KR20160059486A - 연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법 - Google Patents
연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20160059486A KR20160059486A KR1020167010246A KR20167010246A KR20160059486A KR 20160059486 A KR20160059486 A KR 20160059486A KR 1020167010246 A KR1020167010246 A KR 1020167010246A KR 20167010246 A KR20167010246 A KR 20167010246A KR 20160059486 A KR20160059486 A KR 20160059486A
- Authority
- KR
- South Korea
- Prior art keywords
- social data
- module
- social
- data
- data object
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004891 communication Methods 0.000 title claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 239000003550 marker Substances 0.000 description 13
- 230000015654 memory Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- 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
-
- H04L51/32—
-
- 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—
-
- G06F17/30699—
-
- G06F17/30867—
-
- G06F17/30876—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of 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—
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Information Transfer Between Computers (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
소셜 데이터를 분석 및 커뮤니케이션하기 위한 시스템 및 방법을 제공한다. 컴퓨팅 장치 또는 서버 시스템에 의해 행해지는 방법은 소셜 데이터를 얻는 스텝 및 소셜 데이터로부터 적어도 2개의 컨셉을 얻는 스텝을 포함한다. 적어도 2개의 컨셉 간의 관계가 결정된다. 또한, 상기 방법은 상기 관계를 이용하여 새로운 소셜 데이터 객체를 구성하는 스텝 및 새로운 소셜 데이터 객체를 전송하는 스텝을 포함하다. 새로운 소셜 데이터 객체와 연관된 유저 피드백이 얻어지고, 컴퓨팅 장치 또는 서버 시스템은 유저 피드백을 이용하여 조정 커맨드를 컴퓨팅한다. 조절 커맨드를 실행함으로써 상기 방법에 사용된 파라미터를 조정한다. 조정 커맨드가 실행된 후, 상기 방법이 반복된다.
Description
(관련출원의 상호 참조)
본 출원은 2013년 9월 19일에 출원된 발명의 명칭이 "연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법"인 미국 가출원번호 61/880,027호에 대한 우선권을 주장하고, 그 전체 내용을 여기에 참조하여 원용한다.
하기의 것은 소셜 데이터의 커뮤니케이션에 관한 것이다.
최근, 소셜 미디어는 개인 및 소비자가 온라인(예를 들면 인터넷상) 상에서 소통하기 위한 인기있는 방식으로 되어 왔다. 또한, 소셜 미디어는 기업이 고객, 팬 및 잠재적 고객과 온라인 상에서 소통하는 것을 목적으로 하는 방식에 영향을 미친다.
일반적으로, 개인 또는 개인들은 메시지(예를 들면, 기사, 온라인 포스트, 블로그, 댓글 등)의 작성, 비디오 생성, 또는 오디오 트랙의 생성에 의해 소셜 미디어를 생성한다. 이러한 과정은 어렵고 시간이 많이 소요될 수 있다.
실시형태에 대해서 첨부한 도면을 참조하여 예로서만 설명한다.
도 1은 인터넷 또는 클라우드 컴퓨팅 환경, 또는 둘 다와 상호 작용하는 소셜 커뮤니케이션 시스템의 블럭 다이어그램이다.
도 2는 컴퓨팅 시스템의 예시 구성 요소를 포함하는 소셜 커뮤니케이션을 위한 컴퓨팅 시스템의 예시 실시형태의 블록 다이어그램이다.
도 3은 네트워크를 통해 서로 상호 작용하여 소셜 커뮤니케이션 시스템을 형성하는 다수의 컴퓨팅 장치의 예시 실시형태의 블록 다이어그램이다.
도 4는 액티브 리시버 모듈, 액티브 컴포저 모듈, 액티브 트랜스미터 모듈 및 소셜 애널리틱 신시사이저 모듈 간의 데이터의 상호작용 및 흐름을 나타내는 개략도이다.
도 5는 새로운 소셜 데이터를 구성하고 이것을 송신하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 6은 예시 구성 요소를 나타내는 액티브 리시버 모듈의 블록 다이어그램이다.
도 7은 소셜 데이터를 수신하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 8은 예시 구성 요소를 나타내는 액티브 컴포저 모듈의 블록 다이어그램이다.
도 9a는 새로운 소셜 데이터를 구성하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 9b는 도 9a에 기재된 동작에 따라 소셜 데이터를 조합시키기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 9c는 도 9a에 기재된 동작에 따라 소셜 데이터를 추출하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 9d는 도 9a에 기재된 동작에 따라 소셜 데이터를 생성하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 10은 예시 구성 요소를 나타내는 액티브 트랜스미터 모듈의 블럭 다이어그램이다.
도 11은 새로운 소셜 데이터를 송신하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 12는 예시 구성 요소를 나타내는 소셜 애널리틱 신시사이저 모듈의 블럭 다이어그램이다.
도 13은 액티브 리시버 모듈, 액티브 컴포저 모듈, 및 액티브 트랜스미터 모듈에 의해 구현된 임의의 프로세스에서 이루어질 조정을 결정하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 1은 인터넷 또는 클라우드 컴퓨팅 환경, 또는 둘 다와 상호 작용하는 소셜 커뮤니케이션 시스템의 블럭 다이어그램이다.
도 2는 컴퓨팅 시스템의 예시 구성 요소를 포함하는 소셜 커뮤니케이션을 위한 컴퓨팅 시스템의 예시 실시형태의 블록 다이어그램이다.
도 3은 네트워크를 통해 서로 상호 작용하여 소셜 커뮤니케이션 시스템을 형성하는 다수의 컴퓨팅 장치의 예시 실시형태의 블록 다이어그램이다.
도 4는 액티브 리시버 모듈, 액티브 컴포저 모듈, 액티브 트랜스미터 모듈 및 소셜 애널리틱 신시사이저 모듈 간의 데이터의 상호작용 및 흐름을 나타내는 개략도이다.
도 5는 새로운 소셜 데이터를 구성하고 이것을 송신하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 6은 예시 구성 요소를 나타내는 액티브 리시버 모듈의 블록 다이어그램이다.
도 7은 소셜 데이터를 수신하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 8은 예시 구성 요소를 나타내는 액티브 컴포저 모듈의 블록 다이어그램이다.
도 9a는 새로운 소셜 데이터를 구성하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 9b는 도 9a에 기재된 동작에 따라 소셜 데이터를 조합시키기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 9c는 도 9a에 기재된 동작에 따라 소셜 데이터를 추출하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 9d는 도 9a에 기재된 동작에 따라 소셜 데이터를 생성하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 10은 예시 구성 요소를 나타내는 액티브 트랜스미터 모듈의 블럭 다이어그램이다.
도 11은 새로운 소셜 데이터를 송신하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
도 12는 예시 구성 요소를 나타내는 소셜 애널리틱 신시사이저 모듈의 블럭 다이어그램이다.
도 13은 액티브 리시버 모듈, 액티브 컴포저 모듈, 및 액티브 트랜스미터 모듈에 의해 구현된 임의의 프로세스에서 이루어질 조정을 결정하기 위한 컴퓨터 실행가능한 명령 또는 프로세서 구현 명령의 예시 실시형태의 흐름도이다.
설명의 간단성 및 명료성을 위해 적당하다고 생각되는 경우 도면부호는 도면 중에서 상응 또는 유사한 요소를 나타내기 위해 반복될 수 있음은 이해될 것이다. 또한, 다수의 구체적 사항은 여기에 기재된 예시 실시형태의 완전한 이해를 제공하기 위해 설명된다. 그러나, 이들 구체적 사항없이 여기에 기재된 예시 실시형태가 실행될 수 있다는 것은 당업자에게 이해될 것이다. 그 외의 경우에는, 여기에 기재된 예시 실시형태가 불명확해지지 않게 하기 위해서 잘 알려진 방법, 과정 및 구성 요소에 대해서는 상세하게 기재하지 않는다. 또한, 이러한 기재가 여기에 기재된 예시 실시형태의 범위를 한정하는 것으로 생각되어서는 안된다.
여기서 소셜 데이터는 인터넷 등의 데이터 커뮤니케이션 네트워크를 통해서 사람들이 보거나 들을 수 있는 또는 둘 다 가능한 콘텐츠를 가리킨다. 소셜 데이터로서는, 예를 들면 텍스트, 비디오, 그래픽, 및 오디오 데이터, 또는 이들의 조합을 들 수 있다. 텍스트의 예로서는 블로그, 이메일, 메시지, 포스트, 기사, 댓글 등을 들 수 있다. 예를 들면, 텍스트는 페이스북, 트위터, 링크드인, 핀터레스트, 기타 소셜 네트워킹 웹사이트, 잡지 웹사이트, 신문 웹사이트, 회사 웹사이트, 블로그 등과 같은 웹사이트에서 볼 수 있다. 또한, 텍스트는 웹사이트 상의 댓글, RSS 피드 등에 제공된 텍스트 등의 형태일 수도 있다. 비디오의 예는 페이스북, 유튜브, 뉴스 웹사이트, 개인 웹사이트, 블로그(브이로그(vlog)라고도 칭함), 회사 웹사이트 등에서 볼 수 있다. 또한, 사진과 같은 그래픽 데이터는 상기 표현 수단을 통해 제공될 수 있다. 오디오 데이터는 상술한 것, 오디오캐스트, "팟캐스트", 온라인 라디오 스테이션 등과 같은 다양한 웹사이트를 통해 제공될 수 있다. 소셜 데이터는 형태가 다양할 수 있다는 것은 이해될 수 있다.
여기서 소셜 데이터 객체는 텍스트 기사, 비디오, 댓글, 메시지, 오디오 트랙, 그래픽, 또는 상이한 타입의 데이터를 포함하는 믹스트 미디어 소셜 피이스(mixed-media social piece)와 같은 소셜 데이터의 단위를 가리킨다. 소셜 데이터의 스트림은 다수의 소셜 데이터 객체를 포함한다. 예를 들면, 사람들로부터의 일련의 댓글에 있어서, 각각의 댓글은 소셜 데이터 객체이다. 다른 예에 있어서, 일군의 텍스트 기사에 있어서, 각각의 기사는 소셜 데이터 객체이다. 또 다른 예에 있어서, 일군의 비디오에 있어서, 각각의 비디오 파일은 소셜 데이터 객체이다. 소셜 데이터는 적어도 1개의 소셜 데이터 객체를 포함한다.
기업 관점으로부터 효과적인 소셜 커뮤니게이션은 중요한 도전 과제임은 인식되어 있다. 트위터, 페이스북, 유튜브 등과 같은 디지털 소셜 사이트의 광범위한 도달 거리, 켜뮤니케이션의 실시간성, 상이한 사용언어, 및 상이한 커뮤니케이션 모드(예를 들면, 텍스트, 오디오, 비디오 등)는 기업이 효과적으로 그들의 고객에게 귀기울이고 커뮤니케이션하는 것을 도전 과제로 만들고 있다. 웹사이트, 채널, 및 커뮤니케이션 모드의 수가 점점 더 증가함에 따라 지나치게 많은 실시간 데이터와 거의 없는 적당한 관련 정보가 기업을 압도할 수 있다. 또한, 기업에 있어서 의사결정 역할에 있는 사람들은 누가 무슨 말을 하는지, 어떤 커뮤니케이션 채널이 사용되고 있는지, 및 어떤 사람들이 귀기울여야 할 중요한 사람인지에 대한 의문이 남아있는 경우가 많다는 것도 알려져 있다.
일반적으로 사람 또는 사람들이 소셜 데이터를 생성한다는 것은 알려져 있다. 예를 들면, 사람이 메시지, 기사, 댓글 등을 쓰거나 또는 기타 소셜 데이터(예를 들면, 사진, 비디오, 및 오디오 데이터)를 생성함으로써 소셜 데이터를 생성한다. 이러한 생성 프로세스는 컴퓨터에 의해 부분적으로 도움을 받는 경우가 있지만, 시간이 많이 걸리고 또한 사람 또는 사람들의 노력이 든다. 예를 들면, 사람은 일반적으로 텍스트 메시지를 타이핑하고, 그래픽 또는 비디오, 또는 둘 다를 첨부하도록 다수의 컴퓨팅 명령어를 입력한다. 사람이 소셜 데이터를 생성한 후, 이 사람이 소셜 데이터를 웹사이트, 소셜 네트워크 또는 또 다른 커뮤니케이션 채널로 배포해야할 것이다. 이것도 또한 사람이 입력하는 것이 필요한 시간 소모가 큰 프로세스이다.
또한, 개인이 소셜 데이터를 생성할 경우, 개인이 소셜 데이터가 배포되기 전에 소셜 데이터가 다른 사람들에 의해 얼마나 잘 수신될지를 추정하는 방법은 갖고 있지 않다. 또한, 개인은 소셜 데이터가 배포된 후, 다른 사람들이 콘텐츠를 얼마나 잘 수신했는지를 평가하는 방법도 갖고 있지 않다. 더욱이, 다수의 소프트웨어 및 컴퓨팅 기술은 다른 사람들로부터의 피드백을 해석하기 위해서는 개인이 웹사이트를 보거나 또는 리포트를 볼 필요가 있다.
또한, 사람들에게 흥미있는 소셜 데이터를 생성하고, 이 소셜 데이터에 대해 어떤 사람들이 흥미있어 하는지를 식별하는 것은 개인에게 있어서는 어려운 프로세스이고, 또한 컴퓨팅 장치에 있어서는 더욱 더 그러하다는 것은 알려져 있다. 컴퓨팅 기술은 일반적으로 흥미있는 토픽을 식별하기 위해서뿐만 아니라, 토픽에 흥미가 있을 수 있는 사람을 식별하기 위해서는 사람에 의한 입력을 요구한다. 또한, 다수의 상이한 토픽을 커버하는 대량의 소셜 데이터를 생성하는 것은 어렵고 시간이 많이 걸리는 프로세스이다. 더욱이, 짧은 기간 내에 대규모 데이터에 대한 작업을 달성하는 것은 어렵다.
여기에 기재된 제안된 시스템 및 방법은 상술한 문제 중 하나 이상을 다룬다. 제안된 시스템 및 방법은 소셜 데이터를 수신하고, 소셜 데이터 간의 관계를 식별하고, 식별된 관계에 기초하여 새로운 소셜 데이터를 구성하기 위해 하나 이상의 컴퓨팅 장치를 사용한다. 바람직한 예시 실시형태에 있어서, 이들 시스템 및 방법은 자동화되어, 연속적인 동작을 위해 사람이 입력할 필요가 없다. 다른 예시 실시형태에 있어서, 일부 사람에 의한 입력은 이들 시스템 및 방법의 동작을 커스터마이징하기 위해 사용된다.
제안된 시스템 및 방법은 이 프로세스 동안 패드백을 얻을 수 있어서, 상술한 임의의 동작과 관련된 컴퓨테이션(computation)을 개선할 수 있다. 예를 들면, 새롭게 구성된 소셜 데이터에 대한 피드백이 얻어지고, 이 피드백이 새롭게 구성된 소셜 데이터를 언제 어디로 송신할지에 관한 파라미터를 조정하는데 사용될 수 있다. 또한, 이 피드백은 새로운 소셜 데이터를 구성하는데 사용되는 파라미터를 조정하고, 관계를 식별하는데 사용되는 파라미터를 조정하는데 사용된다. 더욱이, 제안된 시스템 및 방법에 관한 상세한 내용 및 예시 실시형태에 대해서는 이하에 더욱 후술한다.
