KR102352853B1 - Methof for determining valid order and computing device for executing the method - Google Patents

Methof for determining valid order and computing device for executing the method Download PDF

Info

Publication number
KR102352853B1
KR102352853B1 KR1020210032642A KR20210032642A KR102352853B1 KR 102352853 B1 KR102352853 B1 KR 102352853B1 KR 1020210032642 A KR1020210032642 A KR 1020210032642A KR 20210032642 A KR20210032642 A KR 20210032642A KR 102352853 B1 KR102352853 B1 KR 102352853B1
Authority
KR
South Korea
Prior art keywords
order
order request
customer
basic data
receipt
Prior art date
Application number
KR1020210032642A
Other languages
Korean (ko)
Other versions
KR102352853B9 (en
Inventor
문용식
Original Assignee
주식회사 피엔피플래닝
문용식
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 피엔피플래닝, 문용식 filed Critical 주식회사 피엔피플래닝
Priority to KR1020210032642A priority Critical patent/KR102352853B1/en
Application granted granted Critical
Publication of KR102352853B1 publication Critical patent/KR102352853B1/en
Publication of KR102352853B9 publication Critical patent/KR102352853B9/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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06K9/6267—
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Disclosed are a method for determining a valid order and a computing device for performing the same. According to one embodiment of the disclosure, the computing device provided with one or more processors and a memory storing one or more programs executed by the one or more processors comprises: a classification basic data acquiring module that acquires classification basic data for each order request received from a customer device; and a valid order determining module that trains an artificial nerve network model based on the classification basic data and classifies whether a predetermined order request is a valid order through the trained artificial nerve network model.

Description

유효 주문 판단 방법 및 이를 수행하기 위한 컴퓨팅 장치{METHOF FOR DETERMINING VALID ORDER AND COMPUTING DEVICE FOR EXECUTING THE METHOD}A method for determining a valid order and a computing device for performing the same

본 발명의 실시예는 유효 주문 판단 기술과 관련된다.Embodiments of the present invention relate to valid order determination techniques.

COD(Cash On Delivery: 상품인도결제방식)은 매도인이 상품을 선적한 후 상품이 목적지에 도착하면, 매수인이 상품을 인도받으며 검사한 뒤 대금을 결제하는 무역 대금 결제 방식이다. 이러한 결제 방식은 매수인의 경우 대금을 결제하기 전에 직접 상품을 검사할 수 있는 장점을 지니나, 매도인의 경우 매수인이 물품에 만족하지 않거나 충동 구매하여 물품 수령을 거부하는 경우 대금을 받을 수 없는 위험이 존재하게 된다. 이에 상품의 구매 단계에서 매수자가 해당 상품을 정말 구매할 의사로 구입하는 것인지 여부를 확인할 수 있는 방안이 요구된다.COD (Cash On Delivery) is a trade payment method in which when the seller ships the goods and the goods arrive at the destination, the buyer receives the goods, inspects them, and pays the price. This payment method has the advantage that the buyer can directly inspect the product before paying the price. will do Accordingly, in the purchase stage of the product, a method is required to check whether the buyer is really intending to purchase the product.

한국등록특허공보 제10-1818618호(2018.01.15)Korean Patent Publication No. 10-1818618 (2018.01.15)

본 발명은 고객의 주문 요청이 유효 주문인지 여부를 미리 예측할 수 있는 유효 주문 판단 방법 및 이를 수행하기 위한 컴퓨팅 장치를 제공하기 위한 것이다.An object of the present invention is to provide a valid order determination method capable of predicting in advance whether a customer's order request is a valid order, and a computing device for performing the same.

한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned are clearly to those of ordinary skill in the art to which the present invention belongs from the description below. can be understood

개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비하는 컴퓨팅 장치로서, 고객 단말로부터 수신되는 각 주문 요청에 대해 분류 기초 데이터를 획득하는 분류 기초 데이터 획득 모듈; 및 상기 분류 기초 데이터에 기반하여 인공 신경망 모델을 학습하고, 상기 학습된 인공 신경망 모델을 통해 소정 주문 요청이 유효 주문인지 여부를 분류하는 유효 주문 판단 모듈을 포함한다.A computing device according to an embodiment disclosed herein is a computing device including one or more processors and a memory for storing one or more programs executed by the one or more processors, for each order request received from a customer terminal. a classification basic data acquisition module for acquiring classification basic data; and a valid order determination module for learning an artificial neural network model based on the classification basic data and classifying whether a predetermined order request is a valid order through the learned artificial neural network model.

상기 분류 기초 데이터는, 해당 고객 단말의 IP 주소, 해당 고객 단말의 IP 주소에 대응하는 물리적 위치와 해당 고객의 기 등록된 주소에 대응하는 물리적 위치 간의 거리, 해당 고객의 쇼핑몰 방문 횟수, 해당 주문 요청에 포함된 상품 별 주문 수량, 해당 고객의 주문 소요 시간, 및 해당 고객의 장바구니 이력 정보 중 하나 이상을 포함할 수 있다.The classification basic data includes the IP address of the customer terminal, the distance between the physical location corresponding to the IP address of the customer terminal and the physical location corresponding to the customer's pre-registered address, the number of times the customer visits the shopping mall, and the corresponding order request It may include one or more of the order quantity for each product included in the , the order required time of the corresponding customer, and the shopping cart history information of the corresponding customer.

상기 컴퓨팅 장치는, 상기 분류 기초 데이터에 기반하여 상기 인공 신경망 모델의 학습 데이터로 사용되는 제1 입력 데이터 셋 및 제2 입력 데이터 셋을 생성하는 전처리 모듈을 더 포함할 수 있다.The computing device may further include a preprocessing module for generating a first input data set and a second input data set used as training data of the artificial neural network model based on the classification basic data.

상기 전처리 모듈은, 각 주문 요청에 대한 고객의 수령 결과에 따라 각 주문 요청을 수령 승인 주문 요청 또는 수령 거부 주문 요청으로 분류하고, 상기 수령 승인 주문 요청에 대응하는 분류 기초 데이터는 수령 승인으로 라벨링하여 상기 제1 입력 데이터 셋으로 설정하며, 상기 수령 거부 주문 요청에 대응하는 분류 기초 데이터는 수령 거부로 라벨링하여 상기 제2 입력 데이터 셋으로 설정할 수 있다.The pre-processing module classifies each order request into a receipt approval order request or a rejection order request according to the customer's receipt result for each order request, and the classification basic data corresponding to the receipt approval order request is labeled as receipt approval. It may be set as the first input data set, and classification basic data corresponding to the order request for rejection of receipt may be labeled as rejection and set as the second input data set.

상기 인공 신경망 모델은, 상기 수령 승인으로 라벨링된 제1 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 유효 주문인 것으로 분류하고, 상기 수령 거부로 라벨링된 제2 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 의심스러운 주문인 것으로 분류하도록 학습될 수 있다.The artificial neural network model classifies the corresponding order request as a valid order when the first input data set labeled as acceptance approval is input, and when the second input data set labeled as receipt rejection is input, the corresponding order request can be trained to classify as being a suspicious order.

상기 컴퓨팅 장치는, 상기 유효 주문 판단 모듈의 분류 결과에 따라 해당 주문 요청에 대한 주문 처리를 수행하는 주문 처리 모듈을 더 포함할 수 있다.The computing device may further include an order processing module that performs order processing for the corresponding order request according to the classification result of the valid order determination module.

개시되는 일 실시예에 따른 유효 주문 판단 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비하는 컴퓨팅 장치에서 수행되는 방법으로서, 고객 단말로부터 수신되는 각 주문 요청에 대해 분류 기초 데이터를 획득하는 동작; 상기 분류 기초 데이터에 기반하여 인공 신경망 모델을 학습하는 동작; 및 상기 학습된 인공 신경망 모델을 통해 소정 주문 요청이 유효 주문인지 여부를 분류하는 동작을 포함한다.A valid order determination method according to an embodiment disclosed herein is a method performed in a computing device including one or more processors, and a memory for storing one or more programs executed by the one or more processors, received from a customer terminal obtaining classification basic data for each order request to be made; learning an artificial neural network model based on the classification basic data; and classifying whether a predetermined order request is a valid order through the learned artificial neural network model.

상기 분류 기초 데이터는, 해당 고객 단말의 IP 주소, 해당 고객 단말의 IP 주소에 대응하는 물리적 위치와 해당 고객의 기 등록된 주소에 대응하는 물리적 위치 간의 거리, 해당 고객의 쇼핑몰 방문 횟수, 해당 주문 요청에 포함된 상품 별 주문 수량, 해당 고객의 주문 소요 시간, 및 해당 고객의 장바구니 이력 정보 중 하나 이상을 포함할 수 있다.The classification basic data includes the IP address of the customer terminal, the distance between the physical location corresponding to the IP address of the customer terminal and the physical location corresponding to the customer's pre-registered address, the number of times the customer visits the shopping mall, and the corresponding order request It may include one or more of the order quantity for each product included in the , the order required time of the corresponding customer, and the shopping cart history information of the corresponding customer.

상기 유효 주문 판단 방법은, 각 주문 요청에 대한 고객의 수령 결과에 따라 각 주문 요청을 수령 승인 주문 요청 또는 수령 거부 주문 요청으로 분류하는 동작; 상기 수령 승인 주문 요청에 대응하는 분류 기초 데이터는 수령 승인으로 라벨링하여 상기 제1 입력 데이터 셋으로 설정하는 동작; 및 상기 수령 거부 주문 요청에 대응하는 분류 기초 데이터는 수령 거부로 라벨링하여 상기 제2 입력 데이터 셋으로 설정하는 동작을 더 포함할 수 있다.The valid order determination method may include: classifying each order request into a receipt approval order request or a receipt rejection order request according to a result of a customer's receipt of each order request; labeling the classification basic data corresponding to the receipt approval order request as receipt approval and setting it as the first input data set; and labeling the classification basic data corresponding to the refusal of receipt order request as refusal of receipt and setting it as the second input data set.

상기 인공 신경망 모델은, 상기 수령 승인으로 라벨링된 제1 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 유효 주문인 것으로 분류하고, 상기 수령 거부로 라벨링된 제2 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 의심스러운 주문인 것으로 분류하도록 학습될 수 있다.The artificial neural network model classifies the corresponding order request as a valid order when the first input data set labeled as acceptance approval is input, and when the second input data set labeled as receipt rejection is input, the corresponding order request can be trained to classify as being a suspicious order.

또한, 본 발명은 유효 주문 판단 방법을 컴퓨터로 실행하기 위한 프로그램이 기록된 기록 매체를 제공한다.In addition, the present invention provides a recording medium in which a program for executing a valid order determination method by a computer is recorded.

본 발명의 실시예에 따르면, 고객의 주문 요청을 수신할 때마다 그에 대응하는 분류 기초 데이터를 획득하고, 분류 기초 데이터를 인공 신경망 모델의 입력으로 하여 주문 요청이 유효 주문인지 의심스러운 주문인지 여부를 분류하도록 학습 함으로써, 고객의 주문 요청에 대해 고객이 수령을 승인할지 수령을 거부할지를 미리 예측하여 처리할 수 있게 된다.According to an embodiment of the present invention, every time a customer's order request is received, basic classification data corresponding thereto is obtained, and the classification basic data is used as an input of an artificial neural network model to determine whether the order request is a valid order or a suspicious order. By learning to classify, it is possible to anticipate whether the customer will approve or reject receipt of the customer's order request in advance.

한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.On the other hand, the effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the following description. will be able

도 1은 본 발명의 일 실시예에 따른 유효 주문 판단 시스템의 구성을 나타낸 도면이고,
도 2는 본 발명의 일 실시예에 따른 유효 주문 판단 장치의 구성을 나타낸 블록도이며,
도 3은 본 발명의 일 실시예에 따른 인공 신경망 모델을 개략적으로 나타낸 도면이고,
도 4는 본 발명의 일 실시예에 따른 유효 주문 판단 방법을 나타낸 흐름도이고,
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.1 is a diagram showing the configuration of a valid order determination system according to an embodiment of the present invention,
2 is a block diagram showing the configuration of an apparatus for determining a valid order according to an embodiment of the present invention;
3 is a diagram schematically showing an artificial neural network model according to an embodiment of the present invention;
4 is a flowchart illustrating a method for determining a valid order according to an embodiment of the present invention;
5 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments.

본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술 되는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예는 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Other advantages and features of the present invention, and a method for achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only this embodiment serves to complete the disclosure of the present invention, and to obtain common knowledge in the technical field to which the present invention pertains. It is provided to fully inform the possessor of the scope of the invention, and the present invention is only defined by the scope of the claims.

만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 가진다.Even if not defined, all terms (including technical or scientific terms) used herein have the same meaning as commonly accepted by common technology in the prior art to which this invention belongs.

일반적인 사전들에 의해 정의된 용어들은 관련된 기술 그리고/혹은 본 출원의 본문에 의미하는 것과 동일한 의미를 갖는 것으로 해석될 수 있고, 그리고 여기서 명확하게 정의된 표현이 아니더라도 개념화되거나 혹은 과도하게 형식적으로 해석되지 않을 것이다.Terms defined by general dictionaries may be interpreted as having the same meaning as in the related description and/or in the text of the present application, and shall not be conceptualized or overly formally construed even if not expressly defined herein. won't

본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.The terminology used herein is for the purpose of describing the embodiments and is not intended to limit the present invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase.

명세서에서 사용되는 '포함한다' 및/또는 이 동사의 다양한 활용형들 예를 들어, '포함', '포함하는', '포함하고', '포함하며' 등은 언급된 조성, 성분, 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 조성, 성분, 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다. 본 명세서에서 '및/또는' 이라는 용어는 나열된 구성들 각각 또는 이들의 다양한 조합을 가리킨다.As used herein, 'comprise' and/or the various conjugations of this verb, eg, 'comprising', 'comprising', 'comprising', 'comprising', etc., refer to the stated composition, ingredient, component, A step, operation and/or element does not exclude the presence or addition of one or more other compositions, components, components, steps, operations and/or elements. As used herein, the term 'and/or' refers to each of the listed components or various combinations thereof.

한편, 본 명세서 전체에서 사용되는 '~부', '~기', '~블록', '~모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있다. 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다.Meanwhile, terms such as '~ unit', '~ group', '~ block', and '~ module' used throughout this specification may mean a unit that processes at least one function or operation. For example, it can mean software, a hardware component such as an FPGA or an ASIC.

그렇지만 '~부', '~기', '~블록', '~모듈' 등이 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부', '~기', '~블록', '~모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.However, '~ part', '~ group', '~ block', and '~ module' are not meant to be limited to software or hardware. '~ unit', '~ group', '~ block', and '~ module' may be configured to reside in an addressable storage medium or to regenerate one or more processors.

따라서, 일 예로서 '~부', '~기', '~블록', '~모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.Accordingly, as an example, '~ part', '~ group', '~ block', and '~ module' are components such as software components, object-oriented software components, class components, and task components. fields, processes, functions, properties, procedures, subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays and include variables.

