KR20200042739A

KR20200042739A - 지식 그래프에 기초하여 콘텐트를 제공하는 시스템 및 방법

Info

Publication number: KR20200042739A
Application number: KR1020180123272A
Authority: KR
Inventors: 이재훈; 이윤수; 황태호; 박중호; 정미래; 강지영
Original assignee: 삼성전자주식회사
Priority date: 2018-10-16
Filing date: 2018-10-16
Publication date: 2020-04-24
Also published as: EP3821390A1; US20200118010A1; CN112805743A; EP3821390A4; WO2020080773A1

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 지식 그래프에 기초하여 콘텐트를 제공하는 디바이스는, 통신 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 프로세서;를 포함하며, 상기 프로세서는, 상기 디바이스에 관련된 컨텍스트 정보를 획득하고, 상기 획득된 컨텍스트 정보를, 상기 디바이스의 사용자와 관련된 개체들 간의 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 상기 사용자의 제1 디바이스 지식 그래프를 획득하고, 서버 지식 그래프를 서버로부터 수신하고, 상기 제1 디바이스 지식 그래프 및 상기 서버 지식 그래프를 상기 제1 디바이스 지식 그래프를 확장하기 위한 제2 학습 모델에 입력함으로써, 상기 사용자의 제2 디바이스 지식 그래프를 획득한다.

Description

지식 그래프에 기초하여 콘텐트를 제공하는 시스템 및 방법 {SYSTEM AND METHOD FOR PROVIDING CONTENT BASED ON KNOWLEDGE GRAPH}

본 개시는 지식 그래프에 기초하여 콘텐트를 제공하는 시스템 및 방법에 관한 것으로서, 보다 상세하게는 사용자의 프라이버시를 고려한 지식 그래프에 기초하여 콘텐트를 제공하는 시스템 및 방법에 관한 것이다.

인공지능(Artificial Intelligence, AI) 시스템은 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 컴퓨터 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

또한, 사용자의 프라이버시를 보호하면서, 사용자에 관련된 지식 그래프를 효과적으로 확장할 수 있는 인공 지능 기술이 요구되고 있다.

일부 실시예는, 복수의 학습 모델을 활용하여 사용자에 관련된 지식 그래프를 획득하고 이용할 수 있는 시스템 및 방법을 제공할 수 있다.

또한, 일부 실시예는, 개인의 프라이버시를 보호하면서, 사용자에 관련된 지식 그래프를 획득하고 이용할 수 있는 시스템 및 방법을 제공할 수 있다.

또한, 일부 실시예는, 디바이스와 서버 간의 협업을 통하여, 사용자에 관련된 지식 그래프를 효과적으로 확장하고 사용자에게 추천 콘텐트를 제공할 수 있는 시스템 및 방법을 제공할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은 통신 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 프로세서;를 포함하며, 상기 프로세서는, 상기 디바이스에 관련된 컨텍스트 정보를 획득하고, 상기 획득된 컨텍스트 정보를, 상기 디바이스의 사용자와 관련된 개체들 간의 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 상기 사용자의 제1 디바이스 지식 그래프를 획득하고, 서버에게 상기 서버에서 생성된 서버 지식 그래프를 요청하고, 상기 서버 지식 그래프를 상기 서버로부터 수신하고, 상기 제1 디바이스 지식 그래프 및 상기 서버 지식 그래프를 상기 제1 디바이스 지식 그래프를 확장하기 위한 제2 학습 모델에 입력함으로써, 상기 사용자의 제2 디바이스 지식 그래프를 획득하고, 상기 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공하는, 디바이스를 제공할 수 있다.

또한, 본 개시의 제2 측면은, 디바이스에 관련된 컨텍스트 정보를 획득하는 동작; 상기 획득된 컨텍스트 정보를, 상기 디바이스의 사용자와 관련된 개체들 간의 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 상기 사용자의 제1 디바이스 지식 그래프를 획득하는 동작; 서버에게 상기 서버에서 생성된 서버 지식 그래프를 요청하는 동작; 상기 서버 지식 그래프를 상기 서버로부터 수신하는 동작; 상기 제1 디바이스 지식 그래프 및 상기 서버 지식 그래프를 상기 제1 디바이스 지식 그래프를 확장하기 위한 제2 학습 모델에 입력함으로써, 상기 사용자의 제2 디바이스 지식 그래프를 획득하는 동작; 및 상기 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공하는 동작;을 포함하는, 디바이스가 지식 그래프에 기초하여 콘텐트를 제공하는 방법을 제공할 수 있다.

또한, 본 개시의 제3 측면은, 디바이스에 관련된 컨텍스트 정보를 획득하는 동작; 상기 획득된 컨텍스트 정보를, 상기 디바이스의 사용자와 관련된 개체들 간의 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 상기 사용자의 제1 디바이스 지식 그래프를 획득하는 동작; 서버에게 상기 서버에서 생성된 서버 지식 그래프를 요청하는 동작; 상기 서버 지식 그래프를 상기 서버로부터 수신하는 동작; 상기 제1 디바이스 지식 그래프 및 상기 서버 지식 그래프를 상기 제1 디바이스 지식 그래프를 확장하기 위한 제2 학습 모델에 입력함으로써, 상기 사용자의 제2 디바이스 지식 그래프를 획득하는 동작; 및 상기 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공하는 동작;을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 제품을 제공할 수 있다.

도 1은 일부 실시예에 따른 사용자에 관한 지식 그래프에 기초하여 콘텐트를 제공하는 시스템의 개요도이다.
도 2는 일부 실시예에 따른 디바이스가 학습 모델에 기초한 지식 그래프를 이용하여 콘텐트를 제공하는 방법의 흐름도이다.
도 3은 일부 실시예에 따른 디바이스가 제1 디바이스 지식 그래프를 생성하는 방법의 흐름도이다.
도 4는 일부 실시예에 따른 디바이스가 맞춤형 콘텐트를 제공받기 위하여 카테고리 및 프라이버시 레벨을 설정하는 방법의 흐름도이다.
도 5는 일부 실시예에 따른 디바이스가 특정 카테고리에 대응되는 서버 지식 그래프를 이용하여, 제1 디바이스 지식 그래프를 확장하는 방법의 흐름도이다.
도 6은 일부 실시예에 따른 디바이스가 디바이스의 동작 정보 및 제2 디바이스 지식 그래프를 이용하여, 사용자에게 제공할 콘텐트를 결정하는 방법의 흐름도이다.
도 7은 일부 실시예에 따른 시스템이 사용자에게 맞춤형 콘텐트를 제공하는 방법을 나타내는 도면이다.
도 8은 일부 실시예에 따른 디바이스가 디바이스에 관련된 컨텍스트를 나타내는 텍스트를 이용하여 제1 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 9는 일부 실시예에 따른 디바이스가 맞춤형 콘텐트를 제공받기 위해 카테고리를 선택하는 예시를 나타내는 도면이다.
도 10은 일부 실시예에 따른 디바이스가 카테고리에 대한 프라이버시 레벨을 선택하는 예시를 나타내는 도면이다.
도 11은 일부 실시예에 따른 제1 디바이스 지식 그래프 및 제2 디바이스 지식 그래프의 예시를 나타내는 도면이다.
도 12는 일부 실시예에 따른 디바이스가 제1 학습 모델을 이용하여 제1 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 13은 일부 실시예에 따른 디바이스가 제1 학습 모델 및 제2 학습 모델을 이용하여 제1 디바이스 지식 그래프 및 제2 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14는 일부 실시예에 따른 디바이스가 제3 학습 모델을 이용하여 추천 콘텐트를 결정하는 예시를 나타내는 도면이다.
도 15는 일부 실시예에 따른 디바이스가 제4 학습 모델을 이용하여 제2 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 16은 일부 실시예에 따른 디바이스가 제5 학습 모델을 이용하여 추천 콘텐트를 결정하는 예시를 나타내는 도면이다.
도 17 및 도 18은 일부 실시예에 따른 디바이스의 블록도이다.
도 19는 일부 실시예에 따른 서버의 블록도이다.
도 20은 일부 실시예에 따른 제어부의 블록도이다.
도 21은 일부 실시예에 따른 데이터 학습부의 블록도이다.
도 22는 일부 실시예에 따른 데이터 인식부의 블록도이다.
도 23은 일부 실시예에 따른 디바이스 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에서, 디바이스 지식 그래프는 사용자의 디바이스에서 생성된 지식 그래프일 수 있다. 디바이스 지식 그래프는 사용자의 디바이스에서 수집된 사용자의 프라이버시 정보를 반영하여 생성될 수 있다.

또한, 서버 지식 그래프는, 서버에서 생성된 지식 그래프일 수 있다. 서버 지식 그래프는 여러 디바이스로부터 수집된 빅 데이터에 기초하여 서버에 의해 생성될 수 있다.

또한, 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델일 수 있다.

또한, 콘텐트는 유무선 통신망을 통해 제공되는 디지털 정보일 수 있다. 콘텐트는, 예를 들어, 광고 콘텐트, 동영상 콘텐트(예컨대, TV 프로그램 영상, VOD(Video On Demand), 개인 영상(UCC: User-Created Contents), 뮤직비디오, 유투브 영상 등), 정지 영상 콘텐트(예컨대, 사진, 그림 등), 텍스트 콘텐트(예컨대, 전자책(시, 소설), 편지, 업무 파일), 음악 콘텐트(예컨대, 음악, 연주곡, 라디오 방송 등), 웹 페이지, 애플리케이션 실행 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.

도 1은 일부 실시예에 따른 사용자에 관한 지식 그래프에 기초하여 콘텐트를 제공하는 시스템의 개요도이다.

도 1을 참조하면, 사용자에 관한 지식 그래프에 기초하여 콘텐트를 제공하는 시스템은 디바이스(1000), 서버(2000) 및 콘텐트 제공 서버(3000)를 포함할 수 있다.

디바이스(1000)는 디바이스에 관한 컨텍스트 정보를 수집하고, 수집된 컨텍스트 정보 및 적어도 하나의 인공 지능 학습 모델을 이용하여 디바이스 지식 그래프를 생성할 수 있다. 또한, 디바이스(1000)는 서버(2000)로부터 서버(2000)에 의해 생성된 서버 지식 그래프를 수신하고, 수신된 서버 지식 그래프 및 적어도 하나의 인공 지능 학습 모델을 이용하여 디바이스 지식 그래프를 확장할 수 있다. 디바이스(1000)에 의해 생성되고 확장된 디바이스 지식 그래프는 사용자의 프라이버시에 관련된 정보를 포함할 수 있으며, 프라이버시 정보를 포함하는 디바이스 지식 그래프는 디바이스(1000) 내에서 이용되고 관리될 수 있다. 또한, 디바이스(1000)는 확장된 디바이스 지식 그래프를 이용하여 사용자에게 추천할 콘텐트를 결정할 수 있으며, 결정된 추천 콘텐트를 콘텐트 제공 서버(3000)로부터 수신할 수 있다.

서버(2000)는 여러 디바이스(1000)로부터 수신한 빅 데이터를 기반으로 서버 지식 그래프를 생성할 수 있다. 서버 지식 그래프를 생성하는데 이용되는 빅 데이터는, 사용자의 프라이버시에 관련된 정보를 제외한 데이터일 수 있다. 빅 데이터는, 사용자의 프라이버시 정보로부터 추상화된 정보를 포함할 수 있다.

콘텐트 제공 서버(3000)는 디바이스(1000)에게 콘텐트를 제공하고 관리하는 서버일 수 있다. 콘텐트 제공 서버(3000)는, 예를 들어, 영화, 게임, 및 광고 등을 제공하는 서버일 수 있다.

디바이스(1000)는, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 디바이스(1000)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 제한되지 않으며, 디바이스(1000)는 서버(2000) 및 콘텐트 제공 서버(3000)와 네트워크를 통하여 데이터를 송수신할 수 있는 모든 종류의 기기를 포함할 수 있다.

네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.

무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

도 2는 일부 실시예에 따른 디바이스가 학습 모델에 기초한 지식 그래프를 이용하여 콘텐트를 제공하는 방법의 흐름도이다.

동작 S200에서 디바이스(1000)는 디바이스(1000)에 관련된 컨텍스트 정보를 획득할 수 있다. 디바이스(1000)는 디바이스(1000) 내의 애플리케이션의 동작을 모니터링할 수 있으며, 디바이스(1000) 내의 센서 및 디바이스(1000)와 연결된 다른 디바이스(미도시)로부터 디바이스(1000)에 관련된 정보를 수집할 수 있다.

컨텍스트 정보는, 디바이스(1000)의 주변 환경 정보, 디바이스(1000)의 상태 정보, 디바이스(1000)의 사용자의 상태 정보, 사용자의 디바이스(1000) 사용 이력 정보 및 사용자의 일정 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 디바이스(1000)의 주변 환경 정보는, 디바이스(1000)로부터 소정 반경 내의 환경 정보를 의미하는 것으로서, 예를 들어, 날씨 정보, 온도 정보, 습도 정보, 조도 정보, 소음 정보, 소리 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 디바이스(1000)의 상태 정보는, 디바이스(1000)의 모드 정보(예컨대, 소리 모드, 진동 모드, 무음 모드, 절전 모드, 차단 모드, 멀티 윈도우 모드, 자동 회전 모드 등), 디바이스(1000)의 위치 정보, 시간 정보, 통신 모듈의 활성화 정보(예컨대, Wi-Fi ON / Bluetooth OFF / GPS ON/ NFC ON 등), 디바이스(1000)의 네트워크 접속 상태 정보, 디바이스(1000)에서 실행되는 애플리케이션 정보(예컨대, 애플리케이션의 식별 정보, 애플리케이션 종류, 애플리케이션 이용 시간, 애플리케이션 이용 주기) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 사용자의 상태 정보는 사용자의 움직임, 생활 패턴 등에 관한 정보로서, 사용자의 걷는 상태, 운동하는 상태, 운전 중인 상태, 수면 상태, 사용자의 기분 상태 등에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다. 사용자의 디바이스(1000) 사용 이력 정보는, 사용자가 디바이스(1000)를 이용한 이력에 관한 정보로서, 애플리케이션의 실행 이력, 애플리케이션에서 실행된 기능의 이력, 사용자의 통화 내역, 및 사용자의 문자 내역 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

동작 S210에서 디바이스(1000)는 컨텍스트 정보를 제1 학습 모델에 입력함으로써 제1 디바이스 지식 그래프를 획득할 수 있다. 디바이스(1000)는 컨텍스트 정보를 가공하고, 가공된 컨텍스트 정보를 제1 학습 모델에 입력함으로써, 제1 디바이스 지식 그래프를 획득할 수 있다.

제1 디바이스 지식 그래프는, 사용자 및/또는 디바이스(1000)에 관련된 컨텍스트를 기반으로 하여 생성된 지식 그래프일 수 있으며, 사용자의 프라이버시에 관련된 정보를 반영하여 생성될 수 있다. 제1 학습 모델은, 사용자 및/또는 디바이스(1000)의 컨텍스트를 기반으로 하여 지식 그래프를 생성하고 업데이트할 수 있는 학습 모델일 수 있다. 제1 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습될 수 있다. 제1 학습 모델은, 컨텍스트 정보 내의 엔터티를 추출하고 추출된 엔터티 간의 관계를 추론할 수 있는 기능을 제공할 수 있다.

디바이스(1000)는 소정의 카테고리 별로 제1 디바이스 지식 그래프를 생성할 수 있다. 디바이스(1000)는 사용자의 개인 정보를 보호하기 위한 프라이버시 레벨에 따라, 제1 디바이스 지식 그래프를 생성할 수 있다. 프라이버시 레벨은 사용자의 개인 정보를 보호하는 정도를 나타낼 수 있으며, 프라이버시 레벨에 따라, 제1 디바이스 지식 그래프 내의 데이터 중에서 사용자의 프라이버시에 관련된 데이터를 추상화하는 정도가 결정될 수 있다.

동작 S220에서 디바이스(1000)는 서버(2000)에게 서버 지식 그래프를 요청할 수 있다. 디바이스(1000)는 사용자의 프로필에 관련된 정보 및 사용자가 선택한 카테고리의 식별 값을 서버(2000)에게 전송하면서, 서버(2000)에게 서버 지식 그래프를 요청할 수 있다.

서버 지식 그래프는, 서버(2000)에 의해 생성된 지식 그래프로서, 여러 사용자 및 여러 디바이스로부터 수신되는 빅 데이터에 기초하여 생성된 지식 그래프일 수 있다. 서버 지식 그래프를 생성하는데 이용되는 빅 데이터는, 다양한 상황에 관련된 컨텍스트 정보를 포함할 수 있으며, 개인의 프라이버시에 관련된 정보가 제외된 데이터일 수 있다. 또한, 서버 지식 그래프는 빅 데이터를 입력 값으로 하여 소정의 인공 지능 학습 모델에 의해 생성될 수 있으며, 예를 들어, 사용자의 프로필 특성 및 카테고리 별로 생성될 수 있다.

동작 S230에서 디바이스(1000)는 서버(2000)로부터 서버 지식 그래프를 수신할 수 있다. 디바이스(1000)는 사용자의 프로필에 관련된 서버 지식 그래프를 수신할 수 있다. 디바이스(1000)는 사용자가 선택한 카테고리에 관련된 서버 지식 그래프를 수신할 수 있다.

동작 S240에서 디바이스(1000)는 제1 디바이스 지식 그래프 및 서버 지식 그래프를 제2 학습 모델에 입력함으로써, 제2 디바이스 지식 그래프를 획득할 수 있다. 제2 디바이스 지식 그래프는 제1 디바이스 지식 그래프로부터 확장된 지식 그래프일 수 있다. 제2 학습 모델은, 제1 디바이스 지식 그래프를 확장하고 업데이트할 수 있는 학습 모델일 수 있다. 제2 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습될 수 있다. 제2 학습 모델은, 제1 디바이스 지식 그래프 및 서버 지식 그래프를 분석하고 통합함으로써, 제1 디바이스 지식 그래프를 확장할 수 있는 기능을 제공할 수 있다.

동작 S250에서 디바이스(1000)는 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공할 수 있다. 디바이스(1000)는 디바이스(1000)의 현재 컨텍스트를 식별하고, 제2 디바이스 지식 그래프를 이용함으로써 현재 컨텍스트에 적합한 콘텐트를 추천 콘텐트로 결정할 수 있다. 또한, 디바이스(1000)는 결정된 추천 콘텐트를 콘텐트 제공 서버(3000)에게 요청하고, 콘텐트 제공 서버(3000)로부터 추천 콘텐트를 수신할 수 있다.

콘텐트는 유무선 통신망을 통해 제공되는 디지털 정보일 수 있다. 콘텐트는, 예를 들어, 광고 콘텐트, 동영상 콘텐트(예컨대, TV 프로그램 영상, VOD(Video On Demand), 개인 영상(UCC: User-Created Contents), 뮤직비디오, 유투브 영상 등), 정지 영상 콘텐트(예컨대, 사진, 그림 등), 텍스트 콘텐트(예컨대, 전자책(시, 소설), 편지, 업무 파일), 음악 콘텐트(예컨대, 음악, 연주곡, 라디오 방송 등), 웹 페이지, 애플리케이션 실행 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

도 3은 일부 실시예에 따른 디바이스가 제1 디바이스 지식 그래프를 생성하는 방법의 흐름도이다.

동작 S300에서 디바이스(1000)는 디바이스(1000)에 관련된 컨텍스트 정보를 획득할 수 있다. 컨텍스트 정보는, 디바이스(1000)의 주변 환경 정보, 디바이스(1000)의 상태 정보, 디바이스(1000)의 사용자의 상태 정보, 사용자의 디바이스(1000) 사용 이력 정보 및 사용자의 일정 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 디바이스(1000)는 디바이스(1000) 내에 설치된 애플리케이션의 동작을 모니터링함으로써, 예를 들어, 애플리케이션에 의해 실행된 동작, 애플리케이션에 입력된 데이터 및 애플리케이션을 통해 출력된 데이터를 수집할 수 있다. 또한, 디바이스(1000)는 디바이스(1000) 내의 센서들에 의해 센싱된 센싱 데이터를 획득함으로써, 디바이스(1000)의 주변 환경에 관한 정보 및 디바이스(1000)의 상태에 관한 정보를 획득할 수 있다.

동작 S310에서 디바이스(1000)는 컨텍스트 정보를 시계열적인 동작을 나타내는 텍스트로 가공할 수 있다. 디바이스(1000)는 컨텍스트 정보에 기초하여, 디바이스(1000) 및/또는 사용자와 관련된 컨텍스트를 나타내는 문장을 생성할 수 있다. 예를 들어, 디바이스(1000)는 ‘사용자가 여행 어플을 다운로드 받았다.’, ‘사용자가 오키나와를 검색했다’, 및 ‘사용자가 토요일 오전 9시에 카메라를 구입했다.’와 같은 텍스트를 생성할 수 있다.

동작 S320에서 디바이스(1000)는 디바이스 지식 그래프의 프라이버시 레벨을 설정할 수 있다. 디바이스(1000)는 디바이스 지식 그래프 내의 데이터 중에서 사용자의 프라이버시에 관련된 데이터를 추상화하기 위하여, 디바이스 지식 그래프의 프라이버시 레벨을 설정할 수 있다. 예를 들어, 디바이스(1000)는 디바이스 지식 그래프의 프라이버시 레벨을 설정하기 위한 GUI를 디스플레이하고, GUI를 통한 사용자 입력에 기초하여, 디바이스 지식 그래프의 프라이버시 레벨을 설정할 수 있다.

동작 S330에서 디바이스(1000)는 동작 S310에서의 텍스트 및 동작 S320에서 설정된 프라이버시 레벨을 제1 학습 모델에 적용할 수 있다. 디바이스(1000)가 제1 학습 모델에 텍스트 및 프라이버시 레벨을 입력함으로써, 개인의 프라이버시에 관련된 데이터가 추상화될 수 있으며, 추상화된 데이터에 기초한 제1 사용자 지식 데이터가 제1 학습 모델로부터 출력될 수 있다. 또한, 프라이버시 레벨에 따라, 제1 디바이스 지식 그래프 내의 데이터 중에서 사용자의 프라이버시에 관련된 데이터를 추상화하는 정도가 결정될 수 있다.

예를 들어, ‘사용자가 맥도날드에서 빅맥 버거를 구입하였다’라는 텍스트, 및 소정의 프라이버시 레벨 값 ‘1’이 제1 학습 모델에 입력되면, ‘사용자가 맥도날드에서 햄버거를 구입하였다’라는 추상화된 데이터에 기초한 제1 디바이스 지식 그래프가 출력될 수 있다. 또한, 예를 들어, ‘사용자가 맥도날드에서 빅맥 버거를 구입하였다’라는 텍스트, 및 소정의 프라이버시 레벨 값 ‘2’가 제1 학습 모델에 입력되면, ‘사용자가 햄버거 가게에서 햄버거를 구입하였다’라는 추상화된 데이터에 기초한 제1 디바이스 지식 그래프가 출력될 수 있다.

도 4는 일부 실시예에 따른 디바이스가 맞춤형 콘텐트를 제공받기 위하여 카테고리 및 프라이버시 레벨을 설정하는 방법의 흐름도이다.

동작 S400에서 디바이스(1000)는 카테고리 목록에서 사용자 맞춤형 콘텐트를 제공받고자 하는 적어도 하나의 카테고리를 선택할 수 있다. 디바이스(1000)는 소정의 카테고리 목록을 디바이스(1000)의 화면 상에 디스플레이할 수 있으며, 카테고리 목록 내의 특정 카테고리를 선택하는 사용자 입력을 수신할 수 있다. 카테고리는, 콘텐트의 종류, 콘텐트의 분야, 콘텐트의 크기 중 적어도 하나에 따라 구분될 수 있다. 예를 들어, 카테고리는, 영화, 스포츠, 게임, 광고 등과 같이 구분될 수 있으나, 이에 제한되지 않는다.

동작 S410에서 디바이스(1000)는 선택된 카테고리 별로 프라이버시 레벨을 설정할 수 있다. 디바이스(1000)는 프라이버시 레벨을 입력하기 위한 GUI를 디바이스(1000)의 화면 상에 디스플레이할 수 있으며, GUI를 통한 사용자 입력에 기초하여 카테고리 별로 프라이버시 레벨을 설정할 수 있다. 이에 따라, 카테고리 별로 프라이버시 레벨이 상이하게 설정될 수 있으며, 디바이스(1000)는 상이하게 설정된 프라이버시 레벨에 따라, 카테고리 별로 디바이스 지식 그래프를 생성할 수 있다.

도 5는 일부 실시예에 따른 디바이스가 특정 카테고리에 대응되는 서버 지식 그래프를 이용하여, 제1 디바이스 지식 그래프를 확장하는 방법의 흐름도이다.

동작 S500에서 디바이스(1000)는 지식 그래프의 카테고리를 선택할 수 있으며, 동작 S510에서 디바이스(1000)는 선택된 카테고리에 대응되는 서버 지식 그래프를 서버(2000)에게 요청할 수 있다. 서버(2000)는 여러 디바이스로부터 수신되는 빅 데이터를 이용하여 소정의 카테고리 별로 서버 지식 그래프를 생성하고 저장할 수 있다. 이 경우, 서버(2000)는 소정의 학습 모델에 빅 데이터 및 카테고리 값을 입력함으로써, 카테고리 별로 서버 지식 그래프를 생성할 수 있다.

동작 S520에서 디바이스(1000)는 서버(2000)로부터 서버 지식 그래프를 수신할 수 있다. 디바이스(1000)는 선택된 카테고리에 대응되는 서버 지식 그래프를 서버(2000)로부터 수신할 수 있다.

동작 S530에서 디바이스(1000)는 제1 디바이스 지식 그래프, 서버 지식 그래프 및 프라이버시 레벨 값을 제2 학습 모델에 적용할 수 있다. 디바이스(1000)는 소정의 카테고리에 대응되는 제1 디바이스 지식 그래프를 디바이스(1000)의 메모리로부터 추출하고, 추출된 제1 디바이스 지식 그래프 및 소정 카테고리에 대응되는 서버 지식 그래프를 제2 학습 모델에 입력할 수 있다. 또한, 디바이스(1000)는 소정 카테고리에 대응되는 제1 디바이스 지식 그래프에 대하여 설정된 프라이버시 레벨 값을 제2 학습 모델에 입력할 수 있다. 이에 따라, 디바이스(1000)는 제1 디바이스 지식 그래프로부터 확장된 제2 디바이스 지식 그래프를 제2 학습 모델로부터 획득할 수 있다.

도 6은 일부 실시예에 따른 디바이스가 디바이스의 동작 정보 및 제2 디바이스 지식 그래프를 이용하여, 사용자에게 제공할 콘텐트를 결정하는 방법의 흐름도이다.

동작 S600에서 디바이스(1000)는 제2 디바이스 지식 그래프를 획득할 수 있다. 디바이스(1000)는 서버 지식 그래프를 이용하여, 제1 디바이스 지식 그래프로부터 확장된 제2 디바이스 지식 그래프를 획득할 수 있다.

동작 S610에서 디바이스(1000)는 디바이스(1000)의 동작 정보를 실시간으로 획득할 수 있다. 디바이스(1000)는, 예를 들어, 디바이스(1000) 내에서 실행 중인 애플리케이션, 애플리케이션의 실행 중인 기능, 디바이스(1000)의 주변 환경, 및 디바이스(1000) 내에 저장된 일정 정보 등과 같이, 디바이스(1000)에 관련된 컨텍스트를 디바이스(1000)의 동작 정보로서 실시간으로 획득할 수 있다.

동작 S620에서 디바이스(1000)는 제2 디바이스 지식 그래프 및 디바이스(1000)의 동작 정보를 제3 학습 모델에 적용함으로써, 사용자에게 제공할 추천 콘텐트를 결정할 수 있다. 제3 학습 모델은, 사용자 및/또는 디바이스(1000)의 동작 정보 및 제2 디바이스 지식 그래프를 기반으로 하여 사용자에게 추천할 추천 콘텐트를 결정할 수 있는 학습 모델일 수 있다. 제3 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습될 수 있다. 제3 학습 모델은, 디바이스(1000)의 실시간 동작 정보에 기초한 디바이스(1000)의 컨텍스트 및 제2 디바이스 지식 그래프를 바탕으로 하여, 사용자가 관심을 가지는 분야의 콘텐트를 추천하기 위한 기능을 제공할 수 있다.

동작 S630에서 디바이스(1000)는 결정된 추천 콘텐트를 사용자에게 제공할 수 있다. 디바이스(1000)는 결정된 추천 콘텐트를 제공하는 콘텐트 제공 서버(3000)를 식별하고, 식별된 콘텐트 제공 서버(3000)에게 추천 콘텐트를 요청할 수 있다. 또한, 디바이스(1000)는 콘텐트 제공 서버(3000)로부터 추천 콘텐트를 수신할 수 있다. 이에 따라, 디바이스(1000)는 콘텐트 제공 서버(3000)에게 사용자의 프라이버시에 관련된 정보를 제공하지 않으면서, 사용자에게 적합한 추천 콘텐트를 사용자에게 제공할 수 있게 된다. 또한, 추천 콘텐트는, 예를 들어, 광고 콘텐트, 동영상 콘텐트(예컨대, TV 프로그램 영상, VOD(Video On Demand), 개인 영상(UCC: User-Created Contents), 뮤직비디오, 유투브 영상 등), 정지 영상 콘텐트(예컨대, 사진, 그림 등), 텍스트 콘텐트(예컨대, 전자책(시, 소설), 편지, 업무 파일), 음악 콘텐트(예컨대, 음악, 연주곡, 라디오 방송 등), 웹 페이지, 애플리케이션 실행 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

도 7은 일부 실시예에 따른 시스템이 사용자에게 맞춤형 콘텐트를 제공하는 방법을 나타내는 도면이다.

동작 S700에서 디바이스(1000)는 컨텍스트 정보를 획득할 수 있다. 디바이스(1000)는 디바이스(1000) 및/또는 사용자와 관련된 컨텍스트 정보를 수집할 수 있으며, 수집된 컨텍스트 정보를 소정의 텍스트로 가공할 수 있다.

동작 S705에서 디바이스(1000)는 컨텍스트 정보를 제1 학습 모델에 입력함으로써, 제1 디바이스 지식 그래프를 획득할 수 있다. 디바이스(1000)는 컨텍스트 정보로부터 가공된 텍스트를 제1 학습 모델에 입력할 수 있다. 또한, 디바이스(1000)는 프라이버시 레벨 및 카테고리 값을 제1 학습 모델에 입력할 수 있다. 디바이스(1000)는 제1 학습 모델로부터 출력되는 제1 디바이스 지식 그래프를 획득할 수 있다.

동작 S710에서 서버(2000)는 서버 지식 그래프를 생성할 수 있다. 서버(2000)는 여러 디바이스로부터 다양한 종류의 빅 데이터를 수집할 수 있으며, 수집된 빅 데이터를 활용하여 서버 지식 그래프를 생성할 수 있다. 서버(2000)가 수집하는 빅 데이터는 개인의 프라이버시 정보가 추상화된 데이터일 수 있다.

동작 S715에서 디바이스(1000)는 서버(2000)에게 서버 지식 그래프를 요청할 수 있다. 디바이스(1000)는 사용자의 프로필에 관한 정보 및/또는 카테고리 값을 서버(2000)에게 전송하면서 서버(2000)에게 서버 지식 그래프를 요청할 수 있다. 이 경우, 사용자의 프로필에 관한 정보 내의 사용자의 프라이버시에 관한 정보는 추상화된 정보일 수 있다.

동작 S720에서 디바이스(1000)는 서버(2000)로부터 서버 지식 그래프를 수신할 수 있다. 서버(2000)는 사용자의 프로필 및/또는 카테고리를 고려하여 디바이스(1000)에게 제공할 서버 지식 그래프를 DB(미도시)로부터 추출할 수 있으며, 추출된 서버 지식 그래프를 디바이스(1000)에게 제공할 수 있다. 이 경우, 서버 지식 그래프는, 사용자의 프로필 및/또는 카테고리 별로 생성되어 서버(2000)의 DB(미도시)에 저장된 것일 수 있다.

동작 S725에서 디바이스(1000)는 제1 디바이스 지식 그래프 및 서버 지식 그래프를 제2 학습 모델에 입력함으로써, 제2 디바이스 지식 그래프를 획득할 수 있다. 제2 학습 모델은 서버 지식 그래프를 이용하여 제1 사용자의 지식 그래프를 확장시킴으로써, 제2 디바이스 지식 그래프를 출력할 수 있다.

동작 S730에서 디바이스(1000)는 제2 디바이스 지식 그래프에서 프라이버시 정보를 제거할 수 있다. 디바이스(1000)는 제2 디바이스 지식 그래프 내의 데이터들 중에서 사용자의 프라이버시에 관련된 데이터를 추상화할 수 있다.

동작 S735에서 디바이스(1000)는 서버(2000)에게 프라이버시 정보가 제거된 디바이스 지식 그래프를 제공할 수 있다.

동작 S740에서 서버(2000)는 프라이버시 정보가 제거된 디바이스 지식 그래프를 이용하여 서버 지식 그래프를 업데이트시킬 수 있다. 서버(2000)는 동작 S710에서 생성된 서버 지식 그래프, 및 동작 S735에서 수신된 디바이스 지식 그래프를 소정의 학습 모델에 입력함으로써, 서버 지식 그래프를 업데이트할 수 있다. 업데이트된 서버 지식 그래프는, 추후에 디바이스(1000)가 제2 디바이스 지식 그래프를 생성하는데 이용될 수 있다.

동작 S745에서 디바이스(1000)는 제2 디바이스 지식 그래프를 제3 학습 모델에 적용함으로써, 사용자에게 제공할 추천 콘텐트를 결정할 수 있다. 디바이스(1000)는 디바이스(1000)의 동작 정보, 및 제2 디바이스 지식 그래프를 제3 학습 모델에 입력함으로써, 제3 학습 모델로부터 추천 콘텐트에 관한 정보를 수신할 수 있다. 추천 콘텐트에 관한 정보는, 예를 들어, 추천 콘텐트의 식별 값, 추천 콘텐트의 종류, 추천 콘텐트의 분야 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다.

동작 S750에서 디바이스(1000)는 콘텐트 제공 서버(3000)에게 추천 콘텐트를 요청할 수 있으며, 동작 S755에서 디바이스(1000)는 콘텐트 제공 서버(3000)로부터 추천 콘텐트를 수신할 수 있다.

도 8은 일부 실시예에 따른 디바이스가 디바이스에 관련된 컨텍스트를 나타내는 텍스트를 이용하여 제1 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.

도 8을 참조하면, 디바이스(1000)는 디바이스(1000)에 저장 또는 입력된 개인 정보, 및 디바이스(1000) 사용 기록 등에 관한 컨텍스트 정보를 획득할 수 있다. 또한, 디바이스(1000)는 획득된 컨텍스트 정보를 이용하여, 예를 들어, ‘사용자가 여행 어플을 다운로드 받았다.’, ‘사용자가 오키나와를 검색했다.’, 및 ‘사용자가 카메라를 구입했다.’와 같은 텍스트를 생성할 수 있다.

또한, 디바이스(1000)는 생성된 텍스트를 제1 학습 모델에 입력할 수 있으며, 제1 학습 모델은, 소정의 엔터티(entity)들과 엔터티들 간의 관계를 정의하는 제1 디바이스 지식 그래프를 출력할 수 있다. 예를 들어, 지식 그래프의 엔터티(entity)는 ‘나’, ‘오키나와’, ‘카메라’ 및 ‘여행 어플’을 포함할 수 있다. 예를 들어, 엔터티 ‘나’와 엔터티 ‘오키나와’ 간의 관계는 ‘검색’일 수 있다. 예를 들어, 엔터티 ‘나’와 엔터티 ‘카메라’ 간의 관계는 ‘구입’일 수 있다. 예를 들어, 엔터티 ‘나’와 엔터티 ‘여행 어플’ 간의 관계는 ‘다운로드’일 수 있다.

도 9는 일부 실시예에 따른 디바이스가 맞춤형 콘텐트를 제공받기 위해 카테고리를 선택하는 예시를 나타내는 도면이다.

도 9를 참조하면, 디바이스(1000)는 사용자가 특정 카테고리에 대하여만 사용자 맞춤형 콘텐트를 제공받도록 하기 위하여, 특정 카테고리를 선택하기 위한 카테고리 목록을 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 예를 들어, 디바이스(1000)는 사용자가 카테고리를 선택하도록 하기 위한 안내 문구를 디스플레이하고, ‘영화’, ‘스포츠’, ‘게임’ 및 ‘광고’와 같은 카테고리들의 식별 값을 디스플레이함으로써, 사용자가 특정 카테고리를 선택할 수 있도록 할 수 있다.

도 10은 일부 실시예에 따른 디바이스가 카테고리에 대한 프라이버시 레벨을 선택하는 예시를 나타내는 도면이다.

도 10을 참조하면, 디바이스(1000)는 사용자가 카테고리 별로 프라이버시 레벨을 설정하도록 하기 위한 GUI를 디스플레이할 수 있으며, GUI를 통한 사용자 입력에 기초하여, 카테고리 별로 프라이버시 레벨을 설정할 수 있다. 예를 들어, 디바이스(1000)는 GUI를 통한 사용자 입력에 기초하여, ‘영화’ 카테고리의 프라이버시 레벨을 ‘2’로 설정하고, ‘스포츠’ 카테고리의 프라이버시 레벨을 ‘1’로 설정하고, ‘게임’ 카테고리의 프라이버시 레벨을 ‘3’으로 설정하고, ‘광고’ 카테고리의 프라이버시 레벨을 ‘4’로 설정할 수 있다. 이에 따라, ‘영화’ 카테고리의 제1 디바이스 지식 그래프, ‘스포츠’ 카테고리 의 제1 디바이스 지식 그래프, ‘게임’ 카테고리 의 제1 디바이스 지식 그래프, 및 ‘광고’ 카테고리 의 제1 디바이스 지식 그래프는 각각 다른 프라이버시 레벨로 생성될 수 있다.

도 11은 일부 실시예에 따른 제1 디바이스 지식 그래프 및 제2 디바이스 지식 그래프의 예시를 나타내는 도면이다.

도 11을 참조하면, 제1 디바이스 지식 그래프(110)의 엔터티(entity)는 ‘나’, ‘오키나와’, ‘카메라’ 및 ‘여행 어플’을 포함할 수 있다. 또한, 예를 들어, 엔터티 ‘나’와 엔터티 ‘오키나와’ 간의 관계는 ‘검색’일 수 있으며, 엔터티 ‘나’와 엔터티 ‘카메라’ 간의 관계는 ‘구입’일 수 있으며, 엔터티 ‘나’와 엔터티 ‘여행 어플’ 간의 관계는 ‘다운로드’일 수 있다.

디바이스(1000)는 제1 디바이스 지식 그래프(110) 및 서버(2000)로부터 수신된 서버 지식 그래프를 제1 학습 모델에 입력함으로써, 제2 디바이스 지식 그래프(120)을 생성할 수 있다. 제2 디바이스 지식 그래프(120)는 제1 디바이스 지식 그래프(110)로부터 확장된 지식 그래프일 수 있다. 제1 디바이스 지식 그래프(110) 내의 엔터티 및 서버 지식 그래프 내의 엔터티가 소정의 기준에 의해 매핑될 수 있으며, 제1 디바이스 지식 그래프(110) 내의 엔터티에 서버 지식 그래프 내의 엔터티가 소정의 기준에 따라 병합될 수 있다. 이에 따라, 예를 들어, 제2 디바이스 지식 그래프(120)는 엔터티 ‘오키나와’로부터 확장된 엔터티 ‘식당’ 및 ‘수족관’을 포함할 수 있다. 또한, 예를 들어, 엔터티 ‘오키나와’와 엔터티 ‘식당’ 간의 관계가 ‘음식’으로 결정되고, 엔터티 ‘오키나와’와 엔터티 ‘수족관’ 간의 관계가 ‘관광’으로 결정될 수 있다.

도 12는 일부 실시예에 따른 디바이스가 제1 학습 모델을 이용하여 제1 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.

도 12를 참조하면, 디바이스(1000)는 컨텍스트 정보를 수집하여 전처리를 함으로써, 구조화된 데이터를 생성할 수 있으며, 구조화된 데이터를 이용하여 제1 디바이스 지식 그래프를 생성할 수 있다. 구조화된 데이터는, 예를 들어, 시계열적인 동작을 나타내는 텍스트일 수 있으며, 디바이스(1000) 및/또는 사용자와 관련된 컨텍스트를 나타내는 문장일 수 있다.

디바이스(1000)는 구조화된 데이터를 제1 학습 모델에 입력할 수 있으며, 제1 학습 모델은 구조화된 데이터를 입력 값으로 이용하여, 엔터티 추출(entity extraction), 엔터티 분석 및 추상화 (entity resolution & disambiguation) 및 관계 추출(relation extraction)을 통해 제1 디바이스 지식 그래프를 생성할 수 있다. 제1 학습 모델은, 예를 들어, 온톨로지 학습 모듈(ontology learning module)로 구현될 수 있으며, 복수의 레이어를 가지는 네트워크에 의해 구현될 수 있다.

도 13은 일부 실시예에 따른 디바이스가 제1 학습 모델 및 제2 학습 모델을 이용하여 제1 디바이스 지식 그래프 및 제2 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.

도 13을 참조하면, 제1 학습 모델(130)은 컨텍스트 정보, 프라이버시 레벨, 및 카테고리를 입력받고, 제1 디바이스 지식 그래프를 출력할 수 있다. 컨텍스트 정보는 시계열적인 동작을 나타내는 텍스트로 가공되어 제1 학습 모델(130)에 입력될 수 있다. 또한, 제1 학습 모델(130)은 입력된 카테고리에 대응되는 제1 디바이스 지식 그래프를 출력할 수 있다. 또한, 제1 디바이스 지식 그래프 내의 데이터는 입력된 프라이버시 레벨에 기초하여, 사용자의 프라이버시를 보호하기 위해 추상화된 것일 수 있다.

또한, 제2 학습 모델은 제1 디바이스 지식 그래프 및 서버 지식 그래프를 입력받고 제2 디바이스 지식 그래프를 출력할 수 있다. 서버 지식 그래프는 여러 디바이스로부터의 빅 데이터에 기초하여 서버에 의해 생성된 것일 수 있다. 또한, 제2 학습 모델은 서버 지식 그래프를 이용하여 제1 디바이스 지식 그래프를 확장시킴으로써 제2 디바이스 지식 그래프를 출력할 수 있다.

도 14는 일부 실시예에 따른 디바이스가 제3 학습 모델을 이용하여 추천 콘텐트를 결정하는 예시를 나타내는 도면이다.

도 14를 참조하면, 제3 학습 모델(140)은 디바이스(1000)의 동작 정보, 제2 디바이스 지식 그래프 및 프라이버시 설정 정보를 입력받고, 추천 콘텐트를 결정할 수 있다. 디바이스(1000)의 동작 정보는 디바이스(1000)에 의해 실시간으로 수집되어 제3 학습 모델(140)에 입력될 수 있다. 이 경우, 디바이스(1000)의 동작 정보는 기설정된 포맷으로 전처리될 수 있다. 제3 학습 모델(140)은, 프라이버시 설정 정보에 기반으로 하여 사용자에게 추천할 추천 콘텐트를 결정할 수 있다. 제3 학습 모델(140)은 추천 콘텐트의 식별 값을 출력할 수 있으나, 이에 제한되지 않는다. 제3 학습 모델(140)은 추천 콘텐트의 종류, 카테고리 및 링크 정보 중 적어도 하나를 출력할 수도 있다. 또한, 제3 학습 모델(140)은, 사용자가 설정한 카테고리에 관한 정보를 입력받을 수 있으며, 사용자가 설정한 카테고리에 관련된 추천 콘텐트를 출력할 수 있다.

도 15는 일부 실시예에 따른 디바이스가 제4 학습 모델을 이용하여 제2 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.

도 15를 참조하면, 제4 학습 모델(150)은 제1 디바이스 지식 그래프, 컨텍스트 정보, 프라이버시 레벨, 및 카테고리, 및 서버 지식 그래프를 입력받고, 제2 디바이스 지식 그래프를 출력할 수 있다. 제4 학습 모델(150)은, 제1 디바이스 지식 그래프를 확장하고 업데이트할 수 있는 학습 모델일 수 있다. 제4 학습 모델(150)은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습될 수 있다. 제4 학습 모델(150)은, 제1 디바이스 지식 그래프 및 서버 지식 그래프를 분석하고 통합함으로써, 제1 디바이스 지식 그래프를 확장할 수 있는 기능을 제공할 수 있다.

도 16은 일부 실시예에 따른 디바이스가 제5 학습 모델을 이용하여 추천 콘텐트를 결정하는 예시를 나타내는 도면이다.

도 16을 참조하면, 제5 학습 모델(160)은 제1 디바이스 지식 그래프, 컨텍스트 정보, 프라이버시 레벨, 및 카테고리, 및 서버 지식 그래프를 입력받고, 추천 콘텐트를 출력할 수 있다. 이 경우, 제5 학습 모델(160)은, 서버 지식 그래프를 이용하여 제1 디바이스 지식 그래프를 확장하고 추천 콘텐트를 결정하기 위한 학습 모델일 수 있다. 제5 학습 모델(160)은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습될 수 있다.

도 17 및 도 18은 일부 실시예에 따른 디바이스의 블록도이다.

도 17에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 사용자 입력부(1100), 출력부(1200), 제어부(1300), 및 통신부(1500)를 포함할 수 있다. 그러나, 도 17에 도시된 구성 요소 모두가 디바이스(1000)의 필수 구성 요소인 것은 아니다. 도 17에 도시된 구성 요소보다 많은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있고, 도 17에 도시된 구성 요소보다 적은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있다.

예를 들어, 도 18에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 사용자 입력부(1100), 출력부(1200), 제어부(1300), 및 통신부(1500) 이외에 센싱부(1400), A/V 입력부(1600), 및 메모리(1700)를 더 포함할 수도 있다.

사용자 입력부(1100)는, 사용자가 디바이스(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.

사용자 입력부(1100)는, 디바이스 지식 그래프에 기초하여 추천 콘텐트를 제공하기 위한 사용자 입력을 수신할 수 있다.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.

디스플레이부(1210)는 디바이스(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부(1210)는, 디바이스 지식 그래프에 기초하여 추천 콘텐트를 제공하기 위한 사용자 인터페이스를 디스플레이할 수 있다.

한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다.

음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 디바이스(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(1220)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

진동 모터(1230)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(1230)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.

제어부(1300)는, 통상적으로 디바이스(1000)의 전반적인 동작을 제어한다. 예를 들어, 제어부(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 제어부(1300)는, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 제어함으로써, 본 명세서에서의 디바이스(1000)의 동작을 제어할 수 있다.

구체적으로, 제어부(1300)는, 디바이스(1000)에 관련된 컨텍스트 정보를 획득할 수 있다. 제어부(1300)는, 디바이스(1000) 내의 애플리케이션의 동작을 모니터링할 수 있으며, 디바이스(1000) 내의 센서 및 디바이스(1000)와 연결된 다른 디바이스(미도시)로부터 디바이스(1000)에 관련된 정보를 수집할 수 있다.

제어부(1300)는, 컨텍스트 정보를 제1 학습 모델에 입력함으로써 제1 디바이스 지식 그래프를 획득할 수 있다. 제어부(1300)는, 컨텍스트 정보를 가공하고, 가공된 컨텍스트 정보를 제1 학습 모델에 입력함으로써, 제1 디바이스 지식 그래프를 획득할 수 있다. 제어부(1300)는, 소정의 카테고리 별로 제1 디바이스 지식 그래프를 생성할 수 있다. 제어부(1300)는, 사용자의 개인 정보를 보호하기 위한 프라이버시 레벨에 따라, 제1 디바이스 지식 그래프를 생성할 수 있다.

제어부(1300)는, 서버(2000)에게 서버 지식 그래프를 요청할 수 있다. 제어부(1300)는, 사용자의 프로필에 관련된 정보 및 사용자가 선택한 카테고리의 식별 값을 서버(2000)에게 전송하면서, 서버(2000)에게 서버 지식 그래프를 요청할 수 있다.

제어부(1300)는, 서버(2000)로부터 서버 지식 그래프를 수신할 수 있다. 제어부(1300)는, 사용자의 프로필에 관련된 서버 지식 그래프를 수신할 수 있다. 디바이스(1000)는 사용자가 선택한 카테고리에 관련된 서버 지식 그래프를 수신할 수 있다.

제어부(1300)는, 제1 디바이스 지식 그래프 및 서버 지식 그래프를 제2 학습 모델에 입력함으로써, 제2 디바이스 지식 그래프를 획득할 수 있다. 제2 디바이스 지식 그래프는 제1 디바이스 지식 그래프로부터 확장된 지식 그래프일 수 있다.

제어부(1300)는, 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공할 수 있다. 제어부(1300)는, 디바이스(1000)의 현재 컨텍스트를 식별하고, 제2 디바이스 지식 그래프를 이용함으로써 현재 컨텍스트에 적합한 콘텐트를 추천 콘텐트로 결정할 수 있다. 또한, 제어부(1300)는, 결정된 추천 콘텐트를 콘텐트 제공 서버(3000)에게 요청하고, 콘텐트 제공 서버(3000)로부터 추천 콘텐트를 수신할 수 있다.

한편, 제어부(1300)는, 컨텍스트 정보를 시계열적인 동작을 나타내는 텍스트로 가공할 수 있다. 제어부(1300)는, 컨텍스트 정보에 기초하여, 디바이스(1000) 및/또는 사용자와 관련된 컨텍스트를 나타내는 문장을 생성할 수 있다.

제어부(1300)는, 디바이스 지식 그래프의 프라이버시 레벨을 설정할 수 있다. 제어부(1300)는, 디바이스 지식 그래프 내의 데이터 중에서 사용자의 프라이버시에 관련된 데이터를 추상화하기 위하여, 디바이스 지식 그래프의 프라이버시 레벨을 설정할 수 있다.

제어부(1300)는, 동작 S310에서의 텍스트 및 동작 S320에서 설정된 프라이버시 레벨을 제1 학습 모델에 적용할 수 있다. 제어부(1300)가, 제1 학습 모델에 텍스트 및 프라이버시 레벨을 입력함으로써, 개인의 프라이버시에 관련된 데이터가 추상화될 수 있으며, 추상화된 데이터에 기초한 제1 사용자 지식 데이터가 제1 학습 모델로부터 출력될 수 있다.

한편, 제어부(1300)는, 카테고리 목록에서 사용자 맞춤형 콘텐트를 제공받고자 하는 적어도 하나의 카테고리를 선택할 수 있다. 제어부(1300)는, 소정의 카테고리 목록을 디바이스(1000)의 화면 상에 디스플레이할 수 있으며, 카테고리 목록 내의 특정 카테고리를 선택하는 사용자 입력을 수신할 수 있다.

제어부(1300)는, 선택된 카테고리 별로 프라이버시 레벨을 설정할 수 있다. 제어부(1300)는, 프라이버시 레벨을 입력하기 위한 GUI를 디바이스(1000)의 화면 상에 디스플레이할 수 있으며, GUI를 통한 사용자 입력에 기초하여 카테고리 별로 프라이버시 레벨을 설정할 수 있다. 이에 따라, 카테고리 별로 프라이버시 레벨이 상이하게 설정될 수 있으며, 제어부(1300)는, 상이하게 설정된 프라이버시 레벨에 따라, 카테고리 별로 디바이스 지식 그래프를 생성할 수 있다.

한편, 제어부(1300)는, 디바이스(1000)의 동작 정보를 실시간으로 획득할 수 있다. 제어부(1300)는, 예를 들어, 디바이스(1000) 내에서 실행 중인 애플리케이션, 애플리케이션의 실행 중인 기능, 디바이스(1000)의 주변 환경, 및 디바이스(1000) 내에 저장된 일정 정보 등과 같이, 디바이스(1000)에 관련된 컨텍스트를 디바이스(1000)의 동작 정보로서 실시간으로 획득할 수 있다.

제어부(1300)는, 제2 디바이스 지식 그래프 및 디바이스(1000)의 동작 정보를 제3 학습 모델에 적용함으로써, 사용자에게 제공할 추천 콘텐트를 결정할 수 있다.

제어부(1300)는, 결정된 추천 콘텐트를 사용자에게 제공할 수 있다. 제어부(1300)는, 결정된 추천 콘텐트를 제공하는 콘텐트 제공 서버(3000)를 식별하고, 식별된 콘텐트 제공 서버(3000)에게 추천 콘텐트를 요청할 수 있다. 또한, 제어부(1300)는, 콘텐트 제공 서버(3000)로부터 추천 콘텐트를 수신할 수 있다. 이에 따라, 제어부(1300)는, 콘텐트 제공 서버(3000)에게 사용자의 프라이버시에 관련된 정보를 제공하지 않으면서, 사용자에게 적합한 추천 콘텐트를 사용자에게 제공할 수 있게 된다.

센싱부(1400)는, 디바이스(1000)의 상태 또는 디바이스(1000) 주변의 상태를 감지하고, 감지된 정보를 제어부(1300)로 전달할 수 있다.

센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

통신부(1500)는, 서버(2000) 및 콘텐트 제공 서버(3000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 디바이스(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.

또한, 통신부(1500)는, 디바이스 지식 그래프에 기초하여 추천 콘텐트를 제공하기 위하여 필요한 정보를, 서버(2000) 및 콘텐트 제공 서버(3000)와 송수신할 수 있다.

A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.

카메라(1610)에서 처리된 화상 프레임은 메모리(1700)에 저장되거나 통신부(1500)를 통하여 외부로 전송될 수 있다. 카메라(1610)는 단말기의 구성 태양에 따라 2개 이상이 구비될 수도 있다.

마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.

메모리(1700)는, 제어부(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 디바이스(1000)로 입력되거나 디바이스(1000)로부터 출력되는 데이터를 저장할 수도 있다.

메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

메모리(1700)는 제1 디바이스 지식 그래프, 및 제2 디바이스 지식 그래프를 저장할 수 있다. 메모리(1700)는 카테고리 별로 제1 디바이스 지식 그래프를 데이터베이스화하여 저장할 수 있다. 메모리(1700)는 프라이버시 레벨 별로 제1 디바이스 지식 그래프를 데이터베이스화하여 저장할 수 있다.

또한, 메모리(1700)는 카테고리 별로 제2 디바이스 지식 그래프를 데이터베이스화하여 저장할 수 있다. 메모리(1700)는 프라이버시 레벨 별로 제2 디바이스 지식 그래프를 데이터베이스화하여 저장할 수 있다.

메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.

UI 모듈(1710)은, 애플리케이션 별로 디바이스(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.

또한, 터치스크린의 터치를 감지하기 위한 센서의 일례로 근접 센서가 있다.

근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.

알림 모듈(1730)은 디바이스(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.

도 19는 일부 실시예에 따른 서버의 블록도이다.

도 19를 참조하면, 일부 실시예에 따른 서버(2000)는 통신부(2100), 저장부(2200) 및 프로세서(2300)를 포함할 수 있다.

통신부(2100)는, 디바이스(1000) 및 콘텐트 제공 서버(3000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(2100)는, 근거리 통신부, 이동 통신부, 및 방송 수신부를 포함할 수 있다. 또한, 통신부(2100)는, 디바이스 지식 그래프에 기초하여 추천 콘텐트를 제공하기 위하여 필요한 정보를, 디바이스(1000) 및 콘텐트 제공 서버(3000)와 송수신할 수 있다.

저장부(2200)는, 프로세서(2300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 서버(2000)로 입력되거나 서버(2000)로부터 출력되는 데이터를 저장할 수 있다. 또한, 저장부(2200)는 서버 지식 그래프를 저장할 수 있다. 저장부(2200)는 서버 지식 그래프를 카테고리 별로 데이터베이스화하여 저장할 수 있다.

프로세서(2300)는, 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 저장부(2300)에 저장된 프로그램들을 실행함으로써, 통신부(2100) 및 저장부(2300) 등을 전반적으로 제어할 수 있다. 프로세서(2300)는, 통신부(2100) 및 저장부(2300) 등을 제어함으로써, 본 명세서에서의 서버(2000)의 동작을 제어할 수 있다.

구체적으로, 프로세서(2300)는, 서버 지식 그래프를 생성할 수 있다. 프로세서(2300)는, 여러 디바이스로부터 다양한 종류의 빅 데이터를 수집할 수 있으며, 수집된 빅 데이터를 활용하여 서버 지식 그래프를 생성할 수 있다. 프로세서(2300)가 수집하는 빅 데이터는 개인의 프라이버시 정보가 추상화된 데이터일 수 있다.

프로세서(2300)는, 디바이스(1000)로부터 서버 지식 그래프의 요청을 수신할 수 있다. 프로세서(2300)는, 디바이스(1000)로부터 사용자의 프로필에 관한 정보 및/또는 카테고리 값을 수신할 수 있다. 이 경우, 사용자의 프로필에 관한 정보 내의 사용자의 프라이버시에 관한 정보는 추상화된 정보일 수 있다.

프로세서(2300)는, 디바이스에게 서버 지식 그래프를 제공할 수 있다. 프로세서(2300)는, 사용자의 프로필 및/또는 카테고리를 고려하여 디바이스(1000)에게 제공할 서버 지식 그래프를 저장부(2200)로부터 추출할 수 있으며, 추출된 서버 지식 그래프를 디바이스(1000)에게 제공할 수 있다. 이 경우, 서버 지식 그래프는, 사용자의 프로필 및/또는 카테고리 별로 생성되어 저장부(2200) 에 저장된 것일 수 있다.

프로세서(2300)는, 디바이스(1000)로부터 프라이버시 정보가 제거된 디바이스 지식 그래프를 수신할 수 있다. 프로세서(2300)는, 프라이버시 정보가 제거된 디바이스 지식 그래프를 이용하여 서버 지식 그래프를 업데이트시킬 수 있다. 프로세서(2300)는, 동작 S710에서 생성된 서버 지식 그래프, 및 동작 S735에서 수신된 디바이스 지식 그래프를 소정의 학습 모델에 입력함으로써, 서버 지식 그래프를 업데이트할 수 있다. 업데이트된 서버 지식 그래프는, 추후에 디바이스(1000)가 제2 디바이스 지식 그래프를 생성하는데 이용될 수 있다.

도 20은 일부 실시예에 따른 제어부의 블록도이다.

도 20을 참조하면, 일부 실시예에 따른 제어부(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.

데이터 학습부(1310)는 제1 디바이스 지식 그래프를 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 제1 디바이스 지식 그래프를 생성하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 제1 디바이스 지식 그래프를 어떻게 생성할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 제1 학습 모델에 적용함으로써, 제1 디바이스 지식 그래프를 생성하기 위한 기준을 학습할 수 있다.

또한, 데이터 학습부(1310)는 제2 디바이스 지식 그래프를 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 제2 디바이스 지식 그래프를 생성하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 제2 디바이스 지식 그래프를 어떻게 생성할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 제2 학습 모델에 적용함으로써, 제2 디바이스 지식 그래프를 생성하기 위한 기준을 학습할 수 있다.

또한, 데이터 학습부(1310)는 추천 콘텐트를 결정하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 추천 콘텐트를 결정하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 추천 콘텐트를 어떻게 결정할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 제3 학습 모델에 적용함으로써, 추천 콘텐트를 결정하기 위한 기준을 학습할 수 있다.

데이터 인식부(1320)는 제1 디바이스 지식 그래프를 출력할 수 있다. 데이터 인식부(1320)는 학습된 제1 학습 모델을 이용하여, 소정의 데이터로부터 제1 디바이스 지식 그래프를 출력할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 제1 학습 모델을 이용함으로써, 제1 디바이스 지식 그래프를 출력할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 제1 학습 모델을 갱신하는데 이용될 수 있다.

또한, 데이터 인식부(1320)는 제2 디바이스 지식 그래프를 출력할 수 있다. 데이터 인식부(1320)는 학습된 제2 학습 모델을 이용하여, 소정의 데이터로부터 제2 디바이스 지식 그래프를 출력할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 제2 학습 모델을 이용함으로써, 제2 디바이스 지식 그래프를 출력할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 제2 학습 모델을 갱신하는데 이용될 수 있다.

또한, 데이터 인식부(1320)는 추천 콘텐트를 결정할 수 있다. 데이터 인식부(1320)는 학습된 제3 학습 모델을 이용하여, 소정의 데이터로부터 추천 콘텐트를 결정할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 제3 학습 모델을 이용함으로써, 추천 콘텐트를 결정할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 제3 학습 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.

한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 21은 일부 실시예에 따른 데이터 학습부의 블록도이다.

도 21을 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.

데이터 획득부(1310-1)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

전처리부(1310-2)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1310-2)는 컨텍스트 정보를 소정의 시계열적 동작을 나타내는 텍스트로 가공할 수 있다.

학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

모델 학습부(1310-4)는 학습 데이터에 기초하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 모델 학습부(1310-4)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정에 이용되는 제1 학습 모델, 제2 학습 모델 및 제3 학습 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델은 미리 구축된 모델일 수 있다. 예를 들어, 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델은 기본 학습 데이터을 입력 받아 미리 구축된 모델일 수 있다.

제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 학습 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델이 각각 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 학습 모델을 선택할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 학습 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있으나, 이에 제한되지 않는다.

또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 필요한 데이터의 종류를 스스로 학습하는 비지도 학습(unsupervised learning)을 통하여, 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 출력 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 학습시킬 수 있다.

또한, 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델이 학습되면, 모델 학습부(1310-4)는 학습된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(1310-5)는 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 22는 일부 실시예에 따른 데이터 인식부의 블록도이다.

도 22를 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.

데이터 획득부(1320-1)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위해, 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 인식 결과 제공부(1320-4)가 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위하여, 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1320-2)는 컨텍스트 정보를 소정의 시계열적 동작을 나타내는 텍스트로 가공할 수 있다.

인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 수행할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델에 적용할 수 있다. 또한, 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정은 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델에 의해 수행될 수 있다.

모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 출력 값에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 출력 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 23은 일부 실시예에 따른 디바이스 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 23을 참조하면, 서버(2000)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 기준을 학습할 수 있으며, 디바이스(1000)는 서버(2000)에 의한 학습 결과에 기초하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 수행할 수 있다.

이 경우, 서버(2000)의 모델 학습부(2340)는 도 20에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 수행하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 위한 기준을 학습할 수 있다. 이 경우, 모델 학습 부(2340)가 이용하는 데이터 중에서, 디바이스(1000)의 사용자의 프라이버시에 관련된 데이터는, 소정 기준에 따라 디바이스(1000)에 의해 추상화된 데이터일 수 있다.

또한, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델에 적용하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 수행할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델에 적용하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 수행할 것을 요청할 수 있다. 이 경우, 인식 결과 제공부(1320-4) 및 인식 데이터 선택부(1320-3)가 이용하는 데이터 중에서, 디바이스(1000)의 사용자의 프라이버시에 관련된 데이터는, 소정 기준에 따라 디바이스(1000)에 의해 추상화된 데이터일 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 수행된 결과 값을 서버(2000)로부터 수신할 수 있다.

또는, 디바이스(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 서버(2000)로부터 수신하고, 수신된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델을 이용하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 수행할 수 있다. 이 경우, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델에 적용하여 제1 디바이스 지식 그래프의 생성, 제2 디바이스 지식 그래프의 생성 및 추천 콘텐트의 결정을 수행할 수 있다.

일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 또는 프로그램 모듈과 같은 변조된 데이터 신호의 기타 데이터를 포함할 수 있다.

또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims

지식 그래프에 기초하여 콘텐트를 제공하는 디바이스에 있어서,
통신 인터페이스;
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 하나 이상의 인스트럭션을 실행하는 프로세서;
를 포함하며,
상기 프로세서는, 상기 디바이스에 관련된 컨텍스트 정보를 획득하고, 상기 획득된 컨텍스트 정보를, 상기 디바이스의 사용자와 관련된 개체들 간의 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 상기 사용자의 제1 디바이스 지식 그래프를 획득하고, 서버에게 상기 서버에서 생성된 서버 지식 그래프를 요청하고, 상기 서버 지식 그래프를 상기 서버로부터 수신하고, 상기 제1 디바이스 지식 그래프 및 상기 서버 지식 그래프를 상기 제1 디바이스 지식 그래프를 확장하기 위한 제2 학습 모델에 입력함으로써, 상기 사용자의 제2 디바이스 지식 그래프를 획득하고, 상기 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공하는, 디바이스.
제1 항에 있어서,
상기 제1 학습 모델 및 상기 제2 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델인 것인, 디바이스.
제1 항에 있어서,
상기 서버 지식 그래프는, 상기 디바이스 및 다른 디바이스로부터 상기 서버에게 제공된 빅 데이터에 기초하여, 상기 서버에 의해 생성된 것인, 디바이스.
제1 항에 있어서,
상기 프로세서는, 상기 컨텍스트 정보를 시계열적인 동작을 나타내는 텍스트로 가공하며, 상기 가공된 텍스트를 상기 제1 학습 모델에 입력하는 것인, 디바이스.
제1 항에 있어서,
상기 프로세서는, 상기 제1 디바이스 지식 그래프를 위한 프라이버시(privacy) 레벨을 결정하고, 상기 프라이버시 레벨을 상기 제1 학습 모델에 입력하며,
상기 제1 학습 모델로부터 출력되는 상기 제1 디바이스 지식 그래프 내의 데이터 중 일부는, 상기 프라이버시 레벨에 따라 추상화된 데이터를 포함하는 것인, 디바이스.
제1 항에 있어서,
상기 프로세서는, 상기 제1 학습 모델에 카테고리를 입력하며,
상기 제1 학습 모델로부터 상기 입력된 카테고리에 대응되는 상기 제1 디바이스 지식 그래프가 출력되는 것인, 디바이스.
제1 항에 있어서,
상기 제1 학습 모델은, 엔터티 추출, 엔터티 분석 및 추상화, 및 관계 추출을 통해 상기 제1 디바이스 지식 그래프를 출력하는 것인, 디바이스.
제1 항에 있어서,
상기 프로세서는, 상기 사용자의 사용자 프로필에 관한 정보를 상기 서버에게 전송하고, 상기 사용자 프로필에 관련된 상기 서버 지식 그래프를 상기 서버로부터 수신하는 것인, 디바이스.
제1 항에 있어서,
상기 프로세서는, 소정의 카테고리를 상기 서버에게 전송하고, 상기 카테고리에 대응되는 상기 서버 지식 그래프를 상기 서버로부터 수신하는 것인, 디바이스.
제1 항에 있어서,
상기 프로세서는, 상기 디바이스의 동작 정보 및 상기 제2 디바이스 지식 그래프를 제3 학습 모델에 입력함으로써 상기 사용자에게 추천할 추천 콘텐트를 결정하고, 상기 추천 콘텐트를 콘텐트 제공 서버에게 요청하는 것인, 디바이스.
디바이스가 지식 그래프에 기초하여 콘텐트를 제공하는 방법에 있어서,
상기 디바이스에 관련된 컨텍스트 정보를 획득하는 동작;
상기 획득된 컨텍스트 정보를, 상기 디바이스의 사용자와 관련된 개체들 간의 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 상기 사용자의 제1 디바이스 지식 그래프를 획득하는 동작;
서버에게 상기 서버에서 생성된 서버 지식 그래프를 요청하는 동작;
상기 서버 지식 그래프를 상기 서버로부터 수신하는 동작;
상기 제1 디바이스 지식 그래프 및 상기 서버 지식 그래프를 상기 제1 디바이스 지식 그래프를 확장하기 위한 제2 학습 모델에 입력함으로써, 상기 사용자의 제2 디바이스 지식 그래프를 획득하는 동작; 및
상기 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공하는 동작;
을 포함하는, 방법.
제11 항에 있어서,
상기 제1 학습 모델 및 상기 제2 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델인 것인, 방법.
제11 항에 있어서,
상기 서버 지식 그래프는, 상기 디바이스 및 다른 디바이스로부터 상기 서버에게 제공된 빅 데이터에 기초하여, 상기 서버에 의해 생성된 것인, 방법.
제1 항에 있어서,
상기 컨텍스트 정보를 시계열적인 동작을 나타내는 텍스트로 가공하는 동작;
을 더 포함하며,
제1 디바이스 지식 그래프를 획득하는 동작은, 상기 가공된 텍스트를 상기 제1 학습 모델에 입력하는 것인, 방법.
제11 항에 있어서,
상기 제1 디바이스 지식 그래프를 위한 프라이버시(privacy) 레벨을 결정하는 동작;
을 더 포함하며,
상기 제1 디바이스 지식 그래프를 획득하는 동작은, 상기 프라이버시 레벨을 상기 제1 학습 모델에 입력하는 동작을 포함하며,
상기 제1 학습 모델로부터 출력되는 상기 제1 디바이스 지식 그래프 내의 데이터 중 일부는, 상기 프라이버시 레벨에 따라 추상화된 데이터를 포함하는 것인, 방법.
제11 항에 있어서,
상기 제1 디바이스 지식 그래프를 획득하는 동작은, 상기 제1 학습 모델에 카테고리를 입력하는 동작을 포함하며,
상기 제1 학습 모델로부터 상기 입력된 카테고리에 대응되는 상기 제1 디바이스 지식 그래프가 출력되는 것인, 방법.
제11 항에 있어서,
상기 제1 학습 모델은, 엔터티 추출, 엔터티 분석 및 추상화, 및 관계 추출을 통해 상기 제1 디바이스 지식 그래프를 출력하는 것인, 방법.
제11 항에 있어서,
상기 서버 지식 그래프를 상기 서버에게 요청하는 동작은, 상기 사용자의 사용자 프로필에 관한 정보를 상기 서버에게 전송하는 동작을 포함하며,
상기 사용자 프로필에 관련된 상기 서버 지식 그래프가 상기 서버로부터 상기 디바이스에게 제공되는 것인, 방법.
제11 항에 있어서,
상기 서버 지식 그래프를 상기 서버에게 요청하는 동작은, 소정의 카테고리를 상기 서버에게 전송하는 동작을 포함하며,
상기 카테고리에 대응되는 상기 서버 지식 그래프가 상기 서버로부터 상기 디바이스에게 제공되는 것인, 방법.
디바이스에 관련된 컨텍스트 정보를 획득하는 동작;
상기 획득된 컨텍스트 정보를, 상기 디바이스의 사용자와 관련된 개체들 간의 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 상기 사용자의 제1 디바이스 지식 그래프를 획득하는 동작;
서버에게 상기 서버에서 생성된 서버 지식 그래프를 요청하는 동작;
상기 서버 지식 그래프를 상기 서버로부터 수신하는 동작;
상기 제1 디바이스 지식 그래프 및 상기 서버 지식 그래프를 상기 제1 디바이스 지식 그래프를 확장하기 위한 제2 학습 모델에 입력함으로써, 상기 사용자의 제2 디바이스 지식 그래프를 획득하는 동작; 및
상기 제2 디바이스 지식 그래프에 기초하여 콘텐트를 제공하는 동작;을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 제품.