제안된 시스템 및 방법은 실시간 청취, 분석, 콘텐츠 구성, 및 타깃 방송(targeted broadcasting)에 사용될 수 있다. 이 시스템은, 예를 들면 실시간으로 데이터의 글로벌 데이터 스트림을 수집한다. 스트림 데이터는 분석되어, 콘텐츠 구성을 지능적으로 결정하고 또한 구성된 메시지를 누가, 무엇을, 언제, 어떻게 송신할 것인지를 지능적으로 결정하는데 사용된다.
도 1을 참조하면, 제안된 시스템(102)은 액티브 리시버 모듈(103), 액티브 컴포저 모듈(104), 액티브 트랜스미터 모듈(105) 및 소셜 애널리틱 신시사이저 모듈(106)을 포함한다. 시스템(102)은 인터넷 또는 클라우드 컴퓨팅 환경, 또는 둘다(101)와 커뮤니케이션한다. 클라우드 컴퓨팅 환경은 공용이어도 좋고 또는 전용이어도 좋다. 예시 실시형태에 있어서, 이들 모듈은 소셜 데이터를 수신하고, 이 소셜 데이터 간의 관계를 식별하고, 식별된 관계에 기초하여 새로운 소셜 데이터를 구성하고, 이 새로운 소셜 데이터를 송신하도록 함께 기능한다.
액티브 리시버 모듈(103)은 인터넷 또는 클라우드 컴퓨팅 환경, 또는 둘 다로부터 소셜 데이터를 수신한다. 이 리시버 모듈(103)은 많은 데이터 스트림으로부터 소셜 데이터를 동시에 수신할 수 있다. 또한, 이 리시버 모듈(103)은 수신된 소셜 데이터를 분석하여 소셜 데이터 간의 관계를 식별한다. 여기서 아이디어, 사람, 위치, 그룹, 회사, 단어, 숫자, 또는 값의 단위는 컨셉이라고 칭해진다. 액티브 리시버 모듈(103)은 적어도 2개의 컨셉을 식별하고, 또한 상기 적어도 2개의 컨셉 간의 관계를 식별한다. 예를 들면, 액티브 리시버 모듈은 소셜 데이터의 발신자, 소셜 데이터의 소비자, 및 소셜 데이터의 콘텐츠 간의 관계를 식별한다. 리시버 모듈(103)은 식별된 관계를 출력한다.
액티브 컴포저 모듈(104)은 상기 관계와 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 구성된 소셜 데이터를 가리킨다.
액티브 트랜스미터 모듈(105)은 새롭게 구성된 소셜 데이터를 전송하기 위한 적당한 커뮤니케이션 채널 및 소셜 네트워크를 결정한다. 또한, 액티브 트랜스미터 모듈(105)은 새롭게 구성된 소셜 데이터와 연관된 트랙커를 이용하여 새롭게 구성된 소셜 데이터에 대한 피드백을 수신하도록 구성된다.
소셜 애널리틱 신시사이저 모듈(106)은 다른 모듈(103, 104, 105) 각각으로부터 데이터(소셜 데이터로 한정하지 않음)를 얻고, 이 데이터를 분석하다. 소셜 애널리틱 신시사이저 모듈(106)은 분석 결과를 이용하여, 모듈(103, 104, 105 및 106) 중 어느 하나와 관련된 하나 이상의 다양한 동작에 대한 조정을 행한다.
예시 실시형태에 있어서, 각각의 모듈이 다수인 경우가 있다. 예를 들면, 다수의 액티브 리시버 모듈(103)이 상이한 지리적인 위치에 위치된다. 하나의 액티브 리시버 모듈은 북미에 위치하고, 다른 액티브 리시버 모듈은 남미에 위치하고, 또 다른 액티브 리시버 모듈은 유럽에 위치하고, 또 다른 액티브 리시버 모듈은 아시아에 위치한다. 마찬가지로, 다수의 액티브 컴포저 모듈, 다수의 액티브 트랜스미터 모듈 및 다수의 소셜 애널리틱 신시사이저 모듈이 있을 수 있다. 이들 모듈은 서로 커뮤니케이션할 수 있고 서로 간에 정보를 전송한다. 다수의 모듈은 배포된 데이터의 병렬 처리를 가능하게 한다. 더욱이, 각각의 지리적 영역에 위치한 다수의 모듈은 그 지리적 영역에 특정적인 소셜 데이터를 얻고, 이 특정 지리적 영역의 유저에 속하여 있는 컴퓨팅 장치(예를 들면, 컴퓨터, 랩탑, 모바일 장치, 태블릿, 스마트폰, 웨어러블 컴퓨터 등)로 소셜 데이터를 송신할 수 있다. 예시 실시형태에 있어서, 남미의 소셜 데이터를 그 지역 내에서 얻고, 남미 내의 컴퓨팅 장치로 송신하는 소셜 데이터를 구성하는데 사용된다. 다른 예시 실시형태에 있어서, 소셜 데이터를 유럽에서 얻고 또한 남미에서 얻은 다음, 2개의 지역으로부터의 소셜 데이터를 조합하여, 북미의 컴퓨팅 장치로 송신하는 소셜 데이터를 구성하는데 사용한다.
도 2에 의하면, 시스템(102a)의 예시 실시형태를 나타낸다. 이해를 용이하게 하기 위해, 접미사 "a" 또는 "b" 등은 이전에 기재한 요소의 상이한 실시형태를 나타내기 위해 사용된다. 시스템(102a)은 컴퓨팅 장치 또는 서버 시스템이고, 이것은 프로세서 장치(201), 커뮤니케이션 장치(202), 및 메모리(203)를 포함한다. 커뮤니케이션 장치는 유선 또는 무선 네트워크, 또는 둘 다를 통해 커뮤니케이션하도록 구성된다. 액티브 리시버 모듈(103a), 액티브 컴포저 모듈(104a), 액티브 트랜스미터 모듈(105a), 및 소셜 애널리틱 신시사이저 모듈(106a)은 소프트웨어에 의해 구현되고, 동일한 컴퓨팅 장치 또는 서버 시스템(102a) 내에 있다. 다시 말하면, 상기 모듈은 프로세싱, 커뮤니케이션 및 메모리와 같은 컴퓨팅 리소스를 공유할 수 있다.
도 3에 의하면, 시스템(102b)의 다른 예시 실시형태를 나타낸다. 시스템(102b)은 네트워크(313)을 통해 서로 커뮤니케이션하도록 구성된 개별 컴퓨팅 장치 또는 서버 시스템인 상이한 모듈(103b, 104b, 105b, 106b)를 포함한다. 특히, 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 단일의 액티브 리시버 모듈(103b), 단일의 액티브 컴포저 모듈(104b), 단일의 액티브 트랜스미터 모듈(105b), 및 단일의 소셜 애널리틱 신시사이저 모듈(106b)만을 나타내었지만, 네트워크(313)를 이용하여 서로 커뮤니케이션할 수 있는 각각의 모듈이 다수인 경우도 있다는 것은 이해될 수 있다. 도 1에 대해서 상술한 바와 같이, 각각의 모듈이 다수인 경우가 있을 수 있고, 또한 이들 모듈은 상이한 지리적 위치에 위치될 수 있다.
시스템(102)의 컴퓨팅 구조를 구현하는 다른 예시 실시형태가 있을 수 있다는 것은 이해될 수 있다.
프로세서 장치, 커뮤니케이션 장치 및 메모리에 대한 현재 공지된 기술 및 미래에 공지된 기술이 여기에 기재된 원리와 함께 사용될 수 있다. 프로세서에 대한 현재 공지된 기술로서는 멀티코어 프로세서를 들 수 있다. 커뮤니케이션 장치에 대한 현재 공지된 기술로서는 유선 및 무선 커뮤니케이션 장치 양자를 들 수 있다. 메모리에 대한 현재 공지된 기술로서는 디스크 드라이브 및 솔리드 스테이트 드라이브를 들 수 있다. 컴퓨팅 장치 및 서버 시스템의 예로서는 전용 랙 마운트 서버(dedicated rack mounted server), 데스크탑 컴퓨터, 랩탑 컴퓨터, 셋톱박스, 및 각종 특성이 조합되어 있는 통합 장치를 들 수 있다. 컴퓨팅 장치 또는 서버는, 예를 들면 윈도우 서버, 맥 OS, 유닉스, 리눅스, FreeBSD, Ubuntu 등과 같은 운영 체제를 사용한다.
여기에 예시된 명령을 실행하는 모듈 또는 구성 요소는, 예를 들면 자기 디스크, 광학 디스크 또는 테이프와 같은 저장 매체, 컴퓨터 저장 매체, 또는 데이터 저장 디바이스(분리 가능 및/또는 분리 불가능)와 같은 컴퓨터 판독가능 매체를 포함할 수 있고, 그렇지 않으면 접근할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령, 데이터 구조, 프로그램 모듈, 또는 기타 데이터와 같은 정보 저장을 위한 방법 또는 기술에서 구현되는 휘발성 및 비휘발성이고, 분리 가능 및 분리 불가능 매체를 포함할 수 있다. 컴퓨터 저장 매체의 예로서는 소망한 정보를 저장하는데 사용될 수 있고 또는 애플리케이션, 모듈 또는 둘다가 접근할 수 있는, RAM, ROM, EEPROM, 플레시 메모리 또는 기타 메모리 기술, CD-ROM, 디지털 다기능 디스크(DVD) 또는 기타 광학 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 임의의 기타 매체를 들 수 있다. 이러한 컴퓨터 저장 매체는 시스템(102)의 일부, 또는 모듈(103, 104, 105, 106) 중 어느 하나 또는 각각일 수 있고, 또는 이들에 접근가능하거나 접속가능할 수 있다. 여기에 기재된 애플리케이션 또는 모듈은 이러한 컴퓨터 판독가능 매체에 저장될 수 있거나, 그렇지 않으면 홀딩될 수 있는 컴퓨터 판독가능/실행가능 명령을 이용하여 구현될 수 있다.
도 4에 의하면, 모듈 간의 상호 작용을 도시한다. 시스템(102)은 데이터 스트림을 경청하고, 자동화된 지능형 메시지를 구성하고, 자동화 콘텐츠를 론칭하고, 론칭된 콘텐츠에 대해 사람들이 하는 말을 경청하도록 설정된다.
특히, 액티브 리시버 모듈(103)은 소셜 데이터(401)를 하나 이상의 데이터 스트림으로부터 수신한다. 이 데이터 스트림은 동시에 또한 실시간으로 수신될 수 있다. 데이터 스트림은 트위터, 페이트북, 유튜브, 링크드인, 핀터레스트, 블로그 웹사이트, 뉴스 웹사이트, 회사 웹사이트, 포럼, RSS 피드, 이메일, 소셜 네트워킹 사이트 등과 같은 다양한 소스로부터 얻는다. 액티브 리시버 모듈(103)은 소셜 데이터를 분석하고, 소셜 데이터 간의 관계를 결정 또는 식별하고, 이들 관계(402)를 출력한다.
특정 예에 있어서, 액티브 리시버 모듈(103)은 상이한 소셜 미디어 소스로부터 특정 자동차 브랜드에 대한 소셜 데이터 및 특정 스포츠팀에 대한 소셜 데이터를 얻는다. 액티브 리시버 모듈(103)은 애널리틱스를 이용하여 자동차 브랜드와 스포츠팀 간의 관계가 있음을 결정한다. 예를 들면, 상기 관계는 자동차 브랜드의 구매자 또는 소유자는 그 스포츠팀의 팬이라는 것일 수 있다. 다른 예에 있어서, 상기 관계는 그 자동차 브랜드의 광고를 시청하는 사람들과 그 스포츠팀의 경기에 참석하는 사람들 간에는 높은 상관관계가 있는 것일 수 있다. 하나 이상의 관계가 출력된다.
액티브 컴포저 모듈(104)은 이들 관계(402)를 얻고, 이들 관계에 대응하는 소셜 데이터를 얻는다. 액티브 컴포저 모듈(104)은 이들 관계와 대응하는 데이터를 이용하여 새로운 소셜 데이터(403)를 구성한다. 또한, 액티브 컴포저 모듈(104)은 전체 메시지 또는 파생 메시지, 또는 둘 다를 자동적으로 생성하도록 설정된다. 이어서 액티브 컴포저 모듈(104)은 애널리틱스를 적용하여 소정의 타깃 오디언스에게 맞추어진 다양한 소셜 데이터를 이용하여 기계 생성된 적당한 또는 최적의 메시지를 추천할 수 있다.
상기 특정 예에 계속하여, 액티브 컴포저 모듈(104)은 자동차 브랜드에 대한 기존의 텍스트 기사와 스포츠팀에 대한 기존의 텍스트 기사를 조합함으로써 새로운 텍스트 기사를 구성한다. 다른 예에 있어서, 액티브 컴포저 모듈은 자동차 브랜드의 상이한 기존 기사를 요약함으로써 자동차 브랜드에 대한 새로운 기사를 구성하고, 이 새로운 기사 중에는 스포츠팀에 대한 광고가 포함된다. 또 다른 예에 있어서, 액티브 컴포저 모듈은, 각각의 토픽에 대한 소셜 데이터가 상이한 시간에 또한 상이한 소스로부터 게재될 수 있을 수 있지만, 스포츠팀과 자동차 브랜드 양자에 대한 소셜 데이터 콘텐츠를 생성한 사람들을 식별하고, 이 소셜 콘텐츠를 새로운 소셜 데이터 메시지에 함께 조합시킨다. 또 다른 예시 실시형태에 있어서, 액티브 컴포저 모듈은 자동차 브랜드와 관련된 비디오 데이터 및/또는 오디오 데이터와 스포츠팀과 관련된 비디오 데이터 및/또는 오디오 데이터를 조합시켜, 새로운 비디오 데이터 및/또는 오디오 데이터를 구성할 수 있다. 기타 데이터 타입의 조합이 사용될 수 있다.
액티브 트랜스미터 모듈(105)은 새롭게 구성된 소셜 데이터(403)를 얻고, 이 새롭게 구성된 소셜 데이터의 송신과 관련된 다수의 팩터 또는 파라미터를 결정한다. 또한, 액티브 트랜스미터 모듈(105)은 새롭게 구성된 소셜 데이터에 대한 사람들의 응답을 트랙킹하기 위해 마커를 삽입 또는 부가한다. 송신 팩터에 기초하여, 액티브 트랜스미터 모듈은 마커(404)가 붙여진 구성된 소셜 데이터를 송신한다. 또한, 액티브 트랜스미터 모듈은 이 구성된 소셜 데이터(405)에 관한 피드백을 수신하도록 설정되고, 여기서 피드백의 수집은 마커의 사용을 포함한다. 새롭게 구성된 소셜 데이터 및 임의의 연관된 피드백(406)은 액티브 리시버 모듈(103)로 전송된다.
