KR20210037842A - 빅데이터 기반 키워드의 광고 마케팅 시스템 - Google Patents

Abstract

본 발명은 빅데이터 기반 키워드의 광고 마케팅 시스템에 관한 것으로 온라인 상의 웹 페이지를 포함하는 데이터를 크롤링(crawling) 또는 스크린 스크랩핑(screen scraping)하여 타겟브랜드가 포함된 온라인 상의 데이터를 검색 수집하는 검색수집부 상기 검색수집부가 검색수집한 상기 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 상기 타겟브랜드에 대한 평판을 나타내는 평판키워드 및 상기 평판키워드가 포함된 온라인상의 데이터가 생성된 시기를 추출하는 필터부, 시기에 따라 추출된 상기 평판키워드의 개수의 변화를 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 추천관리부; 및 상기 검색수집부가 검색수집한 상기 데이터와, 상기 데이터로부터 상기 필터부가 추출한 상기 키워드, 상기 연관키워드, 상기 평판키워드 및 상기 시기와, 상기 평판키워드를 추출하기 위해 참조되는 평판사전을 저장하는 데이터베이스를 포함하여 이루어진다.

Description

빅데이터 기반 키워드의 광고 마케팅 시스템{Advertising Decision Making System Using Big Data Processing}

새로운 유형의 멀티미디어 컨텐츠, SNS(social network service)의 광범위한 확장, 그리고 스마트 기기들의 보급과 이용으로 인해 웹상에서 발생 및 유통되는 데이터의 규모가 기하 급수적으로 늘어나고 있다. 웹상에서 존재하고 지금도 늘어나고 있는 엄청난 양의 데이터는 세상을 해석하기 위해 사용될 수 있다. 이것이 바로 ‘빅데이터’이다. 빅 데이터란 쉽게 말해 디지털화된 방대한 양의 정보를 뜻한다. 빅 데이터에서 불필요한 데이터들을 걸러내고 유용한 정보만을 추출 및 분석하여 사람들의 생각과 의견, 트랜드를 읽어내고 더 나아가 그들의 행동을 미리 예측할 수 있다. 빅 데이터는 이러한 유용성으로 인해 현재 우리나라에서뿐만 아니라 전세계적으로 각광받고 있는 차세대 IT(information technology) 기술 중 하나이다.

국내 빅 데이터 시장은 2015년 3,000억 원대를 형성하며, 2020년 1조원 규모로 성장할 것으로 예상된다. 빅 데이터와 관련된 국내 시장 규모도 매년 28% 이상 성장하고 있다. 빅 데이터의 활용이, 리서치, 컨설팅 영역에서 집중되고 있지만, 아직 상업 목적, 광고 목적의 시장에서도 활용가능성이 높다.

현재 광고 마케팅 분야의 빅 데이터 기술 활용은 일부 대기업을 중심으로, 활발하게 진행되고 있으나, 전체 기업에 적용하기에는 비용이 높은 관계로 대중화되고 있지 못한 실정이다. 빅 데이터가 활용될 수 있는 다양한 분야에서 빅 데이터를 효과적으로 활용하는 방안에 대한 논의가 추가적으로 필요하다.

상술한 본 발명의 목적을 달성하기 위한 본 발명의 일 측면에 따른 빅데이터 기반 키워드의 광고 마케팅 시스템은 온라인 상의 웹 페이지를 포함하는 데이터를 크롤링(crawling) 또는 스크린 스크랩핑(screen scraping)하여 타겟브랜드가 포함된 온라인 상의 데이터를 검색 수집하는 검색수집부 상기 검색수집부가 검색수집한 상기 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 상기 타겟브랜드에 대한 평판을 나타내는 평판키워드 및 상기 평판키워드가 포함된 온라인 상의 데이터가 생성된 시기 또는 긍부정 경향성, 주요 이슈키워드 등을 추출하는 필터부 시기에 따라 추출된 상기 평판키워드의 개수의 변화를 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 추천관리부 및 상기 검색수집부가 검색수집한 상기 데이터와, 상기 데이터로부터 상기 필터부가 추출한 상기 키워드, 상기 연관키워드, 상기 평판키워드 및 상기 시기와, 상기 평판키워드를 추출하기 위해 참조되는 평판사전을 저장하는 데이터베이스를 포함할 수 있다.

또한, 상기 필터부는 추출된 상기 평판키워드의 평판정도를 고려하여 각 평판키워드에 평판단계 또는 긍부정 경향성에 대한 등급을 부여하고, 상기 추천관리부는 상기 각 평판키워드의 평판단계를 더 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하고, 상기 데이터베이스는 평판키워드에 따른 평판단계를 더 포함할 수 있다.

또한, 상기 필터부는 상기 검색수집부가 검색수집한 상기 데이터에서 상기 데이터가 검색수집된 온라인 상의 채널의 종류를 더 추출하고, 상기 추천관리부는 시기에 따라 각 채널상에 상기 키워드와 상기 연관키워드가 노출된 횟수의 변화를 더 고려하여 상기 광고키워드를 광고할 채널의 종류를 더 추천하고, 상기 데이터베이스는 상기 키워드가 검색수집된 온라인 상의 채널의 종류를 더 저장할 수 있다.

또한, 상기 추천관리부는 상기 타겟브랜드에 대해 부정적인 평판키워드의 개수가 증가하는 경우, 상기 데이터베이스를 참조하여, 추천하고 있는 광고키워드의 상대 광고키워드를 추천하고, 상기 데이터베이스는 상기 추천하고 있는 광고키워드에 대한 상대 광고키워드를 저장할 수 있다.

또한, 상기 추천관리부는 광고키워드에 대한 소정의 기간 동안의 온라인상에 노출횟수를 광고비용으로 나눈 광고가대비노출지수를 더 고려하여 광고키워드를 추천할 수 있다.

또한, 상기 추천관리부는 소정의 기간 동안의 상기 키워드, 상기 연관키워드 또는 상기 평판키워드 중 어느 하나의 노출횟수의 변화량이 기설정된 임계범위를 초과하는 경우, 상기 추천하고 있는 상기 광고키워드를 변화시킬 수 있다.

또한, 상기 추천관리부는 사용자가 입력한 키워드 및 연관키워드를 포함하는 수집키워드 중 이슈키워드를 도출하여, 이슈키워드에 광고를 집행하도록 추천할 수 있다.

본 발명의 제2 목적을 달성하기 위한 본 발명의 일 측면에 따른 빅데이터 기반 키워드의 광고 마케팅 시스템은 구글, 네이버, 네이트, 다음 등 검색엔진의 인터넷뉴스, 블로그, 지식검색, 온라인 카페, 온라인 게시판, 상기 온라인 게시판의 게시글, 상기 게시글에 대한 댓글을 포함하는 온라인 채널 상의 웹 페이지 및 SNS(트위터, 페이스북)상의 정보를 크롤링 또는 스크린 스크래핑하여 광고하고자 하는 타겟브랜드와 연관된 빅데이터를 검색수집하여 저장하는 제1 단계, 상기 제1 단계에서 검색수집된 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 평판사전을 참조한 상기 타겟브랜드의 평판을 나타내는 평판키워드, 상기 데이터가 검색수집된 온라인 채널의 종류 중 어느 하나 이상과 상기 데이터가 생성된 시기 및 관여도를 추출하여 저장하는 제2 단계, 및 상기 추출된 시계열에 따른 상기 키워드의 변화량, 상기 연관키워드의 변화량, 상기 평판키워드의 변화량 및 상기 온라인 채널의 종류의 변화량 중 어느 하나 이상을 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 제3 단계를 포함할 수 있다.

또한, 상기 제2 단계는 상기 데이터에서 사용자의 상기 웹 페이지에 대한 선호도 정보, 상기 웹 페이지의 댓글의 개수, 상기 댓글에 대한 선호도 정보 및 상기 댓글에 대한 댓글의 수를 더 추출하고, 상기 제3 단계는 사용자의 상기 웹 페이지에 대한 선호도 정보, 상기 웹 페이지의 댓글의 개수, 상기 댓글에 대한 선호도 정보 및 상기 댓글에 대한 댓글의 수를 참조하여, 상기 웹 페이지 내 포함되어 있는 상기 타겟브랜드의 키워드, 연관키워드 및 평판키워드의 가중치를 차등화하여 광고키워드를 추천할 수 있다. 기존의 광고대상 키워드의 선정이 검색 엔진 등 서비스사업자가 제공하는 조회수, 광고비집행현황 등 광고타겟키워드와 관련한 트래픽정보를 기준으로 이루어졌다면, 본 발명은 광고하고자 하는 브랜드의 평판관련 데이터를 수집, 필터링하여, 해당브랜드를 언급한 사용자의 온라인상 빅데이터를 분석하여, 타겟고객의 해당브랜드에 대한 이슈키워드를 추출하여, 타겟고객의 관심사에 맞는 광고대상키워드에 광고를 집행할 수 있도록 추천하는 기능을 포함한다.

또한, 상기 제2 단계는 상기 데이터에서 상기 타겟브랜드의 상기 키워드 및 상기 연관키워드 또는 상기 타겟브랜드의 상기 키워드 및 상기 평판키워드가 모두 포함된 문장의 개수를 상기 타겟브랜드의 상기 키워드만을 포함된 문장의 개수로 나눈 값을 파라미터로 하여 더 추출하고, 상기 제3 단계는 상기 파라미터의 값에 따라 상기 문장 내에 포함된 상기 타겟브랜드의 상기 키워드, 상기 연관키워드 및 상기 평판키워드의 가중치를 차등화하여 광고키워드를 추천할 수 있다.

