WO2022098072A1 - 전자장치 및 그 제어방법 - Google Patents

전자장치 및 그 제어방법 Download PDF

Info

Publication number
WO2022098072A1
WO2022098072A1 PCT/KR2021/015753 KR2021015753W WO2022098072A1 WO 2022098072 A1 WO2022098072 A1 WO 2022098072A1 KR 2021015753 W KR2021015753 W KR 2021015753W WO 2022098072 A1 WO2022098072 A1 WO 2022098072A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
user
viewing
content
electronic device
Prior art date
Application number
PCT/KR2021/015753
Other languages
English (en)
French (fr)
Inventor
천현우
김원균
Original Assignee
삼성전자(주)
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 삼성전자(주) filed Critical 삼성전자(주)
Publication of WO2022098072A1 publication Critical patent/WO2022098072A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25883—Management of end-user data being end-user demographical data, e.g. age, family status or address
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV program
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/658—Transmission by the client directed to the server
    • H04N21/6582—Data stored in the client, e.g. viewing habits, hardware capabilities, credit card number
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Definitions

  • the present invention relates to an electronic device and a control method therefor, and more particularly, to an electronic device for inferring a user's preference based on analysis data related to a viewing history of a content, and a control method thereof.
  • An electronic device provided with a display such as a television (TV), receives various content provided from an external source, and displays an image based thereon on the display.
  • a display such as a television (TV)
  • receives various content provided from an external source and displays an image based thereon on the display.
  • the present invention provides an electronic device capable of providing an efficient target service by identifying user characteristics based on viewing data for content, and a method for controlling the same.
  • the present invention provides an electronic device capable of providing a more precise target service by viewing actual content among a plurality of users and specifying a user, and a method for controlling the same.
  • An electronic device obtains user data on viewing histories of a plurality of contents for each of a plurality of users, determines a viewing tendency of each of a plurality of users based on the viewing histories, and determines a plurality of users for a plurality of contents based on the viewing histories. Based on the first reference data on the relationship between the user characteristics and the viewing tendency of a plurality of users prepared based on the viewing histories of Based on the second reference data related to the relationship between the user characteristics and the content characteristics of the plurality of contents, identify a target user having a user characteristic corresponding to the specified content characteristic from among at least two or more users having the identified at least two or more user characteristics, and a processor for performing content-related operations with respect to a target user.
  • the user characteristic may correspond to any one of a plurality of groups classified according to at least one of the ages and genders of the plurality of users.
  • the designated content characteristic may be determined based on at least one of a genre or a time period of the content among the plurality of content.
  • the processor classifies and maps the viewing data for a plurality of contents collected from a plurality of external devices in response to the content characteristics, and indicates whether to view the content characteristics in each of the plurality of external devices from the classified and mapped viewing data data can be extracted.
  • the processor performs learning based on the first reference data to identify at least two or more user characteristics corresponding to the viewing tendency of the user data, and the first reference data includes viewing data classified and mapped in response to the content characteristics, and extraction It may include the specified feature data.
  • the processor may identify at least two or more user characteristics corresponding to the viewing tendency by comparing the characteristic data obtained from the external device and the user characteristics obtained from the learned model.
  • the trained model may include multiple layers.
  • the processor may obtain characteristic data indicating a viewing pattern of content for at least two or more users having at least two or more user characteristics from the classified and mapped viewing data.
  • the processor performs learning based on the second reference data to identify a target user having a user characteristic corresponding to the specified content characteristic, and the second reference data includes classified and mapped viewing data and extracted characteristic data.
  • a control method of an electronic device includes: acquiring user data related to viewing histories of a plurality of contents for each of a plurality of users; determining a viewing tendency of each of a plurality of users based on the viewing history; identifying at least two or more user characteristics corresponding to the viewing tendency based on first reference data on a relationship between the user characteristics and the viewing tendency of the plurality of users prepared based on the viewing histories of the plurality of users for the plurality of contents; A user corresponding to a specified content characteristic among at least two or more users having at least two or more user characteristics identified based on the second reference data on a relationship between user characteristics and content characteristics of a plurality of contents prepared based on the viewing histories of multiple users identifying a target user having the characteristic; and performing a content-related action on the identified target user.
  • the user characteristic may correspond to any one of a plurality of groups classified according to at least one of the ages and genders of the plurality of users.
  • the specified content characteristic may be determined based on at least one of a content genre or a time period among a plurality of contents.
  • the step of identifying the user characteristics by performing learning based on the first reference data, at least two or more user characteristics corresponding to the viewing tendency of the user data are identified, and the first reference data is classified and mapped in response to the content characteristics. It may include viewing data and extracted feature data.
  • At least two or more user characteristics corresponding to the viewing tendency may be identified by comparing the characteristic data obtained from the external device and the user characteristics obtained from the learned model.
  • the method may further include extracting characteristic data representing a viewing pattern of content for at least two or more users having at least two or more user characteristics from the classified and mapped viewing data.
  • step of identifying the user learning based on the second reference data is performed to identify a target user having a user characteristic corresponding to the specified content characteristic, and the second reference data is classified and mapped viewing data, and extracted features. It may contain data.
  • the method includes: a viewing history of a plurality of contents for each of a plurality of users obtaining user data about determining a viewing tendency of each of a plurality of users based on the viewing history; identifying at least two or more user characteristics corresponding to the viewing tendency based on first reference data on a relationship between the user characteristics and the viewing tendency of the plurality of users prepared based on the viewing histories of the plurality of users for the plurality of contents; A user corresponding to a specified content characteristic among at least two or more users having at least two or more user characteristics identified based on the second reference data on a relationship between user characteristics and content characteristics of a plurality of contents prepared based on the viewing histories of multiple users identifying a target user having the characteristic; and performing a content-related action on the identified target user.
  • a more precise target service can be provided by viewing an actual content among a plurality of users and specifying the user.
  • FIG. 1 illustrates an example of a system including an electronic device according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating the configuration of an electronic device according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a control operation of an electronic device according to an embodiment of the present invention.
  • FIG. 4 is a block diagram illustrating a configuration of a processor in an electronic device according to an embodiment of the present invention.
  • FIG. 5 is a detailed flowchart illustrating a control operation of an electronic device according to an embodiment of the present invention.
  • FIG. 6 is a diagram for explaining an operation of a data preprocessor in an electronic device according to an embodiment of the present invention.
  • FIG. 7 is a diagram for explaining an operation of a first feature extracting unit in an electronic device according to an embodiment of the present invention.
  • FIG. 8 is a diagram for explaining an operation of a first learning modeling unit in an electronic device according to an embodiment of the present invention.
  • FIG. 9 is a diagram for explaining an operation of a demographic reasoning unit in an electronic device according to an embodiment of the present invention.
  • FIG. 10 is a diagram for explaining an operation of a second feature extracting unit in an electronic device according to an embodiment of the present invention.
  • FIG. 11 is a diagram for explaining an operation of a second learning modeling unit in an electronic device according to an embodiment of the present invention.
  • FIG. 12 is a diagram for explaining an operation of a user inference unit in an electronic device according to an embodiment of the present invention.
  • a 'module' or 'unit' performs at least one function or operation, and may be implemented as hardware or software or a combination of hardware and software, and is integrated into at least one module. and can be implemented.
  • at least one of the plurality of elements refers to all of the plurality of elements as well as each one or a combination thereof excluding the rest of the plurality of elements.
  • FIG. 1 illustrates an example of a system including an electronic device according to an embodiment of the present invention.
  • the electronic device 10 is implemented as a server, for example, and is provided to enable communication with at least one external device 20 through a network.
  • the implementation form of the electronic device 10 is not limited to the server, and may be implemented in various types of devices.
  • a plurality of electronic devices 10 may be provided.
  • the plurality of electronic devices 10 may operate in association with each other, and may perform related operations by sharing.
  • the external device 20 may be implemented as a media device for content reproduction, for example, a display device 21 such as a television (TV), a set-top box that transmits a signal to an external display connected to a wired or wireless connection;
  • a display device 21 such as a television (TV), a set-top box that transmits a signal to an external display connected to a wired or wireless connection
  • the same image processing device 22, a terminal device including a smart pad such as a smart phone or a tablet, that is, the mobile devices 23 and 24 may be included.
  • the implementation form of the external device 20 is not limited to the above examples, and as another example, it can be applied to a personal computer (PC) or a computer monitor such as a desktop or a laptop. there is.
  • PC personal computer
  • the external device 20 may be implemented as a display device 21 including a display capable of displaying an image.
  • the external device 20 receives a signal provided from an external signal source, that is, a source, for example, data related to content, and processes the data of the received content according to a preset process to be displayed as an image on the display.
  • an external signal source that is, a source, for example, data related to content
  • the external device 20 implemented as the display device 21 is a television (TV) capable of processing a broadcast image based on at least one of a broadcast signal, broadcast information, or broadcast data received from a transmission device of a broadcast station.
  • TV television
  • the external device 20 may be provided with a tuner for tuning the broadcast signal for each channel.
  • the external device 20 is an additional device that can be directly or connected to the external device 20 by a cable, for example, a set-top box (STB), an OC box. It is possible to receive broadcast content based on at least one of a broadcast signal received from a transmission device of a broadcast station, broadcast information, or broadcast data through a one-connect box, a media box, or the like.
  • the connection method between the external device 20 and the additional device is not limited to a cable, and various wired/wireless interfaces may be applied.
  • the external device 20 may wirelessly receive, for example, a radio frequency (RF) signal transmitted from a broadcasting station, that is, broadcasting content, and for this purpose, the external device 20 has an antenna capable of receiving a broadcasting signal can be provided.
  • RF radio frequency
  • broadcast content can be received through a terrestrial wave, cable, satellite, or the like, and a signal source, ie, a source, is not limited to a broadcasting station. In other words, any device or station capable of transmitting and receiving data may be included in the source.
  • the standard of the signal received from the external device 20 may be configured in various ways in response to the implementation form of the device, and the external device 20 corresponds to the implementation form of the wired interface unit provided for communication with the outside, HDMI (High Definition Multimedia Interface), HDMI-CEC (Consumer Electronics Control), display port (DP), DVI, composite video, component video, super video, DVI (Digital Visual Interface) ), Thunderbolt, RGB cable, SCART (Syndicat des Constructeurs d'Appareils Radiorecepteurs et Televiseurs), and USB (universal serial bus) signals can be received as video content by wire.
  • HDMI High Definition Multimedia Interface
  • HDMI-CEC Consumer Electronics Control
  • display port DP
  • DVI composite video
  • component video component video
  • super video DVI (Digital Visual Interface)
  • Thunderbolt RGB cable
  • SCART Syndicat des Constructeurs d'Appareils Radiorecepteurs et Televiseurs
  • USB universal serial bus
  • the external device 20 may be implemented as a smart TV or IP TV (Internet Protocol TV).
  • a smart TV can receive and display broadcast signals in real time, and has a web browsing function, so that it is possible to search and consume various contents through the Internet at the same time as displaying real-time broadcast signals. am.
  • the smart TV since the smart TV includes an open software platform, it can provide interactive services to users. Accordingly, the smart TV may provide various contents, for example, the contents of an application providing a predetermined service, to the user through the open software platform.
  • These applications are applications that can provide various types of services, and include, for example, applications that provide services such as SNS, finance, news, weather, maps, music, movies, games, e-books, and advertisements. .
  • the external device 20 may provide, for example, a target service corresponding to user characteristics.
  • the type of the target service is not limited and includes, for example, a target advertisement.
  • a target service corresponding to a user characteristic of a user predicted to view actual content among a plurality of users may be provided.
  • a user and user characteristics may be identified by the electronic device 10 , and specific operations for identifying the user characteristics and the user will be described in detail in the following embodiments.
  • the external device 20 is a user interface (UI) for controlling video, still image, application, on-screen display (OSD), and various operations based on signals/data stored in internal/external storage media.
  • UI user interface
  • the signal can be processed to display the light on the screen.
  • the external device 20 may receive content from various sources including a server or terminal device capable of providing the content through wired or wireless network communication, and the type of communication is not limited.
  • the external device 20 may receive content from a plurality of sources, ie, devices.
  • the external device 20 corresponds to the implementation form of the wireless interface unit provided for communication with the outside, Wi-Fi, Wi-Fi Direct, Bluetooth (bluetooth), Bluetooth low energy (bluetooth low energy) ), Zigbee, Ultra-Wideband (UWB), Near Field Communication (NFC), and the like may be received as video content through wireless network communication. Also, the external device 20 may receive a content signal through wired network communication such as Ethernet.
  • the external device 20 may receive content from a content provider, ie, a content server, through a wired or wireless network.
  • a content provider ie, a content server
  • media files such as video on demand (VOD) or web content may be provided to the external device 20 in a real-time streaming method.
  • VOD video on demand
  • web content may be provided to the external device 20 in a real-time streaming method.
  • the external device 20 may receive video content or media content such as VOD from a web server or an OTT server capable of providing an over the top (OTT) service.
  • video content or media content such as VOD from a web server or an OTT server capable of providing an over the top (OTT) service.
  • OTT over the top
  • the external device 20 executes an application for content reproduction, for example, a VOD application, receives content from a server, etc. and processes the received content, so that an image corresponding to the content is output through the display, that is, can be displayed.
  • an application for content reproduction for example, a VOD application
  • the external device 20 may receive content from a server or another source using a user account corresponding to the executed application.
  • a user may view various contents using the external device 20 .
  • the external device 20 may provide information about the content viewing history to the electronic device 10 .
  • the type of viewing history information provided by the external device 20 is not limited, and for example, data on the viewing propensity for a plurality of contents viewed by the user through the external device 20 (hereinafter also referred to as user data). ) may be included.
  • a viewing history of a user's content may be accumulated and stored. Data regarding the viewing tendency of the user of the external device 20 for a plurality of contents may be obtained from the viewing history. That is, the viewing tendency of the user of the one or more external devices 20 may be determined by analyzing the viewing history of the plurality of contents by the user.
  • the electronic device 10 may receive user data regarding the viewing tendency for a plurality of contents from the external device 20 or may receive viewing history information from the external device 20 to determine the viewing tendency.
  • the electronic device 10 may store and manage the data on the viewing tendency of each of the plurality of external devices 20 by matching them with the identification information of each external device 20 .
  • the electronic device 10 may identify the user characteristics of the external device 20 based on the viewing history information obtained from the external device 20 , for example, user data related to the viewing propensity for a plurality of contents. .
  • the electronic device 10 may identify two or more user characteristics with respect to the external device 20 . .
  • the electronic device 10 may identify a user having a user characteristic corresponding to a specific content characteristic from among two or more users having the identified two or more user characteristics.
  • FIG. 2 is a block diagram illustrating the configuration of an electronic device according to an embodiment of the present invention.
  • the configuration of the electronic device 10 according to an embodiment of the present invention shown in FIG. 2 is only an example, and the electronic device according to another embodiment may be implemented in a configuration other than the configuration shown in FIG. 2 .
  • the electronic device 10 of the present invention may be implemented in a form in which a configuration other than the configuration shown in FIG. 2 is added or at least one of the configuration shown in FIG. 2 is excluded.
  • the electronic device 10 of the present invention may be implemented in a form in which a part of the configuration illustrated in FIG. 2 is changed.
  • the electronic device 10 may include an interface unit 110 .
  • the interface unit 110 allows the electronic device 10 to communicate with at least one external device 20 .
  • the interface unit 110 may include a wired interface unit 111 .
  • the wired interface unit 111 includes a connection unit for transmitting/receiving signals/data according to standards such as HDMI, HDMI-CEC, USB, Component, Display Port (DP), DVI, Thunderbolt, RGB cable, etc. can Here, the wired interface unit 111 may include at least one connector, terminal, or port corresponding to each of these standards.
  • the wired interface unit 111 may include a connector or port according to a universal data transmission standard such as a USB port.
  • the wired interface unit 111 may include a connector or a port to which an optical cable can be connected according to an optical transmission standard.
  • the wired interface unit 111 is connected to an external microphone or an external audio device having a microphone, and may include a connector or port capable of receiving or inputting an audio signal from the microphone or the audio device.
  • the wired interface unit 111 is connected to an audio device such as a headset, earphone, or external speaker, and may include a connector or port capable of transmitting or outputting an audio signal to the audio device.
  • the wired interface unit 111 may include a connector or port according to a network transmission standard such as Ethernet.
  • the wired interface unit 111 may be implemented as a LAN card connected to a router or a gateway by wire.
  • the wired interface unit 111 may be implemented as a communication circuitry including a wired communication module (S/W module, chip, etc.) corresponding to various types of communication protocols.
  • a wired communication module S/W module, chip, etc.
  • the interface unit 110 may include a wireless interface unit 112 .
  • the wireless interface unit 112 may be implemented in various ways corresponding to the implementation form of the electronic device 10 .
  • the wireless interface unit 112 is a communication method RF (radio frequency), Zigbee (Zigbee), Bluetooth (bluetooth), Wi-Fi (Wi-Fi), UWB (Ultra WideBand) and NFC (Near Field Communication), etc. Wireless communication can be used.
  • the wireless interface unit 112 may be implemented as a communication circuitry including a wireless communication module (S/W module, chip, etc.) corresponding to various types of communication protocols.
  • a wireless communication module S/W module, chip, etc.
  • the wireless interface unit 112 includes a wireless LAN unit.
  • the wireless LAN unit may be wirelessly connected to an external device through an access point (AP) under the control of the processor 140 .
  • the wireless LAN unit includes a WiFi module.
  • the wireless interface unit 112 includes a wireless communication module that supports one-to-one direct communication between the electronic device 10 and the external device 20 wirelessly without an access point.
  • the wireless communication module may be implemented to support communication methods such as Wi-Fi Direct, Bluetooth, and Bluetooth low energy.
  • identification information eg, MAC address or IP address
  • the external device 20 which is a communication target device, is stored in the storage unit 130 to be described later. can be saved.
  • the wireless interface unit 112 is provided to perform wireless communication with an external device by at least one of a wireless LAN unit and a wireless communication module according to performance.
  • the air interface unit 112 may further include a communication module using various communication methods such as mobile communication such as LTE, EM communication including a magnetic field, and visible light communication.
  • the wireless interface unit 112 may transmit and receive data packets to and from the external device by wirelessly communicating with the external device 20 and the like on the network.
  • the electronic device 10 may include a user input unit 120 .
  • the user input unit 120 transmits various preset control commands or non-limited information to the processor 140 in response to a user's input.
  • the user input unit 120 includes various input means capable of receiving a user input.
  • the user input unit 120 may include a keypad (or input panel) including buttons such as a power key, a number key, and a menu key provided in the electronic device 10 .
  • the user input unit 120 may further include a touch screen.
  • the user input unit 120 may include an input device that generates a preset command/data/information/signal to be able to remotely control the electronic device 10 and transmits the generated command/data/information/signal to the electronic device 10 .
  • the input device includes, for example, a remote control, a keyboard, a mouse, and the like, and may be separated from the electronic device 10 to receive a user input.
  • the input device becomes an external device capable of wireless communication with the main body of the electronic device 10 , and wireless communication includes Bluetooth, infrared communication, RF communication, wireless LAN, Wi-Fi Direct, and the like.
  • the electronic device 10 may include a storage unit 130 .
  • the storage unit 130 is configured to store various data of the electronic device 10 .
  • the storage unit 130 may retain data even when power supplied to the electronic device 10 is cut off, and may be provided as a writable non-volatile memory (writable ROM) to reflect changes. That is, the storage unit 130 may be provided with any one of a flash memory, an EPROM, or an EEPROM.
  • the storage unit 130 may further include a volatile memory such as DRAM or SRAM, in which the read or write speed of the electronic device 10 is faster than that of the nonvolatile memory.
  • the data stored in the storage unit 130 includes, for example, an operating system for driving the electronic device 10 , and various programs, applications, image data, and additional data executable on the operating system.
  • the storage unit 130 may store signals or data input/output corresponding to the operation of each component under the control of the processor 140 .
  • the storage unit 130 includes a control program for controlling the electronic device 10, a UI related to an application provided by a manufacturer or downloaded from an external source, a graphic or image for providing the UI, user information, documents, databases, or related data. can be saved
  • the storage unit 130 may store user characteristics and reference data for identifying the user with respect to the external device 20 .
  • the storage unit 130 may store first reference data used to identify user characteristics of the external device 20 .
  • the first reference data is prepared based on the viewing histories of a plurality of users for a plurality of contents, and may relate to a relationship between the viewing tendencies of the plurality of users and user characteristics.
  • the storage unit 130 may store second reference data used to identify a user having a user characteristic corresponding to a predetermined content characteristic among two or more users having two or more user characteristics.
  • the second reference data is prepared based on the viewing histories of a plurality of users, and may relate to a relationship between content characteristics of a plurality of contents and user characteristics.
  • the first reference data and the second reference data may be derived based on viewing data of a plurality of users (general users) sampled as common raw data.
  • the first reference data and the second reference data may be derived, for example, based on viewing data collected by the electronic device 10 from the plurality of external devices 20 .
  • the first reference data and the second reference data may be derived based on sample data collected through a plurality of media devices predetermined as a sample device, for example, a TV in which an audience rating survey device is installed.
  • the sample data may include user characteristic information of each media device, viewing history information, and the like.
  • At least one database may be provided in the storage unit 130 .
  • the storage unit 130 includes a database in which user characteristic information identified for the external device 20 is stored, and a database in which user information identified as having a user characteristic corresponding to a specific content characteristic is stored. can do.
  • the storage unit 130 may be implemented to provide a database for storing and managing user information and user information in response to content characteristics for each of the plurality of external devices 20 .
  • the term "storage unit” refers to the storage unit 130, a ROM (not shown) in the processor 140 to be described later, a RAM (not shown), or the electronic device 10. It is defined as including a mountable memory card (not shown) (eg, micro SD card, memory stick).
  • the electronic device 10 may include a processor 140 .
  • the processor 140 controls all components of the electronic device 10 to operate.
  • the processor 140 includes a control program (or instructions) for performing such a control operation, a non-volatile memory in which the control program is installed, a volatile memory in which at least a part of the installed control program is loaded, and the loaded control program. It may include at least one general-purpose processor that executes, for example, a microprocessor, an application processor, or a central processing unit (CPU).
  • the processor 140 may include a single core, a dual core, a triple core, a quad core, and multiple cores thereof.
  • the processor 140 includes a plurality of processors, for example, a main processor and a sub processor operating in a sleep mode (eg, only standby power is supplied and does not operate as a display device). ) may be included.
  • the processor, ROM, and RAM may be interconnected through an internal bus.
  • the processor 140 may be implemented in a form included in a main SoC mounted on a PCB embedded in the electronic device 10 .
  • the control program may include program(s) implemented in the form of at least one of a BIOS, a device driver, an operating system, firmware, a platform, and an application.
  • the application is pre-installed or stored in the electronic device 10 when the electronic device 10 is manufactured, or receives data of the application from the outside when used later, based on the received data. (10) can be installed.
  • Data of the application may be downloaded to the electronic device 10 from, for example, an external server such as an application market.
  • an external server is an example of the computer program product of the present invention, but is not limited thereto.
  • the control program may be recorded in a storage medium readable by a device such as a computer.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium or a non-volatile storage medium.
  • 'non-transitory storage medium' is a tangible device and only means that it does not contain a signal (eg, electromagnetic wave). It does not distinguish the case where it is stored as
  • the 'non-transitory storage medium' may include a buffer in which data is temporarily stored.
  • the processor 140 identifies user characteristics of the external device 20 based on the viewing history information obtained from the external device 20 . Also, the processor 140 may identify a user having a user characteristic corresponding to a specific content characteristic from among two or more users having the identified two or more user characteristics.
  • the external device 20 is a media device that can be jointly used by multiple users, for example, a television (TV)
  • a television TV
  • the scope of application of the present invention is not limited thereto. Therefore, when the external device 20 is a television for a single household, that is, a case where there is only one user is also included in the present invention. Also, when the external device 20 is, for example, a personal media device such as a smart phone or a tablet, the present invention can be applied.
  • the electronic device 10 of the present invention can be viewed from a plurality of external devices 20 .
  • the electronic device 10 of the present invention can be viewed from a plurality of external devices 20 .
  • it may be implemented to identify a user characteristic and a user for each of the plurality of external devices 20 .
  • FIG. 3 is a flowchart illustrating a control operation of an electronic device according to an embodiment of the present invention.
  • the processor 140 of the electronic device 10 may acquire user data related to viewing preferences for a plurality of contents ( 301 ).
  • the viewing tendency may be obtained from the user's viewing history data for a plurality of contents viewed by the user through the external device 20 .
  • the viewing history data includes information on the genre of content, viewing time/time, viewing duration, etc., and the viewing tendency is viewing related to genre, viewing time, viewing duration, etc. It may be determined based on history.
  • the processor 140 receives the viewing history data for a plurality of contents from the external device 20 through the interface unit 110, and obtains user data regarding the viewing tendency from the received viewing history data.
  • the processor 140 may receive the user data regarding the viewing tendency from the external device 20 through the interface unit 110 .
  • the processor 140 identifies two or more user characteristics corresponding to the viewing tendency of the user data obtained in step 301 (302).
  • the processor 140 based on the first reference data on the relationship between the user characteristics and the viewing tendency of the plurality of users prepared based on the viewing histories of the plurality of users for the plurality of contents, the user data obtained in step 301 Two or more user characteristics corresponding to the viewing tendency may be identified.
  • the user characteristics include anthropological statistical information indicating the user's age, gender, residential area, income level, and the like, that is, demographic information.
  • the user characteristic that is, the demographic information, may correspond to any one of a plurality of groups classified or classified according to at least one of age and gender.
  • the processor 140 may identify a plurality of user characteristics including, for example, two or more age groups (age ranges), two or more genders, or a selective combination thereof. For example, with respect to the external device 20 that is a television (TV) installed in the home, three user characteristics may be identified: a male in his 30s, a female in his 30s, and an infant/preschooler.
  • age groups age ranges
  • genders two or more genders
  • a selective combination thereof For example, with respect to the external device 20 that is a television (TV) installed in the home, three user characteristics may be identified: a male in his 30s, a female in his 30s, and an infant/preschooler.
  • the processor 140 identifies a user having a user characteristic corresponding to the specified content characteristic from among the two or more users having the two or more user characteristics identified in step 302 ( 303 ).
  • the processor 140 the two or more users identified in step 302 based on the second reference data on the relationship between the content characteristics and user characteristics of the plurality of contents prepared based on the viewing histories of the plurality of users for the plurality of contents It is possible to identify a user having a user characteristic corresponding to a specified content characteristic among two or more users having the characteristic.
  • the content characteristic may be determined based on at least one of a content genre or a broadcast time.
  • the content characteristic includes the genre of the content, the broadcasting or transmission time zone (eg, weekdays or weekends, prime time, late night, etc.), and the broadcasting or transmission region (eg, metropolitan area, city or island region). etc.), or an optional combination thereof.
  • the genre of the content e.g., the broadcasting or transmission time zone (eg, weekdays or weekends, prime time, late night, etc.), and the broadcasting or transmission region (eg, metropolitan area, city or island region). etc.), or an optional combination thereof.
  • a sports genre transmitted during late-night hours, a comedy genre transmitted during weekend prime time, and the like may be defined as content characteristics.
  • step 302 when males in their 30s, females in their 30s, and infants/preschoolers are identified as two or more user characteristics in step 302, the processor 140 configures two or more users (users 1 and 2 in order) corresponding to each user characteristic. , 3) may be identified from among the specified content characteristics, for example, user 1 corresponding to a user characteristic (a male in his 30s) corresponding to a sports genre transmitted in the late night time.
  • the processor 140 may perform a content-related operation with respect to the user identified in step 303 ( 304 ).
  • the content-related operation includes a customized service corresponding to the identified user characteristic, that is, a target service.
  • the processor 140 may provide a target advertisement through the external device 20 based on the identified user characteristics.
  • a car advertisement targeting a male in his thirties which is a user characteristic of the user (user 1) identified in step 303, may be provided through the external device 20 at night time.
  • the electronic device 10 directly performs the above content-related operation or outputs the identified information to another device capable of performing the content-related operation, for example, an advertisement server, so that the advertisement server is an external device.
  • an advertisement server so that the advertisement server is an external device.
  • (20) may be configured to perform a content-related operation.
  • the operation of the processor 140 as described above may be implemented as a computer program stored in a computer program product (not shown) provided separately from the electronic device 10 .
  • the computer program product includes a non-transitory or non-volatile memory in which instructions corresponding to the computer program are stored, and a processor.
  • the instruction when executed by the processor, obtains user data on the viewing tendency for a plurality of contents, and identifies two or more user characteristics based on the first reference data regarding the relationship between the viewing tendency and the user characteristic of the plurality of users, and identifying a user having a user characteristic corresponding to the specified content from among two or more users based on the second reference data regarding the relationship between the content characteristic of the plurality of contents and the user characteristic.
  • the electronic device 10 may download and execute a computer program stored in a separate computer program product to perform the operation of the processor 140 .
  • the operation of the processor 140 as described above may be performed using an artificial intelligence (AI) model.
  • AI artificial intelligence
  • AI models can be created through learning.
  • being made through learning means that the basic artificial intelligence model classifies/learns a plurality of learning data by itself by an algorithm used for learning-based processing such as machine learning (machine learning) and deep learning, and thus the desired characteristics (or, It means that a predefined action rule or artificial intelligence model set to perform the purpose) is created.
  • the artificial intelligence model may be composed of a plurality of neural network layers. Each of the plurality of neural network layers has a plurality of weights, and a neural network operation is performed through an operation between an operation result of a previous layer and a plurality of weights.
  • Reasoning/prediction is a technology for logically reasoning and predicting by judging information, such as Knowledge based Reasoning, Optimization Prediction, Preference-based Planning, Recommendation, etc. includes
  • FIG. 4 is a block diagram illustrating a configuration of a processor in an electronic device according to an embodiment of the present invention.
  • 5 is a detailed flowchart illustrating a user characteristic of an electronic device and a control operation for identifying a user according to an embodiment of the present invention.
  • the control operation shown in FIG. 5 is implemented to infer a user corresponding to a user characteristic (demo graphic) and a content characteristic of the media device using a model generated through learning, respectively.
  • Each step of the control operation shown in FIG. 5 may be a concrete embodiment of the step described in FIG. 3 or may be a step added to the control operation of FIG. 3 .
  • the processor 140 includes, as shown in FIG. 4 , a data preprocessing unit 141 , a first feature extracting unit 142 , and a first learning modeling unit ( 143 ), a demographic inference unit 144 , a second feature extraction unit 145 , a second learning modeling unit 146 , and a user reasoning unit 147 .
  • Each of the components 141 , 142 , 143 , 144 , 145 , 146 , 147 of the processor 140 as described above or a combination of two or more thereof is implemented by a software module or a combination of a hardware module and a software module, or described above It can be implemented as a computer program.
  • the data preprocessing unit 141, the first feature extracting unit 142, the first learning modeling unit 143, the demographic reasoning unit 144, the second feature extracting unit 145, the second learning modeling unit 146 , and the operation performed by the user inference unit 147 will be understood to be performed by the processor 140 .
  • the data preprocessor 141 shown in FIG. 4 may acquire, ie, collect, viewing data for content from a media device for content reproduction ( 501 ).
  • FIG. 6 is a diagram for explaining an operation of a data preprocessor in an electronic device according to an embodiment of the present invention.
  • the data preprocessor 141 collects content viewing history for content as viewing data of a media device including a television (TV).
  • the data pre-processing unit 141 may collect viewing data in units of a predetermined time interval, for example, may collect viewing data by dividing a day into six time intervals (slots).
  • the data pre-processing unit 141 receives dozens of viewing data from each of a plurality of media devices, and the collected data may be used for modeling through learning through pre-processing and feature data extraction, which will be described later.
  • the data collected by the data preprocessor 141 may include device usability data for the media device.
  • the device usability data may include whether another device connected through the media device is used, whether an application supporting a smart function (Smart App) is used, and the like.
  • the data pre-processing unit 141 performs a pre-processing operation on the viewing data obtained in step 501 illustrated in FIG. 5 ( 502 ).
  • the preprocessing task includes data validation performed as validation on the collected data.
  • the data preprocessor 141 may perform data verification through purification of invalid data among the collected viewing data, that is, cleaning (or removing).
  • the data preprocessor 141 may determine that data viewed for less than a preset reference time or for more than a preset reference time is determined as an invalid value and removed.
  • the data pre-processing unit 141 may determine a missing value when the viewing time is 5 minutes or less or 10 hours or more.
  • the preset reference time may be variously determined according to an input by a user or a manufacturer.
  • the preprocessing operation includes classification and mapping of data on which cleansing has been performed.
  • the data preprocessor 141 may classify and classify the viewing data by a predetermined viewing time slice, for example, one hour.
  • the data preprocessor 141 may map the viewing data for each general genre predefined as a higher concept for the program title.
  • the genre is included in the above-described content characteristics. That is, the data pre-processing unit 141 may classify and map the content according to the content characteristics.
  • the data pre-processing unit 141 may map program names of viewing data to, for example, 50 genres. However, this is only an example, and the type and number of each genre is not limited. By reducing the number of data dimensions through the mapping by genre as described above, the higher the data dimension in the subsequent machine learning, the more difficult the execution of the algorithm (curse of dimension) is solved, and overfitting is prevented. can be prevented.
  • the data pre-processing unit 141 may also perform the above pre-processing operation on the collected device usability data.
  • the data pre-processing unit 141 allows the data (viewing data) collected through the pre-processing operation to be merged and stored, so that machine learning can be applied to the data.
  • the first feature extraction unit 142 shown in FIG. 4 profiles the data preprocessed in step 502 shown in FIG. 5 to extract feature data for the device ( 503 ).
  • FIG. 7 is a diagram for explaining an operation of a first feature extracting unit in an electronic device according to an embodiment of the present invention.
  • the first feature extracting unit 142 performs profiling on the viewing history data (viewing data) of the media device pre-processed by the data pre-processing unit 141, and selects each media device. It is possible to extract feature data having a plurality of representative features.
  • the first feature extraction unit 142 extracts feature data for each media device and provides it to the first learning modeling unit 143, whereby learning according to the algorithm is performed in the first learning modeling unit 143.
  • the first feature extractor 142 may aggregate the viewing data in units of a specified period, such as one month or six months, and generate a feature vector from the aggregated data.
  • the designated period may be determined in units of, for example, 2 weeks, 1 month, 6 months, 1 year, etc., but is not limited thereto. If the period is too short, the number of programs (contents) viewed by the user and the viewing time are not sufficient. Due to the sparse feature data, normal training of the model may be difficult. can do.
  • the first feature extraction unit 142 may generate feature data indicating whether to watch or not in response to a predetermined content characteristic (time and genre).
  • the first feature extraction unit 142 does not use the viewing duration, but rather of a specific genre of content for each specific time unit period, for example, 1 hour or a pre-divided daypart. It is possible to generate feature data indicating whether viewing or not.
  • the first feature extraction unit 142 generates feature data as 1 when viewing the comedy genre content during the prime time on February 1, 1990 through the media device, and 0 when not watching, for example. do.
  • the first feature extraction unit 142 generates the feature data by integrating them in units of a predetermined period. For example, by counting the number of times a comedy genre was viewed during prime time for 6 months, the result may be generated as feature data.
  • the first feature extractor 142 may further generate feature data (usage feature) from the preprocessed device usability data. For example, a feature vector indicating whether another connected device is used, whether a smart function (Smart APP) is used, etc. may be generated, and identification information (manufacturer name, etc.) of the other connected device may also be generated as feature data. .
  • feature data usage feature
  • a feature vector indicating whether another connected device is used, whether a smart function (Smart APP) is used, etc. may be generated, and identification information (manufacturer name, etc.) of the other connected device may also be generated as feature data. .
  • the first feature extraction unit 142 normalizes the extracted/generated feature data as described above.
  • Feature scaling may be performed through normalization.
  • the normalization method for example, MinMax (min-max scaler), MaxAbs, Standardization (standard scaler), etc. may be used, but is not limited thereto.
  • the first feature extractor 142 may further generate a label set as correct answer data for learning. That is, when the viewing data already includes the user characteristic (demo graphic information), the demographic can be identified as the user characteristic by labeling without a process of demographic inference, which will be described later.
  • Label set may be performed using pre-classified or grouped demographic information.
  • age data as demographic information may be used continuously or categorically changed.
  • categorically changed demographic information demographic information may be classified into several categories, such as age and gender.
  • demographic information is classified into 14 categories: Female under 18 years old, Female 18-24 years old, Female 25-34 years old, Female 35-44 years old, Female 45-54 years old, Female 55-64 years old, Female 65-99 years old, Male under 18 years old, Male 18-24 years old, Male 25- 34 years old, Male (Male) 35-44 years old, Male (Male) 45-54 years old, Male (Male) 55-64 years old, Male (Male) 65-99 years old, etc.
  • the demographic information may be grouped differently in consideration of various other factors.
  • the first feature extraction unit 142 is implemented to extract feature data from viewing data of various types of media devices. That is, it is developed (constructs cross-device feature data) to overcome the algorithm difference of the data collection system for each device, and demographic inference can be made as a more general-purpose user characteristic. For example, when the viewing duration is used, a deviation may occur in the result value due to a difference in the collection system, so the viewing of content in a specific time unit such as 1 hour, 10 minutes, or a pre-separated daypart Whether or not can be used as a feature.
  • the first learning modeling unit 143 shown in FIG. 4 may use the feature data extracted in step 503 shown in FIG. 5 to perform modeling for user characteristics, that is, demographic inference ( 504 ).
  • FIG. 8 is a diagram for explaining an operation of a first learning modeling unit in an electronic device according to an embodiment of the present invention.
  • the first learning modeling unit 143 learns a model capable of inferring demographic information as a user characteristic.
  • the first learning modeling unit 143 may perform learning based on the first reference data.
  • the first reference data may be based on viewing data collected from a plurality of media devices by the data pre-processing unit 141 .
  • the first reference data includes feature data derived from the data of each media device through the preprocessing process of step 502 and the feature data extraction process of step 503 .
  • the first learning modeling unit 143 may perform learning by using a technique for solving a problem of unbalanced data and improving model performance.
  • the first learning modeling unit 143 may utilize various machine learning or deep learning techniques, and may perform hyper-parameter tuning for optimization.
  • a machine learning algorithm such as a random forest, a decision tree, and a gradient boosting, or an AI algorithm of a deep learning neural network structure may be used. may be, but is not limited thereto.
  • the first learning modeling unit 143 may create a model for inferring demographic information as a user characteristic by performing learning using the algorithm as described above.
  • the demographic inference model may be implemented as a multi-layer model.
  • Each model for example, is primarily classified into large units having similar content viewing patterns, such as youth, middle-aged, and middle-aged, and n-orderly a detailed unit, eg, age, is inferred. It can be implemented as a model.
  • the first learning modeling unit 143 may utilize the demographic information more flexibly through the multi-layer modeling as described above. For example, when providing a target service using demographic information, it may be possible to respond flexibly to cases where demographic information for middle-aged people is particularly required or more detailed demographic information for people in their twenties is needed.
  • the first learning modeling unit 143 may further perform cross-validation such as n-fold cross-validation or hold-out in order to verify the model generated by learning and to increase generalization performance.
  • the first learning modeling unit 143 when the demographic information (Demographic information) has an asymmetric characteristic, to compensate for this, cost-sensitive learning (cost-sensitive learning) or over-sampling (over-sampling) ), a generative model, etc. can be applied.
  • cost-sensitive learning cost-sensitive learning
  • over-sampling over-sampling
  • a generative model etc.
  • TVs used by 24-35 year-old women account for 15% of the total, and since the data is very unbalanced, cost-sensitive, oversampling, or generative model techniques are used to solve this problem. It is used to induce the model to learn well about the minority class.
  • oversampling is a method of minimizing imbalance by creating similar data for data belonging to a minority class.
  • the first learning modeling unit 143 configures the model as a multi-layer, for example, two layers to learn By doing so, the performance of the model can be improved.
  • inferring demographics from one model will determine the user characteristics of all women using the device. may have a tendency to be inferred.
  • the first learning modeling unit 143 configures an inference model with a top model and a down model to perform learning.
  • the top model Boary Classification
  • the down model Multi-class prediction
  • the first learning modeling unit 143 may perform 4-fold cross-validation to verify the model and improve generalization performance.
  • the demographic inference unit 144 shown in FIG. 4 infers the user characteristics of the media device, that is, demographic information, from the feature data extracted in step 503 using the model learned in step 504 shown in FIG. 5 . do (505).
  • FIG. 9 is a diagram for explaining an operation of a demographic reasoning unit in an electronic device according to an embodiment of the present invention.
  • the demographic reasoning unit 144 includes feature data of each media device derived by performing profiling in step 503 shown in FIG. 5 and one of the models learned in step 504 shown in FIG. By collating the above demographic information (user characteristic), it is possible to determine the demographic (user characteristic) for each media device.
  • the demographic inference unit 144 may infer demographic information using the above-described correct answer data, that is, feature data extracted for a media device without a label set (no label device).
  • the user characteristics determined in this way ie, demographic information, may be matched with each media device, and stored and managed in a demographic database (DB) 131 provided in the storage unit 130 .
  • DB demographic database
  • the demographic inference unit 144 may infer two or more user characteristics (demographics) for a predetermined media device in step 505 . For example, with respect to a media device commonly used by household members, such as a TV, two or more user characteristics corresponding to each household member may be inferred.
  • the second feature extraction unit 145 shown in FIG. 4 extracts feature data for a predetermined content feature from the media device from which two or more user features are inferred in step 505 shown in FIG. 5 ( 506 ).
  • the second feature extraction unit 145 may extract feature data for the content feature by profiling the data preprocessed in step 502 .
  • FIG. 10 is a diagram for explaining an operation of a second feature extracting unit in an electronic device according to an embodiment of the present invention.
  • the second feature extracting unit 145 performs profiling on the viewing history data of the media device to indicate content characteristics, for example, genre or time zone information of the viewed content. data can be extracted.
  • the second feature extraction unit 145 is configured to use the demographic information (eg, demographic composition of n adults, n children, etc.) inferred in step 505 for a predetermined media device and a profile using a content viewing pattern, etc.
  • Feature data can be generated through the ring.
  • the content viewing pattern may be derived based on data classified for each viewing section in the data preprocessor 141 and mapped for each genre.
  • the second feature extraction unit 145 extracts feature data representing the viewing pattern of content for two or more users having two or more inferred user characteristics (demo graphics) of a predetermined media device from the pre-processed viewing data. .
  • the second feature extraction unit 145 extracts feature data for each media device and provides it to the second learning modeling unit 146, whereby learning according to the algorithm is performed in the second learning modeling unit 146 . make it possible
  • the second feature extraction unit 145 may further use the preprocessed device usability data to generate the feature data.
  • the generated feature data may be, for example, a feature vector for determining an actual viewer (user) of a program having a specified content characteristic of a specific time point or a specific genre.
  • the second learning modeling unit 146 illustrated in FIG. 4 may perform modeling for user inference corresponding to the content characteristic using the feature data extracted in step 506 illustrated in FIG. 5 ( 507 ).
  • FIG. 11 is a diagram for explaining an operation of a second learning modeling unit in an electronic device according to an embodiment of the present invention.
  • the second learning modeling unit 146 is, among two or more users (household members) having two or more user characteristics (demo graphics) inferred in step 505, for example, at a specific time point, having a specified content characteristic of a specific genre. A model that can infer who watched the program (household member) is trained.
  • the second learning modeling unit 146 may perform learning based on the second reference data.
  • the second reference data includes feature data derived from the data of each media device through the pre-processing process of step 502 and the feature data extraction process of step 506 .
  • the second learning modeling unit 146 may utilize various machine learning or deep learning techniques, and may perform hyper-parameter tuning for optimization. .
  • a machine learning algorithm such as a random forest, a decision tree, and a gradient boosting, or an AI algorithm of a deep learning neural network structure may be used. may be, but is not limited thereto.
  • the second learning modeling unit 146 performs learning using the algorithm as described above, thereby selecting a user having a predetermined content characteristic, for example, a user characteristic corresponding to time information of a specific time or program information of a specific genre. You can create a model to make inferences.
  • the content characteristic is not limited to a specific time point or genre of the program, and may further include, for example, a program name, a main character, and a running time.
  • the user inference unit 147 shown in FIG. 4 infers a user corresponding to the specified content characteristic by using the model learned in step 507 shown in FIG. 5 ( 508 ).
  • FIG. 12 is a diagram for explaining an operation of a user inference unit in an electronic device according to an embodiment of the present invention.
  • the user inference unit 147 uses the model learned in step 507, selects a user corresponding to a specified content characteristic among users corresponding to the two or more demographic information inferred in step 505 for each media device unit. can be inferred.
  • the user inference unit 147 may infer the user based on the probability value. That is, the user inference unit 147 derives a probability value using the learned model for each of two or more users corresponding to the two or more demographic information, and sets the user with the highest probability value among users corresponding to the content characteristic. As a user, you can infer.
  • user 1 among users of a predetermined media device may be determined as a user having a user characteristic (demo graphic) corresponding to a specified content characteristic.
  • a plurality of users corresponding to the content characteristic may be inferred, which is viewed by a plurality of users on a media device commonly used by household members such as TV. It can be understood as corresponding to one case (co-viewing).
  • the determined user ie, household member information
  • DB user database
  • the processor 140 may control the corresponding media device to perform an operation based on the user's content characteristics inferred in step 508, that is, demographic information (step 509).
  • the content-related operation is a customized service corresponding to the inferred user characteristic of the user, that is, demographic, and may include, for example, a target service such as advertisement.
  • the processor 140 stores and manages user information having a user characteristic (demo graphic) corresponding to the content characteristic for each media device, and provides the information to an advertisement server, so that the user according to the content characteristic
  • a target service such as an advertisement considering characteristics can be output through each media device.
  • a media device is jointly used by a plurality of users, such as a TV, an accurate target service for a user having a user characteristic corresponding to a specified content characteristic among a plurality of users is possible.
  • demographics of the media device are first identified, and when two or more user characteristics are identified, the user corresponding to the content characteristics is identified.
  • the reliability of demographic reasoning can be improved.
  • the user of the media device for example, the user who actually watched the media device, for example, is inferred from among household members, so that more reliable inference is possible.
  • the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed 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) or on two user devices (eg, It can be distributed online (eg download or upload), directly between smartphones (eg smartphones).
  • a portion of the computer program product eg, a downloadable app
  • a machine-readable storage medium such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Computer Graphics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)

Abstract

본 발명은 전자장치 및 그 제어방법에 관한 것으로서, 전자장치는, 복수 컨텐츠의 시청이력을 포함하는 사용자데이터를 획득하고, 시청이력에 기초하여 복수 사용자 각각의 시청성향을 결정하고, 복수 컨텐츠에 대한 복수 사용자의 시청이력에 기초하여 마련된 사용자특성과 복수 사용자의 시청성향 간의 관계에 관한 제1참조데이터에 기초하여, 획득된 사용자데이터의 시청성향에 대응하는 2 이상의 사용자특성을 식별하고, 복수 사용자의 시청이력에 기초하여 마련된 복수 컨텐츠의 사용자특성과 컨텐트특성 간의 관계에 관한 제2참조데이터에 기초하여, 식별된 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자 중에서 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 사용자를 식별하고, 식별된 사용자에 관하여 컨텐츠 관련 동작을 수행하는 프로세서를 포함한다.

Description

전자장치 및 그 제어방법
관련된 출원에 대한 상호-참조
본 출원은 2020년 11월 6일자로 대한민국 특허청에 제출된 대한민국 특허 출원번호 제 10-2020-0147409 호에 기초한 우선권을 주장하며, 그 개시 내용은 전체가 참조로 본 발명에 포함된다.
본 발명은 전자장치 및 그 제어방법에 관한 것으로서, 보다 상세하게는 컨텐트의 시청 이력에 관한 분석 데이터에 기초하여 사용자의 선호를 추론하는 전자장치 및 그 제어방법에 관한 것이다.
텔레비전(TV)과 같은 디스플레이가 마련된 전자장치는 외부의 소스로부터 제공되는 다양한 컨텐트를 수신하여, 그에 기초한 영상이 디스플레이에 표시되도록 한다.
최근 디지털 방송이 본격화되면서 종래의 방송이 제공하던 단순 노출 광고 서비스와는 다른 맞춤형 광고 서비스에 대한 관심이 높아지고 있다. 이러한 맞춤형 광고 서비스의 일례로서, 전자장치의 사용자에 대한 타겟 광고가 있다.
타겟 광고를 효율적으로 제공하기 위해서는, 사용자의 특성, 예를 들면, 나이, 성별, 거주 지역 등을 파악하는 것이 중요하다.
또한, 텔레비전과 같이 가구 구성원들이 공동으로 전자장치를 사용하는 환경에서는, 가구 구성원들 중 실제 컨텐트를 시청하고 있는 사용자의 특성을 정확하게 특정할 필요가 있다.
본 발명은, 컨텐트에 대한 시청데이터에 기초하여 사용자의 특성을 식별하여, 효율적인 타겟 서비스를 제공할 수 있는 전자장치 및 그 제어방법을 제공한다.
또한, 본 발명은, 복수의 사용자 중에서 실제 컨텐트를 시청하고 사용자를 특정하여, 보다 정밀한 타겟 서비스를 제공할 수 있는 전자장치 및 그 제어방법을 제공한다.
본 발명 일 실시예에 따른 전자장치는, 복수 사용자 각각에 대해 복수 컨텐츠의 시청이력에 관한 사용자데이터를 획득하고, 시청이력에 기초하여 복수 사용자 각각의 시청성향을 결정하고, 복수 컨텐츠에 대한 복수 사용자의 시청이력에 기초하여 마련된 복수 사용자의 사용자특성과 시청성향 간의 관계에 관한 제1참조데이터에 기초하여, 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하고, 복수 사용자의 시청이력에 기초하여 마련된 사용자특성과 복수 컨텐츠의 컨텐트특성 간의 관계에 관한 제2참조데이터에 기초하여, 식별된 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자 중에서 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하고, 타겟 사용자에 관하여 컨텐츠 관련 동작을 수행하는 프로세서를 포함한다.
사용자특성은, 복수 사용자의 연령 또는 성별 중 적어도 하나에 따라 구분된 복수의 그룹 중 어느 하나에 대응할 수 있다.
지정된 컨텐트특성은, 복수의 컨텐트 중 컨텐트의 장르 또는 시간 구간 중 적어도 하나에 기초하여 결정될 수 있다.
인터페이스부를 더 포함하고, 프로세서는, 인터페이스부를 통해 외부장치로부터 복수 컨텐트에 대한 시청데이터를 수신하고, 수신된 시청데이터로부터 시청성향에 관한 사용자데이터를 획득할 수 있다.
프로세서는, 복수의 외부장치로부터 수집된 복수의 컨텐트에 대한 시청데이터를 컨텐트특성에 대응하여 분류 및 맵핑하고, 분류 및 맵핑된 시청데이터로부터 복수의 외부장치 각각에서 컨텐트특성에 대한 시청 여부를 나타내는 특징데이터를 추출할 수 있다.
프로세서는, 제1참조데이터에 기초한 학습을 수행하여, 사용자데이터의 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하며, 제1참조데이터는 컨텐트특성에 대응하여 분류 및 맵핑된 시청데이터와, 추출된 특징데이터를 포함할 수 있다.
프로세서는, 외부장치로부터 획득된 특징데이터와 학습된 모델로부터 획득된 사용자특성을 대조하여, 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별할 수 있다.
학습된 모델은 멀티 레이어를 포함할 수 있다.
프로세서는, 분류 및 맵핑된 시청데이터로부터 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자에 대해 컨텐트의 시청패턴을 나타내는 특징데이터를 획득할 수 있다.
프로세서는, 제2참조데이터에 기초한 학습을 수행하여, 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하며, 제2참조데이터는 분류 및 맵핑된 시청데이터와, 추출된 특징데이터를 포함할 수 있다.
한편, 본 발명 일 실시예에 따른 전자장치의 제어방법은, 복수 사용자 각각에 대해 복수 컨텐츠의 시청이력에 관한 사용자데이터를 획득하는 단계; 시청이력에 기초하여 복수 사용자 각각의 시청성향을 결정하는 단계; 복수 컨텐츠에 대한 복수 사용자의 시청이력에 기초하여 마련된 복수 사용자의 사용자특성과 시청성향 간의 관계에 관한 제1참조데이터에 기초하여, 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하는 단계; 복수 사용자의 시청이력에 기초하여 마련된 복수 컨텐츠의 사용자특성과 컨텐트특성 간의 관계에 관한 제2참조데이터에 기초하여, 식별된 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자 중에서 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하는 단계; 및 식별된 타겟 사용자에 관하여 컨텐츠 관련 동작을 수행하는 단계를 포함한다.
사용자특성은, 복수 사용자의 연령 또는 성별 중 적어도 하나에 따라 구분된 복수의 그룹 중 어느 하나에 대응할 수 있다.
지정된 컨텐트특성은, 복수 컨텐트 중 컨텐트의 장르 또는 시간 구간 중 적어도 하나에 기초하여 결정될 수 있다.
인터페이스부를 통해 외부장치로부터 복수 컨텐트에 대한 시청데이터를 수신하는 단계; 및 시청데이터로부터 시청성향에 관한 사용자데이터를 획득하는 단계를 더 포함할 수 있다.
복수의 외부장치로부터 수집된 복수 컨텐트에 대한 시청데이터를 컨텐트특성에 대응하여 분류 및 맵핑하는 단계; 및 분류 및 맵핑된 시청데이터로부터 복수의 외부장치 각각에서 컨텐트특성에 대한 시청 여부를 나타내는 특징데이터를 획득하는 단계를 더 포함할 수 있다.
사용자특성을 식별하는 단계는, 제1참조데이터에 기초한 학습을 수행하여, 사용자데이터의 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하며, 제1참조데이터는 컨텐트특성에 대응하여 분류 및 맵핑된 시청데이터와, 추출된 특징데이터를 포함할 수 있다.
사용자특성을 식별하는 단계는, 외부장치로부터 획득된 특징데이터와 학습된 모델로부터 획득된 사용자특성을 대조하여, 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별할 수 있다.
분류 및 맵핑된 시청데이터로부터 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자에 대해 컨텐트의 시청패턴을 나타내는 특징데이터를 추출하는 단계를 더 포함할 수 있다.
사용자를 식별하는 단계는, 제2참조데이터에 기초한 학습을 수행하여, 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하며, 제2참조데이터는 분류 및 맵핑된 시청데이터와, 추출된 특징데이터를 포함할 수 있다.
한편, 본 발명 일 실시예에 따른 전자장치의 프로세서에 의해 실행 가능한 방법의 프로그램이 기록된, 컴퓨터에 의해 독취가능한 비휘발성의 기록매체에 있어서, 방법은, 복수 사용자 각각에 대해 복수 컨텐츠의 시청이력에 관한 사용자데이터를 획득하는 단계; 시청이력에 기초하여 복수 사용자 각각의 시청성향을 결정하는 단계; 복수 컨텐츠에 대한 복수 사용자의 시청이력에 기초하여 마련된 복수 사용자의 사용자특성과 시청성향 간의 관계에 관한 제1참조데이터에 기초하여, 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하는 단계; 복수 사용자의 시청이력에 기초하여 마련된 복수 컨텐츠의 사용자특성과 컨텐트특성 간의 관계에 관한 제2참조데이터에 기초하여, 식별된 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자 중에서 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하는 단계; 및 식별된 타겟 사용자에 관하여 컨텐츠 관련 동작을 수행하는 단계를 포함한다.
상기한 바와 같은 본 발명의 전자장치 및 그 제어방법에 따르면, 컨텐트에 대한 시청데이터로부터 사용자의 특성을 식별하여, 효율적인 타겟 서비스를 제공할 수 있다.
또한, 본 발명은, 복수의 사용자 중에서 실제 컨텐트를 시청하고 사용자를 특정하여, 보다 정밀한 타겟 서비스를 제공할 수 있다.
도 1은 본 발명 일 실시예에 따른 전자장치를 포함하는 시스템의 일례를 도시한다.
도 2는 본 발명 일 실시예에 의한 전자장치의 구성을 도시한 블록도이다.
도 3은 본 발명 일 실시예에 따른 전자장치의 제어 동작을 도시한 흐름도이다.
도 4는 본 발명 일 실시예의 전자장치에서 프로세서의 구성을 도시한 블록도이다.
도 5는 본 발명 일 실시예에 따른 전자장치의 제어 동작을 상세하게 도시한 흐름도이다.
도 6은 본 발명 일 실시예에 따른 전자장치에서 데이터전처리부의 동작을 설명하기 위한 도면이다.
도 7은 본 발명 일 실시예에 따른 전자장치에서 제1특징 추출부의 동작을 설명하기 위한 도면이다.
도 8은 본 발명 일 실시예에 따른 전자장치에서 제1학습 모델링부의 동작을 설명하기 위한 도면이다.
도 9는 본 발명 일 실시예에 따른 전자장치에서 데모그래픽 추론부의 동작을 설명하기 위한 도면이다.
도 10은 본 발명 일 실시예에 따른 전자장치에서 제2특징 추출부의 동작을 설명하기 위한 도면이다.
도 11은 본 발명 일 실시예에 따른 전자장치에서 제2학습 모델링부의 동작을 설명하기 위한 도면이다.
도 12는 본 발명 일 실시예에 따른 전자장치에서 사용자추론부의 동작을 설명하기 위한 도면이다.
이하에서는 첨부 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면에서 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 구성요소를 지칭하며, 도면에서 각 구성요소의 크기는 설명의 명료성과 편의를 위해 과장되어 있을 수 있다. 다만, 본 발명의 기술적 사상과 그 핵심 구성 및 작용이 이하의 실시예에 설명된 구성 또는 작용으로만 한정되지는 않는다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
본 발명의 실시예에서, 제1, 제2 등과 같이 서수를 포함하는 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 발명의 실시예에서, '구성되다', '포함하다', '가지다' 등의 용어는 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. 또한, 본 발명의 실시예에서, '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있으며, 적어도 하나의 모듈로 일체화되어 구현될 수 있다. 또한, 본 발명의 실시예에서, 복수의 요소 중 적어도 하나(at least one)는, 복수의 요소 전부뿐만 아니라, 복수의 요소 중 나머지를 배제한 각 하나 혹은 이들의 조합 모두를 지칭한다.
도 1은 본 발명 일 실시예에 따른 전자장치를 포함하는 시스템의 일례를 도시한다.
본 발명 일 실시예에 따르면, 전자장치(10)는, 예를 들면, 서버로 구현되어, 네트워크를 통해 적어도 하나의 외부장치(20)와 통신이 가능하도록 마련된다. 다만, 본 발명에서 전자장치(10)의 구현 형태는 서버로 한정되는 것은 아니며, 다양한 종류의 장치로 구현될 수 있다.
일 실시예에서 전자장치(10)는 복수 개 마련될 수 있다. 이 경우, 복수의 전자장치(10)는 서로 연계하여 동작할 수 있으며, 관련 동작을 분담하여 수행할 수도 있다.
외부장치(20)는, 컨텐트 재생을 위한 미디어장치로서 구현될 수 있으며, 예를 들면, 텔레비전(TV) 과 같은 디스플레이장치(21), 유선 또는 무선 연결된 외부의 디스플레이로 신호를 전송하는 셋탑박스와 같은 영상처리장치(22), 스마트폰(smart phone)이나 태블릿(tablet)과 같은 스마트패드(smart pad)를 포함하는 단말장치, 즉, 모바일장치(23, 24) 등을 포함할 수 있다. 다만, 본 발명에서 외부장치(20)의 구현 형태는 앞선 예시들에 한정되지 않으며, 다른 예로서 데스크탑(desktop) 또는 랩탑(laptop)과 같은 컴퓨터(personal computer, PC) 혹은 컴퓨터의 모니터에도 적용될 수 있다.
일 실시예에서, 외부장치(20)는 영상을 표시할 수 있는 디스플레이를 포함하는 디스플레이장치(21)로서 구현될 수 있다. 외부장치(20)는 외부의 신호공급원, 즉, 소스로부터 제공되는 신호, 예를 들면 컨텐트에 관한 데이터를 수신하고, 수신된 컨텐트의 데이터를 기 설정된 프로세스에 따라 처리하여 디스플레이에 영상으로 표시되도록 할 수 있다.
일 실시예에서 디스플레이장치(21)로 구현된 외부장치(20)는 방송국의 송출장비로부터 수신되는 방송신호, 방송정보, 또는 방송데이터 중 적어도 하나에 기초한 방송 영상을 처리할 수 있는 텔레비전(TV)으로 구현될 수 있다. 이 경우, 외부장치(20)에는 방송신호를 채널 별로 튜닝하기 위한 튜너가 마련될 수 있다.
외부장치(20)가 텔레비전인 경우, 외부장치(20)는 직접 또는 외부장치(20)와 케이블 등에 의해 연결될 수 있는 부가기기, 예를 들면, 셋탑박스(set-top box, STB), OC 박스(one-connect box), 미디어박스 등을 통해 방송국의 송출장비로부터 수신되는 방송신호, 방송정보, 또는 방송데이터 중 적어도 하나에 기초한 방송 컨텐트를 수신할 수 있다. 여기서, 외부장치(20)와 부가기기의 연결 방식은 케이블에 한정되는 것은 아니며, 다양한 유무선 인터페이스가 적용될 수 있다.
외부장치(20)는, 예를 들면, 방송국으로부터 송출되는 RF(radio frequency) 신호 즉, 방송 컨텐트를 무선으로 수신할 수 있으며, 이를 위해 외부장치(20)에는 방송신호를 수신할 수 있는 안테나가 마련될 수 있다.
외부장치(20)에서, 방송 컨텐트는 지상파, 케이블, 위성 등을 통해서 수신 가능하며, 신호공급원, 즉, 소스는 방송국에 한정되지 않는다. 다시 말해, 데이터의 송수신이 가능한 장치 또는 스테이션이라면 소스에 포함될 수 있다.
외부장치(20)에서 수신되는 신호의 규격은 장치의 구현 형태에 대응하여 다양한 방식으로 구성될 수 있으며, 외부장치(20)는 외부와 통신을 위해 마련된 유선 인터페이스부의 구현 형태에 대응하여, HDMI(High Definition Multimedia Interface), HDMI-CEC(Consumer Electronics Control), 디스플레이 포트(display port, DP), DVI, 컴포지트(composite) 비디오, 컴포넌트(component) 비디오, 슈퍼 비디오(super video), DVI(Digital Visual Interface), 썬더볼트(Thunderbolt), RGB 케이블, SCART(Syndicat des Constructeurs d'Appareils Radiorecepteurs et Televiseurs), USB(universal serial bus) 등의 규격에 대응하는 신호를 영상 컨텐트로서 유선으로 수신할 수 있다.
일 실시예에서, 외부장치(20)는 스마트 TV 또는 IP TV(Internet Protocol TV)로 구현될 수 있다. 스마트 TV는 실시간으로 방송신호를 수신하여 표시할 수 있고, 웹 브라우징 기능을 가지고 있어 실시간 방송신호의 표시와 동시에 인터넷을 통하여 다양한 컨텐트 검색 및 소비가 가능하고 이를 위하여 편리한 사용자 환경을 제공할 수 있는 TV이다. 또한, 스마트 TV는 개방형 소프트웨어 플랫폼을 포함하고 있어 사용자에게 양방향 서비스를 제공할 수 있다. 따라서, 스마트 TV는 개방형 소프트웨어 플랫폼을 통하여 다양한 컨텐트, 예를 들어, 소정의 서비스를 제공하는 어플리케이션의 컨텐트를 사용자에게 제공할 수 있다. 이러한 어플리케이션은 다양한 종류의 서비스를 제공할 수 있는 응용 프로그램으로서, 예를 들어, SNS, 금융, 뉴스, 날씨, 지도, 음악, 영화, 게임, 전자 책, 광고 등의 서비스를 제공하는 어플리케이션을 포함한다.
외부장치(20)는, 예를 들면, 사용자특성에 대응하는 타겟 서비스를 제공할 수 있다. 타겟 서비스의 종류는 한정되지 않으며, 일례로, 타겟 광고를 포함한다.
일 실시예에서, 텔레비전(TV)와 같이 가구(household)의 구성원들이 공동으로 사용하는 외부장치(20)의 경우, 복수의 사용자 중에서 실제 컨텐트를 시청할 것으로 예측되는 사용자의 사용자특성에 대응하는 타겟 서비스가 제공될 수 있다. 이러한 사용자 및 사용자특성은 전자장치(10)에 의해 식별될 수 있으며, 사용자특성과 사용자를 식별하는 구체적인 동작에 대해서는 이하의 실시예들에서 상세하게 설명하기로 한다.
외부장치(20)는 내부/외부의 저장매체에 저장된 신호/데이터에 기초한 동영상, 정지영상, 어플리케이션(application), OSD(on-screen display), 다양한 동작 제어를 위한 유저 인터페이스(user interface, UI) 등을 화면에 표시하도록 신호를 처리할 수 있다.
외부장치(20)는, 컨텐트를 제공할 수 있는 서버 혹은 단말장치를 포함한 다양한 소스로부터 유선 또는 무선 네트워크 통신에 의해 컨텐트를 수신할 수 있으며, 통신의 종류는 한정되지 않는다. 외부장치(20)는 복수의 소스, 즉, 장치들로부터 컨텐트를 수신할 수 있다.
구체적으로, 외부장치(20)는 외부와 통신을 위해 마련된 무선 인터페이스부의 구현 형태에 대응하여 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), 블루투스(bluetooth), 블루투스 저에너지(bluetooth low energy), 지그비(Zigbee), UWB(Ultra-Wideband), NFC(Near Field Communication) 등의 규격에 대응하는 신호를 영상 컨텐트로서 무선 네트워크 통신을 통해 수신할 수 있다. 또한, 외부장치(20)는 이더넷(Ethernet) 등과 같은 유선 네트워크 통신을 통해 컨텐트 신호를 수신할 수 있다.
일 실시예에서 외부장치(20)는 유선 또는 무선 네트워크를 통해 컨텐트 프로바이더, 즉, 컨텐트 서버로부터 컨텐트를 수신할 수 있다. 예를 들면, 외부장치(20)에는 VOD(video on demand)와 같은 미디어파일이나 웹컨텐트 등이 실시간 스트리밍 방식으로 제공될 수 있다.
외부장치(20)는, 웹서버나, OTT(over the top) 서비스를 제공할 수 있는 OTT 서버로부터 VOD와 같은 비디오 컨텐트 또는 미디어 컨텐트를 제공받을 수 있다.
외부장치(20)는 컨텐트 재생을 위한 어플리케이션, 예를 들면, VOD 어플리케이션을 실행하여, 서버 등으로부터 컨텐트를 수신 및 그 수신한 컨텐트를 처리함으로써, 해당 컨텐트에 대응하는 영상이 디스플레이를 통해 출력 즉, 표시되도록 할 수 있다. 여기서, 외부장치(20)는 실행된 어플리케이션에 대응하는 사용자 계정을 이용하여 서버 또는 다른 소스로부터 컨텐트를 수신할 수 있다.
사용자는 외부장치(20)를 이용하여 다양한 컨텐트를 시청할 수 있다. 외부장치(20)는 이러한 컨텐트의 시청이력(content viewing history)에 관한 정보를 전자장치(10)로 제공할 수 있다.
외부장치(20)에서 제공되는 시청이력 정보의 종류는 한정되지 않으며, 예를 들면, 외부장치(20)를 통하여 사용자에 의해 시청된 복수 컨텐트에 관한 시청성향에 관한 데이터(이하, 사용자데이터 라고도 한다)를 포함할 수 있다.
외부장치(20)에는 사용자의 컨텐트에 관한 시청이력이 누적되어 저장될 수 있다. 이러한 시청이력으로부터 복수 컨텐트에 대한 외부장치(20)의 사용자의 시청성향에 관한 데이터가 획득될 수 있다. 즉, 하나 이상의 외부장치 20의 사용자의 시청성향은 사용자에 의한 복수 컨텐트의 시청이력을 분석하여 결정될 수 있다.
전자장치(10)는 외부장치(20)로부터 복수의 컨텐트에 대한 시청성향에 관한 사용자데이터를 수신할 수도 있고, 또는 외부장치(20)로부터 시청이력 정보를 수신하여 시청성향을 결정할 수도 있다.
일 실시예에서 전자장치(10)는 복수의 외부장치(20) 각각에 대한 시청성향에 관한 데이터를 각 외부장치(20)의 식별정보와 대응시켜 저장 및 관리할 수 있다.
전자장치(10)는 외부장치(20)로부터 획득되는 시청이력 정보, 예를 들면, 복수 컨텐트에 대한 시청성향에 관한 사용자데이터에 기초하여, 외부장치(20)에 대한 사용자특성을 식별할 수 있다.
일 실시예에서, 외부장치(20)가 텔레비전(TV)과 같은 복수 사용자가 공동으로 사용하는 장치인 경우, 전자장치(10)는 외부장치(20)에 대해 2 이상의 사용자특성을 식별할 수 있다. 전자장치(10)는 식별된 2 이상의 사용자특성을 가지는 2 이상의 사용자 중에서 특정 컨텐트특성에 대응하는 사용자특성을 가지는 사용자를 식별할 수 있다.
이하, 도면을 참조하여, 본 발명 일 실시예에 따른 전자장치의 구성들에 대해 설명하기로 한다.
도 2는 본 발명 일 실시예에 의한 전자장치의 구성을 도시한 블록도이다.
다만, 도 2에 도시된 본 발명의 일 실시예에 의한 전자장치(10)의 구성은 하나의 예시일 뿐이며, 다른 실시예에 의한 전자장치는 도 2에 도시된 구성 외에 다른 구성으로 구현될 수 있다. 즉, 본 발명의 전자장치(10)는 도 2에 도시된 구성 외 다른 구성이 추가되거나, 혹은 도 2에 도시된 구성 중 적어도 하나가 배제된 형태로 구현될 수 있다. 또한, 본 발명의 전자장치(10)는, 도 2에 구성된 구성의 일부가 변경되는 형태로 구현될 수도 있다.
본 발명 일 실시예에 따른 전자장치(10)는, 도 2에 도시된 바와 같이, 인터페이스부(110)를 포함할 수 있다.
인터페이스부(110)는, 전자장치(10)가 적어도 하나의 외부장치(20)와 통신할 수 있도록 한다.
인터페이스부(110)는 유선 인터페이스부(111)를 포함할 수 있다. 유선 인터페이스부(111)는 HDMI, HDMI-CEC, USB, 컴포넌트(Component), 디스플레이 포트(DP), DVI, 썬더볼트, RGB 케이블 등의 규격에 따른 신호/데이터를 송/수신하는 연결부를 포함할 수 있다. 여기서, 유선 인터페이스부(111)는 이들 각각의 규격에 대응하는 적어도 하나 이상의 커넥터, 단자 또는 포트를 포함할 수 있다.
유선 인터페이스부(111)는 USB 포트 등과 같은 범용 데이터 전송규격에 따른 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부(111)는 광 전송규격에 따라 광케이블이 연결될 수 있는 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부(111)는 외부 마이크 또는 마이크를 구비한 외부 오디오기기가 연결되며, 마이크 또는 오디오기기로부터 오디오 신호를 수신 또는 입력할 수 있는 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부(111)는 헤드셋, 이어폰, 외부 스피커 등과 같은 오디오기기가 연결되며, 오디오기기로 오디오 신호를 전송 또는 출력할 수 있는 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부(111)는 이더넷(Ethernet) 등과 같은 네트워크 전송규격에 따른 커넥터 또는 포트를 포함할 수 있다. 예컨대, 유선 인터페이스부(111)는 라우터 또는 게이트웨이에 유선 접속된 랜카드 등으로 구현될 수 있다.
유선 인터페이스부(111)는 다양한 종류의 통신 프로토콜에 대응하는 유선 통신모듈(S/W module, chip 등)을 포함하는 통신회로(communication circuitry)로서 구현될 수 있다.
인터페이스부(110)는 무선 인터페이스부(112)를 포함할 수 있다.
무선 인터페이스부(112)는 무선 인터페이스부(112)는 전자장치(10)의 구현 형태에 대응하여 다양한 방식으로 구현될 수 있다. 예를 들면, 무선 인터페이스부(112)는 통신방식으로 RF(radio frequency), 지그비(Zigbee), 블루투스(bluetooth), 와이파이(Wi-Fi), UWB(Ultra WideBand) 및 NFC(Near Field Communication) 등 무선통신을 사용할 수 있다.
무선 인터페이스부(112)는 다양한 종류의 통신 프로토콜에 대응하는 무선 통신모듈(S/W module, chip 등)을 포함하는 통신회로(communication circuitry)로서 구현될 수 있다.
일 실시예에서 무선 인터페이스부(112)는 무선랜유닛을 포함한다. 무선랜유닛은 프로세서(140)의 제어에 따라 억세스 포인트(access point, AP)를 통해 무선으로 외부장치와 연결될 수 있다. 무선랜유닛은 와이파이 모듈을 포함한다.
일 실시예에서 무선 인터페이스부(112)는 억세스 포인트 없이 무선으로 전자장치(10)와 외부장치(20) 사이에 1 대 1 다이렉트 통신을 지원하는 무선통신모듈을 포함한다. 무선통신모듈은 와이파이 다이렉트, 블루투스, 블루투스 저에너지 등의 통신방식을 지원하도록 구현될 수 있다. 전자장치(10)가 외부장치와 다이렉트로 통신을 수행하는 경우, 후술하는 저장부(130)에는 통신 대상 기기인 외부장치(20)에 대한 식별정보(예를 들어, MAC address 또는 IP address)가 저장될 수 있다.
본 발명 일 실시예에 따른 전자장치(10)에서, 무선 인터페이스부(112)는 성능에 따라 무선랜유닛과 무선통신모듈 중 적어도 하나에 의해 외부장치와 무선 통신을 수행하도록 마련된다.
다른 실시예에서 무선 인터페이스부(112)는 LTE와 같은 이동통신, 자기장을 포함하는 EM 통신, 가시광통신 등의 다양한 통신방식에 의한 통신모듈을 더 포함할 수 있다.
무선 인터페이스부(112)는 네트워크 상의 외부장치(20) 등과 무선 통신함으로써, 외부장치와 데이터 패킷을 송수신할 수 있다.
전자장치(10)는 사용자입력부(120)를 포함할 수 있다.
사용자입력부(120)는 사용자의 입력에 의해, 기설정된 다양한 제어 커맨드 또는 한정되지 않은 정보를 프로세서(140)에 전달한다.
사용자입력부(120)는 사용자 입력을 수신할 수 있는 다양한 입력수단을 포함한다.
일 실시예에서 사용자입력부(120)는 전자장치(10)에 마련된 전원키, 숫자키, 메뉴키 등의 버튼을 포함하는 키패드(또는 입력패널)를 포함할 수 있다. 사용자입력부(120)는 또한 터치스크린을 더 포함할 수 있다.
일 실시예에서 사용자입력부(120)는 전자장치(10)를 원격으로 제어 가능하게 기설정된 커맨드/데이터/정보/신호를 생성하여 전자장치(10)로 전송하는 입력장치를 포함할 수 있다. 입력장치는, 예를 들면, 리모컨(remote control), 키보드(keyboard), 마우스(mouse) 등을 포함하며, 전자장치(10)와 이격 분리되어, 사용자 입력을 수신할 수 있다. 입력장치는 전자장치(10) 본체와 무선통신이 가능한 외부장치가 되며, 무선통신은 블루투스, 적외선 통신, RF 통신, 무선랜, 와이파이 다이렉트 등을 포함한다.
전자장치(10)는 저장부(130)를 포함할 수 있다.
저장부(130)는 전자장치(10)의 다양한 데이터를 저장하도록 구성된다.
저장부(130)는 전자장치(10)에 공급되는 전원이 차단되더라도 데이터들이 남아있을 수 있으며, 변동사항을 반영할 수 있도록 쓰기 가능한 비휘발성 메모리(writable ROM)로 구비될 수 있다. 즉, 저장부(130)는 플래쉬 메모리(flash memory), EPROM 또는 EEPROM 중 어느 하나로 구비될 수 있다. 저장부(130)는 전자장치(10)의 읽기 또는 쓰기 속도가 비휘발성 메모리에 비해 빠른 DRAM 또는 SRAM과 같은 휘발성 메모리(volatile memory)를 더 구비할 수 있다.
저장부(130)에 저장되는 데이터는, 예를 들면 전자장치(10)의 구동을 위한 운영체제를 비롯하여, 이 운영체제 상에서 실행 가능한 다양한 프로그램, 어플리케이션, 영상데이터, 부가데이터 등을 포함한다.
구체적으로, 저장부(130)는 프로세서(140)의 제어에 따라 각 구성요소들의 동작에 대응되게 입/출력되는 신호 또는 데이터를 저장할 수 있다. 저장부(130)는 전자장치(10)의 제어를 위한 제어 프로그램, 제조사에서 제공되거나 외부로부터 다운로드 받은 어플리케이션과 관련된 UI, UI를 제공하기 위한 그래픽 또는 이미지, 사용자 정보, 문서, 데이터베이스들 또는 관련 데이터들을 저장할 수 있다.
일 실시예에서 저장부(130)에는 외부장치(20)에 대해 사용자특성 및 사용자를 식별하기 위한 참조데이터가 저장될 수 있다.
저장부(130)에는 외부장치(20)의 사용자특성을 식별하기 위해 사용되는 제1참조데이터가 저장될 수 있다. 여기서, 제1참조데이터는, 복수 컨텐트에 대한 복수 사용자의 시청이력에 기초하여 마련되며, 복수 사용자의 시청성향과 사용자특성 간의 관계에 관한 것일 수 있다.
또한, 저장부(130)에는 2 이상의 사용자특성을 가지는 2 이상의 사용자 중 소정 컨텐트특성에 대응하는 사용자특성을 가지는 사용자를 식별하기 위해 사용되는 제2참조데이터가 저장될 수 있다. 여기서, 제2참조데이터는, 복수 사용자의 시청이력에 기초하여 마련되며, 복수 컨텐트의 컨텐트특성과 사용자특성 간의 관계에 관한 것일 수 있다.
일 실시예에서, 제1참조데이터와 제2참조데이터는 공통된 로 데이터(raw data)로서 샘플링된 복수의 사용자(일반사용자)의 시청데이터를 기반으로 하여 도출될 수 있다.
제1참조데이터와 제2참조데이터는, 일례로 전자장치(10)가 복수의 외부장치(20)로부터 수집한 시청데이터에 기초하여 도출될 수 있다.
다른 예로서, 제1참조데이터와 제2참조데이터는 표본장치로서 미리 정해진 복수의 미디어장치, 예를 들면, 시청률 조사장치가 설치된 TV 등을 통해 수집된 표본데이터에 기초하여 도출될 수 있다. 표본데이터는 각 미디어장치의 사용자특성 정보와, 시청이력 정보 등을 포함할 수 있다.
일 실시예에서 저장부(130)에는 적어도 하나의 데이터베이스(database, DB)가 마련될 수 있다. 예를 들면, 저장부(130)는, 외부장치(20)에 대해 식별된 사용자특성 정보가 저장되는 데이터베이스와, 특정 컨텐트특성에 대응하는 사용자특성을 가지는 것으로 식별된 사용자 정보가 저장되는 데이터베이스를 포함할 수 있다.
일 실시예에서 저장부(130)에는, 복수의 외부장치(20) 각각에 대해 사용자특성 정보와, 컨텐트특성에 대응하여 사용자 정보를 저장 및 관리하는 데이터베이스가 마련되도록 구현될 수 있다.
본 발명의 실시예에서 저장부 라는 용어는 저장부(130), 후술하는 프로세서(140) 내 롬(ROM)(도시되지 아니함), 램(RAM)(도시되지 아니함) 또는 전자장치(10)에 장착 가능한 메모리 카드(도시되지 아니함)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 것으로서 정의된다.
전자장치(10)는 프로세서(140)를 포함할 수 있다.
프로세서(140)는 전자장치(10)의 제반 구성들이 동작하기 위한 제어를 수행한다. 프로세서(140)는 이러한 제어 동작을 수행할 수 있도록 하는 제어프로그램(혹은 인스트럭션)과, 제어프로그램이 설치되는 비휘발성의 메모리, 설치된 제어프로그램의 적어도 일부가 로드되는 휘발성의 메모리 및 로드된 제어프로그램을 실행하는 적어도 하나의 범용 프로세서, 예를 들면 마이크로 프로세서(microprocessor), 응용 프로세서(application processor) 혹은 CPU(central processing unit)를 포함할 수 있다.
프로세서(140)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함할 수 있다. 프로세서(140)는 복수의 프로세서, 예를 들어, 메인 프로세서(main processor) 및 슬립 모드(sleep mode, 예를 들어, 대기 전원만 공급되고 디스플레이장치로서 동작하지 않는)에서 동작하는 서브 프로세서(sub processor)를 포함할 수 있다. 또한, 프로세서, 롬 및 램은 내부 버스(bus)를 통해 상호 연결될 수 있다.
일 실시예에서 프로세서(140)는 전자장치(10)에 내장되는 PCB 상에 실장되는 메인 SoC(Main SoC)에 포함되는 형태로서 구현 가능하다.
제어프로그램은, BIOS, 디바이스드라이버, 운영체계, 펌웨어, 플랫폼 및 어플리케이션 중 적어도 하나의 형태로 구현되는 프로그램(들)을 포함할 수 있다. 일 실시예로서, 어플리케이션은, 전자장치(10)의 제조 시에 전자장치(10)에 미리 설치 또는 저장되거나, 혹은 추후 사용 시에 외부로부터 어플리케이션의 데이터를 수신하여 수신된 데이터에 기초하여 전자장치(10)에 설치될 수 있다. 어플리케이션의 데이터는, 예컨대, 어플리케이션 마켓과 같은 외부 서버로부터 전자장치(10)로 다운로드될 수도 있다. 이와 같은 외부 서버는, 본 발명의 컴퓨터프로그램제품의 일례이나, 이에 한정되는 것은 아니다.
제어프로그램은 컴퓨터와 같은 기기로 읽을 수 있는 저장매체에 기록될 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체 또는 비휘발성(non-volatile) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 일례로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
프로세서(140)는 외부장치(20)로부터 획득되는 시청이력 정보에 기초하여, 외부장치(20)에 대한 사용자특성을 식별한다. 또한, 프로세서(140)는, 식별된 2 이상의 사용자특성을 가지는 2 이상의 사용자 중에서 특정 컨텐트특성에 대응하는 사용자특성을 가지는 사용자를 식별할 수 있다.
이하의 실시예에서는, 외부장치(20)가 복수 사용자가 공동으로 사용할 수 있는 미디어장치, 예를 들면, 텔레비전(TV)인 경우를 예로 들어 설명하지만, 본 발명의 적용범위는 이에 한정되는 것이 아니므로, 외부장치(20)가 1인 가구의 텔레비전인 경우, 즉, 사용자가 한 명인 경우도 본 발명에 포함된다. 또한, 외부장치(20)가 예를 들어, 스마트폰이나 태블릿과 같은 개인 미디어장치인 경우에도 본 발명이 적용될 수 있다.
또한, 이하의 실시예는 하나의 외부장치(20)를 기준으로 사용자특성과 사용자를 식별하는 경우를 예를 들어 설명하지만, 본 발명의 전자장치(10)는 복수의 외부장치(20)로부터 시청이력 정보를 획득하여, 복수의 외부장치(20) 각각에 대해 사용자특성과 사용자를 식별하도록 구현될 수 있다.
도 3은 본 발명 일 실시예에 따른 전자장치의 제어 동작을 도시한 흐름도이다.
전자장치(10)의 프로세서(140)는, 도 3에 도시된 바와 같이, 복수 컨텐트에 대한 시청성향에 관한 사용자데이터를 획득할 수 있다(301). 여기서, 시청성향은, 사용자가 외부장치(20)를 통해 시청한 복수 컨텐트에 대한 사용자의 시청이력 데이터로부터 획득될 수 있다. 예를 들면, 시청이력 데이터는 컨텐트의 장르(genre), 시청 시점/시각(time), 시청 지속시간(duration) 등에 관한 정보를 포함하며, 시청 성향은 장르, 시청 시각, 시청 지속시간 등과 관련된 시청이력에 기초하여 결정될 수 있다.
일 실시예에서, 프로세서(140)는, 인터페이스부(110)를 통해 외부장치(20)로부터 복수 컨텐트에 대한 시청이력 데이터를 수신하고, 수신된 시청이력 데이터로부터 시청성향에 관한 사용자데이터를 획득할 수 있다.
다른 실시예에서, 프로세서(140)는, 인터페이스부(110)를 통해 외부장치(20)로부터 시청성향에 관한 사용자데이터를 수신할 수 있다.
프로세서(140)는, 단계 301에서 획득된 사용자데이터의 시청성향에 대응하는 2 이상의 사용자특성을 식별한다(302).
구체적으로, 프로세서(140)는, 복수 컨텐트에 대한 복수 사용자의 시청이력에 기초하여 마련된 복수 사용자의 시청성향과 사용자특성 간의 관계에 관한 제1참조데이터에 기초하여, 단계 301에서 획득된 사용자데이터의 시청성향에 대응하는 2 이상의 사용자특성을 식별할 수 있다.
여기서, 사용자특성은, 사용자의 나이, 성별, 거주 지역, 소득수준 등을 나타내는 인류 통계학적 정보, 다시 말해, 데모그래픽(demographic) 정보를 포함한다. 일 실시예에서, 사용자특성, 즉, 데모그래픽 정보는 연령 또는 성별 중 적어도 하나에 따라 구분 또는 분류된 복수의 그룹 중 어느 하나에 대응할 수 있다.
프로세서(140)는, 예를 들면, 2 이상의 연령대(연령범위)나, 2 이상의 성별 또는 이들의 선택적 조합으로 이루어진 복수의 사용자특성을 식별할 수 있다. 일례로, 가정 내 설치된 텔레비전(TV)인 외부장치(20)에 대해, 30대 남성, 30대 여성, 유아/미취학아동의 3개의 사용자특성이 식별될 수 있다.
프로세서(140)는, 단계 302에서 식별된 2 이상의 사용자특성을 가지는 2 이상의 사용자 중에서, 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 사용자를 식별한다(303).
구체적으로, 프로세서(140)는, 복수 컨텐트에 대한 복수 사용자의 시청이력에 기초하여 마련된 복수 컨텐트의 컨텐트특성과 사용자특성 간의 관계에 관한 제2참조데이터에 기초하여, 단계 302에서 식별된 2 이상의 사용자특성을 가지는 2 이상의 사용자 중에서 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 사용자를 식별할 수 있다.
여기서, 컨텐트특성은, 컨텐트의 장르 또는 방송 시간 중 적어도 하나에 기초하여 결정될 수 있다.
구체적으로, 컨텐트특성은, 컨텐트의 장르, 방송 또는 송출 시간대(예를 들면, 평일 또는 주말, 프라임 타임(prime time), 심야 등), 방송 또는 송출 지역(예를 들면, 수도권, 도시 또는 도서지역 등), 혹은 이들의 선택적 조합에 의해 정의될 수 있다. 예를 들면, 심야시간에 송출되는 스포츠 장르, 주말 프라임 타임에 송출되는 코미디 장르 등이 컨텐트특성으로 정의될 수 있다.
예를 들면, 단계 302에서 2 이상의 사용자특성으로 30대 남성, 30대 여성, 유아/미취학아동이 식별된 경우, 프로세서(140)는 각 사용자특성에 대응하는 2 이상의 사용자(순서대로 사용자 1, 2, 3) 중에서 지정된 컨텐트특성, 일례로, 심야시간에 송출되는 스포츠 장르에 대응하는 사용자특성(30대 남성)에 대응하는 사용자 1을 식별할 수 있다.
그리고, 프로세서(140)는, 단계 303에서 식별된 사용자에 관하여 컨텐트 관련 동작을 수행할 수 있다(304).
여기서, 컨텐트 관련 동작은 식별된 사용자의 사용자특성에 대응하는 맞춤형 서비스, 즉, 타겟 서비스를 포함한다. 일례로, 프로세서(140)는 식별된 사용자특성에 기초하여 외부장치(20)를 통해 타겟 광고를 제공하도록 할 수 있다.
예를 들어, 단계 303에서 식별된 사용자(사용자 1)의 사용자특성인 30대 남성을 타겟으로 하는 자동차 광고가 외부장치(20)를 통해 심야시간에 제공될 수 있다.
여기서, 전자장치(10)는 상기의 컨텐트 관련 동작을 직접 수행하거나, 또는, 컨텐트 관련 동작을 수행할 수 있는 다른 장치, 예를 들면, 광고서버에 식별된 정보를 출력하여, 광고서버가 외부장치(20)에 대해 컨텐트 관련 동작을 수행하도록 할 수 있다.
일 실시예로서, 상기와 같은 프로세서(140)의 동작은 전자장치(10)와 별도로 마련되는 컴퓨터프로그램제품(미도시)에 저장된 컴퓨터프로그램으로 구현될 수도 있다.
이 경우, 컴퓨터프로그램제품은 컴퓨터프로그램에 해당하는 인스트럭션이 저장된 비일시적 또는 비휘발성의 메모리와, 프로세서를 포함한다. 인스트럭션은, 프로세서에 의해 실행되면, 복수 컨텐츠에 대한 시청성향에 관한 사용자데이터를 획득하고, 복수 사용자의 시청성향과 사용자특성 간의 관계에 관한 제1참조데이터에 기초하여 2 이상의 사용자특성을 식별하고, 복수 컨텐츠의 컨텐트특성과 사용자특성 간의 관계에 관한 제2참조데이터에 기초하여 2 이상의 사용자 중에서 지정된 컨텐트에 대응하는 사용자특성을 가지는 사용자를 식별하는 것을 포함한다.
이에 따라, 전자장치(10)는 별도의 컴퓨터프로그램제품에 저장된 컴퓨터프로그램을 다운로드 및 실행하여, 프로세서(140)의 동작을 수행할 수 있다.
한편, 본 발명 일 실시예의 전자장치(10)에서, 상기와 같은 프로세서(140)의 동작은, 인공지능(Artificial Intelligence, AI) 모델을 이용하여 수행될 수 있다.
인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 머신러닝(기계학습), 딥러닝과 같은 학습기반 처리에 사용되는 알고리즘에 의하여 다수의 학습 데이터들을 스스로 분류/학습함으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어 각각은 복수의 가중치들을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다.
추론/예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론(Knowledge based Reasoning), 최적화 예측(Optimization Prediction), 선호 기반 계획(Preference-based Planning), 추천(Recommendation) 등을 포함한다.
도 4는 본 발명 일 실시예의 전자장치에서 프로세서의 구성을 도시한 블록도이다. 도 5는 본 발명 일 실시예에 따른 전자장치의 사용자특성과 사용자를 식별하는 제어 동작을 상세하게 도시한 흐름도이다.
도 5에 도시된 제어 동작은, 학습을 통해 생성되는 모델을 이용하여 미디어장치에 대한 사용자특성(데모그래픽)과 컨텐트특성에 대응하는 사용자를 각각 추론하도록 구현된다. 도 5에 도시된 제어 동작의 각 단계는, 도 3에서 설명된 단계를 구체화한 것이거나, 혹은 도 3의 제어 동작에 추가된 단계일 수 있다.
본 발명 일 실시예에 따른 전자장치(10)에서, 프로세서(140)는, 도 4에 도시된 바와 같이, 데이터전처리부(141), 제1특징 추출부(142), 제1학습 모델링부(143), 데모그래픽 추론부(144), 제2특징 추출부(145), 제2학습 모델링부(146), 및 사용자 추론부(147)를 포함할 수 있다.
상기와 같은 프로세서(140)의 각 구성들(141, 142, 143, 144, 145, 146, 147) 또는 이들의 2 이상의 조합은 소프트웨어 모듈 또는 하드웨어 모듈과 소프트웨어 모듈의 결합에 의해 구현되거나, 앞서 설명한 컴퓨터프로그램으로 구현될 수 있다. 이하에서, 데이터전처리부(141), 제1특징 추출부(142), 제1학습 모델링부(143), 데모그래픽 추론부(144), 제2특징 추출부(145), 제2학습 모델링부(146), 및 사용자 추론부(147)에 의해 수행되는 동작은, 프로세서(140)가 수행하는 것으로 이해될 것이다.
도 4에 도시된 데이터전처리부(141)는, 도 5에 도시된 바와 같이, 컨텐트 재생을 위한 미디어장치로부터 컨텐트에 대한 시청데이터를 획득, 즉, 수집(collect)할 수 있다(501).
도 6은 본 발명 일 실시예에 따른 전자장치에서 데이터전처리부의 동작을 설명하기 위한 도면이다.
데이터전처리부(141)는, 도 6에 도시된 바와 같이, 텔레비전(TV)을 포함하는 미디어장치의 시청데이터로서, 컨텐트에 대한 시청이력정보(content viewing history)를 수집한다. 여기서, 데이터전처리부(141)는 미리 정해진 시간 구간 단위로 시청데이터를 수집 가능하며, 예를 들면, 하루를 6개의 시간 구간(slot)으로 구분하여 시청데이터를 수집할 수 있다.
일 실시예에서 데이터전처리부(141)는 복수의 미디어장치 각각으로부터 시청데이터를 수십하며, 수집된 데이터는 후술하는 전처리 및 특징데이터의 추출 과정을 통해 학습을 통한 모델링에 사용될 수 있다.
일 실시예에서 데이터전처리부(141)에서 수집되는 데이터는, 미디어장치에 대한 기기 사용성 데이터를 포함할 수 있다. 기기 사용성 데이터는, 미디어장치를 통해 연결된 다른 장치의 사용 여부, 스마트 기능을 지원하는 어플리케이션(Smart App)의 사용 여부 등을 포함할 수 있다.
데이터전처리부(141)는, 도 5에 도시된 단계 501에서 획득된 시청데이터에 대한 전처리 작업을 수행한다(502).
전처리 작업은 수집된 데이터에 대한 유효성 검사로서 수행되는 데이터 검증(data validation)을 포함한다.
데이터전처리부(141)는, 수집된 시청데이터 중 유효하지 않은 데이터에 대한 정제, 즉, 클렌징(cleansing)(또는 제거(removing))을 통해 데이터 검증을 수행할 수 있다. 데이터전처리부(141)는, 기설정된 기준시간 이하로 시청되었거나, 또는 기설정된 기준시간 이상으로 시청한 데이터는 결측치(invalid value)로 판단해 제거할 수 있다. 예를 들면, 데이터전처리부(141)는 시청 시각이 5분 이하이거나, 또는 10시간 이상인 경우 결측치로 판단할 수 있다. 그러나, 이는 예시에 불과하며, 기설정된 기준시간은 사용자 또는 제조업체에 의한 입력에 따라 다양하게 결정될 수 있다.
전처리 작업은 클렌징이 수행된 데이터에 대한 분류 및 맵핑(mapping)을 포함한다.
데이터전처리부(141)는, 시청데이터를 소정 시청 시간 구간(viewing time slice), 예를 들면, 1시간 별로 구분하여 분류할 수 있다.
또한, 데이터전처리부(141)는, 시청데이터를 프로그램 명(program title)에 대한 상위 개념으로서 미리 정의된 일반적인 장르(general genre) 별로 맵핑할 수 있다. 여기서, 장르는 전술한 컨텐트특성에 포함된다. 즉, 데이터전처리부(141)는 컨텐트특성에 대응하여 분류 및 맵핑할 수 있다.
데이터전처리부(141)는 시청데이터들의 프로그램 명을, 예를 들면, 50개의 장르 별로 맵핑할 수 있다. 그러나, 이는 예시에 불과하며, 각 장르의 종류 및 개수는 한정되지 않는다. 상기와 같은 장르 별 맵핑을 통해 데이터 차원 수를 감소시켜, 이후의 머신러닝 수행에 있어 데이터의 차원이 높아질 수록 알고리즘의 실행이 까다로워지는 문제(curse of dimension)를 해소하고, 과적합(overfitting)을 방지할 수 있다.
데이터전처리부(141)는, 수집된 기기 사용성 데이터에 대해서도 상기와 같은 전처리 작업을 수행할 수 있다.
데이터전처리부(141)는, 이러한 전처리 작업을 통해 수집된 데이터(시청데이터)가 병합 및 저장되도록 함으로써, 해당 데이터에 머신 러닝이 적용될 수 있도록 한다.
도 4에 도시된 제1특징 추출부(142)는, 도 5에 도시된 단계 502에서 전처리된 데이터를 프로파일링(profiling)하여, 장치에 대한 특징데이터(feature)를 추출한다(503).
도 7은 본 발명 일 실시예에 따른 전자장치에서 제1특징 추출부의 동작을 설명하기 위한 도면이다.
제1특징 추출부(142)는, 도 7에 도시된 바와 같이, 데이터전처리부(141)에 의해 전처리된 미디어장치의 시청이력 데이터(시청데이터)에 대한 프로파일링을 수행하여, 각 미디어장치를 대표하는 다수의 특징을 가진 특징데이터를 추출할 수 있다.
일 실시예에서 제1특징 추출부(142)는 각 미디어장치에 대해 특징데이터를 추출하여 제1학습 모델링부(143)로 제공함으로써, 제1학습 모델링부(143)에서 알고리즘에 따른 학습이 이루어질 수 있도록 한다.
제1특징 추출부(142)는, 시청데이터를 1개월, 6개월 등의 지정된 기간 단위로 통합(aggregation)하고, 통합된 데이터로부터 특징 벡터(feature vector)로 생성할 수 있다. 지정된 기간은, 예를 들면, 2주, 1개월, 6개월, 1년 등의 단위로 정해질 수 있으나, 한정되는 것은 아니다. 기간이 너무 짧으면 사용자가 시청한 프로그램(컨텐트)의 수와 시청 시간이 충분하지 않으므로, 특징데이터가 희소(sparse)함으로 인해, 모델의 정상적인 학습이 어려울 수 있으므로, 적절한 기간을 설정하여 데이터가 통합되도록 할 수 있다.
일 실시예에서, 제1특징 추출부(142)는 소정 컨텐트특성(시간 및 장르)에 대응하여 시청 여부를 나타내는 특징데이터를 생성할 수 있다.
구체적으로, 제1특징 추출부(142)는 시청 지속기간(duration)을 사용하는 것이 아닌, 특정 시간 단위 기간, 예를 들면, 1시간 또는 미리 구분된 데이파트(daypart) 별로 특정 장르의 컨텐츠의 시청 여부를 나타내는 특징데이터를 생성할 수 있다.
구체적으로, 제1특징 추출부(142)는, 예를 들어, 미디어장치를 통해 1990년 2월 1일 프라이타임 동안에 코미디 장르 컨텐트를 시청한 경우 1을, 시청하지 않은 경우 0로 특징데이터를 생성한다.
또한, 제1특징 추출부(142)는, 이를 정해진 기간 단위로 통합하여 특징데이터로 생성한다. 예를 들어, 6개월 동안 프라임 타임에 코미디 장르를 시청한 횟수를 카운트하여, 그 결과를 특징데이터로 생성할 수 있다.
일 실시예에서 제1특징 추출부(142)는, 전처리된 기기 사용성 데이터로부터 특징데이터(usage feature)를 더 생성할 있다. 예를 들면, 연결된 다른 장치의 사용 여부, 스마트 기능(Smart APP)의 사용여부 등을 나타내는 특징벡터가 생성될 수 있으며, 연결된 다른 장치의 식별정보(제조사 명 등)도 특징데이터로 생성될 수 있다.
제1특징 추출부(142)는, 상기와 같이 추출/생성된 특징데이터를 정규화(normalization)한다. 정규화를 통해 특징 스케일링(feature scaling)이 진행될 수 있다. 정규화 방법으로는, 예를 들어, MinMax(min-max scaler), MaxAbs, Standardization(standard scaler), 등이 활용될 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에서 제1특징 추출부(142)는, 학습을 위한 정답지 데이터로서 레이블 셋(label set)을 더 생성할 수 있다. 즉, 시청데이터가 이미 사용자특성(데모그래픽 정보)를 포함하는 경우, 후술하는 데모그래픽 추론의 과정 없이, 레이블링에 의해 사용자특성으로서 데모그래픽이 식별될 수 있다.
레이블 셋은, 예를 들면, 미리 분류 또는 그룹화된 데모그래픽 정보를 활용하여 수행될 수 있다. 여기서, 데모그래픽 정보로서 연령 데이터는 연속적(continuous)으로 사용하거나, 또는 카테고리적(categorical)으로 변경하여 사용될 수 있다. 카테고리적으로 변경하여 사용하는 경우의 일례로, 연령(Age), 성별(Gender) 등을 여러 개의 범주로 데모그래픽 정보를 분류할 수 있다. 예를 들면, 데모그래픽 정보는 14개로 범주로 분류되어, 여성(Female) 18세 미만, 여성(Female) 18~24세, 여성(Female) 25~34세, 여성(Female) 35~44세, 여성(Female) 45~54세, 여성(Female) 55~64세, 여성(Female) 65~99세, 남성(Male) 18세 미만, 남성(Male) 18~24세, 남성(Male) 25~34세, 남성(Male) 35~44세, 남성(Male) 45~54세, 남성(Male) 55~64세, 남성(Male) 65~99세 등과 같이 그룹화될 수 있다. 그러나, 상기 실시예에 한정되지 않으며, 데모그래픽 정보는 다양한 다른 팩터를 고려하여 다르게 그룹화될 수 있다.
일 실시예에서 제1특징 추출부(142)는, 다양한 종류의 미디어장치의 시청데이터에 대해 특징데이터를 추출할 수 있도록 구현된다. 즉, 각 장치 별로 데이터 수집 시스템의 알고리즘 차이를 극복할 수 있도록 개발(크로스 디바이스 가능한 특징데이터를 구성)되어, 보다 범용적인 사용자특성으로서 데모그래픽의 추론이 가능할 수 있다. 예를 들면, 시청 지속기간(duration)을 사용 시 수집 시스템 차이로 결과값에 편차가 발생될 수 있으므로, 1시간, 10분, 미리 구분된 데이파트(daypart) 등의 특정 시간 단위로 컨텐츠의 시청 여부를 특징으로서 사용할 수 있다.
도 4에 도시된 제1학습 모델링부(143)는, 도 5에 도시된 단계 503에서 추출된 특징데이터를 이용하여 사용자특성, 즉, 데모그래픽 추론을 위한 모델링을 수행할 수 있다(504).
도 8은 본 발명 일 실시예에 따른 전자장치에서 제1학습 모델링부의 동작을 설명하기 위한 도면이다.
제1학습 모델링부(143)는, 사용자특성으로서 데모그래픽 정보를 추론할 수 있는 모델을 학습한다. 여기서, 제1학습 모델링부(143)는, 제1참조데이터에 기초하여 학습을 수행할 수 있다.
일 실시예에서, 제1참조데이터는, 데이터전처리부(141)에서 복수의 미디어장치로부터 수집한 시청데이터에 기초할 수 있다. 제1참조데이터는 각 미디어장치의 데이터로부터 단계 502의 전처리 과정 및 단계 503의 특징데이터 추출 과정을 통해 도출된 특징데이터를 포함하는 것을 일례로 한다.
일 실시예에서 제1학습 모델링부(143)는, 비대칭 데이터(imbalanced data) 문제 해결과 모델 성능 향상을 위한 기법을 사용하여 학습을 수행할 수 있다. 제1학습 모델링부(143)는, 다양한 머신 러닝(machine learning) 또는 딥 러닝(deep learning) 기법을 활용할 수 있으며, 최적화를 위해 하이퍼파라미터 튜닝(hyper-parameter tuning)을 진행할 수 있다.
제1학습 모델링부(143)의 학습에는 랜덤 포레스트(Random Forest), 의사결정트리(Decision Tree), 그라이언트 부스팅(Gradient Boosting)과 같은 머신러닝 알고리즘, 혹은 딥러닝 신경망 구조의 AI 알고리즘이 활용될 수 있으며, 이에 한정되는 것은 아니다.
제1학습 모델링부(143)는, 상기와 같은 알고리즘을 이용하여 학습을 수행함으로써, 사용자특성으로서 데모그래픽에 따른 특징(Demographic information)을 추론하기 위한 모델을 만들어 낼 수 있다.
여기서, 데모그래픽의 추론 모델은 멀티 레이어 모델(multi-layer model)로 구현될 수 있다. 각 모델은, 예를 들면, 1차적으로 청년, 장년, 중년과 같이 컨텐트 시청 패턴이 유사한 큰 단위로 분류되고, n차적으로 세부 단위, 예를 들면, 연령(age)를 추론해가는 방식의 레이어 모델로서 구현될 수 있다.
제1학습 모델링부(143)는 상기와 같은 멀티 레이어 모델링을 통해 보다 유연하게 데모그래픽 정보를 활용할 수 있다. 예를 들면, 데모그래픽 정보를 이용한 타겟 서비스 제공 시 특별히 중년층의 데모그래픽 정보가 필요하거나, 보다 세부적인 20대의 데모그래픽 정보가 필요한 경우 등의 케이스에 대한 유연한 대처가 가능할 수 있다.
또한, 제1학습 모델링부(143)는, 학습에 의해 생성된 모델을 검증하고 일반화 성능을 높이기 위해 n-fold cross-validation 이나 hold-out 와 같은 교차검증을 더 진행할 수 있다.
제1학습 모델링부(143)는, 데모그래픽 정보(Demographic information)가 비대칭적(imbalanced)인 특성을 가지는 경우, 이를 보완하기 위해 코스트-센서티브 학습(cost-sensitive learning)이나 오버샘플링(over-sampling), 제너러티브 모델(generative model) 등을 적용할 수 있다. 예를 들어, 24~35세 여성이 사용하는 TV는 전체 중 15% 정도로서, 데이터가 매우 비대칭적(imbalanced)이기 때문에, 이를 해결하기 위해 코스트-센서티브, 오버샘플링, 또는 제너러티브 모델 기법 등을 활용해 모델이 마이너리티 클래스(minority class)에 대한 학습을 잘 할 수 있도록 유도한다.
예를 들어, minority class가 1이라고 가정하고 이진 분류(binary classification)를 진행할 경우, 코스트-센서티브는 모델이 학습되는 도중 False Negative에 가중치(loss weight)를 높게 하여, 모델이 minority class를 더 학습할 수 있도록 유도할 수 있다.
다른 예로서, 오버샘플링은 minority class에 속한 데이터들을 유사한 데이터를 만들어 비대칭(imbalanced)를 최소화 하는 방법으로, SMOTE (Synthetic Minority Oversampling Technique), ADASYNC (Adaptive Synthetic Sampling) 알고리즘, VAE(Variational Autoencoder) 등을 적용할 수 있다.
데모그래픽 정보로서, 연령(Age) 구간은 시청 패턴이 매우 유사하기 때문에, 제1학습 모델링부(143)는, 모델을 멀티 레이어, 예를 들어, 2개의 레이어(two layer)로 구성하여 학습을 수행함으로써, 모델의 성능을 향상시킬 수 있다.
예를 들면, 18세~24세, 25세~34세, 35세~44세 여성들은 유사한 컨텐트 시청 패턴을 보이기 때문에, 하나의 모델로 데모그래픽을 추론하면 장치를 사용중인 사용자특성이 모든 여성들로 추론되는 경향을 보일 수 있다.
이러한 문제점이 발생하지 않도록, 제1학습 모델링부(143)는 탑 모델(Top Model)과 다운 모델(Down Model)로 추론 모델을 구성하여, 학습을 수행하도록 한다. 예를 들어, 탑 모델(Binary Classification)에서는 18~44세 여성이 소정 미디어장치를 사용하는지 또는 사용하지 않는지 여부를 추론하고, 18~44세 여성이 해당 미디어장치를 사용하는 것으로 추론되면, 다운 모델(Multi-class prediction)을 활용하여 18세~24세, 25~34세, 35세~44세 중 어느 구간에 속하는 여성이 해당 미디어장치를 사용하는지 선택하도록 모델을 학습시킨다. 그리고, 제1학습 모델링부(143)는 4-fold cross-validation을 진행하여 모델을 검증하고, 일반화 성능을 높일 수 있다.
도 4에 도시된 데모그래픽 추론부(144)는, 도 5에 도시된 단계 504에서 학습된 모델을 이용하여, 단계 503에서 추출된 특징데이터로부터 미디어장치의 사용자특성, 즉, 데모그래픽 정보를 추론한다(505).
도 9는 본 발명 일 실시예에 따른 전자장치에서 데모그래픽 추론부의 동작을 설명하기 위한 도면이다.
일 실시예에서 데모그래픽 추론부(144)는, 도 5에 도시된 단계 503에서 프로파일링을 수행하여 도출된 각 미디어장치의 특징데이터와, 도 5에 도시된 단계 504에서 학습된 모델의 1명 이상의 데모그래픽 정보(사용자특성)를 대조함으로써, 각 미디어장치에 대해 데모그래픽(사용자특성)을 결정할 수 있다.
일 실시예에서 데모그래픽 추론부(144)는, 전술한 정답지 데이터, 즉, 레이블 셋이 없는 미디어장치(no label device)에 대해 추출된 특징데이터를 이용하여 데모그래픽 정보를 추론할 수 있다.
이렇게 결정된 사용자특성, 즉, 데모그래픽 정보는 각 미디어장치와 매칭되어, 저장부(130)에 마련된 데모그래픽 데이터베이스(DB)(131)에 저장 및 관리될 수 있다.
데모그래픽 추론부(144)는, 단계 505에서, 소정 미디어장치에 대해 2 이상의 사용자특성(데모그래픽)을 추론할 수 있다. 예를 들어, TV와 같이 가구구성원이 공동으로 사용하는 미디어장치에 대해, 각 가구구성원에 대응하는 2 이상의 사용자특성이 추론될 수 있다.
도 4에 도시된 제2특징 추출부(145)는, 도 5에 도시된 단계 505에서 2 이상의 사용자특성이 추론된 미디어장치에 대해, 소정 컨텐트특성에 대한 특징데이터를 추출한다(506). 여기서, 제2특징 추출부(145)는, 단계 502에서 전처리된 데이터를 프로파일링하여, 컨텐트특성에 대한 특징데이터를 추출할 수 있다.
도 10은 본 발명 일 실시예에 따른 전자장치에서 제2특징 추출부의 동작을 설명하기 위한 도면이다.
제2특징 추출부(145)는, 도 10에 도시된 바와 같이, 미디어장치의 시청이력 데이터에 대한 프로파일링을 수행하여, 컨텐트특성, 예를 들면, 시청한 컨텐트의 장르 또는 시간대 정보를 나타내는 특징데이터를 추출할 수 있다.
제2특징 추출부(145)는, 소정 미디어장치에 대해 단계 505에서 추론된 데모그래픽 정보(예를 들면, 성인 n명, 어린이 n명 등의 데모그래픽 구성)와, 컨텐트 시청패턴 등을 이용한 프로파일링을 통해 특징데이터를 생성할 수 있다. 여기서, 컨텐트 시청패턴은, 데이터전처리부(141)에서 시청 구간 별로 분류되고, 장르 별로 맵핑된 데이터에 기초하여 도출될 수 있다.
여기서, 제2특징 추출부(145)는, 전처리된 시청데이터로부터 소정 미디어장치의 2 이상의 추론된 사용자특성(데모그래픽)을 가지는 2 이상의 사용자에 대해 컨텐트의 시청 패턴을 나타내는 특징데이터를 추출하게 된다.
일 실시예에서 제2특징 추출부(145)는 각 미디어장치에 대해 특징데이터를 추출하여 제2학습 모델링부(146)로 제공함으로써, 제2학습 모델링부(146)에서 알고리즘에 따른 학습이 이루어질 수 있도록 한다.
제2특징 추출부(145)는, 전처리된 기기 사용성 데이터를 특징데이터 생성에 더 이용할 수 있다.
이렇게 생성된 특징데이터는, 예를 들면, 특정 시점 혹은 특정 장르의 지정된 컨텐트특성을 가지는 프로그램에 대한 실제 시청자(사용자)를 판단하기 위한 특징벡터일 수 있다.
도 4에 도시된 제2학습 모델링부(146)는, 도 5에 도시된 단계 506에서 추출된 특징데이터를 이용하여 컨텐트특성에 대응하는 사용자 추론을 위한 모델링을 수행할 수 있다(507).
도 11은 본 발명 일 실시예에 따른 전자장치에서 제2학습 모델링부의 동작을 설명하기 위한 도면이다.
제2학습 모델링부(146)는, 단계 505에서 추론된 2 이상의 사용자특성(데모그래픽)을 가지는 2 이상의 사용자(가구구성원들) 중, 예를 들면, 특정 시점, 특정 장르의 지정된 컨텐트특성을 가지는 프로그램을 시청한 사용자(가구구성원)를 추론할 수 있는 모델을 학습한다. 여기서, 제2학습 모델링부(146)는, 제2참조데이터에 기초하여 학습을 수행할 수 있다.
제2참조데이터는 각 미디어장치의 데이터로부터 단계 502의 전처리 과정 및 단계 506의 특징데이터 추출 과정을 통해 도출된 특징데이터를 포함하는 것을 일례로 한다.
일 실시예에서 제2학습 모델링부(146)는, 다양한 머신 러닝(machine learning) 또는 딥 러닝(deep learning) 기법을 활용할 수 있으며, 최적화를 위해 하이퍼파라미터 튜닝(hyper-parameter tuning)을 진행할 수 있다.
제2학습 모델링부(146)의 학습에는 랜덤 포레스트(Random Forest), 의사결정트리(Decision Tree), 그라이언트 부스팅(Gradient Boosting)과 같은 머신러닝 알고리즘, 혹은 딥러닝 신경망 구조의 AI 알고리즘이 활용될 수 있으며, 이에 한정되는 것은 아니다.
제2학습 모델링부(146)는, 상기와 같은 알고리즘을 이용하여 학습을 수행함으로써, 소정 컨텐트특성, 예를 들면, 특정 시점의 시간 정보 혹은 특정 장르의 프로그램 정보에 대응하는 사용자특성을 가지는 사용자를 추론하기 위한 모델을 생성할 수 있다. 여기서, 컨텐트특성은, 특정 시점이나, 프로그램의 장르에 한정되지 않으며, 예를 들면, 프로그램 명, 주인공, 상영시간 등을 더 포함할 수 있다.
도 4에 도시된 사용자추론부(147)는, 도 5에 도시된 단계 507에서 학습된 모델을 이용하여, 지정된 컨텐트특성에 대응하는 사용자를 추론한다(508).
도 12는 본 발명 일 실시예에 따른 전자장치에서 사용자추론부의 동작을 설명하기 위한 도면이다.
일 실시예에서 사용자추론부(147)는, 단계 507에서 학습된 모델을 이용하여, 단계 505에서 추론된 2 이상의 데모그래픽 정보에 대응하는 사용자 중 지정된 컨텐트특성에 대응하는 사용자를 각 미디어장치 단위로 추론할 수 있다.
그에 따라, TV와 같은 소정 미디어장치를 공동으로 사용하는 복수의 가구구성원들 중 지정된 컨텐트특성의 컨텐트를 주로 시청한 사용자를 결정할 수 있게 된다.
일 실시예에서, 사용자추론부(147)는 확률값에 기초하여 사용자를 추론할 수 있다. 즉, 사용자추론부(147)는 2 이상의 데모그래픽 정보에 대응하는 2 이상의 사용자 각각에 대해, 학습된 모델을 이용하여 확률값을 도출하고, 사용자들 중 가장 확률값이 놓은 사용자를 해당 컨텐트특성에 대응하는 사용자로서 추론할 수 있다.
예를 들어, 아래 표 1과 같이 확률값이 도출된 경우, 소정 미디어장치의 사용자들 중 사용자 1이 지정된 컨텐트특성에 대응하는 사용자특성(데모그래픽)을 가지는 사용자로서 결정될 수 있다.
사용자 1 사용자 2 사용자 3 사용자 4
확률값 0.5 0.3 0.1 0.1
여기서, 도출된 확률값의 차이가 미리 정해진 임계값 이내인 경우, 컨텐트특성에 대응하는 사용자가 복수로 추론될 수 있으며, 이는 TV와 같은 가구구성원이 공동으로 사용하는 미디어장치에서 복수의 사용자가 함께 시청한 경우(co-viewing)에 해당하는 것으로 이해될 수 있다.
이렇게 결정된 사용자, 즉, 가구구성원 정보는 각 미디어장치와 매칭되어, 저장부(130)에 마련된 사용자 데이터베이스(DB)(132)에 저장 및 관리될 수 있다.
프로세서(140)는, 해당 미디어장치에서 단계 508에서 추론된 사용자의 컨텐트특성, 즉, 데모그래픽 정보에 기초한 동작이 수행되도록 제어할 수 있다(509). 여기서, 컨텐트 관련 동작은 추론된 사용자의 사용자특성, 즉, 데모그래픽에 대응하는 맞춤형 서비스로서, 예를 들면, 광고와 같은 타겟 서비스를 포함할 수 있다.
예를 들면, 프로세서(140)는 각 미디어장치에 대해 컨텐트특성에 대응하는 사용자특성(데모그래픽)을 가지는 사용자 정보를 저장 및 관리하며, 해당 정보를 광고서버 등으로 제공함으로써, 컨텐트특성에 따라 사용자특성을 고려한 광고와 같은 타겟 서비스가 각 미디어장치를 통해 출력될 수 있도록 한다. 여기서, 미디어장치가 TV와 같이 복수 사용자가 공동으로 사용하는 경우라도, 복수 사용자 중 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 사용자에 대한 정확한 타겟 서비스가 가능하게 된다.
상기와 같은 본 발명 실시예의 전자장치(10)에서는, 시청이력 정보에 기초하여, 미디어장치의 데모그래픽을 먼저 식별하고, 2 이상의 사용자특성이 식별된 경우, 컨텐트특성에 대응하는 사용자를 식별하는 2단의 추론에 의해, 데모그래픽 추론의 신뢰성이 향상될 수 있다.
또한, 서비스 대상인 미디어장치의 시청이력 정보를 직접 활용하여, 해당 미디어장치의 사용자, 예를 들면, 가구구성원 중 실제 시청한 사용자를 추론하게 되므로, 보다 신뢰성 있는 추론이 가능하게 된다.
그에 따라, 사용자특성, 즉, 데모그래픽 정보가 식별된 사용자 집단에 대한 타겟 광고와 같은 서비스/마케팅의 효과를 극대화하는 장점이 있다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상, 바람직한 실시예들을 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며 특허청구범위 내에서 다양하게 실시될 수 있다.

Claims (15)

  1. 전자장치에 있어서,
    복수 사용자 각각에 대해 복수 컨텐츠의 시청이력에 관한 사용자데이터를 획득하고,
    상기 시청이력에 기초하여 상기 복수 사용자 각각의 시청성향을 결정하고,
    상기 복수 컨텐츠에 대한 복수 사용자의 시청이력에 기초하여 마련된 상기 복수 사용자의 사용자특성과 시청성향 간의 관계에 관한 제1참조데이터에 기초하여, 상기 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하고,
    상기 복수 사용자의 시청이력에 기초하여 마련된 상기 사용자특성과 상기 복수 컨텐츠의 컨텐트특성 간의 관계에 관한 제2참조데이터에 기초하여, 상기 식별된 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자 중에서 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하고,
    상기 타겟 사용자에 관하여 컨텐츠 관련 동작을 수행하는
    프로세서를 포함하는 전자장치.
  2. 제1항에 있어서,
    상기 사용자특성은,
    상기 복수 사용자의 연령 또는 성별 중 적어도 하나에 따라 구분된 복수의 그룹 중 어느 하나에 대응하는 전자장치.
  3. 제1항에 있어서,
    상기 지정된 컨텐트특성은,
    상기 복수 컨텐트 중 컨텐트의 장르 또는 시간 구간 중 적어도 하나에 기초하여 결정되는 전자장치.
  4. 제1항에 있어서,
    인터페이스부를 더 포함하고,
    상기 프로세서는,
    상기 인터페이스부를 통해 외부장치로부터 복수 컨텐트에 대한 시청데이터를 수신하고, 상기 시청데이터로부터 상기 시청성향에 관한 사용자데이터를 획득하는 전자장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    복수의 외부장치로부터 수집된 복수 컨텐트에 대한 시청데이터를 상기 컨텐트특성에 대응하여 분류 및 맵핑하고,
    상기 분류 및 맵핑된 시청데이터로부터 상기 복수의 외부장치 각각에서 상기 컨텐트특성에 대한 시청 여부를 나타내는 특징데이터를 획득하는 전자장치.
  6. 제5항에 있어서,
    상기 프로세서는,
    상기 제1참조데이터에 기초한 학습을 수행하여, 상기 사용자데이터의 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하며,
    상기 제1참조데이터는 상기 컨텐트특성에 대응하여 분류 및 맵핑된 시청데이터와, 상기 추출된 특징데이터를 포함하는 전자장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    외부장치로부터 획득된 상기 특징데이터와 학습된 모델로부터 획득된 사용자특성을 대조하여, 상기 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하는 전자장치.
  8. 제7항에 있어서,
    상기 학습된 모델은 멀티 레이어를 포함하는 전자장치.
  9. 제5항에 있어서,
    상기 프로세서는,
    상기 분류 및 맵핑된 시청데이터로부터 상기 적어도 2 이상의 사용자특성을 가지는 상기 적어도 2 이상의 사용자에 대해 컨텐트의 시청패턴을 나타내는 특징데이터를 획득하는 전자장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    상기 제2참조데이터에 기초한 학습을 수행하여, 상기 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하며,
    상기 제2참조데이터는 상기 분류 및 맵핑된 시청데이터와, 상기 추출된 특징데이터를 포함하는 전자장치.
  11. 전자장치의 제어방법에 있어서,
    복수 사용자 각각에 대해 복수 컨텐츠의 시청이력에 관한 사용자데이터를 획득하는 단계;
    상기 시청이력에 기초하여 상기 복수 사용자 각각의 시청성향을 결정하는 단계;
    상기 복수 컨텐츠에 대한 복수 사용자의 시청이력에 기초하여 마련된 상기 복수 사용자의 사용자특성과 시청성향 간의 관계에 관한 제1참조데이터에 기초하여, 상기 시청성향에 대응하는 적어도 2 이상의 사용자특성을 식별하는 단계;
    상기 복수 사용자의 시청이력에 기초하여 마련된 상기 사용자특성과 상기 복수 컨텐츠의 컨텐트특성 간의 관계에 관한 제2참조데이터에 기초하여, 상기 식별된 적어도 2 이상의 사용자특성을 가지는 적어도 2 이상의 사용자 중에서 지정된 컨텐트특성에 대응하는 사용자특성을 가지는 타겟 사용자를 식별하는 단계; 및
    상기 타겟 사용자에 관하여 컨텐츠 관련 동작을 수행하는 단계를 포함하는 전자장치의 제어방법.
  12. 제11항에 있어서,
    상기 사용자특성은,
    상기 복수 사용자의 연령 또는 성별 중 적어도 하나에 따라 구분된 복수의 그룹 중 어느 하나에 대응하는 전자장치의 제어방법.
  13. 제11항에 있어서,
    상기 지정된 컨텐트특성은,
    상기 복수 컨텐트 중 컨텐트의 장르 또는 시간 구간 중 적어도 하나에 기초하여 결정되는 전자장치의 제어방법.
  14. 제11항에 있어서,
    인터페이스부를 통해 외부장치로부터 복수 컨텐트에 대한 시청데이터를 수신하는 단계; 및
    상기 시청데이터로부터 상기 시청성향에 관한 사용자데이터를 획득하는 단계를 더 포함하는 전자장치의 제어방법.
  15. 제11항에 있어서,
    복수의 외부장치로부터 수집된 복수 컨텐트에 대한 시청데이터를 상기 컨텐트특성에 대응하여 분류 및 맵핑하는 단계; 및
    상기 분류 및 맵핑된 시청데이터로부터 상기 복수의 외부장치 각각에서 상기 컨텐트특성에 대한 시청 여부를 나타내는 특징데이터를 획득하는 단계를 더 포함하는 전자장치의 제어방법.
PCT/KR2021/015753 2020-11-06 2021-11-03 전자장치 및 그 제어방법 WO2022098072A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0147409 2020-11-06
KR1020200147409A KR20220061431A (ko) 2020-11-06 2020-11-06 전자장치 및 그 제어방법

Publications (1)

Publication Number Publication Date
WO2022098072A1 true WO2022098072A1 (ko) 2022-05-12

Family

ID=81453941

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/015753 WO2022098072A1 (ko) 2020-11-06 2021-11-03 전자장치 및 그 제어방법

Country Status (3)

Country Link
US (1) US20220150583A1 (ko)
KR (1) KR20220061431A (ko)
WO (1) WO2022098072A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102656077B1 (ko) * 2022-09-27 2024-04-09 주식회사 엘지유플러스 콘텐츠에 시청에 대한 보상을 제공하는 방법, 장치 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101769976B1 (ko) * 2013-03-06 2017-08-21 한국전자통신연구원 시청 가구 구성원 프로파일 추론 방법 및 장치
KR101875230B1 (ko) * 2012-02-07 2018-08-03 한국전자통신연구원 시청 정보와 메타 데이터를 사용한 선호도 추론 장치 및 방법
KR102147458B1 (ko) * 2019-04-24 2020-08-25 하용철 시청 패턴에 기초한 맞춤형 콘텐츠 및 광고 제공 시스템 및 방법
KR102149343B1 (ko) * 2018-10-04 2020-08-28 세종대학교산학협력단 모바일 ott 서비스와 iptv 서비스의 시청 시간대 분석을 통한 iptv 시청자 추론 서버 및 그 방법
KR20200110035A (ko) * 2019-03-15 2020-09-23 김기연 시청자 맞춤형 크로스 미디어 광고방법

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2353385C (en) * 1998-12-03 2004-09-28 Expanse Networks, Inc. Subscriber identification system
US6769127B1 (en) * 2000-06-16 2004-07-27 Minerva Networks, Inc. Method and system for delivering media services and application over networks
US20030179229A1 (en) * 2002-03-25 2003-09-25 Julian Van Erlach Biometrically-determined device interface and content
US20050160458A1 (en) * 2004-01-21 2005-07-21 United Video Properties, Inc. Interactive television system with custom video-on-demand menus based on personal profiles
US20060190225A1 (en) * 2005-02-18 2006-08-24 Brand Matthew E Collaborative filtering using random walks of Markov chains
US7890552B2 (en) * 2005-09-30 2011-02-15 At&T Intellectual Property I, L.P. Methods, systems, and computer program products for implementing media content analysis, distribution, and re-allocation services
US20080320510A1 (en) * 2007-06-22 2008-12-25 Microsoft Corporation Sharing viewing statistics
US20080320513A1 (en) * 2007-06-22 2008-12-25 Microsoft Corporation Dynamic channel surfing guide and customized television home page
US8255948B1 (en) * 2008-04-23 2012-08-28 Google Inc. Demographic classifiers from media content
US8887194B2 (en) * 2008-06-19 2014-11-11 Verizon Patent And Licensing Inc. Method and system for providing interactive advertisement customization
US8467991B2 (en) * 2008-06-20 2013-06-18 Microsoft Corporation Data services based on gesture and location information of device
US20100122297A1 (en) * 2008-11-13 2010-05-13 Satyam Computer Services Limited System and method for user likes modeling
WO2011163481A2 (en) * 2010-06-23 2011-12-29 Hillcrest Laboratories Inc. Television sign on for personalization in a multi-user environment
US8806519B2 (en) * 2011-10-31 2014-08-12 Google Inc. Method to evaluate the geographic popularity of geographically located user-generated content items
WO2014021914A1 (en) * 2012-08-01 2014-02-06 Whisper Innovations, Llc System and method for providing and managing multiple content feeds and supplemental content by information provider using an on-screen interactive interface
US20140123160A1 (en) * 2012-10-24 2014-05-01 Bart P.E. van Coppenolle Video presentation interface with enhanced navigation features
KR20140090847A (ko) * 2013-01-10 2014-07-18 (주)휴맥스 사용자 개인 계정을 기반으로 하는 제어 방법, 디바이스 및 시스템
US20150020092A1 (en) * 2013-07-12 2015-01-15 Infosys Limited Methods for creating user based tv profiles and devices thereof
US9769510B2 (en) * 2014-03-25 2017-09-19 UXP Systems Inc. System and method for creating and managing individual users for personalized television and blended media services
US9584836B2 (en) * 2014-09-03 2017-02-28 International Business Machines Corporation Mobility enhanced advertising on internet protocol television
US20160373820A1 (en) * 2015-06-17 2016-12-22 Rovi Guides, Inc. Systems and methods for determining reach using truncation and aggregation
CN113473187B (zh) * 2015-07-24 2023-10-10 安普视频有限公司 广告投放的跨屏优化
US11051073B2 (en) * 2017-05-25 2021-06-29 Turner Broadcasting System, Inc. Client-side overlay of graphic items on media content

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101875230B1 (ko) * 2012-02-07 2018-08-03 한국전자통신연구원 시청 정보와 메타 데이터를 사용한 선호도 추론 장치 및 방법
KR101769976B1 (ko) * 2013-03-06 2017-08-21 한국전자통신연구원 시청 가구 구성원 프로파일 추론 방법 및 장치
KR102149343B1 (ko) * 2018-10-04 2020-08-28 세종대학교산학협력단 모바일 ott 서비스와 iptv 서비스의 시청 시간대 분석을 통한 iptv 시청자 추론 서버 및 그 방법
KR20200110035A (ko) * 2019-03-15 2020-09-23 김기연 시청자 맞춤형 크로스 미디어 광고방법
KR102147458B1 (ko) * 2019-04-24 2020-08-25 하용철 시청 패턴에 기초한 맞춤형 콘텐츠 및 광고 제공 시스템 및 방법

Also Published As

Publication number Publication date
KR20220061431A (ko) 2022-05-13
US20220150583A1 (en) 2022-05-12

Similar Documents

Publication Publication Date Title
WO2020145596A1 (ko) 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치
WO2014171759A1 (ko) 티브이로부터 출력되는 음향 신호에 기초한 사용자 맞춤형 광고 제공 시스템, 사용자 맞춤형 광고를 제공하는 방법, 및 엠아이엠 서비스 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
WO2013187714A1 (en) Display apparatus, method for controlling the display apparatus, server and method for controlling the server
WO2019054791A1 (ko) 컨텐트를 실행하는 방법 및 장치
WO2020017930A1 (ko) 추천 채널 리스트 제공 방법 및 그에 따른 디스플레이 장치
AU2019381040B2 (en) Display apparatus and method of controlling the same
WO2019066432A1 (ko) 전자 장치 및 이의 제어방법
WO2021261836A1 (en) Image detection apparatus and operation method thereof
WO2018194273A1 (en) Image display apparatus and method
WO2019088692A1 (ko) 영상 표시 장치 및 그 동작 방법
WO2020141814A1 (en) Display apparatus, image providing apparatus, and methods of controlling the same
WO2016129840A1 (en) Display apparatus and information providing method thereof
WO2018128298A1 (en) Electronic apparatus and controlling method thereof
WO2020080874A1 (ko) 광고 컨텐츠 전송을 위한 디스플레이 장치 및 그 제어방법
WO2018155859A1 (en) Image display device and operating method of the same
WO2021132922A1 (en) Computing device and operation method thereof
WO2019117547A1 (ko) 전자 장치 및 그의 제어방법
WO2022098072A1 (ko) 전자장치 및 그 제어방법
WO2015069082A1 (en) Display apparatus and method of controlling the same
WO2018066938A1 (ko) 디스플레이 장치, 이의 제어 방법 및 정보 제공 시스템
WO2017146454A1 (ko) 컨텐트를 인식하는 방법 및 장치
WO2019139308A1 (en) Electronic apparatus, user interface providing method and computer readable medium
WO2019088627A1 (en) Electronic apparatus and controlling method thereof
WO2023177144A1 (ko) 광고 대상 결정 장치 및 방법
EP3593539A1 (en) Image display apparatus and method

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: 21889537

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21889537

Country of ref document: EP

Kind code of ref document: A1