자동차 브랜드와 스포츠팀에 관한 상기 특정 예에 계속하여, 액티브 트랜스미터 모듈(105)은 궤적 또는 송신 파라미터를 결정한다. 예를 들면, 자동차 브랜드 및 스포츠팀에 관심이 있는 사람들에 의해 구독될 것으로 알려진 소셜 네트워크, 포럼, 메일링 리스트, 웹사이트 등이 송신 타깃으로서 식별된다. 또한, 구성된 데이터를 언제 송신해야 할지의 스케쥴 또는 시간을 결정하기 위해 스포츠팀의 게임 또는 매치와 같이 경기행사 등의 특별한 이벤트가 식별된다. 또한, 타깃인 독자의 위치도 구성된 소셜 데이터의 언어 및 구성된 소셜 데이터가 송신되어질 현지 시간을 결정하기 위해 사용된다. 클릭수, 포워딩수, 구성된 소셜 데이터가 보여질 시간을 결정하기 위한 타임 트랙커 등과 같은 마커가 구성된 소셜 데이터에 대한 사람들의 반응에 관한 정보를 수집하기 위해 사용된다. 자동차 브랜드 및 스포츠팀에 관련된 구성된 소셜 데이터 및 연관 피드백이 액티브 리시버 모듈(103)로 전송된다.
도 4에 계속하여, 액티브 리시버 모듈(103)은 구성된 소셜 데이터 및 연관 피드백(406)을 수신한다. 액티브 리시버 모듈(103)은 이 데이터를 분석하여 어떠한 관계 또는 상관관계가 있는지의 여부를 결정한다. 예를 들면, 피드백은 새롭게 구성된 소셜 데이터를 생성하는데 사용된 관계가 정확한지 또는 부정확한지를 결정 또는 확인하기 위해 사용될 수 있다.
자동차 브랜드와 스포츠팀에 관한 상기 특정 예에 계속하여, 액티브 리시버 모듈(103)은 구성된 소셜 데이터 및 연관 피드백을 수신한다. 피드백이 사람들이 구성된 소셜 데이터에 대해서 긍정적인 댓글 및 긍정적인 패드백을 제공한다고 보여지면, 액티브 리시버 모듈은 자동차 브랜드와 스포츠팀 간의 관계가 정확하다고 결정한다. 액티브 리시버 모듈은 자동차 브랜드와 스포츠팀 간의 특별한 관계와 관련된 순위값을 증가시킬 수 있다. 액티브 리시버 모듈은 긍정적인 피드백 때문에 자동차 브랜드와 스포츠팀에 관련된 소셜 데이터를 더욱 더 마이닝하거나 추출해도 좋다. 피드백이 부정적인 경우에는, 액티브 리시버 모듈은 자동차 브랜드와 스포츠팀 간의 관계를 수정 또는 폐기한다. 관계에 대한 순위는 저하할 수 있다. 예시 실시형태에 있어서, 액티브 리시버 모듈은 자동차 브랜드와 스포츠팀에 대한 특정한 소셜 데이터를 검색하는 것을 줄이거나 또는 제한한다.
정기적으로 또는 연속적으로, 소셜 애널리틱 신시사이저 모듈(106)은 다른 모듈(103, 104, 105)로부터 데이터를 얻는다. 소셜 애널리틱 신시사이저 모듈(106)은 상기 데이터를 분석하여, 모듈(106)을 포함한 각각의 모듈에 의해 행해지는 동작에 대해 어떠한 조정이 행해질 수 있는지를 결정한다. 각각의 모듈(103, 104, 105)로부터 데이터를 얻음으로써, 소셜 애널리틱 신시사이저 모듈은 각각의 모듈(103, 104, 105)과 각각 비교하여 더욱 우수한 문맥 정보를 갖는 것이 이해될 수 있다.
자동차 브랜드와 스포츠팀에 관한 상기 특정 예에 계속하여, 소셜 애널리틱 신시사이저 모듈(106)은 사람들이 새롭게 구성된 소셜 데이터 객체에서 사용된 모국어와는 다른 제 2 언어로 새롭게 구성된 소셜 데이터 객체에 대해 긍정적으로 응답하고 있는 데이터를 얻는다. 이러한 정보는 액티브 트랜스미터 모듈(105)로부터 또는 액티브 리시버 모듈(103)로부터, 또는 둘 다로부터 얻어질 수 있다. 그러므로, 소셜 애널리틱 신시사이저 모듈은 액티브 컴포저 모듈(104)로 제 2 언어를 사용하여 자동차 브랜드 및 스포츠팀에 대한 새로운 소셜 데이터를 구성하도록 조정 명령을 전송한다.
다른 예에 있어서, 소셜 애널리틱 신시사이저 모듈(106)은 자동차 브랜드 및 스포츠팀에 관해 새롭게 구성된 소셜 데이터 객체에 대한 긍정적 피드백이 특정 지리적 근방(예를 들면, 우편번호, 지역코드, 도시, 자치제, 주, 지방 등)으로부터 유래하는 데이터를 얻는다. 이 데이터는 액티브 리시버 모듈(103) 또는 액티브 트랜스미터 모듈(105), 또는 둘 다로부터 유래하는 데이터를 분석함으로써 얻어질 수 있다. 그 다음, 소셜 애널리틱 신시사이저 모듈은 조정 커맨드를 생성하여 액티브 리시버 모듈(103)로 전송하여, 특정 지리학적 근방에 대한 소셜 데이터를 얻는다. 특정 지리학적 근방에 대한 소셜 데이터로는, 예를 들면 최근의 지역 이벤트, 지역 사투리 및 슬랭, 지역 속담, 지역 명사, 및 지역 모임장소를 들 수 있다. 소셜 애널리틱 신시사이저 모듈은 자동차 브랜드, 스포츠팀 및 지리학적 근방에 대한 소셜 데이터를 조합한 새로운 소셜 데이터를 구성하기 위해 조정 커맨드를 생성하여 액티브 컴포저 모듈(104)로 전송한다. 소셜 애널리틱 신시사이저 모듈은 지리학적 근방에 위치한 사람들에세 새롭게 구성된 소셜 데이터를 전송하고, 또한 이러한 소셜 데이터를 사람들이 구독 또는 소비할 가능성이 많은 시간대(예를 들면, 저녁, 주말 등)에 새롭게 구성된 소셜 데이터를 전송하도록, 조정 커맨드를 생성하여 액티브 트랜스미터 모듈(105)로 전송한다.
도 4에 계속하여, 각각의 모듈은 또한 그 자체에 수집된 데이터로부터 학습하여 그 자체의 프로세스 및 의사결정 알고리즘을 개선하도록 설정된다. 현재 공지된 기술 및 미래에 공지된 기계 학습 및 기계 지능 컴퓨테이션이 사용될 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; 또한 소셜 애널리틱 신시사이저 모듈은 피드백 루프(410)를 갖는다. 이러한 방식으로, 각각의 모듈에서의 프로세스는 개별적으로 연속적으로 개선될 수 있고, 또한 소셜 애널리틱 신시사이저 모듈(106)에 의해 전송된 조정을 이용하여 개선할 수 있다. 이러한 모듈 기반 및 시스템 전체 기반에 대한 자가 학습에 의해 시스템(102)은 인간 개입 없이 완전히 자동화될 수 있다.
데이터가 더욱 제공됨에 따라 구성된 소셜 데이터를 전송하기 위해 시스템(102)에 의해 더욱 반복이 행해짐에 따라, 시스템(102)은 더욱 효과적이고 또한 유능해지는 것이 이해될 수 있다.
시스템(102)의 다른 예시 형태를 이하에 기재한다.
시스템(102)은 소셜 데이터를 실시간으로 캡쳐하도록 설정된다.
시스템(102)은 비지니스, 또는 특정 인물 또는 단체에 관련된 소셜 데이터를 실시간으로 분석하도록 설정된다.
시스템(102)은 소정 사람들 또는 소정 그룹을 타깃으로한 소셜 데이터를 실시간으로 생성 및 구성하도록 설정된다.
시스템(102)은 새롭게 구성된 소셜 데이터를 송신하기에 최상의 또는 적당한 시간을 결정하도록 설정된다.
시스템(102)은 선택된 또는 타깃인 사람들 또는 그룹에 도달하는데 최상의 또는 적당한 소셜 채널을 결정하도록 설정된다.
시스템(102)은 시스템(102)에 의해 전송된 새로운 소셜 데이터에 대해 사람들이 말하고 있는 것을 결정하도록 설정된다.
시스템(102)은 연속 루프, 엔드 투 엔드(end to end) 커뮤니케이션를 용이하게 행하기 위해 분석 기술 및 파라미터, 소셜 데이터 콘텐츠, 송신 채널, 타깃 인물, 및 데이터 스크랩핑 및 마이닝 프로세스를 결정 및 추천하도록 설정된다.
시스템(102)은, 예를 드면 마스터 슬래브 배열(master-slave arrangement)을 이용하여 시스템 또는 모듈의 수를 N개 추가하도록 설정된다.
시스템(102)은 다른 동작을 행할 수 있다는 것은 이해될 수 있다.
예시 실시형태에 있어서, 소셜 커뮤니케이션을 제공하기 위해 시스템(102)에 의해 구현되는 컴퓨터 또는 프로세서 구현 명령은 소셜 데이터를 얻는 것을 포함한다. 그 다음, 시스템은 소셜 데이터로부터 얻은 새로운 소셜 데이터 객체를 구성한다. 새로운 소셜 데이터 객체는 상기 얻어진 소셜 데이터의 콘텐츠와 정확히 동일한 콘텐츠, 또는 상기 얻어진 소셜 데이터의 콘텐츠의 일부를 가져도 좋고, 또는 상기 얻어진 소셜 데이터의 콘텐츠를 전혀 갖지 않아도 좋은 것은 이해될 수 있다. 시스템은 새로운 소셜 데이터 객체를 송신하고, 이 새로운 소셜 데이터 객체와 연관된 피드백을 얻는다. 시스템은 피드백을 이용하여 조정 커맨드를 컴퓨팅하고, 조정 커맨드를 실행함으로써 시스템에 의해 행해진 동작에 사용된 파라미터를 조정한다.
예시 실시형태에 있어서, 시스템은 액티브 리시버 모듈을 이용하여 소셜 데이터 객체를 얻고, 액티브 컴포저 모듈은 이 소셜 데이터 객체를 송신을 위해 액티브 트랜스미터 모듈로 전달한다. 컴퓨테이션 및 분석은 소셜 데이터 객체가 송신에 적합한지의 여부를 결정하기 위해 행해지고, 만약 적합하다면 소셜 데이터 객체를 어떤 단체에 언제 송신할지를 결정하기 위해 행해진다.
소셜 커뮤니케이션을 제공하기 위한 컴퓨터 또는 프로세서 구현 명령의 다른 예시 실시형태를 도 5에 나타낸다. 이 명령은 시스템(102)에 의해 구현된다. 블록(501)에서 시스템(102)은 소셜 데이터를 수신한다. 블록(502)에서 시스템은 소셜 데이터 간의 관계 및 상관관계를 결정한다. 블록(503)에서, 시스템은 상기 관계 및 상관관계를 이용하여 새로운 소셜 데이터를 구성한다. 블록(504)에서, 시스템은 구성된 소셜 데이터를 송신한다. 블럭(505)에서 시스템은 구성된 소셜 데이터에 관한 피드백을 수신한다. 블록(505)에 이어서 블록(506)에서, 시스템은 구성된 소셜 데이터에 관한 피드백을 이용하여 구성된 소셜 데이터의 송신 파라미터를 조정한다. 추가적으로 또는 대체하여, 블록(505)에 이어서 블록(507)에서, 시스템은 구성된 소셜 데이터에 관한 피드백을 이용하여 수신된 소셜 데이터 간의 관계 및 상관관계를 조정하다. 피드백에 기초하여 다른 조정이 이루어질 수 있는 것은 이해될 수 있다. 점선으로 나타낸 바와 같이, 프로세스 루프는 블록(501)으로 되돌아가서 반복된다.
액티브 리시버 모듈
액티브 리시버 모듈(103)은 자동적으로 또한 동적으로 N개의 글로벌 데이터 스트림을 경청하고, 또한 인터넷 사이트 또는 전용 네트워크, 또는 둘 다에 접속된다. 액티브 리시버 모듈은 원치않는 정보를 제거하기 위한 분석 필터, 유익한 정보를 검출하기 위한 기계 학습, 및 중요한 대화 및 소셜 트렌드를 빠르게 노출하기 위한 추천 엔진을 포함한다. 또한, 액티브 리시버 모듈은 액티브 컴포저 모듈(104), 액티브 트랜스미터 모듈(105) 및 소셜 애널리틱 신시사이저 모듈(106)과 같은 다른 모듈과 통합될 수 있다.
도 6에 의하면, 액티브 리시버 모듈(103)의 예시 구성 요소를 나타낸다. 예시 구성 요소로는 초기 샘플러 및 마커 모듈(601), 중간 샘플러 및 마커 모듈(602), 포스트 데이터 저장 샘플러 및 마커 모듈(603), 애널리틱스 모듈(604), 및 관계/상관관계 모듈(605)을 포함한다.
얻어진 소셜 데이터의 실시간 효과적인 분석을 용이하게 행하기 위해서는, 상이한 레벨의 스피드 및 입도(granularity)를 이용하여 얻어진 소셜 데이터를 처리한다. 모듈(601)은 더욱 빠른 스피드 및 더욱 느린 샘플 레이트로 얻어진 소셜 데이터를 처음에 샘플링 및 마킹하는데 우선 사용된다. 이것에 의해 액티브 리시버 모듈(103)은 실시간으로 일부 결과물을 제공할 수 있게 된다. 모듈(602)은 모듈(601)에 비해서 느린 스피드 및 높은 샘플 레이트로 얻어진 데이터를 샘플링 및 마킹하는데 사용된다. 이것에 의해 액티브 리시버 모듈(103)이 모듈(601)에서 얻은 결과와 비교해서 일부 지연은 있지만 모듈(602)로부터 얻어진 더욱 상세한 결과를 제공할 수 있게 된다. 모듈(603)은 모듈(602)에 비해서 상대적으로 느린 스피드이고, 모듈(602)에 비해서는 더욱 높은 샘플 레이트로 액티브 리시버 모듈에 의해 저장된 모든 소셜 데이터를 샘플링한다. 이것에 의해 액티브 리시버 모듈(103)이 모듈(602)로부터 얻어진 결과와 비교하여 모듈(603)로부터 얻어지는 더욱 더 상세한 결과를 제공할 수 있게 된다. 따라서, 상이한 분석 레벨이 동시에 발생할 수 있고, 또한 매우 빠르게 초기 결과를 제공하고, 일부 지연되게 중간 결과를 제공하고, 더욱 지연되게 포스트 데이터 저장 결과를 제공할 수 있다.
또한, 샘플러 및 마커 모듈(601, 602, 603)은, 예를 들면 소셜 데이터가 게재 또는 포스팅되어진 시간 또는 날짜, 또는 둘 다; 해시태그; 트랙킹 픽셀; 웹비콘, 트래킹 버그, 태그 또는 페이지 태그라고도 불리는 웹버그; 쿠키, 디지털 사인; 키워드; 소셜 데이터와 연관된 유저 및/또는 회사 식별자; 소셜 데이터와 연관된 IP 주소; 소셜 데이터와 연관된 지리학적 데이터(예를 들면, 지오태그); 소셜 데이터에 대한 유저의 엔트리 경로; 인증; 소셜 데이터를 구독하거나 작성자를 팔로잉하는 유저(예를 들면 팔로워); 소셜 데이터를 이미 소비한 유저; 등을 포함하는 소셜 데이터와 연관된 기타 데이터를 식별하고 추출한다. 이러한 데이터는 소셜 데이터 간의 관계를 결정하기 위해 액티브 리시버 모듈(103) 및/또는 소셜 애널리틱 신시사이저 모듈(106)에 의해 사용될 수 있다.
애널리틱스 모듈(604)은 소셜 데이터 및 관련된 다른 데이터를 분석하기 위해 다양한 접근방식이 사용될 수 있다. 상기 분석은 관계, 상관관계, 친근도, 및 역전관계를 결정하기 위해 행해진다. 사용될 수 있는 알고리즘의 예로서는 인공 신경 네트워크, 근접 이웃, 베이지안 통계, 결정 트리, 회귀분석, 퍼지 논리, K-평균 알고리즘, 클러스터링, 퍼지 클러스터링, 몬테카를로법, 학습 오토마톤, 시간차 학습, 선험적 알고리즘, ANOVA 방법, 베이지안 네트워크, 은닉 마르코프 모델을 들 수 있지만, 이들에 한정되는 것은 아니다. 더욱 일반적으로 현재 공지된 또한 향후 공지의 분석방법을 사용하여 소셜 데이터 간의 관계, 상관관계, 관련성, 및 역전관계를 식별할 수 있다. 애널리틱스 모듈(604)은, 예를 들면 모듈(601, 602 및/또는 603)로부터 테이터를 얻는다.
2개의 컨셉 사이의 역전관계는, 예를 들면 제 1 컨셉에 대한 좋음 또는 공감은 제 2 컨셉에 대한 싫음 또는 반발과 관련되어 있음이 이해될 수 있다.
관계/상관관계 모듈(605)은 애널리틱스 모듈로부터의 결과를 이용하여 적어도 2개의 컨셉 간의 관계를 특징짓는 용어 및 값을 생성한다. 이 컨셉은 키워드, 시간, 위치, 사람들, 비디오 데이터, 오디오 데이터, 그래픽 등의 임의의 조합을 포함할 수 있다.
또한, 관계 모듈(605)은 키워드 버스트를 식별할 수도 있다. 키워드 또는 다수의 키워드의 인기도는 시간의 함수로서 플로팅된다. 애널리틱스 모듈은 키워드 인기도 커브에 있어서 관심있는 시간 영역을 버스트로서 식별하고 마킹한다. 애널리틱스 모듈은 관심있는 키워드(예를 들면, 인기도 버스트를 갖는 키워드)와 연관된 하나 이상의 상관관계가 있는 키워드를 식별한다. 이 상관관계가 있는 키워드는 버스트와 동일 시간 영역에서의 관심있는 키워드와 밀접하게 관련된다. 이러한 프로세스는 2009년 7월 10일에 출원된 발명의 명칭이 "정보 발견 및 텍스트 분석을 위한 방법 및 시스템"인 미국 특허출원 제12/501,324호에 상세하게 기재되어 있고, 그 전체 내용을 여기에 참조하여 포함한다.
또 다른 예시 형태에 있어서, 관계 모듈(605)은 또한 토픽(예를 들면 키워드)과, 이 키워드에 관심있는 유저 사이의 관계를 식별할 수 있다. 이 관계 모듈은, 예를 들면 어떤 토픽의 전문가라고 생각되는 유저를 식별할 수 있다. 특정 유저가 토픽에 대해 정기적으로 댓글을 달고, 이 특정 유저를 "팔로우"하는 다른 유저가 많이 있으면, 이 특정 유저는 전문가라고 간주한다. 또한, 관계 모듈은 전문가 유저가 이들 다른 토픽의 전문가라고 간주할 수는 없지만, 전문가 유저가 관심을 갖는 다른 토픽을 식별할 수 있다. 또한, 관계 모듈은 특정 유저를 팔로우하는 다수의 보조 유저를 얻고; 보조 유저가 전문가라고 생각되는 토픽을 얻고; 이들 토픽을 특정 유저와 관련시킬 수 있다. 토픽과 유저를 연관시키는 방법은 다양하다는 것은 이해될 수 있다. 2013년 6월 21에 출원한 발명의 명칭이 "소셜 네트워크 데이터를 분석하기 위한 시스템 및 방법"인 미국 특허출원 제61/837/933호에 더욱 상세하게 기재되어 있고, 그 전체 내용이 여기에 참조하여 포함되어 있다.
도 7에 의하면, 예시 컴퓨터 또는 프로세서 구현 명령은 액티브 리시버 모듈(103)에 의해 데이터를 수신하고 분석하기 위해 제공된다. 블럭(701)에서, 액티브 리시버 모듈은 1개 이상의 소셜 데이터 스트림으로부터 소셜 데이터를 수신한다. 블럭(702)에서, 액티브 리시버 모듈은 우선 패스트 앤드 로우 정밀도 샘플레이트(fast and low definition sample rate)(예를 들면 모듈(601) 이용)를 이용하여 소셜 데이터를 샘플링한다. 블록(703)에서, 액티브 리시버 모듈은 ETL(추출, 변환, 적재) 프로세싱을 적용한다. ETL 프로세스의 제 1 부분은 소스 시스템으로부터 데이터를 추출하는 것을 수반한다. 전송 스텝은 소스로부터 추출된 데이터에 일련의 법칙 또는 함수를 적용하여, 최종 타깃에 적재하기 위한 데이터를 얻는다. 적재 스텝에서는 메모리와 같은 최종 타킷에 데이터를 적재한다.
블록(704)에서는, 액티브 리시버 모듈은 중간 정밀도(intermediate definition) 샘플 레이트(예를 들면 601 이용)를 이용하여 소셜 데이터를 샘플링한다. 블록(705)에서, 액티브 리시버 모듈은 높은 정밀도 샘플 레이트(예를 들면, 모듈(603) 이용)를 이용하여 소셜 데이터를 샘플링한다. 예시 실시형태에 있어서, 초기 샘플링, 중간 샘플링, 및 높은 정밀도 샘플링이 동시에 행해진다. 또 다른 예시 실시형태에 있어서, 상기 샘플링은 연속적으로 행해진다.
도 7에 의하면, 소셜 데이터의 초기 샘플링(블록(702)) 후에, 액티브 리시버 모듈은 데이터 마커를 입력 또는 식별한다(블록(706)). 샘플링된 데이터를 분석(블록(707))하고, 샘플링된 데이터로부터 관계를 결정하고(블록(708)), 이 관계를 이용하여 조기 또는 초기 소셜 트렌딩 결과를 결정(블록(709))하는 것을 진행한다.
마찬가지로, 블록(704) 후에, 액티브 리시버 모듈은 샘플링된 소셜 데이터(블록(710))에 있어서 데이터 마커를 입력 또는 식별한다. 샘플링된 데이터를 분석(블록(711))하고, 샘플링된 데이터로부터 관계를 결정하고(블록(712)), 이 관계를 이용하여 조기 또는 초기 소셜 트렌딩 결과를 결정(블록(713))하는 것을 진행한다.
또한, 액티브 리시버 모듈은 샘플링된 소셜 데이터(블록(714))에 있어서 데이터 마커를 입력 또는 식별한다. 샘플링된 데이터를 분석(블록(715))하고, 샘플링된 데이터로부터 관계를 결정하고(블록(716)), 이 관계를 이용하여 조기 또는 초기 소셜 트렌딩 결과를 결정(블록(717))하는 것을 진행한다.
예시 실시형태에 있어서, 블록(706~709)에서의 동작, 블록(710~713)에서의 동작, 및 블록(714~717)에서의 동작은 동시에 일어난다. 그러나, 블록(708 및 709)으로부터의 관계 및 결과는 블록(712, 713, 716 및 717)으로부터의 관계 및 결과 이전에 결정될 수 있다.
블록(706, 710, 714)에서 기재한 데이터 마커는 예비 분석 및 샘플링된 데이터를 보조하고, 또한 관계를 결정하는 것을 돕는다. 데이터 마커의 예시 실시형태로는 키워드, 소정의 이미지 및 소정의 데이터의 소스(예를 들면, 작성자, 조직, 위치, 네트워크 소스 등)를 들 수 있다. 또한, 데이터 마커는 샘플링된 데이터로부터 추출된 태그일 수 있다.
예시 실시형태에 있어서, 데이터 마커는 블록(707, 711 및 715)에 있어서의 더욱 상세한 분석과는 다른, 샘플링된 데이터의 예비 분석을 행함으로써 식별된다. 데이터 마커는 트렌드 및 감성을 식별하는데 사용될 수 있다.
다른 예시 실시형태에 있어서, 데이터 마커는 소정의 키워드, 소정의 이미지 및 소정의 데이터의 소스의 검색에 기초한 샘플링된 데이터에 입력된다. 소정의 조직은 이러한 동작을 이용하여 데이터 마커를 소정의 샘플링된 데이터에 입력할 수 있다. 예를 들면, 자동차 브랜딩 조직은 SUV의 이미지가 샘플링 프로세스로부터 얻어지는 경우 또는 텍스트 메시지가 단어 "SUV", "Jeep", "4×4", "CR-4", Rav4" 및 "RDX" 중 적어도 하나를 갖는 경우, 데이터 마커 "SUV"를 입력한다. 데이터 마커를 입력하는 다른 규칙을 이용될 수 있는 것은 이해될 수 있다. 또한, 입력된 데이터 마커는 분석 동작시 및 관계 결정 동작시 사용되어, 트렌드 및 감성을 탐지할 수 있다.
액티브 리시버 모듈의 다른 예시형태를 이하에 나타낸다.
액티브 리시버 모듈(103)은 하나 이상의 전자 데이터 스트림을 실시간으로 캡쳐하도록 설정된다.
액티브 리시버 모듈(103)은 비지니스에 관련된 소셜 데이터를 실시간으로 분석하도록 설정된다.
액티브 리시버 모듈(103)은 한 언어로부터 다른 언어로 텍스트를 번역하도록 설정된다.
액티브 리시버 모듈(103)은 비디오, 텍스트, 오디오 및 사진을 해석해서 비지니스 정보를 생성하도록 설정된다. 비지니스 정보의 예는 감성 정보이고, 이것에 한정되는 것은 아니다.
액티브 리시버 모듈(103)은 비지니스의 더욱 충실을 위해서 수신된 소셜 데이터에 메타데이터를 적용하도록 설정된다. 메타데이터의 예로서는 지오 데이터, 시간 데이터, 비지니스 주도 특징, 분석 주도 특징 등을 들 수 있지만, 이들에 한정되지 않는다.
액티브 리시버 모듈(103)은 수신된 소셜 데이터 및 컴퓨팅된 정보를 이용하여 잠재적 성과 및 비지니스 시나리오를 해석 및 예견하도록 설정된다.
액티브 리시버 모듈(103)은 수신된 소셜 데이터 및 메타데이터에 기초한 유저 세그먼트 또는 타깃 그룹을 제안하도록 설정된다.
액티브 리시버 모듈(103)은 유저 세그먼트 또는 타깃 그룹에 정적으로 또는 부적으로 상관관계가 있는 소셜 데이터 채널을 제안 또는 추천하도록 설정된다.
액티브 리시버 모듈(103)은 유저, 유저 세그먼트 및 소셜 데이터 채널과 같은 그룹화를 서로 관련시키고 기여하도록 설정된다. 예시 실시형태에 있어서, 액티브 리시버 모듈은 패턴, 메타데이터, 특징 및 스테레오타입을 이용하여 유저, 유저 세그먼트 및 소셜 데이터 채널을 서로 관련시킨다.
액티브 리시버 모듈(103)은 약간의 인간 개입으로 또는 전혀 인간 개입이 없이 동작되도록 설정된다.
액티브 리시버 모듈(103)은 친근도 데이터(affinity data) 및 메타데이터를 수신된 소셜 데이터 및 임의의 관련된 컴퓨팅된 데이터에 할당하도록 설정된다. 예시 실시형태에 있어서, 친근도 데이터는 특정한 개인, 그룹, 회사, 위치, 컨셉, 브랜드, 디바이스, 이벤트 및 소셜 네트워크에 의해 행해진(또는 특정한 개인, 그룹, 회사, 위치, 컨셉, 브랜드, 디바이스, 이벤트 및 소셜 네트워크에 대해 기록된) 활동 간의 동시 발생 관계를 찾는 데이터 마이닝 기술(data mining technique)인 친근도 분석으로부터 얻어진다.
액티브
컴포저
모듈
액티브 컴포저 모듈(104)은 사람들과 커뮤니케이션하기 위한 소셜 데이터를 분석적으로 구성 및 생성하도록 설정된다. 이 모듈은 비지니스 규칙을 이용하고 학습된 패턴을 적용하여, 콘텐츠를 개인화할 수 있다. 액티브 컴포저 모듈은, 예를 들면 인간 커뮤니케이션, 개성, 슬랭 및 사투리를 모방하도록 설정된다. 이 모듈은 그 자체(즉, 모듈(104))에 의해 구성된 다수의 소셜 데이터 피스 또는 객체를 평가하도록 설정되고, 또한 랭크를 평가하고 애널리틱스에 기초하여 최상 또는 적당한 응답을 추천하도록 더욱 설정된다. 또한, 액티브 컴포저 모듈은 액티브 리시버 모듈(103), 액티브 트랜스미터 모듈(105), 및 소셜 애널리틱 신시사이저 모듈(106) 등의 다른 모듈과 통합될 수 있다. 액티브 컴포저 모듈은 다양한 시점의 개인화된 콘텐츠 메시지를 기계 생성하고, 타깃 오디언스에게 적당한 또는 최적의 솔루션을 추천할 수 있다.
도 8에 의하면, 액티브 컴포저 모듈(104)의 예시 구성 요소가 도시되어 있다. 예시 구성 요소로는 덱스트 컴포저 모듈(801), 비디오 컴포저 모듈(802), 그래픽/사진 컴포저 모듈(803), 오디오 컴포저 모듈(804) 및 애널리틱스 모듈(805)을 들 수 있다. 컴포저 모듈(801, 802, 803 및 804)은 각각의 미디어 타입 내에서 새로운 소셜 데이터를 구성하도록 개별적으로 동작할 수 있거나 또는 혼합된 미디어 타입으로 새로운 소셜 데이터를 구성하도록 함께 동작할 수 있다.
애널리틱스 모듈(805)은 출력된 소셜 데이터를 분석하고, 구성 프로세스에 대한 조정을 식별하고, 구성 프로세스를 조정하도록 커맨드를 생성하는데 사용된다.
도 9a에 의하면, 예시 컴퓨터 또는 프로세서 구현 명령은 모듈(104)에 의해 소셜 데이터를 구성하기 위해 제공된다. 액티브 컴포저 모듈은, 예를 들면 액티브 리시버 모듈(103)(블록(901))로부터 소셜 데이터를 얻는다. 그 다음, 액티브 컴포저 모듈은 얻어진 소셜 데이터로부터 얻은 새로운 소셜 데이터 객체(예를 들면, 텍스트, 비디오, 그래픽, 오디오)를 구성한다(블록(902)).
새로운 소셜 데이터 객체 또는 복수의 새로운 소셜 데이터 객체를 구성하는데 다양한 접근법이 사용될 수 있다. 예를 들면, 소셜 데이터는 조합되어 새로운 소셜 데이터 객체를 생성할 수 있고(블록(905)), 소셜 데이터는 추출되어 새로운 소셜 객체를 생성할 수 있고(블록(906)), 또한 새로운 소셜 데이터가 생성되어 새로운 소셜 데이터 객체를 형성할 수 있다(블록(907)). 불록(905, 906, 907) 중 하나 이상으로부터의 동작이 블록(902)에 적용될 수 있다. 이것과 관련하여 더욱 상세하게는 도 9b, 9c 및 9d에 기재되어 있다.
도 9a에 계속하여, 블록(903)에서, 액티브 컴포저 모듈은 구성된 소셜 데이터를 출력한다. 또한, 액티브 컴포저 모듈은 상기 구성된 소셜 데이터에, 조합된 소셜 데이터의 소스 및 조합된 소셜 데이터 간의 관계를 식별하는데 사용되는 식별자 또는 트랙커를 부가할 수도 있다.
도 9b에 의하면, 예시 컴퓨터 또는 프로세서 구현 명령이 블록(905)에 따른 소셜 데이터를 조합하기 위해 제공된다. 액티브 컴포저 모듈은 소셜 데이터 간의 관계 및 상관관계를 얻는다(불록(908)). 관계 및 상관관계는, 예를 들면 액티브 리시버 모듈로부터 얻어진다. 또한, 액티브 컴포저 모듈은 상기 관계에 대응하는 소셜 데이터를 얻는다(블록(909)). 블록(909)에서 얻어진 소셜 데이터는 액티브 리시버 모둘에 의해 얻어진 소셜 데이터의 서브세트일 수 있고, 또는 서드파티 소스 또는 둘 다에 의해 얻어질 수 있다. 블록(901)에서, 액티브 컴포저 모듈은 새로운 소셜 데이터(예를 들면, 새로운 소셜 데이터 객체)를 서로 관련된 소셜 데이터를 조합함으로써 구성한다.
블럭(910)의 구현시 다양한 구성 프로세스가 이용될 수 있다는 것은 이해될 수 있다. 예를 들면, 텍스트 요약 알고리즘이 사용될 수 있다(블록(911)). 다른 예에 있어서, 텍스트, 비디오, 그래픽 등을 조합하기 위한 템플릿이 사용될 수 있다(블록(912)). 예시 실시형태에 있어서, 템플릿은 자연 언어 프로세싱을 이용하여 기사 또는 에세이를 생성할 수 있다. 템플릿은 입장에 관한 제 1 섹션, 상기 입장을 지지하는 제 1 논증(argument)을 포함하는 제 2 섹션, 상기 입장을 지지하는 제 2 논증을 포함하는 제 3 섹션, 상기 입장을 지지하는 제 3 논증을 포함하는 제 4 섹션, 및 상기 입장의 요약을 포함하는 제 4 섹션을 포함할 수 있다. 기타 템플릿이 뉴스 기사, 스토리, 프레스 릴리스(press release) 등을 포함한 다양한 타입의 텍스트에 대해 사용될 수 있다.
또한, 상이한 언어를 만족시키는 자연 언어 프로세싱이 사용될 수도 있다. 또한, 자연 언어 생성이 사용될 수도 있다. 여기에 기재된 원칙에 적용가능한 현재 공지된 또한 향후 공지의 구성 알고리즘이 사용될 수 있다는 것은 이해될 수 있다.
자연 언어 생성은 콘텐츠 결정, 문헌 구조화(document structuring), 취합, 어휘 선택, 지시어 생성, 및 실현을 포함한다. 콘텐츠 결정은 어떤 정보를 텍스트에 언급할 것인지를 결정하는 것을 포함한다. 이 경우에 있어서, 정보는 식별된 관계와 연관된 소셜 데이터로부터 추출된다. 문헌 구조화는 전달할 정보의 전반적인 체계이다. 취합은 판독률 및 자연스러움을 개선하기 위해 유사한 문장은 합치는 것이다. 어휘 선택은 단어로 컨셉을 표현하는 것이다. 지시어 생성은 객체 및 지역을 식별하는 지시어를 생성하는 것을 포함한다. 또한, 이러한 작업은 대명사 및 다른 타입의 어구에 대한 의사결정을 포함한다. 실현은 구문법, 형태법 및 맞춤법에 따라 정확해야 하는 실제 텍스트를 생성하는 것을 포함한다. 예를 들면, "to be"의 미래 시제에 대해서는 "will be"를 사용하는 것을 들 수 있다.
도 9b에 계속해서, 새로운 소셜 데이터 객체를 구성할 때에 액티브 리시버 모듈로부터 얻어진 또는 서드파티 소스로부터 얻어진 메타데이터, 또는 시스템(102)에 의해 생성되어진 메타데이터도 적용될 수 있다. 더욱이, 키워드 및 키프레이즈(key phrase)에 대한 동의어 또는 유의어인 단어 및 구를 포함하는 시소러스 데이터베이스도 새로운 소셜 데이터 객체를 구성하는데 사용될 수 있다(블록(914)). 시소러스 데이터베이스는 슬랭 및 사투리를 포함할 수 있다.
도 9c에 의하면, 예시 컴퓨터 또는 프로세서 구현 명령은 블록(906)에 따른 소셜 데이터를 추출하기 위해 제공된다. 블록(915)에서, 액티브 컴포저 모듈은 소셜 데이터와 관련된 특징을 식별한다. 이들 특징은 메타데이터, 태그, 키워드, 소셜 데이터의 소스 등을 이용하여 식별될 수 있다. 블록(916)에서, 액티브 컴포저 모듈은 식별된 특징와 관련되는 소셜 데이터를 검색하고 추출한다.
예를 들면, 식별된 특징 중 하나는 개인의 소셜 네트워크 계정명, 조직 또는 장소이다. 그 다음, 액티브 컴포저 모듈은 소셜 네트워크 계정에 접근하여 소셜 네트워크 계정으로부터 데이터를 추출한다. 예를 들면, 추출된 데이터는 연관 유저, 관심사, 좋아하는 장소, 좋아하는 음식, 애티튜드, 문화적 선호도 등을 포함한다. 예시 실시형태에 있어서, 소셜 네트워크 계정은 링크드인 계정 또는 페이스북 계정이다. 이 동작(블록(918))은 구현 블록(916)의 예시 실시형태이다.
구현 블록(916)의 또 다른 예시 실시형태는 관계를 얻고, 이 관계를 사용하여 소셜 데이터를 추출하는 것이다. 관계는 여기에 기재된 방법을 포함한 다수의 방법으로 얻어질 수 있지만, 이들에 한정되는 것은 아니다. 관계를 얻기 위한 방법의 또 다른 예시는 피어슨 상관관계를 사용하는 것이다. 피어슨 상관관계는 +1과 -1을 포함한 +1~-1 사이의 값을 갖는 2개의 변수 X 및 Y 간의 직선상 상관관계의 측정이고, 여기서 1은 완전한 정적 상관관계, 0은 상관관계 없음, -1은 부적 상관관계이다. 예를 들면, 주어진 데이터가 X이고, 결정된 X와 데이터 Y가 정적 상관관계를 이루면, 데이터 Y가 추출된다.
블럭(916)을 구현하는 또 다른 예시 실시형태는 소셜 데이터를 추출하기 위해 가중(weighting)을 이용하는 것(블럭(920))이다. 예를 들면, 소정의 키워드는 통계적 분석, 투표 또는 기타 표준에 의거하여 정적으로 또는 동적으로 가중될 수 있다. 더욱 많이 가중된 특징을 이용하여 소셜 데이터를 추출할 수 있다. 예시 실시형태에 있어서, 특징을 더욱 많이 가중할수록, 상기 특징과 관련된 소셜 데이터를 더욱 폭넓고 심도있게 검색하여 추출할 수 있다.
소셜 데이터를 검색 및 추출하기 위한 다른 접근법이 사용될 수 있다.
블럭(917)에서, 상기 추출된 소셜 데이터를 사용하여 새로운 소셜 데이터 객체를 형성한다.
도 9d에 의하면, 예시 컴퓨터 또는 프로세서 구현 명령이 블록(907)에 따른 소셜 데이터를 생성하기 위해 제공된다. 블록(921)에서, 액티브 컴포저 모듈은 소셜 데이터와 관련된 스테레오타입을 식별한다. 스테레오타입은 소셜 데이터로부터 얻어질 수 있다. 예를 들면, 클러스터링 및 결정 트리 분류기를 이용하여, 스테레오타입이 컴퓨팅될 수 있다.
일례의 스테레오타입 컴퓨테이션에 있어서, 모델이 생성된다. 이 모델은 개인, 장소, 객체, 회사, 조직, 또는 더욱 일반적으로는 컨셉을 대표한다. 컴포저 모듈을 포함하는 시스템(102)은 송신되고 있는 소셜 커뮤니케이션에 관한 데이터 및 피드백을 얻는 경험을 쌓기 때문에, 액티브 컴포저 모듈은 모델을 수정할 수 있다. 특성 또는 스테레오타입은 클러스터링에 기초하여 모델에 할당된다. 특히, 모델에 관련된 각종 특성을 나타내는 클러스터는 응집 클러스터링의 반복을 이용하여 처리된다. 클러스터의 일부가 선결된 거리 임계값을 충족시키면(여기서 거리는 유사도를 나타냄), 클러스터는 합쳐진다. 예를 들면, 집단의 유사도를 결정하는데 사용되는 측정법인 자카드 거리(자카드 인덱스에 근거함)는 2개의 클러스터 간의 거리를 결정하는데 사용된다. 남아있는 클로서터 중심이 모델과 연관된 스테레오타입이라고 간주된다. 예를 들면, 모델은 하기의 스테레오타입을 갖는 의류 브랜드일 수 있다: 운동의, 런닝, 스포츠, 수우쉬, 및 'just do it'.
스테레오타입의 컴퓨테이션의 다른 예에 있어서, 친근도 전파가 공통의 특성을 식별하기 위해 사용됨으로써, 스테레오타입을 식별한다. 친근도 전파는 데이터 포인트쌍 간에 일련의 유사도가 있다고 하면, 데이터를 가장 잘 묘사하는 범례 포인트의 서브셋을 찾도록 데이터 포인트 간에서 메시지를 교환하는 클러스팅 알고리즘이다. 친근도 전파는 각각의 데이터 포인트를 하나의 범례와 연관시킴으로써, 클러스터로 전체 데이터 세트를 분할시킨다. 친근도 전파의 목적은 데이터 포인트와 그 범례 간의 유사도의 전체 합을 최소화시키는 것이다. 친근도 전파 컴퓨테이션의 변이를 사용할 수 있다. 예를 들면, 친근도 전파의 이진 변수 모델이 사용될 수 있다. 친근도 전파 컴퓨테이션의 이진 변수의 예는, 이것에 한정되는 것은 아니지만, Inmar E. Givoni and Brendan J. Frey에 의한 "A Binary Variable Model of Affinity Propagation", Neural Computation 21, 1589-1600 (2009)의 문헌에 기재되어 있고, 여기에 참조하여 그 전체 내용이 포함되어 있다.
스테레오타입 컴퓨테이션의 다른 예는 친근도 분석의 예인 장바구니 분석(연관 분석)이다. 장바구니 분석은 소정 군의 제품을 구입하는 경우, 다른 군의 제품을 구입하고 싶다고 하는 이론에 근거한 수학적 모델링 기술이다. 통상적으로 고객의 구매 거동을 분석하여 판매를 증가시키는 것을 돕고, 판매 거래 데이터의 점에 집중함으로써 재고를 유지하기 위해 사용된다. 데이터세트를 고려해 볼 때, 선험적 알고리즘은 제품 바스켓과 제품 연관 규칙을 트래이닝하고 식별한다. 그러나, 여기에서는 동일한 접근법이 제품 대신에 사람(예를 들면 스테레오타입)의 특징을 식별하기 위해 사용된다. 더욱이, 이러한 경우에 있어서, 유저의 소셜 데이터의 소비(예를 들면 무엇을 구독하고, 청취하고, 댓글을 다는지 등)가 분석된다. 선험적 알고리즘은 특징(예를 들면 스테레오타입) 바스켓 및 특징 연관 규칙을 트래이닝하고 식별한다.
스테레오타입을 결정하는 다른 방법이 사용될 수 있다.
도 9d에 계속하여, 스테레오타입은 메타데이터로서 사용된다(블록(922)). 예시 실시형태에 있어서, 메타데이터는 새로운 소셜 데이터 객체(블록(923))이거나, 또는 메타데이터는 새로운 소셜 데이터 객체를 얻거나 구성하기 위해 사용될 수 있다(블록(924)).
새로운 소셜 데이터 객체를 구성하기 위해 블록(905, 906 및 907)에 관하여 기재한 방법은 여기에 구체적으로 기재하지 않았지만 다양한 방식으로 조합될 수 있다. 새로운 소셜 데이터 객체를 구성하는 다른 방법도 적용될 수 있다.
소셜 데이터 객체를 구성하는 예시 실시형태에 있어서, 소셜 데이터는 이름 "크리스 팔리"를 포함한다. 새로운 소셜 데이터 객체를 구성하기 위해서, 스테레오타입을 이용하여 소셜 데이터가 생성된다. 예를 들면, 스테레오 타입 '코미디언', '뚱뚱한', '닌자' 및 '금발'이 생성되고 크리스 팔리와 연관된다. 그 다음, 이 스테레오타입을 이용하여 캐리커쳐(예를 들면, 크리스 팔리의 만화와 같은 이미지)를 자동 생성한다. 인물의 이미지는 '코미디언'의 스테레오타입과 상응하는 재미있는 미소 및 치켜 올린 눈썹을 포함하도록 자동 수정된다. 인물의 이미지는 '뚱뚱한'의 스테레오타입에 상응하는 굵은 허리를 갖도록 자동 수정된다. 인물의 이미지는 '닌자' 스테레오타입에 상응하는 닌자옷 및 무기(예를 들면, 칼, 봉 등)를 포함하도록 자동 수정된다. 인물의 이미지는 "금발"의 스테레오타입에 상응하는 금발 머리를 포함하도록 자동 수정된다. 이러한 방식으로, 크리스 팔리의 캐리커쳐 이미지를 포함한 새로운 소셜 데이터 객체가 자동 생성된다. 텍스트로부터 얻은 다양한 그래픽 생성 방법이 사용될 수 있다. 예를 들면, 맵핑 데이터베이스는 그래픽 속성에 맵핑되는 단어를 포함하고, 결과적으로 이들 그래픽 속성은 탬플릿 이미지에 적용될 수 있다. 이러한 맵핑 데이터베이스는 캐리커쳐 이미지를 생성하는데 사용될 수 있다.
또 다른 예시 실시형태에 있어서, 스테레오타입은 크리스 팔리의 텍스트 묘사를 생성하고, 이 텍스트 묘사에 있어서 동일한 스테레오타입과 매치되는 다른 사람들을 식별하는데 사용된다. 텍스트 묘사는 구성된 소셜 데이터 객체이다. 예를 들면, 크리스 팔리의 스테레오타입은 또한 '코미디언'과 '닌자'의 스테레오타입에 맞는 배우 "존 벨루시"를 식별하는데 사용될 수도 있다. 상기 예는 인물에 적용하지만, 장소, 컬쳐, 패션 트렌드, 브랜드, 회사, 객체 등에도 소셜 데이터를 구성하기 위해 스테레오타입을 이용하는 동일한 원칙이 적용된다.
액티브 컴포저 모듈(104)은 약간의 인간 개입 또는 인간 개입이 전혀 없이 동작되도록 설정된다.
액티브 트랜스미터 모듈
액티브 트랜스미터 모듈(105)은 새롭게 구성된 소셜 데이터를 소정 유저 및 타깃 그룹으로 전달하기 위한 바람직한 또는 적당한 소셜 데이터 채널을 분석적으로 평가한다. 또한, 액티브 트랜스미터 모듈은 새롭게 구성된 소셜 데이터를 전송 또는 송신하기 위한 바람직한 시간을 평가한다.
도 10에 의하면, 액티브 트랜스미터 모듈(105)의 구성 요소의 예가 도시되어 있다. 구성 요소의 예로는 텔레메트리 모듈(1001), 스케쥴링 모듈(1002), 트랙킹 및 애널리틱스 모듈(1003), 및 송신용 데이터 저장소(1004)를 포함한다. 텔레메트리 모듈(1001)은 어떤 소셜 데이터 채널을 통해서 소정의 소셜 데이터 객체를 전송 또는 방송해야할지를 결정 또는 식별하도록 설정된다. 소셜 데이터 객체는 텍스트 기사, 메시지, 비디오, 댓글, 오디오 트랙, 그래픽, 또는 혼합 미디어 소셜 피스일 수 있다. 예를 들면, 소정의 자동차 브랜드에 대한 소셜 데이터 객체는 웹사이트, RSS 피드, 비디오 또는 오디오 채널, 블로그, 또는 잠재적 자동차 구매자, 이 자동차 브랜드의 현재의 소유자 및 자동차 브랜드의 과거 소유자에 의해 시청되거나 또는 팔로우되는 그룹으로 전송되어야 한다. 스케쥴링 모듈(1002)은 구성된 소셜 데이터 객체를 전송하기 위한 바람직한 시간 범위 또는 날짜 범위, 또는 둘 다를 결정한다. 예를 들면, 새롭게 구성된 소셜 데이터 객체가 주식 또는 비지니스 뉴스에 대한 것일 경우, 구성된 소셜 데이터 객체는 평일의 업무시간 동안 전송되도록 스케쥴링되어야 할 것이다. 트랙킹 및 애널리틱스 모듈(1003)은 사람들로부터의 피드백의 수집을 용이하게 하기 위해서 구성된 소셜 데이터 객체에 데이터 트랙커 또는 마커를 삽입한다. 데이터 트랙커 또는 마커는, 예를 들면 태그, 피드백(예를 들면, 좋아요, 싫어요, 순위, 섬업(thumb up), 섬다운(thumb down), 등), 웹페이지 뷰수 등을 포함한다.
송신용 데이터 저장소(1004)는 연관된 데이터 트랙커 또는 마커를 갖는 소셜 데이터 객체를 저장한다. 소셜 데이터 객체는 "카트"로서 패키징될 수 있다. 동일한 소셜 데이터 객체 또는 상이한 소셜 데이터 객체를 갖는 다수의 카트는 데이터 저장소(1004)에 저장된다. 카트는 연관된 텔레메트리 파라미터 및 스케쥴링 파라미터에 따라 론칭 또는 송신된다. 동일한 카트가 다수 회 론칭될 수 있다. 구성된 소셜 데이터를 방송하도록 하나 이상의 카트가 캠페인 하에 조직될 수 있다. 데이터 트랙커 또는 마커가 캠페인 또는 각각의 카트의 성공을 분석하기 위해 사용된다.
도 11에 의하면, 예시 컴퓨터 또는 프로세서 구현 명령이 액티브 트랜스미터 모듈(105)에 의해 구성된 소셜 데이터를 송신하기 위해 제공된다. 블럭(1101)에서, 액티브 트랜스미터 모듈은 이 구성된 소셜 데이터를 얻는다. 블럭(1102)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터의 텔레메트리를 결정한다. 블럭(1103)에서, 액티브 트랜스미터 모듈은 구성된 소셜 데이터의 송신 스케쥴링을 결정한다. 피드백을 얻기 위해 사용되는 트랙커가 구성된 소셜 데이터에 추가되고(블럭((1104)), 트랙커를 포함하는 소셜 데이터는 스케쥴링 파라미터와 텔레메트리 파라미터와 연관되어 저장된다(블럭(1105)). 스케쥴링 파라미터에 의해 결정되었을 때, 액티브 트랜스미터 모듈은 구성된 소셜 데이터를 텔레메트리 파라미터에 따라 식별된 소셜 데이터 채널로 전송한다(블록(1106)).
도 11에 계속해서, 액티브 트랜스미터 모듈은 트랙커를 이용하여 피드백을 수신하고(블록(1107), 이 피드백을 이용하여 텔레메트리 파라미터 또는 스케쥴링 파라미터, 또는 둘 다를 조정한다(블록(1108)).
액티브 트랜스미터 모듈(105)의 다른 예시형태를 이하에 나타낸다.
액티브 트랜스미터 모듈(105)은 메시지, 및 일반적으로는 소셜 데이터를 약간의 인간 개입으로 또는 전혀 인간 개입이 없이 송신되도록 설정된다.
액티브 트랜스미터 모듈(105)은 오디언스 또는 유저에 구성된 소셜 데이터 객체를 전달하기 위한 1개 이상의 데이터 커뮤니케이션 채널을 선택하기 위해서 기계 학습 및 분석 알고리즘을 이용하도록 설정된다. 데이터 커뮤니케이션 채널로는 페이스북, 트위터 및 블룸버그와 같은 인터넷 회사를 들 수 있지만, 이들에 한정되는 것은 아니다. 또한, 상기 채널에는 종래의 TV, 라디오, 및 신문 발행 채널도 포함한다.
액티브 트랜스미터 모듈(105)은 소정의 타깃 오디언스 또는 유저에 도달하기 위해 타깃 커뮤니케이션 채널을 자동으로 확대 또는 한정하도록 설정된다.
액티브 트랜스미터 모듈(105)은 타깃으로 하는 채널 및 타깃으로 하는 유저를 증가시키는 것을 돕도록 서드파티 회사 또는 조직 유래의 데이터 및 메타데이터를 통합하도록 설정됨으로써, 소셜 데이터 송신의 유효성을 개선시킨다.
액티브 트랜스미터 모듈(105)은 구성된 소셜 데이터를 트랙킹하기 위한 특이 마커를 적용 및 송신하도록 설정된다. 마커는 기타 핵심성과지표 중에서도 구성된 소셜 데이터의 유효성, 데이터 커뮤니케이션 채널의 유효성, 및 ROI(투자수익율) 유효성을 트랙킹한다.
액티브 트랜스미터 모듈(105)은 구성된 소셜 데이터를 전달/송신하기 위한 최상의 시간 또는 적당한 시간을 자동 추천하도록 설정된다.
액티브 트랜스미터 모듈(105)은 구성된 소셜 데이터가 데이터 커뮤니케이션 채널에 의해 성공적으로 수신되었는지 또는 유저에 의해 성공적으로 시청/소비되었는지의 여부, 또는 둘 다의 여부를 듣고 해석하도록 설정된다.
액티브 트랜스미터 모듈(105)은 구성된 소셜 데이터의 유저 응답을 분석하고, 타킷 채널 또는 유저, 또는 둘 다를 자동 변경하도록 설정된다. 일례에 있어서, 변경에 대한 결정은 성공적 또는 실패한 송신(유저에 의한 수신)에 근거한다.
액티브 트랜스미터 모듈(105)은 미래의 또는 차후의 구성된 소셜 데이터 송신을 위한 소정의 데이터 커뮤니케이션 채널 및 유저를 필터링하도록 설정된다.
액티브 트랜스미터 모듈(105)은 사전에 전송되어진 구성된 소셜 데이터의 송신을 액티브 트랜스미터 모듈에 의해 수신된 분석적 응답에 따라 N번의 횟수 동안 반복하도록 설정된다. 이 시나리오에 있어서의 N의 값은 분석적으로 결정될 수 있다.
액티브 트랜스미터 모듈(105)은 각각의 송신 캠페인 간의 지속 시간을 분석적으로 결정하도록 설정된다.
액티브 트랜스미터 모듈(105)은 더욱 풍부한 비지니스 정보를 제공하기 위해서 액티브 컴포저 모듈(104)로부터의 메타데이터를 구성된 소셜 데이터의 송신에 적용하도록 설정된다. 메타데이터로는, 지오 데이터, 시간 데이터, 비지니스 주도 특징, 특이 캠페인 ID, 키워드, 해시태그 또는 동등의 것, 분석 주도 특징 등을 들 수 있지만, 이들에 한정되지 않는다.
액티브 트랜스미터 모듈(105)은, 예를 들면 다수의 액티브 트랜스미터 모듈(105)을 이용함으로써 사이즈를 조절하도록 설정된다. 다시 말하면, 도면에는 하나의 모듈(105)을 나타내지만, 대규모의 데이터의 송신을 수용하기 위해서 동일한 모듈이 다수개인 경우가 있을 수 있다.
소셜
애널리틱
신시사이저 모듈
소셜 애널리틱 신시사이저 모듈(106)은 기계 학습, 애널리틱스를 행하고, 비지니스 주도 규칙에 따른 의사결정을 하도록 설정된다. 소셜 애널리틱 신시사이저 모듈(106)에 의해 결정된 결과 및 추천은 액티브 리시버 모듈(103), 액티브 컴포저 모듈(104), 및 액티브 트랜스미터 모듈(105) 중 어느 하나 이상, 또는 시스템(102)과 통합될 수 있는 어느 다른 모듈과 지능적으로 통합된다. 상기 모듈(106)은 다수의 지리적 위치에 배치 또는 위치될 수 있어서, 다른 모듈 중에서도 실시간 커뮤니케이션을 용이하게 할 수 있다. 이러한 배열 또는 다른 배열이 낮은 레이턴시 청취, 소셜 콘텐츠 생성 및 대규모 데이터에 대한 콘텐츠 송신을 제공하기 위해 사용될 수 있다.
또한, 소셜 애널리틱 신시사이저 모듈(106)은 특이한 전체론적 패턴, 상관관계 및 인사이트를 식별하도록 설정된다. 예시 실시형태에 있어서, 모듈(106)은 적어도 2개의 다른 모듈(예를 들면 모듈(103, 104 및 105) 중 어느 2개 이상) 유래의 데이터 전체를 분석함으로써 패턴 또는 인사이트를 식별할 수 있고, 이들 패턴 또는 인사이트는 어쩌면 각각의 모듈(104, 104 및 105) 유래의 데이터를 개별적으로 분석해서는 결정할 수 없을 수도 있다. 예시 실시형태에 있어서, 피드백 또는 조정 커맨드는 소셜 애널리틱 신시사이저 모듈(106)에 의해 다른 모듈로 실시간으로 제공된다. 각각의 모듈(103, 104, 105 및 106)은 시간 및 반복 횟수가 경과함에 따라 연속 소셜 커뮤니케이션 및 그 자체의 각각의 동작시 더욱 효과적이고 유능해진다.
도 12에는 소셜 애널리틱 신시사이저 모듈(106)의 구성 요소의 예가 도시되어 있다. 구성 요소의 예로는 액티브 리시버 모듈(1201) 유래 데이터의 카피, 액티브 컴포저 모듈(1202) 유래 데이터의 카피, 및 액티브 트랜스미터 모듈(1203) 유래 데이터의 카피를 들 수 있다. 이들 데이터의 카피는 각각의 모듈에 의해 얻어진 입력 데이터, 중간 데이터, 각각의 모듈의 출력 데이터, 각각의 모듈에 의해 사용된 알고리즘 및 컴퓨테이션, 각각의 모듈에 의해 사용된 파라미터 등을 포함한다. 바람직하게는 필수적이지는 않지만, 이들 데이터 저장소(1201, 1202 및 1203)는 수시로 업데이트된다. 예시 실시형태에 있어서, 다른 모듈(103, 104, 105) 유래 데이터는 소셜 애널리틱 신시사이저 모듈(106)에 의해 이들 다른 모듈 유래의 새로운 데이터가 이용가능해지는 대로 실시간으로 얻어진다.
도 12에 계속해서, 구성 요소의 예로는 서드파티 시스템(1204), 애널리틱스 모듈(1205), 기계 학습 모듈(1206) 및 조정 모듈(1207) 유래의 데이터 저장소를 포함한다. 애널리틱스 모듈(1205) 및 기계 학습 모듈(1206)은 현재 공지된 기술 및 향후 공지의 알고리즘을 이용하여 데이터(1201, 1202, 1203, 1204)를 처리하여, 전체 모듈(103, 104, 105, 106) 중에서 의사결정하고 프로세스를 개선한다. 조정 모듈(1207)은 애널리틱스 모듈 및 기계 학습 모듈로부터 얻어진 결과에 근거하여 조정 커맨드를 생성한다. 그 다음, 조정 커맨드를 각각의 모듈(예를 들면 모듈(103, 104, 105 및 106) 중 어느 하나 이상)로 전송한다.
예시 실시형태에 있어서, 서드파티 시스템(1204) 유래 데이터는 링크드인, 페이스북, 트위터 등과 같은 또 다른 소셜 네트워크 유래의 것일 수 있다.
소셜 애널리틱 신시사이저 모듈(106)의 다른 예시형태를 이하에 나타낸다.
소셜 애널리틱 신시사이저 모듈(106)은, 이들에 한정되는 것은 아니지만, 액티브 리시버 모듈(103), 액티브 컴포저 모듈(104), 및 액티브 트랜스미터 모듈(105)을 포함한 하나 이상의 서브 시스템 및 모듈로부터 실시간으로 데이터를 통합하도록 설정된다. 외부 시스템 또는 서드파티 시스템이 모듈(106)과 통합될 수 있다.
소셜 애널리틱 신시사이저 모듈(106)은 "전체론적" 데이터 패턴, 상관관계 및 인사이트를 검색하는데에 기계 합습 및 애널리틱스를 적용하도록 설정된다.
소셜 애널리틱 신시사이저 모듈(106)은 애널리틱스 및 기계 학습 프로세스에 의해 결정된 패턴, 상관관계 및 인사이트를 실시간으로 피드백하도록 설정된다. 이 패드백은 모듈(103, 104, 105 및 106)로 전송되고, 이 통합된 피드백 루프는 시간 경과에 따라 각각의 모듈 및 전체 시스템(102)의 지능을 향상시킨다.
소셜 애널리틱 신시사이저 모듈(106)은 이러한 모듈의 수를 조절하도록 설정된다. 다시 말해서, 도면에는 하나의 모듈(106)이 도시되어 있지만, 패드백의 유효성 및 응답 시간을 개선하기 위해서 이러한 모듈(106)이 다수인 경우가 있을 수 있다.
소셜 애널리틱 신시사이저 모듈(106)은 약간의 인간 개입으로 또는 전혀 인간이 개입하지 않고 동작되도록 설정된다.
도 13에 의하면, 예시 컴퓨터 또는 프로세서 구현 명령은 모듈(106)에 의한 분석에 근거하여 데이터를 분석하고 또한 조정 커맨드를 제공하기 위해 제공된다. 블럭(1301)에서, 소셜 애널리틱 신시사이저 모듈은 액티브 리시버 모듈, 액티브 컴포저 모듈 및 액티브 리시버 모듈로부터 데이터를 얻고 저장한다. 애널리틱스 및 기계 학습이 데이터에 적용된다(블럭(1302)). 소셜 애널리틱 신시사이저 모듈은 액티브 리시버 모듈, 액티브 컴포저 모듈 및 액티브 트랜스미터 모듈 중 어느 하나에서 사용된 알고리즘 또는 프로세스에서 이루어질 조정을 결정한다(블록(1303)). 그 다음, 이 조정 또는 조정 커맨드는 상응하는 모듈 또는 상응하는 복수의 모듈로 전송된다(블록(1304)).
시스템 및 방법의 일반적인 예시 실시형태에 대해서 이하에 기재한다.
일반적으로, 컴퓨팅 디바이스에 의해 행해지는 소셜 데이터를 커뮤니케이션하는 방법은, 소셜 데이터를 얻는 스텝; 소셜 데이터로부터 적어도 2개의 컨셉을 얻는 스텝; 적어도 2개의 컨셉 간의 관계를 결정하는 스텝; 이 관계를 이용하여 새로운 소셜 데이터 객체를 구성하는 스텝; 새로운 소셜 데이터 객체를 송신하는 스텝; 새로운 소셜 데이터 객체와 연관된 유저 피드백을 얻는 스텝; 및 이 유저 피드백을 이용하여 조정 커맨드를 컴퓨팅하는 스텝을 포함하고, 여기서 상기 방법에 사용된 파라미터를 조정 커맨드를 실행함으로써 조정한다.
상기 방법의 양태에 있어서, 액티브 리시버 모듈은 적어도 소셜 데이터를 얻고, 이 소셜 데이터로부터 적어도 2개의 컨셉을 얻고, 적어도 2개의 컨셉 간의 관계를 결정하도록 설정되고; 액티브 컴포저 모듈은 적어도 상기 관계를 이용하여 새로원 데이터 객체를 구성하도록 설정되고; 상기 액티브 트랜스미터 모듈은 적어도 상기 새로운 소셜 데이터 객체를 전송하도록 구성되고; 또한 여기서 액티브 리시버 모듈, 액티브 컴포저 모듈 및 액티브 트랜스미터 모듈은 서로 커뮤니케이션한다.
상기 방법의 양태에 있어서, 각각의 액티브 리시버 모듈, 액티브 컴포저 모듈 및 액티브 트랜스미터 모듈은 소셜 애널리틱 신시사이저 모듈과 커뮤니케이션하고, 상기 방법은 소셜 애널리틱 신시사이저 모듈이 액티브 리시버 모듈, 액티브 컴포저 모듈 및 액티브 트랜스미터 모듈 중 적어도 하나로 조정 커맨드를 전송하는 스텝을 더 포함한다.
상기 방법의 양태에 있어서, 상기 방법은 조정 커맨드를 실행하고, 상기 방법을 반복하는 스텝을 더 포함한다.
상기 방법의 양태에 있어서, 상기 소셜 데이터는 얻는 스텝은 상기 컴퓨팅 장치가 다수의 소셜 데이터 스트림과 실시간으로 커뮤니케이션하는 스텝을 포함한다.
상기 방법의 양태에 있어서, 상기 관계를 결정하는 스텝은 기계 학습 알고리즘 또는 패턴 인식 알고리즘, 또는 둘 다를 이용하는 것을 포함한다.
상기 방법의 양태에 있어서, 상기 새로운 소셜 데이터 객체를 구성하는 스텝은 자연 언어 생성을 이용하는 것을 포함한다.
상기 방법의 양태에 있어서, 상기 방법은 새로운 소셜 데이터 객체를 송신할 소셜 커뮤니케이션 채널을 결정하고, 이 소셜 커뮤니케이션 채널을 통해 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 여기서 소셜 커뮤니케이션 채널은 적어도 2개의 컨셉 중 적어도 하나를 이용하여 결정된다.
상기 방법의 양태에 있어서, 상기 방법은 새로운 소셜 데이터 객체를 송신할 시간을 결정하고, 그 시간에 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 여기서 상기 시간은 상기 적어도 2개의 객체 중 적어도 하나를 이용하여 결정된다.
상기 방법의 양태에 있어서, 상기 방법은 새로운 소셜 데이터 객체를 송신하기 전에 새로운 소셜 데이터 객체에 데이터 트랙커를 부가하는 스텝을 더 포함하고, 여기서 데이터 트랙커는 유저 피드백의 수집을 용이하게 한다.
상기 방법의 양태에 있어서, 새로운 소셜 데이터 객체는 텍스트, 비디오, 그래픽, 오디오 데이터 또는 이들의 조합 중 어느 하나이다.
여기에 기재된 바와 같은 시스템 및 방법의 예시 실시형태의 상이한 특성은 상이한 방식으로 서로 조합될 수 있다. 다시 말하면, 구체적으로 언급하지는 않지만, 다른 예시 실시형태에 따라 상이한 모듈, 동작 및 구성 요소를 함께 사용될 수 있다.
플로우 다이어그램에 있어서의 스텝 및 동작은 예시를 위한 것일 뿐이다. 이들 스텝 또는 동작에 대해서는 본 발명의 정신을 벗어나지 않게 다수의 수정이 있을 수 있다. 예를 들면, 스텝은 다른 순서로 행해질 수 있고, 또는 스텝이 추가, 삭제 또는 변경될 수 있다.
이상에 소정의 구체적 실시형태를 참조하여 상술하였지만, 첨부되는 청구범위로부터 벗어나지 않는 범위 내에서의 각종 변경이 이루어지는 것은 당업자에 있어서 명백하다.
Claims (14)
- 소셜 데이터를 얻는 스텝;
상기 소셜 데이터로부터 유도되는 새로운 소셜 데이터 객체를 구성하는 스텝;
상기 새로운 소셜 데이터 객체를 송신하는 스텝;
새로운 소셜 데이터 객체와 연관된 유저 피드백을 얻는 스텝; 및
상기 유저 피드백을 이용하여 조정 커맨드를 컴퓨팅하는 스텝을 포함하는 컴퓨팅 디바이스에 의해 행해지는 소셜 데이터를 커뮤니케이션하기 위한 방법으로서,
상기 조정 커맨드를 실행함으로써 상기 방법에 사용되는 파라미터를 조정하는 방법. - 제 1 항에 있어서,
상기 소셜 데이터로부터 적어도 2개의 컨셉들을 유도하는 스텝; 상기 적어도 2개의 컨셉들 간의 관계를 결정하는 스텝; 및 상기 관계를 이용하여 상기 새로운 소셜 데이터 객체를 구성하는 스텝을 더 포함하는 방법. - 제 1 항에 있어서,
상기 소셜 데이터는 소셜 데이터 객체를 포함하고, 상기 새로운 소셜 데이터 객체는 상기 소셜 데이터 객체를 포함하는 방법. - 제 1 항에 있어서,
액티브 리시버 모듈은 적어도 상기 소셜 데이터를 얻도록 설정되고; 액티브 컴포저 모듈은 적어도 상기 새로운 소셜 데이터 객체를 구성하도록 설정되고; 액티브 트랜스미터 모듈은 적어도 상기 새로운 소셜 데이터 객체를 송신하도록 구성되고; 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 서로 커뮤니케이션하는 방법. - 제 4 항에 있어서,
각각의 상기 액티브 리시버 모듈, 상기 액티브 컴포저 모듈 및 상기 액티브 트랜스미터 모듈은 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 하나로 상기 조정 커맨드를 전송하는 스텝을 더 포함하는 방법. - 제 1 항에 있어서,
상기 조정 커맨드를 실행하는 스텝 및 상기 방법을 반복하는 스텝을 더 포함하는 방법. - 제 1 항에 있어서,
상기 소셜 데이터를 얻는 스텝은 상기 컴퓨팅 장치가 다수의 소셜 데이터 스트림들과 실시간으로 커뮤니케이션하는 스텝을 포함하는 방법. - 제 2 항에 있어서,
상기 관계를 결정하는 스텝은 기계 학습 알고리즘 또는 패턴 인식 알고리즘을 이용하는 스텝을 포함하는 방법. - 제 1 항에 있어서,
상기 새로운 소셜 데이터 객체를 구성하는 스텝은 자연 언어 생성을 이용하는 스텝을 포함하는 방법. - 제 1 항에 있어서,
상기 새로운 소셜 데이터 객체를 송신할 소셜 커뮤니케이션 채널을 결정하는 스텝, 및 상기 소셜 커뮤니케이션 채널을 통해 상기 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 상기 소셜 커뮤니케이션 채널은 상기 적어도 2개의 컨셉들 중 적어도 하나를 이용하여 결정되는 방법. - 제 1 항에 있어서,
상기 새로운 소셜 데이터 객체를 전송할 시간을 결정하는 스텝, 및 상기 시간에 상기 새로운 소셜 데이터 객체를 송신하는 스텝을 더 포함하고, 상기 시간은 상기 적어도 2개의 컨셉들 중 적어도 하나를 이용하여 결정되는 방법. - 제 1 항에 있어서,
상기 새로운 소셜 데이터 객체를 송신하는 스텝 전에, 상기 새로운 소셜 데이터 객체에 데이터 트랙커를 부가하는 스텝을 더 포함하고, 상기 데이터 트랙커는 상기 유저 피드백의 수집을 용이하게 하는 방법. - 제 1 항에 있어서,
새로운 소셜 데이터 객체는 텍스트, 비디오, 그래픽, 오디오 데이터 또는 이들의 조합 중 어느 하나인 방법. - 프로세서;
커뮤니케이션 장치;
메모리 장치를 포함하는 소셜 데이터를 커뮤니케이션하도록 설정된 서버 시스템으로서,
상기 메모리 장치는, 적어도
소셜 데이터를 얻고,
상기 소셜 데이터로부터 유도되는 새로운 소셜 데이터 객체를 구성하고,
상기 새로운 소셜 데이터 객체를 송신하고,
새로운 소셜 데이터 객체와 연관된 유저 피드백을 얻고, 또한
상기 유저 피드백을 이용하여 조정 커맨드를 컴퓨팅하기 위한 컴퓨터 실행가능 명령들을 포함하고,
상기 조정 커맨드를 실행함으로써 상기 컴퓨터 실행가능 명령들에 사용되는 파라미터를 조정하는 서버 시스템.
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/CA2014/050870 WO2015039230A1 (en) | 2013-09-19 | 2014-09-15 | System and method for continuous social communication |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20160059486A true KR20160059486A (ko) | 2016-05-26 |
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 (2)
| 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 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| 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)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101854912B1 (ko) * | 2018-03-07 | 2018-05-04 | 주식회사 텐디 | 어플리케이션들 사이의 연관도 분석 방법 및 어플리케이션들 사이의 연관도 분석 장치 |
Families Citing this family (105)
| 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 |
| WO2014183034A1 (en) | 2013-05-10 | 2014-11-13 | Uberfan, Llc | Event-related media management system |
| US9727752B2 (en) * | 2013-09-25 | 2017-08-08 | Kairos Social Solutions, Inc. | Device, system, and method of identifying a specific user from a profile image containing multiple people |
| US9450771B2 (en) * | 2013-11-20 | 2016-09-20 | Blab, Inc. | Determining information inter-relationships from distributed group discussions |
| US9553904B2 (en) * | 2014-03-16 | 2017-01-24 | Wochit, Inc. | Automatic pre-processing of moderation tasks for moderator-assisted generation of video clips |
| KR20150129963A (ko) * | 2014-05-12 | 2015-11-23 | 한국전자통신연구원 | 위치 타입 인식 장치 및 방법 |
| US9959364B2 (en) * | 2014-05-22 | 2018-05-01 | Oath Inc. | Content recommendations |
| US9846687B2 (en) * | 2014-07-28 | 2017-12-19 | Adp, Llc | Word cloud candidate management system |
| US9848311B1 (en) * | 2014-08-01 | 2017-12-19 | Catalyst Communications Technologies | System and method for managing communications |
| US10394898B1 (en) * | 2014-09-15 | 2019-08-27 | The Mathworks, Inc. | Methods and systems for analyzing discrete-valued datasets |
| CN106156030A (zh) * | 2014-09-18 | 2016-11-23 | 华为技术有限公司 | 社交网络中预测信息传播的方法及设备 |
| US10095797B2 (en) * | 2014-10-03 | 2018-10-09 | Salesforce.Com, Inc. | Suggesting actions for evaluating user performance in an enterprise social network |
| US10255358B2 (en) * | 2014-12-30 | 2019-04-09 | Facebook, Inc. | Systems and methods for clustering items associated with interactions |
| US9893952B2 (en) * | 2015-01-09 | 2018-02-13 | Microsoft Technology Licensing, Llc | Dynamic telemetry message profiling and adjustment |
| US9659219B2 (en) | 2015-02-18 | 2017-05-23 | Wochit Inc. | Computer-aided video production triggered by media availability |
| US9838347B2 (en) | 2015-03-11 | 2017-12-05 | Microsoft Technology Licensing, Llc | Tags in communication environments |
| US20160269341A1 (en) * | 2015-03-11 | 2016-09-15 | Microsoft Technology Licensing, Llc | Distribution of endorsement indications in communication environments |
| US20180054413A1 (en) * | 2015-03-27 | 2018-02-22 | Ent. Services Development Corporation Lp | Communication association model |
| US10564805B2 (en) * | 2015-03-30 | 2020-02-18 | Oath Inc. | Determining content sessions using content-consumption events |
| WO2016166417A1 (en) * | 2015-04-13 | 2016-10-20 | Equivalentor Oy | Method for generating natural language communication |
| US9881094B2 (en) * | 2015-05-05 | 2018-01-30 | Snap Inc. | Systems and methods for automated local story generation and curation |
| US10447622B2 (en) | 2015-05-07 | 2019-10-15 | At&T Intellectual Property I, L.P. | Identifying trending issues in organizational messaging |
| US10672029B2 (en) * | 2015-05-22 | 2020-06-02 | Facebook, Inc. | Clustering users of a social networking system based on user interactions with content items associated with a topic |
| JP6511971B2 (ja) * | 2015-06-05 | 2019-05-15 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
| US10147107B2 (en) * | 2015-06-26 | 2018-12-04 | Microsoft Technology Licensing, Llc | Social sketches |
| US20170024455A1 (en) * | 2015-07-24 | 2017-01-26 | Facebook, Inc. | Expanding mutually exclusive clusters of users of an online system clustered based on a specified dimension |
| US10985993B2 (en) * | 2015-09-16 | 2021-04-20 | Adobe Inc. | Identifying audiences that contribute to metric anomalies |
| US10169733B2 (en) | 2015-10-28 | 2019-01-01 | International Business Machines Corporation | Utilizing social performance patterns to manage and evaluate performance of user |
| US10079911B2 (en) * | 2015-12-04 | 2018-09-18 | International Business Machines Corporation | Content analysis based selection of user communities or groups of users |
| US20170161364A1 (en) * | 2015-12-07 | 2017-06-08 | International Business Machines Corporation | Generating messages using keywords |
| 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 |
| US10521415B2 (en) * | 2016-05-06 | 2019-12-31 | Facebook, Inc. | Method and system for providing weighted evaluation |
| US20170337747A1 (en) * | 2016-05-20 | 2017-11-23 | Patrick M. HULL | Systems and methods for using an avatar to market a product |
| US10943250B2 (en) * | 2016-06-17 | 2021-03-09 | International Business Machines Corporation | Technology for user engagement |
| CN109416526A (zh) * | 2016-06-23 | 2019-03-01 | 瑞典爱立信有限公司 | 通信网络的用于控制从供应网络向通信设备的服务的供应的方法和供应控制系统 |
| US10015182B1 (en) * | 2016-06-30 | 2018-07-03 | Symantec Corporation | Systems and methods for protecting computing resources |
| US10749833B2 (en) * | 2016-07-07 | 2020-08-18 | Ringcentral, Inc. | Messaging system having send-recommendation functionality |
| KR101917501B1 (ko) * | 2016-08-12 | 2018-11-09 | 명지대학교 산학협력단 | 시그니처 트리를 이용한 시퀀셜 데이터 클러스터링 방법 및 시스템 |
| US10187344B2 (en) * | 2016-10-03 | 2019-01-22 | HYP3R Inc | Social media influence of geographic locations |
| CN106780055B (zh) * | 2016-11-28 | 2020-05-22 | 西安电子科技大学 | 基于msvl社交网络用户关系强度的概率大小验证方法 |
| CN106776897B (zh) * | 2016-11-29 | 2020-04-03 | 中国农业银行股份有限公司 | 一种用户画像标签确定方法及装置 |
| US11205103B2 (en) | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
| US11580350B2 (en) | 2016-12-21 | 2023-02-14 | Microsoft Technology Licensing, Llc | Systems and methods for an emotionally intelligent chat bot |
| CN106952267B (zh) * | 2017-02-17 | 2020-04-21 | 北京航空航天大学 | 三维模型集共分割方法及装置 |
| 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 |
| US10803248B1 (en) * | 2018-01-04 | 2020-10-13 | Facebook, Inc. | Consumer insights analysis using word embeddings |
| US10685183B1 (en) * | 2018-01-04 | 2020-06-16 | Facebook, Inc. | Consumer insights analysis using word embeddings |
| US10848927B2 (en) * | 2018-01-04 | 2020-11-24 | International Business Machines Corporation | Connected interest group formation |
| US10509863B1 (en) * | 2018-01-04 | 2019-12-17 | Facebook, Inc. | Consumer insights analysis using word embeddings |
| CN108170278A (zh) * | 2018-01-09 | 2018-06-15 | 三星电子（中国）研发中心 | 沟通辅助方法及装置 |
| US11243669B2 (en) * | 2018-02-27 | 2022-02-08 | Verizon Media Inc. | Transmitting response content items |
| 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 |
| US11700356B2 (en) | 2018-10-26 | 2023-07-11 | AutoBrains Technologies Ltd. | Control transfer of a vehicle |
| US10728104B2 (en) * | 2018-11-15 | 2020-07-28 | Adobe Inc. | Time-dependent network embedding |
| US11354373B2 (en) * | 2018-12-14 | 2022-06-07 | Sisense Ltd. | System and method for efficiently querying data using temporal granularities |
| US11709686B1 (en) * | 2018-12-20 | 2023-07-25 | Snap Inc. | Media content item generation for a content sharing platform |
| US11461794B2 (en) | 2019-02-15 | 2022-10-04 | Yandex Europe Ag | Method and system for verifying accuracy of information associated with digital item |
| US11170064B2 (en) * | 2019-03-05 | 2021-11-09 | Corinne David | Method and system to filter out unwanted content from incoming social media data |
| US11868414B1 (en) * | 2019-03-14 | 2024-01-09 | Snap Inc. | Graph-based prediction for contact suggestion in a location sharing system |
| CN110059725B (zh) * | 2019-03-21 | 2021-07-09 | 中国科学院计算技术研究所 | 一种基于搜索关键词的检测恶意搜索系统及方法 |
| US11488290B2 (en) | 2019-03-31 | 2022-11-01 | Cortica Ltd. | Hybrid representation of a media unit |
| IT201900006050A1 (it) * | 2019-04-18 | 2020-10-18 | Digital Fastlane Df Gmbh | Metodo e sistema per la gestione e l’interscambio di dati |
| US20200380560A1 (en) * | 2019-05-30 | 2020-12-03 | Ncr Corporation | Automated digital advertising using behavioral intelligence |
| US11227101B2 (en) * | 2019-07-05 | 2022-01-18 | Open Text Sa Ulc | System and method for document translation in a format agnostic document viewer |
| CN110503296B (zh) * | 2019-07-08 | 2022-05-06 | 招联消费金融有限公司 | 测试方法、装置、计算机设备和存储介质 |
| US11483408B2 (en) | 2019-07-10 | 2022-10-25 | Adobe Inc. | Feature-based network embedding |
| US11544655B2 (en) | 2019-08-06 | 2023-01-03 | International Business Machines Corporation | Team effectiveness assessment and enhancement |
| CN110795660B (zh) * | 2019-09-26 | 2022-10-18 | 北京大米科技有限公司 | 数据分析方法、装置、电子设备及介质 |
| CN110737651A (zh) * | 2019-09-29 | 2020-01-31 | 武汉海昌信息技术有限公司 | 一种可还原脱敏的数据清洗及交换办法 |
| US11790251B1 (en) * | 2019-10-23 | 2023-10-17 | Architecture Technology Corporation | Systems and methods for semantically detecting synthetic driven conversations in electronic media messages |
| CN110851684B (zh) * | 2019-11-12 | 2022-10-04 | 重庆邮电大学 | 一种基于三元关联图的社交话题影响力识别方法及装置 |
| CN111125445B (zh) * | 2019-12-17 | 2023-08-15 | 北京百度网讯科技有限公司 | 社区主题生成方法、装置、电子设备及存储介质 |
| US11615444B2 (en) * | 2020-05-01 | 2023-03-28 | Meta Platforms, Inc. | Recommending that an entity in an online system create content describing an item associated with a topic having at least a threshold value of a performance metric and to add a tag describing the item to the content |
| WO2021255501A1 (en) * | 2020-06-18 | 2021-12-23 | Visa Europe Limited | Network-based calculation of affinity score from transaction data |
| TWI746244B (zh) * | 2020-11-03 | 2021-11-11 | 國立清華大學 | 社群網路中複數個目標節點之挑選方法及其系統 |
| WO2022104409A1 (en) * | 2020-11-19 | 2022-05-27 | BigTinCan Mobile Pty Ltd | Content publisher recommender |
| 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 |
| US20240144298A1 (en) * | 2022-11-02 | 2024-05-02 | Validity, Inc. | Visible mark for tracking in electronic communications |
Family Cites Families (50)
| 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 |
| EP1242899A4 (en) * | 1999-12-21 | 2006-08-30 | Yanon Volcani | SYSTEM AND METHOD FOR DETERMINING AND CONTROLLING THE INPUT OF A 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 |
| JP2009514075A (ja) * | 2005-10-28 | 2009-04-02 | テレコム・イタリア・エッセ・ピー・アー | 選択されたコンテンツアイテムをユーザーに提供する方法 |
| 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 |
| US20100088152A1 (en) * | 2008-10-02 | 2010-04-08 | Dominic Bennett | Predicting user response to advertisements |
| US9064021B2 (en) * | 2008-10-02 | 2015-06-23 | Liveramp, Inc. | Data source attribution system |
| 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 |
| US20110153377A1 (en) * | 2009-12-23 | 2011-06-23 | Victor Novikov | Mixing and Targeting Content Types/Items for Users to Promote Optimization Goals |
| US20110153423A1 (en) * | 2010-06-21 | 2011-06-23 | Jon Elvekrog | Method and system for creating user based summaries for content distribution |
| US20120150598A1 (en) * | 2010-09-02 | 2012-06-14 | Alfred William Griggs | Social retail referral control apparatuses, methods and systems |
| US20130014144A1 (en) * | 2011-07-06 | 2013-01-10 | Manish Bhatia | User impression media analytics platform methods |
| US20120166532A1 (en) * | 2010-12-23 | 2012-06-28 | Yun-Fang Juan | Contextually Relevant Affinity Prediction in a Social Networking System |
| CA3207390A1 (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 |
| WO2013119451A2 (en) * | 2012-02-08 | 2013-08-15 | Treiser Adam | Tools and methods for determining relationship 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 |
-
2014
- 2014-06-09 US US14/299,840 patent/US20150081696A1/en not_active Abandoned
- 2014-06-09 CN CN201480063429.3A patent/CN106062730A/zh active Pending
- 2014-06-09 CA CA2924375A patent/CA2924375A1/en not_active Abandoned
- 2014-06-09 WO PCT/CA2014/050533 patent/WO2015039222A1/en active Application Filing
- 2014-06-09 KR KR1020167010232A patent/KR20160055930A/ko not_active Application Discontinuation
- 2014-06-09 EP EP14845851.6A patent/EP3047390A1/en not_active Withdrawn
- 2014-07-03 US US14/323,702 patent/US20150081725A1/en not_active Abandoned
- 2014-07-03 CN CN201480063432.5A patent/CN106104512A/zh not_active Withdrawn
- 2014-07-03 EP EP14846708.7A patent/EP3047392A1/en not_active Withdrawn
- 2014-07-03 WO PCT/CA2014/050632 patent/WO2015039223A1/en active Application Filing
- 2014-07-03 CA CA2924667A patent/CA2924667A1/en not_active Abandoned
- 2014-07-03 KR KR1020167010273A patent/KR20160057475A/ko not_active Application Discontinuation
- 2014-09-15 CN CN201480063445.2A patent/CN106105096A/zh not_active Withdrawn
- 2014-09-15 KR KR1020167010246A patent/KR20160059486A/ko not_active Application Discontinuation
- 2014-09-15 WO PCT/CA2014/050870 patent/WO2015039230A1/en active Application Filing
- 2014-09-15 US US14/486,265 patent/US20150081797A1/en not_active Abandoned
- 2014-09-15 EP EP14846413.4A patent/EP3047603A1/en not_active Withdrawn
- 2014-09-15 CA CA2924406A patent/CA2924406A1/en not_active Abandoned
- 2014-09-16 WO PCT/CA2014/050881 patent/WO2015039234A1/en active Application Filing
- 2014-09-16 KR KR1020167010250A patent/KR20160058896A/ko not_active Application Discontinuation
- 2014-09-16 CN CN201480063848.7A patent/CN106105107A/zh not_active Withdrawn
- 2014-09-16 CA CA2924408A patent/CA2924408A1/en not_active Abandoned
- 2014-09-16 US US14/487,782 patent/US20150081723A1/en not_active Abandoned
- 2014-09-16 KR KR1020167010249A patent/KR20160058895A/ko not_active Application Discontinuation
- 2014-09-16 EP EP14846048.8A patent/EP3047605A1/en not_active Withdrawn
- 2014-09-16 WO PCT/CA2014/050882 patent/WO2015039235A1/en active Application Filing
- 2014-09-16 EP EP14846483.7A patent/EP3047606A1/en not_active Withdrawn
- 2014-09-16 CN CN201480063446.7A patent/CN105794154A/zh active Pending
- 2014-09-16 US US14/487,863 patent/US20150081790A1/en not_active Abandoned
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101854912B1 (ko) * | 2018-03-07 | 2018-05-04 | 주식회사 텐디 | 어플리케이션들 사이의 연관도 분석 방법 및 어플리케이션들 사이의 연관도 분석 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2924406A1 (en) | 2015-03-26 |
| KR20160058896A (ko) | 2016-05-25 |
| KR20160057475A (ko) | 2016-05-23 |
| CN106105096A (zh) | 2016-11-09 |
| US20150081723A1 (en) | 2015-03-19 |
| CN106104512A (zh) | 2016-11-09 |
| KR20160055930A (ko) | 2016-05-18 |
| CA2924408A1 (en) | 2015-03-26 |
| US20150081725A1 (en) | 2015-03-19 |
| EP3047606A1 (en) | 2016-07-27 |
| EP3047603A1 (en) | 2016-07-27 |
| WO2015039230A1 (en) | 2015-03-26 |
| WO2015039234A1 (en) | 2015-03-26 |
| EP3047392A1 (en) | 2016-07-27 |
| WO2015039222A1 (en) | 2015-03-26 |
| KR20160058895A (ko) | 2016-05-25 |
| CA2924667A1 (en) | 2015-03-26 |
| EP3047390A1 (en) | 2016-07-27 |
| CN106105107A (zh) | 2016-11-09 |
| WO2015039235A1 (en) | 2015-03-26 |
| US20150081790A1 (en) | 2015-03-19 |
| CA2924375A1 (en) | 2015-03-26 |
| US20150081797A1 (en) | 2015-03-19 |
| WO2015039223A1 (en) | 2015-03-26 |
| CN105794154A (zh) | 2016-07-20 |
| EP3047605A1 (en) | 2016-07-27 |
| CN106062730A (zh) | 2016-10-26 |
| US20150081696A1 (en) | 2015-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20160059486A (ko) | 연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법 | |
| US10832008B2 (en) | Computerized system and method for automatically transforming and providing domain specific chatbot responses | |
| Goel et al. | Real time sentiment analysis of tweets using Naive Bayes | |
| US20160071162A1 (en) | Systems and Methods for Continuous Analysis and Procurement of Advertisement Campaigns | |
| US9830404B2 (en) | Analyzing language dependency structures | |
| CN111507097A (zh) | 一种标题文本处理方法、装置、电子设备及存储介质 | |
| US20140025496A1 (en) | Social content distribution network | |
| EP3905177A1 (en) | Recommending that an entity in an online system create content describing an item associated with a topic having at least a threshold value of a performance metric and to add a tag describing the item to the content | |
| Zou et al. | Exploring user engagement strategies and their impacts with social media mining: the case of public libraries | |
| Hosseini et al. | Recognizing users gender in social media using linguistic features | |
| Zhu et al. | Real-time personalized twitter search based on semantic expansion and quality model | |
| Liu et al. | SocialRobot: a big data-driven humanoid intelligent system in social media services | |
| CA2924446A1 (en) | System and method for analyzing and transmitting social communication data | |
| Phan et al. | Tweet Integration by Finding the Shortest Paths on a Word Graph | |
| Rodríguez Vidal | Authority and priority signals in Online Reputation Monitoring | |
| Wang et al. | Domain-specific recommendation by matching real authors to social media users | |
| WO2015042482A1 (en) | Social content distribution network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| WITN | Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid |