KR20240073303A - Method of generating commerce video using review data and server performing thereof - Google Patents

Method of generating commerce video using review data and server performing thereof Download PDF

Info

Publication number
KR20240073303A
KR20240073303A KR1020220154971A KR20220154971A KR20240073303A KR 20240073303 A KR20240073303 A KR 20240073303A KR 1020220154971 A KR1020220154971 A KR 1020220154971A KR 20220154971 A KR20220154971 A KR 20220154971A KR 20240073303 A KR20240073303 A KR 20240073303A
Authority
KR
South Korea
Prior art keywords
data
review
commerce
video
reference scene
Prior art date
Application number
KR1020220154971A
Other languages
Korean (ko)
Inventor
권석면
김유석
Original Assignee
주식회사 일만백만
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 일만백만 filed Critical 주식회사 일만백만
Priority to KR1020220154971A priority Critical patent/KR20240073303A/en
Priority to PCT/KR2023/018521 priority patent/WO2024106993A1/en
Publication of KR20240073303A publication Critical patent/KR20240073303A/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0276—Advertisement creation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명에 따른 커머스 영상 생성 서버에서 실행되는 동영상 자동 생성 방법은 사용자 단말을 통해 사용자 행동 정보가 발생 시 상기 사용자 행동 정보가 발생된 웹 페이지에 등록된 정보를 기초로 해당 상품에 대한 스크립트를 생성하는 단계, 상기 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출하는 단계, 상기 상품에 대한 리뷰 데이터를 이용하여 생성된 참조 영상 데이터 중 상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출하는 단계 및 상기 시나리오에 따라 미리 생성된 환경 데이터 및 상기 추출된 참조 영상 데이터를 합성하여 커머스 영상을 생성하는 단계를 포함한다.The automatic video generation method executed in the commerce video creation server according to the present invention generates a script for the product based on the information registered on the web page where the user behavior information was generated when user behavior information is generated through the user terminal. Step, generating a scenario based on the script and then extracting a keyword from the script, extracting reference video data assigned to a tag matching the keyword from reference video data generated using review data for the product It includes the step of generating a commerce image by synthesizing environmental data created in advance and the extracted reference image data according to the scenario.

Description

리뷰 데이터를 이용한 커머스 영상 생성 방법 및 이를 실행하는 서버{METHOD OF GENERATING COMMERCE VIDEO USING REVIEW DATA AND SERVER PERFORMING THEREOF}Method for generating commerce video using review data and server running it {METHOD OF GENERATING COMMERCE VIDEO USING REVIEW DATA AND SERVER PERFORMING THEREOF}

본 발명은 리뷰 데이터를 이용한 커머스 영상 생성 방법 및 이를 실행하는 서버에 관한 것으로, 보다 구체적으로 리뷰 데이터를 이용하여 자동으로 사용자 피드백이 포함되는 커머스 영상을 생성하기 때문에 커머스 영상의 제작 비용이 낮출 수 있도록 하는 리뷰 데이터를 이용한 커머스 영상 생성 방법 및 이를 실행하는 서버에 관한 것이다.The present invention relates to a method of generating a commerce video using review data and a server that executes the same. More specifically, the present invention relates to a method of generating a commerce video using review data and automatically generating a commerce video including user feedback, thereby reducing the production cost of the commerce video. This relates to a method of generating a commerce video using review data and a server that executes it.

온라인 전자 상거래는 인터넷의 발달과 더불어 급속도로 성장을 거듭해 왔다. 최근에는, 모바일 인터넷과 스마트 폰 기술이 급속도로 발전되면서 전자 상거래 시장이 모바일 환경으로 급속도로 재편되고 있다.Online e-commerce has continued to grow rapidly along with the development of the Internet. Recently, with the rapid development of mobile Internet and smart phone technology, the e-commerce market is rapidly being reorganized into a mobile environment.

라이브커머스는 실시간 동영상 스트리밍을 통해 시청자들에게 상품을 소개하고 판매하는 이커머스 형태를 말한다. 실시간을 뜻하는 라이브에 이커머스가 더해진 것으로서, 온라인 쇼핑과 방송의 결합으로 정의할 수 있다.Live commerce refers to a form of e-commerce that introduces and sells products to viewers through real-time video streaming. E-commerce is added to live, which means real time, and can be defined as a combination of online shopping and broadcasting.

소비자들은 인터넷 방송을 보면서 상품에 대한 정보를 접하고, 진행자와 시청자는 서로 의견을 교환한다. 그리고, 방송 페이지에서 바로 물품을 결제할 수 있다.Consumers receive information about products while watching Internet broadcasts, and hosts and viewers exchange opinions. Additionally, you can pay for items directly on the broadcast page.

라이브커머스는 홈쇼핑 채널이 온라인으로 전환된 것이다. 하지만 홈쇼핑 채널과는 다른 점이 있다. 가장 큰 차이점은 방향성이다. 홈쇼핑 채널은 정보의 전달이 일방적이다. 물론, 일부 홈쇼핑 채널들은 문자 메시지 등을 통해 시청자의 의견을 수렴하고 답한다. 하지만, 라이브커머스는 홈쇼핑 채널보다는 정보의 교류가 훨씬 활발하고 역동적이다.Live commerce is a home shopping channel converted to online. However, there are differences from home shopping channels. The biggest difference is direction. Home shopping channels transmit information one-way. Of course, some home shopping channels collect and respond to viewers' opinions through text messages. However, live commerce has much more active and dynamic information exchange than home shopping channels.

일 예로, 노트북을 판매하는 라이브커머스는 시청자의 요구에 따라 모두가 보고 있는 자리에서 게임을 실행해 본다. 또한, 상품의 무게를 저울에 올려 바로 실측하기도 한다. 때로는 스트리머가 잘못된 정보를 이야기할 경우, 즉시 시청자들에 의해 잘못이 정정되기도 한다.For example, a live commerce company that sells laptops plays games in front of everyone based on viewer requests. Additionally, the weight of the product can be measured immediately by placing it on a scale. Sometimes, when a streamer provides incorrect information, the mistake is immediately corrected by viewers.

라이브커머스의 또 다른 차이점은 방송 콘텐츠의 구성이 홈쇼핑 채널에 비해 자유롭다는 것이다. 홈쇼핑 채널은 몇몇 유명 쇼호스트에 의해 쇼가 꾸려진다. 반면, 라이브커머스는 판매자들이 원하는 바에 따라 방송이 자유롭게 꾸며진다. Another difference between live commerce is that the composition of broadcast content is more flexible than that of home shopping channels. The home shopping channel hosts shows by several famous show hosts. On the other hand, in live commerce, broadcasts are freely designed according to what sellers want.

또한, 홈쇼핑 채널은 방송의 특성상 법적 규제를 받지만, 라이브커머스는 다른 온라인 서비스들처럼 법적 규제로부터 상대적으로 자유롭다. 따라서, 라이브커머스는 홈쇼핑 채널보다 더 재미있고 흥미롭다. 전문 방송인이 아닌 브랜드 관계자, 인플루언서 등 각계각층의 다양한 전문가들이 출연하고 이들의 발언도 자유로우며 수위도 높은 편이다.In addition, home shopping channels are subject to legal regulations due to the nature of broadcasting, but live commerce, like other online services, is relatively free from legal regulations. Therefore, live commerce is more fun and interesting than home shopping channels. A variety of experts from all walks of life, including brand officials and influencers, rather than professional broadcasters, appear, and their speech is free and of a high standard.

하지만, 라이브커머스는 셀럽들이 출연해야 해서 비용이 매우 높고 컨텐츠의 재사용이 불가능하다는 단점이 있다. 또한, 라이브커머스가 아니더라도 다른 커머스 영상도 생성 비용이 높다는 단점이 있다. However, live commerce has the disadvantage of requiring celebrities to appear, making it very expensive and reusing content impossible. In addition, other commerce videos, even if they are not live commerce, have the disadvantage of being expensive to create.

본 발명은 리뷰 데이터를 이용하여 자동으로 사용자 피드백이 포함되는 커머스 영상을 생성하기 때문에 커머스 영상의 제작 비용이 낮출 수 있도록 하는 리뷰 데이터를 이용한 커머스 영상 생성 방법 및 이를 실행하는 서버를 제공하는 것을 목적으로 한다. The purpose of the present invention is to provide a method for generating a commerce video using review data and a server for executing the same, which reduces the production cost of the commerce video by automatically generating a commerce video including user feedback using review data. do.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The objects of the present invention are not limited to the objects mentioned above, and other objects and advantages of the present invention that are not mentioned can be understood by the following description and will be more clearly understood by the examples of the present invention. Additionally, it will be readily apparent that the objects and advantages of the present invention can be realized by the means and combinations thereof indicated in the patent claims.

이러한 목적을 달성하기 위한 커머스 영상 생성 서버에서 실행되는 동영상 자동 생성 방법은 사용자 단말을 통해 사용자 행동 정보가 발생 시 상기 사용자 행동 정보가 발생된 웹 페이지에 등록된 정보를 기초로 해당 상품에 대한 스크립트를 생성하는 단계, 상기 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출하는 단계, 상기 상품에 대한 리뷰 데이터를 이용하여 생성된 참조 영상 데이터 중 상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출하는 단계 및 상기 시나리오에 따라 미리 생성된 환경 데이터 및 상기 추출된 참조 영상 데이터를 합성하여 커머스 영상을 생성하는 단계를 포함한다.To achieve this purpose, the automatic video creation method that runs on the commerce video creation server generates a script for the product based on the information registered on the web page where the user behavior information was generated when user behavior information is generated through the user terminal. A step of generating, generating a scenario based on the script and then extracting a keyword from the script, reference video data assigned to a tag matching the keyword among reference video data generated using review data for the product It includes the step of extracting and generating a commerce image by combining environmental data created in advance and the extracted reference image data according to the scenario.

일 실시예에서, 상기 상품의 리뷰 데이터의 종류가 동영상 리뷰 데이터인 경우 상기 동영상 리뷰 데이터로부터 리뷰 이미지로 디코딩한 후 재생 시간 간격으로 리뷰 이미지를 샘플링하는 단계 및 상기 샘플링된 리뷰 이미지 중 서로 인접한 리뷰 이미지의 유사도에 기초하여 샘플링된 리뷰 이미지를 장면 단위로 그룹핑하여 참조 장면 데이터를 생성하는 단계를 더 포함할 수 있다.In one embodiment, when the type of review data for the product is video review data, decoding the video review data into review images and then sampling the review images at playback time intervals; and review images that are adjacent to each other among the sampled review images. The step of generating reference scene data by grouping the sampled review images into scenes based on the similarity may further be included.

일 실시예에서, 상기 참조 장면 데이터의 특징을 추출하여 참조 장면 데이터의 특징 정보를 추출하고 특정 정보에 따라 오브젝트 속성 태그, 화면 속성 태그, 상황 속성 태그 및 하이라이트 속성 태그 중 어느 하나의 태그를 할당하는 단계를 더 포함할 수 있다.In one embodiment, extracting features of the reference scene data, extracting feature information of the reference scene data, and assigning any one of an object attribute tag, a screen attribute tag, a situation attribute tag, and a highlight attribute tag according to specific information. Additional steps may be included.

일 실시예에서, 상기 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출하는 단계는 상기 기준 장면 데이터의 스크립트의 텍스트를 공백을 기준으로 단어를 추출하는 단계 및 상기 단어 각각에 대한 형태소 분석을 실행하여 단어 및 형태소 값이 쌍으로 형성된 토큰을 생성하고, 상기 토큰 각각에 대해서 해당 토큰의 단어 및 토큰의 레이블에 따라 토큰 각각에 서로 다른 가중치를 부여하는 단계를 포함할 수 있다.In one embodiment, the step of generating a scenario based on the script and then extracting keywords from the script includes extracting words based on spaces in the text of the script of the reference scene data and morphological analysis for each of the words. It may include the step of executing to generate a token formed as a pair of word and morpheme value, and assigning different weights to each token according to the word of the token and the label of the token.

일 실시예에서, 상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출하는 단계는 상기 참조 장면 데이터의 복수의 태그 중 상기 토큰의 형태소 값과 매칭되는 태그를 비교하여 유사 점수를 산출하고, 상기 유사 점수가 특정 점수 이상인 태그가 할당된 참조 장면 데이터를 추출하는 단계를 포함할 수 있다.In one embodiment, the step of extracting reference image data assigned to a tag matching the keyword calculates a similarity score by comparing tags matching the morpheme value of the token among a plurality of tags of the reference scene data, It may include extracting reference scene data to which a tag having a similarity score of a certain score or more is assigned.

또한 이러한 목적을 달성하기 위한 커머스 영상 생성 서버는 사용자 단말을 통해 사용자 행동 정보가 발생 시 상기 사용자 행동 정보가 발생된 웹 페이지에 등록된 정보를 기초로 해당 상품에 대한 스크립트를 생성하는 스크립트 생성부, 상기 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출하는 키워드 추출부, 상기 상품에 대한 리뷰 데이터를 이용하여 생성된 참조 영상 데이터 중 상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출하는 참조 장면 데이터 추출부 및 상기 시나리오에 따라 미리 생성된 환경 데이터 및 상기 추출된 참조 영상 데이터를 합성하여 커머스 영상을 생성하는 커머스 영상 생성부를 포함한다.In addition, the commerce video creation server to achieve this purpose includes a script generation unit that generates a script for the product based on the information registered on the web page where the user behavior information was generated when user behavior information is generated through a user terminal; A keyword extraction unit that generates a scenario based on the script and then extracts keywords from the script, extracts reference video data assigned to a tag matching the keyword from reference video data generated using review data for the product It includes a reference scene data extraction unit and a commerce image generation unit that generates a commerce image by combining environmental data previously generated according to the scenario and the extracted reference image data.

일 실시예에서, 상기 커머스 영상 생성 서버는 상기 상품의 리뷰 데이터의 종류가 동영상 리뷰 데이터인 경우 상기 동영상 리뷰 데이터로부터 리뷰 이미지로 디코딩한 후 재생 시간 간격으로 리뷰 이미지를 샘플링하고, 상기 샘플링된 리뷰 이미지 중 서로 인접한 리뷰 이미지의 유사도에 기초하여 샘플링된 리뷰 이미지를 장면 단위로 그룹핑하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스에 저장하는 참조 장면 데이터베이스 구축부를 더 포함할 수 있다.In one embodiment, when the type of review data for the product is video review data, the commerce video generation server decodes the video review data into a review image and then samples the review image at playback time intervals, and samples the sampled review image. It may further include a reference scene database construction unit that groups the sampled review images into scenes based on the similarity of adjacent review images to generate reference scene data and stores it in the reference scene database.

일 실시예에서, 상기 커머스 영상 생성 서버는 상기 참조 장면 데이터의 특징을 추출하여 참조 장면 데이터의 특징 정보를 추출하고 특정 정보에 따라 오브젝트 속성 태그, 화면 속성 태그, 상황 속성 태그 및 하이라이트 속성 태그 중 어느 하나의 태그를 할당하는 태그 할당부를 더 포함할 수 있다.In one embodiment, the commerce image creation server extracts the characteristics of the reference scene data, extracts characteristic information of the reference scene data, and selects one of an object attribute tag, a screen attribute tag, a situation attribute tag, and a highlight attribute tag according to the specific information. It may further include a tag allocation unit that allocates one tag.

일 실시예에서, 상기 키워드 추출부는 상기 기준 장면 데이터의 스크립트의 텍스트를 공백을 기준으로 단어를 추출하고, 상기 단어 각각에 대한 형태소 분석을 실행하여 단어 및 형태소 값이 쌍으로 형성된 토큰을 생성하고, 상기 토큰 각각에 대해서 해당 토큰의 단어 및 토큰의 레이블에 따라 토큰 각각에 서로 다른 가중치를 부여할 수 있다.In one embodiment, the keyword extraction unit extracts words based on spaces in the text of the script of the reference scene data, performs morpheme analysis on each of the words, and generates a token formed as a pair of word and morpheme value, For each of the tokens, different weights may be assigned to each token depending on the word of the token and the label of the token.

일 실시예에서, 상기 참조 장면 데이터 추출부는 상기 참조 장면 데이터의 복수의 태그 중 상기 토큰의 형태소 값과 매칭되는 태그를 비교하여 유사 점수를 산출하고, 상기 유사 점수가 특정 점수 이상인 태그가 할당된 참조 장면 데이터를 추출할 수 있다. In one embodiment, the reference scene data extractor calculates a similarity score by comparing a tag that matches the morpheme value of the token among a plurality of tags of the reference scene data, and a reference to which a tag whose similarity score is a certain score or more is assigned is assigned. Scene data can be extracted.

전술한 바와 같은 본 발명에 의하면, 리뷰 데이터를 이용하여 자동으로 사용자 피드백이 포함되는 커머스 영상을 생성하기 때문에 커머스 영상의 제작 비용이 낮출 수 있다는 장점이 있다. According to the present invention as described above, there is an advantage in that the production cost of the commerce video can be reduced because a commerce video including user feedback is automatically generated using review data.

도 1은 본 발명의 일 실시예에 따른 리뷰 데이터를 이용한 커머스 영상 생성 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 커머스 영상 생성 서버의 내부 구조를 설명하기 위한 도면이다.
도 3은 본 발명에 따른 리뷰 데이터를 이용한 커머스 영상 생성 방법의 일 실시예를 설명하기 위한 흐름도이다.
도 4는 본 발명에 따른 리뷰 데이터를 이용한 커머스 영상 생성 방법의 다른 일 실시예를 설명하기 위한 흐름도이다.Figure 1 is a diagram for explaining a commerce image generation system using review data according to an embodiment of the present invention.
Figure 2 is a diagram for explaining the internal structure of a commerce image creation server according to an embodiment of the present invention.
Figure 3 is a flowchart illustrating an embodiment of a method for generating a commerce image using review data according to the present invention.
Figure 4 is a flowchart for explaining another embodiment of a method for generating a commerce image using review data according to the present invention.

전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.The above-described objects, features, and advantages will be described in detail later with reference to the attached drawings, so that those skilled in the art will be able to easily implement the technical idea of the present invention. In describing the present invention, if it is determined that a detailed description of known technologies related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the attached drawings. In the drawings, identical reference numerals are used to indicate identical or similar components.

도 1은 본 발명의 일 실시예에 따른 리뷰 데이터를 이용한 커머스 영상 생성 시스템을 설명하기 위한 도면이다.Figure 1 is a diagram for explaining a commerce image generation system using review data according to an embodiment of the present invention.

도 1을 참조하면, 리뷰 데이터를 이용한 커머스 영상 생성 시스템은 커머스 영상 생성 서버(100), 온라인 마켓 서버(400) 및 사용자 단말(500_1~500_N)을 포함한다. Referring to FIG. 1, the commerce image generation system using review data includes a commerce image creation server 100, an online market server 400, and user terminals 500_1 to 500_N.

커머스 영상 생성 서버(100)는 사용자 행동 정보가 발생 시 웹 페이지에 등록된 정보를 기초로 해당 상품에 대한 스크립트를 생성한다. The commerce video creation server 100 generates a script for the product based on the information registered on the web page when user behavior information is generated.

일 실시예에서, 커머스 영상 생성 서버(100)는 사용자 행동 정보가 발생 시 웹 페이지에 등록된 상품에 대한 리뷰 데이터 중 텍스트 데이터를 단어 단위의 키워드로 분석하여 미리 생성된 스크립트 데이터베이스에서 키워드에 해당하는 오브젝트 속성, 오브젝트와 매칭되는 장면의 화면 속성 및 오브젝트와 매칭되는 장면의 상황 속성을 이용하여 스크립트를 생성할 수 있다. In one embodiment, when user behavior information is generated, the commerce video generation server 100 analyzes text data among review data for products registered on a web page into keywords in word units and generates keywords corresponding to the keywords in a pre-generated script database. A script can be created using object properties, screen properties of the scene matching the object, and situation properties of the scene matching the object.

상기의 실시예에서, 커머스 영상 생성 서버(100)는 키워드에 해당하는 오브젝트 속성, 오브젝트와 매칭되는 장면의 화면 속성 및 오브젝트와 매칭되는 장면의 상황 속성 중 사용자과 관련된 컨텐츠를 이용한 사용자 행동 정보를 기초로 결정된 속성과 매칭하는 텍스트를 이용하여 스크립트를 생성할 수 있다. In the above embodiment, the commerce image creation server 100 based on user behavior information using content related to the user among object properties corresponding to keywords, screen properties of scenes matching the object, and situation properties of the scene matching the object. You can create a script using text that matches the determined properties.

그 후, 커머스 영상 생성 서버(100)는 스크립트의 텍스트를 공백을 기준으로 단어를 추출하고, 미리 생성된 단어 별 빈도 수 데이터베이스를 기초로 단어의 빈도 수를 측정한다.Afterwards, the commerce video creation server 100 extracts words from the text of the script based on spaces and measures the frequency of the words based on a pre-generated word frequency database.

그런 다음, 커머스 영상 생성 서버(100)는 단어 각각에 대한 형태소 분석을 실행하여 단어 및 형태소 값이 쌍으로 이루어지고, 빈도 수를 지시하는 레이블이 할당된 토큰을 생성한다. Then, the commerce image creation server 100 performs morphological analysis on each word to generate a token in which the word and morpheme value are paired and assigned a label indicating the frequency.

예를 들어, 커머스 영상 생성 서버(100)는 스크립트의 텍스트를 분석하여 (빈도 수: 1000번, (단어, 형태소 값)), (빈도 수: 234번, (단어, 형태소)), (빈도수: 2541번, (단어, 형태소)), (빈도수: 2516번, (단어, 형태소)) … 등의 토큰을 생성할 수 있다. For example, the commerce video creation server 100 analyzes the text of the script and generates (frequency number: 1000 times, (word, morpheme value)), (frequency number: 234 times, (word, morpheme value)), (frequency number: No. 2541, (word, morpheme)), (Frequency: No. 2516, (word, morpheme)) … You can create tokens such as:

상기와 같이, 커머스 영상 생성 서버(100)는 토큰을 생성한 후 토큰 각각에 대해서 해당 토큰의 단어 및 토큰의 레이블에 따라 토큰 각각에 서로 다른 가중치를 부여한다. As described above, after generating tokens, the commerce video creation server 100 assigns different weights to each token according to the word of the token and the label of the token.

일 실시예에서, 커머스 영상 생성 서버(100)는 토큰 각각에 대해서 해당 토큰의 단어를 구현하는 언어의 종류(즉, 영어, 중국어, 한국어 등), 단어가 스크립트의 텍스트에서 존재하는 위치 및 토큰에 할당된 레이블의 빈도 수에 따라 서로 다른 가중치를 부여한다. In one embodiment, the commerce video creation server 100 determines, for each token, the type of language that implements the word in the token (i.e., English, Chinese, Korean, etc.), the location where the word exists in the text of the script, and the token. Different weights are assigned depending on the frequency of the assigned label.

먼저, 커머스 영상 생성 서버(100)는 스크립트의 텍스트에서 생성된 전체 토큰의 개수 및 각각의 토큰의 순서를 이용하여 제1 가중치를 산출한다. First, the commerce video creation server 100 calculates the first weight using the total number of tokens generated from the text of the script and the order of each token.

일 실시예에서, 커머스 영상 생성 서버(100)는 스크립트의 텍스트에서 생성된 전체 토큰의 개수를 기준으로 토큰의 순서가 어느 정도인지 여부 및 언어의 종류에 따라 미리 결정된 중요 값에 제1 가중치를 산출할 수 있다. In one embodiment, the commerce video creation server 100 calculates a first weight to a predetermined important value depending on the order of the tokens and the type of language based on the total number of tokens generated from the text of the script. can do.

예를 들어, 커머스 영상 생성 서버(100)는 전체 토큰의 개수가 12개 이고 토큰의 순서가 4번째인 경우, “0.25”를 산출하고, 언어의 종류에 따라 미리 결정된 중요 값을 반영하여 제1 가중치를 산출할 수 있다. For example, if the total number of tokens is 12 and the order of the token is 4th, the commerce video creation server 100 calculates “0.25” and reflects the important value predetermined according to the type of language to create the first Weights can be calculated.

이때, 언어의 종류에 따라 미리 결정된 중요 값은 언어의 종류 별로 중요한 단어가 어느 위치에 나타내는지 여부에 따라 변경될 수 있다. 즉, 언어의 종류에 따라 미리 결정된 중요 값은 현재 토큰의 번호에 따라 변경될 수 있다.At this time, the important value predetermined according to the type of language may be changed depending on where the important word appears for each type of language. In other words, the important value predetermined according to the type of language may be changed according to the number of the current token.

다른 일 실시예에서, 커머스 영상 생성 서버(100)는 스크립트의 텍스트에서 생성된 토큰 각각에 대해서 토큰에 미리 할당된 레이블이 지시하는 빈도 수와 이전 토큰 및 다음 토큰 각각에 미리 할당된 레이블이 지시하는 빈도 수를 이용하여 제2 가중치를 산출할 수 있다. In another embodiment, the commerce video creation server 100 provides, for each token generated from the text of the script, the frequency indicated by the label pre-assigned to the token and the frequency indicated by the label pre-assigned to each of the previous token and the next token. The second weight can be calculated using the frequency count.

그 후, 커머스 영상 생성 서버(100)는 제1 가중치 및 제2 가중치를 이용하여 최종 가중치를 부여한다. 상기와 같이, 커머스 영상 생성 서버(100)는 제1 가중치 및 제2 가중치를 이용하여 최종 가중치를 부여함으로써 최종 가중치에 따라 순차적으로 해당 토큰과 매칭되는 태그가 존재하는 참조 장면 데이터를 추출할 수 있는 것이다. Afterwards, the commerce image creation server 100 assigns a final weight using the first weight and the second weight. As described above, the commerce image generation server 100 assigns a final weight using the first weight and the second weight, thereby sequentially extracting reference scene data in which a tag matching the corresponding token exists according to the final weight. will be.

상기와 같이, 커머스 영상 생성 서버(100)는 스크립트에서 토큰을 추출한 후 토큰 별로 가중치를 부여한 후, 가중치에 따라 토큰 및 참조 장면 데이터의 태그의 일치 정도에 따라 유사 점수를 산출한다. As described above, the commerce video creation server 100 extracts tokens from the script, assigns a weight to each token, and then calculates a similarity score according to the degree of matching between the token and the tag of the reference scene data according to the weight.

일 실시예에서, 커머스 영상 생성 서버(100)는 토큰의 형태소 값이 명사인 경우 참조 장면 데이터의 복수의 태그 중 오브젝트 속성 태그의 일치 정도에 따라 유사 점수를 산출할 수 있다.In one embodiment, when the morpheme value of the token is a noun, the commerce image generation server 100 may calculate a similarity score according to the degree of matching of object attribute tags among a plurality of tags of reference scene data.

다른 일 실시예에서, 커머스 영상 생성 서버(100)는 토큰의 형태소 값이 형용사인 경우 참조 장면 데이터의 복수의 태그 중 화면 속성 태그 및 상황 속성 태그의 일치 정도에 따라 유사 점수를 산출할 수 있다.In another embodiment, when the morpheme value of the token is an adjective, the commerce image generation server 100 may calculate a similarity score according to the degree of coincidence between the screen attribute tag and the situation attribute tag among the plurality of tags of the reference scene data.

상기와 같이, 커머스 영상 생성 서버(100)는 참조 장면 데이터의 복수의 태그 중 상기 토큰의 형태소 값과 매칭되는 태그를 비교하여 유사 점수를 산출하고, 상기 유사 점수가 특정 점수 이상인 태그가 할당된 참조 장면 데이터를 추출한다. As described above, the commerce image generation server 100 calculates a similarity score by comparing tags that match the morpheme value of the token among a plurality of tags of the reference scene data, and a reference to which a tag whose similarity score is higher than a certain score is assigned is assigned. Extract scene data.

그 후, 커머스 영상 생성 서버(100)는 추출된 참조 장면 데이터 및 미리 생된 환경 데이터를 합성하여 커머스 영상 데이터를 생성한다. Thereafter, the commerce image creation server 100 generates commerce image data by combining the extracted reference scene data and pre-created environment data.

이를 위해, 커머스 영상 생성 서버(100)는 시나리오에 따라 음향 데이터를 선택하고, 상기 시나리오에 해당하는 텍스트 데이터를 음성 데이터로 변환하고, 상기 시나리오에 따라 AI 배우를 생성할 수 있다. To this end, the commerce video creation server 100 may select sound data according to a scenario, convert text data corresponding to the scenario into voice data, and generate an AI actor according to the scenario.

상기와 같이, 커머스 영상 생성 서버(100)는 사용자의 요청에 따라 동영상을 자동으로 생성하기 위해서 영상 데이터를 수집한 후 영상 데이터를 장면 단위로 분할하여 참조 장면 데이터를 생성하고, 참조 장면 데이터 각각에 태그를 할당한 후 참조 장면 데이터베이스에 저장한다. As described above, the commerce video creation server 100 collects video data in order to automatically generate a video according to the user's request, then divides the video data into scenes to generate reference scene data, and adds each reference scene data to the reference scene data. After assigning tags, save them in the reference scene database.

커머스 영상 생성 서버(100)는 상품에 대한 사용자의 리뷰 데이터를 수집한 후 리뷰 데이터의 종류에 따라 리뷰 데이터를 분석하여 참조 장면 데이터를 생성한다. The commerce video generation server 100 collects user review data for products and then analyzes the review data according to the type of review data to generate reference scene data.

일 실시예에서, 커머스 영상 생성 서버(100)는 리뷰 데이터의 종류가 동영상 리뷰 데이터인 경우, 동영상 리뷰 데이터로부터 리뷰 이미지로 디코딩한 후 재생 시간 간격으로 이미지를 샘플링할 수 있다. In one embodiment, when the type of review data is video review data, the commerce video creation server 100 may decode the video review data into a review image and then sample the image at playback time intervals.

상기의 실시예에서, 커머스 영상 생성 서버(100)는 샘플링된 리뷰 이미지 중 서로 인접한 리뷰 이미지의 유사도에 기초하여 샘플링된 리뷰 이미지를 장면 단위로 그룹핑하여 참조 장면 데이터를 생성할 수 있다. 여기에서, 인접한 리뷰 이미지는 샘플링된 리뷰 이미지를 영상이 재생되는 시간 순서대로 나열하였을 때 이웃하는 리뷰 이미지를 의미할 수 있다.In the above embodiment, the commerce image generation server 100 may generate reference scene data by grouping the sampled review images into scenes based on the similarity of adjacent review images among the sampled review images. Here, adjacent review images may refer to neighboring review images when sampled review images are arranged in the order of video playback time.

예를 들어, 커머스 영상 생성 서버(100)는 인접한 리뷰 이미지에 대하여 피쳐 매칭(Feature Matching)을 수행하여 리뷰 이미지의 유사도를 연산할 수 있다. 가령, 커머스 영상 생성 서버(100)는 인접한 리뷰 이미지의 특징점을 대조하여 소정 정도 이상의 유사도를 보이는 리뷰 이미지를 하나의 장면으로 그룹핑하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. For example, the commerce image generation server 100 may calculate the similarity of review images by performing feature matching on adjacent review images. For example, the commerce image generation server 100 may compare feature points of adjacent review images, group review images showing a certain degree of similarity or more into one scene, generate reference scene data, and store it in the reference scene database 340.

상기의 실시예에서, 커머스 영상 생성 서버(100)는 샘플링된 리뷰 이미지 각각에서 추출되는 오브젝트의 개수 변화를 산출하고, 오브젝트의 개수 변화에 따라 장면이 전환되었다고 판단하여 해당 시점을 기준으로 참조 장면 데이터를 생성할 수 있다. In the above embodiment, the commerce image generation server 100 calculates the change in the number of objects extracted from each sampled review image, determines that the scene has changed according to the change in the number of objects, and generates reference scene data based on that point in time. can be created.

상기의 실시예에서, 커머스 영상 생성 서버(100)는 샘플링된 리뷰 이미지에 대해서 동일한 픽셀의 픽셀 값 변화를 이용하여 배경 이미지가 변화하였는지 여부를 판단하고, 판단 결과에 따라 장면이 전환되었다고 판단하여 해당 시점을 기준으로 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In the above embodiment, the commerce image creation server 100 determines whether the background image has changed using the pixel value change of the same pixel for the sampled review image, determines that the scene has changed according to the determination result, and determines that the scene has changed. Reference scene data can be generated based on the viewpoint and stored in the reference scene database 340.

상기의 실시예에서, 커머스 영상 생성 서버(100)는 동영상 리뷰 데이터를 구성하는 음성 데이터 및 자막 데이터를 기초로 새로운 내용이 표시되는 시점을 새로운 장면이라고 판단하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In the above embodiment, the commerce video creation server 100 determines that the point in time when new content is displayed is a new scene based on the audio data and subtitle data constituting the video review data and generates reference scene data to create a reference scene database ( 340).

상기의 실시예에서, 커머스 영상 생성 서버(100)는 샘플링된 리뷰 이미지 각각에서 추출되는 오브젝트를 추출하고, 오브젝트가 사라졌거나 새로운 오브젝트가 나타나면 새로운 장면이라고 판단하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In the above embodiment, the commerce image creation server 100 extracts an object extracted from each sampled review image, determines that it is a new scene when the object disappears or a new object appears, generates reference scene data, and creates a reference scene database ( 340).

다른 일 실시예에서, 커머스 영상 생성 서버(100)는 리뷰 데이터의 종류가 이미지 리뷰 데이터인 경우, 이미지 리뷰 데이터를 참조 장면 데이터로 정의하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In another embodiment, when the type of review data is image review data, the commerce image creation server 100 may define the image review data as reference scene data and store it in the reference scene database 340.

또한, 커머스 영상 생성 서버(100)는 참조 장면 데이터베이스(340)에 저장된 참조 장면 데이터를 분석하여 참조 장면 데이터 각각에 태그를 할당한다. Additionally, the commerce image creation server 100 analyzes the reference scene data stored in the reference scene database 340 and assigns a tag to each reference scene data.

이를 위해, 커머스 영상 생성 서버(100)는 참조 장면 데이터의 특징을 추출하여 참조 장면 데이터의 특징 정보를 추출하고 특정 정보에 따라 서로 다른 종류의 태그를 할당한다. To this end, the commerce image creation server 100 extracts the characteristics of the reference scene data, extracts characteristic information of the reference scene data, and assigns different types of tags according to the specific information.

일 실시예에서, 커머스 영상 생성 서버(100)는 참조 장면 데이터에 포함된 오브젝트의 특징 정보를 추출하고, 오브젝트의 특징 정보를 벡터값으로 표현하여 오브젝트의 특징 정보를 생성하고, 오브젝트의 특징 정보에 따라 오브젝트 속성 태그를 할당한다. In one embodiment, the commerce image creation server 100 extracts feature information of the object included in the reference scene data, expresses the feature information of the object as a vector value, generates feature information of the object, and adds the feature information of the object to the feature information of the object. Assign object attribute tags accordingly.

보다 구체적으로, 커머스 영상 생성 서버(100)는 오브젝트의 특징 영역을 탐지(Interest Point Detection)할 수 있다. 여기에서, 특징 영역이란, 오브젝트들 사이의 동일 유사 여부를 판단하기 위한 오브젝트의 특징에 대한 기술자, 즉 특징 기술자(Feature Descriptor)를 추출하는 주요 영역을 말한다. More specifically, the commerce image creation server 100 can detect the characteristic area of an object (Interest Point Detection). Here, the feature area refers to the main area from which a descriptor for the characteristics of an object, that is, a feature descriptor, is extracted to determine whether the objects are identical or similar.

본 발명의 실시예에 따르면 이러한 특징 영역은 오브젝트가 포함하고 있는 윤곽선, 윤곽선 중에서도 코너 등의 모퉁이, 주변 영역과 구분되는 블롭(blob), 참조 장면 데이터의 변형에 따라 불변하거나 공변하는 영역, 또는 주변 밝기보다 어둡거나 밝은 특징이 있는 극점일 수 있으며 참조 장면 데이터의 패치(조각) 또는 참조 장면 데이터 전체를 대상으로 할 수 있다. According to an embodiment of the present invention, these feature areas include the outline included in the object, a corner such as a corner among the outlines, a blob distinguished from the surrounding area, an area that is invariant or covariant depending on the transformation of the reference scene data, or the surrounding area. It can be a pole with features that are darker or brighter than the brightness, and can target a patch (piece) of reference scene data or the entire reference scene data.

다른 일 실시예에서, 커머스 영상 생성 서버(100)는 참조 장면 데이터의 특징 영역에서 특징 기술자를 추출(Descriptor Extraction)하고, 특징 기술자에 따라 참조 장면 데이터에서 화면 속성 태그를 할당할 수 있다. 특징 기술자는 참조 장면 데이터의 특징들을 벡터 값으로 표현한 것이다. In another embodiment, the commerce image creation server 100 may extract a feature descriptor from the feature area of the reference scene data (Descriptor Extraction) and allocate a screen attribute tag from the reference scene data according to the feature descriptor. A feature descriptor expresses the features of reference scene data as vector values.

상기의 이러한 특징 기술자는 참조 장면 데이터에 대한 특징 영역의 위치, 또는 특징 영역의 밝기, 색상, 선명도, 그라디언트, 스케일 또는 패턴 정보를 이용하여 계산할 수 있다. 예를 들어 특징 기술자는 특징 영역의 밝기 값, 밝기의 변화 값 또는 분포 값 등을 벡터로 변환하여 계산할 수도 있다. These feature descriptors can be calculated using the location of the feature area relative to the reference scene data, or the brightness, color, sharpness, gradient, scale, or pattern information of the feature region. For example, the feature descriptor may calculate the brightness value, brightness change value, or distribution value of the feature area by converting it into a vector.

한편, 본 발명의 실시예에 따르면 참조 장면 데이터에 대한 특징 기술자는 위와 같이 특징 영역에 기반한 지역 기술자(Local Descriptor) 뿐 아니라, 전역 기술자(Global descriptor), 빈도 기술자(Frequency Descriptor), 바이너리 기술자(Binary Descriptor) 또는 신경망 기술자(Neural Network descriptor)로 표현될 수 있다. Meanwhile, according to an embodiment of the present invention, the feature descriptor for reference scene data includes not only a local descriptor based on the feature area as above, but also a global descriptor, frequency descriptor, and binary descriptor. Descriptor) or Neural Network descriptor.

보다 구체적으로, 특징 기술자는 참조 장면 데이터의 전체 또는 참조 장면 데이터를 임의의 기준으로 분할한 구역 각각, 또는 특징 영역 각각의 밝기, 색상, 선명도, 그라디언트, 스케일, 패턴 정보 등을 벡터값으로 변환하여 추출하는 전역 기술자(Global descriptor)를 포함할 수 있다. More specifically, the feature descriptor converts the brightness, color, sharpness, gradient, scale, pattern information, etc. of the entire reference scene data, each area where the reference scene data is divided based on an arbitrary standard, or each feature area into vector values. A global descriptor to be extracted may be included.

예를 들어, 특징 기술자는 미리 구분한 특정 기술자들이 참조 장면 데이터에 포함되는 횟수, 종래 정의된 색상표와 같은 전역적 특징의 포함 횟수 등을 벡터값으로 변환하여 추출하는 빈도 기술자 (Frequency Descriptor), 각 기술자들의 포함 여부 또는 기술자를 구성하는 각 요소 값들의 크기가 특정값 보다 크거나 작은지 여부를 비트 단위로 추출한 뒤 이를 정수형으로 변환하여 사용하는 바이너리 기술자 (Binary descriptor), 신경망(Neural Network)의 레이어에서 학습 또는 분류를 위해 사용되는 영상 정보를 추출하는 신경망 기술자(Neural Network descriptor)를 포함할 수 있다. For example, a feature descriptor is a frequency descriptor that extracts the number of times specific pre-classified descriptors are included in reference scene data, the number of times global features such as a conventionally defined color table are included, etc., by converting them into vector values. Binary descriptor and neural network that extract whether each descriptor is included or whether the size of each element value constituting the descriptor is larger or smaller than a specific value in bits and then convert it to an integer type. The layer may include a neural network descriptor that extracts image information used for learning or classification.

또 다른 일 실시예에서, 커머스 영상 생성 서버(100)는 참조 장면 데이터를 장면 종류 분석 모델에 학습시켜 장면에서 표현되는 상황의 종류를 추출하고, 상황의 종류에 따라 상황 속성 태그를 할당한다. 이때, 장면 종류는 각 장면에서 표현되는 상황의 종류를 의미한다. In another embodiment, the commerce image creation server 100 trains reference scene data in a scene type analysis model to extract the type of situation expressed in the scene and assigns a situation attribute tag according to the type of situation. At this time, the scene type refers to the type of situation expressed in each scene.

상기의 실시예에서, 커머스 영상 생성 서버(100)는 장면 종류 분석 모델을 CNN 딥 러닝 모델(CNN Deep Learning Model)로 구축하고, 상술한 데이터 셋을 학습할 수 있다. 이때, CNN 딥 러닝 모델은 두 개의 컨볼루션 레이어, 렐루 레이어, 맥스 풀링 레이어 및 하나의 풀리 커넥티드 레이어를 포함하도록 설계될 수 있다. In the above embodiment, the commerce image creation server 100 may build a scene type analysis model as a CNN Deep Learning Model and learn the above-described data set. At this time, the CNN deep learning model can be designed to include two convolutional layers, a relu layer, a max pooling layer, and one fully connected layer.

상기의 실시예에서, 커머스 영상 생성 서버(100)는 RCNN 기법을 활용하여 CNN에서 산출된 컨볼루션 피쳐 맵(Convolution Feature Maps)의 맵 순서대로 피쳐 시퀀스(Feature Sequence)를 구성한 후, 각 피쳐 시퀀스를 롱 숏 텀 메모리 네트워크(LSTM; Long Short Term Memory networks)에 대입하여 학습할 수 있다.In the above embodiment, the commerce image creation server 100 uses the RCNN technique to construct a feature sequence in the map order of the convolution feature maps calculated from the CNN, and then configures each feature sequence. It can be learned by substituting for Long Short Term Memory networks (LSTM).

또 다른 일 실시예에서, 커머스 영상 생성 서버(100)는 영상 데이터에서 하이라이트 부분을 추출하고, 하이라이트 부분에 해당하는 참조 장면 데이터에 하이라이트 속성 태그를 할당한다. 이때, 하이라이트 부분은 영상 데이터에서 추출된 일부 구간을 의미할 수 있고, 이는 영상 데이터가 직접 지정한 구간이거나 혹은 자동 추출되는 구간일 수 있다. In another embodiment, the commerce image creation server 100 extracts a highlight portion from video data and assigns a highlight attribute tag to reference scene data corresponding to the highlight portion. At this time, the highlight portion may mean a partial section extracted from the video data, and this may be a section directly designated by the video data or a section automatically extracted.

온라인 마켓 서버(400)는 웹 페이지를 통해 아이템을 판매하는 판매자가 운영하는 서버이다. 이러한 웹 페이지는 메인 페이지, 상품 상세 페이지, 장바구니 페이지, 사용자 정보 페이지 등을 포함할 수 있다. 이러한 웹 페이지 각각에는 이미지, 텍스트, 이동 버튼(예를 들어, 장바구니 담기, 관심 상품 등록 등)이 포함되어 있다. The online market server 400 is a server operated by a seller who sells items through a web page. These web pages may include a main page, product detail page, shopping cart page, user information page, etc. Each of these web pages contains images, text, and navigation buttons (e.g., add to cart, register product of interest, etc.).

따라서, 온라인 마켓 서버(400)는 웹 페이지 상에서 행동 신호가 발생되면 웹 페이지 상에서 발생된 사용자 행동 신호를 커머스 영상 생성 서버(100)에 제공할 수 있다. Accordingly, when an action signal is generated on a web page, the online market server 400 may provide the user action signal generated on the web page to the commerce image creation server 100.

예를 들어, 온라인 마켓 서버(400)는 아이템 A를 판매하기 위한 상품 상세 페이지 a 상에서 사용자가 아이템 A의 이미지를 선택하는 경우, 상품 상세 페이지 a 상에서 아이템 A의 이미지를 클릭했다는 행동 신호를 커머스 영상 생성 서버(100)에 제공할 수 있다. For example, when the user selects the image of item A on product detail page a for selling item A, the online market server 400 sends a behavioral signal indicating that the image of item A has been clicked on product detail page a through the commerce video. It can be provided to the creation server 100.

다른 예를 들어, 온라인 마켓 서버(400)는 아이템 A를 판매하기 위한 상품 상세 페이지 a 상에서 사용자가 아이템 A를 장바구니로 이동시키는 경우, 아이템 A가 장바구니로 이동되었다는 행동 신호를 커머스 영상 생성 서버(100)에 제공할 수 있다. For another example, when the user moves item A to the shopping cart on the product detail page a for selling item A, the online market server 400 sends a behavioral signal indicating that item A has been moved to the shopping cart through the commerce video generation server (100). ) can be provided.

사용자 단말(500_1~500_N)은 온라인 마켓 서버(400)에 접속한 후 온라인 마켓 서버(400)에서 제공되는 웹 페이지를 통해 아이템을 구매하는 사용자가 보유하는 단말이다. The user terminals 500_1 to 500_N are terminals owned by a user who connects to the online market server 400 and then purchases items through a web page provided by the online market server 400.

일 실시예에서, 사용자 단말(500_1~500_N)은 데스크탑, 스마트폰, 테블릿 PC 등 검색을 요청하고 광고 정보를 표시할 수 있는 모든 형태의 전자 장치를 포함하는 개념으로 이해되어야 한다. In one embodiment, the user terminals 500_1 to 500_N should be understood as a concept that includes all types of electronic devices such as desktops, smartphones, and tablet PCs that can request a search and display advertising information.

이를 위해, 사용자 단말(500_1~500_N)에는 온라인 마켓 서버(400)에 접속하기 위한 온라인 마켓 어플리케이션이 설치되어 있다. 따라서, 사용자 단말(500_1~500_N)은 온라인 마켓 어플리케이션이 선택되어 실행되면, 온라인 마켓 어플리케이션을 통해 온라인 마켓 서버(100)에 접속할 수 있다. For this purpose, an online market application for accessing the online market server 400 is installed in the user terminals 500_1 to 500_N. Accordingly, when the online market application is selected and executed, the user terminals (500_1 to 500_N) can access the online market server 100 through the online market application.

사용자 단말(500_1~500_N)은 온라인 마켓 어플리케이션을 통해 온라인 마켓 서버(400)에서 제공되는 웹 페이지를 표시할 수 있다. 이때, 웹 페이지는 사용자의 스크롤에 따라 화면에 즉시 표시될 수 있도록 전자장치에 로딩된 화면 및/또는 상기 화면 내부의 컨텐츠 등을 포함한다. User terminals 500_1 to 500_N may display a web page provided by the online market server 400 through an online market application. At this time, the web page includes a screen loaded on the electronic device and/or content inside the screen so that it can be immediately displayed on the screen as the user scrolls.

예를 들어, 사용자 단말(500_1~500_N)의 온라인 마켓 어플리케이션 상에서 웹 페이지가 표시된 상태에서 수평 또는 수직 방향으로 길게 연장되어 사용자의 스크롤에 따라 표시되는 어플리케이션의 실행 화면 전체가 상기 웹 페이지의 개념에 포함될 수 있으며, 카메라 롤 중인 화면 역시 상기 웹 페이지의 개념에 포함될 수 있다. For example, while a web page is displayed on the online market application of the user terminal (500_1 to 500_N), the entire application execution screen that extends horizontally or vertically and is displayed as the user scrolls is included in the concept of the web page. The screen in the camera roll can also be included in the concept of the web page.

또한, 사용자 단말(500_1~500_N)은 온라인 마켓 어플리케이션을 통해 표시된 웹 페이지 상에서 사용자 입력이 발생 시 웹 페이지 상에서 발생된 행동 신호를 생성하여 커머스 영상 생성 서버(100)에 제공할 수 있다. Additionally, the user terminals 500_1 to 500_N may generate an action signal generated on the web page when a user input occurs on a web page displayed through an online market application and provide the action signal to the commerce image generation server 100.

이때, 행동 신호는 온라인 마켓 어플리케이션을 통해 표시된 웹 페이지에서 사용자 조작(예를 들어, 터치, 클릭 등)이 발생할 때마다 생성된다. 예를 들어, 행동 신호는 웹 페이지의 특정 이미지를 클릭하는 행동, 웹 페이지에 등록된 아이템의 옵션을 선택한 후 장바구니로 이동시키는 행동 및 웹 페이지에 등록된 아이템을 관심 상품으로 등록하는 행동이 발생 시 생성될 수 있다.At this time, an action signal is generated whenever a user operation (eg, touch, click, etc.) occurs on a web page displayed through an online market application. For example, action signals include clicking on a specific image on a web page, selecting an option for an item registered on a web page and moving it to the shopping cart, and registering an item registered on a web page as a product of interest. can be created.

사용자 단말(500_1~500_N)에는 사용자 열람 기록이 저장되어 있다. 사용자 열람 기록은 로그 기록 및 인게이지먼트 기록을 포함한다. 이때, 로그 기록은 사용자가 사용자 단말(500_1~500_N)의 운영 체제 또는 소프트웨어가 실행 중에 발생하는 이벤트를 기록하여 생성된다. User browsing records are stored in user terminals (500_1 to 500_N). User viewing records include log records and engagement records. At this time, the log record is created by the user recording events that occur while the operating system or software of the user terminals (500_1 to 500_N) is running.

사용자 단말(500_1~500_N)에는 사용자 열람 기록을 기초로 추출된 컨텐츠의 종류를 결정하기 위한 레이블이 저장되어 있다. 상기 컨텐츠의 종류를 결정하기 위한 레이블은 사용자 행동 정보에 포함되는 사용자가 열람한 컨텐츠(예를 들어, 웹 브라우저), 좋아요 태그를 생성한 컨텐츠(예를 들어, 소셜 네트워크)의 이미지, 사용자가 열람한 홈페이지의 이미지 및 텍스트를 기초로 해당 아이템의 의미를 의미한다. The user terminals (500_1 to 500_N) store labels for determining the type of content extracted based on user browsing records. The label for determining the type of content includes the content viewed by the user (e.g., web browser) included in the user behavior information, the image of the content that generated a like tag (e.g., social network), and the image viewed by the user. It refers to the meaning of the item based on the images and text on a homepage.

도 2는 본 발명의 일 실시예에 따른 커머스 영상 생성 서버의 내부 구조를 설명하기 위한 도면이다. Figure 2 is a diagram for explaining the internal structure of a commerce image creation server according to an embodiment of the present invention.

도 2를 참조하면, 커머스 영상 생성 서버(100)는 영상 생성 블록(200) 및 참조 영상 제공 블록(300)을 포함한다. Referring to FIG. 2, the commerce image creation server 100 includes an image creation block 200 and a reference image provision block 300.

영상 생성 블록(200)은 리뷰 데이터를 이용하여 커머스 영상을 생성할 수 있다. 이러한 영상은 광고 영상 등을 포함할 수 있다. 이러한 영상 생성 블록(200)은 스크립트 생성부(210), 시나리오 생성부(220), 키워드 추출부(230) 및 참조 장면 데이터 추출부(240)를 포함한다.The image creation block 200 may generate a commerce image using review data. These videos may include advertising videos, etc. This image generation block 200 includes a script creation unit 210, a scenario creation unit 220, a keyword extraction unit 230, and a reference scene data extraction unit 240.

스크립트 생성부(210)는 사용자 단말(500_1~500_N)로부터 수신된 사용자 행동 정보가 발생 시 웹 페이지에 등록된 상품에 대한 리뷰 데이터 중 텍스트 데이터를 단어 단위의 키워드로 분석하여 미리 생성된 스크립트 데이터베이스에서 키워드에 해당하는 오브젝트 속성, 오브젝트와 매칭되는 장면의 화면 속성 및 오브젝트와 매칭되는 장면의 상황 속성을 이용하여 스크립트를 생성할 수 있다. When user behavior information received from the user terminals (500_1 to 500_N) is generated, the script generator 210 analyzes text data among review data for products registered on the web page into keywords in word units and extracts them from a pre-generated script database. A script can be created using the object properties corresponding to the keyword, the screen properties of the scene matching the object, and the situation properties of the scene matching the object.

상기의 실시예에서, 스크립트 생성부(210)는 키워드에 해당하는 오브젝트 속성, 오브젝트와 매칭되는 장면의 화면 속성 및 오브젝트와 매칭되는 장면의 상황 속성 중 사용자과 관련된 컨텐츠를 이용한 사용자 행동 정보를 기초로 결정된 속성과 매칭하는 텍스트를 이용하여 스크립트를 생성할 수 있다. In the above embodiment, the script generator 210 determines the user behavior information using content related to the user among the object properties corresponding to the keyword, the screen properties of the scene matching the object, and the situation properties of the scene matching the object. You can create a script using text that matches the attribute.

시나리오 생성부(220)는 스크립트 생성부(210)에 의해 생성된 스크립트를 기초로 시나리오를 생성한다. 이때, 시나리오는 음향 효과, 분위기 등을 포함할 수 있다. The scenario creation unit 220 generates a scenario based on the script generated by the script creation unit 210. At this time, the scenario may include sound effects, atmosphere, etc.

키워드 추출부(230)는 스크립트 생성부(210)에서 생성된 스크립트에서 키워드를 추출한다.The keyword extraction unit 230 extracts keywords from the script generated by the script creation unit 210.

보다 구체적으로, 키워드 추출부(230)는 스크립트의 텍스트를 공백을 기준으로 단어를 추출하고, 미리 생성된 단어 별 빈도 수 데이터베이스를 기초로 단어의 빈도 수를 측정한다.More specifically, the keyword extraction unit 230 extracts words from the text of the script based on spaces and measures the frequency of the words based on a pre-generated word frequency database.

그런 다음, 키워드 추출부(230)는 단어 각각에 대한 형태소 분석을 실행하여 단어 및 형태소 값이 쌍으로 이루어지고, 빈도 수를 지시하는 레이블이 할당된 토큰을 생성한다. Then, the keyword extraction unit 230 performs morphological analysis on each word to generate a token consisting of a pair of word and morpheme values and assigned a label indicating the frequency.

예를 들어, 키워드 추출부(230)는 스크립트의 텍스트를 분석하여 (빈도 수: 1000번, (단어, 형태소 값)), (빈도 수: 234번, (단어, 형태소)), (빈도수: 2541번, (단어, 형태소)), (빈도수: 2516번, (단어, 형태소)) … 등의 토큰을 생성할 수 있다. For example, the keyword extraction unit 230 analyzes the text of the script and generates (frequency number: 1000, (word, morpheme value)), (frequency number: 234, (word, morpheme)), (frequency: 2541 Number, (word, morpheme)), (Frequency: 2516 times, (word, morpheme)) … You can create tokens such as:

상기와 같이, 키워드 추출부(230)는 토큰을 생성한 후 토큰 각각에 대해서 해당 토큰의 단어 및 토큰의 레이블에 따라 토큰 각각에 서로 다른 가중치를 부여한다. As described above, after generating tokens, the keyword extractor 230 assigns different weights to each token according to the word of the token and the label of the token.

일 실시예에서, 키워드 추출부(230)는 토큰 각각에 대해서 해당 토큰의 단어를 구현하는 언어의 종류(즉, 영어, 중국어, 한국어 등), 단어가 스크립트의 텍스트에서 존재하는 위치 및 토큰에 할당된 레이블의 빈도 수에 따라 서로 다른 가중치를 부여한다. In one embodiment, the keyword extraction unit 230 determines, for each token, the type of language that implements the word in the token (i.e., English, Chinese, Korean, etc.), the location where the word exists in the text of the script, and the assignment to the token. Different weights are assigned depending on the frequency of the label.

먼저, 키워드 추출부(230)는 스크립트의 텍스트에서 생성된 전체 토큰의 개수 및 각각의 토큰의 순서를 이용하여 제1 가중치를 산출한다. First, the keyword extractor 230 calculates the first weight using the total number of tokens generated from the text of the script and the order of each token.

일 실시예에서, 키워드 추출부(230)는 스크립트의 텍스트에서 생성된 전체 토큰의 개수를 기준으로 토큰의 순서가 어느 정도인지 여부 및 언어의 종류에 따라 미리 결정된 중요 값에 제1 가중치를 산출할 수 있다. In one embodiment, the keyword extraction unit 230 calculates a first weight to a predetermined important value depending on the order of the tokens and the type of language based on the total number of tokens generated from the text of the script. You can.

예를 들어, 키워드 추출부(230)는 전체 토큰의 개수가 12개 이고 토큰의 순서가 4번째인 경우, “0.25”를 산출하고, 언어의 종류에 따라 미리 결정된 중요 값을 반영하여 제1 가중치를 산출할 수 있다. For example, if the total number of tokens is 12 and the order of the token is 4th, the keyword extractor 230 calculates “0.25” and sets the first weight by reflecting the important value predetermined according to the type of language. can be calculated.

이때, 언어의 종류에 따라 미리 결정된 중요 값은 언어의 종류 별로 중요한 단어가 어느 위치에 나타내는지 여부에 따라 변경될 수 있다. 즉, 언어의 종류에 따라 미리 결정된 중요 값은 현재 토큰의 번호에 따라 변경될 수 있다At this time, the important value predetermined according to the type of language may be changed depending on where the important word appears for each type of language. In other words, important values predetermined depending on the type of language can be changed depending on the number of the current token.

다른 일 실시예에서, 키워드 추출부(230)는 스크립트의 텍스트에서 생성된 토큰 각각에 대해서 토큰에 미리 할당된 레이블이 지시하는 빈도 수와 이전 토큰 및 다음 토큰 각각에 미리 할당된 레이블이 지시하는 빈도 수를 이용하여 제2 가중치를 산출할 수 있다. In another embodiment, the keyword extraction unit 230 determines the frequency number indicated by the label pre-assigned to the token for each token generated from the text of the script and the frequency indicated by the label pre-assigned to each of the previous token and the next token. The second weight can be calculated using a number.

그 후, 참조 장면 데이터 추출부(240)는 제1 가중치 및 제2 가중치를 이용하여 최종 가중치를 부여한다. 상기와 같이, 키워드 추출부(230)는 제1 가중치 및 제2 가중치를 이용하여 최종 가중치를 부여함으로써 참조 장면 데이터 추출부(240)가 최종 가중치에 따라 순차적으로 해당 토큰과 매칭되는 태그가 존재하는 참조 장면 데이터를 추출할 수 있는 것이다. Thereafter, the reference scene data extractor 240 assigns a final weight using the first weight and the second weight. As described above, the keyword extractor 230 assigns a final weight using the first weight and the second weight, so that the reference scene data extractor 240 sequentially determines whether a tag matching the token exists according to the final weight. Reference scene data can be extracted.

참조 장면 데이터 추출부(240)는 참조 장면 데이터의 복수의 태그 중 상기 토큰의 형태소 값과 매칭되는 태그를 비교하여 유사 점수를 산출하고, 유사 점수가 특정 점수 이상인 태그가 할당된 참조 장면 데이터를 참조 장면 데이터베이스(330)에서 추출한다.The reference scene data extraction unit 240 calculates a similarity score by comparing tags that match the morpheme value of the token among a plurality of tags in the reference scene data, and refers to reference scene data to which a tag with a similarity score of a certain score or more is assigned. Extracted from the scene database 330.

일 실시예에서, 참조 장면 데이터 추출부(240)는 토큰의 형태소 값이 명사인 경우 참조 장면 데이터베이스(330)에 추출된 참조 장면 데이터의 복수의 태그 중 오브젝트 속성 태그의 일치 정도에 따라 유사 점수를 산출할 수 있다.In one embodiment, when the morpheme value of the token is a noun, the reference scene data extraction unit 240 calculates a similarity score according to the degree of matching of object attribute tags among a plurality of tags of the reference scene data extracted from the reference scene database 330. It can be calculated.

다른 일 실시예에서, 참조 장면 데이터 추출부(240)는 토큰의 형태소 값이 형용사인 경우 참조 장면 데이터베이스(330)에 추출된 참조 장면 데이터의 복수의 태그 중 화면 속성 태그 및 상황 속성 태그의 일치 정도에 따라 유사 점수를 산출할 수 있다.In another embodiment, when the morpheme value of the token is an adjective, the reference scene data extractor 240 determines the degree of matching between the screen attribute tag and the situation attribute tag among the plurality of tags of the reference scene data extracted in the reference scene database 330. Similar scores can be calculated according to .

참조 영상 제공 블록(300)은 영상 데이터를 수집한 후 영상 데이터를 장면 단위로 분할하여 참조 장면 데이터를 생성하고, 참조 장면 데이터 각각에 태그를 할당한 후 참조 장면 데이터베이스(330)에 저장한다. 참조 영상 제공 블록(300)은 참조 장면 데이터베이스 구축부(310), 태그 할당부(320) 및 참조 장면 데이터베이스(330)를 포함한다. The reference image providing block 300 collects image data, divides the image data into scenes, generates reference scene data, assigns tags to each reference scene data, and stores them in the reference scene database 330. The reference image providing block 300 includes a reference scene database construction unit 310, a tag allocation unit 320, and a reference scene database 330.

참조 장면 데이터베이스 구축부(310)는 상품에 대한 사용자의 리뷰 데이터를 수집한 후 리뷰 데이터의 종류에 따라 리뷰 데이터를 분석하여 참조 장면 데이터를 생성한다. The reference scene database construction unit 310 collects user review data for products and then analyzes the review data according to the type of review data to generate reference scene data.

일 실시예에서, 참조 장면 데이터베이스 구축부(310)는 리뷰 데이터의 종류가 동영상 리뷰 데이터인 경우, 동영상 리뷰 데이터로부터 리뷰 이미지로 디코딩한 후 재생 시간 간격으로 이미지를 샘플링할 수 있다. In one embodiment, when the type of review data is video review data, the reference scene database construction unit 310 may decode the video review data into a review image and then sample the image at playback time intervals.

상기의 실시예에서, 참조 장면 데이터베이스 구축부(310)는 샘플링된 리뷰 이미지 중 서로 인접한 리뷰 이미지의 유사도에 기초하여 샘플링된 리뷰 이미지를 장면 단위로 그룹핑하여 참조 장면 데이터를 생성할 수 있다. 여기에서, 인접한 리뷰 이미지는 샘플링된 리뷰 이미지를 영상이 재생되는 시간 순서대로 나열하였을 때 이웃하는 리뷰 이미지를 의미할 수 있다.In the above embodiment, the reference scene database construction unit 310 may generate reference scene data by grouping the sampled review images into scenes based on the similarity of adjacent review images among the sampled review images. Here, adjacent review images may refer to neighboring review images when sampled review images are arranged in the order of video playback time.

예를 들어, 참조 장면 데이터베이스 구축부(310)는 인접한 리뷰 이미지에 대하여 피쳐 매칭(Feature Matching)을 수행하여 리뷰 이미지의 유사도를 연산할 수 있다. 가령, 커머스 영상 생성 서버(100)는 인접한 리뷰 이미지의 특징점을 대조하여 소정 정도 이상의 유사도를 보이는 리뷰 이미지를 하나의 장면으로 그룹핑하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. For example, the reference scene database construction unit 310 may calculate the similarity of review images by performing feature matching on adjacent review images. For example, the commerce image generation server 100 may compare feature points of adjacent review images, group review images showing a certain degree of similarity or more into one scene, generate reference scene data, and store it in the reference scene database 340.

상기의 실시예에서, 참조 장면 데이터베이스 구축부(310)는 샘플링된 리뷰 이미지 각각에서 추출되는 오브젝트의 개수 변화를 산출하고, 오브젝트의 개수 변화에 따라 장면이 전환되었다고 판단하여 해당 시점을 기준으로 참조 장면 데이터를 생성할 수 있다. In the above embodiment, the reference scene database construction unit 310 calculates the change in the number of objects extracted from each sampled review image, determines that the scene has been switched according to the change in the number of objects, and builds the reference scene based on that point in time. Data can be generated.

상기의 실시예에서, 참조 장면 데이터베이스 구축부(310)는 샘플링된 리뷰 이미지에 대해서 동일한 픽셀의 픽셀 값 변화를 이용하여 배경 이미지가 변화하였는지 여부를 판단하고, 판단 결과에 따라 장면이 전환되었다고 판단하여 해당 시점을 기준으로 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In the above embodiment, the reference scene database construction unit 310 determines whether the background image has changed using the pixel value change of the same pixel for the sampled review image, and determines that the scene has changed according to the determination result. Reference scene data can be generated based on that point in time and stored in the reference scene database 340.

상기의 실시예에서, 참조 장면 데이터베이스 구축부(310)는 동영상 리뷰 데이터를 구성하는 음성 데이터 및 자막 데이터를 기초로 새로운 내용이 표시되는 시점을 새로운 장면이라고 판단하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In the above embodiment, the reference scene database construction unit 310 determines that the point in time when new content is displayed is a new scene based on the audio data and subtitle data constituting the video review data and generates reference scene data to create a reference scene database. It can be saved at (340).

상기의 실시예에서, 참조 장면 데이터베이스 구축부(310)는 샘플링된 리뷰 이미지 각각에서 추출되는 오브젝트를 추출하고, 오브젝트가 사라졌거나 새로운 오브젝트가 나타나면 새로운 장면이라고 판단하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In the above embodiment, the reference scene database construction unit 310 extracts an object extracted from each sampled review image, determines that it is a new scene when the object disappears or a new object appears, generates reference scene data, and creates a reference scene database. It can be saved at (340).

다른 일 실시예에서, 커머스 영상 생성 서버(100)는 리뷰 데이터의 종류가 이미지 리뷰 데이터인 경우, 이미지 리뷰 데이터를 참조 장면 데이터로 정의하여 참조 장면 데이터베이스(340)에 저장할 수 있다. In another embodiment, when the type of review data is image review data, the commerce image creation server 100 may define the image review data as reference scene data and store it in the reference scene database 340.

태그 할당부(320)는 참조 장면 데이터베이스(340)에 저장된 참조 장면 데이터를 분석하여 참조 장면 데이터 각각에 태그를 할당한다. The tag allocation unit 320 analyzes the reference scene data stored in the reference scene database 340 and assigns a tag to each reference scene data.

이를 위해, 태그 할당부(320)는 참조 장면 데이터의 특징을 추출하여 참조 장면 데이터의 특징 정보를 추출하고 특정 정보에 따라 서로 다른 종류의 태그를 할당한다.To this end, the tag allocation unit 320 extracts feature information of the reference scene data and assigns different types of tags according to the specific information.

일 실시예에서, 태그 할당부(320)는 참조 장면 데이터에 포함된 오브젝트의 특징 정보를 추출하고, 오브젝트의 특징 정보를 벡터값으로 표현하여 오브젝트의 특징 정보를 생성하고, 오브젝트의 특징 정보에 따라 오브젝트 속성 태그를 할당한다. In one embodiment, the tag allocation unit 320 extracts feature information of the object included in the reference scene data, expresses the feature information of the object as a vector value, generates feature information of the object, and generates feature information of the object according to the feature information of the object. Assign object attribute tags.

보다 구체적으로, 태그 할당부(320)는 오브젝트의 특징 영역을 탐지(Interest Point Detection)할 수 있다. 여기에서, 특징 영역이란, 오브젝트들 사이의 동일 유사 여부를 판단하기 위한 오브젝트의 특징에 대한 기술자, 즉 특징 기술자(Feature Descriptor)를 추출하는 주요 영역을 말한다. More specifically, the tag allocator 320 may detect a feature area of an object (Interest Point Detection). Here, the feature area refers to the main area from which a descriptor for the characteristics of an object, that is, a feature descriptor, is extracted to determine whether the objects are identical or similar.

다른 일 실시예에서, 태그 할당부(320)는 참조 장면 데이터의 특징 영역에서 특징 기술자를 추출(Descriptor Extraction)하고, 특징 기술자에 따라 참조 장면 데이터에서 화면 속성 태그를 할당할 수 있다. 특징 기술자는 참조 장면 데이터의 특징들을 벡터 값으로 표현한 것이다. In another embodiment, the tag allocator 320 may extract a feature descriptor from a feature area of the reference scene data (Descriptor Extraction) and allocate a screen attribute tag from the reference scene data according to the feature descriptor. A feature descriptor expresses the features of reference scene data as vector values.

상기의 이러한 특징 기술자는 참조 장면 데이터에 대한 특징 영역의 위치, 또는 특징 영역의 밝기, 색상, 선명도, 그라디언트, 스케일 또는 패턴 정보를 이용하여 계산할 수 있다. 예를 들어 특징 기술자는 특징 영역의 밝기 값, 밝기의 변화 값 또는 분포 값 등을 벡터로 변환하여 계산할 수도 있다. These feature descriptors can be calculated using the location of the feature area relative to the reference scene data, or the brightness, color, sharpness, gradient, scale, or pattern information of the feature region. For example, the feature descriptor may calculate the brightness value, brightness change value, or distribution value of the feature area by converting it into a vector.

또 다른 일 실예에서, 태그 할당부(320)는 참조 장면 데이터를 장면 종류 분석 모델에 학습시켜 장면에서 표현되는 상황의 종류를 추출하고, 상황의 종류에 따라 상황 속성 태그를 할당한다. 이때, 장면 종류는 각 장면에서 표현되는 상황의 종류를 의미한다. In another example, the tag allocation unit 320 trains reference scene data in a scene type analysis model to extract the type of situation expressed in the scene and assigns a situation attribute tag according to the type of situation. At this time, the scene type refers to the type of situation expressed in each scene.

상기의 실시예에서, 태그 할당부(320)는 장면 종류 분석 모델을 CNN 딥 러닝 모델(CNN Deep Learning Model)로 구축하고, 상술한 데이터 셋을 학습할 수 있다. 이때, CNN 딥 러닝 모델은 두 개의 컨볼루션 레이어, 렐루 레이어, 맥스 풀링 레이어 및 하나의 풀리 커넥티드 레이어를 포함하도록 설계될 수 있다. In the above embodiment, the tag allocation unit 320 may construct a scene type analysis model as a CNN Deep Learning Model and learn the above-described data set. At this time, the CNN deep learning model can be designed to include two convolutional layers, a relu layer, a max pooling layer, and one fully connected layer.

상기의 실시예에서, 태그 할당부(320)는 RCNN 기법을 활용하여 CNN에서 산출된 컨볼루션 피쳐 맵(Convolution Feature Maps)의 맵 순서대로 피쳐 시퀀스(Feature Sequence)를 구성한 후, 각 피쳐 시퀀스를 롱 숏 텀 메모리 네트워크(LSTM; Long Short Term Memory networks)에 대입하여 학습할 수 있다.In the above embodiment, the tag allocation unit 320 uses the RCNN technique to construct a feature sequence in the map order of the convolution feature maps calculated from the CNN, and then converts each feature sequence into a long It can be learned by substituting for short term memory networks (LSTM; Long Short Term Memory networks).

또 다른 일 실시예에서, 태그 할당부(320)는 영상 데이터에서 하이라이트 부분을 추출하고, 하이라이트 부분에 해당하는 참조 장면 데이터에 하이라이트 속성 태그를 할당한다. 이때, 하이라이트 부분은 영상 데이터에서 추출된 일부 구간을 의미할 수 있고, 이는 영상 데이터가 직접 지정한 구간이거나 혹은 자동 추출되는 구간일 수 있다. In another embodiment, the tag allocation unit 320 extracts a highlight portion from image data and assigns a highlight attribute tag to reference scene data corresponding to the highlight portion. At this time, the highlight portion may mean a partial section extracted from the video data, and this may be a section directly designated by the video data or a section automatically extracted.

참조 장면 데이터베이스(330)에는 태그 할당부(320)에 의해 태그가 할당된 참조 영상 데이터가 저장되어 있다. Reference image data to which tags are assigned by the tag allocation unit 320 are stored in the reference scene database 330.

도 3은 본 발명에 따른 리뷰 데이터를 이용한 커머스 영상 생성 방법의 일 실시예를 설명하기 위한 흐름도이다.Figure 3 is a flowchart illustrating an embodiment of a method for generating a commerce image using review data according to the present invention.

도 3을 참조하면, 커머스 영상 생성 서버(100)는 사용자 단말을 통해 사용자 행동 정보가 발생 시 상기 사용자 행동 정보가 발생된 웹 페이지에 등록된 정보를 기초로 해당 상품에 대한 스크립트를 생성한다(단계 S310).Referring to FIG. 3, when user behavior information is generated through a user terminal, the commerce video creation server 100 generates a script for the product based on the information registered in the web page where the user behavior information was generated (step S310).

커머스 영상 생성 서버(100)는 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출할 수 있다(단계 S320).The commerce video creation server 100 may generate a scenario based on a script and then extract keywords from the script (step S320).

커머스 영상 생성 서버(100)는 상품에 대한 리뷰 데이터를 이용하여 생성된 참조 영상 데이터 중 상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출할 수 있다(단계 S330).The commerce video generation server 100 may extract reference video data assigned to a tag that matches the keyword from reference video data generated using review data about the product (step S330).

단계 S330에 대한 일 실시예에서, 커머스 영상 생성 서버(100)는 토큰의 형태소 값이 명사인 경우 참조 장면 데이터베이스(330)에 추출된 참조 장면 데이터의 복수의 태그 중 오브젝트 속성 태그의 일치 정도에 따라 유사 점수를 산출할 수 있다.In one embodiment of step S330, when the morpheme value of the token is a noun, the commerce image creation server 100 generates a tag according to the degree of matching of the object attribute tag among the plurality of tags of the reference scene data extracted from the reference scene database 330. Similar scores can be calculated.

단계 S330에 대한 다른 일 실시예에서, 커머스 영상 생성 서버(100)는 토큰의 형태소 값이 형용사인 경우 참조 장면 데이터베이스(330)에 추출된 참조 장면 데이터의 복수의 태그 중 화면 속성 태그 및 상황 속성 태그의 일치 정도에 따라 유사 점수를 산출할 수 있다.In another embodiment of step S330, when the morpheme value of the token is an adjective, the commerce image creation server 100 selects a screen attribute tag and a situation attribute tag among a plurality of tags of the reference scene data extracted from the reference scene database 330. A similarity score can be calculated depending on the degree of agreement.

커머스 영상 생성 서버(100)는 상기 시나리오에 따라 미리 생성된 환경 데이터 및 상기 추출된 참조 영상 데이터를 합성하여 커머스 영상을 생성한다(단계 S340).The commerce image creation server 100 generates a commerce image by combining the environmental data created in advance and the extracted reference image data according to the scenario (step S340).

도 4는 본 발명에 따른 리뷰 데이터를 이용한 커머스 영상 생성 방법의 다른 일 실시예를 설명하기 위한 흐름도이다.Figure 4 is a flowchart for explaining another embodiment of a method for generating a commerce image using review data according to the present invention.

도 4를 참조하면, 커머스 영상 생성 서버(100)는 사용자 단말을 통해 사용자 행동 정보가 발생 시 상기 사용자 행동 정보가 발생된 웹 페이지에 등록된 리뷰 데이터를 수집한다(단계 S410).Referring to FIG. 4, when user behavior information is generated through a user terminal, the commerce video creation server 100 collects review data registered on the web page where the user behavior information was generated (step S410).

커머스 영상 생성 서버(100)는 상기 상품의 리뷰 데이터의 종류가 동영상 리뷰 데이터인 경우 상기 동영상 리뷰 데이터로부터 리뷰 이미지로 디코딩한 후 재생 시간 간격으로 리뷰 이미지를 샘플링한다(단계 S420).If the type of review data for the product is video review data, the commerce video generation server 100 decodes the video review data into a review image and then samples the review image at playback time intervals (step S420).

커머스 영상 생성 서버(100)는 샘플링된 리뷰 이미지 중 서로 인접한 리뷰 이미지의 유사도에 기초하여 샘플링된 리뷰 이미지를 장면 단위로 그룹핑하여 참조 장면 데이터를 생성한다(단계 S430).The commerce image generation server 100 generates reference scene data by grouping the sampled review images into scenes based on the similarity of adjacent review images among the sampled review images (step S430).

커머스 영상 생성 서버(100)는 참조 장면 데이터의 특징을 추출하여 참조 장면 데이터의 특징 정보를 추출하고 특정 정보에 따라 오브젝트 속성 태그, 화면 속성 태그, 상황 속성 태그 및 하이라이트 속성 태그 중 어느 하나의 태그를 할당한다(단계 S440).The commerce image generation server 100 extracts the characteristics of the reference scene data, extracts the characteristic information of the reference scene data, and selects one of the object attribute tags, screen attribute tags, situation attribute tags, and highlight attribute tags according to the specific information. Allocate (step S440).

한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.Although the present invention has been described with reference to limited embodiments and drawings, the present invention is not limited to the above embodiments, and various modifications and variations can be made by those skilled in the art from these descriptions. Accordingly, the spirit of the present invention should be understood only by the scope of the claims set forth below, and all equivalent or equivalent modifications thereof shall fall within the scope of the spirit of the present invention.

100: 커머스 영상 생성 서버,
200: 영상 생성 블록
210: 스크립트 생성부,
220: 시나리오 생성부,
230: 키워드 추출부,
240: 참조 장면 데이터 추출부
300: 참조 영상 제공 블록
310: 참조 장면 데이터베이스 구축부,
320: 태그 할당부
330: 참조 장면 데이터베이스
400: 온라인 마켓 서버
500_1~500_N: 사용자 단말100: Commerce video creation server,
200: Image creation block
210: Script creation unit,
220: Scenario creation unit,
230: Keyword extraction unit,
240: Reference scene data extraction unit
300: Reference image provision block
310: Reference scene database construction unit,
320: Tag allocation unit
330: Reference scene database
400: Online market server
500_1~500_N: User terminal

Claims (10)

커머스 영상 생성 서버에서 실행되는 동영상 자동 생성 방법에 있어서,
사용자 단말을 통해 사용자 행동 정보가 발생 시 상기 사용자 행동 정보가 발생된 웹 페이지에 등록된 정보를 기초로 해당 상품에 대한 스크립트를 생성하는 단계;
상기 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출하는 단계;
상기 상품에 대한 리뷰 데이터를 이용하여 생성된 참조 영상 데이터 중 상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출하는 단계;
상기 시나리오에 따라 미리 생성된 환경 데이터 및 상기 추출된 참조 영상 데이터를 합성하여 커머스 영상을 생성하는 단계를 포함하는 것을 특징으로 하는
리뷰 데이터를 이용한 커머스 영상 생성 방법.
In the automatic video creation method executed on the commerce video creation server,
When user behavior information is generated through a user terminal, generating a script for the product based on information registered on the web page where the user behavior information was generated;
generating a scenario based on the script and then extracting keywords from the script;
extracting reference image data assigned to a tag matching the keyword from reference image data generated using review data for the product;
Characterized in that it includes the step of generating a commerce image by combining the environmental data generated in advance and the extracted reference image data according to the scenario.
How to create a commerce video using review data.
 제1항에 있어서,
상기 상품의 리뷰 데이터의 종류가 동영상 리뷰 데이터인 경우 상기 동영상 리뷰 데이터로부터 리뷰 이미지로 디코딩한 후 재생 시간 간격으로 리뷰 이미지를 샘플링하는 단계; 및
상기 샘플링된 리뷰 이미지 중 서로 인접한 리뷰 이미지의 유사도에 기초하여 샘플링된 리뷰 이미지를 장면 단위로 그룹핑하여 참조 장면 데이터를 생성하는 단계를 더 포함하는 것을 특징으로 하는
리뷰 데이터를 이용한 커머스 영상 생성 방법.
According to paragraph 1,
If the type of review data for the product is video review data, decoding the video review data into a review image and then sampling the review image at playback time intervals; and
Characterized in that it further comprises the step of generating reference scene data by grouping the sampled review images into scenes based on the similarity of adjacent review images among the sampled review images.
How to create a commerce video using review data.
 제1항에 있어서,
상기 참조 장면 데이터의 특징을 추출하여 참조 장면 데이터의 특징 정보를 추출하고 특정 정보에 따라 오브젝트 속성 태그, 화면 속성 태그, 상황 속성 태그 및 하이라이트 속성 태그 중 어느 하나의 태그를 할당하는 단계를 더 포함하는 것을 특징으로 하는
리뷰 데이터를 이용한 커머스 영상 생성 방법.
According to paragraph 1,
Further comprising extracting features of the reference scene data, extracting feature information of the reference scene data, and assigning any one of an object attribute tag, a screen attribute tag, a situation attribute tag, and a highlight attribute tag according to specific information. characterized by
How to create a commerce video using review data.
 제1항에 있어서,
상기 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출하는 단계는
기준 장면 데이터의 스크립트의 텍스트를 공백을 기준으로 단어를 추출하는 단계; 및
상기 단어 각각에 대한 형태소 분석을 실행하여 단어 및 형태소 값이 쌍으로 형성된 토큰을 생성하고, 상기 토큰 각각에 대해서 해당 토큰의 단어 및 토큰의 레이블에 따라 토큰 각각에 서로 다른 가중치를 부여하는 단계를 포함하는 것을 특징으로 하는
리뷰 데이터를 이용한 커머스 영상 생성 방법.
According to paragraph 1,
The step of generating a scenario based on the script and extracting keywords from the script is
Extracting words from the text of the script of the reference scene data based on spaces; and
Generating tokens formed by pairs of word and morpheme values by performing morphological analysis on each of the words, and assigning different weights to each token according to the word of the token and the label of the token. characterized by
How to create a commerce video using review data.
 제4항에 있어서,
상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출하는 단계는
상기 참조 장면 데이터의 복수의 태그 중 상기 토큰의 형태소 값과 매칭되는 태그를 비교하여 유사 점수를 산출하고, 상기 유사 점수가 특정 점수 이상인 태그가 할당된 참조 장면 데이터를 추출하는 단계를 포함하는 것을 특징으로 하는
리뷰 데이터를 이용한 커머스 영상 생성 방법.
According to clause 4,
The step of extracting reference video data assigned by a tag matching the keyword is
Comparing tags matching the morpheme value of the token among the plurality of tags of the reference scene data to calculate a similarity score, and extracting reference scene data to which a tag having the similarity score of a certain score or more is assigned. to do
How to create a commerce video using review data.
 커머스 영상 생성 서버에 있어서,
사용자 단말을 통해 사용자 행동 정보가 발생 시 상기 사용자 행동 정보가 발생된 웹 페이지에 등록된 정보를 기초로 해당 상품에 대한 스크립트를 생성하는 스크립트 생성부;
상기 스크립트를 기초로 시나리오를 생성한 후 상기 스크립트에서 키워드를 추출하는 키워드 추출부;
상기 상품에 대한 리뷰 데이터를 이용하여 생성된 참조 영상 데이터 중 상기 키워드와 매칭되는 태그가 할당한 참조 영상 데이터를 추출하는 참조 장면 데이터 추출부;
상기 시나리오에 따라 미리 생성된 환경 데이터 및 상기 추출된 참조 영상 데이터를 합성하여 커머스 영상을 생성하는 커머스 영상 생성부를 포함하는 것을 특징으로 하는
커머스 영상 생성 서버.
In the commerce video creation server,
When user behavior information is generated through a user terminal, a script generator that generates a script for the product based on information registered on the web page where the user behavior information was generated;
a keyword extraction unit that generates a scenario based on the script and then extracts keywords from the script;
a reference scene data extraction unit that extracts reference image data assigned to a tag matching the keyword from reference image data generated using review data for the product;
Characterized by comprising a commerce image generator that generates a commerce image by synthesizing environmental data previously generated according to the scenario and the extracted reference image data.
Commerce video creation server.
 제6항에 있어서,
상기 상품의 리뷰 데이터의 종류가 동영상 리뷰 데이터인 경우 상기 동영상 리뷰 데이터로부터 리뷰 이미지로 디코딩한 후 재생 시간 간격으로 리뷰 이미지를 샘플링하고, 상기 샘플링된 리뷰 이미지 중 서로 인접한 리뷰 이미지의 유사도에 기초하여 샘플링된 리뷰 이미지를 장면 단위로 그룹핑하여 참조 장면 데이터를 생성하여 참조 장면 데이터베이스에 저장하는 참조 장면 데이터베이스 구축부를 더 포함하는 것을 특징으로 하는
커머스 영상 생성 서버.
According to clause 6,
If the type of review data for the product is video review data, the video review data is decoded into a review image, the review image is sampled at playback time intervals, and sampling is based on the similarity of adjacent review images among the sampled review images. Characterized in that it further includes a reference scene database building unit that groups the review images into scenes to generate reference scene data and stores it in a reference scene database.
Commerce video creation server.
 제6항에 있어서,
상기 참조 장면 데이터의 특징을 추출하여 참조 장면 데이터의 특징 정보를 추출하고 특정 정보에 따라 오브젝트 속성 태그, 화면 속성 태그, 상황 속성 태그 및 하이라이트 속성 태그 중 어느 하나의 태그를 할당하는 태그 할당부를 더 포함하는 것을 특징으로 하는
커머스 영상 생성 서버.
According to clause 6,
It further includes a tag allocation unit configured to extract features of the reference scene data, extract feature information of the reference scene data, and assign one of an object attribute tag, a screen attribute tag, a situation attribute tag, and a highlight attribute tag according to specific information. characterized by
Commerce video creation server.
 제6항에 있어서,
상기 키워드 추출부는
기준 장면 데이터의 스크립트의 텍스트를 공백을 기준으로 단어를 추출하고, 상기 단어 각각에 대한 형태소 분석을 실행하여 단어 및 형태소 값이 쌍으로 형성된 토큰을 생성하고, 상기 토큰 각각에 대해서 해당 토큰의 단어 및 토큰의 레이블에 따라 토큰 각각에 서로 다른 가중치를 부여하는 것을 특징으로 하는
커머스 영상 생성 서버.
According to clause 6,
The keyword extraction unit
Words are extracted from the text of the script of the standard scene data based on spaces, morphological analysis is performed on each of the words, tokens formed in pairs of word and morpheme value are generated, and for each of the tokens, the word of the token and Characterized by assigning different weights to each token depending on the token's label.
Commerce video creation server.
 제9항에 있어서,
상기 참조 장면 데이터 추출부는
상기 참조 장면 데이터의 복수의 태그 중 상기 토큰의 형태소 값과 매칭되는 태그를 비교하여 유사 점수를 산출하고, 상기 유사 점수가 특정 점수 이상인 태그가 할당된 참조 장면 데이터를 추출하는 것을 특징으로 하는
커머스 영상 생성 서버.According to clause 9,
The reference scene data extraction unit
Comparing tags that match the morpheme value of the token among the plurality of tags in the reference scene data to calculate a similarity score, and extracting reference scene data to which a tag whose similarity score is higher than a certain score is assigned.
Commerce video creation server.
KR1020220154971A 2022-11-18 2022-11-18 Method of generating commerce video using review data and server performing thereof KR20240073303A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220154971A KR20240073303A (en) 2022-11-18 2022-11-18 Method of generating commerce video using review data and server performing thereof
PCT/KR2023/018521 WO2024106993A1 (en) 2022-11-18 2023-11-17 Commerce video generation method and server using review data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220154971A KR20240073303A (en) 2022-11-18 2022-11-18 Method of generating commerce video using review data and server performing thereof

Publications (1)

Publication Number Publication Date
KR20240073303A true KR20240073303A (en) 2024-05-27

Family

ID=91084909

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220154971A KR20240073303A (en) 2022-11-18 2022-11-18 Method of generating commerce video using review data and server performing thereof

Country Status (2)

Country Link
KR (1) KR20240073303A (en)
WO (1) WO2024106993A1 (en)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110070386A (en) * 2009-12-18 2011-06-24 주식회사 케이티 The system and method for automatically making image ars
KR101285721B1 (en) * 2010-12-22 2013-07-18 주식회사 케이티 System and method for generating content tag with web mining
KR101728099B1 (en) * 2016-01-29 2017-04-19 정수진 Product Information Providing Apparatus for Electrical Transaction using Scenario-based Combined Story Contents
KR101780412B1 (en) * 2016-01-29 2017-10-10 (주) 다이퀘스트 Apparatus for extracting scene keywords from video contents and keyword weighting factor calculation apparatus
KR102308508B1 (en) * 2019-11-07 2021-10-01 조재범 Review making system
US11375251B2 (en) * 2020-05-19 2022-06-28 International Business Machines Corporation Automatically generating enhancements to AV content
KR102432589B1 (en) * 2022-02-18 2022-08-17 주식회사 시즌리스 Method, apparatus and system for providing live commerce platform service for women's wear sales

Also Published As

Publication number Publication date
WO2024106993A1 (en) 2024-05-23

Similar Documents

Publication Publication Date Title
US20230012732A1 (en) Video data processing method and apparatus, device, and medium
KR101944469B1 (en) Estimating and displaying social interest in time-based media
CN110213610B (en) Live broadcast scene recognition method and device
CN110035314A (en) Methods of exhibiting and device, storage medium, the electronic device of information
CN102244807B (en) Adaptive video zoom
CN107846561B (en) Method and system for determining and displaying contextually targeted content
KR102560609B1 (en) Video generation method and server performing thereof
CN104104999B (en) Audio/video information recommends method and apparatus
CN102084358A (en) Associating information with media content
CN103426003A (en) Implementation method and system for enhancing real interaction
CN109558513A (en) A kind of content recommendation method, device, terminal and storage medium
CN110287375B (en) Method and device for determining video tag and server
CN113779381B (en) Resource recommendation method, device, electronic equipment and storage medium
CN114339360B (en) Video processing method, related device and equipment
CN103918277B (en) The system and method for the confidence level being just presented for determining media item
KR102560610B1 (en) Reference video data recommend method for video creation and apparatus performing thereof
CN106713973A (en) Program searching method and device
CN114845149A (en) Editing method of video clip, video recommendation method, device, equipment and medium
KR20240073303A (en) Method of generating commerce video using review data and server performing thereof
CN116049490A (en) Material searching method and device and electronic equipment
KR102633528B1 (en) Scene data generation method based on video data and apparatus performing thereof
KR102636431B1 (en) Method of providing video skip function and apparatus performing thereof
US10990456B2 (en) Methods and systems for facilitating application programming interface communications
KR20240074032A (en) Method of generating review video customized user using feedback data and serrver performing thereof
US20200387413A1 (en) Methods and systems for facilitating application programming interface communications