KR102264540B1 - 관계 분석 네트워크를 이용한 판매시스템 및 그 방법 - Google Patents

관계 분석 네트워크를 이용한 판매시스템 및 그 방법 Download PDF

Info

Publication number
KR102264540B1
KR102264540B1 KR1020200089473A KR20200089473A KR102264540B1 KR 102264540 B1 KR102264540 B1 KR 102264540B1 KR 1020200089473 A KR1020200089473 A KR 1020200089473A KR 20200089473 A KR20200089473 A KR 20200089473A KR 102264540 B1 KR102264540 B1 KR 102264540B1
Authority
KR
South Korea
Prior art keywords
node
product
graph
seller
information
Prior art date
Application number
KR1020200089473A
Other languages
English (en)
Inventor
이지현
유승혁
김정준
정진모
이준섭
곽태호
Original Assignee
한화생명보험(주)
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 한화생명보험(주) filed Critical 한화생명보험(주)
Priority to KR1020200089473A priority Critical patent/KR102264540B1/ko
Application granted granted Critical
Publication of KR102264540B1 publication Critical patent/KR102264540B1/ko
Priority to PCT/KR2021/008549 priority patent/WO2022019527A1/ko
Priority to US18/016,963 priority patent/US20230351471A1/en

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]
    • G06Q30/0613—Third-party assisted
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

판매자 데이터, 상품 데이터 및 구매자 데이터를 수집하는 수집부; 판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드를 획득하는 노드 획득부; 상기 판매자 데이터, 상기 상품 데이터 및 상기 구매자 데이터에 기초하여 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 적어도 하나의 피처 정보를 획득하는 피처 획득부; 상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보를 획득하는 에지 획득부; 상기 복수의 그래프 노드, 상기 복수의 그래프 노드 각각의 상기 적어도 하나의 피처 정보 및 상기 에지 정보를 포함하는 그래프 구조를 획득하는 그래프구조 획득부; 그래프 뉴럴 네트워크를 이용하여 상기 그래프 구조를 학습하는 학습부; 및 상기 그래프 뉴럴 네트워크 학습에 기초하여 상기 복수의 그래프 노드의 벡터 임베딩을 출력하는 벡터임베딩 출력부를 포함하는 관계 분석 네트워크를 이용한 판매시스템 및 그 방법이 개시되어 있다.

Description

관계 분석 네트워크를 이용한 판매시스템 및 그 방법{SYSTEM FOR SELLING GOODS USING CORRELATION ANALYSIS NETWORK AND METHOD THEROF}
본 발명은 관계 분석 네트워크를 이용한 판매시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 판매 시스템에 신규로 유입된 판매자, 구매자, 상품에 대해 관계 분석 네트워크를 이용하여 각각 유사도가 높은 판매자, 구매자, 상품 그룹을 추천하고, 상관관계를 예측하는 관계 분석 네트워크를 이용한 판매시스템 및 그 방법에 관한 것이다.
전자상거래가 확산되면서 다양한 판매자 및 상품들이 쏟아져 나오는 현실 속에서 구매자가 자신의 구매의도와 완벽하게 일치하는 상품을 최적의 조건을 제시하는 판매자를 통해 구매하는 것은 점점 더 어려워지고 있다. 판매자 입장에서도, 구매자의 구매의도와 완벽하게 일치하는 상품을 가시적으로 보여주는 것은 매출에 큰 영향을 미치는 만큼 그 중요성이 더욱 커지고 있다. 이에 따라 구매자의 니즈를 충족시키기 위한 일환으로 판매시스템에서의 추천 기능이 각광받게 되었다. 추천 기능은 구매자가 원하는 상품 등을 정확히 예측하여 추천하는 시스템으로서, 판매시스템에서 구매자에게 개인화된 추천을 제공하는 기능은 매우 중요하다.
특히, 판매자, 구매자 및 상품 정보까지 자유롭게 상호작용하는 개방형 판매시스템에서, 구매자 또는 판매자에게 선호도가 높은 것으로 예측되는 상품, 판매자, 구매자를 서로에게 추천하는 기능은 복잡한 문제이다.
또한, 판매시스템에 신규로 유입되는 구매자, 판매자, 상품의 경우, 판매시스템 내에서의 활동 이력이 없기 때문에 적절한 추천을 제공하기 어렵다는 단점이 있다.
[특허문헌 1] 공개특허공보 제10-2015-0121945호, 2015.10.30
본 발명은 상술한 기술적 문제에 대응하기 위하여 안출된 것으로, 본 발명의 목적은 종래 기술에서의 한계와 단점에 의해 발생하는 다양한 문제점을 실질적으로 보완할 수 있는 것으로, 판매 시스템에 신규로 유입된 판매자, 구매자, 상품에 대해 관계 분석 네트워크를 이용하여 각각 유사도가 높은 판매자, 구매자, 상품 그룹을 추천하고, 상관관계를 예측하는 관계 분석 네트워크를 이용한 판매시스템 및 그 방법을 제공하는데 있고, 상기 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공하는데 있다.
본 발명의 일 실시예에 따르면 관계 분석 네트워크를 이용한 판매방법은 판매자 데이터, 상품 데이터 및 구매자 데이터를 수집하는 단계; 판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드를 획득하는 단계; 상기 판매자 데이터, 상기 상품 데이터 및 상기 구매자 데이터에 기초하여 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 적어도 하나의 피처 정보를 획득하는 단계; 상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보를 획득하는 단계; 상기 복수의 그래프 노드, 상기 복수의 그래프 노드 각각의 상기 적어도 하나의 피처 정보 및 상기 에지 정보를 포함하는 그래프 구조를 획득하는 단계; 그래프 뉴럴 네트워크를 이용하여 상기 그래프 구조를 학습하는 단계; 및 상기 그래프 뉴럴 네트워크 학습에 기초하여 상기 복수의 그래프 노드의 벡터 임베딩을 출력하는 단계를 포함한다.
본 발명의 일 실시예에 따르면 상기 판매자 데이터는 이름, 사진, 나이, 활동지역, 전문분야, 판매자격분야, 관심분야, 위촉여부, 보유고객수, 자격사항, 판매 애플리케이션 활동정보, 판매이력 정보 및 판매피드백 정보 중 적어도 하나를 포함한다.
본 발명의 일 실시예에 따르면 상기 상품 데이터는 상품유형, 유형별 상세정보, 상품가격 및 상품판매와 관련된 구매자정보 중 적어도 하나를 포함한다.
본 발명의 일 실시예에 따르면 상기 구매자 데이터는 이름, 사진, 나이, 거주지역, 결혼여부, 가족구성원, 자차유무, 관심분야, 판매 애플리케이션 활동정보, 상품검색이력 정보, 상품구매이력 정보, 구매상품 피드백 정보 및 판매자 피드백 정보 중 적어도 하나를 포함한다.
본 발명의 일 실시예에 따르면 상기 복수의 그래프 노드의 벡터 임베딩을 출력하는 단계는 상기 복수의 그래프 노드 각각이 상기 에지 정보에 기초하여 이웃 노드의 상기 적어도 하나의 피처 정보를 자신의 벡터 임베딩으로 획득하는 단계이고, 레이어를 하나씩 증가시키면서 반복 수행되는 단계이다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매방법은 상기 벡터 임베딩에 기초하여 비지도학습을 이용하여, 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드 각각을 유사 노드들의 그룹으로 분류하는 단계를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매방법은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 판매자 데이터를 획득하는 경우, 상기 신규 판매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계; 및 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 판매자 노드의 벡터 임베딩에 기초하여, 상품 정보 및 구매자 정보 중 적어도 하나를 추천하는 단계를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매방법은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 구매자 데이터를 획득하는 경우, 상기 신규 구매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계; 및 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 구매자 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 상품 정보 중 적어도 하나를 추천하는 단계를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매방법은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 상품 데이터를 획득하는 경우, 상기 신규 상품 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계; 및 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 상품 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 구매자 정보 중 적어도 하나를 추천하는 단계를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매방법은 판매자 노드, 상품 노드, 구매자 노드 중 2개의 노드 간에 상관관계가 없는 경우, 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여 해당 상관관계를 예측하는 단계를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매방법은 상기 복수의 그래프 노드의 벡터 임베딩을 포함하는 전체 그래프의 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드를 포함하는 서브 그래프 그룹을 소정의 분류기준에 기초하여 클러스터로 분류하는 단계를 더 포함한다.
또한, 본 발명의 일 실시예에 따르면 상기 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 포함한다.
또한, 본 발명의 일 실시예에 따르면 관계 분석 네트워크를 이용한 판매시스템은 판매자 데이터, 상품 데이터 및 구매자 데이터를 수집하는 수집부; 판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드를 획득하는 노드 획득부; 상기 판매자 데이터, 상기 상품 데이터 및 상기 구매자 데이터에 기초하여 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 적어도 하나의 피처 정보를 획득하는 피처 획득부; 상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보를 획득하는 에지 획득부; 상기 복수의 그래프 노드, 상기 복수의 그래프 노드 각각의 상기 적어도 하나의 피처 정보 및 상기 에지 정보를 포함하는 그래프 구조를 획득하는 그래프구조 획득부; 그래프 뉴럴 네트워크를 이용하여 상기 그래프 구조를 학습하는 학습부; 및 상기 그래프 뉴럴 네트워크 학습에 기초하여 상기 복수의 그래프 노드의 벡터 임베딩을 출력하는 벡터임베딩 출력부를 포함한다.
본 발명의 일 실시예에 따르면 상기 판매자 데이터는 이름, 사진, 나이, 활동지역, 전문분야, 판매자격분야, 관심분야, 위촉여부, 보유고객수, 자격사항, 판매 애플리케이션 활동정보, 판매이력 정보 및 판매피드백 정보 중 적어도 하나를 포함한다.
본 발명의 일 실시예에 따르면 상기 상품 데이터는 상품유형, 유형별 상세정보, 상품가격 및 상품판매와 관련된 구매자정보 중 적어도 하나를 포함한다.
본 발명의 일 실시예에 따르면 상기 구매자 데이터는 이름, 사진, 나이, 거주지역, 결혼여부, 가족구성원, 자차유무, 관심분야, 판매 애플리케이션 활동정보, 상품검색이력 정보, 상품구매이력 정보, 구매상품 피드백 정보 및 판매자 피드백 정보 중 적어도 하나를 포함한다.
본 발명의 일 실시예에 따르면 상기 벡터임베딩 출력부는 상기 복수의 그래프 노드 각각이 상기 에지 정보에 기초하여 이웃 노드의 상기 적어도 하나의 피처 정보를 자신의 벡터 임베딩으로 획득하고; 레이어를 하나씩 증가시키면서 상기 벡터임베딩 획득을 반복 수행한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매시스템은 상기 벡터 임베딩에 기초하여 비지도학습을 이용하여, 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드 각각을 유사 노드들의 그룹으로 분류하는 분류부를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매시스템은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 판매자 데이터를 획득하는 경우, 상기 신규 판매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 제1 유사그룹결정부; 및 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 판매자 노드의 벡터 임베딩에 기초하여, 상품 정보 및 구매자 정보 중 적어도 하나를 추천하는 제1 추천부를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매시스템은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 구매자 데이터를 획득하는 경우, 상기 신규 구매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 제2 유사그룹결정부; 및 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 구매자 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 상품 정보 중 적어도 하나를 추천하는 제2 추천부를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매시스템은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 상품 데이터를 획득하는 경우, 상기 신규 상품 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 제3 유사그룹결정부; 및 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 상품 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 구매자 정보 중 적어도 하나를 추천하는 제3 추천부를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 관계 분석 네트워크를 이용한 판매시스템은 판매자 노드, 상품 노드, 구매자 노드 중 2개의 노드 간에 상관관계가 없는 경우, 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여 해당 상관관계를 예측하는 예측부를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 분류부는 상기 복수의 그래프 노드의 벡터 임베딩을 포함하는 전체 그래프의 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드를 포함하는 서브 그래프 그룹을 소정의 분류기준에 기초하여 클러스터로 더 분류한다.
본 발명에 따르면, 판매시스템 내에서의 활동 이력이 없는 신규로 유입되는 구매자, 판매자, 상품에 대해서, 관계 분석 네트워크를 이용하여 각각 유사도가 높은 판매자, 구매자, 상품 그룹을 결정하고, 해당 그룹에 편입시킬 수 있다. 이를 통해, 신규로 유입되는 구매자, 판매자, 상품은 유사도가 높은 그룹의 특징(벡터 임베딩)을 획득할 수 있고, 판매시스템에서의 의사결정에 활용할 수 있다. 예를 들어, 신규 판매자의 경우, 자신과 유사도가 높은 판매자 그룹에 편입됨으로써, 타 판매자들의 판매이력 등의 특징을 획득할 수 있고 최적의 구매자를 찾는데 도움을 받을 수 있다. 신규 구매자의 경우, 자신과 유사도가 높은 구매자 그룹에 편입됨으로써, 타 구매자들이 거래한 판매자 등의 특징을 확인하고 최적의 판매자 선택에 도움을 받을 수 있다. 신규 상품이 유입된 경우, 유사도가 높은 상품 그룹에 편입됨으로써, 타 상품들의 판매자 및/또는 구매자와 관련된 특징을 확인하고, 어떤 판매자가 해당 상품을 잘 팔 수 있는지, 어떤 구매자들에게 해당 상품을 추천해야 하는지 결정하는데 도움을 받을 수 있다.
또한, 본 발명에 따르면, 판매자, 상품, 구매자 간에 상관관계가 없는 경우에도 그래프 뉴럴 네트워크(GNN: Graph Neural Network)를 이용하여 학습시킨 관계 분석 네트워크에 기초하여, 판매자, 상품, 구매자 간의 상관관계를 예측할 수 있다. 예를 들어, 판매시스템에 신규로 유입된 신규 상품과 신규 구매자가 있을 경우, 서로 연결될 가능성이 높은 쌍을 찾아서 해당 구매자가 해당 상품을 구매할 가능성이 높다고 예측할 수 있다. 또한, 상관관계가 파악되지 않은 판매자와 구매자의 연결 가능성을 예측함으로써, 해당 판매자와 해당 구매자가 성공적으로 거래를 성사시킬수 있을 지 판단할 수 있다.
또한, 본 발명에 따르면, 그래프 뉴럴 네트워크를 이용하여 학습시킨 관계 분석 네트워크의 판매자, 상품 및 구매자를 포함하는 그룹(판매자/상품/구매자 그룹)을 소정의 분류기준에 기초하여 클러스터로 분류하고, 각각의 클러스터에 대한 판매 전략을 수립할 수 있다. 예를 들어, 학습된 관계 분석 네트워크의 판매자/상품/구매자 그룹을 판매시스템 내의 활동 기준으로 클러스터로 분류하고, 활동이 활발한 클러스터 내에서 거래된 상품을 동일 클러스터 내의 다른 판매자/상품/구매자 그룹에게 추천함으로써, 다른 판매자/상품/구매자 그룹의 판매율을 증가시킬 수 있다. 또한 새로운 판매자/상품/구매자 그룹이 생성되었을 때 이 그룹의 거래 활성도를 예측하여 저조한 활동이 예상되는 그룹에게는 판매시스템 활용을 촉진하는 프로모션을 제공하고, 활발한 활동이 예상되는 그룹에게는 판매시스템에 대한 충성도를 높일 수 있는 프로모션을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 관계 분석 네트워크를 이용한 판매시스템의 개략적인 블록도이다.
도 2는 본 발명의 일 실시예에 따른 그래프 뉴럴 네트워크로 학습시킬 그래프 구조를 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 그래프 뉴럴 네트워크로 학습한 결과로 출력되는 단일 레이어의 노드 벡터 임베딩을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 그래프 뉴럴 네트워크로 학습한 결과로 출력되는 복수 레이어의 노드 벡터 임베딩을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 노드 간 상관관계 예측을 나타내는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 관계 분석 네트워크를 이용한 판매방법의 개략적인 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명한다. 도면에서 동일한 참조부호는 동일한 구성요소를 지칭하며, 도면 상에서 각 구성 요소의 크기는 설명의 명료성을 위하여 과장되어 있을 수 있다.
도 1은 본 발명의 일 실시예에 따른 관계 분석 네트워크를 이용한 판매시스템의 개략적인 블록도이다.
본 발명의 일 실시예에 따른 관계 분석 네트워크를 이용한 판매시스템(100)는 수집부(110), 노드 획득부(120), 피처 획득부(130), 에지 획득부(140), 그래프구조 획득부(150), 학습부(160) 및 벡터임베딩 출력부(170)를 포함한다. 관계 분석 네트워크를 이용한 판매시스템(100)은 분류부(미도시), 제1 유사그룹결정부(미도시), 제1 추천부(미도시), 제2 유사그룹결정부(미도시), 제2 추천부(미도시), 제3 유사그룹결정부(미도시), 제3 추천부(미도시) 및 예측부(미도시)를 더 포함할 수 있다.
수집부(110)는 판매자 데이터, 상품 데이터 및 구매자 데이터를 수집한다.
상기 판매자 데이터는 이름, 사진, 나이, 활동지역, 전문분야, 판매자격분야, 관심분야, 위촉여부, 보유고객수, 자격사항, 판매 애플리케이션 활동정보, 판매이력 정보 및 판매피드백 정보 중 적어도 하나를 포함한다. 상기 판매 애플리케이션 활동정보는 판매 애플리케이션을 소정 기간(예. 하루)동안 이용한 회수, 상품 검색 이력 및 상품 조회 시간을 포함한다.
상기 상품 데이터는 상품유형, 유형별 상세정보, 상품가격 및 상품판매와 관련된 구매자정보 중 적어도 하나를 포함한다.
상기 구매자 데이터는 이름, 사진, 나이, 거주지역, 결혼여부, 가족구성원, 자차유무, 관심분야, 판매 애플리케이션 활동정보, 상품검색이력 정보, 상품구매이력 정보, 구매상품 피드백 정보 및 판매자 피드백 정보 중 적어도 하나를 포함한다.
노드 획득부(120)는 판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드를 획득한다.
피처 획득부(130)는 상기 판매자 데이터, 상기 상품 데이터 및 상기 구매자 데이터에 기초하여 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 적어도 하나의 피처 정보를 획득한다.
에지 획득부(140)는 상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보를 획득한다.
그래프구조 획득부(150)는 상기 복수의 그래프 노드, 상기 복수의 그래프 노드 각각의 상기 적어도 하나의 피처 정보 및 상기 에지 정보를 포함하는 그래프 구조(또는 네트워크)를 획득한다.
이하 도 2에서 그래프 뉴럴 네트워크로 학습시킬 그래프 구조를 구체적으로 후술한다.
학습부(160)는 그래프 뉴럴 네트워크(GNN: Graph Neural Network)를 이용하여 상기 그래프 구조를 학습한다. 그래프 뉴럴 네트워크는 그래프 노드, 각각의 노드의 피처 정보 및 노드 간 에지 정보를 포함하는 그래프 구조를 입력받고 그래프 구조를 이용하여 학습하는 인공지능 알고리즘이다.
벡터임베딩 출력부(170)는 상기 그래프 뉴럴 네트워크를 이용한 학습에 기초하여 상기 복수의 그래프 노드의 벡터 임베딩을 출력한다. 벡터임베딩 출력부(170)는 상기 복수의 그래프 노드 각각이 상기 에지 정보에 기초하여 이웃 노드의 상기 적어도 하나의 피처 정보를 자신의 벡터 임베딩으로 획득하고, 레이어를 하나씩 증가시키면서 상기 벡터임베딩 획득을 반복 수행한다. 각각의 노드는 벡터 임베딩을 통해 직간접으로 상관관계가 있는(인접한) 노드들의 피처 정보를 모두 획득할 수 있다. 따라서 각각의 노드는 벡터 임베딩을 통해 관계 분석 네트워크를 구축할 수 있다. 벡터임베딩 출력부(170)의 구체적인 동작은 이하 도 3 및 도 4를 통해 후술한다.
본 실시예에 따르면 각각의 노드의 벡터 임베딩을 통해 판매시스템에서의 판매자 및 구매자 간의 구매 거래 여부, 판매자 및 판매자 간의 구매자 공유 여부, 구매자 및 상품 간의 구매 여부 등 다양한 관계를 파악할 수 있다.
상기 분류부(미도시)는 벡터임베딩 출력부(170)에 의해 획득한 상기 벡터 임베딩에 기초하여 비지도학습을 이용하여, 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드 각각을 유사 노드들의 그룹으로 분류한다.
상기 제1 유사그룹결정부(미도시)는 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 판매자 데이터를 획득하는 경우, 상기 신규 판매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정한다. 상기 제1 유사그룹결정부(미도시)는 상기 신규 판매자를 상기 가장 유사도가 높은 그룹에 편입시킬 수 있다. 따라서, 신규 판매자는 유사도가 높은 그룹의 특징(벡터 임베딩)을 획득할 수 있고, 판매시스템에서의 의사결정에 활용할 수 있다.
상기 제1 추천부(미도시)는 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 판매자 노드의 벡터 임베딩에 기초하여, 상품 정보 및 구매자 정보 중 적어도 하나를 추천한다. 예를 들어, 신규 판매자의 경우, 상기 가장 유사도가 높은 그룹에 속하는 타 판매자들의 판매이력 등의 특징을 획득할 수 있고 최적의 구매자를 찾는데 도움을 받을 수 있다.
상기 제2 유사그룹결정부(미도시)는 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 구매자 데이터를 획득하는 경우, 상기 신규 구매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정한다. 상기 제2 유사그룹결정부(미도시)는 상기 신규 구매자를 상기 가장 유사도가 높은 그룹에 편입시킬 수 있다. 따라서, 신규 구매자는 유사도가 높은 그룹의 특징(벡터 임베딩)을 획득할 수 있고, 판매시스템에서의 의사결정에 활용할 수 있다.
상기 제2 추천부(미도시)는 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 구매자 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 상품 정보 중 적어도 하나를 추천한다. 예를 들어, 신규 구매자의 경우, 상기 가장 유사도가 높은 그룹에 속하는 타 구매자들이 거래한 판매자 등의 특징을 확인하고 최적의 판매자 선택에 도움을 받을 수 있다.
상기 제3 유사그룹결정부(미도시)는 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 상품 데이터를 획득하는 경우, 상기 신규 상품 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정한다. 상기 제3 유사그룹결정부(미도시)는 상기 신규 상품을 상기 가장 유사도가 높은 그룹에 편입시킬 수 있다. 따라서, 신규 상품은 유사도가 높은 그룹의 특징(벡터 임베딩)을 획득할 수 있고, 판매시스템에서의 의사결정에 활용될 수 있다.
상기 제3 추천부(미도시)는 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 상품 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 구매자 정보 중 적어도 하나를 추천한다. 예를 들어, 신규 상품이 유입된 경우, 상기 가장 유사도가 높은 그룹에 속하는 타 상품들의 판매자 및/또는 구매자와 관련된 특징을 확인하고, 어떤 판매자가 해당 상품을 잘 팔 수 있는지, 어떤 구매자들에게 해당 상품을 추천해야 하는지 결정하는데 도움을 받을 수 있다.
상기 예측부(미도시)는 판매자 노드, 상품 노드, 구매자 노드 중 2개의 노드 간에 상관관계가 없는 경우, 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여 해당 상관관계를 예측한다. 이하 도 5에서 노드 간 상관관계 예측을 나타내는 예시를 후술한다.
상기 분류부(미도시)는 상기 복수의 그래프 노드의 벡터 임베딩을 포함하는 전체 그래프의 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드를 포함하는 서브 그래프 그룹을 소정의 분류기준에 기초하여 클러스터로 더 분류할 수 있고, 각각의 클러스터에 대한 판매 전략을 수립할 수 있다. 예를 들어, 상기 복수의 그래프 노드의 벡터 임베딩을 포함하는 전체 그래프의 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드를 포함하는 서브 그래프 그룹을 판매시스템(100) 내의 활동 기준으로 클러스터로 분류하고, 활동이 활발한 클러스터 내에서 거래된 상품을 동일 클러스터 내의 다른 판매자 노드/상품 노드/구매자 노드 그룹에게 추천함으로써, 다른 그룹의 판매율을 증가시킬 수 있다. 또한 새로운 판매자 노드/상품 노드/구매자 노드 그룹이 생성되었을 때 이 그룹의 거래 활성도를 예측하여 저조한 활동이 예상되는 그룹에게는 판매시스템 활용을 촉진하는 프로모션을 제공하고, 활발한 활동이 예상되는 그룹에게는 판매시스템에 대한 충성도를 높일 수 있는 프로모션을 제공할 수 있다.
도 2는 본 발명의 일 실시예에 따른 그래프 뉴럴 네트워크로 학습시킬 그래프 구조를 개략적으로 도시한다.
도시된 예에서, 판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드는 원으로 도시된다. 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 피처 정보는 해당 노드 상단에 네모박스로 도시된다. 상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보는 노드 간의 연결 선으로 도시된다.
도시된 예에서 피처 매트릭스는 노드1, 노드2, 노드3 및 노드4의 각각의 피처 정보를 각각의 행으로 포함한다. 예를 들면, 노드1은 [1, 0, 0]의 피처 정보를 갖는다.
도시된 예에서, 그래프 상관관계 인접 매트릭스는 노드1, 노드2, 노드3 및 노드4 간의 상관관계를 나타내는 에지 정보를 포함한다. 예를 들면, 노드1은 [1, 1, 1, 0]의 에지 정보를 가지며, 이는 자기자신, 노드2, 노드3 과의 상관관계가 있음을 나타낸다.
도 3은 본 발명의 일 실시예에 따른 그래프 뉴럴 네트워크로 학습한 결과로 출력되는 단일 레이어의 노드 벡터 임베딩을 개략적으로 도시한다.
본 실시예에 따른 관계 분석 네트워크를 이용한 판매시스템(100)의 벡터임베딩 출력부(170)는 그래프 뉴럴 네트워크 학습에 기초하여 복수의 그래프 노드의 벡터 임베딩을 출력한다. 각각의 노드의 벡터 임베딩이란, 직간접으로 상관관계가 있는(인접한) 노드들의 피처 정보를 의미한다.
벡터임베딩 출력부(170)는 레이어를 하나씩 증가시키면서 벡터임베딩 획득을 반복 수행한다. 하나의 레이어에서 각각의 노드는 벡터임베딩 출력부(170)에 의해, 그래프 상의 이웃들의 피처 정보와 자기 자신의 피처 정보를 결합하여 벡터 임베딩을 획득한다. 도 3은 이웃 노드 B, C, D를 갖는 노드 A에 대해 하나의 레이어로 그래프 뉴럴 네트워크 학습을 하는 경우를 예시적으로 도시한다. 도시된 예에서, 노드 A의 벡터 임베딩은 노드 A의 피처 정보와 함께 노드 B, C, D의 피처 정보를 모두 포함한다. 노드 A는 벡터 임베딩을 통해 자신과 상관관계가 있는 다른 노드들의 특징들을 피처 정보로서 획득할 수 있다.
도 4는 본 발명의 일 실시예에 따른 그래프 뉴럴 네트워크로 학습한 결과로 출력되는 복수 레이어의 노드 벡터 임베딩을 개략적으로 도시한다.
도 4는 이웃 노드 B, C, D를 갖는 노드 A 및 이웃 노드 E, F, G를 갖는 노드 B가 있고, 두개의 레이어로 그래프 뉴럴 네트워크 학습을 하는 경우를 예시적으로 도시한다. 도시된 예에서, 노드 A의 벡터 임베딩은 노드 A의 피처 정보, 이웃 노드 B, C, D의 피처 정보 및 이웃 노드 B의 이웃 노드인 E, F, G의 피처 정보를 모두 포함한다.
Figure 112020075175494-pat00001
를 k번째 레이어를 거친 후 노드 v의 벡터 임베딩으로 정의하고,
Figure 112020075175494-pat00002
를 구하는 알고리즘은 다음과 같다.
for v in V:
h_{v}^{0} = (v의 feature vector)
for i in range(1, k+1):
for v in V:
a = AGGREGATE({h_{u}^{i-1} | {u, v} in E})
h_{v}^{i} = CONCAT(h_{v}^{i-1}, a)
도 5는 본 발명의 일 실시예에 따른 노드 간 상관관계 예측을 나타내는 예시도이다.
본 실시예에 따른 관계 분석 네트워크를 이용한 판매시스템(100)의 예측부(미도시)는 판매자 노드, 상품 노드, 구매자 노드 중 2개의 노드 간에 상관관계가 없는 경우, 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여 해당 상관관계를 예측한다.
도시된 예에서, 구매자 노드 및 상품 노드 간의 구매상품 피드백 정보에 기초한 구매자 노드 및 상품 노드 간의 상관관계를 도시한다. 도시된 예에서 구매상품 피드백 정보는 구매자의 구매 상품에 대한 만족도 점수를 의미한다. 예를 들어, 노드 V1 구매자의 Vb 상품에 대한 만족도 점수는 2이고, 노드 V2 구매자의 Va, Vc 상품에 대한 만족도 점수는 각각 5와 3이이다. 예측부(미도시)는 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여, 노드 V1 구매자의 Va, Vc 상품에 대한 만족도 점수를 예측할 수 있다.
도시된 예와 같이, 본 실시예에 따르면 판매자, 상품, 구매자 간에 상관관계가 없는 경우에도 그래프 뉴럴 네트워크 학습을 통해 획득한 관계 분석 네트워크에 기초하여, 판매자, 상품, 구매자 간의 상관관계를 예측할 수 있다. 예를 들어, 판매시스템에 신규로 유입된 신규 상품과 신규 구매자가 있을 경우, 서로 연결될 가능성이 높은 쌍을 찾아서 해당 구매자가 해당 상품을 구매할 가능성이 높다고 예측할 수 있다. 또한, 상관관계가 파악되지 않은 판매자와 구매자의 연결 가능성을 예측함으로써, 해당 판매자와 해당 구매자가 성공적으로 거래를 성사시킬수 있을 지 판단할 수 있다.
도 6은 본 발명의 일 실시예에 따른 관계 분석 네트워크를 이용한 판매방법의 개략적인 흐름도이다.
단계 S610에서, 관계 분석 네트워크를 이용한 판매시스템(100)은 수집부(110)에 의해, 판매자 데이터, 상품 데이터 및 구매자 데이터를 수집한다.
상기 판매자 데이터는 이름, 사진, 나이, 활동지역, 전문분야, 판매자격분야, 관심분야, 위촉여부, 보유고객수, 자격사항, 판매 애플리케이션 활동정보, 판매이력 정보 및 판매피드백 정보 중 적어도 하나를 포함한다.
상기 상품 데이터는 상품유형, 유형별 상세정보, 상품가격 및 상품판매와 관련된 구매자정보 중 적어도 하나를 포함한다.
상기 구매자 데이터는 이름, 사진, 나이, 거주지역, 결혼여부, 가족구성원, 자차유무, 관심분야, 판매 애플리케이션 활동정보, 상품검색이력 정보, 상품구매이력 정보, 구매상품 피드백 정보 및 판매자 피드백 정보 중 적어도 하나를 포함한다.
단계 S620에서, 관계 분석 네트워크를 이용한 판매시스템(100)은 노드 획득부(120)에 의해, 판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드를 획득한다.
단계 S630에서, 관계 분석 네트워크를 이용한 판매시스템(100)은 피처 획득부(130)에 의해, 상기 판매자 데이터, 상기 상품 데이터 및 상기 구매자 데이터에 기초하여 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 적어도 하나의 피처 정보를 획득한다.
단계 S640에서, 관계 분석 네트워크를 이용한 판매시스템(100)은 에지 획득부(140)에 의해, 상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보를 획득한다.
단계 S650에서, 관계 분석 네트워크를 이용한 판매시스템(100)은 그래프구조(150) 획득부에 의해, 상기 복수의 그래프 노드, 상기 복수의 그래프 노드 각각의 상기 적어도 하나의 피처 정보 및 상기 에지 정보를 포함하는 그래프 구조를 획득한다.
단계 S660에서, 관계 분석 네트워크를 이용한 판매시스템(100)은 학습부(160)에 의해, 그래프 뉴럴 네트워크를 이용하여 상기 그래프 구조를 학습한다.
단계 S670에서, 관계 분석 네트워크를 이용한 판매시스템(100)은 벡터임베딩 출력부(170)에 의해, 상기 그래프 뉴럴 네트워크 학습에 기초하여 상기 복수의 그래프 노드의 벡터 임베딩을 출력한다. 단계 S670은 상기 복수의 그래프 노드 각각이 상기 에지 정보에 기초하여 이웃 노드의 상기 적어도 하나의 피처 정보를 자신의 벡터 임베딩으로 획득하는 단계이고, 레이어를 하나씩 증가시키면서 반복 수행되는 단계이다.
관계 분석 네트워크를 이용한 판매시스템(100)은 상기 분류부에 의해 상기 벡터 임베딩에 기초하여 비지도학습을 이용하여, 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드 각각을 유사 노드들의 그룹으로 분류하는 단계를 더 포함한다(미도시).
관계 분석 네트워크를 이용한 판매시스템(100)은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 판매자 데이터를 획득하는 경우, 상기 제1 유사그룹결정부에 의해 상기 신규 판매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계(미도시) 및 상기 제1 추천부에 의해 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 판매자 노드의 벡터 임베딩에 기초하여, 상품 정보 및 구매자 정보 중 적어도 하나를 추천하는 단계(미도시)를 더 포함한다.
관계 분석 네트워크를 이용한 판매시스템(100)은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 구매자 데이터를 획득하는 경우, 상기 제2 유사그룹결정부에 의해 상기 신규 구매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계(미도시) 및 상기 제2 추천부에 의해 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 구매자 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 상품 정보 중 적어도 하나를 추천하는 단계(미도시)를 더 포함한다.
관계 분석 네트워크를 이용한 판매시스템(100)은 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 상품 데이터를 획득하는 경우, 상기 제3 유사그룹결정부에 의해 상기 신규 상품 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계(미도시) 및 상기 제3 추천부에 의해 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 상품 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 구매자 정보 중 적어도 하나를 추천하는 단계(미도시)를 더 포함한다.
관계 분석 네트워크를 이용한 판매시스템(100)은 상기 예측부에 의해 판매자 노드, 상품 노드, 구매자 노드 중 2개의 노드 간에 상관관계가 없는 경우, 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여 해당 상관관계를 예측하는 단계(미도시)를 더 포함한다.
관계 분석 네트워크를 이용한 판매시스템(100)은 상기 분류부에 의해 상기 복수의 그래프 노드의 벡터 임베딩을 포함하는 전체 그래프의 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드를 포함하는 서브 그래프 그룹을 소정의 분류기준에 기초하여 클러스터로 분류하는 단계(미도시)를 더 포함한다.
이상에서 본 발명의 바람직한 실시예가 상세히 기술되었지만, 본 발명의 범위는 이에 한정되지 않고, 다양한 변형 및 균등한 타 실시예가 가능하다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해서 정해져야 할 것이다.
예를 들어, 본 발명의 예시적인 실시예에 따른 장치는 도시된 바와 같은 장치 각각의 유닛들에 커플링된 버스, 상기 버스에 커플링된 적어도 하나의 프로세서를 포함할 수 있고, 명령, 수신된 메시지 또는 생성된 메시지를 저장하기 위해 상기 버스에 커플링되고, 전술한 바와 같은 명령들을 수행하기 위한 적어도 하나의 프로세서에 커플링된 메모리를 포함할 수 있다.
또한, 본 발명에 따른 시스템은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 상기 컴퓨터가 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등) 및 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

Claims (23)

  1. 수집부에 의해, 판매자 데이터, 상품 데이터 및 구매자 데이터를 수집하는 단계;
    노드 획득부에 의해, 판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드를 획득하는 단계;
    피처 획득부에 의해, 상기 판매자 데이터, 상기 상품 데이터 및 상기 구매자 데이터에 기초하여 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 적어도 하나의 피처 정보를 획득하는 단계;
    에지 획득부에 의해, 상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보를 획득하는 단계;
    그래프구조 획득부에 의해, 상기 복수의 그래프 노드, 상기 복수의 그래프 노드 각각의 상기 적어도 하나의 피처 정보 및 상기 에지 정보를 포함하는 그래프 구조를 획득하는 단계;
    학습부에 의해, 그래프 뉴럴 네트워크를 이용하여 상기 그래프 구조를 학습하는 단계; 및
    출력부에 의해, 상기 그래프 뉴럴 네트워크 학습에 기초하여 상기 복수의 그래프 노드의 벡터 임베딩을 출력하는 단계를 포함하고;
    상기 복수의 그래프 노드의 벡터 임베딩을 출력하는 단계는
    상기 복수의 그래프 노드 각각이 상기 에지 정보에 기초하여 이웃 노드의 상기 적어도 하나의 피처 정보를 자신의 벡터 임베딩으로 획득하는 단계이고, 레이어를 하나씩 증가시키면서 반복 수행되는 단계이고;
    분류부에 의해, 상기 벡터 임베딩에 기초하여 비지도학습을 이용하여, 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드 각각을 유사 노드들의 그룹으로 분류하는 단계를 더 포함하고;
    제1 유사그룹 결정부에 의해, 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 판매자 데이터를 획득하는 경우, 상기 신규 판매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계; 및
    제1 추천부에 의해, 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 판매자 노드의 벡터 임베딩에 기초하여, 상품 정보 및 구매자 정보 중 적어도 하나를 추천하는 단계를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  2. 제 1항에 있어서,
    상기 판매자 데이터는
    이름, 사진, 나이, 활동지역, 전문분야, 판매자격분야, 관심분야, 위촉여부, 보유고객수, 자격사항, 판매 애플리케이션 활동정보, 판매이력 정보 및 판매피드백 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  3. 제 1항에 있어서,
    상기 상품 데이터는
    상품유형, 유형별 상세정보, 상품가격 및 상품판매와 관련된 구매자정보 중 적어도 하나를 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  4. 제 1항에 있어서,
    상기 구매자 데이터는
    이름, 사진, 나이, 거주지역, 결혼여부, 가족구성원, 자차유무, 관심분야, 판매 애플리케이션 활동정보, 상품검색이력 정보, 상품구매이력 정보, 구매상품 피드백 정보 및 판매자 피드백 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제 1항에 있어서,
    상기 관계 분석 네트워크를 이용한 판매방법은
    제2 유사그룹결정부에 의해, 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 구매자 데이터를 획득하는 경우, 상기 신규 구매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계; 및
    제2 추천부에 의해, 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 구매자 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 상품 정보 중 적어도 하나를 추천하는 단계를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  9. 제 1항에 있어서,
    상기 관계 분석 네트워크를 이용한 판매방법은
    제3 유사그룹결정부에 의해, 상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 상품 데이터를 획득하는 경우, 상기 신규 상품 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 단계; 및
    제3 추천부에 의해, 상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 상품 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 구매자 정보 중 적어도 하나를 추천하는 단계를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  10. 제 1항에 있어서,
    상기 관계 분석 네트워크를 이용한 판매방법은
    예측부에 의해, 판매자 노드, 상품 노드, 구매자 노드 중 2개의 노드 간에 상관관계가 없는 경우, 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여 해당 상관관계를 예측하는 단계를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  11. 제 1항에 있어서,
    상기 관계 분석 네트워크를 이용한 판매방법은
    상기 분류부에 의해, 상기 복수의 그래프 노드의 벡터 임베딩을 포함하는 전체 그래프의 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드를 포함하는 서브 그래프 그룹을 소정의 분류기준에 기초하여 클러스터로 분류하는 단계를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매방법.
  12. 제 1항 내지 제 4항, 제 8항 내지 제 11항 중 어느 한 항에 의한 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.
  13. 판매자 데이터, 상품 데이터 및 구매자 데이터를 수집하는 수집부;
    판매자 노드, 상품 노드, 구매자 노드를 포함하는 복수의 그래프 노드를 획득하는 노드 획득부;
    상기 판매자 데이터, 상기 상품 데이터 및 상기 구매자 데이터에 기초하여 상기 복수의 그래프 노드 각각의 속성 값을 나타내는 적어도 하나의 피처 정보를 획득하는 피처 획득부;
    상기 적어도 하나의 피처 정보에 기초하여 획득한, 상기 복수의 그래프 노드 간의 상관관계를 나타내는 에지 정보를 획득하는 에지 획득부;
    상기 복수의 그래프 노드, 상기 복수의 그래프 노드 각각의 상기 적어도 하나의 피처 정보 및 상기 에지 정보를 포함하는 그래프 구조를 획득하는 그래프구조 획득부;
    그래프 뉴럴 네트워크를 이용하여 상기 그래프 구조를 학습하는 학습부; 및
    상기 그래프 뉴럴 네트워크 학습에 기초하여 상기 복수의 그래프 노드의 벡터 임베딩을 출력하는 벡터임베딩 출력부를 포함하고;
    상기 벡터임베딩 출력부는
    상기 복수의 그래프 노드 각각이 상기 에지 정보에 기초하여 이웃 노드의 상기 적어도 하나의 피처 정보를 자신의 벡터 임베딩으로 획득하고, 레이어를 하나씩 증가시키면서 상기 벡터임베딩 획득을 반복 수행하고;
    상기 벡터 임베딩에 기초하여 비지도학습을 이용하여, 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드 각각을 유사 노드들의 그룹으로 분류하는 분류부를 더 포함하고;
    상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 판매자 데이터를 획득하는 경우, 상기 신규 판매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 제1 유사그룹결정부; 및
    상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 판매자 노드의 벡터 임베딩에 기초하여, 상품 정보 및 구매자 정보 중 적어도 하나를 추천하는 제1 추천부를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
  14. 제 13항에 있어서,
    상기 판매자 데이터는
    이름, 사진, 나이, 활동지역, 전문분야, 판매자격분야, 관심분야, 위촉여부, 보유고객수, 자격사항, 판매 애플리케이션 활동정보, 판매이력 정보 및 판매피드백 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
  15. 제 13항에 있어서,
    상기 상품 데이터는
    상품유형, 유형별 상세정보, 상품가격 및 상품판매와 관련된 구매자정보 중 적어도 하나를 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
  16. 제 13항에 있어서,
    상기 구매자 데이터는
    이름, 사진, 나이, 거주지역, 결혼여부, 가족구성원, 자차유무, 관심분야, 판매 애플리케이션 활동정보, 상품검색이력 정보, 상품구매이력 정보, 구매상품 피드백 정보 및 판매자 피드백 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
  17. 삭제
  18. 삭제
  19. 삭제
  20. 제 13항에 있어서,
    상기 관계 분석 네트워크를 이용한 판매시스템은
    상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 구매자 데이터를 획득하는 경우, 상기 신규 구매자 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 제2 유사그룹결정부; 및
    상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 구매자 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 상품 정보 중 적어도 하나를 추천하는 제2 추천부를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
  21. 제 13항에 있어서,
    상기 관계 분석 네트워크를 이용한 판매시스템은
    상기 그래프 뉴럴 네트워크로 학습되지 않은 신규 상품 데이터를 획득하는 경우, 상기 신규 상품 데이터에 기초하여 상기 유사 노드들의 그룹 중 가장 유사도가 높은 그룹을 결정하는 제3 유사그룹결정부; 및
    상기 가장 유사도가 높은 그룹에 속하는 적어도 하나의 상품 노드의 벡터 임베딩에 기초하여, 판매자 정보 및 구매자 정보 중 적어도 하나를 추천하는 제3 추천부를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
  22. 제 13항에 있어서,
    상기 관계 분석 네트워크를 이용한 판매시스템은
    판매자 노드, 상품 노드, 구매자 노드 중 2개의 노드 간에 상관관계가 없는 경우, 상기 복수의 그래프 노드의 벡터 임베딩에 기초하여 해당 상관관계를 예측하는 예측부를 더 포함하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
  23. 제 13항에 있어서,
    상기 분류부는
    상기 복수의 그래프 노드의 벡터 임베딩을 포함하는 전체 그래프의 상기 판매자 노드, 상기 상품 노드 및 상기 구매자 노드를 포함하는 서브 그래프 그룹을 소정의 분류기준에 기초하여 클러스터로 더 분류하는 것을 특징으로 하는 관계 분석 네트워크를 이용한 판매시스템.
KR1020200089473A 2020-07-20 2020-07-20 관계 분석 네트워크를 이용한 판매시스템 및 그 방법 KR102264540B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200089473A KR102264540B1 (ko) 2020-07-20 2020-07-20 관계 분석 네트워크를 이용한 판매시스템 및 그 방법
PCT/KR2021/008549 WO2022019527A1 (ko) 2020-07-20 2021-07-06 관계 분석 네트워크를 이용한 판매시스템 및 그 방법
US18/016,963 US20230351471A1 (en) 2020-07-20 2021-07-06 Selling system using correlation analysis network and method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200089473A KR102264540B1 (ko) 2020-07-20 2020-07-20 관계 분석 네트워크를 이용한 판매시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102264540B1 true KR102264540B1 (ko) 2021-06-15

Family

ID=76411779

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200089473A KR102264540B1 (ko) 2020-07-20 2020-07-20 관계 분석 네트워크를 이용한 판매시스템 및 그 방법

Country Status (3)

Country Link
US (1) US20230351471A1 (ko)
KR (1) KR102264540B1 (ko)
WO (1) WO2022019527A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113377656A (zh) * 2021-06-16 2021-09-10 南京大学 一种基于图神经网络的众测推荐方法
WO2022019527A1 (ko) * 2020-07-20 2022-01-27 주식회사 엔터프라이즈블록체인 관계 분석 네트워크를 이용한 판매시스템 및 그 방법
KR20230114492A (ko) * 2022-01-25 2023-08-01 국민대학교산학협력단 크로스미디어 광고효과 예측 장치 및 방법
WO2023192736A1 (en) * 2022-03-30 2023-10-05 Donde Fashion, Inc. Search navigation system and method using dynamic graph based on product catalogue and stock levels

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757723B (zh) * 2022-06-13 2022-09-06 山东国赢大数据产业有限公司 用于资源要素交易平台的数据分析模型构建系统及方法
CN115829695B (zh) * 2023-02-16 2023-05-12 中信联合云科技有限责任公司 基于数据处理的电商线上线下货物调配方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150120545A (ko) * 2014-04-17 2015-10-28 김성수 고객 및 상품 정보를 이용한 광고 방법
KR20150121945A (ko) 2014-04-22 2015-10-30 주식회사 포워드벤처스 아이템 추천 시스템 및 아이템 추천 방법
KR20190130189A (ko) * 2018-04-18 2019-11-22 김현준 블록체인 기술과 빅데이터 분석 및 ai를 통한 지역 기반 모바일 물물교환 거래 서비스 제공 시스템

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8290819B2 (en) * 2006-06-29 2012-10-16 Microsoft Corporation Electronic commerce transactions over a peer-to-peer communications channel
US20170278113A1 (en) * 2016-03-23 2017-09-28 Dell Products, Lp System for Forecasting Product Sales Using Clustering in Conjunction with Bayesian Modeling
CN109416761A (zh) * 2016-07-11 2019-03-01 维萨国际服务协会 使用图社区的机器学习和预测
US10956521B1 (en) * 2018-05-14 2021-03-23 Amazon Technologies, Inc. Computer process for diversified random walk of a directed graph
US20200273057A1 (en) * 2019-02-25 2020-08-27 International Business Machines Corporation Calculus for Collaborative Online Commerce
US11416770B2 (en) * 2019-10-29 2022-08-16 International Business Machines Corporation Retraining individual-item models
US11593622B1 (en) * 2020-02-14 2023-02-28 Amazon Technologies, Inc. Artificial intelligence system employing graph convolutional networks for analyzing multi-entity-type multi-relational data
KR102264540B1 (ko) * 2020-07-20 2021-06-15 한화생명보험(주) 관계 분석 네트워크를 이용한 판매시스템 및 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150120545A (ko) * 2014-04-17 2015-10-28 김성수 고객 및 상품 정보를 이용한 광고 방법
KR20150121945A (ko) 2014-04-22 2015-10-30 주식회사 포워드벤처스 아이템 추천 시스템 및 아이템 추천 방법
KR20190130189A (ko) * 2018-04-18 2019-11-22 김현준 블록체인 기술과 빅데이터 분석 및 ai를 통한 지역 기반 모바일 물물교환 거래 서비스 제공 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
[비특허문헌 1] 'Zekun Li., Modeling Feature Interactions via Graph Neural Networks for CTR Prediction, CIKM '19, November 3-7, 2019, Beijing, China', 2019.11.30

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022019527A1 (ko) * 2020-07-20 2022-01-27 주식회사 엔터프라이즈블록체인 관계 분석 네트워크를 이용한 판매시스템 및 그 방법
CN113377656A (zh) * 2021-06-16 2021-09-10 南京大学 一种基于图神经网络的众测推荐方法
CN113377656B (zh) * 2021-06-16 2023-06-23 南京大学 一种基于图神经网络的众测推荐方法
KR20230114492A (ko) * 2022-01-25 2023-08-01 국민대학교산학협력단 크로스미디어 광고효과 예측 장치 및 방법
KR102712825B1 (ko) * 2022-01-25 2024-10-02 국민대학교산학협력단 크로스미디어 광고효과 예측 장치 및 방법
WO2023192736A1 (en) * 2022-03-30 2023-10-05 Donde Fashion, Inc. Search navigation system and method using dynamic graph based on product catalogue and stock levels

Also Published As

Publication number Publication date
WO2022019527A1 (ko) 2022-01-27
US20230351471A1 (en) 2023-11-02

Similar Documents

Publication Publication Date Title
KR102264540B1 (ko) 관계 분석 네트워크를 이용한 판매시스템 및 그 방법
CN110969516B (zh) 一种商品推荐方法及装置
US11699095B2 (en) Cross-domain recommender systems using domain separation networks and autoencoders
US20160210681A1 (en) Product recommendation device, product recommendation method, and recording medium
JP6967462B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
JP7210958B2 (ja) 商品推薦装置及びプログラム
US20230111745A1 (en) Systems and methods for generating models for recommending replacement items for unavailable in-store purchases
KR20150113644A (ko) 협업필터링 기반의 상품 추천 시스템에서 추천 기법을 선택하는 방법
KR102538398B1 (ko) 빅데이터 기반의 그룹 단위의 상품 추천 방법, 장치 및 시스템
JP7565926B2 (ja) 個人向けの在庫管理のためのテキストデータの符号化
JP6947768B2 (ja) 推定装置、推定方法および推定プログラム
KR20150122307A (ko) 광고 제공 방법 및 서버 장치
US8577814B1 (en) System and method for genetic creation of a rule set for duplicate detection
Dubey et al. Comparative analysis of market basket analysis through data mining techniques
CN111815410B (zh) 基于选择性邻域信息的商品推荐方法
JP6879357B2 (ja) 価格最適化システム、価格最適化方法および価格最適化プログラム
Afshar et al. An automated deep reinforcement learning pipeline for dynamic pricing
JP6910873B2 (ja) 特定装置および特定方法
WO2018088276A1 (ja) 予測モデル生成システム、方法およびプログラム
KR20220156427A (ko) 인벤토리 아이템 예측 및 리스팅 추천
US11430033B2 (en) Methods and systems of utilizing machine learning to provide trust scores in an online automobile marketplace
CN113961799A (zh) 一种图模型和ctr模型的联合训练方法和装置
JP6960361B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
US20240338742A1 (en) Machine learning platform for recommending prospective buyers and the automated pairing of prospective buyers and sellers
JP6993525B1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム

Legal Events

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