KR20210073077A - 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램 - Google Patents

하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20210073077A
KR20210073077A KR1020190163539A KR20190163539A KR20210073077A KR 20210073077 A KR20210073077 A KR 20210073077A KR 1020190163539 A KR1020190163539 A KR 1020190163539A KR 20190163539 A KR20190163539 A KR 20190163539A KR 20210073077 A KR20210073077 A KR 20210073077A
Authority
KR
South Korea
Prior art keywords
real
user
time content
data
content
Prior art date
Application number
KR1020190163539A
Other languages
English (en)
Other versions
KR102286638B1 (ko
Inventor
강동기
박영근
강화수
박찬우
이진은
전민관
김규환
Original Assignee
강동기
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 강동기 filed Critical 강동기
Priority to KR1020190163539A priority Critical patent/KR102286638B1/ko
Priority to PCT/KR2020/014636 priority patent/WO2021118050A1/ko
Publication of KR20210073077A publication Critical patent/KR20210073077A/ko
Application granted granted Critical
Publication of KR102286638B1 publication Critical patent/KR102286638B1/ko

Links

Images

Classifications

    • 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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/854—Content authoring
    • H04N21/8549—Creating video summaries, e.g. movie trailer
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • 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
    • 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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨턴 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서들로 하여금 하이라이트 영상 자동 편집을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 상기 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하는 동작, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작 및 상기 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성하는 동작을 포함할 수 있다.

