CN117015789A - 基于sns文本的用户的装修风格分析模型提供装置及方法 - Google Patents
基于sns文本的用户的装修风格分析模型提供装置及方法 Download PDFInfo
- Publication number
- CN117015789A CN117015789A CN202280020418.1A CN202280020418A CN117015789A CN 117015789 A CN117015789 A CN 117015789A CN 202280020418 A CN202280020418 A CN 202280020418A CN 117015789 A CN117015789 A CN 117015789A
- Authority
- CN
- China
- Prior art keywords
- learning
- feature vector
- text
- document
- style
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005034 decoration Methods 0.000 title claims description 43
- 239000013598 vector Substances 0.000 claims abstract description 127
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 244000240602 cacao Species 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
根据本发明的一个实施例的风格分析模型提供方法可包括:获取包括用户编辑的文本数据的学习用文档并判别学习用文档中包含的第一文本的操作;判别学习用文档的第一文本中预定个数的第二文本的操作;生成根据各用户编辑的学习用文档中包括各个第二文本的频度数构成的第一特征向量的操作;按各类,根据获取的所有所述学习用文档中包括各个风格特定文本的频度数生成第二特征向量的操作;将与第一特征向量最相似的第二特征向量的类标记到第一特征向量的操作;以及生成及学习导出第一特征向量和标记到第一特征向量的类之间的相关关系的基于机器学习的神经网络模型的操作。
Description
技术领域
本发明涉及基于SNS文本的用户的装修风格分析模型提供装置及方法。
背景技术
人们具有在生活过程中追求符合自己个性且更漂亮的居住环境的欲望。为此,简单地在居住空间布置新事物来进行装饰,或者还会进一步装修施工,如更换壁纸或地面材料、改变空间结构等。
对以往采用的方式来讲,为了装修施工,委托人为了营造自己想要的空间而向装修专业人员委托居住环境等装修方案,受委托的装修专业人员设计出客户想要的装修来提供给客户。
不同于此,最近随着通过网络普及多种装修信息,还会登录网上购物中心网站购买自己想要的装修小物件或DIY商品来亲自装饰自己的空间。进一步地,随着开发出能够在三维虚拟空间直接装修各种装修要素来看看的装修服务(ex.3D空间数据平台Urban Base)的开发,装修服务的用户可以直接按照自己的喜好在移植了自己的居住环境的虚拟空间布置物品,轻松地更换地面材料/壁纸等来看一看。
因此,用户可以通过虚拟空间的装修间接地体会实际装修,获得订购自己心仪的实际装修商品或下单与实际施工相关的装修订单等服务。
发明内容
技术问题
装修服务开发有多种形态,例如提供商品信息使得能够在购物中心购买装修商品的形态的购物中心服务,或者提供三维虚拟空间使得用户能够以自己想要的形态直接配置壁纸/地面材料/事物之类的装修要素来看一看的形态的服务等。
另外,由于在上述装修服务提供的商品的信息超过数亿个,因此优先向用户推荐用户喜欢的风格商品以提供便利性对大部分装修服务共同具有重要意义。
因此,本发明的实施例要解决的问题是提供一种能够根据用户在SNS编辑的文本数据生成能够分析用户的风格的神经网络模型,优先推荐与通过神经网络模型分析的风格相匹配的商品的技术。
但是,本发明的实施例要实现的技术问题不限于上述问题,可从以下要说明的内容在本领域普通技术人员显而易见的范围内导出多种技术问题。
技术方案
根据本发明的一个实施例的风格分析模型提供装置包括:存储使得执行预定的操作的指令的一个以上的存储器;以及配置成与所述一个以上的存储器可操作地连接以运行所述指令的一个以上的处理器,所述处理器执行的操作可包括:获取包括多个用户编辑的文本数据的学习用文档的操作;以保持构成所述学习用文档的文本的含义的预设的单位为基准判别所述学习用文档中包含的第一文本的操作;根据各所述用户编辑的学习用文档中包含的单词数判别所述学习用文档的第一文本中预定个数的第二文本的操作;按各所述用户,生成根据各所述用户编辑的学习用文档中包含各个第二文本的频度数构成的第一特征向量的操作;利用对特定装修风格的多个类和映射于各类的风格特定文本预先存储的信息按所述各类,根据获取的所有所述学习用文档中包含各个风格特定文本的频度数生成第二特征向量的操作;判别所述第一特征向量和所述第二特征向量的相似度,将与所述第一特征向量最相似的第二特征向量的类标记到所述第一特征向量的操作;以及生成及学习用于导出所述第一特征向量和标记到所述第一特征向量的类之间的相关关系的基于机器学习的神经网络模型的操作。
并且,判别所述第一文本的操作可包括:利用正规表达式提取所述学习用文档中包含的特殊文字及表情符号,去除所述学习用文档中包含的数字及重复的字符串的操作;根据预先存储的不用语词典去除所述学习用文档中包含的助词、冠词、非文的操作;以及根据预定的词素分析算法提取所述学习用文档中包含的词干单位来判别所述第一文本的操作。
并且,判别所述第二文本的操作可包括:根据各所述用户编辑的各学习用文档的单词数的统计确定将用于学习的单词数,判别各所述用户编辑的各学习用文档中包含的第一文本中相当于确定的所述单词数的选定的第二文本的操作。
并且,判别所述第二文本的操作可包括:对所有文档按各所述用户编辑的学习用文档中包含的单词多到少的顺序汇集统计时,将所述统计中学习用文档中包含的单词数的前第三四分位开始的位置的单词数确定为所述预定个数的操作;以及判别各所述用户编辑的各学习用文档中包含的第一文本中所述预定个数的第二文本的操作。
并且,生成所述第一特征向量的操作可包括:按各所述用户,生成作为元素包括根据各所述用户编辑的学习用文档中包含各个第二文本的文档的数,按照以下数学式1的tfidf(t,d,D)计算的值的第一特征向量,
[数学式1]
tfidf(t,d,D)=tf(t,d)×idf(t,D)
d:特定用户编辑的学习用文档,t:第二文本,D:文档DB中包含的所有学习用文档,|D|:文档DB中包含的所有学习用文档的数,f(t,d):特定用户编辑的学习用文档d中叫做t的第二文本的出现次数,|{d∈D:t∈d}|:特定用户编辑的学习用文档中包含叫做t的第二文本的学习用文档的数。
并且,生成所述第一特征向量的操作可包括:生成所述第一特征向量之后,在使用了第二文本的学习用文档中特殊文字或表情符号从所述第二文本起在预定单位的语节之间邻近使用的情况下,向对预定的所述第二文本计算的所述第一特征向量的元素值施加预设的加权值更新所述第一特征向量的元素值的操作。
并且,生成所述第二特征向量的操作可包括:按所述各类,生成作为元素包括根据获得的所有所述学习用文档中包含各个风格特定文本的文档按照以下数学式2的tfidf(t,d,D)计算的值的第二特征向量的操作,
[数学式2]
tfidf(t,d,D)=tf((t,d)×idf(t,D)
d:特定用户编辑的学习用文档,t:风格特定文本,D:文档DB中包含的所有学习用文档,|D|:文档DB中包含的所有学习用文档的数,f(t,d):特定用户编辑的学习用文档d中叫做t的风格特定文本的出现次数,|{dd∈D:t∈d}|:特定用户编辑的学习用文档中包含叫做t的风格特定文本的学习用文档的数。
并且,标记的所述操作可包括:计算所述第一特征向量和所述第二特征向量的余弦相似度,将与所述第一特征向量计算的值最接近+1的第二特征向量的类标记到所述第一特征向量的操作。
并且,生成及学习所述神经网络模型的操作可包括:设置成根据预定的卷积神经网络(Convolutional Neural Network,CNN)设计的神经网络的输入层中输入所述第一特征向量,设置成输出层中输入对各所述第一特征向量标记的类,以此学习导出所述第一特征向量和标记到所述第一特征向量的类之间的相关关系的神经网络的加权值的操作。
根据本发明的一个实施例的风格分析模型提供方法可包括:获取包括多个用户编辑的文本数据的学习用文档的操作;以保持构成所述学习用文档的文本的含义的预设的单位为基准判别所述学习用文档中包含的第一文本的操作;根据各所述用户编辑的学习用文档中包含的单词数判别所述学习用文档的第一文本中预定个数的第二文本的操作;按各所述用户,生成根据各所述用户编辑的学习用文档中包含各个第二文本的频度数构成的第一特征向量的操作;利用对特定装修风格的多个类和映射于各类的风格特定文本预先存储的信息按所述各类,根据获取的所有所述学习用文档中包含各个风格特定文本的频度数生成第二特征向量的操作;判别所述第一特征向量和所述第二特征向量的相似度,将与所述第一特征向量最相似的第二特征向量的类标记到所述第一特征向量的操作;以及生成及学习用于导出所述第一特征向量和标记到所述第一特征向量的类之间的相关关系的基于机器学习的神经网络模型的操作。
技术效果
根据本发明的实施例,能够生成可导出用户在SNS编辑的文本的内容和该用户喜欢的装修风格之间的相关关系的神经网络模型,将这种神经网络模型应用于多种装修服务来优先推荐与用户喜欢的风格对应的商品以为用户提供便利性。
此外,能够提供可通过本说明书直接或间接了解到的多种效果。
附图说明
图1是根据本发明的一个实施例的风格分析模型提供装置的功能框图。
图2是根据本发明的一个实施例的风格分析模型提供装置生成风格分析模型的风格分析模型提供方法的操作流程图。
图3是根据本发明的一个实施例将特定用户在SNS编辑的所有帖子的文本数据集合表述为文档时,对所有数据根据文档中包含的单词数统计文档的个数的示例图。
图4的(a)是根据本发明的一个实施例按用户示出编辑的所有文档中包含的各个第二文本的频度数的示例图,图4的(b)是根据本发明的一个实施例按用户示出对各个第二文本的频度数赋予重要度加权值计算的第一特征向量的元素值的示例图。
图5的(a)是根据本发明的一个实施例预先存储表示肯定和否定的特殊文字/表情符号的信息,图5的(b)是根据本发明的一个实施例对从邻近特殊文字/表情符号的第二文本计算的第一特征向量的元素值施以加权值的示例图。
图6的(a)是根据本发明的一个实施例对特定装修风格的多个类和映射于各类的风格特定文本预先存储的信息的示例图,图6的(b)是示出根据本发明的一个实施例按各类从各个风格特定文本计算的第二特征向量的元素值的示例图。
图7是根据本发明的一个实施例的风格分析模型提供装置使用完成学习的风格分析模型推荐符合用户的风格的商品的风格分析模型提供方法的操作流程图。
具体实施方式
参见与附图一起详细后述的实施例将会明确本发明的优点、特征以及其实现方法。但本发明并非限定于以下公开的实施例,而是能够以多种方式实现,但本实施例的提供旨在使得本发明的公开完整,并向本发明所属技术领域的普通技术人员完整地告知发明的范畴,本发明的范畴仅由权利要求定义。
在说明本发明的实施例的过程中,对于公知功能或构成的具体说明将会被省略,除了说明本发明的实施例的过程中实际必要的情况。并且后述的术语是考虑到在本发明的实施例中的功能而定义的术语,其可根据用户、运用者的意图或惯例等发生改变。因此,其定义的确定应基于本说明书的全部内容。
附图中示出并在下面说明的功能块仅是可实现的例而已。在其它实现例中,在不超出具体说明的思想及范畴的范围内可使用其它功能块。另外,本发明的一个以上的功能块表示为个别块,但本发明的功能块中一个以上可以是执行相同功能的多种硬件及软件构成的组合。
另外,包括某构成要素的表述是开放型的表述,仅单纯表示存在该构成要素,不应理解为排除附加构成要素。
进一步地,提及某构成要素连接于或者接入至其它构成要素的情况下,可以直接连接于或接入至该其它构成要素,但应理解为中间还可存在其它构成要素。
另外,‘第一、第二’等之类的表述是仅用作区分多个构成的用途的表述,因此不限定构成之间的顺序或其它特征。
以下参见附图说明本发明的实施例。
图1是根据本发明的一个实施例的风格分析模型提供装置100的功能框图。参见图1,根据一个实施例的风格分析模型提供装置100可包括存储器110、处理器120、输入接口130、显示部140及通信接口150。
存储器110可包括文档DB 111、风格分析模型113及指令DB 115。
文档DB 111可存储包括文本数据的学习用文档。学习用文档可包括发布在Instagram、Facebook、推特、博客、kakao Page等用户记载文本生成帖子的形态的SNS(Social Network Service,社交网络服务)的文本数据。文档DB 111可根据用户同意收集SNS帖子信息,利用预定的爬行算法或通过SNS提供的API获取用户发布在SNS的文本数据。从而,文本数据可作为用于神经网络模型的学习的学习用文档来存储。
文档DB 111可以将文本数据特定为一个帖子或一个跟帖等文本的区分单位来将捆绑在相同单位的文本数据作为一个文档单位进行存储。因此,文档DB 111可以以文档单位存储多个用户上传到SNS的文本信息。例如,以特定用户为基准按该用户上传到SNS的文本数据的时间、种类、平台区分的多个文档可存储到文档DB 111。
风格分析模型113是导出用户在SNS编辑的文本的内容和该用户喜欢的装修风格之间的相关关系的神经网络模型。风格分析模型113可根据以下结合图2所述的实施例进行学习并存储到存储器110。
指令DB 115可存储能够使得执行处理器120的操作的指令。例如,指令DB 115可存储使得执行与下述处理器120的操作对应的操作的计算机代码。
处理器120可控制风格分析模型提供装置100中包含的构成即存储器110、输入接口130、显示部140及通信接口150的整体操作。处理器120可驱动文本模块121、向量模块123、学习模块125及控制模块127。处理器120可通过运行存储器110中存储的指令驱动文本模块121、向量模块123、学习模块125及控制模块127。可以将通过文本模块121、向量模块123、学习模块125及控制模块127执行的操作理解为通过处理器120执行的操作。
文本模块121可对文档DB 111存储的学习用文档,判别能够以保持文本的含义的预定的单位为基准分类的第一文本。文本模块121可根据基于各用户的学习用文档中包含的单词数的文档数的统计,在各用户编辑的学习用文档中确定要用于实际学习的单词的数,提取各文档单位中包含的第一文本中相当于确定的所述单词数的第二文本。
向量模块123可生成将从文档DB 111中存储的各用户提取的第二文本的信息特定为数学性表示的第一特征向量。向量模块123可生成将关于多个装修风格的信息特定为数学性表示的第二特征向量。向量模块123可通过比较第一特征向量和第二特征向量的相似度的预定的算法,将与第一特征向量的相似度高的第二特征向量特定的装修风格标记为该用户喜欢的风格的类。
学习模块125可设置成基于预定的深度学习算法设计的模型的输入层中输入第一特征向量,设置成输出层中输入对第一特征向量标记的装修风格的类,以此学习神经网络的加权值使得导出表示用户编辑的文档的特征的第一特征向量和对用户标记的类之间的相关关系。随着所述学习完成,风格分析模型113在有从新的用户的SNS文档生成的第一特征向量输入的情况下,可判别该用户的装修风格。
控制模块127可控制向量模块123使得获取作为完成学习的风格分析模型113的装修服务的新用户的第一用户编辑的文档来生成第一特征向量,可将从第一用户生成的第一特征向量输入到风格分析模型113特定第一用户喜欢的装修风格。控制模块127可将通过风格分析模型113对第一用户特定的风格和第一用户信息映射起来并存储到存储器110或外部DB服务器。之后,从第一用户使用的装修服务请求对特定客体的信息的情况下,控制模块127可向第一用户优先推荐映射有与对第一用户映射的风格对应的元数据的客体信息。
输入接口130可接收用户的输入。例如,可接收用户在装修服务请求的客体信息等输入。
显示部140可包括包含显示板来输出图像的硬件构成。
通信接口150可通过与外部装置(ex.外部DB服务器、用户终端等)通信使得能够收发信息。为此,通信接口150可包括无线通信模块或有线通信模块。
以下通过图2至图7说明风格分析模型提供装置100的构成要素联动起来学习风格分析模型113,将完成学习的风格分析模型113用于装修服务的具体实施例。
图2是根据本发明的一个实施例的风格分析模型提供装置100生成风格分析模型113的风格分析模型提供方法的操作流程图。根据图2的风格分析模型提供方法的各步骤可用通过图1说明的风格分析模型提供装置100的构成执行,对各步骤说明如下。
文档DB 110获取及存储包括多个用户编辑的文本数据的学习用文档,因此可根据调用加载关于学习用文档的信息(S210)。
文本模块121可以以保持构成文档DB 110中存储的学习用文档的文本的含义的预设的单位判别分离的第一文本(S220)。
例如,文本模块121可利用能够提取具有特定规则的字符串的集合的正规表达式(Regular expression)对学习用文档的文本中包含的特殊文字及表情符号(ex.图5的(a))进行分类,去除数字及重复的字符串(ex.等)。
并且,文本模块121可根据预先存储了不影响文档的整体含义的文字或字符串的信息(ex.助词、冠词、非文)的不用语词典去除学习用文档中与预先存储于不用语词典的文本相同的文本。
之后,文本模块121可以以作为保持含义的最小单位的词素为基准分离文本,将预定的词性的词素判别为第一文本。例如,文本模块121可使用作为开源库的KoNLPy词素分析器分离文本的词素来判别各个词性并在判别的词素标注词性,将相当于词干的词素单位判别为第一文本。
另外,由于可能每个用户的帖子记载习惯不同,因此文档DB 111中存储的学习用文档可能会根据由什么样的用户编辑而使用的单词数的范围不同。因此,对所有习用文档以一律性的基准提取单词数来用于学习的情况下,对单词数相对少的文档提取的信息中含有多个null值,因此反而可能起到妨碍神经网络模型的性能的提高的数据的作用。
因此,为了生成用于提高神经网络模型的性能的学习数据,文本模块121可根据文档DB 111中存储的各用户编辑的学习用文档中包含的单词数判别学习用文档的第一文本中预定个数的第二文本(S230)。例如,文本模块121可根据各用户编辑的各学习用文档中单词数的统计确定将用于学习的单词数,判别特定用户编辑的各学习用文档中包含的第一文本中相当于确定的所述单词数的第二文本。
图3是根据本发明的一个实施例将特定用户在SNS编辑的所有帖子的文本数据集合表述为文档时,对所有数据根据文档中包含的单词数统计文档的个数的示例图。
参见图3,用于示例的所有文档内的单词个数最大值为194,文档内的单词个数最小值为1,文档内的单词个数平均值是12.74,文档内的单词个数标准偏差是16.88,文档内的单词个数中间值是7.0,文档内的单词个数前第一四分位是3.0,文档内的单词个数前第三四分位是16.0。即,根据图3的示例,大部分的文档分布在单词个数25个以下,最大值是194,最小值是1,文档内单词个数可能会产生极大差异。
因此,文本模块121可以对所有学习用文档,以按照包括的单词个数多的文档到包括的单词个数少的文档的顺序开始包括前第三四分位的文档数的位置的单词数为基准,从特定用户的学习用文档确定将用于学习的单词。假设图3的示例中开始包括前第三四分位的文档数的位置的单词个数为16。该情况下,文本模块121可以对所有文档判别各文档中包含的第一文本中16个第二文本。
图4的(a)是根据本发明的一个实施例按用户示出编辑的所有文档中包含的各个第二文本的频度数的示例图,图4的(b)是根据本发明的一个实施例按用户示出对各个第二文本的频度数赋予重要度加权值计算的第一特征向量的元素值的示例图。
参见图4的(a),图4的(a)的最上端行是从将用于学习的从所有学习用文档中选定的第二文本,图4的(a)的左侧列表示将用于学习的所有用户各自的学习用文档,图4的(a)的各元素值表示特定用户编辑的所有文档中最上端行的第二文本使用的频度数。
向量模块123可以将如图4的(a)以第二文本使用的频度数为元素值的第一特征向量用于学习,或者可以按各用户从各个第二文本的频度数以通过数学计算赋予关于第二文本的重要度加权值的方式生成如图4的(b)所示的第一特征向量来用于学习(S240)。
参见图4的(b),向量模块123可按各用户,生成作为元素包括根据各用户编辑的学习用文档中各个第二文本的频度数按照以下数学式1计算的tfidf(t,d,D)的值的第一特征向量。
[数学式1]
tfidf(t,d,D)=tf(t,d)×idf(t,D)
d:特定用户编辑的学习用文档,t:第二文本,D:文档DB中包含的所有学习用文档,|D|:文档DB中包含的所有学习用文档的数,f(t,d):特定用户编辑的学习用文档d中叫做t的第二文本的出现次数,|{d∈D:t∈d}|:特定用户编辑的学习用文档中包含叫做t的第二文本的学习用文档的数)
进一步地,向量模块123可对按照所述数学式1计算的第一特征向量的元素值根据用于该元素值的第二文本是否邻近特殊文字/表情符号赋予加权值来更新元素值。
图5的(a)是根据本发明的一个实施例预先存储表示肯定和否定的特殊文字/表情符号的信息,图5的(b)是根据本发明的一个实施例对从邻近特殊文字/表情符号的第二文本计算的第一特征向量的元素值施以加权值的示例图。
参见图5的(a),可根据文本模块121利用正规表达式的操作判别学习用文档的文本中包含的特殊文字/表情符号。在此,特殊文字/表情符号可以如图5的(a)分类为加强对特定文本的肯定或否定的意思的要素。
因此,在使用向量模块123计算第一特征向量的元素值方面使用的第二文本的学习用文档中特殊文字或表情符号从该第二文本起在预定单位的语节之间邻近使用的情况下,可向对第二文本计算的所述第一特征向量的元素值施加预设的加权值更新第一特征向量的元素值。例如,邻近被分类为肯定含义的特殊文字/表情符号使用的情况下,可在按照数学式1计算的元素值乘以1以上的加权值来更新元素值,邻近被分类为否定含义的特殊文字/表情符号使用的情况下,可在按照数学式1计算的元素值乘以1以下的加权值来更新元素值。
向量模块123为了标记按照上述过程生成的第一特征向量表示的风格的类,可生成将关于多个装修风格的信息特定为数学性表示的第二特征向量(S250)。
图6的(a)是根据本发明的一个实施例对特定装修风格的多个类和映射于各类的风格特定文本预先存储的信息的示例图,图6的(b)是示出根据本发明的一个实施例按各类从各个风格特定文本计算的第二特征向量的元素值的示例图。
参见图6的(a)及图6的(b),向量模块123可从文档DB 111中包含的所有学习用文档提取如图6的(a)在特定风格的种类的每个装修类映射的风格特定单词。因此,向量模块123可以如图6的(b)按将用于第一特征向量的标记的各装修类,生成作为元素包括根据所有学习用文档中包含各个风格特定文本的频度数按照以下数学式2的tfidf(t,d,D)生成的值的第二特征向量。
[数学式2]
tfidf(t,d,D)=tf(t,d)×idf(t,D)
d:特定用户编辑的学习用文档,t:风格特定文本,D:文档DB中包含的所有学习用文档,|D|:文档DB中包含的所有学习用文档的数,f(t,d):特定用户编辑的学习用文档d中叫做t的风格特定文本的出现次数,|{d∈D:t∈d}|:特定用户编辑的学习用文档中包含叫做t的风格特定文本的学习用文档的数)
向量模块123可通过判别针对每个用户导出的第一特征向量和针对每个装修类导出的第二特征向量的相似度,将与各用户的第一特征向量最相似的第二特征向量的类标记到各用户的第一特征向量(S260)。例如,向量模块123可计算第一特征向量和第二特征向量的余弦相似度(cosine similarity),将与第一特征向量计算的值最接近+1的第二特征向量的类标记到第一特征向量。
学习模块125可生成和学习用于导出第一特征向量和标记到第一特征向量的类之间的相关关系的基于机器学习的神经网络模型(S270)。例如,学习模块125可设置成根据预定的CNN(Convolutional Neural Network,卷积神经网络)设计的神经网络的输入层中输入第一特征向量,设置成输出层中输入对各个第一特征向量标记的类,以此学习用于导出第一特征向量和标记到第一特征向量的类之间的相关关系的神经网络的加权值。
进一步地,学习模块125可通过根据定义人工智能领域处理的多种问题并解决这些的机器学习算法、如ResNet、LeNet-5、AlexNet、VGG-F、VGG-M、VGG-S、VGG-16、VGG-19、GoogLeNet(inception v1)、SENet等算法设计的人工智能神经网络模型进行学习,可使用的算法的示例不限于上述种类。
人工智能模型可指通过突触的结合形成网络的节点构成的具有问题解决能力的整个模型。人工智能模型可通过更新作为构成模型的层之间的加权值的模型参数的学习过程、生成输出值的激活函数(Activation Function)定义。模型参数是指通过学习确定的参数,包括层连接的加权值和神经元的偏向等。超参数是指机器学习算法中学习前必须设置的参数,包括网络层数(num_laye r)、学习数据个数(num_training_samples)、类个数(num_classes)、学习率(Lear ning Rate)、学习次数(epochs)、小批量大小(mini_batch_size)、损失函数(opti mizer)等。这种超参数的设置值可根据学习设计而异,不限定于特定数值。
可以将人工智能模型的学习目的看作是确定最小化损失函数的模型参数。损失函数在人工智能模型的学习过程中可用作用于确定最佳的模型参数的指标。
完成学习的风格分析模型113可存储于存储器110。存储器110中存储的风格分析模型113可根据其他客体装置的有无线通信接入被利用,或者分发到其他客体的装置。因此其他客体装置能够如图7的实施例在多种装修服务利用风格分析模型113。
图7是根据本发明的一个实施例的风格分析模型提供装置100使用风格分析模型113推荐符合用户的风格的商品的风格分析模型提供方法的操作流程图。根据图7的风格分析模型提供方法的各步骤可由通过图1说明的风格分析模型提供装置100的构成执行。但根据图7的风格分析模型提供方法不必与根据图2的风格分析提供方法在相同的装置执行,执行图2的操作的装置和执行图7的操作的装置可以是不同客体的装置。例如,执行根据图7的风格分析模型提供方法的风格分析模型提供装置100可以是通过网络提供装修服务的计算机服务器或通过网络获得装修服务的用户终端,可以是存储另外的装置生成的风格分析模型113,利用风格分析模型113提供或获得装修服务的计算装置。因此在本说明书中风格分析模型提供装置100可包括提供装修服务的“服务器”或参与装修服务的“用户终端”。
如下对根据图7的风格分析模型提供方法的各步骤进行说明。
参见图7,存储器110可从装修服务的第一用户使用的SNS获取第一用户编辑的文档并存储(S710)。“第一用户”是指使用风格分析模型113的观点的用户。第一用户编辑的文档可包括发布在Instagram、Facebook、推特、博客、kakao Page等用户记载文本生成帖子的形态的SNS(Social Network Serv ice,社交网络服务)的文本数据。文档DB 111可根据第一用户同意收集SNS帖子信息,利用预定的爬行算法或通过SNS提供的API获取用户发布在SNS的文本数据。
文本模块121可以以保持构成第一用户的文档的文本的含义的预设的单位为基准判别文档中包含的第一文本(S720)。文本模块121可根据第一用户编辑的文档中包含的单词数判别第一用户编辑的各文档的第一文本中预定个数的第二文本(S730)。在此,S720及S730步骤的操作可以通过与图2的S220及S230步骤说明的操作相同的操作执行。省略重复说明。
向量模块123可生成在第一用户的文档中包含各个第二文本的频度数根据关于第二文本的重要度加权值构成的第一特征向量(S740)。例如,向量模块123可生成作为元素包括根据第一用户编辑的所有文档中包含各个第二文本的文档的数按照以下数学式3的tfidf(t,d,D)计算的值的第一特征向量。
[数学式3]
tfidf(t,d,D)=tf(t,d)×idf(t,D)
d:特定用户编辑的文档,t:第二文本,D:用于风格分析模型的学习的所有学习用文档,|D|:是用于风格分析模型的学习的所有学习用文档的数,作为预设值来存储,f(t,d):特定用户编辑的文档d中叫做t的第二文本的出现次数,|{d∈D:t∈d}|:特定用户编辑的文档中包含叫做t的第二文本的文档的数)
控制模块127可向存储器110中存储的风格分析模型113输入第一特征向量判别第一用户的风格的类,将判别的风格的类映射到第一用户的信息进行存储(S750)。
控制模块127在第一用户请求关于装修服务提供的预定的客体的信息的情况下,可根据判别的风格推荐映射有风格的元数据的客体信息。装修服务可包括通过网络销售装修相关用品的购物中心服务或能够在三维虚拟空间配置装修要素的网络虚拟空间提供服务。控制模块127在第一用户在购物中心服务输入预定商品的关键字的情况下,可优先输出映射于所述关键字的商品信息中映射有映射于第一用户的风格的元数据的商品信息。控制模块127在第一用户在网络虚拟空间服务请求壁纸、地面材料及事物中任一装修要素的信息的情况下,可优先输出请求的所述装修要素中映射有映射于第一用户的风格的元数据的装修要素。
根据上述实施例,能够生成可导出用户在SNS编辑的文本的内容和该用户喜欢的装修风格之间的相关关系的神经网络模型,可通过将这种神经网络模型应用于多种装修服务优先推荐与用户喜欢的风格对应的商品以为用户提供便利性。
上述本发明的实施例可通过多种手段实现。例如,本发明的实施例可通过硬件、固件(firmware)、软件或它们的结合等实现。
通过硬件实现的情况下,根据本发明的实施例的方法可通过一个或多个专用集成电路(Application Specific Integrated Circuits,ASICs)、数字信号处理器(DigitalSignal Processors,DSPs)、数字信号处理设备(Digital Signal Processing Devices,DSPDs)、可编程逻辑器件(Programmable Logic Devices,PLDs)、现场可编程门阵列(FieldProgrammable Gate Arrays,FPGAs)、处理器、控制器、微控制器、微处理器等实现。
通过固件或软件实现的情况下,根据本发明的实施例的方法可以以执行以上说明的功能或操作的模块、步骤或函数等形态实现。记录软件代码等的计算机程序可存储在计算机可读存储介质或存储器单元并通过处理器驱动。存储器单元位于处理器内部或外部,可通过公知的各种方式与处理器收发数据。
另外,本发明所附框图的各个框和流程图的各步骤的组合还可以通过计算机程序指令执行。这些计算机程序指令可加载于通用计算机、专用计算机或其它可编程数据处理设备的编码处理器,因此通过计算机或其它可编程数据处理设备的编码处理器执行的这些指令生成用于执行在框图的各个框或流程图的各步骤说明的功能的手段。为了通过特定方法实现功能,这些计算机程序指令还可以存储在可指向计算机或其它可编程数据处理设备的计算机可用或计算机可读存储器,存储于该计算机可用或计算机可读存储器的指令还可以生产包括执行在框图的各框或流程图的各步骤中说明的功能的指令手段的制造品目。计算机程序指令还可以搭载在计算机或其它可编程数据处理设备上,从而可在计算机或其它可编程数据处理设备上执行一系列操作步骤来生成用计算机执行的流程,在计算机或其它可编程数据处理设备执行的指令还能够提供用于执行在框图的各框及流程的各步骤说明的功能的步骤。
并且,各框或各步骤可表示包括用于执行特定逻辑功能的一个以上的可执行指令的模块、部分或代码的一部分。另外应注意在几种替代实施例中框或步骤中提及的功能还可以超出顺序来发生。例如,连续示出的两个框或步骤实际上可以实质上同时执行,或者该框或步骤有时还可以根据相应功能按倒序执行。
如上,本发明所属技术领域的普通技术人员能够理解在不变更该技术思想或必要特征的情况下可以以其它具体方式实施。因此,应理解以上描述的实施例在所有方面示例,而非进行限定。本发明的范围由所附权利要求的范围确定,而非具体说明,应解释权利要求范围的含义和范围及从其等价概念导出的所有变更或变形的方式包含于本发明的范围。
Claims (11)
1.一种风格分析模型提供装置,包括:
存储使得执行预定的操作的指令的一个以上的存储器;以及配置成与所述一个以上的存储器可操作地连接以运行所述指令的一个以上的处理器,
所述处理器执行的操作包括:
获取包括多个用户编辑的文本数据的学习用文档的操作;
以保持构成所述学习用文档的文本的含义的预设的单位为基准判别所述学习用文档中包含的第一文本的操作;
根据各所述用户编辑的学习用文档中包含的单词数判别所述学习用文档的第一文本中预定个数的第二文本的操作;
按各所述用户,生成根据各所述用户编辑的学习用文档中包含各个第二文本的频度数构成的第一特征向量的操作;
利用对特定装修风格的多个类和映射于各类的风格特定文本预先存储的信息按所述各类,根据获取的所有所述学习用文档中包含各个风格特定文本的频度数生成第二特征向量的操作;
判别所述第一特征向量和所述第二特征向量的相似度,将与所述第一特征向量最相似的第二特征向量的类标记到所述第一特征向量的操作;以及
生成及学习用于导出所述第一特征向量和标记到所述第一特征向量的类之间的相关关系的基于机器学习的神经网络模型的操作。
2.根据权利要求1所述的风格分析模型提供装置,其中,判别所述第一文本的操作包括:
利用正规表达式提取所述学习用文档中包含的特殊文字及表情符号,去除所述学习用文档中包含的数字及重复的字符串的操作;
根据预先存储的不用语词典去除所述学习用文档中包含的助词、冠词、非文的操作;以及
根据预定的词素分析算法提取所述学习用文档中包含的词干单位来判别所述第一文本的操作。
3.根据权利要求1所述的风格分析模型提供装置,其中,判别所述第二文本的操作包括:
根据各所述用户编辑的各学习用文档的单词数的统计确定将用于学习的单词数,判别各所述用户编辑的各学习用文档中包含的第一文本中相当于确定的所述单词数的选定的第二文本的操作。
4.根据权利要求3所述的风格分析模型提供装置,其中,判别所述第二文本的操作包括:
对所有文档按各所述用户编辑的学习用文档中包含的单词多到少的顺序汇集统计时,将所述统计中学习用文档中包含的单词数的前第三四分位开始的位置的单词数确定为所述预定个数的操作;以及
判别各所述用户编辑的各学习用文档中包含的第一文本中所述预定个数的第二文本的操作。
5.根据权利要求1所述的风格分析模型提供装置,其中,生成所述第一特征向量的操作包括:
按各所述用户,生成作为元素包括根据各所述用户编辑的学习用文档中包含各个第二文本的文档的数,按照以下数学式1的tfidf(t,d,D)计算的值的第一特征向量,
[数学式1]
tfidf(t,d,D)=tf(t,d)×idf(t,D)
tf(t,d)=log(f(t,d)+1),
d:特定用户编辑的学习用文档,t:第二文本,D:文档DB中包含的所有学习用文档,|D|:文档DB中包含的所有学习用文档的数,f(t,d):特定用户编辑的学习用文档d中叫做t的第二文本的出现次数,|{d∈D:t∈d}|:特定用户编辑的学习用文档中包含叫做t的第二文本的学习用文档的数。
6.根据权利要求5所述的风格分析模型提供装置,其中,生成所述第一特征向量的操作包括:
生成所述第一特征向量之后,在使用了第二文本的学习用文档中特殊文字或表情符号从所述第二文本起在预定单位的语节之间邻近使用的情况下,向对预定的所述第二文本计算的所述第一特征向量的元素值施加预设的加权值更新所述第一特征向量的元素值的操作。
7.根据权利要求1所述的风格分析模型提供装置,其中,生成所述第二特征向量的操作包括:
按所述各类,生成作为元素包括根据获得的所有所述学习用文档中包括各个风格特定文本的文档按照以下数学式2的tfidf(t,d,D)计算的值的第二特征向量的操作,
[数学式2]
tfidf(t,d,D)=tf(t,d)×idf(t,D)
tf(t,d)=logf(t,d)+1),
d:特定用户编辑的学习用文档,t:风格特定文本,D:文档DB中包含的所有学习用文档,|D|:文档DB中包含的所有学习用文档的数,f(t,d):特定用户编辑的学习用文档d中叫做t的风格特定文本的出现次数,|{d∈D:t∈d}|:特定用户编辑的学习用文档中包含叫做t的风格特定文本的学习用文档的数。
8.根据权利要求1所述的风格分析模型提供装置,其中,标记的所述操作包括:
计算所述第一特征向量和所述第二特征向量的余弦相似度,将与所述第一特征向量计算的值最接近+1的第二特征向量的类标记到所述第一特征向量的操作。
9.根据权利要求1所述的风格分析模型提供装置,其中,生成及学习所述神经网络模型的操作包括:
设置成根据预定的卷积神经网络(Convolutional Neural Network,CNN)设计的神经网络的输入层中输入所述第一特征向量,设置成输出层中输入对各所述第一特征向量标记的类,以此学习导出所述第一特征向量和标记到所述第一特征向量的类之间的相关关系的神经网络的加权值的操作。
10.一种风格分析模型提供方法,通过风格分析模型提供装置执行,包括:
获取包括多个用户编辑的文本数据的学习用文档的操作;
以保持构成所述学习用文档的文本的含义的预设的单位为基准判别所述学习用文档中包含的第一文本的操作;
根据各所述用户编辑的学习用文档中包含的单词数判别所述学习用文档的第一文本中预定个数的第二文本的操作;
按各所述用户,生成根据各所述用户编辑的学习用文档中包含各个第二文本的频度数构成的第一特征向量的操作;
利用对特定装修风格的多个类和映射于各类的风格特定文本预先存储的信息按所述各类,根据获取的所有所述学习用文档中包含各个风格特定文本的频度数生成第二特征向量的操作;
判别所述第一特征向量和所述第二特征向量的相似度,将与所述第一特征向量最相似的第二特征向量的类标记到所述第一特征向量的操作;以及
生成及学习用于导出所述第一特征向量和标记到所述第一特征向量的类之间的相关关系的基于机器学习的神经网络模型的操作。
11.一种计算机可读存储介质,其中存储有计算机程序,所述计算机程序包括使处理器执行权利要求10所述的方法的指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2021-0003731 | 2021-01-12 | ||
KR1020210003731A KR102549937B1 (ko) | 2021-01-12 | 2021-01-12 | Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법 |
PCT/KR2022/000275 WO2022154376A1 (ko) | 2021-01-12 | 2022-01-07 | Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117015789A true CN117015789A (zh) | 2023-11-07 |
Family
ID=82448317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280020418.1A Withdrawn CN117015789A (zh) | 2021-01-12 | 2022-01-07 | 基于sns文本的用户的装修风格分析模型提供装置及方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230351473A1 (zh) |
EP (1) | EP4261763A1 (zh) |
KR (1) | KR102549937B1 (zh) |
CN (1) | CN117015789A (zh) |
WO (1) | WO2022154376A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151194B (zh) * | 2023-04-04 | 2023-07-07 | 上海燧原科技有限公司 | 中文通用语言的生成方法、装置、设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004288170A (ja) * | 2003-03-05 | 2004-10-14 | Olympus Corp | 三次元モデル検索方法及びシステム |
KR101830767B1 (ko) * | 2011-07-14 | 2018-02-22 | 삼성전자주식회사 | 사용자의 감정 인식 장치 및 방법 |
KR101542417B1 (ko) * | 2013-06-26 | 2015-08-07 | 숭실대학교산학협력단 | 사용자 선호도 학습 방법 및 장치 |
KR101833779B1 (ko) | 2016-06-10 | 2018-03-05 | 박희정 | 인테리어 서비스 방법 및 인테리어 서비스 시스템 |
KR20180121466A (ko) * | 2017-04-06 | 2018-11-07 | 네이버 주식회사 | 딥러닝을 활용한 개인화 상품 추천 |
KR102146152B1 (ko) * | 2018-01-03 | 2020-08-28 | 세종대학교산학협력단 | 관능 평가 방법 및 그 장치 |
KR101918208B1 (ko) * | 2018-02-12 | 2018-11-14 | 김춘호 | 실시간으로 크롤링 데이터를 분석하는 분석 서버 및 분석 서버의 동작 방법 |
KR102153410B1 (ko) * | 2018-08-22 | 2020-09-08 | 주식회사 비주얼 | 주얼리 상품 추천 방법 및 주얼리 상품 추천 장치 |
KR102177336B1 (ko) * | 2020-05-26 | 2020-11-10 | 주식회사 드림인사이트 | 데이터 필터링을 이용한 고객과 인테리어 업체간 매칭 시스템 |
-
2021
- 2021-01-12 KR KR1020210003731A patent/KR102549937B1/ko active IP Right Grant
-
2022
- 2022-01-07 WO PCT/KR2022/000275 patent/WO2022154376A1/ko active Application Filing
- 2022-01-07 EP EP22739574.6A patent/EP4261763A1/en not_active Withdrawn
- 2022-01-07 CN CN202280020418.1A patent/CN117015789A/zh not_active Withdrawn
-
2023
- 2023-07-11 US US18/350,060 patent/US20230351473A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR102549937B1 (ko) | 2023-06-30 |
EP4261763A1 (en) | 2023-10-18 |
US20230351473A1 (en) | 2023-11-02 |
WO2022154376A1 (ko) | 2022-07-21 |
KR20220101807A (ko) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796190B (zh) | 具有深度学习特征的指数建模 | |
CN111177569B (zh) | 基于人工智能的推荐处理方法、装置及设备 | |
CN111444320B (zh) | 文本检索方法、装置、计算机设备和存储介质 | |
CN108363790A (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
CN109933686B (zh) | 歌曲标签预测方法、装置、服务器及存储介质 | |
Zhao et al. | Modeling fonts in context: Font prediction on web designs | |
CN110245257B (zh) | 推送信息的生成方法及装置 | |
CN110325986A (zh) | 文章处理方法、装置、服务器及存储介质 | |
CN110363213A (zh) | 服装图像的认知分析和分类 | |
CN111488931A (zh) | 文章质量评估方法、文章推荐方法及其对应的装置 | |
CN107357793A (zh) | 信息推荐方法和装置 | |
Banik | Hands-on recommendation systems with Python: start building powerful and personalized, recommendation engines with Python | |
KR20200009117A (ko) | 텍스트 데이터 수집 및 분석을 위한 시스템 | |
CN108550065A (zh) | 评论数据处理方法、装置及设备 | |
CN113392641A (zh) | 文本处理方法、装置、存储介质和设备 | |
US20230351473A1 (en) | Apparatus and method for providing user's interior style analysis model on basis of sns text | |
CN111382243A (zh) | 文本的类别匹配方法、类别匹配装置及终端 | |
CN113486143A (zh) | 一种基于多层级文本表示及模型融合的用户画像生成方法 | |
Layton | Learning data mining with Python | |
CN116955591A (zh) | 用于内容推荐的推荐语生成方法、相关装置和介质 | |
CN111858919A (zh) | 一种文本分类方法及装置、计算机可读存储介质 | |
CN116982068A (zh) | 基于sns文本的用户的装修风格分析模型提供服务器、用户终端及方法 | |
CN111400413B (zh) | 一种确定知识库中知识点类目的方法及系统 | |
CN113722477A (zh) | 基于多任务学习的网民情绪识别方法、系统及电子设备 | |
Tandon et al. | Introduction to Artificial Intelligence using Python |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231107 |