JP2021039712A - User customization type commodity recommendation device through artificial intelligence-based machine learning - Google Patents
User customization type commodity recommendation device through artificial intelligence-based machine learning Download PDFInfo
- Publication number
- JP2021039712A JP2021039712A JP2019228473A JP2019228473A JP2021039712A JP 2021039712 A JP2021039712 A JP 2021039712A JP 2019228473 A JP2019228473 A JP 2019228473A JP 2019228473 A JP2019228473 A JP 2019228473A JP 2021039712 A JP2021039712 A JP 2021039712A
- Authority
- JP
- Japan
- Prior art keywords
- vector
- product
- customer
- products
- personal information
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 208
- 238000006243 chemical reaction Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000004913 activation Effects 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 2
- 235000015220 hamburgers Nutrition 0.000 description 25
- 238000000034 method Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
Description
本発明は、人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置に関する。 The present invention relates to a user-customized product recommendation device through artificial intelligence-based machine learning.
最近、電子商取引と関連した様々な技術が登場することにより、ユーザの便宜を図るための電子商取引サービスが注目されている。 Recently, with the advent of various technologies related to electronic commerce, electronic commerce services for the convenience of users are attracting attention.
特に、スマートフォンやタブレットＰＣのようなインターネットに連結可能な携帯機器が登場するにつれて、携帯機器を用いた電子商取引関連のサービスが活発に普及されており、これはオンライン上で商品を購入し販売する場所であるオンラインショッピングモールから容易に確認することができる。 In particular, with the advent of mobile devices that can be connected to the Internet, such as smartphones and tablet PCs, services related to electronic commerce using mobile devices are becoming more and more popular, and they purchase and sell products online. It can be easily confirmed from the online shopping mall, which is the location.
最近では、自家用車を利用する場合が増加するにつれて、運転者が車両から降りず売り場に進入して自身が所望する商品を車両内で直ちに購入できるようにするサービスである「ドライブスルー」というカー・コマース（Ｃｏｍｍｅｒｃｅ）サービスが注目されている。 Recently, as the number of people using private cars has increased, a car called "drive-through" is a service that allows drivers to enter the sales floor without getting out of the vehicle and immediately purchase the products they want in the vehicle. -Commerce services are attracting attention.
一方、人々は最小時間を投資して最大効率の情報を得ようとするため、オンラインであれオフラインであれ、満足度の大きい商品を選別して顧客に推薦できるようにする技法に対する要求が増加している。
このため、顧客に商品を推薦するにおいて、様々な推薦アルゴリズム技術を活用しようとする動きが生じている。
On the other hand, as people invest the least amount of time to get the most efficient information, there is an increasing demand for techniques that allow them to select the most satisfying products and recommend them to their customers, whether online or offline. ing.
For this reason, there is a movement to utilize various recommendation algorithm technologies in recommending products to customers.
しかし、過去の推薦アルゴリズムである協調フィルタリング（Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ）技法は、新しいパターンに対する推薦が難しいという短所があり、過去の推薦アルゴリズムであるコンテンツベースフィルタリング（Ｃｏｎｔｅｎｔｓ Ｂａｓｅｄ Ｆｉｌｔｅｒｉｎｇ）技法は、推薦される商品の多様性が落ちるという短所があるため、過去の推薦アルゴリズムを複雑で精巧な商品に適用するには多少困難がある。 However, the collaborative filtering technique, which is a past recommendation algorithm, has a disadvantage that it is difficult to recommend a new pattern, and the content-based filtering technique, which is a past recommendation algorithm, is a recommended product. Due to the disadvantage of reduced diversity, it is somewhat difficult to apply past recommendation algorithms to complex and sophisticated products.
このため、最近、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）技術を利用して顧客に好適な商品を顧客に合わせて推薦する技術に対する研究が注目されている。 For this reason, recently, research on a technique for recommending a product suitable for a customer according to the customer by using a deep learning technique has attracted attention.
通常、ディープラーニング技術は、人工知能技術のうちの一つであって、コンピュータがデータ蓄積を通じて人間の学習能力を持つようにすることができる。このようなディープラーニング技術が合わさった新しい推薦アルゴリズムを商品に適用すれば、人々の個人情報および商品に対する購買履歴などのデータを蓄積することによって、正確度の高い分析が可能となって、個人別のカスタマイズ型商品を推薦できるようになる。 Deep learning technology is usually one of the artificial intelligence technologies that can enable a computer to have human learning ability through data storage. If a new recommendation algorithm that combines such deep learning technology is applied to products, it will be possible to perform highly accurate analysis by accumulating data such as people's personal information and purchase history for products, and individualized. You will be able to recommend customized products.
したがって、ディープラーニング技術が合わさった新しい推薦アルゴリズムを商品に適用して個人別のカスタマイズ型商品を推薦できるようにする技法に対する研究が必要である。 Therefore, there is a need for research on techniques that apply a new recommendation algorithm combined with deep learning technology to products so that personalized customized products can be recommended.
本発明に係るユーザカスタマイズ型商品推薦装置は、複数の個人情報変換値を成分として有する個人情報ベクトルに重み行列を乗じて演算ベクトルを生成し、前記演算ベクトルと複数の商品の各々に対する商品ベクトルとの間の内積を演算することによって、前記複数の商品の各々に対応する内積値を生成し、活性化関数に基づいて前記複数の商品の各々に対する内積値を変換して前記複数の商品の各々に対する出力値を生成した後、前記複数の商品の各々に対する出力値と前記複数の商品の各々に対する購買結果値を基に損失関数に基づいた損失値を演算し、前記損失値が最小になるように前記重み行列を決定するための機械学習を実行することによって、顧客別にカスタマイズ型商品を推薦できるように支援しようとする。 The user-customized product recommendation device according to the present invention generates an operation vector by multiplying a personal information vector having a plurality of personal information conversion values as components by a weight matrix, and obtains the operation vector and a product vector for each of the plurality of products. By calculating the inner product between the two products, the inner product value corresponding to each of the plurality of products is generated, and the inner product value for each of the plurality of products is converted based on the activation function to convert each of the plurality of products. After generating the output value for each of the plurality of products, the loss value based on the loss function is calculated based on the output value for each of the plurality of products and the purchase result value for each of the plurality of products so that the loss value is minimized. By executing machine learning to determine the weight matrix, it is attempted to support the recommendation of customized products for each customer.
本発明の一実施形態による人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置は、顧客から予め収集したＮ（Ｎは３以上の自然数）個の個人情報とＭ（ＭはＮより小さい２以上の自然数）個の商品の各々に対する前記顧客の購買履歴と関連した購買結果値（前記Ｍ個の商品の各々に対する購買結果値は、各商品に対して購買履歴がある場合には「１」に、購買履歴がない場合には「０」に設定されている）が格納されている訓練データ格納部、各個人情報に対応するものとして予め指定された数値が記録されている既に設定された（ｐｒｅｄｅｔｅｒｍｉｎｅｄ）数値変換テーブルに基づいて前記Ｎ個の個人情報をＮ個の個人情報変換値に変換する変換部、前記Ｍ個の商品の各々に対する予め定められた互いに異なるＭ次元の商品ベクトルが格納されている商品ベクトル格納部、前記Ｎ個の個人情報変換値を成分として有する個人情報ベクトルに第１重み行列を乗じてＭ次元の演算ベクトルを生成する演算ベクトル生成部、前記Ｍ次元の演算ベクトルと前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルとの間の内積を演算することによって、前記Ｍ個の商品の各々に対応する内積値を生成する内積演算部、既に設定された活性化関数（Ａｃｔｉｖａｔｉｏｎ Ｆｕｎｃｔｉｏｎ）に基づいて前記Ｍ個の商品の各々に対する内積値を「０」と「１」との間の値に変換して前記Ｍ個の商品の各々に対する出力値を生成する出力値生成部、および前記Ｍ個の商品の各々に対する出力値と前記Ｍ個の商品の各々に対する購買結果値を基に既に設定された損失関数（Ｌｏｓｓ Ｆｕｎｃｔｉｏｎ）に基づいた損失値を演算し、前記損失値が最小になるように前記第１重み行列を決定するための機械学習を実行する学習実行部を含む。 The user-customized product recommendation device through artificial intelligence-based machine learning according to one embodiment of the present invention has N (N is a natural number of 3 or more) personal information and M (M is smaller than N 2) collected in advance from the customer. The purchase result value related to the purchase history of the customer for each of the above natural numbers) (the purchase result value for each of the M products is "1" when there is a purchase history for each product. In the training data storage unit that stores (set to "0" when there is no purchase history), the numerical value specified in advance as corresponding to each personal information is already set. (Predetermined) A conversion unit that converts the N personal information into N personal information conversion values based on a numerical conversion table, and stores predetermined M-dimensional product vectors that are different from each other for each of the M products. Product vector storage unit, an operation vector generation unit that generates an M-dimensional operation vector by multiplying the personal information vector having the N personal information conversion values as components by a first weight matrix, and the M-dimensional operation vector. An inner product calculation unit that generates an inner product value corresponding to each of the M products by calculating the inner product between the product and the M-dimensional product vector for each of the M products, the activation already set. An output value that converts the internal product value for each of the M products to a value between "0" and "1" based on a function (Activation Function) to generate an output value for each of the M products. The loss value is calculated based on the loss function (Loss Function) already set based on the output value for each of the generation unit and the M products and the purchase result value for each of the M products, and the loss is calculated. A learning execution unit that executes machine learning for determining the first weight matrix so that the value is minimized is included.
本発明に係るユーザカスタマイズ型商品推薦装置は、複数の個人情報変換値を成分として有する個人情報ベクトルに重み行列を乗じて演算ベクトルを生成し、前記演算ベクトルと複数の商品の各々に対する商品ベクトルとの間の内積を演算することによって、前記複数の商品の各々に対応する内積値を生成し、活性化関数に基づいて前記複数の商品の各々に対する内積値を変換して前記複数の商品の各々に対する出力値を生成した後、前記複数の商品の各々に対する出力値と前記複数の商品の各々に対する購買結果値を基に損失関数に基づいた損失値を演算し、前記損失値が最小になるように前記重み行列を決定するための機械学習を実行することによって、顧客別にカスタマイズ型商品を推薦できるように支援することができる。 The user-customized product recommendation device according to the present invention generates an operation vector by multiplying a personal information vector having a plurality of personal information conversion values as components by a weight matrix, and obtains the operation vector and a product vector for each of the plurality of products. By calculating the inner product between the two products, the inner product value corresponding to each of the plurality of products is generated, and the inner product value for each of the plurality of products is converted based on the activation function to convert each of the plurality of products. After generating the output value for each of the plurality of products, the loss value based on the loss function is calculated based on the output value for each of the plurality of products and the purchase result value for each of the plurality of products so that the loss value is minimized. By executing machine learning to determine the weight matrix, it is possible to support the recommendation of customized products for each customer.
以下では、本発明に係る実施形態を添付された図面を参照して詳しく説明する。このような説明は本発明を特定の実施形態に対して限定しようとするものではなく、本発明の思想および技術範囲に含まれる全ての変更、均等物乃至代替物を含む。各図面を説明する際に類似した参照符号は類似した構成要素に付することにし、特に定義しない限り、技術的または科学的な用語を含めて本明細書上で用いられる全ての用語は本発明が属する技術分野における通常の知識を有した者によって一般的に理解されるものと同様の意味を有する。 Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. Such description is not intended to limit the invention to any particular embodiment, but includes all modifications, equivalents or alternatives contained within the ideas and technical scope of the invention. Similar reference numerals will be attached to similar components in the description of each drawing, and unless otherwise defined, all terms used herein, including technical or scientific terms, are the present invention. It has the same meaning as what is generally understood by those with ordinary knowledge in the technical field to which it belongs.
本文書において、ある部分がある構成要素を「含む」とする時、これは、特に反する記載がない限り、他の構成要素を除くものではなく、他の構成要素をさらに含んでもよいことを意味する。また、本発明の様々な実施形態において、各構成要素、機能ブロックまたは手段は一つまたはそれ以上の下部構成要素で構成されてもよく、各構成要素が実行する電気、電子、機械的な機能は電子回路、集積回路、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）などのような公知の様々な素子または機械的要素で実現されてもよく、各々個別に実現されるかまたは２以上が一つに統合されて実現されてもよい。 In this document, when a part "contains" a component, this does not exclude other components unless otherwise specified, and means that other components may be further included. To do. Also, in various embodiments of the invention, each component, functional block or means may be composed of one or more subcomponents, the electrical, electronic and mechanical functions performed by each component. May be realized by various known elements or mechanical elements such as electronic circuits, integrated circuits, ASICs (Application Specific Integrated Circuits), etc., each of which is individually realized or two or more integrated into one. May be realized.
一方、添付されたブロック図のブロックやフローチャートのステップは、汎用コンピュータ、特殊用コンピュータ、携帯用ノートブックコンピュータ、ネットワークコンピュータなど、データプロセッシング可能な装置のプロセッサやメモリに搭載され、指定された機能を実行するコンピュータプログラム命令（ｉｎｓｔｒｕｃｔｉｏｎｓ）を意味するものとして解釈できる。これらのコンピュータプログラム命令はコンピュータ装置に備えられたメモリまたはコンピュータ読み取り可能なメモリに格納できるため、ブロック図のブロックまたはフローチャートのステップで説明された機能はそれを実行する命令手段を含む製造物に生産されてもよい。さらに、各ブロックまたは各ステップは、特定の論理的機能を実行するための一つ以上の実行可能な命令を含むモジュール、セグメントまたはコードの一部を表すことができる。また、幾つかの代替可能な実施形態においては、ブロックまたはステップで言及された機能が定められた順序とは異なるように実行できるということを注目しなければならない。例えば、次いで図示された二つのブロックまたはステップは、実質的に同時に実行されてもよく、または逆順に実行されてもよく、場合によっては、一部のブロックまたはステップが省略された状態で実行されてもよい。 On the other hand, the blocks of the attached block diagram and the steps of the flowchart are installed in the processor and memory of a device capable of data processing such as a general-purpose computer, a special computer, a portable notebook computer, and a network computer, and perform specified functions. It can be interpreted as meaning computer program instructions to be executed. Since these computer program instructions can be stored in the memory provided in the computer equipment or in the computer readable memory, the functions described in the blocks of the block diagram or the steps of the flowchart are produced in the product including the instruction means to execute it. May be done. In addition, each block or step can represent part of a module, segment or code that contains one or more executable instructions to perform a particular logical function. It should also be noted that in some alternative embodiments, the functions mentioned in the blocks or steps can be performed out of a defined order. For example, the two blocks or steps shown below may be executed substantially simultaneously or in reverse order, and in some cases may be executed with some blocks or steps omitted. You may.
図１は、本発明の一実施形態による人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置の構造を示す図である。 FIG. 1 is a diagram showing a structure of a user-customized product recommendation device through artificial intelligence-based machine learning according to an embodiment of the present invention.
図１を参照すれば、本発明に係る人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置１１０は、訓練データ格納部１１１、変換部１１２、商品ベクトル格納部１１３、演算ベクトル生成部１１４、内積演算部１１５、出力値生成部１１６および学習実行部１１７を含む。
Referring to FIG. 1, the user-customized
訓練データ格納部１１１には、顧客から予め収集したＮ（Ｎは３以上の自然数）個の個人情報とＭ（ＭはＮより小さい２以上の自然数）個の商品の各々に対する前記顧客の購買履歴と関連した購買結果値が格納されている。
ここで、前記Ｍ個の商品の各々に対する購買結果値は、各商品に対して購買履歴がある場合には「１」に、購買履歴がない場合には「０」に設定されている。
The training
Here, the purchase result value for each of the M products is set to "1" when there is a purchase history for each product, and to "0" when there is no purchase history.
これと関連し、訓練データ格納部１１１には、以下の表１のような情報が格納されている。
In connection with this, the training
変換部１１２は、各個人情報に対応するものとして予め指定された数値が記録されている既に設定された（ｐｒｅｄｅｔｅｒｍｉｎｅｄ）数値変換テーブルに基づいて、前記Ｎ個の個人情報をＮ個の個人情報変換値に変換する。
The
この時、前記既に設定された数値変換テーブルは、以下の表２のように構成されている。 At this time, the numerical conversion table already set is configured as shown in Table 2 below.
例えば、前述した例示のように、「Ｎ＝４」とし、前記４個の個人情報を「男性、２０代、釜山、アバンテ」に仮定する場合、変換部１１２は、表２のような前記既に設定された数値変換テーブルに基づいて、表１のような前記４個の個人情報である「男性、２０代、釜山、アバンテ」を４個の個人情報変換値である「１、２、６、１」に変換することができる。
For example, as in the above-mentioned example, when "N = 4" is set and the four personal information are assumed to be "male, 20s, Busan, Avante", the
商品ベクトル格納部１１３には、前記Ｍ個の商品の各々に対する予め定められた互いに異なるＭ次元の商品ベクトルが格納されている。
例えば、商品ベクトル格納部１１３には、以下の表３のような情報が格納されている。
The product
For example, the product
演算ベクトル生成部１１４は、前記Ｎ個の個人情報変換値を成分として有する個人情報ベクトルに第１重み行列を乗じてＭ次元の演算ベクトルを生成する。
The calculation
内積演算部１１５は、前記Ｍ次元の演算ベクトルと前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルとの間の内積を演算することによって、前記Ｍ個の商品の各々に対応する内積値を生成する。
The inner
例えば、前述した例示のように、「Ｎ＝４」とし、前記４個の個人情報変換値を「１、２、６、１」とし、「Ｍ＝３」とし、前記３個の商品を「補助バッテリー、ハンバーガー、洋酒」に仮定する。この時、演算ベクトル生成部１１４は、前記４個の個人情報変換値「１、２、６、１」を成分として有する個人情報ベクトルに４×３の大きさの第１重み行列を乗じて３次元の演算ベクトルを生成することができる。
For example, as in the above-mentioned example, "N = 4", the four personal information conversion values are "1, 2, 6, 1", "M = 3", and the three products are "1". Auxiliary battery, hamburger, liquor ". At this time, the calculation
そして、内積演算部１１５は、前記３次元の演算ベクトルと表３のような前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する３次元の商品ベクトルである「［３ ６ ０］」、「［２ ３ ０］」、「［２ ３ ２］」の間の内積を演算することによって、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対応する内積値を生成することができる。
Then, the inner
出力値生成部１１６は、既に設定された活性化関数（Ａｃｔｉｖａｔｉｏｎ Ｆｕｎｃｔｉｏｎ）に基づいて、前記Ｍ個の商品の各々に対する内積値を「０」と「１」との間の値に変換して、前記Ｍ個の商品の各々に対する出力値を生成する。
The output
ここで、前記既に設定された活性化関数としてシグモイド関数（Ｓｉｇｍｏｉｄ Ｆｕｎｃｔｉｏｎ）が利用できる。
この時、出力値生成部１１６は、以下の数学式１により、前記Ｍ個の商品の各々に対する内積値を「０」と「１」との間の値に変換することができる。
Here, a sigmoid function can be used as the activation function already set.
At this time, the output
前記数学式１において、ｘｉは前記Ｍ個の商品のうちｉ番目の商品に対する内積値、Ｓｉは前記シグモイド関数に基づいて前記Ｍ個の商品のうちｉ番目の商品に対する内積値を「０」と「１」との間の値に変換した値を意味する。 In the mathematical formula 1, x i is the internal product value for the i-th product among the M products, and S i is the internal product value for the i-th product among the M products based on the sigmoid function. It means a value converted into a value between "" and "1".
例えば、前述した例示のように、「Ｍ＝３」とし、前記３個の商品を「補助バッテリー、ハンバーガー、洋酒」に仮定する。この時、出力値生成部１１６は、前記数学式１により、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する内積値を「０」と「１」との間の値に変換して、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する出力値を生成することができる。
For example, as in the above-mentioned example, it is assumed that "M = 3" and the three products are "auxiliary battery, hamburger, and Western liquor". At this time, the output
学習実行部１１７は、前記Ｍ個の商品の各々に対する出力値と前記Ｍ個の商品の各々に対する購買結果値を基に既に設定された損失関数（Ｌｏｓｓ Ｆｕｎｃｔｉｏｎ）に基づいた損失値を演算し、前記損失値が最小になるように前記第１重み行列を決定するための機械学習を実行する。
The learning
例えば、前述した例示のように、「Ｍ＝３」とし、前記３個の商品を「補助バッテリー、ハンバーガー、洋酒」に仮定する。この時、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する出力値がユーザカスタマイズ型商品推薦装置１１０により生成されれば、学習実行部１１７は、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する出力値と表１のような前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する購買結果値「１」、「１」、「０」を基に前記既に設定された損失関数に基づいた損失値を演算し、前記損失値が最小になるように前記第１重み行列を決定するための機械学習を実行することができる。
For example, as in the above-mentioned example, it is assumed that "M = 3" and the three products are "auxiliary battery, hamburger, and Western liquor". At this time, if the output values for each of the three products "auxiliary battery, hamburger, and Western liquor" are generated by the user-customized
この時、本発明の一実施形態によれば、学習実行部１１７は、前記損失値を基に逆伝搬（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）処理を行うことによって、前記第１重み行列を決定するための機械学習を実行することができる。そして、学習実行部１１７は、以下の数学式２の演算により、前記損失値を演算することができる。
At this time, according to one embodiment of the present invention, the learning
ここで、Ｌは前記損失値、Ｍは前記商品の総個数、ｔｋは前記商品のうちｋ番目の商品に対する購買結果値、ｙｋは前記商品のうちｋ番目の商品に対する出力値を意味する。 Here, L is the loss value, M is the total number of the product, t k purchasing result value for the k-th item of said product, is y k means the output value for the k-th item of said product ..
この時、本発明の一実施形態によれば、ユーザカスタマイズ型商品推薦装置１１０は、今まで説明した機械学習過程を多数の顧客から収集したデータを用いてさらに実行することによって、前記第１重み行列を精密に決定することができる。
At this time, according to one embodiment of the present invention, the user-customized
本発明の一実施形態によれば、ユーザカスタマイズ型商品推薦装置１１０は、推薦用個人情報変換部１１８、抽出部１１９、推薦用演算ベクトル生成部１２０、推薦用内積演算部１２１、推薦用出力値生成部１２２および推薦商品伝送部１２３をさらに含むことができる。
According to one embodiment of the present invention, the user-customized
推薦用個人情報変換部１１８は、前記第１重み行列を決定するための機械学習が完了した後、第１顧客の顧客端末１３０から前記第１顧客に対するＮ個の第１個人情報が受信され、前記Ｍ個の商品に対する前記第１顧客の商品推薦要請が受信されれば、前記既に設定された数値変換テーブルに基づいて、前記Ｎ個の第１個人情報をＮ個の第１個人情報変換値に変換する。
After the machine learning for determining the first weight matrix is completed, the recommendation personal
抽出部１１９は、前記Ｎ個の第１個人情報が前記Ｎ個の第１個人情報変換値に変換されれば、商品ベクトル格納部１１３から前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルを抽出する。
When the N first personal information is converted into the N first personal information conversion values, the
例えば、前述した例示のように、「Ｎ＝４」とし、前記第１顧客に対する４個の第１個人情報を「女性、３０代、光州、ベンツ」とし、「Ｍ＝３」とし、前記３個の商品を「補助バッテリー、ハンバーガー、洋酒」に仮定する。前記第１重み行列を決定するための機械学習が完了した後、第１顧客の顧客端末１３０からユーザカスタマイズ型商品推薦装置１１０に前記第１顧客に対する前記４個の第１個人情報「女性、３０代、光州、ベンツ」が受信され、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」に対する前記第１顧客の商品推薦要請が受信されれば、推薦用個人情報変換部１１８は、表２のような前記既に設定された数値変換テーブルに基づいて、前記４個の第１個人情報「女性、３０代、光州、ベンツ」を４個の第１個人情報変換値「２、３、７、７」に変換することができる。
For example, as in the above-mentioned example, "N = 4" is set, the four first personal information for the first customer is set to "female, 30s, Gwangju, Benz", and "M = 3", and the above 3 Assume each product as "auxiliary battery, hamburger, liquor". After the machine learning for determining the first weight matrix is completed, the four first personal information "female, 30" for the first customer is sent from the
この時、前記４個の第１個人情報「女性、３０代、光州、ベンツ」が前記４個の第１個人情報変換値「２、３、７、７」に変換されれば、抽出部１１９は、表３のような商品ベクトル格納部１１３から前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する３次元の商品ベクトル「［３ ６ ０］」、「［２ ３ ０］」、「［２ ３ ２］」を抽出することができる。
At this time, if the four first personal information "female, thirties, Gwangju, Benz" are converted into the four first personal information conversion values "2, 3, 7, 7", the
推薦用演算ベクトル生成部１２０は、前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルが抽出されれば、前記Ｎ個の第１個人情報変換値を成分として有する個人情報ベクトルに機械学習が完了した前記第１重み行列を乗じてＭ次元の第１演算ベクトルを生成する。
If the M-dimensional product vector for each of the M products is extracted, the recommendation calculation
推薦用内積演算部１２１は、前記Ｍ次元の第１演算ベクトルと前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルとの間の内積を演算することによって、前記Ｍ個の商品の各々に対応する推薦用内積値を生成する。
The recommendation inner
推薦用出力値生成部１２２は、前記既に設定された活性化関数に基づいて、前記Ｍ個の商品の各々に対する推薦用内積値を「０」と「１」との間の値に変換して、前記Ｍ個の商品の各々に対する推薦用出力値を生成する。
The recommendation output
例えば、前述した例示のように、「Ｎ＝４」とし、前記４個の第１個人情報変換値を「２、３、７、７」とし、「Ｍ＝３」とし、前記３個の商品を「補助バッテリー、ハンバーガー、洋酒」に仮定する。この時、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する３次元の商品ベクトル「［３ ６ ０］」、「［２ ３ ０］」、「［２ ３ ２］」がユーザカスタマイズ型商品推薦装置１１０により抽出されれば、推薦用演算ベクトル生成部１２０は、前記４個の第１個人情報変換値「２、３、７、７」を成分として有する個人情報ベクトルに機械学習が完了した前記第１重み行列を乗じて３次元の第１演算ベクトルを生成することができる。
For example, as in the above-mentioned example, "N = 4", the four first personal information conversion values are "2, 3, 7, 7", "M = 3", and the above three products. Is assumed to be "auxiliary battery, hamburger, liquor". At this time, the three-dimensional product vectors "[360]", "[2 3 0]", and "[2 3 2]" for each of the three products "auxiliary battery, hamburger, and Western liquor" are customized by the user. If extracted by the type
そして、推薦用内積演算部１２１は、前記３次元の第１演算ベクトルと前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する３次元の商品ベクトル「［３ ６ ０］」、「［２ ３ ０］」、「［２ ３ ２］」との間の内積を演算することによって、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対応する推薦用内積値を生成することができる。
Then, the recommendation inner
その後、推薦用出力値生成部１２２は、前記数学式１により、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する推薦用内積値を「０」と「１」との間の値に変換して、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する推薦用出力値を生成することができる。
After that, the recommendation output
推薦商品伝送部１２３は、前記Ｍ個の商品の各々に対する推薦用出力値が生成されれば、前記Ｍ個の商品の各々に対する推薦用出力値を既に設定された基準値である「０．５」とそれぞれ比較して、前記Ｍ個の商品のうち前記既に設定された基準値「０．５」以上の推薦用出力値を保有した少なくとも一つの商品を前記第１顧客に対する推薦商品に選択して第１顧客の顧客端末１３０に伝送する。
If the recommended output value for each of the M products is generated, the recommended
例えば、前述した例示のように、「Ｍ＝３」とし、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する推薦用出力値である「０．０５」、「０．２５」、「０．７５」がユーザカスタマイズ型商品推薦装置１１０により生成されたと仮定する場合、推薦商品伝送部１２３は、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」の各々に対する推薦用出力値「０．０５」、「０．２５」、「０．７５」を前記既に設定された基準値「０．５」とそれぞれ比較して、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」のうち前記既に設定された基準値「０．５」以上の推薦用出力値を保有した少なくとも一つの商品である「洋酒」を前記第１顧客に対する推薦商品に選択して第１顧客の顧客端末１３０に伝送することができる。
For example, as in the above-mentioned example, “M = 3” is set, and the recommended output values for each of the three products “auxiliary battery, hamburger, and Western liquor” are “0.05”, “0.25”, and Assuming that "0.75" is generated by the user-customized
結局、本発明に係るユーザカスタマイズ型商品推薦装置１１０は、複数の商品に対する顧客の購買履歴有無に対する結果値と前記顧客の個人情報変換値を基に前記顧客の個人情報特性に応じた前記複数の商品に対する適合性有無を予測できる予測モデルを構成することによって、商品推薦過程で前記複数の商品に対して特定の顧客が適合性を持っているか否かを予め予測できるように支援することができる。
After all, the user-customized
本発明の一実施形態によれば、推薦用個人情報変換部１１８は、所定の顧客から商品推薦要請が受信された時、認証された顧客に対してのみ商品の推薦サービスを提供するための構成であって、ＯＴＰ格納部１２４、認証用ベクトル格納部１２５、ランダムベクトル生成部１２６、フィードバック要請部１２７、認証確認部１２８および変換処理部１２９を含むことができる。
According to one embodiment of the present invention, the recommendation personal
ＯＴＰ格納部１２４には、現在時間値を基にワンタイムパスワードを生成できる、予め定められたＯＴＰ（Ｏｎｅ Ｔｉｍｅ Ｐａｓｓｗｏｒｄ）生成関数が格納されている。
The
ここで、ＯＴＰとは固定されたパスワードの代わりにランダムに生成されるワンタイムパスワードを意味し、前記ＯＴＰ生成関数は開発者によって予め設定できる関数であって、現在時間値を基にワンタイムパスワードが生成されるように設定できる。 Here, OTP means a one-time password that is randomly generated instead of a fixed password, and the OTP generation function is a function that can be preset by the developer and is a one-time password based on the current time value. Can be set to be generated.
認証用ベクトル格納部１２５には、顧客の認証に用いるための既に設定された認証用ベクトルが格納されている。
The authentication
ランダムベクトル生成部１２６は、第１顧客の顧客端末１３０から前記第１顧客に対する前記Ｎ個の第１個人情報が受信され、前記Ｍ個の商品に対する前記第１顧客の商品推薦要請が受信されれば、前記ＯＴＰ生成関数に基づいて現在時間値に応じた第１ワンタイムパスワードを生成し、前記第１ワンタイムパスワードから既に設定された桁に該当する数字を確認した後、前記数字の大きさに対応するハミング重み（Ｈａｍｍｉｎｇ Ｗｅｉｇｈｔ）を有し、且つ、既に設定された長さを有するランダムベクトルをランダムに生成する。
The random
ここで、ハミング重みとは「０」と「１」のコードから構成されたデータにおける「１」の個数を意味し、前記桁は開発者によって予め設定できるものであって、左側から何番目の位置であるかを表す数字に設定できる。 Here, the Hamming weight means the number of "1" in the data composed of the codes of "0" and "1", and the digit can be preset by the developer, and the number from the left side. It can be set to a number indicating whether it is a position.
例えば、前述した例示のように、「Ｎ＝４」とし、前記第１顧客に対する前記４個の第１個人情報を「女性、３０代、光州、ベンツ」とし、「Ｍ＝３」とし、前記３個の商品を「補助バッテリー、ハンバーガー、洋酒」に仮定する。この時、第１顧客の顧客端末１３０からユーザカスタマイズ型商品推薦装置１１０に前記第１顧客に対する前記４個の第１個人情報「女性、３０代、光州、ベンツ」が受信され、前記３個の商品「補助バッテリー、ハンバーガー、洋酒」に対する前記第１顧客の商品推薦要請が受信されれば、ランダムベクトル生成部１２６は、前記ＯＴＰ生成関数に基づいて現在時間値に応じた第１ワンタイムパスワードを生成することができ、仮に、前記第１ワンタイムパスワードが「１２３４５」に生成され、既に設定された桁が５である場合、ランダムベクトル生成部１２６は、前記第１ワンタイムパスワード「１２３４５」から５番目の桁である「５」を確認することができる。その後、ランダムベクトル生成部１２６は、前記数字「５」の大きさに対応するハミング重みを有し、且つ、前記既に設定された長さを有するランダムベクトルをランダムに生成することができる。これと関連し、前記既に設定された長さを「６」とする場合、ランダムベクトル生成部１２６は、「１」の個数が５個であり、且つ、長さが６であるランダムベクトルとして「［１ １ １ １ ０ １］」のようなランダムベクトルを生成することができる。
For example, as in the above-mentioned example, "N = 4" is set, the four first personal information for the first customer is set to "female, 30s, Gwangju, Benz", and "M = 3" is set. Assume that three products are "auxiliary battery, hamburger, and liquor". At this time, the four first personal information "female, thirties, Gwangju, Benz" for the first customer is received from the
フィードバック要請部１２７は、前記ランダムベクトルを第１顧客の顧客端末１３０に伝送して、第１顧客の顧客端末１３０に前記ランダムベクトルに対応するフィードバックベクトルの伝送を要請する。
The
この時、本発明の一実施形態によれば、第１顧客の顧客端末１３０は、メモリ上に前記既に設定された認証用ベクトルおよび前記ＯＴＰ生成関数と同一な検証用ＯＴＰ生成関数を格納していてもよく、ユーザカスタマイズ型商品推薦装置１１０から前記ランダムベクトルが受信されれば、前記メモリ上に格納されている前記検証用ＯＴＰ生成関数に基づいて現在時間値に応じた検証用ワンタイムパスワードを生成した後、前記検証用ワンタイムパスワードから前記既に設定された桁に該当する検証用数字を確認して、前記ランダムベクトルのハミング重みが前記検証用数字の大きさに対応するハミング重みと一致するか否かを確認することができる。
At this time, according to one embodiment of the present invention, the
そして、第１顧客の顧客端末１３０は、前記ランダムベクトルのハミング重みが前記検証用数字の大きさに対応するハミング重みと一致すると確認される場合、前記メモリ上に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積（Ｈａｄａｍａｒｄ ｐｒｏｄｕｃｔ）を演算して第１フィードバックベクトルを生成した後、前記第１フィードバックベクトルをユーザカスタマイズ型商品推薦装置１１０に伝送することができる。
Then, when it is confirmed that the Hamming weight of the random vector matches the Hamming weight corresponding to the magnitude of the verification number, the
ここで、アダマール積とは同じ大きさの行列またはベクトルにおいて各成分を乗じる演算を意味し、「［ａ ｂ ｃ］」と「［ｘ ｙ ｚ］」というベクトルがある時、二つのベクトル間のアダマール積を演算すれば、これに対する演算ベクトルは「［ａｘ ｂｙ ｃｚ］」で表すことができる。 Here, the Hadamard product means an operation of multiplying each component in a matrix or vector of the same magnitude, and when there are vectors "[ab c]" and "[x y z]", between the two vectors. If the Hadamard product is calculated, the calculation vector for this can be represented by "[ax by cz]".
