KR20210089430A - 간접광고를 포함한 뉴스 기사 생성 시스템 및 방법 - Google Patents

간접광고를 포함한 뉴스 기사 생성 시스템 및 방법 Download PDF

Info

Publication number
KR20210089430A
KR20210089430A KR1020200002588A KR20200002588A KR20210089430A KR 20210089430 A KR20210089430 A KR 20210089430A KR 1020200002588 A KR1020200002588 A KR 1020200002588A KR 20200002588 A KR20200002588 A KR 20200002588A KR 20210089430 A KR20210089430 A KR 20210089430A
Authority
KR
South Korea
Prior art keywords
advertisement
news article
article
paragraph
original
Prior art date
Application number
KR1020200002588A
Other languages
English (en)
Other versions
KR102413174B1 (ko
Inventor
임준호
김현기
김민호
김현
류지희
배경만
배용진
임수종
장명길
허정
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020200002588A priority Critical patent/KR102413174B1/ko
Priority to US17/101,779 priority patent/US20210209638A1/en
Publication of KR20210089430A publication Critical patent/KR20210089430A/ko
Application granted granted Critical
Publication of KR102413174B1 publication Critical patent/KR102413174B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0246—Traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0273—Determination of fees for advertising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0276—Advertisement creation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 간접광고를 포함한 뉴스 기사 생성 시스템에 관한 것으로, 광고 항목과 광고 항목에 매칭되는 텍스트로 이루어진 간접광고를 포함하고 있는 광고 데이터베이스; 웹 페이지에 노출시키고자 하는 텍스트 형태의 원본 뉴스 기사가 입력되면, 원본 뉴스 기사와 매칭되는 간접광고 후보를 데이터베이스로부터 탐색하여 광고 후보 목록을 선택하는 광고 탐색부; 선택된 광고가 삽입되기 위한 원본 뉴스 기사의 단락을 판단하는 광고 위치 판단부; 및 선택된 광고를 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스 기사를 생성하고, 생성된 뉴스를 노출시키는 광고 문구 생성부를 포함한다.

Description

간접광고를 포함한 뉴스 기사 생성 시스템 및 방법{News article generation system and method including indirect advertising}
본 발명은 간접광고를 포함한 뉴스 기사 생성 시스템 및 방법에 관한 것으로, 더욱 상세하게는 뉴스 기사 본문 중간에 간접광고를 포함시키는 시스템 및 방법에 관한 것이다.
종래 뉴스 분야 광고 방법으로는 뉴스 기사의 분야와 관련된 광고 이미지를 기사 내용 이외의 영역에 가시화 하는 방법을 사용하였다.
예를 들어, 도 1에 도시된 바와 같이, 관련 광고를 삽입하는 영역은 일부 광고 고정 영역을 별도로 마련하고, 해당 고정 광고 영역에 기설정된 광고를 삽입하는 방식이 주를 이루고 있다.
이러한, 종래 뉴스 분야 광고 방법은 뉴스 기사의 외부에 광고 이미지를 게시하여 관심이 있는 사용자가 해당 이미지를 클릭하는 방식으로, 광고 클릭율이 낮다는 문제점이 있다.
본 발명은 종래 문제점을 해결하기 위해 안출된 것으로, 노출되는 뉴스 기사에 어울리는 간접광고를 탐색하고, 탐색된 광고를 뉴스 기사의 임의 단락에 삽입하여 뉴스와 간접광고가 하나의 뉴스로 노출시켜 간접광고의 효과를 향상시킬 수 있는 간접광고를 포함한 뉴스 기사 생성 시스템에 관한 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 간접광고를 포함한 뉴스 기사 생성 시스템은 광고 항목과 광고 항목에 매칭되는 텍스트로 이루어진 간접광고를 포함하고 있는 광고 데이터베이스; 웹 페이지에 노출시키고자 하는 텍스트 형태의 원본 뉴스 기사가 입력되면, 원본 뉴스 기사와 매칭되는 간접광고 후보를 상기 데이터베이스로부터 탐색하여 광고 후보 목록을 선택하는 광고 탐색부; 상기 선택된 광고가 삽입되기 위한 원본 뉴스 기사의 단락을 판단하는 광고 위치 판단부; 및 선택된 광고를 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스 기사를 생성하고, 생성된 뉴스를 노출시키는 광고 문구 생성부를 포함한다.
상기 광고 탐색부는, 입력되는 상기 기사의 분야를 분류한 후, 간접광고 항목 중 단가, 이전 노출 통계, 이전 클릭 통계 중 하나 이상의 기준으로 광고 정책에 따라 광고 후보를 선택한다.
상기 광고 탐색부는, 대용량 텍스트로부터 사전에 학습한 언어모델로, 대용량 말뭉치로부터 P(x1, …, xN)의 확률을 최대화하는 딥러닝 모델을 이용하여 광고 후보를 목록으로 선택한다.
상기 광고 탐색부는 “cross_entropy(정답 분야 벡터 | 기사 텍스트)” loss를 이용하여 기사의 분야 분류 모델 학습을 수행하여 사후 학습을 수행하고, 평가 시에는 output 분야 벡터 중 일정 threshold 이상의 분야 값을 인식 결과로 사용한다.
상기 광고 위치 판단부는, 상기 선택된 광고가 원본 뉴스 기사의 단락 사이에 삽입 시, 사후 학습 모델을 이용하여 이전 원문 뉴스 기사의 단락과 광고간 유사성을 예측한다.
그리고 상기 광고 위치 판단부는, 특정 확률(α%)로 동일 기사 내에서 연속된 문장열을 “문장열#1 <구분자> 문장열#2”와 같이 구성하고, 타겟 변수로 “이어짐=True”를 학습하고, 특정 확률(1-α%)로 문장열#1과 문장열#2를 다른 문서에서 추출하고, “문장열#1 <구분자> 문장열#2”와 같이 구성하며, 타겟 변수로 “이어짐=False”를 학습하여 사후 학습을 수행한다.
또한 상기 광고 위치 판단부는, 광고 기사를 삽입하고자 하는 원본 뉴스 기사의 해당 단락에서 “문장열#1”로 추출하고, 광고 기사의 텍스트를 “문장열#2”로 추출하여, “문장열#1 <구분자> 문장열#2”의 문장열 쌍을 구성한 후 “이어짐=True”의 확률 값을 해당 단락의 광고 문장 예측 스코어(score)로 활용한다.
그리고 상기 광고 위치 판단부는, 원본 뉴스 기사 단락의 다음에 광고 기사가 삽입될 확률을 계산하는 모델로, 광고 기사가 원본 뉴스 기사보다 먼저 등장하는 경우에는 후보로 상기 단락 별 광고 문장 예측을 고려하지 않는다.
또한 상기 광고 위치 판단부는, 원본 뉴스 기사의 각 단락 별 광고 기사 예측 score 벡터에 대해서, softmax 함수를 적용하여, 각 단락 별 개별적인 score를 문서 단위의 확률 분포로 계산한다.
한편 상기 단락 별 광고 문장 예측은, 상위 N개의 단락 위치를 “n-best 삽입 위치”로 출력한다.
상기 광고 문구 생성부는, 딥러닝 언어모델을 기반으로 원본 뉴스 기사의 이전 단락과 텍스트로 이루어진 간접광고를 기반으로 삽입하려고 하는 광고 문구를 생성한다.
한편 상기 광고 문구 생성부는, 사전 학습 언어모델에 뉴스/광고 텍스트 대상 다음 단어 예측 타스크(task)를 수행한 언어 모델을 기반으로 동작하고, 다음 단어 예측 타스크 : P(현재 단어 | 이전 단어 열) 학습한다.
또한 상기 광고 문구 생성부는 원본 뉴스 기사의 이전 단락 텍스트와 광고 대상 텍스트를 입력하고, 출력 대상 광고 문구를 단어 단위로 순차적으로 예측하는 방법을 적용하여 생성한다.
그리고 상기 광고 문구 생성부는, 최대 K개의 후보를 생성하는 beam-search를 적용하고, 각 광고 문구는 최대 N개의 단어를 넘지 않도록 한다.
또한 상기 광고 문구 생성부는, 복수개의 삽입 위치 별 광고문구 생성 결과를 기반으로 최종 광고문구를 선정하고, 각 기사 및 광고후보 별 광고문구를 선정한다.
그리고 상기 광고 문구 생성부는, 하기의 [수학식 1]을 통해 최종 광고문구 선정을 위한 스코어를 산출한다.
[수학식 1]
P(단락위치 | 원본뉴스기사, 간접광고대상텍스트) X P(생성광고문구 | 원본뉴스기사, 단락위치, 간접광고대상텍스트)
한편, 광고 탐색부, 광고 위치 판단부, 광고 문구 생성부는 대용량 말뭉치로부터 문장 x1, …, xN의 확률인 P(x1, …, xN)를 최대화하는 사전학습 딥러닝 언어모델을 사후학습하는 방법을 이용한다.
본 발명의 일 실시예에 따른 간접광고를 포함한 뉴스 기사 생성 방법은 노출시키고자 하는 텍스트 형태의 원본 뉴스 기사를 입력받는 단계; 원본 뉴스 기사와 매칭되는 간접광고 후보를 데이터베이스로부터 탐색하여 광고 후보 목록을 선택하는 단계; 상기 선택된 광고가 삽입되기 위한 원본 뉴스 기사의 단락을 선택하는 단계; 및 상기 선택된 광고를 상기 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스 기사를 생성하여 노출시키는 단계;를 포함한다.
상기 광고 후보 목록을 선택하는 단계는, 원본 뉴스 기사에서 분야를 분류하는 단계; 분류된 분야별 광고 후보를 탐색하는 단계; 및 탐색된 광고 후보 목록을 생성하는 단계를 포함한다.
또한 상기 원본 뉴스 기사의 단락을 선택하는 단계는, 원본 뉴스 기사의 단락 별 상기 선택된 광고 삽입 시, 상기 원본 뉴스 기사의 이전 단락과 상기 선택된 광고와의 유사도를 계산하는 단계; 및 상기 계산된 유사도를 기준으로 선택된 광고가 삽입되기 위한 상기 원본 뉴스 기사의 단락을 결정하는 단계;를 포함한다.
그리고 상기 광고가 포함된 뉴스 기사를 생성하는 단계는, 광고를 삽입하고자 하는 원본 뉴스 기사의 단락별 광고 문구를 생성하는 단계; 상기 생성된 광고가 삽입된 상기 원본 뉴스 기사의 각 단락별 유사도 스코어를 산출하는 단계; 및 산출된 각 단락별 유사도 스코어에 따른 생성된 광고를 해당 원본 뉴스 기사의 단락에 삽입하여 간접광고가 포함된 상기 뉴스 기사를 생성하는 단계를 포함한다.
본 발명의 일 실시예에 따르면, 뉴스 기사의 임의 단락에 뉴스 기사와 어울리는 관련 광고 텍스트를 삽입함으로써, 뉴스를 읽는 구독자가 뉴스를 구독하는 도중 광고를 클릭할 수 있는 확률을 높일 수 있는 효과가 있다.
또한, 본 발명일 실시예에 따르면, 동일한 기사에 대해서 각 광고 대상별로 서로 다른 위치에 광고 텍스트를 삽입하고, 원본 기사의 문맥에 자연스러운 광고 텍스트를 삽입할 수 있게 됨으로써, 광고의 효과를 극대화할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 간접광고를 포함한 뉴스 기사 생성 시스템을 설명하기 위한 기능블럭도.
도 2는 본 발명의 일 실시예에 따른 간접광고를 포함한 뉴스 기사 생성 방법을 설명하기 위한 순서도.
도 3은 도 2의 후보 목록 생성을 위한 단계(S200)를 설명하기 위한 순서도.
도 4는 도 2의 광고 삽입 단락을 선택하는 단계(S300)를 설명하기 위한 순서도.
도 5는 도 2의 광고가 포함된 뉴스 기사를 생성하는 단계(S400)를 설명하기 위한 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 일 실시예에 따른 간접광고를 포함한 뉴스 기사 생성 시스템을 설명하기 위한 기능블럭도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 간접광고를 포함한 뉴스 기사 생성 시스템은 광고 데이터베이스(100), 광고 탐색부(200), 광고 위치 판단부(300) 및 광고 문구 생성부(400)를 포함한다.
광고 데이터베이스(100)는 광고 항목과 광고 항목에 매칭되는 텍스트로 이루어진 간접광고가 저장된다.
이러한 광고 데이터베이스(100)에는 하기의 <표 1>에서와 같이, 광고 ID, 광고 기업, 제품, 단가, 분야 및 간접광고 대상 텍스트 정보가 매칭되어 저장되는 것이 바람직하다.
Figure pat00001
그리고 광고 탐색부(200)는 웹 페이지에 노출시키고자 하는 텍스트 형태의 원본 뉴스 기사가 입력되면, 원본 뉴스 기사와 매칭되는 간접광고 후보를 광고 데이터베이스(100)로부터 탐색하여 광고 후보 목록을 선택한다. 여기서, 광고 탐색부(200)는 상위 n개의 광고 후보를 탐색한다.
이와 같이, 광고 위치 판단부(300)는 광고 후보 목록이 선택되면, 선택된 광고가 삽입되기 위한 원본 뉴스 기사의 단락을 판단한다.
그리고 광고 문구 생성부(400)는 선택된 광고를 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스 기사를 생성하고, 생성된 뉴스를 노출시킨다.
이러한 본 발명의 일 실시예에 따르면, 원본 뉴스 기사, 원본 뉴스 기사에 관련된 간접 광고를 분석하여 선택하고, 선택된 간접광고를 원본 뉴스 기사의 단락에 포함시켜 제공함으로써, 뉴스와 광고간의 이질성을 제거하는 동시에 광고의 클릭율을 높일 수 있는 효과가 있다.
한편, 본 발명의 일 실시예에 따른 광고 탐색부(200)는 기사-분야 학습 데이터를 이용하여 사후 학습(fine-tuning)한 모델을 기반으로 동작하는 것이 바람직하다. 이에, 광고 탐색부(200)는 사후 학습 시, “cross_entropy(정답 분야 벡터 | 기사 텍스트)” loss를 이용하여 기사의 분야 분류 모델 학습을 수행하고, 평가 시에는 output 분야 벡터 중 일정 threshold 이상의 분야 값을 인식 결과로 사용한다. 여기서, 사전 학습 언어모델은 대용량 텍스트로부터 사전에 학습한 언어모델로, 대용량 말뭉치로부터 P(x1, …, xN)의 확률을 최대화하는 딥러닝 모델인 것이 바람직하다.
반면에, 광고 탐색부(200)는 단가, 이전 노출 통계, 이전 클릭 통계 중 하나 이상의 기준으로 광고 정책에 따라 선택할 수도 있다.
한편, 광고 위치 판단부(300)는 선택된 광고를 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스를 웹 페이지에 노출시킨다. 이때, 광고 위치 판단부(300)는 선택된 광고가 원본 뉴스 기사의 단락 사이에 삽입 시, 이전 단락과의 자연스러운 정도를 측정하는 모델을 이용한다. 이때, 광고 위치 판단부는 사전 학습 언어모델을 이용할 수 있다.
따라서, 광고 위치 판단부(300)는 사전 학습 언어모델에 “문장열 쌍” 학습데이터를 이용하여 사후 학습한 모델을 기반으로 동작한다. 여기서, 사후 학습 방법은 특정 확률(α%)로 동일 시가 내에서 연속된 문장열을 “문장열#1 <구분자> 문장열#2”와 같이 구성하고, 타겟 변수로 “이어짐=True”를 학습하고, 특정 확률(1-α%)로 문장열#1과 문장열#2를 다른 문서에서 추출하고, “문장열#1 <구분자> 문장열#2”와 같이 구성하며, 타겟 변수로 “이어짐=False”를 학습한다.
그에 반해, 팡가하는 방법은 원본 뉴스 기사의 해당 단락을 “문장열#1”로 추출하고, 광고 기사의 텍스트를 “문장열#2”로 추출하여, “문장열#1 <구분자> 문장열#2”의 문장열 쌍을 구성한 후 “이어짐=True”의 확률 값을 해당 단락의 광고 문장 예측 스코어(score)로 활용한다.
여기서, 단락 별 광고 문장 예측은 원본 뉴스 기사 단락의 다음에 광고 기사가 삽입될 확률을 계산하는 모델로, 광고 기사가 원본 뉴스 기사보다 먼저 등장하는 경우에는 후보로 고려하지 않는다.
더하여, 광고 위치 판단부(300)는 문서 별 n-nest 광고 삽입 위치를 판단하는 방법을 이용할 수도 있다. 여기서, 문서 별 n-nest 광고 삽입 위치를 판단하는 방법은 원본 뉴스 기사의 각 단락 별 광고 기사 예측 score 벡터에 대해서, softmax 함수를 적용하여, 각 단락 별 개별적인 score를 문서 단위의 확률 분포로 계산한다. 이때, 상위 N개의 단락 위치를 “n-best 삽입 위치”로 출력하는 것이 바람직하다.
한편, 본 발명의 일 실시예에 따른 광고 문구 생성부(400)는 딥러닝 언어모델을 기반으로 원본 뉴스 기사의 이전 단락과 텍스트로 이루어진 간접광고를 기반으로 삽입하려고 하는 광고 문구를 생성한다.
이때, 광고 문구 생성부(400)는 사전 학습 언어모델에 뉴스/광고 텍스트 대상 다음 단어 예측 타스크(task)를 수행한 언어 모델을 기반으로 동작하고, 다음 단어 예측 타스크 : P(현재 단어 | 이전 단어 열) 학습할 수 있다.
그리고 광고 문구 생성부(400)는 원본 뉴스 기사의 이전 단락 텍스트와 광고 대상 텍스트를 입력하고, 출력 대상 광고 문구를 단어 단위로 순차적으로 예측하는 방법을 적용하여 생성한다.
또한 광고 문구 생성부(400)는 최대 K개의 후보를 생성하는 beam-search를 적용하고, 각 광고 문구는 최대 N개의 단어를 넘지 않도록 한다.
그리고 광고 문구 생성부(400)는, 복수개의 삽입 위치 별 광고문구 생성 결과를 기반으로 최종 광고문구를 선정하고, 각 기사 및 광고후보 별 광고문구를 선정한다.
이러한 광고 문구 생성부(400)는 [수학식 1]을 통해 최종 광고문구 선정을 위한 스코어를 산출한다.
Figure pat00002
본 발명의 광고 탐색부, 광고 위치 판단부, 광고 문구 생성부는 대용량 말뭉치로부터 문장 x1, …, xN의 확률인 P(x1, …, xN)를 최대화하는 사전학습 딥러닝 언어모델을 사후학습하는 방법을 이용 하는 것이 바람직하다.
<원본 기사>
서울 낡은 경유차는 주차도 불이익

??
서울시는 우선주차 대상 선정 시 친환경차량을 우대한다. 25개 자치구별로 배출가스 1등급 차량을 우선 배정하는 ‘배정순위 상향방식’ 또는 우선 주차 전체 평가점수에서 가점을 주는 방식을 시행한다. 배출가스 1등급 차량은 전기차와 수소차, 일부 친환경 휘발유 액화석유가스(LPG) 차량으로 구성된다. 경유차는 1등급에 해당하지 않는다.
서울시는 배출가스 5등급인 ‘공해차량’에는 주차 불이익을 준다. 이런 차량은 대부분 2005년 이전에 제작된 노후 경유차다. 국내 차량의 약 10%(247만대)를 차지하고 있는 것으로 추산된다.
??
<간접광고 포함 기사>서울 낡은 경유차는 주차도 불이익
??
서울시는 우선주차 대상 선정 시 친환경차량을 우대한다. 25개 자치구별로 배출가스 1등급 차량을 우선 배정하는 ‘배정순위 상향방식’ 또는 우선 주차 전체 평가점수에서 가점을 주는 방식을 시행한다. 배출가스 1등급 차량은 전기차와 수소차, 일부 친환경 휘발유 액화석유가스(LPG) 차량으로 구성된다. 경유차는 1등급에 해당하지 않는다.

르노삼성은 지난 17일 자사의 간판 중형 SUV QM6의 부분변경 모델을 3년 만에 내놨다.　가장 관심을 끄는 LPG 모델 ‘더 뉴 QM6 LPe'로, 정부가 지난 3월 26일부터 LPG 차량 규제를 완화하면서 일반인도 LPG 차량을 구매할 수 있게 됐다. QM6 LPe 모델의 가장 큰 장점은 경제성으로, LPG 가격은 휘발유의 56% 수준이다. <르노삼성 QM6 LPG 링크>
서울시는 배출가스 5등급인 ‘공해차량’에는 주차 불이익을 준다. 이런 차량은 대부분 2005년 이전에 제작된 노후 경유차다. 국내 차량의 약 10%(247만대)를 차지하고 있는 것으로 추산된다.
<원본 기사>
기아차, 상반기 영업익 71%↑…환차익·통상임금 환입

…
상대적으로 판매호조를 보였던 현지 전략형 준중형　SUV　즈파오, 소형　SUV　이파오, 신형 K3의 판매에 힘을 기울이는 한편, 셀토스도 투입해 판매 회복을 추진한다.
회사 관계자는 "불확실한 경영환경에서 지속성장 가능성에 초점을 두고, 미래를 위한 효율적인 투자를 포함해 향후 기아차의 전반적인 기업 경쟁력 강화에 집중함으로써 기업가치 및 주주가치를 제고할 것"이라고 전했다
<간접광고 포함 기사>기아차, 상반기 영업익 71%↑…환차익·통상임금 환입

…
상대적으로 판매호조를 보였던 현지 전략형 준중형　SUV　즈파오, 소형　SUV　이파오, 신형 K3의 판매에 힘을 기울이는 한편, 셀토스도 투입해 판매 회복을 추진한다.
회사 관계자는 "불확실한 경영환경에서 지속성장 가능성에 초점을 두고, 미래를 위한 효율적인 투자를 포함해 향후 기아차의 전반적인 기업 경쟁력 강화에 집중함으로써 기업가치 및 주주가치를 제고할 것"이라고 전했다

한편, 미래에셋대우는 이달부터 신규 다이렉트 비대면 고객을 대상으로 국내 주식 온라인 거래 수수료 평생 무료 혜택(유관기관 제비용 제외)과 최대 2만원의 혜택을 주는 이벤트를 8월 30일까지 진행한다고 밝혔다. <미래에셋대우이벤트 링크>
<원본 기사>
기아차, 상반기 영업익 71%↑…환차익·통상임금 환입

…
상대적으로 판매호조를 보였던 현지 전략형 준중형　SUV　즈파오, 소형　SUV　이파오, 신형 K3의 판매에 힘을 기울이는 한편, 셀토스도 투입해 판매 회복을 추진한다.
회사 관계자는 "불확실한 경영환경에서 지속성장 가능성에 초점을 두고, 미래를 위한 효율적인 투자를 포함해 향후 기아차의 전반적인 기업 경쟁력 강화에 집중함으로써 기업가치 및 주주가치를 제고할 것"이라고 전했다.
<간접광고 포함 기사>기아차, 상반기 영업익 71%↑…환차익·통상임금 환입

…
상대적으로 판매호조를 보였던 현지 전략형 준중형　SUV　즈파오, 소형　SUV　이파오, 신형 K3의 판매에 힘을 기울이는 한편, 셀토스도 투입해 판매 회복을 추진한다.
기아차는 7월 18일 소형 SUV 셀토스를 출시하였다. 셀토스는 전방충돌방지보조나 차로유지보조 등 능동형운전자보조시스템(ADAS) 등 첨단 안전 사양을 대거 기본으로 적용했다.　 셀토스의 디자인은 정통 SUV를 현대적 감각으로 재해석해 볼륨감을 강조한 외관과 고급스러움이 더해진 실내로 마무리됐다. 국내 판매 가격은 트림별 모델에 따라 1929만~2636만원 수준이다.　<기아 셀토스 링크>

회사 관계자는 "불확실한 경영환경에서 지속성장 가능성에 초점을 두고, 미래를 위한 효율적인 투자를 포함해 향후 기아차의 전반적인 기업 경쟁력 강화에 집중함으로써 기업가치 및 주주가치를 제고할 것"이라고 전했다.
본 발명의 일 실시예에 따르면, 뉴스 기사의 임의 단락에 뉴스 기사와 어울리는 관련 광고 텍스트를 삽입함으로써, 뉴스를 읽는 구독자가 뉴스를 구독하는 도중 광고를 클릭할 수 있는 확률을 높일 수 있는 효과가 있다.
또한, 본 발명일 실시예에 따르면, 동일한 기사에 대해서 각 광고 대상별로 서로 다른 위치에 광고 텍스트를 삽입하고, 원본 기사의 문맥에 자연스러운 광고 텍스트를 삽입할 수 있게 됨으로써, 광고의 효과를 극대화할 수 있는 장점이 있다.
이러한 본 발명은 뉴스 기사 본문 내에 광고 문구를 삽입하는 기술에 관한 것으로, 실제 서비스에 활용 시, 실시간으로 임의의 광고 기사를 삽입하는 방식으로도 적용이 가능하고, 뉴스 기사 별로 사전에 광고 포함 기사를 미리 생성하여 저장하는 방식으로도 적용이 가능하다.
또한, 본 발명은 뉴스 본문 텍스트 중간에 광고 문구를 삽입하는 방법에 대해 기술하였으나, 복수 개의 광고 텍스트를 삽입하는 방법 및 광고 문구와 연계된 광고 이미지 삽입하는 방법으로도 쉽게 확장이 가능하다.
이하, 하기에서는 본 발명의 일 실시예에 따른 간접광고를 포함한 뉴스 기사 생성 방법에 대하여 도 2를 참조하여 설명하기로 한다.
먼저, 노출시키고자 하는 텍스트 형태의 원본 뉴스 기사를 입력받는다(S100).
이어서, 원본 뉴스 기사와 매칭되는 간접광고 후보를 데이터베이스로부터 탐색하여 광고 후보 목록을 선택한다(S200).
한편 상기 광고 후보 목록을 선택하는 단계(S200)에 대하여 도 3을 참조하여 상세히 설명하기로 한다.
먼저, 원본 뉴스 기사에서 분야를 분류한다(S210).
이후, 광고 항목과 광고 항목에 매칭되는 텍스트로 이루어진 간접광고가 저장된 광고 데이터베이스(100)에서 분류된 분야별 광고 후보를 탐색한다(S220).
이어서, 탐색된 광고 후보 목록을 생성한다(S230).
이후, 상기 선택된 광고가 삽입되기 위한 원본 뉴스 기사의 단락을 선택한다(S300).
한편, 상기 원본 뉴스 기사의 단락을 선택하는 단계(S300)에 대하여 도 4를 참조하여 상세히 설명하기로 한다.
먼저, 원본 뉴스 기사의 단락 별 상기 선택된 광고 삽입 시, 원본 뉴스 기사의 이전 단락과 선택된 광고와의 유사도를 계산한다(S310).
그리고 상기 계산된 유사도를 기준으로 선택된 광고가 삽입되기 위한 상기 원본 뉴스 기사의 단락을 결정한다(S320).
이어서, 선택된 광고를 상기 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스 기사를 생성하여 노출시킨다(S400).
하기에서는 상기 광고가 포함된 뉴스 기사를 생성하는 단계(S400)에 대하여 도 5를 참조하여 상세히 설명하기로 한다.
먼저, 광고를 삽입하고자 하는 원본 뉴스 기사의 단락별 광고 문구를 생성한다(S410)
이어서, 생성된 광고가 삽입된 상기 원본 뉴스 기사의 각 단락별 유사도 스코어를 산출한다(S420).
산출된 각 단락별 유사도 스코어에 따른 생성된 광고를 해당 원본 뉴스 기사의 단락에 삽입하여 간접광고가 포함된 상기 뉴스 기사를 생성한다(S430).
본 발명의 일 실시예에 따르면, 뉴스 기사의 임의 단락에 뉴스 기사와 어울리는 관련 광고 텍스트를 삽입함으로써, 뉴스를 읽는 구독자가 뉴스를 구독하는 도중 광고를 클릭할 수 있는 확률을 높일 수 있는 효과가 있다.
또한, 본 발명일 실시예에 따르면, 동일한 기사에 대해서 각 광고 대상별로 서로 다른 위치에 광고 텍스트를 삽입하고, 원본 기사의 문맥에 자연스러운 광고 텍스트를 삽입할 수 있게 됨으로써, 광고의 효과를 극대화할 수 있는 장점이 있다.
이상, 본 발명의 구성에 대하여 첨부 도면을 참조하여 상세히 설명하였으나, 이는 예시에 불과한 것으로서, 본 발명이 속하는 기술분야에 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 변형과 변경이 가능함은 물론이다. 따라서 본 발명의 보호 범위는 전술한 실시예에 국한되어서는 아니 되며 이하의 특허청구범위의 기재에 의하여 정해져야 할 것이다.

Claims (20)

  1. 광고 항목과 광고 항목에 매칭되는 텍스트로 이루어진 간접광고를 포함하고 있는 광고 데이터베이스;
    웹 페이지에 노출시키고자 하는 텍스트 형태의 원본 뉴스 기사가 입력되면, 원본 뉴스 기사와 매칭되는 간접광고 후보를 상기 데이터베이스로부터 탐색하여 광고 후보 목록을 선택하는 광고 탐색부;
    상기 선택된 광고가 삽입되기 위한 원본 뉴스 기사의 단락을 판단하는 광고 위치 판단부; 및
    선택된 광고를 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스 기사를 생성하고, 생성된 뉴스를 노출시키는 광고 문구 생성부를 포함하는 간접광고를 포함한 뉴스 기사 생성 시스템.
  2. 제 1항에 있어서,
    상기 광고 탐색부는,
    입력되는 상기 기사의 분야를 분류한 후,
    간접광고 항목 중 단가, 이전 노출 통계, 이전 클릭 통계 중 하나 이상의 기준으로 광고 정책에 따라 광고 후보를 선택하는 것
    분류된 기사 분야에 매칭되는 광고 후보를 목록으로 선택하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  3. 제 2항에 있어서,
    상기 광고 탐색부는,
    대용량 텍스트로부터 사전에 학습한 언어모델로, 대용량 말뭉치로부터 P(x1, …, xN)의 확률을 최대화하는 딥러닝 모델을 이용하여 광고 후보를 목록으로 선택하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  4. 제 1항에 있어서,
    상기 광고 탐색부는,
    “cross_entropy(정답 분야 벡터 | 기사 텍스트)” loss를 이용하여 기사의 분야 분류 모델 학습을 수행하여 사후 학습을 수행하고,
    평가 시에는 output 분야 벡터 중 일정 threshold 이상의 분야 값을 인식 결과로 사용하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  5. 제 1항에 있어서,
    상기 광고 위치 판단부는,
    상기 선택된 광고가 원본 뉴스 기사의 단락 사이에 삽입 시, 사후 학습 모델을 이용하여 이전 원문 뉴스 기사의 단락과 광고간 유사성을 예측하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  6. 제 5항에 있어서,
    상기 광고 위치 판단부는,
    특정 확률(α%)로 동일 기사 내에서 연속된 문장열을 “문장열#1 <구분자> 문장열#2”와 같이 구성하고, 타겟 변수로 “이어짐=True”를 학습하고,
    특정 확률(1-α%)로 문장열#1과 문장열#2를 다른 문서에서 추출하고, “문장열#1 <구분자> 문장열#2”와 같이 구성하며, 타겟 변수로 “이어짐=False”를 학습하여 사후 학습을 수행하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  7. 제 6항에 있어서,
    상기 광고 위치 판단부는,
    광고 기사를 삽입하고자 하는 원본 뉴스 기사의 해당 단락에서 “문장열#1”로 추출하고, 광고 기사의 텍스트를 “문장열#2”로 추출하여, “문장열#1 <구분자> 문장열#2”의 문장열 쌍을 구성한 후 “이어짐=True”의 확률 값을 해당 단락의 광고 문장 예측 스코어(score)로 활용하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  8. 제 7항에 있어서,
    상기 광고 위치 판단부는,
    원본 뉴스 기사 단락의 다음에 광고 기사가 삽입될 확률을 계산하는 모델로, 광고 기사가 원본 뉴스 기사보다 먼저 등장하는 경우에는 후보로 상기 단락 별 광고 문장 예측을 고려하지 않는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  9. 제 8항에 있어서,
    상기 광고 위치 판단부는,
    원본 뉴스 기사의 각 단락 별 광고 기사 예측 score 벡터에 대해서, softmax 함수를 적용하여, 각 단락 별 개별적인 score를 문서 단위의 확률 분포로 계산하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  10. 제 8항에 있어서,
    상기 단락 별 광고 문장 예측은,
    상위 N개의 단락 위치를 “n-best 삽입 위치”로 출력하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  11. 제 1항에 있어서,
    상기 광고 문구 생성부는,
    딥러닝 언어모델을 기반으로 원본 뉴스 기사의 이전 단락과 텍스트로 이루어진 간접광고를 기반으로 삽입하려고 하는 광고 문구를 생성하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  12. 제 10항에 있어서,
    상기 광고 문구 생성부는,
    사전 학습 언어모델에 뉴스/광고 텍스트 대상 다음 단어 예측 타스크(task)를 수행한 언어 모델을 기반으로 동작하고, 다음 단어 예측 타스크 : P(현재 단어 | 이전 단어 열) 학습하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  13. 제 12항에 있어서,
    상기 광고 문구 생성부는,
    원본 뉴스 기사의 이전 단락 텍스트와 광고 대상 텍스트를 입력하고, 출력 대상 광고 문구를 단어 단위로 순차적으로 예측하는 방법을 적용하여 생성하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  14. 제 13항에 있어서,
    상기 광고 문구 생성부는,
    최대 K개의 후보를 생성하는 beam-search를 적용하고, 각 광고 문구는 최대 N개의 단어를 넘지 않도록 하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  15. 제 14항에 있어서,
    상기 광고 문구 생성부는,
    복수개의 삽입 위치 별 광고문구 생성 결과를 기반으로 최종 광고문구를 선정하고, 각 기사 및 광고후보 별 광고문구를 선정하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
  16. 제 15항에 있어서,
    상기 광고 문구 생성부는,
    하기의 [수학식 1]을 통해 최종 광고문구 선정을 위한 스코어를 산출하는 것인 간접광고를 포함한 뉴스 기사 생성 시스템.
    [수학식 1]
    P(단락위치 | 원본뉴스기사, 간접광고대상텍스트) X P(생성광고문구 | 원본뉴스기사, 단락위치, 간접광고대상텍스트)
  17. 노출시키고자 하는 텍스트 형태의 원본 뉴스 기사를 입력받는 단계;
    원본 뉴스 기사와 매칭되는 간접광고 후보를 데이터베이스로부터 탐색하여 광고 후보 목록을 선택하는 단계;
    상기 선택된 광고가 삽입되기 위한 원본 뉴스 기사의 단락을 선택하는 단계; 및
    상기 선택된 광고를 상기 원본 뉴스 기사의 단락 사이에 삽입하여 광고가 포함된 뉴스 기사를 생성하여 노출시키는 단계;를 포함하는 간접광고를 포함한 뉴스 기사 생성 방법.
  18. 제 17항에 있어서,
    상기 광고 후보 목록을 선택하는 단계는,
    원본 뉴스 기사에서 분야를 분류하는 단계;
    분류된 분야별 광고 후보를 탐색하는 단계; 및
    탐색된 광고 후보 목록을 생성하는 단계를 포함하는 간접광고를 포함한 뉴스 기사 생성 시스템.
  19. 제 17항에 있어서,
    상기 원본 뉴스 기사의 단락을 선택하는 단계는,
    원본 뉴스 기사의 단락 별 상기 선택된 광고 삽입 시, 상기 원본 뉴스 기사의 이전 단락과 상기 선택된 광고와의 유사도를 계산하는 단계; 및
    상기 계산된 유사도를 기준으로 선택된 광고가 삽입되기 위한 상기 원본 뉴스 기사의 단락을 결정하는 단계;를 포함하는 간접광고를 포함한 뉴스 기사 생성 방법.
  20. 제 17항에 있어서,
    상기 광고가 포함된 뉴스 기사를 생성하는 단계는,
    광고를 삽입하고자 하는 원본 뉴스 기사의 단락별 광고 문구를 생성하는 단계;
    상기 생성된 광고가 삽입된 상기 원본 뉴스 기사의 각 단락별 유사도 스코어를 산출하는 단계; 및
    산출된 각 단락별 유사도 스코어에 따른 생성된 광고를 해당 원본 뉴스 기사의 단락에 삽입하여 간접광고가 포함된 상기 뉴스 기사를 생성하는 단계;를 포함하는 간접광고를 포함한 뉴스 기사 생성 방법.
KR1020200002588A 2020-01-08 2020-01-08 간접광고를 포함한 뉴스 기사 생성 시스템 및 방법 KR102413174B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200002588A KR102413174B1 (ko) 2020-01-08 2020-01-08 간접광고를 포함한 뉴스 기사 생성 시스템 및 방법
US17/101,779 US20210209638A1 (en) 2020-01-08 2020-11-23 System and method for creating news article containing indirect advertisement

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200002588A KR102413174B1 (ko) 2020-01-08 2020-01-08 간접광고를 포함한 뉴스 기사 생성 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210089430A true KR20210089430A (ko) 2021-07-16
KR102413174B1 KR102413174B1 (ko) 2022-06-27

Family

ID=76654588

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200002588A KR102413174B1 (ko) 2020-01-08 2020-01-08 간접광고를 포함한 뉴스 기사 생성 시스템 및 방법

Country Status (2)

Country Link
US (1) US20210209638A1 (ko)
KR (1) KR102413174B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565212B1 (ko) * 2022-02-04 2023-08-08 이승재 Ai를 이용한 경쟁 광고 시스템
KR102613621B1 (ko) * 2023-08-24 2023-12-14 주식회사 더블유더블유디코리아 생성형 인공지능 모델을 활용한 기업 홍보용 기사 생성 방법, 장치 및 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743086A (zh) * 2021-08-31 2021-12-03 北京阅神智能科技有限公司 一种中文作文句评输出方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015210545A (ja) * 2014-04-23 2015-11-24 ヤフー株式会社 配信装置、表示制御装置、表示制御方法および表示制御プログラム
JP2017058877A (ja) * 2015-09-15 2017-03-23 株式会社東芝 学習装置、音声検出装置、学習方法およびプログラム
JP2017174314A (ja) * 2016-03-25 2017-09-28 Ｎｅｃパーソナルコンピュータ株式会社 広告配信システム
KR20170141912A (ko) * 2016-06-16 2017-12-27 박성호 광고 문구 생성 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015210545A (ja) * 2014-04-23 2015-11-24 ヤフー株式会社 配信装置、表示制御装置、表示制御方法および表示制御プログラム
JP2017058877A (ja) * 2015-09-15 2017-03-23 株式会社東芝 学習装置、音声検出装置、学習方法およびプログラム
JP2017174314A (ja) * 2016-03-25 2017-09-28 Ｎｅｃパーソナルコンピュータ株式会社 広告配信システム
KR20170141912A (ko) * 2016-06-16 2017-12-27 박성호 광고 문구 생성 장치 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565212B1 (ko) * 2022-02-04 2023-08-08 이승재 Ai를 이용한 경쟁 광고 시스템
KR102613621B1 (ko) * 2023-08-24 2023-12-14 주식회사 더블유더블유디코리아 생성형 인공지능 모델을 활용한 기업 홍보용 기사 생성 방법, 장치 및 시스템
KR102644865B1 (ko) * 2023-08-24 2024-03-07 주식회사 더블유더블유디코리아 기업 홍보용 기사 생성을 위한 인공지능 모델 서비스 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
US20210209638A1 (en) 2021-07-08
KR102413174B1 (ko) 2022-06-27

Similar Documents

Publication Publication Date Title
KR102413174B1 (ko) 간접광고를 포함한 뉴스 기사 생성 시스템 및 방법
CN108446271B (zh) 基于汉字部件特征的卷积神经网络的文本情感分析方法
CN111797898B (zh) 一种基于深度语义匹配的在线评论自动回复方法
CN111914096A (zh) 基于舆情知识图谱的公共交通乘客满意度评价方法及系统
CN110990525A (zh) 一种基于自然语言处理的舆情信息抽取及知识库生成方法
CN115310425B (zh) 基于政策文本分类和关键信息识别的政策文本分析方法
CN109522412B (zh) 文本情感分析方法、装置及介质
CN112395410B (zh) 一种基于实体抽取的产业舆情推荐方法、装置及电子设备
CN113535963B (zh) 一种长文本事件抽取方法、装置、计算机设备及存储介质
CN111783993A (zh) 智能标注方法、装置、智能平台及存储介质
CN111723575A (zh) 识别文本的方法、装置、电子设备及介质
CN113987112B (zh) 表格信息抽取方法、装置、存储介质及电子设备
CN109359302A (zh) 一种领域化词向量的优化方法及基于其的融合排序方法
CN110750646B (zh) 一种旅店评论文本的属性描述提取方法
CN112256845A (zh) 意图识别方法、装置、电子设备和计算机可读存储介质
CN115906842A (zh) 一种政策信息识别方法
CN115455189A (zh) 基于提示学习的政策文本分类方法
CN117251570A (zh) 一种基于文本分析的招标采购需求分析方法及系统
CN116737922A (zh) 一种游客在线评论细粒度情感分析方法和系统
CN113837844A (zh) 一种多级联下游企业推荐系统、方法及可存储介质
CN109635289B (zh) 词条分类方法及审计信息抽取方法
KR102406961B1 (ko) 자가 지도학습을 통한 데이터 특성 학습 방법 및 가짜 정보 판별 방법
Thuy et al. Leveraging foreign language labeled data for aspect-based opinion mining
Král Features for named entity recognition in czech
CN114416914A (zh) 一种基于图片问答的处理方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant