KR102247868B1 - 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치 - Google Patents

인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102247868B1
KR102247868B1 KR1020190063903A KR20190063903A KR102247868B1 KR 102247868 B1 KR102247868 B1 KR 102247868B1 KR 1020190063903 A KR1020190063903 A KR 1020190063903A KR 20190063903 A KR20190063903 A KR 20190063903A KR 102247868 B1 KR102247868 B1 KR 102247868B1
Authority
KR
South Korea
Prior art keywords
picture
information
color
edge
recommended
Prior art date
Application number
KR1020190063903A
Other languages
English (en)
Other versions
KR20200137474A (ko
Inventor
정훈
Original Assignee
주식회사 아티스티
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 아티스티 filed Critical 주식회사 아티스티
Priority to KR1020190063903A priority Critical patent/KR102247868B1/ko
Priority to PCT/KR2020/006177 priority patent/WO2020242089A2/ko
Priority to US17/597,895 priority patent/US11966962B2/en
Publication of KR20200137474A publication Critical patent/KR20200137474A/ko
Application granted granted Critical
Publication of KR102247868B1 publication Critical patent/KR102247868B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06Q30/08—Auctions
    • G06Q50/30—
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/50—Business processes related to the communications industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Operations Research (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 발명은 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 인공 지능 기반의 큐레이팅 방법은 인공 지능 큐레이팅 장치가 구매자 정보를 수신하는 단계, 인공 지능 큐레이팅 장치가 구매자 정보를 기반으로 추천 그림 정보를 결정하는 단계 및 인공 지능 큐레이팅 장치가 추천 그림 정보를 기반으로 구매자의 사용자 장치로 후보 판매 그림 정보를 전송하는 단계를 포함할 수 있다.

Description

인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치{Method for curating and apparatus for using the method}
본 발명은 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 머신 러닝(machine learning)을 기반으로 보다 구매자 취향 및 구매자 조건에 맞는 그림을 보다 정확하게 제공해주기 위한 방법 및 장치에 관한 것이다.
현대 사회는 인간이 기계에게 단순히 자신의 지시를 전달하는 수준을 넘어 기계와 의사 소통을 하고, 기계가 자신의 의도를 이해하고, 지식, 판단, 경험 그리고 감정까지 공유하고 상호 작용하기를 기대한다. 이러한 인간의 욕구를 위해 탄생한 인공 지능의 중요한 연구 분야 중 하나인 감성 컴퓨팅은 인간과 기계가 감성적으로 상호 작용할 수 있도록 인간의 감성을 인지하고, 이해하고, 처리하고, 자극하는 시스템이나 장치를 개발하는 분야이다.
일반적으로 예술의 영역은 인간의 고유한 영역으로 생각되었으나, 최근에는 인공 지능 엔진을 탑재한 기계가 예술 작품을 창조하고 이해하고 평가할 수 있도록 다양한 시도를 하고 있으며, 일부 진보적인 예술가들은 직접 그러한 연구에 동참하고 있다. 예술가들도 이제 시대의 변화에 맞추어 예술의 진보를 위해 과학 기술을 더욱 더 적극적으로 활용하려는 시도가 이루어지고 있다.
이러한 인공 지능은 구매자가 원하는 미술 작품에 대한 탐색하고 추천하기 위해서도 활용될 수 있다. 따라서, 구매자의 취향에 맞는 미술작품을 제공하기 위한 방법에 대한 개발 및 연구가 필요하다.
관련된 선행 특허로 공개특허공보 제10-2018-0089653호(2018.08.09.), 공개특허공보 제10-2019-0047867호(2019.05.09.)가 있다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 인공 지능을 기반으로 구매자의 취향에 맞는 미술 작품을 추천하는 것을 다른 목적으로 한다.
또한, 본 발명은, 인공 지능을 기반으로 선택된 구매자의 취향에 맞는 미술 작품과 관련도가 높은 작가와 구매자 간의 역경매 방식으로 작품 판매 및 구매 서비스를 제공하는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 인공 지능 기반의 큐레이팅 방법은 인공 지능 큐레이팅 장치가 구매자 정보를 수신하는 단계, 상기 인공 지능 큐레이팅 장치가 상기 구매자 정보를 기반으로 추천 그림 정보를 결정하는 단계와 상기 인공 지능 큐레이팅 장치가 상기 추천 그림 정보를 기반으로 구매자의 사용자 장치로 후보 판매 그림 정보를 전송하는 단계를 포함할 수 있다.
본 발명의 다른 태양에 따르면, 인공 지능 기반의 큐레이팅 장치는 구매자 정보를 수신하는 통신부와 상기 통신부와 동작 가능하게(operatively) 연결된 프로세서를 포함하되, 상기 프로세서는 구매자 정보를 수신하고, 상기 구매자 정보를 기반으로 추천 그림 정보를 결정하고, 상기 추천 그림 정보를 기반으로 구매자의 사용자 장치로 후보 판매 그림 정보를 전송하도록 구현될 수 있다.
본 발명에 의하면, 인공 지능을 기반으로 구매자의 취향에 맞는 미술 작품이 추천될 수 있다.
또한, 본 발명에 의하면, 인공 지능을 기반으로 선택된 구매자의 취향에 맞는 미술 작품과 관련도가 높은 작가와 구매자 간의 역경매 방식으로 작품 판매 및 작품 구매 서비스가 제공될 수 있다.
도 1은 본 발명의 실시예에 따른 인공 지능 큐레이팅 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 입력부를 나타낸 개념도이다.
도 3 내지 도 5는 본 발명의 실시예에 따른 작가의 판매 가능 그림 정보 제공 방법을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 큐레이팅부의 인공지능 기반의 추천 그림 정보 결정 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 그림 색체 정보를 추출하기 위한 방법을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 그림 구성 정보를 추출하기 위한 방법을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 하위 클러스터를 기준으로 한 클러스터링 방법을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 구매자 정보를 기준으로 추천 그림 정보를 결정하기 위한 방법을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 인공 지능 큐레이팅 장치를 나타낸 개념도이다.
도 1에서는 인공 지능을 기반으로 큐레이팅 서비스를 제공하기 위한 인공 지능 큐레이팅 장치가 개시된다.
도 1을 참조하면, 인공 지능 큐레이팅 장치는 통신부(100), 입력부(110), 데이터베이스(120), 큐레이팅부(130), 거래부(140) 및 프로세서(150)를 포함할 수 있다. 거래부(140)는 인공 지능 큐레이팅 장치에 포함되지 않고 별도의 구성으로 구현될 수도 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함된다. 이하, 구매자는 그림을 구매하고자 하는 사람이고, 작가는 그림을 그려서 판매하고자 하는 사람을 일반적으로 지칭하나, 작가의 그림을 판매하고자 하는 판매자도 포함하는 의미로도 해석될 수 있다.
입력부(110)는 구매자 정보에 대한 입력을 위해 구현될 수 있다. 구매자 정보는 구매자가 원하는 그림의 취향에 관련된 정보를 포함할 수 있다. 입력부(110)는 챗봇과 같은 인공 지능 기반의 대화 모듈로 구현될 수 있고, 대화를 통해 구매자가 원하는 그림에 대한 정보를 입력받을 수 있다.
데이터베이스(120)는 그림 정보 및/또는 구매자 정보 등을 저장하기 위해 구현될 수 있다. 예를 들어, 데이터베이스(120)는 그림 정보, 구매자 정보 및 구매자 정보와 그림 정보 간의 매칭 정보 등을 저장하기 위해 구현될 수 있다. 데이터베이스(120)에 저장된 구매자 정보 및 그림 정보를 기반으로 큐레이팅부(130)에 의해 결정된 구매자 정보에 맞는 그림 정보가 결정되어 구매자에게 제공될 수 있다.
또한, 데이터베이스(120)에 저장된 그림 정보, 구매자 정보 및 구매자 정보와 그림 정보 간의 매칭 정보 등은 구매자 정보에 맞는 그림 정보에 대한 학습을 위해 활용될 수 있다.
큐레이팅부(130)는 구매자 정보에 매칭되는 그림 정보를 결정하기 위해 구현될 수 있다. 큐레이팅부(130)는 인공지능 기반의 머신 러닝을 통해 구매자 정보에 포함되는 구매자 취향 정보와 매칭되는 그림 정보(예를 들어, 그림 이미지, 작가)를 탐색하여 추천 그림 정보를 제공할 수 있다. 추천 그림 정보는 추천 그림 이미지 정보, 추천 작가 정보 등을 포함할 수 있다. 큐레이팅부(130)의 구매자 정보에 매칭되는 추천 그림 정보를 결정하기 위한 학습 방법에 대해서는 후술한다.
또한, 큐레이팅부(130)는 추천 작가 정보를 기반으로 작가를 호출할 수 있다. 큐레이팅부(130)는 추천 작가 정보에 대응되는 작가에게 후보 판매 그림 정보(작가)을 역으로 제안할 것을 요청할 수 있다. 작가는 사용자 장치를 통해 큐레이팅부(130)로 후보 판매 그림 정보(작가)를 전송할 수 있다. 후보 판매 그림 정보(작가)는 작가에 의해 선택된 정보일 수 있다. 후보 판매 그림 정보(작가)는 후보 판매 그림 이미지, 후보 판매 그림 가격, 후보 판매 그림 해설, 후보 판매 작가 이력 등에 대한 정보를 포함할 수 있다. 후보 판매 그림 정보(작가)는 구매자의 사용자 장치로 제공될 수 있다.
이뿐만 아니라, 큐레이팅부(130)는 추천 그림 이미지 정보를 기반으로 후보 판매 그림 정보(인공지능)을 생성하여 구매자의 사용자 장치로 제공할 수도 있다.
즉, 큐레이팅부(130)는 추천 작가 정보를 기반으로 결정된 작가에 의해 제안된 후보 판매 그림 정보(작가), 추천 그림 이미지 정보를 기반으로 제안된 후보 판매 그림 정보(인공 지능)을 구매자의 사용자 장치로 제공할 수 있다. 구매자는 사용자 장치를 통해 제공된 적어도 하나의 후보 판매 그림 정보를 기반으로 구매 여부를 결정할 수 있다.
큐레이팅부(130)는 후술한 인공 지능 기반의 학습을 자체적으로 수행할 수도 있고, 외부에 별도로 구현된 인공 지능 서버를 기반으로 수행된 학습 결과를 활용할 수도 있다.
거래부(140)는 구매자가 후보 판매 그림 정보를 기반으로 그림을 구매하고자 할 경우, 작가와 판매자 간의 거래를 위해 구현될 수 있다. 예를 들어, 후보 판매 그림과 관련된 복수의 작가 각각이 후보 판매 그림에 대한 가격을 제안하고, 구매자는 그림에 대해 제안된 가격의 수락 여부를 결정하는 역경매 방식으로 거래가 이루어질 수 있다.
또한 인공 지능 큐레이팅 장치는 외부 장치(예를 들어, 구매자, 작가의 사용자 장치)로부터 정보(예를 들어, 구매자 정보)를 수신하기 위한 통신부(100)를 포함할 수 있다.
프로세서(150)는 통신부(100), 입력부(110), 데이터베이스(120), 큐레이팅부(130), 거래부(140)의 동작을 제어하기 위해 구현될 수 있다. 프로세서(150)는 각 구성부와 동작 가능하게(operatively) 연결될 수 있다.
도 2는 본 발명의 실시예에 따른 입력부를 나타낸 개념도이다.
도 2에서는 입력부에서 챗봇을 기반으로 구매자 정보를 입력받는 과정이 개시된다.
도 2를 참조하면, 챗봇을 기반으로 구매자에게 그림 용도, 그림 사이즈, 그림 설치 위치, 그림 분위기, 그림 가격 등을 물어보고 구매자는 그에 대해 답하는 형식으로 구매자 정보가 획득될 수 있다.
챗봇을 통해 전달된 구매자의 대답을 기반으로 클러스터는 이하 후술할 클러스터 그룹을 기반으로 추천 그림 정보를 추출할 수 있다. 클러스터를 통해 추출된 추천 그림 정보에서 추천 그림의 공통된 클러스터 그룹의 개수가 임계값 이하인 경우, 챗봇을 통해 구매자의 취향을 보다 정확하게 알기 위한 추가적인 질문을 함으로써 클러스터를 통해 추출된 추천 그림 정보에서 추천 그림의 공통된 클러스터 그룹의 개수가 임계값 초과가 되도록 함으로써 보다 정확한 추천 그림 정보가 생성되도록 할 수 있다.
도 3 내지 도 5는 본 발명의 실시예에 따른 작가의 판매 가능 그림 정보 제공 방법을 나타낸 개념도이다.
도 3 내지 도 5에서는 작가가 사용자 장치를 통해 큐레이팅부로 판매 가능 그림 정보를 전송하기 위한 방법이 개시된다.
전술한 바와 같이 즉, 큐레이팅부는 추천 그림 이미지 정보, 추천 작가 정보를 포함하는 추천 그림 정보를 결정할 수 있다. 추천 작가 정보를 기반으로 후보 판매 그림 정보(작가)가 결정되고, 추천 그림 정보를 기반으로 후보 판매 그림 정보(인공 지능)가 결정될 수 있다.
도 3에서는 작가가 사용자 장치를 통해 등록한 작품 중 구매자에게 판매를 제안하고자 하는 그림을 선택하는 화면이 개시된다. 작가는 큐레이팅부에 의해 추천 작가로서 선택될 수 있고, 추천 작가로서 선택된 이후 후보 판매 그림 정보(작가)를 생성할 수 있다.
도 4에서는 구매자가 작품을 요청하고 후보 판매 그림 정보(작가) 및/또는 후보 판매 그림 정보(인공 지능)을 제공받는 방법이 개시된다.
구매자 정보를 기반으로 한 구매자의 후보 판매 그림 요청 리스트(400)가 시간에 따라 리스트업되어 제공될 수 있다. 각 후보 판매 그림 요청 리스트(400)에서 각각의 후보 판매 그림 요청의 상태(제안 대기중, 낙찰 대기중, 제안 종료 등)가 표시될 수 있다.
각 후보 판매 그림 요청을 선택하는 경우, 구매자 정보로서 그림을 요청한 내역, 후보 판매 그림 요청에 따른 후보 판매 그림 정보(작가)(440) 및/또는 후보 판매 그림 정보(인공 지능)(420)가 제공된다. 구매자는 후보 판매 그림 정보(작가)(440) 및/또는 후보 판매 그림 정보(인공 지능)(420)를 기반으로 구매하고자 하는 최종 구매 그림을 선택할 수 있다.
도 5에서는 최종 구매 그림에 대한 결제 절차가 개시된다. 구매자는 최종 구매 그림을 배송받기 위한 배송지 주소 등을 입력하고, 결제 수단을 이용하여 결제 절차를 진행할 수 있다. 결제된 그림은 구매자에 의해 입력된 배송지 주소로 제공될 수 있다.
도 6은 본 발명의 실시예에 따른 큐레이팅부의 인공지능 기반의 추천 그림 정보 결정 방법을 나타낸 개념도이다.
도 6에서는 큐레이팅부가 인공지능 기반의 머신 러닝을 통해 구매자 정보에 포함되는 구매자 취향 정보와 매칭되는 그림 정보(예를 들어, 그림 이미지, 작가)를 탐색하여 추천 그림 정보를 제공하는 방법이 개시된다.
도 6을 참조하면, 우선 그림 이미지(600)에 대한 클러스터링이 수행될 수 있다. 그림 이미지(600)에 대한 클러스터링이 수행되는 경우, 그림이 가진 특징이 추출되고 유사한 특성을 가지는 그림 그룹이 생성될 수 있다.
본 발명의 실시예에 따르면, 그림 특성 정보는 복수의 하위 그림 특성 정보(605)를 포함할 수 있다. 하위 그림 특성 정보(605)는 그림 사이즈 정보(610), 그림 색체 정보(620), 그림 구성 정보(630), 그림 객체 정보(640) 등을 포함할 수 있다.
그림 사이즈 정보(610)는 그림의 크기에 대한 정보를 포함할 수 있다.
그림 색체 정보(620)는 그림에서 사용된 색에 대한 정보를 포함할 수 있다. 그림 색체 정보(620)는 그림 이미지의 하위 영역을 분할하고, 그림 이미지의 하위 영역에 대한 색체 정보를 판단한 후, 그림 내에서 영역별 가중치를 고려하여 결정될 수 있다.
그림 구성 정보(630)는 그림 내에 포함되는 객체들의 구조, 구도에 대한 정보를 포함할 수 있다. 예를 들어, 그림 내에서 물방울 무늬가 그림 내에서 어떠한 위치로 배치되어 있는지, 객체가 그림 내에서 어떠한 위치, 크기로 배치되어 있는지 대한 정보를 포함할 수 있다.
그림 객체 정보(640)는 그림에 포함되는 객체에 대한 정보를 포함할 수 있다. 그림에 포함되는 객체는 사람, 동물, 식물 등과 같은 객체일 수 있다.
복수의 하위 그림 특성 정보(605) 각각에 대한 복수의 개별 클러스터 각각이 결정되고, 복수의 개별 클러스터 각각을 기반으로 복수의 하위 그림 특성 정보와 구매자 정보가 매칭되어 추천 그림 정보(650)가 결정될 수 있다.
추천 그림 정보(650)는 추천 그림 이미지 정보(660), 추천 작가 정보(670)를 포함할 수 있다. 추천 그림 이미지 정보(660)를 기반으로 후보 판매 그림 정보(인공 지능)(680)가 결정되고, 추천 작가 정보(670)를 기반을 후보 판매 그림 정보(작가)(690)가 결정될 수 있다.
이하, 본 발명의 실시예에서는 그림 색체 정보, 그림 구성 정보를 추출하기 위한 방법이 개시된다.
도 7은 본 발명의 실시예에 따른 그림 색체 정보를 추출하기 위한 방법을 나타낸 개념도이다.
도 7에서는 그림 색체 정보를 추출하기 위한 방법이 개시된다.
도 7을 참조하면, 그림 색체 정보를 추출하기 위한 색체 민감도(700)가 설정된다.
그림 색체 정보를 추출하기 위한 색체 민감도(700)는 기준 색체 민감도를 기준으로 결정된 그림에 사용된 색의 개수를 기준으로 설정될 수 있다.
기준 색체 민감도를 기준으로 사용된 색의 개수가 임계 개수 이하일 경우, 사용된 색의 개수와 임계 개수의 차이를 고려하여 색체 민감도(700)를 높일 수 있다. 반대로 기준 색체 민감도를 기준으로 사용된 색의 개수가 임계 개수 초과일 경우, 사용된 색의 개수와 임계 개수의 차이를 고려하여 색체 민감도(700)를 낮출 수 있다. 이러한 방법을 통해 그림 색체 정보를 추출하기 위한 불필요한 분할이 발생하지 않을 수 있다.
그림에서 그림 색체 정보를 추출하기 위해 그림이 복수의 하위 그림 이미지 영역(720)으로 분할될 수 있다.
복수의 하위 그림 이미지 영역(720)은 설정된 색체 민감도를 기반으로 한 색채 판단을 통해 결정될 수 있다. 설정된 색체 민감도를 기준으로 하위 그림 이미지 영역(720)의 분할이 수행될 수 있다. 색체 민감도는 서로 다른 색인지 여부에 대해 인식하는 민감도로서 색체 민감도가 상대적으로 낮은 경우, 상대적으로 넓은 범위의 색들이 유사 범위의 색으로 판단될 수 있다. 반대로, 색체 민감도가 상대적으로 높은 경우, 상대적으로 좁은 범위의 색들이 유사 범위의 색으로 판단될 수 있다. 예를 들어, 색체 민감도가 상대적으로 낮은 경우, 붉은색과 주황색은 유사 범위의 색으로 판단되나, 색체 민감도가 상대적으로 높은 경우, 붉은색과 주황색은 유사 범위의 색이 아닌 것으로 판단될 수 있다.
색체 민감도를 기준으로 분할된 복수의 하위 그림 이미지 영역(720)의 색체, 크기 및 위치를 기준으로 그림 색체 정보(760)가 결정된다.
하위 그림 이미지 영역(720) 각각의 대표색 정보, 하위 그림 이미지 영역 각각의 중심 기준 위치 정보 및 하위 그림 이미지 영역(720) 각각의 크기 정보를 고려하여 그림의 색체 스펙트럼(740)이 생성될 수 있다.
복수의 하위 그림 이미지 영역(720) 각각의 대표색 정보는 하위 그림 이미지 영역(720) 내의 색체 범위의 중간값 또는 평균값에 해당하는 색에 대한 정보를 포함할 수 있다.
복수의 하위 그림 이미지 영역(720) 각각의 중심 기준 위치 정보는 그림의 중심과 하위 그림 이미지 영역의 중심 사이의 거리에 대한 정보일 수 있다. 그림의 중심과 하위 그림 이미지 영역의 중심 사이의 거리가 짧을수록 하위 그림 이미지 영역(720)의 대표색이 차지하는 비중이 상대적으로 높은 비중을 가지도록 설정될 수 있다.
복수의 하위 그림 이미지 영역(720) 각각의 이미지 크기 정보는 하위 그림 이미지 영역(720)이 전체 그림 면적에서 차지하는 면적에 대한 정보일 수 있다. 전체 그림 면적에서 하위 그림 이미지 영역의 면적이 차지하는 비율이 상대적으로 높을수록 하위 그림 이미지 영역(720)의 대표색이 차지하는 비중이 상대적으로 높은 비중을 가지도록 설정될 수 있다.
예를 들어, 하위 그림 이미지 영역A가 색체a, 하위 그림 이미지 영역B가 색체 b인 경우가 가정될 수 있다. 만약, 하위 그림 이미지 영역A와 하위 그림 이미지 영역B의 중심 기준 위치 정보 및 이미지 크기 정보가 동일한 경우, 색체 스펙트럼 내에서 색체a의 비중, 색체b의 비중이 동일할 수 있다.
하지만, 하위 그림 이미지 영역A이 하위 그림 이미지 영역B보다 그림 중심에 가까이 있는 경우, 색체a의 비중이 상대적으로 높아질 수 있다. 또한, 하위 그림 이미지 영역A의 면적이 하위 그림 이미지 영역B의 면적보다 큰 경우, 색체a의 비중이 상대적으로 높아질 수 있다.
중심 기준 위치 정보에 따라 높아지는 색체 스펙트럼(740) 상에서 색체의 제1 가중치 값과 이미지 크기 정보에 따라 높아지는 색체 스펙트럼(740) 상에서 색체의 제2 가중치 값은 이후 구매자의 피드백 기반으로 조정될 수 있다. 구매자 정보 및 그림 색체 정보를 매칭하여 결정된 추천 그림 정보를 기반으로 제공된 후보 판매 그림 정보의 선택율이 임계값 이하이거나 후보 판매 그림 정보를 재요청하는 비율이 임계값 이상인 경우 중심 기준 위치 정보에 따라 높아지는 색체 스펙트럼(740) 상에서 색체의 제1 가중치 값과 이미지 크기 정보에 따라 높아지는 색체 스펙트럼(740) 상에서 색체의 제2 가중치 값이 조정될 수 있다.
이러한 색체 스펙트럼을 기반으로 그림의 그림 색체 정보(760)가 결정되고 그림 색체 정보(760)를 기반으로 그림에 대한 클러스터링이 수행될 수 있다.
도 8은 본 발명의 실시예에 따른 그림 구성 정보를 추출하기 위한 방법을 나타낸 개념도이다.
도 8에서는 그림 내에서 그림 구성 정보를 획득하기 위한 방법이 개시된다.
도 8을 참조하면, 그림 구성 정보를 판단하기 위해 그림 내 에지 정보를 추출할 수 있다. 그림 내 에지 정보를 추출하기 위해 에지 결정 민감도(800)가 우선적으로 결정될 수 있다. 예를 들어, 그림 내에 존재하는 라인 중 어떠한 것을 에지로 판단할지 여부에 대한 민감도인 에지 결정 민감도(800)가 결정될 수 있다. 에지 결정 민감도(800)가 상대적으로 높아질수록 그림 구성 판단을 위해 상대적으로 더 상세한 정보가 획득될 수 있다.
그림에서 에지 결정 민감도(800)를 기반으로 추출된 에지 중 메인 에지의 연결을 통해 제1 그림 구성(810)이 추출된다.
추출된 에지 중 연결성을 가지되, 연결을 통해 형성된 내부 영역이 전체 그림 면적 대비 제1 임계 퍼센트 이상인 경우, 해당 에지를 메인 에지로 판단할 수 있다. 메인 에지는 그림 내에서 제1 그림 구성(810)을 형성할 수 있다.
이후, 메인 에지를 제외한 나머지 에지 중 연결을 통해 형성된 내부 영역이 전체 그림 면적 대비 제2 임계 퍼센트 이상인 경우, 제2 그림 구성(820)을 형성할 수 있다.
에지의 연결은 에지 특성 정보(에지 굵기, 에지 주변 색체 특성, 에지 방향 등)을 고려하여 수행될 수 있다. 에지 특성 정보가 유사 범위에 포함되는 경우, 에지 간에 연결이 끊어져 있는 경우에도 연결성을 가진다고 판단하여 에지 간에 연결이 이루어질 수 있다.
제1 그림 구성(810)과 제2 그림 구성(820)을 기준으로 그림의 전체 구성이 추출되고, 그림 구성 정보가 획득될 수 있다. 예를 들어, 제1 그림 구성(810)과 제2 그림 구성(820)은 가장 유사한 도형의 이미지로 단순화될 수도 있다. 제1 그림 구성(810)은 네모, 제2 그림 구성(820)은 동그라미, 세모와 같은 가장 유사한 도형 이미지로 단순화될 수도 있다.
그림 구성 정보도 하나의 구성 스펙트럼(830)으로서 표현될 수 있다. 예를 들어, 제1 그림 구성(810)에 대한 제1 가중치 및 제2 그림 구성(820)에 대한 제2 가중치를 다르게 설정하고, 도형별 유사도에 따른 구성 스펙트럼(830)이 형성될 수 있다.
예를 들어, 직선, 평행선, 엑스, 삼각형, 사각형, 오각형, 육각형, 팔각형, 원, 타원 등의 순서로 구성 스펙트럼이 형성되고, 그림 상에 어떠한 구성의 비중이 높은지에 대한 정보가 비율적으로 표현될 수 있다. 예를 들어, 제1 그림 구성(810)이 삼각형인 경우, 삼각형에 대응되는 구성 스펙트럼(830)의 비율이 상대적으로 큰 값을 가질 수 있다.
그림 구성 정보는 구성 스펙트럼(830)을 형성하는 도형의 비율을 기반으로 표현될 수 있다.
도 9는 본 발명의 실시예에 따른 하위 클러스터를 기준으로 한 클러스터링 방법을 나타낸 개념도이다.
도 9에서는 복수의 하위 그림 특성 정보인 그림 사이즈 정보, 그림 색체 정보, 그림 구성 정보, 그림 객체 정보 각각에 대한 하위 클러스터가 개시된다.
도 9를 참조하면, 그림 사이즈만을 기반으로 클러스터링된 제1 클러스터링 그룹(그림 사이즈)(910), 그림 색체만을 기반으로 클러스터링된 제2 클러스터 그룹(그림 색체)(920), 그림 구성만을 기반으로 클러스터링된 제3 클러스터 그룹(그림 구성)(930), 그림 객체만을 기반으로 클러스터링된 제4 클러스터 그룹(그림 객체)(940)가 형성될 수 있다.
제1 클러스터 그룹(그림 사이즈)(910)는 그림 가로 길이, 세로 길이와 같은 그림 사이즈를 기준으로 클러스터링된 제1 클러스터(그림 사이즈)를 포함할 수 있다.
제2 클러스터 그룹(그림 색체)(920)는 그림 색체 정보에 포함되는 그림 색체 스펙트럼을 기반으로 클러스터링된 제2 클러스터(그림 색체)를 포함할 수 있다. 결정될 수 있다. 색체 스펙트럼이 유사한 경우, 동일한 클러스터에 포함될 수 있다.
제3 클러스터 그룹(그림 구성)(930)은 그림 구성 정보에 포함되는 구성 스펙트럼을 기반으로 클러스터링된 제3 클러스터(그림 구성)을 포함할 수 있다. 구성 스펙트럼이 유사한 경우, 동일한 클러스터에 포함될 수 있다.
제4 클러스터 그룹(그림 객체)(940)는 그림에 포함되는 객체를 기반으로 클러스터링된 제4 클러스터(그림 객체)를 포함할 수 있다. 그림에 포함되는 객체 대한 판단을 수행한 후 포함되는 객체가 유사할수록 동일한 클러스터에 포함될 수 있다.
이러한 개별 클러스터를 기반으로 구매자 취향에 맞는 추천 그림 정보가 결정될 수 있다.
도 10은 본 발명의 실시예에 따른 구매자 정보를 기준으로 추천 그림 정보를 결정하기 위한 방법을 나타낸 개념도이다.
도 10에서는 구매자 정보 및 하위 그림 특성 정보별 개별 클러스터를 기반으로 추천 그림 정보를 결정하기 위한 방법이 개시된다.
도 10을 참조하면, 각 개별 클러스터와 구매자 정보(1000) 간의 관련도가 결정될 수 있다.
예를 들어, 구매자가 '작고 따뜻한 느낌의 그림'을 원한다고 가정할 수 있다. 이러한 경우, '작다', '따뜻하다'라는 것이 구매자 정보로서 추출될 수 있다. 이러한 경우, '작다'라는 제1 하위 구매자 취향 정보, '따뜻하다'라는 제2 하위 구매자 취향 정보가 추출되어 가장 맞는 클러스터에 대한 탐색이 수행될 수 있다.
구매자 정보(1000)에 포함되는 하위 구매자 취향 정보가 대응되는 클러스터링 그룹(1020)이 어떠한 클러스터링 그룹(1020)인지 여부가 판단될 수 있다. 예를 들어, 제1 클러스터링 그룹 내지 제4 클러스터링 그룹 중 제1 하위 구매자 취향 정보(작다)와 관련도가 높은 클러스터링 그룹(1020)이 어떠한 클러스터링 그룹(1020)인지 여부가 판단될 수 있다. 제1 하위 구매자 취향 정보(작다)는 제1 클러스터링 그룹(1020)과 관련도가 높을 수 있다. 제1 클러스터 그룹 내지 제4 클러스터 그룹 중 제2 하위 구매자 취향 정보(따뜻하다)와 관련도가 높은 클러스터 그룹(1020)이 어떠한 클러스터링 그룹(1020)인지 여부가 판단될 수 있다. 제2 하위 구매자 취향 정보(따뜻하다)는 제2 클러스터링 그룹, 제4 클러스터링 그룹과 관련도가 높을 수 있다. 그림과 그림을 표현하는 그림 해설 정보를 포함하는 데이터셋을 기반으로 한 학습을 통해 구매자 취향 정보가 대응되는 클러스터 그룹(1020)이 판단될 수 있다.
하위 구매자 취향 정보가 대응되는 클러스터 그룹(1020)이 판단된 이후, 해당 클러스터 그룹(1020) 내에서 하위 구매자 취향 정보가 대응되는 클러스터에 대한 탐색이 진행될 수 있다.
예를 들어, 제1 하위 구매자 취향 정보(작다)는 제1 클러스터 그룹(그림 사이즈) 중 학습 결과에 의해 작다고 판단된 그림/이전 구매자들이 작다고 판단한 그림에 대응되는 제1 클러스터(그림 사이즈)(a), 제1 클러스터(그림 사이즈)(b)에 대응될 수 있다. 이러한 '작다'라는 판단에 매칭되는 제1 클러스터의 범위는 구매자의 선택/피드백에 따른 학습 결과에 의해 지속적으로 변화될 수 있다.
클러스터(그림 사이즈)(1040)들 각각에 포함된 그림에 대한 학습자, 구매자들에 의한 사이즈 피드백을 통해 클러스터(그림 사이즈)(1040) 각각의 사이즈에 대한 평가가 다양한 표현으로 이루어지고, 해당 평가가 임계 퍼센트를 넘을 경우, 해당 평가와 해당 클러스터(그림 사이즈)(1040)가 매칭될 수 있다.
또한, 제2 하위 구매자 취향 정보(따뜻하다)는 제2 클러스터링 그룹(그림 색체)(1020) 중 학습 결과에 의해 따뜻하다고 판단된 그림/이전 구매자들이 따뜻하다고 판단한 그림에 대응되는 제2 클러스터(그림 색체)(a)(1040), 제2 클러스터(그림 색체)(b)(1040)에 대응될 수 있다. 이러한 '따뜻하다'라는 판단에 매칭되는 제2 클러스터(1040)의 범위는 구매자의 선택/피드백에 따른 학습 결과에 의해 지속적으로 변화될 수 있다.
클러스터(그림 색체)(1040)들 각각에 포함된 그림에 대한 학습자, 구매자들에 의한 색체 피드백을 통해 클러스터(그림 색체)(1040) 각각의 색체에 대한 평가가 다양한 표현으로 이루어지고, 해당 평가가 임계 퍼센트를 넘을 경우, 해당 평가와 해당 클러스터(그림 색체)(1040)가 매칭될 수 있다.
이러한 방식으로 복수의 클러스터 그룹(1020)에서 구매자 정보에 매칭되는 그림들이 추출되고, 복수의 클러스터 그룹(1020)에서 추출된 구매자 정보에 매칭되는 그림 중 중복도가 높은 순서대로 추천 그림이 결정될 수 있다. 예를 들어, 그림A가 제1 클러스터 그룹, 제2 클러스터 그룹, 제3 클러스터 그룹, 제4 클러스터 그룹에 모두 공통적으로 추출된 구매자 정보에 매칭되는 그림이고, 그림B가 제1 클러스터 그룹, 제2 클러스터 그룹에서 추출된 구매자 정보에 매칭되는 그림인 경우, 그림A가 그림B보다 높은 우선 순위를 가지는 추천 그림일 수 있다.
복수의 추천 그림을 우선 순위로 나열하고, 복수의 추천 그림 중 상대적으로 높은 우선 순위(예를 들어, 설정된 임계 순위 내)를 가지는 추천 그림 및/또는 공통된 작가를 가지는 추천 그림의 작가가 추천 작가 정보로서 결정되고, 복수의 추천 그림 중 상대적으로 높은 우선 순위(예를 들어, 설정된 임계 순위 내)를 가지는 추천 그림이 추천 그림 이미지 정보로서 결정될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 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 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (8)

  1. 인공 지능 기반의 큐레이팅 방법은,
    인공 지능 큐레이팅 장치가 구매자 정보를 수신하는 단계;
    상기 인공 지능 큐레이팅 장치가 상기 구매자 정보를 기반으로 추천 그림 정보를 결정하는 단계; 및
    상기 인공 지능 큐레이팅 장치가 상기 추천 그림 정보를 기반으로 구매자의 사용자 장치로 후보 판매 그림 정보를 전송하는 단계를 포함하되,
    상기 추천 그림 정보 및 상기 후보 판매 그림 정보는 그림 색체 정보 및 그림 구성 정보를 기반으로 결정되고,
    상기 그림 색체 정보는 색체 민감도 및 상기 색체 민감도를 기준으로 분할된 복수의 하위 그림 이미지 영역의 색체, 크기 및 위치를 기준으로 결정되고,
    상기 그림 구성 정보는 에지 결정 민감도 및 상기 에지 결정 민감도를 기반으로 추출된 복수의 에지 중 메인 에지의 연결을 통해 결정된 제1 그림 구성 및 상기 메인 에지를 제외한 나머지 에지 중 연결을 통해 형성된 내부 영역을 기반으로 결정된 제2 그림 구성을 기반으로 결정되는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 색체 민감도는 기준 색체 민감도를 기준으로 그림에 사용된 색의 개수를 기준으로 결정되고,
    상기 복수의 하위 그림 이미지 영역 각각의 색체는 상기 복수의 하위 그림 이미지 영역 각각의 색체 범위의 중간값 또는 평균값에 해당하는 색이고,
    상기 복수의 하위 그림 이미지 영역 각각의 크기는 상기 복수의 하위 그림 이미지 영역 각각이 전체 그림 면적에서 차지하는 면적에 대한 것이고,
    상기 복수의 하위 그림 이미지 영역의 위치는 상기 그림의 중심과 상기 복수의 하위 그림 이미지 영역 각각의 중심 사이의 거리에 대한 것이고,
    상기 그림 색체 정보는 상기 그림의 중심과 하위 그림 이미지 영역의 중심 사이의 거리가 상대적으로 짧을수록 상기 하위 그림 이미지 영역의 색체를 상대적으로 높은 비중으로 설정한 색체 스펙트럼을 기반으로 결정되는 것을 특징으로 하는 방법.
  3. 제2항에 있어서,
    상기 에지 결정 민감도는 상기 그림 내에 존재하는 라인 중 어떠한 것을 에지로 판단할지 여부에 대한 민감도이고,
    상기 메인 에지는 상기 복수의 에지 중 연결성을 가지되, 연결을 통해 형성된 내부 영역이 전체 그림 면적 대비 제1 임계 퍼센트 이상인 에지이고,
    상기 연결은 에지 특성 정보를 기반으로 수행되고,
    상기 에지 특성 정보는 에지 굵기, 에지 주변 색체 특성 및/또는 에지 방향에 대한 정보를 포함하는 것을 특징으로 하는 방법.
  4. 제3항에 있어서,
    상기 추천 그림 정보는 추천 그림 이미지 정보, 추천 작가 정보를 포함하고,
    상기 후보 판매 그림 정보는 상기 추천 그림 이미지 정보, 상기 추천 작가 정보 각각을 기반으로 결정되고,
    상기 구매자 정보는 챗봇을 기반으로 입력되는 것을 특징으로 하는 방법.
  5. 인공 지능 큐레이팅 장치는,
    구매자 정보를 수신하는 통신부; 및
    상기 통신부와 동작 가능하게(operatively) 연결된 프로세서를 포함하되,
    상기 프로세서는 구매자 정보를 수신하고,
    상기 구매자 정보를 기반으로 추천 그림 정보를 결정하고,
    상기 추천 그림 정보를 기반으로 구매자의 사용자 장치로 후보 판매 그림 정보를 전송하도록 구현되고,
    상기 추천 그림 정보 및 상기 후보 판매 그림 정보는 그림 색체 정보 및 그림 구성 정보를 기반으로 결정되고,
    상기 그림 색체 정보는 색체 민감도 및 상기 색체 민감도를 기준으로 분할된 복수의 하위 그림 이미지 영역의 색체, 크기 및 위치를 기준으로 결정되고,
    상기 그림 구성 정보는 에지 결정 민감도 및 상기 에지 결정 민감도를 기반으로 추출된 복수의 에지 중 메인 에지의 연결을 통해 결정된 제1 그림 구성 및 상기 메인 에지를 제외한 나머지 에지 중 연결을 통해 형성된 내부 영역을 기반으로 결정된 제2 그림 구성을 기반으로 결정되는 것을 특징으로 하는 인공 지능 큐레이팅 장치.
  6. 제5항에 있어서,
    상기 색체 민감도는 기준 색체 민감도를 기준으로 그림에 사용된 색의 개수를 기준으로 결정되고,
    상기 복수의 하위 그림 이미지 영역 각각의 색체는 상기 복수의 하위 그림 이미지 영역 각각의 색체 범위의 중간값 또는 평균값에 해당하는 색이고,
    상기 복수의 하위 그림 이미지 영역 각각의 크기는 상기 복수의 하위 그림 이미지 영역 각각이 전체 그림 면적에서 차지하는 면적에 대한 것이고,
    상기 복수의 하위 그림 이미지 영역의 위치는 상기 그림의 중심과 상기 복수의 하위 그림 이미지 영역 각각의 중심 사이의 거리에 대한 것이고,
    상기 그림 색체 정보는 상기 그림의 중심과 하위 그림 이미지 영역의 중심 사이의 거리가 상대적으로 짧을수록 상기 하위 그림 이미지 영역의 색체를 상대적으로 높은 비중으로 설정한 색체 스펙트럼을 기반으로 결정되는 것을 특징으로 하는 인공 지능 큐레이팅 장치.
  7. 제6항에 있어서,
    상기 에지 결정 민감도는 상기 그림 내에 존재하는 라인 중 어떠한 것을 에지로 판단할지 여부에 대한 민감도이고,
    상기 메인 에지는 상기 복수의 에지 중 연결성을 가지되, 연결을 통해 형성된 내부 영역이 전체 그림 면적 대비 제1 임계 퍼센트 이상인 에지이고,
    상기 연결은 에지 특성 정보를 기반으로 수행되고,
    상기 에지 특성 정보는 에지 굵기, 에지 주변 색체 특성 및/또는 에지 방향에 대한 정보를 포함하는 것을 특징으로 하는 인공 지능 큐레이팅 장치.
  8. 제5항에 있어서,
    상기 추천 그림 정보는 추천 그림 이미지 정보, 추천 작가 정보를 포함하고,
    상기 후보 판매 그림 정보는 상기 추천 그림 이미지 정보, 상기 추천 작가 정보 각각을 기반으로 결정되고,
    상기 구매자 정보는 챗봇을 기반으로 입력되는 것을 특징으로 하는 인공 지능 큐레이팅 장치.
KR1020190063903A 2019-05-30 2019-05-30 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치 KR102247868B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190063903A KR102247868B1 (ko) 2019-05-30 2019-05-30 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치
PCT/KR2020/006177 WO2020242089A2 (ko) 2019-05-30 2020-05-11 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치
US17/597,895 US11966962B2 (en) 2019-05-30 2020-05-11 Artificial intelligence-based curating method and device for performing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190063903A KR102247868B1 (ko) 2019-05-30 2019-05-30 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치

Publications (2)

Publication Number Publication Date
KR20200137474A KR20200137474A (ko) 2020-12-09
KR102247868B1 true KR102247868B1 (ko) 2021-05-06

Family

ID=73553232

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190063903A KR102247868B1 (ko) 2019-05-30 2019-05-30 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치

Country Status (3)

Country Link
US (1) US11966962B2 (ko)
KR (1) KR102247868B1 (ko)
WO (1) WO2020242089A2 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102580925B1 (ko) * 2021-05-21 2023-09-21 주식회사 열매컴퍼니 추천 미술품 정보를 제공하기 위한 장치 및 방법
KR102367098B1 (ko) * 2021-07-23 2022-02-25 남효림 Ai 큐레이션을 이용한 디자인제작 중개플랫폼장치

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7437344B2 (en) * 2001-10-01 2008-10-14 L'oreal S.A. Use of artificial intelligence in providing beauty advice
US20090259567A1 (en) * 2008-04-11 2009-10-15 Kimberly Watts System and Apparatus for Creating Customized Artwork at Point-of-Purchase
KR100961782B1 (ko) 2009-05-28 2010-06-07 주식회사 모임 인공지능에 기반한 개인별 맞춤형 상품 제공 장치 및 방법,그 기록 매체
US10290036B1 (en) * 2013-12-04 2019-05-14 Amazon Technologies, Inc. Smart categorization of artwork
US20150228002A1 (en) * 2014-02-10 2015-08-13 Kelly Berger Apparatus and method for online search, imaging, modeling, and fulfillment for interior design applications
KR20180002944A (ko) * 2016-06-29 2018-01-09 한밭대학교 산학협력단 개인 선호별 최적의 상품 제안을 위한 빅데이터 추천시스템 및 추천방법
US10275820B2 (en) * 2017-01-31 2019-04-30 Walmart Apollo, Llc Systems and methods for utilizing a convolutional neural network architecture for visual product recommendations
KR101931807B1 (ko) * 2017-02-01 2018-12-21 김선영 빅데이터 분석기반 미술 전시회/미술 작품 추천 앱 서비스 시스템
KR102026291B1 (ko) * 2017-09-27 2019-09-27 (주)라이앤캐처스 개인 간 도서 거래 활성화를 위한 인벤토리 기반의 거래 목록 자동 추천 방법 및 이러한 방법을 수행하는 장치
KR20190047867A (ko) * 2017-10-30 2019-05-09 이재석 빅데이터를 이용한 사용자 맞춤형 숙소추천장치 및 방법
US11176598B2 (en) * 2018-12-10 2021-11-16 Accenture Global Solutions Limited Artificial intelligence and machine learning based conversational agent

Also Published As

Publication number Publication date
US11966962B2 (en) 2024-04-23
WO2020242089A2 (ko) 2020-12-03
KR20200137474A (ko) 2020-12-09
US20220343390A1 (en) 2022-10-27
WO2020242089A3 (ko) 2021-01-14

Similar Documents

Publication Publication Date Title
US11783567B2 (en) Systems, methods, and storage media for evaluating images
US10043109B1 (en) Attribute similarity-based search
US20190258683A1 (en) Image Directed Search
US8650141B2 (en) System and method of segmenting and tagging entities based on profile matching using a multi-media survey
JP5230612B2 (ja) コンテキスト画像入り広告の生成
DE112017006517T5 (de) Visuelle kategoriedarstellung mit vielfältiger einstufung
US20170213072A1 (en) System and method for providing an interactive shopping experience via webcam
CN108108451A (zh) 群体的群体用户画像获取方法和装置
US11610250B2 (en) Generating a product recommendation based on a user reaction
US20150220802A1 (en) Image Processing Including Object Selection
US9235875B2 (en) Image enhancement using learned non-photorealistic effects
CN110363213A (zh) 服装图像的认知分析和分类
JP6527275B1 (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
CN104185041B (zh) 视频交互广告的自动生成方法和系统
KR102247868B1 (ko) 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치
Mast et al. Probabilistic reference and grounding with PRAGR for dialogues with robots
WO2019205729A1 (zh) 用于识别物体的方法、设备和计算机可读存储介质
US20150371289A1 (en) Method for providing integrated management service for creative products in cultural arts reflecting needs of requester
CN113469272B (zh) 基于Faster R-CNN-FFS模型的酒店场景图片的目标检测方法
KR20200140588A (ko) 이미지 기반 제품 매매 서비스 제공 시스템 및 방법
Kelly et al. Hyperwars: 11 Strategies for Survival and Profit in the Era of Online Business
Kim et al. The effects of cultural distance on online brand popularity
CN109191159A (zh) 数据定向方法、装置、计算机设备及计算机可读存储介质
KR101944087B1 (ko) 과제매칭용 인공지능 모델의 학습을 위한 학습데이터 생성방법
Suk et al. Prediction of individual preference for movie poster designs based on graphic elements using machine learning classification

Legal Events

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