これと関連し、前述した例示のように、前記ランダムベクトルが「［１ １ １ １ ０ １］」であるとする場合、第１顧客の顧客端末１３０は、前記メモリ上に格納されている前記検証用ＯＴＰ生成関数に基づいて現在時間値に応じた検証用ワンタイムパスワード「１２３４５」を生成した後、前記検証用ワンタイムパスワードから前記既に設定された桁である５番目の桁に該当する検証用数字「５」を確認して、前記ランダムベクトルのハミング重みが前記検証用数字「５」の大きさに対応するハミング重みと一致するか否かを確認することができる。
In connection with this, as in the above-mentioned example, when the random vector is "[1 1 1 1 0 1]", the
前記ランダムベクトル「［１ １ １ １ ０ １］」のハミング重みは「５」として前記検証用数字「５」と一致するため、第１顧客の顧客端末１３０は、前記メモリ上に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して前記第１フィードバックベクトルを生成した後、前記第１フィードバックベクトルをユーザカスタマイズ型商品推薦装置１１０に伝送することができる。
Since the Hamming weight of the random vector "[1 1 1 1 0 1]" is set to "5" and matches the verification number "5", the
これと関連し、前記既に設定された認証用ベクトルが「［０ １ ０ ０ １ １］」であるとする場合、第１顧客の顧客端末１３０は、前記ランダムベクトル「［１ １ １ １ ０ １］」と前記既に設定された認証用ベクトル「［０ １ ０ ０ １ １］」との間のアダマール積を演算して「［０ １ ０ ０ ０ １］」という前記第１フィードバックベクトルを生成した後、それをユーザカスタマイズ型商品推薦装置１１０に伝送することができる。
In connection with this, when the already set authentication vector is "[0 1 0 0 1 1]", the
認証確認部１２８は、第１顧客の顧客端末１３０から前記ランダムベクトルに対応するフィードバックベクトルとして前記第１フィードバックベクトルが受信されれば、認証用ベクトル格納部１２５に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して第１演算ベクトルを生成し、前記第１演算ベクトルが前記第１フィードバックベクトルと同一であるかを確認することによって、第１顧客の顧客端末１３０に対する認証を完了する。
When the first feedback vector is received as the feedback vector corresponding to the random vector from the
例えば、前述した例示のように、前記ランダムベクトルを「［１ １ １ １ ０ １］」とし、認証用ベクトル格納部１２５に格納されている前記既に設定された認証用ベクトルを「［０ １ ０ ０ １ １］」とし、第１顧客の顧客端末１３０から受信した前記第１フィードバックベクトルを「［０ １ ０ ０ ０ １］」とする場合、認証確認部１２８は、前記ランダムベクトルと前記既に設定された認証用ベクトルとの間のアダマール積を演算して「［０ １ ０ ０ ０ １］」という第１演算ベクトルを生成し、前記第１演算ベクトルが前記第１フィードバックベクトル「［０ １ ０ ０ ０ １］」と一致すると確認されれば、第１顧客の顧客端末１３０に対する認証を完了することができる。
For example, as in the above-mentioned example, the random vector is set to "[1 1 1 1 0 1]", and the already set authentication vector stored in the authentication
変換処理部１２９は、第１顧客の顧客端末１３０に対する認証が完了すれば、前記既に設定された数値変換テーブルに基づいて、前記Ｎ個の第１個人情報を前記Ｎ個の第１個人情報変換値に変換する。
When the
例えば、前述した例示のように、「Ｎ＝４」とし、前記第１顧客に対する４個の第１個人情報を「女性、３０代、光州、ベンツ」とし、「Ｍ＝３」とし、前記３個の商品を「補助バッテリー、ハンバーガー、洋酒」に仮定する。この時、第１顧客の顧客端末１３０に対する認証が完了すれば、変換処理部１２９は、表２のような前記既に設定された数値変換テーブルに基づいて、前記４個の第１個人情報「女性、３０代、光州、ベンツ」を前記４個の第１個人情報変換値「２、３、７、７」に変換することができる。
For example, as in the above-mentioned example, "N = 4" is set, the four first personal information for the first customer is set to "female, 30s, Gwangju, Benz", and "M = 3", and the above 3 Assume each product as "auxiliary battery, hamburger, liquor". At this time, if the authentication of the
つまり、第１顧客の顧客端末１３０は、事前に発給されたＯＴＰ生成関数に基づいてランダムベクトルのハミング重みが検証用数字の大きさに対応するハミング重みと一致する場合にのみ、メモリ上に格納されている既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して第１フィードバックベクトルを生成した後、前記第１フィードバックベクトルをユーザカスタマイズ型商品推薦装置１１０に伝送し、ユーザカスタマイズ型商品推薦装置１１０は、第１顧客の顧客端末１３０から前記ランダムベクトルに対応するフィードバックベクトルとして前記第１フィードバックベクトルが受信されれば、認証用ベクトル格納部１２５に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して第１演算ベクトルを生成し、前記第１演算ベクトルが前記第１フィードバックベクトルと同一であるかを確認して、第１顧客の顧客端末１３０に対する認証が完了する場合にのみ、既に設定された数値変換テーブルに基づいてＮ個の第１個人情報をＮ個の第１個人情報変換値に変換することによって、認証されていない顧客に少なくとも一つの商品を推薦されるのを防止することができる。
That is, the
図２は、本発明の一実施形態による人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置の動作方法を示すフローチャートである。 FIG. 2 is a flowchart showing an operation method of a user-customized product recommendation device through artificial intelligence-based machine learning according to an embodiment of the present invention.
ステップ（Ｓ２１０）は、顧客から予め収集したＮ（Ｎは３以上の自然数）個の個人情報とＭ（ＭはＮより小さい２以上の自然数）個の商品の各々に対する前記顧客の購買履歴と関連した購買結果値（前記Ｍ個の商品の各々に対する購買結果値は、各商品に対して購買履歴がある場合には「１」に、購買履歴がない場合には「０」に設定されている）が格納されている訓練データ格納部を保持する。 The step (S210) is related to the purchase history of the customer for each of N (N is a natural number of 3 or more) personal information collected in advance from the customer and M (M is a natural number of 2 or more smaller than N). The purchase result value (the purchase result value for each of the M products is set to "1" when there is a purchase history for each product, and to "0" when there is no purchase history. ) Is stored in the training data storage unit.
ステップ（Ｓ２２０）は、各個人情報に対応するものとして予め指定された数値が記録されている既に設定された数値変換テーブルに基づいて、前記Ｎ個の個人情報をＮ個の個人情報変換値に変換する。 In step (S220), the N personal information is converted into N personal information conversion values based on an already set numerical conversion table in which numerical values designated in advance corresponding to each personal information are recorded. Convert.
ステップ（Ｓ２３０）は、前記Ｍ個の商品の各々に対する予め定められた互いに異なるＭ次元の商品ベクトルが格納されている商品ベクトル格納部を保持する。 The step (S230) holds a product vector storage unit in which predetermined M-dimensional product vectors different from each other are stored for each of the M products.
ステップ（Ｓ２４０）は、前記Ｎ個の個人情報変換値を成分として有する個人情報ベクトルに第１重み行列を乗じてＭ次元の演算ベクトルを生成する。 In step (S240), an M-dimensional operation vector is generated by multiplying the personal information vector having the N personal information conversion values as components by the first weight matrix.
ステップ（Ｓ２５０）は、前記Ｍ次元の演算ベクトルと前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルとの間の内積を演算することによって、前記Ｍ個の商品の各々に対応する内積値を生成する。 In step (S250), the inner product value corresponding to each of the M products is calculated by calculating the inner product between the M-dimensional calculation vector and the M-dimensional product vector for each of the M products. Generate.
ステップ（Ｓ２６０）は、既に設定された活性化関数に基づいて、前記Ｍ個の商品の各々に対する内積値を「０」と「１」との間の値に変換して、前記Ｍ個の商品の各々に対する出力値を生成する。 In step (S260), the inner product value for each of the M products is converted into a value between "0" and "1" based on the activation function already set, and the M products Generate an output value for each of.
ステップ（Ｓ２７０）は、前記Ｍ個の商品の各々に対する出力値と前記Ｍ個の商品の各々に対する購買結果値を基に既に設定された損失関数に基づいた損失値を演算し、前記損失値が最小になるように前記第１重み行列を決定するための機械学習を実行する。 In step (S270), a loss value based on a loss function already set based on an output value for each of the M products and a purchase result value for each of the M products is calculated, and the loss value is calculated. Machine learning is performed to determine the first weight matrix so that it is minimized.
この時、本発明の一実施形態によれば、ユーザカスタマイズ型商品推薦装置１１０の動作方法は、前記第１重み行列を決定するための機械学習が完了した後、第１顧客の顧客端末から前記第１顧客に対するＮ個の第１個人情報が受信され、前記Ｍ個の商品に対する前記第１顧客の商品推薦要請が受信されれば、前記既に設定された数値変換テーブルに基づいて前記Ｎ個の第１個人情報をＮ個の第１個人情報変換値に変換するステップ、前記Ｎ個の第１個人情報が前記Ｎ個の第１個人情報変換値に変換されれば、前記商品ベクトル格納部から前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルを抽出するステップ、前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルが抽出されれば、前記Ｎ個の第１個人情報変換値を成分として有する個人情報ベクトルに機械学習が完了した前記第１重み行列を乗じてＭ次元の第１演算ベクトルを生成するステップ、前記Ｍ次元の第１演算ベクトルと前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルとの間の内積を演算することによって、前記Ｍ個の商品の各々に対応する推薦用内積値を生成するステップ、前記既に設定された活性化関数に基づいて前記Ｍ個の商品の各々に対する推薦用内積値を「０」と「１」との間の値に変換して前記Ｍ個の商品の各々に対する推薦用出力値を生成するステップ、および前記Ｍ個の商品の各々に対する推薦用出力値が生成されれば、前記Ｍ個の商品の各々に対する推薦用出力値を既に設定された基準値「０．５」とそれぞれ比較して、前記Ｍ個の商品のうち前記既に設定された基準値「０．５」以上の推薦用出力値を保有した少なくとも一つの商品を前記第１顧客に対する推薦商品に選択して前記第１顧客の顧客端末に伝送するステップをさらに含むことができる。
At this time, according to one embodiment of the present invention, the operation method of the user-customized
また、本発明の一実施形態によれば、ステップ（Ｓ２７０）は、前記数学式２の演算により、前記損失値を演算することができる。 Further, according to one embodiment of the present invention, the step (S270) can calculate the loss value by the calculation of the mathematical formula 2.
この時、本発明の一実施形態によれば、前記Ｎ個の第１個人情報をＮ個の第１個人情報変換値に変換するステップは、現在時間値を基にワンタイムパスワードを生成できる、予め定められたＯＴＰ生成関数が格納されているＯＴＰ格納部を保持するステップ、顧客の認証に用いるための既に設定された認証用ベクトルが格納されている認証用ベクトル格納部を保持するステップ、前記第１顧客の顧客端末から前記第１顧客に対する前記Ｎ個の第１個人情報が受信され、前記Ｍ個の商品に対する前記第１顧客の商品推薦要請が受信されれば、前記ＯＴＰ生成関数に基づいて現在時間値に応じた第１ワンタイムパスワードを生成し、前記第１ワンタイムパスワードから既に設定された桁に該当する数字を確認した後、前記数字の大きさに対応するハミング重みを有し、且つ、既に設定された長さを有するランダムベクトルをランダムに生成するステップ、前記ランダムベクトルを前記第１顧客の顧客端末に伝送して、前記第１顧客の顧客端末に前記ランダムベクトルに対応するフィードバックベクトルの伝送を要請するステップ、前記第１顧客の顧客端末から前記ランダムベクトルに対応するフィードバックベクトルとして第１フィードバックベクトル（前記第１フィードバックベクトルは、前記第１顧客の顧客端末に既に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積によって演算されたベクトルである）が受信されれば、前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して第１演算ベクトルを生成し、前記第１演算ベクトルが前記第１フィードバックベクトルと同一であるかを確認することによって、前記第１顧客の顧客端末に対する認証を完了するステップ、および前記第１顧客の顧客端末に対する認証が完了すれば、前記既に設定された数値変換テーブルに基づいて前記Ｎ個の第１個人情報を前記Ｎ個の第１個人情報変換値に変換するステップを含むことができる。 At this time, according to one embodiment of the present invention, the step of converting the N first personal information into N first personal information conversion values can generate a one-time password based on the current time value. A step of holding an OTP storage unit in which a predetermined OTP generation function is stored, a step of holding an authentication vector storage unit in which an already set authentication vector to be used for customer authentication is stored, described above. If the N first personal information for the first customer is received from the customer terminal of the first customer and the product recommendation request of the first customer for the M products is received, it is based on the OTP generation function. The first one-time password corresponding to the current time value is generated, and after confirming the number corresponding to the digit already set from the first one-time password, the humming weight corresponding to the size of the number is obtained. In addition, a step of randomly generating a random vector having an already set length, the random vector is transmitted to the customer terminal of the first customer, and the random vector corresponds to the customer terminal of the first customer. The step of requesting the transmission of the feedback vector, the first feedback vector as the feedback vector corresponding to the random vector from the customer terminal of the first customer (the first feedback vector is already stored in the customer terminal of the first customer). (The vector calculated by the Adamal product between the already set authentication vector and the random vector) is received, the Adamal between the already set authentication vector and the random vector is received. A step of completing the authentication of the first customer to the customer terminal by calculating the product to generate the first operation vector and confirming whether the first operation vector is the same as the first feedback vector. When the authentication of the customer terminal of the first customer is completed, the step of converting the N first personal information into the N first personal information conversion values based on the already set numerical conversion table is included. be able to.
この時、本発明の一実施形態によれば、前記第１顧客の顧客端末は、メモリ上に前記既に設定された認証用ベクトルおよび前記ＯＴＰ生成関数と同一な検証用ＯＴＰ生成関数を格納しており、前記ユーザカスタマイズ型商品推薦装置から前記ランダムベクトルが受信されれば、前記メモリ上に格納されている前記検証用ＯＴＰ生成関数に基づいて現在時間値に応じた検証用ワンタイムパスワードを生成した後、前記検証用ワンタイムパスワードから前記既に設定された桁に該当する検証用数字を確認して、前記ランダムベクトルのハミング重みが前記検証用数字の大きさに対応するハミング重みと一致するか否かを確認し、前記ランダムベクトルのハミング重みが前記検証用数字の大きさに対応するハミング重みと一致すると確認される場合、前記メモリ上に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して前記第１フィードバックベクトルを生成した後、第１フィードバックベクトルを前記ユーザカスタマイズ型商品推薦装置に伝送することができる。 At this time, according to one embodiment of the present invention, the customer terminal of the first customer stores the already set authentication vector and the same verification OTP generation function as the OTP generation function in the memory. When the random vector is received from the user-customized product recommendation device, a verification one-time password according to the current time value is generated based on the verification OTP generation function stored in the memory. After that, the verification number corresponding to the already set digit is confirmed from the verification one-time password, and whether or not the humming weight of the random vector matches the humming weight corresponding to the magnitude of the verification number. If it is confirmed that the humming weight of the random vector matches the humming weight corresponding to the magnitude of the verification number, the already set authentication vector and the said are stored in the memory. After the Adamar product with the random vector is calculated to generate the first feedback vector, the first feedback vector can be transmitted to the user-customized product recommendation device.
以上、図２を参照して、本発明の一実施形態による人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置の動作方法について説明した。ここで、本発明の一実施形態による人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置の動作方法は、図１を利用して説明した人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置１１０の動作に関する構成と対応するため、それに関する詳しい説明は省略することにする。
As described above, with reference to FIG. 2, the operation method of the user-customized product recommendation device through artificial intelligence-based machine learning according to the embodiment of the present invention has been described. Here, the operation method of the user-customized product recommendation device through artificial intelligence-based machine learning according to the embodiment of the present invention is the user-customized product recommendation through artificial intelligence-based machine learning described with reference to FIG. Since it corresponds to the configuration related to the operation of the
本発明の一実施形態による人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置の動作方法は、コンピュータとの結合によって実行させるための格納媒体に格納されたコンピュータプログラムで実現されてもよい。 The operation method of the user-customized product recommendation device through artificial intelligence-based machine learning according to one embodiment of the present invention may be realized by a computer program stored in a storage medium for execution by coupling with a computer.
また、本発明の一実施形態による人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置の動作方法は、様々なコンピュータ手段を介して実行できるプログラム命令形態で実現されてコンピュータ読み取り可能な媒体に記録されてもよい。前記コンピュータ読み取り可能な媒体は、プログラム命令、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。前記媒体に記録されるプログラム命令は、本発明のために特別に設計されて構成されたものであるか、またはコンピュータソフトウェア当業者に公知されて使用可能なものであってもよい。コンピュータ読み取り可能な記録媒体の例には、ハードディスク、フロッピーディスクおよび磁気テープのような磁気媒体（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）、ＣＤ−ＲＯＭ、ＤＶＤのような光気録媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気−光媒体（ｍａｇｎｅｔｏ−ｏｐｔｉｃａｌ ｍｅｄｉａ）、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を格納し実行するように特別に構成されたハードウェア装置が含まれる。プログラム命令の例には、コンパイラによって作られるもののような機械語コードだけでなく、インタープリタなどを用いてコンピュータにより実行できる高級言語コードを含む。 Further, the operation method of the user-customized product recommendation device through artificial intelligence-based machine learning according to one embodiment of the present invention is realized in a program instruction form that can be executed via various computer means and becomes a computer-readable medium. It may be recorded. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be those specially designed and configured for the present invention, or those known and available to those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and floptic disks. Includes magnetic-optical media such as floppy disks, and hardware devices specially configured to store and execute program instructions such as ROMs, RAMs, flash memories, and the like. Examples of program instructions include not only machine language code such as those created by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
以上のように、本発明を具体的な構成要素などのような特定事項と限定された実施形態および図面によって説明したが、これは本発明のより全般的な理解を助けるために提供されたものに過ぎず、本発明は前記実施形態に限定されるものではなく、本発明が属する分野における通常の知識を有した者であれば、このような記載から様々な修正および変形が可能である。 As described above, the present invention has been described by means of specific matters such as specific components and limited embodiments and drawings, which are provided to aid a more general understanding of the present invention. However, the present invention is not limited to the above-described embodiment, and any person who has ordinary knowledge in the field to which the present invention belongs can make various modifications and modifications from such a description.
したがって、本発明の思想は説明された実施形態に限定して定められてはならず、後述する特許請求の範囲だけでなく、該特許請求の範囲と均等または等価的な変形がある全てのものは本発明の思想の範疇に属すると言える。 Therefore, the idea of the present invention should not be limited to the described embodiments, and not only the scope of claims described later, but all objects having modifications equal to or equivalent to the scope of claims. Can be said to belong to the category of the idea of the present invention.
１１０ ・・・人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置
１１１ ・・・訓練データ格納部
１１２ ・・・変換部
１１３ ・・・商品ベクトル格納部
１１４ ・・・演算ベクトル生成部
１１５ ・・・内積演算部
１１６ ・・・出力値生成部
１１７ ・・・学習実行部
１１８ ・・・推薦用個人情報変換部
１１９ ・・・抽出部
１２０ ・・・推薦用演算ベクトル生成部
１２１ ・・・推薦用内積演算部
１２２ ・・・推薦用出力値生成部
１２３ ・・・推薦商品伝送部
１２４ ・・・ＯＴＰ格納部
１２５ ・・・認証用ベクトル格納部
１２６ ・・・ランダムベクトル生成部
１２７ ・・・フィードバック要請部
１２８ ・・・認証確認部
１２９ ・・・変換処理部
１３０ ・・・第１顧客の顧客端末
110 ・ ・ ・ User-customized product recommendation device through machine learning based on
Claims (5)
各個人情報に対応するものとして予め指定された数値が記録されている既に設定された（ｐｒｅｄｅｔｅｒｍｉｎｅｄ）数値変換テーブルに基づいて前記Ｎ個の個人情報をＮ個の個人情報変換値に変換する変換部、
前記Ｍ個の商品の各々に対する予め定められた互いに異なるＭ次元の商品ベクトルが格納されている商品ベクトル格納部、
前記Ｎ個の個人情報変換値を成分として有する個人情報ベクトルに第１重み行列を乗じてＭ次元の演算ベクトルを生成する演算ベクトル生成部、
前記Ｍ次元の演算ベクトルと前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルとの間の内積を演算することによって、前記Ｍ個の商品の各々に対応する内積値を生成する内積演算部、
既に設定された活性化関数（Ａｃｔｉｖａｔｉｏｎ Ｆｕｎｃｔｉｏｎ）に基づいて前記Ｍ個の商品の各々に対する内積値を「０」と「１」との間の値に変換して前記Ｍ個の商品の各々に対する出力値を生成する出力値生成部、および、
前記Ｍ個の商品の各々に対する出力値と前記Ｍ個の商品の各々に対する購買結果値を基に既に設定された損失関数（Ｌｏｓｓ Ｆｕｎｃｔｉｏｎ）に基づいた損失値を演算し、前記損失値が最小になるように前記第１重み行列を決定するための機械学習を実行する学習実行部、を含む
ことを特徴とする人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置。 Purchase result values related to the purchase history of the customer for each of N (N is a natural number of 3 or more) personal information collected in advance from the customer and M (M is a natural number of 2 or more smaller than N). The purchase result value for each of the M products is set to "1" when there is a purchase history for each product, and "0" when there is no purchase history). Training data storage,
A conversion unit that converts the N personal information into N personal information conversion values based on an already set numerical conversion table in which a numerical value specified in advance as corresponding to each personal information is recorded. ,
A product vector storage unit that stores predetermined M-dimensional product vectors different from each other for each of the M products.
An operation vector generation unit that generates an M-dimensional operation vector by multiplying the personal information vector having the N personal information conversion values as components by the first weight matrix.
An inner product calculation unit that generates an inner product value corresponding to each of the M products by calculating the inner product between the M-dimensional calculation vector and the M-dimensional product vector for each of the M products.
Based on the activation function already set, the internal product value for each of the M products is converted into a value between "0" and "1", and the output for each of the M products. Output value generator that generates values, and
The loss value based on the loss function (Loss Function) already set based on the output value for each of the M products and the purchase result value for each of the M products is calculated, and the loss value is minimized. A user-customized product recommendation device through artificial intelligence-based machine learning, including a learning execution unit that executes machine learning to determine the first weight matrix.
前記Ｎ個の第１個人情報が前記Ｎ個の第１個人情報変換値に変換されれば、前記商品ベクトル格納部から前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルを抽出する抽出部、
前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルが抽出されれば、前記Ｎ個の第１個人情報変換値を成分として有する個人情報ベクトルに機械学習が完了した前記第１重み行列を乗じてＭ次元の第１演算ベクトルを生成する推薦用演算ベクトル生成部、
前記Ｍ次元の第１演算ベクトルと前記Ｍ個の商品の各々に対するＭ次元の商品ベクトルとの間の内積を演算することによって、前記Ｍ個の商品の各々に対応する推薦用内積値を生成する推薦用内積演算部、
前記既に設定された活性化関数に基づいて前記Ｍ個の商品の各々に対する推薦用内積値を「０」と「１」との間の値に変換して前記Ｍ個の商品の各々に対する推薦用出力値を生成する推薦用出力値生成部、および、
前記Ｍ個の商品の各々に対する推薦用出力値が生成されれば、前記Ｍ個の商品の各々に対する推薦用出力値を既に設定された基準値「０．５」とそれぞれ比較して、前記Ｍ個の商品のうち前記既に設定された基準値「０．５」以上の推薦用出力値を保有した少なくとも一つの商品を前記第１顧客に対する推薦商品に選択して前記第１顧客の顧客端末に伝送する推薦商品伝送部をさらに含む
請求項１に記載の人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置。 After the machine learning for determining the first weight matrix is completed, N first personal information for the first customer is received from the customer terminal of the first customer, and the first customer for the M products is received. When the product recommendation request is received, the recommendation personal information conversion unit that converts the N first personal information into N first personal information conversion values based on the already set numerical conversion table.
When the N first personal information is converted into the N first personal information conversion values, an extraction unit that extracts an M-dimensional product vector for each of the M products from the product vector storage unit,
If the M-dimensional product vector for each of the M products is extracted, the personal information vector having the N first personal information conversion values as components is multiplied by the first weight matrix for which machine learning has been completed. Recommendation operation vector generation unit that generates the first M-dimensional operation vector,
By calculating the inner product between the M-dimensional first calculation vector and the M-dimensional product vector for each of the M products, a recommended inner product value corresponding to each of the M products is generated. Inner product calculation unit for recommendation,
Based on the activation function already set, the recommendation inner product value for each of the M products is converted into a value between "0" and "1" for recommendation for each of the M products. The recommended output value generator that generates the output value, and
When the recommended output value for each of the M products is generated, the recommended output value for each of the M products is compared with the already set reference value "0.5", and the M Of the individual products, at least one product having the recommended output value of the already set reference value "0.5" or more is selected as the recommended product for the first customer and used as the customer terminal of the first customer. The user-customized product recommendation device through artificial intelligence-based machine learning according to claim 1, further including a recommended product transmission unit for transmission.
以下の式１
の演算により前記損失値を演算する
請求項１に記載の人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置。 The learning execution unit
Equation 1 below
The user-customized product recommendation device through artificial intelligence-based machine learning according to claim 1, wherein the loss value is calculated by the calculation of.
現在時間値を基にワンタイムパスワードを生成できる、予め定められたＯＴＰ（Ｏｎｅ Ｔｉｍｅ Ｐａｓｓｗｏｒｄ）生成関数が格納されているＯＴＰ格納部、
顧客の認証に用いるための既に設定された認証用ベクトルが格納されている認証用ベクトル格納部、
前記第１顧客の顧客端末から前記第１顧客に対する前記Ｎ個の第１個人情報が受信され、前記Ｍ個の商品に対する前記第１顧客の商品推薦要請が受信されれば、前記ＯＴＰ生成関数に基づいて現在時間値に応じた第１ワンタイムパスワードを生成し、前記第１ワンタイムパスワードから既に設定された桁に該当する数字を確認した後、前記数字の大きさに対応するハミング重み（Ｈａｍｍｉｎｇ Ｗｅｉｇｈｔ）を有し、且つ、既に設定された長さを有するランダムベクトルをランダムに生成するランダムベクトル生成部、
前記ランダムベクトルを前記第１顧客の顧客端末に伝送して、前記第１顧客の顧客端末に前記ランダムベクトルに対応するフィードバックベクトルの伝送を要請するフィードバック要請部、
前記第１顧客の顧客端末から前記ランダムベクトルに対応するフィードバックベクトルとして第１フィードバックベクトル（前記第１フィードバックベクトルは、前記第１顧客の顧客端末に既に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積（Ｈａｄａｍａｒｄ ｐｒｏｄｕｃｔ）により演算されたベクトルである）が受信されれば、前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して第１演算ベクトルを生成し、前記第１演算ベクトルが前記第１フィードバックベクトルと同一であるかを確認することによって、前記第１顧客の顧客端末に対する認証を完了する認証確認部、および、
前記第１顧客の顧客端末に対する認証が完了すれば、前記既に設定された数値変換テーブルに基づいて前記Ｎ個の第１個人情報を前記Ｎ個の第１個人情報変換値に変換する変換処理部を含む
請求項２に記載の人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置。 The personal information conversion unit for recommendation
An OTP storage unit that stores a predetermined OTP (One Time Password) generation function that can generate a one-time password based on the current time value.
Authentication vector storage unit that stores the already set authentication vector for use in customer authentication,
When the N first personal information for the first customer is received from the customer terminal of the first customer and the product recommendation request for the first customer for the M products is received, the OTP generation function is used. Based on this, a first one-time password corresponding to the current time value is generated, and after confirming a number corresponding to a digit already set from the first one-time password, a Hamming weight corresponding to the size of the number is used. A random vector generator, which has a weight) and randomly generates a random vector having an already set length.
A feedback request unit that transmits the random vector to the customer terminal of the first customer and requests the customer terminal of the first customer to transmit a feedback vector corresponding to the random vector.
A first feedback vector as a feedback vector corresponding to the random vector from the customer terminal of the first customer (the first feedback vector is an already set authentication vector already stored in the customer terminal of the first customer). When the Hadamard product (which is the vector calculated by the Hadamard product) between the and the random vector is received, the Hadamard product between the already set authentication vector and the random vector is calculated. An authentication confirmation unit that completes authentication for the customer terminal of the first customer by generating a first operation vector and confirming whether the first operation vector is the same as the first feedback vector, and
When the authentication of the customer terminal of the first customer is completed, the conversion processing unit that converts the N first personal information into the N first personal information conversion values based on the already set numerical conversion table. The user-customized product recommendation device through artificial intelligence-based machine learning according to claim 2.
メモリ上に前記既に設定された認証用ベクトルおよび前記ＯＴＰ生成関数と同一な検証用ＯＴＰ生成関数を格納しており、
前記ユーザカスタマイズ型商品推薦装置から前記ランダムベクトルが受信されれば、前記メモリ上に格納されている前記検証用ＯＴＰ生成関数に基づいて現在時間値に応じた検証用ワンタイムパスワードを生成した後、前記検証用ワンタイムパスワードから前記既に設定された桁に該当する検証用数字を確認して、前記ランダムベクトルのハミング重みが前記検証用数字の大きさに対応するハミング重みと一致するか否かを確認し、
前記ランダムベクトルのハミング重みが前記検証用数字の大きさに対応するハミング重みと一致すると確認される場合、前記メモリ上に格納されている前記既に設定された認証用ベクトルと前記ランダムベクトルとの間のアダマール積を演算して前記第１フィードバックベクトルを生成した後、前記第１フィードバックベクトルを前記ユーザカスタマイズ型商品推薦装置に伝送する
請求項４に記載の人工知能ベースの機械学習を通じたユーザカスタマイズ型商品推薦装置。 The customer terminal of the first customer is
The authentication vector already set and the verification OTP generation function same as the OTP generation function are stored in the memory.
When the random vector is received from the user-customized product recommendation device, a verification one-time password corresponding to the current time value is generated based on the verification OTP generation function stored in the memory, and then the verification one-time password is generated. Check the verification number corresponding to the already set digit from the verification one-time password, and check whether the humming weight of the random vector matches the humming weight corresponding to the magnitude of the verification number. Confirmed,
When it is confirmed that the Hamming weight of the random vector matches the Hamming weight corresponding to the magnitude of the verification number, between the already set authentication vector stored in the memory and the random vector. The first feedback vector is generated by calculating the Hadamard product of the above, and then the first feedback vector is transmitted to the user-customized product recommendation device. The user-customized type through artificial intelligence-based machine learning according to claim 4. Product recommendation device.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190109323A KR102270321B1 (en) | 2019-09-04 | 2019-09-04 | User customized product recommendation apparatus through machine learning based on artificial intelligence |
| KR10-2019-0109323 | 2019-09-04 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021039712A true JP2021039712A (en) | 2021-03-11 |
| JP6951716B2 JP6951716B2 (en) | 2021-10-20 |
Family
ID=74848758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019228473A Active JP6951716B2 (en) | 2019-09-04 | 2019-12-18 | User-customized product recommendation device through artificial intelligence-based machine learning |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6951716B2 (en) |
| KR (1) | KR102270321B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102339793B1 (en) | 2021-05-28 | 2021-12-16 | 주식회사 애자일소다 | Apparatus and method for recommending products based on hierarchical attention network |
| KR102517646B1 (en) * | 2023-01-16 | 2023-04-04 | 주식회사 티디에스디스플레이 | Electronic locker apparatus for delivery goods equipped with an electronic tag and operating method thereof |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008282353A (en) * | 2007-05-14 | 2008-11-20 | Ntt Docomo Inc | Recommendation device and recommendation method |
| JP2012018571A (en) * | 2010-07-08 | 2012-01-26 | Ntt Docomo Inc | Content recommendation apparatus and method |
| US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
| JP2018084853A (en) * | 2016-11-21 | 2018-05-31 | 一郎 奥山 | Recommendation system |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180121466A (en) * | 2017-04-06 | 2018-11-07 | 네이버 주식회사 | Personalized product recommendation using deep learning |
| KR20190070625A (en) * | 2017-12-13 | 2019-06-21 | 한국전자통신연구원 | Method and apparatus for recommending item using metadata |
| KR102128059B1 (en) * | 2019-08-08 | 2020-06-29 | (주)코바이노베이션 | Electronic apparatus recommending optimal financial products through machine learning based on customer's information and purchase history of financial products |
-
2019
- 2019-09-04 KR KR1020190109323A patent/KR102270321B1/en active IP Right Grant
- 2019-12-18 JP JP2019228473A patent/JP6951716B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008282353A (en) * | 2007-05-14 | 2008-11-20 | Ntt Docomo Inc | Recommendation device and recommendation method |
| JP2012018571A (en) * | 2010-07-08 | 2012-01-26 | Ntt Docomo Inc | Content recommendation apparatus and method |
| US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
| JP2018084853A (en) * | 2016-11-21 | 2018-05-31 | 一郎 奥山 | Recommendation system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210028365A (en) | 2021-03-12 |
| JP6951716B2 (en) | 2021-10-20 |
| KR102270321B1 (en) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165725B (en) | Neural network federal modeling method, equipment and storage medium based on transfer learning | |
| CN112149171B (en) | Method, device, equipment and storage medium for training federal neural network model | |
| US20210232975A1 (en) | Data analysis and rendering | |
| US20230078061A1 (en) | Model training method and apparatus for federated learning, device, and storage medium | |
| Loyola et al. | Modeling user session and intent with an attention-based encoder-decoder architecture | |
| CN112000819B (en) | Multimedia resource recommendation method and device, electronic equipment and storage medium | |
| Xu et al. | Collaborative APIs recommendation for artificial intelligence of things with information fusion | |
| KR102128059B1 (en) | Electronic apparatus recommending optimal financial products through machine learning based on customer's information and purchase history of financial products | |
| CN111340558B (en) | Online information processing method, device, equipment and medium based on federal learning | |
| CN111008335B (en) | Information processing method, device, equipment and storage medium | |
| WO2018014771A1 (en) | Data object pushing method, device and system | |
| CN105354202B (en) | Data push method and device | |
| KR102132714B1 (en) | System and method for providing related services of immersive virtual fitting | |
| JP6951716B2 (en) | User-customized product recommendation device through artificial intelligence-based machine learning | |
| CN110689110B (en) | Method and device for processing interaction event | |
| CN111340565B (en) | Information recommendation method, device, equipment and storage medium | |
| CN110008397A (en) | A kind of recommended models training method and device | |
| CN110555148A (en) | user behavior evaluation method, computing device and storage medium | |
| CN111104585B (en) | Question recommending method and device | |
| JP2020086790A (en) | Information processing method, information processing device, and program | |
| CN111026973B (en) | Commodity interest degree prediction method and device and electronic equipment | |
| CN115358807A (en) | Article recommendation method and device, storage medium and electronic equipment | |
| CN111787042A (en) | Method and device for pushing information | |
| KR102271983B1 (en) | Virtual currency trading platform server providing customized virtual currency recommendation through machine learning based on customer information and purchase history of virtual currency and operating method thereof | |
| CN113609397A (en) | Method and device for pushing information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191218 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210323 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210528 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210817 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210915 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6951716 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |