KR101596631B1 - Method for recommanding product using big data - Google Patents

Method for recommanding product using big data Download PDF

Info

Publication number
KR101596631B1
KR101596631B1 KR1020150058295A KR20150058295A KR101596631B1 KR 101596631 B1 KR101596631 B1 KR 101596631B1 KR 1020150058295 A KR1020150058295 A KR 1020150058295A KR 20150058295 A KR20150058295 A KR 20150058295A KR 101596631 B1 KR101596631 B1 KR 101596631B1
Authority
KR
South Korea
Prior art keywords
product
big data
recommended
information
recommendation
Prior art date
Application number
KR1020150058295A
Other languages
Korean (ko)
Inventor
최주철
Original Assignee
경희대학교 산학협력단
컨팩 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경희대학교 산학협력단, 컨팩 주식회사 filed Critical 경희대학교 산학협력단
Priority to KR1020150058295A priority Critical patent/KR101596631B1/en
Application granted granted Critical
Publication of KR101596631B1 publication Critical patent/KR101596631B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G06Q30/0256—User search
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0263—Targeted advertisements based upon Internet or website rating

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

The present invention relates to a method for recommending products which are most suitable for a member store by using a product recommending server. Particularly, the present invention relates to a method of recommending products which are most suitable for a member store by receiving information about sales volume of each product sold in each store from a POS terminal placed in each member store and by using information about the popularity of each product, computed through big data on the products.

Description

빅데이터 색인어를 이용한 상품 추천 방법{Method for recommanding product using big data}{Method for recommanding product using big data}

본 발명은 상품 추천 서버를 통해 가맹점에 최적화된 상품을 추천하는 방법에 관한 것으로, 보다 구체적으로 상품 판매 가맹점에 배치되어 있는 포스 단말기로부터 가맹점에서 판매하는 상품의 상품별 판매량에 대한 정보와 상품에 대한 빅데이터로부터 계산한 상품별 인기 순위에 대한 정보를 함께 이용하여 가맹점에 최적화된 상품을 추천하는 방법에 관한 것이다. More specifically, the present invention relates to a method for recommending a product optimized for an affiliated store through a product recommendation server, and more particularly, to a method for recommending a product optimized for an affiliated store through a product recommendation server, And a method of recommending a product optimized for a merchant using information on popularity ranking of each product calculated from data.

편의점, 프랜차이즈 음식점 등과 같이 소규모 가맹점에서는 본사와 정보를 송수신하는 포스 단말기가 배치되어 있다. 가맹주는 포스 단말기를 통해 가맹점에서 판매하는 상품을 결제하며, 결제 정보는 네트워크를 통해 본사에서 관리하는 상품 관리 서버로 송신된다.Convenience stores, franchise restaurants, and other small-scale merchants have a POS terminal that sends and receives information to and from the head office. The merchant pays the merchandise sold at the merchant through the POS terminal, and the payment information is transmitted to the merchandise management server managed by the head office through the network.

도 1은 종래 가맹점의 상품 추천 방법을 설명하기 위한 도면이다.1 is a diagram for explaining a product recommendation method of a conventional merchant.

도 1을 참고로 살펴보면, 가맹주는 포스 단말기(10)를 통해 재고 관리, 상품 주문, 매출 관리를 수행하는데, 포스 단말기(10)를 통해 본사에 배치되는 상품 관리 서버(50)로 재고 관리 정보, 상품 주문 정보, 매출 정보 등을 송신한다. 본사는 포스 단말기(10)를 통해 입력되는 재고 관리, 상품 주문 정보 또는 매출 정보를 통해 인기 상품을 판단하거나 가맹점별 인기 상품을 구분하여 판단하여 인기 상품을 추천한다.1, a participant performs inventory management, product ordering, and sales management through the POS terminal 10. The goods management server 50 disposed at the head office via the POS terminal 10 stores inventory management information, Product order information, sales information, and the like. The main company judges a popular product through inventory management, product order information or sales information input through the force terminal 10, or distinguishes popular goods for each merchant, and recommends a popular product.

그러나 종래 포스 단말기(10)로부터 수신한 재고 정보, 상품 주문 정보, 매출 정보를 이용한 인기 상품의 추천 방식의 경우, 현재 각 가맹점에서 판매된 상품의 매출 정보만을 이용하여 현재 판매가 잘 되는 상품만을 판단할 수 있다. 따라서 일부 가맹점에서만 인기 있는 상품이거나, 현재 판매량이 많은 상품은 아니지만 소셜 네트워크 등과 같이 빅데이터 상에서 인기 있는 상품은 고려하지 못한다는 문제점을 가진다. However, in the case of popular recommendation methods using stock information, product order information, and sales information received from the conventional POS terminal 10, only the products currently sold are judged using only the sales information of the products currently sold at each merchant . Therefore, there is a problem in that it can not be considered a popular product in big data such as a social network or the like, although it is a popular product only at some merchants or a product with a large sales volume.

여기서 빅데이터는 디지털 환경에서 생성되는 데이터로 그 규모가 방대하고 수치 데이터뿐 아니라 문자와 영상 데이터를 포함하는 대규모 데이터를 말한다. 빅데이터라는 용어는 소정의 기간 동안에 축적된 대용량 데이터로서, 보통의 소프트웨어나 컴퓨팅 시스템으로는 다루기 어려운 수준의 양을 갖는 데이터 집합(data set)에 대하여 주로 적용된다. Big data is large-scale data that is generated in a digital environment and is large in size and includes not only numerical data but also text and image data. The term big data is a large amount of data accumulated during a predetermined period, and is mainly applied to a data set having a level that can not be handled by ordinary software or a computing system.

이러한 빅데이터에는 페이스북, 블로그, 싸이월드, 카카오톡 등과 같이 사용자가 직접 제작하는 UCC 또는 동영상 콘텐츠, 휴대전화와 SNS(Social Network Service)에서 생성되는 문자 또는 사진, 블로그 등의 컨텐츠를 포함하는데, 이러한 빅데이터의 컨텐츠는 컨텐츠를 작성한 작성자의 일상, 취미, 관심, 성향 등 작성자가 체험하거나 관심을 가지는 대상을 실시간으로 표현하고 있다는 점에서 인터넷 환경에서 데이터를 수집, 분석하여 새로운 가치를 찾아내는 인터넷 패러다임으로 활용될 수 있다. 즉, 빅데이터는 실시간으로 사용자가 관심을 가지는 상품에 대한 정보를 분석하는데 유용하게 사용될 수 있다.Such big data includes contents such as UCC or video contents that are produced by the user such as Facebook, blog, Cyworld, Kakao Talk, and texts, photos, and blogs generated by mobile phones and SNS (Social Network Service) The content of Big Data is an Internet paradigm that collects and analyzes data in the Internet environment and finds new value in that the creator expresses in real time the subject who is experiencing or interested by the creator's daily life, hobby, interest, . That is, big data can be useful for analyzing information about a product that the user is interested in in real time.

그러나 종래 가맹점의 상품 추천 방법은 가맹점의 포스 단말기로부터 수신한 상품별 매출 정보에만 의존하여 상품을 추천하기 때문에, 현재 인기 있는 상품만을 추천하며 앞으로 인기 있을 것으로 예상되는 제품에 대한 추천은 불가능하다. However, in the conventional merchandise recommendation method, since the merchandise recommendation depends only on the merchandise-specific sales information received from the POS terminal of the merchant, it recommends only the popular merchandise at present and it is impossible to recommend the product that is expected to be popular in the future.

본 발명은 종래 가맹점의 상품 추천 방법이 가지는 문제점을 해결하기 위한 것으로, 본 발명이 이루고자 하는 목적은 가맹점에서 인기 있을 것으로 예상되는 상품을 추천 상품으로 추천함으로써 가맹점의 매출 증대 효과를 가져올 수 있는 상품 추천 방법을 제공하는 것이다.The present invention has been made to solve the problems of conventional merchandise recommendation methods, and it is an object of the present invention to provide a merchandise recommendation method and a merchandise recommendation method, Method.

본 발명이 이루고자 하는 다른 목적은 가맹점의 상품 판매량 정보를 우선으로 하고 상품에 대한 빅데이터로부터 판단한 상품별 인기 순위 정보를 차선으로 하여 가맹점의 상품 판매 상태를 고려하면서 동시에 인기 예상 상품에 대해서도 상품을 추천할 수 있는 방법을 제공하는 것이다.Another object to be achieved by the present invention is to provide a method and a system for recommending a product for a popular anticipated product while taking into consideration the merchandise sales status of the merchant by taking the merchandise sales volume information of the merchant as a priority and the popularity ranking information for each product determined from the big data about the merchandise as a lane It is a way to be able to do.

본 발명이 이루고자 하는 또 다른 목적은 상품에 대한 빅데이터의 컨텐츠를 제작자의 성별 또는 나이별로 균등하게 추출하며, 가맹점에 근접하여 위치하는 제작자가 제작한 빅데이터의 컨텐츠를 이용하여 성별, 나이별, 위치를 고려하여 정확하게 가맹점에 인기 있을 상품을 추천하는 방법을 제공하는 것이다.It is another object of the present invention to provide a method and apparatus for extracting contents of big data for a product evenly by the gender or age of a manufacturer and further, by using contents of big data produced by a manufacturer located close to the merchant, It provides a way to recommend merchandise that will be popular with merchants, taking into account their location.

본 발명이 이루고자 하는 또 다른 목적은 추천 상품과 연관하여 등장하는 상품을 판단하여 추천 상품과 연관 상품을 같이 추천하여 추천 상품과 연관 상품의 동반 매출 확대 효과를 가져오는 상품 추천 방법을 제공하는 것이다.It is another object of the present invention to provide a product recommendation method that judges a commodity appearing in connection with a recommended commodity, recommends a recommended commodity and an associated commodity together, and brings about an effect of expanding concurrent sales of the recommended commodity and related commodities.

본 발명의 목적을 달성하기 위하여, 본 발명에 따른 상품 추천 방법은 포스 단말기로부터 판매 상품의 상품별 판매량에 대한 정보를 수신하는 단계와, 빅데이터 DB로부터 상품별 인기 순위를 계산하는 단계와, 상품별 판매량에 대한 정보와 상품별 인기 순위에 대한 정보로부터 각 상품에 대한 추천도를 계산하여 추천 상품을 판단하는 단계와, 추천 상품에 대한 정보를 포스 단말기의 가맹주에게 제공하는 단계를 포함하는 것을 특징으로 한다.In order to achieve the object of the present invention, a product recommendation method according to the present invention includes the steps of: receiving information on sales volume of each sale item of a product from a force terminal; calculating popularity rank of each product from the big data DB; Determining a recommendation product by calculating a recommendation degree for each product based on information on the recommendation product and information on the recommendation product, and providing information on the recommendation product to a member of the POS terminal.

여기서 추천도는 상품별 판매량의 변화 및 인기 순위 변화에 기초하여 계산되는 것을 특징으로 한다.Here, the recommendation level is calculated based on a change in the sales volume and a change in popularity ranking of each product.

바람직하게, 본 발명에 따른 상품 추천 방법은 상품별 인기 순위에 대한 정보로부터 임계 상승값보다 높은 인기 상승값을 가지는 후보 상품이 존재하는지 판단하는 단계와, 후보 상품의 추천도에 무관하게 후보 상품을 추가 추천 상품으로 판단하는 단계를 더 포함하며, 추가 추천 상품에 대한 정보를 포스 단말기의 가맹주에 제공하는 것을 특징으로 한다.Preferably, the method of recommending a product according to the present invention further comprises the steps of: determining whether a candidate product having a popularity rise value higher than a threshold rise value exists from information on a popularity ranking of each product; And judging the product as a recommended product, wherein the information about the additional recommended product is provided to the member of the POS terminal.

바람직하게, 본 발명에 따른 상품 추천 방법은 후보 상품이 판매 상품에 포함되어 있는지 판단하는 단계를 더 포함하며, 후보 상품이 판매 상품에 포함되어 있지 않은 경우 후보 상품의 추천도에 무관하게 후보 상품을 추가 추천 상품으로 판단하는 것을 특징으로 한다.Preferably, the product recommendation method further includes determining whether the candidate product is included in the sales product, and if the candidate product is not included in the sales product, determining whether the candidate product is included in the sales product, It is determined that the product is an additional recommended product.

여기서 상품별 인기 순위는 빅데이터 DB에서 상품 명칭을 색인어로 포함하고 있는 빅데이터 컨텐츠의 수를 카운트하고, 카운트한 빅데이터 컨텐츠의 수에 기초하여 계산하는 것을 특징으로 한다.Here, the popular ranking for each product is characterized by counting the number of big data contents including the product name as an index word in the big data DB and calculating based on the counted number of big data contents.

여기서 빅데이터 DB로부터 상품별 인기 순위를 계산하는 단계는 빅데이터 DB에서 단위 수의 빅데이터 컨텐츠를 무작위로 추출하는 단계와, 추출한 빅데이터 컨텐츠 중 상품 명칭을 색인어로 포함하고 있는 빅데이터 컨텐츠의 수를 카운트하는 단계와, 카운트된 빅데이터 컨텐츠의 수에 기초하여 상품별 인기 순위를 계산하는 것을 특징으로 한다.Wherein the step of calculating popularity ranking by product from the big data DB includes a step of randomly extracting the big data contents of the unit number from the big data DB and a step of calculating the number of big data contents containing the product name as an index word among the extracted big data contents Counting the number of large data contents, and calculating a popularity ranking for each product based on the counted number of big data contents.

여기서 빅데이터 컨텐츠의 작성자 성별 또는 나이를 고려하여 성별 또는 나이별로 균등하게 단위 수의 빅데이터 컨텐츠를 무작위로 추출하며, 포스 단말기가 설치된 가맹점의 위치 정보와 빅데이터 컨텐츠의 작성자 위치 정보에 기초하여 가맹점으로부터 임계 범위에 위치하는 작성자가 작성한 빅데이터 컨텐츠로부터 단위 수의 빅데이터 컨텐츠를 무작위로 추출하는 것을 특징으로 한다. Here, the big data contents are uniformly extracted in units of gender or age by taking the gender or age of the creator of the big data contents into account, and based on the location information of the affiliate shop installed with the force terminal and the creator position information of the big data contents, The big data content of the unit number is randomly extracted from the big data content created by the creator located in the critical range from the big data content.

여기서 상품 추천 방법은 빅데이터 DB에서 추천 상품과 함께 등장하는 연관 상품의 연관도를 계산하는 단계를 더 포함하며, 연관 상품 중 임계 연관도 이상의 연관도를 가지는 상품을 추가 추천 상품으로 판단하여 추가 추천 상품에 대한 정보를 포스 단말기의 가맹주에 제공하는 것을 특징으로 한다.Here, the product recommendation method further includes a step of calculating a degree of association of the related commodity that appears with the recommended commodity in the big data DB, And provides information about the product to the member of the force terminal.

바람직하게, 연관도를 계산하는 단계는 빅데이터 DB에서 추천 상품을 색인어로 포함하고 있는 단위 수의 빅데이터 컨텐츠를 무작위로 추출하는 단계와, 추출한 빅데이터 컨텐츠에서 추천 상품과 같이 등장하는 연관 상품을 판단하는 단계와, 빅데이터 컨텐츠에서 추천 상품과 연관 상품이 동시에 등장하는 빅데이터 컨텐츠의 수와 추천 상품만이 등장하는 빅데이터 컨텐츠의 수의 비율로부터 추천 상품과 연관 상품의 연관도를 계산하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of calculating the degree of association includes randomly extracting a large number of units of the big data contents including the recommended products in the big data DB as index words, and extracting the related products appearing like the recommended products in the extracted big data contents Calculating a degree of association between the recommended product and the associated product from the ratio of the number of big data contents in which the recommended product and the associated product appear simultaneously in the big data content and the number of the big data contents in which only the recommended product appears, And a control unit.

바람직하게, 빅데이터 DB에서 추천 상품과 연관 상품이 동시에 등장하는 컨텐츠의 수는 검색 포털 사이트에서 추천 상품과 상기 연관 상품을 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 검색 수로 판단하며, 추천 상품만이 등장하는 빅데이터 컨텐츠의 수는 검색 포털 사이트에서 추천 상품만을 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 검색 수로 판단하는 것을 특징으로 한다.Preferably, the number of the contents in which the recommended product and the associated product appear simultaneously in the big data DB is determined by the number of retrieval of the big data content that is searched by inputting the recommended product and the related product as search terms in the search portal site, The number of big data contents appearing is determined by the number of searches of the big data contents that are searched by inputting only the recommended products in the search portal site as search terms.

