KR102319997B1

KR102319997B1 - Machine learning based clothing fit recommending apparatus

Info

Publication number: KR102319997B1
Application number: KR1020180120465A
Authority: KR
Inventors: 이재갑
Original assignee: 이재갑
Priority date: 2018-10-10
Filing date: 2018-10-10
Publication date: 2021-11-01
Also published as: KR20200044197A

Abstract

본 발명은 머신러닝 기반의 의류 핏 추천 장치에 관한 것으로, 사용자 핏 데이터 및 사용자 단말로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신하는 핏 데이터 수신부, 상기 사용자 핏 데이터 및 상기 타겟 의류의 핏 데이터를 기초로 머신러닝 기반의 핏 알고리즘을 통해 상기 타겟 의류의 상기 사용자에 대한 맞춤 핏 데이터를 산출하는 맞춤 핏 데이터 산출부 및 상기 맞춤 핏 데이터를 기초로 상기 사용자에게 상기 타겟 의류의 핏을 추천하는 타겟 의류 핏 추천부를 포함한다. 따라서, 본 발명은 사용자의 의류 핏 데이터를 분석하여 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있다.The present invention relates to a machine learning-based clothing fit recommendation apparatus, a fit data receiver receiving user fit data and fit data of target clothing selected by a user from a user terminal, based on the user fit data and the fit data of the target clothing A customized fit data calculator for calculating customized fit data for the user of the target clothing through a raw machine learning-based fit algorithm, and a target clothing fit for recommending a fit of the target clothing to the user based on the customized fit data Includes recommendations. Accordingly, the present invention may analyze the user's clothing fit data to recommend a custom fit for the target clothing that the user wants to purchase.

Description

Apparel fit recommendation device based on machine learning {MACHINE LEARNING BASED CLOTHING FIT RECOMMENDING APPARATUS}

본 발명은 머신러닝 기반의 의류 핏 추천 기술에 관한 것으로, 보다 상세하게는 사용자 및 의류의 핏 정보를 데이터화하고 분석하여 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있는 머신러닝 기반의 의류 핏 추천 장치에 관한 것이다.The present invention relates to a machine learning-based clothing fit recommendation technology, and more particularly, a machine learning-based fit information that can recommend a user-customized fit for a target clothing that a user wants to purchase by dataizing and analyzing the fit information of the user and clothing. of clothing fit recommendation device.

의류를 온라인으로 선택할 때, 고객은 치수를 특정할 수 있지만, 옷을 입어볼 수 없기 때문에 많은 고객이 구매를 망설인다. 따라서 치수 불확실성이 온라인 의류 주문을 착수하는 데 상당한 걸림돌이다. 고객이 의류를 온라인으로 구매하고, 의류가 잘 맞지 않는 경우, 의류가 반품될 수 있고 고객이 상기 소매상으로부터의 장래의 온라인 구매를 망설일 수 있다. 일반적으로 의류 판매자는 물품을 반품하는 비용을 지불하고, 물품이 반품되면, 또한 물품을 수동으로 체크하고 다시 포장해야 한다. 이는 비용 소모적이다. 온라인으로 구매한 옷에 대한 반품율은 오프라인에 비해 높은 수준이고 대부분 반품되는 이유는 옷이 맞지 않기 때문이다. 따라서 온라인 판매자에 의해 제공되는 치수 차트에 대해 많이 신뢰할 수 없기 때문에 온라인 의류 쇼핑이 사용자에게 불만족스러울 수 있다. 이는 온라인 의류 소매상 사이트의 활용 레벨을 더 높일 수 없고, 판매자의 관점에서 수익성이 덜할 수 있다. 지금까지 옷을 입어 보기 위해서는, 사용자가 상점으로 가야 하거나, 옷이 배달되기를 기다려야 하는데, 둘 모두 시간이 걸리고 이동 또는 배달 비용을 수반한다. 사용자가 의류가 잘 맞을 것이라는 높은 확신을 갖고 의류를 온라인으로 구매하는 것이 유용할 것이다. 온라인 판매자에게 비용 소모적인 반품 문제를 해결하기 위해서, 사용자는 온라인으로 판매되는 의류가 실제로 어떻게 보일 것인지를 알 수 있어야 하고 특히, 의류의 스타일이 사용자에게 어울리는지 여부와 의류의 특정 치수에 대한 핏이 올바른지 여부를 알 수 있어야 한다.When choosing clothing online, customers can specify their dimensions, but many are hesitant to buy because they can't try the clothes on. Therefore, dimensional uncertainty is a significant obstacle to initiating online apparel orders. If a customer purchases clothing online and the clothing does not fit well, the clothing may be returned and the customer may be hesitant to make future online purchases from the retailer. Clothing sellers usually pay to return the item, and once the item is returned, it must also be manually checked and repackaged. This is costly. The return rate for clothes purchased online is higher than offline, and the reason most of the clothes are returned is because the clothes don't fit. Therefore, online clothing shopping can be unsatisfactory for users as they are not very reliable about the dimensional charts provided by online sellers. This may not increase the level of utilization of the online clothing retailer site further and may be less profitable from a seller's point of view. So far, to try on clothes, the user has to go to the store or wait for the clothes to be delivered, both of which take time and involve transport or delivery costs. It would be useful for users to purchase clothing online with high confidence that the clothing will fit well. In order to solve the problem of costly returns for online sellers, users need to be able to see what clothing sold online will actually look like, especially whether the style of the clothing suits the user and whether the clothing fits to a particular size. You should know if it's correct or not.

한국공개특허 제10-2002-0067507 (2002.08.22)호는 한 벌의 옷을 선택하기 위해 추천을 발생시키는 방법 및 시스템으로 목적은 옷 프로필을 보존하는 단계, 선택되는 한벌의 옷을 검출하는 단계, 상기 선택에 기초하여 상기 옷 프로필을 업데이팅하는 단계, 및 상기 업데이팅된 옷 프로필로부터 추천을 발생시키는 단계를 포함하는, 방법이 본 발명에 따라 달성된다. 옷 프로필은 사용자가 좋아하는 몇 벌의 옷 및 그가 소유한 벌들을 나타낸다. 이것은 어떠한 벌의 옷 또는 어떠한 옷들의 조합이 사용자에게 흥미있는지를 높은 정도로 정확하게 결정할 수 있다.Korean Patent Application Laid-Open No. 10-2002-0067507 (2002.08.22) discloses a method and system for generating a recommendation to select a set of clothes, the purpose of which is to preserve a clothes profile, and detect a selected set of clothes. , updating the clothes profile based on the selection, and generating a recommendation from the updated clothes profile. The clothes profile shows some clothes the user likes and the suits he owns. This can determine with a high degree of accuracy which suits or combinations of clothes are of interest to the user.

한국공개특허 제10-2017-0016578 (2017.02.14)호는 의류 피팅 시스템과 그 동작 방법에 관한 것이다. 외부 사이트의 외부 의류 이미지 및 외부의 류 정보를 주기적으로 수집하는 크롤러; 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 수집하는 저장소; 상기 외부 의류 이미지 및 상기 사용자 의류 이미지에 대한 특징점들을 추출하는 특징점 매퍼; 상기 특징점들을 이용하여 상기 외부 의류 이미지의 제1 패턴 정보 및 상기 사용자 의류 이미지의 제2 패턴 정보를 생성하는 학습기; 및 상기 사용자로부터 대상 의류 이미지를 수신하여 상기 학습기에서 상기 대상 의류 이미지에 대한 제3패턴 정보를 제공받고, 상기 제1 패턴 정보 및 상기 제2 패턴 정보와 비교하여 상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 외부 인터페이스를 포함하는, 의류 피팅 시스템이 제공될 수 있다.Korean Patent Application Laid-Open No. 10-2017-0016578 (2017.02.14) relates to a clothing fitting system and an operating method thereof. a crawler that periodically collects external clothing images and external clothing information from external sites; a storage for collecting user clothing images and user clothing information from users; a feature point mapper extracting feature points for the external clothing image and the user clothing image; a learner for generating first pattern information of the external clothing image and second pattern information of the user clothing image by using the feature points; and receiving the target clothing image from the user, receiving third pattern information on the target clothing image in the learner, and comparing the first pattern information and the second pattern information to predict a fitting result for the target clothing image A garment fitting system can be provided, comprising an external interface that derives

한국공개특허 제10-2002-0067507 (2002.08.22)호Korean Patent Publication No. 10-2002-0067507 (2002.08.22) 한국공개특허 제10-2017-0016578 (2017.02.14)호Korean Patent Publication No. 10-2017-0016578 (2017.02.14)

본 발명의 일 실시예는 머신러닝 기반의 핏 알고리즘을 통해 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있는 머신러닝 기반의 의류 핏 추천 장치를 제공하고자 한다.An embodiment of the present invention is to provide a machine learning-based clothing fit recommendation apparatus capable of recommending a user-customized fit for target clothing that a user wants to purchase through a machine learning-based fit algorithm.

