KR20160055930A - 연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법 - Google Patents

연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20160055930A
KR20160055930A KR1020167010232A KR20167010232A KR20160055930A KR 20160055930 A KR20160055930 A KR 20160055930A KR 1020167010232 A KR1020167010232 A KR 1020167010232A KR 20167010232 A KR20167010232 A KR 20167010232A KR 20160055930 A KR20160055930 A KR 20160055930A
Authority
KR
South Korea
Prior art keywords
social data
module
data
social
text
Prior art date
Application number
KR1020167010232A
Other languages
English (en)
Inventor
스튜어트 오가와
Original Assignee
시소모스 엘.피.
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 시소모스 엘.피. filed Critical 시소모스 엘.피.
Publication of KR20160055930A publication Critical patent/KR20160055930A/ko

Links

Images

Classifications

    • G06F17/30595—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F17/30699—
    • G06F17/30867—
    • G06F17/30876—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1813—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast for computer conferences, e.g. chat rooms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1859—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast adapted to provide push services, e.g. data channels
    • H04L29/08072—
    • H04L51/32—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
    • H04L67/22—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/30—Definitions, standards or architectural aspects of layered protocol stacks
    • H04L69/32—Architecture of open systems interconnection [OSI] 7-layer type protocol stacks, e.g. the interfaces between the data link level and the physical level
    • H04L69/322—Intralayer communication protocols among peer entities or protocol data unit [PDU] definitions
    • H04L69/329—Intralayer communication protocols among peer entities or protocol data unit [PDU] definitions in the application layer [OSI layer 7]

Abstract

본 발명의 시스템 및 방법은 소셜 데이터를 분석 및 커뮤니케이팅하기 위해 제공된다. 컴퓨팅 장치 또는 서버 시스템에 의해 행해지는 방법은 소셜 데이터를 획득하는 것 및 상기 소셜 데이터로부터 적어도 2개의 컨셉을 얻는 것을 포함한다. 적어도 2개의 컨셉 사이의 관계가 결정된다. 또한, 상기 방법은 관계를 이용하여 새로운 소셜 데이터 객체를 구성하는 스텝 및 상기 새로운 소셜 데이터 객체를 송신하는 스텝을 포함한다. 새로운 소셜 데이터 객체와 연관된 유저 피드백이 획득되고, 상기 컴퓨팅 장치 또는 서버 시스템은 유저 피드백을 이용하여 조정 코멘드를 컴퓨팅한다. 상기 조정 코멘드를 실행하는 스텝은 상기 방법에 사용되는 파라미터를 조정한다. 상기 조정 코멘드가 실행된 후, 상기 방법이 반복된다.

Description

연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법{SYSTEMS AND METHODS FOR ACTIVELY COMPOSING CONTENT FOR USE IN CONTINUOUS SOCIAL COMMUNICATION}
(관련출원의 상호 참조)
본 출원은 2013년 9월 19일자로 제출되고, 발명의 명칭이 "연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법"인 미국 특허 가출원 제 61/880,027호의 우선권을 주장하며, 그들의 전체 내용은 본원에 참조로서 포함된다.
통상, 본 발명은 소셜 데이터의 커뮤니케이션에 사용되는 콘텐츠를 구성하는 것에 관한 것이다.
최근, 소셜 미디어는 개인과 소비자가 온라인(예를 들면, 인터넷) 상에서 소통할 수 있는 대중적인 방법이 되었다. 또한, 소셜 미디어는 기업이 그들의 고객, 팬 및 잠재 고객과 온라인 상에서 소통하기 위한 방식에도 영향을 미쳤다.
일반적으로, 개인 또는 개인들은 메시지(예를 들면, 기사, 온라인 포스트, 블로그, 코멘트 등)의 작성, 비디오 생성, 또는 오디오 트랙의 생성에 의해 소셜 미디어를 생성한다. 이러한 과정은 어렵고 시간이 많이 소요될 수 있다.
이어서, 실시형태를 첨부된 도면을 단지 예시로서 참조하여 설명할 것이다.
도 1은 인터넷 또는 클라우드 컴퓨팅 환경, 또는 양쪽과 상호작용하는 소셜 커뮤니케이션 시스템의 블록도이다.
도 2는 컴퓨팅 시스템의 예시적 구성요소를 포함한 소셜 커뮤니케이션을 위한 컴퓨팅 시스템의 예시적 실시형태의 블록도이다.
도 3은 네트워크를 통해 서로 상호작용하여 소셜 커뮤니케이션 시스템을 형성하는 다수의 컴퓨팅 장치의 예시적 실시형태의 블록도이다.
도 4는 액티브 리시버 모듈, 액티브 컴포저 모듈, 액티브 트랜스미터 모듈과 소셜 애널리틱 신시사이저 모듈 사이의 데이터의 흐름 및 상호작용을 나타내는 개략도이다.
도 5는 새로운 소셜 데이터를 구성하고 이를 송신하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 6은 그것의 예시적 구성요소를 나타내는 액티브 리시버 모듈의 블록도이다.
도 7은 소셜 데이터를 수신하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 8은 그것의 예시적 구성요소를 나타내는 액티브 컴포저 모듈의 블록도이다.
도 9a는 새로운 소셜 데이터를 구성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 9b는 도 9a에 기재된 동작에 따라 소셜 데이터를 조합하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 9c는 도 9a에 기재된 동작에 따라 소셜 데이터를 추출하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 9d는 도 9a에 기재된 동작에 따라 소셜 데이터를 생성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 10은 템플레이트 데이터베이스의 예시적 구성요소를 나타내는 블록도이다.
도 11은 오피니언 템플레이트의 예시적 실시형태이다.
도 12는 상기 오피니언 템플레이트를 파퓰레이팅하기 위해 사용되는 텍스트를 생성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 13은 뉴스 기사 템플레이트의 예시적 실시형태이다.
도 14는 상기 뉴스 기사 템플레이트를 파퓰레이팅하기 위해 사용되는 텍스트를 생성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 15는 실적 보도 자료 템플레이트의 예시적 실시형태이다.
도 16은 실적 비교 보고서를 생성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 17은 제품 보도 자료 템플레이트의 예시적 실시형태이다.
도 18은 제품 비교 보고서를 생성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 19는 사전 구성된 소셜 데이터 객체를 기초로 하여 새로운 소셜 데이터 객체를 구성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 20은 오디오 및 비디오 콘텐츠를 구성하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 21은 시간 내의 상이한 인스턴스에서 오버레이된 오디오 콘텐츠 및 비디오 화상의 예시적 실시형태의 개략도이다.
도 22는 그것의 예시적 구성요소를 나타내는 액티브 트랜스미터 모듈의 블록도이다.
도 23은 새로운 소셜 데이터를 송신하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 24는 그것의 예시적 구성요소를 나타내는 소셜 애널리틱 신시사이저 모듈의 블록도이다.
도 25는 액티브 리시버 모듈, 액티브 컴포저 모듈, 및 액티브 트랜스미터 모듈에 의해 구현되는 임의의 프로세스 동안에 행해지는 조정을 결정하기 위한 컴퓨터 실행 가능 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
설명의 간단성 및 명료성을 위해 적당하다고 생각되는 경우, 도면부호는 도면 중에서 상응 또는 유사한 요소를 나타내기 위해 반복될 수 있음이 이해될 것이다. 또한, 다수의 구체적 사항은 여기에 기재된 예시적 실시형태의 완전한 이해를 제공하기 위해 설명된다. 그러나, 이들 구체적 사항없이 여기에 기재된 예시적 실시형태가 실행될 수 있다는 것은 당업자에게 이해될 것이다. 그 외의 경우에는, 여기에 기재된 예시적 실시형태가 불명확해지지 않게 하기 위해서 잘 알려진 방법, 과정 및 구성 요소에 대해서는 상세하게 기재하지 않는다. 또한, 설명은 여기에 기재된 예시적 실시형태의 범위를 한정하는 것으로 생각되어서는 안된다.
본원에 설명된 제안된 시스템 및 방법은 소셜 데이터를 구성하는 것에 관한 것이다. 구성된 소셜 데이터는, 예를 들면 연속적인 소셜 커뮤니케이션의 콘텍스트에 사용될 수 있지만, 이들에 한정되지 않는다. 환언하면, 시스템 아키텍쳐 및 동작은 이하에 설명된 액티브 컴포저 모듈에 관한 것이고, 여기에 설명된 연속적인 소셜 커뮤니케이션 시스템과 사용될 수 있으며, 단독으로 사용되거나 여기에 기재되지 않은 다른 시스템과 함께 사용될 수 있다.
여기서, 소셜 데이터는 인터넷 등의 데이터 커뮤니케이션 네트워크를 통해서 사람들에 의해 보거나 들을 수 있는, 또는 둘다 가능한 콘텐츠를 가리킨다. 소셜 데이터는, 예를 들면 텍스트, 비디오, 그래픽, 및 오디오 데이터, 또는 이들의 조합을 포함한다. 텍스트의 예로는 블로그, 이메일, 메시지, 포스트, 기사, 코멘트 등이 포함된다. 예를 들면, 텍스트는 페이스북, 트위터, 링크드인, 핀터레스트, 기타 소셜 네트워킹 웹사이트, 잡지 웹사이트, 신문 웹사이트, 회사 웹사이트, 블로그 등과 같은 웹사이트에서 볼 수 있다. 또한, 텍스트는 웹사이트 상의 코멘트, RSS 피드 등에서 제공된 텍스트 등의 형태로 있을 수도 있다. 비디오의 예는 페이스북, 유튜브, 뉴스 웹사이트, 개인 웹사이트, 블로그(브이로그(vlog)라고도 칭함), 회사 웹사이트 등에서 볼 수 있다. 또한, 화상 등의 그래픽 데이터는 상기 아울렛을 통해 제공될 수 있다. 오디오 데이터는 상술한 오디오-캐스트, "팟 캐스트(Pod casts)", 온라인 라디오 스테이션 등의 각종 웹사이트를 통해 제공될 수 있다. 소셜 데이터는 다양한 형태로 변경될 수 있는 것이 이해된다.
여기서, 소셜 데이터 객체는 텍스트 기사, 비디오, 코멘트, 메시지, 오디오 트랙, 그래픽, 또는 상이한 타입의 데이터를 포함하는 믹스드 미디어 소셜 피이스(mixed-media social piece) 등의 소셜 데이터의 유닛을 가리킨다. 소셜 데이터의 스트림은 다수의 소셜 데이터 객체를 포함한다. 예를 들면, 사람들로부터의 일련의 코멘트에 있어서, 각각의 코멘트는 소셜 데이터 객체이다. 다른 예에 있어서, 일군의 텍스트 기사에 있어서, 각각의 기사는 소셜 데이터 객체이다. 또 다른 예에 있어서, 일군의 비디오에 있어서, 각각의 비디오 파일은 소셜 데이터 객체이다. 소셜 데이터는 적어도 하나의 소셜 데이터 객체를 포함한다.
기업 관점에서, 효율적인 소셜 커뮤니케이션은 중요한 문제로 인지된다. 트위터, 페이스북, 유튜브 등의 디지털 소셜 사이트들의 광범위한 도달 거리는, 커뮤니케이션의 실시간성, 상이한 언어의 사용, 및 상이한 커뮤니케이션 모드(예를 들면, 텍스트, 오디오, 비디오 등)는 기업들이 그들의 고객에게서 효과적으로 청취하고 커뮤니케이팅하는 것을 어렵게 한다. 너무 많은 양의 실시간 데이터 및 적절하지 않은 관련 정보를 갖는 웹사이트, 채널, 및 커뮤니케이션 모드의 수 증가는 기업들을 압도할 수 있다. 또한, 기업 내 의사를 결정하는 역할을 하는 사람들은 누가 무엇을 말하고 있는지, 무슨 커뮤니케이션 채널이 이용되고 있는지, 및 어떤 사람들에게서 듣는 것이 중요한지가 의문으로 남아있는 경우가 많은 것으로 인지된다.
통상, 개인 또는 개인들이 소셜 데이터를 생성하는 것으로 인지된다. 예를 들면, 개인은 메시지, 기사, 코멘트 등을 작성하거나 기타 소셜 데이터(예를 들면, 화상, 비디오, 및 오디오 데이터)를 생성함으로써 소셜 데이터를 생성한다. 이 생성 프로세스는 부분적으로 컴퓨터의 도움을 받는 경우도 있지만, 시간 소모적이고, 개인 또는 개인들의 노력이 요구된다. 통상, 개인은, 예를 들면 텍스트 메시지를 타이핑하고, 그래픽 또는 비디오, 또는 양쪽을 첨부하기 위해 다수의 컴퓨팅 코멘드를 입력한다. 개인이 소셜 데이터를 생성한 후, 그 개인은 웹사이트, 소셜 네트워크, 또는 또 다른 커뮤니케이션 채널에 상기 소셜 데이터를 배포해야할 필요가 있다. 또한, 이것은 개인의 입력이 요구되는 시간 소모적인 프로세스이다.
또한, 개인이 소셜 데이터를 생성하는 경우, 소셜 데이터가 배포되기 전, 그 개인은 다른 사람들이 소셜 데이터를 잘 수신할 수 있는지를 추정하는 방법을 갖고 있지 않다. 또한, 소셜 데이터가 배포된 후, 개인은 다른 사람들이 소셜 데이터를 잘 수신할 수 있는지를 평가하는 방법을 갖고 있지 않다. 또한, 많은 소프트웨어 및 컴퓨팅 기술은 개인이 다른 사람들으로부터의 피트백을 해석하기 위해 웹사이트를 조회하거나 보고서를 검토할 것을 요구한다.
또한, 사람들에게 흥미있는 소셜 데이터를 생성하는 것 및 어떤 사람들이 관심있는 소셜 데이터를 탐색하는지를 식별하는 것은 개인에게는 어려운 프로세스이고, 컴퓨팅 장치에 대해서는 더욱 그러하다. 통상, 컴퓨팅 기술은 관심의 토픽을 식별할 뿐만 아니라 토픽에 관심이 있을 수 있는 사람들을 식별하도록 개인의 입력을 필요로 한다. 또한, 많은 상이한 토픽을 포함하는 대량의 소셜 데이터를 생성하는 것은 어렵고 시간 소모적인 프로세스인 것이 인지된다. 또한, 짧은 시간 내에 대규모의 데이터 범위에 대하여 이러한 작업을 달성하는 것은 어렵다.
본 명세서에서 설명된 제안된 시스템 및 방법은 이들 문제 중 하나 이상을 해결한다. 본 발명의 제안된 시스템 및 방법은 하나 이상의 컴퓨팅 장치를 이용하여 소셜 데이터를 수신하고, 소셜 데이터 사이의 관계를 식별하고, 식별된 관계 및 수신된 소셜 데이터를 기초로 하여 새로운 소셜 데이터를 구성하고, 또한 새로운 소셜 데이터를 송신한다. 바람직한 예시적 실시형태에 있어서, 이들 시스템 및 방법은 자동화이고, 연속적인 동작시에 개인의 입력을 필요로 하지 않는다. 또 다른 예시적 실시형태에 있어서, 이들 시스템 및 방법의 동작을 맞춤화하기 위해 개인의 입력이 이용되는 경우가 있다.
본 발명의 제안된 시스템 및 방법은 이 프로세스시에 피드백을 획득하여 임의의 상술의 동작에 관한 컴퓨테이션을 개선시킬 수 있다. 예를 들면, 새롭게 구성된 소셜 데이터에 대한 피드백이 획득되고, 이 피드백은 어디에서 언제 새롭게 구성된 소셜 데이터가 송신되는지에 관한 파라미터를 조정하기 위해 사용될 수 있다. 또한, 이 피드백은 새로운 소셜 데이터를 구성하는데 이용되는 파라미터를 조정하고, 관계를 식별하는데 이용되는 파라미터를 조정하기 위해 사용될 수 있다. 또한, 이하 제안된 시스템 및 방법에 관한 상세 및 예시적 실시형태를 설명한다.
본 발명의 제안된 시스템 및 방법은 실시간 청취, 분석, 콘텐츠 구성 및 타깃 브로드캐스팅을 위해 이용될 수 있다. 시스템은, 예를 들면 실시간으로 데이터의 글로벌 데이터 스트림을 캡쳐한다. 스트림 데이터는 분석되어 콘텐츠 구성을 지능적으로 결정하고, 구성된 메시지를 누구에게, 무엇을, 언제, 및 어떻게 전송해야 하는지를 지능적으로 결정하는데 사용된다.
도 1에 따르면, 제안된 시스템(102)은 액티브 리시버 모듈(103), 액티브 컴포저 모듈(104), 액티브 트랜스미터 모듈(105), 및 소셜 애널리틱 신시사이저 모듈(106)을 포함한다. 시스템(102)은 인터넷 또는 클라우드 컴퓨팅 환경, 또는 양쪽(101)과 커뮤니케이팅한다. 클라우드 컴퓨팅 환경은 공용이어도 좋고 또는 사설이어도 좋다. 예시적 실시형태에 있어서, 이들 모듈은 함께 기능하여 소셜 데이터를 수신하고, 소셜 데이터 사이의 관계를 식별하고, 식별된 관계 및 수신된 소셜 데이터를 기초로 하여 새로운 소셜 데이터를 구성하고, 또한 새로운 소셜 데이터를 송신한다.
액티브 리시버 모듈(103)은 인터넷 또는 클라우드 컴퓨팅 환경, 또는 양쪽으로부터 소셜 데이터를 수신한다. 액티브 리시버 모듈(103)은 많은 데이터 스트림으로부터 소셜 데이터를 동시에 수신할 수 있다. 또한, 액티브 리시버 모듈(103)은 수신된 소셜 데이터를 분석하여 소셜 데이터 사이의 관계를 식별한다. 여기서, 아이디어, 사람들, 위치, 그룹, 회사, 단어, 숫자 또는 값의 유닛은 컨셉이라고 칭한다. 액티브 리시버 모듈(103)은 적어도 2개의 컨셉을 식별하고, 또한 적어도 2개의 컨셉 사이의 관계를 식별한다. 예를 들면, 액티브 리시버 모듈은 소셜 데이터의 발신자, 소셜 데이터의 소비자, 및 소셜 데이터의 콘텐츠 사이의 관계를 식별한다. 리시버 모듈(103)은 식별된 관계를 출력한다.
액티브 컴포저 모듈(104)은 관계 및 소셜 데이터를 이용하여 새로운 소셜 데이터를 구성한다. 예를 들면, 컴포저 모듈(104)은 소셜 데이터를 변형, 추출, 조합 또는 합성하거나, 또는 이들 기술을 조합하여 새로운 소셜 데이터를 구성한다. 액티브 컴포저 모듈(104)은 새롭게 구성된 소셜 데이터를 출력한다. 구성된 소셜 데이터는 시스템(102)에 의해 구성되는 소셜 데이터를 의미한다.
액티브 트랜스미터 모듈(105)은 적절한 커뮤니케이션 채널 및 소셜 네트워크를 결정하고, 그것을 통해 새롭게 구성된 소셜 데이터를 전송한다. 또한, 액티브 트랜스미터 모듈(105)은 새롭게 구성된 소셜 데이터와 연관된 트랙커를 이용하여 새롭게 구성된 소셜 데이터에 대한 피드백을 수신하도록 설정한다.
소셜 애널리틱 신시사이저 모듈(106)은 각각의 다른 모듈(103, 104, 105)로부터 소셜 데이터를 포함하지만, 이들에 한정되지 않는 데이터를 획득하여 그 데이터를 분석한다. 소셜 애널리틱 신시사이저 모듈(106)은 분석 결과를 이용하여 임의의 모듈(103, 104, 105 및 106)과 관련된 하나 이상의 각종 동작에 대한 조정을 생성시킨다.
예시적 실시형태에 있어서, 각 모듈의 다수의 인스턴스가 있다. 예를 들면, 다수의 액티브 리시버 모듈(103)은 상이한 지리적 위치에 위치되어 있다. 하나의 액티브 리시버 모듈은 북아메리카에 위치되어 있고, 또 다른 액티브 리시버 모듈은 남아메리카에 위치되어 있고, 또 다른 액티브 리시버 모듈은 유럽에 위치되어 있으며, 또 다른 액티브 리시버 모듈은 아시아에 위치되어 있다. 마찬가지로, 다수의 액티브 컴포저 모듈, 다수의 액티브 트랜스미터 모듈, 및 다수의 소셜 애널리틱 신시사이저 모듈이 있을 수 있다. 이들 모듈은 서로 커뮤니케이팅하고 상호간에 정보를 전송할 수 있다. 다수의 모듈은 데이터의 병렬 프로세싱 및 배포를 가능하게 한다. 또한, 각각의 지리적 지역에 배치되는 다수의 모듈은 지리적 지역에 특정된 소셜 데이터를 획득하고, 특정 지리적 지역의 유저가 소유한 컴퓨팅 장치(예를 들면, 컴퓨터, 랩탑, 모바일 장치, 태블릿, 스마트폰, 웨어러블 컴퓨터 등)에 소셜 데이터를 송신한다. 예시적 실시형태에 있어서에 있어서, 남아메리카에 있어서의 소셜 데이터는 그 지역 내에서 획득되고, 남아메리카 내의 컴퓨팅 장치에 송신되는 소셜 데이터를 구성하는데 사용된다. 또 다른 예시적 실시형태에 있어서, 소셜 데이터는 유럽에서 획득되고, 남아메리카에서 획득되며, 2곳의 지역으로부터의 소셜 데이터가 조합되고, 북아메리카에 있어서의 컴퓨팅 장치에 송신되는 소셜 데이터를 구성하는데 사용된다.
도 2에 따르면, 시스템(102a)의 예시적 실시형태를 나타낸다. 이해의 용이성을 위해, 접미부호 "a" 또는 "b" 등은 이전에 기재된 요소의 상이한 실시형태를 표기하는데 사용된다. 시스템(102a)은 컴퓨팅 장치 또는 서버 시스템이고, 프로세서 장치(201), 커뮤니케이션 장치(202) 및 메모리(203)를 포함한다. 커뮤니케이션 장치는 유선 또는 무선 네트워크, 또는 양쪽을 통해 커뮤니케이팅하도록 설정된다. 상기 액티브 리시버 모듈(103a), 상기 액티브 컴포저 모듈(104a), 상기 액티브 트랜스미터 모듈(105a), 및 상기 소셜 애널리틱 신시사이저 모듈(106a)은 소프트웨어에 의해 구현되고, 동일한 컴퓨팅 장치 또는 서버 시스템(102a) 내에 존재한다. 환언하면, 상기 모듈은 프로세싱, 커뮤니케이션 및 메모리 등의 컴퓨팅 리소스를 공유할 수 있다.
도 3에 따르면, 시스템(102b)의 또 다른 예시적 실시형태를 나타낸다. 시스템(102b)은 네트워크(313)를 통해 서로 커뮤니케이팅하도록 설정된 분리된 서버 시스템 또는 컴퓨팅 장치인 상이한 모듈(103b, 104b, 105b, 106b)을 포함한다. 구체적으로는, 액티브 리시버 모듈(103b)은 프로세서 장치(301), 커뮤니케이션 장치(302), 및 메모리(303)를 포함한다. 액티브 컴포저 모듈(104b)은 프로세서 장치(304), 커뮤니케이션 장치(305), 및 메모리(306)를 포함한다. 액티브 트랜스미터 모듈(105b)은 프로세서 장치(307), 커뮤니케이션 장치(308), 및 메모리(309)를 포함한다. 소셜 애널리틱 신시사이저 모듈(106b)은 프로세서 장치(310), 커뮤니케이션 장치(311), 및 메모리(312)를 포함한다.
도 3에는 단지 단일 액티브 리시버 모듈(103b), 단일 액티브 컴포저 모듈(104b), 단일 액티브 트랜스미터 모듈(105b) 및 단일 소셜 애널리틱 신시사이저 모듈(106b)만을 나타냈지만, 네트워크(313)를 이용하여 서로 커뮤니케이션할 수 있는 각 모듈의 다수의 인스턴스가 있을 수 있는 것이 이해될 수 있다. 도 1에 대하여 상술한 바와 같이, 각 모듈의 다수의 인스턴스가 있을 수 있고, 이들 모듈은 다른 지리적 위치에 위치될 수 있다.
시스템(102)의 컴퓨팅 구조를 구현하기 위한 다른 예시적 실시형태가 있을 수 있는 것이 이해될 수 있다.
본원에 기재된 원리와 함께 프로세서 장치, 커뮤니케이션 장치 및 메모리에 대한 공지된 기술이 이용될 수 있음이 이해된다. 공지된 프로세서에 대한 기술은 멀티코어 프로세서를 포함한다. 공지된 커뮤니케이션 장치에 대한 기술은 유선 및 무선 커뮤니케이션 장치의 양쪽을 포함한다. 공지된 메모리에 대한 기술은 디스크 드라이브 및 고상 드라이브를 포함한다. 컴퓨팅 장치 또는 서버 시스템의 예로는 전용의 랙 장착 서버, 데스크탑 컴퓨터, 랩탑 컴퓨터, 셋톱 박스, 및 각종 특성을 조합한 통합 장치를 포함한다. 컴퓨팅 장치 또는 서버는, 예를 들면 윈도우 서버, Mac OS, 유닉스, 리눅스, FreeBSD, 우분투 등의 운영 체제를 이용한다.
본원에 예시된 명령을 실행하는 임의의 모듈 또는 구성요소는 저장 미디어, 컴퓨터 저장 미디어, 또는 예를 들면, 자기 디스크, 광학 디스크, 또는 테이프 등의 데이터 저장 장치(분리형 및/또는 비분리형) 등의 컴퓨터 판독 가능 미디어에 대한 액세스를 포함하거나 가질 수 있다. 컴퓨터 저장 미디어는 컴퓨터 판독 가능 명령, 데이터 구조, 프로그램 모듈, 또는 다른 데이터 등의 정보의 저장에 대한 임의의 방법 및 기술로 구현되는 휘발성 및 비휘발성, 제거형 및 비제거형 미디어를 포함할 수 있다. 컴퓨터 저장 미디어의 예로는 RAM, ROM, EEPROM, 플래쉬 메모리 또는 기타 메모리 기술, CD-ROM, 디지털 다기능 디스크(DVD) 또는 기타 광학 저장, 자기 카세트, 자기 테이프, 자기 디스크 저장 또는 기타 자기 저장 장치, 또는 임의의 기타 매체를 포함하고, 이것은 애플리케이션, 모듈, 또는 양쪽에 의해 액세스될 수 있고, 소망의 정보를 저장하는데 이용될 수 있다. 이러한 임의의 컴퓨터 저장 미디어는 시스템(102)의 일부이거나 임의의 또는 각각의 모듈(103, 104, 105, 106)이거나, 그것에 액세스 또는 접속 가능할 수 있다. 본원에 설명된 임의의 애플리케이션 또는 모듈은 이러한 컴퓨터 판독 가능 미디어에 의해 저장되거나 유지될 수 있는 컴퓨터 판독 가능/실행 가능 명령을 이용하여 구현될 수 있다.
도 4에 따르면, 모듈 사이의 상호작용을 나타낸다. 시스템(102)은 데이터 스트림을 청취하고, 자동화된 지능적인 메시지를 구성하고, 자동화 콘텐츠를 론칭하고, 상기 론칭된 콘텐츠에 대해 사람들들이 말하는 것을 청취하도록 설정된다.
구체적으로는, 액티브 리시버 모듈(103)은 하나 이상의 데이터 스트림으로부터 소셜 데이터(401)를 수신한다. 데이터 스트림은 동시에 또한 실시간으로 수신될 수 있다. 데이터 스트림은 트위터, 페이스북, 유튜브, 링크드인, 핀트레스트, 블로그 웹사이트, 뉴스 웹사이트, 회사 웹사이트, 포럼, RSS 피드, 이메일, 소셜 네트워킹 사이트 등의 각종 소스로부터 기원할 수 있다. 액티브 리시버 모듈(103)은 소셜 데이터를 분석하고, 소셜 데이터 사이의 관계를 결정 또는 식별하고, 이들의 관계(402)를 출력한다.
특정 예에 있어서, 액티브 리시버 모듈(103)은 다른 소셜 미디어 소스로부터 특정 자동차 브랜드에 대한 소셜 데이터 및 특정 스포츠 팀에 대한 소셜 데이터를 획득한다. 액티브 리시버(103)는 자동차 브랜드와 스포츠 팀 사이에 관계가 있는지를 결정하도록 분석을 이용한다. 예를 들면, 관계는 자동차 브랜드의 바이어 또는 오너가 스포츠 팀의 팬인 것일 수 있다. 또 다른 실시예에 있어서, 관계는 자동차 브랜드의 광고를 시청하는 사람들과 스포츠 팀의 이벤트에 참석하는 사람들 사이에 높은 상관관계가 있는 것일 수 있다. 하나 이상의 관계가 출력된다.
액티브 컴포저 모듈(104)은 이들 관계(402)를 획득하고, 이들 관계에 대응하는 소셜 데이터를 획득한다. 액티브 컴포저 모듈(104)은 이들 관계 및 대응하는 데이터를 이용하여 새로운 소셜 데이터(403)를 구성한다. 또한, 액티브 컴포저 모듈(104)은 전체 메시지 또는 파생 메시지, 또는 양쪽을 자동으로 생성하도록 설정된다. 계속해서, 액티브 컴포저 모듈(104)은 소정의 타깃 오디언스에 맞춰진 각종 소셜 데이터를 이용하여 기계적으로 생성되는 적절한 또는 최적의 메시지를 추천하기 위한 애널리틱스를 적용할 수 있다.
특정 예를 계속하면, 액티브 컴포저 모듈(104)은 자동차 브랜드에 대한 기존의 텍스트 기사 및 스포츠 팀에 대한 기존의 텍스트 기사를 조합함으로써 새로운 텍스트 기사를 구성한다. 또 다른 실시예에 있어서, 액티브 컴포저 모듈은 자동차 브랜드에 대한 기존의 다른 기사를 요약함으로써 자동차 브랜드에 대한 새로운 기사를 구성하고, 새로운 기사에는 스포츠 팀에 대한 광고를 포함한다. 또 다른 실시예에 있어서, 각 토픽에 대한 소셜 데이터가 상이한 시간에 상이한 소스로부터 게시되지만, 액티브 컴포저 모듈은 스포츠 팀 및 자동차 브랜드의 양쪽에 대한 소셜 데이터 콘텐츠를 생성시키는 사람들을 식별하고, 이 소셜 콘텐츠를 새로운 소셜 데이터 메시지와 함께 조합한다. 또 다른 예시적 실시형태에 있어서, 액티브 컴포저 모듈은 스포츠 팀에 관한 비디오 데이터 및/또는 오디오 데이터와 자동차 브랜드에 관한 비디오 데이터 및/또는 오디오 데이터를 조합하여 새로운 비디오 데이터 및/또는 오디오 데이터를 구성할 수 있다. 다른 데이터 타입의 조합이 이용될 수 있다.
액티브 트랜스미터 모듈(105)은 새롭게 구성된 소셜 데이터(403)를 획득하고, 새롭게 구성된 소셜 데이터의 송신에 관한 다수의 요소 또는 파라미터를 결정한다. 또한, 액티브 트랜스미터 모듈(105)은 마커를 삽입 또는 추가하여 새롭게 구성된 소셜 데이터에 대한 사람들의 응답을 트랙킹한다. 송신 요소를 기초로 하여, 액티브 트랜스미터 모듈은 마커(404)와 함께 구성된 소셜 데이터를 송신한다. 액티브 트랜스미터 모듈은 구성된 소셜 데이터(405)에 관한 피드백을 수신하도록 설정되고, 피드백의 수집은 마커의 이용을 포함한다. 새롭게 구성된 소셜 데이터 및 임의의 연관된 피드백(406)은 액티브 리시버 모듈(103)에 전송된다.
자동차 브랜드 및 스포츠 팀과 관련된 특정 예를 계속하면, 액티브 트랜스미터 모듈(105)은 궤적 또는 송신 파라미터를 결정한다. 예를 들면, 자동차 브랜드 및 스포츠 팀에 관심이 있는 사람들에 의해 읽혀지도록 공지된 소셜 네트워크, 포럼, 메일링 리스트, 웹사이트 등은 송신 타깃으로서 식별된다. 또한, 스포츠 팀에 있어서, 게임 또는 매치와 같은 경쟁 이벤트 등의 스페셜 이벤트는 구성된 데이터가 송신되어야 하는 스케쥴 또는 타이밍을 결정하도록 식별된다. 또한, 타깃의 독자의 위치는 구성된 소셜 데이터의 언어 및 구성된 소셜 데이터가 송신되어야 하는 지역의 시간을 결정하는데 이용될 수 있다. 구성된 소셜 데이터가 조회되는 시간의 길이를 결정하는 타임 트랙커, 포워드의 수, 클릭의 수 등의 마커 등은 구성된 소셜 데이터에 대한 사람들의 반응 정보를 취합하는데 사용된다. 자동차 브랜드 및 스포츠 팀에 관한 구성된 소셜 데이터 및 연관된 피드백은 액티브 리시버 모듈(103)로 전송된다.
도 4를 계속하면, 액티브 리시버 모듈(103)은 구성된 소셜 데이터 및 연관된 피드백(406)을 수신한다. 액티브 리시버 모듈(103)은 이 데이터를 분석하여 임의의 관계 또는 상관관계가 있는지를 결정한다. 예를 들면, 피드백은 새롭게 구성된 소셜 데이터를 생성하기 위해 이용되는 관계가 정확한 것인지 부정확한 것인지를 결정 또는 확인하기 위해 사용될 수 있다.
자동차 브랜드 및 스포츠 팀과 관련된 특정 예를 계속하면, 액티브 리시버 모듈(103)은 구성된 소셜 데이터 및 연관된 피드백을 수신한다. 피드백이 사람들이 구성된 소셜 데이터에 대하여 긍정적 코멘트 및 긍정적 피드백을 제공하는 것을 나타내면, 액티브 리시버 모듈은 자동차 브랜드 및 스포츠 팀 사이의 관계가 정확하다고 결정한다. 액티브 리시버 모듈은 자동차 브랜드와 스포츠 팀 사이의 특정 관계와 연관된 레이팅 값을 증가시킬 수 있다. 액티브 리시버 모듈은 포지티브 피드백 때문에 자동차 브랜드 및 스포츠 팀에 관한 소셜 데이터를 보다 많이 마이닝하거나 추출할 수 있다. 피드백이 네거티브이면, 액티브 리시버 모듈은 자동차 브랜드와 스포츠 팀 사이의 관계를 수정 또는 폐기한다. 관계에 관한 레이팅은 감소될 수 있다. 예시적 실시형태에 있어서, 액티브 리시버는 특히 자동차 브랜드 및 스포츠 팀에 대한 소셜 데이터를 검색하는 것을 감소 또는 제한할 수 있다.
주기적으로, 또는 연속적으로, 소셜 애널리틱 신시사이저 모듈(106)은 다른 모듈(103, 104, 105)로부터 데이터를 획득한다. 소셜 애널리틱 신시사이저 모듈(106)은 그 데이터를 분석하여 어떤 조정이 모듈(106)을 포함하는 각 모듈에 의해 동작을 행하게 할 수 있는지를 결정한다. 각각의 모듈(103, 104 및 105)로부터 데이터를 획득함으로써, 소셜 애널리틱 신시사이저가 각각의 모듈(103, 104, 105)과 각각 비교하여 더욱 많은 콘텍스트 정보를 갖는 것이 이해될 수 있다.
자동차 브랜드 및 스포츠 팀에 관한 특정 예를 계속하면, 소셜 애널리틱 신시사이저 모듈(106)은 사람들이 새롭게 구성된 소셜 데이터 객체에서 사용된 제 1 언어와 상이한 제 2 언어가 사용된 새롭게 구성된 소셜 데이터 객체에 포지티브하게 응답하는 데이터를 획득한다. 이러한 정보는 액티브 트랜스미터 모듈(105) 또는 액티브 리시버 모듈(103), 또는 양쪽으로부터 획득될 수 있다. 따라서, 소셜 애널리틱 신시사이저 모듈은 액티브 컴포저 모듈(104)에 조정 코멘드를 전송하여 제 2 언어를 이용하는 자동차 브랜드 및 스포츠 팀에 대한 새로운 소셜 데이터를 구성한다.
또 다른 실시예에 있어서, 소셜 애널리틱 신시사이저 모듈(106)은 특정 지리적 근방(예를 들면, 우편 번호, 지역 번호, 도시, 지방 자치 단체, 주, 지방 등)으로부터, 자동차 브랜드 및 스포츠 팀에 관한 새롭게 구성된 소셜 데이터 객체에 대해, 포지티브 피드백이 있는 데이터를 획득한다. 이 데이터는 액티브 리시버 모듈(103) 또는 액티브 트랜스미터 모듈(105), 또는 양쪽으로부터의 데이터를 분석함으로써 획득될 수 있다. 이어서, 소셜 애널리틱 신시사이저는 조정 코멘드를 생성하여 액티브 리시버 모듈(103)에 전송하여 특정 지리적 근방에 대한 소셜 데이터를 획득한다. 특정 지리적 근방에 대한 소셜 데이터는, 예를 들면 최근의 지역 이벤트, 지역 단어 및 속어, 지역 속담, 지역 유명인, 및 지역 모임 명소를 포함한다. 소셜 애널리틱 신시사이저는 조정 코멘드를 생성하여 액티브 컴포저 모듈(104)로 전송하여 자동차 브랜드, 스포츠 팀 및 지리적 근방에 대한 소셜 데이터를 조합한 새로운 소셜 데이터를 구성한다. 소셜 애널리틱 신시사이저는 조정 코멘드를 생성하여 액티브 트랜스미터 모듈(105)로 전송하여 새롭게 구성된 소셜 데이터를 지리적 근방에 거주하는 사람들에게 전송하고, 또한 사람들이 이러한 소셜 데이터를 구독하거나 소비할 가능성이 있는 지속 시간 동안(예를 들면, 저녁, 주말 등)에 새롭게 구성된 소셜 데이터를 전송한다.
또한, 도 4를 계속하면, 각 모듈은 그들로부터 취합된 데이터를 학습하여 그들의 프로세스 및 의사결정 알고리즘을 개선시키도록 설정된다. 공지된 기계 학습 및 기계 지능 컴퓨테이션이 이용될 수 있다. 예를 들면, 액티브 리시버 모듈(103)은 피드백 루프(407)를 갖고, 액티브 컴포저 모듈(104)은 피드백 루프(408)를 갖고, 액티브 트랜스미터 모듈(105)은 피드백 루프(409)를 갖고, 소셜 애널리틱 신시사이저 모듈은 피드백 루프(410)를 갖는다. 이 방식에 있어서, 각 모듈에 있어서의 프로세스는 각각 연속적으로 개선되고, 또한 소셜 애널리틱 신시사이저 모듈(106)에 의해 전송되는 조정을 이용하여 개선될 수 있다. 모듈 기반 및 시스템 전체 기반에 대한 이 자가 학습은 시스템(102)이 인간의 개입없이 완전히 자동화될 수 있게 한다.
시스템(102)은 데이터가 더 제공되고 구성된 소셜 데이터를 전송하기 위한 시스템(102)에 의한 반복이 더욱 행해질수록 더욱 유효하고 효율적으로 된다.
이하, 시스템(102)의 다른 예시적 양태를 설명한다.
시스템(102)은 실시간으로 소셜 데이터를 캡쳐하도록 설정된다.
시스템(102)은 비즈니스, 또는 특정 개인 또는 단체에 관한 소셜 데이터를 실시간으로 분석하도록 설정된다.
시스템(102)은 특정 사람들 또는 특정 그룹을 타깃으로 하는 소셜 데이터를 실시간으로 생성 및 구성하도록 설정된다.
시스템(102)은 새롭게 구성된 소셜 데이터를 송신하기 위한 최고의 또는 적절한 시간을 결정하도록 설정된다.
시스템(102)은 선택의 또는 타깃의 사람들 또는 그룹에 도달하는 최고의 또는 적절한 소셜 채널을 결정하도록 설정된다.
시스템(102)은 사람들이 시스템(102)에 의해 전송되는 새로운 소셜 데이터에 대해 무엇을 말하는지를 결정하도록 설정된다.
시스템(102)은 매트릭 애널리틱스를 적용하여 소셜 커뮤니케이션 프로세스의 유효성을 결정하도록 설정된다.
시스템(102)은 연속적인 루프, 앤드-투-앤드 커뮤니케이션을 용이하게 하기 위해 분석 방법 및 파라미터, 소셜 데이터 콘텐츠, 송신 채널, 타깃 사람들, 및 데이터 스크랩핑 및 마이닝 프로세스를 결정 및 추천하도록 설정된다.
시스템(102)은, 예를 들면 마스터-슬레이브 배열을 이용하여 시스템 또는 모듈을 N개 추가하도록 설정된다.
시스템(102)은 다른 동작을 행할 수 있는 것이 이해될 것이다.
예시적 실시형태에 있어서, 소셜 커뮤니케이션을 제공하기 위해 시스템(102)에 의해 구현되는 컴퓨터 또는 프로세서 구현 명령은 소셜 데이터를 획득하는 것을 포함한다. 이어서, 시스템은 소셜 데이터로부터 얻어진 새로운 소셜 데이터 객체를 구성한다. 새로운 소셜 데이터 객체는 획득된 소셜 데이터와 정확하게 동일한 콘텐츠, 또는 획득된 소셜 데이터의 콘텐츠의 일부를 갖거나, 또는 획득된 소셜 데이터의 콘텐츠를 갖지 않는 것이 이해될 수 있다. 시스템은 새로운 소셜 데이터 객체를 송신하고, 새로운 소셜 데이터 객체와 연관된 피드백을 획득한다. 시스템은 피드백을 이용하여 조정 코멘드를 컴퓨팅하고, 조정 코멘드를 실행함으로써 시스템에 의해 행해지는 동작에 사용되는 파라미터를 조정한다.
예시적 실시형태에 있어서, 시스템은 액티브 리시버 모듈을 이용하여 소셜 데이터 객체를 획득하고, 액티브 컴포저 모듈은 송신용 액티브 트랜스미터 모듈에 소셜 데이터 객체를 패스한다. 소셜 데이터 객체가 송신에 적합한지, 만약 그렇다면 어떤 당사자에게 그리고 어떤 시간에 소셜 데이터 객체가 송신되어야 하는지를 결정하도록 컴퓨테이션 및 분석이 행해진다.
도 5에 소셜 커뮤니케이션을 제공하기 위한 컴퓨터 또는 프로세서 구현 명령의 또 다른 예시적 실시형태를 나타낸다. 명령은 시스템(102)에 의해 구현된다. 블록(501)에서, 시스템(102)은 소셜 데이터를 수신한다. 블록(502)에서, 시스템은 소셜 데이터 사이의 관계 및 상관관계를 결정한다. 블록(503)에서, 시스템은 관계 및 상관관계를 이용하여 새로운 소셜 데이터를 구성한다. 블록(504)에서, 시스템은 구성된 소셜 데이터를 송신한다. 블록(505)에서, 시스템은 구성된 소셜 데이터에 관한 피드백을 수신한다. 블록(505) 후에, 블록(506)에서, 시스템은 구성된 소셜 데이터에 관한 피드백을 이용하여 구성된 소셜 데이터의 송신 파라미터를 조정한다. 추가적으로, 또는 대안적으로, 블록(505) 후에, 블록(507)에서, 시스템은 구성된 소셜 데이터에 관한 피드백을 이용하여 수신된 소셜 데이터 사이의 관계 및 상관관계를 조정한다. 피드백을 기초로 하여 다른 조정이 이루어질 수 있는 것이 이해될 수 있다. 점선으로 나타낸 바와 같이, 프로세스 루프는 블록(501)으로 돌아가서 반복된다.
액티브 리시버 모듈
액티브 리시버 모듈(103)은 N개의 글로벌 데이터 스트림을 자동으로 및 동적으로 청취하고, 인터넷 사이트 또는 개인 네트워크, 또는 양쪽에 접속된다. 액티브 리시버 모듈은 불필요한 정보를 제거하는 분석 필터, 중요한 정보를 감지하는 기계 학습, 및 중요한 커뮤니케이션 및 소셜 트렌드를 신속하게 노출하기 위한 추천 엔진을 포함할 수 있다. 또한, 액티브 리시버 모듈은 액티브 컴포저 모듈(104), 액티브 트랜스미터 모듈(105), 및 소셜 애널리틱 신시사이저 모듈(106) 등의 다른 모듈과 통합될 수 있다.
도 6에 따르면, 액티브 리시버 모듈(103)의 예시적 구성요소를 나타낸다. 예시적 구성요소는 초기 샘플러 및 마커 모듈(601), 중간 샘플러 및 마커 모듈(602), 후기 데이터 저장 샘플러 및 마커 모듈(603), 애널리틱스 모듈(604), 및 관계/상관관계 모듈(605)을 포함한다.
획득된 소셜 데이터의 실시간 및 효과적인 분석을 용이하게 하기 위해, 상이한 레벨의 속도 및 입도를 이용하여 획득된 소셜 데이터를 프로세싱한다. 먼저, 모듈(601)은 더욱 빠른 속도 및 더욱 낮은 샘플링 레이트에서 초기에 샘플링 및 마킹하는데 사용된다. 이것은 액티브 리시버 모듈(103)이 실시간으로 일부 결과를 제공할 수 있게 한다. 모듈(602)은 모듈(601)에 대하여 더욱 느린 속도 및 더욱 높은 샘플링 레이트에서 획득된 데이터를 샘플링 및 마킹하는데 사용된다. 이것은 모듈(601)로부터 얻어지는 결과와 비교해서 다소 지연되지만, 액티브 리시버 모듈(103)이 모듈(602)로부터 얻어지는 결과를 보다 상세하게 제공하게 한다. 모듈(603)은 모듈(602)과 비교해서 비교적 느린 속도에서, 또한 모듈(602)과 비교해서 더욱 높은 샘플링 레이트에서 액티브 리시버 모듈에 의해 저장된 소셜 데이터를 모두 샘플링한다. 이것은 액티브 리시버 모듈(103)이 모듈(602)로부터 얻어지는 결과와 비교해서 모듈(603)로부터 얻어지는 결과를 보다 상세하게 제공하게 한다. 이것에 의해, 상이한 레벨의 분석이 서로 동시에 발생할 수 있어 초기 결과를 매우 빠르게 제공하고, 일부 지연된 중간 결과를 제공하고, 또한 더욱 지연된 후기 데이터 저장 결과를 제공할 수 있는 것이 이해될 수 있다.
또한, 샘플러 및 마커 모듈(601, 602, 603)은 이하를 포함하는 소셜 데이터와 연관된 다른 데이터를 식별 또는 추출한다: 예를 들면, 소셜 데이터가 공개되거나 포스트되는 시간 또는 날짜, 또는 양쪽; 해시태그; 트랙킹 픽셀; 웹 비컨, 트랙킹 버그, 태그, 또는 페이지 태그라고도 불리는 웹 버그; 쿠키; 디지털 시그니처; 핵심 단어; 소셜 데이터와 연관된 유저 및/또는 회사 식별; 소셜 데이터와 연관된 IP 주소; 소셜 데이터와 연관된 지리적 데이터(예를 들면, 지오 태그), 소셜 데이터로의 유저의 엔트리 패스; 인증; 소셜 데이터의 저자를 리딩하거나 팔로잉하는 유저(예를 들면, 팔로워); 소셜 데이터를 이미 소비한 유저 등. 이 데이터는 액티브 리시버 모듈(103) 및/또는 소셜 애널리틱 신시사이저 모듈(106)에 의해 사용되어 소셜 데이터 사이의 관계를 결정한다.
애널리틱스 모듈(604)은 소셜 데이터 및 이와 연관된 다른 데이터를 분석하기 위해 다양한 접근법을 이용할 수 있다. 분석은 관계, 상관관계, 친화도 및 역 관계를 결정하도록 행해진다. 이용될 수 있는 알고리즘의 비제한적 실시예는 인공 신경 네트워크, 최근접, 피어슨의 적률상관계수, 베이지안 통계, 결정 트리, 회귀 분석, 퍼지 이론, K-평균 알고리즘, 클러스터링, 퍼지 클러스터링, 몬테 카를로법, 학습 오토마타, 시간차 학습, 연역적 알고리즘, ANOVA법, 베이지안 네트워크 및 은닉 마코브 모델을 포함한다. 보다 일반적으로는, 공지된 분석 방법은 소셜 데이터 사이의 관계, 상관관계, 친화도, 및 역 관계를 식별하는데 이용될 수 있다. 애널리틱스 모듈(604)은, 예를 들면 모듈(601, 602, 및/또는 603)로부터 데이터를 획득한다.
2개의 컨셉 사이의 역 관계는, 예를 들면 제 1 컨셉에 대한 선호 또는 친화도가 제 2 컨셉에 대한 비선호 또는 반발과 관련되는 것이 이해될 것이다.
관계/상관관계 모듈(605)은 애널리틱스 모듈로부터의 결과를 이용하여 적어도 2개의 컨셉 사이의 관계를 특정하는 단어 및 값을 생성한다. 컨셉은 핵심 단어, 시간, 위치, 사람들, 비디오 데이터, 오디오 데이터, 그래픽 등의 임의의 조합을 포함할 수 있다.
또한, 관계 모듈(605)은 핵심 단어 버스트를 식별할 수 있다. 핵심 단어 또는 다수의 핵심 단어의 인기도가 시간의 함수로서 플롯팅된다. 애널리틱스 모듈은 핵심 단어 인기도 커브에 있어서의 버스트로서 흥미로운 시간 영역을 식별 및 마킹한다. 애널리틱스 모듈은 관심의 핵심 단어와 연관된 상관관계의 핵심 단어(예를 들면, 인기도 버스트를 갖는 핵심 단어)를 포함한다. 상관관계의 핵심 단어는 버스트와 동일한 시간 영역에서의 관심의 핵심 단어와 밀접하게 관련이 있다. 이러한 프로세스는 2009년 7월 10일자로 제출되고, 발명의 명칭이 "정보 발견 및 텍스트 분석을 위한 방법 및 시스템"인 미국 특허 출원 제12/501,324호에 상세하게 설명되어 있으며, 그들의 전체 내용은 본원에 참조로서 포함된다.
또한, 또 다른 예시적 양태에 있어서, 관계 모듈(605)은 토픽(예를 들면, 핵심 단어)과 그 핵심 단어에 관심이 있는 유저 사이의 관계를 식별할 수 있다. 관계 모듈은, 예를 들면 토픽의 전문가로 간주되는 유저를 식별할 수 있다. 소정의 유저가 정기적으로 토픽에 코멘트하고, 소정의 유저를 "팔로우(follow)"하는 많은 다른 유저가 있으면, 소정의 유저는 전문가로 간주된다. 또한, 관계 모듈은 전문가 유저가 관심을 갖는 기타 토픽을 식별할 수 있다(그 전문가 유저가 이들 기타 토픽의 전문가로 간주될 수 없을지라도). 관계 모듈은 소정의 유저가 팔로우하는 보조 유저의 수를 획득하고, 보조 유저가 전문가로 간주되는 토픽을 획득하고, 또한 소정의 유저가 이들 토픽을 연관시킬 수 있다. 또한, 관계 모듈은 전문가에 의해 사용되는 콘텐츠를 결정하고, 이것에 의해 전문가와 전문가의 팔로워 사이의 연관 및 관계, 및 콘텐츠를 생성한다. 상기 콘텐츠는, 예를 들면 제한없이 빈번하게 사용되는 핵심 단어, 빈번하게 사용되는 핵심 단어 쌍, 빈번하게 사용되는 해시태그, 및 빈번하게 사용되는 링크를 포함한다. 더욱 상세한 설명은 2013년 6월 21일자로 제출되고, 발명의 명칭이 "소셜 네트워크 데이터를 분석하기 위한 시스템 및 방법"인 미국 특허 출원 제61/837,933호에 설명되어 있으며, 그들의 전체 내용은 본원에 참조로서 포함된다.
또 다른 양태에 있어서, 상기 관계 모듈(605)은 소셜 데이터 네트워크에 있어서의 인플루언서를 식별할 수 있다. 여기서, 이용된 바와 같이, 용어 "인플루언서"는 토픽과 관련된 콘텐츠를 주로 생성하고, 공유하며, 소셜 데이터 네트워크에 있어서의 다른 유저에게 영향을 미치는 것으로 간주되는 유저 계정을 가리킨다. 여기서, 페이지랭크 알고리즘, 네트워크에 있어서의 웹사이트 페이지의 중요도를 측정하기 위해 구글에 의해 사용되는 공지된 알고리즘은 소셜 데이터 네트워크에 있어서의 유저의 중요도를 측정하기 위해 사용된다. 유저 계정은 페이지랭크 알고리즘을 이용하여 스코어링되어 그들의 영향을 결정한다. 환언하면, 유저가 갖는 팔로워의 수는 영향을 결정하기 위한 유일한 결정요인이 아니다. 예를 들면, 유저 에이미는 가장 많은 수의 팔로워(예를 들면, 데이브, 캐롤, 및 에디)를 갖고, 이 네트워크에 있어서의 가장 영향력 있는 유저(즉, 46.1%의 페이지랭크 스코어)이다. 유저 캐롤(5.6%의 페이지랭크 스코어)은 팔로워 데이브 및 에디를 갖는다. 또 다른 유저 브라이언(42.3%의 페이지랭크 스코어)은 1명의 팔로워만을 갖고, 그는 에이미이다. 브라이언은 1명의 팔로워(즉, 에이미)만을 갖고, 그는 2명의 팔로워를 갖는 캐롤보다 더욱 영향력이 있고, 이것은 주로 브라이언이 에이미의 마인드쉐어의 상당 부분을 갖기 때문이다. 환원하면, 캐롤이 브라이언보다 많은 팔로워를 갖지만, 그녀가 반드시 브라이언보다 큰 영향력을 갖는 것은 아니다. 예시적 실시형태에 있어서, 누가 유저의 팔로워인지를 식별하는 것은 영향력의 컴퓨테이션에 요인이 될 수 있다.
인플루언서와 유저의 커뮤니티 등의 다른 유저 사이의 관계가 획득된다. 인플루언서와 상기 인플루언서에 의해 생성되는 콘텐츠 사이의 관계, 또는 상기 유저의 인플루언서의 커뮤니티와 연관된 콘텐츠, 또는 양쪽이 획득된다.
도 7에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 액티브 리시버 모듈(103)에 따라 데이터를 수신 및 분석하기 위해 제공된다. 블록(701)에서, 액티브 리시버 모듈은 하나 이상의 소셜 데이터 스트림으로부터 소셜 데이터를 수신한다. 블록(702)에서, 액티브 리시버 모듈은 빠르고 낮은 정밀도 샘플링 레이트를 이용하여(예를 들면, 모듈(601)을 이용하여) 소셜 데이터를 초기에 샘플링한다. 블록(703)에서, 액티브 리시버 모듈은 ETL(추출, 변형, 로드) 프로세싱을 적용한다. ETL 프로세스의 제 1 파트는 소스 시스템으로부터 데이터를 추출하는 것을 포함한다. 변경 스테이지는 소스로부터 추출된 데이터에 일련의 룰 또는 함수를 적용하여 단말 타깃으로의 로딩을 위한 데이터를 얻는다. 로드 단계는 데이터를 메모리 등의 단말 타깃으로 로딩한다.
블록(704)에서, 액티브 리시버 모듈은 중간 정밀도 샘플링 레이트를 이용하여(예를 들면, 모듈(603)을 이용하여) 소셜 데이터를 샘플링한다. 블록(705)에서, 액티브 리시버 모듈은 높은 정밀도 샘플링 레이트를 이용하여(예를 들면, 모듈(603)을 이용하여) 소셜 데이터를 샘플링한다. 예시적 실시형태에 있어서, 초기의 샘플링, 중간의 샘플링 및 높은 정밀도 샘플링이 동시에 행해진다. 또 다른 예시적 실시형태에 있어서, 샘플링이 연속해서 일어난다.
도 7에 따르면, 소셜 데이터를 샘플링한 후(블록(702)), 액티브 리시버 모듈은 데이터 마커를 입력 또는 식별한다(블록(706)). 샘플링된 데이터(블록(707))를 분석하고, 샘플링된 데이터로부터 관계를 결정하고(블록(708)), 또한 상기 관계를 이용하여 조기 또는 초기 소셜 트렌딩 결과를 결정(블록(709))하도록 진행된다.
마찬가지로, 블록(704) 후, 액티브 리시버 모듈은 샘플링된 소셜 데이터에 있어서의 데이터 마커를 출력 또는 식별한다(블록(710)). 샘플링된 데이터를 분석하고(블록(711)), 샘플링된 데이터로부터 관계를 결정하고(블록(712)), 상기 관계를 이용하여 중간 소셜 트렌딩 결과를 결정(블록(713))하도록 진행된다.
또한, 액티브 리시버 모듈은 블록(705)으로부터 획득된 샘플링된 소셜 데이터(블록(714))에 있어서의 데이터 마커를 입력 또는 식별한다(블록(714)). 상기 샘플링된 데이터를 분석하고(블록(715)), 상기 샘플링된 데이터로부터 관계를 결정하고(블록(716)), 또한 상기 관계를 이용하여 높은 정밀도 소셜 트렌딩 결과(블록(717))를 결정하도록 진행된다.
예시적 실시형태에 있어서, 블록(706~709)에서의 동작, 블록(710~713)에서의 동작, 및 블록(714~717)에서의 동작이 동시에 일어난다. 그러나, 블록(708 및 709)으로부터의 관계 및 결과는 블록(712, 713, 716 및 717)으로부터의 관계 및 결과 전에 결정될 수 있다.
블록(706, 710 및 714)에서 설명된 데이터 마커는 예비 분석 및 샘플링된 데이터를 보조하고, 또한 관계를 결정하도록 돕는 것이 이해될 것이다. 데이터 마커의 예시적 실시형태는 데이터의 핵심 단어, 특정 이미지, 및 특정 소스(예를 들면, 권한자, 조직, 위치, 네트워크 소스 등)를 포함한다. 또한, 데이터 마커는 샘플링된 데이터로부터 추출되는 태그일 수 있다.
예시적 실시형태에 있어서, 데이터 마커는 샘플링된 데이터의 예비 분석을 실시함으로써 식별되고, 이것은 블록(707, 711 및 715)에 보다 상세하게 설명된 분석과 다르다. 데이터 마커는 트렌드 및 감성을 식별하기 위해 사용될 수 있다.
또 다른 예시적 실시형태에 있어서, 데이터 마커는 데이터의 특정 핵심 단어, 특정 이미지, 및 특정 소스의 감지를 기초로 하여 샘플링된 데이터로 입력된다. 특정 조직은 이 동작을 이용하여 특정 샘플링된 데이터로 데이터 마커를 입력할 수 있다. 예를 들면, SUV의 이미지가 샘플링 프로세스로부터 획득되는 경우, 또는 텍스트 메시지가 단어 "SUV", "Jeep", "4X4", "CR-V", "Rav4", 및 "RDX" 중 적어도 하나를 갖는 경우, 자동차 브랜딩 조직은 데이터 마커 "SUV"를 입력한다. 데이터 마커를 입력하기 위한 기타 룰이 사용될 수 있음이 이해될 수 있다. 또한, 입력된 데이터 마커는 분석 동작 및 관계를 결정하는 동작시에 사용되어 트렌드 및 감성을 감지할 수 있다.
이하, 액티브 리시버 모듈의 다른 예시적 양태가 제공된다.
액티브 리시버 모듈(103)은 하나 이상의 전자 데이터 스트림을 실시간으로 캡쳐하도록 설정된다.
액티브 리시버 모듈(103)은 비즈니스와 관련된 소셜 데이터를 실시간으로 분석하도록 설정된다.
액티브 리시버 모듈(103)은 텍스트를 하나의 언어로부터 다른 언어로 번역하도록 설정된다.
액티브 리시버 모듈(103)은 비디오, 텍스트, 오디오, 및 화상을 해석하여 비즈니스 정보를 생성하도록 설정된다. 비즈니스 정보의 비제한적 예는 감정 정보이다.
액티브 리시버 모듈(103)은 풍부한 비즈니스 정보를 제공하기 위하여, 수신된 소셜 데이터에 메타데이터를 적용하도록 설정된다. 메타데이터의 비제한적 예는 지오 데이터, 시간적 데이터, 비즈니스 주도 특징, 분석 주도 특징 등을 포함한다.
액티브 리시버 모듈(103)은 수신된 소셜 데이터 및 컴퓨팅된 정보를 이용하여 잠재적인 결과물 및 비즈니스 시나리오를 해석 및 예측하도록 설정된다.
액티브 리시버 모듈(103)은 수신된 소셜 데이터 및 메타데이터를 기초로 하여 유저 세그먼트 또는 타깃 그룹을 제안하도록 설정된다.
액티브 리시버 모듈(103)은 유저 세그먼트 또는 타깃 그룹과 포지티브 또는 네거티브적으로 상관관계에 있는 소셜 데이터 채널을 제안하거나 추천하도록 설정된다.
액티브 리시버 모듈(103)은 유저, 유저 세그멘트, 및 소셜 데이터 채널 등의 그룹핑을 상관 및 속성화하도록 설정된다. 예시적 실시형태에 있어서, 액티브 리시버 모듈은 패턴, 메타데이터, 특징 및 스테레오타입을 이용하여 유저, 유저 세그먼트 및 소셜 데이터 채널을 상관시킨다.
액티브 리시버 모듈(103)은 인간의 개입이 거의 없거나 인간의 개입없이 동작하도록 설정된다.
액티브 리시버 모듈(103)은 수신된 소셜 데이터 및 임의의 연관된 컴퓨팅된 데이터에 친화도 데이터 및 메타데이터를 할당하도록 설정된다. 예시적 실시형태에 있어서, 친화도 데이터는 친화도 분석으로부터 얻어지고, 이것은 특정 개인, 그룹, 회사, 위치, 컨셉, 브랜드, 장치, 이벤트, 및 소셜 네트워크에 의해 행해지는(또는 그것에 대해 기록되는) 활동 사이의 중복발생 관계를 포함하는 데이터 마이닝 기술이다.
액티브 컴포저 모듈
액티브 컴포저 모듈(104)은 사람들과 커뮤니케이팅하기 위한 소셜 데이터를 분석적으로 구성하고 생성하도록 설정된다. 이 모듈은 비즈니스 룰을 이용하고, 학습된 패턴을 개인화 콘텐츠에 적용할 수 있다. 액티브 컴포저 모듈은, 예를 들면 인간의 커뮤니케이션, 독특함, 속어, 및 방언을 모방하도록 설정된다. 이 모듈은 그 자체로 구성되는 다수의 소셜 데이터 피스 또는 객체를 평가하도록 설정되고(즉, 모듈(104)), 또한 랭크를 평가하고 분석을 기초로 하여 최적의 또는 적절한 반응을 추천하도록 설정된다. 또한, 액티브 컴포저 모듈은 액티브 리시버 모듈(103), 액티브 트랜스미터 모듈(105), 및 소셜 애널리틱 신시사이저 모듈(106) 등의 기타 모듈과 통합할 수 있다. 액티브 컴포저 모듈은 개인화된 콘텐츠 메시지의 다수의 버전을 기계 생성하여 타깃 오디언스에 대한 적절한 또는 최적의 해결방안을 추천할 수 있다.
도 8에 따르면, 액티브 컴포저 모듈(104)의 예시적 구성요소를 나타낸다. 예시적 구성요소는 텍스트 컴포저 모듈(801), 비디오 컴포저 모듈(802), 그래픽/화상 컴포저 모듈(803), 오디오 컴포저(804), 애널리틱스 모듈(805), 템플레이트 모듈(806) 및 추천 엔진 모듈(807)을 포함한다. 컴포저 모듈(801, 802, 803 및 804)은 개별적으로 작동하여 그들의 각각의 미티어 타입으로 새로운 소셜 데이터를 구성할 수 있고, 또는 함께 동작되어 믹스드 미디어 타입으로 새로운 소셜 데이터를 구성할 수 있다. 또한, 이들 컴포저 모듈은 애널리틱스 모듈, 템플레이트 모듈 및 추천 엔진모듈과 함께 동작될 수 있다.
애널리틱스 모듈(805)을 사용하여 출력된 소셜 데이터를 분석하고, 구성 프로세스에 대한 조정을 식별하고, 구성 프로세스에 대한 조정을 행하도록 코멘드를 생성한다.
템플레이트 모듈(806)은 템플레이트를 저장하고, 상기 템플레이트를 적용하여 새로운 소셜 데이터 객체를 구성하는 것을 보조한다. 상기 템플레이트는 텍스트, 비디오, 그래픽, 또는 오디오, 또는 그들의 조합에 적합할 수 있다.
추천 엔진 모듈(807)은 최근에 구성된 소셜 데이터 객체를 시험하여 새로운 소셜 데이터 객체를 구성하기 위한 추천된 콘텐츠를 결정한다.
도 9a에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 모듈(104)에 따라서 소셜 데이터를 구성하기 위해 제공된다. 액티브 컴포저 모듈은, 예를 들면 액티브 리시버 모듈(103)로부터 소셜 데이터를 획득한다(블록(901)). 이어서, 액티브 컴포저 모듈은 획득된 소셜 데이터로부터 얻어지는 새로운 소셜 데이터 객체(예를 들면, 텍스트, 비디오, 그래픽, 오디오)를 구성한다.
다양한 접근법이 새로운 소셜 데이터 객체, 또는 복수의 새로운 소셜 데이터 객체를 구성하는데 이용될 수 있다. 예를 들면, 소셜 데이터는 새로운 소셜 데이터 객체를 생성하도록 조합될 수 있고(블록(905)), 소셜 데이터는 새로운 소셜 객체를 생성하도록 추출될 수 있으며(블록(906)), 새로운 소셜 데이터는 새로운 소셜 데이터 객체를 형성하도록 생성될 수 있다(블록(907)). 또 다른 예시적 접근법에 있어서, 컴포저 모듈은 외부 비디오, 오디오 및 화상 콘텐츠를 인지하고, 이 콘텐츠는 컴포저 콘텐츠 또는 구성되는 콘텐츠에 포함될 수 있다(블록(925)). 하나 이상의 블록(905, 906, 907 및 925)으로부터의 동작은 블록(902)에 적용될 수 있다. 도 9b, 9c 및 9d에는 이와 관련하여 더욱 상세한 설명이 기재된다.
도 9a를 계속하면, 블록(903)에서, 액티브 컴포저 모듈은 구성된 소셜 데이터를 출력한다. 또한, 액티브 컴포저 모듈은 구성된 소셜 데이터에 식별자 또는 트랙커를 추가할 수 있고, 이것은 조합된 소셜 데이터의 소스 및 조합된 소셜 데이터 사이의 관계를 식별하는데 사용된다.
도 9b에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 블록(905)에 따라서 소셜 데이터를 조합하기 위해 제공된다. 상기 액티브 컴포저 모듈은 소셜 데이터 사이의 관계 및 상관관계를 획득한다(블록(908)). 관계 및 상관관계는, 예를 들면 액티브 리시버 모듈로부터 획득된다. 또한, 액티브 컴포저 모듈은 관계에 대응하는 소셜 데이터를 획득한다(블록(909)). 블록(909)에서 획득되는 소셜 데이터는 액티브 리시버 모듈에 의해 획득되는 소셜 데티어틔 서브세트이거나, 또는 서드 파티 소스에 획득될 수 있고, 양쪽일 수 있다. 블록(910)에서, 상기 액티브 컴포저 모듈은 서로 관련되어 있는 소셜 데이터를 조합함으로써 새로운 소셜 데이터(예를 들면, 새로운 소셜 데이터 객체)를 구성한다.
각종 구성 프로세스가 블록(910)을 구현할 때에 이용될 수 있는 것이 이해될 수 있다. 예를 들면, 텍스트 요약 알고리즘이 이용될 수 있다(블록 911). 또 다른 예에 있어서, 텍스트, 비디오, 그래픽 등을 조합하기 위한 템플레이트가 사용될 수 있다(블록(912)). 예시적 실시형태에 있어서, 템플레이트는 자연어 프로세싱을 이용하여 기사 또는 에세이를 생성할 수 있다. 상기 템플레이트는 하나의 입장에 관한 제 1 섹션, 상기 입장을 지지하는 제 1 논거를 포함한 제 2 섹션, 상기 입장을 지지하는 제 2 논거를 포함한 제 3 섹션, 상기 입장을 지지하는 제 3 논거를 포함한 제 4 섹션, 및 상기 입장의 요약을 포함한 제 5 섹션을 포함한다. 기타 템플레이트는 새로운 기사, 스토리, 보도 자료 등을 포함한 각종 타입의 텍스트에 사용될 수 있다.
또한, 상이한 언어로 맞추어지는 자연어 프로세싱이 이용될 수 있다. 또한, 자연어 생성이 이용될 수 있다. 본원에 설명된 원리를 적용할 수 있는 공지된 구성 알고리즘이 이용될 수 있는 것이 이해될 수 있다.
자연어 생성은 콘텐츠 결정, 문서 구조화, 집합, 어휘 선택, 참조 표현 생성, 및 실현화를 포함한다. 콘텐츠 결정은 무슨 정보를 텍스트에 멘셔닝할 것인지를 결정하는 것을 포함한다. 이 경우에 있어서, 정보는 식별된 관계와 연관된 소셜 데이터로부터 추출된다. 문서 구조화는 전달하는 정보의 전체적인 조직화이다. 집합은 가독성 및 자연스러움을 개선시키기 위한 유사한 문장의 병합이다. 어휘의 선택은 단어를 컨셉들에 넣는 것이다. 참조 표현 생성은 객체 및 영역을 식별하는 참조 표현을 생성하는 것을 포함한다. 또한, 태스크는 대명사 및 다른 종류의 대용어에 대해 의사결정하는 것을 포함한다. 실현화는 실제 텍스트를 생성하는 것을 포함하고, 이것은 구문론, 형태론, 및 철자법의 룰에 따라서 수정되어야 한다. 예를 들면, "to be"의 미래 시제로는 "will be"가 사용된다.
또한, 도 9b를 계속하면, 액티브 리시버 모듈로부터 획득된 메타데이터, 또는 서드 파티 소스로부터 획득된 메타데이터, 또는 시스템(102)에 의해 생성되는 메타데이터는 새로운 소셜 데이터 객체를 구성할 때에 적용될 수 있다(블록(913)). 또한, 핵심 단어 및 핵심 어구와 동의어 또는 유사어인 단어 및 어구를 포함하는 시소러스 데이터베이스는 새로운 소셜 데이터 객체를 구성하기 위해 사용될 수 있다(블록(914)). 상기 시소러스 데이터베이스는 속어 및 방언을 포함할 수 있다. 예시적 실시형태, 속어 또는 방언을 포함하는 단어 또는 어구의 인스턴스 등의 시소러스 데이터베이스의 엔트리는 각각 하나 이상의 위치, 또는 하나 이상의 데모그래픽 특징, 또는 양쪽과 연관되어 있다. 연관된 위치는, 예를 들면 각 특정 엔트리가 공통으로 사용되는 위치를 나타낸다. 연관된 데모그래픽 특징(예를 들면, 나이, 언어, 민족성, 성별, 교육, 관심, 소셜 그룹 등)은 각 특정 엔트리를 공통으로 사용하는 사람들의 특징을 나타낸다. 이 방법에서는 타깃의 오디언스의 위치 또는 타깃의 오디언스의 특징, 또는 양쪽을 기초로 하여, 액티브 컴포저 모듈이 타깃의 오디언스에 따라서 적절하게 공통으로 이용되는 시소러스로부터의 단어 및 어구를 선택할 수 있다.
예를 들면, 구성된 텍스트는 교사를 "엄격한"으로 설명할 수 있다. 상기 텍스트가 학생에 맞게 설계된다면, 이것은 데모그래픽 특징이고, 액티브 컴포저 모듈은 시소러스 데이터베이스를 이용하여 단어 "엄격한"을 교체하기 위한 단어 또는 어구를 식별한다. 액티브 컴포저 모듈은 단어 "거친"이 학생 데모그래픽에 적절한 단어인 지를 식별함으로써 단어 "엄격한"을 "거친"으로 교체한다.
또 다른 예에 있어서, 구성된 텍스트는 단어 "토크"를 이용하여 특정 타입의 모자를 설명하고, 이것은 캐나다에서는 이름으로 널리 불린다. 그러나, 액티브 컴포저 모듈이 구성된 텍스트가 미합중국에 거주하는 구독자를 타깃으로 하는 데이터를 획득하면, 액티브 컴포저 모듈은 미합중국에 보다 적합한 시소러스 데이터베이스에서 단어 또는 어구를 검색한다. 예로서, 동의어 "비니"는 시소러스 데이터베이스에서 탐색되고, 위치 "미합중국"과 연관된다. 따라서, "비니"는 단어 "토크"를 교체하기 위해 사용된다.
도 9c에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 블록(906)에 따라서 소셜 데이터를 추출하기 위해 제공된다. 블록(915)에서, 액티브 컴포저 모듈은 소셜 데이터와 관련된 특징을 식별한다. 이들 특징은 소셜 데이터의 메타데이터, 태그, 핵심 단어, 소스 등을 이용하여 식별될 수 있다. 블록(916)에서, 액티브 컴포저 모듈은 식별된 특징과 관련이 있는 소셜 데이터를 검색 및 추출한다.
예를 들면, 식별된 특징 중 하나는 개인, 조직, 또는 장소의 소셜 네트워크 계정 이름이다. 이어서, 액티브 컴포저 모듈은 소셜 네트워크 계정에 액세스하여 상기 소셜 네트워크 계정으로부터 데이터를 추출할 수 있다. 예를 들면, 추출된 데이터는 연관된 유저, 관심, 즐겨찾는 장소, 즐겨찾는 음식, 비선호, 태도, 문화적 취향 등을 포함한다. 예시적 실시형태에 있어서, 소셜 네트워크 계정은 링크드인 계정 또는 페이스북 계정이다. 이 동작(블록(918))은 블록(916)을 구현하는 예시적 실시형태이다.
블록(916)을 구현하는 또 다른 예시적 실시형태는 관계를 획득하고, 그 관계를 이용하여 소셜 데이터를 추출하는 것이다(블록(919)). 관계는 본원에 기재된 방법을 포함한 다수의 방법으로 획득될 수 있지만, 이들에 한정되는 것은 아니다. 관계를 획득하는 또 다른 예시적 방법은 피어슨의 상관계수를 이용하는 것이다. 피어슨의 상관계수는 2개의 값 X 및 Y 사이의 선형 연계(의존)의 측정이고, 이것은 +1 및 -1 사이의 값을 포함하고, 여기서 1은 총 포지티브 상관관계, 0은 상관관계 없음, -1은 네거티브 상관관계이다. 예를 들면, 소정의 데이터 X의 경우, X 및 데이터 Y가 포지트브 상관관계에 있는 것으로 결정되면, 데이터 Y가 추출된다.
또한, 상이한 타입의 데이터(예를 들면, 유저 계정, 인플루언서, 전문가, 팔로워, 토픽, 콘텐츠, 위치 등) 사이의 관계는 액티브 리시버 모듈(103)에 의해 획득되는 것일 수 있다.
블록(916)을 구현하는 또 다른 예시적 실시형태는 가중을 이용하여 소셜 데이터를 추출하는 것이다(블록(920)). 예를 들면, 특정 핵심 단어는 통계 분석, 의결, 또는 기타 기준을 기초로 하여 통계적으로 또는 동적으로 가중될 수 있다. 보다 많이 가중된 특징은 소셜 데이터를 추출하기 위해 사용될 수 있다. 예시적 실시형태에 있어서, 보다 많이 가중된 특징은 더욱 폭넓고 더욱 깊이있는 검색으로 특징과 관련된 소셜 데이터를 추출하게 할 수 있다는 것이다.
소셜 데이터를 검색 및 추출하는 기타 접근법이 이용될 수 있다.
블록(917)에서, 추출된 소셜 데이터를 이용하여 새로운 소셜 데이터 객체를 형성한다.
도 9d에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 블록(907)에 따라서 소셜 데이터를 생성하기 위해 제공된다. 블록(921)에서, 액티브 컴포저 모듈은 소셜 데이터와 관련된 스테레오타입을 식별한다. 스테레오타입은 소셜 데이터로부터 얻어질 수 있다. 예를 들면, 클러스터링 및 결정 트리 클래시파이어를 이용하여 스테레오타입이 컴퓨팅될 수 있다.
예시적 스테레오타입 컴퓨테이션에 있어서, 모델이 생성된다. 상기 모델은 개인, 장소, 객체, 회사, 조직, 보다 일반적으로는 컨셉을 나타낸다. 컴포저 모듈을 포함하는 시스템(102)은 송신되는 소셜 커뮤니케이션에 대한 데이터 및 피드백을 획득하는 결과를 얻었으므로, 액티브 컴포저 모듈은 모델을 변형시키는 것이 가능하다. 특성 또는 스테레오타입은 클러스터링을 기초로 하여 모델에 할당된다. 구체적으로는, 모델과 관련된 각종 특성을 나타내는 클러스터는 응집하는 클러스터링의 반복을 이용하여 프로세스된다. 특정 클러스터가 소정의 차이의 임계치를 충족하고, 차이가 유사성을 나타내면, 상기 클러스터가 병합된다. 예를 들면, 자카드 차이(자카드 인덱스를 기초로 함), 세트의 유사성을 결정하기 위해 사용되는 측정은 2개의 클러스터 사이의 차이를 결정하는데 이용된다. 나머지 클러스터 중심은 모델과 연관된 스테레오타입으로서 간주된다. 예를 들면, 모델은 이하의 스테레오타입을 갖는 의류 브랜드일 수 있다: 운동, 런닝, 스포츠, 스우시 및 'just do it'.
또 다른 예시적 스테레오타입 컴퓨테이션에 있어서, 친화도 전파는 공통의 특성을 식별하여 스테레오타입을 식별하는데 사용된다. 친화도 전파는 한 쌍의 데이터 포인트 사이의 유사성의 세트를 고려해 볼 때, 데이터 포인트 사이의 메시지를 교환하여 상기 데이터를 가장 잘 설명하는 예시적 포인트의 서브세트를 찾는 클러스터링 알고리즘이다. 친화도 전파는 하나의 예시를 갖는 각 데이터 포인트와 연관되고, 전체 데이터 세트의 클러스터로의 구획화를 야기한다. 친화도 전파의 목표는 데이터 포인트 및 그들의 예시 사이의 유사성의 총합을 최소화하는 것이다. 또한, 친화도 전파 컴퓨테이션의 변수가 이용될 수 있다. 예를 들면, 친화도 전파 연산의 2진 변수 모델이 이용될 수 있다. 친화도 전파의 2진 변수 모델의 비제한적 실시예는 "A Binary Variable Model of Affinity Propagation", Neural Computation 21, 1589-1600(2009), Inmar E. Givoni 및 Brendan J. Frey의 참고문헌에 기재되어 있으며, 그들의 전체 내용은 본원에 참조로서 포함된다.
또 다른 예시적 스테레오타입 컴퓨테이션은 마켓 바스켓 분석(연관 분석)이고, 이것은 친화도 분석의 예이다. 마켓 바스켓 분석은 특정 그룹의 제품을 구매하는 경우, 또 다른 제품 그룹을 구매할 가능성이 있다는 이론을 기초로 하는 수학적인 모델링 기술이다. 통상, 그것은 고객 구매 거동을 분석하여 판매 거래 데이터의 관점에 초점을 맞춰 재고를 관리하고, 판매를 증가시키는데 도움을 주는데 이용된다. 데이터세트를 고려해 볼 때, 선험적 알고리즘은 제품 바스켓 및 제품 연관 룰을 훈련하고, 식별한다. 그러나, 여기서 동일한 접근법이 제품 대신에 개인(예를 들면, 스테레오타입)의 특징을 식별하는데 이용된다. 또한, 이 경우에 있어서, 소셜 데이터(예를 들면, 그들이 읽고, 보고, 듣고, 코멘트하는 것 등)의 유저의 소비가 분석된다. 선험적 알고리즘은 특징(예를 들면, 스테레오타입) 바스켓 및 특징 연관 룰을 훈련하고 식별한다.
스테레오타입을 결정하는 기타 방법이 이용될 수 있다.
도 9d를 계속하면, 상기 스테레오타입은 메타데이터로서 사용될 수 있다(블록(922)). 예시적 실시형태에 있어서, 메타데이터는 새로운 소셜 데이터 객체이고(블록(923)), 또는 상기 메타데이터는 새로운 소셜 데이터 객체를 얻거나 구성하기 위해 사용될 수 있다(블록(924)).
새로운 소셜 데이터 객체를 구성하기 위해 블록(905, 906 및 907)에 대하여 설명된 방법은 다양한 방식으로 조합될 수 있지만, 본원에 구체적으로 설명되지 않는 것이 이해될 수 있다. 또한, 새로운 소셜 데이터 객체를 구성하는 기타 방법이 적용될 수 있다.
소셜 데이터 객체를 구성하는 예시적 실시형태에 있어서, 상기 소셜 데이터는 이름 "크리스 팔리"를 포함한다. 새로운 소셜 데이터 객체를 구성하기 위해, 소셜 데이터는 스테레오타입을 이용하여 생성된다. 예를 들면, 스테레오타입 '코미디언', '지방', '닌자', 및 '금발'이 생성되고 크리스 팔리와 연관된다. 이어서, 스테레오타입은 캐리커쳐(예를 들면, 크리스 팔리의 카툰 등의 이미지)를 자동으로 생성하는데 사용된다. 개인의 이미지가 '코미디언' 스테레오타입에 대응하는 재미있는 미소 및 올라간 눈썹을 포함하도록 자동으로 변형된다. 개인의 이미지는 '지방' 스테레오타입에 대응하는 넓은 허리를 갖도록 자동으로 변형된다. 개인의 이미지는 '닌자' 스테레오타입에 대응하는 닌자 의상 및 무기(예를 들면, 칼, 스태프 등)를 포함하도록 자동으로 변형된다. 상기 개인의 이미지는 '금발' 스테레오타입에 대응하는 금색 헤어를 포함하도록 자동으로 변형된다. 이 방식에서는, 크리스 팔리의 캐리커쳐 이미지를 포함하는 새로운 소셜 데이터 객체가 자동으로 생성된다. 텍스트로부터 얻어지는 각종 그래픽 생성 방법이 이용될 수 있다. 예를 들면, 맵핑 데이터베이스는 그래픽 속성에 맵핑되는 단어를 포함하므로, 그들의 그래픽 속성은 템플레이트 이미지에 적용될 수 있다. 이러한 맵핑 데이터베이스는 캐리커쳐 이미지를 생성하는데 사용될 수 있다.
또 다른 예시적 실시형태에 있어서, 스테레오타입은 크리스 팔리의 텍스트 설명을 생성하고, 동일한 스테레오타입에 매칭되는 다른 사람들을 텍스트 설명으로 식별하는데 사용된다. 상기 텍스트 설명은 구성된 소셜 데이터 객체이다. 또한, 예를 들면, 크리스 팔리의 스테레오타입은 '코미디언' 및 '닌자'의 스테레오타입에도 부합하는 배우 "존 벨루시"를 식별하는데 이용될 수 있다. 상술의 예는 개인에 관한 것이지만, 소셜 데이터를 구성하기 위한 스테레오타입을 이용한 동일한 원리가 장소, 문화, 패션 트렌드, 브랜드, 회사, 객체 등에도 적용될 수 있다.
예시적 실시형태에 있어서, 템플레이트는 텍스트, 이미지, 및 비디오 소셜 데이터 객체를 구성하기 위해 제공되고, 상기 동작 및 원리를 적용할 수 있다. 예를 들면, 어떤 콘텐츠를 사용하여 템플레이트를 파퓰레이팅할지의 결정은 획득되는 소셜 데이터 및 관계를 기초로 한다.
도 10에 따르면, 템플레이트 데이터베이스(1001)가 제공된다. 데이터베이스(1001)는 템플레이트 모듈(806)의 일부이다. 데이터베이스(1001)는 템플레이트(1002) 등의 각종 타입의 템플레이트를 포함한다. 일부 템플레이트는 텍스트 파일을 생성하기 위해 사용되고, 일부 템플레이트는 오디오 파일을 생성하기 위해 사용되고, 일부 템플레이트는 이미지를 생성하기 위해 사용되고, 또한 일부 템플레이트는 비디오 파일을 생성하기 위해 사용된다. 일반적으로, 여기서 사용되는 템플레이트는 콘텐츠를 조합하여 소셜 데이터 객체를 생성하는 사전 포맷팅된 데이터 객체를 의미한다. 환언하면, 콘텐츠는 템플레이트를 파퓰레이팅하기 위해 사용되고, 또한 콘텐츠는 포맷팅 또는 프로세싱되어 상기 템플레이트의 포맷으로 고착된다.
템플레이트의 다른 예시적 타입은 오피니언 템플레이트(1003), 뉴스 기사 템플레이트(1004), 실적 자료 템플레이트(1010), 및 제품 출시 템플레이트(1011)을 포함하지만, 제한은 없다. 또한, 데이터베이스(1001)는 제약 템플레이트(1006), 텔레커뮤니케이션 템플레이트(1007), 뱅킹 템플레이트(1008), 및 농업 템플레이트(1009) 등의 특정 산업의 보도 자료 템플레이트(1005)를 포함할 수 있다. 다른 템플레이트가 사용될 수 있는 것이 이해될 것이다.
도 11에 따르면, 오피니언 템플레이트의 실시예가 제공된다. 템플레이트는 단락과 각 단락에 파퓰레이팅되어야 하는 콘텐츠를 나타낸다. 템플레이트에 따르면, 제 1 단락은 오피니언(1101)에 대한 도입 및 서술을 형성하는 텍스트에 의해 파퓰레이팅된다. 제 2 단락, 제 3 단락 및 제 4 단락은 각각 오피니언(1102, 1103, 1104)을 지지하는 논거를 형성하는 텍스트에 의해 파퓰레이팅된다. 제 5 단락은 오피니언(1105)을 요약하는 텍스트에 의해 파퓰레이팅된다. 5개의 단락을 나타내지만, 더 많은 단락이 있을 수 있는 것이 이해될 것이다. 예를 들면, 오피니언을 지지하는 3개 이상의 단락이 있을 수 있다.
도 12에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 텍스트를 생성하기 위해 제공되어 오피니언 템플레이트를 파퓰레이팅한다. 블록(1201)에서, 액티브 컴포저 모듈은 소셜 데이터(예를 들면, 소셜 데이터 및 액티브 리시버 모듈에 의해 제공되는 관계)로부터 오피니언을 식별한다. 오피니언은, 예를 들면 유저, 전문가 및 인플루언서 등으로부터의 기사, 메시지, 포스트 중에서 식별된 되풀이되는 서술과 같이 식별될 수 있다. 블록(1202)에서, 오피니언은 도입 텍스트를 생성하는데 이용되고, 이것은 오피니언 템플레이트의 단락(1101)에 삽입될 수 있다.
블록(1203)에 있어서, 액티브 컴포저 모듈은 소셜 데이터로부터 오피니언과 관련된 인과 서술을 식별한다. 인과 서술은 특정 인과관계 용어 및 언어를 이용하여 식별될 수 있다. 예를 들면, 용어 "~때문", "~때문에", "~로 인해", "~의 결과로서", "~에 의해 야기되는" 등을 이용하는 서술은 인과 서술로서 식별된다.
예시적 실시형태에 이어서, 오피니언은 "ABC의 제품은 훌륭하다"이다. 이러한 오피니언과 관련된 인과 서술은 소셜 데이터로부터 추출되고, 이러한 인과 서술의 예로는: "ABC의 제품은 사용하기 쉽기 때문에 좋다"; "ABC의 제품은 긴 시간 동안 유지되기 때문에 훌륭하다"; 및 "작은 사이즈 때문에, ABC의 제품은 성공적이다"이다. 또한, 인과 서술은 관계 및 액티브 리시버 모듈 또는 소셜 애널리틱 신시사이저 모듈에 의해 제공되는 분석을 이용함으로써 식별될 수 있다.
도 12를 계속하면, 블록(1204)에서, 인과 서술이 랭킹된다. 예를 들면, 랭킹은 어떤 인과 서술이 가장 공통적으로 사용되었는지; 어떤 인과 서술이 다른 사람들에 의해 가장 많이 코멘팅되었는지; 어떤 인과 서술이 가장 많이 배포되었는지(예를 들면, 이메이르 포스트, 재전송, 공유 등); 또는 어떤 인과 서술이 가장 많이 구독되었는지 또는 이러한 랭킹 기준의 조합을 기초로 한다.
블록(1205)에서, 상위 n에 랭킹된 인과 서술이 선택되고, 여기서 n은 자연수이다. 예시적 실시형태에 있어서, n은 3이다. 블록(1206)에서, 선택된 인과 서술은 각각 오피니언(예를 들면, 논거 단락)을 지지하는 논거에 대한 텍스트를 형성하기 위해 사용된다.
"ABC의 제품은 훌륭하다"는 오피니언에 관한 예를 계속하면, 인과 서술 "ABC의 제품은 사용하기 쉽기 때문에 좋다"는 프로세싱되어 논거 단락을 형성한다. 마찬가지로, 인과 서술 "ABC의 제품은 오랜 시간 동안 지속되기 때문에 훌륭하다"는 또 다른 논거 단락을 형성하기 위해 사용된다. 인과 서술 "작은 사이즈 때문에, ABC의 제품은 성공적이다"는 또 다른 논거 단락을 형성하기 위해 사용된다. 다른 논거 단락이 사용될 수 있고, 텍스트는 공지된 언어 프로세싱 및 언어 생성 알고리즘을 이용하여 재배열될 수 있다.
도 12를 계속하면, 블록(1207)에서, 논거 단락은 인과 서술의 랭킹에 따라서 정렬된다. 예시적 실시형태에 있어서, 단락은 상위에 랭크된 인과 서술에서부터 가장 하위에 랭크된 인과 서술까지, 또는 그 반대로 정렬된다. 또 다른 예시적 실시형태에 있어서, 제 2 랭킹의 인과 서술과 연관된 논거 단락은 템플레이트에 제 2 단락으로서 배치되고; 제 3 랭킹의 인과 서술과 연관된 논거 단락은 템플레이트에 제 3 단락으로서 배치되고; 또한 상위에 랭킹된 인과 서술은 템플레이트에 제 4 단락으로서 배치된다. 논거 단락의 정렬은 변경될 수 있고, 예를 들면 정렬하는 것은 인과 서술의 랭킹과 관련이 있을 수 있는 것이 이해될 것이다.
블록(1208)에서, 액티브 컴포저 모듈은 오피니언, 선택적으로는 선택된 인과 서술을 이용하여 오피니언을 요약하는 텍스트를 생성한다.
도 13에 따르면, 뉴스 기사 템플레이트의 예시적 실시형태를 나타낸다. 템플레이트에 나타낸 섹션은 특정 타입의 콘텐츠의 정렬을 식별한다. 각 섹션은 텍스트의 하나 이상의 문장 또는 단락을 나타낼 수 있다.
섹션(1301)은 뉴스 아이템을 도입하는 텍스트, 또는 그 뉴스 아이템이 무엇에 관한 것인지의 서술에 의해 파퓰레이팅된다. 섹션(1302)은 뉴스 아이템의 상세설명을 제공하는 텍스트에 의해 파퓰레이팅된다. 섹션(1303)은 뉴스 아이템과 관련된 이미지에 의해 파퓰레이팅된다. 섹션(1304)은 뉴스 아이템에 대해 코멘팅하는 사람들 또는 조직으로부터의 인용 또는 패러프레이징된 인용에 의해 파퓰레이팅된다. 섹션(1305)은 맺음말용 텍스트에 의해 파퓰레이팅되고, 질문이나 불확실성의 문장을 제기할 수 있다.
도 14에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 콘텐츠를 생성하기 위해 제공되어 뉴스 기사 템플레이트를 파퓰레이팅한다. 블록(1401)에서, 상기 액티브 컴포저 모듈은 소셜 데이터로부터 이벤트를 설명하는 텍스트를 획득한다. 소셜 데이터는 유저, 전문가 또는 인플루언서로부터의 기사, 소셜 미디어, 포스팅, 비디오, 라디오 등을 포함할 수 있다. 텍스트는 광학 문자 인식 알고리즘, 또는 스피치 투 텍스트 알고리즘, 또는 양쪽을 이용함으로써 비디오 또는 라디오로부터 획득될 수 있는 것이 이해된다. 블록(1402)에서, 이벤트의 설명을 이용하여 도입 텍스트를 생성하여 템플레이트의 섹션(1301)에 파퓰레이팅시킨다.
블록(1403)에서, 액티브 컴포저 모듈은 이벤트와 관련된 팩트들을 획득한다. 팩트들은 소셜 데이터로부터 획득되고, 이벤트와 연관된 위치, 이벤트와 연관된 날짜 또는 시간(또는 양쪽), 이벤트와 연관된 사람들 또는 회사의 이름, 인과 서술 등의 보다 상세한 설명을 포함한다. 예시적 실시형태에 있어서, 이들 상세한 팩트은 이벤트와 같이 동일한 문장, 또는 동일한 자료, 또는 동일한 파일에 설명되고, 이들 상세한 팩트들은 그 이벤트와 관련된 것으로 간주된다. 상세한 팩트 및 이벤트 사이의 상관관계 및 친화도를 결정하기 위한 공지된 프로세스 및 알고리즘이 사용될 수 있다.
블록(1404)에서, 팩트는 뉴스 아이템의 상세한 설명을 위한 텍스트를 생성하기 위해 이용되고, 텍스트는 템플레이트의 섹션(1302)을 파퓰레이팅하기 위해 이용된다.
블록(1405)에서, 이벤트와 연관된 이미지가 획득된다. 예를 들면, 이미지는 이벤트의 핵심 단어에 매칭되는 핵심 단어와 태깅되거나, 또는 이미지는 이벤트의 핵심 단어와 매칭되는 핵심 단어를 갖는 또 다른 기사 또는 메시지에 포스팅된다. 이 방법에서는, 예를 들면 상기 액티브 컴포저 모듈은 이미지가 이벤트와 연관되어 있는지를 결정할 수 있다. 이미지는 템플레이트의 섹션(1303)을 파퓰레이팅하기 위해 이용된다.
블록(1406)에서, 액티브 컴포저 모듈은 이벤트와 관련된 사람들(예를 들면, 기사, 소셜 네트워크, 코멘트 게시판, 블로그, 포스트 등)로부터 인용을 획득한다. 인용은 랭킹된 소셜 네트워크 또는 토픽에서 인플루언서 또는 전문가로 간주되는 사람들로부터 유래한 것일 수 있다. 또한, 인용을 획득할 때에, 코멘트를 제공하는 개인의 이름 및 위치가 획득된다. 예를 들면, 액티브 컴포저 모듈은 123 코포레이션의 CEO인 유저 이름 존 스미스로부터의 포스팅 내의 인용을 식별하고, 상기 인용은: "ABC 회사의 신제품은 기술적으로 경이롭다!"를 읽는다. 이 방법에서는, 섹션(1304)에 대한 인용된 텍스트를 생성할 때에, 인용을 제공하는 개인에 대한 정보가 사용된다. 생성된 인용된 텍스트의 예로는: 123 코포레이션의 CEO인 존 스미스에 따르면, "ABC 회사의 신제품은 기술적으로 경이롭다!"이다.
다른 예에 있어서, 생성된 인용된 텍스트는 인용의 데이터 소스와의 링크를 포함한다. 링크의 비제한적 예로는 하이퍼링크, 엔코딩된 URL 링크, 해시태그, 소셜 네트워킹 계정 명칭 또는 식별자를 포함한다. 예를 들면, 존 스미스로부터의 인용이 특정 소셜 네트워킹 웹 애플리케이션 또는 웹사이트에 포스팅되면, 특정 소셜 네트워킹 웹 애플리케이션 또는 웹사이트 상의 포스팅의 링크는 생성된 인용된 텍스트에 제공된다. 예를 들면, 인용의 소스의 링크는 트위터 계정, 트위터 포스팅, 유튜브 웹 페이지, 블로그, 웹사이트, 또는 임의의 다른 데이터 사이트일 수 있다. 생성된 인용된 텍스트의 예로는: 123 코포레이션의 CEO인 존 스미스에 따르면, "ABC 회사의 신제품은 기술적으로 경이롭다!" (http://t.co/123ABC)이다. 링크는 인용과 이미 연관되어 있을 수 있고, 액티브 컴포저 모듈에 제공되거나 또는 그것에 의해 획득되는 데이터의 일부일 수 있다.
블록(1407)에 따라, 개인에 대한 인용 및 정보는 뉴스 기사용 텍스트를 생성하기 위해 사용된다.
뉴스 기사 템플레이트의 섹션(1304)에 사용될 수 있는 텍스트 인용 템플레이트의 예로는 이하이다: [삽입된 이름]에 따르면, "[삽입된 인용]". 또 다른 텍스트 인용 템플레이트는 이하이다: [삽입된 이름]이 "[삽입된 인용]"을 말한다. 패러프레이징을 포함하는 또 다른 텍스트 인용 템플레이트는 이하이다: [삽입된 이름]은 [삽입된 인용]을 믿는다. 또 다른 텍스트 인용 템플레이트는 이하이다: [삽입된 이름]이 명시된 "[삽입된 인용]". 다른 문장 템플레이트 및 구조가 이용될 수 있고, 상이한 템플레이트가 문장 변형을 제공하기 위해 동일한 뉴스 기사 내에 사용된다.
블록(1408)에서, 액티브 컴포저 모듈은 이벤트와 관련하여 소셜 데이터로부터 불확실성 서술을 획득한다. 불확실성 서술은 이벤트와 관련된 이슈 또는 팩트에 대해 의심이나 불확실성을 던지는 서술이다. 예를 들면, 물음표를 갖는 서술은 불확실성 서술로 간주된다. 또 다른 예에 있어서, 서술이 "이해되지 않는", "불명확한", 및 "알 수 없는" 등의 특정 어구를 포함하면, 서술은 불확실성 서술로서 간주된다. 예를 들면, 문장 "ABC 회사의 제품이 국제 시장에서 받아들여질지 불명확하다"는 불확실성 문장으로 간주된다. 또 다른 예에 있어서, 문장 "ABC 회사가 수요를 충족시키기에 충분한 제품을 어떻게 생산할 것인지는 모른다"는 또 다른 불확실성 문장이다. 또 다른 예에 있어서, 문장 "ABC 회사의 제품이 언제 판매될지 아는 사람이 있는가?"는 또 다른 불확실성 문장이다.
블록(1409)에서, 액티브 컴포저 모듈은 불확실성 문장을 이용하여 맺음말용 텍스트를 생성하고, 이것은 템플레이트의 섹션(1305)을 파퓰레이팅하기 위해 사용된다. 불확실성 문장은 변형되어 뉴스 기사 템플레이트의 문법 및 톤을 매칭시킬 수 있다.
예를 들면, 불확실성 문장 "ABC 회사의 제품이 언제 판매될지 아는 사람이 있는가?"는 문장 또는 어구 템플레이트에 적용된다: '[삽입된 불확실성 서술]'과 같은 질문은 또한 답변되어야 한다. 이어서, 출력된 맺음말 텍스트는 이하이다: 'ABC 회사의 제품이 언제 판매될 예정인가?' 등의 질문은 또한 답변되어야 한다.
또 다른 예에 이어서, 불확실성 문장 "ABC 회사의 제품이 국제 시장에서 받아들여질지 불명확하다"는 문장 또는 어구 템플레이트에 적용된다: 그것은 여전히 [삽입된 불확실성 문장]을 두고 볼일이다. 이어서, 출력된 맺음말은 이하이다: ABC 회사의 제품이 판매될지는 두고 볼일이다.
톤을 설정하는데 사용될 수 있는 맺음말용 기타 문장 또는 어구 템플레이트가 사용될 수 있다. 작문 또는 문학적 관점으로부터, 톤은 텍스트의 애티튜드(예를 들면, 심각한, 행복한, 유머러스한, 칙칙한, 사실적인, 긍정적인, 냉소적인 등)를 의미하는 것이 이해된다.
보다 일반적으로, 각 기사 템플레이트, 보도 자료 템플레이트 또는 다른 텍스트 메시지 또는 포스팅 템플레이트는 각종 상이한 문장 템플레이트를 인용하여 각종 문장 및 어구를 형성하고, 일관된 톤을 유지한다. 예를 들면, 각 문장 템플레이트는 특정 기사, 보도 자료, 또는 다른 텍스트 템플레이트 뿐만 아니라, 특정 기사, 보도 자료, 또는 다른 텍스트 템플레이트 내에서의 배치(예를 들면, 단락, 문장수 등)와 연관되어 있다. 또한, 각 문장 템플레이트는 문장의 톤을 나타내는 톤 마커와 연관되어 있다. 액티브 컴포저 모듈은 동일한 기사, 보도 자료, 또는 텍스트 메시지 또는 포스팅 내에서의 사용을 위해 일관된 톤 또는 호의적인 톤을 갖는 문장을 선택한다.
도 15에 따르면, 실적 보도 자료의 상이한 섹션 또는 단락을 포함한 실적 보도 자료 템플레이트를 나타낸다. 섹션의 특정 순서는 도 15에 나타내지만, 또한 상이한 순서가 이용될 수 있다. 각 섹션은 하나 이상의 문장 또는 텍스트의 하나 이상의 단락을 포함한다.
섹션(1501)은 CEO 서술로부터 획득되거나 얻어진 텍스트에 의해 파퓰레이팅된다. 섹션(1502)은 CFO 서술으로부터 획득되거나 얻어지는 텍스트에 의해 파퓰레이팅된다. 섹션(1503)은 회사의 현재 실적을 포함한 텍스트 또는 수치에 의해 파퓰레이팅된다. 섹션(1504)은 동일한 회사의 과거 실적과 현재 실적을 비교하는 텍스트 또는 수치, 또는 양쪽에 의해 파퓰레이팅된다. 섹션(1505)은 전향적 서술을 포함하는 텍스트에 의해 파퓰레이팅된다. 섹션(1506)은 회사의 일반적인 기업 정보를 설명하는 텍스트에 의해 파퓰레이팅된다. 섹션(1507)은 실적 보도 자료와 관련된 면책을 포함하는 텍스트에 의해 파퓰레이팅된다.
실적 보도 자료 템플레이트를 획득하기 위해 사용되는 데이터는 미리 설명된 그들의 소셜 데이터를 포함하고, 또한 회사에 의해 제공되는 문서 및 이메일을 제한없이 포함하는 각종 소셜 데이터 및 과거 보도 자료로부터 획득될 수 있다.
도 16에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 실적과 관련된 경쟁 정보 데이터를 생성하기 위해 제공된다. 이들 동작은 대상의 회사에 대한 실적 보도 자료를 생성하는 것과 연관하여 사용될 수 있으며, 또한 경쟁 정보 보고서가 생성되고, 실적 보도 자료와 연관된다. 블록(1601)에서, 액티브 컴포저 모듈은 실적 보도 자료 템플레이트를 위한 대상의 회사의 실적에 대한 데이터를 획득한다. 획득된 데이터는 템플레이트에 따라서 텍스트를 생성하는데 사용된다(예를 들면, 섹션(1503)에 대해)(블록(1602)). 액티브 컴포저 모듈은 대상의 회사의 경쟁자인 회사를 획득하거나 식별한다(블록(1603)). 이어서, 액티브 컴포저 모듈은 경쟁사에 대한 실적 데이터를 획득하고, 경쟁사의 실적과 대상의 회사의 실적을 비교한다(블록(1604)). 블록(1605)에서, 비교 데이터는 실적 비교 보고서를 생성하기 위해 사용된다. 블록(1606)에서, 실적 비교 보고서(또한, 경쟁 정보 보고서라고도 함)는 대상의 회사에 대한 구성된 실적 보도 자료에 부착된다. 실적 비교 보고서는 실적 비교 보고서가 기본적으로 공개 배포용이 아닌 것을 나타내는 데이터 마커로 마킹된다.
이 방법에서는, 대상의 회사에 대한 실적 보도 자료가 자동으로 공개 배포되지만, 연관된 실적 비교 보고서는 공개 배포되지 않는다. 예를 들면, 그 대신에 실적 비교 보고서는 개인적인 검토를 위해 선택된 소비자 또는 선택된 개인 또는 개인들(예를 들면, CFO, CEO 등)에게 개인적으로 배포된다. 이어서, 선택되는 소비자 또는 선택된 개인(들)은 실적 보도 자료 및 보다 경쟁적인 지능을 획득하기 위해 실적 비교 보고서를 검토할 수 있다.
도 17에 따르면, 제품 보도 자료의 상이한 섹션 또는 단락을 포함하는 제품 보도 자료 템플레이트를 나타낸다. 섹션의 특정 순서는 도 17의 예에 나타내지만, 또한 상이한 순서가 이용될 수 있다. 각 섹션은 하나 이상의 문장, 또는 텍스트의 하나 이상의 단락을 포함한다.
섹션(1701)은 CEO 서술로부터 획득되거나 얻어지는 텍스트에 의해 파퓰레이팅된다. 섹션(1702)은 CTO 서술로부터 획득되거나 얻어지는 텍스트에 의해 파퓰레이팅된다. 섹션(1703)은 제품을 설명하는 텍스트 또는 수치, 또는 양쪽에 의해 파퓰레이팅된다. 섹션(1704)은 동일한 회사의 과거 또는 오래된 제품과 최근 제품을 비교하는 텍스트 또는 수치, 또는 양쪽에 의해 파퓰레이팅된다. 섹션(1705)은 전향적 서술을 포함하는 텍스트에 의해 파퓰레이팅된다. 섹션(1706)은 회사의 일반적인 기업 정보를 설명하는 텍스트에 의해 파퓰레이팅된다. 섹션(1707)은 제품 보도 자료와 관련된 면책을 포함하는 텍스트에 의해 파퓰레이팅된다.
제품 보도 자료 템플레이트를 획득하기 위해 사용되는 데이터는 이미 설명된 그들의 소셜 데이터를 포함하고, 또한 회사에 의해 제공되는 문서 및 이메일을 제한없이 포함하는 각종 소셜 데이터 및 과거 보도 자료로부터 획득될 수 있다.
도 18에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 제품와 관련된 경쟁 정보 데이터를 생성하기 위해 제공된다. 이들 동작은 대상의 회사를 위한 제품 보도 자료를 생성하는 것과 연관되어 사용될 수 있고, 또한, 경쟁 정보 보고서가 생성되고, 제품 보도 자료와 연관된다. 블록(1801)에서, 상기 액티브 컴포저 모듈은 제품 보도 자료 템플레이트를 위한 대상의 회사의 제품에 대한 데이터를 획득한다. 획득되는 제품 데이터는 템플레이트에 따라서 텍스트 및 수치를 생성하기 위해 사용된다(예를 들면, 섹션(1703)에 대해)(블록(1802)). 액티브 컴포저 모듈은 대상의 회사의 경쟁자인 회사를 획득하거나 식별한다(블록(1803)). 이어서, 액티브 컴포저 모듈은 경쟁사에 의해 제공되는 제품에 대한 제품 데이터를 획득하고, 대상의 회사의 제품과 경쟁 제품을 비교한다(블록(1804)). 예를 들면, 특성 타입(예를 들면, 크기, 무게, 비용, 기능적 특성, 성능적 특성, 부작용, 인기도, 배터리 수명 등)이 식별되고, 대상의 회사의 제품과 경쟁 제품 사이에 비교된다. 블록(1805)에서, 비교 데이터는 제품 비교 보고서를 생성하기 위해 이용된다. 블록(1806)에서, 제품 비교 보고서(또한, 경쟁 정보 보고서라고도 함)는 대상의 회사에 대한 구성된 제품 보도 자료에 부착된다. 제품 비교 보고서는 제품 비교 보고서가 기본적으로 공개 배포되지 않는 것을 나타내는 데이터 마커로 마킹된다.
이 방법에서는, 대상의 회사에 대한 제품 보도 자료가 자동으로 공개 배포되지만, 연관된 제품 비교 보고서는 공개 배포되지 않는다. 예를 들면, 그 대신에 제품 비교 보고서는 개인적인 검토를 위해 선택된 소비자 또는 선택된 개인 또는 개인들(예를 들면, CFO, CTO 등)에게 개인적으로 배포된다. 이어서, 선택된 고객 또는 선택된 개인들은 제품 보도 자료 및 제품 비교 보고서를 검토하여 더 나은 경쟁 정보를 획득할 수 있다.
또 다른 양태에 있어서, 추천 엔진 모듈(807)은 최근에 수성된 소셜 데이터 객체를 시험하여 새로운 소셜 데이터 객체를 구성하기 위한 추천된 콘텐츠를 결정한다. 예를 들면, 구성된 소셜 데이터 객체(예를 들면, 사전 구성된 소셜 데이터 객체)를 생성할 때에, 액티브 컴포저 모듈은 동시에 또는 그 후에 데이터를 수집하는 것을 시작하여 사전 구성된 소셜 데이터 객체와 관련되거나 팔로우업하는 또 다른 새로운 구성된 소셜 데이터 객체를 생성할 수 있다. 환언하면, 상기 액티브 컴포저 모듈은 다음의 소셜 데이터 객체(예를 들면 텍스트, 오디오, 비디오 등)에 대한 권한설정을 자동으로 시작한다.
이 자동적 권한설정은 사전 구성된 소셜 데이터 객체의 콘텐츠를 시험하여 새로운 구성된 소셜 데이터 객체와 커뮤니케이팅 할 수 있는 아이디어 및 콘텐츠를 결정 또는 예측하는 것을 포함한다.
도 19에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 사전 구성된 소셜 데이터 객체를 기초로 하여 새로운 소셜 데이터 객체를 구성하기 위해 제공된다. 명령은, 예를 들면 모듈(807), 또는 보다 일반적으로는 액티브 컴포저 모듈을 이용하여 구현될 수 있다. 블록(1901)에서, 액티브 컴포저 모듈은 사전 구성된 소셜 데이터 객체(예를 들면, 뉴스 기사, 포스팅, 보도 자료, 메시지, 오디오 파일, 비디오, 화상 등)를 포함한다.
블록(1902)에서, 액티브 컴포저 모듈은 사전 구성된 소셜 데이터 객체에 있어서의 핵심 단어, 핵심 용어, 핵심 이름, 핵심 위치, 핵심 데이터 등을 식별한다. 화상 및 비디오에 대해, 액티브 컴포저 모듈은 소셜 데이터 객체와 연관된 핵심 객체, 얼굴, 위치, 및 기타 메타데이터를 식별할 수 있다.
블록(1902)을 실현하는 예시적 실시형태에 있어서, 액티브 컴포저 모듈은 전향적 서술, 미래 시제 어구, 및 불확실성 서술을 식별한다(블록(1905)). 이들 식별된 서술 및 어구는 사전 구성된 소셜 데이터 객체에 있어서의 핵심 단어, 핵심 용어, 핵심 이름, 핵심 위치, 핵심 데이터 등을 식별하기 위해 분석된다. 블록(1902)을 구현하는 다른 방법이 이용될 수 있다.
도 19를 계속하면, 블록(1903)에서, 액티브 컴포저 모듈은 식별된 핵심 단어, 핵심 용어, 핵심 이름, 핵심 위치, 핵심 데이터 등에 대한 소셜 데이터를 검색한다. 블록(1903)을 구현하는 예시적 실시형태에 있어서, 액티브 리시버 모듈에 의해 획득되는 소셜 데이터의 인커밍 및 연속적으로 업데이트되는 스트림이 검색되고 분석된다. 블록(1903)을 구현하는 다른 방법이 이용될 수 있다.
블록(1904)에서, 블록(1903)으로부터의 검색 결과는 사전 구성된 소셜 데이터 객체를 팔로우업하는 새로운 소셜 데이터 객체를 구성하기 위해 이용된다.
블록(1904)을 구현하는 예시적 실시형태에 있어서, 새로운 소셜 데이터 객체는 검색 결과로부터의 새로운 콘텐츠를 포함하고, 사전 구성된 소셜 데이터 객체로부터의 콘텐츠를 포함한다(블록(1907)). 또 다른 예시적 실시형태에 있어서, 상기 액티브 컴포저 모듈은 새로운 소셜 데이터 객체를 구성할 때에 사전 구성된 소셜 데이터 객체를 참조한다(블록(1908)). 블록(1907 및 1908)은 함께 발생될 수 있거나, 블록(1907)만 이용되거나, 블록(1908)만 이용된다. 블록(1904)을 구현하는 다른 방법이 이용될 수 있다.
예를 들면, 블록(1908)에 따라서, 새로운 소셜 데이터 객체는 사전 구성된 소셜 데이터 객체, 게시 날짜, 게시 소스, 사전 구성된 소셜 데이터 객체의 데이터 링크, 또는 그들의 임의의 조합을 포함함으로써 참조된다.
도 20에 따르면, 예시적 컴퓨터 또는 프로세서 실행 가능 명령은 오디오 콘텐츠를 포함하는 소셜 데이터 객체를 구성하고, 비디오 콘텐츠를 포함하는 소셜 데이터 객체를 구성하기 위해 제공된다. 프로세스는 텍스트 데이터를 생성함으로써 시작된다(블록(2001)). 텍스트는 상술의 방법을 포함하는 많은 방법으로 생성되거나 구성될 수 있다.
블록(2002)에서, 액티브 컴포저 모듈은 텍스트 투 스피치 프로세스를 이용하여 오디오 파일을 생성한다. 이 방법에서는 오디오 콘텐츠가 생성된다.
비디오 콘텐츠의 생성에 있어서, 도 20을 계속하면, 블록(2003)에서, 액티브 컴포저 모듈은 텍스트 데이터와 관련된 이미지 및 비디오를 획득한다. 예를 들면, 이미지 및 비디오는 원래 특정 핵심 단어 또는 어구를 갖는 기사 또는 메시지 또는 포스트에 게시되었고, 이들의 핵심 단어 및 어구는 블록(2001)의 구성된 텍스트 데이터에 있다. 또 다른 예에 있어서, 이미지 및 비디오는 텍스트 데이터의 콘텐츠 또는 메타데이터와 매칭되는 메타데이터를 갖는다. 텍스트 데이터를 갖는 이미지와 비디오 사이의 관계를 식별하는 다른 방법이 이용될 수 있다.
블록(2004)에서, 액티브 컴포저 모듈은 이미지 및 비디오를 조합하여 오디오 파일의 길이와 거의 매칭되는 비디오 파일을 생성한다. 예를 들면, 이미지 및 비디오를 함께 결부시켜 일련의 이미지를 형성하여 비디오를 형성할 수 있다. 또는, 이미지는 인레이드 비디오일 수 있다. 이미지를 조합하거나, 비디오를 조합하거나, 이미지 및 비디오를 조합하는 다른 방법이 사용될 수 있다. 또한, 비제한적 특정 예로서, 오디오 파일이 t초 지속되면, 생성된 비디오 파일도 대략 t초 지속된다.
블록(2005)에서, 오디오 파일은 비디오 파일을 오버레잉한다. 이 방법에서는 비디오 파일은 비디오 이미지가 첨부된 오디오 구성요소를 갖는다.
블록(2006)에서, 임의로 오디오 파일에서 말하는 텍스트의 타이밍을 기초로 하여 생성된 텍스트 데이터로부터의 텍스트가 추출되고, 비디오 파일에 있어서의 이미지에 디스플레이된다. 예를 들면, 핵심 단어, 어구 또는 문장이 생성된 텍스트 데이터로부터 추출되고, 비디오 파일에 디스플레이될 수 있다. 텍스트는 스트리밍 텍스트 또는 고정 텍스트로서 디스플레이 되거나, 비디오 이미지 또는 인레이드를 오버레잉하거나, 또 다른 형태로 디스플레이될 수 있다.
도 21에 따르면, 예시적 개략도는 조합된 비디오 및 비디오 파일을 형성하는 오디오 데이터를 설명하기 위해 제공된다. 생성된 텍스트 데이터는 그들의 신제품 및 실적과 관련된 회사로부터의 보도 자료일 수 있다. 시간의 상이한 인스턴스는 t1 및 t2로서 나타낸다. 시간(t1)에서, 비디오 이미지(2101)를 나타낸다. 또한, 동일한 시간에서, 비디오 이미지(2101)가 디스플레이되고, 오디오 구성요소(2103)가 재생되어 "ABC 회사는 2014년에 신제품을 출시하였다. 신제품은 …를 개선하기 위해 제공된다"를 낭송한다. t1에서 플레이되는 오디오 콘텐츠를 기초로 하여, 대응하는 텍스트(또는 그것의 일부)(2102)는 이미지에 디스플레이된다. t1에서 디스플레이되는 텍스트(2102)는 이하를 읽는다: "ABC 회사는 2014년에 신제품을 출시하였다"
시간(t2)에서, 상이한 이미지(2104)를 비디오 파일에 나타낸다. 시간(t2)에서 디스플레이되는 오디오 구성요소(2106)는 이하를 낭송한다: "ABC 회사의 실적은 지난 2 회계 기간에 걸쳐 지속적으로 상승하였다. 주식 가치로 22% 성장하였다". 이어서, 시간(t2)에서 추출되어 비디오에 디스플레이되는 텍스트는 이하를 읽는다: "주식 가치로 22% 성장하였다"
비디오 파일에 있어서의 텍스트 및 이미지의 다른 디스플레이 설정이 사용될 수 있다. 또 다른 예시적 실시형태에 있어서, 오디오 오버레이가 없고, 비디오 파일은 비디오 및 이미지 데이터가 오버레이된 텍스트 데이터의 디스플레이와 조합된 비디오 및 이미지 데이터만을 포함한다.
또 다른 양태에 있어서, 액티브 컴포저 모듈(104)은 인간의 개입이 거의 없거나 인간의 개입없이 동작되도록 설정된다.
액티브 트랜스미터 모듈
액티브 트랜스미터 모듈(105)은 특정 유저 및 타깃 그룹에 새롭게 구성된 소셜 데이터를 커뮤니케이팅하는 바람직한 또는 적절한 소셜 데이터 채널을 분석적으로 평가한다. 또한, 액티브 트랜스미터 모듈은 새롭게 구성된 소셜 데이터를 전송 또는 송신하는 바람직한 시간을 평가한다.
도 22에 따르면, 액티브 트랜스미터 모듈(105)의 예시적 구성요소를 나타낸다. 예시적 구성요소는 텔레메트리 모듈(2201), 스케쥴링 모듈(2202), 트랙킹 및 애널리틱스 모듈(2203), 및 송신용 데이터 저장소(2204)를 포함한다. 텔레미터 모듈(2201)은 어떤 채널을 통해 특정 소셜 데이터 객체를 전송 또는 브로드캐스팅해야 하는지를 결정 또는 식별하도록 설정된다. 소셜 데이터 객체는 텍스트 기사, 메시지, 비디오, 코멘트, 오디오 트랙, 그래픽, 또는 믹스드-미디어 소셜 피스일 수 있다. 예를 들면, 특정 자동차 브랜드에 대한 소셜 데이터 객체는 잠재적인 차 구매자, 자동차 브랜드의 현재 소유자 및 자동차 브랜드의 과거 소유자에 의해 조회되고 팔로우되는 웹사이트, RSS 피드, 비디오 또는 오디오 채널, 블로그, 또는 그룹에 전송되어야 한다. 스케쥴링 모듈(2202)은 구성된 소셜 데이터 객체를 전송하기 위한 바람직한 시간 범위 또는 날짜 범위, 또는 양쪽을 결정한다. 예를 들면, 새롭게 구성된 소셜 데이터 객체가 주식 또는 비즈니스 뉴스에 관한 것인 경우, 구성된 소셜 데이터 객체는 근무일의 근무시간 동안에 전송되도록 스케쥴링될 수 있다. 트랙킹 및 애널리틱스 모듈(2203)은 데이터 트랙커 또는 마커를 구성된 소셜 데이터 객체로 삽입하여 사람들로부터의 피드백의 수집을 용이하게 한다. 데이터 트랙커 또는 마커는, 예를 들면 태그, 피드백(예를 들면, 좋아요(like), 싫어요(dislike), 등급(rating), 섬 업(thumb up), 섬 다운(thumb down) 등), 웹 페이지의 조회수 등을 포함한다.
송신용 데이터 저장소(2204)는 연관된 데이터 트랙커 또는 마커를 갖는 소셜 데이터 객체를 저장한다. 소셜 데이터 객체는 "카트"로서 패키징될 수 있다. 동일한 소셜 데이터 객체 또는 다른 소셜 데이터 객체를 갖는 다수의 카트는 데이터 저장소(2204)에 저장된다. 카트는 연관된 텔레메트리 및 스케쥴링 파라미터에 따라 론칭되거나 송신된다. 동일한 카트는 복수회 론칭될 수 있다. 하나 이상의 카트는 캠페인 하에서 조직화되어 구성된 소셜 데이터를 브로드케스팅할 수 있다. 데이터 트랙커 또는 마커는 캠페인 또는 각 카트의 성공을 분석하는데 사용된다.
도 23에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 액티브 트랜스미터 모듈(105)에 따라 구성된 소셜 데이터를 송신하기 위해 제공된다. 블록(2301)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터를 획득한다. 블록(2302)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터의 텔레메트리를 결정한다. 블록(2303)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터의 송신을 위한 스케쥴링을 결정한다. 피드백을 획득하는데 이용되는 트랙커는 구성된 소셜 데이터에 추가되고(블록(2304)), 트랙커를 포함하는 소셜 데이터는 스케쥴링 및 텔레메트리 파라미터와 연관되어 저장된다(블록(2305)). 스케쥴링 파라미터에 의해 결정된 시점에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터를 텔레메트리 파라미터에 따라 식별된 소셜 데이터 채널로 전송한다(블록(2306)).
도 23을 계속하면, 액티브 트랜스미터 모듈은 트랙커를 이용하여 피드백을 수신하고(블록(2307)), 피드백을 이용하여 텔레메트리 또는 스케쥴링 파라미터, 또는 양쪽을 조정한다(블록(2308)).
이하, 액티브 트랜스미터 모듈(105)의 다른 예시적 양태가 제공된다.
액티브 트랜스미터 모듈(105)은 인간의 개입이 거의 없거나 인간의 개입없이 메시지, 일반적으로는 소셜 데이터를 송신하도록 설정된다.
액티브 트랜스미터 모듈(105)은 기계 학습 및 애널리틱 알고리즘을 이용하여 오디언스 또는 유저에게 구성된 소셜 데이터 객체를 커뮤니케이팅하기 위한 하나 이상의 데이터 커뮤니케이션 채널을 선택하도록 설정된다. 데이터 커뮤니케이션 채널은 페이스북, 트위터, 및 블룸버그 등의 인터넷 회사를 포함하지만, 이들에 한정되지 않는다. 또한, 채널은 기존의 TV, 라디오, 및 신문 발행 채널을 포함할 수 있다.
액티브 트랜스미터 모듈(105)은 특정 타깃 오디언스 또는 유저에 도달하도록 타깃 커뮤니케이션 채널을 자동으로 확대 또는 축소하도록 설정된다.
액티브 트랜스미터 모듈(105)은 서드 파티 회사 또는 조직으로부터 데이터 및 메타데이터를 통합하여 채널 타깃팅 및 유저 타깃팅을 향상시키는 것을 도움으로써 소셜 데이터 송신의 유효성을 개선시키도록 설정된다.
액티브 트랜스미터 모듈(105)은 고유의 마커를 적용 및 송신하여 구성된 소셜 데이터를 트랙킹하도록 설정된다. 마커는 기타 핵심 성능 지표 중에서 구성된 소셜 데이터의 유효성, 데이터 커뮤니케이션 채널의 유효성, 및 ROI(투자 수익률) 유효성을 트랙킹한다.
액티브 트랜스미터 모듈(105)은 구성된 소셜 데이터를 전송/송신하기 위한 최고의 시간 또는 적절한 시간을 자동으로 추천하도록 설정된다.
액티브 트랜스미터 모듈(105)은 구성된 소셜 데이터가 데이터 커뮤니케이션 채널에 의해 성공적으로 수신되었는지, 또는 유저에 의해 조회/소비되었는지, 또는 양쪽인지를 청취하고 해석하도록 설정된다.
액티브 트랜스미터 모듈(105)은 구성된 소셜 데이터에 대한 유저 반응을 분석하고, 타깃 채널 또는 유저, 또는 양쪽을 자동으로 변경하도록 설정된다. 예에 있어서, 변경에 대한 의사결정은 성공적인 또는 비성공적인 송신(유저가 수신함)을 기초로 한다.
액티브 트랜스미터 모듈(105)은 미래 또는 차후의 구성된 소셜 데이터 송신을 위해 특정 데이터 커뮤니케이션 채널 및 유저를 필터링하도록 설정된다.
액티브 트랜스미터 모듈(105)은 액티브 트랜스미터 모듈에 의해 수신된 분석적인 반응에 따라 N번의 횟수 동안 구성된 소셜 데이터를 사전 전송하는 송신을 반복하도록 설정된다. 이 시나리오에 있어서의 N의 값은 분석적으로 결정될 수 있다.
액티브 트랜스미터 모듈(105)은 각 송신 캠페인 사이의 지속 시간을 분석적으로 결정하도록 설정된다.
또한, 액티브 트랜스미터 모듈(105)은 풍부한 비즈니스 정보를 제공하기 위하여, 액티브 컴포저 모듈(104)에서부터의 메타데이터를 구성된 소셜 데이터의 송신에 적용하도록 설정된다. 메타데이터는 지리적 데이터, 시간적 데이터, 비즈니스 주도 특징, 고유의 캠페인 ID, 핵심 단어, 해시태그 또는 그 균등물, 분석 주도 특징 등을 포함하지만, 이들에 한정되지 않는다.
액티브 트랜스미터 모듈(105)은, 예를 들면 다수의 액티브 트랜스미터 모듈(105)을 이용함으로써 크기가 조정되도록 설정된다. 환언하면, 하나의 모듈(105)을 도면에 나타내지만, 데이터의 대량 송신을 수용하기 위해 동일한 모듈의 다수의 인스턴스가 있을 수 있다.
소셜 애널리틱 신시사이저 모듈
소셜 애널리틱 신시사이저 모듈(106)은 기계 학습, 애널리틱스를 행하고, 비즈니스 주도 룰에 따라 의사결정하도록 설정된다. 소셜 애널리틱 신시사이저 모듈(106)에 의해 결정되는 결과 및 추천은 액티브 리시버 모듈(103), 액티브 컴포저 모듈(104), 및 액티브 트랜스미터 모듈(105) 중 임의의 하나 이상, 또는 시스템(102)과 통합할 수 있는 임의의 다른 모듈과 지능적으로 통합된다. 이 모듈(106)은 다수의 지리적 위치에 배치 또는 위치되어 다른 모듈 중에서 실시간 커뮤니케이션을 용이하게 할 수 있다. 이 배열 또는 다른 배열은 대규모의 데이터에 있어서 저지연 청취, 소셜 콘텐츠 생성 및 콘텐츠 송신을 제공하기 위해 사용될 수 있다.
또한, 소셜 애널리틱 신시사이저 모듈(106)은 고유의 전체 패턴, 상관관계, 및 인사이트를 식별하도록 설정된다. 예시적 실시형태에 있어서, 모듈(106)은 적어도 2개의 다른 모듈(예를 들면, 임의의 2개 이상의 모듈(103, 104 및 105))로부터 데이터를 모두 분석함으로써 패턴 또는 인사이트를 식별할 수 있고, 반면에 이들 패턴 또는 인사이트는 각각의 모듈(104, 104 및 105)로부터 데이터를 개별적으로 분석함으로써 결정되지 않을 수도 있다. 예시적 실시형태에 있어서, 피드백 또는 조정 코멘드가 소셜 애널리틱 신시사이저 모듈(106)에 의해 다른 모듈에 실시간으로 제공된다. 경시 및 다수의 반복에 따라, 모듈(103, 104, 105 및 106)은 각각 연속적인 소셜 커뮤니케이션 및 그들의 각각의 동작에서 보다 유효하고, 효율적으로 된다.
도 24에 따르면, 소셜 애널리틱 신시사이저 모듈(106)의 예시적 구성요소를 나타낸다. 예시적 구성요소는 액티브 리시버 모듈(2401)로부터의 데이터의 복사, 액티브 컴포저 모듈(2402)로부터의 데이터의 복사, 및 액티브 트랜스미터 모듈(2403)로부터의 데이터의 복사를 포함한다. 이들 데이터의 복사는 각 모듈에 의해 획득되는 입력 데이터, 중간 데이터, 각 모듈의 출력 데이터, 각 모듈에 의해 사용되는 알고리즘 및 컴퓨테이션, 각 모듈에 의해 이용되는 파라미터 등을 포함한다. 바람직하게는, 이들 데이터 저장소(2401, 2402 및 2403)는 수시로 업데이트되지만, 반드시 필요한 것은 아니다. 예시적 실시형태에 있어서, 다른 모듈(103, 104, 105)로부터의 데이터는 이들 다른 모듈로부터의 새로운 데이터를 이용 가능해짐에 따라 소셜 애널리틱 신시사이저 모듈(106)에 의해 실시간으로 획득된다.
또한, 도 24를 계속하면 예시적 구성요소는 서드 파티 시스템(2404), 애널리틱스 모듈(2405), 기계 학습 모듈(2406) 및 조정 모듈(2407)로부터의 데이터 저장을 포함한다. 애널리틱스 모듈(2405) 및 기계 학습 모듈(2406)은 공지된 컴퓨팅 알고리즘을 이용하여 데이터(2401, 2402, 2403, 2404)를 프로세스하여 의사결정하고 모든 모듈(103, 104, 105, 및 106) 사이의 프로세스를 개선시킨다. 조정 모듈(2407)은 애널리틱스 모듈 및 기계 학습 모듈로부터의 결과를 기초로 하여 조정 코멘드를 생성한다. 이어서, 조정 코멘드는 각각의 모듈(예를 들면, 임의의 하나 이상의 모듈(103, 104, 105, 및 106))로 전송된다.
예시적 실시형태에 있어서, 서드 파티 시스템(2404)으로부터의 데이터는 링크드인, 페이스북, 트위터 등의 또 다른 소셜 네트워크 유래일 수 있다.
이하, 소셜 애널리틱 신시사이저 모듈(106)의 다른 예시적 양태이다.
소셜 애널리틱 신시사이저 모듈(106)은 액티브 리시버 모듈(103), 액티브 컴포저 모듈(104), 및 액티브 트랜스미터 모듈(105)에 포함되는 하나 이상의 서브 시스템 및 모듈로부터 실시간으로 데이터를 통합하도록 설정되지만, 이들에 한정되지 않는다. 외부 시스템 또는 서드 파티 시스템은 모듈(106)과 통합될 수 있다.
소셜 애널리틱 신시사이저 모듈(106)은 획득된 데이터에 기계 학습 및 애널리틱을 적용하여 "홀리스틱" 데이터 패턴, 상관관계 및 인사이트를 검색하도록 설정된다.
소셜 애널리틱 신시사이저 모듈(106)은 애널리틱 및 기계 학습 프로세스에 의해 결정된 패턴, 상관관계 및 인사이트를 실시간으로 피드백하도록 설정된다. 피드백은 모듈(103, 104, 105, 및 106)에 관한 것이고, 이 통합된 피드백 루프는 경시에 따른 각 모듈 및 전체 시스템(102)의 정보를 개선시킨다.
소셜 애널리틱 신시사이저 모듈(106)은 이러한 모듈의 수를 조정하도록 설정된다. 환언하면, 도면은 하나의 모듈(106)을 나타내지만, 피드백의 유효성 및 반응 시간을 개선시키기 위한 이러한 모듈(106)의 다수의 인스턴스가 있을 수 있다.
소셜 애널리틱 신시사이저 모듈(106)은 인간의 개입이 거의 없거나 인간의 개입없이 동작하도록 설정된다.
도 25에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 모듈(106)에 따른 분석을 기초로 하여 데이터를 분석하고, 조정 코멘드를 제공하기 위해 제공된다. 블록(2501)에서, 소셜 애널리틱 신시사이저 모듈은 액티브 리시버 모듈, 액티브 컴포저 모듈 및 액티브 트랜스미터 모듈로부터 데이터를 획득하고 저장한다. 애널리틱 및 기계 학습은 데이터에 적용된다(블록(2502)). 소셜 애널리틱 신시사이저는 임의의 액티브 리시버 모듈, 액티브 컴포저 모듈, 및 액티브 트랜스미터 모듈에 사용되는 알고리즘 또는 프로세스에서 행하는 조정을 결정한다(블록(2503)). 이어서, 조정, 또는 조정 코멘드는 대응하는 모듈 또는 대응하는 모듈들에 전송된다(블록(2504)).
이하, 시스템 및 방법의 일반적인 예시적 실시형태를 설명한다.
일반적으로, 컴퓨팅 장치에 의해 행해지는 소셜 데이터를 구성하는 방법은 소셜 데이터를 획득하는 스텝, 상기 소셜 데이터로부터의 2개의 컨셉 사이의 관계를 기초로 하여 적어도 2개의 컨셉을 획득하는 스텝, 및 상기 적어도 2개의 컨셉 및 상기 소셜 데이터를 이용하여 새로운 소셜 데이터 객체를 구성하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 상기 방법은: 상기 새로운 소셜 데이터 객체를 송신하는 스텝, 새로운 소셜 데이터 객체와 연관된 유저 피드백을 획득하는 스텝, 및 상기 유저 피드백을 이용하여 조정 코멘드를 컴퓨팅하는 스텝을 더 포함하고, 상기 조정 코멘드를 실행하는 것은 상기 방법에 사용되는 파라미터를 조정한다.
상기 방법의 또 다른 양태에 있어서, 상기 소셜 데이터는 소셜 데이터 객체를 포함하고, 상기 새로운 소셜 데이터 객체는 상기 소셜 데이터 객체를 포함하는 방법.
상기 방법의 또 다른 양태에 있어서, 액티브 리시버 모듈이 적어도 상기 소셜 데이터를 획득하도록 설정되고, 액티브 컴포저 모듈이 적어도 상기 새로운 소셜 데이터 객체를 구성하도록 설정되고, 액티브 트랜스미터 모듈이 적어도 상기 새로운 소셜 데이터 객체를 송신하도록 설정되고, 또한 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 서로 커뮤니케이팅한다.
상기 방법의 또 다른 양태에 있어서, 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 각각 소셜 애널리틱 신시사이저 모듈과 커뮤니케이팅하고; 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈 중 적어도 하나에 상기 조정 코멘드를 전송하는 상기 소셜 애널리틱 신시사이저 모듈을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 새로운 소셜 데이터 객체를 구성하는 스텝은 자연어 생성을 이용하는 것을 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 새로운 소셜 데이터 객체는 텍스트, 비디오, 그래픽, 오디오 데이터, 또는 그들의 조합 중 임의의 하나이다.
상기 방법의 또 다른 양태에 있어서, 상기 적어도 2개의 컨셉은 상기 소셜 데이터의 스테레오타입 특성이고, 상기 관계는 스테레오타입 관계이고; 상기 스테레오타입 특성을 이용하여 상기 새로운 소셜 데이터 객체를 구성하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 관계는 적어도 2개의 컨셉을 함께 관련시키고, 상기 적어도 2개의 컨셉은 이하의 컨셉의 임의의 조합을 포함한다: 핵심 단어, 핵심 어구, 개인, 사람들의 그룹, 상기 개인의 특징, 상기 사람들의 그룹의 특징, 브랜드, 토픽, 텍스트 데이터, 오디오 데이터, 비디오 데이터, 위치, 날짜, 및 각 컨셉의 다수의 인스턴스.
상기 방법의 또 다른 양태에 있어서, 상기 적어도 2개의 컨셉은 텍스트이고, 자연어 프로세싱 및 텍스트 요약 알고리즘 중 적어도 하나를 이용하여 조합된다.
상기 방법의 또 다른 양태에 있어서, 적어도 2개의 컨셉은 텍스트이고, 상기 새로운 소셜 데이터 객체는 텍스트이고, 상기 방법은 상기 새로운 소셜 데이터 객체에 있어서의 핵심 단어 또는 핵심 어구를 식별하고, 상기 핵심 단어 또는 상기 핵심 어구를 이용하여 동의의 핵심 단어 또는 동의의 핵심 어구에 대한 시소러스 데이터베이스를 검색하고, 또한 상기 핵심 단어 또는 상기 핵심 어구를 상기 동의의 핵심 단어 또는 상기 동의의 핵심 어구로 교체하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 방법은 상기 새로운 소셜 데이터 객체의 타깃 오디언스를 획득하고, 또한 상기 동의의 핵심 단어 또는 상기 동의의 핵심 어구와 연관된 위치 및 데모그래픽 특징 중 적어도 하나에 연관되며 상기 타깃 오디언스를 나타내는 상기 동의의 핵심 단어 또는 상기 동의의 핵심 어구를 선택하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 적어도 2개의 컨셉은 적어도 오피니언 서술 및 상기 오피니언 서술과 관련된 다수의 인과 서술을 포함하고, 상기 방법은 상기 오피니언 서술로부터 얻어진 오피니언을 도입하는 텍스트의 도입 단락을 생성하고, 또한 상기 오피니언을 지지하는 텍스트의 다수의 지지 단락을 생성하고, 상기 지지 단락의 각각의 하나는 상기 다수의 인과 서술 중 하나로부터 얻어지는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 적어도 2개의 컨셉은 적어도 이벤트 및 상기 이벤트를 설명하는 팩트를 포함하고, 상기 방법은 상기 이벤트를 서술하는 텍스트의 도입 단락을 생성하고, 또한 상기 이벤트를 설명하는 텍스트의 보조 단락을 생성하고, 상기 보조 단락은 상기 팩트로부터 유도되는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 적어도 2개의 컨셉은 적어도 이벤트, 상기 이벤트와 관련된 파티로부터의 서술, 및 상기 파티를 식별하는 정보를 포함하고, 상기 방법은 상기 이벤트를 서술하는 텍스트의 도입 단락을 생성하고, 또한 상기 파티를 인용하는 텍스트의 보조 단락을 생성하고, 상기 보조 단락은 상기 파티를 식별하는 상기 서술 및 상기 정보로부터 유도되는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 새로운 소셜 데이터 객체는 회사에 대한 보도 자료이고, 상기 보도 자료는 상기 회사에 대한 정보를 포함하고, 상기 방법은 상기 회사의 경쟁 회사를 식별하고, 상기 회사에 대한 정보를 상기 경쟁 회사에 대한 정보와 비교를 행하고, 또한 상기 비교를 이용하여 경쟁 정보 보고서를 생성하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 경쟁 정보 보고서는 상기 경쟁 정보 보고서가 공개 배포용이 아닌 것을 나타내는 데이터 마커로 마킹된다. 상기 데이터 마커는 상기 경쟁 정보 보고서가 대량 배포될 수 었는 컴퓨팅 시스템에 의해 인지되도록 설정되고, 특별한 인가없이 당사자(party)들에 의해 전송 또는 엑세스되는 것을 제한한다.
상기 방법의 또 다른 양태에 있어서, 상기 방법은 사전 구성된 소셜 데이터 객체로서 상기 새로운 소셜 데이터 객체를 마킹하고, 사전 구성된 소셜 데이터 객체에 있어서의 핵심 단어 및 핵심 용어 중 적어도 하나를 식별하고, 상기 핵심 단어 및 상기 핵심 용어 중 적어도 하나를 이용하여 다른 소셜 데이터에 대한 검색을 행하고, 또한 상기 검색으로부터의 결과를 이용하여 상기 사전 구성된 소셜 데이터 객체를 참조하는 팔로우업 소셜 데이터 객체를 구성하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 새로운 소셜 데이터 객체를 구성하는 스텝은 텍스트를 생성하고, 텍스트 투 스피치 프로세스를 이용하여 오디오 파일을 생성하고, 상기 텍스트와 관련된 이미지 및 비디오 중 적어도 하나를 획득하고, 이미지 및 비디오 중 적어도 하나를 이용하여 비디오 파일을 생성하고, 상기 비디오 파일은 상기 오디오 파일의 길이에 매칭되는 길이를 갖고, 또한 상기 비디오 파일에 상기 오디오 파일을 오버레잉하는 것을 더 포함한다.
일반적으로, 소셜 데이터를 커뮤니케이팅하기 위해 컴퓨팅 장치에 의해 행해지는 또 다른 방법은 소셜 데이터를 획득하는 스텝, 상기 소셜 데이터로부터의 2개의 컨셉을 얻는 스텝, 상기 적어도 2개의 컨셉 사이의 관계를 결정하는 스텝, 상기 관계를 이용하여 새로운 소셜 데이터 객체를 구성하는 스텝, 상기 새로운 소셜 데이터 객체를 송신하는 스텝, 새로운 소셜 데이터 객체와 연관된 유저 피드백을 획득하는 스텝, 상기 유저 피드백을 이용하여 조정 코멘드를 컴퓨팅하는 스텝을 포함하고, 상기 조정 코멘드를 실행하는 단계는 상기 방법에 사용되는 파라미터를 조정한다.
상기 방법의 양태에 있어서, 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 각각 소셜 애널리틱 신시사이저 모듈과 커뮤니케이팅하고, 상기 방법은 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈 중 적어도 하나에 상기 조정 코멘드를 전송하는 상기 소셜 애널리틱 신시사이저 모듈을 더 포함한다.
상기 방법의 양태에 있어서, 상기 방법은 조정 코멘드를 실행하는 스텝 및 상기 방법을 반복하는 스텝을 더 포함한다.
상기 방법의 양태에 있어서, 상기 소셜 데이터를 획득하는 스텝은 상기 컴퓨팅 장치가 다수의 소셜 데이터 스트림과 실시간으로 커뮤니케이팅하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 상기 관계를 결정하는 스텝은 기계 학습 알고리즘 또는 패턴 인지 알고리즘, 또는 양쪽을 이용하는 것을 포함한다.
상기 방법의 양태에 있어서, 상기 방법은 상기 새로운 소셜 데이터 객체를 송신하는 소셜 커뮤니케이션 채널을 결정하는 스텝, 상기 소셜 커뮤니케이션 채널을 통해 상기 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 상기 소셜 커뮤니케이션 채널은 적어도 2개의 컨셉 중 적어도 1개를 이용하여 결정된다.
상기 방법의 양태에 있어서, 상기 방법은 상기 새로운 소셜 데이터 객체를 송신하는 시간을 결정하는 스텝 및 상기 시간에 상기 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 상기 시간은 적어도 2개의 컨셉 중 적어도 1개를 이용하여 결정된다.
상기 방법의 양태에 있어서, 상기 방법은 상기 새로운 소셜 데이터 객체를 송신하기 전에 상기 새로운 소셜 데이터 객체에 데이터 트랙커를 추가하는 스텝을 더 포함하고, 상기 데이터 트랙커는 상기 유저 피드백의 수집을 용이하게 한다.
본원에 설명된 바와 같이, 상기 시스템 및 방법의 예시적 실시형태의 상이한 특성은 상이한 방식으로 서로 조합될 수 있는 것이 이해될 것이다. 환언하면, 상이한 모듈, 동작 및 구성요소는 다른 예시적 실시형태에 따라서 함께 사용될 수 있지만, 특별히 명시하지 않는다.
본원에 설명된 흐름도에 있어서의 스텝 또는 동작은 단지 예시일 뿐이다. 본 발명 또는 발명들의 정신을 벗어나는 일 없이 이들 스텝 또는 동작에는 많은 변경이 있을 수 있다. 예를 들면, 상기 스텝은 다른 순서로 행해질 수 있거나, 스텝이 추가, 삭제 또는 변경될 수 있다.
본 발명은 어떤 특정 실시형태를 참조하여 설명되지만, 첨부된 청구범위로부터 벗어나는 일 없이 그것들의 각종 변형이 당업자에게 명백할 것이다.

Claims (20)

  1. 소셜 데이터를 획득하는 스텝,
    상기 소셜 데이터로부터의 2개의 컨셉 사이의 관계를 기초로 하여 적어도 2개의 컨셉을 획득하는 스텝, 및
    상기 적어도 2개의 컨셉 및 상기 소셜 데이터를 이용하여 새로운 소셜 데이터 객체를 구성하는 스텝을 포함하는 컴퓨팅 장치에 의해 행해지는 소셜 데이터를 구성하는 방법.
  2. 제 1 항에 있어서,
    상기 새로운 소셜 데이터 객체를 송신하는 스텝,
    새로운 소셜 데이터 객체와 연관된 유저 피드백을 획득하는 스텝, 및
    상기 유저 피드백을 이용하여 조정 코멘드를 컴퓨팅하는 스텝을 더 포함하고,
    상기 조정 코멘드를 실행하는 것은 상기 방법에 사용되는 파라미터를 조정하는 방법.
  3. 제 1 항에 있어서,
    상기 소셜 데이터는 소셜 데이터 객체를 포함하고, 상기 새로운 소셜 데이터 객체는 상기 소셜 데이터 객체를 포함하는 방법.
  4. 제 1 항에 있어서,
    액티브 리시버 모듈이 적어도 상기 소셜 데이터를 획득하도록 설정되고,
    액티브 컴포저 모듈이 적어도 상기 새로운 소셜 데이터 객체를 구성하도록 설정되고,
    액티브 트랜스미터 모듈이 적어도 상기 새로운 소셜 데이터 객체를 송신하도록 설정되고,
    상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 서로 커뮤니케이팅하는 방법.
  5. 제 4 항에 있어서,
    상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 각각 소셜 애널리틱 신시사이저 모듈과 커뮤니케이팅하고;
    상기 방법은 상기 소셜 애널리틱 신시사이저 모듈이 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈 중 적어도 하나에 상기 조정 코멘드를 전송하는 스텝을 더 포함하는 방법.
  6. 제 1 항에 있어서,
    상기 새로운 소셜 데이터 객체를 구성하는 스텝은 자연어 생성을 이용하는 스텝을 포함하는 방법.
  7. 제 1 항에 있어서,
    상기 새로운 소셜 데이터 객체는 텍스트, 비디오, 그래픽, 오디오 데이터, 또는 그들의 조합 중 임의의 하나인 방법.
  8. 제 1 항에 있어서,
    상기 적어도 2개의 컨셉은 상기 소셜 데이터의 스테레오타입 특성이고,
    상기 관계는 스테레오타입 관계이고;
    상기 스테레오타입 특성을 이용하여 상기 새로운 소셜 데이터 객체를 구성하는 스텝을 더 포함하는 방법.
  9. 제 1 항에 있어서,
    상기 관계는 적어도 2개의 컨셉을 함께 관련시키고, 상기 적어도 2개의 컨셉은 이하의 컨셉의 임의의 조합을 포함하는 방법:
    핵심 단어, 핵심 어구, 개인, 사람들의 그룹, 상기 개인의 특징, 상기 사람들의 그룹의 특징, 브랜드, 토픽, 텍스트 데이터, 오디오 데이터, 비디오 데이터, 위치, 날짜, 및 각 컨셉의 다수의 인스턴스.
  10. 제 1 항에 있어서,
    상기 적어도 2개의 컨셉은 텍스트이고, 자연어 프로세싱 및 텍스트 요약 알고리즘 중 적어도 하나를 이용하여 조합되는 방법.
  11. 제 1 항에 있어서,
    상기 적어도 2개의 컨셉은 텍스트이고, 상기 새로운 소셜 데이터 객체는 텍스트이고;
    상기 새로운 소셜 데이터 객체에 있어서의 핵심 단어 또는 핵심 어구를 식별하고, 상기 핵심 단어 또는 상기 핵심 어구를 식별하여 동의의 핵심 단어 또는 동의의 핵심 어구에 대한 시소러스 데이터베이스를 검색하고, 또한 상기 핵심 단어 또는 상기 핵심 어구를 상기 동의의 핵심 단어 또는 상기 동의의 핵심 어구로 교체하는 스텝을 더 포함하는 방법.
  12. 제 11 항에 있어서,
    상기 새로운 소셜 데이터 객체의 타깃 오디언스를 획득하고, 또한 상기 동의의 핵심 단어 또는 상기 동의의 핵심 어구와 연관되며 상기 타깃 오디언스를 나타내는 위치 및 데모그래픽 특징 중 적어도 하나에 따라서 상기 동의의 핵심 단어 또는 상기 동의의 핵심 어구를 선택하는 스텝을 더 포함하는 방법.
  13. 제 1 항에 있어서,
    상기 적어도 2개의 컨셉은 적어도 오피니언 서술 및 상기 오피니언 서술과 관련된 다수의 인과 서술을 포함하고;
    상기 방법은 상기 오피니언 서술로부터 유도되는 오피니언을 도입하는 텍스트의 도입 단락을 생성하고, 상기 오피니언을 지지하는 텍스트의 다수의 지지 단락을 생성하는 스텝을 더 포함하며, 상기 지지 단락의 각각의 하나는 상기 다수의 인과 서술 중 하나로부터 유도되는, 방법.
  14. 제 1 항에 있어서,
    상기 적어도 2개의 컨셉은 적어도 이벤트 및 상기 이벤트를 설명하는 팩트를 포함하고;
    상기 방법은: 상기 이벤트를 서술하는 텍스트의 도입 단락을 생성하는 스텝; 및 상기 이벤트를 설명하는 텍스트의 보조 단락을 생성하는 스텝을 더 포함하며, 상기 보조 단락은 상기 팩트로부터 유도되는, 방법.
  15. 제 1 항에 있어서,
    상기 적어도 2개의 컨셉은 적어도 이벤트, 상기 이벤트와 관련된 당사자로부터의 서술, 및 상기 당사자를 식별하는 정보를 포함하고;
    상기 방법은: 상기 이벤트를 서술하는 텍스트의 도입 단락을 생성하는 스텝; 및 상기 당사자를 인용하는 텍스트의 보조 단락을 생성하는 스텝을 더 포함하며, 상기 보조 단락은 상기 파티를 식별하는 상기 정보 및 상기 서술로부터 얻어지는, 방법.
  16. 제 1 항에 있어서,
    상기 새로운 소셜 데이터 객체는 회사에 대한 보도 자료이고, 상기 보도 자료는 상기 회사에 대한 정보를 포함하고;
    상기 회사의 경쟁 회사를 식별하고, 상기 회사에 대한 정보와 상기 경쟁 회사에 대한 정보의 비교를 행하고, 또한 상기 비교를 이용하여 경쟁 정보 보고서를 생성하는 스텝을 더 포함하는 방법.
  17. 제 16 항에 있어서,
    상기 경쟁 정보 보고서는 상기 경쟁 정보 보고서가 공개 배포용이 아닌 것을 나타내는 데이터 마커로 마킹되는 방법.
  18. 제 1 항에 있어서,
    사전 구성된 소셜 데이터 객체로서 상기 새로운 소셜 데이터 객체를 마킹하고, 상기 사전 구성된 소셜 데이터 객체에 있어서의 핵심 단어 및 핵심 용어 중 적어도 하나를 식별하고, 상기 핵심 단어 및 상기 핵심 용어 중 적어도 하나를 이용하여 다른 소셜 데이터에 대한 검색을 행하고, 또한 상기 검색으로부터의 결과를 이용하여 상기 사전 구성된 소셜 데이터 객체를 참조하는 팔로우업 소셜 데이터 객체를 구성하는 스텝을 더 포함하는 방법.
  19. 제 1 항에 있어서,
    상기 새로운 소셜 데이터 객체를 구성하는 스텝은,
    텍스트를 생성하고, 텍스트 투 스피치 프로세스를 이용하여 오디오 파일을 생성하고, 상기 텍스트와 관련된 이미지 및 비디오 중 적어도 하나를 획득하고, 상기 이미지 및 비디오 중 적어도 하나를 이용하여 비디오 파일을 생성하고 상기 비디오 파일은 상기 오디오 파일의 길이에 매칭되는 길이를 가짐, 또한 상기 비디오 파일에 상기 오디오 파일을 오버레잉하는 스텝을 포함하는 방법.
  20. 프로세서;
    커뮤니케이션 장치;
    메모리 장치를 포함하는 소셜 데이터를 커뮤니케이팅하도록 설정된 서버 시스템으로서,
    상기 메모리 장치는, 적어도
    소셜 데이터를 획득하고,
    상기 소셜 데이터로부터의 2개의 컨셉 사이의 관계를 기초로 하여 적어도 2개의 컨셉을 획득하고, 또한
    상기 적어도 2개의 컨셉 및 상기 소셜 데이터를 이용하여 새로운 소셜 데이터 객체를 구성하기 위한 컴퓨터 실행 가능 명령을 포함하는 서버 시스템.

KR1020167010232A 2013-09-19 2014-06-09 연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법 KR20160055930A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361880027P 2013-09-19 2013-09-19
US61/880,027 2013-09-19
PCT/CA2014/050533 WO2015039222A1 (en) 2013-09-19 2014-06-09 Systems and methods for actively composing content for use in continuous social communication

Publications (1)

Publication Number Publication Date
KR20160055930A true KR20160055930A (ko) 2016-05-18

Family

ID=52668971

Family Applications (5)

Application Number Title Priority Date Filing Date
KR1020167010232A KR20160055930A (ko) 2013-09-19 2014-06-09 연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법
KR1020167010273A KR20160057475A (ko) 2013-09-19 2014-07-03 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법
KR1020167010246A KR20160059486A (ko) 2013-09-19 2014-09-15 연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법
KR1020167010250A KR20160058896A (ko) 2013-09-19 2014-09-16 소셜 커뮤니케이션 데이터를 분석하고 송신하는 시스템 및 방법
KR1020167010249A KR20160058895A (ko) 2013-09-19 2014-09-16 소셜 커뮤니케이션 데이터의 분석 및 합성을 위한 시스템 및 방법

Family Applications After (4)

Application Number Title Priority Date Filing Date
KR1020167010273A KR20160057475A (ko) 2013-09-19 2014-07-03 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법
KR1020167010246A KR20160059486A (ko) 2013-09-19 2014-09-15 연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법
KR1020167010250A KR20160058896A (ko) 2013-09-19 2014-09-16 소셜 커뮤니케이션 데이터를 분석하고 송신하는 시스템 및 방법
KR1020167010249A KR20160058895A (ko) 2013-09-19 2014-09-16 소셜 커뮤니케이션 데이터의 분석 및 합성을 위한 시스템 및 방법

Country Status (6)

Country Link
US (5) US20150081696A1 (ko)
EP (5) EP3047390A1 (ko)
KR (5) KR20160055930A (ko)
CN (5) CN106062730A (ko)
CA (4) CA2924375A1 (ko)
WO (5) WO2015039222A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101712291B1 (ko) 2015-12-14 2017-03-13 강원대학교산학협력단 오피니언 마이닝을 기반으로 한 사용자 맞춤형 명소 정보 추천 시스템 및 구동 방법

Families Citing this family (102)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11216498B2 (en) 2005-10-26 2022-01-04 Cortica, Ltd. System and method for generating signatures to three-dimensional multimedia data elements
US11361014B2 (en) 2005-10-26 2022-06-14 Cortica Ltd. System and method for completing a user profile
US9524751B2 (en) 2012-05-01 2016-12-20 Wochit, Inc. Semi-automatic generation of multimedia content
US9547682B2 (en) * 2012-08-22 2017-01-17 Bitvore Corp. Enterprise data processing
US9704486B2 (en) * 2012-12-11 2017-07-11 Amazon Technologies, Inc. Speech recognition power management
WO2014183034A1 (en) 2013-05-10 2014-11-13 Uberfan, Llc Event-related media management system
US9727752B2 (en) * 2013-09-25 2017-08-08 Kairos Social Solutions, Inc. Device, system, and method of identifying a specific user from a profile image containing multiple people
US9450771B2 (en) * 2013-11-20 2016-09-20 Blab, Inc. Determining information inter-relationships from distributed group discussions
US9553904B2 (en) * 2014-03-16 2017-01-24 Wochit, Inc. Automatic pre-processing of moderation tasks for moderator-assisted generation of video clips
KR20150129963A (ko) * 2014-05-12 2015-11-23 한국전자통신연구원 위치 타입 인식 장치 및 방법
US9959364B2 (en) * 2014-05-22 2018-05-01 Oath Inc. Content recommendations
US9846687B2 (en) * 2014-07-28 2017-12-19 Adp, Llc Word cloud candidate management system
US9848311B1 (en) * 2014-08-01 2017-12-19 Catalyst Communications Technologies System and method for managing communications
US10394898B1 (en) * 2014-09-15 2019-08-27 The Mathworks, Inc. Methods and systems for analyzing discrete-valued datasets
CN106156030A (zh) * 2014-09-18 2016-11-23 华为技术有限公司 社交网络中预测信息传播的方法及设备
US10095797B2 (en) * 2014-10-03 2018-10-09 Salesforce.Com, Inc. Suggesting actions for evaluating user performance in an enterprise social network
US10255358B2 (en) 2014-12-30 2019-04-09 Facebook, Inc. Systems and methods for clustering items associated with interactions
US9893952B2 (en) * 2015-01-09 2018-02-13 Microsoft Technology Licensing, Llc Dynamic telemetry message profiling and adjustment
US9659219B2 (en) 2015-02-18 2017-05-23 Wochit Inc. Computer-aided video production triggered by media availability
US20160269341A1 (en) * 2015-03-11 2016-09-15 Microsoft Technology Licensing, Llc Distribution of endorsement indications in communication environments
US9838347B2 (en) 2015-03-11 2017-12-05 Microsoft Technology Licensing, Llc Tags in communication environments
US20180054413A1 (en) * 2015-03-27 2018-02-22 Ent. Services Development Corporation Lp Communication association model
US10564805B2 (en) * 2015-03-30 2020-02-18 Oath Inc. Determining content sessions using content-consumption events
WO2016166417A1 (en) * 2015-04-13 2016-10-20 Equivalentor Oy Method for generating natural language communication
US9881094B2 (en) * 2015-05-05 2018-01-30 Snap Inc. Systems and methods for automated local story generation and curation
US10447622B2 (en) 2015-05-07 2019-10-15 At&T Intellectual Property I, L.P. Identifying trending issues in organizational messaging
US10672029B2 (en) * 2015-05-22 2020-06-02 Facebook, Inc. Clustering users of a social networking system based on user interactions with content items associated with a topic
JP6511971B2 (ja) * 2015-06-05 2019-05-15 富士ゼロックス株式会社 情報処理装置及びプログラム
US10147107B2 (en) * 2015-06-26 2018-12-04 Microsoft Technology Licensing, Llc Social sketches
US20170024455A1 (en) * 2015-07-24 2017-01-26 Facebook, Inc. Expanding mutually exclusive clusters of users of an online system clustered based on a specified dimension
US10985993B2 (en) * 2015-09-16 2021-04-20 Adobe Inc. Identifying audiences that contribute to metric anomalies
US10169733B2 (en) 2015-10-28 2019-01-01 International Business Machines Corporation Utilizing social performance patterns to manage and evaluate performance of user
US10079911B2 (en) * 2015-12-04 2018-09-18 International Business Machines Corporation Content analysis based selection of user communities or groups of users
US20170161364A1 (en) * 2015-12-07 2017-06-08 International Business Machines Corporation Generating messages using keywords
US11195043B2 (en) 2015-12-15 2021-12-07 Cortica, Ltd. System and method for determining common patterns in multimedia content elements based on key points
US10776885B2 (en) 2016-02-12 2020-09-15 Fujitsu Limited Mutually reinforcing ranking of social media accounts and contents
US10521415B2 (en) * 2016-05-06 2019-12-31 Facebook, Inc. Method and system for providing weighted evaluation
US20170337747A1 (en) * 2016-05-20 2017-11-23 Patrick M. HULL Systems and methods for using an avatar to market a product
US10943250B2 (en) * 2016-06-17 2021-03-09 International Business Machines Corporation Technology for user engagement
CN109416526A (zh) * 2016-06-23 2019-03-01 瑞典爱立信有限公司 通信网络的用于控制从供应网络向通信设备的服务的供应的方法和供应控制系统
US10015182B1 (en) * 2016-06-30 2018-07-03 Symantec Corporation Systems and methods for protecting computing resources
US10749833B2 (en) * 2016-07-07 2020-08-18 Ringcentral, Inc. Messaging system having send-recommendation functionality
KR101917501B1 (ko) * 2016-08-12 2018-11-09 명지대학교 산학협력단 시그니처 트리를 이용한 시퀀셜 데이터 클러스터링 방법 및 시스템
US10187344B2 (en) * 2016-10-03 2019-01-22 HYP3R Inc Social media influence of geographic locations
CN106780055B (zh) * 2016-11-28 2020-05-22 西安电子科技大学 基于msvl社交网络用户关系强度的概率大小验证方法
CN106776897B (zh) * 2016-11-29 2020-04-03 中国农业银行股份有限公司 一种用户画像标签确定方法及装置
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
US11580350B2 (en) 2016-12-21 2023-02-14 Microsoft Technology Licensing, Llc Systems and methods for an emotionally intelligent chat bot
CN106952267B (zh) * 2017-02-17 2020-04-21 北京航空航天大学 三维模型集共分割方法及装置
US10795836B2 (en) * 2017-04-17 2020-10-06 Microsoft Technology Licensing, Llc Data processing performance enhancement for neural networks using a virtualized data iterator
CN107180075A (zh) * 2017-04-17 2017-09-19 浙江工商大学 文本分类集成层次聚类分析的标签自动生成方法
JP6794921B2 (ja) * 2017-05-01 2020-12-02 トヨタ自動車株式会社 興味判定装置、興味判定方法、及びプログラム
CN108959299B (zh) * 2017-05-19 2022-02-25 微软技术许可有限责任公司 对象描述
US11481454B2 (en) * 2017-06-02 2022-10-25 Microsoft Technology Licensing, Llc Search engine results for low-frequency queries
US10534798B2 (en) * 2017-06-13 2020-01-14 Oracle International Corporation Computer system and method to update data aggregation configurations and control data aggregation
US11429833B2 (en) * 2017-06-19 2022-08-30 Kyndryl, Inc. Cognitive communication assistant services
CN107509229B (zh) * 2017-08-03 2019-10-18 华南理工大学 一种基于车辆节点中心性计算的车联网机会路由方法
US10853429B2 (en) * 2017-09-20 2020-12-01 Fujitsu Limited Identifying domain-specific accounts
CN107729438B (zh) * 2017-09-29 2021-05-04 成都第四城文化传播有限责任公司 一种用户行为数据建立及分析方法
TWI678932B (zh) * 2017-12-07 2019-12-01 宏碁股份有限公司 揚聲器模組
CN108287875B (zh) * 2017-12-29 2021-10-26 东软集团股份有限公司 人物共现关系确定方法、专家推荐方法、装置及设备
US10558759B1 (en) * 2018-01-04 2020-02-11 Facebook, Inc. Consumer insights analysis using word embeddings
US10509863B1 (en) * 2018-01-04 2019-12-17 Facebook, Inc. Consumer insights analysis using word embeddings
US10848927B2 (en) * 2018-01-04 2020-11-24 International Business Machines Corporation Connected interest group formation
US10685183B1 (en) * 2018-01-04 2020-06-16 Facebook, Inc. Consumer insights analysis using word embeddings
US10803248B1 (en) * 2018-01-04 2020-10-13 Facebook, Inc. Consumer insights analysis using word embeddings
CN108170278A (zh) * 2018-01-09 2018-06-15 三星电子（中国）研发中心 沟通辅助方法及装置
US11243669B2 (en) * 2018-02-27 2022-02-08 Verizon Media Inc. Transmitting response content items
KR101854912B1 (ko) * 2018-03-07 2018-05-04 주식회사 텐디 어플리케이션들 사이의 연관도 분석 방법 및 어플리케이션들 사이의 연관도 분석 장치
US11386506B2 (en) * 2018-04-09 2022-07-12 Massachusetts Institute Of Technology System and technique for influence estimation on social media networks using causal inference
US11106979B2 (en) * 2018-06-28 2021-08-31 Microsoft Technology Licensing, Llc Unsupervised learning of entity representations using graphs
US11115228B2 (en) 2018-07-30 2021-09-07 Slack Technologies, Inc. Method, apparatus, and computer program product for individual profile telemetry discovery within a group based communication system
US11252537B2 (en) 2018-07-30 2022-02-15 Slack Technologies, Llc Method, apparatus, and computer program product for organizational telemetry discovery within a group based communication system
US20200169518A1 (en) * 2018-07-30 2020-05-28 Slack Technologies, Inc. Method, apparatus, and computer program product for organizational telemetry discovery within a group based communication system
CN109408702B (zh) * 2018-08-29 2021-07-16 昆明理工大学 一种基于稀疏边缘降噪自动编码的混合推荐方法
US11126869B2 (en) 2018-10-26 2021-09-21 Cartica Ai Ltd. Tracking after objects
US10728104B2 (en) * 2018-11-15 2020-07-28 Adobe Inc. Time-dependent network embedding
US11354373B2 (en) * 2018-12-14 2022-06-07 Sisense Ltd. System and method for efficiently querying data using temporal granularities
US11709686B1 (en) * 2018-12-20 2023-07-25 Snap Inc. Media content item generation for a content sharing platform
US11461794B2 (en) 2019-02-15 2022-10-04 Yandex Europe Ag Method and system for verifying accuracy of information associated with digital item
US11170064B2 (en) * 2019-03-05 2021-11-09 Corinne David Method and system to filter out unwanted content from incoming social media data
US11868414B1 (en) * 2019-03-14 2024-01-09 Snap Inc. Graph-based prediction for contact suggestion in a location sharing system
CN110059725B (zh) * 2019-03-21 2021-07-09 中国科学院计算技术研究所 一种基于搜索关键词的检测恶意搜索系统及方法
US11488290B2 (en) 2019-03-31 2022-11-01 Cortica Ltd. Hybrid representation of a media unit
IT201900006050A1 (it) * 2019-04-18 2020-10-18 Digital Fastlane Df Gmbh Metodo e sistema per la gestione e l’interscambio di dati
US20200380560A1 (en) * 2019-05-30 2020-12-03 Ncr Corporation Automated digital advertising using behavioral intelligence
US11227101B2 (en) * 2019-07-05 2022-01-18 Open Text Sa Ulc System and method for document translation in a format agnostic document viewer
CN110503296B (zh) * 2019-07-08 2022-05-06 招联消费金融有限公司 测试方法、装置、计算机设备和存储介质
US11483408B2 (en) 2019-07-10 2022-10-25 Adobe Inc. Feature-based network embedding
US11544655B2 (en) 2019-08-06 2023-01-03 International Business Machines Corporation Team effectiveness assessment and enhancement
CN110795660B (zh) * 2019-09-26 2022-10-18 北京大米科技有限公司 数据分析方法、装置、电子设备及介质
CN110737651A (zh) * 2019-09-29 2020-01-31 武汉海昌信息技术有限公司 一种可还原脱敏的数据清洗及交换办法
US11790251B1 (en) * 2019-10-23 2023-10-17 Architecture Technology Corporation Systems and methods for semantically detecting synthetic driven conversations in electronic media messages
CN110851684B (zh) * 2019-11-12 2022-10-04 重庆邮电大学 一种基于三元关联图的社交话题影响力识别方法及装置
CN111125445B (zh) * 2019-12-17 2023-08-15 北京百度网讯科技有限公司 社区主题生成方法、装置、电子设备及存储介质
US11615444B2 (en) * 2020-05-01 2023-03-28 Meta Platforms, Inc. Recommending that an entity in an online system create content describing an item associated with a topic having at least a threshold value of a performance metric and to add a tag describing the item to the content
WO2021255501A1 (en) * 2020-06-18 2021-12-23 Visa Europe Limited Network-based calculation of affinity score from transaction data
TWI746244B (zh) * 2020-11-03 2021-11-11 國立清華大學 社群網路中複數個目標節點之挑選方法及其系統
US20220167034A1 (en) * 2020-11-20 2022-05-26 Xandr Inc. Device topological signatures for identifying and classifying mobile device users based on mobile browsing patterns
CN112348689A (zh) * 2020-11-24 2021-02-09 深兰科技（上海）有限公司 用于社交服务的人脸识别方法和系统
US20220198510A1 (en) * 2020-12-18 2022-06-23 Maarten Bos Timing advertising to user receptivity
US20230046696A1 (en) * 2021-08-10 2023-02-16 Shusheng Fang Method and system for provisioning realtime social community based on location service

Family Cites Families (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8554775B2 (en) * 1999-04-13 2013-10-08 Semmx, Inc. Orthogonal corpus index for ad buying and search engine optimization
WO2001046821A1 (en) * 1999-12-21 2001-06-28 Yanon Volcani System and method for determining and controlling the impact of text
US20020004825A1 (en) * 2000-06-13 2002-01-10 Lindberg Gregrey E. Methods and apparatus for distributing content teaser click-through traffic to web sites containing full content
US7197460B1 (en) * 2002-04-23 2007-03-27 At&T Corp. System for handling frequently asked questions in a natural language dialog service
US7792954B2 (en) * 2004-04-02 2010-09-07 Webtrends, Inc. Systems and methods for tracking web activity
EP1949263B1 (en) * 2005-10-28 2016-09-07 Telecom Italia S.p.A. Method of providing selected content items to a user
US8402094B2 (en) * 2006-08-11 2013-03-19 Facebook, Inc. Providing a newsfeed based on user affinity for entities and monitored actions in a social network environment
US8396741B2 (en) * 2006-02-22 2013-03-12 24/7 Customer, Inc. Mining interactions to manage customer experience throughout a customer service lifecycle
US20070214097A1 (en) * 2006-02-28 2007-09-13 Todd Parsons Social analytics system and method for analyzing conversations in social media
US8438062B2 (en) * 2006-12-29 2013-05-07 Google Inc. Network node ad targeting
US8224298B2 (en) * 2007-02-05 2012-07-17 Boadin Technology, LLC Systems and methods for mobile media services utilizing a short form command structure
US20080281687A1 (en) * 2007-05-08 2008-11-13 Motorola, Inc. Method for determining user interest in products and services for targeted advertising
US20090204402A1 (en) * 2008-01-09 2009-08-13 8 Figure, Llc Method and apparatus for creating customized podcasts with multiple text-to-speech voices
US20090198593A1 (en) * 2008-01-31 2009-08-06 Siemens Enterprise Communications Gmbh Co.Kg Method and apparatus for comparing entities
US20100030647A1 (en) * 2008-07-31 2010-02-04 Yahoo! Inc. Advertisement selection for internet search and content pages
US9064021B2 (en) * 2008-10-02 2015-06-23 Liveramp, Inc. Data source attribution system
US20100088152A1 (en) * 2008-10-02 2010-04-08 Dominic Bennett Predicting user response to advertisements
US20110112821A1 (en) * 2009-11-11 2011-05-12 Andrea Basso Method and apparatus for multimodal content translation
US20110125793A1 (en) * 2009-11-20 2011-05-26 Avaya Inc. Method for determining response channel for a contact center from historic social media postings
US8495105B2 (en) * 2009-12-22 2013-07-23 International Business Machines Corporation Consolidating input messages for social activity summarization
US20110153423A1 (en) * 2010-06-21 2011-06-23 Jon Elvekrog Method and system for creating user based summaries for content distribution
US20110153377A1 (en) * 2009-12-23 2011-06-23 Victor Novikov Mixing and Targeting Content Types/Items for Users to Promote Optimization Goals
WO2012031262A1 (en) * 2010-09-02 2012-03-08 Visa International Service Association Social retail referral control apparatuses, methods and systems
US20130014141A1 (en) * 2011-07-06 2013-01-10 Manish Bhatia Audience Atmospherics Monitoring Platform Apparatuses and Systems
US20120166532A1 (en) * 2010-12-23 2012-06-28 Yun-Fang Juan Contextually Relevant Affinity Prediction in a Social Networking System
CA3055137C (en) * 2011-01-07 2023-09-12 Ihab Francis Ilyas Systems and methods for analyzing and synthesizing complex knowledge representations
US20120210383A1 (en) * 2011-02-11 2012-08-16 Sayers Craig P Presenting streaming media for an event
US20130124281A1 (en) * 2011-05-13 2013-05-16 Closely, Inc. System and method for customer incentive development and distribution
US20130006758A1 (en) * 2011-06-28 2013-01-03 John Hegeman User feedback-based selection of online advertisements using normalized cost modifiers
US9846916B2 (en) * 2011-07-10 2017-12-19 Facebook, Inc. Clustering a user's connections in a social networking system
US8954449B2 (en) * 2011-07-12 2015-02-10 Salesforce.Com, Inc. Method and system for determining a user's brand influence
US8621019B2 (en) * 2011-09-21 2013-12-31 Color Labs, Inc. Live content sharing within a social networking environment
US9754279B2 (en) * 2011-10-27 2017-09-05 Excalibur Ip, Llc Advertising campaigns utilizing streaming analytics
US9111317B2 (en) * 2011-12-21 2015-08-18 Facebook, Inc. Tagging posted content in a social networking system with media information
US8645485B1 (en) * 2012-01-30 2014-02-04 Google Inc. Social based aggregation of related media content
WO2013119452A1 (en) * 2012-02-08 2013-08-15 Treiser Adam Tools and methods for determining relationship values
SG11201407047TA (en) * 2012-04-30 2014-11-27 Ubervu Ltd Methods and systems useful for identifying the most influent social media users in query-based social data streams
US20130311409A1 (en) * 2012-05-18 2013-11-21 Veetle, Inc. Web-Based Education System
US9299059B1 (en) * 2012-06-07 2016-03-29 Google Inc. Generating a summary of social media content
US9519639B2 (en) * 2012-06-08 2016-12-13 Facebook, Inc. Community translation of user-generated content
US10165067B2 (en) * 2012-06-29 2018-12-25 Nuvi, Llc Systems and methods for visualization of electronic social network content
WO2014027237A1 (en) * 2012-08-12 2014-02-20 Bablic Ltd. Systems and methods for web localization
US8825764B2 (en) * 2012-09-10 2014-09-02 Facebook, Inc. Determining user personality characteristics from social networking system communications and characteristics
US20140122222A1 (en) * 2012-10-30 2014-05-01 Google Inc. Customizing online content for a user
US8639767B1 (en) * 2012-12-07 2014-01-28 Geofeedr, Inc. System and method for generating and managing geofeed-based alerts
US9633018B2 (en) * 2013-01-14 2017-04-25 Microsoft Technology Licensing, Llc Generation of related content for social media posts
US9152709B2 (en) * 2013-02-25 2015-10-06 Microsoft Technology Licensing, Llc Cross-domain topic space
US20140280017A1 (en) * 2013-03-12 2014-09-18 Microsoft Corporation Aggregations for trending topic summarization
US9516121B2 (en) * 2013-03-15 2016-12-06 Citrix Systems, Inc. Display of user actions or search results in social media community
US20150032751A1 (en) * 2013-07-24 2015-01-29 Lithium Technologies, Inc. Methods and Systems for Utilizing Subject Matter Experts in an Online Community

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101712291B1 (ko) 2015-12-14 2017-03-13 강원대학교산학협력단 오피니언 마이닝을 기반으로 한 사용자 맞춤형 명소 정보 추천 시스템 및 구동 방법

Also Published As

Publication number Publication date
CN106105096A (zh) 2016-11-09
CA2924408A1 (en) 2015-03-26
US20150081790A1 (en) 2015-03-19
EP3047603A1 (en) 2016-07-27
US20150081725A1 (en) 2015-03-19
CA2924667A1 (en) 2015-03-26
CN106104512A (zh) 2016-11-09
CA2924375A1 (en) 2015-03-26
WO2015039222A1 (en) 2015-03-26
US20150081797A1 (en) 2015-03-19
KR20160057475A (ko) 2016-05-23
WO2015039230A1 (en) 2015-03-26
US20150081696A1 (en) 2015-03-19
WO2015039234A1 (en) 2015-03-26
CA2924406A1 (en) 2015-03-26
US20150081723A1 (en) 2015-03-19
KR20160058895A (ko) 2016-05-25
KR20160058896A (ko) 2016-05-25
KR20160059486A (ko) 2016-05-26
WO2015039223A1 (en) 2015-03-26
EP3047392A1 (en) 2016-07-27
CN105794154A (zh) 2016-07-20
CN106062730A (zh) 2016-10-26
EP3047390A1 (en) 2016-07-27
EP3047606A1 (en) 2016-07-27
CN106105107A (zh) 2016-11-09
WO2015039235A1 (en) 2015-03-26
EP3047605A1 (en) 2016-07-27

Similar Documents

Publication Publication Date Title
KR20160055930A (ko) 연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법
US10567329B2 (en) Methods and apparatus for inserting content into conversations in on-line and digital environments
US10832008B2 (en) Computerized system and method for automatically transforming and providing domain specific chatbot responses
KR102322668B1 (ko) 콘텐츠 크리에이터의 창작활동 활성화를 위한 다중 플랫폼 서비스 제공 시스템
EP3905177A1 (en) Recommending that an entity in an online system create content describing an item associated with a topic having at least a threshold value of a performance metric and to add a tag describing the item to the content
US20180315092A1 (en) Server For Providing Internet Content and Computer-Readable Recording Medium Including Implemented Internet Content Providing Method
CA2924446A1 (en) System and method for analyzing and transmitting social communication data
WO2015042482A1 (en) Social content distribution network

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid