KR102108460B1 - 상품 벡터를 이용한 상품 분류 방법 및 장치 - Google Patents

상품 벡터를 이용한 상품 분류 방법 및 장치 Download PDF

Info

Publication number
KR102108460B1
KR102108460B1 KR1020180044528A KR20180044528A KR102108460B1 KR 102108460 B1 KR102108460 B1 KR 102108460B1 KR 1020180044528 A KR1020180044528 A KR 1020180044528A KR 20180044528 A KR20180044528 A KR 20180044528A KR 102108460 B1 KR102108460 B1 KR 102108460B1
Authority
KR
South Korea
Prior art keywords
product
vector
category
distance
products
Prior art date
Application number
KR1020180044528A
Other languages
English (en)
Other versions
KR20190121045A (ko
Inventor
정대욱
Original Assignee
(주)레몬클라우드
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 (주)레몬클라우드 filed Critical (주)레몬클라우드
Priority to KR1020180044528A priority Critical patent/KR102108460B1/ko
Publication of KR20190121045A publication Critical patent/KR20190121045A/ko
Application granted granted Critical
Publication of KR102108460B1 publication Critical patent/KR102108460B1/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

상품 벡터를 이용한 상품 분류 방법 및 장치를 제시하며, 상품 분류 방법 및 장치는 일 실시예에 따르면, 상품을 분류하는 장치에 있어서, 적어도 하나의 카테고리 별로 분류된 상품을 저장하는 메모리 및 상기 상품을 분류하는 기준에 따라 상기 상품의 특징에 대응되는 상품벡터를 생성하고, 생성된 상품벡터를 기초로 상기 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 기 설정된 거리 이하인 카테고리로 상기 상품을 분류하는 제어부를 포함할 수 있다.

Description

상품 벡터를 이용한 상품 분류 방법 및 장치{METHOD AND APPARATUS FOR CATEGORIZING PRODUCTS USING PRODUCT VECTOR}
본 명세서에서 개시되는 실시예들은 상품 벡터를 이용한 상품 분류 방법 및 장치에 관한 것으로, 보다 상세하게는 기 분류된 상품들에 대한 기계학습을 수행하고 새로 분류될 상품의 특징을 기초로 상품이 자동으로 분류되도록 하는 상품 분류 방법 및 장치에 관한 것이다.
최근 들어 온라인을 통한 거래가 활발해 짐에 따라 온라인 쇼핑몰과 같은 전자상거래가 활발해지고 있으며, 사용자들은 온라인 쇼핑몰에 접속하여 구매하고자 하는 상품을 직접 검색하여 구매한다.
이러한 온라인 쇼핑몰에는 수많은 제품을 판매하기에 소비자가 쉽게 원하는 찾을 수 있도록 상품의 용도, 재료 또는 명칭 등과 같은 특징을 기초로 상품을 분류하는 것이 일반적이다.
이에 온라인 쇼핑몰 관리자는 새롭게 등록하는 상품을 판매하기 위해서는 관리자가 상품을 수작업으로 분류하여 특정 카테고리에 속하는 것으로 설정해주어야 한다.
하지만, 상품의 수가 증가하는 경우 관리자가 수작업으로 상품이 속하는 카테고리를 분류하는 것이 어렵다는 문제점이 있다.
관련하여 선행기술 문헌인 한국특허공개번호 제10-2013-0139517호에서는 스마트폰을 이용한 상품의 카테고리별 구매가 가능한 온라인 쇼핑 애플리케이션에 관한 것으로 쇼핑 애플리케이션에 들어가면 모든 상품의 카테고리 화면이 나타나고 다음 단계에 상품 선택 화면 그리고 다음 단계로 선택한 상품에 따라 상품의 가격비교, 또는 상품의 성능 혹은 기능비교, 또한 다음 단계론 선택한 상품의 쇼핑몰로 들어가며 마지막의 결제 단계로 들어가는 것으로 구성된 스마트폰을 이용한 상품의 카테고리별 구매가 가능하도록 할 뿐, 상품을 자동으로 분류하지 못한다.
따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.
한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 명세서에서 개시되는 실시예들은, 상품의 특징을 이용하여 자동으로 상품을 카테고리별로 분류되도록 하는데 목적이 있다.
본 명세서에서 개시되는 실시예들은, 상품의 이미지와 텍스트를 이용하여 상품을 분류하기 위한 특징을 자동으로 추출하는데 목적이 있다.
본 명세서에서 개시되는 실시예들은, 상품에 대한 텍스트에 대해 가중치를 부가하여 정확하게 카테고리를 분류할 수 있도록 하는 목적이 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 상품을 분류하는 장치에 있어서, 적어도 하나의 카테고리 별로 분류된 상품을 저장하는 메모리 및 상기 상품을 분류하는 기준에 따라 상기 상품의 특징에 대응되는 상품벡터를 생성하고, 생성된 상품벡터를 기초로 상기 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 기 설정된 거리 이하인 카테고리로 상기 상품을 분류하는 제어부를 포함할 수 있다.
다른 실시예에 따르면, 상품분류장치가 상품을 분류하는 방법에 있어서, 상기 상품을 분류하는 기준에 따라 상기 상품의 특징에 대응되는 상품벡터를 생성하는 단계 및 생성된 상품벡터를 기초로 상기 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 기 설정된 거리 이하인 카테고리로 상기 상품을 분류하는 단계를 포함할 수 있다.
또 다른 실시예에 따르면, 상품분류방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체로서, 상기 상품을 분류하는 기준에 따라 상기 상품의 특징에 대응되는 상품벡터를 생성하는 단계 및 생성된 상품벡터를 기초로 상기 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 기 설정된 거리 이하인 카테고리로 상기 상품을 분류하는 단계를 포함할 수 있다.
다른 실시예에 따르면, 상품분류장치에 의해 수행되며, 상품분류방법을 수행하기 위해 기록매체에 저장된 컴퓨터프로그램으로서, 상기 상품을 분류하는 기준에 따라 상기 상품의 특징에 대응되는 상품벡터를 생성하는 단계 및 생성된 상품벡터를 기초로 상기 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 기 설정된 거리 이하인 카테고리로 상기 상품을 분류하는 단계를 포함할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 본 명세서에서 개시되는 실시예들은, 상품의 특징을 이용하여 자동으로 상품을 카테고리 별로 분류되도록 하여 상품 분류 시간을 단축시킴과 동시에 상품 분류의 일관성을 유지할 수 있다.
또한, 전술한 과제 해결 수단 중 어느 하나에 의하면, 본 명세서에서 개시되는 실시예들은, 상품의 이미지와 텍스트를 이용하여 상품을 분류하기 위한 특징을 자동으로 추출하여 상품의 다양한 측면을 반영하여 상품을 분류함으로써 정확도를 높일 수 있다.
그리고 전술한 과제 해결 수단 중 어느 하나에 의하면, 본 명세서에서 개시되는 실시예들은, 상품에 대한 텍스트에 대해 가중치를 부가하여 정확하게 카테고리를 분류할 수 있도록 하여 상품의 특성에 따라 상품분류를 적응적으로 수행하여 상품분류의 정확성을 높일 수 있다.
개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1 은 일 실시예에 따른 상품분류장치를 도시한 블록도이다.
도 2 는 일 실시예에 따른 상품분류방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐 아니라, ‘그 중간에 다른 구성을 사이에 두고 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.
이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.
다만 이를 설명하기에 앞서, 아래에서 사용되는 용어들의 의미를 먼저 정의한다.
‘상품벡터’는 상품을 분류하는 기준에 따라 상품의 특징을 좌표로 변환한 정보이다.
‘이미지벡터’는 상품의 이미지로부터 추출되는 특징을 N 차원의 좌표로 표현한 것이고, ‘텍스트벡터’는 상품과 관련된 텍스트 정보를 기초로 M차원의 좌표로 표현한 것이다.
‘상품간의 거리’는 상품벡터를 이용하여 벡터를 이용한 가상공간 상의 이격거리이다. 이러한 상품간의 거리는 상품간의 유사성에 반비례하여 거리가 가까울수록 유사성이 높다.
위에 정의한 용어 이외에 설명이 필요한 용어는 아래에서 각각 따로 설명한다.
도 1은 일 실시예에 따른 상품분류장치(10)를 설명하기 위한 구성도이다.
도 1 을 참조하면, 상품분류장치(10)는 상품의 이미지 또는 상품에 대한 텍스트 정보를 기초로 계산되는 상품벡터를 계산하고, 카테고리에 속한 상품의 상품벡터를 기초로 대표 상품벡터인 카테고리벡터를 계산하여 상품과 카테고리 간의 가상공간상의 거리를 이용함으로써 상품이 속하는 카테고리를 결정한다.
이러한 상품분류장치(10)는 전자단말기로 구현될 수 있거나 또는 서버-클라이언트 시스템으로 구현될 수 있으며, 상기 시스템은 유저와의 인터랙션을 위한 온라인 서비스용 애플리케이션이 설치된 전자단말기를 포함할 수 있다.
이때, 전자단말기는 네트워크(N)를 통해 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 단말과 연결될 수 있다.
그리고 서버는 유저와의 인터랙션을 위한 애플리케이션이 설치된 전자단말기와 네트워크(N)를 통해 통신이 가능한 컴퓨터로 구현될 수 있으며, 데이터를 저장할 수 있는 저장장치가 포함될 수 있거나 또는 제 3 의 서버(미도시)를 통해 데이터를 저장할 수도 있다.
상술된 바와 같이 상품분류장치(10)는 전자단말기 또는 서버-클라이언트 시스템 중 어느 하나의 형태로 구현될 수 있으며, 서버-클라이언트 시스템으로 구현될 경우, 상품분류장치(10)를 구성하는 구성부 중 일부는 서버에서만 수행되거나 클라이언트에서만 수행될 수 있다.
이와 같이 본 발명의 일 실시예에 따른 상품분류장치(10)는, 입출력부(110), 제어부(120), 통신부(130) 및 메모리(140)를 포함할 수 있다.
입출력부(110)는 사용자로부터 입력을 수신하기 위한 입력부와, 작업의 수행 결과 또는 상품분류장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들어, 입출력부(110)는 사용자 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.
구체적으로, 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(110)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.
제어부(120)는 상품분류장치(10)의 전체적인 동작을 제어하며, CPU 등과 같은 프로세서를 포함할 수 있다. 제어부(120)는 입출력부(110)를 통해 수신한 사용자 입력에 대응되는 동작을 수행하도록 단말(100)에 포함된 다른 구성들을 제어할 수 있다.
예를 들어, 제어부(120)는 메모리(140)에 저장된 프로그램을 실행시키거나, 메모리(140)에 저장된 파일을 읽어오거나, 새로운 파일을 메모리(140)에 저장할 수도 있다.
이러한 제어부(120)는 상품을 분류하는 기준에 따라 상 특징에 대응되는 상품벡터를 생성할 수 있다.
하나의 실시예에 따라 제어부(120)는 상품의 이미지로부터 상품의 외관에 대한 특징을 추출하고, 추출된 상품의 외관 특징을 기준으로 하는 상품벡터인 이미지벡터를 생성할 수 있다.
이를 위해, 제어부(120)는 실시예에 따라 카테고리 별로 기 분류된 상품의 형상, 외관, 색 등을 입력값으로 카테고리별 상품의 특징을 DNN(Deep Neural Network)학습을 수행할 수 있다.
예를 들어, 제어부(120)는 기 분류된 상품의 이미지를 기초로 공통된 형상, 외관, 색 등을 학습하여 카테고리에 포함되는 상품인지를 식별하기 위해 상품의 이미지로부터 추출할 특징을 학습할 수 있다.
그리고 제어부(120)는 상품의 이미지로부터 상품의 외관에 대한 특징을 추출하고, 추출된 상품의 외관 특징을 기준으로 가상공간에서 상품의 위치인 이미지벡터를 생성할 수 있다.
예를 들어, 제어부(120)는 학습된 DNN을 이용하여 분류할 상품의 이미지로부터 특징인 형상, 외관, 색 등을 추출하고, 추출된 특징을 기초로 기 분류된 상품과 대비하여 상대적인 위치에 대응되는 좌표를 계산하여 이미지벡터를 생성할 수 있다.
그리고 제어부(120)는 상품에 대한 텍스트로부터 상품의 특징을 추출할 수 있고, 추출된 특징을 기초로 텍스트벡터를 생성할 수 있다.
예를 들어, 제어부(120)는 상품에 대한 텍스트인 브랜드, 제조사 또는 상품명을 기초로 RNN(Recurrent Neural Network) 학습을 통해 M 차원의 숫자인 텍스트벡터를 계산할 수 있다.
그리고 제어부(120)는 적어도 하나의 카테고리별로 각 카테고리에 포함된 적어도 하나의 상품의 상품벡터를 기초로 적어도 하나의 카테고리 각각의 카테고리벡터를 계산할 수 있다.
즉, 제어부(120)는 카테고리 내에 기 분류된 상품을 메모리(140)로부터 획득하고, 획득된 상품의 상품벡터에 포함되는 이미지벡터를 기초로 대표 이미지벡터인 카테고리벡터로 계산할 수 있다. 이때, 카테고리벡터는 가상공간 내에서 카테고리 간 상대적인 위치에 대한 정보일 수 있다.
예를 들어, 제어부(120)는 하나의 카테고리 내에 분류된 상품의 이미지벡터를 기초로 모든 상품으로부터 거리의 합이 최소값을 갖는 위치를 계산할 수 있고, 계산된 위치에 대한 정보를 카테고리벡터로 설정할 수 있다.
또는 예를 들어, 제어부(120)는 하나의 카테고리 내에 분류된 상품 중 가상공간내에서 밀집도를 계산할 수 있고, 밀집도가 높은 영역에 위치한 상품의 이미지벡터를 기초로 각 상품으로부터 거리의 합이 최소값을 갖는 위치에 대한 정보를 카테고리벡터로 설정할 수 있다.
이후, 제어부(120)는 분류할 상품의 상품벡터와 적어도 하나의 카테고리 각각의 카테고리벡터를 기초로 상품과 적어도 하나의 카테고리 각각과의 거리를 계산할 수 있다.
우선, 제어부(120)는 실시예에 따라, 상품의 텍스트벡터를 이용하여 카테고리 별로 가중치를 부여할 수 있다.
예를 들어, 제어부(120)는 상품의 명칭인 ‘220V멀티탭’을 기준으로 한 텍스트벡터를 기초로 ‘생필품’ 카테고리에 비해 ‘가전제품’ 카테고리에 1.5 가중치를 추가로 부여할 수 있다.
그리고 아래의 수식에 따라 상품에 대한 카테고리의 가중치가 반영된 카테고리벡터를 아래와 같이 표현될 수 있다.
[수학식 1]
Y= a*X+c
(Y: 가중치가 반영된 카테고리벡터, X:카테고리벡터, a:가중치, c: 상수)
그리고 제어부(120)는 상품의 이미지 벡터와 가중치가 부여된 카테고리벡터 간에 거리를 계산할 수 있다.
예를 들어, 제어부(120)는 상품의 이미지 벡터와 가중치가 부여된 카테고리벡터를 이용하여 가상공간상에서 상품과 카테고리간의 거리를 계산할 수 있다.
이후, 제어부(120)는 상품과 거리가 기 설정된 거리 이하인 카테고리를 상품이 분류될 카테고리로 결정할 수 있고, 결정된 카테고리를 상품이 분류될 카테고리로 추천할 수 있다.
이와 같이 상품의 텍스트 정보를 기준으로 카테고리에 가중치를 주어 상품의 분류를 적응적으로 수행함으로써 상품의 형상이 유사하지만 실제 사용용도가 상이한 경우에도 상품의 명칭과 형상을 고려하여 상품에 대한 카테고리 분류 정확하게 되도록 할 수 있다.
이후, 제어부(120)는 카테고리에 새로 추가된 상품의 상품벡터를 반영하여 카테고리벡터를 갱신할 수 있다.
이를 통해 카테고리에 속한 상품들을 기초로 카테고리벡터를 갱신함으로써 보다 정밀하게 상품을 분류할 수 있다.
통신부(130)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(130)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.
통신부(130)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(130)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.
메모리(140)에는 파일, 어플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 제어부(120)는 메모리(140)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 메모리(140)에 저장할 수도 있다. 또한, 제어부(120)는 메모리(140)에 설치된 프로그램을 실행할 수도 있다.
그리고 메모리(140)는 적어도 하나의 카테고리 별로 분류된 상품을 저장할 수 있다.
도 2 는 일 실시예에 따른 상품분류방법을 설명하기 위한 순서도이다.
도 2 에 도시된 실시예에 따른 상품분류방법은 도 1 에 도시된 상품분류장치(10)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 에 도시된 상품분류장치(10)에 관하여 이상에서 기술한 내용은 도 2 에 도시된 실시예에 따른 상품분류방법에도 적용될 수 있다.
우선, 상품분류장치(10)는 상기 상품을 분류하는 기준에 따라 특징에 대응되는 상품벡터를 생성할 수 있다(S2001).
실시예에 따라, 상품분류장치(10)는 상품의 이미지로부터 상품의 외관에 대한 특징을 추출할 수 있다.
이를 위해, 상품분류장치(10)는 카테고리 별로 기 저장된 상품 이미지를 기초로 카테고리 별로 상품을 기계학습할 수 있다.
예를 들어, 상품분류장치(10)는 상품의 이미지로부터 상품의 특징으로 모서리를 추출하여 상품의 형상과 색 등을 학습할 수 있고, 카테고리 별로 기준이 되는 기준 상품의 상품벡터를 기준으로, 학습되는 상품과 기준 상품과의 유사도에 따라 상품벡터를 할당할 수 있다.
이후, 상품분류장치(10)는 추출된 상품의 외관 특징을 기준으로 하는 상품벡터인 이미지벡터를 생성할 수 있다.
예를 들어, 상품분류장치(10)는 상품 이미지에 포함된 상품의 형상과 색 등을 추출할 수 있고, 추출된 상품의 형상과 색을 기초로 기 학습된 상품의 상품벡터를 이용하여 상품의 이미지벡터를 생성할 수 있다.
그리고 상품분류장치(10)는 상품에 대한 텍스트 정보를 추출할 수 있으며, 추출된 상품의 텍스트 정보를 기준으로 상품벡터인 텍스트벡터를 생성할 수 있다.
예를 들어, 상품분류장치(10)는 상품의 명칭 등을 추출할 수 있고, 카테고리에 포함되는 상품의 명칭에 따른 텍스트벡터에 대응하여 상품간의 명칭의 유사도에 따라 상품의 텍스트벡터를 생성할 수 있다.
그리고 상품분류장치(10)는 생성된 상품벡터를 기초로 상기 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 타 상품과의 거리가 기 설정된 거리 이하인 카테고리로 상기 상품을 분류할 수 있다(S2002).
우선, 상품분류장치(10)는 적어도 하나의 카테고리 별로 각 카테고리에 포함된 적어도 하나의 상품의 상품벡터를 기초로 상기 적어도 하나의 카테고리 각각의 카테고리벡터를 계산할 수 있다.
예를 들어, 상품분류장치(10)는 카테고리에 속하는 상품의 상품벡터를 기초로 각 상품으로부터 거리의 합이 최소값의 위치를 카테고리벡터로 설정할 수 있다.
그리고 상품분류장치(10)는 상품벡터와 카테고리벡터에 기초하여, 적어도 하나의 카테고리 별로 상품과의 거리를 계산할 수 있다.
실시예에 따라, 상품분류장치(10)는 상품벡터를 구성하는 텍스트벡터에 기초하여 적어도 하나의 카테고리 각각에 대한 가중치를 계산할 수 있다.
예를 들어, 상품분류장치(10)는 상품의 텍스트벡터와 카테고리벡터간의 거리를 계산할 수 있고, 각 카테고리와 상품간의 거리에 반비례하여 카테고리벡터에 가중치를 부가할 수 있다.
그리고 상품분류장치(10)는 가중치가 반영된 카테고리벡터와 상품의 이미지벡터를 기초로 적어도 하나의 카테고리 각각과의 거리를 계산할 수 있다.
예를 들어, 상품분류장치(10)는 가중치가 반영된 카테고리벡터와 상품의 이미지벡터간의 거리를 계산할 수 있고, 각 카테고리와의 거리가 기 설정된 거리 이하인지 여부를 식별할 수 있다.
이후, 상품분류장치(10)는 기 설정된 이하의 거리를 가지는 카테고리를 상품이 분류될 카테고리로 추천할 수 있고, 추천된 카테고리로 상품을 분류할 수 있다.
예를 들어, 상품인 ‘멀티탭’ 이 ‘생활용품’ 및 ‘전기용품’ 간의 거리가 기 설정된 거리 이하이면, 상품분류장치(10)는 ‘멀티탭’이 ‘생활용품’ 과 ‘전기용품’ 각각에 속하는 것으로 분류할 수 있다.
그리고 상품분류장치(10)는 분류된 상품을 포함하여 카테고리에 대한 카테고리벡터를 갱신할 수 있다(S2003).
예를 들어, 상품분류장치(10)는 ‘멀티탭’을 ‘생활용품’에 포함시켜 ‘생활용품’에 대한 카테고리벡터를 갱신할 수 있고, ‘전기용품’에 대한 카테고리벡터에 대해서도 ‘멀티탭’을 포함시켜 카테고리벡터를 갱신할 수 있다.
이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.
구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.
뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.
도 2 를 통해 설명된 실시예에 따른 상품분류방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다. 예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.
또한 도 2 를 통해 설명된 실시예에 따른 상품분류방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.
따라서 도 2 를 통해 설명된 실시예에 따른 상품분류방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.
여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.
또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.
그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.
상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.
100: 상품분류장치
110: 입출력부
120: 제어부
130: 통신부
140: 메모리

Claims (14)

  1. 상품을 분류하는 장치에 있어서,
    적어도 하나의 카테고리 별로 분류된 상품을 저장하는 메모리; 및
    상기 상품을 분류하는 기준에 따라 상기 상품의 특징에 대응되는 상품벡터를 생성하고, 생성된 상품벡터를 기초로 상기 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 기 설정된 거리 이하인 카테고리로 상기 상품을 분류하는 제어부를 포함하고,
    상기 제어부는,
    상기 상품의 이미지로부터 상품의 외관에 대한 특징을 추출하고, 추출된 상품의 외관 특징을 기준으로 가상공간에서 상기 상품의 위치인 이미지벡터를 상기 상품벡터로 생성하되, 기 분류된 상기 타 상품의 외관과 대비하여 상대적인 위치에 대응되는 좌표를 계산하여 상기 이미지벡터를 생성하는, 상품분류장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 제어부는,
    상기 상품에 대한 텍스트 정보를 추출하고, 추출된 상품의 텍스트 정보를 기준으로 하는 상품벡터인 텍스트벡터를 생성하는, 상품분류장치.
  4. 제 1 항에 있어서,
    상기 제어부는,
    상기 적어도 하나의 카테고리 별로 각 카테고리에 포함된 적어도 하나의 상품의 상품벡터를 기초로 상기 적어도 하나의 카테고리 각각의 카테고리벡터를 계산하는, 상품분류장치.
  5. 제 4 항에 있어서,
    상기 제어부는,
    상기 상품벡터와 상기 카테고리벡터에 기초하여, 상기 적어도 하나의 카테고리 별로 상기 상품과의 거리를 계산하고, 계산된 거리에 기초하여 상기 상품이 분류될 카테고리를 결정하는, 상품분류장치.
  6. 제 5 항에 있어서,
    상기 제어부는,
    상기 상품벡터를 구성하는 텍스트벡터에 기초하여 상기 적어도 하나의 카테고리에 대한 가중치를 계산하고, 상기 가중치를 기초로 상기 상품의 이미지벡터와 상기 적어도 하나의 카테고리의 카테고리벡터와의 거리를 계산하는, 상품분류장치.
  7. 상품분류장치가 상품을 분류하는 방법에 있어서,
    상기 상품을 분류하는 기준에 따라 상기 상품의 특징에 대응되는 상품벡터를 생성하는 단계; 및
    생성된 상품벡터를 기초로 적어도 하나의 카테고리에 속한 타 상품과의 거리를 계산하여 기 설정된 거리 이하인 카테고리로 상기 상품을 분류하는 단계를 포함하고,
    상기 상품벡터를 생성하는 단계는,
    상기 상품의 이미지로부터 상품의 외관에 대한 특징을 추출하는 단계; 및
    추출된 상품의 외관 특징을 기준으로 가상공간에서 상기 상품의 위치인 이미지벡터를 상기 상품벡터로 생성하되, 기 분류된 상기 타 상품의 외관과 대비하여 상대적인 위치에 대응되는 좌표를 계산하여 상기 이미지벡터를 생성하는 단계를 포함하는, 상품분류방법.
  8. 삭제
  9. 제 7 항에 있어서,
    상기 상품분류장치는,
    상기 상품에 대한 텍스트 정보를 추출하는 단계; 및
    추출된 상품의 텍스트 정보를 기준으로 하는 상품벡터인 텍스트벡터를 생성하는 단계를 더 포함하는, 상품분류방법.
  10. 제 7 항에 있어서,
    상기 기 설정된 거리 이하의 상품을 그룹핑하는 단계는,
    상기 적어도 하나의 카테고리 별로 각 카테고리에 포함된 적어도 하나의 상품의 상품벡터를 기초로 상기 적어도 하나의 카테고리 각각의 카테고리벡터를 계산하는 단계를 포함하는, 상품분류방법.
  11. 제 10 항에 있어서,
    상기 상품분류방법은,
    상기 상품벡터와 상기 카테고리벡터에 기초하여, 상기 적어도 하나의 카테고리 별로 상기 상품과의 거리를 계산하는 단계; 및
    계산된 거리에 기초하여 상기 상품이 분류될 카테고리를 결정하는 단계를 더 포함하는, 상품분류방법.
  12. 제 11 항에 있어서,
    상기 상품과의 거리를 계산하는 단계는,
    상기 상품벡터를 구성하는 텍스트벡터에 기초하여 상기 적어도 하나의 카테고리에 대한 가중치를 계산하는 단계; 및
    상기 가중치를 기초로 상기 상품의 이미지벡터와 상기 적어도 하나의 카테고리의 카테고리벡터와의 거리를 계산하는 단계를 포함하는, 상품분류방법.
  13. 제 7 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  14. 상품분류장치에 의해 수행되며, 제 7 항에 기재된 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.
KR1020180044528A 2018-04-17 2018-04-17 상품 벡터를 이용한 상품 분류 방법 및 장치 KR102108460B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180044528A KR102108460B1 (ko) 2018-04-17 2018-04-17 상품 벡터를 이용한 상품 분류 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180044528A KR102108460B1 (ko) 2018-04-17 2018-04-17 상품 벡터를 이용한 상품 분류 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190121045A KR20190121045A (ko) 2019-10-25
KR102108460B1 true KR102108460B1 (ko) 2020-05-07

Family

ID=68421209

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180044528A KR102108460B1 (ko) 2018-04-17 2018-04-17 상품 벡터를 이용한 상품 분류 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102108460B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210139119A (ko) 2020-05-13 2021-11-22 (주)사맛디 딥러닝 기반 대상체 감성 인식 방법, 장치 및 프로그램

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102351879B1 (ko) * 2019-11-14 2022-01-14 비씨카드(주) 상품 또는 서비스에 대한 비정형의 품목데이터를 자동으로 분류하는 방법 및 디바이스
US11023814B1 (en) * 2020-02-18 2021-06-01 Coupang Corp. Computerized systems and methods for product categorization using artificial intelligence
WO2022145525A1 (ko) * 2020-12-29 2022-07-07 주식회사 디자이노블 학습된 조건 기반의 디자인 생성 방법 및 그 장치
KR200497094Y1 (ko) * 2021-03-22 2023-07-27 주식회사 엘지유플러스 모바일 체험 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09114982A (ja) * 1995-10-16 1997-05-02 N T T Data Tsushin Kk 物品同定システム
KR101498944B1 (ko) * 2011-11-28 2015-03-06 세종대학교산학협력단 상품 판매 업체 관련 글 판단 방법 및 그 장치
KR101778679B1 (ko) * 2015-10-02 2017-09-14 네이버 주식회사 딥러닝을 이용하여 텍스트 단어 및 기호 시퀀스를 값으로 하는 복수 개의 인자들로 표현된 데이터를 자동으로 분류하는 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210139119A (ko) 2020-05-13 2021-11-22 (주)사맛디 딥러닝 기반 대상체 감성 인식 방법, 장치 및 프로그램

Also Published As

Publication number Publication date
KR20190121045A (ko) 2019-10-25

Similar Documents

Publication Publication Date Title
KR102108460B1 (ko) 상품 벡터를 이용한 상품 분류 방법 및 장치
US10402917B2 (en) Color-related social networking recommendations using affiliated colors
KR102123780B1 (ko) 자동 가이드식 이미지 캡쳐 및 프레젠테이션
KR101511050B1 (ko) 상품 정보를 제공하고 표시하는 방법, 장치, 시스템 및 컴퓨터 프로그램
US11769193B2 (en) System and method for detecting visually similar items
US20190340649A1 (en) Generating and providing augmented reality representations of recommended products based on style compatibility in relation to real-world surroundings
KR102277172B1 (ko) 인공 신경망 선택 장치 및 방법
US20150339348A1 (en) Search method and device
US11397764B2 (en) Machine learning for digital image selection across object variations
US10445783B2 (en) Target audience content interaction quantification
KR102649848B1 (ko) 디지털 이미지 캡처 세션 및 메타데이터 연관
KR101986307B1 (ko) 시각 대화를 통해 객체의 위치를 알아내기 위한 주의 기억 방법 및 시스템
KR20190061130A (ko) 소셜 네트워크 정보와 레이팅 정보를 활용한 설명가능하고 정확한 추천 방법 및 추천 시스템
KR102150953B1 (ko) 블록체인을 이용한 리워드 제공 통합 로그인 방법 및 장치
CN107203558B (zh) 对象推荐方法和装置、推荐信息处理方法和装置
US10339586B1 (en) Techniques for identifying similar products
US11720622B2 (en) Machine learning multiple features of depicted item
WO2019236836A1 (en) Targeted advertisement system
US20190236808A1 (en) Image Recoloring for Color Consistency in a Digital Medium Environment
KR20180048536A (ko) 영상 검색 정보 제공 방법, 장치 및 컴퓨터 프로그램
JP2019133620A (ja) イメージ内の複数の客体の調和に基づく調和検索方法、コンピュータ装置およびコンピュータプログラム
WO2021133511A1 (en) Searching using changed feature of viewed item
KR102108459B1 (ko) 상품의 최저가 제공 방법 및 장치
KR101685676B1 (ko) 단말 장치 및 이에 의한 이미지 표시 방법，및 웹 서버 및 이에 의한 웹 페이지 제공 방법
EP4220577A1 (en) Prospective object search techniques based on removed objects

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant