WO2022154199A1 - 전자 장치 및 그 제어 방법 - Google Patents
전자 장치 및 그 제어 방법 Download PDFInfo
- Publication number
- WO2022154199A1 WO2022154199A1 PCT/KR2021/008634 KR2021008634W WO2022154199A1 WO 2022154199 A1 WO2022154199 A1 WO 2022154199A1 KR 2021008634 W KR2021008634 W KR 2021008634W WO 2022154199 A1 WO2022154199 A1 WO 2022154199A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- price
- information
- advertisement content
- request signal
- viewer
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 238000004891 communication Methods 0.000 claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 235000019800 disodium phosphate Nutrition 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
- G06Q30/0275—Auctions
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Definitions
- the present disclosure relates to an electronic device and a control method thereof, and more particularly, to an electronic device and a control method thereof for assisting participation in an auction for advertisement content.
- AI artificial intelligence
- An artificial intelligence system is a computer system that implements human-level intelligence. It is a system in which a machine learns and judges by itself, and the recognition rate improves the more it is used.
- Artificial intelligence technology consists of machine learning (deep learning) technology that uses an algorithm that classifies/learns the characteristics of input data by itself, and element technology that uses machine learning algorithms to simulate functions such as cognition and judgment of the human brain.
- the element technologies are, for example, linguistic understanding technology for recognizing human language/text, visual understanding technology for recognizing objects as if they were human eyes, reasoning/prediction technology for logically reasoning and predicting by judging information, human experience information It may include at least one of a knowledge expression technology that processes the data as knowledge data, an autonomous driving of a vehicle, and a motion control technology that controls the movement of a robot.
- Such advertisement contents were provided to viewers through a real-time auction system as shown in FIG. 1 .
- the SSP Service-Side Platform
- the AD Exchange sends a signal to the AD Exchange requesting an advertisement to be shown to the viewer (Ad Request in Task 1), and the AD Exchange sends a It sends a signal (Bid Request in Task 2) requesting a price for the ad space to the Demand-Side Platforms (DSP).
- DSP Demand-Side Platforms
- Each of a plurality of DSPs calculates a bid price for an advertisement space on behalf of a plurality of advertisers, and transmits the highest price (Bid Response of operation 3) to AD Exchange.
- AD Exchange sends the winning bid result (Win Notice in Task 4) to the DSP that submitted the highest price among multiple DSPs.
- the DSP provides advertisements to viewers through AD Server (task 5).
- the bid price is determined based on the information input by the advertiser, but the information input by the advertiser is only simple information such as the upper limit of the bid price. That is, the conventional advertiser inputs information related to the bid price without considering the viewer information at all. Accordingly, there is a need to provide advertisements by more targeting viewers.
- an aspect of the present disclosure is in accordance with the above-mentioned necessity, and an object of the present disclosure is to provide an electronic device that provides more various information to an advertiser, such as advertisement participation information of a viewer in the process of participating in an auction for advertisement content, and a control method thereof. is in
- the electronic device includes a communication circuit, a memory in which a first neural network model is stored, and a processor connected to the communication circuit and the memory to control the electronic device, wherein the processor is an advertisement to be provided to a viewer from an external device through the communication circuit.
- a price request signal for content is received, first information related to the viewer is obtained based on the price request signal, and the first information, a target viewer set by an advertiser of the advertisement content, and a method for target viewing content 2 information and third information on the advertisement content are input to the first neural network model to obtain the expected participation degree of the viewer in the advertisement content, and whether to respond to the price request signal based on the expected participation degree can be decided
- the processor may determine whether to respond to the price request signal based on the third information, the target participation level set by the advertiser, and the expected participation level.
- the processor may acquire the target participation level based on the total reproduction time of the advertisement content included in the third information.
- the memory further stores a second neural network model, and when it is determined that the processor responds to the price request signal, the third information, the target participation level set by the advertiser, and the expected participation level are recorded as the second information. 2 It is possible to control the communication circuit to obtain a price for the advertisement content by input to the neural network model, and to transmit the obtained price to the external device.
- the memory further stores a third neural network model, and the processor inputs the first information into the third neural network model to obtain a predicted price for advertisement content of another advertiser, and the expected participation and the prediction It is determined whether to respond to the price request signal based on the price, and when it is determined to respond to the price request signal, the third information, the target participation level set by the advertiser, the expected participation level, and the predicted price may be input to the second neural network model to obtain a price for the advertisement content.
- the processor controls the communication circuit to transmit the acquired price to the external device to participate in an auction that determines advertisement content to be provided to the viewer, and receives information about the auction from the external device through the communication circuit. results can be received.
- the processor may control the communication circuit to provide the advertisement content to the viewer when the advertisement content is a successful bid, and change the target participation degree when the advertisement content is not successful.
- the processor may acquire at least one of the viewer's age, gender, location, nationality, or occupation based on the price request signal, and identify the acquired information as the first information.
- the expected participation degree may represent a ratio of a time the viewer is expected to view the advertisement content to a time that can be considered to have viewed the entire advertisement content.
- the control method of the electronic device includes: when a price request signal for advertisement content to be provided to a viewer is received from an external device, obtaining first information related to the viewer based on the price request signal; obtaining an expected degree of participation of the viewer in the advertisement content by inputting second information on the target viewer and target viewing content set by the advertiser of the content, and third information on the advertisement content into a first neural network model; and and determining whether to respond to the price request signal based on the expected participation level.
- the determining may include determining whether to respond to the price request signal based on the third information, the target participation level set by the advertiser, and the expected participation level.
- the target participation level may be obtained based on the total reproduction time of the advertisement content included in the third information.
- the method further includes inputting the first information into a third neural network model to obtain a predicted price for advertisement content of another advertiser, wherein the determining includes the price based on the predicted participation and the predicted price. It is determined whether to respond to the request signal, and when it is determined that the step of obtaining the price responds to the price request signal, the third information, the target participation level set by the advertiser, the expected participation level, and the prediction A price for the advertisement content may be obtained by inputting a price into the second neural network model.
- the transmitting may include transmitting the obtained price to the external device to participate in an auction determining advertisement content to be provided to the viewer, and the control method may include receiving a result of the auction from the external device. may further include.
- a non-transitory computer-readable recording medium storing a program for executing a method of operating an electronic device according to another embodiment of the present disclosure.
- the method includes: when a price request signal for advertisement content to be provided to a viewer is received from an external device, obtaining first information related to the viewer based on the price request signal; Obtaining an expected degree of participation of the viewer in the advertisement content by inputting second information on the target viewer and target viewing content set by the advertiser, and third information on the advertisement content into a first neural network model; and determining whether to respond to the price request signal based on the degree of participation.
- the electronic device may assist the advertiser's participation in an auction for the advertisement content by providing the expected degree of participation of the viewer for the advertisement content of the advertiser.
- FIG. 2A is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.
- 2B is a block diagram illustrating a detailed configuration of an electronic device according to an embodiment of the present disclosure.
- FIG. 6 is a diagram for describing a method of learning a first neural network model according to an embodiment of the present disclosure.
- FIGS. 7A and 7B are diagrams for explaining a method of learning a neural network model for outputting a response according to various embodiments of the present disclosure.
- 8A and 8B are diagrams for explaining a method of learning a second neural network model according to various embodiments of the present disclosure.
- FIG. 9 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.
- expressions such as “have,” “may have,” “include,” or “may include” indicate the presence of a corresponding characteristic (eg, a numerical value, function, operation, or component such as a part). and does not exclude the presence of additional features.
- the term user may refer to a person who uses an electronic device or a device (eg, an artificial intelligence electronic device) using the electronic device.
- a device eg, an artificial intelligence electronic device
- 2A is a block diagram illustrating a configuration of an electronic device 100 according to an embodiment of the present disclosure.
- the electronic device 100 is a device for processing an operation related to an auction bidding of advertisement content, and includes a server, a TV, a desktop PC, a laptop computer, a video wall, a large format display (LFD), a digital signage, It may be a device such as a Digital Information Display (DID), a projector display, a digital video disk (DVD) player, a smartphone, a tablet PC, a monitor, smart glasses, a smart watch, a set-top box (STB), a speaker, a computer body, and the like.
- DID Digital Information Display
- DVD digital video disk
- STB set-top box
- the electronic device 100 may be any device as long as it can process an operation related to an auction bidding of advertisement content.
- the electronic device 100 includes a communication interface 110 , a memory 120 , and a processor 130 as shown in FIG. 2A .
- the communication interface 110 is configured to communicate with various types of external devices according to various types of communication methods.
- the electronic device 100 may communicate with the AD Exchange or the electronic devices of a plurality of advertisers through the communication interface 110 .
- the communication interface 110 may include a Wi-Fi (wireless fidelity) module, a Bluetooth module, an infrared communication module, and a wireless communication module.
- each communication module may be implemented in the form of at least one hardware chip.
- the Wi-Fi module and the Bluetooth module perform communication using a Wi-Fi method and a Bluetooth method, respectively.
- various types of connection information such as an SSID and a session key are first transmitted and received, and various types of information can be transmitted/received after a communication connection is made using this.
- the infrared communication module communicates according to the infrared data association (IrDA) technology, which wirelessly transmits data in a short distance using infrared that is between visible light and millimeter waves.
- IrDA infrared data association
- the wireless communication module includes Zigbee, 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), LTE Advanced (LTE-A), 4th Generation (4G), 5G It may include at least one communication chip that performs communication according to various wireless communication standards, such as (5th Generation).
- 3G 3rd Generation
- 3GPP 3rd Generation Partnership Project
- LTE Long Term Evolution
- LTE-A LTE Advanced
- 4G 4th Generation
- 5G 5G
- It may include at least one communication chip that performs communication according to various wireless communication standards, such as (5th Generation).
