KR102637821B1 - 인공지능 기반의 콘텐츠 추천을 위한 방법 및 장치 - Google Patents

Abstract

인공지능 기반의 콘텐츠 추천을 위한 방법 및 장치가 제공된다. 본 발명의 일 실시예에 따른 인공지능 모델 구축 방법은, 콘텐츠를 학습에 필요한 하나 이상의 데이터를 포함하는 제1 데이터셋으로 가공 처리하는 단계와, 상기 콘텐츠와 연관관계에 있는 타 콘텐츠의 제2 데이터셋을 확장 데이터로서 획득하는 단계와, 콘텐츠 열람 이력을 포함하는 사용자 데이터를 획득하는 단계와, 상기 제1 데이터셋, 상기 제2 데이터셋 및 상기 사용자 데이터를 콘텐츠 추천을 위한 인공지능 모델에 적용하여, 상기 인공지능 모델을 학습시키는 단계를 포함한다.

Description

인공지능 기반의 콘텐츠 추천을 위한 방법 및 장치{METHOD AND APPARATUS FOR RECOMMENDING CONTENTS BASED ON ARTIFICIAL INTELLIGENCE}

본 발명은 인공지능 기반의 콘텐츠 추천 방법에 관한 것이다. 보다 자세하게는, 인공지능 기반의 하이브리드 학습 모델을 이용하여 사용자가 선호할 것으로 예상되는 콘텐츠를 선별하여 추천하는 방법 및 장치에 관한 것이다.

사용자에게 콘텐츠를 추천하는 기술이 이용되고 있다. 콘텐츠 추천 기술은, 주로 사용자가 관심이 있는 콘텐츠를 알고리즘을 통해서 선별하여, 선별된 콘텐츠를 웹 페이지를 통해서 사용자에게 제공한다. 예컨대, 콘텐츠 추천 기술로는 사용자가 자주 이용하는 콘텐츠의 유형을 분석하고, 해당 콘텐츠 유형에 해당하는 콘텐츠를 선별하거나 사용자의 연령과 성별과 기초로 사용자에게 콘텐츠를 추천하기 등의 다양한 알고리즘이 개발되었다. 이러한 콘텐츠 추천 기술은, 광고, 동영상 등에서 널리 활용되고 있다.

근래에는, 인공지능을 이용하여 콘텐츠 추천하는 방법이 연구도 진행되고 있다. 그런데 인공지능을 이용한 콘텐츠 추천 기술은 학습 데이터 규모가 작을 경우, 정확한 정보를 출력하지 못하는 콜드 스타트(cold start) 문제가 발생할 수 있다.

인공지능을 이용한 콘텐츠 추천 기술에서 정확한 콘텐츠를 추천하기 위해서, 콘텐츠의 특성에 적합한 가공 데이터가 마련되어야 하고, 그 가공 데이터를 이용하여 학습을 진행하여야 한다. 그런데 광고, 동영상의 멀티미디어 콘텐츠를 대상으로 하는 인공지능 모델에 대해서 많은 연구가 진행되고 있으나, 논문, 연구 과제 등을 포함하는 학술 관련 콘텐츠를 대상으로 하는 인공지능 모델에 대한 연구가 미미한 실정이다.

한국공개특허 제10-2009-0015240호 (2009.02.12 공개)

본 발명이 해결하고자 하는 기술적 과제는, 사용자가 활용할 수 있는 콘텐츠를 정확하게 선별하여 추천하는 콘텐츠 추천 방법 및 장치를 제공하는데 있다.

본 발명이 해결하고자 하는 다른 기술적 과제는, 콘텐츠를 정확하게 추천할 수 있도록 하이브리드 형태의 인공지능 모델을 구축하는 방법을 제공하는데 있다.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 인공지능 학습에 필요한 가공 데이터를 전처리할 수 있는 방법을 제공하는데 있다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 인공지능 모델 구축 방법은, 콘텐츠를 학습에 필요한 하나 이상의 데이터를 포함하는 제1 데이터셋으로 가공 처리하는 단계와, 상기 콘텐츠와 연관관계에 있는 타 콘텐츠의 제2 데이터셋을 확장 데이터로서 획득하는 단계와, 콘텐츠 열람 이력을 포함하는 사용자 데이터를 획득하는 단계와, 상기 제1 데이터셋, 상기 제2 데이터셋 및 상기 사용자 데이터를 콘텐츠 추천을 위한 인공지능 모델에 적용하여, 상기 인공지능 모델을 학습시키는 단계를 포함할 수 있다.

상기 기술적 과제를 해결하기 위한, 본 발명의 다른 실시예에 따른 콘텐츠 추천 방법은, 사용자의 접속을 감지하는 단계와, 상기 사용자의 콘텐츠 열람 이력과 상기 사용자가 참여인력으로 기록된 하나 이상의 콘텐츠의 데이터를 획득하는 단계와, 상기 획득한 콘텐츠 열람 이력과 상기 하나 이상의 콘텐츠의 데이터를 기 구축된 인공지능 모델에 입력하여, 상기 사용자가 선호하는 하나 이상의 콘텐츠를 선별하는 단계와, 상기 선별한 복수의 콘텐츠를 사용자에게 추천하는 단계를 포함할 수 있다.

상기 기술적 과제를 해결하기 위한, 본 발명의 또 다른 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서와, 상기 프로세서에 의하여 수행되는 프로그램을 로드(load)하는 메모리와, 상기 프로그램이 저장된 스토리지를 포함하되, 상기 프로그램은 콘텐츠를 학습에 필요한 하나 이상의 데이터를 포함하는 제1 데이터셋으로 가공 처리하는 동작과, 상기 콘텐츠와 연관관계에 있는 타 콘텐츠의 제2 데이터셋을 확장 데이터로서 획득하는 동작과, 콘텐츠 열람 이력을 포함하는 사용자 데이터를 획득하는 동작과, 상기 제1 데이터셋, 상기 제2 데이터셋 및 상기 사용자 데이터를 콘텐츠 추천을 위한 인공지능 모델에 적용하여, 상기 인공지능 모델을 학습시키는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함할 수 있다.

상기 기술적 과제를 해결하기 위한, 본 발명의 또 다른 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서와, 상기 프로세서에 의하여 수행되는 프로그램을 로드(load)하는 메모리와, 상기 프로그램이 저장된 스토리지를 포함하되, 상기 프로그램은 사용자의 접속을 감지하는 동작과, 상기 사용자의 콘텐츠 열람 이력과 상기 사용자가 참여인력으로 기록된 하나 이상의 콘텐츠의 데이터를 획득하는 동작과, 상기 획득한 콘텐츠 열람 이력과 상기 하나 이상의 콘텐츠의 데이터를 기 구축된 인공지능 모델에 입력하여, 상기 사용자가 선호하는 하나 이상의 콘텐츠를 선별하는 동작과, 상기 선별한 복수의 콘텐츠를 사용자에게 추천하는 동작을 수행하기 위한 인스트럭션들을 포함할 수 있다.

도 1은 본 발명의 일 실시예에 따른, 인공지능 기반의 콘텐츠 추천 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 다른 실시예에 따른, 인공지능 모델이 구축되는 방법의 순서도이다.
도 3은 도 2의 단계 S200을 상세하게 설명하기 위한 도면이다.
도 4는 가중치 조절을 위한 실험을 예시하는 도면이다.
도 5는 데이터셋을 예시하는 도면이다.
도 6는 참여인력에 따른 콘텐츠들의 연결 관계를 예시하는 도면이다.
도 7은 성과 관계에 따른 콘텐츠들의 연결 관계를 예시하는 도면이다.
도 8은 도 2의 단계 S300을 상세하게 설명하기 위한 도면이다.
도 9은 콘텐츠 추천을 위한 인공지능 모델의 기능을 예시하는 도면이다.
도 10은 본 발명의 또 다른 실시예에 따른, 콘텐츠 추천 방법의 순서도이다.
도 11은 도 10의 단계 S600을 상세하게 설명하기 위한 도면이다.
도 12는 추천 콘텐츠들과 협업 파트너를 디스플레이하는 웹 페이지를 예시하는 도면이다.
도 13은 몇몇 실시예들에 따른 예시적인 컴퓨팅 장치의 하드웨어 구성을 나타내는 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명의 기술적 사상을 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

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 있다. 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 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

이하, 도면들을 참조하여 본 발명의 몇몇 실시예들을 설명한다.

도 1은 본 발명의 일 실시예에 따른, 인공지능 기반의 콘텐츠 추천 시스템의 구성을 나타내는 도면이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 콘텐츠 추천 시스템은 사용자 단말(10), 콘텐츠 추천 장치(20) 및 데이터베이스(30)를 포함할 수 있다. 상기 콘텐츠 추천 장치(20)와 사용자 단말(10)은 네트워크(40)를 통해서 서로 통신할 수 있다. 여기서, 네트워크(40)는 유선 통신망, 이동통신망 등을 포함하는 것으로서, 본 발명의 주지의 관용 기술에 해당하므로 자세한 설명은 생략한다.

사용자 단말(10)은 로그인에 성공한 후, 사용자가 활용할 만한 하나 이상의 콘텐츠를 콘텐츠 추천 장치(20)로부터 제공받을 수 있다. 일 실시예에서, 콘텐츠는 과제, 논문, 특허 등과 같은 학술과 관련된 콘텐츠일 수 있다. 일 실시예에서, 사용자 단말(10)이 디스플레이하는 웹 페이지에는 콘텐츠 추천 영역이 형성되어 있으며, 사용자 단말(10)은 추천된 하나 이상의 콘텐츠에 대한 정보를 수신하여 상기 콘텐츠 추천 영역에 디스플레이할 수 있다. 이러한 사용자 단말(10)은 이동통신 단말, 태블릿 컴퓨터, 개인용 컴퓨터 등을 포함할 수 있다.

데이터베이스(30)는 스토리지와 같은 저장수단으로서, 다수의 콘텐츠 및 다수의 사용자 데이터를 포함할 수 있다. 상기 콘텐츠는, 과제, 논문, 특허, 연구보고서 등과 같은 학술 관련 콘텐츠를 포함할 수 있다. 상기 콘텐츠는 복수의 속성을 가질 수 있다. 상기 속성은 콘텐츠를 카테고리로 구분할 수 있는 기준점이 될 수 있다. 상기 콘텐츠는 유형 속성, 연구책임자 속성, 참여연구원 속성, 년도 속성, 수행기관 속성, 부처명 속성, 기술분류 속성, 실용화 속성, 지역 속성 등 중에서 하나 이상을 포함할 수 있다. 여기서, 유형 속성은, 해당 콘텐츠의 유형을 나타낼 수 있다. 예컨대, 유형 속성은, 과제, 논문, 특허, 연구시설 장비, 연구보고서, 기술요약 정보, 소프트웨어, 생물자원, 화합물, 생명정보, 신품종 등과 같은 사전에 정의된 콘텐츠의 유형을 가리킬 수 있다.

연구책임자 속성은, 콘텐츠의 연구를 진행한 연구책임자 식별정보를 포함할 수 있다. 참여 연구자 속성은, 콘텐츠의 연구에 참여한 한 명 이상의 연구자의 식별정보를 포함할 수 있다. 또한, 년도 속성은 해당 콘텐츠의 연구가 시행된 년도, 또는 해당 콘텐츠의 연구가 완료된 년도 또는 해당 콘텐츠의 성과 년도를 포함할 수 있다. 수행기관 속성은 해당 콘텐츠에 대한 연구를 수행한 기관명을 포함할 수 있다. 또한, 부처명 속성은 해당 콘텐츠에 대한 연구를 의뢰한 부처명을 포함할 수 있다. 기술분류 속성은 해당 콘텐츠의 분류되는 기술분야를 포함할 수 있다. 예컨대, 인공지능, 소프트웨어 솔루션, 인터넷 솔루션, SoC, 임베디드 소프트웨어, 로봇 제어 기술, 영상 의학, 차량 지능화 기술, 생물정보학, 데이터베이스, 보안기술 등 중에서 어느 하나로 콘텐츠의 기술분류 속성이 결정될 수 있다. 또한, 실용화 속성은 콘텐츠의 성과물이 실제로 상용화가 되었는지 여부에 대한 정보를 포함할 수 있다. 지역 속성은 콘텐츠가 연구된 지역 정보를 포함할 수 있다.

또한, 콘텐츠는 부가 정보를 포함할 수 있다. 상기 부가 정보는 메타 데이터와 같은 역할을 수행할 수 있다. 상기 부가 정보는, 콘텐츠의 조회수, 게시 날짜(또는 발표 날짜), 타 콘텐츠와의 관계 정보 등을 포함할 수 있다. 여기서, 타 콘텐츠와의 관계 정보는, 콘텐츠와 성과 관계에 있거나 콘텐츠로부터 파생된 타 콘텐츠의 식별정보를 포함할 수 있다. 예컨대, 제1 콘텐츠에 대한 성과 관계 콘텐츠로서 제2 콘텐츠가 설정될 수 있으며, 이 경우 제1 콘텐츠에 포함된 관계 정보에는 제2 콘텐츠의 식별정보가 포함될 수 있다. 상기 성과 관계는 연구를 수행한 콘텐츠와 그 콘텐츠의 연구 결과로서 나타난 타 콘텐츠와의 관계일 수 있다. 예컨대, 제1 콘텐츠(예컨대, 과제)의 연구 결과로서 제2 콘텐츠(예컨대, 특허)가 발표(또는 출원)된 경우, 제1 콘텐츠와 제2 콘텐츠는 성과 관계가 형성될 수 있다.

상기 사용자 데이터는, 사용자의 식별정보(예컨대, 로그인 아이디), 사용자의 콘텐츠 검색 이력, 사용자의 참여인력으로 기록된 콘텐츠 목록, 사용자가 스크랩한 콘텐츠 목록 등을 포함할 수 있다.

콘텐츠 추천 장치(20)는 사용자가 활용할 수 있거나 사용자가 선호할 것으로 예상되는 하나 이상의 콘텐츠를 선별하고, 선별된 하나 이상의 콘텐츠를 추천 콘텐츠로서 사용자 단말(10)로 전송할 수 있다. 콘텐츠 추천 장치(20)는 하이브리드 인공지능 모델을 이용하여 하나 이상의 콘텐츠를 선별할 수 있다. 여기서, 하이브리드 인공지능 모델은, 딥 러닝 신경망과 콘텐츠 추천 알고리즘과 필터링 알고리즘이 통합된 인공지능 모델일 수 있다. 콘텐츠 추천 장치(20)는 데이터를 수집하고 수집한 데이터를 학습에 적합한 형태로 가공 처리한 후에, 가공 처리된 데이터를 하이브리드 인공지능 모델에 적용하여 하이브리드 인공지능 모델을 학습할 수 있다.

이하, 도 2 내지 도 9를 참조하여, 인공지능 모델이 구축되는 방법에 대해서 설명한다.

도 2는 본 발명의 다른 실시예에 따른, 인공지능 모델이 구축되는 방법의 순서도이다.

도 2에 도시된 방법의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 본 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 본 방법에 포함되는 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 본 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수 있다. 이하에서는, 본 방법의 각 단계가 도 1을 참조하여 설명한 콘텐츠 추천 장치(20)에 의해 수행되는 것을 가정하여 설명을 이어가도록 하되, 각 단계의 수행 주체는 단지 예시일 뿐, 본 발명이 이하의 설명에 의해 한정되는 아니며, 설명의 편의를 위해 상기 방법에 포함되는 일부 단계의 동작 주체는 그 기재가 생략될 수도 있다.

도 2를 참조하면, 콘텐츠 추천 장치(20)는 데이터베이스(30)에 다수의 데이터를 수집할 수 있다(S100). 일 실시예에서, 상기 다수의 데이터에는, 다수의 콘텐츠 및 다수의 사용자 데이터가 포함될 수 있다.

이어서, 콘텐츠 추천 장치(20)는 데이터베이스(30)에 포함된, 상기 다수의 데이터를 학습에 적합된 형태로 전처리하여 가공할 수 있다(S200). 일 실시예에서, 콘텐츠 추천 장치(20)는 콘텐츠를 학습에 필요한 하나 이상의 데이터를 포함하는 데이터셋으로 가공 처리하고, 상기 콘텐츠와 연관관계에 있는 타 콘텐츠의 데이터를 확장 데이터로서 획득하고, 콘텐츠 열람 이력을 포함하는 사용자 데이터를 획득할 수 있다. 콘텐츠 추천 장치(20)는 타 콘텐츠의 데이터를 가공 처리할 수 있고, 또한, 사용자 데이터도 가공 처리할 수 있다. 여기서, 데이터를 벡터로 변환함으로써, 데이터의 가공처리가 진행될 수 있다. 단계 S200에 대해서는 도 3 내지 도 7을 참조한 설명을 통해서 자세하게 후술하기로 한다.

다음으로, 콘텐츠 추천 장치(20)는 가공 처리된 데이터, 즉 데이터셋, 확장 데이터 및 사용자 데이터를 인공지능 모델에 적용하여, 상기 인공지능 모델을 학습시킴으로써, 콘텐츠를 추천하기 위한 인공지능 모델을 구축할 수 있다(S300). 상기 인공지능 모델은 딥러닝 신경망과 콘텐츠를 추천하기 위한 알고리즘이 혼합된 하이브리드형의 인공지능 모델일 수 있다. 인공지능 모델이 구축되는 단계 S300에 대해서는 도 8 및 도 9를 참조하여 더욱 자세하게 설명한다.

이하, 도 3 내지 도 7을 참조하여, 도 2의 단계 S200에 대해서 더욱 구체적으로 설명한다.

도 3을 참조하면, 콘텐츠 추천 장치(20)는 수집한 콘텐츠로부터 텍스트를 추출하고, 그 텍스트를 제1 데이터로서 가공 처리할 수 있다(S201). 콘텐츠에 기재된 전체 텍스트 중에서 사전에 설정된 구역에 위치하는 텍스트가 추출될 수 있다. 예를 들어, 콘텐츠의 요약 또는 서지 사항에서 기재된 텍스트가 추출되어, 제1 데이터로서 가공 처리될 수 있다. 텍스트 분석을 위해서, 공지된 starspace 라이브러리가 사용될 수 있다. 일 실시예서, 콘텐츠 추천 장치(20)는 상기 추출한 텍스트를 밀집 벡터(dense vector)로 가공 처리하여 임베딩할 수 있다. 즉, 제1 데이터는 밀집 벡터 형태로 임베딩될 수 있다.

이어서, 콘텐츠 추천 장치(20)는 콘텐츠에 포함된 하나 이상의 속성을 추출하고, 추출된 하나 이상의 속성을 제2 데이터로 가공 처리할 수 있다(S203). 여기서, 콘텐츠는 유형 속성, 연구책임자 속성, 참여연구원 속성, 년도 속성, 수행기관 속성, 부처명 속성, 기술분류 속성, 실용화 속성, 지역 속성 등 중에서 하나 이상이 속성을 포함하고, 콘텐츠 추천 장치(20)는 이러한 하나 이상의 속성을 제2 데이터로 가공 처리할 수 있다. 콘텐츠에 임계개수 이상의 속성이 포함되어 있는 경우, 콘텐츠 추천 장치(20)는 사전에 설정된 속성 목록에 기록된 속성들만을 콘텐츠에서 추출하여 제2 데이터로 가공 처리할 수 있다. 일 실시예서, 콘텐츠 추천 장치(20)는 상기 추출한 하나 이상의 속성을 희소 벡터(sparse vector)로 가공 처리하여 임베딩할 수 있다. 즉, 제2 데이터는 희소 벡터 형태로 임베딩될 수 있다.

다음으로, 콘텐츠 추천 장치(20)는 콘텐츠에서 부가 정보를 추출하여, 부가 정보를 제3 데이터로 가공할 수 있다(S205). 일 실시예서, 콘텐츠 추천 장치(20)는 상기 부가 정보를 밀집 벡터 또는 희소 벡터로 가공 처리하여 임베딩할 수 있다. 즉, 제3 데이터도 벡터 형태로 표현될 수 있다.

상기 부가 정보는 콘텐츠의 조회수, 게시 날짜 또는 발표 날짜, 타 콘텐츠와의 관계 정보를 포함할 수 있는데, 콘텐츠 추천 장치(20)는 상기 게시 날짜 또는 발표 날짜를 기초로 콘텐츠의 최신성을 나타내는 제1 수치를 결정하고, 상기 조회수를 기초로 콘텐츠의 인기도를 나타내는 제2 수치를 결정하여, 상기 제3 데이터에 포함시킬 수 있다. 상기 제1 수치와 제2 수치는 소정의 범위에 해당하는 실수로서, 숫자가 클수록 인기도가 높거나 최근의 콘텐츠인 것을 의미할 수 있다. 몇몇 실시예에서, 제1 수치와 제2 수치는 로그자(Logarithmic Scale)를 이용하여 계산할 수 있다.

몇몇 실시예에서, 제1 수치에 제1 가중치를 적용하고, 제2 수치에 제2 가중치를 적용한 후, 각각에 가중치가 적용된 제1 수치와 제2 수치를 합산할 수도 있다. 또한, 제1 가중치와 제2 가중치는 콘텐츠 유형에 따라 동적으로 변경될 수 있다. 예컨대, 제1 유형의 콘텐츠에 제1 가중치가 'a'로 적용되고 제2 가중치가 'b'로 적용되고, 제2 유형의 콘텐츠에 제1 가중치가 'c'로 적용되고 제2 가중치가 'd'로 적용될 수 있다. 이러한 제1 가중치와 제2 가중치는 실험을 통해서 획득될 수도 있다.

도 4는 가중치 조절을 위한 실험을 예시하는 도면이다. 도 4의 위쪽의 그래프는 시간에 따른 최신성을 나타내는 값들 중에서 최신의 시간값, 중간의 시간값, 오래된 시간값 각각의 중요 정도를 조절하기 위해서 제1 가중치가 상이하게 적용되는 것을 예시하고 있다. 또한, 도 4의 아래쪽의 그래프는, 제1 수치와 제2 수치가 결합된 값을 예시하고 있다.

다시 도 3을 참조하면, 콘텐츠 추천 장치(20)는 제1 데이터, 제2 데이터 및 제3 데이터를 결합함으로써, 콘텐츠를 데이터셋으로 가공 처리할 수 있다(S207).

도 5는 데이터셋을 예시하는 도면으로서, 제2 데이터, 제1 데이터 및 제3 데이터가 결합되어 데이터셋을 구성하고 있다.

이어서, 콘텐츠 추천 장치(20)는 상기 콘텐츠와 연관 관계에 있는 타 콘텐츠를 식별하고, 상기 식별된 타 콘텐츠를 확장 데이터로서 획득하고, 그 획득된 타 콘텐츠의 데이터를 가공 처리할 수 있다(S209). 일 실시예에서, 콘텐츠 추천 장치(20)는 상기 콘텐츠의 참여인력으로 기재된 사용자를 식별하고, 상기 식별된 사용자가 타 콘텐츠의 참여인력으로 등재되어 있는지 여부를 판정하고, 판정 결과 타 콘텐츠의 참여인력으로 등재되어 있으면 상기 타 콘텐츠를 데이터베이스(30)에서 획득할 수 있다. 즉, 콘텐츠 추천 장치(20)는 각각의 콘텐츠에 기재된 참여인력 정보를 이용하여, 사용자가 상기 콘텐츠 이외에 타 콘텐츠에도 참여인력으로 기록되어 있는지 여부를 판정하여 타 콘텐츠에 기록되어 있으면, 상기 타 콘텐츠를 데이터베이스(30)에서 획득할 수 있다. 이어서, 콘텐츠 추천 장치(20)는 상기 타 콘텐츠의 데이터를 가공 처리할 수 있다. 이때, 타 콘텐츠를 상술한 제1 데이터, 제2 데이터 및 제3 데이터를 포함하는 데이터셋으로 가공 처리할 수 있다.

도 6는 참여인력에 따른 콘텐츠들의 연결 관계를 예시하는 도면이다.

도 6에 예시된 바와 같아. 제1 콘텐츠의 참여인력은 제1 사용자(user1)와 제2 사용자(user2)이고, 이에 따라, 제1 콘텐츠는 제2 사용자가 참여한 제2 콘텐츠와 연결 관계가 형성되고, 제1 사용자가 참여한 제3 콘텐츠와 제4 콘텐츠와도 연결 관계가 형성될 수 있다. 이에 따라, 제1 콘텐츠의 데이터셋 이외에, 제2 콘텐츠의 데이터셋, 제3 콘텐츠의 데이터셋 및 제4 콘텐츠의 데이터셋이 함께 가공 처리되어, 학습되는 콘텐츠의 범위가 확장될 수 있다.

다른 실시예에서, 콘텐츠 추천 장치(20)는 상기 콘텐츠의 대한 성과를 나타내는 타 콘텐츠를 더 획득하고, 그 타 콘텐츠를 가공 처리한 데이터셋을 확장 데이터로서 획득할 수 있다. 구체적으로, 콘텐츠 추천 장치(20)는 상기 콘텐츠와 성과로서 관련되는 또 다른 콘텐츠가 존재하는지 여부를 판정할 수 있다. 이때, 콘텐츠 추천 장치(20)는 상기 콘텐츠의 부가정보를 이용하여, 콘텐츠와 성과로서 관련되는 또 다른 콘텐츠가 존재하는지 여부를 판정할 수 있다. 판정 결과 성과로서 관련된 또 다른 콘텐츠가 존재하면, 콘텐츠 추천 장치(20)는 상기 또 다른 콘텐츠를 데이터베이스(30)에서 획득하고, 상기 획득된 또 다른 콘텐츠를 상술한 제1 데이터, 제2 데이터 및 제3 데이터를 포함하는 데이터셋으로 가공 처리하고, 가공 처리된 또 다른 콘텐츠의 데이터셋을 확장 데이터로서 획득할 수 있다.

도 7은 성과 관계에 따른 콘텐츠들의 연결 관계를 예시하는 도면이다.

도 7에 예시된 바와 같아. 제1 콘텐츠는 성과 관련 콘텐츠로서 제5 콘텐츠의 식별정보(#5)와 제6 콘텐츠의 식별정보(#6)가 기록되고, 이에 따라 제1 콘텐츠는 제5 콘텐츠와 제6 콘텐츠 각각과 연결 관계가 형성된다. 이러한 연결 관계에 따라, 제1 콘텐츠의 데이터셋 이외에, 제5 콘텐츠의 데이터셋 및 제5 콘텐츠의 데이터셋이 함께 가공 처리되어, 학습되는 콘텐츠의 범위가 확장될 수 있다.

다시 도 3을 참조하면, 콘텐츠 추천 장치(20)는 수집된 다수의 데이터로부터 다수의 사용자 데이터를 획득하고 그 획득된 사용자 데이터를 가공 처리할 수 있다(S211). 상기 사용자 데이터도 벡터로 임베딩될 수 있다. 이때, 벡터는 밀집 벡터 또는 희소 벡터일 수 있다. 일 실시예에서, 콘텐츠 추천 장치(20)는 사용자가 열람한 콘텐츠 목록, 사용자의 검색 이력, 사용자가 스크랩한 콘텐츠 목록, 사용자가 참여인력으로 등재된 콘텐츠 목록, 사용자와 협업한 타 사용자 목록 중에서 하나 이상을 상기 사용자 데이터로서 획득할 수 있다. 여기서, 협업한 타 사용자는, 상기 사용자가 동일한 콘텐츠에 참여인력으로 등재된 타 사용자일 수 있으며, 콘텐츠 추천 장치(20)는 상기 사용자가 참여인력으로 등재된 콘텐츠 목록에서 콘텐츠를 식별하고, 그 식별한 콘텐츠에서 참여인력으로 등재된 하나 이상의 타 사용자의 식별정보를 취합하여 상기 타 사용자 목록을 생성할 수 있다. 예컨대, 제1 사용자가 참여한 콘텐츠 목록에 제1 콘텐츠의 식별정보, 제3 콘텐츠의 식별정보 및 제4 콘텐츠의 식별정보가 기록되고, 제1 콘텐츠의 참여인력에 제1 사용자와 제2 사용자가 등재되고, 제3 콘텐츠의 참여인력에 제1 사용자와 제3 사용자가 등재되고, 제4 콘텐츠의 참여인력에 제1 사용자와 제4 사용자 등재된 경우를 가정하자. 이 경우, 콘텐츠 추천 장치(20)는 제2 사용자, 제3 사용자 및 제4 사용자를 제1 사용자와 협업한 타 사용자 목록에 기록할 수 있다.

본 실시예에 따르면, 콘텐츠의 연결 관계에 따라 학습 대상이 되는 콘텐츠의 범위 확장되어, 초기 학습 데이터의 부족을 발생하는 콜드 스타트(cold start) 문제가 예방될 수 있다. 또한, 사용자와 협업한 타 사용자 목록이 가공 처리되어, 인공지능 모델에서 학습되면, 더욱 정확한 콘텐츠를 추천할 수 있고, 더불어 사용자가 선호하는 것으로 예상하는 협업 파트너를 추천할 수 있다.

이하, 도 2의 단계 S300에 대해서 도 8 및 도 9를 참조하면 자세히 설명한다.

도 8을 참조하면, 콘텐츠 추천 장치(20)는 추천 알고리즘과 딥러닝 신경망이 융합되어 있는 하이브리드 형태의 인공지능 모델을 준비할 수 있다(S301). 상기 준비된 인공지능 모델은 가공 데이터를 입력 데이터로서 입력 받을 수 있으며, 더불어 출력 데이터로서 사용자가 선호할 수 있는 다수의 콘텐츠와 협업 파트너가 출력하도록 내부가 설계될 수 있다.

이어서, 콘텐츠 추천 장치(20)는 가공된 데이터, 콘텐츠의 데이터셋, 상기 확장 데이터(예컨대, 타 학술 데이터의 데이터셋) 및 상기 사용자 데이터를 상기 인공지능 모델의 학습을 진행할 수 있다(S303). 일 실시예에서, 콘텐츠 추천 장치(20)는 콘텐츠의 유형을 식별하고, 상기 식별된 유형에 상응하는 가중치를 상기 데이터셋에 적용할 수 있다. 예컨대, 콘텐츠의 유형이 과제인 경우, 제3 가중치를 상기 데이터셋에 적용하고, 콘텐츠의 유형이 논문인 경우 제4 가중치를 상기 데이터셋에 적용하며, 콘텐츠의 유형이 특허인 경우 제5 가중치를 상기 데이터셋에 적용할 수 있다. 다수의 가공 데이터가 상기 인공지능 모델에 적용되어 학습이 진행되면, 은닉층에 있는 복수의 가중치가 최적의 값으로 수렴하게 된다.

도 9은 콘텐츠 추천을 위한 인공지능 모델의 기능을 예시하는 도면이다.

도 9에 따르면, 상기 인공지능 모델은 사용자 선호하는 콘텐츠를 딥 러닝을 통해서 필터링할 수 있고, 또한 사용자가 선호하는 파트너를 딥 러닝을 통해서 필터링할 수 있다. 또한, 인공지능 모델에는 정보의 최신성에 나타내는 제1 수치에 제1 가중치가 적용되고, 콘텐츠의 인기도를 나타내는 제2 수치에 제2 가중치가 적용되어, 사용자가 활용할 수 있는 가치 있는 콘텐츠가 선별될 수 있다.

도 10은 본 발명의 또 다른 실시예에 따른, 콘텐츠 추천 방법의 순서도이다.

도 10에 도시된 방법의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 본 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 본 방법에 포함되는 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 본 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수 있다. 이하에서는, 본 방법의 각 단계가 도 1을 참조하여 설명한 콘텐츠 추천 장치(20)에 의해 수행되는 것을 가정하여 설명을 이어가도록 하되, 각 단계의 수행 주체는 단지 예시일 뿐, 본 발명이 이하의 설명에 의해 한정되는 아니며, 설명의 편의를 위해 상기 방법에 포함되는 일부 단계의 동작 주체는 그 기재가 생략될 수도 있다.

도 10을 참조하면, 콘텐츠 추천 장치(20)는 사용자 단말(10)의 접속을 감지할 수 있다(S500). 몇몇 실시예에서, 콘텐츠 추천 장치(20)는 사용자 단말(10)이 로그인에 성공한 경우에, 상기 사용자 단말(10)의 접속을 감지할 수 있다.

이어서, 콘텐츠 추천 장치(20)는 상기 사용자와 관련된 데이터를 획득하고, 상기 획득한 사용자 데이터를 구축된 인공지능 모델에 입력하여, 상기 사용자가 선호하는 것으로 예상하는 하나 이상의 콘텐츠를 선별한 후, 선별된 복수의 콘텐츠를 추천 콘텐츠로서 사용자 단말(10)에게 전송할 수 있다(S600).

이하, 도 11 및 도 12를 참조하여, 도 10의 단계 S600에 대해서 자세하게 설명한다.

도 11을 참조하면, 콘텐츠 추천 장치(20)는 사용자를 식별할 수 있다(S601). 일 실시예에서, 콘텐츠 추천 장치(20)는 로그인 아이디를 이용하여 사용자를 식별할 수 있다.

이어서, 콘텐츠 추천 장치(20)는 상기 사용자의 콘텐츠 열람 이력을 데이터베이스(30)에서 획득할 수 있다(S603). 다음으로, 콘텐츠 추천 장치(20)는 식별한 사용자가 참여인력으로 등록된 콘텐츠 목록을 데이터베이스(30)에서 획득하고, 더불어 사용자의 콘텐츠 검색 이력을 데이터베이스(30)에서 획득할 수 있다(S605). 이어서, 콘텐츠 추천 장치(20)는 사용자가 스크랩한 콘텐츠 목록을 데이터베이스(30)에서 획득하고(S609), 사용자와 협업한 타 사용자 목록을 데이터베이스(30)에서 획득할 수 있다(S611).

다음으로, 콘텐츠 추천 장치(20)는 획득한 데이터, 즉, 콘텐츠 열람 이력, 사용자가 참여한 콘텐츠 목록, 검색 이력, 스크랩된 콘텐츠 목록 중에서 하나 이상을 벡터(예컨대, 밀집 벡터 또는 희소 벡터)로 표현하여, 획득한 데이터를 가공 처리할 수 있다. 이어서, 콘텐츠 추천 장치(20)는 획득하여 가공 처리한 데이터를 구축된 인공지능 모델에 입력하여, 그 인공지능 모델에서 출력되는 다수의 콘텐츠와 다수의 협업 파트너(즉, 타 사용자의 식별정보)를 획득할 수 있다(S613). 상기 다수의 콘텐츠는 각 유형에 따라 구분되어 출력될 수 있다. 예컨대, 다수의 과제, 다수의 논문 및 다수의 특허가 상기 인공지능 모델을 통해서 출력될 수 있다. 부연하면, 학습된 인공지능 모델에 의해서, 사용자가 선호할 것으로 예상되는 상기 다수의 콘텐츠는 각 유형에 따라 구분되어 출력될 수 있으며, 더불어 사용자가 선호할 것으로 예상된 다수의 협업 파트너가 출력될 수 있다.

이어서, 콘텐츠 추천 장치(20)는 인공지능 모델을 통해서 획득된 각각의 콘텐츠에 대한 선호도 점수를 계산하고, 선호도 점수를 기준으로 각각의 콘텐츠를 내림차순으로 정렬할 수 있다(S615). 일 실시예에서, 콘텐츠 추천 장치(20)는 콘텐츠의 유형에 따라, 콘텐츠를 내림차순으로 정렬할 수 있다.

일 실시예에서, 콘텐츠 추천 장치(20)는 콘텐츠의 최신성 정도를 제1 수치 및 콘텐츠의 인기도를 나타내는 제2 수치를 합산하여, 각 콘텐츠의 선호도 점수를 계산할 수 있다. 콘텐츠 추천 장치(20)는 콘텐츠의 게시일 또는 발표일을 데이터베이스(30)에서 식별하고, 게시일 또는 발표일에 기초하여 콘텐츠의 제1 수치를 결정할 수 있다. 게시일 또는 발표일이 최근일수록 제1 수치는 높아질 수 있다. 콘텐츠 추천 장치(20)는 콘텐츠의 조회수를 데이터베이스(30)에서 식별하고, 그 조회수에 기초하여 콘텐츠의 제2 수치를 결정할 수 있다. 제2 수치는 조회수에 비례할 수 있다. 몇몇 실시예에서, 상기 제1 수치에 제1 가중치가 적용되고, 상기 제2 수치에 제2 가중치가 적용되어, 제1 수치와 제2 수치가 합산되어 콘텐츠의 선호도 점수가 결정될 수 있다.

또한, 콘텐츠 추천 장치(20)는 인공지능 모델을 통해서 획득된 다수의 협업 파트너에 대한 선호도 점수를 계산할 수 있다. 일 실시예에서, 콘텐츠 추천 장치(20)는 협업 파트너가 참여인력으로 등재된 콘텐츠(이하, '협업 파트너 콘텐츠'라고 지칭함)의 최신성을 나타내는 제3 수치와 협업 파트너 콘텐츠의 인기도를 나타내는 제4 수치를 가중 합산하여, 각 협업 파트너의 선호도를 점수를 산출할 수 있다. 이어서, 콘텐츠 추천 장치(20)는 선호도 점수를 기준으로 협업 파트너들을 내림차순으로 정렬할 수 있다.

다음으로, 콘텐츠 추천 장치(20)는 일정 순위 안에 드는 유형별 콘텐츠를 선별하고, 그 선별된 복수의 콘텐츠를 사용자 단말(10)로 추천할 수 있다(S617). 또한, 콘텐츠 추천 장치(20)는 일정 순위 안에 드는 협업 파트너를 선별하고, 그 선별된 복수의 협업 파트너를 사용자 단말(10)로 추천할 수 있다. 이때, 콘텐츠 추천 장치(20)는 콘텐츠 유형별로 추천된 콘텐츠를 열람할 수 있으며, 더불어 협업 파트너를 열람할 수 있는 웹 페이지를 사용자 단말(10)로 전송할 수 있다.

도 12는 추천 콘텐츠들과 협업 파트너를 디스플레이하는 웹 페이지를 예시하는 도면이다.

도 12에 예시된 바와 같이, 사용자 단말(10)은 콘텐츠의 유형, 예컨대, 과제, 논문, 특허별 추천 목록을 수신할 수 있으며, 또한 추천되는 협업 파트너 목록을 수신할 수 있다. 사용자는 웹 페이지에서 과제, 논문, 특허, 협업 파트너 중 어느 하나를 선택함으로써, 추천 정보를 확인할 수 있다.

본 실시예에 따르면, 인공지능 모델을 이용하여 학술 관련 콘텐츠와 협업 파트너를 사용자에게 추천하여, 콘텐츠 활용을 극대화하고, 파트너 선정 과정에서의 편의성을 향상시킬 수 있다.

이하, 몇몇 실시예들에 따른 예시적인 컴퓨팅 장치의 하드웨어 구성을 도 13을 참조하여 설명하기로 한다.

도 13은 다양한 실시예에서 컴퓨팅 장치를 구현할 수 있는 예시적인 하드웨어 구성도이다. 본 실시예에 따른 컴퓨팅 장치(1000)는 하나 이상의 프로세서(1100), 시스템 버스(1600), 네트워크 인터페이스(1200), 프로세서(1100)에 의하여 수행되는 컴퓨터 프로그램(1500)을 로드(load)하는 메모리(1400)와, 컴퓨터 프로그램(1500)을 저장하는 스토리지(1300)를 포함할 수 있다. 도 13에는 실시예와 관련 있는 구성요소들 만이 도시되어 있다. 따라서, 본 명세서의 실시예들이 속한 기술분야의 통상의 기술자라면 도 13에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(1100)는 컴퓨팅 장치(1000)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(1100)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 명세서의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(1100)는 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(1000)는 둘 이상의 프로세서를 구비할 수 있다.

메모리(1400)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(1400)는 본 명세서의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지(1300)로부터 하나 이상의 컴퓨터 프로그램(1500)을 로드(load) 할 수 있다. 메모리(1400)의 예시는 RAM이 될 수 있으나, 이에 한정되는 것은 아니다.

시스템 버스(1600)는 컴퓨팅 장치(1000)의 구성 요소 간 통신 기능을 제공한다. 상기 버스는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다. 네트워크 인터페이스(1200)는 네트워크(40)와 연결할 수 있다. 스토리지(1300)는 하나 이상의 컴퓨터 프로그램(1500)을 비임시적으로 저장할 수 있다. 스토리지(1300)는 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 명세서의 실시예들이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(1500)은 본 명세서의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 컴퓨터 프로그램(1500)이 메모리(1400)에 로드 되면, 프로세서(1100)는 상기 하나 이상의 인스트럭션들을 실행시킴으로써 본 명세서의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다. 컴퓨터 프로그램(1500)은, 도 2 내지 도 참조하여 설명한 방법을 위한 인스트럭션들을 포함할 수 있다.

일 실시예에서, 상기 컴퓨터 프로그램(1500)은 콘텐츠를 학습에 필요한 하나 이상의 데이터를 포함하는 제1 데이터셋으로 가공 처리하는 동작과, 상기 콘텐츠와 연관관계에 있는 타 콘텐츠의 제2 데이터셋을 확장 데이터로서 획득하는 동작과, 콘텐츠 열람 이력을 포함하는 사용자 데이터를 획득하는 동작과,상기 제1 데이터셋, 상기 제2 데이터셋 및 상기 사용자 데이터를 콘텐츠 추천을 위한 인공지능 모델에 적용하여, 상기 인공지능 모델을 학습시키는 동작을 수행하기 위한 인스트럭션들을 포함할 수 있다.

다른 실시예에서, 상기 컴퓨터 프로그램(1500)은 사용자의 접속을 감지하는 동작과, 상기 사용자의 콘텐츠 열람 이력과 상기 사용자가 참여인력으로 기록된 하나 이상의 콘텐츠의 데이터를 획득하는 동작과, 상기 획득한 콘텐츠 열람 이력과 상기 하나 이상의 콘텐츠의 데이터를 기 구축된 인공지능 모델에 입력하여, 상기 사용자가 선호하는 하나 이상의 콘텐츠를 선별하는 동작과, 상기 선별한 복수의 콘텐츠를 사용자에게 추천하는 동작을 수행하기 위한 인스트럭션들을 포함할 수 있다.

지금까지 도 1 내지 도 13을 참조하여 본 발명의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 발명의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 도 1 내지 도 13을 참조하여 설명된 본 발명의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (18)

1. 컴퓨팅 장치에 의해서 수행되는 방법에 있어서,
   콘텐츠를 학습에 필요한 하나 이상의 데이터를 포함하는 제1 데이터셋으로 가공 처리하는 단계;
   상기 콘텐츠와 연관관계에 있는 타 콘텐츠의 제2 데이터셋을 확장 데이터로서 획득하는 단계; 및
   상기 제1 데이터셋 및 상기 제2 데이터셋을 콘텐츠 추천을 위한 인공지능 모델에 적용하여, 상기 인공지능 모델을 학습시키는 단계를 포함하되,
   상기 가공 처리하는 단계는,
   상기 콘텐츠의 텍스트를 나타내는 제1 데이터, 상기 콘텐츠의 속성을 나타내는 제2 데이터 및 상기 콘텐츠의 상기 콘텐츠의 최신성 정도를 나타내는 제1 수치 및 인기도를 나타내는 제2 수치를 포함하는 부가 정보를 나타내는 제3 데이터를 포함하는 상기 제1 데이터셋으로 콘텐츠를 가공 처리하는 단계;
   상기 콘텐츠의 유형을 식별하는 단계; 및
   상기 식별된 유형에 상응하는 가중치를 상기 제1 데이터셋에 적용하는 단계를 더 포함하고,
   상기 제2 데이터셋을 확장 데이터로서 획득하는 단계는,
   상기 콘텐츠에 대한 성과를 나타내는 또 다른 콘텐츠를 획득하고, 상기 또 다른 콘텐츠를 가공처리한 제3 데이터셋을 확장 데이터로서 더 획득하는 단계를 포함하고,
   상기 인공지능 모델을 학습시키는 단계는,
   상기 제3 데이터셋을 상기 인공지능 모델에 더 적용하여, 상기 인공지능 모델을 학습시키는 단계를 포함하고,
   상기 식별된 유형에 상응하는 가중치는 상기 제1 수치에 제1 가중치로 적용되고, 상기 제2 수치에 제2 가중치로 적용되는 것인,
   인공지능 모델 구축 방법.
2. 삭제
3. 제1항에 있어서,
   상기 제1 데이터, 상기 제2 데이터, 상기 제3 데이터 각각은, 밀집 벡터 또는 희소 벡터인 것인,
   인공지능 모델 구축 방법.
4. 삭제
5. 제1항에 있어서,
   상기 제1 수치는 상기 콘텐츠의 날짜에 기초하여 결정되고,
   상기 제2 수치는, 상기 콘텐츠의 조회수에 기초하여 결정되는 것인,
   인공지능 모델 구축 방법.
6. 삭제
7. 제1항에 있어서,
   상기 제2 데이터셋을 확장 데이터로서 획득하는 단계는,
   상기 콘텐츠의 참여인력으로 기재된 사용자를 식별하는 단계; 및
   상기 식별된 사용자가 참여한 상기 타 콘텐츠를 획득하고, 상기 타 콘텐츠를 가공처리한 상기 제2 데이터셋을 상기 확장 데이터로서 획득하는 단계를 포함하는,
   인공지능 모델 구축 방법.
8. 삭제
9. 삭제
10. 삭제
11. 삭제
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 삭제
17. 하나 이상의 프로세서;
    상기 프로세서에 의하여 수행되는 프로그램을 로드(load)하는 메모리; 및
    상기 프로그램이 저장된 스토리지를 포함하되,
    상기 프로그램은,
    콘텐츠를 학습에 필요한 하나 이상의 데이터를 포함하는 제1 데이터셋으로 가공 처리하는 동작;
    상기 콘텐츠와 연관관계에 있는 타 콘텐츠의 제2 데이터셋을 확장 데이터로서 획득하는 동작; 및
    상기 제1 데이터셋 및 상기 제2 데이터셋을 콘텐츠 추천을 위한 인공지능 모델에 적용하여, 상기 인공지능 모델을 학습시키는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함하되,
    상기 가공 처리하는 동작은,
    상기 콘텐츠의 텍스트를 나타내는 제1 데이터, 상기 콘텐츠의 속성을 나타내는 제2 데이터 및 상기 콘텐츠의 상기 콘텐츠의 최신성 정도를 나타내는 제1 수치 및 인기도를 나타내는 제2 수치를 포함하는 부가 정보를 나타내는 제3 데이터를 포함하는 상기 제1 데이터셋으로 콘텐츠를 가공 처리하는 동작;
    상기 콘텐츠의 유형을 식별하는 동작; 및
    상기 식별된 유형에 상응하는 가중치를 상기 제1 데이터셋에 적용하는 동작을 더 포함하고,
    상기 제2 데이터셋을 확장 데이터로서 획득하는 동작은,
    상기 콘텐츠에 대한 성과를 나타내는 또 다른 콘텐츠를 획득하고, 상기 또 다른 콘텐츠를 가공처리한 제3 데이터셋을 확장 데이터로서 더 획득하는 동작을 포함하고,
    상기 인공지능 모델을 학습시키는 동작은,
    상기 제3 데이터셋을 상기 인공지능 모델에 더 적용하여, 상기 인공지능 모델을 학습시키는 동작을 포함하고,
    상기 식별된 유형에 상응하는 가중치는 상기 제1 수치에 제1 가중치로 적용되고, 상기 제2 수치에 제2 가중치로 적용되는 것인,
    컴퓨팅 장치.
18. 삭제

Images