KR102191649B1 - 인공신경망을 이용한 음료 추천 장치 및 방법 - Google Patents

인공신경망을 이용한 음료 추천 장치 및 방법 Download PDF

Info

Publication number
KR102191649B1
KR102191649B1 KR1020200061050A KR20200061050A KR102191649B1 KR 102191649 B1 KR102191649 B1 KR 102191649B1 KR 1020200061050 A KR1020200061050 A KR 1020200061050A KR 20200061050 A KR20200061050 A KR 20200061050A KR 102191649 B1 KR102191649 B1 KR 102191649B1
Authority
KR
South Korea
Prior art keywords
user
beverage
constitution
constitution classification
computing device
Prior art date
Application number
KR1020200061050A
Other languages
English (en)
Inventor
박준경
Original Assignee
박준경
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 박준경 filed Critical 박준경
Priority to KR1020200061050A priority Critical patent/KR102191649B1/ko
Application granted granted Critical
Publication of KR102191649B1 publication Critical patent/KR102191649B1/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]
    • G06Q30/0631—Item recommendations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/627—
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Veterinary Medicine (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자의 체질을 설명하는 체질 분류 벡터에 기반한 음료 추천 방법이 제공된다. 상기 음료 추천 방법은 (a) 컴퓨팅 장치가, 상기 사용자에 관한 체질 정보를 획득하는 단계, (b) 상기 컴퓨팅 장치가, 상기 체질 정보에 포함되는 각각의 파라미터와 상기 각각의 파라미터 별로 정의되는 체질 별 가중치에 따라 상기 사용자의 체질 분류 벡터를 계산하는 단계, (c) 상기 컴퓨팅 장치가, 상기 사용자의 체질 분류 벡터를 이용하여 임의의 k - 단, k 는 자연수임 - 개의 사용자 그룹 중 하나로 상기 사용자를 할당하는 단계, (d) 상기 컴퓨팅 장치가, 미리 학습된 인공신경망을 이용하여 상기 사용자가 할당된 매칭 사용자 그룹과 임계치 이상의 상관 계수(correlation coefficient)를 갖는 음료 후기 데이터를 선택하는 단계 및 (e) 상기 컴퓨팅 장치가, 상기 음료 후기 데이터를 이용하여 상기 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 출력하는 단계를 포함할 수 있다.

Description

인공신경망을 이용한 음료 추천 장치 및 방법{APPARATUS AND METHOD OF RECOMMENDING DRINKS USING ARTIFICIAL NEURAL NETWORK}
이하의 설명은 인공신경망을 이용한 음료 추천 장치 및 방법에 관한 것이다. 보다 구체적으로, 랜덤 포레스트 기법을 이용하여 사용자의 체질 분류 벡터에 기반한 최적화된 음료 추천을 제공하는 기술에 관한 것이다.
사상체질이란 사람의 체질을 태양인, 태음인, 소양인 및 소음인 네 가지로 구분하고 체질적 특성에 따라 생리, 병리, 진단, 치료와 약물을 소개하고, 정신과 육체의 조화를 위한 의학적 치료방법을 제시하는 한의학적 이론 중 하나이다.
최근의 소비자들은 건강에 대한 관심이 높아짐에 따라 체질에 따른 건강정보, 친환경성 여부, 생산자의 신뢰성 여부 등과 같은 다양한 정보를 함께 비교하여 제품을 구매하고 있다. 따라서 사용자의 체질에 맞게 맞춤형의 음료를 추천해주는 장치와 방법에 대한 필요성이 증가하고 있는 실정이다.
대한민국 공개특허 제10-2009-0120819호에는 사용자의 체질을 분석하고, 그 분석결과에 기반하여 체질에 맞는 음식을 추천하고, 추천된 음식 중에서 하나 이상의 음식을 선택하고 주문하는 추천 음식 주문 시스템 및 방법이 개시된다. 그러나, 대상특허는 사용자의 체질 분류 벡터에 따라 인공신경망이 사용자에게 최적화된 음료를 추천하는 구성에 대해서는 어떠한 내용도 개시, 암시 또는 시사하지 못하고 있다.
적어도 하나의 실시 예에 따르면, 미리 학습된 인공신경망을 이용하여 사용자에게 할당된 매칭 사용자 그룹과 임계치 이상의 상관 계수를 갖는 음료 후기 데이터를 선택하고, 음료 후기 데이터를 이용하여 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 출력하는 음료 추천 장치 및 방법이 개시된다.
일 측면에 따르면, 사용자의 체질을 설명하는 체질 분류 벡터에 기반한 음료 추천 방법이 제공된다. 상기 음료 추천 방법은 (a) 컴퓨팅 장치가, 상기 사용자에 관한 체질 정보를 획득하는 단계, (b) 상기 컴퓨팅 장치가, 상기 체질 정보에 포함되는 각각의 파라미터와 상기 각각의 파라미터 별로 정의되는 체질 별 가중치에 따라 상기 사용자의 체질 분류 벡터를 계산하는 단계, (c) 상기 컴퓨팅 장치가, 상기 사용자의 체질 분류 벡터를 이용하여 임의의 k - 단, k 는 자연수임 - 개의 사용자 그룹 중 하나로 상기 사용자를 할당하는 단계, (d) 상기 컴퓨팅 장치가, 미리 학습된 인공신경망을 이용하여 상기 사용자가 할당된 매칭 사용자 그룹과 임계치 이상의 상관 계수(correlation coefficient)를 갖는 음료 후기 데이터를 선택하는 단계 및 (e) 상기 컴퓨팅 장치가, 상기 음료 후기 데이터를 이용하여 상기 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 출력하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 (b) 단계는 (b1) 상기 체질 정보에 포함되는 제1 파라미터가, 태양인에 연관되는 정도를 나타내는 제1-1 가중치, 태음인에 연관되는 정도를 나타내는 제1-2 가중치, 소양인에 연관되는 정도를 나타내는 제1-3 가중치 및 소음인에 연관되는 정도를 나타내는 제1-4 가중치를 계산하는 단계 및 (b2) 상기 체질 정보에 포함되는 복수의 파라미터들에 대해, 태양인에 연관되는 가중치들의 총합, 태음인에 연관되는 가중치들의 총합, 소양인에 연관되는 가중치들의 총합 및 소음인에 연관되는 가중치들의 총합을 이용하여 상기 사용자의 체질 분류 벡터를 계산하는 단계를 더 포함할 수 있다.
다른 일 실시 예에 따르면, 상기 (c) 단계는 상기 k 개의 사용자 그룹 각각의 클러스터의 중심점과 상기 사용자의 체질 분류 벡터의 유클리드 거리(Euclidean Distance)를 비교함으로써, 상기 사용자를 매칭 사용자 그룹으로 할당하는 단계를 포함할 수 있다.
또 다른 일 실시 예에 따르면, 상기 임의의 k 개의 사용자 그룹은 복수의 사용자들을 각각의 체질 분류 벡터에 따라 임의의 k 개의 클러스터로 할당하고, 상기 k 개의 클러스터 각각의 중심점에 기초하여 각각의 체질 분류 벡터를 상기 k 개의 클러스터 중 어느 하나로 재할당하고, 상기 체질 분류 벡터가 재할당된 k 개의 클러스터 각각의 중심점들을 다시 계산하고, 상기 체질 분류 벡터의 재할당의 반복 여부를 결정함으로써 생성될 수 있다.
또 다른 일 실시 예에 따르면, 상기 (d) 단계는 (d1) 상기 사용자가 할당된 사용자 그룹에 포함되는 체질 분류 벡터 내에서 임의적으로 n(n은 자연수) 개의 체질 분류 벡터를 선택하는 단계, (d2) 상기 n 개의 체질 분류 벡터에 연관되는 음료 후기 데이터 중 d(d는 자연수) 개의 음료 후기 데이터를 선택하는 단계, (d3) 상기 n 개의 체질 분류 벡터를 입력 데이터로 이용하고 상기 d 개의 음료 후기 데이터의 조합을 분기점으로서 이용하여, 상기 n 개의 체질 분류 벡터에 대응하는 음료 집합을 분류하기 위한 의사결정트리를 생성하는 단계, (d4) 상기 (d1) 단계, 상기 (d2) 단계 및 상기 (d3) 단계를 m(m은 자연수) 회 반복함으로써 m 개의 의사결정트리를 생성하는 단계 및 (d5) 상기 m 개의 의사결정트리 중 상기 n 개의 체질 분류 벡터가 상기 음료 집합에 대해 미리 부여된 선호도를 기준으로 가장 높은 순도(purity)를 갖도록 분류하는 의사결정트리를 상기 음료 추천 모델로 생성하는 단계를 더 포함할 수 있다.
또 다른 일 실시 예에 따르면, 상기 (e) 단계는 상기 생성된 음료 추천 모델에 상기 사용자의 체질 분류 벡터를 입력함으로써 상기 사용자에 대한 적어도 하나의 음료를 출력할 수 있다.
또 다른 일 실시 예에 따르면, 상기 n 개의 체질 분류 벡터에 연관되는 음료 후기 데이터는 음료를 마신 뒤의 수면 패턴 변화량, 음료를 마신 뒤의 땀 분비 변화량, 음료를 마신 뒤의 부작용 정도 및 음료를 마신 뒤의 소화 정도 중 적어도 하나를 포함할 수 있다.
또 다른 일 실시 예에 따르면, 상기 음료 추천 방법은 상기 컴퓨팅 장치가, 상기 사용자의 체질 분류 벡터, 상기 사용자의 위치 정보 및 상기 사용자의 음료 후기 데이터를 이용하여 적어도 하나의 추천 한의원을 출력하는 단계를 포함할 수 있다.
또 다른 일 실시 예에 따르면, 상기 음료 추천 방법은 상기 컴퓨팅 장치가, 상기 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 판매하는 판매자 정보를 제공하는 단계를 더 포함하고, 상기 판매자 정보는 상기 매칭 사용자 그룹이 상기 판매자에 대해 생성한 음료 후기 데이터에 기반하여 생성되고, 상기 판매자 정보는 상기 판매자가 운영하는 사업장의 사진, 상기 판매자가 생산하는 음료의 원산지, 상기 판매자가 운영하는 사업장의 위생 및 상기 판매자가 운영하는 사업장에서 생산하는 음료 제품 정보를 포함할 수 있다.
또 다른 일 실시 예에 따르면, 상기 음료 추천 방법은 상기 컴퓨팅 장치가, 제1 사용자의 단말로부터 제2 사용자에 대한 음료 선물 요청을 수신하는 단계 및 상기 컴퓨팅 장치가, 상기 (a) 내지 (e) 단계의 수행에 의해 결정된 제2 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료에 대한 정보를 포함하는 선물 추천 정보를 상기 제1 사용자의 단말에게 제공하는 단계를 더 포함할 수 있다.
다른 일 측면에 따르면, 컴퓨터 장치로 하여금, 제1항 내지 제8항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램이 제공된다.
도 1은 일 실시 예에 따라 인공신경망을 이용한 음료 추천 방법을 설명하는 흐름도이다.
도 2는 일 실시 예에 따라 체질 분류 벡터에 기반하여 사용자들의 클러스터링 과정을 설명하는 흐름도이다.
도 3은 일 실시 예에 따라 음료 추천 모델을 생성하는 과정을 설명하는 흐름도이다.
도 4는 일 실시 예에 따라 컴퓨팅 장치가 음료를 추천하는 과정을 설명하는 예시도이다.
실시 예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시 예들은 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 실시 예에 따라 인공신경망을 이용한 음료 추천 방법을 설명하는 흐름도이다. 도 1을 참조하면, 인공신경망을 이용한 음료 추천 방법(100)은 사용자에 관한 체질 정보를 획득하는 단계(110), 체질 정보에 포함되는 각각의 파라미터와 각각의 파라미터 별로 정의되는 체질 별 가중치에 따라 사용자의 체질 분류 벡터를 계산하는 단계(120), 사용자의 체질 분류 벡터를 이용하여 임의의 k(단, k는 자연수임) 개의 사용자 그룹 중 하나로 사용자를 할당하는 단계(130), 미리 학습된 인공신경망을 이용하여 사용자가 할당된 매칭 사용자 그룹과 임계치 이상의 상관 계수를 갖는 음료 후기 데이터를 선택하는 단계(140) 및 음료 후기 데이터를 이용하여 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 출력하는 단계(150)를 포함할 수 있다.
단계(110)에서 음료 추천 방법을 수행하는 컴퓨팅 장치는 사용자 단말로부터 사용자에 관한 체질 정보를 획득할 수 있다. 구체적으로, 단계(110)는 컴퓨팅 장치에 포함되는 통신부에 의해 수행될 수 있다. 통신부는 통신 인터페이스를 포함할 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 인터페이스와 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication) 등의 근거리 통신 인터페이스를 포함할 수 있다. 뿐만 아니라, 통신 인터페이스는 외부와 통신을 수행할 수 있는 모든 인터페이스(예를 들어, 유선 인터페이스)를 나타낼 수 있다.
예시적으로, 컴퓨팅 장치의 통신부는 사용자 단말로부터 하체발달형 체형인지 또는 상체발달형 체형인지 등을 포함하는 체형 정보, 땀 나는 정도와 빈도에 관한 정보, 잘 붓는지 여부와 하루 중 소변을 보는 횟수를 포함하는 신장의 기능 정보, 좋아하는 음식 정보 및 싫어하는 음식 정보 등을 포함하는 체질 정보를 수신할 수 있다.
또한, 컴퓨팅 장치의 통신부는 사용자에 접촉된 착용형 기기로부터 생체 데이터를 수신할 수 있다. 예시적으로, 착용형 기기는 스마트 워치 또는 스마트 밴드의 형태로 구현될 수 있으나 이는 이해를 돕기 위한 예시일 뿐, 다른 실시예를 제한하거나 한정하는 것은 아니다. 또한, 컴퓨팅 장치는 수신된 생체 데이터로부터 심박수 또는 바이오 리듬과 같은 파라미터를 계산할 수 있다. 컴퓨팅 장치는 심박수 또는 바이오 리듬과 같은 파라미터에 기반하여 차를 마신 이후의 수면 패턴 등과 같은 변화를 체질 정보로서 계산할 수 있다.
단계(120)에서 컴퓨팅 장치는 체질 정보에 포함되는 각각의 파라미터와 각각의 파라미터 별로 정의되는 체질 별 가중치에 따라 사용자의 체질 분류 벡터를 계산할 수 있다. 예시적으로, 단계(110)에서 컴퓨팅 장치는 아래의 표 1과 같은 체질 정보를 획득할 수 있다.
사용자 정보 체질 정보
SJLEE 상체발달 파라미터
(1 이상 10 이하)		 하체발달 파라미터
(1 이상 10 이하)
8 2
단계(120)에서 컴퓨팅 장치는 체질 정보에 포함되는 제1 파라미터가, 태양인에 연관되는 정도를 나타내는 제1-1 가중치, 태음인에 연관되는 정도를 나타내는 제1-2 가중치, 소양인에 연관되는 정도를 나타내는 제1-3 가중치 및 소음인에 연관되는 정도를 나타내는 제1-4 가중치를 계산할 수 있다. 또한, 컴퓨팅 장치는 체질 정보에 포함되는 복수의 파라미터들에 대해, 태양인에 연관되는 가중치들의 총합, 태음인에 연관되는 가중치들의 총합, 소양인에 연관되는 가중치들의 총합 및 소음인에 연관되는 가중치들의 총합을 이용하여 상기 사용자의 체질 분류 벡터를 계산할 수 있다.예시적으로, 컴퓨팅 장치는 표 1과 같은 체질 정보를 이용하여 표 2와 같이 각각의 파라미터에 대한 가중치들의 총합을 계산할 수 있다.
구분 태양인 가중치 태음인 가중치 소양인 가중치 소음인 가중치
상체발달파라미터 8×8=64 8×3=24 8×7=56 8×2=16
하체발달파라미터 2×3=6 2×8=16 2×3=6 2×2=4
총합 70 40 62 20
구체적으로 사용자 "SJLEE"의 경우, 상체발달 파라미터는 1 이상 10 이하 범위 내에서 8이고, 하체발달 파라미터는 1 이상 10이하 범위 내에서 2를 나타내어 상체의 발육이 좋고, 하체가 빈약한 체형을 나타낼 수 있다. 사상체질에 따르면, 태양인은 상체가 건실하고 하체가 약한 신체적 특징을 가지고, 태음인은 반대로 상체는 약한 편이고 하체가 잘 발달될 수 있다. 또한, 소양인은 상체의 발육이 좋고 하체는 빈약한 신체적 특징을 가지고, 소음인은 상체 및 하체 모두 발달이 덜해 마른 체형을 나타낼 수 있다. 이에 따라, 컴퓨팅 장치는 상체발달 파라미터의 경우 (태양인, 태음인, 소양인, 소음인) 순서대로 (8, 3, 7, 2)의 가중치를 부여하고, 하체발달 파라미터의 경우 (3, 8, 3, 2)의 가중치를 부여함으로써 체질 분류 벡터를 계산할 수 있다. 예시적으로, 사용자 "SJLEE"의 체질 분류 벡터는 (70, 40, 62, 20)으로 계산되며, 사용자 "SJLEE"는 태양인에 가장 가까우며, 두 번째로는 소양인 성향을 보이는 체질로 구분될 수 있다.단계(130)에서 컴퓨팅 장치는 사용자의 체질 분류 벡터를 이용하여 임의의 k(단, k 는 자연수임) 개의 사용자 그룹 중 하나로 사용자를 할당할 수 있다. 컴퓨팅 장치가 임의의 k 개의 사용자 그룹에 대한 클러스터를 생성하고, 하나의 클러스터로 특정한 사용자를 할당하는 과정에 대해서는 추가적인 도면과 함께 보다 자세히 설명될 것이다.
단계(140)에서 컴퓨팅 장치는 미리 학습된 인공신경망을 이용하여 사용자가 할당된 매칭 사용자 그룹과 임계치 이상의 상관 계수(correlation coefficient)를 갖는 음료 후기 데이터를 선택할 수 있다. 예시적으로, 음료 후기 데이터는 음료를 마신 뒤의 수면 패턴 변화량, 음료를 마신 뒤의 땀 분비 변화량, 음료를 마신 뒤의 부작용 정도 및 음료를 마신 뒤의 소화 정도 중 적어도 하나를 포함할 수 있다. 위의 음료 후기 데이터는 이해를 돕기 위한 예시적 기재일 뿐, 다른 실시 예를 제한하거나 한정하는 것으로 해석되어서는 안될 것이다.
단계(150)에서 컴퓨팅 장치는 선택된 음료 후기 데이터를 이용하여 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 출력할 수 있다. 도 1에 도시되지는 않았지만, 컴퓨팅 장치는 사용자의 체질 분류 벡터, 상기 사용자의 위치 정보 및 상기 사용자의 음료 후기 데이터를 이용하여 적어도 하나의 추천 한의원을 출력할 수 있다. 구체적으로, 컴퓨팅 장치는 사용자의 위치 정보를 통해 접근성이 좋은 한의원 리스트에서 사용자의 기저질환 등의 개인 정보를 기반하여 특화 한의원을 추천하여 사용자의 편의성을 극대화하는 효과를 제공할 수 있다.
다른 일 실시 예로서, 인공신경망을 이용한 음료 추천 방법(100)은 컴퓨팅 장치가 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 판매하는 판매자 정보를 제공하는 단계를 더 포함할 수 있다. 예시적으로, 판매자 정보는 매칭 사용자 그룹이 상기 판매자에 대해 생성한 음료 후기 데이터에 기반하여 생성될 수 있다. 구체적으로, 판매자 정보는 판매자가 운영하는 사업장의 사진, 상기 판매자가 생산하는 음료의 원산지, 상기 판매자가 운영하는 사업장의 위생 및 상기 판매자가 운영하는 사업장에서 생산하는 음료 제품 정보를 포함할 수 있다. 위의 판매자 정보는 이해를 돕기 위한 예시적 정보일 뿐, 다른 실시 예를 제한하거나 한정하는 것으로 해석되어서는 안될 것이다.
또 다른 일 실시 예로서, 인공신경망을 이용한 음료 추천 방법(100)은 컴퓨팅 장치가, 제1 사용자의 단말로부터 제2 사용자에 대한 음료 선물 요청을 수신하는 단계를 더 포함할 수 있다. 또한, 음료 추천 방법(100)은 앞서 서술된 상기 (a) 내지 (e) 단계의 수행에 의해 결정된 제2 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료에 대한 정보를 포함하는 선물 추천 정보를 상기 제1 사용자의 단말에게 제공하는 단계를 더 포함할 수 있다. 이에 따라 본 실시 예에 따른 음료 추천 방법(100)은 인공신경망에 의해 추천되는 음료 정보를 이용하여 친구나 지인에게 최적화된 음료를 선물하도록 하는 효과를 제공할 수 있다.
도 2는 일 실시 예에 따라 체질 분류 벡터에 기반하여 사용자들의 클러스터링 과정을 설명하는 흐름도이다. 도 2를 참조하면, 사용자들의 클러스터링 방법(200)이 도시된다. 사용자들의 클러스터링 방법(200)은 복수의 사용자들을 각각의 체질 분류 벡터에 따라 임의의 k 개의 클러스터로 할당하는 단계(210), k 개의 클러스터 각각의 중심점에 기초하여 각각의 체질 분류 벡터를 k 개의 클러스터 중 어느 하나로 재할당하는 단계(220), 체질 분류 벡터가 재할당된 k 개의 클러스터 각각의 중심점들을 다시 계산하는 단계(230), 체질 분류 벡터의 재할당의 반복 여부를 결정하는 단계(240)를 포함할 수 있다.
단계(210)에서 컴퓨팅 장치는 복수의 사용자들에 관한 체질 분류 벡터를 획득할 수 있다. 또한, 컴퓨팅 장치는 임의의 k(단, k는 자연수임) 개의 클러스터로 사용자의 체질 분류 벡터를 할당하고, 상기 k 개의 클러스터 각각에 대응하는 중심점들을 초기화할 수 있다. 예시적으로, 체질 분류 벡터는 사용자의 체질 정보에 기반하여 계산된 태양인, 태음인, 소양인 및 소음인 각각에 대한 가중치의 총합을 나타낼 수 있다.
단계(220)에서 컴퓨팅 장치는 k 개의 클러스터 각각의 중심점들에 기초하여 각각의 체질 분류 벡터들을 상기 k 개의 클러스터 중 어느 하나로 재할당할 수 있다. 예시적으로, 상기 k 개의 클러스터 각각의 중심점들은 단계(210)에서 초기화된 중심점을 나타낼 수 있다. 컴퓨팅 장치는 복수의 사용자들 각각에 대한 체질 분류 벡터가 가장 가까운 중심점을 포함하는 클러스터로 할당되도록 상기 체질 분류 벡터들을 재할당할 수 있다.
단계(230)에서 컴퓨팅 장치는 k 개의 클러스터 각각에 새롭게 재할당된 체질 분류 벡터들을 이용하여 상기 k 개의 클러스터 각각의 중심점을 재선정할 수 있다.
또한, 단계(240)에서 컴퓨팅 장치는 체질 분류 벡터들을 재할당하는 단계의 반복 여부를 결정할 수 있다. 구체적으로, 단계(240)에서 컴퓨팅 장치는 k 개의 클러스터 각각에 상응하는 실루엣(silhouette) 값에 따라 결정될 수 있다. 보다 구체적으로, 컴퓨팅 장치는 아래의 수학식 1을 이용하여 상기 실루엣 값을 결정할 수 있다.
Figure 112020051420794-pat00001
상기 k 개의 클러스터 중 i 번째 클러스터가 선택된 경우, a(i)는 제1 체질 분류 벡터와 동일한 i 번째 클러스터 내에 존재하는 체질 분류 벡터들의 비유사도(dissimilarity) 평균값을 나타낼 수 있다. 더하여, b(i)는 상기 제1 체질 분류 벡터와 상이한 제2 클러스터 내에 존재하는 체질 분류 벡터들의 비유사도 평균의 최소값을 나타낼 수 있다. 보다 구체적으로, a(i) 및 b(i) 각각은 유클리드 거리(Euclidean Distance)에 기초하여 계산될 수 있다. 컴퓨팅 장치는 계산된 실루엣 값이 미리 지정된 임계치 이상이 되는 경우에, 사용자들의 체질 분류 벡터의 클러스터링이 적절하게 수행되었다고 판단하여 상기 재할당하는 단계의 반복을 중지할 수 있다.
이에 따라, 컴퓨팅 장치는 k 개의 사용자 그룹 각각의 클러스터의 중심점과 상기 사용자의 체질 분류 벡터의 유클리드 거리(Euclidean Distance)를 비교함으로써, 특정한 사용자의 체질 분류 벡터로부터 중심점이 가장 가깝게 위치하는 사용자 그룹을 매칭 사용자 그룹으로 결정할 수 있다. 또한, 컴퓨팅 장치는 특정한 사용자 그룹을 매칭 사용자 그룹으로 할당할 수 있다. 이에 따라, 매칭 사용자 그룹의 중심점은 앞서 기재한 원리에 기반하여 재선정될 수 있다.
도 3은 일 실시 예에 따라 음료 추천 모델을 생성하는 과정을 설명하는 흐름도이다. 도 3을 참조하면, 사용자의 체질 분류 벡터에 기반하여 음료 추천 방법을 실행하는 컴퓨터 장치가 랜덤 포레스트 기법에 기반하여 음료 추천 모델을 생성하는 방법(300)이 도시된다. 랜덤 포레스트 기법에 기반하여 음료 추천 모델을 생성하는 방법(300)은 사용자가 할당된 매칭 사용자 그룹에 포함되는 체질 분류 벡터 내에서 임의적으로 n(n은 자연수) 개의 체질 분류 벡터를 선택하는 단계(310), n 개의 체질 분류 벡터에 연관되는 음료 후기 데이터 중 d(d는 자연수) 개의 음료 후기 데이터를 선택하는 단계(320), n 개의 체질 분류 벡터를 입력 데이터로 이용하고, d 개의 음료 후기 데이터의 조합을 분기점으로 이용하여, 음료 집합을 분류하기 위한 의사결정트리를 생성하는 단계(330), 의사결정트리를 생성하는 단계들(310, 320, 330)을 m(m은 자연수) 회 반복함으로써 m 개의 의사결정트리를 생성하는 단계(340) 및 m 개의 의사결정트리 중 n 개의 체질 분류 벡터가 음료 집합에 대해 미리 부여된 선호도를 기준으로 가장 높은 순도를 갖도록 하는 의사결정트리를 생성하는 단계(350)를 포함할 수 있다.
기계 학습(machine learning)에서의 랜덤 포레스트(random forest)는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로서, 훈련 과정에서 구성한 다수의 결정 트리로부터 분류 또는 평균 예측치를 출력함으로써 동작한다. 구체적으로, 랜덤 포레스트는 여러 개의 결정 트리들을 임의적으로 학습하는 방식의 앙상블 방법이다. 랜덤 포레스트 방법은 크게 다수의 결정 트리를 구성하는 학습 단계와, 입력 벡터가 들어왔을 때 분류하거나 예측하는 테스트 단계로 구성되어 있다. 랜덤 포레스트는 검출, 분류, 그리고 회귀 등 다양한 애플리케이션으로 활용되고 있다.
랜덤 포레스트의 기술적인 특징은 임의성(randomness)에 의해 서로 조금씩 다른 특성을 갖는 트리들로 구성된다는 점이다. 이 특징은 각각의 트리들의 예측(prediction)들이 비상관화(decorrelation) 되게 하며, 결과적으로 일반화(generalization) 성능을 향상시킨다. 또한, 임의화(randomization)는 포레스트가 노이즈가 포함된 데이터에 대해서도 강인하게 만들어 준다. 임의화는 각각의 트리들의 훈련 과정에서 진행되며, 가장 널리 쓰이는 두 가지 방법으로는 임의 학습 데이터 추출 방법을 이용한 앙상블 학습법인 배깅(bagging)과 임의 노드 최적화(randomized node optimization)가 있다. 이 두 가지 방법은 서로 동시에 사용되어 임의화 특성을 더욱 증진시킬 수 있다.
단계(310)에서 컴퓨팅 장치는 사용자가 할당된 매칭 사용자 그룹에 포함되는 체질 분류 벡터 내에서 임의적으로 n(n은 자연수) 개의 훈련 데이터를 선택할 수 있다. 예시적으로, 매칭 사용자 그룹 내에는 체질 분류 벡터에 기반하여 N(N은 자연수) 명의 사용자가 할당된 경우가 있을 수 있다. 이 경우에, 컴퓨팅 장치는 매칭 사용자 그룹에 포함되는 사용자들 중에서 중복을 허용하여 임의적으로 n 개의 체질 분류 벡터를 선택할 수 있다. 예시적으로, 매칭 사용자 그룹 내에 10 명의 체질 분류 벡터가 저장되고 n이 5로 결정된 경우에, 컴퓨팅 장치는 중복을 허용하여 제1 사용자의 체질 분류 벡터를 2 개 선택하고, 제2 사용자의 체질 분류 벡터를 1 개 선택하는 방식도 구현 가능할 것이다. 이런 방식에 따라, 음료를 추천하는 컴퓨팅 장치는 중복을 허용하여 임의적으로 체질 분류 벡터를 선택함으로써 의사결정트리를 생성하는 과정에서 충분한 개수의 학습 데이터를 제공할 뿐만 아니라, 모집단인 사용자 그룹 내에서 임의적으로 표본을 복원 추출하는 방식으로 모집단의 특성값이 보다 잘 반영된 의사결정트리를 최종적으로 생성하는 효과를 제공할 수 있다.
단계(320)에서 컴퓨팅 장치는 n 개의 체질 분류 벡터에 연관되는 음료 후기 데이터 중 d(d는 자연수) 개의 음료 후기 데이터를 선택할 수 있다. 이 경우에, 컴퓨팅 장치는 n 개의 체질 분류 벡터 각각에 따라 매칭되는 음료 후기 데이터 중 중복을 허용하지 않고 임의적으로 d 개의 음료 후기 데이터를 선택할 수 있다. 예시적으로, d가 3인 경우에, 컴퓨팅 장치는 음료를 마신 뒤의 수면 패턴 변화량, 음료를 마신 뒤의 땀 분비 변화량, 음료를 마신 뒤의 부작용 정도 및 음료를 마신 뒤의 소화 정도, 음료의 향, 음료에 대한 선호도 등을 포함하는 음료 후기 데이터 내에서 3 개의 음료 후기 데이터를 임의적으로 선택할 수 있다.
단계(330)에서 컴퓨팅 장치는 단계(310)에 따른 n 개의 체질 분류 벡터를 입력 데이터로 이용하고, 단계(320)에 따른 d 개의 음료 후기 데이터의 조합을 분기점으로서 이용하여, 상기 n 개의 체질 분류 벡터에 대응하는 음료 집합을 분류하기 위한 의사결정트리를 생성할 수 있다. 의사결정트리가 생성되는 과정은 기술 분야의 전문가에게는 자명한 사항이므로 중복되는 설명은 생략하기로 한다.
단계(340)에서 컴퓨팅 장치는 단계(310), 단계(320) 및 단계(330)를 m(m는 자연수) 회 반복함으로써 m 개의 의사결정트리를 생성할 수 있다. 또한, 프로세서는 단계(350)에서 m 개의 의사결정트리 중 n 개의 체질 분류 벡터가 음료 집합에 대해 미리 부여된 선호도를 기준으로 가장 높은 순도(purity)를 갖도록 분류하는 의사결정트리를 음료 추천 모델로 생성할 수 있다. 이에 따라, 컴퓨팅 장치는 생성된 음료 추천 모델에 사용자의 체질 분류 벡터를 입력함으로써 사용자에 대한 적어도 하나의 음료를 출력할 수 있다.
도 4는 일 실시 예에 따라 컴퓨팅 장치가 음료를 추천하는 과정을 설명하는 예시도이다. 도 4를 참조하면, 컴퓨팅 장치가 특정 사용자의 사상체질에 따라 음료를 추천하는 디스플레이 화면(400)이 도시된다. 예시적으로, 컴퓨팅 장치는 인공신경망을 통해 생성된 음료 추천 모델에 사용자 "SJLEE"의 체질 분류 벡터를 입력함으로써 적어도 하나의 추천 음료를 출력할 수 있다.
예시적으로, 컴퓨팅 장치는 특정한 사용자의 체질 분류 벡터에 따른 체질 정보(410)들을 화면에 출력함으로써 사용자가 자신의 체질정보를 직관적으로 이해할 수 있는 요약 정보를 제공할 수 있다. 또한, 컴퓨팅 장치는 사상체질을 인공신경망에 적용함으로써 도출되는 음료 추천 정보(420)를 출력할 수 있다. 예시적으로, 음료 추천 정보(420)는 체질 분류 벡터에 기반하여 생성되는 강력 추천 음료, 보통 추천 음료와 비추천 음료를 포함할 수 있다.
상술한 바와 같이 사용자의 체질 분류 벡터를 고려하여 매칭 사용자 그룹을 추출하고 이에 기반하여 사용자에게 음료를 추천함으로써 사용자에게 부작용이 있을 수 있는 음료의 추천 가능성을 줄일 수 있다. 예를 들어, 단순히 사용자의 사상 체질을 하나로 정의하는 경우 사용자가 태양인, 태음인, 소양인, 소음인 중 하나로 분류될 수 있다. 예를 들어, 사용자가 태양인으로 분류되어 태양인에 대한 추천차를 모두 추천하게 되면 사용자의 소음인 가중치가 낮음에도 불구하고 태양인에게 추천하는 차와 소음인에게 추천하는 차의 교집합 안에 있는 차를 사용자에게 추천할 가능성이 있다. 하지만, 상술한 바와 같이 사용자의 체질 분류 벡터를 추출하고 이에 기반하여 매칭 사용자 그룹의 후기 정보를 이용하면, 사용자에게 부작용이 있는 차를 추출할 가능성이 줄어들 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 (9)

  1. 사용자의 체질을 설명하는 체질 분류 벡터에 기반한 음료 추천 방법에 있어서,
    (a) 컴퓨팅 장치가, 상기 사용자에 관한 체질 정보를 획득하는 단계;
    (b) 상기 컴퓨팅 장치가, 상기 체질 정보에 포함되는 각각의 파라미터와 상기 각각의 파라미터 별로 정의되는 체질 별 가중치에 따라 상기 사용자의 체질 분류 벡터를 계산하는 단계;
    (c) 상기 컴퓨팅 장치가, 상기 사용자의 체질 분류 벡터를 이용하여 임의의 k - 단, k 는 자연수임 - 개의 사용자 그룹 중 하나로 상기 사용자를 할당하는 단계;
    (d) 상기 컴퓨팅 장치가, 미리 학습된 인공신경망을 이용하여 상기 사용자가 할당된 매칭 사용자 그룹과 임계치 이상의 상관 계수(correlation coefficient)를 갖는 음료 후기 데이터를 선택하는 단계; 및
    (e) 상기 컴퓨팅 장치가, 상기 음료 후기 데이터를 이용하여 상기 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 출력하는 단계
    를 포함하고,
    상기 (b) 단계는,
    (b1) 상기 체질 정보에 포함되는 제1 파라미터가, 태양인에 연관되는 정도를 나타내는 제1-1 가중치, 태음인에 연관되는 정도를 나타내는 제1-2 가중치, 소양인에 연관되는 정도를 나타내는 제1-3 가중치 및 소음인에 연관되는 정도를 나타내는 제1-4 가중치를 계산하는 단계; 및
    (b2) 상기 체질 정보에 포함되는 복수의 파라미터들에 대해, 태양인에 연관되는 가중치들의 총합, 태음인에 연관되는 가중치들의 총합, 소양인에 연관되는 가중치들의 총합 및 소음인에 연관되는 가중치들의 총합을 이용하여 상기 사용자의 체질 분류 벡터를 계산하는 단계
    를 더 포함하고,
    상기 (c) 단계는,
    상기 k 개의 사용자 그룹 각각의 클러스터의 중심점과 상기 사용자의 체질 분류 벡터의 유클리드 거리(Euclidean Distance)를 비교함으로써, 상기 사용자를 매칭 사용자 그룹으로 할당하는 단계
    를 포함하고,
    상기 임의의 k 개의 사용자 그룹은,
    상기 컴퓨팅 장치가, 복수의 사용자들을 각각의 체질 분류 벡터에 따라 임의의 k 개의 클러스터로 할당하고, 상기 k 개의 클러스터 각각의 중심점에 기초하여 각각의 체질 분류 벡터를 상기 k 개의 클러스터 중 어느 하나로 재할당하고, 상기 체질 분류 벡터가 재할당된 k 개의 클러스터 각각의 중심점들을 다시 계산하고, 상기 체질 분류 벡터의 재할당의 반복 여부를 결정함으로써 생성되고,
    상기 (d) 단계는,
    (d1) 상기 사용자가 할당된 매칭 사용자 그룹에 포함되는 체질 분류 벡터 내에서 임의적으로 n(n은 자연수) 개의 체질 분류 벡터를 선택하는 단계;
    (d2) 상기 n 개의 체질 분류 벡터에 연관되는 음료 후기 데이터 중 d(d는 자연수) 개의 음료 후기 데이터를 선택하는 단계;
    (d3) 상기 n 개의 체질 분류 벡터를 입력 데이터로 이용하고 상기 d 개의 음료 후기 데이터의 조합을 분기점으로서 이용하여, 상기 n 개의 체질 분류 벡터에 대응하는 음료 집합을 분류하기 위한 의사결정트리를 생성하는 단계;
    (d4) 상기 (d1) 단계, 상기 (d2) 단계 및 상기 (d3) 단계를 m(m은 자연수) 회 반복함으로써 m 개의 의사결정트리를 생성하는 단계; 및
    (d5) 상기 m 개의 의사결정트리 중 상기 n 개의 체질 분류 벡터가 상기 음료 집합에 대해 미리 부여된 선호도를 기준으로 가장 높은 순도(purity)를 갖도록 분류하는 의사결정트리를 상기 음료 추천 모델로 생성하는 단계;
    를 더 포함하고,
    상기 (e) 단계는,
    상기 생성된 음료 추천 모델에 상기 사용자의 체질 분류 벡터를 입력함으로써 상기 사용자에 대한 적어도 하나의 음료를 출력하는 단계
    를 포함하는 음료 추천 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 n 개의 체질 분류 벡터에 연관되는 음료 후기 데이터는,
    음료를 마신 뒤의 수면 패턴 변화량, 음료를 마신 뒤의 땀 분비 변화량, 음료를 마신 뒤의 부작용 정도 및 음료를 마신 뒤의 소화 정도 중 적어도 하나를 포함하는 음료 추천 방법.
  6. 제5항에 있어서,
    상기 컴퓨팅 장치가, 상기 사용자의 체질 분류 벡터, 상기 사용자의 위치 정보 및 상기 사용자의 음료 후기 데이터를 이용하여 적어도 하나의 추천 한의원을 출력하는 단계
    를 더 포함하는 음료 추천 방법.
  7. 제5항에 있어서,
    상기 컴퓨팅 장치가, 상기 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료를 판매하는 판매자 정보를 제공하는 단계를 더 포함하며,
    상기 판매자 정보는 상기 매칭 사용자 그룹이 상기 판매자에 대해 생성한 음료 후기 데이터에 기반하여 생성되고,
    상기 판매자 정보는 상기 판매자가 운영하는 사업장의 사진, 상기 판매자가 생산하는 음료의 원산지, 상기 판매자가 운영하는 사업장의 위생 및 상기 판매자가 운영하는 사업장에서 생산하는 음료 제품 정보를 포함하는 음료 추천 방법.
  8. 제5항에 있어서,
    상기 컴퓨팅 장치가, 제1 사용자의 단말로부터 제2 사용자에 대한 음료 선물 요청을 수신하는 단계; 및
    상기 컴퓨팅 장치가, 상기 (a) 내지 (e) 단계의 수행에 의해 결정된 제2 사용자의 체질 분류 벡터에 대응하는 적어도 하나의 음료에 대한 정보를 포함하는 선물 추천 정보를 상기 제1 사용자의 단말에게 제공하는 단계를 더 포함하는 음료 추천 방법.
  9. 컴퓨터 장치로 하여금, 제1항 및 제5항 내지 제8항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
KR1020200061050A 2020-05-21 2020-05-21 인공신경망을 이용한 음료 추천 장치 및 방법 KR102191649B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200061050A KR102191649B1 (ko) 2020-05-21 2020-05-21 인공신경망을 이용한 음료 추천 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200061050A KR102191649B1 (ko) 2020-05-21 2020-05-21 인공신경망을 이용한 음료 추천 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102191649B1 true KR102191649B1 (ko) 2020-12-16

Family

ID=74042060

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200061050A KR102191649B1 (ko) 2020-05-21 2020-05-21 인공신경망을 이용한 음료 추천 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102191649B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102320393B1 (ko) * 2021-05-03 2021-11-02 웍스컴바인(주) 빅데이터에 기반한 고객 그룹 클러스터링 장치 및 방법
KR102469679B1 (ko) * 2022-02-10 2022-11-23 허선주 인공지능 기반의 맞춤형 음식 추천 방법 및 장치
KR102502135B1 (ko) * 2022-02-14 2023-02-23 주식회사 케이웨딩컴퍼니 구매 이벤트를 추천하는 인공지능 플래너를 실행하는 컴퓨팅 장치
KR20230069698A (ko) 2021-11-12 2023-05-19 고려대학교 산학협력단 운동 선수를 대상으로 한 보충 영양소 추천 장치 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090120819A (ko) 2008-05-20 2009-11-25 (주)한국산업재산평가원 체질분석/체질선택에 따른 추천음식주문시스템 및 그 방법
KR20140148130A (ko) * 2013-06-21 2014-12-31 동아대학교 산학협력단 개인별 메뉴추천 시스템 및 방법
KR20150112234A (ko) * 2014-03-27 2015-10-07 주식회사 씨디에스 헬스케어-자기관리 시스템 및 그 운영방법
KR20160040893A (ko) * 2014-10-06 2016-04-15 한국 한의학 연구원 체형 분석 장치 및 방법
KR20190103838A (ko) * 2018-02-28 2019-09-05 경희대학교 산학협력단 음식 아이템의 추천 방법
KR20200054592A (ko) * 2018-11-12 2020-05-20 박성용 사용자 위치와 정보를 기반으로 한 개인별 맛집 추천 시스템 및 방법.

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090120819A (ko) 2008-05-20 2009-11-25 (주)한국산업재산평가원 체질분석/체질선택에 따른 추천음식주문시스템 및 그 방법
KR20140148130A (ko) * 2013-06-21 2014-12-31 동아대학교 산학협력단 개인별 메뉴추천 시스템 및 방법
KR20150112234A (ko) * 2014-03-27 2015-10-07 주식회사 씨디에스 헬스케어-자기관리 시스템 및 그 운영방법
KR20160040893A (ko) * 2014-10-06 2016-04-15 한국 한의학 연구원 체형 분석 장치 및 방법
KR20190103838A (ko) * 2018-02-28 2019-09-05 경희대학교 산학협력단 음식 아이템의 추천 방법
KR20200054592A (ko) * 2018-11-12 2020-05-20 박성용 사용자 위치와 정보를 기반으로 한 개인별 맛집 추천 시스템 및 방법.

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102320393B1 (ko) * 2021-05-03 2021-11-02 웍스컴바인(주) 빅데이터에 기반한 고객 그룹 클러스터링 장치 및 방법
KR20230069698A (ko) 2021-11-12 2023-05-19 고려대학교 산학협력단 운동 선수를 대상으로 한 보충 영양소 추천 장치 및 방법
KR102469679B1 (ko) * 2022-02-10 2022-11-23 허선주 인공지능 기반의 맞춤형 음식 추천 방법 및 장치
KR102502135B1 (ko) * 2022-02-14 2023-02-23 주식회사 케이웨딩컴퍼니 구매 이벤트를 추천하는 인공지능 플래너를 실행하는 컴퓨팅 장치

Similar Documents

Publication Publication Date Title
KR102191649B1 (ko) 인공신경망을 이용한 음료 추천 장치 및 방법
Weng et al. Prediction of premature all-cause mortality: A prospective general population cohort study comparing machine-learning and standard epidemiological approaches
US10817778B2 (en) Customized cooking utilizing deep learning neuromorphic computing of hyperspectral input
US9916612B2 (en) User-state mediated product selection
US9449077B2 (en) Recommendation system based on group profiles of personal taste
CN104994747B (zh) 用于提供风味建议和增强的系统和方法
WO2020210543A1 (en) Method and system for optimized foods using biomarker data and fitting models
CN108648059B (zh) 订单推荐方法及装置
EP1367534A2 (en) Method involving artificial intelligence
KR102275703B1 (ko) 건강기능식품 추천 방법, 장치, 및 시스템
CN108573740A (zh) 信息提示系统和信息提示系统的控制方法
CN107679951A (zh) 一种辅助点菜的方法和设备
US20210057077A1 (en) Systems and methods for arranging transport of adapted nutrimental artifacts with user-defined restriction requirements using artificial intelligence
CN115280422A (zh) 食物推荐方法、装置、存储介质及电子设备
Morol et al. Food recipe recommendation based on ingredients detection using deep learning
CN106027585A (zh) 食品推荐方法及装置
KR20200065661A (ko) 제품 추천 지원시스템 및 이를 수행하기 위한 컴퓨팅 장치
KR20220011867A (ko) 농특산물 거래 제공 장치 및 방법
Nirmal et al. Optimization framework for flavour and nutrition balanced recipe: A data driven approach
US9201968B2 (en) System and method for finding mood-dependent top selling/rated lists
Shively et al. Dietary diversity in Nepal: a latent class approach
US10832172B1 (en) Systems and methods for arranging transport of adapted nutrimental artifacts with user-defined restriction requirements using artificial intelligence
An et al. We got nuts! use deep neural networks to classify images of common edible nuts
WO2013142270A1 (en) System and method for analyzing and predicting consumer behavior
Malathi et al. Rating-based Restaurant and Food Recommendation System using Nearest Neighbor Algorithm

Legal Events

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