- the communication interface 110 may include a wired communication interface such as HDMI, DP, Thunderbolt, USB, RGB, D-SUB, DVI, or the like.
- the communication interface 110 may include at least one of a local area network (LAN) module, an Ethernet module, or a wired communication module for performing communication using a pair cable, a coaxial cable, or an optical fiber cable.
- LAN local area network
- Ethernet Ethernet
- wired communication module for performing communication using a pair cable, a coaxial cable, or an optical fiber cable.
- the memory 120 may refer to hardware that stores information such as data in an electrical or magnetic form so that the processor 130 can access it. To this end, the memory 120 may be implemented with at least one hardware selected from nonvolatile memory, volatile memory, flash memory, hard disk drive (HDD) or solid state drive (SSD), RAM, ROM, etc. .
- At least one instruction or module required for the operation of the electronic device 100 or the processor 130 may be stored in the memory 120 .
- the instruction is a unit of code for instructing the operation of the electronic device 100 or the processor 130 and may be written in machine language, which is a language that a computer can understand.
- a module may be a set of instructions that perform a specific task of a unit of work.
- the memory 120 may store data that is information in units of bits or bytes that can represent characters, numbers, images, and the like.
- a plurality of neural network models may be stored in the memory 120 .
- the plurality of neural network models may include a model trained to obtain a viewer's expected participation in advertising content, a model trained to obtain a price for advertising content, and a model to obtain a predicted price for advertising content of other advertisers.
- the memory 120 is accessed by the processor 130 , and reading/writing/modification/deletion/update of instructions, modules, or data may be performed by the processor 130 .
- the processor 130 controls the overall operation of the electronic device 100 .
- the processor 130 may be connected to each component of the electronic device 100 to control the overall operation of the electronic device 100 .
- the processor 130 may be connected to components such as the communication interface 110 and the memory 120 to control the operation of the electronic device 100 .
- the processor 130 may be implemented as a digital signal processor (DSP), a microprocessor, or a time controller (TCON).
- DSP digital signal processor
- TCON time controller
- the present invention is not limited thereto, and the central processing unit (central processing unit (CPU)), micro controller unit (MPU), micro processing unit (MPU), controller, application processor (AP), or communication processor (CP), ARM processor
- the processor 130 may be implemented as a SoC (System on Chip) or LSI (large scale integration) in which a processing algorithm is embedded, or an FPGA ( Field programmable gate array) may be implemented.
- SoC System on Chip
- LSI large scale integration
- FPGA Field programmable gate array
- the processor 130 may obtain first information related to the viewer based on the price request signal.
- the processor 130 may determine the viewer's age, gender, location, nationality, or At least one of the occupations may be identified as the first information.
- the processor 130 inputs the first information, second information on the target viewer and target viewing content set by the advertiser of the advertisement content, and third information on the advertisement content into the first neural network model to predict the viewer's advertisement content.
- VEM Viewer Engagement Measure
- the expected engagement may represent the ratio of the time a viewer is expected to watch the advertisement content to the time that the advertisement content can be considered to have been viewed in its entirety, and may be determined as a real number between 0 and 1.
- the second information may include information on the type of content that the viewer is watching, broadcasting station, viewing age, genre, etc.
- the third information may include information on the type of advertising content and the product to be advertised. have.
- the first neural network model may be a model that has learned the relationship between the first sample information on the viewer, the second sample information on the target viewing content, and the third sample information on the advertisement content, and the sample participation.
- the processor 130 may determine whether to respond to the price request signal based on the expected participation level. For example, when the expected participation level is 0.7 or more, the processor 130 may determine to participate in the auction in response to the price request signal.
- the processor 130 may determine whether to respond to the price request signal based on the third information, the target participation level and the expected participation level set by the advertiser. For example, when the expected participation level is equal to or greater than the target participation level set by the advertiser, the processor 130 may determine to participate in the auction in response to the price request signal. In this case, the target participation level set by the advertiser may be different according to the third information. For example, when the advertisement content is a verbal advertisement, the target participation degree set by the advertiser may be 0.5, and when the advertisement content is a clothing advertisement, the target participation degree set by the advertiser may be 0.7.
- the processor 130 may acquire the target participation level based on the total reproduction time of the advertisement content included in the third information.
- the memory 120 further stores the second neural network model, and when it is determined that the processor 130 responds to the price request signal, the third information, the target participation level and the expected participation level set by the advertiser are displayed as the second information.
- the communication interface 110 may be controlled to obtain a price for advertisement content by inputting it into the neural network model, and to transmit the obtained price to an external device.
- the second neural network model may be a model that has learned the relationship between the third sample information on the advertisement content, the sample target participation, and the expected sample participation and price.
- the memory 120 further stores a third neural network model
- the processor 130 inputs the first information into the third neural network model to obtain a predicted price for advertisement content of another advertiser, and predicts participation and prediction. It may be determined whether to respond to the price request signal based on the price.
- the third neural network model may be a model that has learned the relationship between the first sample information about the viewer and the sample price of another advertiser.
- the third information, the target participation level set by the advertiser, the expected participation level, and the predicted price are input to the second neural network model to obtain a price for the advertisement content.
- the second neural network model may be learned by further considering the predicted price for other advertisers.
- the processor 130 controls the communication interface 110 to transmit the acquired price to an external device, participates in an auction to determine advertisement content to be provided to the viewer, and receives the result of the auction from an external device through the communication interface 110 . can receive
- the processor 130 may control the communication interface 110 to provide the advertisement content to the viewer when the advertisement content is a successful bid, and change the target participation degree when the advertisement content is not successful.
- the processor 130 may control the communication interface 110 to transmit a signal instructing the viewer to provide the advertisement content to the AD Server.
- the processor 130 may change the current target participation level of 0.7 to 0.69 when the advertisement content is not successful. As the target participation is lowered, the price of the content obtained using the second neural network model may be lowered.
- the processor 130 may change the target participation level based on the number of times the bid is not successful. For example, when the number of unsuccessful bids exceeds 3, the processor 130 may change the current target participation rate of 0.7 to 0.69. Here, when the target participation level is changed, the number of times that the bid is not successful may be set to 0 again.
- the electronic device 100 may include a communication interface 110 , a memory 120 , and a processor 130 . Also, according to FIG. 2B , the electronic device 100 may further include at least one of the user interface 140 and the display 150 . Among the components shown in FIG. 2B , detailed descriptions of parts overlapping with those shown in FIG. 2A will be omitted.
- the user interface 140 may be implemented as a button, a touch pad, a mouse, and a keyboard, or may be implemented as a touch screen capable of performing a display function and a manipulation input function, which will be described later.
- the button may be various types of buttons such as a mechanical button, a touch pad, a wheel, etc. formed in an arbitrary area such as the front, side, or rear of the exterior of the main body of the electronic device 100 .
- the advertiser may input bidding-related information through the user interface 140 .
- the display 150 may be implemented as various types of displays, such as a liquid crystal display (LCD), an organic light emitting diode (OLED) display, a plasma display panel (PDP), and the like.
- the display 150 may also include a driving circuit, a backlight unit, and the like, which may be implemented in the form of an a-si TFT, a low temperature poly silicon (LTPS) TFT, or an organic TFT (OTFT).
- the display 150 may be implemented as a touch screen combined with a touch sensor, a flexible display, a three-dimensional display, or the like.
- functions related to artificial intelligence according to the present disclosure are operated through the processor 130 and the memory 120 .
- the processor 130 may include one or a plurality of processors.
- one or more processors may be general-purpose processors such as CPUs, APs, DSPs, etc., graphics-only processors such as graphics processing units (GPUs), VPUs (Vision Processing Units), or artificial intelligence-only processors such as NPUs.
- GPUs graphics processing units
- VPUs Vision Processing Units
- NPUs artificial intelligence-only processors
- One or a plurality of processors control to process input data according to a predefined operation rule or artificial intelligence model stored in the memory 120 .
- the artificial intelligence-only processor may be designed with a hardware structure specialized for processing a specific artificial intelligence model.
- the predefined action rule or artificial intelligence model is characterized in that it is created through learning.
- a basic artificial intelligence model is learned using a plurality of learning data by a learning algorithm, so that a predefined action rule or artificial intelligence model set to perform a desired characteristic (or purpose) is created means burden.
- Such learning may be performed in the device itself on which the artificial intelligence according to the present disclosure is performed, or may be performed through a separate server and/or system.
- Examples of the learning algorithm include, but are not limited to, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning.
- An 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 weight values, and a neural network operation is performed through an operation between an operation result of a previous layer and a plurality of weights.
- the plurality of weights of the plurality of neural network layers may be optimized by the learning result of the artificial intelligence model. For example, a plurality of weights may be updated so that a loss value or a cost value obtained from the artificial intelligence model during the learning process is reduced or minimized.
- the artificial neural network may include a deep neural network (DNN), for example, a Convolutional Neural Network (CNN), a Deep Neural Network (DNN), a Recurrent Neural Network (RNN), a Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), Generative Adversarial Network (GAN), or Deep Q-Networks, but is not limited thereto.
- DNN deep neural network
- CNN Convolutional Neural Network
- DNN Deep Neural Network
- RNN Recurrent Neural Network
- RBM Restricted Boltzmann Machine
- DBN Deep Belief Network
- BBN Bidirectional Recurrent Deep Neural Network
- GAN Generative Adversarial Network
- Deep Q-Networks Deep Q-Networks
- the electronic device 100 may assist the advertiser's participation in the auction for the advertisement content as the electronic device provides the viewer's expected participation level for the advertiser's advertisement content.
- FIGS. 3 to 8B the operation of the electronic device 100 will be described in more detail with reference to FIGS. 3 to 8B .
- 3 to 8B individual embodiments will be described for convenience of description.
- the individual embodiments of FIGS. 3 to 8B may be embodied in any combination.
- 3 to 5 are diagrams for explaining an auction system according to various embodiments of the present disclosure.
- the SSP (Supply-Side Platform) transmits a signal (Ad Request) requesting an advertisement to be displayed to the viewer to AD Exchange (S315).
- the AD Exchange may transmit a signal (Bid Request) requesting a price for the advertisement space to the electronic device 100 connected to the AD Exchange ( S320 ).
- the AD Exchange may also transmit a signal requesting a price for the advertisement space to at least one other electronic device 100 connected to the AD Exchange.
- the processor 130 of the electronic device 100 may segment the bid (Bid Segmentation) (S330). Specifically, as shown in FIG. 4 , the processor 130 may subdivide a bid based on a bidding history and viewer information. For example, the processor 130 identifies the viewer's location, nationality, etc. as first information based on the IP address included in the price request signal, and uses the viewer's gender, age, etc. as first information based on the bidding history. can be estimated The processor 130 may subdivide the bid based on the identified information and the estimated information. For example, the processor 130 may bid only when the viewer is 5 years old or older. Through the above method, the processor 130 may identify candidates (Ad Candidates) for bidding with respect to the plurality of price request signals.
- Ad Candidates candidates
- the processor 130 may filter candidates for bidding (S335). As shown in FIG. 5 , the processor 130 may filter candidates for bidding based on the information on the target viewer set by the advertiser, the second information on the target viewing content, and the third information on the advertisement content. have. For example, when the age of the target viewer set by the advertiser is 30 years or more, the processor 130 may filter candidates whose viewers are less than 30 years old.
- the processor 130 identifies the type of advertisement content (S340), and when the type of advertisement content is a video, the processor 130 may obtain an expected degree of participation of the viewer for the advertisement content (VEM Prediction, S345). Then, the processor 130 may determine whether to respond to the price request signal based on the expected participation level (VEM-based Throttling, S345), and may determine the price for the advertisement content (Bid Price Decision, S345). For example, the processor 130 may obtain a viewer's expected participation in advertisement content using the first neural network model, and obtain a price for the advertisement content using the second neural network model.
- the processor 130 may obtain a predicted price for the advertisement content of another advertiser, and may acquire a price for the advertisement content based on the predicted price of the other advertiser.
- the processor 130 may obtain a predicted price for the advertisement content of another advertiser using the third neural network model, and may obtain a price for the advertisement content based on the predicted price of the other advertiser.
- the processor 130 may perform the above-described operation for a plurality of advertisers to obtain whether each of the plurality of advertisers has responded and a price in case of response.
- the processor 130 may transmit the highest price among a plurality of prices in response to the Ad Exchange as bidding information (S350), and participate in the auction of the Ad Exchange (S355).
- the Ad Exchange may provide the auction result S360 to the electronic device 100 .
- the processor 130 may update the auction result ( S365 ) and transmit a signal to the AD Server to provide an advertisement to the viewer.
- the AD Server provides an advertisement to the Publisher (S370), and the viewer can participate in the advertisement (S375).
- the processor 130 may receive the viewer's advertisement participation and update the database ( S380 ).
- FIG. 6 is a diagram for explaining a method of learning a first neural network model according to an embodiment of the present disclosure.
- the first neural network model is a model for outputting the viewer's expected participation in advertisement content
- the processor 130 identifies the total length (TL) of the advertisement content and indicates that the entire advertisement content has been viewed.
- a time that can be considered (To) can be obtained.
- the time To which can be regarded as viewing the entire advertisement content may be a value selected or preset by the advertiser.
- the time To which can be regarded as viewing the entire advertisement content may be defined as a ratio to the total length TL of the advertisement content or a function of the total length of the advertisement content.
- the processor 130 may calculate a sample participation level to be used in the learning process based on the actual viewer participation level.
- the sample participation degree (VEM) may be defined as in Equation 1 below.
- Tw may be a time that the viewer watches the advertisement content
- To may be a time that can be regarded as viewing the entire advertisement content. Accordingly, the sample participation has a value between 0 and 1.
- the processor 130 may pre-store the viewer's advertisement participation and use it for learning the first neural network model.
- the processor 130 may learn the first neural network model through the relationship between the first sample information on the viewer, the second sample information on the target viewing content, and the third sample information on the advertisement content, and the sample participation.
- FIGS. 7A and 7B are diagrams for explaining a method of learning a neural network model for outputting a response according to various embodiments of the present disclosure.
- the processor 130 may generate a database based on past bid records as shown in FIG. 7B . Specifically, the processor 130 may obtain a participation degree (VEM), a bid price, and whether a bid is successful, and may be used for learning a neural network model that outputs a response by adding a label for whether the bid is successful. Here, the processor 130 may update the label of whether or not a successful bid among data to be used for learning by adding constraints such as a budget limit, a period limit, a unilateral budget limit, and the like.
- VEM participation degree
- the processor 130 may update the label of whether or not a successful bid among data to be used for learning by adding constraints such as a budget limit, a period limit, a unilateral budget limit, and the like.
- the processor 130 may obtain a predicted price for the advertisement content of another advertiser, and obtain the total as a Predicted Market Price (Pm).
- the processor 130 may obtain CPVEM (Cost per VEM), which is a predicted market price per VEM, through Equation 2 below.
- the processor 130 may perform learning of a neural network model that outputs whether or not a response is received in consideration of third sample information, bid information, Pm, CPVEM, participation degree (VEM), and a label for successful bid for advertisement content.
- the processor 130 may respond mainly to a price request signal (Bid Request) having a low CPVEM.
- 8A and 8B are diagrams for explaining a method of learning a second neural network model according to various embodiments of the present disclosure.
- the second neural network model is a model for outputting a price for advertisement content
- the processor 130 learns the second neural network model through the relationship between price and third sample information, sample target participation, and sample expected participation for advertisement content. can do.
- the processor 130 may perform learning of the second neural network model by further considering Bid information, Pm, and CPVEM.
- the processor 130 may output the result as shown in FIG. 8B by inputting the expected sample participation level as a variable into the second neural network model.
- the advertiser may determine an appropriate price based on the result as shown in FIG. 8B .
- FIG. 9 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.
- first information related to the viewer is acquired based on the price request signal ( S910 ). Then, the first information, the second information on the target viewer and the target viewing content set by the advertiser of the advertisement content, and the third information on the advertisement content are input to the first neural network model to determine the viewer's expected participation in the advertisement content. Acquire (S920). Then, it is determined whether to respond to the price request signal based on the expected participation (S930).
- the determining step ( S930 ) may determine whether to respond to the price request signal based on the third information, the target participation level and the expected participation level set by the advertiser.
- the target participation level may be obtained based on the total reproduction time of the advertisement content included in the third information.
- the method may further include transmitting to an external device.
- the step of inputting the first information into the third neural network model to obtain a predicted price for the advertisement content of another advertiser is further included, and the determining step (S930) is a price request signal based on the expected participation level and the predicted price.
- the step of obtaining a price if it is determined to respond to the price request signal, the third information, the target participation level set by the advertiser, the expected participation level, and the predicted price are input to the second neural network model. Thus, it is possible to obtain a price for the advertisement content.
- the transmitting may include transmitting the acquired price to an external device to participate in an auction determining advertisement content to be provided to the viewer, and the control method may further include receiving a result of the auction from the external device.
- the method may further include providing the advertisement content to the viewer when the advertisement content is a successful bid, and changing the target participation level when the advertisement content is not successful.
- the step of obtaining the first information at least one of the viewer's age, gender, location, nationality, or occupation may be obtained based on the price request signal, and the obtained information may be identified as the first information.
- the expected participation level may represent a ratio of a time during which a viewer is expected to view the advertisement content to a time that can be considered to have viewed the entire advertisement content.
- the electronic device may assist the advertiser's participation in an auction for the advertisement content by providing the expected degree of participation of the viewer for the advertisement content of the advertiser.
- the various embodiments described above may be implemented as software including instructions stored in a machine-readable storage media readable by a machine (eg, a computer).
- the device is a device capable of calling a stored command from a storage medium and operating according to the called command, and may include an electronic device (eg, the electronic device A) according to the disclosed embodiments.
- the processor may perform a function corresponding to the instruction by using other components directly or under the control of the processor.
- Instructions may include code generated or executed by a compiler or interpreter.
- the device-readable storage medium may be provided in the form of a non-transitory storage medium.
- 'non-transitory' means that the storage medium does not include a signal and is tangible, and does not distinguish that data is semi-permanently or temporarily stored in the storage medium.
- the method according to the various embodiments described above may be included in a computer program product and provided.
- Computer program products may be traded between sellers and buyers as commodities.
- the computer program product may be distributed in the form of a machine-readable storage medium (eg, compact disc read only memory (CD-ROM)) or online through an application store (eg, Play StoreTM).
- an application store eg, Play StoreTM
- at least a part of the computer program product may be temporarily stored or temporarily generated in a storage medium such as a memory of a server of a manufacturer, a server of an application store, or a relay server.
- the various embodiments described above are stored in a recording medium readable by a computer or a similar device using software, hardware, or a combination thereof. can be implemented in In some cases, the embodiments described herein may be implemented by the processor itself. According to the software implementation, embodiments such as the procedures and functions described in this specification may be implemented as separate software modules. Each of the software modules may perform one or more functions and operations described herein.
- non-transitory computer-readable medium refers to a medium that stores data semi-permanently, rather than a medium that stores data for a short moment, such as a register, cache, memory, etc., and can be read by a device.
- Specific examples of the non-transitory computer-readable medium may include a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.
- each of the components may be composed of a singular or a plurality of entities, and some sub-components of the above-described corresponding sub-components may be omitted, or other sub-components may be omitted. Components may be further included in various embodiments. Alternatively or additionally, some components (eg, a module or a program) may be integrated into a single entity to perform the same or similar functions performed by each corresponding component prior to integration. According to various embodiments, operations performed by a module, program, or other component are executed sequentially, parallel, iteratively, or heuristically, or at least some operations are executed in a different order, are omitted, or other operations are added. can be
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
전자 장치가 개시된다. 본 전자 장치는 통신 회로, 제1 신경망 모델이 저장된 메모리 및 통신 회로 및 메모리와 연결되어 전자 장치를 제어하는 프로세서를 포함하고, 프로세서는 통신 회로를 통해 외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 가격 요청 신호에 기초하여 시청자와 관련된 제1 정보를 획득하고, 제1 정보, 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 광고 컨텐츠에 대한 제3 정보를 제1 신경망 모델에 입력하여 시청자의 광고 컨텐츠에 대한 예상 참여도를 획득하며, 예상 참여도에 기초하여 가격 요청 신호에 대한 응답 여부를 결정할 수 있다.
Description
본 개시는 전자 장치 및 그 제어 방법에 대한 것으로, 더욱 상세하게는 광고 컨텐츠에 대한 경매 참여를 보조하는 전자 장치 및 그 제어 방법에 대한 것이다.
또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
CROSS-REFERENCE TO RELATED APPLICATIONS
본 출원은 2021년 01월 13일에 출원된 대한민국 특허출원 제 10-2021-0004603호에 기초하여 우선권을 주장하며, 해당 출원의 모든 내용은 그 전체가 본 출원에 레퍼런스로 포함된다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률이 향상되는 시스템이다.
인공지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(딥러닝) 기술 및 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 요소 기술들로 구성된다.
요소기술들은, 예로, 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함할 수 있다.
최근 다양한 전자 장치가 개발됨에 따라 컨텐츠의 소비가 기하급수적으로 증가하고 있다. 특히, 최근에는 동영상 컨텐츠가 많이 소비되고 있으며, 동영상 컨텐츠들 사이 또는 동영상 컨텐츠의 재생 중에 광고 컨텐츠가 재생되고 있는 상황이다.
이러한 광고 컨텐츠는 종래 도 1과 같이 실시간 경매 시스템을 통해 시청자에게 제공되었다. 먼저, 시청자가 Publisher의 플랫폼에 접근하면, SSP(Supply-Side Platform)가 AD Exchange로 시청자에게 보여줄 광고를 요청하는 신호(작업 1의 Ad Request)를 전송하고, AD Exchange는 AD Exchange에 연결된 다수의 DSP(Demand-Side Platforms)로 광고 지면에 대한 가격을 요청하는 신호(작업 2의 Bid Request)를 전송한다. 다수의 DSP 각각은 복수의 광고주(Advertisers)들을 대신하여 광고 지면에 대한 입찰 가격(Bid Price)을 산정하고, 가장 높은 가격(작업 3의 Bid Response)을 AD Exchange로 전송한다. AD Exchange는 다수의 DSP 중 가장 높은 가격을 제출한 DSP에게 낙찰 결과(작업 4의 Win Notice)를 전송한다. 낙찰 결과를 수신한 DSP는 AD Server를 통해 시청자에게 광고를 제공하게 된다(작업 5).
이때, 입찰 가격은 광고주가 입력한 정보에 기초하여 결정되나, 광고주가 입력하는 정보는 입찰 가격 상한 등과 같은 간단한 정보에 불과하다. 즉, 종래의 광고주는 시청자에 대한 정보를 전혀 고려하지 못한 상태에서 입찰 가격과 관련된 정보를 입력하게 된다. 그에 따라, 시청자를 좀더 타겟팅하여 광고를 제공할 필요성이 대두되었다.
이상의 정보는 본 개시 내용의 이해를 돕기 위해서만 배경 정보로 제공된다. 본 개시와 관련하여 상기 중 어느 것이라도 선행 기술로서 적용될 수 있는지 여부에 대해 어떠한 결정도 이루어지지 않았고 어떠한 주장도 이루어지지 않았다.
본 개시의 양태는 적어도 상기 언급된 문제점 및/또는 단점을 해결하고 적어도 후술되는 이점을 제공하는 것이다. 따라서, 본 개시의 양태는 상술한 필요성에 따른 것으로, 본 개시의 목적은 광고 컨텐츠에 대한 경매 참여에 과정에서 시청자의 광고 참여 정보 등 광고주에게 좀더 다양한 정보를 제공하는 전자 장치 및 그 제어 방법을 제공함에 있다.
추가 양태는 다음의 설명에서 부분적으로 설명될 것이고, 상세한 설명으로부터 명백할 것이며, 제시된 실시 예의 실행에 의해 학습될 수 있다.
이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치가 개시된다. 전자 장치는 통신 회로, 제1 신경망 모델이 저장된 메모리 및 상기 통신 회로 및 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함하고, 상기 프로세서는 상기 통신 회로를 통해 외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 상기 가격 요청 신호에 기초하여 상기 시청자와 관련된 제1 정보를 획득하고, 상기 제1 정보, 상기 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 상기 광고 컨텐츠에 대한 제3 정보를 상기 제1 신경망 모델에 입력하여 상기 시청자의 상기 광고 컨텐츠에 대한 예상 참여도를 획득하며, 상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정할 수 있다.
또한, 상기 프로세서는 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정할 수 있다.
그리고, 상기 프로세서는 상기 광고주가 상기 타겟 참여도를 설정하지 않은 경우, 상기 제3 정보에 포함된 상기 광고 컨텐츠의 전체 재생 시간에 기초하여 상기 타겟 참여도를 획득할 수 있다.
또한, 상기 메모리는 제2 신경망 모델을 더 저장하고, 상기 프로세서는 상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도를 상기 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득하고, 상기 획득된 가격을 상기 외부 장치로 전송하도록 상기 통신 회로를 제어할 수 있다.
그리고, 상기 메모리는 제3 신경망 모델을 더 저장하고, 상기 프로세서는 상기 제1 정보를 상기 제3 신경망 모델에 입력하여 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하고, 상기 예상 참여도 및 상기 예측 가격에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하며, 상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도, 상기 예상 참여도 및 상기 예측 가격을 상기 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득할 수 있다.
또한, 상기 프로세서는 상기 획득된 가격을 상기 외부 장치로 전송하도록 상기 통신 회로를 제어하여 상기 시청자에게 제공될 광고 컨텐츠를 결정하는 경매에 참여하고, 상기 통신 회로를 통해 상기 외부 장치로부터 상기 경매에 대한 결과를 수신할 수 있다.
그리고, 상기 프로세서는 상기 광고 컨텐츠가 낙찰된 경우, 상기 시청자에게 상기 광고 컨텐츠를 제공하도록 상기 통신 회로를 제어하고, 상기 광고 컨텐츠가 낙찰되지 않은 경우 상기 타겟 참여도를 변경할 수 있다.
또한, 상기 프로세서는 상기 가격 요청 신호에 기초하여 상기 시청자의 나이, 성별, 위치, 국적 또는 직업 중 적어도 하나를 획득하고, 상기 획득된 정보를 상기 제1 정보로서 식별할 수 있다.
그리고, 상기 예상 참여도는 상기 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간에 대한 상기 시청자가 상기 광고 컨텐츠를 시청할 것으로 예상되는 시간의 비율을 나타낼 수 있다.
한편, 본 개시의 다른 실시 예에 따른 전자 장치의 제어 방법이 개시된다. 전자 장치의 제어 방법은 외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 상기 가격 요청 신호에 기초하여 상기 시청자와 관련된 제1 정보를 획득하는 단계, 상기 제1 정보, 상기 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 상기 광고 컨텐츠에 대한 제3 정보를 제1 신경망 모델에 입력하여 상기 시청자의 상기 광고 컨텐츠에 대한 예상 참여도를 획득하는 단계 및 상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하는 단계를 포함한다.
또한, 상기 결정하는 단계는 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정할 수 있다.
그리고, 상기 결정하는 단계는 상기 광고주가 상기 타겟 참여도를 설정하지 않은 경우, 상기 제3 정보에 포함된 상기 광고 컨텐츠의 전체 재생 시간에 기초하여 상기 타겟 참여도를 획득할 수 있다.
또한, 상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도를 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득하는 단계 및 상기 획득된 가격을 상기 외부 장치로 전송하는 단계를 더 포함할 수 있다.
그리고, 상기 제1 정보를 제3 신경망 모델에 입력하여 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하는 단계를 더 포함하며, 상기 결정하는 단계는 상기 예상 참여도 및 상기 예측 가격에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하며, 상기 가격을 획득하는 단계는 상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도, 상기 예상 참여도 및 상기 예측 가격을 상기 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득할 수 있다.
또한, 상기 전송하는 단계는 상기 획득된 가격을 상기 외부 장치로 전송하여 상기 시청자에게 제공될 광고 컨텐츠를 결정하는 경매에 참여하고, 상기 제어 방법은 상기 외부 장치로부터 상기 경매에 대한 결과를 수신하는 단계를 더 포함할 수 있다.
한편, 본 개시의 다른 실시 예에 따른 전자 장치의 동작 방법을 실행하기 위한 프로그램이 저장된 비일시적 컴퓨터 판독가능 기록매체가 개시된다. 상기 동작 방법은 외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 상기 가격 요청 신호에 기초하여 상기 시청자와 관련된 제1 정보를 획득하는 단계, 상기 제1 정보, 상기 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 상기 광고 컨텐츠에 대한 제3 정보를 제1 신경망 모델에 입력하여 상기 시청자의 상기 광고 컨텐츠에 대한 예상 참여도를 획득하는 단계 및 상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하는 단계를 포함한다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 광고주의 광고 컨텐츠에 대해 시청자의 예상 참여도를 제공함에 따라 광고주의 광고 컨텐츠에 대한 경매 참여를 보조할 수 있다.
본 개시의 다른 양태, 이점 및 두드러진 특징은 첨부된 도면과 함께 본 개시의 다양한 실시 예를 개시하는 다음의 상세한 설명으로부터 당업자에게 명백해질 것이다.
본 개시의 특정 실시 예의 상기 및 다른 측면, 특징 및 이점은 첨부 도면과 함께 취해진 다음의 설명으로부터 더 명백해질 것이다.
도 1은 종래 기술을 설명하기 위한 도면이다.
도 2a는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 2b는 본 개시의 일 실시 예에 따른 전자 장치의 세부 구성을 나타내는 블럭도이다.
도 3, 4 및 5는 본 개시의 다양한 실시 예에 따른 경매 시스템을 설명하기 위한 도면들이다.
도 6은 본 개시의 일 실시 예에 따른 제1 신경망 모델의 학습 방법을 설명하기 위한 도면이다.
도 7a 및 도 7b는 본 개시의 다양한 실시 예에 따른 응답 여부를 출력하는 신경망 모델의 학습 방법을 설명하기 위한 도면들이다.
도 8a 및 도 8b는 본 개시의 다양한 실시 예에 따른 제2 신경망 모델의 학습 방법을 설명하기 위한 도면들이다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도면 전체에 걸쳐, 유사한 참조 번호는 유사한 부품, 구성 요소 및 구조를 지칭하는 것으로 이해될 것이다.
-
첨부된 도면을 참조하는 다음의 설명은 청구 범위 및 그 균등물에 의해 정의된 본 개시의 다양한 실시 예의 포괄적인 이해를 돕기 위해 제공된다. 그 이해를 돕기 위해 다양한 특정 세부 사항을 포함하지만 이는 단지 예시적인 것으로 간주되어야 한다. 따라서, 당업자는 본 명세서에 설명된 다양한 실시 예의 다양한 변경 및 수정이 본 개시의 범위 및 사상을 벗어나지 않고 이루어질 수 있음을 인식할 것이다. 또한, 잘 알려진 기능 및 구성에 대한 설명은 명확성과 간결성을 위해 생략될 수 있다.
다음의 설명 및 청구 범위에서 사용되는 용어 및 단어는 서지적 의미에 국한되지 않고, 본 개시의 명확하고 일관된 이해를 가능하게 하기 위해 발명자에 의해 사용될 뿐이다. 따라서, 본 개시 내용의 다양한 실시 예들에 대한 다음의 설명은 첨부된 청구 범위 및 그 균등물에 의해 정의된 개시 내용을 제한할 목적이 아니라 단지 예시 목적으로 제공된다는 것이 당업자에게 명백해야 한다.
본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
단수 형태 "a", "an"및 "the"는 문맥 상 명백하게 달리 지시하지 않는 한 복수의 지시 대상을 포함하는 것으로 이해되어야 한다. 따라서, 예를 들어, "구성 요소 표면"에 대한 언급은 이러한 표면 중 하나 이상에 대한 참조를 포함한다.
본 발명의 실시 예에서 사용되는 "갖는다", "가질 수 있다", "포함한다", "포함할 수 있다"라는 용어는 해당 특징(예를 들어, 수치, 기능, 연산, 또는 부품)을 나타내며, 추가 기능의 존재를 배제하지 않는다.
A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.
본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공 지능 전자 장치)를 지칭할 수 있다.
이하 첨부된 도면들을 참조하여 본 개시의 다양한 실시 예를 보다 상세하게 설명한다.
도 2a는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내는 블록도이다.
전자 장치(100)는 광고 컨텐츠의 경매 입찰과 관련된 동작을 처리하는 장치로서, 서버, TV, 데스크탑 PC, 노트북, 비디오 월(video wall), LFD(large format display), Digital Signage(디지털 간판), DID(Digital Information Display), 프로젝터 디스플레이, DVD(digital video disk) 플레이어, 스마트폰, 태블릿 PC, 모니터, 스마트 안경, 스마트 워치, 셋탑박스(STB), 스피커, 컴퓨터 본체 등과 같은 장치일 수 있다. 다만, 이에 한정되는 것은 아니며, 전자 장치(100)는 광고 컨텐츠의 경매 입찰과 관련된 동작을 처리할 수 있는 장치라면 어떠한 장치라도 무방하다.
전자 장치(100)는 도 2a에 도시된 바와 같이, 통신 인터페이스(110), 메모리(120) 및 프로세서(130)를 포함한다.
통신 인터페이스(110)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 예를 들어, 전자 장치(100)는 통신 인터페이스(110)를 통해 AD Exchange 또는 복수의 광고주들의 전가 기기들과 통신을 수행할 수 있다.
통신 인터페이스(110)는 와이파이(wireless fidelity) 모듈, 블루투스 모듈, 적외선 통신 모듈 및 무선 통신 모듈 등을 포함할 수 있다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다.
와이파이 모듈, 블루투스 모듈은 각각 Wi-Fi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 모듈이나 블루투스 모듈을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 적외선 통신 모듈은 시 광선과 밀리미터파 사이에 있는 적외선을 이용하여 근거리에 무선으로 데이터를 전송하는 적외선 통신(IrDA, infrared Data Association)기술에 따라 통신을 수행한다.
무선 통신 모듈은 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다.
또는, 통신 인터페이스(110)는 HDMI, DP, 썬더볼트, USB, RGB, D-SUB, DVI 등과 같은 유선 통신 인터페이스를 포함할 수 있다.
그 밖에 통신 인터페이스(110)는 LAN(Local Area Network) 모듈, 이더넷 모듈, 또는 페어 케이블, 동축 케이블 또는 광섬유 케이블 등을 이용하여 통신을 수행하는 유선 통신 모듈 중 적어도 하나를 포함할 수도 있다.
메모리(120)는 프로세서(130) 등이 접근할 수 있도록 데이터 등의 정보를 전기 또는 자기 형태로 저장하는 하드웨어를 지칭할 수 있다. 이를 위해, 메모리(120)는 비휘발성 메모리, 휘발성 메모리, 플래시 메모리(Flash Memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD), RAM, ROM 등 중에서 적어도 하나의 하드웨어로 구현될 수 있다.
메모리(120)에는 전자 장치(100) 또는 프로세서(130)의 동작에 필요한 적어도 하나의 인스트럭션(instruction) 또는 모듈이 저장될 수 있다. 여기서, 인스트럭션은 전자 장치(100) 또는 프로세서(130)의 동작을 지시하는 부호 단위로서, 컴퓨터가 이해할 수 있는 언어인 기계어로 작성된 것일 수 있다. 모듈은 작업 단위의 특정 작업을 수행하는 일련의 인스트럭션의 집합체(instruction set)일 수 있다.
메모리(120)에는 문자, 수, 영상 등을 나타낼 수 있는 비트 또는 바이트 단위의 정보인 데이터가 저장될 수 있다. 예를 들어, 메모리(120)에는 복수의 신경망 모델이 저장될 수 있다. 복수의 신경망 모델은 시청자의 광고 컨텐츠에 대한 예상 참여도를 획득하도록 학습된 모델, 광고 컨텐츠에 대한 가격을 획득하도록 학습된 모델, 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하는 모델 등을 포함할 수 있다.
메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의해 인스트럭션, 모듈 또는 데이터에 대한 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
프로세서(130)는 전자 장치(100)의 동작을 전반적으로 제어한다. 구체적으로, 프로세서(130)는 전자 장치(100)의 각 구성과 연결되어 전자 장치(100)의 동작을 전반적으로 제어할 수 있다. 예를 들어, 프로세서(130)는 통신 인터페이스(110), 메모리(120) 등과 같은 구성과 연결되어 전자 장치(100)의 동작을 제어할 수 있다.
일 실시 예에 따라 프로세서(130)는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(130)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
프로세서(130)는 통신 인터페이스(110)를 통해 외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 가격 요청 신호에 기초하여 시청자와 관련된 제1 정보를 획득할 수 있다.
예를 들어, 프로세서(130)는 통신 인터페이스(110)를 통해 AD Exchange로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 가격 요청 신호에 기초하여 시청자의 나이, 성별, 위치, 국적 또는 직업 중 적어도 하나를 제1 정보로서 식별할 수 있다.
프로세서(130)는 제1 정보, 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 광고 컨텐츠에 대한 제3 정보를 제1 신경망 모델에 입력하여 시청자의 광고 컨텐츠에 대한 예상 참여도(Viewer Engagement Measure, VEM)를 획득할 수 있다. 예를 들어, 예상 참여도는 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간에 대한 시청자가 광고 컨텐츠를 시청할 것으로 예상되는 시간의 비율을 나타낼 수 있으며, 0에서 1 사이의 실수로 결정될 수 있다. 여기서, 제2 정보는 시청자가 시청하고 있는 컨텐츠의 타입, 방송국, 시청 가능 연령, 장르 등에 대한 정보를 포함하고, 제3 정보는 광고 컨텐츠의 타입, 광고 대상이 되는 제품 등에 대한 정보를 포함할 수 있다. 그리고, 제1 신경망 모델은 시청자에 대한 제1 샘플 정보, 타겟 시청 컨텐츠에 대한 제2 샘플 정보 및 광고 컨텐츠에 대한 제3 샘플 정보와 샘플 참여도의 관계를 학습한 모델일 수 있다.
프로세서(130)는 예상 참여도에 기초하여 가격 요청 신호에 대한 응답 여부를 결정할 수 있다. 예를 들어, 프로세서(130)는 예상 참여도가 0.7 이상인 경우, 가격 요청 신호에 대해 응답하여 경매에 참여하는 것으로 결정할 수 있다.
또는, 프로세서(130)는 제3 정보, 광고주가 설정한 타겟 참여도 및 예상 참여도에 기초하여 가격 요청 신호에 대한 응답 여부를 결정할 수도 있다. 예를 들어, 프로세서(130)는 예상 참여도가 광고주가 설정한 타겟 참여도 이상인 경우, 가격 요청 신호에 대해 응답하여 경매에 참여하는 것으로 결정할 수 있다. 이때, 광고주가 설정한 타겟 참여도는 제3 정보에 따라 상이할 수 있다. 가령, 광고 컨텐츠가 구두 광고인 경우 광고주가 설정한 타겟 참여도는 0.5이고, 광고 컨텐츠가 의류 광고인 경우 광고주가 설정한 타겟 참여도는 0.7일 수 있다.
또는, 프로세서(130)는 광고주가 타겟 참여도를 설정하지 않은 경우, 제3 정보에 포함된 광고 컨텐츠의 전체 재생 시간에 기초하여 타겟 참여도를 획득할 수도 있다.
한편, 메모리(120)는 제2 신경망 모델을 더 저장하고, 프로세서(130)는 가격 요청 신호에 대해 응답하는 것으로 결정되면, 제3 정보, 광고주가 설정한 타겟 참여도 및 예상 참여도를 제2 신경망 모델에 입력하여 광고 컨텐츠에 대한 가격을 획득하고, 획득된 가격을 외부 장치로 전송하도록 통신 인터페이스(110)를 제어할 수 있다. 여기서, 제2 신경망 모델은 광고 컨텐츠에 대한 제3 샘플 정보, 샘플 타겟 참여도 및 샘플 예상 참여도와 가격의 관계를 학습한 모델일 수 있다.
또한, 메모리(120)는 제3 신경망 모델을 더 저장하고, 프로세서(130)는 제1 정보를 제3 신경망 모델에 입력하여 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하고, 예상 참여도 및 예측 가격에 기초하여 가격 요청 신호에 대한 응답 여부를 결정할 수도 있다. 여기서, 제3 신경망 모델은 시청자에 대한 제1 샘플 정보와 타 광고주의 샘플 가격의 관계를 학습한 모델일 수 있다.
프로세서(130)는 가격 요청 신호에 대해 응답하는 것으로 결정되면, 제3 정보, 광고주가 설정한 타겟 참여도, 예상 참여도 및 예측 가격을 제2 신경망 모델에 입력하여 광고 컨텐츠에 대한 가격을 획득할 수도 있다. 즉, 제2 신경망 모델은 타 광고주에 대한 예측 가격을 더 고려하는 것으로 학습될 수도 있다.
프로세서(130)는 획득된 가격을 외부 장치로 전송하도록 통신 인터페이스(110)를 제어하여 시청자에게 제공될 광고 컨텐츠를 결정하는 경매에 참여하고, 통신 인터페이스(110)를 통해 외부 장치로부터 경매에 대한 결과를 수신할 수 있다.
한편, 프로세서(130)는 광고 컨텐츠가 낙찰된 경우, 시청자에게 광고 컨텐츠를 제공하도록 통신 인터페이스(110)를 제어하고, 광고 컨텐츠가 낙찰되지 않은 경우 타겟 참여도를 변경할 수 있다.
예를 들어, 프로세서(130)는 광고 컨텐츠가 낙찰된 경우, 시청자에게 광고 컨텐츠를 제공하도록 명령하는 신호를 AD Server로 전송도록 통신 인터페이스(110)를 제어할 수 있다. 또는, 프로세서(130)는 광고 컨텐츠가 낙찰되지 않은 경우 현재 0.7의 타겟 참여도를 0.69로 변경할 수 있다. 타겟 참여도가 낮아짐에 따라 제2 신경망 모델을 이용하여 획득되는 컨텐츠에 대한 가격이 낮아질 수 있다.
또한, 프로세서(130)는 낙찰되지 않은 횟수에 기초하여 타겟 참여도를 변경할 수도 있다. 가령, 프로세서(130)는 낙찰되지 않은 횟수가 3회를 초과하면 현재 0.7의 타겟 참여도를 0.69로 변경할 수 있다. 여기서, 타겟 참여도가 변경되면, 낙찰되지 않은 횟수는 다시 0으로 설정될 수 있다.
도 2b는 본 개시의 일 실시 예에 따른 전자 장치(100)의 세부 구성을 나타내는 블럭도이다. 전자 장치(100)는 통신 인터페이스(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 또한, 도 2b에 따르면, 전자 장치(100)는 사용자 인터페이스(140) 또는 디스플레이(150) 중 적어도 하나를 더 포함할 수도 있다. 도 2b에 도시된 구성요소들 중 도 2a에 도시된 구성요소와 중복되는 부분에 대해서는 자세한 설명을 생략하도록 한다.
사용자 인터페이스(140)는 버튼, 터치 패드, 마우스 및 키보드 등으로 구현되거나, 후술할 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(100)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다. 광고주는 사용자 인터페이스(140)를 통해 입찰과 관련된 정보를 입력할 수도 있다.
디스플레이(150)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(150) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(150)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 등으로 구현될 수 있다.
한편, 본 개시에 따른 인공 지능과 관련된 기능은 프로세서(130)와 메모리(120)를 통해 동작된다.
프로세서(130)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP 등과 같은 범용 프로세서, graphics processing unit(GPU), VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서는, 메모리(120)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공 지능 전용 프로세서인 경우, 인공 지능 전용 프로세서는 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
여기서, 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공 지능 모델은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN(Convolutional Neural Network), DNN (Deep Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Network) 또는 심층 Q-네트워크(Deep Q-Networks) 등이 있으나, 이에 한정되는 것은 아니다.
이상과 같이 전자 장치(100)는 전자 장치는 광고주의 광고 컨텐츠에 대해 시청자의 예상 참여도를 제공함에 따라 광고주의 광고 컨텐츠에 대한 경매 참여를 보조할 수 있다.
이하에서는 도 3 내지 도 8b를 통해 전자 장치(100)의 동작을 좀더 구체적으로 설명한다. 도 3 내지 도 8b에서는 설명의 편의를 위해 개별적인 실시 예에 대하여 설명한다. 다만, 도 3 내지 도 8b의 개별적인 실시 예는 얼마든지 조합된 상태로 실시될 수도 있다.
도 3 내지 5는 본 개시의 다양한 실시 예에 따른 경매 시스템을 설명하기 위한 도면들이다.
도 3에 도시된 바와 같이, 시청자가 동영상 페이지에 접속하면(S310), SSP(Supply-Side Platform)는 AD Exchange로 시청자에게 보여줄 광고를 요청하는 신호(광고(Ad) Request)를 전송하고(S315), AD Exchange는 AD Exchange에 연결된 전자 장치(100)로 광고 지면에 대한 가격을 요청하는 신호(Bid Request)를 전송할 수 있다(S320). 이때, AD Exchange는 AD Exchange에 연결된 적어도 하나의 타 전자 장치(100)로도 광고 지면에 대한 가격을 요청하는 신호를 전송할 수 있다.
전자 장치(100)의 프로세서(130)는 AD Exchange로부터 가격 요청 신호가 수신되면(S325), 입찰을 세분화(Bid Segmentation)할 수 있다(S330). 구체적으로, 프로세서(130)는 도 4에 도시된 바와 같이, 입찰 이력과 시청자 정보에 기초하여 입찰을 세분화할 수 있다. 예를 들어, 프로세서(130)는 가격 요청 신호에 포함된 IP 주소에 기초하여 시청자의 위치, 국적 등을 제1 정보로서 식별하고, 입찰 이력에 기초하여 시청자의 성별, 나이 등을 제1 정보로서 추정할 수 있다. 프로세서(130)는 식별된 정보 및 추정된 정보에 기초하여 입찰을 세분화할 수 있다. 가령, 프로세서(130)는 시청자가 5세 이상인 경우에만 입찰을 진행할 수 있다. 이상과 같은 방법을 통해, 프로세서(130)는 복수의 가격 요청 신호에 대해 입찰을 진행할 후보(Ad Candidates)를 식별할 수 있다.
프로세서(130)는 입찰을 진행할 후보를 필터링할 수 있다(S335). 도 5에 도시된 바와 같이, 프로세서(130)는 광고주가 설정한 타겟 시청자에 대한 정보, 타겟 시청 컨텐츠에 대한 제2 정보 및 광고 컨텐츠에 대한 제3 정보에 기초하여 입찰을 진행할 후보를 필터링할 수 있다. 예를 들어, 프로세서(130)는 광고주가 설정한 타겟 시청자의 나이가 30세 이상인 경우, 시청자가 30세 미만인 후보를 필터링할 수 있다.
프로세서(130)는 광고 컨텐츠의 타입을 식별하고(S340), 광고 컨텐츠의 타입이 동영상인 경우 시청자의 광고 컨텐츠에 대한 예상 참여도를 획득할 수 있다(VEM Prediction, S345). 그리고, 프로세서(130)는 예상 참여도에 기초하여 가격 요청 신호에 대한 응답 여부를 결정하며(VEM-based Throttling, S345), 광고 컨텐츠에 대한 가격을 결정할 수 있다(Bid Price Decision, S345). 예를 들어, 프로세서(130)는 제1 신경망 모델을 이용하여 시청자의 광고 컨텐츠에 대한 예상 참여도를 획득하고, 제2 신경망 모델을 이용하여 광고 컨텐츠에 대한 가격을 획득할 수 있다.
이때, 프로세서(130)는 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하고, 타 광고주의 예측 가격에 기초하여 광고 컨텐츠에 대한 가격을 획득할 수도 있다. 예를 들어, 프로세서(130)는 제3 신경망 모델을 이용하여 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하고, 타 광고주의 예측 가격에 기초하여 광고 컨텐츠에 대한 가격을 획득할 수도 있다.
프로세서(130)는 이상과 같은 동작을 복수의 광고주에 대해 수행하여, 복수의 광고주 각각의 응답 여부 및 응답하는 경우의 가격을 획득할 수 있다. 프로세서(130)는 응답하는 경우의 복수의 가격 중 가장 높은 가격을 Bidding 정보로서 Ad Exchange로 전송하여(S350), Ad Exchange의 경매에 참여할 수 있다(S355). Ad Exchange는 경매 결과(S360)를 전자 장치(100)로 제공할 수 있다. 프로세서(130)는 경매 결과를 업데이트하고(S365), 시청자에게 광고를 제공하도록 AD Server로 신호를 전송할 수 있다. AD Server는 Publisher로 광고를 제공하고(S370), 시청자는 광고에 참여할 수 있다(S375).
프로세서(130)는 시청자의 광고 참여도를 수신하고 데이터베이스를 업데이트할 수 있다(S380).
도 6은 본 개시의 일 실시 예에 따른 제1 신경망 모델의 학습 방법을 설명하기 위한 도면들이다.
도 6에 따르면, 제1 신경망 모델은 시청자의 광고 컨텐츠에 대한 예상 참여도를 출력하는 모델로서, 프로세서(130)는 광고 컨텐츠의 전체 길이(TL)을 식별하고, 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간(To)를 획득할 수 있다. 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간(To)은 광고주에 의해 선택되거나 기설정된 값일 수 있다. 또는, 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간(To)은 광고 컨텐츠의 전체 길이(TL)에 대한 비율 또는 광고 컨텐츠의 전체 길이에 대한 함수로 정의될 수도 있다.
프로세서(130)는 실제 시청자의 참여도에 기초하여 학습 과정에서 이용할 샘플 참여도를 산출할 수 있다. 예를 들어, 샘플 참여도(VEM)는 하기의 수학식 1과 같이 정의될 수 있다.
VEM≡min(Tw, To)/To … 수학식 1
여기서, Tw는 시청자가 광고 컨텐츠를 시청한 시간이고, To는 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간일 수 있다. 그에 따라, 샘플 참여도는 0에서 1 사이의 값을 갖게 된다.
이상과 같이 프로세서(130)는 시청자의 광고 참여도를 기저장해두고, 제1 신경망 모델의 학습에 이용할 수 있다.
프로세서(130)는 시청자에 대한 제1 샘플 정보, 타겟 시청 컨텐츠에 대한 제2 샘플 정보 및 광고 컨텐츠에 대한 제3 샘플 정보와 샘플 참여도의 관계를 통해 제1 신경망 모델을 학습할 수 있다.
도 7a 및 도 7b는 본 개시의 다양한 실시 예에 따른 응답 여부를 출력하는 신경망 모델의 학습 방법을 설명하기 위한 도면들이다.
프로세서(130)는 도 7b와 같이 과거의 입찰 기록에 기초하여 데이터 베이스를 생성할 수 있다. 구체적으로, 프로세서(130)는 참여도(VEM), 입찰 가격, 낙찰 여부를 획득하고, 낙찰 여부에 대한 레이블을 추가하여 응답 여부를 출력하는 신경망 모델의 학습에 이용할 수 있다. 여기서, 프로세서(130)는 예산 한도, 기간 한도, 일변 예산 한도 등의 제약 조건을 추가하여 학습에 이용할 데이터 중 낙찰 여부에 대한 레이블을 업데이트할 수도 있다.
한편, 도 7a에 도시된 바와 같이, 프로세서(130)는 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하고, 그 총합을 Predicted Market Price(Pm)로 획득할 수 있다. 그리고, 프로세서(130)는 하기와 같은 수학식 2를 통해 VEM 당 Predicted Market Price인 CPVEM(Cost per VEM)을 획득할 수 있다.
CPVEM=Pm/VEM … 수학식 2
프로세서(130)는 광고 컨텐츠에 대한 제3 샘플 정보, Bid 정보, Pm, CPVEM, 참여도(VEM), 낙찰 여부에 대한 레이블을 고려하여 응답 여부를 출력하는 신경망 모델의 학습을 수행할 수도 있다. 이 경우, 프로세서(130)는 CPVEM이 낮은 가격 요청 신호(Bid Request) 위주로 응답을 수행할 수 있다.
도 8a 및 도 8b는 본 개시의 다양한 실시 예에 따른 제2 신경망 모델의 학습 방법을 설명하기 위한 도면들이다.
제2 신경망 모델은 광고 컨텐츠에 대한 가격을 출력하는 모델로서, 프로세서(130)는 광고 컨텐츠에 대한 제3 샘플 정보, 샘플 타겟 참여도 및 샘플 예상 참여도와 가격의 관계를 통해 제2 신경망 모델을 학습할 수 있다.
또한, 프로세서(130)는 도 8a에 도시된 바와 같이, Bid 정보, Pm, CPVEM를 더 고려하여 제2 신경망 모델의 학습을 수행할 수도 있다.
한편, 프로세서(130)는 샘플 예상 참여도를 변수로서 제2 신경망 모델에 입력하여 도 8b과 같은 결과를 출력할 수도 있다. 이 경우, 도 8b와 같은 결과에 기초하여 광고주가 적절한 가격을 결정할 수도 있다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
먼저, 외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 가격 요청 신호에 기초하여 시청자와 관련된 제1 정보를 획득한다(S910). 그리고, 제1 정보, 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 광고 컨텐츠에 대한 제3 정보를 제1 신경망 모델에 입력하여 시청자의 광고 컨텐츠에 대한 예상 참여도를 획득한다(S920). 그리고, 예상 참여도에 기초하여 가격 요청 신호에 대한 응답 여부를 결정한다(S930).
여기서, 결정하는 단계(S930)는 제3 정보, 광고주가 설정한 타겟 참여도 및 예상 참여도에 기초하여 가격 요청 신호에 대한 응답 여부를 결정할 수 있다.
또한, 결정하는 단계(S930)는 광고주가 타겟 참여도를 설정하지 않은 경우, 제3 정보에 포함된 광고 컨텐츠의 전체 재생 시간에 기초하여 타겟 참여도를 획득할 수 있다.
한편, 가격 요청 신호에 대해 응답하는 것으로 결정되면, 제3 정보, 광고주가 설정한 타겟 참여도 및 예상 참여도를 제2 신경망 모델에 입력하여 광고 컨텐츠에 대한 가격을 획득하는 단계 및 획득된 가격을 외부 장치로 전송하는 단계를 더 포함할 수 있다.
여기서, 제1 정보를 제3 신경망 모델에 입력하여 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하는 단계를 더 포함하며, 결정하는 단계(S930)는 예상 참여도 및 예측 가격에 기초하여 가격 요청 신호에 대한 응답 여부를 결정하며, 가격을 획득하는 단계는 가격 요청 신호에 대해 응답하는 것으로 결정되면, 제3 정보, 광고주가 설정한 타겟 참여도, 예상 참여도 및 예측 가격을 제2 신경망 모델에 입력하여 광고 컨텐츠에 대한 가격을 획득할 수 있다.
그리고, 전송하는 단계는 획득된 가격을 외부 장치로 전송하여 시청자에게 제공될 광고 컨텐츠를 결정하는 경매에 참여하고, 제어 방법은 외부 장치로부터 경매에 대한 결과를 수신하는 단계를 더 포함할 수 있다.
여기서, 광고 컨텐츠가 낙찰된 경우, 시청자에게 광고 컨텐츠를 제공하고, 광고 컨텐츠가 낙찰되지 않은 경우 타겟 참여도를 변경하는 단계를 더 포함할 수 있다.
한편, 제1 정보를 획득하는 단계(S910)는 가격 요청 신호에 기초하여 시청자의 나이, 성별, 위치, 국적 또는 직업 중 적어도 하나를 획득하고, 획득된 정보를 제1 정보로서 식별할 수 있다.
여기서, 예상 참여도는 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간에 대한 시청자가 광고 컨텐츠를 시청할 것으로 예상되는 시간의 비율을 나타낼 수 있다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 광고주의 광고 컨텐츠에 대해 시청자의 예상 참여도를 제공함에 따라 광고주의 광고 컨텐츠에 대한 경매 참여를 보조할 수 있다.
한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.
한편, 상술한 다양한 실시 예들에 따른 기기의 프로세싱 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 기기에서의 처리 동작을 특정 기기가 수행하도록 한다. 비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
Claims (15)
- 전자 장치에 있어서,통신 회로;제1 신경망 모델이 저장된 메모리; 및상기 통신 회로 및 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하고,상기 프로세서는,상기 통신 회로를 통해 외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 상기 가격 요청 신호에 기초하여 상기 시청자와 관련된 제1 정보를 획득하고,상기 제1 정보, 상기 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 상기 광고 컨텐츠에 대한 제3 정보를 상기 제1 신경망 모델에 입력하여 상기 시청자의 상기 광고 컨텐츠에 대한 예상 참여도를 획득하며,상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하는, 전자 장치.
- 제1항에 있어서,상기 프로세서는,상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하는, 전자 장치.
- 제2항에 있어서,상기 프로세서는,상기 광고주가 상기 타겟 참여도를 설정하지 않은 경우, 상기 제3 정보에 포함된 상기 광고 컨텐츠의 전체 재생 시간에 기초하여 상기 타겟 참여도를 획득하는, 전자 장치.
- 제1항에 있어서,상기 메모리는, 제2 신경망 모델을 더 저장하고,상기 프로세서는,상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도를 상기 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득하고,상기 획득된 가격을 상기 외부 장치로 전송하도록 상기 통신 회로를 제어하는, 전자 장치.
- 제4항에 있어서,상기 메모리는, 제3 신경망 모델을 더 저장하고,상기 프로세서는,상기 제1 정보를 상기 제3 신경망 모델에 입력하여 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하고,상기 예상 참여도 및 상기 예측 가격에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하며,상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도, 상기 예상 참여도 및 상기 예측 가격을 상기 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득하는, 전자 장치.
- 제5항에 있어서,상기 프로세서는,상기 획득된 가격을 상기 외부 장치로 전송하도록 상기 통신 회로를 제어하여 상기 시청자에게 제공될 광고 컨텐츠를 결정하는 경매에 참여하고,상기 통신 회로를 통해 상기 외부 장치로부터 상기 경매에 대한 결과를 수신하는, 전자 장치.
- 제6항에 있어서,상기 프로세서는,상기 광고 컨텐츠가 낙찰된 경우, 상기 시청자에게 상기 광고 컨텐츠를 제공하도록 상기 통신 회로를 제어하고, 상기 광고 컨텐츠가 낙찰되지 않은 경우 상기 타겟 참여도를 변경하는, 전자 장치.
- 제1항에 있어서,상기 프로세서는,상기 가격 요청 신호에 기초하여 상기 시청자의 나이, 성별, 위치, 국적 또는 직업 중 적어도 하나를 포함하는 정보를 획득하고,상기 획득된 정보를 상기 제1 정보로서 식별하는, 전자 장치.
- 제1항에 있어서,상기 예상 참여도는,상기 광고 컨텐츠의 전체를 시청한 것으로 간주할 수 있는 시간에 대한 상기 시청자가 상기 광고 컨텐츠를 시청할 것으로 예상되는 시간의 비율을 나타내는, 전자 장치.
- 전자 장치의 제어 방법에 있어서,외부 장치로부터 시청자에게 제공될 광고 컨텐츠에 대한 가격 요청 신호가 수신되면, 상기 가격 요청 신호에 기초하여 상기 시청자와 관련된 제1 정보를 획득하는 단계;상기 제1 정보, 상기 광고 컨텐츠의 광고주가 설정한 타겟 시청자 및 타겟 시청 컨텐츠에 대한 제2 정보 및 상기 광고 컨텐츠에 대한 제3 정보를 제1 신경망 모델에 입력하여 상기 시청자의 상기 광고 컨텐츠에 대한 예상 참여도를 획득하는 단계; 및상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하는 단계;를 포함하는, 제어 방법.
- 제10항에 있어서,상기 결정하는 단계는,상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하는, 제어 방법.
- 제11항에 있어서,상기 결정하는 단계는,상기 광고주가 상기 타겟 참여도를 설정하지 않은 경우, 상기 제3 정보에 포함된 상기 광고 컨텐츠의 전체 재생 시간에 기초하여 상기 타겟 참여도를 획득하는, 제어 방법.
- 제11항에 있어서,상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도 및 상기 예상 참여도를 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득하는 단계; 및상기 획득된 가격을 상기 외부 장치로 전송하는 단계;를 더 포함하는, 제어 방법.
- 제13항에 있어서,상기 제1 정보를 제3 신경망 모델에 입력하여 타 광고주의 광고 컨텐츠에 대한 예측 가격을 획득하는 단계;를 더 포함하며,상기 결정하는 단계는,상기 예상 참여도 및 상기 예측 가격에 기초하여 상기 가격 요청 신호에 대한 응답 여부를 결정하며,상기 가격을 획득하는 단계는,상기 가격 요청 신호에 대해 응답하는 것으로 결정되면, 상기 제3 정보, 상기 광고주가 설정한 타겟 참여도, 상기 예상 참여도 및 상기 예측 가격을 상기 제2 신경망 모델에 입력하여 상기 광고 컨텐츠에 대한 가격을 획득하는, 제어 방법.
- 제14항에 있어서,상기 전송하는 단계는,상기 획득된 가격을 상기 외부 장치로 전송하여 상기 시청자에게 제공될 광고 컨텐츠를 결정하는 경매에 참여하고,상기 방법은,상기 외부 장치로부터 상기 경매에 대한 결과를 수신하는 단계;를 더 포함하는, 제어 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/668,993 US20220222716A1 (en) | 2021-01-13 | 2022-02-10 | Electronic apparatus and control method thereof |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210004603A KR20220102353A (ko) | 2021-01-13 | 2021-01-13 | 전자 장치 및 그 제어 방법 |
KR10-2021-0004603 | 2021-01-13 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US17/668,993 Continuation US20220222716A1 (en) | 2021-01-13 | 2022-02-10 | Electronic apparatus and control method thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022154199A1 true WO2022154199A1 (ko) | 2022-07-21 |
Family
ID=82448237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2021/008634 WO2022154199A1 (ko) | 2021-01-13 | 2021-07-07 | 전자 장치 및 그 제어 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20220102353A (ko) |
WO (1) | WO2022154199A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005184228A (ja) * | 2003-12-17 | 2005-07-07 | Oen:Kk | 映像コンテンツ配信装置、その方法及びプログラム |
US20170286997A1 (en) * | 2016-04-05 | 2017-10-05 | Facebook, Inc. | Advertisement conversion prediction based on unlabeled data |
KR102029461B1 (ko) * | 2019-01-17 | 2019-10-15 | 주식회사 아드리엘 | 인공 지능 기반의 광고 결과 예측 방법 및 이러한 방법을 수행하는 장치 |
KR102127250B1 (ko) * | 2019-05-30 | 2020-06-29 | 이세령 | 동영상 공유 서비스의 채널 정보를 제공하는 서버 및 방법 |
JP2020187697A (ja) * | 2019-05-17 | 2020-11-19 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
-
2021
- 2021-01-13 KR KR1020210004603A patent/KR20220102353A/ko unknown
- 2021-07-07 WO PCT/KR2021/008634 patent/WO2022154199A1/ko active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005184228A (ja) * | 2003-12-17 | 2005-07-07 | Oen:Kk | 映像コンテンツ配信装置、その方法及びプログラム |
US20170286997A1 (en) * | 2016-04-05 | 2017-10-05 | Facebook, Inc. | Advertisement conversion prediction based on unlabeled data |
KR102029461B1 (ko) * | 2019-01-17 | 2019-10-15 | 주식회사 아드리엘 | 인공 지능 기반의 광고 결과 예측 방법 및 이러한 방법을 수행하는 장치 |
JP2020187697A (ja) * | 2019-05-17 | 2020-11-19 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
KR102127250B1 (ko) * | 2019-05-30 | 2020-06-29 | 이세령 | 동영상 공유 서비스의 채널 정보를 제공하는 서버 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20220102353A (ko) | 2022-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021101087A1 (en) | Electronic apparatus and controlling method thereof | |
WO2021020810A1 (en) | Learning method of ai model and electronic apparatus | |
WO2020060223A1 (ko) | 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법 | |
WO2021071155A1 (en) | Electronic apparatus and control method thereof | |
WO2018151507A1 (ko) | 디스플레이 장치와 방법 및 광고 서버 | |
WO2021107291A1 (en) | Electronic apparatus and control method thereof | |
WO2019172541A1 (en) | Electronic apparatus and control method thereof | |
US20220301312A1 (en) | Electronic apparatus for identifying content based on an object included in the content and control method thereof | |
WO2022131488A1 (ko) | 전자 장치 및 그 제어 방법 | |
WO2022108008A1 (en) | Electronic apparatus and controlling method thereof | |
WO2022154199A1 (ko) | 전자 장치 및 그 제어 방법 | |
WO2021141210A1 (en) | Electronic apparatus and controlling method thereof | |
WO2023219326A1 (ko) | 바이럴 마케팅 방법 및 이를 지원하는 장치 | |
WO2020055002A1 (ko) | 전자 장치 및 그의 제어 방법 | |
WO2022092487A1 (ko) | 전자 장치 및 그 제어 방법 | |
WO2022039433A1 (ko) | 대화 텍스트에 대한 요약 정보를 생성하는 전자 장치 및 그 동작 방법 | |
WO2022039494A1 (ko) | 단말의 모델을 갱신하는 서버 및 그 동작 방법 | |
WO2021167289A1 (en) | Device and control method thereof | |
US20220222716A1 (en) | Electronic apparatus and control method thereof | |
WO2024014662A1 (ko) | 전자 장치 및 전자 장치의 제어 방법 | |
WO2021230474A1 (ko) | 전자 장치, 시스템 및 그 제어 방법 | |
KR20200050880A (ko) | 전자 장치, 전자 장치의 제어 방법 및 컴퓨터 판독 가능 매체. | |
WO2024058468A1 (ko) | 디스플레이 장치 및 이의 제어 방법 | |
WO2022039385A1 (ko) | 전자 장치 및 그 제어 방법 | |
EP4318302A1 (en) | Electronic device and control method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21919823 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: 21919823 Country of ref document: EP Kind code of ref document: A1 |