WO2020101081A1 - 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템 - Google Patents

고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템 Download PDF

Info

Publication number
WO2020101081A1
WO2020101081A1 PCT/KR2018/014064 KR2018014064W WO2020101081A1 WO 2020101081 A1 WO2020101081 A1 WO 2020101081A1 KR 2018014064 W KR2018014064 W KR 2018014064W WO 2020101081 A1 WO2020101081 A1 WO 2020101081A1
Authority
WO
WIPO (PCT)
Prior art keywords
node
neighboring
determining
neighbor
influence
Prior art date
Application number
PCT/KR2018/014064
Other languages
English (en)
French (fr)
Inventor
홍충선
탈룩더아시스
Original Assignee
경희대학교산학협력단
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 경희대학교산학협력단 filed Critical 경희대학교산학협력단
Publication of WO2020101081A1 publication Critical patent/WO2020101081A1/ko

Links

Images

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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1087—Peer-to-peer [P2P] networks using cross-functional networking aspects
    • H04L67/1093—Some peer nodes performing special functions

Definitions

  • It relates to a method for determining a high-impact node, a device for determining a high-impact node, a method for minimizing marketing cost in viral marketing, and a system for performing the same.
  • Viral marketing refers to a marketing method that spreads publicity / non-promotional information about an event, product, or company among people through rum between people.
  • Such viral marketing can be performed through a propagable medium, and in recent years, various types / types of social networks due to the development of information and communication technology are used as the main platform for viral marketing.
  • Such social networks include, for example, home pages, blogs, micro-blogs (such as Facebook, Twitter, or Instagram), Internet cafes, content hosting platforms (eg, Internet broadcasting platforms such as YouTube, etc.), and / Or Internet messenger.
  • the activity of a seed user's node can activate so many other users (or other user's nodes).
  • the activation of the node of the seed user means performing an action, such as posting a post, and the activation of the node of the other user, in whole or in part, such as a post of the seed user by another user Refers to read / copy / quote / share / delivery.
  • the conventional method of maximizing profit for viral marketing has been to find a target user that affects a large number of users, such as the maximum or a certain level.
  • a target user that affects a large number of users, such as the maximum or a certain level.
  • the conventional method was to search for and determine a target user who can maximize revenue by informing information to as many users as possible.
  • This method was performed by measuring the maximum number of users that can be activated by the active target user.
  • this method has a problem on the premise that the target user is active.
  • a method for determining a high-impact node, a determination device for a high-impact node, a method for minimizing marketing costs in viral marketing, and a system for performing the method can be determined, which can determine at least one neighboring node having high impact on a target node within an appropriate range It will be a task to solve what you provide.
  • a method for determining a high-impact node a method for determining a high-impact node, a device for determining a high-impact node, a method for minimizing marketing costs in viral marketing, and a system for performing the same are provided.
  • the method of determining a high impact node includes: determining at least one neighboring node corresponding to a target node, determining at least one total contributing node corresponding to each of the at least one neighboring node, and based on the total contributing node
  • the method may include determining a node having the highest influence from the at least one neighboring node.
  • the determining of at least one total contributing node corresponding to each of the at least one neighboring node may include determining at least one first verification target node corresponding to the neighboring node, and the at least one first verification target node. Selecting at least one first current active node affecting the at least one neighbor node, adding the at least one first current active node to at least one contributing node corresponding to the at least one neighbor node And updating the contributing node corresponding to the neighboring node.
  • the step of selecting at least one first current active node affecting the at least one neighboring node from the at least one first verification target node is based on a predefined probability, the at least one first verification target node And selecting at least one first current active node.
  • the determining of at least one total contributing node corresponding to each of the at least one neighboring node may include searching for a first new active node among the at least one first current active node, wherein the first new active node is contributing It may further include the step of including a node that does not overlap with the node.
  • the determining of at least one total contributing node corresponding to each of the at least one neighboring node may include: if the first new active node is not found among the at least one first current active node, the contributing node is the total contributing node. It may further include the step of determining as a node.
  • the determining of at least one total contributing node corresponding to each of the at least one neighboring node may include determining at least one second verification target node corresponding to each of the searched first new active nodes, and the at least one Selecting at least one second current active node affecting the first new active node from a second verification target node, adding the at least one second current active node to the at least one contributing node to the neighbor
  • the method may further include updating a contributing node corresponding to the node and searching for a second new active node among the at least one second current active node.
  • the method of determining a high impact node further includes initializing the contributing node, wherein the contributing node can be initialized by setting the same as the first new active node.
  • Determining the highest impact neighbor node from the at least one neighbor node based on the total contributing node includes acquiring the impact of the at least one neighbor node on the target node, respectively,
  • the influence of one neighbor node may be determined by the reciprocal of the total number of contributing nodes corresponding to the neighbor node.
  • the step of normalizing the at least one influence to obtain at least one normalized influence calculates a ratio between the difference between the influence of the neighboring node and the minimum influence on the target node and the difference between the maximum influence and the minimum influence Thereby normalizing the influence of the neighboring node on the target node.
  • Determining a neighbor node having the highest impact from the at least one neighbor node based on the total contribution node is a neighbor node having a relatively high impact among the at least one neighbor node based on the at least one total contribution node. And selecting a highly-affected high-affected neighbor node among at least one neighboring node other than the high-affected node, based on selecting and the at least one total contributing node.
  • Determining the highest impact neighbor node from the at least one neighbor node based on the total contribution node comprises: calculating at least one impact for each of the at least one neighbor node corresponding to the target node, Obtaining at least one normalized influence on the at least one influence, determining a normalized influence having the largest value among the at least one normalized influence, and detecting neighboring nodes corresponding to the determined normalized influence And determining a neighboring node having the highest influence, but the value of the influence can be calculated by obtaining an inverse of the contributing node.
  • Determining the highest impact neighbor node from the at least one neighbor node based on the total contributing node is when the sum of the at least one normalized influence is equal to or greater than a predefined threshold value. It may further include the step of detecting the neighbor node of the highest impact.
  • the method of determining a high impact node may further include obtaining a neighbor node group including the highest impact neighbor node.
  • the neighbor node set may include the highest impact neighbor node below a predefined threshold.
  • the apparatus for determining a high-impact node determines an information collection unit for collecting information related to at least one neighboring node corresponding to a target node and at least one total contributing node corresponding to each of the at least one neighboring node, and then the total And a processor that determines a neighbor node having the highest impact from the at least one neighbor node based on the contributing node.
  • the processor determines at least one node to be identified corresponding to the neighbor node, selects at least one current active node affecting the at least one neighbor node from the at least one node to be identified, and the at least At least one total contributing node corresponding to each of the at least one neighboring node by updating the contributing node corresponding to the neighboring node by adding the at least one current active node to at least one contributing node corresponding to one neighboring node Can decide.
  • the processor selects a neighboring node having a relatively high influence among the at least one neighboring node based on the at least one total contributing node, and based on the at least one total contributing node, at least other than the high impacting node.
  • a high impact neighbor node having a relatively high influence among one neighbor node may be selected to determine a neighbor node having the highest impact from the at least one neighbor node based on the total contributing node.
  • the method for determining a marketing cost minimization may be performed based on a social network including at least one target user and at least one neighbor user corresponding to the at least one target user, and at least one neighbor corresponding to the at least one target user Determining a user, determining at least one total contributing user corresponding to each of the at least one neighboring user, and having the highest impact on the target user from the at least one neighboring user based on the total contributing user And determining a neighbor user.
  • the marketing cost minimization system is communicatively connected to a social network device and the social network device having information on at least one target user and information on at least one neighboring user corresponding to the target user, wherein the at least one And an apparatus for determining at least one total contributing user corresponding to each neighboring user, and determining a neighboring user with the highest impact from the at least one neighboring user based on the total contributing user.
  • At least one neighbor node having a high impact on a target node is within required limits The effect that can be appropriately determined in can be obtained.
  • a device for determining a high-impact node According to the above-described method for determining a high-impact node, a device for determining a high-impact node, a method for minimizing marketing costs in viral marketing, and a system for performing the same, by detecting a high-impact neighbor node, even without detecting a large number of neighbor nodes The effect of activating the target node to a desired level can also be obtained.
  • the effect of cost reduction by optimally selecting neighboring nodes required for activation of the target node Can also be obtained.
  • the profits obtainable through viral marketing are minimized by minimizing the cost to be put into viral marketing. You can get the effect that you can maximize.
  • a user who selects the most influential user to spread content in a social network is selected for a small budget.
  • the effect of being able to promote a product or service within the province network can also be obtained.
  • high-impact node determination method high-impact node determination device, marketing cost minimization method in viral marketing, and a system for performing the same, online promotion / advertisement cost determination through a social network, cost-effective advertising agency
  • FIG. 1 is a diagram illustrating an embodiment of an apparatus for determining a high impact node.
  • FIG. 2 is a diagram illustrating an embodiment of a target node and neighbor nodes connected from the target node.
  • 3 is a diagram showing an embodiment of an activated neighbor node.
  • FIG. 4 is a diagram illustrating an embodiment of a node to be identified for activated neighbor nodes.
  • FIG. 5 is a view showing an embodiment of a node to be verified for a current active node.
  • FIG. 6 is a diagram for explaining an embodiment of a method for determining a neighbor node having the highest impact from at least one neighbor node.
  • FIG. 7 is a first diagram illustrating an embodiment of a method for determining a neighbor node having the highest impact from at least one neighbor node.
  • FIG. 8 is a second diagram illustrating an embodiment of a method for determining a neighbor node having the highest impact from at least one neighbor node.
  • FIG. 9 is a third diagram illustrating an embodiment of a method of determining a neighbor node having the highest impact from at least one neighbor node.
  • 10 is a diagram illustrating an embodiment of an algorithm.
  • FIG. 11 is a diagram illustrating an embodiment of a system for minimizing marketing costs in viral marketing.
  • FIG. 12 is a diagram showing an embodiment of a network in which viral marketing is performed.
  • FIG. 13 is a first flowchart illustrating an embodiment of a method for determining a high impact node.
  • FIG. 14 is a second flowchart illustrating an embodiment of a method for determining a high impact node.
  • 15 is a third flowchart illustrating an embodiment of a method for determining a high impact node
  • 16 is a flowchart illustrating an embodiment of a method for determining marketing cost minimization.
  • 'part' to be used hereinafter may be implemented in software or hardware, and according to an embodiment, 'part' may be implemented as one part, or 'part' may be implemented as a plurality of parts. It is also possible.
  • a part When a part is connected to another part in the specification, it may mean a physical connection depending on a part and another part, or it may mean to be electrically connected. Also, when a part includes another part, this does not exclude another part other than the other part, unless otherwise stated, and may mean that another part may be further included according to the designer's selection. do.
  • FIG. 1 is a diagram illustrating an embodiment of a device for determining a high impact node
  • FIG. 2 is a diagram illustrating an embodiment of a network composed of a plurality of nodes.
  • the high-impact node determining apparatus 100 is communicatively connected to the analysis target network 10 to acquire information from the analysis target network 10 and obtain the acquired information. Relatively high influence on the target node (v) among nodes (u1, u2, u3, u4, hereinafter neighboring nodes) having a relationship with a predetermined node (hereinafter, a target node (v)) of the network 10 to be analyzed based on It may be designed to determine at least one node (hereinafter, a high-impact node) having.
  • the high-impact node determination device 100 may be implemented using a computing device capable of processing information.
  • a computing device capable of processing information may be implemented using, for example, a desktop computer, a laptop computer, or a server dedicated computer, and according to an embodiment, a portable device such as a smart phone, a tablet PC or a portable game machine, or the like. , It may be implemented using an Internet-based digital television or an electronic device such as a refrigerator.
  • various electronic devices capable of arithmetic and processing may be used as an example of the high-impact node determination device 100.
  • the network 10 to be analyzed may include a plurality of nodes (v, u, a, b, and / or c, etc.).
  • a predetermined relationship may be formed between at least two nodes among the plurality of nodes (v, u, a, b, and / or c, etc.).
  • At least one node (v, u1 to u5, a1 to a12, b1 to b5, c1 to) among a plurality of nodes (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.)
  • At least one of c3) may be connected by at least one of other nodes (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.) by a predetermined relationship.
  • any one of the plurality of nodes (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.) (for example, the fourth neighbor node u4) is only one node (E.g., a4), and / or any one node (e.g., the first neighboring node u1), where one node is a plurality of nodes (e.g., v, a8 to a10, etc.).
  • the relationship between at least two nodes among the plurality of nodes may include physical relationships with each other, or may include virtual relationships.
  • Virtual relationships may include, for example, relationships on social networks such as friends, neighbors, following or subscriptions.
  • a plurality of nodes may affect (influence) one way or both.
  • each node (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.) is connected to another node (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.)
  • a specific node for example, the target node v
  • such influence may be variable according to changes in platform, surrounding environment, situation and / or time.
  • the operation of one node may induce the operation of another node (for example, the target node v).
  • Whether another node v is operated due to the operation of one node u1 may be dependent on the intensity of the above-described influence.
  • a given node e.g., first neighboring node u1
  • a specific node e.g., target node v
  • a specific node v may be activated with a high probability in response.
  • the specific node v may not be activated probably.
  • a node having a relatively weak influence on a specific node eg, the target node v
  • the specific node v is activated with a low probability. Can be.
  • the network 10 to be analyzed may be mathematically represented by G (V, E).
  • G (.) Means a network
  • V means a set of node (s) (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.) in the network 10 to be analyzed
  • E means relationships in the network 10 to be analyzed.
  • a set of node (s) (u1 to u4, etc.) that are related to each other with respect to a specific node (eg, target node v)
  • a set of nodes e.g., a6), which is represented by and is not related to a specific node (v) Can be expressed as in this case, And Each And Can be defined as
  • the high-impact node determining apparatus 100 collects necessary information from the node information providing apparatus 190 or the like, and the information collection unit 110 and information collected by the information collection unit 110 It may include a processor 120 for collecting from the information collection unit 110 and processes and controls the overall operation of the impact node determination device 100.
  • the information collecting unit 110 receives information from the network 10 including a plurality of nodes (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.). Can be collected. Specifically, the information collection unit 110 may obtain information about a plurality of nodes (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.) in the network 10.
  • the information collection unit 110 also obtains information on a relationship formed between at least two of a plurality of nodes (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.) of the network 10 You may.
  • the information collecting unit 110 may include, for example, a wired / wireless communication module capable of performing communication with the analysis target network 10, or an external storage medium (for example, information having the analysis target network 10). It can be implemented using a physical interface (for example, an Advanced Technology Attachment (ATA) interface, a universal serial bus interface and / or a Thunderbolt interface) that can be connected to a semiconductor memory device or a magnetic disk storage device, etc.) In addition, a semiconductor chip (for example, a communication chip) for processing received information may be further included as necessary.
  • a wired / wireless communication module capable of performing communication with the analysis target network 10
  • an external storage medium for example, information having the analysis target network 10
  • a physical interface for example, an Advanced Technology Attachment (ATA) interface, a universal serial bus interface and / or a Thunderbolt interface
  • a semiconductor chip for example, a communication chip for processing received information may be further included as necessary.
  • the wired / wireless communication module means a communication module capable of accessing a wired communication network, a wireless communication network, or a combination thereof, and the wireless communication network includes at least one of a short-range communication and a telecommunication network (mobile communication network). Can be.
  • the processor 120 uses a node (v, u1 to u5, a1 to a12, b1 to b5, c1 to c3, etc.) on the network 10 and a relationship therebetween to determine a predetermined node (hereinafter referred to as a target node ( v)), at least one node having a relatively high influence (hereinafter referred to as a high-impact node) may be determined from among nodes having a relationship (hereinafter referred to as neighbor nodes (u1, u2, u3, u4, u5, etc.)).
  • the processor 120 may include at least one of the at least one neighboring node (u1 to u5). It is provided to determine a total contribution node corresponding to one, and determine at least one high-impact node having the highest impact on the target node v on at least one based on the determined total contribution node. Accordingly, the processor 120 can acquire a set of neighbor nodes (hereinafter referred to as a high-impact node set) made of high-impact nodes.
  • a high-impact node set a set of neighbor nodes
  • the processor 120 may perform a determination of a high impact node and a determination of a high impact node set using a heuristic mixed model (HM Model).
  • the heuristic mixed model includes an inverse cascade model that modifies an independent cascade model (IC model) and an inverse linear criterion that modifies a linear threshold model (LT model, Linear Treshold models). It may be implemented by employing a combination of a model (Reverse LT model) and a greedy optimization technique.
  • Independent cascade models are typically used to determine how many nodes can be activated by a particular node.
  • the inverse independent cascade model can determine how many activated nodes are required for activation of a specific node (ie, target node v) by using the independent cascade model in reverse order.
  • the total contributing node determining unit 122 includes at least one total contributing node corresponding to at least one neighboring node u1 to u5 for each of the at least one neighboring nodes u1 to u5 corresponding to the target node v. Can decide. According to an embodiment, the total contributing node determining unit 122 may determine the total contributing nodes for all the neighboring nodes u1 to u5 of the target node v, or a neighboring node of a part of the target node v ( It is also possible to determine the total contributing node for u1 to u5).
  • the total contributing node determination unit 122 may be implemented to obtain at least one total contributing node using an inverse independent cascade model.
  • a newly activated node (s) or a set of the newly activated node (s) in a specific one processing process for example, p1 to three p3 in FIGS.
  • All node (s) or a set of objects to be checked for activation of a specific node (u) is a node to be checked for a specific node (u) ( ).
  • the node to be checked for the first neighbor node u1 ( ) May be at least one node (a8, a9, a10, etc.) connected to the first neighboring node (u1) or a set thereof.
  • node (s) or a set of active or active node (s) within a particular process is activated by the current active node ( ).
  • all the node (s) or a set of nodes determined to contribute to the activation of a specific node (u) in the previously performed processing process or in the current processing process is the total contributing node ( ).
  • 3 is a diagram showing an embodiment of an activated neighbor node.
  • the total contributing node determination unit 122 detects at least one neighboring node (u: u1 to u5) corresponding to the target node (v), and the total contributing node for each of the at least one neighboring node (u: u1 to u5) ( : To ).
  • Total contributing nodes for each of the at least one neighbor node (u: u1 to u5) : To ) Can be performed independently of each other or dependently.
  • the total contributing node determination unit 122 detects the activated neighboring nodes u1, u3, and u5 as shown in FIG. 3, and activates the activated neighboring nodes u1, u3, and u5, respectively.
  • Total Contribution Nodes ( : , And ) Can also be determined (P1, hereinafter, the first processing process).
  • the total contributing node determining unit 122 first, a new active node for one or more activated neighbor nodes (u: u1, u3, u5) ) And total contributing nodes ( ) Can be initialized. At this time, the new active node ( ) And total contributing nodes ( ) May be initialized using neighbor nodes (for example, activated neighbor nodes (u: u1, u3, u5)) that are to be analyzed. For example, if the total contributing node to the third neighbor node u3 ( ), A new active node for the third neighbor node u3 ( ) And total contributing nodes ( ) Can be determined as ⁇ u3 ⁇ . This can be expressed by Equation 1 and Equation 2 below.
  • FIG. 4 is a diagram illustrating an embodiment of a node to be identified for activated neighbor nodes.
  • the node to be checked ( ) Based on the total number of contributing nodes ( ) May be determined (p2, hereinafter second processing process). To do this, the current active node ( ) Can be obtained, and also a new active node ( ) Can also be obtained.
  • the node (s) to be identified for each of the neighboring nodes u1 to u5 first ( ) Can be determined.
  • the node to be checked ( ) May include all node (s) connected to a specific node u, and may be a set of all node (s).
  • the node to be verified (which is checked and reviewed in relation to the activation of each neighboring node (u) ( ) Can be expressed by the following equation (3).
  • each neighbor node (u) is a new active node ( ).
  • the node to be checked for the third neighbor node u3 may include all of the node (s) a1 to a3 connected to the third neighboring node u3.
  • the node to be checked ( ) Can be given as ⁇ a1, a2, a3 ⁇ .
  • Node to check ( ) Is determined, the node to be checked ( ), The current active node for the neighbor node (u1, u3, u5) ) Can be determined, the current active node ( ) To create a new active node ( ) And total contributing nodes ( ) Can be updated.
  • At least one node (a2 and a3) of the nodes to be identified (a1 to a3) affects the activation of the connected node (for example, the third neighboring node (u3))
  • At least one node (a2 and a3) determined to be the current active node ( ) are the current active nodes ( ).
  • At least one node to be identified may be assumed to affect a connected node (eg, a third neighbor node u3) according to a predetermined probability p, .
  • the determination of at least one node a2 and a3 determined to have an effect may be performed based on the probability.
  • the predetermined probability p may be a predefined one, may be selected within a predefined range, or may be selected from a plurality of predefined probability values. In the latter case, for example, the probability p may be evenly selected from 0.01 and 0.01. For another example, the probability p may be arbitrarily selected from 0.1, 0.01 and 0.001. In addition, the probability p can be variously defined according to the designer's selection.
  • Current active node For example, a2 and a3) are determined, the current active node ( , a2 and a3) based on the new active node ( ) And total contributing nodes ( ) Is updated. Specifically, a new active node ( ) Is the current active node ( , a2 and a3) among the total contributing nodes ( ), Which are re-determined and updated with nodes (a2 and a3) that do not overlap, and the total contributing nodes ) Is the existing total contribution node ( ) To the current active node ( ).
  • the new active node ( ) Can be updated to exclude nodes found in other existing processing processes (1 st and second processing processes), and deliver only newly activated nodes to the next processing process (third processing process), and the total contributing nodes ( ) May be updated to transfer all nodes found in other existing processing processes (1 st and second processing processes) to the next processing process (third processing process).
  • a new active node ( ) And total contributing nodes ( ) Is initialized to ⁇ u3 ⁇
  • the new active node ( ) Is updated to ⁇ a2, a3 ⁇
  • the total contributing nodes ( ) Is updated to ⁇ u3, a2, a3 ⁇ .
  • FIG. 5 is a view showing an embodiment of a node to be verified for a current active node.
  • the above-described second processing process (p2) is the same or partially modified, and the new active node ( ) Can be repeated until the number of elements in the table becomes 0 (p3, hereinafter the third processing process).
  • the second processing process second if a new active node ( If the number of elements of) is not 0, as shown in FIG. 5, the new active node ( ), The same process (p3) may be repeated.
  • a new active node At least one node (a3, b1, b3) that affects each of the at least one node (a2, a3), and detects at least one node (a3, b1, b3) as the current active node ( ), And the current active node ( ) Among total contributing nodes ( ) Does not overlap nodes (a2 and a3) with new active nodes ( ), And the existing total contribution nodes ( In other words, the current active node (the total contribution node calculated in the second processing process (p2)) Total nodes by adding) ) Can be updated.
  • the new active node In the case of any one of the nodes a2 and a3 determined as) (a2, hereinafter, the first new active node), at least one node a3, b1, b2 connected to the first new active node a2, b3) the node to be checked ( ), And the node to be checked in the same manner as described above ( ) Among at least one node (a3, b1, b2, b3) belonging to the current active node ( ) Can be detected.
  • the active node (a3, b1, b3) is the current active node ( ).
  • the current active node ( ) Is the current active node ( ) And / or new active node ( The node determined as) (eg, a3) may also be included.
  • the total number of contributing nodes renewed and re-acquired ( ) Can be given, for example, ⁇ u3, a2, a3, b1, b3 ⁇ .
  • a new active node ( ) Is not an empty set, equally the total number of contributing nodes ( ) Will continue to be updated.
  • a new active node In the case of another node (a3, hereinafter the second new active node) among nodes a2 and a3 determined as), the node to be checked ( ) Is determined as ⁇ a2 ⁇ , the current active node ( ) May be determined as ⁇ a2 ⁇ .
  • the new active node ( ) Is empty, the processing for the second new active node (a3) (that is, the total contributing node ( ) Update process) ends.
  • the above-described second processing process (p2) and the third processing process (p3) may be performed for all activated neighbor nodes (u1, u3, u5). Further, depending on the situation, additional processing process (es) may be performed for all activated neighbor nodes u1, u3, and u5 even after the third processing process p3.
  • the total contributing node determining unit 122 acquires the total contributing node ( ) To the high impact node acquisition unit 124.
  • the total contributing node ( ) May be transmitted in the form of electrical signals.
  • the high-impact node acquisition unit 124 may include a total contributing node (for all or part of each neighboring node u1 to u5) Based on), at least one neighbor node (hereinafter, a high impact node) having a relatively high influence on the target node u may be selected from the neighbor nodes u1 to u5.
  • the high-impact node acquisition unit 124 calculates a weight for the influence of each neighboring node (u1 to u5) heuristic influence ( , Heuristic influence weight, etc.) can also be used. Heuristic influence ) Is used to minimize the number of nodes detected in the inverse linear threshold model together with the greedy optimization technique. Also, the high-impact node acquisition unit 124 may determine an optimal high-impact node using an inverse linear threshold model.
  • the high-impact node acquisition unit 124 the total contribution node ( ), The influence of one neighbor node (u) on the target node (v) ( ), And the influence of one neighbor node (u) on the target node (v) ( )
  • the influence of any one neighbor node u on the target node v ) Is the total contribution node measured ( It can be set to have a constant relationship with the number of ( ⁇ (u)).
  • the influence of one neighbor node u on the target node v ) The total contribution node ( ) And can be set and defined as having an inverse relationship with the number ( ⁇ (u)). This can be expressed by the following equation (6).
  • the relationship between the numbers ( ⁇ (u)) may have a relationship other than an inverse relationship.
  • the relationship between the number of) ( ⁇ (u)) may be set by other functions (for example, a negative exponential function or a negative logarithmic function).
  • Heuristic influence Is the influence of any neighboring node (u) on the target node (v) ( ) Can be obtained by normalizing.
  • the influence of one neighbor node u on the target node v ) Can be normalized using Min-Max theorem as shown in Equation 7 below.
  • normalized influence that is, heuristic influence ( ) Is the influence of any neighboring node (u) on the target node (v) ( ) And least impact ( ) The difference between, the maximum impact ( ) And least impact ( ), Divided by the difference between them (i.e., the ratio between them). If the influence of any neighboring node (u) on the target node (v) ( ) Is the maximum influence ( ), Heuristic influence ( ) Has a value of 1. Conversely, the influence of any one neighboring node u on the target node v ) Is the least influential ( ), Heuristic influence ( ) Has a value of 0. In other words, this normalized influence ( ) Has a value between 0 and 1 at the minimum.
  • the total contributing node ( A node with a relatively small number of) indicates that it is more likely to have a relatively strong influence. For this reason, high heuristic influence If the node (s) having) is selected, a relatively small number or a minimum number of node (s) can be obtained while sufficiently affecting the target node v. If the target node v is a target user (eg, a seed user) of the social network, it is possible to activate the target user on the social network with only a small number of user activations, thus resulting in cost savings.
  • a target user eg, a seed user
  • the high impact node acquisition unit 124 uses an inverse linear threshold model. Maximum heuristic influence within an inverse linear model ( ), The neighboring node (u) is obtained using a greedy algorithm. Accordingly, a node group consisting of a minimum number of high-impact nodes for the target node v ( ) Is given as in Equation 8 below.
  • the above-described node group ( ) Is a heuristic influence (s) of each node (at least one of u1 to u5) among at least one neighboring node u1 to u5) to the target node v ) At least one high-impact node (at least one of u1 to u5, u ⁇ ).
  • the node group described above ( ) Is a high impact node (at least one of u1 to u5, u ⁇ )
  • each of these high impact node (s) (at least one of u1 to u5) has a heuristic impact ( ) Is the maximum.
  • Threshold ( ) Is the heuristic influence of each of the selected high-impact nodes ( ). If the heuristic influence of each high-impact node ( The sum of) is the threshold value ( )), The neighbor node is further selected as described below, and if the heuristic influence of each of the high-impact nodes ( The sum of) is the threshold value ( ), A high impact node for the target node v is determined. Meanwhile, according to Equation 7, the largest heuristic influence ( ) May have a value of 1.000, so the threshold value ( ) May mean the number of high-impact nodes to be selected.
  • the threshold value ( ) May be set by a majority voting technique.
  • the target node v may be set to be activated in response to activation of a majority of neighboring nodes u1 to u5.
  • the threshold ( ) May be given by Equation 9 below.
  • the total contributing node to the target node (v) ( ) As shown in FIG. 10 below, the total contributing node of at least one neighboring node (u) ( ).
  • Total contributing nodes of the entire target node population S, including at least one target node v ) Is a total contributing node to at least one target node v, as shown in Equation 11 below. ).
  • a minimum value of the minimum number of node (s) and the number of node (s) required to affect the entire target node (s) S in one network 10 may be obtained.
  • the number of node (s) can be evaluated as a cost, it is possible to perform activation of the target node (s) (v) at a minimum cost while also target node (s) in one network 10 ( It is possible to determine the minimum cost required for activation of v).
  • FIG. 6 is a diagram for explaining an embodiment of a method for determining a neighbor node having the highest impact from at least one neighbor node.
  • Each column in FIG. 6 is sequentially thresholded from the left column ( ), The total contributing node to a specific neighbor node (ui) ( ), Total contributing nodes ), The number of nodes ( ⁇ (ui)), influence ( ), Heuristic influence ( ), Heuristic influence ( Neighbor node (u) selected according to), group consisting of high impact nodes ( ) And high-impact nodes ( Total contribution nodes corresponding to) ).
  • 7 is a first diagram illustrating an embodiment of a method for determining a neighbor node having the highest impact from at least one neighbor node.
  • FIG. 8 is a second diagram illustrating an embodiment of a method of determining a neighboring node having the highest impact from at least one neighboring node
  • FIG. 9 is a method of determining a neighboring node having the highest impact from at least one neighboring node 3 is a view showing an embodiment of the. 6 to 9 are threshold values ( ) Shows an example executed on the assumption that 3.
  • each total contributing node (for each neighboring node u1 to u5) , , , And ) can be obtained.
  • the number of nodes ( ⁇ (u1), ⁇ (u2) corresponding to the total contributing nodes of each neighboring node u1 to u5), ⁇ (u3), ⁇ (u4) and ⁇ (u5)) can be given as 5, 6, 3, 7 and 4, respectively.
  • the influence corresponding to each neighboring node (u1 to u5) ( ) Is sequentially given as 0.200, 0.167, 0.333, 0.143, and 0.250, and the heuristic influence calculated based on this ( ) Can be given as 0.300, 0.126, 1.000, 0.000 and 0.263, respectively.
  • the heuristic influence of the third neighbor node (u3) ( ) Has the largest value (that is, 1.000), so a third neighboring node u3 is selected from these nodes u1 to u5.
  • a group of high-impact nodes Includes a third neighboring node (u3), and is a group of high-impact nodes ( Total contribution nodes corresponding to) ) Is given as ⁇ 1, 4, 5 ⁇ in the same way as the third neighbor node u3.
  • each node ( ⁇ 1, 4, 5 ⁇ ) corresponding to the third neighboring node u3 selected in the first iteration process I3 is added to the other neighboring nodes u1, u2, u4, u5.
  • each node corresponding to the third neighbor node u3 ( ⁇ 1, 4, 5 ⁇ and each other node corresponding to the other neighbor nodes u1, u2, u4, u5)
  • the union may be obtained), and the second iterative process I2 may be performed in the same manner as described above for the other neighboring nodes u1, u2, u4, and u5, in which case each node u1, u2 , u4, u5)
  • a group of high-impact nodes Includes a first neighboring node (u1) and a third neighboring node (u3), and is a group of high-impact nodes ( Total contribution node for) ) Is given as ⁇ 1, 2, 3, 4, 5 ⁇ in the same manner as the union of the first neighboring node u1 and the third neighboring node u3.
  • heuristic influence corresponding to each node (u2, u4, u5) can be given as 0.667, 0.000 and 1.000, respectively, and equally heuristic influence ( The fifth node u5 having the largest) is selected.
  • a group of high-impact nodes ( ) Is the first neighboring node (u1), the third neighboring node (u3) and the fifth neighboring node (u5) is updated, including a group of high-impact nodes ( Total contribution nodes corresponding to) ) Includes ⁇ 1, 2, 3, 4, 5, 8, 15, 16 ⁇ in the same manner as the union of the third neighboring node u1, the third neighboring node u3, and the fifth neighboring node u5. do.
  • the most influential node including a total of 8 nodes (1, 2, 3, 4, 5, 8, 15, 16) is selected.
  • the processor 120 may be specially designed to perform the above-described operation, or may be a special programming of a typical information processing device for the above-described operation. Further, the processor 120 may be provided to be operable by calling a program for the above-described operation. In this case, the processor 120 may drive an application stored in a storage medium (not shown) to perform predefined instruction processing, calculation, determination, processing, and / or control operations.
  • the application stored in the storage medium may be pre-written by the designer and stored in the storage medium, and / or may be obtained or updated through an electronic software distribution network accessible through a wired or wireless communication network.
  • the processor 120 includes, for example, a central processing unit (CPU), a micro controller unit (MCU), a microprocessor (Micom), an application processor (AP), and electronics. It may include a control unit (ECU, Electronic Controlling Unit) and / or other electronic devices capable of processing various operations and generating control signals. These devices can be implemented using, for example, one or more semiconductor chips and related components.
  • FIG. 10 is a diagram showing an embodiment of an algorithm, and specifically, the above is roughly expressed as an algorithm.
  • the entire group S Total contribution nodes for ) Is treated as an empty set (line 1).
  • the target node v belongs to the target node group S (line 2)
  • the total contributing node of the target node v ( ) Is initialized to an empty set (line 3)
  • a new active node ( ) Is initialized to a set ( ⁇ u ⁇ ) containing neighbor nodes (u) (line 4).
  • Neighbor node (u) is a new active node ( ), Lines 6 to 14 are repeated (line 5, line 15).
  • the node to be checked Is a set of node (s) related to neighbor node (u) ( ) Is applied (line 6), and the current active node corresponding to the neighbor node (u) ( ) Is set to the empty set, and the total contributing nodes ( ) Is initialized to a set ( ⁇ u ⁇ ) containing neighbor nodes (u) (line 7).
  • the node (w) that has a relationship with the neighboring node (u) is the node to be checked ( ), If the node w having a relationship with the neighboring node u is activated according to the probability p, the current active node ( ) And ⁇ w ⁇ to the current active node ( ) Is repeated (line 9 to line 11) (line 8 and line 12).
  • a new active node After repetition (line 8 to line 12), a new active node ( ), The existing new active node ( ) To the total contributing node to the neighbor node (u) ( ) And total contributing nodes (S) to the target node population (S) ) To update by subtracting (line 13), as well as the total number of contributing nodes to the neighbor node (u) ( ) Is the total contributing node to the existing neighbor node (u) ( ) And the new active node ( ) (That is, using the union) and update (line 14).
  • the maximum heuristic influence ( The smallest set of neighboring nodes (u) with) is a group of nodes consisting of high-impact nodes ( ) (Line 16), and the node group ( ), The total contributing node of node (s) (y) belonging to ( ) To the total contributing node to the target node (v) ( ) (Line 17).
  • the total number of contributing nodes to the entire group (S) The total contributing node to the entire group (S) ) To the total contributing node to the target node (v) ( ) To update (line 18).
  • the above-described algorithm may be processed by the above-described processor 120.
  • the processor 120 may detect the node (s) having high influence on the target node in the predetermined group S according to the above-described algorithm and determine the number of them.
  • the above-described high-impact node determination device may be used to minimize marketing costs in viral marketing in one embodiment.
  • FIG. 11 is a diagram illustrating an embodiment of a system for minimizing marketing costs in viral marketing
  • FIG. 12 is a diagram illustrating an embodiment of a network in which viral marketing is performed.
  • the marketing cost minimization system 1 in viral marketing includes at least one of a high-impact node determination apparatus 200 and at least one social network service providing system 300: 301, 302 accessible It may include a social network service providing system (300: 301, 302) of the, and the social network service providing system (300: 301, 302), and at least one terminal device (310) connected.
  • At least one social network service providing system 300 may include at least one user z0 to z24 and a relationship between these users.
  • At least one user may include a virtual user.
  • the virtual user may include a user account, and / or may include a homepage, blog, microblog and / or post accompanying the like.
  • At least one user may include the target user (s) z0.
  • the target user z0 refers to a user who can have a strong influence on multiple users within a social network service.
  • the target user z0 may include a celebrity or a famous company, or a virtual user representing them.
  • At least one neighboring user (z11 to z24) is a user having a predetermined relationship directly or indirectly with the target user (z0), for example, the first neighboring user (z11 to z13) or the second neighboring user (z21 to z24) It may include.
  • the at least one first neighbor user z11 to z13 is a friend, neighbor, or following the target user z0 directly or indirectly with the target user z0, or followed by the target user z0. It may be being hung.
  • the at least one neighboring user z11 to z24 includes at least one first neighboring user z11 to z13 as well as at least one first neighboring user z11 to z13 having a direct relationship with the target user z0. z13) and other at least one second neighboring user (z21 to z24) having direct or indirect relationship with other users (s).
  • the marketing cost minimization system 1 may also include a plurality of social network service providing systems 301 and 302.
  • a plurality of social network service providing systems 301 and 302 may be interlocked with each other or may be provided to transmit / receive mutually necessary data.
  • the high-impact node determining apparatus 200 may acquire information about a user and information about a relationship between users from each of the plurality of social network service providing systems 301 and 302.
  • the plurality of social network service providing systems 301 and 302 may be implemented using one or more computing devices, and the computing devices may include computing devices for servers, desktop computers and / or various portable electronic devices, and the like. .
  • the high-impact node determining device 200 may include information about a target user on a social network (eg, account information, a friend or neighbor, or a follower / following) from at least one social network service providing system 300 (301, 302). Information, etc.) and at least one neighboring user (s) corresponding to the target user.
  • a social network eg, account information, a friend or neighbor, or a follower / following
  • Information, etc. and at least one neighboring user (s) corresponding to the target user.
  • the high-impact node determining apparatus 200 is based on information obtained from at least one social network service providing system 300 (301, 302), as described above, high-impact user (s) having a high impact on the target user (s) You can acquire a population for and, in addition, a cost based on the number of high impact user (s) in the population. More specifically, the high-impact node determining apparatus 200 may correspond to at least one first neighboring user z11 to z13, which is the above-described neighboring node, corresponding to the target user (z0, which may correspond to the above-mentioned target node).
  • the high-impact node determining apparatus 200 determines at least one total contributing user (which may correspond to the above-described total contributing node) for each of the at least one first neighboring users z11 to z13, and then the total contributing It may be designed to determine, based on the user, the highest impact neighbor user (which may correspond to the high impact node described above) for the target user among at least one neighbor user.
  • the cost to be incurred for activation of the target user may be determined as the total number of contributing users corresponding to the group consisting of the target users, which corresponds to the group S consisting of the target node v described above.
  • Total Contribution Node ( ) May be performed using the same method as the method of calculating the size ( ⁇ (S)) or a partially modified method. Details of the operation and function of the high-impact node determining apparatus 200 have been previously described with reference to FIGS. 1 to 10, and thus will be omitted below to avoid duplicate description.
  • the terminal device 310 is provided to access at least one social network service providing system 300 (301, 302) through a wired or wireless communication network.
  • the terminal device 310 allows a user to access another user's home page or the like, view, duplicate, share, quote and / or deliver other users' posts, and / or the user's homepage of the terminal device 310 or It may be used to view or edit a micro-blog, or a user of the terminal device 310 to create, view, modify, and / or delete posts.
  • the terminal device 310 is, for example, a smart phone, a tablet PC, a head mounted display (HMD) device, a smart watch, a digital television, a set top box, a desktop computer, a laptop computer, a navigation device, and a personal digital assistant (PDA, Personal Digital Assistant), a portable game device, an electronic blackboard, an electronic billboard, or other devices capable of inputting and modifying other codes.
  • HMD head mounted display
  • PDA Personal Digital Assistant
  • the high-impact node determination device and the marketing cost minimization system which is one embodiment to which it is applied, have been described above.
  • the optimization method used in the above-described heuristic mixing model to obtain a high-impact node or to solve the minimization of marketing cost is a technique related to the knapsack problem, and the heuristic mixing model has a neighbor node having the maximum influence each time ( It is designed to select a neighbor user).
  • the inverse independent cascade model used in the node activation process is a modification of the traditional independent cascade, and the influence maximization problem under the traditional independent cascade model is an NP-hard problem.
  • the backpack problem is also NP-difficult, the method of acquiring high-impact nodes under the heuristic mixed model or minimizing marketing cost corresponds to NP-hard.
  • the heuristic mixed model algorithm described above may be a 2 approximation algorithm, such as Equation 13 below.
  • the backpack problem described above is a two-approximation algorithm and is a variation of the backpack problem of the heuristic mixture model
  • the heuristic mixture model shows the same approximation ratio as in Equation 14 below.
  • FIG. 13 is a first flowchart illustrating an embodiment of a method for determining a high impact node.
  • At least one neighboring node corresponding to at least one target node may be determined (S100). If a plurality of target nodes exist, at least one neighbor node may be determined independently for each of the plurality of target nodes.
  • At least one total contributing node may be determined corresponding to each of the at least one neighbor node (S110).
  • the total contributing node may be obtained using an inverse independent cascade model.
  • the highest impacting neighboring node (that is, a high-impacting node) among at least one neighboring node corresponding to the target node is obtained based on the totaling contributing node. It may be determined (S120). According to an embodiment, the determination of the most influential neighbor node may be performed by combining at least two of an inverse linear threshold model, a heuristic technique, and a greedy optimization technique.
  • a high impact node for the target node can be determined, and the number of nodes corresponding to the high impact node can also be determined.
  • FIG. 14 is a second flowchart for explaining an embodiment of a method for determining a high-impact node, and describes a process in which a total contributing node is determined in more detail.
  • a new active node and a total contributing node corresponding to each of one neighbor node or two or more neighbor nodes are first initialized (S111).
  • a new active node and a total contributing node can be initialized to include corresponding neighbor nodes, respectively.
  • a node to be checked for each neighbor node or two or more neighbor nodes is determined (S112).
  • the node to be identified may include at least one node that has a relationship with the neighboring node and may affect the neighboring node, and may include all the nodes prepared in this way according to embodiments.
  • the current active node may be determined from among the nodes to be checked (S112).
  • the current active node may be obtained from nodes to be identified based on a predetermined probability.
  • the predetermined probability may be, for example, evenly selected from 0.01 and 0.01, or may be arbitrarily selected from 0.1, 0.01 and 0.001.
  • the new active node and the total contributing node may be updated based on the current active node (S114). Specifically, the new active node is updated with a node that does not overlap with the existing total contributing node (i.e., the total contributing node before update) among the current active nodes (i.e., the difference between the current contributing node and the total contributing node).
  • the total contributing node may be updated by adding the current total active node to the existing total contributing node (the total contributing node may be updated by adding the new contributing node to the new active node). In other words, the total contribution node can be updated with the union of the existing total contribution node and the current active node.
  • the new active node If the number of nodes belonging to the new active node is 0, it may be determined (S115). In other words, it may be determined whether the new active node is an empty set.
  • the total contribution node updated in step S114 described above is determined as the final total contribution node (S116).
  • the node to be identified includes a node that has a relationship with a new active node.
  • the current active node is also determined for the node to be checked for the new active node sequentially (S113), and the new active node may be newly updated as described above based on the determined current active node (S114). Similarly, using the newly determined current active node, the total contributing node may be newly updated through the same method as described above.
  • the newly updated new active node is 0 (S115), and when the number of nodes belonging to the newly updated new active node is 0 (YES in S115), If the newly updated total contributing node is determined as the final total contributing node (S116), on the contrary, if the number of nodes belonging to the newly updated new active node is not 0 (No in S115), the newly updated new active node is added again.
  • the node to be checked for is determined again (S117). In other words, the above-described steps S112 (S117), S113, and S114 may be repeated until the new active node becomes empty (S115).
  • a total contributing node for at least one neighbor node can be determined.
  • 15 is a third flow chart for explaining an embodiment of a method for determining a high-impact node, which describes in more detail the process of selecting a neighbor node with the highest impact.
  • each of the at least one neighboring node is used using each total contributing node.
  • the corresponding influence may be calculated (S121).
  • the influence may mean the influence of the neighboring node on the target node.
  • the influence corresponding to each neighboring node is calculated, the influence is normalized (S122). Accordingly, normalized influences (eg, heuristic influences) corresponding to respective influences may be respectively obtained.
  • the normalized influence may be calculated using Equation 7 described above.
  • each normalized influence corresponding to each neighboring node is obtained, each normalized influence is compared, and a neighboring node having the largest normalized influence value is detected according to the comparison result (S123). For example, a neighbor node given a value of normalized influence of 1.000 can be detected.
  • the sum (k) of normalized influences corresponding to sequentially detected neighbor nodes may be calculated (S124). If the neighbor node is first detected, the normalized influence value of the detected neighbor node may be given as the sum (k) of normalized influences.
  • the sum (k) of normalized influences may be compared with a predefined threshold value ( ⁇ ) (S125). If the sum of normalized influences k is equal to the predefined threshold value ⁇ (YES in S125), the neighbor node detected in step S123 described above may be determined as a high impact neighbor node (S126). In this case, a set of at least one node (s) having a direct or indirect relationship with a high-impact neighbor node may be determined as the total contributing node for the target node, and the number of nodes belonging to the total contributing node may also be calculated. .
  • the influence and normalized influence on the newly acquired neighbor node merged may be recalculated (S128).
  • each normalized influence is compared with each other as described above, and at least one neighbor node among the newly acquired neighbor nodes may be detected according to the comparison result ( S123).
  • the detected neighbor node includes a neighbor node having the largest normalized influence value among newly acquired neighbor nodes.
  • the sum (k) of normalized influences corresponding to the neighbor nodes (ie, the first detected neighbor node and the newly detected neighbor node) detected in the above-described process is calculated (S124), if the sum of the normalized influences If (k) is equal to the predefined threshold value ⁇ (YES in S125), the neighboring nodes obtained in steps S121 to S123 described above and the neighboring nodes obtained through steps S127, S128 and S123 described above have a high impact. It may be determined as a neighbor node (S126).
  • High-impact neighbor nodes can be determined by this process.
  • 16 is a flowchart illustrating an embodiment of a method for determining marketing cost minimization.
  • At least one neighboring user corresponding to at least one target user may be first determined (S400).
  • each of the plurality of target users may independently determine at least one neighbor user.
  • At least one neighboring user corresponding to the target user is determined, at least one total contributing user corresponding to each of the at least one neighboring user may be sequentially determined (S410). As described above, the total contributing user may be obtained using an inverse independent cascade model.
  • a user having the highest influence (eg, a neighboring user) among users associated with the target user may be determined based on the total contributing user (S420). .
  • the determination of a user with high influence may be performed by combining at least two of an inverse linear threshold model, a heuristic technique, and a greedy optimization technique.
  • a user group having a high influence on a target user can be obtained, and a marketing cost can be determined based on the number of users belonging to the user group.
  • a group of users who are required minimum is obtained for activation of a target user having a strong influence on various users, so it is possible to determine a necessary marketing cost, and it is also possible to minimize and optimize the required marketing cost.
  • At least one of a method for determining a high impact node and a method for minimizing marketing cost according to the above-described embodiment may be implemented in the form of a program that can be driven by a computer device.
  • the program may include program instructions, data files, and data structures, alone or in combination.
  • the program may be designed and manufactured using machine code or high-level language code.
  • the program may be specially designed to implement the above-described method, or may be implemented using various functions or definitions that are well known and available to those skilled in the computer software field.
  • the computer device may be implemented by including a processor, memory, or the like, which enables the function of the program, and may further include a communication device as necessary.
  • the program for implementing at least one of the above-described high impact node determination method and marketing cost minimization determination method may be recorded on a computer-readable recording medium.
  • the computer-readable recording medium includes, for example, a magnetic disk storage medium such as a hard disk or a floppy disk, a magnetic tape, an optical recording medium such as a compact disk or DVD, and a magneto-optical recording medium such as a floppy disk and ROM. It may include various types of hardware devices capable of storing a specific program executed according to a call of a computer, such as a semiconductor storage device such as RAM or flash memory.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템에 관한 것으로, 고 영향 노드의 결정 방법은 목표 노드에 대응하는 적어도 하나의 이웃 노드를 결정하는 단계, 상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계 및 상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계를 포함할 수 있다.

Description

[규칙 제26조에 의한 보정 26.11.2018]　고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템
고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템에 관한 것이다.
바이럴 마케팅이란, 사람들 사이의 소문을 통해 사건, 제품 또는 기업 등에 대한 홍보성/비홍보성 정보를 사람들 사이에서 확산시키는 마케팅 방법을 의미하는 것이다. 이와 같은 바이럴 마케팅은 전파 가능한 매체를 통하여 수행될 수 있으며, 근자에는, 정보 통신 기술의 발달에 기인한 다양한 종류/형태의 소셜 네트워크가 이와 같은 바이럴 마케팅의 주요 플랫폼으로 이용되고 있다. 이와 같은 소셜 네트워크로는, 예를 들어, 홈 페이지, 블로그, 마이크로 블로그(페이스북, 트위터 또는 인스타그램 등), 인터넷 카페, 컨텐츠 호스팅 플랫폼(예를 들어, 유튜브 등의 인터넷 방송 플랫폼 등) 및/또는 인터넷 메신저 등이 존재한다.
소셜 네트워크에는 매우 많은 수의 사용자가 참여하는데, 이들 중에는 상대적으로 타 사용자에게 더 강하고 많은 영향을 미치는 사용자(이하 시드 사용자)가 존재한다. 예를 들어, 연예인 등과 같은 유명 인사는 다른 일반적인 사용자보다 상대적으로 더 많은 이웃이나, 팔로워(follower)나, 구독자를 가지고 있으며, 이들의 작성하거나 업로드한 게시물(기호, 문자, 도형, 정지 화상 및/또는 동영상 등을 포함할 수 있다)은 상대적으로 더 많은 타 사용자들에게 전달되거나 공유된다.
다시 말해서, 시드 사용자의 노드(시드 사용자의 계정이나 게시물 등)의 활성은, 매우 많은 다른 사용자들(또는 다른 사용자의 노드)을 활성화 시킬 수 있게 된다. 여기서, 시드 사용자의 노드의 활성화는, 예를 들어, 게시물을 게시하는 등의 행위를 수행하는 것을 의미하고, 다른 사용자의 노드의 활성화는, 다른 사용자에 의한 시드 사용자의 게시물 등의 전부 또는 일부의 열람/복제/인용/공유/전달 등을 의미한다.
종래의 바이럴 마케팅에 대한 이익 극대화 방법은, 이와 같은 최대의 또는 일정 수준 이상의 다수의 사용자들에게 영향을 주는 목표 사용자를 찾는 것이었다. 다시 말해서, 이익의 극대화를 위해선 수입을 극대화하거나 비용을 최소화해야 하는데, 종래의 방법은 최대한 다수의 사용자에게 정보를 알려 수입을 극대화시킬 수 있는 목표 사용자를 검색하여 결정하는 것에 있었다. 이와 같은 방법은 활성된 목표 사용자에 의해 활성될 수 있는 최대 사용자의 숫자를 측정함으로써 수행되었다. 그러나, 이와 같은 방법은, 목표 사용자가 활성되어 있음을 전제로 하는 문제점이 존재한다.
목표 노드에 대해 높은 영향력을 갖는 적어도 하나의 이웃 노드를 적절한 범위 내에서 결정할 수 있는 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템을 제공하는 것을 해결하고자 하는 과제로 한다.
상술한 과제를 해결하기 위하여 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템이 제공된다.
고 영향 노드의 결정 방법은, 목표 노드에 대응하는 적어도 하나의 이웃 노드를 결정하는 단계, 상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계 및 상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 노드를 결정하는 단계를 포함할 수 있다.
상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는, 상기 이웃 노드에 대응하는 적어도 하나의 제1 확인 대상 노드를 결정하는 단계, 상기 적어도 하나의 제1 확인 대상 노드로부터 상기 적어도 하나의 이웃 노드에 영향을 미치는 적어도 하나의 제1 현 활성 노드를 선택하는 단계, 상기 적어도 하나의 이웃 노드에 대응하는 적어도 하나의 기여 노드에 상기 적어도 하나의 제1 현 활성 노드를 부가하여 상기 이웃 노드에 대응하는 기여 노드를 갱신하는 단계를 포함할 수 있다.
상기 적어도 하나의 제1 확인 대상 노드로부터 상기 적어도 하나의 이웃 노드에 영향을 미치는 적어도 하나의 제1 현 활성 노드를 선택하는 단계는, 미리 정의된 확률을 기반으로 상기 적어도 하나의 제1 확인 대상 노드 중에서 적어도 하나의 제1 현 활성 노드를 선택하는 단계를 포함할 수 있다.
상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는, 상기 적어도 하나의 제1 현 활성 노드 중에서 제1 신규 활성 노드를 검색하되, 상기 제1 신규 활성 노드는 상기 기여 노드와 중복되지 않는 노드를 포함하는 단계를 더 포함할 수 있다.
상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는, 상기 적어도 하나의 제1 현 활성 노드 중에서 상기 제1 신규 활성 노드가 검색되지 않으면, 상기 기여 노드를 상기 총 기여 노드로 결정하는 단계를 더 포함할 수 있다.
상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는, 검색된 상기 제1 신규 활성 노드 각각마다 대응하는 적어도 하나의 제2 확인 대상 노드를 결정하는 단계, 상기 적어도 하나의 제2 확인 대상 노드로부터 상기 제1 신규 활성 노드에 영향을 미치는 적어도 하나의 제2 현 활성 노드를 선택하는 단계, 상기 적어도 하나의 기여 노드에 상기 적어도 하나의 제2 현 활성 노드를 부가하여 상기 이웃 노드에 대응하는 기여 노드를 갱신하는 단계 및 상기 적어도 하나의 제2 현 활성 노드 중에서 제2 신규 활성 노드를 검색하는 단계를 더 포함할 수 있다.
고 영향 노드의 결정 방법은 상기 기여 노드를 초기화하는 단계를 더 포함하되, 상기 기여 노드는 상기 제1 신규 활성 노드와 동일하게 설정되어 초기화될 수 있다.
상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는, 상기 목표 노드에 대한 상기 적어도 하나의 이웃 노드의 영향력을 각각 획득하는 단계를 포함하되, 상기 적어도 하나의 이웃 노드의 영향력은, 상기 이웃 노드에 대응하는 총 기여 노드의 역수로 결정될 수 있다.
상기 총 기여 노드를 기반으로 이웃 노드 집단을 결정하되, 상기 이웃 노드 집단은 가장 영향력이 존재하는 이웃 노드를 최소 개수로 포함하는 단계는, 상기 적어도 하나의 영향력을 정규화하여 적어도 하나의 정규화된 영향력을 획득하는 단계를 포함할 수 있다.
상기 적어도 하나의 영향력을 정규화하여 적어도 하나의 정규화된 영향력을 획득하는 단계는, 상기 목표 노드에 대한 상기 이웃 노드의 영향력과 최소 영향력 사이의 차이와, 최대 영향력 및 최소 영향력의 차이 사이의 비율을 연산함으로써 상기 목표 노드에 대한 상기 이웃 노드의 영향력을 정규화하는 단계를 포함할 수 있다.
상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는, 상기 적어도 하나의 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 이웃 노드를 선택하는 단계 및 상기 적어도 하나의 총 기여 노드를 기반으로, 상기 고 영향 노드 외의 다른 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 고영향 이웃 노드를 선택하는 단계를 포함할 수 있다.
상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는, 상기 목표 노드에 대응하는 상기 적어도 하나의 이웃 노드 각각에 대한 적어도 하나의 영향력을 연산하는 단계, 상기 적어도 하나의 영향력에 대해 적어도 하나의 정규화된 영향력을 획득하는 단계 및 상기 적어도 하나의 정규화된 영향력 중에서 가장 큰 값을 갖는 정규화된 영향력을 결정하고, 결정된 정규화된 영향력에 대응하는 이웃 노드를 검출함으로써 가장 높은 영향력의 이웃 노드를 결정하는 단계를 포함하되, 상기 영향력의 값은, 상기 기여 노드의 역원을 획득하여 연산될 수 있다.
상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는, 상기 적어도 하나의 정규화된 영향력의 합이 미리 정의된 임계 값과 동일하거나 상기 임계 값보다 클 때까지 가장 높은 영향력의 이웃 노드를 검출하는 단계를 더 포함할 수 있다.
고 영향 노드의 결정 방법은, 상기 가장 높은 영향력의 이웃 노드를 포함하는 이웃 노드 집단을 획득하는 단계를 더 포함할 수 있다.
상기 이웃 노드 집합은 상기 가장 높은 영향력의 이웃 노드를 미리 정의된 임계 값 이하로 포함할 수 있다.
고 영향 노드의 결정 장치는, 목표 노드에 대응하는 적어도 하나의 이웃 노드와 관련된 정보를 수집하는 정보 수집부 및 상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정한 후, 상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 프로세서를 포함할 수 있다.
상기 프로세서는, 상기 이웃 노드에 대응하는 적어도 하나의 확인 대상 노드를 결정하고, 상기 적어도 하나의 확인 대상 노드로부터 상기 적어도 하나의 이웃 노드에 영향을 미치는 적어도 하나의 현 활성 노드를 선택하고, 상기 적어도 하나의 이웃 노드에 대응하는 적어도 하나의 기여 노드에 상기 적어도 하나의 현 활성 노드를 부가하여 상기 이웃 노드에 대응하는 기여 노드를 갱신하여 상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정할 수 있다.
상기 프로세서는, 상기 적어도 하나의 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 이웃 노드를 선택하고, 상기 적어도 하나의 총 기여 노드를 기반으로, 상기 고 영향 노드 외의 다른 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 고영향 이웃 노드를 선택하여 상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정할 수 있다.
마케팅 비용 최소화 결정 방법은, 적어도 하나의 목표 사용자 및 적어도 하나의 목표 사용자에 대응하는 적어도 하나의 이웃 사용자를 포함하는 소셜 네트워크 기반으로 수행될 수 있으며, 적어도 하나의 목표 사용자에 대응하는 적어도 하나의 이웃 사용자를 결정하는 단계, 상기 적어도 하나의 이웃 사용자 각각에 대응하는 적어도 하나의 총 기여 사용자를 결정하는 단계 및 상기 총 기여 사용자를 기반으로 상기 적어도 하나의 이웃 사용자로부터 상기 목표 사용자에 대해 가장 높은 영향력의 이웃 사용자를 결정하는 단계를 포함할 수 있다.
마케팅 비용 최소화 시스템은, 적어도 하나의 목표 사용자에 대한 정보 및 상기 목표 사용자에 대응하는 적어도 하나의 이웃 사용자에 대한 정보를 갖는 소셜 네트워크 장치 및 상기 소셜 네트워크 장치와 통신 가능하게 연결되고, 상기 적어도 하나의 이웃 사용자 각각에 대응하는 적어도 하나의 총 기여 사용자를 결정하고, 상기 총 기여 사용자를 기반으로 상기 적어도 하나의 이웃 사용자로부터 가장 높은 영향력의 이웃 사용자를 결정하는 장치를 포함할 수 있다.
상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템에 의하면, 목표 노드에 대해 높은 영향력을 갖는 적어도 하나의 이웃 노드를 필요한 한도 내에서 적절하게 결정할 수 있게 되는 효과를 얻을 수 있다.
상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템에 의하면, 높은 영향력의 이웃 노드를 검출하게 됨으로써, 다량의 이웃 노드의 검출 없이도 목표 노드를 원하는 수준으로 활성화시키는 효과도 얻을 수 있다.
상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템에 의하면, 목표 노드의 활성화를 위해 필요한 이웃 노드를 최적 선택함으로써 비용 절감의 효과도 얻을 수 있게 된다.
상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템에 의하면, 바이럴 마케팅에 투입되는 비용을 최소화함으로써 바이럴 마케팅을 통해 획득 가능한 이익을 극대화할 수 있게 되는 효과를 얻을 수 있다.
상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템에 의하면, 소셜 네트워크에서 콘텐츠의 확산에 가장 영향력 있는 사용자를 선택하여 적은 예산으로도 네트워크 내에서 제품이나 서비스를 홍보할 수 있게 되는 효과도 얻을 수 있다.
상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템을 이용하면, 소셜 네트워크를 통한 온라인 홍보/광고 비용의 결정, 비용 효율적인 광고 대행사의 결정 및/또는 제품 출시 전 소셜 네트워크로부터 획득 가능한 이익의 예상 등을 보다 효율적으로 적절하게 수행할 수 있는 효과를 얻을 수도 있으며, 또한 보다 효과적이면서 정확하게 비용 편익 분석(cost-benefit-analysis)을 수행할 수 있게 되는 효과도 얻을 수 있다.
도 1은 고 영향 노드의 결정 장치의 일 실시예를 도시한 도면이다.
도 2는 목표 노드 및 목표 노드로부터 연결된 이웃 노드들의 일 실시예를 도시한 도면이다.
도 3은 활성화된 이웃 노드의 일 실시예를 도시한 도면이다.
도 4는 활성화된 이웃 노드들에 대한 확인 대상 노드의 일 실시예를 도시한 도면이다.
도 5는 현 활성화 노드에 대한 확인 대상 노드의 일 실시예를 도시한 도면이다.
도 6은 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 설명하기 위한 도표이다.
도 7은 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 도시한 제1 도이다.
도 8은 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 도시한 제2 도이다.
도 9는 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 도시한 제3 도이다.
도 10은 알고리즘의 일 실시예를 도시한 도면이다.
도 11은 바이럴 마케팅에서의 마케팅 비용 최소화 시스템의 일 실시예를 도시한 도면이다.
도 12는 바이럴 마케팅이 수행되는 네트워크에 대한 일 실시예를 도시한 도면이다.
도 13은 고 영향 노드의 결정 방법의 일 실시예를 설명하기 위한 제1 흐름도이다.
도 14는 고 영향 노드의 결정 방법의 일 실시예를 설명하기 위한 제2 흐름도이다.
도 15는 고 영향 노드의 결정 방법의 일 실시예를 설명하기 위한 제3 흐름도이다
도 16은 마케팅 비용 최소화 결정 방법의 일 실시예를 설명하기 위한 흐름도이다.
이하 명세서 전체에서 동일 참조 부호는 특별한 사정이 없는 한 동일 구성요소를 지칭한다. 이하에서 사용되는 '부'가 부가된 용어는, 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예에 따라 '부'가 하나의 부품으로 구현되거나, 하나의 '부'가 복수의 부품들로 구현되는 것도 가능하다.
명세서 전체에서 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 어떤 부분과 다른 부분에 따라서 물리적 연결을 의미할 수도 있고, 또는 전기적으로 연결된 것을 의미할 수도 있다. 또한, 어떤 부분이 다른 부분을 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 부분 이외의 또 다른 부분을 제외하는 것이 아니며, 설계자의 선택에 따라서 또 다른 부분을 더 포함할 수 있음을 의미한다.
제 1 이나 제 2 등의 용어는 하나의 부분을 다른 부분으로부터 구별하기 위해 사용되는 것으로, 특별한 기재가 없는 이상 이들이 순차적인 표현을 의미하는 것은 아니다. 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함할 수 있다.
이하 도 1 내지 도 10을 참조하여 고 영향 노드의 결정 장치의 일 실시예에 대해서 설명하도록 한다.
도 1은 고 영향 노드의 결정 장치의 일 실시예를 도시한 도면이고, 도 2는 복수의 노드들로 이루어진 네트워크의 일 실시예를 도시한 도면이다.
도 1 및 도 2에 도시된 바에 의하면, 고 영향 노드 결정 장치(100)는, 분석 대상 네트워크(10)와 통신 가능하게 연결되어, 분석 대상 네트워크(10)로부터 정보를 획득하고, 획득한 정보를 기반으로 분석 대상 네트워크(10)의 소정의 노드(이하 목표 노드(v))와 관계를 갖는 노드(u1, u2, u3, u4, 이하 이웃 노드) 중에서 목표 노드(v)에 대해 상대적으로 높은 영향력을 갖는 적어도 하나의 노드(이하, 고 영향 노드)를 결정하도록 설계된 것일 수 있다.
고 영향 노드 결정 장치(100)는, 정보 처리가 가능한 컴퓨팅 장치 등을 이용하여 구현 가능하다. 정보 처리가 가능한 컴퓨팅 장치 등은, 예를 들어, 데스크톱 컴퓨터, 랩톱 컴퓨터 또는 서버 전용 컴퓨터 등을 이용하여 구현될 수 있으며, 실시예에 따라서, 스마트 폰, 태블릿 피씨 또는 휴대용 게임기 등과 같은 휴대용 장치 등이나, 사물 인터넷 기반의 디지털 텔레비전이나 냉장고와 같은 전자 기기 등을 이용하여 구현될 수도 있다. 또한, 이들 외에도 연산 및 처리가 가능한 다양한 전자 장치가 고 영향 노드 결정 장치(100)의 일례로 이용될 수 있다.
도 2에 도시된 바를 참조하면, 분석 대상 네트워크(10)는, 복수의 노드들(v, u, a, b 및/또는 c 등)을 포함할 수 있다. 여기서, 복수의 노드들(v, u, a, b 및/또는 c 등) 중 적어도 두 개의 노드 사이에는 소정의 관계(링크)가 형성되어 있을 수 있다. 예를 들어, 복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등) 중 적어도 하나의 노드(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 중 적어도 하나)는, 다른 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등) 중 적어도 하나와 소정의 관계에 의해 연결될 수 있다. 이 경우, 복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등) 중 어느 하나의 노드(예를 들어, 제4 이웃 노드(u4))가 오직 하나의 노드(예를 들어, a4)와 관계를 맺는 것도 가능하고, 및/또는 어느 하나의 노드(예를 들어, 제1 이웃 노드(u1))가 하나의 노드가 복수의 노드(예를 들어, v, a8 내지 a10 등)와 관계를 맺는 것도 가능하다.
복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등) 중 적어도 두 개의 노드 사이의 관계는 서로 간의 물리적 관계를 포함할 수도 있고, 또는 가상적 관계를 포함할 수도 있다. 가상적 관계는, 예를 들어, 소셜 네트워크 상의 친구, 이웃, 팔로잉 또는 구독 등과 같은 관계를 포함할 수 있다.
복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등) 사이에 관계가 존재하는 경우, 서로 관계가 존재하는 복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등)은 일방으로 또는 쌍방으로 영향(영향력)을 미칠 수 있다. 이 경우, 각각의 노드(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등)가 다른 노드(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등)에 대해 미치는 영향의 세기는, 서로 상이할 수 있다. 다시 말해서, 특정한 노드(예를 들어, 목표 노드(v))는 이와 관계가 존재하는 다른 노드(예를 들어, 제1 이웃 노드(u1))로부터 강하게 영향을 받을 수도 있고, 약하게 영향을 받을 수도 있으며, 또는 전혀 영향을 받지 않을 수도 있다. 또한, 이와 같은 영향력은, 플랫폼, 주변 환경, 상황 및/또는 시간의 변화에 따라 가변적일 수 있다.
어느 하나의 노드(예를 들어, 제1 이웃 노드(u1))의 동작은, 다른 노드(예를 들어, 목표 노드(v))의 동작을 유도할 수도 있다. 어느 하나의 노드(u1)의 동작에 기인한 다른 노드(v)의 동작 여부는 상술한 영향의 세기에 의존하는 것일 수 있다. 예를 들어, 소정의 노드(예를 들어, 제1 이웃 노드(u1))가 특정한 노드(예를 들어, 목표 노드(v))와 연결되고 특정한 노드(v)에 대해 상대적으로 강한 영향력을 가질 경우, 소정의 노드(u1)가 활성화되면, 이에 응하여 특정한 노드(v)는 높은 확률로 활성화될 수 있다. 물론 상대적으로 강한 영향력을 갖는 노드(u1)가 활성화되었다고 하더라도, 특정한 노드(v)는 확률적으로 활성화되지 않을 수도 있다. 반대로 특정한 노드(예를 들어, 목표 노드(v))에 대해 상대적으로 약한 영향력을 갖는 노드(예를 들어, 제2 이웃 노드(u2))가 활성화되면, 특정한 노드(v)는 낮은 확률로 활성화될 수 있다.
분석 대상 네트워크(10)는 수학적으로 G(V, E)로 표현될 수 있다. 여기서 G(.)는 네트워크를 의미하고, V는 분석 대상 네트워크(10) 내의 노드(들)(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등)의 집합을 의미하고, E는 분석 대상 네트워크(10) 내의 관계들을 의미한다. 또한, 특정한 노드(예를 들어, 목표 노드(v))에 대해 서로 관계를 가지고 있는 노드(들)(u1 내지 u4 등)의 집합을
Figure PCTKR2018014064-appb-I000001
으로 표현되고, 특정한 노드(v)와 무관한 노드들(예를 들어, a6)의 집합을
Figure PCTKR2018014064-appb-I000002
으로 표현될 수 있다. 이 경우,
Figure PCTKR2018014064-appb-I000003
및
Figure PCTKR2018014064-appb-I000004
은 각각
Figure PCTKR2018014064-appb-I000005
및
Figure PCTKR2018014064-appb-I000006
으로 정의될 수 있다.
일 실시예에 따르면, 고 영향 노드 결정 장치(100)는, 노드 정보 제공 장치(190) 등으로부터 필요한 정보를 수집하여 획득하는 정보 수집부(110)와, 정보 수집부(110)가 수집한 정보를 정보 수집부(110)로부터 수집하고 영향 노드 결정 장치(100)의 전반적인 동작을 처리 및 제어하는 프로세서(120)를 포함할 수 있다.
정보 수집부(110)는, 도 2에 도시된 바와 같이, 복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등)을 포함하는 네트워크(10)로부터 정보를 수집할 수 있다. 구체적으로 정보 수집부(110)는 네트워크(10) 내의 복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등)에 대한 정보를 획득할 수 있다. 또한, 정보 수집부(110)는 네트워크(10)의 복수의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등) 중 적어도 둘 사이에 형성된 관계에 대한 정보도 획득할 수도 있다.
정보 수집부(110)는, 예를 들어, 분석 대상 네트워크(10)와 통신을 수행할 수 있는 유무선 통신 모듈이나, 분석 대상 네트워크(10)에 대한 정보를 가지고 있는 외부 저장 매체(예를 들어, 반도체 메모리 장치나 자기 디스크 저장 장치 등)와 연결 가능한 물리적 인터페이스(예를 들어, 에이티에이(ATA, Advanced Technology Attachment) 인터페이스, 범용 직렬 버스 인터페이스 및/또는 선더볼트 인터페이스 등) 등을 이용하여 구현될 수 있으며, 필요에 따라 수신되는 정보를 처리하기 위한 반도체 칩(예를 들어, 통신 칩) 등을 더 포함할 수 있다. 여기서, 유무선 통신 모듈은, 유선 통신 네트워크, 무선 통신 네트워크 또는 이들의 조합에 접근할 수 있는 통신 모듈을 의미하며, 무선 통신 네트워크는 근거리 통신 및 원거리 통신 네트워크(이동 통신 네트워크) 중 적어도 하나를 포함할 수 있다.
프로세서(120)는, 네트워크(10) 상의 노드들(v, u1 내지 u5, a1 내지 a12, b1 내지 b5, c1 내지 c3 등) 및 이들 사이의 관계를 이용하여, 소정의 노드(이하 목표 노드(v))와 관계를 갖는 노드(이하 이웃 노드(u1, u2, u3, u4, u5 등) 중에서, 상대적으로 높은 영향력을 갖는 적어도 하나의 노드(이하, 고 영향 노드)를 결정할 수 있다.
구체적으로 적어도 하나의 목표 노드(v)에 적어도 하나의 이웃 노드(u1 내지 u5)가 도 2에 도시된 바와 같이 연결된 경우, 프로세서(120)는, 적어도 하나의 이웃 노드(u1 내지 u5) 중 적어도 하나에 대응하는 총 기여 노드를 결정하고, 결정된 총 기여 노드를 기반으로 적어도 하나에 목표 노드(v)에 대해 가장 높은 영향을 끼치는 적어도 하나의 고 영향 노드를 결정할 수 있도록 마련된다. 이에 따라 프로세서(120)는 고 영향 노드로 이루어진 이웃 노드들의 집합(이하 고 영향 노드 집합)을 획득할 수 있게 된다.
일 실시예에 의하면, 프로세서(120)는 휴리스틱 혼합 모델(HM Model, Heuristic Mixed Model)을 이용하여 고 영향 노드의 결정 및 고 영향 노드 집합 결정 동작을 수행할 수도 있다. 이 경우, 휴리스틱 혼합 모델은, 독립 캐스케이드 모델(IC model, Independent Cascade model)을 수정한 역 독립 캐스케이드 모델(Reverse IC model)과, 선형 임계 모델(LT model, Linear Treshold models)을 수정한 역 선형 임계 모델(Reverse LT model)과, 그리디 최적화 기술(Greedy Optimization technique)을 조합 채용하여 구현된 것일 수 있다. 통상 독립 케스케이드 모델은 특정한 노드에 의해 얼마나 많은 노드가 활성화될 수 있느냐를 구하기 위해 이용된다. 반면에 역 독립 케스케이드 모델은, 독립 케스케이드 모델을 역순으로 이용함으로써, 특정한 노드(즉, 목표 노드(v))의 활성화를 위해 얼마나 많은 활성화된 노드를 필요로 하는가를 판단할 수 있다.
일 실시예에 의하면, 프로세서(120)는, 도 1에 도시된 바와 같이, 총 기여 노드 결정부(122) 및 고영향 노드 획득부(124)를 포함할 수 있다. 총 기여 노드 결정부(122) 및 고영향 노드 획득부(124)는, 논리적으로 분리된 것일 수도 있고, 및/또는 물리적으로 분리된 것일 수도 있다. 물리적으로 분리된 경우, 총 기여 노드 결정부(122) 및 고영향 노드 획득부(124) 각각은 서로 상이한 반도체 칩에 의해 구현될 수 있다.
총 기여 노드 결정부(122)는, 목표 노드(v)에 대응하는 적어도 하나의 이웃 노드(u1 내지 u5) 각각마다 적어도 하나의 이웃 노드(u1 내지 u5) 에 대응하는 적어도 하나의 총 기여 노드를 결정할 수 있다. 실시예에 따라서, 총 기여 노드 결정부(122)는 목표 노드(v)의 모든 이웃 노드(u1 내지 u5)에 대한 총 기여 노드를 결정할 수도 있고, 또는 목표 노드(v)의 일부의 이웃 노드(u1 내지 u5)에 대한 총 기여 노드를 결정할 수도 있다.
총 기여 노드 결정부(122)는, 역 독립 케스케이드 모델을 이용하여 적어도 하나의 총 기여 노드를 획득하도록 구현된 것일 수 있다.
이하 설명의 편의를 위하여, 특정한 하나의 처리 과정(예를 들어, 도 3 내지 도 5의 p1 내지 세 p3)에서 신규로 활성화된 노드(들) 또는 이들의 집합을 신규 활성 노드(
Figure PCTKR2018014064-appb-I000007
)라고 지칭하도록 하고, 특정한 노드(u)의 활성화 여부를 위해 확인 대상이 되는 모든 노드(들) 또는 이들의 집합을 특정 노드(u)에 대한 확인 대상 노드(
Figure PCTKR2018014064-appb-I000008
)라고 지칭하도록 한다. 예를 들어, 제1 이웃 노드(u1)에 대한 확인 대상 노드(
Figure PCTKR2018014064-appb-I000009
)는, 제1 이웃 노드(u1)와 연결된 적어도 하나의 노드(a8, a9, a10 등) 또는 이들의 집합일 수 있다. 또한, 특정한 하나의 처리 과정 내에서 활성화되고 있거나 또는 활성화되어 있는 노드(들) 또는 이들의 집합을 현 활성 노드(
Figure PCTKR2018014064-appb-I000010
)라고 지칭한다. 아울러, 기 수행된 처리 과정에서 또는 현재의 처리 과정에서, 특정한 노드(u)의 활성화에 기여하는 것으로 판단된 모든 노드(들) 또는 이들의 집합을 총 기여 노드(
Figure PCTKR2018014064-appb-I000011
)라고 지칭하도록 한다.
도 3은 활성화된 이웃 노드의 일 실시예를 도시한 도면이다.
총 기여 노드 결정부(122)는 목표 노드(v)에 대응하는 적어도 하나의 이웃 노드(u: u1 내지 u5)를 검출하고, 적어도 하나의 이웃 노드(u: u1 내지 u5) 각각마다 총 기여 노드(
Figure PCTKR2018014064-appb-I000012
:
Figure PCTKR2018014064-appb-I000013
내지
Figure PCTKR2018014064-appb-I000014
)를 결정할 수 있다. 적어도 하나의 이웃 노드(u: u1 내지 u5) 각각에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000015
:
Figure PCTKR2018014064-appb-I000016
내지
Figure PCTKR2018014064-appb-I000017
)의 결정은 서로 독립적으로 또는 의존적으로 수행될 수 있다.
일 실시예에 의하면, 총 기여 노드 결정부(122)는 도 3에 도시된 바와 같이 활성화된 이웃 노드(u1, u3, u5)를 검출하고, 활성화된 이웃 노드(u1, u3, u5) 각각에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000018
:
Figure PCTKR2018014064-appb-I000019
,
Figure PCTKR2018014064-appb-I000020
및
Figure PCTKR2018014064-appb-I000021
)만을 결정할 수도 있다(P1, 이하 제1 처리 과정).
총 기여 노드(
Figure PCTKR2018014064-appb-I000022
:
Figure PCTKR2018014064-appb-I000023
,
Figure PCTKR2018014064-appb-I000024
및
Figure PCTKR2018014064-appb-I000025
)의 결정을 위해서, 총 기여 노드 결정부(122)는, 먼저 하나 또는 둘 이상의 활성화된 이웃 노드(u: u1, u3, u5)에 대한 신규 활성 노드(
Figure PCTKR2018014064-appb-I000026
) 및 총 기여 노드(
Figure PCTKR2018014064-appb-I000027
)를 초기화할 수 있다. 이 때, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000028
) 및 총 기여 노드(
Figure PCTKR2018014064-appb-I000029
)는, 각각 분석 대상이 되는 이웃 노드(일례로 활성화된 활성화된 이웃 노드(u: u1, u3, u5))를 이용하여 초기화될 수 있다. 예를 들어, 만약 제3 이웃 노드(u3)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000030
)를 결정하는 경우, 제3 이웃 노드(u3)에 대한 신규 활성 노드(
Figure PCTKR2018014064-appb-I000031
) 및 총 기여 노드(
Figure PCTKR2018014064-appb-I000032
)는 {u3}으로 결정될 수 있다. 이는 하기의 수학식 1 및 수학식 2로 표현 가능하다.
[수학식 1]
Figure PCTKR2018014064-appb-I000033
[수학식 2]
Figure PCTKR2018014064-appb-I000034
도 4는 활성화된 이웃 노드들에 대한 확인 대상 노드의 일 실시예를 도시한 도면이다.
순차적으로 도 4에 도시된 바와 같이, 확인 대상 노드(
Figure PCTKR2018014064-appb-I000035
)를 기반으로 총 기여 노드(
Figure PCTKR2018014064-appb-I000036
)가 결정될 수 있다(p2, 이하 제2 처리 과정). 이를 위해서 현 활성 노드(
Figure PCTKR2018014064-appb-I000037
)가 획득될 수 있으며, 또한 신규 활성 노드(
Figure PCTKR2018014064-appb-I000038
)도 더 획득될 수 있다.
이를 위해 먼저 이웃 노드(u1 내지 u5) 각각에 대한 확인 대상 노드(들) (
Figure PCTKR2018014064-appb-I000039
)이 결정될 수 있다. 특정한 노드(u)에 대한 영향력 판단을 위해, 특정한 노드(u)에 대해 관계를 가지고 있는 모든 노드(들)이 확인 및 검토될 필요가 있다. 그러므로, 확인 대상 노드(
Figure PCTKR2018014064-appb-I000040
)는 이와 같이 특정한 노드(u)와 연결된 모든 노드(들)을 포함할 수 있으며, 모든 노드(들)의 집합일 수 있다. 이에 따라, 각 이웃 노드(u)의 활성화와 관련하여 확인 및 검토하게 되는 확인 대상 노드(
Figure PCTKR2018014064-appb-I000041
)는 하기의 수학식 3으로 표현될 수 있다. 여기서, 각 이웃 노드(u)는 신규 활성 노드(
Figure PCTKR2018014064-appb-I000042
)에 속하는 것일 수 있다.
[수학식 3]
Figure PCTKR2018014064-appb-I000043
예를 들어, 제3 이웃 노드(u3)에 대한 확인 대상 노드(
Figure PCTKR2018014064-appb-I000044
)는, 도 4에 도시된 바와 같이, 제3 이웃 노드(u3)에 연결된 노드(들)(a1 내지 a3)를 모두 포함하여 결정될 수 있다. 이를 수학적으로 표현하면, 확인 대상 노드(
Figure PCTKR2018014064-appb-I000045
)는 {a1, a2, a3}으로 주어질 수 있다.
확인 대상 노드(
Figure PCTKR2018014064-appb-I000046
)가 결정되면, 확인 대상 노드(
Figure PCTKR2018014064-appb-I000047
) 중에서 선택된 이웃 노드(u1, u3, u5)에 대한 현 활성 노드(
Figure PCTKR2018014064-appb-I000048
)가 결정될 수 있으며, 현 활성 노드(
Figure PCTKR2018014064-appb-I000049
)를 이용하여 신규 활성 노드(
Figure PCTKR2018014064-appb-I000050
) 및 총 기여 노드(
Figure PCTKR2018014064-appb-I000051
)가 갱신될 수 있다.
만약 확인 대상 노드(a1 내지 a3) 중 적어도 하나의 노드(예를 들어, a2 및 a3)가 연결된 노드(일례로 제3 이웃 노드(u3))의 활성화에 영향을 미친다고 판단되면, 영향을 미치는 것으로 판단된 적어도 하나의 노드(a2 및 a3)는 현 활성 노드(
Figure PCTKR2018014064-appb-I000052
)로 분류될 수 있다. 다시 말해서, 모든 확인 대상 노드(a1 내지 a3) 중에서 소정의 이웃 노드(u3)에 영향을 미치는 것으로 판단된 확인 대상 노드(a2 및 a3)가 현 활성 노드(
Figure PCTKR2018014064-appb-I000053
)로 결정된다. 반대로 영향을 미치지 못하는 것으로 판단된 다른 확인 대상 노드(a)는 현 활성 노드(
Figure PCTKR2018014064-appb-I000054
)로 인정되지 않는다. 이는 수학적으로는
Figure PCTKR2018014064-appb-I000055
={a2 및 a3}으로 표현될 수 있다.
일 실시예에 의하면, 적어도 하나의 확인 대상 노드(예를 들어, a1 내지 a3)는 소정의 확률 p에 따라서 연결된 노드(일례로 제3 이웃 노드(u3))에 영향을 미치는 것으로 가정될 수 있으며, 영향을 미치는 것으로 판단된 적어도 하나의 노드(a2 및 a3)의 결정은 이와 같은 확률을 기반으로 수행될 수도 있다. 소정의 확률 p는 미리 정의된 것일 수도 있고, 미리 정의된 범위 내에서 선택된 것일 수도 있으며, 미리 정의된 복수의 확률 값 중에서 선택된 것일 수도 있다. 후자의 경우, 예를 들어, 확률 p는 0.01 및 0.01 중에서 균등하게 선택된 것일 수 있다. 또 다른 예를 들어, 확률 p는 0.1, 0.01 및 0.001 중에서 임의적으로 선택된 것일 수도 있다. 이외에도 확률 p는 설계자의 선택에 따라 다양하게 정의 가능하다.
현 활성 노드(
Figure PCTKR2018014064-appb-I000056
, 예를 들어, a2 및 a3)가 결정되면, 현 활성 노드(
Figure PCTKR2018014064-appb-I000057
, a2 및 a3)를 기반으로 신규 활성 노드(
Figure PCTKR2018014064-appb-I000058
) 및 총 기여 노드(
Figure PCTKR2018014064-appb-I000059
)가 갱신된다. 구체적으로, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000060
)는 현 활성 노드(
Figure PCTKR2018014064-appb-I000061
, a2 및 a3) 중에서 총 기여 노드(
Figure PCTKR2018014064-appb-I000062
)와 중첩되지 않는 노드(a2 및 a3)로 재결정되어 갱신되고, 총 기여 노드(
Figure PCTKR2018014064-appb-I000063
)는 기존의 총 기여 노드(
Figure PCTKR2018014064-appb-I000064
)에 현 활성 노드(
Figure PCTKR2018014064-appb-I000065
)를 부가하여 갱신된다. 다시 말해서, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000066
)는 기존의 다른 처리 과정(1st 및 두 번째 처리 과정)에서 검색된 노드들을 배제하고, 새롭게 활성화된 노드만을 다음 처리 과정(세 번째 처리 과정)으로 전달하도록 갱신될 수 있고, 총 기여 노드(
Figure PCTKR2018014064-appb-I000067
)는 기존의 다른 처리 과정(1st 및 두 번째 처리 과정)에서 검색된 노드들을 모두 다음 처리 과정(세 번째 처리 과정)으로 전달하도록 갱신될 수 있다. 예를 들어, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000068
) 및 총 기여 노드(
Figure PCTKR2018014064-appb-I000069
)가 {u3}으로 초기화된 경우, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000070
)는 {a2, a3}로 갱신되고, 총 기여 노드(
Figure PCTKR2018014064-appb-I000071
)는 {u3, a2, a3}로 갱신된다.
신규 활성 노드(
Figure PCTKR2018014064-appb-I000072
) 및 총 기여 노드(
Figure PCTKR2018014064-appb-I000073
)의 갱신은 하기의 수학식 4 및 수학식 5로 각각 표현될 수 있다.
[수학식 4]
Figure PCTKR2018014064-appb-I000074
=
Figure PCTKR2018014064-appb-I000075
-
Figure PCTKR2018014064-appb-I000076
[수학식 5]
(u)=
Figure PCTKR2018014064-appb-I000077
∪
Figure PCTKR2018014064-appb-I000078
도 5는 현 활성화 노드에 대한 확인 대상 노드의 일 실시예를 도시한 도면이다.
상술한 제2 처리 과정(p2)는, 동일하게 또는 일부 변형되어, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000079
)의 요소의 개수가 0이 될 때까지 반복될 수 있다(p3, 이하 제3 처리 과정). 다시 말해서,
Figure PCTKR2018014064-appb-I000080
=e을 만족할 때까지, 제2 처리 과정(두 번째 만약 신규 활성 노드(
Figure PCTKR2018014064-appb-I000081
)의 요소의 개수가 0이 아니라면, 도 5에 도시된 바와 같이, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000082
)에 대해서 동일한 과정(p3)이 반복될 수 있다. 상세하게는 신규 활성 노드(
Figure PCTKR2018014064-appb-I000083
)인 적어도 하나의 노드(a2, a3) 각각에 대해서 영향을 미치는 적어도 하나의 노드(a3, b1, b3)를 검출하고, 검출한 적어도 하나의 노드(a3, b1, b3)로 현 활성 노드(
Figure PCTKR2018014064-appb-I000084
)로 분류하고, 현 활성 노드(
Figure PCTKR2018014064-appb-I000085
) 중에서 총 기여 노드(
Figure PCTKR2018014064-appb-I000086
)와 중첩되지 않는 노드(a2 및 a3)를 신규 활성 노드(
Figure PCTKR2018014064-appb-I000087
)로 다시 설정하고, 기존의 총 기여 노드(
Figure PCTKR2018014064-appb-I000088
, 즉 제2 처리 과정(p2)에서 연산된 총 기여 노드)에 현 활성 노드(
Figure PCTKR2018014064-appb-I000089
)를 부가하여 총 기여 노드(
Figure PCTKR2018014064-appb-I000090
)를 갱신할 수 있다.
보다 구체적인 예시를 들어, 상술한 제2 처리 과정(p2)에서 신규 활성 노드(
Figure PCTKR2018014064-appb-I000091
)로 판단된 노드(a2, a3) 중에서 어느 하나의 노드(a2, 이하 제1 신규 활성 노드)의 경우, 제1 신규 활성 노드(a2)와 연결된 적어도 하나의 노드들(a3, b1, b2, b3)이 확인 대상 노드(
Figure PCTKR2018014064-appb-I000092
)로 결정되고, 상술한 바와 동일하게 확인 대상 노드(
Figure PCTKR2018014064-appb-I000093
)에 속하는 적어도 하나의 노드들(a3, b1, b2, b3) 중에서 현 활성 노드(
Figure PCTKR2018014064-appb-I000094
)가 검출될 수 있다. 예를 들어, 제1 노드(a2)와 연결된 노드(a3, b1 내지 b3) 중 활성화된 노드(a3, b1, b3)가 현 활성 노드(
Figure PCTKR2018014064-appb-I000095
)로 판단되어 검출된다. 여기서, 현 활성 노드(
Figure PCTKR2018014064-appb-I000096
)는 기존의 과정(p2)에서 현 활성 노드(
Figure PCTKR2018014064-appb-I000097
) 및/또는 신규 활성 노드(
Figure PCTKR2018014064-appb-I000098
)로 판단된 노드(일례로, a3)도 포함될 수 있다. 순차적으로 현 활성 노드(
Figure PCTKR2018014064-appb-I000099
) 중에서 기존 처리 과정(p2)의 총 기여 노드(
Figure PCTKR2018014064-appb-I000100
, 예를 들어,
Figure PCTKR2018014064-appb-I000101
={u3, a2, a3})와 중첩되지 않는 노드(b1 및 b3)가, 제1 신규 활성 노드(a2)에 대응하는 새로운 신규 활성 노드(
Figure PCTKR2018014064-appb-I000102
, 예를 들어,
Figure PCTKR2018014064-appb-I000103
={b1, b3})로 결정될 수 있다. 아울러 제2 처리 과정(p2)에서 연산된 총 기여 노드(
Figure PCTKR2018014064-appb-I000104
, 예를 들어,
Figure PCTKR2018014064-appb-I000105
={u3, a2, a3})에 현 활성 노드(예를 들어,
Figure PCTKR2018014064-appb-I000106
={a3, b1, b3))가 부가되여 총 기여 노드(
Figure PCTKR2018014064-appb-I000107
)가 갱신되어 다시 획득될 수 있다. 이 경우, 갱신되어 다시 획득된 총 기여 노드(
Figure PCTKR2018014064-appb-I000108
)는, 예를 들어, {u3, a2, a3, b1, b3}로 주어질 수 있다.
제1 신규 활성 노드(a2)에 대응하는 새로운 신규 활성 노드(
Figure PCTKR2018014064-appb-I000109
, 예를 들어,
Figure PCTKR2018014064-appb-I000110
={b1, b3})는 적어도 하나의 요소(즉, 노드(b1, b3)를 가지고 있으므로, 새로운 신규 활성 노드(
Figure PCTKR2018014064-appb-I000111
)의 노드(b1, b3) 각각에 대해서도 상술한 제2 처리 과정(p2) 또는 제3 처리 과정(p3)과 동일한 과정이 다시 반복된다. 이에 따라 총 기여 노드(
Figure PCTKR2018014064-appb-I000112
)는 다시 갱신된다. 또 다른 과정의 반복에서도 신규 활성 노드(
Figure PCTKR2018014064-appb-I000113
)가 공집합이 아니라면, 동일하게 총 기여 노드(
Figure PCTKR2018014064-appb-I000114
)는 계속해서 갱신되게 된다.
또한, 동일한 예시에서 상술한 제2 처리 과정(p2)에서 신규 활성 노드(
Figure PCTKR2018014064-appb-I000115
)로 판단된 노드(a2, a3) 중에서 다른 하나의 노드(a3, 이하 제2 신규 활성 노드)의 경우, 확인 대상 노드(
Figure PCTKR2018014064-appb-I000116
)는 {a2}로 결정되고, 현 활성 노드(
Figure PCTKR2018014064-appb-I000117
)는 {a2}로 결정될 수 있다. 이때, 현 활성 노드(
Figure PCTKR2018014064-appb-I000118
) 내에는 제2 처리 과정(p2)에서 연산된 총 기여 노드(
Figure PCTKR2018014064-appb-I000119
, 예를 들어,
Figure PCTKR2018014064-appb-I000120
={u3, a2, a3})와 중첩되지 않는 노드가 부재하므로, 제2 신규 활성 노드(a3)에 대응하는 새로운 신규 활성 노드(
Figure PCTKR2018014064-appb-I000121
)는 어떠한 요소도 갖지 않는다(즉,
Figure PCTKR2018014064-appb-I000122
=e). 이와 같이 신규 활성 노드(
Figure PCTKR2018014064-appb-I000123
)가 공집합인 경우, 제2 신규 활성 노드(a3)에 대한 처리 과정(즉, 총 기여 노드(
Figure PCTKR2018014064-appb-I000124
)의 갱신 과정)은 종료된다. 한편, 현 활성 노드(
Figure PCTKR2018014064-appb-I000125
)의 모든 요소는, 상술한 제2 처리 과정(p2)에서 연산된 총 기여 노드(
Figure PCTKR2018014064-appb-I000126
)의 모든 요소와 동일하므로, 총 기여 노드(
Figure PCTKR2018014064-appb-I000127
)는 제2 처리 과정(p2)에서 연산된 총 기여 노드와 동일하게 된다(즉,
Figure PCTKR2018014064-appb-I000128
={u3, a2, a3}).
상술한 바와 같이 상술한 제2 처리 과정(p2) 및 제3 처리 과정(p3)은 모든 활성화된 이웃 노드(u1, u3, u5)에 대해 수행될 수 있다. 또한, 상황에 따라서 제3 처리 과정(p3) 이후에도 추가적인 처리 과정(들)이 모든 활성화된 이웃 노드(u1, u3, u5)에 대해 수행될 수도 있다.
총 기여 노드(
Figure PCTKR2018014064-appb-I000129
)가 획득되면, 총 기여 노드 결정부(122)는 획득된 총 기여 노드(
Figure PCTKR2018014064-appb-I000130
)를, 고영향 노드 획득부(124)로 전달할 수 있다. 이 경우, 총 기여 노드(
Figure PCTKR2018014064-appb-I000131
)는 전기적 신호의 형태로 전달될 수도 있다.
일 실시예에 의하면, 고영향 노드 획득부(124)는 각각의 이웃 노드(u1 내지 u5)의 전부 또는 일부에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000132
)를 기반으로 목표 노드(u)에 대해 상대적으로 높은 영향력을 갖는 적어도 하나의 이웃 노드(이하 고 영향 노드)를 이웃 노드(u1 내지 u5)로부터 선택할 수 있다.
일 실시예에 의하면, 고영향 노드 획득부(124)는 각각의 이웃 노드(u1 내지 u5)의 영향에 대한 가중치를 연산하기 위하여 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000133
, 휴리스틱 영향 가중치 등으로도 표현 가능하다)을 이용할 수도 있다. 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000134
)은, 그리디 최적화 기술과 더불어 역 선형 임계 모델에서 검출되는 노드의 개수를 최소화할 수 있도록 이용된다. 또한, 고영향 노드 획득부(124)는 역 선형 임계 모델을 이용하여 최적의 고 영향 노드를 결정할 수도 있다.
보다 상세하게는 고영향 노드 획득부(124)는, 총 기여 노드(
Figure PCTKR2018014064-appb-I000135
)를 기반으로 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000136
)를 연산하고, 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000137
)을 정규화하여 정규화된 영향력, 즉 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000138
)를 획득한 후, 이를 이용하여 목표 노드(v)에 대응하는 적어도 하나의 이웃 노드(u1 내지 u5) 중에서 각 이웃 노드(u1 내지 u5)의 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000139
)의 총합을 최대로 하는 적어도 하나의 고 영향 노드(u1 내지 u5 중 적어도 하나)를 획득할 수 있다.
상세하게는 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000140
)은, 측정된 총 기여 노드(
Figure PCTKR2018014064-appb-I000141
)의 개수(λ(u))와 일정한 관계를 갖는 것으로 설정될 수 있다. 예를 들어, 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000142
)은, 총 기여 노드(
Figure PCTKR2018014064-appb-I000143
)의 개수(λ(u))와 반비례 관계를 갖는 것으로 설정 및 정의될 수 있다. 이는 하기의 수학식 6으로 표현 가능하다.
[수학식 6]
Figure PCTKR2018014064-appb-I000144
=(λ(u))-1=｜
Figure PCTKR2018014064-appb-I000145
｜-1
물론 설계자에 따라서 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000146
)과 측정된 총 기여 노드(
Figure PCTKR2018014064-appb-I000147
)의 개수(λ(u)) 사이의 관계는 반비례 관계 이외의 다른 관계를 갖는 것도 가능하다. 예를 들어, 영향력(
Figure PCTKR2018014064-appb-I000148
)과 총 기여 노드(
Figure PCTKR2018014064-appb-I000149
)의 개수(λ(u)) 사이의 관계는, 다른 함수(예를 들어, 음의 지수 함수나 음의 로그 함수) 등으로 설정될 수도 있다.
휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000150
)은, 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000151
)을 정규화하여 획득될 수 있다. 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000152
)은 하기의 수학식 7과 같이 최소-최대 정리(Min-Max theorem)를 이용하여 정규화될 수 있다.
[수학식 7]
Figure PCTKR2018014064-appb-I000153
구체적으로 정규화된 영향력, 즉 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000154
)은, 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000155
)과 최소 영향력(
Figure PCTKR2018014064-appb-I000156
) 사이의 차이를, 최대 영향력(
Figure PCTKR2018014064-appb-I000157
)과 최소 영향력(
Figure PCTKR2018014064-appb-I000158
) 사이의 차이로 나눈 값(즉, 이들 사이의 비)으로 주어질 수 있다. 만약 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000159
)이 최대 영향력(
Figure PCTKR2018014064-appb-I000160
)과 동일하면, 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000161
)은, 1의 값을 가지게 된다. 반대로 목표 노드(v)에 대한 어느 하나의 이웃 노드(u)의 영향력(
Figure PCTKR2018014064-appb-I000162
)이 최소 영향력(
Figure PCTKR2018014064-appb-I000163
)과 동일하다면 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000164
)은, 0의 값을 갖게 된다. 다시 말해서, 이와 같이 정규화된 영향력(
Figure PCTKR2018014064-appb-I000165
)은 최소 0에서 최대 1 사이의 값을 가지게 된다.
수학식 6 및 수학식 7을 참조하면, 총 기여 노드(
Figure PCTKR2018014064-appb-I000166
)의 개수가 상대적으로 작은 노드는, 상대적으로 강한 영향력을 가지고 있을 확률이 더 높다는 것을 나타낸다. 이런 이유로 높은 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000167
)을 갖는 노드(들)를 선택하면, 목표 노드(v)에 충분한 영향을 끼칠 수 있으면서도 상대적으로 적은 개수 또는 최소한의 노드(들)을 획득할 수 있게 된다. 만약 목표 노드(v)가 소셜 네트워크의 목표 사용자(일례로 시드 사용자)라면, 적은 수의 사용자의 활성화만으로도 소셜 네트워크 상의 목표 사용자를 활성화시킬 수 있게 되고, 이에 따라 비용 절감 효과가 발생하게 된다.
목표 노드(v)에 대한 최소 개수의 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000168
⊂
Figure PCTKR2018014064-appb-I000169
)을 결정하기 위하여, 고영향 노드 획득부(124)는 역 선형 임계 모델을 이용한다. 역 선형 모델 내에서 최대 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000170
)을 갖는 이웃 노드(u)는 그리디 알고리즘을 이용하여 획득된다. 이에 따라 목표 노드(v)에 대한 최소 개수의 고 영향 노드로 이루어진 노드 집단(
Figure PCTKR2018014064-appb-I000171
)은, 하기의 수학식 8과 같이 주어진다.
[수학식 8]
Figure PCTKR2018014064-appb-I000172
수학식 8에 따르면, 상술한 노드 집단(
Figure PCTKR2018014064-appb-I000173
)은, 목표 노드(v)에 대한 적어도 하나의 이웃 노드 u1 내지 u5) 중에서, 각각의 노드(u1 내지 u5 중 적어도 하나)의 휴리스틱 영향력(들) (
Figure PCTKR2018014064-appb-I000174
)의 총합이 최대값이 되도록 하는 적어도 하나의 고 영향 노드(u1 내지 u5 중 적어도 하나, u∈
Figure PCTKR2018014064-appb-I000175
)의 집합일 수 있다. 다시 말해서, 상술한 노드 집단(
Figure PCTKR2018014064-appb-I000176
)은 고 영향 노드(u1 내지 u5 중 적어도 하나, u∈
Figure PCTKR2018014064-appb-I000177
)들을 포함하며, 이들 고 영향 노드(들)(u1 내지 u5 중 적어도 하나) 각각의 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000178
)의 총합은 최대가 된다.
한편, 수학식 8에서,
Figure PCTKR2018014064-appb-I000179
는 임계 값을 의미한다. 임계 값(
Figure PCTKR2018014064-appb-I000180
)은 선택된 고 영향 노드 각각의 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000181
)들의 합과 비교될 수 있다. 만약 고 영향 노드 각각의 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000182
)들의 합이 임계 값(
Figure PCTKR2018014064-appb-I000183
))보다 작다면, 후술하는 바와 같이 이웃 노드는 더 선택되고, 만약 고 영향 노드 각각의 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000184
)들의 합이 임계 값(
Figure PCTKR2018014064-appb-I000185
)보다 크다면, 목표 노드(v)에 대한 고 영향 노드가 확정되게 된다. 한편, 수학식 7에 따르면, 가장 큰 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000186
)은 그 값이 1.000을 가지게 될 수 있으므로, 임계 값(
Figure PCTKR2018014064-appb-I000187
)은 선택될 고 영향 노드의 개수를 의미하게 될 수도 있다.
일 실시예에 의하면, 임계값(
Figure PCTKR2018014064-appb-I000188
)는 다수 투표 기법(majority voting technique)에 의해서 설정될 수도 있다. 다시 말해서, 목표 노드(v)는, 이웃 노드(u1 내지 u5) 중 과반수의 노드의 활성화에 응하여 활성화되는 것으로 설정될 수도 있다. 이 경우, 임계 값(
Figure PCTKR2018014064-appb-I000189
)는 하기의 수학식 9으로 주어질 수 있다.
[수학식 9]
Figure PCTKR2018014064-appb-I000190
상술한 방법에 의하면, 어느 하나의 이웃 노드(u)가 선택될 때, 선택되는 이웃 노드(u)에 대응하는 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000191
)은 항상 1.000을 가질 수 있으며, 이에 따라 수학식 9로 주어지는 임계 값(
Figure PCTKR2018014064-appb-I000192
)은 휴리스틱 영향력의 총합에 대해 어떠한 문제도 야기하지 않는다.
한편, 목표 노드(v)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000193
)는, 하기의 도 10에 도시된 바와 같이, 적어도 하나의 이웃 노드(u)의 총 기여 노드(
Figure PCTKR2018014064-appb-I000194
)의 합집합으로 주어질 수 있다.
[수학식 10]
Figure PCTKR2018014064-appb-I000195
적어도 하나의 목표 노드(v)를 포함하는 전체 목표 노드 집단(S)의 총 기여 노드(
Figure PCTKR2018014064-appb-I000196
)는, 하기의 수학식 11과 같이, 적어도 하나의 목표 노드(v)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000197
)의 합집합으로 주어진다.
[수학식 11]
Figure PCTKR2018014064-appb-I000198
또한, 전체 목표 노드 집단(S)의 총 기여 노드(
Figure PCTKR2018014064-appb-I000199
)의 개수(λ(S))는 하기의 수학식 12와 같이 연산될 수 있다.
[수학식 12]
Figure PCTKR2018014064-appb-I000200
이에 따라, 하나의 네트워크(10) 내에서 전체 목표 노드(들)(S)에 영향을 미치기 위해 필요한 최소한의 노드(들) 및 노드(들) 개수의 최소 값이 획득될 수 있다. 상술한 바와 같이 노드(들) 개수는 비용으로 평가될 수 있으므로, 최소 비용으로 목표 노드(들)(v)의 활성화를 수행할 수 있게 되면서 또한 하나의 네트워크(10) 내의 목표 노드(들)(v)의 활성화를 위해 필요한 최소 비용을 결정할 수 있게 된다.
이하 도 6 내지 도 8을 참조하여, 고영향 노드 획득부(124)에 의한 목표 노드(v)에 대한 최소 개수의 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000201
)의 획득 과정을 보다 구체적으로 설명한다.
도 6은 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 설명하기 위한 도표이다. 도 6의 각각의 열은, 좌측 열부터 순차적으로 임계 값(
Figure PCTKR2018014064-appb-I000202
), 특정한 이웃 노드(ui)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000203
), 총 기여 노드(
Figure PCTKR2018014064-appb-I000204
) 내의 노드의 개수(λ(ui)), 영향력(
Figure PCTKR2018014064-appb-I000205
), 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000206
), 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000207
)에 따라 선택된 이웃 노드(u), 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000208
) 및 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000209
)에 대응하는 총 기여 노드(
Figure PCTKR2018014064-appb-I000210
)를 나타낸다. 도 7은 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 도시한 제1 도이다. 도 8은 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 도시한 제2 도이며, 도 9는 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 방법의 일 실시예를 도시한 제3 도이다. 도 6 내지 도 9는 임계 값(
Figure PCTKR2018014064-appb-I000211
)이 3인 경우를 가정하여 실행된 일례를 도시한 것이다.
도 6에 도시된 바와 같이, 적어도 하나의 목표 노드(v) 각각에 대해 복수의 이웃 노드(u1 내지 u5)가 존재하는 경우, 각각의 이웃 노드(u1 내지 u5)마다 각각의 총 기여 노드(
Figure PCTKR2018014064-appb-I000212
,
Figure PCTKR2018014064-appb-I000213
,
Figure PCTKR2018014064-appb-I000214
,
Figure PCTKR2018014064-appb-I000215
및
Figure PCTKR2018014064-appb-I000216
)가 획득될 수 있다. 예를 들어, 도 7에 도시된 바와 같이, 첫 번째 반복 과정(I1)에서, 각 이웃 노드(u1 내지 u5)의 총 기여 노드에 해당하는 노드의 개수(λ(u1), λ(u2),λ(u3),λ(u4) 및 λ(u5))는 각각 5, 6, 3, 7 및 4로 주어질 수 있다. 이 경우, 각 이웃 노드(u1 내지 u5)에 대응하는 영향력(
Figure PCTKR2018014064-appb-I000217
)은, 순차적으로 0.200, 0.167, 0.333, 0.143 및 0.250으로 주어지고, 이를 기반으로 연산된 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000218
)은 각각 0.300, 0.126, 1.000, 0.000 및 0.263으로 주어질 수 있다. 여기서, 제3 이웃 노드(u3)의 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000219
)이 가장 큰 값(즉, 1.000)을 가지므로, 이들 노드(u1 내지 u5) 중에서 제3 이웃 노드(u3)가 선택되게 된다. 이에 따라 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000220
)은 제3 이웃 노드(u3)를 포함하게 되며, 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000221
)에 대응하는 총 기여 노드(
Figure PCTKR2018014064-appb-I000222
)는, 제3 이웃 노드(u3)와 동일하게 {1, 4, 5}로 주어진다.
만약 임계 값(
Figure PCTKR2018014064-appb-I000223
)이 3으로 설정되었다면, 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000224
)의 총합은 1.000이므로 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000225
)의 총합은 임계 값(
Figure PCTKR2018014064-appb-I000226
)보다 작게 된다. 그러므로, 제2 반복 과정(I2)이 더 수행되게 된다. 이 경우, 제1 반복 과정(I3)에서 선택된 제3 이웃 노드(u3)에 대응하는 각각의 노드({1, 4, 5})는 나머지 다른 이웃 노드(u1, u2, u4, u5)에 부가될 수 있으며(예를 들어, 제3 이웃 노드(u3)에 대응하는 각각의 노드({1, 4, 5}와 나머지 다른 이웃 노드(u1, u2, u4, u5)에 대응하는 각각의 노드의 합집합이 획득될 수 있다), 나머지 다른 이웃 노드(u1, u2, u4, u5)에 대해서 상술한 바와 동일하게 제2 반복 과정(I2)이 수행될 수 있다. 이 경우, 각 노드(u1, u2, u4, u5)에 대응하는 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000227
)은, 예를 들어, 각각 1.000, 0.250, 0.000 및 0.430으로 주어질 수 있다. 여기서는, 제1 이웃 노드(u1)의 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000228
)이 가장 큰 값(즉, 1.000)을 가지므로, 나머지 다른 이웃 노드(u1, u2, u4, u5) 중에서 제1 이웃 노드(u1)가 선택되게 된다. 이에 따라 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000229
)은 제1 이웃 노드(u1) 및 제3 이웃 노드(u3)를 포함하게 되고, 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000230
)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000231
)는, 제1 이웃 노드(u1) 및 제3 이웃 노드(u3)의 합집합과 동일하게 {1, 2, 3, 4, 5}로 주어지게 된다.
여기서 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000232
)의 총합은 2.000으로, 여전히 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000233
)의 총합이 임계 값(
Figure PCTKR2018014064-appb-I000234
)보다 작기 때문에, 제2 반복 과정(I2)에 이어 제3 반복 과정(I3)dl 수행되게 된다. 도 6 및 도 9에 도시된 바와 같이, 제3 반복 과정(I3)에서 제2 반복 과정(I2)에서 선택된 제1 이웃 노드(u1)의 각각의 노드({1,2,3,4,5})가 나머지 다른 이웃 노드(u2, u4, u5)에 추가될 수 있으며, 제1 이웃 노드(u1)의 각각의 노드({1,2,3,4,5})가 추가된 나머지 다른 이웃 노드(u2, u4, u5)에 대해서 상술한 과정(I1 또는 I2)이 반복 수행된다. 그 결과, 각 노드(u2, u4, u5)에 대응하는 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000235
)은, 예를 들어, 각각 0.667, 0.000 및 1.000으로 주어질 수 있으며, 동일하게 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000236
)이 가장 큰 제5 노드(u5)가 선택되게 된다. 따라서, 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000237
)은 제1 이웃 노드(u1), 제3 이웃 노드(u3) 및 제5 이웃 노드(u5)를 포함하여 갱신되고, 고 영향 노드로 이루어진 집단(
Figure PCTKR2018014064-appb-I000238
)에 대응하는 총 기여 노드(
Figure PCTKR2018014064-appb-I000239
)는, 제 이웃 노드(u1), 제3 이웃 노드(u3) 및 제5 이웃 노드(u5)들의 합집합과 동일하게 {1, 2, 3, 4, 5, 8, 15, 16}를 포함하게 된다. 최종적으로 총 8개의 노드(1, 2, 3, 4, 5, 8, 15, 16)를 포함하는 가장 영향력이 높은 노드로 선택되게 된다.
프로세서(120)는, 상술한 동작을 수행하도록 특별히 설계된 것일 수도 있고, 또는 상술한 동작을 위해 통상의 정보 처리 장치를 특별히 프로그래밍한 것일 수도 있다. 또한, 프로세서(120)는 상술한 동작을 위한 프로그램을 호출하여 구동 가능하게 마련된 것일 수도 있다. 이 경우, 프로세서(120)는, 저장 매체(미도시)에 저장된 애플리케이션을 구동시켜, 미리 정의된 명령어 처리, 연산, 판단, 처리 및/또는 제어 동작 등을 수행할 수도 있다. 여기서, 저장 매체에 저장된 애플리케이션은, 설계자에 의해 미리 작성되어 저장 매체에 저장된 것일 수도 있고, 및/또는 유선 또는 무선 통신 네트워크를 통해 접속 가능한 전자 소프트웨어 유통망을 통하여 획득 또는 갱신된 것일 수도 있다.
프로세서(120)는, 예를 들어, 중앙 처리 장치(CPU, Central Processing Unit), 마이크로 컨트롤러 유닛(MCU, Micro Controller Unit), 마이컴(Micom, Micro Processor), 애플리케이션 프로세서(AP, Application Processor), 전자 제어 유닛(ECU, Electronic Controlling Unit) 및/또는 각종 연산 처리 및 제어 신호의 생성이 가능한 다른 전자 장치 등을 포함할 수 있다. 이들 장치는 예를 들어 하나 또는 둘 이상의 반도체 칩 및 관련 부품을 이용하여 구현 가능하다.
도 10은 알고리즘의 일 실시예를 도시한 도면으로, 구체적으로는 상술한 바를 알고리즘으로 대략 표현한 것이다.
도 10에 도시된 바에 의하면, 먼저 분석 대상 네트워크(10)에 대한 정보(G(V, E))와, 목표 노드(v)의 집단(S)에 대한 정보가 입력되면, 전체 집단(S)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000240
)는 공집합으로 처리된다(line 1). 목표 노드(v)가 목표 노드 집단(S)에 속하는 경우에(line 2), 목표 노드(v)의 총 기여 노드(
Figure PCTKR2018014064-appb-I000241
)는 공집합으로 초기화되고(line 3), 신규 활성 노드(
Figure PCTKR2018014064-appb-I000242
)는 이웃 노드(u)를 포함하는 집합({u})으로 초기화된다(line 4).
이웃 노드(u)가 신규 활성 노드(
Figure PCTKR2018014064-appb-I000243
)에 해당하면, line 6 내지 line 14가 반복된다(line 5, line 15).
구체적으로 확인 대상 노드(
Figure PCTKR2018014064-appb-I000244
)에는 이웃 노드(u)와 관계있는 노드(들)의 집합(
Figure PCTKR2018014064-appb-I000245
)이 적용되고(line 6), 이웃 노드(u)에 대응하는 현 활성 노드(
Figure PCTKR2018014064-appb-I000246
)는 공집합으로 설정되며, 이웃 노드(u)에 대응하는 총 기여 노드(
Figure PCTKR2018014064-appb-I000247
)는 이웃 노드(u)를 포함하는 집합({u})으로 초기화된다(line 7).
이웃 노드(u)와 관계가 존재하는 노드(w)가 확인 대상 노드(
Figure PCTKR2018014064-appb-I000248
)에 해당하는 경우, 만약 이웃 노드(u)와 관계가 존재하는 노드(w)가 확률 p에 따라서 활성화되면, 현 활성 노드(
Figure PCTKR2018014064-appb-I000249
)와 {w}의 합집합으로 현 활성 노드(
Figure PCTKR2018014064-appb-I000250
)를 갱신하는 과정(line 9 내지 line 11)을 반복 수행한다(line 8 및 line 12).
반복 수행(line 8 내지 line 12) 이후, 신규 활성 노드(
Figure PCTKR2018014064-appb-I000251
)는, 기존의 신규 활성 노드(
Figure PCTKR2018014064-appb-I000252
)에 이웃 노드(u)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000253
)와 목표 노드 집단(S)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000254
)를 차감하여 갱신하고(line 13), 아울러 이웃 노드(u)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000255
)는, 기존의 이웃 노드(u)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000256
)와 신규 활성 노드(
Figure PCTKR2018014064-appb-I000257
)의 합하여(즉, 합집합을 이용하여) 갱신한다(line 14).
상술한 반복 수행(line 5 내지 line 15)이 종료되면, 최대 휴리스틱 영향력(
Figure PCTKR2018014064-appb-I000258
)을 갖는 이웃 노드(u)의 가장 작은 집합을, 고 영향 노드로 이루어진 노드 집단(
Figure PCTKR2018014064-appb-I000259
)에 대입하고(line 16), 노드 집단(
Figure PCTKR2018014064-appb-I000260
)에 속하는 노드(들)(y)의 총 기여 노드(
Figure PCTKR2018014064-appb-I000261
)를 이용하여 목표 노드(v)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000262
)를 갱신한다(line 17). 아울러 전체 집단(S)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000263
)를, 전체 집단(S)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000264
)에 목표 노드(v)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000265
)를 합하여 갱신시킨다(line 18).
이와 같은 과정이 종료되면(line 19), 전체 집단(S)에 대한 총 기여 노드(
Figure PCTKR2018014064-appb-I000266
)에 속하는 요소들의 총 개수(λ(S))가 획득되고(line 20), 획득된 총 개수(λ(S))는 외부로 출력된다(line 21).
상술한 알고리즘은 상술한 프로세서(120)에 의해 처리될 수 있다. 프로세서(120)는 상술한 알고리즘에 따라서 소정의 집단(S) 내의 목표 노드에 대해 높은 영향력을 가지는 노드(들)를 검출하고 이들의 개수를 판단할 수 있다.
상술한 고 영향 노드의 결정 장치는, 일 실시예로 바이럴 마케팅에서 마케팅 비용을 최소화하기 위해 이용될 수도 있다.
도 11은 바이럴 마케팅에서의 마케팅 비용 최소화 시스템의 일 실시예를 도시한 도면이고, 도 12는 바이럴 마케팅이 수행되는 네트워크에 대한 일 실시예를 도시한 도면이다.
도 11에 도시된 바와 같이 바이럴 마케팅에서의 마케팅 비용 최소화 시스템(1)은, 고 영향 노드 결정 장치(200)와, 적어도 하나의 소셜 네트워크 서비스 제공 시스템(300: 301, 302)이 접근 가능한 적어도 하나의 소셜 네트워크 서비스 제공 시스템(300: 301, 302)과, 소셜 네트워크 서비스 제공 시스템(300: 301, 302)과, 연결되는 적어도 하나의 단말 장치(310)를 포함할 수 있다.
도 12에 도시된 바와 같이, 적어도 하나의 소셜 네트워크 서비스 제공 시스템(300: 301, 302)은, 적어도 하나의 사용자(z0 내지 z24) 및 이들 사용자 사이의 관계를 포함할 수 있다.
여기서, 적어도 하나의 사용자는 가상의 사용자를 포함할 수 있다. 가상의 사용자는, 사용자 계정을 포함할 수도 있으며, 및/또는 이에 수반되는 홈페이지, 블로그, 마이크로 블로그 및/또는 게시물 등을 포함할 수도 있다.
적어도 하나의 사용자는 목표 사용자(들)(z0)를 포함할 수 있다. 목표 사용자(z0)는 소셜 네트워크 서비스 내에서 다수의 사용자에게 강한 영향을 미칠 수 있는 사용자를 의미한다. 예를 들어, 목표 사용자(z0)는 유명 인사나 유명 회사 등 또는 이들을 나타내는 가상의 사용자를 포함할 수 있다. 적어도 하나의 이웃 사용자(z11 내지 z24)는, 목표 사용자(z0)와 직간접적으로 소정의 관계를 가지고 있는 사용자, 일례로 제1 이웃 사용자(z11 내지 z13) 또는 제2 이웃 사용자(z21 내지 z24)를 포함할 수 있다. 예를 들어, 적어도 하나의 제1 이웃 사용자(z11 내지 z13)는 목표 사용자(z0)와 친구이거나, 이웃이거나, 목표 사용자(z0)를 직간접적으로 팔로잉하거나 또는 목표 사용자(z0)에 의해 팔로잉되고 있을 수 있다. 또한, 적어도 하나의 이웃 사용자(z11 내지 z24)는, 목표 사용자(z0)와 직접 관계를 가지고 있는 적어도 하나의 제1 이웃 사용자(z11 내지 z13)뿐만 아니라, 적어도 하나의 제1 이웃 사용자(z11 내지 z13)와 직접 또는 다른 사용자(들)을 경유하여 직간접적으로 관계를 가지고 있는 다른 적어도 하나의 제2 이웃 사용자(z21 내지 z24)도 포함할 수 있다.
일 실시예에 의하면, 마케팅 비용 최소화 시스템(1)은 복수의 소셜 네트워크 서비스 제공 시스템(301, 302)을 포함하는 것도 가능하다. 예를 들어, 복수의 소셜 네트워크 서비스 제공 시스템(301, 302)이 상호 연동되거나 또는 상호 필요한 데이터를 송수신할 수 있도록 마련되어 있을 수 있다. 이 경우, 고 영향 노드 결정 장치(200)는, 복수의 소셜 네트워크 서비스 제공 시스템(301, 302) 각각으로부터 사용자에 대한 정보 및 사용자 사이의 관계에 대한 정보를 획득할 수 있다.
복수의 소셜 네트워크 서비스 제공 시스템(301, 302)은, 하나 또는 둘 이상의 컴퓨팅 장치를 이용하여 구현될 수 있으며, 컴퓨팅 장치는 서버용 컴퓨팅 장치, 데스크톱 컴퓨터 및/또는 각종 휴대용 전자 기기 등을 포함할 수 있다.
고 영향 노드 결정 장치(200)는, 적어도 하나의 소셜 네트워크 서비스 제공 시스템(300: 301, 302)으로부터 소셜 네트워크 상의 목표 사용자에 대한 정보(예를 들어, 계정 정보, 친구나 이웃이나 팔로워/팔로잉 정보 등)와, 목표 사용자에 대응하는 적어도 하나의 이웃 사용자(들)에 대한 정보를 획득할 수 있다.
고 영향 노드 결정 장치(200)는, 적어도 하나의 소셜 네트워크 서비스 제공 시스템(300: 301, 302)으로부터 획득한 정보를 기반으로, 상술한 바와 같이 목표 사용자에 높은 영향을 미치는 고 영향 사용자(들)에 대한 집단을 획득하고, 아울러 집단 내의 고 영향 사용자(들)의 개수를 기반으로 비용을 획득할 수 있다. 보다 구체적으로 고 영향 노드 결정 장치(200)는 목표 사용자(z0, 상술한 목표 노드에 대응될 수 있다)에 대응하는 적어도 하나의 제1 이웃 사용자(z11 내지 z13, 상술한 이웃 노드에 대응될 수 있다)를 결정하고, 목표 사용자(z0) 및 목표 사용자(z0)와 직간접적으로 연결된 이웃 사용자(z11 내지 z24) 각각과, 이들(z0 내지 z24) 사이의 관계에 대한 정보를 획득할 수 있다. 또한, 고 영향 노드 결정 장치(200)는 적어도 하나의 제1 이웃 사용자(z11 내지 z13) 각각에 대한 적어도 하나의 총 기여 사용자(상술한 총 기여 노드에 대응될 수 있다)를 결정한 후, 총 기여 사용자를 기반으로 적어도 하나의 이웃 사용자 중에서 목표 사용자에 대해 가장 높은 영향력의 이웃 사용자(상술한 고 영향 노드에 대응될 수 있다)를 결정하도록 설계된 것일 수 있다.
이 경우, 목표 사용자의 활성화를 위해 투입되어야 할 비용은, 목표 사용자로 이루어진 집단에 대응하는 총 기여 사용자의 개수로 결정될 수 있으며, 이는 상술한 목표 노드(v)로 이루어진 집단(S)에 대응하는 총 기여 노드(
Figure PCTKR2018014064-appb-I000267
)의 크기(λ(S))를 연산하는 방법과 동일하거나 또는 일부 변형된 방법을 이용하여 수행될 수 있다. 고 영향 노드 결정 장치(200)의 동작 및 기능에 대한 자세한 내용은 도 1 내지 도 10을 통하여 기 설명하였으므로 중복 설명의 회피를 위해 이하 생략하도록 한다.
단말 장치(310)는, 유무선 통신 네트워크를 통하여 적어도 하나의 소셜 네트워크 서비스 제공 시스템(300: 301, 302)에 접속할 수 있도록 마련된다. 단말 장치(310)는, 사용자가 다른 사용자의 홈 페이지 등에 접속하거나, 다른 사용자의 게시물 등을 열람, 복제, 공유, 인용 및/또는 전달하거나, 및/또는 단말 장치(310)의 사용자의 홈페이지나 마이크로 블로그 등을 열람 또는 편집하거나, 단말 장치(310)의 사용자가 게시물 등을 작성, 열람, 수정 및/또는 삭제하기 위해 이용될 수 있다.
단말 장치(310)는, 예를 들어, 스마트 폰, 태블릿 피씨, 두부 장착형 디스플레이(HMD, Head Mounted Display) 장치, 스마트 시계, 디지털 텔레비전, 셋톱 박스, 데스크톱 컴퓨터, 랩톱 컴퓨터, 내비게이션 장치, 개인용 디지털 보조기(PDA, Personal Digital Assistant), 휴대용 게임기, 전자 칠판, 전자 광고판 또는 이외 부호의 입력 및 수정이 가능한 다양한 장치 중 적어도 하나를 포함할 수 있다.
이상 고 영향 노드 결정 장치 및 이것이 적용된 하나의 실시예인 마케팅 비용 최소화 시스템에 대해 설명하였다.
고 영향 노드를 획득하거나 마케팅 비용의 최소화를 해결하기 위해 상술한 휴리스틱 혼합 모델에서 이용되는 최적화 방법은 배낭 문제(Knapsack problem)과 관련된 기술이며, 휴리스틱 혼합 모델은 각 시간마다 최대 영향력을 갖는 이웃 노드(이웃 사용자)를 선택하도록 설계되어 있다. 더구나 노드 활성화 과정에서 이용된 역 독립 케스케이드 모델은, 전통적인 독립 캐스케이드의 변형이며, 이와 같은 전통적인 독립 캐스케이드 모델 하에서 영향력 최대화(Influence Maximization) 문제는 NP-난해(NP-hard) 문제이다. 또한, 배낭 문제 역시 NP-난해이므로, 휴리스틱 혼합 모델 하에서 고 영향 노드를 획득하거나 또는 마케팅 비용 최소화 방법은 NP-난해(NP-hard)에 해당한다.
또한, 상술한 휴리스틱 혼합 모델 알고리즘은, 하기의 수학식 13과 같은 2 근사 알고리즘(2 approximation algorithm)일 수 있다.
[수학식 13]
Figure PCTKR2018014064-appb-I000268
상술한 배낭 문제는 2 근사 알고리즘이고, 휴리스틱 혼합 모델의 배낭 문제의 변형이므로, 휴리스틱 혼합 모델은, 하기의 수학식 14와 같이 동일한 근사 비율을 나타낸다.
[수학식 14]
Figure PCTKR2018014064-appb-I000269
한편, 실행 시간 도출과 관련해서, 네트워크(G)에서의 평균 인-디그리(in-degree)의 값을 d라고 하면, 휴리스틱 혼합 알고리즘의 실행 시간은 하기의 수학식 15로 주어질 수 있다.
[수학식 15]
Figure PCTKR2018014064-appb-I000270
이하 도 13 내지 도15를 참조하여 고 영향 노드의 결정 방법의 일 실시예에 대해서 설명하도록 한다.
도 13은 고 영향 노드의 결정 방법의 일 실시예를 설명하기 위한 제1 흐름도이다.
도 13에 도시된 바에 의하면, 먼저 적어도 하나의 목표 노드에 대해서 대응하는 적어도 하나의 이웃 노드가 결정될 수 있다(S100). 만약 복수의 목표 노드가 존재하는 경우라면, 복수의 목표 노드마다 독립적으로 적어도 하나의 이웃 노드가 각각 결정될 수 있다.
목표 노드에 대응하는 적어도 하나의 이웃 노드가 결정되면, 적어도 하나의 이웃 노드 각각에 대응하여 적어도 하나의 총 기여 노드가 결정될 수 있다(S110). 일 실시예에 의하면, 총 기여 노드는 역 독립 케스케이드 모델을 이용하여 획득되는 것일 수 있다.
적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드가 획득되면, 총 기여 노드를 기반으로 목표 노드에 대응한 적어도 하나의 이웃 노드 중에서 가장 높은 영향력의 이웃 노드(즉, 고 영향 노드)가 결정될 수 있다(S120). 일 실시예에 의하면, 가장 높은 영향력의 이웃 노드의 결정은, 역 선형 임계 모델, 휴리스틱 기술 및 그리디 최적화 기술 중 적어도 둘을 조합하여 수행되는 것일 수 있다.
이와 같은 방법에 따라서, 목표 노드에 대한 고 영향 노드가 결정될 수 있으며, 또한 고 영향 노드에 해당하는 노드의 개수도 결정될 수 있게 된다.
도 14는 고 영향 노드의 결정 방법의 일 실시예를 설명하기 위한 제2 흐름도로, 총 기여 노드가 결정되는 과정을 보다 상세히 설명한 것이다.
도 14에 도시된 바를 참조하면, 이웃 노드에 대응하는 총 기여 노드를 결정하기 위하여, 먼저 하나의 이웃 노드 또는 둘 이상의 이웃 노드 각각에 대응하는 신규 활성 노드 및 총 기여 노드가 초기화된다(S111). 예를 들어, 신규 활성 노드 및 총 기여 노드는 각각 대응하는 이웃 노드를 포함하도록 초기화될 수 있다.
동시에 또는 순차적으로 하나의 이웃 노드 또는 둘 이상의 이웃 노드 각각에 대한 확인 대상 노드가 결정된다(S112). 확인 대상 노드는 이웃 노드와 관계를 가지고 있어 이웃 노드에 영향을 줄 수 있는 적어도 하나의 노드를 포함할 수 있으며, 실시예에 따라서 이와 같이 마련된 모든 노드를 포함할 수도 있다.
확인 대상 노드가 결정되면, 이에 응하여 확인 대상 노드 중에서 현 활성 노드가 결정될 수 있다(S112). 현 활성 노드는 소정의 확률을 기반으로 확인 대상 노드 중에서 획득될 수 있다. 소정의 확률은, 예를 들어, 0.01 및 0.01 중에서 균등하게 선택된 것일 수 있고, 또는 0.1, 0.01 및 0.001 중에서 임의적으로 선택된 것일 수도 있다.
현 활성 노드가 결정되면, 현 활성 노드를 기반으로 신규 활성 노드 및 총 기여 노드가 갱신될 수 있다(S114). 구체적으로 신규 활성 노드는, 현 활성 노드 중에서 기존의 총 기여 노드(즉, 갱신 전의 총 기여 노드)와 중복되지 않는 노드(즉, 현 활성 노드 중와 총 기여 노드 사이의 차집합)로 갱신된다. 총 기여 노드는, 기존의 총 기여 노드에 현 활성 노드를 합하여 갱신될 수 있다(총 기여 노드는 총 기여 노드에 신규 활성 노드를 합하여 갱신되는 것도 가능하다). 다시 말해서, 총 기여 노드는, 기존의 총 기여 노드와 현 활성 노드의 합집합으로 갱신될 수 있다.
만약 신규 활성 노드에 소속된 노드의 개수가 0인지 여부가 판단될 수 있다(S115). 다시 말해서, 신규 활성 노드가 공집합인지 여부가 판단될 수 있다.
만약 신규 활성 노드의 개수가 0이라면(S115의 예), 상술한 단계 S114에서 갱신된 총 기여 노드가 최종적인 총 기여 노드로 결정된다(S116).
반대로 만약 신규 활성 노드의 개수가 0이 아니라면(S115의 아니오, 다시 말해서, 신규 활성 노드가 공집합이 아니라면), 적어도 하나의 신규 활성 노드 각각에 대한 적어도 하나의 확인 대상 노드가 결정된다(S117). 여기서 확인 대상 노드는 신규 활성 노드와 관계가 존재하는 노드를 포함한다.
순차적으로 신규 활성 노드에 대한 확인 대상 노드에 대해서도 현 활성 노드가 결정되고(S113), 결정된 현 활성 노드를 기반으로 상술한 바와 동일하게 신규 활성 노드가 새롭게 갱신될 수 있다(S114). 마찬가지로 새롭게 결정된 현 활성 노드를 이용하여 총 기여 노드도 상술한 바와 동일한 방법을 통해 새로 갱신될 수 있다.
이어서, 새롭게 갱신된 신규 활성 노드에 소속된 노드의 개수가 0인지 여부가 동일하게 판단될 수 있으며(S115), 새롭게 갱신된 신규 활성 노드에 소속된 노드의 개수가 0이면(S115의 예), 새로 갱신된 총 기여 노드가 최종적인 총 기여 노드로 결정되고(S116), 반대로 새롭게 갱신된 신규 활성 노드에 소속된 노드의 개수가 0이 아니면(S115의 아니오), 다시 새롭게 갱신된 신규 활성 노드에 대한 확인 대상 노드가 다시 결정되게 된다(S117). 다시 말해서, 상술한 단계 S112(S117), S113 및 S114는 신규 활성 노드가 공집합이 될 때까지 계속해서 반복될 수 있다(S115).
이에 따라 적어도 하나의 이웃 노드에 대한 총 기여 노드가 결정될 수 있게 된다.
도 15는 고 영향 노드의 결정 방법의 일 실시예를 설명하기 위한 제3 흐름도이로, 가장 높은 영향력의 이웃 노드가 선택되는 과정을 보다 상세히 설명한 것이다.
도 15에 도시된 바에 의하면, 도 14에 도시된 바와 같이 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드가 결정되면, 각각의 총 기여 노드를 이용하여, 적어도 하나의 이웃 노드 각각에 대응하는 영향력이 연산될 수 있다(S121). 여기서, 영향력은 목표 노드에 대한 이웃 노드의 영향력을 의미할 수 있다.
각각의 이웃 노드에 대응하는 영향력이 연산되면, 영향력은 정규화된다(S122). 이에 따라 각각의 영향력에 대응하는 정규화된 영향력(일례로, 휴리스틱 영향력)이 각각 획득될 수 있다. 정규화된 영향력은 상술한 수학식 7 등을 이용하여 연산될 수도 있다.
각각의 이웃 노드에 대응하는 각각의 정규화된 영향력이 획득되면, 각각의 정규화된 영향력이 비교되고, 비교 결과에 따라서 정규화된 영향력의 값이 가장 큰 이웃 노드가 검출된다(S123). 예를 들어, 정규화된 영향력의 값이 1.000으로 주어진 이웃 노드가 검출될 수 있다.
순차적으로 검출된 이웃 노드에 대응하는 정규화된 영향력의 합(k)이 연산될 수 있다(S124). 이웃 노드가 최초로 검출된 경우라면, 검출된 이웃 노드의 정규화된 영향력의 값이 정규화된 영향력의 합(k)으로 주어질 수 있다.
정규화된 영향력의 합(k)은 미리 정의된 임계 값(θ)과 상호 비교될 수 있다(S125). 만약 정규화된 영향력의 합(k)이 미리 정의된 임계 값(θ)과 동일하다면(S125의 예), 상술한 단계 S123에서 검출된 이웃 노드가 고 영향 이웃 노드로 결정될 수 있다(S126). 이 경우, 고 영향 이웃 노드와 직간접적으로 관계를 갖는 적어도 하나의 노드(들)의 집합이 목표 노드에 대한 총 기여 노드로 결정될 수 있으며, 또한 총 기여 노드에 속하는 노드들의 개수도 연산될 수도 있다.
반대로 만약 정규화된 영향력의 합(k)이 미리 정의된 임계 값(θ)보다 작다면(S125의 아니오), 검출된 이웃 노드를, 검출되지 않은 다른 이웃 노드(즉, 정규화된 영향력이 상대적으로 작은 이웃 노드)과 병합할 수 있다(S127). 다시 말해서, 적어도 하나의 다른 이웃 노드 각각과 검출된 이웃 노드의 합집합이 각각 획득될 수 있다.
이어서, 병합되어 새로 획득된 이웃 노드에 대한 영향력 및 정규화된 영향력이 다시 연산될 수 있다(S128). 새로 획득된 이웃 노드에 대한 정규화된 영향력이 획득되면, 상술한 바와 동일하게 각각의 정규화된 영향력이 서로 비교되고, 비교 결과에 따라서 새로 획득된 이웃 노드 중에서 적어도 하나의 이웃 노드가 검출될 수 있다(S123). 검출되는 이웃 노드는 새로 획득된 이웃 노드 중에서 정규화된 영향력의 값이 가장 큰 이웃 노드를 포함한다.
순차적으로, 상술한 과정에서 검출된 이웃 노드(즉, 최초로 검출된 이웃 노드 및 새로 검출된 이웃 노드)에 대응하는 정규화된 영향력의 합(k)이 연산되고(S124), 만약 정규화된 영향력의 합(k)이 미리 정의된 임계 값(θ)과 동일하다면(S125의 예), 상술한 단계 S121 내지 S123에서 획득된 이웃 노드와 상술한 단계 S127, S128 및 S123을 통해 획득된 이웃 노드가 고 영향 이웃 노드로 결정될 수 있다(S126).
반대로 정규화된 영향력의 합(k)이 미리 정의된 임계 값(θ)보다 작다면(S125의 아니오), 상술한 단계 S127 및 S128이 반복되어 검출되지 않은 다른 이웃 노드는 검출된 이웃 노드와 병합되고(S127), 이에 대응하는 영향력 및 정규화된 영향력이 다시 연산될 수 있다(S128). 이어서 다시 연산된 정규화된 영향력의 비교 결과에 따라서 새로 획득된 이웃 노드 중에서 적어도 하나의 이웃 노드가 검출될 수 있다(S123). 이후 정규화된 영향력의 합(k)이 다시 연산되고(S124), 연산 결과에 따라서 반복 여부가 결정될 수 있다(S125).
이와 같은 과정에 의해서 고 영향 이웃 노드가 결정될 수 있게 된다.
이하 도 16을 참조하여 마케팅 비용 최소화 결정 방법의 일 실시예에 대해서 설명하도록 한다.
도 16은 마케팅 비용 최소화 결정 방법의 일 실시예를 설명하기 위한 흐름도이다.
도 16에 도시된 바에 의하면, 마케팅 비용 최소화 결정 방법에 있어서 먼저 적어도 하나의 목표 사용자에 대해서 대응하는 적어도 하나의 이웃 사용자가 결정될 수 있다(S400). 이 경우, 만약 복수의 목표 사용자에 대한 마케팅 비용을 얻고자 한면, 복수의 목표 사용자마다 독립적으로 적어도 하나의 이웃 사용자를 각각 결정할 수 있다.
목표 사용자에 대응하는 적어도 하나의 이웃 사용자가 결정되면, 순차적으로 적어도 하나의 이웃 사용자 각각에 대응하는 적어도 하나의 총 기여 사용자가 결정될 수 있다(S410). 상술한 바와 같이 총 기여 사용자는 역 독립 케스케이드 모델을 이용하여 획득되는 것일 수 있다.
적어도 하나의 이웃 사용자 각각에 대응하는 적어도 하나의 총 기여 사용자가 획득되면, 총 기여 사용자를 기반으로 목표 사용자와 관련된 사용자들 중에서 영향력이 가장 높은 사용자(일례로 이웃 사용자)가 결정될 수 있다(S420). 마찬가지로 높은 영향력을 갖는 사용자의 결정은, 역 선형 임계 모델, 휴리스틱 기술 및 그리디 최적화 기술 중 적어도 둘을 조합하여 수행 가능하다.
이와 같은 방법에 따라서, 목표 사용자에 높은 영향을 끼치는 사용자 집단이 획득될 수 있게 되며, 또한 이와 같은 사용자 집단에 속하는 사용자의 개수를 기반으로 마케팅 비용이 결정될 수 있다. 상술한 바와 같이 다양한 사용자에게 강한 영향력을 갖는 목표 사용자의 활성화를 위해서 최소로 필요한 사용자들의 집단이 획득되므로, 필요한 마케팅 비용의 결정이 가능해지고, 또한 필요한 마케팅 비용을 최소화 및 최적화할 수 있게 된다.
상술한 실시예에 따른 고 영향 노드의 결정 방법 및 마케팅 비용 최소화 결정 방법 중 적어도 하나는, 컴퓨터 장치에 의해 구동될 수 있는 프로그램의 형태로 구현될 수 있다. 여기서 프로그램은, 프로그램 명령, 데이터 파일 및 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 프로그램은 기계어 코드나 고급 언어 코드를 이용하여 설계 및 제작된 것일 수 있다. 프로그램은 상술한 방법을 구현하기 위하여 특별히 설계된 것일 수도 있고, 컴퓨터 소프트웨어 분야에서 통상의 기술자에게 기 공지되어 사용 가능한 각종 함수나 정의를 이용하여 구현된 것일 수도 있다. 또한, 여기서, 컴퓨터 장치는, 프로그램의 기능을 실현 가능하게 하는 프로세서나 메모리 등을 포함하여 구현된 것일 수 있으며, 필요에 따라 통신 장치를 더 포함할 수도 있다.
상술한 고 영향 노드의 결정 방법 및 마케팅 비용 최소화 결정 방법 중 적어도 하나를 구현하기 위한 프로그램은, 컴퓨터에 의해 판독 가능한 기록 매체에 기록될 수 있다. 컴퓨터에 의해 판독 가능한 기록 매체는, 예를 들어, 하드 디스크나 플로피 디스크와 같은 자기 디스크 저장 매체, 자기 테이프, 콤팩트 디스크나 디브이디와 같은 광 기록 매체, 플롭티컬 디스크와 같은 자기-광 기록 매체 및 롬, 램 또는 플래시 메모리 등과 같은 반도체 저장 장치 등 컴퓨터 등의 호출에 따라 실행되는 특정 프로그램을 저장 가능한 다양한 종류의 하드웨어 장치를 포함할 수 있다.
이상 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템의 여러 실시예에 대해 설명하였으나, 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템은 오직 상술한 실시예에 한정되는 것은 아니다. 해당 기술 분야에서 통상의 지식을 가진 자가 상술한 실시예를 기초로 수정 및 변형하여 구현 가능한 다양한 장치나 방법 역시 상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템의 일례가 될 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나 다른 구성 요소 또는 균등물에 의하여 대치되거나 또는 치환되더라도 상술한 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템의 일 실시예가 될 수 있다.

Claims (20)

  1. 목표 노드에 대응하는 적어도 하나의 이웃 노드를 결정하는 단계;
    상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계; 및
    상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 노드를 결정하는 단계;를 포함하는 고 영향 노드의 결정 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는,
    상기 이웃 노드에 대응하는 적어도 하나의 제1 확인 대상 노드를 결정하는 단계;
    상기 적어도 하나의 제1 확인 대상 노드로부터 상기 적어도 하나의 이웃 노드에 영향을 미치는 적어도 하나의 제1 현 활성 노드를 선택하는 단계;
    상기 적어도 하나의 이웃 노드에 대응하는 적어도 하나의 기여 노드에 상기 적어도 하나의 제1 현 활성 노드를 부가하여 상기 이웃 노드에 대응하는 기여 노드를 갱신하는 단계;를 포함하는 고 영향 노드의 결정 방법.
  3. 제2항에 있어서,
    상기 적어도 하나의 제1 확인 대상 노드로부터 상기 적어도 하나의 이웃 노드에 영향을 미치는 적어도 하나의 제1 현 활성 노드를 선택하는 단계는,
    미리 정의된 확률을 기반으로 상기 적어도 하나의 제1 확인 대상 노드 중에서 적어도 하나의 제1 현 활성 노드를 선택하는 단계;를 포함하는 고 영향 노드의 결정 방법.
  4. 제2항에 있어서,
    상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는,
    상기 적어도 하나의 제1 현 활성 노드 중에서 제1 신규 활성 노드를 검색하되, 상기 제1 신규 활성 노드는 상기 기여 노드와 중복되지 않는 노드를 포함하는 단계;를 더 포함하는 고 영향 노드의 결정 방법.
  5. 제4항에 있어서,
    상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는,
    상기 적어도 하나의 제1 현 활성 노드 중에서 상기 제1 신규 활성 노드가 검색되지 않으면, 상기 기여 노드를 상기 총 기여 노드로 결정하는 단계;를 더 포함하는 고 영향 노드의 결정 방법.
  6. 제5항에 있어서,
    상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 단계는,
    검색된 상기 제1 신규 활성 노드 각각마다 대응하는 적어도 하나의 제2 확인 대상 노드를 결정하는 단계;
    상기 적어도 하나의 제2 확인 대상 노드로부터 상기 제1 신규 활성 노드에 영향을 미치는 적어도 하나의 제2 현 활성 노드를 선택하는 단계;
    상기 적어도 하나의 기여 노드에 상기 적어도 하나의 제2 현 활성 노드를 부가하여 상기 이웃 노드에 대응하는 기여 노드를 갱신하는 단계; 및
    상기 적어도 하나의 제2 현 활성 노드 중에서 제2 신규 활성 노드를 검색하는 단계;를 더 포함하는 고 영향 노드의 결정 방법.
  7. 제4항에 있어서,
    상기 기여 노드를 초기화하는 단계;를 더 포함하되,
    상기 기여 노드는 상기 제1 신규 활성 노드와 동일하게 설정되어 초기화되는 고 영향 노드의 결정 방법.
  8. 제1항에 있어서,
    상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는,
    상기 목표 노드에 대한 상기 적어도 하나의 이웃 노드의 영향력을 각각 획득하는 단계;를 포함하되,
    상기 적어도 하나의 이웃 노드의 영향력은, 상기 이웃 노드에 대응하는 총 기여 노드의 역수로 결정되는 고 영향 노드의 결정 방법.
  9. 제8항에 있어서,
    상기 총 기여 노드를 기반으로 이웃 노드 집단을 결정하되, 상기 이웃 노드 집단은 가장 영향력이 존재하는 이웃 노드를 최소 개수로 포함하는 단계는,
    상기 적어도 하나의 영향력을 정규화하여 적어도 하나의 정규화된 영향력을 획득하는 단계;를 포함하는 고 영향 노드의 결정 방법.
  10. 제9항에 있어서,
    상기 적어도 하나의 영향력을 정규화하여 적어도 하나의 정규화된 영향력을 획득하는 단계는,
    상기 목표 노드에 대한 상기 이웃 노드의 영향력과 최소 영향력 사이의 차이와, 최대 영향력 및 최소 영향력의 차이 사이의 비율을 연산함으로써 상기 목표 노드에 대한 상기 이웃 노드의 영향력을 정규화하는 단계;를 포함하는 고 영향 노드의 결정 방법.
  11. 제1항에 있어서,
    상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는,
    상기 적어도 하나의 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 이웃 노드를 선택하는 단계; 및
    상기 적어도 하나의 총 기여 노드를 기반으로, 상기 고 영향 노드 외의 다른 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 고영향 이웃 노드를 선택하는 단계;를 포함하는 고 영향 노드의 결정 방법.
  12. 제1항에 있어서,
    상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는,
    상기 목표 노드에 대응하는 상기 적어도 하나의 이웃 노드 각각에 대한 적어도 하나의 영향력을 연산하는 단계;
    상기 적어도 하나의 영향력에 대해 적어도 하나의 정규화된 영향력을 획득하는 단계; 및
    상기 적어도 하나의 정규화된 영향력 중에서 가장 큰 값을 갖는 정규화된 영향력을 결정하고, 결정된 정규화된 영향력에 대응하는 이웃 노드를 검출함으로써 가장 높은 영향력의 이웃 노드를 결정하는 단계;를 포함하되,
    상기 영향력의 값은, 상기 기여 노드의 역원을 획득하여 연산되는 고 영향 노드의 결정 방법.
  13. 제12항에 있어서,
    상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 단계는,
    상기 적어도 하나의 정규화된 영향력의 합이 미리 정의된 임계 값과 동일하거나 상기 임계 값보다 클 때까지 가장 높은 영향력의 이웃 노드를 검출하는 단계;를 더 포함하는 고 영향 노드의 결정 방법.
  14. 제1항에 있어서,
    상기 가장 높은 영향력의 이웃 노드를 포함하는 이웃 노드 집단을 획득하는 단계;를 더 포함하는 고 영향 노드의 결정 방법.
  15. 제14항에 있어서,
    상기 이웃 노드 집합은 상기 가장 높은 영향력의 이웃 노드를 미리 정의된 임계 값 이하로 포함하는 고 영향 노드의 결정 방법.
  16. 목표 노드에 대응하는 적어도 하나의 이웃 노드와 관련된 정보를 수집하는 정보 수집부;
    상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정한 후, 상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 프로세서;를 포함하는 고 영향 노드의 결정 장치.
  17. 제16항에 있어서,
    상기 프로세서는,
    상기 이웃 노드에 대응하는 적어도 하나의 확인 대상 노드를 결정하고, 상기 적어도 하나의 확인 대상 노드로부터 상기 적어도 하나의 이웃 노드에 영향을 미치는 적어도 하나의 현 활성 노드를 선택하고, 상기 적어도 하나의 이웃 노드에 대응하는 적어도 하나의 기여 노드에 상기 적어도 하나의 현 활성 노드를 부가하여 상기 이웃 노드에 대응하는 기여 노드를 갱신하여 상기 적어도 하나의 이웃 노드 각각에 대응하는 적어도 하나의 총 기여 노드를 결정하는 고 영향 노드의 결정 장치.
  18. 제16항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 이웃 노드를 선택하고, 상기 적어도 하나의 총 기여 노드를 기반으로, 상기 고 영향 노드 외의 다른 적어도 하나의 이웃 노드 중에서 상대적으로 영향력이 높은 고영향 이웃 노드를 선택하여 상기 총 기여 노드를 기반으로 상기 적어도 하나의 이웃 노드로부터 가장 높은 영향력의 이웃 노드를 결정하는 고 영향 노드의 결정 장치.
  19. 적어도 하나의 목표 사용자 및 적어도 하나의 목표 사용자에 대응하는 적어도 하나의 이웃 사용자를 포함하는 소셜 네트워크 기반으로 수행되는 마케팅 비용 최소화 방법에 있어서,
    적어도 하나의 목표 사용자에 대응하는 적어도 하나의 이웃 사용자를 결정하는 단계;
    상기 적어도 하나의 이웃 사용자 각각에 대응하는 적어도 하나의 총 기여 사용자를 결정하는 단계; 및
    상기 총 기여 사용자를 기반으로 상기 적어도 하나의 이웃 사용자로부터 상기 목표 사용자에 대해 가장 높은 영향력의 이웃 사용자를 결정하는 단계;를 포함하는 마케팅 비용 최소화 결정 방법.
  20. 적어도 하나의 목표 사용자에 대한 정보 및 상기 목표 사용자에 대응하는 적어도 하나의 이웃 사용자에 대한 정보를 갖는 소셜 네트워크 장치; 및
    상기 소셜 네트워크 장치와 통신 가능하게 연결되고, 상기 적어도 하나의 이웃 사용자 각각에 대응하는 적어도 하나의 총 기여 사용자를 결정하고, 상기 총 기여 사용자를 기반으로 상기 적어도 하나의 이웃 사용자로부터 가장 높은 영향력의 이웃 사용자를 결정하는 장치;를 포함하는 마케팅 비용 최소화 시스템.
PCT/KR2018/014064 2018-11-15 2018-11-16 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템 WO2020101081A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0140695 2018-11-15
KR1020180140695A KR102181835B1 (ko) 2018-11-15 2018-11-15 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템

Publications (1)

Publication Number Publication Date
WO2020101081A1 true WO2020101081A1 (ko) 2020-05-22

Family

ID=70730494

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/014064 WO2020101081A1 (ko) 2018-11-15 2018-11-16 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템

Country Status (2)

Country Link
KR (1) KR102181835B1 (ko)
WO (1) WO2020101081A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090007628A (ko) * 2006-05-05 2009-01-19 소니 온라인 엔터테인먼트 엘엘씨 통신 네트워크에서의 유력/인기 참여자의 결정
KR20130100494A (ko) * 2012-03-02 2013-09-11 주식회사 랭크웨이브 네트워크 서비스에서의 사용자 영향력 지수 설정 방법 및 그 장치
KR20140051109A (ko) * 2010-12-17 2014-04-30 유니버시티 오브 써던 캘리포니아 컴퓨터 네트워크 시스템에서 다른 사용자들에 대한 사용자의 사회적 영향력의 가치 평가
KR20140056307A (ko) * 2011-08-29 2014-05-09 마이크로소프트 코포레이션 사용자 맞춤형 광고 제공 기법
KR20140136478A (ko) * 2012-03-23 2014-11-28 페이스북, 인크. 영향력자 점수에 기초한 소식 타겟팅
KR20170136593A (ko) * 2016-01-12 2017-12-11 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 정보 추천 방법 및 장치, 및 서버

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101297271B1 (ko) * 2011-04-11 2013-08-14 에스케이씨앤씨 주식회사 소셜 네트워크 분석 서비스 방법 및 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090007628A (ko) * 2006-05-05 2009-01-19 소니 온라인 엔터테인먼트 엘엘씨 통신 네트워크에서의 유력/인기 참여자의 결정
KR20140051109A (ko) * 2010-12-17 2014-04-30 유니버시티 오브 써던 캘리포니아 컴퓨터 네트워크 시스템에서 다른 사용자들에 대한 사용자의 사회적 영향력의 가치 평가
KR20140056307A (ko) * 2011-08-29 2014-05-09 마이크로소프트 코포레이션 사용자 맞춤형 광고 제공 기법
KR20130100494A (ko) * 2012-03-02 2013-09-11 주식회사 랭크웨이브 네트워크 서비스에서의 사용자 영향력 지수 설정 방법 및 그 장치
KR20140136478A (ko) * 2012-03-23 2014-11-28 페이스북, 인크. 영향력자 점수에 기초한 소식 타겟팅
KR20170136593A (ko) * 2016-01-12 2017-12-11 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 정보 추천 방법 및 장치, 및 서버

Also Published As

Publication number Publication date
KR20200056705A (ko) 2020-05-25
KR102181835B1 (ko) 2020-11-23

Similar Documents

Publication Publication Date Title
WO2017150860A1 (en) Predicting text input based on user demographic information and context information
WO2020153552A1 (ko) 기록된 거래의 수정이 가능한 블록체인을 위한 방법 및 장치
WO2016167424A1 (ko) 답변 추천 장치, 자동 문장 완성 시스템 및 방법
WO2019117466A1 (ko) 발화의 의미를 분석하기 위한 전자 장치 및 그의 동작 방법
WO2019144585A1 (zh) 虚拟机器人的控制方法、装置、设备及可读存储介质
WO2021060609A1 (ko) 복수의 엣지와 클라우드를 포함하는 분산 컴퓨팅 시스템 및 이의 적응적 지능 활용을 위한 모델 제공 방법
WO2017054463A1 (zh) 事件信息推送方法、事件信息推送装置及存储介质
WO2016114477A1 (ko) 예측 일사량을 이용한 냉난방부하 예측방법
WO2016003219A1 (en) Electronic device and method for providing content on electronic device
WO2018076840A1 (zh) 数据分享方法、装置、存储介质及服务器
WO2016199994A1 (ko) 무인 택배함을 이용한 관심상품 선행 배송 서비스 제공 장치 및 그 방법, 그리고 컴퓨터 프로그램이 기록된 기록매체
WO2018076829A1 (zh) 终端数据的处理方法、装置、系统、存储介质及服务器
WO2020004686A1 (ko) 블록체인 dPoC 합의알고리즘 기반 합의 인증 수행 방법
WO2020168606A1 (zh) 广告视频优化方法、装置、设备及计算机可读存储介质
EP2532185A2 (en) Apparatus and method for allocating channel and power in communication system
WO2018117623A1 (ko) 인재와 프로젝트를 매칭하기 위한 서버 및 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램
WO2020101081A1 (ko) 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템
WO2011068315A4 (ko) 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법
WO2019074185A1 (en) ELECTRONIC APPARATUS AND CONTROL METHOD THEREOF
EP3659073A1 (en) Electronic apparatus and control method thereof
WO2018043860A1 (ko) 유사 성향 그룹을 이용한 대여 아이템 추천 장치 및 이를 이용한 방법
WO2023229094A1 (ko) 행동 예측 방법 및 장치
WO2018191889A1 (zh) 照片处理方法、装置及计算机设备
WO2010131899A2 (ko) 알파벳 입력 방법 및 장치
WO2021112647A1 (en) Method, apparatus and electronic device for determining word representation vector

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18940041

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18940041

Country of ref document: EP

Kind code of ref document: A1