IT 산업에 대해서 Database 를 기준으로 정보의 Total 이 중요한 응용영역이 있지만, IT 산업에 대해서

특히 서비스 영역에서는 Database 로 정보를 Total 내는 체계를 관리하는 것이라기 보다는 SNS Media 성격이 강한 것이 있어서 게시글을 써봄.

SNS Media 에 대해서는 기본적으로는 해당하기에 교지체계를 이뤄내어야 함.

그래서 이러한 Media 는 User 를 중심으로 Contents 가 생산이 되는데 Interest Point 에 대해 Topic 과 Theme 그리고 Unit Contents 에 대해서

Total briefing, Subscription, Receive & Send Channel 형성이 중요하다고 볼 수 있음.

왜냐하면 User 에 대해서 Topic 과 Theme 에 대해서 SNS Media 로써 둘러보기로써의 기능이 있어야 하고,

User 가 특정 Topic 과 Theme 에 대해서 선호를 하는 것이 주기적으로 집중될 것이기 때문임.

그래서 중요한 것은 Backend 에 대해서 Tag 임.

특정 Theme 의 특정 Topic 에 대해서 특정 Contents 마다 Interest 에 대해서 Show results 가 다르기 때문이기도 하고,

적극적으로 이에 대해서 구독량을 늘리기 위해 분화를 시켜야할 필요도 있기 때문임.

그래서 이러한 Interest group 에 대한 Tag 에 대해서 Similarity 를 Graph 형태로 관련도를 측정을 하는 것이 필요로 함.

해외의 X(Twitter), Facebook, YouTube 등등에서 이미 주로 기본적인 형태는 추천 알고리즘으로 적용을 하고 있는 것으로 알고 있음.

그런데 각 User 의 Contents 에 대해서 이것이 영상이나 업로드 게시물 형태로 나와있는데,

이것을 어떻게 Tag 를 달아놓아야 하는지? 가 어려울 수 있지만 기본적으로 Backend 에서 처리하는 방법은 있음.

Server 단에서 관리자가 영상이나 업로드 게시물에 대해서 Interest group 의 Tag 를 달아놓는 자세가 일단은 필요로 됨.

언어적으로 많은 게시물에 대해서는,

그것을 인간의 언어적인 기능에 대해서 고려해볼 때 무엇이 어떠하다. 라는 것이 되는데 이에 대해서 분할하면

어떠한 무엇이, 어떻게 어떠하다. 라는 것으로 분할이 되고 이것은,

ChatGPT 의 대화내역 제목이 Auto 로 달리는 것처럼 어떠한 무엇의 어떠함.. 으로 정리가 될 수가 있음.

이것은 발화의 행위 등등에 대한 Topic 이 어떠한 무엇의 어떠함.. 이 되는 것이 영상 등을 포함해서,

인간의 행위에 대해서 업로드가 되는 것은 대부분 그것이 됨.

그래서 이것을 기준으로 기대유관성이 Interest group 의 Tag 에 대해서 Tag 를 늘어놓아볼 때 단정적으로 Mapping 을 할 수가 있음.

그렇다면 SNS Media 에 대해서는,

그러한 Tag group 에 대한 관심빈도에 맞춰서 Total briefing, Subscription, Receive & Send Channel 을 형성할 수 있음.

그런데 SNS Media 에 대해서는 Database 가 쌓일수록 거시적인 영역에서는 Group 에 대해서 유사한 게시물이 많이 올라오기 때문에,

초반의 노력이 쌓인다면 Interest group 의 Tag 에 대응하는 어떠한 무엇의 어떠함.. 에 해당되는 Keyword 등은

Backend 로 실시간 Database 를 구축할 수가 있다고 봄.

대부분의 폭증하는 정보에 대해서는 어떠한 무엇의 어떠함.. 에 대해서 Keyword 등등이 유사할 수 밖에 없고 Trend 등에 대해서도,

반복되는 그러한 Keyword 가 많이 빈도가 겹치기 때문에 SNS Media 의 소식에 대해서 발화 등등의 Keyword map 이 있으면 빠른 처리가 가능할 것..

abcd3421