KR102211650B1 - 인공지능 기반 상품 추천 방법 및 그 시스템 - Google Patents

Abstract

인공지능 기반 상품 추천 방법 및 그 시스템이 개시된다. 상품 추천 방법 및 그 시스템은, 어울리는 상품 세트와 어울리지 않는 상품 세트를 이용한 DNN 학습 모델을 통해 상품 간 어울림 정도에 기초하여 주어진 상품과 어울리는 상품을 추천하거나, GAN을 이용한 생성 모델을 기반으로 주어진 상품에 대해 실제 코디 세트와 유사한 코디 세트의 상품을 추천할 수 있다.

Description

인공지능 기반 상품 추천 방법 및 그 시스템{METHOD AND SYSTEM FOR RECOMMENDING PRODUCT BASED ON ARTIFICIAL INTELLIGENCE}

아래의 설명은 주어진 상품에 대해 어울리는 상품을 자동 추천하는 기술에 관한 것이다.

패션 코디네이터 시스템은 사용자가 착용하기 원하는 의복을 하나 선택하면 그에 적합한 다른 의복을 선택하도록 도와주는 시스템으로 상품이나 서비스를 추천하기 위한 시스템의 일종이다.

상품이나 서비스를 추천하기 위한 시스템은 크게 사용자들 간의 유사도를 활용한 협력적 필터링(Collaborative filtering) 방식과 상품 및 사용자의 특성 값을 활용하는 내용기반 필터링(Content-based filtering) 방식 등으로 구분된다.

예컨대, 한국등록특허 제10-0882716호(등록일 2009년 02월 02일)에는 사용자 단말기에 설치된 정보 추천 에이전트에서 인식한 상품의 상품 코드, 상품명 또는 모델명 등을 이용하여 상품에 대한 상품 정보를 자동으로 추천하는 기술이 개시되어 있다.

인공지능(artificial intelligence) 기반 상품 코디네이터 기능을 제공할 수 있는 방법 및 시스템을 제공한다.

어울리는 상품 세트와 어울리지 않는 상품 세트를 이용한 DNN(deep neural network) 학습 모델을 통해 상품 간 어울림 정도에 기초하여 주어진 상품과 어울리는 상품을 추천할 수 있는 방법 및 시스템을 제공한다.

생성 모델(generative model)을 기반으로 주어진 상품에 대해 실제 코디 세트와 유사한 코디 세트의 상품을 추천할 수 있는 방법 및 시스템을 제공한다.

컴퓨터로 구현되는 상품 추천 방법에 있어서, 어울리는 상품 이미지로 이루어진 정답 이미지 세트를 수집하는 단계; 어울리지 않는 상품 이미지로 이루어진 오답 이미지 세트를, 상기 정답 이미지 세트에 기초하여 수집하는 단계; 상기 정답 이미지 세트와 상기 오답 이미지 세트에 대해 DNN(deep neural network) 기반의 기계학습을 수행하여 상품 추천 모델을 구축하는 단계; 및 주어진 상품에 대해 상기 상품 추천 모델을 통해 해당 상품과 어울리는 상품을 추천하는 단계를 포함하고, 상기 DNN은 두 개의 상품 이미지를 입력으로 받아 어울림 정도를 출력하는 모델인 것을 특징으로 하는 상품 추천 방법을 제공한다.

일 측면에 따르면, 상기 정답 이미지 세트를 수집하는 단계는, 복수 개의 상품이 포함된 이미지로부터 개별 상품 이미지를 인식하여 어울리는 상품 이미지 세트로 구성할 수 있다.

다른 측면에 따르면, 상기 오답 이미지 세트를, 상기 정답 이미지 세트에 기초하여 수집하는 단계는, 임의 상품 이미지에 대하여, 상기 임의 상품 이미지가 포함된 정답 이미지 세트에서의 다른 상품 이미지, 상기 다른 상품 이미지의 유사 상품 이미지, 상기 임의 상품 이미지의 유사 상품 이미지가 포함된 정답 이미지 세트에서의 또 다른 상품 이미지, 상기 또 다른 상품 이미지의 유사 상품 이미지를 제외한 적어도 일부 상품 이미지를 어울리지 않는 상품 이미지 세트로 구성할 수 있다.

또 다른 측면에 따르면, 상기 구축하는 단계는, 상기 DNN 모델에 대하여, 이미지에서 추출된 특성을 벡터화하여 다차원 벡터 공간에 매핑하되 상기 정답 이미지 세트의 경우 이미지 벡터 간의 거리를 가까워지게, 상기 오답 이미지 세트의 경우 이미지 벡터 간의 거리를 멀어지게 학습할 수 있다.

컴퓨터로 구현되는 상품 추천 방법에 있어서, 어울리는 상품 이미지로 이루어진 정답 이미지 세트를 수집하는 단계; 및 상기 정답 이미지 세트를 학습하여 생성 모델(generative model) 기반의 상품 추천 모델을 구축하는 단계를 포함하고, 상기 상품 추천 모델은 상품 이미지를 입력으로 받아 상기 입력된 상품과 어울리는 다른 상품의 특성에 대한 정보를 생성하고, 상기 생성된 특성과 유사한 상품을 추천 상품으로 결정하는 것을 특징으로 하는 상품 추천 방법을 제공한다.

일 측면에 따르면, 상기 수집하는 단계는, 복수 개의 상품이 포함된 이미지로부터 개별 상품 이미지를 인식하여 어울리는 상품 이미지 세트로 구성할 수 있다.

다른 측면에 따르면, 상기 구축하는 단계는, 상기 생성 모델로서 인코더-디코더 모델(encoder-decoder model)을 이용하여 상기 정답 이미지 세트를 학습하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 구축하는 단계는, 상기 생성 모델을 고도화 하기 위하여 생성 결과의 진위 여부를 학습하는 판별 모델을 함께 학습하며, 상기 판별 모델은 코디 세트들이 축적된 DB를 이용하여 주어진 이미지 세트가 상기 생성 모델의 결과로 생성된 것인지 상기 DB 상의 실제 코디 세트에 해당되는지 판별할 수 있다.

또 다른 측면에 따르면, 상기 구축하는 단계는, 상기 생성 모델로서 조건부 분산 분포(conditional variational distribution)를 가지는 모델인 VAE(variational auto-encoder)를 이용하여 상기 정답 이미지 세트를 학습하는 단계를 포함할 수 있다.

컴퓨터와 결합되어 상기 상품 추천 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

상기 상품 추천 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체를 제공한다.

컴퓨터로 구현되는 상품 추천 시스템에 있어서, 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 어울리는 상품 이미지로 이루어진 정답 이미지 세트를 수집하고, 어울리지 않는 상품 이미지로 이루어진 오답 이미지 세트를, 상기 정답 이미지 세트에 기초하여 수집하는 이미지 수집부; 상기 정답 이미지 세트와 상기 오답 이미지 세트에 대해 DNN(deep neural network) 기반의 기계학습을 수행하여 상품 추천 모델을 구축하는 학습 처리부; 및 주어진 상품에 대해 상기 상품 추천 모델을 통해 해당 상품과 어울리는 상품을 추천하는 상품 추천부를 포함하고, 상기 DNN은 두 개의 상품 이미지를 입력으로 받아 어울림 정도를 출력하는 모델인 것을 특징으로 하는 상품 추천 시스템을 제공한다.

컴퓨터로 구현되는 상품 추천 시스템에 있어서, 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 어울리는 상품 이미지로 이루어진 정답 이미지 세트를 수집하는 이미지 수집부; 및 상기 정답 이미지 세트를 학습하여 생성 모델(generative model) 기반의 상품 추천 모델을 구축하는 학습 처리부를 포함하고, 상기 상품 추천 모델은 상품 이미지를 입력으로 받아 상기 입력된 상품과 어울리는 다른 상품의 특성에 대한 정보를 생성하고, 상기 생성된 특성과 유사한 상품을 추천 상품으로 결정하는 것을 특징으로 하는 상품 추천 시스템을 제공한다.

본 발명의 실시예들에 따르면, 어울리는 상품 세트와 어울리지 않는 상품 세트를 이용한 DNN 학습 모델을 통해 상품 간 어울림 정도에 기초하여 주어진 상품과 어울리는 상품을 추천할 수 있다.

본 발명의 실시예들에 따르면, 생성 모델을 이용한 코디 추천에 있어 GAN을 이용한 생성 모델의 고도화를 통해 주어진 상품에 대해 실제 코디 세트와 유사한 코디 세트의 상품을 추천할 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서, 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 4는 본 발명의 제1 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법을 도시한 도면이다.
도 5는 정답 이미지 세트를 수집하는 과정을 설명하기 위한 예시 도면이다.
도 6은 오답 이미지 세트를 수집하는 과정을 설명하기 위한 예시 도면이다.
도 7은 본 발명의 제1 실시예에 따른 DNN 기반의 상품 추천 모델을 도시한 예시 도면이다.
도 8은 본 발명의 제2 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법을 도시한 도면이다.
도 9는 본 발명의 제2 실시예에 따른 생성 모델 기반의 상품 추천 모델을 도시한 예시 도면이다.
도 10은 본 발명의 제2 실시예에 따른 생성 모델을 GAN 학습 기법을 통해 고도화하는 과정을 설명하기 위한 예시 도면이다.
도 11은 본 발명의 제2 실시예에 따른 생성 모델을 레이어 정교화를 통해 고도화하는 과정을 설명하기 위한 예시 도면이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들은 주어진 상품에 대해 어울리는 상품을 자동 추천하는 기술에 관한 것이다.

본 발명의 실시예들에 따른 상품 추천 방법은 이후 설명될 전자 기기나 서버와 같은 컴퓨터 장치를 통해 수행될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 일실시예에 따른 상품 추천 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 상품 추천 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다. 예를 들어, 서버는 상품 정보를 제공하는 서버 역할을 하며, 특히 인공지능 기반의 상품 코디네이터로서 주어진 상품에 대해 해당 상품과 어울리는 상품을 자동 추천할 수 있다. 실시예에 따라 전자 기기가 상품 코디네이터 기능을 수행하는 것 역시 고려될 수 있다.

이하에서는 패션 코디 추천 모델에 대한 구체적인 실시예를 설명하나 이에 한정되는 것은 아니며, 본 발명의 실시예들은 패션 코디네이션 이외에도 공간 코디네이션, 홈 코디네이션, 푸드 코디네이션, 칼라 코디네이션 등 다양한 코디 추천 모델에 적용 가능하다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등이 있다. 일례로 도 1에서는 전자 기기 1(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기 1(110)은 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제1 서비스를 제공하는 시스템일 수 있으며, 서버(160) 역시 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제2 서비스를 제공하는 시스템일 수 있다. 보다 구체적인 예로, 서버(150)는 복수의 전자 기기들(110, 120, 130, 140)에 설치되어 구동되는 컴퓨터 프로그램으로서의 어플리케이션을 통해, 해당 어플리케이션이 목적하는 서비스(일례로, 상품 추천 서비스 등)를 제1 서비스로서 복수의 전자 기기들(110, 120, 130, 140)로 제공할 수 있다. 다른 예로, 서버(160)는 상술한 어플리케이션의 설치 및 구동을 위한 파일을 복수의 전자 기기들(110, 120, 130, 140)로 배포하는 서비스를 제2 서비스로서 제공할 수 있다.

도 2는 본 발명의 일실시예에 있어서, 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 도 2에서는 전자 기기에 대한 예로서 전자 기기 1(110), 그리고 서버(150)의 내부 구성을 설명한다. 또한, 다른 전자 기기들(120, 130, 140)이나 서버(160) 역시 상술한 전자 기기 1(110) 또는 서버(150)와 동일한 또는 유사한 내부 구성을 가질 수 있다.

전자 기기 1(110)과 서버(150)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함할 수 있다. 메모리(211, 221)는 비-일시적인 컴퓨터 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(211, 221)와는 구분되는 별도의 영구 저장 장치로서 전자 기기 1(110)이나 서버(150)에 포함될 수도 있다. 또한, 메모리(211, 221)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 전자 기기 1(110)에 설치되어 구동되는 브라우저나 특정 서비스의 제공을 위해 전자 기기 1(110)에 설치된 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로, 상술한 서버(160))이 네트워크(170)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(211, 221)에 로딩될 수 있다.

프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈(213, 223)은 네트워크(170)를 통해 전자 기기 1(110)과 서버(150)가 서로 통신하기 위한 기능을 제공할 수 있으며, 전자 기기 1(110) 및/또는 서버(150)가 다른 전자 기기(일례로 전자 기기 2(120)) 또는 다른 서버(일례로 서버(160))와 통신하기 위한 기능을 제공할 수 있다. 일례로, 전자 기기 1(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(213)의 제어에 따라 네트워크(170)를 통해 서버(150)로 전달될 수 있다. 역으로, 서버(150)의 프로세서(222)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(223)과 네트워크(170)를 거쳐 전자 기기 1(110)의 통신 모듈(213)을 통해 전자 기기 1(110)로 수신될 수 있다. 예를 들어 통신 모듈(213)을 통해 수신된 서버(150)의 제어 신호나 명령, 컨텐츠, 파일 등은 프로세서(212)나 메모리(211)로 전달될 수 있고, 컨텐츠나 파일 등은 전자 기기 1(110)이 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

입출력 인터페이스(214)는 입출력 장치(215)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드, 마우스, 마이크로폰, 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(215)는 전자 기기 1(110)과 하나의 장치로 구성될 수도 있다. 또한, 서버(150)의 입출력 인터페이스(224)는 서버(150)와 연결되거나 서버(150)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 보다 구체적인 예로, 전자 기기 1(110)의 프로세서(212)가 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(150)나 전자 기기 2(120)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다.

또한, 다른 실시예들에서 전자 기기 1(110) 및 서버(150)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 전자 기기 1(110)은 상술한 입출력 장치(215) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 전자 기기 1(110)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 전자 기기 1(110)에 더 포함되도록 구현될 수 있다.

이하에서는 인공지능 기반 상품 추천 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.

도 3은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이다.

본 실시예에 따른 서버(150)에는 상품 추천 시스템이 구성될 수 있다. 상품 추천 시스템은 DNN과 GAN을 이용한 이미지 학습을 통해 주어진 상품에 대해 어울리는 상품을 자동으로 찾아줄 수 있다.

이하에서 설명하게 될 상품 추천 방법을 수행하기 위해, 서버(150)의 프로세서(222)는 구성요소로서 도 3에 도시된 바와 같이, 이미지 수집부(310), 학습 처리부(320), 및 상품 추천부(330)를 포함할 수 있다. 실시예에 따라 프로세서(222)의 구성요소들은 선택적으로 프로세서(222)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(222)의 구성요소들은 프로세서(222)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.

이러한 프로세서(222) 및 프로세서(222)의 구성요소들은 이하에서 설명하게 될 상품 추천 방법이 포함하는 단계들을 수행하도록 서버(150)를 제어할 수 있다. 예를 들어, 프로세서(222) 및 프로세서(222)의 구성요소들은 메모리(221)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.

여기서, 프로세서(222)의 구성요소들은 서버(150)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(222)에 의해 수행되는 프로세서(222)의 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 서버(150)가 학습 데이터로 활용 가능한 이미지를 수집하도록 상술한 명령에 따라 서버(150)를 제어하는 프로세서(222)의 기능적 표현으로서 이미지 수집부(310)가 이용될 수 있다.

제1 실시예

도 4는 본 발명의 제1 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법을 도시한 흐름도이다.

단계(S410)에서 프로세서(222)는 서버(150)의 제어와 관련된 명령이 로딩된 메모리(221)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(222)가 이후 설명될 단계들(S420 내지 S440)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

단계(S420)에서 이미지 수집부(310)는 정답 학습 데이터로서 어울리는 상품 이미지 세트(이하, '정답 이미지 세트'라 칭함)를 수집하고 오답 학습 데이터로서 어울리지 않는 상품 이미지 세트(이하, '오답 이미지 세트'라 칭함)를 수집할 수 있다. 먼저, 이미지 수집부(310)는 개체 인식(object detection) 기술을 이용하여 한 이미지 내에 복수 개의 상품이 인식된 이미지들을 대량 수집할 수 있다. 예를 들어, 패션 화보나 매거진, 쇼핑몰 등 MD(merchandiser)나 판매자들에 의해 코디된 상품 이미지, 일반 사용자들에 의해 코디 평가 점수가 일정 레벨 이상인 코디 상품 이미지 등을 수집할 수 있으며, 이들 이미지를 정답 학습 데이터를 만들기 위한 정답 코디 이미지로 활용할 수 있다. 이미지 수집부(310)는 앞서 수집된 코디 상품 이미지 별로 해당 이미지에서 개별 상품들을 이미지적으로 복사하거나 잘라내어 복수 개의 상품 이미지를 만들고 이를 정답 이미지 세트로 사용할 수 있다. 기계가 상품 간의 어울림을 학습하기 위해서는 사람과 동일하게 '어울리는 상품'과 '어울리지 않는 상품'의 이미지가 필요하다. 이러한 작업이 논리적으로 이루어지지 않는다면 기계가 '어울리는 상품' 간에도 '어울리지 않는다'고 판단할 수 있다. 따라서, 이미지 수집부(310)는 상품 간의 어울림을 학습하기 위한 데이터로서 정답 이미지 세트와 함께 오답 이미지 세트를 수집할 수 있다. 일례로, 이미지 수집부(310)는 정답 이미지 세트들을 이용하여 정답 이미지 세트와 유사 상품 이미지를 제외한 네가티브 샘플링(negative sampling)을 통해 오답 이미지 세트를 수집할 수 있다.

도 5는 정답 이미지 세트를 수집하는 과정을 설명하기 위한 예시 도면이다.

도 5를 참조하면, 이미지 수집부(310)는 복수의 상품이 코디된 상품 이미지(500)를 획득하게 되는데, 이때 상품 이미지(500) 내에서 인식된 두 객체, 즉 상의와 하의를 서로 '어울리는 상품'으로 정의할 수 있다. 다시 말해, 이미지 수집부(310)는 복수 개의 상품, 예컨대 상의와 하의가 포함된 상품 이미지(500)로부터 상의 이미지(501)와 하의 이미지(502)를 인식하여 정답 이미지 세트로 구성한다. 하나의 코디 상품 이미지를 이용하여 복수 개의 상품 이미지로 이루어진 하나의 정답 이미지 세트를 만들 수 있다. 이러한 방식을 통해 이미지 수집부(310)는 코디 상품 이미지 각각에 대해 어울리는 상품 이미지 세트를 생성함으로써 학습 데이터로 활용하기 위한 정답 이미지 세트들을 축적할 수 있다.

도 6은 오답 이미지 세트를 수집하는 과정을 설명하기 위한 예시 도면이다. 예를 들어, 정답 이미지 세트들이 축적됨에 따라 상의 A에 어울리는 하의 B의 이미지 세트들을 가지고 있다. 이하 설명에서 어울리는 상품은 '>'로 표기하고 유사 상품은 '~'로 표기한다.

도 6은 상의 A0에 어울리지 않는 하의들을 조사하는 과정을 나타내고 있다.

먼저, 단계(S61)에서 이미지 수집부(310)는 상의 A0와 유사한 상품 A1, A2를 찾는다(A0~A1,A2). 유사 상품은 정답 이미지 세트들의 상품 이미지 간 유사도를 바탕으로 찾을 수 있으며, 예를 들어 이미지 분석을 통해 칼라(color), 텍스처(texture), 기타 속성(attribute) 등과 관련된 특징을 추출하여 이를 기초로 상품 이미지 간의 유사도를 판단할 수 있다. 이는 예시적인 것으로 이미지 유사도를 산출하는 방법은 기 공지된 여러 가지 알고리즘 중 적어도 하나를 이용할 수 있다.

다음, 단계(S62)에서 이미지 수집부(310)는 상의 A0가 포함된 정답 이미지 세트에서 하의 B0를 확인하고(A0>B0), 상의 A0와 유사한 상품 A1, A2 각각에 대해서도 해당 유사 상품이 포함된 정답 이미지 세트에서 하의 B1, B2를 확인한다(A1>B1, A2>B2).

이어, 단계(S63)에서 이미지 수집부(310)는 하의 B0, B1, B2 각각에 대하여 유사 상품을 찾는다([B0~B0'], [B1~B1'], [B2~B2',B2"]).

마지막으로, 이미지 수집부(310)는 상의 A0에 대하여 상의 A0와 어울리는 하의는 물론이고, 상의 A0와 유사한 다른 상의와 어울리는 하의, 그리고 이들 하의와 유사한 다른 하의를 모두 상의 A0와 어울린다고 정의하고(A0>B0,B0',B1,B1',B2,B2',B2"), 이를 제외한 상품들은 상의 A0와 어울리지 않는다고 정의한다.

이와 같이, 이미지 수집부(310)는 정답 이미지 세트와 유사 상품 이미지를 제외한 나머지 상품 이미지 중 적어도 일부를 샘플링하여 상의 A0와 어울리지 않는 이미지 세트를 만들 수 있다(negative sampling).

다시 도 4에서, 단계(S430)에서 학습 처리부(320)는 정답 이미지 세트와 오답 이미지 세트를 함께 이용하여 기계학습을 수행함으로써 이미지 간 어울림 학습 결과를 포함한 상품 추천 모델을 구축할 수 있다. 이때, 기계학습은 DNN을 사용하며, 모델의 입력은 어울림 정도를 판단하기 위한 두 개의 상품 이미지이고, 출력은 두 개의 상품 이미지에 대한 어울림 정도를 출력한다. 예를 들어, 도 7을 참조하면 학습 처리부(320)는 상의 이미지(701)와 하의 이미지(702)를 입력으로 하고 각 이미지(701, 702)에서 추출된 특성(feature)을 벡터화하여 상의 이미지 벡터와 하의 이미지 벡터를 다차원 벡터 공간의 벡터로 매핑하되 정답 이미지 세트의 경우 두 이미지 벡터의 거리를 가까워지게, 오답 이미지 세트의 경우 두 이미지 벡터의 거리를 멀어지게 DNN 모델(700)을 학습할 수 있다.

다시 도 4에서 단계(S440)에서 상품 추천부(330)는 주어진 상품에 대해 DNN 기반의 상품 추천 모델을 통해 해당 상품과 어울리는 상품을 자동 추천할 수 있다. 상품 추천부(330)는 새로운 상품 이미지가 입력되면 상품 추천 모델을 통과시켜 해당 상품 이미지와 후보 상품 이미지들 간의 어울림 정도를 모두 계산하여 어울림 정도가 가장 높은 상품을 추천하거나 어울림 정도가 높은 순으로 복수 개의 상품을 추천할 수 있다. 다시 말해, 상품 추천부(330)는 주어진 상품 이미지에서 추출된 특성을 벡터화하여 다차원 벡터 공간의 벡터로 매핑하고 벡터 공간 상의 다른 이미지 벡터와의 거리에 기초하여 어울림 정도를 산출할 수 있고 이러한 어울림 정도에 따라 추천 상품을 제공할 수 있다.

따라서, 본 발명에 따른 상품 추천 방법은 코디 상품의 경우 어울리는 상품으로 이루어져 있다는 가정 하에 한 이미지에서 복수 개의 상품을 인식하여 이를 어울리는 상품 세트로 학습한다. 특히, 어울리는 상품 이미지 세트와 함께 어울리지 않는 상품 이미지 세트를 DNN 방식으로 기계학습을 수행함으로써 어울리는 상품은 물론이고 어울리지 않는 상품을 함께 학습한 모델을 통해 더욱 정확하고 유효한 상품 추천이 가능하다.

제2 실시예

도 8은 본 발명의 제2 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법을 도시한 흐름도이다.

단계(S810)에서 프로세서(222)는 서버(150)의 제어와 관련된 명령이 로딩된 메모리(221)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(222)가 이후 설명될 단계들(S820 내지 S840)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

단계(S820)에서 이미지 수집부(310)는 상품 간의 어울림을 학습하기 위한 데이터로서 어울리는 상품 이미지 세트를 수집할 수 있다. 이미지 수집부(310)는 개체 인식 기술을 이용하여 한 이미지 내에 복수 개의 상품이 인식된 이미지들을 대량 수집할 수 있다. 예를 들어, 패션 화보나 매거진, 쇼핑몰 등 MD나 판매자들에 의해 코디된 상품 이미지, 일반 사용자들에 의해 코디 평가 점수가 일정 레벨 이상인 코디 상품 이미지 등을 수집할 수 있으며, 이들 이미지를 상품 간의 어울림을 학습하기 위한 학습 데이터로 활용할 수 있다. 이미지 수집부(310)는 코디 상품 이미지 각각에 대해 어울리는 상품 이미지 세트를 생성함으로써 학습 데이터로 활용하기 위한 이미지 세트들을 축적할 수 있다. 학습 데이터의 구체적인 수집 과정은 도 5를 통해 설명한 바와 같다.

단계(S830)에서 학습 처리부(320)는 학습 데이터로 수집된 상품 이미지 세트를 학습하여 생성 모델 기반의 상품 추천 모델을 구축할 수 있다. 이때, 상품 추천 모델은 상품 이미지를 입력으로 받아 입력된 상품과 어울리는 다른 상품의 특성에 대한 정보를 생성한 후 생성된 특성과 유사한 상품을 추천 상품으로 결정할 수 있다. 생성 모델은 주어진 상품 이미지에서 추출한 특성을 벡터화하여 이를 입력 벡터로 한다. 이미지 특성 벡터는 미리 학습된 이미지 학습 모델을 통해 임베딩 벡터 형태로 표현될 수 있고 상품 추천 모델의 피처로 활용될 수 있다. 그리고, 생성 모델은 어울릴만한 상품에 대한 특성을 표현한 출력 벡터(output vector)를 도출하여 이를 출력으로 한다. 상기한 상품 추천 모델의 학습 방향은 어울리는 상품 이미지 세트에서 각 상품에 대한 특성 벡터를 추출하여 서로 어울리는 상품 간의 관계를 학습한다.

예를 들면, 도 9에 도시한 바와 같이 기계 번역과 같은 언어 처리 등에서 활용되던 인코더-디코더 모델(encoder-decoder model)을 생성 모델(900)로 이용할 수 있다. 예를 들어, 학습 처리부(320)는 상의 이미지(901)에 해당하는 벡터를 입력 받아 생성 모델(900)을 통해 어울릴만한 하의 이미지(902)의 벡터를 생성하여 이들 벡터들이 벡터 공간에서 가장 가까운 거리를 갖도록 학습한다.

다시 도 8에서, 단계(S840)에서 상품 추천부(330)는 주어진 상품에 대해 생성 모델 기반의 상품 추천 모델을 통해 해당 상품과 어울리는 상품을 자동 추천할 수 있다. 생성 모델 기반의 상품 추천 모델에서는 주어진 상품 이미지의 특성 벡터로부터 해당 상품과 어울릴만한 상품에 대한 특성을 표현한 출력 벡터를 도출하고 도출된 출력 벡터와 후보 상품 이미지들에서 추출된 특성 벡터 간의 거리를 바탕으로, 예를 들어 벡터 간 거리가 가장 가까운 상품 이미지를 추천 상품으로 제공할 수 있다.

더 나아가, 학습 처리부(320)는 생성 모델(900)을 고도화하기 위해 GAN을 이용하여 생성 결과의 진위 여부를 판별하는 판별 모델(discriminator)을 함께 학습할 수 있으며, 이를 대립 학습(adversarial training)이라고도 한다. GAN은 이미지 합성(image synthesis)이나 텍스트-이미지 합성(text-to-image synthesis)과 같은 영상 처리 분야, 기계 언어인지 인간 언어인지 판별하여 대화 성능을 높이는 인공 지능 대화(dialogue) 분야 등에서 주로 이용되고 있으며, 본 발명에서는 상품 추천을 위한 생성 모델의 고도화를 위해 이용한다. 판별 모델은 코디 세트들이 축적된 DB를 이용하여 주어진 이미지 세트가 생성 모델의 결과로 생성된 것인지 DB 상의 실제 코디 세트에 해당되는지 판별할 수 있다. 도 10을 참조하면, 학습 처리부(320)는 어울리는 상품 이미지 세트, 즉 실제 코디 세트(real data)들이 축적된 DB(1010)를 이용하여 주어진 상품 이미지(901)와 생성 모델(900)의 생성 결과인 추천 상품 이미지(902)가 실제 코디 세트인지 기계에 의해 생성된 코디 세트(generated data)인지 진위 여부를 판별하는 판별 모델(1000)을 학습한다.

이러한 GAN을 이용한 생성 모델의 고도화를 수행함으로써 실제 인간이 어울린다고 생각하는 코디 세트의 경향과 유사하게 닮아가려는 특성을 학습하기 위해 어울리지 않는 이미지 세트(negative set)의 인위적인 대량 생산이 불필요하고, 적은 수의 이미지 세트로도 반교사(semi-supervised) 방식으로 높은 상품 추천 성능을 기대할 수 있다.

또한, 판별 모델(1000)을 학습하는 대립 학습과 더불어 생성 모델(900) 자체의 구조를 고도화하는 것 또한 가능하다. 일례로, 생성 모델(900)의 레이어(layer)를 정교화하는 방법이 있으며, Convolution 계층과 Max pooling 계층을 통해 상품의 색상, 무늬, 스타일 등의 시그널을 압축적으로 활용할 수 있다. 다른 예로, 학습 성능이나 속도 개선 효과를 위한 생성 모델(900)에 Highway 계층을 추가하거나, 조건부 분산 분포(conditional variational distribution)를 가지는 모델인 VAE(variational auto-encoder)를 활용할 수 있다. 도 11을 참조하면, 인코더-디코더 모델로 구성된 생성 모델(900)에 불규칙 잡음(random noise)으로서 특정 분포를 따르는 잠재 공간(latent space)(Z)(1100)을 부여하여 정교한 추정이 가능하다. 다시 말해, 상품 추천 범위를 나타내는 정보를 생성 모델(900)의 잠재 공간(1100)에 명시함으로써 해당 범위 내의 상품을 추천할 수 있다. 예를 들어, 상의가 주어지는 경우 하의, 가방, 신발, 액세서리 등의 상품 분류 카테고리 중 추천 받고자 하는 적어도 하나의 카테고리 정보를 명시하여 명시된 카테고리 내에서의 정교한 상품 추천이 가능하다. 그리고, 딥 러닝(deep learning)과 확률론적 기계 학습(probabilistic machine learning)을 이용한 혼합 모델링을 통해 단순 DNN만으로는 힘든 확률 분포 공간의 학습을 용이하게 처리할 수 있다.

이처럼 본 발명의 실시예들에 따르면, 어울리는 상품 세트와 어울리지 않는 상품 세트를 이용한 DNN 학습 모델을 통해 상품 간 어울림 정도에 기초하여 주어진 상품과 어울리는 상품을 추천할 수 있다. 또한, 본 발명의 실시예들에 따르면, 생성 모델을 이용한 코디 추천에 있어 GAN을 이용한 생성 모델의 고도화를 통해 주어진 상품에 대해 실제 코디 세트와 유사한 코디 세트의 상품을 추천할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 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 어플리케이션을 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, 컴퓨터 저장 매체 또는 장치에 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. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (18)

1. 삭제
2. 삭제
3. 삭제
4. 삭제
5. 컴퓨터로 구현되는 상품 추천 방법에 있어서,
   어울리는 상품 이미지로 이루어진 정답 이미지 세트를 수집하는 단계; 및
   상기 정답 이미지 세트를 학습하여 생성 모델(generative model) 기반의 상품 추천 모델을 구축하는 단계
   를 포함하고,
   상기 상품 추천 모델은 주어진 상품 이미지를 입력으로 받아 상기 생성 모델을 통해 상기 입력된 상품과 어울리는 다른 상품의 특성에 대한 정보를 생성하고, 상기 생성된 특성과 유사한 상품을 추천 상품으로 결정하는 것으로, 상기 생성 모델이 상기 주어진 상품 이미지의 특성 벡터를 입력 받아 상기 입력된 특성 벡터로부터 상기 주어진 상품과 어울리는 다른 상품의 특성 벡터를 도출한 후, 각 후보 상품 이미지의 특성 벡터와 상기 도출된 특성 벡터 간의 거리를 바탕으로 상기 추천 상품을 결정하고,
   상기 상품 추천 모델은 상기 생성 모델에 불규칙 잡음으로서 특정 분포를 따르는 잠재 공간(latent space)이 부여되고 상기 잠재 공간에 상기 주어진 상품에 대한 상품 추천 범위를 나타내는 정보가 명시되어 명시된 상품 추천 범위 내에서 상기 추천 상품을 결정하고,
   상기 구축하는 단계는,
   상기 생성 모델을 고도화 하기 위하여 생성 결과의 진위 여부를 판별하는 판별 모델을 함께 학습하며, 상기 판별 모델이 실제 코디 세트들이 축적된 DB를 이용하여 주어진 상품 이미지와 상기 생성 모델의 생성 결과인 추천 상품 이미지가 상기 DB 상에 존재하는 실제 코디 세트인지 기계에 의해 생성된 코디 세트인지 진위 여부를 판별하는 것
   을 특징으로 하는 상품 추천 방법.
6. 제5항에 있어서,
   상기 수집하는 단계는,
   복수 개의 상품이 포함된 이미지로부터 개별 상품 이미지를 인식하여 어울리는 상품 이미지 세트로 구성하는 것
   을 특징으로 하는 상품 추천 방법.
7. 제5항에 있어서,
   상기 구축하는 단계는,
   상기 생성 모델로서 인코더-디코더 모델(encoder-decoder model)을 이용하여 상기 정답 이미지 세트를 학습하는 단계
   를 포함하는 상품 추천 방법.
8. 삭제
9. 제5항에 있어서,
   상기 구축하는 단계는,
   상기 생성 모델로서 조건부 분산 분포(conditional variational distribution)를 가지는 모델인 VAE(variational auto-encoder)를 이용하여 상기 정답 이미지 세트를 학습하는 단계
   를 포함하는 상품 추천 방법.
10. 컴퓨터와 결합되어 제5항 내지 제7항, 제9항 중 어느 한 항의 상품 추천 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
11. 제5항 내지 제7항, 제9항 중 어느 한 항의 상품 추천 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체.
12. 삭제
13. 컴퓨터로 구현되는 상품 추천 시스템에 있어서,
    컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    어울리는 상품 이미지로 이루어진 정답 이미지 세트를 수집하는 이미지 수집부; 및
    상기 정답 이미지 세트를 학습하여 생성 모델(generative model) 기반의 상품 추천 모델을 구축하는 학습 처리부
    를 포함하고,
    상기 상품 추천 모델은 주어진 상품 이미지를 입력으로 받아 상기 생성 모델을 통해 상기 입력된 상품과 어울리는 다른 상품의 특성에 대한 정보를 생성하고, 상기 생성된 특성과 유사한 상품을 추천 상품으로 결정하는 것으로, 상기 생성 모델이 상기 주어진 상품 이미지의 특성 벡터를 입력 받아 상기 입력된 특성 벡터로부터 상기 주어진 상품과 어울리는 다른 상품의 특성 벡터를 도출한 후, 각 후보 상품 이미지의 특성 벡터와 상기 도출된 특성 벡터 간의 거리를 바탕으로 상기 추천 상품을 결정하고,
    상기 상품 추천 모델은 상기 생성 모델에 불규칙 잡음으로서 특정 분포를 따르는 잠재 공간이 부여되고 상기 잠재 공간에 상기 주어진 상품에 대한 상품 추천 범위를 나타내는 정보가 명시되어 명시된 상품 추천 범위 내에서 상기 추천 상품을 결정하고,
    상기 학습 처리부는,
    상기 생성 모델을 고도화 하기 위하여 생성 결과의 진위 여부를 판별하는 판별 모델을 함께 학습하며, 상기 판별 모델이 실제 코디 세트들이 축적된 DB를 이용하여 주어진 상품 이미지와 상기 생성 모델의 생성 결과인 추천 상품 이미지가 상기 DB 상에 존재하는 실제 코디 세트인지 기계에 의해 생성된 코디 세트인지 진위 여부를 판별하는 것
    을 특징으로 하는 상품 추천 시스템.
14. 제13항에 있어서,
    상기 이미지 수집부는,
    복수 개의 상품이 포함된 이미지로부터 개별 상품 이미지를 인식하여 상기 정답 이미지 세트로서 어울리는 상품 이미지 세트를 구성하는 것
    을 특징으로 하는 상품 추천 시스템.
15. 삭제
16. 제13항에 있어서,
    상기 학습 처리부는,
    상기 생성 모델로서 인코더-디코더 모델(encoder-decoder model)을 이용하여 상기 정답 이미지 세트를 학습하는 것
    을 특징으로 하는 상품 추천 시스템.
17. 삭제
18. 제13항에 있어서,
    상기 학습 처리부는,
    상기 생성 모델로서 조건부 분산 분포(conditional variational distribution)를 가지는 모델인 VAE(variational auto-encoder)를 이용하여 상기 정답 이미지 세트를 학습하는 것
    을 특징으로 하는 상품 추천 시스템.

Images