KR20220052726A - 소셜 네트워크 서비스 계정의 스타일 정보를 산출하는 방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하는 방법이 개시된다. 상기 방법은: 소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계; 및 상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 단계를 포함할 수 있다.

Description

소셜 네트워크 서비스 계정의 스타일 정보를 산출하는 방법 및 장치 {METHOD AND APPARATUS FOR CALCULATING STYLE INFORMATION FOR SOCIAL NETWORK SERVICE ACCOUNTS}

본 발명은 소셜 데이터의 스타일 정보를 산출하는 방법에 관련한 것으로서, 보다 구체적으로 배색 감성 스케일 및 인공 신경망을 이용하여 소셜 데이터의 스타일 정보를 산출하는 방법에 관한 것이다.

SNS 서비스 사용자 수가 폭발적으로 증가하면서, 소셜 네트워크 서비스에 존재하는 많은 양의 데이터를 분류하기 위한 기술들이 생겨나고 있다. 대표적으로 당업계에는 컨볼루션 뉴럴 네트워크를 이용하여 이미지 데이터로부터 정보를 획득하고 데이터를 분류하는 기술 또는 자연어 처리 엔진을 이용하여 텍스트 데이터로부터 정보를 획득하고 텍스트 데이터를 분류하는 기술 등이 존재한다.

다만, 이미지 또는 텍스트를 인공 신경망에 입력하여 학습시키는 것만으로는 방대한 양으로 SNS 상에 존재하는 데이터를 분류할 수 없을 뿐만 아니라 실제 인간이 느끼는 감성과 관련한 지표가 반영되지 않는 문제점이 있다. 즉, 소셜 데이터를 인간이 느끼는 감정을 기준으로 분류하고자 하는 수요가 당업계에 존재해왔다.

선행 기술인 대한민국 등록특허 KR1768521 "이미지에 포함된 객체에 대한 정보 데이터를 제공하는 방법 및 시스템"은, 주어진 이미지를 컨볼루션 뉴럴 네트워크에 입력하여 물체를 검출하고 물체의 속성을 분류하는 기술을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 소셜 데이터의 스타일 정보를 산출하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하는 방법이 개시된다. 상기 방법은: 소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계; 및 상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는, 감성 단어 집합 및 배색 감성 스케일에 기초하여, 상기 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계; 상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 획득되는 검출 결과에 기초하여, 상기 소셜 데이터로부터 제 2 감성 정보를 산출하는 단계; 또는 상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과에 기초하여, 상기 소셜 데이터로부터 제 3 감성 정보를 산출하는 단계 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 상기 감성 단어 집합은, 상기 배색 감성 스케일에 포함된 하나 이상의 감성 단어들을 포함할 수 있다.

대안적인 실시예에서, 상기 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계는: 상기 배색 감성 스케일에 포함된 복수의 컬러칩들과 상기 소셜 데이터에 포함된 이미지의 대표 부분 이미지 사이의 거리들을 비교하여 상기 배색 감성 스케일에서 상기 대표 부분 이미지에 대응되는 컬러칩을 산출하는 단계; 및 상기 대표 부분 이미지에 대응되는 컬러칩과 매핑된 감성 단어에 기초하여 제 1 감성 정보를 산출하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계는: 상기 배색 감성 스케일에 포함된 복수의 컬러칩들과 상기 소셜 데이터에 포함된 이미지의 제 1 부분 이미지 사이의 거리들을 비교하여 상기 배색 감성 스케일에서 제 1 부분 이미지에 대응되는 컬러칩을 산출하는 단계; 상기 배색 감성 스케일에 포함된 복수의 컬러칩들과 상기 소셜 데이터에 포함된 이미지의 제 2 부분 이미지 사이의 거리들을 비교하여 상기 배색 감성 스케일에서 제 2 부분 이미지에 대응되는 컬러칩을 산출하는 단계; 상기 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 상기 제 1 부분 이미지에 대응되는 컬러칩과 매핑된 제 1 감성 단어의 점수를 변경시킬 것을 결정하는 단계; 상기 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 상기 제 2 부분 이미지에 대응되는 컬러칩과 매핑된 제 2 감성 단어의 점수를 변경시킬 것을 결정하는 단계; 및 상기 감성 단어 집합에 포함된 상기 제 1 감성 단어의 점수 및 상기 제 2 감성 단어의 점수에 적어도 부분적으로 기초하여 제 1 감성 정보를 산출하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 부분 이미지에 대응되는 컬러칩은 상기 컬러칩에 포함된 적어도 하나의 색상의 RGB값과 상기 부분 이미지에 포함된 적어도 하나의 픽셀의 RGB값 사이의 거리에 기초하여 산출될 수 있다.

대안적인 실시예에서, 상기 소셜 데이터로부터 제 2 감성 정보를 산출하는 단계는: 상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 검출 결과를 획득하는 단계; 상기 검출 결과에 포함된 적어도 하나의 물체의 명칭을 워드 임베딩 모델에 입력하여 상기 적어도 하나의 물체의 워드 벡터를 획득하는 단계; 상기 적어도 하나의 물체의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들 각각의 워드 벡터 사이의 유사도를 계산하는 단계; 상기 유사도 계산 결과에 기초하여 상기 적어도 하나의 물체의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 변경시킬 것을 결정하는 단계; 및 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 2 감성 정보를 산출하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 소셜 데이터로부터 제 3 감성 정보를 산출하는 단계는: 상기 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과를 획득하는 단계; 상기 처리 결과에 포함된 적어도 하나의 키워드를 워드 임베딩 모델에 입력하여 상기 적어도 하나의 키워드의 워드 벡터를 획득하는 단계; 상기 적어도 하나의 키워드의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 워드 벡터 사이의 유사도를 계산하는 단계; 상기 유사도 계산 결과에 기초하여 상기 적어도 하나의 키워드의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 변경시킬 것을 결정하는 단계; 및 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 3 감성 정보를 산출하는 단계를 포함할 수 있다.

대안적인 실시예에서 상기 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는, 제 1 감성 정보, 제 2 감성 정보 및 제 3 감성 정보 각각에 대해 제 1 감성 정보에 따른 가중치, 제 2 감성 정보에 따른 가중치 및 제 3 감성 정보에 따른 가중치를 적용한 값을 이용하여 부분 스타일 정보를 산출하는 단계를 포함하되, 상기 제 3 감성 정보에 상기 제 3 감성 정보에 따른 가중치가 적용된 결과값이 사전 결정된 상한값을 초과하는 경우, 상기 결과값은 사전 결정된 상한값으로 치환되는 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 단계는, 상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여 각 소셜 데이터에 따른 가중치를 생성하는 단계; 및 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보에 상기 소셜 데이터에 따른 가중치를 적용하여 소셜 계정의 스타일 정보를 산출하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 소셜 데이터에 대응되는 속성 정보는, 상기 소셜 데이터에 대한 다른 유저의 피드백 정보 또는 상기 소셜 데이터의 시간 정보를 포함할 수 있다.

대안적인 실시예에서, 상기 소셜 계정의 스타일 정보는, 기 산출된 적어도 하나의 다른 소셜 계정의 스타일 정보에 관한 통계값에 추가적으로 기초하여 산출될 수 있다.

대안적인 실시예에서, 상기 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는, 감성 단어 집합 및 배색 감성 스케일에 기초하여, 상기 소셜 데이터에 포함된 이미지로부터 제 1 감성 정보를 산출하는 단계; 상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 획득되는 검출 결과에 기초하여 제 2 감성 정보를 산출하는 단계; 및 상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과에 기초하여 제 3 감성 정보를 산출하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 동작; 및 상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 동작을 포함 할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하기 위한 장치가 개시된다. 상기 장치는 하나 이상의 프로세서; 메모리; 및 네트워크부를 포함하고, 그리고 상기 하나 이상의 프로세서는, 소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하고, 상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출할 수 있다.

본 개시는 효과적으로 소셜 계정의 스타일 정보를 산출하는 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 소셜 계정의 스타일 정보를 산출하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 실시예에 따른 배색 감성 스케일을 표현하기 위한 예시도이다.
도 3은 본 개시의 실시예에 따른 컬러칩과 부분 이미지를 각각 예시적으로 도시한 예시도이다.
도 4는 본 개시의 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 5는 본 개시의 실시예에 따른 워드 벡터를 2차원 좌표공간 상에 표현한 예시도이다.
도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시내용에서, "소셜 데이터"라는 용어는 몇몇 실시예에서 SNS(Social Network Service) 또는 온라인 상의 게시글, 전자 문서 등을 포함하는 용어로써 사용될 수 있다. 소셜 데이터는 이미지, 동영상, 텍스트 등의 여러 형태의 데이터를 포함할 수 있다. 소셜 데이터는 SNS 사용자가 자신의 소셜 계정에 업로드한 임의의 데이터 단위를 지칭하는 용어로 사용될 수 있다. 상기 임의의 데이터 단위란 온라인의 페이지, 채널 등에 따른 데이터 단위 또는 포스팅 날짜, 시간 등에 따른 데이터 단위를 포함할 수 있다. 소셜 데이터는 예를 들어 사용자가 같은 시각에 업로드한 텍스트 및 이미지 세트를 지칭할 수 있다.

본 개시내용에서, "소셜 데이터 셋"이라는 용어는 하나 이상의 소셜 데이터를 포함하는 집합을 의미하는 용어로써 사용될 수 있다. 소셜 데이터 셋은 몇몇 실시예에서 SNS 상의 소셜 계정에 포함된 전체 소셜 데이터 집합을 의미할 수 있다. 소셜 데이터 셋은 다른 몇몇 실시예에서 SNS 상의 소셜 계정에 포함된 전체 소셜 데이터 중 임의의 기준에 따라 추출된 하나 이상의 소셜 데이터 집합을 의미할 수 있다.

본 개시내용에서, "감성 단어"라는 용어는 소셜 데이터에 포함된 이미지 또는 텍스트로부터 사용자가 느끼는 감정 또는 분위기를 표현하는 단어를 포함하는 의미로써 사용될 수 있다. 예컨대 소셜 데이터에 포함된 이미지가 '해수욕장'에 관한 이미지인 경우 상기 소셜 데이터에 대한 감성 단어는 "시원한", "청량한" 등이 해당될 수 있다. 다른 예로서 소셜 데이터에 포함된 텍스트에 '한 여름'이라는 단어가 포함된 경우, 해당 소셜 데이터에 대한 감성 단어는 "뜨거운", "정열적인", "무더위" 등이 해당될 수 있다. 감성 단어는 소셜 데이터에 포함된 이미지를 표현하기 위한 단어를 포함한다. 감성 단어는 소셜 데이터에 포함된 텍스트를 표현하기 위한 단어를 포함한다. 본 개시내용에서, "감성 단어 집합"이라는 용어는 상술한 바와 같은 감성 단어를 N개(예를 들어 120개) 포함하는 단어 집합을 의미할 수 있다.

본 개시 내용에서, "스타일 정보"라는 용어는 소셜 데이터의 스타일을 표현하는 정보를 의미할 수 있다. 스타일 정보는 적어도 하나의 소셜 데이터에서 산출될 수 있는 하나 이상의 감성 단어들을 포함하는 정보일 수 있다. 본 개시내용에 있어서, "스타일 정보"라는 용어는 소셜 계정 전체에 대한 스타일을 표현하는 정보로 사용될 수 있다. 본 개시내용에 있어서 "부분 스타일 정보"라는 용어는 스타일 정보의 서브세트를 의미한다. 일례로, 부분 스타일 정보는 하나의 소셜 데이터에 대한 스타일을 표현하는 정보로 사용될 수 있다. 예를 들어, 제 1 소셜 데이터에 바다에 관한 이미지와 "오랜만의 여름 휴가를 바다로 왔어요"와 같은 텍스트가 포함되어 있는 경우, 상기 제 1 소셜 데이터에 대해 산출된 부분 스타일 정보는 "파란색", "청량한", "나른한", "기분 좋은" 등과 같은 감성 단어들을 포함할 수 있다. 계속해서, 예를 들어 제 2 소셜 데이터에 산에 관한 이미지와 "산행은 언제나 즐거워요."와 같은 내용의 텍스트가 포함되어 있는 경우, 상기 제 2 소셜 데이터에 대해 산출된 부분 스타일 정보는 "초록색", "힘든", "즐거운" 등과 같은 감성 단어들을 포함할 수 있다. 그 후, 제 1 소셜 데이터와 제 2 소셜 데이터를 포함하는 소셜 계정에 대해 산출된 스타일 정보는 "역동적인", "트렌디한", "활발한" 등과 같은 감성 단어들을 포함하여 산출될 수 있다. 부분 스타일 정보 및 스타일 정보를 산출하는 방법에 관하여는 후술하여 자세히 설명한다. 전술한 부분 스타일 정보 및 스타일 정보에 관한 예시는 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

도 1은 본 개시의 일 실시예에 따른 소셜 계정의 스타일 정보를 산출하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 유선 또는 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시에 따라 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하기 위해, 프로세서(110)는 소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출할 수 있다.

본 개시에 따른 프로세서(110)는 소셜 데이터 셋에 포함된 적어도 하나 이상의 소셜 데이터에 대한 부분 스타일 정보에 기초하여 소셜 계정의 스타일 정보를 산출할 수 있다. 소셜 계정의 스타일 정보는 SNS 계정을 대표하는 감성 단어들을 포함할 수 있다. 소셜 계정의 스타일 정보는 둘 이상의 부분 스타일 정보로부터 산출될 수 있다. 소셜 계정의 스타일 정보는 제 1 부분 스타일 정보 및 제 2 부분 스타일 정보로부터 산출될 수 있다. 제 1 부분 스타일 정보 및 제 2 부분 스타일 정보는 서로 다른 제 1 소셜 데이터 및 제 2 소셜 데이터로부터 각각 산출될 수 있다. 예를 들어 본 개시에 따른 프로세서(110)는 복수의 소셜 데이터에 대한 부분 스타일 정보를 합산하여 최종적으로 "귀여운", "우아한", "편안한" 등의 감성 단어를 포함하는 소셜 계정의 스타일 정보를 산출할 수 있다. 전술한 사용자의 스타일 정보에 관한 구체적 기재는 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

본 개시에 따라 프로세서(110)가 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는, 감성 단어 집합 및 배색 감성 스케일에 기초하여, 상기 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계, 상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 획득되는 검출 결과에 기초하여, 상기 소셜 데이터로부터 제 2 감성 정보를 산출하는 단계 또는 상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과에 기초하여, 상기 소셜 데이터로부터 제 3 감성 정보를 산출하는 단계 중 적어도 하나를 포함할 수 있다.

도 2는 본 개시의 실시예에 따른 배색 감성 스케일을 표현하기 위한 예시도이다. 배색 감성 스케일은 컬러칩에서 느껴지는 인간의 심리를 바탕으로 컬러칩에 따라 감성을 구분한 것이다. 상기 컬러칩은 색채의 조합인 배색을 포함할 수 있다. 배색 감성 스케일은 컬러칩에 따른 감성의 통계에 근거하여, 컬러칩에서 느껴지는 감정을 척도로 구분한 후 서로 다른 컬러칩마다 컬러칩에 따른 감성 단어를 매핑(mapping)한 것이다. 배색 감성 스케일은 2차원 좌표 평면에서 표현될 수 있다. 배색 감성 스케일은 2 개의 축을 갖는 2차원 좌표 평면 상에 각 좌표에 따른 감성 단어 마다 색의 조합에 따른 컬러칩을 매핑(mapping)한 데이터일 수 있다. 배색 감성 스케일은 2 개의 축으로서 제 1축 및 제 2축을 포함할 수 있다. 제 1축은 예를 들어 컬러칩에 포함된 색의 조합이 갖는 심리적 느낌(즉, 감성)이 동적인 정도를 그 정도에 따라 수치로 표현한 축일 수 있다. 제 1축의 양 끝단은 각각 동적인(dynamic)-정적인(static)일 수 있다. 제 2축은 컬러칩에 포함된 색의 조합이 갖는 심리적 느낌이 부드러운 정도를 그 정도에 따라 수치로 표현한 축일 수 있다. 제 2 축의 양 끝단은 각각 부드러운(soft)-딱딱한(hard)일 수 있다. 도 2에 도시된 바와 같이 각 컬러칩은 2차원 좌표상에 매핑되어 "화려한", "우아한", "다이나믹한" 등의 감성 단어와 매칭될 수 있다. 배색 감성 스케일은 하나 이상의 감성 단어에 해당하는 좌표마다 대응되는 컬러칩이 매핑된 데이터를 포함할 수 있다. 예를 들어, 도 2에 도시된 배색 감성 스케일의 (1, 1) 지점(211)은 "내추럴한"이라는 감성 단어를 가지며 참조번호 213가 지시하는 컬러칩과 매핑될 수 있다. 다른 예를 들어 도 2에 도시된 배색 감성 스케일의 (-1, -1) 지점(231)은 "화려한"이라는 감성 단어를 가지며 참조번호 233가 지시하는 컬러칩과 매핑될 수 있다. 전술한 배색 감성 스케일은 일 예시일 뿐 본 개시를 실시함에 있어서 다양한 종류의 컬러칩 및 이에 대응되는 감성 단어를 포함하는 배색 감성 스케일을 사용할 수 있음은 통상의 기술자에게 자명할 것이다.

본 개시의 상세한 설명 및 청구범위에 있어서 "제 1 감성 정보", "제 2 감성 정보", "제 3 감성 정보"와 같이 표현되는 각 감성 정보는 감성 단어 집합에 포함된 복수의 감성 단어들을 데이터로서 포함할 수 있다. 제 1 감성 정보, 제 2 감성 정보 및 제 3 감성 정보는 부분 스타일 정보 산출의 기초가 되는 감성 정보로서 하나 이상의 감성 단어들을 공통적으로 포함할 수 있다. 감성 정보는 감성 단어 집합에 포함된 복수의 감성 단어들 각각의 점수를 데이터로서 포함할 수 있다. 감성 정보는 감성 단어 집합에 포함된 감성 단어들을 후보 감성 단어로서 포함할 수 있다. 예를 들어 감성 단어 집합에 포함된 감성 단어가 ["다이나믹한", "화려한", "차분한"]인 경우, 제 1 감성 정보는 ["다이나믹한":5, "화려한":6, "차분한":0]과 같이 각 감성 단어의 점수를 데이터로서 포함할 수 있다. 감성 단어 집합에 포함된 각각의 감성 단어의 점수는 초기값으로 '0'의 값을 가질 수 있다. 감성 단어 집합에 포함된 각각의 감성 단어는 감성 단어 별로 서로 다르게 사전 결정된 점수 초기값을 가질 수도 있다.

본 개시에 따라 프로세서(110)가 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계는, 배색 감성 스케일에 포함된 복수의 컬러칩들과 소셜 데이터에 포함된 이미지의 대표 부분 이미지 사이의 거리들을 비교하여 배색 감성 스케일에서 대표 부분 이미지에 대응되는 컬러칩을 산출하는 단계 및 대표 부분 이미지에 대응되는 컬러칩과 매핑된 감성 단어에 기초하여 제 1 감성 정보를 산출하는 단계를 포함할 수 있다.

프로세서(110)는 배색 감성 스케일에 포함된 복수의 컬러칩들과 소셜 데이터에 포함된 이미지의 대표 부분 이미지 사이의 거리들을 비교하여 배색 감성 스케일에서 대표 부분 이미지에 대응되는 컬러칩을 산출할 수 있다. 대표 부분 이미지는 소셜 데이터에 포함된 이미지에 기초하여 생성될 수 있다. 대표 부분 이미지는 소셜 데이터에 포함된 이미지의 적어도 일부를 포함하는 하나의 부분 이미지일 수 있다. 대표 부분 이미지는 소셜 데이터에 포함된 이미지 그 자체일 수도 있다. 대표 부분 이미지는 소셜 데이터에 포함된 이미지로부터 일련의 생성 프로세스를 통해 별도로 생성될 수도 있다.

본 개시에 따른 일 실시예에서, 상기 대표 부분 이미지 생성 프로세스는 소셜 데이터에 포함된 이미지의 해상도를 낮추는 작업을 포함할 수 있다. 예컨대 가로x세로의 크기가 9x9 픽셀인 이미지의 경우, 프로세서(110)는 3x3 픽셀 크기를 갖는 윈도우에 기초하여 각 RGB 채널의 값의 평균값을 계산한후 1x1 픽셀로 치환할 수 있다. 이 경우, 상술한 예시에 있어서 프로세서(110)는 3x3 픽셀 크기를 갖는 윈도우를 통해 9x9 픽셀 크기의 이미지로부터 3x3 픽셀 크기를 갖는 대표 부분 이미지를 생성할 수 있다. 상기 대표 부분 이미지에 대응되는 컬러칩은, 상기 컬러칩에 포함된 적어도 하나의 색상의 RGB값과 대표 부분 이미지에 포함된 적어도 하나의 픽셀의 RGB값 사이의 거리에 기초하여 산출될 수 있다.

본 개시에 따른 다른 일 실시예에서, 상기 대표 부분 이미지 생성 프로세스는 소셜 데이터에 포함된 이미지로부터 하나 이상의 메인 컬러를 추출하는 연산하는 작업을 포함할 수 있다. 프로세서(110)는 소셜 데이터에 포함된 이미지로부터 N개의 메인 컬러를 추출하여 대표 부분 이미지를 구성할 수 있다. 상기 N개의 메인 컬러는 이미지에 포함된 복수의 픽셀들의 색상에 관한 통계 연산에 기초하여 선택될 수 있다. 상기 색상에 대한 데이터는 RGB 값을 나타내는 순서쌍일 수 있다. 상기 색상에 관한 통계 연산은 총 색상의 수를 줄이기 위한 필터링 연산을 포함할 수 있다. 상기 필터링 연산은 임계값 이하의 RGB 값 차이를 갖는 픽셀들을 하나의 RGB 값으로 치환시키는 연산을 포함할 수 있다. 상기 대표 부분 이미지에는 소셜 데이터의 이미지 내에서 가장 많은 수의 픽셀을 갖는 상위 N개의 메인 컬러들이 포함될 수 있다. 상기 대표 부분 이미지에는 소셜 데이터의 이미지 내에서 가장 많은 수의 픽셀을 갖는 상위 N개의 메인 컬러들이 포함될 뿐만 아니라 상위 N개의 메인 컬러들 사이의 비율 가중치가 포함될 수도 있다. 예를 들어 프로세서(110)는 소셜 데이터에 포함된 이미지로부터 4개의 메인 컬러를 다음과 같은 데이터 형태로 추출할 수 있다.

[ <(255,255,255), 0.56> <(198,197,193), 0.27> <(0,255,255), 0.10> <(0, 0, 0), 0.07> ]

위의 예시에서 데이터에 포함된 각 튜플(tuple)은 메인 컬러의 RGB 값과 비율 가중치를 포함할 수 있다. 본 개시의 다른 실시예에서 프로세서(110)는 가장 비중이 높은 하나 이상의 메인 컬러를 제외하고 대표 부분 이미지를 생성할 수도 있다. 예를 들어 상위 N개의 메인 컬러 추출 시, 프로세서(110)는 N+M개의 메인 컬러를 획득한 후, 상위 M개의 메인 컬러를 잘라내고 나머지 N개를 메인 컬러로 추출할 수 있다. 상기 M은 1 이상의 자연수일 수 있다. 이와 같이 비중이 높은 하나 이상의 메인 컬러를 제외할 경우 프로세서(110)는 동일한 배경에서 촬영된 이미지에서 배경을 제외한 나머지의 색상에 집중하여 감성 정보를 추출할 수 있는 효과를 갖는다. 또다른 실시예에서 프로세서(110)는 배경에 해당하는 부분을 잘라낸 후 남은 이미지로부터 대표 부분 이미지에 포함될 상위 N개의 메인 컬러를 추출하는 연산을 수행할 수도 있다.

이하에서는 프로세서(110)가 복수의 컬러칩들과 소셜 데이터에 포함된 이미지의 대표 부분 이미지 사이의 거리들을 비교하여 배색 감성 스케일에서 대표 부분 이미지에 대응되는 컬러칩을 산출하는 구체적 방법에 관하여 서술한다. 도 3은 본 개시의 실시예에 따른 컬러칩과 부분 이미지를 각각 예시적으로 도시한 예시도이다. 본 개시에 따른 일 실시예로서 프로세서(110)는 4개의 픽셀로 구성된 대표 부분 이미지(310)와 복수의 컬러칩들에 포함된 각 컬러칩(330)과의 거리를 계산할 수 있다. 프로세서(110)는 복수의 컬러칩들과 대표 부분 이미지(310) 사이의 거리를 서로 비교할 수 있다.

프로세서(110)는 컬러칩(330)과 대표 부분 이미지(310) 사이의 거리 계산을 위해 상기 각 픽셀과 상기 각 색상을 일대일 대응시켜 RGB값 좌표 사이의 거리를 연산할 수 있다. RGB값 좌표 사이의 거리 함수는 예를 들어 맨하탄 거리 함수(L1 거리 함수), 유클리드 거리 함수(L2 거리 함수) 등을 포함할 수 있다.

RGB값 좌표 사이의 거리 함수가 맨하탄 거리함수인 경우 수식은 수학식 1과 같다.

[수학식 1]

은 맨하탄 거리함수를 나타낸다.

와

는 각각 서로 다른 RGB값 좌표들을 나타낸다.

와

는 각각

와

의

번째 원소의 값을 나타낸다.

RGB값 좌표 사이의 거리 함수가 유클리드 거리함수인 경우 수식은 수학식 2와 같다.

[수학식 2]

는 유클리드 거리함수를 나타낸다.

와

는 각각 서로 다른 RGB값 좌표들을 나타낸다.

와

는 각각

와

의

번째 원소의 값을 나타낸다.

본 개시의 일 실시예에 따라 대표 부분 이미지(310)에 포함된 제 1 픽셀(311)의 RGB값이 [102,102,051], 제 2 픽셀(313)의 RGB값이 [102,000,102], 제 3 픽셀의 RGB값이 [255,153,255], 제 4 픽셀(317) RGB값이 [255,204,255]일 수 있다. 이 때 거리 계산을 위한 컬러칩(330)이 [000, 000, 102]의 RGB 값을 갖는 제 1 색상(331), [051, 051, 102]의 RGB 값을 갖는 제 2 색상(333), [051, 051, 153]의 RGB 값을 갖는 제 3 색상(335)으로 구성될 수 있다. 수학식 1에 따르면 제 1 픽셀(311)과 제 1 색상(331)의 RGB값 사이의 거리는

일 수 있다. 마찬가지로 제 1 픽셀(311)과 제 2 색상(333)의 RGB값 사이의 거리는 153, 제 1 픽셀(311)과 제 3 색상(335)의 RGB값 사이의 거리는 204로 계산될 수 있다. 수학식 2에 따를 경우 제 1 픽셀(311)과 제 1 색상(331)의 RGB값 사이의 거리는

일 수 있다. 마찬가지로 제 1 픽셀(311)과 제 2 색상(333)의 RGB값 사이의 거리는 88.3, 제 1 픽셀(311)과 제 3 색상(335)의 RGB값 사이의 거리는 124.9일 수 있다.

프로세서(110)는 대표 부분 이미지(310)에 포함된 제 1 픽셀(311)의 RGB값과 컬러칩(330)에 포함된 제 1 색상, 제 2 색상 및 제 3 색상의 RGB값 사이의 거리들을 각각 계산한 후, 상기 RGB값 사이의 거리들을 합산하여 제 1 픽셀(311)과 컬러칩(330)의 거리를 연산할 수 있다. 상기 합산은 예를 들어 총합, 평균, 가중합 등을 포함할 수 있다. 일 예로써 제 1 픽셀(311)과 컬러칩(330)의 거리는 RGB값 사이의 거리의 총합으로서 255+153+204 = 612로 계산될 수 있다. 다른 예를 들어 제 1 픽셀(311)과 컬러칩(330)의 거리는 255, 153, 204의 평균인 204로 계산될 수도 있다. 전술한 합산 방식에 관한 기재는 일 예시에 불과할 뿐 여러 값에 대한 다양한 합산 방식을 제한없이 포함한다.

프로세서(110)는 대표 부분 이미지(310)에 포함된 복수의 픽셀들에 대해 제 1 픽셀(311)과 컬러칩(330)의 거리, 제 2 픽셀(313)과 컬러칩(330)의 거리, 제 3 픽셀(315)과 컬러칩(330)의 거리, 제 4 픽셀(317)과 컬러칩(330)의 거리를 연산할 수 있다. 그 후 프로세서(110)는 각 픽셀마다 연산된 컬러칩(330)과의 거리들을 합산하여 대표 부분 이미지(310)와 컬러칩(330)의 거리를 연산할 수 있다. 상기 합산은 예를 들어 총합, 평균 또는 가중합 등을 포함할 수 있다.

프로세서(110)는 상술한 바와 같이 대표 부분 이미지(310)와 컬러칩(330)의 거리 연산을 복수의 컬러칩에 대해 수행한 후, 대표 부분 이미지(310)와 복수의 컬러칩에 포함된 각 컬러칩 사이의 거리를 서로 비교할 수 있다. 프로세서(110)는 대표 부분 이미지(310)와 복수의 컬러칩에 포함된 각 컬러칩 사이의 거리 중 거리가 최소인 컬러칩을 대표 부분 이미지에 대응되는 컬러칩으로 산출할 수 있다.

본 개시의 추가적인 실시예로서 프로세서(110)가 상위 N개의 메인 컬러를 추출하는 방식으로 대표 부분 이미지를 생성한 경우에 대표 부분 이미지에 대응되는 컬러칩을 산출하는 방법에 대해 서술한다. 본 개시의 일 실시예에 따른 대표 부분 이미지는 전술한 바와 같이 (A_1, A_2, A_3, ..., A_N)로 표현되는 N개의 메인 컬러를 포함할 수 있다. 또한 N개의 메인 컬러 각각의 비율 가중치(W_1, W_2, W_3, ..., W_N)를 더 포함할 수 있다. 한 편, 배색 감성 스케일에 포함된 복수의 컬러칩들 중 제 1 컬러칩은 (B_1, B_2, B_3)으로 표현되는 색상들을 포함할 수 있다. 이러한 경우 대표 부분 이미지와 제 1 컬러칩간 유사도는 대표 부분 이미지와 B_1 색상의 유사도, 대표 부분 이미지와 B_2 색상의 유사도 및 대표 부분 이미지와 B_3 색상의 유사도에 기초하여 연산될 수 있다. 나아가, 상기 대표 부분 이미지와 B_1 색상의 유사도는 B_1 색상과 대표 부분 이미지에 포함된 각 메인 컬러의 차이에 메인 컬러마다 존재하는 비율 가중치가 적용되어 연산될 수 있다. 보다 구체적으로, 대표 부분 이미지와 각 컬러칩의 유사도는 예를 들어 수학식 3에 기초하여 연산될 수 있다.

[수학식 3]

수학식 3에서 N은 대표 부분 이미지에 포함된 메인 컬러의 총 수, A_i는 대표 부분 이미지 내에서 i번째 메인컬러의 RGB값, B_j는 컬러칩 내의 j번째 색상의 RGB값을 표시한다. M은 컬러칩 하나에 포함된 색상의 수이며 예를 들어 3일 수 있다. 전술한 대표 부분 이미지와 컬러칩의 유사도에 대한 계산 방식 및 수식은 본 개시를 설명하기 위한 일 예시에 불과하며, 본 개시는 대표 부분 이미지에 포함된 색상, 비율 그리고 컬러칩에 포함된 색상에 기초하여 유사도를 연산할 수 있는 모든 방법을 제한없이 포함한다.

본 개시에 따른 프로세서(110)는 위와 같이 각각의 컬러칩과 대표 부분 이미지 사이의 유사도를 연산할 수 있고 모든 컬러칩에 대해 수행할 경우, 유사도의 크기에 따라 가장 유사한 사전 결정된 개수의 컬러칩을 결정할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 대표 부분 이미지(310)에 대응되는 컬러칩과 매핑된 감성 단어에 기초하여 제 1 감성 정보를 산출할 수 있다. 일 실시예에서 프로세서(110)는 복수의 감성 단어들 중 대표 부분 이미지(310)와의 거리가 가장 작은 컬러칩의 감성 단어의 점수를 변경시킨다고 결정할 수 있다. 예를 들어, 상기 변경은 상기 감성 단어의 점수를 증가시키는 것을 포함할 수 있다. 다른 실시예에서 프로세서(110)는 복수의 감성 단어들 중 대표 부분 이미지(310)와의 거리가 가장 작은 컬러칩의 감성 단어 및 대표 부분 이미지(310)와의 거리가 가장 작은 컬러칩의 감성 단어와 배색 감성 스케일 상에서 거리에 따른 상위 M 개(예를 들어 5 개)의 감성 단어들의 점수를 증가시킬 수 있다. 프로세서(110)는 대표 부분 이미지(310)에 대응되는 컬러칩과 매핑된 감성 단어에 기초하여 하나 이상의 감성 단어의 점수를 증가시킴으로써 제 1 감성 정보를 산출할 수 있다. 제 1 감성 정보는 복수의 감성 단어들 및 각각의 감성 단어에 대한 점수를 데이터로서 포함할 수 있다.

본 개시에 따라 프로세서(110)가 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계는, 배색 감성 스케일에 포함된 복수의 컬러칩들과 소셜 데이터에 포함된 이미지의 제 1 부분 이미지 사이의 거리들을 비교하여 배색 감성 스케일에서 제 1 부분 이미지에 대응되는 컬러칩을 산출하는 단계, 배색 감성 스케일에 포함된 복수의 컬러칩들과 상기 소셜 데이터에 포함된 이미지의 제 2 부분 이미지 사이의 거리들을 비교하여 상기 배색 감성 스케일에서 제 2 부분 이미지에 대응되는 컬러칩을 산출하는 단계, 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 상기 제 1 부분 이미지에 대응되는 컬러칩과 매핑된 제 1 감성 단어의 점수를 증가시키는 단계, 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 상기 제 2 부분 이미지에 대응되는 컬러칩과 매핑된 제 2 감성 단어의 점수를 증가시키는 단계 및 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 1 감성 정보를 산출하는 단계를 포함할 수 있다.

본 개시에 따른 제 1 부분 이미지 및 제 2 부분 이미지는 소셜 데이터에 포함된 이미지의 적어도 일부를 포함하는 부분 이미지일 수 있다. 소셜 데이터에 포함된 이미지의 적어도 일부란 소셜 데이터에 포함된 이미지의 임의의 영역에 존재하는 하나 이상의 픽셀 집합을 의미할 수 있다. 제 1 부분 이미지 및 제 2 부분 이미지는 적어도 하나의 픽셀은 서로 같지 않은 부분 이미지일 수 있다. 예를 들어 제 1 부분 이미지 및 제 2 부분 이미지는 도 3의 참조번호 310과 같이 2x2 픽셀 크기를 갖는 부분 이미지일 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)가 배색 감성 스케일에 포함된 복수의 컬러칩들과 제 1 부분 이미지 사이의 거리들을 비교하여 배색 감성 스케일에서 제 1 부분 이미지에 대응되는 컬러칩을 산출하는 단계 혹은 배색 감성 스케일에 포함된 복수의 컬러칩들과 제 2 부분 이미지 사이의 거리들을 비교하여 배색 감성 스케일에서 제 2 부분 이미지에 대응되는 컬러칩을 산출하는 단계는 전술한 대표 부분 이미지에 대응되는 컬러칩을 산출하는 방법과 동일한 방식으로 이뤄질 수 있음을 통상의 기술자 입장에서 명확하게 이해할 수 있으므로 생략한다.

본 개시의 일 실시예에 따라 제 1 부분 이미지에 대응되는 컬러칩은 컬러칩에 포함된 적어도 하나의 색상의 RGB값과 제 1 부분 이미지에 포함된 적어도 하나의 픽셀의 RGB값 사이의 거리에 기초하여 산출될 수 있다. 또한 제 2 부분 이미지에 대응되는 컬러칩은 컬러칩에 포함된 적어도 하나의 색상의 RGB값과 제 2 부분 이미지에 포함된 적어도 하나의 픽셀의 RGB값 사이의 거리에 기초하여 산출될 수 있다. 상기 RGB값 사이의 거리 산출 방식은 도 3을 참조하여 동일한 방식으로 이해될 수 있다.

프로세서(110)는 위와 같이 제 1 부분 이미지에 대응되는 컬러칩을 산출한 후, 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 배색 감성 스케일을 참조하여 제 1 부분 이미지에 대응되는 컬러칩에 매핑된 제 1 감성 단어의 점수를 변경시킨다고 결정할 수 있다. 예를 들어, 상기 변경은 제 1 감성 단어의 점수를 증가시키는 것을 포함할 수 있다. 같은 방식으로 프로세서(110)는 제 2 부분 이미지에 대응되는 컬러칩을 산출한 후, 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 배색 감성 스케일을 참조하여 제 2 부분 이미지에 대응되는 컬러칩에 매핑된 제 2 감성 단어의 점수를 변경시킨다고 결정할 수 있다. 예를 들어, 상기 변경은 제 2 감성 단어의 점수를 증가시키는 것을 포함할 수 있다. 프로세서(110)는 각각의 부분 이미지에 의해 감성 단어 집합에 포함된 복수의 감성 단어들에 대한 점수 조정을 수행한 이후, 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 1 감성 정보를 산출할 수 있다. 구체적으로 예를 들어 감성 단어 집합이 [“역동적인”, “시니컬한”, “귀여운”]을 포함한다고 가정해보자. 이 때 제 1 부분 이미지에 대응되는 컬러칩에 매핑된 제 1 감성 단어는 “역동적인”일 수 있고 프로세서(110)는 제 1 감성 단어의 점수를 증가시킬 수 있다. 그 후 제 2 부분 이미지에 대응되는 컬러칩에 매핑된 제 2 감성 단어 역시 “역동적인”일 수 있고 따라서 프로세서(110)는 제 2 감성 단어의 점수를 증가시킬 수 있다. 최종적으로 감성 단어 집합에 포함된 복수의 감성 단어들의 점수는 [“역동적인”:2, “시니컬한”:0, “귀여운”:0]일 수 있다. 프로세서(110)는 이러한 점수를 제 1 감성 정보로 산출할 수 있다. 전술한 실시예는 일 실시예에 불과할 뿐, 본 개시는 복수의 감성 단어들을 포함하는 감성 단어 집합으로부터 제 1 감성 정보를 산출하기 위한 다양한 실시예들을 제한없이 포함한다.

본 개시의 실시예에 따라 프로세서(110)가 소셜 데이터로부터 제 2 감성 정보를 산출하는 단계는, 상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 검출 결과를 획득하는 단계, 상기 검출 결과에 포함된 적어도 하나의 물체의 명칭을 워드 임베딩 모델에 입력하여 상기 적어도 하나의 물체의 워드 벡터를 획득하는 단계, 상기 적어도 하나의 물체의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들 각각의 워드 벡터 사이의 유사도를 계산하는 단계, 상기 유사도 계산 결과에 기초하여 상기 적어도 하나의 물체의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 증가시키는 단계 및 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 2 감성 정보를 산출하는 단계를 포함할 수 있다.

도 4는 본 개시의 실시예에 따른 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다. 예를 들어, 본 개시내용에서의 물체 검출 모듈, 워드 임베딩 모델 또는 자연어 처리 모듈은 이하에서 구체적으로 설명될 신경망에 기반하여 동작할 수 있다.

신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 발명의 상세한 설명 및 청구항들에 있어서 컨볼루션 신경망은 신경망 레이어들의 시퀀스(sequence)를 포함할 수 있다.　상기 신경망 레이어는 컨볼루션 레이어, 풀링 레이어, 완전 연결 레이어 등을 포함할 수 있다. 컨볼루션 신경망에 대한 최초 입력은 시퀀스 내 가장 낮은 최초의 레이어에 의해 수신될 수 있다. 컨볼루션 신경망은 최초 입력으로부터 최종 출력을 생성하기 위해 최초 입력을 시퀀스 내 레이어들에 순차적으로 입력할 수 있다. 상기 최초 입력은 예를 들어 이미지일 수 있고 그에 대한 최종 출력은 하나 이상의 카테고리를 포함하는 카테고리 집합에 있어서 각각의 카테고리에 대한 스코어 집합일 수 있다.

본 발명의 상세한 설명 및 청구항들에 있어서 컨볼루션 신경망　내 각 신경망 레이어는 노드들의 세트를 포함한다. 각 신경망 레이어는 컨볼루션 신경망에 대한 최초 입력 또는 직전 신경망 레이어의 출력을 입력으로 수신할 수 있다. 예를 들어, 복수의 신경망 레이어로 이루어진 시퀀스에 있어서 제 N 번째 신경망 레이어는 제 N-1 번째 신경망 레이어의 출력을 입력으로 수신할 수 있다. 컨볼루션 신경망 내의 각 신경망 레이어는 입력으로부터 출력을 생성한다. 상기 레이어가 시퀀스에서 가장 높은 레이어인 경우,　컨볼루션 신경망의 최종 출력으로 취급된다.

본 개시의 실시예에 따라 프로세서(110)가 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하는 경우, 프로세서(110)는 물체 검출 모듈로부터 검출 결과를 획득할 수 있다. 물체 검출 모듈은 학습 가능한 파라미터를 포함하는 노드를 적어도 하나 포함할 수 있다. 물체 검출 모듈은 물체 검출을 위한 적어도 하나의 컨볼루션 신경망 레이어를 포함할 수 있다. 물체 검출 모듈은 입력 이미지에 존재하는 다양한 종류의 물체를 검출하기 위해 기 학습된 모듈일 수 있다. 물체 검출 모듈은 입력 이미지에 존재하는 하나 이상의 물체의 위치, 크기, 명칭 또는 종류 중 적어도 하나를 출력할 수 있다. 프로세서(110)가 물체 검출 모듈로부터 획득하는 검출 결과는, 소셜 데이터에 포함된 이미지에 존재하는 하나 이상의 물체의 명칭을 포함한다. 예를 들어 소셜 데이터에 포함된 이미지가 컵과 시계를 포함한다고 가정하자. 이 경우 프로세서(110)는 물체 검출 모듈로부터 검출 결과로서 “컵”, “시계”와 같이 사물의 명칭을 획득할 수 있다.

본 개시의 실시예에 따라 프로세서(110)는 물체 검출 모듈로부터 획득한 검출 결과에 포함된 적어도 하나의 물체의 명칭을 워드 임베딩 모델에 입력하여 상기 적어도 하나의 물체의 워드 벡터를 획득할 수 있다. 워드　임베딩이란, 단어(word)를　벡터로 표현하기 위한 방법을 말하는 용어로서, 주로 단어 벡터의 희소 표현(Sparse Representation)에서 단어 벡터의 밀집 표현(Dense Representation)으로 변환하는 것을 의미한다. 예를 들어, 원 핫 인코딩(One Hot Encoding) 방식을 통해 생성된 원 핫 벡터(One Hot Vector)는 표현하고자 하는 단어의 인덱스 값이 1이며, 나머지 인덱스 값은 0으로 표현될 수 있다. 이처럼　희소 표현에서는 벡터 또는 행렬의 원소의 값이 대부분 0으로 표현된다. 이에 반해 밀집 표현은, 벡터 또는 행렬의 원소의 값이 실수값을 가질 수 있고 그 결과 워드 벡터의 차원을 원 핫 벡터 보다 줄일 수 있다.　워드　임베딩이란, 단어를 밀집　표현 벡터로 표현하는 작업을 의미할 수 있다. 본 명세서에 걸쳐 워드 임베딩 방식을 통해 생성된 벡터를 임베딩 벡터(embedding vector) 또는 워드 임베딩 벡터(word embedding vector)로 호칭할 수 있다. 워드 임베딩의 방법으로는 word2vec, FastText, Glove 등을 포함할 수 있다.

본 개시의 일 실시예에 있어서, 워드 임베딩 모델은 하나 이상의 신경망 레이어를 포함할 수 있다. 워드 임베딩 모델은 적어도 하나 이상의 히든 레이어(Hidden Layer)를 포함할 수 있다. 상기 레이어는 하나 이상의 노드를 포함할 수 있다. 워드 임베딩 모델은 입력 레이어에 입력된 단어의 희소 벡터에 대해 제 1 행렬을 이용하여 히든 레이어의 입력 값을 구하고, 히든 레이어의 입력 값과 제 2 행렬을 이용하여 출력 레이어로 출력값을 전달할 수 있다. 출력값은 입력된 단어의 밀집 벡터일 수 있다. 입력된 단어는 소셜 데이터에 포함된 이미지에 존재할 수 있는 물체와 관련한 단어 또는 감성 단어 집합에 포함된 감성 단어 중 하나일 수 있다. 전술한 워드 임베딩 모델의 신경망 구조는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 워드 임베딩 모델에 포함된 각 노드의 연결 가중치 및 편향값은 복수의 단어들을 포함하는 말뭉치에 의해 사전 학습될 수 있다. 사전 학습을 위한 말뭉치는 본 개시의 일 실시예에 따른 감성 단어 집합에 포함된 감성 단어들을 포함할 수 있다. 그 결과 학습된 워드 임베딩 모델은 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 희소 표현의 워드 벡터를 밀집 표현의 워드 벡터로 변환할 수 있다.

본 개시의 실시예에 따라 프로세서(110)는 소셜 데이터의 이미지에 포함된 적어도 하나의 물체의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 워드 벡터 사이의 유사도를 계산할 수 있다.

일 실시예에서 상기 유사도는 두 워드 벡터의 벡터 공간에서의 거리에 기초하여 계산될 수 있다. 벡터 공간에서의 거리는 예를 들어, 맨하탄 거리, 유클리디안 거리로 정의될 수 있다. 본 개시에 따른 워드 임베딩 모델을 통해 생성된 워드 벡터들은 유사 정도에 따라 군집(clustering)을 형성할 수 있다. 예를 들어 워드 A와 워드 B가 서로 유사한 단어인 경우, 워드 A에 대한 워드 벡터와 워드 B에 대한 워드 벡터의 벡터 공간에서의 거리가 가까울 수 있다. 이 경우 워드 A와 워드 B는 벡터 공간 상에서 서로 가까이 위치할 것이며 거리의 값이 작아 높은 유사도를 가질 수 있다.

다른 일 실시예에서 상기 유사도는 코사인 유사도(Cosine Similarity)로 정의될 수도 있다. 코사인 유사도(Cosine Similarity)는 두 벡터 간의 코사인 각도를 구하여 유사도를 결정하는 값일 수 있다. 코사인 유사도는 두 벡터의 일치도에 따라 -1에서 1 사이의 값을 가질 수 있다. 코사인 유사도 값은 두 벡터가 완전히 일치하는 경우 1의 값을 가질 수 있다. 상기 유사도의 실시예에 관한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시에 따른 프로세서(110)는 유사도 계산 결과에 기초하여 적어도 하나의 물체의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 변경할 것을 결정할 수 있다. 변경에 대한 일례는 감성 단어의 점수를 증가시키는 것을 포함할 수 있다. 이하에서는 도 5를 참조하여 물체의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어를 결정하는 방법을 서술한다.

도 5는 본 개시의 실시예에 따른 워드 벡터를 2차원 좌표공간 상에 표현한 예시도이다.

본 개시의 일 실시예에 따라 프로세서(110)는 소셜 데이터의 이미지에 포함된 적어도 하나의 물체의 워드 벡터와 유사도가 가장 높은 워드 벡터를 갖는 하나의 감성 단어를 결정할 수 있다. 구체적으로, 도 5에는 예시적으로 제 1 감성 단어의 워드 벡터 좌표(511), 제 2 감성 단어의 워드 벡터 좌표(513), 제 3 감성 단어의 워드 벡터 좌표(515), 제 4 감성 단어의 워드 벡터 좌표(517) 들이 도시되어 있다. 이 때 이미지에 포함된 제 1 물체의 워드 벡터의 좌표(531)와 가장 유사도가 높은 감성 단어의 워드 벡터는 제 1 감성 단어의 워드 벡터 좌표(511)로 결정될 수 있다. 이 때 유사도는 워드 벡터 좌표간 유클리드 거리에 기초하여 계산될 수 있다. 프로세서(110)는 제 1 물체의 워드 벡터 좌표(531)와 제 1 감성 단어의 워드 벡터 좌표(531)가 가장 가까운 것으로 결정하고, 제 1 감성 단어의 점수를 증가시킬 수 있다.

본 개시의 다른 일 실시예에 따라 프로세서(110)는 소셜 데이터의 이미지에 포함된 적어도 하나의 물체의 워드 벡터와 유사도가 높은 워드 벡터를 갖는 상위 N 개의 감성 단어들을 결정할 수 있다. 구체적으로 상기 N이 2이고, 프로세서(110)가 제 1 물체의 워드 벡터와 유사한 상위 2개의 감성 단어 워드 벡터를 찾고자 한다면, 프로세서(110)는 제 1 물체의 워드 벡터 좌표(531)와 가까운 순서대로 상위 2개의 감성 단어의 워드 벡터 좌표인 제 1 감성 단어의 워드 벡터 좌표(511), 제 2 감성 단어의 워드 벡터 좌표(513)들을 연산할 수 있다. 그 결과 프로세서(110)는 제 1 물체의 워드 벡터와 유사도가 높은 상위 2개의 워드 벡터를 제 1 감성 단어의 워드 벡터 및 제 2 감성 단어의 워드 벡터로 결정할 수 있다. 계속하여 프로세서(110)는 유사도 계산 결과에 기초하여 제 1 감성 단어 및 제 2 감성 단어의 점수를 변경시킬 것을 결정할 수 있다. 이러한 변경의 일례는 제 1 감성 단어 및 제 2 감성 단어의 점수를 증가시키는 것을 포함할 수 있다.

본 개시의 추가적인 실시예에서 프로세서(110)는 소셜 데이터의 이미지에 포함된 적어도 하나의 물체의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어를 결정할 때, 상기 물체 검출 모듈의 검출 결과에 추가적으로 기초할 수 있다. 상기 물체 검출 모듈의 검출 결과에는 검출된 물체의 명칭 및 검출 정확도(Confidence score) 중 적어도 하나가 포함될 수 있다. 구체적으로 예를 들어, 프로세서(110)는 소셜 데이터의 이미지를 물체 검출 모듈에 입력한 후 '레몬' 및 '꽃'을 검출 결과로 획득할 수 있다. 프로세서(110)는 추가적으로 각 검출 결과에 대한 검출 정확도(예를 들어, ['레몬', 0.95] 또는 ['꽃', 0.88] 등)를 물체 검출 모듈로부터 획득할 수도 있다. 물체 검출 모듈에 의해 소셜 데이터의 이미지로부터 복수의 물체가 검출되는 경우, 프로세서(110)는 검출 정확도에 추가적으로 기초하여 소셜 데이터의 이미지에 대해 하나 이상의 감성 단어를 결정할 수 있다. 예를 들어, 본 개시에 따른 프로세서(110)가 소셜 데이터의 이미지로부터 검출되는 개별 물체에 대해 유사도가 높은 워드 벡터를 갖는 상위 N 개의 감성 단어들을 추출한다고 가정하자. 이러한 경우 소셜 데이터의 이미지에서 추출된 제 1 물체(예를 들어 '레몬')에 대해 상위 N개의 감성 단어 집합 A(예를 들어 '상큼한', '노란색', '청량한' 등)가 추출될 수 있다. 또한 같은 소셜 데이터의 이미지에서 추출된 제 2 물체(예를 들어 '꽃')에 대해 상위 N개의 감성 단어 집합 B(예를 들어 '아름다운', '연약한', '생동감 있는' 등)가 추출될 수 있다. 나아가 프로세서(110)는 물체 검출 모듈로부터 획득된 검출 결과에 포함된 각 물체에 대한 검출 정확도를 고려하여 제 1 물체 및 제 2 물체의 워드 벡터와 유사도가 높은 워드 벡터를 갖는 상위 N 개의 감성 단어 집합 C를 결정할 수 있다. 프로세서(110)가 감성 단어 집합 C를 결정하는 과정에는 제 1 물체에 대한 검출 정확도(예를 들어 0.95)를 가중치로써 감성 단어 집합 A에 곱한 결과와 제 2 물체에 대한 검출 정확도(예를 들어 0.88)를 가중치로써 감성 단어 집합 B에 곱한 결과를 합산하는 연산 과정이 포함될 수 있다. 본 개시에 따른 프로세서(110)는 상기 결정된 감성 단어 집합 C의 점수에 기초하여 적어도 하나의 감성 단어에 대한 점수를 변경할 수 있다. 전술한 예시는 본 개시의 실시를 위한 예시적 기재일 뿐 본 개시를 제한하지 않으며, 다양한 양태로 감성 단어 집합에 대한 연산을 수행할 수 있음은 통상의 기술자에게 자명할 것이다. 본 개시에 따른 소셜 계정의 스타일 정보를 산출하는 방법은 위와 같이 물체 검출 모듈의 물체 검출 결과 및 물체 검출 모듈의 신뢰도를 스타일 정보 산출과정에 반영함으로써 보다 정확한 감성 단어를 추출할 수 있는 효과를 가진다. 예를 들어, 물체의 검출 정확도가 높을수록 검출 결과를 신뢰할 수 있다는 뜻이며 본 개시에 따른 스타일 정보 산출 방법은 높은 신뢰도를 가지는 유력한 검출 물체에 대해서는 높은 가중치를 부여함으로써 물체 검출 모듈이 이미지 내에 존재하는 노이즈로 인해 몇몇 물체를 제대로 인식하지 못하더라도 신뢰할 수 있는 결과를 도출할 수 있다는 장점이 있다. 즉, 본 개시는 노이즈에 강건한 특징을 가지는 스타일 정보 산출 방법을 개시한다.

본 개시의 다른 일 실시예에 따라 프로세서(110)는 소셜 데이터의 이미지에 포함된 적어도 하나의 물체의 워드 벡터와 사전 결정된 임계 유사도 내에 있는 워드 벡터를 갖는 하나 이상의 감성 단어들을 결정할 수 있다. 구체적으로 도 5의 참조번호 535는 제 2 물체의 워드 벡터 좌표(533)와 일정 거리만큼 떨어진 영역을 나타내는 원을 도시한다. 유사도가 예를 들어 벡터 사이의 유클리디안 거리에 기초하여 계산되는 경우, 제 2 물체의 워드 벡터 좌표(533)와 일정 거리만큼 떨어진 영역을 나타내는 원(535)은 사전 결정된 임계 유사도 범위를 나타내는 영역일 수 있다. 따라서 프로세서(110)는 제 2 물체의 워드 벡터 좌표(533) 및 사전 결정된 임계 유사도를 고려하여, 제 2 물체의 워드 벡터 좌표(533)와 일정 거리만큼 떨어진 영역을 나타내는 원(535) 내부에 존재하는 제 3 감성 단어의 워드 벡터 좌표(515) 및 제 4 감성 단어의 워드 벡터 좌표(517)를 연산할 수 있다. 그 결과 프로세서(110)는 제 2 물체의 워드 벡터와 사전 결정된 임계 유사도 내에 있는 하나 이상의 워드 벡터를 제 3 감성 단어의 워드 벡터 및 제 4 감성 단어의 워드 벡터로 결정할 수 있다. 계속하여 프로세서(110)는 유사도 계산 결과에 기초하여 제 3 감성 단어 및 제 4 감성 단어의 점수를 변경시킬 것을 결정할 수 있다. 이러한 변경의 일례는 제 3 감성 단어 및 제 4 감성 단어의 점수를 증가시키는 것을 포함할 수 있다.

상술한 바와 같이 프로세서(110)는 워드 임베딩 모델에 의한 워드 벡터를 통해 물체의 워드 벡터와 유사한 하나 이상의 감성 단어의 워드 벡터를 연산하고, 유사도 연산 결과에 기초하여 감성 단어의 점수를 증가시킨 뒤, 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 2 감성 정보를 산출할 수 있다.

본 개시에 따른 프로세서(110)가 소셜 데이터로부터 제 3 감성 정보를 산출하는 단계는, 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과를 획득하는 단계, 처리 결과에 포함된 적어도 하나의 키워드를 워드 임베딩 모델에 입력하여 상기 적어도 하나의 키워드의 워드 벡터를 획득하는 단계, 적어도 하나의 키워드의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 워드 벡터 사이의 유사도를 계산하는 단계, 상기 유사도 계산 결과에 기초하여 상기 적어도 하나의 키워드의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 증가시키는 단계 및 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 3 감성 정보를 산출하는 단계를 포함할 수 있다.

본 개시에 따른 자연어 처리 모듈은 소셜 데이터에 포함된 텍스트를 입력 받아 자연어 처리(Natural Language Processing: NLP) 동작을 수행할 수 있다. 상기 자연어 처리 모듈이 수행하는 자연어 처리 동작은 입력된 텍스트에 대한 형태소 분석 동작, 키워드 추출 동작 등을 포함할 수 있다.

본 개시에 따른 자연어 처리 모듈은 형태소 분석 동작을 통해 입력된 텍스트를 형태소 단위로 쪼개어 분석할 수 있다. 예를 들어 자연어 처리 모듈은 입력된 텍스트를 실질형태소와 형식형태소로 나누어 분석할 수 있다. 다른 예를 들어 자연어 처리 모듈은 입력된 텍스트를 어휘형태소와 문법형태소로 나누어 분석할 수 있다. 예를 들어 자연어 처리 모듈이 “집에 갔습니다”라는 텍스트에 대해 형태소 분석 동작을 수행하는 경우 “집/명사 + 에/격조사 + 가/동사 + 았/선어말어미 + 습니다/어말어미”로 텍스트에 대한 형태소를 분석할 수 있다. 다른 예를 들어 “산이 푸르다”라는 텍스트에 대해 형태소 분석 동작을 수행하는 경우 “산/명사 + 이/보조사 + 푸른/형용사 + 다/어말어미”로 텍스트에 대해 형태소 분석을 수행할 수 있다.

본 개시에 따른 자연어 처리 모듈은 형태소 분석 동작 후 키워드를 추출하는 동작을 수행할 수 있다. 자연어 처리 모듈은 추출된 하나 이상의 키워드를 처리 결과로 산출할 수 있다. 상기 처리 결과에는 텍스트 내에서 추출된 키워드에 대응되는 중요도를 포함할 수 있다. 키워드는 형태소 분석 결과에 있어서 실질 형태소 또는 어휘 형태소의 어근 또는 원형의 형태로 추출될 수 있다. 예를 들어 “집”, “가” 두 형태소가 실질 형태소로 분석된 경우, 자연어 처리 모듈은 “집” 및 “가다”를 키워드로 추출한 후 상기 두 키워드를 처리 결과로 산출할 수 있다. 전술한 자연어 처리 모듈의 동작에 관한 예시는 설명을 위한 예시에 불과하며 본 개시는 입력된 텍스트에서 키워드를 추출하기 위한 자연어 처리 모듈을 제한없이 포함한다.

본 개시의 실시예에 따라 프로세서(110)는 자연어 처리 모듈로부터 처리 결과를 획득한 후 처리 결과에 포함된 적어도 하나의 키워드를 워드 임베딩 모델에 입력하여 상기 적어도 하나의 키워드의 워드 벡터를 획득할 수 있다. 그 후 프로세서(110)는 적어도 하나의 키워드의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 워드 벡터 사이의 유사도를 계산할 수 있다. 워드 벡터 사이의 유사도 계산은 상술한 바와 같이 예를 들어 벡터 공간에서의 거리 또는 코사인 유사도에 기초하여 수행될 수 있다. 프로세서(110)는 유사도 계산 결과에 기초하여 적어도 하나의 키워드의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 변경할 것을 결정할 수 있다. 변경에 대한 일례는 감성 단어의 점수를 증가시키는 것을 포함할 수 있다. 키워드의 워드 벡터와 유사한 하나 이상의 워드 벡터는 도 5를 참조하여 상술한 바와 같이 결정될 수 있다.

본 개시의 추가적인 실시예에서 프로세서(110)는 소셜 데이터에 포함된 텍스트로부터 점수 변경의 대상이 되는 하나 이상의 감성 단어를 결정할 때, 상기 자연어 처리 모듈의 처리 결과에 추가적으로 기초할 수 있다. 상기 자연어 처리 모듈의 처리 결과에는 추출된 키워드 및 키워드에 대응되는 중요도 중 적어도 하나가 포함될 수 있다. 구체적으로 예를 들어, 프로세서(110)는 소셜 데이터의 텍스트(예를 들어, “야식은 역시 치킨”)를 자연어 처리 모듈에 입력한 후 '야식' 및 '치킨'을 포함하는 처리 결과를 획득할 수 있다. 프로세서(110)는 추가적으로 각 키워드에 대응되는 중요도(예를 들어, ['야식', 0.12] 또는 ['치킨', 0.33] 등)를 포함하는 처리 결과를 자연어 처리 모듈로부터 획득할 수도 있다. 자연어 처리 모듈에 의해 소셜 데이터의 텍스트로부터 복수의 키워드가 추출되는 경우, 프로세서(110)는 중요도에 추가적으로 기초하여 소셜 데이터의 텍스트에 대해 하나 이상의 감성 단어를 결정할 수 있다. 예를 들어, 본 개시에 따른 프로세서(110)가 소셜 데이터의 텍스트로부터 추출되는 각각의 키워드에 대해 유사도가 높은 워드 벡터를 갖는 상위 N 개의 감성 단어들을 추출한다고 가정하자. 이러한 경우 소셜 데이터의 텍스트에서 추출된 제 1 키워드(예를 들어 '야식')에 대해 상위 N개의 감성 단어 집합 D(예를 들어 '즐거운', '죄책감의', '우울한' 등)가 추출될 수 있다. 또한 같은 소셜 데이터의 텍스트에서 추출된 제 2 키워드(예를 들어 '치킨')에 대해 상위 N개의 감성 단어 집합 E(예를 들어 '바삭한', '맛있는', '행복한' 등)가 추출될 수 있다. 나아가 프로세서(110)는 자연어 처리 모듈로부터 획득된 처리 결과에 포함된 각 키워드에 대한 중요도를 고려하여 제 1 키워드 및 제 2 키워드의 워드 벡터와 유사도가 높은 워드 벡터를 갖는 상위 N 개의 감성 단어 집합 F를 결정할 수 있다. 프로세서(110)가 감성 단어 집합 F를 결정하는 과정에는 제 1 키워드에 대한 중요도(예를 들어 0.12)를 가중치로써 감성 단어 집합 D에 곱한 결과와 제 2 키워드에 대한 중요도(예를 들어 0.33)를 가중치로써 감성 단어 집합 E에 곱한 결과를 합산하는 연산 과정이 포함될 수 있다. 본 개시에 따른 프로세서(110)는 상기 결정된 감성 단어 집합 F의 점수에 기초하여 적어도 하나의 감성 단어에 대한 점수를 변경할 수 있다. 전술한 예시는 본 개시의 실시를 위한 예시적 기재일 뿐 본 개시를 제한하지 않으며, 다양한 양태로 추출된 복수의 키워드들 및 감성 단어 집합에 대한 연산을 수행할 수 있음은 통상의 기술자에게 자명할 것이다.

본 개시의 프로세서(110)가 소셜 데이터에 포함된 텍스트로부터 제 3 감성 정보를 산출하는 일 예시를 설명한다. 프로세서(110)가 자연어 처리 모듈에 “여름인데 전염병 때문에 집에 갇혔어”라는 텍스트를 입력한 경우를 가정하자. 프로세서(110)는 자연어 처리 모듈로부터 '여름', '전염병', '집', '갇히다' 라는 키워드들을 포함하는 처리 결과를 획득할 수 있다. 그 후 프로세서(110)는 상기 처리 결과에 포함된 키워드를 워드 임베딩 모델에 입력하여 '여름', '전염병', '집', '갇히다' 각각에 대한 워드 벡터를 획득할 수 있다. 프로세서(110)는 각 키워드의 워드 벡터와 감성 단어 집합에 포함된 복수의 감성 단어들의 워드 벡터의 유사도를 계산하여 가장 유사한 하나 이상의 감성 단어를 결정할 수 있다. 추가적으로 예를 들어 감성 단어 집합이 ['우울한', '아늑한', '행복한', '절망적인', '밝은', '어두운', '외로운', '활발한']의 감성 단어들을 포함한다고 가정한다. 이 때 프로세서(110)는 '여름'이라는 키워드에 대한 워드 벡터와 가장 유사한 워드 벡터를 갖는 감성 단어를 '활발한'으로 결정한 후, '활발한'이라는 감성 단어의 점수를 증가시킬 수 있다. 예를 들어, 본 개시내용에 감성 단어의 점수를 증가시킨다는 것은 상기 감성 단어에게 상대적으로 높은 가중치를 부여하거나 또는 상기 감성 단어를 다른 감성 단어에 비해 상대적으로 높은 우선순위를 부여한다는 것을 포함할 수 있다. 프로세서(110)는 '전염병'이라는 키워드에 대한 워드 벡터와 가장 유사한 워드 벡터를 갖는 감성 단어를 '우울한', '절망적인'으로 결정한 후, '우울한', '절망적인'이라는 감성 단어의 점수를 각각 증가시킬 수 있다. 최종적으로 감성 단어 집합에 포함된 복수의 감성 단어들의 점수 분포는 ['우울한':2, '아늑한':1, '행복한':1, '절망적인':1, '밝은':1, '어두운':1, '외로운':3, '활발한':1]과 같이 나타날 수 있다. 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 점수 분포에 기초하여 프로세서(110)는 제 3 감성 정보를 산출할 수 있다. 전술한 예시는 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

본 개시의 일 실시예에 있어서 프로세서(110)가 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는, 제 1 감성 정보, 제 2 감성 정보 및 제 3 감성 정보 각각에 대해 제 1 감성 정보에 따른 가중치, 제 2 감성 정보에 따른 가중치 및 제 3 감성 정보에 따른 가중치를 적용한 값을 이용하여 부분 스타일 정보를 산출하는 단계를 포함할 수 있다.

본 개시에 있어서 제 1 감성 정보는 소셜 데이터에 포함된 이미지가 갖는 색감으로부터 사람이 받는 감성에 관한 정보로 취급될 수 있다. 제 2 감성 정보는 소셜 데이터에 포함된 물체로부터 사람이 받는 감성에 관한 정보로 취급될 수 있다. 제 3 감성 정보는 소셜 데이터에 포함된 텍스트가 갖는 의미로부터 사람이 받는 감성에 관한 정보로 취급될 수 있다. 상술한 바와 같은 각 감성 정보의 유형의 차이에 기초하여 사용자는 제 1 감성 정보에 따른 가중치, 제 2 감성 정보에 따른 가중치 및 제 3 감성 정보에 따른 가중치를 서로 다르게 설정할 수 있다.

예를 들어, 소셜 데이터로부터 산출된 제 1 감성 정보는 ['우울한':0, '아늑한':4, '행복한':1, '절망적인':0, '밝은':1, '어두운':0, '외로운':2, '활발한':0]와 같은 데이터를 포함할 수 있다. 소셜 데이터로부터 산출된 제 2 감성 정보는 ['우울한':0, '아늑한':0, '행복한':3, '절망적인':0, '밝은':1, '어두운':2, '외로운':0, '활발한':1]와 같은 데이터를 포함할 수 있다. 소셜 데이터로부터 산출된 제 3 감성 정보는 ['우울한':0, '아늑한':4, '행복한':1, '절망적인':0, '밝은':1, '어두운':0, '외로운':2, '활발한':0]와 같은 데이터를 포함할 수 있다. 이 때 제 1 감성 정보에 따른 가중치, 제 2 감성 정보에 따른 가중치 및 제 3 감성 정보에 따른 가중치는 3,2,1로 설정될 수 있다. 프로세서(110)는 각 감성 정보의 종류에 따른 가중치를 각각의 감성 정보마다 곱한 후 합산하여 소셜 데이터의 부분 스타일 정보를 산출할 수 있다. 상기 예시에 기초하여 추가적으로 서술할 경우, 부분 스타일 정보는 ['우울한':0, '아늑한':16, '행복한':10, '절망적인':0, '밝은':5, '어두운':4, '외로운':8, '활발한':2]와 같은 데이터를 포함할 수 있다. 각 감성 정보에 따른 가중치는 임의의 값의 비율로 설정될 수 있다.

본 개시의 일 실시예에 있어서, 제 3 감성 정보에 제 3 감성 정보에 따른 가중치가 적용된 결과값이 사전 결정된 상한값과 비교될 수 있다. 비교 결과 상기 결과값이 상기 상한값을 초과한다고 결정되는 경우 상기 결과값은 상기 상한값으로 치환될 수 있다. 예를 들어, 상기 제 3 감성 정보를 상기 제 3 감성 정보에 따른 가중치와 곱한 결과값이 사전 결정된 상한값을 초과하는 경우 상기 결과값은 사전 결정된 상한값으로 치환될 수 있다. 일 실시예에서 상기 사전 결정된 상한값은 감성 단어의 점수를 기준을 설정될 수 있다. 예를 들어, 제 3 감성 정보에 제 3 감성 정보에 따른 가중치를 곱한 결과값은 하나의 감성 단어에 있어서 최대 10 이상의 점수를 가질 수 없도록 10을 초과하는 경우 10으로 치환될 수 있다.

본 개시의 다른 일 실시예에서 상기 제 3 감성 정보에 따른 가중치는, 상기 제 3 감성 정보와 곱한 결과값이 사전 결정된 상한값을 초과하지 않기 위해 프로세서(110)에 의해 조정될 수 있다. 예를 들어 사전 결정된 감성 단어별 상한값이 10이고, 전체 감성 단어 집합에서 가장 점수가 높은 감성 단어의 점수가 5인 경우, 프로세서(110)는 제 3 감성 정보에 따른 가중치를 2 이하로 설정될 수 있다. 전술한 예시는 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

본 개시에 따른 프로세서(110)가 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 단계는, 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여 각 소셜 데이터에 따른 가중치를 생성하는 단계 및 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보에 상기 소셜 데이터에 따른 가중치를 적용하여 소셜 계정의 스타일 정보를 산출하는 단계를 포함할 수 있다. 소셜 데이터에 대응되는 속성 정보는 소셜 데이터에 대한 다른 유저의 피드백 정보 또는 소셜 데이터의 시간 정보를 포함할 수 있다. 구체적으로 상기 피드백 정보는 예를 들어 소셜 데이터에 대한 다른 유저의 '좋아요' 수, 댓글 수, 조회 수, 클릭 수 등을 포함할 수 있다. 상기 시간 정보는 예를 들어 생성 시간, 수정 시간 등을 포함할 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)는 복수의 소셜 데이터에 있어서 각 소셜 데이터에 대한 피드백 정보에 기초하여 소셜 데이터에 따른 가중치를 생성할 수 있다. 상기 피드백 정보는 예를 들어 '좋아요' 수, 재생 수, 댓글 수를 포함할 수 있으며 프로세서(110)는 '좋아요' 수, 재생 수, 댓글 수 중 적어도 하나 이상의 데이터로 소셜 데이터에 따른 가중치를 생성할 수 있다.

예를 들어 제 1 소셜 데이터에 대한 '좋아요' 수: 100개, 제 2 소셜 데이터에 대한 '좋아요' 수: 50개, 제 3 소셜 데이터에 대한 '좋아요' 수: 50개인 경우, 프로세서(110)는 제 1 소셜 데이터에 대한 부분 스타일 정보, 제 2 소셜 데이터에 대한 부분 스타일 정보 및 제 3 소셜 데이터에 대한 부분 스타일 정보를 2:1:1의 비율로 합산할 수 있다.

예를 들어 제 1 소셜 데이터에 대한 '좋아요' 수: 100개 - 댓글 수: 0개, 제 2 소셜 데이터에 대한 '좋아요' 수: 50개 - 댓글 수: 20개, 제 3 소셜 데이터에 대한 '좋아요' 수: 50개 - 댓글 수: 0개인 경우, 댓글을 기재하는 행위가 '좋아요'를 표시하는 행위보다 적극적인 피드백 정보에 해당하므로 프로세서(110)는 댓글 수에 '좋아요' 수보다 높은 비중을 두어 소셜 데이터에 따른 가중치를 생성할 수 있다. 즉, 소셜 데이터에 따른 가중치를 생성함에 있어서 '좋아요'와 댓글의 비중이 1: 9인 경우, 제 1 소셜 데이터에 대한 부분 스타일 정보, 제 2 소셜 데이터에 대한 부분 스타일 정보 및 제 3 소셜 데이터에 대한 부분 스타일 정보는 100*1+0*9:50*1+30*9:50*1+0*9(=10:32:5)의 비율로 합산할 수 있다.

본 개시의 다른 일 실시예에 있어서 프로세서(110)는 복수의 소셜 데이터에 있어서 각 소셜 데이터의 시간 정보에 기초하여 소셜 데이터에 따른 가중치를 생성할 수 있다. 프로세서(110)는 소셜 데이터의 생성 시간과 현재 시간의 차이값에 기초하여 가중치를 생성할 수 있다. 예를 들어 제 1 소셜 데이터의 생성 시간과 현재 시간의 차이가 1일이고, 제 2 소셜 데이터의 생성 시간과 현재 시간의 차이가 7일인 경우, 프로세서(110)는 제 1 소셜 데이터에 대한 부분 스타일 정보와 제 2 소셜 데이터에 대한 부분 스타일 정보를 7:1 또는 임의의 시간 길이가 반영된 비율로 가중 합산할 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)가 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출할 때, 소셜 계정의 스타일 정보는 기 산출된 적어도 하나의 다른 소셜 계정의 스타일 정보에 관한 통계값에 추가적으로 기초하여 산출될 수 있다. 상기 통계값은 기 산출된 복수의 다른 소셜 계정의 스타일 정보로부터 연산된 값일 수 있다. 상기 통계값은 예를 들어 복수의 다른 소셜 계정의 스타일 정보에 대한 평균값, 사분위값, 분산, 표준편차 등을 포함할 수 있다.

예컨대 기 산출된 복수의 다른 소셜 계정의 스타일 정보의 평균 값이 ['A':1, 'B':5, 'C':10]과 같다고 가정하자. 이 때 A, B, C는 각각 감성 단어를 의미한다. 그리고 스타일 정보를 산출하기 위한 대상이 되는 제 1 소셜 계정의 스타일 정보가 ['A':5, 'B':5, 'C':10]인 경우, 프로세서(110)는 제 1 소셜 계정의 스타일 정보를 다른 소셜 계정의 스타일 정보의 평균값과의 차이를 고려하여 보정할 수 있다. 예를 들어 프로세서(110)는 제 1 소셜 계정의 스타일 정보에 포함된 각 감성 단어에 대한 점수에 상기 점수와 평균 점수와의 차이만큼 일정 상수(C)를 비례하여 곱한 뒤 추가할 수 있다. 즉, C가 2일 경우, 위의 예시에서 보정된 제 1 소셜 계정의 스타일 정보는 ['A':13, 'B':5, 'C':10]으로 나타날 수 있다. 이와 같이 기 산출된 복수의 다른 소셜 계정의 스타일 정보의 통계값을 스타일 정보 산출의 대상이 되는 소셜 계정의 스타일 정보를 산출하는 과정에서 이용하는 경우, 전체적인 경향에 반하는 독특한 개성을 더욱 부각시킬 수 있는 효과가 있다.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (15)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하는 방법으로서,
   소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계; 및
   상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 단계;
   를 포함하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
2. 제 1 항에 있어서,
   상기 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는:
   감성 단어 집합 및 배색 감성 스케일에 기초하여, 상기 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계;
   상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 획득되는 검출 결과에 기초하여, 상기 소셜 데이터로부터 제 2 감성 정보를 산출하는 단계; 또는
   상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과에 기초하여, 상기 소셜 데이터로부터 제 3 감성 정보를 산출하는 단계;
   중 적어도 하나를 포함하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
3. 제 2 항에 있어서,
   상기 감성 단어 집합은,
   상기 배색 감성 스케일에 포함된 하나 이상의 감성 단어들을 포함하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
4. 제 2 항에 있어서,
   상기 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계는:
   상기 배색 감성 스케일에 포함된 복수의 컬러칩들과 상기 소셜 데이터에 포함된 이미지의 대표 부분 이미지 사이의 거리들을 비교하여 상기 배색 감성 스케일에서 상기 대표 부분 이미지에 대응되는 컬러칩을 산출하는 단계; 및
   상기 대표 부분 이미지에 대응되는 컬러칩과 매핑된 감성 단어에 기초하여 제 1 감성 정보를 산출하는 단계;
   를 포함하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
5. 제 2 항에 있어서,
   상기 소셜 데이터로부터 제 1 감성 정보를 산출하는 단계는:
   상기 배색 감성 스케일에 포함된 복수의 컬러칩들과 상기 소셜 데이터에 포함된 이미지의 제 1 부분 이미지 사이의 거리들을 비교하여 상기 배색 감성 스케일에서 제 1 부분 이미지에 대응되는 컬러칩을 산출하는 단계;
   상기 배색 감성 스케일에 포함된 복수의 컬러칩들과 상기 소셜 데이터에 포함된 이미지의 제 2 부분 이미지 사이의 거리들을 비교하여 상기 배색 감성 스케일에서 제 2 부분 이미지에 대응되는 컬러칩을 산출하는 단계;
   상기 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 상기 제 1 부분 이미지에 대응되는 컬러칩과 매핑된 제 1 감성 단어의 점수를 변경시킬 것을 결정하는 단계;
   상기 감성 단어 집합에 포함된 복수의 감성 단어들에 대해 상기 제 2 부분 이미지에 대응되는 컬러칩과 매핑된 제 2 감성 단어의 점수를 변경시킬 것을 결정하는 단계; 및
   상기 감성 단어 집합에 포함된 상기 제 1 감성 단어의 점수 및 상기 제 2 감성 단어의 점수에 적어도 부분적으로 기초하여 제 1 감성 정보를 산출하는 단계;
   를 포함하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
6. 제 4 항 또는 제 5 항에 있어서,
   상기 부분 이미지에 대응되는 컬러칩은,
   상기 컬러칩에 포함된 적어도 하나의 색상의 RGB값과 상기 부분 이미지에 포함된 적어도 하나의 픽셀의 RGB값 사이의 거리에 기초하여 산출되는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
7. 제 2 항에 있어서,
   상기 소셜 데이터로부터 제 2 감성 정보를 산출하는 단계는:
   상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 검출 결과를 획득하는 단계;
   상기 검출 결과에 포함된 적어도 하나의 물체의 명칭을 워드 임베딩 모델에 입력하여 상기 적어도 하나의 물체의 워드 벡터를 획득하는 단계;
   상기 적어도 하나의 물체의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들 각각의 워드 벡터 사이의 유사도를 계산하는 단계;
   상기 유사도 계산 결과에 기초하여 상기 적어도 하나의 물체의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 변경시킬 것을 결정하는 단계; 및
   상기 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 2 감성 정보를 산출하는 단계;
   를 포함하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
8. 제 2 항에 있어서,
   상기 소셜 데이터로부터 제 3 감성 정보를 산출하는 단계는:
   상기 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과를 획득하는 단계;
   상기 처리 결과에 포함된 적어도 하나의 키워드를 워드 임베딩 모델에 입력하여 상기 적어도 하나의 키워드의 워드 벡터를 획득하는 단계;
   상기 적어도 하나의 키워드의 워드 벡터와 상기 감성 단어 집합에 포함된 복수의 감성 단어들의 워드 벡터 사이의 유사도를 계산하는 단계;
   상기 유사도 계산 결과에 기초하여 상기 적어도 하나의 키워드의 워드 벡터와 유사한 워드 벡터를 갖는 하나 이상의 감성 단어의 점수를 변경시킬 것을 결정하는 단계; 및
   상기 감성 단어 집합에 포함된 복수의 감성 단어들의 점수에 기초하여 제 3 감성 정보를 산출하는 단계;
   를 포함하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
9. 제 1 항에 있어서,
   상기 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는,
   제 1 감성 정보, 제 2 감성 정보 및 제 3 감성 정보 각각에 대해 제 1 감성 정보에 따른 가중치, 제 2 감성 정보에 따른 가중치 및 제 3 감성 정보에 따른 가중치를 적용한 값을 이용하여 부분 스타일 정보를 산출하는 단계;
   를 포함하되,
   상기 제 3 감성 정보에 상기 제 3 감성 정보에 따른 가중치가 적용된 결과값이 사전 결정된 상한값을 초과하는 경우, 상기 결과값은 사전 결정된 상한값으로 치환되는 것을 특징으로 하는,
   소셜 계정의 스타일 정보를 산출하는 방법.
   
10. 제 1 항에 있어서,
    상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 단계는:
    상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여 각 소셜 데이터에 따른 가중치를 생성하는 단계; 및
    상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보에 상기 소셜 데이터에 따른 가중치를 적용하여 소셜 계정의 스타일 정보를 산출하는 단계;
    를 포함하는,
    소셜 계정의 스타일 정보를 산출하는 방법.
    
11. 제 10 항에 있어서,
    상기 소셜 데이터에 대응되는 속성 정보는,
    상기 소셜 데이터에 대한 다른 유저의 피드백 정보 또는 상기 소셜 데이터의 시간 정보를 포함하는,
    소셜 계정의 스타일 정보를 산출하는 방법.
    
12. 제 1 항에 있어서,
    상기 소셜 계정의 스타일 정보는,
    기 산출된 적어도 하나의 다른 소셜 계정의 스타일 정보에 관한 통계값에 추가적으로 기초하여 산출되는,
    사용자의 스타일 정보를 산출하는 방법.
    
13. 제 1 항에 있어서,
    상기 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 단계는,
    감성 단어 집합 및 배색 감성 스케일에 기초하여, 상기 소셜 데이터에 포함된 이미지로부터 제 1 감성 정보를 산출하는 단계;
    상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 이미지를 물체 검출 모듈에 입력하여 획득되는 검출 결과에 기초하여 제 2 감성 정보를 산출하는 단계; 및
    상기 감성 단어 집합 및 상기 소셜 데이터에 포함된 텍스트를 자연어 처리 모듈에 입력하여 획득되는 처리 결과에 기초하여 제 3 감성 정보를 산출하는 단계;
    를 포함하는,
    소셜 계정의 스타일 정보를 산출하는 방법.
    
14. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하는 동작; 및
    상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
15. 소셜 계정의 스타일 표현(style representation)을 포함하는 스타일 정보를 산출하기 위한 장치로서,
    하나 이상의 프로세서;
    메모리; 및
    네트워크부;
    를 포함하고, 그리고
    상기 하나 이상의 프로세서는,
    소셜 데이터 셋에 포함된 적어도 하나의 소셜 데이터에 대한 스타일 표현을 포함하는 부분 스타일 정보를 산출하고,
    상기 적어도 하나의 소셜 데이터에 대응되는 속성 정보에 기초하여, 상기 적어도 하나의 소셜 데이터에 대한 부분 스타일 정보로부터 소셜 계정의 스타일 정보를 산출하는,
    소셜 계정의 스타일 정보를 산출하기 위한 장치.
    
    
    

Images