또한, 상기 제2 단계는 타겟브랜드에 대한 정보를 포함하고 있는 웹 페이지로 링크시키는 링크정보를 포함하고 있는 웹 페이지 스프레더 내의 웹 페이지의 수, 웹 페이지의 조회수, 웹 페이지의 댓글 수, 댓글의 추천수, 댓글에 대한 댓글 수, 소셜 네트워크 서비스를 통해 관계를 맺고 있는 다른 사용자 또는 웹 사이트의 수, 상기 웹페이지 스프레더에 의해 개시된 웹 페이지와 동일한 내용의 웹 페이지가 온라인상에 노출된 횟수 중 어느 하나 이상을 더 추출하고, 상기 제3 단계는 상기 웹 페이지 스프레더 내의 웹 페이지의 수, 웹 페이지의 조회수, 웹페이지의 댓글 수, 댓글의 추천수, 댓글에 대한 댓글 수, 소셜 네트워크 서비스를 통해 관계를 맺고 있는 다른 사용자 또는 웹 사이트의 수, 상기 웹 페이지 스프레더에 의해 개시된 웹 페이지와 동일한 내용의 웹 페이지가 온라인상에 노출된 횟수를 고려하여 상기 웹 페이지 스프레더의 가중치를 연산하고 상기 웹 페이지 스프레더가 새로 생성한 웹 페이지에 대해 사용자에게 알림을 제공하거나 상기 웹 페이지 스프레더가 포함하는 웹 페이지내에 포함된 상기 타겟브랜드의 상기 키워드, 상기 연관키워드 및 상기 평판키워드의 가중치를 차등화하여 광고 키워드를 추천할 수 있다.

상기 평판키워드 중 부정적인 평판정보를 포함하는 평판키워드가 증가하는 경우 사용자에게 알림을 제공하는 단계를 더 포함할 수 있으며, 자신의 브랜드 외에 경쟁사 브랜드의 평판을 자유롭게 추가할 수 있어서, 광고의사결정에 중요한 경쟁사비교, 시장내 점유율 분석 등 유효한 데이터를 추출 분석할 수 있으며, 고객이 입력한 브랜드키워드 및 연관키워드에 대한 사용자의 평판(긍/부정 성향)에 대한 가이드를 제공함으로써, 입력한 브랜드에 대한 온라인상의 평판글의 긍부정 성향을 실시간으로 파악할 수 있으며, 부정성향 발생 시 알림 및 삭제신청, 평판위험등급관리 등의 서비스를 이용할 수 있다.

온라인상 빅데이터를 분석하여, 타겟고객의 해당브랜드에 대한 이슈키워드를 추출하여, 타겟고객의 관심사에 맞는 광고대상키워드에 광고를 집행할 수 있도록 추천할 수 있다.

또한 타겟브랜드의 상기 키워드, 상기 연관키워드 및 상기 평판키워드의 가중치를 차등화하여 광고 키워드를 추천할 수 있다.

도 1은 본 발명의 실시예에 따른 빅데이터 기반 키워드의 광고 마케팅 시스템의 구성을 나타낸 개념도.
도 2는 본 발명의 실시예에 따른 연관키워드 개수의 변화를 나타낸 도면.
도 3 및 도 4는 본 발명의 실시예에 따른 이동평균 노출횟수와 현재일 노출횟수의 변화를 나타낸 도면.
도 5는 본 발명의 실시예에 따른 평판정보의 변화를 나타낸 도면.
도 6 및 도7은 본 발명의 또 다른 실시예에 따른 빅데이터 기반 키워드의 광고 마케팅 시스템의 순서를 나타낸 도면.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는 것에 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다거나 "직접 접속되어"있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 이하, 도면상의 동일한 구성 요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성 요소에 대해서 중복된 설명은 생략한다.

도 1은 본 발명의 실시예에 따른 빅데이터 기반 키워드의 광고 마케팅 시스템의 구성을 나타낸 개념도이다.

도 1을 참조하면, 본 발명에 따른 키워드 광고마케팅(100)은 검색수집부(110), 필터부(130), 추천관리부(150)및 제1 내지 제4 데이터베이스(111, 131, 133, 151)로 구성되어 있다.

먼저, 검색수집부(110)는 웹 페이지를 검색하고 추출하는 역할을 한다. 웹 페이지는 서비스 공급자 등이 일반 사용자들로 하여금 자신의 관심사에 따라 자유로이 텍스트를 입력하거나 콘텐츠를 게재할 수 있도록 한 구성으로, 예를 들어 홈페이지, 뉴스, 블로그, 마이크로 블로그, 동영상, 지식검색, 카페, 게시판, 댓글 등 웹 페이지 전반과 SNS상 활동정보를 포괄하는 개념이다. 검색수집부는 온라인 공간상에 저장되어 있는 타겟브랜드 또는 타겟브랜드에 대한 유관브랜드에 대한 웹 페이지를 검색하고 수집한다. 상기 웹 페이지에는 타겟브랜드 및 유관브랜드의 평판정보 등이 포함될 수 있다. 타겟브랜드는 광고주가 광고를 원하는 브랜드일 수 있으며, 유관브랜드는 상기 타겟브랜드와 경쟁관계 등에 있는 브랜드일 수 있다. 타겟브랜드 및 유관브랜드에 대한 키워드가 웹 페이지상에 노출될 수 있고, 분석을 통해 상기 키워드와 유사하거나 연관되는 키워드를 연관키워드로 정의할 수 있다. 또한, 하기에 설명할 추천관리부의 분석을 통해 효율적인 광고를 위해 광고주에게 추천하는 키워드를 추천 광고 키워드라 정의할 수 있다.

바람직한 온라인 공간은 타겟브랜드 및 유관브랜드의 평판정보가 주로 업로드될 수 있는 포털사이트, 사용자가 지정한 사이트, 언론사사이트, 온라인 카페상의 사용자모임사이트, 트위터 또는 페이스북 등 소셜네트워크서비스(Social Network Service)사이트 등이 될 수 있다. 타겟브랜드 또는 유관브랜드에 대한 평판정보를 포함하는 웹 페이지는 일반적으로 타겟브랜드 및 유관브랜드의 키워드, 상기 키워드에 대한 유사키워드, 상기 키워드에 대한 연관키워드 등을 이용하여 검색될 수 있다. 한편, 사용자는 타겟브랜드 또는 유관브랜드를 키워드 등의 형태로 본 발명에 따른 키워드 광고 마케팅 시스템에 입력하여 설정할 수 있다.

먼저, 검색수집부는 웹 크롤러(crawler)가 새로운 웹 페이지 또는 업데이트된 웹 페이지를 크롤링을 통하여 수집할 수 있다. 웹 크롤러는 웹 로봇, 봇 등이 될 수 있으며 대량의 컴퓨터를 사용하여 포털사이트, 사용자지정 사이트 등의 수십억 개의 웹 페이지를 크롤링하여 타겟브랜드 및 유관브랜드에 대한 평판정보 등을 포함하는 웹페이지를 실시간으로 수집할 수 있다. 또한, 검색수집부는 웹 페이지에 대한 스크린 스크래핑(screen scraping)을 수행하여 수집할 수 있다. 스크린 스크래핑은 복수의 웹 페이지에서 필요한 자료만을 추출하는 기술로서, 스크린 스크래핑을 사용하는 경우, 자동으로 웹 사이트의 서버에 접속해 를 에 나타나게 한 후 필요한 자료만을 추출해 가져올 수 있다. 즉, 인터넷 스크린에 보여지는 내용 중에서 필요한 것을 추출하거나 추출하여 따로 조작 처리할 수 있는 것으로 타겟브랜드 및 유관브랜드에 대한 평판정보를 포함하고 있는 방대한 양의 웹 페이지 중 필요한 부분에 대해 수시로 혹은 정기적으로 검색하고 가져올 수 있다. 이와 같이 검색수집부는 스크린 스크래핑 기술을 이용하므로 수집의 대상이 되는 온라인 공간상의 포털사이트, 페이스북과 같은 소셜네트워크서비스 사이트 등이 웹 페이지를 노출시키는 형태나 로직을 변경하더라도 지속적으로 웹 페이지 상의 데이터를 검색하고 추출할 수 있다. 이처럼 검색 추출된 데이터들은 제1 데이터베이스(111)에 저장될 수 있다.

제1 데이터베이스(111)는 검색수집부에 의해 검색 추출된 웹 페이지의 검색 수집된 일자 및 시간, 검색된 온라인 채널의 종류, 웹 페이지의 제목, 본문, 게시자, 게시날짜, 웹 페이지의 URL, 게시된 포털사이트의 종류, 웹페이지의 댓글 및 개수 등 정보 등을 모든 데이터를 분류하고 저장할 수 있는 데이터 필드를 포함할 수 있다.

그 밖에, 검색수집부는 인터넷 접속 히스토리 목록을 수집하거나, 웹 서버에 기록된 로그 파일을 분석하거나, 인터넷 이용자의 컴퓨터에 설치된 프로그램에 의해 인터넷 접속 주소를 수집하는 등의 다양한 방법으로 웹 페이지 등을 수집할 수 있다.

필터부(130)는 상기 검색수집부에 의해 검색 추출된 웹 페이지들을 소정의 기준을 통해 필터링하는 역할을 하며, 제2 데이터베이스(131)는 필터부에 의해 웹 페이지를 필터링한 정보를 저장하고, 제3 데이터베이스(133)는 필터부의 의해 웹 페이지를 필터링할 때 참조할 수 있는 정보가 저장된다.