Description

하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램{COMPUTER PROGRAM FOR AUTOMATIC EDITING OF HIGHLIGHTS}
본 개시는 하이라이트 영상 자동 편집에 관한 것으로, 보다 구체적으로 인공 신경망을 활용하여 하이라이트 영상을 자동 편집하기 위한 컴퓨터 프로그램에 관한 것이다.
오늘날, 정보통신 기술의 발달과 함께 인터넷이 대중화되면서 사용자들은 인터넷 환경을 통해 다른 사용자들에게 다양한 정보들을 공유할 수 있게 되었다. 이러한 환경에서 스마트폰의 등장으로 다양한 컨텐츠를 손쉽게 소비할 수 있는 환경이 마련됨에 따라 1인 미디어 기반의 플랫폼이 확산되어 가고 있다.
미디어 플랫폼의 성장에 따라, 인터넷을 통해 개인 방송을 송출하는 1인 크리에이터(또는, 스트리머) 또한 점차 증가하는 추세이다. 이러한 미디어 플랫폼의 성장 및 1인 크리에이터의 증가로, 미디어 컨텐츠의 양이 폭발적으로 증가하였다. 비디오 컨텐츠의 양이 폭발적으로 증가하고 다양한 매체에서 비디오 컨텐츠를 제공함에 따라 시청자는 선호하는 컨텐츠를 선택하여 시청하는 경향이 점점 더 강해지고 있다. 또한, 짧은 시간에 원하는 영상을 선택하여 시청하기 위해서 전체 컨텐츠 중에서 원하는 장면을 하이라이트 표시하는 짧은 비디오 클립을 선호하는 경향 또한 증가하는 추세이다.
이에 따라, 1인 크리에이터는 시청자의 이목을 끌기 위해 원본 영상에서 흥미있는 부분(하이라이트 부분)만을 모아서 편집하여 요약함으로써 하이라이트 영상을 제작하여 제공한다. 하지만, 원본 컨텐츠로부터 하이라이트 영상을 제작하기 위해서는 해당 원본 컨텐츠를 모두 탐색하므로 많은 시간이 소요되며, 컨텐츠에 대한 전문적인 편집 기술을 가지고 있지 않은 크리에이터에게는 하이라이트 영상을 자체 제작하기 어려울 수 있다. 또한, 하이라이트 영상 제작을 위해, 별도의 전문 편집자를 두는 경우, 인력 비용이 발생할 수 있다. 이와 더불어, 원본 컨텐츠에서 하이라이트 구간을 선별하는 기준은 편집자의 주관적인 기준이 적용되어 객관성이 결여될 우려가 있으며, 편집자의 역량에 따라 생성되는 하이라이트 영상의 품질이 달라질 수 있다.
다양한 형태의 미디어에 대한 욕구가 팽창하고 있는 시기에 맞춰, 변화되는 미디어 환경에 대응하여 크리에이터의 원본 컨텐츠에서 하이라이트 구간을 자동으로 식별하여 하이라이트 편집 영상을 자동 생성하는 기술에 대한 수요가 존재할 수 있다.
한국 등록 특허 2010-0085720
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 하이라이트 영상을 자동 편집하기 위한 컴퓨터 프로그램을 제공하기 위한 것이다.
전술한 과제를 해결하기 위한 본 개시의 일 실시예에 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 하이라이트 영상 자동 편집을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 상기 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하는 동작, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작 및 상기 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성하는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터는, 상기 실시간 컨텐츠를 시청하는 사용자의 자연어 입력, 또는 액션 입력 중 적어도 하나에 기초하며, 각각의 사용자 반응 데이터는 상기 실시간 컨텐츠의 적어도 일부와 연관될 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 정보 중 적어도 하나에 대한 외부 반응 데이터를 수신하는 동작 및 상기 실시간 컨텐츠에 대한 사용자 반응 데이터 및 상기 외부 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보와 연관하여 저장함으로써, 상기 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성하는 동작을 더 포함할 수 있다.
대안적인 실시예에서, 상기 외부 반응 데이터는, 상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 중 적어도 하나에 대한 반응 데이터로, 상기 실시간 컨텐츠에 대한 사용자 반응 데이터와 상이한 채널을 통해 수신되는 데이터일 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠에 대한 사용자 반응 데이터 및 상기 외부 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보와 연관하여 저장함으로써, 상기 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성하는 동작은, 상기 외부 반응 데이터에서, 상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 정보와 관련한 외부 서술 정보를 추출하고, 상기 사용자 반응 데이터에서 상기 실시간 컨텐츠 또는 상기 실시간 컨텐츠의 관계자 정보와 관련한 내부 서술 정보를 추출함으로써 상기 지식 베이스를 생성하는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 지식 베이스는, 상기 실시간 컨텐츠의 관계자 각각에 대하여 생성되며, 상기 관계자 각각에 고유한 사용자 반응을 식별하기 위하여 사용되며, 상기 외부 서술 정보 또는 상기 내부 서술 정보에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 생성될 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작은, 상기 사용자 반응 데이터에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 정량 분석은, 상기 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수에 적어도 부분적으로 기초하여 결정되는 임계값에 기초하여 수행될 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보에 대한 지식 베이스에 기초하여 전처리하는 동작을 더 포함할 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터는, 상기 사용자 반응 데이터를 전송한 사용자 단말에 관련한 사용자 반응 사용자 식별 정보를 더 포함하고, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작은, 상기 사용자 반응 사용자 식별 정보에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여하는 동작 및 사용자 반응 데이터 각각에 부여된 가중치에 기초하여 상기 사용자 반응 데이터에 대한 분석 결과를 생성하고, 상기 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 사용자 반응 사용자 식별 정보에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여하는 동작은, 상기 사용자 반응 데이터를 생성한 사용자의 실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율, 상기 사용자의 상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율 및 상기 사용자 반응 데이터의 지식 베이스에 대한 매칭률 중 적어도 하나에 기초하여 상기 각각의 사용자 반응 데이터에 대한 상기 가중치가 부여되는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율은, 상기 실시간 컨텐츠의 관계자에 관련하여 사전 제작된 하이라이트 컨텐츠에서 사용자 반응 데이터가 포함되는지 여부에 관한 정보이며, 상기 사전 제작된 하이라이트 컨텐츠에 포함된 사용자 반응 데이터에 대한 정량 분석 및 의미 분석 중 적어도 하나에 기초하여 산출될 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율은, 상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 상기 하나 이상의 사용자 단말 각각의 참여 이력에 관한 정보로, 상기 매칭된 컨텐츠의 개수 및 상기 참여 이력에 기초하여 산출될 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터의 지식 베이스에 대한 매칭률은, 상기 지식 베이스에 포함된 외부 서술 정보 및 내부 서술 정보 중 적어도 하나와 상기 사용자 반응 데이터의 유사도 판별에 기초하여 산출될 수 있다.
본 개시의 다른 일 실시예에서 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 하이라이트 영상을 자동 편집하는 방법이 개시된다. 상기 방법은, 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 상기 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하는 단계, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 단계 및 상기 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성하는 단계를 포함할 수 있다.
본 개시의 또 다른 일 실시예에서 하이라이트 영상을 자동 편집하는 서버가 개시된다. 상기 서버는, 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리 및 사용자 단말 및 외부 서버와 데이터를 송수신하는 네트워크부를 포함하고, 그리고 상기 프로세서는, 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 상기 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하고, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하고, 그리고 상기 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성할 수 있다.
본 개시는 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램을 제공할 수 있다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예에 따른 하이라이트 영상을 자동 편집하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 실시간 컨텐츠와 연관된 사용자 반응 데이터에 기초하여 하이라이트 구간을 식별하는 방법을 설명하기 위한 예시적인 도면이다.
도 3은 본 개시의 다른 실시예와 관련된 본 개시의 일 실시예와 관련된 실시간 컨텐츠와 연관된 사용자 반응 데이터에 기초하여 하이라이트 구간을 식별하는 방법을 설명하기 위한 예시적인 도면이다.
도 4는 본 개시의 일 실시예와 관련된 사용자 반응 데이터 각각에 상이한 가중치를 할당하는 방법을 예시적으로 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 6은 본 개시의 일 실시예와 관련된 하이라이트 컨텐츠를 생성하기 위한 순서도를 도시한다.
도 7은 본 개시의 일 실시예와 관련된 하이라이트 컨텐츠 생성 방법을 구현하기 위한 로직을 도시한 도면이다.
도 8은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
본 개시의 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.
본 개시의 일 실시예에 따르면, 스트리밍 서버, 하나 이상의 사용자 단말 및 하나 이상의 스트리머 단말 및 컴퓨팅 장치(100)는 무선 및/또는 유선을 통한 상호 연결을 통해 데이터를 전송할 수 있고, 그리고 수신할 수 있다.
사용자 단말은, 스트리머 단말로부터 송출되는 실시간 컨텐츠를 시청하는 복수의 사용자와 관련한 단말일 수 있다. 사용자 단말은 스트리밍 서버에 접속하여 스트리머 단말로부터 송출되는 실시간 컨텐츠를 시청할 수 있으며, 실시간 컨텐츠에 연관되는 사용자 반응 데이터를 스트리밍 서버로 송신할 수 있다.
스트리머 단말은, 복수의 사용자 단말에게 실시간 컨텐츠를 송출하기 위한 스트리머에 관련한 단말일 수 있다. 스트리머 단말은, 스트리밍 서버를 통해 비디오 컨텐츠 및 오디오 컨텐츠 등 다양한 실시간 컨텐츠를 송출할 수 있다.
예를 들어, 사용자 단말 및 스트리머 단말은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 전술한 사용자 단말 및 스트리머 단말에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
스트리밍 서버는 하나 이상의 스트리머 단말 각각에 관련한 실시간 컨텐츠를 컨텐츠 시청에 관련한 하나 이상의 사용자 단말 각각에 상호 연계하는 인터넷을 통해 실시간 컨텐츠 송출 및 시청 서비스를 제공하는 서버일 수 있다. 또한, 스트리밍 서버는 하나 이상의 사용자 단말 각각이 시청하는 실시간 컨텐츠에 관련하여 각 사용자 단말들로부터 해당 실시간 컨텐츠에 연관된 사용자 반응 데이터를 수신하여 컴퓨팅 장치(100)로 전송할 수 있다. 스트리밍 서버 및 컴퓨팅 장치(100)는 본 개시의 일 실시예에 따라서 스트리밍 서버가 컴퓨팅 장치(100) 내에 포함되어, 컨텐츠 송출 및 하이라이트 편집 영상 제공 기능을 하나의 통합 장치에서 수행할 수도 있다. 이러한 예시에서 스트리밍 서버 및 컴퓨팅 장치(100)가 하나의 통합 장치로 구현되는 경우, 컴퓨팅 장치(100)는 하나 이상의 사용자 단말로부터 실시간 컨텐츠에 대한 사용자 반응 데이터를 수신할 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 스트리머의 실시간 컨텐츠에 대한 하이라이트 편집 영상을 생성할 수 있다. 컴퓨팅 장치(100)는 스트리머의 실시간 컨텐츠에서 시청자들의 흥미를 가지는 하이라이트 구간들을 식별하고, 식별된 하이라이트 구간들에 기초하여 하이라이트 편집 영상을 생성할 수 있다. 본 개시의 컴퓨팅 장치(100)는 전자 형태의 데이터를 연산할 수 있는 모든 종류의 컴퓨팅 장치를 포함할 수 있으며, 예를 들어, 퍼스널 컴퓨터, 서버 컴퓨터 등의 일반 컴퓨팅 장치 및 모바일 단말(스마트폰(smartphone), 태블릿(tablet)) 등의 제한된 연산 능력을 가진 컴퓨팅 장치 등을 포함할 수 있다. 본 개시에서 컴퓨팅 장치(100)가 실시간 컨텐츠로부터 하이라이트 편집 영상을 생성하는 구체적인 방법에 대한 설명은 이하의 도면들을 참조하여 후술하도록 한다.
도 1은 본 개시의 일 실시예의 하이라이트 영상 자동 편집 서비스를 제공하기 위한 컴퓨팅 장치의 블록 구성도이다. 도 1에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(150), 프로세서(110) 및 메모리(130)를 포함할 수 있다. 전술한 컴포넌트들은 예시적인 것으로, 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 데이터를 송수신하는 네트워크부(150)를 포함할 수 있다. 구체적으로, 네트워크부(150)는 본 개시의 일 실시예에 따른 실시간 컨텐츠 및 하이라이트 컨텐츠에 대한 정보를 하나 이상의 사용자 단말, 복수의 스트리머 단말 및 스트리밍 서버 중 적어도 하나와 송수신할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 네트워크부(150)를 통해 스트리밍 서버 또는, 스트리머 단말로부터 실시간 컨텐츠 및 실시간 컨텐츠를 시청하는 복수의 사용자 단말의 반응과 관련된 사용자 반응 데이터를 수신할 수 있다. 다른 예를 들어, 컴퓨팅 장치(100)는 네트워크부(150)를 통해 실시간 컨텐츠에 대응하여 생성된 하이라이트 컨텐츠를 스트리머 단말로 전송할 수 있다. 전술한 네트워크부가 송수신하는 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
