KR20220087410A - 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 Download PDF

Info

Publication number
KR20220087410A
KR20220087410A KR1020220069065A KR20220069065A KR20220087410A KR 20220087410 A KR20220087410 A KR 20220087410A KR 1020220069065 A KR1020220069065 A KR 1020220069065A KR 20220069065 A KR20220069065 A KR 20220069065A KR 20220087410 A KR20220087410 A KR 20220087410A
Authority
KR
South Korea
Prior art keywords
type
vector
client
input
user
Prior art date
Application number
KR1020220069065A
Other languages
English (en)
Inventor
배정환
Original Assignee
배정환
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020210119586A external-priority patent/KR102413770B1/ko
Application filed by 배정환 filed Critical 배정환
Publication of KR20220087410A publication Critical patent/KR20220087410A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Psychiatry (AREA)
  • Pathology (AREA)
  • Developmental Disabilities (AREA)
  • Databases & Information Systems (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Educational Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

실시예들은 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치를 제시한다. 일 실시예에 따른 심리 치료 서비스 제공 방법은 클라이언트의 프로세서에 의해, 통합 실행 조건을 만족하는지 여부를 판단하는 동작; 상기 통합 실행 조건을 만족하는 경우, 입력부를 통해, 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 유형 검사 모델에 입력하는 동작; 상기 프로세서에 의해, 상기 선택지 조합 입력을 기초로 상기 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득하는 동작; 상기 프로세서에 의해, 코드 결정 레이어에 상기 유형 획득 벡터를 입력하여 유형 코드를 출력하는 동작; 및 상기 프로세서에 의해, 상기 유형 코드를 기초로 상기 사용자의 능력 유형 및 금융 심리 유형을 출력하는 동작을 포함할 수 있다.

Description

뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치{METHOD AND APPARATUS FOR PSYCHOTHERAPHY USING NEURAL NETWORK}
본 발명의 실시예들은 심리 치료 서비스를 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 심리 치료 서비스를 제공하는 기술에 대한 것이다.
사용자는 금융 문제 때문에 심리적인 어려움을 겪을 수 있다. 심리적인 문제에 대응하여 심리 치료를 위한 다양한 상담 서비스가 제공되고 있지만, 사용자의 정확한 심리적인 유형에 대한 판단 없이 상담 서비스가 제공되는 경우 치료의 효과가 극대화되기 어려울 수 있다. 이에, 사용자의 금융과 관련된 능력 또는 경향성을 검사하고, 정확한 검사 결과를 기초로 상담 서비스를 제공할 필요가 있다.
실시예들은, 사용자에 대한 정확한 유형 검사 결과를 기초로 검사 결과에 대응하는 상담 또는 교육 서비스를 제공함으로써 심리 치료 서비스 제공 시스템은 사용자의 금융 관련 능력 또는 경향성을 발달시키거나 심리적인 문제를 완화할 수 있는 심리 치료 서비스 제공 시스템을 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 심리 치료 서비스 제공 방법은 클라이언트의 프로세서에 의해, 통합 실행 조건을 만족하는지 여부를 판단하는 동작; 상기 통합 실행 조건을 만족하는 경우, 입력부를 통해, 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 유형 검사 모델에 입력하는 동작; 상기 프로세서에 의해, 상기 선택지 조합 입력을 기초로 상기 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득하는 동작; 상기 프로세서에 의해, 코드 결정 레이어에 상기 유형 획득 벡터를 입력하여 유형 코드를 출력하는 동작; 및 상기 프로세서에 의해, 상기 유형 코드를 기초로 상기 사용자의 능력 유형 및 금융 심리 유형을 출력하는 동작을 포함할 수 있다.
상기 통합 실행 조건을 만족하는지 여부를 판단하는 동작은, 상기 프로세서에 의해, 사용자 입력에 의한 입력 신호가 수신된 경우 상기 통합 실행 조건이 만족되는 것으로 판단하는 동작을 포함할 수 있다.
상기 통합 실행 조건을 만족하는지 여부를 판단하는 동작은, 상기 프로세서에 의해, 상기 제1 시각 이전의 제1 시간 구간 동안 상기 사용자에 의해 생성된 텍스트, 컨텐츠 로그, 음성 신호, 표정 이미지 또는 의료 기록을 포함하는 로우(raw) 데이터를 수집하는 동작; 상기 프로세서에 의해, 상기 수집된 로우 데이터를 기초로 심리 상태 분석 모델을 이용하여 상기 사용자의 상기 제1 시각의 순간 심리 상태 분석 벡터를 획득하는 동작; 상기 프로세서에 의해, 상기 제1 시각의 순간 심리 상태 분석 벡터가 제1 실행 조건을 만족하는지 여부를 판단하는 동작; 상기 프로세서에 의해, 상기 사용자의 금융 기록을 기초로 금융 상태 분석 모델을 이용하여 금융 상태 분석 결과를 출력하는 동작; 상기 프로세서에 의해, 상기 금융 상태 분석 결과가 제2 실행 조건을 만족하는지 여부를 판단하는 동작; 및 상기 프로세서에 의해, 상기 제1 실행 조건 및 상기 제2 실행 조건이 만족되는 경우 상기 통합 실행 조건이 만족되는 것으로 판단하는 동작을 포함할 수 있다.
상기 방법은, 상기 프로세서에 의해, 사용자 입력에 의한 입력 신호에 대응하는 상담사 또는 프로그램을 상기 사용자의 사용자 계정에 매칭하는 동작을 더 포함할 수 있다.
상기 방법은, 상기 프로세서에 의해, 상기 능력 유형 및 상기 금융 심리 유형을 기초로 매칭 모델을 이용하여 상담사 또는 프로그램을 상기 사용자의 사용자 계정에 매칭하는 동작을 더 포함할 수 있다.
다른 실시예에 따른 심리 치료 서비스 제공 방법은, 서버의 통신부를 통해, 클라이언트로부터 로우 데이터를 수신하는 동작; 상기 통신부를 통해, 금융 기록을 저장하는 데이터베이스로부터 상기 금융 기록을 수집하는 동작; 서버의 프로세서에 의해, 상기 로우 데이터 및 상기 금융 기록이 통합 실행 조건을 만족하는지 여부를 판단하는 동작; 상기 통합 실행 조건을 만족하는 경우, 상기 통신부를 통해, 상기 클라이언트로 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사의 실행을 요청하는 신호를 송신하는 동작; 상기 통신부를 통해, 상기 능력 유형 검사 및 상기 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 수신하는 동작; 상기 프로세서에 의해, 상기 선택지 조합 입력을 유형 검사 모델에 입력하는 동작; 상기 프로세서에 의해, 상기 선택지 조합 입력을 기초로 상기 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득하는 동작; 상기 프로세서에 의해, 코드 결정 레이어에 상기 유형 획득 벡터를 입력하여 유형 코드를 출력하는 동작; 및 상기 프로세서에 의해, 상기 유형 코드를 기초로 상기 사용자의 능력 유형 및 금융 심리 유형을 출력하는 동작을 포함할 수 있다.
일 실시예에 따른 클라이언트는, 하나 이상의 프로세서; 및 입력부를 포함하는 클라이언트에 있어서, 상기 프로세서는: 통합 실행 조건을 만족하는지 여부를 판단하고, 상기 입력부는: 상기 통합 실행 조건을 만족하는 경우, 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 수신하고, 상기 프로세서는: 상기 선택지 조합 입력을 유형 검사 모델에 입력하고, 상기 선택지 조합 입력을 기초로 상기 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득하고, 코드 결정 레이어에 상기 유형 획득 벡터를 입력하여 유형 코드를 출력하고, 상기 유형 코드를 기초로 상기 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다.
상기 매칭 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 상기 능력 유형, 상기 금융 심리 유형, 상기 상담사 및 상기 프로그램에 관한 복수의 학습 데이터는 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 매칭 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,
[수학식]
Figure pat00001
상기 손실 함수는 상기 수학식을 따르고,
상기 수학식에서, N은 상기 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 상기 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.
다른 실시예에 따른 서버는, 적어도 하나의 프로세서; 및 통신부를 포함하고, 상기 통신부는: 클라이언트로부터 로우 데이터를 수신하고, 금융 기록을 저장하는 데이터베이스로부터 상기 금융 기록을 수집하고, 상기 프로세서는: 상기 로우 데이터 및 상기 금융 기록이 통합 실행 조건을 만족하는지 여부를 판단하고, 상기 통신부는: 상기 통합 실행 조건을 만족하는 경우, 상기 클라이언트로 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사의 실행을 요청하는 신호를 송신하고, 상기 능력 유형 검사 및 상기 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 수신하고, 상기 프로세서는: 상기 선택지 조합 입력을 유형 검사 모델에 입력하는 동작; 상기 선택지 조합 입력을 기초로 상기 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득하고, 코드 결정 레이어에 상기 유형 획득 벡터를 입력하여 유형 코드를 출력하고, 상기 유형 코드를 기초로 상기 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다.
다른 실시예에 따른 심리 치료 서비스 시스템은, 서버 및 클라이언트를 포함하고, 상기 클라이언트는: 로우 데이터를 수집하고, 상기 로우 데이터를 상기 서버로 송신하고, 상기 서버는: 금융 기록을 저장하는 데이터베이스로부터 상기 금융 기록을 수집하고, 상기 로우 데이터 및 상기 금융 기록이 통합 실행 조건을 만족하는지 여부를 판단하고, 상기 통합 실행 조건을 만족하는 경우, 상기 클라이언트로 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사의 실행을 요청하는 신호를 송신하고, 상기 클라이언트는: 상기 요청하는 신호에 반응하여 상기 클라이언트에 설치된 프로그램을 통하여 상기 능력 유형 검사 및 상기 금융 심리 유형 검사를 제공하고, 상기 능력 유형 검사 및 상기 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 수신하고, 상기 선택지 조합 입력을 상기 서버로 송신하고, 상기 서버는: 상기 선택지 조합 입력을 유형 검사 모델에 입력하고, 상기 선택지 조합 입력을 기초로 상기 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득하고, 코드 결정 레이어에 상기 유형 획득 벡터를 입력하여 유형 코드를 출력하고, 상기 유형 코드를 기초로 상기 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다
상기 방법은, 상기 심리 상태 분석 모델은 입력 레이어, 특징 추출부, 분류부, 통계 적응부, 누적부 및 정규화부를 포함하고, 상기 제1 시각의 순간 심리 상태 분석 벡터를 획득하는 동작은, 상기 프로세서에 의해, 상기 로우 데이터를 상기 입력 레이어에 입력하여 입력 벡터를 출력하는 동작; 상기 프로세서에 의해, 상기 입력 벡터를 특징 추출부에 입력하여 특징 벡터를 출력하는 동작; 및 상기 프로세서에 의해, 상기 특징 벡터를 상기 분류부에 입력하여 상기 순간 심리 상태 분석 벡터를 출력하는 동작을 포함할 수 있다.
상기 방법은, 상기 프로세서에 의해, 제2 시각 이전의 제2 시간 구간 동안 상기 사용자에 의해 생성된 텍스트, 컨텐츠 로그, 음성 신호, 표정 이미지 또는 의료 기록을 포함하는 로우(raw) 데이터를 수집하는 동작; 상기 프로세서에 의해, 상기 수집된 로우 데이터를 기초로 상기 심리 상태 분석 모델을 이용하여 상기 사용자의 제2 시각의 순간 심리 상태 분석 벡터를 획득하는 동작; 상기 프로세서에 의해, 상기 제1 시각의 순간 심리 상태 분석 벡터 및 상기 제2 시각의 순간 심리 상태 분석 벡터를 비교하는 동작; 상기 프로세서에 의해, 상기 비교 결과를 기초로 상기 사용자의 사용자 계정에 매칭된 상담사 또는 프로그램의 개선 점수를 계산하는 동작; 및 상기 프로세서에 의해, 상기 개선 점수가 제1 임계값 이상인 경우, 상기 제1 순간 심리 상태 분석 벡터, 상기 제1 시각의 유형 획득 벡터, 상기 매칭된 상담사 또는 프로그램을 하나의 학습 데이터로서 데이터베이스에 저장하는 동작을 더 포함하고, 상기 제1 시각은 상기 제2 시각보다 앞설 수 있다.
상기 방법은, 상기 유형 검사 모델은 각각의 능력 유형 및 각각의 금융 심리 유형에 대응하는 기준 벡터를 포함하는 분류 레이어를 포함하고, 상기 프로세서에 의해, 상기 학습 데이터를 이용하여 상기 유형 검사 모델을 학습시키는 동작을 더 포함하고, 상기 유형 검사 모델을 학습시키는 동작은, 상기 프로세서에 의해, 상기 학습 데이터를 기초로 상기 유형 검사 모델의 선택지 조합 입력의 각각의 엘러먼트에 대한 입력 웨이트를 조정하는 동작; 상기 프로세서에 의해, 상기 유형 검사 모델의 내부 파라미터를 조정하는 동작; 및 상기 프로세서에 의해, 상기 기준 벡터를 조정하는 동작을 포함하고, 상기 내부 파라미터는 상기 유형 검사 모델을 구성하는 하나 이상의 레이어의 내부 웨이트, 상기 내부 웨이트의 표현 비트수 및 상기 각각의 레이어의 출력 벡터의 표현 비트수를 포함할 수 있다.
상기 방법은, 제3 시각은 상기 제1 시간 구간에 앞서고, 제4 시각은 상기 제1 시간 구간에 포함되고, 상기 프로세서에 의해, 상기 제1 시각의 순간 심리 상태 분석 벡터 및 상기 제4 시각의 순간 심리 상태 분석 벡터를 상기 누적부에 입력하여 임시 누적 벡터를 출력하는 동작; 상기 프로세서에 의해, 상기 임시 누적 벡터를 상기 정규화부에 입력하여 상기 제1 시간 구간의 누적 심리 상태 분석 벡터를 출력하는 동작; 상기 프로세서에 의해, 상기 제3 시각의 유형 획득 벡터 및 상기 제1 시간 구간의 상기 누적 심리 상태 분석 벡터를 기초로 상기 제1 시각의 유형 추정 벡터를 추정하는 동작; 상기 프로세서에 의해, 상기 제1 시각의 유형 추정 벡터 및 상기 제1 시각의 유형 획득 벡터를 비교하는 동작; 및 상기 프로세서에 의해, 상기 비교 결과를 기초로 상기 유형 검사 모델을 학습시키는 동작을 더 포함할 수 있다.
상기 방법은, 상기 프로세서에 의해, 상기 학습 데이터를 이용하여 상기 매칭 모델을 학습시키는 동작을 더 포함할 수 있다.
상기 방법은, 상기 로우 데이터는 제1 종류의 복수의 로우 데이터 및 제2 종류의 복수의 로우 데이터를 포함하고, 상기 프로세서에 의해, 상기 제1 종류의 복수의 로우 데이터를 상기 분류부에 입력하여 상기 제1 종류의 복수의 순간 심리 상태 분석 벡터를 출력하는 동작; 상기 프로세서에 의해, 상기 제2 종류의 복수의 로우 데이터를 상기 분류부에 입력하여 상기 제2 종류의 복수의 순간 심리 상태 분석 벡터를 출력하는 동작; 상기 프로세서에 의해, 상기 통계 적응부를 통해 상기 제1 종류의 복수의 순간 심리 상태 분석 벡터의 제1 통계값과 상기 제2 종류의 복수의 순간 심리 상태 분석 벡터의 제2 통계값을 비교하는 동작; 및 상기 프로세서에 의해, 상기 비교 결과를 기초로 상기 제1 통계값 및 상기 제2 통계값의 차이가 작아지는 방향으로 상기 분류부의 파라미터를 조정하는 동작을 더 포함할 수 있다.
실시예들에 따르면, 심리 치료 서비스 제공 시스템은 사용자에 대한 정확한 유형 검사 결과를 기초로 검사 결과에 대응하는 상담 또는 교육 서비스를 제공함으로써 심리 치료 서비스 제공 시스템은 사용자의 금융 관련 능력 또는 경향성을 발달시키거나 심리적인 문제를 완화할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 심리 치료 서비스 제공 시스템을 나타내는 개략도이다.
도 4는 일 실시예에 따른 심리 치료 서비스 제공 방법의 동작을 도시한 흐름도이다.
도 5는 일 실시예에 따른 심리 치료 서비스 제공 방법의 예시를 도시한 흐름도이다.
도 6은 일 실시예에 따른 심리 상태 분석 모델의 구조를 도시한 도면이다.
도 7은 일 실시예에 따른 클라이언트에 의해 실행되는 프로그램의 화면의 일례를 도시한 도면이다.
도 8은 일 실시예에 따른 능력 유형 검사의 개념도이다.
도 9는 일 실시예에 따른 능력 유형 검사 및 금융 심리 유형 검사의 결과 화면의 예시를 도시한 도면이다.
도 10은 일 실시예에 따른 클라이언트의 구성을 도시한 도면이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
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) 중 적어도 하나와 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. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 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, 인공지능 모델이 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.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 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. 전술한 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 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 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.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 심리 치료 서비스 제공 시스템을 나타내는 개략도이다.
일 실시예에 따른 심리 치료 서비스 제공 시스템은 금융 심리 검사와 전문적인 상담 서비스를 제공할 수 있다.
사용자는 금융 문제 때문에 심리적인 어려움을 겪을 수 있다. 심리 치료 서비스 제공 시스템은 사용자의 금융과 관련된 능력 또는 경향성을 검사할 수 있다. 심리 치료 서비스 제공 시스템은 검사 결과를 기초로 상담 서비스를 제공할 수 있다. 상담 서비스는 복수의 상담사 중의 어느 하나의 상담사를 통해 제공되거나 복수의 프로그램 중의 하나 이상의 프로그램을 통해 제공되거나 상담사 및 프로그램의 조합을 통해 제공될 수도 있다. 사용자의 정확한 검사 결과를 기초로 검사 결과에 대응하는 상담 또는 교육 서비스를 제공함으로써 심리 치료 서비스 제공 시스템은 사용자의 금융 관련 능력 또는 경향성을 발달시키거나 심리적인 문제를 완화할 수 있다.
일 실시예에 따르면, 심리 치료 서비스 제공 시스템(300)은 클라이언트(340, 350)(예: 도 1의 전자 장치(101), 전자 장치(120)), 네트워크(320)(예: 도 1의 제2 네트워크(199)), 서버(310)(예: 도 1의 서버(180)), 데이터베이스(311) 및 외부 서버(330)(예: 도 1의 서버(180))를 포함할 수 있다. 여기서, 클라이언트(340)는 심리 치료 서비스 제공 시스템(300)의 사용자의 단말기를 나타내고, 클라이언트(350)는 상담사의 단말기를 나타낼 수 있다.
심리 치료 서비스 제공 시스템(300)은 서버(310) 및 클라이언트(340)를 포함할 수 있다. 클라이언트(340)는 로우 데이터를 수집하고, 로우 데이터를 서버(310)로 송신할 수 있다.
서버(310)는 금융 기록을 저장하는 데이터베이스로부터 금융 기록을 수집하고, 로우 데이터 및 금융 기록이 통합 실행 조건을 만족하는지 여부를 판단할 수 있다. 통합 실행 조건을 만족하는 경우, 서버(310)는 클라이언트(340)로 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사의 실행을 요청하는 신호를 송신할 수 있다.
클라이언트(340)는 요청하는 신호에 반응하여 클라이언트(340)에 설치된 프로그램(예: 도 1의 프로그램(140) 또는 도 2의 프로그램(140))을 통하여 능력 유형 검사 및 금융 심리 유형 검사를 제공할 수 있다. 클라이언트(340)는 능력 유형 검사 및 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 수신할 수 있다. 클라이언트(340)는 선택지 조합 입력을 서버(310)로 송신할 수 있다.
서버(310)는 선택지 조합 입력을 유형 검사 모델에 입력하고, 선택지 조합 입력을 기초로 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득하고, 코드 결정 레이어에 유형 획득 벡터를 입력하여 유형 코드를 출력하고, 유형 코드를 기초로 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다.
클라이언트(340)는 통합 실행 조건을 만족하는지 여부를 판단할 수 있다. 일 실시예에 따르면, 사용자 입력에 의한 입력 신호가 수신된 경우 통합 실행 조건이 만족되는 것으로 판단하는 동작을 포함할 수 있다. 사용자는 사용자 입력을 기초로 심리 치료 서비스 제공 시스템(300)을 동작시킬 수 있다. 사용자는 클라이언트(340)의 입력부를 통해 입력 신호를 생성함으로써 심리 치료 서비스 제공 시스템(300)을 동작 시킬 수 있다. 예를 들어, 심리 치료 서비스 제공 시스템(300)의 클라이언트(340)는 입력 신호에 반응하여 클라이언트(340)에 설치된 프로그램을 실행시킬 수 있다.
다른 실시예에 따르면, 심리 치료 서비스 제공 시스템(300)은 자동으로 클라이언트(340)에 설치된 프로그램을 실행시킬 수도 있다. 심리 치료 서비스 제공 시스템(300)은 사용자의 심리 상태 또는 금융 상태를 실시간으로 분석하고 분석 결과를 기초로 프로그램을 실행시킬 수 있다. 심리 치료 서비스 제공 시스템(300)은 분석 결과가 통합 실행 조건을 만족하는지 판단하고, 만족하는 경우 프로그램을 실행시킬 수 있다.
클라이언트(340)는 사용자 관련 데이터를 실시간으로 수집하고 사용자의 심리 상태 및 금융 상태를 분석하고 분석 결과를 기초로 사용자의 금융 상태의 문제로 인해 심리 상태에 이상이 발생했는지 여부를 판단할 수 있다. 여기서, 통합 실행 조건은 심리 상태 및 금융 상태가 각각에 대응하는 기준을 만족하는 것을 의미할 수 있다.
심리 치료 서비스 제공 시스템(300)은 클라이언트(340) 또는 서버(310)로부터 수집되는 사용자 관련 데이터를 기초로 사용자의 심리 상태 및 금융 상태를 분석할 수 있다. 사용자의 심리 상태를 직간접적으로 나타내는 사용자 관련 데이터는 로우 데이터(raw data)로 지칭될 수 있다. 클라이언트(340)는 제1 시각 이전의 제1 시간 구간 동안 사용자에 의해 생성된 텍스트, 컨텐츠 로그, 음성 신호, 표정 이미지 또는 의료 기록을 포함하는 로우(raw) 데이터를 수집할 수 있다.
클라이언트(340)는 수집된 로우 데이터를 기초로 심리 상태 분석 모델을 이용하여 사용자의 제1 시각의 순간 심리 상태 분석 벡터를 획득할 수 있다. 심리 치료 서비스 제공 시스템(300)은 사용자 관련 데이터를 분석하고 정규화하여 심리 상태 분석 벡터를 출력할 수 있다. 심리 상태 분석 벡터는 사용자의 심리 상태를 직간접적으로 나타내는 사용자 관련 데이터를 분석함으로써 획득되는 벡터 형식의 데이터일 수 있다. 심리 상태 분석 벡터는 심리 상태 분석 모델을 통해 획득될 수 있다.
심리 상태 분석 모델은 입력 레이어, 특징 추출부, 분류부, 통계 적응부, 누적부 및 정규화부를 포함할 수 있다. 클라이언트(340)는 로우 데이터를 입력 레이어에 입력하여 입력 벡터를 출력할 수 있다. 로우 데이터는 제1 종류의 복수의 로우 데이터 및 제2 종류의 복수의 로우 데이터를 포함할 수 있다. 클라이언트(340)는 입력 벡터를 특징 추출부에 입력하여 특징 벡터를 출력할 수 있다. 클라이언트(340)는 제1 종류의 복수의 로우 데이터를 분류부에 입력하여 제1 종류의 복수의 순간 심리 상태 분석 벡터를 출력할 수 있다. 클라이언트(340)는 제2 종류의 복수의 로우 데이터를 분류부에 입력하여 제2 종류의 복수의 순간 심리 상태 분석 벡터를 출력할 수 있다. 클라이언트(340)는 특징 벡터를 분류부에 입력하여 순간 심리 상태 분석 벡터를 출력할 수 있다.
클라이언트(340)는 제1 시각의 순간 심리 상태 분석 벡터가 제1 실행 조건을 만족하는지 여부를 판단할 수 있다. 예를 들어, 제1 실행 조건은 특정한 유형의 상태 벡터와 순간 심리 상태 분석 벡터의 거리가 임계값 미만인 것을 의미할 수 있다. 특정한 유형은, 예를 들어, 우울감을 의미하고, 특정한 유형의 상태 벡터는 우울감이 있는 경우에 측정된 순간 심리 상태 분석 벡터를 기초로 미리 학습된 벡터일 수 있다.
다른 예로, 심리 치료 서비스 제공 시스템(300)은 각각의 순간 심리 상태 분석 벡터를 점수화하고 점수를 미리 설정된 임계값과 비교할 수 있다. 예를 들어, 심리 치료 서비스 제공 시스템(300)은 다양한 종류의 로우 데이터로부터 획득된 순간 심리 상태 분석 벡터 중에서 2 이상의 순간 심리 상태 분석 벡터의 점수가 임계값 보다 클 경우 제1 실행 조건을 만족하는 것으로 판단할 수 있다. 다만, 이는 예시에 불과하며 제1 실행 조건은 하나 이상의 순간 심리 상태 분석 벡터와 관련된 다양한 조합에 대한 조건으로 설정될 수 있다.
예를 들어, 로우 데이터는 텍스트 데이터일 수 있다. 클라이언트(340)는 사용자에 의해 입력되는 소셜 네트워크 서비스(social network service, SNS)의 텍스트 데이터를 수집할 수 있다. 클라이언트(340)는 수집된 텍스트 데이터를 심리 상태 분석 모델에 입력할 수 있다. 심리 상태 분석 모델은 입력된 로우 데이터를 분석하여 벡터 형식의 입력 벡터를 출력할 수 있다. 심리 상태 분석 모델은 입력 벡터를 분석하여 특징 벡터를 출력할 수 있다. 심리 상태 분석 모델은 특징 벡터를 정규화하고 어떤 기준 벡터에 대응되는지 분류하여 순간 심리 상태 분석 벡터를 출력할 수 있다.
여기서, 입력 벡터는 로우 데이터에 포함되어 있는 사용자의 심리 상태가 반영된 특징을 유지하면서도 벡터 형식으로 변환된 데이터를 의미할 수 있다. 특징 벡터는 입력 벡터로부터 사용자의 심리 상태의 특징을 입력 벡터 보다 잘 반영하는 데이터를 의미할 수 있다. 순간 심리 상태 분석 벡터는 복수의 기준 벡터 중에서 특징 벡터와 가장 가까운 기준 벡터를 의미할 수 있다.
예를 들어, 로우 데이터는 컨텐츠 로그(log)일 수 있다. 클라이언트(340)는 사용자에 의해 검색되거나 시청된 기록을 의미하는 컨텐츠 로그 데이터를 수집할 수 있다. 클라이언트(340)는 수집된 컨텐츠 로그를 심리 상태 분석 모델에 입력할 수 있다. 심리 상태 분석 모델은 입력된 로우 데이터를 분석하여 순간 심리 상태 분석 벡터를 출력할 수 있다.
예를 들어, 로우 데이터는 음성 신호일 수 있다. 클라이언트(340)는 사용자의 음성을 녹음한 음성 신호를 수집할 수 있다. 클라이언트(340)는 수집된 음성 신호를 심리 상태 분석 모델에 입력할 수 있다. 심리 상태 분석 모델은 입력된 로우 데이터를 분석하여 순간 심리 상태 분석 벡터를 출력할 수 있다.
예를 들어, 로우 데이터는 표정 이미지일 수 있다. 클라이언트(340)는 사용자의 얼굴을 촬영한 표정 이미지를 수집할 수 있다. 클라이언트(340)는 수집된 표정 이미지를 심리 상태 분석 모델에 입력할 수 있다. 심리 상태 분석 모델은 입력된 로우 데이터를 분석하여 순간 심리 상태 분석 벡터를 출력할 수 있다.
예를 들어, 로우 데이터는 의료 기록일 수 있다. 클라이언트(340) 또는 서버(310)는 네트워크를 통해 의료 기록이 저장된 의료 기관, 금융 기관 또는 정부 기관의 서버(330) 또는 데이터 베이스로부터 사용자의 의료 기록을 수집할 수 있다. 클라이언트(340)는 수집된 의료 기록을 심리 상태 분석 모델에 입력할 수 있다. 심리 상태 분석 모델은 입력된 로우 데이터를 분석하여 순간 심리 상태 분석 벡터를 출력할 수 있다.
심리 치료 서비스 제공 시스템(300)은 사용자의 금융 기록을 저장하는 금융 기관의 서버(330) 또는 데이터베이스에 접속하여 사용자의 금융 데이터를 수집할 수 있다. 심리 치료 서비스 제공 시스템(300)은 금융 데이터를 분석하여 금융 상태 분석 결과를 출력할 수 있다. 심리 치료 서비스 제공 시스템(300)은 금융 상태 분석 결과가 미리 설정된 제2 실행 조건을 만족하는지 여부를 판단할 수 있다.
클라이언트(340)는 사용자의 금융 기록을 기초로 금융 상태 분석 모델을 이용하여 금융 상태 분석 결과를 출력할 수 있다. 클라이언트(340)는 금융 상태 분석 결과가 제2 실행 조건을 만족하는지 여부를 판단할 수 있다. 여기서, 제2 실행 조건은 금융 상태 분석 결과가 경제적으로 문제가 있는지를 판단하는 기준을 의미할 수 있다.
통합 실행 조건은 제1 실행 조건 및 제2 실행 조건이 동시에 만족하는 것을 의미할 수 있다. 심리 치료 서비스 제공 시스템(300)은 제1 실행 조건 및 제2 실행 조건이 동시에 만족하는 경우 통합 실행 조건이 만족하는 것으로 판단할 수 있다. 통합 실행 조건이 만족하는 경우, 심리 치료 서비스 제공 시스템(300)은 프로그램을 실행시킬 수 있다.
통합 실행 조건을 만족하는 경우, 심리 치료 서비스 제공 시스템(300)은 사용자에게 금융과 관련된 검사 서비스를 제공할 수 있다. 금융과 관련된 검사는 능력 유형 검사와 금융 심리 유형 검사를 포함할 수 있다. 능력 유형 검사는 금융과 관련된 사용자의 다양한 능력에 대한 검사를 의미할 수 있다. 금융 심리 유형 검사는 금융과 관련된 사용자의 다양한 경향성에 대한 검사를 의미할 수 있다.
일 실시예에 따르면, 클라이언트(340)는 선택지 조합을 분석하여 다양한 유형 중의 하나로 사용자의 금융 심리 유형을 결정할 수 있다.
사용자는 클라이언트(340)를 통해 각 설문지에 대한 복수의 선택지 중의 하나 이상의 선택지를 선택할 수 있다. 심리 치료 서비스 제공 시스템(300)은 선택지 조합을 분석하여 다양한 유형 중의 하나를 결정할 수 있다. 심리 치료 서비스 제공 시스템(300)은 다양한 유형 각각에 얼마나 가까운지를 점수화하여 각 유형별 점수를 산출할 수도 있다. 이 경우, 사용자의 유형은 하나로 결정되는 것이 아니라 각 유형에 대한 점수의 조합 또는 벡터 형태로 표현될 수 있다.
다른 실시예에 따르면, 심리 치료 서비스 제공 시스템(300)은 유형 검사 모델을 이용하여 능력 유형 검사 및 금융 심리 유형 검사를 수행할 수 있다. 심리 치료 서비스 제공 시스템(300)은 사용자의 선택지 조합 입력을 유형 검사 모델에 입력할 수 있다. 심리 치료 서비스 제공 시스템(300)은 유형 검사 모델로부터 유형 벡터를 획득할 수 있다. 심리 치료 서비스 제공 시스템(300)은 유형 벡터를 코드 결정 레이어에 입력하여 유형 코드를 출력할 수 있다.
클라이언트(340)는 사용자의 선택지 조합 입력을 유형 검사 모델에 입력할 수 있다. 클라이언트(340)는 선택지 조합 입력을 기초로 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득할 수 있다. 여기서, 유형 획득 벡터는 유형 검사 모델에 의해 출력되는 사용자의 능력 유형 또는 금융 심리 유형을 나타내는 벡터를 의미할 수 있다.
클라이언트(340)는 코드 결정 레이어에 유형 획득 벡터를 입력하여 유형 코드를 출력할 수 있다. 클라이언트(340)는 유형 코드를 기초로 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다.
심리 치료 서비스 제공 시스템(300)은 결정된 능력 유형 및 금융 심리 유형에 따라 다양한 서비스를 제공할 수 있다. 심리 치료 서비스 제공 시스템(300)은 사용자의 능력 유형 및 금융 심리 유형에 적합한 상담사를 매칭시킬 수 있다. 심리 치료 서비스 제공 시스템(300)은 사용자의 능력 유형 및 금융 심리 유형에 적합한 프로그램을 매칭시킬 수 있다. 상담사 또는 프로그램은 사용자의 검사 결과에서 부족한 부분을 개선하는 방안을 제공할 수 있다. 상담사 또는 프로그램은 학습, 코칭 또는 훈련과 같은 방식으로 사용자의 유형을 개선시킬 수 있다. 예를 들어, 상담사는 클라이언트(350)를 통해 사용자의 클라이언트(340)으로 상담 내용을 전송할 수 있다. 상담사 또는 프로그램은 사용자의 심리 상태를 개선하거나 정신적인 문제를 치료하는 서비스를 제공할 수 있다.
일 실시예에 따르면, 클라이언트(340)는 사용자 입력에 의한 입력 신호에 대응하는 상담사 또는 프로그램을 사용자의 사용자 계정에 매칭할 수 있다. 예를 들어, 클라이언트(340)는 복수의 상담사 또는 프로그램을 디스플레이를 통해 출력할 수 있다. 사용자의 선택에 의하여 특정한 상담사 또는 프로그램의 선택 신호가 클라이언트(340)에 입력될 수 있다. 클라이언트(340)는 선택 신호에 기초하여 대응하는 상담사 또는 프로그램을 사용자의 사용자 계정에 매칭시킬 수 있다.
다른 실시예에 따르면, 클라이언트(340)는 능력 유형 및 금융 심리 유형을 기초로 매칭 모델을 이용하여 상담사 또는 프로그램을 사용자의 사용자 계정에 매칭할 수 있다.
매칭 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 능력 유형, 금융 심리 유형, 상담사 및 프로그램에 관한 복수의 학습 데이터는 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력할 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 매칭 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.
[수학식]
Figure pat00002
손실 함수는 수학식을 따를 수 있다. 수학식에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.
일 실시예에 따르면, 클라이언트(340)는 제2 시각 이전의 제2 시간 구간 동안 사용자에 의해 생성된 텍스트, 컨텐츠 로그, 음성 신호, 표정 이미지 또는 의료 기록을 포함하는 로우(raw) 데이터를 수집할 수 있다. 여기서, 제1 시각은 상담사 또는 프로그램 매칭 이전의 시각을 의미할 수 있다. 제2 시각은 상담사 또는 프로그램 매칭 이후의 시각을 의미할 수 있다.
클라이언트(340)는 수집된 로우 데이터를 기초로 심리 상태 분석 모델을 이용하여 사용자의 제2 시각의 순간 심리 상태 분석 벡터를 획득할 수 있다. 클라이언트(340)는 제1 시각의 순간 심리 상태 분석 벡터 및 제2 시각의 순간 심리 상태 분석 벡터를 비교할 수 있다. 클라이언트(340)는 비교 결과를 기초로 사용자의 사용자 계정에 매칭된 상담사 또는 프로그램의 개선 점수를 계산할 수 있다. 클라이언트(340)는 개선 점수가 제1 임계값 이상인 경우, 제1 순간 심리 상태 분석 벡터, 제1 시각의 유형 획득 벡터, 매칭된 상담사 또는 프로그램을 하나의 학습 데이터로서 데이터베이스에 저장할 수 있다.
일 실시예에 따르면, 심리 치료 서비스 제공 시스템(300)은 유형 검사 모델을 학습 데이터를 통해 학습시킬 수 있다. 심리 치료 서비스 제공 시스템(300)은 제1 학습 및 제2 학습을 통하여 유형 검사 모델을 학습시킬 수 있다. 여기서, 제1 학습은 제2 시각의 사례 데이터를 이용한 학습을 의미한다. 제2 학습은 제1 시각의 상이한 종류의 심리 분석 결과를 이용한 학습을 의미한다. 제2 학습은 제2 학습은 추정값과 획득값의 비교 결과를 통해 수행될 수 있다. 유형 검사 모델은 각각의 능력 유형 및 각각의 금융 심리 유형에 대응하는 기준 벡터를 포함하는 분류 레이어를 포함할 수 있다.
제1 학습을 위하여, 심리 치료 서비스 제공 시스템(300)은 상담사 또는 프로그램의 매칭에 따른 결과를 추적할 수 있다. 심리 치료 서비스 제공 시스템(300)은 주기적으로 사용자에 대하여 유형 검사를 실시하여 상담사 또는 프로그램의 매칭 이후의 결과를 수집할 수 있다. 심리 치료 서비스 제공 시스템(300)은 매칭 이후의 유형 개선 여부를 판단할 수 있다.
심리 치료 서비스 제공 시스템(300)은 심리 상태 분석 모델을 통하여 매칭 이후의 사용자의 순간 심리 상태 분석 벡터를 주기적으로 수집할 수 있다. 심리 치료 서비스 제공 시스템(300)은 순간 심리 상태 분석 벡터를 기초로 매칭 이후의 사용자의 심리 상태가 개선되었는지 여부를 판단할 수 있다.
일 실시예에 따르면, 심리 치료 서비스 제공 시스템(300)은 제1 학습을 통하여 유형 검사 모델을 학습시킬 수 있다. 심리 치료 서비스 제공 시스템(300)은 우수한 사례를 축적하여 학습 데이터로서 사용할 수 있다. 예를 들어, 심리 치료 서비스 제공 시스템(300)은 매칭 이후에도 주기적으로 또는 실시간으로 클라이언트(340)를 통해 사용자에게 유형 검사 서비스 또는 심리 상태 분석 서비스를 제공할 수 있다. 매칭 이전에 비해 매칭 이후에 유형이 개선되거나 심리 상태가 개선된 경우, 유형 검사 모델에 의해 출력된 유형 벡터는 정확하게 분류된 것으로 이해될 수 있다.
심리 치료 서비스 제공 시스템(300)은 유형 벡터의 개선 또는 순간 심리 상태 분석 벡터의 개선의 유무 및 정도에 따라, 설문지의 종류, 설문지에 대응하는 웨이트, 유형 검사 모델의 내부 파라미터, 기준 벡터를 하나의 학습쌍으로서 데이터베이스에 저장할 수 있다.
심리 치료 서비스 제공 시스템(300)은 학습 데이터를 기초로 유형 검사 모델의 선택지 조합 입력의 각각의 엘러먼트에 대한 입력 웨이트를 조정할 수 있다. 예를 들어, 심리 치료 서비스 제공 시스템(300)은 선택지 조합 입력의 각각의 엘러먼트에 대응하는 설문지에 대한 가중치를 조정할 수 있다. 이를 통해, 심리 치료 서비스 제공 시스템(300)은 사용자의 유형을 보다 정확하게 검사할 수 있는 선택지에 보다 높은 가중치를 부여함으로써 유형 검사 모델의 정확도를 높이는 방향으로 유형 검사 모델을 학습시킬 수 있다.
심리 치료 서비스 제공 시스템(300)은 유형 검사 모델의 내부 파라미터를 조정할 수 있다. 내부 파라미터는 유형 검사 모델을 구성하는 하나 이상의 레이어의 내부 웨이트, 내부 웨이트의 표현 비트수 및 각각의 레이어의 출력 벡터의 표현 비트수를 포함할 수 있다. 여기서, 내부 웨이트는 현재 레이어에 포함된 각 뉴런으로부터 다른 레이어의 복수의 뉴런 각각에 대응하는 경로 상에 적용되는 가중치를 의미할 수 있다. 표현 비트수는 값을 표현하는 해상도를 의미하며, 예를 들어, 내부 웨이트는 8비트의 표현 비트수로 표현되고, 출력 벡터의 각각의 엘러먼트는 6비트의 표현 비트수로 표현될 수 있다. 심리 치료 서비스 제공 시스템(300)은 내부 웨이트의 표현 비트수 또는 출력 벡터의 표현 비트수를 줄임으로써 임계값 이상의 정확도를 유지하면서도 메모리와 내부 연산량을 감소시킬 수 있다.
심리 치료 서비스 제공 시스템(300)은 기준 벡터를 조정할 수 있다. 여기서, 기준 벡터는 각각의 능력 유형 또는 금융 심리 유형을 나타내는 벡터로서 다량의 학습 데이터를 통하여 미리 학습된 것일 수 있다. 예를 들어, 갱신 전의 초기의 기준 벡터는 동일한 유형을 나타내는 복수의 학습 데이터의 평균 벡터로 설정될 수 있다. 이후, 동일한 유형을 나타내는 복수의 학습 데이터 사이의 손실값은 작아지면서도 다른 유형을 나타내는 복수의 학습 데이터 사이의 손실값은 커지는 방향으로 평균 벡터를 갱신함으로써 기준 벡터는 학습될 수 있다.
다른 실시예에 따르면, 심리 치료 서비스 제공 시스템(300)은 제2 학습을 통하여 유형 검사 모델을 학습시킬 수 있다. 심리 치료 서비스 제공 시스템(300)은 유형 검사가 수행된 제1 시각을 포함하는 매칭 이전의 일정한 시간 구간 동안 수집된 순간 심리 분석 벡터를 누적한 결과를 통해 유형 검사 모델을 학습 시킬 수 있다. 순간 심리 분석 벡터는 다양한 종류의 로우 데이터를 통해 출력된 심리 분석 결과로서 일정한 시간 구간 동안 누적될 경우 사용자의 평균적인 심리 상태를 나타내는 누적 심리 상태 분석 벡터로 변환될 수 있다. 누적 심리 상태 분석 벡터는 일정한 시간 동안의 통계적인 심리 분석 결과로서 사용자에 대한 일종의 유형을 반영한다고 해석될 수 있다.
심리 상태 분석 모델은 입력 레이어, 특징 추출부, 분류부, 통계 적응부, 누적부 및 정규화부를 포함할 수 있다. 클라이언트(340)는 제1 시각의 순간 심리 상태 분석 벡터 및 제4 시각의 순간 심리 상태 분석 벡터를 누적부에 입력하여 임시 누적 벡터를 출력할 수 있다. 여기서, 제4 시각은 매칭 이전의 제1 시각을 포함하는 제1 시간 구간 내의 시각을 의미할 수 있다. 제3 시각은 제1 시간 구간에 앞선 시각을 의미할 수 있다. 클라이언트(340)는 제1 시각의 순간 심리 상태 분석 벡터 및 제4 시각의 순간 심리 상태 분석 벡터에 대하여 통계적인 처리를 적용함으로써 임시 누적 벡터를 출력할 수 있다. 예를 들어, 클라이언트(340)는 제1 시각의 순간 심리 상태 분석 벡터 및 제4 시각의 순간 심리 상태 분석 벡터를 평균하여 임시 누적 벡터를 출력할 수 있다. 다른 예로, 클라이언트(340)는 복수의 순간 심리 상태 분석 벡터의 평균 및 표준편차를 계산하고, 해당 평균 및 표준편차에 대응하는 가우시안 확률 분포를 결정할 수 있다. 클라이언트(340)는 가우시안 확률 분포의 중간값으로부터 멀어지는 방향으로 상위 10% 및 하위 10%의 순간 심리 상태 분석 벡터를 제외한 나머지에 대하여 평균을 수행함으로써 임시 누적 벡터를 출력할 수 있다. 다만, 이러한 처리는 예시적인 것으로 다양한 통계적 처리 및 확률 분포가 적용될 수 있다.
클라이언트(340)는 임시 누적 벡터를 정규화부에 입력하여 제1 시간 구간의 누적 심리 상태 분석 벡터를 출력할 수 있다. 상이한 종류의 로우 데이터로부터 출력되는 임시 누적 벡터 자체로는 유형 벡터와 상호 호환되지 않을 수 있다. 클라이언트(340)는 정규화부를 통하여 임시 누적 벡터를 유형 벡터를 기초로 정규화함으로써 유형 벡터와 호환될 수 있는 누적 심리 상태 분석 벡터를 출력할 수 있다.
클라이언트(340)는 제3 시각의 유형 획득 벡터 및 제1 시간 구간의 누적 심리 상태 분석 벡터를 기초로 제1 시각의 유형 추정 벡터를 추정할 수 있다. 클라이언트(340)는 오차 조정 모델을 이용하여 제3 시각의 유형 획득 벡터 및 제1 시간 구간의 누적 심리 상태 분석 벡터를 기초로 제1 시각의 유형 추정 벡터를 추정할 수 있다.
클라이언트(340)는 제1 시각의 유형 추정 벡터 및 제1 시각의 유형 획득 벡터를 비교할 수 있다. 클라이언트(340)는 손실 함수를 이용하여 제1 시각의 유형 추정 벡터 및 유형 획득 벡터 간의 손실값을 출력할 수 있다. 클라이언트(340)는 손실값이 작아지는 방향으로 유형 검사 모델을 학습시킬 수 있다.
클라이언트(340)는 오차 조정 모델을 이용하여 제3 시각의 유형 획득 벡터 및 제1 시간 구간의 누적 심리 상태 분석 벡터를 기초로 제1 시각의 유형 추정 벡터를 추정할 수 있다. 오차 조정 모델은 재귀적으로 동작하는 검사 조정 모델의 유형 벡터 추정 알고리즘으로 이전의 검사 조정 모델의 유형 벡터가 시간이 지남에 따라 전파되는 동종 업데이트와 상이한 종류의 측정치가 들어오면 이를 융합하는 이종 업데이트 과정을 거친다. 오차 조정 모델은 일반적인 선형 오차 조정 모델과 확장 오차 조정 모델 같은 비선형 방정식을 사용하는 비선형 알고리즘을 모두 포함한다.
오차 조정 모델과 관련하여, 특정 시점의 검사 조정 모델의 유형 벡터가 이전 시점의 검사 조정 모델의 유형 벡터와 선형적인 관계를 가지는 선형 시스템(300)은 행렬 연산이 가능하다. 오차는 축적된 데이터에 따라 확률 분포의 형태로 미리 설정될 수도 있고, 미리 정해진 확률 분포를 따를 수도 있다. 후자의 경우, 예를 들어, 가우시안 확률 분포를 따를 수 있다. 다만, 이는 예시에 불과하며 다양한 형태의 확률 분포가 적용될 수 있다.
Figure pat00003
Figure pat00004
오차 조정 모델은 수학식 1과 수학식 2로 표현될 수 있다. 수학식 1와 수학식 2에서, A는 이전의 검사 조정 모델의 유형 벡터에 기반한 검사 조정 모델의 유형 벡터 전이 행렬이고, Hn는 검사 조정 모델의 유형 벡터와 n번째 심리 상태 분석 벡터 간의 관계를 나타내는 행렬이며, w는 검사 조정 모델의 자체 오차이고, vn는 검사 조정 모델과 n번째 심리 상태 분석 벡터 간의 오차이다. k는 k번째 시간 인덱스를 나타내고, k-1은 k-1번째 시간 인덱스를 나타낸다. 예를 들어, k는 제1 시각 또는 제1 시간 구간을 의미하고, k-1은 제3 시각을 의미할 수 있다. 검사 조정 모델의 초기 유형 벡터와 각각의 오차는 상호 독립적이라고 가정된다. zn는 n번째 심리 상태 분석 벡터를 나타낸다. B는 입력 행렬, u는 입력 변수를 나타낸다. 예를 들어, Buk는 제1 시각의 유형 검사에 대응하여 매칭되는 상담사 또는 프로그램으로 인해 개선되는 정도를 나타내는 입력 벡터를 의미할 수 있다.
Figure pat00005
Figure pat00006
Figure pat00007
Figure pat00008
Figure pat00009
수학식 3과 수학식 4는 이전의 검사 조정 모델의 유형 벡터를 근거로 현재의 검사 조정 모델의 유형 벡터를 예측하는 동종 업데이트 과정에 해당하고, 수학식 5, 수학식 6 및 수학식 7은 검사 조정 모델의 유형 벡터를 보정하는 이종 업데이트 과정에 해당된다. 예를 들어, 이전의 유형 벡터는 제3 시각의 유형 벡터일 수 있고, 현재는 제1 시각 또는 제1 시간 구간일 수 있다.
Figure pat00010
는 검사 조정 모델의 유형 벡터를 의미하고,
Figure pat00011
는 오차 공분산 행렬를 의미하고,
Figure pat00012
는 검사 조정 모델 자체의 오차인 수학식 1의
Figure pat00013
의 공분산을 나타내는 행렬이고,
Figure pat00014
은 심리 상태 분석 오차
Figure pat00015
의 공분산을 나타내는 행렬이다. 는 추정된 것을 의미하고, -는 현재 시간의 심리 상태 분석 벡터로 보정되기 전의 사전 추정치를 나타낸다. I는 항등 행렬을 의미한다. K는 수학식 5에 의해 정의되는 행렬이다.
다른 실시예에 따르면, 심리 치료 서비스 제공 시스템(300)은 제2 학습 과정에서 동일한 시간 구간에 수집된 서로 다른 종류의 복수의 로우 데이터의 통계적인 수치가 유사해지도록 분류부의 파라미터를 조정할 수 있다. 로우 데이터는 제1 종류의 복수의 로우 데이터 및 제2 종류의 복수의 로우 데이터를 포함할 수 있다. 클라이언트(340)는 제1 종류의 복수의 로우 데이터를 분류부에 입력하여 제1 종류의 복수의 순간 심리 상태 분석 벡터를 출력할 수 있다. 클라이언트(340)는 제2 종류의 복수의 로우 데이터를 분류부에 입력하여 제2 종류의 복수의 순간 심리 상태 분석 벡터를 출력할 수 있다. 클라이언트(340)는 통계 적응부에 복수의 제1 순간 심리 상태 분석 벡터와 복수의 제2 순간 심리 상태 분석 벡터를 입력할 수 있다. 통계 적응부는 제1 종류의 복수의 순간 심리 상태 분석 벡터의 제1 통계값과 제2 종류의 복수의 순간 심리 상태 분석 벡터의 제2 통계값을 비교할 수 있다. 예를 들어, 제1 통계값은 제1 종류의 복수의 순간 심리 상태 분석 벡터의 분산 및 표준 편차를 포함하고, 제2 통계값은 제2 종류의 복수의 순간 심리 상태 분석 벡터의 분산 및 표준 편차를 포함할 수 있다. 클라이언트(340)는 비교 결과를 기초로 제1 통계값 및 제2 통계값의 차이가 작아지는 방향으로 분류부의 파라미터를 조정할 수 있다. 예를 들어, 클라이언트(340)는 제1 통계값 및 제2 종류의 특징 벡터를 기초로 학습 데이터 증강을 통해 복수의 학습 특징 벡터를 생성하고, 제1 통계값을 가지는 제2 종류의 학습 특징 벡터를 기초로 제2 종류의 로우 데이터에 대응하는 분류부를 학습시킬 수 있다. 이를 통해, 심리 치료 서비스 제공 시스템(300)은 동일한 시간 구간 동안 서로 다른 종류의 로우 데이터로부터 출력되는 순간 심리 상태 분석 벡터가 동일한 심리 상태를 반영하도록 심리 상태 분석 모델을 조정할 수 있다 .
심리 치료 서비스 제공 시스템(300)은 주기적으로 사용자의 유형 검사를 수행할 수 있다. 이를 통해, 심리 치료 서비스 제공 시스템(300)은 매칭된 상담사 또는 프로그램의 영향을 측정하고 사용자의 유형의 변화 및 개선 등과 같은 다양한 정보를 시계열적으로 추적할 수 있다. 심리 치료 서비스 제공 시스템(300)은 궁극적으로 사용자의 유형을 보완하고 개선함으로써 간접적으로 사용자의 재정 상태를 안정화할 수 있다.
다른 실시예에 따르면, 서버(310)는 클라이언트(340)로부터 로우 데이터를 수신할 수 있다. 서버(310)는 금융 기록을 저장하는 데이터베이스로부터 금융 기록을 수집할 수 있다. 서버(310)는 로우 데이터 및 금융 기록이 통합 실행 조건을 만족하는지 여부를 판단할 수 있다. 통합 실행 조건을 만족하는 경우, 서버(310)는 클라이언트(340)로 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사의 실행을 요청하는 신호를 송신할 수 있다. 서버(310)는 능력 유형 검사 및 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 수신할 수 있다. 서버(310)는 선택지 조합 입력을 유형 검사 모델에 입력할 수 있다. 서버(310)는 선택지 조합 입력을 기초로 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득할 수 있다. 서버(310)는 코드 결정 레이어에 유형 획득 벡터를 입력하여 유형 코드를 출력할 수 있다. 서버(310)는 유형 코드를 기초로 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다.
도 4는 일 실시예에 따른 심리 치료 서비스 제공 방법의 동작을 도시한 흐름도이다.
일 실시예에 따르면, 동작(S401)에서, 클라이언트(340)는 통합 실행 조건을 만족하는지 여부를 판단할 수 있다.
일 실시예에 따르면, 동작(S402)에서, 클라이언트(340)는, 통합 실행 조건을 만족하는 경우, 입력부를 통해, 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 유형 검사 모델에 입력할 수 있다.
일 실시예에 따르면, 동작(S403)에서, 클라이언트(340)는, 프로세서에 의해, 선택지 조합 입력을 기초로 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득할 수 있다.
일 실시예에 따르면, 동작(S404)에서, 클라이언트(340)는, 프로세서에 의해, 코드 결정 레이어에 유형 획득 벡터를 입력하여 유형 코드를 출력할 수 있다.
일 실시예에 따르면, 동작(S405)에서, 클라이언트(340)는, 프로세서에 의해, 유형 코드를 기초로 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다.
도 5는 일 실시예에 따른 심리 치료 서비스 제공 방법의 예시를 도시한 흐름도이다.
일 실시예에 따르면, 동작(S501)에서, 클라이언트(340)는 현재 시각의 순간 심리 상태 분석 벡터를 획득할 수 있다.
일 실시예에 따르면, 동작(S502)에서, 클라이언트(340)는 금융 상태 분석 결과를 획득할 수 있다.
일 실시예에 따르면, 동작(S503)에서, 클라이언트(340)는 제1 실행 조건 및 제2 실행 조건을 만족하는지 여부를 판단할 수 있다.
일 실시예에 따르면, 동작(S504)에서, 클라이언트(340)는 유형 검사 모델을 이용하여 현재 시각의 유형 획득 벡터를 획득할 수 있다.
일 실시예에 따르면, 동작(S505)에서, 클라이언트(340)는 유형 획득 벡터로부터 능력 유형 및 금융 심리 유형을 출력할 수 있다.
일 실시예에 따르면, 동작(S506)에서, 클라이언트(340)는 순간 심리 상태 벡터, 금융 상태 분석 결과, 능력 유형 및 금융 심리 유형을 기초로 매칭 모델을 이용하여 상담사 또는 프로그램을 사용자 계정에 매칭할 수 있다.
일 실시예에 따르면, 동작(S507)에서, 클라이언트(340)는 주기적으로 사용자의 심리 상태 분석 및 유형 검사를 수행할 수 있다.
일 실시예에 따르면, 동작(S508)에서, 클라이언트(340)는 매칭 이후에 주기적으로 수행된 심리 상태 분석 및 유형 검사의 결과를 기초로 심리 상태 또는 유형에서 개선의 유무 및 정도를 판단할 수 있다.
일 실시예에 따르면, 동작(S509)에서, 클라이언트(340)는 일정 이상의 효과 사례를 필터링하고 데이터베이스를 구축할 수 있다.
일 실시예에 따르면, 동작(S515)에서, 클라이언트(340)는 일정한 시간 구간 동안의 순간 심리 상태 분석 벡터를 통계적으로 처리하여 누적 심리 상태 분석 벡터를 획득할 수 있다.
일 실시예에 따르면, 동작(S516)에서, 클라이언트(340)는 이전 시각의 유형 획득 벡터 및 누적 심리 상태 분석 벡터를 기초로 현재 시각의 유형 획득 벡터를 추정할 수 있다.
일 실시예에 따르면, 동작(S517)에서, 클라이언트(340)는 현재 시각의 추정된 유형 벡터 및 현재 시각의 획득된 유형 획득 벡터를 비교할 수 있다.
일 실시예에 따르면, 동작(S510)에서, 클라이언트(340)는 유형 검사 모델을 학습시킬 수 있다.
일 실시예에 따르면, 동작(S511)에서, 클라이언트(340)는 사례 데이터를 통해 유형 검사 모델의 제1 학습을 수행할 수 있다.
일 실시예에 따르면, 동작(S512)에서, 클라이언트(340)는 추정값과 획득값의 비교를 통해 유형 검사 모델의 제2 학습을 수행할 수 있다.
일 실시예에 따르면, 동작(S513)에서, 클라이언트(340)는 사례 데이터를 통해 매칭 모델을 학습시킬 수 있다.
일 실시예에 따르면, 동작(S514)에서, 클라이언트(340)는 사례 데이터를 통해 성과가 좋은 상담사 및 프로그램의 수수료를 인상하거나 성과가 낮은 상담사 및 프로그램의 수수료를 인하할 수 있다.
도 6은 일 실시예에 따른 심리 상태 분석 모델의 구조를 도시한 도면이다.
도 6을 참조하면, 심리 상태 분석 모델은 다양한 로우 데이터를 입력받을 수 있다. 예를 들어, 심리 상태 분석 모델은 제1 로우 데이터(610), 제2 로우 데이터(620), 제3 로우 데이터(630), 제4 로우 데이터(640), 제5 로우 데이터(650)을 입력받을 수 있다. 예를 들어, 로우 데이터들은 서로 다른 형식의 사용자 관련 데이터일 수 있다.
심리 상태 분석 모델은 각각의 로우 데이터에 대응하는 분석 모듈(611, 621, 631, 641, 651)을 포함할 수 있다. 각각의 분석 모듈(611, 621, 631, 641, 651)은 입력 레이어, 특징 추출부, 분류부를 포함할 수 있다. 예를 들어, 분석 모듈(611)은 입력 레이어(612), 특징 추출부(614), 분류부(616)를 포함할 수 있다. 분석 모듈(621)은 입력 레이어(622), 특징 추출부(624), 분류부(626)를 포함할 수 있다. 분석 모듈(631)은 입력 레이어(632), 특징 추출부(634), 분류부(636)를 포함할 수 있다. 분석 모듈(641)은 입력 레이어(642), 특징 추출부(644), 분류부(646)를 포함할 수 있다. 분석 모듈(651)은 입력 레이어(652), 특징 추출부(654), 분류부(656)를 포함할 수 있다.
예를 들어, 클라이언트(340)는 제1 로우 데이터(610)를 입력 레이어(612)에 입력하여 입력 벡터(613)를 출력할 수 있다. 여기서, 입력 레이어(612)는 제1 로우 데이터(610)를 벡터로 변환할 수 있다. 입력 레이어(612, 622, 632, 642, 652)는 서로 다른 형식의 로우 데이터들을 벡터로 변환함으로써 추후 정규화 과정을 준비할 수 있다. 다만, 입력 벡터(613, 623, 633, 643, 653)들은 서로 다른 차원을 가질 수 있다.
예를 들어, 클라이언트(340)는 입력 벡터(613)를 특징 추출부(614)에 입력하여 특징 벡터(615)를 출력할 수 있다. 특징 추출부(614)는 제1 로우 데이터(610)로부터 변환된 입력 벡터(613)로부터 보다 정확한 특징을 추출하도록 미리 학습된 것일 수 있다. 특징 벡터(615)는 입력 벡터(613)와 다른 차원을 가지는 벡터일 수 있다.
예를 들어, 클라이언트(340)는 특징 벡터(615)를 분류부(616)에 입력하여 제1 순간 심리 상태 분석 벡터(617)를 출력할 수 있다. 분류부(616)은 서로 다른 차원을 가지는 특징 벡터(615, 625, 635, 645, 655)의 차원을 동일한 차원으로 통일할 수 있다. 이를 통해 각각의 순간 심리 상태 분석 벡터(617, 627, 637, 647, 657)는 상이한 종류의 로우 데이터에 대하여 동일한 차원의 기준 벡터와 비교될 수 있다.
분류부(616)는 서로 다른 통계적인 특성을 가지는 서로 다른 로우 데이터로부터 파생된 특징 벡터의 통계적인 특성이 서로 유사해지도록 특징 벡터를 분류할 수 있다. 이를 통해 일정한 시간 구간 동안 수집된 서로 다른 종류의 로우 데이터가 사용자의 심리 상태를 통일성 있게 반영함으로써 순간 심리 상태 분석 벡터의 신뢰성이 높아질 수 있다.
분류부(616)는 정규화되고 통계적으로 유사하게 분류된 출력 벡터를 기준 벡터와 비교할 수 있다. 각각의 심리 상태를 대표하는 것으로 학습된 복수의 기준 벡터 각각과 출력 벡터가 비교될 수 있다. 예를 들어, 분류부(616)는 출력 벡터와 순간 심리 상태 분석 벡터의 거리를 계산할 수 있다. 순간 심리 상태 분석 벡터와 기준 벡터는 유클리드 거리, 내적, L2-norm 등의 다양한 방식으로 비교될 수 있다. 분류부(616)는 비교 결과를 기초로 가장 유사하다고 판단되는 기준 벡터를 제1 순간 심리 상태 분석 벡터(617)로서 출력할 수 있다. 이렇게 출력된 제1 순간 심리 상태 분석 벡터는 제1 실행 조건을 만족하는지 여부를 위해 사용될 수 있다.
심리 상태 분석 모델은 통계 적응부(661), 누적부(662) 및 정규화부(663)를 더 포함할 수 있다. 예를 들어, 클라이언트(340)는 통계 적응부(661)에 복수의 제1 순간 심리 상태 분석 벡터(617)와 복수의 제2 순간 심리 상태 분석 벡터(627)를 입력할 수 있다. 통계 적응부(661)는 제1 종류의 복수의 순간 심리 상태 분석 벡터의 제1 통계값과 제2 종류의 복수의 순간 심리 상태 분석 벡터의 제2 통계값을 비교할 수 있다. 클라이언트(340)는 비교 결과를 기초로 제1 통계값 및 제2 통계값의 차이가 작아지는 방향으로 분류부의 파라미터를 조정할 수 있다. 이를 통해, 심리 치료 서비스 제공 시스템은 동일한 시간 구간 동안 서로 다른 종류의 로우 데이터로부터 출력되는 순간 심리 상태 분석 벡터가 동일한 심리 상태를 반영하도록 심리 상태 분석 모델을 조정할 수 있다.
예를 들어, 클라이언트(340)는 동일한 시간 구간의 복수의 시각에서의 제1 순간 심리 상태 분석 벡터(617)를 누적부(662)에 입력하여 제1 임시 누적 벡터(618)를 출력할 수 있다. 클라이언트(340)는 상이한 시각의 제1 순간 심리 상태 분석 벡터(617)들에 대하여 통계적인 처리를 적용함으로써 제1 임시 누적 벡터(618)를 출력할 수 있다. 예를 들어, 클라이언트(340)는 제1 순간 심리 상태 분석 벡터(617)들을 평균하여 제1 임시 누적 벡터(618)를 출력할 수 있다. 다른 예로, 클라이언트(340)는 복수의 제1 순간 심리 상태 분석 벡터(617)의 평균 및 표준편차를 계산하고, 해당 평균 및 표준편차에 대응하는 가우시안 확률 분포를 결정할 수 있다. 클라이언트(340)는 가우시안 확률 분포의 중간값으로부터 멀어지는 방향으로 상위 10% 및 하위 10%의 제1 순간 심리 상태 분석 벡터(617)를 제외한 나머지에 대하여 평균을 수행함으로써 제1 임시 누적 벡터(618)를 출력할 수 있다. 다만, 이러한 처리들은 예시적인 것으로 다양한 통계적 처리 및 확률 분포가 적용될 수 있다.
클라이언트(340)는 제1 임시 누적 벡터를 정규화부(663)에 입력하여 제1 시간 구간의 제1 누적 심리 상태 분석 벡터(619)를 출력할 수 있다. 상이한 종류의 로우 데이터로부터 출력되는 제1 임시 누적 벡터(619) 자체로는 유형 벡터와 상호 호환되지 않을 수 있다. 클라이언트(340)는 정규화부(663)를 통하여 제1 임시 누적 벡터(619)를 유형 벡터를 기초로 정규화함으로써 유형 벡터와 호환될 수 있는 제1 누적 심리 상태 분석 벡터(619)를 출력할 수 있다. 이렇게 출력된 제1 누적 심리 상태 분석 벡터(619)는 유형 검사 모델의 제2 학습을 위해 사용될 수 있다.
상기 설명은 다른 순간 심리 상태 분석 벡터(627, 637, 647, 657)에도 동일하게 적용될 수 있다. 순간 심리 상태 분석 벡터(627, 637, 647, 657) 각각은 누적부(662)를 통해 임시 누적 벡터(628, 638, 648, 658)로 변환될 수 있다. 임시 누적 벡터(628, 638, 648, 658)는 정규화부(663)를 통해 누적 심리 상태 분석 벡터(627, 637, 647, 657)로 변환될 수 있다.
도 7은 일 실시예에 따른 클라이언트(340)에 의해 실행되는 프로그램의 화면의 일례를 도시한 도면이다.
도 7을 참조하면, 좌측 화면은 프로그램의 검사 신청 화면을 나타낸다. 화면의 하단에는 '검사', '고민', '상담' 및 'My' 메뉴가 배치될 수 있다. '검사' 메뉴를 선택하면, '허그머니 검사신청'의 타이틀 아래 72개의 검사 항목을 포함하는 유형 검사에 대한 설명이 표시될 수 있다. '검사하기' 버튼은 선택 입력에 반응하여 유형 검사의 시작 요청을 생성할 수 있다.
우측 화면은 '검사하기' 버튼에 대한 선택 입력에 반응하여 전환된 화면을 나타낸다. 개인의 관계 유형에 따라 '개인', '커플/부부', '가족' 및 '단체' 메뉴가 표시될 수 있다. 각각의 메뉴 버튼은 선택 입력에 반응하여 각 유형에 대응하는 유형 검사의 시작 요청을 생성할 수 있다.
도 8은 일 실시예에 따른 능력 유형 검사의 개념도이다.
능력 유형 검사와 금융 심리 유형 검사는 각각 복수의 설문지 형식으로 클라이언트(340)를 통해 표시될 수 있다. 예를 들어, 설문지는 72가지 또는 그 이상일 수 있다. 예를 들어, 능력 유형 검사의 설문지는 24문항이고, 금융 심리 유형 검사의 설문지는 48문항일 수 있다.
예를 들어, 능력 유형은 메이킹(making) 능력, 세이빙(saving) 능력, 인베스팅(investing) 능력, 기빙(giving) 능력으로 분류될 수 있다. 메이킹 능력은 투자 이외의 수단을 통해 자본을 증식하는 능력을 의미한다. 세이빙 능력은 각종 지출을 줄이는 능력을 의미한다. 인베스팅 능력은 투자를 통해 자본을 증식하는 능력을 의미한다. 기빙 능력은 경제적인 이해관계를 떠나 타인에게 이득을 주는 능력으로, 예를 들어, 자선과 같은 행위와 관련될 수 있다. 다만, 상기 유형은 예시에 불과하며 다양한 유형이 분류 결과로서 포함될 수 있다.
일 실시예에 따르면, 미리 정해진 계산 방식에 따라 각 능력 유형에 대한 점수가 계산될 수 있다. 예를 들어, 각 능력 유형에 대해, 전체 설문지의 개수*5로 각각의 설문지의 답의 합을 나눈 값이 해당 유형에 대한 점수로서 계산될 수 있다. 각 능력 유형은 A, B, C, D, F 등급으로 분류될 수 있고, 계산된 점수가 상위 70% 이상인 경우 A, 상위 61%-70%인 경우 B, 상위 57%-61%인 경우 C, 상위 50%-57%인 경우 D, 50% 미만인 경우 F로 분류될 수 있다.
클라이언트(340)는 유형 분류 결과를 특정한 색상을 가지는 원형으로 표시할 수 있으며, A에 가까울수록 녹색으로 원형을 표시하며, F에 가까울수록 적색으로 원형을 표시할 수 있다. 각각의 능력 유형은 미리 설정된 기호, 도형 또는 이미지로 표시될 수 있다. 예를 들어, 메이킹(making) 능력은 +, 세이빙(saving) 능력은 -, 인베스팅(investing) 능력은
Figure pat00016
, 기빙(giving) 능력은
Figure pat00017
로 표시될 수 있다.
각 능력 유형의 다양한 조합은 하나의 유형을 나타내는 코드로 표시될 수 있다. 예를 들어, 각 능력 유형의 점수의 조합에 따라 사용자의 능력 유형은, MSIG, MSI, MSG, SIG, MIG, MG, MS, MI, SI, SG, IG, S, M, I, G, NONE 등으로 표현될 수 있다.
도 9는 일 실시예에 따른 능력 유형 검사 및 금융 심리 유형 검사의 결과 화면의 예시를 도시한 도면이다.
클라이언트(340)는 다양한 유형 각각에 얼마나 가까운지를 점수화하여 각 유형별 점수를 산출할 수도 있다. 이 경우, 사용자의 유형은 하나로 결정되는 것이 아니라 각 유형에 대한 점수의 조합 또는 벡터 형태로 표현될 수 있다.
예를 들어, 금융 심리 유형은 모험가형, 자린고비형, 사냥꾼형, 숭배형, 패자형, 일확천금형, 베짱이형, 유아형으로 분류될 수 있다. 여기서, 모험가형, 자린고비형, 사냥꾼형, 숭배형은 부자 속성에 가까운 유형이고, 패자형, 일확천금형, 베짱이형, 유아형은 가난 속성에 가까운 유형일 수 있다. 다만, 상기 유형은 예시에 불과하며 다양한 유형이 분류 결과로서 포함될 수 있다.
예를 들어, 설문지의 1~6번은 모험가형의 속성을 측정하기 위한 것일 수 있다. 설문지의 7 ~ 12번은 자린고비형의 속성을 측정하기 위한 것일 수 있다. 설문지의 13~18번은 사냥꾼형의 속성을 측정하기 위한 것일 수 있다. 설문지의 19~24번은 숭배형의 속성을 측정하기 위한 것일 수 있다. 설문지의 25~30번은 패자형의 속성을 측정하기 위한 것일 수 있다. 설문지의 31~36번은 일확천금형의 속성을 측정하기 위한 것일 수 있다. 설문지의 37~42번은 베짱이형의 속성을 측정하기 위한 것일 수 있다. 설문지의 34~48번은 유아형의 속성을 측정하기 위한 것일 수 있다.
예를 들어, 8가지 금융 심리 유형에 대해 각각 1 ~ 5의 점수가 스코어링될 수 있다. 각각의 금융 심리 유형의 정규화된 척도는 6개의 문항의 점수의 합을 30으로 나눈 값으로 계산될 수 있다. 각각의 금융 심리 유형의 정규화된 척도는 임계값 0.6과 비교될 수 있고, 0.6을 넘는 금융 심리 유형은 사용자의 속성으로 분석될 수 있다.
도 9를 참조하면, 우측 화면은 금융 심리 유형의 검사 결과를 기초로 표시되는 차트의 일례를 나타낸다. 좌측 화면은 능력 유형 검사 결과를 기초로 표시되는 능력 유형의 코드를 나타내며, 예를 들어, MSIG, MSI, MSG, SIG, MIG, MG, MS, MI, SI, SG, IG, S, M, I, G, NONE 중에서 대응하는 능력 유형 코드가 강조되거나 문장 형태로 표시될 수 있다.
도 10은 일 실시예에 따른 클라이언트의 구성을 도시한 도면이다.
일 실시예에 따르면, 클라이언트(1000)는 하나 이상의 프로세서(1010) 및 입력부(1020)를 포함할 수 있다.
프로세서(1010)는 통합 실행 조건을 만족하는지 여부를 판단할 수 있다.
통합 실행 조건을 만족하는 경우, 입력부(1020)는 복수의 설문지를 포함하는 능력 유형 검사 및 복수의 설문지를 포함하는 금융 심리 유형 검사에 대응하는 사용자의 선택지 조합 입력을 수신할 수 있다.
프로세서(1010)는 선택지 조합 입력을 유형 검사 모델에 입력할 수 있다.
프로세서(1010)는 선택지 조합 입력을 기초로 유형 검사 모델을 이용하여 제1 시각의 유형 획득 벡터를 획득할 수 있다.
프로세서(1010)는 코드 결정 레이어에 유형 획득 벡터를 입력하여 유형 코드를 출력할 수 있다.
프로세서(1010)는 유형 코드를 기초로 사용자의 능력 유형 및 금융 심리 유형을 출력할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (1)

  1. 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치.
KR1020220069065A 2021-09-06 2022-06-07 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 KR20220087410A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
KR1020210118307 2021-09-06
KR20210118307 2021-09-06
KR1020210118764 2021-09-07
KR20210118764 2021-09-07
KR1020210119586A KR102413770B1 (ko) 2021-09-06 2021-09-08 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210119586A Division KR102413770B1 (ko) 2021-09-06 2021-09-08 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20220087410A true KR20220087410A (ko) 2022-06-24

Family

ID=82215890

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220069066A KR20220087411A (ko) 2021-09-06 2022-06-07 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR1020220069065A KR20220087410A (ko) 2021-09-06 2022-06-07 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020220069066A KR20220087411A (ko) 2021-09-06 2022-06-07 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치

Country Status (1)

Country Link
KR (2) KR20220087411A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102482533B1 (ko) * 2022-07-13 2023-01-02 주식회사 제이티체인 블록체인 기반의 가상 자산 관리 장치 및 방법

Also Published As

Publication number Publication date
KR20220087411A (ko) 2022-06-24

Similar Documents

Publication Publication Date Title
KR102413770B1 (ko) 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR102434342B1 (ko) 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
KR102360727B1 (ko) 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치
KR102491357B1 (ko) 뉴럴 네트워크를 이용하여 의료기관의 경영 현황에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102544246B1 (ko) 학습자 맞춤형 수학 교육 시스템
KR20220087410A (ko) 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR102702940B1 (ko) 웹툰의 장르 값에 기반하여 웹툰의 유사도를 결정하는 방법 및 장치
KR102714419B1 (ko) 뉴럴 네트워크를 이용하여 색상 이미지 및 색상 이미지를 선택한 순서에 기반한 심리 상태와 관련된 정보를 제공하는 방법 및 장치
KR102484291B1 (ko) 뉴럴 네트워크를 이용하여 서버가 구직자 리스트를 단말에게 제공하는 방법 및 장치
KR102476292B1 (ko) 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템
KR102384892B1 (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR102468206B1 (ko) 뉴럴 네트워크를 이용한 크리에이팅 보조 방법, 그 방법을 수행하는 서버 및 단말기
KR20230006778A (ko) 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기
KR102554242B1 (ko) 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치
KR102562282B1 (ko) 성향 기반 매칭 방법 및 장치
KR102465106B1 (ko) 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치
KR102651497B1 (ko) 텍스트마이닝 기반의 인력 중개 플랫폼 시스템 및 방법
KR20240006984A (ko) 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치
KR102602241B1 (ko) 블록체인 기반의 인공지능 헬스케어 플랫폼 시스템
KR102528416B1 (ko) 뉴럴 네트워크를 이용하여 광고 대상에 대한 인지도의 차이에 기반하여 마케팅 비용에 대한 정보를 단말에게 전송하는 방법 및 장치
KR102439323B1 (ko) 플랜트 상태 관리 시스템
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102723990B1 (ko) 척추질환과 관련된 자연어 처리 모델을 이용하여 척추질환에 대한 진단 정보를 제공하는 방법 및 장치
KR102696271B1 (ko) 뉴럴 네트워크를 이용하여 모바일 어플리케이션에 대한 예상 개발 기간을 제공하는 방법 및 장치
KR102590839B1 (ko) 뉴럴 네트워크 기반의 컨텍스트 분석을 통한 진로 상담 컨텐츠 제공 시스템

Legal Events

Date Code Title Description
A107 Divisional application of patent