본 발명의 일 실시예는 사용자의 구매 행동 분석을 통해 사용자가 만족하는 핏 정보를 찾아서 제공할 수 있는 머신러닝 기반의 의류 핏 추천 장치를 제공하고자 한다.An embodiment of the present invention is to provide a machine learning-based clothing fit recommendation apparatus that can find and provide fit information that a user is satisfied with through an analysis of a user's purchase behavior.

본 발명의 일 실시예는 사용자의 신체 사이즈 등을 기초로 다양한 의류의 스타일별 핏 정보를 데이터화하고, 이러한 핏 데이터를 기초로 머신러닝을 통해 사용자에게 타겟 상품별 최적의 맞춤 핏을 추천할 수 있는 머신러닝 기반의 의류 핏 추천 장치를 제공하고자 한다.An embodiment of the present invention is a machine capable of dataizing fit information for various styles of clothing based on the user's body size, etc., and recommending the optimal fit for each target product to the user through machine learning based on the fit data. We want to provide a running-based clothing fit recommendation device.

실시예들 중에서 머신러닝 기반의 의류 핏 추천 장치는 사용자 핏 데이터 및 사용자 단말로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신하는 핏 데이터 수신부, 상기 사용자 핏 데이터 및 상기 타겟 의류의 핏 데이터를 기초로 핏 알고리즘을 통해 상기 타겟 의류의 상기 사용자에 대한 맞춤 핏 데이터를 산출하는 맞춤 핏 데이터 산출부 및 상기 맞춤 핏 데이터를 기초로 상기 사용자에게 상기 타겟 의류의 핏을 추천하는 타겟 의류 핏 추천부를 포함한다.Among the embodiments, a machine learning-based clothing fit recommendation apparatus includes a fit data receiver configured to receive user fit data and fit data of a target clothing selected by a user from a user terminal, and a fit based on the user fit data and the target clothing fit data. and a custom fit data calculator for calculating fit data of the target clothes for the user through an algorithm, and a target clothes fit recommendation section for recommending a fit of the target clothes to the user based on the custom fit data.

상기 맞춤 핏 데이터 산출부는 상기 사용자 핏 데이터로부터 상기 사용자의 신체 사이즈를 검출하고, 상기 검출된 사용자의 신체 사이즈를 기초로 상기 타겟 의류의 핏 데이터를 분석하여 제1 맞춤 핏 서브데이터를 산출할 수 있다.The customized fit data calculator may detect the user's body size from the user's fit data, and calculate the first customized fit sub-data by analyzing the fit data of the target clothing based on the detected user's body size. .

상기 맞춤 핏 데이터 산출부는 상기 타겟 의류의 핏 데이터로부터 상기 타겟 의류에 대한 상기 사용자와 유사한 핏 데이터를 가진 기구매자가 존재하는지 검출하고, 상기 검출된 기구매자의 구매 만족도 데이터를 기초로 제2 맞춤 핏 서브데이터를 산출할 수 있다.The customized fit data calculating unit detects whether there is a fit data similar to the user for the target clothing from the fit data of the target clothing, and a second customized fit based on the detected purchase satisfaction data of the clothing seller. Subdata can be calculated.

상기 맞춤 핏 데이터 산출부는 상기 사용자 핏 데이터로부터 상기 사용자가 상기 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 특정 브랜드를 구매한 이력이 존재하는지 검출하고, 상기 검출된 다른 특정 브랜드에 대한 상기 사용자의 구매 만족도 데이터를 기초로 제3 맞춤 핏 서브데이터를 산출할 수 있다.The customized fit data calculating unit detects from the user fit data whether there is a history of the user purchasing another specific brand having fit data similar to that of the target clothing brand, and the user's purchase of the detected other specific brand. The third customized fit sub-data may be calculated based on the satisfaction data.

상기 맞춤 핏 데이터 산출부는 상기 사용자 핏 데이터로부터 상기 사용자가 구매 했었던 상기 타겟 의류와 유사한 핏 데이터를 가진 다른 특정 의류가 존재하는지 여부를 검출하고, 상기 검출된 다른 특정 의류에 대한 상기 사용자의 구매 만족도를 기초로 제4 맞춤 핏 서브데이터를 산출할 수 있다.The customized fit data calculation unit detects whether other specific clothing having fit data similar to the target clothing purchased by the user exists from the user fit data, and determines the user's purchase satisfaction with respect to the detected other specific clothing. Based on the fourth custom fit sub-data may be calculated.

상기 맞춤 핏 데이터 산출부는 상기 산출된 제1 내지 제4 맞춤 핏 서브데이터 각각에 대해 가중치를 부여하고 가중합을 통해 상기 맞춤 핏 데이터를 산출할 수 있다.The customized fit data calculator may assign a weight to each of the calculated first to fourth customized fit sub-data and calculate the customized fit data through weighted summing.

상기 맞춤 핏 데이터 산출부는 상기 사용자의 IP 주소(Internet Protocol Address)를 분석하고 상기 IP 주소에 해당하는 지역의 핏 트렌드를 분석하여 상기 핏 트렌드를 기초로 상기 맞춤 핏 데이터를 산출할 수 있다.The customized fit data calculating unit may analyze the user's IP address (Internet Protocol Address), analyze a pit trend of a region corresponding to the IP address, and calculate the customized fit data based on the pit trend.

상기 맞춤 핏 데이터 산출부는 상기 사용자의 실제 구매 데이터를 통해 상기 핏 알고리즘을 지속적으로 학습시키고 학습된 상기 핏 알고리즘을 기초로 상기 사용자 핏 데이터를 반복적으로 업데이트할 수 있다.The customized fit data calculator may continuously learn the fit algorithm based on the user's actual purchase data and repeatedly update the user fit data based on the learned fit algorithm.

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다 거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.The disclosed technology may have the following effects. However, this does not mean that a specific embodiment should include all of the following effects or only the following effects, so the scope of the disclosed technology should not be construed as being limited thereby.

본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치는 머신러닝 기반의 핏 알고리즘을 통해 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있다.The machine learning-based clothing fit recommendation apparatus according to an embodiment of the present invention may recommend a user-customized fit for target clothing that the user wants to purchase through a machine learning-based fit algorithm.

본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치는 사용자의 구매 행동 분석을 통해 사용자가 만족하는 핏 정보를 찾아서 제공할 수 있다.The apparatus for recommending a fit of clothes based on machine learning according to an embodiment of the present invention may find and provide fit information that satisfies a user through an analysis of a user's purchase behavior.

본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치는 사용자의 신체 사이즈 등을 기초로 다양한 의류의 스타일별 핏 정보를 데이터화하고, 이러한 핏 데이터를 기초로 머신러닝을 통해 사용자에게 타겟 상품별 최적의 맞춤 핏을 추천할 수 있다.A machine learning-based clothing fit recommendation device according to an embodiment of the present invention dataizes fit information for various styles of clothing based on the user's body size, etc., and provides a target product to the user through machine learning based on the fit data. We can recommend the best custom fit.

도 1은 본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 시스템을 나타내는 도면이다.
도 2는 도 2에 있는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치를 나타내는 블록도이다.
도 3은 도 2에 있는 프로세서의 기능 요소를 나타내는 블록도이다.
도 4는 도 1에 있는 머신러닝 기반의 의류 핏 추천 장치의 머신러닝 기반의 의류 핏 추천 방법을 보여주는 흐름도이다.
도 5는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 방법론을 보여주는 도면이다.
도 6은 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 과정을 보여주는 도면이다.1 is a diagram illustrating a machine learning-based clothing fit recommendation system according to an embodiment of the present invention.
FIG. 2 is a block diagram illustrating a machine learning-based clothing fit recommendation apparatus according to the embodiment shown in FIG. 2 .
3 is a block diagram illustrating functional elements of the processor in FIG. 2 ;
4 is a flowchart illustrating a machine learning-based clothing fit recommendation method of the machine learning-based clothing fit recommendation apparatus shown in FIG. 1 .
5 is a diagram illustrating a method for calculating customized fit data of an apparatus for recommending a fit for clothes based on machine learning according to an embodiment.
6 is a diagram illustrating a process of calculating customized fit data of a machine learning-based clothing fit recommendation apparatus according to an exemplary embodiment.

본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다 거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.Since the description of the present invention is merely an embodiment for structural or functional description, the scope of the present invention should not be construed as being limited by the embodiment described in the text. That is, since the embodiment may have various changes and may have various forms, it should be understood that the scope of the present invention includes equivalents capable of realizing the technical idea. In addition, since the object or effect presented in the present invention does not mean that a specific embodiment should include all of them or only such effects, it should not be understood that the scope of the present invention is limited thereby.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.On the other hand, the meaning of the terms described in the present application should be understood as follows.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.Terms such as “first” and “second” are for distinguishing one component from another, and the scope of rights should not be limited by these terms. For example, a first component may be termed a second component, and similarly, a second component may also be termed a first component.

어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being “connected” to another component, it should be understood that the component may be directly connected to the other component, but other components may exist in between. On the other hand, when it is mentioned that a certain element is "directly connected" to another element, it should be understood that the other element does not exist in the middle. Meanwhile, other expressions describing the relationship between elements, that is, “between” and “immediately between” or “neighboring to” and “directly adjacent to”, etc., should be interpreted similarly.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expression is to be understood to include the plural expression unless the context clearly dictates otherwise, and terms such as "comprises" or "have" refer to the embodied feature, number, step, action, component, part or these It is intended to indicate that a combination exists, and it should be understood that it does not preclude the possibility of the existence or addition of one or more other features or numbers, steps, operations, components, parts, or combinations thereof.

각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.Identifiers (eg, a, b, c, etc.) in each step are used for convenience of description, and the identification code does not describe the order of each step, and each step clearly indicates a specific order in context. Unless otherwise specified, it may occur in a different order from the specified order. That is, each step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.All terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs, unless otherwise defined. Terms defined in general used in the dictionary should be interpreted as being consistent with the meaning in the context of the related art, and cannot be interpreted as having an ideal or excessively formal meaning unless explicitly defined in the present application.

도 1은 본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 시스템을 나타내는 도면이다.1 is a diagram illustrating a machine learning-based clothing fit recommendation system according to an embodiment of the present invention.

도 1을 참조하면, 머신러닝 기반의 의류 핏 추천 시스템(100)은 머신러닝 기반의 의류 핏 추천 장치(110), 사용자 단말(120) 및 데이터베이스(130)를 포함할 수 있다.Referring to FIG. 1 , a machine learning-based clothing fit recommendation system 100 may include a machine learning-based clothing fit recommendation apparatus 110 , a user terminal 120 , and a database 130 .

머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 단말(120) 및 데이터베이스(130)와 네트워크를 통해 연결될 수 있는 컴퓨팅 장치에 해당한다. 머신러닝 기반의 의류 핏 추천 장치(110)는 온라인 전자 상거래에서 주요한 반품원인에 해당하는 사이즈와 핏의 문제를 해결하기 위해 제안된다. 일 실시예에서, 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 단말(120)로부터 사용자가 선택한 타겟 의류에 대한 맞춤 핏 추천 요청을 받으면, 머신러닝 기반의 핏 알고리즘을 통해 사용자의 핏 정보를 데이터화 하여 분석하고 사용자에게 타겟 의류에 대한 최적의 사용자 맞춤 핏을 결정하여 추천할 수 있다. 여기에서, 사용자의 핏(fit) 정보는 사용자의 신체 사이즈를 포함하는 정보로서 사용자의 다양한 의류에 대해 선호하는 의류 패턴 정보 또는 의상 사이즈 디테일 정보 등에 해당할 수 있다. 핏(fit)은 원래 의류에 대해서 입은 사람의 몸에 옷이 잘 맞는다는 의미를 가지나, 통상적으로 의류의 맵시를 결정하는 스타일(style)과 같은 의미로 쓰일 수 있다. 예를 들어, 루즈 핏(loose fit), 슬림 핏(slim fit), 케쥬얼 핏(casual fit)이 있다. 즉, 핏 정보는 사용자의 선호 스타일 정보 및 선호 스타일에 맞는 치수 정보에 해당할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자의 의류 구매에 있어서 만족도를 제공하기 위해서 사용자에게 맞는 핏 데이터를 기초로 타겟 의류에 대한 핏 데이터 분석을 수행하고 타겟 의류의 사용자에 대한 최적의 핏 데이터를 산출하여 제공할 수 있다. 여기에서, 핏 데이터는 핏 정보를 데이터화한 것을 의미할 수 있다.The machine learning-based clothing fit recommendation apparatus 110 corresponds to a computing device that can be connected to the user terminal 120 and the database 130 through a network. The machine learning-based clothing fit recommendation apparatus 110 is proposed to solve the problem of size and fit, which is a major cause of return in online e-commerce. In one embodiment, when the machine learning-based clothing fit recommendation apparatus 110 receives a custom fit recommendation request for the target clothing selected by the user from the user terminal 120 , the user's fit information is provided through a machine learning-based fit algorithm. It is possible to analyze the data and determine and recommend the optimal fit for the target clothing to the user. Here, the user's fit information is information including the user's body size, and may correspond to preferred clothing pattern information or clothing size detail information for various clothing of the user. The term “fit” originally meant that the clothes fit the body of the person wearing them, but can be used in the same sense as a style that determines the appearance of clothes. For example, there is a loose fit, a slim fit, and a casual fit. That is, the fit information may correspond to the user's preferred style information and dimension information suitable for the preferred style. The machine learning-based clothing fit recommendation apparatus 110 performs fit data analysis on the target clothing based on the fit data suitable for the user in order to provide satisfaction in the user's clothing purchase, and performs an optimal fit for the user of the target clothing. Data can be calculated and provided. Here, the pit data may mean data of pit information.

사용자 단말(120)은 머신러닝 기반의 의류 핏 추천 장치(110)와 네트워크를 통해 연결될 수 있는 컴퓨팅 장치에 해당하고, 예를 들어, 데스크톱, 노트북, 태블릿 PC 또는 스마트폰으로 구현될 수 있다. 사용자는 사용자 단말(120)을 통해 온라인으로 의류를 구매할 수 있고, 이 과정에서 머신러닝 기반의 의류 핏 추천 장치(110)에게 타겟 의류의 핏 추천을 요청할 수 있다.The user terminal 120 corresponds to a computing device that can be connected to the machine learning-based clothing fit recommendation device 110 through a network, and may be implemented as, for example, a desktop, a laptop computer, a tablet PC, or a smart phone. The user may purchase clothing online through the user terminal 120 , and in this process, may request the machine learning-based clothing fit recommendation apparatus 110 to recommend a fit of the target clothing.

머신러닝 기반의 의류 핏 추천 장치(110)는 데이터 베이스(130)를 포함하여 구현될 수 있고, 데이터베이스(130)와 독립적으로 구현될 수 있다. 데이터베이스(130)와 독립적으로 구현된 경우 머신러닝 기반의 의류 핏 추천 장치(110)는 데이터베이스(130)와 유선 또는 무선으로 연결되어 파일을 주고받을 수 있다.The machine learning-based clothing fit recommendation apparatus 110 may be implemented including the database 130 , and may be implemented independently of the database 130 . When implemented independently of the database 130 , the machine learning-based clothing fit recommendation apparatus 110 may be connected to the database 130 by wire or wirelessly to exchange files.

데이터베이스(130)는 머신러닝 기반의 의류 핏 추천에 필요한 정보들을 저장할 수 있는 저장장치이다. 여기에서, 머신러닝(machine learning)은 기계학습을 의미한다. 기계학습은 인공지능의 한분야로서 컴퓨터 프로그램이 데이터와 처리 경험을 이용한 학습을 통해 정보 처리 능력을 향상시키는 것을 의미할 수 있다. 일 실시예에서, 데이터베이스(130)는 사용자 단말(120)로부터 수신한 사용자의 신체 사이즈 정보를 포함하는 핏 정보 또는 핏 데이터를 저장할 수 있다. 보다 구체적으로, 데이터베이스(130)는 사용자 핏 데이터뿐만 아니라 타겟 의류의 핏 데이터를 저장할 수 있으며 반드시 이에 한정되지 않고, 특정 타겟 의류에 대한 맞춤 핏을 추천하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다. 예를 들어, 데이터베이스(130)는 타겟 의류를 구매하려는 해당 사용자의 구매 이력을 저장할 수 있고, 타겟 의류를 구매하였던 다른 사용자의 구매 이력을 저장할 수 있다. 일 실시예에서, 데이터베이스(130)는 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 브랜드의 정보를 저장할 수 있다. 데이터베이스(130)는 머신러닝 기반의 핏 알고리즘의 학습에 따라 반복적으로 업데이트 되는 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 저장할 수 있다.The database 130 is a storage device capable of storing information necessary for machine learning-based clothing fit recommendation. Here, machine learning means machine learning. Machine learning is a field of artificial intelligence, and it can mean that a computer program improves information processing ability through learning using data and processing experience. In an embodiment, the database 130 may store fit information or fit data including the user's body size information received from the user terminal 120 . More specifically, the database 130 may store not only the user fit data but also the fit data of the target clothing, and is not limited thereto, and collects or processes information collected or processed in various forms in the process of recommending a customized fit for a specific target clothing. can be saved For example, the database 130 may store a purchase history of a corresponding user who intends to purchase the target clothing, and may store a purchase history of another user who has purchased the target clothing. In one embodiment, the database 130 may store information of other brands having fit data similar to that of the target clothing brand. The database 130 may store user fit data and target clothing fit data that are repeatedly updated according to learning of a machine learning-based fit algorithm.

데이터베이스(130)는 특정 범위에 속하는 정보들을 저장하는 적어도 하나의 독립된 서브-데이터베이스들로 구성될 수 있고, 적어도 하나의 독립된 서브-데이터베이스들이 하나로 통합된 통합 데이터베이스로 구성될 수 있다. 적어도 하나의 독립된 서브-데이터베이스들로 구성되는 경우에는 각각의 서브-데이터베이스들은 블루투스, WiFi 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 상호 간의 데이터를 주고받을 수 있다. 데이터베이스(130)는 통합 데이터베이스로 구성되는 경우 각각의 서브-데이터베이스들을 하나로 통합하고 상호 간의 데이터 교환 및 제어 흐름을 관리하는 제어부를 포함할 수 있다.The database 130 may be composed of at least one independent sub-database for storing information belonging to a specific range, and may be composed of an integrated database in which at least one independent sub-database is integrated into one. When configured with at least one independent sub-database, each sub-database may be wirelessly connected through Bluetooth, WiFi, or the like, and may exchange data with each other through a network. When the database 130 is configured as an integrated database, it may include a control unit that integrates each sub-database into one and manages mutual data exchange and control flow.

도 2는 도 2에 있는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치를 나타내는 블록도이다.FIG. 2 is a block diagram illustrating a machine learning-based clothing fit recommendation apparatus according to the embodiment shown in FIG. 2 .

도 2를 참조하면, 머신러닝 기반의 의류 핏 추천 장치(110)는 프로세서(210), 메모리(220), 사용자 입출력부(230) 및 네트워크 입출력부(240)을 포함할 수 있다.Referring to FIG. 2 , the machine learning-based clothing fit recommendation apparatus 110 may include a processor 210 , a memory 220 , a user input/output unit 230 , and a network input/output unit 240 .

프로세서(210)는 도 4에 있는 머신러닝 기반의 의류 핏 추천 방법을 수행할 수 있고, 이러한 과정에서 읽혀지거나 작성되는 메모리(220)를 관리할 수 있으며, 메모리(220)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄 할 수 있다. 프로세서(210)는 머신러닝 기반의 의류 핏 추천 장치(110)의 동작 전반을 제어할 수 있고, 메모리(220), 사용자 입출력부(230) 및 네트워크 입출력부(240)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 머신러닝 기반의 의류 핏 추천 장치(110)의 CPU(Central Processing Unit)로 구현될 수 있다.The processor 210 may perform the machine learning-based clothing fit recommendation method shown in FIG. 4 , and may manage the memory 220 read or written in this process, and the volatile memory and nonvolatile memory in the memory 220 . Synchronization time between volatile memories can be scheduled. The processor 210 may control overall operations of the machine learning-based clothing fit recommendation apparatus 110 , and is electrically connected to the memory 220 , the user input/output unit 230 , and the network input/output unit 240 , You can control the data flow. The processor 210 may be implemented as a central processing unit (CPU) of the machine learning-based clothing fit recommendation apparatus 110 .

메모리(220)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 머신러닝 기반의 의류 핏 추천 장치(110)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.The memory 220 is implemented as a non-volatile memory, such as a solid state disk (SSD) or a hard disk drive (HDD). It may include, and may include a main memory implemented as a volatile memory such as random access memory (RAM).

사용자 입출력부(230)은 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함하고, 예를 들어, 마우스, 트랙볼, 터치 패드, 그래픽 태블릿, 스캐너, 터치 스크린, 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터와 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(230)은 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 머신러닝 기반의 의류 핏 추천 장치(110)는 서버로서 수행될 수 있다.The user input/output unit 230 includes an environment for receiving a user input and an environment for outputting specific information to the user, for example, a mouse, a trackball, a touch pad, a graphic tablet, a scanner, a touch screen, a keyboard, or a pointing device. It may include an input device including an adapter such as a device and an output device including an adapter such as a monitor. In an embodiment, the user input/output unit 230 may correspond to a computing device accessed through remote access, and in such a case, the machine learning-based clothing fit recommendation apparatus 110 may be performed as a server.

네트워크 입출력부(240)은 사용자 단말(120) 및 데이터베이스(130) 중 적어도 하나와 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network) 통신을 위한 어댑터를 포함할 수 있다. 일 실시예에서, 머신러닝 기반의 의류 핏 추천 장치(110)는 네트워크 입출력부(240)를 통해 사용자 단말(120)과 연동할 수 있다.The network input/output unit 240 includes an environment for connecting to at least one of the user terminal 120 and the database 130 , and may include, for example, an adapter for local area network (LAN) communication. In an embodiment, the machine learning-based clothing fit recommendation apparatus 110 may interwork with the user terminal 120 through the network input/output unit 240 .

도 3은 도 2에 있는 프로세서의 기능 요소를 나타내는 블록도이다.3 is a block diagram illustrating functional elements of the processor in FIG. 2 ;

도 3을 참조하면, 프로세서(210)는 핏 데이터 수신부(310), 맞춤 핏 데이터 산출부(320), 타겟 의류 핏 추천부(330) 및 제어부(340)를 포함할 수 있다.Referring to FIG. 3 , the processor 210 may include a fit data receiving unit 310 , a custom fit data calculating unit 320 , a target clothing fit recommendation unit 330 , and a controller 340 .

핏 데이터 수신부(310)는 사용자 핏 데이터를 수신할 수 있다. 여기에서, 사용자 핏 데이터는 사용자 핏 정보를 데이터화 한 것으로 사용자 신체 사이즈 데이터를 포함하고 사용자의 스타일에 따른 의류의 패턴 데이터를 포함할 수 있으며 반드시 이에 한정되지 않고, 사용자의 선호 브랜드 데이터, 선호 의류 데이터 및 선호하는 스타일에 대한 치수 데이터를 포함할 수 있다. 보다 구체적으로, 핏 데이터 수신부(310)는 사용자 핏 데이터뿐만 아니라 사용자 단말(120)로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신할 수 있다. 여기에서, 타겟 의류는 사용자가 구매하기 위해 선택한 의류에 해당할 수 있다. 여기에서, 타겟 의류의 핏 데이터는 스몰, 미디움 또는 라지의 의류 사이즈 데이터뿐만 아니라, 타겟 의류에 대한 구매자의 신체 사이즈 및 스타일 등의 데이터와 타겟 의류 브랜드와 유사한 핏의 브랜드 데이터를 모두 포함할 수 있다. 일 실시예에서, 핏 데이터 수신부(310)는 데이터베이스(130)로부터 저장된 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 수신할 수 있다.The fit data receiver 310 may receive user fit data. Here, the user fit data is data of the user fit information, and may include user body size data and may include pattern data of clothing according to the user's style, but is not limited thereto, and the user's preferred brand data and preferred clothing data. and dimensional data for a preferred style. More specifically, the fit data receiver 310 may receive not only the user fit data but also the fit data of the target clothing selected by the user from the user terminal 120 . Here, the target clothing may correspond to clothing selected by the user to purchase. Here, the fit data of the target clothing may include not only small, medium, or large clothing size data, but also data such as a buyer's body size and style for the target clothing, and brand data of a fit similar to the target clothing brand. . In an embodiment, the fit data receiver 310 may receive the stored user fit data and the fit data of the target clothing from the database 130 .

맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 기초로 핏 알고리즘을 통해 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출할 수 있다. 여기에서, 핏 알고리즘은 머신러닝(machine learning)을 통해 지속적으로 학습될 수 있다. 보다 구체적으로, 핏 알고리즘은 사용자의 신체사이즈를 포함하는 사용자 핏 정보와 타겟 의류의 사이즈를 포함하는 타겟 의류의 핏 정보를 복합적으로 비교 분석하여 사용자에게 맞는 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출할 수 있다. 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 핏 알고리즘을 통해 사용자의 신체 사이즈와 타겟 의류를 비교할 수 있고, 사용자가 구매한 다른 의류의 핏 정보와 타겟 의류를 비교할 수 있으며 또한, 타겟 의류의 핏 정보와 유사한 핏을 가진 다른 브랜드와 타겟 의류를 비교할 수 있다. 여기에서, 사용자 맞춤 핏 데이터는 사용자에게 최적의 핏을 제공하는 타겟 의류에 관한 사이즈 치수 및 패턴을 포함하는 데이터를 의미할 수 있다.The customized fit data calculation unit 320 may calculate the user customized fit data for the target clothing through a fit algorithm based on the user fit data and the fit data of the target clothing. Here, the fit algorithm may be continuously learned through machine learning. More specifically, the fit algorithm calculates user-customized fit data for target clothing suitable for the user by complexly comparing and analyzing the user fit information including the user's body size and the fit information of the target clothing including the size of the target clothing. can In an embodiment, the customized fit data calculation unit 320 may compare the user's body size with the target clothing through a fit algorithm, may compare the target clothing with fit information of other clothing purchased by the user, and further, the target clothing You can compare target clothing with other brands that have a similar fit with the fit information of . Here, the user-customized fit data may refer to data including a size dimension and a pattern regarding target clothing that provides an optimal fit to the user.

일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터로부터 사용자의 신체 사이즈를 검출할 수 있다. 여기에서, 사용자의 신체 사이즈는 사용자 단말(120)을 통해 사용자가 직접 입력할 수 있고 데이터베이스(130)에 저장될 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 검출된 사용자의 신체 사이즈를 기초로 타겟 의류의 핏 데이터를 분석하여 제1 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자의 신체 사이즈와 타겟 의류의 핏 데이터를 인체 부위의 치수에 대해 각각 비교하여 사용자에게 맞는 타겟 의류의 사이즈를 제공할 수 있다. 여기에서, 제1 맞춤 핏 서브데이터는 사용자 맞춤 핏 데이터에 대한 서브데이터로서 사용자의 신체 사이즈만을 기초로 타겟 의류와 비교하여 산출한 핏 데이터에 해당할 수 있다. 다른 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자가 입력한 신체 사이즈가 데이터베이스(130)에 저장되어 있지 않다면 사용자의 신체 사이즈를 검출할 수 없고 대신에 사용자에게 신체 사이즈를 입력하라는 알림을 제공할 수 있다.In an embodiment, the custom fit data calculator 320 may detect the user's body size from the user fit data. Here, the user's body size may be directly input by the user through the user terminal 120 and may be stored in the database 130 . More specifically, the customized fit data calculator 320 may calculate the first customized fit sub-data by analyzing the fit data of the target clothing based on the detected body size of the user. For example, the customized fit data calculator 320 may compare the user's body size with the fit data of the target clothing with respect to the size of the human body part to provide a size of the target clothing suitable for the user. Here, the first customized fit sub data is sub data for the user customized fit data, and may correspond to the fit data calculated by comparing with the target clothing based on only the user's body size. In another embodiment, the custom fit data calculation unit 320 cannot detect the user's body size unless the user's input body size is stored in the database 130, and notifies the user to input the body size instead. can provide

일 실시예에서, 맞춤 핏 데이터 산출부(320)는 타겟 의류에 대한 사용자와 유사한 핏 데이터를 가진 기구매자가 존재하는지 여부를 검출할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터를 기초로 핏 알고리즘을 통해 데이터베이스(130)로부터 저장된 타겟 의류의 핏 데이터를 분석하여 사용자와 유사한 핏 데이터를 가진 다른 기구매자가 존재하는지 여부를 검출할 수 있고, 존재하는 경우 검출된 기구매자의 타겟 의류에 대한 구매 만족도 데이터를 검출할 수 있다. 일 실시예에서, 구매 만족도 데이터는 데이터베이스(130)에 저장될 수 있고 핏 알고리즘의 학습에 따라 업데이트 되는 데이터에 해당할 수 있다. 맞춤 핏 데이터 산출부(320)는 검출된 기 구매자의 타겟 의류에 대한 구매 만족도 데이터를 기초로 제2 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자와 유사한 핏 데이터를 가진 기구매자의 타겟 의류에 대한 구매 만족도가 높은 경우, 기구매자가 구매한 타겟 의류의 핏 데이터를 기초로 타겟 의류의 핏 데이터를 보정하여 사용자에 대한 제2 맞춤 핏 서브데이터를 산출할 수 있다. 여기에서, 제2 맞춤 핏 서브데이터는 유사한 핏 데이터를 가진 기구매자의 구매 만족도만을 기초로 하여 산출한 핏 데이터를 의미할 수 있고 사용자 맞춤 핏 데이터의 서브데이터에 해당할 수 있다.In an embodiment, the custom fit data calculating unit 320 may detect whether there is a wearer having fit data similar to the user for the target clothing. More specifically, the custom fit data calculation unit 320 analyzes the fit data of the target clothing stored from the database 130 through a fit algorithm based on the user fit data to determine whether there is another wearer having fit data similar to the user. It is possible to detect whether or not it exists, and if it exists, it is possible to detect the purchase satisfaction data for the detected clothing seller's target clothing. In an embodiment, the purchase satisfaction data may be stored in the database 130 and may correspond to data updated according to the learning of the fit algorithm. The customized fit data calculation unit 320 may calculate the second customized fit sub data based on the detected purchase satisfaction data for the target clothing of the previous purchaser. For example, the customized fit data calculation unit 320 may be configured to, when the purchase satisfaction with the target clothing of the purchaser having the fit data similar to that of the user is high, the fit of the target clothing based on the fit data of the target clothing purchased by the purchaser. The data may be corrected to calculate second customized fit sub-data for the user. Here, the second customized fit sub-data may mean fit data calculated based on only the purchase satisfaction of a purchaser having similar fit data, and may correspond to sub-data of the user-customized fit data.

일 실시예에서, 맞춤 핏 데이터 산출부(320)는 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 특정 브랜드에 대한 사용자의 구매 이력이 존재하는지 여부를 검출할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터를 기초로 핏 알고리즘을 통해 사용자가 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 특정 브랜드를 구매한 적이 있는지 여부를 검출하고, 구매한 적이 있다면 특정 브랜드에 대한 사용자의 구매 만족도를 분석하여 제3 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 특정 브랜드의 의류에 대한 사용자의 구매 만족도가 높은 경우 특정 브랜드의 핏 데이터를 기초로 타겟 의류의 핏 데이터를 보정하여 제3 맞춤 핏 서브데이터로 산출할 수 있다. 여기에서, 제3 맞춤 핏 서브데이터는 사용자 맞춤 핏 데이터의 서브데이터에 해당할 수 있고, 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 특정 브랜드에 대한 사용자 만족도만을 기초로하여 산출한 핏 데이터를 의미할 수 있다.In an embodiment, the customized fit data calculation unit 320 may detect whether there is a purchase history of the user for another specific brand having fit data similar to that of the target clothing brand. More specifically, the customized fit data calculation unit 320 detects whether the user has ever purchased a specific brand having fit data similar to that of the target clothing brand through a fit algorithm based on the user fit data, If there is, the third customized fit sub-data may be calculated by analyzing the user's purchase satisfaction for a specific brand. For example, the customized fit data calculation unit 320 calculates the third customized fit sub data by correcting the fit data of the target clothing based on the fit data of the specific brand when the user's purchase satisfaction with the specific brand of clothing is high. can do. Here, the third customized fit sub-data may correspond to the sub-data of the user-customized fit data, and refer to fit data calculated based only on user satisfaction with other specific brands having fit data similar to the brand of the target clothing. can do.

일 실시예에서, 맞춤 핏 데이터 산출부(320)는 타겟 의류와 유사한 핏 데이터를 가진 다른 특정 의류에 대한 사용자의 구매이력을 검출할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터를 기초로 핏 알고리즘을 통해 사용자가 타겟 의류와 유사한 핏 데이터를 가진 다른 특정 의류를 구매한 적이 있는지 여부를 검출하고, 구매한 적이 있다면 검출된 특정 의류에 대한 사용자의 구매 만족도를 분석하여 제4 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 타겟 의류와 유사한 핏 데이터를 가진 특정 의류에 대한 사용자의 구매 만족도가 높은경우 특정 의류의 핏 데이터를 기초로 타겟 의류의 핏 데이터를 보정하여 제4 맞춤 핏 서브데이터를 산출할 수 있다. 여기에서, 제4 맞춤 핏 서브데이터는 사용자 맞춤 핏 데이터의 서브데이터로서 타겟 의류와 유사한 핏 데이터를 가진 특정 의류에 대한 사용자의 구매 만족도만을 기초로 산출된 핏 데이터에 해당할 수 있다.In an embodiment, the customized fit data calculator 320 may detect a purchase history of the user for other specific clothing having fit data similar to that of the target clothing. More specifically, the customized fit data calculation unit 320 detects whether the user has ever purchased other specific clothing having fit data similar to the target clothing through a fit algorithm based on the user fit data, and if there is a purchase The fourth customized fit sub-data may be calculated by analyzing the user's purchase satisfaction with respect to the detected specific clothing. For example, the customized fit data calculator 320 may correct the fit data of the target clothes based on the fit data of the specific clothes when the user's purchase satisfaction for specific clothes having fit data similar to that of the target clothes is high, thereby performing the fourth Custom fit subdata can be calculated. Here, the fourth customized fit sub data is sub data of the user customized fit data, and may correspond to fit data calculated based only on the user's purchase satisfaction with respect to specific clothing having fit data similar to that of the target clothing.

일 실시예에서, 맞춤 핏 데이터 산출부(320)는 산출된 제1 내지 제4 맞춤 핏 서브데이터들 각각에 가중치를 부여할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 머신러닝을 통해 사용자의 실제 구매 데이터를 분석하여 핏 알고리즘을 지속적으로 학습시키고 학습된 핏 알고리즘을 기초로 산출된 제1 내지 제4 맞춤 핏 서브데이터들 각각에 가중치를 부여할 수 있다. 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 학습된 핏 알고리즘을 기초로 사용자 핏 데이터를 반복적으로 업데이트할 수 있고, 업데이트 된 사용자 핏 데이터를 기초로 제1 및 제4 맞춤 핏 서브데이터들 각각에 가중치를 부여할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자의 타겟 의류와 유사한 핏 데이터를 가진 특정 의류를 구매한 이력 및 구매 만족도가 타겟 의류와 유사한 핏 데이터를 가진 특정 브랜드를 구매한 이력 및 구매 만족도 보다 많거나 높은 경우, 제4 맞춤 핏 서브데이터의 가중치를 제3 맞춤 핏 서브데이터의 가중치보다 높게 부여할 수 있다. 맞춤 핏 데이터 산출부(320)는 각각의 가중치에 대한 가중합을 통해 사용자 맞춤 핏 데이터를 산출할 수 있다. 여기에서, 가중합은 복수의 데이터를 단순히 합하는 것이 아니라 각각의 수에 어떤 가중치 값을 곱한 후 이 곱셈 결과들을 다시 합한 것을 의미할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자 신체 사이즈 데이터가 없는 경우 제1 맞춤 핏 서브데이터의 가중치를 0으로 하고 나머지 제2 내지 제4 맞춤 핏 서브데이터 각각에 일정 가중치를 곱하고 다시 합산하여 사용자 맞춤 핏 데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자의 허리 치수에 대해서 각각 제1 내지 제4 맞춤 핏 서브데이터에서 산출된 치수들에 대해 가중합을 수행한 결과를 사용자 맞춤 핏 데이터로 결정할 수 있다.In an embodiment, the custom fit data calculator 320 may assign a weight to each of the calculated first to fourth custom fit subdata. More specifically, the customized fit data calculator 320 analyzes the user's actual purchase data through machine learning to continuously learn the fit algorithm, and the first to fourth customized fit sub-data calculated based on the learned fit algorithm. A weight can be assigned to each of them. In an embodiment, the customized fit data calculating unit 320 may iteratively update the user fit data based on the learned fit algorithm, and based on the updated user fit data, the first and fourth customized fit sub-data Each can be assigned a weight. For example, the customized fit data calculation unit 320 may include a purchase history and purchase satisfaction of a specific brand having fit data similar to the target clothing and a history of purchasing specific clothing having fit data similar to the target clothing of the user, and purchase satisfaction If more or higher, the weight of the fourth customized fit sub-data may be given higher than the weight of the third customized fit sub-data. The customized fit data calculation unit 320 may calculate the user customized fit data through a weighted sum of each weight. Here, the weighted sum may mean not simply summing a plurality of data, but multiplying each number by a certain weight value and then summing the multiplication results again. For example, when there is no user body size data, the customized fit data calculation unit 320 sets the weight of the first customized fit subdata to 0, and multiplies each of the remaining second to fourth customized fit subdata by a predetermined weight and sums them again. Thus, it is possible to calculate user-customized fit data. For example, the customized fit data calculation unit 320 may determine a result of performing weighted summation on the dimensions calculated in the first to fourth customized fit sub-data for the waist size of the user as the user customized fit data. have.

일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자의 IP 주소(Internet Protocol Address)를 분석하고 IP 주소에 해당하는 지역의 핏 트렌드를 분석하여 이를 기초로 사용자 맞춤 핏 데이터를 산출할 수 있다. 여기에서, 핏 트렌드(fit trend)는 핏(fit)에 대한 시대의 추세, 조류, 유행을 의미할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 데이터베이스(130)로부터 사용자 IP 주소를 수신하여 사용자의 지역을 검출하고 지역의 핏 트렌드의 데이터를 수집하고 분석할 수 있다. 맞춤 핏 데이터 산출부(320)는 사용자 지역의 핏 트렌드 데이터를 수집하여 타겟 의류 및 사용자의 핏 데이터와 비교하고 분석하여 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출할 수 있다.In an embodiment, the customized fit data calculation unit 320 may analyze the user's IP address (Internet Protocol Address), analyze the fit trend of the region corresponding to the IP address, and calculate the user customized fit data based on this. . Here, the fit trend may mean a trend, trend, or fashion of the times for fit. More specifically, the customized fit data calculator 320 may receive the user IP address from the database 130 to detect the user's area, and collect and analyze data of the local fit trend. The customized fit data calculation unit 320 may collect the fit trend data of the user area, compare it with the target clothing and the user's fit data, and analyze it to calculate the user customized fit data for the target clothing.

타겟 의류 핏 추천부(330)는 사용자 맞춤 핏 데이터를 기초로 사용자에게 최적의 타겟 의류의 핏을 추천할 수 있다. 보다 구체적으로, 타겟 의류 핏 추천부(330)는 맞춤 핏 데이터 산출부(320)로부터 사용자 맞춤 핏 데이터를 받아 타겟 의류와 함께 사용자에게 제공할 수 있다.The target clothing fit recommendation unit 330 may recommend an optimal fit of the target clothing to the user based on the user-customized fit data. More specifically, the target clothing fit recommendation unit 330 may receive the user customized fit data from the customized fit data calculation unit 320 and provide it to the user together with the target clothing.

제어부(340)는 프로세서(210)의 동작 전반을 제어할 수 있고, 핏 데이터 수신부(310), 맞춤 핏 데이터 산출부(320) 및 타겟 의류 핏 추천부(330)간의 데이터 흐름을 제어할 수 있다.The controller 340 may control overall operations of the processor 210 , and may control the data flow between the fit data receiver 310 , the custom fit data calculator 320 , and the target clothing fit recommender 330 . .

도 4는 도 1에 있는 머신러닝 기반의 의류 핏 추천 장치의 머신러닝 기반의 의류 핏 추천 방법을 보여주는 흐름도이다.4 is a flowchart illustrating a machine learning-based clothing fit recommendation method of the machine learning-based clothing fit recommendation apparatus shown in FIG. 1 .

머신러닝 기반의 의류 핏 추천 장치(110)는 핏 데이터 수신부(310)를 통해 사용자 핏 데이터 및 사용자 단말(120)로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신할 수 있다(단계 S410).The machine learning-based clothing fit recommendation apparatus 110 may receive the user fit data and the fit data of the target clothing selected by the user from the user terminal 120 through the fit data receiver 310 (step S410).

머신러닝 기반의 의류 핏 추천 장치(110)는 맞춤 핏 데이터 산출부(320)를 통해 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 기초로 머신러닝 기반의 핏 알고리즘을 통해 타겟 의류의 사용자 맞춤 핏 데이터를 산출할 수 있다(단계 S420). 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자의 실제 구매 데이터를 통해 핏 알고리즘을 지속적으로 학습시키고 학습된 핏 알고리즘을 기초로 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 반복적으로 업데이트 할 수 있다.The machine-learning-based clothing fit recommendation apparatus 110 receives the user-customized fit data of the target clothing through a machine-learning-based fit algorithm based on the user fit data and the target clothing fit data through the customized fit data calculation unit 320 . can be calculated (step S420). In an embodiment, the customized fit data calculation unit 320 may continuously learn the fit algorithm through the user's actual purchase data and repeatedly update the user fit data and the fit data of the target clothing based on the learned fit algorithm. have.

머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류 추천부(430)를 통해 맞춤 핏 데이터를 기초로 사용자에게 최적의 타겟 의류 핏을 추천할 수 있다(단계 S430).The machine learning-based clothing fit recommendation apparatus 110 may recommend an optimal target clothing fit to the user based on the customized fit data through the target clothing recommendation unit 430 (step S430).

도 5는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 방법론을 보여주는 도면이다.5 is a diagram illustrating a method for calculating customized fit data of an apparatus for recommending a fit for clothes based on machine learning according to an embodiment.

일 실시예에서, 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자를 타겟 상품의 구매 희망자로 하여 구매 희망자에 대한 핏 데이터와 타겟 상품의 핏 데이터를 핏 알고리즘을 통해 분석하여 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출하여 추천할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 구매희망자의 신체 사이즈 데이터를 기초로 타겟 의류의 핏 데이터와 비교 분석하여 제1 맞춤 핏 서브데이터를 얻을 수 있다(shopper and garment data combined) 머신러닝 기반의 의류 핏 추천 장치(110)는 핏 알고리즘을 통해 구매희망자와 유사한 특성(즉, 핏 데이터)을 가진 구매 경험자의 경험을 기초로 타겟 의류를 분석하여 제2 맞춤 핏 서브데이터를 얻을 수 있다(body double approach). 머신러닝 기반의 의류 핏 추천 장치(110)는 핏 알고리즘을 통해 구매희망자가 기존에 구매했던 브랜드와 타겟 의류의 브랜드를 비교하여 제3 맞춤 핏 서브데이터를 얻을 수 있다(brand comparison). 머신러닝 기반의 의류 핏 추천 장치(110)는 구매희망자가 구매한 기구매의류와 타겟 의류의 핏 데이터를 직접 비교하여 제4 맞춤 핏 서브데이터를 얻을 수 있다(measurement comparison). 머신러닝 기반의 의류 핏 추천 장치(110)는 핏 알고리즘을 통해 위에서 산출된 제1 내지 제4 맞춤 핏 서브데이터들에 가중치를 각각 부여하고 가중합을 통해 사용자 맞춤 핏 데이터를 산출하고 사용자에게 추천할 수 있다.In an embodiment, the machine learning-based clothing fit recommendation apparatus 110 uses the user as a purchaser of the target product and analyzes the fit data of the purchaser and the fit data of the target product through a fit algorithm to determine the user for the target clothing. It can be recommended by calculating custom fit data. The machine learning-based clothing fit recommendation apparatus 110 may obtain the first customized fit sub-data by comparing and analyzing the fit data of the target clothing based on the body size data of the purchaser (shopper and garment data combined). The apparatus for recommending a fit for clothing 110 may obtain second customized fit sub-data by analyzing the target clothing based on the experience of a purchaser having similar characteristics (ie, fit data) to the purchaser through the fit algorithm (body). double approach). The machine learning-based clothing fit recommendation apparatus 110 may obtain third customized fit sub-data by comparing the brand of the target clothing with the brand previously purchased by the purchaser through the fit algorithm (brand comparison). The machine-learning-based clothing fit recommendation apparatus 110 may directly compare the fit data of the high-purchase clothing purchased by the purchaser with the target clothing to obtain the fourth customized fit sub-data (measurement comparison). The machine learning-based clothing fit recommendation apparatus 110 assigns weights to the first to fourth customized fit sub-data calculated above through a fit algorithm, calculates user-specific fit data through weighted summation, and recommends to the user. can

도 6은 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 과정을 보여주는 도면이다.6 is a diagram illustrating a process of calculating customized fit data of a machine learning-based clothing fit recommendation apparatus according to an exemplary embodiment.

머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 쿠키의 hash ID를 분석하여 사용자 ID(identification)가 존재하지 않는 경우 IP 분석 및 지역 트렌드 분석을 통해 사용자에게 타겟 의류에 대한 사용자 맞춤 핏 데이터를 기초로 의류 핏을 추천할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 ID가 존재하는 경우 사용자의 신체 사이즈 데이터가 존재하는지 여부를 판단하고 신체 사이즈가 존재하지 않는 경우 제1 맞춤 핏 서브데이터에 대한 가중치를 0으로 결정하고, 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 사용자의 기구매 브랜드가 존재하는지 여부를 판단할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자의 신체 사이즈 데이터가 존재하는 경우 사용자의 신체사이즈와 타겟의류를 비교하여 제1 맞춤 핏 서브데이터를 산출할 수 있다.The machine learning-based clothing fit recommendation device 110 analyzes the hash ID of the user cookie, and if there is no user ID (identification) based on the user customized fit data for the target clothing to the user through IP analysis and regional trend analysis clothing fit can be recommended. The machine learning-based clothing fit recommendation apparatus 110 determines whether the user's body size data exists when the user ID exists, and determines the weight of the first customized fit sub-data as 0 when the body size does not exist. and it may be determined whether a user's purchase brand having fit data similar to that of the target clothing brand exists. When the user's body size data exists, the machine learning-based clothing fit recommendation apparatus 110 may calculate the first customized fit sub-data by comparing the user's body size with the target clothing.

머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류에 대한 사용자와 유사한 핏 데이터를 가진 기구매자가 존재하는지 여부를 판단하고 존재하지 않는 경우 제2 맞춤 핏 서브데이터의 가중치를 0으로 결정하고, 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 사용자의 다른 기구매 브랜드가 존재하는지 여부를 판단할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 유사 핏 데이터를 가진 기구매자가 존재하는 경우 기구매자의 구매 만족도를 분석하여 제2 맞춤 핏 서브데이터를 산출할 수 있다.The machine learning-based clothing fit recommendation apparatus 110 determines whether there is a purchaser having fit data similar to the user for the target clothing, and if there is no, determines the weight of the second customized fit sub-data to be 0, It may be determined whether there is another brand of the user's purchases having fit data similar to that of the brand of the target clothing. The machine learning-based clothing fit recommendation apparatus 110 may calculate the second customized fit sub-data by analyzing the purchase satisfaction of the purchaser when there is a purchaser having similar fit data.

머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 사용자의 다른 기구매 브랜드가 존재하지 않는 경우 제3 맞춤 핏 서브데이터의 가중치를 0으로 결정하고, 타겟 의류와 유사한 핏 데이터를 가진 사용자가 구매한 다른 특정 의류가 존재하는 지여부를 판단할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 유사 핏 데이터를 가진 사용자의 다른 기구매 브랜드가 존재하는 경우 사용자의 다른 기구매 브랜드에 대한 구매 만족도를 분석하여 제3 맞춤 핏 서브데이터를 산출할 수 있다. The machine learning-based clothing fit recommendation apparatus 110 determines the weight of the third customized fit sub-data to be 0 when there is no other purchase brand of the user having fit data similar to the target clothing brand, and It may be determined whether other specific clothing purchased by the user with similar fit data exists. The machine learning-based clothing fit recommendation apparatus 110 may calculate third customized fit sub-data by analyzing the user's purchase satisfaction with respect to other well-purchased brands when the user's other well-purchased brands with similar fit data exist. have.

머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류와 유사한 핏 데이터를 가진 사용자가 구매한 다른 특정 의류가 존재하는지 여부를 판단하고 존재하지 않는 경우 제4 맞춤 핏 서브데이터의 가중치를 0으로 결정하고, 제1 내지 제3 맞춤 핏 서브데이터의 가중합을 통해 사용자 맞춤 핏 데이터를 산출할 수 있다. The machine learning-based clothing fit recommendation apparatus 110 determines whether other specific clothing purchased by the user having fit data similar to the target clothing exists, and if there is no other specific clothing, determines the weight of the fourth customized fit sub-data as 0 And, the user-customized fit data may be calculated through a weighted sum of the first to third customized fit sub-data.

머신러닝 기반의 의류 핏 추천 장치(110)는 유사 핏 데이터를 가진 사용자가 구매한 다른 특정 의류가 존재하면 사용자의 구매 만족도를 분석하여 제4 맞춤 핏 서브데이터를 산출할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 산출된 제1 내지 제4 맞춤 핏 서부데이터들의 가중합을 통해 사용자 맞춤 핏 데이터를 산출할 수 있다.The machine learning-based clothing fit recommendation apparatus 110 may calculate the fourth customized fit sub-data by analyzing the user's purchase satisfaction when other specific clothing purchased by the user having similar fit data exists. The machine learning-based clothing fit recommendation apparatus 110 may calculate user-customized fit data through a weighted sum of the calculated first to fourth customized fit western data.

머신러닝 기반의 의류 핏 추천 장치(110)는 상기 과정을 통해 도출된 사용자 맞춤 핏 데이터를 기초로 사용자에게 타겟 의류에 대한 최적의 핏을 추천할 수 있다.The machine learning-based clothing fit recommendation apparatus 110 may recommend an optimal fit for the target clothing to the user based on the user-customized fit data derived through the above process.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that it can be done.

100: 머신러닝 기반의 의류 핏 추천 시스템
110: 머신러닝 기반의 의류 핏 추천 장치
120: 사용자 단말 130: 데이터베이스
210: 프로세서 220: 메모리
230: 사용자 입출력부 240: 네트워크 입출력부
310: 핏 데이터 수신부 320: 맞춤 핏 데이터 산출부
330: 타겟 의류 핏 추천부
340: 제어부100: Machine learning-based clothing fit recommendation system
110: Apparel fit recommendation device based on machine learning
120: user terminal 130: database
210: processor 220: memory
230: user input/output unit 240: network input/output unit
310: fit data receiving unit 320: custom fit data calculating unit
330: target clothing fit recommendation unit
340: control unit

Claims

a fit data receiver configured to receive the user fit data and fit data of the target clothing selected by the user from the user terminal;
a customized fit data calculation unit for calculating user-customized fit data for the target clothing through a fit algorithm based on the user fit data and the fit data of the target clothing; and
a target clothing fit recommendation unit for recommending a fit of the target clothing to the user based on the user-customized fit data,
The customized fit data calculation unit sequentially calculates a plurality of customized fit sub-data according to a plurality of direct and indirect criteria derived based on the target clothing, assigns a weight to each of the plurality of customized fit sub-data, and then through weighted summation The user-customized fit data is calculated, the user's IP address (Internet Protocol Address) is analyzed, and a fit trend of a region corresponding to the IP address is analyzed to calculate the user-customized fit data based on the fit trend, and the user continuously learning the fit algorithm through the actual purchase data of , and repeatedly updating the user fit data based on the learned fit algorithm,
In the process of sequentially calculating the plurality of customized fit sub-data, the user's body size is detected, and the first customized fit sub-data is calculated by analyzing the fit data of the target clothing based on the detected user's body size. a first process; a second process of detecting whether there is a buyer having fit data similar to the user for the target clothing, and calculating second customized fit sub-data based on the detected purchase satisfaction data of the buyer; Detecting the purchase history of the user for another specific brand having fit data similar to that of the target clothing brand, and calculating third customized fit sub-data based on the user's purchase satisfaction data for the detected other specific brand a third process; and detecting the user's purchase history for other specific clothes having fit data similar to the target clothes, and calculating fourth customized fit sub-data based on the user's purchase satisfaction with the detected other specific clothes. 4 courses; including;
Calculating the user-customized fit data may include applying a fit trend of a region associated with the user to at least one of the plurality of customized fit sub-data. .

delete

A method performed in an apparatus including a fit data receiving unit, a customized fit data calculating unit, and a target clothing fit recommendation unit, the method comprising:
receiving user fit data and fit data of target clothing from a user terminal through the fit data receiving unit;
calculating, through the customized fit data calculator, user-customized fit data for the target clothing through a fit algorithm based on the user fit data and the fit data of the target clothing; and
Recommending a fit of the target clothing to the user based on the user-customized fit data through the target clothing fit recommendation unit,
The calculating of the user-customized fit data may include sequentially calculating a plurality of customized fit sub-data according to a plurality of direct and indirect criteria derived based on the target clothing, and assigning a weight to each of the plurality of customized fit sub-data. The user-customized fit data is calculated through weighted summation, the user's IP address (Internet Protocol Address) is analyzed, and the fit trend of the region corresponding to the IP address is analyzed to generate the user-customized fit data based on the fit trend. and continuously learning the fit algorithm through the user's actual purchase data and repeatedly updating the user fit data based on the learned fit algorithm,
In the process of sequentially calculating the plurality of customized fit sub-data, the user's body size is detected, and the first customized fit sub-data is calculated by analyzing the fit data of the target clothing based on the detected user's body size. a first process; a second process of detecting whether there is a buyer having fit data similar to the user for the target clothing, and calculating second customized fit sub-data based on the detected purchase satisfaction data of the buyer; Detecting the purchase history of the user for another specific brand having fit data similar to that of the target clothing brand, and calculating third customized fit sub-data based on the user's purchase satisfaction data for the detected other specific brand a third process; and detecting the user's purchase history for other specific clothes having fit data similar to the target clothes, and calculating fourth customized fit sub-data based on the user's purchase satisfaction with the detected other specific clothes. 4 courses; including;
Calculating the user-customized fit data comprises applying a fit trend of a region associated with the user to at least one of the plurality of customized fit sub-data. .