KR20190115299A - 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법 및 서버 - Google Patents

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하기 위한 방법이 개시된다. 복수의 사용자의 SNS(Social Networking Service)정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하는 단계; 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하는 단계; 및 복수의 사용자 중 선택된 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계 정보를 매칭 적합도 판단 모델로 처리하여 상기 그룹 사용자 사이의 매칭 적합도를 생성하는 단계;를 포함할 수 있다.

Description

복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법 및 서버{A METHOD AND SERVER FOR PROVIDING A SERVICE FOR DETERMINING MATCHING FITNESS OF USERS}

본 개시는 매칭 서비스에 관한 것으로서, 보다 구체적으로, 복수의 사용자 간의 매칭 적합도를 판별하는 서비스를 제공하는 방법에 관한 것이다.

오늘날 사람들은 경제적, 정치적, 법률적, 도덕적, 기타 풍습 등 여러가지 사회적 관계 안에서 지속적인 상호 작용을 맺으며 생활한다. 이러한, 사회적 관계속에 존재하는 사람들은 개개인마다 다른 특성을 가지고 있다. 좋은 사회적 관계를 유지하기 위해서는 개개인의 성향이 서로에게 잘 맞는 것이 중요하며, 사회적 관계에 포함되는 다수의 사람들의 성향에 대한 적합도가 높으면 사회적 관계속에서 좋은 영향을 미칠 수 있다.

이에 따라, 사회적 관계속에서 구성원 사이의 적합도를 판별하기 위하여 사용자들 각각의 심리검사를 수행하고, 심리검사결과정보를 비교하여 다양한 해석기능을 제공하는 발명이 존재한다.

하지만, 종래의 기술은 사용자가 직접 심리검사를 수행하는데 시간이 소요되며, 자신의 평가에 대하여 주관적이기 때문에 사람의 성격특성에 따라 검사 결과가 왜곡될 우려가 있다.

따라서, 당업계에는 사용자들의 객관화된 정보를 보다 용이하게 수집하고, 신뢰성 있는 사용자의 성향 분석을 통해 다자간 성향 적합도를 판별해주는 시스템의 수요가 존재한다.

KR 10-2014-0053749

본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 사용자들 사이의 매칭 적합도를 판별해주는 서비스를 제공하기 위한 것이다.

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법으로서, 복수의 사용자의 SNS(Social Networking Service)정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하는 단계; 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하는 단계; 및 복수의 사용자 중 선택된 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계 정보를 매칭 적합도 판단 모델로 처리하여 상기 그룹 사용자 사이의 매칭 적합도를 생성하는 단계;를 포함할 수 있다.

대안적으로, 상기 SNS정보는, 상기 복수의 사용자와 연관된 프로필(profile), 피드(feed), 코멘트(comment), 프랜드(friends), 라이크(like), 팔로우(follow), 앨범 정보 및 이미지 정보 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 복수의 사용자의 SNS정보를 분석하여 각각의 사용자의 성향 정보를 각각의 사용자 별로 도출하는 단계는: SNS정보를 자연어 처리 및 이미지 콘텐츠 분석 중 적어도 하나의 방식으로 분석하는 단계;를 포함할 수 있다.

대안적으로, 상기 자연어 처리는, 상기 SNS정보의 텍스트에 대하여 명사 및 형용사를 도출하며, 문맥을 분석하여 사용자의 감정을 도출하고, 그리고 문장의 대표 단어를 추출하여 주제를 도출할 수 있다.

대안적으로, 상기 이미지 콘텐츠 분석은, 상기 SNS정보의 이미지에 대하여 장소 인식, 얼굴 인식, 표정 인식 및 특정 사물 인식을 수행하고 그리고, 상기 장소 인식을 통한 위치 분석, 상기 얼굴 인식을 통해 인물의 숫자 카운팅, 인물에 표정 인식을 통한 해당 인물의 감정 분석 및 해당 사물의 브랜드 판단을 통한 이미지 분석 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 성향 정보는, 성격 특성 정보, 니즈(Needs) 정보, 가치(Value) 정보, 및 취향 정보 중 적어도 하나를 포함하며, 지수 형태 및 T/F 형태 중 적어도 하나의 형태로 도출되는 것을 특징으로 할 수 있다.

대안적으로, 상기 성격 특성 정보는, 개방성, 성실성, 외향성, 친화성 및 감정기복에 대한 정보를 포함할 수 있다.

대안적으로, 상기 학습된 평가 모델은, 인공 신경망(Artificial Neural Network)으로 구성되며, 지도학습 방법을 통해 학습되는 것을 특징으로 할 수 있다.

대안적으로, 상기 지도학습 방법은, 상기 복수의 사용자에 대한 설문조사 결과를 통해 학습용 평가 정보를 각각의 사용자별로 도출하는 단계; 상기 도출된 학습용 평가 정보를 학습용 성향 정보에 라벨링(Labeling)하는 단계; 상기 인공 신경망에서 출력된 상기 학습용 성향 정보에 대한 출력과 상기 학습용 평가 정보를 비교하여 오차를 도출하는 단계; 및 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 단계;를 포함할 수 있다.

대안적으로, 상기 설문 조사는, 복수의 사용자의 지인들을 대상으로 하고, 그리고 복수의 사용자 각각의 평가를 도출하기 위한 질문 텍스트로 구성될 수 있다.

대안적으로, 상기 사회관계 정보는, 복수의 사용자간의 형성될 수 있는 모든 종류의 인간관계에 대한 정보를 포함할 수 있다.

대안적으로, 상기 매칭 적합도는, 매칭률 정보 및 매칭 적합도에 따른 코멘트 정보 중 적어도 하나를 포함하여 사용자에게 제공될 수 있다.

본 개시의 다른 일 실시예에서, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버가 개시된다. 상기 서버는 하나 이상의 코어를 포함하는 프로세서; 및 상기 프로세서에 실행가능한 프로그램 코드들을 저장하는 메모리;를 포함하고, 상기 프로세서는, 복수의 사용자의 SNS정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하는 성향 정보 관리 모듈; 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하는 평가 정보 관리 모듈; 그리고 복수의 사용자 중 선택된 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계 정보를 매칭 적합도 판단 모델로 처리하여 상기 그룹 사용자 사이의 매칭 적합도를 생성하는 매칭 적합도 관리 모듈;을 포함할 수 있다.

본 개시의 또 다른 일 실시예에서, 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 건강에 관련된 수치를 예측하기 위한 이하의 단계들을 수행하도록 하며, 상기 단계들은: 복수의 사용자의 SNS(Social Networking Service)정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하는 단계; 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하는 단계; 및 복수의 사용자 중 선택된 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계 정보를 매칭 적합도 판단 모델로 처리하여 상기 그룹 사용자 사이의 매칭 적합도를 생성하는 단계;를 포함할 수 있다.

본 개시는 사용자들 사이의 매칭 적합도를 판별해주는 서비스를 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 접합도를 판별하는 서버를 나타낸 개념도이다.
도 2는 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하는 서버의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 학습된 평가 모델을 구성하는 인공 신경망의 구성도를 도시한다.
도 4는 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하기 위한 방법의 순서도이다.
도 5a는 본 개시의 일 실시예와 관련된 2명의 사용자의 매칭 적합도를 판별하는 과정을 도시한 예시도이다.
도 5b는 본 개시의 일 실시예와 관련된 직장 상사와 부하관계에 기초하여 각각의 사용자의 평가에 따른 적합도를 나타낸 예시도이다.
도 6은 본 개시의 일 실시예와 관련된 지도학습 방법의 순서도이다.
도 7은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 수단을 도시한 순서도이다.
도 8은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 모듈을 도시한 순서도이다.
도 9는 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 로직을 도시한 순서도이다.
도 10은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 회로를 도시한 순서도이다.
도 11은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정, 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 접합도를 판별하는 서비스를 제공하는 서버(100)를 나타낸 개념도이다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는, 네트워크 및 사용자 단말은 무선 및/또는 유선을 통한 상호 연결을 통해 정보를 전송할 수 있고, 그리고 수신 받을 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 다자간 매칭 적합도를 판별할 수 있다. 구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS정보를 수집 및 분석하여 복수의 사용자 각각의 성향 정보를 도출할 수 있다. 상기 복수의 사용자로부터 수집되는 SNS정보는 복수의 사용자가 자신의 SNS계정을 통해 게시한 모든 종류의 텍스트 정보 및 이미지 정보를 포함할 수 있다. 상기 SNS정보는 예를 들어, 복수의 사용자와 연관된 프로필(profile), 피드(feed), 코멘트(comment), 프렌드(friends), 라이크(like), 팔로우(follow), 앨범 정보 및 이미지 정보 중 적어도 하나의 정보일 수 있으며, 본 개시는 이에 제한되지 않는다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 상기 수집된 SNS정보를 분석하여 복수의 사용자 각각의 성향 정보를 도출할 수 있다. 상기 복수의 사용자 각각으로부터 도출되는 성향 정보는 복수의 사용자의 SNS정보를 통해 분석된 사용자의 성격 요소(예를 들어, 성격 특성 정보, 니즈 정보, 가치 정보 및 취향 정보 등)들을 지수 형태 및 True/False 형태 중 적어도 하나의 형태로 나타낸 정보일 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자로부터 도출된 성향 정보를 학습된 평가 모델에 입력하여 복수의 사용자 각각에 대한 평가 정보를 생성할 수 있다. 상기 복수의 사용자 각각에 대한 평가 정보는 복수의 사용자에 대한 사회적인 평가에 관련한 정보를 포함하며, 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보를 포함할 수 있다. 즉, 복수의 사용자의 매칭 적합도(530)를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS정보로부터 도출된 성향 정보를 통해 복수의 사용자 각각의 평가 정보를 생성할 수 있다. 또한, 서버(100)는 복수의 사용자 사이의 형성될 수 있는 모든 종류의 인간관계(예를 들어, 연인 관계, 직장 동료 관계, 고부 관계 등) 또는 사물과의 관계에 대한 정보를 나타내는 사회관계 정보 및 상기 생성된 평가 정보에 기초하여 매칭 적합도 판단 알고리즘을 통해 복수의 사용자 사이의 매칭 적합도(530)를 제공할 수 있다. 매칭 적합도(530)는 복수의 사용자 각각에 관한 정보(예를 들어, 성향 정보, 평가 정보 등)와 상기 복수의 사용자 사이의 사전결정된 관계에 기초하여 결정되는 복수의 사용자 사이의 사전결정된 관계의 적합성에 관련한 정보를 포함할 수 있다. 즉, 특정 사회적 관계에서(예를 들어, 상사와 부하직원 사이 등) 매칭 적합도(530)가 높은 두 사용자가 존재하는 경우, 이 사용자들은 해당 사회적 관계에 있을 경우, 서로 편안함을 느낄 수 있고 시너지를 발생시킬 수도 있다. 매칭 적합도(530)는 여러 사용자가 사전결정된 사회적 관계에 있을 경우에 사용자들 사이의 매칭의 정도를 예측하기 위한 정보를 포함할 수 있다. 상기 매칭 적합도 판단 알고리즘은 사회통념적으로 알려진 사회관계에 대한 연구결과 및 사회심리학에 기초하여 생성된 사전 결정된 알고리즘으로, 복수의 사용자 중 그룹화된 사용자들의 사회관계 및 평가정보에 기초하여 상기 그룹화된 사용자들 사이의 적합도 정보를 제공할 수 있다. 따라서, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS로부터 상기 복수의 사용자와 관련된 정보를 수집하여 분석하고, 그리고 SNS정보를 통해 신뢰성 있는 사용자의 성향 분석을 통해 다자간 성향 적합도에 관한 정보를 사용자에게 제공할 수 있다.

도 2는 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하는 서버의 블록 구성도를 도시한다.

도 2에 도시된 복수의 사용자의 매칭 적합도를 판별하는 서버(100)의 컴포넌트들은 예시적인 것이다. 상기 컴포넌트 중 일부만이 복수의 사용자의 매칭 적합도를 판별하는 서버(100)를 구성할 수 도 있다. 또한, 상기 컴포넌트 이외에 추가적인 컴포넌트(들)가 상기 복수의 사용자의 매칭 적합도를 판별하는 서버(100)에 포함될 수 있다.

도 2에 도시된 바와 같이 복수의 사용자의 매칭 적합도를 판별하는 서버(100)는, 네트워크부(110), 성향 정보 관리 모듈(120), 평가 정보 관리 모듈(130) 및 매칭 적합도 관리 모듈(140)을 포함할 수 있다.

본 개시의 일 실시예에 따르면, 네트워크부(110)는 서버(100) 및 사용자 단말(200) 중 적어도 하나로부터 정보(예를 들어, 사용자의 SNS정보, 성향 정보, 평가 정보, 설문 조사에 대한 질문 및 답변 정보 및 매칭 적합도 등)들을 전송할 수 있고, 그리고 수신 받을 수 있다. 보다 구체적으로, 네트워크부(110)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.

또한, 네트워크부(110)는 근거리 통신 모듈을 포함하여, 사용자 단말(200)과 비교적 근거리에 위치하고 근거리 통신 모듈을 포함한 전자 장치와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.

본 개시의 일 실시예에 따르면, 성향 정보 관리 모듈(120)은 복수의 사용자의 SNS정보를 분석하여 성향 정보를 각각의 사용자 별로 도출할 수 있다. 이때, 상기 복수의 사용자로부터 각각 도출되는 성향 정보는 복수의 사용자의 SNS정보를 통해 분석된 사용자의 성격 요소들을 지수 형태 및 True/False 형태 중 적어도 하나의 형태로 나타낸 정보일 수 있다. 구체적으로, 성향 정보는 성향 특성 정보, 니즈 정보, 가치 정보 및 취향 정보 중 적어도 하나를 포함할 수 있으며, 상기 성향 특성 정보는 개방성, 성실성, 외향성, 친화성 및 감정기복에 관한 정보를 포함할 수 있다. 상술한 성향 정보에 포함되는 정보들은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

성향 정보 관리 모듈(120)은 복수의 사용자의 SNS활동에 대한 각 사용자별 SNS정보를 수집할 수 있다. 이때, SNS정보는 복수의 사용자가 자신의 SNS계정을 통해 게시한 모든 종류의 텍스트 정보 및 이미지 정보를 포함할 수 있다. 상기 SNS정보는 예를 들어, 복수의 사용자와 연관된 프로필(profile), 피드(feed), 코멘트(comment), 프렌드(friends), 라이크(like), 팔로우(follow), 앨범 정보 및 이미지 정보 중 적어도 하나를 포함할 수 있으며, 본 개시는 이에 제한되지 않는다.

또한, 성향 정보 관리 모듈(120)은 복수의 사용자로부터 각각 수집한 SNS정보를 분석하여 복수의 사용자 각각의 성향을 도출해낼 수 있다. 이때, 성향 정보 관리 모듈(120)이 SNS정보를 분석하는 방법은 자연어 처리 및 이미지 콘텐츠 분석 중 적어도 하나의 방법일 수 있다.

성향 정보 관리 모듈(120)의 자연어 처리를 통한 분석 방법은, 복수의 사용자의 SNS정보 중 텍스트 언어에 대한 분석일 수 있다. 구체적으로, 성향 정보 관리 모듈(120)은 자연어 처리를 수행하여 복수의 사용자의 SNS활동에 연관된 텍스트를 분석하여 SNS의 분위기를 파악할 수 있다. 상기 SNS활동에 연관된 텍스트는 복수의 사용자가 자신의 SNS를 통해 게시한 모든 종류의 텍스트 문자(예를 들어, 게시글, 피드, 댓글 등)를 포함할 수 있다. 자세히 설명하면, 성향 정보 관리 모듈(120)은 자연어 처리를 수행하여 토큰과 구문을 추출하고, 품사를 식별하며 각 구문의 종속 항목 파싱 트리를 만들어 구문 분석을 수행할 수 있다. 또한, 성향 정보 관리 모듈(120)은 자연어 처리를 수행하여 단어들을 어감에 따라 텍스트 블록으로 분류하고, 텍스트 블록 내에 있는 항목에 대한 언급별로 감정을 파악하여 항목 감정 분석을 수행할 수 있다. 또한, 성향 정보 관리 모듈(120)은 자연어 처리를 수행하여 텍스트에서 항목을 식별하고 인물, 조직, 위치, 이벤트, 제품, 미디어와 같은 유형으로 라벨을 지정하여 항목을 분석할 수 있다. 또한, 성향 정보 관리 모듈(120)이 수행하는 자연어 처리는 텍스트 블록에 표현된 전반적인 감정을 파악할 수 있다.

본 개시의 일 실시예에 따르면, 성향 정보 관리 모듈(120)은 자연어 처리를 통해 복수의 사용자와 연관된 SNS정보의 텍스트에 대한 문맥을 분석하여 사용자의 감정을 도출하고, 그리고 문장의 대표 단어를 추출하여 텍스트에 대한 주제를 도출할 수 있다. 예를 들어, 사용자가 자신의 SNS에 ““파리의 에펠탑에서 행복한 시간””이라는 텍스트를 게시한 경우, 성향 정보 관리 모듈(120)은 상기의 글에서 대표 단어인 '파리', '에펠탑' 등을 추출하여 텍스트에 대한 주제를 도출할 수 있으며, 문맥을 분석하여 사용자의 감정이 '행복함' 임을 판단할 수 있다.

본 개시의 다른 일 실시예에 따르면, 성향 정보 관리 모듈(120)은 이미지 콘텐츠 분석을 수행하여 복수의 사용자의 SNS정보 중 이미지에 대한 정보를 분석할 수 있다. 성향 정보 관리 모듈(120)은 이미지 콘텐츠 분석을 수행하여 수천 가지의 카테고리(예를 들어, 범선, 사자, 에펠탑, 꽃, 교통수단 등)로 빠르게 이미지를 분류하고, 이미지 속에 개별 객체와 얼굴을 감지하고, 이미지에 인쇄된 단어를 판독할 수 있다. 또한, 성향 정보 관리 모듈(120)은 이미지 콘텐츠 분석을 수행하여 장소 인식을 통한 위치 분석, 얼굴 인식을 통한 인물의 숫자 카운팅, 인물에 표정 인식을 통한 인물의 감정 분석 및 해당 사물의 브랜드 판단을 통한 선호/비선호 브랜드 판단 중 적어도 하나의 분석을 수행할 수 있다. 또한, 이미지 콘텐츠 분석은 이미지 검색을 활용하여 유명인, 로고, 뉴스 이벤트와 같은 주제별 항목을 찾아낼 수 있다. 상술한 성향 정보 관리 모듈(120)에서 수행하는 이미지 콘텐츠 분석을 통한 분석 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 성향 정보 관리 모듈(120)은 Google Cloud Platform의 National Language API, Vision API 및 IBM Watson의 Personality Insights 중 적어도 하나의 플랫폼을 이용하여 SNS 정보를 분석할 수도 있다. 또한, 성향 정보 관리 모듈(120)은 사용자의 성향 정보를 지수 형태 및 True/False 형태 중 적어도 하나의 형태로 도출할 수 있다.

본 개시의 일 실시예에 따르면, 평가 정보 관리 모듈(130)은, 학습 데이터 생성부(131), 라벨링부(132), 학습부(133) 및 평가 정보 생성부(134)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 평가 정보 관리 모듈(130)은 SNS분석을 통해 도출된 복수의 사용자의 성향 정보를 학습된 평가 정보 생성부(134)로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성할 수 있다. 상기, 평가 정보 생성부(134)는 인공 신경망(Artificial Neural Network)으로 구성될 수 있다. 평가 정보 생성부(134)를 구성하는 인공 신경망(300)은 복수의 사용자 각각의 성향 정보를 입력으로 하여, 복수의 사용자 각각의 평가 정보를 출력할 수 있다.

본 개시의 일 실시예에 따르면, 학습 데이터 생성부(131)는 평가 정보 생성부(134)를 구성하는 인공 신경망(300)을 학습시키기 위한 학습 데이터를 생성할 수 있다. 상기 평가 정보 생성부(134)를 구성하는 인공 신경망(300)을 통해 복수의 사용자 각각에 대한 사회적인 평가에 관련한 정보 및 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보를 포함하는 평가 정보를 생성할 수 있다.

또한, 학습 데이터 생성부(131)는 학습용 입력 데이터 및 학습용 라벨 데이터를 포함할 수 있다. 이때, 상기 학습용 입력 데이터는 인공 신경망(300)을 학습시키기 위해 인공 신경망(300)의 입력으로 처리되는 학습용 성향정보일 수 있다. 또한, 상기 학습용 라벨 데이터는 인공 신경망(300)을 학습시키기 위해 인공 신경망(300)의 출력에 라벨(Label)되는 학습용 평가 정보일 수 있다. 이때, 상기 학습용 평가 정보는 복수의 사용자 각각에 대한 사회적인 평가에 관련한 정보 및 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 학습 데이터 생성부(131)는 설문조사의 결과를 통해 복수의 사용자 각각에 대한 학습용 평가 정보를 생성할 수 있다. 구체적으로, 학습 데이터 생성부(131)는 학습용 평가 정보를 도출하기 위한 설문조사를 생성할 수 있고, 그리고 복수의 사용자의 지인들을 대상으로 상기 생성된 설문조사를 수행할 수 있다. 이때, 복수의 사용자의 지인들을 대상으로 수행하는 설문조사는 온라인 방식으로 수행될 수 있다. 예를 들어, 설문조사를 수행하는 방식은 복수의 사용자 중 특정 사용자의 지인들의 단말로 설문조사를 전송하고 그에 따른 결과를 수신 받고, 그리고 상기 수신 받은 복수의 설문조사 결과를 취합하는 방식일 수 있다. 다른 예를 들어, 설문조사를 수행하는 방식은 복수의 사용자의 SNS에 설문조사를 개시하고, 그리고 복수의 사용자의 지인들로부터 결과를 수신 받아 취합하는 방식일 수 있다. 상기 수행된 설문조사의 결과를 수신 받아 취합함으로써 학습용 평가 정보가 생성될 수 있다. 상술한 온라인 설문조사 방식은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 설문조사를 통해 보다 신뢰성있는 학습용 평가 정보를 생성하기 위해서는 특정 사용자의 다수의 지인으로부터의 답변을 필요로 할 수 있다. 구체적으로, 학습 데이터 생성부(131)는 특정 사용자의 다수의 지인들이 소지한 사용자 단말을 대상으로 온라인 설문조사를 실행하고, 그리고 다수의 지인들이 소지한 사용자 단말로부터 설문조사 결과를 취합하여 보다 다양하고 정확한 학습용 평가 정보를 생성할 수 있다.

또한, 설문조사는 복수의 사용자 각각에 대한 평가 정보를 도출하기 위한 질문 텍스트로 구성될 수 있다. 예를 들어, 복수의 사용자의 지인으로부터 특정 사용자에 대한 ““특정 사용자는 똑똑합니까?”” 또는 ““특정 사용자는 멍청합니까?”” 라는 질문의 특정 사용자의 지인으로부터의 답변을 통해 사용자에 대한 학습용 평가 정보를 획득할 수 있다. 상술한 설문조사의 구성, 설문조사를 수행하는 대상, 설문조사를 수행하는 방식 및 설문조사의 내용은 예시일 뿐, 본 개시는 이에 제한 되지 않는다.

본 개시의 일 실시예에 따르면, 라벨링부(132)는 지도 학습을 위하여 학습용 입력 데이터와 학습용 입력 데이터의 라벨(즉, 학습용 평가 정보)을 매칭 시킬 수 있다. 이때, 상기 학습용 입력 데이터는 학습용 성향 정보를 포함할 수 있다. 즉, 라벨링부(132)는 학습 데이터 생성부(131)에서 특정 사용자의 지인들에게 설문조사를 수행하여 도출된 학습용 평가 정보를 학습용 성향 정보에 매칭시킬 수 있다. 구체적으로, 라벨링부(132)는 학습용 성향 정보에 대응하는 사용자의 학습용 평가 정보를 각각 매칭시킬 수 있다.

본 개시의 일 실시예에 따르면, 학습부(133)는 학습용 성향 정보를 평가 정보 생성부(134)의 인공 신경망(300)에 입력시켜 상기 인공 신경망(300)에서 출력된 학습용 성향 정보에 대한 평가 정보 생성부의 출력과 학습용 평가 정보(즉, 라벨)를 비교하여 오차를 도출할 수 있다. 또한, 학습부(133)는 상기 비교결과 도출된 오차를 인공 신경망(300)에 역전파하여 상기 인공 신경망(300)의 가중치를 업데이트하여 평가 정보 생성부(134)를 학습시킬 수 있다. 본 개시에서 인공 신경망(300)은 RNN(Recurrent Neural Network)으로 구성될 수 있으며, RNN 중 장기 기억 문제가 해결된 LSTM(Long Short Term Memory)으로 구성될 수도 있다. 상술한 인공 신경망(300)에 대한 구성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

학습부(133)는 인공 신경망(300)을 학습하기 위한 학습 에포크(epoch)가 사전결정된 에포크 이하인 경우, 상기 인공 신경망(300)의 학습률(learning rate)를 사전결정된 수치 이상으로 설정하고, 상기 인공 신경망(300)을 학습하기 위한 학습 에포크가 사전결정된 에포크 이상인 경우, 상기 인공 신경망(300)의 학습률을 사전결정된 수치 이하로 설정할 수 있다. 예를 들어, 학습부(133)는 인공 신경망(300)을 학습 시키기 위해서 초기 10만회의 에포크에서는 0.8의 학습률을 설정하여 초기 학습 속도를 빠르게 하여 인공 신경망 모델의 유효성을 검증하고, 10만회 이상의 에포크에 대해서는 0.2의 학습률을 설정하여 학습 결과를 정교하게 조정할 수 있다.

학습부(133)는 학습용 평가 정보를 이용한 평가 정보 생성부(134)의 인공 신경망(300)에 딥러닝(deep learning)을 수행하여 평가 모델을 생성할 수 있다. 학습부(133)는 평가 정보 생성부(134)를 구성하는 인공 신경망(300)을 이용하여 평가 정보 생성부(134)가 평가 정보 예측 값을 출력하도록 학습시킬 수 있다. 또한, 학습부(133)는 학습용 성향 정보를 평가 정보 생성부(134)에 입력시킬 수 있다. 학습부(133)는 평가 정보 생성부(134)에서 출력된 평가 정보에 대한 출력과 학습용 평가 정보를 비교하여 오차를 도출하고, 도출된 오차를 평가 정보 생성부(134)에 역전파하여 가중치를 업데이트할 수 있다. 상술한 과정을 통해 평가 정보 생성부(134) 학습용 평가 정보에 상응하는 값을 출력하도록 학습될 수 있다.

본 개시의 일 실시예에 따르면, 평가 정보 생성부(134)는 복수의 사용자 각각에 대한 평가 정보를 생성할 수 있다. 이때, 상기 생성된 평가 정보는, 복수의 사용자에 대한 사회적인 평가에 관련한 정보를 포함하며, 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보일 수 있다. 예를 들어, 똑똑한, 멍청한, 게으른, 부지런한, 진보적인, 보수적인, 긍정적인, 부정적인 등을 포함할 수 있으며, 본 개시는 이에 제한되지 않는다.

또한, 평가 정보 생성부(134)는 복수의 사용자 각각의 성향 정보를 입력으로 하여 상기 복수의 사용자 각각에 대한 평가 정보를 생성할 수 있다. 구체적으로, 평가 정보 생성부(134)는 복수의 사용자의 SNS정보를 자연어 처리 및 이미지 콘텐츠 분석 중 적어도 하나의 방식으로 도출한 복수의 사용자 각각의 성향 정보를 입력 받아 상기 복수의 사용자 각각에 대한 평가 정보를 출력할 수 있다. 예를 들어, 복수의 사용자 중 특정 사용자의 지수화한 성향 정보 중 '지력', '도전', '자주 독서할 수 있음', '실용성' 등의 지수값이 높은 경우, 특정 사용자의 평가 정보는 ““똑똑하고 부지런한”” 과 같이 생성될 수 있다. 다른 예를 들어, 복수의 사용자 중 특정 사용자의 지수화한 성향 정보 중 '우울한', '극단적인', '쾌락주의', '자의식이 강한' 등의 지수값이 높은 경우, 특정 사용자의 평가 정보는 ““멍청하고 게으른””과 같이 생성될 수 있다. 보다 자세히 설명하면, 평가 정보 생성부(134)는 인공 신경망(300)을 포함하여 구성될 수 있다. 상기 인공 신경망(300)은 학습부(133)로부터 평가정보를 도출하도록 학습이 되어있으므로, 상기 인공 신경망(300)에 복수의 사용자 중 특정 사용자의 성향 정보를 입력하는 경우, 히든 레이어의 가중치를 통해 출력 노드 각각에 스코어 값이 출력될 수 있다. 이때, 출력 노드 각각에 출력된 스코어 값 중 높은 스코어 값을 가지는 출력 노드가 선택될 수 있다. 여기서 각각의 출력 노드는 각각의 평가 정보와 매핑 될 수 있다. 즉, 학습된 인공신경망에 히든레이어의 각 계층의 가중치들에 의해 각 출력 노드는 상이한 스코어 값을 출력할 수 있고, 그리고 상기 출력된 스코어 값들의 비교를 통해 출력 노드를 선택하고, 선택된 출력 노드에 매핑된 평가 정보에 따라 특정 사용자의 평가정보가 생성될 수 있다. 상술한 성향 정보를 입력하여 평가 정보를 출력하는 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 매칭 적합도 관리 모듈(140)은 복수의 사용자 각각의 평가 정보 및 상기 복수의 사용자 사이의 사회관계 정보를 통해 매칭 적합도를 생성할 수 있다. 구체적으로, 매칭 적합도 관리 모듈(140)은 선택된 그룹내의 복수의 사용자 각각의 평가 정보 및 상기 복수의 사용자의 사회관계에 기초하여 상기 복수의 사용자에 대한 매칭 적합도를 출력할 수 있다. 상기 사회관계는 복수의 사용자 사이의 형성될 수 있는 모든 종류의 인간관계 및 사물과의 관계에 대한 정보를 포함할 수 있다. 예를 들어, 직장 동료 관계, 남녀 관계, 고부 관계, 특정 직업, 특정 물건, 특정 영화 및 특정 스포츠 등을 포함할 수 있으며, 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 매칭 적합도 관리 모듈(140)은 복수의 사용자 각각의 평가 정보 및 사회관계 정보에 기초하여 복수의 사용자 사이의 매칭 적합도를 생성할 수 있다. 예를 들어, 도 5a에 도시된 바와 같이, 직장 관계의 두명의 사용자들에 대한 매칭 적합도(530)를 생성하는 경우, 매칭 적합도 관리 모듈(140)은 사용자 A(501)의 제 1 평가 정보(520) 및 사용자 B(502)의 제 2 평가 정보(521)를 입력 받고, 그리고 사용자 A(501)와 사용자 B(502)의 선택된 사회관계인 직장 관계에 대한 매칭 적합도(530)를 생성할 수 있다. 또한, 매칭 적합도 관리 모듈(140)은 사용자와 특정 스포츠를 입력(예를 들어, 야구, 축구, 농구 등)하고, 그리고 사회관계를 스포츠로 입력한 경우, 사용자와 특정 스포츠 사이의 매칭 적합도(530)를 생성할 수 있다. 상술한 매칭 적합도 생성 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 매칭 적합도 관리 모듈(140)은 다자간 매칭 적합도를 생성할 수 있다. 자세히 설명하면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 도 5a에 도시된 바와 같이 두명의 사용자에 대한 매칭 적합도 뿐만 아니라, 3이상의 인원에 대한 매칭 적합도를 판별할 수 있다. 예를 들어, 3명의 직장 동료의 매칭 적합도를 판별하는 경우, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 상기 3명의 사용자 각각의 평가 정보 및 사회관계 정보(직장 동료)를 입력 받아 3명의 직장 동료에 대한 매칭 적합도를 판단할 수 있다. 상술한 다자간 매칭 적합도 판별은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 3은 본 개시의 일 실시예와 관련된 학습된 평가 모델을 구성하는 인공 신경망의 구성도를 도시한다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuroun)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

도 3에 도시된 바와 같이, 신경망은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 도 2 의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

본 개시의 일 실시예에서 데이터의 처리가 가능하도록 신경망은 MLP(multilayer Perceptron), RNN(recurrent neural network), CNN(Convolutional Neural Network) 등을 포함할 수 있다. 또한 본 개시의 일 실시예에서 이벤트의 길이가 길어짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 본 개시의 신경망은 LSTM(long short-term memory)을 포함할 수 있다. 또한, 본 개시의 일 실시예에서 인공신경망 방법의 최적화 기법으로 확률적 경사하강법(SGD), 모멘텀(Momentum), Adam, AdaGrad, RMSprop 등을 사용할 수 있다. 또한, 학습 데이터 D를 한 번만 학습할 수도 있으면 여러 번 반복적인 에폭(epoch)을 통하여 오차함수를 최소화시킨 파라미터들을 구할 수도 있으며, 충분한 최적화가 이루어졌는지 검사한 후에 학습 단계를 마칠지 여부를 결정할 수 있다.

RNN은 일반적인 피드포워드 신경망과 달리 히든 레이어의 출력이 다시 같은 히든 레이어의 입력이 될 수 있다. RNN은 현재 입력된 입력 데이터와 과거에 입력 받았던 데이터를 동시에 고려하여 연산하며, 피드백 구조를 가짐으로써 기억 능력을 가지는 신경망이다. 따라서, RNN은 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 훈련될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 일 실시예에서 신경망은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 데이터를 처리할 수 있는 임의의 신경망을 포함할 수 있다.

도 3에 도시된 인공 신경망(300)은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다. 인공신경망 중 RNN에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허출원 US15/233083(출원일: 2016년08월10일) 및 US14/810368(출원일: 2015년07월27일)에서 보다 구체적으로 논의된다.

도 4는 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하기 위한 방법의 순서도이다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자에 대한 매칭률 정보 및 매칭 정보를 포함하는 매칭 적합도 정보를 제공할 수 있다. 보다 구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 선택된 그룹내의 복수의 사용자의 사회 관계 및 평가 정보에 기초하여 다자간 매칭 적합도를 제공할 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 사용자와 다른 사용자 사이의 매칭 적합도 뿐만 아니라 사람과 사물, 사람과 영화 및 사람과 스포츠 등 다양한 분야와의 매칭 적합도를 제공할 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서버(100)는 복수의 사용자의 SNS활동에 따른 각 사용자 별 SNS정보를 수집할 수 있다. 이때, 상기 SNS정보는 복수의 사용자와 연관된 프로필(profile), 피드(feed), 코멘트(comment), 프렌드(friends), 라이크(like), 팔로우(follow), 앨범 정보 및 이미지 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서버(100)는 복수의 사용자의 SNS정보 분석을 통해 복수의 사용자 각각의 성향에 대한 성향 정보를 도출할 수 있다(410). 이때 성향 정보는 SNS정보를 통해 분석된 사용자의 성격요소를 나타내며 각각의 사용자 별로 도출될 수 있다. 구체적으로, 성향 정보는 성향 특성 정보, 니즈 정보, 가치 정보 및 취향 정보 중 적어도 하나를 포함할 수 있으며, 상기 성향 특성 정보는 개방성, 성실성, 외향성, 친화성 및 감정 기복에 관한 정보를 포함할 수 있다.

또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자로부터 각각 수집한 SNS정보를 분석하여 복수의 사용자 각각의 성향을 도출해낼 수 있다. 구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 SNS정보를 분석하는 방법은 자연어 처리 및 이미지 콘텐츠 분석 중 적어도 하나의 방법일 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 자연어 처리를 수행하여 복수의 사용자로부터 각각 수집한 SNS정보 분석을 통해 복수의 사용자에 대한 성향을 도출할 수 있다. 보다 구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 자연어 처리를 수행하여 복수의 사용자의 SNS활동에 연관된 텍스트 분석을 통해 SNS의 분위기를 파악할 수 있다. 상기 SNS활동에 연관된 텍스트는 복수의 사용자가 자신의 SNS를 통해 게시한 모든 종류의 텍스트 문자(예를 들어, 게시글, 피드, 댓글 등)를 포함할 수 있다. 자세히 설명하면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 자연어 처리를 수행하여 SNS상의 텍스트에 대하여 토큰과 구문 분석을 수행할 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 자연어 처리를 수행하여 단어들을 어감에 따라 텍스트 블록으로 분류하고, 텍스트 블록 내에 있는 항목에 대한 언급별로 감정을 파악하여 항목 감정 분석을 수행할 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 자연어 처리를 수행하여 텍스트에서 항목을 식별하고 인물, 조직, 위치, 이벤트, 제품, 미디어와 같은 유형으로 라벨을 지정하여 항목을 분석할 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 수행하는 자연어 처리는 텍스트 블록에 표현된 전반적인 감정을 파악할 수 있다. 즉, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 수행하는 자연어 처리는 복수의 사용자와 연관된 SNS정보 중 텍스트에 대한 문맥을 분석하여 사용자의 감정 도출 및 문자의 대표 단어를 추출하여 텍스트에 대한 주제를 도출 등을 통하여 사용자의 성향을 도출할 수 있다. 상술한 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 수행하는 자연어 처리는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자로부터 각각 수집한 SNS정보를 이미지 컨텐츠 분석을 통해 복수의 사용자에 대한 성향을 도출할 수 있다. 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 이미지 콘텐츠 분석을 수행하여 복수의 사용자의 SNS정보 중 이미지에 대한 정보를 분석일 수 있다. 구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 이미지 콘텐츠 분석을 수행하여 특정 사용자의 SNS상의 이미지를 수천 가지의 카테고리(예를 들어, 범선, 사자, 에펠탑, 꽃, 교통수단 등)로 빠르게 분류하고, 이미지 안에 개별 객체와 얼굴을 감지하고, 이미지에 인쇄된 단어를 판독할 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 이미지 콘텐츠 분석을 수행하여 장소 인식을 통한 위치 분석, 얼굴 인식을 통한 인물의 숫자 카운팅, 인물에 표정 인식을 통한 인물의 감정 분석 및 특정 사물의 브랜드 판단을 통한 선호/비선호 브랜드 판단 중 적어도 하나를 판별할 수 있다. 또한 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 이미지 콘텐츠 분석을 수행하여 이미지 검색을 활용한 유명인, 로고, 뉴스 이벤트와 같은 주제별 항목을 찾아낼 수 있다. 상술한 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)가 수행하는 이미지 콘텐츠 분석은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서버(100)는 도출된 복수의 사용자 정보를 학습된 평가 정보 생성부(134)로 처리하여, 복수의 사용자 각각에 대한 평가 정보를 생성할 수 있다(420). 이때, 생성된 상기 평가 정보는, 복수의 사용자 각각에 대한 사회적인 평가에 관련한 정보 및 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보를 포함할 수 있다. 예를 들어, 똑똑한, 멍청한, 게으른, 부지런한, 진보적인, 보수적인, 긍정적인, 부정적인 등을 포함할 수 있으며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자 각각의 평가 정보 및 상기 복수의 사용자 사이의 사회관계 정보에 기초하여 매칭 적합도를 생성할 수 있다(430). 구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 선택된 그룹내의 복수의 사용자의 평가 정보 및 상기 복수의 사용자의 사회관계에 기초하여 상기 복수의 사용자에 대한 매칭 적합도를 출력할 수 있다. 상기 사회관계는 복수의 사용자 사이의 형성될 수 있는 모든 종류의 인간관계 및 사물과의 관계에 대한 정보를 포함할 수 있다. 예를 들어, 직장 동료 관계, 남녀 관계, 고부 관계, 특정 직업, 특정 물건, 특정 영화 및 특정 스포츠 등을 포함할 수 있으며, 이에 제한되지 않는다.

또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 다자간 매칭 적합도를 생성할 수 있다. 자세히 설명하면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 도 5a에 도시된 바와 같이 두명의 사용자에 대한 매칭 적합도 뿐만 아니라, 3명 이상의 인원에 대한 매칭 적합도를 판별할 수 있다. 예를 들어, 3명의 직장 동료의 매칭 적합도를 판별하는 경우, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 상기 3명의 사용자 각각의 평가 정보 및 사회관계 정보(예를 들어, 직장 동료, 고부 관계, 연인 관계 등)를 입력 받아 3명의 직장 동료에 대한 매칭 적합도를 판단할 수 있다.

도 5a는 본 개시의 일 실시예와 관련된 2명(사용자 A, 사용자 B)의 사용자의 매칭 적합도를 판별하는 과정을 도시한 예시도이다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS정보를 분석하여 성향 정보를 각각의 사용자 별로 도출할 수 있다. 예를 들어, 도 5a에 도시된 바와 같이 2명의 사용자의 매칭 적합도를 판별하는 경우, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 사용자 A(501) 및 사용자 B(502)에 대하여 각각의 제 1 성향 정보(510) 및 제 2 성향 정보(511)를 도출할 수 있다. 이때, 제 1 성향 정보(510)는 사용자 A(501)의 SNS상에 게시된 사용자 A(501)와 연관된 프로필, 피드, 코멘트, 프랜드, 라이크, 팔로우, 앨범 정보 및 이미지 정보 중 적어도 하나에 기초하여 생성될 수 있다. 또한, 제 2 성향 정보(511)는 사용자 B(502)의 SNS상에 게시된 사용자 B(502)와 연관된 SNS정보에 기초하여 생성될 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서버(100)는 복수의 사용자로부터 도출된 성향 정보를 평가 정보 관리 모듈(130)에 입력하여 각각의 평가 정보를 생성할 수 있다. 자세히 설명하면, 사용자 A(501)에 대한 제 1 성향 정보(510)를 평가 정보 관리 모듈로 처리하여 제 1 평가 정보(520)를 출력할 수 있다. 상기 제 1 평가 정보(520)는 사용자 A(501)에 대한 사회적인 평가에 관련한 정보를 포함하며, 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보를 포함할 수 있다. 또한, 사용자 B(502)에 대한 제 2 성향 정보(511)를 평가 정보 관리 모듈(130)의 입력으로 처리하여 제 2 평가 정보(521)를 출력할 수 있다. 상기 제 2 평가 정보(521)는 사용자 B(502)에 대한 사회적인 평가에 관련한 정보를 포함하며, 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서버(100)에 포함된 매칭 적합도 관리 모듈(140)은 사용자 A(501)의 제 1 평가 정보(520) 및 사용자 B(502)의 제 2 평가 정보(521)를 입력 받고, 그리고 사용자 A(501)와 사용자 B(502)의 사회관계에 기초하여 매칭 적합도(530)를 생성할 수 있다. 상기 매칭 적합도 알고리즘은 사회통념적으로 알려진 사회관계에 대한 연구결과 및 사회심리학에 기초하여 생성된 사전 결정된 알고리즘으로, 복수의 사용자 중 그룹화된 사용자들의 사회관계 및 각각의 평가정보에 기초하여 상기 그룹화된 사용자들 사이의 적합도 정보를 제공할 수 있다. 예를 들어, 사용자 A(501)의 제 1 평가 정보(520)가 ““똑똑하고 게으른””이며 사용자 B(502)의 제 2 평가 정보(521)가 ““똑똑하고 부지런한””이고, 그리고 사용자 A(501)와 사용자 B(502)의 관계가 직장 상사 및 직장 부하의 관계인 경우, 도 5b에 도시된 바와 같이 두 사용자 사이(참조번호 541)의 적합도는 이상적일 수 있으며, 매칭 적합도 관리 모듈(140)은 도 5a에 도시된 바와 같은 매칭 적합도(530)를 생성할 수 있다. 다른 예를 들어, 사용자 A(501)의 제 1 평가 정보(520)가 ““똑똑하고 부지런한””이며 사용자 B(502)의 제 2 평가 정보(521)가 ““똑똑하고 부지런한””이고, 그리고 사용자 A(501)와 사용자 B(502)의 관계가 직장 상사 및 직장 부하의 관계인 경우, 도 5b에 도시된 바와 같이 두 사용자 사이의 적합도는 ““트집과 지적 및 분쟁””(참조번호 540)으로 매우 좋지 않으며, 매칭 적합도 관리 모듈(140)은 매칭률을 낮게 판별하고, 그리고 적합도에 관한 코멘트 또한 부정적으로 작성하여 매칭 적합도(530)를 생성할 수 있다. 상술한 매칭 적합도(530) 생성 방법은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 도 5a에 도시된 바와 같이, 매칭 적합도(530)는 사용자의 사회관계 정보(531), 매칭률 정보(532) 및 매칭률에 따른 코멘트 정보(533)를 포함할 수 있다. 상술한 매칭 적합도(530)에 표시되는 정보들은 예시적인 것이며, 상기 정보들 중 일부만이 매칭 적합도(530)에 표시될 수 도 있다. 또한, 상기 정보들 이외에 추가적인 정보(예를 들어, 개선 방향 정보)가 매칭 적합도에 표시될 수 있다.

도 6는 본 개시의 일 실시예와 관련된 지도학습 방법의 순서도이다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서버(100)의 평가 정보 생성부(134)는 인공 신경망(300)으로 구성될 수 있으며, 상기 인공 신경망은 지도학습 방법을 통해 학습될 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 인공 신경망(300)을 학습시키기 위한 학습 데이터를 생성할 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 학습용 입력 데이터 및 학습용 라벨 데이터를 저장할 수 있다. 이때, 상기 학습용 입력 데이터는 인공 신경망(300)을 학습시키기 위해 인공 신경망(300)의 입력으로 처리되는 학습용 성향정보일 수 있다. 또한, 상기 학습용 라벨 데이터는 인공 신경망(300)을 학습시키기 위해 인공 신경망(300)의 출력과 비교될 수 있다. 이때, 상기 학습용 평가 정보는 복수의 사용자 각각에 대한 사회적인 평가에 관련한 정보 및 해당 사용자에 대한 타인 또는 지인의 평가에 관련한 정보를 포함할 수 있다.

구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 학습용 평가 정보를 도출하기 위한 설문조사를 생성할 수 있고, 그리고 복수의 사용자의 지인들을 대상으로 상기 생성된 설문조사를 수행할 수 있다. 이때, 복수의 사용자의 지인들을 대상으로 수행하는 설문조사는 온라인 방식으로 수행될 수 있다. 예를 들어, 설문조사를 수행하는 방식은 복수의 사용자 중 특정 사용자의 지인들의 단말로 설문조사를 전송하고 그에 따른 결과를 수신 받고, 그리고 상기 수신 받은 복수의 설문조사 결과를 취합하는 방식일 수 있다. 다른 예를 들어, 설문조사를 수행하는 방식은 복수의 사용자의 SNS에 설문조사를 개시하고, 그리고 복수의 사용자의 지인들로부터 결과를 수신 받아 취합하는 방식일 수 있다. 상기 수행된 설문조사의 결과를 수신 받아 취합함으로써 학습용 평가 정보가 생성될 수 있다. 또한, 설문조사는 복수의 사용자 각각에 대한 평가 정보를 도출하기 위한 질문 텍스트로 구성될 수 있다. 예를 들어, 복수의 사용자의 지인으로부터 특정 사용자에 대한 ““특정 사용자는 똑똑합니까?”” 또는 ““특정 사용자는 멍청합니까?”” 라는 질문의 특정 사용자의 지인으로부터의 답변을 통해 사용자에 대한 학습용 평가 정보를 획득할 수 있다. 상술한 설문조사의 구성, 설문조사를 수행하는 대상, 설문조사를 수행하는 방식 및 설문조사의 내용은 예시일 뿐, 본 개시는 이에 제한 되지 않는다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 지도 학습을 위하여 학습용 입력 데이터와 학습용 입력 데이터의 라벨(즉, 학습용 평가 정보)을 매칭 시킬 수 있다. 이때, 상기 학습용 입력 데이터는 학습용 성향 정보를 포함할 수 있다. 즉, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 특정 사용자의 지인들에게 설문조사를 수행하여 도출된 특정 사용자에 대한 학습용 평가 정보를 특정 사용자에 대한 학습용 성향 정보에 매칭시킬 수 있다. 구체적으로, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 학습용 성향 정보에 대응하는 사용자의 학습용 평가 정보를 사용자 별로 각각 매칭시킬 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 학습용 성향 정보를 평가 정보 생성부(134)의 인공 신경망(300)에 입력시켜 상기 인공 신경망(300)에서 출력된 학습용 성향 정보에 대한 인공 신경망의 출력과 학습용 평가 정보(즉, 라벨)를 비교하여 오차를 도출할 수 있다. 또한, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 상기 비교결과 도출된 오차를 인공 신경망(300)에 역전파하여 상기 인공 신경망(300)의 가중치를 업데이트하여 평가 정보 생성부(134)를 학습시킬 수 있다. 본 개시에서 인공 신경망(300)은 RNN(Recurrent Neural Network)으로 구성될 수 있으며, RNN 중 장기 기억 문제가 해결된 LSTM(Long Short Term Memory)으로 구성될 수도 있다. 상술한 인공 신경망(300)에 대한 구성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 수단을 도시한 순서도이다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하기 위한 수단(710); 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하기 위한 수단(720); 및 복수의 사용자 중 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계를 매칭 적합도 판단 모델로 처리하여 매칭 적합도를 생성하기 위한 수단(730);에 의하여 구현될 수 있다.

대안적으로, 상기 SNS정보는, 상기 복수의 사용자와 연관된 프로필(profile), 피드(feed), 코멘트(comment), 프랜드(friends), 라이크(like), 팔로우(follow), 앨범 정보 및 이미지 정보 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 복수의 사용자의 SNS정보를 분석하여 각각의 사용자의 성향 정보를 각각의 사용자 별로 도출하는 수단은: SNS정보를 자연어 처리 및 이미지 콘텐츠 분석 중 적어도 하나의 방식으로 분석하는 수단;을 포함할 수 있다.

대안적으로, 상기 자연어 처리는, 상기 SNS정보의 텍스트에 대하여 명사 및 형용사를 도출하며, 문맥을 분석하여 사용자의 감정을 도출하고, 그리고 문장의 대표 단어를 추출하여 주제를 도출할 수 있다.

대안적으로, 상기 이미지 콘텐츠 분석은, 상기 SNS정보의 이미지에 대하여 장소 인식, 얼굴 인식, 표정 인식 및 특정 사물 인식을 수행하고 그리고, 상기 장소 인식을 통한 위치 분석, 상기 얼굴 인식을 통해 인물의 숫자 카운팅, 인물에 표정 인식을 통한 해당 인물의 감정 분석 및 해당 사물의 브랜드 판단을 통한 이미지 분석 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 성향 정보는, 성격 특성 정보, 니즈(Needs) 정보, 가치(Value) 정보, 및 취향 정보 중 적어도 하나를 포함하며, 지수 형태 및 T/F 형태 중 적어도 하나의 형태로 도출되는 것을 특징으로 할 수 있다.

대안적으로, 상기 성격 특성 정보는, 개방성, 성실성, 외향성, 친화성 및 감정기복에 대한 정보를 포함할 수 있다.

대안적으로, 상기 학습된 평가 모델은, 인공 신경망(Artificial Neural Network)으로 구성되며, 지도학습 방법을 통해 학습되는 것을 특징으로 할 수 있다.

대안적으로, 상기 지도학습 방법은, 상기 복수의 사용자에 대한 설문조사 결과를 통해 학습용 평가 정보를 각각의 사용자별로 도출하기 위한 수단;은 상기 도출된 학습용 평가 정보를 학습용 성향 정보에 라벨링(Labeling)하기 위한 수단; 상기 인공 신경망에서 출력된 상기 학습용 성향 정보에 대한 출력과 상기 학습용 평가 정보를 비교하여 오차를 도출하는 단계; 및 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하기 위한 수단;을 포함할 수 있다.

대안적으로, 상기 설문 조사는, 복수의 사용자의 지인들을 대상으로 하고, 그리고 복수의 사용자 각각의 평가를 도출하기 위한 질문 텍스트로 구성될 수 있다.

대안적으로, 상기 사회관계 정보는, 복수의 사용자간의 형성될 수 있는 모든 종류의 인간관계에 대한 정보를 포함할 수 있다.

대안적으로, 상기 매칭 적합도는, 매칭률 정보 및 매칭 적합도에 따른 코멘트 정보 중 적어도 하나를 포함하여 사용자에게 제공될 수 있다.

도 8은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 모듈을 도시한 순서도이다.

본 개시의 일 실시예에 따라 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하기 위한 모듈(810); 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하기 위한 모듈(820); 및 복수의 사용자 중 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계를 매칭 적합도 판단 모델로 처리하여 매칭 적합도를 생성하기 위한 모듈(830);에 의하여 구현될 수 있다.

도 9는 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 로직을 도시한 순서도이다.

본 개시의 일 실시예에 따라 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하기 위한 로직(910); 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하기 위한 로직(920); 및 복수의 사용자 중 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계를 매칭 적합도 판단 모델로 처리하여 매칭 적합도를 생성하기 위한 로직(930);에 의하여 구현될 수 있다.

도 10은 본 개시의 일 실시예와 관련된 복수의 사용자의 매칭 적합도를 판별하기 위한 회로를 도시한 순서도이다.

본 개시의 일 실시예에 따라 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법은 다음과 같은 회로에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버(100)는 복수의 사용자의 SNS정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하기 위한 회로(1010); 상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하기 위한 회로(1020); 및 복수의 사용자 중 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계를 매칭 적합도 판단 모델로 처리하여 매칭 적합도를 생성하기 위한 회로(1030);에 의하여 구현될 수 있다.

도 11은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 발명이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 발명이 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 발명의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 발명의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

1. 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법으로서,
   복수의 사용자의 SNS(Social Networking Service)정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하는 단계;
   상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하는 단계; 및
   복수의 사용자 중 선택된 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계 정보를 매칭 적합도 판단 모델로 처리하여 상기 그룹 사용자 사이의 매칭 적합도를 생성하는 단계;
   를 포함하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
2. 제 1 항에 있어서,
   상기 SNS정보는,
   상기 복수의 사용자와 연관된 프로필(profile), 피드(feed), 코멘트(comment), 프랜드(friends), 라이크(like), 팔로우(follow), 앨범 정보 및 이미지 정보 중 적어도 하나를 포함하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
3. 제 1 항에 있어서,
   상기 복수의 사용자의 SNS정보를 분석하여 각각의 사용자의 성향 정보를 각각의 사용자 별로 도출하는 단계는:
   SNS정보를 자연어 처리 및 이미지 콘텐츠 분석 중 적어도 하나의 방식으로 분석하는 단계;
   를 포함하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
4. 제 3 항에 있어서,
   상기 자연어 처리는,
   상기 SNS정보의 텍스트에 대하여 명사 및 형용사를 도출하며, 문맥을 분석하여 사용자의 감정을 도출하고, 그리고 문장의 대표 단어를 추출하여 주제를 도출하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
5. 제 3 항에 있어서,
   상기 이미지 콘텐츠 분석은,
   상기 SNS정보의 이미지에 대하여 장소 인식, 얼굴 인식, 표정 인식 및 특정 사물 인식을 수행하고 그리고,
   상기 장소 인식을 통한 위치 분석, 상기 얼굴 인식을 통해 인물의 숫자 카운팅, 인물에 표정 인식을 통한 해당 인물의 감정 분석 및 해당 사물의 브랜드 판단을 통한 이미지 분석 중 적어도 하나를 포함하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
6. 제 1 항에 있어서,
   상기 성향 정보는,
   성격 특성 정보, 니즈(Needs) 정보, 가치(Value) 정보, 및 취향 정보 중 적어도 하나를 포함하며, 지수 형태 및 T/F 형태 중 적어도 하나의 형태로 도출되는 것을 특징으로 하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
7. 제 6 항에 있어서,
   상기 성격 특성 정보는,
   개방성, 성실성, 외향성, 친화성 및 감정기복에 대한 정보를 포함하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
8. 제 1 항에 있어서,
   상기 학습된 평가 모델은,
   인공 신경망(Artificial Neural Network)으로 구성되며,
   지도학습 방법을 통해 학습되는 것을 특징으로 하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
9. 제 8 항에 있어서,
   상기 지도학습 방법은,
   상기 복수의 사용자에 대한 설문조사 결과를 통해 학습용 평가 정보를 각각의 사용자별로 도출하는 단계;
   상기 도출된 학습용 평가 정보를 학습용 성향 정보에 라벨링(Labeling)하는 단계;
   상기 인공 신경망에서 출력된 상기 학습용 성향 정보에 대한 출력과 상기 학습용 평가 정보를 비교하여 오차를 도출하는 단계; 및
   상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 단계;
   를 포함하는,
   복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
   
10. 제 9 항에 있어서,
    상기 설문조사는,
    복수의 사용자의 지인들을 대상으로 하고, 그리고 복수의 사용자 각각의 평가를 도출하기 위한 질문 텍스트로 구성되는,
    복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
    
11. 제 1 항에 있어서,
    상기 사회관계 정보는,
    복수의 사용자간의 형성될 수 있는 모든 종류의 인간관계에 대한 정보를 포함하는,
    복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
    
12. 제 1 항에 있어서,
    상기 매칭 적합도는,
    매칭률 및 매칭 적합도에 따른 코멘트 중 적어도 하나를 포함하여 사용자에게 제공되는,
    복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 방법.
    
13. 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버로서,
    하나 이상의 코어를 포함하는 프로세서; 및
    상기 프로세서에 실행가능한 프로그램 코드들을 저장하는 메모리;
    를 포함하고,
    상기 프로세서는,
    복수의 사용자의 SNS정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하는 성향 정보 관리 모듈;
    상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하는 평가 정보 관리 모듈; 그리고
    복수의 사용자 중 선택된 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계 정보를 매칭 적합도 판단 모델로 처리하여 상기 그룹 사용자 사이의 매칭 적합도를 생성하는 매칭 적합도 관리 모듈;
    을 포함하는,
    복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하는 서버.
    
14. 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 복수의 사용자의 매칭 적합도를 판별하는 서비스를 제공하기 위한 이하의 단계들을 수행하도록 하며, 상기 단계들은:
    복수의 사용자의 SNS(Social Networking Service)정보를 분석하여 각각의 성향 정보를 각각의 사용자 별로 도출하는 단계;
    상기 도출된 성향 정보를 학습된 평가 모델로 처리하여, 상기 복수의 사용자 각각에 대한 평가 정보를 생성하는 단계; 및
    복수의 사용자 중 선택된 그룹 사용자 각각의 평가 정보 및 상기 그룹 사용자 사이의 사회관계 정보를 매칭 적합도 판단 모델로 처리하여 상기 그룹 사용자 사이의 매칭 적합도를 생성하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
    

Images