체들에 의해 적어도 하나의 성격 테스트를 수행하고; 상기 테스트 주체들에 의해 복수의 프로그램들을 관찰하고(observe); 상기 테스트 주체들에 의해 상기 복수의 프로그램들에 대한 선호되는 요약들을 선택하고; 상기 선호되는 요약들의 테스트 특징들을 결정하고; 및 상기 성격 특성들을 상기 테스트 특징들과 연관시킴으로써 생성될 수 있다. 여기서, 테스트 특징들은 예컨대, 인자 분석법을 이용하여 분석되는 콘텐트 매트릭스의 형태일 수 있다.
부가적인 실시예는 컴퓨터-판독 매체 내에서 구현되는 컴퓨터 프로그램으로서, 전술한 방법들을 이용하여 구현되는 컴퓨터 프로그램을 포함한다. 여기서 전술한 방법들은 또한 사용자에게 콘텐츠를 추천하는 방법에 있어서, 상기 사용자의 성격 속성들을 결정하는 단계; 상기 콘텐츠의 콘텐츠 특징들을 추출하는 단계; 상기 사용자의 선호되는 특징들을 결정하기 위하여, 상기 성격 속성들 및 상기 콘텐트 특징들 사이의 연관을 포함하는 맵에, 상기 성격 속성들 및 상기 콘텐트 특징들을 적용하는 단계; 및 상기 선호되는 특징들을 포함하는 상기 콘텐츠들 중 적어도 하나를 추천하는 단계를 포함하는 방법을 포함한다.
또다른 실시예는 전자 디바이스에 있어서, 콘텐트의 사용자의 성격 속성들을 결정하고; 상기 콘텐트의 특징들을 추출하고; 및 상기 특징들의 상기 성격 속성들로의 맵에 기초하여 상기 개인화된 요약을 생성하도록 구성된 프로세서를 포함하는 전자 디바이스를 포함한다.
다음은 본 발명의 예시적인 실시예들의 설명들로서, 다음의 도면들과 함께 전술한 특징들 및 효과들을 증명할 것이다. 다음의 설명에서, 특정한 구조, 이터페이스, 기술 등이 본 발명의 설명을 위하여 상세히 설명되나 이것은 본 발명을 한정하는 것이 아니며 설명을 위한 것이다. 그러나, 당업자는 본 발명이 다른 실시예들로 구현될 수 있다는 것과 이것이 본 발명의 상세한 내용을 벗어난 것이 아니라는 것을 용이하게 이해할 수 있을 것이다. 더욱이, 알려진 디바이스, 회로들 및 방법들의 자세한 설명들은 명료화를 위해 생략되었으나, 본 발명의 기재를 불명료하게 하지는 않을 것이다.
예시적인 목적을 위해 도면들이 포함되었고 첨부된 청구항들에 의해 규정되는 본 발명의 범위를 나타내지는 않는다는 것을 이해할 수 있을 것이다. 도면들에서, 시스템의 동일한 부분들은 동일한 도면부호로 참조되었다.
본 발명은 예시적인 실시예들의 수반된 도면들을 참조하여 가장 잘 이해된다.
도 1은 메릴 라이드 테스트(Merrill Reid test)에 따른 2차원 성격 맵을 나타내는 도면;
도 2는 비디오 시간 분포의 히스토그램을 나타낸 도면;
도 3은 제한된 특징들을 갖는 뉴스 비디오들에 대한 최종 중요 인자(factor)를 나타낸 도면;
도 4~6 각각은 토크 쇼들에 대한 3개의 최종 인자 분석 벡터들을 나타낸 도면;
도 7은 뮤직 비디오 데이터에 대한 최종 인자 분석을 나타낸 도면;
도 8은 콘텐트를 추천하기 위한 순서도;
도 9는 맵을 생성하는 방법을 나타낸 도면; 및
도 10은 콘텐트를 추천하거나 요약들을 생성하기 위한 시스템을 나타낸 도면이다.
다음의 논의에서, 어떤 용어들은 논의를 용이하게 하기 위하여 특정 실시예들 또는 시스템들에 관하여 설명적으로 논의될 것이다. 당업자는 이들 용어들이 본 발명이 용이하게 적용될 수 있는 그 밖의 유사한 알려진 용어들을 포함하는 것으로 이해되어야 한다는 것을 용이하게 이해할 수 있을 것이다.
간략화를 위해, 본 발명에 직접 연관되지 않은 다양한 상세한 사항들 예컨대, 다른 콘텐트 검출 기술들이 여기에 포함되지 않았으나 기술분야 예컨대, 다양 한 추천기 시스템들에서 주지되어 있다. 덧붙여, 콘텐트 각각의 유형은 그것이 사용자에 의해 인식되는 수단을 갖는다. 예를 들어, 음악 및 오디오/비쥬얼(visual) 콘텐트는 사용자에게 가청 신호 및/또는 비쥬얼 신호의 형태로 제공된다. 데이터 콘텐트는 비쥬얼 신호로서 제공될 수 있다. 사용자는 상이한 방식들로 상이한 유형들의 콘텐트를 인식한다. 간략화를 위해, 콘텐트라는 용어는 알려진 임의의 및 모든 콘텐트 및 사용자가 콘텐트를 적절히 보고, 듣고 액세스 하는 등의 방식을 포함하는 것을 뜻한다.
일 실시예는 성격 세계로부터의 추상적인 용어들을 취하여 그것을 비디오 특징들의 구체적인 세계로 매핑하는 시스템을 포함한다. 이것은 콘텐트 세그먼트들을 상이한 성격 유형들에 의해 선호되는 것으로 분류하는 것을 가능하게 한다. 따라서, 상이한 사람들에게 그들의 선호도/성격 특성에 기초하여 상이한 콘텐트 세그먼트들이 보여진다.
다른 실시예는 자동으로 개인화된 비디오 콘텐트의 요약들을 생성하기 위해 성격 특성들을 이용하는 방법을 포함한다. 이 방법은 사용자의 속성들을 취하고, 비디오 요약을 생성하기 위해 추출된 비디오 특징들을 자동으로 평가하는 선택 알고리즘에서 이들 성격 속성들을 이용한다. 성격 특징들이 사용자로부터 추출되면, 알고리즘이 사용자가 집에서 혹은 집 밖에서 액세스하는 임의의 비디오 콘텐트에 적용될 수 있다.
성격 특성들은 비디오 특징들과 결합 또는 연관된다. 이것은 사용자들을 위한 개인화된 멀티미디어 요약들의 생성이 가능하게 한다. 이것은 또는 사용자들이 갖고 있는 세그먼트들의 종류에 따라 영화들 및 프로그램들을 분류하고, 사용자들이 좋아하는 종류의 프로그램들을 그들에게 추천하는데 이용될 수 있다.
많은 주지의 성격 테스트들이 있다. 전형적으로, 성격 테스트는 사용자에게 많은 질문들을 제공하고, 성격들을 N차원의 공간에 매핑한다. 마이어스-브리그스 타입 인디케이터(Myers-Briggs Type Indicator: MBTI)는 성격을 4차원으로 매핑한다: 외향형 대 내향형(E/I), 감각형 대 직관형(S/N), 사고형 대 감정형(T/F) 및 판단형 대 인식형(J/P). 메릴 라이드 테스트로 알려진 다른 성격 테스트는 사용자들을 2차원(10) 상으로 매핑한다: 질문형 대 평서형(A/T) 및 감성형 대 자제형(E/C). 도 1에 도시된 바와 같이, 예컨대 3사분면에 위치하는 성격(Z)은 질문을 잘하고 감성적(자제하는 성향에 반대)인 성향의 특성들을 포함하고, (질문하는 대신) 말하는 것을 더 좋아할 수 있다. 예컨대, 상이한 사람들이 이 4D 또는 2D 공간의 상이한 점들에 위치한다.
제 3 성격 테스트는, (예컨대,http://www.rcw.bc.ca/test/personality.html 로 부터) 웹 상에서의 "brain.exe"로 알려진, 쉽게 가용한 프로그램을 실행함으로써 수행되는 것을 포함할 수 있다. 이 "brain.exe"는 여기에서 뇌-사용 테스트로 부른다. 이 프로그램은 일련의 20개의 질문을 한다. 종료시에, 뇌의 좌측 또는 우측이 더 많이 이용되었는지 및 사용자가 어떤 성격 특성을 가지고 있는지, 예컨대 시각적 감지 또는 청각적 감지를 통해 사물들을 인식하는지를 결정한다.
콘텐트로의 매핑
상이한 차원들의 성격 공간들의 특성에 기초하여, 콘텐트의 매핑이 생성된다. 예를 들어, 외향성의 "높은 에너지를 갖는" 특성은 비디오 분석에서 "빠른 속도(pace)"로 매핑하는 것이 가능할 것이다. 콘텐트에 매핑하기 위하여, 예를 들어 오디오, 비디오 및 텍스트 분석을 이용하여 검출될 수 있는, 가능한 콘텐트 특징들(bFa)의 리스트가 생성된다. 여기에서, a는 특징 번호이고 b는 특징이 가질 수 있는 가증한 값들이다. 이들 콘텐트 특징들은 a가 1~8인 다음의 특징들과 같은 분류를 포함하며, 여기에서 특징 1(즉, a=1)은 2개의 가능한 값들(b)을 예컨대 갖는다:
a의 값
1 실내 대 실외(2F1),
2 앵커 대 보도(2F2),
3 빠른 대 느린(2F3),
4 실제적인 대 추상적인(2F4),
5 긍정적인 감정 대 부정적인 감정 대 중립(3F5),
6 문제 진술 대 결론 대 상세한 설명(3F6),
7 폭력 대 비폭력(2F7),
8 오디오를 스피치, 음악, 잡음, 침묵 등으로 분류(9F8) 등등.
모두에서, m개의 특징들이 표 1에 도시된 바와 같은 콘텐트 매트릭스 Ck ×m을 형성하는데 이용된다. 시간 간격(예컨대, 수 초, 1초의 일부, 수 분 또는 그 밖의 임의의 입상) t1~tk 각각 동안, m-차원을 갖는 벡터 F가 있다. k-시간 단계들(tk)을 갖는 콘텐트에 대해, 콘텐트 매트릭스는 k×m 차원을 갖는다. 예를 들어, t1은 0~1초일 수 있고, t2는 1~2초일 수 있고, 그 밖의 것들도 이와 같다.
콘텐트 특징들 /시간 단계 2F1 2F2 2F3 2Fm
t1
t2
t3 1 0
t4
t5
tk
표 1 - 콘텐트 매트릭스 Ck ×m
콘텐트 매트릭스 Ck ×m(표 1)의 항목들(예컨대, 0들 및 1들)은 콘텐트 분석으로부터 유도된다. 표 1에서의 1들 및 0들의 항목들은 시간 단계 tk동안 특징 bFa가 존재하는지 존재하지 않는지를 각각 나타낸다. 예를 들어, 어떤 사람이 예컨대 토크 쇼 프로그램인 콘텐트의 t3~t5 시간 단계들 동안의 콘텐트 세그먼트를 요약으로 선택할 수 있다. 예시적으로, 시간 t3 동안, 실내 대 실외(2F1)가 이 특징이 시간 간격 t3의 콘텐트 세그먼트 내에 존재한다는 것을 나타내는 1이고, 앵커 대 보도(2F2)가 이 특징이 시간 간격 t3에서 존재하지 않는다는 것을 의미하는 0이다. 콘텐트 특징들(bFa)의 클러스터 패턴을 알기 위하여, t3~t5 에서의 선택된 요약 세그먼트에 대한 콘텐트 매트릭스 Ck ×m(표 1)의 항목들(즉, bFa의 존재 또는 부존재)이 분석된다.
다음, 상기 콘텐트 매트릭스 Ck ×m를 성격 공간(P_space) 내의 영역들의 서브공간 또는 연합에 매핑하는 방법이 설명된다. 예를 들어, 특정한 성격 유형들 예컨대, 외향성들이 특정한 콘텐트 특징들(bFa) 예컨대, '앵커'(및/또는 '실외' 및/또는 임의의 그 밖의 특징(들))를 좋아하는 것이 알려진다면, 전형적으로 '앵커'를 포함하는 비디오 콘텐트의 시작은 더 많이 가중되고, 따라서 콘텐트, 및/또는 예컨대 외향적인 특정 사용자에 의해 선호되는 요약들을 더욱 개인화하고 추천하도록 콘텐트 특징(예컨대, '앵커')의 중요도를 변경한다.
성격 매핑 발견
성격에 대한 콘텐트의 매핑을 형성하기 위하여, 성격 테스트가 많은 사람들 에게 제공되고, 그들의 성격 매핑이 수집된다. 이어서, 다음 단계들이 수행된다:
I. 각 이야기가 클리어 라벨이 딸린 세그먼트들로 나뉜다;
II. 테스트 주제들이 그것들에 대해 이야기를 가장 잘 요약하는 세그먼트들을 선택한다; 및
III. 전술한 것에 기초하여, 다음의 4가지 결과들 중 하나가 가능하다:
1. 콘텐트 세그먼트들 선택 및 성격 유형들 사이에 1 대 1 매핑이 있다.
2. 일부 성격 유형들에 대해 콘텐트 세그먼트들의 선택 사이에 1 대 1 매핑이 있고, 나머지에 대해서는 1 대 다(多) 매핑이 있다.
3. 콘텐트 세그먼트들의 선택 및 모든 성격 유형들 사이에 다(多) 대 다(多) 매핑이 있다.
4. 각각의 사람에 대해 콘텐트에 대한 c+ 및 c- 밀집함(clustering)이 있고, 우리는 테스트를 받은 개개인에 대한 콘텐트 구성요소들 및 매체 구성요소들 선호도를 추론할 수 있다.
상세한 사용자 선호도 적용
전술된 가능한 결과들 1~4 중 임의의 것으로부터 성격 레벨(결과들 1 및 2) 또는 사람(개인) 레벨(결과들 3 및 4)에 대한 c+ 및 c- 밀집함이 있다. 밀집함으로부터 추론되는 이 선호도들은 수신되는 콘텐트에 대한 필터들로 표현된다. 동일한 차원 및 특징 벡터(F)를 갖는 질의가 공식화된다. 질의 Q(f1,f2,f3,...fm)는 들어오 는 새로운 콘텐트에 새롭게 적용된다. 콘텐트 매트릭스 Ck ×m이 Qm과 컨벌루션된다. 덧붙여, 일정한 세그먼트들을 얻기 위하여 기대값 최대화가 수행된다. 전술한 것의 결과가 콘텐트 내의 상이한 세그먼트들에 중요도 가중치를 부여하는 가중된 1차원(1D) 매트릭스이다. 가장 큰 값을 갖는 세그먼트들이 개인화된 요약에 제공되기 위하여 추출된다.
방법론
성격 속성들 및 비디오 특징들 사이의 매핑을 확립하기 위하여, 일련의 사용자 테스트가 수행된다. 다음은 이 사용자 테스트로부터의 방법론 및 결과들을 설명한다.
1. 성격들 및 선호도들을 수집하기 위한 사용자 테스트들
사용자 테스트들은 콘텐트 분석 특징에 대한 성격 매핑의 패턴들을 밝히기 위하여 수행된다. 성격 특성들은 테스트의 질문들을 통해 사용자들로부터 구해졌다. 다음, 사용자들에게 일련의 비디오 세그먼트들이 보여졌고, 이어서 그들에게 있어 콘텐트를 가장 잘 요약하는 가장 대표적인 비디오, 오디오, 및 이미지를 선택해야만 했다. 모두 합해서, 사용자들에게 8개의 뉴스 기사들, 4개의 뮤직 비디오들, 및 2개의 토크 쇼들이 보여졌다.
사용자 테스트들은 콘텐트 분석 특징에 대한 성격 매핑의 패턴들을 밝히기 위하여 수행된다. "구매자들은 거짓말쟁이다!" 이것은 구매자들이 구입하길 원하는 집에서 그들이 갖길 원하는 물건들의 희망 리스트를 소지한 구매자들이 접근하는 부동산 중개업자들에게 주지의 어구이다. 이 개념은 요약 관점에서도 또한 사실이다. 옵션이 주어진다면, 사용자들은 요약 내의 전체 세계를 보길 원할 것이다. 따라서, 이 문제를 다루기 위해서, 사용자들은 그들이 보길 원하는 것이 무엇인지 직접적으로 질문당하지 않았다. 대신, 사용자들은 진행을 위해 질문들에 답할 것을 강요받았다. 답들은 사용자들의 성격 특성들 및 선호되는 요약들을 제공한다.
1.1 패러다임 테스트
사용자들이 비디오에서 텍스트 위에 얼굴들을 보는 것을 좋아하는지의 여부를 사용자들에게 질문하는 것이 신뢰할 만한 정보를 제공하지 않기 때문에, 대신, 사용자들에게 특정 콘텐트에 대한 상이한 요약들이 제공되었고, 그들의 선택 요약을 고르도록 요청되었다. 다음, 선택된 콘텐트 세그먼트(즉, 선택된 요약) 내의 비디오 특징들이 사용자 선호도들을 결정하기 위하여 분석되었다. 사용자들에게 일련의 비디오들이 보여졌고, 다음 그들에 있어 콘텐트를 가장 잘 요약하는 가장 대표적인 비디오, 오디오, 및 이미지를 선택하도록 요청되었다. 각각의 비디오에 대해, 비이오 및 오디오의 가능한 요약들 2~3개가 선택을 위해 사용자들에게 제공되었다. 선택을 위해 사용자에게 제공된 텍스트 부분은 오디오 부분과 동일한 것이었고, 그들이 선택을 위한 제공시 함께 보여졌다. 사용자들이 제공되었던 요약들 중 어떤 것도 좋아하지 않았다면, 그들은 스스로 선택한 세그먼트의 시작 및 종료 타임스탬 프를 입력할 수 있다. 사용자들은 또한 3개 또는 4개의 미리 선택된 정지 이미지들 중에서 하나를 선택하도록 요청받는다. 전술한 바와 같이, 사용자들에게 8개의 뉴스 기사들, 4개의 뮤직 비디오들, 및 2개의 토크 쇼들이 보여진다.
성격 선택을 위해, 사용자들에게 상반되는 특성들의 쌍 각각에 대하여 특성들의 리스트가 보여졌고, 그들은 그들의 성격들에 대한 스스로의 평가에 기초하여 하나의 특성 또는 그 밖의 것을 선택했다. 따라서, 사용들에게 일련의 질문들을 하고 다음 그들의 성격이 평가되는 성격 테스트가 사용자들에게 제공되지 않았다. 성격 특성들의 쌍들(또는 그 이상)의 리스트를 이용하는 이 방법은 마이어-브리그스 유형 인디케이터(즉, E/I,S/N,T/F,J/P)의 4개의 특성들 및 메릴 라이드(즉, A/T, E/C)를 위해 수반되었다. Brain.exe의 2개의 특성(즉, 시각적 혹은 청각적 감각 선호)에 대해, 사용자들은 그들이 좌측 또는 우측 뇌가 발달했는지 및 그들이 시각적 감각 또는 청각적 감각을 선호하는지를 평가할 뿐만 아니라 일련의 질문들에 답하는 전통적인 테스트를 경험하였다.
성격 및 콘텐트 뷰잉 테스트가 시작하기 전에, 사용자들에게 그들에게 수행하길 바라는 임무의 간략한 소개를(예컨대, 5분 이하로) 하였다. 세션이 끝나기 전까지, 성격 및 요약 선택 간의 관계에 대한 어떠한 언급도 하지 않았다.
1.2 사용자 연구
사용자들이 요약에서 보기 원하는 것이 무엇인지에 대한 질문들을 사용자들이 지나가는 웹 사이트를 통해 사용자들에게 물었다. 제 1 페이지에서, 사용자들은 개인적인 정보 예컨대, 그들의 이름, 나이, 성별, 및 이메일 주소를 기입할 것을 요청받았다. 다음, 사용자들은 성격 정보 페이지로 이동했다. 첫번째 두 페이지들에서, 사용자들은 마이어스-브리그스 유형 인디케이터 및 메릴 라이드에 대한 그들의 성격 특징들을 선택하였다. 사용자들은 선택하기 위하여 리스트를 읽었다. MBTI에 대해, 사용자들은 외향형 대 내향형(E/I), 감각형 대 직관형(S/N), 사고형 대 감정형(T/F) 및 판단형 대 인식형(J/P)을 선택했다. 메릴 라이드에 대해, 사용자들은 질문형 대 평서형(A/T) 및 감성형 대 자제형(E/C)을 선택했다. 제 3 성격 테스트에 대해, 사용자들은 "brain.exe"로 알려진 실행 프로그램을 다운로드 받을 것과 테스트 상의 20개의 질문들에 답할 것을 요청받았다. 테스트의 종료시에, 그들은 프로그램에 의해 계산된 그들의 점수들을 기록했다. 이 점수는 제 3 성격 테스트 페이지에 기재되었다. brain.exe 프로그램은 다양한 성격 테스트들을 검색한 후에 웹으로부터 다운로드 되었다. 성격 테스트들 각각에 대해, 페이지를 시작할 때 간략한 소개가 있었다.
1.3 요약 선택
이들 성격 페이지들을 통과한 후, 주체들 또는 사용자들에게 세션의 나머지에 대해 기대하는 것을 알려주었다. 주체들은 우선 전체로서 본래의 비디오를 보았다. 우측에, 비디오의 자막이 제공되었다. 사용자들은 2개 또는 3개의 미리 선택된 비디오 요약들만을 보기 위해서 아래로 스크롤 하였다. 이들 비디오 요약들은 어떠한 오디오도 포함하지 않았고, 비디오를 요약하는 비디오의 인접한 부분들을 제공 했다. 사용자들은 이들 비디오 요약들 중 하나를 선택하거나 또는 그들 자신의 비디오 세그먼트 또는 요약을 상세히 기록할 수 있었다. 이 방법으로, 주체들은 8개의 뉴스 기사들, 4개의 뮤직 비디오들, 및 2개의 토크 쇼들에 대해 요약들을 선택했다. 사용자들이 어떤 정보를 기입하지 않았다면, 그들은 이전의 페이지로 돌아가 요구되는 정보를 기입할 것을 강요받았다.
2. 관계들을 위한 사용자 테스트 데이터의 분석
많은 사용자들이 사용자 테스트에 참여했다. 데이터를 분석하기 위하여, 히스토그램들 및 비쥬얼 패턴들과 같은 누적 데이터 분석이 이용된다. 사용자 테스트로부터 수집된 데이터는 다음과 같이 나열된다: 사용자의 성격 데이터는 뉴스 기사들, 뮤직 비디오들, 및 토크 쇼들 각각에 대해 사용자에 의해 선택된 오디오, 비디오 및 이미지 요약들이 수반된다.
성격 데이터 자체는 다음을 포함한다: 성, 나이, 마이어스-브리그스 유형 인디케이터의 4개의 행, 개인간 관계들 최대화의 2개의 행, 및 최종적으로 청각의 및 좌측 기원을 포함하는 {brain.exe}의 2개의 행.
콘텐트에 대해 선택된 요약들(즉, 선택된 요약 또는 콘텐트 세그먼트)은 각각의 비디오 세그먼트에 대해 다음과 같이 나열된다:
1. 비디오 선택 번호(1,2,3,4, 또는 5), 여기서, 1~4는 선택을 위해 사용자에게 제공되는 4개의 요약들이고, 5는 4개의 제공된 요약들(1~4) 외에 자신의 비디오 세그먼트/요약을 선택했던 사람들을 나타낸다.
2. 비디오 선택 번호 뒤에, 선택된 세그먼트들/요약들의 초 단위의 시작 및 종료 시간들이 포함된다.
3. 오디오 요약 선택 번호(1~5, 비디오 요약과 유사)가 또한 시작 및 종료 시간들을 수반한다.
4. 마지막으로, 이미지 요약으로 선택된 이미지, 예컨대 단일 정지 이미지에 대한 번호(1,2 또는 3).
우리의 분석에서의 제 1 단계는 패턴들을 찾기 위하여 누적 분석 및 데이터의 비쥬얼 검사를 수행하는 것이다.
2.1 히스토그램들 분석
오디오, 비디오, 및 이미지 세그먼트들의 선택에 얼마나 많은 가변성이 있는지를 결정하기 위하여 비디오들의 선택에 대한 응답들의 히스토그램들이 그려진다. 예를 들어, 히스토그램들이 모든 사람들이 일관되게 주어진 비디오 세그먼트에 대해 제 2 비디오 부분 및 제 1 오디오 부분을 선택했음을 나타낸다면, 개인화된 요약화에 대한 필요가 전혀 없다. 왜냐하면, 그러한 하나의 요약(제 2 및 제 1 비디오 및 오디오 부분들 각각을 포함함)이 모든 사용자들에게 적용되기 때문이다. 또한, 비디오들이 선택되었던 실제 시간의 히스토그램이 그려졌다.
도 2는 비디오 시간 분포의 히스토그램(20)을 도시한다. 여기서, x-축은 사용자들에게 제공되는 30초 뉴스 기사 내에서 비디오 선택을 위한 초 단위의 시간이다. 히스토그램(20)의 y-축은 시간들의 개수 또는 비디오의 연관된 시간 세그먼트 를 선택한 사용자들의 수이며, 이 경우 예컨대 이 비디오는 뉴스 기사이다. 히스토그램(20)에 대해 보여지는 바와 같이, 6명의 사용자들이 뉴스 기사의 약 1~10초 사이의 비디오 부분을 선택했고; 30~35명의 사용자들이 뉴스 기사의 약 10~20초 사이의 비디오 부분을 선택했고; 및 30~25명의 사용자들이 뉴스 기사의 약 23~30초 사이의 비디오 부분을 선택했다.
2.2 주요 성분 분석법 및 인자 분석법
주요 성분 분석법(PCA)은 다수의 (가능한) 상관 변수들을 주요 성분들이라 부르는 (더 적은) 다수의 비상관 변수들로 변형하는 수학적 절차를 포함한다. 제 1 주요 성분은 데이터에서의 가능한 많은 가변성의 원인이 되고, 각각의 연속하는 성분은 가능한 많은 나머지 가변성의 원인이 된다.
다른 매우 유사한 분석법이, 변수들의 세트를 더 적은 수의 변수들 도는 인자들로 감소시키는데 이용되는 통계학적 기술인 인자 분석법이다. 인자 분석법은 변수들 사이들의 상호-상관의 패턴을 조사하고, 서로 매우 많이 상관하지만 다른 서브세트들(또는 변수들)과는 낮은 상관관계를 나타내는 변수들(또는 인자들)의 서브세트들이 있는지를 결정한다.
MATLAB 에서 "princomp" 명령이 실행되고, 그 결과의 고유 벡터들이 어떤 고유 값들이 중요한지를 보기 위하여 그려진다. 다음, 이 고유 값들과 연관되는 주요 성분들이 그려진다.
또한, 다음 인자 분석 모델에서 인자 로딩 매트릭스 람다의 최대 우도 추 정(MLE)을 산출하는 "factoran" 함수가 MATLAB에서 이용되었다:
Figure 112006092999772-PCT00001
여기에서, X는 길이가 d(이 경우, d=q+w 이고, 성격 특성들은 1~q 이고, 비디오 특징들은 1~w 이다.)인 인지되는 벡터이고, μ는 평균의 상수 벡터(constant vector)이고, λ는 인자 로딩 매트릭스라 부르고, f는 독립적인, 표준화된 공통 인자들의 벡터이고, e는 독립적인 특정 인자들의 벡터이다.
성격 및 콘텐트 분석 특징들 사이의 매핑에 있어서의 중요 패턴들을 찾기 위하여, 확장된 주요 성분 및 인자 분석법이 데이터 수행되었다.
2.2.1 콘텐트 분석 특징들
설명적인 일 예로서, 3개의 상이한 장르들 예컨대, 뉴스, 토크 쇼들, 및 뮤직 비디오들로부터의 콘텐트가 콘텐트 분석을 위하여 이용된다. 물론, 그 밖의 또는 부가적인 장르(들) 예컨대, 리얼리티 쇼들, 요리 쇼들, 하우-투-두(how-to-do) 쇼들, 및 스포츠 관련 쇼들이 이용될 수 있다.
이번 절에서, 입력 비디오를 위해 생성되었던 다양한 비디오, 오디오(텍스트) 및 이미지 특징들에 관련된 더욱 상세한 내용들이 제공된다. 다음 비디오 특징들이 뉴스 비디오를 위해 생성되었다. 여기에서, 몇몇 비디오 특징들은 자동으로 생성되는 반면, 그 밖의 비디오 특징들은 분석가가 특정 비디오 세그먼트와 연관된 다음 비디오 특징들 중 적어도 하나를 보고 선택함으로써 수동적으로 생성되었다:
1. 감정
2. 얼굴들의 수
3. 텍스트 라인들의 수
4. 그래픽들/없음
5. 인터뷰/독백
6. 앵커/보도(Anc/Rep)
7. 실내/실외(In/Out)
8. 분위기
9. 성격
10. 개인의 이름
11. 어두움/밝음
상기 특징들은 사용자들에게 제공되었던 이미지들(특정 시간 길이, 예컨대 1초의 비디오 세그먼트들과 비교되는 것으로서, 단일의 정지 이미지)을 위해 또한 생성되었다.
보여지는 콘텐트 동안 말로 표현되었던 텍스트들에 대해, 뉴스 비디오들에 대한 다음의 특징을 포함한 기본적인 정보가 생성되었다:
1. 카테고리
2. 화자
3. 진술 유형
4. 과거/미래
5. 사실/허구/그 외
6. 개인적/전문적
7. 이름들
8. 장소들
9. 숫자들
토크 쇼들에 대해, 상기의 것과 동일한 텍스트 특징들이 이용되었다. 그러나, 다음과 같은 다소 다른 비디오 특징들의 세트가 이용되었다:
1. 얼굴들의 수
2. 텍스트 라인들의 수
3. 그래픽/없음
4. 인터뷰/독백/경치
5. 호스트/게스트
6. 실내/실외
7. 성격
8. 개인의 이름
9. 어두움/밝음
뮤직 비디오들에 대해, 이하에서 열거된 상이한 오디오 및 비디오 특징들의 세트가 이용되었다. 조사되었던 비디오 특징들은 다음을 포함했다:
1. 얼굴들의 수
2. 텍스트 라인들의 수
3. 그래픽/없음
4. 가수/밴드
5. 실내/실외
6. 성격
7. 개인의 이름
8. 어두움/밝음
9. 댄스/댄스 없음
조사되었던 오디오/텍스트 특징들은 다음을 포함했다:
1. 합창/그 밖의 것
2. 메인 가수/그 밖의 사람들
볼 수 있는 바와 같이, 상이한 특징들의 세트가 3가지 장류들(즉, 뉴스 기사들, 토크 쇼들, 및 뮤직 비디오들)의 각각에 대해 이용되었고, 따라서 패턴들이 각각의 장르들에 대해 독립적으로 분석되었다.
2.2.2 개념 값 매트릭스
개념 값 매트릭스(concept value matrix) 주요 성분 분석법을 이용하여 분석되었던 장류들 각각에 대해 생성되었다. 매트릭스에는, 사용자 테스트에 참여한 사용자들 'u' 각각에 대한 하나의 행이 있다. 초기의 열들은 사용자가 완성한 성격 테스트 'P'로부터 유도되었다.
예시적으로, 10개의 성격 특징들이 이용될 수 있는데(Pu1~P1g, 여기서 g=10), 예컨대 4개의 성격 특징들이 MBTI 성격 테스트로부터 구해지고, 2개의 성격 특징들이 AATEC 성격 테스트들로부터 구해지고, 2개의 성격 특징들이 Brain.exe 성격 테스트들로부터 구해질 수 있다. 덧붙여, 나이 및 성(gender)이 전체 10개의 성격 특징들(g=10)에 대해 또한 이용되었다. 다음 컬럼들(Vu1~Vuw)은 사용자에 의해 선택된 특징들 예컨대, 9개의 비디오 특징들(Vu1~Vuw, 여기서 w=9, 뮤직 비디오들에 대해 전술된 9개의 비디오 특징들에 대해)각각에 대한 누적 횟수를 포함한다. 예를 들어, 각각의 사용자(예컨대, u=52, 52명의 사용자들 중에서)는 8개의 뉴스 기사들에 대해 요약들을 선택한 경우, 8개의 선택된 요약들 중에서 5개는 V13(이것은 그래픽/없음 특징이다), 5가 될 V13의 값이 이하(표 2)의 개념 값 매트릭스이다.
(사용자의 수)*(전체 성격 특징들+콘텐트 분석 특징들)의 매트릭스가 각각의 장류들에 대해 구해졌다.
표 2는 패턴들을 찾기 위하여 분석되는 예시적인 분석 값 매트릭스이다.
P11 P12 ... P1g V11 V12 ... V1s
P21 P22 ... P2g V21 V22 ... V2w
. . . . . . . . . . . . . . . . . . . . . . . .
Pu1 Pu2 ... Pug Vu1 Vu2 ... Vuw
표 2
상기 매트릭스에서, 'P'는 성격 특징들을 나타낸다. 'q' 성격 특성들이 있다. 'V'는 비디오 분석 특징들을 나타낸다. 'w' 비디오 분석 특징들이 있다. 테스 트에 참여한 사용자들의 전체 수는 'u'이다. 따라서, 개념 매트릭스는 (u,X, q+w) 차원이다.
예시적으로, 모든 성격 열들은 '-1'에서 '1'까지의 범위를 갖는다. 대부분에 대해서, '-1'이 '1'이 아니라는 것을 나타내는 명칭들(nominals)이 이용되었다. 성에 대해 성격 값들을 포함한 행에 대해, '1'은 여성을, '-1'은 남성을 나타낸다. 4개의 MBTI 성격 속성들에 대해, '1'은 외향형, 감각형, 사고형 및 판단형을 나타내고, '-1'은 내향형, 직관형, 감정형 및 인지형을 나타낸다. 2개의 메릴 라이드 성격 속성들에 대해, '1'은 질문형 및 감성형을, '-1'은 평서형 및 자제형을 나타낸다. 원래 0~100 을 갖는 Brain.exe 데이터는 행 숫자들로부터 50을 빼고, 그것들을 50으로 나눔으로써 정규화되었다. 이것은 완전히 청각적인 사람은 '1'의 점수를 갖고, 완전히 시각적인 사람은 '-1'의 점수를 갖는 것을 보장한다. 나이 데이터는 먼저 마케팅 데이터의 수집을 위해 이용된 세분(subdivisions)에 기초하여 10개의 그룹들로 양자화되었다. 다음은 이용된 나이 그룹 범위들(slabs)이다: 0~14, 15~19, 20~24, 25~29, 30~34, 35~39, 40~44, 45~49, 50~54, 55~60 및 60+. 다음 이것들을 '-1'~'1'로 정규화하기 위하여, 범위들을 -1.0(0~14), -0.8(15~19) ... '1'(나이 그룹 60+)에 매핑하였다. 이 아이디어는 패턴들이 생길 때 젊은층 대 기성층 사용자들을 언급할 수 있도록 해줄 것이다.
비디오, 오디오, 및 이미지 특징들에 대해, 인코딩이 다음과 같이 발생된다. 요약 세그먼트들 각각에 대해, 기본적인 정보 데이터가 그 세그먼트에서의 특징들을 찾기 위하여 분석된다. 예를 들어, 8~10 초 세그먼트에 텍스트가 있다면, 0.8의 득표가 텍스트 존재 특징에 부가되었다. 유사하게, 사용자가 5개의 앵커 세그먼트들 및 3개의 보도 세그먼트들을 선택했다면, 5의 값이 표 2에서 Vuw 열 "앵커/보도"에 위치되었다.
다음 섹션들에서, 성격들 및 콘텐트 분석 특징들 사이의 상호작용의 패턴을 밝히기 위하여 수행되었던 개념 값 매트릭스들의 인자 분석법들에 관하여 더 자세히 설명한다.
2.2.3 뉴스 패턴들
뉴스에 대해, 10개의 성격 특징들 및 33개의 비디오 특징들이 이용되었다. 표 2에 도시된 개념 값 매트릭스의 열들은 다음과 같았다:
(성격 특징들) 여성, 나이, E/I, S/N, T/F, J/P, A/T, E/C, 시청자, 좌측;
(시각적 특징들) 얼굴들, 텍스트, 그래픽, 보도/앵커, 실외/실내, 행복/중간, 어두움/밝음;
(오디오/텍스트 특징들) 설명, 진술, 소개, 서명운동(sign-in), 종료신호(sign-off), 질문, 답, 과거, 현재, 미래, 사실/추측, 전문적/개인적;
(이미지 특징들) 얼굴없음, 하나의 얼굴, 다수의 얼굴들, 텍스트 없음, 하나의 텍스트, 다수의 텍스트, 그래픽들/없음, 인터뷰, 경치, 리포트, 보도/앵커, 실외/실내, 어두움/밝음
편차가 거의 없거나, 전혀 없는 특정 특징들(표 2의 개념 값 매트릭의 행들, 편차가 0에 가까운 행들)은 제거되었고, 선형적인 의존성이 있는 행들도 제거되었다. 다음, 이 매트릭스의 인자 분석법을 수행하여 3개의 인자들이 MATLAB의 "factoran" 함수가 리턴하는 통계들을 평가할 수 있다. 3개의 인자들은 또한 2개의 인자로 감소되었다. 다음, 인자들 중 성격 특징들에서 또는 비디오 특징들에서만 나타나는 특징들을 하나씩 하나씩 제거했다. 예를 들어, 인자 중에서 오직 2개의 특징들이 중요하고 두가지 모두 성격 특성이라면, 이것은 하나가 또다른 것을 암시하고, 따라서 특징 중 하나가 제거될 수 있다는 것을 의미한다.
다음의 특징들은 예를 들어, 0에 근사한 고유한 편차들을 나타내기 때문에 제거되었다: 나이(P), 사고형/감정형(P), 실외/실내(V), 어두움/밝음(V), 소개(T), 보도/앵커(I), 텍스트없음(I), 하나의 텍스트(I), 그래픽들(I), 경치(I), 실외/실내(I), 및 어두움/밝음(I). 이러한 특징들을 제거한 후, 하나의 중요 인자가 도 3에 도시된 바와 같이 남겨졌다. 도 3은 한정된 특징들을 갖는 뉴스 비디오들에 대한 최종 중요 인자(30)를 도시한다.
도 3을 참조하면, +0.2 및 -0.2의 문턱값이 이용되었다. 제 1의 3개의 데이터 점들, 즉, 여성/남성, 외향형/내향형, 및 감성형/자제형 모두 문턱값 -0.2 보다 작았고, 따라서 -1의 값이 주어졌다. 이에 대해서는 성격 및 특징 공간 사이에 매핑에 이용되는 알고리즘을 설명하면서 더욱 자세히 설명하기로 한다. 따라서, 제 1의 3개의 데이터 점들은 남성, 내향성, 및 자제형을 나타낸다. 다음 3개의 데이터 점들은 30초 뉴스 비디오 중 10초 요약 내의 비디오 특징들 즉, 얼굴들, 텍스트 및 보도로서 각각 -1, +1, 및 +1을 갖는다. 도 3에서의 마지막 데이터 점은 요약으로 선택된 정지 이미지의 특징 즉, -1의 값을 갖는 보도('-0.2' 문턱값 보다 작기 때문에)이며, 이는 요약에서 남성이고, 내향형 및 자제형 성격을 갖는 사용자에 의해 선택된 정지 이미지가 보도를 포함하지 않는다는 것을 나타낸다.
2.2.4 토크 쇼 패턴들
토크 쇼들에 대한 패턴들의 분석을 수행하기 위하여, 다시 개념 값 매트릭스가 이용되었다. 표 2에서 개념 값 매트릭스의 열들은 다음과 같았다:
(성격 특징들) 여성, 나이, E/I, S/N, T/F, J/P, A/T, E/C, 시청자, 좌측;
(시각적 특징들) '얼굴들(있음/없음)', '소개(Intro)', '임베디드', '인터뷰', '호스트', '게스트', '호스트게스트', '기타';
(오디오/텍스트 특징들) '설명', '진술', '소개', '질문', '답', '과거', '현재', '미래', '화자(게스트/호스트)', '사실/추측', '전문적/개인적'; 및
(이미지 특징들) '얼굴들의 수(하나 이상/ 하나)', '소개', '임베디드', '인터뷰', '호스트', '게스트', '호스트게스트'.
뉴스 패턴 분석과 유사하게, 다른 특징들에 선형적으로 의존적이거나 편차가 낮은 특징들을 제거하였다. 낮은 편차를 갖는 제거된 특징들은 다음의 특징들을 포함한다: 브레인 특징들(시청자(P) 및 좌측(P)), 임베디드 비디오(V), 설명(T), 질문(T), 답(T), 미래(T). 다른 특징들에 선형적인 의존성을 갖는 제거된 특징들은 게스트(V), 인터뷰(I), 호스트게스트(I) 및 호스트(I)를 포함한다.
그 밖의 특징들이 또한 특징들을 개인적인 인자들로 추출하는 인자 분석법에 기인하여 또는 좀처럼 없는 '0에 근접한 편차들'에 기인하여 제거되었다: 질문형/ 평서형(P), 얼굴들(V), 소개(V), 호스트게스트(V), 소개(T), 진술(T), 현재(T), 사실/추측(T), 임베디드(I). 토크 쇼 데이터의 인자 분석 이후, 토그 쇼들에 대한 3개의 최종 인자 분석 벡터들(40,50,60)이, 도 4~6에 도시된 바와 같이 제거의 종료시에 잔존했다.
예컨대, 도 4를 참조하면, (토크 쇼들로부터의 데이터에 대한) 제 1 인자 분석 벡터(40)의 첫 번째 5개의 데이터 점들은 사용자에 관련된 것으로, 즉, '감각형 대 직관형 또는 S/N'=+1(감각형), 여기서 문턱값을 적용한 후, +1은 문턱값 +0.2 보다 큰 값에 대해 할당되고, -1은 -0.2 보다 작은 값에 대해 할당된 것이다. -0.2 와 +0.2 사이의 값들에 대한, 특징은 중요하지 않으며 예컨대, don't care, 여기에서 여성=don't care 는 사용자가 여성 또는 남성일 수 있다는 것을 나타낸다. 도 4에 도시된 바와 같이, 그 밖의 don't care 특징들은 '외향형 대 내향형, 또는 E/I', '사고형 대 감정형, 또는 T/F', '감성형 대 자제형, 또는 E/C'를 포함한다. 다음 2개의 데이터 점들은 토크 쇼의 요약으로서 선택된 비디오 부분과 연관되고, '호스트'=don't care 및 '기타'=don't care를 포함한다. 다음 3개의 데이터 점들은 토크 쇼의 요약으로 선택된 이미지에 관한 것이며, '얼굴들의 수(하나 이상/하나)'=+1 및 '소개'=-1 및 '게스트'=+1을 포함한다.
따라서, 도 4에 도시된 예시적인 경우에 있어서, '감각형'인 남성 또는 여성 시청자는 하나 이상의 얼굴 및 게스트를 포함하는 것을 요약으로 선택했고, 따라서 하나 이상의 얼굴 및 게스트를 포함하는 콘텐트를 선호한다.
2.2.5 뮤직 비디오 패턴들
다음 행들을 갖는 개념 값 매트릭스(표 2)를 이용하여, 유사한 분석이 뮤직 비디오들에 대한 패턴들을 결정하기 위하여 수행되었다:
{'여성', '나이', 'E/I', 'S/N', 'T/F', 'J/P', 'A/T', 'E/C', '얼굴들', '텍스트', '그래픽', '실외/실내', '행복/중간', '어두움/밝음', '가수 있음', '코러스/기타', '댄스/댄스 없음', '메인 가수/기타'} .
인자 분석에 대해, 유사한 절차가 수행되었다.
인자 분석에 대해, 우리는 낮은 편차를 갖거나 다른 인자로서 유도되는 특징들을 제거하는 유사한 절차들을 수행했고, 다음의 중요 인자를 산출했다. 우리는 우리의 개념 벡터를 확장했고, 우리의 특징들은 다음과 같았다:
{'여성', '나이', 'E/I', 'S/N', 'T/F', 'J/P', 'A/T', 'E/C', '시청자', '좌측', '얼굴들', '텍스트', '그래픽', '실외/실내', '행복/중간', '어두움/밝음', '가수 있음', '코러스/기타', '댄스/댄스 없음', '메인 가수/기타', '얼굴 없음', '하나의 얼굴', '다수의 얼굴', '텍스트', '가수/밴드', '실내/실외', '밝음/어두움'} .
낮은 편차를 갖는 특징들로 시작하여, 우리는 브레인 비트들(시청자(P) 및 좌측(P))을 제거하였다. 다양한 인자들에 기초하여 예컨대, 측면 상관도들(sided correlations), 및 내부 상관도들, 및 낮은 편차, 또는 독립성에 기초하여 특징들을 제거한 후, 어떤 중요 관계들도 추출될 수 없는 도 7에 도시된 최종 인자(70)를 구했다.
패턴들은 개념 값 매트릭스(표 2)에 기초하여 구해졌기 때문에, 예컨대 도 3~7에 도시된 패턴들 및 매핑이 성격 및 콘텐트 특징들 사이에 생성된다.
3. 알고리즘
인자 분석으로부터 얻어진 결과들에 기초하여, 사용자의 성격 유형 및 입력 비디오 프로그램이 주어진 개인화된 요약들을 생성하는 알고리즘이 디자인 되었다.
이전 섹션들에서 본 바와 같이, 다수의 중요 인자들이 성격 특성들을 콘텐트 부석 특징들에 상관시킨다. 다음, 이들 패턴들에 기초한 요약화 알고리즘의 공식을 설명한다.
3.1 성격 및 특징 공간 사이의 매핑
성격 및 특징들 사이의 매핑을 생성하는 것이 바람직하다. 사람의 성격이 제공될 수 있을 정도로, 어떤 특징들을 선호하는지를 결정할 수 있고, 그 역도 가능하다(특징이 주어지면, 어떠한 성격이 그 특징을 좋아하는지 결정한다). 각각의 특징에 대해, 성격 특징들에 의해 좋아하거나 싫어하는 그 특징의 확률을 제공하는 벡터가 요구된다.
우선, 인자 분석법이 이하에 보여지는 바와 같은 매트릭스(F)의 행들인 중요한 인자들 'f'을 얻기 위하여 수행되었다. λ는 중요한 것으로 여겨지는 인자들(도는 주요 성분들)이다. λk는 우리가 각각의 장르에 대해 가지고 있는 전체 중요 인 자들 중 k번째 인자를 말한다. 인자들 각각은 P(성격) 부분 및 V(비디오 특징) 부분을 갖는다. P 부분은 1,...,q 이고, V 부분은 q+1,...,q+w 이다. λij들은 상기 인자 분석을 수행함으로써 구해지는 실제 평가된 속성들이다.
Figure 112006092999772-PCT00002
두 번째로, 인자들은 다음과 같이 문턱값과 비교되어 +1 또는 -1을 제공하며, 여기에서 θ는 예컨대 0.2 이다:
Figure 112006092999772-PCT00003
이것은 매트릭스가 오직 1, -1 및 0 을 갖도록 한다.
예를 들어, 뮤직 비디오 데이터에 대한 최종 인자(도 7에서 70번으로 참조됨)는 상기 매트릭스(F)의 하나의 행으로 표시된다. 도 7에 도시된 뮤직 비디오 데이터에 대한 최종 인자는 표 3의 제 1 행에 도시된 바와 같이, 5개의 성격 특성들(여성/남성(F/M), E/I, S/N, T/F 및 E/C) 및 6개의 비디오 특징들(텍스트, 어두움/밝음(D/B), 합창/기타(C/O), 메인 가수/기타(S/O), 텍스트(정지 이미지들에 대한), 실내/실외(I/O))을 포함한다. 표 3의 제 2 행은 각각 문턱값과의 비교 전/후의 매 트릭스(F)의 한 행이다.
Figure 112006092999772-PCT00004
표 3
따라서, 예를 들어, 자제형 성격들(E/C=-1)은 뮤직 비디오 내에서 합창을 좋아한다(합창/기타=+1).
세 번째, 일반적인 성격 P 벡터(p1,...,pq)는 이하에 도시된 바와 같이, 비디오 특징 V 벡터(v1,....,vw)에 연관되어 있으며, 이에 의해 어떻게 비디오 특징들이 성격들에 상관되는지를 보여준다.
Figure 112006092999772-PCT00005
여기서, 매트릭스 A는 다음과 같다:
Figure 112006092999772-PCT00006
행들은 매트릭스(A)에서 성격 비트들(1~q)이고, 열들은 비디오 또는 콘텐트 비트들(1~w)이다. 즉, 상기 수식에서 aij라 하는 매트릭스(A)에서의 가중치들은 w개의 콘텐트 특징들 각각을 q개의 성격 특징들에 상관시킨다. 예를 들어, 성격 특징 2(j=2)가 시각적 특징 5(i=5)를 좋아한다면, a52는 1일 것이다(여기서, -1은 '싫어함'을 나타내고, 0은 'don't care' 즉, 좋아하거나 싫어하거나 개의치 않는 것을 나타낸다). 이들 가중치들은 다음과 같이 유도된다:
Figure 112006092999772-PCT00007
앞서 모델링된 것은 중요한 인자들에 대한 모델링이며, 어떤 성격 특징(아래첨자 j) 및 비디오 분석 특징(아래첨자 i)이 모두 양으로(positively) 중요한 것이라면, aij는 1만큼 증가된다. 이것은 성격 특징이 주어진 비디오 특징을 좋아한다는 것을 의미한다. 그러나, 부호가 인자에 있어서 반대라면, aij는 -1 만큼 감소되고, 이것은 성격 특징이 주어진 비디오 특징을 좋아하지 않는다는 것을 의미한다.
예를 들어, 표 3에서 보는 바와 같이, 자제형 성격들(E/C=-1)은 뮤직 비디오 내에서 합창을 좋아한다(합창/기타=+1). 따라서, 이 성격 특성 및 콘텐트 특징에 대해:
aij=(+1)(-1)=-1
매트릭스(A)는 상이한 특징들의 성격으로의 매핑을 제공한다. 이 매트릭 스(A)의 전치 매트릭스(A`)는 성격의 상이한 특징으로의 매핑을 제공한다는 것을 주의한다.
3.2 성격에 기초한 비디오 세그먼트의 분류
다음으로, 비디오 세그먼트들이 특정 비디오 세그먼트들을 좋아하는 성격들에 기초하여 분류된다. 예를 들어, 전술한 바와 같이, 표 3으로부터, 자제형 성격들(E/C=-1)은 뮤직 비디오 내에서 합창을 좋아한다(합창/기타=+1). 이 정보는 성격 분류 벡터(Cp)로서 산출된다.
따라서, 특징들 및 성격 사이의 매핑이 산출되면, 비디오 세그먼트들에 대한 성격 분류 벡터(Cp)가 산출된다. 비디오 세그먼트들에 대한 성격 분류를 구하는 것은, 사용자의 성격에 기초하여 추천들을 생성하는데, 개인화된 멀티미디어 요약들을 생성하는데, 및 사용자의 성격 유형에 따라 미디어를 검색하고 인덱싱하는데 유용하다.
특히, 도 8에 도시된 바와 같이, 콘텐트를 추천하기 위한 순서도(80)는 사용자의 성격 속성(들)을 결정하는 단계(110); 콘텐트의 콘텐트 특징(들)을 추출하는 단계(120); 사용자의 선호하는 특징(들)을 결정하기 위하여 성격 속성(들) 및 콘텐트 특징(들) 사이의 연관을 포함하는 맵에, 성격 속성(들) 및 콘텐트 특징(들)을 적용하는 단계(130); 및 선호하는 특징(들)을 포함하는 적어도 하나의 프로그램 콘텐트를 추천하는 단계를 포함한다. 적용 동작(130), 예를 들어, 사용자에 대한 중요도에 따라 콘텐트 특징들을 랭크로 평가함으로써 요약을 개인화하고, 여기에서 선호하는 특징(들)은 콘텐트의 다른 특징들보다 더 높은 랭크를 갖는 콘텐트 특징(들)을 포함한다. 중요도는 맵을 이용하여 결정될 수 있다.
도 9는 예컨대 다음 동작들을 포함하는 맵 생성을 위한 방법(200)을 도시한다: 테스트 주체들에 의해 적어도 하나의 성격 테스트를 수행하여 테스트 주체들의 성격 특성들을 결정하는 단계(210); 테스트 주체들에 의해 복수의 프로그램들을 관찰하는(observe) 단계(220); 테스트 주체들에 의해 복수의 프로그램들에 대한 선호하는 요약들을 선택하는 단계(230); 선호하는 요약들의 테스트 특징들을 결정하는 단계(240); 및 성격 특성들을 테스트 특징들에 연관하는 단계(250).
비디오 세그먼트의 "성격 유형"을 생성하기 위하여, 상이한 비디오/오디오/텍스트 분석 특징들이 그 세그먼트(Vwx1)에 대해 생성된다. 이 벡터는 특징이 비디오 세그먼트 내의 특징들 각각에 대해 존재하는지 존재하지 않는지에 대한 정보를 포함한다. 주어진 성격 매핑 매트릭스(Awxq)에 대해, 각 세그먼트에 대한 성격 분류(Cp)는 다음과 같이 유도된다:
Figure 112006092999772-PCT00008
상기 수식은 상이한 성격들을 비디오 세그먼트들 상에 매핑한다.
3.3 개인화된 요약화 알고리즘
특징으로부터 성격으로의 매핑이 구해지면, 개인화된 요약들이 생성될 수 있다. 개인화된 요약화는 두 가지 방법 중 하나에 의해 구현될 수 있다.
1. 비디오 세그먼트 내의 특징들을 A에 기초하여 성격에 매핑하고, 비디오 세그먼트들에 필터링하기 위하여, 이것에 성격 프로필을 적용한다; 또는
2. A`에 기초하여 성격을 특징들에 매핑하고, 필터로서 이것을 비디오 세그먼트들에 적용한다.
첫 번째 경우에 대해, 다음은 개인화된 요약들의 생성을 열거한다.
1. 주어진 매핑 매트릭스(Awxq)
2. 주어진 특징 벡터(Vwx1), 이것은 특징이 비디오 세그먼트 내의 특징들 각각에 대해 존재하는지 또는 존재하지 않는지를 알려준다.
3. 주어진 사용자 프로필(Uqx1), 이것은 성격 매핑을 제공한다.
4. 전술한 바와 같은 비디오 세그먼트에 대해 성격 분류 벡터(Cp)를 산출한다. 즉:
Figure 112006092999772-PCT00009
5. 사용자 프로필에 대한 상기 분류 벡터의 중요도(I)를, C와 U 사이의 내적으로서 산출한다.
I=U·Cp
각각의 세그먼트는 각각의 특징으로부터 점수를 받고, 점수들은 합산된다.
6. 비디오의 모든 세그먼트들(S1,...,St)에 대해, 중요도(I1,...,It)를 산출한다.
7. 최종적으로, 가장 높은 중요도부터 시작하여 선택된 세그먼트들의 지속기간(duration)이 미리결정된 문턱값 보다 작을 때까지 세그먼트들을 선택한다.
두 번째 경우에 대해, 즉 A`에 기초하여 성격을 특징들에 매핑하고, 필터로서의 이것을 비디오 세그먼트에 적용하는 것:
1. 주어진 매핑 매트릭스(Awxq)
2. 주어진 특징 벡터(Vwx1), 이것은 특징이 비디오 세그먼트 내의 특징들 각각에 대해 존재하는지 또는 존재하지 않는지를 알려준다.
3. 주어진 사용자 프로필(Uqx1), 이것은 성격 매핑을 제공한다.
4. 프로필 벡터에 대한 비디오 분류 벡터(Cv)를 산출한다.
Figure 112006092999772-PCT00010
5. 상기 수식은 상이한 비디오 특징들을 사용자의 성격 프로픽 상에 매핑한다.
6. 매핑된 사용자 프로필에 대한 상기 분류 벡터의 중요도를, C 및 V 사이의 내적으로서 산출한다.
I = V·Cv
7. 비디오의 모든 세그먼트들(S1,...,St)에 대해, 중요도(I1,...,It)를 산출한다.
8. 최종적으로, 가장 높은 중요도부터 시작하여 선택된 세그먼트들의 지속기 간(duration)이 미리결정된 문턱값 보다 작을 때까지 세그먼트들을 선택한다.
상기 두 방식은 다소 균등하다. 그러나, 두 번째 방식에서는, 매핑이 사용자 프로필에 대해 오직 한번 수행된다. 이것은 계산의 복잡성을 감소시킨다. 분석되는 모든 새로운 비디오에 대해서, 특징들을 성격 공간에 매핑시킬 필요는 없다.
3.4 콘텐트 추천
섹션 3.2에 설명된 바와 같이, 각각의 비디오에 대한 성격 분류를 생성함으로써, 모든 비디오가 근본적으로 분류된다. 비디오가 특정의 성격 유형, 예컨대, 외향형에 호감을 주는 더 많은 세그먼트들을 갖는다면, 그 비디오(영화, 시트콤 등)는 외향형인 사용자에게 추천될 수 있다. 이것은 현재 기술 수준의 추천기들 즉, 사용자가 시청한 프로그램들의 상세한 이력을 요구하고, 프로그램 가이드 데이터로부터 파생된 키워드들에 기초하여 프로필을 작성하고, 이것을 새로운 콘텐트에 매칭하는 추천기들을 상당히 간략화시킨다.
3.5 이용 시나리오들
개인화된 요약들의 자동 생성은 도 10에 도시된 바와 같은 임의의 전자 디바이스(300)에 의해 이용될 수 있다. 이 디바이스(300)는 전술한 바와 같이, 개인화된 요약들 및 콘텐트 및/또는 요약들의 추천을 생성하도록 구성된 프로세서(310)를 갖는다. 예를 들어, 프로세서(310)는 콘텐트의 사용자의 성격 속성을 결정하고; 콘텐트의 특징들을 추출하고; 및 특징들로부터 성격 속성들로의 맵에 기초하여 개인 화된 요약을 생성하도록 구성된다. 예를 들어, 전자 디바이스(300)는 텔레비젼, 리모컨, 셋톱박스, 컴퓨터 또는 개인용 컴퓨터, 전화기와 같은 임의의 휴대용 디바이스, 또는 PDA와 같은 전자수첩일 수 있다.
예시적으로, 개인화된 요약들의 자동 생성은 다음의 시나리오로 이용될 수 있다:
1. 어플리케이션의 사용자는 TV (리모컨) 또는 PC와 상호작용하여, 그들의 성격 유형에 대한 수 개의 기본 질문들에 답한다(마이어-브리그스 테스트, 메일 라이드 테스트, 및/또는 brain.exe 테스트 등 임의의 성격 테스트(들)을 이용한다). 다음, 섹션 3.3에 설명된 요약화 알고리즘이 국부적으로 또는 광역 네트워크 상의 가용한 임의의 위치에 저장되는 TV 프로그램의 요약을 생성하기 위하여 국부적으로 또는 중앙 서버에 적용된다.
2. 어플리케이션의 사용자는 그들의 성격에 관한 입력을 제공하기 위하여 휴대용 디바이스(전화기, 또는 PDA)와 상호작용한다. 시스템은 네트워크(중앙 서버 또는 분포된 노드들의 집합) 내의 임의의 위치에서 개인화호된 요약화를 수행하고, 사용자에게 개인화된 요약들(예컨대, 멀티미디어 뉴스 요약들)을 그들의 휴대용 디바이스 상으로 전달한다. 사용자는 이들 항목들을 관리 및 삭제할 수 있다. 택일적으로, 시스템은 이 항목들을 매일 갱신하고, 이전 항목들을 삭제할 수 있다.
3. 개인화 알고리즘은 케이블 또는 위성을 통해 전달되는 주문형 비디오의 일부 서비스로서 이용될 수 있다.
4. 개인화 알고리즘은 현실의 또는 웹상의 임의의 비디오 대여 또는 비디오 쇼핑 서비스의 일부일 수 있다. 이 시스템은 개인화된 요약들을 제공함으로써 사용자들이 좋아할 비디오 콘텐트를 추천할 때 사용자들을 도와준다.
본 발명은 특정 실시예들을 참조하여 설명하였으나, 당업자는 첨부된 청구항에서 설명되는 본 발명의 사상 및 범위를 벗어나지 않고 다양한 변형이 가능하다는 것을 이해할 수 있을 것이다. 명세서 및 도면들은 따라서 예시적인 방식으로 여겨져야 하며, 첨부된 청구항들의 범위를 한정하는 것은 아니다.
첨부된 청구항들을 해석함에 있어, 다음을 이해해야 한다:
a) "포함한다"라는 단어는 주어진 청구항에 리스트된 구성요소 또는 동작들 이외의 그 밖의 구성요소들 또는 동작들의 존재를 배제하는 것은 아니다;
b) 구성요소에 앞서는 "a", 또는 "an" 은 그러한 구성요소들이 복수로 존재한다는 것을 배제하는 것이 아니다;
c) 청구항들 내의 임의의 참조 부호(sign)들은 그들의 범위를 한정하지 않는다;
d) "수단"은 동일한 항목 또는 하드웨어 또는 소프트웨어적으로 구현된 구조 및 기능으로 표현된다;
e) 개시된 구성요소들 중 임의의 것은 하드웨어 부분들(예컨대, 구체적인 및 집적된 전자 회로를 포함), 소프트웨어 부분들(예컨대, 컴퓨터 프로그래밍), 및 그들의 임의의 조합으로 구성될 수 있다;
f) 하드웨어 부분들은 아날로그 및 디지털 부분들 중 하나 또는 양자로 구성될 수 있다;
g) 개시된 디바이스들 또는 그것들의 부분들의 임의의 것은 서로 결합되거나, 특정적으로 그렇지 않은 것으로 진술되지 않는한, 더 많은 부분들로 분리될 수 있다; 및
h) 특정적으로 지시되지 않는 한, 동작들의 특정 시퀀스가 요구되는 것은 아니다.

Claims (16)

  1. 사용자를 위한 콘텐트의 개인화된 요약을 생성하는 방법에 있어서,
    상기 사용자의 성격 속성들을 결정하는 단계(110);
    상기 콘텐트의 특징들을 추출하는 단계(120); 및
    상기 특징들의 상기 성격 속성들로의 맵에 기초하여 상기 개인화된 요약을 생성하는 단계(140)를 포함하는, 방법.
  2. 제 1 항에 있어서,
    상기 맵 및 상기 성격 속성들을 기초하여 상기 특징들의 랭크를 제공하는 단계를 더 포함하고,
    상기 개인화된 요약은 상기 특징들 중 다른 것보다 더 높이 랭크된 상기 특징들을 갖는 상기 콘텐트의 부분들을 포함하는, 방법.
  3. 제 1 항에 있어서,
    상기 개인화된 요약의 생성은, 상기 맵으로부터 결정된 상기 성격 속성들을 갖는 사람들에 의해 선호되는 상기 특징들에 기초하여, 상기 콘텐트의 세그먼트들의 중요도를 변경시키는 것을 포함하는, 방법.
  4. 제 1 항에 있어서,
    상기 맵은 상기 특징들과 상기 성격 속성들의 연관을 포함하는, 방법.
  5. 제 1 항에 있어서,
    상기 맵은 상기 성격 속성들을 갖는 사람들에 의해 선호되는 상기 특징들의 분류를 포함하는, 방법.
  6. 제 1 항에 있어서, 상기 맵의 생성은,
    테스트 주체들의 성격 특성들을 결정하기 위하여, 테스트 주체들에 의해 적어도 하나의 성격 테스트를 수행하는 단계(210);
    상기 테스트 주체들에 의해 복수의 프로그램들을 관찰하는 단계(220);
    상기 테스트 주체들에 의해 상기 복수의 프로그램들에 대한 선호되는 요약들을 선택하는 단계(230);
    상기 선호되는 요약들의 테스트 특징들을 결정하는 단계(240); 및
    상기 성격 특성들을 상기 테스트 특징들과 연관시키는 단계(250)를 포함하는, 방법.
  7. 제 1 항에 있어서, 상기 맵의 생성은,
    테스트 주체들의 성격 특성들을 결정하는 단계;
    상기 테스트 주체들에 의해 프로그램들을 관찰하는 단계;
    상기 테스트 주체들에 의해 테스트 요약들을 선택하는 단계;
    상기 테스트 요약들 중 테스트 특징들을 추출하는 단계; 및
    상기 테스트 특징들을 상기 성격 특징들과 연관시키는 콘텐트 매트릭스를 형성하는 단계를 포함하는, 방법.
  8. 제 7 항에 있어서,
    인자 분석법(factor analysis)을 이용하여 상기 콘텐트 매트릭스를 분석하는 단계를 더 포함하는, 방법.
  9. 제 1 항에 있어서,
    상기 성격 특성들은, 마이어스-브리그스 유형 인디케이터 테스트(Myers-Briggs Type Indicator test), 메릴 라이드 테스트(Merrill Reid test) 및 브레인-이용 테스트(brain-use test) 중 적어도 하나를 이용하여 결정되는, 방법.
  10. 제 1 항의 방법을 이용하여 생성되는 컴퓨터-판독 매체 내에서 구현되는 컴퓨터 프로그램.
  11. 사용자에게 콘텐츠를 추천하는 방법에 있어서,
    상기 사용자의 성격 속성들을 결정하는 단계(110);
    상기 콘텐츠의 콘텐트 특징들을 추출하는 단계(120);
    상기 사용자의 선호되는 특징들을 결정하기 위하여 상기 성격 속성들과 상기 콘텐트 특징들 사이의 연관을 포함하는 맵에 상기 성격 속성들 및 상기 콘텐트 특징들을 적용하는 단계(130); 및
    상기 선호되는 특징들을 포함하는 상기 콘텐츠들 중 적어도 하나를 추천하는 단계(140)를 포함하는, 방법.
  12. 제 11 항에 있어서,
    상기 적용 단계는 상기 사용자에 대한 중요도에 따라 상기 콘텐트 특징들에 랭크를 부여하고, 상기 선호되는 특징들은 상기 콘텐트 특징들 중 다른 것들보다 높은 랭크를 갖는 콘텐트 특징들을 포함하는, 방법.
  13. 제 12 항에 있어서,
    상기 중요도는 상기 맵을 이용하여 결정되는, 방법.
  14. 제 11 항의 방법을 이용하여 생성되는 컴퓨터-판독 매체 내에서 구현되는 컴퓨터 프로그램.
  15. 전자 디바이스(300)에 있어서,
    콘텐트 사용자의 성격 속성들을 결정하고(110), 상기 콘텐트의 특징들을 추출하고(120), 상기 특징들의 상기 성격 속성들에 대한 맵에 기초하여 개인화된 요약을 생성하도록(140) 구성된 프로세서(310)를 포함하는, 전자 디바이스.
  16. 사용자에게 콘텐츠를 추천하는 전자 디바이스(300)에 있어서,
    상기 사용자의 성격 속성들을 결정하고(110), 상기 콘텐츠의 콘텐트 특징들을 추출하고(120), 상기 사용자의 선호되는 특징들을 결정하기 위하여 상기 성격 속성들과 상기 콘텐트 특징들 사이의 연관을 포함하는 맵에 상기 성격 속성들 및 상기 콘텐트 특징들을 적용하고(130), 상기 선호되는 특징들을 포함하는 상기 콘텐츠들 중 적어도 하나를 추천하도록(150) 구성된 프로세서(310)를 포함하는, 전자 디바이스.
KR1020067026464A 2004-06-17 2005-06-17 성격 속성들을 이용하여 개인화된 요약들 KR20070022755A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020067026464A KR20070022755A (ko) 2004-06-17 2005-06-17 성격 속성들을 이용하여 개인화된 요약들

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US60/580,654 2004-06-17
US60/639,390 2004-12-27
KR1020067026464A KR20070022755A (ko) 2004-06-17 2005-06-17 성격 속성들을 이용하여 개인화된 요약들

Publications (1)

Publication Number Publication Date
KR20070022755A true KR20070022755A (ko) 2007-02-27

Family

ID=43654368

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020067026464A KR20070022755A (ko) 2004-06-17 2005-06-17 성격 속성들을 이용하여 개인화된 요약들

Country Status (1)

Country Link
KR (1) KR20070022755A (ko)

Similar Documents

Publication Publication Date Title
US20070245379A1 (en) Personalized summaries using personality attributes
Rosenbusch et al. Multilevel emotion transfer on YouTube: Disentangling the effects of emotional contagion and homophily on video audiences
US9064154B2 (en) Systems and methods for associating electronic content
Billsus et al. Adaptive news access
Goren-Bar et al. FIT-recommend ing TV programs to family members
US20130343597A1 (en) Systems and methods for identifying electronic content using video graphs
JP4370850B2 (ja) 情報処理装置および方法、プログラム、並びに記録媒体
US20140074828A1 (en) Systems and methods for cataloging consumer preferences in creative content
JP2005056361A (ja) 情報処理装置および方法、プログラム、並びに記録媒体
Besser et al. Podcast search: User goals and retrieval technologies
KR20030007727A (ko) 자동 비디오 리트리버 제니
Berke et al. Deaf and hard-of-hearing users' prioritization of genres of online video content requiring accurate captions
Bost A storytelling machine?: automatic video summarization: the case of TV series
Niu et al. Affivir: An affect-based Internet video recommendation system
de Assunção et al. Evaluating user experience in music discovery on deezer and spotify
Lee et al. Analyzing user requests for anime recommendations
Barbieri et al. Content selection criteria for news multi-video summarization based on human strategies
KR20070022755A (ko) 성격 속성들을 이용하여 개인화된 요약들
Kim et al. Exploring the key success factors of films: a survival analysis approach
Stewart Do You Trust Me (dia)?: How Students Perceive and Identify Fake News
Lavan et al. Audiovisual identity perception from naturally‐varying stimuli is driven by visual information
Soleymani et al. Emotionally aware TV
Money et al. Feasibility of personalized affective video summaries
Kim et al. Exploration of the characteristics of emotion distribution in Korean TV series: common pattern and statistical complexity
JP5008250B2 (ja) 情報処理装置および方法、プログラム、並びに記録媒体

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination