KR20220043534A - 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법 - Google Patents

컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법 Download PDF

Info

Publication number
KR20220043534A
KR20220043534A KR1020200127052A KR20200127052A KR20220043534A KR 20220043534 A KR20220043534 A KR 20220043534A KR 1020200127052 A KR1020200127052 A KR 1020200127052A KR 20200127052 A KR20200127052 A KR 20200127052A KR 20220043534 A KR20220043534 A KR 20220043534A
Authority
KR
South Korea
Prior art keywords
keywords
electronic device
processor
server
content
Prior art date
Application number
KR1020200127052A
Other languages
English (en)
Inventor
민황기
이성민
이유원
김동건
유승열
윤석호
이준엽
이충기
송가진
여재영
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200127052A priority Critical patent/KR20220043534A/ko
Priority to PCT/KR2021/013172 priority patent/WO2022071708A1/ko
Publication of KR20220043534A publication Critical patent/KR20220043534A/ko
Priority to US18/191,470 priority patent/US20230232075A1/en

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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25808—Management of client data
    • H04N21/25841—Management of client data involving the geographical location of the client
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
    • 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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4516—Management of client data or end-user data involving client characteristics, e.g. Set-Top-Box type, software version or amount of memory available
    • 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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4524—Management of client data or end-user data involving the geographical location of the client
    • 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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4828—End-user interface for program selection for searching program descriptors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/658—Transmission by the client directed to the server
    • H04N21/6582—Data stored in the client, e.g. viewing habits, hardware capabilities, credit card number
    • 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
    • H04N21/84—Generation or processing of descriptive data, e.g. content descriptors
    • H04N21/8405—Generation or processing of descriptive data, e.g. content descriptors represented by keywords
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Abstract

전자 장치는 무선 통신 회로, 메모리, 및 프로세서를 포함하고, 메모리는, 실행 시, 프로세서가, 전자 장치의 상태와 연관된 컨텍스트(context) 정보 및 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하고, 컨텍스트 정보 및 컨텐츠 정보에 기반하여 제1 키워드들을 추출하고, 제1 키워드들에 대한 키워드 레벨을 분석하고, 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하고, 무선 통신 회로를 이용하여 제2 키워드들을 적어도 하나의 서버로 전송하도록 하는, 인스트럭션들을 저장할 수 있다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.

Description

컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법{ELECTRONIC DEVICE PROVIDING CONTENTS RECOMMENDATION SERVICE AND METHOD THEREOF}
본 문서에 개시된 다양한 실시예들은 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법에 관한 것이다.
최근 사용자의 전자 장치 사용 상황과 관련성 높은 컨텐츠를 추천하는 서비스가 보급되고 있다. 전자 장치는 사용자의 사용 내역(예: 사용자 데이터)에 기반하여 다양한 컨텐츠를 추천해 줄 수 있다. 예를 들어, 컨텐츠는 뉴스, 영화, 및/또는 음악을 포함할 수 있다. 컨텐츠 추천 서비스의 정확도를 높이기 위하여 관심도가 높은 컨텐츠를 선정하는 방법이 논의되고 있다.
전자 장치는 컨텐츠 추천 서비스를 제공하기 위하여 추천 모델을 이용할 수 있다. 추천 모델은 전자 장치 또는 컨텐츠 추천 서비스를 제공하기 위하여 전자 장치와 통신하는 적어도 하나의 서버에 설치될 수 있다. 추천 모델의 학습은 머신 러닝(machine learning) 기법에 기반하여 수행될 수 있다. 일 실시예에 따르면, 전자 장치는 추천 모델에 사용자 정보(예: 사용자 ID) 및 관련 아이템(예: 컨텍스트 정보, 컨텐츠 정보)을 입력하고, 추천 모델은 사용자의 아이템에 대한 관심 정도를 일정 범위의 수치(예: 0~1)로 출력할 수 있다. 전자 장치는 추천 모델에 방대한 양의 데이터를 입력하여 추천 모델을 학습시킬 수 있다. 학습이 반복될수록 전자 장치는 추천 모델을 이용하여 정확도 높은 컨텐츠를 추천할 수 있다. 예를 들어, 정확도 높은 컨텐츠라 함은, 사용자에게 있어 관심 정도가 높은 컨텐츠로 이해될 수 있다.
컨텐츠 추천을 위한 추천 모델은 다양한 이유로 전자 장치 또는 적어도 하나의 서버에 설치될 수 있다.
예를 들어, 추천 모델이 적어도 하나의 서버에 탑재되는 경우, 추천 모델의 학습 및/또는 동작은 적어도 하나의 서버에서 수행될 수 있다. 전자 장치는 컨텐츠 추천 서비스 제공을 위하여 사용자의 데이터를 적어도 하나의 서버로 전송하고, 적어도 하나의 서버는 수신된 데이터에 기반하여 추천 모델을 학습 및/또는 동작시킬 수 있다. 이 경우, 데이터 전송 과정에서 개인 데이터가 노출될 수 있어 보안 문제가 발생할 수 있다.
다른 예를 들어, 동일 추천 모델이 전자 장치와 적어도 하나의 서버에 각각 탑재되는 경우, 전자 장치는 전자 장치에 탑재된 추천 모델을 개인 데이터로 학습 시킨 뒤, 학습 결과로 나온 모델 파라미터만을 적어도 하나의 서버로 전송할 수 있다. 적어도 하나의 서버는 수신된 모델 파라미터에 기반하여 적어도 하나의 서버에 탑재된 추천 모델을 학습시킬 수 있다. 이 경우, 전자 장치 내의 개인 데이터는 노출되지 않지만, 추천 모델의 학습을 위하여 전자 장치의 많은 양의 자원을 소모하며, 학습 결과를 주고 받는 과정에서 많은 양의 통신 자원이 소모될 수 있다.
컨텐츠 추천 서비스를 제공함에 있어서, 개인 데이터를 보호하면서 전자 장치 또는 통신 자원의 소모를 감소시킬 수 있는 추천 모델 및 컨텐츠 추천 방법이 논의될 수 있다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치는 무선 통신 회로, 메모리, 및 프로세서를 포함하고, 상기 메모리는, 실행 시, 상기 프로세서가, 상기 전자 장치의 상태와 연관된 컨텍스트(context) 정보 및 상기 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하고, 상기 컨텍스트 정보 및 상기 컨텐츠 정보에 기반하여 제1 키워드들을 추출하고, 상기 제1 키워드들에 대한 키워드 레벨을 분석하고, 상기 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하고, 상기 무선 통신 회로를 이용하여 상기 제2 키워드들을 적어도 하나의 서버로 전송하도록 할 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 전자 장치의 운용 방법은, 상기 전자 장치의 상태와 연관된 컨텍스트(context) 정보 및 상기 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하는 동작, 상기 컨텍스트 정보 및 상기 컨텐츠 정보에 기반하여 제1 키워드들을 추출하는 동작, 상기 제1 키워드들에 대한 키워드 레벨을 분석하는 동작, 상기 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하는 동작, 및 상기 제2 키워드들을 적어도 하나의 서버로 전송하는 동작을 포함할 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 적어도 하나의 프로세서에 의하여 실행 가능한 하나 이상의 인스트럭션들을 저장하는 컴퓨터 판독 가능 기록 매체에 있어서, 상기 하나 이상의 인스트럭션들은 상기 전자 장치의 상태와 연관된 컨텍스트(context) 정보 및 상기 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하는 동작, 상기 컨텍스트 정보 및 상기 컨텐츠 정보에 기반하여 제1 키워드들을 추출하는 동작, 상기 제1 키워드들에 대한 키워드 레벨을 분석하는 동작, 상기 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하는 동작, 및 상기 제2 키워드들을 적어도 하나의 서버로 전송하는 동작을 포함할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 전자 장치는 사용자 데이터를 기설정된 키워드 레벨에 따라 상위 개념으로 변환한 뒤, 적어도 하나의 서버로 전송함으로써, 개인 정보를 보호할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 전자 장치는 적어도 하나의 서버로부터 수신한 추천 컨텐츠를 전자 장치에 저장된 사용자 데이터에 기반하여 리스코어링함으로써, 컨텐츠 추천의 정확도를 높일 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 추천 모델의 학습이 적어도 하나의 서버에서 수행되므로, 전자 장치는 효율적으로 전자 장치의 자원을 관리할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블럭도이다.
도 2는 일 실시예에 따른 전자 장치의 구성을 도시한 블럭도이다.
도 3은 일 실시예에 따른 전자 장치에서 수행되는 추천 모델 학습을 위한 동작을 설명한 흐름도이다.
도 4는 일 실시예에 따른 전자 장치에서 수행되는 컨텐츠 추천 동작을 설명한 흐름도이다.
도 5는 일 실시예에 따른 전자 장치와 적어도 하나의 서버의 컨텐츠 추천을 도시한 것이다.
도 6은 일 실시예에 따른, 전자 장치의 기설정된 키워드 레벨을 결정하기 위한 사용자 인터페이스를 도시한 것이다.
도 7은 일 실시예에 따른 컨텐츠 추천을 도시한 것이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어™)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 2는 일 실시예에 따른 전자 장치의 구성을 도시한 블럭도이다.
일 실시예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는 프로세서(200)(예: 도 1의 프로세서(120)), 메모리(210)(예: 도 1의 메모리(130)), 및/또는 무선 통신 회로(220)(예: 도 1의 무선 통신 모듈(192))를 포함할 수 있다. 도 2에 도시된 전자 장치(101)의 구성은 예시적인 것으로, 본 문서의 실시예가 이에 제한되는 것은 아니다. 예를 들어, 전자 장치(101)는 배터리(예: 도 1의 배터리(189))를 더 포함할 수 있다.
프로세서(200)는 예를 들면, 소프트웨어(예: 도 1의 프로그램(140))를 실행하여 프로세서(200)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다.
메모리(210)는, 전자 장치(101)의 프로세서(200)에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 도 1의 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 또 다른 예를 들어, 데이터는 사용자 데이터를 포함할 수 있다.
무선 통신 회로(220)는 전자 장치(101)와 외부 전자 장치(예: 도 1의 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 무선 통신 채널의 수립, 및 수립된 무선 통신 채널을 통한 무선 통신 수행을 지원할 수 있다. 무선 통신 회로(220)는 프로세서(200)(예: 도 1의 어플리케이션 프로세서)와 독립적으로 운영되고, 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서(예: 도 1의 커뮤니케이션 프로세서)를 포함할 수 있다.
일 실시예에 따르면, 프로세서(200)는 네트워크(250)(예: 도 1의 제2 네트워크(199))를 통하여 적어도 하나의 서버(260)(예: 도 1의 서버(108))와 통신할 수 있다.
적어도 하나의 서버(260)는 추천 모델을 포함할 수 있다. 프로세서(200)는 적어도 하나의 서버(260)와 컨텐츠 추천을 위한 데이터를 주고 받을 수 있다. 예를 들어, 프로세서(200)는 컨텍스트 정보 및/또는 컨텐츠 정보를 획득하고, 컨텍스트 정보 및/또는 컨텐츠 정보에 기반하여 키워드들을 추출하고, 추출된 키워드들을 기설정된 키워드 레벨의 상위 개념으로 변환하여 무선 통신 회로(220)를 이용하여 적어도 하나의 서버(260)로 전송할 수 있다. 적어도 하나의 서버(260)는 전자 장치(101)로부터 수신한 데이터에 기반하여 추천 모델을 학습시킬 수 있다. 전자 장치(101)로부터 컨텐츠 추천 요청이 있는 경우, 적어도 하나의 서버(260)는 추천 모델로부터 추천 컨텐츠를 출력 및 선정한 뒤, 추천 컨텐츠를 전자 장치(101)로 전송할 수 있다. 프로세서(200)는 수신한 추천 컨텐츠를 리스코어링한 뒤, 최종 추천 컨텐츠를 결정할 수 있다. 예를 들어, 프로세서(200)는 디스플레이(예: 도 1의 디스플레이 모듈(160))를 통하여 최종 추천 컨텐츠를 제공할 수 있다.
도 3은 일 실시예에 따른 전자 장치에서 수행되는 추천 모델 학습을 위한 동작을 설명한 흐름도이다.
동작 300을 참조하면, 프로세서(예: 도 1의 프로세서(120) 또는 도 2의 프로세서(200))는 전자 장치(예: 도 1 또는 도 2의 전자 장치(101))의 상태와 연관된 컨텍스트 정보 및 전자 장치(101)에서 제공 중인 컨텐츠 정보를 획득할 수 있다. 컨텍스트 정보 및 컨텐츠 정보는 사용자가 전자 장치(101)를 사용하는 중에 획득될 수 있다. 예를 들어, 컨텍스트 정보는 전자 장치(101)의 사용자가 출근 중인지, 퇴근 중인지, 집에 있는지, 회사에 있는지, 및/또는 수면 중인지와 같은 사용자의 상황에 대한 정보를 포함할 수 있다. 컨텐츠 정보는 전자 장치(101)가 사용자에게 제공하는 컨텐츠에 대한 정보로 이해될 수 있다. 예를 들어, 사용자가 전자 장치(101)를 이용하여 뉴스 기사를 읽고 있는 경우, 컨텐츠 정보는 기사의 내용에 대한 정보로 이해될 수 있다.
동작 310에서, 프로세서(200)는 컨텍스트 정보 및 컨텐츠 정보에 기반하여 제1 키워드들을 추출하고 제1 키워드들의 키워드 레벨을 분석할 수 있다. 예를 들면, 제1 키워드들은 컨텍스트 정보 및/또는 컨텐츠 정보를 대표하는 핵심 단어들을 의미할 수 있다. 예를 들어, 프로세서(200)는 제1 키워드들의 카테고리를 분석하여 그 상위 개념들을 계층적으로 획득하고, 제1 키워드들의 상위 개념들을 키워드 레벨에 따라 분류할 수 있다. 아래 예시에서는 키워드 레벨을 3개의 계층으로 분류하였으나, 이는 예시적인 것으로 본 문서의 실시예가 이에 제한되는 것은 아니다. 예를 들어, 프로세서(200)는 제1 키워드들에 대하여 더 세분화된 상위 개념을 획득할 수 있다. 예를 들어, 제1 키워드들 중 하나가 류현진인 경우, 프로세서(200)는 류현진의 카테고리를 분석하고 그 상위 개념으로서 야구, 스포츠를 획득할 수 있다.
동작 320에서, 프로세서(200)는 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득할 수 있다. 기설정된 키워드 레벨은 사용자에 의해 지정될 수 있다. 예를 들어, 제1 키워드인 류현진의 키워드 레벨을 레벨 1로 한다면, 류현진보다 한 단계 상위 개념인 야구의 키워드 레벨은 레벨 2, 야구보다 한 단계 더 상위의 개념인 스포츠의 키워드 레벨은 레벨 3으로 참조될 수 있다. 기설정된 키워드 레벨이 레벨 2인 경우, 프로세서(200)는 제1 키워드인 류현진을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여, 야구를 제2 키워드로 획득할 수 있다.
상술된 바와 같이, 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하는 동작은 데이터 추상화(abstraction)로 참조될 수 있다.
동작 330에서, 프로세서(200)는 무선 통신 회로(예: 도 2의 무선 통신 회로(220))를 이용하여 제2 키워드들을 적어도 하나의 서버(260)로 전송할 수 있다. 적어도 하나의 서버(260)는 제2 키워드들을 이용하여 추천 모델을 학습시킬 수 있다. 추천 모델의 학습에 대한 설명은 도 5에 대한 설명에 의해 참조될 수 있다. 제2 키워드들은 제1 키워드들의 상위 개념이므로, 적어도 하나의 서버(260)로 전송 시에 제2 키워드들의 노출로 인한 개인 정보의 노출 정도가 감소할 수 있다. 개인 정보의 노출 정도는 각 개인이 기설정한 키워드 레벨에 따라 달라지며, 기설정된 키워드 레벨이 높을수록 개인 정보는 더 적게 노출될 수 있다. 프로세서(200)는 사용자 ID를 제2 키워드들과 적어도 하나의 서버(260)로 함께 전송할 수 있다. 사용자 ID는 개인 정보를 포함하지 않고 사용자를 식별하기 위한 용도로 사용될 수 있다.
프로세서 제1 사용자 제2 사용자
컨텍스트 정보 및 컨텐츠 정보 획득 출근 상황에서 "류현진 20승" 뉴스 기사를 읽음
(컨텍스트 부가 정보: 직장 - 삼성전자(수원시))		 출근 상황에서
"Avenger" 영화를 시청
(컨텍스트 부가 정보: 직장 - 삼성전자(수원시))
제1 키워드들 추출 삼성 전자
류현진 20승 달성		 삼성 전자
어벤져스
키워드 레벨 분석 [레벨0]-[레벨1]-[레벨2]
삼성 전자- 수원 - 경기도
류현진 - 야구 - 스포츠		 [레벨0]-[레벨1]-[레벨2]
삼성전자 - 수원 - 경기도
어벤져스 - SF 영화 - 영화
사용자 데이터 저장 저장 저장
기설정된 키워드 레벨에 따라 상위 개념으로 변환 기 설정된 키워드 레벨 : 레벨 2
삼성 전자 → 수원
류현진 → 야구		 기 설정된 키워드 레벨 : 레벨 3
삼성 전자 → 경기도
어벤져스 → 영화
제2 키워드들 획득 수원야구 경기도
영화
적어도 하나의 서버로 전송 사용자 ID: USER1
컨텍스트: COMMUTE_TO_WORK [수원]
컨텐츠: 야구		 사용자 ID: USER2
컨텍스트: COMMUTE_TO_WORK [경기도]
컨텐츠: 영화
표 1은 일 실시예에 따른 전자 장치(101)가 컨텍스트 및 컨텐츠 정보로부터 제1 키워드들 및 제2 키워드들을 획득하고, 제2 키워들을 적어도 하나의 서버(260)로 전송하기까지의 동작을 표로 나타낸 것이다.
제1 사용자 및 제2 사용자는 각각 제1 전자 장치(예: 도 1의 전자 장치(101)) 및 제2 전자 장치(예: 도 1의 전자 장치(101))의 사용자로 이해될 수 있다. 표 1은 각각의 사용자가 자신의 전자 장치를 이용하여 적어도 하나의 서버(260)로 컨텐츠 추천을 위한 개인 정보를 전송하는 동작을 나타낸 것으로 이해될 수 있다. 이하에서, 제1 전자 장치 및 제2 전자 장치의 동작은 각각의 전자 장치의 프로세서(예: 도 2의 200)에 의해 수행되는 것으로 이해될 수 있다.
일 실시예에 따르면, 제1 전자 장치 및 제2 전자 장치는 제1 사용자 및 제2 사용자의 전자 장치 사용 내용에 기반하여 컨텍스트 정보 및 컨텐츠 정보를 획득할 수 있다. 예를 들어, 제1 사용자는 제1 전자 장치를 이용하여 출근 상황에서 "류현진 20승" 뉴스 기사를 읽을 수 있다. 출근 상황은 컨텍스트 정보, "류현진 20승" 뉴스 기사는 컨텐츠 정보로 이해될 수 있다. 제2 사용자는 제2 전자 장치를 이용하여 출근 상황에서 "어벤져스" 영화를 시청할 수 있다. 출근 상황은 컨텍스트 정보, "어벤져스" 영화는 컨텐츠 정보로 이해될 수 있다. 제1 사용자와 제2 사용자의 출근 상황과 관련하여, 출근 장소는 경기도 수원시 영통구에 위치하는 삼성 전자로 이해될 수 있다. 이는, 도 3의 동작 300에 대응할 수 있다.
일 실시예에 따르면, 제1 전자 장치 및 제2 전자 장치는 각 사용자의 컨텍스트 정보 및 컨텐츠 정보에 기반하여 제1 키워드들을 추출할 수 있다. 예를 들어, 제1 전자 장치는 제1 사용자의 컨텍스트 정보 및 컨텐츠 정보에 기반하여 각각 삼성 전자 및 류현진 20승 달성을 제1 키워드들로 추출할 수 있다. 예를 들어, 제2 전자 장치는 제2 사용자의 컨텍스트 정보 및 컨텐츠 정보에 기반하여 각각 삼성 전자 및 어벤져스를 제1 키워드들로 추출할 수 있다. 이는, 도 3의 동작 310에 대응할 수 있다.
일 실시예에 따르면, 프로세서(200)는 제1 키워드들의 카테고리를 분석하여 그 상위 개념들을 계층적으로 획득할 수 있다. 예를 들어, 제1 전자 장치 및 제2 전자 장치는 삼성 전자를 지역명으로 카테고리화할 수 있다. 제1 전자 장치 및 제2 전자 장치는 지역명 카테고리에서 삼성 전자의 상위 개념으로 수원 및 경기도를 획득할 수 있다. 제1 전자 장치 및 제2 전자 장치는 삼성 전자를 레벨 1, 수원을 레벨 2, 경기도를 레벨 3으로 분류할 수 있다. 예를 들어, 제1 전자 장치는 류현진을 스포츠로 카테고리화할 수 있다. 제1 전자 장치는 스포츠 카테고리에서 류현진의 상위 개념으로 야구 및 스포츠를 획득할 수 있다. 제1 전자 장치는 류현진을 레벨 1, 야구를 레벨 2, 스포츠를 레벨 3으로 분류할 수 있다. 예를 들어, 제2 전자 장치는 어벤져스를 영화로 카테고리화할 수 있다. 제2 전자 장치는 영화 카테고리에서 어벤져스의 상위 개념으로 SF 영화 및 영화를 획득할 수 있다. 제2 전자 장치는 어벤져스를 레벨 1, SF 영화를 레벨 2, 영화를 레벨 3으로 분류할 수 있다. 이는, 도 3의 동작 310에 대응할 수 있다. 제1 전자 장치 및 제2 전자 장치는 각각의 메모리(예: 도 2의 메모리(210))에 제1 키워드들을 사용자 데이터로 저장할 수 있다. 사용자 데이터는 사용자의 개인 정보를 포함할 수 있다. 사용자 데이터는 추후 추천 컨텐츠를 리스코어링하기 위해 이용될 수 있다.
일 실시예에 따르면, 제1 전자 장치 및 제2 전자 장치는 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득할 수 있다. 제1 사용자와 제2 사용자의 기설정된 키워드 레벨은 상이할 수 있다. 예를 들어, 제1 사용자의 기설정된 키워드 레벨은 레벨 2로 참조될 수 있다. 제1 전자 장치는 제1 키워드들(예: 삼성 전자, 류현진)을 기설정된 키워드 레벨(예: 레벨 2)에 따라 상위 개념으로 변환하여 각각 수원 및 야구를 제2 키워드들로 획득될 수 있다. 예를 들어, 제2 사용자의 기설정된 키워드 레벨은 레벨 3으로 참조될 수 있다. 제2 전자 장치는 제1 키워드들(예: 삼성 전자, 어벤져스)을 기설정된 키워드 레벨(예: 레벨 3)에 따라 상위 개념으로 변환하여 각각 경기도 및 영화를 제2 키워드들로 획득될 수 있다. 이는, 도 3의 동작 320에 대응할 수 있다. 제2 사용자의 기설정된 키워드 레벨이 제1 사용자보다 높으므로, 제2 사용자의 키워드들에 대한 데이터 추상화 정도가 더 높은 것으로 이해될 수 있다.
일 실시예에 따르면, 제1 전자 장치 및 제2 전자 장치는 제2 키워드들을 무선 통신 회로(220)를 이용하여 적어도 하나의 서버(260)로 전송할 수 있다. 예를 들어, 제1 사용자의 경우, 제1 전자 장치는 적어도 하나의 서버(260)로 사용자 ID와 함께 컨텍스트 정보(예: 수원으로 출근 중) 및 컨텐츠 정보(예: 야구)를 전송할 수 있다. 예를 들어, 제2 사용자의 경우, 제2 전자 장치는 적어도 하나의 서버(260)로 사용자 ID와 함께 컨텍스트 정보(예: 경기도로 출근 중) 및 컨텐츠 정보(예: 영화)를 전송할 수 있다. 제2 사용자의 데이터 추상화 정도가 제1 사용자보다 높으므로, 제2 사용자의 개인 정보 노출 정도가 더 낮을 수 있다. 반면에 일 실시예에 따르면, 적어도 하나의 서버(260)로 전송된 제2 키워드들은 적어도 하나의 서버(260)에 탑재된 추천 모델의 학습을 위한 입력 데이터로 이용될 수 있다. 따라서, 제1 사용자의 제2 키워드들이 개인화된 추천을 위한 학습 데이터로서 더 적합할 수 있다.
도 4는 일 실시예에 따른 전자 장치에서 수행되는 컨텐츠 추천 동작을 설명한 흐름도이다.
동작 400을 참조하면, 프로세서(예: 도 2의 프로세서(200))는 컨텐츠 추천 요청의 발생을 확인할 수 있다. 예를 들어, 컨텐츠 추천 요청은 사용자 입력에 의해 발생될 수 있다. 다른 예를 들어, 컨텐츠 추천 요청은 전자 장치(예: 도 1 또는 도 2의 전자 장치(101))가 지정된 동작(예: 인공 지능 비서 어플리케이션 실행) 수행 중에 자동적으로 발생할 수 있다.
동작 410에서, 프로세서(200)는 전자 장치(101)의 현재 컨텍스트 정보를 획득할 수 있다.
동작 420에서, 프로세서(200)는 현재 컨텍스트 정보에 기반하여 제3 키워드들을 추출하고, 제3 키워드들에 대한 키워드 레벨을 분석할 수 있다. 예를 들어, 프로세서(200)는 도 3의 동작 310과 동일하거나 유사한 원리에 따라서 동작 420을 수행할 수 있다. 제3 키워드들은 도 3의 제1 키워드들의 적어도 일부에 대응할 수 있으나, 제1 키워드들의 획득 시점은 제3 키워드들의 획득 시점과 상이한 것으로 이해될 수 있다. 예를 들어, 도 3의 제1 키워드들은 동작 300이 수행될 당시의 컨텍스트 정보 및 컨텐츠 정보에 기반한 키워드들로 이해될 수 있다. 제3 키워드들은 동작 400의 추천 요청이 발생할 당시의 컨텍스트 정보에 기반한 키워드들로 이해될 수 있다. 시간적으로 동작 400은 동작 300 이후에 수행되는 것으로 이해될 수 있다.
동작 430에서, 프로세서(200)는 제3 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제4 키워드들을 획득할 수 있다. 기설정된 키워드 레벨은 사용자에 의해 사전에 정의될 수 있다. 일 실시예에 따르면, 사용자 설정에 따라 도 4의 기설정된 키워드 레벨은 도 3의 기설정된 키워드 레벨과 상이할 수 있다.
동작 440에서, 프로세서(200)는 무선 통신 회로(예: 도 2의 무선 통신 회로(220))를 이용하여 제4 키워드들을 적어도 하나의 서버(예: 도 2의 적어도 하나의 서버(260))로 전송할 수 있다.
동작 450에서, 프로세서(200)는 적어도 하나의 서버(260)로부터 제4 키워드들에 기반하여 생성된 추천 컨텐츠들을 수신할 수 있다. 적어도 하나의 서버(260)가 추천 컨텐츠들을 선정하는 방법에 대한 설명은 도 5에 대한 설명에 의해 참조될 수 있다.
동작 460에서, 프로세서(200)는 메모리(예: 도 2의 메모리(210))에 저장된 사용자 데이터에 기반하여 추천 컨텐츠들을 리스코어링할 수 있다. 사용자 데이터는 예를 들어, 도 3의 동작 310에서 획득한 제1 키워드들로 참조될 수 있다. 일 실시예에 따르면, 프로세서(200)는 다양한 알고리즘을 이용하여 추천 컨텐츠들을 리스코어링할 수 있다. 예를 들어, 프로세서(200)는 문자열 매칭 알고리즘을 이용할 수 있다. 프로세서(200)는 추천 컨텐츠들의 문자열이 사용자 데이터를 포함하는 정도에 따라 유사도를 부여할 수 있다. 프로세서(200)는 유사도에 기반하여 추천 컨텐츠들을 리스코어링할 수 있다. 다른 예를 들어, 프로세서(200)는 코사인(cosine) 유사도 알고리즘을 이용할 수 있다. 코사인 유사도 알고리즘은 두 벡터 간의 코사인 각도를 이용하여 두 벡터의 유사도를 구하는 방법으로 참조될 수 있다. 두 벡터의 방향이 완전히 동일하여 두 벡터가 이루는 각도가 0˚인 경우, 코사인 유사도는 1의 값을 가지며 두 벡터가 이루는 각도가 90˚인 경우, 코사인 유사도는 0의 값을, 두 벡터가 이루는 각도가 180˚인 경우, 코사인 유사도는 -1의 값을 가질 수 있다. 코사인 유사도는 -1 이상 1 이하의 값을 가질 수 있으며, 코사인 유사도가 1에 근접할수록 유사도가 높은 것으로 이해될 수 있다. 프로세서(200)는 추천 컨텐츠들 문자열의 내재(embedding) 벡터와 사용자 데이터의 내재 벡터들 사이의 코사인 유사도를 획득하고, 코사인 유사도 중 최대값을 최종 유사도로 결정할 수 있다. 프로세서(200)는 최종 유사도에 기반하여 추천 컨텐츠들을 리스코어링할 수 있다. 또 다른 예를 들어, 프로세서(200)는 Jaccard 지수 알고리즘을 이용할 수 있다. Jaccard 지수(Jaccard index)는 두 집합 사이의 유사도를 측정하는 방법 중의 하나로 Jaccard 계수(Jaccard coefficient) 또는 Jaccard 유사도(Jaccard similarity)로 지칭될 수 있다. 추천 컨텐츠의 문자열에서 추출한 단어들의 집합을 A, 사용자 데이터의 집합을 B라고 할 때, Jaccard 지수는 수학식 1과 같이 정의될 수 있다. Jaccard 지수 알고리즘에 의하면 프로세서(200)는 두 집합(A, B)이 동일한 경우 1을, 두 집합(A, B)의 공통 원소가 하나도 없는 경우 0을 결과 값으로 획득할 수 있다. 그 외의 경우, 프로세서(200)는 0과 1 사이의 값을 결과 값으로 획득할 수 있다.
Figure pat00001
동작 470에서, 프로세서(200)는 리스코어링 결과에 기반하여 최종 추천 컨텐츠들을 결정할 수 있다.
도 3 및 도 4에서 프로세서(200)가 적어도 하나의 서버(260)로 전송하는 제2 키워드들 및 제4 키워드들의 추상화 정도가 낮을수록, 프로세서(200)는 도 4의 동작 450에서 더 개인화된 추천 컨텐츠를 수신할 수 있다. 또한, 도 4의 동작 450에서 수신한 추천 컨텐츠의 정확도(또는 관심 점수)가 낮더라도, 프로세서(200)는 동작 460의 리스코어링을 통하여 컨텐츠 추천 서비스의 정확도를 높일 수 있다. 프로세서(200)는 도 3 내지 도 4의 동작들을 수행하여 개인 정보 노출의 위험을 줄이고, 전자 장치(101)의 자원을 효율적으로 사용하면서도 정확도 높은 컨텐츠 추천 서비스를 제공할 수 있다.
제1 사용자
(사용자 데이터 : 류현진, 삼성전자)		 제2 사용자
(사용자 데이터 : 어벤져스, 삼성전자)
추천 컨텐츠들 관심점수 추천 컨텐츠들 관심점수
조정 전 조정 후 조정 전 조정 후
[KBO] 어제 경기 하이라이트 0.96 0.48 경기도 예술영화제 개최 0.96 0.48
류현진 사이영상 가능성 분석 0.94 0.94 어벤져스 후속편 소식 0.94 0.94
삼성 전자 수원 부동산 시세 견인? 0.90 0.90 [최신 영화] 피아노의 숲 0.90 0.45
표 2는 일 실시예에 따른, 전자 장치의 추천 컨텐츠들에 대한 리스코어링을 나타낸 것이다.
제1 사용자 및 제2 사용자는 각각 제1 전자 장치(예: 도 1의 전자 장치(101)) 및 제2 전자 장치(예: 도 1의 전자 장치(101))의 사용자로 이해될 수 있다. 표 2는 각각의 사용자가 자신의 전자 장치를 이용하여 적어도 하나의 서버(260)로부터 수신한 추천 컨텐츠들을 리스코어링하는 동작을 나타낸 것으로 이해될 수 있다. 이하에서, 제1 전자 장치 및 제2 전자 장치의 동작은 각각의 전자 장치의 프로세서(예: 도 1의 프로세서(120) 또는 도 2의 프로세서(200))에 의해 수행되는 것으로 이해될 수 있다.
일 실시예에 따르면, 제1 전자 장치 및 제2 전자 장치는 적어도 하나의 서버(예: 도 2의 적어도 하나의 서버(260))로부터 추천 컨텐츠들을 수신할 수 있다. 추천 컨텐츠들은 제4 키워드들(예: 도 4의 제4 키워드들)에 기반하여 생성된 것으로 이해될 수 있다. 제1 전자 장치 및 제2 전자 장치는 예를 들어, 문자열 매칭 알고리즘을 사용하여 리스코어링을 수행할 수 있다. 예를 들어, 프로세서(200)는 추천 컨텐츠의 문자열이 사용자 데이터 중 어느 하나를 포함하면 1의 가중치를, 그렇지 않으면 1/2의 가중치를 주어 관심 점수를 리스코어링할 수 있다.
일 실시예에 따르면, 제1 전자 장치는 적어도 하나의 서버(260)로부터 제1 사용자에 대한 추천 컨텐츠들을 수신할 수 있다. 적어도 하나의 서버(260)는 관심 점수(예: 조정 전 관심 점수)가 높은 추천 컨텐츠들을 생성하여 제1 전자 장치로 전송할 수 있다. 조정 전 관심 점수는 추천 컨텐츠들에 대하여 적어도 하나의 서버(260)에 탑재된 추천 모델이 부여한 점수로 이해될 수 있다. 관심 점수는 추상화된 데이터(예: 제4 키워드들)에 기반하여 계산된 것이기 때문에, 제1 전자 장치는 이를 리스코어링하여 개인의 관심사에 좀 더 부합하는 추천 컨텐츠를 선별할 필요가 있다.
일 실시예에 따르면, 제1 전자 장치는 사용자 데이터에 기반하여 제1 사용자에 대한 추천 컨텐츠들을 리스코어링할 수 있다. 사용자 데이터는 메모리(예: 도 2의 메모리(210))에 저장될 수 있다. 예를 들어, 제1 사용자의 사용자 데이터는 표 2를 참조하여 '삼성 전자'와 '류현진 20승 달성'을 포함할 수 있다. 제1 전자 장치는 추천 컨텐츠들을 리스코어링하여 조정 후 관심 점수를 획득할 수 있다. 조정 후 관심 점수는 제1 전자 장치가 적어도 하나의 서버(260)로부터 수신한 추천 컨텐츠들의 조정 전 관심 점수를 다양한 알고리즘을 이용하여 리스코어링한 것으로 이해될 수 있다. 조정 후 관심 점수는 추천 컨텐츠들이 사용자 데이터와 유사할수록 더 높게 부여될 수 있다. 제1 전자 장치는 조정 후 관심 점수가 임계값보다 높은 컨텐츠를 최종 추천 컨텐츠들로 결정할 수 있다. 예를 들어, 제1 전자 장치는 조정 후 관심 점수가 0.5(임계값) 이상인 컨텐츠만을 추천 컨텐츠로 사용자에게 제공할 수 있다. 일 예로, '류현진 사이영상 가능성 분석' 및 '삼성 전자 수원 부동산 시세 견인'은 적어도 하나의 서버(260)의 추천 모델로부터 높은 관심 점수(0.94, 0.90)를 부여받았고, 리스코어링을 통해 부여된 조정 후 관심 점수(0.94, 0.90)도 임계값(0.5) 이상이므로, 최종 추천 컨텐츠들로 사용자에게 제공될 수 있다. 다른 일 예로, '[KBO] 어제 경기 하이라이트'는 적어도 하나의 서버(260)의 추천 모델로부터 높은 관심 점수(0.96)를 부여 받았으나, 리스코어링을 통해 부여된 관심 점수(0.48)가 임계값(0.5) 이하이므로, 최종 추천 컨텐츠들에서 제외될 수 있다.
일 실시예에 따르면, 제2 전자 장치는 적어도 하나의 서버(260)로부터 제2 사용자에 대한 추천 컨텐츠들을 수신할 수 있다. 제2 전자 장치는 사용자 데이터에 기반하여 제2 사용자에 대한 추천 컨텐츠들을 리스코어링할 수 있다. 예를 들어, 제2 사용자의 사용자 데이터는 표 2를 참조하여 '삼성 전자'와'어벤져스'를 포함할 수 있다. 제2 전자 장치는 추천 컨텐츠들을 리스코어링하여 조정 후 관심 점수를 획득할 수 있다. 제2 전자 장치는 조정 후 관심 점수가 임계값보다 높은 컨텐츠를 최종 추천 컨텐츠들로 결정할 수 있다. 예를 들어, 프로세서(200)는 조정 후 관심 점수가 0.5(임계값) 이상인 컨텐츠만을 추천 컨텐츠로 사용자에게 제공할 수 있다. 일 예로, '어벤져스 후속편 소식'은 적어도 하나의 서버(260)의 추천 모델로부터 높은 관심 점수(0.94)를 부여받았고, 리스코어링을 통해 부여된 조정 후 관심 점수(0.94)도 임계값(0.5) 이상이므로, 최종 추천 컨텐츠로 사용자에게 제공될 수 있다. 다른 일 예로, '경기도 예술 영화제 개최' 및 '[최신 영화] 피아노의 숲'은 적어도 하나의 서버(260)의 추천 모델로부터 높은 관심 점수(0.96, 0.90)를 부여 받았으나, 리스코어링을 통해 부여된 관심 점수(0.48, 0.45)가 임계 값(0.5) 이하이므로, 최종 추천 컨텐츠들에서 제외될 수 있다.
도 5는 일 실시예에 따른 전자 장치와 적어도 하나의 서버의 컨텐츠 추천을 도시한 것이다.
일 실시예에 따르면, 컨텐츠 추천 서비스를 제공하는 동작은 학습 동작 및 추천 동작을 포함할 수 있다. 학습 동작 및 추천 동작은 전자 장치(예: 도 1의 전자 장치(101)) 및 적어도 하나의 서버(예: 도 2의 적어도 하나의 서버(260))에서 나누어 수행될 수 있다. 참조 번호 500의 동작들은 전자 장치(101)에서 수행되는 동작들로 이해될 수 있다. 참조 번호 550의 동작들은 적어도 하나의 서버(260)에서 수행되는 동작들로 이해될 수 있다.
전자 장치(101)에서 수행되는 학습과 관련된 동작들은 참조 번호 510으로, 적어도 하나의 서버(260)에서 수행되는 학습과 관련된 동작들은 참조 번호 560으로 참조될 수 있다. 전자 장치(101)에서 수행되는 추천과 관련된 동작들은 참조 번호 515로, 적어도 하나의 서버(260)에서 수행되는 추천과 관련된 동작들은 참조 번호 565로 참조될 수 있다.
일 실시예에 따르면, 학습 동작의 일부는 전자 장치(101)에서 수행될 수 있다. 참조 번호 510을 참조하면, 사용자가 전자 장치(101)를 사용 중인 경우, 프로세서(예: 도 2의 프로세서(200))는 전자 장치(101)의 컨텍스트 정보 및 컨텐츠 정보를 획득할 수 있다. 프로세서(200)는 컨텍스트 정보 및 컨텐츠 정보에 기반하여 제1 키워드들을 추출하고 제1 키워드들에 대한 키워드 레벨 분석을 할 수 있다. 키워드 레벨 분석을 통하여 프로세서(200)는 키워드 레벨에 따른 제1 키워드에 대한 상위 개념들을 획득할 수 있다. 예를 들어, 프로세서(200)는 제1 키워드들을 카테고리화하고, 해당 카테고리에서 제1 키워드들에 대한 상위 개념을 획득할 수 있다. 프로세서(200)는 획득된 제1 키워드들에 대한 상위 개념을 키워드 레벨에 따라 분류할 수 있다. 프로세서(200)는 제1 키워드들을 메모리(예: 도 2의 메모리(210))에 사용자 데이터로 저장할 수 있다. 사용자 데이터는 추천 동작에서 리스코어링을 위해 사용될 수 있다. 프로세서(200)는 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득할 수 있다. 프로세서(200)는 무선 통신 회로(예: 도 2의 무선 통신 회로(220))를 이용하여 제2 키워드들을 적어도 하나의 서버(260)로 전달할 수 있다. 제2 키워드들은 제1 키워드들의 상위 개념이므로, 적어도 하나의 서버(260)로 전송 시에 더 낮은 수준의 개인 정보 유출이 우려될 수 있다. 즉, 기설정된 키워드 레벨이 높을수록 제2 키워드들은 더 적은 개인 정보를 포함할 수 있다.
일 실시예에 따르면, 학습 동작의 일부는 적어도 하나의 서버(260)에서 수행될 수 있다. 적어도 하나의 서버(260)는 추천 모델을 탑재할 수 있다. 참조 번호 560을 참조하면, 적어도 하나의 서버(260)는 전자 장치(101)로부터 제2 키워드들을 수신할 수 있다. 적어도 하나의 서버(260)는 제2 키워드들에 기반하여 학습 데이터를 생성할 수 있다. 적어도 하나의 서버(260)는 추천 모델에 학습 데이터를 입력하여 추천 모델을 학습시킬 수 있다.
입력 사용자 ID
제2 키워드들
모델 사용자 인코더 사용자 ID 및 제2 키워드들 중 컨텍스트 정보와 관련된 일부를 입력으로 받아 실수 벡터로 표현
아이템 인코더 제2 키워드들 중 컨텐츠 정보와 관련된 일부를 입력으로 받아 실수 벡터로 표현
신경망 모델 사용자 encoder와 아이템 encoder의 출력을 입력으로 받아 두 입력 사이의 관련성을 모델링
출력 관심 점수 사용자가 특정 context에서 특정 content에 대하여 가지고 있는 관심의 정도
표 3은 추천 모델 및 추천 모델과 관련된 데이터를 나타낸 것이다. 일 실시예에 따르면, 추천 모델은 사용자 ID 및 제2 키워드들을 입력으로 받을 수 있다. 제2 키워드들은 컨텍스트 정보와 관련된 키워드들과 컨텐츠 정보와 관련된 키워드들을 포함할 수 있다. 추천 모델은 사용자 인코더(encoder), 아이템 인코더, 및/또는 신경망(neural network) 모델을 포함할 수 있다. 사용자 인코더는 사용자 ID 및 제2 키워드들 중 컨텍스트 정보와 관련된 일부를 입력으로 받아 실수 벡터로 표현할 수 있다. 아이템 인코더는 제2 키워드들 중 컨텐츠 정보와 관련된 일부를 입력으로 받아 실수 벡터로 표현할 수 있다. 신경망 모델은 사용자 인코더와 아이템 인코더의 출력을 입력으로 받아 두 입력 사이의 관련성을 모델링한 신경망 구조의 모델일 수 있다.
신경망 구조는 DNN(deep neural network), BLSTM(bidirectional long short term memory)과 같이 다양한 구조로 구현될 수 있다. 신경망 구조는 인공 노드(node)들을 통해 인식 동작 및/또는 학습 과정(learning process)을 수행할 수 있다. 이 경우, 전자 장치(101)의 메모리(210)에는 신경망 구조의 다양한 파라미터들(예: 각 레이어의 가중치(weight))이 저장될 수 있다. 신경망 구조의 모델은 복수의 인공 노드들을 이용하여 계산 및 데이터 처리 기능을 수행하는 하드웨어, 소프트웨어, 또는 적어도 하나의 하드웨어 및 소프트웨어의 조합으로 구현된 모델로 정의될 수 있다. 신경망 구조는 복수의 레이어들을 포함할 수 있다. 예를 들어, 신경망 구조는 입력 레이어(input layer), 적어도 하나의 은닉 레이어(hidden layer), 및/또는 출력 레이어(output layer)를 포함할 수 있다. 입력 레이어, 은닉 레이어, 및 출력 레이어는 복수의 노드들을 포함할 수 있다. 입력 레이어, 은닉 레이어, 및 출력 레이어에 포함된 노드들은 가중치(weight)를 갖는 연결 라인을 통해 서로 연결될 수 있다. 입력 레이어는 입력 데이터를 수신하여 은닉 레이어로 전달하고, 출력 레이어는 은닉 레이어의 노드들로부터 수신한 신호에 기반하여 출력 데이터를 생성할 수 있다. 전자 장치(101)는 입력 레이어 및 출력 레이어 사이에 연결된 적어도 하나 이상의 은닉 레이어를 이용하여 입력 데이터를 예측하기 쉬운 값으로 변환할 수 있다. 은닉 레이어는 CNN(convolutional neural network)에서의 컨볼루션 필터(convolution filter) 또는 완전 연결 레이어(fully connected layer)에 대응되는 레이어를 의미할 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 은닉 레이어는 지정된 기능 또는 특징을 기준으로 구분되는 다양한 종류의 필터 또는 레이어를 의미할 수 있다. 추천 모델은 신경망 모델의 모델링에 기반하여 관심 점수를 출력할 수 있다. 관심 점수는 사용자가 지정된 컨텍스트에서 지정된 컨텐츠에 대하여 가지고 있는 관심의 정도를 수치화한 것일 수 있다. 적어도 하나의 서버(260)는 추천 모델의 학습을 반복적으로 수행하여 출력 값의 신뢰도를 개선할 수 있다.
일 실시예에 따르면, 추천 동작의 일부는 전자 장치(101)에서 수행될 수 있다. 프로세서(200)는 컨텐츠 추천 요청의 발생을 확인할 수 있다. 컨텐츠 추천 요청은 사용자 입력에 의해 발생할 수도 있고, 전자 장치(101)가 지정된 어플리케이션(예: 인공 지능 비서 어플리케이션)을 실행 중에 자동적으로 발생할 수도 있다. 프로세서(200)는 컨텍스트 정보를 획득할 수 있다. 프로세서(200)는 컨텍스트 정보에 기반하여 제3 키워드들을 추출하고, 제3 키워드들에 기반하여 키워드 레벨을 분석할 수 있다. 프로세서(200)는 제3 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제4 키워드들을 획득할 수 있다. 프로세서(200)는 무선 통신 회로(220)를 이용하여 제4 키워드들을 적어도 하나의 서버(260)로 전달할 수 있다. 적어도 하나의 서버(260)는 수신한 제4 키워드들에 기반하여 추천 컨텐츠를 생성(선정)하고, 프로세서(200)는 무선 통신 회로(220)를 이용하여 적어도 하나의 서버(260)로부터 추천 컨텐츠를 수신할 수 있다. 프로세서(200)는 적어도 하나의 서버(260)로부터 추천 컨텐츠 각각의 관심 점수를 함께 수신할 수 있다. 프로세서(200)는 사용자 데이터에 기반하여 추천 컨텐츠의 관심 점수를 리스코어링할 수 있다. 예를 들어, 프로세서(200)는 리스코어링 방법으로서 문자열 매칭 알고리즘, Jaccard 지수 알고리즘, 및 코사인 유사도 알고리즘 중 적어도 하나를 이용할 수 있다. 프로세서(200)는 리스코어링 결과에 기반하여 최종 추천 컨텐츠를 결정하고 사용자에게 제공할 수 있다. 프로세서(200)는 사용자 데이터에 기반하여 수신된 추천 컨텐츠를 리스코어링함으로써, 더 개인화된 컨텐츠를 추천할 수 있다.
일 실시예에 따르면, 추천 동작의 일부는 적어도 하나의 서버(260)에서 수행될 수 있다. 적어도 하나의 서버(260)는 전자 장치(101)로부터 제4 키워드들을 수신할 수 있다. 적어도 하나의 서버(260)는 컨텐츠 추천을 위하여 컨텐츠 풀로부터 컨텐츠들을 가져올 수 있다. 예를 들어, 컨텐츠 풀은 제3 사업자에 의해 제공될 수 있다. 적어도 하나의 서버(260)는 컨텐츠들의 키워드를 추출하고 키워드 레벨을 분석할 수 있다. 적어도 하나의 서버(260)는 제4 키워드들 및 컨텐츠 풀로부터 가져온 컨텐츠들을 추천 모델에 입력하여 전자 장치(101)의 컨텍스트에 대한 컨텐츠들각각의 관심 점수를 계산할 수 있다. 적어도 하나의 서버(260)는 계산 결과, 관심 점수가 높은 컨텐츠들을 추천 컨텐츠로 선정할 수 있다. 예를 들어, 적어도 하나의 서버(260)는 임계 값을 설정하고, 관심 점수가 임계 값 이상인 컨텐츠들을 추천 컨텐츠로 선정할 수 있다. 적어도 하나의 서버(260)는 추천 컨텐츠를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 추천 컨텐츠를 수신한 뒤, 리스코어링하여 최종 추천 컨텐츠를 결정할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 무선 통신 회로(220), 메모리(210), 및 프로세서(200)를 포함할 수 있다. 메모리(210)는, 실행 시, 프로세서(200)가, 전자 장치(101)의 상태와 연관된 컨텍스트(context) 정보 및 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하고, 컨텍스트 정보 및 컨텐츠 정보에 기반하여 제1 키워드들을 추출하고, 제1 키워드들에 대한 키워드 레벨을 분석하고, 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하고, 무선 통신 회로(220)를 이용하여 제2 키워드들을 적어도 하나의 서버(260)로 전송하도록 하는, 인스트럭션들을 저장할 수 있다.
일 실시예에 따르면, 메모리(210)는, 실행 시, 프로세서(200)가, 무선 통신 회로(220)를 이용하여 사용자 식별 정보를 제2 키워드들과 함께 적어도 하나의 서버(260)로 전송하도록 할 수 있다.
일 실시예에 따르면, 인스트럭션들은 프로세서(200)가, 컨텐츠 추천 요청이 발생하면, 전자 장치(101)의 현재 컨텍스트 정보를 획득하고, 현재 컨텍스트 정보에 기반하여 제3 키워드들을 추출하고, 제3 키워드들에 대한 키워드 레벨을 분석하고, 제3 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제4 키워드들을 획득하고, 무선 통신 회로(220)를 이용하여 제4 키워드들을 적어도 하나의 서버(260)로 전송하고, 무선 통신 회로(220)를 이용하여 적어도 하나의 서버(260)로부터 제4 키워드들에 기반하여 생성된 추천 컨텐츠를 수신하고, 메모리(210)에 저장된 사용자 데이터에 기반하여 상기 추천 컨텐츠를 리스코어링(re-scoring)하고, 리스코어링 결과에 기반하여 최종 추천 컨텐츠를 결정할 수 있다. 예를 들어, 사용자 데이터는 컨텍스트 정보 및 컨텐츠 정보를 포함할 수 있다.
일 실시예에 따르면, 인스트럭션들은 프로세서(200)가, 문자열 매칭(matching) 알고리즘, 자카르드(jaccard) 지수 알고리즘, 및 코사인(cosine) 유사도 알고리즘 중 적어도 하나에 기반하여 리스코어링을 수행하도록 할 수 있다. 예를 들어, 컨텐츠 정보는 텍스트 기반 정보를 포함할 수 있다. 예를 들어, 컨텍스트 정보는 전자 장치의 위치 정보를 포함할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 디스플레이(예: 도 1의 디스플레이 모듈(160))를 더 포함하고, 메모리(210)는, 실행 시, 프로세서(200)가, 디스플레이(160)를 통하여 사용자 인터페이스를 제공하고, 사용자 인터페이스에 대한 사용자 입력에 기반하여 기설정된 키워드 레벨을 결정하도록 할 수 있다.
도 6은 일 실시예에 따른, 전자 장치의 기설정된 키워드 레벨을 결정하기 위한 사용자 인터페이스를 도시한 것이다.
일 실시예에 따르면, 프로세서(예: 도 2의 프로세서(200))는 기설정된 키워드 레벨을 결정하기 위하여 화면 600과 같은 사용자 인터페이스를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다. 화면 600은 키워드 레벨에 대한 시각적 객체(610)와 각 키워드 레벨에 따른 예시를 나타내는 시각적 객체(620)를 포함할 수 있다. 예를 들어, 레벨 1에 해당하는 키워드가 류현진인 경우, 류현진의 상위 개념으로 야구, 스포츠가 각각 레벨 2, 레벨 3에 해당하는 예시로 시각적 객체(620)에 표시될 수 있다.
일 실시예에 따르면, 프로세서(200)는 시각적 객체(610)에 대한 사용자 입력을 수신하여, 기설정된 키워드 레벨을 결정할 수 있다. 사용자 입력은 예를 들어, 시각적 객체(610)에 대한 터치 입력으로 참조될 수 있다. 프로세서(200)가 예를 들어, 시각적 객체(610) 중 레벨 2에 사용자 입력을 수신하는 경우, 프로세서(200)는 레벨 2를 기설정된 키워드 레벨로 결정할 수 있다. 이 경우, 도 3의 동작 320에서 프로세서(200)는 제1 키워드들(예: 류현진)을 레벨 2로 변환하여 제2 키워드들(예: 야구)을 획득할 수 있다.
도 7은 일 실시예에 따른 컨텐츠 추천을 도시한 것이다.
화면 700에서, 프로세서(예: 도 2의 프로세서(200))는 디스플레이(예: 도 1의 디스플레이 모듈(160))를 통하여 기설정된 키워드 레벨에 대한 정보를 시각적 객체(710)로 표시할 수 있다. 시각적 객체(710)를 참조하면, 기설정된 키워드 레벨은 레벨 2인 것으로 이해될 수 있다. 일 실시예에 따른 컨텐츠 추천 서비스는 기설정된 키워드 레벨이 높게 설정되는 경우 개인 정보를 더 강하게 보호할 수 있는 반면, 기설정된 키워드 레벨이 낮게 설정되는 경우, 더 개인화된 컨텐츠를 추천할 수 있는 것으로 이해될 수 있다. 프로세서(200)는 화면 700을 통해 이와 같은 정보를 함께 표시할 수 있다.
화면 750에서, 프로세서(200)는 디스플레이를 통하여 추천 컨텐츠를 제공할 수 있다. 화면 750의 추천 컨텐츠는 도 4의 동작 470에서 결정된 최종 추천 컨텐츠들로 참조될 수 있다. 시각적 객체(720)을 참조하면, 프로세서(200)는 컨텐츠 추천 안내와 함께 전자 장치(예: 도 1의 전자 장치(101))의 컨텍스트 정보(예: 출근 중)를 표시할 수 있다. 시각적 객체(730, 735)를 참조하면, 프로세서(200)는 추천 컨텐츠를 디스플레이를 통하여 시각적으로 제공할 수 있다. 이 때, 제공되는 추천 컨텐츠는 텍스트 기반 컨텐츠를 포함할 수 있다.

Claims (20)

  1. 전자 장치로서,
    무선 통신 회로;
    메모리; 및
    프로세서;를 포함하고,
    상기 메모리는, 실행 시, 상기 프로세서가,
    상기 전자 장치의 상태와 연관된 컨텍스트(context) 정보 및 상기 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하고,
    상기 컨텍스트 정보 및 상기 컨텐츠 정보에 기반하여 제1 키워드들을 추출하고,
    상기 제1 키워드들에 대한 키워드 레벨을 분석하고,
    상기 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하고,
    상기 무선 통신 회로를 이용하여 상기 제2 키워드들을 적어도 하나의 서버로 전송하도록 하는, 인스트럭션들을 저장하는,
    전자 장치.
  2. 제1 항에 있어서,
    상기 인스트럭션들은 상기 프로세서가,
    컨텐츠 추천 요청이 발생하면, 상기 전자 장치의 현재 컨텍스트 정보를 획득하고,
    상기 현재 컨텍스트 정보에 기반하여 제3 키워드들을 추출하고,
    상기 제3 키워드들에 대한 키워드 레벨을 분석하고,
    상기 제3 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제4 키워드들을 획득하고,
    상기 무선 통신 회로를 이용하여 상기 제4 키워드들을 적어도 하나의 서버로 전송하고,
    상기 무선 통신 회로를 이용하여 상기 적어도 하나의 서버로부터 상기 제4 키워드들에 기반하여 생성된 추천 컨텐츠를 수신하고,
    상기 메모리에 저장된 사용자 데이터에 기반하여 상기 추천 컨텐츠를 리스코어링(re-scoring)하고,
    상기 리스코어링 결과에 기반하여 최종 추천 컨텐츠를 결정하도록 하는,
    전자 장치.
  3. 제2 항에 있어서,
    상기 인스트럭션들은 상기 프로세서가,
    문자열 매칭(matching) 알고리즘, 자카르드(jaccard) 지수 알고리즘, 또는 코사인(cosine) 유사도 알고리즘 중 적어도 하나에 기반하여 상기 리스코어링을 수행하도록 하는,
    전자 장치.
  4. 제2 항에 있어서,
    상기 사용자 데이터는 상기 컨텍스트 정보 및 상기 컨텐츠 정보를 포함하는,
    전자 장치.
  5. 제1 항에 있어서,
    상기 컨텐츠 정보는 텍스트 기반 정보를 포함하는,
    전자 장치.
  6. 제1 항에 있어서,
    상기 컨텍스트 정보는 상기 전자 장치의 위치 정보를 포함하는,
    전자 장치.
  7. 제1 항에 있어서,
    상기 인스트럭션들은 상기 프로세서가,
    상기 무선 통신 회로를 이용하여 사용자 식별 정보를 상기 제2 키워드들과 함께 상기 적어도 하나의 서버로 전송하도록 하는,
    전자 장치.
  8. 제1 항에 있어서,
    디스플레이;를 더 포함하고,
    상기 인스트럭션들은 상기 프로세서가,
    상기 디스플레이를 통하여 사용자 인터페이스를 제공하고,
    상기 사용자 인터페이스에 대한 사용자 입력에 기반하여 상기 기설정된 키워드 레벨을 결정하도록 하는,
    전자 장치.
  9. 전자 장치의 운용 방법으로서,
    상기 전자 장치의 상태와 연관된 컨텍스트(context) 정보 및 상기 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하는 동작;
    상기 컨텍스트 정보 및 상기 컨텐츠 정보에 기반하여 제1 키워드들을 추출하는 동작;
    상기 제1 키워드들에 대한 키워드 레벨을 분석하는 동작;
    상기 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하는 동작; 및
    상기 제2 키워드들을 적어도 하나의 서버로 전송하는 동작;을 포함하는,
    방법.
  10. 제9 항에 있어서,
    컨텐츠 추천 요청이 발생하면, 상기 전자 장치의 현재 컨텍스트 정보를 획득하는 동작;
    상기 현재 컨텍스트 정보에 기반하여 제3 키워드들을 추출하는 동작;
    상기 제3 키워드들에 대한 키워드 레벨을 분석하는 동작;
    상기 제3 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제4 키워드들을 획득하는 동작;
    상기 제4 키워드들을 적어도 하나의 서버로 전송하는 동작;
    상기 적어도 하나의 서버로부터 상기 제4 키워드들에 기반하여 생성된 추천 컨텐츠를 수신하는 동작;
    메모리에 저장된 사용자 데이터에 기반하여 상기 추천 컨텐츠를 리스코어링(re-scoring)하는 동작; 및
    상기 리스코어링 결과에 기반하여 최종 추천 컨텐츠를 결정하는 동작;을 더 포함하는,
    방법.
  11. 제10 항에 있어서,
    상기 추천 컨텐츠를 리스코어링(re-scoring)하는 동작은,
    문자열 매칭(matching) 알고리즘, 자카르드(jaccard) 지수 알고리즘, 또는 코사인(cosine) 유사도 알고리즘 중 적어도 하나에 기반하여 상기 리스코어링을 수행하는 동작;을 더 포함하는,
    방법.
  12. 제10 항에 있어서,
    상기 사용자 데이터는 상기 컨텍스트 정보 및 상기 컨텐츠 정보를 포함하는,
    방법.
  13. 제9 항에 있어서,
    상기 컨텐츠 정보는 텍스트 기반 정보를 포함하는,
    방법.
  14. 제9 항에 있어서,
    상기 컨텍스트 정보는 상기 전자 장치의 위치 정보를 포함하는,
    방법.
  15. 제9 항에 있어서,
    사용자 식별 정보를 상기 제2 키워드들과 함께 상기 적어도 하나의 서버로 전송하는 동작;을 더 포함하는,
    방법.
  16. 제9 항에 있어서,
    디스플레이를 통하여 사용자 인터페이스를 제공하는 동작; 및
    상기 사용자 인터페이스에 대한 사용자 입력에 기반하여 상기 기설정된 키워드 레벨을 결정하는 동작;을 더 포함하는,
    방법.
  17. 적어도 하나의 프로세서에 의하여 실행 가능한 하나 이상의 인스트럭션들을 저장하는 컴퓨터 판독 가능 기록 매체에 있어서,
    상기 하나 이상의 인스트럭션들은,
    상기 전자 장치의 상태와 연관된 컨텍스트(context) 정보 및 상기 전자 장치에서 제공 중인 컨텐츠(contents) 정보를 획득하는 동작;
    상기 컨텍스트 정보 및 상기 컨텐츠 정보에 기반하여 제1 키워드들을 추출하는 동작;
    상기 제1 키워드들에 대한 키워드 레벨을 분석하는 동작;
    상기 제1 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제2 키워드들을 획득하는 동작; 및
    상기 제2 키워드들을 적어도 하나의 서버로 전송하는 동작;을 포함하는,
    컴퓨터 판독 가능 기록 매체.
  18. 제17 항에 있어서,
    컨텐츠 추천 요청이 발생하면, 상기 전자 장치의 현재 컨텍스트 정보를 획득하는 동작;
    상기 현재 컨텍스트 정보에 기반하여 제3 키워드들을 추출하는 동작;
    상기 제3 키워드들에 대한 키워드 레벨을 분석하는 동작;
    상기 제3 키워드들을 기설정된 키워드 레벨에 따라 상위 개념으로 변환하여 제4 키워드들을 획득하는 동작;
    상기 제4 키워드들을 적어도 하나의 서버로 전송하는 동작;
    상기 적어도 하나의 서버로부터 상기 제4 키워드들에 기반하여 생성된 추천 컨텐츠를 수신하는 동작;
    메모리에 저장된 사용자 데이터에 기반하여 상기 추천 컨텐츠를 리스코어링(re-scoring)하는 동작; 및
    상기 리스코어링 결과에 기반하여 최종 추천 컨텐츠를 결정하는 동작;을 더 포함하는,
    컴퓨터 판독 가능 기록 매체.
  19. 제18 항에 있어서,
    상기 추천 컨텐츠를 리스코어링(re-scoring)하는 동작은,
    문자열 매칭(matching) 알고리즘, 자카르드(jaccard) 지수 알고리즘, 또는 코사인(cosine) 유사도 알고리즘 중 적어도 하나에 기반하여 상기 리스코어링을 수행하는 동작;을 더 포함하는,
    컴퓨터 판독 가능 기록 매체.
  20. 제19 항에 있어서,
    상기 사용자 데이터는 상기 컨텍스트 정보 및 상기 컨텐츠 정보를 포함하는,
    컴퓨터 판독 가능 기록 매체.
KR1020200127052A 2020-09-29 2020-09-29 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법 KR20220043534A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200127052A KR20220043534A (ko) 2020-09-29 2020-09-29 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법
PCT/KR2021/013172 WO2022071708A1 (ko) 2020-09-29 2021-09-28 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법
US18/191,470 US20230232075A1 (en) 2020-09-29 2023-03-28 Electronic device for providing content recommendation service, and method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200127052A KR20220043534A (ko) 2020-09-29 2020-09-29 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20220043534A true KR20220043534A (ko) 2022-04-05

Family

ID=80950533

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200127052A KR20220043534A (ko) 2020-09-29 2020-09-29 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법

Country Status (3)

Country Link
US (1) US20230232075A1 (ko)
KR (1) KR20220043534A (ko)
WO (1) WO2022071708A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023200033A1 (ko) * 2022-04-15 2023-10-19 엘지전자 주식회사 영상표시장치 및 그 동작방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140027011A (ko) * 2012-08-24 2014-03-06 삼성전자주식회사 친구 추천 방법 및 이를 위한 서버 및 단말
KR102190813B1 (ko) * 2014-03-25 2020-12-14 한국전자통신연구원 코드 추천 및 공유 시스템 및 방법
JP2016091221A (ja) * 2014-10-31 2016-05-23 ソニー株式会社 情報処理装置、情報処理方法及びコンピュータプログラム
JP6450203B2 (ja) * 2015-01-27 2019-01-09 日本放送協会 個人プロファイル生成装置及びそのプログラム、並びに、コンテンツ推薦装置
KR20200104719A (ko) * 2019-02-27 2020-09-04 삼성전자주식회사 콘텐츠 추천 방법 및 이를 지원하는 전자 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023200033A1 (ko) * 2022-04-15 2023-10-19 엘지전자 주식회사 영상표시장치 및 그 동작방법

Also Published As

Publication number Publication date
US20230232075A1 (en) 2023-07-20
WO2022071708A1 (ko) 2022-04-07

Similar Documents

Publication Publication Date Title
US20230232075A1 (en) Electronic device for providing content recommendation service, and method therefor
US20230229245A1 (en) Emoji recommendation method of electronic device and same electronic device
US11929079B2 (en) Electronic device for managing user model and operating method thereof
US20220309352A1 (en) Method for training artificial neural network and electronic device for supporting the same
KR20220135914A (ko) 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체
KR20220153209A (ko) 영상 처리 방법 및 이를 지원하는 전자 장치
US11463539B2 (en) Electronic device for transmitting and receiving data with server device
US11874995B2 (en) Electronic device identifying force touch and method for operating the same
EP4283489A1 (en) Electronic device for providing search service, and operating method therefor
US20220343106A1 (en) Electronic device for processing data based on artificial intelligence model and method for operating the same
US20240005928A1 (en) Electronic device and method by which electronic device stores tag information of content
US20230386254A1 (en) Electronic device, operating method of electronic device, and recording medium
US20230111512A1 (en) Electronic device and method for generating additional information about file in electronic device
US20230237283A1 (en) Method for searching for texts in different languages based on pronunciation and electronic device applying the same
US20230297718A1 (en) Electronic device and method for operating the same
KR20230020701A (ko) 촬영된 영상에 시각 효과를 적용하고 태그를 설정하는 방법 및 장치
KR20230030947A (ko) 연합 학습을 위한 사용자 단말 및 서버의 동작 방법, 및 그 사용자 단말
KR20230020328A (ko) 이미지를 보정하는 장치 및 그 방법
KR20230039342A (ko) Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법
KR20230086533A (ko) 사용자를 인증하기 위한 클라우드 서버 및 이의 동작 방법
KR20220133414A (ko) 음성 어시스턴트 서비스 제공 방법 및 이를 지원하는 전자 장치
KR20210142535A (ko) 전자 장치 및 전자 장치에서 키보드의 입력을 이용하여 사용자 인증을 수행하는 방법
KR20230086526A (ko) 사용자의 감정에 기반하여 콘텐트를 제공하기 위한 전자 장치 및 방법
KR20230055269A (ko) 광학 문자 인식을 수행하는 전자 장치, 방법, 및 컴퓨터 판독가능 저장 매체
KR20210158270A (ko) 전자 장치 및 전자 장치에서 신조어 기반 문장 변환 방법