KR20200092465A - 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치 - Google Patents

추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치 Download PDF

Info

Publication number
KR20200092465A
KR20200092465A KR1020190001925A KR20190001925A KR20200092465A KR 20200092465 A KR20200092465 A KR 20200092465A KR 1020190001925 A KR1020190001925 A KR 1020190001925A KR 20190001925 A KR20190001925 A KR 20190001925A KR 20200092465 A KR20200092465 A KR 20200092465A
Authority
KR
South Korea
Prior art keywords
content
user
metadata
electronic device
unit
Prior art date
Application number
KR1020190001925A
Other languages
English (en)
Inventor
비벡 아그라왈
자틴 가르그
구자윤
서동진
안관기
이근택
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190001925A priority Critical patent/KR20200092465A/ko
Priority to PCT/KR2020/000184 priority patent/WO2020145596A1/ko
Priority to US17/421,292 priority patent/US20220147870A1/en
Priority to EP20739008.9A priority patent/EP3902277A4/en
Publication of KR20200092465A publication Critical patent/KR20200092465A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2665—Gathering content from different sources, e.g. Internet and satellite
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
    • H04N21/4312—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/658—Transmission by the client directed to the server
    • H04N21/6582—Data stored in the client, e.g. viewing habits, hardware capabilities, credit card number

Abstract

본 개시의 실시예에 따른 전자 장치는 통신부; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 적어도 하나 포함하고, 상기 적어도 하나의 프로세서는, 컨텐츠를 제공하는 복수개의 서로 다른 서버들 각각으로부터 컨텐츠 메타데이터, 및 사용자 메타데이터를 수집하고, 제1 학습 네트워크 모델을 이용하여, 상기 컨텐츠 메타데이터의 특성을 기초로 상기 컨텐츠 간 유사도 정보를 포함하는 컨텐츠 레이턴트 팩터를 획득하고, 제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 사용자 선호 컨텐츠 정보와 관련되는 사용자 레이턴트 팩터를 획득하고, 제3 학습 네트워크 모델을 이용하여, 상기 컨텐츠 레이턴트 팩터 및 상기 사용자 레이턴트 팩터를 기초로 상기 컨텐츠 각각에 대한 사용자 선호도 점수를 획득하고, 상기 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공할 수 있다.

