KR101829273B1

KR101829273B1 - 디지털 사인 상에 디스플레이할 광고를 선택하기 위한 방법 및 장치

Info

Publication number: KR101829273B1
Application number: KR1020167028793A
Authority: KR
Inventors: 펑잔플릴 티안; 에디캄 샌제이 샌제이; 쿠나파레디 치루 치란지비; 쉬웨타 파드니스; 샤흐자드 말리크
Original assignee: 인텔 코포레이션
Priority date: 2012-06-29
Filing date: 2012-06-29
Publication date: 2018-02-19
Also published as: US20170091822A1; EP2867826A1; US20150134460A1; KR20160127139A; WO2014000273A1; JP2015528157A; EP2867826A4; JP6138930B2; KR20140016133A

Abstract

복수의 광고 중 하나의 광고를 디지털 사인 상에 언제 디스플레이할지를 선택하는 것으로서, 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 정보를 수신하는 것, 정보를 복수의 광고 선택 규칙에 적용하는 것; 및 수신된 정보의 적용에 기초하여 광고 선택 규칙들에 따라 디지털 사인 상에 광고를 언제 디스플레이할지를 선택하는 것을 포함한다.

Description

디지털 사인 상에 디스플레이할 광고를 선택하기 위한 방법 및 장치{METHOD AND APPARATUS FOR SELECTING AN ADVERTISEMENT FOR DISPLAY ON A DIGITAL SIGN}

본 발명의 실시예들은 데이터 마이닝을 이용하여 광고가 디지털 디스플레이 디바이스 상에 언제 디스플레이되어야 할지를 선택하거나 표적화(targeting)하기 위한 시스템에 관한 것이다.

디지털 사이니지(digital signage)는 식당 또는 쇼핑몰과 같은 공공 장소에서 뉴스, 광고, 지역 소식 및 다른 멀티미디어 컨텐츠를 보여주기 위해 LCD(Liquid Crystal Display), LED(Light Emitting Diode) 디스플레이, 플라즈마 디스플레이 또는 투영식 디스플레이(projected display)와 같은 전자 디스플레이 디바이스를 이용하는 것을 기술하기 위해 종종 이용되는 용어이다. 최근, 디지털 사이니지 산업은 엄청난 성장을 경험해왔으며, 그것은 현재 연간 수익 증가 면에서 인터넷 광고 산업에 버금간다.

표적 광고(targeted advertising)는 잠재적인 청중 구성원(audience member) 또는 뷰어(viewer)에게 디스플레이될 광고("ad")에 대한 시간 및 위치를 인구 통계, 구매 이력 또는 관측된 뷰잉 행동(viewing behavior)과 같은 다양한 팩터들에 기초하여 선택하는 것을 수반한다. 표적 광고는 잠재적인 뷰어를 식별하는 것을 돕고, 그 잠재적인 뷰어에게 시기적절하고 관련있는 광고를 제공함으로써 광고주의 ROI(Return on Investment)를 개선한다. 디지털 사이니지 산업에서의 표적 광고는 디지털 사인들(digital signs)을 수반하는데, 그들은 디지털 사인들의 전방에 있는 잠재적인 뷰어의 특성들에 따라 광고들을 동적으로 선택하고 재생하는 능력을 갖는다.

광고 컨텐츠가 그 광고 컨텐츠를 보고 있는 사람들의 구체적인 인구 통계에 맞게 표적화되고 적응될 수 있도록, 뷰잉 행동의 패턴들을 식별하는 방법이 필요하다.

본 발명의 실시예들은 아래에 주어진 상세한 설명 및 본 발명의 다양한 실시예들의 첨부 도면들로부터 더 완전하게 이해될 것이지만, 그들은 본 발명을 특정 실시예들로 한정하는 것이 아니라, 설명 및 이해만을 위한 것으로 받아들여져야 한다.
도 1은 본 발명의 실시예를 기능 블록 형태로 도시한다.
도 2는 본 발명의 실시예의 흐름도이다.
도 3은 본 발명의 실시예의 양태들을 도시한다.
도 4는 본 발명의 실시예에 따른 컨텐츠 관리 시스템의 블록도를 제공한다.
도 5는 본 발명의 실시예에 따른 디지털 사인 모듈의 블록도를 제공한다.
도 6은 이하의 본 발명의 실시예들의 설명에서 참조되는 표 1 내지 5를 나열한다.

AVA(Anonymous Video Analytics)는 디지털 사이니지 운영자들에게 정량적 뷰어쉽 정보(quantitative viewership information) 및 ROI(return on investment) 데이터를 제공하기 위해 이용될 수 있는 디지털 사이니지 네트워크들을 위해 설계된 수동 및 자동의 청중 또는 뷰어 측정 기술이다. 본 발명의 실시예들은 표적 광고를 달성하기 위해 AVA 데이터 및 데이터 마이닝 기법들을 이용하는데, 이것은 디지털 사인의 광고 ROI를 측정하고 개선하기 위해 이용될 수 있다.

본 발명의 실시예들은 디지털 디스플레이 스크린 또는 디바이스를 포함하는 디지털 사인 상에 광고를 디스플레이하는 데에 있어서 AVA(anonymous video analytics)를 이용한다. 디지털 디스플레이 디바이스 근처의 하나 이상의 정면 카메라와 같은 센서, 및 Intel Core I5 및 Intel Core I7 프로세서와 같은 프로세서들에 연결된 AVA 소프트웨어를 디지털 사인에 장착함으로써, 본 발명의 실시예에 따른 디지털 사인들은 다수의 뷰어, 그들의 성별 및 그들의 연령층을 익명으로 검출한 다음, 그 정보에 기초하여 광고 컨텐츠를 적응시키기 위한 지능을 갖는다. 예를 들어, 뷰어가 10대 소녀인 경우, 본 발명의 실시예는 신학기 신발 프로모션을 강조하기 위해, 디지털 디스플레이 스크린이 현재 위치되어 있는 곳 근처의 몇몇 점포로 컨텐츠를 변경할 수 있다. 뷰어가 고령의 남성인 경우, 실시예는 디지털 디스플레이 스크린이 근처의 스포츠 용품점의 골프 클럽 판매에 관한 광고를 디스플레이하게 할 수 있다.

본 발명의 실시예에 따르면, 광고들은 더 양호하게 표적화될 수 있고, 더 관련성있을 수 있고, 궁극적으로는 더 효과적일 수 있다. 실시예는 비디오 컨텐츠의 화소들을 실시간으로 분석하여, 사람들이 디지털 사인을 보고 있는지를 결정하고, 만일 그렇다면 그들의 인구 통계 특성을 결정함으로써 이것을 가능하게 한다. 판매 데이터를 보여진 광고 및 청중들의 인구 통계와 상호 관련시킴으로써, 광고주들은 광고들을 그들의 청중에 대해 직접 표적화할 수 있고, 그들의 유효성을 측정할 수 있다.

본 발명의 실시예들은 이전 뷰어들과 동일 또는 유사한 인구 통계에 속하는 장래의 뷰어들 또는 고객들이 이전 뷰어들의 뷰잉 행동 또는 패턴들에 기초하여 표적화되는 표적 광고를 수반한다. 디지털 디스플레이 디바이스의 전방에 위치했던 이전 뷰어들로부터 수집된 AVA 또는 뷰어쉽 데이터를 분석함으로써, 실시예들은 뷰잉 패턴들을 발견할 수 있고, 이 정보를 이용하여 디지털 사인에 배치될 수 있는 광고 모델들을 트레이닝한다. 그러면, 이들 광고 모델들은 이용가능한 광고 컨텐츠의 인벤토리로부터 특정 광고들을 선택하여, 관련 광고들로 장래의 뷰어들을 지능적으로 표적화하기 위해 이용될 수 있다.

광고 모델들은 데이터 마이닝 기법들을 이용하고, MS SSAS(Microsoft's SQL Server Analysis System)와 같은 도구들을 이용하여 구축될 수 있다. 광고 모델들은 나이브 베이즈(Naive Bayes), 결정 트리(Decision Trees), 로지스틱 회귀 분석(Logistic Regression analysis), 및 연관 규칙(Association Rules)과 같은 잘 알려진 데이터 마이닝 알고리즘을 이용하여 생성되고, 또한 대규모의 클러스터링을 이용할 수 있으며, 이들 모두는 MS SSAS에서 이용가능하다.

디지털 사인 상에서의 멀티미디어 컨텐츠의 재생은 CMS(content management system)를 통해 달성된다. 설명은 본 발명의 실시예에 따른 디지털 사인 광고 시스템의 아키텍처에 관한 것이고, 여기에서 광고 모델들은 CMS가 "클라우드 내에" 위치되어 있을 때도 CMS를 통해 디지털 사인 상에 실시간으로 배치된다. 그러면, CMS는 적어도 2개의 매개변수, 즉 트레이닝된 광고 모델 및 광고 데이터에 기초하여 커스터마이즈된 광고 목록을 생성하기 위해 이용될 수 있다. 본 발명의 실시예에 따르면, 광고 데이터는 실시간 컨텐츠 트리거를 가능하게 하기 위해, 트레이닝된 광고 모델과 결합된다.

본 발명의 실시예들은 디지털 사인 디스플레이 디바이스 상에 재생될 가장 적합한 광고를 선택하기 위해, 연령(구체적으로는 연령 범위 또는 연령층) 및 성별과 같은 뷰어 정보의 유형과, 날씨 및 시간 정보와 같은 컨텍스트 정보를 분석한다. 여기에서 "연령"에 대한 다른 언급들은 연령 범위, 연령 범주 또는 연령층을 포함하는 것으로 이해되어야 한다. 장래의 타임 슬롯, 예를 들어 다음 타임 슬롯을 위한 뷰어들의 유형을 예측하기 위해, 실시간 비디오 분석 데이터가 수집되고 분석된다. 일 실시예에서, 다음 타임 슬롯은 30초이다. 그러나, 타임 슬롯은 60초, 30분, 1시간 또는 훨씬 더 긴 기간일 수 있다. 그 예측에 따라, 적절한 광고들이 디스플레이 디바이스 상에서 재생된다. CMS는 광고 정보 및 광고주 선호(preference)를 이용하여 디폴트 재생 목록을 생성한다. 뷰어쉽 정보가 이용가능하지 않거나, 소정의 이유로 예측이 이루어지지 않거나 적절하게 정확하지 않거나, 소정의 이유로 예측의 정확도가 의심스럽다고 여겨지는 경우, CMS에 의해 생성되는 오프라인(디폴트) 재생 목록이 디스플레이 디바이스 상에서 재생될 수 있다.

도 1은 본 발명의 실시예의 기능 블록도를 도시한다. 또한, 도 2의 흐름도(200)를 참조하면, 프로세스는 단계(205)에서 디지털 사인 모듈(105)이 광고들을 디스플레이하고, 단계(210)에서 익명 비디오 분석 데이터를 처리, 즉 여기에서 뷰어쉽 데이터라고도 지칭되는 비디오 분석 데이터를 캡처하고, 그 뷰어쉽 데이터를 데이터베이스와 같은 영구적 데이터 저장소에 전송하는 것으로 시작하며, 거기에서 데이터는 디지털 사인의 전방에 자리잡고 그것을 볼 수 있는 임의의 개인들의 뷰잉 패턴을 결정하기 위해 데이터 마이닝 모듈(110)에 의해 단계(215)에서 액세스되기 전에 선택적으로 클리닝 또는 필터링된다.

중요하게는, 적어도 프라이버시를 유지할 목적으로, 비디오 분석 데이터는 이하에 더 설명되는 바와 같이 익명 비디오 분석 데이터로서 만들어지거나 유지될 수 있지만, 본질적으로는 뷰어쉽 데이터는 샘플링이 아니라 센서스(census)(주어진 모집단의 구성원들에 관한 정보를 체계적으로 정기적으로 취득하고 기록하는 것으로서 정의됨)에 기초하고, 뷰어들의 어떠한 이미지도 캡처, 저장 또는 송신되지 않는다. 비디오 분석 데이터 캡처 기능성은 디지털 사인 모듈에 의해 실행되는 소프트웨어로 구현될 수 있고, 본 발명의 일 실시예에서는 실시간 예측을 행하고 디스플레이할 디지털 광고를 스케줄링하기 위해 데이터 마이닝 모듈(110)에 의해 이용될 수 있고/거나, 단계(220)에서 데이터 마이닝 모듈 내에서 규칙들(트레이닝 광고 모델들)을 생성하기 위한 이력 데이터로서 이용될 수 있는 실시간 비디오 분석 데이터를 캡처한다.

데이터 마이닝 모듈에서, 광고 모델들은 단계(220)에서, 나이브 베이즈 알고리즘, 결정 트리 알고리즘, 로지스틱 회귀 분석 및 연관 규칙 알고리즘과 같은 잘 알려진 데이터 마이닝 알고리즘들에 기초하여 비디오 분석 데이터를 이용하여 생성되고 트레이닝(즉, 세련화)된다. 비디오 분석 데이터를 이용하는 것에 더하여, 데이터 마이닝 모듈은 또한 비디오 분석 데이터가 캡처된 시간에 대응하는 날씨 조건들과 같은 컨텍스트 정보를 고려할 수 있다. 날씨 조건 데이터, 또는 간단하게는 날씨 데이터(135)는 데이터 마이닝 모듈(110)에 의해 액세스될 수 있는 영구적 저장소 내에 유지될 수 있다. 일 실시예에서, 동일한 영구적 저장소가 디지털 사인 모듈(105)에 의해 캡처된 비디오 분석 데이터를 저장하기 위해서도 이용될 수 있다. 또한, 데이터 마이닝 모듈(110)은 디지털 사인 상의 디스플레이를 위해 이용가능한 디지털 광고들(125)의 목록, 및 광고주들이 자신의 광고들을 표적화하고자 하는 뷰어들의 인구 통계 특성과 같은, 그 광고들의 목록에 연관된 메타데이터를 입력으로서 수신한다. 또한, 디지털 사인 모듈(105)은 데이터 마이닝 모듈에 "재생 증명(proof-of-play)" 데이터, 즉 어느 광고들이 디지털 사인에 의해 디스플레이되었는지, 그러한 광고들이 언제 디스플레이되었는지, 그러한 광고들이 어디에서 디스플레이되었는지를(예를 들어, 디지털 사인의 위치를 결정하기 위한 기초로서 이용될 수 있는 디지털 사인을 위한 디바이스 식별자(ID)를 제공함으로써) 지시하는 광고 데이터를 공급한다. 본 발명의 일 실시예에서, 예를 들어 POS(Point-of-Sale) 단말로부터의 판매 데이터(130)는 데이터 마이닝 모듈(110)에 입력될 수 있다. 판매 데이터는 소정의 인구 그룹에 대한 광고의 유효성을 그 광고 내에서 피처링되는 제품들 또는 서비스들의 판매 면에서 측정하기 위해 AVA 데이터에 상관될 수 있다.

데이터 마이닝 모듈(110)은 단계(220)에서 트레이닝된 광고 모델들을 생성하며, 이것은 본 발명의 실시예에 따라 이전 뷰어 유형들("통행인(passer) 패턴 유형들")에 기초하여 적절한 광고 범주들과 장래의 뷰어 유형들을 예측하기 위해 이용된다. 트레이닝된 광고 모델(115)이 생성되고 나면, 그것은 데이터 마이닝 모듈에 의해 송신되고, 컨텐츠 관리 시스템(CMS)(120)에 의해 수신 및 저장되며, 거기에서는 단계(225)에서 광고 데이터와 함께, 커스터마이즈된 광고 목록이 생성되고 저장된다. 일 실시예에서, CMS는 모든 트레이닝된 광고 모델들, 광고 목록들, 광고주 선호 및 광고 데이터를 저장한다. CMS(120)는 140에서, 커스터마이즈된 광고 목록을 디스플레이를 위해 디지털 사인 모듈(105)에 송신한다. 본 발명의 일 실시예에서, 디지털 사인 모듈(105)은 광고 목록들을 실시간으로 생성하기 위해 이용될 수 있는 디지털 사이니지 미디어 플레이어 모듈(디지털 플레이어 모듈)(145)을 포함한다. 모듈(145)은 본 발명의 일 실시예에 따라, CMS 내에 저장된 정보를 위한 압축 보관소로서 동작한다.

CMS는 데이터 마이닝 모듈로부터 트레이닝된 광고 모델들을 획득한다. 일 실시예에서, 복수의 디지털 사인 모듈(105), 또는 복수의 디지털 사이니지 미디어 플레이어(145), 또는 복수의 디지털 디스플레이 디바이스가 설치된다. 그러므로, CMS는 경우에 따라, 광고 모델들을 디지털 사인 모듈 또는 디지털 플레이어 등에 의해 구분할 것이다. CMS는 광고 모델들 및 획득된 광고 데이터에 기초하여 구분된 커스터마이즈된 광고 목록들을 생성한다. CMS는 또한 광고주들(125)로부터 획득된 광고주 선호들에 기초하여, 오프라인 광고 목록들, 즉 디폴트 광고 목록들을 생성한다. 이들 구분된 모델들, 커스터마이즈된 광고 목록들, 및 디폴트 광고 목록들은 디지털 사인 상에의 디스플레이를 위해 단계(230)에서 각각의 디지털 사인 모듈 또는 디지털 플레이어에 전송된다.

도 1은 모듈들(110 및 120)을 분리된 기능 블록들로서 도시하고 있지만, 이들 모듈들은 단일 컴퓨터 시스템 상에서 협력할 수 있거나, 복수의 컴퓨터 시스템에 걸쳐 분산될 수 있을 것으로 예상된다. 컴퓨터 시스템(들)은 사설 통신 네트워크 내에 상주할 수 있거나, "클라우드 내에서" 인터넷을 통해 액세스가능할 수 있다. AVA 소프트웨어 및 디지털 사이니지 미디어 플레이어(145)를 포함하는 디지털 사인 기능 블록은 전형적으로 소매점 또는 쇼핑몰과 같이 광고주들이 디지털 사인 상에 디지털 광고들을 디스플레이하기를 원하는 영역 내에 위치된 하나 이상의 디지털 디스플레이 디바이스에 연결된 하나 이상의 서버 내에 구현되거나 거기에 접속된다. 예를 들어 비디오 카메라와 같은 광학 디바이스인 센서(103)와 같은 하나 이상의 센서는 AVA 데이터를 생성하기 위해 디지털 사인 모듈(105)에 의해 이용되는 뷰어들의 비디오 또는 이미지들을 캡처하기 위해 디지털 사인 모듈(105)에 연결된다. 일 실시예에서, 디지털 사인 기능 블록은 하나 이상의 서버를 갖는 무선 통신 네트워크를 통해 접속될 수 있는 모바일 컴퓨팅 디바이스 내에 구현될 수 있다. 모바일 컴퓨팅 디바이스는 자기 자신의 센서와 자기 자신의 디지털 디스플레이 디바이스를 포함할 수 있거나, 광고주들이 디지털 광고들을 디스플레이하고자 하는 영역 내에 위치된 하나 이상의 디지털 디스플레이 디바이스에 무선 통신 네트워크를 통해 접속될 수 있다.

예를 들어, 구별되는 또는 상이한 광고 캠페인들이 동시에 진행 중일 수 있는 백화점 또는 쇼핑몰 내에 복수의 디지털 사인 또는 복수의 디지털 디스플레이 스크린이 공동 위치될 수 있을 것으로 예상된다. 상이한 매장들이 인접한 또는 근처의 디지털 사인 구역들에 복수의 디지털 사인을 배치할 수 있다. 거기에 디스플레이되는 사인들 및 디지털 광고들은 동일한 또는 상이한 회사들 또는 광고주들에 의해 호스트될 수 있고, 각각의 구역은 그들의 고객들에 대한 구별되는 익명 비디오 분석, 또는 구역마다의 광고마다의 구별되는 데이터를 도출해내기를 원할 수 있다. 또한, 본 발명의 실시예에 따라, 예를 들어 자가 브랜드(store branding), 특별 주문 등과 같은 전-점포적인 광고(storewide advertising)의 유효성을 측정하기 위해, 광고들이 복수의 구역에 걸쳐질 수 있음이 예상된다.

표적 광고

표적 광고의 요점은 장래의 청중에게, 그 장래의 청중과 동일하거나 유사한 인구 통계를 갖는 이전의 청중이 과거에 적절한 양의 시간 동안 보았거나 보았을 것 같은 소정의 광고들을 보여주는 것이다. 본 발명의 실시예에 따른 표적 광고의 프로세스는 본 발명의 실시예에 따른 디지털 광고 시스템의 3가지 위상 및 대응 컴포넌트들, 즉 데이터 마이닝 모듈(110)에서의 광고 모델들의 학습 또는 트레이닝, CMS(120) 내에서의 커스터마이즈된 광고 목록들 또는 재생 목록들의 생성, 및 디지털 사인 모듈(105)을 이용한 재생 목록들의 재생을 특징으로 한다.

A. 광고 모델들의 학습

데이터 마이닝 기술은 데이터세트 내의 상이한 변수들 간의 숨겨진 패턴들 및 관계들을 찾기 위해 다량의 데이터를 탐색하는 것을 수반한다. 이와 같이 찾아진 것들은 새로운 데이터세트에 대하여 유효성이 검증될 수 있다. 데이터 마이닝의 전형적인 용법은 새로운 데이터에 관한 예측을 하기 위해 이력 데이터 내의 발견된 패턴을 이용하는 것이다. 본 발명의 실시예들에서, 데이터 마이닝 모듈(110)은 광고 모델들의 트레이닝 및 질의를 담당한다. 구체적으로, 2가지 유형의 광고 모델, 즉 광고 범주(ad 범주) 모델 및 통행인 패턴 모델이 생성된다. 광고 범주 모델에서, 규칙들의 집합은 특정한 청중 또는 컨텍스트(예를 들어, 시간, 위치, 날씨)를 위한 가장 적합한 광고 범주에 상관된다.

도 3은 디지털 사인 모듈(105)에 의해 수집되고 광고 데이터(310)와 함께 디이터 마이닝 모듈(110)에 입력으로서 제공되는 비디오 분석 데이터(305), 및 역시 데이터 마이닝 모듈에 입력으로서 제공되는 날씨 데이터(315)의 도시(300)를 제공한다. 일 실시예에서, 325에서, 데이터 마이닝 모듈은 컨텍스트 및 데이터 특성에 따라 일별이든 주별이든 월별이든 분기별이든 간에 정기적으로 모델들을 생성 및 트레이닝, 즉 세련화하며, 그 기본 원리는 이력 데이터로부터 도출된 패턴들/규칙들이 변하지 않는 경우에는 모델들을 트레이닝하거나 재생성할 즉각적인 필요성이 없다는 것이다.

본 발명의 일 실시예에 따른 비디오 분석 데이터(305)는 특정 디지털 광고가 디지털 사인 상에 디스플레이되었던 날짜 및 시간과, 광고가 디스플레이되었던 요일, 광고가 디스플레이되었던 위치를 지시하는 디바이스 ID 또는 다르게는 디스플레이 ID를 포함한다. 일 실시예에서, 센서 입력은 디지털 광고가 디지털 디스플레이 디바이스 상에 디스플레이되는 동안 뷰잉된 시간의 양도 제공할 수 있다. 마지막으로, 연령 및 성별과 같은 특성들에 기초하는 잠재적인 목표 뷰어쉽의 지시가 포함된다.

광고 보관소(125)로부터 데이터 마이닝 모듈(110)에 의해 수신되는 광고 데이터(310)는 특정 디지털 광고가 디지털 사인 상에서의 디스플레이를 위해 스케줄링되었던 날짜 및 시간과, 광고가 디스플레이되도록 스케줄링되었던 위치를 지시하는 디바이스 ID 또는 다르게는 디스플레이 ID, 및 디지털 광고의 지속 기간 또는 길이(초 단위)를 포함한다. 날씨 데이터(315)는 디지털 광고가 디지털 사인 상에 디스플레이되었던 날짜 및 시간의 또는 그 부근의 날짜, 온도 및 조건을 포함한다.

B. 광고 목록 생성

광고 모델들이 데이터 마이닝 모듈(110)에 의해 생성된 후, 모델들은 CMS(Content Management System)(120)에 전달된다. 그 다음, CMS는 광고 범주 모델들로부터 광고 범주들을 추출하고 광고 범주 목록을 생성한다. 다음으로, 이 광고 범주들에 대응하는 광고 데이터는 CMS(120)가 액세스할 수 있는 데이터베이스와 같은 영구적 저장소로부터 검색된다. 광고 범주 목록에 기초하여, CMS(120)는 또한 광고 목록들을 생성한다. 본 발명의 일 실시예에서, 생성되는 광고 목록은 125에서의 광고주 입력에 기초하여 수정될 수 있다. 일 실시예에서, 각각의 광고주는 광고 목록을 재배열하기 위한 기초로서 이용될 수 있는 소정의 우선순위를 할당받는다.

도 4는 CMS(120) 내에서의 이벤트들 및 정보의 흐름(400)을 도시한다. CMS는 데이터 마이닝 모듈(110)을 프로빙한다. 본 발명의 일 실시예에 따르면, 본 발명의 일 실시예에서의 프로빙 빈도는 하루 한번이다. CMS는 데이터 마이닝 모듈에 의해 생성된 현재의 규칙들 및 예측 목록들을 전부 획득하고, 그 정보를 영구적 저장소 내에 저장한다. 특정 범주들에 대응하는 광고들은 광고주 선호들에 기초하는 잠정적 재생 목록, 광고 목록 생성기 및 광고 보관소(125)로부터 획득된다. "오프라인 모드"에서, 잠정적 재생 목록은 디폴트 재생 목록으로서 이용된다. 도 4에 도시된 SQL(Structured Query Language) 서버 데이터베이스와 같은 데이터 저장소는 일 실시예에 따라 광고 보관소(125)에 연관된다. 그 데이터 저장소로부터, 광고 이름, 광고 유형, 및 실제 광고를 위한 파일들을 보유하는 광고 보관소의 파일 디렉토리 내의 경로와 같은 특정 범주들을 위한 광고 데이터를 포함하는 다양한 정보가 검색된다. CMS는 주어진 경로들에 위치된 광고들을 획득하기 위해 광고 보관소에 접속한다. 지금까지 생성된 모델들 및 대응하는 광고 목록들 전부가 CMS에서 저장된다. 디지털 사인 모듈은 전형적으로 이들 모델들 및 광고 목록들 중에서 디지털 사인 모듈의 표적화된 청중에 적합한 부분집합만을 포함할 것이다. CMS는 디지털 사인 모듈에 접속하고, 그에 적합한 모델들 및 광고 목록들을 그것에 푸시한다.

다시 도 4를 참조하면, 플레이어 특유 모델 추출기(435)가 데이터 마이닝 모듈(110)에 접속하고, 통행인 패턴 유형 및 광고 범주 모델들 둘 다를 획득한다. 이들 모델들은 플레이어마다 구분되고, 디지털 사인 모듈(디지털 플레이어)(105)에 전송된다. 데이터 마이닝 모듈(110)은 현재 요일 및 날짜와 현재 날씨에 적합한 모델들을 제공하는데, 예를 들면 현재 날짜가 2012년 3월 9일 금요일이고, 오전에는 맑고 저녁에는 비가 온다고 예보되는 것이다. 모델 추출기(415)는 광고 범주 모델들로부터 광고 범주들을 추출하고, 그러한 것을 각각의 디지털 사인을 위한 광고 목록 생성기(420)에 전송한다. 모델들은 구문분석되고, 각각의 타임 슬롯에 대하여 광고가 선택된다. 예를 들어, 평균 광고 지속기간이 10초라고 가정하면, 매 시간마다 360개의 광고가 선택된다.

광고 목록 생성기(420)는 특정 요일에 대해 스케줄링된 범주들에 대한 광고들을 광고 데이터와 함께 페치한다. 잠정적 재생 목록 생성기 모듈은 광고 목록을 분석하고, 광고주 입력 스케줄러에 전송되는 잠정적 재생 목록을 생성한다. 생성기(420)는 배열된 광고 범주들에 기초하여 재생 목록 및 광고 목록을 컴파일한다. 광고들의 선택은 일 실시예에 따라 룰렛휠 선택(roulette-wheel selection)에 기초하는데, 여기에서는 각각의 광고가 확률에 기초하여 무작위로 선택된다. 광고주 입력 스케줄러 모듈(420)은 광고주 입력을 페치하고, 디지털 사인 모듈에 전송되는 디폴트 재생 목록을 생성하기 위해 잠정적 재생 목록 내에 광고주 선호를 포함시킨다.

광고 리프레시 모듈(405)은 CMS가 액세스할 수 있는 데이터베이스와 같은 영구적 저장소 내에 유지되는 버전들을 광고 보관소로부터 획득된 버전들과 비교함으로써 새로운 광고들에 관하여 체크한다. 새로운 버전의 광고가 발견되는 경우, 실제 광고들(비디오 파일들)이 디지털 사인 모듈에 전달된다. 새로운 광고들(광고 보관소 내에 이전에는 존재하지 않았던 광고들)이 존재하는 경우, 모듈(405)은 SQL 서버 DB(440)로부터 광고 데이터를 페치하고, 그러한 것을 디지털 사인 모듈(105)에 전송한다.

C. 디지털 사인 모듈로 재생 목록을 재생

CMS(120)는 140에서 광고 목록을 디지털 사인 모듈(105)에 전달한다. 일 실시예에서, 디지털 사인 모듈은 광고 목록으로부터 파일 디렉토리 경로 정보를 추출한 다음, 광고 파일들을 보유하는 광고 보관소(125)로부터 대응 광고들을 검색함으로써 디폴트 재생 목록을 생성한다. 디지털 사인 모듈은 온라인 및 오프라인 모드 둘 다로 동작한다. 오프라인 모드에서, 디폴트 재생 목록이 디지털 사인에 재생된다. 온라인 모드를 위한 재생 목록은 디지털 사인 모듈(디지털 플레이어)(105)에서의 이벤트들 및 정보의 흐름(500)을 도시하는 도 5를 참조하여 이하에 설명되는 실시간 VA 데이터를 이용하여 생성된다.

비디오 분석(VA) 분석기(예측기) 모듈(510)은 실시간 VA 데이터를 페치하고, CMS(120)로부터 통행인 패턴 모델들을 검색하여 VA 데이터를 예측한다. 예측된 VA 데이터는 모델 분석기 모듈(515)에 전송된다. 모델 분석기 모듈(515)은 예측된 VA 데이터를 입력으로서 수신하고, CMS(120)로부터 광고 범주 모델들을 검색하며, 예측된 VA 데이터에 기초하여 광고 범주를 추출한다. 일 실시예에서, 통행인 패턴 모델 및 광고 범주 모델의 신뢰도 값들이 승산되어, 승산된 신뢰도 값을 생성한다. 승산된 신뢰도 값이 임계값보다 큰 경우, 추출된 광고 범주를 위한 광고가 잠정적 재생 목록 생성기(520)에 전송되고, 그렇지 않으면 디지털 사인 모듈은 오프라인 모드로 계속된다. 잠정적 재생 목록 생성기 모듈(520)은 CMS(120)로부터 광고 목록을 검색하고, 모델 분석기로부터의 광고 범주를 고려함으로써 잠정적 재생 목록을 생성하며, 잠정적 재생 목록을 온라인 모드에 전송한다.

스케줄러 모듈(525)은 3개의 서브모듈, 즉 확률 분포에 기초하여 광고를 선택하고, 그것을 545에서 추후에 스케줄링되고 디스플레이에 전송되는 실제 광고에 연관시키는 온라인 서브모듈; 스케줄링 시간에 기초하여 디폴트 재생 목록으로부터 광고를 선택하고, 그것을 545에서 추후에 스케줄링되고 디스플레이에 전송되는 실제 광고에 연관시키는 오프라인 서브모듈; 및 광고주 선호를 체크하고, 545에서 디스플레이를 위해 광고주 선호 광고를 스케줄링하는 선호 서브모듈을 포함한다.

실시간 컨텐츠 트리거링

본 발명의 실시예에 따르면, 뷰어들은 실시간으로 표적화된다. 실시간 프로세싱은 디지털 사인 모듈에서 발생한다. 각각의 디지털 사인 모듈은 CMS로부터 광고 범주 및 통행인 패턴 모델들 둘 다를 수신한다. 넓게 말하자면, 일 실시예에 따라, 복수의 뷰어가 검출되고, 그러한 뷰어들의 인구 통계가 분석되고, 그러한 뷰어들의 뷰잉 패턴이 수집된다. 그에 기초하여, 광고들이 디지털 사인 모듈에 표적화된다. 일 실시예에서, 통행인 패턴 모델은 디지털 광고들을 온라인 모드에서 재생할 것인지 또는 오프라인 모드에서 재생할 것인지를 지시하는 신뢰도 값으로서 지칭되는 매개변수를 갖는다. 따라서, AVA 데이터가 실시간 모드로 분석될 때, 통행인 패턴 모델로부터의 규칙들이 선택되고, 이들 규칙들에 첨부된 신뢰도 값들이 임계값과 비교된다. 신뢰도 값이 임계값에 미치지 못하는 경우에는 디폴트 재생 목록이 재생되지만, 그 값이 임계값과 동일하거나 그보다 큰 경우에는 광고 목록이 수정되고, 현재 뷰어들을 표적화하는 광고들이 재생된다. 현재 광고가 재생된 후, 디지털 사인 모듈은 디폴트 재생 목록을 재생하도록 복귀하거나, 표적화된 광고들을 계속하여 재생할 수 있다.

표적화된 광고를 위한 데이터 마이닝

데이터 마이닝 기술은 데이터세트 내의 상이한 변수들 간의 숨겨진 패턴들 및 관계를 찾기 위해 다량의 데이터를 탐색하는 것을 수반한다. 본 발명의 실시예들은 청중의 뷰잉 행동들에 관한 패턴들을 발견하기 위해 데이터 마이닝 알고리즘을 이용한다. 기본 개념은 장래의 청중에게, 동일한 인구 통계에 속하는 청중이 과거에 적당한 시간 동안 보았던 소정의 광고들을 보여주는 것이다.

A. 복수의 광고 모델 트레이닝

뷰어쉽 데이터 내에 포함된 패턴들을 캡처할 목적으로, 광고 모델들을 유지하기 위해 2가지 실시예, 즉 정규 리트레이닝(regular retraining) 및 온-디맨드 리트레이닝(on demand retraining)이 이용된다. 정규 리트레이닝은 주별 또는 월별과 같이 정기적으로 트리거된다. 온-디맨드 리트레이닝은 광고 모델들의 실적이 미리 정의된 임계값보다 낮거나, 사용자들 또는 운영자들로부터 리트레이닝 요청이 수신될 때 트리거된다. 일 실시예에서, 상이한 데이터 마이닝 알고리즘들의 이점들을 완전히 활용하기 위해, 광고 모델들을 병렬로 트레이닝하기 위해 결정 트리, 연관 규칙 및 나이브 베이즈를 포함하는 복수의 데이터 마이닝 알고리즘, 및 로지스틱 회귀 분석이 이용된다. 최상의 광고 모델 또는 복수의 광고 모델이 광고 선택을 위해 이용된다.

B. 청중 표적화 방법들

1. 관찰 기반 표적화(Seeing based targeting)

관찰 기반 표적화는 디지털 사인이 청중을 "보는 것"에 기초하여 청중을 표적화하는 것을 지칭한다. 인구 통계 정보는 디지털 디스플레이 디바이스 근처의 하나 이상의 정면 카메라와 같은 디지털 사인의 센서로부터 획득된다. 센서, 및 프로세서들에 연결된 AVA 소프트웨어는 뷰어들의 수, 그들의 성별 및 그들의 연령층을 익명으로 검출한 다음, 그 정보에 기초하여 광고 컨텐츠를 적응시키기 위해 실시예들을 제공한다. 예를 들어, 3명의 젊은 여성과 1명의 고령의 남성이 디지털 사인을 지나치는 것이 보였다면, 광고 모델들은 이 정보를 입력으로서 이용하여 질의되고, 가장 적합한 광고가 재생을 위해 선택된다.

2. 예측 기반 표적화

예측 기반 표적화는 먼저 장래의 기간 내에 디지털 사인에 도달할 뷰어들 또는 통행인들을 예측한 다음, 그들을 표적화한다. 예를 들어, 3명의 젊은 여성과 1명의 고령의 남성이 다음 20초 내에 디지털 사인을 지나칠 것이라고 예측되는 경우, 적절한 광고, 예를 들어 가장 적절한 광고가 광고 모델들마다 선택되고 재생할 준비가 된다.

3. 컨텍스트 기반 표적화

컨텍스트 기반 표적화는 날짜/시간, 디지털 사인 위치, 날씨 정보 등과 같은 컨텍스트에 의존하여 광고들을 표적화한다. 예를 들어, 11월과 12월의 맑은 수요일 아침 오전 9시에서 오전 11시 사이에는, 광고 모델들에 따라 고령 남성을 위한 광고가 특정 디지털 사인 상에 재생되도록 선택될 수 있다. 본 실시예는 통행인 유형 예측 기반 표적화가 신뢰가능하지 않고, 뷰어쉽 데이터로부터 어떠한 통행인 패턴도 발견되지 않거나 발견될 수 없을 때 유용하다.

C. 가중된 청중 카운팅

예측 기반 표적화를 실현하기 위해, 다음 타임 슬롯에서의 뷰어의 유형, 즉 통행인 유형을 예측하기 위해 뷰어 또는 통행인 예측 모델이 이용된다. 이 모델을 트레이닝하기 위해, 트레이닝 데이터세트를 생성하기 위해 가중된 청중 카운팅이 이용된다. 일 실시예에서, 각각의 통행인 유형의 카운트는 그러한 유형의 통행인이 디지털 사인을 지나쳐갈 것으로 예상되는 시점들에 따라 가중된다. 각각의 통행인 유형에 대하여, 그것의 가중된 카운트를 계산하기 위해 이하의 프로세스가 이용된다.

a) 타임 슬롯 T를 다수의 구간, 예를 들어 본 설명에서 구간 t0, t1, ..., t9으로 번호가 매겨지는 10개의 동일한 구간으로 슬라이스한다. 일 실시예에서, T는 30초와 동일하다. 그러나, T는 임의의 시간 길이일 수 있고, 예를 들어 T는 한 시간과 동일할 수 있다.

b) 통행인 유형이 디지털 사인을 지나쳐갈 것으로 예상되는 구간에 따라, 주어진 타임 슬롯 T에서의 통행인 유형을 위치 P = 0, 1, ...,9로 라벨링한다.

c) 다음으로, 통행인 유형의 가중된 카운트 C가

로서 계산되고, 여기에서 n은 위치 P에서 디지털 사인을 지나쳐갈 것으로 예상되는 이러한 통행인 유형의 통행인 수이다.

예를 들어, 도 6을 참조하면, 표 1은 타임 슬롯 T 내에서 또는 그러한 타임 슬롯 동안 디지털 사인을 지나쳐갈 것으로 예상되는 성인 여성(FA: Female Adult)을 도시한다. 구간 t1에서 2명의 성인 여성, 구간 t5에서 1명의 성인 여성, 구간 t8에서는 3명의 성인 여성이 지나갈 것으로 예상된다. 따라서, T 동안의 성인 여성 통행인 유형에 대한 가중된 카운트는:

이다.

상기 프로세스는 타임 슬롯 T 내에서 통행인 유형들 전부에 대해 반복되어, 도 6의 표 2에 도시된 것과 같은 타임 슬롯 T 동안의 모든 통행인 유형에 대한 데이터세트를 생성한다. 이러한 프로세스는 각각의 타임 슬롯, 예를 들어 타임 슬롯 T0, T1,...,Tn 내에서 각각의 통행인 유형에 대해 더 반복된다. 이와 같이 각각의 타임 슬롯에 대하여 하나씩, 다수의 데이터세트 또는 로우(rows)를 포함하는 트레이닝 데이터세트가 생성되며, 여기에서 각각의 로우는 각각의 통행인 유형에 대한 가중된 카운트들을 제공한다. 여기에서의 예는 8개의 통행인 유형들을 도시하지만, 인구 통계 정보에 정의된 범주들에 기초하여 더 많거나 더 적은 통행인 유형이 이용될 수 있을 것이 이해된다.

D. 통행인 예측 모델

본 발명의 실시예들에 따르면, 2가지 유형의 통행인 예측 모델이 아래와 같이 생성되고 이용될 수 있다.

1. 통행인 분포 예측 모델

도 6의 표 1 및 2를 참조하여 위에서 설명된 트레이닝 데이터세트에 기초하여, 통행인 유형들(위의 예에서는 8개)을 예측 변수들로서 지정하고, 그에 따라 예측 모델을 트레이닝한다. 트레이닝된 모델은 다음 타임 슬롯에서의 예측된 통행인 유형 분포를 지정한다.

2. 우세(dominant) 통행인 예측 모델

상기 트레이닝 데이터세트에 기초하여, 데이터세트 내의 최대 카운트를 갖는 통행인의 유형을 우세 통행인 유형으로서 선택하고, 그 우세한 통행인 유형을 예측 변수로서 지정하며, 그에 따라 예측 모델을 트레이닝한다. 트레이닝된 모델은 다음 타임 슬롯에서의 예측된 우세한 통행인 유형을 지시한다. 예를 들어, 표 2의 우세한 통행인 유형은 표 내의 다른 모든 통행인 유형에 비교하여 최고 또는 최대값(3.2)의 가중된 카운트를 갖는 성인 남성이다.

E. 광고 규칙 예

1. 관찰 기반 표적화 규칙들

디바이스 ID = 561, 타임 슬롯 = 아침, 요일 = 금요일, 성별 = 여성, 연령 = 젊음, 날씨 = 맑음, 주말 = 0, 미디어 Id = 10, 미디어 범주 = 아웃도어인 경우, 표적 퍼텐셜(target potential) = 0.9이다 (80％ 신뢰도에서).

상기 예에서, 미디어 ID는 미디어 범주에 의해 지정된 범주 "아웃도어" 내의 특정 광고에 대한 식별자이다. 신뢰도는 규칙의 강도의 지시이다. 예를 들어, 80％ 신뢰도는 10개의 사례 중 8개에서 규칙이 올바르다는 것을 의미한다. 표적 퍼텐셜은 특정 광고에서의 잠재적인 흥미도(potential interestingness)를 지시한다. 예를 들어, 0.9(1.0이 최대임)는 특정 광고에서의 매우 강한 흥미를 지시한다. 이들 규칙들은 표적 퍼텐셜 및 신뢰도 값들과 함께, 상기 언급된 데이터 마이닝 알고리즘들 중 하나 이상을 이용하여 데이터 마이닝 모듈에 의해 생성된다.

2. 예측 기반 표적화 규칙들

ⅰ. 통행인 분포 예측 규칙:

디바이스 ID = 561, 타임 슬롯 = 아침, 시간 = 11:00~12:00, 요일 = 금요일, 주말 = 0, 날씨 = 맑음인 경우,

여기에서, NFC, NFY, NFA, NFS, NMC, NMY, NMA 및 NMS는 각기 다음 타임 슬롯에서의 각각의 청중 또는 통행인 유형의 가중된 카운트들을 표현하는 다음 여자 어린이(Next Female Child), 다음 젊은 여성(Next Female Young), 다음 성인 여성(Next Female Adult), 다음 고령 여성(Next Female Senior), 다음 남자 어린이(Next Male Child), 다음 젊은 남성(Next Male Young), 다음 성인 남성(Next Male Adult) 및 다음 고령 남성(Next Male Senior)을 지칭하고; CFC, CFY, CFA, CFS, CMC, CMY, CMA 및 CMS는 각기 현재 타임 슬롯에서의 각각의 청중 유형의 가중된 카운트들을 표현하는 현재 여자 어린이(Current Female Child), 현재 젊은 여성(Current Female Young), 현재 성인 여성(Current Female Adult), 현재 고령 여성(Current Female Senior), 현재 남자 어린이(Current Male Child), 현재 젊은 남성(Current Male Young), 현재 성인 남성(Current Male Adult) 및 현재 고령 남성(Current Male Senior)을 의미한다. 회귀 계수들 a1,...,a8, b1,...,b8, i1,..., i8은 회귀 알고리즘들에 의해 트레이닝된다. 회귀 계수들 각각의 값은 그 계수가 승산되는 통행인 유형의 관련도를 지시한다. 예를 들어, 수학식 NFC = a1*CFC + b1*CFY + c1*CFA + d1*CFS + e1*CMC + f1*CMY + g1*CMA + h1*CMS + i1에서, a1은 현재 통행인 타입 CFC의 다음 통행인 타입 NFC에 대한 관련도를 지시한다. 일 실시예에서, CFC는 예를 들어 CMS보다 NFC에 더 관련이 있으므로, a1의 값은 h1의 값보다 더 크다. 사실, 일 실시예에서는 h1의 값이 제로일 수 있다.

ⅱ. 우세 통행인 예측 규칙:

디바이스 ID = 561, 타임 슬롯 = 아침, 시간 = 11:00~12:00, 요일 = 금요일, 주말 = 0, 날씨 = 맑음, 현재 우세 통행인 = 고령 여성이라면, 다음 우세 통행인 = 고령 남성이다.

상기 예에서, 현재 타임 슬롯 내의 우세 통행인 유형은 고령 여성이다. 우세 통행인 유형은 우세 통행인 예측 모델에 입력으로서 제공되는 예측 변수로서 이용된다. 트레이닝된 모델은 다음 타임 슬롯 내의 예측된 우세 통행인 유형이 고령 남성임을 지시한다.

3. 컨텍스트 기반 표적화 규칙들:

디바이스 ID = 561, 타임 슬롯 = 아침, 시간 = 9:00~9:30, 요일 = 금요일, 날씨 = 맑음, 주말 = 0, 미디어 Id=10, 미디어 범주 = 미디어 범주 1이라면, 표적 퍼텐셜 = 0.5이다 (70％ 신뢰도에서).

F. 광고 모델들에 기초하는 광고 선택

1. 관찰 기반 표적화를 위한 광고 선택

본 발명의 일 실시예에 따라, 이용가능한 입력들, 예를 들어 뷰어쉽 데이터로부터 획득된 인구 통계 정보, 컨텍스트 정보 등이 관찰 기반 표적화 규칙들을 질의하기 위해 이용된다. 질의는 도 6의 표 3에 제시된 규칙들을 식별한다. 그 다음, 질의의 결과들은 도 6의 표 4에 제시된 바와 같은 특정 광고(미디어 ID)를 위한 WTP(Weighted Target Potential)를 생성하기 위해 요약되며, 여기에서 WTP = f(통행인의 수, 표적 퍼텐셜, 신뢰도)이다.

예를 들어, 3명의 젊은 여성과 1명의 고령 남성이 디지털 사인을 지나쳐가는 것이 보이고, 적용가능한 규칙들 내의 광고들은 도 6의 표 3에 나타난 것과 같다고, 즉 미디어 ID(112 및 116)에 의해 식별되는 광고들이라고 가정하자. 표 3의 예에서, 가중된 표적 퍼텐셜은 도 6의 표 4에 나타난 바와 같이 (통행인의 수 * 표적 퍼텐셜 * 신뢰도)로서 계산된다. 예를 들어, 미디어 범주 "아웃도어", 미디어 ID(112)에서, 가중된 표적 퍼텐셜(WTP)은 3(표 3의 로우 1의 FY 통행인 유형의 수) 곱하기 0.9(표 3의 로우 1 내의 표적 퍼텐셜) 곱하기 0.8(표 3의 로우 1의 신뢰도) = 2.16으로서 계산된다. 또한, 미디어 범주 "신발", 미디어 ID(116)를 위한 WTP는 표 3의 로우 2 및 3에 존재하는 값들이 주어질 때, (3*0.7*0.9) + (1*0.5*0.7) = 2.24로서 계산된다.

일 실시예에 따르면, 표 4의 광고들의 목록은 각각의 광고에 대한 WTP에 기초하여 순위화될 수 있고, WTP에 관련하여 최상위의 m개의 광고가 추천 광고들로서 선택된다. 일 실시예에서, 최상위의 m개의 광고가 광고주의 입력과 같은 다른 인자들을 더 고려함으로써 선택되어, 재생할 최종 광고들을 최종 결정한다.

2. 예측 기반 표적화를 위한 광고 선택

일 실시예에 따르면, 통행인 분포 예측에 관하여, 현재 타임 슬롯 내의 모든 통행인 유형들의 가중된 카운트들, 즉 상기 예들에서의 CFC, CFY, CFA, CFS, CMC, CMY, CMA, CMS가 계산된다. 다음으로, 이러한 가중된 카운트들은 다른 이용가능한 입력들, 예를 들어 컨텍스트 정보와 함께 통행인 분포 예측 모델에 제공되고, 그러면 그것은 예측 기반 표적화 규칙들을 이용하여, 다음 타임 슬롯에서의 대응 통행인 유형들에 대한 가중된 카운트들, 즉 NFC, NFY, NFA, NFS, NMC, NMY, NMA, NMS을 계산한다. 다음 타임 슬롯에서의 대응하는 통행인 유형들에 대한 가중된 카운트들의 예가 도 6의 표 5에 나타나 있다.

다음 타임 슬롯 내에서의 각각의 통행인 유형들에 연관된 이러한 가중된 카운트들은, 이 경우에서의 WTP = f(다음 타임 슬롯에서의 대응하는 통행인 유형들에 대한 가중된 카운트들, 표적 퍼텐셜, 신뢰도)를 제외하고는, 표 4에 나타난 것과 같은 관찰 기반 표적화 규칙들에 대한 요약과 마찬가지로, 특정 광고(MediaID)에 대한 WTP(Weighted Target Potential)를 생성하기 위해 요약된다. 본질적으로, 관찰 기반 표적화 규칙들과 통행인 분포 예측 표적화 규칙들 사이의 차이는 관찰 기반 표적화 규칙들에서 이용되는 통행인들의 실제 수가 통행인 분포 예측 기반 표적화 규칙들에서는 다음 타임 슬롯에서의 대응하는 예측 통행인 유형들에 대한 가중된 카운트들로 대체된다는 것이다.

일 실시예에 따르면, 통행인 분포 예측 모델을 이용하여 생성되는 광고들의 목록은 각각의 광고에 대하여 WTP(Weighted Target Potential)에 기초하여 순위화될 수 있다. WTP에 관하여 최상위의 m개의 광고가 추천 광고들로서 선택된다. 일 실시예에서, 최상위의 m개의 광고가 광고주의 입력과 같은 다른 인자들을 더 고려함으로써 선택되어, 재생할 최종 광고들을 최종 결정한다.

우세 통행인 예측에 관하여, 현재 타임 슬롯 내의 통행인 유형들 전부의 가중된 카운트들 CFC, CFY, CFA, CFS, CMC, CMY, CMA, CMS를 계산한 후, 본 발명의 실시예는 현재 우세 통행인 유형 및 다른 이용가능한 입력들을 입력으로서 선택하여 우세 통행인 예측 모델에 제공하고, 그것은 다음 우세 통행인 유형을 생성한다. 단 하나의(우세) 통행인 유형만이 고려되므로, 우세 통행인 유형에 대한 통행인들의 수(#)는 이러한 계산을 위해 이용되지 않는다.

컨텍스트 기반 예측에 관하여, 컨텍스트 정보(시간, 위치, 날씨)가 컨텍스트 기반 표적화 규칙들에 질의하기 위해 입력으로서 제공되고, 그 규칙들은 그로부터 대응하는 표적 퍼텐셜 및 신뢰도 값들을 갖는 광고들의 목록을 생성한다. 이 목록은 각각의 광고에 대한 표적 퍼텐셜에 기초하여 순위화될 수 있고, 최상위의 m개의 광고가 추천 광고들로서 선택된다. 일 실시예에서, 최상위의 m개의 광고가 광고주의 입력과 같은 다른 인자들을 더 고려함으로써 선택되어, 재생을 위해 선택되는 광고들을 최종 결정한다.

이하의 예들은 추가의 실시예들에 관한 것이다.

복수의 광고 중 하나의 광고를 디지털 사인 상에 언제 디스플레이할지를 선택하는 방법으로서, 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 정보를 수신하는 단계; 그 정보를 복수의 광고 선택 규칙에 적용하는 단계; 및 수신된 정보의 적용에 기초하여 광고 선택 규칙들에 따라 디지털 사인 상에 하나의 광고를 언제 디스플레이할지를 선택하는 단계를 포함하는 방법이 제공된다. 일 실시예에서, 정보를 수신하는 방법은 디지털 사인 상에 디스플레이된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 수신하는 단계를 포함한다. 일 실시예에서, 정보를 복수의 광고 선택 규칙에 적용하는 단계는 수신된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 복수의 관찰 기반 광고 선택 규칙에 적용하는 단계를 포함한다.

일 실시예에서, 수신된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 복수의 관찰 기반 광고 선택 규칙에 적용하는 단계는 복수의 광고의 가중된 목록을 생성한다. 일 실시예에서, 하나의 광고를 언제 디스플레이할지를 선택하는 단계는 가중된 목록으로부터 하나의 광고를 선택하는 단계를 포함한다.

일 실시예에서, 정보를 수신하는 단계는 디지털 사인 상에 디스플레이될 광고들의 예상 뷰어들에 관한 인구 통계 정보를 수신하는 단계를 포함한다. 정보를 복수의 광고 선택 규칙에 적용하는 단계는 수신된 장래 광고들의 예상 뷰어들에 관한 인구 통계 정보를 복수의 예측 기반 광고 선택 규칙에 적용하는 단계를 포함한다. 수신된 장래 광고들의 예상 뷰어들에 관한 인구 통계 정보를 복수의 예측 기반 광고 선택 규칙에 적용하는 단계는 복수의 광고의 가중된 목록을 생성한다. 하나의 광고를 언제 디스플레이할지를 선택하는 단계는 가중된 목록으로부터 하나의 광고를 선택하는 단계를 포함한다.

일 실시예에서, 정보를 수신하는 단계는 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 수신하는 단계를 포함한다. 정보를 복수의 광고 선택 규칙에 적용하는 단계는 수신된 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 복수의 컨텍스트 기반 광고 선택 규칙에 적용하는 단계를 포함한다. 수신된 컨텍스트 정보를 적용하는 단계는 복수의 광고의 가중된 목록을 생성한다. 하나의 광고를 언제 디스플레이할지를 선택하는 단계는 가중된 목록으로부터 가장 큰 가중치를 갖는 광고를 하나의 광고로서 선택하는 단계를 포함한다.

일 실시예에서, 복수의 광고 중 하나의 광고를 디지털 사인 상에 언제 디스플레이할지를 선택하기 위한 장치로서, 디지털 사인에 연결되어 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 정보를 수신하는 데이터 마이닝 모듈 - 데이터 마이닝 모듈은 그 정보를 복수의 광고 선택 규칙에 적용함 - ; 및 데이터 마이닝 모듈에 연결되어 수신된 정보의 적용에 기초하여 광고 선택 규칙들에 따라 디지털 사인 상에 하나의 광고를 언제 디스플레이할지를 선택하는 컨텐츠 관리 시스템을 포함하는 장치가 제공된다.

일 실시예에서, 데이터 마이닝 모듈이 정보를 수신하는 것은 데이터 마이닝 모듈이 디지털 사인 상에 디스플레이된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 수신하는 것을 포함한다. 일 실시예에서, 데이터 마이닝 모듈이 그 정보를 복수의 광고 선택 규칙에 적용하는 것은 데이터 마이닝 모듈이 수신된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 복수의 관찰 기반 광고 선택 규칙에 적용하는 것을 포함한다. 일 실시예에서, 데이터 마이닝 모듈이 수신된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 복수의 관찰 기반 광고 선택 규칙에 적용하는 것은 복수의 광고의 가중된 목록을 생성한다. 일 실시예에 따르면, 컨텐츠 관리 시스템이 하나의 광고를 언제 디스플레이할지를 선택하는 것은 컨텐츠 관리 시스템이 가중된 목록으로부터 하나의 광고를 선택하는 것을 포함한다.

일 실시예에 따르면, 데이터 마이닝 모듈이 정보를 수신하는 것은 데이터 마이닝 모듈이 디지털 사인 상에 디스플레이될 광고들의 예상 뷰어들에 관한 인구 통계 정보를 수신하는 것을 포함하고, 데이터 마이닝 모듈이 그 정보를 복수의 광고 선택 규칙에 적용하는 것은 데이터 마이닝 모듈이 수신된 장래 광고들의 예상 뷰어들에 관한 인구 통계 정보를 복수의 예측 기반 광고 선택 규칙에 적용하는 것을 포함한다. 일 실시예에서, 데이터 마이닝 모듈이 수신된 장래 광고들의 예상 뷰어들에 관한 인구 통계 정보를 복수의 예측 기반 광고 선택 규칙에 적용하는 것은 복수의 광고의 가중된 목록을 생성하고, 컨텐츠 관리 시스템이 하나의 광고를 언제 디스플레이할지를 선택하는 것은 컨텐츠 관리 시스템이 가중된 목록으로부터 하나의 광고를 선택하는 것을 포함한다.

일 실시예에 따르면, 데이터 마이닝 모듈이 정보를 수신하는 것은 데이터 마이닝 모듈이 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 수신하는 것을 포함하고, 데이터 마이닝 모듈이 그 정보를 복수의 광고 선택 규칙에 적용하는 것은 데이터 마이닝 모듈이 수신된 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 복수의 컨텍스트 기반 광고 선택 규칙에 적용하는 것을 포함한다. 데이터 마이닝 모듈이 수신된 컨텍스트 정보를 적용하는 것은 복수의 광고의 가중된 목록을 생성하고, 컨텐츠 관리 시스템이 하나의 광고를 언제 디스플레이할지를 선택하는 것은 컨텐츠 관리 시스템이 가중된 목록으로부터 광고를 선택하는 것 - 광고는 그 광고가 하나의 광고로서 선택되도록 하는 가중치를 가짐 - 을 포함한다.

일 실시예에 따르면, 복수의 광고 중 하나의 광고를 디지털 사인 상에 언제 디스플레이할지를 선택하는 방법이 수행되는데, 그 방법은 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 정보를 수신하는 단계; 그 정보를 복수의 광고 선택 규칙에 적용하는 단계; 및 수신된 정보의 적용에 기초하여 광고 선택 규칙들에 따라, 디지털 사인 상에 예를 들어 가중된 목록으로부터 하나의 광고를 언제 디스플레이할지를 선택하는 단계를 포함한다. 일 실시예에 따르면, 디스플레이에 관한 정보를 수신하는 단계는 디지털 사인 상에 디스플레이된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 수신하는 단계를 포함한다. 일 실시예에 따르면, 정보를 복수의 광고 선택 규칙에 적용하는 단계는 수신된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 복수의 관찰 기반 광고 선택 규칙에 적용하는 단계를 포함한다. 일 실시예에서, 수신된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 복수의 관찰 기반 광고 선택 규칙에 적용하는 단계는 복수의 광고의 가중된 목록을 생성한다.

일 실시예에서, 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 정보를 수신하는 단계는 디지털 사인 상에 디스플레이될 광고들의 예상 뷰어들에 관한 인구 통계 정보를 수신하는 단계를 포함한다. 또한, 본 실시예에서, 그 정보를 복수의 광고 선택 규칙에 적용하는 단계는 수신된 장래 광고들의 예상 뷰어들에 관한 인구 통계 정보를 복수의 예측 기반 광고 선택 규칙에 적용하는 단계를 포함한다. 추가로, 본 실시예에서, 수신된 장래 광고들의 예상 뷰어들에 관한 인구 통계 정보를 복수의 예측 기반 광고 선택 규칙에 적용하는 단계는 복수의 광고의 가중된 목록을 생성한다. 실시예에 따르면, 하나의 광고를 언제 디스플레이할지를 선택하는 단계는 가중된 목록으로부터 하나의 광고를 선택하는 단계를 포함한다.

일 실시예에서, 정보를 수신하는 단계는 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 수신하는 단계를 포함한다. 그러한 실시예에서, 그 정보를 복수의 광고 선택 규칙에 적용하는 단계는 수신된 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 복수의 컨텍스트 기반 광고 선택 규칙에 적용하는 단계를 포함한다. 실시예에서, 수신된 컨텍스트 정보를 적용하는 단계는 복수의 광고의 가중된 목록을 생성할 수 있다. 실시예에서, 하나의 광고를 언제 디스플레이할지를 선택하는 단계는 가중된 목록으로부터 가장 큰 가중치를 갖는 광고를 하나의 광고로서 선택하는 단계를 포함한다.

상기 실시예들은 적어도 하나의 머신 판독가능한 매체가 컴퓨팅 디바이스 상에서 실행되는 것에 응답하여 컴퓨팅 디바이스로 하여금 상기 실시예들을 수행하게 하는 복수의 명령어를 포함하도록, 소프트웨어로 구현될 수 있음을 알아야 한다.

일 실시예에서, 장치는 복수의 광고 중 하나의 광고를 디지털 사인 상에 언제 디스플레이할지를 선택한다. 장치는 디지털 사인에 연결되어 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 정보를 수신하는 데이터 마이닝 모듈을 포함한다. 데이터 마이닝 모듈은 그 정보를 복수의 광고 선택 규칙에 적용한다. 데이터 마이닝 모듈에 연결된 컨텐츠 관리 시스템은 수신된 정보의 적용에 기초하여 광고 선택 규칙들에 따라 디지털 사인 상에 하나의 광고를 언제 디스플레이할지를 선택한다.

일 실시예에서, 데이터 마이닝 모듈은 디지털 사인 상에 디스플레이된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 수신하고, 수신된 이전 광고들의 실제 뷰어들에 관한 인구 통계 정보를 복수의 관찰 기반 광고 선택 규칙에 적용한다. 이것은 데이터 마이닝 모듈이 복수의 광고의 가중된 목록을 생성하는 것에 의해 달성될 수 있다. 일 실시예에서, 컨텐츠 관리 시스템은 가중된 목록으로부터 하나의 광고를 선택한다.

일 실시예에서, 데이터 마이닝 모듈은 디지털 사인 상에 디스플레이될 광고들의 예상 뷰어들에 관한 인구 통계 정보를 수신하고, 수신된 장래 광고들의 예상 뷰어들에 관한 인구 통계 정보를 복수의 예측 기반 광고 선택 규칙에 적용한다. 일 실시예에서, 데이터 마이닝 모듈은 복수의 광고의 가중된 목록을 생성할 수 있고, 다음으로 컨텐츠 관리 시스템은 가중된 목록으로부터 하나의 광고를 선택한다.

일 실시예에서, 데이터 마이닝 모듈은 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 수신하고, 수신된 디지털 사인 상에 광고들을 디스플레이하는 것에 관한 컨텍스트 정보를 복수의 컨텍스트 기반 광고 선택 규칙에 적용한다. 일 실시예에서, 데이터 마이닝 모듈은 복수의 광고의 가중된 목록을 생성할 수 있고, 컨텐츠 관리 시스템은 가중된 목록으로부터 광고 - 광고는 그 광고가 하나의 광고로서 선택되도록 하는 가중치를 가짐 - 를 선택한다.

결론

본 설명에서, 본 발명의 실시예들에 대한 더 완전한 설명을 제공하기 위해 다수의 상세가 제시되었다. 그러나, 본 기술분야의 숙련된 자에게는, 본 발명의 실시예들이 이러한 구체적 상세들 없이도 실시될 수 있다는 것이 분명할 것이다. 다른 경우들에서는, 본 발명의 실시예들을 모호하게 하지 않기 위해, 잘 알려진 구조들 및 디바이스들은 상세하게 도시되지 않고 블록도의 형태로 도시되었다.

이러한 상세한 설명의 일부 부분들은 컴퓨터 메모리 내의 데이터에 대한 동작들의 알고리즘 및 기호적 표현들에 관하여 제시된다. 이러한 알고리즘적 설명들 및 표현들은 데이터 프로세싱 분야의 숙련된 자들이 그들의 작업의 요지를 해당 기술분야의 다른 숙련된 자들에게 가장 효과적으로 전달하기 위해 이용하는 수단이다. 여기에서 그리고 일반적으로, 알고리즘은 소기의 결과를 야기하는 단계들의 자기모순없는 시퀀스(self-consistent sequence)라고 생각된다. 단계들은 물리적 수량들의 물리적 조작을 요구하는 것들이다. 반드시 그러한 것은 아니지만 통상적으로, 이러한 수량들은 저장, 전달, 결합, 비교 및 다르게 조작될 수 있는 전기적 또는 자기적 신호의 형태를 취한다. 주로 관습으로 인해, 때로는 이러한 신호들을 비트, 값, 요소, 심볼, 캐릭터, 텀(terms), 숫자 또는 그와 유사한 것으로 지칭하는 것이 편리한 것으로 판명되었다.

그러나, 이러한 용어들 및 유사한 용어들 전부가 적절한 물리적 수량에 연관되어야 하며 그러한 수량들에 적용되는 편리한 라벨에 지나지 않는다는 점을 염두에 두어야 한다. 명시적으로 다르게 언급되지 않는 한, 본 논의로부터 명백한 바와 같이, 본 명세서 전반에서, "프로세싱" 또는 "컴퓨팅" 또는 "계산" 또는 "결정" 또는 "디스플레이" 또는 그와 유사한 것과 같은 용어들을 이용한 논의들은 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리적(전자적) 수량으로서 표현되는 데이터를 조작하여, 컴퓨터 시스템 메모리들 또는 레지스터들, 또는 다른 그러한 정보 저장, 송신 또는 디스플레이 디바이스들 내의 물리적 수량으로서 유사하게 표현되는 다른 데이터로 변환하는, 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 디바이스의 액션 및 프로세스들을 지칭한다는 점을 알아야 한다.

본 발명의 실시예들은 또한 여기에서의 동작들을 수행하기 위한 장치들에 관한 것이다. 일부 장치들은 요구되는 목적을 위해 특수하게 구성될 수 있거나, 또는 그것은 컴퓨터 내에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화되거나 재구성되는 범용 컴퓨터를 포함할 수 있다. 그러한 컴퓨터 프로그램은 제한적인 것은 아니지만, 플로피 디스크, 광학 디스크, CD-ROM, DVD-ROM, 및 자기-광학 디스크, ROM(read-only memory), RAM(random access memory), EPROM, EEPROM, NVRAM, 자기 또는 광학 카드, 또는 전자적 명령어들을 저장하기에 적합한 임의의 유형의 매체를 포함하고 컴퓨터 시스템 버스에 각각 연결되는 임의의 유형의 디스크와 같은 컴퓨터 판독가능한 저장 매체 내에 저장될 수 있다.

여기에 제시되는 알고리즘들 및 디스플레이들은 본질적으로 임의의 특정한 컴퓨터 또는 다른 장치에 관련되지 않는다. 다양한 범용 시스템들이 여기에서의 교시에 따른 프로그램들과 함께 이용될 수 있거나, 요구되는 방법 단계들을 수행하기 위해 더 특수화된 장치를 구성하는 것이 편리하다고 판명될 수 있다. 다양한 이들 시스템을 위한 요구되는 구조가 여기에서의 설명으로부터 나타난다. 추가로, 본 발명의 실시예들은 임의의 특정한 프로그래밍 언어를 참조하여 설명되지 않는다. 여기에 설명된 본 발명의 교시들을 구현하기 위해 다양한 프로그래밍 언어들이 이용될 수 있음을 알 것이다.

머신 판독가능한 매체는 머신(예를 들어, 컴퓨터)에 의해 판독가능한 형태로 된 정보를 저장하거나 송신하기 위한 임의의 메커니즘을 포함한다. 예를 들어, 머신 판독가능한 매체는 ROM(read only memory), RAM(random access memory), 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 디바이스 등을 포함한다.

본 기술분야의 통상의 지식을 가진 자는 상기 설명을 읽고 난 후에는 틀림없이 본 발명의 실시예의 다수의 변경 및 수정을 분명히 알게 될 것이지만, 예시로서 도시되고 설명된 어떠한 특정한 실시예도 결코 제한적인 것으로서 고려되도록 의도된 것이 아니라는 점을 이해해야 한다. 그러므로, 다양한 실시예들의 상세에 대한 언급은 본 발명에 필수적이라고 여겨지는 특징들만을 기재한 청구항들의 범위를 제한하도록 의도된 것이 아니다.

Claims

전자 디지털 디스플레이 스크린으로서,
명령어를 실행하는 프로세서 및 메모리;
상기 프로세서 및 메모리를 통해 동작 가능한 스케줄러(scheduler) - 상기 스케줄러는 컨텐츠 관리 시스템으로부터 하나 이상의 광고주 선호도를 수신하고, 상기 컨텐츠 관리 시스템은 상기 전자 디지털 디스플레이 스크린과 원격으로 동작하고, 상기 스케줄러는 상기 컨텐츠 관리 시스템으로부터 디폴트 재생 목록(default playlist)을 수신하고, 상기 컨텐츠 관리 시스템은 복수의 타임 슬롯에 대해 상기 전자 디지털 디스플레이 스크린에서 디스플레이할 멀티미디어 컨텐츠를 지정함 -;
상기 프로세서 및 메모리를 통해 동작 가능한 하나 이상의 센서 - 상기 하나 이상의 센서는 상기 전자 디지털 디스플레이 스크린에서 분석을 위해 비디오 분석 데이터를 캡처함 -;
상기 프로세서 및 메모리를 통해 동작 가능한 비디오 분석 분석기 모듈(video analytics analyzer module) - 상기 비디오 분석 분석기 모듈은 상기 전자 디지털 디스플레이 스크린의 다수의 뷰어를 검출하고 상기 검출된 다수의 뷰어에 대한 인구통계 특성(demographic characteristics)을 결정하기 위해, 상기 캡처된 비디오 분석 데이터의 픽셀을 분석함 -; 및
상기 복수의 타임 슬롯으로부터 다음 하나의 타임 슬롯 내의 통행인 유형(passer type)을 예측하도록 트레이닝되는 예측 모델
을 포함하고,
상기 스케줄러는 상기 전자 디지털 디스플레이 스크린에서 뷰어쉽 정보(viewership information)가 이용가능하지 않을 때, 상기 디폴트 재생 목록에 따라 상기 복수의 타임 슬롯 동안 상기 멀티미디어 컨텐츠를 디스플레이하고,
상기 스케줄러는, 상기 뷰어가 상기 전자 디지털 디스플레이 스크린에서 검출되면, 상기 하나 이상의 광고주 선호도에 따라, 상기 검출된 다수의 뷰어 및 상기 검출된 다수의 뷰어에 대한 인구통계 특성에 기초하여, 상기 복수의 타임 슬롯 중 적어도 하나 내에서 상기 전자 디지털 디스플레이 스크린을 통해, 상기 디폴트 재생 목록과는 상이한 멀티미디어 컨텐츠를 선택하고 디스플레이하고,
상기 스케줄러는, 각각의 광고에 대한 상기 다수의 뷰어 각각의 흥미도 및 신뢰도에 기초하여 광고의 가중된 목록을 생성하고 - 상기 신뢰도는 상기 각각의 광고에 대한 상기 다수의 뷰어 각각의 흥미도를 할당하는 규칙의 정확성의 지표임 -,
멀티미디어 컨텐츠를 선택하고 디스플레이하는 상기 스케줄러는, 상기 예측 모델에 의해 상기 다음 하나의 타임 슬롯에서 예측되는 상기 통행인 유형 및 상기 광고의 가중된 목록에 기초하여 상기 멀티미디어 컨텐츠를 선택하는 스케줄러를 포함하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 전자 디지털 디스플레이 스크린은 공공 장소 내에서 디스플레이되는 디지털 광고 사인(digital advertising sign) 내에 구현되고,
상기 전자 디지털 디스플레이 스크린은, LCD(Liquid Crystal Display), LED(Light Emitting Diode) 디스플레이, 플라즈마 디스플레이 또는 투영식 디스플레이(projected display) 중 하나인, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 하나 이상의 센서는, 상기 전자 디지털 디스플레이 스크린에 의한 익명 비디오 분석(anonymous video analytics)(AVA)을 위해 상기 전자 디지털 디스플레이 스크린에서 비디오 데이터를 캡처하는 하나 이상의 정면 카메라를 포함하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 비디오 분석 데이터를 캡처하는 하나 이상의 센서는, 프라이버시 보호(privacy protection)를 구현하고,
상기 하나 이상의 센서에 의해 캡처된 비디오 분석 데이터는, 익명 비디오 분석 데이터로 만들어지고 익명 비디오 분석 데이터로 유지되는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 비디오 분석 데이터를 캡처하는 하나 이상의 센서는,
뷰어의 이미지가 상기 전자 디지털 디스플레이 스크린에 의해 캡처, 저장 또는 전송되지 않는 것을 요구하는 프라이버시 보호를 구현하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 검출된 다수의 뷰어에 대한 인구통계 특성을 결정하는 분석 분석기 모듈은,
상기 검출된 전자 디지털 디스플레이 스크린의 임의의 다수의 뷰어의 이미지를 샘플링, 캡처, 저장 또는 전송하지 않고, 상기 분석 분석기 모듈에 의해 검출된 상기 전자 디지털 디스플레이 스크린의 다수의 뷰어에 대응하는 주어진 모집단의 구성원에 관한 정보를 체계적이고 정기적으로 취득하고 기록하여 센서스(census)에 기초하여 뷰어쉽 데이터를 결정하는 분석 분석기 모듈을 포함하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 컨텐츠 관리 시스템은 하나 이상의 광고주로부터 상기 하나 이상의 광고주 선호도를 수신하고,
상기 전자 디지털 디스플레이 스크린을 상기 컨텐츠 관리 시스템과 통신가능하게 인터페이스하는 디지털 사이니지 네트워크(digital signage network)를 통해, 상기 컨텐츠 관리 시스템은 또한 상기 하나 이상의 광고주 선호도를 상기 전자 디지털 디스플레이 스크린으로 전송하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 전자 디지털 디스플레이 스크린의 상기 스케줄러를 통해, 상기 컨텐츠 관리 시스템은 디스플레이를 위해 상기 전자 디지털 디스플레이 스크린에 실시간으로 광고 모델을 배치하고,
상기 전자 디지털 디스플레이 스크린을 상기 컨텐츠 관리 시스템과 통신가능하게 인터페이스하는 디지털 사이니지 네트워크를 통해, 상기 컨텐츠 관리 시스템은, 상기 전자 디지털 디스플레이 스크린과 원격으로 인터페이스되는 클라우드 기초 서비스(cloud based service)로서 동작하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 전자 디지털 디스플레이 스크린을 통해 수집되는 광고 데이터에 기초하여, 상기 컨텐츠 관리 시스템은 컨텐츠의 실시간 디스플레이를 트리거(trigger)하고,
상기 전자 디지털 디스플레이 스크린을 통해 수집되는 상기 광고 데이터는, 상기 전자 디지털 디스플레이 스크린에 의해 수집되고 분석되는 익명 비디오 분석(AVA) 데이터를 적어도 포함하고,
상기 전자 디지털 디스플레이 스크린은, 사람들이 현재 상기 전자 디지털 디스플레이 스크린을 보고 있는지를 결정하기 위해 실시간으로 상기 전자 디지털 디스플레이 스크린에서 수집되는 비디오 컨텐츠의 픽셀을 분석하는 전자 디지털 디스플레이 스크린을 포함하고,
사람들이 현재 상기 전자 디지털 디스플레이 스크린을 보고 있는지에 관한 결정과 상기 하나 이상의 광고주 선호도에 적어도 부분적으로 기초하여 상기 컨텐츠를 디스플레이하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 하나 이상의 광고주 선호도는, 상기 컨텐츠 관리 시스템으로부터의 광고 선택 규칙을 적어도 포함하고,
멀티미디어 컨텐츠를 선택하고 디스플레이하는 상기 스케줄러는, 상기 광고 선택 규칙에 따라 상기 멀티미디어 컨텐츠를 선택하는 스케줄러를 포함하는, 전자 디지털 디스플레이 스크린.
제10항에 있어서,
상기 예측 모델은 상기 복수의 타임 슬롯의 하나 이상에서, 상기 전자 디지털 디스플레이 스크린에 의해 디스플레이되는 장래 광고(future advertisements)의 다수의 장래 뷰어(future viewer)를 예측하도록 트레이닝되고,
상기 스케줄러는, 상기 광고 선택 규칙에 기초하고 상기 트레이닝되는 예측 모델에 또한 기초하여 광고의 가중된 목록을 생성하고,
멀티미디어 컨텐츠를 선택하고 디스플레이하는 상기 스케줄러는, 상기 광고의 가중된 목록에 기초하여 상기 멀티미디어 컨텐츠를 선택하는 스케줄러를 포함하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 스케줄러는, 상기 전자 디지털 디스플레이 스크린에 의해 디스플레이되는 이전 광고(previous advertisements)의 검출된 뷰어를 지정하는 이력 인구통계 정보(historical demographic information)를 더 수신하고,
멀티미디어 컨텐츠를 선택하고 디스플레이하는 상기 스케줄러는, 상기 수신된 이력 인구통계 정보에 더 기초하여, 상기 멀티미디어 컨텐츠를 선택하는 스케줄러를 포함하는, 전자 디지털 디스플레이 스크린.
제1항에 있어서,
상기 예측 모델은, 상기 복수의 타임 슬롯의 하나 이상에서 상기 전자 디지털 디스플레이 스크린에 의해 디스플레이되는 장래 광고의 다수의 장래 뷰어를 예측하도록 구성되고,
멀티미디어 컨텐츠를 선택하고 디스플레이하는 상기 스케줄러는, 예측된 장래 광고의 다수의 장래 뷰어에 또한 기초하여 상기 멀티미디어 컨텐츠를 선택하는 스케줄러를 포함하는, 전자 디지털 디스플레이 스크린.
삭제
명령어가 저장된 비-일시적 컴퓨터 판독가능 저장 매체로서,
상기 명령어가 전자 디지털 디스플레이 스크린의 프로세서에 의해 실행되면, 상기 명령어는 상기 전자 디지털 디스플레이 스크린으로 하여금,
상기 전자 디지털 디스플레이 스크린과 원격으로 동작하는 컨텐츠 관리 시스템으로부터 하나 이상의 광고주 선호도를 수신하고,
복수의 타임 슬롯에 대해 상기 전자 디지털 디스플레이 스크린에서 디스플레이할 멀티미디어 컨텐츠를 지정하는 상기 컨텐츠 관리 시스템으로부터 디폴트 재생 목록을 수신하고,
상기 전자 디지털 디스플레이 스크린의 하나 이상의 센서를 통해 비디오 분석 데이터를 캡처하고,
상기 전자 디지털 디스플레이 스크린의 상기 하나 이상의 센서를 통해 캡처된 비디오 분석 데이터의 픽셀을 분석하여, 상기 전자 디지털 디스플레이 스크린의 다수의 뷰어 및 상기 다수의 뷰어에 대한 인구통계 특성을 검출하고,
상기 뷰어가 상기 전자 디지털 디스플레이 스크린에서 검출되면, 상기 하나 이상의 광고주 선호도에 따라, 상기 검출된 다수의 뷰어 및 상기 검출된 다수의 뷰어에 대한 인구통계 특성에 기초하여, 상기 복수의 타임 슬롯 중 적어도 하나 내에 상기 전자 디지털 디스플레이 스크린에서, 상기 디폴트 재생 목록과는 상이한 멀티미디어 컨텐츠를 선택하고 디스플레이하고,
상기 복수의 타임 슬롯으로부터 다음 하나의 타임 슬롯 내의 통행인 유형을 예측하는 예측 모델을 트레이닝하고,
각각의 광고에 대한 상기 다수의 뷰어 각각의 흥미도 및 신뢰도에 기초하여 광고의 가중된 목록을 생성하는 것을 포함하는 동작들을 수행하게 하고 - 상기 신뢰도는 상기 각각의 광고에 대한 상기 다수의 뷰어 각각의 흥미도를 할당하는 규칙의 정확성의 지표임 -,
스케줄러는 상기 전자 디지털 디스플레이 스크린에서 뷰어쉽 정보가 이용가능하지 않을 때, 상기 디폴트 재생 목록에 따라 상기 복수의 타임 슬롯 동안 상기 멀티미디어 컨텐츠를 디스플레이하고,
상기 전자 디지털 디스플레이 스크린에서 멀티미디어 컨텐츠를 선택하고 디스플레이하는 것은, 상기 예측 모델에 의해 상기 다음 하나의 타임 슬롯에서 예측되는 상기 통행인 유형 및 상기 광고의 가중된 목록에 기초하여 상기 멀티미디어 컨텐츠를 선택하는 것을 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
삭제
제15항에 있어서,
상기 복수의 타임 슬롯으로부터 다음 하나의 타임 슬롯 내의 통행인 유형을 예측하는 예측 모델을 트레이닝하는 것은,
다음 타임 슬롯을 다수의 구간으로 슬라이스(slice)하고,
각 예측되는 통행인 유형을, 상기 통행인 유형이 디지털 사인(digital sign)을 지나쳐갈 것으로 예상되는 구간들 중 하나에 대응되는 위치로 라벨링하고,
각 위치에서 상기 디지털 사인을 지나쳐갈 것으로 예상되는 각 통행인 유형의 예상되는 통행인 수에 기초하여, 각 통행인 유형의 가중된 카운트(weighted count)를 계산하는 것을 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
제17항에 있어서,
상기 다음 타임 슬롯은,
날씨 데이터에 기초한 계절적 타임 슬롯(seasonal time slot);
시간별 타임 슬롯;
주별 타임 슬롯;
월별 타임 슬롯; 또는
분기별 타임 슬롯 중 하나인, 비-일시적 컴퓨터 판독가능 저장 매체.
명령어를 실행하기 위해 프로세서 및 메모리를 내부에 가지는 전자 디지털 디스플레이 스크린에 의해 수행되는 방법으로서,
스케줄러를 통해, 상기 전자 디지털 디스플레이 스크린과 원격으로 동작하는 컨텐츠 관리 시스템으로부터 하나 이상의 광고주 선호도를 수신하는 단계;
상기 스케줄러를 통해, 복수의 타임 슬롯에 대해 상기 전자 디지털 디스플레이 스크린에서 디스플레이할 멀티미디어 컨텐츠를 지정하는 상기 컨텐츠 관리 시스템으로부터 디폴트 재생 목록을 수신하는 단계;
상기 전자 디지털 디스플레이 스크린의 하나 이상의 센서를 통해, 상기 전자 디지털 디스플레이 스크린에서의 분석을 위해 비디오 분석 데이터를 캡처하는 단계;
비디오 분석 분석기 모듈을 통해 상기 비디오 분석 데이터의 픽셀을 분석하고, 상기 비디오 분석 분석기 모듈을 통해 상기 전자 디지털 디스플레이 스크린의 다수의 뷰어를 검출하고 상기 검출된 다수의 뷰어에 대한 인구통계 특성을 결정하는 단계;
상기 뷰어가 상기 전자 디지털 디스플레이 스크린에서 검출되면, 상기 하나 이상의 광고주 선호도에 따라, 상기 검출된 다수의 뷰어 및 상기 검출된 다수의 뷰어에 대한 인구통계 특성에 기초하여, 상기 복수의 타임 슬롯 중 적어도 하나 내에 상기 전자 디지털 디스플레이 스크린에서, 상기 디폴트 재생 목록과는 상이한 멀티미디어 컨텐츠를 선택하고 디스플레이하는 단계;
상기 복수의 타임 슬롯으로부터 다음 하나의 타임 슬롯 내의 통행인 유형을 예측하는 예측 모델을 트레이닝하는 단계; 및
각각의 광고에 대한 상기 다수의 뷰어 각각의 흥미도 및 신뢰도에 기초하여 광고의 가중된 목록을 생성하는 단계 - 상기 신뢰도는 상기 각각의 광고에 대한 상기 다수의 뷰어 각각의 흥미도를 할당하는 규칙의 정확성의 지표임 -
를 포함하고,
상기 스케줄러는 상기 전자 디지털 디스플레이 스크린에서 뷰어쉽 정보가 이용가능하지 않을 때, 상기 디폴트 재생 목록에 따라 상기 복수의 타임 슬롯 동안 상기 멀티미디어 컨텐츠를 디스플레이하고,
상기 전자 디지털 디스플레이 스크린에서 멀티미디어 컨텐츠를 선택하고 디스플레이하는 것은, 상기 예측 모델에 의해 상기 다음 하나의 타임 슬롯에서 예측되는 상기 통행인 유형 및 상기 광고의 가중된 목록에 기초하여 상기 멀티미디어 컨텐츠를 선택하는 것을 포함하는, 방법.
제19항에 있어서,
상기 전자 디지털 디스플레이 스크린의 다수의 뷰어의 인구통계 특성 내에서 검출되는 모든 다른 통행인 유형과 비교하여, 가장 높은 계산된 가중치 카운트 또는 가장 높은 또는 최대의 값을 가지는 통행인 유형에 기초하여, 상기 다음 하나의 타임 슬롯에 대해 예측되는 우세 통행인 유형을 선택하는 단계를 더 포함하고,
상기 전자 디지털 디스플레이 스크린에서 멀티미디어 컨텐츠를 선택하고 디스플레이하는 단계는, 상기 선택된 우세 통행인 유형에 또한 기초하여 상기 멀티미디어 컨텐츠를 선택하는 단계를 포함하는 방법.