KR101652433B1

KR101652433B1 - Sns 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법

Info

Publication number: KR101652433B1
Application number: KR1020160015446A
Authority: KR
Inventors: 임현수
Original assignee: 주식회사 위즈벤처스
Priority date: 2016-02-11
Filing date: 2016-02-11
Publication date: 2016-08-30

Abstract

자의적인 오류를 포함하고 있는 온라인 상의 데이터에 대해서 사용자의 감정을 정확하게 분석할 수 있으며, 감정 분석 결과에 기초한 개인화 광고를 SNS 내에서 뿐만 아니라 웹사이트, 모바일 웹사이트 및 모바일 앱 등을 통해 사용자에게 제공할 수 있는 개인화 광고 제공 방법 및 시스템이 개시된다.
일 실시예에 따른 개인화 광고 제공 방법은 사용자가 작성한 온라인 상의 문서들을 수집하는 단계; 토픽 모델링 기법을 이용하여 상기 문서들로부터 상기 사용자의 토픽들을 추출하는 단계; 상기 추출된 토픽들을 대상으로 상기 사용자의 토픽 동향을 분석하는 단계; 상기 토픽 동향 분석 결과에 기초하여 상기 사용자의 토픽 별 감정 동향을 분석하는 단계; 상기 토픽 별 감정 동향 분석 결과에 기초하여 상기 사용자에게 제1 개인화 광고를 매칭시키는 단계; 사용자 단말기로부터 상기 사용자의 식별 정보가 수신되면, 상기 식별 정보를 이용하여 검색된 상기 제1 개인화 광고를 상기 사용자 단말기로 제공하는 단계; 상기 제1 개인화 광고에 대한 광고 반응 데이터와 상기 토픽 별 감정 동향 분석 결과에 기초하여 상기 사용자를 다른 사용자와 그룹화하는 단계; 상기 사용자가 속한 그룹의 광고 별 선호도에 기초하여 상기 사용자에게 제2 개인화 광고를 매칭시키는 단계; 및 상기 사용자 단말기로부터 상기 사용자의 식별 정보가 수신되면, 상기 식별 정보를 이용하여 검색된 상기 제2 개인화 광고를 상기 사용자 단말기로 제공하는 단계를 포함한다.

Description

SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법{Behavioral advertising method according to the emotion that are acquired based on the extracted topics from SNS document}

개인화 광고 제공 방법 및 시스템이 개시된다. 더욱 상세하게는 SNS(Social Network Service)에서 뿐만 아니라 웹사이트, 모바일 웹사이트 및 모바일 앱에서도 개인화 광고를 제공할 수 있는 SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법 및 시스템이 개시된다.

온라인 광고란 광고주가 자신 또는 재화 등에 관한 사항을 정보통신망을 통하여 이용자, 그 밖의 다른 사람에게 널리 알리거나 제시하는 행위 또는 그 정보를 말한다. 온라인 광고는 다이렉트 메일(Direct Mail, DM), 키워드 광고(Keyword AD), 디스플레이 광고(Display AD)로 나눌 수 있다.

다이렉트 메일 광고는 관심 타깃에게 메일을 발송하는 광고 형태를 말한다. 메일 수신을 허용한 소비자에게 메일이 발송되므로 소비자의 거부감을 최소화할 수 있다.

키워드 광고는 포털 사이트 검색 상단의 스폰서링크, 파워링크처럼 검색 결과에 따라 노출되는 광고 형태를 말한다.

디스플레이 광고는 PC, 이동통신 단말기 등의 다양한 화면에 나타나는 광고 형태를 말한다. 디스플레이 광고로는 배너 광고(Banner AD), 리타겟팅 광고(Retargeting AD), 동영상 광고, 바이럴 마케팅, SNS(Social Network Service) 광고, 스폰서 십 광고 등을 예로 들 수 있다.

배너 광고는 사업자가 광고주와 계약한 대로 광고를 노출하는 것이다. 이에 비하여 리타게팅 광고는 사용자의 행동을 기반으로 광고를 제공한다. 예를 들면, 사용자가 웹사이트에서 본 상품, 사용자가 포털 사이트에서 검색한 내용과 관련된 광고가 사용자에게 제공된다. 광고주 입장에서 리타겟팅 광고는 가장 많은 구매로의 전환을 일으킬 수 있기 때문에 다른 형태의 광고에 비하여 마케팅 효율이 높다.

그러나 리타겟팅 광고는 사용자가 이미 구매한 상품을 광고로 노출하거나 특정 상품을 반복적으로 노출한다는 문제가 있다. 다시 말해 종래의 리타겟팅 광고는 제한적인 맞춤형 광고만 제공할 수 있다는 한계가 있다.

이러한 한계를 극복하기 위하여 최근에는 사용자의 SNS 데이터를 기반으로 하는 개인화 광고 플랫폼이 구축되기에 이르렀다. 이러한 개인화 광고 플랫폼은 수집된 SNS 데이터로부터 사용자의 관심 주제 즉, 토픽(Topic)을 추출하고, 추출된 토픽과 관련된 광고를 사용자에게 제공한다.

그러나 종래의 개인화 광고 플랫폼은 적용 범위가 제한적이다. 구체적으로, 사용자가 SNS 아이디를 이용하여 로그인하면 사용자 단말기에는 SNS 화면이 표시되는데, 이러한 SNS 화면을 통해서만 개인화 광고가 제공된다는 한계가 있다.

또한, 수집된 SNS 데이터로부터 토픽을 추출하기 위해서는 수집된 데이터에 대한 형태소 분석이 선행되어야 한다. 그러나 인터넷 상에서 사용되는 문장은 단문이 많고, 자의적인 띄어쓰기 오류 및 자의적인 철자 오류가 많기 때문에 정확한 분석 결과를 얻는데 한계가 있다.

또한 종래의 SNS 데이터 기반의 개인화 광고 플랫폼은 사용자에게 제공할 광고를 결정할 때, 단순히 토픽의 출현 빈도만을 고려할 뿐, 토픽에 대한 사용자의 감정을 고려하지는 못하고 있다.

한국등록특허 제10-1544450 호 (발명의 명칭: 소셜 데이터의 분석을 통한 감성 영향 인덱스의 생성 방법 및 그 시스템, 등록일: 2015년 8월 7일)

자의적인 오류를 포함하고 있는 SNS 데이터에 대해서 사용자의 감정을 정확하게 분석할 수 있으며, 감정 분석 결과에 기초한 개인화 광고를 SNS 내에서 뿐만 아니라 웹사이트, 모바일 웹사이트 및 모바일 앱 등을 통해 사용자에게 제공할 수 있는 SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법 및 시스템이 개시된다.

상술한 과제를 해결하기 위하여 일 실시예에 따른 SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법은 사용자가 작성한 온라인 상의 문서들을 수집하는 단계; 토픽 모델링 기법을 이용하여 상기 문서들로부터 상기 사용자의 토픽들을 추출하는 단계; 상기 추출된 토픽들을 대상으로 상기 사용자의 토픽 동향을 분석하는 단계; 상기 토픽 동향 분석 결과에 기초하여 상기 사용자의 토픽 별 감정 동향을 분석하는 단계; 상기 토픽 별 감정 동향 분석 결과에 기초하여 상기 사용자에게 제1 개인화 광고를 매칭시키는 단계; 사용자 단말기로부터 상기 사용자의 식별 정보가 수신되면, 상기 식별 정보를 이용하여 검색된 상기 제1 개인화 광고를 상기 사용자 단말기로 제공하는 단계; 상기 제1 개인화 광고에 대한 광고 반응 데이터와 상기 토픽 별 감정 동향 분석 결과에 기초하여 상기 사용자를 다른 사용자와 그룹화하는 단계; 상기 사용자가 속한 그룹의 광고 별 선호도에 기초하여 상기 사용자에게 제2 개인화 광고를 매칭시키는 단계; 및 상기 사용자 단말기로부터 상기 사용자의 식별 정보가 수신되면, 상기 식별 정보를 이용하여 검색된 상기 제2 개인화 광고를 상기 사용자 단말기로 제공하는 단계를 포함한다.

상기 사용자의 식별 정보는 상기 사용자 단말기가 접속한 웹사이트의 쿠키 정보로부터 획득되거나 상기 사용자 단말기에서 실행된 모바일 앱 중 SNS 오픈 아이디를 사용하는 모바일 앱으로부터 획득된다.

상기 제1 개인화 광고 및 상기 제2 개인화 광고 중 적어도 하나는 상기 사용자의 선호도가 높은 광고 및 상기 사용자의 선호도가 낮은 광고의 경쟁사 광고 중 적어도 하나를 포함하며, 상기 제1 개인화 광고 및 상기 제2 개인화 광고 중 적어도 하나는 상기 제1 개인화 광고 및 상기 제2 개인화 광고는 웹사이트 화면, 모바일 웹사이트 화면 또는 모바일 앱 화면을 통해 표시된다.

상기 토픽 동향을 분석하는 단계는 각 토픽에 포함된 단어들을 비중이 높은 순서로 정렬하는 단계; 상기 정렬된 단어를 기초로 상기 각 토픽을 레이블링하는 단계; 문서 별 상기 각 토픽의 비중을 작성자와 작성기간을 기준으로 정렬하는 단계; 및 상기 각 작성자에 대해서 상기 작성시기 별로 상기 각 토픽의 평균 비중을 계산하는 단계를 포함한다.

상기 토픽 별 감정 동향을 분석하는 단계는 상기 각 토픽이 긍정으로 분류된 문서의 비중을 전체 문서의 비중으로 나누어, 상기 각 토픽의 감정 점수를 작성시기 별로 계산하는 단계; 상기 각 토픽의 감정 점수를 VAR(Vector Autoregressive) 모형에 대입하여 상기 사용자의 상기 각 토픽에 대한 미래의 감정 점수를 예측하는 단계; 및 상기 계산된 감정 점수와 상기 예측된 감정 점수에 기초하여 상기 각 토픽의 평균 감정 점수를 산출하는 단계를 포함한다.

상기 제1 개인화 광고를 매칭시키는 단계는 상기 토픽들 중에서 상기 평균 감정 점수가 높은 토픽과 관련된 광고를 상기 제1 개인화 광고로 매칭시키는 단계를 포함한다.

상기 그룹화하는 단계는 상기 각 토픽의 평균 감정 점수에 기초하여 상기 사용자와 상기 다른 사용자 간의 유사도를 산출하는 단계; 상기 유사도와 상기 광고 반응 데이터를 협력적 필터링 수식에 대입하여 상기 사용자의 광고 별 선호도를 산출하는 단계; 및 상기 사용자의 광고 별 선호도와 유사한 광고 별 선호도를 가지는 사용자들을 그룹화하는 단계를 포함한다.

상기 유사도를 산출하는 단계는 코사인 유사도(Cosine Similarity)를 이용하여, 두 사용자 간의 유사도를 산출하는 단계를 포함한다.

상기 광고 반응 데이터는 각 광고의 노출 건수에 대한 클릭 건수, 각 광고의 클릭 비율 및 상기 사용자의 총 클릭 비율 중 적어도 하나를 포함한다.

자의적인 띄어쓰기 오류나 자의적인 철자 오류를 포함하고 있는 SNS 데이터에 대해서도 정확한 감정 분석을 수행할 수 있다.

감정 분석 결과에 기초한 개인화 광고를 사용자에게 제공함으로써, 개인화 광고에 대한 사용자의 신뢰도를 향상시킬 수 있다.

개인화 광고에 대한 사용자의 신뢰도 향상은 사용자의 광고 클릭률 향상으로 이어질 수 있으며, 광고주 입장에서 볼 때 효율적인 마케팅이 가능하다.

웹사이트, 모바일 웹사이트 및 모바일 앱 등을 통해 개인화 광고를 제공할 수 있으므로, 광고주 입장에서 볼 때 효율적인 마케팅이 가능하다.

도 1은 본 발명의 일 실시예에 따른, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 광고 서버의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 어절 패턴 사전의 일부를 예시한 도면이다.
도 4는 철자 오류를 포함하는 용언의 일부와 초성/중성 패턴 사전의 일부를 예시한 도면이다.
도 5는 각 문서에 포함된 각 토픽의 비중을 작성자 별로, 작성시기 별로 저장한 것을 예시한 도면이다.
도 6은 각 토픽의 평균 비중을 작성시기 별로 저장한 것을 예시한 도면이다.
도 7은 도 6에 도시되어 있는 데이터에 기초하여 생성된 토픽 동향 그래프를 예시한 도면이다.
도 8은 각 토픽의 감정 점수를 작성자 별로, 작성시기 별로 저장한 것을 예시한 도면이다.
도 9는 도 8에 도시되어 있는 토픽 별 감정 점수에 기초하여, 각 토픽에 대한 미래의 감정 점수를 예측한 후, 각 토픽의 감정 점수를 작성자 별로, 작성시기 별로 저장한 것을 예시한 도면이다.
도 10은 도 9에 도시되어 있는 토픽 별 감정 점수에 기초하여 생성된 토픽 별 감정 동향 그래프를 예시한 도면이다.
도 11은 각 토픽의 평균 감정 점수를 작성자 별로 저장한 것을 예시한 도면이다.
도 12는 도 11에 도시된 평균 감정 점수를 이용하여 두 사용자 간의 유사도를 산출한 결과를 예시한 도면이다.
도 13은 제1 개인화 광고에 대한 광고 반응 데이터를 사용자 별로 저장한 것을 예시한 도면이다.
도 14는 제1 개인화 광고에 대한 선호도를 사용자 별로 나타낸 것을 예시한 도면이다.
도 15는 사용자가 속한 그룹 정보에 기초하여 제2 개인화 광고를 결정하는 과정을 설명하기 위한 도면이다.
도 16은 사용자가 속한 그룹 정보에 기초하여 결정된 제2 개인화 광고가 웹페이지 및 모바일 앱을 통해 표시된 경우를 예시한 도면이다.
도 17은 본 발명의 일 실시예에 따른, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법을 도시한 순서도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 출입문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 설명한다. 도면에서 동일한 도면 부호는 동일한 구성 요소를 나타낸다.

도 1은 본 발명의 일 실시예에 따른, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 시스템(이하, '개인화 광고 시스템'이라 한다)(1)의 구성을 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 개인화 광고 제공 시스템은 사용자 단말기(100), SNS 서버(200), 개인화 광고 제공 서버(300) 및 광고주 단말기(400)를 포함한다.

사용자 단말기(100)는 사용자가 사용하는 스마트 장치이다. 광고주 단말기(400)는 광고주가 사용하는 스마트 장치이다. 스마트 장치는 디지털 장치 및 유무선 통신 장치를 포함한다. 디지털 장치로는 개인용 컴퓨터(Personal Computer, PC) 및 전자책(e-book) 리더기를 예로 들 수 있다. 유무선 통신 장치로는 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant), 스마트폰(Smart phone), 태블릿(tablet)을 예로 들 수 있다. 그러나 스마트 장치가 예시된 것들로 반드시 한정되는 것은 아니다.

일 실시예에 따르면, 사용자 단말기(100)는 사용자가 방문한 웹사이트의 쿠키 정보로부터 사용자의 SNS 아이디를 획득한다. 예를 들어, 사용자가 개인용 컴퓨터나 모바일 장치 등의 사용자 단말기(100)를 이용하여 SNS에 로그인한 경우, 쿠키 정보로부터 사용자의 SNS 아이디가 획득된다.

다른 실시예에 따르면, 사용자 단말기(100)는 SNS 오픈아이디(OpenID)를 사용하는 모바일 앱으로부터 사용자의 SNS 아이디를 획득한다. 오픈아이디는 사용자들이 여러 업체의 서비스들에 매번 가입하지 않고도 모든 서비스를 사용할 수 있는 아이디이다.

이후, 사용자 단말기(100)에서 웹사이트로 접속이 시도되거나, 소정 모바일 앱이 실행되는 경우, 사용자 단말기(100)는 사용자의 SNS 아이디를 광고 서버(300)로 전송한다. 그 결과, 사용자 단말기(100)는 사용자와 관련된 제1 개인화 광고 또는 제2 개인화 광고를 광고 서버(300)로부터 제공받을 수 있다.

SNS 서버(200)는 사용자에게 SNS 서비스를 제공한다. SNS 서비스란 특정한 관심이나 활동을 공유하는 사람들 사이의 관계망을 구축해 주는 온라인 서비스를 말한다. SNS 서비스는 단문형 SNS 및 장문형 SNS를 포함한다. 단문형 SNS로는 페이스북(Facebook), 트위터(Twitter) 및 인스타그램(Instagram)을 예로 들 수 있다. 장문형 SNS로는 텀블러(Tumblr), 브런치 및 블로그를 예로 들 수 있다.

개인화 광고 제공 서버(이하, '광고 서버(300)'라 한다)는 사용자 단말기로 개인화 광고를 제공한다. 구체적으로, 광고 서버(300)는 온라인 상의 빅 데이터(Big data)를 실시간으로 수집하고, 수집된 빅 데이터로부터 사용자의 토픽을 추출한다.

이후, 광고 서버(300)는 추출된 토픽들을 대상으로 토픽 동향을 분석하고, 토픽 동향 분석 결과에 기초하여 결정된 제1 개인화 광고를 사용자에게 제공한 후, 제1 개인화 광고에 대한 광고 반응 데이터를 수집한다.

그 다음, 광고 서버(300)는 토픽 별 감정 동향을 분석한다. 이후, 광고 서버(300)는 토픽 별 감정 동향 분석 결과에 기초하여 사용자와 다른 사용자들 간의 유사도를 산출한다.

이후, 광고 서버(300)는 산출된 유사도 및 앞서 수집된 광고 반응 데이터에 기초하여 사용자의 광고 별 선호도를 산출한다. 그리고 산출된 선호도에 기초하여 결정된 제2 개인화 광고를 사용자에게 제공한다. 이 때, 제2 개인화 광고는 웹사이트, 모바일 웹사이트, 또는 모바일 앱을 통해 제공될 수 있다.

도 2는 본 발명의 일 실시예에 따른 광고 서버(300)의 구성을 도시한 도면이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 광고 서버(300)는 수집부(305), 분석부(310), 자질 추출부(315), 자질 선택부(320), 감정 분류부(325), 토픽 추출부(330), 토픽 동향 분석부(335), 제1 광고 매칭부(340), 감정 동향 분석부(345), 협력적 필터링부(350), 제2 광고 매칭부(355), 어절 패턴 사전(370A), 초성/중성 패턴 사전(370B), 자질 데이터베이스(370C), 가중치 데이터베이스(370D), SVM 모델 데이터베이스(370E), 감정 분류 결과 데이터베이스(370F), 평균 비중 데이터베이스(370G), 평균 감정 점수 데이터베이스(370H), 광고 반응 데이터 저장부(370I) 및 선호도 데이터베이스(370J)를 포함한다.

수집부(305)는 온라인 상의 빅 데이터를 실시간으로 수집한다. 빅 데이터는 정형화 정도에 따라 정형 데이터(structured data), 반정형 데이터(semi-structured data) 및 비정형 데이터(unstructured data)로 분류될 수 있다. 고정된 필드에 저장되는 데이터를 말한다. 즉, 일정한 형식을 갖추고 저장되는 데이터를 말한다. 반정형 데이터는 고정된 필드에 저장되어 있지는 않지만, 메타데이터나 스키마를 포함하는 데이터를 말한다. 반정형 데이터로는 XML(Extensible Mark-up Language) 및 HTML(Hypertext Mark-up Language)을 예로 들 수 있다. 비정형 데이터는 고정된 필드에 저장되어 있지 않은 데이터를 말한다. 비정형 데이터로는 텍스트 문서, 이미지 데이터, 동영상 데이터 및 음성 데이터를 예로 들 수 있다.

분석부(310)는 수집부(305)에 의해 수집된 빅 데이터를 대상으로 형태소 분석을 수행한다. 구체적으로, 분석부(310)는 입력 문장을 형태소로 분리하고, 각 형태소의 품사를 결정한 다음, 각 형태소의 원형을 복원한다.

자질 추출부(315)는 입력 문장에서 감성과 관련된 어휘인 자질(qualification)을 추출한다. 이를 위하여 자질 추출부(315)는 어절 패턴 사전(330)과 초성/중성 패턴 사전(335)을 참조할 수 있다.

어절 패턴 사전(370A)은 형태소 말뭉치(morpheme corpus)로부터 용언이 포함된 어절 또는 체언이 포함된 어절을 추출하여 만들 수 있다. 여기서, 형태소(morpheme)란 뜻을 가진 가장 작은 말의 단위를 뜻한다. 그리고 말뭉치(corpus)란 텍스트를 컴퓨터가 읽을 수 있는 자료로 만들어 데이터베이스화한 것이다.

예를 들어, "어머님이 많이 울었어"라는 형태소 말뭉치에서 "어머님이"와 "울었어"가 어절 패턴 사전의 후보가 된다. 이러한 후보들 중에서 빈도수가 기준치 이상인 어절만이 어절 패턴 사전(370A)에 포함된다. 어절 패턴 사전(370A)의 일부를 예시하면 도 3과 같다. 도 3을 참조하면, 어절 패턴 사전(370A)은 형태소 말뭉치에서 추출된 어절을 키(key)로 하고, 어절의 형태소 분석 결과 중 체언의 원형과 용언의 원형을 데이터(data)로 하는 것을 알 수 있다.

초성/중성 패턴 사전(370B)은 용언이 포함된 어절에서 초성과 중성을 추출하여 만들 수 있다. 초성/중성 패턴 사전(370B)을 구축하는 이유는 자의적인 철자 오류를 포함하는 용언에 대해서도 정확한 분석 결과를 얻을 수 있기 때문이다. 예를 들어, "좋아요"는 '조아요', '조아용', '좋아여' 등으로 변형되어 표현될 수 있다. 이처럼 철자 오류를 포함하는 용언의 경우, 초성과 중성이 대부분 일치하는 것을 알 수 있다. 따라서, 용언이 포함된 어절에서 초성과 중성을 추출하여 초성/중성 패턴 사전(370B)을 만들고, 이러한 초성/중성 패턴 사전(370B)을 이용하면 철자 오류를 포함하는 용언에 대해서도 정확한 분석 결과를 얻을 수 있다. 도 4의 (a)는 철자 오류를 포함하는 용언을 예시한 것이다. 그리고 도 4의 (b)는 초성/중성 패턴 사전(370B)의 일부를 예시한 것이다. 도 4의 (b)를 참조하면, 초성/중성 패턴 사전(370B)은 원본 용언에서 추출된 초성과 중성을 키로 하고, 용언의 원형을 데이터로 하는 것을 알 수 있다.

다시 도 2를 참조하면, 자질 추출부(315)는 입력 문장의 어절 단위로 어절 패턴 사전(370A)과 초성/중성 패턴 사전(370B)을 차례로 검색하여 최장일치법에 따른 키(key)의 데이터(data)를 자질로서 추출한다. 즉, 입력 문장 내에서 띄어쓰기가 있는 부분은 올바른 어절의 경계라고 가정하고, 띄어쓰기 단위로 어절 패턴 사전(370A)과 초성/중성 패턴 사전(370B)을 차례로 비교하여, 최장 일치하는 데이터를 자질로서 추출한다.

자질 선택부(320)는 자질 추출부(315)에서 추출된 자질들 중에서 자질 데이터베이스(370C)에서 검색된 자질들만을 선택한다.

실시예에 따르면, 자질 데이터베이스(370C)는 사전에 학습 문장에서 추출된 자질들을 이용하여 만들 수 있다. 학습 문장에서 자질을 추출할 때에는 품사 별로 우선순위를 부여하여 추출한다. 구체적으로, 학습 문장에 용언이 포함되어 있는지를 판단한다. 판단 결과 입력된 문장에 용언이 포함되어 있지 않다면 체언만을 추출한다. 판단 결과 학습 문장에 용언이 포함되어 있다면 용언과 주변 체언을 추출한다. 이러한 방식으로 추출된 자질들을 이용하여 자질 데이터베이스(370C)를 구축하는 경우, 추후 입력 문장의 감성을 판단하기 위하여 자질들을 추출할 때, 입력 문장에서 상대적으로 중요하지 않은 자질까지 추출되는 문제를 방지할 수 있다.

감정 분류부(325)는 자질 선택부(320)에서 선택된 자질에 기초하여, 입력 문장에 대한 감정 분류를 수행한다. 즉, 입력 문장에 표현되어 있는 감정이 긍정인지 부정인지를 판별한다. 이를 위해 감정 분류부(325)는 가중치 데이터베이스(370D) 및 SVM 모델 데이터베이스(370E)를 참조할 수 있다.

가중치 데이터베이스(370D)는 자질 데이터베이스(370C)에 저장되어 있는 각 자질의 감정 가중치를 저장한다. 실시예에 따르면, 각 자질의 감정 가중치는 사전에 계산될 수 있다. 자질의 감정 가중치를 계산하기 위해서는 자질이 속한 문장이 긍정 문장인지 부정 문장인지를 알아야 한다. 또한, 긍정 문장(또는 부정 문장) 내에서의 자질 출현 빈도수를 알아야 한다. 즉, 자질의 감정 가중치는 긍정 문장 내에서의 자질의 출현 빈도수, 부정 문장 내에서의 자질의 빈도수에 의해 결정된다. 감정 가중치는 0과 1사이의 값을 가지는데, 계산된 값이 0에 가까울수록 부정적인 감정, 1에 가까울수록 긍정적인 감정을 나타낸다.

SVM 모델 데이터베이스(370E)는 SVM 모델을 저장한다. SVM(Support Vector Machine) 모델은 주어진 문장에 표현되어 있는 감정이 긍정인지 부정인지를 분류하는데 사용된다. 실시예에 따르면, SVM 모델은 사전에 학습될 수 있다. 구체적으로, 학습 문장에서 선택된 자질과 각 자질의 감정 가중치로 구성된 입력 벡터를 SVM 모델로 입력하면, SVM 모델의 출력 벡터로서 학습 문장에 표현되어 있는 감정이 긍정인지, 부정인지가 출력된다.

감정 분류부(325)는 자질 선택부(320)에서 선택된 자질의 감정 가중치를 가중치 데이터베이스(370D)에서 검색한다. 이후, 감정 분류부(325)는 자질 및 감정 가중치로 이루어진 입력 벡터를 SVM 모델 데이터베이스(370E)에 저장되어 있는 SVM 모델에 입력한다. 그러면, SVM 모델의 출력 벡터로서, 입력 문장에 대한 감정 분류 결과가 출력한다. 즉, 입력 문장에 표현되어 있는 감정이 긍정인지, 부정인지가 출력된다. 감정 분류부(325)에 의해 획득된 감정 분류 결과는 감정 분류 결과 데이터베이스(370F)에 저장된다.

토픽 추출부(330)는 수집부(305)에 의해 수집된 문서로부터 n개의 토픽을 추출한다. 여기서 토픽이란 통계적으로 의미 있는 방식으로 등장하는 단어들의 목록을 의미한다. 문서란 구조화되지 않은 문서를 말한다. 여기서 구조화되지 않았다는 것은 컴퓨터가 해석할 수 있는 주석(annotation)이 없다는 것으로 해석될 수 있다. 구조화되지 않은 문서로는 이메일, 블로그 포스트, 책, 신문기사 등을 예로 들 수 있으나 예시된 것들로 반드시 한정되는 것은 아니다.

토픽 추출부(330)는 수집된 문서로부터 토픽을 추출하기 위하여, LDA(Latent Dirichlet Allocation) 알고리즘을 이용한 토픽 모델링을 수행한다. 토픽 모델링 기법은 각 문서를 토픽의 확률적 혼합체로 표현하고 각 토픽을 단어의 분포로 표현함으로써 문서의 구조를 예측하는 문서 분석 모델이다. 즉 문서에서 숨겨져 있는 주제들을 찾아내기 위해 개발된 통계 추론 모델이다. LDA 알고리즘은 이러한 토픽 모델링 기법 중 대표적인 방법 중 하나이다. LDA 알고리즘은 생성모델로서 문서 내의 숨겨져 있는 토픽들을 찾아내는 알고리즘이다. 형태소 분석이 끝난 문서를 입력하고, 추출하고자 하는 토픽의 개수(n)와 같은 기본 파라미터를 설정한 후 토픽 모델 분석을 진행하면, 그 결과로 문서 별 각 토픽의 비중과 토픽 별 각 단어의 비중을 얻을 수 있다. 이 때, 추출하고자 하는 토픽의 개수(n)는 광고 서버 관리자(도시되지 않음)에 의해 사전에 설정될 수 있다.

토픽 동향 분석부(335)는 토픽 추출부(330)에 의해 추출된 토픽들의 동향을 분석한다. 즉, 토픽 동향 분석부(360)는 각 토픽이 일정 구간에서 어떤 식으로 변화해 왔는지를 분석한다. 이를 위해 토픽 동향 분석부(335)는 우선, 각 토픽에 포함되어 있는 단어들을 정렬한다. 즉, 소정 토픽 내에서 각 단어가 차지하는 비중이 높은 순으로 각 단어들을 정렬한다.

일 실시예에 따르면, 소정 토픽에서 소정 단어가 차지하는 비중은 상기 단어가 토픽에서 출현할 확률에 기초하여 결정된다. 특정 단어가 토픽에서 출현할 확률은 LDA 알고리즘을 통해 계산될 수 있다.

다른 실시예에 따르면, 소정 토픽에서 소정 단어가 차지하는 비중은 상기 단어가 토픽에서 출현할 점수에 기초하여 결정된다. 특정 단어가 토픽에서 출혈할 점수는 RTM(Relational Topic Models)을 이용하여 계산될 수 있다. RTM은 토픽의 특징이 되는 단어에 더욱 높은 가중치를 주는 방법이다.

각 토픽에 포함되어 있는 단어들을 해당 토픽에서 차지하는 비중에 따라 정렬한 다음, 토픽 동향 분석부(335)는 정렬된 단어들을 기준으로 각 토픽을 레이블링한다. 예를 들면, 비중이 높은 단어를 해당 토픽의 이름으로 결정한다.

한편, 토픽 동향 분석부(335)는 각 문서에 포함되어 있는 각 토픽의 비중을 작성자 별, 작성시기 별로 정렬한다. 도 5는 각 문서에 포함되어 있는 각 토픽의 비중을 작성자 별, 작성시기 별로 정렬한 예를 도시한 도면이다.

그 다음, 토픽 동향 분석부(335)는 각 토픽의 평균 비중을 작성시기 별로 계산한다. 예를 들어, 도 5에서, '사용자1'이 2014년 12월에 작성한 문서에는 문서1 및 문서2가 포함되는 것을 알 수 있다. 그리고 문서1 및 문서2에서 토픽1(아이폰)의 평균 비중은 각각 0.26 및 0.31인 것을 알 수 있다. 토픽 동향 분석부(335)는 이 값들의 평균을 산출한다. 토픽 동향 분석부(335)는 토픽2(원빈) 및 토픽3(닌텐도DS)에 대해서도 각각 평균 비중을 산출할 수 있다. 그 결과, 도 6에 도시된 바와 같은 결과를 얻을 수 있다. 도 6은 각 문서에 포함되어 있는 각 토픽의 평균 비중을 작성시기 별로 계산한 예를 도시한 도면이다.

각 토픽의 평균 비중은 평균 비중 데이터베이스(370G)에 저장된다. 이 때, 각 토픽의 평균 비중은 도 6에 도시된 바와 같이 테이블 형식으로 정렬되어 저장될 수 있다.

도 6에 도시된 바와 같이, 각 토픽의 평균 비중이 작성시기 별로 산출되면, 토픽 동향 분석부(335)는 산출 결과에 기초하여 도 7과 같은 토픽 동향 그래프를 생성한다. 도 7에 도시된 토픽 동향 그래프를 참조하면, 시간이 변함에 따라 사용자1의 각 토픽의 비중이 어떤 식으로 변하였는지를 알 수 있다. 다시 도 2를 참조하면, 감정 동향 분석부(345)는 각 토픽에 대한 사용자의 감정 동향을 분석한다. 이를 위해 감정 동향 분석부(365)는 우선, 각 토픽의 감정 점수를 작성자 별, 작성시기 별로 계산한다. 각 토픽의 감정 점수는 [수학식 1]에 의해 계산된다.

[수학식 1]을 참조하면, 각 토픽의 감정 점수는 각 토픽이 포함된 문서의 감정(긍정 또는 부정)에 따라 결정된다. 구체적으로, 소정 토픽에 긍정적으로 분류된 문서의 비중을 전체 문서의 비중으로 나누면, 상기 토픽에 대한 감정 점수를 얻을 수 있다. 각 토픽의 감정 점수는 0과 1 사이의 값을 가지는데, 계산된 값이 0에 가까울수록 해당 토픽에 대한 작성자의 감정이 부정적임을 의미하고, 계산된 값이 1에 가까울수록 해당 토픽에 대한 작성자의 감정이 긍정적임을 의미한다. 도 8은 각 토픽의 감정 점수를 작성자 별, 작성시기 별로 저장한 것을 예시한 도면이다

다시 도 2를 참조하면, 감정 동향 분석부(345)는 도 8과 같이, 각 토픽의 감정 점수를 사용자 별로 산출한 후 산출 결과에 기초하여, 토픽1(아이폰)과 토픽2(원빈)에 대한 사용자의 미래의 감정 점수를 예측할 수 있다. 예를 들면, 2015년 3월이라는 미래에 토픽1(아이폰)과 토픽2(원빈)에 대한 사용자의 감정 점수가 어떻게 될지를 예측할 수 있다. 이처럼 각 토픽에 대한 사용자의 미래의 감정 점수를 예측하기 위해서는 VAR(Vector Autoregressive) 모형이 사용될 수 있다.

구체적으로, 사용자1의 토픽1(아이폰)에 대한 월별 감정 점수(0.69, 0.3 및 0.22)를 벡터 형식으로 VAR 모형에 입력하면, 토픽1(아이폰)에 대한 미래의 감정 점수가 출력된다. 마찬가지로, 사용자1의 토픽2(원빈)에 대한 월별 감정 점수(0.35, 0.24 및 0.3)를 벡터 형식으로 VAR 모형에 입력하면, 토픽2(원빈)에 대한 미래의 감정 점수가 출력된다.

도 9는 도 8에 도시되어 있는 토픽 별 감정 점수에 기초하여, 각 토픽에 대한 미래의 감정 점수를 예측한 후, 각 토픽의 감정 점수를 작성자 별, 작성시기 별로 저장한 것을 예시한 도면이다. 도 9에서 파란색으로 표시된 값들은 각 토픽에 대한 각 사용자의 미래의 감정 점수를 나타낸 것이다.

다시 도 2를 참조하면, 감정 동향 분석부(345)는 도 9에 도시된 바와 같은 토픽 별 감정 점수에 기초하여, 도 10과 같은 감정 동향 그래프를 생성한다. 도 10의 감정 동향 그래프를 참조하면, 2014년 12월부터 2015년 2월까지 시간이 변함에 따라 토픽1(아이폰)과 토픽2(원빈)에 대한 사용자1의 감정이 어떤 식으로 변해왔는지를 확인할 수 있다. 뿐만 아니라, 토픽1(아이폰)과 토픽2(원빈)에 대한 사용자1의 미래의 감정 점수도 확인할 수 있다. 도 10에 도시된 감정 동향 그래프는 광고주의 요청에 따라 광고주 단말기(400)로 제공될 수 있다.

한편, 감정 동향 분석부(345)는 각 토픽에 대하여 계산된 사용자의 감정 점수와 각 토픽에 대하여 예측된 사용자의 감정 점수에 기초하여, 각 토픽의 평균 감정 점수를 산출한다. 예를 들어, 도 9를 참조하면, 각 사용자는 토픽1(아이폰) 및 토픽2(원빈)에 대하여 총 4개월(2014년 12월~2015년 3월)에 걸쳐 감정 변화를 보이고 있다. 따라서, 감정 동향 분석부(345)는 각 토픽의 4개월 간의 평균 감정 점수를 작성자 별로 산출한다. 도 11은 각 토픽의 평균 감정 점수를 작성자 별로 저장한 것을 예시한 도면이다. 도 11에 도시된 바와 같은 결과는 평균 감정 점수 데이터베이스(370H)에 저장된다. 제1 광고 매칭부(340)는 감정 동향 분석부(345)의 감정 동향 분석 결과에 기초하여, 사용자에게 제1 개인화 광고를 매칭시킨다. 구체적으로, 제1 광고 매칭부(340)는 각 토픽에 대한 평균 감정 점수에 기초하여 사용자에게 제1 개인화 광고를 매칭시킨다.

예를 들어, 도 9에서 사용자1의 토픽 별 감정 점수를 살펴보면, 토픽1(아이폰)에 대하여 예측된 감정 점수는 0.11이고, 토픽2(원빈)에 대하여 예측된 감정 점수는 0.31 이다. 이와 같은 경우, 제1 광고 매칭부(340)는 광고 데이터베이스(도시되지 않음)에 저장되어 있는 광고들 중에서 토픽2(원빈)과 관련된 광고를 사용자1의 제1 개인화 광고로 매칭시킨다. 다른 예로, 제1 광고 매칭부(340)는 토픽1(아이폰)의 경쟁사의 광고를 사용자1의 제1 개인화 광고로 매칭시킨다. 사용자1에게 매칭된 제1 개인화 광고는 사용자1이 사용자 단말기(100)를 이용하여 웹사이트에 접속하거나 모바일 앱을 실행시키는 경우, 사용자 단말기(100)로 제공된다. 사용자1이 사용자 단말기(100)를 통해 표시된 광고를 클릭하면, 이러한 광고 반응 데이터는 광고 서버(300)로 제공되어 광고 반응 데이터 저장부(370I)에 저장된다.

다시 도 2를 참조하면, 협력적 필터링부(350)는 광고에 대한 선호도가 유사한 사용자들을 그룹화한다. 이를 위해, 협력적 필터링부(350)는 우선, 평균 감정 점수 데이터베이스(370H)에 저장되어 있는 각 토픽의 평균 감정 점수에 기초하여, 두 사용자 간의 유사도를 산출한다. 구체적으로, 사용자1과 사용자2의 유사도, 사용자1과 사용자3의 유사도, 사용자2와 사용자3 간의 유사도를 산출한다. 이 때, 두 사용자 간의 유사도는 코사인 유사도(Cosine Similarity)를 이용하여 산출할 수 있다. 도 12는 도 11에 도시된 각 토픽의 평균 감정 점수를 이용하여 두 사용자 간의 유사도를 산출한 결과를 예시한 도면이다.

두 사용자 간의 유사도가 산출되면, 협력적 필터링부(350)는 산출된 유사도와 광고 반응 데이터를 협력적 필터링 수식에 대입하여, 소정 광고에 대한 선호도를 산출한다. 여기서, 광고 반응 데이터는 광고 반응 데이터 저장부(370I)로부터 획득된다.

광고 반응 데이터 저장부(370I)는 제1 개인화 광고에 대한 광고 반응 데이터를 저장한다. 저장된 광고 반응 데이터는 사용자 단말기(100)로부터 수집된 1차 데이터와, 1차 데이터를 연산식에 대입하여 얻은 2차 데이터를 포함할 수 있다. 1차 데이터로는 각 광고의 노출 건수에 대한 클릭 건수를 예로 들 수 있다. 2차 데이터로는 각 광고의 클릭 비율, 각 사용자의 총 클릭 비율을 예로 들 수 있다. 여기서, 1차 데이터 및 2차 데이터에 대한 보다 구체적인 설명을 위해 도 13을 참조하기로 한다.

도 13의 (a)는 1차 데이터 즉, 각 광고의 노출 건수에 따른 클릭 건수를 사용자 별로 저장한 것을 예시한 도면이다. 도 13의 (b)는 2차 광고 데이터 즉, 각 광고의 클릭 비율을 사용자 별로 저장한 것을 예시한 도면이다. 도 13의 (c)는 2차 광고 데이터 즉, 총 클릭 비율을 사용자 별로 저장한 것을 예시한 도면이다.

도 13의 (a) 및 (b)를 참조하면 알 수 있듯이, 각 광고의 클릭 건수를 노출 건수로 나누면, 각 광고의 클릭 비율이 산출된다. 도 13의 (a) 및 (c)를 참조하면 알 수 있듯이, 총 클릭 건수를 총 노출 건수로 나누면, 총 클릭 비율 또는 평균 클릭 비율이 산출된다.

다시 도 2를 참조하면, 협력적 필터링부(350)는 두 사용자 간의 유사도(도 12 참조)와 광고 반응 데이터(도 13 참조)를 협력적 필터링 수식에 대입하여, 소정 광고에 대한 사용자의 선호도를 산출한다. 협력적 필터링(Collaborative Filtering)의 수식을 나타내면 [수학식 2]와 같다.

[수학식 2]를 참조하면, 선호도는 사용자의 평균 클릭 비율, 사용자의 특정 광고에 대한 클릭 비율, 및 사용자와 다른 사용자 간의 유사도에 기초하여 결정된다. 광고의 종류가 여러 가지인 경우에는 각 종류 별로 선호도 값이 산출된다. 산출된 선호도 값은 선호도 데이터베이스(370J)에 저장된다. 도 14는 여러 종류의 광고에 대한 선호도를 사용자 별로 산출한 결과를 예시한 도면이다. 도 14를 참조하면, 사용자1과 사용자2는 '가전/디지털' 분야의 광고에는 긍정적인 선호도를 보이고 있고, '유아동/식품' 분야의 광고에는 부정적인 선호도를 보이고 있음을 알 수 있다. 이러한 경우, 사용자1과 사용자2는 각 광고에 대한 선호도가 비슷한 패턴을 보이므로, 동일한 그룹으로 그룹화될 수 있다. 그리고 사용자3은 다른 그룹으로 그룹화될 수 있다. 각 그룹에 대한 정보는 선호도 데이터베이스(370J)에 저장될 수 있다.

제2 광고 매칭부(355)는 사용자가 속한 그룹 정보에 기초하여, 사용자에게 제2 개인화 광고를 매칭시킨다. 예를 들어, 도 15에 도시된 바와 같이, 사용자1과 사용자2가 동일한 그룹에 속한다고 하자. 이 때, 사용자1은 광고A 및 광고B에 대해서 높은 선호도를 보이고, 사용자2는 광고A, 광고B 및 광고C에 대해서 높은 선호도를 보이는 경우, 제2 광고 매칭부(355)는 광고C를 사용자1의 제2 개인화 광고로 결정한다.

다시 도 2를 참조하면, 제2 광고 매칭부(355)는 상술한 바와 같이, 사용자가 속한 그룹 정보에 기초하여 사용자에게 제2 개인화 광고를 매칭시킨다. 사용자에게 매칭된 제2 개인화 광고는 차후, 사용자 단말기(100)에서 웹사이트로의 접속이 시도되거나 모바일 앱이 실행되는 경우, 사용자 단말기(100)로 제공된다. 사용자 단말기(100)로 제공된 제2 개인화 광고는 웹페이지 화면, 모바일 웹사이트 화면, 또는 모바일 앱 화면을 통해 표시된다.

도 16은 사용자 단말기를 통해 표시되는 제2 개인화 광고를 예시한 도면이다. 구체적으로, 도 16의 (a)는 제2 개인화 광고가 표시된 웹페이지 화면을 예시한 것이다. 도 16의 (b)는 제2 개인화 광고가 표시된 모바일 앱 화면을 예시한 것이다.

도 17은 본 발명의 일 실시예에 따른, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법을 도시한 순서도이다.

우선, 광고 서버(300)는 온라인 상의 문서들을 수집한다(S700). 여기서 문서란 구조화되지 않은 문서를 말하는 것으로, 이메일, 블로그 포스트, 책, 신문기사, SNS 데이터 등을 예로 들 수 있다.

이후, 광고 서버(300)는 토픽 모델링 기법을 이용하여, 수집된 문서들로부터 n개의 토픽을 추출한다(S705). 상기 S705 단계는 수집된 문서들을 대상으로 형태소 분석을 수행하는 단계, 상기 형태소 분석이 완료된 문서와 추출하고자 하는 토픽의 개수를 입력 받아 토픽 모델 분석을 수행하는 단계, 상기 토픽 모델 분석 결과로 문서 별 각 토픽의 비중과 토픽 별 각 단어의 비중을 획득하는 단계를 포함한다.

이후, 광고 서버(300)는 추출된 토픽들을 대상으로 토픽 동향을 분석한다(S710). 상기 S710 단계는 각 토픽에 포함된 단어들을 비중이 높은 순서로 정렬하는 단계, 정렬된 단어를 기초로 각 토픽을 레이블링하는 단계, 문서 별 각 토픽의 비중을 작성자와 작성기간을 기준으로 정렬하는 단계, 각 작성자에 대해서 작성시기 별로 각 토픽의 평균 비중을 계산하는 단계, 상기 계산된 각 토픽의 평균 비중에 기초하여 토픽 동향 그래프를 생성하는 단계를 포함한다.

이후, 광고 서버(300)는 토픽 동향 분석 결과에 기초하여 사용자의 토픽 별 감정 동향을 분석한다(S710). 상기 S710 단계는 각 토픽이 긍정으로 분류된 문서의 비중을 전체 문서의 비중으로 나누어, 상기 각 토픽의 감정 점수를 작성자 별로, 작성시기 별로 계산하는 단계, 각 토픽의 감정 점수를 VAR 모형에 대입하여 각 토픽에 대한 사용자의 미래의 감정 점수를 예측하는 단계, 각 토픽에 대하여 계산된 사용자의 감정 점수와 각 토픽에 대하여 예측된 사용자의 감정 점수에 기초하여 각 토픽의 평균 감정 점수를 산출하는 단계를 포함한다. 토픽 별 감정 동향 분석이 완료되면, 광고 서버(300)는 토픽 별 감정 동향 분석 결과에 기초하여, 사용자에게 제1 개인화 광고를 매칭시킨다(S720). 상기 S720 단계는 사용자의 토픽들 중에서 평균 감정 점수가 높은 토픽과 관련된 광고를 사용자의 제1 개인화 광고로 결정하는 단계를 포함할 수 있다.

한편, 사용자 단말기(100)는 웹사이트의 쿠키 정보나 SNS 오픈아이디를 사용하는 모바일 앱으로부터 사용자의 SNS 아이디를 획득한다(S725). 이후, 사용자 단말기(100)에서 웹사이트로의 접속이 시도되거나 소정 모바일 앱이 실행되는 경우(S730), 사용자 단말기(100)는 사전에 획득된 사용자의 SNS 아이디를 광고 서버(300)로 전송한다(S735).

광고 서버(300)는 사용자의 SNS 아이디를 이용하여 해당 사용자에 매칭되어 있는 제1 개인화 광고를 검색한다(S740). 검색된 제1 개인화 광고는 사용자 단말기(100)로 제공된다.

사용자 단말기(100)는 광고 서버(300)로부터 수신한 제1 개인화 광고를 웹사이트 화면, 모바일 웹사이트 화면 또는 모바일 앱 화면에 배치한다. 그리고 제1 개인화 광고가 포함된 웹사이트 화면, 모바일 웹사이트 화면 또는 모바일 앱 화면을 표시부(도시되지 않음)를 통해 표시한다(S750).

사용자가 웹사이트 화면, 모바일 웹사이트 화면, 또는 모바일 앱 화면을 통해 표시된 제1 개인화 광고를 클릭하는 경우, 사용자 단말기(100)는 클릭에 따른 광고 반응 데이터를 광고 서버(300)로 전송한다(S755).

제1 개인화 광고에 대한 광고 반응 데이터가 수집되면, 광고 서버(300)는 토픽 별로 사용자의 감정 동향을 분석한 결과와 사전에 수집된 광고 반응 데이터에 기초하여, 광고에 대한 선호도가 유사한 사용자들을 그룹화한다(S760). 상기 S760 단계는 각 토픽의 평균 감정 점수에 기초하여 사용자들 간의 유사도를 산출하는 단계, 상기 산출된 유사도와 광고 반응 데이터를 협력적 필터링 수식에 대입하여 각 광고에 대한 사용자의 선호도를 산출하는 단계, 상기 선호도를 기준으로 사용자들을 그룹화하는 단계를 포함한다.

이후, 광고 서버(300)는 사용자가 속한 그룹의 광고 선호도에 기초하여 사용자에게 제2 개인화 광고를 매칭시킨다(S765). 예를 들어, 도 15에 도시된 바와 같이, 사용자1과 사용자2가 동일한 그룹에 속하는 경우, 광고 서버(300)는 사용자1에게 제2 개인화 광고로서 광고C를 매칭시킨다.

한편, 사용자 단말기(100)에서 웹사이트로의 접속이 시도되거나 모바일 앱이 실행되는 경우(S770), 사용자 단말기(100)는 사전에 획득된 사용자의 SNS 아이디를 광고 서버(300)로 전송한다.

광고 서버(300)는 사용자의 SNS 아이디를 이용하여 해당 사용자에게 매칭되어 있는 제2 개인화 광고를 검색한다(S780). 검색된 제2 개인화 광고는 사용자 단말기(100)로 제공된다.

사용자 단말기(100)는 광고 서버(300)로부터 수신한 제2 개인화 광고를 웹사이트 화면, 모바일 웹사이트 화면 또는 모바일 앱 화면에 배치한다. 그리고 제2 개인화 광고가 포함된 웹사이트 화면, 모바일 웹사이트 화면 또는 모바일 앱 화면을 표시부를 통해 표시한다(S790).

본 발명의 개인화 광고 제공 방법 및 시스템에 따르면, 토픽 별 감정 동향 분석을 통해 각 토픽에 대한 사용자의 미래의 감정 점수가 예측되고, 예측 결과가 반영된 제1 개인화 광고가 사용자에게 매칭되므로, 제1 개인화 광고에 대한 사용자의 신뢰성을 높일 수 있다.

또한, 토픽 별 감정 동향 분석을 통해 각 광고에 대한 선호도가 유사한 사용자들끼리 그룹화되고, 각 그룹에 속한 다른 사용자들의 선호도가 반영된 제2 개인화 광고가 사용자에게 매칭되므로, 제2 개인화 광고에 대한 사용자의 신뢰성을 높일 수 있다.

또한, 제1 개인화 광고나 제2 개인화 광고는 웹페이지 화면, 모바일 웹페이지 화면 및 모바일 앱 화면을 통해 표시되므로, 기존과 같이 SNS 화면을 통해서만 개인화 광고를 표시하는 경우에 비하여, 광고 시장을 활성화시킬 수 있다.

이상으로 본 발명의 실시예들을 설명하였다. 전술한 실시예들에 더하여, 본 발명의 실시예들은 전술한 실시예의 적어도 하나의 처리 요소를 제어하기 위한 컴퓨터 판독 가능한 코드/명령을 포함하는 매체 예를 들면, 컴퓨터 판독 가능한 매체를 통해 구현될 수도 있다. 상기 매체는 상기 컴퓨터 판독 가능한 코드의 저장 및/또는 전송을 가능하게 하는 매체/매체들에 대응할 수 있다.

상기 컴퓨터 판독 가능한 코드는, 매체에 기록될 수 있을 뿐만 아니라, 인터넷을 통해 전송될 수도 있는데, 상기 매체는 예를 들어, 마그네틱 저장 매체(예를 들면, ROM, 플로피 디스크, 하드 디스크 등) 및 광학 기록 매체(예를 들면, CD-ROM, Blu-Ray, DVD)와 같은 기록 매체, 반송파(carrier wave)와 같은 전송매체를 포함할 수 있다. 상기 매체들은 분산 네트워크일 수도 있으므로, 컴퓨터로 읽을 수 있는 코드는 분산 방식으로 저장/전송되고 실행될 수 있다. 또한 더 나아가, 단지 일 예로써, 처리 요소는 프로세서 또는 컴퓨터 프로세서를 포함할 수 있고, 상기 처리 요소는 하나의 디바이스 내에 분산 및/또는 포함될 수 있다.

이상과 같이 예시된 도면을 참조로 하여, 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해해야만 한다.

100: 사용자 단말기
200: SNS 서버
300: 광고 서버
400: 광고주 단말기

Claims

사용자가 작성한 온라인 상의 문서들을 수집하는 단계;
토픽 모델링 기법을 이용하여 상기 문서들로부터 상기 사용자의 토픽들을 추출하는 단계;
상기 추출된 토픽들을 대상으로 상기 사용자의 토픽 동향을 분석하는 단계;
상기 토픽 동향 분석 결과에 기초하여 상기 사용자의 토픽 별 감정 동향을 분석하는 단계;
상기 토픽 별 감정 동향 분석 결과에 기초하여 상기 사용자에게 제1 개인화 광고를 매칭시키는 단계;
사용자 단말기로부터 상기 사용자의 식별 정보가 수신되면, 상기 식별 정보를 이용하여 검색된 상기 제1 개인화 광고를 상기 사용자 단말기로 제공하는 단계;
상기 제1 개인화 광고에 대한 광고 반응 데이터와 상기 토픽 별 감정 동향 분석 결과에 기초하여 상기 사용자를 다른 사용자와 그룹화하는 단계;
상기 사용자가 속한 그룹의 광고 별 선호도에 기초하여 상기 사용자에게 제2 개인화 광고를 매칭시키는 단계; 및
상기 사용자 단말기로부터 상기 사용자의 식별 정보가 수신되면, 상기 식별 정보를 이용하여 검색된 상기 제2 개인화 광고를 상기 사용자 단말기로 제공하는 단계를 포함하는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제1항에 있어서,
상기 사용자의 식별 정보는 상기 사용자 단말기가 접속한 웹사이트의 쿠키 정보로부터 획득되거나 상기 사용자 단말기에서 실행된 모바일 앱 중에서 SNS 오픈아이디(OpenID)를 사용하는 모바일 앱으로부터 획득되는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제1항에 있어서,
상기 제1 개인화 광고 및 상기 제2 개인화 광고 중 적어도 하나는
상기 사용자의 선호도가 높은 광고 및 상기 사용자의 선호도가 낮은 광고의 경쟁사 광고 중 적어도 하나를 포함하며,
상기 제1 개인화 광고 및 상기 제2 개인화 광고 중 적어도 하나는
웹사이트 화면, 모바일 웹사이트 화면 또는 모바일 앱 화면을 통해 표시되는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제1항에 있어서,
상기 토픽 동향을 분석하는 단계는
각 토픽에 포함된 단어들을 비중이 높은 순서로 정렬하는 단계;
상기 정렬된 단어를 기초로 상기 각 토픽을 레이블링하는 단계;
문서 별 상기 각 토픽의 비중을 작성자와 작성시기를 기준으로 정렬하는 단계; 및
상기 각 작성자에 대해서 상기 작성시기 별로 상기 각 토픽의 평균 비중을 계산하는 단계를 포함하는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제1항에 있어서,
상기 토픽 별 감정 동향을 분석하는 단계는
상기 각 토픽이 긍정으로 분류된 문서의 비중을 전체 문서의 비중으로 나누어, 상기 각 토픽의 감정 점수를 작성시기 별로 계산하는 단계;
상기 각 토픽의 감정 점수를 VAR(Vector Autoregressive) 모형에 대입하여 상기 사용자의 상기 각 토픽에 대한 미래의 감정 점수를 예측하는 단계; 및
상기 계산된 감정 점수와 상기 예측된 감정 점수에 기초하여 상기 각 토픽의 평균 감정 점수를 산출하는 단계를 포함하는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제5항에 있어서,
상기 제1 개인화 광고를 매칭시키는 단계는
상기 토픽들 중에서 상기 평균 감정 점수가 높은 토픽과 관련된 광고를 상기 제1 개인화 광고로 매칭시키는 단계를 포함하는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제5항에 있어서,
상기 그룹화하는 단계는
상기 각 토픽의 평균 감정 점수에 기초하여 상기 사용자와 상기 다른 사용자 간의 유사도를 산출하는 단계;
상기 유사도와 상기 광고 반응 데이터를 협력적 필터링 수식에 대입하여 상기 사용자의 광고 별 선호도를 산출하는 단계; 및
상기 사용자의 광고 별 선호도와 유사한 광고 별 선호도를 가지는 사용자들을 그룹화하는 단계를 포함하는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제7항에 있어서,
상기 유사도를 산출하는 단계는
코사인 유사도(Cosine Similarity)를 이용하여, 두 사용자 간의 유사도를 산출하는 단계를 포함하는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
제7항에 있어서,
상기 광고 반응 데이터는
각 광고의 노출 건수에 대한 클릭 건수, 각 광고의 클릭 비율 및 상기 사용자의 총 클릭 비율 중 적어도 하나를 포함하는, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법.
하드웨어 단말 장치와 결합되어, 제1항 내지 제9항 중 어느 한 항에 기재된 개인화 광고 제공 방법을 실행시키기 위하여, SNS 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 기록매체에 저장된 단말 장치용 어플리케이션.