KR20230018792A - 메시지 광고의 효율을 최적화하는 방법 및 장치 - Google Patents

Abstract

일 실시예에 따른 프로세서에 의해 수행되는, 사용자의 메시지 반응성을 예측하기 위한 방법은, 대상 사용자에게 발송 예정인 대상 메시지(target message)와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성의 산출, 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성의 산출, 및 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성의 산출 중 적어도 하나 또는 둘 이상의 조합을 수행하는 단계, 및 유사 반응성, 관심사 반응성, 및 고유 반응성 중 대상 사용자에 대하여 산출된 반응성을 이용하여 대상 메시지에 대한 대상 사용자의 최종 반응성을 예측하는 단계를 포함할 수 있다.

Description

메시지 광고의 효율을 최적화하는 방법 및 장치{METHOD AND APPARATUS FOR OPTIMIZING EFFECTIVENESS OF MESSAGE ADVERTISING}

이하, 메시지 광고의 효율을 최적화하는 방법에 관한 기술이 개시된다.

메시지 광고는 발송 건수에 따라 비용이 부과되기 때문에, 광고의 효율을 높이기 위해 메시지 광고를 수신하는 사용자들의 반응성을 예측하는 것이 중요하다. 발송하는 메시지 광고의 내용 및 메시지 광고를 수신하는 사용자의 관심사를 기준으로 사용자의 반응성을 예측하는 경우가 많다. 사용자에 대해 메시지의 반응성을 극대화하기 위해서 주로 메시지 컨텐츠에 대한 관심이 높은 사용자들을 타겟팅하여 메시지를 발송할 수 있다. 그러나, 단편적인 사용자 관심사에 기초한 메시지 광고 타겟팅으로는 잠재적인 고객 확보가 어려우며, 전환율(예를 들어, 구매 전환율) 등의 지표에서 긍정적이지 않을 가능성이 높다. 예를 들어, 특정 가수의 신곡 홍보 메시지는 해당 가수에 관심이 있는 소수의 사용자를 타겟으로 하여 발송될 수 있으나, 해당 사용자들은 이미 수신된 정보를 다른 곳에서 접하여 광고주는 광고비 대비 효율을 얻기 어려울 수 있다. 즉, 관심사에 기초한 타겟팅은 소수의 기존 사용자를 대상으로 하기 때문에 광고 대상 확보 및 전환 효율 극대화 측면에서 최적화로 보기 어렵다.

일 실시예에 따른 프로세서에 의해 수행되는 사용자의 메시지 반응성을 예측하기 위한 방법은, 대상 사용자에게 발송 예정인 대상 메시지(target message)와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성의 산출, 상기 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성의 산출, 및 상기 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성의 산출 중 적어도 하나 또는 둘 이상의 조합을 수행하는 단계, 및 상기 유사 반응성, 상기 관심사 반응성, 및 상기 고유 반응성 중 상기 대상 사용자에 대하여 산출된 반응성을 이용하여 상기 대상 메시지에 대한 상기 대상 사용자의 최종 반응성을 예측하는 단계를 포함할 수 있다.

상기 수행하는 단계는, 상기 대상 메시지의 메타 데이터에 기초하여 상기 대상 메시지와 유사하다고 분류된 상기 유사 메시지들을 추출하는 단계, 및 상기 추출된 유사 메시지들의 개수 대비 상기 추출된 유사 메시지들 중 상기 대상 사용자가 반응한 메시지 개수의 비율인 제1 비율 데이터에 기초하여 상기 유사 반응성을 산출하는 단계를 포함할 수 있다.

상기 수행하는 단계는, 상기 제1 비율 데이터를 상기 추출된 유사 메시지들에 대한 전체 사용자의 평균 반응성에 기초하여 보정함으로써 제2 비율 데이터를 생성하고, 상기 생성된 제2 비율 데이터에 기초하여 상기 유사 반응성을 산출하는 단계를 포함할 수 있다.

상기 수행하는 단계는, 상기 대상 메시지가 지시하는 관심사에 대한 상기 대상 사용자의 관심도에 대응하는 제1 일치 데이터에 기초하여 상기 관심사 반응성을 산출하는 단계를 포함할 수 있다.

상기 수행하는 단계는, 전체 사용자 각각에 대하여 관심사 및 관심도를 포함하는 관심 정보를 미리 설정된 시간 간격으로 측정하는 단계, 상기 미리 설정된 시간 간격으로 측정된 상기 전체 사용자의 관심 정보를 사용하여 상기 제1 일치 데이터를 보정하는 단계, 및 상기 제1 일치 데이터가 보정되어 생성된 제2 일치 데이터에 기초하여 상기 관심사 반응성을 산출하는 단계를 포함할 수 있다.

상기 제1 일치 데이터를 보정하는 단계는, 제1 시간 구간에서 측정된 상기 전체 사용자의 관심 정보 및 상기 제1 시간 구간으로부터 상기 대상 메시지가 발송될 잔여 시간 만큼 차감된 제2 시간 구간에서 측정된 상기 전체 사용자의 관심 정보에 기초하여, 사용자 그룹 별로 보정값을 산출하는 단계, 및 상기 대상 사용자의 상기 제1 시간 구간에서 측정된 관심 정보 및 상기 제2 시간 구간에서 측정된 관심 정보에 기초하여 상기 대상 사용자가 속하는 사용자 그룹을 검색하고, 상기 검색된 사용자 그룹에 대응하는 보정값을 상기 제1 일치 데이터에 적용함으로써 상기 제1 일치 데이터를 보정하는 단계를 포함할 수 있다.

상기 수행하는 단계는, 상기 대상 메시지와 상기 대상 메시지가 지시하는 관심사 사이의 연관도를 산출하는 단계, 및 상기 산출된 연관도를 상기 제1 일치 데이터에 적용함으로써 상기 관심사 반응성을 산출하는 단계를 포함할 수 있다.

상기 연관도를 산출하는 단계는, 관심사를 지시하는 메시지들 각각에 대한 전체 사용자의 평균 반응성에 기초하여 해당 관심사에 적합한 메시지 및 상기 해당 관심사에 적합하지 않은 메시지를 구분하고, 상기 구분된 결과를 이용하여 트레이닝된 기계 학습 모델을 통해, 상기 대상 메시지 및 상기 대상 메시지가 지시하는 관심사에 기초하여 상기 연관도를 산출하는 단계를 포함할 수 있다.

상기 수행하는 단계는, 상기 대상 사용자가 메시지를 수신한 시점에서의 상기 대상 사용자의 관심사에 해당 메시지가 지시하는 관심사가 포함되어 있었는지 여부를 기준으로, 상기 해당 메시지가 상기 대상 사용자에 대한 비관심 메시지에 해당하는지 여부를 판단하는 단계, 및 상기 대상 사용자가 수신한 비관심 메시지들에 대한 반응 결과에 기초하여 고유 반응성을 산출하는 단계를 포함할 수 있다.

상기 최종 반응성을 예측하는 단계는, 사용자에 대해 산출된 유사 반응성, 관심사 반응성, 및 고유 반응성 중 적어도 하나 또는 둘 이상의 조합 및 미리 획득된 반응 결과에 기초하여 트레이닝된 기계 학습 모델을 이용하여 상기 대상 사용자의 최종 반응성을 산출하는 단계를 포함할 수 있다.

일 실시예에 따른 메시지 반응성 예측 장치는, 대상 사용자에게 발송 예정인 대상 메시지와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성의 산출, 상기 대상 메시지가 지시하는 관심사와 상기 대상 사용자의 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성의 산출, 및 상기 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성의 산출 중 적어도 하나 또는 둘 이상의 조합을 수행하고, 상기 유사 반응성, 상기 관심사 반응성, 및 상기 고유 반응성 중 상기 대상 사용자에 대하여 산출된 반응성을 이용하여 상기 대상 메시지에 대한 상기 대상 사용자의 최종 반응성을 예측하는 프로세서를 포함할 수 있다.

일 실시예에 따른 메시지 반응성 예측 장치는 대상 메시지와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성, 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성, 및 대상 사용자의 비관심 메시지들의 반응성을 나타내는 고유 반응성에 기초하여 최종 반응성을 산출함으로써, 대상 메시지에 대한 대상 사용자의 반응성을 보다 체계적으로 산출할 수 있다.

일 실시예에 따른 메시지 반응성 예측 장치는 대상 메시지에 대한 최종 반응성을 사용자 별로 산출할 수 있고, 최종 반응성이 높은 사용자들에게 대상 메시지를 전송함에 따라 메시지 광고에 대한 효율을 극대화할 수 있다.

도 1은 일 실시예에 따른 메시지 반응성 예측 장치가 대상 사용자에게 발송 예정인 대상 메시지에 대한 대상 사용자의 반응성을 예측하는 동작을 설명하는 흐름도이다.
도 2 는 일 실시예에 따른 메시지 반응성 예측 장치가 대상 메시지와 유사한 유사 메시지들에 대한 반응성을 나타내는 유사 반응성을 산출하는 예시적 흐름도를 도시한다.
도 3은 일 실시예에 따른 메시지 반응성 예측 장치가 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성을 산출하는 예시적 흐름도를 도시한다.
도 4는 일 실시예에 따른 메시지 반응성 예측 장치가 기계 학습 모델을 통해 대상 메시지와 대상 메시지의 관심사 사이의 연관도를 산출하는 과정을 설명한다.
도 5는 일 실시예에 따른 메시지 반응성 예측 장치가 대상 사용자에 대한 비관심 메시지들의 반응성을 나타내는 고유 반응성을 산출하는 예시적 흐름도를 도시한다.
도 6은 일 실시예에 따른 메시지 반응성 예측 장치가 최종 반응성을 산출하는 기계 학습 모델을 트레이닝시키는 과정을 설명한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 메시지 반응성 예측 장치가 대상 사용자에게 발송 예정인 대상 메시지에 대한 대상 사용자의 반응성을 예측하는 동작을 설명하는 흐름도(100)이다.

일 실시예예 따른 메시지 반응성 예측 장치는 대상 사용자에게 발송 예정인 대상 메시지(target message)와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성의 산출, 대상 메시지가 지시하는 관심사와 대상 사용자의 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성의 산출, 및 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성의 산출 중 적어도 하나 또는 둘 이상의 조합을 수행할 수 있다. 메시지 반응성 예측 장치는 유사 반응성, 관심사 반응성, 및 고유 반응성 중 대상 사용자에 대하여 산출된 반응성을 이용하여 대상 메시지에 대한 상기 대상 사용자의 최종 반응성을 예측할 수 있다.

메시지에 대한 사용자의 반응성은 아래와 같이 다양하게 정의될 수 있다.

예를 들어, 메시지에 대한 사용자의 반응성은, 메시지가 사용자에게 발송된 경우에 사용자가 수신한 메시지를 선택(예를 들어, 터치 또는 클릭)할 확률을 나타낼 수 있다. 사용자가 수신한 메시지를 선택함으로써, 수신한 메시지에 대한 보다 자세한 정보가 사용자에게 제공될 수 있다.

다른 예를 들어, 메시지에 대한 사용자의 반응성은, 메시지가 사용자에게 발송된 경우에 사용자가 수신한 메시지를 뷰잉(viewing)할 확률을 나타낼 수 있다. 여기서, 사용자가 메시지를 뷰잉한다는 것은, 사용자가 메시지가 게시된 채팅방(예를 들어, 카카오톡 채팅방 등)에 진입하는 동작을 포함할 수 있다.

또 다른 예를 들어, 메시지에 대한 사용자의 반응성은, 메시지가 사용자에게 발송된 경우에 사용자가 수신한 메시지에 관한 정보를 다른 사용자에게 통지할 확률을 나타낼 수 있다. 여기서, 다른 사용자에게 통지한다는 것은, 사용자는 수신한 메시지를 공유하거나 수신한 메시지에 설정된 기능(예를 들어, '추천' 기능 또는 '좋아요' 기능 등)을 선택함으로써 다른 사용자에게 통지하는 동작을 포함할 수 있다.

또 다른 예를 들어, 메시지에 대한 사용자의 반응성은, 메시지가 사용자에게 발송된 경우에 해당 메시지의 전송 주체가 기대하는 동작을 메시지를 수신한 사용자가 수행할 확률을 나타낼 수 있다. 예를 들어, 메시지의 전송 주체가 기대하는 동작은, 사용자가 메시지를 선택한 이후에 메시지에 대응하는 광고 제품을 구매하는 동작, 메시지에 대응하는 영상을 시청하는 동작, 메시지와 연동된 다른 페이지로 진입하는 동작을 나타낼 수 있다.

이하 명세서에서는, 전술한 메시지에 대한 사용자의 반응성에 관한 다양한 정의 중 사용자가 수신한 메시지를 선택할 확률을 메시지에 대한 사용자의 반응성으로 주로 설명하나, 반드시 이로 한정되는 것은 아니다.

단계(110)에서, 일 실시예에 따른 메시지 광고(이하, '메시지')의 반응성을 예측하기 위한 장치(이하, '메시지 반응성 예측 장치')는 대상 사용자에게 발송 예정인 대상 메시지(target message)와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성을 산출할 수 있다.

복수의 사용자들에게 발송되는 메시지들의 각각에는 관심사가 설정될 수 있다. 예를 들어, 관심사는 스포츠, 디지털, 가전, 식품, 영화, 패션 등이 있을 수 있다. 예를 들어, '맛있닭이 추천하는 닭가슴살 21종 맛보기 선물 패키지 ?? '의 메시지에는 식품의 관심사가 설정될 수 있고, '스와로브스키의 뉴 컬렉션 Curiosa는 섬세하고 예술적인 디자인과 혁신적인 크리스털 커팅 기법으로 ?? '의 메시지에는 패션의 관심사가 설정될 수 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 이전에 복수의 사용자들에게 발송된 메시지들의 각각에 대하여 대상 메시지와의 유사도를 대상 메시지의 메타 데이터에 기초하여 결정할 수 있다. 예를 들어, 메시지 반응성 예측 장치는 이전에 발송된 메시지들 중 대상 메시지 사이에서 산출된 유사도가 임계 유사도 이상인 메시지들을 대상 메시지와 유사한 메시지인 것으로 판단할 수 있다. 예를 들어, 메시지 반응성 예측 장치는 대상 사용자의 메시지 반응 이력을 확인함으로써 대상 메시지와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성을 산출할 수 있다. 메시지 반응 이력은 사용자에 대해 발송된 메시지들 각각에 대하여 해당 사용자가 메시지에 반응 했는지 여부에 관한 정보를 포함할 수 있다. 예를 들면, 메시지 반응 이력은 사용자가 메시지를 선택(예를 들어, 터치 또는 클릭)했는지 여부에 관한 정보를 포함할 수 있다.

이어서, 단계(120)에서 메시지 반응성 예측 장치는 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성을 산출할 수 있다.

전술한 바와 같이, 메시지들의 각각에는 관심사가 설정될 수 있다. 메시지 반응성 예측 장치는 복수의 사용자들의 각각에 대하여 관심을 가지고 있는 관심사를 측정할 수 있다. 사용자가 관심을 가지고 있는 관심사는 적어도 하나 이상일 수 있다. 후술하겠으나, 사용자의 관심사는 시간 경과에 따라 변경될 수 있다. 메시지 반응성 예측 장치는 대상 사용자에게 발송될 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 산출할 수 있다. 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성은, 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 관심도에 기초하여 계산될 수 있다. 관심도는 특정 관심사에 대하여 사용자가 관심을 갖는 정도를 나타내는 지표를 나타낼 수 있다. 후술하겠으나, 시간 경과에 따라 사용자의 관심사는 변경될 수 있기 때문에, 사용자의 특정 관심사에 대한 관심도 또한 시간 경과에 따라 변경될 수 있다. 예를 들어, 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 관심도가 높은 경우에는, 대상 사용자에 대한 관심사 반응성이 높게 산출될 수 있다. 반면, 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 관심도가 낮은 경우에는, 대상 사용자에 대한 관심사 반응성이 낮게 산출될 수 있다.

그리고 단계(130)에서 메시지 반응성 예측 장치는 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성을 산출할 수 있다.

고유 반응성이란 사용자가 자신의 관심사가 아닌 다른 관심사를 지시하는 메시지에 반응하는 정도를 나타내는 지표이다. 예를 들어, 고유 반응성이 상대적으로 높은 사용자는 동일한 관심사 및 동일한 관심도를 갖는 고유 반응성이 상대적으로 낮은 사용자 보다 대상 메시지에 대해 반응할 확률이 높다. 이에, 메시지 반응성 예측 장치는 대상 사용자의 대상 메시지에 대한 반응성을 예측하는 경우, 관심사와는 독립적인 지표로서 대상 사용자에 대한 고유 반응성을 더 고려할 수 있다.

단계(140)에서 메시지 반응성 예측 장치는 유사 반응성, 관심사 반응성, 및 고유 반응성 중 대상 사용자에 대하여 산출된 반응성을 이용하여 대상 메시지에 대한 대상 사용자의 최종 반응성을 예측할 수 있다.

예를 들어, 메시지 반응성 예측 장치가 대상 사용자에 대하여 유사 반응성을 산출한 경우에는, 유사 반응성을 이용하여 대상 메시지에 대한 대상 사용자의 최종 반응성을 예측할 수 있다. 다른 예를 들어, 메시지 반응성 예측 장치가 유사 반응성 및 관심사 반응성을 산출한 경우에는, 유사 반응성 및 관심사 반응성을 이용하여 대상 메시지에 대한 대상 사용자의 최종 반응성을 에측할 수 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 기계 학습 모델을 이용하여 대상 사용자의 최종 반응성을 예측할 수 있다. 여기서, 기계 학습 모델은 대상 메시지에 대한 최종 반응성을 추출하도록 설계된 기계 학습 구조를 갖는 하나 이상의 모델로서, 예를 들어, 뉴럴 네트워크(neural network)를 포함할 수 있다. 보다 구체적으로, 메시지 반응성 예측 장치는 기계 학습 모델을 트레이닝시키기 위하여 대상 사용자에 대해 산출된 유사 반응성, 관심사 반응성, 및 고유 반응성 중 적어도 하나 또는 둘 이상의 조합에 관한 데이터 및 미리 획득된 반응 결과를 트레이닝 데이터로 입력할 수 있다. 이 경우, 메시지 반응성 예측 장치는 트레이닝된 기계 학습 모델에 대상 사용자에 대해 산출된 유사 반응성, 관심사 반응성, 및 고유 반응성 중 적어도 하나를 입력함으로써 대상 사용자의 최종 반응성을 획득할 수 있다.

다른 일 실시예에 따르면, 메시지 반응성 예측 장치는 반드시 대상 사용자에 대해 산출된 유사 반응성, 관심사 반응성, 및 고유 반응성을 모두 사용하여 최종 반응성을 예측할 필요는 없다. 예를 들어, 메시지 반응성 예측 장치는 대상 사용자에 대해 산출된 유사 반응성만을 사용하여 최종 반응성을 예측할 수도 있다. 이 경우, 기계 학습 모델은 사용자에 대해 산출된 유사 반응성 및 미리 획득된 반응 결과를 트레이닝 데이터로 트레이닝될 수 있다. 다만, 이하 명세서에서는 유사 반응성, 관심사 반응성, 및 고유 반응성을 모두 사용하여 대상 사용자의 최종 반응성을 예측하는 방법을 주로 설명한다.

더 나아가, 메시지 반응성 예측 장치는 전체 사용자의 각각에 대하여 대상 메시지에 대한 최종 반응성을 예측할 수 있다. 여기서, 전제 사용자는 아래와 같이 다양하게 정의될 수 있다. 예를 들어, 전체 사용자는 메시지의 전송 주체(예를 들어, 광고주)의 메신저 계정(예를 들어, 카카오톡 채널 등)을 등록한 모든 사용자를 나타낼 수 있다. 다시 말해, 메시지 전송 주체의 메신저 계정을 친구 관계로 등록한 모든 사용자를 나타낼 수 있다. 다른 예를 들어, 전체 사용자는 메시지 전송 주체의 서비스에 가입된 모든 사용자를 나타낼 수 있다. 예시적으로, 메시지 전송 주체의 서비스는 인터넷 포털 사이트일 수 있으며, 해당 인터넷 포털 사이트에 가입된 모든 사용자를 나타낼 수 있다. 또 다른 예를 들어, 전체 사용자는 메시지의 전송 주체로부터 메시지를 받는 것을 승인한 모든 사용자를 나타낼 수 있다.

메시지 반응성 예측 장치는 대상 메시지에 대한 최종 반응성이 높은 순서대로 미리 결정된 비율에 포함되는 사용자들에게 대상 메시지를 발송할 수 있다. 예를 들어, 최종 반응성이 높은 순서대로 상위 10%의 비율에 해당하는 사용자들을 타게팅(targeting)하여 대상 메시지를 발송할 수 있다. 이에 따라, 메시지 반응성 예측 장치는 대상 메시지에 대하여 반응할 확률을 극대화함으로써 광고의 효율을 극대화할 수 있다.

도 2 는 일 실시예에 따른 메시지 반응성 예측 장치가 대상 메시지와 유사한 유사 메시지들에 대한 반응성을 나타내는 유사 반응성을 산출하는 예시적 흐름도(200)를 도시한다.

일 실시예에 따르면, 도 2에 도시된 흐름도(200)는 도 1의 단계(110)의 예시적 흐름도를 나타낼 수 있다. 예를 들어, 메시지 반응성 예측 장치는 대상 메시지와 유사한 유사 메시지들 및 유사 메시지들에 대한 대상 사용자의 반응 결과를 통해 유사 반응성을 산출할 수 있다.

우선, 단계(210)에서 메시지 반응성 예측 장치는 발송 예정인 대상 메시지의 메타 데이터(metadata)에 기초하여 대상 메시지와 유사한 유사 메시지를 추출할 수 있다. 대상 메시지의 메타 데이터는 대상 메시지를 구성하는 단어들에 관한 정보를 포함할 수 있다. 메시지 반응성 예측 장치는 전체 메시지들의 메타 데이터들의 각각을 대상 메시지의 메타 데이터와 서로 비교함으로써 유사도(similarity)를 메시지들 마다 산출할 수 있다. 유사도는 대상 메시지와 메시지들 간의 유사한 정도를 나타낸다. 이때, 전체 메시지들은 대상 사용자에게 이전에 발송 된 바가 있으며, 대상 사용자의 메시지 반응 결과가 대상 사용자의 메시지 반응 이력에 포함되어 있는 것으로 가정할 수 있다.

예를 들어, 메시지들 간에 동일 또는 유사한 단어가 많이 검출되는 경우에 메시지들 간의 유사도가 높게 나타날 수 있다. 메시지 반응성 예측 장치는 메시지를 구성하는 단어들을 형태소 단위로 나누어 텍스트 벡터화(text verctorization)할 수 있다. 또한, 비교하는 메시지들의 각각을 구성하는 단어들의 구성 차이를 계산함으로써 비교하는 메시지들 사이의 유사도를 산출할 수 있다. 예를 들어, 유사도 모델 중 코사인 유사도(cosine similarity)를 사용하여 비교하는 메시지들 사이의 유사도를 산출할 수 있다. 코사인 유사도는 개별 메시지에 대하여 산출된 특정 단어가 등장한 빈도수에 기초하여 메시지에 대응하는 벡터를 생성하고, 비교하는 메시지들에 대응하는 벡터들 간의 각도의 코사인 값을 유사도로 산출하는 방법이다. 이외에도, 비교하는 메시지들 사이의 유사도를 산출하기 위하여 자카드 유사도(jaccard similarity), 공통부분 유사도(overlap similarity) 등의 다른 유사도 모델을 사용할 수도 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 전체 메시지들 중 대상 메시지와의 유사도가 임계 유사도 이상인 메시지를 대상 메시지와 유사한 메시지로 분류하여 추출할 수 있다. 예를 들어, 임계 유사도는 0.9로 설정될 수 있다.

이어서, 단계(220)에서 메시지 반응성 예측 장치는 유사 메시지들에 대한 대상 사용자의 반응 결과에 기초하여 제1 비율 데이터를 산출할 수 있다. 메시지 반응성 예측 장치는 대상 사용자의 메시지 반응 이력을 확인함으로써 추출된 유사 메시지들에 대한 대상 사용자의 반응 결과를 획득할 수 있다.

일 실시예에 따르면, 제1 비율 데이터는 추출된 유사 메시지들의 개수 대비 추출된 유사 메시지들 중 대상 사용자가 반응한 메시지 개수의 비율을 나타낼 수 있다. 다시 말해, 메시지 반응성 예측 장치는 대상 메시지와 유사하다고 분류된 유사 메시지들 모두에 대하여 대상 사용자에 대한 반응 결과를 확인함으로써, 대상 사용자의 유사 반응성을 산출할 수 있다. 예를 들어, 아래 표 1은 대상 사용자 U1에 대하여 발송할 대상 메시지와 유사하다고 분류된 유사한 메시지(M1, M2, ??, M8)에 대한 사용자 U1의 반응 결과를 나타낸다.

유사 메시지	반응 결과
M1	1
M2	0
M3	0
M4	1
M5	1
M6	1
M7	0
M8	0

표 1에서, '1'의 반응 결과는 대상 사용자 U1이 유사 메시지에 반응한 것을 나타내고, '0'의 반응 결과는 대상 사용자 U1이 유사 메시지에 반응하지 않은 것을 나타낸다. 표 1을 참조하면, 대상 사용자 U1에 대한 제1 비율 데이터는 4/8(=0.5)로 산출된다.

다른 일 실시예에 따르면, 제1 비율 데이터는 위와는 다른 방식으로 산출될 수도 있다. 전체 메시지들 중 대상 메시지와 유사한 메시지로 분류되는 유사 메시지들 각각에 대하여 대상 메시지와의 유사도가 산출될 수 있다. 이때, 유사 메시지들 중 대상 메시지와의 유사도가 높은 순서대로 미리 정한 개수 또는 미리 정한 비율에 포함되는 메시지들이 선택될 수 있다. 제1 비율 데이터는 선택된 메시지들의 개수 대비 선택된 메시지들 중 대상 사용자가 반응한 메시지 개수의 비율로 산출될 수도 있다.

메시지 반응성 예측 장치는 산출된 제1 비율 데이터를 대상 메시지와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성으로 결정할 수 있다. 그러나, 제1 비율 데이터는 대상 사용자 외의 다른 사용자들의 유사 메시지들에 대한 반응성을 고려하지 않기 때문에, 보다 정확한 유사 반응성을 산출하기 위하여서는 제1 비율 데이터를 일부 보정할 필요가 있다. 제1 비율 데이터의 보정과 관련하여서는 단계(230)에서 설명한다.

단계(230)에서 메시지 반응성 예측 장치는 제1 비율 데이터를 유사 메시지들에 대한 전체 사용자의 평균 반응성에 기초하여 보정함으로써 제2 비율 데이터를 생성할 수 있다. 메시지 반응성 예측 장치는 생성된 제2 비율 데이터에 기초하여 유사 반응성을 산출할 수 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 유사 메시지들에 대한 전체 사용자의 평균 반응성에 기초하여 제1 비율 데이터를 보정할 수 있다. 이 경우, 메시지 반응성 예측 장치는 유사 메시지들에 대한 전체 사용자의 평균 반응성을 산출하기 위하여, 유사 메시지들 각각에 대한 전체 사용자의 평균 반응성을 산출할 수 있다.

예를 들어, 대상 메시지와 유사하다고 분류된 유사 메시지가 M1, M2, M3인 경우를 가정한다. 이때, 유사 메시지 M1에 대한 전체 사용자의 평균 반응성이 산출될 수 있다. 유사 메시지 M1이 전체 사용자 중 1000명의 사용자들에게 발송되었으며, 발송된 사용자들 중 50명의 사용자들이 유사 메시지 M1에 반응한 경우, 유사 메시지 M1에 대한 전체 사용자의 평균 반응성은 50/1000(=0.05)로 산출될 수 있다. 또한, 유사 메시지 M2가 전체 사용자 중 1230명의 사용자들에게 발송되었으며, 발송된 사용자들 중 30명의 사용자들이 유사 메시지 M2에 반응한 경우, 유사 메시지 M2에 대한 평균 반응성은 30/1230(

0.024)로 산출될 수 있다. 유사 메시지 M3가 전체 사용자 중 770명의 사용자들에게 발송되었으며, 발송된 사용자들 중 10명의 사용자들이 유사 메시지 M3에 반응한 경우, 유사 메시지 M3에 대한 평균 반응성은 10/770(

0.013)로 산출될 수 있다.

이후, 메시지 반응성 예측 장치는 유사 메시지들 각각에 대해 산출된 평균 반응성에 기초하여 유사 메시지들 전체에 대한 평균 반응성을 산출할 수 있다. 일 실시예에 따르면, 유자 메시지들 전체에 대한 평균 반응성은 유사 메시지들 각각이 발송된 사용자들 수의 합산(sum) 대비 유사 메시지들 각각에 대해 반응한 사용자들 수의 합산의 비율을 나타낼 수 있다. 상술한 예시에 따르면, 유사 메시지들 전체에 대한 평균 반응성은 (50+30+10)/(1000+1230+770)(=0.3)로 산출될 수 있다.

일 실시예에 따른 메시지 반응성 예측 장치는 산출된 유사 메시지들 전체에 대한 평균 반응성에 기초하여 제1 비율 데이터를 보정할 수 있다. 제1 비율 데이터는 아래 수학식 1에 따라 보정될 수 있다.

수학식 1에서, a 및 b는 변수로서 유사 메시지들 전체에 대한 평균 반응성에 기초하여 결정될 수 있으며, 보다 구체적으로,

의 값은 유사 메시지들 전체에 대한 평균 반응성과 동일한 값이다.

일 실시예에 따르면, 제1 비율 데이터는 다양한 민감도로 보정될 수 있다. 예를 들어, 높은 민감도로 제1 비율 데이터를 보정하는 것은, 제1 비율 데이터를 유사 메시지들 전체에 대한 평균 반응성을 크게 반영하여 보정하는 것을 나타낸다. 반대로, 낮은 빈감도로 제1 비율 데이터를 보정하는 것은, 제1 비율 데이터를 유사 메시지들 전체에 대한 평균 반응성을 낮게 반영하여 보정하는 것을 나타낸다. 예를 들어, 높은 민감도에 따라 제1 비율 데이터를 보정하는 경우, 수학식 1에서 a에 1.5 및 b에 50을 대입할 수 있다. 낮은 민감도에 따라 제1 비율 데이터를 보정하는 경우, 수학식 1에서 a에 3 및 b에 100을 대입할 수 있다.

아래 표 2는 제1 비율 데이터 및 유사 메시지들 전체에 대한 평균 반응성에 기초하여 보정된 제2 비율 데이터를 예시적으로 나타낸다.

사용자	수신한 유사 메시지 수	반응한 유사 메시지 수	제1 비율 데이터	수신한 유사 메시지 수 + a	반응한 유사 메시지 수 + b	제2 비율 데이터
U1	3	1	33%	4	103	3.9%
U2	10	2	20%	5	110	4.5%
U3	20	4	20%	7	120	5.8%
U4	40	6	15%	9	140	6.4%
U5	2	0	0%	3	102	2.9%
U6	30	0	0%	3	130	2.3%

전술한 표 2에서, 유사 메시지들에 대한 전체 사용자의 평균 반응성은 3%이며, a는 3 및 b는 100이 대입되는 것을 가정한다. 예를 들어, 사용자 U1은 사용자 U2 및 사용자 U3 보다 제1 비율 데이터가 높게 산출된다. 그러나, 사용자 U1이 수신한 유사 메시지의 수는 3개로 신뢰성이 높지 않기 때문에, 유사 메시지들 전체에 대한 평균 반응성으로 보정되는 경우 제2 비율 데이터가 사용자 U2 및 사용자 U3의 제2 비율 데이터 보다 낮게 나타나게 된다. 또 다른 예를 들어, 사용자 U5 및 사용자 U6는 반응한 유사 메시지 수가 없기 때문에 제1 비율 데이터는 모두 0으로 산출된다. 그러나, 사용자 U6는 사용자 U5 보다 수신한 유사 메시지 수가 더 많기 때문에, 사용자 U6의 제2 비율 데이터가 사용자 U5의 제2 비율 데이터 보다 작게 나타난다. 마찬가지로, 사용자 U2 및 U3는 제1 비율 데이터가 동일한 값으로 산출되나, 사용자 U3가 사용자 U2 보다 수신한 메시지 수가 더 많아 신뢰성이 높기 때문에, 사용자 U3의 제2 비율 데이터가 사용자 U2의 비율 데이터 보다 높게 산출된다.

전술한 바와 같이, 제1 비율 데이터는 대상 사용자 외의 다른 사용자들의 유사 메시지에 대한 반응성을 고려하지 못한다. 또한, 제1 비율 데이터를 유사 반응성으로 결정하는 경우, 2개의 유사 메시지를 수신하였으나 반응이 없는 사용자 U5와 30개의 유사 메시지를 수신하였으나 반응이 없는 사용자 U6는 모두 '0'의 유사 반응성으로 산출된다. 실제로, 사용자 U6는 유사 메시지를 사용자 U5 보다 더 많이 수신하였으나 반응이 없기 때문에, 사용자 U6가 사용자 U5보다 유사 반응성이 작게 나타나여야 한다. 따라서, 이러한 문제점을 해결하기 위해 제1 비율 데이터를 보정하여 생성된 제2 비율 데이터를 유사 반응성으로 결정할 수 있다. 예를 들어, 유사 메시지들 전체에 대한 평균 반응성을 사용하여 제1 비율 데이터를 보정함으로써, 보다 많은 유사 메시지에 반응하지 않은 사용자 U6에 대해 사용자 U5 보다 강한 음성 피드백(negative feedback)을 적용시킬 수 있다.

더 나아가, 메시지 반응성 예측 장치는 대상 사용자에 대하여 산출된 제2 비율 데이터를 대상 사용자의 유사 반응성으로 결정할 수 있으나, 제2 비율 데이터를 정규화(normalization)하여 보정된 값을 유사 반응성으로 결정할 수도 있다. 예를 들어, 대상 사용자에 대해 산출된 제2 비율 데이터는 -1에서 1 사이의 유사 스코어(score)로 정규화될 수 있고, 유사 스코어가 대상 사용자의 유사 반응성으로 결정될 수 있다.

도 3은 일 실시예에 따른 메시지 반응성 예측 장치가 대상 메시지가 지시하는 관심사와 대상 사용자의 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성을 산출하는 예시적 흐름도(300)를 도시한다.

일 실시예에 따르면, 도 3에 도시된 흐름도(300)는 도 1의 단계(120)의 예시적 흐름도를 나타낼 수 있다. 예를 들어, 메시지 반응성 예측 장치는 대상 사용자의 관심사 및 관심도를 포함하는 관심 정보를 통해 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 산출할 수 있다.

먼저, 단계(310)에서 메시지 반응성 예측 장치는 대상 사용자에 대한 관심사 및 관심도를 측정할 수 있다. 예를 들어, 메시지 반응성 예측 장치는 사용자에 대한 메시지 반응 이력을 사용하여 해당 사용자의 관심사 및 관심도를 측정할 수 있다. 전술한 바와 같이, 관심도는 관심사에 대하여 사용자가 관심을 갖는 정도를 나타내는 지표로서, 예를 들어, 관심사 별로 0에서 1 사이의 값으로 설정될 수 있다.

또한, 메시지 반응성 예측 장치는 전체 사용자 각각에 대하여 관심사 및 관심도를 포함하는 관심 정보를 미리 설정된 시간 간격으로 측정할 수 있다. 예를 들어, 미리 설정된 시간은 24시간(예를 들어, 하루)일 수 있다. 다시 말해, 메시지 반응성 예측 장치는 일별로 사용자의 관심 정보를 측정할 수 있다.

아래 표 3은 메시지 반응성 예측 장치가 측정한 대상 사용자 U1의 관심 정보를 예시적으로 나타낸다.

측정 시간 구간	관심사	관심도
T1	A	0.2
T1	B	0.6
T1	C	0.1
T1	D	0.1
T2	A	0.1
T2	B	0.5
T2	E	0.4

이어서, 단계(320)에서 메시지 반응성 예측 장치는 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 관심도에 기초하여 제1 일치 데이터를 산출할 수 있다. 여기서, 제1 일치 데이터는 대상 메시지가 지시하는 관심사와 대상 사용자의 관심사가 일치하는 정도를, 하나의 측정 구간에서 측정된 대상 사용자의 관심 정보를 사용하여 측정된 값을 나타낼 수 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 가장 최근에 측정된 사용자의 관심 정보를 사용하여 제1 일치 데이터를 산출할 수 있다. 예를 들어, 표 3을 참조하면, 가장 최근에 관심 정보가 측정된 시간 구간이 T1 시간 구간인 경우를 가정한다. 예를 들어, 대상 메시지가 지시하는 관심사가 A인 경우, 제1 일치 데이터는 대상 사용자의 관심사 A에 대한 관심도인 0.2로 산출될 수 있다.

더 나아가, 메시지 반응성 예측 장치는 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 관심도를 대상 사용자의 메시지 반응 이력을 사용하여 보정함으로써 제1 일치 데이터를 산출할 수도 있다. 예를 들어, 대상 메시지가 지시하는 관심사가 E인 경우, 대상 사용자 U1는 T1 시간 구간에서 관심사로 E가 존재하지 않기 때문에 관심도는 0으로 산출된다. 그러나, 사용자 U1의 메시지 반응 이력을 통해 사용자 U1이 수신한 메시지 개수가 임계 메시지 개수 이하인 경우, 사용자 U1에 대한 정보가 충분치 않은 것으로 판단되어 측정된 관심 정보는 신뢰성이 높지 않은 것으로 판단될 수 있다. 이러한 경우, 사용자 U1는 T1 시간 구간에서 관심사 E가 존재하지 않더라도 관심도는 '0' 보다 약간(slightly) 큰 값으로 보정됨으로써 제1 일치 데이터가 산출될 수 있다.

일 실시예에 따르면, 제1 일치 데이터를 대상 사용자의 관심사 반응성으로 결정할 수 있다. 다만, 제1 일치 데이터는 사용자의 시간 경과에 따른 관심 정보의 변화를 고려할 수 없기 때문에 제1 일치 데이터를 보정하여 관심사 반응성을 결정할 수 있으며, 제1 일치 데이터의 보정과 관련하여서는 단계(330)에서 설명한다.

단계(330)에서 메시지 반응성 예측 장치는 제1 일치 데이터를 전체 사용자 각각의 시간 경과에 따른 관심 정보 변화에 기초하여 보정함으로써 제2 일치 데이터를 산출할 수 있다. 여기서, 제2 일치 데이터는 대상 메시지가 지시하는 관심사와 대상 사용자의 관심사가 일치하는 정도를, 시간 경과에 따른 전체 사용자에 대한 관심 정보의 변화를 더 고려하여 측정된 값을 나타낼 수 있다.

먼저, 메시지 반응성 예측 장치는 전체 사용자 각각에 대하여 관심사 및 관심도를 포함하는 관심 정보를 미리 설정된 시간 간격으로 측정할 수 있다. 메시지 반응성 예측 장치는 미리 설정된 시간 간격으로 측정된 전체 사용자의 관심 정보를 이용하여 대상 사용자의 관심사 반응성을 산출할 수 있다.

보다 구체적으로, 메시지 반응성 예측 장치는 제1 시간 구간에서 측정된 전체 사용자의 관심 정보 및 제1 시간 구간으로부터 대상 메시지가 발송될 잔여 시간 만큼 차감된 제2 시간 구간에서 측정된 전체 사용자의 관심 정보에 기초하여 사용자 그룹 별로 보정값을 산출할 수 있다. 예를 들어, 제1 시간 구간은 가장 최근에 측정된 시간 구간을 나타낼 수 있다.

예를 들어, 미리 정해진 시간 간격이 2일이라고 가정한다. 이때, 메시지 반응성 예측 장치가 최근에 전체 사용자의 관심 정보를 측정한 제1 시간 구간이 2021.07.19에서 2021.07.18 사이의 시간 구간일 수 있다. 이때, 대상 메시지가 7일 이후에 발송된다면, 제2 시간 구간은 제1 시간 구간으로부터 7일 만큼 차감된 시간 구간으로, 2021.07.12에서 2021.07.11 사이의 시간 구간일 수 있다.

메시지 반응성 예측 장치는 사용자들의 관심 정보의 시간에 따른 변화를 고려하여 대상 메시지의 관심사와 대상 사용자의 관심사 간의 일치도를 산출할 수 있다. 먼저, 메시지 반응성 예측 장치는 전체 사용자의 관심 정보에 기초하여 복수의 사용자 그룹을 생성할 수 있다. 제1 시간 구간에서의 관심사가 대상 메시지가 지시하는 관심사를 포함하고 있으나, 제2 시간 구간에서의 관심사가 대상 메시지가 지시하는 관심사를 포함하고 있지 않고, 대상 메시지가 지시하는 관심사와는 다른 하나의 관심사를 포함하는 사용자들을 그룹핑(grouping)하여 하나의 사용자 그룹을 생성할 수 있다.

예를 들어, 대상 메시지가 관심사 A를 지시하는 경우를 가정한다. 이때, 제1 시간 구간에서 관심사 A를 포함하고, 제2 시간 구간에서 관심사 A를 포함하지 않으나 관심사 B를 포함하는 사용자들을 그룹핑하여 제1 사용자 그룹을 생성할 수 있다. 또한, 제1 시간 구간에서 관심사 A를 포함하고, 제2 시간 구간에서 관심사 A를 포함하지 않으나 관심사 C를 포함하는 사용자들을 그룹핑하여 제2 사용자 그룹을 생성할 수 있다. 이외에도 다양한 복수의 사용자 그룹을 생성할 수 있고, 하나의 사용자는 복수의 사용자 그룹에 포함될 수 있다.

메시지 반응성 예측 장치는 사용자 그룹 별로 보정값을 산출할 수 있다. 예를 들어, 제1 사용자 그룹에 대하여, 전체 사용자 중 제1 시간 구간에서 대상 메시지의 관심사를 포함하는 사용자의 수 대비 제1 사용자 그룹에 속하는 사용자의 수에 대한 비율을 보정값으로 산출할 수 있다. 예를 들어, 제1 시간 구간에서 관심사 A를 갖는 사용자들이 100명이고, 제1 시간 구간에서 관심사 A를 포함하고, 제2 시간 구간에서 관심사 A를 포함하지 않되 관심사 B를 포함하는 사용자가 70명인 경우, 70/100(0.7)을 제1 사용자 그룹에 대한 보정값으로 산출할 수 있다.

이어서, 메시지 반응성 예측 장치는 대상 사용자의 제1 시간 구간에서 측정된 관심 정보 및 제2 시간 구간에서 측정된 관심 정보에 기초하여 대상 사용자가 속하는 사용자 그룹을 검색할 수 있고, 검색된 사용자 그룹에 대응하는 보정값을 제1 일치 데이터에 적용함으로써 제1 일치 데이터를 보정함으로써 제2 일치 데이터를 생성할 수 있다. 쉬운 예로는, 제1 일치 데이터에 대상 사용자가 검색된 사용자 그룹에 대응하는 보정값을 합산함으로써 제2 일치 데이터를 생성할 수 있다.

메시지 반응성 예측 장치는 생성된 복수의 사용자 그룹 중 대상 사용자가 속하는 사용자 그룹을 검색할 수 있다. 예를 들어, 대상 사용자의 제1 시간 구간에서 측정된 관심사 중 관심사 대상 메시지가 지시하는 관심사인 A가 포함되고, 제2 시간 구간에서 측정된 관심사에 관심사 A가 포함되지 않고 관심사 B가 포함되는 경우에는, 대상 사용자가 제1 사용자 그룹에 속하는 것으로 판단될 수 있다.

대상 사용자가 속하는 사용자 그룹에 대응하는 보정값이 제1 일치 데이터에 반영되는 정도는 대상 메시지의 목적(예를 들어, 즉각적인 반응, 장기적인 반응 등의 목적) 및 제1 시간 구간과 제2 시간 구간의 간격에 따라 달라질 수 있다. 예를 들어, 대상 메시지의 목적이 즉각적인 반응인 경우에는 시간 경과에 따른 관심 정보의 변화가 크게 고려되지 않아야 하므로, 보정값이 제1 일치 데이터에 적게 반영될 수 있다. 반면, 대상 메시지의 목적이 장기적인 반응인 경우에는 시간에 따른 관심 정보의 변화가 크게 고려되어야 하므로, 보정값이 제1 일치 데이터에 크게 반영될 수 있다.

일 실시예에 따르면, 대상 사용자가 복수의 사용자 그룹에 속하는 경우, 대상 사용자가 속하는 복수의 사용자 그룹 각각에 대응하는 보정값을 모두 적용하여 제2 일치 데이터를 산출할 수 있다. 메시지 반응성 예측 장치는 산출된 제2 일치 데이터를 대상 사용자의 관심사 반응성으로 결정할 수 있다.

도 4는 일 실시예에 따른 메시지 반응성 예측 장치가 기계 학습 모델을 통해 대상 메시지와 대상 메시지의 관심사 사이의 연관도를 산출하는 과정을 설명한다.

대상 메시지에 대한 대상 사용자의 관심사 반응성을 산출하기 위하여, 대상 메시지와 대상 메시지가 지시하는 관심사 사이의 연관도가 더 고려될 수 있다. 메시지와 대상 메시지가 지시하는 관심사 사이의 연관도를 고려함으로써, 사용자가 감지하는 메시지의 품질을 정량화하여 측정할 수 있다.

예를 들어, 대상 사용자는 메시지를 수신하는 경우, 수신한 메시지가 자신의 관심사 중 하나를 지시하는 메시지인지 여부를 주로 먼저 판단하게 된다. 이때, 메시지와 메시지가 지시하는 관심사 사이의 연관도가 작다면, 대상 사용자는 메시지가 지시하는 관심사가 무엇인지 판단하기 어렵고, 따라서 해당 메시지가 자신의 관심사 중 하나를 지시하는 메시지인지 여부를 판단하기 어렵다. 반면, 메시지와 메시지가 지시하는 관심사 사이의 연관도가 크다면, 대상 사용자는 메시지가 지시하는 관심사가 무엇이지 쉽게 판단할 수 있고, 따라서 해당 메시지가 자신의 관심사 중 하나를 지시하는 메시지인지 여부를 쉽게 판단할 수 있다. 따라서, 대상 메시지에 대한 대상 사용자의 관심사 반응성을 산출하기 위해, 대상 메시지에 대상 메시지가 지시하는 관심사에 대한 내용이 어느 정도 포함되어 있는지를 평가하는 연관도가 더 고려될 수 있다.

일 실시예에 따른 메시지 반응성 예측 장치는 특정 관심사를 지시하는 메시지들 각각에 대한 전체 사용자의 평균 반응성에 기초하여 특정 관심사에 적합한 메시지 및 해당 관심사에 적합하지 않은 메시지를 구분할 수 있고, 구분된 결과를 이용하여 트레이닝된 기계 학습 모델(420)을 통해, 대상 메시지 및 대상 메시지가 지시하는 관심사 사이의 연관도(430)를 산출할 수 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 기계 학습 모델(420)을 이용하여 대상 메시지 및 대상 메시지가 지시하는 관심사 사이의 연관도를 산출할 수 있다. 기계 학습 모델(420)은 하나의 메시지에 대한 입력에 응답하여 입력된 메시지와 입력된 메시지가 지시하는 관심사 사이의 연관도를 출력하도록 설계된 기계 학습 구조를 갖는 하나 이상의 모델로서, 예를 들어, 뉴럴 네트워크(neural network)를 포함할 수 있다.

기계 학습 모델(420)은 하나의 관심사를 지시하는 메시지들 각각에 대하여 메시지가 해당 관심사에 적합한지 또는 적합하지 않은지를 구분하는 결과에 관한 정보를 사용하여 트레이닝될 수 있다. 보다 구체적으로, 메시지 반응성 예측 장치는 대상 메시지와 대상 메시지가 지시하는 관심사(예를 들어, 관심사 A)의 연관도를 산출하기 위해, 전체 메시지들 중 관심사 A를 지시하는 메시지들을 추출할 수 있다. 메시지 반응성 예측 장치는 관심사 A를 지시하는 메시지들 각각에 대하여 전체 사용자에 대한 평균 반응성을 산출할 수 있다. 전술한 바와 같이, 전체 사용자의 평균 반응성은 메시지를 수신한 사용자들의 수 대비 해당 메시지에 반응한 사용자들의 수를 나타낼 수 있다.

아래 표 4는 관심사를 지시하는 메시지들 각각에 대한 전체 사용자의 평균 반응성을 나타낸다. 표 4에서는 관심사 A를 지시하는 메시지들이 전체 사용자의 평균 반응성이 높은 순서대로 표시된다.

메시지	관심사	평균 반응성
M1	A	7.3%
M2	A	7.1%
M3	A	5.5%
M4	A	5.1%
M5	A	4.9%

이어서, 메시지 반응성 예측 장치는 추출된 메시지들 마다 관심사에 적합한 메시지인지 또는 관심사에 적합하지 않은 메시지인지를 판단할 수 있다. 일 실시예에 따르면, 메시지 반응성 예측 장치는 전체 사용자의 평균 반응성이 높은 순서대로 미리 결정된 비율에 해당하는 메시지들은 관심사에 적합한 메시지인 것으로 판단할 수 있고, 나머지 메시지들은 관심사에 적합하지 않은 메시지인 것으로 판단할 수 있다. 예를 들어, 평균 반응성이 상위 20%에 해당하는 메시지들은 관심사에 적합한 메시지인 것으로 판단될 수 있고, 반대로, 평균 반응성이 하위 80%에 해당하는 메시지들은 관심사에 적합하지 않은 메시지인 것으로 판단될 수 있다. 표 4에서, 메시지 M1의 평균 반응성이 상위 20%에 해당하는 바, 메시지 M1을 관심사 A에 적합한 메시지인 것으로 판단할 수 있고, 나머지 메시지 M2, M3, M4, M5는 관심사 A에 적합하지 않은 메시지인 것으로 판단할 수 있다. 그리고, 관심사에 적합한 메시지는 연관도가 '1'로 설정될 수 있고, 관심사에 적합하지 않은 메시지는 연관도가 '0'로 설정될 수 있다. 예를 들어, 메시지 M1에 대하여서는 연관도가 1로 설정되고, 메시지 M2 내지 메시지 M5에 대하여서는 연관도가 0으로 설정될 수 있다.

그리고, 메시지 반응성 예측 장치는 대상 메시지와 대상 메시지를 지시하는 관심사 사이의 연관도를 추출하기 위하여 기계 학습 모델(420)을 트레이닝 시킬 수 있다. 메시지 반응성 예측 장치는 대상 메시지가 지시하는 관심사와 동일한 관심사를 지시하는 메시지들 각각을 기계 학습 모델(420)에 입력하여 전파시켜 입력된 메시지와 관심사 사이의 임시 연관도를 산출하고, 임시 연관도와 입력된 메시지에 대해 설정된 연관도 간의 손실을 산출하며, 산출된 손실이 감소 내지 수렴하도록 기계 학습 모델(420)의 파라미터를 업데이트 할 수 있다. 예를 들어, 대상 메시지가 지시하는 관심사 A를 지시하는 메시지 M1 및 '1'의 연관도를 기계 학습 모델(420)의 트레이닝 데이터로 입력할 수 있다.

결과적으로, 메시지 반응성 예측 장치는 대상 메시지(410)를 트레이닝된 기계 학습 모델(420)에 입력하여 대상 메시지와 대상 메시지가 지시하는 관심사 사이의 연관도를 산출할 수 있다. 예를 들어, 연관도는 0에서 1 사이의 스코어로 산출될 수 있으며, 연관도가 1에 가까우면 대상 메시지와 관심사 간의 연관 정도가 높은 것으로 해석되고, 연관도가 0에 가까우면 대상 메시지와 관심사 간의 연관 정도가 낮은 것으로 해석된다.

일 실시예에 따른 메시지 반응성 예측 장치는 대상 메시지와 대상 메시지가 지시하는 관심사 간의 연관도를 더 고려하여 대상 사용자의 관심사 반응성을 산출할 수 있다. 일 실시예예 따르면, 메시지 반응성 예측 장치는 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 관심도에 대응하는 제1 일치 데이터에 산출된 연관도를 적용함으로써 대상 사용자의 관심사 반응성을 산출할 수 있다. 예를 들어, 메시지 반응성 예측 장치는 제1 일치 데이터에 연관도를 곱한 값을 관심사 반응성으로 결정할 수 있다. 다른 예를 들어, 제1 비율 데이터 및 제1 비율 데이터에 연관도가 적용된 값을 모두 사용하여 관심사 반응성을 결정할 수도 있다.

도 5는 일 실시예에 따른 메시지 반응성 예측 장치가 대상 사용자에 대한 비관심 메시지들의 반응성을 나타내는 고유 반응성을 산출하는 예시적 흐름도(500)를 도시한다.

일 실시예에 따르면, 도 5에 도시된 흐름도(500)는 도 1의 단계(130)의 예시적 흐름도를 나타낼 수 있다. 예를 들어, 메시지 반응성 예측 장치는 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 통해 대상 사용자의 고유 반응성을 산출할 수 있다. 고유 반응성을 산출함으로써 사용자의 관심사와는 전혀 상관없는 사용자의 메시지에 대한 기본적 반응성을 측정할 수 있다.

먼저, 단계(510)에서 메시지 반응성 예측 장치는 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들을 추출할 수 있다. 비관심 메시지는 사용자의 관심사가 아닌 다른 관심사를 지시하는 메시지를 나타낼 수 있다. 사용자의 관심사는 시간의 경과에 따라 변하기 때문에, 메시지가 사용자의 비관심 메시지에 해당하는지 여부를 시간에 따라 달리 판단할 필요가 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 사용자가 수신한 메시지가 해당 사용자의 비관심 메시지인 지 여부를 판단할 수 있다. 예를 들어, 메시지 반응성 예측 장치는 메시지를 사용자가 수신한 시점에서의 사용자의 측정된 관심사에 기초하여, 해당 메시지가 사용자의 비관심 메시지인 지 여부를 판단할 수 있다. 보다 구체적으로, 메시지 반응성 예측 장치는 대상 사용자가 메시지를 수신한 시점에서의 대상 사용자의 측정된 관심사에 해당 메시지가 지시하는 관심사가 포함되어 있었는지 여부를 판단함으로써, 해당 메시지가 대상 사용자에 대한 비관심 메시지에 해당하는지 여부를 판단할 수 있다. 대상 사용자가 메시지를 수신한 시점에서의 대상 사용자의 관심사에 해당 메시지가 지시하는 관심사가 포함되는 경우, 해당 메시지를 관심 메시지로 분류할 수 있다. 또한, 대상 사용자가 메시지를 수신한 시점에서의 대상 사용자의 관심사에 해당 메시지가 지시하는 관심사가 포함되지 않는 경우, 해당 메시지를 비관심 메시지로 분류할 수 있다.

단계(520)에서 메시지 반응성 예측 장치는 대상 사용자가 수신한 비관심 메시지들에 대한 반응 결과에 기초하여 제1 고유 데이터를 산출할 수 있다. 예를 들어, 대상 사용자가 수신한 비관심 메시지들 전체에 대한 대상 사용자의 평균 반응성을 제1 고유 데이터로 산출할 수 있다. 예를 들어, 대상 사용자가 100개의 비관심 메시지를 수신하고, 30개의 비관심 메시지에 대하여서만 반응한 경우, 30/100(=0.3)을 제1 고유 데이터로 산출할 수 있다. 일 실시예에 따르면, 메시지 반응성 예측 장치는 제1 고유 데이터를 대상 사용자의 고유 반응성으로 결정할 수 있다. 다만, 제1 고유 데이터는 비관심 메시지가 지시하는 관심사, 대상 사용자의 성별/연령/지역(거주지), 또는 대상 사용자의 관심 메시지에 대한 반응성을 고려하고 있지 않기 때문에, 제1 고유 데이터를 보정함으로써 고유 반응성을 결정할 수 있으며, 제1 고유 데이터의 보정과 관련하여서는 단계(530)에서 설명한다.

그리고 단계(530)에서 메시지 반응성 예측 장치는 제1 고유 데이터를 보정함으로써 제2 고유 데이터를 산출할 수 있다. 예를 들어, 제1 고유 데이터는 대상 사용자에 대응하는 성별 및 연령을 갖는 다른 사용자들의 관심 메시지에 대한 평균 반응성 및 비관심 메시지에 대한 평균 반응성 중 적어도 하나에 기초하여 보정될 수 있다. 연령은 나이(age)를 나타낼 수 있으나, 이로 한정하지는 않으며 연령은 나이 범위를 나타낼 수도 있다. 다른 예를 들어, 제1 고유 데이터는 대상 사용자의 관심 메시지에 대한 반응성에 기초하여 보정될 수도 있다. 또 다른 예를 들어, 제1 고유 데이터는 대상 사용자에 대하여 관심사 별로 산출되는 반응성 분포를 고려하여 보정될 수도 있다. 일 실시예에 따르면, 메시지 반응성 예측 장치는 제1 고유 데이터가 보정된 제2 고유 데이터를 대상 사용자의 고유 반응성으로 결정할 수 있다.

도 6은 일 실시예에 따른 메시지 반응성 예측 장치가 대상 메시지에 대한 대상 사용자의 최종 반응성을 산출하는 기계 학습 모델을 트레이닝시키는 과정을 설명한다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 사용자에 대해 산출된 유사 반응성, 관심사 반응성, 및 고유 반응성 중 적어도 하나 또는 둘 이상의 조합 및 미리 획득된 반응 결과에 기초하여 트레이닝된 기계 학습 모델을 이용하여 대상 메시지에 대한 대상 사용자의 최종 반응성을 산출할 수 있다. 기계 학습 모델(610)은 유사 반응성, 관심사 반응성, 및 고유 반응성 모두를 입력 받고, 대상 메시지에 대한 최종 반응성을 출력할 수 있다. 다만, 기계 학습 모델은 반드시 이로 한정하지는 않으며, 대상 메시지에 대한 최종 반응성을 출력하는 기계 학습 모델은 유사 반응성, 관심사 반응성, 및 고유 반응성 중 하나 또는 둘만을 입력 받는 기계 학습 모델일 수도 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 특정 사용자 및 특정 사용자에게 발송된 특정 메시지(621)에 기초하여 트레이닝 데이터를 생성할 수 있다. 메시지 반응성 예측 장치는 특정 사용자에게 발송된 특정 메시지를 기준으로 특정 사용자에 대해 산출된 유사 반응성(631), 관심사 반응성(632), 및 고유 반응성(633)을 입력하여 전파시켜 출력되는 임시 반응성(640)를 획득할 수 있다. 예를 들어, 임시 반응성은 0과 1 사이의 값을 나타내는 데이터일 수 있다. 메시지 반응성 예측 장치는 임시 반응성(640)과 특정 사용자의 특정 메시지에 대한 반응 결과(622) 간의 손실(650)를 산출하고, 산출된 손실(650)이 감소 내지 수렴하도록 기계 학습 모델(610)의 파라미터를 업데이트 할 수 있다. 예를 들어, 특정 사용자의 특정 메시지에 대한 반응 결과는 0 또는 1의 값의 데이터를 나타낼 수 있다. 예를 들어, 특정 사용자가 수신된 특정 메시지에 반응한 경우 반응 결과는 '1'로 설정될 수 있고, 특정 사용자가 수신된 특정 메시지에 반응하지 않은 경우 반응 결과는 '0'로 설정될 수 있다.

예를 들어, 기계 학습 모델(610)에는 제1 비율 데이터 및 제2 비율 데이터 중 적어도 하나가 유사 반응성(631)으로 입력될 수 있다. 또한, 기계 학습 모델(610)에는 제1 일치 데이터 또는 제2 일치 데이터 중 적어도 하나가 관심사 반응성(632)으로 입력될 수 있다. 더 나아가, 제1 일치 데이터에 연관도가 적용된 데이터 또는 제2 일치 데이터에 연관도가 적용된 데이터 중 적어도 하나가 관심사 반응성(632)으로 더 입력될 수도 있다. 또한, 기계 학습 모델(610)에는 제1 고유 데이터 및 제2 고유 데이터 중 적어도 하나가 고유 반응성(633)으로 입력될 수 있다.

그리고, 메시지 반응성 예측 장치는 트레이닝된 기계 학습 모델(610)을 이용하여 대상 메시지에 대한 대상 사용자의 최종 반응성을 추출할 수 있다. 보다 구체적으로, 메시지 반응성 예측 장치는 대상 메시지를 기준으로 대상 사용자에 대해 산출된 유사 반응성, 관심사 반응성, 및 고유 반응성을 기계 학습 모델(610)에 입력함으로써 대상 메시지에 대한 최종 반응성을 추출할 수 있다.

일 실시예에 따르면, 메시지 반응성 예측 장치는 발송 예정인 대상 메시지에 대하여 복수의 사용자 별로 최종 반응성을 각각 추출할 수 있다. 일 실시예에 따르면, 메시지 반응성 예측 장치는 대상 메시지에 대한 반응을 극대화하기 위하여, 복수의 사용자들 중 최종 반응성이 높은 순서대로 미리 결정된 수 또는 미리 결정된 비율(예를 들어, 상위 10%)에 해당하는 사용자들에게 대상 메시지를 발송할 수 있다.

일 실시예에 따른 메시지 반응성 예측 장치는 프로세서 및 메모리를 포함할 수 있다. 프로세서는 대상 사용자에게 발송 예정인 대상 메시지와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성의 산출, 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성의 산출, 및 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성의 산출 중 적어도 하나 또는 둘 이상의 조합을 수행할 수 있다. 또한, 프로세서는 유사 반응성, 관심사 반응성, 및 고유 반응성 중 대상 사용자에 대하여 산출된 반응성을 이용하여 대상 메시지에 대한 상기 대상 사용자의 최종 반응성을 예측할 수 있다. 다만, 프로세서의 동작을 이로 한정하는 것은 아니고, 도 1 내지 도 6에서 전술한 동작들도 수행할 수 있다. 메모리는 트레이닝된 기계 학습 모델의 파라미터를 임시적으로 또는 영구적으로 저장할 수 있다. 메모리는 특정 메시지에 대한 특정 사용자의 유사 반응성, 관심사 반응성, 고유 반응성, 및 특정 메시지에 대한 특정 사용자의 반응 결과를 임시적으로 또는 영구적으로 저장할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

1. 프로세서에 의해 수행되는, 사용자의 메시지 반응성을 예측하기 위한 방법에 있어서,
   대상 사용자에게 발송 예정인 대상 메시지(target message)와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성의 산출, 상기 대상 메시지가 지시하는 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성의 산출, 및 상기 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성의 산출 중 적어도 하나 또는 둘 이상의 조합을 수행하는 단계; 및
   상기 유사 반응성, 상기 관심사 반응성, 및 상기 고유 반응성 중 상기 대상 사용자에 대하여 산출된 반응성을 이용하여 상기 대상 메시지에 대한 상기 대상 사용자의 최종 반응성을 예측하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
2. 제1항에 있어서,
   상기 수행하는 단계는,
   상기 대상 메시지의 메타 데이터에 기초하여 상기 대상 메시지와 유사하다고 분류된 상기 유사 메시지들을 추출하는 단계; 및
   상기 추출된 유사 메시지들의 개수 대비 상기 추출된 유사 메시지들 중 상기 대상 사용자가 반응한 메시지 개수의 비율인 제1 비율 데이터에 기초하여 상기 유사 반응성을 산출하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
3. 제2항에 있어서,
   상기 수행하는 단계는,
   상기 제1 비율 데이터를 상기 추출된 유사 메시지들에 대한 전체 사용자의 평균 반응성에 기초하여 보정함으로써 제2 비율 데이터를 생성하고, 상기 생성된 제2 비율 데이터에 기초하여 상기 유사 반응성을 산출하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
4. 제1항에 있어서,
   상기 수행하는 단계는,
   상기 대상 메시지가 지시하는 관심사에 대한 상기 대상 사용자의 관심도에 대응하는 제1 일치 데이터에 기초하여 상기 관심사 반응성을 산출하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
5. 제4항에 있어서,
   상기 수행하는 단계는,
   전체 사용자 각각에 대하여 관심사 및 관심도를 포함하는 관심 정보를 미리 설정된 시간 간격으로 측정하는 단계;
   상기 미리 설정된 시간 간격으로 측정된 상기 전체 사용자의 관심 정보를 사용하여 상기 제1 일치 데이터를 보정하는 단계; 및
   상기 제1 일치 데이터가 보정되어 생성된 제2 일치 데이터에 기초하여 상기 관심사 반응성을 산출하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
6. 제5항에 있어서,
   상기 제1 일치 데이터를 보정하는 단계는,
   제1 시간 구간에서 측정된 상기 전체 사용자의 관심 정보 및 상기 제1 시간 구간으로부터 상기 대상 메시지가 발송될 잔여 시간 만큼 차감된 제2 시간 구간에서 측정된 상기 전체 사용자의 관심 정보에 기초하여, 사용자 그룹 별로 보정값을 산출하는 단계; 및
   상기 대상 사용자의 상기 제1 시간 구간에서 측정된 관심 정보 및 상기 제2 시간 구간에서 측정된 관심 정보에 기초하여 상기 대상 사용자가 속하는 사용자 그룹을 검색하고, 상기 검색된 사용자 그룹에 대응하는 보정값을 상기 제1 일치 데이터에 적용함으로써 상기 제1 일치 데이터를 보정하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
7. 제4항에 있어서,
   상기 수행하는 단계는,
   상기 대상 메시지와 상기 대상 메시지가 지시하는 관심사 사이의 연관도를 산출하는 단계; 및
   상기 산출된 연관도를 상기 제1 일치 데이터에 적용함으로써 상기 관심사 반응성을 산출하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
8. 제7항에 있어서,
   상기 연관도를 산출하는 단계는,
   관심사를 지시하는 메시지들 각각에 대한 전체 사용자의 평균 반응성에 기초하여 해당 관심사에 적합한 메시지 및 상기 해당 관심사에 적합하지 않은 메시지를 구분하고, 상기 구분된 결과를 이용하여 트레이닝된 기계 학습 모델을 통해, 상기 대상 메시지 및 상기 대상 메시지가 지시하는 관심사에 기초하여 상기 연관도를 산출하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
9. 제1항에 있어서,
   상기 수행하는 단계는,
   상기 대상 사용자가 메시지를 수신한 시점에서의 상기 대상 사용자의 관심사에 해당 메시지가 지시하는 관심사가 포함되어 있었는지 여부를 기준으로, 상기 해당 메시지가 상기 대상 사용자에 대한 비관심 메시지에 해당하는지 여부를 판단하는 단계; 및
   상기 대상 사용자가 수신한 비관심 메시지들에 대한 반응 결과에 기초하여 고유 반응성을 산출하는 단계
   를 포함하는 메시지 반응성 예측 방법.
   
10. 제1항에 있어서,
    상기 최종 반응성을 예측하는 단계는,
    사용자에 대해 산출된 유사 반응성, 관심사 반응성, 및 고유 반응성 중 적어도 하나 또는 둘 이상의 조합 및 미리 획득된 반응 결과에 기초하여 트레이닝된 기계 학습 모델을 이용하여 상기 대상 사용자의 최종 반응성을 산출하는 단계
    를 포함하는 메시지 반응성 예측 방법.
    
11. 하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
    
12. 대상 사용자에게 발송 예정인 대상 메시지와 유사하다고 분류된 유사 메시지들의 반응성을 나타내는 유사 반응성의 산출, 상기 대상 메시지가 지시하는 관심사와 상기 대상 사용자의 관심사에 대한 대상 사용자의 반응성을 나타내는 관심사 반응성의 산출, 및 상기 대상 사용자의 관심사가 아닌 다른 관심사를 지시하는 비관심 메시지들의 반응성을 나타내는 고유 반응성의 산출 중 적어도 하나 또는 둘 이상의 조합을 수행하고, 상기 유사 반응성, 상기 관심사 반응성, 및 상기 고유 반응성 중 상기 대상 사용자에 대하여 산출된 반응성을 이용하여 상기 대상 메시지에 대한 상기 대상 사용자의 최종 반응성을 예측하는 프로세서
    를 포함하는 메시지 반응성 예측 장치.
    
13. 제12항에 있어서,
    상기 프로세서는,
    상기 대상 메시지의 메타 데이터에 기초하여 상기 대상 메시지와 유사하다고 분류된 상기 유사 메시지들을 추출하고, 상기 추출된 유사 메시지들의 개수 대비 상기 추출된 유사 메시지들 중 상기 대상 사용자가 반응한 메시지 개수의 비율인 제1 비율 데이터에 기초하여 상기 유사 반응성을 산출하는,
    메시지 반응성 예측 장치.
    
14. 제13항에 있어서,
    상기 프로세서는,
    상기 제1 비율 데이터를 상기 추출된 유사 메시지들에 대한 전체 사용자의 평균 반응성에 기초하여 보정함으로써 제2 비율 데이터를 생성하고, 상기 생성된 제2 비율 데이터에 기초하여 상기 유사 반응성을 산출하는,
    메시지 반응성 예측 장치.
    
15. 제12항에 있어서,
    상기 프로세서는,
    상기 대상 메시지가 지시하는 관심사에 대한 상기 대상 사용자의 관심도에 대응하는 제1 일치 데이터에 기초하여 상기 관심사 반응성을 산출하는,
    메시지 반응성 예측 장치.
    
16. 제15항에 있어서,
    상기 프로세서는,
    전체 사용자 각각에 대하여 관심사 및 관심도를 포함하는 관심 정보를 미리 설정된 시간 간격으로 측정하고, 상기 미리 설정된 시간 간격으로 측정된 상기 전체 사용자의 관심 정보를 사용하여 상기 제1 일치 데이터를 보정하며, 상기 제1 일치 데이터가 보정되어 생성된 제2 일치 데이터에 기초하여 상기 관심사 반응성을 산출하는,
    메시지 반응성 예측 장치.
    
17. 제16항에 있어서,
    상기 프로세서는,
    제1 시간 구간에서 측정된 상기 전체 사용자의 관심 정보 및 상기 제1 시간 구간으로부터 상기 대상 메시지가 발송될 잔여 시간 만큼 차감된 제2 시간 구간에서 측정된 상기 전체 사용자의 관심 정보에 기초하여, 사용자 그룹 별로 보정값을 산출하고, 상기 대상 사용자의 상기 제1 시간 구간에서 측정된 관심 정보 및 상기 제2 시간 구간에서 측정된 관심 정보에 기초하여 상기 대상 사용자가 속하는 사용자 그룹을 검색하고, 상기 검색된 사용자 그룹에 대응하는 보정값을 상기 제1 일치 데이터에 적용함으로써 상기 제1 일치 데이터를 보정하는,
    메시지 반응성 예측 장치.
    
18. 제15항에 있어서,
    상기 프로세서는,
    상기 대상 메시지와 상기 대상 메시지가 지시하는 관심사 사이의 연관도를 산출하고, 상기 산출된 연관도를 상기 제1 일치 데이터에 적용함으로써 상기 관심사 반응성을 산출하는,
    메시지 반응성 예측 장치.
    
19. 제18항에 있어서,
    상기 프로세서는,
    관심사를 지시하는 메시지들 각각에 대한 전체 사용자의 평균 반응성에 기초하여 해당 관심사에 적합한 메시지 및 상기 해당 관심사에 적합하지 않은 메시지를 구분하고, 상기 구분된 결과를 이용하여 트레이닝된 기계 학습 모델을 통해, 상기 대상 메시지 및 상기 대상 메시지가 지시하는 관심사에 기초하여 상기 연관도를 산출하는,
    메시지 반응성 예측 장치.
    
20. 제1항에 있어서,
    상기 프로세서는,
    상기 대상 사용자가 메시지를 수신한 시점에서의 상기 대상 사용자의 관심사에 해당 메시지가 지시하는 관심사가 포함되어 있었는지 여부를 기준으로, 상기 해당 메시지가 상기 대상 사용자에 대한 비관심 메시지에 해당하는지 여부를 판단하고, 상기 대상 사용자가 수신한 비관심 메시지들에 대한 반응 결과에 기초하여 고유 반응성을 산출하는,
    메시지 반응성 예측 장치.
    

Images