KR20160057475A - 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법 - Google Patents

소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20160057475A
KR20160057475A KR1020167010273A KR20167010273A KR20160057475A KR 20160057475 A KR20160057475 A KR 20160057475A KR 1020167010273 A KR1020167010273 A KR 1020167010273A KR 20167010273 A KR20167010273 A KR 20167010273A KR 20160057475 A KR20160057475 A KR 20160057475A
Authority
KR
South Korea
Prior art keywords
data
social
social data
user
module
Prior art date
Application number
KR1020167010273A
Other languages
English (en)
Inventor
스튜어트 오가와
에드워드 동진 킴
브라이언 지아리 켕
칸차나 파드마납한
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 KR20160057475A publication Critical patent/KR20160057475A/ko

Links

Images

Classifications

    • G06F17/30699—
    • 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]
    • G06F17/30595—
    • 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 획득 및 분석하기 위해 제공된다. 획득된 소셜 데이터 및 결정된 관계는 새로운 소셜 데이터를 구성하고, 새로운 소셜 데이터의 송신 파라미터를 결정하는데 이용될 수 있다. 컴퓨팅 장치 또는 서버 시스템에 의해 행해지는 방법은 하나 이상의 데이터 스트림으로부터 소셜 데이터를 획득하는 스텝, 상기 소셜 데이터를 필터링하여 필터링된 소셜 데이터를 획득하는 스텝, 상기 필터링된 소셜 데이터를 분석하여 하나 이상의 관계를 결정하는 스텝, 및 상기 필터링된 소셜 데이터 및 서로 연관되는 상기 하나 이상의 관계를 출력하는 스텝을 포함한다.

Description

소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법{SYSTEM AND METHOD FOR ACTIVELY OBTAINING SOCIAL DATA}
(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 데이터를 획득하는 것에 관한 것이다.
최근 수년 동안, 소셜 미디어는 개인과 컨슈머가 온라인(예를 들면, 인터넷) 상에서 소통할 수 있는 보편적인 방법이 되었다. 또한, 소셜 미디어는 기업이 그들의 고객, 팬 및 잠재 고객과 온라인 상에서 소통하고자 하는 방식에도 영향을 미쳤다.
많은 다양한 타입의 소셜 미디어(예를 들면, 게시글, 온라인 포스트, 블로그, 댓글, 화상, 비디오, 오디오 데이터 등)가 있다. 또한, 소셜 데이터를 생성시키는 많은 개인, 그룹 및 조직이 있기 때문에 데이터의 소스도 다양하다. 이 데이터를 효율적으로 획득하고, 이들 다양한 타입의 데이터 사이의 관계, 상이한 부분 및 데이터의 의미를 이해하는 것은 어려울 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 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 6은 그것의 예시적인 구성요소를 나타내는 액티브 리시버 모듈의 블록도이다.
도 7은 소셜 데이터를 수신하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 8은 소정의 유저가 전문가로 간주되는 토픽을 결정하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 9는 소정의 유저가 관심이 있는 토픽을 결정하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 10은 토픽을 분석하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 11은 토픽의 전문가를 검색하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 12는 토픽 B에 관심을 갖는 토픽 A에 있어서의 전문가를 식별하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 13은 토픽에 관심을 갖는 유저를 식별하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 14는 토픽에 관심을 갖는 특정 유저 계정을 팔로워에게 제안하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 15는 소셜 데이터 네트워크에서 서로 팔로잉하는 유저의 개략도이다.
도 16은 인플루언서 및 그들의 커뮤니티를 식별하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 17은 인플루언서 및 그들의 커뮤니티를 식별하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 또 다른 예시적 실시형태의 흐름도이다.
도 18은 특정 토픽과 관련된 유저의 토픽 네트워크의 개략도이다.
도 19는 도 18의 토픽 네트워크이지만, 상기 토픽 네트워크 내의 다른 그룹을 나타내는 개략도이다.
도 20은 토픽 네트워크에 있어서의 아웃라이어를 식별 및 필터링하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 또 다른 예시적 실시형태의 흐름도이다.
도 21은 인플루언서를 랭킹화하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 또 다른 예시적 실시형태의 흐름도이다.
도 22는 토픽을 기초로 하여 유저의 세그먼트를 식별하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 또 다른 예시적 실시형태의 흐름도이다.
도 23은 토픽을 기초로 하여 유저의 세그먼트를 식별하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 또 다른 예시적 실시형태의 흐름도이다.
도 24는 텍스트의 n-그램 프로세싱을 이용하여 토픽을 기초로 하여 유저의 세그먼트를 식별하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 25는 특정 파라미터에 특정된 데이터를 선택적으로 획득하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 26은 획득된 소셜 데이터의 특징을 필터링 및 증폭하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 27은 획득된 소셜 데이터에 있어서의 노이즈를 필터링하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 28은 위치 및 토픽 데이터를 연계하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 29는 상이한 데이터 소스로부터 데이터를 획득 및 조합하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 30은 상이한 데이터 소스로부터 데이터를 획득 및 조합하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 또 다른 예시적 실시형태의 흐름도이다.
도 31은 상이한 데이터 소스로부터 데이터를 획득하고, 이를 검증하기 위해 비교하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 32는 데이터를 예측 또는 합성, 또는 양쪽을 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 33은 그것의 예시적인 구성요소를 나타내는 액티브 컴포저 모듈의 블록도이다.
도 34a는 새로운 소셜 데이터를 구성하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 34b는 도 34a에 나타낸 동작에 따라 소셜 데이터를 조합하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 34c는 도 34a에 나타낸 동작에 따라 소셜 데이터를 추출하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 34d는 도 34a에 나타낸 동작에 따라 소셜 데이터를 생성하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 35는 그것의 예시적 구성요소를 나타내는 액티브 트랜스미터 모듈의 블록도이다.
도 36은 새로운 소셜 데이터를 송신하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
도 37은 그것의 예시적 구성요소를 나타내는 소셜 애널리틱 신시사이저 모듈의 블록도이다.
도 38은 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈, 및 상기 액티브 트랜스미터 모듈에 의해 구현되는 임의의 프로세스 동안에 행해지는 조정을 결정하기 위한 컴퓨터 실행 가능 명령 또는 프로세서 구현 명령의 예시적 실시형태의 흐름도이다.
설명의 간결성 및 명확성을 위해, 적절하다고 여겨지는 곳에는 참조 부호가 대응하거나 비슷한 요소를 나타내기 위해 도면에서 반복될 수 있는 것이 이해될 것이다. 또한, 다수의 소정의 세부 사항은 본 명세서에 설명된 예시적 실시형태들에 대한 완전한 이해를 제공하기 위해 명시된다. 그러나, 본 명세서에 설명된 예시적 실시형태는 이들 소정의 상세설명없이도 실시될 수 있음이 당업자에게 이해될 것이다. 다른 경우에 있어서, 공지된 방법, 절차 및 구성요소는 본 명세서에 기재된 예시적 실시형태가 불명료하지 않도록 상세하게 설명되지 않았다. 또한, 설명이 본 명세서에 기재된 예시적 실시형태의 범위를 제한하는 것으로 간주되어서는 안된다.
본 명세서에 설명되는 제안된 시스템 및 방법은 소셜 데이터를 획득 또는 수신하는 것에 관한 것이다. 획득 또는 수신된 소셜 데이터는, 예를 들면 연속적인 소셜 커뮤니케이션의 콘텍스트에 사용될 수 있지만, 이들에 한정되지 않는다. 환언하면, 후술하는 액티브 리시버 모듈과 관련된 시스템 구조 및 동작은 단독으로, 또는 본원에 설명되지 않은 다른 시스템과 함께 사용될 수 있다.
본 명세서의 소셜 데이터는 인터넷 등의 데이터 커뮤니케이션 네트워크를 통해 사람들이 보거나 들을 수 있고, 또는 양쪽이 가능한 콘텐츠를 의미한다. 소셜 데이터는, 예를 들면 텍스트, 비디오, 그래픽, 및 오디오 데이터, 또는 그들의 조합을 포함한다. 텍스트의 예로는 블로그, 이메일, 메시지, 포스트, 게시글, 댓글 등이 포함된다. 예를 들면, 텍스트는 페이스북, 텀블러, 트위터, 링크드인, 핀터레스트, 인스타그램, 기타 소셜 네트워킹 웹사이트, 매거진 웹사이트, 신문 웹사이트, 컴퍼니 웹사이트, 블로그 등의 웹사이트에 게재될 수 있다. 또한, 텍스트는 웹사이트 상에서 댓글의 형태인 RSS 피드 등에 제공될 수 있다. 예를 들면, 비디오는 페이스북, 유튜브, 뉴스 웹사이트, 개인 웹사이트, 블로그(또한, 브이로그(vlogs)라고도 불림), 컴퍼니 웹사이트 등에 게재될 수 있다. 화상 등의 그래픽 데이터는 상술의 매체를 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 이해될 것이다.
본 명세서의 소셜 데이터 객체는 텍스트 게시글, 비디오, 댓글, 메시지, 오디오 트랙, 그래픽, 또는 다양한 타입의 데이터를 포함하는 혼합된 미디어 소셜 피스 등의 소셜 데이터의 유닛을 의미한다. 소셜 데이터의 스트림은 다수의 소셜 데이터 객체를 포함한다. 예를 들면, 사람들으로부터의 일련의 댓글에 있어서, 각 댓글은 소셜 데이터 객체이다. 또 다른 예에 있어서, 텍스트 게시글의 그룹에서 각 게시글은 소셜 데이터 객체이다. 또 다른 예에 있어서, 비디오의 그룹에서는 각 비디오 파일이 소셜 데이터 객체이다. 소셜 데이터는 적어도 하나의 소셜 데이터 객체를 포함한다.
비즈니스 관점에서, 효율적인 소셜 커뮤니케이션은 중요한 문제로 인지된다. 트위터, 페이스북, 유튜브 등의 디지털 소셜 사이트의 광범위한 도달 거리, 커뮤니케이션의 실시간성, 상이한 언어의 사용, 및 상이한 커뮤니케이션 모드(예를 들면, 텍스트, 오디오, 비디오 등)는 그들의 고객에게서 비즈니스적 문제를 효율적으로 청취하고 커뮤니케이션할 수 있게 한다. 너무 많은 양의 실시간 데이터 및 적절하지 않은 관련 정보를 갖는 웹사이트, 채널, 및 커뮤니케이션 의 형태 수의 증가는 비즈니스를 압도할 수 있다. 또한, 비즈니스에 있어서 의사를 결정하는 역할을 하는 사람들은 누가 무엇을 말하고 있는지, 무슨 커뮤니케이션 채널이 이용되고 있는지, 및 어떤 사람들에게서 듣는 것이 중요한지가 의문으로 남는 경우가 많은 것으로 인지된다.
통상, 개인 또는 개인들이 소셜 데이터를 생성하는 것으로 인지된다. 예를 들면, 개인은 메시지, 게시글, 댓글 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 개인이 입력을 해야하는 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 웹사이트 또는 리포트를 조회할 것을 요구한다.
또한, 사람들에게 흥미있는 소셜 데이터를 생성하는 것 및 어떤 사람들이 그 소셜 데이터가 흥미롭다고 알게 되는지를 식별하는 것은 개인에게는 어려운 프로세스이고, 컴퓨팅 장치에 대해서는 더욱 그러하다고 여겨진다. 통상, 컴퓨팅 테크놀로지는 관심의 토픽을 식별할 뿐만 아니라 토픽에 관심이 있을 수 있는 사람들을 식별하도록 개인으로부터의 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.
또한, 소셜 데이터의 양 및 소셜 데이터의 상이한 의미를 고려해 볼 때, 소셜 데이터를 획득하고, 소셜 데이터 사이의 관계를 이해하는 것은 어려운 것으로 인지된다. 예를 들면, 데이터의 방대한 양을 고려해 볼 때, 데이터를 신속히 수신하고, 그 수신된 데이터를 프로세싱하는 것은 어려운 것으로 인지된다. 또한, 유저와 데이터(예를 들면, 토픽, 키워드 등) 사이의 관계를 식별하는 것은, 예를 들면 유저와 데이터 사이의 관계를 사전 정의할 수 없기 때문에 곤란한 것으로 인지된다. 또한, 위치 및 토픽 등의 기타 관계가 간과될 수 있다. 또한, 특히 목표 또는 평가의 설정에 관련된 데이터를 수신하는 것은 곤란한 것으로 인지된다.
본 명세서에서 설명된 제안된 시스템 및 방법의 양태는 이들 문제 중 하나 이상을 해결한다. 본 발명의 제안된 시스템 및 방법의 양태는 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 개인이 입력해야할 필요가 없다. 또 다른 예시적 실시형태에 있어서, 이들 시스템 및 방법의 동작을 맞춤화하기 위해 개인으로부터의 입력이 이용되는 경우가 있다.
제안된 시스템 및 방법의 양태는 이 프로세스시에 피드백을 획득하여 임의의 상술의 동작에 관한 연산을 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.
제안된 시스템 및 방법의 양태는 실시간 청취, 분석, 콘텐츠 구성 및 타깃 브로드캐스팅을 위해 이용될 수 있다. 시스템은, 예를 들면 실시간으로 데이터의 글로벌 데이터 스트림을 캡쳐한다. 스트림 데이터는 분석되고, 콘텐츠 구성을 결정하고, 구성된 메시지를 누구에게, 무엇을, 언제, 및 어떻게 전송해야 하는지를 지능적으로 결정하는데 사용된다.
도 1에 따르면, 제안된 연속적인 소셜 커뮤니케이션 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 커뮤니케이션한다. 클라우드 컴퓨팅 환경은 공용이거나 비공용이어도 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 대량의 데이터 스트림으로부터 소셜 데이터를 동시에 수신할 수 있다. 또한, 액티브 리시버 모듈(103)은 수신된 소셜 데이터를 분석하여 소셜 데이터 사이의 관계를 식별한다. 본 명세서에서 아이디어, 사람들, 위치, 그룹, 컴퍼니, 단어, 숫자 또는 값의 유닛은 컨셉이라고 불린다. 액티브 리시버 모듈(103)은 적어도 2개의 컨셉을 식별하고, 적어도 2개의 컨셉 사이의 관계를 식별한다. 예를 들면, 액티브 리시버 모듈은 소셜 데이터의 창시자, 소셜 데이터의 컨슈머, 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 포함하는 데이터를 얻어 그 데이터를 분석하지만, 이들에 한정되지 않는다. 소셜 애널리틱 신시사이저 모듈(106)은 분석 결과를 이용하여 임의의 모듈(103, 104, 105 및 106)에 관한 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 커뮤니케이션하고 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 커뮤니케이션하도록 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 커뮤니케이션하도록 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 현재 그리고 장래 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 특징을 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, 컴퍼니 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 게시글 및 스포츠 팀에 대한 기존의 텍스트 게시글을 조합함으로써 새로운 텍스트 게시글을 구성한다. 또 다른 실시예에 있어서, 액티브 컴포저 모듈은 자동차 브랜드에 대한 기존의 다른 게시글을 요약함으로써 자동차 브랜드에 대한 새로운 게시글을 구성하고, 새로운 게시글에는 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 포지티브 댓글 및 포지티브 피드백을 제공하는 것을 나타내면, 액티브 리시버 모듈은 자동차 브랜드 및 스포츠 팀 사이의 관계가 정확한지를 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 우수한 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, 국가, 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 얻어질 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 연산이 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.
상기 시스템(102)은 데이터가 더 제공되고 구성된 소셜 데이터를 전송하기 위한 시스템(102)에 의한 반복이 더 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 매트릭스 분석을 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 파생된 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 연산하고, 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 단체에게 그리고 어떤 시간에 소셜 데이터 객체가 송신되어야 하는지를 결정하도록 연산 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. 예시적 실시형태에 있어서, 새로운 메타데이터는 관계 및 상관관계 등의 소셜 통합 데이터로부터 생성될 수 있지만, 이들에 한정되지 않는다. 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, 새로운 메타 데이터는 관계 및 상관관계 등의 소셜 통합 데이터로부터 생성될 수 있지만, 이들에 제한되지 않는다. 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), 관계/상관관계 모듈(605), 인플루언서 모듈(606), 거동 세그먼트 모듈(607), 디렉셔널 리시버 모듈(608), 필터 모듈(609), 위치 및 토픽 코릴레이터 모듈(610), 데이터 컬래버레이터 모듈(611) 및 예측 및 신시사이저 모듈(612)을 포함한다. 액티브 리시버(103) 내의 모듈은 서로 데이터를 교환할 수 있는 것이 이해될 것이다.
예시적 실시형태에 있어서, 모듈(601)은 실시간 분석을 제공하고, 모듈(602)은 거의 실시간 분석을 제공하고, 모듈(603)은 배치식 분석을 제공한다. 이것은, 예를 들면 소셜 스트리밍 분석이라고 불린다.
획득된 소셜 데이터의 실시간 및 효과적인 분석을 용이하게 하기 위해, 상이한 레벨의 속도 및 입도를 이용하여 획득한 소셜 데이터를 프로세스한다. 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 얻는 결과와 비교해서 다소 지연되지만, 액티브 리시버 모듈(103)이 모듈(602)로부터 얻는 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 파생된 결과와 비교해서 모듈(603)로부터 얻는 결과를 보다 상세하게 제공하게 한다. 이것에 의해, 다른 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, 키워드, 소셜 데이터와 연관된 유저 및/또는 컴퍼니 식별, 소셜 데이터와 연관된 IP 주소, 소셜 데이터와 연관된 지리적 데이터(예를 들면, 지리적 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, 연계, 친화도 및 역 관계를 결정하도록 행해진다. 이용될 수 있는 알고리즘의 비제한적 실시예는 인공 신경 네트워크, 최근접, 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, 연계, 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 키워드, 시간, 위치, 사람들, 비디오 데이터, 오디오 데이터, 그래픽 등의 임의의 조합을 포함할 수 있다.
또한, 관계 모듈(605)은 키워드 버스트를 식별할 수 있다. 키워드 또는 다수의 키워드의 인기도가 시간의 함수로서 플롯팅된다. 애널리틱스 모듈은 키워드 인기도 커브에 있어서의 버스트로서 흥미로운 시간 영역을 식별 및 마킹한다. 애널리틱스 모듈은 관심의 키워드와 연관된 연계 키워드(예를 들면, 인기도 버스트를 갖는 키워드)를 포함한다. 연계 키워드는 버스트와 동일한 시간 영역에서의 관심의 키워드와 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.
예시적 실시형태에 있어서, 하나 이상의 텍스트 소스 및 시간순으로 정렬된 데이터 객체 등의 데이터를 검색 및 분석하는 것은 이하의 스텝을 포함한다: 하나 이상의 텍스트 소스에 대한 액세스를 제공하고, 각 텍스트 소스는 하나 이상의 시간순으로 정렬된 데이터 객체를 포함하는 스텝, 하나 이상의 단어 및 하나 이상의 시간 간격을 기초로 하여 검색 쿼리를 획득하거나 생성하는 스텝, 데이터 객체와 연관된 시간 데이터를 획득하거나 생성하는 스텝, 검색 쿼리를 기초로 하여 하나 이상의 데이터 객체를 식별하는 스텝, 및 하나 이상의 시간 간격에 있어서의 하나 이상의 검색어에 대응하는 데이터 객체의 빈도를 기초로 하여 하나 이상의 인기도 커브를 생성하는 스텝.
또 다른 예시적 양태에 있어서, 상기 방법은 이하의 스텝을 더 포함한다: 하나 이상의 인기도 커브 내의 데이터 객체를 분석하는 스텝, 및 하나 이상의 검색어에 대응하는 데이터 객체의 높은 빈도수를 나타내는 인기도 커브에 있어서의 변동을 기초로 하여 관심의 데이터 객체로서 하나 이상의 데이터 객체를 정의하는 스텝. 또 다른 예시적 양태에 있어서, 상기 방법은 관심의 데이터 객체와 연관된 하나 이상의 추가적인 단어를 생성하는 스텝을 더 포함한다. 또 다른 예시적 양태에 있어서, 상기 방법은 하나 이상의 특정 데이터 객체, 또는 하나 이상의 획득된 단어, 및 선행 검색 쿼리에 의해 생성되는 하나 이상의 단어를 기초로 하여 검색 쿼리를 자동으로 생성하고 제출하는 스텝을 더 포함한다. 또 다른 예시적 양태에 있어서, 하나 이상의 특정 데이터 객체를 기초로 하는 검색 쿼리의 생성은 알고리즘 방법론의 방식으로 하나 이상의 특정 데이터 객체로부터 쿼리 단어를 추출하는 스텝을 더 포함한다. 또 다른 예시적 양태에 있어서, 상기 방법은 관심의 데이터 객체와 연관된 추가적인 단어 및 데이터 객체를 서열화하는 스텝을 포함하고, 상기 서열화 스텝은 데이터 객체가 유저에 의해 빈번하게 참조된다고 설정하는 데이터 객체와 연관된 데이터에 의해 나타낸 바와 같은 데이터 객체의 권위적 성질에 따라 관심의 데이터 객체와 연관된 추가적인 단어 및 상기 데이터 객체를 정렬시키는 것을 특징으로 한다. 또 다른 예시적 양태에 있어서, 상기 방법은 이하 중 하나 이상을 검색 쿼리에 포함하는 스텝을 더 포함한다: 하나 이상의 지리적 검색어, 또는 하나 이상의 인구통계학적 검색어. 또 다른 예시적 양태에 있어서, 상기 하나 이상의 인기도 커브는 데이터 객체에 관한 포지티브 또는 네거티브 단어를 정의하거나 획득하고, 이러한 포지티브 또는 네거티브 단어의 유무로부터 감성 데이터를 추론함으로써, 그리고 검색 데이터에 대한 추가 정보를 정의하는 그러한 감성 데이터에 기초하여, 포지티브든 네거티브든 각 데이터 객체에 유저 감성 데이터를 할당함으로써 유도되는 감성 분석을 기초로 한다. 또 다른 예시적 양태에 있어서, 인기도 커브 변동은 드릴 다운 및 롤업 가능한 것이다.
또한, 또 다른 예시적 양태에 있어서, 관계 모듈(605)은 토픽(예를 들면, 키워드)과 그 키워드에 관심이 있는 유저 사이의 관계를 식별할 수 있다. 관계 모듈은, 예를 들면 토픽에서 전문가로 간주되는 유저를 식별할 수 있다. 소정의 유저가 정기적으로 토픽에 댓글을 달고, 소정의 유저를 "팔로우(follow)"하는 많은 다른 유저가 있으면, 소정의 유저는 전문가로 간주된다. 또한, 관계 모듈은 전문가 유저가 관심을 갖는 기타 토픽을 식별할 수 있지만, 상기 전문가 유저는 이들 기타 토픽의 전문가로 간주되지 않을 수도 있다. 관계 모듈은 소정의 유저가 팔로우하는 보조 유저의 수를 획득하고, 보조 유저가 전문가로 간주되는 토픽을 획득하고, 또한 소정의 유저와 이들 토픽을 연계할 수 있다. 토픽 및 유저를 함께 연계하는 다양한 방법이 있는 것이 이해될 수 있다. 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.
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. 변형 스테이지는 소스로부터 추출된 데이터에 일련의 룰 또는 함수를 적용하여 단말 타깃으로의 로딩을 위한 데이터를 파생시킨다. 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)로부터의 관계 및 결과는 블록(712, 713, 716 및 717)로부터의 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 키워드, 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 키워드, 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.
관계 및 상관관계 모듈(605)에 대하여, 토픽에 대해 전문가이고, 토픽에 관심을 갖는 유저를 식별할 수 있는 유저를 식별하는 것에 대한 더욱 상세한 설명이 제공된다. 본원에서 이용되는 바와 같이, 단어 "전문가"는 토픽과 관련된 콘텐츠를 주로 생성하고, 공유하며, 폭넓은 팔로잉의 유저를 갖는 유저 계정을 의미한다. 본원에 사용되는 단어 "팔로워"는 제 2 유저 계정(예를 들면, 제 1 유저 계정의 소셜 네트워킹 플랫폼의 적어도 하나와 연관되고, 컴퓨팅 장치를 통해 액세스되는 제 2 유저 계정)을 팔로우하는 제 1 유저 계정(예를 들면, 하나 이상의 소셜 네트워킹 플랫폼과 연관되고, 컴퓨팅 장치를 통해 엑세스되는 제 1 유저 계정)을 의미하고, 제 2 유저 계정에 의해 포스팅된 콘텐츠는 제 1 유저 계정이 구독, 소비 등 하도록 공개된다. 예를 들면, 제 1 유저가 제 2 유저를 팔로우하는 경우, 제 1 유저(즉, 상기 팔로워)는 제 2 유저에 의해 포스팅된 콘텐츠를 수신할 수 있다. 본원에서 특정 토픽에 "관심"을 갖는 유저는 특정 토픽에서의 다수의 전문가를 팔로우하는 유저 계정을 의미한다. 일부 경우에 있어서, 팔로워는 다른 유저에 의해(예를 들면, 콘텐츠를 공유 또는 리포스팅함으로써) 포스팅된 콘텐츠와 관계된다.
소셜 데이터는 유저 계정 ID 또는 유저 네임, 유저 정보 또는 유저 계정의 설명, 유저에 의해 포스팅된 메시지 또는 다른 데이터, 유저와 다른 유저 사이의 커넥션, 위치 정보 등을 더 포함하는 것이 이해될 수 있다. 커넥션의 일례는 "유저 리스트"이고, 또한 여기에서는 "리스트"라고도 불리며, 이것은 리스트의 명칭, 리스트의 설명, 및 소정의 유저가 팔로우하는 하나 이상의 다른 유저를 포함한다. 상기 유저 리스트는 소정의 유저에 의해 생성된다.
도 8에 따르면, 컴퓨터 실행 가능 명령의 예시적 실시형태는 소정의 유저가 전문가로 간주되는 토픽을 결정하기 위해 제공된다. 블록(801)에서, 액티브 리시버(103)는 소정의 유저가 리스팅된 리스트의 세트를 획득한다. 블록(802)에서, 액티브 리시버(103)는 리스트의 세트를 이용하여 소정의 유저와 연관된 토픽을 결정한다. 블록(803)에서, 액티브 리시버(103)는 소정의 유저가 전문가로 간주되는 토픽을 출력한다. 이들 토픽은 소정의 유저의 전문 벡터를 형성한다. 예를 들면, 유저 엘리스가 밥의 낚시 리스트, 셀린느의 아트 리스트, 및 데이비드의 포토그래피 리스트에 리스팅되어 있으면, 엘리스의 전문 벡터는 낚시, 아트 및 포토그래피를 포함한다.
예시적 실시형태에 있어서, 유저에 의해 동적으로 업데이트되기 때문에, 유저 리스트는 그것들을 연속적으로 크롤링함으로써 획득되고, 새로운 리스트가 수시로 생성된다. 예시적 실시형태에 있어서, 유저 리스트는 아파치 루씬 인덱스를 이용하여 프로세스된다. 소정의 유저의 전문 벡터는 루씬 알고리즘을 이용하여 프로세스되어 소정의 유저와 연관된 토픽의 인덱스를 채운다. 이 인덱스는, 예를 들면 구문 쿼리 및 불 논리를 포함하는 완전한 루씬 쿼리 구문론을 지지한다. 배경기술로서, 아파치 루씬은 완전한 텍스트 인덱싱 및 검색에 적합한 정보 검색 소프트웨어 라이브러리이다. 또한, 루씬은 인터넷 검색 엔진 및 로컬 단일-사이트 검색의 구현에 있어서 그 용도에 대해 널리 알려져 있다. 기타 공지된 검색 및 인덱싱 알고리즘이 이용될 수 있는 것이 이해될 수 있다.
도 9에 따르면, 컴퓨터 실행 가능 명령의 예시적 실시형태는 소정의 유저가 관심이 있는 토픽을 결정하기 위해 제공된다. 블록(901)에서, 액티브 리시버(103)는 소정의 유저가 팔로우하는 보조 유저를 획득한다.
블록(902)에서, 다수의 명령이 행해지지만, 각 보조 유저에 특정된다. 구체적으로는, 블록(903)에서, 액티브 리시버는 보조 유저가 리스팅된 리스트의 세트(예를 들면, 보조 유저의 전문 벡터)를 획득한다. 블록(904)에서, 액티브 리시버는 리스트의 세트를 이용하여 보조 유저와 연관된 토픽을 결정한다. 블록(904)의 출력은 보조 유저와 연관된 토픽이다(블록 905). 예시적 실시형태에 있어서, 블록(902)은 도 8에 나타내는 알고리즘을 간단히 호출할 수 있지만, 각 보조 유저에 적용된다.
예시적 실시형태에 있어서, 블록(906)에서, 액티브 리시버는 모든 보조 유저로부터 토픽을 조합한다. 조합된 토픽은 소정의 유저의 관심의 토픽의 출력(907)(예를 들면, 소정의 유저의 관심 벡터)을 형성한다.
또 다른 예시적 실시형태에 있어서, 블록(906 및 907)의 대안은 토픽이 통상적인지, 또는 보조 유저 사이에서 가장 통상적인지를 결정하는 것이다(블록(908)). 예를 들면, 소정의 유저 엘리스는 보조 유저 밥, 셀린느 및 데이비드를 팔로우한다. 밥은 낚시 및 포토그래피(예를 들면, 밥의 전문 벡터)에 있어서의 전문가로 간주된다. 셀린느는 낚시, 포토그래피 및 아트(예를 들면, 셀린느의 전문 벡터)에 있어서의 전문가로 간주된다. 데이비드는 낚시 및 뮤직(예를 들면, 데이비드의 전문 벡터)에 있어서의 전문가로 간주된다. 따라서, 낚시의 토픽이 모든 보조 유저 사이에서 통상적이기 때문에 엘리스가 낚시의 토픽에 흥미를 갖는 것을 식별한다. 또는, 포토그래피가 보조 유저(예를 들면, 낚시 다음에 두번째로 가장 통상적인) 사이에서 보다 통상적이면, 또한 포토그래피의 토픽은 엘리스의 관심의 토픽으로서 식별된다. 아트 및 뮤직은 보조 유저 사이에서 통상적이지 않기 때문에, 이들 토픽은 엘리스의 관심 토픽인 것으로 간주되지 않는다. 이들 통상적, 또는 가장 통상적인 토픽은, 예를 들면 소정의 유저의 관심 벡터로서 출력된다(블록(909)).
예시적 실시형태에 있어서, 전문 벡터로부터의 데이터 및 관심 벡터로부터의 데이터는 인덱싱을 위해 루씬 알고리즘에 공급되거나, 또는 또 다른 인덱싱 알고리즘을 이용하여 프로세스되고, 인덱스 저장소에 저장된다(도시하지 않음).
도 10에 따르면, 컴퓨터 실행 가능 명령의 예시적 실시형태는 토픽 분석을 위해 제공된다. 블록(1001)에서, 액티브 리시버(103)는 쿼링을 위한 토픽을 획득한다. 블록(1002)에서, 액티브 리시버는 토픽에서 전문가로 간주되는 인덱스 저장소 내의 유저를 검색한다. 블록(1002)에서 결정된 전문가는 상위 n명의 유저로 한정될 수 있다(블록(1003)).
명령(1004)의 세트는 블록(1002)에서 식별된 각 전문가에 대해 실행된다. 구체적으로는, 명령은 전문가의 프로파일 정보를 획득하는 것(블록(1005)) 및 전문가로부터 전송된 메시지를 획득하는 것(블록(1006))을 포함한다.
모든 전문가로부터 획득된 메시지를 이용하여, 액티브 리시버(103)는 이하를 식별한다: 수시로 사용되는 키워드, 수시로 사용되는 키워드 쌍, 수시로 사용되는 해시태그, 수시로 사용되는 링크(예를 들면, URL들) 등(블록(1007)). 이어서, 액티브 리시버는 전문가 및 소정 전문가의 프로파일 정보를 포함하는 이 정보 사이의 관계를 출력한다(블록(1008)). 상기 키워드, 키워드 쌍, 해시태그 및 링크는 가장 많이 수시로 사용되는 것에서부터 가장 적게 수시로 사용되는 것까지 정렬될 수 있는 것이 이해될 것이다. 상위 n개의 가장 빈번한 결과는 GUI 상에 디스플레이될 수 있다. 상기 키워드, 키워드 쌍 등의 식별은 스톱 워드(stop ward)들을 제거하는 스텝을 포함하는 현재 공지된 또는 향후 공지될 시맨틱 프로세싱을 이용하여 완료될 수 있다.
예시적 실시형태에 있어서, 블록(1002)에서의 전문가의 추출 또는 검색은 루씬 인덱스를 이용하여 식별될 수 있다.
도 11에 따르면, 예시적 컴퓨터 실행 가능 명령은 블록(1002)을 구현하기 위해 제공된다. 블록(1101)에서, 액티브 리시버는 그들의 전문 벡터에 리스팅된 토픽 A(예를 들면, 도 10에서 쿼링된 토픽)를 갖는 유저를 식별한다. 블록(1102)에서, 식별된 유저에 대하여, 상기 액티브 리시버는 어떤 유저가 토픽 A와 연관된 리스트에 가장 높은 수로 출현하는지를 결정한다. 블록(1103)에서, 리스트에 가장 높은 수로 출현하는 상위 n명의 유저는 토픽 A의 전문가이다.
도 12, 도 13 및 도 14에 따르면, 다른 쿼리를 위한 컴퓨터 실행 가능 명령의 예시적 실시형태가 제공된다. 또한, 이들 명령은 관계 및 상관관계 모듈(605)에 의해 구현될 수 있고, 이것은 액티브 리시버(103)의 파트이다.
도 12의 동작은 또 다른 토픽(예를 들면, 토픽 B)에 관심을 갖는 소정의 토픽(예를 들면, 토픽 A)에 있어서의 전문가를 식별하는데 사용된다. 블록(1201)에서, 액티브 리시버는 토픽 A 및 토픽 B를 획득한다. 블록(1202)에서, 액티브 리시버는 토픽 A에서 전문가로 간주되는 인덱스 저장소 내의 유저를 검색한다. 도 11에 나타내는 동작은, 예를 들면 블록(1202)을 구현하기 위해 사용될 수 있다. 토픽 A에 있어서의 식별된 전문가에 대하여, 액티브 리시버는 어떤 전문가가 토픽 B에 관심을 갖는지를(예를 들면, 각 식별된 전문가의 관심 벡터를 분석함으로써) 결정한다(블록(1203)). 구체적으로는, 식별된 전문가의 관심 벡터가 토픽 B를 포함하면, 식별된 전문가는 토픽 B에 관심을 갖는 것으로 결정된다. 식별된 전문가의 관심 벡터가 토픽 B를 포함하지 않으면, 식별된 전문가는 토픽 B에 관심을 갖지 않는다. 예시적 실시형태에 있어서, 블록(1204)에 의해 결정된 바와 같이, 액티브 리시버는 토픽 A에 있어서의 전문가로 간주되고, 토픽 B에 관심을 갖는 유저를 출력한다.
대안적인 예시적 실시형태에 있어서, 블록(1203)이 실행된 후, '최대 도달' 파라미터가 선택되면(예를 들면, 유저에 의해), 상기 액티브 리시버는 토픽 A에 있어서의 전문가이고, 토픽 B에 관심을 갖는 유저를 식별하고, 전문가의 소정의 수 n의 고유의 팔로워의 수를 최대화한다. 상기 최대 도달 동작(1205)은 토픽 A에 있어서의 전문가로 간주되고, 토픽 B에 관심을 갖는 유저에 대하여 n명의 유저의 어떤 조합이 유저의 고유의 팔로워를 가장 높은 수로 제공하는지를 결정하는 것을 포함한다. 결정된 n명의 유저가 출력된다(블록(1206)). 예를 들면: 엘리스, 밥 및 셀린느는 블록(1203)으로부터 식별되고, 파라미터 n은 2이고, 엘리스는 팔로워 데이비드, 이브 및 프랭크를 갖고, 밥은 팔로워 데이비드 및 이브를 갖고, 또한 셀린느는 상기 팔로워 그레고리 및 한나를 갖는다. 이 예를 기초로 하여, 전문가 엘리스 및 셀린느의 조합은 고유의 팔로워를 가장 높은 수(예를 들면, 5명의 고유의 팔로워)로 제공할 수 있다. 대조적으로, 전문가 엘리스와 밥의 조합은 3명의 고유의 팔로워를 제공할 수 있다.
도 13에 따르면, 예시적 컴퓨터 실행 가능 명령은 토픽 A에 흥미를 갖는 유저를 식별하기 위한 것이다. 블록(1301)에서, 액티브 리시버(100)는, 예를 들면 유저가 GUI에 입력함으로써 토픽 A를 구한다. 블록(1302)에서, 액티브 리시버는 토픽 A에 관심을 갖는 유저를 검색한다(각 유저의 인덱스 벡터를 분석함으로써). 블록(1303)에서, 블록(1302)으로부터 식별된 유저가 출력된다.
'최대 도달' 파라미터가 선택되면, 또 다른 예시적 실시형태에 있어서, 토픽 A에 관심을 갖는 유저에 대하여 서버는 n명의 유저의 어떤 조합이 유저의 고유의 팔로워를 가장 높은 수로 제공하는지를 결정한다(블록 1304). 결정된 n명의 유저가 출력된다(블록(1305)).
도 14에 따르면, 예시적 컴퓨터 실행 가능 명령은 토픽 A에 관심을 갖는 특정 유저 계정에 팔로워를 제시하기 위한 것이다. 블록(1401)에서, 액티브 리시버는 토픽 A를 획득한다. 블록(1402)에서, 액티브 리시버는 토픽 A에서 전문가로 간주되는 인덱스 저장소 내의 유저를 검색한다. 블록(1403)에서, 토픽 A에 대한 식별된 전문가에 대하여, 서버는 어떤 전문가가 가장 많은 수의 팔로워를 갖고, 최근에 특정 유저 계정을 팔로우하지 않는지를 결정한다. 예시적 실시형태에 있어서, 서버는 가장 많은 수의 팔로워를 갖는 상위 n명의 전문가를 식별한다. 블록(1404)에서, 액티브 리시버는 결정된 전문가, 또는 결정된 전문가의 팔로워, 또는 양쪽을 출력한다.
도 12, 도 13 및 도 14에 설명된 임의의 쿼리에 식별된 유저 또는 전문가, 또는 양쪽을 기초로 하여, 다른 데이터가 유도될 수 있는 것이 이해될 것이다. 예를 들면, 유저 또는 전문가를 기초로 하여 수시로 사용되는 키워드, 수시로 사용되는 키워드 쌍, 수시로 사용되는 해시태그, 수시로 사용되는 링크, 및 상기 유저 및 전문가에 대한 프로파일 정보가 결정되거나 획득될 수 있다.
인플루언서 모듈(606)에 대하여, 영향과 관련된 관계가 얻어진다. 본원에 사용된 바와 같이, 단어 "인플루언서"는 주로 토픽과 관련된 콘텐츠를 생산하고 공유하며, 소셜 데이터 네트워크에 있어서 다른 유저에게 영향을 미치는 것으로 간주되는 유저 계정을 의미한다.
예로서, 도 15에 있어서의 특정 토픽에 대한 간략한 팔로워 네트워크가 고려된다. 각 유저는, 즉 유저 계정, 또는 유저 계정 또는 유저 데이터 주소와 연관된 유저 네임은 다른 유저와의 관계를 나타낸다. 유저 사이의 라인은, 에지라고도 불리고, 유저 사이의 관계를 나타낸다. 예를 들면, 유저 계정 "데이브"에서부터 유저 계정 "캐롤"까지를 가리키는 화살표는 캐롤에 의해 공개된 데이브가 메시지를 읽음을 의미한다. 환원하면, 데이브는 캐롤을 팔로우한다. 에이미와 브라이언 사이의 양방향 화살표는, 예를 들면 에이미가 데이브를 팔로우하고, 데이브가 에이미를 팔로우하는 것을 의미한다. 도 15에 있어서의 각 유저 계정 이외에, 페이지랭크 스코어가 제공된다. 페이지랭크 알고리즘은 네트워크에 있어서의 웹사이트 페이지의 중요성을 측정하기 위해 구글에 의해 사용되는 공지된 알고리즘이고, 소셜 데이터 네트워크에 있어서의 유저의 중요성을 측정하기 위해 적용될 수 있다.
도 15에 따르면, 에이미는 가장 많은 수의 팔로워(즉, 데이브, 캐롤, 및 에디)를 갖고, 이 네트워크에 있어서의 가장 영향력 있는 유저(즉, 페이지랭크 스코어 46.1%)이다. 그러나, 단지 1명의 팔로워(즉, 에이미)를 갖는 브라이언은 2명의 팔로워(즉, 에디 및 데이브)를 갖는 캐롤보다 더욱 영향력이 있고, 이것은 주로 브라이언이 에이미의 마인드쉐어의 상당 부분을 갖기 때문이다. 환원하면, 본원에서 제안된 시스템 및 방법을 이용하면, 캐롤이 브라이언보다 많은 팔로워를 갖지만, 그녀가 반드시 브라이언보다 큰 영향력을 갖는 것은 아니다. 따라서, 본원에 설명된 제안된 시스템 및 방법을 이용하여, 유저의 팔로워의 수가 영향력 유일한 결정요소인 것은 아니다. 또한, 예시적 실시형태에 있어서, 누가 유저의 팔로워인지를 식별하는 것은 영향력의 산출에 요인이 될 수 있다.
도 15에 있어서의 예시적 네트워크는 표 1에 나타내어지고, 어떻게 페이지랭크가 팔로워의 수에 따라 유의적으로 달라지는지를 나타낸다.
Figure pct00001
표 1: 도 1에 나타내어지는 샘플 네트워크에 대한 트위터 팔로워 수 및 페이지랭크 스코어
에이미는 가장 많은 수의 팔로워 및 가장 높은 페이지 랭크 스코어를 갖는 상위 인플루언서인 것이 명백하다. 캐롤은 2명의 팔로워를 갖지만, 1명의 팔로워를 갖는 브라이언보다 낮은 페이지 랭크 메트릭을 갖는다. 그러나, 브라이언의 1명의 팔로워는 가장 영향력이 있는 에이미(4명의 팔로워)이고, 반면에 캐롤의 2명의 팔로워(각각 팔로워가 없음)는 낮은 인플루언서이다. 소수의 전문가가 누군가를 전문가로 간주하면, 또한, 그/그녀도 전문가인 것이 직관된다. 그러나, 페이지랭크 알고리즘이 단지 팔로워의 수를 카운팅하는 것보다 영향에 더욱 양호한 측정을 부여한다. 후술하는 바와 같이, 페이지랭크 알고리즘 및 기타 유사한 랭킹 알고리즘은 본원에 설명된 제안된 시스템 및 방법에 의해 이용될 수 있다.
도 16에 따르면, 소정의 토픽의 하나 이상의 인플루언서를 결정하기 위한 컴퓨터 실행 가능 명령의 예시적 실시형태를 나타낸다. 소셜 네트워크 데이터, 또는 소셜 데이터는 세트 U로서 나타내어지는 다수의 유저를 포함한다. 블록(1601)에서, 액티브 리시버(103)는 T로서 나타내어지는 토픽을 획득한다. 블록(1602)에서, 액티브 리시버는 토픽을 이용하여 토픽과 연관되어 있는 소셜 네트워크 데이터로부터 유저를 결정한다. 이 결정은 다양한 방식으로 구현될 수 있고, 이하에 더욱 상세하게 설명될 수 있다. 상기 토픽과 연관된 유저의 세트는 UT로 나타내어지고, 여기서 UT는 U의 서브세트이다.
도 16을 계속하면, 액티브 리시버 모듈은 노드로서 유저 UT의 세트에 각 유저를 모델링하고, 유저 UT 사이의 관계를 결정한다(블록(1603)). 액티브 리시버는 각각 유저 UT 및 상기 유저 UT 사이의 관계에 대응하는 에지 및 노드의 네트워크를 연산한다. 환언하면, 액티브 리시버는 각각 유저 UT 및 그들의 관계에 대응하는 에지 및 노드의 네트워크 그래프를 생성한다. 상기 네트워크 그래프는 "토픽 네트워크"라고 불린다. 본원에, 그래프 이론의 원리가 적용되는 것이 이해될 수 있다. 2개의 엔티티 또는 유저 UT 사이의 에지 또는 연계성을 정의하는 관계는, 예를 들면 이하를 포함할 수 있다: 특정소셜 네트워킹 플랫폼 내의 2개의 엔티티 사이의 친구 접속 및/또는 팔로워-팔로위 접속. 추가적 양태에 있어서, 상기 관계는 친구 접속의 친구 등의 2개의 엔티티 사이의 소셜 미디어 연계를 정의하는 관계의 다른 타입을 포함할 수 있다. 또 다른 양태에 있어서, 관계는 다른 소셜 네트워크 플랫폼(예를 들면, 인스타그램 및 페이스북)을 통한 친구 또는 팔로워 접속의 연계를 포함할 수 있다. 또 다른 양태에 있어서, 상기 에지에 의해 정의된 바와 같은 유저 UT 사이의 관계는, 예를 들면 이하를 포함할 수 있다: 또 다른 유저에 의해 먼저 포스팅된 1명의 유저에 의해 메시지의 리포스트(예를 들면, 트위터를 리트윗함)를 통해 접속되는 유저, 및/또는 상기 소셜 네트워킹 플랫폼을 통해 1명의 유저에 의해 포스팅되고, 또 다른 유저에 의해 댓글이 달리는 메시지에 대한 리플라이를 통해 접속된 유저. 도 16에 따르면, 2개의 엔티티 사이의 에지의 존재는 하나 이상의 소셜 네트워킹 플랫폼에 있어서의 적어도 하나의 타입의 관계 또는 상관관계(예를 들면, 2명의 유저 사이의 친구 또는 팔로워 연결성)의 존재를 나타낸다.
이어서, 액티브 리시버는 토픽 네트워크 내의 유저를 랭크한다(블록(1605)). 예를 들면, 서버는 페이지랭크를 이용하여 토픽 네트워크 내의 유저의 중요성을 측정하고, 그 측정을 기초로 하여 유저를 랭크한다. 사용될 수 있는 랭킹 알고리즘의 기타 비제한적 실시예는 이하를 포함한다: 아이겐벡터 구심성, 가중도, 중개성, 허브 및 권한 메트릭을 포함한다.
액티브 리시버는 토픽 네트워크 내의 아웃라이어 노드를 식별하고 걸러낸다(블록(1606)). 아웃라이어 노드는 토픽 네트워크에 있어서의 유저의 더 큰 집단 또는 클러스터와 분리되는 것으로 간주되는 아웃라이어 유저이다. 상기 토픽 네트워크 내의 노드 또는 아웃라이어 유저의 세트는 UO로 나타내어지고, 여기서 UO는 UT의 서브세트이다. 또한, 이하에 아웃라이어 노드를 식별하는 것 및 필터링하는 것에 대한 상세가 설명된다.
블록(1607)에서, 액티브 리시버는 랭킹에 따라 제거된 유저 UO와 유저 UT를 출력한다.
대안적인 예시적 실시형태에 있어서, 블록(1606)은 블록(1605) 전에 행해진다.
블록(1608)에서, 액티브 리시버는 제거되는 유저 U0와 유저 UT 사이의 커뮤니티(예를 들면, C1, C2,…, Cn)를 정의한다. 커뮤니티의 식별은 또 다른 커뮤니티 내의 노드와 비교하여 하나의 커뮤니티 내의 노드 사이의 상관관계에 따를 수 있다. 즉, 커뮤니티는 정의된 커뮤니티의 외측의 엔티티보다 (예를 들면, 동일한 커뮤니티에 있어서의 다른 노드에 대하여) 내측으로 높은 상관관계를 엔티티 또는 노드로서 정의된다. 예시적 실시형태에 있어서, 다른 하나로부터 하나의 커뮤니티를 분리하기 위해 사용되는 상관관계의 값 또는 임계값은 사전 정의될 수 있다. 이것에 의해, 정밀도는 커뮤니티 내의 노드의 상관관계의 밀도를 정의한다. 이것에 의해, 각 식별된 커뮤니티 그래프가 각 커뮤니티에 대하여 블록(1604)에 정의된 노드 및 에지의 네트워크(상기 토픽 네트워크) 그래프의 서브세트이다. 하나의 양태에 있어서, 커뮤니티 그래프는 커뮤니티 그래프를 갖는 커뮤니티에 있어서의 유저의 시각적 표시(예를 들면, 노드) 및 커뮤니티에 있어서의 유저의 텍스트 리스팅의 양쪽을 더 제공한다. 또 다른 양태에 있어서, 커뮤니티에 있어서의 유저의 리스팅은 블록(1608)에 따라서 토픽 T에 대한 모든 커뮤니티 내 및/또는 커뮤니티 내에서의 영향력의 정도에 따라서 랭킹되고, 이어서 유저 UT는 UC1, UC2, …UCn 등의 그들의 커뮤니티 그래프 분류로 나눠진다.
블록(1609)에서, 각 소정의 커뮤니티(예를 들면, C1)에 대하여, 액티브 리시버는 그들의 소셜 네트워크 데이터를 기초로 하여 소정의 커뮤니티 내의 유저(예를 들면, UC1)와 연관된 사전 정의된 특징(예를 들면, 공통의 단어 및 어구, 대화의 토픽, 공통의 위치, 공통의 화상, 공통의 메타 데이터 중 하나 이상)에 대한 인기있는 특징 값을 결정한다. 선택된 특징(예를 들면, 토픽 또는 위치)은 (예를 들면, 동일한 토픽 네트워크 내의 다른 커뮤니티에 대한 특징, 또는 동일한 토픽 T에 대해 사전 이용된 특징을 기초로 하여) 유저 정의 및/또는 자동으로 생성될 수 있다. 블록(1610)에서, 액티브 리시버는 식별된 커뮤니티(예를 들면, C1, C2,…, Cn) 및 각 소정의 커뮤니티와 연관된 인기있는 특징을 출력한다.
또한, 블록(1608, 1609 및 1610)은 선택적이고, 블록(1607)에서 출력되는 인플루언서와 연관된 특징 및 커뮤니티를 식별하는 것과 관련되는 것이 이해된다.
도 17에 따르면, 소정 토픽의 하나 이상의 인플루언서를 결정하기 위한 컴퓨터 실행 가능 명령의 또 다른 예시적 실시형태를 나타낸다. 블록 (1701~1704)은 블록(1601~1604)에 대응한다. 이하의 블록(1704), 액티브 리시버는 제 1 랭킹 프로세스를 이용하여 토픽 네트워크 내의 유저를 랭크한다(블록(1705)). 상기 제 1 랭킹 프로세스는 블록(1605)에서 사용되는 동일한 랭킹 프로세스여도 좋고 아니어도 좋다. 랭킹을 완료하여 어떤 유저가 소정의 토픽에 대한 소정의 토픽 네트워크에서 가장 영향력이 있는지를 식별한다.
블록(1706)에서, 액티브 리시버는 토픽 네트워크 내에 아웃라이어 노드(유저 UO)를 식별하고 필터하고, 여기서 UO는 UT의 서브세트이다. 블록(1707)에서, 액티브 리시버는 특정 시간 내에 유저로부터의 포스트의 수를 기초로 하여 제 2 랭킹 프로세스를 이용하여 제거된 유저 UO와 유저 UT의 랭킹을 조정한다. 예를 들면, 액티브 리시버는 제 1 유저가 동일한 시간 내에 제 2 유저의 포스트의 수와 비교하여 최근 2개월 내에 포스트를 더욱 높은 수로 가지면, 제 1 유저의 원래의 랭킹이 증가될 수 있고(블록(1705)으로부터), 반면에 제 2 유저의 랭킹은 동일하거나 감소된 채 남아있는 것을 결정한다. 블록(1708)에서, 액티브 리시버는 랭킹에 따라 유저 UO를 제거하고, 유저 UT를 출력한다.
모든 유저 U를 기초로 하는 네트워크 그래프는 매우 클 수 있는 것이 인지된다. 예를 들면, 세트 U에 있어서의 유저는 수억 명일 수 있다. U와 관련된 전체 데이터 세트를 분석하는 것은 연산적으로 비용이 많이 들고 시간 소모적일 수 있다. 따라서, 토픽 T와 관련된 유저 UT의 세트가 적을수록 프로세스를 이용하여 분석되는 데이터의 양이 감소되는 것을 알 수 있다. 또한, 이것은 프로세싱 시간도 감소시킨다. 예시적 실시형태에 있어서, 인플루언서의 n개의 실시간의 결과는 트위터의 상기 전체 소셜 네트워크 플랫폼을 분석할 때에 생산되었다. 유저 UT 및 상기 유저 UT와 연관된 데이터의 더욱 작은 세트를 이용하여 새로운 토픽 네트워크가 연산된다. 토픽 네트워크는 모든 유저 U를 포함하는 소셜 네트워크 그래프보다 작다(즉, 보다 적은 노드 및 에지). 상기 토픽 네트워크를 기초로 하여 유저를 랭크하는 것은 모든 유저 U를 포함하는 소셜 네트워크 그래프를 기초로 하여 유저를 랭크하는 것보다 훨씬 빠르다.
또한, 토픽 네트워크에 있어서의 아웃라이어 노드를 식별하는 것 및 필터링하는 것은 결과의 질을 더욱 개선시키도록 돕는다.
블록(1709)에서, 액티브 리시버는 블록(1608)과 관련하여 상술된 것과 동일한 방식으로 제거되는 유저 U0와 유저 UT 사이의 커뮤니티(예를 들면, C1, C2,…, Cn)를 식별하도록 설정된다. 블록(1710)에서, 액티브 리시버는 각 소정의 커뮤니티(예를 들면, C1)에 대해, 블록(1609)과 관련되어 상술한 바와 동일한 방식으로 그들의 소셜 네트워크 데이터를 기초로 하여 소정의 커뮤니티(예를 들면, C1) 내의 유저(예를 들면, UC1)와 연관된 사전 정의된 특징에 대한 인기있는 특징값(예를 들면, 공통의 키워드 및 어구, 대화의 토픽, 공통의 위치, 공통의 화상, 공통의 메타 데이터)을 결정하도록 설정된다. 블록(1711)에서, 서버는 블록(1610)과 마찬가지의 방식으로 각 소정의 커뮤니티(예를 들면, C1-Cn)와 연관된 인기있는 특징에 대한 특징 값 및 식별된 커뮤니티를 출력하도록 설정된다.
토픽 네트워크로부터의 데이터는 문제가 있는 아웃라이어를 제거함으로써 향상될 수 있는 것이 인지된다. 예를 들면, 맥도널드 커피 브랜드를 의미하는 토픽 "맥카페(맥카페)"를 이용한 쿼리는 동일한 네임의 가라오케 바/카페의 팬인 필리핀의 일부 유저를 회귀시켰다. 그들은 유대가 긴밀한 커뮤니티였기 때문에, 그들의 인플루언서 스코어는 중요한 상위 10의 리스트에 랭크되기게 매우 충분하였다.
도 18에 따르면, 필터되지 않은 결과를 나타내는 토픽 네트워크(1801)의 예시적 실시형태의 도시를 나타낸다. 노드는 토픽 맥카페와 관련된 유저 UT의 세트를 나타낸다. 노드(1802) 또는 유저의 일부는 동일한 네임 맥카페의 가라오케 바/카페의 팬인 필리핀 사람이다.
이 현상은 테스트 사례에서 일어나는 경우가 있고, 토픽 맥카페의 테스트 사례에 한정되지 않는다. 여기서, 맥카페를 찾는 유저는 맥도날드 커피 및 필리핀 가라오케 바를 모두 찾지 않으므로, 이 서브네트워크(1802)는 노이즈로 간주되는 것이 인지된다.
노이즈 감소를 달성하기 위해, 예시적 실시형태에 있어서, 서버는 모듈성이라고 불리는 네트워크 커뮤니티 감지 알고리즘을 이용하여 토픽 쿼리에 있어서의 이들 타입의 아웃라이어 클러스터를 식별 및 필터한다. 상기 모듈성 알고리즘은 "Modularity and community structure in networks," PROCEEDINGS-NATIONAL ACADEMY OF SCIENCES USA 103 (23): 8577-8696, Newman, M. E. J.(2006)으로서 인용된 문헌에 설명되어 있으며, 그들의 전체 내용은 본원에 참조로서 포함된다.
기타 타입의 클러스터링 및 커뮤니티 감지 알고리즘을 이용하여 토픽 네트워크에 있어서의 아웃라이어를 결정할 수 있다. 필터링은 유저에 의해 토픽과 연관된 인플루언서를 찾은 후에 의도하지 않거나 예기치 않은 결과를 제거하도록 돕는다.
도 19에 나타낸 바와 같이, 아웃라이어 클러스터(1901)는 토픽 네트워크(1801)에 있어서의 메인 클러스터(1902)에 대하여 식별된다. 유저 UO (1901)의 아웃라이어 클러스터는 토픽 네트워크로부터 제거되고, 메인 클러스터(1902)에 남아있는 유저를 이용하여 출력된 인플루언서의 랭크된 리스트를 형성한다.
예시적 실시형태에 있어서, 액티브 리시버(103)는 이하의 명령을 연산하여 아웃라이어를 필터한다:
1. 토픽 네트워크 상에서 모듈성 알고리즘을 실행한다.
2. 상기 모듈성 기능은 토픽 네트워크를 모듈러 커뮤니티 또는 서브네트워크로 분해하고, 각 노드를 X 클러스터/커뮤니티 중 하나에 레이블링한다. 예시적 실시형태에 있어서, 커뮤니티가 둘 이상의 멤버를 갖는 한 X<N/2이고, N은 세트 UT에 있어서의 유저의 수이다.
3. 상기 커뮤니티를 커뮤니티 내의 유저의 수에 따라 분류하고, 가장 큰 인기도를 갖는 커뮤니티를 취득한다.
4. 상기 노드 인기도의 누계가 전체의 80%를 초과하면, 토픽 네트워크에 잔존하는 가장 작은 커뮤니티를 제거한다.
도 20에 대하여, 토픽 네트워크를 식별 및 필터링하기 위한 컴퓨터 실행 가능 명령의 일반적인 예시적 실시형태를 설명한다. 이들 명령은 블록(1606) 및 블록(1706)을 실행하기 위해 사용될 수 있는 것이 이해될 수 있다.
블록(2001)에서, 액티브 리시버는 토픽 네트워크에 커뮤니티 파인딩 알고리즘을 적용하여 네트워크를 커뮤니티로 분해한다. 커뮤니티를 탐색하기 위한 알고리즘의 비제한적 실시예로는 최소 컷 방법, 계층적 클러스터링, 거반-뉴먼 알고리즘, 상술의 모듈성 알고리즘, 및 클리크 기반 방법이 포함된다.
블록(2002)에서, 액티브 리시버는 각 노드(즉, 유저)를 하나의 X 커뮤니티에 레이블링하고, 여기서 X<N/2이고, N은 토픽 네트워크에 내의 노드의 수이다.
블록(2003)에서, 액티브 리시버는 각 커뮤니티 내의 노드의 수를 식별한다.
이어서, 커뮤니티가 필터링된 토픽 네트워크에 아직 추가되지 않은 경우, 액티브 리시버는 필터링된 토픽 네트워크에 가장 큰 수의 노드를 갖는 커뮤니티를 추가한다(블록(2004)). 초기에, 필터링된 토픽 네트워크는 제로 커뮤니티를 포함하고, 필터링된 토픽 네트워크에 추가된 제 1 커뮤니티는 가장 큰 커뮤니티인 것이 이해될 수 있다. 필터되지 않은 토픽 네트워크로부터의 동일한 커뮤니티는 필터링된 토픽 네트워크에 한번 이상 추가될 수 없다.
블록(2005)에서, 액티브 리시버는 필터링된 토픽 네트워크의 노드의 수가 원래의 노드의 수 또는 필터되지 않은 토픽 네트워크의 노드의 수의 Y%보다 크거나 초과인지를 결정한다. 예시적 실시형태에 있어서, Y%는 80%이다. 또한, Y에 대해 기타 백분율값이 적용될 수 있다. 그렇지 않으면, 프로세스 루프는 블록(1504)으로 돌아간다. 블록(1505)의 조건이 참(true)인 경우, 프로세스는 블록(1506)으로 진행된다.
일반적으로, 필터링된 토픽 네트워크에 있어서의 노드의 수가 필터되지 않은 토픽 네트워크에 있어서의 노드의 총수의 과반수의 백분율에 도달 또는 초과되면 메인 클러스터가 식별되고, 또한 아웃라이어 노드(예를 들면, UO)인 나머지 노드가 식별된다.
블록(2006)에서, 필터링된 토픽 네트워크가 출력되고, 이것은 아웃라이어 유저 UO를 포함하지 않는다.
도 21에 따르면, 소셜 네트워크 데이터로부터 커뮤니티를 식별 및 출력하기 위한 컴퓨터 실행 가능 명령의 예시적 실시형태를 나타내고, 이것은 인플루언서 모듈(606), 보다 통상적으로는 액티브 리시버(103)에 의해 행해질 수 있다.
소셜 네트워크 플랫폼의 특징은 유저가 또 다른 유저를 팔로잉(또는 친구로 정의됨)하는 것이다. 상술한 바와 같이, 관계 또는 상관관계의 기타 타입은 토픽 네트워크 내의 다수의 노드 및 에지에 의해 나타내어지는 바와 같이 유저 사이에 존재할 수 있다. 토픽 네트워크 내에서, 인플루언서는 다양한 정도로 유저의 다른 클러스터에 영향을 줄 수 있다. 즉, 도 21에 대하여 설명된 바와 같이, 커뮤니티를 식별하는 프로세스를 기초로 하여 액티브 리시버는 커뮤니티라고 불리는 단일 토픽 네트워크 내의 다수의 클러스터를 식별하도록 설정된다. 소셜 네트워크 플랫폼을 통한 영향은 일정하지 않기 때문에, 도 21과 관련하여 정의되는 커뮤니티 식별 프로세스는 토픽 네트워크를 통한 각 인플루언서(예를 들면, 또 다른 하나를 통해 하나의 커뮤니티와 연관됨으로써)의 영향의 정도 또는 깊이를 식별할 수 있다는 이점이 있다.
도 21에 정의될 수 있는 바와 같이, 액티브 리시버는 각각의 커뮤니티의 세트(예를 들면, C1,…,Cn) 및 각 커뮤니티의 상위 인플루언서를 제공하도록 설정된다. 또한, 바람직한 양태에 있어서, 액티브 리시버는 모든 커뮤니티를 통해 상위 인플루언서의 집계된 리스트를 제공하여 모든 인플루언서의 비교 순서를 제공하도록 설정된다.
블록(2101)에서, 상술한 바와 같이 액티브 리시버는 소셜 네트워킹 데이터로부터 토픽 네트워크 그래프 정보를 얻도록 설정된다(예를 들면, 도 16 및 도 17). 토픽 네트워크는 각각 토픽 네트워크 그래프에 있어서의 노드로 나타내어지고, 토픽 네트워크 그래프 내의 2명의 유저 사이의 관계(예를 들면, 친구 또는 팔로워-팔로위, 또는 기타 소셜 미디어 상관연계성)를 나타내도록 에지에 의해 접속된 유저(UT)의 세트의 노드 사이의 관계를 시각적으로 나타낸다. 블록(2102)에서, 액티브 리시버는 커뮤니티 사이의 바운더리를 정의하기 위해 사용되는 내부 및/또는 외부 상관관계(예를 들면, 정밀도)의 사전 정의된 측정값 또는 정도를 획득한다.
블록(2103)에서, 액티브 리시버는 상관관계(예를 들면, 정밀도)의 사전 정의된 정도에 따라 각각의 노드(예를 들면, 인플루언서) 및 에지에 대한 스코어를 산출하도록 설정된다. 즉, 하나의 샘플에 있어서, 각 유저의 이름은 모듈성 클래스 식별자(Mod ID) 및 페이지랭크 스코어(영향의 정도를 정의함)를 지정한다. 하나의 양태에 있어서, 정밀도 파라미터는 식별된 커뮤니티의 수 및 밀도를 제어하도록 설정된다. 바람직한 양태에 있어서, 2~10개의 커뮤니티를 제공하는 기본 정밀도값 2는 액티브 리시버에 의해 이용된다. 또 다른 양태에 있어서, 정밀도값은 유저에 의해 커뮤니티 정보의 시각화에 바람직한 커뮤니티의 보다 높고 또는 낮은 입도를 생성하도록 정의된다.
블록(2104)에서, 액티브 리시버는 각각의 커뮤니티 클러스터(예를 들면, C1, C2,…, Cn)를 정의 및 출력하여 유저 UT를 UC1…UCn으로 구획화하여 네트워크 내의 노드로 정의되는 각 유저가 각각의 커뮤니티에 맵핑되도록 설정된다. 하나의 양태에 있어서, 모듈성 분석은 각 커뮤니티가 커뮤니티 내의 노드의 클러스터 사이에 조밀한 접속(높은 연계성)을 갖지만, 다른 커뮤니티에 내의 노드와 희소한 접속(낮은 연계성)을 갖도록 커뮤니티를 정의하는데 사용된다. 하나의 양태에 있어서, 커뮤니티 감지 프로세스 스텝(2103-2106)은 모듈성 알고리즘 및/또는 밀도 알고리즘(내부 연계성을 측정함)을 이용하여 구현될 수 있다.
블록(2105)에서, 액티브 리시버는 모든 커뮤니티를 통해 상위 인플루언서 및/또는 각 커뮤니티 내의 상위 인플루언서를 정의 및 출력하고, 모든 인플루언서의 상대적인 순서를 제공하도록 설정된다. 또한, 더한 양태에 있어서, 블록(2105)에서 액티브 리시버는 모든 커뮤니티를 통해 모든 상위 인플루언서의 집계된 리스트를 출력하여 모든 인플루언서의 비교 순서를 제공하도록 설정된다.
인플루언서 모듈(606)의 또 다른 양태에 있어서, 인플루언서 및 상기 인플루언서의 커뮤니티는 소셜 네트워크에 있어서의 유저 또는 팔로워 사이의 가중된 에지 또는 연결을 이용하여 결정된다. 토픽의 항목에 있어서, 인플루언서는 소셜 데이터 네트워크로 나타내어지는 개인 또는 단체이고, 이들은 토픽에 관심이 있거나 토픽에 대해 콘텐츠를 생성하는 것으로 간주되고, 토픽에 관심이 있는 많은 수의 팔로워(예를 들면, 또는 독자, 친구 또는 구독자)를 유의적 백분율로 갖고, 또한 토픽에 대한 인플루언서의 견해를 평가하는 토픽에 관심이 있는 팔로워를 유의적 백분율로 갖는다. 토픽의 비제한적 실시예로는 브랜드, 컴퍼니, 상품, 이벤트, 위치, 및 개인이 포함된다.
가중된 에지 또는 연결을 이용하는 실시예를 계속하면, 소셜 데이터 네트워크에 있어서의 다른 유저 노드(예를 들면, 유저 계정) 사이에 소정 타입의 에지 또는 접속이 고려된다. 이들 타입의 에지 또는 접속은 이하의 관계를 포함한다: (a) 유저가 또 다른 유저를 팔로우하는 팔로워 관계, (b) 유저가 다른 유저와 동일한 콘텐츠를 재전송 또는 리포스트하는 리포스트 관계, 유저가 또 다른 유저에 의해 포스트된 콘텐츠 또는 전송된 콘텐츠에 리플라이하는 리플라이 관계, 및 유저가 포스팅에서 또 다른 유저를 멘셔닝하는 멘션 관계를 포함한다.
가중된 에지를 이용하여 상위 인플루언서 및 그들의 커뮤니티를 식별하는 실시예에 있어서, 네트워크 링크는 가중되어 링크 중요도의 컨셉을 생성하고, 외부의 소스는 식별되어 소셜 데이터 네트워크로 포함된다. 외부의 소스의 실시예로는 오래된 메시지 또는 콘텐츠 포스팅을 리포스팅하는 유저 및 그들의 활동, 또는 오래된 메시지 또는 콘텐츠 포스팅을 레퍼런싱 또는 멘셔닝하는 유저 및 그들의 활동을 포함한다. 외부의 소스의 또 다른 예로는 소셜 데이터 네트워크에 있어서의 토픽을 멘셔닝하는 유저 및 그들의 활동이지만, 토픽은 다른 또는 보조 소셜 데이터 네트워크로부터 기원한다.
이하, 가중된 인플루언서 그래프를 생성하는 예시적 컴퓨터 실행 가능 또는 프로세서 구현 명령이고, 이것은 인플루언서 모듈(606)의 기타 동작과 조합하여 사용될 수 있다.
1. T로서 나타내어지는 토픽을 획득한다. 예를 들면, 토픽은 기타 모듈 또는 액티브 리시버 모듈에 의해 행해지는 프로세스로부터 획득된다.
2. 상기 액티브 리시버 모듈은 토픽을 이용하여 상기 토픽과 관련된 모든 포스트를 식별한다. 이들 포스트의 세트는 총괄하여 PT로 표기된다. 예시적 실시형태에 있어서, 특정 시간 등의 하나 이상의 추가적인 검색 기준이 이용된다. 환언하면, 서버는 단지 소정의 시간 내에서 토픽과 관련된 포스트를 검사할 수 있다.
3. 상기 액티브 리시버 모듈은 상기 포스트 PT의 권한자를 획득하고, 랭킹을 기초로 하여 상위 N명의 작자를 식별한다. 상위에 랭크된 작자의 세트는 AT로 나타내어진다. 예시적 실시형태에 있어서, 상위 N명의 작자는 권위 스코어를 이용하여 식별된다. 기타 방법 및 프로세스는 작자를 랭크하기 위해 사용될 수 있다. 예를 들면, 서버는 페이지 랭크를 이용하여 토픽 네트워크 내의 유저의 중요도를 측정하고, 그 측정을 기초로 하여 유저를 랭크한다. 사용될 수 있는 랭킹 알코리즘의 다른 비제한적 실시예는 이하를 포함한다: 아이겐벡터 구심성, 가중된 정도, 중개성, 허브 및 권한 메트릭을 포함한다. 작자는 포스트를 작성한 소셜 네트워크를 이용하는 것이 이해된다. 또한, N은 영 또는 양(+)의 정수인 것이 이해된다. N의 비제한적 실시예 값은 3,000~5,000의 범위에서의 그들의 값을 포함한다. N의 기타 값이 사용될 수 있다.
4. 상기 액티브 리시버 모듈은 각각 포스트 PT를 '리플라이', '멘션' 또는 '리포스트'로서 특정하고, 각각 유저가 리플라이되고, 유저가 멘션되고, 또한 재개시된 콘텐츠가 유래하는 유저(예를 들면, 리플라이되는 유저 UR, 멘션된 유저 UM, 및 유저들로부터 콘텐츠를 리포스트함(URP)으로 그룹핑함)를 식별한다. 또한, 각 리플라이, 멘션, 리포스트 등의 타임 스탬프는 유저 사이의 상호작용이 최근에 일어났는지를 결정하거나, "최신" 등급을 결정하기 위해 기록될 수 있다.
5. 상기 액티브 리시버 모듈은 상위 N명의 권한자 AT 및 유저 UR, UM, 및 URP를 조합한 '관심의 유저'라고 불리는 리스트를 생성한다. 상기 '관심의 유저' 리스트 또는 그룹에 있어서의 유저의 수의 비제한적 실시예는 3,000~10,000의 범위에서 포함된다. 상기 '관심의 유저' 그룹 또는 리스트에 있어서의 유저의 수는 다른 값일 수 있는 것이 이해될 것이다.
6. 상기 '관심의 유저' 리스트에 있어서의 각각의 유저에 대해, 액티브 수신 모듈은 각 유저의 팔로워를 식별하거나 획득한다.
7. 상기 액티브 리시버 모듈은 '관심의 유저' 리스트에 리스팅되지 않은 팔로워를 제거하고, '관심의 유저'의 일부인 그들 유저 사이의 팔로워 관계를 식별한다. 스텝 6의 비제한적 실시예 구현에 있어서, '관심의 유저'와 연관된 모든 팔로워를 고려해 볼 때 수 백만명의 팔로워 접속 또는 에지가 있는 것을 발견하였다. 이들 모든 팔로워 에지를 고려해 볼 때 연산 소모적일 수 있으며, 영향력 있는 상호작용을 나타내지 않을 수도 있다. 팔로워의 에지의 수를 감소시키기 위해, '관심의 유저'가 아닌 팔로워는 스텝 7에 따라 폐기된다.
스텝 6 및 스텝 7의 대안적 실시형태에 있어서, 액티브 리시버 모듈은 단지 '관심의 유저' 그룹에 리스팅된 유저에만 한정되는 팔로워 관계를 식별한다.
8. 상기 액티브 리시버 모듈은 '관심의 유저' 리스트 및 그들의 팔로워에 있어서의 각 유저 사이의 링크를 생성한다. 이것은 모든 링크가 동일한 가중(예를 들면, 1.0의 가중)을 갖는 팔로워-팔로윙 네트워크를 생성한다.
9. 상기 '관심의 유저' 리스트에 있어서의 각 유저 쌍(예를 들면, A, B) 사이에, 액티브 리시버 모듈은 A가 B를 멘셔닝하는 인스턴스의 수, A가 B에 리플라이하는 인스턴스의 수, 및 A가 B의 콘텐츠를 리포스트하는 인스턴스의 수를 식별한다. 유저 쌍은 팔로워-팔로위 관계를 가져야만 하는 것은 아닌 것이 이해될 수 있다. 예를 들면, 유저 A는 유저 B를 팔로우하지 않을 수 있지만, 유저 A는 유저 B를 멘션할 수 있거나, 또는 유저 B의 콘텐츠를 리포스트할 수 있거나, 또는 유저 B의 포스팅에 리플라이할 수 있다. 따라서, 한쪽이 다른 한쪽의 팔로워가 아닌 경우라도, 유저 쌍(A,B) 사이에 에지 또는 링크가 있을 수 있다.
10. 각 유저 쌍(예를 들면, A, B) 사이에, 액티브 리시버 모듈은 쌍(A, B) 사이의 링크 또는 에지와 연관된 가중을 연산하고, 여기서 가중은 적어도 A가 B를 멘셔닝하는 인스턴스의 수, A가 B에 리플라이하는 인스턴스의 수, 및 A가 B의 콘텐츠를 리포스트하는 인스턴스의 수의 함수이다. 예를 들면, 인스턴스의 수가 높을수록 가중이 높아진다.
예시적 실시형태에 있어서, 블록(308)에서, 에지의 가중은 팔로워-팔로위 링크가 있는 경우에 제 1 값(예를 들면, 1.0의 값)에서 개시되고, 반면에 에지는 팔로워-팔로위 링크가 없는 제 2 값(예를 들면, 0의 값)에서 개시되고, 여기서 제 2 값이 제 1 값보다 작다. 2명의 유저 사이의 각 추가적인 활동(예를 들면, 리플라이, 리포스트, 멘션)은 에지 가중을 최대 가중값 4.0까지 증가시킬 수 있다. 기타 수치 및 범위가 가중을 나타내는데 사용될 수 있다.
예시적 실시형태에 있어서, 활동 또는 인스턴스의 증가 수와 증가 가중 사이의 관계는 지수적으로 감소되는 스케일로 특정된다. 예를 들면, A가 B를 팔로우하는 유저 쌍(A,B)이 고려된다. 2개의 리포스트가 있는 경우, 가중은 2.0이다. 20의 리포스트가 있는 경우, 가중은 3.9이다. 400개의 리포스트가 있는 경우, 가중은 4.0이다. 이들 수는 예시적인 것일 뿐이며, 다른 메트릭 및 범위가 사용될 수 있는 것이 이해된다.
또한, 예시적 실시형태에 있어서, 가중은 최근에 어떻게 상호작용(예를 들면, 리포스트, 멘션, 리플 등)이 일어났는지를 기초로 한다. '최신' 등급은 쿼리가 실행된 날짜와 상호작용이 일어난 날짜 사이의 시간차를 결정함으로써 연산될 수 있다. 예를 들면, 상호작용이 보다 최근에 일어난 경우, 가중이 높아진다.
11. 상기 액티브 리시버 모듈은 '관심의 유저' 리스트 및 그들의 관계의 유저에 각각 대응하는 노드 및 에지의 네트워크 그래프를 연산하고, 여기서 관계 또는 에지는 가중된다(예를 들면, 토픽 네트워크라고도 함). 여기서, 상기 그래프 이론의 원리가 적용되는 것이 이해될 수 있다. 스텝 11에서 정의된 관계는 액티브 리시버 모듈에 의해 출력될 수 있거나, 또한 프로세싱이 행해져 커뮤니티를 식별하거나(예를 들면, 스텝 12~스텝14), 또는 양쪽일 수 있다.
12. 상기 액티브 리시버 모듈은 토픽 네트워크에 있어서의 유저 사이의 커뮤니티(예를 들면, C1, C2,…, Cn)를 식별한다. 상기 커뮤니티의 식별은 또 다른 커뮤니티 내의 노드와 비교하여 하나의 커뮤니티 내의 노드 사이의 연계의 정도에 따라 다를 수 있다. 즉, 커뮤니티는 정의된 커뮤니티 외부의 엔티티에 대해 내부적으로 보다 높은 연계(예를 들면, 동일한 커뮤니티에서의 기타 노드)를 갖는 엔티티 또는 노드로 정의된다. 정의될 수 있는 바와 같이, 또 다른 하나로부터 하나의 커뮤니티를 분리하기 위해 사용되는 상관관계에 대한 값 또는 임계치는 사전 정의될 수 있다. 이어서, 정밀도는 커뮤니티 내의 노드의 상관관계의 밀도를 정의한다. 이어서, 각 식별된 커뮤니티 그래프는 각 커뮤니티에 대한 노드 및 에지(상기 토픽 네트워크)의 네트워크 그래프의 서브세트이다. 하나의 양태에 있어서, 커뮤니티 그래프는 커뮤니티 그래프를 갖는 커뮤니티(예를 들면, 노드)에 있어서의 유저의 시각적 표시 및 커뮤니티에 있어서의 유저의 텍스트의 리스팅의 양쪽을 더 디스플레이한다. 또 다른 양태에 있어서, 상기 커뮤니티에 있어서의 유저의 리스팅의 디스플레이는 토픽 T에 대한 모든 커뮤니티 내에 및/또는 커뮤니티 내의 영향의 정도에 따라서 랭크된다. 이어서, 스텝 12에 따라서, 유저 UT는 UC1, UC2, …UCn 등의 그들의 커뮤니티 그래프 분류로 나뉜다.
13. 각 소정의 커뮤니티(예를 들면, C1)에 대해, 액티브 리시버 모듈은 그들의 소셜 네트워크 데이터를 기초로 하여 소정의 커뮤니티 내의 유저(예를 들면, UC1)와 연관된 사전 정의된 특징(예를 들면, 공통의 단어 및 어구, 토픽의 대화, 공통의 위치, 공통의 화상, 공통의 메타 데이터 중 하나 이상)에 대해 인기있는 특징값을 결정한다. 선택된 특징(예를 들면, 토픽 또는 위치)은 유저에 의해 정의 및/또는 자동으로 생성될 수 있다(예를 들면, 동일한 토픽 네트워크 내의 기타 커뮤니티에 대한 특징, 또는 동일한 토픽 T에 대해 사전 이용된 특징을 기초로 함).
14. 상기 액티브 리시버 모듈 서버는 식별된 커뮤니티(예를 들면, C1, C2, …, Cn) 및 각 소정의 커뮤니티와 연관된 인기있는 특징을 출력한다. 상기 식별된 커뮤니티는 각 커뮤니티에 대해 사전 정의된 특징에 대한 특징 값과 연관된 커뮤니티 그래프로서 출력될 수 있다.
가중된 에지 또는 접속을 이용하여, 각 인플루언서의 스코어(예를 들면, 가중된 페이지랭크 스코어)뿐만 아니라 인플루언서가 보다 정확하게 식별될 수 있다. 따라서, 그들의 커뮤니티에 있어서, 인플루언서와 다른 유저 사이의 관계, 인플루언서와 토픽 사이의 관계, 또는 인플루언서의 커뮤니티에 있어서의 유저와 토픽 사이의 관계는 액티브 리시버 모듈에 의해 식별되고 보다 정확하게 특정될 수 있다.
거동 세그멘테이션 모듈(607)에 대하여, 액티브 리시버(103)는 유저 세그멘테이션 및 거동을 트랙킹하도록 설정된다. 여기서, 사용되는 바와 같이, 단어 "유저 세그멘테이션"은, 예를 들면 타깃 마켓 데이터를 공통의 속성 또는 니즈를 갖는 세그멘트라고 불리는 컨슈머의 서브세트로 나누는 것을 의미할 수 있다. 일반적으로, 여기에 사용되는 바와 같은 거동 세그멘테이션은 소셜 네트워킹 웹사이트 등의 소셜 네트워킹 플랫폼(예를 들면, 소셜 미디어 대화의 콘텐츠, "트윗" 및/또는 포스트 및/또는 댓글 및/또는 채팅 세션)과 상호작용할 때에 그들이 나타내는 특정 거동 패턴 및 활동을 기초로 하여 컨슈머 및/또는 유저를 동적으로 트랙킹 및 그룹핑하기 위한 컴퓨터 구현 방법 및 시스템을 의미한다.
여기서, 설명된 바와 같이, 제안된 시스템 및 방법은 소셜 네트워킹 플랫폼과 관련된 유저 활동과 연관된 유저 거동 세그멘테이션 패턴을 동적으로 결정 및 산출한다. 계속해서, 이 정보는 각각의 "세그먼트"의 특정 니즈를 타겟팅하는 전략을 설계 및 구현하는데 유용할 수 있다.
보다 일반적으로는, 제안된 시스템 및 방법은 소셜 네트워킹 플랫폼에 대해 다수의 유저에 대한 유저 거동(예를 들면, 소셜 네트워킹 플랫폼과 연관된 "트윗" 또는 대화의 공통의 토픽과 관련됨)을 결정 및 분석하도록 컴퓨터 구현 방법 및 시스템을 제공한다. 또한, 시스템 및 방법은 유저(예를 들면, 공통의 토픽 또는 대화를 공유하는 유저에 대해)의 거동 패턴에 있어서의 기타 중복 또는 공통성을 결정하는 것을 포함한다. 그 결과는 소셜 네트워킹 활동(예를 들면, 포스트)과 관련된 유저 세그멘테이션 패턴의 분석을 제공한다.
도 22에 따르면, 컴퓨터 실행 가능 명령의 예시적 실시형태는 특정 관심의 토픽, 토픽 T를 기초로 하여 다수의 소셜 네트워킹 유저에 대한 하나 이상의 동적인 거동 세그먼트를 결정하기 위해 제공된다. 도 22에 나타낸 프로세스는 거동 세그멘테이션 모듈(607), 또는 보다 일반적으로는 액티브 리시버(103)에 의해 구현될 수 있다. 소셜 네트워크 데이터는 세트 U로 나타내어지는 다수의 유저를 포함하는 것이 이해될 것이다. 블록(2201)에 있어서, 액티브 리시버는 T로서 나타내어지는 토픽을 획득한다. 블록(2202)에서, 액티브 리시버는 토픽을 이용하여 상기 토픽과 연관된 소셜 네트워크로부터 유저를 결정한다. 이 결정은 다양한 방식으로 구현될 수 있고, 이하에 더욱 상세하게 설명될 것이다. 상기 토픽과 연관된 유저의 세트는 UT로서 나타내어지고, 여기서 UT는 U의 서브세트이다.
도 22를 계속하면, 블록(2203)에서, 액티브 리시버는 노드로서 유저 UT의 세트에 각 유저를 모델링하고, 각 유저(예를 들면, 유저 U1)와 연관된 소셜 네트워킹 활동을 기초로 하여 각 유저(예를 들면, 유저 U1)에 대한 토픽의 샘플 리스트(예를 들면, T1(U1)-TN(U1))를 결정한다. 도 23과 관련하여 설명될 수 있는 바와 같이, 하나의 실시예에 있어서, 이것은 사전 정의된 샘플 크기(예를 들면, 특정 시간 동안에 최근 또는 랜덤하게 선택된 포스트의 사전 정의된 수)를 갖는 소셜 네트워킹 포스트(예를 들면, 트위터 유저의 트윗)의 샘플을 수집하는 것을 포함한다. 블록(2204)에서, 액티브 리시버는 토픽(예를 들면, 유저 U1에 대해 필터링된 토픽(T1(U1)-TM(U1))을 제공하고, 여기서, M은 N의 서브세트임)의 각 유저 리스트에 대해 텍스트 프로세싱을 행함으로써 관계없는 토픽을 식별하고 필터한다. 도 23과 관련하여 설명된 바와 같이, 하나의 실시예에 있어서, 이 스텝은 포스트(예를 들면, 트윗, 댓글, 채팅 및 기타 소셜 네트워킹 포스트)로부터 텍스트를 추출하여 모든 유저 (UT)에 대한 토픽의 리스팅을 결정하고, 상기 추출된 텍스트를 노멀라이징하면서 관련되지 않는 것으로 사전 정의된 토픽을 필터링하는 것을 포함한다. 또한, 이 스텝은 각 텍스트의 토픽(예를 들면, 해시태그)과 상기 토픽을 포스트하는 대응하는 유저 사이의 관계 맵핑을 포함한다.
블록(2203 및 2204)의 컴퓨터 실행 가능 명령은 사전 프로세싱 모듈(129)에 의해 구현된다.
다시, 도 22에 따르면, 블록(2205)에서, 액티브 리시버는 텍스트 프로세싱(예를 들면, n-그램 프로세싱)을 행하여 각 유저(예를 들면, 유저 U1)에서부터 기타 유저(예를 들면, 유저 U2-UT-1)까지의 토픽을 통한 관계를 결정한다. 이하의 예시적 차트에 나타낸 바와 같이, 관계는 각 토픽(또는 상기 토픽을 n-그램으로 분리함으로써 제공되는 토픽의 스템)에 대한 유저 사이의 통계학적 오버랩을 묘사한다.
Figure pct00002
n-그램 프로세싱의 경우에 있어서, 상기 결과는 하나의 수치가 유저(예를 들면, U1, U2)를 나타내고, 또 다른 수치가 n-그램(예를 들면, "iph", "pho", "hon", "one", "the")으로 분리된 각 토픽을 나타내는 차트이고, 각 유저 및 각 셀 값은 TF-IDF 통계를 나타낸다.
일반적으로 말하자면, tf-idf 통계값은 단어 빈도 역문서 빈도(term frequency reverse document frequency)이고, 이것은 수치적 통계이고, 유저에 대하여 토픽의 각종 분리된 세그멘트 사이의 각 토픽에 대한 토픽 단어(예를 들면, n-그램으로 분리된 토픽)의 각 분리된 세그먼트의 중요도에 대하여 정보를 제공한다. 즉, 토픽 단어(예를 들면, "iph")의 세그먼트에 대한 tf-idf는 세그멘트(예를 들면, "iph")가 유저에 대한 모든 토픽의 리스트에 나타난 횟수를 기초로 하여 통계값을 반영한다. 즉, 유저 1에 대해, 세그멘티드 토픽(예를 들면, "iph")은 특정 유저, 유저 1에 대한 모든 토픽(도 22에 나타내는, 예를 들면 토픽 T1(U1)-TM(U1)) 사이의 X의 통계학적 가능성을 가질 수 있다. 상기 n-그램 TF-IDF는 특정 유저에 대한 n-그램의 발생의 통계적 확률을 제공한다. 따라서, 각 유저에 대해, 각각의 n-그램과 관련된 TF-IDF의 리스트를 출력한다. 이어서, n-그램 tf-idf의 벡터는 블록(2206)에서 클러스터링 모듈로 공급된다.
블록(2206)에서, 액티브 리시버는 텍스트 프로세스드 토픽(예를 들면, 각각의 유저의 각 n-그램에 대한 TF-IDF 값의 벡터를 수신함)에 대하여 클러스터링을 행하여 토픽과 연관된 모든 유저(유저 UT)를 통해 관련된 세그먼트 그룹핑을 제공한다.
블록(2207)에서, 액티브 리시버는 각 클러스터에 있어서의 대표적인 토픽(T1-Tx)의 세트를 결정하고, 각 클러스터를 대표적인 토픽으로 레이블한다.
하나의 실시형태를 계속하면(도 22에 도시하지 않음), 블록(2205)에 도시된 스텝에서, 액티브 리시버는 토픽 네트워크 내의 아웃라이어 노드를 식별하여 필터한다. 이것은, 예를 들면 n-그램 프로세싱에 의해 완료될 수 있다. 상기 아웃라이어 노드는 토픽 네트워크에 있어서의 유저의 클러스터 또는 더 큰 집단으로부터 분리되는 것으로 간주되는 아웃라이어 유저다. 즉, 그들은 기타 유저의 토픽과 공통성이 충분히 측정되지 않은 토픽을 갖는 유저에 관한 것일 수 있다(예를 들면, n-그램 프로세싱에 의해 결정된 바와 같이, 유저에 대한 특정 토픽의 서브세트는 기타 유저에 대한 각 토픽의 서브세트로 사전 정의된 임계치 이상의 통계학적 중복값을 갖지 않는다). 상기 토픽 네트워크 내의 아웃라이어 유저 또는 노드의 세트는 UO로 나타내어지고, 여기서 UO는 UT의 서브세트이다. 하나의 양태에 있어서, 유저 UT가 출력되고, 상기 UO는 제거된다.
도 23에 따르면, 특히 트위터 유저에 관한 데이터의 동적 세그멘테이션을 행하기 위한 도 22에 있어서의 블록(2201-2207)의 예시적 구현. 이어서, 도 23에 있어서 표시된 실시예, 세그멘테이션 방법은 이들 예시적 스텝을 이용한다:
1. 특정 쿼리 또는 토픽에 대한 유저의 리스트를 취합한다. 이 리스트는, 예를 들면 소정의 검색어 쿼리(예를 들면, 지난 6개월 동안 그들의 트윗에서 "아이폰(iPhone)"을 사용한 유저로부터의 트윗)에 트윗된 모든 유저를 취합하거나, 또는 특정 브랜드 이름의 모든 팔로워를 간략화함으로서 편집될 수 있다.
2. 각 유저에 대해, 그들의 트윗 히스토리(예를 들면, 특정 소셜 네트워킹 플랫폼 트위터에 관련된 포스트)의 랜덤 샘플 리스트를 취합한다. 하나의 양태에 있어서, 상기 샘플은 그들의 현재의 관심 및 선호의 정확한 화상을 얻도록 그들의 최신 트윗으로부터 취해질 수 있다. 바람직한 양태에 있어서, 500~1000 트윗 사이의 샘플 크기는 해시태그가 충분히 유용하도록 추출하는데 바람직하다.
3. 각각의 유저의 히스토리컬 트윗으로부터 해시태그를 추출하고, 각각 하나씩 대응하는 유저에 연관된다. 결과는 유저로부터 해시태그까지의 리스트의 맵일 수 있다.
4. 각 유저의 해시태그의 리스트에 대하여 텍스트 프로세싱을 행하고, 상기 텍스트를 소문자로 노멀라이징하고, "#RT"(즉, 불단어 제거) 등의 의미를 전달하지 않는 공통의 해시태그를 제거한다.
5. 해시태그의 전체 리스트로부터, 캐릭터 n-그램 모델을 사용하여 단어 빈도 역문서 빈도(TF-IDF)를 이용한 해시태그를 나타낸다. 이 프로세스의 결과는 문서-단어 매트릭이고, 열은 유저를 나타내고, 행은 n-그램을 나타내고, 각 셀은 TF-IDF 통계를 나타낸다.
바람직한 양태에 있어서, n-그램 프로세싱에 대한 tri-그램(n=3) 모델은 프로세싱 속도와 세그멘테이션 질 사이의 최적의 밸런스를 야기한다.
6. 예를 들면, 하나의 양태 k=[5, 9]에 있어서, 클러스터의 사전 정의된 수에 대해 클러스터링 방법을 학습하는 비감시형 기계를 이용하는 것은 매우 관련있는 세그먼트를 부여한다. 바람직한 양태에 있어서, sherical k-means clustering 알고리즘은 고차원의 텍스트 데이터를 클러스터링하는데 특히 효과적이다. 이 알고리즘의 최종 결과는 각 유저로부터 k 클러스터의 하나으로의 맵핑이다.
그러나, 클러스터링 분석의 양태의 하나는 클러스터의 레이블링이다. 이 문제를 해결하기 위해, 추가적인 스텝이 클러스트를 레이블하는데 추가된다: 1. 각 클러스터에 대해, 그 클러스터에 있어서의 각 유저와 연관된 해시태그를 모두 수집한다. 2. 각 해시태그에 대해, 클러스터에 있어서의 해시태그를 사용하는 유저의 수를 카운팅한다. 3. 각 클러스터에 대해, 상위 해시태그로 클러스터를 레이블한다. 바람직한 실시형태에 있어서, 상위 10개 정도의 해시태그가 클러스터의 양호한 레이블링을 제공한다.
도 23에 따르면, 본 발명의 실시예에 따른 스텝에 의해 제공되는 최종 결과는 k개수 세그먼트의 세트이고, 이것은 세그멘트에 있어서의 유저의 관심을 표기하는 해시태그의 세트로 레이블된다. 바람직한 양태에 있어서, 이 타입의 거동 세그멘테이션은 마케터 및 CRM 애플리케이션에 매우 영향을 미친다.
도 24에 따르면, 이하를 포함하는 다른 모듈과 연관된 컴퓨터 실행 가능 명령의 예시적 실시형태의 흐름도를 나타낸다: 컴퓨터 구현 유저 식별 모듈(2401), 사전 프로세싱 모듈(2403), 텍스트 프로세싱 모듈(2405), 클러스터링 모듈(2407), 및 세그멘트 레이블링 모듈(2409). 이들 모듈은 거동 세그멘테이션 모듈(607)의 부분이다. 도시된 바와 같이, 유저 식별 모듈(2401)은 다수의 유저 U 및 그들과 연관된 소셜 네트워킹 포스트/메시지(예를 들면, 트윗)에 관한 데이터를 획득한다. 이어서, 유저 식별 모듈(2401)은 사전 정의된 토픽 T에 관한 소셜 네트워킹 포스트/메시지를 갖고, 출력(2402)으로서 유저 UT의 리스트를 제공하는 유저 UT의 리스트를 추출한다.
이어서, 사전 프로세싱 모듈(2403)은 각 유저로부터 출력 (2404)에서 각각의 유저와 연관된 다수의 토픽 리스팅으로의 맵핑을 제공하도록 설정된다.
이어서, 텍스트 프로세싱 모듈(2405)은 각 유저 UT와의 연관 및 토픽의 리스트를 수신하여 텍스트 프로세싱 모듈(2406)에서 정의된 사전 정의된 세그먼트 크기를 기초로 하여 n-그램 확률 매트릭스를 산출하도록 설정된다. 즉, 하나의 양태에 있어서, 텍스트 프로세싱 모듈(2405)은 이하와 같이 설정된다: 각 유저(UT)에 대해, X개수 세그멘트들로 분리된 각 토픽(Ti → Ti1, Ti2, TiX)을 제공하고, 중첩하는 n-그램을 필터하여 모든 유저(UT)에 대해 Ti1…Tif n-그램을 정의하고, 모든 유저에 대한 모든 n-그램 사이의 각 유저 및 각 n-그램에 대한 확률을 정의하는 n-그램 확률 매트릭스(출력(2406))를 출력한다. 예시적 출력(1303)은 이하와 같이 정의된다: 유저 1:{확률(U1, Ti1)…확률(U1, Tif)}, 유저 2: {확률(U2, Tif)}…유저 T-1: {확률(UT-1, Ti1),…확률(UT-1, Tif)}.
따라서, 클러스터링 모듈(2407)은 각 유저 UT에 대한 n-그램 TF-IDF의 벡터를 수신한다. 이어서, 클러스터링 모듈(2407)은 출력(2408)에 따라 K개수 클러스터(예를 들면, 유저 1→C1, 유저 2→C1,…유저 T-1→Ck) 중 하나로 각 유저 UT를 맵핑하도록 설정된다.
이어서, 세그멘트 레이블링 모듈(2409)은 출력(2410)에서 각 클러스터(예를 들면, C1→#관심 1, #관심 2…Ck→#관심 k)에 대한 레이블링된 세그먼트를 제공하도록 설정된다. 또한, 이들 레이블은 토픽 또는 키워드라고 불릴 수 있다.
디렉셔널 리시버 모듈(608)에 대하여, 액티브 리시버는 획득되는 데이터의 범위가 좁혀지도록 설정되는 것이 이해된다. 여기서, 다량의 데이터가 획득되고, 이어서 이를 통해 파싱 또는 필터링이 연산적으로 집중될 수 있는 것이 인지된다. 다량의 불필요한 데이터가 다운로드되고 저장되는 것을 회피하도록 단지 특정 데이터만 획득하는 것이 바람직할 수 있다. 상기 디렉셔널 리시버 모듈(608)에 의해 행해지는 방법은 액티브 리시버의 획득 동작을 타켓팅하는 것을 돕는데 사용된다.
도 25에 따르면, 액티브 리시버는 데이터의 검색을 좁히는데 사용되는 파라미터를 획득한다(블록(2501)). 예를 들면, 파라미터는 임의의 하나 이상의 토픽, 개인 또는 조직(예를 들면, 전문가, 인플루언서, 팔로워, 커뮤니티 등), 위치, 시간 범위, 키워드 또는 키 어구, 및 IP 주소를 포함한다. 또한, 기타 파라미터가 사용될 수 있다. 이들 파라미터는 자동으로 획득될 수 있다(블록(2502)). 예를 들면, 토픽, 전문가, 인플루언서, 팔로워, 및 커뮤니티는 모듈(604, 605, 606 및 607)과 연관되어 행해지는 임의의 하나 이상의 동작을 이용하여 자동으로 획득될 수 있다.
또한, 파라미터는, 예를 들면 유저 입력을 이용하여 수동으로 얻어질 수 있다(블록(2503)).
블록(2502)에서, 액티브 리시버는 획득된 파라미터를 이용하여 검색하고, 획득된 데이터는 파라미터와 연관된다.
예를 들면, 파라미터로서 인플루언서 또는 전문가를 구축한 후, 액티브 리시버는 인플루언서 또는 전문가에 관한 데이터를 능동적으로 획득한다. 이 관련 데이터는 이하를 포함한다: 예를 들면, 네임, 사용되는 키워드, 사용되는 공통의 단어, 팔로워, 위치, 선호, 비선호, 포스트 또는 메시지의 빈도, 작성 스타일, 언어 등. 예시적 실시형태에 있어서, 액티브 리시버는 인플루언서 또는 전문가로부터 데이터를 획득할 때에 소셜 네트워크에 있어서의 기타 유저로부터 데이터를 얻지 않고, 획득되는 데이터의 범위를 좁힌다.
예시적 실시형태에 있어서, 파라미터가 자동으로 획득될 때에, 상기 파라미터는 동적으로 그리고 자동으로 업데이트될 수 있다. 예를 들면, 소정의 토픽에 대한 상위 인플루언서 또는 상위 전문가는 경시에 따라 변화되기 때문에, 상위 인플루언서 또는 상위 전문가와 연관된 파리미터도 경시에 따라 변화된다.
또 다른 실시예에 있어서, 파라미터로서 위치를 구축한 후에, 액티브 리시버는 단지 소정의 위치에 관련된 데이터를 능동적으로 획득한다. 예를 들면, 소정의 위치로부터 기원하는 메시지 포스트, 게시글 포스트, 트윗 포스트 등이 획득되고, 반면에 기타 위치로부터 기원하는 기타 소셜 데이터는 획득되지 않는다.
이 방식으로, 파라미터와 연관된 소셜 데이터는 선택적으로 획득되고, 다른 데이터는 무시되거나 의도적으로 얻어지지 않는다. 환언하면, 데이터를 획득하기 위한 동작은 특정 타깃에 관한 것이다.
필터 모듈(609)에 대하여, 예시적 양태에 있어서 액티브 리시버는 필터 모듈을 사용하여 소셜 데이터에 있어서의 특정 특징을 식별하고, 그것들의 특징을 증폭하도록 설정된다. 또 다른 양태에 있어서, 액티브 리시버는 필터 모듈을 이용하여 상기 획득된 소셜 데이터를 분석하고 임의의 이상을 제거한다.
도 26에 따르면, 예시적 프로세서 실행 가능 명령은 데이터를 필터링하기 위해 제공되어 특정 특징을 식별하고 증폭시킨다. 이것은 중요하거나 바람직할 수 있는 소셜 데이터에 있어서의 특정 의미 및 콘텐츠는 강조하고, 반면에 나머지 소셜 데이터는 무시하여 유익하다.
블록(2601)에서, 소셜 데이터가 획득된다. 블록(2602)에서, 액티브 리시버는 빈도, 앰플리튜드 및 타이밍을 기초로 하여 데이터를 분석한다. 상기 빈도 데이터 또는 메타포(metaphor)는 동일한 소셜 네트워크 또는 다른 소셜 네트워크에 걸치는 다수의 몇몇 소셜 채널의 특정 소셜 채널 또는 다수의 소셜 채널을 나타낸다. 앰플리튜드 데이터 또는 메타포는 동일한 소셜 네트워크에 대해 특정 소셜 채널 또는 다수의 소셜 채널, 또는 다른 소셜 네트워크에 걸치는 다수의 소셜 채널에 대한 활동의 양(예를 들면, 디지털 메시지의 수 또는 소셜 데이터 발생의 특정 타입의 인스턴스 수)을 나타내고 특정한다. 소셜 데이터 발생은 다른 방식 또는 다른 필터를 기초로 하여 특정될 수 있다. 예를 들면, 소셜 데이터 발생은 특정 타입의 유저로부터의 메시지, 또는 특정 키워드를 사용하는 임의의 메시지, 또는 특정 위치로부터 기원하는 소셜 데이터 객체, 또는 브랜드 또는 컴퍼니와 연관된 소셜 데이터 객체일 수 있다. 소셜 데이터 발생을 특정하는 기타 방법이 이용될 수 있는 것이 이해될 수 있다. 타이밍 데이터 또는 메타포는 빈번한 활동 및/또는 폭넓은 활동의 상이한 크기를 나타낸다. 예를 들면, 소셜 데이터 발생의 빈도 또는 타이밍, 또는 양쪽을 트랙킹한다. 구체적으로는, 하루 동안에 걸쳐 동일하거나 반대이거나 인지 가능한 패턴에서 모두 동일한 네트워크에 대한 특정 소셜 채널 또는 다수의 소셜 채널 활동 또는 다른 네트워크 활동에 대해 다수의 소셜 채널 활동에 대해 다소 활동이 있다. 블록(2603)에서, 단일 또는 다수의 필터(들)는 데이터에 있어서의 포지티브 또는 네거티브 피크(빈도 피크/밸리, 앰플리튜드 피크/밸리 및 타이밍 피크/밸리)를 결정하도록 적용된다. 다른 필터는 자동 기계 학습 피크 또는 밸리이고, 이 데이터는 자동으로 제거될 수 있다. 상기 필터는 다른 빈도 범위 또는 앰플리튜드 범위, 또는 양쪽(블록(2604))을 기초로 할 수 있다. 블록(2605)에서, 증폭기 프로세스는 포지티브 또는 네거티브 피크의 앰플리튜드에 적용된다. 대안적으로, 상기 증폭기는 신연된 피크 또는 밸리 정보에 의해 사전 오버쉐도잉된 데이터를 증폭시켜 소셜 데이터에 있어서의 신연 피크 및 벨리 사이의 실제 신호를 청취할 수 있다. 데이터의 이 과장 또는 증폭은 소셜 커뮤니케이션 시스템(102)이 데이터의 중요도를 보다 용이하게 식별하는 것을 돕는다.
도 27에 따르면, 예시적 프로세스 실행 가능 명령은 소셜 데이터에 있어서의 이상을 포함하는 노이즈를 필터링하기 위해 제공된다. 이 방식으로, 액티브 리시버는 보다 정확한 데이터 및 관계를 출력할 수 있다. 소셜 데이터에 있어서의 이상의 비제한적 실시예는, 예를 들면 특정 그룹에 대해 관심을 가질 것으로 생각되지만, 실제로 그룹에 대한 관심이 없는 토픽을 포함할 수 있다. 이러한 이상은, 예를 들면 매우 짧은 시간 동안 보조 토픽 키워드를 이용하지만, 반면에 더욱 길고 또는 지속적인 시간 동안 주요한 토픽 키워드를 설명하는 많은 사람들에 의해 일어날 수 있다. 보조 토픽 키워드의 사용의 인스턴스의 높은 수는 토픽에 대한 관심의 표시라기 보다는 이상으로 간주된다. 이상의 다른 예가 적용 가능하고, 위치, IP 주소, 빈도, 시간 범위, 유저, 커뮤니티, 및 기타 유저 사이의 관계 등의 기타 특징을 기초로 할 수 있는 것이 이해된다.
소셜 데이터에 있어서의 노이즈의 실시예는 전문가 또는 인플루언서, 또는 유저의 그룹이 정기적으로 및 수시로 특정 키워드를 사용하고, 드물게 보조 키워드를 사용하는 경우도 있다. 드물게 사용되는 보조 키워드는 노이즈로 간주될 수 있다. 노이즈의 기타 실시예가 적용 가능하고, 위치, IP 주소, 빈도, 시간 범위, 유저, 커뮤니티, 및 이들 유저 사이의 관계 등의 기타 특징으로 기초로 할 수 있는 것이 이해된다.
블록(2701)에서, 액티브 리시버는 소셜 데이터를 획득한다. 이어서, 빈도수, 앰플리튜드, 타이밍 등의 임의의 하나 이상을 기초로 하여 소셜 데이터 특징을 분석한다(블록(2702)). 블록(2703)에서, 액티브 리시버는 필터를 적용하여 노이즈 또는 이상을 제거한다. 예를 들면, 액티브 리시버는 소셜 데이터에 있어서의 임의의 포지티브 또는 네거티브 피크를 제거한다.
도 27의 프로세스는 예외를 갖는, 도 26에 있어서의 콘텐츠의 파생이다. 도 26의 프로세스는 빈도수, 앰플리튜드, 및 시간을 통해 패턴을 계속해서 찾는 "브로드밴드 리시버"인 것으로 간주된다. 반면에, 도 27의 프로세스는 도 26의 프로세스의 반대인 것으로 간주된다. 구체적으로는, 도 27의 프로세스에 있어서, 키 단어, 어구, 메타데이터 등을 기초로 하는 인간 또는 기계는 필터에 삽입되어 소셜 데이터에 적용되어 노이즈 또는 이상을 제거한다.
위치 및 토픽 코릴레이터 모듈(610)에 대하여, 액티브 리시버는 모듈(610)을 사용하여 유사한 토픽 또는 키워드를 기초로 하여 다른 위치 사이의 관계를 식별하고 출력하도록 설정된다.
도 28에 따르면, 예시적 프로세서 실행 가능 명령은 위치 및 토픽 모듈 코릴레이터(601), 보다 구체적으로는 액티브 리시버에 따라서 동작을 행하기 위해 제공된다. 블록(2801)에서, 액티브 리시버는 위치 또는 다수의 위치를 획득한다. 위치 또는 위치들은, 예를 들면 나라, 국가 또는 지방, 지역, 도시, 마을, 구역, 데모그래픽 위치 등의 하나 이상의 형태를 가질 수 있다. 상기 위치는 자동으로(블록(2802)) 또는 수동으로(블록(2803))으로 획득될 수 있다. 예를 들면, 위치가 자동으로 획득되는 경우, 액티브 리시버는 전문가, 인플루언서, 인플루언서의 커뮤니티, 또는 유저의 세그멘트와 관련하여 획득되는 메타데이터를 기초로 하여 위치를 획득한다. 또한, 상기 위치는 연속적인 소셜 커뮤니케이션 시스템(102)(예를 들면, 유저 또는 커스토머의 위치, 또는 그들의 활동의 위치)의 유저 또는 컨슈머의 사전 결정된 비즈니스 지능을 기초로 하여 자동으로 얻어질 수 있다.
블록(2804)에서, 상기 액티브 리시버는 위치와 연관된 메타데이터를 식별한다. 이러한 메타데이터의 실시예는 토픽, 키워드, 키 어구, 사람들, 컴퍼니 등을 포함한다. 예를 들면, 획득된 위치(블록(2801)으로부터)가 캐나다의 토론토 시티인 경우, 토론토와 연관된 인기있고 공통의 토픽은 '시장의 스캔들'이다.
블록(2805)에서, 액티브 리시버는 동일한 또는 유사한 메타데이터를 갖는 하나 이상의 기타 위치를 검색한다. 또한, 계속해서, 토론토 예에 있어서, 액티브 리시버는 토픽 '시장의 스캔들'과 공통되게 연관된 또 다른 위치를 검색한다. 이 실시예에 있어서, 다른 위치는 미합중국의 샌디에이고 시티에 있다.
블록(2806)에서, 액티브 리시버는 위치, 메타 데이터 및 서로 연관된 기타 위치를 저장한다. 계속해서, 토론토 예에 있어서, 액티브 리시버는 토론토의 위치, 샌디에이고의 위치와 '시장의 스캔들'의 공통의 토픽 사이의 관계 또는 연관을 저장한다.
이러한 연관은, 예를 들면 공통의 토픽(예를 들면, 액티브 컴포저 모듈(104))을 기초로 하여 다른 위치 사이의 흥미로운 관계를 설명하는 콘텐츠를 구성하기 위해 사용될 수 있는 것이 이해될 것이다. 또한, 또 다른 실시예에 있어서, 관계는 공통의 또는 공유의 메타 데이터(예를 들면, 상기 액티브 트랜스미터 모듈(105)에 따라)를 기초로 하여 어느 다른 위치에서 소셜 데이터를 송신해야 하는지를 결정하는데 이용될 수 있다.
데이터 컬래버레이터 모듈(611)에 대하여, 액티브 리시버는 모듈(611)을 사용하여 다른 데이터 소스로부터의 데이터를 조합하여 보다 완전하거나 완전한 데이터 세트를 형성하도록 설정된다. 여기서, 특정 토픽, 개인, 조직, 위치, 유저, 또는 보다 일반적으로, 특정 주제와 관련된 데이터의 다른 타입이 획득되는 것이 바람직하다는 것이 인지된다. 그러나, 단일 데이터 소스는 데이터의 다른 타입을 모두 제공할 수 없고, 반면에 다른 데이터 소스는 누락된 타입의 데이터를 제공할 수 있다. 데이터 컬래버레이터 모듈(611)에 따라서 이용되는 동작은 이러한 과제를 해결하기 위해 사용될 수 있다.
또 다른 양태에 있어서, 액티브 리시버는 모듈(611)을 사용하여 다른 소스로부터 데이터를 얻어 데이터를 검증하도록 설정된다. 구체적으로는, 여기서 데이터 소스로부터의 데이터가 신뢰성이 있거나 정확하지 않을 수 있는 것이 인지된다. 특정 데이터 타입에 대한 데이터값이 정확한지를 검증하기 위해, 액티브 리시버는 다른 데이터 소스로부터 동일한 데이터 타입을 얻어 동일한 데이터 타입의 데이터값과 비교한다.
도 29에 따르면, 실시예는 상이한 데이터 소스로부터 데이터를 조합하여 보다 완전한, 또는 완전한 데이터 세트를 형성하기 위해 제공된다. 그래픽 표시(2901)에 있어서, 데이터 필드(예를 들면, A, B, C, D, E 등)의 세트가 액티브 리시버에 의해 획득되는 것이 바람직한 것으로서 나타내어진다. 예를 들면, 데이터 필드는 모두 개인 등의 어떤 객체에 관한 것일 수 있고, 개인에 대한 데이터 필드의 비제한적 실시예는 네임, 나이, 거주지, 이메일 주소, 직업, 커뮤니티 또는 그룹, 및 관심을 포함한다. 표시(2901)에 나타낸 바와 같이, 제 1 데이터 소스는 단지 데이터 필드(A, C 및 D)에 대한 데이터값(A1, C1 및 D1)을 제공할 수 있다. 환언하면, 제 1 데이터 소스는 데이터 필드(B 및 E) 등의 모든 데이터 필드에 대한 데이터값을 제공할 수 없다. 제 2 데이터 소스는 단지 데이터 필드(B)를 채우기 위한 데이터값(B2)을 제공하고, 제 3 데이터 소스는 단지 데이터 필드(E)를 채우기 위한 데이터값(E3)을 제공한다.
블록(2902)에서, 액티브 리시버는 이들 상이한 데이터 소스로부터 데이터를 추출하여 데이터를 조합한다. 블록(2903)에서, 데이터 필드가 다른 데이터 소스로부터 채워지는 보다 완성된 또는 완성된 데이터 세트가 출력된다. 예를 들면, 완성된 데이터 세트는 {A1, B2, C1, D1, E3, …}이다.
도 30에 따르면, 예시적 프로세서 실행 가능 명령은 상이한 데이터 소스로부터 데이터를 조합하여 보다 완성된, 또는 완성된 데이터 세트를 형성하기 위해 제공된다. 이들 동작은 모듈(611)에 따라서, 보다 일반적으로는 액티브 리시버를 통해 행해질 수 있다. 블록(3001)에서, 액티브 리시버는 다수의 데이터 필드에 대한 제 1 데이터 소스로부터 데이터를 검사한다. 블록(3002)에서, 액티브 리시버는 하나 이상의 데이터 필드가 제 1 데이터 소스에 의해 제공될 수 없는 누락된 정보를 갖는지를 결정한다. 제 1 데이터 소스가 데이터 필드를 모두 채우도록 데이터를 제공하지 않으면, 프로세스는 블록(3005)으로 진행하여 액티브 리시버가 채워진 데이터 필드를 출력한다.
그러나, 하나 이상의 데이터 필드에 누락된 정보가 있으면, 액티브 리시버는 하나 이상의 상이한 데이터 소스로부터 데이터를 추출하여 상기 하나 이상의 데이터 필드를 채운다((블록(3003)). 이어서, 액티브 리시버는 상이한 데이터 소스로부터 데이터를 조합하여 다수의 데이터 필드의 보다 완전하게 채워진 데이터 세트, 또는 완전하게 채워진 데이터 세트를 형성한다(블록(3004)).
도 31에 따르면, 예시적 프로세서 실행 가능 명령은 소셜 데이터로부터 이상(anomalies)을 포함하는 노이즈를 필터링하기 위해 제공된다. 이들 명령은 모듈(611)에 따라서, 보다 일반적으로는 액티브 리시버에 의해 행해질 수 있다. 블록(3101)에서, 액티브 리시버는 제 1 데이터 소스로부터 데이터를 얻어 데이터 필드를 채운다. 블록(3102)에서, 액티브 리시버는 하나 이상의 상이한 데이터 소스로부터 데이터를 얻어 동일한 데이터 필드를 채운다. 블록(3103)에서, 액티브 리시버는 하나 이상의 다른 데이터 소스로부터의 데이터가 제 1 데이터 소스로부터의 데이터와 동일한지를 결정한다. 이 경우, 블록(3104)에서, 데이터가 일치한다고 검증한다.
데이터가 동일하지 않으면, 블록(3106)에서, 액티브 리시버는 데이터 소스 중에서 가장 공통된 데이터 필드에 대한 데이터 값이 있는지를 결정한다.
데이터 소스 중에서 가장 공통된 데이터 값이 있으면, 액티브 리시버는 가장 공통의 데이터 값으로 데이터 필드를 채운다(블록(3107)). 또한, 잠재적인 데이터 불일치에 대한 노트를 작성하고, 상기 데이터 필드에 채워진 데이터와 연관된다(블록(3108)). 이 방법에서는, 시스템(102) 또는 유저는 데이터가 정확하지 않을 가능성이 있음을 인식한다.
대안적으로, 블록(3106)을 계속하면, 데이터 소스 중에 가장 공통된 데이터 값이 없으면, 가장 공통되는 것으로 간주되는 2개 이상의 다른 데이터값이 있을 수 있다. 이어서, 이들 다른 데이터값은 데이터 필드를 채우는데 사용된다(블록(3109)). 환언하면, 동일한 데이터 필드에 대해, 다른 데이터값이 있다. 예를 들면, 유저의 이메일 주소 데이터 필드는 데이터 소스 중에서 가장 공통되는 것으로 간주되는 다른 이메일 주소로 채워질 수 있다. 블록(3110)에서, 데이터에 있어서의 불일치에 대한 노트를 작성하고, 데이터 필드 및 데이터값과 연관된다. 이 방법에서는, 시스템(102) 또는 유저는 동일한 데이터 필드에 대한 다른 데이터값이 가능한 것을 알 수 있다.
대안적인 예시적 실시형태에 있어서, 블록(3103)에 따라서, 하나 이상의 기타 소스로부터의 데이터가 제 1 데이터 소스로부터의 데이터와 동일하지 않으면, 블록(3105)에서 액티브 리시버는 다른 데이터값으로 데이터 필드를 채운다. 다른 데이터값은 어떤 데이터값이 가장 공통된지를 기초로 하여 랭크된다.
예측 및 신시사이저 모듈(612)에 대하여, 액티브 리시버는 모듈(612)을 이용하여 엔티티에 관한 하나 이상의 특징을 예측 또는 합성, 또는 양쪽을 하도록 설정된다. 특징은 엔티티에 관한 특징일 수 있다. 또한, 특성은 엔티티에 의해 행해지도록 예측되는 동작일 수 있다. 또한, 특성은 엔티티에 의해 행해진 동작일 수 있다.
구체적으로는, 여기서 엔티티에 대한 데이터는 완전하지 않을 수 있는 것이 인지된다. 그러나, 예측 및 신시사이저 모듈(612)을 이용하면, 액티브 리시버가 엔티티에 대한 데이터를 생성함으로써 엔티티에 대한 데이터를 보다 완전하게 작성할 수 있다.
도 32에 따르면, 예시적 프로세서 실행 가능 명령은 특성을 예측 및 합성하기 위해 제공된다. 이들 명령은 모듈(612)에 따라서, 보다 일반적으로는 액티브 리시버를 통해 행해질 수 있다. 블록(3201)에서, 액티브 리시버가 엔티티가 특성 'A'를 나타내면, 상기 엔티티는 또 다른 특성 'B'와 연관되는 룰을 생성한다. 엔티티는 개인, 조직, 계정, 유저, 그룹, 장치 등일 수 있는 것이 이해될 것이다.
이러한 룰을 생성하는 비제한적 실시예(3204)가 제공된다. 실시예(3204a)는 인플루언서 또는 전문가(블록(3205)), 또는 그들의 다수를 식별하는 것을 포함한다. 블록(3206)에서, 액티브 리시버는 인플루언서 또는 전문가의 상위 n명의 팔로워를 식별한다. 블록(3207)에서, 액티브 리시버는 특성 'A' 및 'B'가 인플루언서 또는 전문가 및 공통의 상위 n명의 팔로워에 공통되는 것인지를 결정한다. 블록(3208)에서, 액티브 리시버는 엔티티가 특성 'A'를 나타낼 때에 상기 엔티티가 다른 특성 'B'와 연관되는 룰을 생성한다.
룰을 생성하는 또 다른 실시예(3204b)는 인플루언서 또는 전문가(블록(3209)) 또는 그들의 다수를 식별하는 것을 포함한다. 블록(3210)에서, 액티브 리시버는 특성 'A' 및 'B'가 인플루언서 또는 전문가에 대해 공통되는 것인지를 결정한다. 블록(3211)에서, 액티브 리시버는 엔티티가 특성 'A'를 나타내는 경우, 엔티티는 기타 특성 'B'와 연관되는 룰을 생성한다.
도 32를 계속하면, 룰을 생성한 후, 블록(3202)에서 액티브 리시버는 특성 'A'를 나타내는 획득된 데이터로부터 엔티티를 식별한다. 블록(3203)에서, 상기 액티브 리시버는 동일한 엔티티를 갖는 특성 'B'와 연관된다.
이 방법에서는, 엔티티는 특성 'B'를 나타내지 않고, 단지 특성 'A'를 나타내지만, 액티브 리시버는 엔티티가 특성 'B'와 연관되는 것을 예측 또는 합성하도록 설정된다.
이하, 상기 액티브 리시버 모듈의 다른 예시적 양태가 제공된다.
액티브 리시버 모듈(103)은 하나 이상의 일렉트로닉 데이터 스트림을 실시간으로 캡쳐하도록 설정된다.
액티브 리시버 모듈(103)은 비즈니스와 관련된 소셜 데이터를 실시간으로 분석하도록 설정된다.
액티브 리시버 모듈(103)은 하나의 언어로부터 또 다른 언어로 텍스트를 번역하도록 설정된다.
액티브 리시버 모듈(103)은 비디오, 텍스트, 오디오 및 화상을 분석하여 비즈니스 정보를 생성하도록 설정된다. 비즈니스 정보의 비제한적 실시예는 감성 정보이다. 통상, 감성 정보는 소셜 정보의 피스가 포지티브인지 네거티브인지의 여부에 따라 적용된다. 상기 예시적 소셜 데이터: "나의 발볼은 넓지만 아디다스 신발은 좁기 때문에, 나는 아디다스 신발을 좋아하지 않는다." 이 실시예에 있어서, 아디다스 신발에 대한 네거티브 감정이 있다.
자연어 프로세싱(NLP) 방법 및 알고리즘은 오픈 소스(Ling Pipe)뿐만 아니라 상용(ClaraBridge) 양쪽에 널리 이용 가능하다. 소셜 정보는 이들 NLP 엔진으로 입력되어 소셜 메시지에 대한 포지티브, 중간, 또는 네거티브 감정을 출력할 수 있다.
또한, 액티브 리시버 모듈(103)은 비즈니스 강화를 제공하기 위하여 수신된 소셜 데이터에 메타데이터를 적용하도록 설정된다. 메타데이터의 비제한적 실시예는 지리적 데이터, 시간적 데이터, 비즈니스 주도 특징, 분석 주도 특징 등을 포함한다.
액티브 리시버 모듈(103)은 수신된 소셜 데이터 및 연산된 정보를 이용하여 잠재적 결과 및 비즈니스 시나리오를 이해 및 예측하도록 설정된다. 잠재적 이벤트 결과를 결정하는 것 및 추천하는 것은 비즈니스가 보다 더 예측가능해지고, 비즈니스 위험을 감소시키고, 가능한 다양한 결과 중에서 폭넓은 결정을 할 수 있게 한다. 수집된 소셜 정보를 이용하여, 이 데이터는 몬테카를로 시뮬레이터에 의해 실행될 수 있다. 이어서, 이 컴퓨터 집중적 프로세스는 특정 입력을 기초로 하여 가능성이 있는 다양한 결과를 출력할 수 있다. 예를 들면, 소셜 네트워크가 남아메리카의 콜롬비아의 가장 최신의 아디다스 축구화에 대해 이야기하고 있다면, 아디다스는 몬테카를로 시뮬레이션을 이용하여 특정 구매 레벨을 주도하는데 필요한 광고비의 레벨을 추정할 수 있다.
액티브 리시버 모듈(103)은 수신된 메타 데이터 및 소셜 데이터를 기초로 하여 유저 또는 타깃 그룹을 제안하도록 설정된다. 예를 들면, 유저 및 세그멘트 그룹은 전문가 및 그들의 팔로워를 식별함으로써 획득된다. 또 다른 실시예에 있어서, 유저 및 세그먼트는 인플루언서 및 그들의 커뮤니티 또는 커뮤니티들을 식별함으로써 획득된다. 또 다른 예시적 실시형태에 있어서, 유저 및 세그먼트는 액티브 리시버(103)에 있어서의 임의의 모듈을 이용하여 획득된다.
액티브 리시버 모듈(103)은 유저 세그멘트 또는 타깃 그룹과 포지티브 또는 네거티브하게 관련되어 있는 소셜 데이터 채널을 제안 또는 추천하도록 설정된다.
액티브 리시버 모듈(103)은 유저, 유저 세그멘트, 및 소셜 데이터 채널 등의 그룹핑을 연계 및 기여하도록 설정된다. 예시적 실시형태에 있어서, 액티브 리시버 모듈은 패턴, 메타데이터, 특징 및 스테레오타입을 사용하여 유저, 유저 세그멘트 및 소셜 데이터 채널을 관련시킨다.
액티브 리시버 모듈(103)은 인간의 개입이 적거나 인간의 개입없이 동작하도록 설정된다.
액티브 리시버 모듈(103)은 수신된 소셜 데이터 및 임의의 연관된 연산 데이터에 친화도 데이터 및 메타데이터를 대입하도록 설정된다. 예시적 실시형태에 있어서, 친화도 데이터는 친화도 분석으로부터 파생되고, 이것은 특정 개인, 그룹, 컴퍼니, 위치, 컨셉, 브랜드, 장치, 이벤트, 및 소셜 네트워크에 의해(또는 기록됨으로써) 행해지는 활동 사이의 동시발생 관계를 포함하는 데이터 마이닝 기술이다.
액티브 컴포저 모듈
액티브 컴포저 모듈(104)은 사람들과 커뮤니케이션하기 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 기계적으로 생성하고, 타깃 오디언스에 대한 적절한 또는 최적의 해결방안을 추천할 수 있다.
도 33에 따르면, 액티브 컴포저 모듈(104)의 예시적 구성요소를 나타낸다. 예시적 구성요소는 텍스트 컴포저 모듈(3301), 비디오 컴포저 모듈(3302), 그래픽/화상 컴포저 모듈(3303), 오디오 컴포저(3304), 및 애널리틱스 모듈(3305)을 포함한다. 상기 컴포저 모듈(3301, 3302, 3303 및 3304)은 개별로 동작하여 그들의 각각의 미디어 타입 내에 새로운 소셜 데이터를 구성할 수 있고, 또는 함께 동작하여 믹스된 미디어 타입으로 새로운 소셜 데이터를 구성할 수 있다.
애널리틱스 모듈(3305)을 사용하여 출력된 소셜 데이터를 분석하고, 구성 프로세스에 대한 조정을 식별하고, 구성 프로세스에 대한 조정을 하도록 코멘드를 생성한다.
도 34a에 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(3401)). 이어서, 액티브 컴포저 모듈은 획득된 소셜 데이터로부터 얻는 새로운 소셜 데이터 객체(예를 들면, 텍스트, 비디오, 그래픽, 오디오)를 구성한다(블록(3402)).
다양한 접근법이 새로운 소셜 데이터 객체, 또는 새로운 소셜 데이터 객체를 구성하는데 이용될 수 있다. 예를 들면, 소셜 데이터는 새로운 소셜 데이터 객체를 생성하도록 조합될 수 있고(블록(3405)), 소셜 데이터는 새로운 소셜 객체를 생성하도록 추출될 수 있으며(블록(3406)), 새로운 소셜 데이터는 새로운 소셜 데이터 객체를 형성하도록 생성될 수 있다(블록(3407)). 하나 이상의 블록(3405, 3406 및 3407)으로부터의 동작은 블록(3402)에 적용될 수 있다. 이에 관한 더한 세부사항은 도 34b, 도 34c 및 도 34d에 설명되어 있다.
도 34a를 계속하면, 블록(3403)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(블록(3404)).
도 34b에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 블록(3405)에 따라 소셜 데이터를 조합하기 위해 제공된다. 상기 액티브 컴포저 모듈은 소셜 데이터(블록(3408)) 사이의 관계 및 상관관계를 획득한다. 상기 관계 및 상관관계는, 예를 들면 액티브 리시버 모듈로부터 얻어진다. 또한, 액티브 컴포저 모듈은 상기 관계에 대응하는 소셜 데이터를 획득한다(블록(3409)). 블록(3409)에서 획득된 소셜 데이터는 액티브 리시버 모듈에 의해 획득되는 소셜 데이터의 서브세트일 수 있고, 또는 서드 파티 소스에 의해 획득될 수 있고, 양쪽에 의해 획득될 수 있다. 블록(3410)에서, 액티브 컴포저 모듈은 서로 관련되는 소셜 데이터를 조합함으로써 새로운 소셜 데이터(예를 들면, 새로운 소셜 데이터 객체)를 구성한다.
블록(3410)을 구현할 때에 각종 구성 프로세스가 사용될 수 있는 것이 이해될 수 있다. 예를 들면, 텍스트 서머라이징 알고리즘이 사용될 수 있다(블록(3411)). 또 다른 실시예에 있어서, 텍스트, 비디오, 그래픽 등을 조합하기 위한 템플레이트가 사용될 수 있다(블록(3412)). 예시적 실시형태에 있어서, 상기 템플레이트는 자연어 프로세싱을 이용하여 게시글 또는 에세이를 생성할 수 있다. 상기 템플레이트는 어느 입장에 관한 제 1 섹션, 상기 입장을 지지하는 제 1 논거를 포함한 제 2 섹션, 상기 위치를 지지하는 제 2 논거를 포함한 제 3 섹션, 상기 위치를 지지하는 제 3 논거를 포함한 제 4 섹션, 및 상기 위치의 요약을 포함한 제 5 섹션을 포함한다. 기타 템플레이트는 새로운 게시글, 스토리, 보도 자료 등을 포함한 각종 타입의 텍스트에 사용될 수 있다.
또한, 다른 언어에 영합하는 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 멘션할 것인지를 결정하는 것을 포함한다. 이 경우에 있어서, 정보는 식별된 관계와 연관된 소셜 데이터로부터 추출된다. 문서 구조화는 정보를 전달하기 위한 전체적인 조직화이다. 집합은 유사한 문장을 병합하여 가독성 및 자연스러움을 개선시키는 것이다. 어휘의 선택은 단어에 개념을 부합시키는 것이다. 참조 표현 생성은 객체 및 영역을 식별하는 참조 표현을 생성하는 것을 포함한다. 또한, 이것은 대명사 및 대용어의 다른 타입에 대해 결정하는 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 34b를 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(3413)). 또한, 키워드 및 키 어구와 동의어 또는 유사어인 단어 및 어구를 포함하는 시소러스 데이터베이스는 새로운 소셜 데이터 객체를 구성하기 위해 사용될 수 있다(블록(3414)). 상기 시소러스 데이터베이스는 속어 및 방언을 포함할 수 있다.
도 34c에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 블록(3406)에 따라서 소셜 데이터를 추출하기 위해 제공된다. 블록(3415)에서, 액티브 컴포저 모듈은 소셜 데이터와 관련된 특징을 식별한다. 이들 특징은 소셜 데이터의 메타데이터, 태그, 키워드, 소스 등을 이용하여 식별될 수 있다. 블록(3416)에서, 액티브 컴포저 모듈은 상기 식별된 특징과 관련이 있는 소셜 데이터를 검색하고 추출한다.
예를 들면, 식별된 특징 중 하나는 개인, 조직, 또는 장소의 소셜 네트워크 계정 네임이다. 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(3418))은 블록(3416)을 구현하는 예시적 실시형태이다.
블록(3416)을 구현하는 또 다른 예시적 실시형태는 관계를 획득하고, 그 관계를 이용하여 소셜 데이터를 추출하는 것이다(블록(3419)). 관계는 본원에 기재된 방법을 포함한 다수의 방법으로 얻어질 수 있지만, 이들에 한정되는 것은 아니다. 관계를 획득하는 또 다른 예시적 방법은 피어슨의 연계를 이용하는 것이다. 피어슨의 연계는 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, 데이터 X가 부여되고, X는 결정되고, 데이터 Y가 포지트브 상관관계이면, 데이터 Y가 추출된다.
블록(3416)을 구현하는 또 다른 예시적 실시형태는 가중을 이용하여 소셜 데이터를 추출하는 것이다(블록(3420)). 예를 들면, 특정 키워드는 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 특징이 가중될수록 상기 특징과 관련된 소셜 데이터를 추출하기 위한 검색이 더 넓고 더 깊어질 것이다.
소셜 데이터를 검색 및 추출하는 기타 접근법이 이용될 수 있다.
블록(3417)에서, 추출된 소셜 데이터를 이용하여 새로운 소셜 데이터 객체를 형성한다.
도 34d에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 블록(3407)에 따라서 소셜 데이터를 생성하기 위해 제공된다. 블록(3421)에서, 상기 액티브 컴포저 모듈은 소셜 데이터와 관련된 스테레오타입을 식별한다. 스테레오타입은 상기 소셜 데이터로부터 파생될 수 있다. 예를 들면, 클러스터링 및 결정 트리 클래시파이어를 이용하여, 스테레오타입이 계산될 수 있다.
예시적 스테레오타입 연산에 있어서, 모델이 생성된다. 상기 모델은 개인, 장소, 객체, 컴퍼니, 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. 특징 또는 스테레오타입은 클러스터링을 기초로 하여 모델에 할당된다. 구체적으로는, 모델과 관련된 각종 특징을 나타내는 클러스터는 응집하는 클러스터링의 반복을 이용하여 프로세스된다. 특정 클러스터가 소정의 차이의 임계치를 충족하고, 여기서 상기 차이는 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 스테레오타입의 연산에 있어서, 친화도 전파는 공통의 특징을 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 전체합을 최소화하는 것이다. 또한, 상기 친화도 전파 연산의 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 and Brendan J. Frey의 참고문헌에 기재되어 있으며, 그들의 전체 내용은 본원에 참조로서 포함된다.
또 다른 예시적 스테레오타입 연산은 마켓 바스켓 분석(연관 분석)이고, 이것은 친화도 분석의 예이다. 마켓 바스켓 분석은 특정 제품 그룹을 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 상품 바스켓 및 상품 연관 룰을 훈련하고, 식별한다. 그러나, 여기서 동일한 접근법이 상품 대신에 개인(예를 들면, 스테레오타입)의 특징을 식별하는데 이용된다. 또한, 이 경우에 있어서, 소셜 데이터(예를 들면, 그들이 읽고, 보고, 듣고, 댓글하는 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 34d를 계속하면, 상기 스테레오타입은 메타데이터로서 사용될 수 있다(블록(3422)). 예시적 실시형태에 있어서, 메타데이터는 새로운 소셜 데이터 객체이고(블록(3423)), 또는 상기 메타데이터는 새로운 소셜 데이터 객체를 파생하거나 구성하기 위해 사용될 수 있다(블록(3424)).
새로운 소셜 데이터 객체를 구성하기 위해 블록(3405, 3406 및 3407)에 대하여 설명된 방법은 다양한 방식으로 조합될 수 있지만, 본원에 구체적으로 설명되지 않는다. 또한, 새로운 소셜 데이터 객체를 구성하는 기타 방법이 적용될 수 있다.
소셜 데이터 객체를 구성하는 예시적 실시형태에 있어서, 상기 소셜 데이터는 네임 "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 방식으로, 크리스 팔리의 캐리커쳐 이미지를 포함하는 새로운 소셜 데이터 객체가 자동으로 생성된다. 텍스트로부터 얻는 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 묘사를 작성하고, 동일한 스테레오타입에 매칭되는 다른 사람들을 텍스트 묘사로 식별하는데 사용된다. 상기 텍스트 묘사는 구성된 소셜 데이터 객체이다. 또한, 예를 들면, Chris Farely의 스테레오타입은 '코미디언' 및 '닌자'의 스테레오타입에도 부합하는 배우 "John Belushi"를 식별하는데 이용될 수 있다. 상술의 예는 개인에 관한 것이지만, 소셜 데이터를 구성하기 위한 스테레오타입을 이용한 동일한 원리가 장소, 문화, 패션 트렌드, 브랜드, 컴퍼니, 객체 등에도 적용될 수 있다.
액티브 컴포저 모듈(104)은 인간의 개입이 적거나 인간의 개입없이 동작하도록 설정된다.
액티브 트랜스미터 모듈
액티브 트랜스미터 모듈(105)은 특정 유저 및 타깃 그룹에 새롭게 구성된 소셜 데이터를 커뮤니케이션하는 바람직한 또는 적절한 소셜 데이터 채널을 분석적으로 평가한다. 또한, 액티브 트랜스미터 모듈은 새롭게 구성된 소셜 데이터를 전송 또는 송신하는 바람직한 시간을 평가한다.
도 35에 따르면, 액티브 트랜스미터 모듈(105)의 예시적 구성요소를 나타낸다. 예시적 구성요소는 텔레미터 모듈(3501), 스케쥴링 모듈(3502), 트랙킹 및 애널리틱스 모듈(3503), 및 송신용 데이터 저장소(3504)을 포함한다. 상기 텔레미터 모듈(3501)은 어떤 채널을 통해 특정 소셜 데이터 객체를 전송 또는 브로드캐스팅해야 하는지를 결정 또는 식별하도록 설정된다. 소셜 데이터 객체는 텍스트 게시글, 메시지, 비디오, 댓글, 오디오 트랙, 그래픽, 또는 믹스드-미디어 소셜 피스일 수 있다. 예를 들면, 특정 자동차 브랜드에 대한 소셜 데이터 객체는 잠재적인 차 구매자, 상기 자동차 브랜드의 현재 소유자 및 상기 자동차 브랜드의 과거 소유자에 의해 조회되고 팔로우되는 웹사이트, RSS 피드, 비디오 또는 오디오 채널, 블로그, 또는 그룹에 전송되어야 한다. 상기 스케쥴링 모듈(3502)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, 상기 구성된 소셜 데이터 객체는 근무일의 근무시간 동안에 전송되도록 스케쥴링될 수 있다. 상기 트랙킹 및 애널리틱스 모듈(3503)은 데이터 트랙커 또는 마커를 구성된 소셜 데이터 객체로 삽입하여 사람들으로부터의 피드백의 수집을 용이하게 한다. 데이터 트랙커 또는 마커는, 예를 들면 태그, 피드백(예를 들면, 좋아요(like), 싫어요(dislike), 등급(rating), 썸 업(thumb up, 썸 다운(thumb down 등), 웹 페이지의 조회수 등을 포함한다.
송신용 데이터 저장소(3504)는 연관된 데이터 트랙커 또는 마커를 갖는 소셜 데이터 객체를 저장한다. 상기 소셜 데이터 객체는 "카트"로서 패키징될 수 있다. 동일한 소셜 데이터 객체 또는 다른 소셜 데이터 객체를 갖는 다수의 카트는 데이터 저장소(3504)에 저장된다. 상기 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 36에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 액티브 트랜스미터 모듈(105)에 따라 구성된 소셜 데이터를 송신하기 위해 제공된다. 블록(3601)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터를 획득한다. 블록(3602)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터의 텔레메트리를 결정한다. 블록(3603)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터의 송신을 위한 스케쥴링을 결정한다. 피드백을 획득하는데 이용되는 트랙커는 구성된 소셜 데이터에 추가되고(블록(3604)), 트랙커를 포함하는 소셜 데이터는 스케쥴링 및 텔레메트리 파라미터와 연관되어 저장된다(블록(3605)). 스케쥴링 파라미터에 의해 결정되었을 때, 액티브 트랜스미터 모듈은 구성된 소셜 데이터를 텔레메트리 파라미터에 따라 식별된 소셜 데이터 채널로 전송한다(블록(3606)).
도 36을 계속하면, 액티브 트랜스미터 모듈은 트랙커(블록(3607))를 이용하여 피드백을 수신하고(블록(3607)), 피드백을 이용하여 텔레메트리 또는 스케쥴링 파라미터, 또는 양쪽을 조정한다(블록(3608)).
이하, 액티브 트랜스미터 모듈(105)의 다른 예시적 양태가 제공된다.
액티브 트랜스미터 모듈(105)은 인간의 개입이 적거나 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 커뮤니케이션하기 위한 하나 이상의 데이터 커뮤니케이션 채널을 선택하도록 설정된다. 상기 데이터 커뮤니케이션 채널은 페이스북, 트위터, 및 블룸버그 등의 인터넷 컴퍼니를 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 컴퍼니 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. 상기 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, 변경하도록 하는 결정은 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 N수회에 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)에서부터 구성된 소셜 데이터의 송신까지 메타데이터를 적용하도록 설정된다. 메타데이터는 지리적 데이터, 시간적 데이터, 비즈니스 주도 특징, 고유의 캠페인 ID, 키워드, 해시태그 또는 그 등가, 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, 애널리틱을 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 낮은 레이턴시 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 37에 따르면, 소셜 애널리틱 신시사이저 모듈(106)의 예시적 구성요소를 나타낸다. 예시적 구성요소는 액티브 리시버 모듈(3701)로부터의 데이터의 복사, 액티브 컴포저 모듈(3702)로부터의 데이터의 복사, 및 액티브 트랜스미터 모듈(3703)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 연산, 각 모듈에 의해 이용되는 파라미터 등을 포함한다. 바람직하게는, 이들 데이터 저장소(3701, 3702 및 3703)는 수시로 업데이트된다. 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 얻어진다.
또한, 도 37을 계속하면 예시적 구성요소는 서드 파티 시스템 (3704), 애널리틱스 모듈(3705), 기계 학습 모듈(3706) 및 조정 모듈(3707)로부터의 데이터 저장을 포함한다. 애널리틱스 모듈(3705) 및 기계 학습 모듈(3706)은 공지된 컴퓨팅 알고리즘을 이용하여 데이터(3701, 3702, 3703, 3704)를 프로세스하여 의사결정하고 모든 모듈(103, 104, 105, 및 106) 사이의 프로세스를 개선시킨다. 조정 모듈(3707)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(3704)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 "전체" 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 지능을 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 적거나 인간의 개입없이 동작되도록 설정된다.
도 38에 따르면, 예시적 컴퓨터 또는 프로세서 구현 명령은 모듈(106)에 따른 분석을 기초로 하여 데이터를 분석하고, 조정 코멘드를 제공하기 위해 제공된다. 블록(3801)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(3802)). 소셜 애널리틱 신시사이저는 임의의 액티브 리시버 모듈, 액티브 컴포저 모듈, 및 액티브 트랜스미터 모듈에 사용되는 알고리즘 또는 프로세스에서 행하는 조정을 결정한다(블록(3803)). 이어서, 조정, 또는 조정 코멘드는 대응하는 모듈 또는 대응하는 모듈들에 전송된다(블록(3804)).
이하, 시스템 및 방법의 일반적인 예시적 실시형태를 설명한다.
일반적으로, 소셜 데이터를 획득하기 위해 컴퓨팅 시스템에 의해 행해지는 방법은 하나 이상의 데이터 스트림으로부터 소셜 데이터를 획득하는 스텝, 상기 소셜 데이터를 필터링하여 필터링된 소셜 데이터를 획득하는 스텝, 상기 필터링된 소셜 데이터를 분석하여 하나 이상의 관계를 결정하는 스텝, 및 상기 필터링된 소셜 데이터 및 관계를 서로 연관시켜 출력하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 상기 방법은 상기 소셜 데이터 및 상기 관계를 이용하여 새로운 소셜 데이터를 구성하는 것을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 하나 이상의 관계를 기초로 하여 하나 이상의 유저를 식별하는 스텝 및 하나 이상의 유저에게 상기 새로운 소셜 데이터를 송신하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 텍스트를 포함하는 소셜 데이터를 획득하는 스텝 후, 상기 방법은 상기 텍스트를 하나의 언어로부터 다른 언어로 번역하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 방법은 상기 소셜 데이터 및 관계 등의 임의의 연관된 연산 데이터에 친화도 데이터를 대입하는 스텝을 더 포함하고, 상기 친화도 데이터는 친화도 분석으로부터 파생된다.
상기 방법의 또 다른 양태에 있어서, 상기 하나 이상의 관계를 결정하는 스텝은 토픽에 대한 유저의 그룹 중에서 인플루언서를 식별하는 스텝을 포함하고, 상기 필터링된 소셜 데이터는 유저의 그룹 및 상기 토픽을 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 하나 이상의 관계는 상기 인플루언서와 상기 토픽과 연관된 유저의 커뮤니티 사이의 관계를 더 포함하고, 상기 유저의 커뮤니티는 유저의 그룹의 서브세트이고, 상기 방법은 상기 커뮤니티의 인기있는 특징을 식별하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 인플루언서를 결정하는 스텝은 하나 이상의 유저가 상기 인플루언서를 멘셔닝하는 스텝, 상기 인플루언서에 리플라이하는 스텝, 및 상기 인플루언서로부터 콘텐츠를 리포스팅하는 스텝 중 임의의 하나 이상을 행하는 다수의 인스턴스를 결정하는 스텝을 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 소셜 데이터는 유저 및 상기 유저와 관련된 텍스트를 포함하고, 상기 하나 이상의 관계를 결정하는 스텝은 상기 텍스트에 대해 n-그램 텍스트 프로세싱을 행하여 다른 유저 사이에 하나 이상의 관계를 결정하는 스텝을 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 방법은 하나 이상의 파라미터를 획득하는 스텝 및 단지 상기 하나 이상의 파라미터와 연관된 소셜 데이터만을 선택적으로 획득하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 소셜 데이터를 필터링 하는 스텝은 소셜 데이터 발생의 활동의 빈도, 앰플리튜드 및 타이밍을 기초로 하여 상기 소셜 데이터를 분석하는 스텝, 필터를 적용하여 상기 소셜 데이터에 있어서의 포지티브 또는 네거티브 피크를 결정하는 스텝, 및 상기 포지티브 또는 네거티브 피크를 증폭시키는 스텝을 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 소셜 데이터는 위치 데이터 및 상기 위치 데이터와 연관된 메타 데이터를 포함하고, 상기 하나 이상의 관계를 결정하는 스텝은 제 1 위치와 연관된 메타 데이터를 식별하는 스텝, 상기 제 1 위치와 연관된 상기 메타 데이터와 동일하거나 유사한 다른 메타 데이터와 연관된 또 다른 위치를 식별하는 스텝, 및 상기 제 1 위치, 제 2 위치, 제 1 위치와 연관된 상기 메타 데이터 및 상기 제 2 위치와 연관된 메타 데이터 사이의 연관을 생성시키는 스텝을 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 소셜 데이터는 데이터 소스로부터 획득되고, 상기 방법은 상기 소셜 데이터를 다수의 데이터 필드와 비교하여 데이터 소스에 의해 제공되지 않은 누락된 데이터가 있는지를 결정하는 스텝, 하나 이상의 다른 데이터 소스로부터 상기 누락된 데이터를 획득하는 스텝, 및 상기 데이터 소스로부터의 소셜 데이터 및 상기 하나 이상의 다른 데이터 소스로부터의 누락된 데이터를 조합하여 상기 다수의 데이터 필드를 채우는 스텝을 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 소셜 데이터는 데이터 필드를 채우기 위한 제 1 데이터 소스로부터 획득되는 데이터값을 포함하고, 또한 상기 데이터 필드를 채우기 위한 하나 이상의 다른 데이터 소스로부터 획득되는 하나 이상의 다른 데이터값을 포함하고, 상기 방법은 상기 데이터값 및 상기 하나 이상의 다른 데이터값이 상이한지를 결정하는 스텝, 및 상기 데이터값 및 상기 하나 이상의 다른 데이터값 중에서 가장 공통되는 데이터값을 이용하여 상기 데이터 필드를 채우는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 방법은 상기 소셜 데이터에 있어서의 엔티티가 제 1 특성을 나타내는지를 식별하는 스텝시에, 제 2 특성이 상기 엔티티와 연관된다고 합성하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 상기 소셜 데이터에 있어서의 엔티티가 특성을 나타내는지를 식별하는 스텝시에, 상기 엔티티가 동작을 취할 것이라고 예측하는 스텝을 더 포함한다.
상기 방법의 또 다른 양태에 있어서, 하나 이상의 관계는 적어도 2개의 컨셉 사이에서 정의되고, 상기 컨셉은 토픽, 다수의 토픽, 브랜드, 다수의 브랜드, 컴퍼니, 다수의 컴퍼니, 개인, 사람들, 위치, 다수의 위치, 날짜, 다수의 날짜, 키워드, 및 다수의 키워드의 임의의 조합을 포함한다.
일반적으로, 소셜 데이터를 커뮤니케이션하기 위한 컴퓨팅 장치에 의해 행해지는 또 다른 방법은 소셜 데이터를 획득하는 스텝, 상기 소셜 데이터로부터 적어도 2개의 컨셉을 파생하는 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, 상기 새로운 소셜 데이터 객체와 연관된 유저 피드백을 획득하는 스텝, 및 상기 유저 피드백을 이용하여 조정 코멘드를 컴퓨팅하는 스텝으로서, 상기 조정 코멘드를 실행하는 것은 상기 방법에 사용되는 파라미터를 조정하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 액티브 리시버 모듈은 적어도 소셜 데이터를 획득하고, 상기 소셜 데이터로부터 적어도 2개의 컨셉을 파생하고, 상기 적어도 2개의 컨셉 사이의 관계를 결정하도록 설정되고, 액티브 컴포저 모듈은 상기 관계를 이용하여 상기 새로운 소셜 데이터 객체를 적어도 구성하도록 설정되고, 액티브 트랜스미터 모듈은 상기 새로운 소셜 데이터 객체를 적어도 송신하도록 설정되고, 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 서로 커뮤니케이션한다.
상기 방법의 양태에 있어서, 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 각각 소셜 애널리틱 신시사이저 모듈과 커뮤니케이션하고, 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 포함한다.
상기 방법의 양태에 있어서, 상기 방법은 상기 조정 코멘드를 실행하는 스텝 및 상기 방법을 반복하는 스텝을 더 포함한다.
상기 방법의 양태에 있어서, 상기 소셜 데이터를 획득하는 스텝은 상기 컴퓨팅 장치가 실시간으로 다수의 소셜 데이터 스트림과 커뮤니케이션하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 상기 관계를 결정하는 스텝은 기계 학습 알고리즘 또는 패턴 인지 알고리즘, 또는 양쪽을 이용하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 상기 새로운 소셜 데이터를 구성하는 스텝은 자연어 생성을 이용하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 상기 방법은 상기 새로운 소셜 데이터 객체를 송신하는 소셜 커뮤니케이션 채널을 결정하는 스텝, 및 소셜 커뮤니케이션 채널을 통해 상기 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 상기 소셜 커뮤니케이션 채널은 적어도 2개의 컵셉 중 적어도 하나를 이용하여 결정된다.
상기 방법의 양태에 있어서, 상기 방법은 상기 새로운 소셜 데이터 객체를 송신하는 시간을 결정하는 스텝, 및 그 시간에 상기 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 그 시간은 적어도 2개의 컨셉 중 적어도 하나를 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 유저 피드백의 수집을 용이하게 한다.
상기 방법의 양태에 있어서, 상기 새로운 소셜 데이터 객체는 텍스트, 비디오, 그래픽, 오디오 데이터, 또는 그들의 조합중 임의의 하나이다.
본원에 설명된 바와 같이, 시스템 및 방법의 예시적 실시형태의 다른 특징은 다른 방식으로 서로 조합될 수 있는 것이 이해될 것이다. 환언하면, 다른 모듈, 동작 및 구성요소는 기타 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 (18)

  1. 하나 이상의 데이터 스트림으로부터 소셜 데이터를 획득하는 스텝,
    필터링된 소셜 데이터를 획득하기 위해 상기 소셜 데이터를 필터링하는 스텝,
    상기 필터링된 소셜 데이터를 분석하여 하나 이상의 관계를 결정하는 스텝, 및
    상기 필터링된 소셜 데이터 및 서로 연관되는 상기 하나 이상의 관계를 출력하는 스텝을 포함하는, 소셜 데이터를 획득하기 위해 컴퓨팅 시스템에 의해 행해지는 방법.
  2. 제 1 항에 있어서,
    상기 소셜 데이터 및 상기 하나 이상의 관계를 이용하여 새로운 소셜 데이터를 구성하는 스텝을 더 포함하는 방법.
  3. 제 2 항에 있어서,
    상기 하나 이상의 관계를 기초로 하여 하나 이상의 유저를 식별하고 상기 하나 이상의 유저에게 상기 새로운 소셜 데이터를 송신하는 스텝을 더 포함하는 방법.
  4. 제 1 항에 있어서,
    텍스트를 포함하는 상기 소셜 데이터를 획득하는 스텝 후, 상기 텍스트를 하나의 언어로부터 다른 언어로 번역하는 스텝을 더 포함하는 방법.
  5. 제 1 항에 있어서,
    상기 소셜 데이터에, 그리고 상기 관계와 같은 임의의 연관된 연산 데이터에 친화도 데이터를 할당하는 스텝을 더 포함하고,
    상기 친화도 데이터는 친화도 분석으로부터 유도되는, 방법.
  6. 제 1 항에 있어서,
    상기 하나 이상의 관계를 결정하는 스텝은 토픽에 대한 유저의 그룹 중에서 인플루언서를 식별하는 스텝을 포함하고,
    상기 필터링된 소셜 데이터는 상기 유저의 그룹 및 상기 토픽을 포함하는 방법.
  7. 제 6 항에 있어서,
    상기 하나 이상의 관계는 상기 인플루언서와 상기 토픽과 연관된 유저의 커뮤니티 사이의 관계를 더 포함하고, 상기 유저의 커뮤니티는 유저 그룹의 서브세트이고;
    상기 커뮤니티의 인기있는 특징을 식별하는 스텝을 더 포함하는 방법.
  8. 제 6 항에 있어서,
    상기 인플루언서를 결정하는 스텝은 하나 이상의 유저가,
    상기 인플루언서를 멘셔닝하는 것, 상기 인플루언서에 리플라잉하는 것, 및 상기 인플루언서로부터의 콘텐츠를 리포스팅하는 것 중 임의의 하나 이상을 행하는 인스턴스들의 개수를 결정하는 스텝을 포함하는 방법.
  9. 제 1 항에 있어서,
    상기 소셜 데이터는 유저 및 상기 유저와 연관된 텍스트를 포함하고,
    상기 하나 이상의 관계를 결정하는 스텝은 상기 텍스트에 대해 n-그램 텍스트 프로세싱을 행하여 상이한 유저 사이에서 상기 하나 이상의 관계를 결정하는 스텝을 포함하는 방법.
  10. 제 1 항에 있어서,
    하나 이상의 파라미터를 획득하고 상기 하나 이상의 파라미터와만 연관된 소셜 데이터를 선택적으로 획득하는 스텝을 더 포함하는 방법.
  11. 제 1 항에 있어서,
    상기 소셜 데이터를 필터링하는 스텝은,
    소셜 데이터 발생의 빈도수, 앰플리튜드 및 활동의 타이밍을 기초로 하여 상기 소셜 데이터를 분석하고, 필터를 적용하여 상기 소셜 데이터에 있어서의 포지티브 또는 네거티브 피크를 결정하고, 상기 포지티브 또는 네거티브 피크를 증폭시키는 스텝을 포함하는 방법.
  12. 제 1 항에 있어서,
    상기 소셜 데이터는 위치 데이터 및 상기 위치 데이터와 연관된 메타 데이터를 포함하고,
    상기 하나 이상의 관계를 결정하는 스텝은 제 1 위치와 연관된 메타 데이터를 식별하는 스텝, 상기 제 1 위치와 연관된 상기 메타 데이터와 동일하거나 유사한 다른 메타 데이터와 연관된 또 다른 위치를 식별하는 스텝, 상기 제 1 위치, 상기 제 2 위치, 상기 제 1 위치와 연관된 메타 데이터와 상기 제 2 위치와 연관된 메타 데이터 사이의 연관을 생성시키는 스텝을 포함하는 방법.
  13. 제 1 항에 있어서,
    상기 소셜 데이터는 데이터 소스로부터 획득되고;
    상기 방법은:
    상기 소셜 데이터를 다수의 데이터 필드와 비교하여 상기 데이터 소스에 의해 제공되지 않은 누락된 데이터가 있는지를 결정하는 스텝, 하나 이상의 다른 데이터 소스로부터 상기 누락된 데이터를 획득하는 스텝, 및 상기 데이터 소스로부터의 소셜 데이터 및 상기 하나 이상의 다른 데이터 소스로부터 누락된 데이터를 조합하여 상기 다수의 데이터 필드를 파퓰레이팅하는 스텝을 포함하는 방법.
  14. 제 1 항에 있어서,
    상기 소셜 데이터는 데이터 필드를 파퓰레이팅하기 위해 제 1 데이터 소스로부터 획득되는 데이터값을 포함하고,
    상기 데이터 필드를 파퓰레이팅하기 위해 하나 이상의 다른 데이터 소스로부터 획득되는 하나 이상의 다른 데이터값을 포함하고;
    상기 방법은:
    상기 데이터값 및 상기 하나 이상의 다른 데이터값이 상이한지를 결정하는 스텝; 및 상기 데이터값 및 상기 하나 이상의 다른 데이터값 중에서 가장 공통의 데이터값을 이용하여 상기 데이터 필드를 파퓰레이팅하는 스텝을 더 포함하는 방법.
  15. 제 1 항에 있어서,
    상기 소셜 데이터에 있어서의 엔티티가 제 1 특성을 나타내는지를 식별할 때, 제 2 특성이 상기 엔티티와 연관되어 있다고 합성하는 스텝을 더 포함하는 방법.
  16. 제 1 항에 있어서,
    상기 소셜 데이터에 있어서의 엔티티가 특성을 나타내는지를 식별할 때에, 상기 엔티티가 동작을 행할 것이라고 예측하는 스텝을 더 포함하는 방법.
  17. 제 1 항에 있어서,
    상기 하나 이상의 관계는 적어도 2개의 컨셉 사이에서 정의되고,
    상기 컨셉은 토픽, 다수의 토픽, 브랜드, 다수의 브랜드, 컴퍼니, 다수의 컴퍼니, 개인, 사람들, 위치, 다수의 위치, 날짜, 다수의 날짜, 키워드, 및 다수의 키워드의 임의의 조합을 포함하는 방법.
  18. 프로세서,
    커뮤니케이션 장치,
    메모리 장치를 포함하는 소셜 데이터를 획득하도록 설정된 서버 시스템으로서,
    상기 메모리 장치는, 적어도
    하나 이상의 데이터 스트림으로부터 소셜 데이터를 획득하고,
    상기 소셜 데이터를 필터링하여 필터링된 소셜 데이터를 획득하고,
    상기 필터링된 소셜 데이터를 분석하여 하나 이상의 관계를 결정하고, 또한 상기 필터링된 소셜 데이터 및 서로 연관되는 상기 하나 이상의 관계를 출력하기 위한 컴퓨터 실행 가능 명령들을 포함하는, 서버 시스템.
KR1020167010273A 2013-09-19 2014-07-03 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법 KR20160057475A (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/CA2014/050632 WO2015039223A1 (en) 2013-09-19 2014-07-03 System and method for actively obtaining social data

Publications (1)

Publication Number Publication Date
KR20160057475A true KR20160057475A (ko) 2016-05-23

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 Before (1)

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

Family Applications After (3)

Application Number Title Priority Date Filing Date
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
KR20180018263A (ko) * 2016-08-12 2018-02-21 명지대학교 산학협력단 시그니처 트리를 이용한 시퀀셜 데이터 클러스터링 방법 및 시스템

Families Citing this family (103)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11361014B2 (en) 2005-10-26 2022-06-14 Cortica Ltd. System and method for completing a user profile
US11216498B2 (en) 2005-10-26 2022-01-04 Cortica, Ltd. System and method for generating signatures to three-dimensional multimedia data elements
US9524751B2 (en) 2012-05-01 2016-12-20 Wochit, Inc. Semi-automatic generation of multimedia content
WO2014031616A1 (en) * 2012-08-22 2014-02-27 Bitvore Corp. Enterprise data processing
US9704486B2 (en) * 2012-12-11 2017-07-11 Amazon Technologies, Inc. Speech recognition power management
CA2911834A1 (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
WO2016159940A1 (en) * 2015-03-27 2016-10-06 Hewlett Packard Enterprise Development Lp Communication association model
US10564805B2 (en) * 2015-03-30 2020-02-18 Oath Inc. Determining content sessions using content-consumption events
US10503836B2 (en) 2015-04-13 2019-12-10 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
KR101712291B1 (ko) 2015-12-14 2017-03-13 강원대학교산학협력단 오피니언 마이닝을 기반으로 한 사용자 맞춤형 명소 정보 추천 시스템 및 구동 방법
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
CN109074400A (zh) * 2016-05-06 2018-12-21 利珀曼德有限公司 用于提供加权评价的方法和系统
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
WO2017222436A1 (en) * 2016-06-23 2017-12-28 Telefonaktiebolaget Lm Ericsson (Publ) Method and provisioning control system of a communication network for controlling provisioning of services from a provisioning network to communication devices
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
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
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
US10795836B2 (en) * 2017-04-17 2020-10-06 Microsoft Technology Licensing, Llc Data processing performance enhancement for neural networks using a virtualized data iterator
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
US10685183B1 (en) * 2018-01-04 2020-06-16 Facebook, Inc. Consumer insights analysis using word embeddings
US10509863B1 (en) * 2018-01-04 2019-12-17 Facebook, Inc. Consumer insights analysis using word embeddings
US10803248B1 (en) * 2018-01-04 2020-10-13 Facebook, Inc. Consumer insights analysis using word embeddings
US10848927B2 (en) * 2018-01-04 2020-11-24 International Business Machines Corporation Connected interest group formation
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
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
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
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
US20230134999A1 (en) * 2020-06-18 2023-05-04 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
US11966709B2 (en) * 2021-04-16 2024-04-23 Bank Of America Corporation Apparatus and methods to contextually decipher and analyze hidden meaning in communications
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
CA2398608C (en) * 1999-12-21 2009-07-14 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
CN101346718A (zh) * 2005-10-28 2009-01-14 意大利电信股份公司 用于向用户提供选定内容项的方法
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
JP2009528639A (ja) * 2006-02-28 2009-08-06 バズロジック， インコーポレイテッド ソーシャルメディアにおける会話を分析するためのソーシャル分析システムおよび方法
US8438062B2 (en) * 2006-12-29 2013-05-07 Google Inc. Network node ad targeting
US8949340B2 (en) * 2007-02-05 2015-02-03 Boadin Technology, LLC Systems and methods for organizing content for mobile media services
US20080281687A1 (en) * 2007-05-08 2008-11-13 Motorola, Inc. Method for determining user interest in products and services for targeted advertising
US20090204243A1 (en) * 2008-01-09 2009-08-13 8 Figure, Llc Method and apparatus for creating customized text-to-speech podcasts and videos incorporating associated media
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
US20120150598A1 (en) * 2010-09-02 2012-06-14 Alfred William Griggs Social retail referral control apparatuses, methods and systems
US8978086B2 (en) * 2011-07-06 2015-03-10 Symphony Advanced Media Media content based advertising survey platform apparatuses and systems
US20120166532A1 (en) * 2010-12-23 2012-06-28 Yun-Fang Juan Contextually Relevant Affinity Prediction in a Social Networking System
WO2012092669A1 (en) * 2011-01-07 2012-07-12 Primal Fusion Inc. 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
US8412772B1 (en) * 2011-09-21 2013-04-02 Color Labs, Inc. Content sharing via social networking
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
EP2812857A4 (en) * 2012-02-08 2015-11-04 Adam Treiser TOOLS AND METHODS FOR DETERMINING RELATION VALUES
WO2013166073A2 (en) * 2012-04-30 2013-11-07 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
KR20180018263A (ko) * 2016-08-12 2018-02-21 명지대학교 산학협력단 시그니처 트리를 이용한 시퀀셜 데이터 클러스터링 방법 및 시스템

Also Published As

Publication number Publication date
EP3047390A1 (en) 2016-07-27
EP3047392A1 (en) 2016-07-27
US20150081725A1 (en) 2015-03-19
CN106104512A (zh) 2016-11-09
WO2015039223A1 (en) 2015-03-26
CA2924667A1 (en) 2015-03-26
KR20160058895A (ko) 2016-05-25
EP3047603A1 (en) 2016-07-27
US20150081797A1 (en) 2015-03-19
CN106105107A (zh) 2016-11-09
WO2015039234A1 (en) 2015-03-26
EP3047606A1 (en) 2016-07-27
CN105794154A (zh) 2016-07-20
CA2924408A1 (en) 2015-03-26
KR20160055930A (ko) 2016-05-18
KR20160058896A (ko) 2016-05-25
US20150081696A1 (en) 2015-03-19
WO2015039222A1 (en) 2015-03-26
CN106105096A (zh) 2016-11-09
EP3047605A1 (en) 2016-07-27
WO2015039235A1 (en) 2015-03-26
CA2924406A1 (en) 2015-03-26
CN106062730A (zh) 2016-10-26
WO2015039230A1 (en) 2015-03-26
US20150081790A1 (en) 2015-03-19
US20150081723A1 (en) 2015-03-19
CA2924375A1 (en) 2015-03-26
KR20160059486A (ko) 2016-05-26

Similar Documents

Publication Publication Date Title
KR20160057475A (ko) 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법
US20210141814A1 (en) Concept-level user intent profile extraction and applications
US20160071162A1 (en) Systems and Methods for Continuous Analysis and Procurement of Advertisement Campaigns
US20190121850A1 (en) Computerized system and method for automatically transforming and providing domain specific chatbot responses
Selke et al. Pushing the boundaries of crowd-enabled databases with query-driven schema expansion
Yang et al. Characteristics of Chinese online movie reviews and opinion leadership identification
CN113590851A (zh) 建议在线系统中的实体创建内容并向内容添加标签
Ashraf et al. Personalized news recommendation based on multi-agent framework using social media preferences
US20240078278A1 (en) System and method for topological representation of commentary
Kim et al. TrendsSummary: a platform for retrieving and summarizing trendy multimedia contents
Cardoso Coutinho et al. Making social media analysis more efficient through taxonomy supported concept suggestion
CA2924446A1 (en) System and method for analyzing and transmitting social communication data
López Hernández et al. A Nondisturbing service to automatically customize notification sending using implicit-feedback
Kannan et al. A word embedding model for topic recommendation
TAO Analyzing image tweets in Microblogs
Hernández et al. Research Article A Nondisturbing Service to Automatically Customize Notification Sending Using Implicit-Feedback
Kuroptev et al. Improving movie recommendations through social media matching
Virmani Design of an integrated query processing for social web
Younus Utilizing Social Breadcrumbs for User Profiling in Personalization
Younus Utilizing Social Breadcrumbs for User Profiling in Personalized Applications
XIANGNAN EXPLOITING USER COMMENTS FOR WEB APPLICATIONS
Lobzhanidze Engaging maintream media for efficient content distribution and creation

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