KR102119868B1

KR102119868B1 - 홍보용 미디어 콘텐츠 제작 시스템 및 그 방법

Info

Publication number: KR102119868B1
Application number: KR1020150146120A
Authority: KR
Inventors: 박종빈; 임태범; 김경원; 정종진; 문재원; 금승우
Original assignee: 전자부품연구원
Priority date: 2015-10-20
Filing date: 2015-10-20
Publication date: 2020-06-05
Also published as: US10311479B2; US20170109786A1; KR20170045957A

Abstract

본 발명은 스토리 컨테이너, 리소스 아이템과 같은 미디어 콘텐츠들을 자동으로 분류하고, 비정형, 반정형, 또는 정형화된 포맷으로 검색이나 질의 요청이 왔을 때 적절한 템플릿을 추천하여 홍보용 미디어 콘텐츠를 제작하는 시스템 및 그 방법으로서, 상기 시스템은, 다양한 형식과 종류를 갖는 전략 메타정보들을 임의의 가중치를 갖는 비정형 데이터 묶음으로 가공 처리하는 전략 메타정보 분석 처리부; 다양한 미디어 콘텐츠에 대해 각각의 콘텐츠들이 가진 메타정보 또는 각 콘텐츠들을 분석하여 능동적으로 추출한 메타정보를 이용하여 유사도별로 각각의 메타정보를 분류하여 분석 가공하는 미디어 콘텐츠 분석 처리부; 상기 전략 메타정보 분석 처리부를 통해 가공 처리된 전략 메타정보와, 상기 미디어 콘텐츠 분석 처리부를 통해 가공된 미디어 콘텐츠 상호 간의 연관성을 계산하는 연관성 분석부; 및 상기 다양한 전략 메타정보, 미디어 콘텐츠 및 상기 연관성 분석부에서 계산된 연관성 정보를 이용해서 최종적으로 홍보용 미디어 콘텐츠를 합성하는 미디어 콘텐츠 합성부를 포함한다.

Description

홍보용 미디어 콘텐츠 제작 시스템 및 그 방법{System and method for producting promotional media contents}

본 발명은 홍보용 미디어 콘텐츠 제작 시스템 및 그 방법에 관한 것으로서, 특히 스토리 컨테이너, 리소스 아이템과 같은 미디어 콘텐츠들을 자동으로 분류하고, 비정형, 반정형, 또는 정형화된 포맷으로 검색이나 질의 요청이 왔을 때 적절한 템플릿을 추천하여 홍보용 미디어 콘텐츠를 제작하는 시스템 및 그 방법에 관한 것이다.

통상적으로 홍보라 함은 개인, 기업, 단체 또는 조직체가 커뮤니케이션 활동을 통해 생각, 활동, 재화 등을 널리 알리거나 판매하기 위한 활동으로 해석할 수 있다.

이러한 홍보 방법으로는 직접 만나서 대화를 나누는 것에서부터, 신문이나 방송과 같은 다양한 매스미디어를 이용하여 홍보의 파급력을 증가시키는 방법에 이르기까지 종류 및 방법이 매우 다양하다.

그리고, 상기 홍보 활동은 인간과 인간 사이의 의사소통의 한 가지 방법이라 할 수 있다. 또한, 홍보 활동은 보고, 말하고, 냄새 맡고, 듣고, 느끼는 감각들을 효과적으로 활용할 때 그 효과가 극대화 될 수 있음은 물론이다. 현재의 환경에서는 TV나 인터넷 영상 서비스와 같이 시각과 청각을 이용하는 방식이 효과적이면서도 일반적이다.

대표적인 홍보 방식은 신문, 라디오, TV와 같은 매스미디어 등의 수단을 이용하는 것으로써, 소수의 전문가들이 홍보물을 제작하고 이를 각종 매스미디어를 통해 다수의 소비자들에게 단방향으로 전달하는 방식이다.

그러나 최근 인터넷 기술의 진화와 빠른 보급, 다양한 미디어 저작 도구들의 등장으로 새로운 콘텐츠 전달 방식이 확산되고 있다.

일례로 인터넷 환경을 통해 동영상의 실시간 스트리밍이 가능해졌고, 모바일 기기들의 급속한 보급으로 언제 어디서나 홍보물에 접근할 수 있는 인프라가 갖춰지게 되어 일반 사용자들이 직접 홍보물을 제작하고 이를 배포할 수 있는 환경이 마련되고 있는 실정이다.

이러한 대내외적인 환경의 진화에도 불구하고 홍보 목적에 적합한 고품질 홍보물을 생성하고 배포하는 것은 여전히 어려운 과정이다.

멀티미디어 콘텐츠를 쉽게 제작할 수 있는 강력하고 다양한 편집 도구들과 서비스들이 등장하고 있으나, 도구를 숙달되게 활용하기 위해선 여전히 오랜 시간에 걸친 습득과정이 필요하고 관련 도구를 갖추기 위한 비용 역시 적지 않다.

이를 전문적으로 수행하는 스튜디오 등에 위탁하여 홍보용 콘텐츠를 제작하는 방식도 고려될 수 있으나 역시나 매우 고가이다. 즉, 개인이나 소규모 상공인들이 직접 홍보용 미디어 콘텐츠를 제작하기에는 전문적 지식의 부족, 추가 비용 소요에 대한 부담이 여전히 크다.

상기한 바와 같은, 종래의 홍보용 미디어 콘텐츠 제작 시스템은 만들어진 템플릿이나 사진과 같은 리소스들을 사전 정의된 규칙에 따라 분류 및 저장관리 했다.

템플릿이나 리소스들은 통상적으로 갤러리 형식의 인터페이스로 사용자에게 제시되며, 사용자는 그 중에서 원하는 템플릿이나 리소스를 선택하여 홍보영상을 완성한다.

통상적으로 이를 실현하기 위해서는 템플릿이나 리소스 등을 설명할 수 있는 태그를 붙여서 분류하고 검색하는 방식을 사용하는데 메타정보들이 비정형 포맷인 경우 관리 및 분석을 위해 별도의 정형화 과정이 필요했다. 이 작업은 서비스 규모가 커지고 시간당 처리수가 증가할수록 부담이 된다.

따라서, 본 발명은 상기한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 스토리 컨테이너(템플릿의 확장개념)나 리소스를 기술하는 비정형, 반정형, 혹은 정형 메타정보를 함께 이용해서 의미단어를 기반으로 자동 분류하여 홍보용 미디어 콘텐츠를 제작할 수 있도록 한 홍보용 미디어 콘텐츠 제작 시스템 및 그 방법을 제공함에 있다.

또한, 본 발명의 다른 목적은, 홍보전략 및 사용자의도와 같은 전략 메타정보들이 입력되었을 때 적절한 스토리 컨테이너나 리소스 아이템들을 추천하여 미디어 콘텐츠를 제작할 수 있도록 한 미디어 콘텐츠 제작 시스템 및 그 방법을 제공함에 있다.

상기한 목적을 달성하기 위한 본 발명의 일 측면에 따른 홍보용 미디어 콘텐츠 제작 시스템은, 다양한 형식과 종류를 갖는 전략 메타정보들을 임의의 가중치를 갖는 비정형 데이터 묶음으로 가공 처리하는 전략 메타정보 분석 처리부; 다양한 미디어 콘텐츠에 대해 각각의 콘텐츠들이 가진 메타정보 또는 각 콘텐츠들을 분석하여 능동적으로 추출한 메타정보를 이용하여 유사도별로 각각의 메타정보를 분류하여 분석 가공하는 미디어 콘텐츠 분석 처리부; 상기 전략 메타정보 분석 처리부를 통해 가공 처리된 전략 메타정보와, 상기 미디어 콘텐츠 분석 처리부를 통해 가공된 미디어 콘텐츠 상호 간의 연관성을 계산하는 연관성 분석부; 및 상기 다양한 전략 메타정보, 미디어 콘텐츠 및 상기 연관성 분석부에서 계산된 연관성 정보를 이용해서 최종적으로 홍보용 미디어 콘텐츠를 합성하는 미디어 콘텐츠 합성부를 포함할 수 있다.

상기 다양한 형식과 종류를 갖는 전략 메타정보는, 마케팅 전략 정보, 홍보 전략 정보, 사용자 정보, 사용자 의도 정보, 서비스 통계 정보, 피드백 정보 중 적어도 하나 이상을 포함한다.

상기 미디어 콘텐츠는, 서비스 시스템이나 프로그램 상에서 공용으로 사용할 수 있는 사진, 동영상, 음악, 텍스트정보 등의 미디어 리소스들을 나타내는 공용 리소스 아이템; 사용자들 개개인이 직접 업로드 하거나 구매한 미디어 콘텐츠들을 나타내는 개인 리소스 아이템; 및 스토리라고 하는 추상적 개념을 구체적으로 표현하기 위해 게인 필터, 전환효과, 오버레이 효과 등을 이용해 디자인한 결과물을 나타내는 스토리 컨테이너로 체계를 분류할 수 있다. 여기서, 상기 미디어 콘텐츠 정보는, 사진, 동영상, 음악, 텍스트, 폰트 중 적어도 하나 이상의 정보를 포함한다.

상기 공용 리소스 아이템, 개인 리소스 아이템 및 스토리 컨테이너는 각각 서로 다른 각각의 메타정보를 포함한다.

상기 미디어 콘텐츠 분석 처리부는, 다양한 미디어 콘텐츠들에 대한 N개의 메타정보들에 대한 의미단어를 추출하는 의미단어 추출부; 상기 의미단어 추출부에서 추출된 의미 단어들과 기 정의된 딕셔너리 상의 단어들을 비교하여 새로운 딕셔너리를 생성하는 의미단어 딕셔너리부; 및 상기 딕셔너리부에서 생성된 딕셔너리를 이용해서 의미단어를 기반으로 메타정보들 상호간의 유사도를 계산하고, 이 유사도 값을 이용해서 서로를 분류하는 의미단어 기반 연관성 분석부를 포함한다.

상기 의미단어 추출부는, 프로그램을 이용하여 동적으로 입력된 텍스트 문자열과 미리 정의된 딕셔너리상의 단어들 사이의 유사도를 분석하여 의미단어를 추출하는 제 1방법 또는 입력된 텍스트 문자열을 정규 표현식(Regular Expression)등을 이용해서 단어집합으로 분리하고, 분리된 단어집합에서 무의미한 단어를 제거한 후, 의미단어를 추출하는 제 2방법을 이용하거나, 상기 제1방법과 제2방법을 조합하여 의미단어를 추출한다.

상기 의미단어 딕셔너리부는, 상기 의미단어 추출부에서 추출된 의미단어가 기 정의된 딕셔너리(Dictionary)에 포함되지 않는 경우 새로운 인덱스를 부여하여 딕셔너리에 새로 추가하고, 메타정보는, 생성된 딕셔너리 상에 존재하는 단어들로 구성되며, 메타정보를 딕셔너리 인덱스들의 집합으로 변환하여 메모리나 파일에 저장한 후, 새로운 미디어 콘텐츠가 추가될 때마다 상기 과정의 반복을 통해 의미단어를 갱신하여 새로운 딕셔너리를 생성한다.

상기 의미단어 기반 연관성 분석부는, TF-IDF(Term Frequency-Inverse Document Frequency)기법, LSA(Latent Sematic Analysis/Indexing)방법과 LDA(Latent Dirichlet Allocation)방법 중 적어도 하나의 방법을 가지는 주제 모델링(Topic Modeling) 기법 중 적어도 하나의 방법을 이용할 수 있다.

상기 미디어 콘텐츠 합성부는, 미디어 콘텐츠들에 대한 메타정보의 집합인 프로젝트 파일을 미디어 합성에 적합하도록 변환하는 프로젝트 변환부; 및 상기 프로젝트 변환부를 통해 변환된 메타정보들을 이용하여 다양한 미디어 콘텐츠들을 합성하는 렌더링부를 포함한다.

상기 연관성 분석부는, 마케팅, 홍보전략, 홍보의도 등과 같은 각각의 전략 메타정보들을 이용해서 질의문을 생성하고, 상기 생성된 질의문을 딕셔너리부에서 생성된 딕셔너리를 사용해서 인덱스로 표현하며, 딕셔너리 인덱스로 표현된 질의문을 주제 모델링 기반의 벡터공간에 표현하고, 주제 모델링된 벡터 공간상에 표현된 미디어 콘텐츠를 기술하는 메타정보들과, 입력된 질의문 사이의 유사도를 계산한 후, 계산된 유사도 값에 따라 메타정보들을 정렬(Sorting)하고, 이를 통해 유사도가 높은 미디어 콘텐츠들을 미디어 콘텐츠 합성부로 출력한다.

한편, 본 발명의 다른 측면에 따른 홍보용 미디어 콘텐츠 제작 방법은, 다양한 형식과 종류를 갖는 전략 메타정보들을 임의의 가중치를 갖는 비정형 데이터 묶음으로 가공 처리하는 단계; 다양한 미디어 콘텐츠에 대해 각각의 콘텐츠들이 가진 메타정보 또는 각 콘텐츠들을 분석하여 능동적으로 추출한 메타정보를 이용하여 유사도별로 각각의 메타정보를 분류하여 분석 가공하는 단계; 상기 가공 처리된 전략 메타정보와, 미디어 콘텐츠 상호 간의 연관성을 계산하는 단계; 및 상기 다양한 전략 메타정보, 미디어 콘텐츠 및 상기 계산된 연관성 정보를 이용해서 최종적으로 홍보용 미디어 콘텐츠를 합성하는 단계를 포함할 수 있다.

상기 미디어 콘텐츠는, 서비스 시스템이나 프로그램 상에서 공용으로 사용할 수 있는 사진, 동영상, 음악, 텍스트정보 등의 미디어 리소스들을 나타내는 공용 리소스 아이템; 사용자들 개개인이 직접 업로드 하거나 구매한 미디어 콘텐츠들을 나타내는 개인 리소스 아이템; 및 스토리라고 하는 추상적 개념을 구체적으로 표현하기 위해 게인 필터, 전환효과, 오버레이 효과 등을 이용해 디자인한 결과물을 나타내는 스토리 컨테이너로 체계를 분류할 수 있다.

상기 미디어 콘텐츠 정보는, 사진, 동영상, 음악, 텍스트, 폰트 중 적어도 하나 이상의 정보를 포함하고, 상기 공용 리소스 아이템, 개인 리소스 아이템 및 스토리 컨테이너는 각각 서로 다른 각각의 메타정보를 포함한다.

상기 각각의 메타정보를 분류하여 분석 가공하는 단계는, 다양한 미디어 콘텐츠들에 대한 N개의 메타정보들에 대한 의미단어를 추출하는 단계; 상기 추출된 의미 단어들과 기 정의된 딕셔너리 상의 단어들을 비교하여 새로운 딕셔너리를 생성하는 단계; 및 상기 생성된 딕셔너리를 이용해서 의미단어를 기반으로 메타정보들 상호간의 유사도를 계산하고, 이 유사도 값을 이용해서 메타정보들을 분류하는 단계를 포함한다.

상기 의미단어를 추출하는 단계는, 동적 프로그램을 이용하여 입력된 텍스트 문자열과 미리 정의된 딕셔너리상의 단어들 사이의 유사도를 분석하여 의미단어를 추출하는 제 1방법 또는 입력된 텍스트 문자열을 정규 표현식(Regular Expression)등을 이용해서 단어집합으로 분리하고, 분리된 단어집합에서 무의미한 단어를 제거한 후, 의미단어를 추출하는 제 2방법을 이용하거나, 상기 제1방법과 제2방법을 조합하여 의미단어를 추출한다.

상기 딕셔너리를 생성하는 단계는, 상기 추출된 의미단어가 기 정의된 딕셔너리(Dictionary)에 포함되지 않는 경우 새로운 인덱스를 부여하여 딕셔너리에 새로 추가하는 단계; 메타정보는 생성된 딕셔너리 상에 존재하는 단어들로 구성되며, 메타정보를 딕셔너리 인덱스들의 집합으로 변환하여 메모리나 파일에 저장하는 단계; 새로운 미디어 콘텐츠가 추가될 때마다 상기 과정을 반복하여 갱신하는 단계를 포함한다.

상기 메타정보들을 분류하는 단계에서, 메타 데이터의 분류는, TF-IDF(Term Frequency-Inverse Document Frequency)기법, LSA(Latent Sematic Analysis/Indexing)방법과 LDA(Latent Dirichlet Allocation)방법중 적어도 하나의 방법을 가지는 주제 모델링(Topic Modeling) 기법중 적어도 하나의 방법을 이용하여 분류한다.

상기 미디어 콘텐츠를 합성하는 단계는, 미디어 콘텐츠들에 대한 메타정보의 집합인 프로젝트 파일을 미디어 합성에 적합하도록 변환하는 단계; 및 상기 변환된 메타정보들을 이용하여 다양한 미디어 콘텐츠들을 렌더링하는 단계를 포함한다.

상기 연관성을 계산하는 단계는, 마케팅, 홍보전략, 홍보의도 등과 같은 각각의 전략 메타정보들을 이용해서 질의문을 생성하는 단계; 상기 생성된 질의문을 생성된 딕셔너리를 사용해서 인덱스로 표현하는 단계; 딕셔너리 인덱스로 표현된 질의문을 주제 모델링 기반의 벡터공간에 표현하는 단계; 주제 모델링된 벡터 공간상에 표현된 미디어 콘텐츠를 기술하는 메타정보들과, 입력된 질의문 사이의 유사도를 계산하는 단계; 계산된 유사도 값에 따라 메타정보들을 정렬(Sorting)한 후, 유사도가 높은 미디어 콘텐츠들을 출력하는 단계를 포함한다.

본 발명에 따르면, 홍보 미디어 콘텐츠 제작 서비스를 위해서 메타정보를 기반으로 자동으로 스토리 컨테이너, 리소스 아이템들 상호간의 유사도를 계산하고 분류할 수 있다.

또한, 본 발명은, 잘못된 방식으로 기 분류된 스토리 컨테이너, 리소스 아이템들을 검출하고 분류체계를 정정할 수 있으며, 비정형 혹은 정형 정보가 섞여있는 전략 메타정보로 적절한 스토리 컨테이너, 리소스 아이템을 추천할 수 있다.

또한, 본 발명은 스토리 컨테이너, 리소스 아이템 등의 검색을 위해 자연어 형식의 질의어가 발생했을 때에도 기존의 템플릿들 중에 질의어에 부합하는 적절한 템플릿 목록을 제공할 수 있다.

도 1은 본 발명에 따른 홍보용 미디어 콘텐츠 제작을 위한 개념도.
도 2는 본 발명에 따른 홍보용 미디어 콘텐츠 제작 시스템에 대한 블록 구성을 나타낸 도면.
도 3은 도 2에 도시된 미디어 콘텐츠 분석 처리부에 대한 상세 블록 구성을 나타낸 도면.
도 4는 도 2에 도시된 연관성 분석부에서, 메타정보들 사이의 상호 유사도 관계를 보여준 도면.
도 5는 도 2에 도시된 미디어 콘텐츠 분석 처리부에 대한 상세 블록 구성을 나타낸 도면.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.

본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

이하, 본 발명에 따른 홍보용 미디어 콘텐츠 제작 시스템 및 그 방법에 대하여 첨부한 도면을 참조하여 상세하게 설명하기로 한다.

도 1은 본 발명에 따른 홍보용 미디어 콘텐츠 제작 방법의 개념도이다.

도 1에 도시된 바와 같이, 사용자는 음악, 소리, 문자, 사진, 동영상 등의 다양한 미디어 콘텐츠 자원을 시스템에 제공하여 홍보용 미디어 콘텐츠를 생성하는 구성을 갖는다.

본 발명의 주요 특징 및 차별성은 마케팅전략, 홍보전략, 사용자의도, 각종 피드백 정보 등을 홍보용 미디어 콘텐츠 제작을 위해 효과적이고 확장성 높게 활용할 수 있다는 점이다.

이러한 본 발명에 따른 홍보용 미디어 콘텐츠 제작 시스템에 대하여 첨부한 도 2 내지 도 5를 참조하여 상세하게 설명해 보자.

도 2는 본 발명에 따른 홍보용 미디어 콘텐츠 제작 시스템에 대한 블록 구성을 나타낸 도면, 도 3은 도 2에 도시된 미디어 콘텐츠 분석 처리부에 대한 상세 블록 구성을 나타낸 도면, 도 4는 도 2에 도시된 연관성 분석부에서, 메타정보들 사이의 상호 유사도 관계를 보여준 도면, 도 5는 도 2에 도시된 미디어 콘텐츠 분석 처리부에 대한 상세 블록 구성을 나타낸 도면이다.

먼저, 본 발명에 따른 홍보용 미디어 콘텐츠 제작 시스템에 대한 설명에 앞서 일반적인 제작 시스템과, 본 발명의 주요 목적 및 주요 목적을 달성하기 위해 해결해야 하는 문제점들에 대하여 살펴보자.

홍보용 미디어 콘텐츠 제작 시스템에서의 핵심적인 입력요소들로는 전략 메타정보와 미디어 콘텐츠이다.

통상적인 미디어 콘텐츠 제작 시스템은 미디어 콘텐츠를 입력받아 편집 전문가 혹은 일반 사용자가 소정의 편집도구를 사용하여 미디어 콘텐츠를 제작하는 방식을 취했다.

이를 위해서는 디자인 능력, 홍보 및 마케팅 전략수립 능력, 편집도구 활용 능력, 관련 하드웨어장치나 소프트웨어 등을 요구하여 누구나 쉽게 수행하기 힘든 복잡하고 어려운 방식이었다.

본 발명은 이런 문제들을 해결하기 위한 것으로, 가용 미디어 콘텐츠를 가지고서 전략 메타정보에 부합하는 홍보용 미디어 콘텐츠를 합성하는 것이다. 앞서 기술한 바와 같이 홍보물 제작과 관련된 다양한 능력이나 장비가 없거나 부족하더라도 통상의 사용자들이 본 발명이 적용된 서비스 시스템이나 응용 프로그램을 사용함으로써 원하는 결과물을 얻을 수 있고 소기의 목적을 달성할 수 있도록 돕는 것이 본 발명의 주요 목적이다.

그러나, 이러한 목적을 실현하기 위해서는 크게 3가지 문제를 해결해야 한다.

첫 째, 미디어 콘텐츠들의 유사도를 고려하여 분류하고 정돈시키는 과정이 필요하다. 즉, 미디어 콘텐츠를 분류하고 정돈시키는 과정은 서비스를 제공하는 사업자나 기능을 구현하는 개발자들이 수작업으로 일일이 분류 및 정돈하는 방법이 통상적으로 사용되고 있으나 콘텐츠 수가 증가하는 경우나, 개인들이 실시간으로 입력하는 리소스 아이템 등에 대해서 수작업 처리하는 것은 현실적이지 않다.

둘 째, 일정하지 않고, 시간에 따라 변하는 전략 메타정보를 처리하고 활용할 수 있도록 하는 방법이 필요하다. 즉, 일정하지 않고, 시간에 따라 변하는 전략 메타정보를 처리하는 방법에 대해서는 통상적으로 입력된 정보들을 사전에 구조적으로 잘 정의된 정형 포맷으로 변환하여 처리하는 방식이 사용될 수 있으나, 이는 폐쇄적인 구조의 시스템에서는 적합할 수 있겠으나 전략 메타정보에 대한 데이터가 시간에 따라 바뀌고, 사전에 정의되기 힘든 개방형/확장형 구조를 지향하는 시스템 상황에는 적용하기 곤란한 문제가 있다.

셋 째, 최대한 자동화된 방식으로 홍보용 미디어 콘텐츠를 생성할 수 있도록 해야 하는데 미디어 콘텐츠의 특징을 고려하면서도 전략 메타정보를 반영해야 한다. 즉, 최대한 자동화된 방식으로 홍보용 미디어 콘텐츠를 생성할 수 있도록 하기 위해 미디어 콘텐츠의 특징을 고려하면서도 전략 메타정보를 반영해야 한다는 점에 대해서 통상적으로 적용되는 방법은 사전 정의된 템플릿(템플릿은 본 발명에서의 스토리 컨테이너 개념과 부분적으로 유사하고, 스토리 컨테이너는 템플릿을 포함하는 개념으로 정의함)을 사용자가 선택한 다음에 사진, 동영상, 음악, 텍스트 등 (본 발명에서의 리소스 아이템들의 예)을 템플릿에 직접 끼워 넣음으로써 이러한 목적을 달성했다.

이런 방식은 사용자가 다양한 템플릿들을 일일이 확인하고, 이 중에서 적절한 템플릿을 선택해야만 했으며, 사진, 동영상, 음악, 텍스트를 끼워 넣기 위해서도 개개의 리소스들에 대한 확인 과정이 필요했다.

이러한 문제점들을 해결하기 위한 본 발명에 따른 홍보용 미디어 콘텐츠제작 시스템은, 도 2에 도시된 바와 같이, 본 발명에 따른 홍보용 미디어 콘텐츠 제작 시스템은, 전략 메타정보 저장부(10), 미디어 콘텐츠 저장부(20), 전략 메타정보 분석 처리부(30), 미디어 콘텐츠 분석 처리부(40), 연관성 분석부(50) 및 미디어 콘텐츠 합성부(60)를 포함할 수 있다.

먼저, 전략 메타정보 저장부(10)는 마케팅 전략 정보, 홍보 전략 정보, 사용자 사전 정보, 사용자 의도 정보, 서비스 통계 정보, 피드백 정보 등을 포함할 수 있다.

상기 마케팅 전략 정보는, 마케팅 방법에 대한 메타정보이고, 홍보 전략 정보는 구체적인 홍보 방법을 지시하는 메타정보일 수 있다.

그리고, 상기 사용자 사전 정보는 사용자가 운영하는 업체의 위치나 업종과 같이 사용자와 관련된 사전 정보이고, 사용자 의도 정보는 사용자가 직접 입력하는 메타정보일 수 있다.

상기 서비스 통계 정보는, 만들어진 홍보용 미디어 콘텐츠를 관리하는 CMS(Content Management Server)가 제공하는 서비스 통계 정보이고, 피드백 정보는 홍보용 미디어 콘텐츠를 직접 접한 사람들로부터 수집된 정보를 의미한다.

상기한 전략 메타정보들은 상기 열거한 정보들만으로 한정되지 않고 새롭게 추가될 수 있으며, 내부 형식 또한 수시로 바뀔 수 있다.

이러한 전략 메타정보는 아래의 표 1에 나타낸 구체적인 예시를 통해 개념이 더욱 명확해 질 수 있을 것이다.

전략 메타 정보	특징	(예시) 비정형 포맷	(예시) 정형 포맷
마케팅 전략	사용자 입력 정보, 지역별 카드 사용 정보, SNS 및 웹 트랜드 정보 등을 이용해서 가공	“현월매출: 800만원, 목표월매출: 1,000만원, 가게가 위치한 상권은 50대 여성의 카드 사용비율 높음, 50대 여성 고객 유치를 위해 가게 외부 사이너지에 동영상 광고를 수행 하십시오”	{현월매출: “800만원”, 목표월매출: “1,000만원”, 잠재고객연령 : “50대”, 잠재고객성별 : “여성”, 홍보매체 : “가게 외부 사이너지”, 홍보물형식 : “동영상”}
홍보 전략	마케팅전략 및 트랜드 정보를 1차 가공	“대화할 수 있고 조용하고 따뜻한 분위기임을 강조할 수 있는 동영상 광고를 제작 하십시오”	{분위기 : “조용함, 따뜻함”, 홍보물 : “동영상”}
사용자 정보	업종정보, 지역정보 획득	“카페, 경기도 성남시 분당구”	{업종: “카페”, 지역: “경기도 성남시”}
사용자 의도	사용자 환경(UI)를 통해 의도 파악	“아메리카노를 저렴하게 팔아서 고객을 유도하고 생과일쥬스로 마진을 얻고자 합니다. 이를 위한 홍보물을 만들어 주세요”	{유도상품 : “아메리카노”, 매출상품 : “생과일쥬스” }
서비스 통계정보	서비스 로그파일 및 관련 통계정보 분석	“유머콘텐츠 30%, 건강콘텐츠 12%, ...”	{선호테마타입 : “유머, 건강”}
피드백 정보	사용자 피드백 정보 분석	“댓글 : 멋지네요. 꼭 가보고 싶네요”, 영상좋아요클릭수 : 135회, 영상싫어요클릭수 : 14회	{피드백유형: 긍정적, 영상싫어요클릭수 : 14회}

상기 표 1에서 “마케팅 전략 정보”의 예를 보다 구체적으로 살펴보면 다음과 같다. 본 발명의 홍보용 미디어 콘텐츠 제작 시스템과 연계될 수 있는 마케팅 전략 도출 시스템은 사용자 입력 정보, 지역별 카드 사용 정보, SNS 및 웹 트랜드 정보 등을 이용해서 마케팅 전략 정보를 생성한다.

이는 본 발명의 홍보용 미디어 콘텐츠 제작 시스템에 제공되는데 그 형태는 정형(Well-formed, Structured), 반정형(Semi-structured), 비정형(Non-structured)이 될 수 있다. 일례로 비정형 포맷은 "현월매출: 800만원, 목표월매출: 1,000만원, 가게가 위치한 상권은 50대 여성의 카드 사용비율 높음, 50대 여성 고객 유치를 위해 가게 외부 사이너지에 동영상 광고를 수행 하십시오" 처럼 마케팅과 관련된 구체적 방법을 일반인이 이해하기 쉽도록 자연어 방식으로 제공하기에 적합하다.

반면 컴퓨터를 기반으로 하는 데이터 관리 및 분석처리를 위해서는 아래의 JSON 형식의 예시와 같이 정형화된 포맷을 갖추는 것이 바람직하다. 아래의 JSON 예시에서는 키(Key)와 값(Value)들의 나열로써 나타내었으나 구조는 다양할 수 있다.

그리고 정형 포맷을 구성하기 위해서는 JSON 말고도 XML이나 데이터베이스 상의 필드요소, 정형화된 포맷을 갖는 텍스트 파일 혹은 CSV(Comma Separated Values) 파일 형태 등이 가능하다.

{

현월매출: “800만원”,

목표월매출: “1,000만원”,

잠재고객연령 : “50대”,

잠재고객성별 : “여성”,

홍보매체 : “가게 외부 사이너지”,

홍보물형식 : “동영상“

}

그러나, 실제로는 특정 전략 메타정보의 형태가 정형화된 구조를 갖더라도 다른 전략 메타정보가 비정형 구조를 가지게 되면 이들을 결합하여 처리하는 것이 또 다른 문제가 된다.

일례로 "사용자 의도 정보"에 대한 전략 메타정보의 경우 특정 사용자는 "아메리카노를 저렴하게 팔아서 고객을 유도하고 생과일 쥬스로 마진을 얻고자 합니다. 이를 위한 홍보물을 만들어 주세요"와 같이 홍보를 위한 의도나 생각을 자유롭게 기술할 수 있는데 이는 대개는 비정형이며, 사용자 별로 생각이나 의도가 다르기 때문에 정형 포맷으로 변화하는 과정 자체도 쉽지 않다.

만약, 모든 비정형화 정보를 정형화된 정보구조로 변환했더라도 시간에 따라 필드나 내용이 추가되거나 바뀔 수 있는데, 이런 경우 이런 정보를 처리하는 알고리즘까지 바뀌어야 하는 등 또 다른 어려움들도 존재한다.

도 2에 도시된 전략 메타정보 분석 처리부(30)는, 상기 전략 메타정보 저장부(10)에 저장된 다양한 형식과 종류를 갖는 전략 메타정보들을 가중치를 갖는 비정형 데이터 묶음으로 처리하는 것으로, 비정형, 반정형, 정형 포맷을 갖는 다양한 메타정보들을 쉽게 결합하여 이용할 수 있도록 한다. 즉, 전략 메타정보는 텍스트 형태로 사전 가공되었음을 가정하는 데 의미를 포함할 수 있는 단어, 문단, 문장 단위의 분석을 위해서이다.

이러한 전략 메타정보는 아래의 수학식 1과 같이 N개의 부분적인 전략 메타정보들로 표현할 수 있다.

그리고, 각각의 부분적인 전략 메타정보들은 아래의 수학식 2와 같이 가중치 값을 가질 수 있는데 이들을 모두 더한 값은 1이다. 즉, 부분적인 전략 메타정보를 정의하고 각각의 전략 메타정보에 가중치를 부여할 수 있도록 한 것이다. 이때 가중치 값은 사용자가 직접 부여할 수도 있으며, 임의의 방법으로 이를 결정할 수 있게 할 수도 있으나 특정 방법으로 국한될 필요는 없다.

이렇게 정의된 부분적인 전략 메타정보들은 다음에 기술하는 것과 같은 여러 방법들을 사용해서 통합된 형태의 전략 메타정보로 구성될 수 있다. 즉, 아래의 수학식 3과 같이 N개의 부분적인 전략 메타정보들은 하나의 통합 전략 메타정보 q로 모아질 수 있다. 여기서, 수학식 3에서 “+” 덧셈 기호는 텍스트들을 합쳐서 더 큰 텍스트로 만든다는 의미이다.

또 다른 바람직한 실시 예로써 아래 표와 같이 i번째 부분적인 전략 메타정보의 가중치 w가 소정의 임계값 T보다 큰 경우에 대해서만 q들을 더해서 최종적인 q를 만드는 방법도 가능하다. 즉, 아래와 같이 만들 수 있는 것이다.

q = null

for( I = 0 ; I < N : I++) {

if w_{i ≤}T

q = q + q_i

}

그리고, 아래의 수학식 4는 상기 실시 예들을 일반화한 형태로써 텍스트 정보로 표현되는 전략 메타정보들과 이들의 가중치 값을 이용해서 하나의 전략 메타정보 q를 생성하는 관계식을 나타낸 것이다.

그리고, 도 2에 도시된 미디어 컨텐츠 저장부(20)는, 미디어 콘텐츠를 저장하는 것으로, 미디어 콘텐츠는 공용 리소스 아이템, 개인 리소스 아이템 및 스토리 컨테이너 3가지 체계로 분류될 수 있다.

본 발명에서의 미디어 콘텐츠는 사진, 동영상, 음악, 텍스트, 폰트들을 의미한다. 여기에 더해서 사진이나 동영상 등을 엮어서 또 다른 콘텐츠를 만들기 위해 사용하는 컨테이너 파일 역시 미디어 콘텐츠로 간주한다.

이런 관점에서 공용 리소스 아이템은 서비스 시스템이나 프로그램 상에서 공용으로 사용할 수 있는 사진, 동영상, 음악, 텍스트정보 등의 미디어 리소스들로 정의하며 아래의 수학식 5와 같이 표현할 수 있다.

여기서 N은 0 이상의 유한한 정수이다.

이런 공용 리소스 아이템은 관련 서비스 사업자나, 프로그램 개발자들이 사전에 준비할 수 있다. 따라서 서비스나 프로그램의 출시 혹은 배포 이전에 사람에 의한 수작업 혹은 연산처리장치를 이용한 자동화된 분석 및 분류처리가 가능하다는 특징이 있다.

서비스가 개시되는 순간에 공용 리소스 아이템이 추가되더라도 이를 가공할 수 있는 권한과 제어권이 있으므로 추가적인 분석 및 분류처리를 통해서 처리가 가능하다.

이러한 공용 리소스 아이템들은 아래의 수학식 6과 같은 메타 데이터들을 가지게 된다. 예를 들어

번째 공용 리소스 아이템

는 이에 대응하는

번째 메타데이터

을 갖는다.

그리고, 미디어 콘텐츠 저장부(20)의 개인 리소스 아이템은 상기의 공용 리소스 아이템과 유사하게 사진, 동영상, 음악, 텍스트정보 등의 미디어 리소스들을 의미하지만 사용자들 개개인이 직접 업로드 하거나 구매한 미디어 콘텐츠들을 의미하며 아래의 수학식 7과 같이 표현될 수 있다.

이러한 개인 리소스 아이템은 관련 서비스나 프로그램 동작 중에 동적으로 추가 및 수정되는 특징을 갖는다. 이는 사용자 인터페이스(User Interface)를 제공하여 사용자에게 직접 분류해줄 것을 요구하는 방식이 가능하지만 사용자 입장에서는 번거로운 과정이다.

그리고 개인정보보안 등을 고려하여 서비스 사업자나 개발자는 이 정보에 직접적으로 접근하는 것을 금지하는 것이 바람직하다. 따라서 실 사용자가 분석 및 분류 처리를 직접 해주거나, 연산처리장치를 이용한 자동화된 분석 및 분류가 바람직하다. 공용 리소스 아이템과 마찬가지로 분석 및 분류처리를 위해서 개인 리소스 아이템들은 아래의 수학식 8과 같은 메타데이터들을 가진다.

리소스 아이템들은 홍보용 미디어 콘텐츠를 만들기 위한 재료라 할 수 있으며, 결과물을 완성하기 위해서는 이들을 결합하거나 조합할 필요가 있다.

이를 위해 본 발명에서는 스토리 컨테이너를 사용한다. 스토리 컨테이너는 스토리라고 하는 추상적 개념을 구체적으로 표현하기 위해 개인이나 필터, 전환효과, 오버레이 효과 등을 이용해 디자인한 결과물이라 할 수 있으며 아래의 수학식 9와 같이 나타낼 수 있다.

통상적으로 템플릿이라 불리는 개념과 유사하지만, 스토리 컨테이너는 필터효과나 전환효과, 내부의 리소스들이 고정된 방식이 아니라 대체, 조합, 갱신 등이 가능한 일반화된 개념이라는 것이 주요 차이점이다. 스토리 컨테이너는 상기 수학식 9와 같은 메타정보들을 갖는다. 여기서, 각각의 스토리 컨테이너들도 아래의 수학식 10과 같이 텍스트 문자열(Text String) 형태의 메타정보를 갖는다.

이러한 스토리 컨테이너들은 통상적으로 상기한 수학식 5의 공용 리소스 아이템들과 각종 필터나 전환효과 등이 결합되어 구성된다. 이런 스토리 컨테이너는 상기한 수학식 7과 같이 사용자들이 제공한 사진이나 동영상 혹은 음악 파일들을 이용해서 아래의 수학식 11과 같은 여러 개의 프로젝트 파일들을 구성한다.

본 발명에서는 각각의 프로젝트 파일들을 홍보용 미디어 콘텐츠를 렌더링하기에 충분한 정보를 포함하고 있는 리소스 및 정보들의 집합으로 정의한다. 예를 들어, 임의의 프로젝트 파일은 JSON이나 XML과 같은 정형 정보, 영상을 만들 때 필요한 사진이나 동영상 등을 모두 포함하게 된다. 즉, 프로젝트 파일은 상기한 수학식 5, 6, 7, 8, 9, 10의 스토리 컨테이너, 공용 리소스 아이템, 개인 리소스 아이템, 이들과 연관된 메타파일들이 재 가공되어 구성된다.

한편, 도 2에 도시된 미디어 콘텐츠 분석 처리부(40)는 상기한 미디어 콘텐츠들에 대해 각각의 콘텐츠들이 가진 메타정보, 혹은 콘텐츠들을 분석해서 능동적으로 추출한 메타정보를 이용하여 유사도별로 분류하는 등의 분석가공 기능을 수행한다.

상기한 미디어 콘텐츠 분석 처리부(40)에 대하여 도 3를 참조하여 좀 더 상세하게 설명해보자.

도 3은 도 2에 도시된 미디어 콘텐츠 분석 처리부(40)에 대한 상세 블록 구성을 나타낸 도면이다. 여기서, 미디어 콘텐츠에 포함되는 공용 리소스 아이템, 개인 리소스 아이템, 스토리 컨테이너들은 상기한 바와 같이 각각에 대응하는 메타정보들을 갖는다.

도 3에 도시된 바와 같이, 미디어 콘텐츠 분석 처리부(40)는 메타정보들을 이용해서 미디어 콘텐츠들을 분석하고 분류하는 작업을 수행하는 것으로, 미디어 콘텐츠 분석 처리부(40)의 입력은 아래의 수학식 12와 같은 메타정보의 집합이다. 예를 들어

번째 메타정보

은 텍스트 문자열(Text String)로 표현되며 단어를 최소단위로 갖는다. 이 값은 상기한 수학식 6, 8, 10에 대응한다고 볼 수 있다. 이후 메타정보의 집합을 분석에 용이하도록 가공하고, 유사도를 기반으로 분류하는 과정을 수행한다.

상기 미디어 콘텐츠 분석 처리부(40)는 도 3에 도시된 바와 같이, 의미단어 추출부(41), 의미 단어 딕셔너리부(42) 및 의미단어 기반 연관성 분석부(43)를 포함할 수 있다.

의미단어 추출부는(41) N개의 메타정보들에 대해 의미단어들을 추출하는 역할을 수행한다. 여기서 의미단어란, 문서의 주제나 특징을 설명하는데 기여할 수 있는 단어라고 정의할 수 있다. 또한, 의미 단어는, 필요충분조건이 성립하는 것은 아니지만 의미단어를 텍스트 문서에서 큰 의미를 갖지 않는 일부 형태소나 무의미한 단어들을 제외한 것으로도 정의할 수도 있을 것이다. 이는 필요성 및 상황에 따라 정의되어 구현이 가능한 부분으로써 이로 인해 본 발명의 범위 등을 제한하지 않아야 할 것이다.

이런 관점에서 의미단어를 추출하는 구체적인 실시 예에 대하여 살펴보자.

언어 혹은 텍스트 인코딩(Encoding)방식 등에 따라 다른 알고리즘이나 사전준비물이 필요할 수 있지만 상기 의미단어의 정의에 따라 다음과 같이 2가지 방법을 이용하거나 이들을 조합하거나 변형하여 사용할 수 있다.

첫 째, 입력된 텍스트문자열에 존재하는 텍스트 패턴이 미리 준비된 의미단어 집합 (딕셔너리, Dictionary)과 비교하여 딕셔너리에 존재하면 이를 의미단어로 추출한다.

둘 째, 입력된 텍스트문자열을 공백, 콤마, 세미콜론 등의 구분문자를 이용해서 단어형태로 분리한 후 무의미할 것으로 예상되는 단어들을 배제한 후 추출한다.

상기 첫 번째 방법으로 텍스트문자열 형태의 메타정보를 처리하는 경우를 예로 들면, 딕셔너리를 미리 준비한다. 동적 프로그래밍(Dynamic Programming) 기법과 같은 알고리즘 등을 이용해서 입력된 텍스트문자열과 딕셔너리 상의 단어들 사이의 유사도를 분석하여 의미단어를 추출한다.

기본적으로는 문자열 매칭을 통해 100% 동일한 경우에만 단어를 추출하는 방식이 사용된다. 그러나 확장방식으로써 유사도가 100%가 아니더라도 임계값 이상의 유사도를 갖는다면 이를 의미단어로 추출하는 방식도 가능하다.

또한 딕셔너리에 형태소 정보나 유사단어 정보가 존재한다면 추출된 의미단어에 이 정보를 부가시켜줄 수 있다. 이 방법은 단어별 형태소 분석이 가능하고, 사전에 조사된 정보를 기반으로 단어의 중요성을 판단할 수 있는 장점이 있지만 처리속도가 상대적으로 느리고 사전에 누락된 단어들은 무시될 수 있다는 우려도 존재한다.

한편, 상기 두 번째 방법으로 메타정보에서 의미단어를 추출하는 예를 들면, 먼저 입력된 텍스트문자열을 정규 표현식(Regular Expression)등을 이용해서 단어집합으로 분리하고, 분리된 단어집합에서 무의미한 단어를 제거한다. 예를 들어 영문의 경우 {“A”, “The”, “For”, “To”, ... }와 같이 일상적으로 사용되는 단어들을 배제하여 추출하는 것이 바람직하다. 이 방법은 단어들의 형태소 구분이 어려운 단점이 있지만 고속 처리가 가능한 장점을 갖는다.

상기 방법들은 한글과 같이 영문 이외의 언어들로 구성된 메타정보들에도 적용할 수 있는 방식이며, 언어가 서로 혼합된 있는 경우에는 상기 첫 번째 방법에서는 딕셔너리를 여러 벌 준비해서 처리할 수 있으며, 두 번째 방법에서는 제거할 단어집합을 언어에 맞춰 준비할 수 있다. 한편, 상기한 첫 번째 방법과 두 번째 방법은 서로 조합되어 사용될 수 있음은 물론이다.

도 2에 도시된 의미단어 딕셔너리부(42)는, 의미단어 추출부(41)에서 추출된 의미 단어를 딕셔너리로 생성하고 갱신하는 기능을 수행한다.

상기 의미단어 딕셔너리부(42)에서 의미단어를 딕셔너리로 생성하고 갱신하는 동작을 살펴보자.

먼저, 특정 미디어 콘텐츠에 대한 메타정보로부터 의미단어 추출부(410에서 의미단어가 추출되면, 추출된 단어가 기존의 딕셔너리(Dictionary)에 포함되어 있는지 판단한다.

판단 결과, 추출된 단어가 기존의 딕셔너리에 포함되지 않는 경우 새로운 인덱스를 부여하여 딕셔너리에 새로 추가한다.

그리고, 메타정보는 생성된 딕셔너리 상에 존재하는 단어들로 구성되며, 메타정보를 딕셔너리 인덱스들의 집합으로 변환하여 메모리나 파일에 저장한다.

그리고, 새로운 미디어 콘텐츠가 추가될 때마다 상기 과정을 반복적으로 수행한다.

통상적으로 딕셔너리는 딕셔너리 데이터 구조체를 사용하는 것이 바람직하다. 그 이유는 다음과 같다.

의미단어 추출부(41)에서 추출된 의미단어들을 연산처리장치에서 효과적으로 처리하려면 적절한 데이터 구조가 필요하다. 통상적으로 딕셔너리 데이터구조체라고 불리는 방식이 널리 사용되고 있다.

딕셔너리 데이터구조체는 일반적으로 키(Key), 값(Value)으로 구성되어 다양한 데이터 타입을 지원할 수 있으며, 딕셔너리 데이터구조체 자체적으로는 추가, 삭제, 갱신, 검색 등에 적합하며, 딕셔너리 데이터구조체를 사용함으로써 이를 이용하는 타 응용이나 프로그램들은 처리과정 중에 발생하는 저장소 용량을 줄일 수 있으며 처리속도를 향상시킬 수도 있다.

이를 좀 더 상세하게 설명하면, 상기 수학식 12의 예를 들면, 입력된 텍스트 문자열 형태를 갖는

개의 메타정보

는, 메타정보 집합

를 위한 단일한 의미단어 딕셔너리를 생성한다. 만약

번째 메타정보

이 발생했다면

에서 의미단어들을 추출하고, 이들을 기 만들어진 의미단어 딕셔너리에 추가한다.

이러한 과정을 보다 명료하게 기술하기 위해 보다 직접적인 실시 예를 아래의 표 2에 같이 나타낼 수 있다.

[0] 여행, 나, 일러스트, 사진, 여행사진, 상품, 해돋이, 산, 바다
[1] 여행, 일기, 추억, 사진, 동영상, 귀엽게, 후기, 이벤트, 프로포즈, 사진, 동영상, 맛집
[2] 여행, 아웃도어, 산, 익스트림, 스포츠, 바다, 숙박, 콘도, 팬션
[3] 여행, 미국, 유럽, 동남아, 스케줄, 날씨, 바다, 산, 위치
[4] 여행, 릴렉스, 휴식, 온화, 날씨, 사랑, 행복, 기분, 편안
[5] 숙박, 1박2일, 개인, 영상, 패키지, 상큼, 여행
[6] 숙박, 여행지, 카페, 부동산, 고급, 사이니지, 엽서
[7] 숙박, 프리미엄, 포트폴리오, 부동산, 대출, 은행
[8] 숙박, 호텔, 민박, 가격, 저렴, 편리, 교통
[9] 숙박, 여행, 포근, 여행지, 저가, 홈스테이, 에어비앤비
[10] 식당, 분식, 맛, 건강, 교통, 저렴, 학교, 조미료
[11] 식당, 일식, 맛, 신선, 재료, 참치, 오도로, 초밥, 우동
[12] 식당, 한식, 전통, 전통한식, 맛, 깔끔, 정갈, 동치미, 시래기, 재료, 조미료
[13] 식당, 한식, 메뉴, 비빔밥, 동치미, 밥, 정갈, 품격, 고급, 맛
[14] 식당, 쮸꾸미, 오징어, 낙지, 맛, 신선, 재료, 매콤, 새콤, 달콤, 조미료
[15] 로맨틱, 서정적, 카페, 플라워샵, 서점, 광고영상, 비디오
[16] 카페, 날씨, 잔잔, 온화, 향기, 심플, 일상, 추억
[17] 카페, 생동감, 행복감, 생동, 영상, 서정, 템플릿
[18] 카페, 부드러움, 음악, 배경, 인테리어, 메뉴
[19] 카페, 커피, 디저트, 인테리어, 상품, 메뉴
[20] 디자인, 구성, 심플, 입체적, 메시지, 함축, 엔딩, 오프닝, 딥블루
[21] 디자인, 심플, 광고영상, 입체적, 딥블루, 엔딩
[22] 디자인, 골드, 팝업, 간단, 심플, 핵심, 주제, 주목성, 함축, 엔딩, 오프닝
[23] 디자인, 나무디자인, 시선, 나무, 제품, 공연, 음식점, 서비스, 역동적 핵심, 주제, 주목성, 함축, 엔딩, 오프닝, 절재
[24] 디자인, 화이트디자인, 시선, 화이트, 뷰티, 병원, 음식점, 서비스, 주목성, 함축, 엔딩, 오프닝
[25] SF, 게임, 홍보, 몽환적, 다이나믹, 미래, 세상, 박진감
[26] SF, 몽환적, 게임, 홍보, 영상, 사진, 제작
[27] 게임, 트레일러, 대형, RPG, 시퀀스, 캐릭터
[28] 게임, 모바일, 영상, 로고, 플레이, 영상, 캐주얼, 캐쥬얼, 테마, 버전
[29] 캐주얼, 캐쥬얼, 동영상, 안드로이드, 가로형, 테마
[30] 순수, 부드러움, 화장품, 제품, 광고
[31] 빈티지, 올드필름, 필름, 느낌
[32] 빛줄기, 플래어, 움직임, 공간감, 화려함, 전자, 빠름
[33] 릴렉스, 텍스트, 감성, 소리, 다양한 분야
[34] 행복, 일상, 감성적, 폰트, 잔잔, 소음, 감성
[35] 상품, 홍보, 슬라이드쇼, 슬라이드, 카페, 식당, 여행, 부동산, 미용, 패션
[36] 신선함, 상큼함, 스무디
[37] 유머, 웃음, 행복, 만족, 엉뚱, 재미, 하하하, 호호호, 웃음소리
[38] 사랑, 행복, 만족, 함께, 모두, 웃음, 여유, 바닐라, 스카이, 자연
[39] 기다림, 추억, 님, 그대, 사랑, 지침, 외로움, 가슴, 아픔, 혼자, 상념

상기 표 2는 상기 수학식 10으로 표현된 스토리 컨테이너에 포함된 메타정보 들에서, 각각에 대해 의미단어 추출부(41)에서 추출한 의미단어들을 나타낸 것이다.

상기 표 2의 예시에서는

=40 인 경우이다. 일례로 표 2에서 "[10]"이라는 인덱스가 붙은 11번째 문서는 "식당, 분식, 맛, 건강, 교통, 저렴, 학교, 조미료"라는 의미단어들이 추출되어 나열되었다. 표 2에서는 이해하기 쉽도록 의미단어들이 직접적으로 나열되어 있으나, 내부적인 연산처리를 수행할 때는 딕셔너리 데이터 구조체를 이용해서 의미단어를 지시하는 인덱스 정보들로 표현되고 처리되는 것이 바람직하다.

한편, 도 3에 도시된 의미단어 기반 연관성 분석부(43)은 상기 의미단어 딕셔너리부(420에서 생성된 딕셔너리를 이용해서 의미단어를 기반으로 주제 모델링(Topic Modeling)방법 등을 사용하여 메타정보들 상호간의 유사도를 계산하고, 이 유사도 값을 이용해서 서로를 분류한다. 이에 대한 바람직한 실시 예를 기술하면 다음과 같다.

먼저, TF-IDF를 이용하여 의미단어들의 연관성을 분류 및 추천하는 방법을 살펴보자.

홍보용 미디어 콘텐츠 제작을 위해 다양한 메타문서가 포함된 미디어 콘텐츠들을 이용해서 홍보동영상을 합성한다. 이를 위해서 분류, 유사도 계산, 검색과 추천 기술이 내부적으로 필요하다. 구현관점에서 미디어 콘텐츠들에 일련의 태그(tag) 정보를 붙이고 이를 벡터공간(Vector Space)으로 표현하여 처리하는 방식, 혹은 이를 확장하여 텍스트로 표현된 메타정보의 단어별 빈도를 이용해서 처리하는 TF-IDF(Term Frequency-Inverse Document Frequency)기법 역시 간결하면서도 효과적이다. 단, TF-IDF 방법은 메타정보량이 커지는 경우 유사도 추정의 정확도가 감소하고, 검색 키워드(Search Keyword)와 메타문서 상의 단어 상호간에 완벽하게 일치하는 경우에만 유사도 계산에 반영되어 추가 성능 개선을 위해서는 키워드에 대한 정제와 정규화 과정이 필요할 수도 있다.

이와 같이 TF-IDF 방법을 사용하는 경우, 의미단어들의 발생 빈도를 계산하여 연관성 분석이 가능하다.

그리고, 주제 모델링을 사용한 의미단어를 분류 및 추천하는 동작을 살펴보자.

주제 모델링(Topic modeling) 기법은 주어진 문서들에서 숨겨진 주제들을 찾는 도구라 할 수 있다.

구체적인 응용들로는 (1) 주어진 문서(document)들에 포함된 숨겨진 주제(topic, theme)들 찾기, (2) 찾아진 주제들에 따라 주석(annotation) 추가하기, (3) 주석을 사용해서 문서들을 구성(organization), 요약(summarization), 검색(searching), 예측(prediction) 하기 등이 가능하다. 이는 일종의 입력 정보들에 대한 분류(Clustering) 과정으로써 기계학습(Machine Learning)에서 자율학습기법(Unsupervised Learning)의 범주에 속한다. 주제 모델링을 위한 다양한 기법들이 존재하지만 그 중에서도 LSA(Latent Sematic Analysis/Indexing) 방법과 LDA(Latent Dirichlet Allocation)방법은 간결하면서도 성능이 우수하여 본 발명에 적용하기에 바람직한 방법들이다.

상기 LSA방법은 신호처리에서의 주성분 분석(PCA; Principle Component Analysis) 개념과 유사하다. 관측 가능한 문서들의 집합인

를 상기 수학식 8과 같이 SVD(Singular Value Decomposition)를 사용해서 분해함으로써 주제모델링을 수행하는 방식이다.

텍스트 기반의 주제 모델링 관점에서 아래의 수학식 13을 해석하면 n은 입력 문서의 개수, m은 단어(word or term)의 개수, r은 주제의 개수에 대응한다. 외부에 노출된 자료는

뿐이지만 이를 SVD를 수행함으로써 숨겨져 있었던

,

를 찾을 수 있는데 이를 이용하는 방식에 따라 주제 모델링이나 자료압축(Data Compression) 기술이 된다.

주제 모델링 관점에서

는 문서들을 주제로 대응시키는 벡터,

는 단어들을 주제로 대응시키는 벡터로 해석할 수 있다.

는 고유값(Eigenvalue)으로 이뤄진 대각행렬(Diagonal matrix)로써 값의 크기에 따라 찾아진 주제의 강도(Strength)를 의미한다.

LDA방법은 주제(topic), 문서(document), 단어(word)라는 일상적 개념들을 확률 모델로 해석한다. 주제는 단어들의 집합이지만 이를 확률이론으로 해석하면 단어라는 확률변수들로 구성된 확률분포 함수라고 생각할 수 있다. 각각의 문서도 단어들의 집합이지만 임의의 주제들에 대한 가중합된 혼합확률분포 함수라고 간주할 수 있다.

따라서 주제, 단어, 문서는 확률 모델로 해석할 수 있으며, 상호간에는 숨겨진 연결 구조를 가지고 있음을 추측할 수 있다. LDA를 확률문제 관점에서 보면 혼합확률분포함수에서 이를 구성하는 개별적인 확률분포 함수들과 가중치 매개변수(parameter) 값들을 찾는 과정이라 할 수 있다. 여기서 단어들의 배치 순서는 고려하지 않음으로써 모델을 상대적으로 단순화 시킨다. 이를 “bag-of-words” 가정이라 부른다. 이렇게 문제를 정의하고 나면 혼합확률분포함수의 매개변수를 찾는 문제로 귀결되며 주로 EM(Expectation Maximization)알고리즘이나 이를 개선한 방법들을 사용한다. LDA는 베이지언 확률연산에 유용한 드리클레 분포(Dirichlet distribution)로 가정하고, K개의 확률분포함수의 개수는 사용자가 제시한다.

도 3에 도시된 의미단어 기반 연관성 분석부(43)에서 의미단어 기반 연관성 분석을 위한 여러 주제 모델링 방법들 중에서 LSA방법에 대해서 더욱 상세히 기술하면 다음과 같다.

LSA방법은 TF-IDF 방법의 단점을 보완하면서도, LDA방법에 비해 간단하고 안정적인 성능을 제공한다는 장점이 있다. 주제모델링 기술을 스토리 컨테이너 분류 및 추천에 적용해보면 상기 수학식 10의 스토리 컨테이너와 연결된 메타정보(

)들을 이용해서 주제모델링을 수행하는 문제가 된다.

이에 대한 구체적인 방법을 살펴보면, 먼저, 마케팅, 홍보전략, 홍보의도 등과 같은 각각의 전략 메타정보들을 이용해서 상기한 수학식 4의 q를 만든다. 이를 질의문(Query statement)이라 칭한다.

그리고, 상기 q를 이전 과정에서 만들어진 딕셔너리를 사용해서 인덱스로 표현한다. 여기서, 질의문 q에서 추출된 단어 중에 딕셔너리에 없는 단어는 무시한다.

이어, 딕셔너리 인덱스로 표현된 질의문 q를 주제모델링 기반의 벡터공간에 표현하고, 주제모델링된 벡터 공간상에 표현된 미디어 콘텐츠를 기술하는 메타정보들과, 입력된 질의문 사이의 유사도를 아래의 수학식 14와 같이 계산한다.

그리고, 상기 계산된 유사도 값에 따라 메타정보들을 정렬(Sorting)하고, 이를 통해 유사도가 높은 미디어 콘텐츠들을 출력하는 것이다.

정리하면, 템플릿 메타문서들에 포함된 단어들의 출현 패턴을 바탕으로 숨겨진 주제들을 찾고 주제에 맞게 분류하는 것으로, 주제의 개수는

개로 주어지는데 선택 방법은 대개 휴리스틱적이다.

요약하면 LSA, LDA와 같은 주제모델링 방법을 사용하여 의미단어 기반으로 연관성을 분석할 수 있다.

도 2에 도시된 연관성 분석부(50)는, 전략 메타정보 분석 처리부(30)를 통해 재가공된 전략 메타정보와, 미디어 콘텐츠 분석 처리부(40)를 통해 분석 가공된 미디어 콘텐츠 상호간의 연관성을 계산한다. 이를 통해 홍보용 미디어 콘텐츠를 만들기 위한 스토리 컨테이너 혹은 리소스 아이템을 분류하거나 추천할 수 있도록 한다. 이렇게 추천된 정보는 홍보용 미디어 콘텐츠 합성 작업을 완전 자동(Automatic) 혹은 준자동(Semi-automatic)으로 처리하기 위해 사용할 수 있다.

이와 같이, 연관성 분석부(50)에서 의미단어를 기반으로 연관성 분석이 완료된 상태에서 각종 전략 메타정보에 따라 미디어 콘텐츠를 추천하는 것에 대한 실시 예에 대하여 살펴보자.

먼저, 마케팅, 홍보전략, 홍보의도 등과 같은 각각의 전략 메타정보들을 이용해서 상기한 수학식 4의 q를 만든다. 이를 질의문(Query statement)이라 칭한다.

이어, 딕셔너리 인덱스로 표현된 질의문 q를 주제모델링 기반의 벡터공간에 표현하고, 주제모델링된 벡터 공간상에 표현된 미디어 콘텐츠를 기술하는 메타정보들과, 입력된 질의문 사이의 유사도를 상기 수학식 14와 같이 계산한다.

여기서, 두 벡터 A, B사이의 유사도(similarity)를 계산하기 위해서는 통상적으로 상기 수학식 14와 같은 코사인 유사도(Cosine similarity) 공식을 사용한다. 즉, 유사도가 -1인 경우는 완전히 반대되는 경우, 0인 경우는 서로 독립적인 경우, 1인 경우는 완벽히 일치함을 의미한다. 상기 과정을 통해 미디어 콘텐츠(공용 리소스 아이템, 개인 리소스 아이템, 스토리 컨테이너들)들과의 연관성을 토대로 분류가 가능해지고 이를 추천, 검색 등의 작업 시 활용할 수 있게 된다.

한편, 아래의 표 3은 상기 표 2와 같은 메타정보를 이용하여 전략 메타정보가 입력되었을 때 분류 및 추천되는 과정을 나타낸 것이다.

상기에서 설명한 바와 같이, 표 2는 40개의 비정형 메타정보가 의미단어로 추출된 것을 정리한 것이다. 표 2의 실시 예에서는 홍보할 업종을 고려하여 {여행, 숙박, 식당, 카페, 디자인, 게임, 기타}와 같이 7개 주제로 의도적으로 구분하여 구성한 것이다. {기타}를 제외하고는 분류항목별로 5개씩이 서로 유사한 분류로 묶여있다는 점이 특징이다. 예를 들어 표 2에서 0~4번은 {여행}, 5~9번은 {숙박}과 관련되어 있음을 알 수 있다. 메타정보들은 서로 다른 분류항목들과도 일정부분 연관성이 존재하지만 {기타}에서 36번과 같이 다른 모든 항목들에서 전혀 사용하지 않은 단어로만 구성된 경우도 존재한다.

표 3은 표 2의 메타정보의 의미단어들을 이용하여 LSA 방법으로 주제 모델링을 수행하고, 전략 메타정보를 입력했을 때 적절한 미디어 콘텐츠를 추천하는 예시를 보여준다.

표 3에서 전략 메타정보로부터 추출된 단어들은 표 2의 10번 항목과 동일하여 유사도가 거의 1로 나타났으며, 12, 14, 11, 13, 8, ... 번순으로 식당이나 숙박과 관련된 템플릿이 상위에 추천되었다. 여기서, 음수의 유사도가 나오는 이유는 상기 수학식 14의 코사인 유사도 공식을 사용했기 때문이다.

이러한 예시는 본 발명을 사용해서 전략 메타정보가 정형 메타정보와 비정형 메타정보로 함께 구성되어 있더라도 원래 의도에 부합하는 스토리 컨테이너들이 추천되고 있음을 보여준다.

* 전략 메타정보 예시 :
{업종 : “분식, 식당”, 홍보전략 = “학교 인근이고 교통 편리함을 부각, 저렴한 메뉴 구성”, 홍보의도: 조미료 넣지 않아 건강하고 맛 좋음“}

* 추출된 단어 : (사전에서 10번 항목과 동일)
{식당, 분식, 맛, 건강, 교통, 저렴, 학교, 조미료}

* 10개 주제( K=10)에 대한 주제모델링 예시
[0] -0.393*"디자인" + -0.393*"엔딩" + -0.351*"함축" + -0.351*"오프닝" + -0.282*"주목성" + -0.204*"심플" + -0.199*"시선" + -0.199*"음식점" + -0.199*"서비스" + -0.191*"주제“
[1] 0.401*"식당" + 0.337*"맛" + 0.335*"여행" + 0.216*"재료" + 0.210*"조미료" + 0.194*"사진" + 0.173*"카페" + 0.153*"숙박" + 0.151*"한식" + 0.151*"정갈“
[2] -0.396*"여행" + 0.302*"맛" + -0.286*"사진" + 0.278*"식당" + -0.210*"동영상" + 0.200*"재료" + 0.191*"조미료" + -0.164*"산" + -0.164*"바다" + -0.156*"숙박“
[3] -0.501*"영상" + -0.372*"게임" + -0.222*"테마" + -0.222*"캐주얼" + -0.222*"캐쥬얼" + 0.181*"여행" + -0.170*"SF" + -0.170*"몽환적" + -0.169*"버전" + -0.169*"플레이“
[4] -0.379*"동영상" + 0.373*"카페" + -0.368*"사진" + 0.257*"숙박" + 0.186*"부동산" + -0.177*"프로포즈" + -0.177*"일기" + -0.177*"후기" + -0.177*"이벤트" + -0.177*"귀엽게“
[5] -0.414*"행복" + -0.324*"사랑" + -0.262*"웃음" + -0.262*"만족" + 0.171*"숙박" + -0.150*"모두" + -0.150*"여유" + -0.150*"바닐라" + -0.150*"자연" + -0.150*"스카이“
[6] 0.485*"카페" + 0.199*"메뉴" + 0.196*"추억" + -0.191*"바다" + -0.191*"산" + 0.172*"인테리어" + -0.167*"여행" + -0.157*"숙박" + 0.150*"동영상" + 0.144*"심플“
[7] -0.239*"심플" + 0.216*"홍보" + -0.194*"추억" + 0.175*"웃음" + 0.175*"만족" + 0.154*"상품" + 0.146*"사진" + -0.142*"날씨" + -0.141*"외로움" + -0.141*"그대“
[8] 0.406*"숙박" + -0.208*"날씨" + -0.198*"심플" + -0.178*"산" + -0.178*"바다" + 0.174*"여행지" + 0.158*"부동산" + -0.151*"홍보" + 0.149*"동영상" + -0.138*"게임“
[9] -0.217*"홍보" + -0.212*"그대" + -0.212*"기다림" + -0.212*"가슴" + -0.212*"상념" + -0.212*"아픔" + -0.212*"혼자" + -0.212*"님" + -0.212*"외로움" + -0.212*"지침“

* 전략 메타정보에서 추출된 단어들을 입력했을 때, 40개의 템플릿 중에서 유사도 분석을 통해 추천된 결과 (유사도가 높은 순서로 정렬됨)
[(10, 0.99999994), (12, 0.96954387), (14, 0.95164019), (11, 0.9509294), (13, 0.9145661), (8, 0.35120615), (35, 0.19930224), (7, 0.17918736), (9, 0.16030958), (6, 0.15088126), (5, 0.14760816), (2, 0.086455025), (29, 0.074984722), (39, 0.049634695), (28, 0.047898445), (23, 0.02247897), (24, 0.019126773), (38, 0.0090787606), (31, 0.0), (32, 0.0), (36, 0.0), (37, -0.00530951), (1, -0.0074476823), (18, -0.012554379), (22, -0.01362268), (4, -0.014859326), (17, -0.016441755), (19, -0.0207964), (3, -0.021926962), (30, -0.024547208), (20, -0.030332856), (0, -0.037311688), (21, -0.048699819), (33, -0.060024895), (34, -0.074627325), (26, -0.079447947), (27, -0.080461517), (16, -0.08578527), (15, -0.086388439), (25, -0.11432723)]

여기서, 도 4는 TF-IDF와 LSA 주제 모델링 방법으로 40개의 메타정보들 사이의 상호 유사도 관계를 나타낸 도면이다.

도 4에 도시된 바와 같이, 미디어 콘텐츠간의 분류에 활용될 수 있으며, 도 4의 결과를 통해 TF-IDF와 LSA방법의 차이와 장단점도 확인할 수 있다.

TF-IDF의 유사도 값은 LSA방법과는 다르게 0에서 1사이의 값을 갖는데 도4 (a)의 결과와 같이 단어들 사이에 100% 일치하지 않는 경우 유사도 계산에 반영되지 않으므로 의미가 비슷하더라도 많은 경우에서 0의 값을 보였다.

반면 LSA 방법은 5개정도의 템플릿들끼리 그룹지어 분리되고 있음을 확인할 수 있다. 그러나 그림에서 대각선 항목은 자기 자신과의 유사도이므로 1의 값을 갖는 게 맞지만 매우 이질적인 메타정보들의 경우는 주제모델링에 전혀 반영되지 못해서 0의 값을 보이기도 한다.

LSA방법은 주제의 개수

에 따라 결과의 차이는 발생하고 있으나 분류 관점에서 보면 TF-IDF 방법에 비해 우수한 결과를 보이고 있다고 할 수 있다. 여기서, 도 4에는 나타내지 않은 LDA 방법의 경우 의미단어의 수가 매우 크고 복잡해지는 경우 우수한 성능을 제공할 수 있다.

상기에서는, 의미단어 처리를 위해 TF-IDF, LSA, LDA 방법에 대한 실시 예를 보였으나 본 발명에서는 다른 의미단어 처리방법들도 사용 가능하며 특정 의미단어 처리 방법에 한정할 필요는 없다.

그리고, 도 2에 도시된 미디어 콘텐츠 합성부(60)은 전략 메타정보, 미디어 콘텐츠, 연관성 분석부(50)를 통해 계산된 유사도 정보를 이용해서 최종적으로 홍보용 미디어 콘텐츠를 합성하는 역할을 담당하는 것으로 도 5와 같이 구성될 수 있다.

도 5는 도 2에 도시된 미디어 콘텐츠 합성부(60)의 상세 블록 구성을 나타낸 도면이다. 한다.

도 5에 도시된 바와 같이, 미디어 콘텐츠 합성부(60)는 프로젝트 호환 변환부(610)와 렌더링부(62)를 포함한다.

먼저, 사진이나 동영상과 같은 미디어 콘텐츠를 합성하는 단계에서는 메타정보나 리소스들을 사용해서 최종적으로 미디어 콘텐츠를 합성하는 과정을 수행한다.

통상적으로 이런 과정을 렌더링(Rendering)이라 하고, 이를 수행하는 소프트웨어 패키지를 렌더링 엔진(Rendering Engine)이라 칭한다.

상기한 수학식 11의 프로젝트 파일은 렌더링 부(62)를 통해 최종 홍보용 미디어 콘텐츠로 합성된다.

고품질의 렌더링 엔진일수록 다양한 포맷의 입력 리소스들을 처리할 수 있으며, 강력하고 다양한 전환 및 필터효과, 2차원 및 3차원 그래픽 효과 등을 지원한다.

또한 지원하는 출력 형식도 다양하고 지속적 개선을 통해 안정성이 높을수록 유리하다. 이런 렌더링 엔진은 상용 렌더링 엔진을 사용할 수도 있으며, 공개소스 형태의 렌더링 엔진을 사용할 수도 있다. 혹은 자체 개발하는 렌더링 엔진을 사용할 수도 있다.

따라서 본 발명에서의 상기 수학식 12의 프로젝트 파일들은 프로젝트 호환 변환부(61)를 통해 렌더링 부(62)에 맞게 변환 과정이 수행될 수 있다.

상기와 같은 본 발명에 따른 기술적 사상을 사용하여 수행할 수 있는 또 다른 바람직한 실시예들을 기술하면 다음과 같다.

먼저, 음성을 통한 자연어 기반 명령어로 홍보용 미디어 콘텐츠 합성하는 기술에 적용할 수 있다. 즉, 본 발명을 이용하면 홍보용 미디어 콘텐츠를 합성하기 위해 사용자는 음성으로 홍보용 미디어 콘텐츠를 제작할 수 있다. 예를 들어 사용자가 음성으로 “카페를 위한 부드러운 분위기의 홍보 동영상을 만들어줘!” 라고 명령을 내리면 음성인식 소프트웨어나 모듈이 이를 텍스트 문자열로 변환할 수 있을 것인데, 이 정보를 전략 메타정보의 추가적인 소스(Source)로 간주하여 질의문을 만들 수 있게 된다. 즉, 음성 명령어로 홍보용 미디어 콘텐츠를 합성하는데 활용할 수 있게 된다.

그리고, 본 발명의 기술적 사상은 참조 미디어 콘텐츠를 통한 홍보용 미디어 콘텐츠를 합성하는 기술에 적용할 수 있다. 즉, 상기 음성을 통한 자연어 기반 명령어로 홍보용 미디어 콘텐츠를 합성하는 예시와 유사하게 전략 메타정보를 구성하기 위해 음성이 아닌 사진이나 동영상이 입력되었을 때, 이를 영상처리 등을 수행하여 메타정보를 추출하여 전략 메타정보로 사용할 수 있다.

한편, 본 발명의 기술적 사상은 파일명을 미디어 콘텐츠 분석처리에 사용할 수 있다. 즉, 미디어 콘텐츠들을 분류하고 추천하기 위해서 본 발명에서는 미디어 콘텐츠들과 대응하는 메타파일을 이용하여 이를 수행하는 방법을 기술했다. 이를 확장하는 실시예로써 파일형태로 구성된 미디어 콘텐츠들은 파일명 자체도 의미 있는 정보가 될 수 있다. 예를 들어 "사과_중간크기_아이콘.png" 라는 파일이 존재한다고 가정하면 해당 미디어 콘텐츠가 사과를 나타내는 파일임을 추정할 수 있다. 이와 유사한 예로써 특정 스토리 컨테이너에 포함된 사진, 동영상, 배경음악의 파일명이 여러 개 존재할 것인데, 이런 파일명들은 마찬가지로 메타정보로 활용될 수 있다. 본 발명에서는 이런 정보들도 활용한다.

상기와 같이, 본 발명에 따른 홍보용 미디어 콘텐츠 제작 시스템 및 방법을 실시 예에 따라 설명하였지만, 본 발명의 범위는 특정 실시 예에 한정되는 것은 아니며, 본 발명과 관련하여 통상의 지식을 가진 자에게 자명한 범위 내에서 여러 가지의 대안, 수정 및 변경하여 실시할 수 있다.

따라서, 본 발명에 기재된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

10 : 전략 메타정보 저장부 20 : 미디어 콘텐츠 저장부
30 : 전략 메타정보 분석 처리부 40 : 미디어 콘텐츠 분석 처리부
41 : 의미단어 추출부 42 : 의미단어 딕셔너리부
43 : 의미단어 기반 연관성 분석부 50 : 연관성 분석부
60 : 미디어 콘텐츠 합성부 61 : 프로멕트 호환부
62 : 렌더링부

Claims

다양한 형식과 종류를 갖는 전략 메타정보들을 임의의 가중치를 갖는 비정형 데이터 묶음으로 가공 처리하는 전략 메타정보 분석 처리부;
다양한 미디어 콘텐츠에 대해 각각의 콘텐츠들이 가진 메타정보 또는 각 콘텐츠들을 분석하여 능동적으로 추출한 메타정보를 이용하여 유사도별로 각각의 메타정보를 분류하여 분석 가공하는 미디어 콘텐츠 분석 처리부;
상기 전략 메타정보 분석 처리부를 통해 가공 처리된 전략 메타정보와, 상기 미디어 콘텐츠 분석 처리부를 통해 가공된 미디어 콘텐츠 상호 간의 연관성을 계산하는 연관성 분석부; 및
상기 다양한 전략 메타정보, 미디어 콘텐츠 및 상기 연관성 분석부에서 계산된 연관성 정보를 이용해서 최종적으로 홍보용 미디어 콘텐츠를 합성하는 미디어 콘텐츠 합성부를 포함하고,
상기 미디어 콘텐츠 분석 처리부는, 다양한 미디어 콘텐츠들에 대한 N개의 메타정보들에 대한 의미단어를 추출하는 의미단어 추출부;
상기 의미단어 추출부에서 추출된 의미 단어들과 기 정의된 딕셔너리 상의단어들을 비교하여 새로운 딕셔너리를 생성하는 의미단어 딕셔너리부; 및
상기 딕셔너리부에서 생성된 딕셔너리를 이용해서 의미단어를 기반으로 메타 정보들 상호간의 유사도를 계산하고, 이 유사도 값을 이용해서 서로를 분류하는 의미단어 기반 연관성 분석부를 포함하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제1항에 있어서,
상기 다양한 형식과 종류를 갖는 전략 메타정보는, 마케팅 전략 정보, 홍보 전략 정보, 사용자 정보, 사용자 의도 정보, 서비스 통계 정보, 피드백 정보 중 적어도 하나 이상을 포함하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제1항에 있어서,
상기 미디어 콘텐츠는,
서비스 시스템이나 프로그램 상에서 공용으로 사용할 수 있는 사진, 동영상, 음악, 텍스트정보 등의 미디어 리소스들을 나타내는 공용 리소스 아이템;
사용자들 개개인이 직접 업로드 하거나 구매한 미디어 콘텐츠들을 나타내는 개인 리소스 아이템; 및
스토리라고 하는 추상적 개념을 구체적으로 표현하기 위해 게인 필터, 전환효과, 오버레이 효과 등을 이용해 디자인한 결과물을 나타내는 스토리 컨테이너로 체계를 분류하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제3항에 있어서,
상기 미디어 콘텐츠는, 사진, 동영상, 음악, 텍스트, 폰트 중 적어도 하나 이상의 정보를 포함하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제3항에 있어서,
상기 공용 리소스 아이템, 개인 리소스 아이템 및 스토리 컨테이너는 각각 서로 다른 각각의 메타정보를 포함하는 홍보용 미디어 콘텐츠 제작 시스템.
삭제
제1항에 있어서,
상기 의미단어 추출부는,
동적 프로그램을 이용하여 입력된 텍스트 문자열과 미리 정의된 딕셔너리상의 단어들 사이의 유사도를 분석하여 의미단어를 추출하는 제 1방법 또는 입력된 텍스트 문자열을 정규 표현식(Regular Expression)등을 이용해서 단어집합으로 분리하고, 분리된 단어집합에서 무의미한 단어를 제거한 후, 의미단어를 추출하는 제 2방법을 이용하거나, 상기 제1방법과 제2방법을 조합하여 의미단어를 추출하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제7항에 있어서,
상기 의미단어 딕셔너리부는,
상기 의미단어 추출부에서 추출된 의미단어가 기 정의된 딕셔너리(Dictionary)에 포함되지 않는 경우 새로운 인덱스를 부여하여 딕셔너리에 새로 추가하고, 메타정보는, 생성된 딕셔너리 상에 존재하는 단어들로 구성되며, 메타정보를 딕셔너리 인덱스들의 집합으로 변환하여 메모리나 파일에 저장한 후, 새로운 미디어 콘텐츠가 추가될 때마다 의미단어를 갱신하여 새로운 딕셔너리를 생성하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제8항에 있어서,
상기 의미단어 기반 연관성 분석부는, TF-IDF(Term Frequency-Inverse Document Frequency)기법, LSA(Latent Sematic Analysis/Indexing)방법과 LDA(Latent Dirichlet Allocation)방법 중 적어도 하나의 방법을 가지는 주제 모델링(Topic Modeling) 기법 중 적어도 하나의 방법을 이용하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제1항에 있어서,
상기 미디어 콘텐츠 합성부는,
미디어 콘텐츠들에 대한 메타정보의 집합인 프로젝트 파일을 변환하는 프로젝트 변환부; 및
상기 프로젝트 변환부를 통해 변환된 메타정보들을 이용하여 다양한 미디어 콘텐츠들을 합성하는 렌더링부를 포함하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
제8항에 있어서,
상기 연관성 분석부는,
마케팅, 홍보전략, 홍보의도 등과 같은 각각의 전략 메타정보들을 이용해서 질의문을 생성하고, 상기 생성된 질의문을 딕셔너리부에서 생성된 딕셔너리를 사용해서 인덱스로 표현하며, 딕셔너리 인덱스로 표현된 질의문을 주제 모델링 기반의 벡터공간에 표현하고, 주제모델링된 벡터 공간상에 표현된 미디어 콘텐츠를 기술하는 메타정보들과, 입력된 질의문 사이의 유사도를 계산한 후, 계산된 유사도 값에 따라 메타정보들을 정렬(Sorting)하고, 이를 통해 유사도가 높은 미디어 콘텐츠들을 미디어 콘텐츠 합성부로 출력하는 것인 홍보용 미디어 콘텐츠 제작 시스템.
전략 메타정보 분석 처리부가, 다양한 형식과 종류를 갖는 전략 메타정보들을 임의의 가중치를 갖는 비정형 데이터 묶음으로 가공 처리하는 단계;
미디어 콘텐츠 분석 처리부가, 다양한 미디어 콘텐츠에 대해 각각의 콘텐츠들이 가진 메타정보 또는 각 콘텐츠들을 분석하여 능동적으로 추출한 메타정보를 이용하여 유사도별로 각각의 메타정보를 분류하여 분석 가공하는 단계;
연관성 분석부가, 상기 가공 처리된 전략 메타정보와, 미디어 콘텐츠 상호 간의 연관성을 계산하는 단계; 및
미디어 콘텐츠 합성부가, 상기 다양한 전략 메타정보, 미디어 콘텐츠 및 상기 계산된 연관성 정보를 이용해서 최종적으로 홍보용 미디어 콘텐츠를 합성하는 단계를 포함하고,
상기 각각의 메타정보를 분류하여 분석 가공하는 단계는,
다양한 미디어 콘텐츠들에 대한 N개의 메타정보들에 대한 의미단어를 추출하는 단계;
상기 추출된 의미 단어들과 기 정의된 딕셔너리 상의 단어들을 비교하여 새로운 딕셔너리를 생성하는 단계; 및
상기 생성된 딕셔너리를 이용해서 의미단어를 기반으로 메타정보들 상호간의 유사도를 계산하고, 이 유사도 값을 이용해서 메타정보들을 분류하는 단계를 포함하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제12항에 있어서,
상기 다양한 형식과 종류를 갖는 전략 메타정보는, 마케팅 전략 정보, 홍보 전략 정보, 사용자 정보, 사용자 의도 정보, 서비스 통계 정보, 피드백 정보 중 적어도 하나 이상을 포함하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제12항에 있어서,
상기 미디어 콘텐츠는,
서비스 시스템이나 프로그램 상에서 공용으로 사용할 수 있는 사진, 동영상, 음악, 텍스트정보 등의 미디어 리소스들을 나타내는 공용 리소스 아이템;
사용자들 개개인이 직접 업로드 하거나 구매한 미디어 콘텐츠들을 나타내는 개인 리소스 아이템; 및
스토리라고 하는 추상적 개념을 구체적으로 표현하기 위해 게인 필터, 전환효과, 오버레이 효과 등을 이용해 디자인한 결과물을 나타내는 스토리 컨테이너로 체계를 분류하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제14항에 있어서,
상기 미디어 콘텐츠는, 사진, 동영상, 음악, 텍스트, 폰트 중 적어도 하나 이상의 정보를 포함하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제14항에 있어서,
상기 공용 리소스 아이템, 개인 리소스 아이템 및 스토리 컨테이너는 각각 서로 다른 각각의 메타정보를 포함하는 홍보용 미디어 콘텐츠 제작 방법.
삭제
제12항에 있어서,
상기 의미단어를 추출하는 단계는,
동적 프로그램을 이용하여 입력된 텍스트 문자열과 미리 정의된 딕셔너리상의 단어들 사이의 유사도를 분석하여 의미단어를 추출하는 제 1방법 또는 입력된 텍스트 문자열을 정규 표현식(Regular Expression)등을 이용해서 단어집합으로 분리하고, 분리된 단어집합에서 무의미한 단어를 제거한 후, 의미단어를 추출하는 제 2방법을 이용하거나, 상기 제1방법과 제2방법을 조합하여 의미단어를 추출하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제18항에 있어서,
상기 딕셔너리를 생성하는 단계는,
상기 추출된 의미단어가 기 정의된 딕셔너리(Dictionary)에 포함되지 않는 경우 새로운 인덱스를 부여하여 딕셔너리에 새로 추가하는 단계;
메타정보는 생성된 딕셔너리 상에 존재하는 단어들로 구성되며, 메타정보를 딕셔너리 인덱스들의 집합으로 변환하여 메모리나 파일에 저장하는 단계;
를 포함하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제19항에 있어서,
상기 메타정보들을 분류하는 단계에서, 메타 데이터의 분류는, TF-IDF(Term Frequency-Inverse Document Frequency)기법, LSA(Latent Sematic Analysis/Indexing)방법과 LDA(Latent Dirichlet Allocation)방법중 적어도 하나의 방법을 가지는 주제 모델링(Topic Modeling) 기법중 적어도 하나의 방법을 이용하여 분류하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제12항에 있어서,
상기 미디어 콘텐츠를 합성하는 단계는,
미디어 콘텐츠들에 대한 메타정보의 집합인 프로젝트 파일을 변환하는 단계; 및
상기 변환된 메타정보들을 이용하여 다양한 미디어 콘텐츠들을 렌더링하는 단계를 포함하는 것인 홍보용 미디어 콘텐츠 제작 방법.
제19항에 있어서,
상기 연관성을 계산하는 단계는,
마케팅, 홍보전략, 홍보의도 등과 같은 각각의 전략 메타정보들을 이용해서 질의문을 생성하는 단계;
상기 생성된 질의문을 생성된 딕셔너리를 사용해서 인덱스로 표현하는 단계;
딕셔너리 인덱스로 표현된 질의문을 주제 모델링 기반의 벡터공간에 표현하는 단계;
주제모델링된 벡터 공간상에 표현된 미디어 콘텐츠를 기술하는 메타정보들과, 입력된 질의문 사이의 유사도를 계산하는 단계;
계산된 유사도 값에 따라 메타정보들을 정렬(Sorting)한 후, 유사도가 높은 미디어 콘텐츠들을 출력하는 단계를 포함하는 것인 홍보용 미디어 콘텐츠 제작 방법.