WO2020251282A2 - 선호도 평가 방법 및 시스템 - Google Patents
선호도 평가 방법 및 시스템 Download PDFInfo
- Publication number
- WO2020251282A2 WO2020251282A2 PCT/KR2020/007595 KR2020007595W WO2020251282A2 WO 2020251282 A2 WO2020251282 A2 WO 2020251282A2 KR 2020007595 W KR2020007595 W KR 2020007595W WO 2020251282 A2 WO2020251282 A2 WO 2020251282A2
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- preference
- api
- evaluation result
- text data
- Prior art date
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 100
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 15
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Definitions
- the present invention relates to a preference evaluation method and system capable of evaluating and tracking the preference and influence of a specific object such as a brand, product, or person in time and region.
- Amazon Quick Sight and Google Analytics methods can build evaluation data over a rather wide specific time and region range, but are subject to limitations such as being unable to provide data from competitors other than specific products or brands.
- the scanner panel data construction method was applicable only in limited sample categories, limited stores, and limited areas, and the survey method was conducted based on household surveys or was subject to restrictions such as limited electoral groups and age groups. There were various problems, such as not being able to evaluate at the level.
- the present invention is to solve the above problems, and by allowing the preference and influence of a specific object such as a brand, product, or person to be evaluated and tracked in time and region, various limitations and limitations can be overcome.
- the purpose of this is to provide a method and system for evaluating preferences.
- a preference that detects data on various posts through various SNS Social Network Services/Sites
- adds weights to temporal and regional analysis characteristics to evaluate the preference and influence of the object is to provide an evaluation method and system.
- the purpose of this is to provide a preference evaluation method and system that enables users to clearly and easily recognize more accurate result data by examining the effectiveness of the preference and influence evaluation results and displaying them as a result map.
- the preference evaluation method for achieving the above-described object includes SNS (Social Network Services/Sites) uploaded through a communication terminal device and big data built in the database server of the Internet site in the evaluation server. Generating preference evaluation result data and evaluation result map by detecting and analyzing; And supporting the user to download the preference evaluation result data and the evaluation result map of the evaluation server through the Internet network, and check it with a monitor of the user terminal device.
- SNS Social Network Services/Sites
- the step of generating the preference evaluation result data and the evaluation result map searches SNS and big data through the Internet network, and detects posting data for a preset object (object for at least one of a brand, product, or person).
- extracting API data Application Programming Interface Data
- text data of the detected posting data
- extracting location-related information by analyzing the extracted API data and text data
- extracting location-related information Separating API data and text data by region
- Step analyzing the API data and text data divided by region and time, and applying a weight to each of the API data and text data, and using the API data and text data to which the weight is applied, for a preset object It includes evaluating preferences and influence.
- the preference evaluation method and system having various technical characteristics as described above evaluates and tracks preferences and influences for specific objects such as brands, products, or people in time and region, thereby providing various restrictions. It has the effect of overcoming the limit and improving the accuracy and reliability of the evaluation.
- FIG. 1 is a configuration diagram showing a preference evaluation system according to an embodiment of the present invention.
- FIG. 2 is a block diagram showing the preference evaluation server shown in FIG. 1 in detail.
- 3 is a diagram showing a result of a preference evaluation by a preference evaluation server by modeling it in a 3D graph.
- FIG. 4 is a graph showing a map of a preference evaluation result of a preference evaluation server.
- FIG. 5 is a diagram showing a map of a preference evaluation result of a preference evaluation server divided by time zone.
- FIG. 1 is a configuration diagram showing a preference evaluation system according to an embodiment of the present invention.
- the preference evaluation system shown in FIG. 1 includes a communication terminal device 100 used by consumers, an evaluation server 200 for generating preference evaluation result data and an evaluation result map, and a user terminal device 300 for checking the preference evaluation result. Include.
- the communication terminal device 100 may be composed of a personal computer, a notebook computer, a smart phone, and a tablet mobile communication device used by consumers. Accordingly, preference survey subjects, for example, consumers use the communication terminal device 100 to selectively access various SNS (Social Network Services/Sites) such as Twitter, Facebook, Instagram, and blog, and You can upload a variety of posts, such as posts, photos, and videos.
- SNS Social Network Services/Sites
- the evaluation server 200 includes posting data included in various posts of SNS uploaded by consumers using the communication terminal device 100, as well as big data built in a database server operating an Internet portal site through an Internet network. To detect. In addition, it analyzes various posted data, application programming interface data (API data) and text data of big data to generate preference evaluation result data. And it is possible to generate an evaluation result map according to the preference evaluation result data.
- API data application programming interface data
- the reason for generating preference evaluation result data by analyzing the posting data included in various posts on SNS and the big data built in the database server operating the Internet portal site is because the frequency of use by consumers is high.
- posted data and databases created through SNS and Internet portal sites are built as a social network so that they can be easily accessed and shared.
- SNS is easy to detect temporal and regional characteristics because interactive posting data is widely formed, and consumers can be classified through accounts.
- the evaluation server 200 of the present invention analyzes the posting data of SNS and Internet portal sites uploaded by consumers using the communication terminal device 100, and API data and text data of big data. Generates preference evaluation result data.
- the generated preference evaluation result data may be shared with the user terminal device 300 or the communication terminal device 100 through an application program (or Internet site).
- the user terminal device 300 supports a specific administrator or user to access an application program (or Internet site) operated by the evaluation server 200 through an Internet network, personal computers, laptops, smartphones, and tablets. A mobile communication device or the like may be used.
- the user terminal device 300 supports a user or an administrator to access an application program operated by the evaluation server 200 to download the preference evaluation result data and the evaluation result map, and check it with a monitor.
- FIG. 2 is a block diagram showing the preference evaluation server shown in FIG. 1 in detail.
- the evaluation server 200 shown in FIG. 2 includes a data detection unit 201, a text analysis unit 202, a location information analysis unit 203, a local information analysis unit 204, a time information analysis unit 205, and a weight setting.
- a unit 206, a preference evaluation unit 207, a result map generation unit 208, and a validity check unit 209 are included.
- the data detection unit 201 searches for posts of various SNS such as Twitter, Facebook, Instagram, and blogs through the Internet network, and big data built in a database server operating an Internet portal site, and Posting data on a set object (eg, a specific object such as a brand, product, or person) is detected in real time.
- SNS such as Twitter, Facebook, Instagram, and blogs
- big data built in a database server operating an Internet portal site
- Posting data on a set object eg, a specific object such as a brand, product, or person
- the data detection unit 201 When detecting posted data, the data detection unit 201 matches and searches terms (name, trade name, brand name, hash tag, etc.) for a predetermined object, ie, brand, product, or person. In addition, the data detection unit 201 refers to the user profile and location information of the consumers, and provides access information to the location data and access information to the social connection data including the number of subscribers, followers, and friends associated with the corresponding consumers in real time. Search and detect with terms (name, trade name, brand name, hash tag, etc.) for a predetermined object, ie, brand, product, or person.
- the data detection unit 201 refers to the user profile and location information of the consumers, and provides access information to the location data and access information to the social connection data including the number of subscribers, followers, and friends associated with the corresponding consumers in real time. Search and detect with
- the text analysis unit 202 sequentially extracts application programming interface data (API data) and text data from the posted data and access information detected by the data detection unit 201 in real time.
- API data application programming interface data
- the text analysis unit 202 classifies text related to time information, text related to region and location information, text related to social relations, text related to a term indicating a corresponding object according to a preset hash tag and a database list, etc. , API data and text data for the object can be stored by sorting by preset and separated text list (text related to time and location).
- the location information analysis unit 203 extracts region and location-related information by analyzing API data and text data classified for each text list.
- the location information analysis unit 203 uses terms referring to regions or locations, location reference terms, location data (latitude and longitude), place names included in profile information, and corresponding consumers and followers. By combining the profile information of other consumers related to each other and the term related to the place name included in the post, information related to the region and location is extracted. Regions (or geographical names) and related information related to the consumer can be sorted and stored according to their frequency.
- the location information analysis unit 203 uses a geocoding algorithm and a library program of Python (Unicode characters and geocoding libraries supported by GeoPy) and uses a library program to calculate coordinate information based on location information and place names indicated in the user profile. It is possible to detect the location data to be included. Further, based on the detected coordinate information, region (or place name) and location-related information may be extracted, and region and location-related information may be sorted and stored according to the extracted frequency.
- Python Unicode characters and geocoding libraries supported by GeoPy
- the location information analysis unit 203 may extract area and location information related to a corresponding object using an inference program according to Backstrom, Sun, and Marlow (2010).
- the approach suggested as an inference program according to Backstrom, Sun, and Marlow (2010) is a method of assigning the location with the greatest number of friends, that is, the location with the greatest influence, to an object, even if the account for the object is not disclosed. Area and location information related to the object can be determined.
- the regional information analysis unit 204 includes API data and text extracted from the text analysis unit 202 according to a list according to the region (or place name) and location information for each object classified and arranged by the location information analysis unit 203. Separate and store data. Accordingly, API data and text data classified for each object may be classified according to a list of area, place name, and location information for each searched object.
- the time information analysis unit 205 analyzes each API data and text data extracted from the text analysis unit 202 to extract date and time related information.
- the API data and text data extracted by the text analysis unit 202 are classified by time zone, rearranged, and stored according to the extracted date and time related information.
- the weight setting unit 206 tracks and analyzes API data and text data classified according to a list according to region (or place name) and location information, and API data and text data rearranged by date and time, respectively, and Weight is added to data and text data.
- the weight setting unit 206 is the number of friends, the number of followers, the number of recommendations, and empathy with the author of each post linked to the API data and text data divided into a list according to region (or place name) and location information. Analyze numbers, etc.
- weights are added to the API data and text data to correspond to the number of friends, followers, recommendations, and empathy associated with the author of each analyzed post.
- the added weight may be considered when evaluating the influence of each object and post author linked to the corresponding API data and text data.
- the weight setting unit 206 analyzes the number of friends, the number of followers, the number of recommendations, the number of sympathies, etc. associated with the author of each post linked to the API data and text data rearranged by date and time.
- weights are added to API data and text data for each time period to correspond to the number of friends, followers, recommendations, and empathy associated with the author of each analyzed post.
- the weight added at this time may be considered when evaluating the influence of each object and post author linked to the corresponding API data and text data.
- the preference evaluation unit 207 evaluates the preference and influence of each object and post author linked to the API data and text data using the API data and text data to which the weight is applied.
- a method of evaluating the preference and influence of the preference evaluation unit 207 will be described in more detail as follows.
- 3 is a diagram showing a result of a preference evaluation by a preference evaluation server by modeling it in a 3D graph.
- the preference evaluation unit 207 models the weight size and weight distribution degree of API data and text data divided into lists according to area (or place name) and location information on Gaussian space coordinates. By modeling on Gaussian spatial coordinates, regional influence can be judged and evaluated according to the height and curve shape of each location.
- the Gaussian distribution allocates the maximum influence from the center of the source location of the location information. Accordingly, the degree of dispersion of the Gaussian curve based on the center represents the weight distribution for the author of the post or the objects. Since the Gaussian curve decreases logarithmically as the distance from the center increases, the temporal geographic influence may decrease exponentially as the distance from the center of the source increases.
- Geographical influence should additionally take into account changes over time.
- the preference evaluation unit 207 may monitor temporal changes in the results of regional influence evaluations of API data and text data using Equation 1 below.
- the geographic influence of the author of the article or the object (i) at time (t) is averaged 0 and variance Is a multivariate Gaussian distribution with and followers ti is the follower of the author of the article or the object i at time (t). It is at least one of friends, referrals, and empathy. Also, k is a constant.
- Equation 2 When there is no number of followers, friends, or recommendations of a particular post author or post author for a particular object, the local influence is to be. Thus, likewise, when a specific post author uploads a post (r) at a time (t), the number of followers (i), friends, or recommendations may vary. Then, the following Equation 2 may be established.
- followers rt can be the number of followers or friends of the post (r) at time (t),
- the preference evaluation unit 207 substitutes the weight size and weight distribution degree of the API data and text data divided into lists according to region (or place name) and location information to Equation 3 below, and Calculate the preference (w r ) for.
- the preference of the post (r) may be evaluated as the preference (w r ) for the author or object associated with the post (r).
- x) is the sentiment score for the post author or object
- g r is the weight of the post (r).
- the preference evaluation unit 207 can extract the regional preference (w r ) evaluation result by arranging the result of calculating the preference (w r ) on the spatial coordinates defined by the longitude and latitude using Equation 4 below. have.
- g i is point information of a space defined by latitude and longitude
- i r represents a point of a post (r).
- the result map generation unit 208 generates a preference evaluation result map by arranging the API data and text data to which the weight is applied by region and time period.
- the preference evaluation result map can be analyzed and generated by performing a preset 5-step process.
- FIG. 4 is a graph showing a map of a preference evaluation result of a preference evaluation server.
- the result map generator 208 allocates coordinate information of a map for arranging point information g i of a map defined by latitude and longitude. Then, the preference (w r ) for the author or object according to Equation 3 is read, and the experience density (eg, kernel density) for the corresponding preference or weight is calculated.
- the experience density can be calculated using Equation 5 below, and at this time, the edge correction (e(P i ))) and the optimal bandwidth (h) can be set.
- K is a Gaussian kernel.
- the result map generator 208 matches and aggregates the preference (w i ) for the author or object and the experience density (kernel density) of the weight with the allocated coordinate information.
- FIG. 5 is a diagram showing a map of a preference evaluation result of a preference evaluation server divided by time zone.
- the preference extraction result information is displayed for a specific region (for example, an area divided by states in the United States), the preference for each region can be checked for a corresponding time or season.
- the validity checker 209 divides the consumption amount or the sales amount for the preset object by region and time period, and compares it with the preference evaluation result for the object to verify the validity of the preference evaluation result.
- the validation result may be shared with the user terminal device 300 or the communication terminal device 100 through an application program (or Internet site).
- the preference evaluation system and method having various technical characteristics as described above, by temporally and regionally evaluating and tracking the preference and influence of a specific object such as a brand, product, or person, various constraints. It is possible to overcome the limitations and improve the accuracy and reliability of the evaluation.
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
Abstract
선호도 평가 방법 및 시스템에 대해 개시한다. 본 발명의 실시예에 따른 선호도 평가 방법 및 시스템은 통신 단말기기를 통해 업로드된 SNS(Social Network Services/Sites)와 인터넷 사이트의 데이터 베이스 서버에 구축된 빅데이터를 평가 서버에서 검출하고 분석함으로써, 선호도 평가 결과 데이터 및 평가 결과 맵을 생성하는 단계; 및 사용자가 인터넷 네트워크를 통해 평가 서버의 선호도 평가 결과 데이터 및 평가 결과 맵을 내려받고, 사용자 단말기기의 모니터로 확인할 수 있도록 지원하는 단계를 포함하는바, 브랜드, 상품, 또는 사람 등의 특정 객체에 대한 선호도와 영향력을 시간적, 지역적으로 평가하고 추적할 수 있도록 함으로써, 다양한 제약들과 한계를 극복할 수 있도록 한 선호도 평가 방법 및 시스템을 제공할 수 있다.
Description
본 발명은 브랜드, 상품, 또는 사람 등의 특정 객체에 대한 선호도와 영향력을 시간적, 지역적으로 평가하고 추적할 수 있도록 한 선호도 평가 방법 및 시스템에 관한 것이다.
일반적으로, 인구 통계, 소득, 경쟁력 및 브랜드 투자 정도는 지역적으로 다르기 때문에 브랜드, 상품, 또는 사람 등의 특정 객체들은 지역적 특성을 감안해서 시장 점유율을 높이기 위한 경쟁을 하게 된다.
소비자들은 지역적인 특성에 따라서 특정 브랜드나 상품들에 대해 서로 다른 연상을 가질 수 있다. 따라서, 각각의 상품이나 브랜드들은 지역별로 서로 강하거나 약한 영향력의 시장을 확보하고 있다. 이에, 특정 브랜드나 상품들은 그 지역별로 선호도와 영향력을 평가해서 적절한 마케팅을 수행해야 한다.
사람도 마찬가지로, 정치인들의 경우는 지역별로 그 선호도와 영향력이 다르게 평가되기 때문에, 투표 선거구나 지역적인 특성을 기반으로 선호도와 영향력을 평가해서 적절한 마케팅이 이루어지도록 해야 한다.
하지만, 종래의 선호도 및 영향력 평가 방법으로는 설문 조사, 스캐너 패널 데이터 구축 방법, Amazon Quick Sight, Google Analytics 등이 이용되고 있었으나, 사실상 종래의 선호도 및 영향력 평가 방법들은 시간적으로나 지역적으로 많은 제한과 제약이 따를 수 밖에 없는 문제가 있었다.
구체적으로, Amazon Quick Sight 및 Google Analytics 방법은 다소 넓게 특정된 시간 및 지역 범위로 평가 데이터를 구축할 수는 있지만, 특정 상품이나 브랜드 외에 다른 경쟁사의 데이터를 제공할 수는 없는 등의 제약이 따른다.
또한, 스캐너 패널 데이터 구축 방법은 제한된 샘플 카테고리, 제한된 매장 및 제한된 지역에서만 적용할 수 있었으며, 설문조사 방식은 가구 조사를 기반으로 수행되거나 선거인단과 연령대가 한정되는 등의 제약이 따르기 때문에 오차율이 높고 미세 수준으로 평가할 수 없는 등의 다양한 문제점들이 있었다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 브랜드, 상품, 또는 사람 등의 특정 객체에 대한 선호도와 영향력을 시간적, 지역적으로 평가하고 추적할 수 있도록 함으로써, 다양한 제약들과 한계를 극복할 수 있도록 한 선호도 평가 방법 및 시스템을 제공하는데 그 목적이 있다.
특히, 트위터 등의 다양한 SNS(Social Network Services/Sites)를 통해 다양한 게시물에 대한 데이터들을 검출하고, 시간 및 지역적인 분석 특성들에 가중치를 부가해서 해당 객체에 대한 선호도와 영향력을 평가할 수 있도록 한 선호도 평가 방법 및 시스템을 제공하는데 그 목적이 있다.
아울러, 선호도와 영향력 평가 결과에 대한 유효성을 검토해서 결과 맵으로 표시함으로써, 더욱 정확한 결과 데이터를 사용자가 명확하고 용이하게 인지할 수 있도록 한 선호도 평가 방법 및 시스템을 제공하는데 그 목적이 있다.
전술한 본 발명의 목적은 상기에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
전술한 바와 같은 목적을 달성하기 위한 본 발명의 실시예에 따른 선호도 평가 방법은 통신 단말기기를 통해 업로드된 SNS(Social Network Services/Sites)와 인터넷 사이트의 데이터 베이스 서버에 구축된 빅데이터를 평가 서버에서 검출하고 분석함으로써, 선호도 평가 결과 데이터 및 평가 결과 맵을 생성하는 단계; 및 사용자가 인터넷 네트워크를 통해 평가 서버의 선호도 평가 결과 데이터 및 평가 결과 맵을 내려받고, 사용자 단말기기의 모니터로 확인할 수 있도록 지원하는 단계를 포함한다.
또한, 선호도 평가 결과 데이터 및 평가 결과 맵을 생성하는 단계는 인터넷 네트워크를 통해 SNS 및 빅데이터를 검색하고, 미리 설정된 객체(브랜드, 상품, 또는 사람 중 적어도 하나에 대한 객체)에 대한 게시 데이터를 검출하는 단계, 검출된 게시 데이터의 API 데이터(Application Programming Interface Data) 및 텍스트 데이터를 추출하는 단계, 추출된 API 데이터 및 텍스트 데이터를 분석해서 위치 관련 정보들을 추출하는 단계, 위치 관련 정보들에 따라 추출된 API 데이터 및 텍스트 데이터를 지역별로 구분하는 단계, 추출된 API 데이터 및 텍스트 데이터를 분석해서 날짜 및 시간 관련 정보들을 추출하고 날짜 및 시간 관련 정보들에 따라 추출된 API 데이터 및 텍스트 데이터를 시간대별로 구분하는 단계, 상기 지역별, 및 시간대별로 구분된 API 데이터 및 텍스트 데이터를 분석해서 각각의 API 데이터 및 텍스트 데이터에 가중치를 인가하는 단계, 및 가중치가 인가된 API 데이터 및 텍스트 데이터를 이용해서 미리 설정된 객체에 대한 선호도 및 영향력을 평가하는 단계를 포함한다.
전술한 바와 같은 다양한 기술 특징을 갖는 본 발명의 실시예에 따른 선호도 평가 방법 및 시스템은 브랜드, 상품, 또는 사람 등의 특정 객체에 대한 선호도와 영향력을 시간적, 지역적으로 평가하고 추적함으로써, 다양한 제약들과 한계를 극복하고 그 평가 정확도와 신뢰도를 향상시킬 수 있는 효과가 있다.
특히, 트위터 등의 다양한 SNS(Social Network Services/Sites)를 통해 다양한 게시 데이터들을 검출하고, 시간 및 지역적인 분석 특성들에 가중치를 부가해서 해당 객체에 대한 선호도와 영향력을 평가할 수 있다. 이에, 최근에 업로드 및 업데이트된 빠른 데이터들을 시간 및 지역적으로 타겟팅해서 분석함으로써 더욱 정확한 분석 결과를 도출할 수 있는 효과를 이룰 수 있다.
아울러, 선호도와 영향력 평가 결과에 대한 유효성을 검토해서 결과 맵으로 표시함으로써, 결과 맵으로 도출되는 정확한 결과 데이터를 사용자가 명확하고 용이하게 인지하도록 지원하는바, 사용자의 신뢰도와 만족도를 더욱 향상시킬 수 있다.
도 1은 본 발명의 실시예에 따른 선호도 평가 시스템을 나타낸 구성도이다.
도 2는 도 1에 도시된 선호도 평가 서버를 구체적으로 나타낸 구성도이다.
도 3은 선호도 평가 서버의 선호도 평가 결과를 3차원 그래프로 모델링해서 나타낸 도면이다.
도 4는 선호도 평가 서버의 선호도 평가 결과 맵을 그래프로 나타낸 도면이다.
도 5는 선호도 평가 서버의 선호도 평가 결과 맵을 시간대 별로 구분해서 나타낸 도면이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 선호도 평가 시스템을 나타낸 구성도이다.
도 1에 도시된 선호도 평가 시스템은 소비자들이 이용하는 통신 단말기기(100), 선호도 평가 결과 데이터 및 평가 결과 맵을 생성하는 평가 서버(200), 및 선호도 평가 결과를 확인하는 사용자 단말기기(300)를 포함한다.
구체적으로, 통신 단말기기(100)는 소비자들이 이용하는 퍼스널 컴퓨터, 노트북, 스마트폰, 및 태블릿 이동 통신기기 등으로 구성될 수 있다. 이에, 선호도 조사 대상자들, 예를 들어 소비자들은 통신 단말기기(100)를 이용해서 트위터, 페이스북, 인스타그램, 블로그 등의 다양한 SNS(Social Network Services/Sites)에 선택적으로 접속하고, 해당 SNS에 게시글, 사진, 동영상 등의 다양한 게시물들을 업로드할 수 있다.
평가 서버(200)는 소비자들이 통신 단말기기(100)를 이용해서 업로드한 SNS의 다양한 게시물에 포함된 게시 데이터들을 비롯해서, 인터넷 포털 사이트를 운용하는 데이터 베이스 서버 등에 구축된 빅데이터를 인터넷 네트워크를 통해 검출한다. 그리고 다양한 게시 데이터들과 빅데이터의 API 데이터(Application Programming Interface Data) 및 텍스트 데이터를 분석해서 선호도 평가 결과 데이터를 생성한다. 그리고 선호도 평가 결과 데이터에 따른 평가 결과 맵을 생성할 수 있다.
SNS의 다양한 게시물에 포함된 게시 데이터들을 비롯해서, 인터넷 포털 사이트를 운용하는 데이터 베이스 서버 등에 구축된 빅데이터를 분석해서 선호도 평가 결과 데이터를 생성하는 이유는 소비자들의 이용 빈도가 높기 때문이다. 그리고 SNS와 인터넷 포털 사이트를 통해 생성된 게시 데이터들과 데이터 베이스는 사회적 연결망으로 구축되어 용이하게 액세스하고 공유할 수 있다. 또한, SNS는 대화형 게시 데이터들이 폭넓게 형성되기 때문에 시간과 지역적인 특성 검출이 용이하고, 계정을 통해 소비자들을 구분할 수 있다. 이러한 장점들을 활용하기 위해, 본 발명의 평가 서버(200)는 소비자들이 통신 단말기기(100)를 이용해서 업로드한 SNS와 인터넷 포털 사이트의 게시 데이터들과 빅데이터의 API 데이터 및 텍스트 데이터를 분석해서 선호도 평가 결과 데이터를 생성한다. 생성된 선호도 평가 결과 데이터는 응용 프로그램(또는, 인터넷 사이트)을 통해 사용자 단말기기(300) 또는 통신 단말기기(100) 등과 공유할 수 있다.
사용자 단말기기(300)는 특정 관리자나 사용자가 인터넷 네트워크를 통해 평가 서버(200)에서 운용하는 응용 프로그램(또는, 인터넷 사이트)에 접속할 수 있도록 지원하는바, 퍼스널 컴퓨터, 노트북, 스마트폰, 및 태블릿 이동 통신기기 등이 이용될 수 있다. 이러한, 사용자 단말기기(300)는 사용자나 관리자가 평가 서버(200)에서 운용하는 응용 프로그램에 접속해서 선호도 평가 결과 데이터 및 평가 결과 맵을 내려받고 모니터로 확인할 수 있도록 지원한다.
도 2는 도 1에 도시된 선호도 평가 서버를 구체적으로 나타낸 구성도이다.
도 2에 도시된 평가 서버(200)는 데이터 검출부(201), 텍스트 분석부(202), 위치 정보 분석부(203), 지역정보 분석부(204), 시간 정보 분석부(205), 가중치 설정부(206), 선호도 평가부(207), 결과 맵 생성부(208), 및 유효성 검사부(209)를 포함한다.
구체적으로, 데이터 검출부(201)는 인터넷 네트워크를 통해 트위터, 페이스북, 인스타그램, 블로그 등의 다양한 SNS의 게시물, 및 인터넷 포털 사이트를 운용하는 데이터 베이스 서버 등에 구축된 빅데이터를 검색해서, 미리 설정된 객체(예를 들어, 브랜드, 상품, 또는 사람 등의 특정 객체)에 대한 게시 데이터들을 실시간으로 검출한다.
게시 데이터 검출시, 데이터 검출부(201)는 미리 설정된 객체, 즉 브랜드, 상품, 또는 사람 등에 대한 용어(명칭, 상호, 브랜드명, 해시 태그 등)를 매칭시켜서 검색한다. 또한, 데이터 검출부(201)는 소비자들의 사용자 프로필 및 위치 정보를 참조하여 위치 데이터에 대한 액세스 정보, 및 해당 소비자들과 연계된 구독자나 팔로워 및 친구들의 수를 포함한 사회적 연결 데이터에 대한 액세스 정보를 실시간으로 검색 및 검출한다.
텍스트 분석부(202)는 데이터 검출부(201)에서 실시간으로 검출된 게시 데이터들과 액세스 정보들로부터 API 데이터(Application Programming Interface Data) 및 텍스트 데이터를 순차적으로 추출한다.
텍스트 분석부(202)는 미리 설정된 해시 태그와 데이터 베이스 목록 등에 따라 시간 정보에 관련된 텍스트, 지역 및 위치 정보에 관련된 텍스트, 인맥 관계와 연계된 텍스트, 해당 객체를 지칭하는 용어와 관련된 텍스트별로 구분하고, 해당 객체에 대한 API 데이터와 텍스트 데이터를 미리 설정 및 구분된 텍스트 목록(시간 및 위치 관련 텍스트)별로 정렬해서 저장할 수 있다.
위치 정보 분석부(203)는 각각의 텍스트 목록별로 구분된 API 데이터 및 텍스트 데이터를 분석해서 지역 및 위치 관련 정보들을 추출한다.
지역 및 위치 관련 정보 추출시, 위치 정보 분석부(203)는 지역이나 위치를 지칭하는 용어, 위치 참조 용어, 위치 데이터(위도 및 경도), 프로필 정보에 포함된 지명, 및 해당 소비자와 팔로워 등으로 서로 연계된 다른 소비자들의 프로필 정보와 게시글에 포함된 지명 관련 용어를 조합해서, 지역 및 위치 관련 정보들을 추출한다. 해당 소비자에 관계된 지역(또는 지명) 및 관련 정보는 그 빈도수에 따라 정렬 및 저장될 수 있다.
또한, 위치 정보 분석부(203)는 Python(GeoPy에서 지원하는 유니코드 문자와 지오 코딩 라이브러리)의 지오 코딩 알고리즘과 라이브러리 프로그램을 이용해서 사용자 프로필에 적시된 위치 정보와 지명 등을 기반으로 좌표 정보를 포함하는 위치 데이터를 검출할 수 있다. 그리고 검출된 좌표 정보를 기반으로 지역(또는, 지명) 및 위치 관련 정보들을 추출하고, 추출된 빈도수에 따라 지역 및 위치 관련 정보를 정렬하고 저장할 수 있다.
또한, 위치 정보 분석부(203)는 Backstrom, Sun, and Marlow(2010)에 따른 추론 프로그램을 이용해서 해당 객체와 관련된 지역 및 위치 정보들을 추출할 수도 있다. Backstrom, Sun, and Marlow(2010)에 따른 추론 프로그램으로 제시된 접근법은 가장 큰 친구 수를 갖는 위치, 즉 영향력이 가장 큰 위치를 객체에 할당해주는 방식으로, 해당 객체에 대한 계정이 공개되지 않은 경우에도 해당 객체에 관련한 지역 및 위치 정보를 확정할 수 있다.
지역정보 분석부(204)는 위치 정보 분석부(203)에서 분류 및 정렬된 각 객체별 지역(또는, 지명) 및 위치 정보에 따른 목록에 맞게 텍스트 분석부(202)에서 추출된 API 데이터 및 텍스트 데이터를 구분해서 저장한다. 이에, 검색된 각 객체별 지역, 지명 및 위치 정보의 목록에 맞게 각 객체별로 분류된 API 데이터 및 텍스트 데이터가 구분될 수 있다.
시간 정보 분석부(205)는 텍스트 분석부(202)에서 추출된 각각의 API 데이터 및 텍스트 데이터 등을 분석해서 날짜 및 시간 관련 정보들을 추출한다. 그리고, 추출된 날짜 및 시간 관련 정보들에 따라 텍스트 분석부(202)에서 추출된 API 데이터 및 텍스트 데이터를 시간대별로 구분하고 재정렬해서 저장한다.
가중치 설정부(206)는 지역(또는, 지명) 및 위치 정보에 따른 목록에 따라 구분된 API 데이터 및 텍스트 데이터와, 날짜 및 시간대별로 재정렬된 API 데이터 및 텍스트 데이터를 각각 추적 및 분석해서 각각의 API 데이터 및 텍스트 데이터에 가중치를 부가한다.
구체적으로, 가중치 설정부(206)는 지역(또는, 지명) 및 위치 정보에 따른 목록으로 구분된 API 데이터 및 텍스트 데이터와 연계된 각 게시물의 작성자와 연계된 친구 수, 팔로워 수, 추천 수, 공감 수 등을 분석한다. 그리고, 분석된 각 게시물의 작성자와 연계된 친구 수, 팔로워 수, 추천 수, 공감 수 등에 대응되도록 해당 API 데이터 및 텍스트 데이터에 가중치를 부가한다. 여기서, 부가된 가중치는 해당 API 데이터 및 텍스트 데이터와 연계된 각각의 객체 및 게시물 작성자에 대한 영향력 평가시 고려될 수 있다.
또한, 가중치 설정부(206)는 날짜 및 시간대별로 재정렬된 API 데이터 및 텍스트 데이터와 연계된 각 게시물의 작성자와 연계된 친구 수, 팔로워 수, 추천 수, 공감 수 등을 분석한다. 그리고, 분석된 각 게시물의 작성자와 연계된 친구 수, 팔로워 수, 추천 수, 공감 수 등에 대응되도록 해당 시간대별 API 데이터 및 텍스트 데이터에 가중치를 부가한다. 마찬가지로, 이때 부가된 가중치는 해당 API 데이터 및 텍스트 데이터와 연계된 각각의 객체 및 게시물 작성자에 대한 영향력 평가시 고려될 수 있다.
선호도 평가부(207)는 가중치가 인가된 API 데이터 및 텍스트 데이터를 이용해서 해당 API 데이터 및 텍스트 데이터와 연계된 각각의 객체 및 게시물 작성자에 대한 선호도 및 영향력을 평가한다. 이하, 선호도 평가부(207)의 선호도 및 영향력 평가 방법을 더욱 구체적으로 설명하면 다음과 같다.
도 3은 선호도 평가 서버의 선호도 평가 결과를 3차원 그래프로 모델링해서 나타낸 도면이다.
도 3을 참조하면, 선호도 평가부(207)는 지역(또는, 지명) 및 위치 정보에 따른 목록으로 구분된 API 데이터 및 텍스트 데이터의 가중치 크기와 가중치 분포 정도를 가우스 공간 좌표상에 모델링한다. 가우스 공간 좌표상에 모델링하면 그 위치별 높이 및 커브 형태에 따라 지역적인 영향력을 판단 및 평가할 수 있다.
일반적으로, 가우시안 분포는 위치 정보의 소스 위치 중심에서 최대 영향력을 할당한다. 이에, 중심을 기준으로 가우시안 곡선의 분산 정도는 해당 게시글의 작성자나 해당 객체들에 대한 가중치 분포를 나타낸다. 가우스 곡선은 중심에서 멀어 질수록 대수적으로 감소하므로, 소스의 중심으로부터의 거리가 증가함에 따라 시간적 지리적 영향은 기하 급수적으로 감소할 수 있다.
도 3(a)로 도시된 바와 같이, 평균보다 상대적으로 적은 팔로워. 친구, 추천 수, 공감 수 등을 가진 글 작성자나 해당 객체들은 지역적인 영향력이 적은 것으로 판단할 수 있다.
반면, 도 3(b)로 도시된 바와 같이, 평균보다 상대적으로 더 많은 팔로워. 친구, 추천 수, 공감 수 등을 가진 글 작성자나 해당 객체들은 지역적인 영향력이 더 큰 것으로 판단할 수 있다.
지리적인 영향력은 시간적인 변화를 추가로 고려해야 한다.
이에, 선호도 평가부(207)는 하기의 수학식 1을 이용해서 API 데이터 및 텍스트 데이터의 지역적인 영향력 평과 결과에 대한 시간적인 변화를 모니터할 수 있다.
[수학식 1]
여기서. 시간(t)에서의 글 작성자나 해당 객체(i)의 지리적 영향은 평균 0과 분산
을 갖는 다변항 가우스 분포이고 followers
ti 는 시간(t)에서 글 작성자나 해당 객체 i의 팔로워. 친구, 추천 수, 공감 수 중 적어도 하나의 수이다. 또한, k는 상수이다.
예를 들어. 한 명의 팔로워가 있는 글 작성자는 평균 0과 로그 1이 분산인 지역적 영향을 받는다.(Li et al. 2012; Lilien, Kotler, and Moorthy 1995) 따라서 계산 중에 데이터 손실을 피하기 위해 팔로워 수에 2를 더할 수 있다. 따라서, 해당 글 작성자의 지역적인 영향력은 팔로워 수에 의해 가중치가 부여된다. 팔로워나 친구들이 더 널리 퍼지기 때문에 저밀도 영역에서의 사용자의 지역적인 영향력은 더 클 것이다. 또한, 밀도가 낮은 지역에서 사용자는 친구가 적고 SNS 활동 수준이 낮을 것으로 예측 가능하다. 이에, 모집단 크기의 편향을 보정하기 위해 각 사용자의 지역적인 영향을 해당 모집단으로 정규화하고 지리적 영향(g
it)를 상기의 수학식 1을 이용해 계산할 수 있다.
특정 글 작성자나 특정 객체에 대한 글 작성자의 팔로워나 친구 또는 추천 수 등이 없을 때 지역적인 영향력은
이다. 이에, 마찬가지로 특정 글 작성자가 시간(t)에 게시물(r)을 업로드하면 팔로워(i)나 친구 또는 추천 수가 가변될 수 있다. 그러면 하기의 수학식 2가 성립될 수 있다.
[수학식 2]
여기서, followers
rt는 시간(t)에서 게시물(r)의 팔로워나 친구 등의 수가 될 수 있다,
한편, 선호도 평가부(207)는 지역(또는, 지명) 및 위치 정보에 따른 목록으로 구분된 API 데이터 및 텍스트 데이터의 가중치 크기와 가중치 분포 정도를 하기의 수학식 3에 대입시켜서 해당 작성자나 객체에 대한 선호도(w
r)를 계산한다. 게시물(r)의 선호도는 해당 게시물(r)과 연계된 작성자나 객체에 대한 선호도(w
r)로 평가될 수 있다.
[수학식 3]
여기서, f(r|x)는 게시물 작성자나 객체에 대한 정서 점수이며, g
r은 게시물(r)의 가중치이다.
한편, 선호도 평가부(207)는 하기의 수학식 4를 이용해서 경도와 위도로 정의된 공간 좌표상에 선호도(w
r) 산출 결과를 배치하여 지역적인 선호도(w
r) 평과 결과를 추출할 수 있다.
[수학식 4]
여기서, g
i는 위도와 경도로 정의된 공간의 포인트 정보이고, i
r은 게시물(r)의 포인트를 나타낸다.
결과 맵 생성부(208)는 가중치가 인가된 API 데이터 및 텍스트 데이터를 지역별, 및 시간대별로 배열해서 선호도 평가 결과 맵을 생성한다. 선호도 평가 결과 맵은 미리 설정된 5단계의 프로세스를 수행해서 분석 및 생성될 수 있다. 이하 도 4를 참조하여, 구체적으로 설명하면 다음과 같다.
도 4는 선호도 평가 서버의 선호도 평가 결과 맵을 그래프로 나타낸 도면이다.
도 4를 참조하면, 결과 맵 생성부(208)는 위도와 경도로 정의된 맵의 포인트 정보(g
i)를 배치하기 위한 맵의 좌표 정보를 할당한다. 그리고, 상기의 수학식 3에 따른 작성자나 객체에 대한 선호도(w
r)를 읽어들여서, 해당 선호도나 가중치에 대한 경험 밀도(예를 들어, 커널 밀도) 계산을 수행한다. 경험 밀도는 하기의 수학식 5를 이용해서 계산할 수 있으며, 이때 에지 보정(e(P
i)))과 최적 대역폭(h)을 설정할 수 있다.
[수학식 5]
여기서, K는 가우시안 커널이다.
이후, 결과 맵 생성부(208)는 작성자나 객체에 대한 선호도(w
i)와 가중치의 경험 밀도(커널 밀도)를 할당된 좌표 정보에 매칭시켜 집계한다.
도 5는 선호도 평가 서버의 선호도 평가 결과 맵을 시간대 별로 구분해서 나타낸 도면이다.
도 5에 도시된 바와 같이, 위치별로 평가된 객체나 특정 정치인 등에 대한 선호도와 영향력은 계절적 변화에 따라 변화하기 때문에, 계절적인 변화 즉 시간적인 변화에 따라 선호도를 추적할 수 있다.
특히, 특정 지역(예를 들어, 미국의 주별로 공간을 구분한 지역)별로 선호도 추출 결과 정보를 표시하면, 해당 시간이나 계절대별로 해당 지역별로 선호도를 확인할 수 있다.
한편, 유효성 검사부(209)는 미리 설정된 객체에 대한 소비량이나 판매량을 지역 및 시간대별로 구분하고, 객체에 대한 선호도 평가 결과와 비교해서 선호도 평가 결과에 대한 유효성을 검증한다. 그리고 유효성 검증 결과를 응용 프로그램(또는, 인터넷 사이트)을 통해 사용자 단말기기(300) 또는 통신 단말기기(100) 등과 공유할 수 있다.
전술한 바와 같은 다양한 기술 특징을 갖는 본 발명의 실시예에 따른 선호도 평가 시스템 및 방법은 브랜드, 상품, 또는 사람 등의 특정 객체에 대한 선호도와 영향력을 시간적, 지역적으로 평가하고 추적함으로써, 다양한 제약들과 한계를 극복하고 그 평가 정확도와 신뢰도를 향상시킬 수 있게 된다.
특히, 트위터 등의 다양한 SNS를 통해 다양한 게시 데이터들을 검출하고, 시간 및 지역적인 분석 특성들에 가중치를 부가해서 해당 객체에 대한 선호도와 영향력을 평가할 수 있다. 이에, 최근에 업로드 및 업데이트된 빠른 데이터들을 시간 및 지역적으로 타겟팅해서 분석함으로써 더욱 정확한 분석 결과를 도출할 수 있다.
아울러, 선호도와 영향력 평가 결과에 대한 유효성을 검토해서 결과 맵으로 표시함으로써, 결과 맵으로 도출되는 정확한 결과 데이터를 사용자가 명확하고 용이하게 인지하도록 지원하는바, 사용자의 신뢰도와 만족도를 더욱 향상시킬 수 있다.
전술된 실시예는 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해되어야 하며, 본 발명의 범위는 전술된 상세한 설명보다는 후술될 특허청구범위에 의해 나타내어질 것이다. 그리고 후술될 특허청구범위의 의미 및 범위는 물론, 그 등가 개념으로부터 도출되는 모든 변경 및 변형 가능한 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (10)
- 통신 단말기기를 통해 업로드된 SNS(Social Network Services/Sites)와 인터넷 사이트의 데이터 베이스 서버에 구축된 빅데이터를 평가 서버에서 검출하고 분석함으로써, 선호도 평가 결과 데이터 및 평가 결과 맵을 생성하는 단계; 및사용자가 상기 인터넷 네트워크를 통해 상기 평가 서버의 선호도 평가 결과 데이터 및 상기 평가 결과 맵을 내려받고, 사용자 단말기기의 모니터로 확인할 수 있도록 지원하는 단계를 포함하는,선호도 평가 방법.
- 제 1 항에 있어서,상기 선호도 평가 결과 데이터 및 평가 결과 맵을 생성하는 단계는데이터 검출부에서 상기 인터넷 네트워크를 통해 상기 SNS 및 빅데이터를 검색하고, 상기 미리 설정된 객체(브랜드, 상품, 또는 사람 중 적어도 하나에 대한 객체)에 대한 게시 데이터를 검출하는 단계;상기 검출된 게시 데이터의 API 데이터(Application Programming Interface Data) 및 텍스트 데이터를 추출하는 단계;상기 추출된 API 데이터 및 텍스트 데이터를 분석해서 상기 위치 관련 정보들을 추출하는 단계;상기 위치 관련 정보들에 따라 상기 추출된 API 데이터 및 텍스트 데이터를 지역별로 구분하는 단계;상기 추출된 API 데이터 및 텍스트 데이터를 분석해서 날짜 및 시간 관련 정보들을 추출하고 상기 날짜 및 시간 관련 정보들에 따라 상기 추출된 API 데이터 및 텍스트 데이터를 시간대별로 구분하는 단계;상기 지역별, 및 시간대별로 구분된 API 데이터 및 텍스트 데이터를 분석해서 각각의 API 데이터 및 텍스트 데이터에 가중치를 인가하는 단계; 및상기 가중치가 인가된 API 데이터 및 텍스트 데이터를 이용해서 상기 미리 설정된 객체에 대한 선호도 및 영향력을 평가하는 단계를 포함하는,선호도 평가 방법.
- 제 2 항에 있어서,상기 평가 결과 맵을 생성하는 단계는상기 가중치가 인가된 API 데이터 및 텍스트 데이터를 상기 지역별, 및 시간대별로 배열해서 선호도 평가 결과 맵을 생성하는 단계; 및상기 미리 설정된 객체에 대한 소비량이나 판매량을 지역 및 시간대별로 구분하고 상기 객체에 대한 선호도 평가 결과와 비교해서 상기 선호도 평가 결과에 대한 유효성을 검증하는 단계를 포함하는,선호도 평가 방법.
- 제 2 항에 있어서,상기 추출된 API 데이터 및 텍스트 데이터를 시간대별로 구분하는 단계는상기 각각의 API 데이터 및 텍스트 데이터를 시간대별로 분석해서 날짜 및 시간 관련 정보들을 추출하고, 상기 추출된 날짜 및 시간 관련 정보들에 따라 상기 API 데이터 및 텍스트 데이터를 시간대별로 구분하고 재정렬해서 저장하는선호도 평가 방법.
- 제 2 항에 있어서,상기 선호도 및 영향력을 평가하는 단계는상기 지역(또는, 지명) 및 위치 정보에 따른 목록으로 구분된 API 데이터 및 텍스트 데이터의 가중치 크기와 가중치 분포 정도를 가우스 공간 좌표상에 모델링하는 단계;상기 가우스 공간 좌표상에 모델링된 위치별 높이 및 커브 형태에 따라 지역적인 영향력을 판단 및 평가하는 단계; 및상기 API 데이터 및 텍스트 데이터의 지역적인 영향력 평과 결과에 대한 시간적인 변화를 모니터하는 단계를 포함하는,선호도 평가 방법.
- 통신 단말기기를 통해 업로드된 SNS(Social Network Services/Sites)와 인터넷 사이트의 데이터 베이스 서버에 구축된 빅데이터를 인터넷 네트워크를 통해 검출하고 분석해서 선호도 평가 결과 데이터 및 평가 결과 맵을 생성하는 평가 서버; 및사용자가 상기 인터넷 네트워크를 통해 상기 선호도 평가 결과 데이터 및 상기 평가 결과 맵을 내려받고 모니터로 확인할 수 있도록 지원하는 사용자 단말기기를 포함하는,선호도 평가 시스템.
- 제 6 항에 있어서,상기 평가 서버는상기 인터넷 네트워크를 통해 상기 SNS 및 빅데이터를 검색해서 미리 설정된 객체(브랜드, 상품, 또는 사람 중 적어도 하나에 대한 객체)에 대한 게시 데이터를 검출하는 데이터 검출부;상기 검출된 게시 데이터의 API 데이터(Application Programming Interface Data) 및 텍스트 데이터를 추출하는 텍스트 분석부;상기 추출된 API 데이터 및 텍스트 데이터를 분석해서 상기 위치 관련 정보들을 추출하는 위치 정보 분석부;상기 위치 관련 정보들에 따라 상기 추출된 API 데이터 및 텍스트 데이터를 지역별로 구분하는 지역정보 분석부;상기 추출된 API 데이터 및 텍스트 데이터를 분석해서 날짜 및 시간 관련 정보들을 추출하고 상기 날짜 및 시간 관련 정보들에 따라 상기 추출된 API 데이터 및 텍스트 데이터를 시간대별로 구분하는 시간 정보 분석부;상기 지역별, 및 시간대별로 구분된 API 데이터 및 텍스트 데이터를 분석해서 각각의 API 데이터 및 텍스트 데이터에 가중치를 인가하는 가중치 설정부; 및상기 가중치가 인가된 API 데이터 및 텍스트 데이터를 이용해서 상기 미리 설정된 객체에 대한 선호도 및 영향력을 평가하는 선호도 평가부를 포함하는,선호도 평가 시스템.
- 제 7 항에 있어서,상기 평가 서버는상기 가중치가 인가된 API 데이터 및 텍스트 데이터를 상기 지역별, 및 시간대별로 배열해서 선호도 평가 결과 맵을 생성하는 결과 맵 생성부; 및상기 미리 설정된 객체에 대한 소비량이나 판매량을 지역 및 시간대별로 구분하고 상기 객체에 대한 선호도 평가 결과와 비교해서 상기 선호도 평가 결과에 대한 유효성을 검증하는 유효성 검사부를 더 포함하는,선호도 평가 시스템.
- 제 7 항에 있어서,상기 위치 정보 분석부는 Python(GeoPy에서 지원하는 유니코드 문자와 지오 코딩 라이브러리)의 지오 코딩 알고리즘과 라이브러리 프로그램을 이용해서 사용자 프로필에 적시된 위치 정보와 지명 등을 기반으로 좌표 정보를 포함하는 위치 데이터를 검출하고, 상기 검출된 좌표 정보를 기반으로 지역(또는, 지명) 및 위치 관련 정보들을 추출하며, 추출된 빈도수에 따라 지역 및 위치 관련 정보를 정렬하고 저장하는,선호도 평가 시스템.
- 제 7 항에 있어서,상기 가중치 설정부는지역(또는, 지명) 및 위치 정보에 따른 목록으로 구분된 API 데이터 및 텍스트 데이터와 연계된 각 게시물의 작성자 및 게시물에 연계된 객체와 연계된 친구 수, 팔로워 수, 추천 수, 공감 수 중 적어도 하나의 수를 분석하고,날짜 및 시간대별로 재정렬된 API 데이터 및 텍스트 데이터와 연계된 각 게시물의 작성자 및 게시물에 연계된 객체와 연계된 친구 수, 팔로워 수, 추천 수, 공감 수 중 적어도 하나의 수를 분석하며,상기 분석된 각 게시물의 작성자 및 게시물에 연계된 객체와 연계된 친구 수, 팔로워 수, 추천 수, 공감 수 중 적어도 하나의 수에 대응되도록 해당 시간대별 API 데이터 및 텍스트 데이터에 가중치를 부가하는,선호도 평가 시스템.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20823422.9A EP3985591A4 (en) | 2019-06-11 | 2020-06-11 | PREFERENCE ASSESSMENT METHOD AND SYSTEM |
JP2021574186A JP2022536385A (ja) | 2019-06-11 | 2020-06-11 | 選好度の評価方法及びシステム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2019-0068979 | 2019-06-11 | ||
KR1020190068979A KR102285964B1 (ko) | 2019-06-11 | 2019-06-11 | 선호도 평가 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
WO2020251282A2 true WO2020251282A2 (ko) | 2020-12-17 |
WO2020251282A3 WO2020251282A3 (ko) | 2021-02-04 |
Family
ID=73745598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2020/007595 WO2020251282A2 (ko) | 2019-06-11 | 2020-06-11 | 선호도 평가 방법 및 시스템 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200394691A1 (ko) |
EP (1) | EP3985591A4 (ko) |
JP (1) | JP2022536385A (ko) |
KR (1) | KR102285964B1 (ko) |
WO (1) | WO2020251282A2 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537622B (zh) * | 2021-07-30 | 2022-04-29 | 烟台大学 | 基于动态信任感知的服务偏好预测方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4451354B2 (ja) * | 2005-06-30 | 2010-04-14 | 株式会社野村総合研究所 | 話題規模管理装置 |
US9646025B2 (en) * | 2008-05-27 | 2017-05-09 | Qualcomm Incorporated | Method and apparatus for aggregating and presenting data associated with geographic locations |
KR20130090612A (ko) * | 2012-02-06 | 2013-08-14 | 주식회사 와이즈커넥트 | 소셜 네트워크 서비스의 키워드 분석을 통한 위치기반 콘텐츠 제공 방법 및 시스템 |
JP6182478B2 (ja) * | 2014-02-28 | 2017-08-16 | 株式会社日立製作所 | 解析装置及び解析方法 |
US20150289093A1 (en) * | 2014-04-03 | 2015-10-08 | Ecom Enterprises, Inc. | Social Network For Users Sharing Geolocation-Based Information |
KR101664619B1 (ko) * | 2014-12-11 | 2016-10-12 | 고려대학교 산학협력단 | 음악 선호도 기반 지도 생성 방법 |
KR101635090B1 (ko) * | 2015-10-19 | 2016-06-30 | 김연태 | 빅데이터 기반의 옴니채널 마케팅 큐레이션 시스템 |
KR101870353B1 (ko) * | 2017-01-26 | 2018-06-22 | 강원오픈마켓 주식회사 | 이슈키워드 및 연관키워드를 활용한 능동적인 검색 광고 제안 시스템 |
KR101834480B1 (ko) * | 2017-06-30 | 2018-04-13 | 유정 | 사용자의 상품 평가를 이용한 상품 선호도 제공 시스템 |
-
2019
- 2019-06-11 KR KR1020190068979A patent/KR102285964B1/ko active IP Right Grant
-
2020
- 2020-06-11 EP EP20823422.9A patent/EP3985591A4/en not_active Withdrawn
- 2020-06-11 US US16/899,072 patent/US20200394691A1/en not_active Abandoned
- 2020-06-11 WO PCT/KR2020/007595 patent/WO2020251282A2/ko unknown
- 2020-06-11 JP JP2021574186A patent/JP2022536385A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2022536385A (ja) | 2022-08-15 |
WO2020251282A3 (ko) | 2021-02-04 |
EP3985591A4 (en) | 2022-08-03 |
US20200394691A1 (en) | 2020-12-17 |
KR102285964B1 (ko) | 2021-08-03 |
KR20200141875A (ko) | 2020-12-21 |
EP3985591A2 (en) | 2022-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11475143B2 (en) | Sensitive data classification | |
KR102260553B1 (ko) | 메타 데이터 기반의 관련 문제 추천 방법 | |
Zannettou et al. | On the origins of memes by means of fringe web communities | |
Goga et al. | Exploiting innocuous activity for correlating users across sites | |
Xiao et al. | Inferring social ties between users with human location history | |
US20210027085A1 (en) | Universal object recognition | |
CN109241125A (zh) | 用于挖掘和分析数据以标识洗钱者的反洗钱平台 | |
CN109145219A (zh) | 基于互联网文本挖掘的兴趣点有效性判断方法和装置 | |
US20170061308A1 (en) | Venue Link Detection for Social Media Messages | |
US20120086785A1 (en) | Apparatus for identifying protecting, requesting, assisting and managing information | |
Sen et al. | A total error framework for digital traces of humans | |
CN112231570B (zh) | 推荐系统托攻击检测方法、装置、设备及存储介质 | |
CN107515915A (zh) | 基于用户行为数据的用户标识关联方法 | |
CN111382278B (zh) | 一种基于时空轨迹的社交网络构建方法及构建系统 | |
WO2019240322A1 (ko) | 소셜 네트워크를 이용한 영향력 측정 방법 및 장치 | |
Zhao et al. | Annotating points of interest with geo-tagged tweets | |
KR20190136337A (ko) | 소셜미디어 컨텐츠 기반 감정 분석 방법, 시스템 및 컴퓨터-판독가능 매체 | |
Rotman et al. | Using location data from mobile phones to study participation in mass protests | |
KR20200062520A (ko) | 출처 분석 기반의 뉴스 신뢰성 평가 시스템 및 그 동작 방법 | |
WO2020251282A2 (ko) | 선호도 평가 방법 및 시스템 | |
Tan et al. | Preference-oriented mining techniques for location-based store search | |
KR101972660B1 (ko) | 팩트체크 시스템 및 방법 | |
US20220083910A1 (en) | Learning model applying system, a learning model applying method, and a program | |
CN116318974A (zh) | 站点风险识别方法、装置、计算机可读介质及电子设备 | |
JP7174782B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |
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: 20823422 Country of ref document: EP Kind code of ref document: A2 |
|
ENP | Entry into the national phase |
Ref document number: 2021574186 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2020823422 Country of ref document: EP Effective date: 20220111 |