KR102008696B1 - 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법 - Google Patents

거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법 Download PDF

Info

Publication number
KR102008696B1
KR102008696B1 KR1020190035366A KR20190035366A KR102008696B1 KR 102008696 B1 KR102008696 B1 KR 102008696B1 KR 1020190035366 A KR1020190035366 A KR 1020190035366A KR 20190035366 A KR20190035366 A KR 20190035366A KR 102008696 B1 KR102008696 B1 KR 102008696B1
Authority
KR
South Korea
Prior art keywords
transaction history
product
data
history data
keyword
Prior art date
Application number
KR1020190035366A
Other languages
English (en)
Inventor
김동영
Original Assignee
주식회사 페이크럭스컴퍼니
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 주식회사 페이크럭스컴퍼니 filed Critical 주식회사 페이크럭스컴퍼니
Priority to KR1020190035366A priority Critical patent/KR102008696B1/ko
Application granted granted Critical
Publication of KR102008696B1 publication Critical patent/KR102008696B1/ko

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
    • G06Q30/02—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
    • 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
    • G06Q30/0267—Wireless devices
    • 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
    • G06Q30/0277—Online advertisement
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

상품 추천 방법 및 서버가 개시된다. 서버는 각각의 거래 이력 데이터에 포함된 구매 상품들을 나타내는 키워드 임베딩 벡터들의 유사도를 통해 산출된 중복도 계수에 기초하여, 상기 거래 이력 데이터들을 클러스터링함으로써, 거래 이력 클러스터링 데이터를 생성하는 단계, 사용자 입력에 기초하여 결정되는 타겟 상품 데이터를 사용자 단말로부터 수신하는 단계, 상기 거래 이력 클러스터링 데이터에서, 상기 타겟 상품 데이터에 대응되는 클러스터를 결정하는 단계, 상기 결정된 클러스터에 포함되는 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품에 기초하여 추천 상품 데이터를 생성하는 단계, 및 상기 결정된 추천 상품 데이터를 상기 사용자 단말에 전송하는 단계를 통하 상품을 추천할 수 있다.

