KR-20260061918-A - method for recommending Control action using CLASSIFICATION information, and electronic device for performing the same

Abstract

제어 동작을 추천하는 방법, 및 전자 장치에 관한 것이다. 상기 방법은, 제1 콘텐츠에 대응되는 제1 해시태그를 추출할 수 있다. 상기 방법은, 제1 해시태그 및 제1 콘텐츠에 기초하여, 제1 해시태그에 대응되는 제1 임베딩 벡터를 생성할 수 있다. 상기 방법은, 복수의 클러스터들 중에서 제1 임베딩 벡터에 대응되는 제1 클러스터를 결정할 수 있다. 상기 방법은, 제1 임베딩 벡터 및 제1 클러스터의 중심점에 대응되는 제1 중심점 벡터에 기초하여, 제1 해시태그에 대응되는 개인화된 분류 정보를 생성할 수 있다. 상기 방법은, 신경망 모델을 이용하여, 개인화된 분류 정보로부터 추천 애플리케이션 및 추천 제어 동작을 제공할 수 있다. 상기 제1 임베딩 벡터는, 제1 해시태그에 대응되는 제1 해시태그 벡터와 제1 콘텐츠에 대응되는 제1 콘텐츠 벡터를 포함할 수 있다.

Inventors

• 신정호
• 김태훈
• 신현정
• 양원석
• 이준혁
• 김은비
• 박예지
• 서성목
• 한명희

Assignees

• 삼성전자주식회사

Dates

Publication Date

20260506

Application Date

20241028

Claims (20)

1. 전자 장치가 제어 동작을 추천하는 방법에 있어서, 제1 콘텐츠에 대응되는 제1 해시태그를 추출하는 단계; 상기 제1 해시태그 및 상기 제1 콘텐츠에 기초하여, 상기 제1 해시태그에 대응되는 제1 임베딩 벡터를 생성하는 단계; 복수의 클러스터들 중에서 상기 제1 임베딩 벡터에 대응되는 제1 클러스터를 결정하는 단계; 상기 제1 임베딩 벡터 및 상기 제1 클러스터의 중심점에 대응되는 제1 중심점 벡터에 기초하여, 상기 제1 해시태그에 대응되는 개인화된 분류 정보를 생성하는 단계; 및 신경망 모델을 이용하여, 상기 개인화된 분류 정보로부터 추천 애플리케이션 및 추천 제어 동작을 제공하는 방법; 을 포함하며, 상기 제1 임베딩 벡터는, 상기 제1 해시태그에 대응되는 제1 해시태그 벡터와 상기 제1 콘텐츠에 대응되는 제1 콘텐츠 벡터를 포함하는, 방법.
2. 제1 항에 있어서, 상기 개인화된 분류 정보를 생성하는 단계는, 상기 제1 해시태그 벡터와 상기 제1 중심점 벡터에 포함된 콘텐츠 벡터를 연산하여 제2 임베딩 벡터를 생성하는 단계; 및 상기 제2 임베딩 벡터를 디코딩하여, 상기 개인화된 분류 정보를 생성하는 단계; 를 포함하는 것을 특징으로 하는, 방법.
3. 제1 항 또는 제2 항 중 어느 한 항에 있어서, 상기 제1 콘텐츠 벡터는, 상기 제1 콘텐츠에 대한 정보 및 상기 제1 콘텐츠의 사용에 대한 정보를 포함하는 것을 특징으로 하는, 방법.
4. 제1 항 내지 제3 항 중 어느 한 항에 있어서, 제3 임베딩 벡터를 생성하되, 상기 제3 임베딩 벡터는 상기 제1 클러스터에 포함되는, 단계; 상기 제3 임베딩 벡터에 기초하여 상기 제1 클러스터의 중심점에 대응되는 상기 제1 중심점 벡터를 업데이트하는 단계; 및 상기 업데이트된 제1 중심점 벡터에 기초하여, 상기 제1 해시태그에 대응되는 개인화된 분류 정보를 업데이트하는 단계; 를 포함하는 것을 특징으로 하는, 방법.
5. 제1 항 내지 제4 항 중 어느 한 항에 있어서, 상기 추천 애플리케이션 및 추천 제어 동작을 제공하는 단계는, 상기 개인화된 분류 정보 및 후보 제어 동작 간에 유사도에 기초하여, 상기 추천 제어 동작을 획득하는 단계; 및 상기 추천 제어 동작에 대응되는 적어도 하나의 후보 애플리케이션과 상기 개인화된 분류 정보 간에 유사도에 기초하여, 상기 추천 애플리케이션을 획득하는 단계; 를 포함하는 것을 특징으로 하는, 방법.
6. 제5 항에 있어서, 상기 적어도 하나의 후보 애플리케이션은 애플리케이션-제어 동작 테이블을 이용하여 상기 후보 제어 동작에 기초하여 결정되는 것을 특징으로 하는, 방법.
7. 제1 항 내지 제6 항 중 어느 한 항에 있어서, 상기 신경망 모델은, 복수의 콘텐츠에 대응되는 복수의 분류 정보 및 상기 복수의 분류 정보에 대응되는 제어 동작 이력 정보에 기초하여 학습되는 것을 특징으로 하는, 방법.
8. 제1 항 내지 제7 항 중 어느 한 항에 있어서, 상기 신경망 모델은, 상기 추천 애플리케이션 및 상기 추천 제어 동작에 대한 피드백 정보에 기초하여 업데이트 되는 것을 특징으로 하는, 방법.
9. 제1 항 내지 제8 항 중 어느 한 항에 있어서, 상기 추천 애플리케이션 및 추천 제어 동작을 제공하는 단계는, 상기 추천 애플리케이션이 상기 전자 장치 내에 설치된 경우, 상기 추천 애플리케이션에 대한 실행 관련 인터페이스를 제공하는 단계; 및 상기 추천 애플리케이션이 상기 전자 장치 내에 설치되지 않은 경우, 상기 추천 애플리케이션에 대한 설치 관련 인터페이스를 제공하는 단계; 를 포함하는 것을 특징으로 하는, 방법.
10. 제1 항 내지 제9 항 중 어느 한 항에 있어서, 상기 신경망 모델은, GNN (Graph Neural Network) 모델인 것을 특징으로 하는, 방법.
11. 제어 동작을 추천하기 위한 전자 장치(100)에 있어서, 적어도 하나의 인스트럭션을 저장하는 메모리 (1010); 및 상기 메모리에 저장된 상기 적어도 하나의 인스트럭션을 실행하는 적어도 하나의 프로세서 (1020)를 포함하고, 상기 적어도 하나의 프로세서 (1020)는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 제1 콘텐츠에 대응되는 제1 해시태그를 추출하고, 상기 제1 해시태그 및 상기 제1 콘텐츠에 기초하여, 상기 제1 해시태그에 대응되는 제1 임베딩 벡터를 생성하고, 복수의 클러스터들 중에서 상기 제1 임베딩 벡터에 대응되는 제1 클러스터를 결정하고, 상기 제1 임베딩 벡터 및 상기 제1 클러스터의 중심점에 대응되는 제1 중심점 벡터에 기초하여, 상기 제1 해시태그에 대응되는 개인화된 분류 정보를 생성하며, 신경망 모델을 이용하여, 상기 개인화된 분류 정보로부터 추천 애플리케이션 및 추천 제어 동작을 제공하되, 상기 제1 임베딩 벡터는, 상기 제1 해시태그에 대응되는 제1 해시태그 벡터와 상기 제1 콘텐츠에 대응되는 제1 콘텐츠 벡터를 포함하는, 전자 장치.
12. 제11 항에 있어서, 상기 적어도 하나의 프로세서 (1020)는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 제1 해시태그 벡터와 상기 제1 중심점 벡터에 포함된 콘텐츠 벡터를 결합하여 제2 임베딩 벡터를 생성하고, 상기 제2 임베딩 벡터를 디코딩하여, 상기 개인화된 분류 정보를 생성하는, 전자 장치.
13. 제11 항 또는 제12 항 중 어느 한 항에 있어서, 상기 제1 콘텐츠 벡터는, 상기 제1 콘텐츠에 대한 정보 및 상기 제1 콘텐츠의 사용에 대한 정보를 포함하는 것을 특징으로 하는, 전자 장치.
14. 제11 항 내지 제13 항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서 (1020)는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 제3 임베딩 벡터를 생성하되, 상기 제3 임베딩 벡터는 상기 제1 클러스터에 포함되며, 상기 제3 임베딩 벡터에 기초하여, 상기 제1 클러스터의 중심점에 대응되는 상기 제1 중심점 벡터를 업데이트하고, 상기 업데이트된 제1 중심점 벡터에 기초하여, 상기 제1 해시태그에 대응되는 개인화된 분류 정보를 업데이트하는, 전자 장치.
15. 제11 항 내지 제14 항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서 (1020)는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 개인화된 분류 정보 및 후보 제어 동작 간에 유사도에 기초하여, 상기 추천 제어 동작을 획득하며, 상기 추천 제어 동작에 대응되는 적어도 하나의 후보 애플리케이션과 상기 개인화된 분류 정보 간에 유사도에 기초하여, 상기 추천 애플리케이션을 획득하는, 전자 장치.
16. 제15 항에 있어서, 상기 적어도 하나의 후보 애플리케이션은 애플리케이션-제어 동작 테이블을 이용하여 상기 후보 제어 동작에 기초하여 결정되는 것을 특징으로 하는, 전자 장치.
17. 제11 항 내지 제16 항 중 어느 한 항에 있어서, 상기 신경망 모델은, 복수의 콘텐츠에 대응되는 복수의 분류 정보 및 상기 복수의 분류 정보에 대응되는 제어 동작 이력 정보에 기초하여 학습되는 것을 특징으로 하는, 전자 장치.
18. 제11 항 내지 제17 항 중 어느 한 항에 있어서, 상기 신경망 모델은, 상기 추천 애플리케이션 및 상기 추천 제어 동작에 대한 피드백 정보에 기초하여 업데이트 되는 것을 특징으로 하는, 전자 장치.
19. 제11 항 내지 제18 항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서 (1020)는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 추천 애플리케이션이 상기 전자 장치 내에 설치된 경우, 상기 추천 애플리케이션에 대한 실행 관련 인터페이스를 제공하며, 상기 추천 애플리케이션이 상기 전자 장치 내에 설치되지 않은 경우, 상기 추천 애플리케이션에 대한 설치 관련 인터페이스를 제공하는, 전자 장치.
20. 제11 항 내지 제19 항 중 어느 한 항에 있어서, 상기 신경망 모델은, GNN (Graph Neural Network) 모델인 것을 특징으로 하는, 전자 장치.