구성요소들과 '~부', '~기', '~블록', '~모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부', '~기', '~블록', '~모듈'들로 결합되거나 추가적인 구성요소들과 '~부', '~기', '~블록', '~모듈'들로 더 분리될 수 있다.The functions provided within the components and '~part', '~gi', '~block', and '~module' are smaller than the number of components and '~bu', '~gi', '~block' ', '~modules' or may be further separated into additional components and '~parts', '~gi', '~blocks', and '~modules'.

이하, 본 명세서의 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings of the present specification.

도 1은 본 발명의 일 실시예에 따른 유효 주문 판단 시스템의 구성을 나타낸 도면이다. 1 is a diagram showing the configuration of a valid order determination system according to an embodiment of the present invention.

도 1을 참조하면, 유효 주문 판단 시스템(100)은 고객 단말(102) 및 쇼핑몰 서버(104)를 포함할 수 있다. 고객 단말(102)과 쇼핑몰 서버(104)는 통신 네트워크(150)를 통해 상호 통신 가능하게 연결된다.Referring to FIG. 1 , the valid order determination system 100 may include a customer terminal 102 and a shopping mall server 104 . The customer terminal 102 and the shopping mall server 104 are communicatively connected to each other through the communication network 150 .

개시되는 실시예들에서, 통신 네트워크(150)는 인터넷, 하나 이상의 로컬 영역 네트워크(local area networks), 광역 네트워크(wide area networks), 셀룰러 네트워크, 모바일 네트워크, 그 밖에 다른 종류의 네트워크들, 또는 이러한 네트워크들의 조합을 포함할 수 있다.In the disclosed embodiments, the communication network 150 may include the Internet, one or more local area networks, wide area networks, cellular networks, mobile networks, other types of networks, or such networks. It may include a combination of networks.

고객 단말(102)은 쇼핑몰 서버(104)를 통해 상품을 구매하는 고객의 단말일 수 있다. 고객 단말(102)은 쇼핑몰 서버(104)에 접속하고, 쇼핑몰 서버(104)가 제공하는 웹 페이지에서 구매할 상품을 선택할 수 있다. 고객 단말(102)은 고객이 선택한 상품에 대해 주문 요청을 쇼핑몰 서버(104)로 전송할 수 있다. 고객 단말(102)은 데스크탑 PC, 노트북, 태블릿 PC, 스마트폰 등 다양한 통신 기기가 사용될 수 있다. The customer terminal 102 may be a terminal of a customer who purchases a product through the shopping mall server 104 . The customer terminal 102 may access the shopping mall server 104 and select a product to purchase from a web page provided by the shopping mall server 104 . The customer terminal 102 may transmit an order request for the product selected by the customer to the shopping mall server 104 . As the customer terminal 102, various communication devices such as a desktop PC, a laptop computer, a tablet PC, and a smart phone may be used.

쇼핑몰 서버(104)는 온라인을 통해 상품을 판매하는 서비스를 수행하는 서버 컴퓨팅 장치일 수 있다. 쇼핑몰 서버(104)는 상품 판매를 위한 하나 이상의 웹 페이지를 고객 단말(102)에 제공할 수 있다. 쇼핑몰 서버(104)는 고객 단말(102)로부터 주문 요청이 수신되는 경우, 주문 요청이 유효 주문인지 여부를 판단하기 위한 유효 주문 판단 장치(106)를 포함할 수 있다. The shopping mall server 104 may be a server computing device that performs a service of selling products online. The shopping mall server 104 may provide one or more web pages for product sales to the customer terminal 102 . When an order request is received from the customer terminal 102 , the shopping mall server 104 may include a valid order determination device 106 for determining whether the order request is a valid order.

즉, 유효 주문 판단 장치(106)는 고객의 주문 요청이 유효한 주문(정상적인 주문으로 고객이 수령 승인할 주문)인지 아니면 고객의 충동 구매 등으로 인한 의심스러운 주문(예를 들어, 수령 거부할 주문)인지 여부를 판단하기 위한 컴퓨팅 장치일 수 있다. 여기서는, 유효 주문 판단 장치(106)가 쇼핑몰 서버(104)에 탑재되는 것으로 설명하나, 이에 한정되는 것은 아니며 유효 주문 판단 장치(106)는 쇼핑몰 서버(104)와는 별도의 독립된 컴퓨팅 장치로 구현될 수도 있다. That is, the valid order determination device 106 determines whether the customer's order request is a valid order (an order to be accepted by the customer as a normal order) or a suspicious order (eg, an order to be rejected) due to the customer's impulse purchase, etc. It may be a computing device for determining whether or not it is recognized. Here, it is described that the valid order determining device 106 is mounted on the shopping mall server 104 , but the present invention is not limited thereto. The valid order determining device 106 may be implemented as a computing device separate from the shopping mall server 104 . have.

도 2는 본 발명의 일 실시예에 따른 유효 주문 판단 장치의 구성을 나타낸 블록도이다. 2 is a block diagram showing the configuration of a valid order determination apparatus according to an embodiment of the present invention.

도 2를 참조하면, 유효 주문 판단 장치(106)는 분류 기초 데이터 획득 모듈(111), 전처리 모듈(113), 유효 주문 판단 모듈(115), 및 주문 처리 모듈(117)을 포함할 수 있다. Referring to FIG. 2 , the valid order determination device 106 may include a classification basic data acquisition module 111 , a pre-processing module 113 , a valid order determination module 115 , and an order processing module 117 .

분류 기초 데이터 획득 모듈(111)은 각 고객 단말(102)로부터 주문 요청이 수신되는 경우, 주문 요청에 대응하는 분류 기초 데이터를 획득할 수 있다. 여기서, 분류 기초 데이터는 주문 요청이 유효 주문인지 여부를 판단하는데 기초가 되는 데이터일 수 있다. The classification basic data acquisition module 111 may acquire basic classification data corresponding to the order request when an order request is received from each customer terminal 102 . Here, the classification basic data may be data that is a basis for determining whether the order request is a valid order.

예시적인 실시예에서, 분류 기초 데이터는 고객 단말(102)의 IP 주소(Internet Protocol Address), 고객 단말(102)의 IP 주소에 대응하는 물리적 위치와 해당 고객의 기 등록된 주소에 대응하는 물리적 위치 간의 거리, 해당 고객의 쇼핑몰 방문 횟수, 주문 요청에 포함된 상품 별 주문 수량, 해당 고객의 주문 소요 시간, 및 해당 고객의 장바구니 이력 정보 등의 항목을 포함할 수 있다. In an exemplary embodiment, the classification basic data includes an IP address of the customer terminal 102 (Internet Protocol Address), a physical location corresponding to the IP address of the customer terminal 102, and a physical location corresponding to a pre-registered address of the customer. The distance between each other, the number of times the customer visits the shopping mall, the order quantity for each product included in the order request, the customer's order required time, and shopping cart history information of the customer may be included.

이때, 고객의 장바구니 이력 정보는 해당 고객이 웹 페이지 상의 장바구니에 어떤 상품을 얼마나 담아두고 있는지에 대한 정보, 장바구니에 상품을 담았다가 삭제한 횟수에 대한 정보 등을 포함할 수 있다. In this case, the shopping cart history information of the customer may include information on how many products the customer puts in the shopping cart on the web page, information on the number of times the product is added to and then deleted from the shopping cart, and the like.

예시적인 실시예에서, 각 고객 단말(102)의 IP 주소 및 각 고객의 주소는 쇼핑몰 서버(104)에 기 등록되어 있을 수 있다. 이 경우, 분류 기초 데이터 획득 모듈(111)은 쇼핑몰 서버(104)로부터 해당 고객 단말(102)의 IP 주소 및 해당 고객의 주소를 획득할 수 있다. 분류 기초 데이터 획득 모듈(111)은 해당 고객 단말(102)의 IP 주소에 대응하는 물리적 위치를 추출하고, 해당 고객의 기 등록된 주소에 대응하는 물리적 위치를 추출한 후, 해당 고객 단말(102)의 IP 주소에 대응하는 물리적 위치와 해당 고객의 기 등록된 주소에 대응하는 물리적 위치 간의 거리를 산출할 수 있다. 그러나, 이에 한정되는 것은 아니며 해당 고객 단말(102)의 IP 주소 및 해당 고객의 주소는 주문 요청에 포함되도록 할 수도 있다. In an exemplary embodiment, the IP address of each customer terminal 102 and the address of each customer may be previously registered in the shopping mall server 104 . In this case, the classification basic data acquisition module 111 may acquire the IP address of the corresponding customer terminal 102 and the address of the corresponding customer from the shopping mall server 104 . The classification basic data acquisition module 111 extracts the physical location corresponding to the IP address of the customer terminal 102, extracts the physical location corresponding to the pre-registered address of the customer, and then the corresponding customer terminal 102 The distance between the physical location corresponding to the IP address and the physical location corresponding to the previously registered address of the customer may be calculated. However, the present invention is not limited thereto, and the IP address of the customer terminal 102 and the customer's address may be included in the order request.

분류 기초 데이터 획득 모듈(111)은 고객 단말(102)로부터 주문 요청이 수신되는 경우, 쇼핑몰 서버(104)로부터 해당 고객의 쇼핑몰 방문 횟수에 대한 정보를 획득할 수 있다. 이때, 쇼핑몰 서버(104)는 고객 단말(102)의 로그인 정보로부터 해당 고객의 쇼핑몰 방문 횟수를 카운트할 수 있다. 그러나, 이에 한정되는 것은 아니며 분류 기초 데이터 획득 모듈(111)이 고객 단말(102)의 로그인 정보를 수집하여 각 고객의 쇼핑몰 방문 횟수를 카운트할 수도 있다. When an order request is received from the customer terminal 102 , the classification basic data acquisition module 111 may acquire information on the number of times the customer visits the shopping mall from the shopping mall server 104 . In this case, the shopping mall server 104 may count the number of times the customer visits the shopping mall from the login information of the customer terminal 102 . However, the present invention is not limited thereto, and the classification basic data acquisition module 111 may collect the login information of the customer terminal 102 to count the number of times each customer visits the shopping mall.

분류 기초 데이터 획득 모듈(111)은 고객 단말(102)의 주문 요청에 기반하여 주문 요청에 포함된 상품 별 주문 수량을 획득할 수 있다. The classification basic data acquisition module 111 may acquire an order quantity for each product included in the order request based on the order request of the customer terminal 102 .

분류 기초 데이터 획득 모듈(111)은 고객 단말(102)로부터 주문 요청이 수신되는 경우, 해당 고객이 쇼핑몰 서버(104)에 접속한 시점으로부터 주문 요청을 전송한 시점까지 걸린 시간을 산출하여 해당 고객의 주문 소요 시간을 획득할 수 있다. When an order request is received from the customer terminal 102, the classification basic data acquisition module 111 calculates the time taken from the time the customer accesses the shopping mall server 104 to the time the order request is transmitted, Order lead time can be obtained.

분류 기초 데이터 획득 모듈(111)은 고객 단말(102)로부터 주문 요청이 수신되는 경우, 쇼핑몰 서버(104)로부터 해당 고객의 장바구니 이력 정보를 획득할 수 있다. When an order request is received from the customer terminal 102 , the classification basic data acquisition module 111 may acquire the shopping cart history information of the corresponding customer from the shopping mall server 104 .

전처리 모듈(113)은 고객 단말(102)의 각 주문 요청에 대해 분류 기초 데이터를 매칭하여 저장할 수 있다. 즉, 전처리 모듈(113)은 각 주문 요청에 대해 분류 기초 데이터 획득 모듈(111)이 획득한 분류 기초 데이터를 매칭하여 저장할 수 있다. The pre-processing module 113 may match and store the classification basic data for each order request of the customer terminal 102 . That is, the pre-processing module 113 may match and store the classification basic data obtained by the classification basic data acquisition module 111 for each order request.

전처리 모듈(113)은 주문 요청에 대한 수령 결과(수령 승인 또는 수령 거부)에 따라 각 주문 요청을 수령 승인 주문 요청 또는 수령 거부 주문 요청으로 분류할 수 있다. 즉, 전처리 모듈(113)은 각 주문 요청에 대해 해당 고객이 상품을 수령 승인한 케이스이면 수령 승인 주문 요청으로 분류하고, 상품을 수령 거부한 케이스이면 수령 거부 주문 요청으로 분류할 수 있다.The pre-processing module 113 may classify each order request into a receipt approval order request or a receipt rejection order request according to a result of receipt of the order request (acceptance approval or rejection). That is, the pre-processing module 113 may classify each order request as a receipt approval order request if the customer has approved the receipt of the product, and may classify it as a receipt rejection order request if the product is rejected.

전처리 모듈(113)은 각 수령 승인 주문 요청 및 그에 대응하는 분류 기초 데이터를 제1 입력 데이터 셋으로 하여 유효 주문 판단 모듈(115)로 전달할 수 있다. 예시적인 실시예에서, 전처리 모듈(113)은 각 수령 승인 주문 요청에 대응하는 분류 기초 데이터(고객 단말(102)의 IP 주소, 고객 단말(102)의 IP 주소와 해당 고객의 기 등록된 주소 간의 거리, 해당 고객의 쇼핑몰 방문 횟수, 주문 요청에 포함된 상품 별 주문 수량, 해당 고객의 주문 소요 시간, 및 해당 고객의 장바구니 이력 정보 등)에 대해 "수령 승인"으로 라벨링하여 제1 입력 데이터 셋으로 설정하고, 라벨링된 제1 입력 데이터 셋(즉, 해당 수령 승인 주문 요청에 대응하는 분류 기초 데이터의 항목들)을 유효 주문 판단 모듈(115)로 전달할 수 있다.The pre-processing module 113 may transmit each receipt approval order request and classification basic data corresponding thereto to the valid order determination module 115 as a first input data set. In an exemplary embodiment, the pre-processing module 113 performs classification basic data corresponding to each receipt approval order request (the IP address of the customer terminal 102, the IP address of the customer terminal 102 and the pre-registered address of the customer) Distance, number of visits to the shopping mall of the customer, the order quantity for each product included in the order request, the customer's order time, and the customer's shopping cart history information) are labeled as "acceptance of receipt" as the first input data set. The set and labeled first input data set (ie, items of classification basic data corresponding to the corresponding receipt approval order request) may be transmitted to the valid order determination module 115 .

전처리 모듈(113)은 각 수령 거부 주문 요청 및 그에 대응하는 분류 기초 데이터를 제2 입력 데이터 셋으로 하여 유효 주문 판단 모듈(115)로 전달할 수 있다. 예시적인 실시예에서, 전처리 모듈(113)은 각 수령 거부 주문 요청에 대응하는 분류 기초 데이터에 대해 "수령 거부"로 라벨링하여 제2 입력 데이터 셋으로 설정하고, 라벨링된 제2 입력 데이터 셋을 유효 주문 판단 모듈(115)로 전달할 수 있다. The pre-processing module 113 may transmit each rejection order request and classification basic data corresponding thereto as a second input data set to the valid order determination module 115 . In an exemplary embodiment, the pre-processing module 113 sets as the second input data set by labeling the classification basic data corresponding to each rejection order request as "rejected receipt", and validating the labeled second input data set. It may be transmitted to the order determination module 115 .

유효 주문 판단 모듈(115)은 고객 단말(102)로부터 주문 요청이 수신되는 경우, 해당 주문 요청에 대응하는 분류 기초 데이터에 기반하여 해당 주문 요청이 유효 주문인지 여부를 판단할 수 있다. 유효 주문 판단 모듈(115)은 해당 주문 요청에 대응하는 분류 기초 데이터에 기반하여 해당 주문 요청이 유효 주문인지 여부를 판단하기 위한 인공 신경망 모델(115a)을 포함할 수 있다. When an order request is received from the customer terminal 102 , the valid order determination module 115 may determine whether the order request is a valid order based on classification basic data corresponding to the order request. The valid order determination module 115 may include an artificial neural network model 115a for determining whether a corresponding order request is a valid order based on classification basic data corresponding to the corresponding order request.

여기서, 인공 신경망 모델(115a)은 수령 승인으로 라벨링된 제1 입력 데이터 셋을 입력 받는 경우 해당 주문 요청을 유효 주문인 것으로 분류하도록 학습될 수 있다. 인공 신경망 모델(115a)은 수령 거부로 라벨링된 제2 입력 데이터 셋을 입력 받는 경우 해당 주문 요청을 의심스러운 주문인 것으로 분류하도록 학습될 수 있다. 즉, 제1 입력 데이터 셋 및 제2 입력 데이터 셋은 인공 신경망 모델(115a)을 학습하기 위한 학습 데이터로 사용될 수 있다.Here, the artificial neural network model 115a may be trained to classify a corresponding order request as a valid order when receiving the first input data set labeled as acceptance approval. The artificial neural network model 115a may be trained to classify a corresponding order request as a suspicious order when receiving the second input data set labeled as refusal. That is, the first input data set and the second input data set may be used as training data for learning the artificial neural network model 115a.

도 3은 본 발명의 일 실시예에 따른 인공 신경망 모델(115a)을 개략적으로 나타낸 도면이다. 도 3을 참조하면, 인공 신경망 모델(115a)은 입력층(121), 복수 개의 히든층(123), 및 출력층(125)을 포함할 수 있다. 3 is a diagram schematically illustrating an artificial neural network model 115a according to an embodiment of the present invention. Referring to FIG. 3 , the artificial neural network model 115a may include an input layer 121 , a plurality of hidden layers 123 , and an output layer 125 .

입력층(121)은 전처리 모듈(113)로부터 수령 승인으로 라벨링된 제1 입력 데이터 셋 및 수령 거부로 라벨링된 제2 입력 데이터 셋을 각각 입력받을 수 있다. 예를 들어, 제1 입력 데이터 셋(즉, 수령 결과가 수령 승인인 주문 요청의 분류 기초 데이터)의 경우 (1,0)으로 라벨링 되고, 제2 입력 데이터 셋(즉, 수령 결과가 수령 거부인 주문 요청의 분류 기초 데이터)의 경우 (0, 1)로 라벨링될 수 있다. 그러나, 이에 한정되는 것은 아니며 그 반대로 라벨링 될 수도 있다. The input layer 121 may receive, from the preprocessing module 113 , a first input data set labeled as acceptance approval and a second input data set labeled as reception rejection, respectively. For example, in the case of the first input data set (ie, classification basic data of an order request in which the receipt result is acceptance approval), it is labeled as (1,0), and in the second input data set (ie, receipt result is receipt rejection), Classification basic data of order request) may be labeled as (0, 1). However, the labeling is not limited thereto and vice versa.

복수 개의 히든층(123)은 입력층(121)으로 입력되는 제1 입력 데이터 셋 및 제2 입력 데이터 셋으로부터 각각 특징을 추출할 수 있다. 도 3에서는 히든층(123)이 2개인 것으로 도시하였으나, 이에 한정되는 것은 아니며 히든층(123)은 3개 이상으로 마련될 수도 있다. The plurality of hidden layers 123 may extract features from the first input data set and the second input data set input to the input layer 121 , respectively. Although it is illustrated that there are two hidden layers 123 in FIG. 3 , the number of hidden layers 123 is not limited thereto and three or more hidden layers 123 may be provided.

복수 개의 히든층(123)은 순차적으로 연결되어 마련될 수 있다. 각 히든층(123)은 복수 개의 노드(123a)를 포함하며, 각 노드(123a)에서의 회귀식은 다음의 수학식 1로 나타낼 수 있다. The plurality of hidden layers 123 may be sequentially connected to each other. Each hidden layer 123 includes a plurality of nodes 123a, and the regression equation at each node 123a may be expressed by Equation 1 below.

(수학식 1)(Equation 1)

Figure 112021029406873-pat00001
Figure 112021029406873-pat00001

여기서, wn과 bn은 각각 가중치(Weight)와 편향(Bias)을 나타낸다. 이 두 값은 학습에 따라 변동 할 수 있다.Here, w n and b n represent a weight and a bias, respectively. These two values can fluctuate with learning.

출력층(125)은 복수 개의 히든층(123)으로부터 출력되는 특징에 기반하여 해당 주문 요청이 유효 주문인지 여부에 대한 분류 값을 출력할 수 있다. 앞에서와 같이, 제1 입력 데이터 셋은 (1,0)으로 라벨링 되고, 제2 입력 데이터 셋은 (0, 1)로 라벨링된 경우, 출력층(125)은 (A(0~1.0), B(0~1.0))의 값을 출력할 수 있다. The output layer 125 may output a classification value for whether the corresponding order request is a valid order based on the features output from the plurality of hidden layers 123 . As before, when the first input data set is labeled (1,0) and the second input data set is labeled (0, 1), the output layer 125 is (A(0~1.0), B( 0~1.0)) can be output.

여기서, 인공 신경망 모델(115a)은 경사 하강법 및 오차 역전파법 등을 통해 손실 함수(Loss Fuction)를 최소화하는 최적의 파라미터(예를 들어, 가중치 및 편향 등)를 찾도록 학습될 수 있다. Here, the artificial neural network model 115a may be trained to find an optimal parameter (eg, weight and bias) that minimizes a loss function through gradient descent and error backpropagation.

인공 신경망 모델(115a)이 학습된 경우, 고객 단말(102)의 주문 요청에 대응하는 분류 기초 데이터를 인공 신경망 모델(115a)로 입력하면, 해당 주문 요청이 유효 주문에 해당되는 것으로 판단되는 경우 출력층(125)은 A는 1에 가깝고 B는 0에 가까운 값을 출력하고, 해당 주문 요청이 의심스러운 주문에 해당되는 것으로 판단되는 경우 출력층(125)은 A는 0에 가깝고 B는 1에 가까운 값을 출력할 수 있다.When the artificial neural network model 115a is trained, if classification basic data corresponding to the order request of the customer terminal 102 is input to the artificial neural network model 115a, when it is determined that the corresponding order request corresponds to a valid order, the output layer In (125), A is close to 1 and B outputs a value close to 0, and when it is determined that the order request corresponds to a suspicious order, the output layer 125 outputs a value close to 0 and 1 for A and B. can be printed out.

주문 처리 모듈(117)은 유효 주문 판단 모듈(115)의 판단 결과(또는 분류 결과)에 따라 해당 주문 요청에 대한 처리를 수행할 수 있다. 주문 처리 모듈(116)은 유효 주문 판단 모듈(115)의 판단 결과 해당 주문 요청이 유효 주문에 해당하는 경우, 해당 주문 요청에 대해 정상적인 주문 처리를 수행할 수 있다. 주문 처리 모듈(116)은 유효 주문 판단 모듈(115)의 판단 결과 해당 주문 요청이 의심스러운 주문에 해당하는 경우, 의심 주문 알림을 발생시킬 수 있다. 의심 주문 알림이 발생한 경우, 관리자는 해당 주문 요청에 대해 고객에게 재확인하는 절차를 수행할 수 있으나, 이에 한정되는 것은 아니다.The order processing module 117 may process the corresponding order request according to the determination result (or the classification result) of the valid order determination module 115 . As a result of the determination of the valid order determination module 115 , the order processing module 116 may perform normal order processing for the corresponding order request when the corresponding order request corresponds to a valid order. The order processing module 116 may generate a suspicious order notification when the corresponding order request corresponds to a suspicious order as a result of the determination of the valid order determination module 115 . When a suspicious order notification occurs, the manager may perform a procedure of reconfirming the order request to the customer, but is not limited thereto.

개시되는 실시예에 의하면, 고객의 주문 요청을 수신할 때마다 그에 대응하는 분류 기초 데이터를 획득하고, 분류 기초 데이터를 인공 신경망 모델의 입력으로 하여 주문 요청이 유효 주문인지 의심스러운 주문인지 여부를 분류하도록 학습 함으로써, 고객의 주문 요청에 대해 고객이 수령을 승인할지 수령을 거부할지를 미리 예측하여 처리할 수 있게 된다.According to the disclosed embodiment, each time a customer's order request is received, basic classification data corresponding thereto is obtained, and the classification basic data is used as an input of an artificial neural network model to classify whether the order request is a valid order or a suspicious order By learning to do so, it is possible to predict in advance whether the customer will approve or reject the receipt of the customer's order request and be able to handle it.

본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 "모듈"은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아니다.In this specification, a module may mean a functional and structural combination of hardware for carrying out the technical idea of the present invention and software for driving the hardware. For example, the "module" may mean a logical unit of a predetermined code and a hardware resource for executing the predetermined code, and does not necessarily mean physically connected code or a single type of hardware.

도 4는 본 발명의 일 실시예에 따른 유효 주문 판단 방법을 나타낸 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.4 is a flowchart illustrating a method for determining a valid order according to an embodiment of the present invention. In the illustrated flowchart, the method is described by dividing the method into a plurality of steps, but at least some of the steps are performed in a different order, are performed in combination with other steps, are omitted, are performed in separate steps, or are not shown. One or more steps may be added and performed.

도 4를 참조하면, 유효 주문 판단 장치(106)는 각 고객 단말(102)로부터 주문 요청이 수신되는 경우, 각 주문 요청에 대응하는 분류 기초 데이터를 획득한다(S 101).Referring to FIG. 4 , when an order request is received from each customer terminal 102 , the valid order determination device 106 obtains classification basic data corresponding to each order request ( S 101 ).

여기서, 분류 기초 데이터는 고객 단말(102)의 IP 주소, 고객 단말(102)의 IP 주소에 대응하는 물리적 위치와 해당 고객의 기 등록된 주소에 대응하는 물리적 위치 간의 거리, 해당 고객의 쇼핑몰 방문 횟수, 주문 요청에 포함된 상품 별 주문 수량, 해당 고객의 주문 소요 시간, 및 해당 고객의 장바구니 이력 정보 등의 항목을 포함할 수 있다. Here, the classification basic data includes the IP address of the customer terminal 102, the distance between the physical location corresponding to the IP address of the customer terminal 102 and the physical location corresponding to the previously registered address of the customer, and the number of visits to the shopping mall of the customer , order quantity for each product included in the order request, order required time of the customer, and shopping cart history information of the customer may be included.

다음으로, 유효 주문 판단 장치(106)는 각 주문 요청에 대한 수령 결과에 따라 각 주문 요청을 수령 승인 주문 요청 또는 수령 거부 주문 요청으로 분류한다(S 103). Next, the valid order determination device 106 classifies each order request into a receipt approval order request or a receipt rejection order request according to the result of receipt of each order request (S 103).

다음으로, 유효 주문 판단 장치(106)는 각 수령 승인 주문 요청 및 그에 대응하는 분류 기초 데이터는 제1 입력 데이터 셋으로 설정하고, 각 수령 거부 주문 요청 및 그에 대응하는 분류 기초 데이터를 제2 입력 데이터 셋으로 설정한다(S 105).Next, the valid order determination device 106 sets each receipt approval order request and the corresponding classification basic data as the first input data set, and sets each receipt rejection order request and the corresponding classification basic data as the second input data set to three (S 105).

다음으로, 유효 주문 판단 장치(106)는 제1 입력 데이터 셋 및 제2 입력 데이터 셋을 인공 신경망 모델(115a)로 입력하여 인공 신경망 모델(115a)을 학습시킨다(S 107). Next, the valid order determination device 106 learns the artificial neural network model 115a by inputting the first input data set and the second input data set to the artificial neural network model 115a ( S107 ).

여기서, 인공 신경망 모델(115a)은 수령 승인으로 라벨링된 제1 입력 데이터 셋을 입력 받는 경우 해당 주문 요청을 유효 주문인 것으로 분류하도록 하고, 수령 거부로 라벨링된 제2 입력 데이터 셋을 입력 받는 경우 해당 주문 요청을 의심스러운 주문인 것으로 분류하도록 학습될 수 있다. Here, the artificial neural network model 115a classifies the corresponding order request as a valid order when receiving the first input data set labeled as acceptance approval, and when receiving the second input data set labeled as acceptance rejection, corresponding It can be learned to classify order requests as being suspicious orders.

다음으로, 유효 주문 판단 장치(106)는 고객 단말(102)로부터 주문 요청이 수신되면, 주문 요청 및 그에 대응하는 분류 기초 데이터를 인공 신경망 모델(115a)로 입력하여 해당 주문 요청이 유효 주문인지 의심스러운 주문인지 여부를 판단한다(S 109).Next, when the order request is received from the customer terminal 102, the valid order determination device 106 inputs the order request and the corresponding classification basic data into the artificial neural network model 115a to doubt whether the order request is a valid order. It is determined whether it is a good order (S 109).

도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.5 is a block diagram illustrating and describing a computing environment 10 including a computing device suitable for use in example embodiments. In the illustrated embodiment, each component may have different functions and capabilities other than those described below, and may include additional components in addition to those described below.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 유효 주문 판단 장치(106)일 수 있다. 또한, 컴퓨팅 장치(12)는 고객 단말(102)일 수 있다. 또한, 컴퓨팅 장치(12)는 쇼핑몰 서버(104)일 수 있다.The illustrated computing environment 10 includes a computing device 12 . In one embodiment, computing device 12 may be valid order determining device 106 . Also, the computing device 12 may be the customer terminal 102 . Also, the computing device 12 may be a shopping mall server 104 .

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.Computing device 12 includes at least one processor 14 , computer readable storage medium 16 , and communication bus 18 . The processor 14 may cause the computing device 12 to operate in accordance with the exemplary embodiments discussed above. For example, the processor 14 may execute one or more programs stored in the computer-readable storage medium 16 . The one or more programs may include one or more computer-executable instructions that, when executed by the processor 14, configure the computing device 12 to perform operations in accordance with the exemplary embodiment. can be

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. The program 20 stored in the computer readable storage medium 16 includes a set of instructions executable by the processor 14 . In one embodiment, computer-readable storage medium 16 includes memory (volatile memory, such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash It may be memory devices, other forms of storage medium accessed by computing device 12 and capable of storing desired information, or a suitable combination thereof.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.Communication bus 18 interconnects various other components of computing device 12 , including processor 14 and computer readable storage medium 16 .

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24 . The input/output interface 22 and the network communication interface 26 are coupled to the communication bus 18 . Input/output device 24 may be coupled to other components of computing device 12 via input/output interface 22 . Exemplary input/output device 24 may include a pointing device (such as a mouse or trackpad), a keyboard, a touch input device (such as a touchpad or touchscreen), a voice or sound input device, various types of sensor devices, and/or imaging devices. input devices and/or output devices such as display devices, printers, speakers and/or network cards. The exemplary input/output device 24 may be included in the computing device 12 as a component constituting the computing device 12 , and may be connected to the computing device 12 as a separate device distinct from the computing device 12 . may be

이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위내에서 변경 또는 수정이 가능하다. 저술한 실시예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다. 또한 첨부된 청구범위는 다른 실시 상태도 포함하는 것으로 해석되어야 한다.The above detailed description is illustrative of the present invention. In addition, the above description shows and describes preferred embodiments of the present invention, and the present invention can be used in various other combinations, modifications, and environments. That is, changes or modifications are possible within the scope of the concept of the invention disclosed herein, the scope equivalent to the written disclosure, and/or within the scope of skill or knowledge in the art. The written embodiment describes the best state for implementing the technical idea of the present invention, and various changes required in specific application fields and uses of the present invention are possible. Therefore, the detailed description of the present invention is not intended to limit the present invention to the disclosed embodiments. Also, the appended claims should be construed as including other embodiments.

10 컴퓨팅 환경
12 컴퓨팅 장치
14 프로세서
16 컴퓨터 판독 가능 저장 매체
18 통신 버스
20 프로그램
22 입출력 인터페이스
24 입출력 장치
26 네트워크 통신 인터페이스
100 유효 주문 판단 시스템
102 고객 단말
104 쇼핑몰 서버
106 유효 주문 판단 장치
111 분류 기초 데이터 획득 모듈
113 전처리 모듈
115 유효 주문 판단 모듈
115a 인공 신경망 모델
117 주문 처리 모듈
121 입력층
123 히든층
125 출력층10 Computing Environment
12 computing devices
14 processors
16 computer-readable storage medium
18 communication bus
20 programs
22 input/output interface
24 input/output devices
26 network communication interface
100 valid order judgment system
102 customer terminal
104 shopping mall server
106 valid order judgment device
111 Classification Basic Data Acquisition Module
113 Preprocessing module
115 Valid Order Determination Module
115a artificial neural network model
117 order processing module
121 input layer
123 hidden layer
125 output layer

Claims (11)

하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비하는 컴퓨팅 장치로서,
고객 단말로부터 수신되는 각 주문 요청에 대해 분류 기초 데이터를 획득하는 분류 기초 데이터 획득 모듈; 및
상기 분류 기초 데이터에 기반하여 인공 신경망 모델을 학습하고, 상기 학습된 인공 신경망 모델을 통해 소정 주문 요청이 유효 주문인지 여부를 분류하는 유효 주문 판단 모듈을 포함하고,
상기 분류 기초 데이터는:
해당 고객 단말의 IP 주소에 대응하는 물리적 위치와 해당 고객의 기 등록된 주소에 대응하는 물리적 위치 간의 거리, 해당 고객의 쇼핑몰 방문 횟수, 해당 주문 요청에 포함된 상품 별 주문 수량, 해당 고객의 주문 소요 시간 및 해당 고객의 장바구니 이력 정보를 포함하는, 컴퓨팅 장치.one or more processors, and
A computing device comprising a memory storing one or more programs to be executed by the one or more processors;
a classification basic data acquisition module for acquiring classification basic data for each order request received from the customer terminal; and
a valid order determination module for learning an artificial neural network model based on the classification basic data, and classifying whether a predetermined order request is a valid order through the learned artificial neural network model;
The classification basic data is:
The distance between the physical location corresponding to the IP address of the customer's terminal and the physical location corresponding to the customer's pre-registered address, the number of times the customer visits the shopping mall, the order quantity for each product included in the order request, and the customer's order requirements A computing device comprising time and shopping cart history information of the customer. 청구항 1에 있어서,
상기 분류 기초 데이터는,
해당 고객 단말의 IP 주소를 포함하는, 컴퓨팅 장치.The method according to claim 1,
The classification basic data is
Computing device, including the IP address of the customer terminal. 청구항 2에 있어서,
상기 컴퓨팅 장치는,
상기 분류 기초 데이터에 기반하여 상기 인공 신경망 모델의 학습 데이터로 사용되는 제1 입력 데이터 셋 및 제2 입력 데이터 셋을 생성하는 전처리 모듈을 더 포함하는, 컴퓨팅 장치.3. The method according to claim 2,
The computing device,
The computing device further comprising a preprocessing module for generating a first input data set and a second input data set used as training data of the artificial neural network model based on the classification basic data. 청구항 3에 있어서,
상기 전처리 모듈은,
각 주문 요청에 대한 고객의 수령 결과에 따라 각 주문 요청을 수령 승인 주문 요청 또는 수령 거부 주문 요청으로 분류하고, 상기 수령 승인 주문 요청에 대응하는 분류 기초 데이터는 수령 승인으로 라벨링하여 상기 제1 입력 데이터 셋으로 설정하며, 상기 수령 거부 주문 요청에 대응하는 분류 기초 데이터는 수령 거부로 라벨링하여 상기 제2 입력 데이터 셋으로 설정하는, 컴퓨팅 장치.4. The method according to claim 3,
The pre-processing module is
Classifying each order request into a receipt approval order request or a rejection order request according to the customer's receipt result for each order request, and classification basic data corresponding to the receipt approval order request is labeled as receipt approval, so that the first input data set, and the classification basic data corresponding to the request for rejection of receipt is labeled as rejection and set as the second input data set. 청구항 4에 있어서,
상기 인공 신경망 모델은,
상기 수령 승인으로 라벨링된 제1 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 유효 주문인 것으로 분류하고, 상기 수령 거부로 라벨링된 제2 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 의심스러운 주문인 것으로 분류하도록 학습되는, 컴퓨팅 장치.5. The method according to claim 4,
The artificial neural network model is
When the first input data set labeled as acceptance of receipt is input, the order request is classified as a valid order, and when the second input data set labeled as rejection of receipt is input, the order request is regarded as a suspicious order. A computing device that is trained to classify. 청구항 5에 있어서,
상기 컴퓨팅 장치는,
상기 유효 주문 판단 모듈의 분류 결과에 따라 해당 주문 요청에 대한 주문 처리를 수행하는 주문 처리 모듈을 더 포함하는, 컴퓨팅 장치.6. The method of claim 5,
The computing device,
Computing device further comprising an order processing module for performing order processing for the corresponding order request according to the classification result of the valid order determination module. 하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비하는 컴퓨팅 장치에서 수행되는 방법으로서,
고객 단말로부터 수신되는 각 주문 요청에 대해 분류 기초 데이터를 획득하는 동작;
상기 분류 기초 데이터에 기반하여 인공 신경망 모델을 학습하는 동작; 및
상기 학습된 인공 신경망 모델을 통해 소정 주문 요청이 유효 주문인지 여부를 분류하는 동작을 포함하고,
상기 분류 기초 데이터는:
해당 고객 단말의 IP 주소에 대응하는 물리적 위치와 해당 고객의 기 등록된 주소에 대응하는 물리적 위치 간의 거리, 해당 고객의 쇼핑몰 방문 횟수, 해당 주문 요청에 포함된 상품 별 주문 수량, 해당 고객의 주문 소요 시간 및 해당 고객의 장바구니 이력 정보를 포함하는, 유효 주문 판단 방법.one or more processors, and
A method performed in a computing device having a memory storing one or more programs to be executed by the one or more processors, the method comprising:
obtaining classification basic data for each order request received from the customer terminal;
learning an artificial neural network model based on the classification basic data; and
and classifying whether a predetermined order request is a valid order through the learned artificial neural network model,
The classification basic data is:
The distance between the physical location corresponding to the IP address of the customer's terminal and the physical location corresponding to the customer's pre-registered address, the number of times the customer visits the shopping mall, the order quantity for each product included in the order request, and the customer's order requirements A method of determining a valid order, including time and shopping cart history information of the customer. 청구항 7에 있어서,
상기 분류 기초 데이터는,
해당 고객 단말의 IP 주소를 포함하는, 유효 주문 판단 방법.8. The method of claim 7,
The classification basic data is
A method for determining a valid order, including the IP address of the customer terminal. 청구항 8에 있어서,
상기 유효 주문 판단 방법은,
각 주문 요청에 대한 고객의 수령 결과에 따라 각 주문 요청을 수령 승인 주문 요청 또는 수령 거부 주문 요청으로 분류하는 동작;
상기 수령 승인 주문 요청에 대응하는 분류 기초 데이터는 수령 승인으로 라벨링하여 제1 입력 데이터 셋으로 설정하는 동작; 및
상기 수령 거부 주문 요청에 대응하는 분류 기초 데이터는 수령 거부로 라벨링하여 제2 입력 데이터 셋으로 설정하는 동작을 더 포함하는, 유효 주문 판단 방법.9. The method of claim 8,
The valid order determination method is,
classifying each order request into an acceptance order request or a rejection order request according to a result of the customer's receipt of each order request;
labeling the classification basic data corresponding to the receipt approval order request as receipt approval and setting it as a first input data set; and
The method for determining a valid order, further comprising: labeling the classification basic data corresponding to the rejection of receipt order request as rejection of receipt and setting it as a second input data set. 청구항 9에 있어서,
상기 인공 신경망 모델은,
상기 수령 승인으로 라벨링된 제1 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 유효 주문인 것으로 분류하고, 상기 수령 거부로 라벨링된 제2 입력 데이터 셋이 입력되는 경우 해당 주문 요청을 의심스러운 주문인 것으로 분류하도록 학습되는, 유효 주문 판단 방법.10. The method of claim 9,
The artificial neural network model is
When the first input data set labeled as acceptance of receipt is input, the order request is classified as a valid order, and when the second input data set labeled as rejection of receipt is input, the order request is regarded as a suspicious order. A method of determining valid orders, learned to classify. 컴퓨터로 읽을 수 있는 기록 매체에 있어서,
제 7 항 내지 제 10 항 중 어느 한 항에 따른 유효 주문 판단 방법을 컴퓨터로 실행하기 위한 프로그램이 기록된 기록 매체.In a computer-readable recording medium,
11. A recording medium in which a program for executing the valid order determination method according to any one of claims 7 to 10 by a computer is recorded.
KR1020210032642A 2021-03-12 2021-03-12 Methof for determining valid order and computing device for executing the method KR102352853B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210032642A KR102352853B1 (en) 2021-03-12 2021-03-12 Methof for determining valid order and computing device for executing the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210032642A KR102352853B1 (en) 2021-03-12 2021-03-12 Methof for determining valid order and computing device for executing the method

Publications (2)

Publication Number Publication Date
KR102352853B1 true KR102352853B1 (en) 2022-01-18
KR102352853B9 KR102352853B9 (en) 2022-08-22

Family

ID=80051975

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210032642A KR102352853B1 (en) 2021-03-12 2021-03-12 Methof for determining valid order and computing device for executing the method

Country Status (1)

Country Link
KR (1) KR102352853B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101818618B1 (en) 2016-02-25 2018-01-15 주식회사 셀팅 Integration solutions system for e-commerce purchases prediction using big data
KR101998680B1 (en) * 2018-07-26 2019-07-10 (주)유니온소프트 Method for managing clients
KR102125210B1 (en) * 2018-12-28 2020-06-22 주식회사 팀삼층 Method for predicting bill of goods and apparatus for executing the method
KR102149542B1 (en) * 2019-11-28 2020-08-28 (주)위세아이텍 Device and method for detecting new fraudulent claims

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101818618B1 (en) 2016-02-25 2018-01-15 주식회사 셀팅 Integration solutions system for e-commerce purchases prediction using big data
KR101998680B1 (en) * 2018-07-26 2019-07-10 (주)유니온소프트 Method for managing clients
KR102125210B1 (en) * 2018-12-28 2020-06-22 주식회사 팀삼층 Method for predicting bill of goods and apparatus for executing the method
KR102149542B1 (en) * 2019-11-28 2020-08-28 (주)위세아이텍 Device and method for detecting new fraudulent claims

Also Published As

Publication number Publication date
KR102352853B9 (en) 2022-08-22

Similar Documents

Publication Publication Date Title
AU2020100414A4 (en) Data reconciliation based on computer analysis of data
US10817779B2 (en) Bayesian network based hybrid machine learning
US9064212B2 (en) Automatic event categorization for event ticket network systems
JP7069220B2 (en) Electronic message filtering
US20140136432A1 (en) Using social network connections to recommend merchants and products
JP2020506473A (en) Method for adjusting risk parameters and method and device for risk identification
US11605088B2 (en) Systems and methods for providing concurrent data loading and rules execution in risk evaluations
US20140019295A1 (en) Automated Technique For Generating Recommendations Of Potential Supplier Candidates
CN102156910A (en) Identifying intermediaries and potential contacts between organizations
US10678821B2 (en) Evaluating theses using tree structures
US20210366045A1 (en) Adaptive goal identification and tracking for virtual assistants
EP3977384A1 (en) Systems and methods for electronic payment and gateway routing
US11227220B2 (en) Automatic discovery of data required by a rule engine
US20170083881A1 (en) System and method for automatically ranking payment promises
US20230421555A1 (en) Email Processing for Improved Authentication Question Accuracy
US11080605B1 (en) Interest matched interaction initialization
US20170053347A1 (en) Systems and methods for automatic generation of a dynamic transaction standing in a network environment
KR102352853B1 (en) Methof for determining valid order and computing device for executing the method
US20200380561A1 (en) Prompting item interactions
CN113077292B (en) User classification method and device, storage medium and electronic equipment
WO2021041659A1 (en) Exchange platform activity prediction
US20230419327A1 (en) Secure and scalable blockchain smart contract-based digital asset platform
US20240070724A1 (en) Item profile attribute system
CN111861635B (en) Friend recommendation method, device and equipment for commodity sharing
US20230120348A1 (en) Systems and methods of personally identifiable information (pii) tracking in a network

Legal Events

Date Code Title Description
GRNT Written decision to grant
J202 Request for trial for correction [limitation]
J301 Trial decision

Free format text: TRIAL NUMBER: 2022105000063; TRIAL DECISION FOR CORRECTION REQUESTED 20220711

Effective date: 20220805