Description

추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치{METHOD FOR RECOMMENDING CONTENTS AND ELECTRONIC DEVICE THEREFOR}
개시된 실시예는 추천 컨텐츠 리스트 제공 방법 및 그에 따른 장치에 관한 것으로, 보다 상세하게는, 서로 다른 서버로부터 수신된 컨텐츠 메타데이터 및 사용자 메타데이터에 기초하여 추천 컨텐츠 리스트를 제공하는 방법 및 전자 장치에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 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 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 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.
최근, 전자 장치의 보급 및 기술 개발로 인하여, 전자 장치에 제공되는 컨텐츠의 양이 증가하고 있으며, 제공되는 컨텐츠의 종류 또한 다양해지고 있다. 예를 들어, 사용자는 TV와 같은 방송 수신 장치에서 제공되는 방송 프로그램뿐만 아니라, OTT(Over The Top) 서비스와 같이, 인터넷을 통해 드라마나 영화 등의 다양한 컨텐츠가 제공되는 인터넷 기반의 동영상 서비스를 이용할 수 있게 되었다.
전술한 바와 같이, 전자 장치가 선택적으로 수신 및 디스플레이할 수 있는 컨텐츠의 종류 및 개수가 다양한 소스들로부터 제공됨에 따라서, 사용자는 수많은 컨텐츠 중 어느 하나를 선택하는데 불편함을 겪을 수 있다. 따라서, 사용자가 전자 장치를 통하여 소정의 컨텐츠를 시청할 때, 사용자가 원하는 컨텐츠를 빠르게 선택할 수 있도록 하는 컨텐츠 추천 방법이 필요하다.
본 개시의 실시예는 사용자가 원하는 컨텐츠를 빠르고 편리하게 선택할 수 있도록 하는 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치의 제공을 목적으로 한다.
구체적으로, 본 개시의 실시예는 서로 다른 복수개의 서버로부터 제공되는 컨텐츠 메타데이터 및 사용자 메타데이터를 기반으로 추천 컨텐츠 리스트 제공 방법 및 전자 장치에 관한 것이다.
본 개시의 실시예에 따른 전자 장치는, 통신부; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 적어도 하나 포함하고, 상기 적어도 하나의 프로세서는, 컨텐츠를 제공하는 복수개의 서로 다른 서버들 각각으로부터 컨텐츠 메타데이터 및 사용자 메타데이터를 수집하고, 제1 학습 네트워크 모델을 이용하여, 상기 컨텐츠 메타데이터 특성을 기초로 상기 컨텐츠 간 유사도 정보를 포함하는 컨텐츠 레이턴트 팩터를 획득하고, 제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 사용자 선호 컨텐츠 정보와 관련되는 사용자 레이턴트 팩터를 획득하고, 제3 학습 네트워크 모델을 이용하여, 상기 컨텐츠 레이턴트 팩터 및 상기 사용자 레이턴트 팩터를 기초로 상기 컨텐츠에 대한 사용자 선호도 점수를 획득하고, 상기 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공할 수 있다. 이에 따라, 전자 장치는 복수개의 소스들로부터 획득되는 컨텐츠 메타데이터 및 사용자 메타데이터의 특성에 기초하여 추천 컨텐츠 리스트를 제공할 수 있어 하나의 소스로부터 획득된 메타데이터에 기초하여 추천 컨텐츠 리스트를 제공할 때 보다 정확도가 높아진다는 이점이 있다.
또한, 상기 프로세서는, 상기 복수개의 서로 다른 서버들 중 제1 서버가 제공하는 소정의 컨텐츠에 대한 사용자 입력을 수신하면, 상기 사용자에 대응되는 사용자 메타데이터를 기초로 상기 제3 학습 네트워크 모델을 이용하여 상기 제1 서버로부터 제공되는 컨텐츠 각각에 대한 상기 사용자의 선호도 점수를 획득할 수 있다. 따라서, 전자 장치는 제1 서버에 컨텐츠 시청 이력 정보가 없는 경우에도, 다른 소스들로부터 수신된 컨텐츠 메타데이터 및 사용자 메타데이터에 기초하여 추천 컨텐츠 리스트를 제공할 수 있다.
또한, 상기 컨텐츠 메타데이터는, 장르 정보, 디렉터 정보, 출연자 정보, 시간 정보 및 컨텐츠 제공자(CP, content provider) 정보 중 적어도 하나의 정보를 나타내기 위한 포맷을 포함할 수 있다.
또한, 상기 프로세서는, 상기 제1 학습 네트워크 모델을 이용하여 N차원의 벡터 포맷을 가지는 상기 컨텐츠 레이턴트 팩터를 상기 컨텐츠마다 획득할 수 있다. 이에 따라, 전자 장치는 서로 다른 포맷을 갖는 컨텐츠 메타데이터의 특성을 기초로, 컨텐츠 간 유사도를 판단할 수 있다.
또한, 상기 프로세서는, 상기 컨텐츠 각각에 대응되는 인덱스를 상기 컨텐츠 레이턴트 팩터에 매핑할 수 있다. 이에 따라, 전자 장치는 각각의 컨텐츠 레이턴트 팩터에 대응되는 컨텐츠를 식별할 수 있다.
또한, 상기 사용자 메타데이터는, 사용자의 컨텐츠 시청 이력 정보 또는 상기 사용자의 컨텐츠 선호도 정보 중 적어도 하나를 포함할 수 있다. 따라서, 전자 장치는 사용자 메타데이터에 기초하여 사용자 선호도가 소정 기준 이상인 컨텐츠를 판단할 수 있다.
또한, 상기 프로세서는, 상기 제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 M차원의 벡터 포맷을 가지는 상기 레이턴트 팩터를 사용자 마다 획득할 수 있다. 이에 따라, 전자 장치는 포맷이 상이한 사용자 메타데이터를 이용하여 동일한 포맷의 사용자 지표를 획득할 수 있다. 따라서, 전자 장치는 사용자 메타데이터에 포함된 컨텐츠 시청 이력에 기초하여, 사용자가 시청한 컨텐츠와 유사한 컨텐츠를 포함하는 추천 컨텐츠 리스트를 제공할 수 있다.
또한, 상기 프로세서는, 상기 사용자 각각에 대응되는 인덱스를 상기 사용자 레이턴트 팩터에 매핑할 수 있다. 따라서, 전자 장치는 사용자 레이턴트 팩터에 대응되는 사용자를 인덱스를 통해 식별할 수 있다.
또한, 상기 프로세서는, 상기 사용자 선호도 점수에 기초하여 선호도가 높은 순으로 미리 정해진 수의 컨텐츠 식별자를 포함하는 상기 추천 컨텐츠 리스트를 제공할 수 있다. 따라서, 전자 장치는 추천 컨텐츠 리스트에 사용자가 목적하는 컨텐츠가 없는 경우, 사용자 인터페이스를 통해 추천할 컨텐츠의 수를 증가시킬 수 있다.
또한, 상기 복수개의 서로 다른 서버들은, 방송국 서버, OTT 서비스 제공 서버, 스트리밍 서버 중 적어도 하나 이상을 포함할 수 있다. 따라서, 전자 장치는 다양한 소스들로부터 수신되는 메타데이터에 기초하여 추천 컨텐츠 리스트를 제공할 수 있다.
본 개시의 실시예에 따르면, 전자 장치의 동작 방법은 컨텐츠를 제공하는 복수개의 서로 다른 서버들 각각으로부터 컨텐츠 메타데이터, 및 사용자 메타데이터를 수집하는 단계; 제1 학습 네트워크 모델을 이용하여, 상기 컨텐츠 메타데이터의 특성을 기초로 상기 컨텐츠 간 유사도 정보를 포함하는 컨텐츠 레이턴트 팩터를 생성하는 단계; 제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 사용자 선호 컨텐츠 정보와 관련되는 사용자 레이턴트 팩터를 생성하고, 제3 네트워크 모델을 이용하여, 상기 컨텐츠 레이턴트 팩터 및 상기 사용자 레이턴트 팩터를 기초로 상기 컨텐츠 각각에 대한 사용자 선호도 점수를 획득하는 단계; 및 상기 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공하는 단계를 포함할 수 있다.
또한, 상기 획득하는 단계는, 상기 복수개의 서로 다른 서버들 중 상기 제1 서버가 제공하는 소정의 컨텐츠에 대한 사용자 입력을 수신하면, 상기 사용자에 대응되는 사용자 메타데이터를 기초로 상기 제3 학습 네트워크 모델을 이용하여 상기 제1 서버로부터 제공되는 컨텐츠 각각에 대한 상기 사용자의 선호도 점수를 획득할 수 있다.
또한, 상기 컨텐츠 메타데이터는, 장르 정보, 디렉터 정보, 출연자 정보, 시간 정보 및 컨텐츠 제공자(CP, content provider) 정보 중 적어도 하나의 정보를 나타내기 위한 포맷을 포함할 수 있다.
또한, 상기 컨텐츠 레이턴트 팩터를 생성하는 단계는, 상기 제1 학습 네트워크 모델을 이용하여, N차원의 벡터 포맷을 가지는 상기 컨텐츠 레이턴트 팩터를 상기 컨텐츠마다 생성하는 단계일 수 있다.
또한, 상기 컨텐츠 레이턴트 팩터를 생성하는 단계는, 상기 컨텐츠 각각에 대응되는 인덱스를 상기 컨텐츠 레이턴트 팩터에 매핑하는 단계를 더 포함할 수 있다.
또한, 상기 사용자 메타데이터는, 사용자의 컨텐츠 시청 이력 정보 또는 상기 사용자의 컨텐츠 선호도 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 사용자 레이턴트 팩터를 생성하는 단계는, 상기 제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 M차원의 벡터 포맷을 가지는 상기 사용자 레이턴트 팩터를 사용자마다 생성하는 단계를 더 포함할 수 있다.
또한, 상기 사용자 레이턴트 팩터를 생성하는 단계는, 상기 사용자 각각에 대응되는 인덱스를 상기 사용자 레이턴트 팩터에 매핑하는 단계를 더 포함할 수 있다.
또한, 상기 제공하는 단계는, 상기 사용자 선호도 점수에 기초하여 선호도가 높은 순으로 미리 정해진 수의 컨텐츠 식별자를 포함하는 상기 추천 컨텐츠 리스트를 제공하는 단계일 수 있다.
또한, 상기 복수개의 서로 다른 서버들은, 방송국 서버, OTT 서비스 제공 서버, 스트리밍 서버 중 적어도 하나 이상을 포함할 수 있다.
본 개시의 실시예에 따른 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치는 서로 다른 복수개의 서버로부터 제공되는 컨텐츠 메타데이터 및 사용자 메타데이터에 기초하여, 사용자가 선호할 가능성이 높은 컨텐츠를 우선적으로 추천할 수 있다.
그에 따라서, 본 개시의 실시예에 따른 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치는 사용자가 원하는 컨텐츠를 빠르고 편리하게 선택하도록 할 수 있다.
도 1은 일부 실시예에 따른 컨텐츠 추천 방법을 설명하기 위한 시스템을 나타내는 도면이다.
도 2는 일부 실시예에 따른 추천 컨텐츠 리스트 제공 화면을 나타내는 도면이다.
도 3은 일부 실시예에 따른 컨텐츠 메타데이터의 특성을 기초로 컨텐츠 유사도 지표를 획득하는 방법의 흐름도이다.
도 4는 일부 실시예에 따른 사용자 메타데이터의 특성을 기초로 사용자 지표를 획득하는 방법의 흐름도이다.
도 5는 일부 실시예에 따른 추천 컨텐츠 리스트 제공 방법의 흐름도이다.
도 6은 일부 실시예에 따른 전자 장치가 사용자 선호도 점수를 획득하는 예시를 나타내는 도면이다.
도 7은 일부 실시예에 따른 전자 장치가 사용자 선호도 점수를 획득하는 예시를 나타내는 다른 도면이다.
도 8은 일부 실시예에 따른 전자 장치가 유사도 지표 학습 모델을 획득하는 예시를 나타내는 도면이다.
도 9는 일부 실시예에 따른 유사도 지표 학습 모델의 예시를 나타내는 도면이다.
도 10은 일부 실시예에 따른 유사도 지표 학습 모델에 컨텐츠 인덱스가 매핑된 예시를 나타내는 도면이다.
도 11은 일부 실시예에 따른 사용자 지표 학습 모델에 사용자 인덱스가 매핑된 예시를 나타내는 도면이다.
도 12는 일부 실시예에 따른 전자 장치의 블록도이다.
도 13은 일부 실시예에 따른 프로세서의 블록도이다.
도 14는 일부 실시예에 따른 데이터 학습부의 블록도이다.
도 15는 일부 실시예에 따른 데이터 인식부의 블록도이다.
도 16은 일부 실시예에 따른 전자 장치의 구성을 상세하게 나타내는 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 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 다양한 곳에 등장하는 "일부 실시예에서" 또는 "일 실시예에서" 등의 어구는 반드시 모두 동일한 실시예를 가리키는 것은 아니다.
일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 프로세서 또는 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 모듈 및 구성등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
또한, 'A와 B 중 적어도 하나'라는 기재는 'A 또는 B' 또는 'A 및 B'를 의미한다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일부 실시예에 따른 컨텐츠 추천 방법을 설명하기 위한 시스템을 나타내는 도면이다.
도 1을 참조하면, 본 개시의 실시예에 따른 시스템(100)은 복수개의 서로 다른 서버들(110), 통신망(120), 및 전자 장치(130)를 포함할 수 있다.
복수개의 서로 다른 서버들(110)은 통신망(120)을 통해 전자 장치(130)와 통신할 수 있는 서버들을 포함할 수 있다. 구체적으로, 복수개의 서로 다른 서버들(110)은 통신망(120)을 통해 전자 장치(130)로 소정 컨텐츠를 제공할 수 있으며, 제공되는 컨텐츠에 대응되는 컨텐츠 메타데이터를 제공할 수 있다. 또한, 복수개의 서로 다른 서버들(110)은 사용자의 컨텐츠 시청 이력 또는 사용자의 컨텐츠 선호도 정보를 포함하는 사용자 메타데이터를 제공할 수 있다. 여기서, 사용자의 컨텐츠 선호도 정보는, 시청한 컨텐츠에 대한 사용자 평점, 리뷰에 의해 결정되는 정보일 수 있다.
도 1을 참조하면, 복수개의 서로 다른 서버들(110)은 서로 다른 유형의 컨텐츠를 제공하는 제1 서버(111) 및 제2 서버(112)를 포함할 수 있다. 예를 들어, 제1 서버(111) 및 제2 서버(112)는 각각 방송국 서버, OTT 서비스 제공 서버 또는 스트리밍 서버 중 적어도 하나에 대응될 수 있다. 즉, 복수개의 서로 다른 서버들(110)은 컨텐츠를 제공하는 서로 다른 소스들을 의미할 수 있다.
방송국 서버는 소정 채널을 통해 컨텐츠를 전자 장치(130)로 송출하는 서버를 의미한다. 이 때, 채널은 방송 채널이 될 수 있으며, 전자 장치(130)의 사용자는 소정 채널을 선택함으로써, 방송 프로그램을 시청할 수 있다.
또한, 스트리밍 서버는 통신망(120)을 통해 VoD(Video on Demand) 서비스 및/또는 스트리밍 컨텐츠 제공 서비스 등을 사용자에게 제공할 수 있다. 예를 들어, 사용자는 전자 장치(130)가 TV 인 경우, 소정 스트리밍 영화 제공 서비스를 채널 '1'을 통하여 수신할 수 있으며, 사용자는 전자 장치(130)에서 채널 '1'을 선택하면 소정 스트리밍 영화 제공 서비스에서 제공하는 영화 컨텐츠를 시청할 수 있다.
또한, OTT 서비스 제공 서버는 OTT 서비스를 제공하는 서버로, OTT(Over The Top) 서비스는 인터넷을 통해 드라마나 영화 등의 다양한 미디어 컨텐츠를 제공하는 서비스를 의미한다. 여기서, Top은 TV에 연결되는 셋탑 박스를 의미하나, 최근 OTT 서비스는 셋탑 박스의 유무를 떠나 PC, 스마트폰 등의 전자 장치에서 제공될 수 있을 뿐만 아니라, 기존의 방송사 또는 통신사가 추가적으로 제공하는 인터넷 기반의 동영상 서비스를 모두 포함할 수 있다.
복수개의 서로 다른 서버들(110)은 컨텐츠 메타데이터 또는 사용자 메타데이터를 제공할 수 있다. 한편, 복수개의 서로 다른 서버들(110)은 컨텐츠를 제공하는 서버들(111, 112)과 별도로, 메타데이터를 제공하는 서버를 포함할 수도 있음은 물론이다.
전자 장치(130)는 통신망(120)을 통해 복수개의 서로 다른 서버들(110)로부터 컨텐츠를 수신할 수 있고, 수신된 컨텐츠에 대응되는 컨텐츠 메타데이터를 저장할 수 있다. 또한, 전자 장치(130)는 사용자의 컨텐츠 시청 이력 또는 사용자의 컨텐츠 선호도 정보를 포함하는 사용자 메타데이터를 저장할 수 있다. 따라서, 전자 장치(130)의 메모리에 기 저장된 컨텐츠 메타데이터 및 사용자 메타데이터에 기초하여 전자 장치(130)가 추천 컨텐츠 리스트를 제공할 수 있음은 물론이다.
일부 실시예에서, 복수개의 서로 다른 서버들(110)과 전자 장치(130)는 통신망(120)을 통해 연결될 수 있다. 이 때, 통신망(120)은 유선 및/또는 무선의 통신망으로 구성될 수 있으며, 예를 들면, 근거리 통신망(LAN: Local Area Network), 도시권 통신망(MAN: Metropolitan Area Network), 광역 통신망(WAN: Wide Area Network) 또는 월드와이드웹(WWW: World Wide Web) 등의 다양한 통신망(120)일 수 있다.
일부 실시예에 따른 전자 장치(130)는 컨텐츠를 재생할 수 있는 컴퓨팅 장치일 수 있으며, 예를 들어, PC, 랩톱, 휴대폰, 마이크로 서버, GPS(global positioning system) 장치, 스마트 폰, 웨어러블 단말기, 전자책 단말기, 가전기기, 자동차 내의 전자 장치 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있다. 그러나, 전자 장치(130)는 이에 제한되지 않으며, 통신 기능 및 데이터 프로세싱 기능을 구비한 모든 종류의 기기를 포함할 수 있다.
일부 실시예에 따르면, 전자 장치(130)는 컨텐츠를 제공하는 복수개의 서로 다른 서버들(110)의 유형에 따라, 상이한 형태로 존재할 수 있다. 예를 들어, 제1 서버(111)가 방송국 서버인 경우, 전자 장치(130)는 방송 수신 장치, 즉, TV일 수 있으며, 제2 서버(112)가 OTT 서비스 제공 서버인 경우, 전자 장치(130)는 스마트 TV 또는 스마트 폰 등이 될 수 있다.
전술한 바와 같이, 복수개의 서로 다른 서버들(110)로부터 전자 장치(130)가 선택적으로 수신 및 디스플레이할 수 있는 컨텐츠의 종류 및 개수가 많아짐에 따라서, 사용자는 수많은 컨텐츠 중 어느 하나를 선택하는데 불편함을 겪을 수 있다. 따라서, 사용자가 전자 장치(130)를 통하여 소정 컨텐츠를 시청할 때, 사용자가 원하는 컨텐츠를 빠르게 선택할 수 있도록 하는 컨텐츠 추천 방법이 필요하다.
추천 컨텐츠 리스트 제공 방법은 사용자의 컨텐츠 시청 이력을 포함하는 사용자 메타데이터 및 사용자가 시청한 컨텐츠에 대응되는 컨텐츠 메타데이터에 기초하여, 사용자가 시청한 컨텐츠와 유사한 컨텐츠를 추천하는 방식이 사용될 수 있다. 이 때, 컨텐츠를 제공하는 소스가 서로 상이한 경우, 컨텐츠 메타데이터를 정의하는 방식도 상이할 수 있다. 따라서, 추천 컨텐츠 리스트는 단일 소스로부터 제공되는 컨텐츠에 대해서만 적용이 가능하다는 문제가 있다. 예를 들어, 방송국 서버에서 제공되는 추천 컨텐츠 리스트는 TV 프로그램에 대해서만 적용이 가능하고, OTT 서비스 제공 서버로부터 제공되는 컨텐츠에 대해서는 적용을 할 수 없다는 문제가 있다. 즉, 방송국 서버로부터 제공되는 컨텐츠에 대한 사용자 시청 이력을 기반으로 OTT 서비스에서 컨텐츠를 추천할 수 없다는 불편이 있다.
이하에서는 도 2 내지 도 16을 참조하여, 학습 네트워크 모델을 이용하여 서로 다른 소스들로부터 제공되는 컨텐츠 메타데이터 및 사용자 메타데이터의 특성을 기초로 컨텐츠를 추천하는 방법 및 전자 장치에 대해 설명하도록 한다.
도 2는 일부 실시예에 따른 추천 컨텐츠 리스트 제공 화면을 나타내는 도면이다. 도 2를 참조하면, 추천 컨텐츠 리스트 제공 화면(200)은 전자 장치(130)의 디스플레이에 표시될 수 있고, 사용자에 대한 추천 컨텐츠 리스트(210)를 포함할 수 있다.
도 2를 참조하면, 추천 컨텐츠 리스트(210)는 OTT 서비스 제공 서버들 중 하나인 넷플릭스에서 제공되는 추천 컨텐츠 리스트일 수 있다. 구체적으로, 전자 장치(130)는 OTT 서비스 제공 소스들(예를 들어, NETFLIX, POOQ, Watcha, 등)로부터, 사용자의 컨텐츠 시청 이력을 포함하는 사용자 메타데이터 및 컨텐츠 메타데이터를 수집할 수 있다. 또한, 전자 장치(130)는 복수개의 소스들로부터 수집된 사용자 메타데이터 및 컨텐츠 메타데이터에 기초하여, 학습 네트워크 모델을 이용하여, 넷플릭스에서 제공되는 컨텐츠 각각에 대한 사용자의 선호도 점수를 획득할 수 있다. 또한, 전자 장치(130)는 획득된 사용자 선호도 점수에 기초하여, 선호도가 높은 순으로 미리 정해진 수의 컨텐츠를 포함하는 추천 컨텐츠 리스트(210)를 제공할 수 있다.
전자 장치(130)는 추천 컨텐츠 리스트(210)에 포함될 컨텐츠의 개수를 입력 또는 선택할 수 있는 사용자 인터페이스(220)를 제공할 수 있다. 추천 컨텐츠의 개수를 선택하는 방식은 이에 제한되지 않으며, 추천 컨텐츠의 개수는 학습 네트워크 모델에 의해 자동으로 설정될 수 있음은 물론이다.
도 3은 일부 실시예에 따른 컨텐츠 메타데이터의 특성을 기초로 컨텐츠 유사도 지표를 획득하는 방법의 흐름도이다.
동작 S310에서, 전자 장치(130)는 컨텐츠를 제공하는 복수개의 서버들 각각으로부터 컨텐츠 메타데이터를 수집할 수 있다. 전자 장치(130)는 컨텐츠를 제공하는 서버들뿐만 아니라, 다른 소스들로부터 컨텐츠 메타데이터를 수집할 수 있다. 또한, 복수개의 소스들로부터 수신되는 컨텐츠가 전자 장치(130)에서 재생될 때, 컨텐츠 메타데이터는 전자 장치(130)에 저장될 수 있으므로, 전자 장치(130)는 메모리에 기저장된 컨텐츠 메타데이터를 수집할 수도 있다.
동작 S320에서, 전자 장치(130)는 컨텐츠 간 유사도를 판단하기 위해 유사도 지표 학습 모델을 이용하여 N차원의 벡터 포맷을 가지는 유사도 지표, 즉 레이턴트 팩터를 컨텐츠마다 획득할 수 있다. 구체적으로, 전자 장치(130)는 서로 다른 포맷을 가지는 컨텐츠 메타데이터를 학습 네트워크 모델을 이용하여, 동일한 포맷을 가지는 유사도 지표로 변환할 수 있다. 본 개시의 일부 실시예에 따른 전자 장치(130)는 유사도 지표로서, 레이턴트 팩터를 이용할 수 있다. 레이턴트 팩터에 대해서는, 도 6에서 구체적으로 후술한다. 이하에서는, 설명의 편의 상, 컨텐츠 레이턴트 팩터를 컨텐츠 유사도 지표 또는 유사도 지표로 지칭하고, 사용자 레이턴트 팩터를 사용자 지표로 지칭한다.
예를 들어, 전자 장치(130)는 컨텐츠 메타데이터에 포함되는 정보의 특성을 기초로 N차원의 벡터로 표현되는 유사도 지표를 각 컨텐츠마다 획득할 수 있다. 동작 S320은 도 8 내지 도 9를 참조하여 자세히 후술하도록 한다.
동작 S330에서, 전자 장치(130)는 컨텐츠 각각에 대응되는 인덱스를 유사도 지표에 매핑할 수 있다. 구체적으로, 전자 장치(130)는 컨텐츠마다 획득된 유사도 지표가 어떠한 컨텐츠에 대한 유사도 지표인지를 나타내는 인덱스를 유사도 지표에 매핑할 수 있다. 예를 들어, 전자 장치(130)가 지상파 소스로부터 '어벤져스'에 대한 컨텐츠 메타데이터를 수신하고, OTT 서비스 제공 소스로부터 '어벤져스'에 대한 컨텐츠 메타데이터를 수신하면, 수신된 각각의 컨텐츠 메타데이터의 특성에 기초하여 컨텐츠에 대응하는 하나의 유사도 지표를 획득할 수 있다. 전자 장치(130)는 획득된 유사도 지표에 '어벤져스'를 식별할 수 있는 인덱스를 매핑할 수 있다. 동작 S330은 도 10을 참조하여 자세히 후술하도록 한다.
도 4는 일부 실시예에 따른 사용자 메타데이터의 특성을 기초로 사용자 지표를 획득하는 방법의 흐름도이다.
동작 S410에서, 전자 장치(130)는 컨텐츠를 제공하는 복수개의 서버들 각각으로부터 사용자 메타데이터 수집할 수 있다. 전자 장치(130)는 컨텐츠를 제공하는 서버들뿐만 아니라, 별도로 구비되는 다른 소스들로부터 사용자 메타데이터를 수집할 수 있다. 또한, 일부 실시예에 따르면, 복수개의 소스들로부터 수신되는 컨텐츠가 전자 장치(130)에서 재생될 때, 사용자의 컨텐츠 시청 이력 또는 사용자의 컨텐츠 선호도 정보를 포함하는 사용자 메타데이터가 전자 장치(130)에 저장될 수 있다. 따라서, 전자 장치(130)는 메모리에 기저장된 사용자 메타데이터를 수집할 수도 있다.
동작 S420에서, 전자 장치(130)는 사용자 지표 학습 모델을 이용하여, 사용자 메타데이터의 특성을 기초로 M차원의 벡터 포맷을 가지는 사용자 지표, 즉 사용자 레이턴트 팩터를 각 사용자 마다 획득할 수 있다. 구체적으로, 전자 장치(130)는 서로 다른 포맷을 가지는 사용자 메타데이터를 학습 네트워크 모델을 이용하여, 동일한 포맷을 가지는 사용자 지표로 변환할 수 있다. 전자 장치(130)는 사용자 메타데이터의 특성을 기초로 M차원의 벡터로 표현되는 사용자 지표를 각 사용자 별로 획득할 수 있다. 예를 들어, 전자 장치(130)는 사용자 지표 학습 모델을 이용하여 OTT 서비스 제공 서버로부터 수집된 사용자 메타데이터 및 방송국 서버로부터 수집된 사용자 메타데이터에 각각 포함된 사용자 정보를 기반으로, 동일한 사용자에 대한 메타데이터인지 여부를 판단할 수 있다.
동작 S430에서, 전자 장치(130)는 각 사용자에 대응되는 인덱스를 사용자 지표에 매핑할 수 있다. 구체적으로, 전자 장치(130)는 사용자 지표가 어떠한 사용자에 대한 지표인지를 나타내는 인덱스(예를 들어, 이름, ID 등)를 사용자 지표 각각에 매핑할 수 있다. 일부 실시예에 따르면, 사용자 지표는 해당 사용자임을 식별할 수 있는 구성요소를 포함할 수도 있다. 동작 S430은 도 11을 참조하여 자세히 후술하도록 한다.
도 5는 일부 실시예에 따른 추천 컨텐츠 리스트 제공 방법의 흐름도이다.
동작 S510에서, 전자 장치(130)는 컨텐츠를 제공하는 복수개의 서로 다른 서버들 각각으로부터 컨텐츠 메타데이터, 및 사용자 메타데이터를 수집할 수 있다. 전자 장치(130)가 사용자 메타데이터 및 컨텐츠 메타데이터를 수집하는 방법은 전술한 도 1 내지 도 4에서와 같으므로, 여기서는 생략하도록 한다.
동작 S520에서, 전자 장치(130)는 학습 네트워크 모델을 이용하여, 컨텐츠 메타데이터 및 사용자 메타데이터의 특성을 기초로 컨텐츠 각각에 대한 사용자 선호도 점수를 획득할 수 있다. 구체적으로, 전자 장치(130)는 복수개의 소스들로부터 획득된 사용자 메타데이터 및 컨텐츠 메타데이터의 특성에 기초하여 특정 소스로부터 제공되는 컨텐츠 각각에 대한 사용자 선호도 점수를 획득할 수 있다.
동작 S530에서, 전자 장치(130)는 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공할 수 있다. 전자 장치(130)는 도 2에서 전술한 바와 같이, 사용자 선호도가 높은 순으로 미리 결정된 개수의 컨텐츠 식별자를 포함하는 추천 컨텐츠 리스트를 제공할 수 있다.
도 6은 일부 실시예에 따른 전자 장치가 사용자 선호도 점수를 획득하는 예시를 나타내는 도면이다. 구체적으로, 전자 장치(130)는 입력된 학습 컨텐츠 메타데이터(610) 및 학습 사용자 메타데이터(620)를 기초로, 학습 네트워크 모델(630)을 이용하여, 컨텐츠 각각에 대한 사용자 선호도 점수(640)를 획득할 수 있다.
도 6을 참조하면, 전자 장치(130)는 특정 소스의 컨텐츠에 대응되는 학습 컨텐츠 메타데이터(610)를 학습 네트워크 모델(630)에 입력할 수 있다. 예를 들어, 전자 장치(130)는 특정 소스가 OTT 서비스 제공 서버 중 하나인 넷플릭스인 경우, 넷플릭스에서 제공되는 컨텐츠에 대응되는 컨텐츠 메타데이터를 학습 컨텐츠 메타데이터(610)로 할 수 있다. 또한, 전자 장치(130)는 넷플릭스로부터 소정 컨텐츠를 선택하기 위한 사용자 입력이 수신되면, 해당 사용자에 대응되는 학습 사용자 메타데이터(620)를 방송국 서버와 같이 상이한 소스들로부터 수집할 수 있다. 따라서, 전자 장치(130)는 넷플릭스에 사용자의 컨텐츠 시청 이력이 없는 경우에도 다른 소스들로부터 제공되는 컨텐츠 시청 이력에 기초하여, 넷플릭스에서 추천 컨텐츠 리스트를 제공할 수 있다는 이점이 있다. 한편, 넷플릭스에도 해당 사용자에 대응되는 사용자 메타데이터가 존재한다면, 학습 사용자 메타데이터(620)는 넷플릭스로부터 제공될 수 있음은 물론이다.
도 6을 참조하면, 학습 사용자 메타데이터(620)는 설정된 시간 구간 동안에 획득된 사용자의 컨텐츠 시청 이력을 포함할 수 있다. 구체적으로, 학습 사용자 메타데이터(620)는 사용자가 설정된 시간 구간 동안에 소정 요일, 날짜 및 시간에 대응하여 실제로 어떠한 채널 또는 프로그램을 몇 시간 동안 시청하였는지에 대한 이력을 나타내는 정보를 포함할 수 있다. 또한, 도 6에서는, 소정 기간을 5일로 설정하여, 5일 동안의 사용자의 컨텐츠 시청 이력이 획득되는 경우를 예로 들어 도시하였으나, 컨텐츠 시청 이력이 획득되는 시간 구간은 다른 시간 구간으로 설정될 수 있다.
일부 실시예에 따른 학습 사용자 메타데이터(620)는 사용자의 컨텐츠 선호도 정보를 포함할 수도 있다. 컨텐츠 선호도 정보는 사용자의 컨텐츠에 대한 평가 정보를 포함할 수 있다. 구체적으로, 컨텐츠 선호도 정보는 사용자가 컨텐츠에 대해 평가한 별점 정보 또는 추천 정보(예를 들어, 컨텐츠에 대해 '좋아요' 클릭)에 기초하여 획득될 수 있다. 예를 들어, 사용자가 남긴 리뷰가 긍정적이거나 평점이 높은 컨텐츠는 사용자의 선호도가 높은 컨텐츠로 판단될 수 있다.
이하에서는 설명의 편의상, 학습 사용자 메타데이터(620)에 포함된 컨텐츠 시청 이력을 기초로 추천 컨텐츠 리스트 제공 방법을 설명하나, 학습 사용자 메타데이터(620)에 포함된 사용자의 컨텐츠 선호도 정보로도 동일한 동작이 수행될 수 있음은 물론이다.
학습 네트워크 모델(630)을 구성하는 뉴럴 네트워크의 각 레이어의 파라미터는 학습 컨텐츠 메타데이터(610) 및 학습 사용자 메타데이터(620)로부터 사용자 선호도 점수(640)를 획득하기 위해 이용되는 특성들에 가중치를 적용할 수 있도록 학습을 통해 결정될 수 있다.
예를 들어, 전자 장치(130)는 입력된 학습 사용자 메타데이터(620)에 포함된 '어벤져스' 시청 이력을 기초로 '어벤져스'와 유사한 컨텐츠에 대해 높은 사용자 선호도 점수(640)를 획득하기 위해 이용되는 특성들에 가중치를 적용할 수 있다.
도 7은 일부 실시예에 따른 전자 장치가 사용자 선호도 점수를 획득하는 예시를 나타내는 다른 도면이다.
도 7을 참조하면, 컨텐츠 메타데이터 및 제1 사용자 메타데이터가 학습 네트워크 모델(630)에 입력될 수 있다. 이 경우, 전자 장치(130)는 유사도 지표 학습 모델(710)을 이용하여 입력된 컨텐츠 메타데이터에 대응되는 유사도 지표를 획득할 수 있다. 구체적으로, 전자 장치(130)는 컨텐츠 간 유사도를 벡터 간 거리로 판단할 수 있도록 유사도 지표 학습 모델(710)을 이용하여 입력된 컨텐츠 메타데이터를 소정 벡터 형태로 변환할 수 있다. 이러한 유사도 지표 학습 모델(710)을 이용하여 입력된 컨텐츠 메타데이터를 소정 벡터 형태로 변환하는 전자 장치(130)의 동작은 도 8 내지 도 10에서 구체적으로 설명하도록 한다.
또한, 일부 실시예에 따르면, 전자 장치(130)는 사용자 지표 학습 모델(720)을 이용하여 입력된 제1 사용자 메타데이터에 대응되는 사용자 지표를 획득할 수 있다. 구체적으로, 전자 장치(130)는 제1 사용자 메타데이터에 포함된 컨텐츠 시청 이력에 기초하여, 컨텐츠 시청 이력에 포함된 컨텐츠와 유사한 컨텐츠를 가리키는 벡터로 제1 사용자 메타데이터를 변환하도록 사용자 지표 학습 모델(720)을 이용할 수 있다.
전자 장치(130)는 전술한 동작에 의해 획득된, 컨텐츠 메타데이터에 대응되는 유사도 지표 및 제1 사용자 메타데이터에 대응되는 사용자 지표를 기초로 학습 네트워크 모델(630)을 이용하여 사용자 선호도 점수(640)를 획득할 수 있다.
도 8은 일부 실시예에 따른 전자 장치(130)가 유사도 지표 학습 모델을 획득하는 예시를 나타내는 도면이다.
전자 장치(130)는 복수개의 서로 다른 서버들로부터 학습 컨텐츠 메타데이터(610)를 수집할 수 있다. 메타데이터는 데이터에 대한 데이터, 즉 소정 데이터에 대한 구조화된 데이터를 의미한다. 따라서, 컨텐츠 메타데이터는 컨텐츠에 대응되는 속성에 대해 구조화된 데이터 포함할 수 있다. 예를 들어, 컨텐츠의 속성에는 컨텐츠의 제목, 편성 시간, 방송 시간, 장르, 출연자, 연출자, 방송사(컨텐츠 제공자)에 대한 항목이 포함될 수 있다. 다만, 이는 일부 실시예 일 뿐, 컨텐츠의 속성은 전술된 예에 한정되지 않으며, 소정 컨텐츠에 대한 정보를 나타낼 수 있는 항목이면 다른 속성도 포함될 수 있다.
학습 컨텐츠 메타데이터(610)에 포함되는 데이터는 트리 구조, 테이블 구조 또는 트리 구조와 테이블 구조가 결합된 형태일 수 있다. 학습 컨텐츠 메타데이터(610)는 장르 정보, 디렉터 정보, 출연자 정보, 시간 정보 및 컨텐츠 제공자(CP, content provider) 정보 중 적어도 하나의 정보를 나타내기 위한 포맷을 포함할 수 있다. 따라서, 학습 컨텐츠 메타데이터(610)의 구조는 전술한 예에 제한되지 않으며, 컨텐츠에 대한 데이터를 구조화할 수 있는 포맷이면, 어떠한 포맷도 가능할 수 있다.
설명의 편의 상, 제1 서버는 OTT 서비스 제공 서버 중 하나인, 넷플릭스 서버로, 제2 서버는 방송국 서버로 가정한다.
일부 실시예에 따르면, 학습 컨텐츠 메타데이터(610)는 넷플릭스 서버로부터 제공되는 컨텐츠에 대응되는 메타데이터일 수 있다. 예를 들어, 전자 장치(130)는 넷플릭스 서버로부터 인셉션 메타데이터, 해리포터 메타데이터, 스타트렉 메타데이터를 포함하는 학습 컨텐츠 메타데이터(610)를 수집할 수 있다.
또한, 일부 실시예에 따르면, 학습 컨텐츠 메타데이터(610)는 방송국 서버로부터 제공되는 컨텐츠에 대응되는 메타데이터일 수 있다. 예를 들어, 전자 장치(130)는 방송국 서버로부터 어벤져스 메타데이터, 엑스맨 메타데이터, 스타트렉 메타데이터를 포함하는 학습 컨텐츠 메타데이터를 수집할 수 있다.
이 때, 제1 서버 및 제2 서버는 각각 넷플릭스 서버 및 방송국 서버로 소스가 상이하므로, 컨텐츠 메타데이터를 정의하는 방식 또는 포맷도 상이할 수 있다. 예를 들어, 넷플릭스는 스타트렉 메타데이터에서 컨텐츠의 장르를 액션, 모험으로 정의할 수 있고, 방송국 서버는 스타트렉 메타데이터에서 컨텐츠의 장르를 SF로 정의할 수 있다. 즉, 동일한 컨텐츠에 대해 메타데이터를 제공하는 소스마다 컨텐츠 메타데이터가 다르게 정의될 수 있다. 또한, 전술한 바와 같이, 각 서버에서 정의하는 컨텐츠 메타데이터의 포맷이 상이할 수도 있다. 이에 따라, 전자 장치(130)는 제1 서버로부터 수신된 스타트렉 메타데이터 및 제2 서버로부터 수신된 스타트렉 메타데이터가 서로 동일한 컨텐츠인 스타트렉에 대응되는 메타데이터인지 여부를 판단할 수 없다는 문제가 있다.
따라서, 일부 실시예에 따르면, 전자 장치(130)는 학습 네트워크 모델을 이용하여, 학습 컨텐츠 메타데이터(610)로부터 특성들을 검출하고, 검출된 특성들로 구성된 특성 공간(810)을 생성할 수 있다. 특성 공간(810) 상에 분포된 특성들과 학습 컨텐츠 메타데이터(610)의 특성 간의 연관성을 분석함으로써, 기준을 학습(820)할 수 있다. 도 8을 참조하면, 특성 공간(810)은 3차원 이상의 차원일 수 있으나, 본 개시의 실시예에서는 설명의 편의상 고차원의 특성 공간을 2차원으로 차원 축소한 특성 공간(810)의 형태로 나타냈다.
전술한 학습 과정을 반복적으로 수행함으로써, 전자 장치(130)는 컨텐츠 메타데이터의 특성이 고려된, 각 컨텐츠에 대응되는 유사도 지표를 획득하기 위한 유사도 지표 학습 모델을 생성할 수 있다.
한편, 전자 장치(130)는 생성된 유사도 지표 학습 모델에 입력된 적어도 하나의 컨텐츠 메타데이터를 입력 데이터로 적용함으로써, 각 컨텐츠 메타데이터에 대응되는 유사도 지표를 출력 데이터로 획득할 수 있다. 이처럼 전자 장치(130)는 컨텐츠 메타데이터의 특성을 기초로 각 컨텐츠에 대응되는 유사도 지표를 획득함으로써, 서로 다른 포맷의 컨텐츠 메타데이터를 이용하여 컨텐츠 간 유사도를 판단할 수 있다. 다만, 이는 일부 실시예 일 뿐, 유사도 지표 학습 모델에 입력되는 특성이 전술한 예에 한정되는 것은 아니다.
유사도 지표를 적용하지 않는 경우, 각 서버들이 제공하는 메타데이터 포맷은 모두 다르기 때문에 전자 장치 (130)는 제1 서버가 제공하는 스타트렉 메타데이터와 제2 서버가 제공하는 스타트렉 메타데이터가 동일한 컨텐츠에 대한 것인지 확인할 수 없었다. 그러나, 도 8에 도시된 바와 같이 유사도 지표를 적용하는 경우, 전자 장치 (130)는 제1 서버가 제공하는 스타트렉 메타데이터와 제2 서버가 제공하는 스타트렉 메타데이터의 특성을 기초로 유사도 지표를 획득하기 때문에, 제1 서버가 제공하는 스타트렉 메타데이터로부터 획득된 유사도 지표는 제2 서버가 제공하는 스타트렉 메타데이터로부터 획득된 유사도 지표와 동일하게 나타날 수 있다. 따라서 전자 장치 (130)는 유사도 지표를 이용함으로써 제1 서버가 제공하는 스타트렉 메타데이터와 제2 서버가 제공하는 스타트렉 메타데이터가 동일한 컨텐츠에 대한 것임을 확인할 수 있다.
또한, 일부 실시예에 따르면, 유사도 지표는 레이턴트 팩터(Latent Factor)일 수 있다. 레이턴트 팩터는, 컨텐츠 간 유사도를 판단하기 위해 컨텐츠 메타데이터를 소정 차원의 벡터 포맷으로 변환한 것일 수 있다. 구체적으로, 전자 장치(130)는 컨텐츠의 장르, 감독, 시간, 출연자 등과 같은 컨텐츠의 속성 중 적어도 하나 이상을 고려하여, 컨텐츠 간 유사도를 판단할 수 있는 레이턴트 팩터를 각 컨텐츠마다 획득할 수 있다. 이 때, 유사도 지표는 레이턴트 팩터에 제한되지 않으며, 서로 다른 포맷의 컨텐츠 메타데이터에 대해 컨텐츠 간 유사도를 판단할 수 있는 지표이면 어느 것이든 가능할 수 있다.
도 9는 일부 실시예에 따른 유사도 지표 학습 모델의 예시를 나타내는 도면이다. 구체적으로, 도 9는 학습 컨텐츠 메타데이터로부터 검출된 특성들로 구성된 특성 공간(810)을 2차원으로 차원 축소한 도면이다.
전자 장치(130)는 학습 네트워크 모델을 이용하여 각 컨텐츠에 대응되는 유사도 지표를 획득할 수 있다. 이 때, 유사도 지표는 N차원의 벡터로 표현되는 레이턴트 팩터일 수 있다. 따라서, 전자 장치(130)는 각 컨텐츠에 대응되는 유사도 지표 간 거리에 따라 컨텐츠 간 유사도를 판단할 수 있다.
이 때, 유사도 지표는 유사도 지표 간 거리에 따라, 소정 그룹으로 클러스터링될 수 있다. 구체적으로, 제1 그룹(910)으로 클러스터링 되는 유사도 지표에 대응되는 컨텐츠는 서로 유사도가 높은 컨텐츠일 수 있다. 예를 들어, 제1 그룹(910)은 어벤져스, 베트맨, 아이언맨, 토르 등과 같이 서로 관련도가 높은 액션, 판타지 장르의 영화들을 포함할 수 있다. 한편, 제2 그룹(920)으로 클러스터링 되는 유사도 지표에 대응되는 컨텐츠는 제1 그룹(910)에 대응되는 컨텐츠와 상대적으로 유사도가 낮은 컨텐츠를 포함할 수 있다. 즉, 유사도 지표는 유사도 지표간 거리가 멀수록 상대적으로 유사도가 낮은 컨텐츠를 의미할 수 있다.
도 10은 일부 실시예에 따른 유사도 지표 학습 모델에 컨텐츠 인덱스가 매핑된 예시를 나타내는 도면이다.
도 10을 참고하면, 전자 장치(130)는 유사도 지표 학습 모델을 이용하여 N차원의 벡터 포맷을 가지는 유사도 지표를 각 컨텐츠마다 획득할 수 있다. 예를 들어, 전자 장치(130)는 제1 컨텐츠에 대응되는 제1 유사도 지표로, [-0.58187586, -0.456053, 1.8898264, ...]를 획득할 수 있다. 이와 같이, 전자 장치(130)는 제2 컨텐츠에 대응되는 제2 유사도 지표, ... , 제k 컨텐츠에 대응되는 제k 유사도 지표를 각각 획득할 수 있다. 일부 실시예에 따르면, 전자 장치(130)는 각각의 유사도 지표가 어떠한 컨텐츠에 대응되는지 나타내기 위해, 컨텐츠 각각에 대응되는 인덱스를 유사도 지표에 매핑할 수 있다. 이에 따라, 전자 장치(130)는 N차원의 벡터가 k개 결합된 k*N차원의 벡터 행렬 형태로 컨텐츠 유사도 지표를 획득할 수 있다. 예를 들어, 전자 장치(130)는 제1 유사도 지표에 제1 컨텐츠의 제목을 매핑하거나, 고유 식별자(ID)를 매핑할 수도 있다.
도 11은 일부 실시예에 따른 사용자 지표 학습 모델에 사용자 인덱스가 매핑된 예시를 나타내는 도면이다.
사용자 메타데이터는 사용자 식별 정보, 컨텐츠 선호도 정보 또는 컨텐츠 시청 이력 정보 중 적어도 하나를 포함할 수 있다. 이 때, 사용자 메타데이터를 제공하는 소스마다 사용자 메타데이터의 포맷이 상이할 수 있다. 이에 따라, 전자 장치(130)는 서로 다른 소스들로부터 사용자 메타데이터가 수신될 때, 사용자 메타데이터에 포함된 컨텐츠 시청 이력에 대응되는 컨텐츠 간 유사도를 판단할 수 없다는 문제가 있었다.
도 11을 참조하면, 전자 장치(130)는 사용자 지표 학습 모델을 이용하여, 복수개의 서로 다른 서버들로부터 수신되는 사용자 메타데이터의 특성을 기초로 M차원의 벡터 포맷을 가지는 사용자 지표를 각 사용자마다 획득할 수 있다. 예를 들어, 전자 장치(130)는 동일한 제1 사용자에 대한 사용자 메타데이터가 넷플릭스 및 방송국 서버로부터 각각 수신되면, 수신된 복수개의 제1 사용자 메타데이터의 특성을 기초로 제1 사용자에 대응되는 하나의 사용자 지표를 획득할 수 있다.
도 11을 참조하면, 전자 장치(130)는 M차원의 벡터 포맷을 가지는 사용자 지표를 각 사용자마다 생성하고, 해당 사용자에 대응되는 식별자, 이름, 고유 번호 등과 같이 사용자를 나타낼 수 있는 인덱스를 각 사용자 지표에 매핑할 수 있다.
일부 실시예에 따르면, 사용자 지표는 사용자의 선호 컨텐츠 및 컨텐츠 시청 이력에 대한 정보뿐만 아니라, 사용자의 성별 정보, 연령 정보, 직업 정보 등과 같이 사용자와 관련된 정보를 포함할 수도 있다. 따라서, 일부 실시예에 따르면, 전자 장치(130)는 사용자 지표를 기초로 해당 사용자 정보와 유사한 정보(예를 들어, 동 연령대, 동 직업군 등)를 포함하는 다른 사용자에 대해 추천 컨텐츠 리스트를 제공할 수도 있다.
도 12는 일부 실시예에 따른 전자 장치(1200)의 블록도이다. 전자 장치(1200)는 도 1 내지 도 11에서 전술한 전자 장치(130)에 동일 대응될 수 있으므로, 도 1 내지 도 11에서와 중복되는 설명은 생략한다.
도 12를 참조하면, 일부 실시예에 따른 전자 장치(1200)는 메모리(1210), 프로세서(1220) 및 통신부(1230)를 포함할 수 있다. 그러나 도 12에 도시된 구성요소가 전자 장치(1200)의 필수 구성 요소인 것은 아니다. 도 12에 도시된 구성요소보다 많은 구성 요소에 의해 전자 장치(1200)가 구현될 수도 있고, 도 12에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1200)가 구현될 수도 있다. 예를 들어, 도 16에 도시된 바와 같이, 일부 실시예에 따른 전자 장치(1200)는 더 많은 구성요소를 포함할 수 있다.
전자 장치(1200)는 복수개의 서로 다른 서버들과 통신을 수행하는 통신부(1230), 하나 이상의 인스트럭션을 저장하는 메모리(1210) 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서(1220)를 적어도 하나 포함하고, 적어도 하나의 프로세서(1220)는 컨텐츠를 제공하는 복수개의 서로 다른 서버들 각각으로부터 컨텐츠 메타데이터, 및 사용자 메타데이터를 수집하고, 학습 네트워크 모델을 이용하여, 컨텐츠 메타데이터 및 사용자 메타데이터의 특성을 기초로 컨텐츠 각각에 대한 사용자 선호도 점수를 획득하고, 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공한다.
프로세서(1220)는 전자 장치(1200)의 전반적인 동작을 제어할 수 있다. 구체적으로, 프로세서(1220)는 통신부(1230)를 통하여 복수개의 서로 다른 서버들로부터 컨텐츠 메타데이터 및 사용자 메타데이터를 수신할 수 있다. 뿐만 아니라, 프로세서(1220)는 전자 장치(1200)의 메모리(1210)에 기저장된 컨텐츠 메타데이터 및 사용자 메타데이터를 이용할 수도 있다.
프로세서(1220)는 컨텐츠 메타데이터의 특성을 기초로 컨텐츠 간 유사도를 판단하기 위해 유사도 지표 학습 모델을 이용하여 N차원의 벡터 포맷을 가지는 유사도 지표를 컨텐츠마다 획득할 수 있다. 또한, 프로세서(1220)는 컨텐츠 각각에 대응되는 인덱스를 획득된 유사도 지표에 매핑할 수 있다.
한편, 프로세서(1220)는 사용자 메타데이터의 특성을 기초로 사용자 지표 학습 모델을 이용하여, 사용자 메타데이터의 특성을 기초로 M차원의 벡터 포맷을 가지는 사용자 지표를 사용자 마다 획득할 수 있다. 또한 프로세서(1220)는 사용자 각각에 대응되는 인덱스를 상기 사용자 지표에 매핑할 수 있다.
복수개의 서로 다른 서버들은 제1 서버를 포함하고, 프로세서(1220)는 제1 서버로부터 수신되는 소정의 컨텐츠에 대한 사용자 입력을 수신하면, 해당 사용자에 대응되는 사용자 메타데이터를 기초로 학습 네트워크 모델을 이용하여 제1 서버로부터 제공되는 컨텐츠 각각에 대한 사용자의 선호도 점수를 획득할 수 있다.
제1 서버가 OTT 서비스 제공 서버 중 하나인 넷플릭스 소스이고, 사용자가 A인 경우를 예로 들자. 이 경우, 프로세서(1220)는 넷플릭스에서 소정 컨텐츠를 시청하기 위한 사용자 입력을 수신할 수 있다.
프로세서(1220)는 넷플릭스에서 시청 가능한 '어벤져스'에 대응되는 컨텐츠 메타데이터의 특성을 기초로, 기생성된 유사도 지표 학습 모델을 이용하여, '어벤져스'에 대한 유사도 지표를 획득할 수 있다. 또한, 프로세서(1220)는 사용자 A에 대응하는 사용자 메타데이터의 특성을 기초로, 기생성된 사용자 지표 학습 모델을 이용하여, 사용자 A에 대한 사용자 지표를 획득할 수 있다.
프로세서(1220)는 학습 네트워크 모델을 이용하여 '어벤져스'에 대한 사용자 A의 선호도 점수를 획득할 수 있다. 이와 같은 방식으로, 프로세서(1220)는 '어벤져스' 외에 넷플릭스에서 시청할 수 있는 전체 컨텐츠 각각에 대한 사용자 A의 선호도 점수를 획득할 수 있다.
또한, 프로세서(1220)는 획득된 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공할 수 있다. 이 때, 프로세서(1220)는 획득된 사용자 선호도 점수에 기초하여, 사용자 선호도가 높은 순으로 미리 정해진 수의 컨텐츠를 포함하는 추천 컨텐츠 리스트를 제공할 수 있다.
도 13은 일부 실시예에 따른 프로세서(1220)의 블록도(1300)이다.
도 13을 참조하면, 일부 실시예에 따른 프로세서(1220)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 입력된 사용자 메타데이터 및 컨텐츠 메타데이터의 특성을 기초로 각 컨텐츠에 대한 사용자 선호도 점수를 획득하기 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터 학습부(1310)를 통해 학습된 기준에 기초하여, 각 컨텐츠에 대한 사용자 선호도 점수를 결정할 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, 인스트럭션(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 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
도 14는 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 14를 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1410), 전처리부(1420), 학습 데이터 선택부(1430), 모델 학습부(1440) 및 모델 평가부(1450)를 포함할 수 있다. 다만, 이는 일 실시예일 뿐, 전술한 구성 들 보다 적은 구성 요소로 데이터 학습부(1310)가 구성되거나, 전술한 구성들 이외에 다른 구성 요소가 추가적으로 데이터 학습부(1310)에 포함될 수 있다.
데이터 획득부(1410)는 전자 장치 상에 수신된 적어도 하나의 사용자 메타데이터 및 컨텐츠 메타데이터를 학습 데이터로 획득할 수 있다. 일 예로, 데이터 획득부(1410)는 소정 서버로부터 수신되는 사용자 메타데이터 및 컨텐츠 메타데이터를 학습 데이터로 획득할 수 있다.
전처리부(1420)는 복수개의 서로 다른 서버들로부터 수신되는 컨텐츠 메타데이터의 특성을 기초로 컨텐츠 간 유사도를 판단하기 위한 학습에 적어도 하나의 컨텐츠 메타데이터가 이용될 수 있도록, 수신된 적어도 하나의 컨텐츠 메타데이터를 전처리할 수 있다. 또한, 전처리부(1420)는 각 컨텐츠에 대한 사용자 선호도 점수를 획득하기 위해, 복수개의 서로 다른 서버들로부터 수신되는 사용자 메타데이터의 특성을 기초로, 사용자 시청 이력에 포함된 컨텐츠 간 유사도를 판단하기 위한 학습에 이용될 적어도 하나의 사용자 메타데이터를 전처리할 수 있다. 즉, 전처리부(1420)는 후술할 모델 학습부(1440)가 학습을 위하여 수신된 적어도 하나의 컨텐츠 메타데이터 및 사용자 메타데이터를 이용할 수 있도록, 수신된 적어도 하나의 컨텐츠 메타데이터 및 사용자 메타데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(1430)는 전처리된 데이터 중에서 학습에 필요한 컨텐츠 메타데이터 및 사용자 메타데이터를 선택할 수 있다. 선택된 컨텐츠 메타데이터 및 사용자 메타데이터는 모델 학습부(1440)에 제공될 수 있다. 학습 데이터 선택부(1430)는 설정된 기준에 따라, 전처리된 컨텐츠 메타데이터 및 사용자 메타데이터 중에서 학습에 필요한 컨텐츠 메타데이터 및 사용자 메타데이터를 선택할 수 있다.
모델 학습부(1440)는 학습 네트워크 모델 내의 복수의 레이어에서 컨텐츠 메타데이터 및 사용자 메타데이터의 특성 정보들 중 소정 정보를 이용하여, 각 컨텐츠에 대한 사용자 선호도 점수를 획득하기 위한 기준을 학습할 수 있다. 예를 들어, 모델 학습부(1440)는 각 컨텐츠에 대한 사용자 선호도 점수 획득을 위하여 학습 네트워크 모델에 포함된 복수의 레이어 중 어떤 레이어로부터 추출된 특성 정보를 이용해야 하는지에 대한 제1 기준을 학습할 수도 있다. 여기에서, 제1 기준은, 전자 장치가 학습 네트워크 모델을 이용하여, 각 컨텐츠에 대한 사용자 선호도 점수를 획득하는데 이용되는 사용자 메타데이터 및 컨텐츠 메타데이터 특성의 종류, 개수 또는 수준 등을 포함할 수 있다.
다양한 실시예에 따르면, 모델 학습부(1440)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 위치, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 포맷의 유형 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1440)는, 예를 들어, 학습에 따라 결정된 각 컨텐츠에 대한 사용자 선호도 점수가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1440)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1440)는 학습된 데이터 인식 모델을 데이터 인식부(1420)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1440)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1420)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1440)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 디바이스의 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, 애플리케이션 프로그래밍 인터페이스(API) 및/또는 애플리케이션 프로그램(또는 "애플리케이션") 등을 포함할 수 있다.
모델 평가부(1450)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1440)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다. 여기에서, 평가 데이터는 학습 네트워크 모델을 기반으로 획득된 각 컨텐츠에 대한 사용자 선호도 점수와 실제 사용자의 각 컨텐츠에 대한 선호도 간의 일치 비율 등을 포함할 수 있다.
한편, 학습 네트워크 모델이 복수 개 존재하는 경우, 모델 평가부(1450)는 각각의 학습 네트워크 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 학습 네트워크 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1410), 전처리부(1420), 학습 데이터 선택부(1430), 모델 학습부(1440) 및 모델 평가부(1450) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1410), 전처리부(1420), 학습 데이터 선택부(1430), 모델 학습부(1440) 및 모델 평가부(1450) 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(1410), 전처리부(1420), 학습 데이터 선택부(1430), 모델 학습부(1440) 및 모델 평가부(1450)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1410), 전처리부(1420), 학습 데이터 선택부(1430), 모델 학습부(1440) 및 모델 평가부(1450) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1410), 전처리부(1420), 학습 데이터 선택부(1430), 모델 학습부(1440) 및 모델 평가부(1450) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1410), 전처리부(1420), 학습 데이터 선택부(1430), 모델 학습부(1440) 및 모델 평가부(1450) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(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 15는 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 15를 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1510), 전처리부(1520), 인식 데이터 선택부(1530), 인식 결과 제공부(1540) 및 모델 갱신부(1550)를 포함할 수 있다.
데이터 획득부(1510)는 각 컨텐츠에 대한 사용자의 선호도 점수를 획득하기 위해 필요한 적어도 하나의 사용자 메타데이터 및 컨텐츠 메타데이터를 획득할 수 있으며, 전처리부(1520)는 각 컨텐츠에 대한 사용자의 선호도 점수를 획득하기 위해 수신된 적어도 하나의 사용자 메타데이터 및 컨텐츠 메타데이터를 전처리할 수 있다. 전처리부(1520)는 후술할 인식 결과 제공부(1540)가 컨텐츠에 대한 사용자의 선호도 점수를 획득을 위하여 수신된 사용자 메타데이터 및 컨텐츠 메타데이터를 이용할 수 있도록, 수신된 사용자 메타데이터 및 컨텐츠 메타데이터를 기 설정된 포맷으로 가공할 수 있다. 인식 데이터 선택부(1530)는 전처리된 데이터 중에서 각 컨텐츠에 대한 사용자의 선호도 점수를 획득하기 위해 필요한 사용자 메타데이터 및 컨텐츠 메타데이터를 선택할 수 있다. 선택된 사용자 메타데이터 및 컨텐츠 메타데이터는 인식 결과 제공부(1540)에게 제공될 수 있다.
인식 결과 제공부(1540)는 선택된 사용자 메타데이터 및 컨텐츠 메타데이터를 일 실시예에 따른 학습 네트워크 모델에 적용하여 각 컨텐츠에 대한 사용자의 선호도 점수를 획득할 수 있다.
인식 결과 제공부(1540)는 적어도 하나의 사용자 메타데이터 및 컨텐츠 메타데이터에 대해 사용자의 선호도 점수를 제공할 수 있다.
모델 갱신부(1550)는 인식 결과 제공부(1540)에 의해 제공되는 각 컨텐츠에 대응되는 사용자의 선호도 점수 획득 결과에 대한 평가에 기초하여, 학습 네트워크 모델에 포함된 종분류 네트워크 또는 적어도 하나의 특성 추출 레이어의 파라미터 등이 갱신되도록 평가에 대한 정보를 도 14를 참고하여 전술한 모델 학습부(1440)에게 제공할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1510), 전처리부(1520), 인식 데이터 선택부(1530), 인식 결과 제공부(1540) 및 모델 갱신부(1550) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1510), 전처리부(1520), 인식 데이터 선택부(1530), 인식 결과 제공부(1540) 및 모델 갱신부(1550) 중 적어도 하나는 인공 지능을 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(1510), 전처리부(1520), 인식 데이터 선택부(1530), 인식 결과 제공부(1540) 및 모델 갱신부(1550)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1510), 전처리부(1520), 인식 데이터 선택부(1530), 인식 결과 제공부(1540) 및 모델 갱신부(1550) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1510), 전처리부(1520), 인식 데이터 선택부(1530), 인식 결과 제공부(1540) 및 모델 갱신부(1550) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1510), 전처리부(1520), 인식 데이터 선택부(1530), 인식 결과 제공부(1540) 및 모델 갱신부(1550) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(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 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
도 16은 일부 실시예에 따른 전자 장치(1600)의 구성을 상세하게 나타내는 블록도이다. 전자 장치(1600)는 도 1 내지 도 15에서 전술한 전자 장치(130) 또는 전자 장치(1200)에 대응될 수 있다.
도 16을 참조하면, 일 실시예에 따른 전자 장치(1600)는 전자 장치(1200)의 메모리(1210), 프로세서(1220) 및 통신부(1230)에 대응되는 메모리(1690), 제어부(1680) 및 통신부(1650)를 포함할 수 있다. 일부 실시예에 따른 제어부(1680)는, 도 12의 프로세서(1220)를 적어도 하나 포함할 수 있으므로, 도 12와 중복되는 설명은 생략한다.
또한, 도 16을 참조하면, 디스플레이 장치(1600)는 비디오 처리부(1610), 디스플레이부(1615), 오디오 처리부(1620), 오디오 출력부(1625), 전원부(1630), 튜너부(1640), 통신부(1650), 감지부(1660), 입/출력부(1670), 제어부(1680), 메모리(1690)를 포함할 수 있다.
디스플레이부(1615)는 제어부(1680)의 제어에 의해 튜너부(1640)를 통해 수신된 방송 신호에 포함된 비디오를 화면에 표시한다. 또한, 디스플레이부(1615)는 통신부(1650) 또는 입/출력부(1670)를 통해 입력되는 컨텐츠(예를 들어, 동이미지)를 표시할 수 있다.
또한, 디스플레이부(1615)는 제어부(1680)의 제어에 의해 메모리(1690)에 저장된 이미지를 출력할 수 있다. 또한, 디스플레이(1615)는 음성 인식에 대응되는 음성 인식 태스크를 수행하기 위한 음성 UI(User Interface: 예를 들어, 음성 명령어 가이드를 포함하는) 또는 모션 인식에 대응되는 모션 인식 태스크를 수행하기 위한 모션 UI(예를 들어, 모션 인식을 위한 사용자 모션 가이드를 포함)를 표시할 수 있다.
디스플레이부(1615)는 전자 장치(1600)에서 처리되는 정보를 표시 및 출력할 수 있다. 구체적으로, 디스플레이부(1615)는 사용자 선호도 점수에 기초하는 추천 컨텐츠 리스트를 디스플레이할 수 있다. 또한, 디스플레이부(1615)는 단말기(1600)에서 처리되는 정보를 표시 출력할 수 있다. 디스플레이부(1615)와 터치 패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1615)는 출력 장치 이외에 입력 장치로도 사용될 수 있다.
오디오 출력부(1625)는 통신부(1650)로부터 수신되거나 메모리(1690)에 저장된 오디오 데이터를 출력할 수 있다. 한편, 추천 컨텐츠 리스트가 음성 데이터 형태로 제공되는 경우, 오디오 출력부(1625)는 추천 컨텐츠 리스트를 출력할 수 있다.
오디오 출력부(1625)는 제어부(1680)의 제어에 의해 튜너부(1640)를 통해 수신된 방송 신호에 포함된 오디오를 출력한다. 오디오 출력부(1625)는 통신부(1650) 또는 입/출력부(1670)를 통해 입력되는 오디오(예를 들어, 음성, 사운드)를 출력할 수 있다. 또한, 오디오 출력부(1625)는 제어부(1680)의 제어에 의해 메모리(1690)에 저장된 오디오를 출력할 수 있다. 오디오 출력부(1625)는 스피커(1626), 헤드폰 출력 단자(1627) 또는 S/PDIF(Sony/Philips Digital Interface: 출력 단자(1628) 중 적어도 하나를 포함할 수 있다. 오디오 출력부(1625)는 스피커(1626), 헤드폰 출력 단자(1627) 및 S/PDIF 출력 단자(1628)의 조합을 포함할 수 있다.
전원부(1630)는 제어부(1680)의 제어에 의해 디스플레이 장치(1600) 내부의 구성 요소들(1610 내지 1690)로 외부의 전원 소스에서부터 입력되는 전원을 공급한다. 또한, 전원부(1630)는 제어부(1680)의 제어에 의해 전자 장치(1600) 내부에 위치하는 하나 또는 둘 이상의 배터리(미도시)에서부터 출력되는 전원을 내부의 구성 요소들(1610 내지 1690)에게 공급할 수 있다.
튜너부(1640)은 유선 또는 무선으로 수신되는 방송 신호를 증폭(amplification), 혼합(mixing), 공진(resonance)등을 통하여 많은 전파 성분 중에서 디스플레이 장치(1600)에서 수신하고자 하는 채널의 주파수만을 튜닝(tuning)시켜 선택할 수 있다. 방송 신호는 오디오(audio), 비디오(video) 및 부가 정보(예를 들어, EPG(Electronic Program Guide))를 포함한다.
튜너부(1640)은 외부 입력(예를 들어, 수신되는 제어 신호로, HDMI, DVI 또는 DP와 같은 외부 입력)에 따라 소정 주파수 대역에서 방송 신호를 수신할 수 있다. 여기서, 외부 입력은 외부의 제어 장치(미도시), 또는 원격 제어기(remote controller)(미도시) 등 으로부터 수신되는 제어 신호, 예컨대, 채널 번호 입력, 채널의 업다운(up-down) 입력 및 EPG 화면에서 채널 입력 등이 될 수 있다.
튜너부(1640)은 지상파 방송, 케이블 방송, 위성 방송, 인터넷 방송 등과 같이 다양한 소스로부터 방송 신호를 수신할 수 있다. 튜너부(1640)은 아날로그 방송 또는 디지털 방송 등과 같은 소스로부터 방송 신호를 수신할 수도 있다. 튜너부(1640)를 통해 수신된 방송 신호는 디코딩(decoding, 예를 들어, 오디오 디코딩, 비디오 디코딩 또는 부가 정보 디코딩)되어 오디오, 비디오 및/또는 부가 정보로 분리된다. 분리된 오디오, 비디오 및/또는 부가 정보는 제어부(1680)의 제어에 의해 메모리(1690)에 저장될 수 있다.
전자 장치(1600)의 튜너부(440)은 하나이거나 복수일 수 있다. 일 실시예에 따라서 튜너부(1640)가 복수개로 이루어지는 경우, 디스플레이(1615)에 제공되는 멀티윈도우 화면을 이루는 복수개의 윈도우에 복수개의 방송 신호를 출력할 수 있을 것이다.
튜너부(1640)는 디스플레이 장치(1600)와 일체형(all-in-one)으로 구현되거나 또는 디스플레이 장치(1600)와 전기적으로 연결되는 튜너부를 가지는 별개의 장치(예를 들어, 셋탑박스(set-top box, 미도시), 입/출력부(1670)에 연결되는 튜너부(미도시))로 구현될 수 있다.
통신부(1650)은 제어부(1680)의 제어에 의해 디스플레이 장치(1600)를 외부 장치(예를 들어, 오디오 장치 등)와 연결할 수 있다. 제어부(1680)는 통신부(1650)를 통해 연결된 외부 장치로 사용자 메타데이터 또는 컨텐츠 메타데이터와 같은 소정 정보 또는 소정 컨텐츠를 송/수신, 외부 장치에서부터 어플리케이션(application)을 다운로드 하거나 또는 웹 브라우징을 할 수 있다. 구체적으로, 제어부(1680)는 통신부(1650)를 통하여 네트워크에 접속하여 외부 장치(미도시)로부터 컨텐츠 메타데이터 또는 사용자 메타데이터를 수신할 수 있다.
전술한 바와 같이 통신부(1650)는 근거리 통신 모듈(미도시), 유선 통신 모듈(미도시), 및 이동 통신 모듈(미도시) 중 적어도 하나를 포함할 수 있다.
도 16에서는 통신부(1650)가 무선 랜(1651), 블루투스(1652), 및 유선 이더넷(Ethernet, 1653) 중 하나를 포함하는 경우를 예로 들어 도시하였다.
또한, 통신부(1650)는 무선랜(1651), 블루투스(1652), 및 유선 이더넷(Ethernet, 1653)의 조합을 포함할 수 있다. 또한, 통신부(1650)는 제어부(1680)의 제어에 의해 제어 장치(미도시)의 제어 신호를 수신할 수 있다. 제어 신호는 블루투스 타입, RF 신호 타입 또는 와이파이 타입으로 구현될 수 있다.
통신부(1650)는 블루투스 외에 다른 근거리 통신(예를 들어, NFC(near field communication, 미도시), 별도의 BLE 모듈(bluetooth low energy, 미도시)을 더 포함할 수 있다.
또한, 도 16에 있어서, 튜너부(1640)와 통신부(1650)는 도 12의 통신부(1230)에 대응되는 구성으로, 통신부(1650)가 튜너부(1640)를 더 포함하는 형태로 구현될 수도 있을 것이다.
감지부(1660)는 사용자의 음성, 사용자의 이미지 또는 사용자의 인터랙션을 감지한다.
마이크(1661)는 사용자의 발화(utterance)된 음성을 수신한다. 마이크(1661)는 수신된 음성을 전기 신호로 변환하여 제어부(1680)로 출력할 수 있다. 사용자 음성은 예를 들어, 전자 장치(1600)의 메뉴 또는 기능에 대응되는 음성을 포함할 수 있다. 예를 들어, 마이크(1661)의 인식 범위는 마이크(1661)에서부터 사용자 위치까지 4 m 이내를 권장하며, 마이크(1661)의 인식 범위는 사용자 목소리의 크기와 주변 환경(예를 들어, 스피커 소리, 주변 소음)에 대응하여 달라질 수 있다.
마이크(1661)는 전자 장치(1600)와 일체형 또는 분리형으로 구현될 수 있다. 분리된 마이크(1661)는 통신부(1650) 또는 입/출력부(1670)를 통해 디스플레이 장치(1600)와 전기적으로 연결될 수 있다.
전자 장치(1600)의 성능 및 구조에 따라 마이크(1661)가 제외될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
카메라부(1662)는 카메라 인식 범위에서 제스처를 포함하는 사용자의 모션에 대응되는 이미지(예를 들어, 연속되는 프레임)을 수신한다. 예를 들어, 카메라부(1662)의 인식 범위는 카메라부(1662)에서부터 사용자까지 0.1 ~ 5 m 이내 거리가 될 수 있다. 사용자 모션은 예를 들어, 사용자의 얼굴, 표정, 손, 주먹, 손가락과 같은 사용자의 신체 일부분 또는 사용자 일부분의 모션 등을 포함할 수 있다. 카메라부(1662)는 제어부(1680)의 제어에 따라 수신된 이미지를 전기 신호로 변환하여 제어부(1680)로 출력할 수 있다.
제어부(1680)는 수신된 모션의 인식 결과를 이용하여 전자 장치(1600)에 표시되는 메뉴를 선택하거나 모션 인식 결과에 대응되는 제어를 할 수 있다. 예를 들어, 채널 조정, 볼륨 조정, 지시자 이동을 포함할 수 있다.
카메라부(1662)는 렌즈(미도시) 및 이미지 센서(미도시)로 구성될 수 있다. 카메라부(1662)는 복수의 렌즈와 이미지 프로세싱을 이용하여 광학 줌(optical zoom) 또는 디지털 줌(digital zoom)을 지원할 수 있다. 카메라부(1662)의 인식 범위는 카메라의 각도 및 주변 환경 조건에 따라 다양하게 설정될 수 있다. 카메라부(1662)가 복수개의 카메라로 구성되는 경우, 복수의 카메라를 이용하여 3차원 정지 이미지 또는 3차원 모션을 수신할 수 있다.
카메라부(1662)는 전자 장치(1600)와 일체형 또는 분리형으로 구현될 수 있다. 분리된 카메라부(1662)를 포함하는 별도의 장치(미도시)는 통신부(1650) 또는 입/출력부(1670)를 통해 전자 장치(1600)와 전기적으로 연결될 수 있다.
전자 장치(1600)의 성능 및 구조에 따라 카메라부(1662)가 제외될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
광 수신부(1663)는 외부의 제어 장치(미도시)에서부터 수신되는 광 신호(제어 신호를 포함)를 디스플레이부(1615)의 베젤의 광창(미도시) 등을 통해 수신한다. 광 수신부(1663)는 제어 장치(미도시)로부터 사용자 입력(예를 들어, 터치, 눌림, 터치 제스처, 음성, 또는 모션)에 대응되는 광 신호를 수신할 수 있다. 수신된 광 신호로부터 제어부(1680)의 제어에 의해 제어 신호가 추출될 수 있다.
예를 들어, 광 수신부(1663)는 제어 장치(미도시)의 포인팅 위치에 대응하는 신호를 수신하고 이를 제어부(1680)로 전송할 수 있다. 예를 들어, 디스플레이부(1615)를 통하여 사용자로부터 데이터 또는 명령을 입력받기 위한 사용자 인터페이스 화면이 출력되었으며, 제어 장치(미도시)를 통하여 사용자가 데이터 또는 명령을 전자 장치(1600)로 입력하고자 하는 경우, 광 수신부(1663)는 사용자가 제어 장치(미도시)에 마련된 터치 패드(미도시)에 손가락을 접촉한 상태에서 제어 장치(미도시)를 움직이면 이 제어 장치(미도시)의 움직임에 대응하는 신호를 수신하고 이를 제어부(1680)로 전송할 수 있다. 또한, 광 수신부(1663)는 제어 장치(미도시)에 마련된 특정한 버튼이 눌려졌음을 나타내는 신호를 수신하고 이를 제어부(1680)로 전송할 수 있다. 예를 들어 광수신부(1663)는 사용자가 제어 장치(미도시)에 버튼식으로 마련된 터치 패드(미도시)를 손가락으로 누르면, 이러한 버튼식 터치 패드(미도시)이 눌려졌다는 신호를 수신하고 이를 제어부(1680)로 전송할 수 있다. 예를 들어, 버튼식 터치 패드(미도시)가 눌려졌다는 신호는 아이템들 중의 하나를 선택하기 위한 신호로 이용할 수 있다.
입/출력부(1670)는 제어부(1680)의 제어에 의해 전자 장치(1600)의 외부에서부터 비디오(예를 들어, 동영상 등), 오디오(예를 들어, 음성, 음악 등) 및 부가 정보(예를 들어, EPG 등) 등을 수신한다. 입/출력부(1670)는 HDMI 포트(High-Definition Multimedia Interface port, 1671), 컴포넌트 잭(component jack, 472), PC 포트(PC port, 1673), 및 USB 포트(USB port, 1674) 중 하나를 포함할 수 있다. 입/출력부(1670)는 HDMI 포트(1671), 컴포넌트 잭(1672), PC 포트(1673), 및 USB 포트(1674)의 조합을 포함할 수 있다.
입/출력부(1670)의 구성 및 동작은 본 발명의 실시예에 따라 다양하게 구현될 수 있다는 것은 당해 기술 분야의 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
제어부(1680)는 전자 장치(1600)의 전반적인 동작 및 전자 장치(1600)의 내부 구성요소들(미도시)사이의 신호 흐름을 제어하고, 데이터를 처리하는 기능을 수행한다. 제어부(1680)는 사용자의 입력이 있거나 기 설정되어 저장된 조건을 만족하는 경우, 제어부(1680)는 메모리(1690)에 저장된 OS(Operation System) 및 다양한 애플리케이션을 실행할 수 있다.
제어부(1680)는 전자 장치(1600)의 외부에서부터 입력되는 신호 또는 데이터를 저장하거나, 전자 장치(1600)에서 수행되는 다양한 작업에 대응되는 저장 영역으로 사용되는 RAM(미도시), 전자 장치(1600)의 제어를 위한 제어 프로그램이 저장된 ROM(미도시) 및 프로세서(Processor)(미도시)를 포함할 수 있다.
프로세서(미도시)는 비디오에 대응되는 그래픽 처리를 위한 그래픽 프로세서(Graphic Processing Unit, 미도시)를 포함할 수 있다. 프로세서(미도시)는 코어(core, 미도시)와 GPU(미도시)를 통합한 SoC(System On Chip)로 구현될 수 있다. 프로세서(미도시)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함할 수 있다.
또한, 프로세서(미도시)는 복수의 프로세서를 포함할 수 있다. 예를 들어, 프로세서(미도시)는 메인 프로세서(main processor, 미도시) 및 슬립 모드(sleep mode)에서 동작하는 서브 프로세서(sub processor, 미도시)로 구현될 수 있다.
그래픽 처리부(미도시)는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이콘, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성한다. 연산부는 감지부(미도시)를 통해 감지된 사용자 인터랙션을 이용하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산한다. 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성한다. 렌더링부에서 생성된 화면은 디스플레이부(1615)의 디스플레이 영역 내에 표시된다.
한편, 도 16에 도시된 전자 장치(1600)의 구성은 일 실시예이며, 전자 장치(1600)의 각 구성요소는 구현되는 단말기의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 구성(또는, 모듈)에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.

Claims (20)

  1. 통신부;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 적어도 하나 포함하고,
    상기 적어도 하나의 프로세서는,
    컨텐츠를 제공하는 복수개의 서로 다른 서버들 각각으로부터 컨텐츠 메타데이터 및 사용자 메타데이터를 수집하고,
    제1 학습 네트워크 모델을 이용하여, 상기 컨텐츠 메타데이터의 특성을 기초로 상기 컨텐츠 간 유사도 정보를 포함하는 컨텐츠 레이턴트 팩터를 획득하고,
    제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 사용자 선호 컨텐츠 정보와 관련되는 사용자 레이턴트 팩터를 획득하고,
    제3 학습 네트워크 모델을 이용하여, 상기 컨텐츠 레이턴트 팩터 및 상기 사용자 레이턴트 팩터를 기초로 상기 컨텐츠에 대한 사용자 선호도 점수를 획득하고,
    상기 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공하는, 전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 복수개의 서로 다른 서버들 중 제1 서버가 제공하는 소정의 컨텐츠에 대한 사용자 입력을 수신하면, 상기 사용자에 대응되는 사용자 메타데이터를 기초로 상기 제3 학습 네트워크 모델을 이용하여 상기 제1 서버로부터 제공되는 컨텐츠 각각에 대한 상기 사용자의 선호도 점수를 획득하는, 전자 장치.
  3. 제1항에 있어서,
    상기 컨텐츠 메타데이터는,
    장르 정보, 디렉터 정보, 출연자 정보, 시간 정보 및 컨텐츠 제공자(CP, content provider) 정보 중 적어도 하나의 정보를 나타내기 위한 포맷을 포함하는, 전자 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 학습 네트워크 모델을 이용하여 N차원의 벡터 포맷을 가지는 상기 컨텐츠 레이턴트 팩터를 상기 컨텐츠마다 획득하는, 전자 장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    상기 컨텐츠 각각에 대응되는 인덱스를 상기 컨텐츠 레이턴트 팩터에 매핑하는, 전자 장치.
  6. 제1항에 있어서,
    상기 사용자 메타데이터는,
    사용자의 컨텐츠 시청 이력 정보 또는 상기 사용자의 컨텐츠 선호도 정보 중 적어도 하나를 포함하는, 전자 장치.
  7. 제4항에 있어서,
    상기 프로세서는,
    상기 제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 M차원의 벡터 포맷을 가지는 상기 사용자 레이턴트 팩터를 사용자 마다 획득하는, 전자 장치.
  8. 제6항에 있어서,
    상기 프로세서는,
    상기 사용자 각각에 대응되는 인덱스를 상기 사용자 레이턴트 팩터에 매핑하는, 전자 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 사용자 선호도 점수에 기초하여 선호도가 높은 순으로 미리 정해진 수의 컨텐츠 식별자를 포함하는 상기 추천 컨텐츠 리스트를 제공하는, 전자 장치.
  10. 제1항에 있어서,
    상기 복수개의 서로 다른 서버들은,
    방송국 서버, OTT 서비스 제공 서버, 스트리밍 서버 중 적어도 하나 이상을 포함하는, 전자 장치.
  11. 컨텐츠를 제공하는 복수개의 서로 다른 서버들 각각으로부터 컨텐츠 메타데이터, 및 사용자 메타데이터를 수집하는 단계;
    제1 학습 네트워크 모델을 이용하여, 상기 컨텐츠 메타데이터의 특성을 기초로 상기 컨텐츠 간 유사도 정보를 포함하는 컨텐츠 레이턴트 팩터를 생성하는 단계;
    제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 사용자 선호 컨텐츠 정보와 관련되는 사용자 레이턴트 팩터를 생성하고,
    제3 네트워크 모델을 이용하여, 상기 컨텐츠 레이턴트 팩터 및 상기 사용자 레이턴트 팩터를 기초로 상기 컨텐츠 각각에 대한 사용자 선호도 점수를 획득하는 단계; 및
    상기 사용자 선호도 점수에 기초하여 추천 컨텐츠 리스트를 제공하는 단계를 포함하는, 전자 장치의 동작 방법.
  12. 제11항에 있어서,
    상기 획득하는 단계는,
    상기 복수개의 서로 다른 서버들 중 제1 서버가 제공하는 소정의 컨텐츠에 대한 사용자 입력을 수신하면, 상기 사용자에 대응되는 사용자 메타데이터를 기초로 상기 제3 학습 네트워크 모델을 이용하여 상기 제1 서버로부터 제공되는 컨텐츠 각각에 대한 상기 사용자의 선호도 점수를 획득하는, 전자 장치의 동작 방법.
  13. 제11항에 있어서,
    상기 컨텐츠 메타데이터는,
    장르 정보, 디렉터 정보, 출연자 정보, 시간 정보 및 컨텐츠 제공자(CP, content provider) 정보 중 적어도 하나의 정보를 나타내기 위한 포맷을 포함하는, 전자 장치의 동작 방법.
  14. 제11항에 있어서,
    상기 컨텐츠 레이턴트 팩터를 생성하는 단계는,
    상기 제1 학습 네트워크 모델을 이용하여, N차원의 벡터 포맷을 가지는 상기 컨텐츠 레이턴트 팩터를 상기 컨텐츠마다 생성하는 단계인, 전자 장치의 동작 방법.
  15. 제14항에 있어서,
    상기 컨텐츠 레이턴트 팩터를 생성하는 단계는,
    상기 컨텐츠 각각에 대응되는 인덱스를 상기 컨텐츠 레이턴트 팩터에 매핑하는 단계를 더 포함하는, 전자 장치의 동작 방법.
  16. 제11항에 있어서,
    상기 사용자 메타데이터는,
    사용자의 컨텐츠 시청 이력 정보 또는 상기 사용자의 컨텐츠 선호도 정보 중 적어도 하나를 포함하는, 전자 장치의 동작 방법.
  17. 제14항에 있어서,
    상기 사용자 레이턴트 팩터를 생성하는 단계는,
    상기 제2 학습 네트워크 모델을 이용하여, 상기 사용자 메타데이터의 특성을 기초로 M차원의 벡터 포맷을 가지는 상기 사용자 레이턴트 팩터를 사용자마다 생성하는 단계를 더 포함하는, 전자 장치의 동작 방법.
  18. 제16항에 있어서,
    상기 사용자 레이턴트 팩터를 생성하는 단계는,
    상기 사용자 각각에 대응되는 인덱스를 상기 사용자 레이턴트 팩터에 매핑하는 단계를 더 포함하는, 전자 장치의 동작 방법.
  19. 제11항에 있어서,
    상기 제공하는 단계는,
    상기 사용자 선호도 점수에 기초하여 선호도가 높은 순으로 미리 정해진 수의 컨텐츠 식별자를 포함하는 상기 추천 컨텐츠 리스트를 제공하는 단계인, 전자 장치의 동작 방법.
  20. 제11항에 있어서,
    상기 복수개의 서로 다른 서버들은,
    방송국 서버, OTT 서비스 제공 서버, 스트리밍 서버 중 적어도 하나 이상을 포함하는, 전자 장치의 동작 방법.
KR1020190001925A 2019-01-07 2019-01-07 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치 KR20200092465A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190001925A KR20200092465A (ko) 2019-01-07 2019-01-07 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치
PCT/KR2020/000184 WO2020145596A1 (ko) 2019-01-07 2020-01-06 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치
US17/421,292 US20220147870A1 (en) 2019-01-07 2020-01-06 Method for providing recommended content list and electronic device according thereto
EP20739008.9A EP3902277A4 (en) 2019-01-07 2020-01-06 PROCEDURE FOR PROVIDING A LIST OF RECOMMENDED CONTENT AND RELEVANT ELECTRONIC DEVICE

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190001925A KR20200092465A (ko) 2019-01-07 2019-01-07 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치

Publications (1)

Publication Number Publication Date
KR20200092465A true KR20200092465A (ko) 2020-08-04

Family

ID=71520729

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190001925A KR20200092465A (ko) 2019-01-07 2019-01-07 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치

Country Status (4)

Country Link
US (1) US20220147870A1 (ko)
EP (1) EP3902277A4 (ko)
KR (1) KR20200092465A (ko)
WO (1) WO2020145596A1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022119345A1 (en) * 2020-12-03 2022-06-09 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
KR20220135852A (ko) * 2021-03-31 2022-10-07 한양대학교 산학협력단 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치
WO2023074920A1 (ko) * 2021-10-25 2023-05-04 엘지전자 주식회사 콘텐츠 제공자 추천 서버 및 방법
KR102605100B1 (ko) * 2023-04-10 2023-11-23 주식회사 티빙 콘텐츠 스트리밍 시스템에서 콘텐츠를 검색하기 위한 방법 및 장치
KR102615164B1 (ko) * 2023-02-15 2023-12-15 주식회사 티빙 콘텐츠 스트리밍 시스템에서 유사 콘텐츠를 제공하기 위한 방법 및 장치
KR102615165B1 (ko) * 2023-02-24 2023-12-15 주식회사 티빙 콘텐츠 스트리밍 시스템에서 유사 콘텐츠를 제공하기 위한 방법 및 장치
KR102622849B1 (ko) * 2023-09-25 2024-01-10 주식회사 프론트로 한류 컨텐츠 추천 시스템

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241394B (zh) * 2020-01-07 2023-09-22 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机可读存储介质及电子设备
KR20220040325A (ko) * 2020-09-23 2022-03-30 삼성전자주식회사 디스플레이 장치 및 그 제어 방법
US11310563B1 (en) * 2021-01-07 2022-04-19 Dish Network L.L.C. Searching for and prioritizing audiovisual content using the viewer's age
US20220382424A1 (en) * 2021-05-26 2022-12-01 Intuit Inc. Smart navigation

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100497428B1 (ko) * 2002-09-24 2005-07-01 전자부품연구원 메타 데이터를 이용한 지능화된 프로그램 추천 서비스방법
EP2207348A3 (en) * 2009-01-08 2013-02-13 Axel Springer Digital TV Guide GmbH Recommender method and system for cross-domain recommendation
KR101875230B1 (ko) * 2012-02-07 2018-08-03 한국전자통신연구원 시청 정보와 메타 데이터를 사용한 선호도 추론 장치 및 방법
WO2014076002A1 (en) * 2012-11-16 2014-05-22 Telefonica, S.A. A method and a system for creating a user profile for recommendation purposes
JP2018518722A (ja) * 2015-04-23 2018-07-12 ロヴィ ガイズ， インコーポレイテッド メディアアセット推奨モデルにおける正確度を向上させるためのシステムおよび方法
US9781479B2 (en) * 2016-02-29 2017-10-03 Rovi Guides, Inc. Methods and systems of recommending media assets to users based on content of other media assets
US10715849B2 (en) * 2016-07-27 2020-07-14 Accenture Global Solutions Limited Automatically generating a recommendation based on automatic aggregation and analysis of data

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022119345A1 (en) * 2020-12-03 2022-06-09 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
US11711582B2 (en) 2020-12-03 2023-07-25 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
KR20220135852A (ko) * 2021-03-31 2022-10-07 한양대학교 산학협력단 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치
WO2023074920A1 (ko) * 2021-10-25 2023-05-04 엘지전자 주식회사 콘텐츠 제공자 추천 서버 및 방법
KR102615164B1 (ko) * 2023-02-15 2023-12-15 주식회사 티빙 콘텐츠 스트리밍 시스템에서 유사 콘텐츠를 제공하기 위한 방법 및 장치
KR102615165B1 (ko) * 2023-02-24 2023-12-15 주식회사 티빙 콘텐츠 스트리밍 시스템에서 유사 콘텐츠를 제공하기 위한 방법 및 장치
KR102605100B1 (ko) * 2023-04-10 2023-11-23 주식회사 티빙 콘텐츠 스트리밍 시스템에서 콘텐츠를 검색하기 위한 방법 및 장치
KR102622849B1 (ko) * 2023-09-25 2024-01-10 주식회사 프론트로 한류 컨텐츠 추천 시스템

Also Published As

Publication number Publication date
EP3902277A1 (en) 2021-10-27
EP3902277A4 (en) 2022-06-08
WO2020145596A1 (ko) 2020-07-16
US20220147870A1 (en) 2022-05-12

Similar Documents

Publication Publication Date Title
EP3902277A1 (en) Method for providing recommended content list and electronic device according thereto
CN113016189B (zh) 识别音频场景的电子设备和方法
US10845941B2 (en) Image display apparatus and method
US20190066158A1 (en) Method and electronic device for providing advertisement
US11412308B2 (en) Method for providing recommended channel list, and display device according thereto
CN112000820A (zh) 一种媒资推荐方法及显示设备
US20220045776A1 (en) Computing device and operating method therefor
US11934953B2 (en) Image detection apparatus and operation method thereof
US11895375B2 (en) Display device and operation method thereof
US20200221179A1 (en) Method of providing recommendation list and display device using the same
EP3489860B1 (en) Image display apparatus and method of operating the same
CN112514410B (zh) 电子设备及其控制方法
JP2020520489A (ja) 映像表示装置及び映像表示方法
KR102464907B1 (ko) 전자 장치 및 그 동작 방법
US11404042B2 (en) Electronic device and operation method thereof
US20220122602A1 (en) Electronic device, and method for providing assistant service using same
WO2020175845A1 (ko) 디스플레이 장치 및 그의 동작 방법
US20230153419A1 (en) Display apparatus and operation method thereof
KR102664197B1 (ko) 영상 표시 방법 및 그에 따른 디스플레이 장치
US20220014688A1 (en) Image processing method and display device thereof
KR20230103577A (ko) 전자 장치 및 그의 동작 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal