KR20230050727A - 전자 장치 및 전자 장치의 제어 방법 - Google Patents

Abstract

전자 장치 및 전자 장치의 제어 방법이 개시된다. 구체적으로, 본 개시에 따른 전자 장치는 메모리 및 컨텐츠에 대한 적어도 하나의 속성 값을 제1 신경망 모델에 입력하여 컨텐츠에 대한 예측 정보를 획득하는 프로세서를 포함하고, 프로세서는 컨텐츠에 대한 복수의 속성 값이 획득되면, 복수의 속성 값 중 제1 속성 값을 식별하고, 복수의 속성 값 중 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제2 속성 값을 획득하며, 제1 속성 값과 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 복수의 속성 값 중 제1 속성 값을 제외한 하나 이상의 속성 값과 제2 속성 값을 제1 신경망 모델에 입력하여 컨텐츠에 대한 예측 정보를 획득하며, 획득된 예측 정보에 기초하여 제2 신경망 모델을 학습시킨다.

Description

전자 장치 및 전자 장치의 제어 방법{ELECTRONIC DEVICE AND CONTROLLING METHOD OF ELECTRONIC DEVICE}

본 개시는 전자 장치 및 전자 장치의 제어 방법에 관한 것으로서, 구체적으로는 컨텐츠에 대한 예측 정보를 제공할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.

근래에는 휴대용 단말과 무선 통신에 대한 기술의 발달로 말미암아 다양한 유형의 디지털 플랫폼을 통해 방대한 양의 컨텐츠가 사용자에게 제공되고 있다. 그리고, 이에 따라 컨텐츠의 속성을 나타내는 속성 값에 기초하여 컨텐츠에 대한 예측 정보(예: 추천 영화에 대한 정보, 영화에 대한 평점 정보, 광고에 대한 사용자의 클릭율에 대한 정보 등)를 획득하고, 획득된 예측 정보에 기초하여 사용자의 만족도를 제고하기 위한 기술이 발전하고 있다.

그런데, 종래 기술에 따르면, 학습된 신경망 모델을 이용하여 컨텐츠에 대한 예측 정보를 획득하는 경우, 학습 데이터에 포함된 컨텐츠의 속성 값은 그에 대응되는 임베딩 벡터로 변환되어 신경망 모델에 입력될 수 있지만, 학습 데이터에 포함되지 않은 컨텐츠의 속성 값은 일괄적으로 제로 벡터(zero vector) 또는 랜덤 벡터(random vector)로 변환되어 신경망 모델에 입력된다. 이 경우, 신경망 모델은 학습된 가중치와 함께 학습되지 않은 벡터를 이용하여 컨텐츠에 대한 예측 정보를 획득하게 되기 때문에 높은 성능을 발휘하기 어렵다는 문제가 있다.

본 개시는 상술한 바와 같은 종래 기술의 문제점을 극복하기 위한 것으로서, 본 개시의 목적은 신경망 모델의 학습에 이용되지 않은 컨텐츠의 속성 값이 입력되는 경우에도, 그 속성 값을 대체할 수 있는 속성 값을 생성하여 신경망 모델의 성능 저하를 방지할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 메모리 및 컨텐츠에 대한 적어도 하나의 속성 값을 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 프로세서를 포함하고, 상기 프로세서는 상기 컨텐츠에 대한 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 제1 속성 값을 식별하고, 상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 속성 값을 획득하며, 상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 하나 이상의 속성 값과 상기 제2 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하며, 상기 획득된 예측 정보에 기초하여 상기 제2 신경망 모델을 학습시킨다.

여기서, 상기 프로세서는 상기 제1 신경망 모델을 통해 획득된 상기 예측 정보를 상기 복수의 속성 값에 대응되는 레이블 정보와 비교하여 손실 값을 획득하고, 상기 손실 값에 기초하여에 기초하여 상기 제2 신경망 모델을 학습시키며, 상기 제2 신경망 모델이 학습되는 동안 상기 제1 신경망 모델의 학습은 중지될 수 있다.

한편, 상기 프로세서는 상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 상기 제1 임계 값 미만이면, 상기 제1 속성 값을 포함하는 상기 복수의 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득할 수 있다.

한편, 상기 프로세서는 상기 복수의 속성 값 사이의 상관 관계에 대한 정보 및 상기 복수의 속성 값 각각의 분포에 대한 정보 중 적어도 하나에 기초하여, 상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별할 수 있다.

한편, 상기 프로세서는 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 나머지 속성 값들 각각을 상기 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제1 테스트 값들을 획득하고, 상기 제1 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들을 식별하며, 상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들에 대응되는 속성 값들을 상기 관련 속성 값을 식별하기 위한 후보 속성 값들로 식별하고, 상기 식별된 후보 속성 값들에 기초하여 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별할 수 있다.

여기서, 상기 프로세서는 상기 식별된 후보 속성 값들의 조합들 각각을 상기 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 테스트 값들을 획득하고, 상기 제2 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들을 식별하며, 상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들에 대응되는 조합들을 상기 관련 속성 값을 식별하기 위한 후보 조합들로 식별하고, 상기 식별된 후보 조합들 중 상기 식별된 후보 조합들 각각에 대응되는 제2 테스트 값들과 상기 제1 속성 값과의 유사도가 가장 높은 조합에 포함된 속성 값들을 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값으로 식별할 수 있다.

한편, 상기 프로세서는 상기 컨텐츠에 대한 상기 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 상기 제1 속성 값 및 제3 속성 값을 식별하고, 상기 복수의 속성 값 중 상기 제3 속성 값에 관련된 적어도 관련 하나의 속성 값을 상기 제2 신경망 모델에 입력하여 상기 제3 속성 값에 대응되는 제4 속성 값을 획득하며, 상기 제3 속성 값과 상기 제4 속성 값 사이의 유사도가 기 설정된 제4 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값과 상기 제3 속성 값을 제외한 하나 이상의 속성 값, 상기 제2 속성 값 및 상기 제4 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득할 수 있다.

한편, 상기 전자 장치는 입력부 및 출력부를 더 포함하고, 상기 프로세서는 상기 획득된 예측 정보를 제공하도록 상기 출력부를 제어하고, 상기 입력부를 통해 상기 예측 정보에 대한 사용자 피드백을 수신하며, 상기 수신된 사용자 피드백에 기초하여 상기 제2 신경망 모델을 학습시킬 수 있다.

한편, 상기 제1 속성 값은 상기 제1 신경망 모델의 학습을 위한 학습 데이터에 포함되지 않은 속성 값 또는 상기 학습 데이터에 포함된 빈도가 기 설정된 제5 임계 값 미만인 속성 값일 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법은 컨텐츠에 대한 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 제1 속성 값을 식별하는 단계, 상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 속성 값을 획득하는 단계, 상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 하나 이상의 속성 값과 상기 제2 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계 및 상기 획득된 예측 정보에 기초하여 상기 제2 신경망 모델을 학습시키는 단계를 포함한다.

여기서, 상기 제2 신경망 모델을 학습시키는 단계는 상기 제1 신경망 모델을 통해 획득된 상기 예측 정보를 상기 복수의 속성 값에 대응되는 레이블 정보와 비교하여 손실 값을 획득하는 단계 및 상기 손실 값에 기초하여 상기 제2 신경망 모델을 학습시키는 단계를 포함하고, 상기 제2 신경망 모델이 학습되는 동안 상기 제1 신경망 모델의 학습은 중지될 수 있다.

한편, 상기 컨텐츠에 대한 예측 정보를 획득하는 단계는 상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 상기 제1 임계 값 미만이면, 상기 제1 속성 값을 포함하는 상기 복수의 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계를 포함할 수 있다.

한편, 상기 제1 속성 값에 대응되는 제2 속성 값을 획득하는 단계는 상기 복수의 속성 값 사이의 상관 관계에 대한 정보 및 상기 복수의 속성 값 각각의 분포에 대한 정보 중 적어도 하나에 기초하여, 상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별하는 단계를 포함할 수 있다.

한편, 상기 적어도 하나의 관련 속성 값을 식별하는 단계는 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 나머지 속성 값들 각각을 상기 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제1 테스트 값들을 획득하는 단계, 상기 제1 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들을 식별하는 단계, 상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들에 대응되는 속성 값들을 상기 관련 속성 값을 식별하기 위한 후보 속성 값들로 식별하는 단계 및 상기 식별된 후보 속성 값들에 기초하여 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별하는 단계를 포함할 수 있다.

여기서, 상기 적어도 하나의 관련 속성 값을 식별하는 단계는 상기 식별된 후보 속성 값들의 조합들 각각을 상기 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 테스트 값들을 획득하는 단계, 상기 제2 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들을 식별하는 단계, 상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들에 대응되는 조합들을 상기 관련 속성 값을 식별하기 위한 후보 조합들로 식별하는 단계 및 상기 식별된 후보 조합들 중 상기 식별된 후보 조합들 각각에 대응되는 제2 테스트 값들과 상기 제1 속성 값과의 유사도가 가장 높은 조합에 포함된 속성 값들을 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값으로 식별하는 단계를 더 포함할 수 있다.

한편, 상기 전자 장치의 제어 방법은 상기 컨텐츠에 대한 상기 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 상기 제1 속성 값 및 제3 속성 값을 식별하는 단계, 상기 복수의 속성 값 중 상기 제3 속성 값에 관련된 적어도 관련 하나의 속성 값을 상기 제2 신경망 모델에 입력하여 상기 제3 속성 값에 대응되는 제4 속성 값을 획득하는 단계 및 상기 제3 속성 값과 상기 제4 속성 값 사이의 유사도가 기 설정된 제4 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값과 상기 제3 속성 값을 제외한 하나 이상의 속성 값, 상기 제2 속성 값 및 상기 제4 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계를 더 포함할 수 있다.

한편, 상기 전자 장치의 제어 방법은 상기 획득된 예측 정보를 제공하는 단계, 상기 예측 정보에 대한 사용자 피드백을 수신하는 단계 및 상기 수신된 사용자 피드백에 기초하여 상기 제2 신경망 모델을 학습시키는 단계를 더 포함할 수 있다.

한편, 상기 제1 속성 값은 상기 제1 신경망 모델의 학습을 위한 학습 데이터에 포함되지 않은 속성 값 또는 상기 학습 데이터에 포함된 빈도가 기 설정된 제5 임계 값 미만인 속성 값일 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 상기 전자 장치의 제어 방법은 컨텐츠에 대한 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 제1 속성 값을 식별하는 단계, 상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 속성 값을 획득하는 단계, 상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 하나 이상의 속성 값과 상기 제2 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계 및 상기 획득된 예측 정보에 기초하여 상기 제2 신경망 모델을 학습시키는 단계를 포함할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 흐름도이고,
도 2는 본 개시의 일 실시 예에 따른 복수의 속성 값들을 예시적으로 나타내는 도면,
도 3 및 도 4는 본 개시의 일 실시 예에 따라 제1 속성 값에 관련된 관련 속성 값을 획득하는 과정을 상세하게 설명하기 위한 도면,
도 5는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 블록도이고,
도 6은 본 개시에 따른 신경망 모델과 복수의 모듈에 대해 설명하기 위한 도면, 그리고,
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 상세하게 나타내는 블록도이다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.

대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치(100)의 제어 방법을 나타내는 흐름도이고, 도 2는 본 개시의 일 실시 예에 따른 복수의 속성 값들을 예시적으로 나타내는 도면이다.

이하에서는 먼저 본 개시에 관련된 주요 용어에 대해 간략하게 설명한 후 도 1과 도 2를 함께 참조하여 본 개시에 따른 실시 예들에 대해 설명한다.

본 개시에 따른 '전자 장치(100)'는 신경망 모델을 이용하여 컨텐츠에 대한 예측 정보를 제공할 수 있는 장치를 말한다. 구체적으로, 전자 장치(100)는 본 개시에 따른 신경망 모델에 컨텐츠에 대한 적어도 하나의 속성 값을 입력하여 컨텐츠에 대한 예측 정보를 획득하고, 획득된 예측 정보를 제공할 수 있다. 본 개시에 따른 전자 장치(100)는 특히 서버로 구현될 수 있으나, 전자 장치(100)의 유형에 특별한 제한이 있는 것은 아니다.

본 개시에 있어서, '컨텐츠'는 전자 장치(100)를 통해 제공되는 각종의 디지털 정보를 말한다. 즉, 컨텐츠는 디지털로 가공된 TV 프로그램, 영화, 게임 및 광고 등과 같은 유형의 컨텐츠를 포함할 수 있으며, 영상 컨텐츠에 국한되지 않고 음성 컨텐츠를 포함할 수도 있다.

'컨텐츠에 대한 속성 값'이란 컨텐츠에 대한 속성을 나타내는 값을 말한다. 구체적으로, 컨텐츠의 속성은 서로 다른 유형의 복수의 속성을 포함하며, 서로 다른 유형의 복수의 속성 각각은 전자 장치(100)와 신경망 모델에서 처리될 수 있는 벡터(vector), 매트릭스(matrix) 또는 텐서(tensor) 등으로 수치화된 속성 값으로 표현될 수 있다. 컨텐츠에 대한 속성 값들에 관한 보다 구체적인 예에 대해서는 도 2를 참조하여 후술한다.

'예측 정보'는 컨텐츠에 대한 속성 값에 기초하여 예측될 수 있는 컨텐츠에 관련된 정보를 말한다. 예를 들어, 컨텐츠가 영화인 경우, 예측 정보는 그 영화의 속성에 기초하여 예측될 수 있는 추천 영화에 대한 정보일 수 있으며, 그 영화에 대한 평점 정보일 수도 있다. 한편, 컨텐츠가 광고인 경우, 예측 정보는 그 광고에 대한 사용자의 클릭율을 나타내는 정보, 즉 pCTR(predicted Click-Through Rate) 정보일 수도 있다. 그 밖에도 컨텐츠에 대한 속성 값에 기초하여 예측될 수 있는 정보라면 본 개시에 따른 예측 정보에 해당될 수 있다.

본 개시에 따른 '신경망 모델'은 신경망(neural network)을 포함하는 인공 지능 모델(artificial intelligence model)을 말하며, 딥러닝(deep learning)에 의해 학습될 수 있다. 신경망 모델은 객체 인식 모델(object recognition model), 음성 인식 모델(automatic speech recognition model) 및 음성 합성 모델(speech synthesis model) 등과 같은 유형일 수 있으며, 다만, 본 개시에 따른 신경망 모델이 상술한 예에 국한되는 것은 아니다.

본 개시에 따른 신경망 모델에 포함되는 신경망의 유형 또한 특정 유형에 국한되지 않는다. 즉, 본 개시에 따른 신경망 모델은 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolution Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN) 및 생성적 적대 신경망(Generative Adversarial Networks, GAN) 등과 같은 다양한 유형의 신경망들을 포함할 수 있다. 또한, 본 개시에 따른 신경망 모델은 전자 장치(100)에 포함되어 온 디바이스(on-device)의 형태로 구현될 수 있을 뿐만 아니라, 전자 장치(100)와 연결된 외부 장치에 포함될 수도 있다.

본 개시에 따른 신경망 모델은 제1 신경망 모델 및 제2 신경망 모델을 포함할 수 있다. 제1 신경망 모델 및 제2 신경망 모델은 하나의 통합된 신경망 모델로 구현될 수도 있으나, 본 개시를 설명함에 있어서는 제1 신경망 모델 및 제2 신경망 모델이 별도의 신경망 모델로 구현되는 경우를 전제로 설명한다. 제1 신경망 모델과 제2 신경망 모델에 대해서는 이하에서 도 1 및 도 2를 참조하여 보다 구체적으로 설명한다.

도 1에 도시된 바와 같이, 전자 장치(100)는 컨텐츠에 대한 복수의 속성 값을 획득할 수 있다(S110). 도 2의 예시를 참조하면, 컨텐츠가 영화인 경우, 컨텐츠에 대한 복수의 속성 값은 식별 정보, 제목, 출연 배우, 개봉 시기, 장르, 관객 나이, 관객 성별 및 관람료에 대한 속성 값을 포함할 수 있다. 여기서, 식별 정보란 각각의 영화를 다른 영화와 구별하기 위해 할당된 고유의 값을 말한다.

컨텐츠에 대한 복수의 속성 값이 획득되면, 전자 장치(100)는 복수의 속성 값 중 제1 속성 값을 식별할 수 있다(S120).

여기서, '제1 신경망 모델'은 컨텐츠에 대한 적어도 하나의 속성 값에 기초하여 컨텐츠에 대한 예측 정보를 출력하도록 학습된 신경망 모델을 말한다. 구체적으로, 제1 신경망 모델은 컨텐츠에 대한 하나 또는 두 개 이상의 속성 값에 기초하여 컨텐츠에 대한 예측 정보를 출력할 수 있다. 제1 신경망 모델은 본 개시에 따라 제공되는 예측 정보를 획득하기 위한 모델이라는 점에서 '베이스라인 모델'이라는 용어로 지칭될 수도 있다.

예를 들어, 컨텐츠가 영화인 경우, 제1 신경망 모델은 입력된 영화의 장르를 나타내는 속성 값에 기초하여 추천 영화에 대한 정보를 출력할 수 있다. 뿐만 아니라, 제1 신경망 모델은 영화의 식별 정보, 제목, 출연 배우, 개봉 시기, 장르, 관객 나이, 관객 성별 및 관람료에 대한 속성 값과 같은 복수의 속성 값에 기초하여 추천 영화에 대한 정보를 출력할 수도 있다. 제1 신경망 모델에 입력되는 속성 값의 유형과 개수, 그리고 제1 신경망 모델이 어떠한 유형의 예측 정보를 출력할 것인지 여부는 제1 신경망 모델의 설계에 따라 달라질 수 있다.

한편, '제1 속성 값'은 복수의 속성 값 중 제1 신경망 모델의 학습에 이용되지 않은 하나의 속성 값을 특정하기 위한 용어이다. 구체적으로, 제1 속성 값은 제1 신경망 모델을 통해 컨텐츠에 대한 예측 정보를 획득함에 있어서 이용되는 복수의 속성 값 중 제1 신경망 모델의 학습에 이용되지 않은 속성 값을 말한다.

제1 신경망 모델의 학습에 '이용되지 않은' 하나의 속성 값이라 함은 제1 신경망 모델의 학습을 위한 학습 데이터에 포함되지 않은 속성 값을 의미할 수 있다. 또한, 실시 예에 따라서는 제1 신경망 모델의 학습을 위한 학습 데이터에 포함되어 있으나 그 빈도가 적은 속성 값도 제1 신경망 모델의 학습에 이용되지 않은 속성 값에 포함될 수 있다. 여기서, 학습 데이터에 포함된 빈도가 적다는 것은 학습 데이터에 포함된 빈도가 기 설정된 임계 값 미만인 것일 수 있다. 한편, 제1 속성 값이라는 용어는 '비학습 속성 값'이라는 용어로 대체될 수 있다.

도 2의 예시를 참조하면, 식별 정보, 제목, 출연 배우, 개봉 시기, 장르, 관객 나이, 관객 성별 및 관람료를 포함하는 복수의 속성 값 중 제1 신경망 모델의 학습에 이용되지 않은 속성 값은 장르일 수 있다.

제1 속성 값이 식별되면, 전자 장치(100)는 복수의 속성 값 중 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제2 속성 값을 획득할 수 있다(S130).

'제2 신경망 모델'은 특정 유형의 속성 값에 기초하여 다른 유형의 속성 값을 획득하도록 학습된 신경망 모델을 말한다. 구체적으로, 제2 신경망 모델은 적어도 하나의 관련 속성 값에 기초하여 제1 속성 값에 대응되는 제2 속성 값을 출력할 수 있다. 제2 신경망 모델은 관련 속성 값에 기초하여 제1 속성 값을 대체하기 위한 제2 속성 값을 생성하기 위한 모델이라는 점에서 '메타 임베딩 모델(meta-embedding model)'이라는 용어로 지칭될 수도 있다.

'관련 속성 값'은 특정한 속성 값과의 관련성이 높은 다른 속성 값을 말하며, 제2 신경망 모델의 입력이 된다. 구체적으로, 관련 속성 값은 동일한 컨텐츠에 있어서 특정 속성 값과 다른 유형의 속성을 나타내는 속성 값들 중 그 특정 속성 값과의 관련성이 높은 속성 값을 말한다.

'제2 속성 값'은 적어도 하나의 관련 속성 값에 기초하여 제2 신경망 모델에 의해 획득된 새로운 속성 값으로서 제1 속성 값과 유형은 같지만 다른 값을 가지는 속성 값을 말한다. 예를 들어, 제2 속성 값은 제1 속성 값과 마찬가지로 영화의 장르에 대한 속성 값이지만 장르를 나타내는 값이 상이할 수 있다. 제2 속성 값은 제1 속성 값을 대체하여 제1 신경망 모델에 입력될 수 있는 속성 값이라는 점에서, 제2 속성 값이라는 용어는 '대체 속성 값'이라는 용어로 지칭될 수 있다.

도 2의 예시를 참조하면, 영화의 장르가 제1 속성 값으로 식별된 경우, 식별 정보, 제목, 출연 배우 및 개봉 시기에 대한 속성 값은 영화의 장르에 관련된 관련 속성 값에 포함될 수 있으며, 제2 신경망 모델은 영화의 장르에 관련된 관련 속성 값인 식별 정보, 제목, 출연 배우 및 개봉 시기에 대한 속성 값들에 기초하여 영화의 장르에 대한 제2 속성 값을 출력할 수 있다. 한편, 관객 나이, 관객 성별 및 관람료는 영화의 장르에 관련된 관련 속성 값에 포함되지 않을 수 있는바, 도 2에서는 예측 정보를 획득함에 있어서 도움이 되기 때문에 제1 신경망 모델에는 입력되지만, 관련 속성 값에는 포함되지 않는 정보를 '기타 속성 값'이라고 지칭하였다.

한편, 복수의 속성 값 중 제1 속성 값과 다른 속성 값들 사이의 관련성은 서로 상이할 수 있으며, 따라서, 제1 속성 값과 관련성이 높은 속성 값들에 기초하여 그 제1 속성 값을 대체하기 위한 제2 속성 값을 획득할 필요가 있다. 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별하는 과정은 다음과 같은 실시 예들을 통해 구현될 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 복수의 속성 값 사이의 상관 관계(correlation)에 대한 정보 및 복수의 속성 값 각각의 분포(distribution)에 대한 정보 중 적어도 하나에 기초하여 복수의 속성 값 중 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별할 수 있다.

구체적으로, 전자 장치(100)는 복수의 속성 값 중 제1 속성 값과의 상관 관계가 높은 속성 값들을 식별하고, 제1 속성 값과의 상관 관계가 높은 속성 값들 중 제1 속성 값과 데이터의 분포가 유사한 속성 값을 식별함으로써, 복수의 속성 값 중 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별할 수 있다.

예를 들어, 전자 장치(100)는 도 2의 예시에 따른 복수의 속성 값 중 장르와의 상관 관계가 높은 속성 값으로 제목, 출연 배우, 개봉 시기 및 관람료 각각에 대한 속성 값들을 식별할 수 있다. 또한, 전자 장치(100)는 도 2의 예시에 따른 복수의 속성 값 중 장르와의 데이터 분포가 유사한 속성 값으로 제목, 출연 배우, 개봉 시기 및 관객 나이 각각에 대한 속성 값들을 식별할 수 있다. 이 경우, 전자 장치(100)는 복수의 속성 값 중 제1 속성 값과의 상관 관계가 높으면서 데이터의 분포가 유사한 속성 값들인 제목, 출연 배우, 개봉 시기 및 장르 각각에 대한 속성 값들을 제1 속성 값에 관련된 적어도 하나의 관련 속성 값으로 식별할 수 있다.

다른 실시 예에 따르면, 전자 장치(100)는 제2 신경망 모델을 이용하여 복수의 속성 값들에 대한 테스트 과정을 수행함으로써 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별할 수 있다. 여기서, '테스트 과정'은 복수의 속성 값의 조합에 기초하여 제1 속성 값과의 관련성이 높은 최적의 속성 값들을 식별하는 과정을 말하며, 복수의 속성 값들과 속성 갑들의 조합 각각에 대해 반복적인 과정이 수행되면서 최적의 속성 값들이 업데이트된다는 점에서 '관련 속성 값을 획득하기 위한 학습 과정'이라고 지칭될 수도 있다.

구체적으로, 전자 장치(100)는 복수의 속성 값 중 제1 속성 값을 제외한 나머지 속성 값들 각각을 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제1 테스트 값들을 획득할 수 있다. 여기서, '제1 테스트 값'이라는 용어는 관련 속성 값을 식별하는 동안 속성 값들을 제2 신경망 모델에 입력함에 따라 임시적으로 획득되는 속성 값들을 지칭하기 위한 것이다.

제1 테스트 값들이 획득되면, 전자 장치(100)는 제1 테스트 값들 중 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들을 식별할 수 있다. 그리고, 전자 장치(100)는 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들에 대응되는 속성 값들을 관련 속성 값을 식별하기 위한 후보 속성 값들로 식별할 수 있다. 여기서, '후보 속성 값'이라는 용어는 제1 속성 값을 제외한 나머지 속성 값들 중 제1 속성 값과의 관련성이 높은 속성 값들을 1 차적으로 선별한 결과를 특정하기 위한 용어로 사용된다.

후보 속성 값들이 식별되면, 전자 장치(100)는 식별된 후보 속성 값들에 기초하여 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별할 수 있다. 구체적으로, 전자 장치(100)는 후보 속성 값들로 식별된 속성 값들 각각을 제1 속성 값에 관련된 적어도 하나의 관련 속성 값으로 식별할 수도 있으나, 이하에서 설명하는 바와 같이, 식별된 후보 속성 값들의 조합들 중에서 최적의 조합을 식별할 수도 있다.

구체적으로, 식별된 후보 속성 값들의 조합들 각각을 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제2 테스트 값들을 획득할 수 있다. 여기서, '제2 테스트 값'이라는 용어는 관련 속성 값을 식별하는 동안 후보 속성 값들의 조합을 제2 신경망 모델을 입력함에 따라 임시적으로 획득되는 속성 값들을 지칭하기 위한 것이다.

제2 테스트 값들이 획득되면, 전자 장치(100)는 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들에 대응되는 조합들을 관련 속성 값을 식별하기 위한 후보 조합들로 식별할 수 있다. 그리고, 전자 장치(100)는 식별된 후보 조합들 중 그 후보 조합들 각각에 대응되는 제2 테스트 값들과 제1 속성 값과의 유사도가 가장 높은 조합에 포함된 속성 값들을 제1 속성 값에 관련된 적어도 하나의 관련 속성 값으로 식별할 수 있다. 여기서, '후보 조합'이라는 용어는 식별된 후보 속성 값들의 조합들 중 제1 속성 값과의 관련성이 높은 속성 값들을 2 차적으로 선별한 결과를 특정하기 위한 용어로 사용된다.

한편, 상술한 바와 같이 제2 신경망 모델을 통해 제1 속성 값에 대응되는 제2 속성 값이 획득되면, 전자 장치(100)는 제1 속성 값과 제2 속성 값을 비교함으로써 제2 속성 값을 검증할 수 있으며, 검증 결과에 따라 제1 신경망 모델에 입력할 것인지 여부를 결정할 수 있다.

구체적으로, 제1 속성 값과 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면(S140-Y), 전자 장치(100)는 복수의 속성 값 중 제1 속성 값을 제외한 하나 이상의 속성 값과 제2 속성 값을 제1 신경망 모델에 입력하여 컨텐츠에 대한 예측 정보를 획득할 수 있다(S150). 즉, 전자 장치(100)는 제2 신경망 모델을 통해 새롭게 생성된 제2 속성 값이 기존의 제1 속성 값과 유사하면, 제1 속성 값을 대체하여 제2 속성 값을 제1 신경망 모델의 입력으로 이용할 수 있다. 이 경우, 제1 신경망 모델에는 제2 속성 값과 함께, 복수의 속성 값 중 제1 속성 값을 제외한 하나 이상의 속성 값이 입력될 수 있다. 여기서, 제1 속성 값을 제외한 하나 이상의 속성 값의 개수는 전술한 바와 같이, 제1 신경망 모델의 설계에 따라 달라질 수 있다.

반면, 제1 속성 값과 제2 속성 값 사이의 유사도가 제1 임계 값 미만이면(S140-N), 전자 장치(100)는 제1 속성 값을 제외한 하나 이상의 속성 값과 제1 속성 값을 제1 신경망 모델에 입력하여 컨텐츠에 대한 예측 정보를 획득할 수 있다(S160). 즉, 제2 신경망 모델을 통해 새롭게 획득된 제2 속성 값이 기존의 제1 속성 값과 유사하지 않으면, 새롭게 생성된 제2 속성 값이 아닌 기존의 제1 속성 값을 제1 신경망 모델의 입력으로 이용할 수 있다. 이 경우, 제1 신경망 모델에는 제1 속성 값과 함께, 복수의 속성 값 중 제1 속성 값을 제외한 하나 이상의 속성 값이 입력될 수 있다.

도 2의 예시에 따라 제2 속성 값이 획득된 경우, 제1 속성 값과 제2 속성 값 사이의 유사도가 제1 임계 값 이상이면, 전자 장치(100)는 제2 신경망 모델을 통해 생성된 제2 속성 값과 함께, 식별 정보, 제목, 출연 배우, 개봉 시기, 관객 나이, 관객 성별 및 관람료에 대한 속성 값들을 제1 신경망 모델에 입력하여 컨텐츠에 대한 예측 정보를 획득할 수 있다. 반면, 제1 속성 값과 제2 속성 값 사이의 유사도가 제1 임계 값 이상이면, 전자 장치(100)는 제2 신경망 모델을 통해 생성된 제2 속성 값이 아닌 제1 속성 값과 함께, 식별 정보, 제목, 출연 배우, 개봉 시기, 관객 나이, 관객 성별 및 관람료에 대한 속성 값들을 제1 신경망 모델에 입력하여 컨텐츠에 대한 예측 정보를 획득할 수 있다.

한편, 도 1에 도시된 것과는 달리, 제1 속성 값과 제2 속성 값 사이의 유사도가 제1 임계 값 미만인 경우(S140-N), 전자 장치(100)는 제1 속성 값을 포함하는 복수의 속성 값을 제1 신경망 모델에 입력하지 않고, 또 다른 속성 값들에 기초하여, 이상에서 상술한 바와 같은 본 개시의 동작들을 반복할 수도 있다. 즉, 제1 속성 값과 제2 속성 값 사이의 유사도가 제1 임계 값 미만인 경우에는 제2 속성 값이 제1 속성 값을 대체하기에 부족한 경우라고 할 수 있으므로, 제2 속성 값을 제1 신경망 모델의 추론과 제2 신경망 모델의 학습에 이용하지 않을 수도 있다.

한편, 본 개시에 따른 '유사도'는 속성 값들 각각에 대응되는 벡터 사이의 거리에 기초하여 산출될 수 있다. 구체적으로, 속성 값들 사이의 유사도는 코사인 거리(Cosine similarity), 유클리드 거리(Euclidean similarity) 또는 자카드 거리(Jaccard similarity) 등과 같은 다양한 유사도 기법에 기초하여 산출될 수 있다. 그리고, 유사도에 대한 '제1 임계 값'은 개발자 또는 사용자의 설정에 의해 변경될 수 있으며, 이는 후술하는 바와 같은 '제2 임계 값', '제3 임계 값' 및 '제4 임계 값' 등의 경우에도 마찬가지이다. 실시 예에 따라서는 제1 임계 값, 제2 임계 값, 제3 임계 값 및 제4 임계 값 중 두 개 이상의 임계 값이 동일하게 설정될 수도 있다.

상술한 바와 같은 실시 예에 따라 컨텐츠에 대한 예측 정보가 획득되면, 전자 장치(100)는 컨텐츠에 대한 예측 정보를 제공할 수 있다. 구체적으로, 전자 장치(100)는 전자 장치(100)의 디스플레이를 통해 컨텐츠에 대한 예측 정보를 표시할 수도 있으며, 컨텐츠에 대한 예측 정보를 외부 장치로 전송함으로써 외부 장치에 표시되도록 할 수도 있다.

한편, 제2 신경망 모델을 통해 획득된 제2 속성 값을 이용하여 제1 신경망 모델에 의해 예측 정보를 획득한 경우(S150), 전자 장치(100)는 제1 신경망 모델을 통해 획득된 예측 정보에 기초하여 제2 신경망 모델을 학습시킬 수 있다(S170).

구체적으로, 전자 장치(100)는 제1 신경망 모델을 통해 획득된 예측 정보를 복수의 속성 값에 대응되는 레이블 정보와 비교하여 손실 값(loss)을 획득하고, 획득된 손실 값에 기초하여 제2 신경망 모델을 학습시킬 수 있다. 다시 말해, 전자 장치(100)는 제2 신경망 모델을 통해 새로운 속성 값인 제2 속성 값을 획득하고, 제1 신경망 모델을 통해 제2 속성 값을 포함하는 속성 값들에 기초하여 예측 정보를 획득하며, 예측 정보에 기초하여 제2 신경망 모델을 학습시킬 수 있다.

한편, 전자 장치(100)는 제1 신경망 모델을 통해 획득된 예측 정보에 대한 사용자 피드백에 기초하여 제2 신경망 모델을 학습시킬 수 있다. 구체적으로, 전자 장치(100)는 제1 신경망 모델을 통해 획득된 예측 정보를 제공하고, 예측 정보에 대한 사용자의 긍정적인 피드백 또는 부정적인 피드백을 수신할 수 있다. 전자 장치(100)는 사용자의 긍정적인 피드백이 수신된 경우 예측 정보에 대한 스코어를 높이고 사용자의 부정적인 피드백이 수신된 경우 예측 정보에 대한 스코어를 낮출 수 있으며, 사용자의 피드백이 반영된 스코어에 기초하여 제2 신경망 모델을 학습시킬 수 있다.

한편, 제2 신경망 모델이 학습되는 동안 제1 신경망 모델의 학습은 중지될 수 있다. 구체적으로, 전자 장치(100)는 제2 신경망 모델의 학습을 개시하기에 앞서 제1 신경망 모델의 가중치들을 잠근(lock) 후 제2 신경망 모델의 학습을 수행할 수 있다. 즉, 제2 신경망 모델을 학습시키는 과정에서 제1 신경망 모델을 통해 예측 정보를 획득하는 과정이 수행되지만, 이 경우에도 제1 신경망 모델은 학습되지 않으며 그에 따라 제1 신경망 모델의 가중치는 그대로 유지될 수 있다. 이는 학습된 제1 신경망 모델의 성능이 제2 신경망 모델에 의해 생성된 속성 값에 의해 변경되는 것을 방지하기 위한 것이다.

일 예로서, 전자 장치(100)는 예측 정보에 따른 손실 값에 기초하여 역전파(back propagation) 과정을 수행하여, 각 레이어 별 활성화 함수(activation function)의 그래디언트(gradient)를 감소시키는 경사 하강법(gradient descent)에 따라 제2 신경망 모델을 학습시킬 수 있다. 다만, 제2 신경망 모델의 구체적인 학습 방법에 특별한 제한이 따르는 것은 아니다.

한편, 전술한 바와 같이, 제1 신경망 모델에 입력되는 속성 값의 개수와 유형은 제1 신경망 모델의 구현 예에 따라 달라질 수 있다. 구체적으로, 제1 신경망 모델에 입력되는 속성 값의 개수 및 유형은 개발자 또는 사용자에 의해 정의될 수 있으며, 제1 신경망 모델의 학습 결과에 따라 결정될 수도 있다. 예를 들어, 컨텐츠가 영화인 경우, 제1 신경망 모델에 입력되는 속성 값은 식별 정보, 제목, 출연 배우, 개봉 시기, 장르, 관객 나이, 관객 성별 및 관람료에 대한 속성 값들일 수도 있으나, 학습 결과 식별 정보, 제목 및 장르에 대한 속성 값만을 입력하는 경우에 더 높은 성능을 발휘하는 경우에는 식별 정보, 제목 및 장르에 대한 속성 값들로 한정될 수도 있다.

한편, 신경망 모델은 복수의 속성 값 중 중요도가 높은 것으로 기 정의된 유형의 속성 값에 대해서만 제1 신경망 모델의 학습에 이용되었는지 여부를 식별하고, 식별된 속성 값에 관련된 관련 속성 값을 제2 신경망 모델에 입력하여 속성 값을 생성하는 과정을 수행할 수도 있다.

한편, 이상에서 전제한 것과는 달리, 복수의 속성 값 중 제1 신경망 모델의 학습에 이용되지 않은 속성 값은 두 개 이상일 수도 있다. 예를 들어, 복수의 속성 값 중 제1 신경망 모델의 학습에 이용되지 않은 속성 값은 제1 속성 값 및 제3 속성 값 두 개일 수도 있으며, 이 경우 전자 장치(100)는 제3 속성 값에 대해서도 제1 속성 값에 대한 제어 단계와 마찬가지의 단계를 수행할 수 있다. 즉, 전자 장치(100)는 복수의 속성 값 중 제3 속성 값에 관련된 적어도 관련 하나의 속성 값을 제2 신경망 모델에 입력하여 제3 속성 값에 대응되는 제4 속성 값을 획득하며, 제3 속성 값과 제4 속성 값 사이의 유사도가 기 설정된 제4 임계 값 이상이면, 복수의 속성 값 중 제1 속성 값과 제3 속성 값을 제외한 하나 이상의 속성 값, 제2 속성 값 및 제4 속성 값을 제1 신경망 모델에 입력하여 컨텐츠에 대한 예측 정보를 획득할 수 있다.

여기서, '제3 속성 값'은 제1 속성 값과 마찬가지로 제1 신경망 모델을 통해 컨텐츠에 대한 예측 정보를 획득함에 있어서 이용되는 복수의 속성 값 중 제1 신경망 모델의 학습에 이용되지 않은 속성 값을 말하며, '제4 속성 값'은 관련 속성 값에 기초하여 제2 신경망 모델에 의해 획득된 속성 값으로서 제3 속성 값과 유형은 같지만 다른 값을 가지는 속성 값을 말한다.

한편, 이상에서는 컨텐츠에 대한 예측 정보를 획득할 수 있는 신경망 모델이 제1 신경망 모델 하나로 구현되고, 특정 유형의 속성 값에 기초하여 다른 유형의 속성 값을 획득할 수 있는 신경망 모델이 제2 신경망 모델 하나로 구현되는 경우를 전제로 설명하였다. 그러나, 실시 예에 따라서는 컨텐츠에 대한 예측 정보의 유형과 입력되는 속성 값들의 유형에 따라 제1 신경망 모델은 복수 개로 구현될 수 있으며, 생성되는 속성 값의 유형과 입력되는 속성 값들의 유형에 따라 제2 신경망 모델 또한 복수 개로 구현될 수 있다.

한편, 이상에서는 제1 신경망 모델이 컨텐츠에 대한 복수의 속성 값에 기초하여 컨텐츠에 대한 예측 정보를 획득하는 경우를 전제하였으나, 제1 신경망 모델이 컨텐츠에 대한 복수의 속성 값에 기초하여 예측 정보가 아닌 다른 특징 값을 획득하는 경우에도 본 개시가 적용될 수 있다.

이상에서 상술한 바와 같은 실시 예에 따르면, 전자 장치(100)는 컨텐츠에 대한 예측 정보를 획득하기 위한 제1 신경망 모델에 입력될 속성 값이 제1 신경망 모델의 학습에 이용되지 않은 경우에도, 제2 신경망 모델을 통해 그 속성 값을 대체할 수 있는 속성 값을 생성하여 제1 신경망 모델에 입력함으로써 제1 신경망 모델의 성능 저하를 최소화할 수 있게 된다. 그리고, 이에 따라 예측/추천 시스템에서 학습 데이터의 양이 불충분한 경우에 발생될 수 있는 cold-start의 문제가 해소될 수 있다.

또한, 전자 장치(100)는 제2 신경망 모델을 통해 생성된 속성 값을 제1 신경망 모델에 입력하여 예측 정보를 획득하고, 그 예측 정보에 기초하여 제2 신경망 모델을 학습시킬 수 있는바, 제2 신경망 모델은 충분히 학습되지 않은 속성 값과 유사한 속성 값을 생성하기 위한 방향이 아니라, 제1 신경망 모델의 성능을 향상시키기 위한 방향으로 학습될 수 있게 된다.

그리고, 전자 장치(100)는 제2 신경망 모델을 통해 속성 값이 획득되면, 그 속성 값을 원래의 속성 값과 비교하는 검증 과정을 수행한 후 제1 신경망 모델에 입력하는바, 이에 따라 원래의 속성 값과의 차이가 큰 속성 값이 입력됨에 따른 제1 신경망 모델의 성능 저하를 방지할 수 있다.

도 3 및 도 4는 본 개시의 일 실시 예에 따라 제1 속성 값에 관련된 관련 속성 값을 획득하는 과정을 상세하게 설명하기 위한 도면이다.

전술한 바와 같이, 전자 장치(100)는 제2 신경망 모델을 이용하여 복수의 속성 값들에 대한 테스트 과정을 수행함으로써 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별할 수 있다. 본 개시에 따른 테스트 과정, 제1 테스트 값, 제2 테스트 값, 후보 속성 값 및 후보 조합 등의 의미에 대해서는 도 1 및 도 2를 참조하여 상술하였는바, 이하에서는 복수의 속성 값 중 제5 속성 값과 제6 속성 값을 특정하여, 본 개시에 따른 테스트 과정에 대해 상술한다.

도 3에 도시된 바와 같이, 전자 장치(100)는 복수의 속성 값 중 제1 속성 값을 식별할 수 있다(S310). 도 3 및 도 4에 대한 설명에서는 복수의 속성 값 중 제1 속성 값이 제1 신경망 모델의 학습에 이용되지 않은 것으로 식별된 경우를 전제로 설명한다.

전자 장치(100)는 제5 속성 값을 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제1 테스트 값을 획득할 수 있다(S320). 여기서, '제5 속성 값'은 제1 속성 값 및 제3 속성 값과 마찬가지로 제1 신경망 모델을 통해 컨텐츠에 대한 예측 정보를 획득함에 있어서 이용되는 복수의 속성 값 중 제1 신경망 모델의 학습에 이용되지 않은 속성 값을 말하며, 이하 '제6 속성 값'의 의미도 이와 같다.

제1 테스트 값이 획득되면, 전자 장치(100)는 제1 테스트 값과 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인지 여부를 식별할 수 있다(S330). 식별 결과 제1 테스트 값과 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상이면, 전자 장치(100)는 제5 속성 값을 관련 속성 값을 위한 제1 후보 속성 값으로 식별할 수 있다.

식별 결과 제1 테스트 값과 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 미만이면(S330-N), 전자 장치(100)는 제5 속성 값을 관련 속성 값을 위한 후보 속성 값으로 식별하지 않을 수 있다. 식별 결과 제1 테스트 값과 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 미만이면(S330-Y), 전자 장치(100)는 제5 속성 값을 관련 속성 값을 위한 후보 속성 값으로 식별할 수 있다(S340). 그리고, 전자 장치(100)는 후보 속성 값에 기초하여 관련 속성 값을 식별할 수 있다. 이 때, 후보 속성 값에 기초하여 관련 속성 값을 식별한다는 것의 의미는, 제5 속성 값을 포함하는 후보 속성 값들 각각을 관련 속성 값으로 식별하는 경우와, 이하 도 4를 참조하여 설명하는 바와 같이 제5 속성 값을 포함하는 후보 속성 값들의 조합들 중에서 최적의 조합을 식별하여 관련 속성 값을 식별하는 경우를 포함할 수 있다.

한편, 이상에서는 도 3을 참조하여 제5 속성 값이 관련 속성 값을 위한 후보 속성 값에 포함되는지 여부를 식별하는 과정에 대해 설명하였으나, 복수의 속성 값 중 제5 속성 값이 아닌 다른 속성 값들에 대해서도 도 3의 과정이 마찬가지로 수행될 수 있음은 물론이다. 구체적으로, 도 4에 도시된 바와 같이, 전자 장치(100)는 제5 속성 값 및 제6 속성 값을 관련 속성 값을 위한 후보 속성 값으로 식별할 수 있다(S410).

제5 속성 값 및 제6 속성 값이 후보 속성 값으로 식별되면, 전자 장치(100)는 제5 속성 값 및 제6 속성 값의 조합을 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제2 테스트 값을 획득할 수 있다(S420). 그리고, 전자 장치(100)는 제2 테스트 값과 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인지 여부를 식별할 수 있다(S430).

식별 결과 제2 테스트 값과 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 미만이면(S430-N), 전자 장치(100)는 제5 속성 값 및 제6 속성 값의 조합을 관련 속성 값을 위한 후보 조합으로 식별하지 않을 수 있다.

식별 결과 제2 테스트 값과 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상이면(S430-Y), 전자 장치(100)는 제5 속성 값 및 제6 속성 값의 조합을 관련 속성 값을 위한 후보 조합으로 식별할 수 있다(S440).

전자 장치(100)는 제5 속성 값 및 제6 속성 값의 조합을 포함한 후보 조합들 중 그 조합에 대응되는 제2 테스트 값과 제1 속성 값과의 유사도가 가장 높은 조합을 식별하고, 식별된 조합에 포함된 속성 값들을 관련 속성 값으로 식별할 수 있다.

구체적으로, 전자 장치(100)는 식별된 후보 조합들 중 제5 속성 값 및 제6 속성 값의 조합에 대응되는 제2 테스트 값과 제1 속성 값과의 유사도가 가장 높은지 여부를 식별할 수 있다(S450).

식별 결과 제5 속성 값 및 제6 속성 값의 조합에 대응되는 제2 테스트 값과 제1 속성 값과의 유사도가 가장 높으면(S450-Y), 전자 장치(100)는 제5 속성 값 및 제6 속성 값을 제1 속성 값에 관련된 관련 속성 값으로 식별할 수 있다(S460). 반면, 식별 결과 제5 속성 값 및 제6 속성 값의 조합에 대응되는 제2 테스트 값과 제1 속성 값과의 유사도가 가장 높지 않으면(S450-N), 전자 장치(100)는 제5 속성 값 및 제6 속성 값을 제1 속성 값에 관련된 관련 속성 값으로 식별하지 않을 수 있다.

이상에서는 제5 속성 값 및 제6 속성 값이라는 두 개의 속성 값을 포함하는 조합에 대해 본 개시에 따른 테스트 과정이 적용되는 실시 예에 대해 설명하였으나, 본 개시가 이에 국한되는 것은 아니며, 본 개시에 따라 제2 신경망 모델에 입력되는 속성 값의 유형과 개수는 다양하게 선택될 수 있다. 특히, 전자 장치(100)는 속성 값들의 조합을 구성하는 속성 값의 개수를 2 개에서부터 점차 늘려가면서 상술한 바와 같은 테스트 과정을 반복함으로써 관련 속성 값을 위한 최적의 개수를 식별할 수도 있다.

도 5는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 간략하게 나타내는 블록도이고, 도 6은 본 개시에 따른 신경망 모델과 복수의 모듈에 대해 설명하기 위한 도면이다.

도 5에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 다만, 도 5 및 도 6에 도시된 바와 같은 구성들은 예시적인 것에 불과할 뿐이며, 본 개시를 실시함에 있어 도 5 및 도 6에 도시된 바와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음은 물론이다.

메모리(110)에는 전자 장치(100)에 관한 적어도 하나의 인스트럭션(instruction)이 저장될 수 있다. 그리고, 메모리(110)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(110)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(110)는 플래시 메모리(Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.

구체적으로, 메모리(110)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(120)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.

한편, 본 개시에서 메모리(110)라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 메모리(110)에는 제1 신경망 모델(210)에 대한 정보, 제2 신경망 모델(220)에 대한 정보, 제1 신경망 모델(210)을 위한 학습 데이터, 제2 신경망 모델(220)을 위한 학습 데이터, 본 개시에 따른 복수의 모듈에 대한 정보 등이 저장될 수 있다. 또한, 메모리(110)에는 복수의 속성 값에 대한 정보, 복수의 속성 값에 대응되는 레이블 정보, 제1 신경망 모델(210)을 통해 획득된 예측 정보, 제2 신경망 모델(220)을 통해 획득된 속성 값 또는 테스트 값 등에 대한 정보, 사용자 피드백에 대한 정보 등이 저장될 수 있다.

그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(110)에 저장될 수 있으며, 메모리(110)에 저장된 정보는 외부 장치로부터 수신되거나 사용자에 의해 입력됨에 따라 갱신될 수도 있다.

프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 프로세서(120)는 메모리(110)를 포함하는 전자 장치(100)의 구성과 연결되며, 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써, 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.

프로세서(120)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(120)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에서 프로세서(120)라는 용어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Main Processing Unit)등을 포함하는 의미로 사용될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 신경망 모델을 이용하여 컨텐츠에 대한 예측 정보를 제공할 수 있다. 구체적으로, 프로세서(120)는 컨텐츠에 대한 예측 정보를 획득하기 위한 제1 신경망 모델(210)에 입력될 속성 값이 제1 신경망 모델(210)의 학습에 이용되지 않은 경우, 제2 신경망 모델(220)을 통해 그 속성 값을 대체할 수 있는 속성 값을 생성하여 제1 신경망 모델(210)에 입력함으로써, 컨텐츠에 대한 예측 정보를 획득할 수 있다. 그리고, 프로세서(120)는 획득된 예측 정보에 기초하여 제2 신경망 모델을 학습시킬 수 있다.

본 개시에 따른 다양한 실시 예를 구현하기 위한 프로세서(120)의 동작은 도 2에 도시된 바와 같은 제1 신경망 모델(210), 제2 신경망 모델(220) 및 복수의 모듈을 통해 구현될 수 있다.

구체적으로, 본 개시에 따른 제1 신경망 모델(210), 제2 신경망 모델(220) 및 복수의 모듈에 대한 데이터는 메모리(110)에 저장되며, 프로세서(120)는 메모리(110)에 엑세스하여 제1 신경망 모델(210), 제2 신경망 모델(220) 및 복수의 모듈에 대한 데이터를 프로세서(120) 내부의 메모리(110)(또는 버퍼)에 로딩한 후 제1 신경망 모델(210), 제2 신경망 모델(220) 및 복수의 모듈을 이용하여 본 개시에 따른 다양한 실시 예를 구현할 수 있다. 다만, 본 개시에 따른 제1 신경망 모델(210), 제2 신경망 모델(220) 및 복수의 모듈 중 적어도 하나는 하드웨어로 구현되어 시스템 온 칩(system on chip)의 형태로 프로세서(120) 내에 포함될 수도 있음은 물론이다.

제1 신경망 모델(210) 및 제2 신경망 모델(220)을 이용한 본 개시의 다양한 실시 예에 대해서는 도 1 내지 도 4를 참조하여 상술하였으므로, 이하에서는 동일한 내용에 대한 중복 설명은 생략하고, 본 개시에 따른 복수의 모듈의 동작을 중심으로 설명한다.

속성 값 획득 모듈(310)은 컨텐츠에 대한 복수의 속성 값을 획득할 수 있는 모듈을 말한다. 구체적으로, 복수의 속성 값은 전자 장치(100)에 입력된 사용자 입력에 기초하여 획득될 수도 있고, 외부 장치를 통해 수신된 정보에 기초하여 획득될 수도 있다.

비학습 속성 값 식별 모듈(320)은은 복수의 속성 값 중 제1 신경망 모델(210)의 학습에 이용되지 않은 속성 값을 식별할 수 있는 모듈을 말한다. 여기서, '비학습 속성 값'이라는 용어는 도 1 및 도 2에 대한 설명에서 정의한 바 있는 '제1 속성 값'이라는 용어에 대응된다. 구체적으로, 속성 값 획득 모듈(310)로부터 복수의 속성 값이 입력되면, 비학습 속성 값 식별 모듈(320)은 복수의 속성 값 중 제1 신경망 모델(210)의 학습을 위한 학습 데이터에 포함되지 않은 속성 값 또는 제1 신경망 모델(210)의 학습을 위한 학습 데이터에 포함되어 있으나 그 빈도가 적은 속성 값을 식별할 수 있다.

관련 속성 값 식별 모듈(330)은 비학습 속성 값에 관련된 관련 속성 값을 식별할 수 있는 모듈을 말한다. 구체적으로, 비학습 속성 값 식별 모듈(320)로부터 비학습 속성 값에 대한 정보가 입력되면, 관련 속성 값 식별 모듈(330)은 비학습 속성 값과 다른 유형의 속성을 나타내는 속성 값들 중 비학습 속성 값과의 관련성이 높은 속성 값을 식별할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 복수의 속성 값 사이의 상관 관계(correlation)에 대한 정보 및 복수의 속성 값 각각의 분포(distribution)에 대한 정보 중 적어도 하나에 기초하여 복수의 속성 값 중 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별할 수 있다.

다른 실시 예에 따르면, 전자 장치(100)는 제2 신경망 모델(220)을 이용하여 복수의 속성 값들에 대한 테스트 과정을 수행함으로써 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 식별할 수 있다. 본 개시에 따른 테스트 과정에 대해서는 도 3 및 도 4를 참조하여 상술하였으므로 중복 설명은 생략한다.

대체 속성 값 획득 모듈(340)은 제2 신경망 모델(220)을 이용하여 비학습 속성 값을 대체하기 위한 대체 속성 값을 획득할 수 있는 모듈을 말한다. 여기서, '대체 속성 값'이라는 용어는 도 1 및 도 2에 대한 설명에서 정의한 바 있는 '제2 속성 값'이라는 용어에 대응된다. 구체적으로, 관련 속성 값 모듈으로부터 식별된 관련 속성 값에 대한 정보기 입력되면, 대체 속성 값 획득 모듈(340)은 제2 신경망 모델(220)에 관련 속성 값을 입력하여 비학습 속성 값을 대체하기 위한 대체 속성 값을 획득할 수 있다.

대체 속성 값 검증 모듈(350)은 제2 신경망 모델(220)을 통해 획득된 대체 속성 값이 제1 속성 값을 대체하기에 적합한지 여부를 검증할 수 있는 모듈을 말한다. 구체적으로, 대체 속성 값 획득 모듈(340)로부터 대체 속성 값이 입력되면, 대체 속성 값 검증 모듈(350)은 대체 속성 값과 비학습 속성 값 사이의 유사도가 기 설정된 임계 값 이상인지 여부를 식별하는 것에 기초하여, 대체 속성 값이 제1 속성 값을 대체하기에 적합한지 여부를 검증할 수 있다.

예측 정보 획득 모듈(360)은 검증된 대체 속성 값을 포함하는 속성 값들을 제1 신경망 모델(210)에 입력하여 컨텐츠에 대한 예측 정보를 획득할 수 있는 모듈을 말한다. 구체적으로, 대체 속성 값 검증 모듈(350)로부터 검증된 대체 속성 값에 대한 정보가 입력되면, 예측 정보 획득 모듈(360)은 복수의 속성 값 중 비학습 속성 값을 제외한 하나 이상의 속성 값과 검증된 대체 속성 값을 제1 신경망 모델(210)에 입력하여 컨텐츠에 대한 예측 정보를 획득할 수 있다.

제2 신경망 모델 학습 모듈(370)은 제1 신경망 모델(210)을 통해 획득된 예측 정보에 기초하여 제2 신경망 모델(220)을 학습시킬 수 있는 모듈을 말한다. 구체적으로, 예측 정보 획득 모듈(360)로부터 컨텐츠에 대한 예측 정보가 입력되면, 제2 신경망 모델 학습 모듈(370)은 제1 신경망 모델(210)을 통해 획득된 예측 정보를 복수의 속성 값에 대응되는 레이블 정보와 비교하여 손실 값을 획득하고, 획득된 손실 값에 기초하여 제2 신경망 모델(220)을 학습시킬 수 있다.

특히, 제2 신경망 모델(220)이 학습되는 동안 제1 신경망 모델(210)의 학습은 중지될 수 있다. 구체적으로, 제2 신경망 모델(220)의 학습을 개시하기에 앞서 제1 신경망 모델(210)의 가중치들은 잠길(lock) 수 있으며, 이에 따라 학습된 제1 신경망 모델(210)의 성능이 제2 신경망 모델(220)에 의해 생성된 속성 값에 의해 변경되는 것이 방지될 수 있다.

한편, 이상에서는 제2 신경망 모델을 통해 생성된 대체 속성 값을 제1 신경망 모델에 입력하여 예측 정보를 획득하고, 그 예측 정보에 기초하여 제2 신경망 모델을 학습시키는 경우에 대해 설명하였으나, 실시 예에 따라서는 제2 신경망 모델을 통해 생성된 대체 속성 값 및 비학습 속성 값 사이의 차이에 따른 손실 값과 함께, 예측 정보와 레이블 정보 사이의 차이에 따른 손실 값 모두에 기초하여 제2 신경망 모델을 학습시킬 수도 있다.

도 7은 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 상세하게 나타내는 블록도이다.

도 7에 도시된 바와 같이, 본 개시에 따른 전자 장치(100)는 메모리(110) 및 프로세서(120)뿐만 아니라, 통신부(130), 입력부(140) 및 출력부(150)를 더 포함할 수 있다. 그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 다양한 구성들이 더 부가될 수 있음은 물론이다.

통신부(130)는 회로를 포함하며, 외부 장치와의 통신을 수행할 수 있다. 구체적으로, 프로세서(120)는 통신부(130)를 통해 연결된 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다.

통신부(130)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다. 구체적으로, WiFi 모듈과 Bluetooth 모듈 각각은 WiFi 방식, Bluetooth 방식으로 통신을 수행할 수 있다. WiFi 모듈이나 Bluetooth 모듈을 이용하는 경우에는 SSID 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.

또한, 무선 통신 모듈은 IEEE, Zigbee, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행할 수 있다. 그리고, NFC 모듈은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 통신을 수행할 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 통신부(130)를 통해 외부 장치로부터 제1 신경망 모델(210)에 대한 정보, 제2 신경망 모델(220)에 대한 정보, 제1 신경망 모델(210)을 위한 학습 데이터, 제2 신경망 모델(220)을 위한 학습 데이터, 제1 신경망 모델(210)에 대한 정보, 제2 신경망 모델(220)에 대한 정보, 복수의 속성 값에 대한 정보 등과 같은 다양한 정보를 수신할 수 있다. 예를 들어, 제1 신경망 모델(210)을 위한 학습 데이터 또는 제2 신경망 모델(220)을 위한 학습 데이터가 통신부(130)를 통해 외부 장치로부터 수신되면, 프로세서(120)는 수신된 학습 데이터에 기초하여 신경망 모델을 재학습시킬 수 있다.

또한, 프로세서(120)는 제1 신경망 모델(210)을 통해 획득된 예측 정보를 사용자 단말로 전송하도록 통신부(130)를 제어할 수 있으며, 제2 신경망 모델(220)을 통해 획득된 대체 속성 값에 대한 정보를 외부 서버로 전송하도록 통신부(130)를 제어할 수도 있다.

입력부(140)는 회로를 포함하며, 프로세서(120)는 입력부(140)를 통해 전자 장치(100)의 동작을 제어하기 위한 사용자 명령을 수신할 수 있다. 구체적으로, 입력부(140)는 마이크, 카메라(미도시), 및 리모컨 신호 수신부(미도시) 등과 같은 구성으로 이루어질 수 있다. 그리고, 입력부(140)는 터치 스크린으로서 디스플레이에 포함된 형태로 구현될 수도 있다. 특히, 마이크는 음성 신호를 수신하고, 수신된 음성 신호를 전기 신호로 변환할 수 있다.

출력부(150)는 회로를 포함하며, 프로세서(120)는 출력부(150)를 통해 전자 장치(100)가 수행할 수 있는 다양한 기능을 출력할 수 있다. 그리고, 출력부(150)는 디스플레이, 스피커 및 인디케이터 중 적어도 하나를 포함할 수 있다.

디스플레이는 프로세서(120)의 제어에 의하여 영상 데이터를 출력할 수 있다. 구체적으로, 디스플레이는 프로세서(120)의 제어에 의하여 메모리(110)에 기 저장된 영상을 출력할 수 있다. 특히, 본 개시의 일 실시 예에 따른 디스플레이는 메모리(110)에 저장된 사용자 인터페이스(User Interface)를 표시할 수도 있다. 디스플레이는 LCD(Liquid Crystal Display Panel), OLED(Organic Light Emitting Diodes) 등으로 구현될 수 있으며, 또한 디스플레이는 경우에 따라 플렉서블 디스플레이, 투명 디스플레이 등으로 구현되는 것도 가능하다. 다만, 본 개시에 따른 디스플레이가 특정한 종류에 한정되는 것은 아니다.

스피커는 프로세서(120)의 제어에 의하여 오디오 데이터를 출력할 수 있으며, 인디케이터는 프로세서(120)의 제어에 의하여 점등될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 예측 정보를 제공하도록 출력부(150)를 제어할 수 있다. 구체적으로, 프로세서(120)는 디스플레이 상에 예측 정보에 대응되는 이미지 또는 텍스트를 표시할 수 있으며, 스피커를 통해 예측 정보에 대응되는 사운드를 출력할 수도 있다.

예측 정보가 제공된 후, 프로세서(120)는 입력부(140)를 통해 예측 정보에 대한 사용자 피드백을 수신할 수 있다. 구체적으로, 프로세서(120)는 디스플레이(터치 디스플레이)에 대한 사용자의 터치 입력 또는 마이크를 통해 수신된 사용자 음성에 기초하여, 예측 정보에 대한 사용자의 긍정적인 피드백 또는 부정적인 피드백을 수신할 수 있다.

사용자 피드백이 수신되면, 프로세서(120)는 사용자의 긍정적인 피드백이 수신된 경우 예측 정보에 대한 스코어를 높이고 사용자의 부정적인 피드백이 수신된 경우 예측 정보에 대한 스코어를 낮출 수 있다. 그리고, 프로세서(120)는 수신된 사용자 피드백에 기초하여 상기 제2 신경망 모델(220)을 학습시킬 수 있다. 구체적으로, 프로세서(120)는 사용자의 피드백이 반영된 스코어에 기초하여 제2 신경망 모델(220)을 학습시킬 수 있다.

한편, 이상에서 상술한 바와 같은 전자 장치(100)의 제어 방법/제어 과정은 프로그램으로 구현되어 전자 장치(100)에 제공될 수 있다. 특히, 전자 장치(100)의 제어 방법을 포함하는 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.

구체적으로, 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치(100)의 제어 방법은 본 개시에 따른 전자 장치(100)는 메모리(110) 및 컨텐츠에 대한 적어도 하나의 속성 값을 제1 신경망 모델(210)에 입력하여 컨텐츠에 대한 예측 정보를 획득하는 프로세서(120)를 포함하고, 프로세서(120)는 컨텐츠에 대한 복수의 속성 값이 획득되면, 복수의 속성 값 중 제1 신경망 모델(210)의 학습에 이용되지 않은 제1 속성 값을 식별하고, 복수의 속성 값 중 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델(220)에 입력하여 제1 속성 값에 대응되는 제2 속성 값을 획득하며, 제1 속성 값과 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 복수의 속성 값 중 제1 속성 값을 제외한 하나 이상의 속성 값과 제2 속성 값을 제1 신경망 모델(210)에 입력하여 컨텐츠에 대한 예측 정보를 획득하며, 획득된 예측 정보에 기초하여 제2 신경망 모델(220)을 학습시킨다.단계를 포함한다.

이상에서 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해 간략하게 설명하였으나, 이는 중복 설명을 생략하기 위한 것일 뿐이며, 전자 장치(100)에 대한 다양한 실시 예는 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해서도 적용될 수 있음은 물론이다

한편, 이상에서 상술한 바와 같은 제1 신경망 모델(210) 및 제2 신경망 모델(220) 등에 관련된 기능은 메모리(110) 및 프로세서(120)를 통해 수행될 수 있다.

프로세서(120)는 하나 또는 복수의 프로세서(120)로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서(120)는 CPU, AP 등과 같은 범용 프로세서(120), GPU. VPU 등과 같은 그래픽 전용 프로세서(120) 또는 NPU와 같은 인공 지능 전용 프로세서(120)일 수 있다.

하나 또는 복수의 프로세서(120)는, 비휘발성 메모리(110) 및 휘발성 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.

여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어질 수도 있다.

인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Networks) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 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^TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리(110)와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

이상에서 상술한 바와 같은 본 개시의 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다.

다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.

본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다.

상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.

100: 전자 장치 110: 프로세서
120: 메모리

Claims (19)

1. 전자 장치에 있어서,
   메모리; 및
   컨텐츠에 대한 적어도 하나의 속성 값을 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 프로세서; 를 포함하고,
   상기 프로세서는,
   상기 컨텐츠에 대한 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 제1 속성 값을 식별하고,
   상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 속성 값을 획득하며,
   상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 하나 이상의 속성 값과 상기 제2 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하며,
   상기 획득된 예측 정보에 기초하여 상기 제2 신경망 모델을 학습시키는 전자 장치.
   
2. 제1 항에 있어서,
   상기 프로세서는,
   상기 제1 신경망 모델을 통해 획득된 상기 예측 정보를 상기 복수의 속성 값에 대응되는 레이블 정보와 비교하여 손실 값을 획득하고,
   상기 손실 값에 기초하여 상기 제2 신경망 모델을 학습시키며,
   상기 제2 신경망 모델이 학습되는 동안 상기 제1 신경망 모델의 학습은 중지되는 전자 장치.
   
3. 제1 항에 있어서,
   상기 프로세서는,
   상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 상기 제1 임계 값 미만이면, 상기 제1 속성 값을 포함하는 상기 복수의 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 전자 장치.
   
4. 제1 항에 있어서,
   상기 프로세서는,
   상기 복수의 속성 값 사이의 상관 관계에 대한 정보 및 상기 복수의 속성 값 각각의 분포에 대한 정보 중 적어도 하나에 기초하여, 상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별하는 전자 장치.
   
5. 제1 항에 있어서,
   상기 프로세서는,
   상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 나머지 속성 값들 각각을 상기 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제1 테스트 값들을 획득하고,
   상기 제1 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들을 식별하며,
   상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들에 대응되는 속성 값들을 상기 관련 속성 값을 식별하기 위한 후보 속성 값들로 식별하고,
   상기 식별된 후보 속성 값들에 기초하여 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별하는 전자 장치.
   
6. 제5 항에 있어서,
   상기 프로세서는,
   상기 식별된 후보 속성 값들의 조합들 각각을 상기 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 테스트 값들을 획득하고,
   상기 제2 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들을 식별하며,
   상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들에 대응되는 조합들을 상기 관련 속성 값을 식별하기 위한 후보 조합들로 식별하고,
   상기 식별된 후보 조합들 중 상기 식별된 후보 조합들 각각에 대응되는 제2 테스트 값들과 상기 제1 속성 값과의 유사도가 가장 높은 조합에 포함된 속성 값들을 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값으로 식별하는 전자 장치.
   
7. 제1 항에 있어서,
   상기 프로세서는,
   상기 컨텐츠에 대한 상기 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 상기 제1 속성 값 및 제3 속성 값을 식별하고,
   상기 복수의 속성 값 중 상기 제3 속성 값에 관련된 적어도 관련 하나의 속성 값을 상기 제2 신경망 모델에 입력하여 상기 제3 속성 값에 대응되는 제4 속성 값을 획득하며,
   상기 제3 속성 값과 상기 제4 속성 값 사이의 유사도가 기 설정된 제4 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값과 상기 제3 속성 값을 제외한 하나 이상의 속성 값, 상기 제2 속성 값 및 상기 제4 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 전자 장치.
   
8. 제1 항에 있어서,
   입력부; 및
   출력부; 를 더 포함하고,
   상기 프로세서는,
   상기 획득된 예측 정보를 제공하도록 상기 출력부를 제어하고,
   상기 입력부를 통해 상기 예측 정보에 대한 사용자 피드백을 수신하며,
   상기 수신된 사용자 피드백에 기초하여 상기 제2 신경망 모델을 학습시키는 전자 장치.
   
9. 제1 항에 있어서,
   상기 제1 속성 값은 상기 제1 신경망 모델의 학습을 위한 학습 데이터에 포함되지 않은 속성 값 또는 상기 학습 데이터에 포함된 빈도가 기 설정된 제5 임계 값 미만인 속성 값인 전자 장치.
   
10. 전자 장치의 제어 방법에 있어서,
    컨텐츠에 대한 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 제1 속성 값을 식별하는 단계;
    상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 속성 값을 획득하는 단계;
    상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 하나 이상의 속성 값과 상기 제2 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계; 및
    상기 획득된 예측 정보에 기초하여 상기 제2 신경망 모델을 학습시키는 단계; 를 포함하는 전자 장치의 제어 방법.
    
11. 제10 항에 있어서,
    상기 제2 신경망 모델을 학습시키는 단계는,
    상기 제1 신경망 모델을 통해 획득된 상기 예측 정보를 상기 복수의 속성 값에 대응되는 레이블 정보와 비교하여 손실 값을 획득하는 단계; 및
    상기 손실 값에 기초하여 상기 제2 신경망 모델을 학습시키는 단계; 를 포함하고,
    상기 제2 신경망 모델이 학습되는 동안 상기 제1 신경망 모델의 학습은 중지되는 전자 장치의 제어 방법.
    
12. 제10 항에 있어서,
    상기 컨텐츠에 대한 예측 정보를 획득하는 단계는,
    상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 상기 제1 임계 값 미만이면, 상기 제1 속성 값을 포함하는 상기 복수의 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
    
13. 제10 항에 있어서,
    상기 제1 속성 값에 대응되는 제2 속성 값을 획득하는 단계는,
    상기 복수의 속성 값 사이의 상관 관계에 대한 정보 및 상기 복수의 속성 값 각각의 분포에 대한 정보 중 적어도 하나에 기초하여, 상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별하는 단계; 를 포함하는 전자 장치의 제어 방법.
    
14. 제10 항에 있어서,
    상기 적어도 하나의 관련 속성 값을 식별하는 단계는,
    상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 나머지 속성 값들 각각을 상기 제2 신경망 모델에 입력하여 제1 속성 값에 대응되는 제1 테스트 값들을 획득하는 단계;
    상기 제1 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들을 식별하는 단계;
    상기 제1 속성 값과의 유사도가 기 설정된 제2 임계 값 이상인 제1 테스트 값들에 대응되는 속성 값들을 상기 관련 속성 값을 식별하기 위한 후보 속성 값들로 식별하는 단계; 및
    상기 식별된 후보 속성 값들에 기초하여 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값을 식별하는 단계; 를 포함하는 전자 장치의 제어 방법.
    
15. 제14 항에 있어서,
    상기 적어도 하나의 관련 속성 값을 식별하는 단계는,
    상기 식별된 후보 속성 값들의 조합들 각각을 상기 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 테스트 값들을 획득하는 단계;
    상기 제2 테스트 값들 중 상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들을 식별하는 단계;
    상기 제1 속성 값과의 유사도가 기 설정된 제3 임계 값 이상인 제2 테스트 값들에 대응되는 조합들을 상기 관련 속성 값을 식별하기 위한 후보 조합들로 식별하는 단계; 및
    상기 식별된 후보 조합들 중 상기 식별된 후보 조합들 각각에 대응되는 제2 테스트 값들과 상기 제1 속성 값과의 유사도가 가장 높은 조합에 포함된 속성 값들을 상기 제1 속성 값에 관련된 상기 적어도 하나의 관련 속성 값으로 식별하는 단계; 를 더 포함하는 전자 장치의 제어 방법.
    
16. 제10 항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 컨텐츠에 대한 상기 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 상기 제1 속성 값 및 제3 속성 값을 식별하는 단계;
    상기 복수의 속성 값 중 상기 제3 속성 값에 관련된 적어도 관련 하나의 속성 값을 상기 제2 신경망 모델에 입력하여 상기 제3 속성 값에 대응되는 제4 속성 값을 획득하는 단계; 및
    상기 제3 속성 값과 상기 제4 속성 값 사이의 유사도가 기 설정된 제4 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값과 상기 제3 속성 값을 제외한 하나 이상의 속성 값, 상기 제2 속성 값 및 상기 제4 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계; 를 더 포함하는 전자 장치의 제어 방법.
    
17. 제10 항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 획득된 예측 정보를 제공하는 단계;
    상기 예측 정보에 대한 사용자 피드백을 수신하는 단계; 및
    상기 수신된 사용자 피드백에 기초하여 상기 제2 신경망 모델을 학습시키는 단계; 를 더 포함하는 전자 장치의 제어 방법.
    
18. 제10 항에 있어서,
    상기 제1 속성 값은 상기 제1 신경망 모델의 학습을 위한 학습 데이터에 포함되지 않은 속성 값 또는 상기 학습 데이터에 포함된 빈도가 기 설정된 제5 임계 값 미만인 속성 값인 전자 장치의 제어 방법.
    
19. 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서,
    상기 전자 장치의 제어 방법은,
    컨텐츠에 대한 복수의 속성 값이 획득되면, 상기 복수의 속성 값 중 제1 속성 값을 식별하는 단계;
    상기 복수의 속성 값 중 상기 제1 속성 값에 관련된 적어도 하나의 관련 속성 값을 제2 신경망 모델에 입력하여 상기 제1 속성 값에 대응되는 제2 속성 값을 획득하는 단계;
    상기 제1 속성 값과 상기 제2 속성 값 사이의 유사도가 기 설정된 제1 임계 값 이상이면, 상기 복수의 속성 값 중 상기 제1 속성 값을 제외한 하나 이상의 속성 값과 상기 제2 속성 값을 상기 제1 신경망 모델에 입력하여 상기 컨텐츠에 대한 예측 정보를 획득하는 단계; 및
    상기 획득된 예측 정보에 기초하여 상기 제2 신경망 모델을 학습시키는 단계; 를 포함하는 컴퓨터 판독 가능 기록매체.

Images