먼저, 필터부는 검색 추출된 웹 페이지를 웹 페이지의 키워드 노출 빈도, 웹 페이지를 온라인 공간상에 노출한 포털사이트, 소셜네트워크서비스 등 채널의 종류, 웹 페이지의 타겟브랜드 및 유관브랜드에 대한 평판정보 등을 기준으로 웹 페이지를 분류할 수 있다. 한편, 제1 데이터베이스와 연동 등을 통하여 제2데이터베이스(131)는 상기 필터부에 의해 필터링 된 데이터를 저장할 수 있다. 더욱 상세하게, 필터부는 검색 추출된 웹 페이지에 대한 키워드 빈도 분석을 할 수 있다. 예를 들어, TFIDF(Term Frequency Inverse Document Frequency) 방식으로 다수의 웹 사이트 문서에서 키워드를 추출할 수 있다. TFIDF(Term Frequency Inverse Document Frequency)란 '전체 문서(global document) 세트 중에서 하나의 특정 용어를 포함하는 전자 문서의 빈도' 즉, 문서 빈도 (DF;Document Frequency)에 대한 '해당 특정 용어가 하나의 특정 전자 문서(document) 내에 나타난 빈도' 즉, 용어 빈도(TF;Term Frequency)의 비율을 의미한다. 이는, 특정 문서에는 많이 등장하나 일반적인 문서에서는 적게 등장하는 키워드들일수록 TFIDF가 크기 때문에 TFIDF 방식을 사용하는 것은 전자 문서에서 키워드를 추출하는 것에 유용하다. 그 밖에 다양한 방식으로 웹 페이지상에서 키워드를 추출할 수 있다. 상기 키워드는 타겟브랜드 혹은 유관브랜드에 관한 것일 수 있다. 예를 들어, 타겟브랜드가 “A 자동차”라고 할 때, 검색수집부는‘A 자동차’와 관련된 웹 페이지를 검색 추출하고, 필터부는 검색수집된 페이지에 대한 TFIDF 방식의 키워드 분석을 통해, 연관키워드로 ‘A 자동차’의 모델명, 판매량, 프로모션 일정, 서비스 매장 등을 도출할 수 있다.

동일하게 타겟브랜드의 유관브랜드라고 할 수 있는 ‘B 자동차’에 대한 키워드도 도출할 수 있다. 다시 말해, 필터부는 예를 들어, 웹 페이지에서 타겟브랜드 ‘A 자동차’와 관련된 연관키워드 a, b, c, d 등이 검색된 경우 A 자동차- a, A 자동차 - b, A 자동차 - c 및 A 자동차 - d의 페어로 묶어 키워드 세트를 구성하여 제2 데이터베이스를 구축할 수 있다. 상기 a, b, c, d 등의 연관키워드는 하기 설명할 추천관리부를 통해 가중치 등이 부여되어 광고키워드로 추천될 수 있다. 이와 같이 필터부는 최근의 웹 페이지에 나타나는 트랜드를 반영하여 추천 가능한 최적의 연관키워드 및 그 페어를 생성할 수 있으며, 포털사이트 등 서비스제공자가 제공하는 정보 이외에도, 본 서비스의 이용자의 사용자 정보를 통해 구성할 수도 있다.

또한, 타겟브랜드에 대한 연관 키워드들 간에는 랭킹 구조를 가질 수 있다. 이 경우 필터부는 자연어 처리 및 텍스트 마이닝 기법 등을 통해 연관키워드 중 하나 이상을 대표 연관키워드로 추출하여 연관키워드 세트를 설정하고, 나머지 추출된 연관키워드가 상기 세트에 포함될 수 있도록 하여 연관키워드들 간에 랭킹 구조를 생성한다.

예를 들어, 타겟브랜드가 ‘A 학원’이고 이에 대한 연관키워드로 ‘홍길동’,‘홍길동 선생’,’홍가리’, ‘홍수학’, ‘홍샘’, ‘홍길동 샘’, ‘길동이’, ‘길동샘’ 등이 수집되었다고 가정한다. 이 경우 필터부는 자연어 처리 등을 통해 ‘홍길동’이라는 연관키워드를 대표 연관키워드로 설정하고, 상기 ‘홍길동’이라는 대표 연관키워드 아래 ‘홍길동’을 포함한 나머지 연관키워드인 ‘홍길동 선생’,’홍가리’, ‘홍수학’, ‘홍샘’, ‘홍길동 샘’, ‘길동이’, ‘길동샘’ 등이 위치하게 할 수 있다. 한편, 랭킹 구조 생성을 위해 사용자가 미리 설정하여 저장한 연관키워드 간의 랭킹 구조를 참작하여도 무방하다. 예를 들어, 수집된 ‘홍길동’,‘홍길동 선생’,’홍가리’, ‘홍수학’, ‘홍샘’, ‘홍길동 샘’, ‘길동이’, ‘길동샘’의 연관키워드 중 대표 연관키워드는 ‘홍길동’이고 나머지는 상기 ‘홍길동’으로 대표되는 세트에 포함되도록 미리 설정할 수 있다. 상기 랭킹 구조에 대한 데이터는 제3 데이터베이스 (133)에 저장되어 참조될 수 있다.

아울러, 필터부는 수집된 키워드를 카테고리 별로 저장할 수 있다. 다시 말해 다수의 웹 페이지에 포함되어 있는 다양한 키워드들을 카테고리 별로 데이터베이스화하는 것이다. 앞서 예에서, 타겟브랜드 ‘A 자동차’와 관련된 연관키워드 a, b, c, d 간에 카테고리가 나누어져 저장될 수 있다. 예를 들어, 연관키워드 a와 b는 모델명에 관한 것이고, c는 가격에 관한 것이고, d는 프로모션 일정에 관한 것이라면, 연관키워드 a와 b는 모델명이라는 하나의 카테고리로, 나머지 c와 d는 별로의 카테고리로 구분할 수 있는 것이다. 상기 연관키워드가 속하는 카테고리 관계는 제3 데이터베이스에 미리 저장되어 참조될 수 있다.

또한, 키워드들에 관한 시계열 정보가 제2 데이터베이스에 저장될 수 있다. 예를 들어, 타겟브랜드인 ‘A 자동차’에 대한 키워드 중 A 자동차의 모델명이 웹 페이지에 노출되는 빈도는 시기에 따라 다를 수 있다. 예를 들어, 전통적으로 자동차 수요가 증가하는 봄 계절과 그렇지 않은 계절에 대한 날짜 등 시계열적인 정보와 함께 키워드 노출 등의 정보를 저장하면 시간에 따른 키워드 노출 등의 변화를 분석할 수 있다.

또한, 필터부는 타겟브랜드 및 유관브랜드가 온라인 공간상의 어떤 채널에서 노출되는지를 필터링하여 그 정보를 제2 데이터베이스에 저장할 수 있다. 상기 채널은 뉴스, 소셜 네트워크 서비스, 카페, 블로그, 일반 게시판, 개인 홈페이지, 마이크로 블로그, 동영상, 지식검색, 카페, 게시판, 댓글 등이 될 수 있으며, 상기 언급한 채널을 더욱 세분하여 필터링할 수 있다. 예를 들어, 소셜 네트워크 서비스사이트는 페이스북, 트위터 등 구체적으로 다시 나누어 각 채널에 따른 타겟브랜드 및 유관브랜드의 노출 정보를 저장할 수 있다. 또한, 뉴스나 지식검색 등과 같이 일반적으로 생성된 콘텐츠를 포함하고 있는 원천정보 웹 페이지와 상기 원천정보 페이지를 유통하는 확산 웹 페이지를 구분할 수 있다. 예를 들어, 원천정보 웹 페이지는 신문사 등에서 실제 제작한 뉴스 등을 포함하고 있는 웹 페이지라면, 확산 웹 페이지는 트위터나 페이스 북과 같이 일반적으로 상기 원천정보 웹 페이지에 접근하는 링크 정보를 포함하고 있는 웹 페이지라 할 수 있다. 예컨대, 트위터 중 리트윗(retweet)하는 트윗도 상기 확산 웹 페이지에 해당할 수 있다. 수많은 팔로워(follower)를 갖는 트위터에서 리트윗되는 정보는 온라인상에서 대대적으로 확산 가능하기 때문이다. 이와 같이 필터부는 웹 페이지를 원천정보 웹 페이지와 확산 웹 페이지로 구분하여 필터링하여 저장할 수 있다. 또한, 필터부는 검색수집부에 의해 검색 수집된 특정 원천정보 웹 페이지의 링크 정보 등을 포함하고 있는 웹 페이지의 개수에 대한 정보를 저장할 수도 있다. 상기 정보 등은 제2 데이터베이스에 저장될 수 있다.

이와 같이 수집된 채널 정보를 이용하여 광고에 대한 키워드 광고 마케팅 시스템에 활용할 수 있다. 또한, 필터부는 채널 정보에 시계열 정보를 더하여 필터링할 수 있으며, 각 키워드 별로 시계열 정보를 더하여 필터링하여도 무방하다.

또한, 필터부는 웹 페이지에서 타겟브랜드 및 유관브랜드에 대한 평판정보를 필터링하여 제2 데이터베이스에 저장할 수 있다. 웹 페이지상에 포함된 평판정보는, 감정에 대한 정보를 포함하는 평판사전(reputation dictionary)이 저장된 제3 데이터베이스를 이용하여 필터링 될 수 있다. 상기 평판정보를 토대로 타겟브랜드 및

유관브랜드에 대한 웹 페이지의 긍정, 부정, 중립성향을 필터링할 수 있다. 또한, 평판정보와 채널정보를 동시에 필터링할 수 있으며, 여기에 시계열적인 정보까지 포함하여 필터링하여도 무방하다. 또한, 평판사전은 평판 정보를 긍정, 부정, 중립뿐만이 아니라 평판정보에 따라 그 정도를 세분화 및 단계화하여 저장할 수도 있다.

이와 같이, 필터부는 키워드, 키워드 노출에 대한 시계열정보, 키워드가 노출된 채널정보, 웹 페이지 상의 키워드에 대한 평판정보 등을 통하여 다각도에서 웹 페이지를 구분하고 분류할 수 있다.

상기 제3 데이터베이스는 긍정, 부정, 중립에 관한 키워드를 포함하는 평판사전 및 사용자가 직접 입력한 키워드 등을 포함할 수 있음은 물론이다.

또한, 필터부는, 온라인 공간상에 존재하는 텍스트의 양이 방대하나 정확한 사용자의 관심사항을 수집하기 위해서, 타겟브랜드 및 유관브랜드 또는 사용자가 지정한 단어가 포함된 문장을 확인하여 필터링할 수 있다. 즉, 사용자가 지정하는 연관검색어를 통해 필터링의 정교함을 더욱 높일 수 있다. 예를 들어, 사용자가 입시 학원에 관해 관심 있는 경우, 사용자는 ‘입시’, ‘재수’, ‘동영상 강좌’에 대한 키워드를 참조키워드로 제3 데이터베이스에 미리 입력할 수 있고, 필터부는 제3 데이터베이스를 참조하여 웹 페이지에 참조키워드인 ‘입시’,‘재수’, ‘동영상 강좌’ 등의 단어가 포함되어 있는지 확인하여 웹 페이지를 필터링할 수 있다.

또한, 필터부는 입력받은 웹 페이지 중 미리 설정된 특정 기간 동안 검색 추출된 웹 페이지만을 필터링할 수 있다. 이에 따라, 키워드 광고 마케팅 시스템은 특정기간 동안에 사용자 관심사항 등을 보다 세부적으로 확인할 수 있다.

이외에도, 필터부는 사용자의 관심사항을 확인하고자 특정 분야에 대한 키워드로 설정하고, 웹 페이지에 상기 키워드가 포함된 경우, 해당 웹 페이지를 필터링함으로써, 관련도가 낮은 웹 페이지는 향후 연산에 포함되지 않도록 하여, 보다 효율적으로 웹 페이지를 분석할 수 있다. 이후 필터부는 웹 페이지 내 포함된 단어를 필수적인 부분에 해당하는 필수키워드 또는 상기 필수키워드보다 중요도가 다소 떨어지는 선택키워드로 구분할 수 있다.

예를 들어, 수집된 웹 페이지 내에 ‘A 입시학원’이라는 단어를 필수키워드로서 선택할 수 있고, 상기 웹 페이지 내에서 ‘B 강사’라는 단어는 상기 ‘A 입시학원’의 부수적인 기능을 담당함에 따라, 선택키워드로 지정할 수 있다. 특히, 상기 필수키워드는 광고하고자 하는 분야정보 등을 나타내는 적어도 하나의 단어 등을 포함한다. 이 필수키워드 및 선택키워드는 사용자가 정할 수 있음은 물론이다. 또한, 상기 필수키워드 및 선택 키워드는 제3 데이터베이스에 저장될 수 있다.

필터부는 앞서 선택한 필수키워드를 기준으로 하여 선택한 필수키워드와 선택키워드 간에 연관성을 분석할 수 있다. 예를 들어, 필터부는 웹 페이지상에서 검색된 ‘A 입시학원에서 B 강사는 수학을 기본 과정부터 쉽게 가르칩니다.’이라는 문장에 대해, 필수키워드로 선택된 ‘A 입시학원’이라는 단어와 선택키워드로 선택된 ‘B강사’라는 단어 간에 상호 연관 관계를 연산할 수 있다.

필터부는 웹 페이지의 존재하는 문장의 개수에 기초하여, 문장 중 필수키워드와 선택키워드를 모두 포함하는 문장의 개수를 카운트하고, 이어서, 상기 필수키워드만 포함한 문장의 개수를 카운트한다. 그리고 하기의 식과 같이, 상기 필수키워드 및 선택키워드를 모두 포함하는 문장의 개수를 상기 필수키워드만을 포함하는 문장의 개수로 나누어 필수키워드와 선택키워드에 대한 신뢰도를 연산할 수 있다.

신뢰도=필수키워드 및 선택키워드를 모두 포함하는 문장의 개수/필수키워드만을 포함하는 문장의 개수 또한, 온라인상 신뢰도를 얻고 있는 사용자, 예를 들어, 파워블로거, 파워트위터, 활성화 되어 있는 온라인 카페운영자, 온라인상의 영향력이 있는 사용자 등의 홈페이지 또는 사이트활성화 정도를 사전에 입력하여, 중요도

가 높은 매체 및 채널에 등록된 정보와 일반정보의 신뢰도를 따로 연산한다.

연산된 신뢰도 결과가 클수록 필수키워드와 선택키워드가 온라인상에서 이슈되고 있는 것으로 판단할 수 있고, 이와 반대로 연산결과가 낮을수록 해당 문장은 중요도가 낮은 것으로 판단할 수 있다. 이러한 웹 페이지 내의 문장 분석을 통하여 사용자의 관심사를 분석할 수 있다. 한편, 웹 페이지 내에 필수키워드와 인접한 문장에 포함되는 선택키워드 간에 상호 연관규칙을 탐색하여, 보다 구체적인 분석을 수행할 수 있다. 한편, 필수키워드와 선택키워드는 사용자가 사전에 미리 제3 데이터베이스에 입력 저장할 수 있으며, 필터부는 제3 데이터베이스를 참조하여 필수키워드와 선택키워드를 나눌 수 있다. 필수키워드는 타겟브랜드가 될 수 있으며, 선택키워드는 상기 타겟브랜드에 대한 연관키워드가 될 수 있다. 즉, 필수키워드 및 선택키워드 간의 신뢰도를 통하여, 연관키워드를 광고키워드로 추천할지 결정할 수 있다.

또한, 필터부는 입력받은 웹 페이지에 대한 선호도 정보 및 상기 웹 페이지에 대한 댓글 개수를 필터링하여 제2데이터베이스에 저장할 수 있다. 예를 들어, 최근 일반적인 웹 페이지는 상기 웹 페이지를 읽는 자로 하여금 선호도를 입력받을 수 있도록 웹 페이지마다 ‘추천’ 및 ‘비추천’ 등과 같은 버튼을 포함하고 있다. 즉, 필터부는 상기 웹 페이지에 대한 ‘추천’ 개수 및 ‘비추천’ 개수 등의 정보와 상기 웹 페이지에 댓글 개수 정보를 추출하여 제2 데이터베이스에 저장할 수 있다. 다른 예로, 웹 페이지에 대한 댓글도 ‘추천’ 또는 ‘비추천’과 같은 선호도 정보와 댓글에 대한 댓글을 포함할 수 있다. 이러한 댓글에 대한 댓글은 반복적으로 작성될 수도 있다. 또 다른 예로, 지식 검색과 같은 웹 페이지에서 특정 질문에 대한 여러 개의 답변에 대해, 사용자는 가장 선호하는 답변을 선택할 수 있다. 이러한 선호 정보를 추출하여 각 웹 페이지에 대한 신뢰도 등의 연산 시가중치로 차등화할 수 있다. 즉, 타겟브랜드에 대한 댓글의 비추천 개수가 추천 개수에 비하여 현저하게 많거나혹은 그 반대인 경우 상기 댓글을 별로도 필터링하고 관리 분석하고, 상기 댓글의 가중치를 다른 댓글과 차등화 할 수 있다.

또한, 필터부는 특정 웹 페이지가 사용자 단말기에 노출되는 시간 정보를 추출할 수도 있다. 사용자 단말기에 특정 웹 페이지가 소정의 시간만큼 노출되면 이를 사용자가 특정 웹 페이지에 관심이 있어 주목한 것으로 간주 할 수 있다. 이와 같은 정보를 이용하여 각 웹 페이지에 가중치를 부여할 수 있다. 한편, 노출 시간 정보는 웹페이지를 제공하는 서버의 로그 등을 분석하여 제공받을 수도 있다. 예를 들어, 사용자 단말기로부터 서버에 제1 웹 페이지를 요청한 후 다음 제2 웹 페이지를 요청할 때까지 소요되는 시간을 노출 시간을 노출 시간으로 추정할 수 있다.

다음으로 추천관리부(150)는 상기 필터부에서 필터링된 데이터 등을 이용하여 타겟브랜드를 가장 효과적으로 광고할 수 있도록 할 수 있는 광고키워드를 추천하는 역할을 한다.

더욱 상세하게, 추천관리부는 시계열 정보에 따른 타겟브랜드의 광고키워드 및 채널을 추천할 수 있고, 키워드와 평판정보 간의 상관 관계를 분석하여 광고키워드를 추천하거나 마케팅 정보를 제공할 수 있고, 타겟브랜드 등의 원천정보 웹 페이지를 확산시키는 웹 페이지 스프레더(spreader)를 관리할 수 있고, 타겟브랜드의 평판을

저해하는 악의적인 웹 페이지를 삭제할 수 있다.

또한, 본 발명에 따른 키워드 광고 마케팅 시스템은 추천관리부가 추천 시 참조할 수 있는 키워드들을 포함하고 있는 제4 데이터베이스(151)를 더 포함할 수 있다.

먼저, 추천관리부는 검색수집부와 필터부를 통해 검색 필터링 된 타겟브랜드의 키워드들에 대한 시계열적인 정보를 이용하여 광고주에게 광고키워드를 추천할 수 있다. 도 2를 참조하여 예를 들어 보면, 광고하기 위한 타겟 브랜드가 ‘A 입시학원’인 경우, ‘A 입시학원’에 대한 연관키워드는 ‘수학’, ‘영어’, ‘학원비’, ‘동영상강좌’, ‘B 선생’, ‘C 선생’ 등이 될 수 있다. 그리고 ‘A 입시학원’에 대한 연관키워드 중 ‘B 선생’이라는 키워드는 웹 페이지 상의 노출이 연중 1월에 가장 많이 집중된 후 서서히 줄어들어 6월에 가장 적게 노출된 반면 ‘C 선생’이라는 키워드는 6월에 가장 많이 집중된 후 서서히 줄어들어 12월 및 그다음 해 1월에 가장 적게 노출된 것으로 연중 반복하여 확인되는 경우, 추천관리부는 12월 및 1월에는 ‘B 선생’에 대한 키워드 및 그 연관키워드를 추천하고, 5월 및 6월에는 ‘B 선생’에 대한 키워드 및 그 연관키워드들을 광고를 줄이도록 추천한다. 또한, 추천관리부는 ‘C 선생’에 대해서는 5월 및 6월에 관련 광고를 추천하는 것에 반해 12월 및 1월에는 광고를 줄이도록 추천하다. 이와 같은 추천관리부를 통해 일반적인 포털사이트가 제공하는 키워드에 대한 월 조회수 및 Cost Per Click 등의 제한된 정보에 의존하여 키워드를 선정해야 하는 문제점을 극복할 수 있다. 키워드들의 웹 페이지 상의 노출 정보는 월간 혹은 일간 등 소정의 주기에 따라 분석을 달리할 수 있다.

예를 들어, 프로야구에 대한 7개월 간의 시즌과 5개월간의 시즌 오프에 대한 주기, 올림픽 혹은 축구 월드컵에 대한 4년에 한 번씩 개최되는 주기, 토익 시험에 대한 1개월에 한 번의 열리는 주기 등 여러 가지 주기로 나누어 수집된 키워드들을 분석하여 광고키워드를 결정할 수 있다. 상기 주기는 사용자 편의 따라 조정할 수 있음은 물론이다.

또한, 추천관리부는 키워드 노출의 이동 평균선을 이용하여 광고키워드를 더욱 정교하게 추천할 수 있다. 이동 평균이란 일정기간 키워드가 웹 페이지상에 노출된 횟수를 합산 후 그 기간의 일수로 나눈 수치를 말한 것으로 이동 평균선은 그 수치를 연속적으로 연결한 선이다. 즉, 서로 다른 기간 동안에 대한 키워드들의 노출 이동 평균선을 참조하여, 키워드들의 단기, 중기, 장기에 따른 변화를 검토할 수 있다.

타겟브랜드의 키워드가 소정의 기간(7일, 30일, 180일, 365일 등) 동안 웹 페이지 등에 노출되는 횟수에 대해 일일 평균을 구하고, 상기 일일 평균 노출횟수와 현재일에 측정되는 노출횟수 간의 이탈 비율을 연산하여 광고키워드를 선정할 수 있다. 도 3을 참조하여 예를 들면, 7일 평균 노출횟수와 현재일 노출횟수의 차이가 10% 미만인 경우에는 광고키워드 대해 지속적으로 추천을 하도록 하고, 7일 평균 노출횟수와 현재일 노출횟수의 차이가 10% 이상으로 크게 벌어지는 경우, 웹 페이지 상의 키워드 노출이 급격히 변화하고 있다고 판단하여 광고키워드에 대한 추천여부를 재고할 수 있다. 즉, 다른 파라미터를 분석하여 광고키워드를 계속적으로 추천할지 아니면 광고키워드 추천을 중단하지 판단하는 것이다. 아울러, 비교한 평균 기간에 따라 추천강도를 달리할 수 있다. 예를 들어, 7일 평균보다 30일 평균이 더욱 오랜 기간 동안 수집된 데이터이기 때문에 7일 평균과 현재일 평균의 차보다 30일 평균과의 현재일 평균과의 차이를 더욱 중요하게 참조하여 추천강도를 더욱 높게 할 수 있고, 마찬가지로 30일 평균에 비해 180일 평균에 더욱 높은 추천강도를 부여할 수 있다.

또한, 도 4를 참조하여, 현재일의 노출횟수가 상승하고 있는 이동평균선을 하향돌파할 때(도 4의 2월 28일)에는 조만간 키워드의 노출횟수가 줄어들 것으로 판단하고, 현재일의 노출횟수가 하락하고 있는 이동평균선을 상향돌파할 때(도 4의 8월 15일)에는 조만간 키워드의 노출횟수가 늘어날 것으로 예상하고, 광고키워드를 추천할 수 있다.

앞선 설명과 또 다른 관점에서, 그래프 상의 7일 평균이동선이 30일 평균이동선을 뚫고 지나가는 경우 7일 평균에 변화가 있는 것으로 판단하고, 단기 변화를 감지하여 키워드 추천강도를 변화시킬 수 있다.

이와 같은 이동평균선 이탈비율을 참조하여 광고키워드에 대한 추천여부를 재고할 수 있어, 결과적으로 광고주의 특정 키워드에 대한 광고 결정에 도움을 주어 전체적인 광고비를 줄일 수 있는 효과를 갖는다.

또한, 추천관리부는 키워드들이 노출된 채널들에 대한 시계열적인 정보를 이용하여 광고주에게 채널을 추천할 수 있다. 예를 들어, 광고하기 위한 타겟브랜드가 ‘A 입시학원’인 경우, ‘A 입시학원’ 및 이에 대한 연관키워드는 일반 웹사이트, 뉴스, 블로그, 마이크로 블로그, 동영상, 지식검색, 카페, 소셜 네트워크 서비스 사이트, 댓글 등의 여러 가지 채널에 노출될 수가 있다. 추천관리부는 타겟브랜드의 채널 별 노출 정도에 대한 시계적 정보를 이용하여 가장 효과적인 광고키워드 노출 채널을 추천한다. 예를 들어, ‘A 입시학원’에 대한 키워드가 과거에는 지식검색 등에서 많이 노출되어 있었던 것에 반해 최근에는 소셜 네트워크 서비스 사이트상에서 많이 노출되고 있는 것으로 판단되는 경우 소셜 네트워크 서비스 사이트 채널에 광고하도록 추천한다. 소정의 키워드가 채널에 노출되는 정도의 변화 패턴을 추출하여 특정 패턴에 따라 채널을 추천을 변경하여도 무방하다.

또한, 추천관리부는 웹 페이지의 평판정보의 시계열적 변화를 토대로 광고키워드를 추천할 수 있다. 예를 들어, 광고하기 위한 타겟브랜드가 ‘A 학원’인 경우, ‘A 학원’에 대한 연관키워드는 ‘영단기’ 및 ‘시원영어’등이 될 수 있다. 이 때 추출된 상기 타겟브랜드와 관련된 연관키워드인 ‘영단기’가 노출된 웹 페이지에 ‘비싸다’, ‘부담된다’, ‘별로다’등의 부정적 감정을 나타내는 평판정보가 시계열적으로 증가하는 것으로 나타나는 것에 반해, ‘시원영어’가 노출된 웹 페이지는 ‘저렴하다’, ‘싸다’, ‘괜찮다’등의 긍정적 감정을 나타내는 평판정보가 시계열적으로 증가하는 것으로 나타났다고 가정한다. 이때, 추천관리부는 ‘영단기’ 대신‘시원영어’를 광고키워드로 삼도록 추천할 수 있다. 또한, 추천관리부는 긍정적 평판정보를 갖는 단어를 광고 키워드로 추천하여, 상기 긍정적 평판정보를 갖는 키워드와 ‘영단기’ 키워드와 함께 포함하도록 웹 페이지를 작성할 수 있도록 하여 온라인 상의 전체적인 부정 성향을 줄이도록 할 수 있다.

제4 데이터베이스는 사용자가 직접 지정한 광고키워드들 및/또는 자동 추천할 광고키워드들을 포함할 수 있다.

또한, 사용자는 상기 각 광고키워드에 대한 상대키워드를 매핑하여 페어를 생성할 수 있다. 앞선 예를 참조하여, 사용자가 직접 지정한 광고키워드와 관련하여, 사용자는 타겟브랜드 ‘A 학원’에 대해 광고키워드들을 ‘영어’, ‘수학’, ‘B 선생’, ‘C 선생’로 지정하고, ‘영어’의 상대키워드는 ‘수학’으로, ‘수학’의 상대키워드는 ‘영어’로, ‘B 선생’의 상대키워드는 ‘C 선생’으로, ‘C 선생’의 상대키워드는 ‘B 선생’으로 매핑하여 페어를 생성할 수 있다. 이 경우 추천관리부는 제4 데이터베이스를 참조하여 웹 페이지상에 타겟브랜드 ‘A 학원’의 연관키워드인‘영어’의 평판정보가 부정적이라고 판단되는 경우 ‘영어’의 상대키워드인 ‘수학’을 광고키워드를 추천한다. 마찬가지로 ‘B 선생’의 평판정보가 부정적이라고 판단되는 경우 ‘C선생’을 광고키워드로 추천한다. 이를 통해, 전체적으로 타겟브랜드에 대한 부정적인 평판을 줄이는가 동시에 부정적인 평판을 갖는 광고키워드에 관한 불필요한 광고비 지출을 줄일 수 있다. 한편, 제4 데이터베이스는 사용자가 상대키워드를 수동으로 지정하는 것 대신, 제3 데이터베이스의 평판사전 등과 연동하고 반의어 정보 등을 활용하여, 광고키워드에 대한 상대키워드를 사전에 저장할 수 있다.

또한, 추천관리부는 앞서 설명한 바와 추천된 광고키워드를 통한 광고를 실시하고, 재차 온라인 상의 평판정보의 변화를 확인하여 광고키워드를 다시 추천할 수 있다. 즉, 추천된 광고키워드에 따른 평판정보의 변화 결과를 피드백 받아 재차 광고키워드의 추천을 수행한다.

또한, 추천관리부는 타겟브랜드에 부정적 또는 악의적인 웹 페이지를 삭제할 수 있다. 더욱 상세하게, 필터부에서 평판사전 등을 참조하여 부정적 또는 악의적인 평판정보가 포함된 웹 페이지를 필터링하고, 이를 바탕으로 추천관리부는 사용자에게 부정적 또는 악의적인 웹 페이지가 발생되었음을 리포트할 수 있다. 리포트는 이메일, SMS, 댓글 등 다양한 수단을 통해 수행될 수 있다. 또한, 단계 별로 구분된 평판정보의 부정 또는 악의 정도를 바탕으로 리포트의 경고 단계를 구분하여도 무방하다. 예를 들어, 평판사전에 ‘별로다’는 제1 단계로, ‘저질이다’는 제5 단계로 맵핑되어 있는 경우, 타겟브랜드와 관련되어 검색된 웹 페이지에 ‘별로다’라는 평판정보가 포함된 경우 보다‘저질이다’라는 평판정보가 포함된 경우의 경고 단계를 높여 리포트할 수 있다. 한편, 추천관리부는 사용자가 설정한 주기에 따라 추출된 평판정보를 사용자에게 리포트 할 수 있다.

또한, 추천관리부는 원천정보 웹 페이지를 확산시키는 웹 페이지 스프레더를 관리할 수 있다. 예를 들어, 소셜네트워크 서비스 사이트인 트위터와 같은 웹 페이지 스프레더를 통해 타겟브랜드에 대한 정보를 포함하고 있는 웹 페이지의 링크가 확산되고, 상기 웹 페이지가 검색수집부를 통해 반복해서 검색추출되는 경우, 추천관리부는 웹 페이지의 링크를 확산시키는 트위터의 계정을 핵심 웹 페이지 스프레더로 지정하여 관리할 수 있다. 한편, 웹 페이지 스프레더는 소셜 네트워크 서비스 사이트에 한정되지 않으며, 카페, 블로그, 뉴스 웹사이트 등 타겟 브랜드에 대한 웹 페이지를 생산하여 유통시킬 수 있는 어떠한 채널도 해당될 수 있다. 또한, 추천관리부는 웹 페이지 스프레더의 조회수, 사용자 단말기에 웹 페이지가 노출된 시간, 각 웹 페이지에 부기된 댓글의 수, 댓글의 추천 수 또는 비추천 수, 댓글에 대한 댓글 수 등 다양한 파라미터를 참조하여 핵심 웹 페이지 스프레더로 지정하여 관리할 수 있다. 더욱 상세하게, 추천관리부는 각 웹 페이지 스프레더의 중요도를, 각 웹 페이지 스프레더가 소셜 네트워크 서비스 등 온라인을 통해 관계를 맺고 있는 다른 사용자 및/또는 다른 웹 사이트의 수, 웹 페이지 스프레더의 웹 사이트를 통해 업로드 된 게시글의 수, 상기 게시글에 대한 다른 사용자 및/또는 다른 웹 사이트의 반응 횟수 중에서 하나 이상을 기초 지표로 하여 산출할 수도 있다. 소셜 네트워크 서비스에 관련된 데이터는 게시글에 대한 리트윗, 댓글, 멘션 등이 포함될 수 있다. 이와 같이 소셜 네트워크 서비스 등 온라인 내의 사용자 행동 패턴, 인맥, 영향력, 성향 등까지 참조하여, 웹 페이지에 대한 더욱 정교한 분석 결과를

얻을 수 있다. 예를 들어, 추천관리부는 상기 분석을 통해 광고 대상이 되는 특정 온라인 카페나 페이스북 그룹 등의 커뮤니티가 선호하는 주제 또는 선호 단어를 포함하도록 키워드를 추천할 수 있다. 특히, 소셜 네트워크서비스 등을 통해 수집된 게시글, 댓글, 트윗, 리트윗, 멘션, 코멘트 등의 데이터는 일반적인 웹 페이지와 달리 사용자가 직접적으로 관심을 갖는 대상에 대한 정보를 포함할 수 있기 때문에, 상기 소셜 네트워크 서비스를 통해 수집된 데이터로부터 추출된 연관키워드는 다른 채널로부터 수집되어 추출된 연관키워드와 다른 가중치를 적용하여 광고키워드로 추천할 수 있다.

한편, 소셜 네트워크 서비스 등을 통해 수집된 데이터 중 리트윗에 의해 발생되는 데이터는 한정된 사용자에 의해 순환적으로 반복해서 발생하는 경우가 있으므로 다른 소셜 네트워크 서비스 등에 의해 발생된 데이터와 달리 낮은 가중치를 부여하여도 무방하다.

또한, 추천관리부는 타겟브랜드와 관련하여 검색 추출된 평판정보를 이용하여 타겟브랜드의 평판 등급을 연산 할 수 있다.

한편, 추천관리부는 광고 대상이 되는 광고주의 웹 사이트 내에 존재하는 키워드를 분석하여 광고키워드를 추천할 수 있다. 예를 들어, ‘A 학원’을 광고하고 싶은 광고주는 일반적으로 광고키워드로 ‘A 학원’을 선정할 수 있다. 이 경우 ‘A 학원’을 미리 알고 있는 사용자는 검색엔진 등을 통해 쉽게 ‘A 학원’의 웹 사이트로 접근할 수 있다. 그러나 ‘A 학원’을 알지 못하는 사용자에게 ‘A 학원’이라는 광고키워드는 광고 효과를 저해할 수도 있다. 이러한 문제점을 해결하기 위해, 검색수집부는 광고 대상이 되는 광고주의 웹 사이트 내 웹 페이지 내의 핵심 키워드를 추출하고, 추천관리부는 하기의 수식을 바탕으로 상기 추출된 키워드에 가중치를 적용하여 가장 효과적인 광고키워드인 핵심 광고키워드의 등위를 매겨 추천할 수 있는 것이다.

핵심 광고키워드 = tf*idf + weight

tf: term frequency, 전체의 문서 집합에서 특정 키워드(term)가 등장한 총 빈도수

df: document frequency, 전체의 문서 집합에서 특정 키워드가 등장한 문서의 개수

idf: inverse document frequency, df의 역수

weight: 다른 파라미터를 고려하여 부여된 키워드에 대한 가중치

이처럼 광고키워드에 대한 조회수, 광고키워드의 전월 매출액, 온라인 광고의 노출횟수 대비 클릭수(Click Through Rate) 또는 광고 운영 점수, 연관키워드 및 평판정보의 시계열적 추이 등을 고려하여 등위가 가장 높은 핵심 광고키워드를 제공할 수 있다. 그 외 상기 핵심 광고키워드를 제외한 참조 광고키워드를 제공할 수 있다.

참조 광고키워드는 비용적인 측면에서 경쟁에 밀리는 광고주에게 제공됨으로써 투자 수익률(Return of Investment)를 높일 수 있도록 선별 제공되는 것이다.

또한, 추천관리부는 각 광고키워드의 검색 엔진 별 인기도, 광고 단가 등을 고려한 광고가대비노출지수라는 파라미터를 이용하여 핵심 광고키워드를 선정할 수 있다. 좀 더 상세하게, 각 검색 엔진 별로 키워드에 대한 노출 횟수를 상기 키워드에 대한 광고가격으로 나누어 광고가대비노출지수를 연산할 수 있다. 상기 광고가대비노출지수 파라미터에 검색 엔진에 따른 가중치를 적용하고 시계열 정보, 채널 정보 등 다른 파라미터 등과의 관계를 고려하여 최종적으로 핵심 광고키워드를 선정할 수 있다.

이하 본 발명에 따른 실시예를 중심으로 설명한다.

본 발명의 실시예에 의하면, 검색수집부는 광고 되길 원하는 타겟브랜드인 ‘A 학원’에 관한 웹 페이지를 수집하고, 상기 웹 페이지상에서 키워드 및 연관키워드인 ‘A 학원’, ‘홍길동 선생님’, ‘영어 동영상 강의’, ‘수학 동영상 강의’ 등을 추출한다. 이후 필터부를 통해 각 웹 페이지에서 상기 각 키워드인 ‘A 학원’, ‘홍길동 선생님’, ‘영어 동영상 강의’, ‘수학 동영상 강의’의 시계열 정보를 필터링한다. 이후 추천관리부는 필터부에 의해 획득된 상기 ‘영어 동영상 강의’ 키워드의 노출횟수가 시계열적으로 줄어드는데 반해, ‘수학 동영상 강의’가 시계열적으로 늘어난다는 정보를 이용하여, ‘수학 동영상 강의’에 대한 키워드를 광고 키워드로 추천한다. 이 때 추천관리부는 과거 ‘수학 동영상 강의’의 키워드가 노출횟수에 대한 그래프 패턴을 이용하여 추천여부를 결정하여도 무방하다.

본 발명의 또 다른 실시예에 의하면, 필터부는 타겟브랜드인 ‘A 학원’의 평판정보도 추출한다. 웹 페이지상에서 ‘A 학원’에 대해 평판사전 등을 참조하여 ‘영어 동영상 강의’에 대해 ‘훌륭하다’,’괜찮다’, ‘나쁘지 않다’등의 평판정보 검색되는 반면, ‘수학 동영상 강의’에 대해 ‘별이로다’,’나쁘다’, ‘매우 나쁘다’등의 평판정보 검색되는 경우, 추천관리부는 ‘영어 동영상 강의’에 대해서는 추천을 강화하는 것에 반해 ‘수학 동영상 강의’에 대해서는 추천을 중단한다. 물론 이 경우도 앞선 실시예와 마찬가지로 평판정보의 시계열적인 특성을 고려하여 추천하여도 무방하다. 또한, 과거 주기적으로 확보된 시계열적 정보를 고려하여 시계열적으로 ‘수학 동영상 강의’에 대해 평판정보가 나쁘질 것으로 예상이 되는 경우 ‘수학 동영상 강의’의 대한 키워드를 광고키워드로 추천하지 않을 수 있다. 이때 필터부는 긍정적인 평판에 대한 정보인 ‘훌륭하다’,’괜찮다’, ‘나쁘지 않다’ 등의 키워드에 가중치를 차등화하여 적용할 수 있다. 즉, ‘훌륭하다’라는 평판정보는 ‘괜찮다’라는 평판정보에 비해 그 긍정성이 높고, ‘괜찮다’라는 평판정보는 ‘나쁘지 않다’라는 평판정보에 비해 그 긍정성이 높기 때문이다. 그러므로 예를 들어, 웹 페이지 상의‘영어 동영상 강의’에 대해 ‘훌륭하다’라는 평판정보가 100개 추출되고, ‘나쁘지 않다’가 50개 추출되는데 반해, ‘수학 동영상 강의’에 대해 ‘훌륭하다’라는 50개 추출되고, ‘나쁘지 않다’가 100개 추출되는 경우, 추천관리부는 ‘영어 동영상강의’을 ‘수학 동영상 강의’에 비해 더 우선 순위를 두어 광고키워드로 추천한다.

본 발명의 또 다른 실시예에 의하면, ‘A 학원’에 대한 키워드가 웹 페이지에대한 여러 가지 채널 중 지식 검색에서 수집되는 양이 시계열적으로 증가하는 것에 반해 온라인 카페에서 수집되는 양은 시계열적으로 줄이고 있는 경우, 추천관리부는 ‘A 학원’에 대한 광고 채널로 지식 검색을 추천한다. 앞선 예와 마찬가지로 추천관리부는 ‘A 학원’에 대해 각 채널상에서 노출된 횟수에 관한 데이터를 참조하여 ‘A 학원’의 광고키워드를 어떠한 채널에 해야 할지 추천할 수 있다.

본 발명의 또 다른 실시예에 의하면, 추천관리부는 사용자가 제4 데이터베이스에 미리 지정해 둔 상대키워드를 이용하여 추천할 수 있다. 사용자는 미리 ‘A 학원’의 ‘홍길동 선생님’의 평판정보 악화를 대비하여 ‘홍길동 선생님’의 상대키워드로서 ‘김철수 선생님’을 제4 데이터베이스에 미리 저장해 둘 수 있다. 물론 ‘홍길동 선생님’에 대한 상대키워드는 ‘김철수 선생님’ 하나에 한정되는 것은 아니다. 필터부에 의해 필터링된 ‘홍길동 선생님’의 평판정보가 시계열적으로 부정적인 평판정보의 양이 늘어나고 있는 경우 광고추천부는 ‘홍길동 선생님’에 대한 광고키워드에 대한 추천은 중단하고, 제4 데이터베이스를 참조하여 ‘홍길동 선생님’에 대한 상대키워드인 ‘김철수 선생님’을 대신 광고키워드로 추천한다.

본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 시스템이 ‘영어 동영상 강의’와 ‘수학 동영상 강의’의 검색엔진에서의 노출횟수가 각각 일간 1,000건과 600건이고, 전체 광고가격이 1,000,000원과 400,000원이라는 정보를 외부 검색엔진으로부터 공급받은 후, 추천관리부는 상기 노출횟수와 전체 광고가격을 이용하여, 광고가 대비노출지수를 1 및 15 (노출횟수/천원)으로 연산한다. 상기 연산을 통하여 ‘수학 동영상 강의’에 관한 광고키워드가 더욱 효과적인 것을 확인하고, 추천관리부는 상기 광고가대비노출지수를 하나의 요소로 고려하여 최종적으로 ‘수학 동영상 강의’를 광고키워드로 추천할 수 있다.

도 5는 본 발명의 또 다른 실시예에 따른 평판정보의 변화를 나타낸 도면이다. 본 발명의 또 다른 실시예에 의하면, ‘홍길동 선생님’에 대한 ‘훌륭하다’,’괜찮다’, ‘나쁘지 않다’ 등의 긍정적인 평판정보의 노출횟수가 1월 1일 시점에서 2월 28일 시점으로 갈수록 100건에서 150건으로 증가한다. 이 경우 노출횟수의 변화량은 150건-50건/59일로, 169이다. 이는 사용자가 미리 설정한 허용된 변화량의 범위인 2안에 포함되기 때문에 ‘홍길동 선생님’에 대한 광고키워드 및 연관 키워드의 노출 정도를 변화시키지 않을 수 있다. 이에 반해 5월 1일 시점에서 5월 31일 시점으로 갈수록 노출횟수가 200건에서 2,000건으로 증가하는 경우 변화량은 2,000건-200건/31일로, 5806이며, 이는 허용된 변화량 범위인 2를 상당히 벗어난다. 이 때문에 추천관리부는 광고키워드인 ‘홍길동 선생님’ 추천 여부 및 광고 정도를 변화시킬 수 있다. 즉, ‘홍길동 선생님’에 대해 검색수집부에 의해 수집된 웹 페이지가 광고주에 의해 자발적으로 생성된 것이 아닌데도 웹 페이지상의 긍정적인 평판정보가 늘어나는 것으로 나타나면 ‘홍길동 선생님’에 대한 광고를 줄여 전체 광고비를 줄일 수 있고, 혹은 이와 반대로 시장 지배력을 더욱 강화하기 위해 ‘홍길동 선생님’에 대한 광고를 강화할 수 있다. 추천관리부는 특정 키워드에 대한 임계적인 변화가 있음을 알려줄 수 있는 것이다.

이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 키워드 광고 마케팅 시스템
110: 검색수집부
130: 필터부
150: 추천관리부
111: 제1 데이터베이스
131: 제2 데이터베이스
133: 제3 데이터베이스
151: 제4 데이터베이스

Claims (10)

1. 온라인 상의 웹 페이지를 포함하는 데이터를 크롤링(crawling) 또는 스크린 스크랩핑(screen scraping)하여 타겟브랜드가 포함된 온라인 상의 데이터를 검색 수집하는 검색수집부, 상기 검색수집부가 검색수집한 상기 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 상기 타겟브랜드에 대한 평판을 나타내는 평판키워드 및 상기 평판키워드가 포함된 온라인 상의 데이터가 생성된 시기를 추출하는 필터부, 시기에 따라 추출된 상기 평판키워드의 개수의 변화를 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 추천관리부 및 상기 검색수집부가 검색수집한 상기 데이터와, 상기 데이터로부터 상기 필터부가 추출한 상기 키워드, 상기 연관키워드, 상기 평판키워드 및 상기 시기와, 상기 평판키워드를 추출하기 위해 참조되는 평판사전을 저장하는 데이터베이스를 포함하는 빅데이터 처리를 통한 키워드 광고 마케팅 시스템에 있어서, 상기 필터부는 추출된 상기 평판키워드의 평판정도를 고려하여 각 평판키워드에 평판단계를 부여하고, 상기 추천관리부는 상기 각 평판키워드의 평판단계를 더 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하고, 상기 데이터베이스는 평판키워드에 따른 평판단계를 더 포함하는 평판사전을 저장하는 빅 데이터 처리를 이용한 키워드 광고 마케팅 시스템.
2. 온라인 상의 웹 페이지를 포함하는 데이터를 크롤링(crawling) 또는 스크린 스크랩핑(screen scraping)하여 타겟브랜드가 포함된 온라인 상의 데이터를 검색 수집하는 검색수집부, 상기 검색수집부가 검색수집한 상기 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 상기 타겟브랜드에 대한 평판을 나타내는 평판키워드 및 상기 평판키워드가 포함된 온라인 상의 데이터가 생성된 시기를 추출하는 필터부, 시기에 따라 추출된 상기 평판키워드의 개수의 변화를 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 추천관리부 및
   상기 검색수집부가 검색수집한 상기 데이터와, 상기 데이터로부터 상기 필터부가 추출한 상기 키워드, 상기 연관키워드, 상기 평판키워드 및 상기 시기와, 상기 평판키워드를 추출하기 위해 참조되는 평판사전을 저장하는 데이터베이스를 포함하는 빅데이터 기반 키워드의 광고 마케팅 시스템에 있어서, 상기 필터부는 상기 검색수집부가 검색수집한 상기 데이터에서 상기 데이터가 검색수집된 온라인 상의 채널의
   종류를 더 추출하고, 상기 추천관리부는 시기에 따라 각 채널상에 상기 키워드와 상기 연관키워드가 노출된 횟수의 변화를 더 고려하여 상기 광고키워드를 광고할 채널의 종류를 더 추천하고, 상기 데이터베이스는 상기 키워드가 검색수집된 온라인 상의 채널의 종류를 더 저장하는 빅데이터 기반 키워드의 광고 마케팅 시스템.
3. 온라인 상의 웹 페이지를 포함하는 데이터를 크롤링(crawling) 또는 스크린 스크랩핑(screen scraping)하여 타겟브랜드가 포함된 온라인 상의 데이터를 검색 수집하는 검색수집부, 상기 검색수집부가 검색수집한 상기 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 상기 타겟브랜드에 대한 평판을 나타내는 평판키워드 및 상기 평판키워드가 포함된 온라인 상의 데이터가 생성된 시기를 추출하는 필터부, 시기에 따라 추출된 상기 평판키워드의 개수의 변화를 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 추천관리부 및 상기 검색수집부가 검색수집한 상기 데이터와, 상기 데이터로부터 상기 필터부가 추출한 상기 키워드, 상기 연관키워드, 상기 평판키워드 및 상기 시기와, 상기 평판키워드를 추출하기 위해 참조되는 평판사전을 저장하는 데이터베이스를 포함하는 빅데이터 처리를 통한 광고의사결정시스템에 있어서, 상기 추천관리부는 상기 타겟브랜드에 대해 부정적인 평판키워드의 개수가 증가하는 경우, 상기 데이터베이스를 참조하여, 추천하고 있는 광고키워드의 상대 광고키워드를 추천하고, 상기 데이터베이스는 상기 추천하고 있는 광고키워드에 대한 상대 광고키워드를 저장하는 빅 데이터 처리를 이용한 광고 의사 결정 시스템.
4. 제1 항 내지 제3 항 중 어느 한 항에 있어서, 상기 추천관리부는 광고키워드에 대한 소정의 기간 동안의 온라인상에 노출횟수를 광고비용으로 나눈 광고가 대비노출지수를 더 고려하여 광고키워드를 추천하는 빅 데이터 처리를 이용한 광고 의사 결정 시스템.
5. 제1 항 내지 제3 항 중 어느 한 항에 있어서, 상기 추천관리부는 소정의 기간 동안의 상기 키워드, 상기 연관키워드 또는 상기 평판키워드 중 어느 하나의 노출횟수의 변화량이 기설정된 임계범위를 초과하는 경우, 상기 추천하고 있는 상기 광고키워드를 변화시키는 빅데이터 기반 키워드의 광고 마케팅 시스템.
6. 뉴스, 블로그, 지식검색, 온라인 카페, 온라인 게시판, 상기 온라인 게시판의 게시글, 상기 게시글에 대한 댓글을 포함하는 온라인 채널 상의 웹 페이지를 크롤링 또는 스크린 스크래핑하여 광고하고자 하는 타겟브랜드와 연관된 데이터를 검색수집하여 저장하는 제1 단계, 상기 제1 단계에서 검색수집된 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 평판 사전을 참조한 상기 타겟브랜드의 평판을 나타내는 평판키워드, 상기 데이터가 검색수집된 온라인 채널의 종류 중 어느 하나 이상과 상기 데이터가 생성된 시기를 추출하여 저장하는 제2 단계 및 상기 추출된 시계열에 따른 상기 키워드의 변화량, 상기 연관키워드의 변화량, 상기 평판키워드의 변화량 및 상기 온라인 채널의 종류의 변화량 중 어느 하나 이상을 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 제3 단계를 포함하는 빅데이터 기반 키워드의 광고 마케팅 시스템에 있어서, 상기 제2 단계는 상기 데이터에서 사용자의 상기 웹 페이지에 대한 선호도 정보, 상기 웹 페이지의 댓글의 개수, 상기 댓글에 대한 선호도 정보 및 상기 댓글에 대한 댓글의 수를 더 추출하고, 상기 제3 단계는 사용자의 상기 웹 페이지에 대한 선호도 정보, 상기 웹 페이지의 댓글의 개수, 상기 댓글에 대한 선호도 정보 및 상기 댓글에 대한 댓글의 수를 참조하여, 상기 웹 페이지 내 포함되어 있는 상기 타겟브랜드의 키워드, 연관키워드 및 평판키워드의 가중치를 차등화하여 광고키워드를 추천하는 빅데이터 기반 키워드의 광고 마케팅 시스템.
7. 뉴스, 블로그, 지식검색, 온라인 카페, 온라인 게시판, 상기 온라인 게시판의 게시글, 상기 게시글에 대한 댓글을 포함하는 온라인 채널 상의 웹 페이지를 크롤링 또는 스크린 스크래핑하여 광고하고자 하는 타겟브랜드와 연관된 데이터를 검색수집하여 저장하는 제1 단계, 상기 제1 단계에서 검색수집된 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 평판 사전을 참조한 상기 타겟브랜드의 평판을 나타내는 평판키워드, 상기 데이터가 검색수집된 온라인 채널의 종류 중 어느 하나 이상과 상기 데이터가 생성된 시기를 추출하여 저장하는 제2 단계 및 상기 추출된 시계열에 따른 상기 키워드의 변화량, 상기 연관키워드의 변화량, 상기 평판키워드의 변화량 및 상기 온라인 채널의 종류의 변화량 중 어느 하나 이상을 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 제3 단계를 포함하는 빅데이터 기반 키워드의 광고 마케팅 시스템에 있어서, 상기 제2 단계는 상기 데이터에서 상기 타겟브랜드의 상기 키워드 및 상기 연관키워드 또는 상기 타겟브랜드의 상기 키워드 및 상기 평판키워드가 모두 포함된 문장의 개수를 상기 타겟브랜드의 상기 키워드만을 포함된 문장의 개수로 나눈 값을 파라미터로 하여 더 추출하고, 상기 제3 단계는 상기 파라미터의 값에 따라 상기 문장 내에 포함된 상기 타겟브랜드의 상기 키워드, 상기 연관 키워드 및 상기 평판키워드의 가중치를 차등화하여 광고키워드를 추천하는 빅데이터 기반 키워드의 광고 마케팅 시스템.
8. 뉴스, 블로그, 지식검색, 온라인 카페, 온라인 게시판, 상기 온라인 게시판의 게시글, 상기 게시글에 대한 댓글을 포함하는 온라인 채널 상의 웹 페이지를 크롤링 또는 스크린 스크래핑하여 광고하고자 하는 타겟브랜드와 연관된 데이터를 검색수집하여 저장하는 제1 단계, 상기 제1 단계에서 검색수집된 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 평판 사전을 참조한 상기 타겟브랜드의 평판을 나타내는 평판키워드, 상기 데이터가 검색수집된 온라인 채널의 종류 중 어느 하나 이상과 상기 데이터가 생성된 시기를 추출하여 저장하는 제2 단계 및 상기 추출된 시계열에 따른 상기 키워드의 변화량, 상기 연관키워드의 변화량, 상기 평판키워드의 변화량 및 상기 온라인 채널의 종류의 변화량 중 어느 하나 이상을 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는 제3 단계를 포함하는 빅데이터 기반 키워드의 광고 마케팅 시스템에 있어서, 상기 제2 단계는 타겟브랜드에 대한 정보를 포함하고 있는 웹 페이지로 링크시키는 링크정보를 포함하고 있는 웹 페이지 스프레더 내의 웹 페이지의 수, 웹 페이지의 조회수, 웹 페이지의 댓글 수, 댓글의 추천수, 댓글에 대한 댓글 수, 소셜 네트워크 서비스를 통해 관계를 맺고 있는 다른 사용자 또는 웹 사이트의 수, 상기 웹 페이지 스프레더에 의해 개시된 웹 페이지와 동일한 내용의 웹 페이지가 온라인상에 노출된 횟수 중 어느 하나 이상을 더 추출하고, 상기 제3 단계는 상기 웹 페이지 스프레더 내의 웹 페이지의 수, 웹 페이지의 조회수, 웹 페이지의 댓글 수, 댓글의 추천수, 댓글에 대한 댓글 수, 소셜 네트워크 서비스를 통해 관계를 맺고 있는 다른 사용자 또는 웹 사이트의 수, 상기 웹 페이지 스프레더에 의해 개시된 웹 페이지와 동일한 내용의 웹 페이지가 온라인상에 노출된 횟수를 고려하여 상기 웹 페이지 스프레더의 가중치를 연산하고 상기 웹 페이지 스프레더가 새로 생성한 웹 페이지에 대해 사용자에게 알림을 제공하는 빅데이터 기반 키워드의 광고 마케팅 시스템.
9. 뉴스, 블로그, 지식검색, 온라인 카페, 온라인 게시판, 상기 온라인 게시판의 게시글, 상기 게시글에 대한 댓글을 포함하는 온라인 채널 상의 웹 페이지를 크롤링 또는 스크린 스크래핑하여 광고하고자 하는 타겟브랜드와 연관된 데이터를 검색수집하여 저장하는 제1 단계, 상기 제1 단계에서 검색수집된 데이터에서 상기 타겟브랜드의 키워드, 상기 키워드와 연관된 연관키워드, 평판 사전을 참조한 상기 타겟브랜드의 평판을 나타내는 평판키워드, 상기 데이터가 검색수집된 온라인 채널의 종류 중 어느 하나 이상과 상기 데이터가 생성된 시기를 추출하여 저장하는 제2 단계 및 상기 추출된 시계열에 따른 상기 키워드의 변화량, 상기 연관키워드의 변화량, 상기 평판키워드의 변화량 및 상기 온라인 채널의 종류의 변화량 중 어느 하나 이상을 고려하여 상기 타겟브랜드에 대한 광고키워드를 추천하는제3 단계를 포함하는 빅데이터 기반 키워드의 광고 마케팅 시스템에 있어서, 상기 제2 단계는 타겟브랜드에 대한 정보를 포함하고 있는 웹 페이지로 링크시키는 링크정보를 포함하고 있는 웹 페이지 스프레더 내의 웹 페이지의 수, 웹 페이지의 조회수, 웹 페이지의 댓글 수, 댓글의 추천수, 댓글에 대한 댓글 수, 소셜 네트워크 서비스를 통해 관계를 맺고 있는 다른 사용자 또는 웹 사이트의 수, 상기 웹 페이지 스프레더에 의해 개시된 웹 페이지와 동일한 내용의 웹 페이지가 온라인상에 노출된 횟수 중 어느 하나 이상을 더 추출하고, 상기 제3 단계는 상기 웹 페이지 스프레더 내의 웹 페이지의 수, 웹 페이지의 조회수, 웹 페이지의 댓글 수, 댓글의 추천수, 댓글에 대한 댓글 수, 소셜 네트워크 서비스를 통해 관계를 맺고 있는 다른 사용자 또는 웹 사이트의 수, 상기 웹 페이지 스프레더에 의해 개시된 웹 페이지와 동일한 내용의 웹 페이지가 온라인상에 노출된 횟수를 고려하여 상기 웹 페이지 스프레더가 포함하는 웹 페이지 내에 포함된 상기 타겟브랜드의 상기 키워드, 상기 연관키워드 및 상기 평판키워드의 가중치를 차등화하여 광고키워드를 추천하는 빅데이터 기반 키워드의 광고 마케팅 시스템.
10. 제6 항 내지 제9 항 중 어느 한 항에 있어서, 상기 평판키워드 중 부정적인 평판정보를 포함하는 평판키워드가 증가하는 경우 사용자에게 알림을 제공하는 단계를 더 포함하는 빅데이터 기반 키워드의 광고 마케팅 시스템.

Images