WO2023177144A1 - 광고 대상 결정 장치 및 방법 - Google Patents

광고 대상 결정 장치 및 방법 Download PDF

Info

Publication number
WO2023177144A1
WO2023177144A1 PCT/KR2023/003164 KR2023003164W WO2023177144A1 WO 2023177144 A1 WO2023177144 A1 WO 2023177144A1 KR 2023003164 W KR2023003164 W KR 2023003164W WO 2023177144 A1 WO2023177144 A1 WO 2023177144A1
Authority
WO
WIPO (PCT)
Prior art keywords
devices
advertisement
advertising
advertisement target
determining
Prior art date
Application number
PCT/KR2023/003164
Other languages
English (en)
French (fr)
Inventor
박상훈
조건희
조성민
지영진
Original Assignee
삼성전자 주식회사
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 주식회사 filed Critical 삼성전자 주식회사
Priority to US18/123,105 priority Critical patent/US20230325876A1/en
Publication of WO2023177144A1 publication Critical patent/WO2023177144A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N5/04—Inference or reasoning models
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0267—Wireless devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • H04N21/254—Management at additional data server, e.g. shopping server, rights management server
    • 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
    • H04N21/254—Management at additional data server, e.g. shopping server, rights management server
    • H04N21/2542—Management at additional data server, e.g. shopping server, rights management server for selling goods, e.g. TV shopping
    • 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
    • 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
    • H04N21/25808—Management of client data
    • H04N21/25841—Management of client data involving the geographical location of the client
    • 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
    • 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

Definitions

  • Various embodiments relate to an apparatus and method for determining an advertisement target. More specifically, it relates to an advertisement target determination device and method that automatically determines an advertisement target device matching a request using usage history information of a plurality of external devices.
  • This existing method of selecting advertising targets may be difficult to satisfy the needs of advertisers who want to advertise quickly and effectively at a low cost.
  • a method of determining an advertisement target according to an advertisement request includes obtaining usage history information from a plurality of devices, acquiring characteristics of the plurality of devices based on the usage history information, and generating feature vectors for the acquired characteristics. It may include steps.
  • a method of determining an advertisement target according to an advertisement request may include automatically determining a label for each of the plurality of devices based on the advertisement request and the characteristics.
  • a method of determining an advertisement target according to an advertisement request may include automatically generating an advertisement target inference model based on the determined label and the feature vector.
  • a method of determining an advertisement target according to an advertisement request may include determining at least one advertisement target device among the plurality of devices by applying the generated advertisement target inference model to the plurality of devices.
  • An apparatus for determining an advertisement target may include a memory that stores one or more instructions.
  • the apparatus for determining an advertisement target according to an embodiment may include a processor that executes the one or more instructions stored in the memory.
  • the processor acquires usage history information from a plurality of devices by executing the one or more instructions, acquires characteristics of the plurality of devices based on the usage history information, and generates feature vectors for the acquired characteristics. can be created.
  • the processor may automatically determine a label for each of the plurality of devices based on the advertisement request and the characteristics.
  • the processor automatically generates an advertisement target inference model based on the label and the feature vector, and applies the generated advertisement target inference model to the plurality of devices to select at least one advertisement target device among the plurality of devices. You can decide.
  • a computer-readable recording medium includes obtaining usage history information from a plurality of devices, acquiring characteristics of the plurality of devices based on the usage history information, and generating feature vectors for the characteristics. It may be a recording medium on which a program for implementing a method of operating an electronic device including the steps is recorded.
  • a computer-readable recording medium is a program for implementing a method of operating an electronic device, including automatically determining a label for each of the plurality of devices based on an advertisement request and the characteristics. This may be a recorded recording medium.
  • a computer-readable recording medium is a recording medium on which a program for implementing a method of operating an electronic device including automatically generating an advertising target inference model based on the label and the feature vector is recorded. It can be.
  • a computer-readable recording medium includes a method of determining an advertisement target including determining at least one advertisement target device among the plurality of devices by applying the generated advertisement target inference model to the plurality of devices. It may be a recording medium on which a program for implementation is recorded.
  • FIG. 1 is a diagram illustrating an apparatus for determining an advertisement target and a plurality of devices according to an embodiment of the present disclosure.
  • Figure 2 is a block diagram showing the configuration of an advertisement target determination device according to an embodiment of the present disclosure.
  • FIG. 3 is an example of a block diagram showing the configuration of one device among a plurality of devices 200 according to an embodiment of the present disclosure.
  • Figure 4 is a flowchart showing a method for determining an advertisement target according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram illustrating an example of a method for resolving distortion of device usage history information in order to obtain characteristics of a plurality of devices according to an embodiment of the present disclosure.
  • FIG. 6 is a diagram illustrating an example of obtaining a feature vector using device usage history information according to an embodiment of the present disclosure.
  • FIG. 7 is a diagram illustrating an example of assigning priority to features using a predetermined algorithm according to an embodiment of the present disclosure.
  • FIG. 8 is a flowchart illustrating an example of a method in which an advertising target determination device acquires weights for features using artificial intelligence according to an embodiment of the present disclosure.
  • FIG. 9 is a diagram illustrating an example in which an advertisement target determination device determines a label using artificial intelligence according to an embodiment of the present disclosure.
  • Figure 10 is a flowchart illustrating an example of a method in which an advertisement target determination device generates an advertisement target inference model using artificial intelligence according to an embodiment of the present disclosure.
  • FIG. 11A is a diagram illustrating an example of a method for determining an advertisement target according to an embodiment of the prior art.
  • FIG. 11B is a diagram illustrating an example of a method for determining an advertisement target according to an embodiment of the present disclosure.
  • FIG. 12 is a diagram illustrating an example of the configuration of an advertisement target determination device that determines an advertisement target and executes an advertisement in response to receiving an advertisement request, according to an embodiment of the present disclosure.
  • FIG. 13 is a diagram illustrating an example of an advertisement request received by an advertisement target determination device according to an embodiment of the present disclosure.
  • Some embodiments of the present disclosure may be represented by functional block configurations and various processing steps. Some or all of these functional blocks may be implemented in various numbers of hardware and/or software configurations that perform specific functions.
  • the functional blocks of the present disclosure may be implemented by one or more microprocessors, or may be implemented by circuit configurations for certain functions.
  • functional blocks of the present disclosure may be implemented in various programming or scripting languages.
  • Functional blocks may be implemented as algorithms running on one or more processors.
  • the present disclosure may employ conventional technologies for electronic environment setup, signal processing, and/or data processing. Terms such as “mechanism,” “element,” “means,” and “configuration” are used broadly and are not limited to mechanical and physical components.
  • connection lines or connection members between components shown in the drawings merely exemplify functional connections and/or physical or circuit connections. In an actual device, connections between components may be represented by various replaceable or additional functional connections, physical connections, or circuit connections.
  • ... unit and “module” used in the specification refer to a unit that processes at least one function or operation, which may be implemented as hardware or software, or as a combination of hardware and software. .
  • the term “user” in the specification refers to a person who uses the advertising target determining device or a plurality of devices to control the function or operation of the advertising target determining device or a plurality of devices, and may include a viewer, administrator, or installation engineer. You can.
  • FIG. 1 is a diagram illustrating an example of how an advertisement target determination device operates according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 of the present disclosure may be connected to a plurality of devices 200 through a network or short-distance communication.
  • Wireless communication may include wireless communication through an access point (AP) and direct wireless communication without an AP.
  • Direct communication includes Bluetooth, Bluetooth low energy, RF (radio frequency) communication, Wi-Fi Direct, Zigbee, UWB (Ultra Wideband), NFC (Near Field Communication), May include infrared communication (IrDA, infrared data association).
  • Wired communication may include Ethernet, etc.
  • the advertising target determination device 100 receives usage history information from a plurality of devices 200 through a network or short-distance communication, analyzes the received usage history information, and determines a device to be the advertising target among the plurality of devices. Advertisements can be transmitted to the determined advertisement target device.
  • the advertisement target determination device 100 may be a server that transmits advertisements to at least one or more devices 200, but this is only one embodiment and may be implemented in various ways.
  • the advertising target determination device 100 is a variety of devices such as super computers, tablet PCs, laptop computers, netbook computers, desktops, PDAs (Personal Digital Assistants), PMPs (Portable Multimedia Players), and other home appliances. It can be implemented in the form
  • the plurality of devices 200 may be display devices such as smart phones or TVs as shown in FIG. 1, but this is only an example and various other display devices may be used.
  • the plurality of devices 200 may include any display device capable of processing image data received from outside or image data stored internally, and visually displaying the processed image data.
  • the plurality of devices 200 may be devices that have agreed to provide usage history information to the advertisement target determination device 100.
  • the plurality of devices 200 include a tablet PC, a digital camera, a camcorder, a laptop computer, a netbook computer, a tablet PC, a desktop, an e-book reader, a video phone, a digital broadcasting terminal, and a personal digital assistant (PDA). Assistants), Portable Multimedia Players (PMPs), navigation, MP3 players, wearable devices, smart refrigerators, and other home appliances.
  • PDA personal digital assistant
  • embodiments facilitate the case where the plurality of devices 200 are display devices that include displays, process image data received from the outside or image data stored internally, and visually display the processed image data. It may be implemented, but is not limited to this. Additionally, the plurality of devices 200 may be fixed or mobile, and may be digital broadcast receivers capable of receiving digital broadcasting.
  • the plurality of devices 200 may be implemented not only as a flat display device, but also as a curved display device, which is a screen with a curvature, or a flexible display device whose curvature can be adjusted.
  • the output resolution of the plurality of devices 200 may include, for example, High Definition (HD), Full HD, Ultra HD, or a resolution clearer than Ultra HD.
  • a procedure is required to determine a target device suitable for the advertiser's advertising purpose and then extract a group similar to the target device and determine the advertising target.
  • the present disclosure automates all steps including the step of determining the target device and the step of extracting devices similar to the target device and determining them as advertising targets, thereby enabling timely advertising by saving cost and time for determining the advertising target device. It relates to an apparatus and method for determining an advertising device that can be used.
  • Figure 2 is a block diagram showing the configuration of an advertisement target determination device according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 may include a processor 110 and a memory 120 .
  • the memory 120 may store programs for processing and control of the processor 110. Additionally, the memory 120 may store data input to or output from the advertisement target determination device 100 .
  • the memory 120 may be a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (for example, SD or XD memory, etc.), or RAM.
  • RAM Random Access Memory
  • SRAM Static Random Access Memory
  • ROM Read-Only Memory
  • EEPROM Electrically Erasable Programmable Read-Only Memory
  • PROM Programmable Read-Only Memory
  • magnetic memory magnetic disk , and may include at least one type of storage medium among optical disks.
  • Memory 120 may store one or more instructions that can be executed by processor 110.
  • the memory 120 may store various types of information input through an input/output unit (not shown).
  • the memory 120 obtains usage history information from a plurality of devices 200, acquires characteristics of the plurality of devices 200 based on the usage history information, and generates feature vectors for the characteristics.
  • an instruction for automatically determining a label for each of the plurality of devices 200 based on advertisement requests and characteristics may be stored.
  • the memory 120 automatically generates an advertisement target inference model based on the label and feature vector, and applies the generated advertisement target inference model to a plurality of devices to select an advertisement target among the plurality of devices 200. Instructions for controlling device decisions can be stored.
  • the processor 110 may execute an operating system (OS) and various applications stored in the memory 120 when there is a user input or a preset and stored condition is satisfied.
  • OS operating system
  • the processor 110 stores signals or data input from the outside of the advertisement target determination device 100, or uses RAM, which is used as a storage area corresponding to various tasks performed in the advertisement target determination device 100. It may include a ROM in which a control program for controlling the target determination device 100 is stored.
  • the processor 110 may include single core, dual core, triple core, quad core, and multiple cores thereof. Additionally, the processor 110 may include a plurality of processors. For example, the processor 110 may be implemented as a main processor (not shown) and a sub processor (not shown) operating in a sleep mode.
  • the processor 110 may include at least one of a Central Processing Unit (CPU), a Graphics Processing Unit (GPU), and a Video Processing Unit (VPU). Alternatively, depending on the embodiment, it may be implemented in the form of a SOC (System On Chip) integrating at least one of CPU, GPU, and VPU.
  • CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • VPU Video Processing Unit
  • SOC System On Chip
  • the processor 110 may control various components of the advertisement target determination device 100 by executing one or more instructions stored in the memory 120.
  • the processor 110 obtains usage history information from a plurality of devices 200, acquires characteristics of the plurality of devices 200 based on the usage history information, and generates feature vectors for the acquired characteristics. Generates, automatically determines a label for each of the plurality of devices 200 based on the advertisement request and characteristics, automatically generates an advertising target inference model based on the label and feature vector, and automatically generates a plurality of devices 200.
  • the advertisement target device among the plurality of devices 200 can be determined by applying the advertisement target inference model generated in the device.
  • the processor 110 extracts a device that has achieved the advertising purpose for an advertising object included in an advertising request from among the plurality of devices 200 based on usage history information and determines the label as '1', , using the features obtained from the extracted devices and a predetermined algorithm, devices similar to the device that achieved the advertising purpose for the advertising object are extracted from the remaining devices whose label has not been determined as '1' and labeled as '1' , and the labels of the remaining devices whose labels have not yet been determined can be determined to be '0'.
  • the processor 110 may generate an advertisement target inference model using a neural network trained to generate an advertisement target inference model from labels and feature vectors.
  • the processor 110 obtains a score by applying an advertising target inference model to a plurality of devices 200, and based on the obtained score, a device whose score is more than a predetermined value among the plurality of devices 200 is selected as the advertising target. can be decided.
  • the processor 110 may filter the determined advertisement target based on the advertisement condition included in the advertisement request to finally determine the advertisement target.
  • FIG. 3 is an example of a block diagram showing the configuration of one device 300 among a plurality of devices 200 according to an embodiment of the present disclosure.
  • the device 300 of FIG. 3 may be one of the plurality of devices 200 shown in FIG. 1 .
  • Device 300 in FIG. 3 may be a display device.
  • the device 300 includes a tuner unit 340, a processor 310, a display 320, a communication unit 350, a sensor unit 330, an input/output unit 370, and a video processing unit 380. ), an audio processing unit 385, an audio output unit 390, a memory 325, and a power supply unit 395.
  • the communication unit 350 may include a Wi-Fi module, a Bluetooth module, an infrared communication module, a wireless communication module, a LAN module, an Ethernet module, a wired communication module, etc.
  • each communication module may be implemented in the form of at least one hardware chip.
  • the Wi-Fi module and Bluetooth module communicate using Wi-Fi and Bluetooth methods, respectively.
  • various connection information such as SSID and session key are first transmitted and received, and various information can be transmitted and received after establishing a communication connection using this.
  • Wireless communication modules include zigbee, 3G (3rd Generation), 3GPP (3rd Generation Partnership Project), LTE (Long Term Evolution), LTE-A (LTE Advanced), 4G (4th Generation), 5G (5th Generation), etc. It may include at least one communication chip that performs communication according to various wireless communication standards.
  • the communication unit 350 may transmit usage history information of the device 300 to the device 100 for determining an advertisement target and receive an advertisement from the device 100 for determining an advertisement target.
  • the tuner unit 340 receives the broadcast signal received by wire or wirelessly from the advertising target determination device 100 among many radio wave components through amplification, mixing, resonance, etc. You can select only the frequency of the desired channel by tuning it. Broadcast signals include audio, video, and additional information (eg, Electronic Program Guide (EPG)).
  • EPG Electronic Program Guide
  • the tuner unit 340 can receive broadcast signals from various sources, such as terrestrial broadcasting, cable broadcasting, satellite broadcasting, and Internet broadcasting.
  • the tuner unit 340 may receive broadcast signals from sources such as analog broadcasting or digital broadcasting.
  • the sensor unit 330 detects voices around the device 300, images around the device 300, or interactions with the surroundings of the device 300, and includes the microphone 331, camera 332, and light receiver 333. It can contain at least one.
  • the sensor unit 330 may detect the state of the device 300 or the state surrounding the device 300 and transmit the sensed information to the processor 310.
  • the microphone 331 receives the user's uttered voice and voices generated around the device 300.
  • the microphone 331 may convert the received voice into an electrical signal and output it to the processor 310.
  • the microphone 331 can use various noise removal algorithms to remove noise generated in the process of receiving an external acoustic signal.
  • the camera 332 can obtain image frames such as still images or moving images. Images captured through the image sensor may be processed through the processor 310 or a separate image processing unit (not shown).
  • Image frames processed by the camera 332 may be stored in the memory 325 or transmitted externally through the communication unit 350. Two or more cameras 332 may be provided depending on the configuration of the advertisement target determination device 100.
  • the optical receiver 333 receives optical signals (including control signals) received from an external remote control device (not shown).
  • the light receiver 333 may receive an optical signal corresponding to a user input (eg, touch, press, touch gesture, voice, or motion) from a remote control device (not shown).
  • a control signal may be extracted from the received optical signal under the control of the processor 310.
  • the light receiver 333 may receive a control signal corresponding to a channel up/down button for channel switching from a remote control device (not shown).
  • the sensor unit 330 in FIG. 3 is shown to include a microphone 331, a camera 332, and a light receiver 333, but is not limited thereto and includes a magnetic sensor and an acceleration sensor. ), a temperature/humidity sensor, an infrared sensor, a gyroscope sensor, a location sensor (e.g., GPS), an air pressure sensor, a proximity sensor, an RGB sensor, an illuminance sensor, and a Wi-Fi signal receiver. However, it is not limited to this. Since the function of each sensor can be intuitively deduced by a person skilled in the art from its name, detailed description will be omitted.
  • the sensor unit 330 in FIG. 3 is shown as being provided in the device 300 itself, but is not limited thereto, and is located independently of the device 300, such as a remote control, and is a control device that communicates with the device 300. It may be provided in the device.
  • control device of the device 300 is equipped with the sensing unit 330, the control device can digitize the information sensed by the sensing unit 330 and transmit it to the device 300.
  • the control device may communicate with the device 300 using short-range communication including infrared, Wi-Fi, or Bluetooth.
  • the microphone may be provided in the device 300 itself, but may also be provided in a control device, such as a remote control, that is located independently from the device 300 and communicates with the device 300.
  • a control device such as a remote control
  • an analog voice signal can be received through the microphone, digitized by the remote control, and transmitted to the TV.
  • the remote control may communicate with the advertisement target determination device 100 using short-range communication including infrared, Wi-Fi, or Bluetooth.
  • the device 300 may be provided with a plurality of communication units 350 capable of various short-distance communications including infrared, Wi-Fi, or Bluetooth.
  • the device 300 may include a plurality of communication units 350 that are different from each other, a communication unit that communicates with the advertisement target determination device 100 and a communication unit that communicates with the remote control.
  • the device 300 may include a communication unit 350 that communicates with the advertisement target determination device 100 and a communication unit that communicates with the remote control.
  • a device such as a smartphone with a remote control application installed may perform the same role as the remote control described above. That is, a device with the remote control application installed can control the device 300, such as a TV, and perform a voice recognition function.
  • the device on which the remote control application can be installed can be any device that can be operated by installing the application, such as an AI speaker, in addition to a smart phone.
  • the input/output unit 370 receives video (e.g., video, etc.), audio (e.g., voice, music, etc.), and additional information (e.g., For example, EPG, etc.).
  • the input/output unit 370 includes HDMI (High-Definition Multimedia Interface), MHL (Mobile High-Definition Link), USB (Universal Serial Bus), DP (Display Port), Thunderbolt, and VGA (Video Graphics Array). ) port, RGB port, D-SUB (D-subminiature), DVI (Digital Visual Interface), component jack, or PC port.
  • the video processing unit 380 performs processing on video data received by the device 300.
  • the video processing unit 380 can perform various image processing such as decoding, scaling, noise filtering, frame rate conversion, and resolution conversion on video data.
  • the display 320 generates a driving signal by converting image signals, data signals, OSD signals, and control signals processed by the processor 310.
  • the display 320 may be implemented as a PDP, LCD, OLED, flexible display, etc., and may also be implemented as a 3D display. Additionally, the display 320 can be configured as a touch screen and used as an input device in addition to an output device.
  • the display 320 may output various contents input through the communication unit (not shown) or the input/output unit 370, or may output images stored in the memory 325. Additionally, the display 320 may output information input by the user through the input/output unit 370 on the screen.
  • Display 320 may include a display panel.
  • the display panel may be a liquid crystal display (LCD) panel or a panel containing various light emitters such as a light emitting diode (LED), an organic light emitting diode (OLED), or a cold cathode fluorescent lamp (CCFL). Additionally, the display panel may include not only a flat display device, but also a curved display device, which is a screen with a curvature, or a flexible display device whose curvature can be adjusted.
  • the display panel may be a 3D display or an electrophoretic display.
  • the output resolution of the display panel may include, for example, High Definition (HD), Full HD, Ultra HD, or a resolution sharper than Ultra HD.
  • HD High Definition
  • Ultra HD Ultra HD
  • the device 300 is shown as including a display, but it is not limited thereto.
  • the device 300 may be connected to a separate display device including a display through wired or wireless communication and may be configured to transmit video/audio signals to the display device.
  • the audio processing unit 385 performs processing on audio data.
  • the audio processing unit 385 may perform various processing such as decoding, amplification, noise filtering, etc. on audio data. Meanwhile, the audio processing unit 385 may be equipped with a plurality of audio processing modules to process audio corresponding to a plurality of contents.
  • the audio output unit 390 outputs audio included in the broadcast signal received through the tuner unit 340 under the control of the processor 310.
  • the audio output unit 390 may output audio (eg, voice, sound) input through the communication unit 350 or the input/output unit 370. Additionally, the audio output unit 390 may output audio stored in the memory 325 under the control of the processor 310.
  • the audio output unit 390 may include at least one of a speaker, a headphone output terminal, or a Sony/Philips Digital Interface (S/PDIF) output terminal.
  • S/PDIF Sony/Philips Digital Interface
  • the power unit 395 supplies power input from an external power source to the internal components of the advertisement target determination device 100 under the control of the processor 310.
  • the power unit 395 can supply power output from one or more batteries (not shown) located inside the advertisement target determination device 100 to internal components under the control of the processor 310. .
  • the memory 325 may store various data, programs, or applications for driving and controlling the device 300 under the control of the processor 310.
  • the memory 325 includes a broadcast reception module (not shown), a channel control module, a volume control module, a communication control module, a voice recognition module, a motion recognition module, an optical reception module, a display control module, an audio control module, an external input control module, and a power supply. It may include a control module, a power control module for a plurality of devices connected wirelessly (eg, Bluetooth), a voice database (DB), or a motion database (DB).
  • DB voice database
  • DB motion database
  • the not-shown modules and database of the memory 325 include a broadcast reception control function, a channel control function, a volume control function, a communication control function, a voice recognition function, a motion recognition function, an optical reception control function, It may be implemented in software form to perform a display control function, an audio control function, an external input control function, a power control function, or a power control function of the device 300 connected wirelessly (eg, Bluetooth).
  • the processor 310 can perform each function using these software stored in the memory 325.
  • the block diagram of the advertisement target determination device 100 shown in FIG. 2 and the device 300 shown in FIG. 3 is a block diagram for one embodiment.
  • Each component in the block diagram can be integrated, added, or omitted depending on the specifications of the device actually implemented. That is, as needed, two or more components may be combined into one component, or one component may be subdivided into two or more components.
  • the functions performed by each block are for explaining the embodiments, and the specific operations or devices do not limit the scope of the present invention.
  • FIG. 4 is a flowchart showing a method of operating the advertisement target determination device 100 according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 obtains usage history information from a plurality of devices 200, acquires characteristics of the plurality of devices 200 based on the usage history information, and acquires the characteristics of the plurality of devices 200.
  • a feature vector for each can be generated (S410).
  • the advertisement target determination device 100 may obtain usage history information from a plurality of devices 200 upon receiving an advertisement request.
  • usage history information may be all record information of the user’s use of the device.
  • usage history information includes TV program viewing history information, application usage information, external device usage status information, genre and viewing time information of TV programs watched, game play time information, VoD viewing history information, and one game played. It may include information on the type and game manufacturer, app store usage information, and information about the user.
  • the usage history information may be usage history information for a specific period of time.
  • the usage history information may be usage history information for one year.
  • the advertisement target determination device 100 may refine (pre-process) the usage history information to obtain features from the usage history information obtained from the plurality of devices 200 .
  • feature may refer to all data from which a user's behavior pattern related to the plurality of devices 200 can be extracted.
  • a feature may be the same concept as usage history information.
  • the usage history information may become a feature as is.
  • a feature may be a higher-level concept of usage history information. In this case, a step may be necessary to map usage history information to a higher-level concept.
  • the advertisement target determination device 100 may refine the usage history information obtained from the plurality of devices 200 to obtain characteristics of the plurality of devices 200 .
  • the advertisement target determination device 100 may map usage history information to a higher-level concept to be used for features or remove unique data that lacks generality. For another example, the advertisement target determination device 100 may extract only information about a specific usage time.
  • the advertisement target determination device 100 may obtain features from usage history information obtained from a plurality of devices 200 .
  • Features include information about device users including age, gender, region and income information, advertisement viewing information, advertisement clicking information, application usage information, external device usage information, TV viewing information, VoD viewing information, application installation and uninstallation information, It may include at least one of device usage pattern information or played game information.
  • the features are not limited to the examples above.
  • the advertisement target determination device 100 may generate feature vectors for features.
  • a feature vector may be a vector representation of features suitable for machine learning.
  • the advertisement target determination device 100 may extract feature points of each device and generate a feature vector.
  • the generated feature vector can later become an input value for the advertisement target inference model created in step S430.
  • FIGS. 5 and 6 Detailed information about this will be described later in FIGS. 5 and 6 .
  • the advertisement target determination device 100 may automatically determine a label for each of the plurality of devices 200 based on the advertisement request and characteristics (S420).
  • an advertisement request is a request received from an advertiser or an advertising agency, and may include at least one of an advertisement field, an advertisement object, an advertisement cost, an advertisement condition, and an advertisement purpose.
  • the advertising field may refer to a field to which advertising objects such as brand advertising, game advertising, finance advertising, travel advertising, etc. belong.
  • an advertising object may refer to a specific product to be advertised among products belonging to the advertising field.
  • a brand advertisement it may mean the specific brand name to be advertised
  • a game advertisement it may mean the name of a specific game.
  • the purpose of advertising may refer to the goal desired to be achieved with respect to the advertising object.
  • advertising objectives may include increasing new users, increasing usage rate of unused users, and increasing usage time of current users.
  • the advertisement target determination device 100 may recognize a user who has not used the device for more than 13 months as an unused user.
  • label refers to the determination based on the usage history information of the plurality of devices 200 obtained in step S410, so that each device included in the plurality of devices 200 achieves the advertising purpose for the advertiser's advertising object. This may be information indicating whether the device is an approved device in binary type.
  • label refers to a determination based on the usage history information of the plurality of devices 200 obtained in step S410 according to the embodiment, and the result is that each device included in the plurality of devices 200 does not achieve the advertiser's advertising goal. However, it may include information indicating in binary type whether the device has a probability of achieving the advertising goal exceeding a threshold value.
  • the advertiser's advertising goal is to increase new users of the content-related application A
  • the advertiser by analyzing the usage history of the plurality of devices 200, the advertiser identifies devices that have become new users of the application A during the analysis period. It can be decided on which device has achieved the advertising goal.
  • the label of the device for which the advertiser's advertising goal has been achieved may be determined to be '1'.
  • the advertisement target determination device 100 selects a new device of the application called A among the plurality of devices 200.
  • the label of a device that has not become a user but has a probability of becoming a new user of application A greater than the threshold can also be determined as '1'.
  • the advertisement target determination device 100 may determine the label of the remaining devices, other than the device whose label was determined to be '1', to be '0'.
  • the step of determining a label includes extracting a device that has achieved the advertising purpose for an advertising object included in an advertising request from among the plurality of devices 200 based on usage history information and labeling it as '1'. ' and determining the label of a device whose label has not yet been determined as '0'.
  • the step of determining a label includes extracting a device that has achieved the advertising purpose for an advertising object included in an advertising request from among the plurality of devices 200 based on usage history information and labeling it as '1'.
  • 'Determining step using the characteristics obtained from the above extracted devices and a predetermined algorithm, extract a device with similar characteristics to the device for which the advertising purpose for the advertising object has been achieved among devices whose labels have not yet been determined. This may include determining the label as '1' and determining the label of a device whose label has not yet been determined as '0'.
  • the predetermined algorithm is an algorithm that uses priorities for features, and the priorities for features may be determined through experiment.
  • the predetermined algorithm may be an algorithm that uses weights for features obtained using a neural network trained to obtain weights for features by analyzing an advertisement request.
  • the advertisement target determination device 100 may determine labels for all devices included in the plurality of devices 200, respectively. At this time, devices whose label is determined to be '1' may be target devices suitable for the advertiser's advertising purpose.
  • the advertisement target determination device 100 may determine and obtain different features, feature vectors, and labels depending on the contents of the advertisement request.
  • the advertisement target determination device 100 may automatically generate an advertisement target inference model based on the determined label and feature vector (S430).
  • the “advertisement target inference model” may be a model that infers the possibility that each device included in the plurality of devices 200 can achieve an advertising goal in the future.
  • the advertisement target determination device 100 may generate an advertisement target inference model using a neural network trained to generate an advertisement target inference model from the label determined in step S430 and the feature vector generated in step S410. .
  • FIGS. 10 and 11 Detailed information about this will be described later in FIGS. 10 and 11 .
  • the advertisement target determination device 100 may determine an advertisement target device among the plurality of devices 200 by applying the generated advertisement target inference model to the plurality of devices 200 (S440).
  • the advertisement target determination device 100 may apply an advertisement target inference model to a plurality of devices 200 to obtain a score or number indicating the likelihood that each device will achieve the advertisement target in the future.
  • the score or number may be a value between 0 and 1. The closer a device's score or number is to 1, the more likely it is that the device will achieve its advertising goals in the future. Conversely, the closer a device's score or number is to 0, the less likely it is that the device will achieve its advertising goals in the future. It can be interpreted as
  • the advertisement target determination device 100 may determine, among the plurality of devices 200, a device whose score or number is greater than or equal to a predetermined value as the advertisement target based on the obtained score or number.
  • the advertising target determination device 100 may determine 20,000 devices as the advertising target in order of the highest score.
  • the advertisement target determination device 100 may determine all devices with scores equal to or higher than a predetermined value as advertisement targets.
  • the predetermined value may be a value determined according to the purpose of advertising, advertising conditions, advertising costs, etc.
  • the method for determining the advertisement target according to the present disclosure may further include filtering the advertisement target determined in step S440 based on the advertisement condition included in the advertisement request to finally determine the advertisement target. .
  • the advertising condition may be a condition for including or excluding a certain device from the advertising target based on a rule.
  • the advertising condition may be a condition that excludes from advertising a specific device that satisfies conditions specified by the advertiser.
  • the advertisement target determination device 100 may exclude the specific device from the advertisement target even if the specific device is determined to be the advertisement target in step S440.
  • the advertising condition may be to exclude devices where the device user's residential area is Seoul.
  • the advertisement target determination device 100 may determine the remaining devices, excluding the device where the device user resides in Seoul, as the advertisement target among the advertisement target devices determined in step S440.
  • an advertising condition may be a condition in which a specific device that satisfies the condition must be included in the advertisement target.
  • the advertising target determination apparatus 100 may determine the advertising target device by adding the device as an advertising target even if a specific device that satisfies the condition is not determined as an advertising target in step S440.
  • FIG. 5 is a diagram illustrating an example of a method for resolving distortion of device usage history information in order to obtain characteristics of a plurality of devices according to an embodiment of the present disclosure.
  • usage history information for a plurality of devices 200 may be aggregated on a monthly basis.
  • the values of specific information among the acquired usage history information may be extremely skewed (510).
  • the advertisement target determination device 100 may process the data to be evenly distributed by applying square root or logarithm to the values (520).
  • the advertisement target determination device 100 may process the data to be evenly distributed, as in 520, by applying a log to biased data, as in 510.
  • the log applied at this time may be Log10.
  • the advertising target determination device 100 may process distortion due to information bias using square roots or logarithms, and then perform feature scaling using a method of normalizing data.
  • FIG. 6 is a diagram illustrating an example of obtaining a feature vector using device usage history information according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 may refine the usage history information obtained from the plurality of devices 200 (S610).
  • the advertisement target determination device 100 may quantify the ratio of the usage time for each category to the device user's total device usage time based on device usage history information.
  • the category may include at least one of application usage time, VoD usage time, TV viewing time, game usage time, advertisement viewing time, or external device usage time.
  • the advertisement target determination device 100 can synthesize the refined data (S620). For example, the advertisement target determination device 100 may aggregate refined data on a monthly basis.
  • the advertisement target determination device 100 may generate some data among the aggregated data as partial data (S630). For example, the advertisement target determination device 100 may select one of data aggregated on a monthly basis and generate partial data. In one embodiment, the advertisement target determination device 100 may select the month immediately preceding the current month and generate partial data. In another embodiment, the advertisement target determination device 100 may generate partial data using information selected according to an advertisement request among a plurality of usage history information.
  • the advertising target determination device 100 applies square root or logarithm to process the bias or distortion of the generated partial data so that the data is evenly distributed, removes boundary data, and normalizes the data to determine the characteristics.
  • Feature scaling can be performed (S640).
  • the advertisement target determination device 100 may generate a feature vector using normalized data (S650).
  • the advertising target determination device 100 may set the total device usage time to 1 and then calculate the ratio of usage time for each category to generate a feature vector for the feature of usage time for each category compared to the total device usage time.
  • FIG. 7 is a diagram illustrating an example of assigning priority to features using a predetermined algorithm according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 may automatically determine a label for each of the plurality of devices 200 based on the advertisement request and characteristics.
  • the advertising target determination device 100 selects a device that has achieved the advertising purpose for the advertising object included in the advertising request among the plurality of devices 200, based on usage history information for the plurality of devices 200. By extracting it, the label can be determined as '1'.
  • the advertising target determination device 100 uses common characteristics and a predetermined algorithm obtained from devices for which the advertising purpose has been achieved, and determines the advertising purpose for the advertising object among devices for which the label has not yet been determined.
  • a device with common features and similar features of the achieved devices can be extracted and the label can be determined as '1'.
  • Whether a device has features similar to common features of devices that have achieved the advertising purpose for an advertising object can be determined by applying weights or priorities to a plurality of features (710).
  • the weights or priorities of the plurality of features (710) may be determined by a predetermined algorithm.
  • a predetermined algorithm may use priorities for the features 710 determined through experiment.
  • the features 710 include the device user's age or gender, device user's income information, advertisement viewing information, application use history, advertisement click information, device user's residential area, external device use history, and application installation. and deletion history.
  • the advertisement target determination device 100 may analyze the characteristics 710 of devices that have achieved the advertisement purpose for the advertisement object included in the advertisement request among the plurality of devices 200 .
  • the advertisement target determination device 100 may determine the priority for the features 710 in the order in which they influenced the achievement of the advertisement purpose for the advertisement object included in the advertisement request.
  • the advertising target determination device 100 assigns 'High' as the priority to the feature, and if the priority among the features 710 is less than the predetermined value, In this case, 'Zero' can be assigned as the priority for the feature.
  • Priority for features 710 may vary depending on the advertising field.
  • the application usage history may have a high priority, and the remaining features may have a low priority (720).
  • the advertising field is a content application
  • the features 710 'age or gender of device user' and 'device user's residential area' may have high priority, and the remaining features may have low priority (730) ).
  • the advertising target determination device 100 determines the priority of the features 710 obtained from devices that have achieved the advertising purpose for the advertising object using a predetermined algorithm, and assigns the determined priority to each of the plurality of devices 200. By applying , it is possible to extract a device having similar characteristics to the device for which the advertising purpose for the advertising object has been achieved.
  • the advertisement target determination device 100 may determine the label for the extracted similar device to be '1'.
  • FIG. 8 is a flowchart illustrating an example of a method in which an advertising target determination device acquires weights for features using artificial intelligence according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 uses a neural network learned to obtain weights for the features from the advertisement request and the features of the plurality of devices 200, and determines the weight or priority for each of the features. You can get a ranking.
  • an ad request may include an ad field, an ad object, and an ad purpose.
  • Artificial intelligence is a computer system that implements human-level intelligence. It is a system in which machines learn and make decisions on their own, and the recognition rate improves as they are used. Artificial intelligence technology consists of machine learning (deep learning) technology that uses an algorithm that classifies/learns the characteristics of input data on its own, and element technologies that mimic the functions of the human brain such as cognition and judgment using machine learning algorithms.
  • machine learning deep learning
  • the element technologies include linguistic understanding technology that recognizes human language/characters, visual understanding technology that recognizes objects as if they were human eyes, reasoning/prediction technology that judges information and makes logical inferences and predictions, and human experience. It may include at least one of knowledge expression technology that processes information into knowledge data, autonomous driving of a vehicle, and motion control technology that controls the movement of a robot.
  • Processor 110 may be comprised of one or multiple processors.
  • one or more processors 110 may be a general-purpose processor such as a CPU, AP, or DSP (Digital Signal Processor), a graphics-specific processor such as a GPU or a VPU (Vision Processing Unit), or an artificial intelligence-specific processor such as an NPU.
  • One or more processors 110 control input data to be processed according to predefined operation rules or artificial intelligence models stored in the memory 120.
  • the artificial intelligence dedicated processors may be designed with a hardware structure specialized for processing a specific artificial intelligence model.
  • Predefined operation rules or artificial intelligence models are characterized by being created through learning.
  • being created through learning means that the basic artificial intelligence model is learned using a large number of learning data by a learning algorithm, thereby creating a predefined operation rule or artificial intelligence model set to perform the desired characteristics (or purpose). It means burden.
  • This learning may be accomplished in the advertisement target determination device 100 itself, where artificial intelligence is performed according to the present disclosure, or may be accomplished through a separate server and/or system.
  • Examples of learning algorithms include supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but are not limited to the examples described above.
  • An artificial intelligence model may be composed of multiple neural network layers.
  • Each of the plurality of neural network layers has a plurality of weight values, and neural network calculation is performed through calculation between the calculation result of the previous layer and the plurality of weights.
  • Multiple weights of multiple neural network layers can be optimized by the learning results of the artificial intelligence model. For example, a plurality of weights may be updated so that loss or cost values obtained from the artificial intelligence model are reduced or minimized during the learning process.
  • the processor 110 uses a pre-trained deep neural network model 810 to obtain weights for features from the results of analyzing the advertisement request. You can.
  • the previously learned deep neural network model 810 may be an artificial intelligence model trained through learning using advertisement requests and features as input values and weights for the features as output values.
  • the deep neural network model may be, for example, a Convolutional Neural Network (CNN). However, it is not limited to this, and deep neural network models include Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), and deep neural network (RNN). It may be a known artificial intelligence model that includes at least one of Q-Networks (Deep Q-Networks).
  • the advertisement target determination device 100 may implement a method of obtaining a weight for each feature using various other machine learning algorithms.
  • FIG. 9 is a diagram illustrating an example in which an advertisement target determination device determines a label using artificial intelligence according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 may automatically determine a label for each of the plurality of devices 200 based on the advertisement request and characteristics.
  • the advertising target determination device 100 selects a device that has achieved the advertising purpose for the advertising object included in the advertising request among the plurality of devices 200, based on usage history information for the plurality of devices 200. By extracting it, the label can be determined as '1'.
  • the advertising target determination device 100 uses common characteristics and a predetermined algorithm obtained from devices for which the advertising purpose has been achieved, and determines the advertising object for an advertising object among devices whose labels have not yet been determined. By extracting devices with similar features to the common features of the achieved devices, the label can be determined as '1'.
  • Whether a device has characteristics similar to common characteristics of devices that have achieved the advertising purpose for an advertising object can be determined by applying weights or priorities to a plurality of features (910).
  • the weight or priority of the plurality of features (910) may be determined by a predetermined algorithm.
  • the predetermined algorithm is an algorithm that uses the weights for a plurality of features (910) obtained by using a neural network learned to obtain weights for the features (910) according to the advertising field by analyzing the advertisement request. It can be.
  • a predetermined algorithm uses a neural network learned to obtain weights or priorities for the features 910 according to the advertisement field 920 from the advertisement request and the features 910. It may be an algorithm that uses weights or priorities for the features 910.
  • the most important factors to consider when automatically determining a label may be the advertising field, advertising object, and advertising purpose included in the advertising request.
  • the advertising target determination device 100 may determine the label of each device differently depending on what product in what field is advertised and what purpose is being achieved.
  • Determination of this label may vary depending on the features 910 obtained from the plurality of devices 200 and the priority or weight assigned to each feature.
  • the user's income is an important feature and may be given a high weight or priority, but if the field of the requested advertisement is games, the user's income is an important feature. Because this is not the case, it may be given low weight or low priority.
  • advertisement click information may be given a high weight or high priority because it is an important feature, but the purpose of the requested advertisement is to attract new users. In the case of securing, advertisement click information is not an important feature and may be given low weight or low priority.
  • the advertisement target determination device 100 determines a weight or priority for each feature by applying machine learning as in the embodiment of FIG. 8 and sends the determined weight or priority for each feature to each of the plurality of devices 200. By applying , it is possible to determine whether each device is a device that has features similar to the common features of devices that have achieved the advertising purpose for the advertising object, that is, the label.
  • FIG. 10 is a flowchart illustrating an example of a method in which an advertisement target determination device generates an advertisement target inference model using artificial intelligence according to an embodiment of the present disclosure.
  • the advertising target inference model may be a model that infers the possibility that each device included in the plurality of devices 200 can achieve the advertising goal in the future.
  • the label in this embodiment may be the same as the one generated in step S420 of FIG. 4. Regarding the label, the same contents as those shown in FIGS. 7 to 9 are omitted.
  • the feature vector may be the same as that generated in step S410 of FIG. 4.
  • the advertising target determination device 100 analyzes a device whose label is determined to be '1' among the plurality of devices 200, extracts common characteristics of the devices, and achieves the advertising purpose for the advertising object. By analyzing which of the features has great significance, the weight or priority for each feature can be determined.
  • a method of determining a weight or priority for each of the features includes determining a weight or priority for each of the features to determine a label for each of the plurality of devices 200 in FIGS. 7 to 9. The method may be the same.
  • the advertisement target determination device 100 applies the weight or priority for each feature to the feature vector obtained from the plurality of devices 200, so that each device included in the plurality of devices 200 will advertise the advertising object in the future. You can create a model that infers the likelihood of achieving your goal.
  • the advertisement target determination device 100 may generate an advertisement target inference model using a neural network learned to generate an advertisement target inference model from labels and feature vectors.
  • the processor 110 may use a pre-trained deep neural network model 1010 to generate an advertising target inference model from labels and feature vectors.
  • the previously learned deep neural network model 1010 uses the labels for each of the plurality of devices 200 and the feature vectors obtained for each of the plurality of devices 200 as input values, and the advertising target inference model as the output value. It may be an artificial intelligence model trained through (learning).
  • an unbalanced label may mean that an unbalanced label was obtained because usage history information was collected with an excessively high frequency for some features among the various features that help achieve the advertising purpose for the advertising object.
  • the advertisement target determination device 100 can improve label imbalance by using Calss Weight.
  • Class weight is assigned to the majority class and minority class in the process of modifying the algorithm in consideration of the asymmetric distribution of classes in order to solve the problem of most machine learning algorithms that are vulnerable to biased class data. It can mean different weights.
  • the advertisement target determination device 100 can perform auto hyper-parameter tuning for model optimization and automation.
  • the advertisement target determination device 100 can automatically set the most appropriate hyper parameters through various experiments for auto hyper-parameter tuning.
  • the processor 110 if an advertiser wishes to advertise to increase new users of the application called 'C' next month, the processor 110 generates information based on the usage history information of a plurality of devices 200 over the past several months.
  • the feature vector generated based on the label for each of the plurality of devices 200 and the usage history information of the plurality of devices 200 for the current month is used as an input value of the previously learned deep neural network model 1010, and output As a value, an advertising target inference model that infers the possibility that each device included in the plurality of devices 200 will become a new user of the application 'C' in the next month can be obtained.
  • the deep neural network model may be, for example, a Convolutional Neural Network (CNN). However, it is not limited to this, and deep neural network models include Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), and deep neural network (RNN). It may be a known artificial intelligence model that includes at least one of Q-Networks (Deep Q-Networks).
  • the advertisement target determination device 100 may generate an advertisement target inference model using various machine learning algorithms such as Random Forest and decision trees.
  • FIG. 11A is a diagram illustrating an example of a method for determining an advertisement target according to an embodiment of the prior art.
  • the conventional advertising target determination method obtains usage history information from a plurality of devices 200 as an advertising request is received from an advertiser (1110), and based on the obtained usage history information, a plurality of devices ( A label for each device included in 200) was created (1120). Alternatively, when creating labels based on seed data provided by advertisers, the label extraction process by data scientists was omitted.
  • the data scientist extracted (1120) the label of each device included in the plurality of devices 200 based on the acquired usage history information and stored the generated label in the database.
  • the advertisement target determination device obtains the stored label from the database, generates an advertisement target inference model, and determines the advertisement target device by inferring data using the generated advertisement target inference model (1130). In this case as well, the involvement of a data scientist was necessary in the process of ultimately deciding on the device to be advertised (1140).
  • FIG. 11B is a diagram illustrating an example of a method for determining an advertisement target according to an embodiment of the present disclosure.
  • the advertising target determination method according to an embodiment of the present disclosure is automated so that no data scientist's involvement is required in all processes.
  • the advertisement target determination device 100 Upon receiving the advertisement request (1150), the advertisement target determination device 100 acquires usage history information from a plurality of devices 200 and determines characteristics of the plurality of devices 200 based on the obtained usage history information. And a feature vector for the acquired features can be generated, and a label can be generated using the features (1160).
  • Labels can be created using artificial intelligence models or rule-based algorithms, without the involvement of data scientists.
  • the label can be created in the same way as described in FIGS. 4 and 7 to 9.
  • label creation may be possible without receiving seed data for the target device from the advertiser.
  • the advertisement target determination device 100 can automatically generate a label and store it in a database.
  • the advertisement target determination device 100 obtains the stored label from the database, generates an advertisement target inference model, and automatically determines the advertisement target device by applying the generated advertisement target inference model to data acquired from the plurality of devices 200.
  • FIG. 12 is a diagram illustrating an example of the configuration of an advertisement target determination device that determines an advertisement target and executes an advertisement in response to receiving an advertisement request, according to an embodiment of the present disclosure.
  • the advertisement target determination device 100 includes a preprocessing unit 1220, a label extraction unit 1230, a feature generation unit 1240, an advertisement target inference model creation unit 1250, and an advertisement target inference unit. It may include a unit 1260 and an advertisement target determination unit 1270.
  • the preprocessing unit 1220 may receive an advertisement request from the advertising agency 200.
  • the preprocessing unit 1220 may receive usage history data from a plurality of devices 200 according to the received advertisement request.
  • the plurality of devices 200 are shown as mobile devices, but are not limited thereto and may be implemented as various display devices as described in FIG. 1.
  • the preprocessing unit 1220 may refine (preprocess) the usage history data obtained from the plurality of devices 200 to make it convenient to use.
  • the label extraction unit 1230 may receive an advertisement request from the preprocessing unit 1220 and refine the received advertisement request.
  • the label extraction unit 1230 may receive pre-processed usage history data from the pre-processing unit 1220 and extract characteristic points of devices that have achieved the advertising purpose for the advertising object using a rule-based algorithm. In another embodiment, the label extraction unit 1230 receives pre-processed usage history data from the pre-processing unit 1220, and extracts characteristic points of devices that have achieved the advertising purpose for the advertising object using a machine learning algorithm. . The label extractor 1230 may extract a label for each device included in the plurality of devices 200 using the extracted feature points.
  • the feature generator 1240 may receive preprocessed usage history data from the preprocessing unit 1220 and generate features for each device using the received usage history data.
  • Features may include TV viewing data, application usage time data, advertisement viewing and click data, VoD viewing data, etc.
  • the feature generator 1240 can ensure that the data is evenly distributed by performing normalization to obtain features from usage history data or by processing a distortion phenomenon in which data values are extremely biased to one side.
  • the advertisement target inference model generator 1250 processes the feature vectors received from the label extractor 1230 and the feature generator 1240 to target the advertisement target through processes such as auto hyper parameter tuning and resolution of imbalanced data.
  • An inference model can be created.
  • the advertisement target inference unit 1260 may infer the advertisement target device among the plurality of devices 200 using the advertisement target inference model generated by the advertisement target inference model generator 1250.
  • the advertisement target inference unit 1260 may obtain a score by applying an advertisement target inference model to each of the plurality of devices 200.
  • the score may be a value between 0 and 1. The closer a device's score is to 1, the more likely it is that that device will achieve its advertising goals in the future. Conversely, the closer a device's score is to 0, the less likely that device will be to achieve its advertising goals in the future.
  • the advertisement target inference unit 1260 may determine, among the plurality of devices 200, a device whose score is greater than a predetermined value as the advertisement target based on the obtained score.
  • the advertisement target inference unit 1260 may store the device determined as the advertisement target device in the database 1265. At this time, the database 1265 may exist inside or outside the advertised colon device 100.
  • the advertising target determination unit 1270 may filter advertising target devices according to the requirements of the advertising agency 1210, that is, advertising conditions. Details regarding this may be the same as those described in FIG. 4 regarding the step of filtering the determined advertisement target based on the advertisement conditions included in the advertisement request and finally determining the advertisement target.
  • the advertisement target determination unit 1270 can solve the imbalanced data problem using various methods.
  • the advertising target determination unit 1270 can finally determine the advertising target device through filtering and solving the imbalanced data problem.
  • the advertisement target determination unit 1270 may store information about the determined advertisement target device in the database 1280.
  • database 1265 and database 1280 may be the same.
  • the advertising agency 1210 may obtain information about devices determined as advertising target devices from the database 1280 and execute advertisements for the corresponding devices.
  • FIG. 13 is a diagram illustrating an example of an advertisement request received by an advertisement target determination device according to an embodiment of the present disclosure.
  • the advertising target determination device 100 is configured such that the advertising field is a content application field, the advertising object is an advertising requests can be received.
  • the advertisement target determination device 100 may obtain usage history data for the past year from a plurality of devices 200 and purify the obtained data. The advertisement target determination device 100 may generate features of the plurality of devices 200 and feature vectors for each feature from the refined usage history data. The advertisement target determination device 100 uses the advertisement field, advertisement object, and advertisement purpose included in the advertisement request to determine priorities or weights for the features, and uses the determined priorities or weights to determine a plurality of devices (200). ) You can create a label for each device included.
  • the advertisement target determination device 100 may generate an advertisement target device inference model using the generated label and feature vector.
  • the advertisement target determination device 100 may obtain a score for each device by applying each device included in the plurality of devices 200 to the generated advertisement target device inference model.
  • the advertisement target determination device 100 may filter the plurality of devices 200 ranked in descending order of score based on advertisement conditions to exclude devices manufactured before 2018 from the advertisement target.
  • the advertising target determination device 100 may determine 1 million devices with high scores as advertising targets based on the scores, while devices manufactured before 2018 are excluded from advertising targets.
  • the method of operating an advertisement target determination device may also be implemented in the form of a computer-readable medium containing instructions executable by a computer, such as a program module executed by a computer.
  • Computer-readable media can be any available media that can be accessed by a computer and includes both volatile and non-volatile media, removable and non-removable media.
  • the computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the medium may be specially designed and constructed for the present invention or may be known and usable by those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • Examples of program instructions may include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc.
  • a method of determining an advertisement target according to an advertisement request includes obtaining usage history information from a plurality of devices, acquiring characteristics of the plurality of devices based on the usage history information, and generating feature vectors for the acquired characteristics.
  • the step of determining the label includes extracting a device that has achieved an advertising purpose for an advertising object included in the advertising request from among the plurality of devices based on the usage history information and setting the label to a first value.
  • the predetermined algorithm is an algorithm that uses priorities for the features, and the priorities may be determined through experiment.
  • the predetermined algorithm may be an algorithm that uses weights for the features obtained by using a neural network learned to obtain weights for the features from the advertisement request and the features. .
  • the features according to one embodiment include information about device users including age, gender, region, and income information, advertisement viewing information, advertisement click information, application usage information, external device usage information, TV viewing information, and VoD viewing information. , may include at least one of application installation and removal information, device usage pattern information, or played game information.
  • the advertisement request may include an advertisement field, an advertisement object, and an advertisement purpose.
  • automatically generating the advertisement target inference model includes generating the advertisement target inference model using a neural network trained to generate the advertisement target inference model from the label and the feature vector. may include.
  • determining the advertisement target includes obtaining a score by applying the advertisement target inference model to the plurality of devices, and based on the obtained score, the score among the plurality of devices is set to a predetermined value. It may include the step of determining the above device as an advertisement target.
  • the step of determining the advertisement target may further include filtering the determined advertisement target based on an advertisement condition included in the advertisement request to finally determine the advertisement target.
  • the step of obtaining usage history information from the plurality of devices includes refining the usage history information using square root or logarithm to resolve distortion of the usage history information.
  • Method for determining advertising target includes refining the usage history information using square root or logarithm to resolve distortion of the usage history information.
  • An apparatus for determining an advertisement target includes a memory storing one or more instructions and a processor executing the one or more instructions stored in the memory, wherein the processor executes the one or more instructions to receive information from a plurality of devices.
  • Obtain usage history information acquire features of the plurality of devices based on the usage history information, generate feature vectors for the obtained features, and generate feature vectors for the obtained features, and collect the plurality of devices based on the advertisement request and the features.
  • Automatically determine a label for each device automatically generate an advertisement target inference model based on the label and the feature vector, and apply the generated advertisement target inference model to the plurality of devices. You can determine the advertising target device among the devices.
  • the processor By executing the one or more instructions, the processor according to an embodiment extracts a device that has achieved an advertising purpose for an advertising object included in the advertising request from among the plurality of devices based on the usage history information and creates a label. Determine the first value, and extract a device with similar characteristics to the device for which the advertising purpose for the advertising object has been achieved among devices for which the label has not been determined using the characteristics obtained from the extracted device and a predetermined algorithm. Thus, the label can be determined as the first value, and the label of the device whose label has not been determined can be determined as the second value.
  • the predetermined algorithm is an algorithm that uses priorities for the features, and the priorities may be determined through experiment.
  • the predetermined algorithm may be an algorithm that uses weights for the features obtained by using a neural network learned to obtain weights for the features from the advertisement request and the features. .
  • the features according to one embodiment include information about device users including age, gender, region, and income information, advertisement viewing information, advertisement click information, application usage information, external device usage information, TV viewing information, and VoD viewing information. , may include at least one of application installation and removal information, device usage pattern information, or played game information.
  • the advertisement request may include an advertisement field, an advertisement object, and an advertisement purpose.
  • the processor may generate the advertisement target inference model using a neural network trained to generate the advertisement target inference model from the label and the feature vector by executing the one or more instructions.
  • the processor obtains a score by applying the advertisement target inference model to the plurality of devices by executing the one or more instructions, and determines that the score among the plurality of devices is based on the obtained score. Devices exceeding a predetermined value can be determined as advertising targets.
  • the processor may filter the determined advertisement target based on the advertisement condition included in the advertisement request and finally determine the advertisement target.
  • a computer-readable recording medium includes obtaining usage history information from a plurality of devices, acquiring characteristics of the plurality of devices based on the usage history information, and generating feature vectors for the characteristics.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Social Psychology (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

복수의 디바이스로부터 사용 이력 정보를 획득하고, 사용 이력 정보를 기초로 복수의 디바이스의 특징들을 획득하고, 획득된 특징들에 대한 특징 벡터를 생성하는 단계, 광고 요청 및 복수의 디바이스의 특징들을 기초로 복수의 디바이스 각각에 대하여 라벨(label)을 결정하는 단계, 결정된 라벨 및 특징 벡터를 기초로, 광고 대상 추론 모델을 생성하는 단계 및 복수의 디바이스에 생성된 광고 대상 추론 모델을 적용하여 복수의 디바이스 중 적어도 하나의 광고 대상 디바이스를 결정하는 단계를 포함하는 광고 대상 결정 방법이 제공될 수 있다.

Description

광고 대상 결정 장치 및 방법
다양한 실시예들은 광고 대상 결정 장치 및 방법에 관한 것이다. 더욱 상세하게는 복수의 외부 디바이스의 사용 이력 정보를 이용하여 요청에 맞는 광고 대상디바이스를 자동으로 결정하는 광고 대상 결정 장치 및 방법에 관한 것이다.
광고의 효과를 극대화하기 위하여 광고 대상을 잘 선정하는 것은 매우 중요하다.
광고주의 요구 사항을 만족시킬 수 있도록 광고 대상을 선정하기 위해서는 많은 디바이스의 사용 내역 정보를 정밀하게 분석하여 유의미한 정보를 획득 해야할 뿐 아니라, 광고의 분야, 목적, 특성 등 고려 해야할 요소가 많으므로 많은 노력과 비용이 소요되었다. 또한, 일부 과정은 데이터 과학자에 의하여 수동으로 이루어져야 했으므로 많은 시간 및 비용이 소요될 수 밖에 없었다.
이러한 기존의 광고 대상 선정 방식은 적은 비용으로 적시에 신속하게 효과적으로 광고를 하고 싶은 광고주의 요구를 만족시키기 어려울 수 있다.
따라서 광고 요청에 맞게 디바이스들의 사용 내역을 분석하고, 광고 대상을 선정하는 과정 전체를 자동화할 필요가 증가하고 있다.
광고 요청에 따라 광고 대상을 결정하는 방법은 복수의 디바이스로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스의 특징들을 획득하고, 상기 획득된 특징들에 대한 특징 벡터를 생성하는 단계를 포함할 수 있다. 광고 요청에 따라 광고 대상을 결정하는 방법은 상기 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스 각각에 대하여 자동으로 라벨(label)을 결정하는 단계를 포함할 수 있다. 광고 요청에 따라 광고 대상을 결정하는 방법은 상기 결정된 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하는 단계를 포함할 수 있다. 광고 요청에 따라 광고 대상을 결정하는 방법은 상기 복수의 디바이스에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스 중 적어도 하나의 광고 대상 디바이스를 결정하는 단계를 포함할 수 있다.
일 실시예에 따른 광고 대상 결정 장치는 하나 이상의 인스트럭션을 저장하는 메모리를 포함할 수 있다. 일 실시예에 따른 광고 대상 결정 장치는 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함할 수 있다. 상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써, 복수의 디바이스로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스의 특징들을 획득하고, 상기 획득된 특징들에 대한 특징 벡터를 생성할 수 있다. 상기 프로세서는 상기 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스 각각에 대하여 자동으로 라벨(label)을 결정할 수 있다. 상기 프로세서는 상기 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하고, 상기 복수의 디바이스에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스 중 적어도 하나의 광고 대상 디바이스를 결정할 수 있다.
일 실시 예에 따른 컴퓨터로 판독 가능한 기록 매체는 복수의 디바이스로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스의 특징들을 획득하고, 상기 특징들에 대한 특징 벡터를 생성하는 단계를 포함하는 전자 장치의 동작 방법을 구현하기 위한 프로그램이 기록된 기록 매체일 수 있다. 일 실시 예에 따른 컴퓨터로 판독 가능한 기록 매체는 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스 각각에 대하여 자동으로 라벨(label)을 결정하는 단계를 포함하는 전자 장치의 동작 방법을 구현하기 위한 프로그램이 기록된 기록 매체일 수 있다. 일 실시 예에 따른 컴퓨터로 판독 가능한 기록 매체는 상기 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하는 단계를 포함하는 전자 장치의 동작 방법을 구현하기 위한 프로그램이 기록된 기록 매체일 수 있다. 일 실시 예에 따른 컴퓨터로 판독 가능한 기록 매체는 상기 복수의 디바이스에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스 중 적어도 하나의 광고 대상 디바이스를 결정하는 단계를 포함하는 광고 대상 결정 방법을 구현하기 위한 프로그램이 기록된 기록 매체일 수 있다.
도 1은 본 개시의 실시예에 따른 광고 대상 결정 장치 및 복수의 디바이스를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 광고 대상 결정 장치의 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 복수의 디바이스(200) 중 한 디바이스의 구성을 나타내는 블록도의 예시이다.
도 4는 본 개시의 일 실시예에 따른 광고 대상 결정 방법을 나타내는 흐름도이다.
도 5는 본 개시의 일 실시예에 따라 복수의 디바이스에 대한 특징들을 획득하기 위하여 디바이스의 사용 이력 정보의 왜곡을 해결하는 방법의 일 예를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 디바이스의 사용 이력 정보를 이용하여 특징 벡터를 획득하는 일 예를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 소정의 알고리즘을 이용하여 특징들에 대하여 우선 순위를 부여하는 일 예를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 광고 대상 결정 장치가 인공 지능을 이용하여 특징들에 대한 가중치를 획득하는 방법의 일 예를 나타내는 흐름도이다.
도 9는 본 개시의 일 실시예에 따른 광고 대상 결정 장치가 인공 지능을 이용하여 라벨을 결정하는 일 예를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 광고 대상 결정 장치가 인공 지능을 이용하여 광고 대상 추론 모델을 생성하는 방법의 일 예를 나타내는 흐름도이다
도 11a는 종래 기술의 일 실시예에 따른 광고 대상 결정 방법의 일 예를 나타내는 도면이다.
도 11b는 본 개시의 일 실시예에 따른 광고 대상 결정 방법의 일 예를 나타내는 도면이다.
도 12는 본 개시의 일 실시예에 따라 광고 요청 수신에 대응하여 광고 대상을 결정하고 광고를 집행하는 광고 대상 결정 장치 구성의 일 예를 나타내는 도면이다.
도 13은 본 개시의 일 실시예에 따라 광고 대상 결정 장치가 수신하는 광고 요청의 일 예를 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시 예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시에서 사용되는 용어는, 본 개시에서 언급되는 기능을 고려하여 현재 사용되는 일반적인 용어로 기재되었으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 다양한 다른 용어를 의미할 수 있다. 따라서 본 개시에서 사용되는 용어는 용어의 명칭만으로 해석되어서는 안되며, 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 해석되어야 한다.
또한, 본 개시에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것이며, 본 개시를 한정하려는 의도로 사용되는 것이 아니다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본 명세서, 특히 특허 청구 범위에서 사용된 “상기” 및 이와 유사한 지시어는 단수 및 복수 모두를 지시하는 것일 수 있다. 또한, 본 개시에 따른 방법을 설명하는 단계들의 순서를 명백하게 지정하는 기재가 없다면, 기재된 단계들은 적당한 순서로 행해질 수 있다. 기재된 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다.
본 명세서에서 다양한 곳에 등장하는 "일부 실시 예에서" 또는 "일 실시 예에서" 등의 어구는 반드시 모두 동일한 실시 예를 가리키는 것은 아니다.
본 개시의 일부 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단” 및 “구성”등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로 한정되는 것은 아니다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
또한, 명세서에서 “사용자"라는 용어는 광고 대상 결정 장치 또는 복수의 디바이스를 이용하여 광고 대상 결정 장치 또는 복수의 디바이스의 기능 또는 동작을 제어하는 사람을 의미하며, 시청자, 관리자 또는 설치 기사를 포함할 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 본 개시의 실시예에 따라 광고 대상 결정 장치가 작동하는 일 예를 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 개시의 광고 대상 결정 장치(100)는 복수의 디바이스(200)와 네트워크 또는 근거리 통신을 통하여 연결될 수 있다.
네트워크 또는 근거리 통신은 무선 통신 및 유선 통신을 포함할 수 있다. 무선 통신은 AP(access point)를 통한 무선 통신 및 AP 없이 다이렉트로 하는 무선 통신을 포함할 수 있다. 다이렉트 통신은 블루투스(bluetooth), 블루투스 저에너지(bluetooth low energy), RF(radio frequency) 통신, 와이파이 다이렉트(Wi-Fi Direct), 지그비(zigbee), UWB(Ultra Wideband), NFC(Near Field Communication), 적외선 통신(IrDA, infrared data association)을 포함할 수 있다. 유선 통신은 이더넷(Ethernet) 등을 포함할 수 있다.
광고 대상 결정 장치(100)는 네트워크 또는 근거리 통신을 통하여 복수의 디바이스(200)로부터 사용 이력 정보를 수신하고, 수신된 사용 이력 정보를 분석하여, 복수의 디바이스 중 광고 대상이 될 디바이스를 결정하고, 결정된 광고 대상 디바이스로 광고를 전송할 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 적어도 하나의 복수의 디바이스(200)로 광고를 전송하는 서버일 수 있으나, 이는 일 실시예에 불과하며, 다양한 방식으로 구현될 수 있다.
광고 대상 결정 장치(100)는 슈퍼 컴퓨터, 태블릿 PC, 노트북 컴퓨터(laptop computer), 넷북 컴퓨터(netbook computer), 데스크 탑, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 기타 가전 등과 같은 다양한 형태로 구현될 수 있다.
복수의 디바이스(200)는 도 1에 도시된 바와 같이 스마트 폰이나 TV와 같은 디스플레이 디바이스일 수 있으나, 이는 일 실시예에 불과하며 그 밖의 다양한 디스플레이 디바이스가 이용될 수 있다.
일 실시예에서 복수의 디바이스(200)는 외부로부터 수신되는 영상 데이터 또는 내부에 저장된 영상 데이터를 처리하고, 처리된 영상 데이터를 시각적으로 표시할 수 있는 모든 디스플레이 장치를 포함할 수 있다.
일 실시예에서 복수의 디바이스(200)는 광고 대상 결정 장치(100)에 사용 이력 정보를 제공하기로 동의한 디바이스일 수 있다.
복수의 디바이스(200)는 태블릿 PC, 디지털 카메라, 캠코더, 노트북 컴퓨터(laptop computer), 넷북 컴퓨터(netbook computer), 태블릿 PC, 데스크 탑, 전자책 단말기, 화상 전화기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 착용형 기기(wearable device), 스마트 냉장고, 기타 가전 등과 같은 다양한 형태로 구현될 수 있다.
특히, 실시예들은 복수의 디바이스(200)가 디스플레이를 포함하고, 외부로부터 수신되는 영상 데이터 또는 내부에 저장된 영상 데이터를 처리하고, 처리된 영상 데이터를 시각적으로 표시할 수 있는 디스플레이 장치인 경우 용이하게 구현될 수 있으나, 이에 한정되는 것은 아니다. 또한, 복수의 디바이스(200)는 고정형 또는 이동형일 수 있으며, 디지털 방송 수신이 가능한 디지털 방송 수신기일 수 있다.
복수의 디바이스(200)는 평면(flat) 디스플레이 장치뿐 아니라, 곡률을 가지는 화면인 곡면(curved) 디스플레이 장치 또는 곡률을 조정 가능한 가변형(flexible) 디스플레이 장치로 구현될 수 있다. 복수의 디바이스(200)의 출력 해상도는 예를 들어, HD(High Definition), Full HD, Ultra HD, 또는 Ultra HD 보다 더 선명한 해상도를 포함할 수 있다.
통상, 광고 대상 디바이스를 결정하기 위해서는 광고주의 광고 목적에 맞는 타겟 디바이스를 결정한 후, 타겟 디바이스와 유사한 집단을 추출하여 광고 대상으로 결정하는 절차가 필요하다.
종래에는 이러한 광고 대상 디바이스 결정 절차에 데이터 과학자 등의 참여를 통한 수동적인 절차가 포함되었다.
본 개시는 타겟 디바이스 결정 단계 및 타겟 디바이스와 유사한 디바이스를 추출하여 광고 대상으로 결정하는 단계를 포함하는 전 단계를 자동화함으로써, 광고 대상 디바이스 결정을 위한 비용과 시간을 절약함으로써 시의 적절한 광고를 가능하도록 할 수 있는 광고 디바이스 결정 장치 및 방법에 관한 것이다.
자동으로 타겟 디바이스를 결정하는 방법 및 자동으로 타겟 디바이스와 유사한 디바이스를 추출하여 광고 대상으로 결정하는 방법에 대하여 자세한 내용은 후술한다.
도 2는 본 개시의 일 실시예에 따른 광고 대상 결정 장치의 구성을 나타내는 블록도이다.
도 2를 참조하면, 광고 대상 결정 장치(100)는 프로세서(110) 및 메모리(120)를 포함할 수 있다.
메모리(120)는, 프로세서(110)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 또한, 메모리(120)는 광고 대상 결정 장치(100)로 입력되거나 광고 대상 결정 장치(100)로부터 출력되는 데이터를 저장할 수 있다.
메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(120)는 프로세서(110)에 의해서 실행 가능한 하나 이상의 인스트럭션을 저장하고 있을 수 있다.
일 실시 예에서, 메모리(120)는 입/출력부(미도시)를 통해 입력되는 각종 정보를 저장할 수 있다.
일 실시 예에서, 메모리(120)는 복수의 디바이스(200)로부터 사용 이력 정보를 획득하고, 사용 이력 정보를 기초로 복수의 디바이스(200)의 특징들을 획득하고, 특징들에 대한 특징 벡터를 생성하며, 광고 요청 및 특징들을 기초로 복수의 디바이스(200) 각각에 대하여 자동으로 라벨(label)을 결정하도록 제어하기 위한 인스트럭션을 저장할 수 있다.
일 실시 예에서, 메모리(120)는 라벨 및 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하고, 복수의 디바이스에 생성된 광고 대상 추론 모델을 적용하여 복수의 디바이스(200) 중 광고 대상 디바이스를 결정하도록 제어하기 위한 인스트럭션을 저장할 수 있다.
프로세서(110)는 사용자의 입력이 있거나 기 설정되어 저장된 조건을 만족하는 경우, 메모리(120)에 저장된 OS(Operation System) 및 다양한 애플리케이션을 실행할 수 있다.
프로세서(110)는 광고 대상 결정 장치(100)의 외부에서부터 입력되는 신호 또는 데이터를 저장하거나, 광고 대상 결정 장치(100)에서 수행되는 다양한 작업에 대응되는 저장 영역으로 사용되는 램(RAM), 광고 대상 결정 장치(100)의 제어를 위한 제어 프로그램이 저장된 롬(ROM)을 포함할 수 있다.
프로세서(110)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함할 수 있다. 또한, 프로세서(110)는 복수의 프로세서를 포함할 수 있다. 예를 들어, 프로세서(110)는 메인 프로세서(main processor, 도시되지 아니함) 및 슬립 모드(sleep mode)에서 동작하는 서브 프로세서(sub processor, 도시되지 아니함)로 구현될 수 있다.
또한, 프로세서(110)는 CPU(Cetral Processing Unit), GPU (Graphic Processing Unit) 및 VPU(Video Processing Unit) 중 적어도 하나를 포함할 수 있다. 또는, 실시예에 따라, CPU, GPU 및 VPU 중 적어도 하나를 통합한 SOC(System On Chip) 형태로 구현될 수 있다.
프로세서(110)는, 메모리(120)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 다양한 광고 대상 결정 장치(100)의 구성 요소를 제어할 수 있다.
일 실시 예에서, 프로세서(110)는 복수의 디바이스(200)로부터 사용 이력 정보를 획득하고, 사용 이력 정보를 기초로 복수의 디바이스(200)의 특징들을 획득하고, 획득된 특징들에 대한 특징 벡터를 생성하고, 광고 요청 및 특징들을 기초로 복수의 디바이스(200) 각각에 대하여 자동으로 라벨(label)을 결정하고, 라벨 및 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하고, 복수의 디바이스에 생성된 광고 대상 추론 모델을 적용하여 복수의 디바이스(200) 중 광고 대상 디바이스를 결정할 수 있다.
일 실시 예에서, 프로세서(110)는 사용 이력 정보를 기초로, 복수의 디바이스(200) 중 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스를 추출하여 라벨을 '1'로 결정하고, 추출된 디바이스로부터 획득된 특징들 및 소정의 알고리즘을 이용하여, 라벨이 '1'로 결정되지 않은 나머지 디바이스 중 광고 객체에 대한 광고 목적이 달성된 디바이스와 유사한 디바이스를 추출하여 라벨을 '1'로 결정하고, 아직 라벨이 결정되지 않은 나머지 디바이스의 라벨을 '0'으로 결정할 수 있다.
일 실시예에서 프로세서(110)는 라벨 및 특징 벡터로부터 광고 대상 추론 모델을 생성하도록 학습된 뉴럴 네트워크를 이용하여, 광고 대상 추론 모델을 생성할 수 있다.
일 실시예에서 프로세서(110)는 복수의 디바이스(200)에 광고 대상 추론 모델을 적용하여 스코어를 획득하고, 획득된 스코어를 기초로 복수의 디바이스(200) 중 스코어가 소정 값 이상인 디바이스를 광고 대상으로 결정할 수 있다.
일 실시예에서 프로세서(110)는 결정된 광고 대상을 광고 요청에 포함된 광고 조건을 기초로 필터링하여 최종적으로 광고 대상을 결정할 수 있다.
도 3은 본 개시의 일 실시예에 따른 복수의 디바이스(200) 중 한 디바이스(300)의 구성을 나타내는 블록도의 예시이다.
도 3의 디바이스(300)는 도 1에 개시된 복수의 디바이스(200) 중 하나일 수 있다. 도 3의 디바이스(300)는 디스플레이 디바이스일 수 있다.
도 3를 참조하면, 디바이스(300)는 튜너부(340), 프로세서(310), 디스플레이(320), 통신부(350), 센서부(330), 입/출력부(370), 비디오 처리부(380), 오디오 처리부(385), 오디오 출력부(390), 메모리(325), 전원부(395)를 포함할 수 있다.
일 실시예에 따른 통신부(350)는 Wi-Fi 모듈, 블루투스 모듈, 적외선 통신 모듈 및 무선 통신 모듈, LAN 모듈, 이더넷(Ethernet) 모듈, 유선 통신 모듈 등을 포함할 수 있다. 이때, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다.
Wi-Fi 모듈, 블루투스 모듈은 각각 Wi-Fi 방식, 블루투스 방식으로 통신을 수행한다. Wi-Fi 모듈이나 블루투스 모듈을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하고, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 모듈은 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.
일 실시예에 따른 통신부(350)는 디바이스(300)의 사용 이력 정보를 광고 대상 결정 장치(100)로 송신하고, 광고 대상 결정 장치(100)로부터 광고를 수신할 수 있다.
일 실시예에 따른 튜너부(340)는 유선 또는 무선으로 수신되는 방송 신호를 증폭(amplification), 혼합(mixing), 공진(resonance)등을 통하여 많은 전파 성분 중에서 광고 대상 결정 장치(100)에서 수신하고자 하는 채널의 주파수 만을 튜닝(tuning)시켜 선택할 수 있다. 방송 신호는 오디오(audio), 비디오(video) 및 부가 정보(예를 들어, EPG(Electronic Program Guide))를 포함한다.
튜너부(340)는 지상파 방송, 케이블 방송, 위성 방송, 인터넷 방송 등과 같이 다양한 소스로부터 방송 신호를 수신할 수 있다. 튜너부(340)는 아날로그 방송 또는 디지털 방송 등과 같은 소스로부터 방송 신호를 수신할 수도 있다.
센서부(330)는 디바이스(300) 주변의 음성, 디바이스(300) 주변의 영상 또는 디바이스(300) 주변과의 인터랙션을 감지하며, 마이크(331), 카메라(332) 및 광 수신부(333) 중 적어도 하나를 포함할 수 있다. 센서부(330)는 디바이스(300)의 상태 또는 디바이스(300) 주변의 상태를 감지하고, 감지된 정보를 프로세서(310)로 전달할 수 있다.
마이크(331)는 사용자의 발화(utterance)된 음성 및 디바이스(300) 주변에서 발생되는 음성을 수신한다. 마이크(331)는 수신된 음성을 전기 신호로 변환하여 프로세서(310)로 출력할 수 있다. 마이크(331)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
카메라(332)는 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(310) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
카메라(332)에서 처리된 화상 프레임은 메모리(325)에 저장되거나 통신부(350)를 통하여 외부로 전송될 수 있다. 카메라(332)는 광고 대상 결정 장치(100)의 구성 태양에 따라 2개 이상이 구비될 수도 있다.
광 수신부(333)는 외부의 원격 제어 장치(미도시)로부터 수신되는 광 신호(제어 신호를 포함)를 수신한다. 광 수신부(333)는 원격 제어 장치(미도시)로부터 사용자 입력(예를 들어, 터치, 눌림, 터치 제스처, 음성, 또는 모션)에 대응되는 광 신호를 수신할 수 있다. 수신된 광 신호로부터 프로세서(310)의 제어에 의해 제어 신호가 추출될 수 있다. 예를 들어, 광 수신부(333)는 원격 제어 장치(미도시)로부터 채널 전환을 위한 채널 업/다운 버튼에 대응하는 제어 신호를 수신할 수 있다.
도 3의 센서부(330)는, 마이크(331), 카메라(332) 및 광 수신부(333)를 포함하는 것으로 도시되었으나, 이에 한정되는 것은 아니고, 지자기 센서(Magnetic sensor), 가속도 센서(Acceleration sensor), 온/습도 센서, 적외선 센서, 자이로스코프 센서, 위치 센서(예컨대, GPS), 기압 센서, 근접 센서, RGB 센서, 조도 센서(illuminance sensor) 및 Wi-Fi 신호 수신부 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
도 3의 센서부(330)는, 디바이스(300) 자체에 구비된 것으로 도시되었으나, 이에 한정되는 것은 아니고, 리모콘과 같은 디바이스(300)와 독립적으로 위치하며 디바이스(300)와 통신하는 장치인 제어 장치에 구비될 수 있다.
디바이스(300)의 제어 장치에 센싱부(330)가 구비된 경우, 제어 장치는 센싱부(330)에 의하여 감지된 정보를 디지털화하여 디바이스(300)로 전송할 수 있다. 제어 장치는 적외선(infrared), Wi-Fi 또는 블루투스(bluetooth)를 포함하는 근거리 통신을 이용하여 디바이스(300)와 통신할 수 있다.
예를 들어, 마이크는 디바이스(300) 자체에 구비될 수 있지만, 리모콘과 같은 디바이스(300)와 독립적으로 위치하며 디바이스(300)와 통신하는 장치인 제어 장치에 구비될 수도 있다.
일 실시예에서 마이크가 리모콘에 구비된 경우, 아날로그 음성신호가 마이크를 통해 수신되고, 리모콘에서 이를 디지털화 하여 TV로 전송할 수 있다. 이 때 리모콘은 적외선(infrared), Wi-Fi 또는 블루투스(bluetooth)를 포함하는 근거리 통신을 이용하여 광고 대상 결정 장치(100)와 통신할 수 있다.
일 실시예에서 디바이스(300)는 적외선(infrared), Wi-Fi 또는 블루투스(bluetooth)를 포함하는 다양한 근거리 통신이 가능한 복수의 통신부(350)를 구비할 수 있다.
일 실시예에서 디바이스(300)는 광고 대상 결정 장치(100)와 통신하는 통신부와 리모콘과 통신하는 통신부가 서로 다른 복수의 통신부(350)를 구비할 수 있다.
일 실시예에서 디바이스(300)는 광고 대상 결정 장치(100)와 통신하는 통신부와 리모콘과 통신하는 통신부가 서로 동일한 통신부(350)를 구비할 수 있다.
일 실시예에서 리모콘 애플리케이션이 설치된 스마트폰 등의 디바이스는 위 기재된 리모콘과 동일한 역할을 수행할 수 있다. 즉, 리모콘 애플리케이션을 설치한 디바이스는 TV 등의 디바이스(300)를 제어하고, 음성인식 기능을 수행할 수 있다.
리모콘 애플리케이션이 설치될 수 있는 디바이스는 스마트 폰 이외에 AI 스피커와 같이 애플리케이션을 설치하여 동작할 수 있는 모든 디바이스일 수 있다.
입/출력부(370)는 프로세서(310)의 제어에 의해 디바이스(300)의 외부에서부터 비디오(예를 들어, 동영상 등), 오디오(예를 들어, 음성, 음악 등) 및 부가 정보(예를 들어, EPG 등) 등을 수신한다. 입/출력부(370)는 HDMI (High-Definition Multimedia Interface), MHL(Mobile High-Definition Link), USB(Universal Serial Bus), DP(Display Port), 썬더볼트(Thunderbolt), VGA(Video Graphics Array) 포트, RGB 포트, D-SUB(D-subminiature), DVI(Digital Visual Interface), 컴포넌트 잭(component jack), PC 포트(PC port) 중 어느 하나를 포함할 수 있다.
비디오 처리부(380)는, 디바이스(300)가 수신한 비디오 데이터에 대한 처리를 수행한다. 비디오 처리부(380)에서는 비디오 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환, 해상도 변환 등과 같은 다양한 이미지 처리를 수행할 수 있다.
디스플레이(320)는 프로세서(310)에서 처리된 영상 신호, 데이터 신호, OSD 신호, 제어 신호 등을 변환하여 구동 신호를 생성한다. 디스플레이(320)는 PDP, LCD, OLED, 플렉시블 디스플레이(flexible display)등으로 구현될 수 있으며, 또한, 3차원 디스플레이(3D display)로 구현될 수 있다. 또한, 디스플레이(320)는, 터치 스크린으로 구성되어 출력 장치 이외에 입력 장치로 사용되는 것도 가능하다.
디스플레이(320)는 통신부(미도시) 또는 입/출력부(370)를 통해 입력되는 각종 컨텐트를 출력하거나, 메모리(325)에 저장된 영상을 출력할 수 있다. 또한, 디스플레이(320)는 입/출력부(370)를 통해 사용자가 입력하는 정보를 화면에 출력할 수 있다.
디스플레이(320)는 디스플레이 패널을 포함할 수 있다. 디스플레이 패널은 LCD(Liquid Crystal Display) 패널이거나 또는 LED(Light Emitting Diode), OLED(Organic Light Emitting Diode), CCFL(cold cathode fluorescent lamp) 등 다양한 발광체를 포함하는 패널일 수 있다. 또한 디스플레이 패널은 평면(flat) 디스플레이 장치뿐만 아니라, 곡률을 가지는 화면인 곡면(curved) 디스플레이 장치 또는 곡률을 조정 가능한 가변형(flexible) 디스플레이 장치를 포함할 수 있다. 디스플레이 패널은 3차원 디스플레이(3D display), 전기 영동 디스플레이(electrophoretic display)일 수도 있다.
디스플레이 패널의 출력 해상도는 예를 들어, HD(High Definition), Full HD, Ultra HD, 또는 Ultra HD 보다 더 선명한 해상도를 포함할 수 있다.
도 3의 실시예에서는 디바이스(300)가 디스플레이를 포함하는 것으로 도시하였으나, 이에 한정되지 않는다. 디바이스(300)는 디스플레이를 포함하는 별도의 디스플레이 장치와 유무선 통신으로 연결되어, 디스플레이 장치로 비디오/오디오 신호를 전송하도록 구성될 수 있다.
오디오 처리부(385)는 오디오 데이터에 대한 처리를 수행한다. 오디오 처리부(385)에서는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다. 한편, 오디오 처리부(385)는 복수의 컨텐츠에 대응되는 오디오를 처리하기 위해 복수의 오디오 처리 모듈을 구비할 수 있다.
오디오 출력부(390)는 프로세서(310)의 제어에 의해 튜너부(340)를 통해 수신된 방송 신호에 포함된 오디오를 출력한다. 오디오 출력부(390)는 통신부(350) 또는 입/출력부(370)를 통해 입력되는 오디오(예를 들어, 음성, 사운드)를 출력할 수 있다. 또한, 오디오 출력부(390)는 프로세서(310)의 제어에 의해 메모리(325)에 저장된 오디오를 출력할 수 있다. 오디오 출력부(390)는 스피커, 헤드폰 출력 단자 또는 S/PDIF(Sony/Philips Digital Interface: 출력 단자 중 적어도 하나를 포함할 수 있다.
전원부(395)는 프로세서(310)의 제어에 의해 광고 대상 결정 장치(100) 내부의 구성 요소들로 외부의 전원 소스에서부터 입력되는 전원을 공급한다. 또한, 전원부(395)는 프로세서(310)의 제어에 의해 광고 대상 결정 장치(100) 내부에 위치하는 하나 또는 둘 이상의 배터리(도시되지 아니함)에서부터 출력되는 전원을 내부의 구성 요소들에게 공급할 수 있다.
메모리(325)는 프로세서(310)의 제어에 의해 디바이스(300)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(325)는 도시 되지 아니한 방송 수신 모듈, 채널 제어 모듈, 볼륨 제어 모듈, 통신 제어 모듈, 음성 인식 모듈, 모션 인식 모듈, 광 수신 모듈, 디스플레이 제어 모듈, 오디오 제어 모듈, 외부 입력 제어 모듈, 전원 제어 모듈, 무선(예를 들어, 블루투스)으로 연결되는 복수의 디바이스의 전원 제어 모듈, 음성 데이터베이스(DB), 또는 모션 데이터베이스(DB)를 포함할 수 있다. 메모리(325)의 도시 되지 아니한 모듈들 및 데이터 베이스는 디바이스(300)에서 방송 수신의 제어 기능, 채널 제어 기능, 볼륨 제어 기능, 통신 제어 기능, 음성 인식 기능, 모션 인식 기능, 광 수신 제어 기능, 디스플레이 제어 기능, 오디오 제어 기능, 외부 입력 제어 기능, 전원 제어 기능 또는 무선(예를 들어, 블루투스)으로 연결되는 디바이스(300)의 전원 제어 기능을 수행하기 위하여 소프트웨어 형태로 구현될 수 있다. 프로세서(310)는 메모리(325)에 저장된 이들 소프트웨어를 이용하여 각각의 기능을 수행할 수 있다.
한편, 도 2에 도시된 광고 대상 결정 장치(100) 및 도 3에 도시된 디바이스(300)의 블록도는 일 실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 장치의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 블록에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
도 4는 본 개시의 일 실시예에 따른 광고 대상 결정 장치(100)의 동작 방법을 나타내는 흐름도이다.
도 4를 참조하면, 광고 대상 결정 장치(100)는 복수의 디바이스(200)로부터 사용 이력 정보를 획득하고, 사용 이력 정보를 기초로 복수의 디바이스(200)의 특징들을 획득하고, 획득된 특징들 각각에 대한 특징 벡터를 생성할 수 있다(S410).
광고 대상 결정 장치(100)는 광고 요청을 수신함에 따라 복수의 디바이스(200)로부터 사용 이력 정보를 획득할 수 있다.
본 개시에서 "사용 이력 정보"는 사용자가 디바이스를 사용한 모든 기록 정보일 수 있다. 예를 들어, 사용 이력 정보는 TV Program 시청 이력 정보, 애플리케이션 사용 정보, 외부 디바이스 사용 현황 정보, 시청한 TV Program의 장르 및 시청 시간 정보, 게임 플레이 시간 정보, VoD 시청 이력 정보, 플레이한 한 게임의 종류 및 게임 제작사 정보, 앱 스토어 사용 정보, 사용자에 관한 정보 등을 포함할 수 있다.
일 실시예에서 사용 이력 정보는 특정 기간 동안의 사용 이력 정보일 수 있다. 예를 들어, 사용 이력 정보는 1년 동안의 사용 이력 정보일 수 있다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)로부터 획득한 사용 이력 정보로부터 특징들을 획득하기 위하여 사용 이력 정보를 정제(전처리)할 수 있다.
본 개시에서 "특징"은 복수의 디바이스(200)와 관련된 사용자의 행동 패턴을 추출할 수 있는 모든 데이터를 의미할 수 있다. 예를 들어, 특징은 사용 이력 정보와 동일한 개념일 수 있다. 이 경우, 사용 이력 정보는 그대로 특징이 될 수 있다. 다른 예를 들어, 특징은 사용 이력 정보의 상위 개념일 수 있다. 이 경우, 사용 이력 정보를 상위 개념으로 매핑하는 단계가 필요할 수 있다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)로부터 획득한 사용 이력 정보로부터 복수의 디바이스(200)의 특징들을 획득하기 위하여 사용 이력 정보를 정제할 수 있다.
예를 들어, 광고 대상 결정 장치(100)는 사용 이력 정보를 특징에 사용될 상위 개념으로 매핑(Mapping)하거나, 일반성이 떨어지는 특이한 데이터를 제거할 수 있다. 다른 예를 들어, 광고 대상 결정 장치(100)는 특정한 사용 시간에 대한 정보만 추출할 수 있다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)로부터 획득한 사용 이력 정보로부터 특징들을 획득할 수 있다.
특징들은 연령, 성별, 지역 및 소득 정보를 포함하는 디바이스 사용자에 대한 정보, 광고 시청 정보, 광고 클릭 정보, 애플리케이션 사용 정보, 외부 디바이스 사용 정보, TV 시청 정보, VoD 시청 정보, 애플리케이션 설치 및 제거 정보, 디바이스 사용 패턴 정보 또는 플레이한 게임 정보 중 적어도 하나를 포함할 수 있다. 그러나 특징들이 위 예시로 한정되는 것은 아니다.
광고 대상 결정 장치(100)는 특징들에 대한 특징 벡터를 생성할 수 있다. 특징 벡터는 머신 러닝에 적합하도록 특징들을 벡터로 나타낸 것일 수 있다.
광고 대상 결정 장치(100)는 각 디바이스의 특징 점을 추출하여 특징 벡터를 생성할 수 있다. 생성된 특징 벡터는 추후 S430 단계에서 생성되는 광고 대상 추론 모델의 입력 값이 될 수 있다.
이에 대하여 자세한 내용은 도 5 및 도 6 등에서 후술한다.
광고 대상 결정 장치(100)는 광고 요청 및 특징들을 기초로 복수의 디바이스(200) 각각에 대하여 자동으로 라벨(label)을 결정할 수 있다(S420).
본 개시에서 광고 요청은 광고주 혹은 광고 에이전시로부터 수신된 요청으로, 광고 분야, 광고 객체, 광고 비용, 광고 조건 및 광고 목적 중 적어도 하나를 포함할 수 있다.
본 개시에서 광고 분야는 브랜드 광고, 게임 광고, 파이낸스 광고, 여행 광고 등과 같은 광고 객체가 속한 분야(field)를 의미할 수 있다.
본 개시에서 광고 객체는 광고 분야에 속하는 상품 중 광고를 하고자 하는 특정 상품을 의미할 수 있다. 예를 들어, 브랜드 광고 인 경우 광고 하고자 하는 특정 브랜드 명을 의미할 수 있고, 게임 광고인 경우, 특정 게임 명을 의미할 수 있다.
본 개시에서 광고 목적은 광고 객체에 대하여 이루고 싶은 목표를 의미할 수 있다. 예를 들어, 광고 목적은 새로운 사용자를 증가시키는 것, 미사용 사용자의 사용률을 높이는 것 및 현재 사용자의 사용 시간을 증가시키는 것 등을 포함할 수 있다. 일 실시예에서 광고 대상 결정 장치(100)는 13개월 이상 사용 실적이 없는 사용자를 미사용 사용자로 인식할 수 있다.
본 개시에서 "라벨"은 S410 단계에서 획득된 복수의 디바이스(200)의 사용 이력 정보를 기초로 판단한 결과, 복수의 디바이스(200)에 포함된 각 디바이스가 광고주의 광고 객체에 대한 광고 목적이 달성된 디바이스인지 여부를 바이너리 타입으로 표시한 정보일 수 있다.
본 개시에서 "라벨"은 실시예에 따라 S410 단계에서 획득된 복수의 디바이스(200)의 사용 이력 정보를 기초로 판단한 결과, 복수의 디바이스(200)에 포함된 각 디바이스가 광고주의 광고 목표가 달성되지는 않았지만, 광고 목표가 달성될 가능성이 임계 값 이상이었던 디바이스인지 여부를 바이너리 타입으로 표시한 정보를 포함할 수 있다.
예를 들어, 광고주의 광고 목표가 A 라는 컨텐트 관련 애플리케이션의 새로운 사용자를 증가시키는 것인 경우, 복수의 디바이스(200) 중 사용 이력을 분석함으로써, 분석 기간 동안 A 라는 애플리케이션의 새로운 사용자가 된 디바이스를 광고주의 광고 목표가 달성된 디바이스로 결정할 수 있다.
본 개시에서, 광고주의 광고 목표가 달성된 디바이스의 라벨은 '1'로 결정될 수 있다.
일 실시예에서 위 기준으로 모든 디바이스의 라벨을 결정해본 결과, 라벨이 '1'인 디바이스의 수가 너무 적은 경우, 광고 대상 결정 장치(100)는 복수의 디바이스(200) 중, A 라는 애플리케이션의 새로운 사용자가 되지는 않았지만, A 라는 애플리케이션의 새로운 사용자가 될 확률이 임계 값 이상이었던 디바이스의 라벨도 '1'로 결정할 수 있다.
광고 대상 결정 장치(100)는 위 두 단계를 거치는 동안 라벨이 '1'로 결정된 디바이스가 아닌 나머지 디바이스의 라벨을 '0'으로 결정할 수 있다.
일 실시예에서, 라벨(label)을 결정하는 단계는 사용 이력 정보를 기초로, 복수의 디바이스(200) 중 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스를 추출하여 라벨을 '1'로 결정하는 단계 및 아직 라벨이 결정되지 않은 디바이스의 라벨을 '0'으로 결정하는 단계를 포함할 수 있다.
다른 일 실시예에서 라벨(label)을 결정하는 단계는 사용 이력 정보를 기초로, 복수의 디바이스(200) 중 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스를 추출하여 라벨을 '1'로 결정하는 단계, 위 추출된 디바이스로부터 획득된 특징들 및 소정의 알고리즘을 이용하여, 아직 라벨이 결정되지 않은 디바이스 중, 광고 객체에 대한 광고 목적이 달성된 디바이스와 유사한 특징을 가지는 디바이스를 추출하여 라벨을 '1'로 결정하는 단계 및 아직 라벨이 결정되지 않은 디바이스의 라벨을 '0'으로 결정하는 단계를 포함할 수 있다.
일 실시예에서 소정의 알고리즘은 특징들에 대한 우선 순위를 이용하는 알고리즘이고, 특징들에 대한 우선 순위는 실험을 통하여 결정된 것일 수 있다.
일 실시예에서 소정의 알고리즘은 광고 요청을 분석함으로써 특징들에 대한 가중치를 획득하도록 학습된 뉴럴 네트워크를 이용하여 획득된, 특징들에 대한 가중치를 이용하는 알고리즘일 수 있다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)에 포함된 모든 디바이스에 대하여 각각 라벨을 결정할 수 있다. 이 때 라벨이 '1'로 결정된 디바이스들은 광고주의 광고 목적에 맞는 타겟 디바이스일 수 있다.
라벨을 결정하는 방법에 대하여 더 자세한 내용은 도 7 내지 도 9 등에서 후술한다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)로부터 동일한 사용 이력 정보를 획득하더라도 광고 요청의 내용에 따라 서로 다른 특징들, 특징 벡터 및 라벨을 결정 및 획득할 수 있다.
광고 대상 결정 장치(100)는 결정된 라벨 및 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성할 수 있다(S430).
본 개시에서 "광고 대상 추론 모델"은 복수의 디바이스(200)에 포함되는 각디바이스가 미래에 광고 목표를 달성할 수 있는 가능성을 추론하는 모델일 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 S430 단계에서 결정된 라벨 및 S410 단계에서 생성된 특징 벡터로부터 광고 대상 추론 모델을 생성하도록 학습된 뉴럴 네트워크를 이용하여, 광고 대상 추론 모델을 생성할 수 있다.
이에 대하여 자세한 내용은 도 10 및 도 11 등에서 후술한다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)에, 생성된 광고 대상 추론 모델을 적용하여 복수의 디바이스(200) 중 광고 대상 디바이스를 결정할 수 있다(S440).
일 실시예에서 광고 대상 결정 장치(100)는 복수의 디바이스(200)에 광고 대상 추론 모델을 적용하여 각 디바이스가 미래에 광고 목표를 달성할 수 있는 가능성을 스코어 혹은 숫자로 획득할 수 있다. 이 때 스코어 혹은 숫자는 0 에서 1 사이의 값일 수 있다. 어떤 디바이스의 스코어 혹은 숫자가 1에 가까울수록 해당 디바이스가 미래에 광고 목표를 달성할 가능성이 높고, 반대로 어떤 디바이스의 스코어혹은 숫자가 0에 가까울수록 해당 디바이스가 미래에 광고 목표를 달성할 가능성이 낮은 것으로 해석될 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 획득된 스코어 혹은 숫자를 기초로 복수의 디바이스(200) 중 스코어 혹은 숫자가 소정 값 이상인 디바이스를 광고 대상으로 결정할 수 있다.
예를 들어, 광고 목표가 복수의 디바이스(200) 중 2만 대의 디바이스에 광고를 하는 것인 경우, 광고 대상 결정 장치(100)는 스코어가 높은 순으로 2만 대의 디바이스를 광고 대상으로 결정할 수 있다.
다른 예를 들어, 광고 대상 결정 장치(100)는 스코어가 소정 값 이상인 디바이스를 모두 광고 대상으로 결정할 수 있다. 이 경우, 소정 값은 광고 목적이나 광고 조건, 광고 비용 등에 따라 결정된 값일 수 있다.
도 4에 도시 되지는 않았지만, 본 개시에 따른 광고 대상 결정 방법은 S440단계에서 결정된 광고 대상을 광고 요청에 포함된 광고 조건을 기초로 필터링하여 최종적으로 광고 대상을 결정하는 단계를 더 포함할 수 있다.
일 실시예에서 광고 조건은 룰 베이스로 어떤 디바이스를 광고 대상에 포함시키거나 제외시키는 조건일 수 있다.
예를 들어, 광고 조건은 광고주가 지정하는 조건을 만족하는 특정 디바이스를 광고 대상에서 제외하는 조건일 수 있다. 이 경우, 광고 대상 결정 장치(100)는 특정 디바이스가 S440 단계에서 광고 대상으로 결정되었더라도, 해당 디바이스를 광고 대상에서 제외할 수 있다.
예를 들어, 광고 조건은 디바이스 사용자의 거주 지역이 서울인 디바이스를 제외하는 것일 수 있다. 이 경우, 광고 대상 결정 장치(100)는 S440 단계에서 결정된 광고 대상 디바이스 중 디바이스 사용자의 거주 지역이 서울인 디바이스를 제외한 나머지 디바이스를 광고 대상으로 결정할 수 있다.
예를 들어, 광고 조건은 조건을 만족하는 특정 디바이스는 반드시 광고 대상에 포함하는 조건일 수 있다. 이 경우, 광고 대상 결정 장치(100)는 조건을 만족하는 특정 디바이스가 S440 단계에서 광고 대상으로 결정되지 않았더라도, 해당 디바이스를 광고 대상으로 추가하여 광고 대상 디바이스를 결정할 수 있다.
도 5는 본 개시의 일 실시예에 따라 복수의 디바이스에 대한 특징들을 획득하기 위하여 디바이스의 사용 이력 정보의 왜곡을 해결하는 방법의 일 예를 나타내는 도면이다.
일 실시예에서 복수의 디바이스(200)에 대한 사용 이력 정보는 1개월 단위로 종합(aggregation)될 수 있다.
일 실시예에서 획득된 사용 이력 정보 중 특정 정보는 값들이 극단적으로 한쪽으로 치우치는(skewed) 현상이 나타날 수 있다(510).
이 경우, 데이터의 왜곡이 나타날 수 있으므로, 광고 대상 결정 장치(100)는 값들에 제곱근 혹은 로그(Log)를 적용함으로써, 데이터가 고르게 분포하도록 처리할 수 있다(520).
예를 들어, 도5에서 광고 대상 결정 장치(100)는 510과 같이 치우친 데이터에 로그를 적용함으로써 520과 같이 데이터가 고르게 분포하도록 처리할 수 있다. 이 때 적용되는 로그는 Log10일 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 제곱근 혹은 로그를 이용하여 정보의 치우침으로 인한 왜곡을 처리한 후, 데이터를 정규화 하는 방법을 활용하여 특징에 대한 스케일링(feature scaling)을 진행할 수 있다.
도 6은 본 개시의 일 실시예에 따라 디바이스의 사용 이력 정보를 이용하여 특징 벡터를 획득하는 일 예를 나타내는 도면이다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)로부터 획득된 사용 이력 정보를 정제할 수 있다(S610).
예를 들어, 광고 대상 결정 장치(100)는 디바이스의 사용 이력 정보에 기초하여 디바이스 사용자의 전체 디바이스 사용 시간 대비 각 카테고리 별 사용 시간의 비중을 수치화할 수 있다. 일 실시예에서, 카테고리는 애플리케이션 이용 시간, VoD 이용 시간, TV 시청 시간, 게임 이용 시간, 광고 시청 시간 또는 외부 디바이스 이용 시간 중 적어도 하나를 포함할 수 있다.
광고 대상 결정 장치(100)는 정제된 데이터를 종합할 수 있다(S620). 예를 들어, 광고 대상 결정 장치(100)는 정제된 데이터를 1개월 단위로 종합할 수 있다.
광고 대상 결정 장치(100)는 종합된 데이터 중 일부 데이터를 부분 데이터로 생성할 수 있다(S630). 예를 들어, 광고 대상 결정 장치(100)는 1개월 단위로 종합된 데이터 중 하나를 선택하여 부분 데이터로 생성할 수 있다. 일 실시예에서 광고 대상 결정 장치(100)는 현재 달의 직전 달을 선택하여 부분 데이터로 생성할 수 있다. 다른 일 실시예에서 광고 대상 결정 장치(100)는 복수의 사용 이력 정보 중 광고 요청에 따라 선택된 정보를 부분 데이터로 생성할 수 있다.
광고 대상 결정 장치(100)는 생성된 부분 데이터의 치우침 즉 왜곡을 처리하기 위하여 제곱근 또는 로그를 적용하여 데이터가 고르게 분포하도록 처리하고, 경계 데이터를 제거하고, 데이터를 정규화 하는 방법을 활용하여 특징에 대한 스케일링(feature scaling)을 진행 할 수 있다(S640).
광고 대상 결정 장치(100)는 정규화된 데이터를 이용하여 특징 벡터를 생성할 수 있다(S650).
광고 대상 결정 장치(100)는 전체 디바이스 사용 시간을 1로 설정한 후, 각 카테고리 별 사용 시간 비율을 계산하여 전체 디바이스 사용 시간 대비 각 카테고리 별 사용 시간이라는 특징에 대한 특징 벡터를 생성할 수 있다.
도 7은 본 개시의 일 실시예에 따라 소정의 알고리즘을 이용하여 특징들에 대하여 우선 순위를 부여하는 일 예를 나타내는 도면이다.
광고 대상 결정 장치(100)는 광고 요청 및 특징들을 기초로 복수의 디바이스(200) 각각에 대하여 자동으로 라벨(label)을 결정할 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 복수의 디바이스(200)에 대한 사용 이력 정보를 기초로, 복수의 디바이스(200) 중 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스를 추출하여 라벨을 '1'로 결정할 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 광고 목적이 달성된 디바이스 디바이스들로부터 획득된 공통적인 특징 및 소정의 알고리즘을 이용하여, 아직 라벨이 결정되지 않은 디바이스 중, 광고 객체에 대한 광고 목적이 달성된 디바이스들의 공통적인 특징들과 유사한 특징들을 가지는 디바이스를 추출하여 라벨을 '1'로 결정할 수 있다.
어떤 디바이스가 광고 객체에 대한 광고 목적이 달성된 디바이스들의 공통적인 특징과 유사한 특징을 가지는지 여부는 복수(710)의 특징에 대한 가중치 혹은 우선 순위를 적용함으로써 결정될 수 있다.
복수(710)의 특징에 대한 가중치 혹은 우선 순위는 소정의 알고리즘에 의하여 결정될 수 있다.
일 실시예에서 소정의 알고리즘은 실험을 통하여 결정된 특징들(710)에 대한 우선 순위를 이용하는 것일 수 있다.
도 7의 실시예에서 특징들(710)은 디바이스 사용자의 연령 또는 성별, 디바이스 사용자의 소득 정보, 광고 시청 정보, 애플리케이션 사용 이력, 광고 클릭 정보, 디바이스 사용자의 거주 지역, 외부 디바이스 사용 이력, 애플리케이션 설치 및 삭제 이력을 포함할 수 있다.
광고 대상 결정 장치(100)는 복수의 디바이스(200) 중 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스의 특징들(710)을 분석할 수 있다.
그 결과 광고 대상 결정 장치(100)는 특징들(710) 중 광고 요청에 포함된 광고 객체에 대한 광고 목적의 달성에 영향을 준 순서대로 특징들(710)에 대한 우선 순위를 결정할 수 있다.
예를 들어, 광고 대상 결정 장치(100)는 특징들(710) 중 우선 순위가 소정 값 이상인 경우 해당 특징의 우선 순위로 'High'를 부여하고, 특징들(710) 중 우선 순위가 소정 값 미만인 경우 해당 특징의 우선 순위로 'Zero'를 부여할 수 있다.
특징들(710)에 대한 우선 순위는 광고 분야에 따라 달라질 수 있다.
예를 들어, 광고 분야가 브랜드인 경우, 특징들(710) 중 애플리케이션 사용 이력의 우선 순위가 높고, 나머지 특징에 대한 우선 순위는 낮을 수 있다(720).
반면, 광고 분야가 컨텐트 애플리케이션인 경우, 특징들(710) 중 '디바이스 사용자의 연령 또는 성별' 및 '디바이스 사용자의 거주 지역'의 우선 순위가 높고, 나머지 특징에 대한 우선 순위는 낮을 수 있다(730).
광고 대상 결정 장치(100)는 광고 객체에 대한 광고 목적이 달성된 디바이스로부터 획득된 특징들(710)에 소정의 알고리즘을 이용하여 우선 순위를 결정하고, 결정된 우선 순위를 복수의 디바이스(200) 각각에 적용함으로써, 광고 객체에 대한 광고 목적이 달성된 디바이스와 유사한 특징들을 가지는 디바이스를 추출할 수 있다.
광고 대상 결정 장치(100)는 추출된 유사 디바이스에 대한 라벨을 '1'로 결정할 수 있다.
도 8은 본 개시의 일 실시예에 따른 광고 대상 결정 장치가 인공 지능을 이용하여 특징들에 대한 가중치를 획득하는 방법의 일 예를 나타내는 흐름도이다.
일 실시예에서 광고 대상 결정 장치(100)는 광고 요청 및 복수의 디바이스(200)에 대한 특징들로부터 특징들에 대한 가중치를 획득하도록 학습된 뉴럴 네트워크를 이용하여, 특징들 각각에 대한 가중치 혹은 우선 순위를 획득할 수 있다.
일 실시예에서 광고 요청은 광고 분야, 광고 객체 및 광고 목적을 포함할 수 있다.
인공지능은 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.
예를 들어, 요소 기술들은 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.
본 개시에 따른 인공지능과 관련된 기능은 프로세서(110)와 메모리(120)를 통해 동작된다. 프로세서(110)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서(110)는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서(110)는, 메모리(120)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서(110)가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 광고 대상 결정 장치(100) 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.
인공지능 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 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
딥 러닝 알고리즘을 이용하는 실시예에서, 프로세서(110)는 기 학습된 심층 신경망 모델(pre-trained deep neural network)(810)을 이용하여, 광고 요청을 분석한 결과로부터 특징들에 대한 가중치를 획득할 수 있다. 기 학습된 심층 신경망 모델(810)은 광고 요청 및 특징들을 입력 값으로 하고, 특징들에 대한 가중치를 출력 값으로 하는 학습(learning)을 통해 트레이닝된 인공지능 모델일 수 있다.
심층 신경망 모델은 예를 들어, 컨볼루션 신경망 모델(Convolutional Neural Network; CNN)일 수 있다. 그러나 이에 한정되는 것은 아니고, 심층 신경망 모델은 순환 신경망 모델(Recurrent Neural Network; RNN), 제한 볼츠만 머신(Restricted Boltzmann Machine; RBM), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks) 중 적어도 하나를 포함하는 공지의 인공지능 모델일 수 있다.
광고 대상 결정 장치(100)는 특징들 각각에 대한 가중치를 획득하는 방법을 그 밖의 다양한 머신 러닝 알고리즘을 이용하여 구현할 수 있다.
도 9는 본 개시의 일 실시예에 따른 광고 대상 결정 장치가 인공 지능을 이용하여 라벨을 결정하는 일 예를 나타내는 도면이다.
광고 대상 결정 장치(100)는 광고 요청 및 특징들을 기초로 복수의 디바이스(200) 각각에 대하여 자동으로 라벨(label)을 결정할 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 복수의 디바이스(200)에 대한 사용 이력 정보를 기초로, 복수의 디바이스(200) 중 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스를 추출하여 라벨을 '1'로 결정할 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 광고 목적이 달성된 디바이스 디바이스들로부터 획득된 공통적인 특징들 및 소정의 알고리즘을 이용하여, 아직 라벨이 결정되지 않은 디바이스 중, 광고 객체에 대한 광고 목적이 달성된 디바이스들의 공통적인 특징들과 유사한 특징들을 가지는 디바이스를 추출하여 라벨을 '1'로 결정할 수 있다.
어떤 디바이스가 광고 객체에 대한 광고 목적이 달성된 디바이스들의 공통적인 특징과 유사한 특징을 가지는지 여부는 복수(910)의 특징에 대한 가중치 혹은 우선 순위를 적용함으로써 결정될 수 있다.
복수(910)의 특징에 대한 가중치 혹은 우선 순위는 소정의 알고리즘에 의하여 결정될 수 있다.
일 실시예에서 소정의 알고리즘은 광고 요청을 분석함으로써 광고 분야에 따라 특징들(910)에 대한 가중치를 획득하도록 학습된 뉴럴 네트워크를 이용하여, 획득된 복수(910)의 특징에 대한 가중치를 이용하는 알고리즘일 수 있다.
도 9의 실시예에서 소정의 알고리즘은 광고 요청 및 특징들(910)으로부터 광고 분야(920)에 따라 특징들(910)에 대한 가중치 혹은 우선 순위를 획득하도록 학습된 뉴럴 네트워크를 이용하여, 획득된 특징들(910)에 대한 가중치 혹은 우선 순위를 이용하는 알고리즘일 수 있다.
일반적으로 라벨을 자동으로 결정하는 데 있어서 가장 중요한 고려 요소는 광고 요청에 포함된 광고 분야, 광고 객체 및 광고 목적일 수 있다.
즉, 광고 대상 결정 장치(100)는 어떠한 분야의 어떠한 제품을 광고하여 어떤 목적을 달성하려고 하는지에 따라 각 디바이스의 라벨을 다르게 결정할 수 있다.
이러한 라벨의 결정은 복수의 디바이스(200)로부터 획득된 특징들(910) 및 각 특징 대하여 부여된 우선 순위나 가중치에 따라 달라질 수 있다.
일 실시예에서 요청된 광고의 분야가 파이낸스 분야인 경우, 사용자의 소득은 중요한 특징이므로 높은 가중치 혹은 높은 우선 순위를 부여 받을 수 있지만, 요청된 광고의 분야가 게임인 경우, 사용자의 소득은 중요한 특징이 아니므로 낮은 가중치 혹은 낮은 우선 순위를 부여 받을 수 있다.
일 실시예에서 요청된 광고의 목적이 광고를 많이 클릭할 만한 새로운 사용자의 확보인 경우, 광고 클릭 정보는 중요한 특징이므로 높은 가중치 혹은 높은 우선 순위를 부여 받을 수 있지만, 요청된 광고의 목적이 새로운 사용자의 확보인 경우, 광고 클릭 정보는 중요한 특징이 아니므로 낮은 가중치 혹은 낮은 우선 순위를 부여 받을 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 도 8의 실시예와 같이 머신 러닝을 적용하여 각 특징 별 가중치 혹은 우선 순위를 결정하고 결정된 각 특징 별 가중치 혹은 우선 순위를 복수의 디바이스(200) 각각에 적용함으로써 각 디바이스가 광고 객체에 대한 광고 목적이 달성된 디바이스들의 공통적인 특징들과 유사한 특징들을 가지는 디바이스인지 여부 즉, 라벨을 결정할 수 있다.
도 10은 본 개시의 일 실시예에 따른 광고 대상 결정 장치가 인공 지능을 이용하여 광고 대상 추론 모델을 생성하는 방법의 일 예를 나타내는 흐름도이다.
광고 대상 추론 모델은 복수의 디바이스(200)에 포함되는 각 디바이스가 미래에 광고 목표를 달성할 수 있는 가능성을 추론하는 모델일 수 있다.
본 실시예의 라벨은 도 4의 S420 단계에서 생성되는 것과 동일한 것일 수 있다. 라벨에 관하여 도 7 내지 도 9에 기재된 내용과 동일한 내용은 생략한다.
특징 벡터는 도 4의 S410 단계에서 생성된 것과 동일한 것일 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 복수의 디바이스(200) 중에서 라벨이 '1'로 결정된 디바이스를 분석하여 위 디바이스들의 공통된 특징을 추출하고, 광고 객체에 대한 광고 목적을 달성하기 위하여 특징들 중 어떠한 특징이 큰 의미를 갖는지를 분석하여 각각 특징에 대한 가중치 혹은 우선 순위를 결정할 수 있다.
일 실시예에서 특징들 각각에 대한 가중치 혹은 우선 순위를 결정하는 방법은 도 7 내지 도 9에서 복수의 디바이스(200) 각각에 대한 라벨을 결정하기 위하여 특징들 각각에 대한 가중치 혹은 우선 순위를 결정하는 방법과 동일할 수 있다.
광고 대상 결정 장치(100)는 각각 특징에 대한 가중치 혹은 우선 순위를 복수의 디바이스(200)로부터 획득된 특징 벡터에 적용함으로써 복수의 디바이스(200)에 포함되는 각 디바이스가 미래에 광고 객체에 대한 광고 목적을 달성할 가능성을 추론하는 모델을 생성할 수 있다.
도 10의 실시예에서 광고 대상 결정 장치(100)는 라벨 및 특징 벡터로부터 광고 대상 추론 모델을 생성하도록 학습된 뉴럴 네트워크를 이용하여, 광고 대상 추론 모델을 생성할 수 있다.
인공 지능에 대하여 도 8에서 이미 설명한 내용은 생략한다.
딥 러닝 알고리즘을 이용하는 실시예에서, 프로세서(110)는 기 학습된 심층 신경망 모델(pre-trained deep neural network)(1010)을 이용하여, 라벨 및 특징 벡터로부터 광고 대상 추론 모델을 생성할 수 있다. 기 학습된 심층 신경망 모델(1010)은 복수의 디바이스(200) 각각에 대한 라벨 및 복수의 디바이스(200) 각각에 대하여 획득된 특징 벡터를 입력 값으로 하고, 광고 대상 추론 모델을 출력 값으로 하는 학습(learning)을 통해 트레이닝된 인공지능 모델일 수 있다.
일 실시예에 따라 광고 대상 추론 모델을 생성하기 위하여, 인공지능 모델을 트레이닝 하는 경우, 라벨이 불균형 하면 트레이닝이 잘 되지 않을 수 있는 문제가 있을 수 있다. 라벨이 불균형 하다는 것은, 광고 객체에 대한 광고 목적을 달성할 수 있도록 하는 다양한 특징 중, 일부 특징에 대한 빈도만 지나치게 높은 사용 내역 정보가 수집된 관계로 불균형한 라벨이 획득된 경우일 수 있다.
광고 대상 결정 장치(100)는 이러한 문제를 해결하기 위하여 Calss Weight를 이용하여 라벨의 불균형을 개선할 수 있다. Class Weight는 편중된 class 데이터에 취약한 대부분의 머신 러닝 알고리즘의 문제를 해결하기 위하여 class의 비대칭적인 분포를 고려하여 알고리즘을 수정하는 과정에서 다수 class(majority class)및 소수 class(minority class)에 부여되는 서로 다른 가중치를 의미할 수 있다.
또한, 광고 대상 결정 장치(100)는 모델의 최적화 및 자동화를 위하여 Auto hyper-parameter tuning을 진행할 수 있다. 광고 대상 결정 장치(100)는 Auto hyper-parameter tuning을 위하여 여러 실험을 통하여 자동으로 가장 알맞은 hyper parameter를 설정할 수 있다.
일 실시예에서 광고주가 다음 달에 'C' 라는 애플리케이션의 새로운 사용자를 증가시키기 위한 광고를 하고자 하는 경우, 프로세서(110)는 과거 몇 달간의 복수의 디바이스(200) 사용 이력 정보를 기초로 생성된 복수의 디바이스(200) 각각에 대한 라벨 및 현재 달(month)의 복수의 디바이스(200) 사용 이력 정보를 기초로 생성된 특징 벡터를 기 학습된 심층 신경망 모델(1010)의 입력 값으로 하여, 출력 값으로 복수의 디바이스(200)에 포함된 각 디바이스가 다음 달에 'C' 라는 애플리케이션의 새로운 사용자가 될 가능성을 추론하는 광고 대상 추론 모델을 획득할 수 있다.
심층 신경망 모델은 예를 들어, 컨볼루션 신경망 모델(Convolutional Neural Network; CNN)일 수 있다. 그러나 이에 한정되는 것은 아니고, 심층 신경망 모델은 순환 신경망 모델(Recurrent Neural Network; RNN), 제한 볼츠만 머신(Restricted Boltzmann Machine; RBM), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks) 중 적어도 하나를 포함하는 공지의 인공지능 모델일 수 있다.
일 실시예에서 광고 대상 결정 장치(100)는 그 밖에 Random Forest, 의사 결정 트리와 같은 다양한 머신 러닝 알고리즘을 이용하여 광고 대상 추론 모델을 생성할 수 있다.
도 11a는 종래 기술의 일 실시예에 따른 광고 대상 결정 방법의 일 예를 나타내는 도면이다.
종래의 광고 대상 결정 방법은 광고주로부터 광고 요청을 수신함에 따라(1110), 복수의 디바이스(200)로부터 사용 이력 정보를 획득하고, 획득된 사용 이력 정보를 기초로 데이터 과학자의 관여 하에 복수의 디바이스(200)에 포함된 각 디바이스의 라벨을 생성(1120)하였다. 혹은 광고주가 제공한 시드 데이터를 기초로 라벨을 생성하는 경우, 데이터 과학자에 의한 라벨 추출 과정은 생략되기도 하였다.
데이터 과학자는 획득된 사용 이력 정보를 기초로 복수의 디바이스(200)에 포함된 각 디바이스의 라벨을 추출(1120)하고, 생성된 라벨을 데이터 베이스에 저장하였다.
광고 대상 결정 장치는 저장된 라벨을 데이터베이스로부터 획득하여 광고 대상 추론 모델을 생성하고, 생성된 광고 대상 추론 모델을 이용하여 데이터를 추론함으로써 광고 대상 디바이스를 결정하였다(1130). 이 경우에도 광고 대상 디바이스를 최종적으로 결정하는 과정에 데이터 과학자의 관여가 필요했다(1140).
도 11b는 본 개시의 일 실시예에 따른 광고 대상 결정 방법의 일 예를 나타내는 도면이다.
본 개시의 일 실시예에 따른 광고 대상 결정 방법은 모든 과정에서 데이터 과학자의 관여가 필요 없도록 자동화 되었다.
광고 대상 결정 장치(100)는 광고 요청을 수신함에 따라(1150), 복수의 디바이스(200)로부터 사용 이력 정보를 획득하고, 획득된 사용 이력 정보를 기초로 복수의 디바이스(200)에 대한 특징들 및 획득된 특징에 대한 특징 벡터를 생성하고, 특징들을 이용하여 라벨을 생성할 수 있다(1160).
종래에 라벨은 데이터 과학자에 의하여 수동으로 생성될 수 밖에 없었으나, 본 개시의 광고 대상 결정 방법은 많은 실험을 통하여 복수의 특징에 대한 우선 순위를 결정하였고, 이렇게 결정된 우선 순위를 통하여 라벨을 자동으로 추출할 수 있게 되었다.
라벨은 데이터 과학자의 관여 없이, 인공지능 모델을 이용하여 생성되거나, 룰 베이스의 알고리즘을 이용하여 생성될 수 있다. 라벨은 도 4 및 도 7 내지 도 9에 설명된 내용과 동일한 방식으로 생성될 수 있다.
본 개시의 일 실시예에 따른 광고 대상 결정 방법을 이용하는 경우, 광고주로부터 타겟 디바이스에 대한 시드 데이터를 제공받지 않아도 라벨 생성이 가능할 수 있다. 광고 대상 결정 장치(100)는 라벨을 자동으로 생성하여 데이터베이스에 저장할 수 있다.
광고 대상 결정 장치(100)는 저장된 라벨을 데이터베이스로부터 획득하여 광고 대상 추론 모델을 생성하고, 복수의 디바이스(200)로부터 획득된 데이터에 생성된 광고 대상 추론 모델을 적용함으로써 광고 대상 디바이스를 자동으로 결정할 수 있다(1170).
도 12는 본 개시의 일 실시예에 따라 광고 요청 수신에 대응하여 광고 대상을 결정하고 광고를 집행하는 광고 대상 결정 장치 구성의 일 예를 나타내는 도면이다.
도 12의 실시예에 따르면, 광고 대상 결정 장치(100)는 전처리 작업부(1220), 라벨 추출부(1230), 특징 생성부(1240), 광고 대상 추론 모델 생성부(1250), 광고 대상 추론부(1260) 및 광고 대상 결정부(1270)를 포함할 수 있다.
전처리 작업부(1220)는 광고 에이전시(200)로부터 광고 요청을 수신할 수 있다.
전처리 작업부(1220)는 수신된 광고 요청에 따라 복수의 디바이스(200)로부터 사용 이력 데이터를 수신할 수 있다. 도 12의 실시예에서 복수의 디바이스(200)는 모바일 디바이스로 도시 되었으나, 이에 한정되는 것은 아니고, 도 1에서 설명한 바와 같이 다양한 디스플레이 디바이스로 구현될 수 있다.
전처리 작업부(1220)는 복수의 디바이스(200)로부터 획득된 사용 이력 데이터를 이용하기 편리하도록 정제(전처리)할 수 있다.
라벨 추출부(1230)는 전처리 작업부(1220)로부터 광고 요청을 수신하고 수신된 광고 요청을 정제할 수 있다.
또한 라벨 추출부(1230)는 전처리 작업부(1220)로부터 전처리 된 사용 이력 데이터를 수신하고, 룰 베이스 알고리즘을 이용하여 광고 객체에 대하여 광고 목적이 달성된 디바이스들의 특징점을 추출할 수 있다. 다른 실시예에서 라벨 추출부(1230)는 전처리 작업부(1220)로부터 전처리 된 사용 이력 데이터를 수신하고, 머신 러닝 알고리즘을 이용하여 광고 객체에 대하여 광고 목적이 달성된 디바이스들의 특징점을 추출할 수 있다. 라벨 추출부(1230)는 추출된 특징점을 이용하여 복수의 디바이스(200)에 포함된 각 디바이스에 대하여 라벨을 추출할 수 있다.
특징 생성부(1240)는 전처리 작업부(1220)로부터 전처리 된 사용 이력 데이터를 수신하고, 수신된 사용 이력 데이터를 이용하여 각 디바이스에 대한 특징들을 생성할 수 있다. 특징들은 TV 시청 데이터, 애플리케이션 사용 시간 데이터, 광고 시청 및 클릭 데이터, VoD 시청 데이터 등을 포함할 수 있다.
특징 생성부(1240)는 사용 이력 데이터로부터 특징들을 획득하기 위하여 정규화를 진행하거나 데이터 값들이 극단적으로 한쪽으로 치우치는 왜곡 현상을 처리함으로써, 데이터가 고르게 분포하도록 할 수 있다.
광고 대상 추론 모델 생성부(1250)는 라벨 추출부(1230)로부터 수신된 및 특징 생성부(1240)로부터 수신된 특징 벡터에 대하여, Auto hyper parameter tuning 및 불균형 데이터의 해결 등의 과정을 거쳐 광고 대상 추론 모델을 생성할 수 있다.
광고 대상 추론부(1260)는 광고 대상 추론 모델 생성부(1250)가 생성한 광고 대상 추론 모델을 이용하여 복수의 디바이스(200) 중 광고 대상 디바이스를 추론할 수 있다.
일 실시예에서 광고 대상 추론부(1260)는 복수의 디바이스(200) 각각에 광고 대상 추론 모델을 적용하여 스코어를 획득할 수 있다. 이 때 스코어는 0 에서 1 사이의 값일 수 있다. 어떤 디바이스의 스코어가 1에 가까울수록 해당 디바이스가 미래에 광고 목표를 달성할 가능성이 높을 수 있다. 반대로 어떤 디바이스의 스코어가 0에 가까울수록 해당 디바이스가 미래에 광고 목표를 달성할 가능성이 낮을 수 있다.
일 실시예에서 광고 대상 추론부(1260)는 획득된 스코어를 기초로 복수의 디바이스(200) 중 스코어가 소정 값 이상인 디바이스를 광고 대상으로 결정할 수 있다.
광고 대상 추론부(1260)는 광고 대상 디바이스로 결정된 디바이스를 데이터베이스(1265)에 저장할 수 있다. 이 때 데이터베이스(1265)는 광고 대상 결장 장치(100) 내부에 존재하거나 외부에 존재할 수 있다.
광고 대상 결정부(1270)는 광고 에이전시(1210)의 요구 사항 즉, 광고 조건에 따라 광고 대상 디바이스를 필터링할 수 있다. 이에 대하여 자세한 내용은 도 4의 결정된 광고 대상을 광고 요청에 포함된 광고 조건을 기초로 필터링하여 최종적으로 광고 대상을 결정하는 단계에 대하여 기재된 내용과 동일할 수 있다.
광고 대상 결정부(1270)는 다양한 방식을 이용하여 불균형 데이터 문제를 해결할 수 있다.
광고 대상 결정부(1270)는 필터링 및 불균형 데이터 문제의 해결 과정을 거쳐 최종적으로 광고 대상 디바이스를 결정할 수 있다. 광고 대상 결정부(1270)는 결정된 광고 대상 디바이스에 대한 정보를 데이터베이스(1280)에 저장할 수 있다.
일 실시예에서 데이터베이스(1265)와 데이터베이스(1280)는 동일한 것일 수 있다.
광고 에이전시(1210)는 데이터베이스(1280)로부터 광고 대상 디바이스로 결정된 디바이스에 대한 정보를 획득하여 해당 디바이스들에 대하여 광고를 집행할 수 있다.
도 13은 본 개시의 일 실시예에 따라 광고 대상 결정 장치가 수신하는 광고 요청의 일 예를 나타내는 도면이다.
광고 대상 결정 장치(100)는 광고 분야가 컨텐트 애플리케이션 분야이고, 광고 객체가 X플릭스 애플리케이션이며, 광고 목적이 새로운 사용자의 증가이고, 광고 조건이 2018년 이후 제조된 100만 대의 디바이스에 광고를 하는 것인 광고 요청을 수신할 수 있다.
광고 대상 결정 장치(100)는 위와 같은 광고 요청을 수신함에 따라, 복수의 디바이스(200)로부터 최근 1년 동안의 사용 이력 데이터를 획득하여, 획득된 데이터를 정제할 수 있다. 광고 대상 결정 장치(100)는 정제된 사용 이력 데이터로부터 복수의 디바이스(200)의 특징들 및 각 특징에 대한 특징 벡터를 생성할 수 있다. 광고 대상 결정 장치(100)는 광고 요청에 포함된 광고 분야, 광고 객체, 광고 목적을 이용하여, 특징들에 대한 우선 순위 혹은 가중치를 결정하고, 결정된 우선 순위 또는 가중치를 이용하여 복수의 디바이스(200)에 포함된 각 디바이스에 대한 라벨을 생성할 수 있다.
광고 대상 결정 장치(100)는 생성된 라벨 및 특징 벡터를 이용하여 광고 대상 디바이스 추론 모델을 생성할 수 있다.
광고 대상 결정 장치(100)는 복수의 디바이스(200)에 포함된 각 디바이스를 생성된 광고 대상 디바이스 추론 모델에 적용함으로써 각 디바이스의 스코어를 획득할 수 있다.
광고 대상 결정 장치(100)는 스코어가 높은 순으로 순위가 매겨진 복수의 디바이스(200)를, 광고 조건으로 필터링 하여 2018년 이전에 제조된 디바이스들을 광고 대상에서 제외할 수 있다. 광고 대상 결정 장치(100)는 2018년 이전에 제조된 디바이스들이 광고 대상에서 제외된 상태에서, 스코어를 기초로 스코어가 높은 100만 대의 디바이스를 광고 대상으로 결정할 수 있다.
일 실시예에 따른 광고 대상 결정 장치 동작 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 판독 가능 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함될 수 있다.
전술한 설명은 예시를 위한 것이며, 발명이 속하는 기술분야의 통상의 지식을 가진 자는 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
광고 요청에 따라 광고 대상을 결정하는 방법은 복수의 디바이스로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스의 특징들을 획득하고, 상기 획득된 특징들에 대한 특징 벡터를 생성하는 단계, 상기 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스 각각에 대하여 자동으로 라벨(label)을 결정하는 단계, 상기 결정된 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하는 단계 및 상기 복수의 디바이스에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스 중 광고 대상 디바이스를 결정하는 단계를 포함할 수 있다.
일 실시예에 따라 상기 라벨을 결정하는 단계는, 상기 사용 이력 정보를 기초로, 상기 복수의 디바이스 중 상기 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스를 추출하여 라벨을 제1 값으로 결정하는 단계, 상기 추출된 디바이스로부터 획득된 특징들 및 소정의 알고리즘을 이용하여 라벨이 결정되지 않은 디바이스 중 상기 광고 객체에 대한 상기 광고 목적이 달성된 디바이스와 유사한 특징들을 가지는 디바이스를 추출하여 라벨을 상기 제1 값으로 결정하는 단계 및 라벨이 결정되지 않은 디바이스의 라벨을 제2 값으로 결정하는 단계를 포함할 수 있다.
일 실시예에 따른 상기 소정의 알고리즘은, 상기 특징들에 대한 우선 순위를 이용하는 알고리즘이고, 상기 우선 순위는 실험을 통하여 결정된 것일 수 있다.
일 실시예에 따른 상기 소정의 알고리즘은, 상기 광고 요청 및 상기 특징들로부터 상기 특징들에 대한 가중치를 획득하도록 학습된 뉴럴 네트워크를 이용하여, 획득된 상기 특징들에 대한 가중치를 이용하는 알고리즘일 수 있다.
일 실시예에 따른 상기 특징들은, 연령, 성별, 지역 및 소득 정보를 포함하는 디바이스 사용자에 대한 정보, 광고 시청 정보, 광고 클릭 정보, 애플리케이션 사용 정보, 외부 디바이스 사용 정보, TV 시청 정보, VoD 시청 정보, 애플리케이션 설치 및 제거 정보, 디바이스 사용 패턴 정보 또는 플레이한 게임 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 상기 광고 요청은, 광고 분야, 광고 객체 및 광고 목적을 포함할 수 있다.
일 실시예에 따라 상기 광고 대상 추론 모델을 자동으로 생성하는 단계는, 상기 라벨 및 상기 특징 벡터로부터 상기 광고 대상 추론 모델을 생성하도록 학습된 뉴럴 네트워크를 이용하여, 상기 광고 대상 추론 모델을 생성하는 단계를 포함할 수 있다.
일 실시예에 따라 상기 광고 대상을 결정하는 단계는, 상기 복수의 디바이스에 상기 광고 대상 추론 모델을 적용하여 스코어를 획득하는 단계 및 상기 획득된 스코어를 기초로 상기 복수의 디바이스 중 상기 스코어가 소정 값 이상인 디바이스를 광고 대상으로 결정하는 단계를 포함할 수 있다.
일 실시예에 따라 상기 광고 대상을 결정하는 단계는, 상기 결정된 광고 대상을 상기 광고 요청에 포함된 광고 조건을 기초로 필터링하여 최종적으로 광고 대상을 결정하는 단계를 더 포함할 수 있다.
일 실시예에 따라 상기 복수의 디바이스로부터 사용 이력 정보를 획득하는 단계는, 상기 사용 이력 정보의 왜곡을 해소하기 위하여 제곱근 또는 로그를 이용하여 상기 사용 이력 정보를 정제하는 단계를 포함하는 광고 대상 결정 방법.
일 실시예에 따른 광고 대상 결정 장치는 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써, 복수의 디바이스로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스의 특징들을 획득하고, 상기 획득된 특징들에 대한 특징 벡터를 생성하고, 상기 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스 각각에 대하여 자동으로 라벨(label)을 결정하고, 상기 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하고, 상기 복수의 디바이스에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스 중 광고 대상 디바이스를 결정할 수 있다.
일 실시예에 따른 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 사용 이력 정보를 기초로, 상기 복수의 디바이스 중 상기 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 디바이스를 추출하여 라벨을 제1 값으로 결정하고, 상기 추출된 디바이스로부터 획득된 특징들 및 소정의 알고리즘을 이용하여 라벨이 결정되지 않은 디바이스 중 상기 광고 객체에 대한 상기 광고 목적이 달성된 디바이스와 유사한 특징들을 가지는 디바이스를 추출하여 라벨을 상기 제1 값으로 결정하고, 라벨이 결정되지 않은 디바이스의 라벨을 제2 값으로 결정할 수 있다.
일 실시예에 따른 상기 소정의 알고리즘은, 상기 특징들에 대한 우선 순위를 이용하는 알고리즘이고, 상기 우선 순위는 실험을 통하여 결정된 것일 수 있다.
일 실시예에 따른 상기 소정의 알고리즘은, 상기 광고 요청 및 상기 특징들로부터 상기 특징들에 대한 가중치를 획득하도록 학습된 뉴럴 네트워크를 이용하여, 획득된 상기 특징들에 대한 가중치를 이용하는 알고리즘일 수 있다.
일 실시예에 따른 상기 특징들은, 연령, 성별, 지역 및 소득 정보를 포함하는 디바이스 사용자에 대한 정보, 광고 시청 정보, 광고 클릭 정보, 애플리케이션 사용 정보, 외부 디바이스 사용 정보, TV 시청 정보, VoD 시청 정보, 애플리케이션 설치 및 제거 정보, 디바이스 사용 패턴 정보 또는 플레이한 게임 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 상기 광고 요청은, 광고 분야, 광고 객체 및 광고 목적을 포함 수 있다.
일 실시예에 따른 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 라벨 및 상기 특징 벡터로부터 상기 광고 대상 추론 모델을 생성하도록 학습된 뉴럴 네트워크를 이용하여, 상기 광고 대상 추론 모델을 생성할 수 있다.
일 실시예에 따른, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 복수의 디바이스에 상기 광고 대상 추론 모델을 적용하여 스코어를 획득하고, 상기 획득된 스코어를 기초로 상기 복수의 디바이스 중 상기 스코어가 소정값 이상인 디바이스를 광고 대상으로 결정할 수 있다.
일 실시예에 따른 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 결정된 광고 대상을 상기 광고 요청에 포함된 광고 조건을 기초로 필터링하여 최종적으로 광고 대상을 결정할 수 있다.
일 실시 예에 따른 컴퓨터로 판독 가능한 기록 매체는 복수의 디바이스로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스의 특징들을 획득하고, 상기 특징들에 대한 특징 벡터를 생성하는 단계, 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스 각각에 대하여 자동으로 라벨(label)을 결정하는 단계, 상기 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 자동으로 생성하는 단계 및 상기 복수의 디바이스에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스 중 광고 대상 디바이스를 결정하는 단계를 포함하는 광고 대상 결정 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체일 수 있다.

Claims (15)

  1. 광고 요청에 따라 광고 대상을 결정하는 방법에 있어서,
    복수의 디바이스(200)로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스(200)의 특징들을 획득하고, 상기 획득된 특징들에 대한 특징 벡터를 생성하는 단계;
    상기 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스(200) 각각에 대하여 라벨(label)을 결정하는 단계;
    상기 결정된 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 생성하는 단계; 및
    상기 복수의 디바이스(200)에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스(200) 중 적어도 하나의 광고 대상 디바이스를 결정하는 단계를 포함하는 광고 대상 결정 방법.
  2. 제 1항에 있어서, 상기 라벨을 결정하는 단계는,
    상기 사용 이력 정보를 기초로, 상기 복수의 디바이스(200) 중 상기 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 제1 디바이스를 추출하여 라벨을 제1 값으로 결정하는 단계;
    상기 추출된 디바이스로부터 획득된 특징들 및 소정의 알고리즘을 이용하여 라벨이 결정되지 않은 디바이스 중 상기 광고 객체에 대한 상기 광고 목적이 달성된 디바이스와 유사한 특징들을 가지는 제2 디바이스를 추출하여 라벨을 상기 제1 값으로 결정하는 단계; 및
    라벨이 결정되지 않은 상기 복수의 디바이스(200)의 라벨을 제2 값으로 결정하는 단계를 포함하는 광고 대상 결정 방법.
  3. 제 2항에 있어서, 상기 소정의 알고리즘은,
    상기 특징들에 대한 우선 순위를 이용하는 알고리즘이고, 상기 우선 순위는 실험을 통하여 결정된 것인 광고 대상 결정 방법.
  4. 제 2항에 있어서, 상기 소정의 알고리즘은,
    상기 광고 요청 및 상기 특징들로부터 상기 특징들에 대한 가중치를 획득하도록 학습된 뉴럴 네트워크를 이용하여, 획득된 상기 특징들에 대한 가중치를 이용하는 알고리즘인 광고 대상 결정 방법.
  5. 제 1항 내지 제 4항 중 어느 한 항에 있어서, 상기 특징들은,
    연령, 성별, 지역 및 소득 정보를 포함하는 디바이스 사용자에 대한 정보, 광고 시청 정보, 광고 클릭 정보, 애플리케이션 사용 정보, 외부 디바이스 사용 정보, TV 시청 정보, VoD 시청 정보, 애플리케이션 설치 및 제거 정보, 디바이스 사용 패턴 정보 또는 플레이한 게임 정보 중 적어도 하나를 포함하는 광고 대상 결정 방법.
  6. 제 1항 내지 제 5항 중 어느 한 항에 있어서, 상기 광고 요청은,
    광고 분야, 광고 객체 및 광고 목적을 포함하는 광고 대상 결정 방법.
  7. 제 1항 내지 제 6항 중 어느 한 항에 있어서, 상기 광고 대상 추론 모델을 생성하는 단계는,
    상기 라벨 및 상기 특징 벡터로부터 상기 광고 대상 추론 모델을 생성하도록 학습된 뉴럴 네트워크를 이용하여, 상기 광고 대상 추론 모델을 생성하는 단계를 포함하는 광고 대상 결정 방법.
  8. 제 1항 내지 제 7항 중 어느 한 항에 있어서, 상기 광고 대상을 결정하는 단계는,
    상기 복수의 디바이스(200)에 상기 광고 대상 추론 모델을 적용하여 스코어를 획득하는 단계; 및
    상기 획득된 스코어를 기초로 상기 복수의 디바이스(200) 중 상기 스코어가 소정 값 이상인 적어도 하나의 디바이스를 광고 대상으로 결정하는 단계를 포함하는, 광고 대상 결정 방법.
  9. 제 8항에 있어서,
    상기 결정된 광고 대상을 상기 광고 요청에 포함된 광고 조건을 기초로 필터링하여 최종적으로 적어도 하나의 광고 대상을 결정하는 단계를 더 포함하는 광고 대상 결정 방법.
  10. 제 1항 내지 제 9항 중 어느 한 항에 있어서, 상기 복수의 디바이스(200)로부터 사용 이력 정보를 획득하는 단계는,
    제곱근 또는 로그를 이용하여 상기 사용 이력 정보를 정제하는 단계를 포함하는 광고 대상 결정 방법.
  11. 광고 요청에 따라 광고 대상을 결정하는 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리(120); 및
    상기 메모리(120)에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서(110)를 포함하고, 상기 프로세서(110)는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    복수의 디바이스(200)로부터 사용 이력 정보를 획득하고, 상기 사용 이력 정보를 기초로 상기 복수의 디바이스(200)의 특징들을 획득하고, 상기 획득된 특징들에 대한 특징 벡터를 생성하고,
    상기 광고 요청 및 상기 특징들을 기초로 상기 복수의 디바이스(200) 각각에 대하여 라벨(label)을 결정하고,
    상기 라벨 및 상기 특징 벡터를 기초로, 광고 대상 추론 모델을 생성하고,
    상기 복수의 디바이스(200)에 상기 생성된 광고 대상 추론 모델을 적용하여 상기 복수의 디바이스(200) 중 적어도 하나의 광고 대상 디바이스를 결정하는, 광고 대상 결정 장치.
  12. 제 11항에 있어서, 상기 프로세서(110)는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 사용 이력 정보를 기초로, 상기 복수의 디바이스(200) 중 상기 광고 요청에 포함된 광고 객체에 대한 광고 목적이 달성된 제1 디바이스를 추출하여 라벨을 제1 값으로 결정하고,
    상기 추출된 디바이스로부터 획득된 특징들 및 소정의 알고리즘을 이용하여 라벨이 결정되지 않은 디바이스 중 상기 광고 객체에 대한 상기 광고 목적이 달성된 디바이스와 유사한 특징들을 가지는 제2 디바이스를 추출하여 라벨을 상기 제1 값으로 결정하고,
    라벨이 결정되지 않은 상기 복수의 디바이스(200)의 라벨을 제2 값으로 결정하는 광고 대상 결정 장치.
  13. 제 12항에 있어서, 상기 소정의 알고리즘은,
    상기 특징들에 대한 우선 순위를 이용하는 알고리즘이고, 상기 우선 순위는 실험을 통하여 결정된 것인 광고 대상 결정 장치.
  14. 제 12항에 있어서, 상기 소정의 알고리즘은,
    상기 광고 요청 및 상기 특징들로부터 상기 특징들에 대한 가중치를 획득하도록 학습된 뉴럴 네트워크를 이용하여, 획득된 상기 특징들에 대한 가중치를 이용하는 알고리즘인 광고 대상 결정 장치.
  15. 제 1항 내지 제 10항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
PCT/KR2023/003164 2022-03-17 2023-03-08 광고 대상 결정 장치 및 방법 WO2023177144A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/123,105 US20230325876A1 (en) 2022-03-17 2023-03-17 Advertisement target determining device and advertisement target determining method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220033585A KR20230135964A (ko) 2022-03-17 2022-03-17 광고 대상 결정 장치 및 방법
KR10-2022-0033585 2022-03-17

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/123,105 Continuation US20230325876A1 (en) 2022-03-17 2023-03-17 Advertisement target determining device and advertisement target determining method

Publications (1)

Publication Number Publication Date
WO2023177144A1 true WO2023177144A1 (ko) 2023-09-21

Family

ID=88023977

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/003164 WO2023177144A1 (ko) 2022-03-17 2023-03-08 광고 대상 결정 장치 및 방법

Country Status (3)

Country Link
US (1) US20230325876A1 (ko)
KR (1) KR20230135964A (ko)
WO (1) WO2023177144A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314530A (zh) * 2023-11-15 2023-12-29 北京京拍档科技股份有限公司 一种基于用户特征分析广告的投放广告方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004126975A (ja) * 2002-10-03 2004-04-22 Nippon Telegr & Teleph Corp <Ntt> 選好傾向類似ユーザ抽出方法及び装置、並びに選好傾向類似ユーザ抽出プログラム及びそれを記録した記録媒体
KR20060130156A (ko) * 2003-12-31 2006-12-18 구글 잉크. 타겟화된 광고에 사용하기 위한 사용자 정보 생성
KR101171405B1 (ko) * 2004-07-13 2012-08-08 구글 인코포레이티드 검색 결과에서 배치 내용 정렬의 맞춤화
KR20150046151A (ko) * 2012-08-20 2015-04-29 페이스북, 인크. 소셜 네트워킹 시스템에서 통신으로부터 추출되는 추론된 토픽을 사용한 컨텐츠의 제공
JP2021089742A (ja) * 2017-09-05 2021-06-10 サウンドハウンド，インコーポレイテッド 広告を選択する方法、ユーザを分類する方法、およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004126975A (ja) * 2002-10-03 2004-04-22 Nippon Telegr & Teleph Corp <Ntt> 選好傾向類似ユーザ抽出方法及び装置、並びに選好傾向類似ユーザ抽出プログラム及びそれを記録した記録媒体
KR20060130156A (ko) * 2003-12-31 2006-12-18 구글 잉크. 타겟화된 광고에 사용하기 위한 사용자 정보 생성
KR101171405B1 (ko) * 2004-07-13 2012-08-08 구글 인코포레이티드 검색 결과에서 배치 내용 정렬의 맞춤화
KR20150046151A (ko) * 2012-08-20 2015-04-29 페이스북, 인크. 소셜 네트워킹 시스템에서 통신으로부터 추출되는 추론된 토픽을 사용한 컨텐츠의 제공
JP2021089742A (ja) * 2017-09-05 2021-06-10 サウンドハウンド，インコーポレイテッド 広告を選択する方法、ユーザを分類する方法、およびプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314530A (zh) * 2023-11-15 2023-12-29 北京京拍档科技股份有限公司 一种基于用户特征分析广告的投放广告方法及装置
CN117314530B (zh) * 2023-11-15 2024-03-19 北京京拍档科技股份有限公司 一种基于用户特征分析广告的投放广告方法及装置

Also Published As

Publication number Publication date
KR20230135964A (ko) 2023-09-26
US20230325876A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
WO2018128362A1 (en) Electronic apparatus and method of operating the same
WO2020101143A1 (en) Image processing apparatus and method of operating the same
EP3545436A1 (en) Electronic apparatus and method of operating the same
WO2012133980A1 (ko) 영상처리장치 및 영상처리방법
WO2021261836A1 (en) Image detection apparatus and operation method thereof
WO2019093819A1 (ko) 전자 장치 및 그 동작 방법
WO2021006404A1 (ko) 인공지능 서버
WO2020036297A1 (en) Electronic apparatus and controlling method thereof
WO2023177144A1 (ko) 광고 대상 결정 장치 및 방법
WO2023136409A1 (en) Technique for identifying dementia based on mixed tests
WO2020130262A1 (ko) 컴퓨팅 장치 및 그 동작 방법
WO2019088692A1 (ko) 영상 표시 장치 및 그 동작 방법
WO2020167006A1 (en) Method of providing speech recognition service and electronic device for same
WO2020180034A1 (ko) 사용자 선택 기반의 정보를 제공하는 방법 및 장치
WO2020091519A1 (en) Electronic apparatus and controlling method thereof
WO2015178716A1 (en) Search method and device
WO2020050508A1 (en) Image display apparatus and operation method of the same
WO2019231068A1 (en) Electronic device and control method thereof
WO2020101189A1 (en) Image and audio processing apparatus and operating method of the same
WO2020218686A1 (en) Display device and controlling method of display device
WO2021132922A1 (en) Computing device and operation method thereof
WO2021167210A1 (ko) 서버, 전자 장치 및 그들의 제어 방법
EP3738305A1 (en) Electronic device and control method thereof
WO2018124464A1 (ko) 전자 장치 및 전자 장치의 검색 서비스 제공 방법
WO2019059579A1 (en) DEVICE AND METHOD FOR PROVIDING AN ANSWER TO A DEVICE USE INTERROGATION

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: 23771023

Country of ref document: EP

Kind code of ref document: A1