Description

분류 정보를 이용한 제어 동작 추천 방법 및 이를 수행하기 위한 전자 장치 {method for recommending Control action using CLASSIFICATION information, and electronic device for performing the same} 본 개시는 분류 정보를 이용하여 제어 동작을 추천하는 방법 및 전자 장치에 관한 것이다. 보다 구체적으로는, 본 개시는 해시 태그 정보를 이용하여 개인화된 분류 정보를 생성하고, 신경망 모델을 통해 개인화된 분류 정보로부터 애플리케이션 및 제어 동작을 추천하는 방법 및 전자 장치에 관한 것이다. 기술의 발전과 함께 사용자들은 전자 장치들을 통해 여러 서비스에 대한 다양한 콘텐츠를 쉽게 접할 수 있게 되었다. 사용자들이 방대한 양의 콘텐츠에 노출됨에 따라 다양한 콘텐츠를 접할 수 있다는 장점이 존재하지만, 반대로 개별 서비스에 대해 사용자의 사용 이력이 충분하지 않은 이상, 사용자 별로 관심도를 반영하는 알맞은 콘텐츠를 제공받지 못하는 단점이 존재한다. 따라서, 사용자의 관심사에 맞는 콘텐츠를 선별하여 개인화된 경험을 제공해주는 방법들이 고안되고 있다. 사용자에게 개인화된 경험을 제공해주기 위한 방법 중 하나로 고정 키워드를 이용하여 콘텐츠의 관심사를 판단할 수 있다. 다만, 고정 키워드를 이용하는 경우에는, 사용자 별 구체성이 떨어질 수 있고, 관심사가 변화함에 따라 동적으로 이를 반영하기 어려우며, 같은 키워드라도 사용자 별로 차별점을 줄 수 없다는 한계점이 존재한다. 이에 따라 본원 발명은 사용자의 구체적인 관심사를 반영하고 변화되는 관심사를 동적으로 반영하고자 콘텐츠들로부터 개인화된 분류 정보를 생성하고, 이에 기초하여 전자 장치 내에 다양한 제어 동작을 추천하는 방법을 제공하고자 한다. 도 1은 일 실시예에 따른, 제어 동작을 추천하는 동작을 복수개의 모듈들로 표현한 도면이다. 도 2는 일 실시예에 따른 제어 동작 추천을 위해 개인화된 분류 정보를 생성하는 구체적인 동작을 나타내는 도면이다. 도 3은 일 실시예에 따른 개인화된 분류 정보에 기초하여 제어 동작을 추천하는 구체적인 동작을 나타내는 도면이다. 도 4는 일 실시예에 따른 제어 동작을 추천하는 동작을 설명하기 위한 흐름도이다. 도 5는 일 실시예에 따른 제어 동작 추천을 위해 개인화된 분류 정보를 생성하는 구체적인 흐름도이다. 도 6은 일 실시예에 따른 개인화된 분류 정보를 생성하기 위해 클러스터링을 수행하는 방법을 설명하기 위한 도면이다. 도 7은 일 실시예에 따른 제어 동작을 추천하기 위한 애플리케이션-제어 동작 테이블의 예시 도면이다. 도 8은 일 실시예에 따른 개인화된 분류 정보를 업데이트하는 동작을 설명하기 위한 흐름도이다. 도 9는 일 실시예에 따른 제어 동작 및 애플리케이션을 추천하는 방법을 설명하기 위한 흐름도이다. 도 10은 일 실시예에 따른 전자 장치의 개략적인 블록도이다. 이하, 본 개시의 실시예들은 첨부된 도면을 참조하여 상세히 설명한다. 본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 개시의 실시 형태에 대해 한정하려는 것이 아니며, 본 개시는 여러 실시예들의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다. 본 명세서의 실시예들에서 사용되는 용어는 본 개시의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 실시예의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다. 본 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어질 수 있다. 본 개시의 하나의 청구항 카테고리(claim category)에서(예를 들어, 방법 청구항에서) 언급된 다양한 특징(feature)들은 다른 청구항 카테고리에서도(예를 들어, 시스템 청구항에서도) 청구될 수 있다. 또한, 본 개시의 일 실시예는 첨부된 청구범위에 명시된 특징들의 조합뿐만 아니라 청구범위 내의 개별 특징들의 다양한 조합들 또한 포함될 수 있다. 본 개시의 범위는 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다. 또한, 본 개시에서 '~부(유닛)', '모듈' 등으로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 이러한 기능은 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 명세서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 개시 전체에서, 특별히 반대되는 기재가 없는 한 "또는(or)"은 포괄적(inclusive)이며 배타적(exclusive)이지 않다. 따라서, 명백히 달리 표시되거나 문맥상 달리 표시되지 않는 한, "A 또는 B"는 "A, B, 또는 둘 모두"를 나타낼 수 있다. 본 개시에서, "~중 적어도 하나" 또는 "하나 이상의 ~"라는 문구는, 열거된 항목들 중 하나 이상의 항목들의 서로 다른 조합이 사용될 수도 있고, 열거된 항목들 중 임의의 하나의 항목만이 필요한 경우를 의미할 수도 있다. 예를 들어, "A, B, 및 C 중 적어도 하나"는 다음의 조합들 중 임의의 것을 포함할 수 있다: A, B, C, A 및 B, A 및 C, B 및 C, 또는 A 및 B 및 C. 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다. 또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는