KR20240082162A - 인공지능 기반 여행자 여행 성향을 분석하는 방법 및 전자장치 - Google Patents

인공지능 기반 여행자 여행 성향을 분석하는 방법 및 전자장치 Download PDF

Info

Publication number
KR20240082162A
KR20240082162A KR1020230077831A KR20230077831A KR20240082162A KR 20240082162 A KR20240082162 A KR 20240082162A KR 1020230077831 A KR1020230077831 A KR 1020230077831A KR 20230077831 A KR20230077831 A KR 20230077831A KR 20240082162 A KR20240082162 A KR 20240082162A
Authority
KR
South Korea
Prior art keywords
travel
propensity
user
travel propensity
artificial intelligence
Prior art date
Application number
KR1020230077831A
Other languages
English (en)
Inventor
김명준
Original Assignee
주식회사 트립빌더
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 주식회사 트립빌더 filed Critical 주식회사 트립빌더
Publication of KR20240082162A publication Critical patent/KR20240082162A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies
    • 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
    • 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
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 일 실시 예에 따른 전자 장치가 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 일 실시 예에 따른 전자 장치가 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법은 여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계; 및 상기 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계; 를 포함할 수 있다.

Description

인공지능 기반 여행자 여행 성향을 분석하는 방법 및 전자장치 {LEARNING METHOD OF ARTIFICIAL INTELLIGENCE MODEL FOR ANALYZING TRAVELER TRAVEL PROPENSITY AND ELECTRONIC APPARATUS}
본 개시는 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 보다 상세하게는, 사용자의 여행 성향을 식별하는 특징 데이터를 출력하는 인공지능 모델을 학습시키는 방법 및 이를 수행하는 전자 장치에 관한 것이다.
혼자 여행 또는 즉흥 여행 문화의 확산으로 여행 성향 및 취향 기반의 여행 추천 서비스에 대한 수요가 증가하고 있다. 일반적인 여행 추천 기술의 경우, 많은 트래픽과 여행 데이터가 발생하는 경우 적합할 수 있음은 별론, 여행 산업 분야는 신규 유입 여행자가 많지 않고, 트래픽이 낮은 특성이 있다.
따라서, 종래 인공지능 기술을 활용하여 여행 컨텐츠를 추천하기 위한 기술들이 개시되어 왔으나, 정확한 여행 컨텐츠 추천을 위한 학습 데이터를 확보하는데 어려움이 있기 때문에 트래픽이 적은 여행 산업 분야에 적합하지 않은 문제점이 있으며, 또한, 대부분의 여행 추천 기술의 경우 적은 트래픽으로 인해 충분한 학습용 데이터 베이스를 구축하지 못하고, 그 결과 사용자의 성향에 적합한 여행 컨텐츠를 추천하는데 한계가 있다.
또한, 종래 인공지능 기술을 활용한 여행 추천 기술의 경우, 이용하는 학습용 데이터의 객관성 신뢰도가 담보되지 않는 문제점이 있으며, 여행에 영향을 미치는 다양한 요인을 완벽하게 고려하는 것이 불가할 뿐만 아니라, 여행 계절, 동반 유형 등에 따라 여행자의 성향 및 취향이 변하는 현상을 반영하지 못하는 한계가 있다.
따라서, 트래픽이 낮은 여행 산업 분야에서 사용자의 여행 성향을 분석하고, 이를 통해 사용자의 여행 성향에 적합한 여행 컨텐츠 추천 기술 개발이 요구되고 있다.
한국등록특허 제2236546호
일 실시 예에 의하면, 사용자의 여행 성향을 분석하는 인공지능 모델을 학습시키는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
일 실시 예에 의하면, 서로 다른 수준으로 응답 데이터들을 클러스터링함으로써 사용자의 여행 성향을 식별하는 인공지능 모델 학습 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시 예에 의하면, 전자 장치가 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법에 있어서, 여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계; 및 상기 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계; 를 포함하는, 방법이 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 또 다른 실시 예에 의하면, 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 전자 장치에 있어서, 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하고, 상기 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는, 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 또 다른 실시 예에 의하면, 전자 장치가 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법에 있어서, 여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계; 및 상기 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계; 를 포함하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
일 실시 예에 의하면, 사용자 여행 성향 분석 인공지능 모델을 이용함으로써 적은 양의 질문만으로도 사용자의 여행 성향을 정확하게 식별할 수 있다.
일 실시 예에 의하면 트래픽이 낮은 여행 산업 분야에서 여행자 여행 성향 분석을 위한 인공지능 모델의 정확도를 향상시킬 수 있다.
일 실시 예에 의하면, 학습 데이터 구축을 기반으로 여행자의 여행 성향을 정확하게 식별할 수 있다.
도 1은 일 실시 예에 따른 사용자의 여행 성향을 식별하는 전자 장치 및 이를 포함하는 사용자의 여행 성향 분석 시스템이 사용자의 여행 성향을 식별하는 과정을 개략적으로 나타내는 도면이다.
도 2는 일 실시 예에 따른 전자 장치가 시뮬레이션을 통해 응답 데이터를 획득하는 과정을 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 전자 장치가 제공하는 사용자 여행 성향 컨텐츠를 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른 전자 장치가 사용자의 여행 성향을 식별하는 방법의 흐름도이다.
도 5는 일 실시 예에 따른 사용자 여행 성향 분석 인공지능 모델의 구조를 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 사용자 여행 성향 분석 인공 지능 모델의 입출력 값을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 전자 장치가 피드백 정보를 서버로 전송하는 구체적인 과정을 나타내는 흐름도이다.
도 8은 일 실시 예에 따른 전자 장치가 사용자 여행 성향 분석 인공지능 모델을 학습시키는 방법의 흐름도이다.
도 9는 일 실시 예에 따른 전자 장치가 사용자 여행 성향 분석 인공지능 모델을 구축하는 구체적인 방법의 흐름도이다.
도 10은 일 실시 예에 따른 전자 장치가 사용자 여행 성향 분석 인공지능 모델을 학습시키는 구체적인 방법의 흐름도이다.
도 11은 일 실시 예에 따른 전자 장치가 이용하는 사용자 여행 성향 변수의 예시를 나타내는 도면이다.
도 12는 일 실시 예에 따른 전자 장치의 블록도이다.
도 13은 또 다른 실시 예에 따른 전자 장치의 블록도이다.
도 14는 일 실시 예에 따른 서버의 블록도이다.
도 15는 일 실시 예에 따른 전자 장치 및 서버가 서로 연동함으로써, 사용자의 여행 성향을 식별하는 방법을 나타내는 흐름도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따른 사용자의 여행 성향을 식별하는 전자 장치 및 이를 포함하는 사용자의 여행 성향 분석 시스템이 사용자의 여행 성향을 식별하는 과정을 개략적으로 나타내는 도면이다.
일 실시 예에 의하면, 사용자 여행 성향 분석 시스템(10)은 사용자 응답 데이터를 획득하고, 획득된 사용자 응답 데이터가 나타내는 사용자의 여행 성향을 식별하는 성향 특징 데이터를 결정하며, 성향 특징 데이터에 기초하여 여행 성향 컨텐츠를 출력할 수 있다. 예를 들어, 사용자 여행 성향 분석 시스템(10)은 사용자의 여행 성향을 분석하고, 빅데이터를 통해 획득되는 여행 장소의 특성을 식별하며, 식별된 여행 장소 특성과 사용자의 여행 성향을 매칭함으로써 여행 컨텐츠를 추천하는 사용자 맞춤형 여행 추천 서비스를 제공할 수 있다.
일 실시 예에 의하면, 사용자 여행 성향 분석 시스템(10)은 전자 장치(1000) 및 서버(2000)를 포함할 수 있다. 또 다른 실시 예에 의하면, 사용자 여행 성향 분석 시스템(10)은 전자 장치(1000), 서버(2000) 및 전자 장치(4000)를 포함할 수도 있다. 상술한 예에 한정되는 것은 아니며, 사용자 여행 성향 분석 시스템(10)은 적은 양의 질의들을 포함하는 시뮬레이션을 통해 사용자의 여행 성향을 효과적으로 분석하며, 여행 성향 컨텐츠를 다른 전자 장치 또는 다른 전자 장치와 연결된 서버에 공유할 수 있다.
이하 본 명세서에서는 전자 장치(1000)와 서버(2000)를 분리하여 도시하였지만, 이하 사용자 여행 성향을 식별하는 과정의 전체 또는 적어도 일부는 전자 장치(1000), 서버(2000) 또는 전자 장치(1000) 및 서버(2000)의 연동에 의해서 수행될 수 있음은 물론이다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 사용자 맞춤형 여행 추천 서비스를 제공하는데 사용되는 서버(2000) 장치에 대응될 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 사용자 입력(120)에 기초하여 획득되는 정보들에 기초하여, 여행 성향 컨텐츠(104)를 제공할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 사용자 입력(102)에 기초하여 응답 데이터를 획득할 수 있다. 또 다른 예에 의하면, 전자 장치(1000)는 응답 데이터와 함께 응답 데이터를 고유하게 식별하는 응답 식별 정보(예컨대 SURVEY ID 또는 서베이 식별 정보), 사용자 정보(예컨대 나이 정보, 성별 정보, 전화번호 정보, 개인 정보 동의 확인 정보, 마케팅 정보 수신 여부 확인 정보)획득할 수 있고, 응답 데이터 획득 이후, 응답 식별정보 및 사용자 정보를 획득할 수도 있다.
전자 장치(1000)는 응답 데이터가 획득되면, 획득된 응답 데이터에 기초하여 결정된 여행 성향 컨텐츠(104)를 출력할 수 있다. 일 실시 예에 의하면, 여행 성향 컨텐츠(104)는 사용자의 여행 성향을 나타내는 캐릭터 이미지, 캐릭터 이름, 여행 성향을 설명하기 위한 복수의 문장 시퀀스들을 포함하는 텍스트 시퀀스, 여행 성향 컨텐츠를 조회하기 위한 링크 정보를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 여행 성향 컨텐츠(104)는 사용자의 여행 성향을 나타내기 위한 기타 정보들을 더 포함할 수 있음은 물론이다.
일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 연동함으로써, S112에서 사용자의 여행 성향을 분석하는 여행 성향 분석 서비스를 실행할 수 있고, S114에서, 소정의 응답 데이터를 획득하기 위한 시뮬레이션을 실행할 수 있으며, S116에서, 시뮬레이션을 통해 사용자 입력을 획득할 수 있고, S118에서, 획득된 사용자 입력뿐만 아니라, 서버로부터 획득되는 여행 성향 컨텐츠 또는 여행 성향 컨텐츠를 결정하는데 사용되는 성향 데이터들을 송수신할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 네트워크(3000)를 통해 연결될 수 있다. 전자 장치(1000)는 네트워크(3000)를 통해 다른 전자 장치(4000)와 연결될 수도 있다. 예를 들어, 사용자 여행 성향 분석 시스템(10)은 사용자 맞춤형 여행 추천 서비스를 사용하는 사용자들에 대한 여행 성향 컨텐츠들을 매칭함으로써 여행 궁합도를 식별할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 다른 전자 장치(4000)와 연동됨으로써, 식별된 여행 성향 컨텐츠에 기초하여 연계되는 다양한 여행 컨텐츠들을 출력할 수도 있다.
일 실시 예에 의하면, 서버(2000)는 인공지능 모델(120)을 저장할 수 있다. 도 1에 도시되지는 않았지만, 전자 장치(1000) 역시 여행 성향 컨텐츠를 결정하는데 사용되는 인공지능 모델(120)을 저장할 수도 있다. 일 실시 예에 의하면, 인공지능 모델(120)은 STTI 네트워크, PREDICT 네트워크(클러스터 식별 네트워크), TRIFIT 네트워크 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 일 실시 예에 의하면 사용자 여행 성향 분석 인공지능 모델(120)은 서로 다른 수준으로 성향 특징 데이터들을 클러스터링할 수 있는 하나 이상의 타입의 클러스터들을 이용하여 사용자 성향 특징 데이터들을 분류하는 신경망 기반 네트워크를 포함할 수 있다.
일 실시 예에 의하면, STTI 네트워크는 응답 데이터가 입력되면, 사용자 여행 성향 변수 별 특징 값을 포함하는 사용자 여행 성향 특징 정보들(예컨대 종합 여행 성향 특징 정보, 세부 여행 성향 특징 정보)을 출력할 수 있고, 클러스터 식별 네트워크는 사용자 여행 성향 특징 정보들이 입력되면, 사용자 여행 성향 특징 정보가 속하는 클러스터의 식별 정보를 출력하는 신경망기반의 네트워크들을 포함할 수 있다. 일 실시 예에 의하면, TRIFIT 네트워크는 장소 특징 분석을 위해 관광 장소를 포함하는 소셜 데이터를 획득하고, 획득된 소셜 데이터(122)가 입력되면 여행 장소 특징 데이터를 출력하는 네트워크일 수 있다.
일 실시 예에 의하면, 서버(2000)는 전자 장치로(1000)로부터 응답 데이터(122)를 획득하고, 획득된 응답 데이터를 사용자 여행 성향 분석 인공지능 모델(120)에 입력함으로써 성향 특징 데이터(124)를 결정할 수 있다. 서버(2000)는 성향 특징 데이터(124)에 기초하여 여행 성향 컨텐츠(104)를 생성할 수 있다. 일 실시 예에 의하면, 서버(2000)는 성향 특징 데이터가 입력되면 여행 성향 컨텐츠를 생성하는 모듈을 이용하여 여행 성향 컨텐츠를 생성할 수도 있다. 서버(2000)는 여행 성향 컨텐츠를 전자 장치(1000)로 전송할 수 있다. 예를 들어, 서버(2000)는 인공지능 모델(120)에서 획득되는 사용자 성향 특징 데이터들을 클러스터링함으로써, 복수의 클러스터들(125)을 생성하고, 응답 데이터에 따른 사용자 성향 특징 데이터가 속하는 클러스터 식별 정보를 결정하며, 결정된 클러스터 식별 정보에 기초하여 여행 성향 컨텐츠를 결정할 수 있다.
도 2는 일 실시 예에 따른 전자 장치가 시뮬레이션을 통해 응답 데이터를 획득하는 과정을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 사용자의 여행 성향 식별을 위해 복수의 질의들(210, 220)을 포함하는 시뮬레이션을 제공할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 소정의 우선 순위에 따른 미리 정해진 응답지 수가 할당되어 있는 복수의 질의들을 제공할 수 있고, 질의들에 대한 응답들을 포함하는 응답 데이터를 획득하며, 획득된 응답 데이터를 서버로 전송할 수 있다. 전자 장치(1000)가 제공하는 시뮬레이션은 미리 할당된 응답지 수가 선택되지 않으면, 다음 단계의 질의를 제공하지 않을 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 시뮬레이션을 통해 제공되는 질의마다 획득되는 응답 데이터가 획득될 때마다 서버로 전송할 수도 있고, 획득된 질의들을 함께 서버로 전송할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 질의들에 대한 응답들이 획득되는데 소요되는 시간, 질의들에 대한 응답자수 중 적어도 하나에 관한 이탈률 정보를 획득하고, 응답 데이터와 함께 이탈률 정보를 서버로 전송할 수 있다. 서버(2000)는 이탈률 정보에 기초하여 사용자가 시뮬레이션 과정에서 이탈한 질의를 식별할 수 있다. 전자 장치 또는 서버 중 적어도 하나를 포함하는 사용자 여행 성향 분석 시스템(10)은 이탈률 정보에 기초하여 사용자의 이탈 경향을 식별하고, 식별된 사용자의 이탈 경향에 기초하여 시뮬레이션을 구성하는 질의 내용을 변경할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 질의들을 제공한 다음, 사용자 정보(240)를 획득하기 위한 인터페이스를 출력하고, 인터페이스를 통해 성별 정보, 나이 정보, 전화번호 정보, 개인정보 동의 여부 확인 정보, 마케팅 정보 수신 여부 확인 정보 중 적어도 하나를 포함하는 사용자 정보를 획득할 수 있다. 전자 장치(1000)는 응답 데이터와 함께 사용자 정보를 서버(2000)로 전송할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 제공하는 복수의 질의들은 실제 여행이 진행되는 순서에 따라 제공될 수 있다. 또한, 전자 장치(1000)는 실제 여행이 진행되는 순서에 기초하여 여행 순서에 관한 컨텍스트 정보(242)를 결정하고, 컨텍스트 정보에 따른 스토리 컨텐츠(241)를 복수의 질의들 사이에 추가로 제공할 수도 있다.
도 3은 일 실시 예에 따른 전자 장치가 제공하는 사용자 여행 성향 컨텐츠를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)가 제공하는 사용자 여행 성향 컨텐츠는 사용자의 여행 성향을 나타내는 캐릭터의 이름(312) 및 캐릭터의 이미지(310)를 포함하는 캐릭터 정보, 사용자의 여행 성향을 서술하는 텍스트 시퀀스(320) 또는 여행 성향 컨텐츠를 조회하기 위한 링크 정보 중 적어도 하나를 포함할 수 있다. 또 다른 예에 의하면, 사용자 여행 성향 컨텐츠는 사용자의 세부 여행 성향과, 사용자의 세부 여행 성향과 집단의 평균적 여행 성향과의 차이를 쉽게 비교하기 위한 시각적 컨텐츠를 더 포함할 수도 있음은 물론이다. 일 실시 예에 의하면 사용자의 세부 여행 성향은 소정의 여행 성향 변수(332, 예컨대 종합 여행 성향 변수, 세부 여행 성향 변수, 특이 세부 여행 성향 변수등)에 기초하여 결정될 수 있다.
일 실시 예에 의하면, 사용자의 여행 성향을 서술하는 텍스트 시퀀스(320)는 복수의 문장 시퀀스들(322, 324)을 포함할 수 있다. 일 실시 예에 의하면, 캐릭터 정보는 후술하는 종합 여행 성향 클러스터 라벨 정보에 기초하여 결정되며, 텍스트 시퀀스에 포함된 하나 이상의 문장 시퀀스 또는 문장 시퀀스들은 후술하는 특이 세부 여행 성향 클러스터 라벨 정보에 기초하여 결정될 수 있다.
도 4는 일 실시 예에 따른 전자 장치가 사용자의 여행 성향을 식별하는 방법의 흐름도이다.
S410에서, 전자 장치(1000)는 사용자의 여행 성향 식별을 위해 복수의 질의들을 포함하는 시뮬레이션을 제공할 수 있다. 전자 장치(1000)는 적은 양의 질의들을 제공할 뿐만 아니라, 실제 여행 순서에 따라 시뮬레이션에 응하는 사용자들이 실제 여행을 하는 것과 동일한 순서대로 질의에 대한 응답을 제공하도록 함으로써, 사용자들이 시뮬레이션을 완수할 수 있도록 유도할 수 있다.
S420에서, 전자 장치(1000)는 시뮬레이션을 통해 제공된 상기 질의들에 대한 응답들을 포함하는 응답 데이터를 획득할 수 있다. 전자 장치(1000)가 응답 데이터를 획득하는 과정은 도 2에서 상술한 바와 같으므로 구체적인 설명은 생략하기로 한다. S430에서, 전자 장치(1000)는 획득된 응답 데이터를 상기 전자 장치와 연결된 서버로 전송할 수 있다. 예를 들어, 전자 장치(1000)는 응답 데이터와 함께 사용자 정보, 응답 데이터를 고유하게 식별하기 위한 서베이 식별 정보(예컨대 응답 식별 정보)를 서버로 함께 전송할 수도 있다.
S440에서, 전자 장치(1000)는 응답 데이터가 입력되면 상기 사용자의 여행 성향을 나타내는 성향 특징 데이터를 출력하는 사용자 여행 성향 분석 인공지능 모델로부터 출력된 상기 성향 특징 데이터에 따라 결정되는 여행 성향 컨텐츠를, 상기 서버로부터 획득할 수 있다. 또 다른 예에 의하면, 전자 장치(1000)는 사용자 여행 성향 분석 인공지능 모델을 미리 저장하고, 미리 저장된 사용자 여행 성향 분석 인공지능 모델에 응답 데이터를 입력함으로써 직접 사용자 여행 성향 컨텐츠를 결정할 수도 있음은 물론이다.
또한, 도 4에는 도시되지 않았지만, 전자 장치(1000)는 여행 성향 컨텐츠에 대한 피드백을 획득하기 위한 피드백 질의들을 제공하고, 상기 피드백 질의들에 대한 리커트 척도를 상기 여행 성향 컨텐츠에 대한 피드백 정보로 획득할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000) 또는 서버(2000)는 획득된 피드백 정보에 기초하여 시뮬레이션의 내용을 변경하거나, 사용자 여행 성향 분석 인공지능 모델 또는 STTI 네트워크 내 소정의 레이어들의 가중치를 수정 및 갱신함으로써, 사용자 여행 성향 분석 인공지능 모델을 다시 학습시킬 수 있다.
이하에서는, 전자 장치(1000)가 서버로부터 획득하는 여행 성향 컨텐츠가 결정되는 과정을 구체적으로 설명하기로 한다. 일 실시 예에 의하면, 서버(2000)는 전자 장치로부터 전송된 응답 데이터를 미리 학습된 사용자 여행 성향 분석 인공지능 모델에 입력할 수 있다. 일 실시 예에 의하면, 사용자 여행 성향 분석 인공지능 모델은 STTI 네트워크 또는 클러스터 식별 네트워크 중 적어도 하나를 포함할 수 있다.
일 실시 예에 의하면, STTI 네트워크는 응답 데이터가 입력되면 상기 사용자의 여행 성향 변수들 별 특징 값들을 포함하는 사용자 여행 성향 특징 정보를 출력할 수 있다. 일 실시 예에 의하면, STTI 네트워크는 사용자의 여행 성향 변수들 중, 세부 여행 성향 변수들 별 특징 값을 포함하는 세부 여행 성향 특징 정보와 상기 세부 여행 성향 변수들 중, 일부 세부 여행 성향 변수들을 대표하는 종합 여행 성향 변수들 별 특징 값을 포함하는 종합 여행 성향 특징 정보를 출력하는, 신경망 기반 수치 연산 네트워크들을 포함할 수 있다.
일 실시 예에 의하면, 클러스터 식별 네트워크(예컨대 PREDICT 모델)는 STTI 네트워크에서 출력된 사용자 여행 성향 특징 정보가 입력되면, 사용자의 여행 성향을 대표하는 복수의 클러스터들 중, 상기 응답 데이터에 따른 상기 사용자 여행 성향 특징 정보가 속하는 클러스터를 식별하기 위한 사용자 여행 성향 클러스터 라벨 정보를 출력할 수 있다. 일 실시 예에 의하면, 클러스터 식별 네트워크는 PREDICT 모델로 명칭될 수도 있다. 일 실시 예에 의하면, 클러스터 식별 네트워크는 STTI 네트워크에서 출력된 사용자 여행 성향 특징 정보가 복수의 클러스터들 중, 어떤 클러스터에 속하는지 여부를 나타내는 클러스터 라벨 정보를 출력하는 신경망 기반 수치 연산 네트워크들을 포함할 수 있다.
보다 상세하게는, 일 실시 예에 따른 클러스터 식별 네트워크는 종합 여행 성향 클러스터 라벨 정보 및 특이 세부 여행 성향 클러스터 라벨 정보를 출력하는 신경망 기반 식별 네트워크들을 포함할 수 있다. 예를 들어, 종합 여행 성향 클러스터 라벨 정보를 출력하는 신경망 기반 식별 네트워크는, 종합 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 배치되는, 상기 종합 여행 성향에 관한 종합 여행 성향 클러스터들 중, 응답 데이터에 따른 사용자 여행 성향 특징 정보가 속하는 하나의 클러스터를 식별하는 종합 여행 성향 클러스터 라벨 정보를 출력할 수 있다.
또한, 일 실시 예에 따른 특이 세부 여행 성향 클러스터 라벨 정보를 출력하는 신경망 기반 식별 네트워크는, 종합 여행 성향 클러스터들 별로 생성되며, 특이 세부 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 배치되는, 상기 세부 여행 성향에 관한 세부 여행 성향 클러스터들 중, 상기 응답 데이터에 따른 사용자 여행 성향 특징 정보가 속하는 하나의 클러스터를 식별하는 특이 세부 여행 성향 클러스터 라벨 정보를 출력할 수 있다.
일 실시 예에 의하면, 상기 종합 여행 성향 클러스터들은 종합 여행 성향 변수들 각각을 기준축으로 포함하는 다차원 공간상에서, 사용자 여행 성향 특징 정보들을 제1 수준으로 클러스터링함으로써 생성될 수 있다. 또한, 일 실시 예에 의하면, 특이 세부 여행 성향 클러스터들은, 종합 여행 성향 클러스터들에 해당하는 각 사용자 여행 성향 특징 정보들을, 특이 세부 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 제2 수준으로 클러스터링함으로써 생성될 수 있다. 본 개시에 따른 전자 장치(1000) 또는 서버(2000)가 이용하는 사용자 여행 성향 분석 인공지능 모델은 사용자 여행 성향 특징 정보들을, 서로 다른 타입의 2가지 클러스터들을 이용하여 분류함으로써 사용자의 여행 성향을 정확하게 식별할 수 있다.
예를 들어, 전자 장치(1000) 또는 서버(2000)는 소정의 세부 여행 성향 변수들을 대표하는 소정의 종합 여행 성향 변수들에 기초하여 제1 수준으로 사용자 여행 성향 특징 정보들을 클러스터링하기 위한 제1 타입의 클러스터들(예컨대 종합 여행 성향 클러스터들)을 생성하고, 종합 여행 성향 변수들 별 특징 값을 포함하는 종합 여행 성향 특징 정보들에 군집화 알고리즘(예컨대 GMM)을 적용함으로써 종합 여행 성향 클러스터의 수를 결정할 수 있다. 전자 장치(1000) 또는 서버(2000)는 결정된 종합 여행 성향 클러스터의 수에 따른 종합 성향 클러스터들을 이용하여 사용자 여행 성향 특징 정보들을 제1 수준으로 클러스터링함으로써 종합 여행 클러스터 라벨 정보(예컨대 어떤 종합 여행 성향 클러스터에 속하는지 여부를 나타내는 식별 정보)를 결정하게 된다.
예를 들어, 전자 장치(1000) 또는 서버(2000)는 세부 여행 성향 변수들 중, 사용자 여행 성향 변별 정도가 임계치 이상으로 식별되는 특이 세부 여행 성향 변수들의 특징 값을 포함하는 특이 세부 여행 성향 특징 정보들에 군집화 알고리즘(예컨대 GMM)을 적용함으로써 특이 세부 여행 성향 클러스터의 수를 결정할 수 있다. 전자 장치(1000) 또는 서버(2000)는 결정된 특이 세부 여행 성향 클러스터의 수에 따른 특이 세부 여행 성향 클러스터들을 이용하여, 각 종합 성향 클러스터들 별로 속하는 사용자 여행 성향 특징 정보들을, 다시 제2 수준으로 클러스터링함으로써, 특이 세부 여행 클러스터 라벨 정보(예컨대 어떤 특이 세부 여행 성향 클러스터에 속하는지 여부를 나타내는 식별 정보)를 결정하게 된다. 상기와 같은 클러스터링을 수행하는 사용자 여행 성향 분석 인공지능 모델을 이용하는 전자 장치(1000)는, 종래 사용자 여행 성향 분석과 달리, 사용자 여행 성향의 식별 정확도를 향상시킬 수 있다.
도 5는 일 실시 예에 따른 사용자 여행 성향 분석 인공지능 모델의 구조를 설명하기 위한 도면이다.
도 6는 일 실시 예에 따른 사용자 여행 성향 분석 인공 지능 모델의 입출력 값을 설명하기 위한 도면이다.
도 5 내지 도 6을 참조하여 전자 장치(1000)가 이용하는 사용자 여행 성향 분석 인공지능 모델의 구조와 동작을 구체적으로 설명하기로 한다.
일 실시 예에 의하면, 사용자 여행 성향 분석 인공지능 모델(610)은 STTI 네트워크(630) 또는 클러스터 식별 네트워크(640) 중 적어도 하나를 포함할 수 있다. 사용자 여행 성향 분석 인공지능 모델(610)은 응답 데이터(612)가 입력되면, 사용자의 여행 성향을 나타내는 성향 특징 데이터(622)를 출력할 수 있다. 일 실시 예에 의하면 응답 데이터(612)는 응답 식별 정보(614) 및 사용자 정보(616)를 포함할 수 있다. 일 실시 예에 의하면, 성향 특징 데이터(622)는 사용자 여행 성향 변수들 별 특징 값을 포함하는 사용자 여행 성향 특징 정보(624)와, 사용자 여행 성향 클러스터 라벨 정보(626)를 포함할 수 있다.
일 실시 예에 의하면 응답 식별 정보(614)는 시뮬레이션을 통해 제공된 질의들에 대한 응답들을 포함하는 응답 데이터를 고유하게 식별하는 정보를 포함할 수 있다. 일 실시 예에 의하면 응답 식별 정보는 각 질의들에 대한 응답 각각을 식별할 수도 있고, 각 질의들에 대한 응답들을 포함하는 응답 데이터 또는 하나의 시뮬레이션을 완료함으로써 획득되는 응답 데이터 하나를 고유하게 식별하기 위한 정보를 포함할 수도 있다. 일 실시 예에 의하면 사용자 정보(616)는 사용자의 성별, 나이, 전화번호와 같은 사용자의 개인 정보를 포함할 수 있다.
일 실시 예에 의하면, 사용자 여행 성향 특징 정보(624)는 세부 여행 성향 변수들 별 특징 값을 포함하는 세부 여행 성향 특징 정보와, 종합 여행 성향 변수들 별 특징 값을 포함하는 종합 여행 성향 특징 정보를 포함할 수 있다. 일 실시 예에 의하면, 사용자 여행 성향 클러스터 라벨 정보(626)는 종합 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 배치되는, 종합 여행 성향에 관한 종합 여행 성향 클러스터들 중, 하나의 클러스터를 식별하는 종합 여행 성향 클러스터 라벨 정보와, 특이 세부 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 배치되는, 세부 여행 성향에 관한 세부 여행 성향 클러스터들 중, 하나의 클러스터를 식별하는 특이 세부 여행 성향 클러스터 라벨 정보를 포함할 수 있다. 일 실시 예에 의하면, 세부 여행 성향 클러스터들은 종합 여행 성향 클러스터 별로 생성될 수 있으나, 이에 한정되는 것은 아니다.
도 5를 참조하면, 전자 장치(1000)가 이용하는 STTI 네트워크(630)가 도시된다. 일 실시 예에 의하면, STTI 네트워크 모델(630)은 응답 데이터가 입력되면, 여행 성향 변수들 중, 세부 여행 성향 변수들(541)(V11~Vnn) 별 특징 값을 포함하는 세부 여행 성향 특징 정보를 출력하는, 세부 여행 성향 변수 수치 연산 네트워크(632)와, 여행 성향 변수들 중, 일부 세부 여행 성향 변수들을 대표하는 종합 여행 성향 변수들(545)(G1,G2,G3,G4,G5,G6) 별 특징 값을 포함하는 종합 여행 성향 특징 정보를 출력하는, 종합 여행 성향 변수 수치 연산 네트워크(634)를 포함할 수 있다.
일 실시 예에 의하면, STTI 네트워크(630)는 응답 데이터가 입력되면 입력 레이어(510), 응답 데이터에 대한 수치 연산을 통해 사용자 여행 성향 변수들 별 특징 값을 출력하는 STTI 레이어(520)와, 사용자 여행 성향 변수들 별 특징 값을 포함하는 세부 여행 성향 특징 정보가 입력되면, 종합 여행 성향 변수들 별 특징 값을 포함하는 종합 여행 성향 특징 정보를 출력하는 출력 레이어(530)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니다.
일 실시 예에 의하면, 입력 레이어(510)는 응답 데이터를 전처리하는 과정을 수행할 수 있다. 일 실시 예에 의하면, STTI 레이어(520)는 응답 데이터를 여행 성향 변수(V)로 변경하는 수치 연산을 수행할 수 있다. 일 실시 예에 의하면, 출력 레이어(530)는 여행 변수 (V)를 그룹핑함으로써 미리 설정된 수(예컨대 6개)의 카테고리 그룹을 식별하고, 식별된 카테고리 그룹별 변수와 이에 해당하는 소정의 특징값(예컨대 시퀀스) 값을 출력할 수 있다.
일 실시 예에 의하면, STTI 네트워크 모델 내 각 레이어들의 입력 및 출력 값은 소정의 시퀀스 형태(또는 벡터)로 마련될 수 있다. 또한 일 실시 예에 의하면, STTI 네트워크 모델 내 각 레이어들의 입력 및 출력 값은 소정의 벡터 형태로 마련될 수도 있음은 물론이다. 도 5의 박스 (540, 542)는 각 여행 성향 변수들의 상관 관계를 나타내며, 변수 (544)는 6개의 카테고리 그룹으로 구분되는 변수를 나타낼 수 있다. 본 개시에 따른 STTI 네트워크 모델은 비지도 방식으로 학습될 수 있다.
또 다른 예에 의하면, STTI 네트워크(630)는 사용자 여행 성향 분석 인공지능 모델 학습 단계에서, 학습용 응답 데이터들이 입력되면, 상기 사용자의 여행 성향 변수들 중, 세부 여행 성향 변수들 별 특징 값을 포함하는 학습용 세부 여행 성향 특징 정보들과, 상기 세부 여행 성향 변수들 중, 일부 세부 여행 성향 변수들을 대표하는 종합 여행 성향 변수들 별 특징 값을 포함하는 학습용 종합 여행 성향 특징 정보들을 출력하는, 신경망 기반 수치 연산 네트워크들을 포함할 수 있다.
일 실시 예에 의하면, 클러스터 식별 네트워크(640)는 종합 여행 성향 클러스터 식별 네트워크(642) 및 특이 세부 여행성향 클러스터 식별 네트워크(644)를 포함할 수 있다. 또 다른 예에 의하면, 클러스터 식별 네트워크(60)는 종합 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 배치되는, 상기 종합 여행 성향에 관한 종합 여행 성향 클러스터들 중, 상기 학습용 응답 데이터에 따른 학습용 사용자 여행 성향 특징 정보가 속하는 하나의 클러스터를 식별하는 학습용 종합 여행 성향 클러스터 라벨 정보와, 상기 종합 여행 성향 클러스터들 별로 생성되며, 상기 특이 세부 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 상기 세부 여행 성향에 관한 세부 여행 성향 클러스터들 중, 상기 학습용 응답 데이터에 따른 학습용 사용자 여행 성향 특징 정보가 속하는 하나의 클러스터를 식별하는 학습용 특이 세부 여행 성향 클러스터 라벨 정보를 출력하는, 신경망 기반 식별 네트워크들을 포함할 수 있다.
예를 들어, 클러스터 식별 네트워크(640)는 STTI 네트워크의 출력 값을 획득하고, 획득된 출력 값에 따른 사용자 여행 성향 클러스터 라벨 정보를 출력할 수 있다. 보다 상세하게는, 클러스터 식별 네트워크(640)는 STTI 네트워크에서 출력되는 세부 여행 성향 특징 정보 및 종합 여행 성향 특징 정보를 포함하는 사용자 여행 성향 특징 정보를 획득하고, 획득된 사용자 여행 성향 특징 정보가 속하는 클러스터의 위치를 식별하기 위한 사용자 여행 성향 클러스터 라벨 정보를 출력할 수 있다.
일 실시 예에 의하면, 종합 여행 성향 클러스터 식별 네트워크(642)는 종합 여행 성향 클러스터들 중, 응답 데이터가 입력됨에 따라 STTI 네트워크에서 출력된 사용자 여행 성향 특징 정보가 속하는, 하나의 클러스터를 식별하는 종합 여행 성향 클러스터 라벨 정보를 출력할 수 있다. 또 다른 예에 의하면, 종합 여행 성향 클러스터 식별 네트워크는 종합 여행 성향 특징 정보, 종합 여행 성향 클러스터 별 평균 데이터 셋, 종합 여행 성향 클러스터 별 표준 편차 데이터를 입력으로 획득하고, 획득된 입력값에 따른 종합 여행 성향 클러스터 라벨 정보를 출력할 수도 있다.
일 실시 예에 의하면, 특이 세부 여행 성향 클러스터 식별 네트워크(644)는 세부 여행 성향 변수들 중, 사용자 여행 성향 변별 정도가 임계치 이상으로 결정된 특이 세부 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 배치되는, 상기 세부 여행 성향에 관한 세부 여행 성향 클러스터들 중, 응답 데이터가 입력됨에 따라 STTI 네트워크에서 출력된 사용자 여행 성향 특징 정보가 속하는 하나의 클러스터를 식별하는 특이 세부 여행 성향 클러스터 라벨 정보를 출력할 수 있다. 또 다른 예에 의하면, 특이 세부 여행 성향 클러스터 식별 네트워크(644)는 특이 세부 여행 성향 특징 정보(세부 여행 성향 변수들 중, 여행 성향 변별 정도가 임계치 이상으로 결정된 특이 세부 여행 성향 변수들 별 특징 값을 포함하는 정보), 세부 여행 성향 클러스터 별 평균 데이터 셋, 세부 여행 성향 클러스터 별 표준 편차 데이터를 입력으로 획득하고, 획득된 입력 값에 따른 특이 세부 여행 성향 클러스터 라벨 정보를 출력할 수도 있다.
일 실시 예에 의하면, 본 명세서에서 STTI 네트워크, 클러스터 식별 네트워크 또는 TRIFIT 네트워크 모델은 CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 일 수 있으나, 이에 한정되는 것은 아니다.
이하에서는 본원 명세서에 기재된 여행 성향 변수들(650)에 대해 구체적으로 설명하기로 한다. 일 실시 예에 의하면, 사용자 여행 성향 변수(650)는 종합 여행 성향 변수들(652), 세부 여행 성향 변수들(654) 또는 특이 세부 여행 성향 변수들 (656)중 적어도 하나를 포함할 수 있다. 예를 들어, 세부 여행 성향 변수들(542)은 여행 상황 시나리오 데이터를 활용하여 여행에 영향을 줄 수 있는 요인을 브레인스토밍과정으로 정의한 변수들을 포함할 수 있다. 전자 장치(1000)가 이용하는 여행 성향 변수들은 시뮬레이션을 통해 상황별 행동 유형과의 상관 관계가 미리 결정될 수 있다. 종합 여행 성향 변수들(652)은 소정의 세부 여행 성향 변수들을 대표하는 하나 이상의 변수들을 포함할 수 있다.
예를 들어, 종합 여행 성향 변수들(G, 652)은 하나 이상의 세부 여행 성향 변수들(V, 654)을 포함할 수 있고, 세부 여행 성향 변수들은 종합 여행 성향 변수들에 종속 또는 포함될 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 사용자 여행 성향 분석 인공지능 모델의 출력 값으로, 종합 여행 성향 변수들, 세부 여행 성향 변수들 별 특징 값의 분포 패턴에 기초하여, 분포 패턴이 한쪽에 밀집된 형태를 나타냄으로써 변별력이 없는 이슈가 식별되거나, 분포 패턴이 모두 균등하거나, 정규분포 양상으로 분포하는 형태를 나타냄으로써 분별 가능한 다양성이 없는 이슈가 식별되는 경우, 사용자 여행 성향 분석에 사용되는 변수들을 추가 또는 삭제함으로써 변경할 수 있다.
일 실시 예에 의하면, 특이 세부 여행 성향 변수(S, 656)는 세부 여행 성향 변수들 중, 사용자 여행 성향 변별 정도가 임계치 이상으로 식별되는 소정의 세부 여행 성향 변수들을 포함할 수 있다. 일 실시 예에 의하면 특이 세부 여행 성향 변수들은 종합 여행 성향 변수들에 포함된 세부 여행 성향 변수들 중, 사용자 여행 성향 변별 정도가 임계치 이상으로 식별되는 소정의 세부 여행 성향 변수들을 포함할 수 있다. 일 실시 예에 의하면, 특이 세부 여행 성향 변수들은 종합 여행 성향 변수들 별로 적어도 하나 이상 할당될 수 있으나, 이에 한정되는 것은 아니다.
도 7은 일 실시 예에 따른 전자 장치가 피드백 정보를 서버로 전송하는 구체적인 과정을 나타내는 흐름도이다.
S710에서, 전자 장치(1000)는 여행 성향 컨텐츠에 대한 피드백을 획득하기 위한 피드백 질의들을 제공할 수 있다. S720에서, 전자 장치(1000)는 피드백 질의들에 대한 리커트 척도를 여행 성향 컨텐츠에 대한 피드백 정보로 획득할 수 있다. S730에서, 전자 장치(1000)는 피드백 정보를 서버로 전송할 수 있다. 일 실시 예에 의하면, 서버(2000) 또는 전자 장치(1000)는 피드백 정보에 기초하여 사용자 여행 성향 분석 인공 지능 모델 내 적어도 하나의 레이어 또는 적어도 하나의 신경망 기반 네트워크의 가중치를 수정 및 갱신함으로써 재 학습시킬 수 있다.
도 8은 일 실시 예에 따른 전자 장치가 사용자 여행 성향 분석 인공지능 모델을 학습시키는 방법의 흐름도이다.
도 8에 기재된 사용자 여행 성향 분석 인공지능 모델을 학습시키는 방법은 전자 장치(1000)에 의해 수행될 수도 있고, 서버(2000)에 의해 수행될 수 있음은 물론이다. S810에서, 전자 장치(1000)는 여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 사용자의 여행 성향 분석을 위해 여행 상황 별 행동 유형에 관한 설계용 응답 데이터를 획득하고, 여행 상황 별 행동유형과 사용자의 여행 성향에 관한 여행 성향 변수들 사이의 상관 관계에 기초하여 설계용 응답 데이터가 입력되면, 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축할 수 있다. 일 실시 예에 의하면 설계용 응답 데이터는 설문 조사 경품 이벤트를 통해 사용자 대상으로 소정의 시뮬레이션을 통해 획득된 질의에 대한 응답들을 포함할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 사용자 여행 성향 분석 인공지능 모델을 구축하는 동작은 사용자 여행 성향 분석 인공지능 모델의 입력 데이터 및 출력을 결정하는 동작, 학습용 데이터 체계를 정의하는 동작, 사용자 여행 성향 분석 인공지능 모델 내 신경망 기반 네트워크의 구조를 정의하는 동작을 포함할 수 있다. S820에서, 전자 장치(1000)는 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시킬 수 있다.
예를 들어, 전자 장치(1000)가 사용자 여행 성향 분석 인공지능 모델을 학습시키는 동작은 구축 단계에서 결정된 구조 및 입출력 관계에 기초하여 사용자 맞춤형 여행 추천 서비스를 제공하기 위한 머신러닝 연산을 통해 모델 내 가중치들을 수정 및 갱신하는 동작을 포함할 수 있다.
도 9는 일 실시 예에 따른 전자 장치가 사용자 여행 성향 분석 인공지능 모델을 구축하는 구체적인 방법의 흐름도이다.
S910에서, 전자 장치(1000)는 설계용 응답 데이터가 입력되면 사용자의 여행 성향 변수들 별 특징 값들을 포함하는 설계용 사용자 여행 성향 특징 정보를 출력하는 STTI 네트워크를 구축할 수 있다. S920에서, 전자 장치(1000)는 설계용 사용자 여행 성향 특징 정보가 입력되면 사용자의 여행 성향을 대표하는 복수의 클러스터들 중, 상기 설계용 사용자 여행 성향 특징 정보가 속하는 클러스터를 식별하는 설계용 사용자 여행 성향 클러스터 라벨 정보를 출력하는 클러스터 식별 네트워크를 구축할 수 있다. S930에서, 전자 장치(1000)는 STTI 네트워크 및 상기 클러스터 식별 네트워크를 포함하는 신경망 기반 수치 연산 네트워크를 상기 사용자 여행 성향 분석 인공지능 모델로 구축할 수 있다.
S940에서, 전자 장치(1000)는 설계용 사용자 여행 성향 특징 정보의 분포 패턴에 기초하여 사용자 여행 성향 분석 인공지능 모델의 구축에 사용된 사용자 여행 성향 변수들을 삭제하거나 추가함으로써 변경할 수 있다. 예를 들어, 전자 장치(1000)는 설계용 사용자 여행 성향 특징 정보의 분포 패턴을 식별한 결과, 식별된 분포 패턴이 기준 공간 대비 임계치 이상으로 밀집된 상태로 결정되는 경우 변별력 없는 이슈가 발생한 것으로 결정하고, 사용자 여행 성향 분석 인공지능 모델의 구축에 사용된 사용자 여행 성향 변수들의 목록을 변경할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 설계용 사용자 여행 성향 특징 정보의 분포 패턴을 식별한 결과, 식별된 분포 패턴이 모두 균등한 분포 패턴을 나타내거나, 정규 분포 양상으로 분포하는 형태로 식별되는 경우, 분별 가능한 다양성 없는 이슈가 발생한 것으로 결정하고, 사용자 여행 성향 분석 인공지능 모델의 구축에 사용된 사용자 여행 성향 변수들의 목록을 변경할 수 있다. S950에서, 전자 장치(1000)는 변경된 사용자 여행 성향 변수들에 기초하여 사용자 여행 성향 분석 인공지능 모델을 재구축할 수 있다. 본 개시에 따른 전자 장치(1000)는 S940 내지 S950을 반복함으로써 사용자의 여행 성향을 보다 세밀하고 정확하게 식별할 수 있다.
도 10은 일 실시 예에 따른 전자 장치가 사용자 여행 성향 분석 인공지능 모델을 학습시키는 구체적인 방법의 흐름도이다.
S1010에서, 전자 장치(1000)는 학습용 응답 데이터들을 획득할 수 있다. S1020에서, 전자 장치(1000)는 학습용 응답 데이터들을 상기 STTI 네트워크에 입력함으로써 상기 STTI 네트워크로부터, 상기 학습용 세부 여행 성향 특징 정보들 및 상기 학습용 종합 여행 성향 특징 정보들을 포함하는 학습용 사용자 여행 성향 특징 정보들을 획득할 수 있다.
S1030에서, 전자 장치(1000)는 학습용 종합 여행 성향 특징 정보들에 군집화(예컨대 GMM, Gaussian Mixture Model) 알고리즘을 적용함으로써, 상기 학습용 사용자 여행 성향 특징 정보들을 제1 수준에 따라 클러스터링하기 위한 종합 여행 성향 클러스터의 수를 결정할 수 있다. 일 실시 예에 의하면 군집화 알고리즘은 개별 데이터를 동일한 가우시안 분포 별로 묶어주는 비지도 학습 알고리즘일 수 있다.
예를 들어, 전자 장치(1000)는 실루엣 스코어, 다비스불딘 스코어(DAVIES BOULDIN SCORE) 또는 AIC(Akaike Information Criterion)/BIC(Bayesian Information Criterion) 중 적어도 하나에 기초하여, 제1 수준에서 사용자 여행 성향 특징 정보들을 정확하게 분류하기 위한 종합여행 성향 클러스터 수를 결정할 수 있다. 전자 장치(1000)는 상기 결정된 종합 여행 성향 클러스터 수에 기초하여 클러스터링이 진행되도록, 사용자 여행 성향 분석 인공지능 모델 내 가중치들을 수정 및 갱신함으로써 사용자 여행 성향 분석 인공지능 모델을 학습시키게 된다.
S1040에서, 전자 장치(1000)는 종합 여행 성향 클러스터의 수가 결정되면, 상기 결정된 종합 여행 성향 클러스터의 수에 기초하여, 상기 학습용 세부 여행 성향 특징 정보들 중, 상기 특이 세부 여행 성향 변수들의 특징 값을 포함하는 학습용 특이 세부 여행 성향 특징 정보들에 군집화 알고리즘을 적용함으로써, 상기 학습용 사용자 여행 성향 특징 정보들을 제2 수준에 따라 클러스터링하기 위한 특이 세부 여행 성향 클러스터의 수를 결정할 수 있다. 전자 장치(1000)는 상기 결정된 특이 세부 여행 성향 클러스터 수에 기초하여 종합 여행 성향 클러스터 별, 세부(예컨대 제2수준에 따른) 클러스터링이 진행되도록, 사용자 여행 성향 분석 인공지능 모델 내 가중치들을 수정 및 갱신함으로써 사용자 여행 성향 분석 인공지능 모델을 학습시키게 된다.
예를 들어, 전자 장치(1000)는 실루엣 스코어, 다비스불딘 스코어(DAVIES BOULDIN SCORE) 또는 AIC(Akaike Information Criterion)/BIC(Bayesian Information Criterion) 중 적어도 하나에 기초하여, 제2 수준에서 사용자 여행 성향 특징 정보들을 정확하게 분류하기 위한 특이 세부 여행 성향 클러스터의 수를 결정할 수 있다. 특이 세부 여행 성향 클러스터 수는, 종합 여행 성향 클러스터의 수가 결정된 이후 결정되게 되므로, 종합 여행 성향 클러스터 수에 따라, 종합 여행 성향 클러스터 별 사용자 응답 데이터에 따른 여행 성향 특징 정보를 분류하기 위한 최적 특이 세부 여행 성향 클러스터 수는 달라질 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 클러스터들은 종합 여행 성향 클러스터 타입 및 특이 세부 여행 성향 클러스터 타입을 포함할 수 있으나, 이에 한정되는 것은 아니다. 전자 장치(1000)가 이용하는 클러스터(예컨대 군집) 특성은 해당 군집에 포함되는 응답 데이터들에 따른 사용자 여행 성향 특징 정보들의 평균 값과 표준 편차를 포함할 수 있다. 또 다른 예에 의하면, 군집 특성은 평균값, 표준 편차에 더하여 군집 별로 정의되는 가우시안함수(예컨대 정규분포함수)를 더 포함할 수도 있다.
S1050에서, 전자 장치(1000)는 결정된 종합 여행 성향 클러스터 수 및 상기 특이 세부 여행 성향 클러스터 수에 따른 클러스터들에 기초하여 상기 학습용 사용자 여행 성향 특징 정보들이 클러스터링되도록, 상기 사용자 여행 성향 분석 인공지능 모델을 학습시킬 수 있다.
또한, 도 10에는 도시되지 않았지만, 일 실시예에 의하면, 전자 장치(1000)는 학습용 응답 데이터들과 다른 신규 응답 데이터를 획득할 수 있다. 또한, 전자 장치(1000)는 획득된 신규 응답 데이터를 학습된 사용자 여행 성향 분석 인공지능 모델에 입력함으로써 사용자 여행 성향 분석 인공지능 모델로부터 신규 성향 특징 데이터를 획득할 수 있다. 전자 장치(1000)는 획득된 신규 성향 특징 데이터와 학습용 성향 특징 데이터들을 포함하는 신규 성향 특징데이터 군의 군집 특성 변화 여부를 식별할 수 있다. 예를 들어, 전자 장치(1000)는 신규 응답 데이터에 따른 성향 특징 데이터(예컨대 여행 변수 별 특징 값을 포함하는 여행 성향 특징 정보) 추가에 따라, 군집 별 평균 값, 표준 편차값, 정규분포 함수의 변화량에 기초하여 군집 특성 변화를 식별할 수 있다.
전자 장치(1000)는 군집 특성 변화가 식별되면, 상술한 S1030 내지 S1050 과정을 다시 반복함으로써, 종합 여행 성향 클러스터의 수 및 특이 세부 여행 성향 클러스터의 수를 다시 변경하고, 변경된 종합 여행 성향 클러스터의 수에 따른 종합 여행 성향 클러스터들 및 특이 세부 여행 성향 클러스터 수에 따른 특이 세부 여행 성향 클러스터들에 기초하여, 응답 데이터에 따른 사용자 여행 성향 특징 정보들이 제1 수준 및 제2 수준에 따라 클러스터링되도록, 사용자 여행 성향 분석 인공지능 모델 내 가중치를 수정 및 갱신함으로써, 인공지능 모델을 재 학습시킬 수 있다.
본 개시에 따른 전자 장치(1000)가 S1030 내지 S1050 과정을 반복함에 따라, 사용자 여행 성향 분석 인공지능 모델이 사용자 응답 데이터에 따른 여행 성향 특징 정보들을 분류하기 위해 사용하는 종합 여행 성향 클러스터들 및 상기 종합 여행 성향 클러스터들 별로 생성되는 특이 세부 여행 성향 클러스터들 사이는 멀어지고, 각 클러스터들 내부의 여행 성향 특징 정보들을 더 군집화될 수 있다. 또 다른 예에 의하면, 전자 장치(1000)가 S1030내지 S1050 과정을 반복함에 따라 종합 여행 성향 클러스터들 및 특이 세부 여행 성향 클러스터들의 경계가 더 명확해질 수 있다. 전자 장치(1000)는 클러스터 사이의 경계가 명확해지도록 사용자 여행 성향 분석 인공지능 모델의 가중치들을 수정 및 갱신할 수 있다. 또한, 도 10에는 도시되지 않았지만, 전자 장치(1000)는 일정 학습용 응답 데이터 수 또는 소정의 주기로, 사용자 여행 성향 분석 인공지능 모델에 대한 구축 및 학습 과정을 다시 반복함으로써 군집화에 따른 응답 데이터 분류를 위한 클러스터 공백이 발생하지 않도록 할 수 있다.
도 11은 일 실시 예에 따른 전자 장치가 이용하는 사용자 여행 성향 변수의 예시를 나타내는 도면이다.
도 11의 그림 (1002)와 (1004)를 참조하면, 전자 장치가 이용하는 사용자 여행 성향 변수의 예가 도시된다. 전자 장치(1000) 또는 서버(2000)가 사용자 여행 성향 식별을 위해 이용하는 사용자 여행 성향 변수들은 종합 여행 성향 변수 타입, 세부 여행 성향 변수 타입 또는 특이 세부 여행 성향 변수 타입 중 적어도 하나를 포함할 수 있다. 일 예에 의하면 그림 (1002)에 도시된 여행 성향 변수(1003)와 그림 (1004)에 도시된 여행 성향 변수(1005)는 세부 여행 성향 변수 타입에 해당하는 여행 성향 변수일 수 있으나, 이에 한정되는 것은 아니다.
도 12는 일 실시 예에 따른 전자 장치의 블록도이다.
도 13은 또 다른 실시 예에 따른 전자 장치의 블록도이다.
도 12에 도시된 바와 같이, 일 실시 예에 따른 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나, 도시된 구성 요소가 모두 필수구성요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그 보다 적은 구성 요소에 의해서도 전자 장치(1000)는 구현될 수도 있다.
예를 들어, 도 13에 도시된 바와 같이, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)외에, 사용자 입력 인터페이스(1100), 출력부(1200), 센싱부(1400), 네트워크 인터페이스(1500), A/V 입력부(1600) 및 메모리(1700)를 더 포함할 수도 있다.
사용자 입력 인터페이스(1100)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
사용자 입력 인터페이스(1100)는, 사용자가 시뮬레이션에 대한 응답들을 선택하기 위한 사용자 입력을 획득할 수 있다. 또 다른 예에 의하면, 사용자가 여행 컨텐츠를 선택하기 위한 사용자 입력, 주문 결제 서비스를 진행하기 위한 사용자 입력을 획득할 수 있다. 출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 전자 장치(1000)에서 처리되는 정보를 표시 출력하기 위한 화면을 포함한다. 또한, 화면은 전자 장치(1000)가 결정한 여행자 성향, 여행 장소 특징에 대한 정보, 여행 성향 컨텐츠 대한 정보들을 출력할 수 있다. 음향 출력부(1220)는 네트워크 인터페이스(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다.
프로세서(1300)는 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력 인터페이스(1100), 출력부(1200), 센싱부(1400), 네트워크 인터페이스(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 11에 기재된 전자 장치(1000)의 기능을 수행할 수 있다.
일 실시 예에 의하면, 적어도 하나의 프로세서(1300)는 상기 하나 이상의 인스트럭션을 실행함으로써, 사용자의 여행 성향 식별을 위해 복수의 질의들을 포함하는 시뮬레이션을 제공하고, 시뮬레이션을 통해 제공된 상기 질의들에 대한 응답들을 포함하는 응답 데이터를 획득하고, 상기 획득된 응답 데이터를 상기 전자 장치와 연결된 서버로 전송하고, 상기 응답 데이터가 입력되면 상기 사용자의 여행 성향을 나타내는 성향 특징 데이터를 출력하는 사용자 여행 성향 분석 인공지능 모델로부터 출력된 상기 성향 특징 데이터에 따라 결정되는 여행 성향 컨텐츠를, 상기 서버로부터 획득하고, 상기 여행 성향 컨텐츠를 출력할 수 있다.
일 실시 예에 의하면, 적어도 하나의 프로세서(1300)는 도 1 내지 도 11에 기재된 사용자 여행 성향 식별 과정 중 적어도 하나 또는 전체를 수행할 수 있다.
일 실시 예에 의하면, 적어도 하나의 프로세서(1300)는 여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하고, 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시킬 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 서버(2000)로부터 이미 학습된 사용자 여행 성향 분석 인공지능 모델에 대한 정보를 획득할 수도 있고, 학습 데이터에 기초하여 사용자 여행 성향 분석 인공지능 모델 내 레이어들과 노드들 및 상기 레이어들의 연결 강도에 관한 가중치들을 수정 및 갱신할 수 있음은 물론이다.
센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다. 센싱부(1400)는 전자 장치(1000)의 사양 정보, 모니터링 대상 공간에 대한 온도, 습도, 기압 정보 등을 센싱할 수 있다.
예를 들어, 센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
네트워크 인터페이스(1500)는 전자 장치(1000)가 다른 장치(미도시) 및 서버(2000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 네트워크 인터페이스(1500)는, 무선 통신 인터페이스 (1510), 유선 통신 인터페이스 (1520), 이동 통신부(1530)를 포함할 수 있다. 무선 통신 인터페이스(1510)는 근거리 통신부(short-range wireless communication unit), 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
유선 통신 인터페이스(1520)는 유선 통신을 통해 전자 장치와 연결된 외부 디바이스와 데이터를 주고받기 위한 적어도 하나의 유선 인터페이스를 포함할 수 있다. 이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 사용자의 음성 입력을 수신할 수 있다. 마이크로폰(1620)은 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 전자 장치(1000)가 이용하는 사용자 여행성향 분석 인공지능 모델, 언어 모델, 신경망 기반 모델, STTI 네트워크 모델, 클러스터 식별 네트워크, TRIFIT 네트워크 모델에 대한 정보를 저장할 수 있다.
예를 들어, 메모리(1700)는 적어도 하나의 신경망 모델 내 레이어들, 노드들, 상기 레이어들의 연결 강도에 관한 가중치 값들을 저장할 수 있다. 또한, 전자 장치(1000)는 신경망 모델을 학습하기 위해 전자 장치(1000)가 생성한 학습 데이터를 더 저장할 수도 있다. 또한, 메모리(1700)는 전자 장치와 연결된 카메라들 또는 서버의 동작 환경에 대한 정보들을 더 저장할 수도 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 전자 장치(1000)가 여행 성향 분석, 여행 장소 특징 및 여행 컨텐츠 제공을 위한 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
알림 모듈(1730)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 예를 들어, 전자 장치(1000)가 제공한 여행 컨텐츠에 대한 사용자 피드백이 획득되거나, 여행 성향에 대한 알림 컨텐츠가 제공될 때 이에 따른 알림음을 제공할 수 있다. 일 실시 예에 따른 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.
도 14는 일 실시 예에 따른 서버의 블록도이다.
일 실시 예에 의하면, 서버(2000)는 네트워크 인터페이스(2100), 데이터 베이스(2200) 및 프로세서(2300)를 포함할 수 있다. 도 14에 도시된 서버(2000)의 구성은 도 12 내지 도 13에 기재된 전자 장치(1000)의 구성에 대응될 수 있다. 네트워크 인터페이스(2100)는 상술한 전자 장치(1000)의 네트워크 인터페이스(미도시)에 대응될 수 있다. 예를 들어, 네트워크 인터페이스(2100)는 전자 장치(1000)로부터 응답 데이터, 응답 식별 정보, 사용자 정보를 획득하고, 여행 성향 특징 데이터, 사용자 여행 성향 특징 정보, 사용자 여행 성향 클러스터 라벨 정보, 여행 성향 컨텐츠를 전자 장치로 전송할 수 있다. 또 다른 실시 예에 의하면, 네트워크 인터페이스(2100)는 전자 장치가 학습한 인공지능 모델에 대한 정보, 또는 신경망 모델에 대한 정보(예컨대 레이어들 및 레이어들 사이의 연결 강도에 관한 가중치 값)를 수신할 수 있다. 또 다른 실시 예에 의하면, 네트워크 인터페이스(2100)는 서버가 학습시킨 사용자 여행 성향 분석 인공지능 모델에 대한 정보로 인공 신경망의 레이어들 및 레이어들에 포함된 노드에 관한 정보 또는 신경망 내 레이어들의 연결 강도에 관한 가중치 값들을 전자 장치(1000)로 전송할 수도 있다.
또한, 일 실시 예에 의하면 데이터 베이스(2200)는 도 12 내지 도 13에서 상술한 메모리에 대응될 수 있다. 예를 들어, 데이터 베이스(2200)는 전자 장치(1000)로부터 획득되는 사용자의 여행 경험 데이터들, 여행 성향 컨텐츠들, 여행 장소 특징 데이터들, 여행자 성향 특징 데이터들에 대한 정보 등을 저장할 수 도 있다.
일 실시 예에 의하면, 프로세서(2300)는 서버(2000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(2300)는 네트워크 인터페이스(2100) 및 데이터 베이스(2200)를 제어함으로써, 도 1 내지 13에서 기재된 사용자 맞춤형 여행 추천 서비스, 사용자 여행 성향을 식별하는 동작의 전체 또는 적어도 일부를 전자 장치(1000)와 연동함으로써 함께 수행할 수 있다.
도 15는 일 실시 예에 따른 전자 장치 및 서버가 서로 연동함으로써, 사용자의 여행 성향을 식별하는 방법을 나타내는 흐름도이다.
S1502에서, 서버(2000)는 사용자 여행 성향 분석 인공지능 모델을 학습시킬 수 있다. S1504에서, 전자 장치(1000)는 소정의 질의들을 포함하는 시뮬레이션을 제공할 수 있다. S1506에서, 전자 장치(1000)는 시뮬레이션을 통해 획득되는 응답 데이터들을 획득할 수 있다. S1508에서, 전자 장치(1000)는 획득된 응답 데이터(예컨대 응답 식별 정보, 서베이 식별 정보, 사용자 정보를 포함)를 서버로 전송할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 질의 마다 획득되는 응답 데이터가 획득되면, 획득되는 응답 데이터 각각을 순차로 서버(2000)로 전송할 수 있다.
S1510에서, 서버(2000)는 응답 데이터를 사용자 여행 성향 분석 인공지능 모델에 입력할 수 있다. S1512에서, 서버(2000)는 응답 데이터를 사용자 여행 성향 분석 인공지능 모델에 입력함으로써 성향 특징 데이터를 획득할 수 있다. S1514에서, 서버(2000)는 성향 특징 데이터에 기초하여 캐릭터 정보, 사용자의 여행 성향을 서술하는 텍스트 시퀀스 또는 여행 성향 컨텐츠를 조회하기 위한 링크 정보 중 적어도 하나를 포함하는 여행 성향 컨텐츠를 결정할 수 있다. S1516에서, 서버(2000)는 여행성향 컨텐츠를 전자 장치(1000)로 전송할 수 있다. S1518에서, 전자 장치(1000)는 여행 성향 컨텐츠를 출력할 수 있다. 도 15에 기재된 사용자 여행 성향 식별 방법은 사용자의 여행 성향 분석 시스템(10)에 의해 수행될 수 있다.
본 개시에 따른 사용자의 여행 성향을 식별하는 방법, 전자 장치가 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (13)

  1. 전자 장치가 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법에 있어서,
    여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계; 및
    상기 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계; 를 포함하는, 방법.
  2. 제1항에 있어서, 상기 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계는
    상기 사용자의 여행 성향 분석을 위해 상기 여행 상황 별 행동유형에 관한 상기 설계용 응답 데이터를 획득하는 단계; 및
    상기 상관 관계에 기초하여, 상기 설계용 응답 데이터가 입력되면, 상기 설계용 성향 특징 데이터가 출력되도록 상기 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계; 를 포함하는, 방법.
  3. 제2항에 있어서, 상기 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계는
    상기 설계용 응답 데이터가 입력되면 사용자의 여행 성향 변수들 별 특징 값들을 포함하는 설계용 사용자 여행 성향 특징 정보를 출력하는 STTI 네트워크를 구축하는 단계;
    상기 설계용 사용자 여행 성향 특징 정보가 입력되면 사용자의 여행 성향을 대표하는 복수의 클러스터들 중, 상기 설계용 사용자 여행 성향 특징 정보가 속하는 클러스터를 식별하는 설계용 사용자 여행 성향 클러스터 라벨 정보를 출력하는 클러스터 식별 네트워크를 구축하는 단계; 및
    상기 STTI 네트워크 및 상기 클러스터 식별 네트워크를 포함하는 신경망 기반 수치 연산 네트워크를 상기 사용자 여행 성향 분석 인공지능 모델로 구축하는 단계; 를 포함하는, 방법.
  4. 제3항에 있어서, 상기 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계는
    상기 설계용 사용자 여행 성향 특징 정보의 분포 패턴에 기초하여 상기 사용자 여행 성향 분석 인공지능 모델의 구축에 사용된 사용자의 여행 성향 변수들을 삭제하거나 추가함으로써 변경하는 단계; 및
    상기 변경된 사용자의 여행 성향 변수들에 기초하여 상기 사용자 여행 성향 분석 인공지능 모델을 재구축하는 단계; 를 포함하는, 방법.
  5. 제3항에 있어서, 상기 STTI 네트워크는
    상기 학습용 응답 데이터들이 입력되면, 상기 사용자의 여행 성향 변수들 중, 세부 여행 성향 변수들 별 특징 값을 포함하는 학습용 세부 여행 성향 특징 정보들과, 상기 세부 여행 성향 변수들 중, 일부 세부 여행 성향 변수들을 대표하는 종합 여행 성향 변수들 별 특징 값을 포함하는 학습용 종합 여행 성향 특징 정보들을 출력하는, 신경망 기반 수치 연산 네트워크들을 포함하는, 방법.
  6. 제5항에 있어서, 상기 사용자의 여행 성향에 관한 여행성향 변수들은, 상기 종합 여행 성향 변수들, 상기 종합 여행 성향 변수들에 종속되는 상기 세부 여행 성향 변수들 및 상기 종합 여행 성향 변수들 별로 종속되는 세부 여행 성향 변수들 중, 사용자 여행 성향 변별 정도가 임계치 이상으로 식별되는 세부 여행 성향 변수인 특이 세부 여행 성향 변수들을 포함하는, 방법.
  7. 제6항에 있어서, 상기 클러스터 식별 네트워크는
    상기 종합 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 배치되는, 상기 종합 여행 성향에 관한 종합 여행 성향 클러스터들 중, 상기 학습용 응답 데이터에 따른 학습용 사용자 여행 성향 특징 정보가 속하는 하나의 클러스터를 식별하는 학습용 종합 여행 성향 클러스터 라벨 정보와,
    상기 종합 여행 성향 클러스터들 별로 생성되며, 상기 특이 세부 여행 성향 변수들에 기초하여 정의되는 다차원 공간상에서 상기 세부 여행 성향에 관한 세부 여행 성향 클러스터들 중, 상기 학습용 응답 데이터에 따른 학습용 사용자 여행 성향 특징 정보가 속하는 하나의 클러스터를 식별하는 학습용 특이 세부 여행 성향 클러스터 라벨 정보를 출력하는, 신경망 기반 식별 네트워크들을 포함하는, 방법.
  8. 제7항에 있어서, 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계는,
    상기 학습용 응답 데이터들을 획득하는 단계;
    상기 학습용 응답 데이터들을 상기 STTI 네트워크에 입력함으로써 상기 STTI 네트워크로부터, 상기 학습용 세부 여행 성향 특징 정보들 및 상기 학습용 종합 여행 성향 특징 정보들을 포함하는 학습용 사용자 여행 성향 특징 정보들을 획득하는 단계;
    상기 학습용 종합 여행 성향 특징 정보들에 군집화 알고리즘을 적용함으로써, 상기 학습용 사용자 여행 성향 특징 정보들을 제1 수준에 따라 클러스터링하기 위한 종합 여행 성향 클러스터의 수를 결정하는 단계;
    상기 종합 여행 성향 클러스터의 수가 결정되면, 상기 결정된 종합 여행 성향 클러스터의 수에 기초하여, 상기 학습용 세부 여행 성향 특징 정보들 중, 상기 특이 세부 여행 성향 변수들의 특징 값을 포함하는 학습용 특이 세부 여행 성향 특징 정보들에 군집화 알고리즘을 적용함으로써, 상기 학습용 사용자 여행 성향 특징 정보들을 제2 수준에 따라 클러스터링하기 위한 특이 세부 여행 성향 클러스터의 수를 결정하는 단계; 및
    상기 결정된 종합 여행 성향 클러스터 수 및 상기 특이 세부 여행 성향 클러스터 수에 따른 클러스터들에 기초하여 상기 학습용 사용자 여행 성향 특징 정보들이 클러스터링되도록, 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계; 를 포함하는, 방법.
  9. 제8항에 있어서, 상기 방법은
    상기 학습용 응답 데이터들과 다른 신규 응답 데이터를 획득하는 단계;
    상기 획득된 신규 응답 데이터를 상기 학습된 사용자 여행 성향 분석 인공지능 모델에 입력함으로써 상기 사용자 여행 성향 분석 인공지능 모델로부터, 신규 성향 특징 데이터를 획득하는 단계; 및
    상기 획득된 신규 성향 특징 데이터와 학습용 성향 특징 데이터들을 포함하는 신규 성향 특징 데이터군의 군집 특성 변화에 기초하여, 상기 종합 여행 성향 클러스터의 수 및 상기 특이 세부 여행 성향 클러스터의 수를 변경하는 단계; 를 포함하는, 방법.
  10. 제9항에 있어서, 상기 방법은
    상기 변경된 종합 여행 성향 클러스터의 수 및 상기 특이 세부 여행 성향 클러스터의 수에 기초하여, 사용자 여행 성향 특징 정보들을 상기 제1 수준 및 상기 제2 수준에 따라 클러스터링하도록 상기 사용자 여행 성향 분석 인공지능 모델을 수정 및 갱신하는 단계; 를 포함하는, 방법.
  11. 제8항에 있어서, 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계는
    상기 학습용 성향 특징 데이터들이 속하는 종합 여행 성향 클러스터들 및 특이 세부 여행 성향 클러스터들의 경계가 명확해지도록, 상기 사용자 여행 성향 분석 인공지능 모델의 가중치들을 수정 및 갱신하는 단계; 를 포함하는, 방법.
  12. 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 전자 장치에 있어서,
    네트워크 인터페이스;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하고,
    상기 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는, 전자 장치.
  13. 전자 장치가 사용자의 여행 성향 분석을 위한 인공지능 모델을 학습시키는 방법에 있어서,
    여행 상황 별 행동유형과 상기 사용자의 여행성향에 관한 여행성향 변수들 사이의 상관 관계에 기초하여, 소정의 설계용 응답 데이터가 입력되면 설계용 성향 특징 데이터가 출력되도록 사용자 여행 성향 분석 인공지능 모델을 구축하는 단계; 및
    상기 구축된 사용자 여행 성향 분석 인공지능 모델에 학습용 응답 데이터들을 입력함으로써 획득되는 학습용 성향 특징 데이터들이 속하는 클러스터들의 경계가 명확해지도록 상기 사용자 여행 성향 분석 인공지능 모델을 학습시키는 단계; 를 포함하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체.
KR1020230077831A 2022-11-30 2023-06-19 인공지능 기반 여행자 여행 성향을 분석하는 방법 및 전자장치 KR20240082162A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220163882 2022-11-30
KR1020220163882 2022-11-30

Publications (1)

Publication Number Publication Date
KR20240082162A true KR20240082162A (ko) 2024-06-10

Family

ID=91482326

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020230077831A KR20240082162A (ko) 2022-11-30 2023-06-19 인공지능 기반 여행자 여행 성향을 분석하는 방법 및 전자장치
KR1020230077829A KR20240082161A (ko) 2022-11-30 2023-06-19 인공지능 기반 여행자 여행 성향을 분석하는 방법 및 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230077829A KR20240082161A (ko) 2022-11-30 2023-06-19 인공지능 기반 여행자 여행 성향을 분석하는 방법 및 장치

Country Status (1)

Country Link
KR (2) KR20240082162A (ko)

Also Published As

Publication number Publication date
KR20240082161A (ko) 2024-06-10

Similar Documents

Publication Publication Date Title
JP7032408B2 (ja) 現場検知
US10003924B2 (en) Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location
KR102669026B1 (ko) 전자 장치 및 이의 제어 방법
KR102426435B1 (ko) 사용자 입력에 기반한 문장을 제공하는 장치 및 방법
CN107533685A (zh) 个性化上下文建议引擎
KR20180055708A (ko) 이미지를 처리하는 전자 장치 및 방법
KR102628042B1 (ko) 연락처 정보를 추천하는 방법 및 디바이스
US11922443B2 (en) Method for predicting demand using visual schema of product, device therefor and computer program therefor
US11468886B2 (en) Artificial intelligence apparatus for performing voice control using voice extraction filter and method for the same
JP2017194782A (ja) 情報処理装置及び情報処理方法
KR20200085143A (ko) 외부 장치를 등록하는 대화형 제어 시스템 및 방법
KR20190053481A (ko) 사용자 관심 정보 생성 장치 및 그 방법
KR20190116188A (ko) 상황 인식에 기반한 방해 금지 모드 추천을 위한 장치 및 제어 방법
US20170249325A1 (en) Proactive favorite leisure interest identification for personalized experiences
Otebolaku et al. Recognizing high-level contexts from smartphone built-in sensors for mobile media content recommendation
JP6183489B2 (ja) 情報処理システム、情報処理方法、及びプログラム
KR20210082977A (ko) 컴퓨팅 장치 및 그 동작 방법
KR20240082162A (ko) 인공지능 기반 여행자 여행 성향을 분석하는 방법 및 전자장치
KR20180075227A (ko) 전자 장치 및 전자 장치의 검색 서비스 제공 방법
Saffar et al. Mobile user environment detection using deep learning based multi-output classification
US20210342864A1 (en) System and method for evaluating black-box recommendation systems in infotainment systems
KR20240082180A (ko) 사용자에게 여행 장소 컨텐츠를 제공하는 방법 및 장치
KR20210119106A (ko) 유전자 검사 결과 기반 개인성향 유전자 마커를 이용한 라이프 스타일 추천 서비스 제공 방법
KR20240082169A (ko) 여행 장소 별 여행 감성 특징 결정을 위한 인공지능 모델을 학습시키는 방법 및 전자 장치
KR102562282B1 (ko) 성향 기반 매칭 방법 및 장치