컴퓨팅 장치(100)의 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(130)는 컴퓨팅 장치(100)의 다양한 기능을 지원하는 데이터들을 저장할 수 있다. 메모리(130)는 컴퓨팅 장치(100)에서 구동되는 다수의 응용 프로그램, 명령어를 저장할 수 있다. 이러한 응용 프로그램 중 적어도 하나는 출시 당시부터 컴퓨팅 장치(100)에 존재할 수 있다. 예를 들어, 메모리(130)는 실시간 컨텐츠 및 실시간 컨텐츠에 연관된 사용자 반응 데이터에 기초하여 하이라이트 구간을 식별하기 위한 응용 프로그램들을 저장하고 있을 수 있다. 다른 예를 들어, 메모리(130)는 컴퓨팅 장치(100)의 스트리머 각각에게 개인화된 지식 베이스를 생성하기 위한 사전 학습된 신경망을 저장하고 있을 수 있다. 전술한 메모리가 저장하는 정보들에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 네트워크 함수를 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 네트워크 함수를 분산하여 처리할 수도 있다. 컴퓨팅 장치(100)의 네트워크 함수 분산 처리에 관한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허 출원 US15/161080(출원일 2016.05.20) 및 US15/217475(출원일 2016.07.22)에서 구체적으로 논의된다.
본 개시의 일 실시예에 따르면, 프로세서(120)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(120)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자 단말에게 적절한 정보 또는, 기능을 제공하거나 처리할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신할 수 있다. 사용자 반응 데이터는 실시간 컨텐츠를 시청하는 사용자 단말의 사용자의 자연어 입력 또는, 액션 입력 중 적어도 하나에 기초한 것일 수 있다. 또한, 사용자 반응 데이터는, 사용자 반응 데이터를 전송한 사용자 단말에 관련한 사용자 반응 사용자 식별 정보를 포함할 수 있다. 사용자 반응 사용자 식별 정보는 실시간 컨텐츠를 시청하는 하나의 사용자 단말 각각을 구별하기 위한 식별 정보일 수 있다.
구체적으로, 사용자 반응 데이터는, 실시간 컨텐츠의 일부와 연관되어 사용자 단말의 사용자로부터 입력된 자연어 입력, 또는 액션 입력 중 적어도 하나에 기초한 것일 수 있다. 예를 들어, 사용자 반응 데이터의 자연어 입력은 실시간 컨텐츠와 관련한 채팅창을 통해 하나 이상의 사용자 단말의 사용자로부터 입력되는 채팅 입력을 포함할 수 있다. 또한, 사용자 반응 데이터의 액션 입력은, 하나 이상의 사용자 단말의 사용자로부터 입력되는 이모티콘 입력, 도네이션(donation) 입력(예컨대, 슈퍼챗, 별풍선 등) 및 음성 입력 등을 의미할 수 있다.
구체적인 예를 들어, 사용자 반응 데이터는 제 1 스트리머 단말이 실시간 송출하는 게임 컨텐츠에서의 제 1 시점에 연관되어 제 1 사용자 단말로부터 채팅창을 통해 수신되는 채팅 입력일 수 있다. 다른 예를 들어, 사용자 반응 데이터는 제 2 스트리머 단말이 실시간 송출하는 소통 컨텐츠에서의 제 2 시점에 연관되어 제 2 사용자 단말로부터 수신되는 도네이션 입력일 수 있다. 전술한 스트리머 단말이 송출하는 컨텐츠 및 이에 대응하는 사용자 반응 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시의 스트리머가 송출하는 컨텐츠는 이에 제한되지 않으며, 사용자 반응 데이터는, 컨텐츠를 시청하는 사용자 단말로부터 수신할 수 있는 사용자의 반응에 관련한 다양한 정보들을 포함할 수 있다.
즉, 프로세서(110)는 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말 각각으로부터 실시간 컨텐츠의 일부와 연관된 사용자 반응 데이터를 수신할 수 있다. 다시 말해, 프로세서(110)는 실시간 컨텐츠와 시간 연관성을 갖는 사용자 반응 데이터를 통해 실시간 컨텐츠 내에서 사용자 반응 데이터가 수신되는 시점을 식별하고, 그리고 해당 사용자 반응 데이터가 어떠한 사용자 단말로부터 수신되는 데이터인지 여부를 식별할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 외부 반응 데이터를 수신할 수 있다. 프로세서(110)는 하나 이상의 사용자 단말이 실시간 컨텐츠에 관련하여 게시한 게시물에 관련한 외부 반응 데이터를 외부 서버로부터 수신할 수 있다. 외부 서버는 하나 이상의 사용자 단말을 통해 게시되는 정보들을 게시하는 서버로서, 예를 들어, SNS, 블로그, 인터넷 방송 게시판 등일 수 있다. 전술한 외부 서버의 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
구체적으로, 프로세서(110)는 실시간 컨텐츠 또는, 실시간 컨텐츠의 관계자 정보 중 적어도 하나에 대한 외부 반응 데이터를 외부 서버로부터 수신할 수 있다. 즉, 외부 반응 데이터는, 실시간 컨텐츠 또는, 실시간 컨텐츠의 관계자 정보 중 적어도 하나에 대한 반응 데이터로, 실시간 컨텐츠에 대한 사용자 반응 데이터와 상이한 채널(예컨대, 실시간 컨텐츠의 채팅창을 통해 입력되는 사용자의 반응 데이터와 상이한 채널)을 통해 수신되는 데이터일 수 있다.
실시간 컨텐츠의 관계자 정보는, 하나 이상의 사용자 단말들에게 노출되는 복수의 실시간 컨텐츠 각각을 식별하기 위한 정보로, 예를 들어, 방송 컨텐츠 정보 및 스트리머 식별 정보 중 적어도 하나를 포함할 수 있다. 방송 컨텐츠 정보는, 해당 스트리머가 송출하는 방송의 카테고리에 관한 정보로, 예를 들어, 게임 방송 컨텐츠, 먹는 방송 컨텐츠, 야외 방송 컨텐츠, 소통 방송 컨텐츠 등을 포함할 수 있다. 스트리머 식별 정보는, 컨텐츠를 송출하는 스트리머 및 해당 컨텐츠에 출연하는 출연자를 식별하기 위한 정보로, 스트리머 및 출연자의 이름, 나이, 성별에 관한 정보, 스티리머 및 출연자의 ID, 닉네임, 별칭에 관한 정보 등을 포함할 수 있다. 전술한 실시간 컨텐츠의 관계자 정보에 포함된 방송 컨텐츠 정보 및 스트리머 식별 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
구체적인 예를 들어, 실시간 컨텐츠의 관계자 정보는, 실시간 컨텐츠에 관련한 스트리머가 'A 스트리머'라는 정보, 실시간 컨텐츠에 관련한 카테고리 정보가 '초대 가수 라이브 방송'이라는 정보 및 실시간 컨텐츠에 관련한 출연자 정보가 '가수 홍길동'이라는 정보를 포함할 수 있다. 전술한 실시간 컨텐츠의 관계가 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
프로세서(110)는 실시간 컨텐츠, 또는 실시간 컨텐츠의 관계자 정보를 자연어 처리 모델의 입력으로 하여 실시간 컨텐츠 및 실시간 컨텐츠의 관계자 정보에 대응하는 문장의 의미 및 형태를 파악할 수 있다. 자연어 처리 모델은, 학습 데이터 세트를 통해 학습된 하나 이상의 네트워크 함수로 구성될 수 있으며, 입력 문장을 입력으로 하여 입력 문장에 대한 의미 분석 및 형태 분석을 수행하는 모델일 수 있다. 또한, 프로세서(110)는 실시간 컨텐츠 및 실시간 컨텐츠의 관계자 정보에 대응하여 출력된 문장의 의미 및 형태에 기초하여 외부 서버에서 실시간 컨텐츠의 관련된 정보들을 외부 반응 데이터로써 크롤링(crawling)할 수 있다.
구체적인 예를 들어, 실시간 컨텐츠의 관계자 정보가 실시간 컨텐츠에 관련한 스트리머가 'A 스트리머'라는 정보 및 실시간 컨텐츠에 관련한 출연자 정보가 '가수 홍길동'이라는 정보를 포함하는 경우, 프로세서(110)는 해당 정보들을 자연어 처리 모델의 입력으로 하여 해당 정보들에 대응하는 문장의 의미 및 형태를 파악할 수 있다. 이 경우, 프로세서(110)는 외부 서버로부터 실시간 컨텐츠의 관계자 정보에 대응하는 문장의 의미 및 형태와 대응하는 'A 스트리머' 또는, '홍길동'에 관련하여 작성된 게시글을 수신할 수 있다. 전술한 실시간 컨텐츠의 관계자 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(110)는 자연어 처리 모델을 통해 외부 서버로부터 실시간 컨텐츠 또는, 실시간 컨텐츠의 관계자 정보에 대응하는 외부 사용자 반응 데이터 만을 선별하여 크롤링함으로써, 특정 실시간 컨텐츠에 대응하는 외부 반응 데이터를 획득할 수 있다.
또한, 프로세서(110)는 외부 반응 데이터에 기초하여 실시간 컨텐츠에 대한 사용자 단말의 사용자의 반응을 파악할 수 있다. 구체적으로, 프로세서(110)는 실시간 컨텐츠 또는, 실시간 컨텐츠의 관계자 정보 중 적어도 하나에 대한 외부 반응 데이터를 획득하고 자연어 처리 모델을 통해 외부 반응 데이터에 대한 의미를 파악함으로써, 실시간 컨텐츠를 시청한 하나 이상의 사용자 단말들의 실시간 컨텐츠에 대한 반응이 긍정적인지 또는 부정적인지 여부를 판별할 수 있다.
예를 들어, 인터넷 방송 게시판에 제 1 실시간 컨텐츠에 관련하여 '홍길동 노래 못하네'라는 외부 반응 데이터를 수신한 경우, 프로세서(110)는 해당 문장을 자연어 처리 모델의 입력으로 처리함으로써, 해당 문장이 홍길동에 대한 평가가 부정적인 의미를 포함하는 것으로 판별할 수 있다. 전술한 외부 반응 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(110)는 외부 반응 데이터에 기초하여 해당 외부 반응 데이터에 대응하는 실시간 컨텐츠의 관계자 단말에 피드백 정보를 제공할 수 있다. 구체적으로, 프로세서(110)는 외부 반응 데이터를 통해 사용자 단말의 사용자의 실시간 컨텐츠에 대한 반응이 긍정적인지 또는 부정적인지 여부를 판별하고, 그리고 판별된 반응에 기초하여 실시간 컨텐츠의 관계자 단말에 피드백 정보를 전송할 것을 결정할 수 있다.
구체적인 예를 들어, SNS에 제 2 실시간 컨텐츠에 관련하여 '요즘 BJ 트루 컨텐츠 재미없음..'이라는 외부 반응 데이터를 수신한 경우, 프로세서(110)는 해당 문장을 자연어 처리 모델의 입력으로 처리함으로써, BJ 트루(즉, 스트리머)의 최근 컨텐츠에 대한 시청자들의 반응이 부정적인 것으로 판별할 수 있다. 프로세서(110)는 판별된 반응에 기초하여 최근 컨텐츠에 대한 시청자들의 반응이 부정적이므로, 개선의 여지가 필요하다는 피드백 정보를 생성하여 실시간 컨텐츠의 관계자 단말(예컨대, 실시간 컨텐츠를 송출하는 BJ 트루의 단말)에 전송할 것을 결정할 수 있다. 전술한 외부 반응 데이터 및 피드백 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
다시 말해, 프로세서(110)는 실시간 컨텐츠를 시청한 하나 이상의 사용자 단말의 사용자가 실시간 컨텐츠에 관련하여 게시한 게시물과 관련된 외부 반응 데이터를 외부 서버로부터 수신함으로써, 실시간 컨텐츠를 시청한 사용자 단말들의 반응을 감지할 수 있다. 또한, 프로세서(110)는 실시간 컨텐츠를 시청한 사용자 단말들의 외부 반응 데이터에 기초하여 해당 실시간 컨텐츠의 관계자 단말에 피드백 정보를 전송함으로써, 실시간 컨텐츠의 관계자로 하여금 자신의 컨텐츠에 대한 시청자들의 반응을 보다 용이하게 인지하도록 하여 컨텐츠에 대한 개선의 방향성을 제시할 수 있다. 즉, 프로세서(110)는 외부 반응 데이터에 기초한 피드백 정보를 통해 스트리머를 관리하기 위한 스트리머 매니지먼트 효과를 제공할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성할 수 있다. 구체적으로, 프로세서(110)는 실시간 컨텐츠에 대한 사용자 반응 데이터 및 외부 반응 데이터를 실시간 컨텐츠의 관계자 정보와 연관하여 저장함으로써, 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성할 수 있다.
지식 베이스는 실시간 컨텐츠의 관계자 각각에 대응하여 생성되며, 관계가 각각에 고유한 사용자 반응을 식별하기 위하여 사용될 수 있다. 또한, 지식 베이스는, 외부 서술 정보 또는 내부 서술 정보에 대한 의미 분석 또는, 정량 분석 중 적어도 하나에 기초하여 생성될 수 있다. 즉, 지식 베이스는, 실시간 영상을 송출하는 스트리머 단말 각각의 개인 특성이 반영된 키워드의 조합일 수 있다.
보다 자세히 설명하면, 프로세서(110)는 사용자 반응 데이터에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 사용자 반응 데이터에서 실시간 컨텐츠 또는 실시간 컨텐츠의 관계자 정보와 관련한 내부 서술 정보를 추출하고, 추출된 내부 서술 정보에 대한 실시간 컨텐츠의 관계자 정보에 매칭함으로써 지식 베이스를 생성할 수 있다.
구체적인 예를 들어, 제 1 실시간 컨텐츠의 관계자 정보가 '스트리머 와일'이라는 정보를 포함하며, 사용자 반응 데이터가 '뭐야 엄청 못하네, ㅇㅇㅂㄹ'라는 정보를 포함하는 경우, 프로세서(110)는 자연어 처리 모델을 통해 사용자 반응 데이터에 대한 의미 분석을 수행함으로써, 'ㅇㅇㅂㄹ'라는 내부 서술 정보를 추출할 수 있다. 이 경우, 'ㅇㅇㅂㄹ'는 스트리머 와일에 대한 부정적인 의미를 가진 신조어(예컨대, '와일버려'이라는 문장에서의 자음 나열)일 수 있다. 즉, 프로세서(110)는 사용자 반응 데이터에 대한 의미 분석을 통해 사용자 반응 데이터에서 내부 서술 정보를 추출하고, 추출한 내부 서술 정보를 제 1 실시간 컨텐츠의 관계자 정보에 매칭함으로써, 제 1 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성할 수 있다. 다시 말해, 제 1 실시간 컨텐츠의 관계자의 지식 베이스에는 “ㅇㅇㅂㄹ”라는 부정적인 의미를 포함하는 내부 서술 정보가 매칭되어 저장되어 있을 수 있다. 전술한 사용자 반응 데이터 및 해당 사용자 반응 데이터에서 추출된 내부 서술 정보에 대한 구체적인 기재는 예시일 분, 본 개시는 이에 제한되지 않는다.
다른 예를 들어, 제 1 실시간 컨텐츠의 관계자 정보가 “스트리머 와일”이라는 정보를 포함하며, 하나 이상의 사용자 단말 각각으로부터 수신한 복수의 사용자 반응 데이터 중 '갓와일'라는 정보를 포함하는 사용자 반응 데이터가 사전 설정된 임계 횟수 이상 존재하는 경우, 프로세서(110)는 실시간 컨텐츠와 연관된 복수의 사용자 반응 데이터가 채팅창을 통해 보다 많이 노출되었다고 판단하여 해당 사용자 반응 데이터에 대응하는 '갓와일'을 내부 서술 정보로써 추출할 수 있다. 또한, 프로세서(110)는 추출한 내부 서술 정보를 제 1 실시간 컨텐츠의 관계자 정보에 매칭하여 저장함으로써, 제 1 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성할 수 있다. 다시 말해, 제 1 실시간 컨텐츠의 관계자의 지식 베이스에는 “갓와일”이라는 내부 서술 정보가 매칭되어 저장되어 있을 수 있다. 전술한 사용자 반응 데이터 및 해당 사용자 반응 데이터에서 추출된 내부 서술 정보에 대한 구체적인 기재는 예시일 분, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(110)는 실시간 컨텐츠에 관련한 실시간 채팅창을 통해 하나 이상의 사용자 단말로부터 수신하는 복수의 사용자 반응 데이터에 대한 의미 분석을 통해 해당 실시간 컨텐츠의 관계자에게 의미상 적합한 텍스트를 내부 서술 정보로써 추출하여 지식 베이스를 생성할 수 있다. 또한, 프로세서(110)는 실시간 컨텐츠에 관련한 실시간 채팅창을 통해 하나 이상의 사용자 단말로부터 수신하는 복수의 사용자 반응 데이터에 대한 정량 분석을 통해 해당 실시간 컨텐츠에서 자주 노출되는 텍스트를 내부 서술 정보로써 추출하여 지식 베이스를 생성할 수 있다.
