KR20110000996A

KR20110000996A - 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치 및 방법, 그 기록 매체

Info

Publication number: KR20110000996A
Application number: KR1020090058364A
Authority: KR
Inventors: 김시목; 조항선; 최진호
Original assignee: 주식회사 모임
Priority date: 2009-06-29
Filing date: 2009-06-29
Publication date: 2011-01-06
Also published as: KR101111121B1

Abstract

인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치 및 방법, 그 기록 매체가 개시된다. 본 발명은 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치에 관한 것으로, 사용자의 로그인 정보를 포함하는 현재 패턴 데이터를 수집하여 분석하는 사용자 정보 분석부; 상기 사용자가 선택하거나 구매한 컨텐츠와 관련된 데이터를 수집하여 분석하는 컨텐츠 정보 분석부; 상기 사용자 정보 분석부 및 상기 컨텐츠 정보 분석부에서 분석된 결과를 이용하여 행태 분석 및 시간 분석을 수행하여 하나 이상의 클러스터링 클래스를 출력하는 AIRAS; 상기 출력된 클러스터링 클래스에 대응하는 컨텐츠의 정보를 컨텐츠 데이터베이스에서 추출하는 맞춤형 컨텐츠 생성부; 및 상기 클러스터링 클래스에 대응하는 사용자 그래픽 인터페이스를 구성하여 상기 컨텐츠와 함께 클라이언트에 전송하는 맞춤형 인터페이스 생성부를 포함한다. 본 발명에 의하면, 조회수, 인기도 등의 단편적인 정보에 의존하지 않고 변화하는 사용자의 취향을 반영하여 사용자의 행동 패턴을 예측함으로써, 평균적인 예측으로 알 수 없는 개별 사용자의 독특한 취향을 반영하여 컨텐츠를 추천할 수 있고, 컨텐츠 추천 서비스의 실시간성을 극대화할 수 있으며, 시간 분석을 적용하는 경우, 과거의 특정 컨텐츠가 과도하게 추천되는 것을 방지할 수 있어 컨텐츠 다양화에 기여할 수 있다.

Description

인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치 및 방법, 그 기록 매체 {Apparatus and Method for presenting personalized contents information based on artificial intelligence, and Recording medium thereof}

본 발명은 통계 분석에 관한 것으로, 보다 구체적으로, 사용자의 행동 패턴을 예측하여 실시간으로 개인의 선호나 취향에 최적화된 컨텐츠 정보를 제공할 수 있는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치 및 방법, 그 기록 매체에 관한 것이다.

최근, 각종 A/V 미디어의 전송 및 저장 기술의 발전으로 사용자가 접할 수 있는 컨텐츠는 기하 급수적으로 늘어나고 있다. 특히, 디지털 방송 및 초고속 인터넷 인프라가 도입되고 각종 A/V기기의 대용량화가 진행됨에 따라 사용자는 때와 장소에 구애됨 없이 수많은 컨텐츠들을 즐길 수 있게 되었다.

그러나, 이렇게 컨텐츠의 양이 늘어남에 따라 사용자가 원하는 것을 찾는 데 걸리는 시간과 노력도 증가하게 된다. 이를 해결하기 위해 여러 효과적인 인터페이스 기술들의 개발이 시도되고 있다. 여러 대안들 중 사용자의 성향에 기반한 컨텐츠 추천방법은 사용자의 부담을 덜어 주는 새로운 방법으로 시도되고 있지만 아직 많이 활용되고 있지는 않은 실정이다.

도 1은 종래의 컨텐츠 추천 시스템의 화면 및 동작과정을 나타낸 도면이다.

도시된 바와 같이, 화면상에 컨텐츠 A가 디스플레이되고, 사용자의 추천 요청 시 추천 컨텐츠 목록과 각 컨텐츠의 요약 정보로 구성된 화면이 디스플레이 된다. 그 다음, 사용자가 추천 컨텐츠 목록과 각 컨텐츠의 요약 정보를 확인한 후, 소정의 선택 방법을 사용하여 원하는 컨텐츠를 선택한다. 이에, 사용자로부터 선택된 컨텐츠(예를 들어, 컨텐츠 B)가 화면에 디스플레이 된다. 즉, 사용자는 원하는 컨텐츠를 추천 시스템에서 얻어내기 위해서 컨텐츠 추천을 요청하는 과정과, 디스플레이된 추천 컨텐츠 목록을 확인하는 과정 및, 입력장치를 사용하여 원하는 컨텐츠를 선택하는 과정을 수행함으로써 원하는 컨텐츠를 시청할 수 있다.

그러나, 추천 목록 화면에 제시된 컨텐츠가 사용자가 원하는 컨텐츠인지를 알기 어려우며, 추천 컨텐츠의 목록 갱신 주기가 사용자의 요구에 실시간으로 대응하지 못하며, 추천에 오류가 있을 경우 회복에 많은 시간이 걸린다는 문제점이 있다.

한편, 이동통신 시스템에서는 VOD(Video On Demand), MOD(Music On Demand)와 같은 실시간 스트리밍 또는 다운로드 형태의 다양한 컨텐츠에 대한 부가 서비스를 제공하고 있다. 이때 제공되는 컨텐츠는 통신 사업자 또는 통신 사업자와 연계된 컨텐츠 제공자에 의해 생성되어, 통신 사업자가 제공하는 포탈(Potal) 서버를 통해 단말기 사용자에게 제공되고 있다. 이를 위해 통신 사업자 및 컨텐츠 제공자는 다양한 사용자들이 공통으로 관심을 가질 수 있는 컨텐츠를 주로 생성하여 포탈 서버에 등록하고, 통신 사업자의 포탈 서버는 일정 부분의 정보 이용료를 지불하는 단말기 사용자에 대해 이동통신망을 통해 서비스를 제공하게 된다.

그런데, 무선 인터넷을 통하여 컨텐츠를 제공받는 이동통신 단말기에서 이러한 컨텐츠를 이용하기 위해 사용자는 컨텐츠 제공 서버에 접속하여 자신이 원하는 컨텐츠를 탐색하는 데 많은 시간과 통신비용을 부담하여야 한다.

또한, 종래 이동통신 단말기를 이용한 컨텐츠 관련 부가 서비스는 통신 사업자 및 컨텐츠 제공자에 의해 생성되고 서비스 되므로, 컨텐츠가 충분한 시장성을 갖기 위해서는 컨텐츠의 다양화를 기대할 수 없고, 이러한 이유로 인해 개인의 취향에 부합하는 특정 컨텐츠 서비스를 제공할 수 없는 문제점이 있다.

본 발명이 이루고자 하는 첫 번째 기술적 과제는 조회수, 인기도 등의 단편적인 정보에 의존하지 않고, 변화하는 사용자의 취향을 반영하여 사용자의 행동 패턴을 예측함으로써 사용자가 원하는 컨텐츠를 제시할 수 있는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치를 제공하는 데 있다.

본 발명이 이루고자 하는 두 번째 기술적 과제는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치에 적용되어 인기도 등의 단편적인 정보에 의존하지 않고, 변화하는 사용자의 취향을 반영하여 사용자가 원하는 컨텐츠를 제시함으로써 컨텐츠 추천 서비스의 실시간성을 극대화할 수 있는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법을 제공하는 데 있다.

상기의 첫 번째 기술적 과제를 이루기 위하여, 본 발명은 사용자의 로그인 정보를 포함하는 현재 패턴 데이터를 수집하여 분석하는 사용자 정보 분석부; 상기 사용자가 선택하거나 구매한 컨텐츠와 관련된 데이터를 수집하여 분석하는 컨텐츠 정보 분석부; 상기 사용자 정보 분석부 및 상기 컨텐츠 정보 분석부에서 분석된 결과를 이용하여 행태 분석 및 시간 분석을 수행하여 하나 이상의 클러스터링 클래스를 출력하는 AIRAS; 상기 출력된 클러스터링 클래스에 대응하는 컨텐츠의 정보를 컨텐츠 데이터베이스에서 추출하는 맞춤형 컨텐츠 생성부; 및 상기 클러스터링 클래스에 대응하는 사용자 그래픽 인터페이스를 구성하여 상기 컨텐츠와 함께 클라이 언트에 전송하는 맞춤형 인터페이스 생성부를 포함하는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치를 제공한다.

본 발명의 일 실시 예에서, 상기 사용자 정보 분석부는 맞춤형 상품 제공 장치에 연결되어, 상기 사용자가 선택하거나 구매한 상품에 대한 사용자 행태 분석 결과를 상기 맞춤형 상품 제공 장치로부터 수신하고, 상기 사용자 행태 분석 결과와 상기 현재 패턴 데이터를 클러스터링 알고리즘에 적용하여 사용자 분석을 수행한다.

본 발명의 일 실시 예에서, 상기 컨텐츠 정보 분석부는 컨텐츠 랭킹 장치와 연결되어, 상기 컨텐츠 랭킹 장치가 산출하는 컨텐츠 인기 순위를 반영하는 컨텐츠 분석을 수행한다.

본 발명의 일 실시 예에서, 상기 사용자 정보 분석부 및 상기 컨텐츠 정보 분석부로부터 상기 분석된 결과를 수신하고, 상기 분석된 결과와 함께 상기 컨텐츠 질의를 상기 AIRAS에 전달하며, 상기 AIRAS로부터 상기 클러스터링 클래스를 수신하여 상기 맞춤형 컨텐츠 생성부 및 상기 맞춤형 인터페이스 생성부에 전달하는 AIRAS 연동부를 더 포함할 수 있다.

본 발명의 일 실시 예에서, 상기 AIRAS는 상기 사용자의 속성 및 상기 컨텐츠의 속성들 사이의 관계를 설정하는 속성 매칭부; 상기 사용자의 속성 및 상기 컨텐츠의 속성들 각각의 가치를 측정하고 상기 설정된 관계에 대한 가치를 계산하는 가치 측정부; 상기 사용자가 컨텐츠마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 가치 측정부에서 계산된 가치에 가중치를 부여하는 시간 분석부; 및 상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 클러스터링부를 포함할 수 있다.

본 발명의 다른 실시 예에서, 상기 AIRAS는 상기 사용자를 포함한 복수의 사용자들이 클릭한 대상 및 사용자들이 웹이나 네트워크에서 이동한 경로에 대한 기록을 바탕으로 상기 사용자들의 관심사에 대한 가치를 측정하며, 상기 사용자들의 공통 관심사를 측정하는 가치 측정부; 및 상기 가치 측정부에서 상기 측정된 공통 관심사가 시간 분석부에 의해 가중치가 부여되면, 가중치가 부여된 값을 바탕으로 클러스터링을 수행하는 클러스터링부를 포함한다.

보다 구체적으로, 상기 클라이언트는 인터넷이나 네트워크에 접속할 수 있는 데스크탑 컴퓨터, 노트북 컴퓨터, PDA, PMP, 모바일 폰 중 적어도 하나일 수 있다.

본 발명의 다른 실시 예에서, 상기 맞춤형 컨텐츠 생성부는 상기 컨텐츠를 상기 클러스터링 클래스에 대응하는 화면 크기, 재생시간 및 포맷으로 변환한다.

본 발명의 또다른 실시 예에서, 상기 맞춤형 컨텐츠 생성부는 상기 클라이언트로부터 상기 컨텐츠에 대한 반응을 피드백받아 상기 컨텐츠의 상기 사용자에 대한 적합성 여부를 판단한다.

상기의 두 번째 기술적 과제를 이루기 위하여, 본 발명은 사용자의 로그인 정보를 포함하는 현재 패턴 데이터를 수집하여 사용자 분석을 수행하고, 사용자가 선택하거나 구매한 컨텐츠와 관련된 데이터를 수집하여 컨텐츠 분석을 수행하는 단계; 상기 사용자 분석 및 컨텐츠 분석의 결과에 기반한 행태 분석 및 시간 분석을 수행하여 하나 이상의 클러스터링 클래스를 출력하는 단계; 상기 출력된 클러스터 링 클래스에 대응하는 컨텐츠의 정보를 컨텐츠 데이터베이스에서 추출하는 단계; 및 상기 클러스터링 클래스에 대응하는 사용자 그래픽 인터페이스를 구성하여 상기 컨텐츠와 함께 클라이언트에 전송하는 단계를 포함하는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법을 제공한다.

본 발명의 일 실시 예에서, 상기 클러스터링 클래스를 출력하는 단계는 상기 사용자의 속성 및 상기 컨텐츠의 속성들 사이의 관계를 설정하는 단계; 상기 사용자의 속성 및 상기 컨텐츠의 속성들 각각의 가치를 측정하고 상기 설정된 관계에 대한 가치를 계산하는 단계; 상기 사용자가 컨텐츠마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 가치 측정부에서 계산된 가치에 가중치를 부여하는 단계; 및 상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 단계를 포함한다.

본 발명의 다른 실시 예는 상기 컨텐츠를 상기 클러스터링 클래스에 대응하는 화면 크기, 재생시간 및 포맷으로 변환하는 단계를 더 포함한다.

본 발명의 다른 실시 예에서, 상기 사용자 분석 및 컨텐츠 분석을 수행하는 단계는 상기 사용자가 선택하거나 구매한 상품에 대한 사용자 행태 분석 결과를 맞춤형 상품 제공 장치로부터 수신하고, 상기 사용자 행태 분석 결과와 상기 현재 패턴 데이터를 클러스터링 알고리즘에 적용하여 사용자 분석을 수행하는 단계를 포함한다.

본 발명의 다른 실시 예에서, 상기 사용자 분석 및 컨텐츠 분석을 수행하는 단계는 컨텐츠 랭킹 장치가 산출하는 컨텐츠 인기 순위를 반영하는 컨텐츠 분석을 수행하는 단계를 포함한다.

본 발명의 또다른 실시 예는 상기 클라이언트로부터 상기 컨텐츠에 대한 반응을 피드백받아 상기 컨텐츠의 상기 사용자에 대한 적합성 여부를 판단하는 단계를 더 포함한다.

본 발명에 의하면, 조회수, 인기도 등의 단편적인 정보에 의존하지 않고 변화하는 사용자의 취향을 반영하여 사용자의 행동 패턴을 예측함으로써, 평균적인 예측으로 알 수 없는 개별 사용자의 독특한 취향을 반영하여 컨텐츠를 추천할 수 있고, 컨텐츠 추천 서비스의 실시간성을 극대화할 수 있으며, 시간 분석을 적용하는 경우, 과거의 특정 컨텐츠가 과도하게 추천되는 것을 방지할 수 있어 컨텐츠 다양화에 기여할 수 있다.

이하에서는 도면을 참조하여 본 발명의 바람직한 실시 예를 설명하기로 한다. 그러나, 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다.

도 2a는 본 발명의 일 실시 예에 따라 인공지능에 기반한 랭킹 분석 장치(AIRAS)(100)와 연동하는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치(Customized Contents Feeding System, 이하 'CCFS')의 블록도이다.

사용자 정보 분석부(210) 및 컨텐츠 정보 분석부(220)는 사용자의 로그인 정보, 사용자가 선택하거나 구매한 컨텐츠와 관련된 자료를 수집한다. 이하에서 컨텐 츠는 영화, 애니메이션, 광고 동영상, 사용자 제작 동영상, TV 컨텐츠, 이미지, 음악, 플래시 기반의 애니메이션 등을 포함한다. 사용자 정보 분석부(210) 및 컨텐츠 정보 분석부(220)와 같은 자료 수집 모듈은 AIRAS 연동부(230)를 통해 AIRAS(100)와 네트워크로 연결될 수 있다.

사용자 정보 분석부(210)는 현재 패턴 수집 데이터를 수신하거나 생성한다. 현재 패턴 수집 데이터는 사용자가 클릭한 대상, 사용자가 웹이나 네트워크에서 이동한 경로 등에 대한 기록을 의미한다. 수집된 데이터는 AIRAS 연동부(230)를 통해 AIRAS(100)에 전달된다. 사용자 정보 분석부(210)에서 분석되는 것은 현재 웹이나 네트워크에 접속한 특정 사용자의 일시적인 패턴이다. 즉, 이러한 분석 결과에는 사용자의 각종 정보에 대한 히스토리가 반영되지 않는다.

사용자 정보 분석부(210)는 개인별 맞춤형 상품 제공 장치(Customized Product Recommendation System, 이하 'CPRS')와 연결될 수 있다. CPRS는 사용자의 행동 패턴을 예측하여 실시간으로 개인의 선호나 취향에 최적화된 상품 정보를 제공한다. 본 발명의 일 실시 예에 따른 CCFS는 CPRS에서 분석된 사용자의 구매 행동 패턴, 웹 서핑 패턴 등의 정보를 수신하여 현재 컨텐츠 수집 데이터와 함께 사용자의 성향을 분석하는데 이용할 수 있다. 사용자 정보 분석부(210)는 사용자 데이터베이스(211)과 연결될 수 있다. 사용자 데이터베이스(211)는 사용자의 프로파일 정보를 저장한다. 사용자의 프로파일은 연령, 성별, 주소, 직업, 취미 등을 포함한다.

컨텐츠 정보 분석부(220)는 현재 컨텐츠 수집 데이터를 수신하거나 생성한 다. 현재 컨텐츠 수집 데이터는 사용자가 클릭한 컨텐츠에 대한 정보, 컨텐츠를 클릭하지 않은 경우에는 최근 유행 컨텐츠에 대한 정보 등을 포함한다. 컨텐츠 정보 분석부(220)는 컨텐츠들의 조회수 순위를 나타내는 인기 컨텐츠 데이터나 추천수가 많은 순위를 나타내는 우수 컨텐츠 데이터를 수신하여 현재 컨텐츠 수집 데이터와 함께 컨텐츠 분석에 적용한다. 이를 위해 컨텐츠 정보 분석부(220)는 컨텐츠 랭킹 장치와 연결되어 컨텐츠 랭킹 장치가 산출하는 컨텐츠 인기 순위를 수신할 수 있다. 수집된 데이터는 AIRAS 연동부(230)를 통해 AIRAS(100)에 전달된다.

컨텐츠 정보 분석부(220)는 컨텐츠 데이터베이스(221)과 연결될 수 있다. 컨텐츠 데이터베이스(221)는 컨텐츠몰 사이트나 포탈 사이트에서 취급하는 모든 컨텐츠 또는 일부의 컨텐츠에 대한 프로파일 정보를 저장한다.

AIRAS 연동부(230)는 사용자 정보 분석부(210) 및 컨텐츠 정보 분석부(220)에서 수집되고 분석된 결과와 함께 컨텐츠 질의를 질의 분석부(120)에 전달한다. AIRAS(100)는 사용자 분석의 결과와 컨텐츠 분석의 결과를 서로 매칭하여 사용자의 성향이나 선호가 어떤 종류의 컨텐츠와 대응되는지 분석한다.

이하에서는 AIRAS(100)의 동작에 대해 설명한다.

질의 분석부(120)는 입력된 질의(외부 검색 엔진에서 입력되는 질의어, AIRAS 연동부(230)에서 수신되는 질의 명령 등)를 분석하여 질의 내용을 분한다. 질의 분석을 통해서 검색되어야 할 오브젝트, 시간, 관계, AIRAS(100)의 동작(분석, 입력, 검색 등)이 결정된다. 질의 분석부(120)는 인터넷 상에서의 다른 객체와 연결되는 인터페이스의 역할을 수행한다. 그러나, 당업자의 필요에 따라 질의 분석 부(120)를 생략하고, 행태 분석부(130)를 기기간 인터페이스로 사용하거나 질의 분석 기능을 행태 분석부(130)에 병합시킬 수도 있다.

여기서, 질의 명령은 AIRAS(100)와 사전에 약속된 코드를 포함한다. 그러나, 네이버 기타 검색엔진과 연동하는 경우에는 약속되지 않은 코드 또는 일반적인 문장을 포함할 수 있다. 이 경우, 이를 질의 명령의 형태로 변환하는 것이 질의 분석부(120)이다. 예를 들어, AIRAS(100)에 "나는 최근 유행하는 컨텐츠 중 Top 컨텐츠를 찾고 있다." 라는 질의가 입력되면, "최근 유행", "컨텐츠 Top 검색" 등과 같은 단순화된 질의 명령이 도출될 수 있다.

행태 분석부(130)는 사용자 정보 분석부(210) 및 컨텐츠 정보 분석부(220)에서 수집된 자료들을 미리 정의된 행태 분석 메타데이터와 매칭하여 분석한다. 오브젝트 속성 매칭부(140)는 오브젝트 별로 다양한 속성을 서로 매칭하여 측정 및 분석 한다. 가치 측정부(150)는 오브젝트의 속성 자체의 가치뿐만 아니라, 각 속성끼리의 관계에 대해 가치를 측정한다.

시간 분석부(160)는 시간에 따른 가중치를 부여하기 위해 시간 분석 결과를 가치 측정부(150)의 결과에 반영한다.

클러스터링부(170)는 시간 분석부(160)에서 출력되는 가중치가 부여된 속성들의 가치에 따라 클러스터링을 수행한다.

본 발명의 다른 실시 예에서, 클러스터링부(170)는 특정 사용자에 대한 분석 뿐만 아니라, 사용자들 간의 공통 관심 컨텐츠에 대한 분석을 수행한다. 이를 위해, 가치 측정부(150)는 사용자들 사이의 공통 관심사를 하나의 속성으로 설정하 여, 사용자들이 클릭한 대상, 사용자들이 웹이나 네트워크에서 이동한 경로 등에 대한 기록을 바탕으로 사용자들 사이의 공통 관심사를 수치로 측정한다. 클러스터링부(170)는 가치 측정부(150)에서 측정된 공통 관심사가 시간 분석부(160)에 의해 시간별 가중치가 부여되면, 가중치가 부여된 값을 바탕으로 클러스터링을 수행한다. 공통 관심사를 고려한 클러스터링은 컨텐츠 추천에 있어서, 특정 개인의 성향 이외에 공통된 집단 내의 성향을 고려할 수 있다는 장점이 있다.

출력부(180)는 클러스터링부(170)의 분석 결과를 사용자 정보 분석부(210) 및 컨텐츠 정보 분석부(220), 기타 인터넷 상의 디바이스에 전송한다.

데이터 저장 모듈(190)은 히스토리나 메타데이터를 저장 관리 한다. 데이터 저장 모듈(190)은 행태 분석부(130)의 행태 분석 결과, 클러스터링부(170)의 클러스터링 결과(예를 들어, 질의에 맞는 컨텐츠 분석 내용)을 저장한다.

AIRAS(100)의 동작에 따른 결과로 컨텐츠 질의에 매칭되는 하나 이상의 클러스터링 클래스가 출력된다. 한편, 도 1에서는 AIRAS(100)가 AIRAS 연동부(230)와 독립된 모듈로 도시되어 있으나, 당업자의 선택에 따라 AIRAS 연동부(230)와 일체화된 모듈 형태로 제작될 수도 있다.

AIRAS 연동부(230)는 상기 클러스터링 클래스를 수신하고, 수신한 클래스를 맞춤형 컨텐츠 생성부(240) 및 맞춤형 인터페이스 생성부(250)에 전달한다.

맞춤형 컨텐츠 생성부(240)는 상기 클래스에 따라 컨텐츠 데이터베이스(221)를 검색하여 사용자의 취향에 적합한 컨텐츠 정보를 추출한다. 맞춤형 컨텐츠 생성부(240)는 추출된 컨텐츠를 상기 클러스터링 클래스에 대응하는 화면 크기, 재생시 간 및 포맷으로 변환할 수 있다. 컨텐츠의 화면 크기, 재생시간, 포맷 등도 사용자의 취향을 고려하여 조절해주기 위함이다.

맞춤형 컨텐츠 생성부(240) 클라이언트(290)로부터 상기 컨텐츠에 대한 반응을 피드백받아 상기 컨텐츠의 사용자에 대한 적합성 여부를 판단할 수 있다. 여기서, 맞춤형 컨텐츠로 제시된 컨텐츠가 사용자에 의해 선택되지 않거나 추천되지 않거나, 추천하지 않는다는 정보가 입력되는 등의 경우 해당 컨텐츠의 속성을 AIRAS(100)의 분석 과정에 반영할 수 있다.

맞춤형 인터페이스 생성부(250)는 미리 저장된 복수의 인터페이스 중 상기 클래스에 대응하는 하나의 인터페이스를 선택한다. 또한, 맞춤형 인터페이스 생성부(250)는 선택된 인터페이스를 상기 컨텐츠 정보를 표시할 수 있는 형태로 변형할 수도 있다. AIRAS(100)에 의해 출력되는 클래스와 특정 인터페이스 사이의 대응 관계는 CCFS의 학습에 따라 결정되거나 갱신될 수 있다. 본 발명의 다른 실시 예에 따른 CCFS는 클라이언트(290)에 컨텐츠 정보 및 인터페이스를 제공한 후, 클라이언트(290)가 제공된 컨텐츠 정보를 조회하는지 여부에 따라 해당 사용자의 취향이 제공된 인터페이스에 호의적인지 판단할 수 있다. 이를 위해, 본 발명의 다른 실시 예에 따른 CCFS는 맞춤형 컨텐츠 및 맞춤형 인터페이스의 제공 이후에도 클라이언트(290)로부터의 피드백을 모니터링할 수 있다. 여기서, 클라이언트(290)는 인터넷이나 기타 네트워크에 접속할 수 있는 데스크탑 컴퓨터, 노트북 컴퓨터, PDA, PMP, 모바일 폰 등일 수 있다.

도 2b는 상품에 기반한 사용자의 성향이나 선호에 대한 분석 결과를 제공하 는 CPRS의 상세 블록도이다.

사용자 정보 분석부(310) 및 상품 정보 분석부(220)는 사용자의 로그인 정보, 사용자가 선택하거나 구매한 상품과 관련된 자료를 수집한다. 이러한 자료 수집 모듈은 AIRAS 연동부(330)를 통해 AIRAS(100)와 네트워크로 연결될 수 있다. 현재 패턴 수집 데이터는 사용자가 클릭한 대상, 사용자가 웹이나 네트워크에서 이동한 경로 등에 대한 기록을 의미한다. 현재 상품 수집 데이터는 사용자가 클릭한 상품에 대한 정보, 상품을 클릭하지 않은 경우에는 최근 유행 상품에 대한 정보 등을 포함한다. 수집된 데이터는 AIRAS 연동부(230)를 통해 AIRAS(100)에 전달된다.

사용자 정보 분석부(310)는 쇼핑몰 등의 사용자 데이터베이스(311)와 연결될 수 있다. 사용자 데이터베이스(311, 321)는 사용자의 프로파일 정보를 저장한다. 즉, 쇼핑몰 회원이나 포탈 사이트 회원의 프로파일로서 연령, 성별, 주소, 직업, 취미 등을 포함할 수 있다.

상품 정보 분석부(320)는 상품 데이터베이스(321)과 연결될 수 있다. 상품 데이터베이스(321)는 쇼핑몰 사이트나 각종 경매 사이트에서 취급하는 모든 상품 또는 일부의 상품에 대한 프로파일 정보를 저장한다.

AIRAS 연동부(330)는 사용자 정보 분석부(310) 및 상품 정보 분석부(320)에서 수집되고 분석된 결과와 함께 상품 질의를 AIRAS(100)에 전달한다.

AIRAS(100)는 현재 사용자의 사용자 정보 및 현재 사용자가 조회, 구매하려는 상품 정보, 현재 사용자가 조회하는 리뷰와 관련된 상품 정보 등을 이용하여 사용자의 행태를 분석하고, 사용자의 행태, 상품 정보 등을 오브젝트로 설정하여 오 브젝트마다 가지고 있는 속성별 가치를 측정하며, 속성 간의 가치를 계산하고, 여기에 시간 분석에 따른 가중치를 부여함으로써, 사용자 성향에 최적화된 클러스터링 클래스를 출력한다. 이 클러스터링 클래스는 상품 질의에 대응하는 정보로서, 현재 사용자의 성향, 행동 패턴에 어울리는 상품의 속성들을 나타내는 일종의 인덱스일 수 있다.

AIRAS 연동부(330)는 상기 클러스터링 클래스를 수신하고, 상기 클래스에 대응하는 사용자의 취향, 선호도, 구매 행태, 행동 패턴에 대한 정보를 본 발명의 일 실시 예에 따른 CCFS(200)에 전송한다.

도 3은 본 발명의 또 다른 실시 예에 따라 컨텐츠몰 서버(410) 또는 포탈 서버(420)와 연동하는 CCFS의 블록도이다.

도 3에서는 복수의 클라이언트(291-299)가 인터넷을 통해 컨텐츠몰 서버(410)나 포탈 서버(420)에 접속한 경우를 가정한다. 클라이언트(291-299)는 컨텐츠몰 서버(410)나 포탈 서버(420)와 직접 접속되지 않고, 중간에 접속 서버, 캐시 서버, 중계 서버 등에 의해 간접적으로 연결될 수도 있다.

사용자 정보 분석부(210) 및 컨텐츠 정보 분석부(220)는 컨텐츠몰 서버(410)나 포탈 서버(420)로부터 사용자의 로그인 정보, 사용자가 선택하거나 구매한 컨텐츠와 관련된 자료를 수집한다. 이러한 자료 수집 모듈은 AIRAS 연동부(230)를 통해 AIRAS(100)와 네트워크로 연결될 수 있다.

사용자 정보 분석부(210)는 컨텐츠몰 서버(410)가 관리하는 사용자 데이터베이스(411)나 포탈 서버(420)가 관리하는 사용자 데이터베이스(421)와 연결될 수 있 다. 사용자 데이터베이스(411, 421)는 사용자의 프로파일 정보를 저장한다. 즉, 컨텐츠몰 회원이나 포탈 사이트 회원의 프로파일로서 연령, 성별, 주소, 직업, 취미 등을 포함할 수 있다.

사용자 정보 분석부(210)는 CPRS(300)로부터 수신되는 사용자의 취향, 선호도, 구매 행태, 행동 패턴에 대한 정보를 현재 패턴 수집 데이터, 사용자 데이터베이스(411, 421)의 사용자의 프로파일 정보를 이용하여 사용자 분석을 수행한다. 사용자의 성향을 하나 이상의 카테고리로 분류하기 위해 AIRAS(100)에 질의하는 방식을 이용할 수도 있다.

컨텐츠 정보 분석부(220)는 컨텐츠 랭킹 장치(430)와 연결되어 컨텐츠 랭킹 장치(430)가 산출하는 컨텐츠 인기 순위를 수신할 수 있다. 컨텐츠 정보 분석부(220)는 컨텐츠 데이터베이스(221)과 연결될 수 있다. 컨텐츠 데이터베이스(221)는 컨텐츠몰 사이트에서 취급하는 모든 컨텐츠 또는 일부의 컨텐츠에 대한 프로파일 정보를 저장한다.

컨텐츠 데이터베이스(221)는 컨텐츠몰 서버(410)가 직접 관리하는 형태일 수도 있고, 본 발명의 다른 실시 예에 따른 CCFS에 부속되는 형태일 수도 있다.

본 발명의 다른 실시 예에 따른 CCFS에 부속되는 형태인 경우에는 컨텐츠 데이터베이스(221)가 실제 컨텐츠몰 사이트나 포탈 사이트에서 취급하는 모든 컨텐츠를 커버할 수 없는 경우가 발생할 수 있다.

이 경우에, CCFS는 컨텐츠몰 사이트 또는 포탈 사이트가 취급하는 컨텐츠에 대한 정보를 컨텐츠몰 서버(410)나 포탈 서버(420)로부터 수신함으로써 컨텐츠 데 이터베이스(221)를 갱신할 수 있다. 또는 CCFS는 컨텐츠몰 사이트 또는 포탈 사이트에서 취급될 수 있는 컨텐츠의 유형을 제시할 수도 있다.

AIRAS 연동부(230)는 사용자 정보 분석부(210) 및 컨텐츠 정보 분석부(220)에서 수집되고 분석된 결과와 함께 컨텐츠 질의를 질의 분석부(120)에 전달한다.

AIRAS(100)는 상술한 바와 같이, 현재 사용자의 사용자 정보 및 현재 사용자가 조회, 시청, 구매하려는 컨텐츠 정보, 현재 사용자가 조회하는 리뷰와 관련된 컨텐츠 정보 등을 이용하여 사용자의 행태를 분석하고, 사용자의 행태, 컨텐츠 정보 등을 오브젝트로 설정하여 오브젝트마다 가지고 있는 속성별 가치를 측정하며, 속성 간의 가치를 계산하고, 여기에 시간 분석에 따른 가중치를 부여함으로써, 사용자 성향에 최적화된 클러스터링 클래스를 출력한다. 이 클러스터링 클래스는 컨텐츠 질의에 대응하는 정보로서, 현재 사용자의 성향, 행동 패턴에 어울리는 컨텐츠의 속성들을 나타내는 일종의 인덱스일 수 있다.

맞춤형 컨텐츠 생성부(240)는 상기 클래스를 컨텐츠 데이터베이스(221)과 대비하여 사용자의 취향에 적합한 컨텐츠 정보를 추출한다.

맞춤형 인터페이스 생성부(250)는 미리 저장된 복수의 인터페이스 중 상기 클래스에 대응하는 하나의 인터페이스를 선택하거나 난수 함수에 따라 인터페이스를 생성하되, 상기 클래스에 대응하는 인터페이스 요소를 부가하는 방식으로 맞춤형 인터페이스를 생성할 수 있다. 맞춤형 인터페이스는 화면에 표시되는 글자의 크 기, 색상, 폰트, 표시되는 메뉴의 배경색, 화면에 표시되는 객체들의 배치 형태를 사용자의 선호나 취향에 맞게 조절한 구성을 의미한다.

또한, 맞춤형 인터페이스 생성부(250)는 상기 컨텐츠 정보를 표시할 수 있는 형태로 선택된 인터페이스를 변형할 수 있다. 이 경우, 표시될 컨텐츠 정보에 적합하게 인터페이스를 변형해야 하므로 맞춤형 인터페이스 생성부(250)는 맞춤형 컨텐츠 생성부(240)의 출력을 수신한다.

맞춤형 인터페이스 생성부(250)는 맞춤형 인터페이스와 맞춤형 컨텐츠를 클라이언트(291-299)에 직접 전송하거나 컨텐츠몰 서버(410) 또는 포탈 서버(420)를 경유하여 클라이언트(291-299)에 전송할 수 있다.

클라이언트(291-299)에 맞춤형 인터페이스와 맞춤형 컨텐츠를 전송하는 경우에는 컨텐츠 중계 서버(440)나 웹캐시를 경유할 수도 있다.

도 4는 본 발명의 일 실시 예에 따른 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법의 흐름도이다.

먼저, CCFS에서 사용자의 로그인 정보, 사용자가 선택하거나 구매한 컨텐츠와 관련된 자료 등을 수집하고 분석한다(S450). 상술한 바와 같이, 사용자 분석에 CPRS의 분석 결과를 반영할 수도 있다. 컨텐츠 분석을 위해 사용되는 수집 데이터는 사용자가 클릭한 컨텐츠에 대한 정보, 컨텐츠를 클릭하지 않은 경우에는 최근 유행 컨텐츠에 대한 정보 등을 포함한다. 또한, 컨텐츠 분석을 위해 컨텐츠몰 사이트나 각종 경매 사이트에서 취급하는 컨텐츠들의 프로파일 정보를 이용할 수 있다. 사용자 정보와 컨텐츠 정보의 분석 결과는 사용자의 현재 패턴에 대한 정보, 사용 자가 관심을 가지고 있는 현재 컨텐츠에 대한 정보일 수 있다.

다음, 위에서 분석된 결과에 매칭되는 최적 클래스를 클러스터링 장치에 질의한다(S460). 여기서, 질의가 전달되는 클러스터링 장치는 상술한 AIRAS일 수도 있고, 그 밖에 사용자의 컨텐츠와 관련한 행태를 분석하고 여기에 시간 분석에 따른 가중치를 부여하는 클러스터링 장치일 수 있다.

컨텐츠 질의에 매칭되는 하나 이상의 클러스터링 클래스가 수신되면, 미리 구비된 컨텐츠 데이터베이스에서 상기 클래스에 대응하는 즉, 사용자의 선호나 취향에 어울리는 컨텐츠를 추출한다(S470).

마지막으로, 상기 수신된 클래스에 대응하는 인터페이스를 생성하고 이를 위에서 추출한 컨텐츠와 함께 클라이언트 디바이스에 표시한다(S480). 여기서, 클라이언트 디바이스는 인터넷이나 기타 네트워크에 접속할 수 있는 데스크탑 컴퓨터, 노트북 컴퓨터, PDA, PMP, 모바일 폰 등일 수 있다.

도 5는 도 3의 최적 클래스 질의 과정(S340)의 상세 흐름도이다.

먼저, 외부 통계자료 수집 모듈이나 검색 엔진으로부터 데이터를 입력받는다(S510). 이 과정은 경우에 따라 생략될 수 있다.

다음, AIRAS가 질의를 입력받는다(S520). 이 과정(S520)에서 상술한 질의 분석을 수행할 수 있다. AIRAS는 메타데이터를 이용하여 복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의한다. 여기서, 복수의 오브젝트는 의류, 잡화 등의 패션 제품, 일반 생활 용품, 디지털 컨텐츠 등일 수 있다.

다음, 입력받은 질의, 사용자가 접속한 정보 제공 페이지 상에서 사용자의 반응 정보 등에 기반하여 행태 분석을 수행하여 사용자의 행동 패턴을 추출한다(S530). 정보 제공 페이지는 일반적인 웹 페이지, 네트워크 상의 문서, 이들을 연결하는 링크 페이지, 모바일 접속이 가능한 사이트 등을 포함한다. 여기서, 반응 정보는 사용자의 로그인 정보, 사용자가 리뷰를 읽은 객체에 대한 정보, 사용자가 구매한 객체에 대한 정보, 사용자의 구매 횟수 정보, 객체마다 머문 시간 정보 또는 사용자가 입력한 게시물 내용 중 적어도 하나일 수 있다. 행태 분석의 대상이 되는 정보 제공 페이지는 특정 온라인 컨텐츠몰, 특정 포탈 사이트 등이 될 수 있다. 행태 분석에 따라 추출되는 행동 패턴은 사용자의 관심도, 구매력, 구매 성향, 주활동 시간, 구매 시간, 선호 브랜드 또는 선호 날씨 등을 포함하는 정보일 수 있다.

이후, 복수의 속성들 사이의 관계를 설정한다(S540). 이 과정(S540)에서, 이전에 속성들 사이에 설정된 관계에 대한 관계 히스토리 데이터에 기반하여 상기 관계를 설정할 수 있다.

다음, 정보 제공 페이지에 접속한 사용자에 대해, 복수의 속성들 각각의 가치를 측정한다. 또한, 이를 이용하여 복수의 속성들 사이의 관계에 대한 가치를 계산한다(S550).

가치 측정이 완료되면, 사용자가 정보 제공 페이지의 객체마다 머문 시간 또는 현재 시간 등, 사용자와 관련된 각종의 시간 데이터에 기반하여 시간 분석을 수행하여 위에서 계산된 가치에 가중치를 부여한다(S560). 보다 구체적으로, 사용자에 대해 누적된 머문 시간 또는 과거 및 현재의 주요 활동 시간 중 적어도 하나를 포함하는 시간 히스토리 데이터에 기반하여 위에서 계산된 가치에 부여할 가중치를 결정할 수 있다.

다음, 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 상기 질의에 대응하는 클러스터링 클래스를 추출한다(S570). 본 발명의 일 예에서는 클러스터링 클래스를 추출할 때, 사용자의 행동 패턴에 기반하여 데이터 마이닝을 함으로써 사용자의 취향에 보다 가까운 클러스터링 클래스를 추출할 수 있다. 본 발명의 다른 예에서는 클러스터링 클래스에 해당하는 객체(예를 들어, 쇼핑 아이템, 디지털 컨텐츠 등)을 추출할 수도 있다.

본 발명의 다른 실시 예에서, 복수의 사용자들의 관심사를 측정하고 상기 관심사들 사이의 관계인 공통 관심사를 측정하는 경우, 클러스터링 클래스를 추출하는 과정(S570)은 상술한 바와 같이, 사용자들의 공통 관심사를 클러스터링 알고리즘에 적용하는 과정일 수 있다.

이후, 클러스터링 클래스를 출력하고(S580), 위에서 분석된 여러 결과들을 히스토리 데이터로서 저장한다(S590). 이 과정들(S580, S590)은 필수적인 과정이 아니므로, 당업자의 필요에 따라 생략이 가능하다.

도 6은 도 5의 시간 분석 과정(S560)의 상세 흐름도이다.

먼저, 현재 시간에 따른 각종 관계 데이터를 결정한다(S661). 예를 들어, 사용자가 페이지에 머문 시간, 현재 시간이 주중, 주말, 요일, 공유일/휴일인지 등 환경 변수를 계산한다.

시간 클러스터링 메타데이터를 로드하고(S662), 과거에 측정 가치와 시간을 매칭했던 시간 히스토리 데이터를 로드한다(S663). 시간 히스토리 데이터는 해당 관계나 속성이 새로 추가된 것이 아닌 경우에 사용될 수 있다.

예를 들어, 컨텐츠의 조회수에 관련되어 가치 측정을 할 경우, 총 100 점 만점에 표 1과 같이 조회수에 대한 가중치를 부여 할 수 있다.

최근 1주일간 누적 조회수	50 점
1주전 1주일간 누적 조회수	30 점
2주전 1주일간 누적 조회수	10 점
3주전 1주일간 누적 조회수	5 점
4주전~2달간 누적 조회수	5 점
그외의 누적 조회수	0 점

표 1과 같이 가중치를 다르게 부여하여 조회수의 가치를 시간별로 다르게 측정할 수 있다.

전체 조회수의 합계로만 히트 컨텐츠를 출력 하는 경우에는 특정 시즌 동안 최대 조회수를 냈던 컨텐츠가 항상 탑 1순위에 올라올 수 있다. 그러나, 시간 히스토리 데이터를 사용하면, 시시 각각 변하는 개인의 취향을 적응적으로 트래킹할 수 있다.

즉, 최근 1~2주간의 조회수의 합계로만 히트 컨텐츠를 출력 하는 경우에는 특정 시즌에 최대 조회수를 냈던 컨텐츠가 순위와 관계 없이 2주후에는 순위 밖으로 밀려나게 된다. 컨텐츠의 공급자의 입장에서도 시간 히스토리 데이터를 사용함으로써 판매 가능성이 유력한 컨텐츠를 보다 정확히 판단 할 수 있다.

다음, 시간 분석을 위한 필수 요소(평균, 분산, 표준편차 등)을 계산한다(S664).

다음, 클러스터링 메타데이터에 결정되어 있는 내용에 따라 가치 측정 자료를 시간대별로 클러스터링한다(S665). 예를 들어, 현재 사용자는 주말에 교회 관련 웹서핑을 많이하고, 5시 경에는 저녁 식사에 메뉴에 대한 검색을 많이 한다는 식의 클러스터링 결과를 얻을 수 있다.

이후, 클러스터링 클래스별로 가중치를 계산한다(S666). 예를 들어, 현재 시간대, 오늘 요일 등 공통 변수에서 가중치가 높도록 계산할 수 있다.

다음, 가중치를 양자화하고(S667), 양자화된 가중치를 가치 측정 데이터에 반영한다(S668). 이에 따라, 가치 측정 데이터에 시간 요소를 반영할 수 있다.

도 6의 프로세스는 이미 측정된 가치 측정 데이터에 시간 분석 결과를 반영하는 부분이다. 현재 사용자가 회사인지 교회인지 집인지에 대한 정확한 정보를 파악할 순 없어도 사용자에 대한 행태 분석을 통해 현재 상황을 추정할 수 있으며, 추정된 결과를 가치 측정 데이터에 반영하여 현재 시간에 가장 알맞은 데이터를 추천할 수 있다.

도 7은 도 5의 클러스터링 과정(S570)의 상세 흐름도이다.

먼저, 오브젝트를 속성에 따라 구분 지어 데이터를 분류한다(S771).

다음, 관계별 측정된 가치를 분석한다(S772). 분석되는 가치에는 시간 분석에 따른 가중치가 반영되어 있다.

다음, 클러스터링 알고리즘(예를 들어, K-평균(K-means) 알고리즘, 나이브 베이즈 분류 (Naive Bayes classifier) 등)을 실행하여 관계별 측정된 가치의 분석 결과를 비슷한 가치끼리 정리 한다(S773).

도 9a는 K-평균 알고리즘의 예를 도시한 것이다. 먼저, 임의의 K개의 군집수를 결정하고, 각 군집에 초기치 또는 군집 중심을 1개씩 할당하여 위치 설정한다. 다음, 각각의 데이터에 대해 K개의 위치까지의 거리를 구하고 가장 가까운 군집에 소속시킨다(유클리드 거리를 이용). 이후, 군집으로 나뉘어진 데이터를 기준으로 새로운 군집 중앙의 위치를 최소가 되도록 재설정한다. 마지막으로, 새롭게 구한 군집 중앙의 위치가 기존과 동일하면 알고리즘 종료하고 다르면 두 번째부터 재수행한다. 이 과정을 통하여 K개의 군집으로 데이터를 구분하고 K값에 따라 클러스터링에 많은 영향을 받는다.

도 9b는 응집적 계층 클러스터링(Hierarchical agglomerative clustering)의 예를 도시한 것이다. 여기서, 컨텐츠가 갖는 속성들 간의 관계를 이용하여 속성간의 분류가 이루어진다.

이후, 클러스터링 알고리즘의 결과를 저장하고(S774), 정리된 결과를 통해 최종적인 클러스터링 클래스를 추출한다(S775).

도 8은 본 발명의 다른 실시 예에 따른 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법의 흐름도이다.

먼저, CCFS에서 CPRS의 사용자 행태 분석 결과를 수신한다(S810).

다음, CCFS에서 CPRS로부터 수신한 사용자 행태 분석 결과 및/또는 현재 사용자의 컨텐츠와 관련된 행동 패턴을 수집하여 사용자 분석을 수행한다(S830). 사용자 분석은 일 예로, 수신한 사용자 행태 분석 결과 및/또는 현재 사용자의 컨텐츠와 관련된 행동 패턴을 AIRAS에 질의하여 AIRAS가 클러스터링을 수행하게 함으로써 사용자가 어떤 카테고리(클래스)에 속하는지를 확인하는 방식으로 이루어 질 수 있다.

다음, CCFS에서 컨텐츠 분석을 수행하고, 분석된 결과(사용자 분석 결과, 컨텐츠 분석 결과)에 매칭되는 최적 클래스를 클러스터링 장치에 질의한다(S860).

컨텐츠 질의에 매칭되는 하나 이상의 클러스터링 클래스가 수신되면, 미리 구비된 컨텐츠 데이터베이스에서 상기 클래스에 대응하는 즉, 사용자의 선호나 취향에 어울리는 컨텐츠를 추출한다(S870). 이 과정에서, 클래스의 종류에 따라 컨텐츠를 변형/변환할 수도 있다. 즉, 추출된 컨텐츠를 상기 클러스터링 클래스에 대응하는 화면 크기, 재생시간 및 포맷으로 변환할 수 있다. 컨텐츠의 화면 크기, 재생시간, 포맷 등도 사용자의 취향을 고려하여 조절해주는 것이다.

다음, CCFS가 맞춤형 인터페이스 및 맞춤형 컨텐츠를 클라이언트 디바이스에 제공한 후, 사용자의 행동이나 컨텐츠에 대한 반응을 모니터링한다(S880). 여기서, 클라이언트 디바이스는 인터넷이나 기타 네트워크에 접속할 수 있는 데스크탑 컴퓨터, 노트북 컴퓨터, PDA, PMP, 모바일 폰 등일 수 있다. 모니터링 결과는 다음번 컨텐츠 추천에 반영하도록 한다(S880).

마지막으로, 사용자에 추천된 컨텐츠, 모니터링 결과 등을 히스토리 파일로 하여 저장해둔다(S890).

도 10a 내지 10d는 본 발명의 일 실시 예에 따른 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법을 실제 컨텐츠 제공 사이트에 적용한 예이다.

도 10a는 사용자 성향이나 선호도에 가장 근접하는 음악 컨텐츠만을 추출하여 컨텐츠의 정보를 화면에 표시한 예이다. 이때, 컨텐츠의 정보를 표시함에 있어서, 사용자의 성향이나 선호도에 대응하는 배경 이미지를 사용할 수도 있다. 컨텐츠의 정보에 각 컨텐츠에 대한 간단한 코멘트(인기도, 제작자 정보, 전문가 리뷰, 컨텐츠 재생 시간 등)가 부가될 수도 있다.

도 10b는 본 발명의 일 실시 예에 따른 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법을 사용자가 제작한 컨텐츠에 연동한 예이다.

왼쪽에는 사용자가 선호는 분야(예를 들어, 패션)에서 사용자의 성향(예를 들어, 유행 지향적, 진취적)에 따른 컨텐츠들의 리스트가 표시된다. 리스트에는 컨텐츠의 제목, 간단한 설명, 출처, 추천 정도 등이 표시된다. 또한, 오른쪽의 "컨텐츠 직접 제시"에는 해당 사용자가 가장 선호하는 것으로 판단되는 컨텐츠를 자동으로 재생한다. 도 10b에서는 CPRS에 대한 분석에서 해당 사용자가 특정 브랜드의 자동차를 선호하는 것으로 분석되었다고 가정하였다. 사용자는 자신에게 추천된 컨텐츠 외에 가장 인기가 있는 컨텐츠들을 "실시간 이유 동영상" 리스트에서 확인할 수도 있다.

도 10c는 본 발명의 일 실시 예에 따른 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법을 상품 리뷰 컨텐츠에 연동한 예이다.

본 발명의 일 실시 예에 따른 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법은 상업용 컨텐츠 뿐만 아니라, 사용자의 취향에 맞는 상품에 대한 상품 리뷰도 추천할 수 있다.

도 10d는 사용자의 성향이나 선호도에 따라 인터페이스를 구성하고 구성된 인터페이스에 맞춤형 컨텐츠를 표시하는 예를 도시한 것이다. 특히, 인터페이스의 디자인 뿐만 아니라, 화면 메뉴의 구성을 사용자의 성향에 매칭시킬 수도 있다.

본 발명은 소프트웨어를 통해 실행될 수 있다. 바람직하게는, 본 발명의 일 실시 예에 따른 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법을 컴퓨터에서 실행시키기 위한 프로그램을 컴퓨터로 읽을 수 있는 기록매체에 기록하여 제공할 수 있다. 소프트웨어로 실행될 때, 본 발명의 구성 수단들은 필요한 작업을 실행하는 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 프로세서 판독 가능 매체에 저장되거나 전송 매체 또는 통신망에서 반송파와 결합된 컴퓨터 데이터 신호에 의하여 전송될 수 있다.

컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는 ROM, RAM, CD-ROM, DVD±ROM, DVD-RAM, 자기 테이프, 플로피 디스크, 하드 디스크(hard disk), 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

본 발명은 도면에 도시된 일 실시 예를 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시 예의 변형이 가능하다는 점을 이해할 것이다. 그리고, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

본 발명은 사용자의 행동 패턴을 예측하여 실시간으로 개인의 선호나 취향에 최적화된 컨텐츠 정보를 제공할 수 있는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치 및 방법에 관한 것으로, 컨텐츠 제공 사이트, 컨텐츠 판매를 위한 포탈 사이트, 컨텐츠 제공 사이트 등에 적용되는 통계 분석 모듈, 시장 분석 모듈 등에 적용될 수 있고, 모바일과 기존 유선 망을 연결하여 개인화된 데이터를 생성하는 분석 모듈로 사용될 수도 있다.

도 2a는 본 발명의 일 실시 예에 따라 인공지능에 기반한 랭킹 분석 장치(AIRAS)와 연동하는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치의 블록도이다.

도 2b는 상품에 기반한 사용자의 성향이나 선호에 대한 분석 결과를 제공하는 CPRS의 상세 블록도이다.

도 3은 본 발명의 또 다른 실시 예에 따라 컨텐츠몰 서버 또는 포탈 서버와 연동하는 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치의 블록도이다.

도 5는 도 3의 최적 클래스 질의 과정의 상세 흐름도이다.

도 6은 도 5의 시간 분석 과정의 상세 흐름도이다.

도 7은 도 5의 클러스터링 과정의 상세 흐름도이다.

도 9a는 K-평균 알고리즘의 예를 도시한 것이고, 도 9b는 클러스터링의 예를 도시한 것이다.

Claims

사용자의 로그인 정보를 포함하는 현재 패턴 데이터를 수집하여 분석하는 사용자 정보 분석부;

상기 사용자가 선택하거나 구매한 컨텐츠와 관련된 데이터를 수집하여 분석하는 컨텐츠 정보 분석부;

상기 사용자 정보 분석부 및 상기 컨텐츠 정보 분석부에서 분석된 결과를 이용하여 행태 분석 및 시간 분석을 수행하여 하나 이상의 클러스터링 클래스를 출력하는 AIRAS;

상기 출력된 클러스터링 클래스에 대응하는 컨텐츠의 정보를 컨텐츠 데이터베이스에서 추출하는 맞춤형 컨텐츠 생성부; 및

상기 클러스터링 클래스에 대응하는 사용자 그래픽 인터페이스를 구성하여 상기 컨텐츠와 함께 클라이언트에 전송하는 맞춤형 인터페이스 생성부를 포함하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치.
제1항에 있어서,

상기 AIRAS는

상기 사용자를 포함한 복수의 사용자들이 클릭한 대상 및 사용자들이 웹이나 네트워크에서 이동한 경로에 대한 기록을 바탕으로 상기 사용자들의 관심사에 대한 가치를 측정하며, 상기 사용자들의 공통 관심사를 측정하는 가치 측정부; 및

상기 가치 측정부에서 상기 측정된 공통 관심사가 시간 분석부에 의해 가중치가 부여되면, 가중치가 부여된 값을 바탕으로 클러스터링을 수행하는 클러스터링부를 포함하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치.
제1항에 있어서,

상기 사용자 정보 분석부는

맞춤형 상품 제공 장치에 연결되어, 상기 사용자가 선택하거나 구매한 상품에 대한 사용자 행태 분석 결과를 상기 맞춤형 상품 제공 장치로부터 수신하고, 상기 사용자 행태 분석 결과와 상기 현재 패턴 데이터를 클러스터링 알고리즘에 적용하여 사용자 분석을 수행하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치.
제1항에 있어서,

상기 컨텐츠 정보 분석부는

컨텐츠 랭킹 장치와 연결되어, 상기 컨텐츠 랭킹 장치가 산출하는 컨텐츠 인기 순위를 반영하는 컨텐츠 분석을 수행하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치.
제1항에 있어서,

상기 사용자 정보 분석부 및 상기 컨텐츠 정보 분석부로부터 상기 분석된 결과를 수신하고, 상기 분석된 결과와 함께 상기 컨텐츠 질의를 상기 AIRAS에 전달하며, 상기 AIRAS로부터 상기 클러스터링 클래스를 수신하여 상기 맞춤형 컨텐츠 생성부 및 상기 맞춤형 인터페이스 생성부에 전달하는 AIRAS 연동부를 더 포함하고,

상기 AIRAS는

상기 사용자의 속성 및 상기 컨텐츠의 속성들 사이의 관계를 설정하는 속성 매칭부;

상기 사용자의 속성 및 상기 컨텐츠의 속성들 각각의 가치를 측정하고 상기 설정된 관계에 대한 가치를 계산하는 가치 측정부;

상기 사용자가 컨텐츠마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 가치 측정부에서 계산된 가치에 가중치를 부여하는 시간 분석부; 및

상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 클러스터링부를 포함하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치.
제1항에 있어서,

상기 맞춤형 컨텐츠 생성부는

상기 컨텐츠를 상기 클러스터링 클래스에 대응하는 화면 크기, 재생시간 및 포맷으로 변환하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치.
제1항에 있어서,

상기 맞춤형 컨텐츠 생성부는

상기 클라이언트로부터 상기 컨텐츠에 대한 반응을 피드백받아 상기 컨텐츠의 상기 사용자에 대한 적합성 여부를 판단하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 장치.
사용자의 로그인 정보를 포함하는 현재 패턴 데이터를 수집하여 사용자 분석을 수행하고, 사용자가 선택하거나 구매한 컨텐츠와 관련된 데이터를 수집하여 컨텐츠 분석을 수행하는 단계;

상기 사용자 분석 및 컨텐츠 분석의 결과에 기반한 행태 분석 및 시간 분석을 수행하여 하나 이상의 클러스터링 클래스를 출력하는 단계;

상기 출력된 클러스터링 클래스에 대응하는 컨텐츠의 정보를 컨텐츠 데이터베이스에서 추출하는 단계; 및

상기 클러스터링 클래스에 대응하는 사용자 그래픽 인터페이스를 구성하여 상기 컨텐츠와 함께 클라이언트에 전송하는 단계를 포함하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법.
제8항에 있어서,

상기 클러스터링 클래스를 출력하는 단계는

상기 사용자의 속성 및 상기 컨텐츠의 속성들 사이의 관계를 설정하는 단계;

상기 사용자의 속성 및 상기 컨텐츠의 속성들 각각의 가치를 측정하고 상기 설정된 관계에 대한 가치를 계산하는 단계;

상기 사용자가 컨텐츠마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 가치 측정부에서 계산된 가치에 가중치를 부여하는 단계; 및

상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 단계를 포함하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법.
제8항에 있어서,

상기 컨텐츠를 상기 클러스터링 클래스에 대응하는 화면 크기, 재생시간 및 포맷으로 변환하는 단계를 더 포함하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법.
제8항에 있어서,

상기 사용자 분석 및 컨텐츠 분석을 수행하는 단계는

상기 사용자가 선택하거나 구매한 상품에 대한 사용자 행태 분석 결과를 맞춤형 상품 제공 장치로부터 수신하고, 상기 사용자 행태 분석 결과와 상기 현재 패 턴 데이터를 클러스터링 알고리즘에 적용하여 사용자 분석을 수행하는 단계를 포함하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법.
제8항에 있어서,

상기 사용자 분석 및 컨텐츠 분석을 수행하는 단계는

컨텐츠 랭킹 장치가 산출하는 컨텐츠 인기 순위를 반영하는 컨텐츠 분석을 수행하는 단계를 포함하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법.
제8항에 있어서,

상기 클라이언트로부터 상기 컨텐츠에 대한 반응을 피드백받아 상기 컨텐츠의 상기 사용자에 대한 적합성 여부를 판단하는 단계를 더 포함하는 것을 특징으로 하는, 인공지능에 기반한 개인별 맞춤형 컨텐츠 제공 방법.
제8항 내지 제13항 중 어느 한 항의 방법을 컴퓨터 시스템에서 실행하기 위한 프로그램이 기록된, 컴퓨터 시스템이 판독할 수 있는 기록매체.