KR20230121153A - 라벨들에 기초하는 관여 분석 - Google Patents

라벨들에 기초하는 관여 분석 Download PDF

Info

Publication number
KR20230121153A
KR20230121153A KR1020237026000A KR20237026000A KR20230121153A KR 20230121153 A KR20230121153 A KR 20230121153A KR 1020237026000 A KR1020237026000 A KR 1020237026000A KR 20237026000 A KR20237026000 A KR 20237026000A KR 20230121153 A KR20230121153 A KR 20230121153A
Authority
KR
South Korea
Prior art keywords
label
content
labels
image
images
Prior art date
Application number
KR1020237026000A
Other languages
English (en)
Inventor
비토르 실바 소자
닐스 무루가라-레레나
레오나르도 리바스 마차도 다스 네베스
닐 샤
Original Assignee
스냅 인코포레이티드
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 US17/248,400 external-priority patent/US11816906B2/en
Application filed by 스냅 인코포레이티드 filed Critical 스냅 인코포레이티드
Publication of KR20230121153A publication Critical patent/KR20230121153A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
    • H04L51/10—Multimedia information

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

메시징 시스템은 메시징 시스템의 사용자들에 의해 생성된 콘텐츠 아이템들과 연관된 라벨들에 기초하여 관여 분석을 수행한다. 메시징 시스템은 이미지들을 포함하는 콘텐츠 아이템들을 처리하여 이미지들 내의 요소들을 식별하고, 이미지 내의 요소들에 기초하여 라벨들 중의 라벨을 이미지들 중의 이미지와 언제 연관시킬지를 나타내는 조건들에 기초하여 이미지들에 대한 라벨들을 결정하도록 구성된다. 메시징 시스템은 라벨을 이미지와 연관시키기로 결정하는 것에 응답하여, 라벨을 콘텐츠 아이템과 연관시키도록 더 구성된다. 메시징 시스템은 라벨과 연관된 콘텐츠 아이템들과의 사용자들의 상호작용들에 기초하여 라벨에 대한 관여 스코어들을 결정하고, 라벨들에서의 트렌드들을 결정하도록 관여 스코어들을 조정하여 조정된 관여 스코어들을 생성하도록 더 구성된다.

Description

라벨들에 기초하는 관여 분석
우선권 주장
본 특허 출원은 2020년 12월 31일자로 출원된 미국 가출원 제63/132,916호에 대한 우선권의 이익을 주장하는, 2021년 1월 22일자로 출원된 미국 출원 제17/248,400호에 대한 우선권을 주장하며, 이들 출원은 그 전체가 본 명세서에 참고로 포함된다.
기술분야
본 개시내용의 실시예들은 일반적으로 콘텐츠 아이템들의 라벨들에 기초하는 관여 분석을 위한 메시징 시스템에 관한 것이다. 제한이 아니라, 더 구체적으로, 본 개시내용의 실시예들은 트렌드 컴포넌트, 계절성 컴포넌트, 및 나머지 컴포넌트에 기초하여, 그리고 새로운 콘텐츠를 생성하는 결정된 관여 스코어들에 기초하여 관여 스코어들을 결정하는 것에 관한 것이다.
현재의 메시징 시스템들은 사용자들이 이미지들 및 비디오와 같은 콘텐츠를 생성하고 포스팅할 기회를 제공한다. 콘텐츠는 메시징 시스템들에서 다른 사용자들이 소비하기 위해 이용가능하게 된다. 사용자들은 매우 많은 양의 콘텐츠를 생성할 수 있다. 예를 들어, 사용자들이 소비하기 위해 이용가능한 수백만 개의 이미지 및 비디오가 있을 수 있다. 콘텐츠와 연관된 라벨들에 기초하여 현재 유행하고 있는 콘텐츠를 찾는 것은 어렵거나 시간 소모적일 수 있다.
반드시 축적으로 그려진 것은 아닌 도면들에서, 유사한 번호들은 상이한 도면들에서 유사한 컴포넌트들을 설명할 수 있다. 임의의 특정 요소 또는 액트의 설명을 쉽게 식별하기 위해, 참조 번호의 최상위 숫자 또는 숫자들은 그 요소가 처음 소개되는 도면 번호를 지칭한다. 일부 실시예들은 첨부 도면들의 도면들에서 제한이 아닌 예로서 예시된다. 도면들에서:
도 1은 일부 예들에 따른, 본 개시내용이 배치될 수 있는 네트워킹 환경의 도식적 표현이다.
도 2는 일부 예들에 따른, 클라이언트측 및 서버측 기능 모두를 갖는 메시징 시스템의 도식적 표현이다.
도 3은 일부 예들에 따른, 데이터베이스에 유지된 바와 같은 데이터 구조의 도식적 표현이다.
도 4는 일부 예들에 따른 메시지의 도식적 표현이다.
도 5는 일부 예들에 따른 액세스-제한 프로세스에 대한 흐름도이다.
도 6은 일부 실시예들에 따른, 시각적 태그들에 기초하는 관여 분석을 위한 시스템을 예시한다.
도 7은 일부 실시예들에 따른 콘텐츠 아이템을 예시한다.
도 8은 모바일 디바이스 상에 디스플레이된 콘텐츠 아이템을 예시한다.
도 9는 일부 실시예들에 따른, 콘텐츠 아이템에 대한 라벨들을 결정하기 위한 시스템을 예시한다.
도 10은 일부 실시예들에 따른 사용자의 프로파일을 예시한다.
도 11은 일부 실시예들에 따른 사용자 메타데이터 수집 모듈을 예시한다.
도 12는 일부 실시예들에 따른 콘텐츠 소비 데이터베이스를 예시한다.
도 13은 일부 실시예들에 따른 콘텐츠 소비 메트릭 추출 모듈을 예시한다.
도 14는 일부 실시예들에 따른 관여 스코어 결정 모듈을 예시한다.
도 15는 일부 실시예들에 따른 라벨의 사용의 그래프를 예시한다.
도 16은 일부 실시예들에 따른 라벨의 사용의 그래프를 예시한다.
도 17은 일부 실시예들에 따른 관여 스코어 조정 모듈을 예시한다.
도 18은 일부 실시예들에 따른 4개의 라벨에 대한 원시 데이터를 예시한다.
도 19는 일부 실시예들에 따른 라벨들의 단순 이동 평균(SMA)의 그래프를 예시한다.
도 20은 일부 실시예들에 따른 라벨들의 트렌드 모멘텀(TM)의 그래프를 예시한다.
도 21은 일부 실시예들에 따른 모멘텀(M)의 그래프를 예시한다.
도 22는 일부 실시예들에 따른 라벨 1의 통계 분석의 그래프들을 예시한다.
도 23은 일부 실시예들에 따른 라벨 1의 정적 계절성의 그래프를 예시한다.
도 24는 일부 실시예들에 따른 라벨 1의 계절적인 정규화된 디트렌드의 그래프를 예시한다.
도 25는 일부 실시예들에 따른 라벨 1의 인기의 트렌드 컴포넌트의 그래프를 예시한다.
도 26은 일부 실시예들에 따른 라벨 1의 인기의 계절성 컴포넌트의 그래프를 예시한다.
도 27은 일부 실시예들에 따른 라벨 1의 인기의 목요일에 대한 계절성 컴포넌트의 그래프를 예시한다.
도 28은 일부 실시예들에 따른 라벨 1의 인기의 디노이즈 컴포넌트의 그래프를 예시한다.
도 29는 일부 실시예들에 따른 라벨 1의 인기의 월요일에 대한 디노이즈 컴포넌트의 그래프를 예시한다.
도 30은 일부 실시예들에 따른 사용자 인터페이스 모듈을 예시한다.
도 31은 일부 실시예들에 따른, 라벨들에 기초하는 관여 분석을 위한 방법(3100)을 예시한다.
도 32는 일부 예들에 따른, 머신으로 하여금 본 명세서에서 설명된 방법들 중 임의의 하나 이상의 방법을 수행하게 하기 위해 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템의 형태의 머신의 도식적 표현이다.
도 33은 예들이 구현될 수 있는 소프트웨어 아키텍처를 도시하는 블록도이다.
도 34는 일부 예들에 따른 처리 환경의 도식적 표현이다.
이하의 설명은 본 개시내용의 예시적인 실시예들을 구현하는 시스템들, 방법들, 기술들, 명령어 시퀀스들, 및 컴퓨팅 머신 프로그램 제품들을 포함한다. 이하의 설명에서는, 설명의 목적들을 위하여, 다수의 특정 상세들이 본 발명의 주제의 다양한 실시예들의 이해를 제공하기 위하여 제시된다. 그러나, 이 분야의 통상의 기술자들에게는 본 발명의 주제의 실시예들이 이러한 특정 상세들 없이도 실시될 수 있다는 것이 명백할 것이다. 일반적으로, 널리 공지된 명령어 인스턴스들, 프로토콜들, 구조들, 및 기술들은 반드시 상세히 도시되지는 않는다.
메시징 시스템의 사용자들에 의해 생성되고 소비되는 콘텐츠 아이템들과 연관된 시각적 태그들 또는 라벨들에 대한 메시징 시스템의 사용자들의 관여를 분석하는 메시징 시스템이 개시된다. 메시징 시스템은 사용자들, 콘텐츠 아이템들, 콘텐츠 아이템들의 생성, 및 콘텐츠 아이템들의 소비를 분석하여, 콘텐츠 아이템들과 연관된 라벨들 또는 시각적 태그들과 연관된 비정상적인 활동을 결정한다.
예시적인 라벨들 또는 시각적 태그들은 "새", "고양이", "개", "낚시", "볼링", "실내", "실외" 등을 포함한다. 메시징 시스템은 콘텐츠 아이템들을 분석하고 콘텐츠 아이템들의 이미지들 내의 객체들 또는 요소들을 식별한다. 예시적인 객체들은 "소년", "볼링공", "볼링장", "쇼츠(shorts)" 등을 포함한다. 메시징 시스템은 콘텐츠 아이템에서 식별된 객체들 또는 요소들에 기초하여 라벨을 콘텐츠 아이템과 연관시킬지를 결정한다. 예를 들어, 콘텐츠 아이템은 볼링장에서 촬영된 이미지일 수 있다. 메시징 시스템은 객체들 "소년", "볼링공", "실내", 및 "볼링장"을 추출한다. 다음으로, 메시징 시스템은 어느 라벨들을 콘텐츠 아이템과 연관시킬지를 결정한다. 일부 실시예들에서, 라벨들은 라벨이 콘텐츠 아이템과 연관되어야 하는지의 여부를 나타내는 조건들과 연관된다. 예를 들어, "볼링"의 라벨은, "사람들", "볼링공", 및 "실내"의 객체들이 콘텐츠 아이템의 이미지에서 식별되는 경우, 라벨 "볼링"이 콘텐츠 아이템과 연관되어야 한다는 것을 나타내는 조건들을 가질 수 있다. 콘텐츠 아이템과 연관되는 라벨을 트리거하는 많은 조건들이 있을 수 있다. 콘텐츠 아이템은 많은 라벨들과 연관될 수 있다.
그 다음, 메시징 시스템은, 메시징 시스템의 얼마나 많은 사용자가 라벨과 연관된 콘텐츠 아이템들과 상호작용했는지를 나타내는 라벨들에 대한 관여 스코어들을 생성한다. 관여는 콘텐츠 소비 메트릭들을 사용하여 측정될 수 있다. 예시적인 콘텐츠 소비 메트릭들은 콘텐츠 아이템에 대해: 시청, 시청 시간, 공유 수, 스크린샷 수, 및 공유 수를 포함한다. 한가지 문제점은 그렇게 많은 콘텐츠 소비 메트릭들을 이용하여 라벨에 대한 사용자들의 관여를 결정하는 것이 어려울 수 있다는 것이다. 이 문제에 대한 해결책은 열정 및 인기와 같은 집계 콘텐츠 소비 메트릭들을 사용하는 것이다. 열정 및 인기에 대해, 단일의 집계 관여 스코어가 결정되도록 콘텐츠 소비 메트릭들 각각과 연관된 가중치 벡터가 존재하며, 이는 라벨의 사용자 관여를 분석하는 것을 더 쉽게 할 수 있다.
메시징 시스템은 집계 관여 스코어들 및 관여 스코어들을 조정한다. 조정들은 라벨과 연관된 활동이 비정상적으로 높은지 또는 낮은지를 결정하는 것을 더 쉽게 한다. 일부 실시예들에서, 메시징 시스템은 단순 이동 평균을 결정한다. 일부 실시예들에서, 메시징 시스템은 트렌드 모멘텀을 결정한다. 일부 실시예들에서, 메시징 시스템은 동적 계절적 조정 또는 동적 계절성 조정에 따라 관여 스코어들을 조정한다. 일부 실시예들에서, 메시징 시스템들은 사용자들의 상호작용들 중의 상호작용에 대한 동적 계절성을 결정하기 위해 관여 스코어들을 조정하고, 동적 계절성은 상호작용의 값들로부터 트렌드 컴포넌트를 감산한 것의 평균에 기초하여 결정된다.
메시징 시스템은 조정된 관여 스코어들을 모니터링하고, 조정된 관여 스코어들이 라벨에 대해 비정상적으로 높거나 낮을 때 액션들을 수행할 수 있다. 액션들은 비정상적인 활동을 보고하는 것, 및 메시징 시스템의 사용자들이 그들의 콘텐츠 아이템들에 추가하기 위해 이용가능하게 되는 라벨에 관련된 증강 콘텐츠를 생성하는 것을 포함한다.
메시징 시스템은 콘텐츠 아이템들 및 사용자들에 관한 다양한 생성된 데이터베이스들을 취하고, 사용자들의 프라이버시를 보장하기 위해 사용자들의 개인 정보를 제거하는 집계된 데이터베이스를 생성한다. 일부 실시예들에서, 메시징 시스템은 사용자들의 개인 데이터를 노출시키는 생성된 데이터베이스들을 삭제한다. 일부 실시예들은 관여 스코어들의 계절적 변동들을 제거함으로써 비정상적 활동의 식별을 개선한다.
일부 실시예들은 라벨과 연관된 메시징 시스템 내에서의 비정상적인 활동을 식별하는 기술적 문제에 대한 기술적 해결책을 제공한다. 일부 실시예들은 개별 사용자들에 대한 프라이버시를 유지하면서 메시징 시스템의 사용자들의 사용자 프로파일 데이터를 사용하는 기술적 문제에 대한 기술적 해결책을 제공한다.
일부 실시예들은 비정상적인 활동을 갖는 콘텐츠를 사용자들에게 추천함으로써 메시징 시스템의 사용자들에 의한 콘텐츠 소비를 개선하는 이점을 갖는다. 일부 실시예들은 메시징 시스템의 사용자들에게 비정상적인 활동을 갖는 라벨들에 관련된 콘텐츠를 생성하도록 추천함으로써 메시징 시스템 상의 콘텐츠의 이용가능성을 개선한다. 일부 실시예들은 비정상적으로 높은 활동을 갖는 라벨들과 관련된 광고들을 타겟팅함으로써 그리고 관여 스코어들의 계절적 변동들을 제거함으로써 광고들의 타겟팅 및 광고들에 대해 청구될 수 있는 가격을 개선한다. 일부 실시예들은 라벨들과 연관된 비정상적인 활동을 사용하여 비정상적으로 높은 활동을 갖는 라벨들과 관련된 콘텐츠 아이템들에 추가될 수 있는 스티커들, 캡션들 및 노래들과 같은 수정 콘텐츠를 생성함으로써 사용자들이 메시지들을 생성하기 위한 환경을 개선한다.
네트워킹 컴퓨팅 환경
도 1은 네트워크를 통해 데이터(예를 들어, 메시지들 및 연관된 콘텐츠)를 교환하기 위한 예시적인 메시징 시스템(100)을 도시하는 블록도이다. 메시징 시스템(100)은 클라이언트 디바이스(102)의 다수의 인스턴스를 포함하고, 이들 각각은 메시징 클라이언트(104)를 포함하는 다수의 애플리케이션을 호스팅한다. 각각의 메시징 클라이언트(104)는 네트워크(106)(예를 들어, 인터넷)를 통해 메시징 클라이언트(104) 및 메시징 서버 시스템(108)의 다른 인스턴스들에 통신가능하게 결합된다.
메시징 클라이언트(104)는 네트워크(106)를 통해 다른 메시징 클라이언트(104) 및 메시징 서버 시스템(108)과 통신하고 데이터를 교환할 수 있다. 메시징 클라이언트(104) 사이에 그리고 메시징 클라이언트(104)와 메시징 서버 시스템(108) 사이에 교환되는 데이터는 기능들(예를 들어, 기능들을 호출하기 위한 커맨드들)뿐만 아니라, 페이로드 데이터(예를 들어, 텍스트, 오디오, 비디오 또는 다른 멀티미디어 데이터)를 포함한다.
메시징 서버 시스템(108)은 서버측 기능을 네트워크(106)를 통해 특정 메시징 클라이언트(104)에 제공한다. 메시징 시스템(100)의 특정 기능들이 메시징 클라이언트(104)에 의해 또는 메시징 서버 시스템(108)에 의해 수행되는 것으로 본 명세서에 설명되지만, 메시징 클라이언트(104) 또는 메시징 서버 시스템(108) 내의 특정 기능의 위치는 설계 선택일 수 있다. 예를 들어, 초기에는 특정 기술 및 기능을 메시징 서버 시스템(108) 내에 배치하지만 나중에 클라이언트 디바이스(102)가 충분한 처리 용량을 갖는 경우에는 이러한 기술 및 기능을 메시징 클라이언트(104)로 이동시키는 것이 기술적으로 바람직할 수 있다.
메시징 서버 시스템(108)은 메시징 클라이언트(104)에 제공되는 다양한 서비스들 및 동작들을 지원한다. 그러한 동작들은 메시징 클라이언트(104)에 데이터를 송신하고, 그로부터 데이터를 수신하고, 그에 의해 생성된 데이터를 처리하는 것을 포함한다. 이 데이터는 예들로서, 메시지 콘텐츠, 클라이언트 디바이스 정보, 지리위치 정보, 미디어 증강 및 오버레이들, 메시지 콘텐츠 지속 조건들, 소셜 네트워크 정보, 및 라이브 이벤트 정보를 포함할 수 있다. 메시징 시스템(100) 내의 데이터 교환들은 메시징 클라이언트(104)의 사용자 인터페이스(UI)들을 통해 이용가능한 기능들을 통해 호출되고 제어된다.
이제 구체적으로 메시징 서버 시스템(108)을 참조하면, 애플리케이션 프로그램 인터페이스(API) 서버(110)는 애플리케이션 서버들(112)에 결합되고, 그들에게 프로그램 인터페이스를 제공한다. 애플리케이션 서버들(112)은 애플리케이션 서버들(112)에 의해 처리된 메시지들과 연관된 데이터를 저장하는 데이터베이스(120)에 대한 액세스를 용이하게 하는 데이터베이스 서버(118)에 통신가능하게 결합된다. 유사하게, 웹 서버(124)는 애플리케이션 서버들(112)에 결합되고, 애플리케이션 서버들(112)에 웹 기반 인터페이스들을 제공한다. 이를 위해, 웹 서버(124)는 하이퍼텍스트 전송 프로토콜(HTTP) 및 여러 다른 관련 프로토콜들을 통해 착신 네트워크 요청들을 처리한다.
애플리케이션 프로그램 인터페이스(API) 서버(110)는 클라이언트 디바이스(102)와 애플리케이션 서버들(112) 사이에서 메시지 데이터(예를 들어, 커맨드들 및 메시지 페이로드들)를 수신 및 송신한다. 구체적으로, 애플리케이션 프로그램 인터페이스(API) 서버(110)는 애플리케이션 서버들(112)의 기능을 호출하기 위해 메시징 클라이언트(104)에 의해 호출 또는 질의될 수 있는 인터페이스들의 세트(예를 들어, 루틴들 및 프로토콜들)를 제공한다. 애플리케이션 프로그램 인터페이스(API) 서버(110)는 계정 등록, 로그인 기능, 특정 메시징 클라이언트(104)로부터 다른 메시징 클라이언트(104)로의 애플리케이션 서버들(112)을 통한 메시지들의 전송, 메시징 클라이언트(104)로부터 메시징 서버(114)로의 미디어 파일들(예를 들어, 이미지들 또는 비디오)의 전송, 및 다른 메시징 클라이언트(104)에 의한 가능한 액세스를 위해, 미디어 데이터의 컬렉션(예를 들어, 스토리)의 설정들, 클라이언트 디바이스(102)의 사용자의 친구들의 리스트의 검색, 그러한 컬렉션들의 검색, 메시지들 및 콘텐츠의 검색, 엔티티 그래프(예를 들어, 소셜 그래프)에의 엔티티들(예를 들어, 친구들)의 추가 및 삭제, 소셜 그래프 내의 친구들의 위치, 및 (예를 들어, 메시징 클라이언트(104)에 관련된) 애플리케이션 이벤트를 여는 것을 포함하여, 애플리케이션 서버들(112)에 의해 지원되는 다양한 기능들을 노출시킨다.
애플리케이션 서버들(112)은 예를 들어, 메시징 서버(114), 이미지 처리 서버(116), 및 소셜 네트워크 서버(122)를 포함하는 다수의 서버 애플리케이션들 및 서브시스템들을 호스팅한다. 메시징 서버(114)는 메시징 클라이언트(104)의 다수의 인스턴스들로부터 수신된 메시지들에 포함된 콘텐츠(예를 들어, 텍스트 및 멀티미디어 콘텐츠)의 집계 및 다른 처리와 특히 관련된 다수의 메시지 처리 기술들 및 기능들을 구현한다. 더 상세히 설명되는 바와 같이, 다수의 소스로부터의 텍스트 및 미디어 콘텐츠는 콘텐츠의 컬렉션들(예를 들어, 스토리들 또는 갤러리들로 지칭됨)로 집계될 수 있다. 그 다음, 이들 컬렉션은 메시징 클라이언트(104)에 의해 이용가능하게 된다. 다른 프로세서 및 메모리 집약적인 데이터 처리는 또한, 이러한 처리를 위한 하드웨어 요건들을 고려하여, 메시징 서버(114)에 의해 서버측에서 수행될 수 있다.
애플리케이션 서버들(112)은 또한, 전형적으로 메시징 서버(114)로부터 송신되거나 메시징 서버(114)에서 수신되는 메시지의 페이로드 내의 이미지들 또는 비디오에 관하여 다양한 이미지 처리 동작들을 수행하는 데 전용화되는 이미지 처리 서버(116)를 포함한다.
소설 네트워크 서버(122)는 다양한 소셜 네트워킹 기능들 및 서비스들을 지원하고, 이러한 기능들 및 서비스들을 메시징 서버(114)에 의해 이용가능하게 한다. 이를 위해, 소셜 네트워크 서버(122)는 데이터베이스(120) 내의 (도 3에 도시된 바와 같은) 엔티티 그래프(306)를 유지하고 그에 액세스한다. 소셜 네트워크 서버(122)에 의해 지원되는 기능들 및 서비스들의 예들은 특정 사용자가 관계를 갖거나 "팔로우하는" 메시징 시스템(100)의 다른 사용자들의 식별, 및 또한 특정 사용자의 관심들 및 다른 엔티티들의 식별을 포함한다.
시스템 아키텍처
도 2는 일부 예들에 따른 메시징 시스템(100)에 관한 추가 상세들을 예시하는 블록도이다. 구체적으로, 메시징 시스템(100)은 메시징 클라이언트(104) 및 애플리케이션 서버들(112)을 포함하는 것으로 도시되어 있다. 메시징 시스템(100)은 메시징 클라이언트(104)에 의해 클라이언트측에서 그리고 애플리케이션 서버들(112)에 의해 서버측에서 지원되는 다수의 서브시스템을 구현한다. 이들 서브시스템은 예를 들어 단기적 타이머 시스템(202), 컬렉션 관리 시스템(204), 수정 시스템(206), 맵 시스템(208), 게임 시스템(210), 및 관여 시스템(214)을 포함한다.
단기적 타이머 시스템(202)은 메시징 클라이언트(104) 및 메시징 서버(114)에 의한 콘텐츠에 대한 일시적 또는 시간 제한된 액세스를 시행하는 것을 담당한다. 단기적 타이머 시스템(202)은 메시지, 또는 메시지들의 컬렉션(예를 들어, 스토리)과 연관된 지속기간 및 디스플레이 파라미터들에 기초하여 메시징 클라이언트(104)를 통해 메시지들 및 연관된 콘텐츠에 대한 (예를 들어, 제시 및 디스플레이를 위한) 액세스를 선택적으로 가능하게 하는 다수의 타이머를 포함한다. 단기적 타이머 시스템(202)의 동작에 관한 추가 상세들은 아래에 제공된다.
컬렉션 관리 시스템(204)은 미디어의 세트들 또는 컬렉션들(예를 들어, 텍스트, 이미지 비디오, 및 오디오 데이터의 컬렉션들)을 관리하는 것을 담당한다. 콘텐츠의 컬렉션(예를 들어, 이미지들, 비디오, 텍스트 및 오디오를 포함하는 메시지들)은 "이벤트 갤러리" 또는 "이벤트 스토리"로 조직화될 수 있다. 이러한 컬렉션은 콘텐츠가 관련되는 이벤트의 지속기간과 같은 지정된 기간 동안 이용가능하게 될 수 있다. 예를 들어, 음악 콘서트에 관한 콘텐츠는 그 음악 콘서트의 지속기간 동안 "스토리"로서 이용가능하게 될 수 있다. 컬렉션 관리 시스템(204)은 또한 메시징 클라이언트(104)의 사용자 인터페이스에 특정 컬렉션의 존재의 통지를 제공하는 아이콘을 게시하는 것을 담당할 수 있다.
컬렉션 관리 시스템(204)은 컬렉션 관리자가 콘텐츠의 특정 컬렉션을 관리 및 큐레이팅하는 것을 허용하는 큐레이션 인터페이스(212)를 더 포함한다. 예를 들어, 큐레이션 인터페이스(212)는 이벤트 조직자가 특정 이벤트에 관한 콘텐츠의 컬렉션을 큐레이팅(예를 들어, 부적절한 콘텐츠 또는 중복 메시지들을 삭제)할 수 있게 한다. 또한, 컬렉션 관리 시스템(204)은 머신 비전(또는 이미지 인식 기술) 및 콘텐츠 규칙들을 이용하여 콘텐츠 컬렉션을 자동으로 큐레이팅한다. 특정 예들에서, 사용자 생성 콘텐츠를 컬렉션에 포함시키는 것에 대한 보상이 사용자에게 지불될 수 있다. 이러한 경우들에서, 컬렉션 관리 시스템(204)은 이러한 사용자들에게 그들의 콘텐츠의 사용에 대해 자동으로 지불하도록 동작한다.
증강 시스템(206)은 사용자가 메시지와 연관된 미디어 콘텐츠를 증강(예를 들어, 주석 첨부 또는 다른 방식으로 수정 또는 편집)할 수 있게 하는 다양한 기능들을 제공한다. 예를 들어, 증강 시스템(206)은 메시징 시스템(100)에 의해 처리되는 메시지들에 대한 미디어 오버레이들의 생성 및 게시와 관련된 기능들을 제공한다. 증강 시스템(206)은 클라이언트 디바이스(102)의 지리위치에 기초하여 메시징 클라이언트(104)에 미디어 오버레이 또는 증강(예를 들어, 이미지 필터)을 동작가능하게 공급한다. 다른 예에서, 증강 시스템(206)은 클라이언트 디바이스(102)의 사용자의 소셜 네트워크 정보와 같은 다른 정보에 기초하여 메시징 클라이언트(104)에 미디어 오버레이를 동작가능하게 공급한다. 미디어 오버레이는 오디오 및 비주얼 콘텐츠 및 시각적 효과들을 포함할 수 있다. 오디오 및 비주얼 콘텐츠의 예들은 픽처들, 텍스트들, 로고들, 애니메이션들 및 사운드 효과들을 포함한다. 시각적 효과의 예는 컬러 오버레잉을 포함한다. 오디오 및 비주얼 콘텐츠 또는 시각적 효과들은 클라이언트 디바이스(102)에서 미디어 콘텐츠 아이템(예를 들어, 사진)에 적용될 수 있다. 예를 들어, 미디어 오버레이는 클라이언트 디바이스(102)에 의해 촬영된 사진 위에 오버레이될 수 있는 텍스트 또는 이미지를 포함할 수 있다. 다른 예에서, 미디어 오버레이는 위치 식별 오버레이(예를 들어, Venice beach), 라이브 이벤트 이름, 또는 상인 이름 오버레이(예를 들어, Beach Coffee House)를 포함한다. 다른 예에서, 증강 시스템(206)은 클라이언트 디바이스(102)의 지리위치를 사용하여 클라이언트 디바이스(102)의 지리위치에서의 상인의 이름을 포함하는 미디어 오버레이를 식별한다. 미디어 오버레이는 상인과 연관된 다른 표지를 포함할 수 있다. 미디어 오버레이들은 데이터베이스(120)에 저장되고 데이터베이스 서버(118)를 통해 액세스될 수 있다.
일부 예들에서, 증강 시스템(206)은 사용자들이 맵 상에서 지리위치를 선택하고 선택된 지리위치와 연관된 콘텐츠를 업로드하는 것을 가능하게 하는 사용자 기반 게시 플랫폼을 제공한다. 사용자는 또한, 특정한 미디어 오버레이가 다른 사용자들에게 제공되어야 하는 상황들을 지정할 수 있다. 증강 시스템(206)은 업로드된 콘텐츠를 포함하는 미디어 오버레이를 생성하고, 업로드된 콘텐츠를 선택된 지리위치와 연관시킨다.
다른 예들에서, 증강 시스템(206)은 상인들이 입찰 프로세스를 통해 지리위치와 연관된 특정 미디어 오버레이를 선택할 수 있게 하는 상인 기반 게시 플랫폼을 제공한다. 예를 들어, 증강 시스템(206)은 최고 입찰 상인의 미디어 오버레이를 미리 정의된 양의 시간 동안 대응하는 지리위치와 연관시킨다.
맵 시스템(208)은 다양한 지리 위치 기능들을 제공하고, 메시징 클라이언트(104)에 의한 맵 기반 미디어 콘텐츠 및 메시지들의 제시를 지원한다. 예를 들어, 맵 시스템(208)은 맵의 컨텍스트 내에서, 사용자의 "친구들"의 현재 또는 과거 위치뿐만 아니라, 이러한 친구들에 의해 생성된 미디어 콘텐츠(예를 들어, 사진들 및 비디오들을 포함하는 메시지들의 컬렉션들)를 표시하기 위해 맵 상의 (예를 들어, 프로파일 데이터(308)에 저장된) 사용자 아이콘들 또는 아바타들의 디스플레이를 가능하게 한다. 예를 들어, 특정 지리 위치로부터 메시징 시스템(100)에 사용자에 의해 포스팅된 메시지는 그 특정 위치에서의 맵의 컨텍스트 내에서 메시징 클라이언트(104)의 맵 인터페이스 상의 특정 사용자의 "친구들"에게 디스플레이될 수 있다. 사용자는 또한 (예를 들어, 적당한 상태 아바타를 사용하여) 자신의 위치 및 상태 정보를 메시징 클라이언트(104)를 통해 메시징 시스템(100)의 다른 사용자들과 공유할 수 있고, 이러한 위치 및 상태 정보는 선택된 사용자들에게 메시징 클라이언트(104)의 맵 인터페이스의 컨텍스트 내에서 유사하게 디스플레이된다.
게임 시스템(210)은 메시징 클라이언트(104)의 컨텍스트 내에서 다양한 게임 기능들을 제공한다. 메시징 클라이언트(104)는 메시징 클라이언트(104)의 컨텍스트 내에서 사용자에 의해 론칭되고 메시징 시스템(100)의 다른 사용자들과 함께 플레이될 수 있는 이용가능한 게임들의 리스트를 제공하는 게임 인터페이스를 제공한다. 메시징 시스템(100)은 또한 특정 사용자가 메시징 클라이언트(104)로부터 다른 사용자들에게 초청들을 발행함으로써 특정 게임의 플레이에 참여하도록 그러한 다른 사용자들을 초청할 수 있게 한다. 메시징 클라이언트(104)는 또한 게임플레이의 컨텍스트 내에서 음성 및 텍스트 메시징(예를 들어, 채팅들) 둘 다를 지원하고, 게임들에 대한 리더보드를 제공하고, 또한 게임 내 보상들(예를 들어, 코인들 및 아이템들)의 제공을 지원한다.
관여 시스템(214)은 관여 스코어들을 결정하는 것에 관련된 다양한 기능들을 제공하고, 관여 스코어들에 기초하여 추천들을 메시징 클라이언트(104)에 제공하는 것을 지원한다. 관여 시스템(214)은 증강 시스템(206)이 메시징 클라이언트(104)에 제공할 수 있는 추가적인 수정들의 생성을 돕기 위한 시스템을 제공한다. 일부 실시예들에 따르면, 수정은 증강이라고 지칭될 수 있다. 관여 시스템(214)은 메시징 시스템(100) 내에서 생성된 콘텐츠 아이템들에 관련된 통계들을 모니터링하고 결정할 수 있다. 관여 시스템(214)은 컬렉션 관리 시스템(204), 증강 시스템(206), 맵 시스템(208), 및 게임 시스템(210)의 활동뿐만 아니라 메시징 클라이언트(104) 및 애플리케이션 서버들(112)의 다른 활동들을 모니터링하여, 콘텐츠와 연관된 라벨들이 예상보다 더 낮거나 예상보다 더 높은 특이한 활동 레벨들을 갖는다고 결정할 수 있다. 관여 시스템(214)은 콘텐츠와 연관된 라벨들에 기초하여 어느 콘텐츠를 사용자들에게 디스플레이하거나 제안할지와 같은, 메시징 클라이언트(104) 및/또는 애플리케이션 서버들(112)에 대한 추천들을 생성할 수 있다. 관여 시스템(214)은 추가 콘텐츠를 생성하거나 특정 라벨들과 연관된 콘텐츠가 생성될 것을 제안할 수 있다. 관여 시스템(214)은 마케팅 및 판매를 위해 사용될 수 있고 어느 콘텐츠가 광고들을 포함하는지를 결정하고 광고에 대한 가치를 결정하는 것을 도울 수 있는 보고들을 생성할 수 있다. 콘텐츠는 콘텐츠와 연관된 라벨들 및 라벨들과 연관된 콘텐츠에 대한 사용자들에 의한 관여의 활동 레벨들에 기초하여 선택된다. 관여 시스템(214)은 콘텐츠를 분석하고, 코로나 바이러스로부터의 팬데믹과 같은 외부 이벤트들을 결정하고, 외부 이벤트들을 표시하기 위한 새로운 콘텐츠를 생성할 수 있다. 도 6은 관여 시스템(214)의 개요를 제공한다.
데이터 아키텍처
도 3은 특정 예들에 따른 메시징 서버 시스템(108)의 데이터베이스(120)에 저장될 수 있는 데이터 구조들(300)을 예시하는 개략도이다. 데이터베이스(120)의 콘텐츠가 다수의 테이블을 포함하는 것으로 도시되어 있지만, 데이터는 다른 유형들의 데이터 구조들에 (예를 들어, 객체 지향 데이터베이스로서) 저장될 수 있다는 것을 알 것이다.
데이터베이스(120)는 메시지 테이블(302) 내에 저장된 메시지 데이터를 포함한다. 이 메시지 데이터는 임의의 특정한 하나의 메시지에 대해, 적어도 메시지 송신자 데이터, 메시지 수신자(또는 수신기) 데이터, 및 페이로드를 포함한다. 메시지에 포함될 수 있고 메시지 테이블(302)에 저장된 메시지 데이터 내에 포함될 수 있는 정보에 관한 추가적인 상세들은 아래에서 도 4를 참조하여 설명된다.
엔티티 테이블(304)은 엔티티 데이터를 저장하고, 엔티티 그래프(306) 및 프로파일 데이터(308)에 (예를 들어, 참조적으로) 링크된다. 엔티티 테이블(304) 내에 레코드들이 유지되는 엔티티들은 개인들, 회사 엔티티들, 조직들, 객체들, 장소들, 이벤트들 등을 포함할 수 있다. 엔티티 유형에 관계없이, 메시징 서버 시스템(108)이 그에 관한 데이터를 저장하는 임의의 엔티티는 인식된 엔티티일 수 있다. 각각의 엔티티에는 고유 식별자뿐만 아니라 엔티티 유형 식별자(도시되지 않다)도 제공된다.
엔티티 그래프(306)는 엔티티들 사이의 관계들 및 연관성들에 관한 정보를 저장한다. 이러한 관계들은 단지 예로서, 사회적, 전문적(예를 들어, 일반 법인 또는 조직에서의 일) 관심 기반 또는 활동 기반일 수 있다.
프로파일 데이터(308)는 특정 엔티티에 대한 다수의 유형의 프로파일 데이터를 저장한다. 프로파일 데이터(308)는 특정 엔티티에 의해 지정된 프라이버시 설정들에 기초하여, 선택적으로 사용되고, 메시징 시스템(100)의 다른 사용자들에게 제시될 수 있다. 엔티티가 개인인 경우, 프로파일 데이터(308)는 예를 들어, 사용자 이름, 전화 번호, 어드레스, 설정들(예컨대, 통지 및 프라이버시 설정들)은 물론, 사용자 선택 아바타 표현(또는 이러한 아바타 표현들의 컬렉션)을 포함한다. 그 후, 특정 사용자는 메시징 시스템(100)을 통해 통신된 메시지들의 콘텐츠 내에 그리고 메시징 클라이언트들(104)에 의해 다른 사용자들에게 디스플레이된 맵 인터페이스들 상에 이러한 아바타 표현들 중 하나 이상을 선택적으로 포함시킬 수 있다. 아바타 표현들의 컬렉션은 사용자가 특정 시간에 통신하기 위해 선택할 수 있는 상태 또는 활동의 그래픽 표현을 제시하는 "상태 아바타들"을 포함할 수 있다.
엔티티가 그룹인 경우, 그룹에 대한 프로파일 데이터(308)는 유사하게, 관련 그룹에 대한 그룹 이름, 멤버들, 및 다양한 설정들(예컨대, 통지들)에 부가하여, 그룹과 연관된 하나 이상의 아바타 표현을 포함할 수 있다.
데이터베이스(120)는 또한 오버레이들 또는 필터들과 같은 증강 데이터를 증강 테이블(310)에 저장한다. 증강 데이터는 (데이터가 비디오 테이블(314)에 저장되는) 비디오들 및 (데이터가 이미지 테이블(316)에 저장되는) 이미지들과 연관되고, 이들에 적용된다.
일례에서, 필터들은 수신자 사용자에 대한 제시 동안에 이미지 또는 비디오 상에 오버레이된 것으로서 디스플레이되는 오버레이들이다. 필터들은 송신 사용자가 메시지를 작성하고 있을 때 메시징 클라이언트(104)에 의해 송신 사용자에게 제시되는 필터들의 세트로부터의 사용자 선택 필터들을 포함하는 다양한 유형들일 수 있다. 다른 유형들의 필터들은 지리 위치에 기초하여 송신 사용자에게 제시될 수 있는 지리위치 필터들(지리-필터들로도 알려짐)을 포함한다. 예를 들어, 이웃 또는 특수 위치에 특유한 지리위치 필터들이 클라이언트 디바이스(102)의 글로벌 포지셔닝 시스템(GPS) 유닛에 의해 결정된 지리위치 정보에 기초하여 메시징 클라이언트(104)에 의해 사용자 인터페이스 내에 제시될 수 있다.
다른 유형의 필터는 메시지 생성 프로세스 동안 클라이언트 디바이스(102)에 의해 수집된 정보 또는 다른 입력들에 기초하여 메시징 클라이언트(104)에 의해 송신 사용자에게 선택적으로 제시될 수 있는 데이터 필터이다. 데이터 필터들의 예들은 특정 위치에서의 현재 온도, 송신 사용자가 이동하고 있는 현재 속도, 클라이언트 디바이스(102)에 대한 배터리 수명, 또는 현재 시간을 포함한다.
이미지 테이블(316) 내에 저장될 수 있는 다른 증강 데이터는 (예를 들어, 렌즈들 또는 증강 현실 경험들을 적용하는 것에 대응하는) 증강 현실 콘텐츠 아이템들을 포함한다. 증강 현실 콘텐츠 아이템은 이미지 또는 비디오에 추가될 수 있는 실시간 특수 효과 및 사운드일 수 있다.
전술한 바와 같이, 증강 데이터는 증강 현실 콘텐츠 아이템들, 오버레이들, 이미지 변환들, AR 이미지들을 포함하고, 유사한 용어들은 이미지 데이터(예를 들어, 비디오들 또는 이미지들)에 적용될 수 있는 수정들을 지칭한다. 이것은 이미지가 클라이언트 디바이스(102)의 디바이스 센서들(예를 들어, 하나 또는 다수의 카메라)을 사용하여 캡처된 후에 수정들과 함께 클라이언트 디바이스(102)의 스크린 상에 디스플레이됨에 따라 이미지를 수정하는 실시간 수정들을 포함한다. 이것은 또한 수정될 수 있는 갤러리 내의 비디오 클립들과 같은 저장된 콘텐츠에 대한 수정들을 포함한다. 예를 들어, 다수의 증강 현실 콘텐츠 아이템에 액세스하는 클라이언트 디바이스(102)에서, 사용자는 다수의 증강 현실 콘텐츠 아이템을 갖는 단일 비디오 클립을 사용하여 상이한 증강 현실 콘텐츠 아이템들이 저장된 클립을 어떻게 수정할 것인지를 알 수 있다. 예를 들어, 상이한 의사 무작위 이동 모델들을 적용하는 다수의 증강 현실 콘텐츠 아이템은 콘텐츠에 대한 상이한 증강 현실 콘텐츠 아이템들을 선택함으로써 동일한 콘텐츠에 적용될 수 있다. 유사하게, 클라이언트 디바이스(102)의 센서에 의해 현재 캡처되고 있는 비디오 이미지들이 캡처된 데이터를 어떻게 수정할지를 보여주기 위해 실시간 비디오 캡처가 예시된 수정과 함께 사용될 수 있다. 그러한 데이터는 단순히 스크린 상에 디스플레이되고 메모리에 저장되지 않을 수 있거나, 디바이스 센서들에 의해 캡처된 콘텐츠는 수정들과 함께 또는 수정들 없이(또는 둘 다) 메모리에 기록되고 저장될 수 있다. 일부 시스템들에서, 미리보기 특징은 상이한 증강 현실 콘텐츠 아이템들이 디스플레이 내의 상이한 윈도우들 내에서 어떻게 동시에 보일지를 보여줄 수 있다. 이것은 예를 들어, 상이한 의사 무작위 애니메이션들을 갖는 다수의 윈도우들이 디스플레이 상에서 동시에 보여지는 것을 가능하게 할 수 있다.
따라서, 데이터 및 이 데이터를 사용하여 콘텐츠를 수정하기 위해 증강 현실 콘텐츠 아이템들 또는 다른 그러한 변환 시스템들을 사용하는 다양한 시스템들은 객체들(예를 들어, 얼굴들, 손들, 몸들, 고양이들, 개들, 표면들, 객체들 등)의 검출, 그러한 객체들이 비디오 프레임들에서 시야를 떠나고, 시야에 들어가고, 시야 주위로 이동할 때의 그들의 추적, 및 그러한 객체들이 추적될 때의 그들의 수정 또는 변환을 수반할 수 있다. 다양한 실시예들에서, 그러한 변환들을 달성하기 위한 상이한 방법들이 사용될 수 있다. 일부 예들은 객체 또는 객체들의 3차원 메시 모델을 생성하는 것 및 변환을 달성하기 위해 비디오 내에서 모델의 변환들 및 애니메이션된 텍스처들을 사용하는 것을 포함할 수 있다. 다른 예들에서, 객체 상의 포인트들의 추적은 (2차원 또는 3차원일 수 있는) 이미지 또는 텍스처를 추적된 위치에 배치하는 데 사용될 수 있다. 또 다른 예들에서, 비디오 프레임들의 신경망 분석은 콘텐츠(예를 들어, 비디오의 이미지들 또는 프레임들) 내에 이미지들, 모델들 또는 텍스처들을 배치하는 데 사용될 수 있다. 따라서, 증강 현실 콘텐츠 아이템들은 콘텐츠에서 변환들을 생성하는 데 사용되는 이미지들, 모델들, 및 텍스처들뿐만 아니라, 객체 검출, 추적, 및 배치로 그러한 변환들을 달성하는 데 필요한 추가적인 모델링 및 분석 정보도 지칭한다.
실시간 비디오 처리는 임의의 종류의 컴퓨터화된 시스템의 메모리에 저장된 임의의 종류의 비디오 데이터(예컨대, 비디오 스트림들, 비디오 파일들 등)로 수행될 수 있다. 예를 들어, 사용자는 비디오 파일들을 로딩하고 이들을 디바이스의 메모리에 저장할 수 있거나, 디바이스의 센서들을 사용하여 비디오 스트림을 생성할 수 있다. 추가적으로, 임의의 객체들은 인간의 얼굴 및 인체의 부분들, 동물들, 또는 의자들, 자동차들, 또는 다른 객체들과 같은 무생물들과 같은 컴퓨터 애니메이션 모델을 사용하여 처리될 수 있다.
일부 예들에서, 변환될 콘텐츠와 함께 특정 수정이 선택될 때, 변환될 요소들이 컴퓨팅 디바이스에 의해 식별되고, 그 후 이들이 비디오의 프레임들에 존재하는 경우 검출되고 추적된다. 객체의 요소들은 수정을 위한 요청에 따라 수정되고, 따라서 비디오 스트림의 프레임들을 변환한다. 비디오 스트림의 프레임들의 변환은 상이한 종류들의 변환을 위한 상이한 방법들에 의해 수행될 수 있다. 예를 들어, 객체의 요소들의 형태들을 변경하는 것을 주로 지칭하는 프레임들의 변환들을 위해, 객체의 각각의 요소에 대한 특성 포인트들이 (예를 들어, 액티브 형상 모델(ASM) 또는 다른 공지된 방법들을 사용하여) 계산된다. 이어서, 객체의 적어도 하나의 요소 각각에 대해 특성 포인트들에 기초하는 메시가 생성된다. 이 메시는 비디오 스트림에서 객체의 요소들을 추적하는 다음 스테이지에서 사용된다. 추적 프로세스에서, 각각의 요소에 대한 언급된 메시는 각각의 요소의 위치와 정렬된다. 그 다음, 메시 상에 추가 포인트들이 생성된다. 제1 포인트들의 제1 세트가 수정 요청에 기초하여 각각의 요소에 대해 생성되고, 제2 포인트들의 세트가 제1 포인트들의 세트 및 수정 요청에 기초하여 각각의 요소에 대해 생성된다. 이어서, 비디오 스트림의 프레임들은 제1 및 제2 포인트들의 세트들 및 메시에 기초하여 객체의 요소들을 변경함으로써 변환될 수 있다. 그러한 방법에서, 수정된 객체의 배경은 또한 배경을 추적하고 수정함으로써 변경 또는 왜곡될 수 있다.
일부 예들에서, 객체의 요소들을 사용하여 객체의 일부 영역들을 변경하는 변환들은 객체의 각각의 요소에 대한 특성 포인트들을 계산하고, 계산된 특성 포인트들에 기초하여 메시를 생성함으로써 수행될 수 있다. 포인트들이 메시 상에 생성된 다음, 포인트들에 기초하는 다양한 영역들이 생성된다. 이어서, 객체의 요소들은 각각의 요소에 대한 영역을 적어도 하나의 요소 각각에 대한 위치와 정렬함으로써 추적되고, 영역들의 속성들은 수정 요청에 기초하여 수정될 수 있고, 따라서 비디오 스트림의 프레임들을 변환한다. 특정 수정 요청에 따라, 언급된 영역들의 속성들이 상이한 방식들로 변환될 수 있다. 그러한 수정들은 영역들의 컬러를 변경하는 것; 비디오 스트림의 프레임들로부터 영역들의 적어도 소정 부분을 제거하는 것; 수정 요청에 기초하는 영역들 내에 하나 이상의 새로운 객체를 포함시키는 것; 및 영역 또는 객체의 요소들을 수정하거나 왜곡시키는 것을 수반할 수 있다. 다양한 실시예들에서, 그러한 수정들 또는 다른 유사한 수정들의 임의의 조합이 사용될 수 있다. 애니메이션될 특정 모델들에 대해, 일부 특성 포인트들은 모델 애니메이션에 대한 옵션들의 전체 상태-공간을 결정하는 데 사용될 제어 포인트들로서 선택될 수 있다.
얼굴 검출을 사용하여 이미지 데이터를 변환하는 컴퓨터 애니메이션 모델의 일부 예들에서, 얼굴은 특정 얼굴 검출 알고리즘(예를 들어, Viola-Jones)을 사용하여 이미지 상에서 검출된다. 그 후, 얼굴 특징 기준 포인트들을 검출하기 위해 이미지의 얼굴 영역에 액티브 형상 모델(ASM) 알고리즘이 적용된다.
다른 예들에서, 얼굴 검출에 적합한 다른 방법들 및 알고리즘들이 사용될 수 있다. 예를 들어, 일부 실시예들에서, 특징들은 고려 중인 이미지들의 대부분에 존재하는 구별가능한 포인트를 나타내는 랜드마크를 사용하여 위치가 결정된다. 예를 들어, 얼굴 랜드마크들에 대해, 좌측 눈 동공의 위치가 사용될 수 있다. 초기 랜드마크가 식별가능하지 않은 경우(예를 들어, 사람이 아이패치를 갖는 경우), 보조 랜드마크들이 사용될 수 있다. 그러한 랜드마크 식별 절차들은 임의의 그러한 객체들에 대해 사용될 수 있다. 일부 예들에서, 랜드마크들의 세트는 형상을 형성한다. 형상들은 형상 내의 포인트들의 좌표들을 사용하여 벡터들로서 표현될 수 있다. 하나의 형상은 형상 포인트들 사이의 평균 유클리드 거리를 최소화하는 (병진, 스케일링 및 회전을 허용하는) 유사성 변환으로 다른 형상에 정렬된다. 평균 형상은 정렬된 훈련 형상들의 평균이다.
일부 예들에서, 전역적 얼굴 검출기에 의해 결정된 얼굴의 위치 및 크기에 정렬된 평균 형상으로부터의 랜드마크들에 대한 검색이 시작된다. 이어서, 이러한 검색은 각각의 포인트 주변의 이미지 텍스처의 템플릿 매칭에 의해 형상 포인트들의 위치들을 조정함으로써 잠정적인 형상을 제안하는 단계 및 이어서 수렴이 발생할 때까지 잠정적인 형상을 전역적 형상 모델에 맞추는 단계를 반복한다. 일부 시스템들에서, 개별 템플릿 매치들은 신뢰할 수 없으며, 형상 모델은 약한 템플릿 매치들의 결과들을 풀링(pooling)하여 더 강한 전체 분류자를 형성한다. 대략 해상도로부터 미세 해상도까지, 이미지 피라미드 내의 각각의 레벨에서 전체 검색이 반복된다.
변환 시스템은 클라이언트 디바이스(예를 들어, 클라이언트 디바이스(102)) 상에서 이미지 또는 비디오 스트림을 캡처하고, 적절한 사용자 경험, 계산 시간 및 전력 소비를 유지하면서 클라이언트 디바이스(102) 상에서 국지적으로 복합 이미지 조작들을 수행할 수 있다. 복합 이미지 조작은 크기 및 형상 변경들, 감정 전달들(예를 들어, 찡그림으로부터 미소로 얼굴을 변경하는 것), 상태 전달들(예를 들어, 객체의 노화, 겉보기 나이의 감소, 성전환), 스타일 전달들, 그래픽 요소 적용, 및 클라이언트 디바이스(102) 상에서 효율적으로 실행되도록 구성된 컨볼루션 신경망에 의해 구현된 임의의 다른 적절한 이미지 또는 비디오 조작을 포함할 수 있다.
일부 예들에서, 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델은 사용자가 클라이언트 디바이스(102) 상에서 동작하는 메시징 클라이언트(104)의 일부로서 동작하는 신경망을 갖는 클라이언트 디바이스(102)를 사용하여 사용자의 이미지 또는 비디오 스트림(예를 들어, 셀피)을 캡처할 수 있는 시스템에 의해 사용될 수 있다. 메시징 클라이언트(104) 내에서 동작하는 변환 시스템은 이미지 또는 비디오 스트림 내의 얼굴의 존재를 결정하고, 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델과 연관된 수정 아이콘들을 제공하거나, 컴퓨터 애니메이션 모델은 본 명세서에 설명된 인터페이스와 연관된 것으로서 존재할 수 있다. 수정 아이콘들은 수정 동작의 일부로서 이미지 또는 비디오 스트림 내의 사용자의 얼굴을 수정하기 위한 기초일 수 있는 변경들을 포함한다. 수정 아이콘이 선택되면, 변환 시스템은 사용자의 이미지를 변환하여 선택된 수정 아이콘을 반영하는 (예를 들어, 사용자의 미소짓는 얼굴을 생성하는) 프로세스를 개시한다. 이미지 또는 비디오 스트림이 캡처되고, 지정된 수정이 선택되자마자 클라이언트 디바이스(102) 상에 디스플레이되는 그래픽 사용자 인터페이스에 수정된 이미지 또는 비디오 스트림이 제시될 수 있다. 변환 시스템은 선택된 수정을 생성하고 적용하기 위해 이미지 또는 비디오 스트림의 일부에 대해 복합 컨볼루션 신경망을 구현할 수 있다. 즉, 사용자는 이미지 또는 비디오 스트림을 캡처할 수 있고, 수정 아이콘이 선택되면, 수정된 결과를 실시간으로 또는 거의 실시간으로 제시받을 수 있다. 또한, 수정은 비디오 스트림이 캡처되고 있는 동안 지속적일 수 있고, 선택된 수정 아이콘은 토글링된 상태로 유지된다. 이러한 수정들을 가능하게 하기 위해 머신 교육 신경망들이 사용될 수 있다.
변환 시스템에 의해 수행되는 수정을 제시하는 그래픽 사용자 인터페이스는 사용자에게 추가의 상호작용 옵션들을 제공할 수 있다. 이러한 옵션들은 특정 컴퓨터 애니메이션 모델의 콘텐츠 캡처 및 선택을 개시(예를 들어, 콘텐츠 생성자 사용자 인터페이스로부터의 개시)하는 데 사용되는 인터페이스에 기초할 수 있다. 다양한 실시예들에서, 수정 아이콘의 초기 선택 후에 수정이 지속될 수 있다. 사용자는 변환 시스템에 의해 수정되는 얼굴을 탭핑(tapping)하거나 다른 방식으로 선택함으로써 수정을 토글 온 또는 오프할 수 있고, 그것을 나중에 보기 위해 저장하거나 이미징 애플리케이션의 다른 영역들로 브라우징할 수 있다. 변환 시스템에 의해 다수의 얼굴이 변경되는 경우, 사용자는 그래픽 사용자 인터페이스 내에서 수정되고 디스플레이되는 단일 얼굴을 탭핑하거나 선택함으로써 전역적으로 변경을 토글 온 또는 오프할 수 있다. 일부 실시예들에서, 다수의 얼굴의 그룹 중에서 개별 얼굴들이 개별적으로 수정될 수 있거나, 그러한 수정들은 그래픽 사용자 인터페이스 내에 디스플레이된 개별 얼굴 또는 일련의 개별 얼굴들을 탭핑하거나 선택함으로써 개별적으로 토글링될 수 있다.
스토리 테이블(312)은 컬렉션(예를 들어, 스토리 또는 갤러리)으로 컴파일되는 메시지들 및 연관된 이미지, 비디오, 또는 오디오 데이터의 컬렉션들에 관한 데이터를 저장한다. 특정 컬렉션의 생성은 특정 사용자(예를 들어, 레코드가 엔티티 테이블(304)에 유지되는 각각의 사용자)에 의해 개시될 수 있다. 사용자는 그 사용자에 의해 생성되고 송신/방송된 콘텐츠의 컬렉션의 형태로 "개인 스토리"를 생성할 수 있다. 이를 위해, 메시징 클라이언트(104)의 사용자 인터페이스는 송신 사용자가 자신의 개인 스토리에 특정 콘텐츠를 추가하는 것을 가능하게 하기 위해 사용자 선택가능한 아이콘을 포함할 수 있다.
컬렉션은 또한 수동으로, 자동으로, 또는 수동 및 자동 기술들의 조합을 사용하여 생성되는 다수의 사용자로부터의 콘텐츠의 컬렉션인 "라이브 스토리"를 구성할 수 있다. 예를 들어, "라이브 스토리"는 다양한 위치들 및 이벤트들로부터 사용자-제출 콘텐츠의 큐레이팅된 스트림을 구성할 수 있다. 자신들의 클라이언트 디바이스들이 위치 서비스들을 가능하게 하고 특정 시간에 공통 위치 이벤트에 있는 사용자들은 예를 들어 특정 라이브 스토리에 콘텐츠를 기부하기 위해 메시징 클라이언트(104)의 사용자 인터페이스를 통해 옵션을 제시받을 수 있다. 라이브 스토리는 메시징 클라이언트(104)에 의해 사용자에게 자신의 위치에 기초하여 식별될 수 있다. 최종 결과는 커뮤니티 관점에서 말하는 "라이브 스토리"이다.
추가적인 유형의 콘텐츠 컬렉션은 자신의 클라이언트 디바이스(102)가 특정한 지리 위치 내에(예를 들어, 칼리지 또는 유니버시티 캠퍼스 상에) 위치되는 사용자가 특정 컬렉션에 기부하는 것을 가능하게 하는 "위치 스토리"로 알려져 있다. 일부 예들에서, 위치 스토리에 대한 기부는 최종 사용자가 특정 조직 또는 다른 엔티티에 속한다는(예를 들어, 유니버시티 캠퍼스의 학생이라는) 것을 검증하기 위해 제2 등급의 인증을 요구할 수 있다.
전술한 바와 같이, 비디오 테이블(314)은 일례에서 메시지 테이블(302) 내에 레코드들이 유지되는 메시지들과 연관된 비디오 데이터를 저장한다. 유사하게, 이미지 테이블(316)은 메시지 데이터가 엔티티 테이블(304)에 저장되는 메시지들과 연관된 이미지 데이터를 저장한다. 엔티티 테이블(304)은 증강 테이블(310)로부터의 다양한 증강들을 이미지 테이블(316) 및 비디오 테이블(314)에 저장된 다양한 이미지들 및 비디오들과 연관시킬 수 있다.
데이터베이스(120)는 또한, 도 6을 참조하면, 라벨 데이터베이스(614), 콘텐츠 소비 데이터베이스(618), 및 사용자 데이터베이스(620)를 관여 테이블(318)에 저장할 수 있다.
데이터 통신 아키텍처
도 4는 추가의 메시징 클라이언트(104) 또는 메시징 서버(114)로의 통신을 위해 메시징 클라이언트(104)에 의해 생성된, 일부 예들에 따른 메시지(400)의 구조를 예시하는 개략도이다. 특정 메시지(400)의 콘텐츠는 메시징 서버(114)에 의해 액세스 가능한, 데이터베이스(120) 내에 저장된 메시지 테이블(302)을 채우는 데 사용된다. 유사하게, 메시지(400)의 콘텐츠는 클라이언트 디바이스(102) 또는 애플리케이션 서버들(112)의 "수송중" 또는 "비행중" 데이터로서 메모리에 저장된다. 메시지(400)는 다음의 예시적인 컴포넌트들을 포함하는 것으로 도시된다.
메시지 식별자(402): 메시지(400)를 식별하는 고유 식별자. 메시지 텍스트 페이로드(404): 클라이언트 디바이스(102)의 사용자 인터페이스를 통해 사용자에 의해 생성되고 메시지(400)에 포함되는 텍스트.
메시지 이미지 페이로드(406): 클라이언트 디바이스(102)의 카메라 컴포넌트에 의해 캡처되거나 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되고 메시지(400)에 포함되는 이미지 데이터. 송신 또는 수신된 메시지(400)에 대한 이미지 데이터는 이미지 테이블(316)에 저장될 수 있다.
메시지 비디오 페이로드(408): 카메라 컴포넌트에 의해 캡처되거나 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되고 메시지(400)에 포함되는 비디오 데이터. 송신 또는 수신된 메시지(400)에 대한 비디오 데이터는 비디오 테이블(314)에 저장될 수 있다.
메시지 오디오 페이로드(410): 마이크로폰에 의해 캡처되거나 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되고 메시지(400)에 포함되는 오디오 데이터.
메시지 증강 데이터(412): 메시지(400)의 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 또는 메시지 오디오 페이로드(410)에 적용될 증강들을 나타내는 증강 데이터(예를 들어, 필터들, 스티커들, 또는 다른 주석들 또는 향상들). 송신 또는 수신된 메시지(400)에 대한 증강 데이터는 증강 테이블(310)에 저장될 수 있다.
메시지 지속기간 파라미터(414): 메시지의 콘텐츠(예를 들어, 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 메시지 오디오 페이로드(410))가 메시징 클라이언트(104)를 통해 사용자에게 제시되거나 액세스 가능하게 되는 시간의 양을 초 단위로 나타내는 파라미터 값.
메시지 지리위치 파라미터(416): 메시지의 콘텐츠 페이로드와 연관된 지리위치 데이터(예를 들어, 위도 및 경도 좌표들). 다수의 메시지 지리위치 파라미터(416) 값이 페이로드에 포함될 수 있고, 이 파라미터 값들 각각은 콘텐츠에 포함된 콘텐츠 아이템들(예를 들어, 메시지 이미지 페이로드(406) 내의 특정 이미지, 또는 메시지 비디오 페이로드(408) 내의 특정 비디오)에 관하여 연관된다.
메시지 스토리 식별자(418): 메시지(400)의 메시지 이미지 페이로드(406) 내의 특정 콘텐츠 아이템이 연관되는 하나 이상의 콘텐츠 컬렉션(예를 들어, 스토리 테이블(312)에서 식별된 "스토리")을 식별하는 식별자 값들. 예를 들어, 메시지 이미지 페이로드(406) 내의 다수의 이미지 각각은 식별자 값들을 사용하여 다수의 콘텐츠 컬렉션과 연관될 수 있다.
메시지 태그(420): 각각의 메시지(400)는 다수의 태그들로 태깅될 수 있고, 태그들 각각은 메시지 페이로드에 포함된 콘텐츠의 주제를 나타낸다. 예를 들어, 메시지 이미지 페이로드(406)에 포함된 특정 이미지가 동물(예를 들어, 사자)을 묘사하는 경우, 관련 동물을 나타내는 태그 값이 메시지 태그(420) 내에 포함될 수 있다. 태그 값들은 사용자 입력에 기초하여 수동으로 생성될 수 있거나, 예를 들어, 이미지 인식을 사용하여 자동으로 생성될 수 있다.
메시지 송신자 식별자(422): 메시지(400)가 생성되었고 메시지(400)가 송신된 클라이언트 디바이스(102)의 사용자를 나타내는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 어드레스, 또는 디바이스 식별자).
메시지 수신자 식별자(424): 메시지(400)가 어드레싱되는 클라이언트 디바이스(102)의 사용자를 나타내는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 어드레스, 또는 디바이스 식별자).
메시지(400)의 다양한 컴포넌트들의 콘텐츠(예를 들어, 값들)는 콘텐츠 데이터 값들이 저장되는 테이블들 내의 위치들에 대한 포인터들일 수 있다. 예를 들어, 메시지 이미지 페이로드(406) 내의 이미지 값은 이미지 테이블(316) 내의 위치에 대한 포인터(또는 그의 어드레스)일 수 있다. 유사하게, 메시지 비디오 페이로드(408) 내의 값들은 비디오 테이블(314) 내에 저장된 데이터를 가리킬 수 있고, 메시지 증강들(412) 내에 저장된 값들은 증강 테이블(310)에 저장된 데이터를 가리킬 수 있고, 메시지 스토리 식별자(418) 내에 저장된 값들은 스토리 테이블(312)에 저장된 데이터를 가리킬 수 있고, 메시지 송신자 식별자(422) 및 메시지 수신자 식별자(424) 내에 저장된 값들은 엔티티 테이블(304) 내에 저장된 사용자 레코드들을 가리킬 수 있다.
설명된 흐름도들은 동작들을 순차적 프로세스로서 도시할 수 있지만, 동작들 중 다수는 병렬로 또는 동시에 수행될 수 있다. 또한, 동작들의 순서는 재배열될 수 있다. 프로세스는 그의 동작들이 완료될 때 종료된다. 프로세스는 방법, 절차, 알고리즘 등에 대응할 수 있다. 방법들의 동작들은 전체적으로 또는 부분적으로 수행될 수 있고, 다른 방법들에서의 동작들의 일부 또는 전부와 함께 수행될 수 있고, 본 명세서에서 설명된 시스템들과 같은 임의의 수의 상이한 시스템들, 또는 시스템들 중의 임의의 것 내에 포함된 프로세서와 같은 그 임의의 부분에 의해 수행될 수 있다.
시간 기반 액세스 제한 아키텍처
도 5는 콘텐츠(예를 들어, 단기적 메시지(502), 및 데이터의 연관된 멀티미디어 페이로드) 또는 콘텐츠 컬렉션(예를 들어, 단기적 메시지 그룹(504))에 대한 액세스가 시간-제한될(예를 들어, 단기화될) 수 있는 액세스-제한 프로세스(500)를 예시하는 개략도이다.
단기적 메시지(502)는 메시지 지속기간 파라미터(506)와 연관되는 것으로 도시되고, 그 값은 단기적 메시지(502)가 메시징 클라이언트(104)에 의해 단기적 메시지(502)의 수신 사용자에게 디스플레이될 시간의 양을 결정한다. 일례에서, 송신 사용자가 메시지 지속기간 파라미터(506)를 사용하여 지정하는 시간의 양에 따라, 최대 10초 동안 수신 사용자가 단기적 메시지(502)를 볼 수 있다.
메시지 지속기간 파라미터(506) 및 메시지 수신자 식별자(424)는 메시지 타이머(512)에 대한 입력들인 것으로 도시되며, 이 메시지 타이머는 단기적 메시지(502)가 메시지 수신자 식별자(424)에 의해 식별되는 특정 수신 사용자에게 보여지는 시간의 양을 결정하는 것을 담당한다. 특히, 단기적 메시지(502)는 메시지 지속기간 파라미터(506)의 값에 의해 결정되는 기간 동안만 관련 수신 사용자에게 보여질 것이다. 메시지 타이머(512)는 수신 사용자에 대한 콘텐츠(예를 들어, 단기적 메시지(502))의 디스플레이의 전체 타이밍을 담당하는 더 일반화된 단기적 타이머 시스템(202)에 출력을 제공하는 것으로 도시된다.
단기적 메시지(502)는 단기적 메시지 그룹(504)(예를 들어, 개인 스토리 또는 이벤트 스토리 내의 메시지들의 컬렉션) 내에 포함되는 것으로 도 5에 도시된다. 단기적 메시지 그룹(504)은 연관된 그룹 지속기간 파라미터(508)를 가지며, 그 값은 단기적 메시지 그룹(504)이 메시징 시스템(100)의 사용자들에게 제시되고 액세스 가능한 지속기간을 결정한다. 그룹 지속기간 파라미터(508)는 예를 들어, 음악 콘서트의 지속기간일 수 있고, 단기적 메시지 그룹(504)은 그 콘서트에 관련된 콘텐츠의 컬렉션이다. 대안으로서, 사용자(소유 사용자 또는 큐레이터 사용자)는 단기적 메시지 그룹(504)의 셋업 및 생성을 수행할 때 그룹 지속기간 파라미터(508)에 대한 값을 지정할 수 있다.
추가적으로, 단기적 메시지 그룹(504) 내의 각각의 단기적 메시지(502)는 연관된 그룹 참여 파라미터(510)를 가지며, 그 값은 단기적 메시지(502)가 단기적 메시지 그룹(504)의 컨텍스트 내에서 액세스 가능할 지속기간을 결정한다. 따라서, 특정 단기적 메시지 그룹(504)은 단기적 메시지 그룹(504) 자체가 그룹 지속기간 파라미터(508)에 관하여 만료되기 전에 단기적 메시지 그룹(504)의 컨텍스트 내에서 "만료"되고 액세스 불가능하게 될 수 있다. 그룹 지속기간 파라미터(508), 그룹 참여 파라미터(510), 및 메시지 수신자 식별자(424)는 각각 그룹 타이머(514)에 입력을 제공하며, 이 그룹 타이머는 먼저, 단기적 메시지 그룹(504)의 특정 단기적 메시지(502)가 특정 수신 사용자에게 디스플레이될 것인지, 그렇다면 얼마나 오랫동안 디스플레이될 것인지를 동작가능하게 결정한다. 단기적 메시지 그룹(504)은 또한, 메시지 수신자 식별자(424)의 결과로서 특정 수신 사용자의 아이덴티티를 인식한다는 점에 유의한다.
따라서, 그룹 타이머(514)는 연관된 단기적 메시지 그룹(504)뿐만 아니라, 단기적 메시지 그룹(504)에 포함된 개별 단기적 메시지(502)의 전체 수명을 동작가능하게 제어한다. 일례에서, 단기적 메시지 그룹(504) 내의 각각의 그리고 모든 단기적 메시지(502)는 그룹 지속기간 파라미터(508)에 의해 지정된 기간 동안 보는 것이 가능하고 액세스 가능하게 유지된다. 추가 예에서, 특정 단기적 메시지(502)는 단기적 메시지 그룹(504)의 컨텍스트 내에서, 그룹 참여 파라미터(510)에 기초하여 만료될 수 있다. 메시지 지속기간 파라미터(506)는 단기적 메시지 그룹(504)의 컨텍스트 내에서도, 특정 단기적 메시지(502)가 수신 사용자에게 디스플레이되는 지속기간을 여전히 결정할 수 있다는 점에 유의한다. 따라서, 메시지 지속기간 파라미터(506)는 수신 사용자가 단기적 메시지 그룹(504)의 컨텍스트 내에서 또는 밖에서 특정 단기적 메시지(502)를 보고 있는지에 관계없이, 그 단기적 메시지(502)가 수신 사용자에게 디스플레이되는 지속기간을 결정한다.
단기적 타이머 시스템(202)은 또한 단기적 메시지 그룹(504)으로부터 특정 단기적 메시지(502)를 그것이 연관된 그룹 참여 파라미터(510)를 초과했다는 결정에 기초하여 동작가능하게 제거할 수 있다. 예를 들어, 송신 사용자가 포스팅으로부터 24 시간의 그룹 참여 파라미터(510)를 확립했을 때, 단기적 타이머 시스템(202)은 지정된 24 시간 후에 단기적 메시지 그룹(504)으로부터 관련 단기적 메시지(502)를 제거할 것이다. 단기적 타이머 시스템(202)은 또한 단기적 메시지 그룹(504) 내의 각각의 그리고 모든 단기적 메시지(502)에 대한 그룹 참여 파라미터(510)가 만료되었을 때, 또는 단기적 메시지 그룹(504) 자체가 그룹 지속기간 파라미터(508)에 관하여 만료되었을 때 단기적 메시지 그룹(504)을 제거하도록 동작한다.
특정 사용 사례들에서, 특정 단기적 메시지 그룹(504)의 생성자는 무한 그룹 지속기간 파라미터(508)를 지정할 수 있다. 이 경우, 단기적 메시지 그룹(504) 내의 마지막 나머지 단기적 메시지(502)에 대한 그룹 참여 파라미터(510)의 만료는 단기적 메시지 그룹(504) 자체가 만료될 때를 결정할 것이다. 이 경우, 단기적 메시지 그룹(504)에 추가된 새로운 단기적 메시지(502)는, 새로운 그룹 참여 파라미터(510)와 함께, 단기적 메시지 그룹(504)의 수명을 그룹 참여 파라미터(510)의 값과 동일하도록 효과적으로 연장한다.
단기적 타이머 시스템(202)이 단기적 메시지 그룹(504)이 만료되었다고(예를 들어, 더 이상 액세스 가능하지 않다고) 결정하는 것에 응답하여, 단기적 타이머 시스템(202)은 메시징 시스템(100)(및 예를 들어 구체적으로 메시징 클라이언트(104))과 통신하여, 관련 단기적 메시지 그룹(504)과 연관된 표지(예를 들어, 아이콘)가 더 이상 메시징 클라이언트(104)의 사용자 인터페이스 내에 디스플레이되지 않게 한다. 유사하게, 단기적 타이머 시스템(202)이 특정 단기적 메시지(502)에 대한 메시지 지속기간 파라미터(506)가 만료되었다고 결정할 때, 단기적 타이머 시스템(202)은 메시징 클라이언트(104)가 단기적 메시지(502)와 연관된 표지(예를 들어, 아이콘 또는 텍스트 식별)를 더 이상 디스플레이하지 않게 한다.
시각적 태그들에 기초하는 관여 분석
도 6은 일부 실시예들에 따른 시각적 태그들에 기초하는 관여 분석을 위한 시스템(600)을 예시한다. 사용자들(604)은 도 1의 메시징 시스템(100) 내에서 콘텐츠 아이템들(602)을 생성(606) 및 소비(608)한다. 예를 들어, 사용자(604)는 사용자(604)가 콘텐츠 아이템들(602)을 생성(606)하는 카메라를 포함하는 클라이언트 디바이스(102)와 연관될 수 있다. 메시징 시스템(100)의 다른 사용자들(604)은 콘텐츠 아이템들(602)을 소비하고(608), 그들 자신의 콘텐츠 아이템들(602)을 생성할 수 있다(606).
콘텐츠 아이템들(602)은 도 7과 관련하여 설명된다. 사용자들(604)은 도 10과 관련하여 설명된다. 라벨 추출 모듈(610)은 콘텐츠 아이템(602)과 연관시킬 라벨들을 결정하고 라벨 데이터베이스(614)를 구축한다. 라벨 및 라벨 추출 모듈(610)은 도 9와 관련하여 설명된다. 사용자 메타데이터 수집 모듈(613)은 사용자 데이터베이스(620)를 구축한다. 사용자 메타데이터 수집 모듈(613)은 도 11과 관련하여 설명된다.
콘텐츠 소비 메트릭 추출 모듈(612)은 콘텐츠 아이템들(602)을 생성(606) 및 소비(608)하는 사용자들(604)로부터 콘텐츠 소비 메트릭들을 추출하고 콘텐츠 소비 데이터베이스(618)를 구축한다. 콘텐츠 소비 메트릭 추출 모듈(612)은 도 13과 관련하여 설명된다.
관여 스코어 결정 모듈(622)은 라벨들의 관여 스코어들을 결정하고, 관여 스코어 조정 모듈(624)은 라벨들의 조정된 관여 스코어들을 결정한다. 활동 검출 모듈(626)은 조정된 관여 스코어들을 모니터링하고, 더 낮은, 더 높은, 또는 비정상 활동을 갖는 라벨들의 조정된 관여 스코어들을 검출한다. 관여 스코어 결정 모듈(622)은 도 14와 관련하여 개시된다. 관여 스코어 조정 모듈(624) 및 활동 검출 모듈(626)은 도 17과 관련하여 개시된다. 사용자 인터페이스 모듈(628)은 활동 검출 모듈(626)의 결과들을 제시하고 사용자에게 시스템(600)에 질의하기 위한 옵션들을 제공하는 사용자 인터페이스를 제시한다. 사용자 인터페이스 모듈(628)은 도 30과 관련하여 설명된다. 일부 실시예들에서, 시스템(600)은 콘텐츠 아이템들(602)의 생성 및 소비를 모니터링하고 라벨들의 조정된 활동 스코어들을 업데이트하고 사용자 인터페이스 모듈(628)을 통해 더 낮은, 더 높은, 또는 비정상 활동을 사용자들에게 통지하도록 실시간 기반으로 동작한다.
도 7은 일부 실시예들에 따른 콘텐츠 아이템(602)을 예시한다. 콘텐츠 아이템(602)은 콘텐츠 관련 아이템들(702), 토픽(704), 미디어 유형(706), 이미지(708), 비디오(710), 테마(712), 캡션(714), 용어(716), 스티커(718), 라벨(720), 수정(722) 및 프로듀서(724)를 포함할 수 있다. 토픽(704)은 콘텐츠 아이템(602)에 관련된 것으로 결정되는 토픽일 수 있다. 토픽(704), 테마(712) 및 용어(716)는 콘텐츠 아이템(602)을 생성한(606) 사용자(604)에 의해 선택될 수 있거나, 시스템(600)에 의해 결정될 수 있다. 미디어 유형(706)은 콘텐츠 아이템(602)에 대한 미디어의 유형을 나타낸다. 미디어 유형(706)은 이미지(708), 비디오(710), 오디오 등을 포함한다. 캡션(714)은 프로듀서(724)에 의해 콘텐츠 아이템(602)에 추가된 하나 이상의 캡션이다. 스티커(718)는 콘텐츠 아이템(602)에 추가될 수 있는 수정 아이템이다. 라벨(720)은 시스템(900)에 의해 결정되는 이름 또는 시각적 태그이다. 관여 스코어들은 도 14와 관련하여 설명되는 바와 같이 관여 스코어 결정 모듈(622)에 의해 라벨들(720)에 대해 결정된다. 요소들(726)은 객체들, 액션들, 장면들, 개인들, 장소들, 이벤트들 등이다. 요소들(726)은 이미지(708), 비디오(710), 오디오 등 내의 요소 설명자들(918)에 기초하여 콘텐츠 아이템 분석 모듈(902)에 의해 식별된다.
일부 실시예들에서, 콘텐츠 아이템(602)을 생성한(606) 사용자(604)는 콘텐츠 아이템(602) 내의 객체에 라벨(720)을 제공할 수 있다. 수정(722)은 증강 시스템(206)에 의해 제공된 바와 같은 콘텐츠 아이템(602)에 추가된 하나 이상의 수정 아이템을 나타낸다. 수정(722)은 캡션(714), 스티커(718) 등을 포함할 수 있다. 프로듀서(724)는 콘텐츠 아이템(602)을 생성한(606) 사용자(604)이다. 일부 실시예들에서, 프로듀서(724)는 메시징 시스템(100)일 수 있다. 예를 들어, 일부 실시예들에서, 외부 뉴스 스토리들은 메시징 시스템(100)에 의해 생성되고 콘텐츠 아이템들(602)로서 이용가능하게 된다. 콘텐츠 관련 아이템들(702)은 콘텐츠 아이템(602)을 소비한 사용자들(604)의 표시 또는 콘텐츠 아이템(602)의 사본들에 대한 링크와 같은 추가적인 아이템들을 포함할 수 있다. 일부 실시예들에서, 토픽(704), 용어(716), 라벨(720) 등과 같은 필드들 중 둘 이상이 존재할 수 있다.
도 8은 모바일 디바이스(802) 상에 디스플레이된 콘텐츠 아이템(602)을 예시한다. 모바일 디바이스(802)는 이미지(708)를 캡처하는 데 사용된 카메라(814)를 포함한다. 모바일 디바이스(802)는 도 1에서 설명된 바와 같은 클라이언트 디바이스(102)이다. 모바일 디바이스(802)는 사용자(604)와 연관된다. 콘텐츠 아이템(602)은 스티커(718) 및 캡션(714), 및 노래(810)와 같은 수정들(722)을 갖는 이미지(708)이다. 요소들(726A, 726B, 726C, 및 726D)은 이미지(708)의 일부이고 콘텐츠 아이템 분석 모듈(902)에 의해 식별된다. 요소(726A)는 제1 사람 또는 제1 소년이다. 요소(726B)는 제2 사람 또는 제2 소년이다. 요소(726C)는 볼링공이다. 요소(726D)는 볼링 레인이다. 다른 수정들이 사용자(604)에 의해 추가될 수 있다.
일부 실시예들에서, 수정들(722)은, 메시징 서버 시스템(108)에 의해 추가되고 수정들(722)이 이미지(708)와 연관된 것으로서 도 9의 콘텐츠 아이템 분석 모듈(902)에 의해 식별될 수 있게 하는 방식으로 저장되는 수정들일 수 있다. 예를 들어, 콘텐츠 아이템(602)은 도 4에 예시된 바와 같이 메시지(400)의 일부로서 증강 시스템(206)에 의해 생성되었을 수 있다. 일부 실시예들에서, 증강 시스템(206)은 사용자(604)가 증강 테이블(310)에 저장될 수 있는 노래(810)와 같은 오디오 콘텐츠 또는 스티커(718) 또는 캡션(714)과 같은 비주얼 콘텐츠와 같은 수정들(722)을 이미지(708)에 추가할 수 있게 한다.
도 9는 일부 실시예들에 따른 콘텐츠 아이템(602)에 대한 라벨들(914)을 결정하기 위한 시스템(900)을 예시한다. 콘텐츠 아이템(602)은 이미지(708), 비디오(710), 오디오 등 내의 요소들(726)을 결정하기 위해 콘텐츠 아이템 분석 모듈(902)에 의해 처리되거나 분석된다. 일부 실시예들에서, 콘텐츠 아이템 분석 모듈(902)은 요소들(726)을 식별하도록 훈련된 하나 이상의 신경망이다. 예를 들어, 하나 이상의 컨볼루션 신경망은 비디오(710)의 이미지(708) 또는 이미지들을 세그먼트화하고 상이한 요소들(726)을 식별하기 위해 사용될 수 있다. 일부 실시예들에서, 콘텐츠 아이템 분석 모듈(902)은 요소 설명자들(918)의 데이터베이스에 액세스하며, 요소 설명자들(918)은 시각적 표현(920) 및 이름(922)을 포함한다. 이름(922)은 하나 이상의 인간 언어로 요소(726)에 주어지는 라벨 또는 이름일 수 있다. 시각적 표현(920)은 요소(726)를 식별하기 위한 신경망일 수 있거나, 요소(726)의 벡터 표현 또는 컴퓨터 모델과 같은 다른 표현일 수 있다. 일부 실시예들에서, 콘텐츠 아이템 분석 모듈(902)은 수정들(722)에 기초하여 요소들(726)을 결정한다. 예를 들어, 콘텐츠 아이템 분석 모듈(902)은 스티커(718)를 증강 시스템으로부터의 수정(722)으로서 식별하고, 스티커(718)가 요소(726)로서 분류되어야 한다고 결정할 수 있다. 수정(722)을 요소(726)로서 분류할지에 대한 결정은 요소 설명자들(918)에 의존할 수 있다. 예를 들어, 요소 설명자들(918)은 수정(722)의 표시 및 수정(722)에 대한 대응하는 이름(922)을 시각적 표현(920)으로서 포함할 수 있다. 예시적인 콘텐츠 아이템(602)인 도 7의 이미지(708)에서, 캡션(714), 노래(810) 및 스티커(718) 모두는 콘텐츠 아이템 분석 모듈(902)에 의해 요소 설명자들(918)에 따라 요소들(726)인 것으로 결정될 수 있다. 수정들(722)은 증강 시스템을 통해 콘텐츠 아이템 분석 모듈(902)에 의해 액세스가능하지 않을 수 있지만, 이미지(708)에 통합되었을 수 있다. 예를 들어, 스티커(718)는 이미지(708)의 픽셀들에 통합될 수 있고 오버레이가 아닐 수 있다. 콘텐츠 아이템 분석 모듈(902)은 시각적 표현(920)이 이미지들에서 하트들을 식별하는 요소 설명자들(918)에 기초하여 스티커(718)를 하트로서 식별할 수 있다.
콘텐츠 아이템 분석 모듈(902)은 이미지(708) 또는 비디오(710)의 일부인 요소들(726)의 리스트를 생성한다. 라벨 추출 모듈(610)은 요소들(726), 콘텐츠 아이템(602), 및 라벨들(906)의 분류체계에 기초하여 라벨들(914)을 결정한다. 일부 실시예들에서, 라벨들(914)은 시각적 태그가 이미지(708)에 대해 결정될 때 시각적 태그들로 지칭될 수 있다. 라벨들(906)의 분류체계는 라벨(914), 조건(910) 및 계층구조 위치(912)의 튜플들을 포함한다. 계층구조(913)은 라벨들(914)의 계층구조이다. 계층구조 위치(912)는 계층구조(913) 내의 위치를 나타낸다. 예를 들어, 요소(726B)는 소년의 라벨(914)로서 식별되고, 계층구조(913)는 소년의 라벨(914)이 사람의 라벨(914)의 부모를 갖는다는 것을 나타낸다. 계층구조(913)는 라벨(914)과 연관된 추상화의 레벨을 나타낼 수 있다. 예를 들어, 소년의 라벨(914)은 3의 추상화 레벨을 가질 수 있고, 사람의 라벨(914)을 갖는 그의 부모는 2의 추상화 레벨을 가질 수 있고, 사람의 부모는 1의 추상화 레벨을 갖는 살아있는 유기체들의 라벨(914)을 가질 수 있다. 다른 예에서, 이미지(708)는 소년의 요소(726B)의 요소(726)로서 쇼츠를 포함하도록 콘텐츠 아이템 분석 모듈(902)에 의해 추가로 분석될 수 있다. 라벨 추출 모듈(610)은 쇼츠의 요소(726)가 이름 쇼츠를 갖는 라벨(914)이라고 결정한다. 라벨(914) 쇼츠는 3의 추상화 레벨을 가지며, 의류는 2의 추상화 레벨을 갖는다. 예시적인 이미지(708)의 요소들(726)의 다른 예들은 볼링, 스탠딩, 내부, 천장, 친구들, 라이트 등이다. 일부 실시예들에서, 라벨 추출 모듈(610)은 콘텐츠 아이템(602)에 대한 라벨들(914)로서 계층구조(913) 내의 라벨(914)의 부모들 또는 조상들을 포함한다.
요소(726)에 할당된 이름(922)은 라벨(914)을 결정하기 위해 라벨 추출 모듈(610)에 의해 사용될 수 있다. 조건들(910)은 콘텐츠 아이템(602)이 라벨(914)을 갖는 것으로 간주되도록 하기 위해 어떤 조건들이 충족되어야 하는지를 나타낸다. 예를 들어, 쇼츠의 라벨(914)에 대한 조건(910)은 요소(726)의 이름(922)이 쇼츠인 것일 수 있다. 조건(910)은 다수의 조건을 포함할 수 있고, 콘텐츠 아이템(602)의 필드들, 요소들(726), 및 콘텐츠 아이템(602)에 연관된 라벨들(914) 중 임의의 것에 기초할 수 있다. 다른 예에서, "재미(fun)" 대한 라벨(914)의 조건들(910)은 콘텐츠 아이템(602)이 미소짓는 적어도 2명의 사람을 갖는다는 것을 포함할 수 있다. 다른 예에서, 볼링에 위한 라벨(914)의 조건(910)은 사람이 볼링을 하고 있고 위치가 볼링장이라는 것을 포함할 수 있다. 위치는 콘텐츠 아이템(602)이 캡처된 지리 위치를 포함할 수 있는 콘텐츠 관련 아이템들(702)을 통해 결정될 수 있다. 조건들(910)은 계층구조(913)에서 관련되는 라벨들(914)에 의해 충족될 수 있다. 예를 들어, 볼링의 라벨(914)에 대한 조건(910)은 사람이 볼링장으로서 식별된 위치에 있는 것일 수 있다. 요소(726)는 라벨(914) 자식으로서 식별되는 자식일 수 있으며, 이어서 라벨(914) 사람이 계층구조(913)에 라벨(914) 자식의 부모로서 추가된다. 이어서, 라벨(914) 볼링에 대한 조건들(910)이 충족될 수 있다.
라벨 추출 모듈(610)은 콘텐츠 아이템(602)을 그것이 갖는 것으로 결정된 라벨(914)과 연관시킨다. 시각적 태그 추출 모듈(610)은 라벨(914)에 대한 관여 스코어들을 결정하기 위해 관여 스코어 결정 모듈(622)에 의해 사용되는 라벨 데이터베이스(614)를 구축한다.
도 10은 일부 실시예들에 따른 사용자(604)의 프로파일(1002)을 예시한다. 프로파일(1002)은 나이(1004), 성별(1006), 나이 그룹(1008), 도시(1010), 언어(1012), 국가(1014), 디바이스 속성들(1016), 콘텐츠 생성(1018), 생성된 콘텐츠(1020), 콘텐츠 소비 메트릭들(1022), 소비된 콘텐츠(1024), 시청 시간(1026), 및 검색(1028)을 포함한다.
나이(1004)는 사용자(604)의 나이 또는 나이 범위이다. 성별(1006)은 사용자(604)의 성별의 표시이다. 나이 그룹(1008)은 18-24세 등과 같은 사용자(604)의 나이 그룹의 표시이다. 도시(1010)는 사용자(604)가 거주하거나, 일하거나, 연관되는 도시의 표시이다. 언어(1012)는 메시징 시스템(100) 내에서 사용자(604)에 의해 사용되는 인간 자연 언어의 표시이다. 국가(1014)는 사용자(604)가 사는 국가(1014)와 같은 사용자(604)와 연관된 국가의 표시이다. 디바이스 속성들(1016)은 사용자(604)가 메시징 시스템(100)에 액세스하기 위해 사용하는 디바이스를 포함하여 사용자(604)가 사용하는 하나 이상의 디바이스의 속성들이다. 콘텐츠 생성(1018)은 사용자(604)가 생성한(606) 콘텐츠 아이템(602)에 관한 데이터이다. 데이터는 사용자(604)에 의해 사용된 수정들, 생성된 콘텐츠(1020)의 토픽들(704), 생성된 콘텐츠의 용어들(716), 어느 다른 사용자들(604)에게 생성된 콘텐츠(1020)가 전송되었는지, 생성된 콘텐츠(1020)가 공개되었는지, 생성된 콘텐츠(1020)가 단기적 메시지의 일부였는지 등을 포함할 수 있는 생성된 콘텐츠(1020)의 표시들을 포함할 수 있다.
콘텐츠 소비 메트릭들(1022)은 사용자(604)에 의해 소비된(608) 콘텐츠에 관한 데이터를 포함한다. 콘텐츠 소비 메트릭들(1022)은 소비된 콘텐츠(1024) 및 콘텐츠를 시청한 시간(1026)의 표시를 포함할 수 있다. 데이터는 사용자(604)가 콘텐츠 아이템(602)에 응답했는지, 콘텐츠 아이템(602)을 여러 번 보았는지, 콘텐츠 아이템(602)을 좋아했는지, 및 다른 콘텐츠 소비 메트릭들과 같이 사용자(604)가 소비된 콘텐츠(1024)와 가졌던 상호작용들을 포함할 수 있다. 검색(1028)은 사용자(604)에 의해 수행되었던 검색(1028)을 나타낸다. 일부 실시예들에서, 도시(1010), 언어(1012) 등과 같은 필드들 중 둘 이상이 존재할 수 있다.
도 11은 일부 실시예들에 따른 사용자 메타데이터 수집 모듈(613)을 예시한다. 사용자 메타데이터 수집 모듈(613)은 사용자들(604)로부터의 정보를 사용하여 사용자 데이터베이스(620)를 생성하고, 사용자 데이터베이스(620)는 사용자들(604)에 관한 정보를 캡처한다. 일부 실시예들에서, 사용자 데이터베이스(620)는 사용자들(604)의 프라이버시를 보호한다. 사용자들(604)과 연관된 데이터의 일부는 스키마(1100)에서 필터링되거나 사용되지 않는다. 예를 들어, 사용자 이름, 어드레스, 계정 식별자 등은 사용자들(604)의 프라이버시를 보호하기 위해 스키마(1100)에서 사용되지 않는다. 사용자(604)의 나이는 나이 그룹(1106)으로 그룹화된다. 일부 실시예들에서, 사용자들(604)이 콘텐츠 아이템(602)과 임계 횟수, 예를 들어 1, 5, 또는 다른 횟수만큼 상호작용한 경우에만, 그들이 사용자 데이터베이스(620)에 추가된다. 사용자 메타데이터 수집 모듈(613)은 콘텐츠 소비 메트릭 및 날짜(1102)에 기초하여 콘텐츠(1104)와의 사용자들(604)의 상호작용들의 빈도(1114)를 집계하며, 데이터(1102)는 범위일 수 있고, 집계는 나이 그룹(1106), 성별(1108), 국가(1110), 주(1112), 및 도시(1113) 중 하나 이상에 기초한다.
도 12는 일부 실시예들에 따른 콘텐츠 소비 데이터베이스(618)를 예시한다. 콘텐츠 소비 데이터베이스(618)는 소비된 콘텐츠(1204), 라벨(1206), 미디어 유형(1208), 이미지(1210), 비디오(1212), 사용자(604), 평균 시청 시간(1216), 스크린샷됨(1218), 시청들의 수(1220), 검색 로그들(1222), 시청된 날짜(1224), 시청된 시간(1226), 공유들의 수(1228), 용어(1230)를 포함한다. 콘텐츠 소비 데이터베이스(618)에 대해 콘텐츠 소비 메트릭 추출 모듈(612)에 의해 사용되는 다른 메트릭들이 있을 수 있다. 콘텐츠 소비 데이터베이스(618)는 도 14의 스키마(1412)에 따라 조직될 수 있다. 소비된 콘텐츠(1204)는 콘텐츠 아이템(602)의 표시이다. 라벨(1206)은 라벨 추출 모듈(610)이 콘텐츠 아이템(602)이 가져야 한다고 결정한 도 9의 하나 이상의 라벨(914)이다. 용어(1230)는 도 7의 용어(716)와 동일하거나 유사할 수 있다. 미디어 유형(1208)은 이미지(1210), 비디오(1212), 오디오, 검색 로그들 등과 같은 소비된 콘텐츠(1204)의 미디어 유형을 나타낸다. 사용자(604)는 소비된 콘텐츠(1204)를 소비한 하나 이상의 사용자(604)를 나타낸다. 평균 시청 시간(1214)은 사용자(604)가 소비된 콘텐츠(1204)를 시청하는 데 소비한 평균 시간을 나타낸다. 스크린샷됨(1218)은 소비된 콘텐츠(1204)가 스크린샷된(1218) 횟수 또는 평균 횟수를 나타낸다. 시청들의 수(1220)는 소비된 콘텐츠의 시청들의 수(1204)를 나타낸다. 검색 로그들(1222)은 소비된 콘텐츠(1204)가 검색들에서 나타난 횟수 및/또는 소비된 콘텐츠(1204)가 검색들로부터 선택된 횟수를 나타낸다. 시청된 날짜(1224)는 소비된 콘텐츠(1204)에 관한 통계에 대한 시간 윈도우를 나타낸다. 시청된 시간(1226)은 하나 이상의 사용자(1214)에 의한 소비된 콘텐츠(1204)의 시청에 관한 하나 이상의 통계를 나타낸다. 공유들의 수(1228)는 하나 이상의 사용자(1214)에 의한 소비된 콘텐츠(1204)의 공유들의 수에 관한 통계를 나타낸다. 콘텐츠 소비 데이터베이스(618)는 일부 실시예들에 따른 표 1 메트릭들(1231)을 포함한다. 표 1 메트릭들(1231)은 아래의 표 1에 개시된 메트릭들을 포함한다. 콘텐츠 소비 데이터베이스(618)는 하나 이상의 사용자(1214)에 의한 소비된 콘텐츠(1204)에 관한 추가 메트릭들을 포함할 수 있다는 것을 알 것이다.
도 13은 일부 실시예들에 따른 콘텐츠 소비 메트릭 추출 모듈(612)을 예시한다. 콘텐츠 소비 메트릭 추출 모듈(612)은 생성(606), 소비(608), 사용자(604), 및 콘텐츠 아이템(602)에 기초하여 콘텐츠 소비 데이터베이스(618)를 구축한다. 예를 들어, 사용자(604)는 콘텐츠 아이템(602)에 액세스하고 그들의 모바일 디바이스 상에서 콘텐츠 아이템(602)을 볼 수 있다. 콘텐츠 소비 메트릭 추출 모듈(612)은 사용자(1214)가 소비된 콘텐츠(1204)에 표시된 콘텐츠 아이템(602)과 가진 상호작용에 따라, 사용자(604)가 사용자(1214)로서 추가되고, 평균 시청 시간(1216)이 업데이트되고, 시청들의 수(1220)가 업데이트되고, 시청된 데이터(1224)가 업데이트되고, 시청된 시간(1226)이 업데이트되고, 기타 등등인 콘텐츠 아이템(602)과 매칭되는 도 12의 소비된 콘텐츠(1204)에 대한 데이터베이스 엔트리를 업데이트한다.
도 14 내지 도 16은 서로 관련하여 설명된다. 도 14는 일부 실시예들에 따른 관여 스코어 결정 모듈(622)을 예시한다. 관여 스코어 결정 모듈(622)은 라벨 데이터베이스(614), 콘텐츠 소비 데이터베이스(618), 및 사용자 데이터베이스(620)로부터의 통계를 사용하여 메트릭 데이터베이스(1410)를 생성한다. 그리고 나서, 관여 스코어 결정 모듈(622)은 메트릭 데이터베이스(1410) 및 가중치 테이블(1402)을 사용하여 관여 스코어들(1408)을 결정한다. 관여 스코어들(1408)은 집계 콘텐츠 소비 메트릭(1420) 및 콘텐츠 소비 메트릭(1404)을 포함하고, 이들 둘 다는 라벨(914)에 대한 것이다.
메트릭 데이터베이스(1410)는 일부 실시예들에 따라 스키마(1412)에 따라 조직된다. 스키마(1412)는 날짜(1414), 콘텐츠 아이템(1416), 콘텐츠 소비 메트릭(1404), 및 메트릭 값(1406)을 포함한다. 날짜(1414)는 도 11의 날짜(1102)와 동일하거나 유사할 수 있다. 콘텐츠 아이템(1416)은 콘텐츠 아이템(602)의 표시일 수 있다. 콘텐츠 소비 메트릭(1404)은 도 12와 관련하여 개시된 필드들 중 하나 이상을 포함한다. 메트릭 값(1406)은 대응하는 콘텐츠 소비 메트릭(1404)에 대한 값이다.
도 15는 일부 실시예들에 따른 라벨의 사용의 그래프(1500)를 예시한다. 도 15에는 수직축을 따른 변수 값(1502)과 수평축을 따른 주별 날짜(1504)가 예시되어 있다. 변수 값(1502)은 스크린샷들(1506), 시청 시간(1508), 시청들(1510), 공유들(1512), 및 저장들(1514)을 포함하는 콘텐츠 소비 메트릭(1404)의 정규화된 값이다. 공유는 사용자(604)가 단기적 메시지에서와 같이 메시징 시스템(100)의 다른 사용자(604)와 콘텐츠 아이템(602)을 공유했다는 것을 나타낸다.
일부 실시예들에 따르면, 그래프(1500)는 사용자 인터페이스 모듈(628)에 의해 제시된다. 예시적인 라벨(914)은 상이한 콘텐츠 소비 메트릭들(1404)을 갖는 자전거들이다. 5개의 콘텐츠 소비 메트릭(1404)만이 그래프화되더라도 사용자가 그래프(1500)를 이해하는 것은 어려울 수 있다. 일부 실시예들에서, 그래프(1500)는 콘텐츠 소비 데이터베이스(618) 및 표 1로부터의 추가적인 콘텐츠 소비 메트릭들(1404)을 포함하며, 이는 라벨(914) 자전거들을 갖는 콘텐츠 아이템들(602)을 생성 및 소비하는 사용자들(604)과 관련하여 자전거들의 라벨(914)을 갖는 콘텐츠 아이템들(602)이 어떻게 작동하고 있는지를 이해하는 것을 어렵게 할 수 있다.
표 1은 인기에 대한 가중치들(1418) 및 열정에 대한 가중치들(1418)을 갖는 콘텐츠 소비 메트릭들(1404)를 예시한다.
Figure pct00001
관여 스코어 결정 모듈(622)은 가중치 테이블(1402) 및 메트릭 데이터베이스(1410)를 사용하여 집계 콘텐츠 소비 메트릭들(1420)을 결정한다. 가중치 테이블(1402)은 콘텐츠 소비 메트릭(1404) 및 가중치(1418)를 포함한다. 표 1은 인기 및 열정의 2개의 집계 콘텐츠 소비 메트릭(1420)에 대한 가중치 테이블(1402)의 예이다. 집계 콘텐츠 소비 메트릭들(1420)은 사람이 라벨(914)을 갖는 콘텐츠 아이템들(602)의 소비를 이해하는 데 더 쉬울 수 있다. 인기에 대한 열 가중치와 열정에 대한 열 가중치는 콘텐츠 소비 메트릭들(1404)에 대한 가중치들(1418)이다. 표 1에서, 인기에 대한 가중치는 시청들에 대해 4이고, 열정에 대한 가중치는 시청들에 대해 0이다.
일부 실시예들에서, 관여 스코어 결정 모듈(622)은 수학식 1 내지 3에 따라 인기 및 열정과 같은 관여 스코어들(1408)을 결정하도록 구성된다. 수학식 1: W = {w(1), w(2), ..., w(n)}이고, 여기서 W는 가중치들(1418)의 벡터이고 w(n)은 n 번째 가중치이다. W의 예들은 인기에 대한 가중치 및 열정에 대한 가중치의 표 1의 열들이다. 수학식 2: M = {m(1), m(2), ..., m(n)}이고, M은 콘텐츠 소비 메트릭들(1404)의 값들(1406)의 벡터이며, 여기서 m(n)은 라벨(914)에 대한 n 번째 콘텐츠 소비 메트릭(1404)의 메트릭 값(1406)이다. 수학식 3: 스코어 = w(1) * m(1) + w(2) * m(2) ... + w(n) * m(n)이고, 여기서 스코어는 날짜 또는 시간 윈도우에 대한 라벨(914)의 인기(1602) 또는 열정(1604)에 대응할 수 있다. 라벨(914)로서의 자전거들의 예의 경우, 표 1의 n 번째 콘텐츠 소비 메트릭들(1404)인 m(n)의 각각의 메트릭 값(1406)은 인기에 대한 가중치 또는 열정에 대한 가중치의 대응하는 가중치(1418)와 곱해져 각각 인기(1602) 또는 열정(1604)에 대한 값을 결정한다. 인기(1602) 및 열정(1604) 둘 다는 라벨(914)에 대한 유형 집계 콘텐츠 소비 메트릭(1420)의 관여 스코어들(1408)이다.
도 16은 일부 실시예들에 따른 라벨(914)의 사용의 그래프(1600)를 예시한다. 그래프(1600)는 주 1-23 동안의 라벨(914)에 대한에 대한 표 1의 콘텐츠 소비 메트릭들에 대한 인기(1602) 및 열정(1604)에 대한 정규화된 값들을 예시한다. 라벨(914)은 도 15에서와 동일한 자전거들이다. 그래프(1600)는 사람이 그래프(1500)보다 이해하고 해석하기가 더 쉬울 수 있다. 그래프(1600)는 일부 실시예들에 따라 수학식 1 내지 3을 사용하여 생성된다.
도 17은 일부 실시예들에 따른 관여 스코어 조정 모듈(624)을 예시한다. 관여 스코어 조정 모듈(624)은 관여 스코어들(1408)을 취하고 그들을 조정하여 조정된 관여 스코어들(1704)을 생성한다. 활동 검출 모듈(626)은 조정된 관여 스코어들(1704)을 모니터하고, 조정된 관여 스코어들(1704)이 비정상적으로 낮거나 높을 때 사용자에게 통지한다. 예를 들어, 관여 스코어 결정 모듈(622)은 관여 스코어들(1408)을 연속적으로 업데이트할 수 있고, 관여 스코어 조정 모듈(624)은 조정된 관여 스코어들(1704)을 연속적으로 결정할 수 있다. 활동 검출 모듈(626)은 비정상적인 또는 정상적이지 않은 스코어들을 검출하고, 비정상적인 또는 정상적이지 않은 스코어들에 기초하여 액션(1702)을 취할 수 있다. 예들 들어, 활동 검출 모듈(626)은 도 25에서 거짓(2210)의 트렌드 변수 값들(2504)을 검출하고, 도 26에서 거짓(2610)의 트렌드 변수 값들(2604)을 검출하고, 도 27에서 거짓(2710)의 트렌드 변수 값들(2704)을 검출하고, 도 28에서 거짓(2810)의 트렌드 변수 값들(2804)을 검출하고/하거나, 도 29에서 거짓(2910)의 트렌드 변수 값들(2904)을 검출할 수 있다. 활동 검출 모듈(626)은 라벨과 연관된 TV가 정상 범위 밖에 있음을 사용자에게 통지하는 액션(1702)을 취할 수 있다. 활동 검출 모듈(626)은 라벨과 연관된 콘텐츠 아이템들(602)이 다른 모듈에 의해 생성되게 할 수 있거나, 라벨과 연관된 추가적인 콘텐츠 아이템들(602)을 생성하도록 사용자에게 프롬프트할 수 있다. 활동 검출 모듈(626)은 증강 시스템(206)이 사용자(604)에게 이용가능하게 할 수 있는 라벨에 관련된 수정들(722)이 생성되게 하는 액션(1702)을 취할 수 있다.
관여 스코어 조정 모듈(624)이 조정된 관여 스코어들(1704)을 생성하기 위해 관여 스코어들(1408)에 대해 행하는 조정들은 도 18-29와 관련하여 설명된다.
도 18은 일부 실시예들에 따른 4개의 라벨에 대한 원시 데이터(1814)를 예시한다. 도 18에는 수직축을 따른 콘텐츠 소비(1802)와 수평축을 따른 주별 날짜(1804)가 예시되어 있다. 콘텐츠 소비(1802)는 라벨 1(1806), 라벨 2(1808), 라벨 3(1810), 또는 라벨 4(1812)를 가진 소비된(608) 콘텐츠 아이템들(602)의 수를 나타낸다. 라벨들은 실내, 실외, 고양이, 개, 볼링, 스포츠, 친구들, 달리기 등과 같은 예시적인 라벨들이다. 일부 날들 또는 주들에, 라벨에 대한 콘텐츠 소비(1802)는 0일 수 있다. 주별 날짜(1804)로 표시되는 바와 같은 주마다의 변동들로 인해 라벨들의 콘텐츠 소비(1802)를 해석하는 것은 어려울 수 있다. 콘텐츠 소비(1802)는 라벨들에 대한 사용자(604) 관여의 표시이다.
일부 실시예들에서, 콘텐츠 소비(1802)는 콘텐츠 소비(1802)를 트렌드 컴포넌트 또는 계절성 컴포넌트에 기인할 수 없는 콘텐츠 소비(1802)의 부분일 수 있는, 트렌드 컴포넌트, 계절성 컴포넌트, 및 나머지로 분할하는 수학식 4에 표시된 바와 같이 시계열로 표현될 수 있다. 수학식 4: TIMESERIES = TRENDCOMPONENT + SEASONALITYCOMPONENT + RESIDUAL.
도 19는 일부 실시예들에 따른 라벨들의 단순 이동 평균(SMA)(1902)의 그래프(1900)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 동일한 원시 데이터(1814)를 사용하여 수학식 5 및 수학식 6에 기초하여 SMA를 결정한다.
여기서, di는 i 번째 날짜이고, 는 콘텐츠 소비 메트릭(1404)의 값 또는 di에서의 라벨 l의 집계 콘텐츠 소비 메트릭(1420)의 값이고, w는 시간-윈도우 크기이고, 는 SMA가 결정되고 있는 날짜이다. 수학식 5는 >= w일 때에 대한 것이고, 수학식 6은 < w일 때에 대한 것이다. . 사용된 그래프(1900)에 대한 윈도우 크기 w는 14일이었다. 7일, 28일 등과 같은 다른 윈도우 크기들이 사용될 수 있다.
도 20은 일부 실시예들에 따른 라벨들의 트렌드 모멘텀(TM)(2002)의 그래프(2000)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 동일한 원시 데이터(1814)를 사용하여 수학식 7에 기초하여 라벨들에 대한 트렌드 모멘텀(2002)을 결정한다.
여기서, 는 단기 시간 윈도우 크기이고, 은 장기 시간 윈도우 크기이고, α는 가중치이고, α는 0 내지 1의 값을 할당받는다. 관여 스코어 조정 모듈(624)은 그래프(2000)에 대해 = 3일, = 7일, 및 α = 0.9를 사용하였다. 일부 실시예들에서, 관여 스코어들은 TM을 결정하도록 조정되고, TM은 제2 윈도우를 갖는 제2 SMA로부터 제1 윈도우를 갖는 제1 SMA를 감산하는 것에 기초하고, 제2 윈도우는 제1 윈도우보다 짧다.
도 21은 일부 실시예들에 따른 모멘텀(M)(2102)의 그래프(2100)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 수학식 7에 기초하여 라벨들에 대한 트렌드 모멘텀(2002)을 결정한다. 수학식 8: , 여기서 w는 시간 윈도우 크기이다. 관여 스코어 조정 모듈(624)은 그래프(2100)에 대해 w = 7일을 사용하였다.
도 22는 일부 실시예들에 따른 라벨 1(1806)의 통계 분석의 그래프들(2200)을 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 값들의 범위, 표준 편차, 및 백분위수들에 기초하여 라벨 1(1806)에 대한 일별 통계 분석(2202) 및 월별 통계 분석(2204)을 결정한다. 도 22에는 수직축을 따른 정규화된 트렌드 값(2206) 및 수평축을 따른 평일(2208) 또는 달(2210)이 예시되어 있다.
도 23은 일부 실시예들에 따른 라벨 1(1806)의 정적 계절성의 그래프(2300)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 수학식 9에 기초하여 라벨 1(1806)에 대한 정적 계절성(2302)에 대한 값들을 결정한다. 수학식 9: 디트렌드 = timeseries- trendcomponent. 따라서, 수학식 9에 따르면, 디트렌드는 트렌드 컴포넌트가 없는 시계열이다. 도 23에는 수직축을 따른 정적 계절성(2302)과 수평축을 따른 주별 날짜(2304)가 예시되어 있다. 정적 계절성(2302)은 정규화된다.
도 24는 일부 실시예들에 따른 라벨 1(1806)의 계절적인 정규화된 디트렌드의 그래프(2400)를 예시한다. 도 24에는 수직축을 따른 계절적인 정규화된 디트렌드(2402) 및 수평축을 따른 주별 날짜(2404)가 예시되어 있다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 수학식 10-13에 기초하여 라벨 1(1806)에 대한 계절적인 정규화된 디트랜드(2402)에 대한 값들을 결정한다.
여기서, 는 데이터 에서의 평일을 지칭하고, w는 시간 윈도우 크기이고, m은 콘텐츠 소비 메트릭(1404) 또는 집계 콘텐츠 소비 메트릭(1420)이다. 도 24에서, w=28이고, 계절성 기간(SP)=7이며, 이는 평일에 대한 것이다. , 여기서 s는 계절을 나타낸다.
.
도 25 내지 도 29는 인기의 집계 콘텐츠 소비 메트릭(1420)의 조정된 관여 스코어들(1704)의 시계열을 분석하는 것을 예시한다. 도 25는 일부 실시예들에 따른 라벨 1의 인기의 트렌드 컴포넌트(2502)의 그래프(2500)를 예시한다. 관여 스코어 조정 모듈(624)은 라벨 1의 인기에 대한 수학식 4에 기초하여 라벨 1(1806)에 대한 주별(2506) 트렌드 변수 값(2504)을 결정한다. 일부 실시예들에 따르면, 관여 스코어 조정 모듈(624)은 수학식 4 및 수학식 7에 기초하여 트렌드 변수 값들(2504)을 결정한다.
수학식 14 및 수학식 15는 각각 정규성 범위 및 트렌딩 범위를 정의한다. 수학식 14: 정규성 범위: 평균(들) - 임계치 * 표준 편차(들) < 트렌드 변수 스코어 < 평균(들) + 임계치 * 표준 편차(들). 수학식 15: 트렌딩 범위: 변수 스코어 < 평균(들) - 임계치 * 표준 편차(들); 또는, 변수 스코어 > 평균(들) + 임계지 * 표준 편차(들). 일부 실시예들에서, 평균 및 표준 편차를 사용하는 대신에, 정규성 및 트렌딩 범위들은 제25 백분위수(Q1) 및 제75 백분위수(Q3), 예컨대 정규성 범위: Q1(들) - 임계치 * IQR(들) < 트렌드 변수 스코어 < Q3(들) + 임계치 * IQR(들)에 기초하며, 여기서 IQR(들) = Q3(들) - Q1(들)이다. 수학식 15: 트렌딩 범위: 변수 스코어 < Q1(들) - 임계치 * IQR(들); 또는, 변수 스코어 > Q3(들) + 임계치 * IQR(들).
도 25에는 임계치가 2인 수학식 15의 제1 부분으로 결정되는 마이너스 2 표준 편차들(SDS)(2220)이 예시되어 있다. 플러스 2 SDS(2218)는 임계치가 2인 수학식 15의 제2 부분으로 결정된다. 일부 실시예들에서, 정상치(2214)는 주들(2506)에서의 날짜 범위에 대한 트렌드 변수(TV)의 평균 값이다. 정상치(2214)는 다른 방식들로 결정될 수 있다는 것을 알 것이다.
범례(2508)는 TV 값들(2504)에 대한 카테고리들을 거짓(2210) 또는 참(2212)으로서 나타낸다. 거짓(2210)은 TV 값(2504)이 마이너스 2 SDS(2220)보다 작거나 플러스 2 SDS(2218)보다 크거나, TV 값(2504)이 수학식 14의 정상 범위 내에 있다는 것을 나타낸다. 참(2212)은 TV 값(2504)이 마이너스 2 SDS(2220)보다 작거나, TV 값(2504)이 플러스 2 SDS(2218)보다 크거나, TV 값(2504)이 수학식 15에서 정의된 트렌딩 범위 내에 있다는 것을 나타낸다.
도 26은 일부 실시예들에 따른 라벨 1의 인기의 계절성 컴포넌트(2602)의 그래프(2600)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 수학식 10-13에 기초하여 라벨 1(1806)에 대한 주별(2606) 트렌드 변수 값들(2604)을 결정한다. 일부 실시예들에 따르면, 관여 스코어 조정 모듈(624)은 수학식 4에 기초하여 트렌드 변수 값들(2604)을 결정한다. 예를 들어, 트렌드 변수 값들(2604)은 수학식 7로부터 결정될 수 있다. 범례(2608)는 TV 값들(2604)에 대한 카테고리들을 거짓(2610) 또는 참(2612)인 것으로 나타낸다. 거짓(2610)은 TV 값(2604)이 마이너스 2 SDS(2220)보다 작거나 플러스 2 SDS(2218)보다 크거나, TV 값(2604)이 수학식 14의 정상 범위 내에 있다는 것을 나타낸다. 참(2612)은 TV 값(2604)이 마이너스 2 SDS(2220)보다 작거나, TV 값(2604)이 플러스 2 SDS(2218)보다 크거나, TV 값(2604)이 수학식 15에서 정의된 트렌딩 범위 내에 있다는 것을 나타낸다.
도 27은 일부 실시예들에 따른 라벨 1의 인기의 목요일(2702)에 대한 계절성 컴포넌트의 그래프(2700)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 수학식 10-13에 기초하여 라벨 1(1806)에 대한 주별(2706) 트렌드 변수 값들(2704)을 결정한다. 일부 실시예들에 따르면, 관여 스코어 조정 모듈(624)은 수학식 4에 기초하여 트렌드 변수 값들(2704)을 결정한다. 예를 들어, 트렌드 변수 값들(2604)은 수학식 7로부터 결정될 수 있다. 범례(2708)는 TV 값들(2704)에 대한 카테고리들을 거짓(2710) 또는 참(2712)인 것으로 나타낸다. 거짓(2710)은 TV 값(2704)이 마이너스 2 SDS(2220)보다 작거나 플러스 2 SDS(2218)보다 크거나, TV 값(2704)이 수학식 14의 정상 범위 내에 있다는 것을 나타낸다. 참(2612)은 TV 값(2704)이 마이너스 2 SDS(2220)보다 작거나, TV 값(2704)이 플러스 2 SDS(2218)보다 크거나, TV 값(2704)이 수학식 15에서 정의된 트렌딩 범위 내에 있다는 것을 나타낸다.
도 28은 일부 실시예들에 따른 라벨 1의 인기의 디노이즈 컴포넌트(2802)의 그래프(2800)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 수학식 16에 기초하여 라벨 1(1806)에 대한 주별(2806) 트렌드 변수 값들(2804)을 결정한다. 수학식 16: 원시 - 나머지 = 트렌드 + 계절성. 범례(2808)는 TV 값들(2804)에 대한 카테고리들을 거짓(2810) 또는 참(2812)으로서 나타낸다. 거짓(2810)은 TV 값(2804)이 마이너스 2 SDS(2220)보다 작거나 플러스 2 SDS(2218)보다 크거나, TV 값(2804)이 수학식 14의 정상 범위 내에 있다는 것을 나타낸다. 참(2812)은 TV 값(2804)이 마이너스 2 SDS(2220)보다 작거나, TV 값(2804)이 플러스 2 SDS(2218)보다 크거나, TV 값(2804)이 수학식 15에서 정의된 트렌딩 범위 내에 있다는 것을 나타낸다.
도 29는 일부 실시예들에 따른 라벨 1의 인기의 월요일(2902)에 대한 디노이즈 컴포넌트의 그래프(2900)를 예시한다. 관여 스코어 조정 모듈(624)은 도 18의 원시 데이터(1814)를 사용하여 수학식 16에 기초하여 라벨 1(1806)에 대한 주별(2906) 트렌드 변수 값들(2904)을 결정한다. 범례(2908)는 TV 값들(2904)에 대한 카테고리들을 거짓(2910) 또는 참(2912)으로서 나타낸다. 거짓(2910)은 TV 값(2904)이 마이너스 2 SDS(2220)보다 작거나 플러스 2 SDS(2218)보다 크거나, TV 값(2904)이 수학식 14의 정상 범위 내에 있다는 것을 나타낸다. 참(2912)은 TV 값(2904)이 마이너스 2 SDS(2220)보다 작거나, TV 값(2904)이 플러스 2 SDS(2218)보다 크거나, TV 값(2904)이 수학식 15에서 정의된 트렌딩 범위 내에 있다는 것을 나타낸다.
도 30은 일부 실시예들에 따른 사용자 인터페이스 모듈(628)을 예시한다. 사용자 인터페이스 모듈(628)은 사용자가 필터들(3002)에 대한 값들을 선택하기 위한 메뉴를 제시한다. 필터들(3002)은 시간 윈도우(3004), 라벨(3006), 콘텐츠 소비 메트릭(3008), 및 분류자(3010)를 포함한다. 예를 들어, 디스플레이 상에 그래프(1800)를 제시하기 위해, 사용자는 분류자(3010)로서 "원시 데이터"를 선택하고; 사용자는 라벨(1806), 라벨 2(1808), 라벨 3(1810), 및 라벨 4(1812) 중 하나 이상을 라벨(3006)로서 선택하고; 사용자는 도 18의 콘텐츠 소비 메트릭을 콘텐츠 소비 메트릭(3008)으로서 선택한다.
도 31은 일부 실시예들에 따른 라벨들에 기초하는 관여 분석을 위한 방법(3100)을 예시한다. 방법(3100)은 동작 3102에서 시작하여 콘텐츠 아이템들을 처리한다. 동작 3102는 이미지들을 포함하는 콘텐츠 아이템들을 처리하여 이미지들 내의 요소들을 식별하는 것을 포함할 수 있다. 예를 들어, 도 9의 콘텐츠 아이템 분석 모듈(902)은 요소 설명자들(918)에 기초하여 이미지들(708) 및 비디오(710)를 포함하는 콘텐츠 아이템들(602)을 처리하여 요소들(726)을 생성한다.
방법(3100)은 동작 3104에서 계속되어 이미지에 대한 라벨들을 결정한다. 일부 실시예들에서, 동작 3104는 이미지 내의 요소들에 기초하여 라벨들 중의 라벨을 이미지들 중의 이미지와 언제 연관시킬지를 나타내는 조건들에 기초하여 이미지들에 대한 라벨들을 결정하는 것을 포함한다. 예를 들어, 도 9의 라벨 추출 모듈(610)은 콘텐츠 아이템들(602) 내에서 식별된 요소들(726)에 기초하여 콘텐츠 아이템들(602)에 대한 라벨들(914)을 결정한다.
방법(3100)은 동작 3106에서 계속되어 라벨을 콘텐츠 아이템과 연관시킨다. 일부 실시예들에서, 동작 3106은 라벨을 이미지와 연관시키기로 결정하는 것에 응답하여 라벨을 콘텐츠 아이템과 연관시키는 것을 포함한다. 예를 들어, 동작 3104의 예를 계속하면, 라벨 추출 모듈(610)은 콘텐츠 아이템(602)과 라벨(914) 간의 연관성을 라벨 데이터베이스(614)에 저장한다.
방법(3100)은 동작 3108에서 계속되어 라벨에 대한 관여 스코어들을 결정한다. 일부 실시예들에서, 동작 3108은 라벨과 연관된 콘텐츠 아이템들과의 사용자들의 상호작용들에 기초하여 라벨에 대한 관여 스코어들을 결정하는 것을 포함한다. 예를 들어, 도 14의 관여 스코어 결정 모듈(622)은 관여 스코어들(1408)을 결정한다.
방법(3100)은 동작 3110에서 계속되어 관여 스코어들을 조정한다. 일부 실시예들에서, 동작 3110은 라벨들에서의 트렌드들을 결정하도록 관여 스코어들을 조정하여 조정된 관여 스코어들을 생성하는 것을 포함한다. 예를 들어, 관여 스코어 조정 모듈(624)은 관여 스코어들(1408)을 조정하고, 조정된 관여 스코어들(1704)을 생성한다.
방법(3100)의 동작들 중 하나 이상은 옵션일 수 있다. 방법(3100)은 하나 이상의 추가 동작을 포함할 수 있다. 방법(3100)의 동작들은 상이한 순서로 수행될 수 있다. 일부 실시예들에 따르면, 머신(3200) 또는 머신(3200)의 장치는 방법(3100) 및 본 명세서에 개시된 다른 방법들을 수행하도록 구성된다.
머신 아키텍처
도 32는 머신(3200)으로 하여금 본 명세서에서 설명된 방법들 중 임의의 하나 이상을 수행하게 하기 위한 명령어들(3208)(예를 들어, 소프트웨어, 프로그램, 애플리케이션, 애플릿, 앱, 또는 다른 실행가능 코드)이 실행될 수 있는 머신(3200)의 도식적 표현이다. 예를 들어, 명령어들(3208)은 머신(3200)으로 하여금 본 명세서에 설명된 방법들 중 임의의 하나 이상을 실행하게 할 수 있다. 명령어들(3208)은 일반적인 프로그래밍되지 않은 머신(3200)을 설명되고 예시된 기능들을 설명된 방식으로 수행하도록 프로그래밍된 특정 머신(3200)으로 변환한다. 머신(3200)은 독립형 디바이스로서 동작할 수 있거나 다른 머신들에 결합(예를 들어, 네트워킹)될 수 있다. 네트워킹된 배치에서, 머신(3200)은 서버-클라이언트 네트워크 환경에서 서버 머신 또는 클라이언트 머신의 능력으로, 또는 피어-투-피어(또는 분산) 네트워크 환경에서 피어 머신으로서 동작할 수 있다. 머신(3200)은 서버 컴퓨터, 클라이언트 컴퓨터, 개인용 컴퓨터(PC), 태블릿 컴퓨터, 랩톱 컴퓨터, 넷북, 셋톱 박스(STB), 개인 휴대 정보 단말기(PDA), 엔터테인먼트 미디어 시스템, 셀룰러 전화, 스마트폰, 모바일 디바이스, 웨어러블 디바이스(예를 들어, 스마트워치), 스마트 홈 디바이스(예를 들어, 스마트 어플라이언스), 다른 스마트 디바이스들, 웹 어플라이언스, 네트워크 라우터, 네트워크 스위치, 네트워크 브리지, 또는 머신(3200)에 의해 취해질 액션들을 지정하는 명령어들(3208)을 순차적으로 또는 다른 방식으로 실행할 수 있는 임의의 머신을 포함할 수 있지만, 이에 제한되지 않는다. 게다가, 단일 머신(3200)만이 예시되어 있지만, "머신"이라는 용어는 또한 본 명세서에서 설명된 방법들 중 임의의 하나 이상을 수행하기 위해 명령어들(3208)을 개별적으로 또는 공동으로 실행하는 머신들의 컬렉션을 포함하는 것으로 간주되어야 한다. 머신(3200)은 예를 들어, 메시징 서버 시스템(108)의 일부를 형성하는 클라이언트 디바이스(102) 또는 다수의 서버 디바이스 중 임의의 하나를 포함할 수 있다. 일부 예들에서, 머신(3200)은 또한 클라이언트 및 서버 시스템들 둘 다를 포함할 수 있으며, 특정 방법 또는 알고리즘의 특정 동작들은 서버측에서 수행되고, 특정 방법 또는 알고리즘의 특정 동작들은 클라이언트측에서 수행된다.
머신(3200)은 버스(3240)를 통해 서로 통신하도록 구성될 수 있는, 프로세서들(3202), 메모리(3204), 및 입력/출력 I/O 컴포넌트들(3238)을 포함할 수 있다. 일부 실시예들에 따르면, 프로세서들(3202)은 컴퓨터 프로세서들로 지칭될 수 있다. 일례에서, 프로세서들(3202)(예를 들어, 중앙 처리 유닛(CPU), RISC(Reduced Instruction Set Computing) 프로세서, CISC(Complex Instruction Set Computing) 프로세서, 그래픽 처리 유닛(GPU), 디지털 신호 프로세서(DSP), 주문형 집적 회로(ASIC), 무선 주파수 집적 회로(RFIC), 다른 프로세서, 또는 이들의 임의의 적절한 조합)은 예를 들어 명령어들(3208)을 실행하는 프로세서(3206) 및 프로세서(3210)를 포함할 수 있다. "프로세서"라는 용어는 명령어들을 동시에 실행할 수 있는 2개 이상의 독립 프로세서(때때로 "코어"라고 함)를 포함할 수 있는 멀티-코어 프로세서를 포함하는 것을 의도한다. 도 32는 다수의 프로세서(3202)를 도시하지만, 머신(3200)은 단일 코어를 갖는 단일 프로세서, 다수의 코어를 갖는 단일 프로세서(예를 들어, 멀티-코어 프로세서), 단일 코어를 갖는 다수의 프로세서, 다수의 코어를 갖는 다수의 프로세서, 또는 이들의 임의의 조합을 포함할 수 있다.
메모리(3204)는 메인 메모리(3212), 정적 메모리(3214) 및 저장 유닛(3216)을 포함하며, 둘 다 버스(3240)를 통해 프로세서들(3202)에 의해 액세스 가능하다. 메인 메모리(3204), 정적 메모리(3214), 및 저장 유닛(3216)은 본 명세서에 설명된 방법들 또는 기능들 중 임의의 하나 이상을 구현하는 명령어들(3208)을 저장한다. 명령어들(3208)은 또한, 머신(3200)에 의한 그들의 실행 동안에, 완전히 또는 부분적으로, 메인 메모리(3212) 내에, 정적 메모리(3214) 내에, 저장 유닛(3216) 내의 머신 판독가능 매체(3218) 내에, 프로세서들(3202) 중 적어도 하나 내에(예를 들어, 프로세서의 캐시 메모리 내에), 또는 이들의 임의의 적절한 조합으로 존재할 수 있다.
I/O 컴포넌트들(3238)은 입력을 수신하고, 출력을 제공하고, 출력을 생성하고, 정보를 송신하고, 정보를 교환하고, 측정들을 캡처하는 것 등을 위한 다양한 컴포넌트들을 포함할 수 있다. 특정 머신에 포함되는 특정 I/O 컴포넌트들(3238)은 머신의 유형에 의존할 것이다. 예를 들어, 모바일 폰들과 같은 휴대용 머신들은 터치 입력 디바이스 또는 다른 그러한 입력 메커니즘들을 포함할 수 있는 반면, 헤드리스 서버 머신(headless server machine)은 그러한 터치 입력 디바이스를 포함하지 않을 것이다. I/O 컴포넌트들(3238)은 도 32에 도시되지 않은 많은 다른 컴포넌트들을 포함할 수 있다는 것을 알 것이다. 다양한 예들에서, I/O 컴포넌트들(3238)은 사용자 출력 컴포넌트들(3224) 및 사용자 입력 컴포넌트들(3226)을 포함할 수 있다. 사용자 출력 컴포넌트들(3224)은 시각적 컴포넌트들(예를 들어, 플라즈마 디스플레이 패널(PDP), 발광 다이오드(LED) 디스플레이, 액정 디스플레이(LCD), 프로젝터, 또는 음극선관(CRT) 등의 디스플레이), 음향 컴포넌트들(예를 들어, 스피커들), 햅틱 컴포넌트들(예를 들어, 진동 모터, 저항 메커니즘들), 다른 신호 생성기들 등을 포함할 수 있다. 사용자 입력 컴포넌트들(3226)은 영숫자 입력 컴포넌트들(예를 들어, 키보드, 영숫자 입력을 수신하도록 구성된 터치 스크린, 포토-광학 키보드, 또는 다른 영숫자 입력 컴포넌트들), 포인트 기반 입력 컴포넌트들(예를 들어, 마우스, 터치패드, 트랙볼, 조이스틱, 모션 센서, 또는 다른 포인팅 기구), 촉각 입력 컴포넌트들(예를 들어, 물리적 버튼, 터치들 또는 터치 제스처들의 위치 및 힘을 제공하는 터치 스크린, 또는 다른 촉각 입력 컴포넌트들), 오디오 입력 컴포넌트들(예를 들어, 마이크로폰) 등을 포함할 수 있다.
추가 예들에서, I/O 컴포넌트들(3238)은 다른 컴포넌트들의 광범위한 어레이 중에서, 바이오메트릭 컴포넌트들(3228), 모션 컴포넌트들(3230), 환경 컴포넌트들(3232), 또는 위치 컴포넌트들(3234)을 포함할 수 있다. 예를 들어, 바이오메트릭 컴포넌트들(3228)은 표현들(예를 들어, 손 표현들, 얼굴 표정들, 음성 표현들, 신체 제스처들, 또는 시선 추적)을 검출하고, 생체신호들(예를 들어, 혈압, 심박수, 체온, 땀 또는 뇌파들)을 측정하고, 사람을 식별(예를 들어, 음성 식별, 망막 식별, 얼굴 식별, 지문 식별, 또는 뇌전도-기반 식별)하는 것 등을 위한 컴포넌트들을 포함한다. 모션 컴포넌트들(3230)은 가속도 센서 컴포넌트들(예를 들어, 가속도계), 중력 센서 컴포넌트들, 회전 센서 컴포넌트들(예를 들어, 자이로스코프)을 포함한다.
환경 컴포넌트들(3232)은 예를 들어, (정지 이미지/사진 및 비디오 능력들을 갖는) 하나 이상의 카메라, 조명 센서 컴포넌트들(예를 들어, 광도계), 온도 센서 컴포넌트들(예를 들어, 주변 온도를 검출하는 하나 이상의 온도계), 습도 센서 컴포넌트들, 압력 센서 컴포넌트들(예를 들어, 기압계), 음향 센서 컴포넌트들(예를 들어, 배경 노이즈를 검출하는 하나 이상의 마이크로폰), 근접 센서 컴포넌트들(예를 들어, 근처의 객체들을 검출하는 적외선 센서들), 가스 센서들(예를 들어, 안전을 위해 유해성 가스들의 농도들을 검출하거나 대기 중의 오염물들을 측정하기 위한 가스 검출 이온 센서들), 또는 주변의 물리적 환경에 대응하는 표시들, 측정치들, 또는 신호들을 제공할 수 있는 다른 컴포넌트들을 포함한다.
카메라들과 관련하여, 클라이언트 디바이스(102)는 예를 들어, 클라이언트 디바이스(102)의 전방 표면 상의 전방 카메라들 및 클라이언트 디바이스(102)의 후방 표면 상의 후방 카메라들을 포함하는 카메라 시스템을 가질 수 있다. 전방 카메라들은 예를 들어, 전술한 증강 데이터(예컨대, 필터들)로 나중에 증강될 수 있는, 클라이언트 디바이스(102)의 사용자의 정지 이미지들 및 비디오(예컨대, "셀피들")를 캡처하기 위하여 사용될 수 있다. 후방 카메라들은 예를 들어, 더 전통적인 카메라 모드에서 정지 이미지들 및 비디오들을 캡처하기 위하여 사용될 수 있고, 이 이미지들은 증강 데이터에 의해 유사하게 증강될 수 있다. 전방 및 후방 카메라들에 더하여, 클라이언트 디바이스(102)는 또한 360도 사진들 및 비디오들을 캡처하기 위한 360도 카메라를 포함할 수 있다.
또한, 클라이언트 디바이스(102)의 카메라 시스템은 이중 후방 카메라들(예를 들어, 주 카메라뿐만 아니라 깊이-감지 카메라), 또는 심지어 클라이언트 디바이스(102)의 전면 및 후면 상의 삼중, 사중 또는 오중 후방 카메라 구성들을 포함할 수 있다. 이러한 다수의 카메라 시스템들은 예를 들어, 와이드 카메라, 울트라-와이드 카메라, 텔레포토 카메라, 매크로 카메라 및 깊이 센서를 포함할 수 있다.
위치 컴포넌트들(3234)은 위치 센서 컴포넌트들(예를 들어, GPS 수신기 컴포넌트), 고도 센서 컴포넌트들(예를 들어, 고도가 도출될 수 있는 기압을 검출하는 고도계들 또는 기압계들), 배향 센서 컴포넌트들(예를 들어, 자력계들) 등을 포함한다.
통신은 다양한 기술들을 사용하여 구현될 수 있다. I/O 컴포넌트들(3238)은 머신(3200)을 각각의 결합 또는 접속들을 통해 네트워크(3220) 또는 디바이스들(3222)에 결합하도록 동작가능한 통신 컴포넌트들(3236)을 더 포함한다. 예를 들어, 통신 컴포넌트들(3236)은 네트워크 인터페이스 컴포넌트 또는 네트워크(3220)와 인터페이스하기 위한 다른 적절한 디바이스를 포함할 수 있다. 추가 예들에서, 통신 컴포넌트들(3236)은 유선 통신 컴포넌트들, 무선 통신 컴포넌트들, 셀룰러 통신 컴포넌트들, 근접장 통신(NFC) 컴포넌트들, 블루투스® 컴포넌트들(예를 들어, 블루투스® 저에너지), 와이파이® 컴포넌트들, 및 다른 양식들을 통해 통신을 제공하기 위한 다른 통신 컴포넌트들을 포함할 수 있다. 디바이스들(3222)은 다른 머신 또는 임의의 다양한 주변 디바이스들(예를 들어, USB를 통해 결합된 주변 디바이스)일 수 있다.
더욱이, 통신 컴포넌트들(3236)은 식별자들을 검출할 수 있거나, 식별자들을 검출하도록 동작가능한 컴포넌트들을 포함할 수 있다. 예를 들어, 통신 컴포넌트들(3236)은 무선 주파수 식별(RFID) 태그 판독기 컴포넌트들, NFC 스마트 태그 검출 컴포넌트들, 광학 판독기 컴포넌트들(예컨대, UPC(Universal Product Code) 바코드와 같은 1차원 바코드들, 다차원 바코드들, 예컨대 QR(Quick Response) 코드, Aztec 코드, Data Matrix, Dataglyph, MaxiCode, PDF417, Ultra Code, UCC RSS-2D 바코드, 및 다른 광학 코드들을 검출하기 위한 광학 센서), 또는 음향 검출 컴포넌트들(예컨대, 태깅된 오디오 신호들을 식별하기 위한 마이크로폰들)을 포함할 수 있다. 또한, 인터넷 프로토콜(IP) 지리위치를 통한 위치, 와이파이® 신호 삼각측량을 통한 위치, 특정한 위치를 나타낼 수 있는 NFC 비컨 신호의 검출을 통한 위치 등과 같은 다양한 정보가 통신 컴포넌트들(3236)을 통해 도출될 수 있다.
다양한 메모리들(예를 들어, 메인 메모리(3212), 정적 메모리(3214), 및 프로세서들(3202)의 메모리) 및 저장 유닛(3216)은 본 명세서에 설명된 방법들 또는 기능들 중 임의의 하나 이상을 구현하거나 그에 의해 사용되는 명령어들 및 데이터 구조들(예를 들어, 소프트웨어)의 하나 이상의 세트를 저장할 수 있다. 이 명령어들(예컨대, 명령어들(3208))은 프로세서들(3202)에 의해 실행될 때 다양한 동작들이 개시된 예들을 구현하게 한다.
명령어들(3208)은 네트워크(3220)를 통해, 송신 매체를 사용하여, 네트워크 인터페이스 디바이스(예를 들어, 통신 컴포넌트들(3236)에 포함된 네트워크 인터페이스 컴포넌트)를 통해, 그리고 수 개의 잘 알려진 전송 프로토콜들(예를 들어, 하이퍼텍스트 전송 프로토콜(HTTP)) 중 임의의 하나를 사용하여 송신 또는 수신될 수 있다. 유사하게, 명령어들(3208)은 디바이스들(3222)에 대한 결합(예컨대, 피어-투-피어 결합)을 통해 송신 매체를 사용하여 송신 또는 수신될 수 있다.
소프트웨어 아키텍처
도 33은 본 명세서에 설명된 디바이스들 중 임의의 하나 이상에 설치될 수 있는 소프트웨어 아키텍처(3304)를 예시하는 블록도(3300)이다. 소프트웨어 아키텍처(3304)는 프로세서들(3320), 메모리(3326), 및 I/O 컴포넌트들(3338)을 포함하는 머신(3302)과 같은 하드웨어에 의해 지원된다. 이 예에서, 소프트웨어 아키텍처(3304)는 계층들의 스택으로서 개념화될 수 있고, 각각의 계층은 특정한 기능을 제공한다. 소프트웨어 아키텍처(3304)는 운영 체제(3312), 라이브러리(3310), 프레임워크들(3308), 및 애플리케이션들(3306)과 같은 계층들을 포함한다. 동작시에, 애플리케이션들(3306)은 소프트웨어 스택을 통해 API 호출들(3350)을 호출하고 API 호출들(3350)에 응답하여 메시지들(3352)을 수신한다.
운영 체제(3312)는 하드웨어 자원들을 관리하고 공통 서비스들을 제공한다. 운영 체제(3312)는 예를 들어, 커널(3314), 서비스들(3316), 및 드라이버들(3322)을 포함한다. 커널(3314)은 하드웨어와 다른 소프트웨어 계층들 사이의 추상화 계층으로서 작용한다. 예를 들어, 커널(3314)은 다른 기능 중에서, 메모리 관리, 프로세서 관리(예를 들어, 스케줄링), 컴포넌트 관리, 네트워킹, 및 보안 설정들을 제공한다. 서비스들(3316)은 다른 소프트웨어 계층들에 대한 다른 공통 서비스들을 제공할 수 있다. 드라이버들(3322)은 기반 하드웨어를 제어하거나 그와 인터페이스하는 것을 담당한다. 예를 들어, 드라이버들(3322)은 디스플레이 드라이버들, 카메라 드라이버들, 블루투스® 또는 블루투스® 저에너지 드라이버들, 플래시 메모리 드라이버들, 직렬 통신 드라이버들(예를 들어, USB 드라이버들), 와이파이® 드라이버들, 오디오 드라이버들, 전력 관리 드라이버들 등을 포함할 수 있다.
라이브러리들(3310)은 애플리케이션들(3306)에 의해 사용되는 공통 저레벨 기반구조를 제공한다. 라이브러리들(3310)은 메모리 할당 기능들, 문자열 조작 기능들, 수학 기능들 등과 같은 기능들을 제공하는 시스템 라이브러리들(3318)(예를 들어, C 표준 라이브러리)을 포함할 수 있다. 또한, 라이브러리들(3310)은 미디어 라이브러리들(예를 들어, MPEG4(Moving Picture Experts Group-4), H.264 또는 AVC(Advanced Video Coding), MP3(Moving Picture Experts Group Layer-3), AAC(Advanced Audio Coding), AMR(Adaptive Multi-Rate) 오디오 코덱, JPEG 또는 JPG(Joint Photographic Experts Group), 또는 PNG(Portable Network Graphics) 등의 다양한 미디어 포맷들의 제시 및 조작을 지원하기 위한 라이브러리들), 그래픽 라이브러리들(예를 들어, 그래픽 콘텐츠를 디스플레이 상에 2차원(2D) 및 3차원(3D)으로 렌더링하는 데 사용되는 OpenGL 프레임워크), 데이터베이스 라이브러리들(예를 들어, 다양한 관계형 데이터베이스 기능들을 제공하기 위한 SQLite), 웹 라이브러리들(예를 들어, 웹 브라우징 기능을 제공하기 위한 WebKit) 등과 같은 API 라이브러리들(3324)을 포함할 수 있다. 라이브러리들(3310)은 또한, 많은 다른 API를 애플리케이션들(3306)에 제공하기 위한 다양한 다른 라이브러리들(3328)을 포함할 수 있다.
프레임워크들(3308)은 애플리케이션들(3306)에 의해 사용되는 공통 고레벨 기반구조를 제공한다. 예를 들어, 프레임워크들(3308)은 다양한 그래픽 사용자 인터페이스(GUI) 기능들, 고레벨 자원 관리, 및 고레벨 위치 서비스들을 제공한다. 프레임워크들(3308)은 애플리케이션들(3306)에 의해 사용될 수 있는 광범위한 스펙트럼의 다른 API들을 제공할 수 있고, 이들 중 일부는 특정 운영 체제 또는 플랫폼에 특유할 수 있다.
일례에서, 애플리케이션들(3306)은 홈 애플리케이션(3336), 연락처 애플리케이션(3330), 브라우저 애플리케이션(3332), 서적 판독기 애플리케이션(3334), 관여 분석 애플리케이션(3341), 위치 애플리케이션(3342), 미디어 애플리케이션(3344), 메시징 애플리케이션(3346), 게임 애플리케이션(3348), 및 제3자 애플리케이션(3340)과 같은 광범위한 다른 애플리케이션들의 모음을 포함할 수 있다. 관여 분석 애플리케이션(3341)은 도 6과 관련하여 그리고 본 명세서에서 개시된 시스템(600)과 동일하거나 유사할 수 있다. 애플리케이션들(3306)은 프로그램들에서 정의된 기능들을 실행하는 프로그램들이다. 객체 지향형 프로그래밍 언어들(예를 들어, Objective-C, Java, 또는 C++) 또는 절차형 프로그래밍 언어들(예를 들어, C 또는 어셈블리 언어)와 같은 다양한 프로그래밍 언어들이 다양한 방식들로 구조화된 애플리케이션들(3306) 중 하나 이상을 생성하기 위해 이용될 수 있다. 특정한 예에서, 제3자 애플리케이션(3340)(예를 들어, 특정 플랫폼의 판매자 이외의 엔티티에 의해 ANDROIDTM 또는 IOSTM 소프트웨어 개발 키트(SDK)를 사용하여 개발된 애플리케이션)은 IOSTM, ANDROIDTM, WINDOWS® Phone 또는 다른 모바일 운영 체제 등의 모바일 운영 체제 상에서 실행되는 모바일 소프트웨어일 수 있다. 이 예에서, 제3자 애플리케이션(3340)은 본 명세서에서 설명된 기능을 촉진하기 위해 운영 체제(3312)에 의해 제공되는 API 호출들(3350)을 호출할 수 있다.
처리 컴포넌트들
이제, 도 34를 참조하면, 프로세서(3402), 프로세서(3406) 및 프로세서(3408)(예로서, GPU, CPU 또는 이들의 조합)를 포함하는 처리 환경(3400)의 도식적 표현이 도시되어 있다. 프로세서(3402)는 전원(3404)에 결합되고, (영구적으로 구성되거나 일시적으로 인스턴스화된) 모듈들, 즉 관여 스코어 결정 컴포넌트(3410), 관여 스코어 조정 컴포넌트(3412), 및 활동 검출 컴포넌트(3414)를 포함하는 것으로 도시된다. 도 14 및 17을 참조하면, 관여 스코어 결정 컴포넌트(3410)는 관여 스코어들(1408)을 동작가능하게 생성하고; 관여 스코어 조정 컴포넌트(3412)는 조정된 관여 스코어들(1704)을 동작가능하게 생성하고; 활동 검출 컴포넌트(3414)는 액션들(1702)을 동작가능하게 생성한다. 예시된 바와 같이, 프로세서(3402)는 프로세서(3406) 및 프로세서(3408) 둘 다에 통신가능하게 결합된다.
용어집
"캐리어 신호"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있고 그러한 명령어들의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 기타 무형 매체들을 포함하는 임의의 무형 매체를 지칭한다. 명령어들은 네트워크 인터페이스 디바이스를 통해 송신 매체를 사용하여 네트워크를 통해 송신 또는 수신될 수 있다.
"클라이언트 디바이스"는 하나 이상의 서버 시스템 또는 다른 클라이언트 디바이스로부터 자원들을 획득하기 위해 통신 네트워크에 인터페이스하는 임의의 머신을 지칭한다. 클라이언트 디바이스는 모바일 폰, 데스크톱 컴퓨터, 랩톱, 개인 휴대 정보 단말기(PDA)들, 스마트폰들, 태블릿들, 울트라북들, 넷북들, 랩톱들, 멀티-프로세서 시스템들, 마이크로프로세서-기반 또는 프로그래밍 가능 가전 제품들, 게임 콘솔들, 셋톱 박스들 또는 사용자가 네트워크에 액세스하기 위해 사용할 수 있는 임의의 다른 통신 디바이스일 수 있지만, 이에 제한되는 것은 아니다.
"통신 네트워크"는 애드혹 네트워크, 인트라넷, 엑스트라넷, VPN(virtual private network), LAN(local area network), 무선 LAN(WLAN), WAN(wide area network), 무선 WAN(WWAN), MAN(metropolitan area network), 인터넷, 인터넷의 일부, PSTN(Public Switched Telephone Network)의 일부, POTS(plain old telephone service) 네트워크, 셀룰러 전화 네트워크, 무선 네트워크, 와이파이® 네트워크, 다른 유형의 네트워크, 또는 2개 이상의 그러한 네트워크의 조합일 수 있는 네트워크의 하나 이상의 부분을 지칭한다. 예를 들어, 네트워크 또는 네트워크의 일부는 무선 또는 셀룰러 네트워크를 포함할 수 있고, 결합은 CDMA(Code Division Multiple Access) 접속, GSM(Global System for Mobile communications) 접속, 또는 다른 유형들의 셀룰러 또는 무선 결합일 수 있다. 이 예에서, 결합은 1xRTT(Single Carrier Radio Transmission Technology), EVDO(Evolution-Data Optimized) 기술, GPRS(General Packet Radio Service) 기술, EDGE(Enhanced Data rates for GSM Evolution) 기술, 3G를 포함하는 3GPP(third Generation Partnership Project), 4G(fourth generation wireless) 네트워크들, UMTS(Universal Mobile Telecommunications System), HSPA(High Speed Packet Access), WiMAX(Worldwide Interoperability for Microwave Access), LTE(Long Term Evolution) 표준, 다양한 표준 설정 조직들에 의해 정의된 다른 것들, 다른 장거리 프로토콜들, 또는 다른 데이터 전송 기술과 같은, 다양한 유형들의 데이터 전송 기술 중 임의의 것을 구현할 수 있다.
"컴포넌트"는 함수 또는 서브루틴 호출들, 분기 포인트들, API들, 또는 특정 처리 또는 제어 기능들의 분할 또는 모듈화를 제공하는 다른 기술들에 의해 정의된 경계들을 갖는 디바이스, 물리적 엔티티, 또는 로직을 지칭한다. 컴포넌트들은 그들의 인터페이스들을 통해 다른 컴포넌트들과 결합되어 머신 프로세스를 수행할 수 있다. 컴포넌트는 다른 컴포넌트들 및 일반적으로 관련 기능들 중 특정 기능을 수행하는 프로그램의 일부와 함께 사용하도록 설계된 패키징된 기능적 하드웨어 유닛일 수 있다. 컴포넌트들은 소프트웨어 컴포넌트들(예컨대, 머신 판독가능 매체 상에 구현된 코드) 또는 하드웨어 컴포넌트들을 구성할 수 있다. "하드웨어 컴포넌트"는 특정 동작들을 수행할 수 있는 유형 유닛이고, 특정한 물리적 방식으로 구성되거나 배열될 수 있다. 다양한 예시적인 실시예들에서, 하나 이상의 컴퓨터 시스템(예를 들어, 독립형 컴퓨터 시스템, 클라이언트 컴퓨터 시스템, 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 컴포넌트(예를 들어, 프로세서 또는 프로세서들의 그룹)는 본 명세서에 설명된 바와 같은 특정 동작들을 수행하도록 동작하는 하드웨어 컴포넌트로서 소프트웨어(예를 들어, 애플리케이션 또는 애플리케이션 부분)에 의해 구성될 수 있다. 하드웨어 컴포넌트는 또한, 기계적으로, 전자적으로, 또는 이들의 임의의 적절한 조합으로 구현될 수 있다. 예를 들어, 하드웨어 컴포넌트는 특정 동작들을 수행하도록 영구적으로 구성되는 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 컴포넌트는 필드 프로그래머블 게이트 어레이(FPGA) 또는 주문형 집적회로(ASIC)와 같은 특수 목적 프로세서일 수 있다. 하드웨어 컴포넌트는 또한 특정 동작들을 수행하기 위해 소프트웨어에 의해 일시적으로 구성되는 프로그래밍 가능 로직 또는 회로를 포함할 수 있다. 예를 들어, 하드웨어 컴포넌트는 범용 프로세서 또는 다른 프로그래밍 가능 프로세서에 의해 실행되는 소프트웨어를 포함할 수 있다. 그러한 소프트웨어에 의해 구성되면, 하드웨어 컴포넌트들은 구성된 기능들을 수행하도록 고유하게 맞춤화된 특정 머신들(또는 머신의 특정 컴포넌트들)이 되고, 더 이상 범용 프로세서들이 아니다. 하드웨어 컴포넌트를 기계적으로, 전용화된 그리고 영구적으로 구성된 회로에서, 또는 일시적으로 구성된 회로(예컨대, 소프트웨어에 의해 구성됨)에서 구현하기 위한 결정은 비용 및 시간 고려사항들에 의해 드라이브될 수 있다는 것을 알 것이다. 따라서, "하드웨어 컴포넌트"(또는 "하드웨어-구현 컴포넌트")라는 표현은 유형 엔티티, 예를 들어 특정 방식으로 동작하거나 본 명세서에서 설명된 특정 동작들을 수행하도록 물리적으로 구성되거나, 영구적으로 구성되거나(예를 들어, 하드와이어드되거나), 일시적으로 구성되는(예를 들어, 프로그래밍되는) 엔티티를 포함하는 것으로 이해되어야 한다. 하드웨어 컴포넌트들이 일시적으로 구성되는(예를 들어, 프로그래밍되는) 실시예들을 고려하면, 하드웨어 컴포넌트들 각각은 임의의 하나의 시간 인스턴스에서 구성되거나 인스턴스화될 필요는 없다. 예를 들어, 하드웨어 컴포넌트가 특수 목적 프로세서가 되도록 소프트웨어에 의해 구성된 범용 프로세서를 포함하는 경우, 범용 프로세서는 상이한 시간들에서 (예를 들어, 상이한 하드웨어 컴포넌트들을 포함하는) 각각 상이한 특수 목적 프로세서들로서 구성될 수 있다. 소프트웨어는 그에 따라, 예를 들어, 하나의 시간 인스턴스에서는 특정 하드웨어 컴포넌트를 구성하고 상이한 시간 인스턴스에서는 상이한 하드웨어 컴포넌트를 구성하도록 특정 프로세서 또는 프로세서들을 구성한다. 하드웨어 컴포넌트들은 다른 하드웨어 컴포넌트들에 정보를 제공하고, 그들로부터 정보를 수신할 수 있다. 따라서, 설명된 하드웨어 컴포넌트들은 통신가능하게 결합되는 것으로 간주될 수 있다. 다수의 하드웨어 컴포넌트들이 동시에 존재하는 경우, 하드웨어 컴포넌트들 중 2개 이상 중에서 또는 사이에서 (예를 들어, 적절한 회로들 및 버스들을 통해) 신호 송신을 통해 통신들이 달성될 수 있다. 다수의 하드웨어 컴포넌트들이 상이한 시간들에서 구성되거나 인스턴스화되는 실시예들에서, 이러한 하드웨어 컴포넌트들 사이의 통신들은 예를 들어, 다수의 하드웨어 컴포넌트들이 액세스하는 메모리 구조들에서의 정보의 저장 및 검색을 통해 달성될 수 있다. 예를 들어, 하나의 하드웨어 컴포넌트는 동작을 수행하고, 그 동작의 출력을 그가 통신가능하게 결합되는 메모리 디바이스에 저장할 수 있다. 그 다음, 추가의 하드웨어 컴포넌트는 나중에 메모리 디바이스에 액세스하여 저장된 출력을 검색 및 처리할 수 있다. 하드웨어 컴포넌트들은 또한 입력 또는 출력 디바이스들과의 통신들을 개시할 수 있고, 자원(예컨대, 정보의 컬렉션)에 대해 작용할 수 있다. 본 명세서에 설명된 예시적인 방법들의 다양한 동작들은 관련 동작들을 수행하도록 (예를 들어, 소프트웨어에 의해) 일시적으로 구성되거나 영구적으로 구성되는 하나 이상의 프로세서에 의해 적어도 부분적으로 수행될 수 있다. 일시적으로 또는 영구적으로 구성되는지에 관계없이, 이러한 프로세서들은 본 명세서에 설명된 하나 이상의 동작 또는 기능을 수행하도록 동작하는 프로세서 구현 컴포넌트들을 구성할 수 있다. 본 명세서에서 사용될 때, "프로세서 구현 컴포넌트"는 하나 이상의 프로세서를 사용하여 구현된 하드웨어 컴포넌트를 지칭한다. 유사하게, 본 명세서에 설명된 방법들은 적어도 부분적으로 프로세서 구현될 수 있고, 특정 프로세서 또는 프로세서들은 하드웨어의 예이다. 예를 들어, 방법의 동작들 중 적어도 일부는 하나 이상의 프로세서(3202) 또는 프로세서 구현 컴포넌트에 의해 수행될 수 있다. 더욱이, 하나 이상의 프로세서는 또한 "클라우드 컴퓨팅" 환경에서 또는 "SaaS(software as a service)"로서 관련 동작들의 수행을 지원하도록 동작할 수 있다. 예를 들어, 동작들 중 적어도 일부는 (프로세서들을 포함하는 머신들의 예들로서의) 컴퓨터들의 그룹에 의해 수행될 수 있고, 이 동작들은 네트워크(예를 들어, 인터넷)를 통해 그리고 하나 이상의 적절한 인터페이스(예를 들어, API)를 통해 액세스가능하다. 동작들 중 특정 동작의 수행은 단일 머신 내에만 상주하는 것이 아니라 다수의 머신에 걸쳐 배치되는 프로세서들 사이에 분산될 수 있다. 일부 예시적인 실시예들에서, 프로세서들 또는 프로세서 구현 컴포넌트들은 단일의 지리 위치에(예를 들어, 가정 환경, 사무실 환경, 또는 서버 팜 내에) 위치될 수 있다. 다른 예시적인 실시예들에서, 프로세서들 또는 프로세서 구현 컴포넌트들은 다수의 지리 위치에 걸쳐 분산될 수 있다.
"컴퓨터 판독가능 저장 매체"는 머신 저장 매체들 및 송신 매체들 둘 다를 지칭한다. 따라서, 용어들은 저장 디바이스들/매체들 및 캐리어 웨이브들/변조된 데이터 신호들 둘 다를 포함한다. 용어들 "머신 판독가능 매체", "컴퓨터 판독가능 매체" 및 "디바이스 판독가능 매체"는 동일한 것을 의미하고 본 개시내용에서 상호 교환가능하게 사용될 수 있다. 복수의 "컴퓨터 판독가능 매체"는 "컴퓨터 판독가능 매체들"로 지칭될 수 있다.
"단기적 메시지"는 시간-제한된 지속기간 동안 액세스 가능한 메시지를 지칭한다. 단기적 메시지는 텍스트, 이미지, 비디오 등일 수 있다. 단기적 메시지에 대한 액세스 시간은 메시지 송신자에 의해 설정될 수 있다. 대안적으로, 액세스 시간은 디폴트 설정 또는 수신자에 의해 지정된 설정일 수 있다. 설정 기술에 관계없이, 메시지는 일시적이다.
"머신 저장 매체"는 실행가능한 명령어들, 루틴들 및 데이터를 저장하는 단일의 또는 다수의 저장 디바이스 및 매체(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및 연관된 캐시들 및 서버들)를 지칭한다. 따라서, 용어는 프로세서들 내부 또는 외부의 메모리를 포함하여 솔리드-스테이트 메모리들 및 광학 및 자기 매체들을 포함하지만 이것으로 제한되지 않는 것으로 간주되어야 한다. 머신 저장 매체들, 컴퓨터 저장 매체들 및 디바이스 저장 매체들의 특정 예들은 예로서 반도체 메모리 디바이스들, 예컨대 소거 및 프로그래밍 가능 판독 전용 메모리(EPROM), 전기적 소거 및 프로그래밍 가능 판독 전용 메모리(EEPROM), FPGA, 및 플래시 메모리 디바이스들; 내부 하드 디스크들 및 이동식 디스크들과 같은 자기 디스크들; 자기-광학 디스크들; 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리를 포함한다. 용어들 "머신 저장 매체", "디바이스 저장 매체", "컴퓨터 저장 매체"는 동일한 것을 의미하고, 본 개시내용에서 상호 교환가능하게 사용될 수 있다. 용어들 "머신 저장 매체들", "컴퓨터 저장 매체들", 및 "디바이스 저장 매체들"은 구체적으로 캐리어 웨이브들, 변조된 데이터 신호들, 및 다른 그러한 매체들을 배제하며, 이들 중 적어도 일부는 용어 "신호 매체" 하에 커버된다.
"비일시적 컴퓨터 판독가능 저장 매체"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 유형 매체를 지칭한다.
"신호 매체"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있고 소프트웨어 또는 데이터의 통신을 용이하게 하는 디지털 또는 아날로그 통신 신호들 또는 기타 무형 매체들을 포함하는 임의의 무형 매체를 지칭한다. "신호 매체"라는 용어는 임의의 형태의 변조된 데이터 신호, 캐리어 웨이브 등을 포함하는 것으로 간주되어야 한다. 용어 "변조된 데이터 신호"는 신호 내에 정보를 인코딩하도록 신호의 특성들 중 하나 이상이 설정 또는 변경된 신호를 의미한다. 용어들 "송신 매체" 및 "신호 매체"는 동일한 것을 의미하고, 본 개시내용에서 상호 교환가능하게 사용될 수 있다.

Claims (20)

  1. 방법으로서,
    이미지들을 포함하는 콘텐츠 아이템들을 처리하여 상기 이미지들 내의 요소들을 식별하는 단계;
    조건들에 기초하여 상기 이미지들에 대한 라벨들을 결정하는 단계 - 상기 조건들은 상기 이미지 내의 상기 요소들에 기초하여 상기 라벨들 중의 라벨을 상기 이미지들 중의 이미지와 언제 연관시킬지를 나타냄 -;
    상기 라벨을 상기 이미지와 연관시키기로 결정하는 것에 응답하여, 상기 라벨을 상기 콘텐츠 아이템과 연관시키는 단계;
    상기 라벨과 연관된 상기 콘텐츠 아이템들과의 사용자들의 상호작용들에 기초하여 상기 라벨에 대한 관여 스코어들을 결정하는 단계; 및
    상기 라벨들에서의 트렌드들을 결정하도록 상기 관여 스코어들을 조정하여, 조정된 관여 스코어들을 생성하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 사용자들과 상기 콘텐츠 아이템들의 상호작용들을 저장하는 단계를 더 포함하는, 방법.
  3. 제1항에 있어서,
    상기 조정된 관여 스코어들이 컴퓨터의 디스플레이 상에 디스플레이되게 하는 단계를 더 포함하는, 방법.
  4. 제1항에 있어서, 상기 라벨을 상기 이미지와 연관시키기로 결정하는 것에 응답하여:
    라벨들의 계층구조 내의 상기 라벨의 조상들을 상기 콘텐츠 아이템과 연관시키는 단계를 더 포함하는, 방법.
  5. 제1항에 있어서, 상기 사용자들과 상기 콘텐츠 아이템들의 상기 상호작용들은 복수의 콘텐츠 소비 메트릭을 포함하고, 상기 방법은:
    복수의 가중치 중의 가중치와 상기 복수의 소비 메트릭 중의 대응하는 콘텐츠 소비 메트릭을 곱하는 것에 기초하여 상기 라벨에 대한 관여 스코어로서의 열정을 결정하는 단계를 더 포함하는, 방법.
  6. 제5항에 있어서, 상기 복수의 가중치는 제1 복수의 가중치이고, 상기 방법은:
    제2 복수의 가중치 중의 가중치와 상기 복수의 소비 메트릭 중의 대응하는 콘텐츠 소비 메트릭을 곱하는 것에 기초하여 상기 라벨에 대한 관여 스코어로서의 인기를 결정하는 단계를 더 포함하는, 방법.
  7. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 관여 스코어들을 조정하여 트렌드 모멘텀(TM)을 결정하는 단계를 더 포함하고, 상기 TM은 제1 윈도우를 갖는 제1 단순 이동 평균(SMA)을 제2 윈도우를 갖는 제2 SMA로부터 감산하는 것에 기초하고, 상기 제2 윈도우는 상기 제1 윈도우보다 짧은, 방법.
  8. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 관여 스코어들을 조정하여 상기 사용자들의 상기 상호작용들 중의 상호작용에 대한 동적 계절성(dynamic seasonality)을 결정하는 단계를 더 포함하고, 상기 동적 계절성은 상기 상호작용의 값들로부터 트렌드 컴포넌트를 감산한 것의 평균에 기초하는, 방법.
  9. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 이미지들은 상기 사용자들과 연관된 클라이언트 디바이스들에 의해 생성되는, 방법.
  10. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 요소들은 객체들, 장면들, 및 액션들을 포함하는, 방법.
  11. 제1항 내지 제5항 중 어느 한 항에 있어서, 메타데이터가 상기 콘텐츠 아이템들과 연관되고, 상기 조건들은 상기 메타데이터에 더 기초하는, 방법.
  12. 제11항에 있어서, 상기 조건들은 상기 이미지들에 추가된 증강들에 더 기초하는, 방법.
  13. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 요소들 중의 요소는 상기 요소를 식별하도록 훈련된 컨볼루션 신경망을 사용하는 것에 기초하여 식별되는, 방법.
  14. 제1항 내지 제5항 중 어느 한 항에 있어서,
    날짜 범위에 기초하여 상기 사용자들의 상호작용들을 결정하는 단계를 더 포함하는, 방법.
  15. 제14항에 있어서,
    상기 조정된 관여 스코어들의 제1 백분위수들 및 제3 백분위수들에 기초하여 상기 조정된 관여 스코어들 중의 조정된 관여 스코어가 정상 범위 또는 트렌딩 범위에 있는지를 결정하는 단계를 더 포함하는, 방법.
  16. 제15항에 있어서,
    상기 조정된 관여 스코어들 중의 상기 조정된 관여 스코어가 상기 정상 범위에 있다고 결정하는 것에 응답하여, 상기 라벨과 연관된 콘텐츠 아이템들을 생성하거나, 상기 라벨 및 상기 조정된 관여 스코어를 나타내는 보고를 생성하고, 상기 보고가 컴퓨터에 의해 디스플레이되게 하는 단계를 더 포함하는, 방법.
  17. 시스템으로서,
    하나 이상의 컴퓨터 프로세서; 및
    상기 하나 이상의 컴퓨터 프로세서에 의해 실행될 때 상기 시스템으로 하여금 동작들을 수행하게 하는 명령어들을 저장하는 하나 이상의 컴퓨터 판독가능 매체
    를 포함하고, 상기 동작들은:
    이미지들을 포함하는 콘텐츠 아이템들을 처리하여 상기 이미지들 내의 요소들을 식별하는 동작;
    조건들에 기초하여 상기 이미지들에 대한 라벨들을 결정하는 동작 - 상기 조건들은 상기 이미지 내의 상기 요소들에 기초하여 상기 라벨들 중의 라벨을 상기 이미지들 중의 이미지와 언제 연관시킬지를 나타냄 -;
    상기 라벨을 상기 이미지와 연관시키기로 결정하는 것에 응답하여, 상기 라벨을 상기 콘텐츠 아이템과 연관시키는 동작;
    상기 라벨과 연관된 상기 콘텐츠 아이템들과의 사용자들의 상호작용들에 기초하여 상기 라벨에 대한 관여 스코어들을 결정하는 동작; 및
    상기 라벨들에서의 트렌드들을 결정하도록 상기 관여 스코어들을 조정하여, 조정된 관여 스코어들을 생성하는 동작
    을 포함하는, 시스템.
  18. 제17항에 있어서, 상기 명령어들은 추가로 상기 시스템으로 하여금:
    상기 관여 스코어들을 조정하여 트렌드 모멘텀(TM)을 결정하는 동작을 포함하는 동작들을 수행하게 하며, 상기 TM은 제1 윈도우를 갖는 제1 단순 이동 평균(SMA)을 제2 윈도우를 갖는 제2 SMA로부터 감산하는 것에 기초하고, 상기 제2 윈도우는 상기 제1 윈도우보다 짧은, 시스템.
  19. 컴퓨터의 장치의 하나 이상의 프로세서에 의한 실행을 위한 명령어들을 저장하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 명령어들은 상기 하나 이상의 프로세서를:
    이미지들을 포함하는 콘텐츠 아이템들을 처리하여 상기 이미지들 내의 요소들을 식별하고;
    조건들에 기초하여 상기 이미지들에 대한 라벨들을 결정하고 - 상기 조건들은 상기 이미지 내의 상기 요소들에 기초하여 상기 라벨들 중의 라벨을 상기 이미지들 중의 이미지와 언제 연관시킬지를 나타냄 -;
    상기 라벨을 상기 이미지와 연관시키기로 결정하는 것에 응답하여, 상기 라벨을 상기 콘텐츠 아이템과 연관시키고;
    상기 라벨과 연관된 상기 콘텐츠 아이템들과의 사용자들의 상호작용들에 기초하여 상기 라벨에 대한 관여 스코어들을 결정하고;
    상기 라벨들에서의 트렌드들을 결정하도록 상기 관여 스코어들을 조정하여, 조정된 관여 스코어들을 생성하도록 구성하는, 비일시적 컴퓨터 판독가능 저장 매체.
  20. 제19항에 있어서, 상기 명령어들은 상기 하나 이상의 프로세서를:
    상기 관여 스코어들을 조정하여 트렌드 모멘텀(TM)을 결정하도록 추가로 구성하며, 상기 TM은 제1 윈도우를 갖는 제1 단순 이동 평균(SMA)을 제2 윈도우를 갖는 제2 SMA로부터 감산하는 것에 기초하고, 상기 제2 윈도우는 상기 제1 윈도우보다 짧은, 비일시적 컴퓨터 판독가능 저장 매체.
KR1020237026000A 2020-12-31 2021-12-21 라벨들에 기초하는 관여 분석 KR20230121153A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202063132916P 2020-12-31 2020-12-31
US63/132,916 2020-12-31
US17/248,400 2021-01-22
US17/248,400 US11816906B2 (en) 2020-12-31 2021-01-22 Messaging system for engagement analysis based on labels
PCT/US2021/064553 WO2022146774A1 (en) 2020-12-31 2021-12-21 Engagement analysis based on labels

Publications (1)

Publication Number Publication Date
KR20230121153A true KR20230121153A (ko) 2023-08-17

Family

ID=80112209

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237026000A KR20230121153A (ko) 2020-12-31 2021-12-21 라벨들에 기초하는 관여 분석

Country Status (4)

Country Link
US (1) US20240046674A1 (ko)
EP (1) EP4272093A1 (ko)
KR (1) KR20230121153A (ko)
WO (1) WO2022146774A1 (ko)

Also Published As

Publication number Publication date
US20240046674A1 (en) 2024-02-08
WO2022146774A1 (en) 2022-07-07
EP4272093A1 (en) 2023-11-08

Similar Documents

Publication Publication Date Title
CN115552403B (zh) 用于媒体内容项的私人集合的邀请媒体覆盖物
US11816773B2 (en) Music reactive animation of human characters
KR20230025475A (ko) 메시징 시스템에서의 아바타 상태 업데이트
KR20230021708A (ko) 메시징 시스템을 위한 스티커들을 갖는 회신 인터페이스
KR20230035672A (ko) 자동 웹사이트 데이터 마이그레이션
KR102541428B1 (ko) 콘텐츠 아이템들의 재표출을 위한 메시징 시스템
KR20230013097A (ko) 특징있는 콘텐츠 컬렉션 인터페이스
KR20230029946A (ko) 이미지들에 대한 여행 기반 증강 현실 콘텐츠
US20210335350A1 (en) Messaging system with trend analysis of content
KR20230058679A (ko) 미디어 콘텐츠 재생 및 코멘트 관리
KR20230019491A (ko) 게임 결과 오버레이 시스템
US20220187959A1 (en) Timeline media content navigation system
KR20230029904A (ko) 제품들에 대한 비디오 콘텐츠의 생성 및 액세스
KR20210145214A (ko) 컨텍스트 미디어 필터 검색
CN116250012A (zh) 用于图像动画的方法、系统和计算机可读存储介质
CN117136404A (zh) 从歌曲中提取伴奏的神经网络
CN116685981A (zh) 压缩图像到图像模型
KR20230121153A (ko) 라벨들에 기초하는 관여 분석
US11816906B2 (en) Messaging system for engagement analysis based on labels
US11693539B2 (en) Messaging system for resurfacing content items
US20240193482A1 (en) Music recommendations via camera system
CN116710911A (zh) 基于标注的参与分析