본 발명의 목적을 달성하기 위하여, 본 발명에 따른 상품 추천 서버는 포스 단말기로부터 판매 상품의 상품별 판매량에 대한 정보를 수신하거나 상품에 대한 빅데이터를 수신하며 포스 단말기의 가맹주에게 추천 상품에 대한 정보를 송신하는 송수신부와, 상품에 대한 빅데이터 DB로부터 상품별 인기 순위를 계산하는 인기 순위 계산부와, 상품별 판매량에 대한 정보와 상품별 인기 순위에 대한 정보로부터 각 상품에 대한 추천도를 계산하는 추천도 계산부와, 추천도에 기초하여 추천 상품을 판단하고 추천 상품에 대한 정보를 포스 단말기의 가맹주에게 제공 제어하는 추천 상품 판단부를 포함하는 것을 특징으로 한다.In order to accomplish the object of the present invention, the product recommendation server according to the present invention receives information on the sales volume of the sales product by the product from the force terminal, receives the big data about the product, Calculating a recommendation degree for calculating a recommendation degree for each product based on information on the sales amount per product and the popularity ranking of each product from the big data DB about the product; And a recommended product determination unit for determining a recommended product based on the recommendation level and providing and providing information about the recommended product to the member of the force terminal.

여기서 상품 추천 서버는 상품별 인기 순위에 대한 정보로부터 임계 상승값보다 높은 인기 상승값을 가지는 후보 상품이 존재하는지 판단하고, 임계 상승값보다 높은 인기 상승값을 가지는 후보 상품을 추가 추천 상품으로 판단하는 추가 판단부를 더 포함하며, 추천 상품 판단부는 추천 상품과 추가 추천 상품을 포스 단말기의 가맹주에 제공 제어하는 것을 특징으로 한다.Here, the commodity recommendation server determines whether there is a candidate commodity having a popular rising value higher than the threshold rising value from the information on the popular ranking for each commodity, and judges the candidate commodity having the popular rising value higher than the threshold rising value as the additional recommended commodity And the recommended product determination unit provides the recommended product and the additional recommended product to the member of the force terminal.

여기서 인기 순위 계산부는 상품에 대한 빅데이터 DB에서 단위 수의 빅데이터 컨텐츠를 무작위로 추출하는 컨텐츠 추출부와, 추출한 빅데이터 컨텐츠 중 상품 명칭을 색인어로 포함하고 있는 빅데이터 컨텐츠의 수를 카운트하는 카운트부와, 카운트된 빅데이터 컨텐츠의 수에 기초하여 상품별 인기 순위를 계산하는 계산부를 포함하는 것을 특징으로 한다.Here, the popularity rank calculation unit may include a content extracting unit for randomly extracting a large number of units of the big data content from the big data DB for the goods, and a counting unit for counting the number of big data contents including the product name as an index word And a calculation unit for calculating a popularity rank for each product based on the number of the counted big data contents.

바람직하게, 컨텐츠 추출부는 상품에 대한 빅데이터 컨텐츠의 작성자 인적정보에 기초하여 상품에 대한 빅데이터 컨텐츠를 성별로 분류하는 성별 분류부와, 상품에 대한 빅데이터 컨텐츠의 작성자 인적정보에 기초하여 상품에 대한 빅데이터 컨텐츠를 나이로 분류하는 나이 분류부와, 상품에 대한 빅데이터 컨텐츠의 작성자 위치 정보에 기초하여 가맹점으로부터 임계 범위에 위치하는 작성자가 작성한 상품에 대한 빅데이터 컨텐츠를 추출하는 위치 분류부와, 임계 범위에 위치하는 작성자가 작성한 상품에 대한 빅데이터 컨텐츠 중 상품에 대한 빅데이터 컨텐츠의 성별 또는 나이별로 균등하게 단위 수의 빅데이터 컨텐츠를 추출하는 균등 추출부를 포함하는 것을 특징으로 한다.Preferably, the content extracting unit includes a gender classification unit for classifying the big data contents for the goods into gender based on the creator information of the creator of the big data contents for the goods, An age classifying unit for classifying the big data contents of the goods into the age and a position classifying unit for extracting the big data contents for the goods created by the creator located in the critical range from the merchant based on the creator position information of the big data contents for the goods And an even-number extracting unit for extracting a large number of units of the large data contents in units of sex or age of the big data contents for the goods among the big data contents for the goods created by the creator located in the critical range.

여기서 상품 추천 서버는 추천 상품을 색인어로 포함하는 단위 수의 빅데이터 컨텐츠에서 추천 상품과 함께 등장하는 연관 상품의 연관도에 기초하여 임계 연관도 이상의 연관도를 가지는 연관 상품을 추가 추천 상품으로 판단하는 추가 판단부를 더 포함하는 것을 특징으로 하는데,Here, the commodity recommendation server judges an associated commodity having a degree of correlation of at least a critical degree of association as a recommended commodity based on the degree of association of the related commodity that appears with the recommended commodity in the unit of large data contents including the recommended commodity as an index word And an additional determination unit,

추가 판단부는 상품에 대한 빅데이터 DB에서 추천 상품을 색인어로 포함하고 있는 단위 수의 빅데이터 컨텐츠를 무작위로 추출하는 컨텐츠 추출부와, 추출한 빅데이터 컨텐츠에서 추천 상품과 같이 등장하는 연관 상품을 판단하는 연관 상품 판단부와, 빅데이터 컨텐츠에서 추천 상품과 연관 상품이 동시에 등장하는 빅데이터 컨텐츠의 수와 추천 상품만이 등장하는 빅데이터 컨텐츠의 수의 비율로부터 추천 상품과 연관 상품의 연관도를 계산하는 연관도 계산부와, 연관 상품 중 임계 연관도 이상의 연관도를 가지는 상품을 추가 추천 상품으로 판단하는 추가 추천 상품 판단부를 포함하는 것을 특징으로 한다.The additional judging unit may include a content extracting unit for randomly extracting a unit number of big data contents including a recommended product in the big data DB for the product as an index word and an associated product appearing like the recommended product in the extracted big data contents The association product determination unit and the association degree of the recommended product and the associated product from the ratio of the number of the big data contents in which the recommended product and the associated product simultaneously appear in the big data content and the number of the big data contents in which only the recommended product appears And an additional recommendation product judging unit for judging that the product having a degree of correlation of at least a critical degree of association among the related products is the additional recommendation product.

본 발명에 따른 상품 추천 방법은 다음과 같은 다양한 효과들을 가진다.The product recommendation method according to the present invention has the following various effects.

첫째, 본 발명에 따른 상품 추천 방법은 상품에 대한 빅데이터 DB를 이용하여 가맹점에서 인기 있을 것으로 예상되는 상품을 추천 상품으로 추천함으로써, 가맹점의 매출 증대 효과를 가져올 수 있다.First, the product recommendation method according to the present invention can increase the sales of the merchant by recommending a product that is expected to be popular at the merchant using the big data DB for the merchandise as a recommended merchandise.

둘째, 본 발명에 따른 상품 추천 방법은 가맹점의 상품 판매량 정보를 제1 기준으로 하고 상품에 대한 빅데이터 컨텐츠로부터 판단한 상품별 인기 순위 정보를 제2 기준으로 하여 가맹점에 추천할 상품을 판단함으로써, 가맹점의 상품 판매 상태를 고려하면서 동시에 인기 예상 상품에 대해서도 상품을 추천할 수 있다.Second, the merchandise recommendation method according to the present invention determines the merchandise to be recommended to the merchant using the merchandise sales volume information of the merchant as the first reference and the merchandise popularity ranking information determined from the big data content of the merchandise as the second reference, It is possible to recommend the product to the popular expected product at the same time while considering the product sales status.

셋째, 본 발명에 따른 상품 추천 방법은 상품에 대한 빅데이터 컨텐츠를 제작자의 성별 또는 나이별로 균등하게 추출하며, 가맹점에 근접하여 위치하는 제작자가 제작한 빅데이터 컨텐츠를 이용함으로써, 성별, 나이별, 위치를 고려하여 정확하게 가맹점에 인기 있을 상품을 추천할 수 있다.Third, the commodity recommendation method according to the present invention extracts the big data contents for the commodities evenly by the sex or age of the producer, and by using the big data contents produced by the producer located close to the merchant, Considering the location, it is possible to recommend goods which are popular to the merchant accurately.

넷째, 본 발명에 따른 상품 추천 방법은 빅데이터 컨텐츠에서 추천 상품과 연관하여 등장하는 연관 상품을 판단하여 추천 상품과 연관 상품을 같이 추천함으로써, 추천 상품과 연관 상품의 동반 매출 확대 효과를 가져올 수 있다.Fourth, the product recommendation method according to the present invention judges an associated product appearing in association with a recommended product in the big data content, and recommends the recommended product and the associated product together, thereby bringing about an effect of expanding the concurrent sales of the recommended product and the associated product .

도 1은 종래 상품 추천 시스템을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 상품 추천 시스템을 설명하기 위한 도면이다.
도 3은 본 발명에 따른 상품 추천 서버를 설명하기 위한 기능 블록도이다.
도 4는 본 발명에 따른 추가 판단부를 구체적으로 설명하기 위한 기능 블록도이다.
도 5는 본 발명에 따른 가맹점의 상품 추천 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명에 따른 판매 상품의 판매량 순위 정보와 상품의 인기 순위 정보의 일 예를 설명하기 위한 도면이다.
도 7은 본 발명에 따른 상품 추천 방법에서 상품의 인기 순위를 계산하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 8은 단위 수의 컨텐츠를 추출하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 9는 본 발명에 따른 추가 추천 상품을 판단하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 10은 본 발명에 따른 추가 추천 상품을 판단하는 방법의 다른 예를 설명하기 위한 흐름도이다.1 is a diagram for explaining a conventional product recommendation system.
2 is a diagram for explaining a product recommendation system according to the present invention.
3 is a functional block diagram illustrating a product recommendation server according to the present invention.
4 is a functional block diagram for explaining the additional determination unit according to the present invention in detail.
5 is a flowchart for explaining a merchandise recommendation method of a merchant according to the present invention.
FIG. 6 is a view for explaining an example of selling price ranking information and sales ranking information of a product according to the present invention.
FIG. 7 is a flowchart for explaining an example of a step of calculating a popularity ranking of goods in the product recommendation method according to the present invention.
8 is a flowchart for explaining an example of a step of extracting a unit number of contents.
FIG. 9 is a flowchart for explaining an example of a method for determining an additional recommended product according to the present invention.
10 is a flowchart for explaining another example of a method for determining a recommended recommendation product according to the present invention.

이하 첨부한 도면을 참고로 본 발명에 따른 가맹점의 상품 추천 방법을 보다 구체적으로 살펴본다.
DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Reference will now be made in detail to the preferred embodiments of the present invention, examples of which are illustrated in the accompanying drawings.

도 2는 본 발명에 따른 상품 추천 시스템을 설명하기 위한 도면이다.2 is a diagram for explaining a product recommendation system according to the present invention.

도 2를 참고로 보다 구체적으로 살펴보면, 포스 단말기(110)와 빅데이터 DB(150)는 네트워크(130)를 통해 상품 추천 서버(200)에 접속되어 있다.2, the force terminal 110 and the big data DB 150 are connected to the commodity recommendation server 200 via the network 130. As shown in FIG.

여기서 포스 단말기(110)는 가맹점에 배치되어 있는데 소비자가 구매한 상품을 결제하며 동시에 소비자가 상품을 구매할 때마다 가맹점이 보유한 상품 재고 상태, 상품별 판매량 등에 대한 정보를 관리한다. 포스 단말기(110)는 네트워크(130)를 통해 상품 재고 상태, 상품별 판매량에 대한 정보를 상품 추천 서버(200)로 송신한다.Here, the force terminal 110 is disposed at an affiliate shop, and the consumer pays for the purchased goods, and at the same time, each time the consumer buys the goods, the force terminal 110 manages information on the state of the goods held by the merchant, The force terminal 110 transmits information on the commodity inventory status and the commodity sales volume to the commodity recommendation server 200 through the network 130. [

한편, 빅데이터 DB(150)는 포털 사이트, 소셜 네트워크, 메신저 등에서 관리하는 블로그, 메시지, 광고, 기사 등에 대한 정보를 저장하고 있는 데이터베이스로, 빅데이터 DB(150)에는 일반 사용자가 일상에서 올린 상품에 대한 블로그, 메시지 또는 상품 명칭을 색인어로 포함하고 있는 블로그, 메시지 등이 저장되어 있거나, 상품에 대한 광고, 기사 또는 상품 명칭을 색인어로 포함하고 있는 광고, 기사가 저장되어 있다. 이하 블로그, 메시지, 광고, 기사 등과 같이 빅데이터 DB(150)에 저장되어 있는, 상품 명칭을 색인어로 포함하고 있는 다양한 종류의 글을 빅데이터 컨텐츠라 언급한다.Meanwhile, the big data DB 150 stores information on blogs, messages, advertisements, articles and the like managed by a portal site, a social network, a messenger, and the like. The big data DB 150 stores data A blog, a message, or a blog containing a product name as an index word, a message, and the like, or an advertisement or article containing an advertisement, an article, or a product name as an index word. Hereinafter, various types of articles stored in the big data DB 150 such as blogs, messages, advertisements, articles, etc., which contain product names as index words, are referred to as big data contents.

상품 추천 서버(200)는 네트워크(130)를 통해 포스 단말기(110)로부터 가맹점에서 판매하는 상품 판매량에 대한 정보를 수신하거나 빅데이터 DB(150)로부터 상품에 대한 빅데이터 컨텐츠를 수신한다. 여기서 네트워크(130)는 포스 단말기(110)으로부터 데이터를 송수신하거나, 빅데이터 DB(150)로부터 데이터를 송수신할 수 있는 다양한 유선/무선 네트워크가 사용될 수 있다. The product recommendation server 200 receives information on the sales volume of merchandise to be sold at the merchant store from the force terminal 110 via the network 130 or receives the big data content for the merchandise from the big data DB 150. Here, the network 130 may be a variety of wired / wireless networks capable of transmitting and receiving data from the force terminal 110, and transmitting and receiving data from the big data DB 150.

상품 추천 서버(200)는 상품에 대한 빅데이터 컨텐츠를 이용하여 상품별 인기 순위에 대한 정보를 계산하며, 가맹점의 판매 상품의 판매량에 대한 정보 및 상품별 인기 순위에 대한 정보를 이용하여 각 상품에 대한 추천도를 계산하며, 계산한 추천도에 기초하여 각 가맹점에 최적화된 추천 상품에 대한 정보를 가맹주에 제공한다.
The commodity recommendation server 200 calculates information on the popularity rank of each product using the big data content of the commodity, and provides recommendation information for each commodity, And provides information on recommended merchandise optimized for each merchant to the merchant based on the calculated recommendation level.

도 3은 본 발명에 따른 상품 추천 서버를 설명하기 위한 기능 블록도이다.3 is a functional block diagram illustrating a product recommendation server according to the present invention.

도 3을 참고로 보다 구체적으로 살펴보면, 송수신부(210)는 포스 단말기와 통신을 수행하며 포스 단말기로부터 가맹점에서 판매하는 판매 상품의 판매량에 대한 정보를 수신하거나 빅데이터 DB로부터 빅데이터 컨텐츠를 수신한다. 또한 송수신부(210)는 가맹점별 추천 상품을 판단한 경우 추천 상품에 대한 정보를 포스 단말기로 송신한다. 여기서 추천 상품에 대한 정보는 포스 단말기뿐만 아니라 상품 추천 서버에 등록되어 있는 가맹주의 단말기로 송신될 수 있다.3, the transmitting / receiving unit 210 communicates with the POS terminal and receives information on the sales volume of the sales item sold at the merchant from the POS terminal or receives the big data contents from the big data DB . In addition, when the transceiver unit 210 determines a recommended commodity for each merchant, the transceiver unit 210 transmits information on the recommended commodity to the force terminal. Here, the information on the recommended product can be transmitted not only to the POS terminal but also to the terminal of the member registered in the product recommendation server.

인기 순위 계산부(230)는 송수신부(210)를 통해 빅데이터 DB로부터 수신한 빅데이터 컨텐츠로부터 상품별 인기 순위를 계산하며, 추천도 계산부(250)는 계산한 상품별 인기 순위에 대한 정보와 가맹점별 판매 상품의 판매량에 대한 정보를 이용하여 상품별 추천도를 계산한다. The popularity ranking calculation unit 230 calculates a popularity ranking for each product from the big data content received from the big data DB through the transmission / reception unit 210. The recommendation rating calculation unit 250 calculates information about popularity ranking The recommendation level for each product is calculated by using information on the sales amount of each product.

바람직하게, 추천도 계산부(250)는 단위 시간, 예를 들어 1일, 1주, 1달 단위로 판매 상품의 판매량 순위 변화 또는 상품별 인기 순위의 변화에 기초하여 상품별 추천도를 계산한다.Preferably, the recommendation degree calculation unit 250 calculates a recommendation level for each product based on a change in the sales amount ranking of the sales product or a change in the popularity ranking for each product in unit time, for example, one day, one week, and one month.

바람직하게, 추천도 계산부(250)는 가맹점별 단위 시간 판매 상품의 판매량 순위 변화의 정보를 기준으로 하고, 단위 시간 상품별 인기 순위 변화 정보를 부가적으로 하여 상품에 대한 추천도를 계산한다.Preferably, the recommendation degree calculator 250 calculates the recommendation degree for the commodity by adding the popularity rank change information per unit time commodity based on the information of the change in the sales volume ranking of the unit time sales commodity by the affiliate shop.

추천 상품 판단부(270)는 추천도 계산부(250)에서 계산한 상품별 추천도에 기초하여 추천도가 높은 순서로 임계수의 상품을 추천 상품으로 결정하고, 결정한 추천 상품을 송수신부(210)를 통해 가맹주에 제공한다.The recommended product determination unit 270 determines a product of the threshold number as a recommended product in the order of the recommendation degrees based on the product recommendation degree calculated by the recommendation degree calculation unit 250 and transmits the determined recommended product to the transmission / To the alliance.

바람직하게, 추가 판단부(290)는 빅데이터 컨텐츠로부터 판단한 상품의 인기 순위에 기초하여 단위 시간의 인기 상승값이 임계 상승값보다 큰 후보 상품이 존재하는 경우 후보 상품을 추가 추천 상품으로 판단하며, 추가 추천 상품에 대한 정보를 추천 상품 판단부(270)로 제공한다. 더욱 바람직하게, 추가 판단부(290)는 인기 상승값이 임계 상승값보다 큰 후보 상품 중 가맹점에서 판매하지 않은 상품을 후보 상품으로 판단한다.Preferably, the additional determination unit 290 determines the candidate product as an additional recommended product when there is a candidate product whose popularity rise value of the unit time is larger than the threshold increase value based on the popularity ranking of the product determined from the big data content, And provides the recommended product deciding unit 270 with information on the additional recommended products. More preferably, the appraisal unit 290 judges a product not sold at an affiliated store among the candidate products whose popularity rising value is greater than the threshold rising value, as a candidate product.

한편, 추가 판단부(290)는 빅데이터 컨텐츠에 기초하여 추천 상품 판단부(270)에서 판단한 추천 상품과 함께 등장하는 연관 상품의 연관도를 계산하며, 임계 연관도 이상의 연관도를 가지는 연관 상품을 추가 추천 상품으로 판단하며, 추가 추천 상품에 대한 정보를 추천 상품 판단부(270)로 제공한다.On the other hand, the appraisal unit 290 calculates the degree of association of the associated commodity appearing together with the recommended commodity determined by the recommended commodity determination unit 270 based on the big data content, It is determined that the product is an additional recommended product, and information on the additional recommended product is provided to the recommended product determination unit 270.

추천 상품 판단부(270)는 추천 상품과 함께 추가 판단부(290)에서 판단한 추가 추천 상품에 대한 정보를 가맹주로 제공한다.
The recommended product determination unit 270 provides information on the recommended recommendation product determined by the addition determination unit 290 together with the recommended product to the user.

도 4는 본 발명에 따른 추가 판단부를 구체적으로 설명하기 위한 기능 블록도이다.4 is a functional block diagram for explaining the additional determination unit according to the present invention in detail.

도 4를 참고로 보다 구체적으로 살펴보면, 컨텐츠 추출부(291)는 빅데이터 DB로부터 추천 상품의 명칭을 색인어로 포함하고 있는 기설정된 수의 빅데이터 컨텐츠를 추출하며, 연관 상품 판단부(293)는 추출한 빅데이터 컨텐츠에서 추천 상품과 함께 등장하는 연관 상품을 판단한다. 연관 상품 판단부(293)는 연관 상품에서 제외되는 동사, 명사 등의 단어를 저장하고 있는 삭제 DB에 기초하여 빅데이터 컨텐츠에서 연관 상품으로 판단될 수 없는 단어를 제외하며, 빅데이터 컨텐츠에서 제외한 단어들로 이루어진 단어를 연관 상품으로 판단할 수 있다. 바람직하게, 연관 상품 판단부(293)는 후보 연관 상품을 저장하고 있는 후보 연관 상품 DB에 기초하여 빅데이터 컨텐츠에서 후보 연관 상품 DB에 저장되어 있는 상품과 동일 또는 유사한 상품을 연관 상품으로 판단한다.4, the content extracting unit 291 extracts a predetermined number of big data contents including the name of the recommended product as an index word from the big data DB, and the associated product determining unit 293 extracts And judges an associated commodity appearing together with the recommended commodity in the extracted big data contents. The associated product determination unit 293 excludes words that can not be judged as related products in the big data content based on the deletion DB storing the words such as verbs and nouns that are excluded from the related products, Can be judged as related goods. Preferably, the related-product determination unit 293 determines that the commodity that is the same as or similar to the commodity stored in the candidate commodity DB in the big data content is a related commodity, based on the candidate commodity DB storing the candidate commodity.

연관도 계산부(295)는 추출한 단위 수의 빅데이터 컨테츠 중에서 추천 상품과 연관 상품을 동시에 포함하고 있는 빅데이터 컨텐츠의 수와 추천 상품만을 포함하고 있는 빅데이터 컨텐츠의 수의 비율에 기초하여 추천 상품과 연관 상품 사이의 연관도를 계산한다. 추가 추천 상품 판단부(297)는 추천 상품과 함께 등장하는 연관 상품 중 임계 연관도 이상의 연관도를 가지는 연관 상품을 추가 추천 상품으로 판단한다.
Based on the ratio of the number of big data contents including the recommended product and the associated goods at the same time to the number of the big data contents including only the recommended product among the extracted large number of data items, And the associated product. The additional recommended product determination unit 297 determines that the associated product having a degree of correlation of at least the critical degree of association among the associated products appearing with the recommended product is the additional recommended product.

도 5는 본 발명에 따른 가맹점의 상품 추천 방법을 설명하기 위한 흐름도이다.5 is a flowchart for explaining a merchandise recommendation method of a merchant according to the present invention.

도 5를 참고로 보다 구체적으로 살펴보면, 가맹점에 배치되어 있는 포스 단말기로부터 가맹점에서 판매하는 판매 상품의 판매량 정보를 수신한다(S110). 수신한 판매 상품의 판매량 정보에 기초하여 단위 시간별 판매 상품의 판매량 순위를 판단한다.Referring to FIG. 5, more specifically, information on the sales volume of sales goods sold at a merchant is received from a POS terminal disposed at an affiliated store (S110). And determines the sales quantity ranking of the sales product per unit time based on the sales volume information of the received sales product.

한편, 빅데이터 DB로부터 빅데이터 컨텐츠를 추출하고, 빅데이터 컨텐츠로부터 단위 시간별 상품의 인기 순위를 판단한다(S130). 도 6은 본 발명에 따른 판매 상품의 판매량 순위 정보와 상품의 인기 순위 정보의 일 예를 설명하고 있는 인터페이스 화면을 도시하고 있는데, 도 6에 도시되어 있는 바와 같이 판매 상품의 1주일 단위 시간의 판매 상품 판매량에 기초하여 판매 상품의 판매 순위 정보를 계산하며, 빅데이터 컨텐츠로부터 계산한 1주일 단위 시간의 상품 인기 순위를 계산한다.On the other hand, the big data content is extracted from the big data DB, and the popularity rank of the commodity for each unit time is determined from the big data content (S130). FIG. 6 shows an interface screen for explaining an example of selling price ranking information of goods and popularity ranking information of goods according to the present invention. As shown in FIG. 6, The sales ranking information of the sales product is calculated based on the sales quantity of the commodity, and the commodity popular rank of the time per week calculated from the big data contents is calculated.

판매 상품의 단위 시간 판매량 순위 정보와 상품의 단위 시간 인기 순위 정보에 기초하여 상품별 추천도를 계산하여 가맹점별 추천 상품을 판단하고(S150), 판단한 가맹점별 추천 상품에 대한 정보를 가맹주의 등록 단말기 또는 가맹주의 포스 단말기로 제공한다(S170).(S150), and the information about the determined recommended merchandise for each merchant shop is transmitted to the registered terminal of the merchant merchant (S170).

바람직하게, 상품별 추천도는 가맹점의 판매 상품 순위 정보를 기준으로 하여, 상품의 인기 순위 정보를 부가하여 계산될 수 있는데, 예를 들어 상품별 추천도(RL)는 아래의 수학식(1)과 같이 계산된다.Preferably, the recommendation level for each product may be calculated by adding the popularity ranking information of the product on the basis of the merchandise rank information of the merchant. For example, the recommendation level RL per product may be calculated by the following formula (1) .

[수학식 1][Equation 1]

Figure 112015040415880-pat00001
Figure 112015040415880-pat00001

여기서 α는 상품 판매 순위값(SL)에 할당되는 가중치이며, β는 상품 인기 순위값(PL)에 할당되는 가중치인 것을 특징으로 한다.Here,? Is a weight assigned to the commodity sales order value SL, and? Is a weight assigned to the commodity popularity order value PL.

여기서 상품 인기 순위값(PL)은 아래의 수학식(2)와 같이 계산된다.Here, the commodity popularity ranking value PL is calculated as shown in the following equation (2).

[수학식 2]&Quot; (2) "

Figure 112015040415880-pat00002
Figure 112015040415880-pat00002

여기서 β1, β2, β3...,βn는 단위 시간, 예를 들어 1주, 2주, 3주,...n주에 할당된 가중치이며, PL1, PL2, PL3,....,PLn은 단위 시간의 상품 인기 순위인 것을 특징으로 한다.
Here, β 1 , β 2 , β 3 ..., β n are the weights assigned to unit times, for example 1 week, 2 weeks, 3 weeks, ... n weeks, and PL 1 , PL 2 , PL 3 , and n is a commodity popularity rank of unit time.

도 7은 본 발명에 따른 상품 추천 방법에서 상품의 인기 순위를 계산하는 단계의 일 예를 설명하기 위한 흐름도이다.FIG. 7 is a flowchart for explaining an example of a step of calculating a popularity ranking of goods in the product recommendation method according to the present invention.

도 7을 참고로 보다 구체적으로 살펴보면, 빅데이터 DB로부터 기설정된 단위 수의 빅데이터 컨텐츠를 추출하고(S131), 추출한 단위 수의 빅데이터 컨텐츠에서 상품 명칭을 포함하고 있는 빅데이터 컨텐츠의 수를 상품별로 카운트하여(S133), 카운트 수가 많은 상품 순서로 인기 순위를 판단한다(S135). 여기서 후보 상품 리스트가 기설정 등록 저장되어 있으며, 추출한 단위 수의 빅데이터 컨텐츠에서 상기 후보 상품 리스트의 상품 명칭을 포함하고 있는 빅데이터 컨텐츠의 수를 후보 상품별로 카운트한다.7, when a predetermined number of units of big data contents are extracted from the big data DB (S131), and the number of big data contents including the product name in the extracted unit number of big data contents is calculated as the product (S133), and determines the popularity ranking in the order of the commodities having a large number of counts (S135). Here, the candidate product list is preliminarily registered and stored, and the number of big data contents including the product name of the candidate product list is counted for each candidate product in the extracted number of units of big data contents.

바람직하게, 단위 수의 빅데이터 컨텐츠를 추출하는 대신, 후보 상품 리스트의 상품 명칭을 검색어로 하여 검색된 빅데이터 컨텐츠의 수를 카운트하여 상품별 인기 순위를 계산할 수 있다. Preferably, instead of extracting the big data content of the unit number, the number of the big data contents searched by using the product name of the candidate product list as a search word may be counted, and the popular ranking for each product may be calculated.

더욱 바람직하게, 빅데이터 DB로부터 단위 수의 빅데이터 컨텐츠를 추출시, 빅데이터 컨텐츠를 작성한 작성자의 이름, 성별에 따라 균등하게 배분하여 빅데이터 컨텐츠를 추출할 수 있으며, 빅데이터 DB로부터 단위 수의 빅데이터 컨텐츠를 추출시 가맹점으로부터 임계 범위 이내에 위치하는 작성자가 작성한 빅데이터 컨텐츠만을 추출할 수 있다.
More preferably, when extracting the big data contents of a unit number from the big data DB, the big data contents can be extracted by evenly distributing the big data contents according to the name and sex of the creator who created them, It is possible to extract only the big data content created by the creator located within the critical range from the merchant when extracting the big data content.

도 8을 참고로 단위 수의 컨텐츠를 추출하는 단계의 일 예를 보다 구체적으로 살펴보면, 상품 명칭을 포함하고 있는 빅데이터 컨텐츠의 작성자 성별에 기초하여 빅데이터 컨텐츠를 작성자 성별, 즉 남성과 여성으로 분류한다(S211). 상품 명칭을 포함하고 있는 빅데이터 컨텐츠의 작성자 나이에 기초하여 빅데이터 컨텐츠를 작성자 나이로 분류한다(S213). 여기서 작성자의 나이는 10대, 20대, 30대, 40대와 같이 일정 범위로 분류할 수 있다.More specifically, referring to FIG. 8, it is possible to classify the big data contents into the author sex, that is, male and female, based on the gender of the creator of the big data content including the product name (S211). The big data content is classified into the creator age based on the creator age of the big data content including the product name (S213). Here, the author's age can be classified into a certain range such as 10, 20, 30, and 40 generations.

상품 명칭을 포함하고 있는 빅데이터 컨텐츠의 작성자 위치 정보에 기초하여 작성자가 가맹점으로부터 임계 범위에 위치하는 작성자인지 판단한다(S215). 가맹점으로부터 임계 범위에 위치하는 작성자가 작성한 빅데이터 컨텐츠들에서, 성별 및 나이별로 균등하게, 즉 남성과 여성을 동일한 비율로 그리고 10대, 20대, 30대을 서로 동일한 비율로 균등하게 추출한다(S217).
Based on the creator position information of the big data content including the product name, whether the creator is the creator located in the critical range from the merchant (S215). In the big data contents created by the creators located in the critical range from the merchant, the males and females are uniformly extracted by the sex and age, that is, males and females are uniformly extracted at the same ratio and the males of the 10th, 20th, ).

도 9는 본 발명에 따른 추가 추천 상품을 판단하는 방법의 일 예를 설명하기 위한 흐름도이다.FIG. 9 is a flowchart for explaining an example of a method for determining an additional recommended product according to the present invention.

도 9를 참고로 보다 구체적으로 살펴보면, 단위 시간별 상품의 인기 순위에 대한 정보를 획득하고(S221), 단위 시간별 상품의 인기 순위 정보에 기초하여 상품별 인기 상승값을 계산한다(S223). 여기서 인기 상승값(PI)은 단위 시간별 인기 순위의 상승값의 평균으로 계산되는데, 인기 상승값은 아래의 수학식(3)과 같이 계산될 수 있다.More specifically, referring to FIG. 9, information on the popularity rank of a commodity for each unit time is obtained (S221), and a popular rising value for each commodity is calculated based on the popularity rank information of the commodity for each unit time (S223). Here, the popularity rising value PI is calculated as an average of the rising values of the popularity ranking per unit time, and the popularity rising value can be calculated by the following equation (3).

[수학식 3]&Quot; (3) "

Figure 112015040415880-pat00003
Figure 112015040415880-pat00003

여기서 dn -1n은 단위 시간(n)과 단위 시간(n-1) 사이의 인기 순위 차이를 의미한다.Where d n -1n means popularity ranking difference between the unit time (n) and per unit time (n-1).

이와 같이, 인기 상승값을 평가하는 전체 단위 시간에서 단위 시간 사이의 인기 상승값으로 계산함으로써, 빅데이터 컨텐츠로부터 단위 시간이 경과함에 따른 상품의 인기를 정확하게 반영할 수 있다.In this manner, by calculating the popularity rise value between the unit time and the whole unit time for evaluating the popularity rise value, it is possible to accurately reflect the popularity of the product as the unit time elapses from the big data contents.

상품별 인기 상승값과 임계 상승값을 비교하여 임계 상승값을 초과하는 후보 상품이 존재하는지 판단하며(S225), 임계 상승값을 초과하는 후보 상품을 추가 추천 상품으로 판단한다(S227). 여기서 임계 상승값을 초과하는 후보 상품 중에서 인기 상승값이 높은 순위로 가장 높은 인기 상승값을 가지는 후보 상품 또는 기설정된 수의 후보 상품을 추가 추천 상품으로 판단한다.
If it is determined that there is a candidate product exceeding the threshold increase value (S225), the candidate product that exceeds the threshold increase value is determined as the additional recommendation product (S227). Herein, the candidate product having the highest popularity rising value or the predetermined number of candidate products having the highest popularity rising value among the candidate products exceeding the threshold rising value is determined as the additional recommended product.

도 10은 본 발명에 따른 추가 추천 상품을 판단하는 방법의 다른 예를 설명하기 위한 흐름도이다.10 is a flowchart for explaining another example of a method for determining a recommended recommendation product according to the present invention.

도 10을 참고로 보다 구체적으로 살펴보면, 빅데이터 DB로부터 추천 상품의 명칭을 포함하고 있는 빅데이터 컨텐츠를 기설정된 단위 수로 무작위 추출한다(S231). 추출한 빅데이터 컨텐츠에서 추천 상품과 함께 등장하는 연관 상품을 추출한다(S233). 바람직하게, 연관 상품 리스트가 설정되어 있으며, 추출한 빅데이터 컨텐츠에서 연관 상품 리스트에 해당하는 연관 상품을 추출한다. Referring to FIG. 10, the big data contents including the name of the recommended product are randomly extracted from the big data DB in a predetermined unit number (S231). And extracts the related goods appearing together with the recommended product from the extracted big data contents (S233). Preferably, an associated merchandise list is set, and an associated merchandise corresponding to the associated merchandise list is extracted from the extracted big data content.

추출한 단위 수의 빅데이터 컨텐츠 중에서 추천 상품과 연관 상품을 함께 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 수, 즉 추천 상품과 연관 상품이 함께 등장하는 빅데이터 컨텐츠의 수와 추천 상품만을 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 수, 즉 추천 상품만이 등장하는 빅데이터 컨텐츠의 수의 비율로 연관도를 계산한다(S235). 연관 상품 중 임계 연관도 이상의 연관도를 가지는 연관 상품을 추가 추천 상품으로 판단한다.The number of the big data contents to be searched by inputting the recommended product and the related goods together in the extracted big data contents of the unit number of the big data contents, that is, the number of the big data contents in which the recommended product and the related goods coexist together, The degree of association is calculated by the ratio of the number of big data contents to be searched, that is, the number of big data contents in which only the recommended product exists (S235). An associated product having a degree of correlation of at least a critical degree of association among the related products is determined as an additional recommended product.

바람직하게, 전체 빅데이터 컨텐츠에서 추천 상품만을 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 수와, 추천 상품과 연관 상품을 함께 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 수의 비율로 연관 상품의 연관도를 계산할 수 있으며 이는 본 발명의 범위에 속한다.
Preferably, the ratio of the number of big data contents to be searched by inputting only the recommended products in the entire big data contents as search terms and the number of big data contents to be searched by inputting the recommended goods and the related products together with search terms, Which is within the scope of the present invention.

한편, 상술한 본 발명의 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.The above-described embodiments of the present invention can be embodied in a general-purpose digital computer that can be embodied as a program that can be executed by a computer and operates the program using a computer-readable recording medium.

상기 컴퓨터로 읽을 수 있는 기록 매체는 전기 또는 자기식 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장 매체를 포함한다.
The computer-readable recording medium may be an electrically or magnetic storage medium such as a ROM, a floppy disk, a hard disk, etc., an optical reading medium such as a CD-ROM or a DVD and a carrier wave, , Transmission over the Internet).

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다. While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is evident that many alternatives, modifications and variations will be apparent to those skilled in the art. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.

10, 110: 포스 단말기 30, 130: 네트워크
50, 200: 상품 추천 서버 150: 빅데이터 DB
210: 송수신부 230: 인기 순위 계산부
250: 추천도 계산부 270: 추천 상품 판단부
290: 추가 판단부 291: 컨텐츠 추출부
293: 연관 상품 판단부 295: 연관도 계산부
297: 추가 추천 상품 판단부10, 110: Force terminal 30, 130: Network
50, 200: Commodity recommendation server 150: Big data DB
210: Transmitting / receiving unit 230:
250: recommendation degree calculating section 270: recommended product judging section
290: Addition judgment unit 291: Content extraction unit
293: Associated product determination unit 295: Associated degree calculation unit
297: Additional recommended product judging unit

Claims (16)

상품 추천 서버에서 상품을 추천하는 방법에 있어서,
포스 단말기로부터 판매 상품의 상품별 판매량에 대한 정보를 수신하는 단계;
빅데이터 DB로부터 무작위로 단위 수의 빅데이터 컨텐츠를 추출하고, 추출한 빅데이터 컨텐츠에서 상품 명칭을 색인어로 포함하고 있는 빅데이터 컨텐츠의 수를 상품 명칭별로 카운트하여 상품별 인기 순위를 계산하는 단계;
상기 상품별 판매량에 대한 정보와 상기 상품별 인기 순위에 대한 정보로부터 각 상품에 대한 추천도를 계산하여 추천 상품을 판단하는 단계;
상기 빅데이터 DB에서 상기 추천 상품과 함께 등장하는 연관 상품 중 임계 연관도 이상의 연관도를 가지는 후보 상품 또는 상기 상품별 인기 순위에 대한 정보로부터 임계 상승값보다 높은 인기 상승값을 가지는 후보 상품을 추가 추천 상품으로 판단하는 단계; 및
상기 추천 상품 및 상기 추가 추천 상품에 대한 정보를 상기 포스 단말기의 가맹점주에게 제공하는 단계를 포함하며,
상기 추천도는 아래의 수학식(1)에 의해 계산되며,
[수학식 1]
Figure 112015127840901-pat00017

여기서 α는 상품 판매 순위값(SL)에 할당되는 가중치이며, β는 상품별 인기 순위값(PL)에 할당되는 가중치이며,
상기 연관도는 상기 빅데이터 DB에서 상기 추천 상품을 색인어로 포함하고 있는 단위 수의 빅데이터 컨텐츠를 무작위로 추출하는 단계와, 상기 추출한 빅데이터 컨텐츠에서 상기 추천 상품과 같이 등장하는 연관 상품을 판단하는 단계와, 상기 빅데이터 DB에서 상기 추천 상품의 명칭을 색인어로 포함하고 있는 빅데이터 컨텐츠의 수를 계산하는 단계와, 상기 빅데이터 DB에서 상기 추천 상품과 연관 상품의 명칭을 색인어로 포함하고 있는 빅데이터 컨텐츠의 수를 계산하는 단계와, 상기 빅데이터 컨텐츠에서 상기 추천 상품과 상기 연관 상품의 명칭이 함께 포함되어 있는 빅데이터 컨텐츠의 수와 상기 추천 상품의 명칭만이 포함되어 있는 빅데이터 컨텐츠의 수의 비율로부터 상기 추천 상품과 상기 연관 상품의 연관도를 계산하는 단계를 통해 계산되며,
상기 빅데이터 컨텐츠에서 상기 추천 상품과 상기 연관 상품의 명칭이 함께 포함되어 있는 빅데이터 컨텐츠의 수는 검색 포털 사이트에 상기 추천 상품과 상기 연관 상품을 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 검색 수로 판단하며,
상기 추천 상품의 명칭만이 등장하는 빅데이터 컨텐츠의 수는 검색 포털 사이트에 상기 추천 상품만을 검색어로 입력하여 검색되는 빅데이터 컨텐츠의 검색 수로 판단하며,
상기 포스 단말기가 설치된 가맹점의 위치 정보와 상기 빅데이터 컨텐츠의 작성자 위치 정보에 기초하여 가맹점으로부터 임계 범위에 위치하는 작성자가 작성한 빅데이터 컨텐츠 중 작성자의 성별 또는 나이별로 균등하게 무작위로 단위 수의 빅데이터 컨텐츠를 상기 빅데이터 DB로부터 추출하는 것을 특징으로 하는 상품 추천 방법. In a method for recommending a product on a product recommendation server,
Receiving information on the sales volume of the sales product by the product from the force terminal;
A step of extracting a large number of units of the big data content from the big data DB and counting the number of big data contents containing the product name as an index word in the extracted big data contents by the product name and calculating the popular ranking for each product;
Calculating a recommendation degree for each product based on the information on the sales amount per product and information on the popularity ranking for each product to determine a recommended product;
A candidate product having a popularity rising value higher than a threshold increase value from information about a candidate product having a degree of association with a degree of critical correlation or higher among the related products appearing together with the recommendation product in the big data DB or information on the popularity ranking for each product, ; And
And providing information on the recommendation product and the recommendation product to the member store of the force terminal,
The recommendation degree is calculated by the following equation (1)
[Equation 1]
Figure 112015127840901-pat00017

Here,? Is a weight assigned to the commodity sales order value SL,? Is a weight assigned to the commodity popularity order value PL,
The association degree may include a step of randomly extracting a unit number of big data contents including the recommended product as an index word in the big data DB, and a step of judging an associated commodity appearing like the recommended product in the extracted big data contents A step of calculating the number of big data contents including the name of the recommended product in the big data DB as an index word in the big data DB; The number of big data contents including only the name of the recommended product and the number of big data contents including the name of the related product together with the recommended product in the big data content; Calculating a degree of association between the recommended product and the associated product from the ratio ,
The number of the big data contents including the recommended product and the name of the associated product in the big data content is determined by the number of retrievals of the big data content that is searched by inputting the recommended product and the associated product as search terms in the search portal site In addition,
The number of big data contents in which only the name of the recommended product appears is determined as the number of searches of the big data contents that are searched by inputting only the recommended products in the search portal site as search terms,
Based on the positional information of the merchant point where the force terminal is installed and the creator position information of the big data content, the big data content created by the creator located in the critical range from the merchant, And the content is extracted from the big data DB. 삭제delete 제 1 항에 있어서, 상기 추가 추천 상품을 판단하는 단계에서
상기 상품별 인기 순위에 대한 정보로부터 임계 상승값보다 높은 인기 상승값을 가지는 후보 상품이 존재하는지 판단하며, 상기 임계 상승값보다 높은 인기 상승값을 가지는 후보 상품을 추가 추천 상품으로 판단하는 것을 특징으로 하는 상품 추천 방법. The method according to claim 1, further comprising:
Judging whether there is a candidate product having a popular rising value higher than the threshold rising value from the information on the product popular ranking and judging the candidate product having the popular rising value higher than the critical rising value as the additional recommended product How to recommend products. 제 1 항에 있어서, 상기 상품 추천 방법은
상기 후보 상품이 상기 판매 상품에 포함되어 있는지 판단하는 단계를 더 포함하며,
상기 후보 상품이 상기 판매 상품에 포함되어 있지 않은 경우, 상기 후보 상품의 추천도에 무관하게 상기 후보 상품을 추가 추천 상품으로 판단하는 것을 특징으로 하는 상품 추천 방법.The method according to claim 1,
Further comprising the step of determining whether the candidate product is included in the sales product,
And if the candidate product is not included in the sales product, the candidate product is determined as a recommended product regardless of the recommendation level of the candidate product. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete
KR1020150058295A 2015-04-24 2015-04-24 Method for recommanding product using big data KR101596631B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150058295A KR101596631B1 (en) 2015-04-24 2015-04-24 Method for recommanding product using big data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150058295A KR101596631B1 (en) 2015-04-24 2015-04-24 Method for recommanding product using big data

Publications (1)

Publication Number Publication Date
KR101596631B1 true KR101596631B1 (en) 2016-03-07

Family

ID=55540253

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150058295A KR101596631B1 (en) 2015-04-24 2015-04-24 Method for recommanding product using big data

Country Status (1)

Country Link
KR (1) KR101596631B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101779537B1 (en) * 2016-04-19 2017-09-19 (주)셀메이트 System and method for online intermediate sales
WO2018139685A1 (en) * 2017-01-24 2018-08-02 엄인혁 Information sharing system and information sharing method
WO2018139684A1 (en) * 2017-01-24 2018-08-02 엄인혁 Information recommendation management system and management method
CN109934654A (en) * 2017-12-18 2019-06-25 中国移动通信集团山东有限公司 Method of Commodity Recommendation and system
KR102439475B1 (en) * 2021-10-14 2022-09-02 (주)올핀 A system and method for tracking the loction of data-based seafood feed and managing recommendations for surplus argricutural and fishery products

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080045532A (en) * 2006-11-20 2008-05-23 엔에이치엔(주) Method for recommending information of goods and system for executing the method
KR20110012545A (en) * 2009-07-30 2011-02-09 주식회사 메트릭스코퍼레이션 System and method for analyzing on-line buzz
KR20130101383A (en) * 2012-03-05 2013-09-13 한국정보통신주식회사 A device, server and method for providing sales information
KR20140132033A (en) * 2013-05-06 2014-11-17 에스케이플래닛 주식회사 System and method for products recommendation service, and apparatus applied to the same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080045532A (en) * 2006-11-20 2008-05-23 엔에이치엔(주) Method for recommending information of goods and system for executing the method
KR20110012545A (en) * 2009-07-30 2011-02-09 주식회사 메트릭스코퍼레이션 System and method for analyzing on-line buzz
KR20130101383A (en) * 2012-03-05 2013-09-13 한국정보통신주식회사 A device, server and method for providing sales information
KR20140132033A (en) * 2013-05-06 2014-11-17 에스케이플래닛 주식회사 System and method for products recommendation service, and apparatus applied to the same

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101779537B1 (en) * 2016-04-19 2017-09-19 (주)셀메이트 System and method for online intermediate sales
WO2018139685A1 (en) * 2017-01-24 2018-08-02 엄인혁 Information sharing system and information sharing method
WO2018139684A1 (en) * 2017-01-24 2018-08-02 엄인혁 Information recommendation management system and management method
CN109934654A (en) * 2017-12-18 2019-06-25 中国移动通信集团山东有限公司 Method of Commodity Recommendation and system
CN109934654B (en) * 2017-12-18 2021-11-23 中国移动通信集团山东有限公司 Commodity recommendation method and system
KR102439475B1 (en) * 2021-10-14 2022-09-02 (주)올핀 A system and method for tracking the loction of data-based seafood feed and managing recommendations for surplus argricutural and fishery products

Similar Documents

Publication Publication Date Title
US20200410515A1 (en) Method, system and computer readable medium for creating a profile of a user based on user behavior
JP6511024B2 (en) Consumer-driven advertising system
Vázquez et al. A classification of user-generated content into consumer decision journey stages
AU2011345269B2 (en) Providing relevant notifications for a user based on location and social information
KR101596631B1 (en) Method for recommanding product using big data
US10223648B2 (en) Providing context relevant search for a user based on location and social information
KR101596632B1 (en) Method for recommanding product using big data image
US9213733B2 (en) Computerized internet search system and method
CN108960945A (en) Method of Commodity Recommendation and device
US20120047014A1 (en) Method and system for using email receipts for targeted advertising
US20090138356A1 (en) Systems and methods for content delivery
EP2779058A1 (en) Recommendations based upon explicit user similarity
EP2800012A1 (en) Search device, search method, search program, and recording medium
CA2821236A1 (en) Pricing relevant notifications provided to a user based on location and social information
KR20150128885A (en) System and method for generating recommendations
CN103890762A (en) Information processing device, information processing method, information processing program, and recording medium
JP5957164B1 (en) Information processing apparatus, information processing method, and information processing program
CN111429214A (en) Transaction data-based buyer and seller matching method and device
CA2862763A1 (en) Computerized internet search system and method
KR101715737B1 (en) Method of analyzing a stream of a business area and system for performing the same
CN113254780A (en) Information processing method and device, electronic equipment and computer storage medium
JP6424194B2 (en) Information processing apparatus, information processing method, and information processing program
CN109658195B (en) Commodity display decision method
CN110889716A (en) Method and device for identifying potential registered user
JP4962950B2 (en) Recommendation method, recommendation server and program for users on network

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190123

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20200203

Year of fee payment: 5