WO2020122339A1 - 전자 장치 및 그의 제어 방법 - Google Patents

전자 장치 및 그의 제어 방법 Download PDF

Info

Publication number
WO2020122339A1
WO2020122339A1 PCT/KR2019/008028 KR2019008028W WO2020122339A1 WO 2020122339 A1 WO2020122339 A1 WO 2020122339A1 KR 2019008028 W KR2019008028 W KR 2019008028W WO 2020122339 A1 WO2020122339 A1 WO 2020122339A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
website
url
category
electronic device
Prior art date
Application number
PCT/KR2019/008028
Other languages
English (en)
French (fr)
Inventor
김영준
김찬묵
정도형
고광현
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US17/284,401 priority Critical patent/US11531722B2/en
Priority to EP19895840.7A priority patent/EP3836069A4/en
Publication of WO2020122339A1 publication Critical patent/WO2020122339A1/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present disclosure relates to an electronic device and a control method thereof, and more particularly, to an electronic device and a control method thereof to determine a user's preference to provide user-customized information.
  • users of a user terminal can access a web site regardless of place or time through a user terminal being carried. Accordingly, it is possible to analyze a website accessed by a user to determine a user's preferences, provide customized advertisements for each user according to the user's preferences, or build a marketing strategy.
  • an n-gram algorithm may be used to extract a plurality of words from the text.
  • the n-gram algorithm acquires a column of texts from 1 to n (n is an arbitrary natural number) as a token. , 2 to n+1 to obtain a column as a token,... , It may be an algorithm that acquires a column from m-n+1 to m as a token, and extracts a word having meaning from the obtained token.
  • the number of acquired tokens increases as the number of texts increases or the combination of n increases, and accordingly, the time or cost of extracting words from the tokens increases.
  • the present disclosure has been devised by the above-described need, and an object of the present disclosure is to provide an electronic device and a control method thereof to determine a user's preference by classifying a URL of a website accessed by a user into categories.
  • an electronic device includes a memory including at least one command and a processor connected to the memory to control the electronic device, and the processor executes at least one command.
  • a URL Uniform Resource Locator
  • a URL corresponding to at least one website accessed by a user during a predetermined period is divided into at least one segment, and based on at least one segment and a learned classification model, according to a plurality of categories
  • the URL may be classified, and a category of a website preferred by the user among a plurality of categories may be determined based on a user's website access history, a history of access to at least one website, and a classification result for a predetermined period.
  • the processor may classify a URL corresponding to each of the at least one web site into at least one segment based on a corpus.
  • the processor acquires a feature value for at least one segment, and uses the feature value as input data for the trained classification model to obtain a probability value in which the URL belongs to a plurality of categories, and the user's web for a predetermined period of time. Based on the site access history, the user's access history and the probability value of accessing the website, the category of the website preferred by the user among the plurality of categories may be determined.
  • the processor accesses a user's website as a ratio of the number of times a user accesses a website corresponding to a specific URL to a number of times a user accesses at least one website during a predetermined period for each of the at least one URL. It can be calculated by history.
  • the processor for each of the at least one web site, the ratio of the number of times the user has accessed the web site to the number of times the user has accessed the web site for a predetermined period of time as the access history for the at least one web site Can be calculated.
  • the processor calculates user preferences for each of a plurality of categories based on the user's website access history, at least one website access history and classification results for a predetermined period, and the user based on the calculated preference Can determine the preferred website category.
  • the processor may provide information related to a category of a website preferred by the user.
  • the learned classification model may be trained using information about a plurality of URLs and a category to which each of the plurality of URLs belongs as learning data.
  • a control method of an electronic device includes: dividing a URL (Uniform Resource Locator) corresponding to at least one web site accessed by a user into a at least one segment; Classifying URLs according to a plurality of categories based on at least one segment and a learned classification model; And a user's preferred web site category among a plurality of categories, based on a user's website access history, a history of access to at least one website, and a classification result during a predetermined period.
  • a URL Uniform Resource Locator
  • the step of classifying may be based on a corpus, and the URL corresponding to each of the at least one web site may be classified into at least one segment.
  • the step of determining a category includes obtaining a feature value for at least one segment; Obtaining a probability value of a URL belonging to a plurality of categories by using a feature value as input data for the learned classification model; And determining a category of a website preferred by the user among a plurality of categories, based on a user's website access history, a user's connection history and probability values for a predetermined period.
  • control method of the present disclosure for each of the at least one URL, the ratio of the number of times the user accesses a website corresponding to a specific URL to the number of times the user accesses at least one website during a predetermined period of time It may further include the step of calculating the website access history.
  • the ratio of the number of times the user has accessed the web site to the number of times the user has accessed the web site for a predetermined period of time is provided to the at least one web site. It may further include the step of calculating the connection history for.
  • the step of determining a category calculates user preferences for each of a plurality of categories based on a user's website access history, a history of access to at least one website, and a classification result during a predetermined period, and the calculated preferences Based on the, it is possible to determine the category of the website preferred by the user.
  • control method of the present disclosure may further include providing information related to a category of a website preferred by a user.
  • the learned classification model may be trained using information about a plurality of URLs and a category to which each of the plurality of URLs belongs as learning data.
  • an electronic device for determining a user's preference and a control method thereof may be provided by classifying a URL of a website accessed by a user into categories.
  • the electronic device and a control method thereof may improve processing speed and reduce resource consumption when classifying a web site accessed by a user into a specific category. Accordingly, an electronic device and a control method of the user's preferences can be provided more quickly.
  • the electronic device and a control method thereof may reduce an error caused by a difference in content of a website when classifying a website accessed by a user into a specific category. Accordingly, an electronic device capable of providing more accurate user-customized information and a control method thereof can be provided.
  • FIG. 1 is a block diagram of an electronic device according to an embodiment of the present disclosure.
  • FIG. 2 is a diagram illustrating a method of classifying URLs into categories according to an embodiment of the present disclosure.
  • FIG 3 is a view for explaining a method for calculating a score according to an embodiment of the present disclosure.
  • FIG. 4 is a diagram for explaining a method of providing information related to a category of a web site preferred by a user according to an embodiment of the present disclosure.
  • FIG 5 is a view for explaining a pipeline according to an embodiment of the present disclosure.
  • FIG. 6 is a view for explaining a method of generating an artificial intelligence model according to an embodiment of the present disclosure.
  • FIG. 7 is a block diagram illustrating a learning unit and a recognition unit according to an embodiment of the present disclosure.
  • FIG. 8 is a block diagram illustrating in detail the configuration of an electronic device according to an embodiment of the present disclosure.
  • FIG. 9 is a view for explaining a flow chart according to an embodiment of the present disclosure.
  • expressions such as “A or B,” “at least one of A or/and B,” or “one or more of A or/and B”, etc. may include all possible combinations of the items listed together.
  • Some component eg, first component
  • another component eg, second component
  • “connected to” it should be understood that any of the above components may be directly connected to the other components or may be connected through other components (eg, a third component).
  • a component eg, the first component
  • the component is not It can be understood that there are no other components (eg, the third component) between the other components.
  • the expression “configured to” used in the present disclosure may have the capacity to "suitable for,” for example, depending on the situation. ,” “designed to,” “adapted to,” “made to,” or “capable of” can be used interchangeably.
  • the term “configured (or set) to” may not necessarily mean only “specifically designed to” in hardware. Instead, in some situations, the expression “a device configured to” may mean that the device “can” with other devices or parts.
  • the phrase “processor configured (or set) to perform A, B, and C” means by executing a dedicated processor (eg, an embedded processor) to perform the operation, or one or more software programs stored in the memory device. , It may mean a general-purpose processor (for example, a CPU or an application processor) capable of performing the above operations.
  • An electronic device includes, for example, a smart phone, a tablet personal computer (PC), a mobile phone, a video phone, an e-book reader, Desktop PC (desktop personal computer), laptop PC (laptop personal computer), netbook computer (netbook computer), workstation (workstation), server, PDA (personal digital assistant), PMP (portable multimedia player), MP3 player, mobile medical It may include at least one of a device, a camera, or a wearable device.
  • PC personal computer
  • PMP portable multimedia player
  • MP3 player mobile medical It may include at least one of a device, a camera, or a wearable device.
  • the wearable device may be an accessory type (for example, a watch, ring, bracelet, anklet, necklace, glasses, contact lens, or head-mounted device (HMD)), a fabric or clothing integrated type (for example, it may include at least one of an electronic garment), a body attachment type (eg, a skin pad or a tattoo), or a bio-implantable type (eg, an implantable circuit).
  • an accessory type for example, a watch, ring, bracelet, anklet, necklace, glasses, contact lens, or head-mounted device (HMD)
  • HMD head-mounted device
  • a fabric or clothing integrated type for example, it may include at least one of an electronic garment
  • a body attachment type eg, a skin pad or a tattoo
  • a bio-implantable type eg, an implantable circuit
  • the electronic device may be a home appliance.
  • Household appliances include, for example, televisions, digital video disk (DVD) players, audio, refrigerators, air conditioners, vacuum cleaners, ovens, microwave ovens, washing machines, air cleaners, set-top boxes, and home automation controls.
  • Home automation control panel security control panel, TV box (eg Samsung HomeSync ⁇ , Apple TV ⁇ , or Google TV ⁇ ), game console (eg Xbox ⁇ , PlayStation ⁇ ), electronic dictionary , An electronic key, a camcorder, or an electronic picture frame.
  • the electronic device includes various medical devices (eg, various portable medical measurement devices (such as a blood glucose meter, heart rate meter, blood pressure meter, or body temperature meter), magnetic resonance angiography (MRA), magnetic resonance imaging (MRI), CT (computed tomography), camera, or ultrasound, etc., navigation device, global navigation satellite system (GNSS), event data recorder (EDR), flight data recorder (FDR), automotive infotainment ) Devices, marine electronic equipment (e.g.
  • marine navigation devices gyro compasses, etc.
  • avionics security devices
  • head units for vehicles industrial or household robots
  • ATMs automatic teller's machines
  • POS Point of sales
  • Internet of things e.g. light bulbs, various sensors, electricity or gas meters, sprinkler devices, fire alarms, thermostats, street lights, toasters
  • Exercise equipment hot water tank, heater, boiler, etc.
  • the electronic device may be a furniture or a part of a building/structure, an electronic board, an electronic signature receiving device, a projector, or various measuring devices (eg : Water, electricity, gas, or radio wave measurement devices, etc.).
  • the electronic device may be a combination of one or more of the various devices described above.
  • the electronic device according to an embodiment may be a flexible electronic device.
  • the electronic device according to the embodiment of the present document is not limited to the above-described devices, and may include a new electronic device according to the development of technology.
  • An electronic device analyzes a web site accessed by a user to determine a user's preference, and obtains a dictionary meaning from text included in a URL (Uniform Resource Locator) of the web site accessed by the user.
  • the category may be an item for classifying websites into sectors, topics, and the like in order to determine a user's preference.
  • a plurality of categories may be items such as soccer, IT, news, economy, etc. .
  • the URL may include text as an address of a website (or web page).
  • the text included in the URL may be represented as a source used when classifying categories in that it represents the subject, purpose, and personality of the website.
  • FIG. 1 is a block diagram of an electronic device according to an embodiment of the present disclosure.
  • the electronic device 100 includes a memory 110 and a processor 120.
  • the components of the electronic device 100 illustrated in FIG. 1 are exemplary components for implementing embodiments of the present disclosure, and hardware/software components of a level apparent to those skilled in the art may be additionally included in the electronic device 100. It may be, will be described later in detail with reference to FIG.
  • the memory 110 may include at least one instruction. Specifically, the memory 110 may include at least one instruction (or data) that causes at least one other component (eg, the processor 120) of the electronic device 100 to operate. Also, the memory 110 may include at least one instruction related to an artificial intelligence model (hereinafter referred to as a learned classification model) trained to classify a URL (Uniform Resource Locator) into categories.
  • a learned classification model an artificial intelligence model trained to classify a URL (Uniform Resource Locator) into categories.
  • URLs are classified according to a plurality of categories, and probability values for each of the plurality of categories corresponding to the URL and the URL may be stored and updated.
  • the memory 110 may be implemented as a storage device such as a non-volatile memory, a volatile memory, a flash-memory, a hard disk drive (HDD), or a solid state drive (SSD).
  • the memory 110 is accessed by the processor 120, and data read/write/modify/delete/update by the processor 120 may be performed.
  • the term memory of the present disclosure may include a memory 110 (not shown), a ROM (not shown), or a memory card (not shown) mounted on the electronic device 100 (eg, micro SD) in the processor 120. Card, memory stick, etc.).
  • the processor 120 may control the overall operation of the electronic device 100.
  • the processor 120 is connected to the memory 110 to control the electronic device 100.
  • the processor 120 may classify at least one segment of a Uniform Resource Locator (URL) corresponding to at least one web site accessed by a user during a predetermined period by executing at least one command.
  • the preset period is variously set periods, for example, 30 minutes, 4 hours, 3 days, 2 weeks, 1 month, etc., and may be changed even after it is set. Accordingly, resource management can be promoted by adjusting the amount of input data or processed data.
  • the segment may be a word included in the corpus.
  • a corpus means a language material in which text is collected in a form readable by a computer for language processing.
  • the corpus is used to perform statistical analysis and hypothesis testing, to examine the occurrence of language rules within a particular language domain, and to demonstrate the validity of those rules.
  • the corpus may include words (including words having a dictionary meaning or proper nouns) and context information (eg, frequency of use of words, words used together, etc.).
  • the processor 120 may respectively classify URLs corresponding to each of the at least one web site into at least one segment based on a corpus.
  • the processor 120 is based on the word and context information included in the corpus. You can divide the URL into segments such as [samsung], [net], and [work], or segments such as [samsung] and [network].
  • the processor 120 may classify URLs according to a plurality of categories based on at least one segment and a learned classification model.
  • the processor 120 acquires and obtains at least one category (or probability value) to which the URL belongs among a plurality of categories
  • the classification result of classifying the URL into a category may be obtained according to the category.
  • the classification result may mean a result value in which a probability value is filtered by a threshold value. For example, a probability value smaller than the threshold value may be treated as 0.
  • the learned classification model may be an artificial intelligence model trained to classify into a category to which the URL belongs or to obtain a probability value belonging to a category from a segment (or feature value) corresponding to the URL, a neural network model, a genetic model, and probability It can be implemented as a statistical model.
  • the learned classification model may be trained using information about a plurality of URLs and a category to which each of the plurality of URLs belongs as learning data.
  • information about the category to which each of the plurality of URLs belongs may be performed using a logistic regression for each category of the Open Directory Project (ODP), a support vector machine (SVM), or the like.
  • ODP Open Directory Project
  • SVM support vector machine
  • the information that the web site (or URL) belongs to in a specific category may include probability values of the web site (or URL) belonging to a specific category.
  • the probability value of a URL belonging to a specific category may be 1, but in the case of a sub-category with relatively low relevance among a plurality of categories to which the URL belongs, 1 It can be a small value.
  • the processor 120 may obtain a feature value for at least one segment, and use the feature value as input data for the learned classification model to obtain a probability value in which the URL belongs to a plurality of categories. .
  • the processor 120 uses at least one segment in a space of n-dimensional space (n is a natural number) using feature extraction.
  • a feature value may be obtained by converting to one feature value corresponding to.
  • the processor 120 may convert one or a plurality of segments into one feature value (a feature value corresponding to a URL) (ie, one feature value per URL may be obtained).
  • the processor 120 may use the feature value corresponding to the URL as input data for the learned classification model, and obtain a probability value in which the URL belongs to each of a plurality of categories.
  • the probability value of a URL belonging to each of a plurality of categories may be one of 0 to 1.
  • the processor 120 may classify the URL into a category having the probability value greater than or equal to a threshold value among the plurality of categories by comparing a probability value in which the URL belongs to each of the plurality of categories with a threshold value.
  • the threshold value indicates the degree of criteria for classifying URLs into categories, and may indicate sensitivity.
  • a threshold value may be set as 0.5, and a threshold value set through an input unit (not shown) of the electronic device 100 may be changed.
  • the processor 120 may store or update the classified URL and a probability value for the category corresponding to the URL in the memory 110.
  • the processor 120 may determine a category of a website preferred by a user among a plurality of categories based on a user's website access history, a history of access to at least one website, and a classification result during a predetermined period.
  • the processor 120 uses the communication unit (not shown) of the electronic device 100, the number of times the user accesses the website, the date and time the user accesses the website, and the URL corresponding to the website accessed by the user, User information or the like capable of distinguishing a user may be received from an external electronic device.
  • the processor 120 calculates the user's preferences for each of the plurality of categories based on the user's website access history, the access history for at least one website, and the classification result for a predetermined period, and the calculated preferences Based on this, the user's preferred website category can be determined.
  • the processor 120 may select a category of a website preferred by the user from among a plurality of categories based on a user's website access history, a user's access history and probability values for a predetermined period of time. I can judge.
  • the probability value is a probability value that the URL belongs to a category, and may mean a probability value greater than or equal to a threshold value. That is, a probability value smaller than the threshold value may be treated as 0.
  • the processor 120 for each of the at least one URL, the ratio of the number of times the user has accessed a website corresponding to a specific URL to the number of times the user has accessed at least one website during a predetermined period of time Can be calculated as the user's website access history.
  • the processor 120 uses (1) of Equation 1 below, to a URL corresponding to a specific website A, a specific website among all websites accessed by the first user for a predetermined period of time.
  • the ratio of the number of accesses to A can be calculated as the first user's website access history.
  • Count (ID-1) refers to the number of accesses to the entire web site accessed by the first user (ID-1) during a preset period based on the specific user, the first user (ID-1), and Count (ID-1, URL-A) may mean the number of times the first user ID-1 has accessed the website A (URL-A).
  • the website access history of the first user (ID-1) to the website A (URL-A) becomes Freq1 (ID-1, URL-A) as shown in (1) in Equation 1, and the first The website access history for the entire website of the user ID-1 may be "1" as shown in Equation 1 (2).
  • the processor 120 for each of the at least one web site, the ratio of the number of times the user accesses the web site to the total number of times the user accesses the web site during a predetermined period of time is at least one web It can be calculated from the history of access to the site.
  • the processor 120 uses (1) of Equation 2 below to access a URL corresponding to a specific website, which is accessed by a specific user among all users who access the specific website during a predetermined period of time.
  • the ratio of the number of times can be calculated as a history of access to at least one website.
  • Count means the number of times the total number of users accessing the website A (URL-A) for a predetermined period based on the specific website A (URL-A), and Count (URL-A) A, ID-1) may mean the number of times the first user ID-1 has accessed the website A (URL-A).
  • the website access history of the first user ID-1 to the website A becomes Freq2 (URL-A, ID-1) as shown in (1) in Equation 2, and the website The total user's website access history for A (URL-A) may be "1" as shown in Equation 2 (2).
  • the processor 120 may calculate a user preference for each of a plurality of categories based on a user's website access history, a history of access to at least one website, and a classification result for a predetermined period of time. have.
  • the processor 120 may use the following Equation 3, based on the first user's website access history, at least one website's access history and probability values for a predetermined period of time, to generate a plurality of categories.
  • the preference (or score) of the first user for each may be calculated.
  • Freq1(ID-1,URL-A) is the first user (ID-1)'s website access history for website A (URL-A) among the entire website of the first user (ID-1).
  • Freq2 (URL-A, ID-1) shows the history of website access for website A (URL-A) of the first user (ID-1) among all users accessing website A (URL-A).
  • Prob (URL-A,Cat-a) may mean a probability value when the probability value that the website A (URL-A) belongs to category a (Cat-a) is greater than or equal to a threshold value. For example, Prob (URL-A,Cat-a) if website A (URL-A) has a probability value of "0.7" that falls into category a (Cat-a) is greater than or equal to a threshold (eg 0.5). ) Can be "0.7", and Prob (URL-B) if website B (URL-B) has a probability value "0.2" that falls into category a (Cat-a) is less than a threshold (eg 0.5). ,Cat-a) may be "0".
  • the preference score (ID-1, Cat-a) may indicate the degree to which the first user (ID-1) prefers the category a (Cat-a) of the website.
  • the processor 120 may provide information related to a category of a website preferred by a user.
  • an electronic device for determining a user's preference and a control method thereof may be provided by classifying a URL of a website accessed by a user into categories.
  • the processor 120 may receive a URL corresponding to a website accessed by a user from an external electronic device through a communication unit (not shown) of the electronic device 100 (S210).
  • the external electronic device may be a variety of electronic devices such as a user's user terminal (eg, PC, smartphone, tablet PC, laptop PC, PDA, etc.) or an external server. Various data can be transmitted and received by performing wireless communication.
  • the user means a user of the external electronic device, but is not limited thereto, and may be interpreted as a user of the electronic device 100 of the present disclosure.
  • the processor 120 may remove a query string from at least one token (S230).
  • the query string may mean a part of the URL for delivering data.
  • the processor 120 may remove query strings such as [id] and [6].
  • the processor 120 may remove a preset word from at least one token from which the query string has been removed (S240).
  • the preset word may mean text commonly used in URLs regardless of the subject, purpose, and personality of the website, and may be changed even after being set.
  • the processor 120 may remove preset words [http], [www], [com], and [php] from at least one token from which the query string is removed.
  • the processor 120 may classify the query string and the preset word as tokens into at least one segment based on the corpus (S250 ).
  • the processor 120 detects at least one word from the token from which the query string and the preset word are removed based on the corpus, and the query string and the preset word are configured such that the detected one word corresponds to one segment.
  • the removed token can be divided into at least one segment.
  • the word dictionary may include words having a dictionary meaning, and the word dictionary may be pre-stored in the memory 110 of the electronic device 100 or an external electronic device.
  • the processor 120 may segment the token [animenewsnetwork] in which a plurality of words having a dictionary meaning are combined among the tokens [animenewsnetwork], [reviews], and [display] in which the query string and the preset word are removed. It can be divided into [anime], [news], and [network]. Accordingly, the processor 120 may obtain segments [anime], [news], [network], [reviews], and [display] from the URL of the web page.
  • the electronic device and a control method thereof may improve processing speed and reduce resource consumption when classifying a web site accessed by a user into a specific category. Accordingly, an electronic device and a control method of the user's preferences can be provided more quickly.
  • the electronic device and a control method thereof may reduce an error caused by a difference in content of a website when classifying a website accessed by a user into a specific category. Accordingly, an electronic device capable of providing more accurate user-customized information and a control method thereof can be provided.
  • the probability value table 310 includes website A (URL-A), website B (URL-B), and website C (URC-C), respectively, in category a (cat-a) and category b (cat-b). It may include a probability value belonging to. As an example, the probability that website A (URL-A) belongs to category a (cat-a) is "0.849", and the probability that website A (URL-A) belongs to category b (cat-b) is "0.116 "It can be.
  • the classification result table 320 may include a classification result value in which the probability value of the probability value table 310 is filtered by the threshold value.
  • a probability value smaller than the threshold value may be processed as a classification value of "0".
  • the result of classification in which website A (URL-A) is classified in category a (cat-a) is "0.849", and website A (URL-A) is classified in category b (cat-b).
  • the classification result value may be "0".
  • the first user (ID-1) and the second user (ID-2) respectively have website A (URL-A), website B (URL-B), and website C. It may include the number of times connected to (URC-C). As an example, the number of times the first user (ID-1) accesses the website A (URL-A) for a predetermined period of time is 86 times, and the first user (ID-1) visits the website B (URL-B). The number of times connected to can be 11 times.
  • the user's website access history table 340 is specified by the user for the number of times a user calculated using (1) of Equation 1 has accessed at least one website. It may include a ratio of the number of times a web site corresponding to a URL is accessed. As an example, the processor 120 has accessed 161 times to the entire website accessed by the first user ID-1 during a predetermined period (86 times on website A, 11 times on website B, and website) Of the 64 times in C), 0.534 (86/161), which is the ratio of 86 times of access to website A, can be calculated as Freq1 (ID-1, URL-A).
  • the processor 120 for the URL corresponding to the website A, 93 times the total number of users accessing the website A during a predetermined period (86 times for the first user, 7 times for the second user) ), "0.925" (86/93), which is the ratio of the number of times the first user accessed 86 times, can be calculated as Freq2 (URL-A, ID-1).
  • the preference table 360 for category a and the preference table 370 for category b are user preferences for each website for each of a plurality of categories calculated using Equation (3). It may include.
  • the preference table 380 may include user preferences for each of a plurality of categories calculated using Equation (3).
  • FIG. 4 is a diagram for explaining a method of providing information related to a category of a web site preferred by a user according to an embodiment of the present disclosure.
  • the processor 120 may provide information related to a category of a website preferred by a user.
  • the processor 120 determines a category corresponding to the highest preference as a category of a website preferred by the user according to preferences corresponding to each of a plurality of categories, and information related to a category of the website preferred by the user Can be provided to the user's external electronic device.
  • the information related to the category of the website preferred by the user may include user-customized advertisement or content based on user preference.
  • the processor 120 may preferentially provide information related to a category corresponding to the calculated preference in the order of highest preference.
  • the processor 120 determines that the beverage corresponding to the highest preference is the first preference category of the website preferred by the first user, and plays baseball, the category corresponding to the second highest preference. It can be determined that the first user is the second preferred category of the preferred website.
  • the advertisement banner 410 of the website when the first user receives a signal requesting a website from the processor 120, the advertisement banner 410 of the website, as shown in FIG. Etc.), information related to a category of a web site preferred by a user may be preferentially transmitted to the external electronic device of the first user.
  • the processor 120 displays an image related to coffee, which is the second preferred category, in the advertisement banner 420 of the website as shown in FIG. Advertisement, etc.), information related to a category of a website preferred by a user may be transmitted to the external electronic device of the first user.
  • FIGS. 4(a) and 4(b) are illustrated as being advertisement banners of the same website, but this is only an example, and other websites (eg, search engine, portal site, news, application store, VOD service screen, etc.) ).
  • the processor 120 is described as providing information related to a category of a website preferred by a user to an external electronic device of the user, but this is only an embodiment, and the processor 120 is an electronic device 100 of the present disclosure It is also possible to provide it to the user, or to the user's external electronic device through another intermediate device.
  • FIG 5 is a view for explaining a pipeline according to an embodiment of the present disclosure.
  • the processor 120 includes a URL comparison module 520, a pre-processing module 531, a feature extraction module 533, a URL classification module 535, a threshold comparison module 537, and a category classification module ( 540), a user interest score generation module 550 may be included, and each module included in the processor 120 may perform an operation according to the pipeline of FIG. 5.
  • this is only an example, and these modules are separately stored in the memory 110 and the processor 120 may perform an operation according to an instruction included in each module.
  • each module included in the processor 120 performs an operation.
  • the URL comparison module 520 determines whether the received URL 510 matches the URL stored in the memory 110. Judge. At this time, in the memory 110, URLs are classified according to a plurality of categories, and a probability value for each of the plurality of categories corresponding to the URL and the URL may be pre-stored.
  • the URL comparison module 520 matches the received URL 510 among a plurality of URLs stored in the memory 110 By searching the URL, a probability value for a category matching the searched URL is obtained, and the received URL 510 can be classified into a category matching the searched URL.
  • the pre-processing module 531 may acquire at least one token from the received URL 510 based on the symbols included in the received URL 510.
  • the pre-processing module 531 may remove a query string and a preset word from at least one token.
  • the pre-processing module 531 may classify the query string and the predetermined word as at least one segment from the token, based on the corpus. Meanwhile, this is only an example, and each operation performed in the pre-processing module 531 may be performed by being divided into separate modules.
  • the feature extraction module 533 acquires feature values for at least one segment classified in the preprocessing module 531, and the URL classification module 535 learns feature values obtained in the feature extraction module 533
  • the probability value to which the URL belongs may be obtained according to a plurality of categories by using the input classification data as the input data, and the threshold value comparison module 537 compares the probability value obtained from the URL classification module 535 with the threshold value.
  • the category classification module 540 may classify a category having a probability value greater than or equal to a threshold value as a category for the received URL 510 (S537 ). ).
  • the user interest score generation module 550 if the URL 510 received by the category classification module 540 is categorized (S540), the user interest score generation module 550, the user's website access history for a predetermined period, at least Based on the access history and classification results for a single website, user preferences for each of the plurality of categories may be calculated.
  • the category classification module 540 if the received URL 510 does not match the URL stored in the memory 110, the category classification module 540, if the received URL 510 is classified as a category (S540), the classified URL and URL The probability value for the corresponding category may be stored in the memory 110 or updated.
  • an electronic device and a control method thereof may improve processing speed and reduce resource consumption when classifying a web site accessed by a user into a specific category. Accordingly, an electronic device and a control method of the user's preferences can be provided more quickly.
  • FIG. 6 is a view for explaining a method for generating (or learning) an artificial intelligence model according to an embodiment of the present disclosure.
  • the processor 120 when information about a plurality of URLs and a category to which each of the plurality of URLs belongs is received, the processor 120 is a probability value that is sent to the category to which the plurality of URLs and each of the plurality of URLs belong from It can be obtained (S610).
  • the processor 120 may divide each of the plurality of URLs into at least one segment as a pre-processing step (S620). This may be applied to the description of steps S220, S230, S240, and S250 of FIG. 2 described above.
  • the processor 120 may obtain at least one token from the received URL based on the symbols included in the received URL.
  • the processor 120 may remove a query string and a preset word from at least one token. Based on the corpus, the processor 120 may divide the query string and the preset word into at least one segment from the removed token.
  • the processor 120 obtains a feature value for at least one segment (S630), and uses the feature value as input data, so that a probability value that is pleasantly classified into a category to which each of the plurality of URLs belongs can be output.
  • a trained classification model may be generated (S640).
  • FIG. 7 is a block diagram illustrating a learning unit and a recognition unit according to an embodiment of the present disclosure.
  • the processor 120 may include at least one of a learning unit 121 and a recognition unit 122. At this time, the processor 120 may correspond to the processor 120 of the electronic device 100 of the present disclosure or the processor of the data learning server.
  • the learning unit 121 may generate or train a classification model having a criterion for classifying a URL (or segment) into categories.
  • the learning unit 121 determines a category to which a URL belongs to by using learning data such as information in which a URL is categorized as a category such as ODP or information in which a URL is categorized through a classification model. You can learn or update the classification model with.
  • the recognition unit 122 may estimate the category to which the URL belongs by using the data corresponding to the URL as input data of the learned classification model.
  • the recognition unit 122 may obtain (or estimate, infer) a probability value for a category to which the URL belongs by using feature values for at least one segment included in the URL as input data of the learned classification model. Can be.
  • At least a part of the learning unit 121 and at least a part of the recognition unit 122 may be implemented in a software module or manufactured in at least one hardware chip form and mounted in an electronic device.
  • at least one of the learning unit 121 and the recognition unit 122 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or an existing general-purpose processor (eg, CPU or application) processor) or a graphics-only processor (for example, a GPU), and may be mounted in various electronic devices or object recognition devices described above.
  • AI artificial intelligence
  • the dedicated hardware chip for artificial intelligence is a dedicated processor specialized in probability computation, and has higher parallel processing performance than a conventional general-purpose processor, and thus can rapidly perform computational tasks in the field of artificial intelligence such as machine learning.
  • the software module is a computer-readable readable non-transitory readable recording medium (non- transitory computer readable media).
  • the software module may be provided by an operating system (OS) or may be provided by a predetermined application.
  • OS operating system
  • OS operating system
  • some of the software modules may be provided by an operating system (OS), and the other may be provided by a predetermined application.
  • the learning unit 121 and the recognition unit 122 may be mounted on one electronic device or may be mounted on separate electronic devices, respectively.
  • one of the learning unit 121 and the recognition unit 122 may be included in the electronic device 100 of the present disclosure, and the other may be included in an external server.
  • the learning unit 121 and the recognition unit 122 may perform wired/wireless communication to provide the model information constructed by the learning unit 121 to the recognition unit 122, or the recognition unit 122 ) May be provided to the learning unit 121 as additional learning data.
  • the learning unit 121 may include a learning data acquisition unit 121-1 and a model learning unit 121-4.
  • the learning unit 121 may further include at least one of a learning data pre-processing unit 121-2, a learning data selection unit 121-3, and a model evaluation unit 121-5.
  • the training data acquisition unit 121-1 may acquire training data necessary for a classification model for classifying URLs (or segments) into categories.
  • the learning data acquisition unit 121-1 may acquire at least one of an entire image including an object, an image corresponding to an object region, object information, and context information.
  • the learning data may be data collected or tested by the learning unit 121 or the manufacturer of the learning unit 121.
  • the model learning unit 121-4 may train the classification model to have a criterion for determining how to classify a URL (or segment) into categories using the training data. For example, the model learning unit 121-4 may train the classification model through supervised learning using at least a part of the learning data as a judgment criterion. Alternatively, the model learning unit 121-4, for example, through unsupervised learning to discover a judgment criterion for judging a situation by learning by itself using learning data without much guidance, a classification model Can be learned. In addition, the model learning unit 121-4 may train the classification model through, for example, reinforcement learning using feedback on whether a result of situation determination according to learning is correct. In addition, the model learning unit 121-4 may train the classification model using, for example, a learning algorithm including an error back-propagation or a gradient descent method.
  • model learning unit 121-4 may use the input data to learn a selection criterion for which training data to use to classify a URL (or segment) into categories.
  • the model learning unit 121-4 may store the learned classification model.
  • the model learning unit 121-4 may store the learned classification model in the memory 110 of the electronic device 100.
  • the model learning unit 121-4 may store the learned classification model in a memory of a server connected to the electronic device 100 through a wired/wireless network.
  • the learning unit 121 uses the learning data pre-processing unit 121-2 and the learning data selection unit 121-3 to improve the analysis results of the classification model or to save resources or time required to generate the classification model. It may further include.
  • the learning data pre-processing unit 121-2 may pre-process the acquired data so that the acquired data can be used for learning for situation determination.
  • the learning data pre-processing unit 121-2 may process the acquired data in a preset format so that the model learning unit 121-4 can use the acquired data for learning for situation determination.
  • the learning data selection unit 121-3 may select data required for learning from data acquired by the learning data acquisition unit 121-1 or data preprocessed by the learning data preprocessing unit 121-2.
  • the selected learning data may be provided to the model learning unit 121-4.
  • the learning data selector 121-3 may select learning data necessary for learning from acquired or preprocessed data according to a preset selection criterion. Further, the learning data selector 121-3 may select learning data according to a preset selection criterion by learning by the model learning unit 121-4.
  • the learning unit 121 may further include a model evaluation unit 121-5 to improve the analysis results of the data classification model.
  • the model evaluation unit 121-5 may input the evaluation data into the classification model, and if the analysis result output from the evaluation data does not satisfy a predetermined criterion, the model learning unit 121-4 may cause the model learning unit 121-4 to learn again.
  • the evaluation data may be predefined data for evaluating the classification model.
  • the model evaluation unit 121-5 satisfies a predetermined criterion when the number or ratio of evaluation data in which the analysis result is not accurate among the analysis results of the learned classification model for the evaluation data exceeds a preset threshold. It can be evaluated as failure.
  • the model evaluator 121-5 evaluates whether or not a predetermined criterion is satisfied for each learned classification model, and determines a model that satisfies a predetermined criterion as a final classification model. Can be. In this case, when there are a plurality of models satisfying a predetermined criterion, the model evaluator 121-5 may determine, as a final classification model, any one or a predetermined number of models preset in the order of highest evaluation score.
  • the recognition unit 122 may include a recognition data acquisition unit 122-1 and a recognition result providing unit 122-4.
  • the recognition unit 122 may further include at least one of the recognition data pre-processing unit 122-2, the recognition data selection unit 122-3, and the model update unit 122-5.
  • the recognition data acquisition unit 122-1 may acquire data necessary for situation determination.
  • the recognition result providing unit 122-4 may determine the situation by applying the data obtained from the recognition data acquisition unit 122-1 to the classification model learned as an input value.
  • the recognition result providing unit 122-4 may provide analysis results according to the purpose of analyzing the data.
  • the recognition result providing unit 122-4 may obtain analysis results by applying the data selected by the recognition data pre-processing unit 122-2 or the recognition data selection unit 122-3, which will be described later, to the classification model as input values. have.
  • the results of the analysis can be determined by the classification model.
  • the recognition unit 122 uses the recognition data pre-processing unit 122-2 and the recognition data selection unit 122-3 to improve analysis results of the classification model or to save resources or time for providing analysis results. It may further include.
  • the recognition data pre-processing unit 122-2 may pre-process the acquired data so that the acquired data can be used for situation determination.
  • the recognition data pre-processing unit 122-2 may process the acquired data in a predefined format so that the recognition result providing unit 122-4 can use the acquired data for situation determination.
  • the recognition data selection unit 122-3 may select data necessary for situation determination from data acquired by the recognition data acquisition unit 122-1 or data pre-processed by the recognition data pre-processing unit 122-2. The selected data may be provided to the recognition result providing unit 122-4. The recognition data selection unit 122-3 may select some or all of the obtained or preprocessed data according to a preset selection criterion for determining the situation. Also, the recognition data selection unit 122-3 may select data according to a preset selection criterion by learning by the model learning unit 121-4.
  • the model updating unit 122-5 may control the classification model to be updated based on the evaluation of the analysis result provided by the recognition result providing unit 122-4. For example, the model updating unit 122-5 provides the analysis result provided by the recognition result providing unit 122-4 to the model learning unit 121-4, so that the model learning unit 121-4 The classification model may be asked to further learn or update.
  • FIG. 8 is a block diagram illustrating in detail the configuration of an electronic device according to an embodiment of the present disclosure.
  • the electronic device 100 includes one of a communication unit 130, a microphone 140, an input/output port 150, a display 160, and a speaker 170 It may include.
  • the processor 120 may include a RAM 123, a ROM 124, a graphics processor 125, a main CPU 126, first to n interfaces 127-1 to 127-n, and a bus 128. have. At this time, the RAM 123, the ROM 124, the graphics processing unit 125, the main CPU 126, and the first to n interfaces 127-1 to 127-n may be connected to each other through the bus 128. .
  • the communication unit 130 may transmit and receive various types of data by performing communication with various types of external devices according to various types of communication methods.
  • the communication unit 130 includes a Bluetooth chip 131 for performing wireless communication, a Wi-Fi chip 132, a wireless communication chip 133 and an NFC chip 134, an Ethernet module (not shown) and a USB module for performing wired communication ( It may include at least one.
  • the Ethernet module (not shown) and the USB module (not shown) performing wired communication may communicate with external devices through the input/output port 150.
  • the microphone 140 is embedded in the electronic device 100 and can directly receive a user's voice, and a digital conversion unit (not shown) converts the user's voice, which is an analog signal, to digital to obtain an audio signal. have.
  • the input/output port 150 uses the electronic device 100 and an external device (not shown) so that the electronic device 100 can transmit and/or receive signals for images and/or voices with an external device (not shown). This is a configuration that connects by wire.
  • the input/output port 150 may be implemented as a wired port such as an HDMI port, a display port, an RGB port, a digital visual interface (DVI) port, a Thunderbolt, and a component port.
  • a wired port such as an HDMI port, a display port, an RGB port, a digital visual interface (DVI) port, a Thunderbolt, and a component port.
  • the electronic device 100 receives an image and/or voice signal from an external device (not shown) through the input/output port 150. can do.
  • the electronic device 100 may transmit a signal for a specific image and/or voice to the external device through the input/output port 150 so that an external device (not shown) can output an image and/or voice. have.
  • a signal for an image and/or voice may be transmitted in one direction through the input/output port 150.
  • a signal for an image and/or voice may be transmitted in both directions through the input/output port 150.
  • the display 160 may display image data processed by an image processing unit (not shown) on a display area (or display).
  • the display area may mean at least a part of the display 160 exposed on one surface of the housing of the electronic device 100.
  • At least a portion of the display 110 may be coupled to at least one of a front region, a side region, and a rear region of the electronic device 160 in the form of a flexible display.
  • the flexible display may be characterized by being able to bend, bend, or roll without damage through a thin and flexible substrate like paper.
  • the speaker 170 is embedded in the electronic device 100 and directly sounds various notification sounds or voice messages as well as various audio data performed by various processing operations such as decoding, amplification, and noise filtering by an audio processing unit (not shown). Can be output as
  • the input unit may receive various user inputs and transmit them to the processor 120.
  • the input unit may include, for example, a touch panel, a (digital) pen sensor, or a key.
  • the touch panel for example, at least one of capacitive, pressure-sensitive, infrared, and ultrasonic methods may be used.
  • the touch panel may further include a control circuit.
  • the touch panel may further include a tactile layer to provide a tactile reaction to the user.
  • the (digital) pen sensor may be part of the touch panel, or may include a separate recognition sheet.
  • the key can include, for example, a physical button, an optical key or a keypad.
  • the input unit (not shown) may be connected by wire or wirelessly from an external device (not shown), such as a keyboard or mouse, to receive user input.
  • FIG. 9 is a view for explaining a flow chart according to an embodiment of the present disclosure.
  • a Uniform Resource Locator (URL) corresponding to at least one web site accessed by a user during a predetermined period may be divided into at least one segment (S910 ).
  • the step of classifying may be based on a corpus, and the URL corresponding to each of the at least one web site may be classified into at least one segment.
  • the URL may be classified according to a plurality of categories (S920).
  • the learned classification model may be trained using information about a plurality of URLs and categories to which each of the plurality of URLs belongs as learning data.
  • the step of determining a category acquires a feature value for at least one segment, and uses the feature value as input data for the trained classification model to obtain a probability value in which the URL belongs to a plurality of categories, and preset During a period, based on a user's website access history, a user's access history and probability values of a website, a user's preferred website category among a plurality of categories may be determined.
  • the ratio of the number of times the user has accessed a website corresponding to a specific URL to the number of times the user has accessed at least one website during a predetermined period Can be calculated as the user's website access history.
  • the ratio of the number of times the user has accessed the web site to the number of times the user has accessed the web site during a predetermined period of time is at least one web. It can be calculated from the history of access to the site.
  • the user's preference for each of a plurality of categories is calculated and calculated based on a user's website access history, a history of access to at least one website, and a classification result for a predetermined period of time. Based on the preference, the user may determine the category of the website preferred by the user.
  • information related to a category of a website preferred by a user may be provided.
  • Various embodiments of the present disclosure may be implemented with software including instructions stored in a machine (eg, computer) readable storage media. And, it is possible to operate according to the called command, and may include an electronic device (eg, the electronic device 100) according to the disclosed embodiments.
  • the processor When the command is executed by a processor, the processor may directly or Under the control of the processor, other components can be used to perform the above-mentioned functions on the instruction, which may include code generated or executed by a compiler or interpreter. It can be provided in the form of a (non-transitory) storage medium, where'non-transitory' means that the storage medium does not contain a signal and is tangible, but the data is semi-permanent or temporary to the storage medium. It does not distinguish between stored.
  • a method according to various embodiments may be provided as being included in a computer program product.
  • Computer program products are commodities that can be traded between sellers and buyers.
  • the computer program product may be distributed online in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)) or through an application store (eg Play StoreTM).
  • a storage medium such as a memory of a manufacturer's server, an application store's server, or a relay server, or may be temporarily generated.
  • Each component may be composed of a singular or a plurality of entities, and some of the above-described sub-components may be omitted, or other sub-components may be various. It may be further included in the embodiment. Alternatively or additionally, some components (eg, modules or programs) may be integrated into one entity, performing the same or similar functions performed by each of the components prior to integration. According to various embodiments, operations performed by a module, program, or other component may be sequentially, parallelly, repeatedly, or heuristically executed, at least some operations may be executed in a different order, omitted, or other operations may be added. Can be.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 개시에서는 전자 장치 및 그 제어 방법이 제공된다. 본 개시의 전자 장치는 적어도 하나의 명령을 포함하는 메모리 및 메모리와 연결되어 전자 장치를 제어하는 프로세서를 포함하며, 프로세서는 적어도 하나의 명령어를 실행함으로써, 사용자가 기설정된 기간 동안에 접속한 적어도 하나의 웹 사이트에 대응되는 URL(Uniform Resource Locator)을 적어도 하나의 세그먼트로 구분하고, 적어도 하나의 세그먼트 및 학습된 분류 모델에 기초하여, 복수의 카테고리에 따라 URL을 분류하고, 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다. 본 개시의 전자 장치는 규칙 기반 모델 또는, 기계학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 인공지능 모델을 이용할 수 있다.

Description

전자 장치 및 그의 제어 방법
본 개시는 전자 장치 및 그의 제어 방법에 관한 것으로, 보다 상세하게는 사용자 맞춤형 정보를 제공하기 위해 사용자의 선호도를 판단하는 전자 장치 및 그의 제어 방법에 관한 것이다.
최근 전자 기술의 발전으로 인해 사용자 단말의 사용자는 휴대 중인 사용자 단말을 통해 장소나 시간에 구애받지 않고 웹 사이트를 접속할 수 있게 되었다. 이에 따라, 사용자가 접속한 웹 사이트를 분석하여 사용자의 선호도를 판단하고, 사용자의 선호도에 따라 사용자별 맞춤형 광고를 제공하거나 마케팅 전략을 구축하는 것이 가능해졌다.
사용자가 접속한 웹 사이트를 분석하여 사용자의 선호도를 판단하기 위해, 사용자가 접속한 웹 사이트의 타이틀 및 컨텐츠에 포함된 텍스트로부터 단어를 추출하여 상기 웹 사이트의 카테고리를 분류하는 방법이 있다.
다만, 웹 사이트에 포함된 텍스트의 수에 따라 카테고리를 분류할 때 처리되는 데이터의 양이 결정되며, 결국 텍스트의 수가 증가하면 데이터를 처리하는데 소요되는 시간 또는 비용이 증가하게 된다는 문제가 있다. 특히, 처리되는 데이터가 대용량인 경우에는 카테고리를 분류하는 정확도가 낮아진다는 문제가 있다.
또한, 웹 사이트가 이미지만을 포함하는 등과 같이 웹 사이트가 텍스트를 포함하지 않는 경우에는 웹 사이트의 카테고리를 분류할 수 없게 되어 웹 사이트마다 편차가 발생한다는 문제가 있다.
한편, 텍스트에 복수의 단어가 포함된 경우, 텍스트로부터 복수의 단어를 추출하기 위해 n-gram 알고리즘이 사용될 수 있다. 이때, n-gram 알고리즘은 텍스트(또는 텍스트의 열)의 수가 m(m은 임의의 자연수)인 경우를 가정하면, 1부터 n(n은 임의의 자연수)까지의 텍스트의 열을 토큰으로 획득하고, 2부터 n+1까지 열을 토큰으로 획득하고, …, m-n+1부터 m까지의 열을 토큰으로 획득하여, 획득된 토큰으로부터 의미를 갖는 단어를 추출하도록 하는 알고리즘일 수 있다.
다만, n-gram 알고리즘의 경우 텍스트의 수가 증가하거나 n의 조합이 다양해질수록 획득된 토큰의 수가 증가하고, 이에 따라 토큰으로부터 단어를 추출하는데 처리되는 시간 또는 비용이 증가하게 된다는 문제가 있다.
본 개시는 상술한 필요성에 의해 안출된 것으로, 본 개시의 목적은 사용자가 접속한 웹 사이트의 URL을 카테고리로 분류하여 사용자의 선호도를 판단하는 전자 장치 및 그의 제어 방법을 제공함에 있다.
상기 목적을 달성하기 위한, 본 개시의 일 실시 예에 따른 전자 장치는 적어도 하나의 명령을 포함하는 메모리 및 메모리와 연결되어 전자 장치를 제어하는 프로세서를 포함하며, 프로세서는 적어도 하나의 명령어를 실행함으로써, 사용자가 기설정된 기간 동안에 접속한 적어도 하나의 웹 사이트에 대응되는 URL(Uniform Resource Locator)을 적어도 하나의 세그먼트로 구분하고, 적어도 하나의 세그먼트 및 학습된 분류 모델에 기초하여, 복수의 카테고리에 따라 URL을 분류하고, 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
여기에서, 프로세서는 말뭉치(corpus)에 기초하여, 적어도 하나의 웹 사이트 각각에 대응되는 URL을 적어도 하나의 세그먼트로 각각 구분할 수 있다.
한편, 프로세서는 적어도 하나의 세그먼트에 대한 특징 값을 획득하고, 특징 값을 학습된 분류 모델에 대한 입력 데이터로서 사용하여 URL이 복수의 카테고리에 속하는 확률 값을 획득하고, 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 웹 사이트에 접속한 사용자의 접속 이력 및 확률 값에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
한편, 프로세서는 적어도 하나의 URL 각각에 대해, 기설정된 기간 동안에 사용자가 적어도 하나의 웹 사이트에 접속한 횟수에 대한 사용자가 특정 URL에 대응되는 웹 사이트에 접속한 횟수의 비율을 사용자의 웹 사이트 접속 이력으로 산출할 수 있다.
한편, 프로세서는 적어도 하나의 웹 사이트 각각에 대해, 기설정된 기간 동안에 웹 사이트에 접속한 전체 사용자의 접속 횟수에 대한 사용자가 웹 사이트에 접속한 횟수의 비율을 적어도 하나의 웹 사이트에 대한 접속 이력으로 산출할 수 있다.
한편, 프로세서는 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여 복수의 카테고리 각각에 대한 사용자의 선호도를 산출하고, 산출된 선호도에 기초하여 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
한편, 프로세서는 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제공할 수 있다.
한편, 학습된 분류 모델은 복수의 URL 및 복수의 URL 각각이 속하는 카테고리에 대한 정보를 학습 데이터로서 이용하여 학습될 수 있다.
본 개시의 일 실시 예에 따른 전자 장치의 제어 방법은 사용자가 기설정된 기간 동안에 접속한 적어도 하나의 웹 사이트에 대응되는 URL(Uniform Resource Locator)을 적어도 하나의 세그먼트로 구분하는 단계; 적어도 하나의 세그먼트 및 학습된 분류 모델에 기초하여, 복수의 카테고리에 따라 URL을 분류하는 단계; 및 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
여기에서, 구분하는 단계는 말뭉치(corpus)에 기초하여, 적어도 하나의 웹 사이트 각각에 대응되는 URL을 적어도 하나의 세그먼트로 각각 구분할 수 있다.
한편, 카테고리를 판단하는 단계는 적어도 하나의 세그먼트에 대한 특징 값을 획득하는 단계; 특징 값을 학습된 분류 모델에 대한 입력 데이터로서 사용하여 URL이 복수의 카테고리에 속하는 확률 값을 획득하는 단계; 및 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 웹 사이트에 접속한 사용자의 접속 이력 및 확률 값에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단하는 단계를 포함할 수 있다.
한편, 본 개시의 제어 방법은 적어도 하나의 URL 각각에 대해, 기설정된 기간 동안에 사용자가 적어도 하나의 웹 사이트에 접속한 횟수에 대한 사용자가 특정 URL에 대응되는 웹 사이트에 접속한 횟수의 비율을 사용자의 웹 사이트 접속 이력으로 산출하는 단계를 더 포함할 수 있다.
한편, 본 개시의 제어 방법은 적어도 하나의 웹 사이트 각각에 대해, 기설정된 기간 동안에 웹 사이트에 접속한 전체 사용자의 접속 횟수에 대한 사용자가 웹 사이트에 접속한 횟수의 비율을 적어도 하나의 웹 사이트에 대한 접속 이력으로 산출하는 단계를 더 포함할 수 있다.
한편, 카테고리를 판단하는 단계는 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여 복수의 카테고리 각각에 대한 사용자의 선호도를 산출하고, 산출된 선호도에 기초하여, 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
한편, 본 개시의 제어 방법은 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제공하는 단계를 더 포함할 수 있다.
한편, 학습된 분류 모델은 복수의 URL 및 복수의 URL 각각이 속하는 카테고리에 대한 정보를 학습 데이터로서 이용하여 학습될 수 있다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 사용자가 접속한 웹 사이트의 URL을 카테고리로 분류하여 사용자의 선호도를 판단하는 전자 장치 및 그의 제어 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에 따른 전자 장치 및 그의 제어 방법은 사용자가 접속한 웹 사이트를 특정한 카테고리로 분류할 때 그 처리 속도를 향상시키고 리소스의 소모를 줄일 수 있다. 이에 따라, 사용자의 선호도를 보다 신속하게 판단할 수 있는 전자 장치 및 그의 제어 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에 따른 전자 장치 및 그의 제어 방법은 사용자가 접속한 웹 사이트를 특정한 카테고리로 분류할 때 웹 사이트의 컨텐츠 차이에 따라 발생하는 오차를 줄일 수 있다. 이에 따라, 보다 정확한 사용자 맞춤형 정보를 제공할 수 있는 전자 장치 및 그의 제어 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 URL을 카테고리로 분류하는 방법을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 스코어를 산출하는 방법을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 사용자가 선호하는 웹 사이트의 카테고리에 관련된 정보를 제공하는 방법을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 파이프라인을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 인공지능 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 학습부 및 인식부를 나타내는 블록도이다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 상세히 도시한 블록도이다.
도 9는 본 개시의 일 실시 예에 따른 흐름도를 설명하기 위한 도면이다.
본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 상기 구성요소들을 한정하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 상기 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 상기 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 개시의 다양한 실시 예들에 따른 전자 장치는, 예를 들면, 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에 따르면, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식형(예: implantable circuit) 중 적어도 하나를 포함할 수 있다.
또한, 일 실시 예들에서, 전자 장치는 가전 제품(home appliance)일 수 있다. 가전 제품은, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), 홈 오토매이션 컨트롤 패널(home automation control panel), 보안 컨트롤 패널(security control panel), TV 박스(예: 삼성 HomeSync쪠, 애플TV쪠, 또는 구글 TV쪠), 게임 콘솔(예: Xbox쪠, PlayStation쪠), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시 예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션(navigation) 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine), 상점의 POS(point of sales), 또는 사물 인터넷 장치(internet of things)(예: 전구, 각종 센서, 전기 또는 가스 미터기, 스프링클러 장치, 화재경보기, 온도조절기(thermostat), 가로등, 토스터(toaster), 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
또 다른 실시 예에 따르면, 전자 장치는 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 수신 장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측 기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에서, 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 어떤 실시 예에 따른 전자 장치는 플렉서블 전자 장치일 수 있다. 또한, 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않으며, 기술 발전에 따른 새로운 전자 장치를 포함할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치는 사용자가 접속한 웹 사이트를 분석하여 사용자의 선호도를 판단하기 위해, 사용자가 접속한 웹 사이트의 URL(Uniform Resource Locator)에 포함된 텍스트로부터 사전적 의미를 갖는 단어를 추출하여 웹 사이트의 카테고리를 판단할 수 있다. 이때, 카테고리는 사용자의 선호도를 판단하기 위해 분야별, 주제별 등으로 웹 사이트를 구분하기 위한 항목이 될 수 있으며, 예를 들어 복수의 카테고리는 각각 축구, IT, 뉴스, 경제 등과 같은 항목이 될 수 있다.
여기서, URL은 웹 사이트(또는 웹 페이지)의 주소로서 텍스트를 포함 할 수 있다. 일반적으로, URL에 포함된 텍스트는 상기 웹 사이트의 주제, 목적, 성격 등을 나타낸다는 점에서, 카테고리를 분류하는 경우에 사용되는 소스로서 대표될 수 있다..
이하에서, 첨부된 도면을 이용하여 본 개시의 다양한 실시 예들에 대하여 구체적으로 설명한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 블록도이다.
도 1을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다. 다만, 도 1에 도시된 전자 장치(100)의 구성들은 본 개시의 실시 예들을 구현하기 위한 예시적인 구성이며, 통상의 기술자에게 자명한 수준의 하드웨어/소프트웨어 구성들이 전자 장치(100)에 추가적으로 포함될 수 있으며, 구체적인 내용은 도 8과 함께 후술하여 설명하기로 한다.
메모리(110)는 적어도 하나의 명령을 포함할 수 있다. 구체적으로, 메모리(110)는 전자 장치(100)의 적어도 하나의 다른 구성요소 (예: 프로세서(120))가 동작하도록 하는 적어도 하나의 명령(또는 데이터)을 포함할 수 있다. 또한, 메모리(110)는 URL(Uniform Resource Locator)을 카테고리로 분류하도록 학습된 인공지능 모델(이하 학습된 분류 모델이라 한다)에 관련된 적어도 하나의 명령을 포함할 수 있다.
메모리(110)에는 URL이 복수의 카테고리에 따라 분류되어, URL 및 URL에 대응되는 복수의 카테고리 각각에 대한 확률 값이 저장될 수 있으며, 갱신될 수 있다.
메모리(110)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등과 같은 저장 장치로서 구현될 수 있다. 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시의 메모리라는 용어는 메모리(110), 프로세서(120) 내의 RAM(미도시), ROM(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱 등)를 포함할 수 있다.
프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(120)는 메모리(110)와 연결되어 전자 장치(100)를 제어할 수 있다.
프로세서(120)는 적어도 하나의 명령어를 실행함으로써, 사용자가 기설정된 기간 동안에 접속한 적어도 하나의 웹 사이트에 대응되는 URL(Uniform Resource Locator)을 적어도 하나의 세그먼트로 구분할 수 있다. 이때, 기설정된 기간은 예를 들어, 30분, 4시간, 3일, 2주, 1달 등과 같이 다양하게 설정된 기간으로서, 설정된 이후에도 변경될 수 있다. 이에 따라, 입력 데이터 또는 처리되는 데이터의 양을 조절하여 리소스 관리를 도모할 수 있다.
이때, 세그먼트는 말뭉치에 포함된 단어(word)일 수 있다. 여기서, 말뭉치는 언어 처리를 위해 텍스트를 컴퓨터가 판독할 수 있는 형태로 모아 놓은 언어 자료를 의미한다. 말뭉치는 통계 분석 및 가설 검증을 수행하거나 특정한 언어 영역 내에서 언어 규칙 발생의 검사와 그 규칙의 정당성 입증에 사용된다. 말뭉치는 단어(사전적 의미를 갖는 단어 또는 고유 명사 등을 포함) 및 문맥 정보(예: 단어의 사용 빈도수, 함께 쓰이는 단어 등) 등을 포함할 수 있다.
일 실시 예로서, 프로세서(120)는 말뭉치(corpus)에 기초하여, 적어도 하나의 웹 사이트 각각에 대응되는 URL을 적어도 하나의 세그먼트로 각각 구분할 수 있다.
예를 들어, URL 은 [samsungnetwork]이고 말뭉치는 [samsung], [net], [work], [network]를 포함하는 경우를 가정하면, 프로세서(120)는 말뭉치에 포함된 단어 및 문맥 정보에 기초하여 URL을 [samsung], [net], [work]와 같은 세그먼트로 구분하거나, [samsung], [network]와 같은 세그먼트로 구분할 수 있다.
프로세서(120)는 적어도 하나의 세그먼트 및 학습된 분류 모델에 기초하여, 복수의 카테고리에 따라 URL을 분류할 수 있다.
구체적으로, 프로세서(120)는 URL에 대응되는 적어도 하나의 세그먼트에 기초한 입력 데이터를 학습된 분류 모델에 입력하면 복수의 카테고리 중 상기 URL이 속하는 적어도 하나의 카테고리(또는 확률 값)를 획득하고, 획득된 카테고리에 따라 상기 URL을 카테고리로 분류한 분류 결과를 획득할 수 있다. 여기서, 분류 결과는 임계 값에 의해 확률 값이 필터링 된 결과 값을 의미할 수 있다. 예를 들어, 임계 값보다 작은 확률 값은 0으로 처리될 수 있다.
이때, 학습된 분류 모델은 URL에 대응되는 세그먼트(또는 특징 값)으로부터 상기 URL이 속하는 카테고리로 분류하거나 카테고리에 속하는 확률 값을 획득하도록 학습된 인공 지능 모델일 수 있으며, 신경망 모델, 유전자 모델, 확률 통계 모델 등으로 구현될 수 있다.
한편, 학습된 분류 모델은 복수의 URL 및 복수의 URL 각각이 속하는 카테고리에 대한 정보를 학습 데이터로서 이용하여 학습될 수 있다. 이때, 복수의 URL 각각이 속하는 카테고리에 대한 정보는 오픈 디렉터리 프로젝트(Open Directory Project, ODP)의 각 카테고리 별 로지스틱 회귀(logistic regression), 서포트 벡터 머신(support vector machine, SVM) 등의 방식을 이용하거나 크라우드 소싱 등과 같은 방식에 따라 웹 사이트(또는 URL)가 특정한 카테고리에 속한다고 기분류된 정보로서, 웹 사이트(또는 URL)이 특정한 카테고리에 속하는 확률 값을 포함할 수 있다. 예를 들어, URL이 특정한 카테고리에 속하는 확률 값(예: 0에서 1까지 중 하나의 값)은 1이 될 수 있으나, URL이 속하는 복수의 카테고리 중 관련성이 상대적으로 낮은 부수적인 카테고리의 경우 1보다 작은 값이 될 수도 있다.
일 실시 예로서, 프로세서(120)는 적어도 하나의 세그먼트에 대한 특징 값을 획득하고, 특징 값을 학습된 분류 모델에 대한 입력 데이터로서 사용하여 URL이 복수의 카테고리에 속하는 확률 값을 획득할 수 있다.
구체적으로, 프로세서(120)는 적어도 하나의 세그먼트를 학습된 분류 모델에 입력 값으로 사용하기 위해, 특징 추출(feature extraction)을 이용하여 적어도 하나의 세그먼트를 n차원(n은 자연수)의 공간 상의 점에 대응되는 하나의 특징 값으로 변환하여 특징 값을 획득할 수 있다. 이때, 프로세서(120)는 하나 또는 복수의 세그먼트를 하나의 특징 값(URL에 대응되는 특징 값)으로 변환할 수 있다(즉, URL 당 하나의 특징 값을 획득할 수 있다).
이 경우, 프로세서(120)는 URL에 대응되는 특징 값을 학습된 분류 모델에 대한 입력 데이터로서 사용하여, URL이 복수의 카테고리 각각에 속하는 확률 값을 획득할 수 있다. 일 예로서, URL이 복수의 카테고리 각각에 속하는 확률 값은 0에서 1까지 중 하나의 값이 될 수 있다.
그리고, 프로세서(120)는 URL이 복수의 카테고리 각각에 속하는 확률 값을 임계 값과 비교하여, 상기 URL을 복수의 카테고리 중에서 임계 값보다 크거나 같은 상기 확률 값을 갖는 카테고리로 분류할 수 있다. 이때, 임계 값은 URL을 카테고리로 분류하는 기준의 정도를 나타내며, 민감도를 의미할 수 있다. 예를 들어, 임계 값은 0.5 와 같이 설정될 수 있으며, 전자 장치(100)의 입력부(미도시)를 통해 설정된 임계 값은 변경될 수 있다.
이때, 프로세서(120)는 URL이 카테고리로 분류되면, 분류된 URL 및 URL에 대응되는 카테고리에 대한 확률 값을 메모리(110)에 저장하거나, 갱신할 수 있다.
프로세서(120)는 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
이를 위해, 프로세서(120)는 전자 장치(100)의 통신부(미도시)를 통해 사용자가 웹 사이트를 접속한 횟수, 사용자가 웹 사이트를 접속한 일시, 사용자가 접속한 웹 사이트에 대응되는 URL, 사용자를 구별할 수 있는 사용자 정보 등을 외부 전자 장치로부터 수신할 수 있다.
이 경우, 프로세서(120)는 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여 복수의 카테고리 각각에 대한 사용자의 선호도를 산출하고, 산출된 선호도에 기초하여 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
일 실시 예로서, 프로세서(120)는 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 웹 사이트에 접속한 사용자의 접속 이력 및 확률 값에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
이때, 확률 값은 URL이 카테고리에 속할 확률 값으로서, 임계 값보다 크거나 같은 확률 값을 의미할 수 있다. 즉, 임계 값보다 작은 확률 값은 0으로 처리될 수 있다.
일 실시 예에서, 프로세서(120)는 적어도 하나의 URL 각각에 대해, 기설정된 기간 동안에 사용자가 적어도 하나의 웹 사이트에 접속한 횟수에 대한 사용자가 특정 URL에 대응되는 웹 사이트에 접속한 횟수의 비율을 사용자의 웹 사이트 접속 이력으로 산출할 수 있다.
예를 들어, 프로세서(120)는 하기의 수학식 1의 (1)을 이용하여, 특정한 웹 사이트 A에 대응되는 URL에 대해, 기설정된 기간 동안에 제1 사용자가 접속한 전체 웹 사이트 중 특정한 웹 사이트 A에 접속한 횟수의 비율을 제1 사용자의 웹 사이트 접속 이력으로 산출할 수 있다.
Figure PCTKR2019008028-appb-M000001
Figure PCTKR2019008028-appb-I000001
여기서, Count(ID-1)은 특정한 사용자인 제1 사용자(ID-1)를 기준으로 기설정된 기간 동안 제1 사용자(ID-1)가 접속한 전체 웹 사이트에 대한 접속 횟수를 의미하고, Count(ID-1, URL-A)는 제1 사용자(ID-1)가 웹 사이트 A(URL-A)에 접속한 횟수를 의미할 수 있다.
한편, 웹 사이트 A(URL-A)에 대한 제1 사용자(ID-1)의 웹 사이트 접속 이력은 수학식 1의 (1)와 같이 Freq1(ID-1, URL-A)가 되고, 제1 사용자(ID-1)의 웹 사이트 전체에 대한 웹 사이트 접속 이력은 수학식 1의 (2)와 같이 "1"이 될 수 있다.
일 실시 예에서, 프로세서(120)는 적어도 하나의 웹 사이트 각각에 대해, 기설정된 기간 동안에 웹 사이트에 접속한 전체 사용자의 접속 횟수에 대한 사용자가 웹 사이트에 접속한 횟수의 비율을 적어도 하나의 웹 사이트에 대한 접속 이력으로 산출할 수 있다.
예를 들어, 프로세서(120)는 하기의 수학식 2의 (1)을 이용하여, 특정한 웹 사이트에 대응되는 URL에 대해, 기설정된 기간 동안에 특정한 웹 사이트에 접속한 전체 사용자 중 특정한 사용자가 접속한 횟수의 비율을 적어도 하나의 웹 사이트에 대한 접속 이력으로 산출할 수 있다.
Figure PCTKR2019008028-appb-M000002
Figure PCTKR2019008028-appb-I000002
여기서, Count(URL-A)은 특정한 웹 사이트 A(URL-A)를 기준으로 기설정된 기간 동안 웹 사이트 A(URL-A)에 접속한 전체 사용자가 접속한 횟수를 의미하고, Count(URL-A, ID-1)는 웹 사이트 A(URL-A)에 제1 사용자(ID-1)가 접속한 횟수를 의미할 수 있다.
한편, 제1 사용자(ID-1)의 웹 사이트A(URL-A)에 대한 웹 사이트 접속 이력은 수학식 2의 (1)와 같이 Freq2(URL-A, ID-1)가 되고, 웹 사이트 A(URL-A)에 대한 전체 사용자의 웹 사이트 접속 이력은 수학식 2의 (2)와 같이 "1"이 될 수 있다.
일 실시 예에서, 프로세서(120)는 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여, 복수의 카테고리 각각에 대한 사용자의 선호도를 산출할 수 있다.
예를 들어, 프로세서(120)는 하기의 수학식 3을 이용하여, 기설정된 기간 동안 제1 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 확률 값에 기초하여, 복수의 카테고리 각각에 대한 제1 사용자의 선호도(또는 스코어)를 산출할 수 있다.
Figure PCTKR2019008028-appb-M000003
여기서, Freq1(ID-1,URL-A)는 제1 사용자(ID-1)의 전체 웹 사이트 중 웹 사이트 A(URL-A)에 대한 제1 사용자(ID-1)의 웹 사이트 접속 이력을, Freq2(URL-A, ID-1)는 웹 사이트A(URL-A)에 접속한 전체 사용자 중 제1 사용자(ID-1)의 웹 사이트A(URL-A)에 대한 웹 사이트 접속 이력을 의미할 수 있다.
이때, Prob(URL-A,Cat-a)는 웹 사이트 A(URL-A)가 카테고리 a(Cat-a)에 속할 확률 값이 임계 값보다 크거나 같은 경우의 확률 값을 의미할 수 있다. 예를 들어, 웹 사이트 A(URL-A)가 카테고리 a(Cat-a)에 속할 확률 값 "0.7"이 임계 값(예: 0.5)보다 크거나 같은 경우에 Prob(URL-A,Cat-a)는 "0.7"이 될 수 있으며, 웹 사이트 B(URL-B)가 카테고리 a(Cat-a)에 속할 확률 값 "0.2"가 임계 값(예: 0.5)보다 작은 경우에 Prob(URL-B,Cat-a)는 "0"이 될 수 있다.
이 경우, 선호도 Score(ID-1, Cat-a)는 웹 사이트의 카테고리 a(Cat-a)에 대해 제1 사용자(ID-1)가 선호하는 정도를 나타낼 수 있다.
프로세서(120)는 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제공할 수 있다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 사용자가 접속한 웹 사이트의 URL을 카테고리로 분류하여 사용자의 선호도를 판단하는 전자 장치 및 그의 제어 방법을 제공할 수 있다.
도 2는 본 개시의 일 실시 예에 따른 URL을 카테고리로 분류하는 방법을 설명하기 위한 도면이다. 도 2를 참조하여, 사용자가 접속한 URL은 [http://www.animenewsnetwork.com/reviews/display.php?id=6]와 같은 경우를 가정한다.
프로세서(120)는 사용자가 접속한 웹 사이트에 대응되는 URL 등을 외부 전자 장치로부터 전자 장치(100)의 통신부(미도시)를 통해 수신할 수 있다(S210). 이때, 외부 전자 장치는 사용자의 사용자 단말(예: PC, 스마트폰, 태블릿 PC, 랩탑 PC, PDA 등) 또는 외부 서버 등과 같은 다양한 전자 장치일 수 있으며, 전자 장치(100)와 다양한 방식의 유/무선 통신을 수행하여 다양한 데이터를 송수신할 수 있다. 한편, 사용자는 외부 전자 장치의 사용자를 의미하는 것이나, 이에 한하지 아니하며 본 개시의 전자 장치(100)의 사용자로 해석될 수도 있다. 예를 들어, 프로세서(120)는 외부 전자 장치로부터 사용자가 접속한 웹 사이트에 대응되는 [http://www.animenewsnetwork.com/reviews/display.php?id=6] 와 같은 URL을 수신할 수 있다.
프로세서(120)는 수신된 URL에 포함된 기호에 기초하여 수신된 URL에서 적어도 하나의 토큰을 획득할 수 있다(S220). 구체적으로, 프로세서(120)는 수신된 URL에서 기호의 위치를 기준으로 구분하여 기호를 제외한 나머지 텍스트를 별개의 토큰으로서 획득할 수 있다. 이때, 기호는 구분자로서 [/], [_], [-], [=], [:], [.], [?] 등을 포함할 수 있다. 예를 들어, 프로세서(120)는 [http://www.animenewsnetwork.com/reviews/display.php?id=6]와 같은 URL에서 기호의 위치를 기준으로 구분하여 기호를 제외한 나머지 텍스트를 [http], [www], [animenewsnetwork], [com], [reviews], [display], [php], [id], [6]와 같은 토큰으로서 획득할 수 있다.
프로세서(120)는 적어도 하나의 토큰에서 쿼리 스트링(query string)을 제거할 수 있다(S230). 이때, 쿼리 스트링은 데이터를 전달하기 위한 URL의 일부분을 의미할 수 있다. 예를 들어, 프로세서(120)는 [id], [6] 와 같은 쿼리 스트링을 제거할 수 있다.
프로세서(120)는 쿼리 스트링이 제거된 적어도 하나의 토큰에서 기설정된 단어를 제거할 수 있다(S240). 이때, 기설정된 단어는 상기 웹 사이트의 주제, 목적, 성격 등과 무관하게 URL에 공통적으로 사용되는 텍스트를 의미할 수 있으며, 설정된 이후에도 변경될 수 있다. 예를 들어, 프로세서(120)는 쿼리 스트링이 제거된 적어도 하나의 토큰에서 기설정된 단어[http], [www], [com], [php]를 제거할 수 있다.
프로세서(120)는 말뭉치에 기초하여, 쿼리 스트링 및 기설정된 단어가 제거된 토큰에서 적어도 하나의 세그먼트로 구분할 수 있다(S250).
구체적으로, 프로세서(120)는 말뭉치에 기초하여 쿼리 스트링 및 기설정된 단어가 제거된 토큰에서 적어도 하나의 단어를 검출하고, 검출된 하나의 단어가 하나의 세그먼트에 대응되도록 쿼리 스트링 및 기설정된 단어가 제거된 토큰을 적어도 하나의 세그먼트로 구분할 수 있다. 이때 단어 사전에는 사전적 의미를 갖는 단어가 포함될 수 있으며, 전자 장치(100)의 메모리(110) 또는 외부 전자 장치에 단어 사전이 기저장되어 있을 수 있다.
예를 들어, 프로세서(120)는 쿼리 스트링 및 기설정된 단어가 제거된 토큰 [animenewsnetwork], [reviews], [display] 중에서, 사전적 의미를 갖는 복수의 단어가 합쳐진 토큰 [animenewsnetwork]를 3개의 세그먼트 [anime], [news], [network]로 구분할 수 있다. 이에 따라, 프로세서(120)는 상기 웹 페이지의 URL로부터 세그먼트[anime], [news], [network], [reviews], [display]를 획득할 수 있다.
이상과 같은 본 개시의 일 실시 예에 따른 전자 장치 및 그의 제어 방법은 사용자가 접속한 웹 사이트를 특정한 카테고리로 분류할 때 그 처리 속도를 향상시키고 리소스의 소모를 줄일 수 있다. 이에 따라, 사용자의 선호도를 보다 신속하게 판단할 수 있는 전자 장치 및 그의 제어 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에 따른 전자 장치 및 그의 제어 방법은 사용자가 접속한 웹 사이트를 특정한 카테고리로 분류할 때 웹 사이트의 컨텐츠 차이에 따라 발생하는 오차를 줄일 수 있다. 이에 따라, 보다 정확한 사용자 맞춤형 정보를 제공할 수 있는 전자 장치 및 그의 제어 방법을 제공할 수 있다.
도 3에 도시된 예시적인 데이터를 참조하여 선호도를 산출하는 과정을 설명하기로 한다.
예를 들어 도 3의 (a) 및 (b)에 도시된 바와 같이, 확률 값 테이블(310), 분류 결과 테이블(320) 및 사용자별 URL 접속 횟수 테이블(330)에 포함된 숫자로 가정하고 설명하도록 한다.
확률 값 테이블(310)은 웹 사이트 A(URL-A), 웹 사이트 B(URL-B) 및 웹 사이트 C(URC-C) 각각이 카테고리 a(cat-a) 및 카테고리 b(cat-b)에 속하는 확률 값을 포함할 수 있다. 일 예로서, 웹 사이트 A(URL-A)가 카테고리 a(cat-a)에 속할 확률은 "0.849", 웹 사이트 A(URL-A)가 카테고리 b(cat-b)에 속할 확률은 "0.116"이 될 수 있다.
분류 결과 테이블(320)은 확률 값 테이블(310)의 확률 값이 임계 값에 의해 필터링된 분류 결과 값을 포함할 수 있다. 임계 값인 "0.5"인 경우 임계 값 보다 작은 확률 값은 "0"의 분류 값으로 처리될 수 있다. 일 예로서, 웹 사이트 A(URL-A)가 카테고리 a(cat-a)에 분류된 분류 결과 값은 "0.849", 웹 사이트 A(URL-A)가 카테고리 b(cat-b)에 분류된 분류 결과 값은 "0"이 될 수 있다.
사용자별 URL 접속 횟수 테이블(330)은 제1 사용자(ID-1) 및 제2 사용자(ID-2)가 각각 웹 사이트 A(URL-A), 웹 사이트 B(URL-B) 및 웹 사이트 C(URC-C)에 접속한 횟수를 포함할 수 있다. 일 예로서, 기설정된 기간 동안 제1 사용자(ID-1)가 웹 사이트 A(URL-A)에 접속한 횟수는 86회, 제1 사용자(ID-1)가 웹 사이트 B(URL-B)에 접속한 횟수는 11회가 될 수 있다.
도 3의 (c)를 참조하여, 사용자의 웹 사이트 접속 이력 테이블(340)은, 수학식 1의 (1)을 이용하여 산출된 사용자가 적어도 하나의 웹 사이트에 접속한 횟수에 대한 사용자가 특정 URL에 대응되는 웹 사이트에 접속한 횟수의 비율을 포함할 수 있다. 일 예로서, 프로세서(120)는 기설정된 기간 동안 제1 사용자(ID-1)가 접속한 전체 웹 사이트에 대한 접속 횟수 161회 (웹 사이트 A에 86회, 웹 사이트 B에 11회, 웹 사이트 C에 64회) 중 웹 사이트 A에 접속한 횟수 86회의 비율인 0.534(86/161)를 Freq1(ID-1, URL-A)로서 산출할 수 있다.
적어도 하나의 웹 사이트에 대한 접속 이력 테이블(350)은, 수학식 2의 (1)을 이용하여 산출된 특정한 웹 사이트에 대응되는 URL에 대해, 기설정된 기간 동안에 특정한 웹 사이트에 접속한 전체 사용자 중 특정한 사용자가 접속한 횟수의 비율을 포함할 수 있다. 일 예로서, 프로세서(120)는 웹 사이트 A에 대응되는 URL에 대해, 기설정된 기간 동안에 웹 사이트 A에 접속한 전체 사용자의 접속 횟수 93회(제1 사용자가 86회, 제2 사용자가 7회) 중 제1 사용자가 접속한 횟수 86회의 비율인 "0.925"(86/93)를 Freq2(URL-A, ID-1)로서 산출할 수 있다.
도 3의 (d)를 참조하여, 카테고리 a에 대한 선호도 테이블(360), 카테고리 b에 대한 선호도 테이블(370)은 수학식 3을 이용하여 산출된 복수의 카테고리 각각에 대한 웹 사이트 별 사용자의 선호도를 포함할 수 있다. 선호도 테이블(380)은 수학식 3을 이용하여 산출된 복수의 카테고리 각각에 대한 사용자의 선호도를 포함할 수 있다.
일 예로서, 프로세서(120)는 Freq1(ID-1, URL-A) x Freq2(URL-A, ID-1) x Prob(URL-A, cat-a) + Freq1(ID-1, URL-B) x Freq2(URL-B, ID-1) x Prob(URL-B, cat-a) + Freq1(ID-1, URL-C) x Freq2(URL-C, ID-1) x Prob(URL-C, cat-a) = 0.534 x 0.925 x 0.849 + 0.068 x 0.102 x 0 + 0.398 x 0.547 x 0.721 = 0.419 + 0 + 0.157 = "0.576" 을 제1 사용자의 카테고리 a에 대한 선호도로서 산출할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 사용자가 선호하는 웹 사이트의 카테고리에 관련된 정보를 제공하는 방법을 설명하기 위한 도면이다.
일 실시 예에서, 프로세서(120)는 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제공할 수 있다.
구체적으로, 프로세서(120)는 복수의 카테고리 각각에 대응되는 선호도에 따라, 가장 높은 선호도에 대응되는 카테고리를 사용자가 선호하는 웹 사이트의 카테고리로 판단하고, 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 사용자의 외부 전자 장치로 제공할 수 있다. 이때, 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보는 사용자 선호도 기반의 사용자 맞춤형 광고 또는 컨텐츠 등을 포함할 수 있다.
이 경우, 프로세서(120)는 산출된 선호도에 대응되는 카테고리에 관련된 정보를 선호도가 높은 순서로 우선적으로 제공할 수 있다.
예를 들어, 도 4의 (a) 및 (b)를 참조하면, 가장 높은 선호도를 갖는 카테고리가 커피이고, 두번째로 높은 선호도를 갖는 카테고리가 야구인 경우를 가정한다.
프로세서(120)는 산출된 선호도에 기초하여, 가장 높은 선호도에 대응되는 카테고리인 음료를 제1 사용자가 선호하는 웹 사이트의 제1 선호 카테고리라고 판단하고, 두번째로 높은 선호도에 대응되는 카테고리인 야구를 제1 사용자가 선호하는 웹 사이트의 제2 선호 카테고리라고 판단할 수 있다.
그리고, 프로세서(120)는 제1 사용자가 웹 사이트를 요청하는 신호가 수신되면, 도 4의 (a)와 같이 웹 사이트의 광고 배너(410)에 제1 선호 카테고리인 커피와 관련되는 이미지(광고 등)가 표시되도록 하는 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제1 사용자의 외부 전자 장치로 우선적으로 전송할 수 있다.
이후, 프로세서(120)는 제1 사용자가 웹 페이지를 요청하는 신호가 다시 수신되면, 도 4의 (b)와 같이 웹 사이트의 광고 배너(420)에 제2 선호 카테고리인 커피와 관련되는 이미지(광고 등)가 표시되도록 하는 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제1 사용자의 외부 전자 장치로 전송할 수 있다.
한편, 도 4의 (a) 및 (b)는 동일한 웹 사이트의 광고 배너인 것으로 도시하였으나 이는 일 실시 예일 뿐이며, 다른 웹 사이트(예: 검색 엔진, 포털 사이트, 뉴스, 어플리케이션 스토어, VOD 서비스 화면 등)의 광고 배너가 될 수도 있다.
한편, 프로세서(120)는 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 사용자의 외부 전자 장치에게 제공하는 것으로 설명하였으나, 이는 일 실시 예일 뿐이고, 프로세서(120)는 본 개시의 전자 장치(100)에게 제공하거나, 다른 중간 매개 장치를 통해 사용자의 외부 전자 장치로 제공하는 것 또한 가능하다.
도 5는 본 개시의 일 실시 예에 따른 파이프라인을 설명하기 위한 도면이다.
도 5를 참조하여, 프로세서(120)는 URL 비교 모듈(520), 전처리 모듈(531), 특징 추출 모듈(533), URL 분류 모듈(535), 임계 값 비교 모듈(537), 카테고리 분류 모듈(540), 사용자 관심 스코어 생성 모듈(550)을 포함할 수 있으며, 프로세서(120) 에 포함된 각 모듈들이 도 5의 파이프라인에 따른 동작을 수행할 수 있다. 다만, 이는 일 실시 예일뿐이고, 이와 같은 모듈들은 메모리(110)에 구분되어 저장되며 프로세서(120)가 각각의 모듈에 포함된 명령어에 따른 동작을 수행할 수도 있다.
이하에서는 설명의 편의를 위해, 프로세서(120)에 포함된 각 모듈들이 동작을 수행하는 것으로 가정하도록 한다.
먼저, 사용자가 접속한 웹 사이트에 대응되는 URL(510)이 외부 전자 장치로부터 수신되는 경우, URL 비교 모듈(520)은 수신된 URL(510)이 메모리(110)에 저장된 URL에 매칭되는지 여부를 판단한다. 이때, 메모리(110)에는 URL이 복수의 카테고리에 따라 분류되어, URL 및 URL에 대응되는 복수의 카테고리 각각에 대한 확률 값이 기저장될 수 있다.
일 실시 예로서, 수신된 URL(510)이 메모리(110)에 저장된 URL에 매칭되는 경우, URL 비교 모듈(520)은 메모리(110)에 저장된 복수의 URL 중 수신된 URL(510)과 매칭되는 URL을 검색하여, 검색된 URL과 매칭되는 카테고리에 대한 확률 값을 획득하고, 수신된 URL(510)을 검색된 URL에 매칭되는 카테고리로 분류할 수 있다.
다른 실시 예로서, 수신된 URL(510)이 메모리(110)에 저장된 URL에 매칭되지 않는 경우, 상술한 도 2의 S220, S230, S240, S250 단계에 대한 설명이 동일하게 적용될 수 있다. 구체적으로, 전처리 모듈(531)은 수신된 URL(510)에 포함된 기호에 기초하여 수신된 URL(510)에서 적어도 하나의 토큰을 획득할 수 있다. 전처리 모듈(531)은 적어도 하나의 토큰에서 쿼리 스트링(query string) 및 기설정된 단어를 제거할 수 있다. 전처리 모듈(531)은 말뭉치에 기초하여, 쿼리 스트링 및 기설정된 단어가 제거된 토큰에서 적어도 하나의 세그먼트로 구분할 수 있다. 한편, 이는 일 실시 예일 뿐이고, 전처리 모듈(531)에서 수행되는 각 동작은 별도 모듈로 구분되어 수행될 수 있다.
이 경우, 특징 추출 모듈(533)은 전처리 모듈(531)에서 구분된 적어도 하나의 세그먼트에 대한 특징 값을 획득하고, URL 분류 모듈(535)은 특징 추출 모듈(533)에서 획득된 특징 값을 학습된 분류 모델에 대한 입력 데이터로서 사용하여 복수의 카테고리에 따라 URL이 속하는 확률 값을 획득할 수 있고, 임계 값 비교 모듈(537)은 URL 분류 모듈(535)에서 획득된 확률 값을 임계 값과 비교할 수 있고, 카테고리 분류 모듈(540)은 URL 분류 모듈(535)에서 비교한 결과로서, 임계 값보다 크거나 같은 확률 값을 갖는 카테고리를 수신된 URL(510)에 대한 카테고리로 분류할 수 있다(S537).
상술한 실시 예에서, 카테고리 분류 모듈(540)에 의해 수신된 URL(510)이 카테고리가 분류되면(S540), 사용자 관심 스코어 생성 모듈(550)은 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여, 복수의 카테고리 각각에 대한 사용자의 선호도를 산출할 수 있다.
한편, 카테고리 분류 모듈(540)은 수신된 URL(510)이 메모리(110)에 저장된 URL에 매칭되지 않는 경우에, 수신된 URL(510)이 카테고리로 분류되면(S540) 분류된 URL 및 URL에 대응되는 카테고리에 대한 확률 값을 메모리(110)에 저장하거나, 갱신할 수 있다.
이상과 같은, 본 개시의 일 실시 예에 따른 전자 장치 및 그의 제어 방법은 사용자가 접속한 웹 사이트를 특정한 카테고리로 분류할 때 그 처리 속도를 향상시키고 리소스의 소모를 줄일 수 있다. 이에 따라, 사용자의 선호도를 보다 신속하게 판단할 수 있는 전자 장치 및 그의 제어 방법을 제공할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 인공지능 모델을 생성(또는 학습)하기 위한 방법을 설명하기 위한 도면이다.
도 6을 참조하여, 프로세서(120)는 복수의 URL 및 복수의 URL 각각이 속하는 카테고리에 대한 정보가 수신되면, 수신된 정보로부터 복수의 URL 및 복수의 URL 각각이 속하는 카테고리로 기분류된 확률 값을 획득할 수 있다(S610).
다음으로, 프로세서(120)는 전처리 단계로서 복수의 URL 각각을 적어도 하나의 세그먼트로 각각 구분할 수 있다(S620). 이는 상술한 도 2의 S220, S230, S240, S250 단계에 대한 설명이 동일하게 적용될 수 있다.
구체적으로, 프로세서(120)는 수신된 URL에 포함된 기호에 기초하여 수신된 URL에서 적어도 하나의 토큰을 획득할 수 있다. 프로세서(120)는 적어도 하나의 토큰에서 쿼리 스트링(query string) 및 기설정된 단어를 제거할 수 있다. 프로세서(120)는 말뭉치에 기초하여, 쿼리 스트링 및 기설정된 단어가 제거된 토큰에서 적어도 하나의 세그먼트로 구분할 수 있다.
다음으로, 프로세서(120)는 적어도 하나의 세그먼트에 대한 특징 값을 획득하고(S630), 특징 값을 입력 데이터로서 사용하여 복수의 URL 각각이 속하는 카테고리로 기분류된 확률 값이 출력될 수 있도록 하는 학습된 분류 모델을 생성할 수 있다(S640).
도 7은 본 개시의 일 실시 예에 따른 학습부 및 인식부를 나타내는 블록도이다.
도 7의 (a)를 참조하면, 프로세서(120)는 학습부(121) 및 인식부(122) 중 적어도 하나를 포함할 수 있다. 이때, 프로세서(120)는 본 개시의 전자 장치(100)의 프로세서(120) 또는 데이터 학습 서버의 프로세서에 대응될 수 있다.
학습부(121)는 URL(또는 세그먼트)을 카테고리로 분류하기 위한 판단 기준을 갖는 분류 모델을 생성하거나 학습시킬 수 있다.
일 예로, 학습부(121)는 ODP와 같이 URL이 카테고리로 기분류된 정보 또는 분류 모델을 통해 URL이 카테고리로 분류된 정보 등과 같은 학습 데이터를 이용하여 URL이 어떤 카테고리에 속하는 것인지 판단하는 판단 기준을 갖는 분류 모델을 학습 또는 갱신시킬 수 있다.
인식부(122)는 URL에 대응되는 데이터를 학습된 분류 모델의 입력 데이터로 사용하여, URL이 속하는 카테고리를 추정할 수 있다.
일 예로, 인식부(122)는 URL에 포함된 적어도 하나의 세그먼트에 대한 특징 값을 학습된 분류 모델의 입력 데이터로 사용하여 URL이 속하는 카테고리에 대한 확률 값을 획득(또는, 추정, 추론)할 수 있다.
학습부(121)의 적어도 일부 및 인식부(122)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 학습부(121) 및 인식부(122) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치 또는 객체 인식 장치에 탑재될 수도 있다. 이 때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(121) 및 인식부(122)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(121) 및 인식부(122)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(121) 및 인식부(122) 중 하나는 본 개시의 전자 장치(100)에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또한, 학습부(121) 및 인식부(122)는 유/무선 방식의 통신을 수행하여, 학습부(121)가 구축한 모델 정보를 인식부(122)로 제공할 수도 있고, 인식부(122)로 입력된 데이터가 추가 학습 데이터로서 학습부(121)로 제공될 수도 있다.
도 7의 (b)를 참조하면, 일 실시예에 따른 학습부(121)는 학습 데이터 획득부(121-1) 및 모델 학습부(121-4)를 포함할 수 있다. 또한, 학습부(121)는 학습 데이터 전처리부(121-2), 학습 데이터 선택부(121-3) 및 모델 평가부(121-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(121-1)는 URL(또는 세그먼트)을 카테고리로 분류하기 위한 분류 모델에 필요한 학습 데이터를 획득할 수 있다. 본 문서의 실시예로, 학습 데이터 획득부(121-1)는 객체를 포함하는 전체 이미지, 객체 영역에 대응하는 이미지, 객체 정보 및 컨텍스트 정보 중 적어도 하나를 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(121) 또는 학습부(121)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(121-4)는 학습 데이터를 이용하여, 분류 모델이 URL(또는 세그먼트)을 카테고리로 어떻게 분류할 지에 관한 판단 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(121-4)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 분류 모델을 학습시킬 수 있다. 또는, 모델 학습부(121-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 상황의 판단을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 분류 모델을 학습시킬 수 있다. 또한, 모델 학습부(121-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 분류 모델을 학습시킬 수 있다. 또한, 모델 학습부(121-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 분류 모델을 학습시킬 수 있다
또한, 모델 학습부(121-4)는 입력 데이터를 이용하여 URL(또는 세그먼트)을 카테고리로 분류하기 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 선별 기준을 학습할 수도 있다.
분류 모델이 학습되면, 모델 학습부(121-4)는 학습된 분류 모델을 저장할 수 있다. 이 경우, 모델 학습부(121-4)는 학습된 분류 모델을 전자 장치(100)의 메모리(110)에 저장할 수 있다. 또는, 모델 학습부(121-4)는 학습된 분류 모델을 전자 장치(100)와 유/무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습부(121)는 분류 모델의 분석 결과를 향상시키거나, 분류 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(121-2) 및 학습 데이터 선택부(121-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(121-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(121-2)는 모델 학습부(121-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(121-3)는 학습 데이터 획득부(121-1)에서 획득된 데이터 또는 학습 데이터 전처리부(121-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(121-4)에 제공될 수 있다. 학습 데이터 선택부(121-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(121-3)는 모델 학습부(121-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(121)는 데이터 분류 모델의 분석 결과를 향상시키기 위하여, 모델 평가부(121-5)를 더 포함할 수도 있다.
모델 평가부(121-5)는 분류 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(121-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 분류 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(121-5)는 평가 데이터에 대한 학습된 분류 모델의 분석 결과 중에서, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 분류 모델이 복수 개가 존재하는 경우, 모델 평가부(121-5)는 각각의 학습된 분류 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 분류 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(121-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 분류 모델로서 결정할 수 있다.
도 7의 (c)를 참조하면, 일 실시예에 따른 인식부(122)는 인식 데이터 획득부(122-1) 및 인식 결과 제공부(122-4)를 포함할 수 있다.
또한, 인식부(122)는 인식 데이터 전처리부(122-2), 인식 데이터 선택부(122-3) 및 모델 갱신부(122-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
인식 데이터 획득부(122-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 인식 결과 제공부(122-4)는 인식 데이터 획득부(122-1)에서 획득된 데이터를 입력 값으로 학습된 분류 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(122-4)는 데이터의 분석 목적에 따른 분석 결과를 제공할 수 있다. 인식 결과 제공부(122-4)는 후술할 인식 데이터 전처리부(122-2) 또는 인식 데이터 선택부(122-3)에 의해 선택된 데이터를 입력 값으로 분류 모델에 적용하여 분석 결과를 획득할 수 있다. 분석 결과는 분류 모델에 의해 결정될 수 있다.
인식부(122)는 분류 모델의 분석 결과를 향상시키거나, 분석 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 인식 데이터 전처리부(122-2) 및 인식 데이터 선택부(122-3)를 더 포함할 수도 있다.
인식 데이터 전처리부(122-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 인식 데이터 전처리부(122-2)는 인식 결과 제공부(122-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
인식 데이터 선택부(122-3)는 인식 데이터 획득부(122-1)에서 획득된 데이터 또는 인식 데이터 전처리부(122-2)에서 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(122-4)에게 제공될 수 있다. 인식 데이터 선택부(122-3)는 상황 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(122-3)는 모델 학습부(121-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(122-5)는 인식 결과 제공부(122-4)에 의해 제공되는 분석 결과에 대한 평가에 기초하여, 분류 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(122-5)는 인식 결과 제공부(122-4)에 의해 제공되는 분석 결과를 모델 학습부(121-4)에게 제공함으로써, 모델 학습부(121-4)가 분류 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 상세히 도시한 블록도이다.
도 8을 참조하면, 전자 장치(100)는 메모리(110), 프로세서(120) 외에도 통신부(130), 마이크(140), 입출력포트(150), 디스플레이(160) 및 스피커(170)를 중 하나를 포함할 수 있다.
프로세서(120)는 RAM(123), ROM(124), 그래픽 처리부(125), 메인 CPU(126), 제1 내지 n 인터페이스(127-1~127-n), 버스(128)를 포함할 수 있다. 이때, RAM(123), ROM(124), 그래픽 처리부(125), 메인 CPU(126), 제1 내지 n 인터페이스(127-1~127-n) 등은 버스(128)를 통해 서로 연결될 수 있다.
통신부(130)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 기기와 통신을 수행하여 다양한 유형의 데이터를 송수신할 수 있다. 통신부(130)는 무선 통신을 수행하는 블루투스 칩(131), 와이파이 칩(132), 무선 통신 칩(133) 및 NFC 칩(134), 유선 통신을 수행하는 이더넷 모듈(미도시) 및 USB 모듈(미도시) 중 적어도 하나를 포함할 수 있다. 이 경우, 유선 통신을 수행하는 이더넷 모듈(미도시) 및 USB 모듈(미도시)은 입출력포트(150)를 통하여 외부 기기와 통신을 수행할 수 있다.
마이크(140)는 전자 장치(100)에 내장된 것으로 사용자의 음성을 직접 수신할 수 있으며, 디지털 변환부(미도시)에 의해 아날로그 신호인 사용자의 음성을 디지털로 변환하여 오디오 신호를 획득할 수 있다.
입출력포트(150)는 전자 장치(100)가 외부 장치(미도시)와 이미지 및/또는 음성에 대한 신호를 송신 및/또는 수신할 수 있도록, 전자 장치(100) 및 외부 장치(미도시)를 유선으로 연결해주는 구성이다.
이를 위해, 입출력포트(150)는 HDMI 포트, 디스플레이 포트, RGB 포트, DVI(Digital Visual Interface) 포트, 썬더볼트 및 컴포넌트 포트 등 유선 포트로 구현될 수 있다.
일 예로, 전자 장치(100)가 이미지 및/또는 음성을 출력할 수 있도록, 전자 장치(100)는 입출력포트(150)를 통해 이미지 및/또는 음성에 대한 신호를 외부 장치(미도시)로부터 수신할 수 있다. 다른 예로, 외부 장치(미도시)가 이미지 및/또는 음성을 출력할 수 있도록, 전자 장치(100)는 입출력포트(150)를 통해 특정한 이미지 및/또는 음성에 대한 신호를 외부 장치로 송신할 수 있다.
이와 같이, 입출력 포트(150)를 통해 이미지 및/또는 음성에 대한 신호가 일방향으로 전송될 수 있다. 다만, 이는 일 실시 예일 뿐, 입출력 포트(150)를 통해 이미지 및/또는 음성에 대한 신호가 양방향으로 전송될 수 있음은 물론이다.
디스플레이(160)는 영상 처리부(미도시)에서 처리한 영상 데이터를 디스플레이 영역(또는 디스플레이)에 디스플레이할 수 있다. 디스플레이 영역은 전자 장치(100)의 하우징의 일면에 노출된 디스플레이(160)의 적어도 일부를 의미할 수 있다. 디스플레이(110)의 적어도 일부는 플렉서블 디스플레이(flexible display)의 형태로 전자 장치(160)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다. 플렉서블 디스플레이는 종이처럼 얇고 유연한 기판을 통해 손상 없이 휘거나 구부리거나 말 수 있는 것을 특징으로 할 수 있다.
스피커(170)는 전자 장치(100)에 내장된 것으로 오디오 처리부(미도시)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 직접 소리로 출력할 수 있다.
입력부(미도시)는 다양한 사용자 입력을 수신하여 프로세서(120)로 전달할 수 있다. 입력부(미도시)는 예를 들면, 터치 패널, (디지털) 펜 센서 또는 키를 포함할 수 있다. 터치 패널은, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널은 제어 회로를 더 포함할 수도 있다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다. (디지털) 펜 센서는 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키는 예를 들면, 물리적인 버튼, 광학식 키 또는 키패드를 포함할 수 있다. 또는, 입력부(미도시)는 키보드, 마우스 등과 같은 외부 장치(미도시)로부터 유선으로 연결되거나 또는 무선으로 연결되어 사용자 입력을 수신할 수 있다.
도 9는 본 개시의 일 실시 예에 따른 흐름도를 설명하기 위한 도면이다.
도 9를 참조하면, 먼저 사용자가 기설정된 기간 동안에 접속한 적어도 하나의 웹 사이트에 대응되는 URL(Uniform Resource Locator)을 적어도 하나의 세그먼트로 구분할 수 있다(S910). 여기에서, 구분하는 단계는 말뭉치(corpus)에 기초하여, 적어도 하나의 웹 사이트 각각에 대응되는 URL을 적어도 하나의 세그먼트로 각각 구분할 수 있다.
다음으로, 적어도 하나의 세그먼트 및 학습된 분류 모델에 기초하여, 복수의 카테고리에 따라 URL을 분류할 수 있다(S920). 여기에서, 학습된 분류 모델은 복수의 URL 및 복수의 URL 각각이 속하는 카테고리에 대한 정보를 학습 데이터로서 이용하여 학습될 수 있다.
다음으로, 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다(S930).
여기에서, 카테고리를 판단하는 단계는 적어도 하나의 세그먼트에 대한 특징 값을 획득하고, 특징 값을 학습된 분류 모델에 대한 입력 데이터로서 사용하여 URL이 복수의 카테고리에 속하는 확률 값을 획득하고, 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 웹 사이트에 접속한 사용자의 접속 이력 및 확률 값에 기초하여, 복수의 카테고리 중에서 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
한편, 본 개시의 일 실시 예에서, 적어도 하나의 URL 각각에 대해, 기설정된 기간 동안에 사용자가 적어도 하나의 웹 사이트에 접속한 횟수에 대한 사용자가 특정 URL에 대응되는 웹 사이트에 접속한 횟수의 비율을 사용자의 웹 사이트 접속 이력으로 산출할 수 있다.
한편, 본 개시의 일 실시 예에서, 적어도 하나의 웹 사이트 각각에 대해, 기설정된 기간 동안에 웹 사이트에 접속한 전체 사용자의 접속 횟수에 대한 사용자가 웹 사이트에 접속한 횟수의 비율을 적어도 하나의 웹 사이트에 대한 접속 이력으로 산출할 수 있다.
한편, 본 개시의 일 실시 예에서, 기설정된 기간 동안 사용자의 웹 사이트 접속 이력, 적어도 하나의 웹 사이트에 대한 접속 이력 및 분류 결과에 기초하여 복수의 카테고리 각각에 대한 사용자의 선호도를 산출하고, 산출된 선호도에 기초하여, 사용자가 선호하는 웹 사이트의 카테고리를 판단할 수 있다.
한편, 본 개시의 일 실시 예에서, 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제공할 수 있다.
본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 상기하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 상기 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 상기 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    적어도 하나의 명령을 포함하는 메모리; 및
    상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며,
    상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써,
    사용자가 기설정된 기간 동안에 접속한 적어도 하나의 웹 사이트에 대응되는 URL(Uniform Resource Locator)을 적어도 하나의 세그먼트로 구분하고,
    상기 적어도 하나의 세그먼트 및 학습된 분류 모델에 기초하여, 복수의 카테고리에 따라 상기 URL을 분류하고,
    상기 기설정된 기간 동안 상기 사용자의 웹 사이트 접속 이력, 상기 적어도 하나의 웹 사이트에 대한 접속 이력 및 상기 분류 결과에 기초하여, 상기 복수의 카테고리 중에서 상기 사용자가 선호하는 웹 사이트의 카테고리를 판단하는, 전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    말뭉치(corpus)에 기초하여, 상기 적어도 하나의 웹 사이트 각각에 대응되는 URL을 적어도 하나의 세그먼트로 각각 구분하는, 전자 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 세그먼트에 대한 특징 값을 획득하고,
    상기 특징 값을 상기 학습된 분류 모델에 대한 입력 데이터로서 사용하여 상기 URL이 상기 복수의 카테고리에 속하는 확률 값을 획득하고,
    상기 기설정된 기간 동안 상기 사용자의 웹 사이트 접속 이력, 상기 웹 사이트에 접속한 사용자의 접속 이력 및 상기 확률 값에 기초하여, 상기 복수의 카테고리 중에서 상기 사용자가 선호하는 웹 사이트의 카테고리를 판단하는, 전자 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 URL 각각에 대해, 상기 기설정된 기간 동안에 상기 사용자가 상기 적어도 하나의 웹 사이트에 접속한 횟수에 대한 상기 사용자가 특정 URL에 대응되는 웹 사이트에 접속한 횟수의 비율을 상기 사용자의 웹 사이트 접속 이력으로 산출하는, 전자 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 웹 사이트 각각에 대해, 상기 기설정된 기간 동안에 웹 사이트에 접속한 전체 사용자의 접속 횟수에 대한 상기 사용자가 상기 웹 사이트에 접속한 횟수의 비율을 상기 적어도 하나의 웹 사이트에 대한 접속 이력으로 산출하는, 전자 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 기설정된 기간 동안 상기 사용자의 웹 사이트 접속 이력, 상기 적어도 하나의 웹 사이트에 대한 접속 이력 및 상기 분류 결과에 기초하여 상기 복수의 카테고리 각각에 대한 사용자의 선호도를 산출하고,
    상기 산출된 선호도에 기초하여 상기 사용자가 선호하는 웹 사이트의 카테고리를 판단하는, 전자 장치.
  7. 제1항에 있어서,
    상기 프로세서는,
    상기 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제공하는, 전자 장치.
  8. 제1항에 있어서,
    상기 학습된 분류 모델은,
    복수의 URL 및 상기 복수의 URL 각각이 속하는 카테고리에 대한 정보를 학습 데이터로서 이용하여 학습되는, 전자 장치.
  9. 전자 장치의 제어 방법에 있어서,
    사용자가 기설정된 기간 동안에 접속한 적어도 하나의 웹 사이트에 대응되는 URL(Uniform Resource Locator)을 적어도 하나의 세그먼트로 구분하는 단계;
    상기 적어도 하나의 세그먼트 및 학습된 분류 모델에 기초하여, 복수의 카테고리에 따라 상기 URL을 분류하는 단계; 및
    상기 기설정된 기간 동안 상기 사용자의 웹 사이트 접속 이력, 상기 적어도 하나의 웹 사이트에 대한 접속 이력 및 상기 분류 결과에 기초하여, 상기 복수의 카테고리 중에서 상기 사용자가 선호하는 웹 사이트의 카테고리를 판단하는, 제어 방법.
  10. 제9항에 있어서,
    상기 구분하는 단계는,
    말뭉치(corpus)에 기초하여, 상기 적어도 하나의 웹 사이트 각각에 대응되는 URL을 적어도 하나의 세그먼트로 각각 구분하는, 제어 방법.
  11. 제9항에 있어서,
    상기 카테고리를 판단하는 단계는,
    상기 적어도 하나의 세그먼트에 대한 특징 값을 획득하는 단계;
    상기 특징 값을 상기 학습된 분류 모델에 대한 입력 데이터로서 사용하여 상기 URL이 상기 복수의 카테고리에 속하는 확률 값을 획득하는 단계; 및
    상기 기설정된 기간 동안 상기 사용자의 웹 사이트 접속 이력, 상기 웹 사이트에 접속한 사용자의 접속 이력 및 상기 확률 값에 기초하여, 상기 복수의 카테고리 중에서 상기 사용자가 선호하는 웹 사이트의 카테고리를 판단하는 단계;를 포함하는, 제어 방법.
  12. 제9항에 있어서,
    상기 적어도 하나의 URL 각각에 대해, 상기 기설정된 기간 동안에 상기 사용자가 상기 적어도 하나의 웹 사이트에 접속한 횟수에 대한 상기 사용자가 특정 URL에 대응되는 웹 사이트에 접속한 횟수의 비율을 상기 사용자의 웹 사이트 접속 이력으로 산출하는 단계;를 더 포함하는, 제어 방법.
  13. 제9항에 있어서,
    상기 적어도 하나의 웹 사이트 각각에 대해, 상기 기설정된 기간 동안에 웹 사이트에 접속한 전체 사용자의 접속 횟수에 대한 상기 사용자가 상기 웹 사이트에 접속한 횟수의 비율을 상기 적어도 하나의 웹 사이트에 대한 접속 이력으로 산출하는 단계;를 더 포함하는, 제어 방법.
  14. 제9항에 있어서,
    상기 카테고리를 판단하는 단계는,
    상기 기설정된 기간 동안 상기 사용자의 웹 사이트 접속 이력, 상기 적어도 하나의 웹 사이트에 대한 접속 이력 및 상기 분류 결과에 기초하여 상기 복수의 카테고리 각각에 대한 사용자의 선호도를 산출하고,
    상기 산출된 선호도에 기초하여, 상기 사용자가 선호하는 웹 사이트의 카테고리를 판단하는, 제어 방법.
  15. 제9항에 있어서,
    상기 사용자가 선호하는 웹 사이트의 카테고리와 관련된 정보를 제공하는 단계;를 더 포함하는, 제어 방법.
PCT/KR2019/008028 2018-12-11 2019-07-02 전자 장치 및 그의 제어 방법 WO2020122339A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/284,401 US11531722B2 (en) 2018-12-11 2019-07-02 Electronic device and control method therefor
EP19895840.7A EP3836069A4 (en) 2018-12-11 2019-07-02 ELECTRONIC DEVICE AND CONTROL PROCEDURE FOR IT

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0159246 2018-12-11
KR1020180159246A KR20200071477A (ko) 2018-12-11 2018-12-11 전자 장치 및 그의 제어 방법

Publications (1)

Publication Number Publication Date
WO2020122339A1 true WO2020122339A1 (ko) 2020-06-18

Family

ID=71075350

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/008028 WO2020122339A1 (ko) 2018-12-11 2019-07-02 전자 장치 및 그의 제어 방법

Country Status (4)

Country Link
US (1) US11531722B2 (ko)
EP (1) EP3836069A4 (ko)
KR (1) KR20200071477A (ko)
WO (1) WO2020122339A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11368486B2 (en) * 2019-03-12 2022-06-21 Fortinet, Inc. Determining a risk probability of a URL using machine learning of URL segments

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030016037A (ko) * 2001-08-20 2003-02-26 엔에이치엔(주) 웹페이지별 방문인기도에 기반한 웹페이지 검색방법 및 그장치
KR100901960B1 (ko) * 2008-03-21 2009-06-10 엔에이치엔비즈니스플랫폼 주식회사 신규 광고 가능 유알엘 제공 방법 및 시스템
JP2010123000A (ja) * 2008-11-20 2010-06-03 Nippon Telegr & Teleph Corp <Ntt> Ｗｅｂページグループ抽出方法及び装置及びプログラム
US7886047B1 (en) * 2008-07-08 2011-02-08 Sprint Communications Company L.P. Audience measurement of wireless web subscribers
JP2016091166A (ja) * 2014-10-31 2016-05-23 カシオ計算機株式会社 機械学習装置、機械学習方法、分類装置、分類方法、プログラム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040040145A (ko) 2002-11-06 2004-05-12 삼성전자주식회사 사용자 접속정보를 갖는 북마크 생성 방법
US8078625B1 (en) 2006-09-11 2011-12-13 Aol Inc. URL-based content categorization
JP2012256268A (ja) 2011-06-10 2012-12-27 Ad Space Co Ltd 広告配信装置及び広告配信プログラム
US20130066814A1 (en) 2011-09-12 2013-03-14 Volker Bosch System and Method for Automated Classification of Web pages and Domains
CN103235824A (zh) 2013-05-06 2013-08-07 上海河广信息科技有限公司 根据浏览网页确定用户感兴趣的网页文本的方法和系统
WO2016111065A1 (ja) 2015-01-09 2016-07-14 ソニー株式会社 情報処理システム、情報処理装置、制御方法、およびプログラム
JP6611053B2 (ja) 2015-09-17 2019-11-27 パナソニックＩｐマネジメント株式会社 主題推定システム、主題推定方法およびプログラム
US20170091303A1 (en) * 2015-09-24 2017-03-30 Intel Corporation Client-Side Web Usage Data Collection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030016037A (ko) * 2001-08-20 2003-02-26 엔에이치엔(주) 웹페이지별 방문인기도에 기반한 웹페이지 검색방법 및 그장치
KR100901960B1 (ko) * 2008-03-21 2009-06-10 엔에이치엔비즈니스플랫폼 주식회사 신규 광고 가능 유알엘 제공 방법 및 시스템
US7886047B1 (en) * 2008-07-08 2011-02-08 Sprint Communications Company L.P. Audience measurement of wireless web subscribers
JP2010123000A (ja) * 2008-11-20 2010-06-03 Nippon Telegr & Teleph Corp <Ntt> Ｗｅｂページグループ抽出方法及び装置及びプログラム
JP2016091166A (ja) * 2014-10-31 2016-05-23 カシオ計算機株式会社 機械学習装置、機械学習方法、分類装置、分類方法、プログラム

Also Published As

Publication number Publication date
US20210334321A1 (en) 2021-10-28
EP3836069A4 (en) 2021-10-20
KR20200071477A (ko) 2020-06-19
EP3836069A1 (en) 2021-06-16
US11531722B2 (en) 2022-12-20

Similar Documents

Publication Publication Date Title
WO2019027259A1 (en) APPARATUS AND METHOD FOR PROVIDING SUMMARY INFORMATION USING ARTIFICIAL INTELLIGENCE MODEL
WO2019245316A1 (en) System and method for generating aspect-enhanced explainable description-based recommendations
WO2019203488A1 (en) Electronic device and method for controlling the electronic device thereof
WO2019098573A1 (en) Electronic device and method for changing chatbot
WO2020080834A1 (en) Electronic device and method for controlling the electronic device
EP3602334A1 (en) Apparatus and method for providing summarized information using an artificial intelligence model
WO2020091350A1 (en) Electronic device and control method thereof
WO2019039915A1 (en) METHOD FOR ACTIVATION OF VOICE RECOGNITION SERVICE AND ELECTRONIC DEVICE IMPLEMENTING THE SAME
WO2019083275A1 (ko) 관련 이미지를 검색하기 위한 전자 장치 및 이의 제어 방법
WO2020067633A1 (en) Electronic device and method of obtaining emotion information
WO2018182351A1 (en) Method for providing information and electronic device supporting the same
WO2019194451A1 (ko) 인공지능을 이용한 음성 대화 분석 방법 및 장치
WO2018101694A1 (en) Electronic apparatus and method for summarizing content
WO2018084581A1 (en) Method and apparatus for filtering a plurality of messages
WO2019177344A1 (en) Electronic apparatus and controlling method thereof
EP3254209A1 (en) Method and device for searching for image
WO2019112342A1 (en) Voice recognition apparatus and operation method thereof cross-reference to related application
WO2019231130A1 (ko) 전자 장치 및 그의 제어방법
EP3523710A1 (en) Apparatus and method for providing sentence based on user input
WO2020071697A1 (ko) 전자 장치 및 이의 제어 방법
EP3820369A1 (en) Electronic device and method of obtaining emotion information
WO2019164144A1 (ko) 전자 장치 및 이의 자연어 생성 방법
WO2019074257A1 (ko) 사용자 발화를 처리하는 전자 장치 및 서버
WO2021085812A1 (ko) 전자장치 및 그 제어방법
EP3698258A1 (en) Electronic apparatus and controlling method thereof

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: 19895840

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019895840

Country of ref document: EP

Effective date: 20210310

NENP Non-entry into the national phase

Ref country code: DE