KR102276427B1 - 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법 - Google Patents

신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법 Download PDF

Info

Publication number
KR102276427B1
KR102276427B1 KR1020200165755A KR20200165755A KR102276427B1 KR 102276427 B1 KR102276427 B1 KR 102276427B1 KR 1020200165755 A KR1020200165755 A KR 1020200165755A KR 20200165755 A KR20200165755 A KR 20200165755A KR 102276427 B1 KR102276427 B1 KR 102276427B1
Authority
KR
South Korea
Prior art keywords
review
features
sales volume
new
information
Prior art date
Application number
KR1020200165755A
Other languages
English (en)
Inventor
한송원
Original Assignee
주식회사 빌리뷰
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 빌리뷰 filed Critical 주식회사 빌리뷰
Priority to KR1020200165755A priority Critical patent/KR102276427B1/ko
Application granted granted Critical
Publication of KR102276427B1 publication Critical patent/KR102276427B1/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • 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
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates

Landscapes

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

Abstract

본 문서에 개시되는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치는 사용자 단말과 통신하도록 구성된 통신 회로, 메모리, 및 통신 회로 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는 미리 저장된 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절하고 분절된 기존 리뷰를 주제에 따라 분류함으로써, 복수의 기존 리뷰에 대한 상태(state) 정보를 획득하고, 상태 정보 및 미리 저장된 판매량 정보에 기초하여 신규 리뷰의 작성 시 신규 리뷰에 포함될 수 있는 복수의 피쳐(feature) 중 적어도 일부로 인한 판매량의 변화를 추정(estimate)하고, 판매량의 변화에 기초하여 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 산출하고, 통신 회로를 이용하여 사용자 단말로 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 표시하는 메시지를 제공할 수 있다.

Description

신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법{APPARATUS AND METHOD FOR CALCULATING ESTIMATED VALUE OF WRITING NEW REVIEW}
본 문서에서 개시되는 실시 예들은 기존 리뷰 및 판매량을 분석함으로써 신규 리뷰의 작성에 대한 가치를 추정하기 위한 장치 및 방법과 관련된다.
통신 기술이 발달함에 따라 무선 통신을 이용하여 상품 및 서비스를 매매하는 이-커머스(E-commerce) 시장이 지속적으로 확장되고 있다. 특히, 이-커머스 시장은 모바일 단말의 보급으로 인해 이-커머스에 대한 접근성이 높아져 크게 성장할 수 있었고, 최근 들어, COVID-19의 전 세계적 확산으로 인해 더욱 큰 폭으로 성장하고 있다.
이-커머스를 통해 상품 및 서비스를 구매하는 경우, 상품 및 서비스 제공자를 소비자가 직접 확인할 수 없으므로, 소비자는 판매자에 의해 제공된 이미지 및 설명에 기반하여 구매 의사를 결정하게 된다. 판매자에 의해 제공되는 이미지 및 설명은 소비자 입장에서는 신뢰도가 떨어질 수 있다. 이에 따라, 상품 및 서비스를 구매한 다른 사용자에 의해 작성된 사용자 리뷰는 소비자가 구매 의사를 결정하는데 크게 기여할 수 있다. 이-커머스 판매자는 사용자 리뷰를 작성한 소비자에게 적립금 또는 할인 쿠폰 등과 같은 혜택을 제공함으로써 다수의 사용자 리뷰를 수집하기 위해 노력을 기울이고 있다.
통상적으로 리뷰 작성에 대한 리워드를 구매자에게 제공하는 경우, 모든 리뷰에 대해 동일한 가치의 리워드가 제공되거나, 리뷰에 포함된 사진의 수 및/또는 리뷰의 길이 등에 기반하여 리워드가 제공될 수 있다. 그러나, 리뷰가 상품에 판매량에 미치는 영향은 단순히 리뷰의 길이 또는 리뷰에 포함된 사진의 수 등과 같은 요인뿐만 아니라 리뷰가 남겨진 시점, 리뷰의 내용 및 기존 리뷰와의 관계 등에 따라 상이해 질 수 있다. 따라서, 리뷰가 상품 판매량의 증가에 상대적으로 더 크게 기여할 수 있는 경우에는 더 높은 가치의 리워드를 구매자에게 제공함으로써 더 적극적으로 리뷰의 작성을 유도할 필요성이 있다.
본 발명의 실시 예들은, 신규 리뷰의 작성 시 신규 리뷰가 상품의 판매량에 미치는 영향을 추정함으로써 리뷰의 가치에 부합하는 리워드를 구매자에게 제공하기 위한 장치 및 방법을 제공하기 위한 것이다.
본 문서에 개시되는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치는 사용자 단말과 통신하도록 구성된 통신 회로, 메모리, 및 통신 회로 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는 미리 저장된 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절하고 분절된 기존 리뷰를 주제에 따라 분류함으로써, 복수의 기존 리뷰에 대한 상태(state) 정보를 획득하고, 상태 정보 및 미리 저장된 판매량 정보에 기초하여 신규 리뷰의 작성 시 신규 리뷰에 포함될 수 있는 복수의 피쳐(feature) 중 적어도 일부로 인한 판매량의 변화를 추정(estimate)하고, 판매량의 변화에 기초하여 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 산출하고, 통신 회로를 이용하여 사용자 단말로 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 표시하는 메시지를 제공할 수 있다.
일 실시 예에 따르면, 프로세서는 사용자 단말에서 복수의 피쳐 중 적어도 일부를 포함하는 리뷰가 입력되면, 통신 회로를 이용하여 사용자 단말로 복수의 피쳐 중 다른 일부에 대한 리워드 값을 표시하는 메시지를 제공할 수 있다.
일 실시 예에 따르면, 상태 정보는 복수의 기존 리뷰의 개수, 복수의 기존 리뷰의 길이, 복수의 기존 리뷰에 포함된 이미지의 개수, 주제 각각에 대한 분절된 기존 리뷰의 개수, 주제 각각에 대한 분절된 기존 리뷰의 일관성 지수, 또는 주제 각각에 대한 분절된 기존 리뷰의 긍정 및 부정 비율 중 적어도 일부에 대한 정보를 포함할 수 있다.
일 실시 예에 따르면, 복수의 피쳐는 신규 리뷰의 길이, 신규 리뷰에 포함된 이미지의 개수, 또는 주제 각각과 신규 리뷰의 연관성 중 적어도 일부에 대한 정보를 포함할 수 있다.
일 실시 예에 따르면, 프로세서는 뉴럴 네트워크에 상태 정보 및 판매량 정보를 입력함으로써 복수의 기존 리뷰 각각의 추가에 따라 변화하는 판매량을 추론하도록 학습을 수행하고, 학습에 의해 도출된 모델에 상태 정보 및 복수의 피쳐 중 적어도 일부를 입력함으로써 판매량의 변화를 추정할 수 있다.
일 실시 예에 따르면, 프로세서는 복수의 기존 리뷰 중 특정 리뷰가 작성되기 이전에 대한 상태 정보 및 특정 리뷰에 포함된 피쳐에 대한 정보에 기초하여 특정 리뷰가 작성된 이후의 단위 시간당 판매량을 추론하도록 학습을 수행할 수 있다.
본 문서에 개시되는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 방법은 미리 저장된 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절하고 분절된 기존 리뷰를 주제에 따라 분류함으로써, 복수의 기존 리뷰에 대한 상태 정보를 획득하는 단계, 상태 정보 및 미리 저장된 판매량 정보에 기초하여 신규 리뷰의 작성 시 신규 리뷰에 포함될 수 있는 복수의 피쳐 중 적어도 일부로 인한 판매량의 변화를 추정하는 단계, 판매량의 변화에 기초하여 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 산출하는 단계, 및 사용자 단말로 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 표시하는 메시지를 제공하는 단계를 포함할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 기존 리뷰에 대한 상태 정보 및 신규 리뷰에 포함될 수 있는 피쳐에 기반하여 신규 리뷰에 의한 판매량의 변화를 추정함으로써, 신규 리뷰의 가치에 부합하는 리워드를 제공하고, 구매자의 리뷰 작성을 적극적으로 유도할 수 있다.
또한, 사용자에 의해 리뷰가 입력된 경우 입력된 리뷰에 포함되지 않은 피쳐에 대한 리워드를 사용자에게 안내함으로써, 사용자가 판매량 증가에 기여할 수 있는 피쳐를 리뷰에 추가하도록 유도할 수 있다.
또한, 머신 러닝을 활용하여 기존 리뷰의 상태, 기존 판매량 및 신규 리뷰에 포함될 수 있는 피쳐에 기반하여 신규 리뷰 작성 시 판매량의 변화를 추론함으로써, 판매량 변화의 추정 결과의 정확성을 향상시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 동작 환경을 도시한다.
도 2는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 구성을 도시하는 블록도이다.
도 3은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치에 포함된 소프트웨어 모듈의 구성을 도시하는 블록도이다.
도 4는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 10는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 방법을 설명하기 위한 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해서 상세하게 설명한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경, 균등물 또는 대체물을 포함하는 것으로 이해되어야 한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 동작 환경을 도시한다.
