KR101983704B1

KR101983704B1 - 개인화 알고리즘을 이용한 사이트 추천 방법 및 개인화 알고리즘 서버

Info

Publication number: KR101983704B1
Application number: KR1020170181638A
Authority: KR
Inventors: 이주연; 양윤경; 정지현
Original assignee: 현대카드 주식회사
Priority date: 2017-12-27
Filing date: 2017-12-27
Publication date: 2019-05-29

Abstract

본 발명은 개인화 알고리즘을 이용한 최적화 사이트 제공 방법에 관한 것이다. 본 발명에 따른 개인화 알고리즘은, 고객의 구매 내역으로부터 하나 이상의 태그를 추출하고 태그 값을 생성하여 고객 구매 태그 테이블을 형성하는 단계, 태그 값들에 CDF 함수를 적용하여 소정 범위로 매칭하는 단계, 고객 별 정보인 고객 구매 태그 테이블로부터 구매 사이트별 정보인 사이트 태그 테이블을 형성하는 단계, 고객 구매 태그 테이블과 사이트 태그 테이블의 태그 값들로부터 고객과 사이트 사이의 유사도를 산출하는 단계 및 산출된 유사도를 바탕으로 각 고객별 유사도가 높은 상위 랭킹의 사이트를 개인화된 소비 맞춤형 사이트로 제시하는 단계를 포함한다.

Description

개인화 알고리즘을 이용한 사이트 추천 방법 및 개인화 알고리즘 서버{METHOD FOR RECOMMENDING INFORMATION ON WEBSITES USING PERSONALIZATION ALGORITHM AND SERVER USING THE SAME}

본 발명은 개인화 알고리즘을 이용한 사이트 추천 방법에 관한 것으로, 보다 상세하게는, (a) 개인화 알고리즘 서버가, 각 고객들의 구매 내역 및 상기 고객의 각각의 구매 내역의 다양한 구매 속성을 바탕으로, 패션 태그 부류; 과시적 소비 태그 부류; 및 구매 브랜드 속성 태그 부류;- 상기 패션 태그 부류는 상기 고객이 구매한 내역이 패션에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 상기 과시적 소비 태그 부류는 상기 고객이 구매한 내역이 과시적인 소비 내역인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 및 구매 브랜드 속성 태그 부류는 상기 고객이 구매한 내역이 가격대 또는 스타일 또는 분야별에 따른 브랜드 속성을 포함하는 구매 내역의 다양한 브랜드 속성에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류 - 중 적어도 일부를 포함하는 구매 데이터 기반 구매 개인화 태그 부류들에 포함되는 하나 이상의 구매 개인화 태그(TAG_NAME)들을 추출하고 상기 구매 개인화 태그들을 상기 구매 내역과 관련시켜 저장하고, 각각의 고객별 그리고 상기 구매 개인화 태그별로, 상기 각 구매 개인화 태그에 대응하는 상기 고객의 구매 내역 정보를 바탕으로 생성된 태그 값(TAG value)을 나열한 고객 구매 태그 테이블을 생성하는 단계; (b) 상기 개인화 알고리즘 서버가, 상기 고객 구매 태그 테이블의 상기 구매 개인화 태그들 중 특정 구매 사이트에 대한 구매 내역 속성을 나타내는 구매 사이트 태그를 이용하여, 상기 각 구매 사이트 태그와 관련된 모든 구매 개인화 태그들에 대해 상기 구매 사이트들 별로 상기 구매 개인화 태그와 이에 대응하는 태그 값으로 나열하되, 상기 각 구매 개인화 태그별로 상기 특정 구매 개인화 태그에 해당하는 모든 고객들의 태그 값들을 합산하고, 이를 상기 태그 값들이 0보다 큰 고객들의 수로 나눈 값을 각 구매 개인화 태그 별 태그 값으로 관련시켜 나열한 사이트 태그 테이블을 생성하는 단계; (c) 상기 개인화 알고리즘 서버가, 상기 (b) 단계에서 구한 상기 고객 구매 태그 테이블 내의 태그 값들과 상기 사이트 태그 테이블 내의 태그 값들을 이용하여 각 고객과 각 사이트들 사이의 유사도를 산출하는 단계; 및 (d) 상기 개인화 알고리즘 서버가, 상기 (c) 단계에서 산출한 유사도를 바탕으로 각 고객별 유사도가 큰 사이트들을 내림차순으로 정리하여 상위 랭킹을 갖는 사이트로부터 소정 개수의 사이트를 상기 각 고객에 최적화된 소비 맞춤형 사이트로 제시하는 단계;를 포함하는 개인화 알고리즘을 이용한 사이트 추천 방법 및 개인화 알고리즘 서버에 관한 것이다.

인터넷의 발달로 인해 인터넷을 이용한 전자 상거래도 폭발적으로 증가하고 있다. 인터넷을 통해 제공되는 정보의 양이 기하 급수적으로 늘어남에 따라 사용자는 정보의 탐색, 검색, 비교를 위해 많은 시간과 노력을 소모하여야 하는 문제가 있다. 즉, 정보 과잉의 시대가 도래하여 정보, 서비스, 생산의 과잉으로 인해 소비자는 선택과 의사 결정에 보다 많은 시간을 들어야 한다.

특히, 온라인 쇼핑몰의 이용 시, 사용자는 인터넷 검색을 통해 구매하고자 하는 물품 종류나 사이트 이름을 직접 입력하여 검색한 후, 검색 사이트나 쇼핑몰에서 제시하는 리스트들을 하나하나 살펴보거나 제시된 일부 링크를 따라가 물품을 살펴본 후, 구매를 진행한다.

한편, 사용자의 요구 사항이 까다로워지고 개인에게 맞춤화된 요구 사항이 증가함에 따라 개인패턴을 분석한 데이터를 기반으로 사용자 맞춤형 정보를 제공하는 서비스가 다양한 방법으로 제시되고 있다.

기존의 방법 중 하나로, 한국 등록특허공보 제10-1419504호에 개시된 "사용자 성향 분석을 통한 맞춤형 쇼핑 정보 시스템 및 방법"에 제시된 방법은, 각 사용자의 구매 성향 분석을 통해 효과적인 쇼핑 정보를 제공할 수 있도록 사용자 성향 분석을 통해 맞춤형 쇼핑 정보를 제공하고 있다. 위 종래 기술에서는 수집된 정보를 온톨로지 처리하여 적어도 하나의 상품 태그 및 각각의 상품 태그에 대한 적어도 하나의 성향 태그를 생성하는 온톨로지 모듈과 상기 온톨로지 모듈을 통해 생성된 상기 상품 태그를 상기 적어도 하나의 성향 태그와 매핑하여 정보 데이터 베이스에 저장하는 태그 매칭 저장 모듈을 이용하여 고객의 다양한 구매 성향을 분석하고 있다.

그러나 이와 같은 기존의 분석 방법으로는 각 사용자의 성향 분석 이후에 분석된 성향과 이에 따른 사이트들을 특정 용어를 바탕으로 출원 빈도수 등을 바탕으로 맞춤형 쇼핑 정보를 제공하기 때문에, 개개의 고객의 성향만을 파악하여 제공한다는 문제점과 용어 기반 매칭 방법으로 고객에 최적화된 사이트 제공을 한다는 한계가 있다.

본 발명은 상술한 문제점을 모두 해결하는 것을 목적으로 한다.

본 발명은 특정 고객에게 최적화된 사이트를 제공하는 경우, 다수의 고객으로부터 얻은 다수 또는 전체 고객의 정보를 통합하여, 상기 특정 고객에게 신뢰도가 높은 최적화된 사이트를 제공하는 것을 목적으로 한다.

또한 본 발명은 구매 내역으로부터 다양한 분야의 속성을 뽑아내고, 이를 다른 고객들의 속성과 결합한 후, 이를 바탕으로 사이트의 속성을 유추할 수 있는 방법을 제공하는 것을 목적으로 한다.

또한 본 발명은 특정 고객에게 제공하는 최적화 사이트를 제공할 때, 속성 값에 다양한 함수를 적용하고, 각 브랜드나 속성에 따라 서로 다른 가중치를 가한 개인화 알고리즘 방법을 제공하는 것을 목적으로 한다.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한, 본 발명의 특징적인 구성은 하기와 같다.

본 발명의 일 실시예에 따르면, 개인화 알고리즘을 이용한 사이트 추천 방법은, (a) 개인화 알고리즘 서버가, 각 고객들의 구매 내역 및 상기 고객의 각각의 구매 내역의 다양한 구매 속성을 바탕으로, 패션 태그 부류; 과시적 소비 태그 부류; 및 구매 브랜드 속성 태그 부류;- 상기 패션 태그 부류는 상기 고객이 구매한 내역이 패션에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 상기 과시적 소비 태그 부류는 상기 고객이 구매한 내역이 과시적인 소비 내역인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 및 구매 브랜드 속성 태그 부류는 상기 고객이 구매한 내역이 가격대 또는 스타일 또는 분야별에 따른 브랜드 속성을 포함하는 구매 내역의 다양한 브랜드 속성에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류 - 중 적어도 일부를 포함하는 구매 데이터 기반 구매 개인화 태그 부류들에 포함되는 하나 이상의 구매 개인화 태그(TAG_NAME)들을 추출하고 상기 구매 개인화 태그들을 상기 구매 내역과 관련시켜 저장하고, 각각의 고객별 그리고 상기 구매 개인화 태그별로, 상기 각 구매 개인화 태그에 대응하는 상기 고객의 구매 내역 정보를 바탕으로 생성된 태그 값(TAG value)을 나열한 고객 구매 태그 테이블을 생성하는 단계; (b) 상기 개인화 알고리즘 서버가, 상기 고객 구매 태그 테이블의 상기 구매 개인화 태그들 중 특정 구매 사이트에 대한 구매 내역 속성을 나타내는 구매 사이트 태그를 이용하여, 상기 각 구매 사이트 태그와 관련된 모든 구매 개인화 태그들에 대해 상기 구매 사이트들 별로 상기 구매 개인화 태그와 이에 대응하는 태그 값으로 나열하되, 상기 각 구매 개인화 태그별로 상기 특정 구매 개인화 태그에 해당하는 모든 고객들의 태그 값들을 합산하고, 이를 상기 태그 값들이 0보다 큰 고객들의 수로 나눈 값을 각 구매 개인화 태그 별 태그 값으로 관련시켜 나열한 사이트 태그 테이블을 생성하는 단계; (c) 상기 개인화 알고리즘 서버가, 상기 (b) 단계에서 구한 상기 고객 구매 태그 테이블 내의 태그 값들과 상기 사이트 태그 테이블 내의 태그 값들을 이용하여 각 고객과 각 사이트들 사이의 유사도를 산출하는 단계; 및 (d) 상기 개인화 알고리즘 서버가, 상기 (c) 단계에서 산출한 유사도를 바탕으로 각 고객별 유사도가 큰 사이트들을 내림차순으로 정리하여 상위 랭킹을 갖는 사이트로부터 소정 개수의 사이트를 상기 각 고객에 최적화된 소비 맞춤형 사이트로 제시하는 단계;를 포함한다.

일 실시예에서, 상기 (a) 단계는, 상기 각 태그 값이 상기 각 태그 값에 대응하는 해당 특정 구매 개인화 태그들과 관련된 전체 태그 값들 중에 어느 위치에 해당되는지를 상대적으로 나타내기 위해 CDF(cumulative distribution function) 함수를 적용하여 상기 태그 값을 변형시켜 상기 고객 구매 태그 테이블을 형성한다.

일 실시예에서, 상기 (b) 단계는, (b1) 상기 개인화 알고리즘 서버가, 상기 사이트 태그 테이블의 태그 값들 중 상기 구매 브랜드 속성 태그 부류에 포함되는 소정의 구매 개인화 태그들에 대해서는 고유 속성 태그 값(POS value)을 반영하여 수정된 사이트 태그 테이블을 생성하는 단계를 더 포함한다.

일 실시예에서, 상기 (b1) 단계는 상기 사이트 태그 테이블의 상기 구매 브랜드 속성 태그 부류들의 태그 값들에, 상기 소정의 구매 개인화 태그들에 대응하는 태그 값들에는 소정의 제1 값을, 나머지 구매 개인화 태그들에 대응하는 태그 값들에는 제2 값을 반영하여 이들의 평균 값으로 상기 수정된 사이트 태그 테이블의 수정 태그 값들을 산출한다.

일 실시예에서, 상기 (b) 단계는, (b2) 상기 개인화 알고리즘 서버가, 상기 고객 구매 태그 테이블 및 상기 사이트 태그 테이블의 각 태그 값들에 대해 고객들이 자주 이용하는 사이트 또는 브랜드 또는 속성은 가중치를 낮게 주고 고객들이 자주 이용하지 않는 사이트 또는 브랜드 또는 속성은 가중치를 높게 줄 수 있도록 소정의 함수를 적용하는 단계; 를 더 포함한다. 상기 소정의 함수는 IDF(Inverse Documents Frequency) 함수이다.

일 실시예에서, 상기 (b) 단계는, (b3) 상기 개인화 알고리즘 서버가, 상기 고객들 중 특정 고객들로부터 취득한 소정 질문에 대한 응답을 바탕으로 상기 질문과 관련된 상기 구매 개인화 태그들에 소정의 질문답 태그 값을 기록한 고객 질문답 태그 테이블과, 상기 고객들 중 다른 특정 고객들로부터 취득한 상기 다른 특정 고객들의 특정 사이트 로그 정보를 바탕으로 상기 특정 사이트와 관련된 상기 구매 개인화 태그들에 소정의 로그 태그 값을 기록한 고객 로그 태그 테이블을 형성한 후, 상기 고객 구매 태그 테이블과 상기 고객 질문답 태그 테이블 및/또는 상기 고객 로그 태그 테이블에 대응하는 각 상기 구매 개인화 태그의 태그 값들을 참조하여 계산하는 단계를 더 포함한다. 이때, 상기 (b3) 단계에서, 각 상기 구매 개인화 태그의 태그 값들을 참조하여 계산하는 수학식은 하기 수학식

으로 표현되며, 여기서,

는 새로 수정된 고객 구매 태그 테이블의 태그 값이고, W_a, W_b 및 W_c 는 각 태그 테이블에 대한 가중치이며, a, a₁, a₂, …, a_m 은 고객 구매 태그 테이블의 태그 값이며, b, b₁, b₂, …, b_m 은 고객 질문답 태그 테이블의 태그 값이고, c, c₁, c₂, …, c_m 은 고객 로그 태그 테이블의 태그 값이며. i 또는 1 내지 m 은 각 구매 개인화 태그들을 나타낸다.

일 실시예에서, 상기 (b) 단계는, (b4) 상기 고객 구매 태그 테이블 및 상기 사이트 태그 테이블에 상기 패션 태그 부류, 상기 과시적 소비 태그 부류, 상기 구매 브랜드 속성 태그 부류 별로 서로 다른 가중치를 부여하여 가중치가 부여된 태그 값을 반영한 수정된 고객 구매 태그 테이블을 형성하는 단계를 더 포함한다.

일 실시예에서, 상기 패션 태그 부류는 패션과 직접 관련이 있는 구매 태그 부류이며, 브랜드, 채널, 소비지역, 소비레벨 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성되고, 상기 과시적 소비 태그 부류는 패션 소비와 패션 행동을 간접적을 드러내는 태그 부류이며, 해외 여행 결제, 고메 결제, 특급 호텔 결제 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성된다.

일 실시예에서, 상기 (c) 단계에서, 상기 유사도 계산은 하기 수학식

으로 표시되며, 여기서, a, a₁, a₂, ..., a_m 는 상기 고객 구매 태그 테이블의 태그 값이고 b, b₁, b₂, ..., b_m 는 상기 사이트 태그 테이블의 태그 값이며 Φ함수는 상기 고객 구매 태그 테이블의 태그 값 유무에 따라 곱해지는 가중치 값을 나타낸 함수이다.

본 발명의 다른 특징에 따르면, 사이트 추천을 위한 개인화 알고리즘 서버는, 각 고객들의 구매 내역을 전달받기 위한 통신부; 및 (i) 상기 각 고객들의 구매 내역 및 상기 고객의 각각의 구매 내역의 다양한 구매 속성을 바탕으로, 패션 태그 부류; 과시적 소비 태그 부류; 및 구매 브랜드 속성 태그 부류;- 상기 패션 태그 부류는 상기 고객이 구매한 내역이 패션에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 상기 과시적 소비 태그 부류는 상기 고객이 구매한 내역이 과시적인 소비 내역인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 및 구매 브랜드 속성 태그 부류는 상기 고객이 구매한 내역이 가격대 또는 스타일 또는 분야별에 따른 브랜드 속성을 포함하는 구매 내역의 다양한 브랜드 속성에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류 - 중 적어도 일부를 포함하는 구매 데이터 기반 구매 개인화 태그 부류들에 포함되는 하나 이상의 구매 개인화 태그(TAG_NAME)들을 추출하고 상기 구매 개인화 태그들을 상기 구매 내역과 관련시켜 저장하고, 각각의 고객별 그리고 상기 구매 개인화 태그별로, 상기 각 구매 개인화 태그에 대응하는 상기 고객의 구매 내역 정보를 바탕으로 생성된 태그 값(TAG value)을 나열한 고객 구매 태그 테이블을 생성하는 프로세스; (ii) 상기 고객 구매 태그 테이블의 상기 구매 개인화 태그들 중 특정 구매 사이트에 대한 구매 내역 속성을 나타내는 구매 사이트 태그를 이용하여, 상기 각 구매 사이트 태그와 관련된 모든 구매 개인화 태그들에 대해 상기 구매 사이트들 별로 상기 구매 개인화 태그와 이에 대응하는 태그 값으로 나열하되, 상기 각 구매 개인화 태그별로 상기 특정 구매 개인화 태그에 해당하는 모든 고객들의 태그 값들을 합산하고, 이를 상기 태그 값들이 0보다 큰 고객들의 수로 나눈 값을 각 구매 개인화 태그 별 태그 값으로 관련시켜 나열한 사이트 태그 테이블을 생성하는 프로세스; (iii) 상기 (ii) 프로세스에서 구한 상기 고객 구매 태그 테이블 내의 태그 값들과 상기 사이트 태그 테이블 내의 태그 값들을 이용하여 각 고객과 각 사이트들 사이의 유사도를 산출하는 프로세스; 및 (iv) 상기 (iii) 프로세스에서 산출한 유사도를 바탕으로 각 고객별 유사도가 큰 사이트들을 내림차순으로 정리하여 상위 랭킹을 갖는 사이트로부터 소정 개수의 사이트를 상기 각 고객에 최적화된 소비 맞춤형 사이트로 제시하는 프로세스를 수행하는 프로세서;를 포함한다.

본 발명은 고객에 최적화된 사이트를 제시할 때 해당 고객의 태그(속성)만을 이용하지 않고 모든 고객으로부터 취합하여, 유사한 특성의 고객들의 구매 특성에서 해당 고객에 맞는 최적의 사이트를 제공하는 개인화 알고리즘을 제공한다.

또한 본 발명은 하나의 구매 내역으로부터 다양한 분야의 태그 값을 분류하고, 모든 고객들의 태그 값을 합산하여, 사이트 별 태그 및 태그 값을 생성하여, 최적의 유사도 값을 제시할 수 있는 정확한 태그 값을 찾아 낼 수 있다.

또한 본 발명은 유추한 태그 값에 사이트의 인기도에 반비례하는 가중치를 두는 함수, 특정 브랜드에 가중치를 두는 함수, 그리고 각 속성별로 다른 가중치를 두는 함수 등을 통해 가장 최적화된 고객 및 사이트 사이의 유사도를 찾을 수 있게 지원할 수 있다.

도 1은 본 발명에 따른 개인화 알고리즘의 기본 개념을 설명하는 도면이다.
도 2는 본 발명에 따른 개인화 알고리즘을 이용한 최적화 사이트 제공 방법의 흐름도이다.
도 3은 본 발명에 따른 태그 값을 수정하는 방법을 나타낸 흐름도이다.
도 4는 본 발명에 따른 개인화 알고리즘 서버의 개략적인 구성도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명에 따른 개인화 알고리즘의 기본 개념을 설명하는 도면이다.

도 1을 참조하면, 본 발명에 따른 개인화 알고리즘은 고객들의 구매 데이터를 바탕으로 구매 데이터에서 다양한 속성(이하 구매 개인화 태그 또는 태그로 지칭한다), 예를 들어, 패션 태그 부류에 해당하는 다양한 구매 개인화 태그, 과시적 소비 태그 부류에 해당하는 다양한 구매 개인화 태그, 구매 브랜드 태그 부류에 해당하는 다양한 구매 개인화 태그 및 구매 브랜드 속성 태그 부류에 해당하는 다양한 구매 개인화 태그들을 뽑아내고, 각 고객별 구매 내역에 따른 다양한 구매 개인화 태그들을 관련시켜 저장한다. 마찬가지로, 각 제품을 판매하는 온라인 쇼핑몰이나, 제품 사이트에서도 동일한 종류의 구매 개인화 태그들과 관련된 태그 값들을 뽑아낸다. 이때, 각 사이트에서도 패션 태그 부류에 해당하는 다양한 구매 개인화 태그, 과시적 소비 태그 부류에 해당하는 다양한 구매 개인화 태그, 구매 브랜드 태그 부류에 해당하는 다양한 구매 개인화 태그 및 구매 브랜드 속성 태그 부류에 해당하는 다양한 구매 개인화 태그들과 관련된 태그 값들을 뽑아낸다. 그런 다음 이러한 구매 개인화 태그와 태그 값들로부터 고객들과 사이트 사이의 유사 관계를 산출하고, 각 고객에 가장 적합한 사이트를 추천하는 과정을 거친다.

또한 본 발명에서는 고객 활동 기반을 통해 각 서버에서 각 고객에서 질문한 개인화 질문에 대한 답으로부터 얻은 구매 개인화 태그와 관련 태그 값을 얻고, 고객이 각 구매 사이트에서 수행한 로그 정보, 예를 들어, 특정 사이트를 클릭하거나, 북마크를 하거나, 좋아요 등의 행동을 취했을 때 이러한 정보를 바탕으로 구매 개인화 태그를 추출하고 관련된 태그 값을 얻는다. 그리고 이러한 정보로부터 고객 속성에 다른 구매 개인화 태그의 태그 값들을 보정한다.

한편, 패션 태그 부류는 패션과 직접 관련이 있는 구매 태그 부류이며, 브랜드, 채널, 소비지역, 소비레벨 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성되고, 상기 패션 태그 부류에 해당하는 구매 개인화 태그들의 예로는, 구매 브랜드, 해외 온라인 종합몰 (예를 들어, 아마존, 알리바바 등) 구매, 럭셔리 부티크 스트리트 구매, SPA 브랜드 구매, 온라인 셀릭트 숍(select shop) 구매 (예를 들어, shopbop, Fatfetch 등), 브랜드 공식몰 구매 등의 태그가 있을 수 있다.

과시적 소비 태그 부류는 패션 소비와 패션 행동을 간접적을 드러내는 태그 부류이며, 해외 여행 결제, 고메 결제, 특급 호텔 결제 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성되고, 상기 과시적 소비 태그 부류에 해당하는 구매 개인화 태그들의 예로는, 파인 다이닝 소비(미슐랭, 자갓, 블루리본 등), 미용실_강남 미용실 소비, 해외여행중_쇼핑_고빈도_2년_20건이상 등의 태그가 있을 수 있다.

구매 브랜드 태그 부류에는, 구매 브랜드 별 또는 사이트 별로 구분되는 태그이며, 각 브랜드 별 또는 사이트 별로 특정한 태그 이름을 정하여, 사이트구매_FS1603990, 사이트구매_FS1600284, 브랜드구매_BRFSY1602554, 브랜드구매_BRFSY1602871, 브랜드구매_BRFSY1603313, 브랜드구매_BRFSY1604037 등의 태그를 생성하여 붙일 수 있다.

구매 브랜드 속성 태그 부류에는, 구매 브랜드 별이나 사이트 별이 아닌 각 구매 브랜드의 속성 별로 나눈 태그이며, 가격대 속성에 따라 초고가, 고가, 중고가, 중가, 중저가, 저가, 초저가 등의 태그, 스타일 속성에 따라, Casual, Formal, Basic, Sporty 등의 태그, 전문 장르에 따라, SPA, 데님전문, 주얼리전문 등의 태그를 생성하여 붙일 수 있다.

이러한 태그들의 명칭이나 종류는 고정되거나 위의 예시로 한정되어 정해지는 것이 아니며, 임의로 다양한 속성의 형태나 조건을 선정하고 아울러 구매 속성에서부터 관련된 다양한 부류 및 내용의 태그를 붙일 수 있을 것이다.

여기서 구매 데이터는 카드 사용 내역 등을 통해 취득할 수 있다.

도 2는 본 발명에 따른 개인화 알고리즘을 이용한 최적화 사이트 제공 방법의 흐름도이다.

도 2를 참조하면, 본 발명에 따른 개인화 알고리즘은, 고객의 구매 내역으로부터 하나 이상의 태그를 추출하고 태그 값을 생성하여 고객 구매 태그 테이블을 형성하는 단계(S10), 태그 값들에 CDF 함수를 적용하여 소정 범위로 매칭(소정 범위 내로 투영)하는 단계(S20), 고객 별 정보인 고객 구매 태그 테이블로부터 구매 사이트별 정보인 사이트 태그 테이블을 형성하는 단계(S30), 고객 구매 태그 테이블과 사이트 태그 테이블의 태그 값들로부터 고객과 사이트 사이의 유사도를 산출하는 단계(S40) 및 산출된 유사도를 바탕으로 각 고객별 유사도가 높은 상위 랭킹의 사이트를 개인화된 소비 맞춤형 사이트로 제시하는 단계(S50)를 포함한다.

도 3은 본 발명에 따른 태그 값을 수정하는 방법을 나타낸 흐름도이다.

도 3을 참조하면, 도 2의 S30 단계는, 사이트 태그 테이블 내의 태그 값들과 대해 구매 브랜드 속성 태그 부류의 속성 태그 값에 가중치를 반영하여 합산하는 단계(S31), 각 태그 테이블 내의 태그 값들에 IDF 함수를 적용하는 단계(S32), 고객 구매 태그 테이블 내의 태그 값들과 소정 질문에 대응하는 태그에 대한 태그 값에 가중치를 반영하여 합산하는 단계(S33), 고객 구매 태그 테이블 내의 태그 값들과 고객의 로그 정보에 대응하는 태그에 대한 태그 값에 가중치를 반영하여 합산하는 단계(S34) 및 각 태그 테이블 내의 태그 값들에 태그 부류에 따라 서로 다른 가중치를 반영하는 단계(S35)를 더 포함한다.

한편, 도 4는 본 발명에 따른 개인화 알고리즘 서버의 개략적인 구성도이다.

도 4를 참조하면, 본 발명에 따른 개인화 알고리즘 서버(100)는 통신부(10)와 프로세서(20)를 포함한다.

이하, 도 1 내지 도 4을 참조하여, 본 발명에 따른 개인화 알고리즘을 이용한 사이트 추천 방법을 구체적을 설명한다.

먼저 통신부(10)는 각 고객들의 구매 내역을 전달받기 위한 기능을 수행하며, 프로세서(20)는 도 2 및 도 3의 각 단계에 따른 프로세스를 수행하는 기능을 한다.

먼저, 개인화 알고리즘 서버(100)의 통신부(10)를 통해 고객의 구매 내역을 전달 받으면, 프로세서(20)는 고객의 구매 내역으로부터 하나 이상의 태그를 추출하고 태그 값을 생성하여 고객 구매 태그 테이블을 형성하는 단계(S10)를 수행하며, 이 단계는, 구체적으로, 각 고객들의 구매 내역 및 상기 고객의 각각의 구매 내역의 다양한 구매 속성을 바탕으로, 패션 태그 부류; 과시적 소비 태그 부류; 및 구매 브랜드 속성 태그 부류; - 상기 패션 태그 부류는 상기 고객이 구매한 내역이 패션에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 상기 과시적 소비 태그 부류는 상기 고객이 구매한 내역이 과시적인 소비 내역인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 및 구매 브랜드 속성 태그 부류는 상기 고객이 구매한 내역이 가격대 또는 스타일 또는 분야별에 따른 브랜드 속성을 포함하는 구매 내역의 다양한 브랜드 속성에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류 - 중 적어도 일부를 포함하는 구매 데이터 기반 구매 개인화 태그 부류들에 포함되는 하나 이상의 구매 개인화 태그(TAG_NAME)들을 추출하고 상기 구매 개인화 태그들을 상기 구매 내역과 관련시켜 저장하고, 각각의 고객별 그리고 상기 구매 개인화 태그별로, 상기 각 구매 개인화 태그에 대응하는 상기 고객의 구매 내역 정보를 바탕으로 생성된 태그 값(TAG value)을 나열한 고객 구매 태그 테이블을 생성한다.

예를 들어, 프로세서(20)는 통신부(10)를 통해 전체 고객(예를 들어, n 명의 고객)들에 대한 각 고객별 다수의 구매 내역 정보를 전달 받으면, 각각의 구매 내역이 어떤 고객의 구매 내역인지와, 그리고 각 구매 내역으로부터 하나 이상의 구매 개인화 태그를 뽑아 내어, 각 고객별 그리고 각 구매 정보 별 하나 이상의 구매 개인화 태그와 태그 값을 관련시켜 고객 구매 태그 테이블을 생성한다.

표 1은 고객 1 및 고객 2에 대한 일부 구매 내역을 통해 얻은 구매 개인화 태그와 그 태그 값의 예를 나타낸다.

고객번호	TAG_NAME	태그 값
고객01	브랜드구매_BRFSY1604800_건수	1
고객01	브랜드구매_BRFSY1604800_취급액	67000
고객01	속성_Basic_Y_건수	7
고객01	속성_Basic_Y_취급액	767100
고객01	속성_Casual_Y_건수	1
고객01	속성_Casual_Y_취급액	49000
고객01	속성_Price_L_Y_건수	2
고객01	속성_Price_L_Y_취급액	88800
고객01	사이트구매_FS1603990_건수	1
고객01	사이트구매_FS1603990_취급액	39800
고객01	패션소비지_럭셔리부티크_스트리트_건수	1
고객01	패션소비지_럭셔리부티크_스트리트_취급액	39800
고객02	브랜드구매_BRFSY1602554_건수	1
고객02	브랜드구매_BRFSY1602554_취급액	90000
고객02	브랜드구매_BRFSY1602871_건수	1
고객02	브랜드구매_BRFSY1602871_취급액	199000
고객02	브랜드구매_BRFSY1603313_건수	1
고객02	브랜드구매_BRFSY1603313_취급액	16900
고객02	브랜드구매_BRFSY1604037_건수	1
고객02	브랜드구매_BRFSY1604037_취급액	60000
고객02	브랜드구매_BRFSY1604800_건수	1
고객02	브랜드구매_BRFSY1604800_취급액	67000
고객02	사이트구매_FS1600284_건수	3
고객02	사이트구매_FS1600284_취급액	123310
고객02	속성_Casual_Y_건수	7
고객02	속성_Casual_Y_취급액	414900
고객02	속성_Classic_Y_건수	1
고객02	속성_Classic_Y_취급액	69000
고객02	속성_Formal_Y_건수	2
고객02	속성_Formal_Y_취급액	436200
고객02	속성_Price_LL_Y_건수	1
고객02	속성_Price_LL_Y_취급액	64000
고객02	속성_Price_M_Y_건수	2
고객02	속성_Price_M_Y_취급액	702200
고객02	속성_SPA_Y_건수	4
고객02	속성_SPA_Y_취급액	164900
고객02	최근24개월중_패션쇼핑_장기간_19개월이상_월수	23
고객02	패션소비지_신사가로수상권_쇼핑_건수	1
고객02	패션소비지_신사가로수상권_쇼핑_취급액	6000

만일, 고객 1의 특정 구매 내역(또는 구매 이벤트) (예를 들어 구매 내역 01)이 BRFSY1604800라는 브랜드에 대한 것이라면, 브랜드 속성 태그 부류에 대한 브랜드구매_BRFSY1604800의 건수 및 취급액에 대한 구매 개인화 태그를 관련시켜 저장하고, 또한, 상기 특정 구매 내역이, Basic 이라는 스타일 속성에 대한 것이라면, 브랜드 속성 태그 부류에 대한 속성_Basic_Y 건 수 및 취급액에 대한 구매 개인화 태그를 관련시켜 저장하며, 또한, 상기 특정 구매 내역이, FS1603990라는 사이트에서 구매한 것이라면, 패션 태그 부류 내의 사이트구매_FS1603990의 건수 및 취급액에 대한 구매 개인화 태그를 관련시켜 저장하며, 상기 특정 구매 내역이, 패션 태그 부류 내의 패션 소비지_럭셔리부티크_스트리트에 관련된 내용이라면, 패션소비지_럭셔리부티크_스트리트의 건수 및 취급액에 대한 구매 개인화 태그를 관련시켜 저장한다. 이와 같이 각각의 구매 내역에 대해 관련된 구매 개인화 태그를 모두 찾아 해당 구매 개인화 태그 이름과 태그 값(예를 들어, 구매 건수 및 구매액(또는 취급액))을 관련시켜 저장한다.

그리고 이와 같은 방식으로 고객 1의 구매 내역 전체(예를 들어, 구매 내역 m개) 에 대해 분석한 구매 개인화 태그 및 태그 값을 저장하며, 이와 같은 방식으로 전체 고객(n 명의 고객)에 대한 전체 구매 개인화 태그와 태그 값을 관련시켜 저장하여 고객 구매 태그 테이블을 완성한다.

표 1을 참조하면, 설명의 편의성과 간략함을 위해, 각 고객과 구매 개인화 태그 사이를 연결하는 구매 내역(구매 이벤트)들은 삭제하고 표시하였다. 표 1에서 고객과 구매 개인화 태그 사이에 구매 건이 표시된다면, 각 구매 건 당 다수의 구매 개인화 태그가 나열될 것이다. 표 1에서는 상기 구매 건을 제외하고 각 고객별로 각 고객의 전체 구매 개인화 태그들이 정렬되도록 표시하였다.

그런 다음, 태그 값들에 CDF 함수를 적용하여 소정 범위로 매칭하는 단계(S20)는, 상기 각 태그 값이 상기 각 태그 값에 대응하는 해당 특정 구매 개인화 태그들과 관련된 전체 태그 값들 중에 어느 위치에 해당되는지를 상대적으로 나타내기 위해 CDF(cumulative distribution function; 누적 확률 분포 함수) 함수를 적용하여 상기 태그 값을 변형시킨다.

CDF 함수의 일 예로, 아래 수학식 1이 적용될 수 있다.

여기서, X₊ 는 태그 값 X 의 절대값이며, N₊ 는 전체 X 값들의 개수이고, t는 임의의 X 값이고, X = {t₁, t₂, ..., t_n} 이다.

상기 CDF 함수는 태그 값이 수학식 1의 t와 같거나 작은 고객수를 태그 값이 0보다 큰 전체 고객의 수로 나눈 것이며, 일 예로, 속성_Casual_Y_건수 태그에 대해 전체 고객 530만 고객 중 태그 값이 0보다 큰 고객이 10만명이고 그 중에서 태그 값이 7이하인 값을 갖는 고객이 70258명이면, 속성_Casual_Y_건수에 대한 태그 값은 70258/10만 = 0.70258 값으로 매핑된다.

이와 같이, 표 1의 고객 구매 태그 테이블의 태그 값들에 CDF함수를 적용하면, 아래의 표 2와 같이 태그 값이 0과 1사이로 매핑된다.

고객번호	TAG_NAME	태그 값
고객01	브랜드구매_BRFSY1604800_건수	0.668600435
고객01	브랜드구매_BRFSY1604800_취급액	0.4356578
고객01	속성_Basic_Y_건수	0.781083708
고객01	속성_Basic_Y_취급액	0.651610426
고객01	속성_Casual_Y_건수	0.702587249
고객01	속성_Casual_Y_취급액	0.180986763
고객01	속성_Price_L_Y_건수	0.840355201
고객01	속성_Price_L_Y_취급액	0.654887277
고객01	사이트구매_FS1603990_건수	0.406240314
고객01	사이트구매_FS1603990_취급액	0.463684472
고객01	패션소비지_럭셔리부티크_스트리트_건수	0.68613593
고객01	패션소비지_럭셔리부티크_스트리트_취급액	0.521420892
고객02	브랜드구매_BRFSY1602554_건수	0.773162939
고객02	브랜드구매_BRFSY1602554_취급액	0.591054313
고객02	브랜드구매_BRFSY1602871_건수	0.844827586
고객02	브랜드구매_BRFSY1602871_취급액	0.57635468
고객02	브랜드구매_BRFSY1603313_건수	0.565898436
고객02	브랜드구매_BRFSY1603313_취급액	0.086257228
고객02	브랜드구매_BRFSY1604037_건수	0.882200647
고객02	브랜드구매_BRFSY1604037_취급액	0.508090615
고객02	브랜드구매_BRFSY1604800_건수	0.668600435
고객02	브랜드구매_BRFSY1604800_취급액	0.4356578
고객02	사이트구매_FS1603990_건수	0.732285694
고객02	사이트구매_FS1603990_취급액	0.394134552
고객02	속성_Casual_Y_건수	0.781083708
고객02	속성_Casual_Y_취급액	0.651610426
고객02	속성_Classic_Y_건수	0.702587249
고객02	속성_Classic_Y_취급액	0.180986763
고객02	속성_Formal_Y_건수	0.840355201
고객02	속성_Formal_Y_취급액	0.654887277
고객02	속성_Price_LL_Y_건수	0.406240314
고객02	속성_Price_LL_Y_취급액	0.463684472
고객02	속성_Price_M_Y_건수	0.691740413
고객02	속성_Price_M_Y_취급액	0.582619575
고객02	속성_SPA_Y_건수	0.68613593
고객02	속성_SPA_Y_취급액	0.521420892
고객02	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
고객02	패션소비지_신사가로수상권_쇼핑_건수	0.370285251
고객02	패션소비지_신사가로수상권_쇼핑_취급액	0.021046464

상기 CDF 함수는 고객 구매 태그 테이블의 모든 태그들에 대해서도 수행한다.

그런 다음, 프로세서(20)에서 수행하는, 고객 별 정보인 고객 구매 태그 테이블로부터 구매 사이트별 정보인 사이트 태그 테이블을 형성하는 단계(S30)는, 구체적으로, 상기 고객 구매 태그 테이블의 상기 구매 개인화 태그들 중 특정 구매 사이트에 대한 구매 내역 속성을 나타내는 구매 사이트 태그를 이용하여, 상기 각 구매 사이트 태그와 관련된 모든 구매 개인화 태그들에 대해 상기 구매 사이트들 별로 상기 구매 개인화 태그와 이에 대응하는 태그 값으로 나열하되, 상기 각 구매 개인화 태그별로 상기 특정 구매 개인화 태그에 해당하는 모든 고객들의 태그 값들을 합산하고, 이를 상기 태그 값들이 0보다 큰 고객들의 수로 나눈 값을 각 구매 개인화 태그 별 태그 값으로 관련시켜 나열한 사이트 태그 테이블을 생성한다.

이를 구체적으로 설명하면, 표 2의 예에서 구매 개인화 태그들 중에서 사이트 구매_FS1603990_건수와 관련된 구매 개인화 태그들이 있다면, 상기 구매 개인화 태그들은 모두 특정 사이트인 "FS1603990 키"에 대한 사이트와 관련된 구매 개인화 태그들이므로, 상기 구매 개인화 태그들을 FS1603990 키와 관련되어 정리하고, 아울러 상기 FS1603990 키에 대한 사이트와 관련된 구매 개인화 태그들 모두를(즉, 모든 고객들의 FS1603990 키에 대한 사이트와 관련된 구매 개인화 태그들) 각각의 동일한 구매 개인화 태그들로 묶어 정리하여 이들의 태그 값들을 합쳐, 각 사이트 별로 각각의 구매 개인화 태그들로 정리하게 된다.

즉, 사이트 태그 테이블의 각 태그 값들은 고객 구매 태그 테이블의 태그 값(CDF 값)들을 이용하여 동일한 사이트에 구매한 전체 고객들의 동일 구매 개인화 태그들의 태그 값(CDF 값)을 합하고, 태그 값이 0보다 큰 고객 수로 나눔으로써 산출한다. 위의 예에서, FS1603990 사이트에서 구매한 3명의 구매 고객이 있고(즉, 사이트 구매_FS1603990_건수와 관련된 구매 개인화 태그들이 있는 고객이 3명이 있고) 각 구매 고객들의 "속성_Casual_Y_건수" 구매 개인화 태그에 대해 0보다 큰 태그 값이 2개(즉, 2명)가 있고, 그 값이 표 2에 도시된 바와 같이, 고객01의 "속성_Casual_Y_건수"에 대한 태그 값(즉, 고객01의 "속성_Casual_Y_건수"에 대한 태그 값들 중 FS1603990 사이트에 관련된 "속성_Casual_Y_건수"의 태그 값)이 0.70258725 이며, 고객02의 "속성_Casual_Y_건수"에 대한 태그 값(즉, 고객02의 "속성_Casual_Y_건수"에 대한 태그 값들 중 FS1603990 사이트에 관련된 "속성_Casual_Y_건수"의 태그 값)이 0.78108371 라면, "FS1603990" 사이트에 대한, "속성_Casual_Y_건수"의 구매 개인화 태그 값은, (0.70258725 + 0.78108371) / 2 = 0.741835478 값으로 산출된다.

이와 같은 방법으로, 모든 사이트들에 대해 사이트 별로 구매 개인화 태그의 태그 값들의 CDF 값을 구하면, 아래 표 3과 같이 도출된다.

사이트키	TAG_NAME	태그 값
FS1603990	브랜드구매_BRFSY1602554_건수	0.773162939
FS1603990	브랜드구매_BRFSY1602554_취급액	0.591054313
FS1603990	브랜드구매_BRFSY1602871_건수	0.844827586
FS1603990	브랜드구매_BRFSY1602871_취급액	0.57635468
FS1603990	브랜드구매_BRFSY1603313_건수	0.565898436
FS1603990	브랜드구매_BRFSY1603313_취급액	0.086257228
FS1603990	브랜드구매_BRFSY1604037_건수	0.882200647
FS1603990	브랜드구매_BRFSY1604037_취급액	0.508090615
FS1603990	브랜드구매_BRFSY1604800_건수	0.668600435
FS1603990	브랜드구매_BRFSY1604800_취급액	0.4356578
FS1603990	사이트구매_FS1603990_건수	0.569263004
FS1603990	사이트구매_FS1603990_취급액	0.428909512
FS1603990	속성_Basic_Y_건수	0.781083708
FS1603990	속성_Basic_Y_취급액	0.651610426
FS1603990	속성_Casual_Y_건수	0.741835478
FS1603990	속성_Casual_Y_취급액	0.416298594
FS1603990	속성_Classic_Y_건수	0.702587249
FS1603990	속성_Classic_Y_취급액	0.180986763
FS1603990	속성_Formal_Y_건수	0.840355201
FS1603990	속성_Formal_Y_취급액	0.654887277
FS1603990	속성_Price_L_Y_건수	0.840355201
FS1603990	속성_Price_L_Y_취급액	0.654887277
FS1603990	속성_Price_LL_Y_건수	0.406240314
FS1603990	속성_Price_LL_Y_취급액	0.463684472
FS1603990	속성_Price_M_Y_건수	0.691740413
FS1603990	속성_Price_M_Y_취급액	0.582619575
FS1603990	속성_SPA_Y_건수	0.68613593
FS1603990	속성_SPA_Y_취급액	0.521420892
FS1603990	속성_Sports_Y_건수
FS1603990	속성_Sports_Y_취급액
FS1603990	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
FS1603990	패션소비지_신사가로수상권_쇼핑_건수	0.370285251
FS1603990	패션소비지_신사가로수상권_쇼핑_취급액	0.021046464
FS1603990	패션소비지_럭셔리부티크_스트리트_건수	0.68613593
FS1603990	패션소비지_럭셔리부티크_스트리트_취급액	0.521420892

그런 다음, 프로세서(20)는, 사이트 태그 테이블 내의 태그 값들과 구매 브랜드 속성 태그 부류의 속성 태그 값을 가중치를 반영하여 합산하는 단계(S31)를 수행한다. 이때, 상기 단계는, 프로세서(20)가, 상기 사이트 태그 테이블의 태그 값들 중 상기 구매 브랜드 속성 태그 부류에 포함되는 소정의 구매 개인화 태그들에 대해서는 고유 속성 태그 값(POS value)을 반영하여 수정된 사이트 태그 테이블을 생성하는 단계를 더 포함한다.

예를 들어, 상기 사이트 태그 테이블의 상기 구매 브랜드 속성 태그 부류들의 태그 값들에, 상기 소정의 구매 개인화 태그들에 대응하는 태그 값들에는 소정의 제1 값을, 나머지 구매 개인화 태그들에 대응하는 태그 값들에는 제2 값을 반영하여 이들의 평균 값으로 상기 수정된 사이트 태그 테이블의 수정 태그 값들을 산출한다.

예를 들어, 사이트 키가 "FS1603990" 인 사이트에 대해, 구매 개인화 태그 중 "속성_Price_M_Y", "속성_Casual_Y", "속성_Sports_Y"에 사이트 고유 속성 태그 값들이 존재한다면, 아래 표 4에 나타낸 바와 같이, 해당 사이트의 관련된 구매 개인화 태그의 태그 값들은 상기 고유 속성 태그 값(POS_VALUE)을 반영하여 수정된다.

사이트키	TAG_NAME	태그 값	POS_VALUE
FS1603990	브랜드구매_BRFSY1602554_건수	0.773162939
FS1603990	브랜드구매_BRFSY1602554_취급액	0.591054313
FS1603990	브랜드구매_BRFSY1602871_건수	0.844827586
FS1603990	브랜드구매_BRFSY1602871_취급액	0.57635468
FS1603990	브랜드구매_BRFSY1603313_건수	0.565898436
FS1603990	브랜드구매_BRFSY1603313_취급액	0.086257228
FS1603990	브랜드구매_BRFSY1604037_건수	0.882200647
FS1603990	브랜드구매_BRFSY1604037_취급액	0.508090615
FS1603990	브랜드구매_BRFSY1604800_건수	0.668600435
FS1603990	브랜드구매_BRFSY1604800_취급액	0.4356578
FS1603990	사이트구매_FS1603990_건수	0.569263004
FS1603990	사이트구매_FS1603990_취급액	0.428909512
FS1603990	속성_Basic_Y_건수	0.781083708	0
FS1603990	속성_Basic_Y_취급액	0.651610426	0
FS1603990	속성_Casual_Y_건수	0.741835478	1
FS1603990	속성_Casual_Y_취급액	0.416298594	1
FS1603990	속성_Classic_Y_건수	0.702587249	0
FS1603990	속성_Classic_Y_취급액	0.180986763	0
FS1603990	속성_Formal_Y_건수	0.840355201	0
FS1603990	속성_Formal_Y_취급액	0.654887277	0
FS1603990	속성_Price_L_Y_건수	0.840355201	0
FS1603990	속성_Price_L_Y_취급액	0.654887277	0
FS1603990	속성_Price_LL_Y_건수	0.406240314	0
FS1603990	속성_Price_LL_Y_취급액	0.463684472	0
FS1603990	속성_Price_M_Y_건수	0.691740413	1
FS1603990	속성_Price_M_Y_취급액	0.582619575	1
FS1603990	속성_SPA_Y_건수	0.68613593	0
FS1603990	속성_SPA_Y_취급액	0.521420892	0
FS1603990	속성_Sports_Y_건수		1
FS1603990	속성_Sports_Y_취급액		1
FS1603990	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
FS1603990	패션소비지_신사가로수상권_쇼핑_건수	0.370285251
FS1603990	패션소비지_신사가로수상권_쇼핑_취급액	0.021046464
FS1603990	패션소비지_럭셔리부티크_스트리트_건수	0.68613593
FS1603990	패션소비지_럭셔리부티크_스트리트_취급액	0.521420892

표 4를 참조하면, FS1603990" 인 사이트의 구매 브랜드 속성 태그 부류에 속하는 구매 개인화 태그들 중에서, 사이트 고유 속성인, "속성_Price_M_Y", "속성_Casual_Y", "속성_Sports_Y"에는 고유 속성 태그 값 1을 반영하고, 나머지 구매 개인화 태그들, 사이트 고유 속성이 없는 구매 개인화 태그들에는 고유 속성 태그 값 0을 반영하고, 이들을 평균 내어 고유 속성 태그 값들이 반영된 수정된 사이트 태그 테이블을 생성한다.

이렇게 사이트 고유 속성이 반영된 사이트 태그 테이블은 아래 표 5와 같다.

사이트키	TAG_NAME	태그 값
FS1603990	브랜드구매_BRFSY1602554_건수	0.773162939
FS1603990	브랜드구매_BRFSY1602554_취급액	0.591054313
FS1603990	브랜드구매_BRFSY1602871_건수	0.844827586
FS1603990	브랜드구매_BRFSY1602871_취급액	0.57635468
FS1603990	브랜드구매_BRFSY1603313_건수	0.565898436
FS1603990	브랜드구매_BRFSY1603313_취급액	0.086257228
FS1603990	브랜드구매_BRFSY1604037_건수	0.882200647
FS1603990	브랜드구매_BRFSY1604037_취급액	0.508090615
FS1603990	브랜드구매_BRFSY1604800_건수	0.668600435
FS1603990	브랜드구매_BRFSY1604800_취급액	0.4356578
FS1603990	사이트구매_FS1603990_건수	0.569263004
FS1603990	사이트구매_FS1603990_취급액	0.428909512
FS1603990	속성_Basic_Y_건수	0.390541854
FS1603990	속성_Basic_Y_취급액	0.325805213
FS1603990	속성_Casual_Y_건수	0.870917739
FS1603990	속성_Casual_Y_취급액	0.708149297
FS1603990	속성_Classic_Y_건수	0.351293625
FS1603990	속성_Classic_Y_취급액	0.090493381
FS1603990	속성_Formal_Y_건수	0.4201776
FS1603990	속성_Formal_Y_취급액	0.327443638
FS1603990	속성_Price_L_Y_건수	0.4201776
FS1603990	속성_Price_L_Y_취급액	0.327443638
FS1603990	속성_Price_LL_Y_건수	0.203120157
FS1603990	속성_Price_LL_Y_취급액	0.231842236
FS1603990	속성_Price_M_Y_건수	0.845870206
FS1603990	속성_Price_M_Y_취급액	0.791309787
FS1603990	속성_SPA_Y_건수	0.343067965
FS1603990	속성_SPA_Y_취급액	0.260710446
FS1603990	속성_Sports_Y_건수	0.5
FS1603990	속성_Sports_Y_취급액	0.5
FS1603990	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
FS1603990	패션소비지_신사가로수상권_쇼핑_건수	0.370285251
FS1603990	패션소비지_신사가로수상권_쇼핑_취급액	0.021046464
FS1603990	패션소비지_럭셔리부티크_스트리트_건수	0.68613593
FS1603990	패션소비지_럭셔리부티크_스트리트_취급액	0.521420892

그런 다음, 고객 구매 태그 테이블과 사이트 태그 테이블 내의 각 태그 값들에 대해 고객들이 자주 이용하는 사이트 또는 브랜드 또는 속성은 가중치를 낮게 주고 고객들이 자주 이용하지 않는 사이트 또는 브랜드 또는 속성은 가중치를 높게 줄 수 있도록 소정의 함수를 적용하는 단계(S32)를 더 수행한다. 이때, 상기 소정의 함수는 IDF(Inverse Documents Frequency) 함수 일 수 있다.

상기 IDF 함수의 일 예는 아래 수학식으로 표현될 수 있다.

여기서, N는 전체 고객수이며, |S|는 태그가 있는 고객 수이다.

그리고 상기 수학식을 통해 계산된 IDF 값은 스케일링을 위해 logistic IDF 값으로 다시 변환될 수 있다. 스케일링 수학식은 다음과 같이 표현될 수 있다.

본 발명에 따른 개인화 알고리즘을 이용한 사이트 추천 방법에서, IDF 값 및 logistic IDF 값을 구하는 예는 아래 표 6과 같다.

TAG_NAME	전체고객수	Tag있는 고객수	idf	logistic_idf
브랜드구매_BRFSY1602554_건수	5,300,000	8295	2.805407126	0.942967317
브랜드구매_BRFSY1602554_취급액	5,300,000	8295	2.805407126	0.942967317
브랜드구매_BRFSY1602871_건수	5,300,000	10759	2.692463598	0.936580471
브랜드구매_BRFSY1602871_취급액	5,300,000	10759	2.692463598	0.936580471
브랜드구매_BRFSY1603313_건수	5,300,000	944010	0.749298815	0.679025895
브랜드구매_BRFSY1603313_취급액	5,300,000	944089	0.749262472	0.679017974
브랜드구매_BRFSY1604037_건수	5,300,000	40943	2.112085601	0.892072298
브랜드구매_BRFSY1604037_취급액	5,300,000	40943	2.112085601	0.892072298
브랜드구매_BRFSY1604800_건수	5,300,000	73087	1.860429792	0.865347036
브랜드구매_BRFSY1604800_취급액	5,300,000	73723	1.856666979	0.864907984
사이트구매_FS1603990_건수	5,300,000	133	4.597171071	0.990020287
사이트구매_FS1603990_취급액	5,300,000	133	4.597171071	0.990020287
속성_Basic_Y_건수	5,300,000	1921727	0.440583952	0.608398166
속성_Basic_Y_취급액	5,300,000	1926418	0.439525117	0.60814587
속성_Casual_Y_건수	5,300,000	2753907	0.284326442	0.570606588
속성_Casual_Y_취급액	5,300,000	2760373	0.283307941	0.570357023
속성_Classic_Y_건수	5,300,000	328786	1.207361232	0.769831716
속성_Classic_Y_취급액	5,300,000	330323	1.205335741	0.769472622
속성_Formal_Y_건수	5,300,000	677420	0.893417214	0.709594862
속성_Formal_Y_취급액	5,300,000	679407	0.892145213	0.709332671
속성_Price_L_Y_건수	5,300,000	2914020	0.259783192	0.564582995
속성_Price_L_Y_취급액	5,300,000	2924673	0.258198405	0.564193368
속성_Price_LL_Y_건수	5,300,000	1538961	0.537047973	0.631125434
속성_Price_LL_Y_취급액	5,300,000	1547362	0.534683662	0.630574838
속성_Price_M_Y_건수	5,300,000	539010	0.992678241	0.7296166
속성_Price_M_Y_취급액	5,300,000	550723	0.983341867	0.727770812
속성_SPA_Y_건수	5,300,000	1916003	0.441879458	0.608706777
속성_SPA_Y_취급액	5,300,000	1922469	0.440416298	0.608358222
속성_Sports_Y_건수	5,300,000	916003	0.762378499	0.681869909
속성_Sports_Y_취급액	5,300,000	922469	0.759323618	0.681206866

표 6의 예에서, 전체 고객의 수가 5,300,000 명이고, 각 구매 개인화 태그와 관련된 고객의 수가 표 6의 '태그 있는 고객수'의 열과 같을 때, 수학식 2 및 수학식 3을 통해 표 6과 같은 IDF 및 logistic IDF 값을 산출할 수 있다.

이렇게 구한 logistic IDF 값을 고객 구매 태그 테이블과 사이트 태그 테이블 내의 각 태그 값들과 곱하면 표 7 및 표 8에 나타낸 IDF 가 반영된 고객 태그 테이블과 사이트 태그 테이블을 구할 수 있다.

고객번호	TAG_NAME	태그 값
고객01	브랜드구매_BRFSY1604800_건수	0.578571405
고객01	브랜드구매_BRFSY1604800_취급액	0.37680391
고객01	속성_Basic_Y_건수	0.475209895
고객01	속성_Basic_Y_취급액	0.396274189
고객01	속성_Casual_Y_건수	0.400900913
고객01	속성_Casual_Y_취급액	0.103227071
고객01	속성_Price_L_Y_건수	0.474450256
고객01	속성_Price_L_Y_취급액	0.369483059
고객01	사이트구매_FS1603990_건수	0.402186152
고객01	사이트구매_FS1603990_취급액	0.459057034
고객01	패션소비지_럭셔리부티크_스트리트_건수	0.68613593
고객01	패션소비지_럭셔리부티크_스트리트_취급액	0.521420892
고객02	브랜드구매_BRFSY1602554_건수	0.729067382
고객02	브랜드구매_BRFSY1602554_취급액	0.5573449
고객02	브랜드구매_BRFSY1602871_건수	0.791249018
고객02	브랜드구매_BRFSY1602871_취급액	0.539802537
고객02	브랜드구매_BRFSY1603313_건수	0.384259692
고객02	브랜드구매_BRFSY1603313_취급액	0.058570208
고객02	브랜드구매_BRFSY1604037_건수	0.786986758
고객02	브랜드구매_BRFSY1604037_취급액	0.453253562
고객02	브랜드구매_BRFSY1604800_건수	0.578571405
고객02	브랜드구매_BRFSY1604800_취급액	0.37680391
고객02	사이트구매_FS1603990_건수	0.724977693
고객02	사이트구매_FS1603990_취급액	0.390201202
고객02	속성_Casual_Y_건수	0.44569151
고객02	속성_Casual_Y_취급액	0.371650582
고객02	속성_Classic_Y_건수	0.540873948
고객02	속성_Classic_Y_취급액	0.139264359
고객02	속성_Formal_Y_건수	0.596311733
고객02	속성_Formal_Y_취급액	0.464532941
고객02	속성_Price_LL_Y_건수	0.256388595
고객02	속성_Price_LL_Y_취급액	0.292387761
고객02	속성_Price_M_Y_건수	0.504705289
고객02	속성_Price_M_Y_취급액	0.424013521
고객02	속성_SPA_Y_건수	0.41765559
고객02	속성_SPA_Y_취급액	0.317210686
고객02	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
고객02	패션소비지_신사가로수상권_쇼핑_건수	0.370285251
고객02	패션소비지_신사가로수상권_쇼핑_취급액	0.021046464

사이트키	TAG_NAME	태그 값
FS1603990	브랜드구매_BRFSY1602554_건수	0.729067382
FS1603990	브랜드구매_BRFSY1602554_취급액	0.5573449
FS1603990	브랜드구매_BRFSY1602871_건수	0.791249018
FS1603990	브랜드구매_BRFSY1602871_취급액	0.539802537
FS1603990	브랜드구매_BRFSY1603313_건수	0.384259692
FS1603990	브랜드구매_BRFSY1603313_취급액	0.058570208
FS1603990	브랜드구매_BRFSY1604037_건수	0.786986758
FS1603990	브랜드구매_BRFSY1604037_취급액	0.453253562
FS1603990	브랜드구매_BRFSY1604800_건수	0.578571405
FS1603990	브랜드구매_BRFSY1604800_취급액	0.37680391
FS1603990	사이트구매_FS1603990_건수	0.563581922
FS1603990	사이트구매_FS1603990_취급액	0.424629118
FS1603990	속성_Basic_Y_건수	0.237604948
FS1603990	속성_Basic_Y_취급액	0.198137095
FS1603990	속성_Casual_Y_건수	0.4969514
FS1603990	속성_Casual_Y_취급액	0.403897925
FS1603990	속성_Classic_Y_건수	0.270436974
FS1603990	속성_Classic_Y_취급액	0.069632179
FS1603990	속성_Formal_Y_건수	0.298155866
FS1603990	속성_Formal_Y_취급액	0.232266471
FS1603990	속성_Price_L_Y_건수	0.237225128
FS1603990	속성_Price_L_Y_취급액	0.184741529
FS1603990	속성_Price_LL_Y_건수	0.128194297
FS1603990	속성_Price_LL_Y_취급액	0.14619388
FS1603990	속성_Price_M_Y_건수	0.617160945
FS1603990	속성_Price_M_Y_취급액	0.575892167
FS1603990	속성_SPA_Y_건수	0.208827795
FS1603990	속성_SPA_Y_취급액	0.158605343
FS1603990	속성_Sports_Y_건수	0.340934954
FS1603990	속성_Sports_Y_취급액	0.340603433
FS1603990	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
FS1603990	패션소비지_신사가로수상권_쇼핑_건수	0.370285251
FS1603990	패션소비지_신사가로수상권_쇼핑_취급액	0.021046464
FS1603990	패션소비지_럭셔리부티크_스트리트_건수	0.68613593
FS1603990	패션소비지_럭셔리부티크_스트리트_취급액	0.521420892

그런 다음, 프로세서(20)는 고객 구매 태그 테이블 내의 태그 값들과 소정 질문에 대응하는 태그에 대한 태그 값을 가중치를 반영하여 합산(S33)한다.

즉, 개인화 알고리즘 서버(100)가, 상기 고객들로부터 취득한 소정 질문에 대한 응답을 바탕으로, 상기 고객이 응답한 소정 질문 각각에 대해, 각 질문에 대응하는 질문 태그 값을 부여하고, 상기 질문에 매칭되는 상기 구매 개인화 태그를 연관시키고, 상기 고객이 응답한 질문에 해당하는 브랜드에 대해서는 각 해당 브랜드에 관련된 모든 구매 개인화 태그들에 소정의 속성 태그 값을 부여하여, 상기 질문에 대응하는 구매 개인화 태그와 상기 브랜드와 관련된 구매 개인화 태그에 각각의 질문 태그 값 또는 속성 태그 값을 대응하는 태그 값으로 관련시킨, 고객 질문답 태그 테이블을 형성한다. 그리고 나서, 개인화 알고리즘 서버(100)의 프로세서(20)는 고객 구매 태그 테이블과 상기 고객 질문답 태그 테이블에서 각 대응되는 구매 개인화 태그들을 태그 값들을 참조하여 계산하여 병합한다. 병합 시에는 각 태그 테이블에 따라 서로 다른 가중치를 가해 이들을 평균내는 방법을 사용할 수 있다.

또한, 프로세서(20)는, 고객 구매 태그 테이블 내의 태그 값들과 고객의 로그 정보에 대응하는 태그에 대한 태그 값을 가중치를 반영하여 합산(S34)한다.

즉, 개인화 알고리즘 서버(100)가, 상기 고객으로부터 취득한 적어도 하나의 특정 사이트에 대해서 수행한 호감 표시, 북마크 처리 및 클릭 행위 중 적어도 일부를 포함하는 로그 정보를 바탕으로, 상기 각 고객별로 그리고 각각의 고객 당 상기 특정 사이트별로 구분되어 형성된 각각의 로그 정보 태그와, 상기 로그 정보 태그에 대응하는 호감 표시, 북마크 처리 및 클릭 행위 중 적어도 일부에 대한 처리 횟수를 포함하는 로그 횟수를 바탕으로 형성된 태그 값을 나열한 고객 로그 태그 테이블을 형성한다. 그리고 나서, 개인화 알고리즘 서버(100)의 프로세서(20)는 고객 구매 태그 테이블과 상기 고객 로그 태그 테이블에서 각 대응되는 구매 개인화 태그들을 각 태그 값들을 참조하여 병합한다. 병합 시에는 각 태그 테이블에 따라 서로 다른 가중치를 가해 이들을 평균내는 방법을 사용할 수 있다.

한편, 고객 질문답 태그 테이블과, 고객 로그 태그 테이블 내에서 대응되는 구매 개인화 태그들이 존재하지 않은 경우에는 그 값을 비워두거나 '0'의 태그 값으로 채워 태그 테이블을 수정한다. 예를 들어, 생성된 고객 질문답 태그 테이블이 표 10와 같고, 고객 로그 태그 테이블이 표 11과 같은 경우, 표 8의 고객 구매 태그 테이블은 표 9과 같이 결측값(태그 값이 없는)을 갖는 구매 개인화 태그들을 병합하여 수정된다.

여기서, 표 10 및 표 11의 테이블은 표 9의 고객 구매 태그 테이블의 구매 개인화 태그들에 대응되도록, 표 9의 고객 구매 태그 테이블의 구매 개인화 태그들에 맞춰 나타내었다. 이에 따라 표 10 및 표 11에서는 표 9에 대응되는 구매 개인화 태그가 없는 칸은 빈칸으로 표시하였다.

고객번호	TAG_NAME	태그 값
고객01	브랜드구매_BRFSY1604800_건수	0.578571405
고객01	브랜드구매_BRFSY1604800_취급액	0.37680391
고객01	속성_Basic_Y_건수	0.475209895
고객01	속성_Basic_Y_취급액	0.396274189
고객01	속성_Casual_Y_건수	0.400900913
고객01	속성_Casual_Y_취급액	0.103227071
고객01	속성_Price_L_Y_건수	0.474450256
고객01	속성_Price_L_Y_취급액	0.369483059
고객01	사이트구매_FS1603990_건수	0.402186152
고객01	사이트구매_FS1603990_취급액	0.459057034
고객01	패션소비지_럭셔리부티크_스트리트_건수	0.68613593
고객01	패션소비지_럭셔리부티크_스트리트_취급액	0.521420892
고객02	브랜드구매_BRFSY1602554_건수	0.729067382
고객02	브랜드구매_BRFSY1602554_취급액	0.5573449
고객02	브랜드구매_BRFSY1602871_건수	0.791249018
고객02	브랜드구매_BRFSY1602871_취급액	0.539802537
고객02	브랜드구매_BRFSY1603313_건수	0.384259692
고객02	브랜드구매_BRFSY1603313_취급액	0.058570208
고객02	브랜드구매_BRFSY1604037_건수	0.786986758
고객02	브랜드구매_BRFSY1604037_취급액	0.453253562
고객02	브랜드구매_BRFSY1604800_건수	0.578571405
고객02	브랜드구매_BRFSY1604800_취급액	0.37680391
고객02	사이트구매_FS1603990_건수	0.724977693
고객02	사이트구매_FS1603990_취급액	0.390201202
고객02	속성_Casual_Y_건수	0.44569151
고객02	속성_Casual_Y_취급액	0.371650582
고객02	속성_Classic_Y_건수	0.540873948
고객02	속성_Classic_Y_취급액	0.139264359
고객02	속성_Formal_Y_건수	0.596311733
고객02	속성_Formal_Y_취급액	0.464532941
고객02	속성_Price_LL_Y_건수	0.256388595
고객02	속성_Price_LL_Y_취급액	0.292387761
고객02	속성_Price_M_Y_건수	0.504705289
고객02	속성_Price_M_Y_취급액	0.424013521
고객02	속성_SPA_Y_건수	0.41765559
고객02	속성_SPA_Y_취급액	0.317210686
고객02	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
고객02	패션소비지_신사가로수상권_쇼핑_건수	0.370285251
고객02	패션소비지_신사가로수상권_쇼핑_취급액	0.021046464
고객03	사이트구매_FS1600284_건수
고객03	사이트구매_FS1600284_취급액
고객03	브랜드구매_BRFSY1604800_건수
고객03	브랜드구매_BRFSY1604800_취급액

고객번호	TAG_NAME	질문답
고객01	브랜드구매_BRFSY1604800_건수	1
고객01	브랜드구매_BRFSY1604800_건수	1








고객01	패션소비지_럭셔리부티크스트리트_구매_건수	1
고객01	패션소비지_럭셔리부티크스트리트_구매_건수	1

























고객02	패션소비지_신사가로수상권_쇼핑_건수	1
고객02	패션소비지_신사가로수상권_쇼핑_건수	1


고객03	브랜드구매_BRFSY1604800_건수	1
고객03	브랜드구매_BRFSY1604800_취급액	1

고객번호	TAG_NAME	질문답






















고객02	사이트구매_FS1603990_건수	1
고객02	사이트구매_FS1603990_건수	1















고객03	사이트구매_FS1600284_건수	1
고객03	사이트구매_FS1600284_건수	1

한편, 상기 S33 단계 및 S34 단계는 선택적으로 수행될 수도 있으며, 병렬적, 순차적으로 모두 수행될 수도 있다. 상기 S33 단계 및 S34 단계가 모두 수행될 때는, 프로세서(20)가 고객 구매 태그 테이블과 상기 고객 질문답 태그 테이블, 그리고 상기 고객 로그 태그 테이블에서 각 대응되는 구매 개인화 태그들을 각 태그 값들을 참조하여 병합한다. 이때도, 병합 시에는 각 태그 테이블에 따라 서로 다른 가중치를 가해 이들을 평균내는 방법을 사용할 수 있다. 이러한 병합의 일 예가 아래 수학식으로 표현된다.

여기서,

는 새로 수정된 고객 구매 태그 테이블의 태그 값이고, W_a, W_b 및 W_c 는 각 태그 테이블에 대한 가중치이며, a=(a₁, a₂, …, a_m )은 고객 구매 태그 테이블의 태그 값이며, b=(b₁, b₂, …, b_m ) 은 고객 질문답 태그 테이블의 태그 값이고, c =(c₁, c₂, …, c_m ) 은 고객 로그 태그 테이블의 태그 값이며, i 또는 1 내지 m 은 각 구매 개인화 태그들을 나타낸다.

일 실시예에서, W_a는 30% , W_b 는 50% , W_c 는 20% 로 사용될 수 있지만, 각 웨이트는 튜닝에 따라 변경가능 할 것이다.

표 9, 표 10, 표 11에 나타낸 각 태그 테이블들을 위 수학식 4를 통해 병합하면, 아래의 표 12와 같은 수정된 고객 구매 태그 테이블이 생성된다.

고객번호	TAG_NAME	태그 값
고객01	브랜드구매_BRFSY1604800_건수	0.841964277
고객01	브랜드구매_BRFSY1604800_취급액	0.766301466
고객01	속성_Basic_Y_건수	0.475209895
고객01	속성_Basic_Y_취급액	0.396274189
고객01	속성_Casual_Y_건수	0.400900913
고객01	속성_Casual_Y_취급액	0.103227071
고객01	속성_Price_L_Y_건수	0.474450256
고객01	속성_Price_L_Y_취급액	0.369483059
고객01	사이트구매_FS1603990_건수	0.402186152
고객01	사이트구매_FS1603990_취급액	0.459057034
고객01	패션소비지_럭셔리부티크_스트리트_건수	0.882300974
고객01	패션소비지_럭셔리부티크_스트리트_취급액	0.820532834
고객02	브랜드구매_BRFSY1602554_건수	0.729067382
고객02	브랜드구매_BRFSY1602554_취급액	0.5573449
고객02	브랜드구매_BRFSY1602871_건수	0.791249018
고객02	브랜드구매_BRFSY1602871_취급액	0.539802537
고객02	브랜드구매_BRFSY1603313_건수	0.384259692
고객02	브랜드구매_BRFSY1603313_취급액	0.058570208
고객02	브랜드구매_BRFSY1604037_건수	0.786986758
고객02	브랜드구매_BRFSY1604037_취급액	0.453253562
고객02	브랜드구매_BRFSY1604800_건수	0.578571405
고객02	브랜드구매_BRFSY1604800_취급액	0.37680391
고객02	사이트구매_FS1603990_건수	0.834986616
고객02	사이트구매_FS1603990_취급액	0.634120721
고객02	속성_Casual_Y_건수	0.44569151
고객02	속성_Casual_Y_취급액	0.371650582
고객02	속성_Classic_Y_건수	0.540873948
고객02	속성_Classic_Y_취급액	0.139264359
고객02	속성_Formal_Y_건수	0.596311733
고객02	속성_Formal_Y_취급액	0.464532941
고객02	속성_Price_LL_Y_건수	0.256388595
고객02	속성_Price_LL_Y_취급액	0.292387761
고객02	속성_Price_M_Y_건수	0.504705289
고객02	속성_Price_M_Y_취급액	0.424013521
고객02	속성_SPA_Y_건수	0.41765559
고객02	속성_SPA_Y_취급액	0.317210686
고객02	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135
고객02	패션소비지_신사가로수상권_쇼핑_건수	0.763856969
고객02	패션소비지_신사가로수상권_쇼핑_취급액	0.632892424
고객03	사이트구매_FS1600284_건수	0.2
고객03	사이트구매_FS1600284_취급액	0.2
고객03	브랜드구매_BRFSY1604800_건수	0.5
고객03	브랜드구매_BRFSY1604800_취급액	0.5

예를 들어, 표 12의 고객 01의 '브랜드구매_BRFSY1604800_건수'에 대한 태그 값은 표 9의 고객 01의 '브랜드구매_BRFSY1604800_건수'의 태그 값인 0.578571405와 표 10의 고객 01의 '브랜드구매_BRFSY1604800_건수'의 태그 값인 '1' 값을 상기 수학식 4를 이용하여 산출하면, '0.841964277'이 나온다.

또한, 프로세서(20)는, 각 태그 테이블 내의 태그 값들에 태그 부류에 따라 서로 다른 가중치를 반영(S35)할 수 있는데, 구체적으로, 상기 고객 구매 태그 테이블 및 상기 사이트 태그 테이블에 상기 패션 태그 부류, 상기 과시적 소비 태그 부류, 상기 구매 브랜드 속성 태그 부류 별로 서로 다른 가중치를 부여하여 가중치가 부여된 태그 값을 반영한 수정된 고객 구매 태그 테이블을 형성할 수 있다.

예를 들어, 표 8에 나타낸 사이트 태그 테이블과 표 12에 나타낸 고객 구매 태그 테이블의 각 구매 개인화 태그들 중, '브랜드 구매_...' 및 '사이트 구매_...'에 관련된 브랜드 태그 부류는 0.3의 가중치를, '최근 24개월 중_...', '패션 소비_...', '패션 소비상권_...', '패션 소비상권_...', ' 패션소비지_...', '패션채널해외온라인_..'에 관련된

패션 태그 부류는 0.2의 가중치를, '속성_...'에 관련된 브랜드 속성 부류 태그는 0.2의 가중치를, 그리고 '고메_...', '미용실_...', '특급호텔_...', '해외여행중_...'에 관련된 과시적 소비 태그 부류는 0.3의 가중치를 부여할 수 있다.

이와 같이 각 구매 개인화 태그들에 따라 서로 다른 가중치를 부여하면, 표 12의 고객 구매 태그 테이블은 표 13과 같이 태그 값들이 수정되며, 표 8의 사이트 태그 테이블은 표 14와 같이 태그 값들이 수정된다.

고객번호	TAG_NAME	태그 값	가중치	가중치 반영 태그 값
고객01	브랜드구매_BRFSY1604800_건수	0.841964277	0.3	0.252589283
고객01	브랜드구매_BRFSY1604800_취급액	0.766301466	0.3	0.22989044
고객01	속성_Basic_Y_건수	0.475209895	0.2	0.095041979
고객01	속성_Basic_Y_취급액	0.396274189	0.2	0.079254838
고객01	속성_Casual_Y_건수	0.400900913	0.2	0.080180183
고객01	속성_Casual_Y_취급액	0.103227071	0.2	0.020645414
고객01	속성_Price_L_Y_건수	0.474450256	0.2	0.094890051
고객01	속성_Price_L_Y_취급액	0.369483059	0.2	0.073896612
고객01	사이트구매_FS1603990_건수	0.402186152	0.3	0.120655846
고객01	사이트구매_FS1603990_취급액	0.459057034	0.3	0.13771711
고객01	패션소비지_럭셔리부티크_스트리트_건수	0.882300974	0.2	0.176460195
고객01	패션소비지_럭셔리부티크_스트리트_취급액	0.820532834	0.2	0.164106567
고객02	브랜드구매_BRFSY1602554_건수	0.729067382	0.3	0.218720215
고객02	브랜드구매_BRFSY1602554_취급액	0.5573449	0.3	0.16720347
고객02	브랜드구매_BRFSY1602871_건수	0.791249018	0.3	0.237374706
고객02	브랜드구매_BRFSY1602871_취급액	0.539802537	0.3	0.161940761
고객02	브랜드구매_BRFSY1603313_건수	0.384259692	0.3	0.115277908
고객02	브랜드구매_BRFSY1603313_취급액	0.058570208	0.3	0.017571062
고객02	브랜드구매_BRFSY1604037_건수	0.786986758	0.3	0.236096028
고객02	브랜드구매_BRFSY1604037_취급액	0.453253562	0.3	0.135976069
고객02	브랜드구매_BRFSY1604800_건수	0.578571405	0.3	0.173571421
고객02	브랜드구매_BRFSY1604800_취급액	0.37680391	0.3	0.113041173
고객02	사이트구매_FS1603990_건수	0.834986616	0.3	0.250495985
고객02	사이트구매_FS1603990_취급액	0.634120721	0.3	0.190236216
고객02	속성_Casual_Y_건수	0.44569151	0.2	0.089138302
고객02	속성_Casual_Y_취급액	0.371650582	0.2	0.074330116
고객02	속성_Classic_Y_건수	0.540873948	0.2	0.10817479
고객02	속성_Classic_Y_취급액	0.139264359	0.2	0.027852872
고객02	속성_Formal_Y_건수	0.596311733	0.2	0.119262347
고객02	속성_Formal_Y_취급액	0.464532941	0.2	0.092906588
고객02	속성_Price_LL_Y_건수	0.256388595	0.2	0.051277719
고객02	속성_Price_LL_Y_취급액	0.292387761	0.2	0.058477552
고객02	속성_Price_M_Y_건수	0.504705289	0.2	0.100941058
고객02	속성_Price_M_Y_취급액	0.424013521	0.2	0.084802704
고객02	속성_SPA_Y_건수	0.41765559	0.2	0.083531118
고객02	속성_SPA_Y_취급액	0.317210686	0.2	0.063442137
고객02	최근24개월중_패션쇼핑_장기간_19개월이상_월수	0.597088135	0.2	0.119417627
고객02	패션소비지_신사가로수상권_쇼핑_건수	0.763856969	0.2	0.152771394
고객02	패션소비지_신사가로수상권_쇼핑_취급액	0.632892424	0.2	0.126578485
고객03	사이트구매_FS1600284_건수	0.2	0.3	0.06
고객03	사이트구매_FS1600284_취급액	0.2	0.3	0.06
고객03	브랜드구매_BRFSY1604800_건수	0.5	0.3	0.15
고객03	브랜드구매_BRFSY1604800_취급액	0.5	0.3	0.15

사이트키	TAG_NAME	태그 값	가중치	가중치 반영 태그 값
FS1603990	브랜드구매_BRFSY1602554_건수	0.729067382	0.3	0.218720215
FS1603990	브랜드구매_BRFSY1602554_취급액	0.5573449	0.3	0.16720347
FS1603990	브랜드구매_BRFSY1602871_건수	0.791249018	0.3	0.237374706
FS1603990	브랜드구매_BRFSY1602871_취급액	0.539802537	0.3	0.161940761
FS1603990	브랜드구매_BRFSY1603313_건수	0.384259692	0.3	0.115277908
FS1603990	브랜드구매_BRFSY1603313_취급액	0.058570208	0.3	0.017571062
FS1603990	브랜드구매_BRFSY1604037_건수	0.786986758	0.3	0.236096028
FS1603990	브랜드구매_BRFSY1604037_취급액	0.453253562	0.3	0.135976069
FS1603990	브랜드구매_BRFSY1604800_건수	0.578571405	0.3	0.173571421
FS1603990	브랜드구매_BRFSY1604800_취급액	0.37680391	0.3	0.113041173
FS1603990	사이트구매_FS1603990_건수	0.563581922	0.3	0.169074577
FS1603990	사이트구매_FS1603990_취급액	0.424629118	0.3	0.127388735
FS1603990	속성_Basic_Y_건수	0.237604948	0.2	0.04752099
FS1603990	속성_Basic_Y_취급액	0.198137095	0.2	0.039627419
FS1603990	속성_Casual_Y_건수	0.4969514	0.2	0.09939028
FS1603990	속성_Casual_Y_취급액	0.403897925	0.2	0.080779585
FS1603990	속성_Classic_Y_건수	0.270436974	0.2	0.054087395
FS1603990	속성_Classic_Y_취급액	0.069632179	0.2	0.013926436
FS1603990	속성_Formal_Y_건수	0.298155866	0.2	0.059631173
FS1603990	속성_Formal_Y_취급액	0.232266471	0.2	0.046453294
FS1603990	속성_Price_L_Y_건수	0.237225128	0.2	0.047445026
FS1603990	속성_Price_L_Y_취급액	0.184741529	0.2	0.036948306
FS1603990	속성_Price_LL_Y_건수	0.128194297	0.2	0.025638859
FS1603990	속성_Price_LL_Y_취급액	0.14619388	0.2	0.029238776
FS1603990	속성_Price_M_Y_건수	0.617160945	0.2	0.123432189
FS1603990	속성_Price_M_Y_취급액	0.575892167	0.2	0.115178433
FS1603990	속성_SPA_Y_건수	0.208827795	0.2	0.041765559
FS1603990	속성_SPA_Y_취급액		0.158605343	0.2	0.031721069
FS1603990	최근24개월중_패션쇼핑_장기간_19개월이상_월수		0.597088135	0.2	0.119417627
FS1603990	패션소비지_신사가로수상권_쇼핑_건수		0.370285251	0.2	0.07405705
FS1603990	패션소비지_신사가로수상권_쇼핑_취급액		0.021046464	0.2	0.004209293
FS1603990	패션소비지_럭셔리부티크_스트리트_건수		0.68613593	0.2	0.137227186
FS1603990	패션소비지_럭셔리부티크_스트리트_취급액		0.521420892	0.2	0.104284178

그리고 나서, 프로세서(20)는, 표 13의 고객 구매 태그 테이블과 표 14의 사이트 태그 테이블의 태그 값들로부터 고객과 사이트 사이의 유사도를 산출 (S40)한다. 구체적으로, 프로세서(20)는, 아래의 수학식 5의 코사인 유사도 함수를 이용하여 표 13의 고객 구매 태그 테이블과 표 14의 사이트 태그 테이블의 태그 값들을 이용하여 각각의 고객과 각각의 사이트 별의 유사도 값들을 산출한다.

여기서 cosine similarity 및 cos(θ) 는 코사인 유사도 함수를 나타내며,

a=(a₁, a₂, …, a_m )은 고객 구매 태그 테이블의 태그 값이며, b=(b₁, b₂, …, b_m ) 은 사이트 태그 테이블의 태그 값이고, i 또는 1 내지 m 은 각 구매 개인화 태그들을 나타낸다. 그리고 수학식 5에서 Φ(x)는 구매 개인화 태그들의 유무에 따라 곱해지는 가중치 값이며 알고리즘 튜닝에 따라 변경가능하다.

수학식 5를 통해 표 13의 고객 구매 태그 테이블과 표 14의 사이트 태그 테이블을 이용하여 각각의 고객과 각각의 사이트 별의 유사도 값들을 구하면 아래의 표와 같다.

고객번호	사이트 키	cosine
고객01	FS1600850	0.774246889
고객01	FS1600637	0.685794559
고객01	FS1602976	0.662568273
고객01	FS1603043	0.631708746
고객01	FS1603548	0.646094571
고객01	FS1600303	0.656305018
고객01	FS1600673	0.672322908
고객01	FS1603759	0.642862773
고객01	FS1601320	0.635098523
고객01	FS1601617	0.646846548
고객01	FS1600761	0.641124308
고객01	FS1603708	0.616420733
고객01	FS1601149	0.635488542
고객01	FS1600794	0.659833859
고객01	FS1601794	0.677493536
고객01	FS1603596	0.637343962
고객01	FS1601433	0.634773774
고객01	FS1601656	0.644593318
고객01	FS1600598	0.614189116
...	...	...
고객01	FS1600255	0.63716527
고객01	FS1603718	0.638677526
...	...	...
...	...	...
...	...	...
...	...	...
...	...	...
고객01	FS1601568	0.642685452
고객01	FS1600012	0.644867515
고객01	FS1603770	0.629643125
고객01	FS1601497	0.654572545
고객01	FS1602559	0.650797215
고객01	FS1600379	0.668335146
고객01	FS1604007	0.656620072
고객01	FS1603926	0.632688153
고객01	FS1600818	0.641262742
고객01	FS1602502	0.659114548

위 표 15에서는 '고객01'에 대한 유사도 값만을 표시하였으나, 모든 고객 별로 모든 사이트에 대한 유사도 값이 산출될 수 있을 것이다.

그리고 나서 프로세서(20)는, 산출한 유사도를 바탕으로 각 고객별 유사도가 큰 사이트들을 내림차순으로 정리하여 상위 랭킹을 갖는 사이트로부터 소정 개수의 사이트를 상기 각 고객에 최적화된 소비 맞춤형 사이트로 제시한다. (S50).

본 발명은 위와 같은 개인화 알고리즘을 통해, 고객에 최적화된 사이트를 제시할 때 해당 고객의 태그(속성)만을 이용하지 않고 이들의 태그 값을 분류한 후, 모든 고객으로부터의 정보를 취합하여 모든 고객들의 태그 값을 합산함으로써, 사이트 별 태그 및 태그 값을 생성한다. 그리고, 고객의 속성 태그와 대응하는 사이트의 속성 태그들로부터 최적의 유사도 값을 제시할 수 있는 정확한 태그 값을 찾아 해당 고객에 맞는 최적의 사이트를 제공할 수 있다.

이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims

개인화 알고리즘을 이용한 사이트 추천 방법에 있어서,
(a) 개인화 알고리즘 서버가, 각 고객들의 구매 내역 및 상기 고객의 각각의 구매 내역의 다양한 구매 속성을 바탕으로, 패션 태그 부류; 과시적 소비 태그 부류; 및 구매 브랜드 속성 태그 부류;- 상기 패션 태그 부류는 상기 고객이 구매한 내역이 패션에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 상기 과시적 소비 태그 부류는 상기 고객이 구매한 내역이 과시적인 소비 내역인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 및 구매 브랜드 속성 태그 부류는 상기 고객이 구매한 내역이 가격대 또는 스타일 또는 분야별에 따른 브랜드 속성을 포함하는 구매 내역의 다양한 브랜드 속성에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류 - 중 적어도 일부를 포함하는 구매 데이터 기반 구매 개인화 태그 부류들에 포함되는 하나 이상의 구매 개인화 태그(TAG_NAME)들을 추출하고 상기 구매 개인화 태그들을 상기 구매 내역과 관련시켜 저장하고, 각각의 고객별 그리고 상기 구매 개인화 태그별로, 상기 각 구매 개인화 태그에 대응하는 상기 고객의 구매 내역 정보를 바탕으로 생성된 태그 값(TAG value)을 나열한 고객 구매 태그 테이블을 생성하는 단계;
(b) 상기 개인화 알고리즘 서버가, 상기 고객 구매 태그 테이블의 상기 구매 개인화 태그들 중 특정 구매 사이트에 대한 구매 내역 속성을 나타내는 구매 사이트 태그를 이용하여, 상기 각 구매 사이트 태그와 관련된 모든 구매 개인화 태그들에 대해 상기 구매 사이트들 별로 상기 구매 개인화 태그와 이에 대응하는 태그 값으로 나열하되, 상기 각 구매 개인화 태그별로 상기 특정 구매 개인화 태그에 해당하는 모든 고객들의 태그 값들을 합산하고, 이를 상기 태그 값들이 0보다 큰 고객들의 수로 나눈 값을 각 구매 개인화 태그 별 태그 값으로 관련시켜 나열한 사이트 태그 테이블을 생성하는 단계;
(c) 상기 개인화 알고리즘 서버가, 상기 (b) 단계에서 구한 상기 고객 구매 태그 테이블 내의 태그 값들과 상기 사이트 태그 테이블 내의 태그 값들을 이용하여 각 고객과 각 사이트들 사이의 유사도를 산출하는 단계; 및
(d) 상기 개인화 알고리즘 서버가, 상기 (c) 단계에서 산출한 유사도를 바탕으로 각 고객별 유사도가 큰 사이트들을 내림차순으로 정리하여 상위 랭킹을 갖는 사이트로부터 소정 개수의 사이트를 상기 각 고객에 최적화된 소비 맞춤형 사이트로 제시하는 단계;
를 포함하는 것을 특징으로 하는 사이트 추천 방법.
제 1 항에 있어서,
상기 (a) 단계는, 상기 각 태그 값이 상기 각 태그 값에 대응하는 해당 특정 구매 개인화 태그들과 관련된 전체 태그 값들 중에 어느 위치에 해당되는지를 상대적으로 나타내기 위해 CDF(cumulative distribution function) 함수를 적용하여 상기 태그 값을 변형시켜 상기 고객 구매 태그 테이블을 형성하는 것을 특징으로 하는 사이트 추천 방법.
제 1 항에 있어서,
상기 (b) 단계는, (b1) 상기 개인화 알고리즘 서버가, 상기 사이트 태그 테이블의 태그 값들 중 상기 구매 브랜드 속성 태그 부류에 포함되는 소정의 구매 개인화 태그들에 대해서는 고유 속성 태그 값(POS value)을 반영하여 수정된 사이트 태그 테이블을 생성하는 단계를 더 포함하는 것을 특징으로 하는 사이트 추천 방법.
제 3 항에 있어서,
상기 (b1) 단계는 상기 사이트 태그 테이블의 상기 구매 브랜드 속성 태그 부류들의 태그 값들에, 상기 소정의 구매 개인화 태그들에 대응하는 태그 값들에는 소정의 제1 값을, 나머지 구매 개인화 태그들에 대응하는 태그 값들에는 제2 값을 반영하여 이들의 평균 값으로 상기 수정된 사이트 태그 테이블의 수정 태그 값들을 산출하는 것을 특징으로 하는 사이트 추천 방법.
제 1 항에 있어서,
상기 (b) 단계는, (b2) 상기 개인화 알고리즘 서버가, 상기 고객 구매 태그 테이블 및 상기 사이트 태그 테이블의 각 태그 값들에 대해 고객들이 자주 이용하는 사이트 또는 브랜드 또는 속성은 가중치를 낮게 주고 고객들이 자주 이용하지 않는 사이트 또는 브랜드 또는 속성은 가중치를 높게 줄 수 있도록 소정의 함수를 적용하는 단계; 를 더 포함하는 것을 특징으로 하는 사이트 추천 방법.
제 5 항에 있어서,
상기 소정의 함수는 IDF(Inverse Documents Frequency) 함수 인 것을 특징으로 하는 사이트 추천 방법.
제 5 항에 있어서,
상기 (b) 단계는, (b3) 상기 개인화 알고리즘 서버가, 상기 고객들 중 특정 고객들로부터 취득한 소정 질문에 대한 응답을 바탕으로 상기 질문과 관련된 상기 구매 개인화 태그들에 소정의 질문답 태그 값을 기록한 고객 질문답 태그 테이블과, 상기 고객들 중 다른 특정 고객들로부터 취득한 상기 다른 특정 고객들의 특정 사이트 로그 정보를 바탕으로 상기 특정 사이트와 관련된 상기 구매 개인화 태그들에 소정의 로그 태그 값을 기록한 고객 로그 태그 테이블을 형성한 후, 상기 고객 구매 태그 테이블과 상기 고객 질문답 태그 테이블 및/또는 상기 고객 로그 태그 테이블에 대응하는 각 상기 구매 개인화 태그의 태그 값들을 참조하여 계산하는 단계를 더 포함하는 것을 특징으로 하는 사이트 추천 방법.
제 7 항에 있어서,
상기 (b3) 단계에서, 각 상기 구매 개인화 태그의 태그 값들을 참조하여 계산하는 수학식은 하기 수학식

으로 표현되며,
여기서,
는 새로 수정된 고객 구매 태그 테이블의 태그 값이고, W_a, W_b 및 W_c 는 각 태그 테이블에 대한 가중치이며, a, a₁, a₂, …, a_m 은 고객 구매 태그 테이블의 태그 값이며, b, b₁, b₂, …, b_m 은 고객 질문답 태그 테이블의 태그 값이고, c, c₁, c₂, …, c_m 은 고객 로그 태그 테이블의 태그 값이며. i 또는 1 내지 m 은 각 구매 개인화 태그들을 나타내는 것을 특징으로 하는 사이트 추천 방법.
제 5 항에 있어서,
상기 (b) 단계는, (b4) 상기 고객 구매 태그 테이블 및 상기 사이트 태그 테이블에 상기 패션 태그 부류, 상기 과시적 소비 태그 부류, 상기 구매 브랜드 속성 태그 부류 별로 서로 다른 가중치를 부여하여 가중치가 부여된 태그 값을 반영한 수정된 고객 구매 태그 테이블을 형성하는 단계를 더 포함하는 것을 특징으로 하는 사이트 추천 방법.
제 1 항에 있어서,
상기 패션 태그 부류는 패션과 직접 관련이 있는 구매 태그 부류이며, 브랜드, 채널, 소비지역, 소비레벨 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성되고,
상기 과시적 소비 태그 부류는 패션 소비와 패션 행동을 간접적을 드러내는 태그 부류이며, 해외 여행 결제, 고메 결제, 특급 호텔 결제 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성되는 것을 특징으로 하는 사이트 추천 방법.
제 1 항에 있어서,
상기 (c) 단계에서,
상기 유사도 계산은 하기 수학식

으로 표시되며, 여기서, a, a₁, a₂, …, a_m 은 상기 고객 구매 태그 테이블의 태그 값이며, b, b₁, b₂, …, b_m 은 상기 사이트 태그 테이블의 태그 값이며 Φ함수는 상기 고객 구매 태그 테이블의 태그 값 유무에 따라 곱해지는 가중치 값을 나타낸 함수인 것을 특징으로 하는 사이트 추천 방법.
제 1 항에 있어서,
상기 구매 내역은 카드 소비 내역인 것을 특징으로 하는 사이트 추천 방법.
사이트 추천을 위한 개인화 알고리즘 서버에 있어서,
각 고객들의 구매 내역을 전달받기 위한 통신부; 및
(i) 상기 각 고객들의 구매 내역 및 상기 고객의 각각의 구매 내역의 다양한 구매 속성을 바탕으로, 패션 태그 부류; 과시적 소비 태그 부류; 및 구매 브랜드 속성 태그 부류;- 상기 패션 태그 부류는 상기 고객이 구매한 내역이 패션에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 상기 과시적 소비 태그 부류는 상기 고객이 구매한 내역이 과시적인 소비 내역인 경우 해당 구매 내역에 연관되어 저장된 태그 부류; 및 구매 브랜드 속성 태그 부류는 상기 고객이 구매한 내역이 가격대 또는 스타일 또는 분야별에 따른 브랜드 속성을 포함하는 구매 내역의 다양한 브랜드 속성에 관련된 내용인 경우 해당 구매 내역에 연관되어 저장된 태그 부류 - 중 적어도 일부를 포함하는 구매 데이터 기반 구매 개인화 태그 부류들에 포함되는 하나 이상의 구매 개인화 태그(TAG_NAME)들을 추출하고 상기 구매 개인화 태그들을 상기 구매 내역과 관련시켜 저장하고, 각각의 고객별 그리고 상기 구매 개인화 태그별로, 상기 각 구매 개인화 태그에 대응하는 상기 고객의 구매 내역 정보를 바탕으로 생성된 태그 값(TAG value)을 나열한 고객 구매 태그 테이블을 생성하는 프로세스; (ii) 상기 고객 구매 태그 테이블의 상기 구매 개인화 태그들 중 특정 구매 사이트에 대한 구매 내역 속성을 나타내는 구매 사이트 태그를 이용하여, 상기 각 구매 사이트 태그와 관련된 모든 구매 개인화 태그들에 대해 상기 구매 사이트들 별로 상기 구매 개인화 태그와 이에 대응하는 태그 값으로 나열하되, 상기 각 구매 개인화 태그별로 상기 특정 구매 개인화 태그에 해당하는 모든 고객들의 태그 값들을 합산하고, 이를 상기 태그 값들이 0보다 큰 고객들의 수로 나눈 값을 각 구매 개인화 태그 별 태그 값으로 관련시켜 나열한 사이트 태그 테이블을 생성하는 프로세스; (iii) 상기 (ii) 프로세스에서 구한 상기 고객 구매 태그 테이블 내의 태그 값들과 상기 사이트 태그 테이블 내의 태그 값들을 이용하여 각 고객과 각 사이트들 사이의 유사도를 산출하는 프로세스; 및 (iv) 상기 (iii) 프로세스에서 산출한 유사도를 바탕으로 각 고객별 유사도가 큰 사이트들을 내림차순으로 정리하여 상위 랭킹을 갖는 사이트로부터 소정 개수의 사이트를 상기 각 고객에 최적화된 소비 맞춤형 사이트로 제시하는 프로세스를 수행하는 프로세서;
를 포함하는 것을 특징으로 하는 서버.
제 13 항에 있어서,
상기 (i) 프로세스는, 상기 각 태그 값이 상기 각 태그 값에 대응하는 해당 특정 구매 개인화 태그들과 관련된 전체 태그 값들 중에 어느 위치에 해당되는지를 상대적으로 나타내기 위해 CDF(cumulative distribution function) 함수를 적용하여 상기 태그 값을 변형시켜 상기 고객 구매 태그 테이블을 형성하는 것을 특징으로 하는 서버.
제 13 항에 있어서,
상기 (ii) 프로세스는, (ii-1) 상기 사이트 태그 테이블의 태그 값들 중 상기 구매 브랜드 속성 태그 부류에 포함되는 소정의 구매 개인화 태그들에 대해서는 고유 속성 태그 값(POS value)을 반영하여 수정된 사이트 태그 테이블을 생성하는 프로세스를 더 수행하는 것을 특징으로 하는 서버.
제 15 항에 있어서,
상기 (ii-1) 프로세스는 상기 사이트 태그 테이블의 상기 구매 브랜드 속성 태그 부류들의 태그 값들에, 상기 소정의 구매 개인화 태그들에 대응하는 태그 값들에는 소정의 제1 값을, 나머지 구매 개인화 태그들에 대응하는 태그 값들에는 제2 값을 반영하여 이들의 평균 값으로 상기 수정된 사이트 태그 테이블의 수정 태그 값들을 산출하는 것을 특징으로 하는 서버.
제 13 항에 있어서,
상기 (ii) 프로세스는, (ii-2) 상기 고객 구매 태그 테이블 및 상기 사이트 태그 테이블의 각 태그 값들에 대해 고객들이 자주 이용하는 사이트 또는 브랜드 또는 속성은 가중치를 낮게 주고 고객들이 자주 이용하지 않는 사이트 또는 브랜드 또는 속성은 가중치를 높게 줄 수 있도록 소정의 함수를 적용하는 프로세스를 더 수행하는 것을 특징으로 하는 서버.
제 17 항에 있어서,
상기 소정의 함수는 IDF(Inverse Documents Frequency) 함수 인 것을 특징으로 하는 서버.
제 17 항에 있어서,
상기 (ii) 프로세스는, (ii-3) 상기 고객들 중 특정 고객들로부터 취득한 소정 질문에 대한 응답을 바탕으로 상기 질문과 관련된 상기 구매 개인화 태그들에 소정의 질문답 태그 값을 기록한 고객 질문답 태그 테이블과, 상기 고객들 중 다른 특정 고객들로부터 취득한 상기 다른 특정 고객들의 특정 사이트 로그 정보를 바탕으로 상기 특정 사이트와 관련된 상기 구매 개인화 태그들에 소정의 로그 태그 값을 기록한 고객 로그 태그 테이블을 형성한 후, 상기 고객 구매 태그 테이블과 상기 고객 질문답 태그 테이블 및/또는 상기 고객 로그 태그 테이블에 대응하는 각 상기 구매 개인화 태그의 태그 값들을 참조하여 계산하는 프로세스를 더 수행하는 것을 특징으로 하는 서버.
제 19 항에 있어서,
상기 (ii-3) 프로세스에서, 각 상기 구매 개인화 태그의 태그 값들을 참조하여 계산하는 수학식은 하기 수학식

으로 표현되며,
여기서,
는 새로 수정된 고객 구매 태그 테이블의 태그 값이고, W_a, W_b 및 W_c 는 각 태그 테이블에 대한 가중치이며, a, a₁, a₂, …, a_m 은 고객 구매 태그 테이블의 태그 값이며, b, b₁, b₂, …, b_m 은 고객 질문답 태그 테이블의 태그 값이고, c, c₁, c₂, …, c_m 은 고객 로그 태그 테이블의 태그 값이며. i 또는 1 내지 m 은 각 구매 개인화 태그들을 나타내는 것을 특징으로 하는 서버.
제 17 항에 있어서,
상기 (ii) 프로세스는, (ii-4) 상기 고객 구매 태그 테이블 및 상기 사이트 태그 테이블에 상기 패션 태그 부류, 상기 과시적 소비 태그 부류, 상기 구매 브랜드 속성 태그 부류 별로 서로 다른 가중치를 부여하여 가중치가 부여된 태그 값을 반영한 수정된 고객 구매 태그 테이블을 형성하는 프로세스를 더 수행하는 것을 특징으로 하는 서버.
제 13 항에 있어서,
상기 패션 태그 부류는 패션과 직접 관련이 있는 구매 태그 부류이며, 브랜드, 채널, 소비지역, 소비레벨 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성되고,
상기 과시적 소비 태그 부류는 패션 소비와 패션 행동을 간접적을 드러내는 태그 부류이며, 해외 여행 결제, 고메 결제, 특급 호텔 결제 중 적어도 하나의 속성을 포함하는 구매 개인화 태그들로 구성되는 것을 특징으로 하는 서버.
제 13 항에 있어서,
상기 (iii) 프로세스에서,
상기 유사도 계산은 하기 수학식

으로 표시되며, 여기서, a, a₁, a₂, …, a_m 은 상기 고객 구매 태그 테이블의 태그 값이며, b, b₁, b₂, …, b_m 은 상기 사이트 태그 테이블의 태그 값이며 Φ함수는 상기 고객 구매 태그 테이블의 태그 값 유무에 따라 곱해지는 가중치 값을 나타낸 함수인 것을 특징으로 하는 서버.
제 13 항에 있어서,
상기 구매 내역은 카드 소비 내역인 것을 특징으로 하는 서버.