또한, 프로세서(110)는 외부 반응 데이터에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 외부 반응 데이터에서 실시간 컨텐츠 또는 실시간 컨텐츠의 관계자 정보와 관련한 외부 서술 정보를 추출하고, 추출된 외부 서술 정보를 실시간 컨텐츠의 관계자 정보에 매칭함으로써 지식 베이스를 생성할 수 있다.
구체적인 예를 들어, 제 2 실시간 컨텐츠의 관계자 정보가 스트리머가 'BJ 트루'라는 정보를 포함하며, 외부 반응 데이터가 '오늘 트루 방송 대박이였음 ㅋㅋ ㅌㄹㅇ!!!'라는 정보를 포함하는 경우, 프로세서(110)는 자연어 처리 모델을 통해 외부 반응 데이터 대한 의미 분석을 수행함으로써, 'ㅌㄹㅇ'이라는 외부 서술 정보를 추출할 수 있다. 이 경우, 'ㅌㄹㅇ'은 BJ 트루에 대한 긍정적인 의미를 가진 유행어(예컨대, '트루업')일 수 있다. 즉, 프로세서(110)는 외부 반응 데이터에 대한 의미 분석을 통해 외부 반응 데이터에서 외부 서술 정보를 추출하고, 추출한 외부 서술 정보를 제 2 실시간 컨텐츠의 관계자 정보에 매칭함으로써, 제 2 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성할 수 있다. 다시 말해, 제 2 실시간 컨텐츠의 관계자의 지식 베이스에는 'ㅌㄹㅇ'이라는 긍정적인 의미를 포함하는 외부 서술 정보가 매칭되어 저장되어 있을 수 있다. 전술한 외부 반응 데이터 및 해당 외부 반응 데이터에서 추출된 외부 서술 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(110)는 실시간 컨텐츠에 관련하여 하나 이상의 사용자 단말을 통해 게시된 복수의 외부 반응 데이터에 대한 의미 분석을 통해 해당 실시간 컨텐츠의 관계자에게 의미상 적합한 텍스트를 외부 서술 정보로써 추출하여 지식 베이스를 생성할 수 있다. 또한, 프로세서(110)는 실시간 컨텐츠에 관련한 외부 서버에 하나 이상의 사용자 단말을 통해 게시된 복수의 외부 반응 데이터에 대한 정량 분석을 통해 해당 실시간 컨텐츠에 관련하여 외부 서버에서 자주 노출되는 텍스트를 외부 서술 정보로써 추출하여 지식 베이스를 생성할 수 있다.
따라서, 프로세서(110)는 특정 실시간 컨텐츠와 관련하여 실시간 채팅창 및 외부 서버의 게시글 각각에서 사용자 반응 데이터 및 외부 반응 데이터를 수신하고, 사용자 반응 데이터 및 외부 반응 데이터 각각에 대한 의미 분석 및 정량 분석을 통해 사용자 반응 데이터 및 외부 반응 데이터 각각으로부터 내부 서술 정보 및 외부 서술 정보를 추출함으로써, 특정 실시간 컨텐츠의 관계자에 대응하는 지식 베이스를 생성할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자 반응 데이터에 대한 분석 결과에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다. 구체적으로, 프로세서(110)는 사용자 반응 데이터에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다.
자세히 설명하면, 프로세서(110)는 실시간 컨텐츠를 사전 결정된 시간 구간으로 분할하여 하나 이상의 실시간 서브 컨텐츠를 생성할 수 있다. 또한, 프로세서(110)는 각각의 실시간 서브 컨텐츠에 대응하여 수신한 사용자 반응 데이터에 대한 의미 분석에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다. 프로세서(110)는 하나 이상의 실시간 서브 컨텐츠 각각에 포함된 하나 이상의 사용자 반응 데이터에 대응 의미 분석을 수행하고, 의미 분석 결과 각 서브 컨텐츠 내에 긍정적 의미를 포함하는 사용자 반응 데이터의 수가 최대인 서브 컨텐츠에 대응하는 시점을 하이라이트 구간으로 식별할 수 있다.
구체적인 예를 들어, 프로세서(110) 제 1 실시간 컨텐츠가 5분에 대응하는 컨텐츠이며, 사전 결정된 시간 구간이 1분인 경우, 프로세서(110)는 제 1 실시간 컨텐츠를 5개의 구간으로 분할하여 5개의 실시간 서브 컨텐츠(즉, 제 1 실시간 서브 컨텐츠 내지 제 5 실시간 서브 컨텐츠)를 생성할 수 있다. 또한, 제 1 실시간 서브 컨텐츠 내지 제 5 실시간 서브 컨텐츠에 대응하여 1분 동안 수신한 하나 이상의 사용자 단말로부터 수신한 복수의 사용자 반응 데이터에 대한 의미 분석 결과 각각의 실시간 서브 컨텐츠 내에 긍정적 의미를 포함하는 사용자 반응 데이터의 수가 68개, 157개, 23개, 14개, 66개 인 경우, 프로세서(110)는 제 1 실시간 서브 컨텐츠에 대응하는 시점(즉, 1~2분)을 하이라이트 구간으로 식별할 수 있다. 전술한 실시간 컨텐츠, 사전 결정된 시간 구간 및 사용자 반응 데이터의 수에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자 반응 데이터에 대한 정량 분석에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다. 구체적으로, 프로세서(110)는 실시간 컨텐츠와 연관되어 수신한 사용자 반응 데이터의 수에 대한 정량 분석을 수행하고, 정량 분석 결과에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다. 정량 분석은, 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수에 적어도 부분적으로 기초하여 결정되는 임계값에 기초하여 수행될 수 있다.
자세히 설명하면, 프로세서(110)는 실시간 컨텐츠를 사전 결정된 시간 구간으로 분할하여 하나 이상의 실시간 서브 컨텐츠를 생성할 수 있다. 또한, 프로세서(110)는 하나 이상의 실시간 서브 컨텐츠 중 각각의 실시간 서브 컨텐츠에 대응하여 수신한 사용자 반응 데이터의 수가 임계값을 초과하는 하나 이상의 실시간 서브 컨텐츠를 하이라이트 구간으로 식별할 수 있다. 이 경우, 사용자 반응 데이터의 수에 기초한 정량 분석을 통해 하이라이트 구간을 식별하기 위한 기준이 되는 임계값은, 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수에 적어도 부분적으로 기초하여 결정될 수 있다. 임계값은, 각 실시간 서브 컨텐츠에 대응하는 시점에 실시간 컨텐츠를 시청하는 사용자 단말의 수와 양의 상관 관계를 가질 수 있다. 다시 말해, 사용자 반응 데이터의 수에 기초한 정량 분석을 통해 하이라이트 구간을 식별하기 위한 기준이 되는 임계값은 각 서브 컨텐츠에 대응하는 시점에 실시간 컨텐츠를 시청하는 사용자 단말의 수에 기초하여 가변적으로 조정될 수 있다. 예를 들어, 임계값은 각 실시간 서브 컨텐츠에 대응하는 시점에 실시간 컨텐츠를 시청하는 사용자 단말의 수에 50%로 사전 설정될 수 있다. 1~2분의 시간 구간인 제 1 실시간 서브 컨텐츠에 대응하는 시점에 실시간 컨텐츠를 시청하는 사용자 단말의 수가 100명인 경우, 임계값은 50일 수 있으며, 2~3분의 시간 구간인 제 2 실시간 서브 컨텐츠에 대응하는 시점에 실시간 컨텐츠를 시청하는 사용자 단말의 수가 50명인 경우, 임계값은 25일 수 있다. 즉, 실시간 컨텐츠의 1~2분 구간에는 시청자가 100명임에 따라 임계값은 50이였으나, 이후 시점인 2~3분 구간에는 시청자가 수가 50명으로 감소함에 따라 임계값은 25로 조정될 수 있다. 전술한 실시간 컨텐츠, 서브 컨텐츠, 서브 컨텐츠에 대응하는 시점에 시청하는 사용자 단말의 수 및 임계값의 구체적인 수치에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
구체적인 예를 들어, 도 2를 참조하면, 제 1 실시간 컨텐츠가 7분에 대응하는 컨텐츠이며, 사전 결정된 시간 구간이 30초인 경우, 프로세서(110)는 제 1 실시간 컨텐츠를 14개 구간의 실시간 서브 컨텐츠(즉, 제 1 실시간 서브 컨텐츠 내지 제 14 실시간 서브 컨텐츠)로 분할할 수 있다. 또한, 제 1 실시간 서브 컨텐츠 내지 제 14 실시간 서브 컨텐츠 각각에 대응하는 시점에 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수는 유동적으로 변화할 수 있다. 각 실시간 서브 컨텐츠에 대응하는 시점에 실시간 컨텐츠를 시청하는 사용자 단말의 수의 유동적인 변화에 따라 각 실시간 서브 컨텐츠에 대한 임계값이 가변적으로 조정될 수 있다. A 구간(210)(즉, 제 4 실시간 서브 컨텐츠)에 대응하는 시점 구간 동안(즉, 1분 30초 ~ 2분) 하나 이상의 사용자 단말로부터 수신한 복수의 사용자 반응 데이터의 수가 90이며, 해당 구간에 대응하는 시점에 실시간 컨텐츠를 시청한 하나 이상의 사용자 단말의 수가 165임에 따라 임계값이 82인 경우, 프로세서(110)는 해당 구간에서 수신한 사용자 반응 데이터의 수가 임계값을 초과하는 것으로 판단하여 A 구간(210)을 하이라이트 구간으로 식별할 수 있다. 또한, B 구간(220)(즉, 제 10 실시간 서브 컨텐츠)에 대응하는 시점 구간 동안(즉, 4분 30초 ~ 5분) 하나 이상의 사용자 단말로부터 수신한 복수의 사용자 반응 데이터의 수가 142이며, 해당 구간에 대응하는 시점에 실시간 컨텐츠를 시청한 하나 이상의 사용자 단말의 수가 350임에 따라 임계값이 175인(예컨대, 사용자 단말의 수 50%) 경우, 프로세서(110)는 해당 구간에서 수신한 사용자 반응 데이터의 수가 임계값 이하인 것으로 판단하여 B 구간(220)을 하이라이트 구간으로 식별하지 않을 수 있다. 또한, C 구간(230)(즉, 제 12 실시간 서브 컨텐츠)에 대응하는 시점 구간 동안(즉, 5분 30초 ~ 6분) 하나 이상의 사용자 단말로부터 수신한 복수의 사용자 반응 데이터의 수가 32이며, 해당 구간에 대응하는 시점에 실시간 컨텐츠를 시청한 하나 이상의 사용자 단말의 수가 42임에 따라, 임계값이 21인 경우, 프로세서(110)는 해당 구간에서 수신한 사용자 반응 데이터의 수가 임계값을 초과하는 것으로 판단하여 C 구간(230)을 하이라이트 구간으로 식별할 수 있다.
즉, B 구간(220)은 A 구간(210) 및 C 구간(230) 대비 비교적 많은 사용자 반응 데이터를 수신하였음에도 불구하고, 하이라이트 구간에 포함되지 않을 수 있다. 다시 말해, 프로세서(110)는 단순히 하나 이상의 사용자 단말로부터 수신한 사용자 반응 데이터 수에 많은 구간을 하이라이트 구간으로 식별하는 것이 아닌, 각 구간에서 시청자 대비 사용자 반응 데이터의 수가 높은 구간을 하이라이트 구간으로 식별할 수 있다. 즉, C 구간(230)에서는 비교적 적은 사용자 반응 데이터를 수신하였음에도 불구하고, 프로세서(110)는 해당 시점에 시청자 수에 대비하여 많은 사용자 반응 데이터를 수신한 것으로 판별하여 하이라이트 구간으로 식별할 수 있다.
따라서, 1인 미디어의 환경에서 컨텐츠를 시청하는 시청자의 수의 변화에 대응하여 각 구간에 상이한 임계값을 설정하고, 각 구간에 대응하는 상이한 임계값을 기준으로 사용자 반응 데이터의 수에 기초한 정량 분석 결과를 산출함으로써, 하이라이트 구간의 식별 정확도가 향상될 수 있다. 다시 말해, 실시간 컨텐츠에서 시청자들의 반응을 이끄는 주요한 부분이 아닌, 단순히 시청자 수의 증가에 따라 채팅창을 통해 수신되는 사용자 반응 데이터가 많아지는 구간을 하이라이트 구간으로 오 식별하는 우려를 방지할 수 있다. 전술한 도 2를 참조한 하이라이트 구간 식별 방법에 대한 구체적인 기재들은, 본 개시의 이해를 돕기 위한 예시적인 설명일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 다른 실시예에 따르면, 프로세서(110)는 실시간 컨텐츠의 구간 별 사용자 반응 데이터의 변화량을 식별하고, 식별된 사용자 반응 데이터의 변화량이 임계 변화량을 초과하는 시점에 기초하여 하이라이트 구간을 식별할 수 있다. 이 경우, 임계 변화량은 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수의 변화량에 적어도 부분적으로 기초하여 결정될 수 있다.
보다 자세히 설명하면, 프로세서(110)는 실시간 컨텐츠를 사전 결정된 시간 구간으로 분할하여 하나 이상의 실시간 서브 컨텐츠를 생성할 수 있다. 또한, 프로세서(110)는 하나 이상의 실시간 서브 컨텐츠 중 각각의 실시간 서브 컨텐츠에 대응하여 수신한 사용자 반응 데이터의 변화량이 임계 변화량을 초과하는 하나 이상의 실시간 서브 컨텐츠를 하나 이상의 하이라이트 구간으로 식별할 수 있다.
구체적인 예를 들어, 도 3을 참조하면, 제 2 실시간 컨텐츠가 7분에 대응하는 컨텐츠이며, 사전 결정된 시간 구간이 30초인 경우, 프로세서(110)는 제 2 실시간 컨텐츠를 14개 구간의 실시간 서브 컨텐츠(즉, 제 1 실시간 서브 컨텐츠 내지 제 14 실시간 서브 컨텐츠)로 분할할 수 있다. 이 경우, 프로세서(110)는 실시간 서브 컨텐츠 각각에서 수신되는 사용자 반응 데이터에 기초하여 사용자 반응 데이터 변화량을 산출할 수 있다.
예를 들어, A 구간(310)에 대응하여 하나 이상의 사용자 단말로부터 수신한 사용자 반응 데이터가 20이며, B 구간(320)에 대응하여 하나 이상의 사용자 단말로부터 수신한 사용자 반응 데이터가 40인 경우, A 구간(310) 및 B 구간(320)에 대응하는 사용자 반응 데이터의 변화량은 0.67(즉, 도 3의 그래프에서 A 구간(310) 및 B 구간(320)에 대응하는 기울기((40-20)/30))일 수 있다. 또한, 제 1 실시간 서브 컨텐츠 내지 제 14 실시간 서브 컨텐츠 각각에 대응하는 시점에 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수는 유동적으로 변화할 수 있다. 이 경우, 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수가 시점에 따라 유동적으로 변화함에 따라, 각 구간에서의 임계 변화량은 가변적으로 조정될 수 있다.
구체적으로, A 구간(310) 및 B 구간(320)(즉, 제 2 실시간 서브 컨텐츠 및 제 3 실시간 서브 컨텐츠)에 대응하는 시점 구간 동안 하나 이상의 사용자 단말로부터 수신한 복수의 사용자 반응 데이터의 변화량이 0.67((40-20)/30)이며, 해당 구간에 대응하는 시점에 임계 변화량이 0.33인(예컨대, 사용자 단말의 수의 변화량의 50%) 경우, 프로세서(110)는 해당 구간에 대응하는 사용자 반응 데이터의 변화량이 임계 변화량을 초과하는 것으로 판단하여 A 구간(310) 및 B 구간(320)을 하이라이트 구간으로 식별할 수 있다. 추가적인 실시예에서 프로세서(110)는 B 구간(320)만을 하이라이트 구간으로 식별할 수도 있다. 또한, C 구간(330) 및 D 구간(340)(즉, 제 9 실시간 서브 컨텐츠 및 제 10 실시간 서브 컨텐츠)에 대응하는 시점 구간 동안 하나 이상의 사용자 단말로부터 수신한 복수의 사용자 반응 데이터의 변화량이 2이며, 해당 구간에 대응하는 시점에 임계 변화량이 5인 경우, 프로세서(110)는 해당 구간에 대응하는 시점에 사용자 반응 데이터의 변화량이 임계 변화량 미만인 것으로 판단하여 C 구간(330) 및 D 구간(340)을 하이라이트 구간으로 식별하지 않을 수 있다.
즉, C 구간(330) 및 D 구간(340)에 대응하는 시점 구간이 A 구간(310) 및 B 구간(320)에 대응하는 시점 구간 대비 사용자 반응 데이터의 큰 상승 폭이 있었음에도 불구하고, 하이라이트 구간에 포함되지 않을 수 있다. 다시 말해, 프로세서(110)는 각 구간의 사용자 반응 데이터의 수에 기초하여 하이라이트 구간을 식별하는 것이 아닌, 각 구간에서 시청자의 변화량에 대비하여 사용자 반응 데이터의 변화량이 큰 구간을 하이라이트 구간으로 식별할 수 있다. 전술한 도 3을 참조한 하이라이트 구간 식별 방법에 대한 구체적인 기재들은, 본 개시의 이해를 돕기 위한 예시적인 설명일 뿐, 본 개시는 이에 제한되지 않는다.
1인 미디어 컨텐츠 방송 환경에서는 스트리머의 인지도에 따라 상이한 수에 시청자를 보유할 수 있다. 예를 들어, 인기 스트리머인 A 사용자는 실시간 컨텐츠 송출 시, 평균적으로 3천명에 대응하는 사용자 단말이 해당 컨텐츠를 시청할 수 있으며, 비인기 스트리머인 B 사용자는 실시간 컨텐츠 송출 시, 평균적으로 50명에 대응하는 사용자 단말이 해당 컨텐츠를 시청할 수 있다. 이에 따라, 단순히 실시간 컨텐츠를 시청하는 사용자 단말로부터 수신한 사용자 반응 데이터의 수에 기초하여 하이라이트 구간을 식별하는 경우, 스트리머 별로 상이한 시청자 수를 보유함에 따라 각 스트리머의 실시간 컨텐츠로부터 하이라이트 구간을 식별하는 기준이 상이해질 우려가 있다.
즉, 프로세서(110)는 실시간 컨텐츠의 각 시점에서의 사용자 반응 데이터의 변화량을 통해 하이라이트 구간을 식별함으로써, 상이한 시청자 수를 보유한 복수의 스트리머의 실시간 컨텐츠 각각으로부터 하이라이트 구간을 식별하기 위한 동일한 기준을 제시할 수 있다. 따라서, 프로세서(110)는 인기 스트리머 및 비인기 스트리머 등 다양한 스트리머의 실시간 컨텐츠 각각에 대하여 동일한 기준으로 하이라이트 구간을 식별할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 실시간 컨텐츠에 대응하여 수신한 사용자 반응 데이터에 대한 전처리를 수행할 수 있다. 사용자 반응 데이터에 대한 전처리는, 실시간 컨텐츠와 관련한 채팅창을 통해 하나 이상의 사용자 단말 각각으로부터 수신한 사용자 반응 데이터에 상이한 가중치를 할당하는 것을 의미할 수 있다.
구체적으로, 프로세서(110)는 사용자 반응 사용자 식별 정보에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여할 수 있다. 프로세서(110)는 사용자 반응 데이터를 생성한 사용자의 실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율, 사용자의 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율 및 시청자 반응 데이터의 지식 베이스에 대한 매칭률 중 적어도 하나에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여할 수 있다.
실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율은, 실시간 컨텐츠의 관계자에 관련하여 사전 제작된 하이라이트 컨텐츠에서 사용자 반응 데이터가 포함되는지 여부에 관한 정보이며, 사전 제작된 하이라이트 컨텐츠에 포함된 사용자 반응 데이터에 대한 정량 분석 및 의미 분석 중 적어도 하나에 기초하여 산출될 수 있다.
예를 들어, 제 1 실시간 컨텐츠의 관계자인 A 스트리머에 관련하여 이전 시점에 사전 제작된 하이라이트 편집 영상에 제 1 사용자 단말의 사용자 반응 데이터가 포함된 경우, 프로세서(110)는 제 1 사용자 단말의 식별 정보에 기초하여 제 1 실시간 컨텐츠에 대한 제 1 사용자 단말의 제 1 사용자 반응 데이터에 보다 높은 가중치를 부여할 수 있다. A 스트리머의 이전 시점에 사전 제작된 실시간 컨텐츠로부터 하이라이트 구간을 식별하여 하이라이트 영상을 생성하는 과정에서, 제 1 사용자 단말의 사용자 반응 데이터가 포함된다는 것은, 제 1 사용자 단말의 사용자 반응 데이터가 이전 실시간 컨텐츠에서 하이라이트 구간을 식별하는데 기여한 것일 수 있다. 즉, 프로세서(110)는 제 1 사용자 단말의 사용자가 실시간 컨텐츠에서 흥미로운 부분을 감지하는데 많은 기여를 하는 사용자로 판단하여 해당 제 1 사용자 단말에 관련한 사용자 반응 데이터에 다른 사용자 단말에 관련한 사용자 반응 데이터 보다 비교적 높은 가중치를 부여할 수 있다. 이 경우, 제 1 사용자 단말에 관련한 사용자 반응 데이터 부여되는 가중치의 정도는 정량 분석 및 의미 분석 중 적어도 하나에 기초한 것일 수 있다.
구체적인 예를 들어, 도 4를 참조하면, 이전 시점의 실시간 컨텐츠에 대응하여 사전 제작된 하이라이트 편집 영상에 제 1 사용자 단말 내지 제 5 사용자 단말 각각으로부터 채팅창(400)에 대한 채팅 입력을 통해 수신한 5개의 사용자 반응 데이터(제 1 반응 데이터(410), 제 2 반응 데이터(420), 제 3 반응 데이터(430), 제 4 반응 데이터(440) 및 제 5 반응 데이터(450))를 포함하는 경우, 프로세서(110)는 각 사용자 반응 데이터에 대한 의미 분석을 통해 사용자 반응 데이터 각각에 상이한 가중치를 부여할 수 있다. 구체적으로, 프로세서(110)는 제 1 사용자 단말의 제 1 반응 데이터에 대한 의미 분석을 수행할 수 있으며, 의미 분석 결과 제 1 반응 데이터에 포함된 내용(즉, 'ㅏㅏㅏㅏㅏㅏㅏㅏㅏㅏㅏ')이 실시간 컨텐츠와는 관련이 없는 의미 없는 문장으로 식별하여 제 1 반응 데이터(410)에 '0'의 가중치를 부여할 수 있다. 즉, 프로세서(110)는 제 1 반응 데이터(410)가 의미하는 바가, 실시간 컨텐츠와는 관련이 없는 내용인 것으로 판별하여 제 1 반응 데이터(410)에 '0'의 가중치를 부여하여 노이즈로써 제거함으로써, 제 1 반응 데이터가 정량 분석 과정에서 카운팅되지 않도록 할 수 있다. 또한, 프로세서(110)는 제 2 사용자 단말의 제 2 반응 데이터(420)에 대한 의미 분석을 수행할 수 있으며, 의미 분석 결과 제 2 반응 데이터(420)에 포함된 내용(즉, '이건 하이라이트다 우와')이 의미하는 바가 하이라이트 구간을 보다 적절히 예측한 것으로 식별하여 제 2 반응 데이터(420)에 비교적 높은 가중치인 '3'을 부여할 수 있다. 또한, 프로세서(110)는 제 3 사용자 단말의 제 3 반응 데이터(430)에 대한 의미 분석을 수행할 수 있으며, 의미 분석 결과 제 3 반응 데이터(430)에 포함된 내용(즉, '대박!!!!!!!!')이 의미하는 바가 하이라이트 구간 식별에 기여한 것으로 식별하여 제 3 반응 데이터(430)에 '2.5'의 가중치를 부여할 수 있다. 또한, 프로세서(110)는 제 4 사용자 단말의 제 4 반응 데이터(440)에 대한 의미 분석을 수행할 수 있으며, 의미 분석 결과 제 4 반응 데이터(440)에 포함된 내용(즉, '별론데?')이 하이라이트 구간 예측과는 상반되는 의미를 포함하는 것으로 식별하여 제 4 반응 데이터(440)에 '-1'의 가중치를 부여할 수 있다. 또한, 프로세서(110)는 제 5 사용자 단말의 제 5 반응 데이터(450)에 대한 의미 분석을 수행할 수 있으며, 의미 분석 결과 제 5 반응 데이터(450)에 포함된 내용(즉, '저거 누구나 하는거 아님?')이 하이라이트 구간 예측과는 상반되는 의미를 포함하는 것으로 식별하여 제 5 반응 데이터(450)에 '-1'의 가중치를 부여할 수 있다.
즉, 프로세서(110)는 사전 제작된 하이라이트 영상에 포함된 각 사용자 단말에 대응하는 복수의 사용자 반응 데이터 각각에 대한 의미 분석 결과에 기초하여 의미 없는 사용자 반응 데이터를 노이즈로써 제거할 수 있으며, 하이라이트 구간을 보다 명확히 예측한 사용자 단말에 비교적 높은 가중치를 부여할 수 있고, 그리고 하이라이트 구간과 상반되는 의미를 포함하는 사용자 반응 데이터에 음의 가중치를 부여할 수 있다. 전술한 각 사용자 단말의 사용자 반응 데이터 및 이에 대응하여 부여되는 가중치에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
다른 예를 들어, 이전 시점의 실시간 컨텐츠에 대응하여 사전 제작된 하이라이트 컨텐츠에 A 사용자 단말 및 B 사용자 단말로부터 수신한 사용자 반응 데이터가 각각 2회 및 6회 포함되는 경우, 프로세서(110)는 각 사용자 반응 데이터에 대한 정량 분석을 통해 하이라이트 구간에 보다 많은 횟수의 사용자 반응 데이터를 입력한 제 4 사용자 단말의 사용자 반응 데이터에 제 3 사용자 단말의 사용자 반응 데이터 보다 높은 가중치를 부여할 수 있다. 즉, 사전 제작된 하이라이트 영상에 포함된 각 사용자 단말에 대응하는 복수의 사용자 반응 데이터에 대한 정량 분석을 통해 하이라이트 구간에 대응하는 시점에 보다 많은 횟수의 사용자 반응 데이터를 입력한 사용자 단말의 사용자 반응 데이터에 비교적 높은 가중치를 부여할 수 있다. 전술한 각 사용자 단말의 사용자 반응 데이터 및 이에 대응하여 부여되는 가중치에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율은, 실시간 컨텐츠의 관계가 정보와 매칭된 컨텐츠에 대한 하나 이상의 사용자 단말 각각의 참여 이력에 관한 정보로, 매칭된 컨텐츠의 개수 및 참여 이력에 기초하여 산출될 수 있다.
예를 들어, 특정 스트리머에 관련한 컨텐츠를 자주 시청하는 사용자 단말은 해당 스트리머의 실시간 컨텐츠 영상에서 흥미있는 부분을 보다 잘 인지할 가능성이 높을 수 있다. 이에 따라, 프로세서(110)는 각 사용자 단말이 특정 실시간 컨텐츠의 관계자 정보(즉, 특정 스트리머를 식별하기 위한 정보)와 매칭된 컨텐츠에 대한 시청 기여율을 통해 실시간 컨텐츠를 시청하는 복수의 사용자 단말 각각의 사용자 반응 데이터에 상이한 가중치를 부여할 수 있다.
구체적인 예를 들어, A 스트리머에 매칭되어 이전 시점에 송출된 컨텐츠가 30개이며, 제 1 사용자 단말이 A 스트리머에 매칭된 30개의 실시간 컨텐츠 중 27개의 컨텐츠에 대한 참여 이력(또는, 시청 이력)이 존재하는 경우, 프로세서(110)는 제 1 사용자 단말에 비교적 높은 가중치를 부여할 수 있다. 즉, A 스트리머와 관련한 이전 시점의 컨텐츠에 대한 각 사용자 단말의 참여 이력 정도에 기초하여 각 사용자 단말의 사용자 반응 데이터에 상이한 가중치가 할당될 수 있다. 특정 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠들에 대한 사용자 단말의 참여 이력은, A 스트리머에 매칭되어 이전 시점에 송출된 컨텐츠에 각 사용자 단말로부터 수신한 사용자 반응 데이터가 포함되었는지 여부에 기초한 것일 수 있다. 즉, A 스트리머에 관련한 이전 컨텐츠 송출 과정에서 사용자 반응 데이터에 대응하는 채팅 입력 또는, 액션 입력을 수행한 사용자 단말은 프로세서(110)에 의해 A 스트리머와 매칭된 컨텐츠에 대한 참여 이력이 존재하는 것으로 판단될 수 있다. 전술한 특정 스트리머에 매칭된 컨텐츠 및 특정 사용자 단말의 참여 이력에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
시청자 반응 데이터의 지식 베이스에 대한 매칭률은, 지식 베이스에 포함된 외부 서술 정보 및 내부 서술 정보 중 적어도 하나와 사용자 반응 데이터의 유사도 판별에 기초하여 산출될 수 있다.
구체적으로, 프로세서(110)는 실시간 컨텐츠의 관계자에게 개인화된 지식 베이스를 생성할 수 있으며, 실시간 컨텐츠의 관계자에 대한 지식 베이스에 포함된 외부 서술 정보 및 내부 서술 정보 중 적어도 하나와 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 수신하는 복수의 사용자 반응 데이터 각각의 유사도 판별에 기초하여 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말 각각으로부터 수신한 복수의 사용자 반응 데이터 각각에 상이한 가중치를 부여할 수 있다.
예를 들어, 제 1 실시간 컨텐츠의 관계자의 지식 베이스에 “갓와일”이라는 내부 서술 정보 및 “ㅌㄹㅇ”이라는 외부 서술 정보가 포함되는 경우, 제 1 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 수신한 복수의 사용자 반응 데이터 중 “갓와일” 또는, “ㅌㄹㅇ”이라는 정보를 포함하는 사용자 반응 데이터를 입력한 사용자 단말들에게 높은 가중치를 부여할 수 있다. 각 스트리머에게 개인화된 지식 베이스는 스트리머에 대응하는 유행어, 또는 신조어 등으로 구성될 수 있으므로, 지식 베이스에 포함된 내부 서술 정보 및 외부 서술 정보와 관련한 채팅 입력 및 액션 입력을 입력한 사용자 단말의 사용자는, 해당 스트리머의 컨텐츠에 대한 이해도가 높은 사용자일 수 있다. 즉, 프로세서(110)는 실시간 컨텐츠를 시청하는 과정에서 실시간 컨텐츠의 관계자의 지식 베이스에 포함된 사용자 반응 데이터를 입력한 사용자 단말들의 사용자 반응 데이터에 높은 가중치를 부여할 수 있다. 다시 말해, 복수의 실시간 컨텐츠의 관계자 각각에게 개인화된 지식 베이스를 활용하여 특정 실시간 컨텐츠의 관계자에게 유효한 사용자 반응 데이터에 대하여 높은 가중치를 부여할 수 있다. 예를 들어, 복수의 실시간 컨텐츠의 관계자 각각에게 개인화된 지식 베이스를 활용하는 경우, 특정 사용자 반응 데이터가 제 1 실시간 컨텐츠의 사용자 반응 데이터로는 유효하지 않으나, 제 2 실시간 컨텐츠의 사용자 반응 데이터로는 유효하다고 판별할 수 있다. 즉, 스트리머 각각에서 개인화된 지식 베이스를 활용하여 복수의 사용자 반응 데이터 각각에 상이한 가중치를 부여할 수 있다. 전술한 각 관계자의 지식 베이스에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
따라서, 프로세서(110)는 실시간 컨텐츠에 관련하여 수신한 사용자 반응 데이터에 대한 가중치를 조정하는 전처리를 수행하여 하이라이트 구간을 식별하기 위한 복수의 사용자 반응 데이터 각각에 상이한 가중치를 부여함으로써, 하이라이트 구간 보다 정교하게 식별할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자 반응 데이터 각각에 부여된 가중치에 기초하여 사용자 반응 데이터에 대한 분석 결과를 생성하고, 그리고 분석 결과에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다. 구체적으로, 프로세서(110)는 사용자 반응 데이터에 대한 전처리를 통해 사용자 반응 데이터 각각에 상이한 가중치를 부여하고, 그리고 상이한 가중치가 부여된 사용자 반응 데이터 각각에 대한 분석 결과를 생성하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다.
예를 들어, 제 1 실시간 컨텐츠에 관련하여 제 1 사용자 단말 및 제 2 사용자 단말 각각으로부터 제 1 사용자 반응 데이터 및 제 2 사용자 반응 데이터를 수신하고, 그리고 수신한 각 사용자 반응 데이터에 부여된 가중치가 '1' 및 '2'인 경우, 프로세서(110)는 각 사용자 반응 데이터에 부여된 가중치에 기초하여 사용자 반응 데이터에 기초한 정량 분석을 수행할 수 있다. 즉, 실시간 컨텐츠 시청 환경에서 수신한 복수의 사용자 반응 데이터는 정량 분석 과정에서 각 사용자 반응 데이터에 부여된 가중치에 따라 상이한 비중으로 인식될 수 있다. 예를 들어, 정량 분석 과정에서 제 2 사용자 반응 데이터에 부여된 가중치가 '2'임에 따라 제 2 사용자 반응 데이터는, 가중치가 '1' 제 1 사용자 반응 데이터 보다 2배의 비중으로 인식될 수 있다. 다시 말해, 실시간 컨텐츠 시청 환경에서 제 1 사용자 단말 및 제 2 사용자 단말 각각으로부터 하나의 사용자 반응 데이터를 수신할지라도, 각각의 사용자 반응 데이터에 부여된 가중치에 따라 정량 분석 과정에서 각 사용자 반응 데이터가 상이한 비중으로 인식될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성할 수 있다. 구체적으로, 프로세서(110)는 실시간 컨텐츠에서 식별된 하나 이상의 하이라이트 구간을 포함하는 하이라이트 컨텐츠를 생성할 수 있다.
예를 들어, 제 1 실시간 컨텐츠가 5분에 대응하는 컨텐츠이며, 사전 결정된 시간 구간이 1분임에 따라 제 1 실시간 컨텐츠가 5개의 실시간 서브 컨텐츠(즉, 제 1 실시간 서브 컨텐츠 내지 제 5 실시간 서브 컨텐츠)로 분할되며, 실시간 컨텐츠 중 제 1 실시간 서브 컨텐츠 및 제 4 실시간 서브 컨텐츠에 대응하는 시간 구간이 하이라이트 구간으로 식별된 경우, 프로세서(110)는 제 1 실시간 서브 컨텐츠 및 제 4 실시간 서브 컨텐츠에 대응하는 시간 구간을 포함하는 하이라이트 컨텐츠를 생성할 수 있다. 즉, 프로세서(110)에 의해 생성된 하이라이트 컨텐츠는 실시간 컨텐츠에서 0~1분 및 3~4분에 대응하는 시점의 컨텐츠로 구성될 수 있다. 전술한 실시간 컨텐츠 및 실시간 서브 컨텐츠의 구체적인 시간에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(110)는 식별된 하나 이상의 하이라이트 구간을 적어도 부분적으로 포함하는 하이라이트 컨텐츠를 생성할 수 있다. 구체적으로, 프로세서(110)는 재생 시간 설정 정보에 기초하여 식별된 하나 이상의 하이라이트 구간에서 적어도 일부를 제거하거나, 하나 이상의 보충 하이라이트 구간을 추가하여 하이라이트 컨텐츠를 생성할 수 있다. 재생 시간 설정 정보는, 실시간 컨텐츠로부터 생성되는 하이라이트 컨텐츠의 재생 시간을 한정하기 위한 정보로, 실시간 컨텐츠에 대한 하이라이트 컨텐츠 제작을 요청하는 사용자의 입력에 기초하여 사전 결정될 수 있다. 예를 들어, 재생 시간 설정 정보가 사용자에 의해 5분으로 사전 결정되는 경우, 프로세서(110)는 실시간 컨텐츠로부터 5분의 재생 시간을 가진 하이라이트 컨텐츠를 생성할 수 있다. 즉, 실시간 컨텐츠에 관련하여 특정 재생 시간을 가지는 하이라이트 컨텐츠를 제작하고자 하는 사용자의 요구에 대응하여 재생 시간 설정 정보가 사전 결정될 수 있다.
이에 따라, 프로세서(110)는 식별된 하나 이상의 하이라이트 구간의 재생 시간 정보와 사전 결정된 재생 시간 설정 정보의 비교에 기초하여 식별된 하나 이상의 하이라이트 구간에서 적어도 일부 구간 제거하거나 또는, 보충 하이라이트 구간을 추가하여 하이라이트 컨텐츠를 생성할 수 있다.
예를 들어, 제 1 실시간 컨텐츠에서 프로세서(110)에 의해 식별된 3개의 하이라이트 구간(예컨대, 제 1 실시간 서브 컨텐츠에 대응하는 A 구간, 제 4 실시간 서브 컨텐츠에 대응하는 B 구간 및 제 8 실시간 서브 컨텐츠에 대응하는 C 구간)의 재생 시간 정보가 3분(즉, 3개의 하이라이트 구간의 재생 시간의 총합이 3분)이며, 제 1 실시간 컨텐츠에 대한 사전 결정된 재생 시간 설정 정보가 2분인 경우, 프로세서(110)는 식별된 3개의 하이라이트 구간 중 적어도 일부를 제거하여 하이라이트 컨텐츠를 생성할 수 있다. 이 경우, 식별된 3개의 하이라이트 구간 중 일부 제거되는 하이라이트 구간은, 각 구간에 대응하는 사용자 반응 데이터에 대한 의미 분석 및 정량 분석 중 적어도 하나에 기초한 것일 수 있다. 즉, 프로세서(110)는 식별된 3개의 하이라이트 구간 각각에 대응하는 복수의 사용자 반응 데이터에 대한 의미 분석 및 정량 분석의 결과에 기초하여 3개의 하이라이트 구간 중 적어도 일부를 제거한 하이라이트 컨텐츠를 생성할 수 있다. 예를 들어, 정량 분석의 결과 A 구간, B 구간 및 C 구간 각각에 대응하여 수신한 사용자 반응 데이터의 수 각각이 67, 35, 21인 경우, 프로세서(110)는 식별된 3개의 하이라이트 구간 중 사용자 반응 데이터의 수신이 가장 적은 구간인 C 구간(즉, 제 8 실시간 서브 컨텐츠에 대응하는 구간)을 제거하여 하이라이트 컨텐츠를 생성할 수 있다. 전술한 하나 이상의 하이라이트 구간, 사전 결정된 재생 시간 설정 정보 및 사용자 반응 데이터 수에 대한 구체적인 수치의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
다른 예를 들어, 제 2 실시간 컨텐츠에서 프로세서(110)에 의해 식별된 4개의 하이라이트 구간(예컨대, 제 2 실시간 서브 컨텐츠에 대응하는 D 구간, 제 4 실시간 서브 컨텐츠에 대응하는 E 구간, 제 5 실시간 서브 컨텐츠에 대응하는 F 구간 및 제 9 실시간 서브 컨텐츠에 대응하는 H 구간)의 재생 시간 정보가 4분(즉, 4개의 하이라이트 구간의 재생 시간의 총합이 4분)이며, 제 2 실시간 컨텐츠에 대한 사전 결정된 재생 시간 설정 정보가 5분인 경우, 프로세서(110)는 제 2 실시간 컨텐츠 중에서 식별된 4개의 하이라이트 구간 이외의 구간에서 보충 하이라이트 구간을 식별할 수 있다. 이 경우, 식별된 하이라이트 구간 이외의 구간에서 보충 하이라이트 구간으로 식별되는 구간은, 각 구간에 대응하는 사용자 반응 데이터에 대한 의미 분석 및 정량 분석 중 적어도 하나에 기초한 것일 수 있다. 즉, 프로세서(110)는 식별된 4개의 하이라이트 구간 각각에 대응하는 복수의 사용자 반응 데이터에 대한 의미 분석 및 정량 분석의 결과에 기초하여 보충 하이라이트 구간을 식별할 수 있다. 예를 들어, 식별된 4개의 하이라이트 구간 이외의 구간들 각각에 대응하는 사용자 반응 데이터의 정량 분석 결과, 식별된 4개의 하이라이트 구간 이외의 구간에서 사용자 반응 데이터의 수가 최대인 구간으로 제 1 실시간 서브 컨텐츠에 대응하는 A 구간으로 결정된 경우, 프로세서(110)는 A 구간을 보충 하이라이트 구간으로 식별하고, 그리고 보충 하이라이트 구간을 4개의 하이라이트 구간에 추가하여 하이라이트 컨텐츠를 생성할 수 있다. 이 경우, 보충 하이라이트 구간은 실시간 컨텐츠에서의 시점에 기초하여 4개의 하이라이트 구간에 추가될 수 있다. 즉, 프로세서(110)는 A 구간(즉, 제 1 실시간 서브 컨텐츠에 대응하는 구간), D 구간(제 2 실시간 서브 컨텐츠에 대응하는 구간), E 구간(제 4 실시간 서브 컨텐츠에 대응하는 구간), F 구간(제 5 실시간 서브 컨텐츠에 대응하는 구간) 및 H 구간(제 9 실시간 서브 컨텐츠에 대응하는 구간) 순으로 배치하여 하이라이트 컨텐츠를 생성할 수 있다. 전술한 하나 이상의 하이라이트 구간, 사전 결정된 재생 시간 설정 정보 및 사용자 반응 데이터 수에 대한 구체적인 수치의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
따라서, 프로세서(110)는 식별된 하이라이트 구간에서 특정 구간을 제거하거나 추가하여 하이라이트 컨텐츠를 생성할 수 있으므로, 사용자의 요구에 맞는 특정 재생 시간을 가지는 하이라이트 컨텐츠의 제작이 가능해질 수 있다. 즉, 실시간 컨텐츠에서 사용자가 원하는 재생 시간 길이에 대응하는 하이라이트 컨텐츠의 재생이 가능해지므로 하이라이트 영상을 제작하고자 하는 사용자의 편의성이 증대될 수 있다.
도 5는 본 개시의 일 실시예에 관련된 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력` 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 본 개시의 일 실시예와 관련된 하이라이트 컨텐츠를 생성하기 위한 순서도를 도시한다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신할 수 있다(510).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 반응 데이터에 대한 분석 결과에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별할 수 있다(520).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성할 수 있다(530).
전술한 도 ~의 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 7은 본 개시의 일 실시예와 관련된 하이라이트 컨텐츠 생성 방법을 구현하기 위한 로직을 도시한 도면이다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 다음과 같은 로직에 의해 구현될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하기 위한 로직(610), 사용자 반응 데이터에 대한 분석 결과에 기초하여 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하기 위한 로직(620) 및 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성하기 위한 로직(630)을 포함할 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터는, 상기 실시간 컨텐츠를 시청하는 사용자의 자연어 입력, 또는 액션 입력 중 적어도 하나에 기초하며, 각각의 사용자 반응 데이터는 상기 실시간 컨텐츠의 적어도 일부와 연관될 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 정보 중 적어도 하나에 대한 외부 반응 데이터를 수신하기 위한 로직 및 상기 실시간 컨텐츠에 대한 사용자 반응 데이터 및 상기 외부 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보와 연관하여 저장함으로써, 상기 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성하기 위한 로직을 더 포함할 수 있다.
대안적인 실시예에서, 상기 외부 반응 데이터는, 상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 중 적어도 하나에 대한 반응 데이터로, 상기 실시간 컨텐츠에 대한 사용자 반응 데이터와 상이한 채널을 통해 수신되는 데이터일 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠에 대한 사용자 반응 데이터 및 상기 외부 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보와 연관하여 저장함으로써, 상기 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성하기 위한 로직은, 상기 외부 반응 데이터에서, 상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 정보와 관련한 외부 서술 정보를 추출하고, 상기 사용자 반응 데이터에서 상기 실시간 컨텐츠 또는 상기 실시간 컨텐츠의 관계자 정보와 관련한 내부 서술 정보를 추출함으로써 상기 지식 베이스를 생성하기 위한 로직을 포함할 수 있다.
대안적인 실시예에서, 상기 지식 베이스는, 상기 실시간 컨텐츠의 관계자 각각에 대하여 생성되며, 상기 관계자 각각에 고유한 사용자 반응을 식별하기 위하여 사용되며, 상기 외부 서술 정보 또는 상기 내부 서술 정보에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 생성될 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하기 위한 로직은, 상기 사용자 반응 데이터에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하기 위한 로직을 포함할 수 있다.
대안적인 실시예에서, 상기 정량 분석은, 상기 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수에 적어도 부분적으로 기초하여 결정되는 임계값에 기초하여 수행될 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보에 대한 지식 베이스에 기초하여 전처리하기 위한 로직을 더 포함할 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터는, 상기 사용자 반응 데이터를 전송한 사용자 단말에 관련한 사용자 반응 사용자 식별 정보를 더 포함하고, 상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하기 위한 로직은, 상기 사용자 반응 사용자 식별 정보에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여하기 위한 로직 및 사용자 반응 데이터 각각에 부여된 가중치에 기초하여 상기 사용자 반응 데이터에 대한 분석 결과를 생성하고, 상기 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하기 위한 로직을 포함할 수 있다.
대안적인 실시예에서, 상기 사용자 반응 사용자 식별 정보에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여하기 위한 로직은, 상기 사용자 반응 데이터를 생성한 사용자의 실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율, 상기 사용자의 상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율 및 상기 사용자 반응 데이터의 지식 베이스에 대한 매칭률 중 적어도 하나에 기초하여 상기 각각의 사용자 반응 데이터에 대한 상기 가중치가 부여되기 위한 로직을 포함할 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율은, 상기 실시간 컨텐츠의 관계자에 관련하여 사전 제작된 하이라이트 컨텐츠에서 사용자 반응 데이터가 포함되는지 여부에 관한 정보이며, 상기 사전 제작된 하이라이트 컨텐츠에 포함된 사용자 반응 데이터에 대한 정량 분석 및 의미 분석 중 적어도 하나에 기초하여 산출될 수 있다.
대안적인 실시예에서, 상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율은, 상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 상기 하나 이상의 사용자 단말 각각의 참여 이력에 관한 정보로, 상기 매칭된 컨텐츠의 개수 및 상기 참여 이력에 기초하여 산출될 수 있다.
대안적인 실시예에서, 상기 사용자 반응 데이터의 지식 베이스에 대한 매칭률은, 상기 지식 베이스에 포함된 외부 서술 정보 및 내부 서술 정보 중 적어도 하나와 상기 사용자 반응 데이터의 유사도 판별에 기초하여 산출될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치를 구현하기 위한 로직은, 컴퓨팅 장치를 구현하기 위한 모듈, 회로 또는 수단에 의하여 구현될 수도 있다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
도 8은 본 개시의 일 실시예와 관련된 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 휘발성 및 비휘발성 매체, 이동식 및 비-이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하는 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리캐이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리캐이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리캐이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리캐이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 레이어 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 레이어 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 레이어 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

  1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 하이라이트 영상 자동 편집을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 상기 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하는 동작;
    상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작; 및
    상기 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  2. 제 1 항에 있어서,
    상기 사용자 반응 데이터는,
    상기 실시간 컨텐츠를 시청하는 사용자의 자연어 입력, 또는 액션 입력 중 적어도 하나에 기초하며, 각각의 사용자 반응 데이터는 상기 실시간 컨텐츠의 적어도 일부와 연관되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.

  3. 제 1 항에 있어서,
    상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 정보 중 적어도 하나에 대한 외부 반응 데이터를 수신하는 동작; 및
    상기 실시간 컨텐츠에 대한 사용자 반응 데이터 및 상기 외부 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보와 연관하여 저장함으로써, 상기 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  4. 제 3 항에 있어서,
    상기 외부 반응 데이터는,
    상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 중 적어도 하나에 대한 반응 데이터로, 상기 실시간 컨텐츠에 대한 사용자 반응 데이터와 상이한 채널을 통해 수신되는 데이터인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  5. 제 3 항에 있어서,
    상기 실시간 컨텐츠에 대한 사용자 반응 데이터 및 상기 외부 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보와 연관하여 저장함으로써, 상기 실시간 컨텐츠의 관계자에 대한 지식 베이스를 생성하는 동작은,
    상기 외부 반응 데이터에서, 상기 실시간 컨텐츠, 또는 상기 실시간 컨텐츠의 관계자 정보와 관련한 외부 서술 정보를 추출하고, 상기 사용자 반응 데이터에서 상기 실시간 컨텐츠 또는 상기 실시간 컨텐츠의 관계자 정보와 관련한 내부 서술 정보를 추출함으로써 상기 지식 베이스를 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  6. 제 5 항에 있어서,
    상기 지식 베이스는,
    상기 실시간 컨텐츠의 관계자 각각에 대하여 생성되며, 상기 관계자 각각에 고유한 사용자 반응을 식별하기 위하여 사용되며, 상기 외부 서술 정보 또는 상기 내부 서술 정보에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 생성되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  7. 제 1 항에 있어서,
    상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작은,
    상기 사용자 반응 데이터에 대한 의미 분석 또는 정량 분석 중 적어도 하나에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  8. 제 7 항에 있어서,
    상기 정량 분석은,
    상기 실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말의 수에 적어도 부분적으로 기초하여 결정되는 임계값에 기초하여 수행되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  9. 제 1 항에 있어서,
    상기 사용자 반응 데이터를 상기 실시간 컨텐츠의 관계자 정보에 대한 지식 베이스에 기초하여 전처리하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  10. 제 1 항에 있어서,
    상기 사용자 반응 데이터는, 상기 사용자 반응 데이터를 전송한 사용자 단말에 관련한 사용자 반응 사용자 식별 정보를 더 포함하고,
    상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작은,
    상기 사용자 반응 사용자 식별 정보에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여하는 동작; 및
    사용자 반응 데이터 각각에 부여된 가중치에 기초하여 상기 사용자 반응 데이터에 대한 분석 결과를 생성하고, 상기 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  11. 제 10 항에 있어서,
    상기 사용자 반응 사용자 식별 정보에 기초하여 각각의 사용자 반응 데이터에 대한 가중치를 부여하는 동작은,
    상기 사용자 반응 데이터를 생성한 사용자의 실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율, 상기 사용자의 상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율 및 상기 사용자 반응 데이터의 지식 베이스에 대한 매칭률 중 적어도 하나에 기초하여 상기 각각의 사용자 반응 데이터에 대한 상기 가중치가 부여되는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  12. 제 11 항에 있어서,
    상기 실시간 컨텐츠에 대한 하이라이트 구간 예측 기여율은,
    상기 실시간 컨텐츠의 관계자에 관련하여 사전 제작된 하이라이트 컨텐츠에서 사용자 반응 데이터가 포함되는지 여부에 관한 정보이며, 상기 사전 제작된 하이라이트 컨텐츠에 포함된 사용자 반응 데이터에 대한 정량 분석 및 의미 분석 중 적어도 하나에 기초하여 산출되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  13. 제 11 항에 있어서,
    상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 시청 기여율은,
    상기 실시간 컨텐츠의 관계자 정보와 매칭된 컨텐츠에 대한 상기 하나 이상의 사용자 단말 각각의 참여 이력에 관한 정보로, 상기 매칭된 컨텐츠의 개수 및 상기 참여 이력에 기초하여 산출되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  14. 제 11 항에 있어서,
    상기 사용자 반응 데이터의 지식 베이스에 대한 매칭률은,
    상기 지식 베이스에 포함된 외부 서술 정보 및 내부 서술 정보 중 적어도 하나와 상기 사용자 반응 데이터의 유사도 판별에 기초하여 산출되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  15. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 하이라이트 영상을 자동 편집하는 방법으로,
    실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 상기 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하는 단계;
    상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하는 단계; 및
    상기 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 하이라이트 영상을 자동 편집하는 방법.
  16. 하이라이트 영상을 자동 편집하는 서버로서,
    하나 이상의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
    사용자 단말 및 외부 서버와 데이터를 송수신하는 네트워크부;
    를 포함하고, 그리고
    상기 프로세서는,
    실시간 컨텐츠를 시청하는 하나 이상의 사용자 단말로부터 상기 실시간 컨텐츠에 대한 하나 이상의 사용자 반응 데이터를 수신하고,
    상기 사용자 반응 데이터에 대한 분석 결과에 기초하여 상기 실시간 컨텐츠에서 하나 이상의 하이라이트 구간을 식별하고, 그리고
    상기 하나 이상의 하이라이트 구간에 기초하여 하이라이트 컨텐츠를 생성하는,
    하이라이트 영상을 자동 편집하는 서버.
KR1020190163539A 2019-12-10 2019-12-10 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램 KR102286638B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190163539A KR102286638B1 (ko) 2019-12-10 2019-12-10 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램
PCT/KR2020/014636 WO2021118050A1 (ko) 2019-12-10 2020-10-26 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190163539A KR102286638B1 (ko) 2019-12-10 2019-12-10 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20210073077A true KR20210073077A (ko) 2021-06-18
KR102286638B1 KR102286638B1 (ko) 2021-08-05

Family

ID=76330510

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190163539A KR102286638B1 (ko) 2019-12-10 2019-12-10 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR102286638B1 (ko)
WO (1) WO2021118050A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102593762B1 (ko) * 2023-05-23 2023-10-26 주식회사 스푼라디오 보이스 인식 기반의 라이브 인터넷 방송에 대한 하이라이트 콘텐츠를 생성하는 방법 및 이를 위한 서버

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230126907A (ko) 2022-02-24 2023-08-31 명지대학교 산학협력단 연합학습을 이용한 비디오 영상의 특정 구간 추출 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100085720A (ko) 2009-01-21 2010-07-29 삼성전자주식회사 하이라이트 영상 구성 방법 및 장치
KR101867082B1 (ko) * 2017-08-23 2018-06-12 서울과학기술대학교 산학협력단 하이라이트 영상 생성 장치 및 방법
KR101957807B1 (ko) * 2018-05-30 2019-03-14 (주) 비투아이 다인칭 시점의 sns 라이브 방송을 위한 오디오 중계 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101587926B1 (ko) * 2013-09-12 2016-01-25 엠랩 주식회사 스트리밍 동영상에 대한 코멘트 태깅 시스템 및 그 제공방법
KR101777242B1 (ko) * 2015-09-08 2017-09-11 네이버 주식회사 동영상 컨텐츠의 하이라이트 영상을 추출하여 제공하는 방법과 시스템 및 기록 매체
KR102528976B1 (ko) * 2016-08-11 2023-05-03 한화비전 주식회사 실시간 시청자 반응을 전달하는 방송 서비스 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100085720A (ko) 2009-01-21 2010-07-29 삼성전자주식회사 하이라이트 영상 구성 방법 및 장치
KR101867082B1 (ko) * 2017-08-23 2018-06-12 서울과학기술대학교 산학협력단 하이라이트 영상 생성 장치 및 방법
KR101957807B1 (ko) * 2018-05-30 2019-03-14 (주) 비투아이 다인칭 시점의 sns 라이브 방송을 위한 오디오 중계 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102593762B1 (ko) * 2023-05-23 2023-10-26 주식회사 스푼라디오 보이스 인식 기반의 라이브 인터넷 방송에 대한 하이라이트 콘텐츠를 생성하는 방법 및 이를 위한 서버

Also Published As

Publication number Publication date
WO2021118050A1 (ko) 2021-06-17
KR102286638B1 (ko) 2021-08-05

Similar Documents

Publication Publication Date Title
Géron Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow
CN112104919B (zh) 基于神经网络的内容标题生成方法、装置、设备、和计算机可读存储介质
CN112749326B (zh) 信息处理方法、装置、计算机设备及存储介质
KR102354592B1 (ko) 스트리밍 데이터 기반 영상 편집점 추천 방법, 서버 및 컴퓨터프로그램
CN111444357B (zh) 内容信息确定方法、装置、计算机设备及存储介质
KR102444457B1 (ko) 단어 그래프를 이용한 대화의 요약 생성 방법
CN112328849A (zh) 用户画像的构建方法、基于用户画像的对话方法及装置
KR102465571B1 (ko) 문서 데이터의 주제어 분류를 수행하는 기법
US11849160B2 (en) Image analysis system
KR102340486B1 (ko) 신경망을 이용한 음성 변환 방법 및 장치
KR102286638B1 (ko) 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램
KR102478076B1 (ko) 음성 인식 오류 검출을 위해 학습 데이터를 생성하기 위한 방법
KR102354593B1 (ko) 사용자 데이터베이스 구축과 머신러닝을 통한 영상 편집 타입 구분 및 편집점 추천 알고리즘 고도화 방법, 서버 및 컴퓨터프로그램
CN111753126A (zh) 用于视频配乐的方法和装置
JP2024012152A (ja) テキスト情報の中からターゲット単語と対応する単語を識別する方法（ｍｅｔｈｏｄ ｆｏｒ ｉｄｅｎｔｉｆｙ ａ ｗｏｒｄ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ａ ｔａｒｇｅｔ ｗｏｒｄ ｉｎ ｔｅｘｔ ｉｎｆｏｒｍａｔｉｏｎ）
JP2007233515A (ja) 情報処理装置および情報処理方法、提供装置および提供方法、並びにプログラム
KR102486119B1 (ko) 피드백 정보를 이용한 음성 인식 방법
CN116127003A (zh) 文本处理方法、装置、电子设备及存储介质
CN113868541A (zh) 推荐对象确定方法、介质、装置和计算设备
KR102425239B1 (ko) 사용자 데이터 기반 딥러닝을 통한 추천 편집점 정교화 방법, 서버 및 컴퓨터프로그램
KR102600960B1 (ko) 영상 콘텐츠 공유 서비스를 제공하기 위한 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
KR102497436B1 (ko) 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법
JP7333490B1 (ja) 音声信号に関連するコンテンツを決定する方法、コンピューター可読保存媒体に保存されたコンピュータープログラム及びコンピューティング装置
KR102661431B1 (ko) 분류된 고객 음성 피드백을 생성하는 방법
KR102537165B1 (ko) 음성 인식 결과 및 참조 데이터로부터 중요 부분을 결정하고 연계하는 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right