KR20220019750A - 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법 - Google Patents

Abstract

인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법에 있어서, 콘텐츠의 목적정보를 획득하는 단계(S110), 상기 콘텐츠의 목적정보로부터 하나 이상의 파라미터를 추출하는 단계(S120), 상기 하나 이상의 파라미터를 학습된 모델에 입력하는 단계(S130) 및 상기 학습된 모델의 출력에 기반하여 상기 콘텐츠의 스타일을 추천하는 단계(S140)를 포함하는, 방법이 개시된다.

Description

인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법 {METHOD FOR RECOMMENDING CONTENTS STYLE BASED ON PERFORMANCE USING ARTIFICIAL INTELLIGENCE}

본 발명은 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법에 관한 것이다.

소셜 네트워크 서비스의 확산에 따라, 소셜 네트워크 서비스를 이용한 다양한 마케팅 전략이 수립되고 있다. 특히, 팔로워가 많은 인플루언서를 이용한 인플루언서 마케팅이 다양한 방법으로 수행되고 있다.

인플루언서 마케팅이란 영향력 있는 개인을 활용하는 마케팅 전략을 의미한다. 인플루언서 마케팅에 있어서는, 잠재적인 소비자에게 영향력을 미칠 수 있는 인플루언서를 찾고, 각 인플루언서의 성향에 알맞은 마케팅 계획을 세우는 것이 중요하다.

하지만, 모든 분야에 있어 완벽한 인플루언서는 존재하지 않는다. 마케팅을 수행하고자 하는 분야에 따라 각 인플루언서의 영향력은 상이해질 수 있기 때문이다. 예를 들어, 전문지식이 필요한 분야의 경우 유명한 연예인보다 해당 분야의 전문가가 대중에게 더 큰 영향력을 가질 수 있다.

또한, 대중적으로 유명한 사람은 아니더라도 주변 사람들에게는 큰 영향력을 가진 사람이 있을 수 있다. 따라서, 주변의 잠재적인 소비자에게 영향력을 미칠 수 있는 사람들은 모두 인플루언서가 될 수 있다.

이러한 인플루언서를 이용한 다양한 콘텐츠 마케팅이 진행되고 있으며, 콘텐츠의 형태 또한 기존의 형식에 제한되지 않고 자유롭게 다양한 콘텐츠가 생성 및 배포되고 있다.

공개특허공보 제10-2015-0076333호, 2015.07.07 공개

본 발명이 해결하고자 하는 과제는 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법은, 콘텐츠의 목적정보를 획득하는 단계(S110), 상기 콘텐츠의 목적정보로부터 하나 이상의 파라미터를 추출하는 단계(S120), 상기 하나 이상의 파라미터를 학습된 모델에 입력하는 단계(S130) 및 상기 학습된 모델의 출력에 기반하여 상기 콘텐츠의 스타일을 추천하는 단계(S140)를 포함한다.

또한, 상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고, 상기 단계(S110)는, 상기 콘텐츠를 통해 홍보하고자 하는 대상에 대한 정보를 획득하는 단계(S210), 상기 콘텐츠의 종류에 대한 정보를 획득하는 단계(S220) 및 상기 콘텐츠를 업로드할 채널에 대한 정보를 획득하는 단계(S230)를 포함할 수 있다.

또한, 상기 콘텐츠는 사진 콘텐츠인 것을 특징으로 하고, 상기 단계(S140)는, 사진에 포함될 객체에 대한 정보를 획득하는 단계(S310), 상기 객체의 크기를 결정하는 단계(S320), 상기 객체의 사용상태를 결정하는 단계(S330) 및 사진의 개수를 결정하는 단계(S340)를 포함할 수 있다.

또한, 상기 콘텐츠는 영상 콘텐츠인 것을 특징으로 하고, 상기 단계(S140)는, 상기 영상에서 이용될 광고패턴을 결정하는 단계(S410), 상기 영상에 포함될 객체에 대한 정보를 획득하는 단계(S420), 상기 홍보하고자 하는 대상이 상기 영상에 등장하는 시점을 결정하는 단계(S430) 및 상기 영상의 제목패턴을 결정하는 단계(S440)를 포함할 수 있다.

또한, 상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고, 상기 단계(S140)는, 하나 이상의 콘텐츠 스타일을 결정하는 단계(S510), 상기 하나 이상의 콘텐츠 스타일에 따른 광고 성과를 예측하는 단계(S520), 상기 하나 이상의 콘텐츠 스타일에 따른 광고 비용을 예측하는 단계(S530) 및 상기 성과 및 비용에 기초하여, 하나 이상의 콘텐츠 스타일을 추천하는 단계(S540)를 더 포함할 수 있다.

또한, 상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고, 하나 이상의 광고용 콘텐츠에 대한 정보를 획득하는 단계(S610), 상기 하나 이상의 광고용 콘텐츠의 스타일을 추출하는 단계(S620), 상기 하나 이상의 광고용 콘텐츠의 광고 성과를 판단하는 단계(S630), 상기 하나 이상의 광고용 콘텐츠의 스타일 및 이에 대응하는 광고 성과를 포함하는 학습 데이터를 획득하는 단계(S640) 및 상기 학습 데이터를 이용하여 상기 학습된 모델을 학습시키는 단계(S650)를 더 포함할 수 있다.

또한, 상기 단계(S610)는, 하나 이상의 광고용 콘텐츠에 대한 정보를 수집하기 위한 페이지와 연결된 URL을 결정하는 단계(S710), 상기 결정된 URL에 대응하는 하나 이상의 단축 URL을 생성하되, 상기 하나 이상의 단축 URL은 상기 페이지와 연결되는 단계(S720), 상기 하나 이상의 단축 URL을 하나 이상의 광고용 콘텐츠에 각각 할당하는 단계(S730), 상기 페이지에 대한 유입을 모니터링하되, 각 유입에 대응하는 단축 URL에 대한 정보를 획득하는 단계(S740) 및 상기 단계(S540)에서 획득된 정보에 기초하여, 상기 페이지에 대한 유입 각각에 대응하는 광고용 콘텐츠에 대한 정보를 획득하는 단계(S750)를 더 포함할 수 있다.

또한, 상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고, 상기 단계(S120)는, 상기 콘텐츠를 통해 홍보하고자 하는 대상에 대한 정보를 획득하는 단계(S810), 상기 단계(S810)에서 획득된 정보의 적어도 일부를 클러스터링하는 단계(S820), 상기 클러스터링 결과에 기초하여 상기 대상에 대응하는 하나 이상의 클러스터를 결정하는 단계(S830) 및 상기 결정된 클러스터에 대응하는 하나 이상의 파라미터를 결정하는 단계(S840)를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능을 이용한 성과 기반 콘텐츠 스타일을 추천하는 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 개시된 실시 예에 따른 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법을 수행한다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능을 이용한 성과 기반 콘텐츠 스타일을 추천하는 컴퓨터프로그램은, 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 인공지능을 이용하여 성과 기반 콘텐츠 스타일 추천방법을 통해 대중에게 영향력이 높은 콘텐츠와 광고를 제공함으로써, SNS 상에서 인플루언서의 영향력을 높은 효율로 이용하는 마케팅 효과를 얻을 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시 예에 따른 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법을 도시한 흐름도이다.
도 2는 일 실시 예에 따른 콘텐츠 목적정보 획득방법을 도시한 흐름도이다.
도 3은 일 실시 예에 따라 사진 콘텐츠의 스타일을 추천하는 방법을 도시한 흐름도이다.
도 4는 일 실시 예에 따라 영상 콘텐츠의 스타일을 추천하는 방법을 도시한 흐름도이다.
도 5는 일 실시 예에 따른 성과 및 비용에 기초한 콘텐츠 스타일 추천방법을 도시한 흐름도이다.
도 6은 일 실시 예에 따른 모델 학습 방법을 도시한 흐름도이다.
도 7은 일 실시 예에 따른 광고용 콘텐츠에 대한 정보를 획득하는 방법을 도시한 흐름도이다.
도 8은 일 실시 예에 따른 파라미터 추출방법을 도시한 흐름도이다.
도 9는 단일 제품을 크게 촬영한 사진 콘텐츠의 일 예를 도시한 도면이다.
도 10은 일 실시 예에 따라 복수의 객체를 포함하는 이미지를 도시한 도면이다.
도 11은 일 실시 예에 따라 인플루언서를 포함하는 이미지를 도시한 도면이다.
도 12는 일 실시 예에 따른 영상 콘텐츠를 도시한 도면이다.
도 13은 일 실시 예에 따른 장치의 구성도이다.

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 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

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 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

개시된 실시 예에서, 캠페인은 소셜 광고를 수행하기 위한 계획을 의미할 수 있다. 따라서, 캠페인은 소셜 광고에 대한 정보를 포함할 수 있다. 예를 들어, 캠페인은 소셜 광고의 주제, 광고주 및 보상 등에 대한 정보를 포함할 수 있다. 캠페인의 형태는 제한되지 않는다.

인플루언서는 타인에게 특정한 영향력을 갖고 있는 사람으로 정의된다. 하지만, 소셜미디어를 사용하는 모든 사용자가 소셜미디어를 통해 자신의 생각을 표현하고 타인의 생각들에 영향을 받을 수 있으므로, 인플루언서는 영향을 주고받을 수 있는 모든 사람을 포함하는 의미로 이해해야 한다.

예를 들어, 인플루언서는 팔로워가 많아 대중에 대한 영향력이 큰 소셜 네트워크 서비스 이용자를 의미한다. 하지만, 본 명세서에서 인플루언서의 의미는 이에 제한되지 않는다. 개시된 실시 예에서, 인플루언서는 소셜 네트워크 서비스를 이용하는 모든 사용자를 의미할 수 있다.

개시된 실시 예에서, 브랜드는 인플루언서를 이용한 홍보를 수행하고자 하는 모든 형태의 광고주를 포괄하는 의미로 사용된다. 예를 들어, 브랜드는 특정 제품이나 서비스에 대한 홍보를 원하는 기업일 수도 있고, 자기 자신에 대한 홍보를 원하는 개인일 수도 있다. 브랜드의 종류는 제한되지 않는다.

본 명세서에서, 브랜디드 콘텐츠는 개시된 실시 예에 따라 인플루언서가 업로드하는, 브랜드의 홍보를 위한 모든 종류의 콘텐츠를 의미할 수 있다. 예를 들어, 브랜디드 콘텐츠는 인플루언서가 브랜드의 홍보를 위해 업로드하는 사진, 동영상, 글 등을 의미할 수 있으며, 업로드된 사진, 동영상, 글 등을 포함하는 SNS 포스트를 의미할 수도 있다. 또한, 본 명세서에서 광고용 콘텐츠로 서술되는 것은 상술한 브랜디드 콘텐츠를 의미하거나 포함할 수 있다.

도 1은 일 실시 예에 따른 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법을 도시한 흐름도이다.

단계 S110에서, 컴퓨터는 콘텐츠의 목적정보를 획득한다.

예를 들어, 콘텐츠의 목적정보는 광고를 의미할 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 콘텐츠의 목적정보는 정보전달을 의미할 수도 있다.

또한, 콘텐츠의 목적정보는 광고의 대상이나 목적에 대한 정보를 포함할 수 있으며, 구체적인 내용은 후술한다.

단계 S120에서, 컴퓨터는 상기 획득한 콘텐츠의 목적정보로부터 하나 이상의 파라미터를 추출한다.

일 실시 예에서, 파라미터는 인공지능 모델에 기반한 판단을 위하여 수행되는, 인공지능 모델의 입력으로 사용할 수 있는 모든 종류의 데이터 형식을 의미할 수 있으며, 특정한 형식으로 제한되는 것은 아니다.

개시된 실시 예에서, “학습”은 머신러닝, 딥러닝을 의미할 수 있으나, 이에 제한되는 것은 아니다. 개시된 실시 예에 따른 인공지능 모델을 학습시키기 위하여 사용되는 방법은 제한되지 않는다.

단계 S130에서, 컴퓨터는 상기 추출한 하나 이상의 파라미터를 학습된 모델에 입력한다.

컴퓨터는 학습된 모델의 출력을 획득하고, 획득된 출력에 기반하여 이하 동작을 수행한다.

단계 S140에서, 컴퓨터는 상기 학습된 모델의 출력에 기반하여 상기 콘텐츠의 스타일을 추천한다.

개시된 실시 예에서, 콘텐츠의 스타일을 추천하는 것은 광고효과를 높일 수 있는 콘텐츠의 스타일을 추천하는 것을 의미하며, 이는 기 수행된 광고들에 대한 성과판단 결과에 기초하여 수행될 수 있다.

즉, 인플루언서 마케팅의 경우 다양한 자유로운 형태로 콘텐츠가 제작되므로, 어떠한 콘텐츠가 광고효과가 높은가에 대한 기준이 불분명할 수 있다. 따라서, 개시된 실시 예에 따르면 기 수행된 광고들의 성과를 측정한 결과에 기초하여, 제품, 인플루언서, 채널 등 다양한 정보에 기반하여 최적의 광고효과를 얻을 수 있는 콘텐츠의 종류를 추천할 수 있다.

예를 들어, 컴퓨터는 인공지능 모델로부터 출력된 값에 기반하여 콘텐츠의 스타일을 추천하기 위한 정보를 획득하고, 이에 기반하여 콘텐츠의 스타일을 추천하는 정보를 생성 및 제공할 수 있다.

일 실시 예에서, 컴퓨터는 인공지능 모델로부터 출력된 값을 획득하고, 출력된 값에 대응하는 콘텐츠 스타일 정보를 데이터베이스상에서 검색 및 획득할 수 있다.

실시 예에 따라서, 컴퓨터는 콘텐츠의 스타일에 대응하는 특정 파라미터 값을 인공지능 모델의 출력으로 획득하고, 획득된 값 혹은 획득된 값이 포함된 범위나 분류에 대한 정보를 제공할 수 있으나, 이에 제한되는 것은 아니다.

도 2는 일 실시 예에 따른 콘텐츠 목적정보 획득방법을 도시한 흐름도이다.

도 2에 도시된 실시 에에서, 콘텐츠는 광고용 콘텐츠일 수 있다.

상술한 단계(S110)에서, 컴퓨터는 상기 콘텐츠를 통해 홍보하고자 하는 대상에 대한 정보를 획득하는 단계(S210)를 수행할 수 있다.

예를 들어, 컴퓨터는 콘텐츠를 통해 홍보하고자 하는 제품, 서비스, 업체, 행사 등에 대한 정보를 획득할 수 있다. 홍보하고자 하는 대상은 구체적인 객체(예를 들어, 제품이나 전단지 등)로 한정될 수도 있으나, 대상의 명칭이나 대상에 대한 정보를 콘텐츠에 텍스트나 음성, 이미지 등으로 포함시켜야 할 수도 있다. 컴퓨터는 홍보대상에 대한 정보뿐 아니라, 홍보대상에 대응하는 객체의 존재여부, 홍보대상의 유형(실물, 텍스트, 음성, 정보 등) 등에 대한 정보를 획득할 수 있다.

또한, 컴퓨터는 상기 콘텐츠의 종류에 대한 정보를 획득하는 단계(S220)를 수행할 수 있다.

예를 들어, 콘텐츠의 종류는 텍스트, 이미지, 포스트, 영상 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.

또한 컴퓨터는 및 상기 콘텐츠를 업로드할 채널에 대한 정보를 획득하는 단계(S230)를 수행할 수 있다.

예를 들어, 콘텐츠를 업로드할 채널은 콘텐츠를 업로드할 SNS 및 기타 웹 기반 서비스의 종류를 의미할 수 있으나, 이에 제한되는 것은 아니다.

도 3은 일 실시 예에 따라 사진 콘텐츠의 스타일을 추천하는 방법을 도시한 흐름도이다.

도 3에 도시된 실시 예에서, 콘텐츠는 사진 콘텐츠인 것을 특징으로 한다.

상술한 단계(S140)에서, 컴퓨터는 사진에 포함될 객체에 대한 정보를 획득하는 단계(S310)를 수행할 수 있다.

예를 들어, 컴퓨터는 사진에 포함되어야 할 객체(상품)에 대한 정보를 획득할 수 있다. 실시 예에 따라, 객체는 상술한 바와 같이 제품 외에도 전단지, 텍스트, 이미지 등을 포함할 수 있다.

실시 예에 따라 촬영된 사진에 특정한 텍스트나 이미지를 포함시켜야 할 수도 있다. 이 경우, 이러한 대상 또한 개시된 실시 예에 따른 객체인 것으로 판단될 수 있다.

또한, 컴퓨터는 상기 객체의 크기를 결정하는 단계(S320)를 수행할 수 있다.

예를 들어, 객체의 크기는 사진의 크기 대비 특정 비율로 결정될 수 있으나, 이에 제한되는 것은 아니다. 객체의 크기는 대, 중, 소와 같이 특정한 기준으로 구분되어 결정될 수도 있으며, 또한 이에 제한되는 것은 아니다.

또한, 컴퓨터는 상기 객체의 사용상태를 결정하는 단계(S330)를 수행할 수 있다.

예를 들어, 컴퓨터는 객체가 놓여 있는 상태의 사진을 찍어야 한다거나, 인플루언서가 객체를 들고 사진을 찍어야 한다거나, 인플루언서가 객체를 들고 사진을 찍되, 얼굴이 나오게 함께 찍어야 한다거나, 인플루언서가 해당 객체를 사용하는 모습을 찍어야 한다는 등의 기 설정된 사용상태들 중 적어도 하나를 결정하는 단계를 수행할 수 있다.

또한, 컴퓨터는 사진의 개수를 결정하는 단계(S340)를 수행할 수 있다.

예를 들어, 컴퓨터는 사진의 개수를 결정할 수 있으며, 결정된 개수의 사진을 SNS의 종류에 따라 한 포스트에 묶어서 올릴지, 서로 다른 포스트에 분리해서 올릴지 여부 또한 결정할 수 있다.

실시 예에 따라, 사진의 개수에 따라 광고비용이 상이하게 책정될 수 있으며, 이 경우 컴퓨터는 비용 대비 광고효과를 고려하여 사진의 개수를 결정할 수도 있다.

도 9 내지 도 11을 참조하면, 사진 콘텐츠를 이용한 광고의 예시들이 도시되어 있다.

도 9는 단일 제품을 크게 촬영한 사진 콘텐츠의 일 예를 도시한 도면이다.

도 9를 참조하면, 이미지(200)에는 광고의 대상이 되는 객체(210)가 단독으로, 중앙에, 크게(예를 들어, 사진 면적의 소정 비율 이상이거나, 사진의 너비나 높이의 소정 비율 이상) 촬영되어 있다.

개시된 실시 예에서, 컴퓨터는 객체(210)가 이미지(200)내에서 자리하여야 할 위치(예를 들어, 중앙, 좌우측면, 상단, 하단, 모서리 등) 또한 결정할 수 있다.

이러한 객체의 위치, 크기 등은 파라미터화되어 인공지능 모델에 기반하여 결정될 수 있으며, 각각의 파라미터는 이에 대응하는 객체의 위치나 크기로 데이터베이스에 기반하여 변환될 수 있으나, 이에 제한되는 것은 아니다.

또한, 컴퓨터는 이미지(200)를 포함하는 포스트에 기재되어야 할 텍스트(220)의 길이, 내용(예를 들어, 들어가야 할 키워드 등) 등에 대한 정보 또한 결정할 수 있다.

이에 따라, 인플루언서는 업로드하여야 할 포스트에 대한 상세정보를 컴퓨터로부터 획득하고, 이에 기반하여 소셜 마케팅을 수행할 수 있다.

실시 예에 따라서, 컴퓨터는 제공된 콘텐츠 스타일대로 업로드가 수행되었는지 여부를 검토할 수 있다. 즉, 컴퓨터는 인플루언서가 업로드한 포스트에 대한 정보를 획득하며, 제공된 콘텐츠 스타일과 업로드된 포스트를 비교함으로써 제공된 콘텐츠 스타일대로 포스트가 업로드되었는지 여부를 판단할 수 있다.

예를 들어, 컴퓨터는 포스트에 포함된 이미지를 분석하여 객체의 위치, 크기 및 종류 등을 판단하고, 또한 텍스트에 대한 정보를 획득하여 텍스트의 길이나 텍스트에 포함된 키워드 등에 대한 정보를 획득함으로써 업로드된 포스트를 검증할 수 있다.

도 10은 일 실시 예에 따라 복수의 객체를 포함하는 이미지를 도시한 도면이다.

도 10을 참조하면, 이미지(300)에는 복수의 객체(312, 314 및 316)가 도시되어 있다.

일 실시 예에서, 복수의 객체(312, 314 및 316) 각각은 모두 홍보대상 객체일 수도 있고, 홍보대상 객체와 관련성이 있거나, 무관한 다른 객체일 수도 있다.

컴퓨터는 이미지에 포함되어야 할 객체의 종류 및 개수를 결정하고, 각 객체의 크기나 배치 등에 대한 정보 또한 생성하여 제공할 수 있다.

이에 따라 이미지(300)에는 복수의 객체(312, 314 및 316)가 표시되며, 도 9와 관련하여 설명된 바와 마찬가지로 이에 대응하는 텍스트(320)또한 표시될 수 있다.

도 11은 일 실시 예에 따라 인플루언서를 포함하는 이미지를 도시한 도면이다.

도 11을 참조하면, 이미지(400)에는 홍보대상 제품에 대응하는 객체(410)뿐 아니라, 인플루언서(420)가 포함되어 있다.

컴퓨터는 객체를 촬영함에 있어 인플루언서와 함께 촬영하도록 콘텐츠 스타일을 생성 및 제공할 수 있다.

실시 예에 따라, 컴퓨터는 단순히 인플루언서와 객체를 함께 촬영하도록 하거나, 인플루언서와 객체가 표시되어야 하는 크기나 비율에 대한 정보를 제공하거나, 인플루언서가 객체를 들고 있거나 사용하도록 하는 콘텐츠 스타일에 대한 정보를 생성 및 제공할 수 있다.

도 11을 참조하면, 이에 따라 인플루언서(420)가 객체(410)를 들고 촬영한 이미지(400)를 업로드한 일 예가 도시되어 있다.

마찬가지로, 도 11과 같은 포스트에 업로드될 텍스트(430) 또한 컴퓨터에 의하여 결정될 수 있다.

도 4는 일 실시 예에 따라 영상 콘텐츠의 스타일을 추천하는 방법을 도시한 흐름도이다.

도 4에 도시된 실시 에에서, 콘텐츠는 영상 콘텐츠인 것을 특징으로 한다.

상술한 단계(S140)에서, 컴퓨터는 상기 영상에서 이용될 광고패턴을 결정하는 단계(S410)를 수행할 수 있다.

예를 들어, 광고패턴은 직접광고 및 간접광고를 포함할 수 있으나, 이에 제한되는 것은 아니다.

직접광고는 광고대상 제품을 직접적으로 광고하고, 이에 대한 설명을 제공하는 광고를 의미하며, 간접광고는 웹드라마나 기타 콘텐츠에 광고대상 제품을 등장시키는 형태의 광고를 의미할 수 있다.

또한, 직접광고의 경우에도 광고패턴은 개봉기, 사용기, 제품설명, 정보전달 등 다양한 형태로 세분화될 수 있으나, 이에 제한되는 것은 아니다.

또한, 컴퓨터는 상기 영상에 포함될 객체에 대한 정보를 획득하는 단계(S420)를 수행할 수 있다.

상술한 이미지의 경우와 마찬가지로, 영상의 경우에도 영상에 포함되어야 할 객체가 홍보대상 객체만을 포함할 것인지, 포함되는 경우 객체는 어느 정도 크기로 표시되어야 할 것인지, 다른 객체를 포함할 것인지, 다른 객체를 포함하는 경우 어떠한 객체를 얼마나 포함시키고, 어떻게 배치할 것인지에 대한 다양한 정보들이 획득될 수 있다.

또한, 컴퓨터는 영상에 인플루언서가 직접 등장할지 여부를 결정할 수 있다. 예를 들어, 인플루언서가 등장하지 않고 목소리로 제품만을 설명하는 영상이 있을 수 있고, 인플루언서가 직접 등장하여 제품을 소개하거나, 제품을 사용하는 모습을 포함하는 영상이 있을 수 있다.

또한, 컴퓨터는 상기 홍보하고자 하는 대상이 상기 영상에 등장하는 시점을 결정하는 단계(S430)를 수행할 수 있다.

또한, 컴퓨터는 홍보하고자 하는 대상이 처음부터 등장하도록 하거나, 후반에 등장하도록 하거나, 중간 특정 시점에 등장하도록 하거나, 간접광고의 경우 영상의 클라이막스 부분에 등장하도록 하거나, 영상에 지속적으로(또는 전체 영상 길이의 소정 비율 이상) 등장하도록 하는 등의 정보를 결정할 수 있다.

마찬가지로, 컴퓨터는 영상의 길이 또한 결정할 수 있다.

또한, 컴퓨터는 상기 영상의 제목패턴을 결정하는 단계(S440)를 수행할 수 있다.

예를 들어, 컴퓨터는 영상의 제목에 제품명을 포함시킬지 여부, 제목에 포함되어야 하는 키워드나 표현 등에 대한 정보를 획득할 수 있다.

도 12는 일 실시 예에 따른 영상 콘텐츠를 도시한 도면이다.

도 12를 참조하면, 영상(500)에 객체(510) 및 인플루언서(520)가 표시된 일 예가 도시되어 있다.

또한, 도 12에는 영상(500)의 제목(530)이 도시되어 있으며, 해당 제목에 포함되어야 할 키워드나 내용, 표현, 제목의 길이 등은 컴퓨터에 의하여 추천된 콘텐츠 스타일에 기반하여 결정될 수 있다.

사진과 마찬가지로, 컴퓨터는 업로드된 콘텐츠가 제공된 콘텐츠 스타일에 기반하여 제작 및 업로드되었는지 여부를 검증할 수 있다.

개시된 실시 예에서, 인플루언서는 광고주나 브랜디드 마케팅 플랫폼으로부터 광고 캠페인 정보를 획득하고, 캠페인에 따른 소셜 마케팅을 수행한 후 이에 따라 광고비를 정산받을 수 있다.

캠페인 정보는 광고대상 제품에 대한 정보를 포함하고 있으며, 실시 예에 따라 개시된 실시 예에 따라 획득된 해당 광고대상 제품을 홍보하기 위한 콘텐츠의 스타일에 대한 정보를 포함할 수 있다.

해당 과정에서, 컴퓨터는 인플루언서가 업로드한 콘텐츠가 제시된 콘텐츠 스타일에 따라 제작되었는지 여부를 검증한 후 정산여부 및 정산금액을 결정할 수 있다.

도 5는 일 실시 예에 따른 성과 및 비용에 기초한 콘텐츠 스타일 추천방법을 도시한 흐름도이다.

도 5에 도시된 실시 예에서, 콘텐츠는 광고용 콘텐츠일 수 있다.

상술한 단계(S140)에서, 컴퓨터는 하나 이상의 콘텐츠 스타일을 결정하는 단계(S510)를 수행할 수 있다.

예를 들어, 컴퓨터는 콘텐츠 스타일을 추천함에 있어, 하나 이상의 콘텐츠 스타일 후보를 결정할 수 있다.

또한, 컴퓨터는 상기 하나 이상의 콘텐츠 스타일에 따른 광고 성과를 예측하는 단계(S520)를 수행할 수 있다.

일 실시 예에서, 광고 성과 예측은 제품의 종류 및 콘텐츠 스타일 등에 기반하여 수행될 수 있으며, 이는 기 수행된 광고의 성과정보 데이터베이스 및 이에 기반하여 학습된 성과예측 모델이 기반하여 수행될 수 있으나, 이에 제한되는 것은 아니다.

또한, 컴퓨터는 상기 하나 이상의 콘텐츠 스타일에 따른 광고 비용을 예측하는 단계(S530)를 수행할 수 있다.

예를 들어, 광고 비용은 사진의 수, 영상의 길이, 광고를 수행할 인플루언서에 대한 정보 및 콘텐츠 스타일 등에 따라 상이하게 산정될 수 있으며, 이는 기 설정된 광고비용 기준에 기반하여 산출될 수 있다.

또한, 컴퓨터는 상기 성과 및 비용에 기초하여, 하나 이상의 콘텐츠 스타일을 추천하는 단계(S540)를 수행할 수 있다.

예를 들어, 컴퓨터는 가격 대비 높은 성과가 예측되는 콘텐츠 스타일을 추천할 수 있다.

마찬가지로, 컴퓨터는 사용자의 선택이나 예산범위 내에서 상대적으로 높은 성과를 얻을 수 있는 콘텐츠 스타일을 추천할 수 있다. 예를 들어, 비용과 무관하게 최대 효과를 낼 수 있는 콘텐츠 스타일을 추천할 수도 있고, 일정 비용범위 내에서 최대 효과를 낼 수 있는 콘텐츠 스타일을 추천할 수도 있다.

도 6은 일 실시 예에 따른 모델 학습 방법을 도시한 흐름도이다.

도 6에 도시된 실시 예에서, 콘텐츠는 광고용 콘텐츠를 의미할 수 있다.

개시된 실시 예에서, 컴퓨터는 하나 이상의 광고용 콘텐츠에 대한 정보를 획득하는 단계(S610)를 수행할 수 있다.

예를 들어, 광고용 콘텐츠는 인플루언서에 의하여 이미 광고가 수행된 콘텐츠를 의미할 수 있으며, 컴퓨터는 수행된 광고 및 이에 포함된 콘텐츠에 대한 정보를 획득할 수 있다.

또한, 컴퓨터는 상기 하나 이상의 광고용 콘텐츠의 스타일을 추출하는 단계(S620)를 수행할 수 있다.

일 실시 예에서, 컴퓨터는 콘텐츠를 인식 및 분석하여 스타일을 추출할 수도 있고, 실시 예에 따라 해당 콘텐츠에 대응하는 캠페인 정보를 획득하고, 해당 캠페인에 포함된 콘텐츠 스타일 추천정보를 획득하거나 참조할 수도 있다.

또한, 컴퓨터는 상기 하나 이상의 광고용 콘텐츠의 광고 성과를 판단하는 단계(S630)를 수행할 수 있다.

광고용 콘텐츠의 광고 성과는 조회성과 및 구매전환 성과를 포함할 수 있으나, 이에 제한되는 것은 아니다.

일 실시 예에서, 각 광고용 콘텐츠에 대한 정보를 수집하되, 수집하는 정보는 각 광고용 콘텐츠에 대응하는 조회수, 공감 수, 공유 수 및 댓글 수 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.

또한, 정보는 실시간으로 모니터링 및 수집될 수도 있으나, 소정의 시간 간격 혹은 임의의 간격으로 수집될 수도 있으며, 수집되는 기간 또한 상이하게 설정될 수 있다.

컴퓨터는 수집된 정보에 기반하여 각 광고용 콘텐츠의 성과를 판단하되, 성과는 정량적 정보일 수 있으나, 정성적 정보 또한 포함할 수도 있다. 또한, 컴퓨터는 각 광고용 콘텐츠의 파급력과, 이에 따른 실제 광고효과 및 브랜드의 수익 등에 대한 정보를 수집, 산출 및 예측할 수 있다.

예를 들어, 광고용 콘텐츠의 성과는 다양한 지표에 기반하여 정량적으로 평가될 수 있다. 본 실시 예에 따르면, 광고용 콘텐츠의 성과는 크게 노출성과와 구매전환 성과로 분류될 수 있다.

노출성과는 해당 광고용 콘텐츠가 얼마나 많은 사용자에게 노출되었는가를 나타내는 지표이다. 예를 들어, 노출성과는 해당 광고용 콘텐츠의 조회수, 공감수, 댓글수, 공유수 등에 기반하여 산출될 수 있다.

구매전환 성과는 해당 광고용 콘텐츠에 기반하여 얼마나 많은 구매가 실제로 이루어졌는가를 나타내는 지표이다. 예를 들어, 구매전환 성과는 해당 광고용 콘텐츠가 홍보하는 대상에 대한 매출변화, 해당 광고용 콘텐츠를 시청한 사용자가 해당 홍보대상을 구매하였는지 여부에 대한 추적판단 등에 기반하여 판단할 수 있으나, 이에 제한되는 것은 아니다.

실시 예에 따라서, 실제 구매여부뿐 아니라 사용자가 광고용 콘텐츠와 함께 공개되는 링크를 통해 구매페이지에 방문하였는지 여부를 구매전환 성과에 포함시킬 수도 있다.

일 실시 예에서, 노출성과는 홍보대상 브랜드나 제품 등을 소비자들에게 알리는 효과가 있으며, 구매전환 성과는 실제 이에 따른 직접적 매출발생 효과가 있다. 캠페인의 유형에 따라 지향하는 성과의 종류 혹은 발생하는 성과의 유형이 상이할 수 있으며, 또한 캠페인을 수행하는 인플루언서의 유형에 따라서도 상이하게 발생할 수 있다.

캠페인의 유형에 따라 노출성과 및 구매전환 성과 각각에 대한 가중치가 다르게 설정될 수 있으며, 이에 기반하여 광고용 콘텐츠의 성과가 산출될 수 있다.

또한, 컴퓨터는 상기 하나 이상의 광고용 콘텐츠의 스타일 및 이에 대응하는 광고 성과를 포함하는 학습 데이터를 획득하는 단계(S640)를 수행할 수 있다.

예를 들어, 컴퓨터는 기 수행된 다양한 콘텐츠 스타일과, 해당 콘텐츠를 통해 광고되는 제품에 대한 정보 및 이에 따른 성과의 정량적 판단결과를 포함하는 학습 데이터를 획득할 수 있다.

또한, 컴퓨터는 상기 학습 데이터를 이용하여 상기 학습된 모델을 학습시키는 단계(S650)를 수행할 수 있다.

이에 따라, 컴퓨터는 홍보대상 제품의 종류에 따라 콘텐츠 스타일을 추천할 수 있는 모델을 학습시킬 수 있다.

컴퓨터가 광고용 콘텐츠에 대한 정보를 획득하고, 성과를 판단하는 구체적인 방법에 대해서는 후술한다.

도 7은 일 실시 예에 따른 광고용 콘텐츠에 대한 정보를 획득하는 방법을 도시한 흐름도이다.

상술한 단계(S610)에서, 컴퓨터는 하나 이상의 광고용 콘텐츠에 대한 정보를 수집하기 위한 페이지와 연결된 URL을 결정하는 단계(S710)를 수행할 수 있다.

또한, 컴퓨터는 상기 결정된 URL에 대응하는 하나 이상의 단축 URL을 생성하되, 상기 하나 이상의 단축 URL은 상기 페이지와 연결되는, 단계(S720)를 수행할 수 있다.

또한, 컴퓨터는 상기 하나 이상의 단축 URL을 하나 이상의 광고용 콘텐츠에 각각 할당하는 단계(S730)를 수행할 수 있다.

또한, 컴퓨터는 상기 페이지에 대한 유입을 모니터링하되, 각 유입에 대응하는 단축 URL에 대한 정보를 획득하는 단계(S740)를 수행할 수 있다.

또한, 컴퓨터는 상기 단계(S540)에서 획득된 정보에 기초하여, 상기 페이지에 대한 유입 각각에 대응하는 광고용 콘텐츠에 대한 정보를 획득하는 단계(S750)를 수행할 수 있다.

일 실시 예에서, 상술한 페이지는 브랜디드 콘텐츠에 대한 상세 내용을 포함하는 페이지일 수도 있고, 브랜디드 콘텐츠에 대응하는 제품을 판매하는 페이지일 수도 있고, 브랜드의 홈페이지일 수도 있으나, 이에 제한되는 것은 아니다. 또한, 상술한 페이지는 개시된 실시 예에 따른 마켓플레이스를 운영하는 서버를 통해 제공되는, 유입정보를 수집하기 위한 페이지를 의미할 수도 있다.

컴퓨터는 상술한 페이지를 생성하고, 상술한 페이지를 특정 URL에 링크시켜 업로드할 수 있다. 즉, 상술한 페이지는 특정 URL을 통해 접근할 수 있도록 업로드될 수 있다.

또한, 컴퓨터는 상술한 URL에 대응하는 복수의 단축 URL을 생성할 수 있다. 복수의 단축 URL 각각은 서로 다른 형태를 취할 수 있으나, 모두 상술한 URL 및 이에 대응하는, 상술한 페이지로 연결될 수 있다.

컴퓨터는 생성된 단축 URL들을 서로 다른 브랜디드 콘텐츠(광고용 콘텐츠)에 할당할 수 있다. 또한, 컴퓨터는 각각의 단축 URL이 할당된 브랜디드 콘텐츠에 대한 정보를 저장할 수 있다. 예를 들어, 컴퓨터는 각각의 단축 URL이 할당된 브랜디드 콘텐츠의 주소 및 이를 업로드한 인플루언서, 브랜디드 콘텐츠가 업로드된 SNS 채널 등에 대한 정보를 저장할 수 있으나, 이에 제한되는 것은 아니다.

컴퓨터는 각각의 단축 URL들을 서로 다른 브랜디드 콘텐츠에 할당할 수 있다. 각각의 브랜디드 콘텐츠는 할당된 단축 URL을 브랜디드 콘텐츠와 함께 노출할 수 있다.

각각의 브랜디드 콘텐츠에 접근하는 사용자 단말들은 브랜디드 콘텐츠에 노출된 단축 URL을 통해 상술한 페이지에 접근할 수 있으며, 컴퓨터는 이러한 접근이 발생하는 경우, 접근에 이용된 단축 URL에 기반하여 어떠한 브랜디드 콘텐츠에 기반하여 유입이 발생하였는가를 판단할 수 있다.

도 8은 일 실시 예에 따른 파라미터 추출방법을 도시한 흐름도이다.

도 8에 도시된 실시 에에서, 콘텐츠는 광고용 콘텐츠일 수 있다.

상술한 단계(S120)에서, 컴퓨터는 상기 콘텐츠를 통해 홍보하고자 하는 대상에 대한 정보를 획득하는 단계(S810)를 수행할 수 있다.

예를 들어, 컴퓨터는 콘텐츠를 통해 홍보하고자 하는 제품, 서비스, 업체, 행사 등에 대한 정보를 획득할 수 있다. 홍보하고자 하는 대상은 구체적인 객체(예를 들어, 제품이나 전단지 등)로 한정될 수도 있으나, 대상의 명칭이나 대상에 대한 정보를 콘텐츠에 텍스트나 음성, 이미지 등으로 포함시켜야 할 수도 있다. 컴퓨터는 홍보대상에 대한 정보뿐 아니라, 홍보대상에 대응하는 객체의 존재여부, 홍보대상의 유형(실물, 텍스트, 음성, 정보 등) 등에 대한 정보를 획득할 수 있다.

또한, 컴퓨터는 상기 단계(S810)에서 획득된 정보의 적어도 일부를 클러스터링하는 단계(S820)를 수행할 수 있다.

예를 들어, 컴퓨터는 홍보하고자 하는 대상에 대해 획득한 정보들로부터 해당 대상의 속성을 나타낼 수 있는 하나 이상의 정보를 획득할 수 있다. 예를 들어, 대상의 종류, 가격, 용도, 수요층, 사용방법, 사용빈도 등에 관련된 정보를 획득하고, 이에 기반하여 클러스터링을 수행할 수 있다.

또한, 컴퓨터는 상기 클러스터링 결과에 기초하여 상기 대상에 대응하는 하나 이상의 클러스터를 결정하는 단계(S830)를 수행할 수 있다.

예를 들어, 컴퓨터는 클러스터링 결과가 속하는 클러스터 혹은 클러스터링 결과 위치로부터 가까운 하나 이상의 클러스터를 결정할 수 있다.

또한, 컴퓨터는 상기 결정된 클러스터에 대응하는 하나 이상의 파라미터를 결정하는 단계(S840)를 수행할 수 있다.

각각의 클러스터에는 학습된 모델에 입력하여 콘텐츠 스타일 정보를 획득할 수 있는, 홍보대상 제품의 정보를 나타내는 파라미터가 저장되거나, 대응될 수 있다.

컴퓨터는 클러스터링을 통해 홍보대상의 특징에 대응하는 파라미터를 결정할 수 있고, 해당 파라미터를 학습된 모델에 입력함으로써 이에 대응하는 콘텐츠 스타일을 획득할 수 있다.

도 13은 일 실시 예에 따른 장치의 구성도이다.

프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 12와 관련하여 설명된 방법을 수행한다.

한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

1. 컴퓨터에 의하여 수행되는 방법에 있어서,
   콘텐츠의 목적정보를 획득하는 단계(S110);
   상기 콘텐츠의 목적정보로부터 하나 이상의 파라미터를 추출하는 단계(S120);
   상기 하나 이상의 파라미터를 학습된 모델에 입력하는 단계(S130); 및
   상기 학습된 모델의 출력에 기반하여 상기 콘텐츠의 스타일을 추천하는 단계(S140); 를 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
2. 제1 항에 있어서,
   상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고,
   상기 단계(S110)는,
   상기 콘텐츠를 통해 홍보하고자 하는 대상에 대한 정보를 획득하는 단계(S210);
   상기 콘텐츠의 종류에 대한 정보를 획득하는 단계(S220); 및
   상기 콘텐츠를 업로드할 채널에 대한 정보를 획득하는 단계(S230); 를 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
3. 제2 항에 있어서,
   상기 콘텐츠는 사진 콘텐츠인 것을 특징으로 하고,
   상기 단계(S140)는,
   사진에 포함될 객체에 대한 정보를 획득하는 단계(S310);
   상기 객체의 크기를 결정하는 단계(S320);
   상기 객체의 사용상태를 결정하는 단계(S330); 및
   사진의 개수를 결정하는 단계(S340); 를 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
4. 제2 항에 있어서,
   상기 콘텐츠는 영상 콘텐츠인 것을 특징으로 하고,
   상기 단계(S140)는,
   상기 영상에서 이용될 광고패턴을 결정하는 단계(S410);
   상기 영상에 포함될 객체에 대한 정보를 획득하는 단계(S420);
   상기 홍보하고자 하는 대상이 상기 영상에 등장하는 시점을 결정하는 단계(S430); 및
   상기 영상의 제목패턴을 결정하는 단계(S440); 를 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
5. 제1 항에 있어서,
   상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고,
   상기 단계(S140)는,
   하나 이상의 콘텐츠 스타일을 결정하는 단계(S510);
   상기 하나 이상의 콘텐츠 스타일에 따른 광고 성과를 예측하는 단계(S520);
   상기 하나 이상의 콘텐츠 스타일에 따른 광고 비용을 예측하는 단계(S530); 및
   상기 성과 및 비용에 기초하여, 하나 이상의 콘텐츠 스타일을 추천하는 단계(S540); 를 더 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
6. 제1 항에 있어서,
   상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고,
   하나 이상의 광고용 콘텐츠에 대한 정보를 획득하는 단계(S610);
   상기 하나 이상의 광고용 콘텐츠의 스타일을 추출하는 단계(S620);
   상기 하나 이상의 광고용 콘텐츠의 광고 성과를 판단하는 단계(S630);
   상기 하나 이상의 광고용 콘텐츠의 스타일 및 이에 대응하는 광고 성과를 포함하는 학습 데이터를 획득하는 단계(S640); 및
   상기 학습 데이터를 이용하여 상기 학습된 모델을 학습시키는 단계(S650); 를 더 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
7. 제6 항에 있어서,
   상기 단계(S610)는,
   하나 이상의 광고용 콘텐츠에 대한 정보를 수집하기 위한 페이지와 연결된 URL을 결정하는 단계(S710);
   상기 결정된 URL에 대응하는 하나 이상의 단축 URL을 생성하되, 상기 하나 이상의 단축 URL은 상기 페이지와 연결되는, 단계(S720);
   상기 하나 이상의 단축 URL을 하나 이상의 광고용 콘텐츠에 각각 할당하는 단계(S730);
   상기 페이지에 대한 유입을 모니터링하되, 각 유입에 대응하는 단축 URL에 대한 정보를 획득하는 단계(S740); 및
   상기 단계(S540)에서 획득된 정보에 기초하여, 상기 페이지에 대한 유입 각각에 대응하는 광고용 콘텐츠에 대한 정보를 획득하는 단계(S750); 를 더 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
8. 제1 항에 있어서,
   상기 콘텐츠는 광고용 콘텐츠인 것을 특징으로 하고,
   상기 단계(S120)는,
   상기 콘텐츠를 통해 홍보하고자 하는 대상에 대한 정보를 획득하는 단계(S810);
   상기 단계(S810)에서 획득된 정보의 적어도 일부를 클러스터링하는 단계(S820);
   상기 클러스터링 결과에 기초하여 상기 대상에 대응하는 하나 이상의 클러스터를 결정하는 단계(S830); 및
   상기 결정된 클러스터에 대응하는 하나 이상의 파라미터를 결정하는 단계(S840); 를 포함하는,
   인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법.
9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
   상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
   상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
   제1 항의 방법을 수행하는, 장치.
10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램

Images