도 1을 참조하면, 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치는 컴퓨팅 디바이스로서 서버(100)로 구현될 수 있다. 서버(100)는 수집된 정보를 분석함으로써 신규 리뷰 작성 시 판매량의 변화를 추정하고, 추정된 판매량의 변화에 부합하는 신규 리뷰에 대한 리워드를 사용자 단말(11)로 제공할 수 있다.
구체적으로, 서버(100)는 사용자로부터 수집된 리뷰를 저장하는 외부 장치(12)(예: 쇼핑몰 서버 등)로부터 다수의 기존 리뷰 및 상품에 대한 판매량 정보를 획득할 수 있다. 서버(100)는 획득된 기존 리뷰를 분석함으로써 기존 리뷰에 대한 상태 정보를 획득할 수 있다.
서버(100)는 상태 정보와 판매량 정보를 이용하여 신규 리뷰의 작성 시 신규 리뷰에 포함될 수 있는 피쳐로 인한 판매량의 변화를 추정할 수 있다. 예를 들어, 서버(100)는 사용자에 의해 “봄에 입으려고 샀는데 좋아요. 사이즈도 딱 맞네요.”라는 리뷰가 입력된 경우, 서버(100)는 주제 “소재”와 연관된 피쳐가 리뷰에 추가될 때 판매량의 변화를 추정할 수 있다. 서버(100)는 추정된 판매량의 변화에 기반하여 리뷰의 가치(리워드 값)를 산출할 수 있고, 산출된 리워드 값을 사용자 단말(11)로 제공할 수 있다.
사용자는 사용자 단말(11)을 통해 리뷰 작성 시 획득할 수 있는 리워드를 확인할 수 있다. 이-커머스에서 기존 구매자의 리뷰는 신규 구매자의 구매 의사 결정에 주요한 역할을 할 수 있으므로, 리뷰 작성을 적극적으로 유도할 필요성이 있다. 상술한 처리를 통해 판매량의 상승에 크게 기여할 수 있는 리뷰에 대해 상대적으로 높은 가치의 리워드를 제공하여 해당 리뷰의 작성을 유도할 수 있다는 본원 발명의 유리한 효과가 획득될 수 있다.
도 2는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 구성을 도시하는 블록도이다.
도 2를 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치(200)는 통신 회로(210), 메모리(220) 및 프로세서(230)를 포함할 수 있다. 신규 리뷰의 가치 산출 장치(200)는, 예를 들어, 서버 등과 같은 컴퓨팅 디바이스일 수 있고, 물리적으로는 온 프레미스(on premise) 또는 클라우드에 위치할 수 있다.
통신 회로(210)는 사용자 단말(21) 및 외부 장치(22)와 무선 또는 유선으로 통신할 수 있다. 통신 회로(210)는 사용자 단말(21) 및 외부 장치(22)와 데이터를 송수신할 수 있다.
메모리(220)는 휘발성 메모리 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(220)는 신규 리뷰의 가치 산출 장치(200)에서 취급되는 다양한 데이터를 저장할 수 있다. 예를 들어, 메모리(220)는 신규 리뷰의 가치 산출 장치(200) 내부에서 처리된 데이터를 저장할 수 있고, 사용자 단말(21) 또는 외부 장치(22)로부터 수신된 데이터를 저장할 수도 있다.
프로세서(230)는 통신 회로(210) 및 메모리(220)와 전기적으로 연결될 수 있다. 프로세서(230)는 통신 회로(210) 및 메모리(220)를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 도 2에서는 프로세서(230)가 단일의 구성인 것으로 도시되었으나, 복수의 구성으로 분리되어 구현될 수도 있다. 프로세서(230)는 메모리(220)에 저장된 소프트웨어 내지 인스트럭션을 실행함으로써, 이하와 같은 동작을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 미리 저장된 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절하고 분절된 기존 리뷰를 주제에 따라 분류할 수 있다. 예를 들어, 프로세서(230)는 메모리(220) 또는 외부 장치(22)에 저장된 복수의 기존 리뷰를 획득할 수 있다. 프로세서(230)는 자연어 처리를 수행함으로써 복수의 기존 리뷰에 포함된 텍스트를 분석할 수 있다. 프로세서(230)는 자연어 처리를 통해 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절할 수 있다. 예를 들어, 프로세서(230)는 복수의 기존 리뷰 각각을 구, 절 또는 문장 단위로 분절할 수 있다. 본 문서에서 기존 리뷰에 포함된 리뷰 요소는 기존 리뷰로부터 분절된 단위 요소를 의미할 수 있고, 하나의 기존 리뷰는 하나 이상의 리뷰 요소를 포함할 수 있다. 프로세서(230)는 자연어 처리를 통해 복수의 기존 리뷰로부터 획득된 리뷰 요소들의 주제를 인식할 수 있다. 프로세서(230)는 획득된 리뷰 요소들을 주제에 따라 분류할 수 있다. 기존 리뷰에 대한 예시적인 의미 단위 분절(segmentation) 및 주제 단위 분류(classification)에 대해서는 도 4를 참조하여 상세히 설명한다.
일 실시 예에 따르면, 프로세서(230)는 복수의 기존 리뷰에 대한 상태(state) 정보를 획득할 수 있다. 상태 정보는 하나의 상품과 연관된 기존 리뷰에 대응할 수 있다. 상태 정보는, 예를 들어, 복수의 기존 리뷰의 개수, 복수의 기존 리뷰의 길이, 복수의 기존 리뷰에 포함된 이미지의 개수, 주제 각각에 대한 분절된 기존 리뷰의 개수, 주제 각각에 대한 분절된 기존 리뷰의 일관성 지수, 또는 주제 각각에 대한 분절된 기존 리뷰의 긍정 및 부정 비율 중 적어도 일부에 대한 정보를 포함할 수 있다. 구체적으로, 상태 정보는 복수의 기존 리뷰의 개수, 평균 글자 수 및/또는 최대 글자 수 등에 대한 정보를 포함할 수도 있다. 상태 정보는 복수의 기존 리뷰에 포함된 이미지의 개수, 상품의 일부에 대한 이미지의 개수(클로즈업된 이미지), 상품 전체에 대한 이미지의 개수 및/또는 상품 착용 상태에 대한 이미지의 개수 등에 대한 정보를 포함할 수도 있다. 상태 정보는 복수의 주제(예: 소재, 사이즈, 배송, 가격 및/또는 착용감 등) 각각에 대한 리뷰 요소의 개수, (문장 벡터의 표준 편차의 크기에 기초하여 산출되는) 리뷰 요소의 일관성 지수 및/또는 긍정적 리뷰 요소와 부정적 리뷰 요소의 비율 등에 대한 정보를 포함할 수도 있다. 기존 리뷰에 대한 예시적인 상태 정보에 대해서는 도 5를 참조하여 상세히 설명한다.
일 실시 예에 따르면, 프로세서(230)는 상태 정보 및 미리 저장된 판매량 정보에 기초하여 신규 리뷰의 작성 시 신규 리뷰에 포함될 수 있는 복수의 피쳐(feature) 중 적어도 일부로 인한 판매량의 변화를 추정(estimate)할 수 있다. 프로세서(230)는 메모리(220) 또는 외부 장치(22)에 저장된 판매량 정보를 획득할 수 있다. 복수의 피쳐는, 예를 들어, 신규 리뷰의 길이, 신규 리뷰에 포함된 이미지의 개수, 또는 주제 각각과 신규 리뷰의 연관성 중 적어도 일부에 대한 정보를 포함할 수 있다. 구체적으로, 복수의 피쳐는 신규 리뷰의 글자 수, 신규 리뷰에 포함된 이미지의 개수, 상품의 일부에 대한 이미지의 개수(클로즈업된 이미지), 상품 전체에 대한 이미지의 개수, 상품 착용 상태에 대한 이미지의 개수, 복수의 주제 각각에 대한 리뷰 요소의 개수 및/또는 복수의 주제 각각에 대한 리뷰 요소의 감성(예: 긍정 또는 부정) 등에 대한 정보를 포함할 수 있다. 신규 리뷰에 포함될 수 있는 예시적인 피쳐에 대해서는 도 6을 참조하여 상세히 설명한다.
일 실시 예에 따르면, 프로세서(230)는 머신 러닝을 이용하여 신규 리뷰 작성 시 판매량의 변화를 추정할 수 있다. 예를 들어, 프로세서(230)는 뉴럴 네트워크에 상태 정보 및 판매량 정보를 입력함으로써 복수의 기존 리뷰 각각의 추가에 따라 변화하는 판매량을 추론하도록 학습을 수행할 수 있다. 프로세서(230)는 복수의 기존 리뷰 중 특정 리뷰가 작성되기 이전에 대한 상태 정보 및 특정 리뷰에 포함된 피쳐에 대한 정보에 기초하여 특정 리뷰가 작성된 이후의 단위 시간당 판매량을 추론하도록 학습을 수행할 수 있다. 프로세서(230)는 학습에 의해 도출된 모델에 상태 정보 및 복수의 피쳐 중 적어도 일부를 입력함으로써 판매량의 변화를 추정할 수 있다. 예시적인 학습의 수행 방식 및 학습된 모델을 이용한 판매량의 추정에 대해서는 각각 도 7 및 도 8을 참조하여 상세히 설명한다.
일 실시 예에 따르면, 프로세서(230)는 판매량의 변화에 기초하여 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 산출할 수 있다. 예를 들어, 프로세서(230)는 산출된 판매량의 증감률을 미리 설정된 함수에 입력함으로써, 복수의 피쳐 중 적어도 일부를 포함하는 신규 리뷰의 작성에 대한 리워드 값을 획득할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 통신 회로(210)를 이용하여 사용자 단말(21)로 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 표시하는 메시지를 제공할 수 있다. 예를 들어, 프로세서(230)는 특정 피쳐에 대한 리뷰를 작성하는 경우 산출된 리워드를 제공한다는 메시지를 포함하는 페이지 또는 윈도우 등을 사용자 단말(21)로 제공할 수 있다. 리워드 값을 표시하는 예시적인 메시지에 대해서는 도 9를 참조하여 상세히 설명한다.
일 실시 예에 따르면, 프로세서(230)는 사용자 단말(21)에서 복수의 피쳐 중 적어도 일부를 포함하는 리뷰가 입력되면, 통신 회로(210)를 이용하여 사용자 단말(21)로 복수의 피쳐 중 다른 일부에 대한 리워드 값을 표시하는 메시지를 제공할 수 있다. 예를 들어, 프로세서(230)는 사용자 단말(21)에서 리뷰가 입력되면, 입력된 리뷰에 포함되지 않은 다른 피쳐에 대한 리뷰를 추가하는 경우 해당 다른 피쳐에 대응하는 리워드를 추가적으로 지급한다는 메시지를 포함하는 페이지 또는 윈도우 등을 사용자 단말(21)로 제공할 수 있다. 리워드 값을 표시하는 예시적인 메시지에 대해서는 도 9를 참조하여 상세히 설명한다.
도 3은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치에 포함된 소프트웨어 모듈의 구성을 도시하는 블록도이다.
도 3을 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치에 포함된 소프트웨어 모듈은 리뷰 NLU(natural language understanding) 모듈(310), 리뷰 상태 분석 모듈(320), 리뷰 피쳐 분석 모듈(330), 입력 변수 생성 모듈(340), 목표 변수 생성 모듈(350) 및 리뷰 가치 추정 모듈(360)을 포함할 수 있다.
리뷰 NLU 모듈(310)은 이-커머스의 기존 구매자에 의해 작성된 기존의 사용자 리뷰를 분석할 수 있다. 리뷰 NLU 모듈(310)은 장문의 기존 리뷰의 의미를 분석함으로써, 단문(예: 구, 절 또는 문장)의 리뷰 요소로 분절할 수 있다. 리뷰 NLU 모듈(310)은 분절된 리뷰 요소의 주제를 분석함으로써, 주제별로 분류할 수 있다.
리뷰 상태 분석 모듈(320)은 상품별로 기존 리뷰의 현황을 분석함으로써 기존 리뷰에 대한 상태 정보를 획득할 수 있다. 리뷰 상태 분석 모듈(320)은 기존 리뷰의 개수, 기존 리뷰에 포함된 사진의 개수 및 내용의 일관성 등과 같은 지표를 산출할 수 있다.
리뷰 피쳐 분석 모듈(330)은 특정 리뷰를 변수화함으로써 특정 리뷰에 포함된 복수의 피쳐에 대한 정보를 획득할 수 있다. 학습을 진행하는 단계에서, 리뷰 피쳐 분석 모듈(330)은 기존 리뷰를 변수화함으로써, 리뷰의 길이, 리뷰에 포함된 사진의 개수 및/또는 주제별 관련 내용 포함 여부 등과 같은 피쳐에 대한 정보를 획득할 수 있다.
입력 변수 생성 모듈(340)은 머신 러닝 모델에 제공될 입력 변수를 생성할 수 있다. 입력 변수 생성 모듈(340)은 상태 정보 및 특정 리뷰의 피쳐에 대한 정보 등을 결합함으로써 입력 변수를 생성할 수 있다.
목표 변수 생성 모듈(350)은 머신 러닝 모델에 제공될 목표 변수를 생성할 수 있다. 목표 변수 생성 모듈(350)은 특정 리뷰가 작성된 이후의 판매량의 변화를 산출함으로써 목표 변수를 생성할 수 있다.
리뷰 가치 추정 모듈(360)은 입력 변수 및 목표 변수를 이용하여 입력 변수로부터 목표 변수를 예측하는 학습을 수행할 수 있다. 리뷰 가치 추정 모듈(360)은 상태 정보 및 특정 리뷰의 피쳐에 대한 정보로부터 특정 리뷰가 작성된 이후의 판매량의 변화를 추론하도록 학습을 수행할 수 있다.
리뷰 가치 추정 모듈(360)은 학습이 완료되면, 신규 리뷰의 작성으로 인한 판매량의 변화를 추정할 수 있다. 예를 들어, 리뷰 피쳐 분석 모듈(330)은 신규 리뷰에 포함될 수 있는 피쳐들의 다양한 조합을 구성할 수 있다. 입력 변수 생성 모듈(340)은 신규 리뷰에 포함될 수 있는 피쳐들의 다양한 조합 각각에 대해 입력 변수를 생성할 수 있다. 리뷰 가치 추정 모듈(360)은 입력 변수에 기초하여 신규 리뷰에 포함될 수 있는 피쳐들의 다양한 조합 각각으로 인한 판매량의 변화를 추정할 수 있다.
도 4는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 4를 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치는 기존에 작성된 사용자 리뷰(410)를 획득할 수 있다. 사용자 리뷰(410)는 다양한 의미 및 주제에 대한 장문의 텍스트를 포함할 수 있다.
사용자 리뷰(410)는 NLU를 통해 의미 단위로 분절될 수 있다. 예를 들어, 사용자 리뷰(410)는 제1 리뷰 요소(421)(다가오는 봄에 입으려고 블라우스 장만했는데요~), 제2 리뷰 요소(422)(색상은 화면하고 똑같아서 마음에 들고요), 제3 리뷰 요소(423)(소재도 부드러운 실크라 고급진데..) 및 제4 리뷰 요소(424)(다만 팔 길이가 너무 길어요)로 분절될 수 있다.
제1 리뷰 요소(421), 제2 리뷰 요소(422), 제3 리뷰 요소(423) 및 제4 리뷰 요소(424)는 NLU를 통해 주제 단위로 분류될 수 있다. 예를 들어, 제1 리뷰 요소(421)의 주제는 계절로 분류될 수 있고, 제2 리뷰 요소(422)의 주제는 색상으로 분류될 수 있고, 제3 리뷰 요소(423)의 주제는 소재로 분류될 수 있고, 제4 리뷰 요소(424)의 주제는 사이즈로 분류될 수 있다.
신규 리뷰의 가치 산출 장치는 다수의 사용자 리뷰를 분석함으로써 주제별로 다수의 리뷰 요소를 수집한 후 기존 리뷰에 대한 상태 정보를 획득할 수 있다.
도 5는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치는 복수의 상품 각각에 대한 기존 리뷰를 분석함으로써, 기존 리뷰에 대한 상태 정보를 획득할 수 있다.
상태 정보는 복수의 상품(예: 상품 A, 상품 B 및 상품 C 등) 각각에 대해 획득될 수 있다. 상태 정보는 복수의 상품 각각에 대한 리뷰 현황을 나타낼 수 있다. 상태 정보는 기존 리뷰에 대한 정량적 정보, NLU 결과 및/또는 이미지 분석 결과 등으로부터 도출될 수 있다. 예를 들어, 상태 정보는 특정 상품에 대한 리뷰 수, 사진 수, 소재 관련 리뷰 수, 사이즈 관련 리뷰 수 및 배송 관련 리뷰 수 등과 같은 정보를 포함할 수 있다. 다른 예를 들면, 상태 정보는 평균 리뷰 길이, 최대 리뷰 길이, 클로즈업된 사진 수, 상품 전체에 대한 사진 수, 상품 착용 상태에 대한 사진 수, 주제별 내용의 일관성 지수 및/또는 주제별 긍정적 리뷰와 부정적 리뷰의 비율 등과 같은 정보를 더 포함할 수도 있다.
예를 들어, 상품 A에 대한 기존 리뷰가 존재하지 않는 경우, 상품 A에 대한 기존 리뷰의 상태 정보는 0, 0, 0, 0, 0일 수 있다. 다른 예를 들면, 상품 B에 대한 기존 리뷰가 1건이고, 기존 리뷰 1건에 소재에 관한 리뷰 요소 1개 및 사이즈에 관한 리뷰 요소 1개가 포함된 경우, 상품 B에 대한 기존 리뷰의 상태 정보는 1, 0, 1, 1, 0일 수 있다. 또 다른 예를 들면, 상품 C에 대한 기존 리뷰가 3건이고, 기존 리뷰 3건에 사진 2개, 소재에 관한 리뷰 요소 2개, 사이즈에 관한 리뷰 요소 3개 및 배송에 관한 리뷰 요소 1개가 포함된 경우, 상품 C에 대한 기존 리뷰의 상태 정보는 3, 2, 2, 3, 1일 수 있다. 상술한 것과 같이 다양한 상품의 기존 리뷰에 대한 상태 정보가 획득될 수 있다.
도 6은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 6을 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치는 리뷰를 분석함으로써, 리뷰에 포함된 피쳐에 대한 정보를 획득할 수 있다. 머신 러닝 모델의 학습을 수행하는 단계에서는, 기존 리뷰를 분석함으로써 입력 변수로서 기존 리뷰에 포함된 피쳐에 대한 정보가 획득될 수 있다. 학습된 모델을 이용하여 신규 리뷰의 가치를 추정하는 단계에서는, 입력 변수로서 신규 리뷰에 포함된 또는 포함될 수 있는 피쳐에 대한 정보가 생성될 수 있다.
리뷰에 포함된 피쳐에 대한 정보는 리뷰(예: 리뷰 A)에 대해 개별적으로 획득될 수 있다. 피쳐는 리뷰에 포함된 또는 포함될 수 있는 구성을 나타낼 수 있다. 예를 들어, 피쳐에 대한 정보는 리뷰의 글자 수, 리뷰에 포함된 사진 수 및 주제별 리뷰 요소의 포함 여부(예: 소재 관련 리뷰 요소의 포함 여부, 사이즈 관련 리뷰 요소의 포함 여부 및 배송 관련 리뷰 요소의 포함 여부) 등과 같은 정보를 포함할 수 있다. 다른 예를 들면, 피쳐에 대한 정보는 클로즈업된 사진 수, 상품 전체에 대한 사진 수, 상품 착용 상태에 대한 사진 수 및 주제별 감성 정보 등과 같은 정보를 더 포함할 수도 있다.
예를 들어, 리뷰 A에 글자 수 40개, 사진 1개, 소재 관련 리뷰 요소 1개 및 사이즈 관련 리뷰 요소 1개가 포함된 경우, 리뷰 A에 포함된 피쳐에 대한 정보는 40, 1, 1, 1, 0일 수 있다. 머신 러닝 모델의 학습을 수행하는 단계에서, 리뷰 A는 기존 리뷰 중 하나일 수 있고, 리뷰 A에 포함된 피쳐에 대한 정보는 머신 러닝을 위한 입력 변수로서 사용될 수 있다. 신규 리뷰가 작성 완료된 단계에서, 리뷰 A는 신규 리뷰일 수 있고, 리뷰 A에 포함된 피쳐에 대한 정보는 리뷰 A에 대한 리워드 값을 산출하기 위해 학습된 모델에 입력되는 입력 변수로서 사용될 수 있다.
신규 리뷰의 작성 이전 또는 작성 중인 단계에서, 리뷰 A는 신규 리뷰일 수 있고, 피쳐에 대한 정보는 리뷰 A에 포함될 수 있는 피쳐의 다양한 조합에 대해 임의로 생성될 수 있다. 예를 들어, 신규 리뷰가 작성되기 이전에 글자 수 20글자 및 사진 1개를 포함하는 신규 리뷰에 대한 리워드 값을 산출하기 위해, 피쳐에 대한 정보 20, 1, 0, 0, 0이 생성될 수 있고, 생성된 정보를 학습된 모델에 입력함으로써 신규 리뷰에 대한 예상 리워드 값이 산출될 수 있다. 다른 예를 들면, 글자 수 20글자 및 사진 1개를 포함하는 신규 리뷰가 작성 중인 경우, 작성 중인 신규 리뷰에 배송 관련 리뷰 요소가 추가되는 경우에 대한 리워드 값을 산출하기 위해, 피쳐에 대한 정보 20, 1, 0, 0, 1이 생성될 수 있고, 생성된 정보를 학습된 모델에 입력함으로써 신규 리뷰에 배송 관련 리뷰 요소가 추가되는 경우의 예상 리워드 값이 산출될 수 있다.
도 7은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 7을 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치는 특정 상품에 대한 기존 리뷰를 이용하여 머신 러닝 모델의 학습을 수행할 수 있다. 이하에서는 특정 상품에 대한 기존 리뷰가 5개인 경우를 가정하고 머신 러닝의 구체적 방법에 대해 설명한다. 도 7에서 S1 내지 S5는 상태 정보를 의미하고, F1 내지 F5는 피쳐 정보를 의미하고, R1 내지 R5는 기존 리뷰를 의미하고, y1 내지 y5는 단위 시간당 판매량을 의미할 수 있다.
머신 러닝은 지도 학습(supervised learning)으로 이루어질 수 있고, 예를 들어, 피드 포워드 뉴럴 네트워크(feed forward neural network) 알고리즘이 사용될 수 있다. 지도 학습의 입력 변수는 상태 정보 및 피쳐 정보일 수 있고, 목표 변수는 단위 시간당 판매량일 수 있다. 지도 학습은 입력 변수 및 목표 변수를 입력한 후, 뉴럴 네트워크 알고리즘이 입력 변수로부터 목표 변수를 추론하도록 수행될 수 있다.
예를 들어, 제1 리뷰(R1)에 대한 제1 피쳐 정보(F1) 및 제1 리뷰(R1)가 입력되기 이전의 제1 상태 정보(S1)를 뉴럴 네트워크에 입력함으로써 제1 리뷰(R1) 입력 이전의 제1 판매량(y1)과 제1 리뷰(R1) 입력 이후의 제2 판매량(y2) 사이의 변화량을 추론하도록 학습이 수행될 수 있다. 다음으로, 제2 리뷰(R2)에 대한 제2 피쳐 정보(F2) 및 제2 리뷰(R2)가 입력되기 이전의 제2 상태 정보(S2)를 뉴럴 네트워크에 입력함으로써 제2 리뷰(R2) 입력 이전의 제2 판매량(y2)과 제2 리뷰(R2) 입력 이후의 제3 판매량(y3) 사이의 변화량을 추론하도록 학습이 수행될 수 있다. 다음으로, 제3 리뷰(R3)에 대한 제3 피쳐 정보(F3) 및 제3 리뷰(R3)가 입력되기 이전의 제3 상태 정보(S3)를 뉴럴 네트워크에 입력함으로써 제3 리뷰(R3) 입력 이전의 제3 판매량(y3)과 제3 리뷰(R3) 입력 이후의 제4 판매량(y4) 사이의 변화량을 추론하도록 학습이 수행될 수 있다. 다음으로, 제4 리뷰(R4)에 대한 제4 피쳐 정보(F4) 및 제4 리뷰(R4)가 입력되기 이전의 제4 상태 정보(S4)를 뉴럴 네트워크에 입력함으로써 제4 리뷰(R4) 입력 이전의 제4 판매량(y4)과 제4 리뷰(R4) 입력 이후의 제5 판매량(y5) 사이의 변화량을 추론하도록 학습이 수행될 수 있다. 다음으로, 제5 리뷰(R5)에 대한 제5 피쳐 정보(F5) 및 제5 리뷰(R5)가 입력되기 이전의 제5 상태 정보(S5)를 뉴럴 네트워크에 입력함으로써 제5 리뷰(R5) 입력 이전의 제5 판매량(y5)과 제5 리뷰(R5) 입력 이후의 제6 판매량(y6) 사이의 변화량을 추론하도록 학습이 수행될 수 있다. 특정 상품에 대해 상술한 학습이 완료되면, 다른 상품에 대해 유사한 방법으로 학습이 반복적으로 수행될 수 있다.
학습된 모델에 기존 리뷰의 현재 상태 정보 및 신규 리뷰의 피쳐 정보를 입력함으로써 예상 판매량 변화가 추정될 수 있다. 예를 들어, 제1 리뷰(R1) 내지 제5 리뷰(R5)에 대한 상태 정보 및 신규 리뷰에 포함된 또는 포함될 수 있는 피쳐 정보를 입력함으로써 신규 리뷰 작성 이후의 판매량 변화가 추정될 수 있다. 판매량 변화의 추정에 대해서는 이하에서 상세히 설명한다.
도 8은 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 8을 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치는 기존 리뷰에 대한 상태 정보 및 신규 리뷰에 대한 피쳐 정보를 학습된 뉴럴 네트워크에 입력함으로써 구매 건수 증감률(판매량의 변화)을 산출할 수 있다.
예를 들어, 상품 A에 대한 기존 리뷰의 상태 정보가 획득될 수 있다. 상품 A에 대한 기존 리뷰가 없는 경우, 상태 정보 0, 0, 0, 0, 0이 획득될 수 있다. 신규 리뷰에 대한 상태 정보는 임의의 조합으로 생성될 수 있다. 예를 들어, 신규 리뷰 A에 글자 수 40글자, 사진 1개, 소재 관련 리뷰 요소 1개 및 사이즈 관련 리뷰 요소 1개가 포함된 것을 가정함으로써, 피쳐 정보 40, 1, 1, 1, 0이 획득될 수 있다.
획득된 상태 정보 및 피쳐 정보는 학습된 뉴럴 네트워크에 입력될 수 있다. 학습된 뉴럴 네트워크는 상태 정보 및 피쳐 정보에 기초하여 구매 건수 증감률을 산출할 수 있다. 예를 들어, 상품 A에 대한 기존 리뷰의 현재 상태에서 리뷰 A가 작성되는 경우 구매 건수가 30% 증가될 것으로 추정되면, 구매 건수 증감률 1.30이 산출될 수 있다.
도 9는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 9를 참조하면, 일 실시 예에 따른 신규 리뷰의 가치 산출 장치는 신규 리뷰의 작성으로 인한 판매량의 변화를 추정하고, 추정된 판매량의 변화에 대응하는 신규 리뷰 작성에 대한 리워드 값을 사용자 단말로 제공할 수 있다.
예를 들어, 사용자 단말에서 상품 “루이 프릴 블라우스”에 대한 리뷰 작성 페이지를 열람하는 경우, 신규 리뷰 작성에 대한 리워드 값이 출력될 수 있다. 리워드 값은 신규 리뷰의 작성으로 인한 예상 판매량 변화에 기초하여 산출될 수 있고, 예상 판매량 변화는 상품 “루이 프릴 블라우스”의 n건의 기존 리뷰에 대한 상태 정보 및 신규 리뷰에 포함될 수 있는 피쳐에 대한 정보를 학습된 머신 러닝 모델에 입력함으로써 산출될 수 있다. 예를 들어, 최소 글자 수를 포함하는 신규 리뷰가 작성되는 경우의 리워드 값이 산출될 수 있고, 사진을 포함하는 신규 리뷰가 작성되는 경우의 리워드 값이 산출될 수 있다. 리워드 값은 사용자 단말에서 출력될 수 있고, 신규 리뷰의 가치가 높은 상태에서 높은 리워드 값을 사용자에게 보여줌으로써 리뷰의 작성을 더욱 적극적으로 유도할 수 있다.
다른 예를 들면, 사용자 단말에서 상품 “루이 프릴 블라우스”에 대한 리뷰 작성 페이지에 신규 리뷰 “봄에 입으려고 샀는데 좋아요. 사이즈도 딱 맞네요.”가 입력된 경우, 입력된 신규 리뷰에 포함되지 않은 다른 피쳐가 추가되는 경우에 대한 리워드 값이 출력될 수 있다. 신규 리뷰 “봄에 입으려고 샀는데 좋아요. 사이즈도 딱 맞네요.”에는 사진, 소재에 관한 리뷰 요소 및 배송에 관한 리뷰 요소 등과 같은 피쳐가 포함되지 않을 수 있다. 이 경우, 작성 중인 신규 리뷰에 피쳐 “소재에 관한 리뷰 요소”가 추가되는 경우의 리워드 값이 산출될 수 있다. 리워드 값은 사용자 단말에서 출력될 수 있고, 신규 리뷰에 다른 피쳐를 추가하는 경우 획득할 수 있는 리워드 값을 사용자에게 보여줌으로써 신규 리뷰가 판매량 증가에 크게 기여할 수 있는 피쳐를 포함하도록 유도할 수 있다.
신규 리뷰의 작성이 완료되면 기존 리뷰의 상태 정보 및 신규 리뷰에 포함된 피쳐로부터 산출되는 리워드 값에 대응하도록 신규 리뷰를 작성한 사용자의 계정으로 적립금을 제공할 수 있다.
도 10는 일 실시 예에 따른 신규 리뷰 작성에 대한 추정 가치 산출 방법을 설명하기 위한 흐름도이다.
이하에서는 도 2의 신규 리뷰의 가치 산출 장치(200)가 도 10의 프로세스를 수행하는 것을 가정한다. 또한, 도 10의 설명에서, 신규 리뷰의 가치 산출 장치에 의해 수행되는 것으로 기술된 동작은 프로세서(230)에 의해 제어되는 것으로 이해될 수 있다.
도 10을 참조하면, 단계 1010에서, 신규 리뷰의 가치 산출 장치는 미리 저장된 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절하고 분절된 기존 리뷰를 주제에 따라 분류함으로써, 복수의 기존 리뷰에 대한 상태 정보를 획득할 수 있다.
단계 1020에서, 신규 리뷰의 가치 산출 장치는 상태 정보 및 미리 저장된 판매량 정보에 기초하여 신규 리뷰의 작성 시 신규 리뷰에 포함될 수 있는 복수의 피쳐 중 적어도 일부로 인한 판매량의 변화를 추정할 수 있다.
단계 1030에서, 신규 리뷰의 가치 산출 장치는 판매량의 변화에 기초하여 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 산출할 수 있다.
단계 1040에서, 신규 리뷰의 가치 산출 장치는 사용자 단말로 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 표시하는 메시지를 제공할 수 있다.
본 문서의 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및/또는 B 중 적어도 하나", "A, B 또는 C" 또는 "A, B 및/또는 C 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤 구성요소가 다른 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소를 통하여 연결될 수 있다.
본 문서에서, "~하도록 설정된(adapted to or configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다. 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 설정된 (또는 구성된) 프로세서"는 해당 동작들을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU)를 의미할 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어(firmware)로 구성된 유닛(unit)을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. "모듈"은 기계적으로 또는 전자적으로 구현될 수 있으며, 예를 들면, 어떤 동작들을 수행하는, 알려졌거나 앞으로 개발될, ASIC(application-specific integrated circuit) 칩, FPGAs(field-programmable gate arrays), 또는 프로그램 가능 논리 장치를 포함할 수 있다.
일 실시 예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는 프로그램 모듈의 형태로 컴퓨터로 판독 가능한 저장 매체에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서에 의해 실행될 경우, 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다.
일 실시 예에 따른 구성 요소(예: 모듈 또는 프로그램 모듈) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소를 더 포함할 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램 모듈)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 일 실시 예에 따른 모듈, 프로그램 모듈 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱(heuristic)하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

Claims (5)

  1. 신규 리뷰 작성에 대한 추정 가치 산출 장치에 있어서,
    사용자 단말과 통신하도록 구성된 통신 회로;
    메모리; 및
    상기 통신 회로 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고,
    상기 프로세서는,
    미리 저장된 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절하고 상기 분절된 기존 리뷰를 주제에 따라 분류함으로써, 상기 복수의 기존 리뷰에 대한 상태(state) 정보 및 상기 복수의 기존 리뷰 각각에 포함된 피쳐(feature)에 대한 피쳐 정보를 획득하고,
    피드 포워드 뉴럴 네트워크에 입력 변수로서 상기 상태 정보 및 상기 피쳐 정보를 입력하고 목표 변수로서 미리 저장된 판매량 정보를 입력함으로써 상기 복수의 기존 리뷰 각각의 추가에 따라 변화하는 판매량을 추론하도록 지도 학습을 수행하고,
    상기 학습에 의해 도출된 모델에 상기 상태 정보 및 신규 리뷰의 작성 시 상기 신규 리뷰에 포함될 수 있는 복수의 피쳐 중 적어도 일부에 대한 피쳐 정보를 입력함으로써 상기 복수의 피쳐 중 적어도 일부로 인한 판매량의 변화를 추정(estimate)하고,
    상기 추정된 판매량의 변화에 기초하여 상기 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 산출하고,
    상기 통신 회로를 이용하여 상기 사용자 단말로 상기 신규 리뷰가 작성되기 이전에 상기 복수의 피쳐 중 적어도 일부에 대한 상기 리워드 값을 표시하는 메시지를 제공하는 것을 특징으로 하는, 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는,
    상기 사용자 단말에서 상기 복수의 피쳐 중 적어도 일부를 포함하는 리뷰가 입력되면, 상기 통신 회로를 이용하여 상기 사용자 단말로 상기 복수의 피쳐 중 다른 일부에 대한 리워드 값을 표시하는 메시지를 제공하는 것을 특징으로 하는, 장치.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 프로세서는,
    상기 복수의 기존 리뷰 중 특정 리뷰가 작성되기 이전에 대한 상태 정보 및 상기 특정 리뷰에 포함된 피쳐에 대한 피쳐 정보에 기초하여 상기 특정 리뷰가 작성된 이후의 단위 시간당 판매량을 추론하도록 상기 학습을 수행하는 것을 특징으로 하는, 장치.
  5. 컴퓨팅 디바이스에 포함된 프로세서에 의해 수행되는 신규 리뷰 작성에 대한 추정 가치 산출 방법에 있어서,
    미리 저장된 복수의 기존 리뷰에 포함된 텍스트를 의미 단위로 분절하고 상기 분절된 기존 리뷰를 주제에 따라 분류함으로써, 상기 복수의 기존 리뷰에 대한 상태 정보 및 상기 복수의 기존 리뷰 각각에 포함된 피쳐에 대한 피쳐 정보를 획득하는 단계;
    피드 포워드 뉴럴 네트워크에 입력 변수로서 상기 상태 정보 및 상기 피쳐 정보를 입력하고 목표 변수로서 미리 저장된 판매량 정보를 입력함으로써 상기 복수의 기존 리뷰 각각의 추가에 따라 변화하는 판매량을 추론하도록 지도 학습을 수행하는 단계;
    상기 학습에 의해 도출된 모델에 상기 상태 정보 및 신규 리뷰의 작성 시 상기 신규 리뷰에 포함될 수 있는 복수의 피쳐 중 적어도 일부에 대한 피쳐 정보를 입력함으로써 상기 복수의 피쳐 중 적어도 일부로 인한 판매량의 변화를 추정하는 단계;
    상기 추정된 판매량의 변화에 기초하여 상기 복수의 피쳐 중 적어도 일부에 대한 리워드 값을 산출하는 단계; 및
    사용자 단말로 상기 신규 리뷰가 작성되기 이전에 상기 복수의 피쳐 중 적어도 일부에 대한 상기 리워드 값을 표시하는 메시지를 제공하는 단계를 포함하는 것을 특징으로 하는, 방법.
KR1020200165755A 2020-12-01 2020-12-01 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법 KR102276427B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200165755A KR102276427B1 (ko) 2020-12-01 2020-12-01 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200165755A KR102276427B1 (ko) 2020-12-01 2020-12-01 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102276427B1 true KR102276427B1 (ko) 2021-07-12

Family

ID=76858943

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200165755A KR102276427B1 (ko) 2020-12-01 2020-12-01 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102276427B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230065750A (ko) * 2021-11-05 2023-05-12 네이버 주식회사 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램
KR102602448B1 (ko) * 2022-09-21 2023-11-14 백승훈 Cnn과 annoy 딥러닝 분석 기술을 활용한 미래 수요 예측 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190001893A (ko) * 2017-06-28 2019-01-07 주식회사 오리지널메이커스 구매 후기를 기반으로 한 온라인 쇼핑 서비스 제공 방법 및 그 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190001893A (ko) * 2017-06-28 2019-01-07 주식회사 오리지널메이커스 구매 후기를 기반으로 한 온라인 쇼핑 서비스 제공 방법 및 그 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
이동원 외 2인, "온라인 상품 판매 성과에 영향을 미치는 상품 소개글 효과 측정 기법", 지능정보연구 제18권 제4호, 2012.12, pp1-17* *
황침 외 2인, "온라인 리뷰 유용성과 상품매출에 영향을 주는 요인", Journal of Information Technology Applications & Management, 25(2), 2018.6, pp53-72* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230065750A (ko) * 2021-11-05 2023-05-12 네이버 주식회사 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램
KR102647904B1 (ko) 2021-11-05 2024-03-14 네이버 주식회사 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램
KR102602448B1 (ko) * 2022-09-21 2023-11-14 백승훈 Cnn과 annoy 딥러닝 분석 기술을 활용한 미래 수요 예측 시스템

Similar Documents

Publication Publication Date Title
US9741058B2 (en) Method and system for programmatic analysis of consumer reviews
CN109271521B (zh) 一种文本分类方法及装置
CN110363213B (zh) 服装图像的认知分析和分类的方法和系统
KR102276427B1 (ko) 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법
US20210256541A1 (en) Method and system for programmatic analysis of consumer sentiment with regard to attribute descriptors
US11803872B2 (en) Creating meta-descriptors of marketing messages to facilitate in delivery performance analysis, delivery performance prediction and offer selection
US20230252991A1 (en) Artificial Assistant System Notifications
JP7062960B2 (ja) 情報処理システム、プログラム、情報処理装置及び情報出力方法
JP6101620B2 (ja) 購買予測装置、方法、及びプログラム
CN111738807B (zh) 用于推荐目标对象的方法、计算设备和计算机存储介质
CN111523914A (zh) 用户满意度的评测方法、装置、系统和数据显示平台
US11887134B2 (en) Product performance with location on page analysis
CN115829159A (zh) 社交媒体粉丝新增预测方法、装置、设备及存储介质
Sagarino et al. Sentiment analysis of product reviews as customer recommendations in shopee philippines using hybrid approach
KR102262285B1 (ko) 사용자 리뷰 분석에 기반한 사용자 사이의 취향 유사도 산출 장치 및 방법
CN109191192B (zh) 数据估算方法、装置和计算机可读存储介质
CN113779276A (zh) 用于检测评论的方法和装置
KR20220118703A (ko) 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법
JP2018067215A (ja) データ分析システム、その制御方法、プログラム、及び、記録媒体
KR20220117677A (ko) 리뷰 큐레이션 제공 장치 및 방법
JP2020154464A (ja) 推定装置、推定方法及び推定プログラム
US20220092634A1 (en) Information processing device and non-transitory computer readable medium
US11907508B1 (en) Content analytics as part of content creation
CN111259662B (zh) 处理文本的方法和装置
JP6907179B2 (ja) 算出装置、算出方法及び算出プログラム

Legal Events

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