KR20240049519A - 미디어 자산에 대한 문화적 거리 예측 시스템 - Google Patents

미디어 자산에 대한 문화적 거리 예측 시스템 Download PDF

Info

Publication number
KR20240049519A
KR20240049519A KR1020237045412A KR20237045412A KR20240049519A KR 20240049519 A KR20240049519 A KR 20240049519A KR 1020237045412 A KR1020237045412 A KR 1020237045412A KR 20237045412 A KR20237045412 A KR 20237045412A KR 20240049519 A KR20240049519 A KR 20240049519A
Authority
KR
South Korea
Prior art keywords
cultural
media asset
event
geographic region
distance score
Prior art date
Application number
KR1020237045412A
Other languages
English (en)
Inventor
테레사 앤 필립스
프라나브 아난드 조쉬
키라 미셸 맥스테이
Original Assignee
스피렉스, 인크.
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
Application filed by 스피렉스, 인크. filed Critical 스피렉스, 인크.
Publication of KR20240049519A publication Critical patent/KR20240049519A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4524—Management of client data or end-user data involving the geographical location of the client
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25808—Management of client data
    • H04N21/25841—Management of client data involving the geographical location of the client
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/235—Processing of additional data, e.g. scrambling of additional data or processing content descriptors
    • H04N21/2353—Processing of additional data, e.g. scrambling of additional data or processing content descriptors specifically adapted to content descriptors, e.g. coding, compressing or processing of metadata
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/8126—Monomedia components thereof involving additional data, e.g. news, sports, stocks, weather forecasts
    • H04N21/8133—Monomedia components thereof involving additional data, e.g. news, sports, stocks, weather forecasts specifically related to the content, e.g. biography of the actors in a movie, detailed information about an article seen in a video program

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Library & Information Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Graphics (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

본원에서 설명된 다양한 실시예들은, 미디어 자산의 문화적 거리 예측 동작들, 이를테면, 미디어 자산의 이벤트들을 결정하는 것, 출처지 문화 및 목적지 문화에 대응하는 지리적 지역을 결정하는 것, 출처지 문화 및 목적지 문화의 지리적 지역들과 각각 연관된 문화적 속성 범주들의 가중 값들에 액세스하는 것, 이벤트들의 문화적 거리 점수를 생성하는 것, 및 클라이언트 디바이스의 사용자 인터페이스 상에 문화적 거리 점수의 디스플레이를 야기하는 것을 지원하거나 제공한다.

Description

미디어 자산에 대한 문화적 거리 예측 시스템
본 개시내용은 일반적으로 미디어 자산들에 관한 것으로, 더 상세하게는, 본원에서 설명된 다양한 실시예들은, 미디어 자산이 생성되는 지리적 지역, 및 미디어 자산이 출시를 위해 표적화되는 지리적 지역과 연관된 문화적 속성들의 다차원 계층구조에 기반하여, 오디오 자산 또는 비디오 자산과 같은 미디어 자산에 대한 문화적 거리 예측을 용이하게 하는 시스템들, 방법들, 기법들, 명령어 시퀀스들, 및 디바이스들을 제공한다.
미디어 및 엔터테인먼트 산업은 콘텐츠 생성, 배포, 및 소비에서 전례 없는 글로벌 성장을 경험하고 있다. 한 국가에서 생성된 영화 및 텔레비전 콘텐츠는 이제 200개가 넘는 국가 및 지역에서의 배포를 추구할 수 있으며, 다양한 문화적 배경들의 전 세계적인 시청자들에 의해 향유될 수 있다. 해외 시장들을 표적화하는 것에 대해 언어학적 난제가 유일한 난제가 아니며, 상이한 문화적 배경들의 시청자들에게 배포되는 미디어 콘텐츠를 적응시키는 것은 성공을 위한 다른 장벽을 제시한다.
매년 출시되는 영화 및 텔레비전 콘텐츠의 전 세계적인 수는 기하급수적으로 증가하고 있다. 급속한 성장은, 인간들만의 힘으로 배포를 위한 국지적 문화에 기반하여 콘텐츠를 정확하고 일관되게 조정하는 것을 어렵게 한다. 이러한 난제들에 대한 솔루션들을 찾는 것은, 미디어 및 엔터테인먼트에서의 심층 영역의 전문 지식, 글로벌 규제 환경의 문화적 차이들(예컨대, 문화적 거리들) 및 복잡성들의 이해, 및 적절하게 공학설계되고 훈련된 기계 학습("ML") 및 인공 지능("AI") 시스템들에 대한 비전을 요구한다. 이러한 솔루션들 모두는, 콘텐츠가 생성되는 지역과 상이한 배포된 지역의 시청자들에 대한 배포된 콘텐츠의 문화적 매력을 증가시키는 것을 도울 수 있다.
반드시 실척으로 도시되는 것은 아닌 도면들에서, 동일한 번호들은 상이한 도면들에서 유사한 컴포넌트들을 설명할 수 있다. 임의의 특정 요소 또는 동작의 논의를 쉽게 식별하기 위해, 참조 번호의 최상위 숫자 또는 숫자들은 그 요소가 처음 도입되는 도면 번호를 지칭한다. 일부 실시예들은 첨부된 도면들의 도해들에서 제한으로서가 아니라 예로서 예시된다.
도 1은 다양한 실시예들에 따른, 미디어 자산들에 대한 문화적 거리 예측 시스템을 포함하는 예시적인 데이터 시스템을 도시하는 블록도이다.
도 2는 다양한 실시예들에 따른, 미디어 자산들에 대한 예시적인 문화적 거리 예측 시스템을 예시하는 블록도이다.
도 3은 다양한 실시예들에 따른, 동작 동안 미디어 자산들에 대한 예시적인 문화적 거리 예측 시스템 내에서의 데이터 흐름을 예시하는 흐름도이다.
도 4a 내지 도 4b는 다양한 실시예들에 따른, 미디어 자산들의 문화적 거리 예측을 위한 예시적인 방법을 예시하는 흐름도들이다.
도 5는 다양한 실시예들에 따른, 미리 결정된 문화적 속성 분류 온톨로지(ontology) 또는 분류법에 기반한 문화적 속성들의 다차원 계층구조의 예시적인 문화적 속성 범주들을 예시하는 블록도이다.
도 6은 다양한 실시예들에 따른, 각각의 지리적 지역에 대한 문화적 속성 범주들에 대해 미리 결정된 예시적인 가중 값 세트를 예시한다.
도 7은 다양한 실시예들에 따른, 예시적인 지리적 지역에 대한, 예시적인 이벤트에 기반하여 생성된 예시적인 맞춤화된 문화적 속성 그래프를 예시한다.
도 8은 다양한 실시예들에 따른, 미디어 자산에 대해 생성된 문화적 거리 점수, 및 미디어 자산의 하나 이상의 이벤트, 장면, 테마, 및 장르에 대해 생성된 점수들을 나타내는 예시적인 그래픽 사용자 인터페이스를 예시한다.
도 9는 다양한 실시예들에 따른, 본원에서 설명된 다양한 하드웨어 아키텍처들과 함께 사용될 수 있는 대표적인 소프트웨어 아키텍처를 예시하는 블록도이다.
도 10은 다양한 실시예들에 따른, 기계 저장 매체로부터 명령어들을 판독하고 본원에서 논의된 방법론들 중 임의의 하나 이상을 수행할 수 있는 기계의 컴포넌트들을 예시하는 블록도이다.
미디어 자산들에 대한 성공적인 글로벌 배포 전략은, 다양한 문화적 배경들의 국지적 시청자들이 콘텐츠를 소비하는 것이 적절하고 즐겁도록, 콘텐츠가 각각의 배포된 지역에 대해 현지화(localize)될 것을 요구한다. 문화적 거리 예측을 위한 솔루션은, 콘텐츠 제공자들(예컨대, 콘텐츠 추천 플랫폼 제공자들)이, 미디어 자산이 생성된 지역과 상이한 배포된 지역의 시청자들에 대한 문화적 매력을 증가시키기 위해 마케팅 콘텐츠 및 연관된 미디어 자산이 조정되어야 하는지를 결정하기 위한 중요한 툴이다.
문화는, 특정 민족성, 인종, 또는 국가 출신(origin)의 구성원들에게 고유한 것으로 간주되는 특정 타임프레임 내의 사람들의 그룹들에 의해 공유되는 신념들, 행동들, 언어들, 관행들, 표현들, 및 다른 특성들을 포함하여, 인간 사회들에서 발견되는 사회적 행동 및 규범들을 포함한다. 문화적 속성들은 2개의 지역(또는 국가) 사이에서 크게 상이할 수 있다. 지역 레벨 또는 문화 레벨에서의 차이들이 문화적 거리를 결정하는 데 사용된다.
콘텐츠 제공자들에 대해 제시되는 주요 난제들 중 하나는 시청자들에 대한 적절하고, 개인화되고, 즐거운 콘텐츠를 제공하는 것이다. 콘텐츠 제공자들은, 사용자 경험을 개선하기 위해 사용자 관심들, 시청 이력, 장르 선호도들에 기반하여 맞춤화된 콘텐츠를 추천하려고 시도한다. 경험적 연구들은, 콘텐츠를 개인화할 때 고려할 가장 중요한 팩터들 중 하나가, 사용자의 문화적 출신 및 소속을 표현하는 문화적 정체성이라는 것을 나타낸다.
문화적 정체성은, 주어진 콘텐츠가 특정 문화적 배경의 사용자에게 매력적인지를 결정할 때 더 강건한 표시자의 역할을 한다. 콘텐츠가 생성되는 그리고 콘텐츠가 배포되는 지역들의 속성들, 이를테면 문화적 속성들에 기반하여 생성된 문화적 거리 점수는 각각의 사용자에 대한 콘텐츠 개인화 결정 프로세스에서 강한 팩터의 역할을 한다. 지금까지, 본원에서 설명된 바와 같이, 문화적 거리 예측 시스템에 의해 보조로 사용자들을 위한 문화적 정체성 기반 콘텐츠 개인화 솔루션을 제공하는 기존 콘텐츠 추천 시스템은 없었다.
본원에서 설명된 다양한 실시예들은 종래 기술의 이들 및 다른 결점들을 해결한다. 예컨대, 본원에서 설명된 다양한 실시예들은, 미디어 자산들의 이벤트들, 장면들, 테마들, 트로프(trope)들, 및 장르들을 효과적으로 식별하고, 미디어 자산들과 연관된 지역들의 문화적 속성들을 결정하며, 각각의 식별된 이벤트들, 장면들, 테마들, 트로프들, 및 장르들에 대한 문화적 거리 점수들을 생성하기 위해, 매일 생성되는 수백만 시간의 비디오 콘텐츠를 분석 및 처리하기 위해서 최신 기계 학습(ML) 및 인공 지능(AI)을 사용할 수 있다.
다양한 실시예들에서, 문화적 거리 예측 시스템은 주어진 미디어 자산의 콘텐츠 데이터에 액세스할 수 있다. 미디어 자산, 이를테면, 오디오 자산 또는 비디오 자산은 콘텐츠가 생성되는 지리적 지역에 대응하는 출처지 문화(culture of origin)와 연관될 수 있다. 미디어 자산은 또한, 그 미디어 자산이 배포 또는 출시되도록 스케줄링되는 지리적 지역에 대응하는 목적지 문화와 연관될 수 있다. 문화적 거리 예측 시스템은, 미디어 자산의 콘텐츠 데이터에 기반하여 주어진 타임스탬프에서의 이벤트를 결정할 수 있다. 콘텐츠 데이터는, 미디어 자산에 의해 제시되는 시각적, 오디오, 텍스트, 음성 콘텐츠, 또는 이들의 일부 조합을 포함할 수 있다. 미디어 자산의 콘텐츠 데이터 또는 컨텍스트 데이터에 기반하여, 이벤트는 문화적 속성 범주와 관련된 것으로 결정된다. 문화적 속성 범주는, 배포의 각각의 지리적 지역에 맞춤화된 문화적 속성들의 다차원 계층구조에 대응한다.
다양한 실시예들에서, 문화적 거리 예측 시스템은, 출처지 문화에 대응하는 제1 지리적 지역 및 목적지 문화에 대응하는 제2 지리적 지역을 식별할 수 있다. 예컨대, 제1 지리적 지역은, 미디어 자산이 생성된 미국일 수 있다. 제2 지리적 지역은, 미디어 자산이 배포 또는 출시되도록 스케줄링되는 일본일 수 있다.
다양한 실시예들에서, 문화적 거리 예측 시스템은 제1 지리적 지역과 연관된 문화적 속성 범주의 제1 가중 값에 액세스할 수 있다. 다양한 실시예들에서, 문화적 거리 예측 시스템은 제2 지리적 지역과 연관된 문화적 속성 범주의 제2 가중 값에 액세스할 수 있다. 다양한 실시예들에서, 제1 가중 값 및 제2 가중 값은, 개개의 지리적 지역들에 대해 이용가능한 데이터에 기반하여 결정되는 미리 결정된 절대 값들일 수 있다. 다양한 실시예들에서, 문화적 속성들의 가중 값들은 문화적 거리 예측 시스템이 용이하게 이용가능한 데이터에 기반하여 미리 배정되거나 미리 결정될 수 있다. 다양한 실시예에서, 미리 결정된 값들은, 특정 지리적 지역에서의 대응하는 범주의 문화적 속성들과 같은 지역적 아티팩트들로부터 큐레이팅 또는 변환된 데이터에 기반하여 결정된다.
다양한 실시예들에서, 문화적 거리 예측 시스템은, 제1 가중 값, 제2 가중 값, 및 이벤트의 컨텍스트 데이터에 기반하여, 식별된 이벤트의 문화적 거리 점수를 생성하기 위해 기계 학습 알고리즘을 사용할 수 있다. 상이한 유형들의 기계 학습 알고리즘들은, 결정 트리 알고리즘, 랜덤 포레스트(random forest) 알고리즘, 그래프 신경망 알고리즘, 행렬 인수분해(matrix factorization) 알고리즘, 로지스틱 회귀 알고리즘, 또는 스케일링가능 벡터 기계 알고리즘을 제한 없이 포함한다.
다양한 실시예들에서, 이벤트의 컨텍스트 데이터는, 이벤트의 콘텐츠 데이터 또는 미디어 자산의 콘텐츠 데이터에 기반하여 결정된다. 다양한 실시예들에서, 문화적 거리 예측 시스템은, 클라이언트 디바이스의 사용자 인터페이스 상에 이벤트의 문화적 거리 점수의 디스플레이를 야기할 수 있다. 다양한 실시예들에서, 미디어 자산으로부터의 단일의 식별된 이벤트에 대해, 문화적 거리 예측 시스템은, 문화적 아티팩트들, 생애 특이점들, 대인관계 역학, 사회적 영향, 도덕적 가치들, 보호주의, 글로벌 입지(global standing) 등을 포함하는 문화적 속성들의 각각의 범주에 대한 문화적 거리 점수들을 계산할 수 있다. 문화적 거리 예측 시스템은, 각각의 범주에 대해 계산된 모든 점수들의 중간값 또는 평균 점수에 기반하여 이벤트에 대한 종합 점수(composite score)를 생성할 수 있다. 다양한 실시예들에서, 각각의 식별된 이벤트, 장면, 테마, 및 장르에 대해 종합 점수가 생성되자마자, 문화적 거리 예측 시스템은 미디어 자산에 대한 전반적인 예측 문화적 거리 점수를 생성할 수 있다. 다양한 실시예들에서, 문화적 거리 예측 시스템은, 문화적 거리 점수의 값에 기반하여, 목적지 문화의 시청자에 의한 이벤트의 예측 매력의 레벨을 결정할 수 있다.
일부 실시예들에서, 2개의 지리적 지역 사이의 문화적 거리의 레벨 또는 미디어 자산의 예측 매력의 레벨, 또는 그와 연관된 이벤트, 장면, 테마, 트로프, 장르, 또는 하위 장르를 표시하기 위해 거리 스케일이 활용된다. 거리 스케일은, 조화(congruent)(0-20), 상보(complementary)(21-40), 수렴(convergent)(41-60), 상충(conflicting)(61-80), 및 격분(combustible)(81-100)을 포함하는 레벨들을 표시한다. 더 큰 값은 문화들 사이의 더 큰 차이를 표시한다. 문화적 거리 예측 시스템은, 예로서, 도 8에 도시된 바와 같이, 클라이언트 디바이스의 사용자 인터페이스 상에 점수들 및 거리 스케일들의 디스플레이를 야기할 수 있다.
다양한 실시예들은, 미리 결정된 문화적 속성 분류 온톨로지 또는 분류법에 의해 정의되는 부류들 및 하위 부류들에 기반하여 문화적 속성들의 분류 및 하위 분류를 가능하게 한다. 문화적 속성 범주는, 문화적 속성 분류 온톨로지/분류법에서의 부류 또는 하위 부류를 표현할 수 있다. 문화적 속성 범주는, 지리적 지역의 문화에 특정적인 문화적 속성들을 포함할 수 있다. 다양한 실시예들에서, 문화적 속성 분류 온톨로지/분류법의 부류들은, 도 5에 예시된 바와 같이, 문화적 아티팩트들, 생애 특이점들, 대인관계 역학, 사회적 영향, 도덕적 가치들, 보호주의, 및 글로벌 입지를 포함할 수 있다.
다양한 실시예들에서, 문화적 속성 예측 시스템은, 이벤트의 컨텍스트 데이터 또는 미디어 자산의 컨텍스트 데이터에 기반하여 문화적 속성 분류 온톨로지/분류법의 가장 관련 있는 부류 및 하위 부류를 결정할 수 있다.
본원에서 사용되는 바와 같이, 미디어 자산은, 비디오 자산, 비디오 콘텐츠 아이템, 오디오 자산, 또는 오디오 콘텐츠 아이템을 포함할 수 있다. 본원에서 사용되는 바와 같이, 문화적 거리 점수는, 스케일 상에서 선택될 수 있거나 그렇지 않을 수 있는 수치 값을 포함할 수 있다. 마찬가지로, 피드백 점수는, 스케일 상에서 선택될 수 있거나 그렇지 않을 수 있는 수치 값을 포함할 수 있다. 본원에서 사용되는 바와 같이, 이벤트는, 미디어 자산의 타임라인(예컨대, 특정 타임스탬프 또는 타임코드) 상의 특정 포인트에서 미디어 자산의 콘텐츠 내에서 발생하는(예컨대, 그에 의해 제시되는) 오디오 콘텐츠 요소(예컨대, 음악, 배경 잡음 등), 시각적 콘텐츠 요소(예컨대, 비디오, 시각적 효과들, 컬러들 등), 텍스트 콘텐츠 요소(예컨대, 자막들), 음성 콘텐츠 요소(예컨대, 이벤트 동안의 또는 장면에 걸친 대화), 또는 이들의 일부 조합을 포함할 수 있다. 예컨대, 주어진 이벤트는, 생성된 잡음, 재생된 음악, 보여진 아이템들, 배우가 보여준 연기들 또는 활동, 또는 발화된 단어들 중 하나 이상을 포함할 수 있다. 본원에서 사용되는 바와 같이, 감정적 이벤트는, 이벤트를 관찰하거나 경험하는 시청자 구성원의 감정적 반응을 촉발할 가능성을 갖는 이벤트를 지칭할 수 있다.
본원에서 사용되는 바와 같이, 장면은, 미디어 자산의 타임라인의 지속기간(예컨대, 일정 범위의 타임스탬프들 또는 타임코드들)에 걸쳐 미디어 자산의 콘텐츠 내에서 발생하는(예컨대, 그에 의해 제시되는) 다수의 이벤트들을 포함할 수 있다. 본원에서 사용되는 바와 같이, 타임스탬프 및 타임코드는 상호교환가능하게 사용된다.
본원에서 사용되는 바와 같이, 기계 학습(ML) 모델은, 훈련 데이터에 기반하여 생성되는(또는 훈련 데이터에 대해 훈련되는) 임의의 예측 모델을 포함할 수 있다. 일단 생성/훈련되면, 기계 학습 모델은 하나 이상의 입력(예컨대, 하나 이상의 피처)을 수신하고 모델의 훈련에 기반하여 입력들에 대한 출력을 생성할 수 있다. 상이한 유형들의 기계 학습 모델들은, 지도(supervised) 학습, 비-지도(unsupervised) 학습, 강화 학습, 또는 심층 학습(예컨대, 복합 신경망들)을 사용하여 훈련된 것들을 제한 없이 포함한다.
이제, 실시예들에 대한 참조가 상세히 이루어질 것이며, 그 예들이 첨부된 도면들에 예시된다. 그러나, 본 개시내용은 많은 상이한 형태들로 구현될 수 있으며, 본원에 기재된 실시예들로 제한되는 것으로 해석되어서는 안 된다.
도 1은 다양한 실시예들에 따른, 미디어 자산들에 대한 문화적 거리 예측 시스템(이하에서, 문화적 거리 예측 시스템(122))을 포함하는 예시적인 데이터 시스템(100)을 도시하는 블록도이다. 문화적 거리 예측 시스템(122)을 포함함으로써, 데이터 시스템(100)은 본원에서 설명된 바와 같은 미디어 자산의 문화적 거리 예측을 용이하게 할 수 있고, 이는 차례로, 연관된 이벤트들 및 장면들을 포함하는 콘텐츠에 대한 문화적 거리 예측 점수들, 및 테마들, 트로프들, 및 장르들을 포함하는 콘텐츠 연관된 특성들에 대한 점수들의 생성을 가능하게 할 수 있다. 특히, 클라이언트 디바이스(102)의 사용자는, (예컨대, 클라이언트 디바이스(102) 상의 소프트웨어 애플리케이션 상에 제시되는 그래픽 사용자 인터페이스를 통해) 문화적 거리 예측 시스템(122)에 액세스하고, 사용자에 의해 선택된 미디어 자산(예컨대, 비디오 자산 또는 오디오 자산)에 대한 문화적 거리 예측 점수들을 생성하기 위해 문화적 거리 예측 시스템(122)을 사용할 수 있다.
도시된 바와 같이, 데이터 시스템(100)은 하나 이상의 클라이언트 디바이스(102), 서버 시스템(108), 및 이들을 함께 통신가능하게 결합하는 네트워크(106)(예컨대, 인터넷, 광역 네트워크(WAN), 근거리 네트워크(LAN), 무선 네트워크 등을 포함함)를 포함한다. 각각의 클라이언트 디바이스(102)는 클라이언트 소프트웨어 애플리케이션(104)을 포함하는 다수의 애플리케이션들을 호스팅할 수 있다. 클라이언트 소프트웨어 애플리케이션(104)은 네트워크(106)를 통해 서버 시스템(108)과 데이터를 통신할 수 있다. 그에 따라서, 클라이언트 소프트웨어 애플리케이션(104)은 네트워크(106)를 통해 서버 시스템(108)과 데이터를 통신 및 교환할 수 있다.
서버 시스템(108)은, 네트워크(106)를 통해 서버-측 기능성을 클라이언트 소프트웨어 애플리케이션(104)에 제공한다. 데이터 시스템(100)의 특정 기능들이 서버 시스템(108) 상의 문화적 거리 예측 시스템(122)에 의해 수행되는 것으로 본원에서 설명되지만, 서버 시스템(108) 내의 특정 기능성의 위치는 설계 선택사항이라는 것이 인식될 것이다. 예컨대, 처음에 서버 시스템(108) 내에 특정 기술 및 기능성을 배치하지만, 나중에, 이러한 기술 및 기능성을, 클라이언트 디바이스(102)가 문화적 거리 예측 동작들, 이를테면, 미디어 자산의 이벤트들을 결정하는 것(예컨대, 식별하는 것), 출처지 문화 및 목적지 문화에 대응하는 지리적 지역을 결정하는 것(예컨대, 식별하는 것), 출처지 문화 및 목적지 문화의 지리적 지역들과 각각 연관된 문화적 속성 범주들의 가중 값들을 수신하는 것(예컨대, 그에 액세스하는 것), 이벤트들의 문화적 거리 점수를 생성하는 것, 및 클라이언트 디바이스(102)의 사용자 인터페이스 상에 문화적 거리 점수의 디스플레이를 야기하는 것을 제공하는 클라이언트 소프트웨어 애플리케이션(104)으로 이전하는 것이 기술적으로 바람직할 수 있다.
서버 시스템(108)은, 문화적 거리 예측 시스템(122)에 의해 클라이언트 소프트웨어 애플리케이션(104)에 제공되는 다양한 서비스들 및 동작들을 지원한다. 그러한 동작들은, 문화적 거리 예측 시스템(122)으로부터 클라이언트 소프트웨어 애플리케이션(104)으로 데이터를 송신하는 것, 클라이언트 소프트웨어 애플리케이션(104)으로부터 문화적 거리 예측 시스템(122)으로 데이터를 수신하는 것, 및 문화적 거리 예측 시스템(122)이 클라이언트 소프트웨어 애플리케이션(104)에 의해 생성된 데이터를 처리하는 것을 포함한다. 데이터 시스템(100) 내에서의 데이터 교환들은, 하나 이상의 엔드포인트를 통해 이용가능한 소프트웨어 컴포넌트 환경들의 동작들, 또는 클라이언트 디바이스(102)에서의 제시를 위해 서버 시스템(108)에 의해 제공되는 웹 기반 사용자 인터페이스들을 포함할 수 있는 클라이언트 소프트웨어 애플리케이션(104)의 하나 이상의 사용자 인터페이스를 통해 이용가능한 기능들을 통해 호출 및 제어될 수 있다.
서버 시스템(108)과 관련하여, 애플리케이션 프로그램 인터페이스(API) 서버(110) 및 웹 서버(112) 각각은, 문화적 거리 예측 시스템(122)을 호스팅하는 애플리케이션 서버(116)에 결합된다. 애플리케이션 서버(116)는, 문화적 거리 예측 시스템(122)에 의해 생성되거나 사용될 수 있는 데이터를 포함하여 애플리케이션 서버(116)와 연관된 데이터를 저장하는 데이터베이스(120)에 대한 액세스를 용이하게 하는 데이터베이스 서버(118)에 통신가능하게 결합된다.
API 서버(110)는, 클라이언트 디바이스(102)와 애플리케이션 서버(116) 사이에서 데이터(예컨대, API 호출들, 명령들, 요청들, 응답들, 및 인증 데이터)를 수신 및 송신한다. 구체적으로, API 서버(110)는, 애플리케이션 서버(116)의 기능성을 호출하기 위해 클라이언트 소프트웨어 애플리케이션(104)에 의해 호출 또는 질의될 수 있는 인터페이스들(예컨대, 루틴들 및 프로토콜들)의 세트를 제공한다. API 서버(110)는 사용자 등록; 로그인 기능성; 데이터 객체 동작들(예컨대, 생성, 저장, 리트리빙(retrieving), 암호화, 복호화, 전송, 액세스 권한들, 라이센싱 등); 및 사용자 통신들을 제한 없이 포함하는, 애플리케이션 서버(116)에 의해 지원되는 다양한 기능들을 노출시킨다.
하나 이상의 웹 기반 인터페이스(예컨대, 웹 기반 사용자 인터페이스)를 통해, 웹 서버(112)는, 미디어 자산의 콘텐츠를 스크리닝하는 것; 또는 출처지 문화 및 목적지 문화를 식별하는 것, 문화적 속성 범주의 가중 값들에 액세스하는 것, 기계 학습 알고리즘들을 사용하여 문화적 거리 점수를 생성하는 것을 제한 없이 포함하는, 애플리케이션 서버(116)의 문화적 거리 예측 시스템(122)의 다양한 기능성을 지원할 수 있다.
애플리케이션 서버(116)는, 문화적 거리 예측 시스템(122)을 포함하는 다수의 애플리케이션들 및 서브시스템들을 호스팅하며, 이는, 본원에서 설명된 다양한 실시예들에 관한 다양한 기능들 및 서비스들을 지원한다.
애플리케이션 서버(116)는, 문화적 거리 예측 시스템(122)과 연관된 데이터가 저장될 수 있는 데이터베이스(들)(120)에 대한 액세스를 용이하게 하는 데이터베이스 서버(118)에 통신가능하게 결합된다. 문화적 거리 예측 시스템(122)과 연관된 데이터는, 미디어 자산의 콘텐츠에서 식별된 하나 이상의 이벤트를 기술하는 데이터, 이벤트들에 대해 식별된 하나 이상의 이벤트 분류 라벨, 이벤트들에 대해 식별된 하나 이상의 이벤트 하위 분류 라벨, 미디어 자산의 콘텐츠에서 식별된 하나 이상의 장면, 장면들에 대한 하나 이상의 장면 속성, 미디어 자산의 콘텐츠에서 식별된 하나 이상의 테마, 및 미디어 자산에 대한 하나 이상의 표제-레벨 속성(이하에서, 표제 속성)을 제한 없이 포함할 수 있다.
도 2는 다양한 실시예들에 따른, 미디어 자산들에 대한 예시적인 문화적 거리 예측 시스템(200)을 예시하는 블록도이다. 일부 실시예들에 대해, 문화적 거리 예측 시스템(200)은 도 1과 관련하여 설명된 문화적 거리 예측 시스템(100)의 예를 표현한다. 도시된 바와 같이, 문화적 거리 예측 시스템(200)은, 이벤트 분석기(210), 장면 분석기(220), 테마 분석기(230), 장르 분석기(240), 문화적 속성 분석기(250), 시간 기반 및 지식 기반 요소 분석기(255), 문화적 거리 점수 생성기(260), 및 데이터베이스(270)를 포함한다. 다양한 실시예들에 따르면, 이벤트 분석기(210), 장면 분석기(220), 테마 분석기(230), 장르 분석기(240), 문화적 속성 분석기(250), 시간 기반 및 지식 기반 요소 분석기(255), 및 문화적 거리 점수 생성기(260) 중 하나 이상은 하나 이상의 하드웨어 프로세서(202)에 의해 구현된다. 이벤트 분석기(210), 장면 분석기(220), 테마 분석기(230), 장르 분석기(240), 문화적 속성 분석기(250), 시간 기반 및 지식 기반 요소 분석기(255), 및 문화적 거리 점수 생성기(260) 중 하나 이상에 의해 생성된 데이터(예컨대, 미디어 자산에 대한 컨텍스트형 데이터)는 문화적 거리 예측 시스템(200)의 데이터베이스(270)에 저장될 수 있다.
이벤트 분석기(210)는, 문화적 거리 예측 시스템(200)에 의해 미디어 자산의 콘텐츠 데이터 내의 하나 이상의 이벤트를 결정(예컨대, 식별)하도록 구성된다. 일부 실시예들에 대해, 이벤트 분석기(210)는, 적어도 하나의 이벤트 분류와 관련되는 이벤트들에 대해 콘텐츠 데이터를 스캐닝함으로써 콘텐츠 데이터 내의 (하나 이상의 이벤트 중) 적어도 하나의 이벤트를 결정하고, 콘텐츠 데이터에서 적어도 하나의 이벤트를 자동으로 식별한다. 대안적으로 또는 그에 부가하여, 일부 실시예들에 대해, 이벤트 분석기(210)는, 콘텐츠 데이터 내의 하나 이상의 이벤트 중 적어도 하나의 이벤트의 하나 이상의 사용자 선택을 수신함으로써 콘텐츠 데이터 내의 (하나 이상의 이벤트 중) 적어도 하나의 이벤트를 결정한다. 예컨대, 그래픽 사용자 인터페이스는 클라이언트 디바이스(예컨대, 102)에서 디스플레이될 수 있으며, 여기서, 그래픽 사용자 인터페이스는 클라이언트 디바이스의 사용자(예컨대, 인간 검토자, 시스템 관리자)가 (예컨대, 타임라인 및 콘텐츠 플레이어 제어들을 갖는 패널 또는 윈도우를 통해) 미디어 자산의 콘텐츠 데이터를 스크리닝하는 것을 가능하게 할 수 있다. 사용자가 그래픽 사용자 인터페이스를 통해 콘텐츠 데이터를 스크리닝할 때, 사용자는 특정 타임스탬프(또는 타임코드)에서 이벤트의 발생을 식별하기 위해 하나 이상의 사용자 입력을 제출할 수 있다. 다양한 실시예들에서, 이벤트 분석기(210)는, 적어도 하나의 컴퓨터 비전 분석(예컨대, 비디오, 시각적 효과들, 컬러들 등), 오디오 분석(예컨대, 음성/대화, 음악, 배경 잡음), 또는 현재 미디어 자산에 의해 제시된 콘텐츠(예컨대, 자막들)의 자연어 처리(NLP)에 의해 제공되는 신호들의 세트에 기반하여 이벤트를 결정(예컨대, 식별)할 수 있다. 예를 들면, 이벤트 분석기(210)는 종교적 관행의 문화적 속성들과 관련된 이벤트를 결정할 수 있다.
장면 분석기(220)는, 미디어 자산의 콘텐츠 데이터 내의 하나 이상의 장면을 결정(예컨대, 식별)하도록 구성되며, 여기서, 각각의 장면은 하나 이상의 이벤트(예컨대, 이벤트 분석기(210)에 의해 결정된 복수의 이벤트들)를 포함한다. 부가적으로, 장면 분석기(220)는, 하나 이상의 장면들 중 적어도 하나에 대한 하나 이상의 장면 속성을 결정(예컨대, 식별)하도록 구성될 수 있다. 다양한 실시예들에서, 주어진 장면에 대한 주어진 장면 속성은 장면을 구성하는 이벤트들에 기반하여 결정될 수 있다. 예를 들면, 주어진 장면에 대한 하나 이상의 장면 속성은, 주어진 장면의 하나 이상의 이벤트; 하나 이상의 이벤트에 대한 하나 이상의 이벤트 분류 라벨; 또는 하나 이상의 이벤트에 대한 하나 이상의 이벤트 하위 분류 라벨 중 적어도 하나에 기반할 수 있다. 장면 속성들의 예들은, 주어진 장면 내의 이벤트들의 빈도; 주어진 장면 내의 상이한 이벤트 분류 라벨들의 이벤트들의 혼합; 주어진 장면 내의 2개의 이벤트 사이의 거리; 주어진 장면의 지속기간; 장면이 직접적인지, 명시적인지, 암시되는지; 및 여파를 제한 없이 포함할 수 있다. 다양한 실시예들에서, 장면 분석기(220)는, 적어도 하나의 장면 또는 장면 속성의 하나 이상의 사용자 선택을 수신함으로써 콘텐츠 데이터 내의 적어도 하나의 장면, 적어도 하나의 장면 속성, 또는 둘 모두를 결정(예컨대, 식별)한다.
테마 분석기(230)는, 적어도 하나 이상의 이벤트, 장면, 또는 장면 속성에 기반하여 미디어 자산의 하나 이상의 테마를 결정(예컨대, 식별)하도록 구성된다. 다양한 실시예들에 대해, 주어진 테마는 장면들의 세트 또는 장면 속성들의 세트 중 적어도 하나에 기반하여 결정될 수 있다. 테마들의 예들은, 테마 유형(예컨대, 성년이 되는 것의 컨텍스트, 선과 악의 컨텍스트 등) 및 테마의 특질(dimension)들을 설명하는 속성들(예컨대, 테마가 주 등장인물을 수반하는가, 테마가 모방가능한가, 테마가 재현가능한가)을 제한 없이 포함할 수 있다. 일부 실시예들에 대해, 테마 분석기(230)는, 적어도 하나의 테마의 하나 이상의 사용자 선택을 수신함으로써 미디어 자산에 대한 적어도 하나의 테마를 결정(예컨대, 식별)한다. 예컨대, 그래픽 사용자 인터페이스는 클라이언트 디바이스(예컨대, 102)에서 디스플레이될 수 있으며, 여기서, 그래픽 사용자 인터페이스는 클라이언트 디바이스의 사용자(예컨대, 인간 검토자)가 미디어 자산에 대한 하나 이상의 테마를 식별하는 것을 가능하게 할 수 있다. 다양한 실시예들에서, 테마 분석기(230)는 또한, 적어도 하나 이상의 이벤트, 장면, 또는 테마에 기반하여 미디어 자산들의 하나 이상의 트로프를 결정하도록 구성된다.
장르 분석기(240)는, 적어도 하나 이상의 이벤트, 장면, 테마, 또는 트로프에 기반하여 미디어 자산들의 하나 이상의 장르 또는 하위 장르를 결정(예컨대, 식별)하도록 구성된다. 장르는, 스타일리스틱(stylistic) 기준들의 세트에 기반하여 결정되는 미디어 자산들의 범주이다. 장르의 예들은, 액션, 어드벤처, 코미디, 범죄 및 미스터리, 판타지, 역사, 공포, 로맨스, 풍자, 공상 과학, 사변, 스릴러 등을 포함할 수 있다. 하위 장르는 장르 내의 부수적인 것일 수 있다. 동일한 장르인 미디어 자산 내의 2개의 이벤트 또는 장면은 여전히 때때로 하위 장르가 상이할 수 있다. 예컨대, 코미디 장면이 코미디의 더 어둡고 더 무서운 요소들을 갖는 경우, 그 코미디 장면은 어두운 코미디의 하위 장르에 속할 것이다. 다른 예로서, 로맨틱 스토리를 특징으로 하는 코미디 스토리는 로맨틱 코미디의 하위 장르에 속할 것이다. 그래픽 사용자 인터페이스는 클라이언트 디바이스(예컨대, 102)에서 디스플레이될 수 있으며, 여기서, 그래픽 사용자 인터페이스는 클라이언트 디바이스의 사용자(예컨대, 인간 검토자, 시스템 관리자)가 미디어 자산에 대한 하나 이상의 장르 또는 하위 장르를 식별하는 것을 가능하게 할 수 있다.
문화적 속성 분석기(250)는, 하나 이상의 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르와 관련된 하나 이상의 문화적 속성을 결정하도록 구성된다. 문화적 속성 분석기는, 미디어 자산과 관련된 지리적 지역 및 문화적 속성들의 다차원 계층구조에서 이용가능한 하나 이상의 문화적 속성에 기반하여 각각의 식별된 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르에 대한 맞춤화된 문화적 속성 그래프를 생성할 수 있다. 문화적 속성들의 다차원 계층구조는, 도 5에 예시된 바와 같이, 문화적 속성 분류 온톨로지/분류법의 부류들을 표현한다. 맞춤화된 문화적 속성 그래프는 데이터베이스(270)에 저장될 수 있다.
시간 기반 및 지식 기반 요소 분석기(255)는, 시간 기반 요소들을 결정하고, 각각의 식별된 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르와 관련된 지식 기반(예컨대, 지리적 지식 기반) 요소들을 결정하도록 구성된다. 시간 기반 요소들은, 미디어 자산에 대해 생성된 콘텐츠의 제작 연도, 최초 출시 연도, 소비 날짜, 또는 시간 기간과 연관된 정보를 포함한다. 일부 실시예들에 대해, 지식 기반 요소들은 미디어 자산과 연관된 메타데이터에 기반하여 결정될 수 있다. 지식 기반 요소들은, 목적지 문화의 지리적 지역과 연관된 현재 정책들, 법들, 또는 뉴스 이벤트들을 포함한다. 지식 기반 요소들 및 시간 기반 요소들은 문화적 거리 예측 시스템에 의해 주기적으로 업데이트될 수 있다.
문화적 거리 점수 생성기(260)는, 기계 학습 알고리즘을 사용하여, 지리적 지역 및 하나 이상의 문화적 속성에 기반하여 하나 이상의 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르에 대한 문화적 거리 점수들을 생성하도록 구성된다. 일부 실시예들에 대해, 문화적 거리 점수 생성기(260)는, 문화적 속성 분석기(250)에 의해 생성된 각각의 맞춤화된 문화적 속성 그래프에 기반하여 각각의 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르에 대한 문화적 거리 점수를 자동으로 결정(예컨대, 식별)하도록 훈련되는 기계 학습 모델을 포함한다. 실시예에 따라, 문화적 거리 점수 생성기(260)의 기계 학습 모델은, (예컨대, 문화적 거리 예측 시스템(200)에 의한) 다른 미디어 자산의 문화적 거리 예측 동안 이전에 생성된 데이터에 대해 훈련될 수 있다. 일부 실시예들에 대해, 기계 학습 알고리즘은, 결정 트리 알고리즘(들), 랜덤 포레스트 알고리즘, 그래프 신경망(GNN) 알고리즘, 또는 행렬 인수분해 알고리즘 중 적어도 하나일 수 있다.
일부 실시예들에 대해, 문화적 거리 점수는, 문화적 거리 예측 시스템(200)이 이용가능한 사용자 프로파일들에 기반하여 생성될 수 있다. 사용자 프로파일은, 도 5에 예시된 바와 같이, 문화적 아티팩트들, 생애 특이점들, 대인관계 역학, 사회적 영향, 도덕적 가치들, 보호주의, 및 글로벌 입지를 포함하여 문화적 속성 분류 온톨로지/분류법의 부류들에 의해 표현되는 사용자의 신념들, 가치들, 및 관습들과 같은 데이터를 포함할 수 있다. 문화적 거리 점수 시스템은, 문화적 거리 점수가 특정 사용자의 정체성 및 신념들을 더 정확하게 반영할 수 있도록, 사용자 프로파일에 기반하여, 식별된 이벤트들, 장면들, 테마들, 트로프들, 장르들, 및 하위 장르들과 연관된 가장 관련 있는 문화적 속성의 가중 값을 조정할 수 있다.
도 3은 다양한 실시예들에 따른, 동작 동안 미디어 자산들에 대한 예시적인 문화적 거리 예측 시스템(300) 내에서의 데이터 흐름을 예시하는 흐름도이다. 도시된 바와 같이, 문화적 거리 예측 시스템(300)은, 이벤트 분석기(310), 장면 분석기(320), 테마 분석기(330), 장르 분석기(340), 문화적 속성 분석기(350), 시간 기반 및 지식 기반 요소 분석기(355), 문화적 거리 점수 생성기(360), 및 데이터베이스(370)를 포함한다. 일부 실시예들에 대해, 이벤트 분석기(310), 장면 분석기(320), 테마 분석기(330), 장르 분석기(340), 문화적 속성 분석기(350), 시간 기반 및 지식 기반 요소 분석기(355), 및 문화적 거리 점수 생성기(360)는 각각, 도 2의 문화적 거리 예측 시스템(200)의 이벤트 분석기(210), 장면 분석기(220), 테마 분석기(230), 장르 분석기(240), 문화적 속성 분석기(250), 시간 기반 및 지식 기반 요소 분석기(255), 및 문화적 거리 점수 생성기(260)와 유사하다. 부가적으로, 이벤트 분석기(310), 장면 분석기(320), 테마 분석기(330), 장르 분석기(340), 문화적 속성 분석기(350), 시간 기반 및 지식 기반 요소 분석기(355), 및 문화적 거리 점수 생성기(360) 각각은, 본원에서 설명된 바와 같은 동작들을 가능하게 하거나 용이하게 하는 기계 학습(ML) 모델을 포함할 수 있다.
동작들 동안, 미디어 자산(302)(예컨대, 비디오 미디어 자산)이 이벤트 분석기(310), 장면 분석기(320), 테마 분석기(330), 장르 분석기(340), 및 문화적 속성 분석기(350) 각각에 수신되어 각각의 이벤트, 장면, 테마 및 트로프, 및 장르 및 하위 장르에 대해 처리된다. 하나 이상의 이벤트, 장면, 테마 및 트로프, 및 장르 및 하위 장르는 또한, 사용자(304)(예컨대, 시스템 관리자 또는 클라이언트 디바이스의 사용자)로부터의 하나 이상의 사용자 입력에 의해 결정(예컨대, 식별)될 수 있다.
이벤트 분석기(310), 장면 분석기(320), 테마 분석기(330), 장르 분석기(340), 문화적 속성 분석기(350), 및 시간 기반 및 지식 기반 요소 분석기(355)가 각각 결과들을 문화적 거리 점수 생성기(360)에 출력하여, 각각의 식별된 이벤트, 장면, 테마 및 트로프, 및 장르 및 하위 장르에 대한 점수들이 생성된다. 문화적 거리 점수 생성기(360)는, 각각의 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르에 적용가능한 각각의 문화적 속성 또는 문화적 속성 범주의 미리 결정된 가중 값들에 기반하여 하나 이상의 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르에 대한 문화적 거리 점수들을 생성하도록 구성된다. 실시예에 따라, 문화적 거리 점수 생성기(660)의 기계 학습 모델은, (예컨대, 문화적 거리 예측 시스템(200)에 의한) 다른 미디어 자산의 문화적 거리 예측 동안 이전에 생성된 데이터에 대해 훈련될 수 있고, 또한, 사용자(304)(예컨대, 시스템 관리자 또는 클라이언트 디바이스의 사용자)로부터의 하나 이상의 사용자 입력에 기반하여 훈련될 수 있다.
미디어 자산(302)에 대한 문화적 거리 점수가 생성되고 데이터베이스(370) 상에 저장된다. 일부 실시예들에 대해, 미디어 자산(302)에 대한 문화적 거리 점수들은, 문화적 속성 분석기(350)에 의해 식별된 문화적 속성들(미리 결정된 가중 값들과 연관됨)을 포함하는 맞춤화된 문화적 속성 그래프에 기반하여, 그리고 다음의 것들: 이벤트 분석기(310)에 의해 식별된 하나 이상의 이벤트, 장면 분석기(320)에 의해 식별된 하나 이상의 장면, 테마 분석기(330)에 의해 식별된 하나 이상의 테마 또는 트로프, 장르 분석기(340)에 의해 식별된 하나 이상의 장르 또는 하위 장르 중 하나에 기반하여 생성될 수 있다.
데이터베이스(370) 상의 미디어 자산(302)에 대한 이러한 문화적 거리 점수는 후속하여, 미디어 자산(302)의 추가적인 다운스트림 분석을 위해, 미디어 유틸리티 변환기(380)의 지원을 통해 하나 이상의 검토 툴(390)에 의해 사용될 수 있다. 예컨대, 저장된 문화적 거리 점수를 사용하여, 검토 툴들(390)은 미디어 자산(302)을 분석하여, 하나 이상의 문화에 대해 미디어 자산(302)의 콘텐츠를 분류하거나; 미디어 자산(302)에 대한 콘텐츠 권고를 생성하거나; 미디어 자산(302)에 대한 트레일러를 생성하거나; 미디어 자산(302)에 대한 표제를 생성하거나; 미디어 자산(302)에 대해 준수 검토를 수행하거나; 미디어 자산(302)에 대한 시청자 세분(segment)들을 결정하거나; 시청자에 대해 미디어 자산(302)을 표적화하거나; 미디어 자산(302)의 장면들의 건너뛰기를 가능하게 하거나; 미디어 자산(302)의 콘텐츠를 필터링하거나; 또는 특정된 문화, 국가, 지역 등에 관한 미디어 자산(302)의 문화적 매력 또는 혐오를 예측할 수 있다. 위에 언급된 다운스트림 분석 각각은, 콘텐츠 분류, 아트워크(artwork) 추출 및 수정, 콘텐츠 권고 생성, 트레일러 생성, 준수 편집, 비디오 하이라이트 생성, 장면 건너뛰기, 장르 검출, 콘텐츠 필터링, 문화적 관련성/예측/거리 계산, 심층 메타데이터 분석, 문화적응된(culturalized)(문화 기반) 리스팅 생성, 표제 "DNA" 분석, 및 시청자 세분화 및 표적화를 포함하는 유틸리티에 대응한다.
실시예에 따라, 콘텐츠 분류는, 미디어 자산(302)의 콘텐츠를 스크리닝하고 전 세계의 국지적 시장들에 대한 미디어 자산(302)에 대한 등급 값들을 자동으로 생성하는 데 기술이 사용되는 자동화된 방법을 포함할 수 있다. 일반적으로, 콘텐츠 분류는, 폭력성, 성행위, 또는 약물들과 같은 요소들에 대해 영화 또는 텔레비전 쇼를 스크리닝하여, 특정 국지적 시장의 연령대에 의해 시청자들에 대한 그의 적합성을 결정하는 것을 포함한다. 성숙도(maturity) 등급들로 또한 알려져 있는 연령 등급들은, 대중에게 그들이 정보에 근거한 시청 결정을 행하는 데 필요한 정보를 제공할 뿐만 아니라 아동에게 유해할 수 있는 콘텐츠를 시청하는 것으로부터 아동을 보호할 수 있다.
아트워크 추출 및 수정은, 아트워크가 미디어 자산(302)의 콘텐츠로부터 추출되는 자동화된 방법을 포함할 수 있으며, 여기서, 추출을 위해 선택된 아트워크는 (예컨대, 미디어 자산(302)과 관련하여 아트워크를 제시하는 디지털 상점 상에서의 미디어 자산(302)에 대한 향상된 클릭률(click-through rate)을 위한) 홍보 유틸리티와 관련된다. 일반적으로, 미디어 콘텐츠 아트워크는, 콘텐츠를 홍보하고 광고하기 위해 사용되고 미디어 자산의 콘텐츠를 선택하게 시청자들을 설득하도록 설계되는 디지털 포스터를 포함할 수 있다.
콘텐츠 권고 생성은, 미디어 자산(302)에 대한 국지적 콘텐츠 권고들을 정확하고 일관적으로 생성하는 데 기술이 사용되는 자동화된 방법을 포함할 수 있다. 일반적으로, 콘텐츠 경고들로 또한 알려져 있는 콘텐츠 권고들은, 폭력성, 욕설, 또는 약물들과 같은 영화 및 텔레비전에 포함된 불쾌할 여지가 있는(objectionable) 콘텐츠의 유형들에 관한 상세한 정보를 제공할 수 있다.
트레일러 생성은, 미디어 자산(302)의 콘텐츠의 가장 관련 있는 장면들을 인덱싱 및 패키징하는 인공 지능 및 기계 학습 기술을 사용하여 트레일러가 생성되는 자동화된 방법을 포함할 수 있다. 일반적으로, 트레일러는, 보통은 영화들 및 텔레비전 쇼들에 대한 공개를 위해 계획되는 비디오 콘텐츠의 상업적 광고를 포함할 수 있다.
준수 편집은, 전 세계의 국지적 시장들에 대한 미디어 자산(302) 내의 비-준수 장면들의 개개의 타임-코드 범위들을 권고하기 위해 기술이 사용되는 자동화된 방법을 포함할 수 있다. 일반적으로, 국지적 시장들에서의 콘텐츠 공개는 콘텐츠 분류 및 검열 법들의 준수를 보장하도록 규제될 수 있다. 특정 콘텐츠가 국지적 정책들을 준수하지 못할 때, 규제자들은 불쾌할 여지가 있는 장면들이 그에 따라서 편집될 것을 요구할 수 있다.
비디오 하이라이트 생성은, (예컨대, 미디어 자산(302)의 콘텐츠를 마케팅 및 홍보하기 위해) 미디어 자산(302)의 비디오 콘텐츠의 가장 관련 있는 장면들을 인덱싱하고, 이러한 장면들로부터, 짧은 비디오 클립들이 국지적 시청자의 하나 이상의 문화적 감성 또는 가치 체계에 대해 매력이 있도록 하나 이상의 짧은 비디오 클립을 생성하기 위한 자동화된 방법을 포함할 수 있다.
장면 건너뛰기는, 불쾌할 여지가 있는 장면의 지속기간을 표현하는 미디어 자산(302)의 시간 기반 마커들(예컨대, 타임-코드 범위들)이 포착되어 비디오/스트리밍 플랫폼에 제공되는 자동화된 방법을 포함할 수 있으며, 이는, "장면 건너뛰기" 피처(예컨대, 시청자가 불쾌할 여지가 있는 장면을 건너뛰기 위해 클릭할 수 있는 클라이언트 인터페이스 상의 그래픽 사용자 인터페이스 버튼)를 가능하게 할 수 있다.
장르 검출은 미디어 자산(302)의 콘텐츠의 장르를 검출하기 위한 자동화된 방법을 포함할 수 있으며, 이는, 미디어 자산(302)에 대한 동적 리스팅 또는 콘텐츠 홍보/추천 활동들을 위해 사용될 수 있다. 일반적으로, 미디어 콘텐츠에 대한 장르들 및 하위 장르들은 그의 서술 테마들 중 하나 이상에 기반하여 콘텐츠를 정의하는 범주들이다.
콘텐츠 필터링은, (예컨대, 미디어 자산(302)의 콘텐츠와 같은) 콘텐츠가 주어진 시간에 특정 시청자에게 제안되는 자동화된 방법을 포함할 수 있다. 일반적으로, 필터링된 콘텐츠는, 콘텐츠를 시청하도록 시청자를 설득하기 위해 디지털 스트리밍 플랫폼의 카탈로그(예컨대, 가상 선반들 및 트레이들)에 디스플레이될 수 있다.
문화적 관련성/예측/거리 계산은, 미디어 자산(302)의 콘텐츠를 적응시켜 국지적 시청자에 관한 그 콘텐츠의 매력(예컨대, 관계성 또는 적합성)을 개선하거나 국지적 시청자에 관한 그 콘텐츠의 매력(예컨대, 관계성 또는 적합성)을 예측할 목적들을 위해 2개 이상의 문화 사이에서 문화적 거리가 측정되는 자동화된 방법을 포함할 수 있으며, 이는, 그 국지적 시청자와 관련하여 미디어 자산(302)의 전반적인 성공을 결정할 수 있다. 방법은, 이러한 거리를 측정함에 있어서 시청하는 시청자의 국지적 법들, 관습들, 또는 기호들 및 선호도들을 고려할 수 있다.
심층 메타데이터 분석은, 미디어 자산(302)의 콘텐츠에 대해, 콘텐츠의 분위기, 테마, 시간 기간, 위치, 이벤트, 불쾌할 여지가 있는 콘텐츠, 등장인물, 또는 향상된 검색 및 발견에 중요한 다른 요소를 기술하는 관련 타임-코드 범위들에서의 속성들을 생성하는 데 기술이 사용되는 자동화된 방법을 포함할 수 있다. 일반적으로, 미디어 자산의 콘텐츠에 관한 심층 메타데이터는, 콘텐츠를 조직화하여 그 콘텐츠를 검색 엔진들 및 스트리밍 플랫폼들에 대해 더 가시적이게 하는 정의들을 제공할 수 있다.
문화적응된(문화 기반) 리스팅 생성은, 미디어 자산들의 리스팅(및 표제 메타데이터, 아트워크, 트레일러 등과 같은 각각의 리스팅 요소의 콘텐츠)이 현지화 및 문화적응에 기반하여 생성되는 자동화된 방법을 포함할 수 있다. 일반적으로, 현지화는, 언어, 법적, 및 기술 요건들에 따른 시청자의 지리적 환경에 콘텐츠를 적응시키는 것을 포함할 수 있는 한편, 문화적응은, 사용자의 문화적 환경(예컨대, 신념들, 가치들, 및 관습들)에 미디어 자산(302)의 콘텐츠를 적응시키는 것을 포함할 수 있다.
표제 "DNA" 분석은, 미디어 자산(302)의 표제 메타데이터(에 대한 컨텍스트 또는 구조)를 수정 또는 생성하는 데 사용될 수 있는 미디어 자산(302)의 콘텐츠의 본질을 좌우하는 코어 명령어 세트를 생성하기 위한 자동화된 방법을 포함할 수 있다. 일반적으로, 미디어 자산에 대한 표제 메타데이터는, 향상된 배포 및 소비를 위해 미디어 자산을 조직화, 인덱싱, 분석, 관리, 및 서비스하는 데 사용될 수 있다.
시청자 세분화 및 표적화는, 소비자들이 인구통계, 심리통계(psychographics), 성별, 연령, 민족, 또는 다른 파라미터들에 따라 프로파일링될 수 있고, 표적 시청자 또는 코호트(cohort) 내의 소비자들이 미디어 자산(302)에 대해 (예컨대, 향상된 마케팅 홍보들 및 전환들을 위해) 식별될 수 있는 자동화된 방법을 포함할 수 있다.
동적 광고 슬롯(또는 휴식시간) 생성은, 미디어 자산(302)에 대한 장면 그래프가 생성되는 자동화된 방법을 포함할 수 있으며, 여기서, 장면 그래프는, 미디어 자산(302)의 콘텐츠(예컨대, 비디오 콘텐츠)의 감정적 기복에 대한 세부사항들을 제공하고, 미디어 자산(302)의 콘텐츠의 피크 감정적 이벤트들에 대응하는 시간 기반 마커들(타임-코드 범위들로 또한 알려져 있음)을 생성할 수 있다. 미디어 자산(302)에 대한 광고들의 최적의 배치를 위해, 시간 기반 마커들이 다른 심층 메타데이터와 함께 비디오/스트리밍 플랫폼에 제공될 수 있다. 동적 광고 슬롯/휴식시간 생성은, 광고들이 가장 큰 영향을 초래할 순간들에 미디어 자산의 콘텐츠에 동적으로 배치되는 것을 보장할 수 있다.
도 4a 내지 도 4b는 다양한 실시예들에 따른, 미디어 자산들의 문화적 거리 예측을 위한 예시적인 방법(400)을 예시하는 흐름도들이다. 방법(400)의 동작들은, 미디어 자산의 콘텐츠 데이터에 기반하여 식별된 이벤트에 대한 문화적 거리 점수들의 생성을 예시한다. 방법의 동일하거나 유사한 동작들은 미디어 자산의 식별된 장면, 테마, 트로프, 장르 및 하위 장르에 대한 문화적 거리 점수들을 생성하는 데 활용될 수 있다.
예컨대, 방법들(400)은, 도 1과 관련하여 설명된 문화적 거리 예측 시스템(122), 도 2와 관련하여 설명된 문화적 거리 예측 시스템(200), 도 3과 관련하여 설명된 문화적 거리 예측 시스템, 또는 이들의 개별 컴포넌트들에 의해 수행될 수 있다. 본원에서 설명된 다양한 방법들의 동작은, 클라우드 아키텍처에 기반한 컴퓨팅 시스템의 일부일 수 있는 컴퓨팅 디바이스(예컨대, 데스크톱, 서버, 랩톱, 모바일 폰, 태블릿 등)의 하나 이상의 하드웨어 프로세서(예컨대, 중앙 처리 유닛 또는 그래픽 처리 유닛)에 의해 수행될 수 있다. 본원에서 설명된 예시적인 방법들은 또한, 기계 판독가능 매체 상에 저장된 실행가능 명령어들의 형태로 또는 전자 회로의 형태로 구현될 수 있다. 예를 들면, 방법(400)의 동작들은, 컴퓨팅 디바이스의 프로세서에 의해 실행될 때 컴퓨팅 디바이스로 하여금 방법(400)을 수행하게 하는 실행가능 명령어들에 의해 표현될 수 있다. 실시예에 따라, 본원에서 설명된 예시적인 방법의 동작은 상이한 방식들로 반복되거나 도시되지 않은 개재 동작들을 수반할 수 있다. 예시적인 방법들의 동작들이 특정 순서로 묘사 및 설명될 수 있지만, 동작들이 수행되는 순서는, 특정 동작들을 병렬로 수행하는 것을 포함하여 실시예들 간에 다를 수 있다.
동작(402)에서, 미디어 자산에 대한 콘텐츠 데이터가 프로세서(예컨대, 문화적 거리 예측 시스템(200)을 동작시키는 하드웨어 프로세서)에 의해 (예컨대, 그를 사용하여) 액세스된다. 액세스된 미디어 자산은 분석 또는 검토(예컨대, 미디어 자산 검토)를 위해 선택된 것일 수 있다. 예를 들면, 미디어 자산은, 클라이언트 디바이스에서 사용자에 의해, 이를테면, 독립형 소프트웨어 애플리케이션 또는 웹 브라우저 소프트웨어 애플리케이션에 의해 제시되는 그래픽 사용자 인터페이스에 대한 하나 이상의 사용자 입력에 의해 선택될 수 있다. 본원에서 설명된 바와 같이, 미디어 자산의 예들은, 오디오 자산들(예컨대, 음악 트랙들, 음악 앨범들 등) 및 비디오 자산들(예컨대, 영화들, 장편 영화들, 텔레비전 에피소드들 등)을 제한 없이 포함할 수 있다. 실시예에 따라, 콘텐츠 데이터는 미디어 자산과 연관된 데이터저장소 또는 미디어 파일에 의해 제공될 수 있다.
동작(404)에서, 프로세서는 미디어 자산의 콘텐츠 데이터 내의 타임스탬프에서의 이벤트를 결정할 수 있다. 이벤트는 문화적 속성 범주에 대응한다. 문화적 속성 범주는, 문화적 속성 분류 온톨로지/분류법에서의 부류 또는 하위 부류를 표현할 수 있다. 문화적 속성 범주는, 지리적 지역의 문화에 특정적인 문화적 속성들을 포함할 수 있다. 다양한 실시예들에서, 문화적 속성 분류 온톨로지/분류법의 부류들은, 도 5에 예시된 바와 같이, 문화적 아티팩트들, 생애 특이점들, 대인관계 역학, 사회적 영향, 도덕적 가치들, 보호주의, 및 글로벌 입지를 포함할 수 있다. 문화적 속성 분류 온톨로지/분류법의 각각의 부류 또는 범주는 하나 이상의 하위 부류를 포함할 수 있다. 예컨대, 문화적 아티팩트들의 하위 부류들은 물질적, 상징적, 및 신성적(sacred)인 것을 포함할 수 있고; 생애 특이점들의 하위 부류들은 출생, 독립하는 것, 사랑에 빠지는 것, 결혼, 고등 교육, 직업을 구하는 것, 부동산을 구매하는 것, 상실을 경험하는 것, 및 사망을 포함할 수 있고; 대인관계 역학의 하위 부류들은 평등주의, 가부장제, 권력, 성별, 및 의사소통(communication)을 포함할 수 있고; 사회적 영향의 하위 부류들은 사회적 규범들, 동조 압력(peer pressure), 모방가능한 행동, 사회적 신뢰, 및 협박들을 포함할 수 있고; 도덕적 가치들의 하위 부류들은 예절(ritual)들, 종교, 육아, 아동 발달, 및 제도들을 포함할 수 있고; 보호주의의 하위 부류들은 정부, 정치, 군사, 및 역사를 포함할 수 있고; 글로벌 입지의 하위 부류들은 지리위치, 언어, 경제, 규제 제한들, 기술, 및 환경을 포함할 수 있다. 다양한 실시예들에서, 문화적 속성 예측 시스템은, 이벤트의 컨텍스트 데이터 또는 미디어 자산의 컨텍스트 데이터에 기반하여 문화적 속성 분류 온톨로지/분류법의 가장 관련 있는 부류 및 하위 부류를 결정할 수 있다.
동작(406)에서, 프로세서는, 출처지 문화에 대응하는 지리적 지역(예컨대, 제1 지리적 지역)을 식별하고, 목적지 문화에 대응하는 지리적 지역(예컨대, 제2 지리적 지역)을 식별한다. 예컨대, 선택된 미디어 자산이 미국에서 생산된 영화인 경우, 제1 지리적 지역은, 미디어 자산이 생성된 미국일 수 있다. 제2 지리적 지역은, 미디어 자산이 배포 또는 출시되도록 스케줄링되는 일본일 수 있다. 출처지 문화는 미국의 문화인 것으로 결정되고, 목적지 문화는 일본 문화일 수 있다.
동작(408)에서, 프로세서는, 출처지 문화의 지리적 지역(예컨대, 제1 지리적 지역)과 연관된 문화적 속성 범주에 대응하는 가중 값(예컨대, 제1 가중 값)에 액세스한다. 문화적 속성 범주는, 이벤트와 가장 관련 있는 것으로 결정되는 문화적 속성 분류 온톨로지/분류법의 부류 또는 하위 부류와 연관될 수 있다. 관련성의 결정은, 이벤트의 콘텐츠 또는 컨텍스트 데이터 또는 미디어 자산의 콘텐츠 또는 컨텍스트 데이터를 전체적으로 분석하는 것에 기반할 수 있다.
동작(410)에서, 프로세스는, 목적지 문화의 지리적 지역(예컨대, 제2 지리적 지역)과 연관된 문화적 속성 범주에 대응하는 가중 값(예컨대, 제2 가중 값)에 액세스한다.
동작(412)에서, 프로세서는, 기계 학습 알고리즘을 사용하여, 출처지 문화의 지리적 지역(예컨대, 제1 지리적 지역)과 연관된 문화적 속성 범주에 대응하는 가중 값(예컨대, 제1 가중 값), 목적지 문화의 지리적 지역(예컨대, 제2 지리적 지역)과 연관된 문화적 속성 범주에 대응하는 가중 값(예컨대, 제2 가중 값), 및 이벤트 또는 미디어 자산의 컨텍스트 데이터에 기반하여 이벤트의 문화적 거리 점수를 생성한다. 일부 실시예들에 대해, 기계 학습 알고리즘은, 결정 트리 알고리즘, 랜덤 포레스트 알고리즘, 그래프 신경망(GNN) 알고리즘, 또는 행렬 인수분해 알고리즘 중 적어도 하나일 수 있다.
일부 실시예들에 대해, 문화적 속성 범주들 및 연관된 문화적 속성들의 가중 값들은 문화적 거리 예측 시스템(200)에 의해 액세스가능한 미리 결정된 절대 값들이다. 가중 값들은 시간 메타데이터 및 지식 그래프에 기반하여 업데이트될 수 있다. 시간 메타데이터는, 미디어 자산의 콘텐츠의 제작 연도, 최초 출시 연도, 소비 날짜, 시간 기간을 포함하는 시간 기반 요소들과 연관된 정보를 포함할 수 있다. 지식 그래프는, 지리적 지식 기반 요소들, 이를테면, 국지적 법들, 뉴스 이벤트들, 및 특정 지리적 지역의 현재 문화적 및 법적 준수 환경과 관련된 임의의 다른 정보와 연관된 정보를 포함할 수 있다. 일부 실시예에 대해, 지리적 지역의 법 변경은 지역과 연관된 지식 그래프의 업데이트를 야기할 것이고, 이는 차례로, 지역과 연관된 문화적 속성의 미리 결정된 가중 값에 대한 변경을 야기한다. 시간 메타데이터 및 지식 그래프에 대한 변경들의 검출은 인간 검토자에 의해 또는 문화적 거리 예측 시스템에 의해 자동으로 수행될 수 있다.
일부 실시예들에 대해, 프로세서는 미디어 자산과 연관된 메타데이터에 액세스할 수 있다. 메타데이터는 시간 기반 요소들 및 지리적 지식 기반 요소들을 포함한다. 시간 기반 요소들은, 미디어 자산에 대해 생성된 콘텐츠의 제작 연도, 최초 출시 연도, 소비 날짜, 또는 시간 기간과 연관된 정보를 포함한다. 일부 실시예들에 대해, 프로세서는, 미디어 자산과 연관된 메타데이터에 기반하여 지리적 지식 기반 요소들에 액세스할 수 있다. 지리적 지식 기반 요소들은, 목적지 문화의 지리적 지역과 연관된 현재 정책들, 법들, 또는 뉴스 이벤트들을 포함한다. 프로세서는, 시간 기반 요소들 및 지식 기반 요소들에 기반하여 문화적 거리 점수를 조정할 수 있다. 시간 기반 요소들 및 지식 기반 요소들은 프로세서에 의해 주기적으로 업데이트될 수 있다.
동작(414)에서, 프로세서는, 클라이언트 디바이스(104)의 사용자 인터페이스 상에 문화적 거리 점수의 디스플레이를 야기한다. 일부 실시예들에 대해, 동작(414) 이후에, 방법(400)의 동작들은 도 4b에 예시된 바와 같이 동작(416)으로 계속된다.
동작(416)에서, 프로세서는, 이벤트의 컨텍스트 데이터에 기반하여 가중 값(예컨대, 제3 가중 값)을 식별한다. 컨텍스트 또는 컨텍스트형 데이터는 이벤트의 콘텐츠를 기술한다. 일부 실시예들에 대해, 이벤트 또는 미디어 자산의 컨텍스트형 데이터는 미디어 자산에 대해 식별된 이벤트들, 장면들, 테마들, 트로프들, 장르들, 또는 하위 장르들 중 적어도 하나에 기반하여 생성된다. 제3 가중 값은, 동작들(404-410)에서 설명된 바와 같은 문화적 속성 범주의 하위 부류 또는 하위 범주에 대응하는 문화적 속성(범주)일 수 있다. 문화적 속성(범주)의 제3 가중 값은 제2 지리적 지역과 연관되며, 제2 지리적 지역과 관련된 문화적 속성들에 기반하여 이벤트에 대해 생성된 (예컨대, 도 7에 예시된 바와 같은 문화적 속성 그래프와 같은) 맞춤화된 문화적 속성 그래프에 기반하여 결정될 수 있다. 일부 실시예들에 대해, 이벤트의 컨텍스트 데이터에 기반하여 결정된 바와 같은, 제3 가중 값과 연관된 문화적 속성(범주)은, 동작들(404-410)에서 설명된 바와 같은 문화 속성 범주와 비교하여 이벤트와 더 관련 있는 문화적 속성(범주)이다.
동작(418)에서, 프로세서는, 이벤트에 대한 문화적 거리 점수를 생성하기 위해, 출처지 문화의 지리적 지역과 연관된 문화적 속성 범주에 대응하는 가중 값(예컨대, 제1 가중 값) 및 가중 값(예컨대, 제2 가중 값)을 제3 가중 값에 적용한다. 일부 실시예들에 대해, 동작(418)은 본원에서 설명된 바와 같은 기계 학습 알고리즘들 중 임의의 것을 통해 수행될 수 있다.
동작(420)에서, 문화적 거리 점수가 클라이언트 디바이스(102) 상의 사용자 인터페이스 상에 디스플레이되도록 야기된 후에, 프로세스는, 클라이언트 디바이스(102)로부터 또는 문화적 거리 예측 시스템(200)의 시스템 관리자로부터 피드백 점수를 수신할 수 있다.
동작(422)에서, 프로세서는, 피드백 점수와 문화적 거리 점수 사이의 차이를 결정한다. 차이는, 그러한 점수들의 값들에서의 차이에 의해 표현될 수도 있다. 더 큰 차이는, 문화적 거리 점수가, 생성될 것으로 예상되는 점수로부터 벗어날 가능성이 더 큰 가능성을 표시한다. 일부 실시예들에 대해, 출처지 문화의 문화적 속성 범주에 대응하는 가중 값(예컨대, 제1 가중 값)과 목적지 문화의 문화적 속성 범주에 대응하는 가중 값(예컨대, 제2 가중 값) 사이의 차이들은, 특정 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르에 대한 문화적 거리 점수의 스케일링된 범위를 표시한다.
동작(424)에서, 프로세스는 차이에 기반하여 기계 학습 알고리즘을 조정한다. 일부 실시예들에 대해, 기계 학습 알고리즘은, 이벤트의 컨텍스트 데이터에 기반하여 더 관련 있는 또는 적절한 문화적 속성(범주)에 대응하는 가중 값(예컨대, 제3 가중 값)를 결정함으로써 조정될 수 있다. 예컨대, 식별된 이벤트가 종교적 법령을 무너뜨린 사람과 관련이 있을 때, 그러한 이벤트의 컨텍스트 데이터에 따라, 문화적 속성(범주) "종교적 관행"이 "종교" 또는 "종교적 축제"와 비교하여 더 관련 있는 속성일 수 있다. 그 이유는, 각각의 문화적 속성(범주)이 상이한 미리 결정된 절대 가중 값과 연관될 수 있기 때문이다. 각각의 이벤트, 장면, 테마, 트로프, 장르, 및 하위 장르와 연관된 가장 관련 있는 속성(범주)의 식별은 문화적 거리 예측의 정확성에 영향을 미칠 수 있다. 문화적 속성 범주와 문화적 속성 범주는 상호교환가능하게 사용될 수 있는데, 그 이유는, 문화적 속성 범주 하의 문화적 속성 그 자체가 다수의 속성들 및/또는 속성 범주들을 포함하는 범주일 수 있기 때문이다.
도 5는 다양한 실시예들에 따른, 미리 결정된 문화적 속성 분류 온톨로지/분류법에 기반한 문화적 속성들의 다차원 계층구조의 예시적인 문화적 속성 범주들을 예시하는 블록도를 제공한다. 문화적 속성 분류 온톨로지/분류법은, 예시된 바와 같이, 문화적 속성 범주들, 이를테면, 문화적 아티팩트들(510), 생애 특이점들(520), 대인관계 역학(530), 사회적 영향(540), 도덕적 가치들(550), 보호주의(560), 및 글로벌 입지(570)를 포함한다. 미리 결정된 문화적 속성 분류 온톨로지/분류법에 기반하여, 각각의 식별된 이벤트, 장면, 테마, 장르, 및 하위 장르에 대한 맞춤화된 문화적 속성 그래프가 생성될 수 있다.
문화적 아티팩트들(510)은 인간들에 의해 생성된 아이템들에 관한 것이며, 이는, 그의 창작자 및 사용자들의 문화에 관한 정보를 제공한다. 문화적 아티팩트들의 하위 부류들은, 물질적, 상징적, 및 신성적인 것을 포함할 수 있다.
생애 특이점들(520)은, 사람의 생활에서의 중요한 성취들을 강조하는 이벤트들에 관한 것이다. 생애 특이점들의 하위 부류들은, 출생, 독립하는 것, 사랑에 빠지는 것, 결혼, 고등 교육, 직업을 구하는 것, 부동산을 구매하는 것, 상실을 경험하는 것, 및 사망을 포함할 수 있다.
대인관계 역학(530)은, 특정 사회적 컨텍스트에서의 구성원들 간의 상호작용들 및 그들의 서로에 대한 대우에 관한 것이다. 대인관계 역학의 하위 부류들은, 평등주의, 가부장제, 권력, 성별, 및 의사소통을 포함할 수 있다.
사회적 영향(540)은, 개인들이 사회적 환경의 요구들을 충족시키기 위해 그들의 행동을 바꾸는 방식들에 관한 것이다. 사회적 영향의 하위 부류들은, 사회적 규범들, 동조 압력(peer pressure), 모방가능한 행동, 사회적 신뢰, 및 협박들을 포함할 수 있다.
도덕적 가치들(550)은, 핵심 가치들로부터 나오는 신념들의 체계에 관한 것이다. 도덕들은, 사람의 생각들, 감정들, 행실들, 및 행동을 통제하는 특정적이고 컨텍스트 주도적인 규칙들, 이를테면, 진실성, 정직함, 어려움에 처한 다른 사람들을 돕는 것, 다른 사람들의 시간을 소중하게 생각하는 것 등이다. 도덕적 가치들의 하위 부류들은, 예절들, 종교, 육아, 아동 발달, 및 제도들을 포함할 수 있다.
보호주의(560)는, 대외 경쟁 및 문화 혼합(오염)에 대하여 국내 산업들 및 문화를 보호하는 정책들에 관한 것이다. 보호주의의 하위 부류들은, 정부, 정치, 군사, 및 역사를 포함할 수 있다.
글로벌 입지(570)는, 다른 국가들이 인식하는 바와 같은 국가의 평판에 관한 그 국가의 지지 등급에 관한 것이다. 글로벌 입지의 하위 부류들은, 지리위치, 언어, 경제, 규제 제한들, 기술, 및 환경을 포함할 수 있다.
도 6은 다양한 실시예들에 따른, 각각의 지리적 지역에 대한 문화적 속성 범주들에 대해 미리 결정된 예시적인 가중 값 세트를 예시한다. 일부 실시예들에서, 지리적 지역 1에 대한 문화적 속성 범주 문화적 아티팩트들(510)의 가중 값(예컨대, 제1 가중 값)은 70(예컨대, 가중 값(602))으로서 미리 결정된다. 지리적 지역 2에 대한 동일한 문화적 속성 범주 문화적 아티팩트들(510)의 가중 값(예컨대, 제2 가중 값)은 50(예컨대, 가중 값(604))으로서 미리 결정된다. 일부 실시예들에 대해, 문화적 속성 범주들 및 연관된 문화적 속성들의 가중 값들은 문화적 거리 예측 시스템(200)에 의해 액세스가능한 미리 결정된 절대 값들이다. 가중 값들은, 본원에서 설명된 바와 같이, 시간 메타데이터 및 지식 그래프에 기반하여 업데이트될 수 있다.
도 7은 다양한 실시예들에 따른, 예시적인 지리적 지역에 대한, 예시적인 이벤트에 기반하여 생성된 예시적인 맞춤화된 문화적 속성 그래프를 예시한다. 도 7에서, 목적지 문화(704)에 대응하는 지리적 지역에 대한 식별된 이벤트(714) "종교적 법령을 무너뜨린 사람"에 대해 맞춤화된 속성 그래프(720)가 생성된다. 맞춤화된 속성 그래프(720)는, 문화적 속성 범주(510), 문화적 속성 범주(708), 문화적 속성 범주(710), 및 문화적 속성(범주)(712)을 포함한다. 문화적 속성(범주)(712)은 최종 노드들로서 복수의 문화 속성들을 포함할 수 있거나, 또는 그 자체가 맞춤화된 속성 그래프(720)의 최종 노드로서 문화 속성일 수 있다. 문화적 거리 예측 시스템(200)은, 이벤트(714)의 컨텍스트 데이터에 기반하여, 문화적 속성(범주)(712)이 이벤트(714)에 대해 가장 관련이 있다고 결정한다. 문화적 거리 예측 시스템(200)은, 문화적 속성(범주)(712)의 가중 값(30)(예컨대, 제3 가중 값)에 액세스하고, 출처지 문화(716)에 대응하는 문화적 속성 범주(510)의 가중 값(602), 및 목적지 문화(704)에 대응하는 문화적 속성 범주(510)의 가중 값(604)과 함께 문화적 거리 점수를 결정한다. 이벤트(714)에 대한 문화적 거리 점수는, 도 7에 예시된 바와 같이, 10(문화적 거리 점수(702))인 것으로 결정된다. 문화적 거리 점수의 결정은, 결정 트리 알고리즘, 랜덤 포레스트(random forest) 알고리즘, 그래프 신경망 알고리즘, 행렬 인수분해(matrix factorization) 알고리즘, 로지스틱 회귀 알고리즘, 또는 스케일링가능 벡터 기계 알고리즘을 제한 없이 포함하는 기계 학습 알고리즘들 중 임의의 것에 기반할 수 있다.
도 8은 다양한 실시예들에 따른, 미디어 자산에 대해 생성된 예시적인 문화적 거리 점수 및 미디어 자산의 이벤트, 장면, 테마, 및 장르에 대해 생성된 예시적인 점수들을 나타내는 예시적인 그래픽 사용자 인터페이스(800)를 예시한다. 그래픽 사용자 인터페이스(800)는, 사용자가 미디어 자산 및 연관된 이벤트, 장면, 테마, 및 장르와 연관된 하나 이상의 문화적 거리 점수를 보거나 편집하는 것을 가능하게 한다. 그래픽 사용자 인터페이스(800)에 예시된 바와 같이, 이벤트(714)에 대해 생성된 문화적 거리 점수(702)는 10이다. 출처지 문화(C1)와 목적지 문화(C2) 사이의 미디어 자산에 대해 생성된 전반적 문화적 거리 점수는 "조화" 거리 스케일에 대응하는 19이다. 거리 스케일은, 미디어 자산, 또는 그와 연관된 이벤트, 장면, 테마, 트로프, 장르, 또는 하위 장르에 관하여 2개의 지리적 지역 사이의 문화적 거리의 레벨을 표시하기 위해 활용된다. 거리 스케일은, 조화(0-20), 상보(21-40), 수렴(41-60), 상충(61-80), 및 격분(81-100)과 같은 레벨들을 표시한다. 더 큰 값은 문화들 사이의 더 큰 차이를 표시한다.
도 9는 일부 예시적인 실시예들에 따른, 기계 상에 설치될 수 있는 소프트웨어 아키텍처(902)의 예를 예시하는 블록도이다. 도 9는 단지 소프트웨어 아키텍처의 비-제한적인 예이고, 본원에서 설명된 기능성을 용이하게 하기 위해 많은 다른 아키텍처들이 구현될 수 있다는 것이 인식될 것이다. 소프트웨어 아키텍처(902)는, 다른 것들 중에서도, 프로세서들(1010), 메모리(1030), 및 입력/출력(I/O) 컴포넌트들(1050)을 포함하는 도 10의 기계(1000)와 같은 하드웨어 상에서 실행될 수 있다. 대표적인 하드웨어 계층(904)이 예시되며, 예컨대, 도 10의 기계(1000)를 표현할 수 있다. 대표적인 하드웨어 계층(904)은, 연관된 실행가능 명령어들(908)을 갖는 하나 이상의 처리 유닛(906)을 포함한다. 실행가능 명령어들(908)은 소프트웨어 아키텍처(902)의 실행가능 명령어들을 표현한다. 하드웨어 계층(904)은 또한 메모리 또는 저장 모듈들(910)을 포함하며, 이들이 또한 실행가능 명령어들(908)을 갖는다. 하드웨어 계층(904)은 또한, 하드웨어 계층(904)의 임의의 다른 하드웨어를 표현하는 다른 하드웨어(912), 이를테면, 기계(1000)의 일부로서 예시된 다른 하드웨어를 포함할 수 있다.
도 9의 예시적인 아키텍처에서, 소프트웨어 아키텍처(902)는, 각각의 계층이 특정 기능성을 제공하는 계층들의 스택으로서 개념화될 수 있다. 예컨대, 소프트웨어 아키텍처(902)는, 운영 체제(914), 라이브러리들(916), 프레임워크들/미들웨어(918), 애플리케이션들(920), 및 제시 계층(944)과 같은 계층들을 포함할 수 있다. 동작가능하게, 애플리케이션들(920) 또는 계층들 내의 다른 컴포넌트들은 소프트웨어 스택을 통해 API 호출들(924)을 호출하고, API 호출들(924)에 대한 응답으로 (메시지들(926)로 예시된) 응답, 반환된 값들 등을 수신할 수 있다. 예시된 계층들은 사실상 대표적이며, 모든 소프트웨어 아키텍처들이 모든 계층들을 갖는 것은 아니다. 예컨대, 일부 모바일 또는 특수 목적 운영 체제들은 프레임워크들/미들웨어(918) 계층을 제공하지 않을 수 있는 반면, 다른 것들은 그러한 계층을 제공할 수 있다. 다른 소프트웨어 아키텍처들은 부가적인 또는 상이한 계층들을 포함할 수 있다.
운영 체제(914)는, 하드웨어 리소스들을 관리하고 공통 서비스들을 제공할 수 있다. 운영 체제(914)는, 예컨대, 커널(928), 서비스들(930), 및 드라이버들(932)을 포함할 수 있다. 커널(928)은, 하드웨어와 다른 소프트웨어 계층들 사이의 추상화 계층으로서의 역할을 할 수 있다. 예컨대, 커널(928)은, 메모리 관리, 프로세서 관리(예컨대, 스케줄링), 컴포넌트 관리, 네트워킹, 보안 세팅 등을 담당할 수 있다. 서비스들(930)은 다른 소프트웨어 계층들에 대한 다른 공통 서비스들을 제공할 수 있다. 드라이버들(932)은 기본 하드웨어를 제어하거나 그와 인터페이싱하는 것을 담당할 수 있다. 예컨대, 드라이버들(932)은, 하드웨어 구성에 따라 디스플레이 드라이버들, 카메라 드라이버들, Bluetooth® 드라이버들, 플래시 메모리 드라이버들, 직렬 통신 드라이버들(예컨대, 범용 직렬 버스(USB) 드라이버들), Wi-Fi® 드라이버들, 오디오 드라이버들, 전력 관리 드라이버들 등을 포함할 수 있다.
라이브러리들(916)은, 애플리케이션들(920) 및/또는 다른 컴포넌트들 및/또는 계층들에 의해 활용될 수 있는 공통 기반구조를 제공할 수 있다. 라이브러리들(916)은 전형적으로, 다른 소프트웨어 모듈들이 기본 운영 체제(914) 기능성(예컨대, 커널(928), 서비스들(930), 또는 드라이버들(932))과 직접 인터페이싱하는 것에 의한 것보다 더 쉬운 방식으로 작업들을 수행할 수 있게 하는 기능성을 제공한다. 라이브러리들(916)은, 메모리 할당 기능들, 문자열 조작 기능들, 수학적 기능들 등과 같은 기능들을 제공할 수 있는 시스템 라이브러리들(934)(예컨대, C 표준 라이브러리)를 포함할 수 있다. 게다가, 라이브러리들(916)은, API 라이브러리들(936), 이를테면, 미디어 라이브러리들(예컨대, MPEG4, H.264, MP3, AAC, AMR, JPG, 및 PNG와 같은 다양한 미디어 포맷들의 제시 및 조작을 지원하기 위한 라이브러리들), 그래픽 라이브러리들(예컨대, 디스플레이 상에 2D 및 3D 그래픽 콘텐츠를 렌더링하는 데 사용될 수 있는 OpenGL 프레임워크), 데이터베이스 라이브러리들(예컨대, 다양한 관계형 데이터베이스 기능들을 제공할 수 있는 SQLite), 웹 라이브러리들(예컨대, 웹 브라우징 기능성을 제공할 수 있는 웹킷(WebKit)) 등을 포함할 수 있다. 라이브러리들(916)은 또한, 많은 다른 API들을 애플리케이션들(920) 및 다른 소프트웨어 컴포넌트들/모듈들에 제공하기 위한 광범위하게 다양한 다른 라이브러리들(938)을 포함할 수 있다.
프레임워크들(918)(때때로 미들웨어로 또한 지칭됨)은, 애플리케이션들(920) 및/또는 다른 소프트웨어 컴포넌트들/모듈들에 의해 활용될 수 있는 상위 레벨 공통 기반구조를 제공할 수 있다. 예컨대, 프레임워크들(918)은, 다양한 그래픽 사용자 인터페이스 기능들, 고레벨 리소스 관리, 고레벨 위치 서비스들 등을 제공할 수 있다. 프레임워크들(918)은, 애플리케이션들(920) 및/또는 다른 소프트웨어 컴포넌트들/모듈들에 의해 활용될 수 있는 광범위한 스펙트럼의 다른 API들을 제공할 수 있으며, 이들 중 일부는 특정 운영 체제 또는 플랫폼에 대해 특정적일 수 있다.
애플리케이션들(920)은 내장 애플리케이션들(940) 및/또는 제3자 애플리케이션들(942)을 포함한다. 대표적인 내장 애플리케이션들(940)의 예들은, 홈 애플리케이션, 연락처 애플리케이션, 브라우저 애플리케이션, 북 리더 애플리케이션, 위치 애플리케이션, 미디어 애플리케이션, 메시징 애플리케이션, 또는 게임 애플리케이션을 포함할 수 있지만 이에 제한되지 않는다.
제3자 애플리케이션들(942)은 내장 애플리케이션들(940) 중 임의의 것뿐만 아니라 광범위한 분류의 다른 애플리케이션들을 포함할 수 있다. 특정 예에서, 제3자 애플리케이션들(942)(예컨대, 특정 플랫폼의 공급업체 이외의 엔티티에 의해 Android™ 또는 iOS™ 소프트웨어 개발 키트(SDK)를 사용하여 개발된 애플리케이션)은, 모바일 운영 체제, 이를테면, iOS™, Android™, 또는 다른 모바일 운영 체제들 상에서 실행되는 모바일 소프트웨어일 수 있다. 이러한 예에서, 제3자 애플리케이션들(942)은, 본원에서 설명된 기능성을 용이하게 하기 위해 모바일 운영 체제, 이를테면 운영 체제(914)에 의해 제공되는 API 호출들(924)을 호출할 수 있다.
애플리케이션들(920)은, 내장 운영 체제 기능들(예컨대, 커널(928), 서비스들(930), 또는 드라이버들(932)), 라이브러리들(예컨대, 시스템 라이브러리들(934), API 라이브러리들(936), 및 다른 라이브러리들(938)), 또는 프레임워크들/미들웨어(918)를 활용하여, 시스템의 사용자들과 상호작용하기 위한 사용자 인터페이스들을 생성할 수 있다. 대안적으로 또는 부가적으로, 일부 시스템들에서, 사용자와의 상호작용들은 제시 계층, 이를테면 제시 계층(944)을 통해 발생할 수 있다. 이러한 시스템들에서, 애플리케이션/모듈 "로직"은 사용자와 상호작용하는 애플리케이션/모듈의 양상들로부터 분리될 수 있다.
일부 소프트웨어 아키텍처들은 가상 기계들을 활용한다. 도 9의 예에서, 이는 가상 기계(948)에 의해 예시된다. 가상 기계(948)는, 애플리케이션들/모듈들이 하드웨어 기계(예컨대, 도 10의 기계(1000)) 상에서 실행되고 있는 것처럼 실행될 수 있는 소프트웨어 환경을 생성한다. 가상 기계(948)는 호스트 운영 체제(예컨대, 운영 체제(914))에 의해 호스팅되고, 전형적으로, 항상은 아니지만, 가상 기계(948)의 동작뿐만 아니라 호스트 운영 체제(예컨대, 운영 체제(914))와의 인터페이스를 관리하는 가상 기계 모니터(946)를 갖는다. 운영 체제(950), 라이브러리들(952), 프레임워크들/미들웨어(954), 애플리케이션들(956), 또는 제시 계층(958)과 같은 소프트웨어 아키텍처는 가상 기계(948) 내에서 실행된다. 가상 기계(948) 내에서 실행되는 소프트웨어 아키텍처의 이러한 계층들은 이전에 설명된 대응하는 계층들과 동일할 수 있거나 상이할 수 있다.
도 10은 실시예에 따른, 기계(1000)로 하여금 본원에서 논의된 방법론들 중 임의의 하나 이상을 수행하게 하기 위한 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템의 형태의 기계(1000)의 도시적 표현을 예시한다. 구체적으로, 도 10은 예시적인 형태의 컴퓨터 시스템으로 기계(1000)의 도시적 표현을 도시하며, 이 컴퓨터 시스템 내에서, 기계(1000)로 하여금 본원에서 논의된 방법론들 중 임의의 하나 이상을 수행하게 하기 위한 명령어들(1016)(예컨대, 소프트웨어, 프로그램, 애플리케이션, 애플릿, 앱, 또는 기타의 실행가능 코드)이 실행될 수 있다. 예컨대, 명령어들(1016)은 기계(1000)로 하여금 도 4a 내지 도 4b와 관련하여 위에서 설명된 방법(400)을 실행하게 할 수 있다. 명령어들(1016)은, 일반적인 비-프로그래밍된 기계(1000)를, 설명 및 예시된 기능들을 설명된 방식으로 수행하도록 프로그래밍된 특정 기계(1000)로 변환한다. 대안적인 실시예들에서, 기계(1000)는 독립형 디바이스로서 동작하거나 다른 기계들에 결합(예컨대, 네트워킹)될 수 있다. 네트워크형 배치에서, 기계(1000)는, 서버-클라이언트 네트워크 환경에서 서버 기계 또는 클라이언트 기계의 자격으로, 또는 피어-투-피어(또는 분산형) 네트워크 환경에서 피어 기계로서 동작할 수 있다. 기계(1000)는, 서버 컴퓨터, 클라이언트 컴퓨터, 개인용 컴퓨터(PC), 태블릿 컴퓨터, 랩톱 컴퓨터, 넷북, 개인 휴대 정보 단말기(PDA), 엔터테인먼트 미디어 시스템, 셀룰러 전화, 스마트 폰, 모바일 디바이스, 또는 기계(1000)에 의해 취해질 액션들을 특정하는 명령어들(1016)을 순차적으로 또는 다른 방식으로 실행하는 것이 가능한 임의의 기계를 포함할 수 있지만 이에 제한되지 않는다. 추가로, 단일 기계(1000)만이 예시되지만, "기계"라는 용어는 또한, 본원에서 논의되는 방법론들 중 임의의 하나 이상을 수행하기 위한 명령어들(1016)을 개별적으로 또는 공동으로 실행하는 기계들(1000)의 컬렉션을 포함하는 것으로 이해되어야 한다.
기계(1000)는, 이를테면 버스(1002)를 통해 서로 통신하도록 구성될 수 있는, 프로세서들(1010), 메모리(1030), 및 I/O 컴포넌트들(1050)을 포함할 수 있다. 실시예에서, 프로세서들(1010)(예컨대, 하드웨어 프로세서, 이를테면, 중앙 처리 유닛(CPU), 축소된 명령어 세트 컴퓨팅(RISC) 프로세서, 복합적 명령어 세트 컴퓨팅(CISC) 프로세서, 그래픽 처리 유닛(GPU), 디지털 신호 프로세서(DSP), 주문형 집적 회로(ASIC), 라디오-주파수 집적 회로(RFIC), 다른 프로세서, 또는 이들의 임의의 적합한 조합)은, 예컨대, 명령어들(1016)을 실행할 수 있는 프로세서(1012) 및 프로세서(1014)를 포함할 수 있다. "프로세서"라는 용어는, 명령어들을 동시에 실행할 수 있는 2개 이상의 독립적인 프로세서(때때로, "코어"로 지칭됨)를 포함할 수 있는 멀티-코어 프로세서들을 포함하도록 의도된다. 도 10이 다수의 프로세서들(1010)을 도시하지만, 기계(1000)는 단일 코어를 갖는 단일 프로세서, 다수의 코어들을 갖는 단일 프로세서(예컨대, 멀티-코어 프로세서), 단일 코어를 갖는 다수의 프로세서들, 다수의 코어들을 갖는 다수의 프로세서들, 또는 이들의 임의의 조합을 포함할 수 있다.
메모리(1030)는 메인 메모리(1032), 정적 메모리(1034), 및 기계 판독가능 매체(1038)를 포함하는 저장 유닛(1036)을 포함할 수 있으며, 이들 각각은 이를테면 버스(1002)를 통해 프로세서들(1010)에 대해 액세스가능하다. 메인 메모리(1032), 정적 메모리(1034), 및 저장 유닛(1036)은 본원에서 설명된 방법론들 또는 기능들 중 임의의 하나 이상을 구현하는 명령어들(1016)을 저장한다. 명령어들(1016)은 또한, 기계(1000)에 의한 그의 실행 동안, 완전히 또는 부분적으로, 메인 메모리(1032) 내에, 정적 메모리(1034) 내에, 저장 유닛(1036) 내에, 프로세서들(1010) 중 적어도 하나 내에(예컨대, 프로세서의 캐시 메모리 내에), 또는 이들의 임의의 적합한 조합으로 상주할 수 있다.
I/O 컴포넌트들(1050)은, 입력을 수신하고, 출력을 제공하고, 출력을 생성하고, 정보를 송신하고, 정보를 교환하고, 측정들을 포착하는 등을 행하기 위한 광범위하게 다양한 컴포넌트들을 포함할 수 있다. 특정 기계에 포함되는 특정 I/O 컴포넌트들(1050)은 기계의 유형에 의존할 것이다. 예컨대, 휴대용 기계들, 이를테면 모바일 폰들은 터치 입력 디바이스 또는 다른 그러한 입력 메커니즘들을 포함할 가능성이 있을 것인 반면, 헤드리스(headless) 서버 기계는 그러한 터치 입력 디바이스를 포함하지 않을 가능성이 있을 것이다. I/O 컴포넌트들(1050)은 도 10에 도시되지 않은 많은 다른 컴포넌트를 포함할 수 있다는 것이 인식될 것이다. I/O 컴포넌트들(1050)은 단지 다음의 논의를 단순화하기 위해 기능성에 따라 그룹화되고, 그룹화는 어떠한 방식으로도 제한적인 것이 아니다. 다양한 실시예들에서, I/O 컴포넌트들(1050)은 출력 컴포넌트들(1052) 및 입력 컴포넌트들(1054)을 포함할 수 있다. 출력 컴포넌트들(1052)은, 시각적 컴포넌트들(예컨대, 디스플레이, 이를테면, 플라즈마 디스플레이 패널(PDP), 발광 다이오드(LED) 디스플레이, 액정 디스플레이(LCD), 프로젝터, 또는 음극선관(CRT)), 음향 컴포넌트들(예컨대, 스피커들), 햅틱 컴포넌트들(예컨대, 진동 모터, 저항 메커니즘), 다른 신호 생성기들 등을 포함할 수 있다. 입력 컴포넌트들(1054)은, 문자숫자식 입력 컴포넌트들(예컨대, 키보드, 문자숫자식 입력을 수신하도록 구성되는 터치 스크린, 광-광학(photo-optical) 키보드, 또는 다른 문자숫자식 입력 컴포넌트들), 포인트 기반 입력 컴포넌트들(예컨대, 마우스, 터치패드, 트랙볼, 조이스틱, 모션 센서, 또는 다른 포인팅 기기), 촉각적 입력 컴포넌트들(예컨대, 물리적 버튼, 터치들 또는 터치 제스처들의 위치 및/또는 힘을 제공하는 터치 스크린, 또는 다른 촉각적 입력 컴포넌트들), 오디오 입력 컴포넌트들(예컨대, 마이크로폰) 등을 포함할 수 있다.
추가적인 실시예들에서, I/O 컴포넌트들(1050)은, 광범위한 다른 컴포넌트들 중에서도, 생체인식 컴포넌트들(1056), 모션 컴포넌트들(1058), 환경 컴포넌트들(1060), 또는 포지션 컴포넌트들(1062)을 포함할 수 있다. 모션 컴포넌트들(1058)은, 가속도 센서 컴포넌트들(예컨대, 가속도계), 중력 센서 컴포넌트들, 회전 센서 컴포넌트들(예컨대, 자이로스코프) 등을 포함할 수 있다. 환경 컴포넌트들(1060)은, 예컨대, 조명 센서 컴포넌트들(예컨대, 광도계), 온도 센서 컴포넌트들(예컨대, 주변 온도를 검출하는 하나 이상의 온도계), 습도 센서 컴포넌트들, 압력 센서 컴포넌트들(예컨대, 기압계), 음향 센서 컴포넌트들(예컨대, 배경 잡음을 검출하는 하나 이상의 마이크로폰), 근접 센서 컴포넌트들(예컨대, 인근 객체들을 검출하는 적외선 센서들), 가스 센서들(예컨대, 안전을 위해 위험한 가스들의 농도들을 검출하거나 대기 중의 오염 물질들을 측정하기 위한 가스 검출 센서들), 또는 주변 물리적 환경에 대응하는 표시들, 측정들, 또는 신호들을 제공할 수 있는 다른 컴포넌트들을 포함할 수 있다. 포지션 컴포넌트들(1062)은, 위치 센서 컴포넌트들(예컨대, 글로벌 위치결정 시스템(GPS) 수신기 컴포넌트), 고도 센서 컴포넌트들(예컨대, 고도계들 또는 고도가 도출될 수 있는 공기 압력을 검출하는 기압계들), 배향 센서 컴포넌트들(예컨대, 자력계들) 등을 포함할 수 있다.
통신은 광범위하게 다양한 기술들을 사용하여 구현될 수 있다. I/O 컴포넌트들(1050)은, 기계(1000)를 결합(1082) 및 결합(1072)을 통해 각각 네트워크(1080) 또는 디바이스들(1070)에 결합하도록 동작가능한 통신 컴포넌트들(1064)을 포함할 수 있다. 예컨대, 통신 컴포넌트들(1064)은, 네트워크 인터페이스 컴포넌트 또는 네트워크(1080)와 인터페이싱하기 위한 다른 적합한 디바이스를 포함할 수 있다. 추가적인 예들에서, 통신 컴포넌트들(1064)은, 유선 통신 컴포넌트들, 무선 통신 컴포넌트들, 셀룰러 통신 컴포넌트들, 근접장 통신(NFC) 컴포넌트들, Bluetooth® 컴포넌트들(예컨대, Bluetooth® Low Energy), Wi-Fi® 컴포넌트들, 및 다른 양태들을 통해 통신을 제공하기 위한 다른 통신 컴포넌트들을 포함할 수 있다. 디바이스(1070)는, 다른 기계 또는 광범위하게 다양한 주변 디바이스들(예컨대, USB를 통해 결합된 주변 디바이스) 중 임의의 것일 수 있다.
더욱이, 통신 컴포넌트들(1064)은 식별자들을 검출할 수 있거나 또는 식별자들을 검출하도록 동작가능한 컴포넌트들을 포함할 수 있다. 예컨대, 통신 컴포넌트들(1064)은 라디오 주파수 식별(RFID) 태그 판독기 컴포넌트들, NFC 스마트 태그 검출 컴포넌트들, 광학 판독기 컴포넌트들(예컨대, 범용 제품 코드(Universal Product Code)(UPC) 바 코드와 같은 1차원 바 코드들, 신속 응답(Quick Response)(QR) 코드와 같은 다차원 바 코드들, 아즈텍(Aztec) 코드, 데이터 매트릭스(Data Matrix), 데이터글리프(Dataglyph), 맥시코드(MaxiCode), PDF417, 울트라 코드(Ultra Code), UCC RSS-2D 바 코드, 및 다른 광학 코드들을 검출하기 위한 광학 센서), 또는 음향 검출 컴포넌트들(예컨대, 태그지정된 오디오 신호들을 식별하기 위한 마이크로폰들)을 포함할 수 있다. 게다가, 인터넷 프로토콜(IP) 지리위치를 통한 위치, Wi-Fi® 신호 삼각측량을 통한 위치, 특정 위치를 표시할 수 있는 NFC 비컨 신호를 검출하는 것을 통한 위치 등과 같은 다양한 정보가 통신 컴포넌트들(1064)을 통해 도출될 수 있다.
특정 실시예들은 본원에서 로직 또는 다수의 컴포넌트들, 모듈들, 요소들, 또는 메커니즘들을 포함하는 것으로서 설명된다. 그러한 모듈들은 소프트웨어 모듈들(예컨대, 기계 판독가능 매체 상에 또는 송신 신호에서 구현된 코드) 또는 하드웨어 모듈들을 구성할 수 있다. "하드웨어 모듈"은 특정 동작들을 수행하는 것이 가능한 유형적(tangible) 유닛이고, 특정 물리적 방식으로 구성 또는 배열될 수 있다. 다양한 예시적인 실시예들에서, 하나 이상의 컴퓨터 시스템(예컨대, 독립형 컴퓨터 시스템, 클라이언트 컴퓨터 시스템, 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 모듈(예컨대, 프로세서 또는 프로세서들의 그룹)은, 본원에서 설명된 바와 같은 특정 동작들을 수행하도록 동작하는 하드웨어 모듈로서 소프트웨어(예컨대, 애플리케이션 또는 애플리케이션 부분)에 의해 구성된다.
일부 실시예들에서, 하드웨어 모듈은, 기계적으로, 전자적으로, 또는 이들의 임의의 적절한 조합으로 구현된다. 예컨대, 하드웨어 모듈은, 특정 동작들을 수행하도록 영구적으로 구성되는 전용 회로 또는 로직을 포함할 수 있다. 예컨대, 하드웨어 모듈은, 특수 목적 프로세서, 이를테면, 필드 프로그래밍가능 게이트 어레이(FPGA) 또는 ASIC일 수 있다. 하드웨어 모듈은 또한, 특정 동작들을 수행하도록 소프트웨어에 의해 일시적으로 구성되는 프로그래밍가능 로직 또는 회로를 포함할 수 있다. 예컨대, 하드웨어 모듈은, 범용 프로세서 또는 다른 프로그래밍가능 프로세서 내에 포함되는 소프트웨어를 포함할 수 있다. 하드웨어 모듈을 기계적으로, 전용이고 영구적으로 구성된 회로로, 또는 일시적으로 구성된 회로(예컨대, 소프트웨어에 의해 구성됨)로 구현하기 위한 결정은 비용 및 시간 고려사항들에 의해 주도될 수 있다는 것이 인식될 것이다.
그에 따라서, "모듈"이라는 문구는, 특정 방식으로 동작하거나 본원에서 설명된 특정 동작들을 수행하도록 물리적으로 구성되거나, 영구적으로 구성(예컨대, 하드와이어링)되거나, 또는 일시적으로 구성(예컨대, 프로그래밍)되는 엔티티인 유형적 엔티티를 포함하는 것으로 이해되어야 한다. 하드웨어 모듈들이 일시적으로 구성(예컨대, 프로그래밍)되는 실시예들을 고려하면, 하드웨어 모듈들 각각이 시간 단위의 임의의 하나의 인스턴스에서 구성되거나 인스턴스화될 필요는 없다. 예컨대, 하드웨어 모듈이 특수 목적 프로세서가 되도록 소프트웨어에 의해 구성된 범용 프로세서를 포함하는 경우, 범용 프로세서는 상이한 시간들에서 (예컨대, 상이한 하드웨어 모듈들을 포함하는) 각각 상이한 특수 목적 프로세서들로서 구성될 수 있다. 소프트웨어는 그에 따라서, 예컨대, 하나의 시간 인스턴스에서 특정 하드웨어 모듈을 구성하고 상이한 시간 인스턴스에서 상이한 하드웨어 모듈을 구성하도록 특정 프로세서 또는 프로세서들을 구성할 수 있다.
하드웨어 모듈들은 다른 하드웨어 모듈들에 정보를 제공하고, 그로부터 정보를 수신할 수 있다. 그에 따라서, 설명된 하드웨어 모듈들은 통신가능하게 결합되는 것으로 간주될 수 있다. 다수의 하드웨어 모듈들이 동시에 존재하는 경우, 하드웨어 모듈들 중 2개 이상 사이의 또는 그들 간의 (예컨대, 적절한 회로들 및 버스들을 통한) 신호 송신을 통해 통신들이 달성될 수 있다. 상이한 시간들에서 다수의 하드웨어 모듈들이 구성 또는 인스턴스화되는 실시예들에서, 그러한 하드웨어 모듈들 사이의 또는 그들 간의 통신들은, 예컨대, 다수의 하드웨어 모듈들이 액세스할 수 있는 메모리 구조들에서의 정보의 저장 및 리트리벌(retrieval)을 통해 달성될 수 있다. 예컨대, 하나의 하드웨어 모듈은, 동작을 수행하고 그 동작의 출력을 자신이 통신가능하게 결합되는 메모리 디바이스에 저장한다. 이어서, 추가적인 하드웨어 모듈은, 나중의 시간에, 메모리 디바이스에 액세스하여 저장된 출력을 리트리브 및 처리할 수 있다. 하드웨어 모듈들은 또한 입력 또는 출력 디바이스들과의 통신들을 개시할 수 있고, 리소스(예컨대, 정보의 컬렉션)에 대해 동작할 수 있다.
본원에서 설명된 예시적인 방법들의 다양한 동작들은, 관련 동작들을 수행하도록 (예컨대, 소프트웨어에 의해) 일시적으로 구성되거나 영구적으로 구성되는 하나 이상의 프로세서에 의해 적어도 부분적으로 수행될 수 있다. 일시적으로 구성되든 영구적으로 구성되든 간에, 그러한 프로세서들은 본원에서 설명된 하나 이상의 동작 또는 기능을 수행하도록 동작하는 프로세서로 구현된 모듈들을 구성한다. 본원에서 사용되는 바와 같이, "프로세서로 구현된 모듈"은, 하나 이상의 프로세서를 사용하여 구현되는 하드웨어 모듈을 지칭한다.
유사하게, 본원에서 설명된 방법들은 적어도 부분적으로 프로세서로 구현될 수 있으며, 특정 프로세서 또는 프로세서들은 하드웨어의 예이다. 예컨대, 방법의 동작들 중 적어도 일부는 하나 이상의 프로세서 또는 프로세서로 구현된 모듈에 의해 수행될 수 있다. 더욱이, 하나 이상의 프로세서는 또한, "클라우드 컴퓨팅" 환경에서 또는 "서비스로서의 소프트웨어(software as a service)(SaaS)"로서 관련 동작들의 수행을 지원하도록 동작할 수 있다. 예컨대, 동작들 중 적어도 일부는, (프로세서들(1010)을 포함하는 기계들(1000)의 예들로서) 컴퓨터들의 그룹에 의해 수행될 수 있으며, 이러한 동작들은 네트워크(예컨대, 인터넷)를 통해 그리고 하나 이상의 적절한 인터페이스(예컨대, API)를 통해 액세스가능하다. 특정 실시예들에서, 예컨대, 클라이언트 디바이스는 클라우드 컴퓨팅 시스템들과 통신하여 중계 또는 동작할 수 있고, 클라우드 환경에서 회로 설계 정보에 액세스할 수 있다.
동작들 중 특정 동작의 수행은 단일 기계(1000) 내에 상주할 뿐만 아니라 다수의 기계들(1000)에 걸쳐 배치되는 프로세서들 간에 분산될 수 있다. 일부 예시적인 실시예들에서, 프로세서들(1010) 또는 프로세서로 구현된 모듈들은 단일의 지리적 위치에(예컨대, 홈 환경, 사무실 환경, 또는 서버 팜 내에) 위치된다. 다른 예시적인 실시예들에서, 프로세서들 또는 프로세서로 구현된 모듈들은 다수의 지리적 위치들에 걸쳐 분산된다.
실행가능 명령어들 및 기계 저장 매체
다양한 메모리들(즉, 1030, 1032, 1034, 및/또는 프로세서(들)(1010)의 메모리) 및/또는 저장 유닛(1036)은 본원에서 설명된 방법론들 또는 기능들 중 임의의 하나 이상을 구현하거나 그에 의해 활용되는 명령어들(1016) 및 데이터 구조들(예컨대, 소프트웨어)의 하나 이상의 세트를 저장할 수 있다. 이러한 명령어들(예컨대, 명령어들(1016))은, 프로세서(들)(1010)에 의해 실행될 때, 다양한 동작들로 하여금 개시된 실시예들을 구현하게 한다.
본원에서 사용되는 바와 같이, "기계 저장 매체", "디바이스 저장 매체", 및 "컴퓨터 저장 매체"라는 용어들은 동일한 것을 의미하고, 상호교환가능하게 사용될 수 있다. 그 용어들은 실행가능 명령어들(1016) 및/또는 데이터를 저장하는 단일 또는 다수의 저장 디바이스 및/또는 매체(예컨대, 중앙집중형 또는 분산형 데이터베이스, 및/또는 연관된 캐시들 및 서버들)를 지칭한다. 그에 따라서, 그 용어들은, 프로세서들 내부 또는 외부의 메모리를 포함하여, 솔리드-스테이트 메모리들, 및 광학 및 자기 매체를 포함하지만 이에 제한되지 않는 것으로 이해되어야 한다. 기계 저장 매체, 컴퓨터 저장 매체, 및/또는 디바이스 저장 매체의 특정 예들은, 예로서, 반도체 메모리 디바이스들, 예컨대, 소거가능 프로그래밍가능 판독 전용 메모리(EPROM), 전기적으로 소거가능한 프로그래밍가능 판독 전용 메모리(EEPROM), FPGA, 및 플래시 메모리 디바이스들; 내부 하드 디스크들 및 착탈식 디스크들과 같은 자기 디스크들; 자기 광학 디스크들; 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비-휘발성 메모리를 포함한다. "기계 저장 매체", "컴퓨터 저장 매체", 및 "디바이스 저장 매체"라는 용어들은 구체적으로 반송파들, 변조된 데이터 신호들, 및 다른 그러한 매체를 배제하며, 이들 중 적어도 일부는 아래에 논의된 "신호 매체"라는 용어 하에 커버된다.
송신 매체
다양한 실시예들에서, 네트워크(1080)의 하나 이상의 부분은, 애드혹 네트워크, 인트라넷, 엑스트라넷, 가상 사설 네트워크(VPN), LAN, 무선 LAN(WLAN), WAN, 무선 WAN(WWAN), 대도시 영역 네트워크(MAN), 인터넷, 인터넷의 일부분, 공용 교환 전화 네트워크(PSTN)의 일부분, 기존 전화 서비스(POTS) 네트워크, 셀룰러 전화 네트워크, 무선 네트워크, Wi-Fi® 네트워크, 다른 유형의 네트워크, 또는 2개 이상의 그러한 네트워크의 조합일 수 있다. 예컨대, 네트워크(1080) 또는 네트워크(1080)의 일부분은 무선 또는 셀룰러 네트워크를 포함할 수 있고, 결합(1082)은 코드 분할 다중 액세스(CDMA) 연결, 모바일 통신들을 위한 글로벌 시스템(GSM) 연결, 또는 다른 유형의 셀룰러 또는 무선 결합을 포함할 수 있다. 이러한 예에서, 결합(1082)은, 다양한 유형들의 데이터 전송 기술, 이를테면, 단일 캐리어 라디오 송신 기술(1xRTT), 진화-데이터 최적화(Evolution-Data Optimized)(EVDO) 기술, 일반 패킷 라디오 서비스(GPRS) 기술, GSM 진화를 위한 향상된 데이터 레이트(EDGE) 기술, 3G를 포함하는 3세대 파트너쉽 프로젝트(3GPP), 4세대 무선(4G) 네트워크들, 범용 모바일 원격통신 시스템(UMTS), 고속 패킷 액세스(HSPA), 마이크로파 액세스를 위한 범세계적 상호운용성(WiMAX), 롱 텀 에볼루션(LTE) 표준, 다양한 표준-세팅 조직들에 의해 정의된 다른 것들, 다른 장거리 프로토콜들, 또는 다른 데이터 전송 기술 중 임의의 것을 구현할 수 있다.
명령어들은 네트워크 인터페이스 디바이스(예컨대, 통신 컴포넌트들에 포함된 네트워크 인터페이스 컴포넌트)를 통해 송신 매체를 사용하여 그리고 다수의 잘 알려져 있는 전송 프로토콜들(예컨대, 하이퍼텍스트 전송 프로토콜(HTTP)) 중 임의의 것을 활용하여 네트워크를 통해 송신 또는 수신될 수 있다. 유사하게, 명령어들은 디바이스들(1070)에 대한 결합(예컨대, 피어-투-피어 결합)을 통해 송신 매체를 사용하여 송신 또는 수신될 수 있다. "송신 매체" 및 "신호 매체"라는 용어들은 동일한 것을 의미하고, 본 개시내용에서 상호교환 가능하게 사용될 수 있다. "송신 매체" 및 "신호 매체"라는 용어들은, 기계에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 보유하는 것이 가능한 임의의 무형적(intangible) 매체를 포함하고 그러한 소프트웨어의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 다른 무형적 매체를 포함하는 것으로 이해되어야 한다. 그러므로, "송신 매체" 및 "신호 매체"라는 용어들은, 임의의 형태의 변조된 데이터 신호, 반송파 등을 포함하는 것으로 이해되어야 한다. "변조된 데이터 신호"라는 용어는, 신호 내의 정보를 인코딩하기 위한 그러한 방식으로 설정 또는 변경된 그 특성들 중 하나 이상을 갖는 신호를 의미한다.
컴퓨터 판독가능 매체
"기계 판독가능 매체", "컴퓨터 판독가능 매체", 및 "디바이스 판독가능 매체"라는 용어들은 동일한 것을 의미하고, 본 개시내용에서 상호교환가능하게 사용될 수 있다. 그 용어들은 기계 저장 매체 및 송신 매체 둘 모두를 포함하도록 정의된다. 그에 따라, 그 용어들은 저장 디바이스들/매체 및 반송파들/변조된 데이터 신호들 둘 모두를 포함한다. 예를 들면, 본원에서 설명된 실시예는 비-일시적인 매체(예컨대, 비-일시적인 컴퓨터 판독가능 매체)를 사용하여 구현될 수 있다.
본 명세서 전반에 걸쳐, 복수의 인스턴스들이 단일 인스턴스로서 설명된 리소스들, 컴포넌트들, 동작들, 또는 구조들을 구현할 수 있다. 하나 이상의 방법의 개별 동작들이 별개의 동작들로서 예시되고 설명되지만, 개별 동작들 중 하나 이상은 동시에 수행될 수 있고, 동작들이 예시된 순서로 수행될 것이 요구되지는 않는다. 예시적인 구성들에서 별개의 컴포넌트들로서 제시된 구조들 및 기능성은 결합된 구조 또는 컴포넌트로서 구현될 수 있다. 유사하게, 단일 컴포넌트로서 제시된 구조들 및 기능성은 별개의 컴포넌트들로서 구현될 수 있다.
본원에서 사용되는 바와 같이, "또는"이라는 용어는 포괄적 또는 배타적 의미로 해석될 수 있다. 단수형의 용어들은 "적어도 하나", "하나 이상" 등을 의미하는 것으로 읽혀져야 한다. 일부 예시들에서 "하나 이상", "적어도", "이에 제한되지 않는", 또는 다른 유사한 문구들과 같은 확장 단어들 및 문구들의 존재는 그러한 확장 문구들이 부재할 수 있는 예시들에서 더 좁은 사례가 의도되거나 요구된다는 것을 의미하는 것으로 읽혀져서는 안 된다. 부가적으로, 다양한 리소스들, 동작들, 모듈들, 엔진들, 및 데이터 저장소들 사이의 경계들은 다소 임의적이고, 특정 동작들은 특정한 예시적인 구성들의 맥락에서 예시된다. 기능성의 다른 할당들이 고려되고, 이는 다양한 실시예들의 범위 내에 속할 수 있다. 그에 따라서, 본 명세서 및 도면들은, 제한적인 의미보다는 예시적인 것으로 간주되어야 한다.
그 범위를 벗어나지 않으면서 개시된 실시예들에 대해 변경들 및 수정들이 이루어질 수 있다는 것이 이해될 것이다. 이들 및 다른 변경들 또는 수정들은 그 범위 내에 포함되는 것으로 의도된다.

Claims (20)

  1. 방법으로서,
    하드웨어 프로세서에 의해, 미디어 자산에 대한 콘텐츠 데이터에 액세스하는 단계 ― 상기 미디어 자산은 출처지 문화 및 목적지 문화에 대응함 ―;
    상기 하드웨어 프로세서에 의해, 상기 미디어 자산의 콘텐츠 데이터 내의 타임스탬프에서의 이벤트를 결정하는 단계 ― 상기 이벤트는 문화적 속성 범주와 관련됨 ―;
    상기 하드웨어 프로세서에 의해, 상기 출처지 문화에 대응하는 제1 지리적 지역 및 상기 목적지 문화에 대응하는 제2 지리적 지역을 식별하는 단계;
    상기 하드웨어 프로세서에 의해, 상기 제1 지리적 지역과 연관된 상기 문화적 속성 범주의 제1 가중 값에 액세스하는 단계;
    상기 하드웨어 프로세서에 의해, 상기 제2 지리적 지역과 연관된 상기 문화적 속성 범주의 제2 가중 값에 액세스하는 단계;
    기계 학습 알고리즘을 사용하여, 상기 하드웨어 프로세서에 의해, 상기 제1 가중 값, 상기 제2 가중 값, 및 상기 이벤트의 컨텍스트 데이터에 기반하여 상기 이벤트의 문화적 거리 점수를 생성하는 단계; 및
    상기 하드웨어 프로세서에 의해, 클라이언트 디바이스의 사용자 인터페이스 상에 상기 미디어 자산의 문화적 거리 점수의 디스플레이를 야기하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 미디어 자산의 콘텐츠 데이터에 기반하여 상기 이벤트의 컨텍스트 데이터를 결정하는 단계를 포함하는, 방법.
  3. 제1항에 있어서,
    상기 제1 지리적 지역은 상기 미디어 자산이 생성되는 지역이고, 상기 제2 지리적 지역은 상기 미디어 자산이 출시를 위해 표적화되는 지역인, 방법.
  4. 제1항에 있어서,
    상기 기계 학습 알고리즘은, 결정 트리 알고리즘, 랜덤 포레스트 알고리즘, 그래프 신경망(GNN) 알고리즘, 또는 행렬 인수분해 알고리즘 중 적어도 하나를 포함하며, 상기 기계 학습 알고리즘은 표현 학습 프레임워크에 대응하는, 방법.
  5. 제1항에 있어서,
    상기 기계 학습 알고리즘을 사용하여, 상기 하드웨어 프로세서에 의해, 상기 제1 가중 값, 상기 제2 가중 값, 및 상기 이벤트의 컨텍스트 데이터에 기반하여 상기 이벤트의 문화적 거리 점수를 생성하는 단계는,
    상기 이벤트의 컨텍스트 데이터에 기반하여 제3 가중 값을 식별하는 단계 ― 상기 컨텍스트 데이터는 상기 이벤트의 콘텐츠를 기술하고, 상기 제3 가중 값은 상기 제2 지리적 지역과 연관됨 ―; 및
    상기 문화적 거리 점수를 생성하기 위해 상기 제1 가중 값 및 상기 제2 가중 값을 상기 제3 가중 값에 적용하는 단계
    를 포함하는, 방법.
  6. 제5항에 있어서,
    상기 문화적 거리 점수가 상기 클라이언트 디바이스 상의 상기 사용자 인터페이스 상에 디스플레이된 후에, 상기 클라이언트 디바이스로부터 피드백 점수를 수신하는 단계;
    상기 피드백 점수와 상기 문화적 거리 점수 사이의 차이를 결정하는 단계; 및
    상기 차이에 기반하여 상기 기계 학습 알고리즘을 조정하는 단계
    를 포함하는, 방법.
  7. 제5항에 있어서,
    상기 제3 가중 값은, 상기 제2 지리적 지역과 연관된 문화적 속성들의 계층구조로부터 식별되는 제1 문화적 속성에 대응하는, 방법.
  8. 제1항에 있어서,
    상기 문화적 거리 점수의 값에 기반하여, 상기 목적지 문화의 시청자에 의한 상기 이벤트의 예측 매력의 레벨을 결정하는 단계를 포함하는, 방법.
  9. 제1항에 있어서,
    상기 콘텐츠 데이터에 기반하여 상기 미디어 자산의 요소를 결정하는 단계;
    상기 제1 가중 값 및 상기 제2 가중 값에 기반하여 기계 학습 알고리즘을 상기 요소에 적용함으로써 제2 문화적 거리 점수를 생성하는 단계 ― 상기 문화적 거리 점수는 제1 문화적 거리 점수임 ―; 및
    상기 제2 문화적 거리 점수에 기반하여 상기 미디어 자산의 제1 문화적 거리 점수를 조정하는 단계
    를 포함하는, 방법.
  10. 제9항에 있어서,
    상기 요소는 상기 미디어 자산의 테마 또는 장르인, 방법.
  11. 제1항에 있어서,
    상기 미디어 자산은 비디오 콘텐츠 아이템 또는 오디오 콘텐츠 아이템인, 방법.
  12. 제1항에 있어서,
    상기 미디어 자산과 연관된 메타데이터에 액세스하는 단계 ― 상기 메타데이터는 상기 미디어 자산의 시간 기반 요소를 포함함 ―; 및
    상기 시간 기반 요소에 기반하여 상기 문화적 거리 점수를 조정하는 단계
    를 포함하는, 방법.
  13. 제12항에 있어서,
    상기 시간 기반 요소는, 상기 미디어 자산의 콘텐츠의 제작 연도, 최초 출시 연도, 소비 날짜, 또는 시간 기간 중 적어도 하나를 포함하는, 방법.
  14. 제1항에 있어서,
    상기 미디어 자산과 연관된 메타데이터에 액세스하는 단계 ― 상기 메타데이터는 상기 제2 지리적 지역의 지리적 지식 기반 요소를 포함함 ―; 및
    상기 지리적 지식 기반 요소에 기반하여 상기 문화적 거리 점수를 조정하는 단계
    를 포함하는, 방법.
  15. 제14항에 있어서,
    상기 지리적 지식 기반 요소는 상기 제2 지리적 지역과 연관된 현재 정책, 법, 또는 뉴스 이벤트 중 적어도 하나에 대응하는, 방법.
  16. 제15항에 있어서,
    상기 지리적 지식 기반 요소에 대한 변경을 검출하는 단계; 및
    상기 지리적 지식 기반 요소에 대한 변경에 기반하여 상기 제2 지리적 지역과 연관된 상기 문화적 속성 범주의 제2 가중 값을 업데이트하는 단계
    를 포함하는, 방법.
  17. 시스템으로서,
    명령어들이 저장되는 메모리; 및
    상기 메모리에 통신가능하게 결합되고 상기 명령어들에 의해 동작들을 수행하도록 구성되는 하나 이상의 하드웨어 프로세서
    를 포함하며, 상기 동작들은,
    미디어 자산에 대한 콘텐츠 데이터에 액세스하는 것 ― 상기 미디어 자산은 출처지 문화 및 목적지 문화에 대응함 ―,
    상기 미디어 자산의 콘텐츠 데이터 내의 타임스탬프에서의 이벤트를 결정하는 것 ― 상기 이벤트는 문화적 속성 범주와 관련됨 ―,
    상기 출처지 문화에 대응하는 제1 지리적 지역 및 상기 목적지 문화에 대응하는 제2 지리적 지역을 식별하는 것,
    상기 제1 지리적 지역과 연관된 상기 문화적 속성 범주의 제1 가중 값에 액세스하는 것,
    상기 제2 지리적 지역과 연관된 상기 문화적 속성 범주의 제2 가중 값에 액세스하는 것,
    기계 학습 알고리즘을 사용하여, 상기 제1 가중 값, 상기 제2 가중 값, 및 상기 이벤트의 컨텍스트 데이터에 기반하여 상기 이벤트의 문화적 거리 점수를 생성하는 것, 및
    클라이언트 디바이스의 사용자 인터페이스 상에 상기 미디어 자산의 문화적 거리 점수의 디스플레이를 야기하는 것
    을 포함하는, 시스템.
  18. 제17항에 있어서,
    상기 기계 학습 알고리즘을 사용하여, 상기 제1 가중 값, 상기 제2 가중 값, 및 상기 이벤트의 컨텍스트 데이터에 기반하여 상기 이벤트의 문화적 거리 점수를 생성하는 것은,
    상기 이벤트의 컨텍스트 데이터에 기반하여 제3 가중 값을 식별하는 것 ― 상기 컨텍스트 데이터는 상기 이벤트의 콘텐츠를 기술하고, 상기 제3 가중 값은 상기 제2 지리적 지역과 연관됨 ―; 및
    상기 문화적 거리 점수를 생성하기 위해 상기 제1 가중 값 및 상기 제2 가중 값을 상기 제3 가중 값에 적용하는 것
    을 포함하는, 시스템.
  19. 제18항에 있어서, 상기 동작들은,
    상기 문화적 거리 점수가 상기 클라이언트 디바이스 상의 상기 사용자 인터페이스 상에 디스플레이된 후에, 상기 클라이언트 디바이스로부터 피드백 점수를 수신하는 것;
    상기 피드백 점수와 상기 문화적 거리 점수 사이의 차이를 결정하는 것; 및
    상기 차이에 기반하여 상기 기계 학습 알고리즘을 조정하는 것
    을 포함하는, 시스템.
  20. 명령어들을 포함하는 비-일시적인 컴퓨터 판독가능 매체로서,
    상기 명령어들은, 디바이스의 하드웨어 프로세서에 의해 실행될 때, 상기 디바이스로 하여금 동작들을 수행하게 하며, 상기 동작들은,
    미디어 자산에 대한 콘텐츠 데이터에 액세스하는 것 ― 상기 미디어 자산은 출처지 문화 및 목적지 문화에 대응함 ―;
    상기 미디어 자산의 콘텐츠 데이터 내의 타임스탬프에서의 이벤트를 결정하는 것 ― 상기 이벤트는 문화적 속성 범주와 관련됨 ―;
    상기 출처지 문화에 대응하는 제1 지리적 지역 및 상기 목적지 문화에 대응하는 제2 지리적 지역을 식별하는 것;
    상기 제1 지리적 지역과 연관된 상기 문화적 속성 범주의 제1 가중 값에 액세스하는 것;
    상기 제2 지리적 지역과 연관된 상기 문화적 속성 범주의 제2 가중 값에 액세스하는 것;
    기계 학습 알고리즘을 사용하여, 상기 제1 가중 값, 상기 제2 가중 값, 및 상기 이벤트의 컨텍스트 데이터에 기반하여 상기 이벤트의 문화적 거리 점수를 생성하는 것; 및
    클라이언트 디바이스의 사용자 인터페이스 상에 상기 미디어 자산의 문화적 거리 점수의 디스플레이를 야기하는 것
    을 포함하는, 비-일시적인 컴퓨터 판독가능 매체.
KR1020237045412A 2021-06-01 2022-04-21 미디어 자산에 대한 문화적 거리 예측 시스템 KR20240049519A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/336,229 US11523181B1 (en) 2021-06-01 2021-06-01 Cultural distance prediction system for media asset
US17/336,229 2021-06-01
PCT/US2022/025676 WO2022256093A1 (en) 2021-06-01 2022-04-21 Cultural distance prediction system for media asset

Publications (1)

Publication Number Publication Date
KR20240049519A true KR20240049519A (ko) 2024-04-16

Family

ID=84194538

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237045412A KR20240049519A (ko) 2021-06-01 2022-04-21 미디어 자산에 대한 문화적 거리 예측 시스템

Country Status (5)

Country Link
US (3) US11523181B1 (ko)
EP (1) EP4349022A1 (ko)
KR (1) KR20240049519A (ko)
AU (1) AU2022286823A1 (ko)
WO (1) WO2022256093A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11874868B2 (en) * 2021-06-14 2024-01-16 Microsoft Tech LLC nology Licensing, LLC Generating and presenting multi-dimensional representations for complex entities
GB2612771A (en) * 2021-11-05 2023-05-17 British Board Of Film Classification A method of converting an age rating of media content
US11882157B2 (en) * 2022-01-25 2024-01-23 Sevco Security, Inc. Method for configuring actions responsive to conditions of assets connected to a computer network

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7958457B1 (en) * 1999-12-20 2011-06-07 Wireless Agents, Llc Method and apparatus for scheduling presentation of digital content on a personal communication device
US9674579B1 (en) * 2014-03-31 2017-06-06 Google Inc. Rating videos based on parental feedback
US10643074B1 (en) 2018-06-08 2020-05-05 Amazon Technologies, Inc. Automated video ratings
US10897649B1 (en) 2018-09-26 2021-01-19 Amazon Technologies, Inc. Mature themes prediction for online content
US10848791B1 (en) 2018-10-30 2020-11-24 Amazon Technologies, Inc. Determining portions of video content based on artificial intelligence model
US10897658B1 (en) 2019-04-25 2021-01-19 Amazon Technologies, Inc. Techniques for annotating media content

Also Published As

Publication number Publication date
WO2022256093A1 (en) 2022-12-08
EP4349022A1 (en) 2024-04-10
US20230106218A1 (en) 2023-04-06
US20240267590A1 (en) 2024-08-08
US20220385974A1 (en) 2022-12-01
US11917245B2 (en) 2024-02-27
AU2022286823A1 (en) 2024-01-18
US11523181B1 (en) 2022-12-06

Similar Documents

Publication Publication Date Title
US11159671B2 (en) User interface for surfacing contextual actions in a mobile computing device
US11917245B2 (en) Cultural distance prediction system for media asset
CN109241347B (zh) 用于内容反应注释的系统和方法
US20180174106A1 (en) Finding virtual teams with members that match a user's professional skills
US20180285824A1 (en) Search based on interactions of social connections with companies offering jobs
US20140157422A1 (en) Combining personalization and privacy locally on devices
US11399214B1 (en) Media asset rating prediction for geographic region
US11297027B1 (en) Automated image processing and insight presentation
US20230010938A1 (en) Content genome generation and management system in a multi-modal artificial intelligence system for media assets
KR20210107164A (ko) 상호작용형 정보 인터페이스
US12131538B2 (en) Context-aware event based annotation system for media asset
US11775601B2 (en) User electronic message system
US20180225632A1 (en) Finding virtual teams within a company according to organizational hierarchy
US20180174105A1 (en) Job search based on the strength of virtual teams at the companies offering the jobs
US20230085466A1 (en) Determining user affinities for content generation applications
US12105932B2 (en) Context based interface options
US20190362013A1 (en) Automated sourcing user interface
US11860888B2 (en) Event detection system
CN116601961A (zh) 视觉标签显露模式检测