Description

거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법{APPARATUS AND METHOD FOR RECOMMENDING GOODS BASED ON CLUSTERING OF TRANSACTION HISTORY DATA}
이하의 설명은 상품 추천 장치 및 방법에 관한 것이다.
일반적으로 상품 추천 시스템이란, 인터넷 상거래를 하는 사이트에서 사용자에게 상품을 추천하고, 사용자들이 어떤 상품을 구매할지를 결정할 수 있도록 돕기 위한 정보를 제공하는 시스템이다.
상품 추천 시스템은, 가격 할인과 같은 이벤트가 진행되는 상품을 추천하거나, 동시간대에 접속한 사용자들이 많이 조회하고 있는 상품을 추천하는 방식에 기초하여 서비스를 제공할 수 있다. 또한, 상품 추천 시스템은 사용자가 이전에 조회 후 구매하지 않은 상품을 다시 한 번 추천 상품으로 제시하는 방식을 사용할 수도 있을 것이다.
대한민국 공개특허 제10-2018-0047489호에는 카테고리 추천을 이용한 비로그인 사용자 메인 상품 추천 서버 및 방법이 개시되어 있다. 구체적으로, 대상 특허에는 사용자가 모바일 오픈 마켓에 접속하여 상품을 조회, 찜 하기, 장바구니 담기 등을 수행한 이력에 기초하여 사용자의 관심 점수를 산출하고 관심 점수를 산출하고, 산출된 관심 점수에 기초하여 사용자에게 추천할 상품을 결정하는 구성을 개시하고 있다. 그러나, 대상 특허에는 거래 이력의 유사도에 기초하여 거래 이력을 클러스터링하고, 클러스터링 결과에 기초하여 타겟 상품과 관련성 있는 상품을 추천하는 본원의 특징이 개시되거나 암시되어 있지 않다.
일 측면에 따르면, 서버에 의해 수행되는 상품 추천 방법은 각각의 거래 이력 데이터에 포함된 구매 상품들을 나타내는 키워드 임베딩 벡터들의 유사도를 통해 산출된 중복도 계수에 기초하여, 상기 거래 이력 데이터들을 클러스터링함으로써, 거래 이력 클러스터링 데이터를 생성하는 단계; 사용자 입력에 기초하여 결정되는 타겟 상품 데이터를 사용자 단말로부터 수신하는 단계; 상기 거래 이력 클러스터링 데이터에서, 상기 타겟 상품 데이터에 대응되는 클러스터를 결정하는 단계; 상기 결정된 클러스터에 포함되는 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품에 기초하여 추천 상품 데이터를 생성하는 단계; 및 상기 결정된 추천 상품 데이터를 상기 사용자 단말에 전송하는 단계를 포함할 수 있다.
일 실시예에 따른 상품 추천 방법은 수학식 1에 기초하여, 제1 거래 이력 데이터와 제2 거래 이력 데이터 사이의 중복도 계수를 계산하는 단계를 더 포함하고, 상기 수학식 1은
Figure 112019031605537-pat00001
이고, 상기 수학식 1에서 A는 상기 제1 거래 이력 데이터이고, B는 상기 제2 거래 이력 데이터이고, αi는 상기 제1 거래 이력 데이터에 포함되는 i 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, βj는 상기 제2 거래 이력 데이터에 포함되는 j 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, Overlap Coef(A,B)는 A와 B의 중복도 계수인 것을 특징으로 할 수 있다.
일 실시예에 따른 상품 추천 방법은 수학식 2에 따라, 상기 구매 상품들의 키워드 임베딩 벡터를 계산하는 단계를 더 포함하고, 상기 수학식 2는
Figure 112019031605537-pat00002
이고,
Figure 112019031605537-pat00003
는 i 번째 구매 상품의 키워드 임베딩 벡터의 전치 행렬을 나타내고,
Figure 112019031605537-pat00004
는 상기 구매 상품을 나타내는 j 번째 키워드의 키워드 임베딩 벡터를 나타내고,
Figure 112019031605537-pat00005
를 나타내고,
Figure 112019031605537-pat00006
를 나타내고,
Figure 112019031605537-pat00007
는 i 번째 구매 상품이 코퍼스에 포함될 확률을 나타내고, xj는 j 번째 키워드가 코퍼스에 포함될 확률을 나타내고,
Figure 112019031605537-pat00008
는 i 번째 구매 상품을 나타내는 j 번째 키워드가 코퍼스에 포함될 확률을 나타내는 것을 특징으로 할 수 있다.
일 실시예에 따른 상품 추천 방법은 수학식 3에 따라, 보상 함수에 기초하여 각각의 거래 이력 데이터에 포함되는 구매 상품들의 키워드 임베딩 벡터를 계산하는 단계를 더 포함하고, 상기 수학식 3은
Figure 112019031605537-pat00009
Figure 112019031605537-pat00010
로 표현될 수 있다.
일 실시예에 따른 서버는, 각각의 거래 이력 데이터에 포함되는 구매 상품들을 나타내는 키워드 임베딩 벡터들의 유사도에 기초하여 결정되는 중복도 계수에 기초하여, 상기 거래 이력 데이터들을 클러스터링함으로써 생성된 거래 이력 클러스터링 데이터를 저장하는 데이터베이스; 및 프로세서를 포함하고, 상기 프로세서는 사용자 입력에 기초하여 결정되는 타겟 상품 데이터를 통신부를 통해 사용자 단말로부터 수신하고, 상기 거래 이력 클러스터링 데이터에서, 상기 타겟 상품 데이터에 대응되는 클러스터를 결정하고, 상기 결정된 클러스터에 포함되는 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품에 기초하여 추천 상품 데이터를 생성하고, 상기 결정된 추천 상품 데이터를 상기 통신부를 통해 상기 사용자 단말에 전송할 수 있다.
도 1은 일 실시예에 따른 서버를 통해 사용자에게 상품을 추천하는 상품 추천 시스템을 설명하기 위한 예시도이다.
도 2는 일 실시예에 따른 서버가 타겟 상품과 관련하여 상품을 추천하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 거래 이력 데이터의 일례를 도시하는 도면이다.
도 4는 일 실시예에 따른 서버가 거래 이력 데이터를 클러스터링하는 방법을 설명하기 위한 도면이다.
도 5a 및 도 5b는 일 실시예에 따른 서버에 의한 상품 추천 방법이 수행된 일례를 도시하는 도면이다.
도 6은 일 실시예에 따른 서버의 전체적인 구성을 도시하는 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 서버를 통해 사용자에게 상품을 추천하는 상품 추천 시스템을 설명하기 위한 예시도이다. 도 1을 참조하면, 상품 추천 시스템(100)은 서버(110) 및 복수의 사용자 단말(131, 132, 133, 134)이 인터넷 등의 통신망(120)을 통하여 연결된 구성일 수 있다. 사용자 단말(131, 132, 133, 134)은 통신 기능을 구비하여 통신망을 통하여 서버에 접속할 수 있는 단말기로서, 스마트폰, PC, 태블릿, 노트북 등 오늘날 일반 사용자들에게 널리 보급된 다양한 전자기기 중의 어느 하나일 수 있지만 이에 한정되지 않는 임의의 통신기기를 포함할 수 있다. 사용자 단말(131, 132, 133, 134)에는 클라이언트 프로그램(client program)이 설치되고, 상기 프로그램에 통하여 서버(110)에 접속될 수 있다.
서버(110)는 판매자와 구매자 사이에서 상품에 대한 거래가 진행될 수 있는 거래 플랫폼을 제공할 수 있다. 사용자는 사용자 단말(131, 132, 133, 134)을 통해 거래 플랫폼을 제공하는 서버(110)에 접속할 수 있고, 거래 플랫폼 내에서 원하는 상품을 검색하고, 검색된 상품을 구매할 수 있다. 거래 플랫폼은 웹페이지 또는 어플리케이션의 형태로 제공될 수 있다.
일 실시예에 따른 서버(110)는 사용자가 구매하고자 하는 타겟 상품과 관련성이 높은 다른 상품을 사용자에게 추천할 수 있다. 예를 들어, 서버(110)는 사용자가 거래 플랫폼을 통해 '돼지고기'를 검색하는 경우, 돼지고기와 함께 구매되는 경향성이 큰 '상추'를 사용자에게 추천할 수 있다.
서버(110)는 타겟 상품과 유사도가 높은 상품을 키워드 임베딩 벡터에 기반하여 추천함으로써, 거래 플랫폼 내에서 매출이 신장될 수 있는 수단을 제공할 수 있다. 또한, 서버(110)는 타겟 상품과 관련성이 있는 상품을 사용자에게 추천함으로써, 사용자가 타겟 상품과 함께 구매되는 빈도가 높은 상품을 인지하고 보다 용이한 상품 구매를 수행할 수 있는 수단을 제공할 수 있다. 예를 들어, 사용자는 추천 상품에 기초하여 구매과정에서 일부 누락된 상품을 상기할 수 있다. 구체적으로, 저녁 식사로서 '카레'를 준비하고자 하는 사용자가 '카레 가루'를 장바구니에 담은 경우에 서버(110)는 '카레'와 높은 중복도 계수를 공유하는 '소고기' 또는 '감자' 등을 자동 추천해줄 수 있다. 이하에서는, 서버(110)가 타겟 상품과 관련하여 상품을 추천하는 구체적인 방식에 대해 첨부되는 도면과 함께 보다 상세히 설명될 것이다.
도 2는 일 실시예에 따른 서버가 타겟 상품과 관련하여 상품을 추천하는 방법을 설명하기 위한 흐름도이다. 일 실시예에 따르면, 서버는 단계(210)에서 각각의 거래 이력 데이터를 나타내는 키워드 임베딩 벡터들의 유사도를 통해 산출된 중복도 계수에 기초하여, 거래 이력 데이터들을 클러스터링함으로써, 거래 이력 클러스터링 데이터를 생성할 수 있다. 거래 이력 클러스터링 데이터는 거래 이력 데이터가 클러스터링된 결과에 기초하여 생성되는 데이터를 의미할 수 있다.
거래 이력 데이터는 유저가 특정 상점에서 진행했던 개별 거래 이력에 대응하여 생성되는 데이터로, 거래가 이루어진 시점, 동시에 거래된 상품, 거래를 진행한 사용자에 대한 정보 등을 포함할 수 있다. 거래 이력 데이터는 오프라인 거래에서 POS(Point Of Sale; POS) 기기를 통해 획득한 상품 정보, 결제 정보 등에 기초하여 생성되거나, 온라인에서 이루어진 거래 정보에 기초하여 생성될 수 있다.
키워드 임베딩 벡터는 특정한 키워드에 대응하여 미리 결정된 n 차원(n은 임의의 자연수) 공간에서 정의되는 벡터를 의미할 수 있다. 최적화 계산에 의해 생성되는 키워드 임베딩 벡터를 이용함으로써, 하나의 키워드는 n 차원 공간 내의 하나의 키워드 임베딩 벡터로 투영될 수 있다. 이를테면, "스테이크"라고 하는 키워드는 a1이라는 키워드 임베딩 벡터로서 투영될 수 있으며, 또 다른 "불고기"라는 키워드 역시 a2라고 하는 키워드 임베딩 벡터로서 투영될 수 있다. 본 실시예의 서버는 각각의 단어에 대해 미리 결정된 키워드 임베딩 벡터(예를 들면, 상기 a1 및 a2)의 유사도를 통해 상품들 사이의 유사도가 결정될 수 있다.
일 실시예에 따르면, 서버는 단계(220)에서 사용자 입력에 기초하여 결정되는 타겟 상품 데이터를 사용자 단말로부터 수신하고, 단계(230)을 통해 거래 이력 클러스터링 데이터에서, 타겟 상품 데이터에 대응되는 클러스터를 결정할 수 있다. 서버는 데이터베이스에 저장된 거래 이력 클러스터링 데이터에 기초하여 복수의 클러스터 중 타겟 상품이 포함되는 클러스터를 결정할 수 있다.
일 실시예에 따르면, 서버는 단계(240)에서 결정된 클러스터에 포함되는 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품에 기초하여 추천 상품 데이터를 생성할 수 있다. 구체적으로, 서버는 단계(240)에서 클러스터에 포함되는 복수의 구매 상품들 중 타겟 상품과 소정치 이상의 유사도를 갖는 상품들을 상기 추천 상품 데이터로서 생성할 수 있다.
단계(250)를 통해 결정된 추천 상품 데이터를 사용자 단말에 전송할 수 있다. 예를 들어, 서버는 결정된 클러스터에 포함된 상품들 중 타겟 상품과 유사도가 높은 순으로 미리 설정된 개수의 상품을 추천 상품으로 결정할 수 있다.
도 3은 일 실시예에 따른 거래 이력 데이터의 일례를 도시하는 도면이다. 일 실시예에 따른 서버는 사용자의 각각의 거래 이력 데이터를 복수의 클러스터로 클러스터링하여 데이터베이스에 저장할 수 있다.
도 3에 도시된 거래 이력 데이터 A(310), 거래 이력 데이터(320) 및 거래 이력 데이터 C(330)은 서로 다른 시점, 상점 또는 서로 다른 사용자가 진행한 거래에 대응될 수 있다. 예를 들어, 거래 이력 데이터 A(310)는 A 사용자가 2018년 12월 12일 12시 30분에 수행한 거래에 대응될 수 있고, 거래 이력 데이터 B(320)는 동일한 시점에 B 사용자가 수행한 거래에 대응될 수 있다. 또한, 거래 이력 데이터 C(330)는 A 사용자가 2018년 12월 25일에 수행한 거래에 대응될 수 있다.
각각의 거래 이력 데이터(310, 320, 330)는 구매 상품(311, 312, 313, 321, 322, 323)에 대한 데이터를 포함할 수 있다. 거래 이력 데이터 A(310) 및 거래 이력 데이터 B(320)는 구매 상품(311, 312, 313, 321, 322, 323)을 참조할 때에, 식료품점에서 이루어진 거래 이력일 수 있고, 거래 이력 데이터 C(330)는 의복을 파는 상점에서 이루어진 거래 이력일 수 있다.
각각의 거래 이력 데이터(310, 320, 330)에 포함된 구매 상품들(311, 312, 313, 321, 322, 323, 331, 332, 333)은 거래가 이루어진 상점에서 취급하는 상품들에 대응하므로, 동일한 거래 이력 데이터에 포함된 구매 상품들은 서로 연관성이 존재할 수 있다. 예를 들어, 구매 이력 데이터 A(310)에 포함된 소고기(311), 돼지고기(312) 및 상추(313)는 식료품점에서 취급하는 상품들에 관한 것으로, 식료품이라는 연관성이 있다. 더불어 소고기, 돼지고기 및 상추는 동시에 사용되는 경우가 많아 동시에 구매되는 경향성이 높으므로, 구매 상품(311, 312, 313) 상호간의 유사도는 더 높을 수 있다.
일 실시예에 따른 서버는 각각의 거래 이력 데이터(310, 320, 330)를 상호 간에 산출된 중복도 계수에 기초하여 클러스터링함으로써 거래 이력 클러스터링 데이터를 생성하고, 거래 이력 클러스터링 데이터에 기초하여 사용자가 구매하고자 하는 타겟 상품에 대응되는 상품을 사용자에게 추천할 수 있다. 이하 첨부되는 도면을 통해 서버가 거래 이력 데이터를 클러스터링하는 방법이 구체적으로 설명된다.
도 4는 일 실시예에 따른 서버가 거래 이력 데이터를 클러스터링하는 방법을 설명하기 위한 도면이다.
거래 이력 데이터들 사이의 중복도 계수 산출
일 실시예에 따르면, 서버는 각각의 거래 이력 데이터(310, 320, 330)를 나타내는 키워드 임베딩 벡터들 사이의 유사도를 통해 산출되는 중복도 계수에 기초하여 거래 이력 데이터(310, 320, 330)을 클러스터링할 수 있다.
일 실시예에 따르면, 서버는 아래의 수학식 1에 기초하여, 거래 이력 데이터(310, 320, 330)에서 선택되는 제1 거래 이력 데이터 및 제2 거래 이력 데이터 사이의 중복도 계수를 결정할 수 있다.
Figure 112019031605537-pat00011
A는 제1 거래 이력 데이터이고, B는 제2 거래 이력 데이터이고,
Figure 112019031605537-pat00012
는 제1 거래 이력 데이터에 포함되는 구매 상품의 키워드 임베딩 벡터들에 대한 벡터이고,
Figure 112019031605537-pat00013
는 제2 거래 이력 데이터에 포함되는 구매 상품의 키워드 임베딩 벡터들에 대한 벡터이고, αi는 상기 제1 거래 이력 데이터에 포함되는 i 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, βj는 상기 제2 거래 이력 데이터에 포함되는 j 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, n은 상기 제1 거래 이력 데이터에 포함되는 구매 상품 종류의 개수이고, n'은 상기 제2 거래 이력 데이터에 포함되는 구매 상품 종류의 개수이고, Overlap Coef(A,B)는 A와 B의 중복도 계수이다.
상품에 대한 키워드 임베딩 벡터의 산출
일 실시예에 따르면, 서버는 거래 이력 데이터에 포함되는 구매 상품 사이의 유사도가 높을수록, 거래 이력 데이터들 사이의 중복도 계수가 크게 산출될 수 있도록 각각의 구매 상품에 대한 키워드 임베딩 벡터를 결정할 수 있다. 서버가 키워드 임베딩 벡터를 결정하는 구체적인 방식은 아래의 내용을 통해 구체적으로 설명된다.
서버의 데이터베이스에 저장되는 거래 이력 데이터는 아래의 수학식 2로 표현될 수 있다.
Figure 112019031605537-pat00014
Figure 112019031605537-pat00015
는 k 번째 거래 이력 데이터이고,
Figure 112019031605537-pat00016
는 거래이력 데이터에 포함된 k 번째 구매 상품으로 정의될 수 있다.
구매 상품
Figure 112019031605537-pat00017
를 표현하는 키워드들의 집합인 코퍼스는 아래의 수학식 3을 통해 표현될 수 있다.
Figure 112019031605537-pat00018
Figure 112019031605537-pat00019
는 구매 상품
Figure 112019031605537-pat00020
에 대한 코퍼스이고,
Figure 112019031605537-pat00021
는
Figure 112019031605537-pat00022
를 표현하는 k 번째 키워드이고,
Figure 112019031605537-pat00023
는
Figure 112019031605537-pat00024
를 표현하는 키워드의 총 개수를 의미할 수 있다.
k 번째 거래 이력 데이터의 i 번째 구매 상품이 코퍼스 내에서 j 번째 키워드 내에 존재할 확률
Figure 112019031605537-pat00025
는 아래의 수학식 4와 같이 표현된다.
Figure 112019031605537-pat00026
따라서, 상기 수학식 4에 기초한 경우에 j 번째 키워드가 서로 다른 구매 상품인
Figure 112019031605537-pat00027
와
Figure 112019031605537-pat00028
중 어느 구매 상품에 더 유사한지 여부는,
Figure 112019031605537-pat00029
와
Figure 112019031605537-pat00030
에 대해 산출된
Figure 112019031605537-pat00031
및
Figure 112019031605537-pat00032
의 비를 통해 결정될 수 있다.
예를 들어, 아래의 표 1에서와 같이, 돼지고기라는 키워드는 케이크에 해당하는 구매 상품보다 스테이크에 해당하는 구매 상품과 관련성이 높으므로, 산출된
Figure 112019031605537-pat00033
의 값은 8.9의 비교적 큰 값이 산출될 수 있다. 반대로 설탕이란 키워드는 돼지고기보다 케이크와 관련성이 높으므로,
Figure 112019031605537-pat00034
의 값은 0.085로 비교적 작은 값으로 산출될 수 있다.
또한, 잉크라는 키워드는 스테이크 및 케이크 모두에 관련성이 높지 않으므로, 산출된
Figure 112019031605537-pat00035
는 1에 가까운 값으로 산출될 수 있다.
Probability and Ratio j=돼지고기 j=설탕 j=잉크
Figure 112019031605537-pat00036
Figure 112019031605537-pat00037
Figure 112019031605537-pat00038
Figure 112019031605537-pat00039
Figure 112019031605537-pat00040
Figure 112019031605537-pat00041
Figure 112019031605537-pat00042
Figure 112019031605537-pat00043
Figure 112019031605537-pat00044
Figure 112019031605537-pat00045
Figure 112019031605537-pat00046
Figure 112019031605537-pat00047
서버는 구매 상품
Figure 112019031605537-pat00048
및 특정한 키워드
Figure 112019031605537-pat00049
에 대한 임베딩 벡터
Figure 112019031605537-pat00050
와
Figure 112019031605537-pat00051
사이의 내적 값과, 임의의 다른 구매 아이템
Figure 112019031605537-pat00052
의 임베딩 벡터
Figure 112019031605537-pat00053
와
Figure 112019031605537-pat00054
사이의 내적 값의 유사도가 각각의 구매 아이템들
Figure 112019031605537-pat00055
및
Figure 112019031605537-pat00056
에 대해 산출된
Figure 112019031605537-pat00057
및
Figure 112019031605537-pat00058
의 비에 대응되도록 w와 P사이의 함수 F를 모델링할 수 있고, 이는 수학식 5 내지 수학식 8로 표현될 수 있다.
Figure 112019031605537-pat00059
Figure 112019031605537-pat00060
Figure 112019031605537-pat00061
Figure 112019031605537-pat00062
Figure 112019031605537-pat00063
는 구매 아이템
Figure 112019031605537-pat00064
의 키워드 임베딩 벡터이고,
Figure 112019031605537-pat00065
는 임의의 구매 아이템
Figure 112019031605537-pat00066
의 키워드 임베딩 벡터이고,
Figure 112019031605537-pat00067
는
Figure 112019031605537-pat00068
에 대한 키워드 임베딩 벡터이고, F는 각각의 키워드 임베딩 벡터와 P 사이의 관계에 대한 함수를 의미한다.
수학식 8를 만족하는 F는 지수함수에 해당하므로, 수학식 8는 수학식 9로 다시 표현될 수 있다.
Figure 112019031605537-pat00069
수학식 4와 수학식 9의 관계에 기초하여,
Figure 112019031605537-pat00070
는 수학식 10을 통해 표현될 수 있다.
Figure 112019031605537-pat00071
Figure 112019031605537-pat00072
는 구매 아이템
Figure 112019031605537-pat00073
및
Figure 112019031605537-pat00074
가 코퍼스에 함께 포함될 확률,
Figure 112019031605537-pat00075
는
Figure 112019031605537-pat00076
가 코퍼스에 포함될 확률을 나타낼 수 있다.
돼지고기와 스테이크의 유사도는 스테이크와 돼지고기의 유사도와 같아야 하므로,
Figure 112019031605537-pat00077
와
Figure 112019031605537-pat00078
사이에는 교환법칙이 성립한다. 따라서, 수학식 10은 수학식 11 내지 수학식 13으로 표현될 수 있다.
Figure 112019031605537-pat00079
Figure 112019031605537-pat00080
Figure 112019031605537-pat00081
Figure 112019031605537-pat00082
는 구매 아이템
Figure 112019031605537-pat00083
및
Figure 112019031605537-pat00084
가 코퍼스에 함께 포함될 확률,
Figure 112019031605537-pat00085
는
Figure 112019031605537-pat00086
가 코퍼스에 포함될 확률,
Figure 112019031605537-pat00087
는
Figure 112019031605537-pat00088
가 코퍼스에 포함될 확률,
Figure 112019031605537-pat00089
는
Figure 112019031605537-pat00090
,
Figure 112019031605537-pat00091
는
Figure 112019031605537-pat00092
를 나타낼 수 있다.
결론적으로, 수학식 13의 좌변과 우변의 편차 제곱 합이 최소가 되는 가
Figure 112019031605537-pat00093
및
Figure 112019031605537-pat00094
각각은 구하고자 하는 구매 아이템
Figure 112019031605537-pat00095
및 특정한 키워드
Figure 112019031605537-pat00096
의 키워드 임베딩 벡터에 해당하는 바, 이는 수학식 14에 대한 최적화를 통해 산출될 수 있다.
Figure 112019031605537-pat00097
수학식 14에서
Figure 112019031605537-pat00098
가 급격하게 증가하는 경우 적절한 키워드 임베딩 벡터가 산출되기 어려우므로,
Figure 112019031605537-pat00099
의 급격한 증가를 보상할 수 있는 보상 함수에 기초한 수학식 15을 통해 최종적으로 근사화된 키워드 임베딩 벡터
Figure 112019031605537-pat00100
및
Figure 112019031605537-pat00101
를 산출할 수 있다.
서버는 수학식 15에 기초하여 구매 아이템들에 대한 키워드 임베딩 벡터를 산출할 수 있고, 산출된 키워드 임베딩 벡터에 기초하여 구매 이력 데이터를 클러스터링할 수 있다.
Figure 112019031605537-pat00102
Figure 112019031605537-pat00103
중복도 계수에 기초하여 거래 이력 데이터를 클러스터링
서버는 수학식 15을 통해 결정된 각각의 구매 아이템에 대한 임베딩 벡터 및 수학식 1을 통해 제시되는 중복도 계수 산출 방식에 기초하여, 서로 다른 거래 이력 데이터를 클러스터링할 수 있다. 예를 들어, 서버는 K-means Clustering 알고리즘을 통해 각각의 거래 이력 데이터를 클러스터링할 수 있고, 이를 통해 적은 계산 복잡도로 높은 성능을 달성할 수 있다.
서버가 클러스터링을 수행하는 과정을 보다 상세히 설명하면, 다음과 같다.
(1) 전체 N개의 거래 이력 데이터 중 클러스터의 중심점으로 선정할 k 개의 거래 이력 데이터를 선택한다.
(2) 선정된 거래 이력 데이터를 초기 클러스터 중심점(
Figure 112019031605537-pat00104
으로 설정하고, 모든 거래 이력 데이터와 군집 중심점들 사이의 중복도 계수를 산출한다.
(3) 각각의 거래 이력 데이터에 대하여, 중복도 계수가 가장 높은 클러스터 중심점(
Figure 112019031605537-pat00105
을 결정하고, 각각의 거래 이력 데이터들을 결정된 클러스터 중심점에 대응하는 클러스터에 할당한다.
(4) 각각의 클러스터에 대하여 새로운 클러스터 중심점(
Figure 112019031605537-pat00106
)을 산출하고, 과정(2) 내지 과정(3)을 클러스터 중심점이 수렴할 때까지 반복한다.
(5) 반복 결과에 기초하여 최종 클러스터를 결정하고, 결정 결과에 기초하여 거래 이력 클러스터링 데이터를 생성할 수 있다.
상기 설명한 거래 이력 클러스터링 데이터를 생성하는 방식은 수학식 16의 최적화 문제도 표현될 수 있다.
Figure 112019031605537-pat00107
Figure 112019031605537-pat00108
은 n 번째 거래 이력 데이터이고,
Figure 112019031605537-pat00109
은
Figure 112019031605537-pat00110
이 k 번째 클러스터에 속하면 1, 아니면 0인 값을 갖는 이항변수를 나타내고,
Figure 112019031605537-pat00111
는 각각의 클러스터의 중심점을 의미하고, 아래의 수학식 17를 통해 산출되는 각각의 거래 이력 데이터들의 산술 평균에 기초하여 결정될 수 있다.
Figure 112019031605537-pat00112
도 3을 참조하면, 초기 클러스터 중심점 선정 과정에서 (a)(410)과 같이 식료품 거래에 대응되는 거래 이력 데이터 A(310) 및 의복 구매에 대응되는 거래 이력 데이터(330)이 클러스터 1(411)에 포함되고, 식료품 거래에 대응되는 거래 이력 데이터 B(320)은 클러스터 2(412)에 할당될 수 있다. 서버는 수학식 16을 통한 최적화 과정을 통해, (b)(420)에 개시된 바와 같이 거래 이력 데이터 A(310) 및 거래 이력 데이터 B(320)은 클러스터 1(421)로 할당되고, 거래 이력 데이터 C(330)은 클러스터 2(422)로 할당할 수 있다. 서버는 할당 결과에 기초하여 거래 이력 클러스터링 데이터를 생성하고, 생성된 거래 이력 클러스터링 데이터를 데이터베이스에 저장할 수 있다. 최종적으로 생성된 거래 이력 클러스터링 데이터는 거래 이력 데이터 사이의 유사도에 기초하여 보다 적합한 클러스터링 결과를 포함할 수 있다.
도 5a 및 도 5b는 일 실시예에 따른 서버에 의한 상품 추천 방법이 수행된 일례를 도시하는 도면이다. 도 5a를 참조하면, 서버는 축적된 거래 이력 데이터에 기초하여 온라인 상품 판매 플랫폼 상에서 사용자가 구매하고자 하는 타겟 상품과 유사도가 높은 상품을 추천할 수 있다. 예를 들어, 사용자가 운동화를 구매하기 위하여 검색 정보 입력 영역(510)을 통해 운동화를 입력하는 경우 영역(530)과 같이 거래 플랫폼이 제공하는 상품이 디스플레이될 수 있다. 서버는 데이터베이스에 저장된 거래 이력 클러스터링 데이터에 기초하여 운동화에 대응하는 클러스터를 결정하고, 결정된 클러스터에 포함된 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품을 사용자에게 추천 상품으로 제공할 수 있다. 예를 들어, 서버는 축적된 거래 이력 데이터에 기초하여 운동화와 함께 구매되는 경향성이 높은 마라톤복(521), 유니폼(522), 스포츠 레깅스(523)을 추천 상품으로 사용자에게 제공할 수 있다.
도 5b를 참조하면, 서버는 검색된 운동화(540)에 대응하는 타겟 상품에 대한 내역(550)을 제시함과 더불어 별도의 팝업창(560)을 통해 추천 상품의 이미지 정보, 가격 정보 등을 제공할 수 있다.
추천 상품을 제공하는 방식은 앞서 제시된 예시에 한정되지 않으며, 타겟 상품에 대한 정보와 함께 추천 상품에 대한 정보를 제공하는 임의의 방식을 포함할 수 있다.
도 6은 일 실시예에 따른 서버의 전체적인 구성을 도시하는 도면이다. 도 6을 참조하면, 사용자에게 타겟 상품과 관련된 상품을 추천하는 서버(600)는 통신부(610), 프로세서(620) 및 데이터베이스(630)를 포함할 수 있다. 통신부(610)는 통신 인터페이스를 포함하는 통신 모듈의 형태로 구현될 수 있다. 이를테면, 통신 인터페이스는 WLAN(Wireless LAN), WiFi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등의 무선 인터넷 인터페이스를 포함할 수 있다. 뿐만 아니라, 통신 인터페이스는 외부와 통신을 수행할 수 있는 모든 인터페이스(예를 들어, 유선 인터페이스)를 나타낼 수 있다. 통신부(610)는 가맹점 POS 기기로부터 거래 이력 데이터를 생성하기 위한 각종 데이터 수신하거나, 사용자 단말로부터 타겟 상품 데이터를 수신할 수 있다.
프로세서(620)는 수신한 데이터에 기초하여 거래 이력 데이터를 생성하고, 앞서 설명한 수학식 15에 기초하여 각각의 구매 상품에 대한 키워드 임베딩 벡터를 결정할 수 있다. 프로세서(620)는 거래 이력 데이터를 앞서 설명한 수학식 16에 기초하여 클러스터링함으로써 거래 이력 클러스터링 데이터를 생성할 수 있다. 또한, 프로세서(620)는 거래 이력 클러스터링 데이터에서 타겟 상품 데이터에 대응되는 클러스터를 결정하고, 결정된 클러스터에 포함되는 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품에 기초하여 추천 상품 데이터를 생성할 수 있다. 프로세서(620)는 생성된 추천 상품 데이터를 통신부(610)가 상기 사용자 단말에 전송하도록 할 수 있다. 프로세서(620)는 도 1내지 5를 통해 설명된 서버(600)가 수행하는 동작을 제어할 수 있다.
이상에서 본원의 동작이 상품 거래 플랫폼 및 상품 추천에 기초하여 설명되었으나, 본원의 방식은 상품에만 한정되는 것이 아니고, 거래가 가능한 임의의 서비스, 상품과 서비스가 혼용된 부분에까지 확장될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (5)

  1. 서버에 의해 수행되는 상품 추천 방법에 있어서,
    각각의 거래 이력 데이터에 포함된 구매 상품들을 나타내는 키워드 임베딩 벡터들의 유사도를 통해 산출된 중복도 계수에 기초하여, 상기 거래 이력 데이터들을 클러스터링함으로써, 거래 이력 클러스터링 데이터를 생성하는 단계;
    사용자 입력에 기초하여 결정되는 타겟 상품 데이터를 사용자 단말로부터 수신하는 단계;
    상기 거래 이력 클러스터링 데이터에서, 상기 타겟 상품 데이터에 대응되는 클러스터를 결정하는 단계;
    상기 결정된 클러스터에 포함되는 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품에 기초하여 추천 상품 데이터를 생성하는 단계;
    상기 추천 상품 데이터를 상기 사용자 단말에 전송하는 단계; 및
    수학식 1에 기초하여, 제1 거래 이력 데이터와 제2 거래 이력 데이터 사이의 중복도 계수를 계산하는 단계
    를 포함하고,
    상기 수학식 1은
    Figure 112019052768765-pat00130

    이고, 상기 수학식 1에서 A는 상기 제1 거래 이력 데이터이고, B는 상기 제2 거래 이력 데이터이고, αi는 상기 제1 거래 이력 데이터에 포함되는 i 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, βj는 상기 제2 거래 이력 데이터에 포함되는 j 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, Overlap Coef(A,B)는 A와 B의 중복도 계수인 것을 특징으로 하는 상품 추천 방법.
  2. 삭제
  3. 제1항에 있어서,
    수학식 2에 따라, 상기 구매 상품들의 키워드 임베딩 벡터를 계산하는 단계
    를 더 포함하고,
    상기 수학식 2는
    Figure 112019052768765-pat00114

    이고,
    Figure 112019052768765-pat00115
    는 i 번째 구매 상품의 키워드 임베딩 벡터의 전치 행렬을 나타내고,
    Figure 112019052768765-pat00116
    는 상기 구매 상품을 나타내는 j 번째 키워드의 키워드 임베딩 벡터를 나타내고,
    Figure 112019052768765-pat00117
    를 나타내고,
    Figure 112019052768765-pat00118
    를 나타내고,
    Figure 112019052768765-pat00119
    는 i 번째 구매 상품이 코퍼스에 포함될 확률을 나타내고, Xj는 j 번째 키워드가 코퍼스에 포함될 확률을 나타내고,
    Figure 112019052768765-pat00120
    는 i 번째 구매 상품을 나타내는 j 번째 키워드가 코퍼스에 포함될 확률을 나타내는 것을 특징으로 하는 상품 추천 방법.
  4. 제3항에 있어서,
    수학식 3에 따라, 보상 함수에 기초하여 각각의 거래 이력 데이터에 포함되는 구매 상품들의 키워드 임베딩 벡터를 계산하는 단계
    를 더 포함하고,
    상기 수학식 3은
    Figure 112019031605537-pat00121

    Figure 112019031605537-pat00122

    인 것을 특징으로 하는 상품 추천 방법.
  5. 각각의 거래 이력 데이터에 포함되는 구매 상품들을 나타내는 키워드 임베딩 벡터들의 유사도에 기초하여 결정되는 중복도 계수에 기초하여, 상기 거래 이력 데이터들을 클러스터링함으로써 생성된 거래 이력 클러스터링 데이터를 저장하는 데이터베이스; 및
    프로세서
    를 포함하고,
    상기 프로세서는,
    사용자 입력에 기초하여 결정되는 타겟 상품 데이터를 통신부를 통해 사용자 단말로부터 수신하고,
    상기 거래 이력 클러스터링 데이터에서, 상기 타겟 상품 데이터에 대응되는 클러스터를 결정하고,
    상기 결정된 클러스터에 포함되는 거래 이력 데이터에 대응되는 구매 상품들 중 적어도 하나의 상품에 기초하여 추천 상품 데이터를 생성하고, 상기 추천 상품 데이터를 상기 통신부를 통해 상기 사용자 단말에 전송하고,
    수학식 1에 기초하여, 제1 거래 이력 데이터와 제2 거래 이력 데이터 사이의 중복도 계수를 계산하고,
    상기 수학식 1은
    Figure 112019052768765-pat00131

    이고, 상기 수학식 1에서 A는 상기 제1 거래 이력 데이터이고, B는 상기 제2 거래 이력 데이터이고, αi는 상기 제1 거래 이력 데이터에 포함되는 i 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, βj는 상기 제2 거래 이력 데이터에 포함되는 j 번째 구매 상품의 키워드 임베딩 벡터를 나타내고, Overlap Coef(A,B)는 A와 B의 중복도 계수인 것을 특징으로 하는, 서버.
KR1020190035366A 2019-03-27 2019-03-27 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법 KR102008696B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190035366A KR102008696B1 (ko) 2019-03-27 2019-03-27 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190035366A KR102008696B1 (ko) 2019-03-27 2019-03-27 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020190093667A Division KR20200114969A (ko) 2019-08-01 2019-08-01 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102008696B1 true KR102008696B1 (ko) 2019-08-08

Family

ID=67613288

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190035366A KR102008696B1 (ko) 2019-03-27 2019-03-27 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102008696B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753206A (zh) * 2020-06-29 2020-10-09 支付宝(杭州)信息技术有限公司 信息推送的方法和系统
KR102178961B1 (ko) * 2020-04-21 2020-11-13 주식회사 스타일쉐어 유저 클러스터링을 이용한 패션 아이템 추천 인공신경망 장치 및 방법
KR20220081673A (ko) * 2020-12-09 2022-06-16 주식회사 큐씨엔 학습 모델 기반의 원단 추천 장치
WO2022218181A1 (zh) * 2021-04-15 2022-10-20 北京沃东天骏信息技术有限公司 信息推荐方法及装置、计算机可存储介质
CN116883121A (zh) * 2023-09-06 2023-10-13 深圳鼎智通讯有限公司 基于大数据分析的pos机用户推荐方法
CN117911107A (zh) * 2024-01-08 2024-04-19 北京中创方维数字科技有限公司 一种基于大数据的产业数字化综合服务系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140031429A (ko) * 2012-08-28 2014-03-13 에스케이플래닛 주식회사 아이템 추천 시스템과 방법 및 이를 지원하는 장치
KR20180047489A (ko) 2016-10-31 2018-05-10 에스케이플래닛 주식회사 카테고리 추천을 이용한 비로그인 사용자 메인 상품 추천 서버 및 방법
KR20180064324A (ko) * 2016-12-05 2018-06-14 주식회사 원소프트다임 상품 추천 장치 및 이를 이용한 상품 추천 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140031429A (ko) * 2012-08-28 2014-03-13 에스케이플래닛 주식회사 아이템 추천 시스템과 방법 및 이를 지원하는 장치
KR20180047489A (ko) 2016-10-31 2018-05-10 에스케이플래닛 주식회사 카테고리 추천을 이용한 비로그인 사용자 메인 상품 추천 서버 및 방법
KR20180064324A (ko) * 2016-12-05 2018-06-14 주식회사 원소프트다임 상품 추천 장치 및 이를 이용한 상품 추천 방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102178961B1 (ko) * 2020-04-21 2020-11-13 주식회사 스타일쉐어 유저 클러스터링을 이용한 패션 아이템 추천 인공신경망 장치 및 방법
CN111753206A (zh) * 2020-06-29 2020-10-09 支付宝(杭州)信息技术有限公司 信息推送的方法和系统
KR20220081673A (ko) * 2020-12-09 2022-06-16 주식회사 큐씨엔 학습 모델 기반의 원단 추천 장치
KR102505207B1 (ko) * 2020-12-09 2023-03-02 주식회사 큐씨엔 학습 모델 기반의 원단 추천 장치
WO2022218181A1 (zh) * 2021-04-15 2022-10-20 北京沃东天骏信息技术有限公司 信息推荐方法及装置、计算机可存储介质
CN116883121A (zh) * 2023-09-06 2023-10-13 深圳鼎智通讯有限公司 基于大数据分析的pos机用户推荐方法
CN116883121B (zh) * 2023-09-06 2023-11-14 深圳鼎智通讯有限公司 基于大数据分析的pos机用户推荐方法
CN117911107A (zh) * 2024-01-08 2024-04-19 北京中创方维数字科技有限公司 一种基于大数据的产业数字化综合服务系统

Similar Documents

Publication Publication Date Title
KR102008696B1 (ko) 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법
KR20200114969A (ko) 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법
JP6134444B2 (ja) 情報を推薦するための方法およびシステム
JP5897019B2 (ja) 候補製品のリンクリストを判定する方法および装置
US20230394432A1 (en) Machine-learned model for optmizing selection sequence for items in a warehouse
US9846885B1 (en) Method and system for comparing commercial entities based on purchase patterns
MX2013013451A (es) Sistema y metodo para clasificar competidores relevantes.
CN109087177A (zh) 向目标用户推荐商品的方法、装置及计算机可读存储介质
KR20090130774A (ko) 사용자 추천 방법 및 이를 위한 프로그램이 기록된 기록매체
US11455656B2 (en) Methods and apparatus for electronically providing item advertisement recommendations
WO2020038351A1 (zh) 信息推送方法
JP7154411B2 (ja) 電子処理プラットフォームで行うユーザ個別の品物に関連する値の演算
JP7402794B2 (ja) 商品のバスケットについての高速学習推薦システム
JP7210958B2 (ja) 商品推薦装置及びプログラム
US11507981B2 (en) Automated lists
JP2016053784A (ja) 情報推薦プログラム及び情報処理装置
JP2018045505A (ja) 判定装置、判定方法および判定プログラム
CN110851702B (zh) 信息推送的方法、装置、终端及计算机可读介质
KR102630807B1 (ko) 식자재 유통을 위한 주문 및 재고 관리 자동화 처리방법, 장치 및 시스템
KR20230072939A (ko) 빅데이터 기반 개인화된 레시피 및 식단 추천 서비스 제공 방법, 장치 및 시스템
KR20180069276A (ko) 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치
CN113781134A (zh) 物品推荐方法、装置及计算机可读存储介质
JP2022504336A (ja) プラグインに対応した購入用の代替商品の識別および表示
US20240212023A1 (en) Universal purchasing system and method
KR102593858B1 (ko) 재고 관리 및 수요 예측을 통한 물류 처리 자동화 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant