KR20220054067A - 전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법 - Google Patents
전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법 Download PDFInfo
- Publication number
- KR20220054067A KR20220054067A KR1020200138541A KR20200138541A KR20220054067A KR 20220054067 A KR20220054067 A KR 20220054067A KR 1020200138541 A KR1020200138541 A KR 1020200138541A KR 20200138541 A KR20200138541 A KR 20200138541A KR 20220054067 A KR20220054067 A KR 20220054067A
- Authority
- KR
- South Korea
- Prior art keywords
- server
- user
- processor
- session
- input
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 46
- 238000010586 diagram Methods 0.000 description 30
- 238000010801 machine learning Methods 0.000 description 16
- 239000003795 chemical substances by application Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 206010048909 Boredom Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- UGODCLHJOJPPHP-AZGWGOJFSA-J tetralithium;[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-4-hydroxy-2-[[oxido(sulfonatooxy)phosphoryl]oxymethyl]oxolan-3-yl] phosphate;hydrate Chemical compound [Li+].[Li+].[Li+].[Li+].O.C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP([O-])(=O)OS([O-])(=O)=O)[C@@H](OP([O-])([O-])=O)[C@H]1O UGODCLHJOJPPHP-AZGWGOJFSA-J 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
전자 장치 및 서버를 포함하는 시스템이 개시된다. 상기 전자 장치는, 디스플레이 모듈, 및 프로세서를 포함하고, 상기 프로세서는, 상기 디스플레이 모듈 상의 제1 입력 이벤트를 수집하고, 및 상기 제1 입력 이벤트와 관련된 로그 데이터를 생성한다. 상기 프로세서 또는 상기 서버는, 상기 로그 데이터에 기반하여 세션(session) 데이터를 생성하고, 상기 세션 데이터에 기반하여 상기 사용자 입력의 변화 과정을 학습하고, 및 상기 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성한다. 상기 프로세서는, 상기 디스플레이 모듈 상의 제2 입력 이벤트를 감지하고, 상기 제2 입력 이벤트 및 상기 모델에 기반하여 상기 사용자가 상기 심심한 상태인지 여부를 판단하고, 상기 사용자가 상기 심심한 상태인 경우 상기 사용자에게 컨텐츠의 추천이 필요한지 여부를 판단하고, 및 상기 사용자에게 상기 컨텐츠 추천이 필요한 경우 상기 디스플레이 모듈에 컨텐츠를 추천하는 알림을 표시하도록 설정된다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.
Description
본 문서에서 개시되는 다양한 실시 예들은 전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법에 관한 것이다.
전자 장치는 서버로부터 정보를 수신하고 수신된 정보를 표시할 수 있다. 서버는 전자 장치로 컨텐츠와 관련된 정보를 전송할 수 있다. 컨텐츠는 사용자가 관심을 갖는 자료, 상품, 및/또는 게임과 같은 어플리케이션일 수 있다. 전자 장치는 수신된 정보에 포함된 컨텐츠와 관련된 알림을 표시할 수 있다.
한편, 전자 장치는 임의의 시점 또는 어플리케이션의 사용 통계에 기반하여 특정한 시간에 컨텐츠를 추천할 수 있다. 예를 들어, 전자 장치는 매일 저녁 6시 또는 오후 3시에 게임을 추천하는 알림을 표시할 수 있다.
전자 장치가 임의의 시점 또는 어플리케이션의 사용 통계에 기반하여 특정한 시간에 컨텐츠를 추천하는 경우, 사용자가 원하지 않는 시점에 컨텐츠를 추천할 수 있다. 전자 장치가 사용자가 원하지 않는 시점에 컨텐츠를 추천하는 경우 사용자가 심심한(bored) 시간에 컨텐츠를 추천하는 경우와 비교하여 추천한 컨텐츠를 소비한 확률이 감소할 수 있다.
본 문서에 개시되는 다양한 실시 예들은, 사용자가 심심한 시간에 컨텐츠를 추천할 수 있는 방법, 및 그 방법을 구현하기 위한 전자 장치 및 서버를 포함하는 시스템을 제공하고자 한다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치 및 서버를 포함하는 시스템의 상기 전자 장치는, 디스플레이 모듈, 및 프로세서를 포함하고, 상기 프로세서는, 상기 디스플레이 모듈 상의 제1 입력 이벤트를 수집하고, 및 상기 제1 입력 이벤트와 관련된 로그 데이터를 생성한다. 상기 프로세서 또는 상기 서버는, 상기 로그 데이터에 기반하여 세션(session) 데이터를 생성하고, 상기 세션 데이터에 기반하여 상기 사용자 입력의 변화 과정을 학습하고, 및 상기 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성한다. 상기 프로세서는, 상기 디스플레이 모듈 상의 제2 입력 이벤트를 감지하고, 상기 제2 입력 이벤트 및 상기 모델에 기반하여 상기 사용자가 상기 심심한 상태인지 여부를 판단하고, 상기 사용자가 상기 심심한 상태인 경우 상기 사용자에게 컨텐츠의 추천이 필요한지 여부를 판단하고, 및 상기 사용자에게 상기 컨텐츠 추천이 필요한 경우 상기 디스플레이 모듈에 컨텐츠를 추천하는 알림을 표시하도록 설정된다.
또한, 본 문서에 개시되는 일 실시 예에 따른 전자 장치 및 서버를 포함하는 시스템을 이용한 컨텐츠 추천 방법은, 상기 전자 장치의 프로세서가 디스플레이 모듈 상의 제1 입력 이벤트를 수집하는 동작, 상기 프로세서가 상기 제1 입력 이벤트와 관련된 로그 데이터를 생성하는 동작, 상기 프로세서 또는 상기 서버가 상기 로그 데이터에 기반하여 세션 데이터를 생성하는 동작, 상기 프로세서 또는 상기 서버가 상기 세션 데이터에 기반하여 상기 사용자 입력의 변화 과정을 학습하는 동작, 상기 프로세서 또는 상기 서버가 상기 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성하는 동작, 상기 프로세서가 상기 디스플레이 모듈 상의 제2 입력 이벤트를 감지하는 동작, 상기 프로세서가 상기 제2 입력 이벤트 및 상기 모델에 기반하여 상기 사용자가 상기 심심한 상태인지 여부를 판단하는 동작, 상기 프로세서가 상기 사용자에게 컨텐츠의 추천이 필요한지 여부를 판단하는 동작, 및 상기 사용자에게 상기 컨텐츠 추천이 필요한 경우 상기 프로세서가 상기 디스플레이 모듈에 컨텐츠를 추천하는 알림을 표시하는 동작을 포함할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 디스플레이 모듈 상의 사용자 입력의 변화 과정에 기반하여 사용자의 심심한 상태를 감지하는 모델을 생성하고 모델을 이용하여 사용자가 심심한 상태인지 여부를 판단할 수 있다. 이에 따라 사용자가 심심한 상태인 경우에 컨텐츠를 추천하여 사용자가 추천한 컨텐츠를 소비한 확률을 증가시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2a는 일 실시 예에 따른 전자 장치 및 서버를 포함하는 시스템을 나타낸 블록도이다.
도 2b는 일 실시 예에 따른 전자 장치를 포함하는 시스템을 나타낸 블록도이다.
도 3은 일 실시 예에 따른 시스템을 이용한 컨텐츠 추천 방법을 나타낸 흐름도이다.
도 4은 일 실시 예에 따른 전자 장치 및 서버를 포함하는 시스템을 이용한 컨텐츠 추천 방법을 나타낸 흐름도이다.
도 5는 일 실시 예에 따른 어플리케이션 서버가 로그 데이터에 기반하여 세션 데이터를 생성하는 것을 나타낸 도면이다.
도 6은 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 7은 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 8은 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 9는 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 10은 일 실시 예에 따른 학습 서버가 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성하는 것을 나타낸 도면이다.
도 11은 일 실시 예에 따른 학습 서버가 이용하는 세션 데이터를 나타낸 도면이다.
도 12는 일 실시 예에 따른 시스템이 제1 입력 이벤트를 수집하고 세션 데이터를 학습하는 것을 나타낸 도면이다.
도 13은 일 실시 예에 따른 시스템이 사용자가 심심한 상태를 감지하는 모델을 생성하는 것을 나타낸 도면이다.
도 14는 일 실시 예에 따른 전자 장치가 제2 입력 이벤트 및 장치를 위한 모델에 기반하여 컨텐츠를 추천하는 알림을 표시하는 것을 나타낸 도면이다.
도 15는 일 실시 예에 따른 프로세서가 컨텐츠를 추천하는 것을 나타낸 도면이다.
도 16은 일 실시 예에 따른 피드백 서버가 모델을 갱신하는 것을 나타낸 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 2a는 일 실시 예에 따른 전자 장치 및 서버를 포함하는 시스템을 나타낸 블록도이다.
도 2b는 일 실시 예에 따른 전자 장치를 포함하는 시스템을 나타낸 블록도이다.
도 3은 일 실시 예에 따른 시스템을 이용한 컨텐츠 추천 방법을 나타낸 흐름도이다.
도 4은 일 실시 예에 따른 전자 장치 및 서버를 포함하는 시스템을 이용한 컨텐츠 추천 방법을 나타낸 흐름도이다.
도 5는 일 실시 예에 따른 어플리케이션 서버가 로그 데이터에 기반하여 세션 데이터를 생성하는 것을 나타낸 도면이다.
도 6은 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 7은 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 8은 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 9는 일 실시 예에 따른 학습 서버가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면이다.
도 10은 일 실시 예에 따른 학습 서버가 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성하는 것을 나타낸 도면이다.
도 11은 일 실시 예에 따른 학습 서버가 이용하는 세션 데이터를 나타낸 도면이다.
도 12는 일 실시 예에 따른 시스템이 제1 입력 이벤트를 수집하고 세션 데이터를 학습하는 것을 나타낸 도면이다.
도 13은 일 실시 예에 따른 시스템이 사용자가 심심한 상태를 감지하는 모델을 생성하는 것을 나타낸 도면이다.
도 14는 일 실시 예에 따른 전자 장치가 제2 입력 이벤트 및 장치를 위한 모델에 기반하여 컨텐츠를 추천하는 알림을 표시하는 것을 나타낸 도면이다.
도 15는 일 실시 예에 따른 프로세서가 컨텐츠를 추천하는 것을 나타낸 도면이다.
도 16은 일 실시 예에 따른 피드백 서버가 모델을 갱신하는 것을 나타낸 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
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.
도 2a는 일 실시 예에 따른 전자 장치(101) 및 서버(108)를 포함하는 시스템(200)을 나타낸 블록도이다. 전자 장치(101)는 디스플레이 모듈(160) 및 프로세서(120)를 포함할 수 있다. 프로세서(120)는 넛지 에이전트(nudge agent)(220) 및 알림 서비스 모듈(230)을 포함할 수 있다. 서버(108)는 어플리케이션 서버(260) 및 학습 서버(270)를 포함할 수 있다. 서버(108)는 서비스 제공자(280), 추천 서버(285), 및/또는 피드백 서버(290)를 포함할 수 있다.
일 실시 예에서, 디스플레이 모듈(160)은 화면을 표시할 수 있다.
일 실시 예에서, 디스플레이 모듈(160)은 제1 입력 이벤트를 수신할 수 있다. 제1 입력 이벤트는 모델을 학습하기 전, 모델을 학습하기 위한 탭(tap), 길게 누르기(press and hold), 드래그(drag), 스와이프(swipe), 호버링(hovering) 및/또는 플릭(flick)과 같은 사용자가 가하는 입력일 수 있다. 디스플레이 모듈(160)은 수신한 제1 입력 이벤트를 프로세서(120)의 넛지 에이전트(220)로 전달할 수 있다.
일 실시 예에서, 적어도 하나의 전자 장치(101)는 제1 입력 이벤트를 수집할 수 있다. 복수 개의 전자 장치(101)들 각각의 프로세서(120)는 복수 개의 전자 장치(101) 각각의 제1 입력 이벤트를 수집할 수 있다.
일 실시 예에서, 디스플레이 모듈(160)은 제2 입력 이벤트를 수신할 수 있다. 제2 입력 이벤트는 모델을 학습한 이후 사용자가 가하는 입력일 수 있다. 디스플레이 모듈(160)은 수신한 제2 입력 이벤트를 프로세서(120)의 넛지 에이전트(220)로 전달할 수 있다.
일 실시 예에서, 프로세서(120)는 디스플레이 모듈(160) 상의 제1 입력 이벤트를 수집할 수 있다. 프로세서(120)는 모델을 학습하기 전 제1 입력 이벤트를 수집할 수 있다. 프로세서(120)는 넛지 에이전트(220)를 이용하여 제1 입력 이벤트와 관련된 로그 데이터를 생성할 수 있다. 로그 데이터는 제1 입력 이벤트를 시간의 경과에 따라 수집한 데이터일 수 있다. 프로세서(120)는 로그 데이터를 어플리케이션 서버(260)로 전달할 수 있다. 적어도 하나의 전자 장치(101)의 프로세서(120)는 수집한 로그 데이터를 어플리케이션 서버(260)로 전달할 수 있다. 복수 개의 전자 장치(101)들이 수집한 로그 데이터를 어플리케이션 서버(260)로 전달할 수 있다.
일 실시 예에서, 어플리케이션 서버(260)는 프로세서(120)로부터 로그 데이터를 수신할 수 있다. 어플리케이션 서버(260)는 적어도 하나의 전자 장치(101)의 로그 데이터를 수신할 수 있다. 어플리케이션 서버(260)는 복수 개의 전자 장치(101)들이 수집한 로그 데이터를 수신할 수 있다. 어플리케이션 서버(260)는 로그 데이터에 기반하여 세션(session) 데이터를 생성할 수 있다. 세션 데이터는 로그 데이터를 시간 구간 별로 분리한 데이터일 수 있다. 어플리케이션 서버(260)는 세션 데이터를 학습 서버(270)로 전달할 수 있다. 어플리케이션 서버(260)는 넛지 어플리케이션 서버(nudge application server)일 수 있다.
일 실시 예에서, 학습 서버(270)는 어플리케이션 서버(260)로부터 세션 데이터를 수신할 수 있다. 학습 서버(270)는 세션 데이터에 기반하여 사용자 입력의 변화 과정을 학습할 수 있다. 사용자 입력의 변화 과정은 사용자 입력의 시간의 경과에 따른 패턴을 포함할 수 있다. 사용자 입력의 변화 과정은 실행 무관 입력 및 실행 입력의 순서(sequence), 빈도, 및/또는 경과 시간을 포함할 수 있다. 실행 무관 입력은 사용자 입력 중 홈 스크린(home screen) 상에 입력되고 어플리케이션의 실행과 무관한 입력일 수 있다. 예를 들어, 사용자가 디스플레이 모듈(160)의 스크린을 끈(off) 상태에서 켠(on) 상태로 변경 후 지정된 시간 이상 동안 어플리케이션의 실행과 무관한 입력을 수행하는 경우 실행 무관 입력이라고 볼 수 있다. 실행 입력은 사용자 입력 중 어플리케이션을 실행하는 입력일 수 있다. 예를 들어, 사용자가 디스플레이 모듈(160)의 스크린을 끈(off) 상태에서 켠(on) 상태로 변경 후 지정된 시간 내에 어플리케이션을 실행하는 입력을 경우 실행 입력이라고 볼 수 있다.
일 실시 예에서, 학습 서버(270)는 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성할 수 있다. 학습 서버(270)는 생성된 모델을 어플리케이션 서버(260)를 통해 프로세서(120)로 전달할 수 있다. 사용자가 심심한 상태는 사용자가 전자 장치(101)를 사용하는 목적이 확인되지 않는 상태일 수 있다. 사용자가 심심한 상태는 사용자 입력으로 어떠한 어플리케이션도 사용하지 않고 홈 스크린의 세션을 종료하는 상태일 수 있다. 학습 서버(270)는 기계 학습(machine learning, ML)을 통해 사용자가 어플리케이션의 실행과 무관한 목적으로 입력을 하는 경우를 판단하는 모델을 생성할 수 있다. 모델은 기계 학습 모델일 수 있다. 예를 들어, 모델은 텐서플로우(TensorFlow, TF) 라이트(Lite) 버전 모델일 수 있다. 학습 서버(270)는 생성된 모델을 어플리케이션 서버(260)를 통해 프로세서(120)로 전달할 수 있다.
일 실시 예에서, 프로세서(120)는 디스플레이 모듈(160) 상의 입력 이벤트를 감지할 수 있다. 프로세서(120)는 모델을 학습한 후 입력 이벤트를 감지할 수 있다. 프로세서(120)는 입력 이벤트 및 모델에 기반하여 사용자가 심심한 상태인지 여부를 판단할 수 있다. 넛지 에이전트(220)는 사용자가 심심한 상태인 경우 알림을 알림 서비스 모듈(230)로 전송할 수 있다.
일 실시 예에서, 알림 서비스 모듈(230)은 넛지 에이전트(220)로부터 알림을 수신할 수 있다. 알림 서비스 모듈(230)은 알림을 전달 받은 경우 디스플레이 모듈(160)에 알림을 표시할 수 있다.
일 실시 예에서, 서비스 제공자(280)는 서비스(281)를 포함할 수 있다. 서비스(281)는 사용자가 관심을 갖는 자료, 상품, 및/또는 게임과 같은 어플리케이션을 컨텐츠로 제공할 수 있다. 서비스(281)는 추천 서버(285)로 컨텐츠를 전달할 수 있다.
일 실시 예에서, 추천 서버(285)는 서비스(281)로부터 컨텐츠를 전달 받을 수 있다. 추천 서버(285)는 디스플레이 모듈(160)에 표시된 알림을 사용자가 선택하는 경우 전달 받은 컨텐츠를 어플리케이션 서버(260)를 통해 프로세서(120)로 전달할 수 있다.
일 실시 예에서, 피드백 서버(290)는 어플리케이션 서버(260)에서 세션 데이터, 모델, 및/또는 컨텐츠를 전달 받을 수 있다. 피드백 서버(290)는 세션 데이터가 모델을 생성하기에 적합한 정도, 모델이 사용자가 심심한 상태인지 여부를 판단하는 정확도, 및/또는 추천 서버(285)에서 추천한 컨텐츠를 사용자가 선택한 확률을 산출할 수 있다. 피드백 서버(290)는 어플리케이션 서버(260), 학습 서버(270), 및 추천 서버(285)에서 처리하는 정보를 업데이트 할 수 있다.
일 실시 예에서, 어플리케이션 서버(260), 학습 서버(270), 추천 서버(285) 및/또는 피드백 서버(290) 중 일부는 하나의 통합된 서버로 구현될 수 있다.
도 2b는 일 실시 예에 따른 전자 장치(101)를 포함하는 시스템(250)을 나타낸 블록도이다. 일 실시 예에 따른 전자 장치(101)는 프로세서(120) 및 디스플레이 모듈(160)을 포함할 수 있다. 프로세서(120)는 넛지 에이전트(220), 알림 서비스 모듈(230), 및 학습 모듈(240)을 포함할 수 있다. 도 2b의 디스플레이 모듈(160), 넛지 에이전트(220), 및 알림 서비스 모듈(230)은 도 2a의 디스플레이 모듈(160), 넛지 에이전트(220), 및 알림 서비스 모듈(230)과 실질적으로 동일할 수 있다.
일 실시 예에서, 넛지 에이전트(220)는 모델을 학습하기 전 디스플레이 모듈(160) 상의 제1 입력 이벤트를 수집할 수 있다. 넛지 에이전트(220)는 제1 입력 이벤트와 관련된 로그 데이터를 생성할 수 있다. 프로세서(120)는 로그 데이터를 학습 모듈(240)로 전달할 수 있다.
일 실시 예에서, 학습 모듈(240)은 넛지 에이전트(220)로부터 로그 데이터를 수신할 수 있다. 학습 모듈(240)은 로그 데이터에 기반하여 세션 데이터를 생성할 수 있다. 학습 모듈(240)은 세션 데이터에 기반하여 사용자 입력의 변화 과정을 학습할 수 있다. 학습 모듈(240)은 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성할 수 있다. 학습 모듈(240)은 생성된 모델을 넛지 에이전트(220)로 전달할 수 있다.
도 3은 일 실시 예에 따른 시스템(예: 도 2a의 시스템(200) 또는 도 2b의 시스템(250))을 이용한 컨텐츠 추천 방법을 나타낸 흐름도(300)이다.
일 실시 예에 따른 시스템(200, 250)은 동작 310에서, 프로세서(예: 도 2의 프로세서(120))가 디스플레이 모듈(예: 도 2a의 디스플레이 모듈(160)) 상의 제1 입력 이벤트를 수집할 수 있다. 프로세서(120)는 디스플레이 모듈(160)의 홈 스크린(Home Screen)으로부터 데이터를 수집할 수 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 320에서, 프로세서(120)가 제1 입력 이벤트와 관련된 로그 데이터를 생성할 수 있다. 프로세서(120)는 생성한 로그 데이터를 어플리케이션 서버(예: 도 2a의 어플리케이션 서버(260))로 전달할 수 있다. 어플리케이션 서버(260)는 넛지 어플리케이션 서버(nudge application server)일 수 있다. 일 실시 예에 따르면 동작 320은 주기적으로 수행되거나 또는 로그 데이터가 지정된 이상 누적되는 경우 수행될 수 있다. 예를 들어, 프로세서(120)는 지정된 시간 동안 누적된 로그 데이터를 어플리케이션 서버(260)로 전달하거나 또는 로그 데이터가 임계값 이상 누적되는 경우 어플리케이션 서버(260)로 전달할 수 있다. 그러나 이에 한정되지 않으며, 프로세서(120)는 생성한 로그 데이터를 내부에 저장하거나 처리할 수도 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 330에서, 로그 데이터에 기반하여 세션 데이터를 생성할 수 있다. 예를 들어, 도 2a를 결부하여 설명한 바와 같이, 어플리케이션 서버(260)가 로그 데이터에 기반하여 세션 데이터를 생성할 수 있다. 다른 예로, 도 2b를 결부하여 설명한 바와 같이, 프로세서(120)의 학습 모듈(240)이 로그 데이터에 기반하여 세션 데이터를 생성할 수 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 340에서, 세션 데이터에 기반하여 사용자 입력의 변화 과정을 학습할 수 있다. 학습 서버(270) 또는 학습 모듈(240)은 수집된 로그(log)와 기계 학습 알고리즘을 활용하여 어플리케이션의 실행과 같은 목적이 없이 홈 스크린을 실행한 상태를 모델링 및/또는 학습할 수 있다. 예를 들어, 학습 서버(270)는 세션 데이터를 누적하여 사용자 입력의 변화 과정을 학습할 수 있다. 다른 예로, 학습 모듈(240)은 세션 데이터를 누적하여 사용자 입력의 변화 과정을 학습할 수 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 350에서, 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성할 수 있다. 시스템(200)은 사용자의 터치 이벤트로부터 심심함과 같은 감정 상태를 예측할 수 있다. 일 실시 예에 따르면, 동작 310 내지 동작 350을 반복 수행한 결과에 기반하여 학습 서버(270)는 사용자가 심심한 상태를 감지하는 모델을 생성할 수 있고, 어플리케이션 서버(260)는 학습 서버(270)가 생성한 모델을 전자 장치(101)로 전달할 수 있다. 다른 예로, 학습 모듈(240)은 사용자가 심심한 상태를 감지하는 모델을 생성하여 넛지 에이전트(220)로 전달할 수 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 360에서, 프로세서(120)가 디스플레이 모듈(160) 상의 제2 입력 이벤트를 감지할 수 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 370에서, 프로세서(120)가 제2 입력 이벤트 및 모델에 기반하여 사용자가 심심한 상태인지 여부를 판단할 수 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 380에서, 사용자가 심심한 상태인 경우 프로세서(120)가 사용자에게 컨텐츠의 추천이 필요한 지 여부를 판단할 수 있다. 예를 들어, 프로세서(120)는 사용자가 심심한 상태가 지정된 임계 시간 이상 지속되는 경우 사용자에게 컨텐츠 추천이 필요한 것으로 판단할 수 있다. 다른 예로, 프로세서(120)는 사용자가 심심한 상태에서 화면을 지정된 임계 횟수 이상 껐다 켜는 동작을 반복하는 경우 사용자에게 컨텐츠 추천이 필요한 것으로 판단할 수 있다.
일 실시 예에 따른 시스템(200, 250)은 동작 390에서, 사용자에게 컨텐츠 추천이 필요한 상태인 경우 프로세서(120)가 디스플레이 모듈(160)에 컨텐츠를 추천하는 알림을 표시할 수 있다.
도 4는 일 실시 예에 따른 전자 장치(101) 및 서버(108)를 포함하는 시스템(예: 도 2a의 시스템(200))을 이용한 컨텐츠 추천 방법을 나타낸 흐름도(400)이다.
일 실시 예에 따른 전자 장치(101)는 동작 405에서, 디스플레이 모듈(예: 도 2a의 디스플레이 모듈(160)) 상의 제1 입력 이벤트를 수집할 수 있다. 전자 장치(101)의 프로세서(예: 도 2a의 프로세서(120))는 제1 입력 이벤트에 기반하여 로그 데이터를 생성할 수 있다. 프로세서(120)는 제1 입력 이벤트를 시간의 경과에 따라 누적하여 로그 데이터를 생성할 수 있다.
일 실시 예에 따른 전자 장치(101)는 동작 410에서, 로그 데이터를 어플리케이션 서버(260)로 전달할 수 있다.
일 실시 예에 따른 어플리케이션 서버(260)는 동작 415에서, 로그 데이터에 기반하여 세션 데이터를 생성할 수 있다.
일 실시 예에 따른 어플리케이션 서버(260)는 동작 420에서, 세션 데이터를 학습 서버(270)로 전달할 수 있다.
일 실시 예에 따른 학습 서버(270)는 동작 425에서, 세션 데이터에 기반하여 제1 입력 이벤트의 변화 과정을 학습할 수 있다.
일 실시 예에 따른 학습 서버(270)는 동작 430에서, 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성할 수 있다.
일 실시 예에 따른 학습 서버(270)는 동작 435에서, 생성한 모델을 어플리케이션 서버(260)로 전달할 수 있다.
일 실시 예에 따른 어플리케이션 서버(260)는 동작 440에서, 모델을 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 어플리케이션 서버(260)로부터 모델을 다운로드 받을 수 있다.
일 실시 예에 따른 전자 장치(101)는 동작 445에서, 디스플레이 모듈(160) 상의 제2 입력 이벤트를 감지할 수 있다.
일 실시 예에 따른 전자 장치(101)는 동작 450에서, 제2 입력 이벤트 및 모델에 기반하여 사용자가 심심한 상태인지 여부를 판단할 수 있다.
일 실시 예에 따른 전자 장치(101)는 동작 455에서, 사용자가 심심한 상태인 경우 사용자에게 컨텐츠의 추천이 필요한 지 여부를 판단할 수 있다.
일 실시 예에 따른 전자 장치(101)는 동작 460에서, 사용자에게 컨텐츠 추천이 필요한 상태인 경우 디스플레이 모듈(160)에 컨텐츠를 추천하는 알림을 표시할 수 있다.
도 5는 일 실시 예에 따른 어플리케이션 서버(예: 도 2a의 어플리케이션 서버(260))가 로그 데이터에 기반하여 세션 데이터를 생성하는 것을 나타낸 도면(500)이다.
일 실시 예에서, 프로세서(예: 도 2a의 프로세서(120))는 제1 입력 이벤트(501)를 연속적으로 수신할 수 있다. 프로세서(120)는 시간의 흐름에 따라 연속적으로 수신되는 제1 입력 이벤트(501)을 이용하여 로그 데이터를 생성할 수 있다. 프로세서(120)는 로그 데이터를 어플리케이션 서버(260)로 전달할 수 있다.
일 실시 예에서, 어플리케이션 서버(260)는 하나 이상의 전자 장치(예: 도 2의 전자 장치(101))의 프로세서(120)로부터 사용자 별 사용 이벤트 순서(sequence) 로그를 수집할 수 있다. 어플리케이션 서버(260)는 하나 이상의 전자 장치들(예: 전자 장치(101))로부터 수집된 로그들을 정제하여 저장할 수 있다. 예를 들어, 어플리케이션 서버(260)는 로그 데이터를 전송한 하나 이상의 전자 장치들(예: 전자 장치(101))로부터 수신한 로그를 전송한 전자 장치(예: 전자 장치(101)) 별로 구분하여 저장할 수 있다. 다른 예로, 어플리케이션 서버(260)는 로그 데이터를 전송한 하나 이상의 전자 장치(101)들로부터 수신한 로그를 하나로 통합하여 저장할 수 있다. 어플리케이션 서버(260)는 로그 데이터에 기반하여 제1 세션(session)(410) 및 제2 세션(420)을 포함하는 세션 데이터를 생성할 수 있다.
일 실시 예에서, 제1 세션(410) 및 제2 세션(420) 사이에는 제1 분리 이벤트(separation event)(430)가 있을 수 있다. 예를 들어, 제1 분리 이벤트(430)는 디스플레이 모듈(160)의 화면을 반복하여 끄(off)고 켜(on)는 동작일 수 있다. 디스플레이 모듈(160)의 화면을 반복하여 끄고 켜는 경우 제1 세션(410) 및 제2 세션(420)을 시간에 기반하여 구분할 수 있다. 다른 예로, 분리 이벤트(430)는 지정된 임계 시간 이상의 시간 간격일 수 있다. 디스플레이 모듈(160)의 화면이 임계 시간 이상 동일한 화면으로 켜진 상태를 유지하는 경우 제1 세션(410) 및 제2 세션(420)을 구분할 수 있다. 임계 시간은 약 30초 이상일 수 있다. 어플리케이션 서버(260)는 제1 입력 이벤트(501)에 포함된 각각의 입력을 이벤트로 판단할 수 있다. 어플리케이션 서버(260)는 이벤트를 이용하여 세션 데이터를 생성할 수 있다.
일 실시 예에서, 어플리케이션 서버(260)는 디스플레이 모듈(160)에서 표시하는 홈 스크린에 발생하는 제1 입력 이벤트(501)으로부터 실행 세션을 분리할 수 있다. 예를 들어, 어플리케이션 서버(260)는 제1 입력 이벤트(501)의 발생 간격을 확인할 수 있다. 어플리케이션 서버(260)는 연속된 제1 입력 이벤트(501) 사이에 제1 분리 이벤트(430)가 발생하는 경우 제1 세션(410) 및 제2 세션(420)을 분리된 세션으로 판단할 수 있다.
일 실시 예에서, 어플리케이션 서버(260)는 제1 세션(410) 및 제2 세션(420)을 분리하거나 제1 세션(410) 또는 제2 세션(420)이 종료되는 조건을 설정할 수 있다. 어플리케이션 서버(260)는 제1 세션(410) 및 제2 세션(420)을 디스플레이 모듈(예: 도 2의 디스플레이 모듈(160)) 상에 연속으로 터치 입력이 발생한 시간 구간으로 구분할 수 있다. 어플리케이션 서버(260)는 전자 장치(101)에서 제1 간격(430) 이상 아무런 이벤트가 발생하지 않는 경우 제1 세션(410) 또는 제2 세션(420)이 종료된 것으로 판단할 수 있다. 어플리케이션 서버(260)는 사용자가 제1 간격(430) 이상 전자 장치(101)를 사용하지 않는 경우 제1 세션(410) 또는 제2 세션(420)이 종료된 것으로 판단할 수 있다. 어플리케이션 서버(260)는 디스플레이 모듈(160)의 화면이 꺼지는 경우 제1 세션(410) 또는 제2 세션(420)이 종료된 것으로 판단할 수 있다. 어플리케이션 서버(260)는 사용자가 목적을 갖는 행동을 수행한 경우 제1 세션(410) 또는 제2 세션(420)이 종료된 것으로 판단할 수 있다. 예를 들어, 목적을 갖는 행동은 어플리케이션의 실행, 아이콘(Icon)의 위치 편집, 위젯(widget)의 사용과 같은 행동일 수 있다.
도 6은 일 실시 예에 따른 학습 서버(예: 도 2a의 학습 서버(270))가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면(600)이다.
일 실시 예에서, 학습 서버(270)는 세션 데이터에서 스와이프 이벤트(Swipe EV) 및 런치 이벤트(Launch EV)를 구분할 수 있다. 예를 들어, 스와이프 이벤트는 스와이프(swipe) 동작 뿐만 아니라, 탭(tap), 길게 누르기(press and hold), 드래그(drag), 호버링(hovering) 및/또는 플릭(flick)과 같은 사용자가 가하는 실행 무관 입력일 수 있다. 실행 무관 입력은 홈 스크린 상 또는 아이들(idle) 화면 상의 입력일 수 있다. 실행 무관 입력은 어플리케이션을 실행하지 않는 입력일 수 있다. 런치 이벤트는 실행 입력일 수 있다. 실행 입력은 어플리케이션을 실행하는 입력일 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(610)의 세션 데이터가 스와이프 이벤트만을 포함하는 것을 확인할 수 있다. 학습 서버(270)는 세션 데이터가 스와이프 이벤트만을 포함하는 경우 사용자가 어플리케이션을 실행하지 않는 입력만을 수행하는 것으로 판단할 수 있다. 학습 서버(270)는 사용자가 어플리케이션을 실행하지 않는 입력만을 수행하는 경우 사용자가 심심한 상태(bored(Y))인 것으로 판단할 수 있다. 학습 서버(270)는 제1 세션(610)은 심심한 상태(bored(Y))로 판단할 수 있다.
일 실시 예에서, 학습 서버(270)는 제2 세션(620)의 세션 데이터가 런치 이벤트가 발생한 이후 스와이프 이벤트가 발생하고 다시 런치 이벤트가 발생하고 다시 스와이프 이벤트가 발생하는 것을 확인할 수 있다. 학습 서버(270)는 세션 데이터의 스와이프 이벤트 사이의 간격이 임계 시간(예: N sec) 미만인 경우 사용자가 어플리케이션을 임계 시간(예: N sec) 미만으로 실행하는 것으로 판단할 수 있다. 학습 서버(270)는 사용자가 어플리케이션을 임계 시간(예: N sec) 미만으로 실행하는 경우 사용자가 어플리케이션을 실질적으로 이용할 목적이 없는 것으로 판단할 수 있다. 학습 서버(270)는 사용자가 어플리케이션을 임계 시간(예: N sec) 미만으로 실행하는 경우 사용자가 심심한 상태(bored(Y))인 것으로 판단할 수 있다. 학습 서버(270)는 제2 세션(620)은 심심한 상태(bored(Y))로 판단할 수 있다.
일 실시 예에서, 학습 서버(270)는 제3 세션(630)의 세션 데이터가 스와이프 이벤트가 발생하고 런치 이벤트가 발생하고 다시 스와이프 이벤트가 발생하는 것을 확인할 수 있다. 학습 서버(270)는 세션 데이터의 스와이프 이벤트 사이의 간격이 임계 시간(예: N sec)을 초과하는 경우 사용자가 어플리케이션을 임계 시간(예: N sec)을 초과하여 실행하는 것으로 판단할 수 있다. 학습 서버(270)는 사용자가 어플리케이션을 임계 시간(예: N sec)을 초과하여 실행하는 경우 사용자가 어플리케이션을 실질적으로 이용하는 것으로 판단할 수 있다. 학습 서버(270)는 사용자가 어플리케이션을 임계 시간(예: N sec)을 초과하여 실행하는 경우 사용자가 심심하지 않은 상태(bored(N))인 것으로 판단할 수 있다. 학습 서버(270)는 제3 세션(630)은 심심하지 않은 상태(bored(N))로 판단할 수 있다.
일 실시 예에서, 학습 서버(270)는 제4 세션(640)의 세션 데이터가 런치 이벤트가 발생하고 스와이프 이벤트가 발생하고 다시 스와이프 이벤트가 발생하는 것을 확인할 수 있다. 학습 서버(270)는 세션 데이터의 스와이프 이벤트 사이의 간격이 임계 시간(예: N sec)을 초과하는 경우 사용자가 어플리케이션을 임계 시간(예: N sec)을 초과하여 실행하는 것으로 판단할 수 있다. 학습 서버(270)는 사용자가 어플리케이션을 임계 시간(예: N sec)을 초과하여 실행하는 경우 사용자가 어플리케이션을 실질적으로 이용하는 것으로 판단할 수 있다. 학습 서버(270)는 사용자가 어플리케이션을 임계 시간(예: N sec)을 초과하여 실행하는 경우 사용자가 심심하지 않은 상태(bored(N))인 것으로 판단할 수 있다. 학습 서버(270)는 제4 세션(640)은 심심하지 않은 상태(bored(N))로 판단할 수 있다.
일 실시 예에서, 학습 서버(270)는 로그 데이터로부터 분리된 제1 세션(610), 제2 세션(620), 제3 세션(630), 및/또는 제4 세션(640)으로부터 결국 아무것도 실행하지 않고 홈 스크린의 세션이 종료되는 상태를 심심한 순간(boredom moment)으로 정의할 수 있다. 학습 서버(270)는 로그 데이터로부터 분리된 제1 세션(610), 제2 세션(620), 제3 세션(630), 및/또는 제4 세션(640)를 정제할 수 있다. 학습 서버(270)는 최종적으로 심심한 순간을 결정하는 특징(feature)을 선정할 수 있다. 학습 서버(270)는 제1 세션(610), 제2 세션(620), 제3 세션(630), 및/또는 제4 세션(640)을 기계 학습하여 사용자가 심심한 상태를 감지하는 모델을 생성할 수 있다.
미도시 되었지만, 사용자가 임계 시간(예: N sec) 내에 런치 이벤트(Launch EV)를 반복하는 경우 사용자가 심심한 상태(bored(Y))라고 판단할 수 있다. 예를 들어, 사용자가 임계 시간(예: N sec) 내에 하나의 어플리케이션에 대하여 런치 이벤트(Launch EV)를 반복하거나, 또는 사용자가 임계 시간(예: N sec) 내에 홈 스크린상에서 복수의 어플리케이션에 대하여 런치 이벤트를 반복하는 경우 사용자가 심심한 상태(bored(Y))라고 판단할 수 있다.
도 7은 일 실시 예에 따른 학습 서버(예: 도 2a의 학습 서버(270))가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면(700)이다.
일 실시 예에서, 학습 서버(270)는 세션 데이터에서 화면 식별자(screen-ID), 이벤트(event), 및 시간(time)을 확인할 수 있다. 화면 식별자는 디스플레이 모듈(160)에서 표시하는 화면의 내용일 수 있다. 이벤트는 사용자 입력의 내용일 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(710)의 제1 시점(711)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 왼쪽으로 스와이프(Swipe-left)이고 시간이 13:20인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(710)의 제2 시점(712)에서 화면 식별자가 앱(APPS) 화면이고 이벤트가 아래쪽으로 스와이프(Swipe-down)이고 시간이 13:21인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(710)의 제3 시점(713)에서 화면 식별자가 설정(SETTINGS) 화면이고 이벤트가 위쪽으로 스와이프(Swipe-up)이고 시간이 13:23인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(710)의 제4 시점(714)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 왼쪽으로 스와이프(Swipe-left)이고 시간이 13:24인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(710)의 제5 시점(715)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 앱(App) 실행이고 시간이 13:25인 것을 확인할 수 있다. 학습 서버(270)는 제2 세션(720)의 특정 시점(721)에서 동일한 방식으로 화면 식별자, 이벤트, 및 시간을 확인할 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(710)에서 목적을 갖는 이벤트가 발생한 경우 사용자가 심심하지 않은 상태(bored = N)로 판단할 수 있다. 예를 들어, 학습 서버(270)는 제1 세션(710)의 제5 시점(715)에서 앱(App) 실행이라는 목적을 갖는 이벤트가 발생한 경우 제1 세션(710)의 입력 값들을 심심하지 않은 상태(bored = N)로 판단할 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(710)의 제1 시점(711), 제2 시점(712), 제3 시점(713), 제4 시점(714), 및 제5 시점(715)에 발생한 이벤트를 사용자 입력의 변화 과정으로 판단할 수 있다. 학습 서버(270)는 사용자가 전자 장치(예: 도 2a의 전자 장치(101))의 사용을 시작하여 특정 앱(App)을 실행한 이벤트까지 수행한 제1 세션(710)의 제1 시점(711), 제2 시점(712), 제3 시점(713), 제4 시점(714), 및 제5 시점(715)의 이벤트를 심심하지 않은 상태(bored = N)를 학습하기 위한 입력으로 사용할 수 있다.
도 8은 일 실시 예에 따른 학습 서버(예: 도 2a의 학습 서버(270))가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면(800)이다.
일 실시 예에서, 학습 서버(270)는 제1 세션(810)의 제1 시점(811)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 왼쪽으로 스와이프(Swipe-left)이고 시간이 13:20인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(810)의 제2 시점(812)에서 화면 식별자가 앱(APPS) 화면이고 이벤트가 아래쪽으로 스와이프(Swipe-down)이고 시간이 13:21인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(810)의 제3 시점(813)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 위쪽으로 스와이프(Swipe-up)이고 시간이 13:23인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(810)의 제4 시점(814)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 왼쪽으로 스와이프(Swipe-left)이고 시간이 13:24인 것을 확인할 수 있다. 학습 서버(270)는 전자 장치(예: 도 2a의 전자 장치(101))가 임계 시간(예: 30초 이상) 동안 미 사용(820)된 것을 감지하는 경우 제1 세션(810)을 종료할 수 있다. 학습 서버(270)는 제2 세션(830)의 특정 시점(831)에서 동일한 방식으로 화면 식별자가 홈(HOME) 화면이고 이벤트가 왼쪽으로 스와이프(Swipe-left)이고 시간이 14:24인 것을 확인할 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(810) 내에 목적을 갖는 이벤트가 발생하지 않고 세션의 종료 조건에 의해 제1 세션(810)이 종료된 경우 사용자가 심심한 상태(bored = Y)로 판단할 수 있다. 학습 서버(270)는 사용자가 사용 중 임계 시간(예: 30초 이상) 동안 아무런 입력을 하지 않은 경우 제1 세션(810)이 종료되었다고 판단할 수 있고, 제1 세션(810) 동안 아무런 입력을 하지 않은 경우(예: 어플리케이션을 실행하지 않은 경우) 심심한 상태(bored = Y)로 판단할 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(810)의 제1 시점(811), 제2 시점(812), 제3 시점(813), 및 제4 시점(814)에 발생한 이벤트를 사용자 입력의 변화 과정으로 판단할 수 있다. 학습 서버(270)는 사용자가 학습 서버(270)는 사용자가 사용 중 임계 시간(예: 30초 이상) 동안 아무런 입력을 하지 않은 경우 제1 세션(810)의 제1 시점(811), 제2 시점(812), 제3 시점(813), 및 제4 시점(814)에 발생한 이벤트를 심심한 상태(bored = Y)를 학습하기 위한 입력으로 사용할 수 있다.
도 9는 일 실시 예에 따른 학습 서버(예: 도 2a의 학습 서버(270))가 사용자가 심심한 상태인지 여부를 판단하는 것을 나타낸 도면(900)이다.
일 실시 예에서, 학습 서버(270)는 제1 세션(910)의 제1 시점(911)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 왼쪽으로 스와이프(Swipe-left)이고 시간이 13:20인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(910)의 제2 시점(912)에서 화면 식별자가 앱(HOME) 화면이고 이벤트가 아래쪽으로 스와이프(Swipe-down)이고 시간이 13:21인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(910)의 제3 시점(913)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 위쪽으로 스와이프(Swipe-up)이고 시간이 13:23인 것을 확인할 수 있다. 학습 서버(270)는 제1 세션(910)의 제4 시점(914)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 왼쪽으로 스와이프(Swipe-left)이고 시간이 13:24인 것을 확인할 수 있다.
일 실시 예에서, 학습 서버(270)는 종료 시점(920)에서 화면 식별자가 홈(HOME) 화면이고 이벤트가 화면이 꺼지고(screen off) 시간이 13:29인 것을 확인할 수 있다. 학습 서버(270)는 화면이 꺼지는 이벤트가 발생하는 종료 시점(920)에 제1 세션(910)을 종료시킬 수 있다. 학습 서버(270)는 종료 시점(920) 이후에 제2 세션(930)을 시작할 수 있다. 학습 서버(270)는 제2 세션(930)의 특정 시점(931)에 동일한 방식으로 화면 식별자, 이벤트, 및 시간을 확인할 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(810) 내에 목적을 갖는 이벤트가 발생하지 않고 세션의 종료 조건에 의해 종료 시점(920)에 제1 세션(910)이 종료된 경우 사용자가 심심한 상태(bored = Y)로 판단할 수 있다. 학습 서버(270)는 사용자가 사용 중 화면이 꺼진(screen off) 경우 심심한 상태(bored = Y)로 판단할 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(910)의 제1 시점(911), 제2 시점(912), 제3 시점(913), 및 제4 시점(914)에 발생한 이벤트를 사용자 입력의 변화 과정으로 판단할 수 있다. 학습 서버(270)는 사용자가 사용 중 종료 시점(920)에 화면이 꺼진(screen off) 경우 제1 세션(910)의 제1 시점(911), 제2 시점(912), 제3 시점(913), 및 제4 시점(914)에 발생한 이벤트를 심심한 상태(bored = Y)를 학습하기 위한 입력으로 사용할 수 있다.
도 10은 일 실시 예에 따른 학습 서버(예: 도 2a의 학습 서버(270))가 변화 과정(1010, 1020, 1030)에 기반하여 사용자가 심심한 상태를 감지하는 모델(1040, 1050)을 생성하는 것을 나타낸 도면(1000)이다.
일 실시 예에서, 학습 서버(270)는 세션 데이터의 변화 과정(1010, 1020, 1030)을 활용하여 기계 학습을 수행할 수 있다. 학습 서버(270)는 사용자가 심심한 상태를 감지하는 기계 학습 모델(machine learning model)(1040)을 생성할 수 있다. 기계 학습 모델(1040)은 텐서 플로우(tensor flow) 모델일 수 있다. 학습 서버(270)는 생성한 모델(1040)을 전자 장치(예: 도 2a의 전자 장치(101))에서 활용 가능한 모델인 장치를 위한 모델(model for device)(1050)로 변환할 수 있다. 장치를 위한 모델(1050)은 텐서 플로우 라이트(TF-lite)일 수 있다. 장치를 위한 모델(1050)은 어플리케이션 서버(예: 도 2a의 어플리케이션 서버(260))를 통해 사용자들 각각의 전자 장치(101)에서 다운로드 할 수 있다.
일 실시 예에서, 세션 데이터의 변화 과정(1010, 1020, 1030)은 적어도 하나의 전자 장치(101)에서 획득될 수 있다. 세션 데이터의 변화 과정(1010, 1020, 1030)은 복수의 전자 장치(101)들에서 수행될 수 있다. 예를 들어, 다른 전자 장치(101)의 사용자들의 습관에 기반하여 기계 학습을 수행할 수 있다.
일 실시 예에서, 세션 데이터의 변화 과정(1010, 1020, 1030)은 동일한 사용자가 사용하는 적어도 하나의 전자 장치(101)에서 획득될 수 있다. 동일한 사용자가 사용하는 복수의 전자 장치(101)들에서 세션 데이터의 변화 과정(1010, 1020, 1030)을 획득할 수 있다. 획득된 세션 데이터의 변화 과정(1010, 1020, 1030)은 동일한 사용자 계정으로 등록된 전자 장치(101)로 전송될 수 있다.
도 11은 일 실시 예에 따른 학습 서버(예: 도 2a의 학습 서버(270))가 이용하는 세션 데이터를 나타낸 도면(1100)이다.
일 실시 예에서, 학습 서버(270)는 모델(예: 도 10의 기계 학습 모델(940))을 학습하기 위하여 정제된 세션 데이터를 이용할 수 있다. 학습 서버(270)는 세션의 기준에 따라 사용자 로그를 세션 별로 나눌 수 있다. 학습 서버(270)는 각각의 세션 별로 사용자가 심심한 상태(bored = Y) 또는 사용자가 심심하지 않은 상태(bored = N)를 레이블링(labeling)하여 학습 데이터로 사용할 수 있다.
일 실시 예에서, 학습 서버(270)는 제1 세션(session 1), 제2 세션(session 2), 제3 세션(session 3), 제4 세션(session 4), 및 제 N 세션(session N) 별로 세션을 구분할 수 있다. 학습 서버(270)는 제1 세션(session 1)에서 제1 이벤트(event 1), 제2 이벤트(event 2), 제3 이벤트(event 3), 제4 이벤트(event 4), 제5 이벤트(event 5), 제6 이벤트(event 6), 및 제 N 이벤트(event N)를 확인할 수 있다. 학습 서버(270)는 제1 이벤트(event 1)에서 화면 식별자(screen-ID), 이벤트(event), 및 시간(time)을 확인할 수 있다. 학습 서버(270)는 각각의 세션에서 각각의 이벤트를 확인하여 사용자가 심심한 상태(bored = Y) 또는 사용자가 심심하지 않은 상태(bored = N) 인지 여부를 판단할 수 있다. 학습 서버(270)는 사용자가 심심한 상태(bored = Y) 및 사용자가 심심하지 않은 상태(bored = N)로 확인된 세션을 누적하여 기계 학습을 수행할 수 있다.
도 12는 일 실시 예에 따른 시스템(예: 도 2a의 시스템(200))이 제1 입력 이벤트를 수집하고 세션 데이터를 학습하는 것을 나타낸 도면(1100)이다.
일 실시 예에서, 전자 장치(예: 도 2a의 전자 장치(101))의 프로세서(예: 도 2a의 프로세서(120))는 디스플레이 모듈(예: 도 2a의 디스플레이 모듈(160))의 홈 스크린에서 발생하는 사용자 입력과 관련된 홈 스크린 데이터(home screen data)(1210)를 수집할 수 있다. 홈 스크린 데이터(1210)는 세션(session)이 분리되어 있지 않은 데이터일 수 있다. 세션은 디스플레이 모듈(160)의 화면을 켜서 사용자 입력을 수신하고 화면이 꺼질 때까지의 시간 단위일 수 있다. 프로세서(120)는 홈 스크린 데이터(1110)에 기반하여 로그 데이터를 생성할 수 있다. 프로세서(120)는 로그 데이터를 어플리케이션 서버(예: 도 2a의 어플리케이션 서버(260))로 전달할 수 있다.
일 실시 예에서, 어플리케이션 서버(260)는 로그 데이터에 기반하여 세션 데이터(session data)(1220)를 생성할 수 있다. 세션 데이터(1220)는 세션이 분리된 데이터일 수 있다. 세션 데이터(1220)는 이벤트 사이의 시간 간격이 임계 시간(예: 도 6의 N sec) 이상인 경우 세션을 분리한 데이터일 수 있다. 각각의 세션은 이벤트(event) 및 시간(time)으로 분리될 수 있다.
일 실시 예에서, 어플리케이션 서버(260)는 세션 데이터(1220)를 입력 데이터 이벤트(input data event)로만 이루어지도록 재 가공하여 가공된 세션 데이터(1230)를 생성할 수 있다. 어플리케이션 서버(260)는 연속적인 이벤트로부터 심심함을 판단하기 위해 세션 데이터(1220)를 가공 및/또는 처리하여 특정 이벤트만 선정할 수 있다. 가공된 세션 데이터(1230)는 입력 데이터 이벤트 및 시간으로 이루어질 수 있다. 어플리케이션 서버(260)는 가공된 세션 데이터(1230)를 학습 서버(예: 도 2a의 학습 서버(270))로 전달할 수 있다.
일 실시 예에서, 학습 서버(270)는 가공된 세션 데이터(1230)를 모델(예: 도 10의 기계 학습 모델(1040))의 학습에 필요한 입력 데이터(input data)(1240) 형태로 가공할 수 있다. 입력 데이터(1240)는 세션 데이터에서 사용자 입력의 변화 과정을 추적한 데이터일 수 있다.
일 실시 예에서, 학습 서버(270)는 입력 데이터(1240)를 학습하기 위해 입력 데이터(1240)에 심심한 상태(boredom)인지 여부(Y/N)를 레이블(label)한 값을 매핑(mapping)할 수 있다. 학습 서버(270)는 아무것도 실행하지 않고 세션이 종료되는 상태를 심심한 상태(boredom state)로 정의할 수 있다.
일 실시 예에서, 학습 서버(270)는 준비된 입력 데이터(1140)를 이용하여 모델(model)(1250)(예: 도 10의 기계 학습 모듈(1040))을 학습할 수 있다. 학습 서버(270)는 모델(1250)을 전자 장치(101)에서 활용 가능한 텐서 플로우 라이트 모델(TF-lite model)(1260))(예: 도 10의 장치를 위한 모델(1050))로 변환(convert)할 수 있다. 학습 서버(270)는 학습 및 변환이 완료된 텐서 플로우 라이트 모델(1260)을 어플리케이션 서버(1270)(예: 도 2a의 어플리케이션 서버(260))에 모델(1050)로 저장(save model)할 수 있다.
도 13은 일 실시 예에 따른 시스템(예: 도 2a의 시스템(200))이 사용자가 심심한 상태를 감지하는 모델을 생성하는 것을 나타낸 도면(1300)이다.
일 실시 예에서, 프로세서(예: 도 2a의 프로세서(120))는 동작 1310에서 장치(예: 도 2a의 전자 장치(101))를 동작(run device)시킬 수 있다. 프로세서(120)는 동작 1320에서 전자 장치(101) 내에 사용자가 심심한 지 여부를 추론하기 위한 모델(model)이 존재하는 지 여부를 확인할 수 있다. 프로세서(120)는 전자 장치(101) 내에 사용자가 심심한 지 여부를 추론하기 위한 모델이 존재하는 경우(동작 1320: Yes), 동작 1340으로 진행할 수 있다. 프로세서(120)는 전자 장치(101) 내에 사용자가 심심한 지 여부를 추론하기 위한 모델이 존재하지 않는 경우(동작 1320: No), 동작 1330으로 진행할 수 있다. 에서 서버(server)(예: 도 2a의 어플리케이션 서버(260))로부터 모델(model)을 다운로드 받을 수 있다. 프로세서(120)는 동작 1340에서 모델을 실행(execute model)할 수 있다.
일 실시 예에서, 프로세서(120)는 사용자 이벤트(user event)(예: 도 2a 또는 도 2b의 제1 입력 이벤트)가 발생될 때마다 모델(Model)에 각각의 이벤트(event #1, event #2, event #3, event #4, event #N)를 입력하여 심심한 상태(boredom state)를 추론(predict)할 수 있다. 프로세서(120)는 사용자가 심심한 상태로 추론되는 경우 서비스를 제안(service offer)할 수 있다. 예를 들어, 사용자 이벤트가 event #1, event #2, event #3, event #4, event #N 순으로 입력되는 경우, 모델(model)을 통하여 event #3에서 심심한 상태를 추론할 수 있다. 사용자가 심심한 상태로 추론되는 경우 서비스를 제안할 수 있다. 다른 예를 들어, event #1, event #2, event #3, event #4, event #N를 모델(model)을 적용하였으나, 사용자가 심심한 상태가 아니라고 판단되는 경우 제1 입력 이벤트와 관련하여 수집한 로그 데이터를 어플리케이션 서버(260)로 전송할 수 있다.
도 14는 일 실시 예에 따른 전자 장치(101)가 제2 입력 이벤트(1410) 및 장치를 위한 모델(1050)에 기반하여 컨텐츠를 추천하는 알림(1420)을 표시하는 것을 나타낸 도면(1400)이다.
일 실시 예에서, 프로세서(예: 도 2a의 프로세서(120))는 어플리케이션 서버(예: 도 2a의 어플리케이션 서버(260))로부터 장치를 위한 모델(1050)을 전달 받을 수 있다. 프로세서(120)는 장치를 위한 모델(1050)에 제2 입력 이벤트(1410)를 전달할 수 있다. 프로세서(120)는 디스플레이 모듈(예: 도 2a의 디스플레이 모듈(160)) 상의 스와이트 이벤트(swipe EV) 및 런치 이벤트(launch EV)와 같은 제2 입력 이벤트(1410)를 장치를 위한 모델(1050)에 전달할 수 있다. 제2 입력 이벤트(1410)는 이벤트 종류, 세션 시작 시각, 및/또는 연속된 이벤트의 간격을 포함할 수 있다. 프로세서(120)는 장치를 위한 모델(1050)을 이용하여 제2 입력 이벤트(1410)를 분석할 수 있다. 프로세서(120)는 장치를 위한 모델(1050)을 이용하여 사용자가 심심한 상태인지 여부에 대한 예측을 수행할 수 있다.
일 실시 예에서, 프로세서(120)는 예측 결과 사용자가 심심한 상태로 판단될 경우, 사용자에게 컨텐츠를 추천하는 것이 필요할 지 여부를 판단할 수 있다. 예를 들어, 프로세서(120)는 사용자가 심심한 상태로 일정 시간 이상이 경과하는 경우 사용자에게 컨텐츠를 추천하는 것이 필요한 것으로 판단할 수 있다. 다른 예로, 프로세서(120)는 사용자가 심심한 상태로 디스플레이 모듈(160)의 화면이 켜졌다 꺼지는 횟수가 임계 횟수 이상인 경우 사용자에게 컨텐츠를 추천하는 것이 필요한 것으로 판단할 수 있다.
일 실시 예에서, 프로세서(120)는 사용자에게 컨텐츠를 추천하는 것이 필요한 것으로 판단되는 경우, 전자 장치(101)의 디스플레이 모듈(160)에 알림(notification)(1420)을 표시할 수 있다. 프로세서(120)는 알림(1420)의 발생 횟수 및 서비스 특성에 따른 알림(1420) 정책을 기준으로 최종적으로 알림(1420)을 사용자에게 표시할 수 있다. 일 실시 예에서, 프로세서(120)는 사용자가 심심한 상태일 경우, 사용자가 즐길 수 있는 게임, 퍼즐, 읽을 거리, 그림, 및/또는 동영상과 같은 컨텐츠(contents)를 안내하는 알림(1420)을 제공할 수 있다.
도 15는 일 실시 예에 따른 프로세서(예: 도 2a의 프로세서(120))가 컨텐츠(1541)를 추천하는 것을 나타낸 도면(1500)이다.
일 실시 예에 따른 프로세서(120)는 제1 상황(1510)에서 사용자가 전자 장치(예: 도 14의 전자 장치(101))를 사용하며 발생시키는 제2 입력 이벤트(1410)를 감지할 수 있다.
일 실시 예에 따른 프로세서(120)는 제2 상황(1520)에서 사용자가 심심한 상태로 추론될 경우 알림(1420)을 통해 컨텐츠를 추천할 수 있다. 예를 들어, 프로세서(120)는 사용자가 심심한 상태로 추론될 경우 인스턴트 게임(instant game)을 추천하는 알림(1420)을 디스플레이 모듈(예: 도 14의 디스플레이 모듈(160))의 화면의 상부의 알림 창에 표시할 수 있다.
일 실시 예에 따른 프로세서(120)는 제3 상황(1530)에서 사용자가 알림(1420)이 표시된 알림 창을 아래로 드래그(drag)할 경우 디스플레이 모듈(160)의 화면에 전체적으로 컨텐츠의 상세 정보 및 컨텐츠를 실행할 지 여부를 확인하는 확인 메뉴를 표시할 수 있다. 사용자는 확인 메뉴에서 예(yes) 선택 메뉴(1531)를 선택할 수 있다.
일 실시 예에 따른 프로세서(120)는 사용자가 예(yes) 선택 메뉴(1431)를 선택한 경우 제4 상황(1540)에서 컨텐츠(1541)를 실행하여 사용자의 심심함을 해소할 수 있다. 프로세서(120)는 심심함과 같은 사용자의 감정 상태를 판단하여 사용자에게 짧은 시간 동안 소비할 수 있는 컨텐츠(1541)를 제안할 수 있다.
일 실시 예에 따른 프로세서(120)는 사용자가 아니오(no) 선택 메뉴(1532)를 선택하는 경우, 사용자가 심심한 상태가 아니라고 판단할 수 있다. 예를 들어, 프로세서(120)는 모델(예: 도 10의 기계 학습 모델(1040))을 업데이트 하기 위한 정보(예: 획득된 로그 데이터)를 어플리케이션 서버(예: 도 2a의 어플리케이션 서버(260))로 전송할 수 있다.
도 16은 일 실시 예에 따른 피드백 서버(예: 도 2a의 피드백 서버(290))가 모델(예: 도 10의 기계 학습 모델(1040))을 갱신하는 것을 나타낸 도면(1600)이다.
일 실시 예에서, 피드백 서버(290)는 넛지 KPI 매니저(Nudege KPI manager)일 수 있다. 피드백 서버(290)는 어플리케이션 서버(예: 도 2a의 어플리케이션 서버(260))에서 수집한 로그 데이터를 이용하여 모델(1040)을 업데이트 할 수 있다. 피드백 서버(290)는 사용자의 피드백(feedback) 및 사용자의 제2 입력 이벤트(예: 도 14의 제2 입력 이벤트(1410))를 전자 장치(예: 도 2a의 전자 장치(101))에서 추가로 수집할 수 있다. 피드백 서버(290)는 전자 장치(101) 별 특성을 추가로 반영하여 모델(1040)을 추가적으로 학습시킬 수 있다. 피드백 서버(290)는 서버(예: 도 2의 서버(108))에서 수집된 전체 사용자의 피드백 데이터로부터 일반화된 모델(1040)을 학습할 수 있다. 피드백 서버(290)는 일반화된 예측 모델과 전자 장치(101)의 사용자의 특수성을 함께 이용하여 감정 상태를 예측할 수 있다.
일 실시 예에서, 프로세서(예: 도 2a의 프로세서(120))는 기 학습된 모델인 장치를 위한 모델(1050)을 사용하여 실시간으로 사용자가 심심한 지 여부를 추론하여 사용자에게 컨텐츠를 추천할 수 있다. 프로세서(120)는 추천한 컨텐츠를 사용자가 소비했는지 또는 거부했는지 여부를 피드백 서버(290)로 전달할 수 있다. 피드백 서버(290)는 사용자가 추천한 컨텐츠를 소비했는지 또는 거부했는지 여부를 학습 데이터로 사용할 수 있다.
일 실시 예에서, 장치를 위한 모델(1050)은 세션들 중 사용자가 심심한 상태(bored=Y)를 감지할 수 있다. 장치를 위한 모델(1050)은 동작 1610에서 사용자에게 인스턴트 게임을 추천할 수 있다. 장치를 위한 모델(1050)은 동작 1620에서 추천한 인스턴트 게임을 사용자가 플레이(play) 하였는지 판단할 수 있다. 장치를 위한 모델(1050)은 추천한 인스턴트 게임을 사용자가 플레이한 경우(동작 1620 = Yes) 동작 1630으로 진행할 수 있다. 장치를 위한 모델(1050)은 추천한 인스턴트 게임을 사용자가 플레이하지 않은 경우(동작 1620 = No) 동작 1640으로 진행할 수 있다.
일 실시 예에서, 장치를 위한 모델(1050)은 동작 1630에서 피드백 서버(290)로 해당 세션이 사용자가 심심한 세션(bored=Y)임을 전달할 수 있다. 장치를 위한 모델(1050)은 동작 1640에서 피드백 서버(290)로 해당 세션이 사용자가 심심하지 않은 세션(bored=N)임을 전달할 수 있다. 장치를 위한 모델(1050)은 추천한 인스턴트 게임을 사용자가 플레이한 경우 해당 세션을 사용자가 심심한 세션으로 추론하는 판단을 유지하도록 피드백 서버(290)로 해당 정보를 전달하여 모델(1040)을 유지할 수 있다. 장치를 위한 모델(1050)은 추천한 인스턴트 게임을 사용자가 플레이하지 않은 경우 해당 세션에 대한 판단의 정확도를 증가시키도록 피드백 서버(290)로 해당 정보를 전달하여 모델(1040)을 갱신할 수 있다.
일 실시 예에서, 장치를 위한 모델(1050)은 사용자가 추천된 컨텐츠를 플레이(play)했는지 또는 무시(ignore)했는지 여부를 피드백 서버(290)에 전달할 수 있다. 피드백 서버(290)는 장치를 위한 모델(1050)에 의해 심심한 상태로 추론되어 사용자에게 컨텐츠를 추천했음에도 사용자가 컨텐츠를 거부한 경우 해당 세션은 심심하지 않은 상태로 레이블링하여 다시 학습에 사용할 수 있다. 이에 따라 피드백 서버(290)는 장치를 위한 모델(1050)이 사용자가 심심한 지 여부를 추론하는 정확도를 증가시킬 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.
Claims (20)
- 전자 장치 및 서버를 포함하는 시스템에 있어서,
상기 전자 장치는,
디스플레이 모듈; 및
프로세서를 포함하고,
상기 프로세서는,
상기 디스플레이 모듈 상의 제1 입력 이벤트를 수집하고; 및
상기 제1 입력 이벤트와 관련된 로그 데이터를 생성하고,
상기 프로세서 또는 상기 서버는,
상기 로그 데이터에 기반하여 세션(session) 데이터를 생성하고;
상기 세션 데이터에 기반하여 상기 사용자 입력의 변화 과정을 학습하고; 및
상기 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성하고,
상기 프로세서는,
상기 디스플레이 모듈 상의 제2 입력 이벤트를 감지하고;
상기 제2 입력 이벤트 및 상기 모델에 기반하여 상기 사용자가 상기 심심한 상태인지 여부를 판단하고;
상기 사용자가 상기 심심한 상태인 경우 상기 사용자에게 컨텐츠의 추천이 필요한지 여부를 판단하고; 및
상기 사용자에게 상기 컨텐츠 추천이 필요한 경우 상기 디스플레이 모듈에 컨텐츠를 추천하는 알림을 표시하도록 설정된 시스템. - 청구항 1에 있어서,
상기 서버는,
어플리케이션 서버; 및
학습 서버를 포함하고,
상기 프로세서는,
상기 로그 데이터를 상기 어플리케이션 서버로 전달하고,
상기 어플리케이션 서버는,
상기 로그 데이터에 기반하여 상기 세션 데이터를 생성하고; 및
상기 세션 데이터를 상기 학습 서버로 전달하고,
상기 학습 서버는,
상기 세션 데이터에 기반하여 상기 변화 과정을 학습하고;
상기 변화 과정에 기반하여 상기 사용자가 심심한 상태를 감지하는 상기 모델을 생성하고; 및
상기 생성된 모델을 상기 어플리케이션 서버로 전달하고,
상기 어플리케이션 서버는 상기 전자 장치가 상기 모델을 다운로드(download) 하는 경우 상기 모델을 상기 프로세서로 전달하는 시스템. - 청구항 1에 있어서,
상기 프로세서는,
넛지 에이전트(nudge agent); 및
학습 모듈을 포함하고,
상기 넛지 에이전트는,
상기 로그 데이터를 상기 학습 모듈로 전달하고,
상기 학습 모듈은,
상기 로그 데이터에 기반하여 상기 세션 데이터를 생성하고;
상기 세션 데이터에 기반하여 상기 변화 과정을 학습하고;
상기 변화 과정에 기반하여 상기 사용자가 심심한 상태를 감지하는 상기 모델을 생성하고; 및
상기 생성된 모델을 상기 넛지 에이전트로 전달하는 시스템. - 청구항 1에 있어서,
상기 변화 과정은 실행 무관 입력 및 실행 입력을 포함하고,
상기 프로세서 또는 상기 서버는 상기 실행 무관 입력 및 상기 실행 입력에 기반하여 상기 심심한 상태를 구분하도록 설정된 시스템. - 청구항 4에 있어서,
상기 프로세서 또는 상기 서버는 상기 세션 데이터에 상기 실행 입력이 미 존재하는 경우 상기 세션 데이터에 대응하는 세션을 상기 심심한 상태로 구분하도록 설정된 시스템. - 청구항 4에 있어서,
상기 프로세서 또는 상기 서버는 상기 세션 데이터에 상기 실행 입력에 따라 실행된 어플리케이션이 임계 시간 이하로 실행된 경우 상기 세션 데이터에 대응하는 세션을 상기 심심한 상태로 구분하도록 설정된 시스템. - 청구항 1에 있어서,
상기 프로세서 또는 상기 서버는 상기 사용자 입력 사이에 제1 분리 이벤트가 존재하는 경우 분리된 세션으로 판단하여 상기 세션 데이터를 생성하고, 및
상기 분리된 세션 내에서 아무런 이벤트가 발생하지 않거나 상기 디스플레이 모듈의 화면이 꺼지는 경우 상기 분리된 세션이 종료된 것으로 판단하는 시스템. - 청구항 6에 있어서,
상기 프로세서 또는 상기 서버는 상기 분리된 세션에서 발생한 이벤트를 상기 사용자 입력의 상기 변화 과정으로 판단하고, 및
상기 분리된 세션에서 발생한 상기 이벤트를 상기 모델을 학습하기 위한 입력으로 사용하는 시스템. - 청구항 2에 있어서,
상기 학습 서버는 상기 생성된 모델을 상기 전자 장치에서 활용 가능한 모델인 장치를 위한 모델(Model for device)로 변환하고,
상기 장치를 위한 모델은 상기 어플리케이션 서버를 통해 상기 전자 장치에서 다운로드 하는 시스템. - 청구항 9에 있어서,
상기 생성된 모델은 텐서 플로우(Tensor flow) 모델이고,
상기 장치를 위한 모델은 텐서 플로우 라이트(TF-Lite) 모델인 시스템. - 청구항 7에 있어서,
상기 프로세서 또는 상기 서버는 상기 분리된 세션 별로 상기 사용자가 상기 심심한 상태 또는 상기 사용자가 상기 심심하지 않은 상태를 레이블링(Labeling)하여 학습 데이터로 사용하는 시스템. - 청구항 2에 있어서,
상기 서버는 피드백 서버를 더 포함하고,
상기 피드백 서버는 상기 사용자의 피드백 및 상기 사용자의 상기 제2 입력 이벤트를 상기 전자 장치에서 추가로 수집하고,
상기 전자 장치 별 특성을 추가로 반영하여 상기 모델을 추가적으로 학습시키는 시스템. - 청구항 12에 있어서,
상기 프로세서는 상기 추천한 컨텐츠를 상기 사용자가 소비했는지 또는 거부했는지 여부를 상기 피드백 서버로 전달하고,
상기 피드백 서버는 상기 사용자가 상기 추천한 컨텐츠를 소비했는지 또는 거부했는지 여부를 학습 데이터로 사용하는 시스템. - 전자 장치 및 서버를 포함하는 시스템을 이용한 컨텐츠 추천 방법에 있어서,
상기 전자 장치의 프로세서가 디스플레이 모듈 상의 제1 입력 이벤트를 수집하는 동작;
상기 프로세서가 상기 제1 입력 이벤트와 관련된 로그 데이터를 생성하는 동작;
상기 프로세서 또는 상기 서버가 상기 로그 데이터에 기반하여 세션 데이터를 생성하는 동작;
상기 프로세서 또는 상기 서버가 상기 세션 데이터에 기반하여 상기 사용자 입력의 변화 과정을 학습하는 동작;
상기 프로세서 또는 상기 서버가 상기 변화 과정에 기반하여 사용자가 심심한 상태를 감지하는 모델을 생성하는 동작;
상기 프로세서가 상기 디스플레이 모듈 상의 제2 입력 이벤트를 감지하는 동작;
상기 프로세서가 상기 제2 입력 이벤트 및 상기 모델에 기반하여 상기 사용자가 상기 심심한 상태인지 여부를 판단하는 동작;
상기 프로세서가 상기 사용자에게 컨텐츠의 추천이 필요한지 여부를 판단하는 동작; 및
상기 사용자에게 상기 컨텐츠 추천이 필요한 경우 상기 프로세서가 상기 디스플레이 모듈에 컨텐츠를 추천하는 알림을 표시하는 동작을 포함하는 방법. - 청구항 14에 있어서,
상기 변화 과정은 실행 무관 입력 및 실행 입력을 포함하고,
상기 프로세서 또는 상기 서버는 상기 실행 무관 입력 및 상기 실행 입력에 기반하여 상기 심심한 상태를 구분하는 방법. - 청구항 15에 있어서,
상기 프로세서 또는 상기 서버는 상기 세션 데이터에 상기 실행 입력이 미 존재하는 경우 상기 세션 데이터에 대응하는 세션을 상기 심심한 상태를 구분하는 방법. - 청구항 15에 있어서,
상기 프로세서 또는 상기 서버는 상기 세션 데이터에 상기 실행 입력에 따라 실행된 어플리케이션이 임계 시간 이하로 실행된 경우 상기 세션 데이터에 대응하는 세션을 상기 심심한 상태를 구분하는 방법. - 청구항 14에 있어서,
상기 프로세서 또는 상기 서버는 상기 사용자 입력 사이의 시간 간격이 제1 간격 이상인 경우 분리된 세션으로 판단하여 상기 세션 데이터를 생성하고, 및
상기 분리된 세션 내에서 아무런 이벤트가 발생하지 않거나 상기 디스플레이 모듈의 화면이 꺼지는 경우 상기 분리된 세션이 종료된 것으로 판단하는 방법. - 청구항 17에 있어서,
상기 프로세서 또는 상기 서버는 상기 분리된 세션에서 발생한 이벤트를 상기 사용자 입력의 상기 변화 과정으로 판단하고, 및
상기 분리된 세션에서 발생한 상기 이벤트를 상기 모델을 학습하기 위한 입력으로 사용하는 방법. - 청구항 14에 있어서,
상기 프로세서 또는 상기 서버는 상기 분리된 세션 별로 상기 사용자가 상기 심심한 상태 또는 상기 사용자가 상기 심심하지 않은 상태를 레이블링하여 학습 데이터로 사용하는 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200138541A KR20220054067A (ko) | 2020-10-23 | 2020-10-23 | 전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법 |
| PCT/KR2021/011595 WO2022085926A1 (ko) | 2020-10-23 | 2021-08-30 | 전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200138541A KR20220054067A (ko) | 2020-10-23 | 2020-10-23 | 전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220054067A true KR20220054067A (ko) | 2022-05-02 |
Family
ID=81289901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200138541A KR20220054067A (ko) | 2020-10-23 | 2020-10-23 | 전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20220054067A (ko) |
| WO (1) | WO2022085926A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102679131B1 (ko) * | 2022-12-26 | 2024-06-27 | 쿠팡 주식회사 | 콘텐츠 추천 방법 및 그 시스템 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007034664A (ja) * | 2005-07-27 | 2007-02-08 | Sony Corp | 感情推定装置および方法、記録媒体、および、プログラム |
| KR20120071298A (ko) * | 2010-12-22 | 2012-07-02 | 한국전자통신연구원 | 사용자 맞춤형 감성 홈 응용 서비스 개발 장치 및 방법 |
| KR101690366B1 (ko) * | 2014-03-28 | 2016-12-28 | 경희대학교 산학협력단 | 컨텐츠에 대한 사용자 반응을 고려한 컨텐츠 추천 방법 |
| KR101617649B1 (ko) * | 2014-12-26 | 2016-05-03 | 세종대학교산학협력단 | 영상의 관심 구간 추천 시스템 및 방법 |
| US11049147B2 (en) * | 2016-09-09 | 2021-06-29 | Sony Corporation | System and method for providing recommendation on an electronic device based on emotional state detection |
-
2020
- 2020-10-23 KR KR1020200138541A patent/KR20220054067A/ko active Search and Examination
-
2021
- 2021-08-30 WO PCT/KR2021/011595 patent/WO2022085926A1/ko active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102679131B1 (ko) * | 2022-12-26 | 2024-06-27 | 쿠팡 주식회사 | 콘텐츠 추천 방법 및 그 시스템 |
| WO2024143685A1 (ko) * | 2022-12-26 | 2024-07-04 | 쿠팡 주식회사 | 콘텐츠 추천 방법 및 그 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022085926A1 (ko) | 2022-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20220016727A (ko) | 다중 윈도우 이미지 캡쳐 방법 및 이를 위한 전자 장치 | |
| KR20220016544A (ko) | 오디오 공유를 지원하는 전자 장치 | |
| KR20220054067A (ko) | 전자 장치 및 서버를 포함하는 시스템, 및 그 시스템을 이용한 컨텐츠 추천 방법 | |
| US20230229245A1 (en) | Emoji recommendation method of electronic device and same electronic device | |
| US20220326964A1 (en) | Processor for initializing model file of application and electronic device including the same | |
| KR20230006240A (ko) | 입력 필드를 기반으로 사용자 인터페이스를 구성하는 방법 및 전자 장치 | |
| KR20220156189A (ko) | 전자 장치 및 전자 장치의 동작 방법 | |
| KR20230043397A (ko) | 사용자 발화를 처리하는 서버, 전자 장치 및 그의 동작 방법 | |
| KR20220109239A (ko) | eSIM (embedded Subscriber Identity Module) Profile을 활용하여 네트워크에 접속하는 방법 및 전자 장치 | |
| KR20220073136A (ko) | 배경 화면을 설정하기 위한 전자 장치 및 그의 동작 방법 | |
| US20240118857A1 (en) | Electronic device, and method for reconstructing screen using external device | |
| US20230027222A1 (en) | Electronic device for managing inappropriate answer and operating method thereof | |
| KR20230116619A (ko) | 운동 경로를 추천하는 전자 장치 및 그 제어 방법 | |
| KR20220109093A (ko) | 전자 장치 및 이의 제어 방법 | |
| KR20230123391A (ko) | 전자 장치 및 음원의 주파수 대역별 크기 변경 방법 | |
| KR20220127970A (ko) | 서비스를 제공하는 전자 장치 및 이의 동작 방법 | |
| KR20230029055A (ko) | 전자 장치 및 개인화된 사용자 상황 인지 서비스 제공 방법 | |
| KR20220133414A (ko) | 음성 어시스턴트 서비스 제공 방법 및 이를 지원하는 전자 장치 | |
| KR20220127457A (ko) | 전자 장치 및 미디어 콘텐츠의 재생구간 이동 방법 | |
| KR20240096272A (ko) | 복수의 시각적 객체들 중 시각적 객체를 식별하기 위한 전자 장치 및 방법 | |
| KR20240119799A (ko) | 걸음 검출을 위한 휴대 전자 장치와 그 동작 방법 | |
| KR20220138744A (ko) | 전자 장치 및 IoT 제어 정보 공유 방법 | |
| KR20230023954A (ko) | 아이템을 사용자에게 추천하기 위한 전자 장치 및 방법 | |
| KR20230022772A (ko) | 스와이프 입력에 기반하여 화면을 변경하는 전자 장치와 이의 동작 방법 | |
| KR20240083775A (ko) | 생체 정보 제공 방법 및 이를 지원하는 전자 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |