KR102354732B1 - 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법 - Google Patents

제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법 Download PDF

Info

Publication number
KR102354732B1
KR102354732B1 KR1020200054617A KR20200054617A KR102354732B1 KR 102354732 B1 KR102354732 B1 KR 102354732B1 KR 1020200054617 A KR1020200054617 A KR 1020200054617A KR 20200054617 A KR20200054617 A KR 20200054617A KR 102354732 B1 KR102354732 B1 KR 102354732B1
Authority
KR
South Korea
Prior art keywords
product
title
vector
inaccuracy
string
Prior art date
Application number
KR1020200054617A
Other languages
English (en)
Other versions
KR20210107511A (ko
Inventor
김태석
안수환
Original Assignee
쿠팡 주식회사
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 쿠팡 주식회사 filed Critical 쿠팡 주식회사
Publication of KR20210107511A publication Critical patent/KR20210107511A/ko
Priority to KR1020220007661A priority Critical patent/KR20220015477A/ko
Application granted granted Critical
Publication of KR102354732B1 publication Critical patent/KR102354732B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06K9/6201—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—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
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Machine Translation (AREA)

Abstract

제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 제품과 연관된 적어도 하나의 제품 유형을 식별하는 단계, 기계 학습 알고리즘을 사용하여, 타이틀에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하는 단계, 식별 또는 예측 중 적어도 하나에 기초하여, 타이틀의 부정확성을 검출하는 단계, 및 타이틀이 부정확성을 포함한다는 것을 나타내는 메시지를 리모트 디바이스로 출력하는 단계를 포함하는, 제품 타이틀의 부정확성을 검출하기 위한 시스템 및 방법이 제공된다. 문자열 알고리즘을 실행하는 것은 스트링 세트를 수신하는 것, 수신된 스트링 세트에 기초하여 트라이를 생성하는 것, 타이틀을 수신하는 것, 그리고 매치를 찾기 위해 해당 타이틀을 사용하여 생성된 트라이를 트래버스하는 것을 포함할 수 있다. 기계 학습 알고리즘을 사용하는 것은 타이틀에서 단어를 식별하는 것, 각 단어의 각 문자 n-그램에 대한 벡터 표현을 학습하는 것, 그리고 각 문자 n-그램을 합산하는 것을 포함할 수 있다.

Description

제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법{COMPUTERIZED SYSTEMS AND METHODS FOR DETECTING PRODUCT TITLE INACCURACIES}
본 개시는 일반적으로 제품 타이틀에서 부정확성을 검출하기 위한 컴퓨터 시스템 및 방법에 관한 것이다. 특히, 본 개시의 실시예들은 제품 타이틀에 기초하여 제품과 연관된 제품 유형을 예측하기 위해, 제품 타이틀에 대해 문자열 알고리즘을 실행하거나 및/또는 기계 학습 알고리즘을 이용함으로써 제품 타이틀에서 부정확성을 검출하는 것에 관한 창의적이고 독특한 시스템에 관한 것이다.
소비자들은 종종 컴퓨터와 스마트 디바이스를 통해 온라인으로 다양한 아이템을 쇼핑 및 구매한다. 이러한 온라인 쇼핑객들은 종종 구매할 제품을 찾기 위해 제품의 카테고리를 통해 검색하는 것에 의존한다. 그러나 일반적인 온라인 쇼핑 경험은 틀리거나 또는 부정확한 제품 타이틀로 인해 방해받는다.
수백만 개의 제품이 매일 판매자에 의해 온라인에 등록된다. 판매자는 각 제품의 타이틀을 포함하는, 그들의 제품에 대한 정보를 제공해야 한다. 그러나 종종 많은 판매자들이 제품 타이틀에, 실제 제품을 설명하는데 도움이 되지 않는 관련없는 단어 또는 다른 부정확한 정보를 포함시킨다. 예를 들어, 제품 판매를 위한 제3자 플랫폼에서, 많은 판매자들이 다양한 이유로 제품 목록에 대해 복잡하거나, 혼란스럽거나, 사기적이거나, 또는 임의적인 타이틀을 입력한다. 일례로, 판매자가 다양한 검색 태그를 생성하기 위한 시도로서, 제품 타이틀에 관련없는 단어들을 입력할 수 있다. 예를 들어, 제품이 일회용 컵을 포함하면, 판매자는 빨대를 검색하는 사용자가 그들의 검색 결과에서 일회용 컵을 보기를 바라면서, "일회용 컵, 접시, 용기, 빨대, 뚜껑, 액체, 물"과 같은 제품 타이틀을 할당할 수 있다. 다른 경우에, 판매자는 해당 제품이 검색 결과에 나타나지 않도록, 타이틀을 의도적으로 입력할 수 있다. 따라서 판매자는 자신들의 인기없는 제품이 같은 종류의 더 인기있는 제품보다 우선도가 낮아지도록, 부정확한 제품 타이틀을 작성하려고 할 수 있다.
부정확한 제품 타이틀은 소비자의 제품 검색을 오래 걸리게 하고 온라인 플랫폼의 추천 품질을 낮춤으로써 소비자의 사용자 경험을 심각하게 떨어뜨릴 수 있다. 또한, 제품 타이틀을 수동으로 모니터링, 필터링, 거부 또는 수정하는 것은 종종 어렵고 시간이 많이 소요된다. 온라인 플랫폼이 자동으로 부정확한 제품 타이틀을 검출하고 판매자에게 해당 부정확성을 알려준다면, 소비자의 사용자 경험은 크게 향상될 것이다.
따라서 소비자가 온라인 쇼핑을 하는 동안 제품을 신속하게 찾아 구매할 수 있도록, 제품 타이틀에서 부정확성을 검출하기 위한 개선된 방법 및 시스템이 필요하다.
본 개시의 일 양태는 제품 타이틀에서 부정확성을 검출하기 위한 컴퓨터 구현 시스템에 관한 것이다. 이 시스템은 적어도 하나의 프로세서; 및 적어도 하나의 프로세서에 의해 실행되었을 때 적어도 하나의 프로세서로 하여금 단계들을 수행하게 하는, 명령들을 포함하는 적어도 하나의 비-일시적 저장 매체를 포함할 수 있다. 이 단계들은 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 제품과 연관된 적어도 하나의 제품 유형을 식별하는 단계, 기계 학습 알고리즘을 사용하여, 제품과 연관된 타이틀에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하는 단계, 식별 또는 예측 중 적어도 하나에 기초하여, 제품과 연관된 타이틀에서 부정확성을 검출하는 단계, 및 제품과 연관된 타이틀이 부정확성을 포함한다는 것을 나타내는 메시지를 원격 디바이스로 출력하는 단계를 포함할 수 있다.
일부 실시예에서, 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행하는 단계는 스트링 세트를 수신하는 단계, 수신된 스트링 세트에 기초하여, 스트링 세트의 첫 번째 글자에 대한 노드들의 제1 레벨과 스트링 세트의 첫 번째 글자 이외의 n 글자에 대한 노드들의 n 레벨을 포함하는 트라이를 생성하는 단계, 제품과 연관된 타이틀을 수신하는 단계, 및 매치를 찾기 위해 타이틀을 사용하여 생성된 트라이를 순회하는 단계를 더 포함할 수 있다. 다른 실시예에서, 기계 학습 알고리즘을 사용하는 단계는 제품과 연관된 타이틀을 수신하는 단계, 타이틀에서 하나 이상의 단어를 식별하는 단계―각 단어는 문자 n-그램으로 표현됨―, 각 단어의 각 문자 n-그램에 대한 벡터 표현을 학습하는 단계, 및 전체 단어 임베딩을 결정하기 위해, 각 단어의 각 문자 n-그램을 합하는 단계를 더 포함할 수 있다.
일부 실시예에서, 적어도 하나의 프로세서는 제품과 연관된 제품 유형의 개수를 결정하고, 제품과 연관된 제품 유형의 개수가 미리 결정된 임계치를 초과할 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행시키도록 더 구성될 수 있다. 다른 실시예에서, 적어도 하나의 프로세서는 제품이 2개 이상의 관련없는 제품 유형과 연관되어 있을 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행시키도록 더 구성될 수 있다. 또 다른 실시예에서, 적어도 하나의 프로세서는, 기계 학습 알고리즘을 사용하여, 제품의 이미지에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하기 위해, 명령들을 실행시키도록 더 구성될 수 있다. 일부 실시예에서, 적어도 하나의 프로세서는, 제품의 이미지에 기초한 예측된 제품 유형이 제품과 연관된 타이틀에 기초한 예측된 제품 유형과 다를 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행시키도록 더 구성될 수 있다.
다른 실시예에서, 적어도 하나의 프로세서는 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 제품과 연관된 적어도 하나의 브랜드를 식별하고, 그리고 2개 이상의 브랜드가 제품과 연관되어 있을 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행시키도록 더 구성될 수 있다. 일부 실시예에서, 기계 학습 알고리즘을 사용하여, 제품과 연관된 타이틀에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하는 것은 적어도 하나의 제품 유형을 벡터에 임베딩시키는 것과 벡터와 미리 결정된 벡터 간의 거리를 결정하는 것을 더 포함할 수 있다. 일부 실시예에서, 미리 결정된 벡터는 제품과 연관된 실제 제품 유형과 연관되어 있을 수 있다.
본 개시의 다른 양태는 제품 타이틀에서 부정확성을 검출하기 위한 방법에 관한 것이다. 이 방법은 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 제품과 연관된 적어도 하나의 제품 유형을 식별하는 단계, 기계 학습 알고리즘을 사용하여, 제품과 연관된 타이틀에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하는 단계, 식별 또는 예측 중 적어도 하나에 기초하여, 제품과 연관된 타이틀에서 부정확성을 검출하는 단계, 및 제품과 연관된 타이틀이 부정확성을 포함한다는 것을 나타내는 메시지를 원격 디바이스로 출력하는 단계를 포함할 수 있다.
일부 실시예에서, 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행하는 단계는 스트링 세트를 수신하는 단계, 수신된 스트링 세트에 기초하여, 스트링 세트의 첫 번째 글자에 대한 노드들의 제1 레벨과 스트링 세트의 첫 번째 글자 이외의 n 글자에 대한 노드들의 n 레벨을 포함하는 트라이를 생성하는 단계, 제품과 연관된 타이틀을 수신하는 단계, 및 매치를 찾기 위해 타이틀을 사용하여 생성된 트라이를 순회하는 단계를 더 포함할 수 있다. 다른 실시예에서, 기계 학습 알고리즘을 사용하는 단계는 제품과 연관된 타이틀을 수신하는 단계, 타이틀에서 하나 이상의 단어를 식별하는 단계―각 단어는 문자 n-그램으로 표현됨―, 각 단어의 각 문자 n-그램에 대한 벡터 표현을 학습하는 단계, 및 전체 단어 임베딩을 결정하기 위해, 각 단어의 각 문자 n-그램을 합하는 단계를 더 포함할 수 있다.
일부 실시예에서, 적어도 하나의 프로세서는 제품과 연관된 제품 유형의 개수를 결정하고, 그리고 제품과 연관된 제품 유형의 개수가 미리 결정된 임계치를 초과할 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행하도록 더 구성될 수 있다. 다른 실시예에서, 적어도 하나의 프로세서는 제품이 2개 이상의 관련없는 제품 유형과 연관되어 있을 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행하도록 더 구성될 수 있다. 또 다른 실시예에서, 적어도 하나의 프로세서는 기계 학습 알고리즘을 사용하여, 제품의 이미지에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하기 위해, 명령들을 실행하도록 더 구성될 수 있다. 일부 실시예에서, 적어도 하나의 프로세서는 제품의 이미지에 기초한 예측된 제품 유형이 제품과 연관된 타이틀에 기초한 예측된 제품 유형과 다를 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행하도록 더 구성될 수 있다.
다른 실시예에서, 적어도 하나의 프로세서는 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 제품과 연관된 적어도 하나의 브랜드를 식별하고, 그리고 2개 이상의 브랜드가 제품과 연관되어 있을 때, 제품과 연관된 타이틀이 부정확성을 포함한다고 결정하기 위해, 명령들을 실행하도록 더 구성될 수 있다. 일부 실시예에서, 기계 학습 알고리즘을 사용하여, 제품과 연관된 타이틀에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하는 것은, 적어도 하나의 제품 유형을 벡터에 임베딩시키는 것과 벡터와 제품의 실제 제품 유형과 연관된 미리 결정된 벡터 간의 거리를 결정하는 것을 더 포함할 수 있다.
본 개시의 또 다른 양태는 제품 타이틀에서 부정확성을 검출하기 위한 컴퓨터 구현 시스템에 관한 것이다. 이 시스템은 적어도 하나의 프로세서; 및 적어도 하나의 프로세서에 의해 실행되었을 때, 적어도 하나의 프로세서로 하여금 단계들을 수행하게 하는, 명령들을 포함하는 적어도 하나의 비-일시적 저장 매체를 포함할 수 있다. 이 단계들은 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 제품과 연관된 적어도 하나의 제품 유형을 식별하는 단계, 기계 학습 알고리즘을 사용하여, 제품과 연관된 타이틀에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 예측하는 단계, 식별 또는 예측 중 적어도 하나에 기초하여, 제품과 연관된 타이틀에서 부정확성을 검출하는 단계, 및 제품과 연관된 타이틀이 부정확성을 포함한다는 것을 나타내는 메시지를 원격 디바이스로 출력하는 단계를 포함할 수 있다. 타이틀에 대해 문자열 알고리즘을 실행하는 단계는 스트링 세트를 수신하는 단계, 수신된 스트링 세트에 기초하여, 스트링 세트의 첫 번째 글자에 대한 노드들의 제1 레벨과 스트링 세트의 첫 번째 글자 이외의 n 글자에 대한 노드들의 n 레벨을 포함하는 트라이를 생성하는 단계, 제품과 연관된 타이틀을 수신하는 단계, 및 매치를 찾기 위해 타이틀을 사용하여 생성된 트라이를 순회하는 단계를 포함할 수 있다. 또한, 기계 학습 알고리즘을 사용하는 단계는 제품과 연관된 타이틀을 수신하는 단계, 타이틀에서 하나 이상의 단어를 식별하는 단계―각 단어는 문자 n-그램으로 표현됨―, 각 단어의 각 문자 n-그램에 대한 벡터 표현을 학습하는 단계, 및 전체 단어 임베딩을 결정하기 위해, 각 단어의 각 문자 n-그램을 합하는 단계를 포함할 수 있다.
다른 시스템들, 방법들, 및 컴퓨터- 판독 가능 매체도 본 명세서에서 논의된다.
도 1a는 개시된 실시예에 따른, 배송, 운송, 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 1b는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디스플레이 페이지(SDP; Single Display Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예에 따른, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예에 따른, 제품 타이틀에서 부정확성을 검출하기 위한 컴퓨터 시스템을 포함하는 시스템의 예시적 실시예를 나타내는 개략적인 블록도이다.
도 4는 개시된 실시예에 따른, 제품 타이틀에서 부정확성을 검출하기 위한 방법의 예시적인 실시예를 나타내는 흐름도이다.
도 5는 개시된 실시예에 따른, 제품 타이틀에 기초하여 제품과 연관된 제품 유형을 예측하기 위해 기계 학습 알고리즘을 사용하는 방법의 예시적인 실시예를 나타내는 도면이다.
이어서 첨부된 도면을 참조하여 자세하게 설명된다. 가능하면, 다음의 설명에서 같거나 유사한 부분에 대해 참조되도록 도면에서 같은 도면 부호가 사용된다. 여기에 몇몇 예시적인 실시예가 설명되지만, 변경, 조정 및 다른 구현도 가능하다. 예를 들면, 도면 내의 구성 및 스텝에 대해 교체, 추가, 또는 변경이 이루어질 수 있고, 여기에 설명된 예시적인 방법은 개시된 방법에 대해 스텝을 교체, 순서 변경, 제거 또는 추가함으로써 변경될 수 있다. 따라서, 다음의 자세한 설명은 개시된 실시예 및 예시로 제한되는 것은 아니다. 대신에 본 발명의 적합한 범위는 청구범위에 의해 규정된다.
본 개시의 실시예는 제품 타이틀에서 부정확성을 검출하기 위해 구성된 시스템 및 방법에 관한 것이다. 개시된 실시예는 유리하게는 제품과 연관된 타이틀에 기초하여 제품과 연관된 적어도 하나의 제품 유형을 식별 및/또는 예측하기 위해 문자열 알고리즘 및/또는 기계 학습 알고리즘을 사용할 수 있다.
일 구현예에서, 전처리(pre-processing) 시스템이 합성된 훈련 데이터를 생성하기 위해 훈련 데이터 시스템으로부터 수신된 초기 훈련 데이터를 전처리할 수 있다. 예를 들어, 텍스트-기반 초기 훈련 데이터는 불용어(stop word) 제거, 키워드 토큰화, 키워드 중복 제거 및 초기 훈련 데이터의 증강을 포함하는, 방법들의 임의 조합을 사용하여 전처리될 수 있고, 이미지-기반 초기 훈련 데이터는 이미지 증강 기술(예를 들어, PyTorch)을 사용하여 전처리될 수 있다. 계층 모델 트레이너 시스템은 전처리 시스템에 의해 생성된 텍스트-기반 합성 훈련 데이터를 수신할 수 있고, 이미지 모델 트레이너 시스템은 전처리 시스템에 의해 생성된 이미지-기반 합성 훈련 데이터를 수신할 수 있다. 계층 모델 트레이너 시스템과 이미지 모델 트레이너 시스템은 제품 분류를 위해 수신된 합성 데이터를 사용하여, 각각, 적어도 하나의 계층 모델과 적어도 하나의 이미지 모델을 생성 및 훈련할 수 있다.
일부 실시예에서, 제품 카테고리 예측기는 제1 미분류 제품과 연관된 정보를 수신할 수 있다. 예를 들어, 판매자는 제품을 등록하려고 할 때 제품명, 속성값, 제조업체, 브랜드 및 모델 번호를 포함하는 연결 텍스트 스트링(concatenated text string)을 입력하라고 요구받을 수 있다. 제품 카테고리 예측기는 총 확률 점수가 가장 높은 카테고리의 개수를 예측하라는 요청을 수신할 수 있다. 제품 카테고리 예측기는 잠재적 카테고리 및 서브카테고리의 확률 점수를 재귀적(recursively)으로 계산함으로써 제1 미분류 제품에 대해 가장 관련된 카테고리를 예측하기 위해 계층 모델을 사용할 수 있다. 제품 카테고리 예측기는 이후에 미분류 제품을 총 확률 점수가 가장 높은 하나 이상의 카테고리로 분류할 수 있다.
도 1a를 참조하면, 배송, 운송 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 예시적인 시스템의 실시예를 나타낸 개략적인 블록도(100)가 도시되어 있다. 도 1a에 나타낸 바와 같이, 시스템(100)은 다양한 시스템을 포함할 수 있으며, 이들 각각은 하나 이상의 네트워크를 통해 서로 연결될 수 있다. 시스템은 (예를 들어, 케이블을 사용한) 직접 연결을 통해 서로 연결될 수 있다. 도시된 시스템은 배송 기관 기술(shipment authority technology, SAT) 시스템(101), 외부 프론트 엔드 시스템(103), 내부 프론트 엔드 시스템(105), 운송 시스템(107), 모바일 디바이스(107A, 107B, 107C), 판매자 포털(109), 배송 및 주문 트래킹(shipment and order tracking, SOT) 시스템(111), 풀필먼트 최적화(fulfillment optimization, FO) 시스템(113), 풀필먼트 메시징 게이트웨이(fulfillment messaging gateway, FMG)(115), 공급 체인 관리(supply chain management, SCM) 시스템(117), 창고 관리 시스템(119), 모바일 디바이스(119A, 119B, 119C)(풀필먼트 센터(fulfillment center, FC)(200) 내부에 있는 것으로 도시됨), 제3자 풀필먼트 시스템(121A, 121B, 121C), 풀필먼트 센터 인증 시스템(fulfillment center authorization system, FC Auth)(123), 및 노동 관리 시스템(labor management system, LMS)(125)을 포함한다.
일부 실시예에서, SAT 시스템(101)은 주문 상태와 배달 상태를 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SAT 시스템(101)은 주문이 약속된 배달 날짜(Promised Delivery Date, PDD)를 지났는지를 결정할 수 있고, 새로운 주문을 개시시키고, 배달되지 않은 주문의 아이템을 다시 배송하며, 배달되지 않은 주문을 취소하고, 주문 고객과 연락을 시작하는 것 등을 포함하는 적합한 조치를 취할 수 있다. SAT 시스템(101)은 또한, (특정 기간 동안 배송된 패키지의 개수와 같은) 출력, 및 (배송시 사용하기 위해 수신된 빈 카드보드 박스의 개수와 같은) 입력을 포함하는 다른 데이터를 감시할 수 있다. SAT 시스템(101)은 또한, 외부 프론트 엔드 시스템(103) 및 FO 시스템(113)과 같은 장치들 간의 (예를 들면, 저장 전달(store-and-forward) 또는 다른 기술을 사용하는) 통신을 가능하게 하는 시스템(100) 내의 상이한 장치들 사이의 게이트웨이로서 동작할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내의 하나 이상의 시스템과 상호 동작할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 시스템의 프레젠테이션을 가능하게 하여 사용자가 아이템에 대한 주문을 할 수 있도록 하는 실시예에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 아이템 페이지를 제시하며, 결제 정보를 요청하는 웹 서버로서 구현될 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 디바이스(예를 들어, 모바일 디바이스(102A) 또는 컴퓨터(102B))로부터 요청을 수신 및 처리하고, 이들 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 설계된 커스텀 웹 서버 소프트웨어를 실행할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 또는 결제 시스템 중 하나 이상을 포함할 수 있다. 일 양상에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
도 1b, 1c, 1d 및 1e에 의해 나타낸 단계들의 예시적인 세트는 외부 프론트 엔드 시스템(103)의 일부 동작을 설명하는 것에 도움이 될 것이다. 외부 프론트 엔드 시스템(103)은 프레젠테이션 및/또는 디스플레이를 위해 시스템(100) 내의 시스템 또는 디바이스로부터 정보를 수신할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 검색 결과 페이지(Search Result Page, SRP)(예를 들면, 도 1b), 싱글 디테일 페이지(Single Detail Page, SDP)(예를 들면, 도 1c), 장바구니 페이지(Cart page)(예를 들면, 도 1d), 또는 주문 페이지(예를 들면, 도 1e)를 포함하는 하나 이상의 웹페이지를 호스팅하거나 제공할 수 있다. (예를 들면, 모바일 디바이스(102A) 또는 컴퓨터(102B)를 사용하는) 사용자 디바이스는 외부 프론트 엔드 시스템(103)으로 이동하고 검색 박스에 정보를 입력함으로써 검색을 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 시스템(100) 내의 하나 이상의 시스템으로부터 정보를 요청할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 FO 시스템(113)으로부터 검색 요청을 만족하는 정보를 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 또한, (FO 시스템(113)으로부터) 검색 결과에 포함된 각 제품에 대한 약속된 배달 날짜(Promised Delivery Date) 또는 "PDD"를 요청하고 수신할 수 있다. 일부 실시예에서, PDD는 제품이 들어있는 패키지가 특정 기간 이내, 예를 들면, 하루의 끝(PM 11:59)까지 주문되면 언제 사용자가 원하는 장소에 도착할 것인지에 대한 추정 또는 제품이 사용자가 원하는 장소에 배달될 약속된 날짜를 나타낼 수 있다(PDD는 FO 시스템(113)과 관련하여 이하에서 더 논의된다).
외부 프론트 엔드 시스템(103)은 정보에 기초하여 SRP(예를 들면, 도 1b)를 준비할 수 있다. SRP는 검색 요청을 만족하는 정보를 포함할 수 있다. 예를 들면, 이는 검색 요청을 만족하는 제품의 사진을 포함할 수 있다. SRP는 또한, 각 제품에 대한 각각의 가격, 또는 각 제품, PDD, 무게, 크기, 오퍼(offer), 할인 등에 대한 개선된 배달 옵션에 관한 정보를 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SRP를 요청 사용자 디바이스로 전송할 수 있다.
사용자 디바이스는 SRP에 나타낸 제품을 선택하기 위해, 예를 들면, 사용자 인터페이스를 클릭 또는 탭핑하거나, 다른 입력 디바이스를 사용하여 SRP로부터 제품을 선택할 수 있다. 사용자 디바이스는 선택된 제품에 관한 정보에 대한 요청을 만들어 내고 이를 외부 프론트 엔드 시스템(103)으로 전송할 수 있다. 이에 응답하여, 외부 프론트 엔드 시스템(103)은 선택된 제품에 관한 정보를 요청할 수 있다. 예를 들면, 정보는 각각의 SRP 상에 제품에 대해 제시된 것 이상의 추가 정보를 포함할 수 있다. 이는, 예를 들면, 유통 기한, 원산지, 무게, 크기, 패키지 내의 아이템 개수, 취급 지침, 또는 제품에 대한 다른 정보를 포함할 수 있다. 정보는 또한, (예를 들면, 이 제품 및 적어도 하나의 다른 제품을 구입한 고객의 빅 데이터 및/또는 기계 학습 분석에 기초한) 유사한 제품에 대한 추천, 자주 묻는 질문에 대한 답변, 고객의 후기, 제조 업체 정보, 사진 등을 포함할 수 있다.
외부 프론트 엔드 시스템(103)은 수신된 제품 정보에 기초하여 SDP(Single Detail Page)(예를 들면, 도 1c)를 준비할 수 있다. SDP는 또한, "지금 구매(Buy Now)" 버튼, "장바구니에 추가(Add to Cart)" 버튼, 수량 필드, 아이템 사진 등과 같은 다른 상호 동작 요소를 포함할 수 있다. SDP는 제품을 오퍼하는 판매자의 리스트를 포함할 수 있다. 이 리스트는 최저가로 제품을 판매하는 것으로 오퍼하는 판매자가 리스트의 최상단에 위치하도록, 각 판매자가 오퍼한 가격에 기초하여 순서가 정해질 수 있다. 이 리스트는 또한 최고 순위 판매자가 리스트의 최상단에 위치하도록, 판매자 순위에 기초하여 순서가 정해질 수 있다. 판매자 순위는, 예를 들어, 약속된 PPD를 지켰는지에 대한 판매자의 과거 추적 기록을 포함하는, 복수의 인자에 기초하여 만들어질 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SDP를 요청 사용자 디바이스로 전달할 수 있다.
요청 사용자 디바이스는 제품 정보를 나열하는 SDP를 수신할 수 있다. SDP를 수신하면, 사용자 디바이스는 SDP와 상호 동작할 수 있다. 예를 들면, 요청 사용자 디바이스의 사용자는 SDP의 "장바구니에 담기(Place in Cart)" 버튼을 클릭하거나, 이와 상호 동작할 수 있다. 이렇게 하면 사용자와 연계된 쇼핑 장바구니에 제품이 추가된다. 사용자 디바이스는 제품을 쇼핑 장바구니에 추가하기 위해 외부 프론트 엔드 시스템(103)으로 이러한 요청을 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 장바구니 페이지(예를 들면, 도 1d)를 생성할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 가상의 "쇼핑 장바구니(shopping cart)"에 추가한 제품을 나열한다. 사용자 디바이스는 SRP, SDP, 또는 다른 페이지의 아이콘을 클릭하거나, 상호 동작함으로써 장바구니 페이지를 요청할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 장바구니에 추가한 모든 제품 뿐 아니라 각 제품의 수량, 각 제품의 품목당 가격, 관련 수량에 기초한 각 제품의 가격, PDD에 관한 정보, 배달 방법, 배송 비용, 쇼핑 장바구니의 제품을 수정(예를 들면, 수량의 삭제 또는 수정)하기 위한 사용자 인터페이스 요소, 다른 제품의 주문 또는 제품의 정기적인 배달 설정에 대한 옵션, 할부(interest payment) 설정에 대한 옵션, 구매를 진행하기 위한 사용자 인터페이스 요소 등과 같은 장바구니의 제품에 관한 정보를 나열할 수 있다. 사용자 디바이스의 사용자는 쇼핑 장바구니에 있는 제품의 구매를 시작하기 위해 사용자 인터페이스 요소(예를 들면, "지금 구매(Buy Now)"라고 적혀있는 버튼)를 클릭하거나, 이와 상호 동작할 수 있다. 그렇게 하면, 사용자 디바이스는 구매를 시작하기 위해 이러한 요청을 외부 프론트 엔드 시스템(103)으로 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 구매를 시작하는 요청을 수신하는 것에 응답하여 주문 페이지(예를 들면, 도 1e)를 생성할 수 있다. 일부 실시예에서, 주문 페이지는 쇼핑 장바구니로부터의 아이템을 재나열하고, 결제 및 배송 정보의 입력을 요청한다. 예를 들면, 주문 페이지는 쇼핑 장바구니의 아이템 구매자에 관한 정보(예를 들면, 이름, 주소, 이메일 주소, 전화번호), 수령인에 관한 정보(예를 들면, 이름, 주소, 전화번호, 배달 정보), 배송 정보(예를 들면, 배달 및/또는 픽업 속도/방법), 결제 정보(예를 들면, 신용 카드, 은행 송금, 수표, 저장된 크레딧), 현금 영수증을 요청하는 사용자 인터페이스 요소(예를 들면, 세금 목적) 등을 요청하는 섹션을 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 사용자 디바이스에 주문 페이지를 전송할 수 있다.
사용자 디바이스는 주문 페이지에 정보를 입력하고 외부 프론트 엔드 시스템(103)으로 정보를 전송하는 사용자 인터페이스 요소를 클릭하거나, 상호 동작할 수 있다. 그로부터, 외부 프론트 엔드 시스템(103)은 정보를 시스템(100) 내의 다른 시스템으로 전송하여 쇼핑 장바구니의 제품으로 새로운 주문을 생성하고 처리할 수 있도록 한다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 판매자가 주문과 관련된 정보를 전송 및 수신할 수 있도록 추가로 구성될 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자(예를 들면, 시스템(100)을 소유, 운영 또는 임대하는 조직의 직원)가 시스템(100) 내의 하나 이상의 시스템과 상호작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 사용자가 아이템에 대한 주문을 할 수 있게 하는 시스템의 프레젠테이션을 가능하게 하는 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자가 주문에 대한 진단 및 통계 정보를 볼 수 있게 하고, 아이템 정보를 수정하며, 또는 주문에 대한 통계를 검토할 수 있게 하는 웹 서버로서 구현될 수 있다. 예를 들면, 내부 프론트 엔드 시스템(105)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 내부 프론트 엔드 시스템(105)은 (도시되지 않은 다른 디바이스뿐 아니라) 시스템(100) 내에 나타낸 시스템 또는 디바이스로부터 요청을 수신 및 처리하고, 그러한 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 (설계된 커스텀 웹 서버 소프트웨어를 실행)할 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 결제 시스템, 분석 시스템, 주문 모니터링 시스템 등 중 하나 이상을 포함할 수 있다. 일 양상에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
일부 실시예에서, 운송 시스템(107)은 시스템(100) 내의 시스템 또는 디바이스와 모바일 디바이스(107A-107C) 간의 통신을 가능하게 하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 운송 시스템(107)은 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 예를 들면, 일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원에 의해 동작되는 디바이스를 포함할 수 있다. 정규직, 임시적 또는 교대 근무일 수 있는 배달원은 사용자에 의해 주문된 제품들이 들어 있는 패키지의 배달을 위해 모바일 디바이스(107A-107C)를 이용할 수 있다. 예를 들면, 패키지를 배달하기 위해, 배달원은 배달할 패키지와 배달할 위치를 나타내는 모바일 디바이스 상의 알림을 수신할 수 있다. 배달 장소에 도착하면, 배달원은 (예를 들면, 트럭의 뒤나 패키지의 크레이트에) 패키지를 둘 수 있고, 모바일 디바이스를 사용하여 패키지 상의 식별자와 관련된 데이터(예를 들면, 바코드, 이미지, 텍스트 문자열, RFID 태그 등)를 스캔하거나, 캡처하며, (예를 들면, 현관문에 놓거나, 경비원에게 맡기거나, 수령인에게 전달하는 것 등에 의해) 패키지를 배달할 수 있다. 일부 실시예에서, 배달원은 모바일 디바이스를 사용하여 패키지의 사진(들)을 찍거나 및/또는 서명을 받을 수 있다. 모바일 디바이스는, 예를 들면, 시간, 날짜, GPS 위치, 사진(들), 배달원에 관련된 식별자, 모바일 디바이스에 관련된 식별자 등을 포함하는 배달에 관한 정보를 포함하는 정보를 운송 시스템(107)에 전송할 수 있다. 운송 시스템(107)은 시스템(100) 내의 다른 시스템에 의한 접근을 위해 데이터베이스(미도시)에 이러한 정보를 저장할 수 있다. 일부 실시예에서, 운송 시스템(107)은 다른 시스템에 특정 패키지의 위치를 나타내는 트래킹 데이터를 준비 및 전송하기 위해 이러한 정보를 사용할 수 있다.
일부 실시예에서, 특정 사용자는, 한 종류의 모바일 디바이스를 사용할 수 있는 반면(예를 들면, 정규 직원은 바코드 스캐너, 스타일러스 및 다른 장치와 같은 커스텀 하드웨어를 갖는 전문 PDA를 사용할 수 있음), 다른 사용자는 다른 종류의 모바일 디바이스를 사용할 수 있다(예를 들면, 임시 또는 교대 근무 직원이 기성 휴대 전화 및/또는 스마트폰을 사용할 수 있음).
일부 실시예에서, 운송 시스템(107)은 사용자를 각각의 디바이스와 연관시킬 수 있다. 예를 들면, 운송 시스템(107)은 사용자(예를 들면, 사용자 식별자, 직원 식별자, 또는 전화번호에 의해 표현됨)와 모바일 디바이스(예를 들면, International Mobile Equipment Identity(IMEI), International Mobile Subscription Identifier(IMSI), 전화번호, Universal Unique Identifier(UUID), 또는 Globally Unique Identifier(GUID)에 의해 표현됨) 간의 연관성(association)을 저장할 수 있다. 운송 시스템(107)은, 다른 것들 중에 작업자의 위치, 작업자의 효율성, 또는 작업자의 속도를 결정하기 위해 데이터베이스에 저장된 데이터를 분석하기 위해 배달시 수신되는 데이터와 관련하여 이러한 연관성을 사용할 수 있다.
일부 실시예에서, 판매자 포털(109)은 판매자 또는 다른 외부 엔터티(entity)가 시스템(100) 내의 하나 이상의 시스템과 전자 통신할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 판매자는 판매자 포털(109)을 사용하여 시스템(100)을 통해 판매하고자 하는 제품에 대하여, 제품 정보, 주문 정보, 연락처 정보 등을 업로드하거나 제공하는 컴퓨터 시스템(미도시)을 이용할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객(예를 들면, 디바이스(102A-102B)를 사용하는 사용자)에 의해 주문된 제품들이 들어 있는 패키지의 위치에 관한 정보를 수신, 저장 및 포워딩하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객에 의해 주문된 제품들이 들어 있는 패키지를 배달하는 배송 회사에 의해 운영되는 웹 서버(미도시)로부터 정보를 요청하거나 저장할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 시스템(100)에 나타낸 시스템들로부터 정보를 요청하고 저장할 수 있다. 예를 들면, 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107)으로부터 정보를 요청할 수 있다. 전술한 바와 같이, 운송 시스템(107)은 사용자(예를 들면, 배달원) 또는 차량(예를 들면, 배달 트럭) 중 하나 이상과 연관된 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 또한, 풀필먼트 센터(예를 들면, 풀필먼트 센터(200)) 내부의 개별 제품의 위치를 결정하기 위해 창고 관리 시스템(WMS)(119)으로부터 정보를 요청할 수 있다. 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107) 또는 WMS(119) 중 하나 이상으로부터 데이터를 요청하고, 이를 처리하며, 요청시 디바이스(예를 들면, 사용자 디바이스(102A, 102B))로 제공할 수 있다.
일부 실시예에서, 풀필먼트 최적화(FO) 시스템(113)은 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103) 및/또는 배송 및 주문 트래킹 시스템(111))으로부터의 고객 주문에 대한 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. FO 시스템(113)은 또한, 특정 아이템이 유지 또는 저장되는 곳을 나타내는 정보를 저장할 수 있다. 예를 들면, 소정 아이템은 하나의 풀필먼트 센터에만 저장될 수 있는 반면, 소정 다른 아이템은 다수의 풀필먼트 센터에 저장될 수 있다. 또 다른 실시예에서, 특정 풀필먼트 센터는 아이템의 특정 세트(예를 들면, 신선한 농산물 또는 냉동 제품)만을 저장하도록 구성될 수 있다. FO 시스템(113)은 이러한 정보뿐 아니라 관련 정보(예를 들면, 수량, 크기, 수령 날짜, 유통 기한 등)를 저장한다.
FO 시스템(113)은 또한, 각 제품에 대해 대응하는 PDD(약속된 배달 날짜)를 계산할 수 있다. 일부 실시예에서, PDD는 하나 이상의 요소에 기초할 수 있다. 예를 들면, FO 시스템(113)은 제품에 대한 과거 수요(예를 들면, 그 제품이 일정 기간 동안 얼마나 주문되었는지), 제품에 대한 예측된 수요(예를 들면, 얼마나 많은 고객이 다가오는 기간 동안 제품을 주문할 것으로 예상되는지), 일정 기간 동안 얼마나 많은 제품이 주문되었는지를 나타내는 네트워크 전반의 과거 수요, 다가오는 기간 동안 얼마나 많은 제품이 주문될 것으로 예상되는지를 나타내는 네트워크 전반의 예측된 수요, 각각의 제품을 저장하는 각 풀필먼트 센터(200)에 저장된 제품의 하나 이상의 개수, 그 제품에 대한 예상 또는 현재 주문 등에 기초하여 제품에 대한 PDD를 계산할 수 있다.
일부 실시예에서, FO 시스템(113)은 주기적으로(예를 들면, 시간별로) 각 제품에 대한 PDD를 결정하고, 검색하거나 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로 전송하기 위해 이를 데이터베이스에 저장할 수 있다. 다른 실시예에서, FO 시스템(113)은 하나 이상의 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로부터 전자 요청을 수신하고 요구에 따라 PDD를 계산할 수 있다.
일부 실시예에서, 풀필먼트 메시징 게이트웨이(FMG)(115)는 FO 시스템(113)과 같은 시스템(100) 내의 하나 이상의 시스템으로부터 하나의 포맷 또는 프로토콜로 요청 또는 응답을 수신하고, 그것을 다른 포맷 또는 프로토콜로 변환하여, 변환된 포맷 또는 프로토콜로 된 요청 또는 응답을 WMS(119) 또는 제3자 풀필먼트 시스템(121A, 121B, 또는 121C)과 같은 다른 시스템에 포워딩하며, 반대의 경우도 가능한 컴퓨터 시스템으로서 구현될 수 있다.
일부 실시예에서, 공급 체인 관리(SCM) 시스템(117)은 예측 기능을 수행하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SCM 시스템(117)은, 예를 들어 제품에 대한 과거 수요, 제품에 대한 예측된 수요, 네트워크 전반의 과거 수요, 네트워크 전반의 예측된 수요, 각각의 풀필먼트 센터(200)에 저장된 제품 개수, 각 제품에 대한 예상 또는 현재 주문 등에 기초하여, 특정 제품에 대한 수요의 수준을 예측할 수 있다. 이러한 예측된 수준과 모든 풀필먼트 센터를 통한 각 제품의 수량에 응답하여, SCM 시스템(117)은 특정 제품에 대한 예측된 수요를 만족시키기에 충분한 양을 구매 및 비축하기 위한 하나 이상의 구매 주문을 생성할 수 있다.
일부 실시예에서, 창고 관리 시스템(WMS)(119)은 작업 흐름을 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, WMS(119)는 개개의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))로부터 개별 이벤트를 나타내는 이벤트 데이터를 수신할 수 있다. 예를 들면, WMS(119)는 패키지를 스캔하기 위해 이들 디바이스 중 하나를 사용한 것을 나타내는 이벤트 데이터를 수신할 수 있다. 풀필먼트 센터(200) 및 도 2에 관하여 이하에서 논의되는 바와 같이, 풀필먼트 프로세스 동안, 패키지 식별자(예를 들면, 바코드 또는 RFID 태그 데이터)는 특정 스테이지의 기계(예를 들면, 자동 또는 핸드헬드 바코드 스캐너, RFID 판독기, 고속 카메라, 태블릿(119A), 모바일 디바이스/PDA(119B), 컴퓨터(119C)와 같은 디바이스 등)에 의해 스캔되거나 판독될 수 있다. WMS(119)는 패키지 식별자, 시간, 날짜, 위치, 사용자 식별자, 또는 다른 정보와 함께 대응하는 데이터베이스(미도시)에 패키지 식별자의 스캔 또는 판독을 나타내는 각 이벤트를 저장할 수 있고, 이러한 정보를 다른 시스템(예를 들면, 배송 및 주문 트래킹 시스템(111))에 제공할 수 있다.
일부 실시예에서, WMS(119)는 하나 이상의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))와 시스템(100)과 연관된 하나 이상의 사용자를 연관시키는 정보를 저장할 수 있다. 예를 들면, 일부 상황에서, (파트 타임 또는 풀 타임 직원과 같은) 사용자는 모바일 디바이스(예를 들면, 모바일 디바이스는 스마트폰임)를 소유한다는 점에서, 모바일 디바이스와 연관될 수 있다. 다른 상황에서, 사용자는 임시로 모바일 디바이스를 보관한다는 점에서(예를 들면, 하루의 시작에서부터 모바일 디바이스를 대여받은 사용자가, 하루 동안 그것을 사용하고, 하루가 끝날 때 그것을 반납할 것임), 모바일 디바이스와 연관될 수 있다.
일부 실시예에서, WMS(119)는 시스템(100)과 연관된 각각의 사용자에 대한 작업 로그를 유지할 수 있다. 예를 들면, WMS(119)는 임의의 할당된 프로세스(예를 들면, 트럭에서 내리기, 픽업 구역에서 아이템을 픽업하기, 리비닝 월(rebin wall) 작업, 아이템 패킹하기), 사용자 식별자, 위치(예를 들면, 풀필먼트 센터(200)의 바닥 또는 구역), 직원에 의해 시스템을 통해 이동된 유닛의 수(예를 들면, 픽업된 아이템의 수, 패킹된 아이템의 수), 디바이스(예를 들면, 디바이스(119A-119C))와 관련된 식별자 등을 포함하는, 각 직원과 관련된 정보를 저장할 수 있다. 일부 실시예에서, WMS(119)는 디바이스(119A-119C)에서 작동되는 계시(timekeeping) 시스템과 같은 계시 시스템으로부터 체크-인 및 체크-아웃 정보를 수신할 수 있다.
일부 실시예에서, 제3자 풀필먼트 (3PL) 시스템(121A-121C)은 물류 및 제품의 제3자 제공자와 관련된 컴퓨터 시스템을 나타낸다. 예를 들면, (도 2와 관련하여 이하에서 후술하는 바와 같이) 일부 제품이 풀필먼트 센터(200)에 저장되는 반면, 다른 제품은 오프-사이트(off-site)에 저장될 수 있거나, 수요에 따라 생산될 수 있으며, 달리 풀필먼트 센터(200)에 저장될 수 없다. 3PL 시스템(121A-121C)은 FO 시스템(113)으로부터 (예를 들면, FMG(115)를 통해) 주문을 수신하도록 구성될 수 있으며, 고객에게 직접 제품 및/또는 서비스(예를 들면, 배달 또는 설치)를 제공할 수 있다. 일부 구현예에서, 하나 이상의 3PL 시스템(121A-121C)은 시스템(100)의 일부일 수 있지만, 다른 구현예에서는, 하나 이상의 3PL 시스템(121A-121C)이 시스템(100)의 외부에 있을 수 있다(예를 들어, 제3자 제공자에 의해 소유 또는 운영됨)일 수 있다.
일부 실시예에서, 풀필먼트 센터 인증 시스템(FC Auth)(123)은 다양한 기능을 갖는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 일부 실시예에서, FC Auth(123)는 시스템(100) 내의 하나 이상의 다른 시스템에 대한 단일-사인 온(single-sign on, SSO) 서비스로서 작동할 수 있다. 예를 들면, FC Auth(123)는 내부 프론트 엔드 시스템(105)을 통해 사용자가 로그인하게 하고, 사용자가 배송 및 주문 트래킹 시스템(111)에서 리소스에 액세스하기 위해 유사한 권한을 갖고 있다고 결정하며, 두 번째 로그인 프로세스 요구 없이 사용자가 그러한 권한에 액세스할 수 있게 한다. 다른 실시예에서, FC Auth(123)는 사용자(예를 들면, 직원)가 자신을 특정 작업과 연관시킬 수 있게 한다. 예를 들면, 일부 직원은 (디바이스(119A-119C)와 같은) 전자 디바이스를 갖지 않을 수 있으며, 대신 하루 동안 풀필먼트 센터(200) 내에서 작업들 사이 및 구역들 사이에서 이동할 수 있다. FC Auth(123)는 이러한 직원들이 상이한 시간 대에 수행 중인 작업과 속해 있는 구역을 표시할 수 있도록 구성될 수 있다.
일부 실시예에서, 노동 관리 시스템(LMS)(125)은 직원(풀-타임 및 파트-타임 직원을 포함함)에 대한 출근 및 초과 근무 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, LMS(125)는 FC Auth(123), WMS(119), 디바이스(119A-119C), 운송 시스템(107), 및/또는 디바이스(107A-107C)로부터 정보를 수신할 수 있다.
도 1a에 나타낸 특정 구성은 단지 예시일 뿐이다. 예를 들면, 도 1a는 FO 시스템(113)에 연결된 FC Auth 시스템(123)을 나타낸 반면, 모든 실시예가 이러한 특정 구성을 필요로 하는 것은 아니다. 실제로, 일부 실시예에서, 시스템(100) 내의 시스템은 인터넷, 인트라넷, WAN(Wide-Area Network), MAN(Metropolitan-Area Network), IEEE 802.11a/b/g/n 표준을 따르는 무선 네트워크, 임대 회선 등을 포함하는 하나 이상의 공공 또는 사설 네트워크를 통해 서로 연결될 수 있다. 일부 실시예에서, 시스템(100) 내의 시스템 중 하나 이상은 데이터 센터, 서버 팜 등에서 구현되는 하나 이상의 가상 서버로서 구현될 수 있다.
도 2는 풀필먼트 센터(200)를 나타낸다. 풀필먼트 센터(200)는 주문시 고객에게 배송하기 위한 아이템을 저장하는 물리적 장소의 예시이다. 풀필먼트 센터(FC)(200)는 다수의 구역으로 분할될 수 있으며, 각각이 도 2에 도시된다. 일부 실시예에서, 이러한 "구역(zones)"은 아이템을 수령하고, 아이템을 저장하고, 아이템을 검색하고, 아이템을 배송하는 과정의 상이한 단계 사이의 가상 구분으로 생각될 수 있다. 따라서, "구역"이 도 2에 나타나 있으나, 일부 실시예에서, 구역의 다른 구분도 가능하고, 도 2의 구역은 생략, 복제, 또는 수정될 수 있다.
인바운드 구역(203)은 도 1a의 시스템(100)을 사용하여 제품을 판매하고자 하는 판매자로부터 아이템이 수신되는 FC(200)의 영역을 나타낸다. 예를 들면, 판매자는 트럭(201)을 사용하여 아이템(202A, 202B)을 배달할 수 있다. 아이템(202A)은 자신의 배송 팔레트(pallet)를 점유하기에 충분히 큰 단일 아이템을 나타낼 수 있으며, 아이템(202B)은 공간을 절약하기 위해 동일한 팔레트 상에 함께 적층되는 아이템의 세트를 나타낼 수 있다.
작업자는 인바운드 구역(203)의 아이템을 수령하고, 선택적으로 컴퓨터 시스템(미도시)을 사용하여 아이템이 손상되었는지 및 정확한지를 체크할 수 있다. 예를 들면, 작업자는 아이템(202A, 202B)의 수량을 아이템의 주문 수량과 비교하기 위해 컴퓨터 시스템을 사용할 수 있다. 수량이 일치하지 않는다면, 해당 작업자는 아이템(202A, 202B) 중 하나 이상을 거부할 수 있다. 수량이 일치한다면, 작업자는 그 아이템들을 (예를 들면, 짐수레(dolly), 핸드트럭(handtruck), 포크리프트(forklift), 또는 수작업으로) 버퍼 구역(205)으로 운반할 수 있다. 버퍼 구역(205)은, 예를 들면, 예측된 수요를 충족시키기 위해 픽업 구역에 그 아이템이 충분한 수량만큼 있기 때문에, 픽업 구역에서 현재 필요하지 않은 아이템에 대한 임시 저장 영역일 수 있다. 일부 실시예에서, 포크리프트(206)는 버퍼 구역(205) 주위와 인바운드 구역(203) 및 드롭 구역(207) 사이에서 아이템을 운반하도록 작동한다. (예를 들면, 예측된 수요로 인해) 픽업 구역에 아이템(202A, 202B)이 필요하면, 포크리프트는 아이템(202A, 202B)을 드롭 구역(207)으로 운반할 수 있다.
드롭 구역(207)은 픽업 구역(209)으로 운반되기 전에 아이템을 저장하는 FC(200)의 영역일 수 있다. 픽업 동작에 할당된 작업자("피커(picker)")는 픽업 구역의 아이템(202A, 202B)에 접근하고, 픽업 구역에 대한 바코드를 스캔하며, 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A, 202B)과 관련된 바코드를 스캔할 수 있다. 그 다음 피커는 (예를 들면, 카트에 놓거나 운반함으로써) 픽업 구역(209)에 아이템을 가져갈 수 있다.
픽업 구역(209)은 아이템(208)이 저장 유닛(210)에 저장되는 FC(200)의 영역일 수 있다. 일부 실시예에서, 저장 유닛(210)은 물리적 선반, 책꽂이, 박스, 토트(tote), 냉장고, 냉동고, 저온 저장고 등 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 픽업 구역(209)은 다수의 플로어로 편성될 수 있다. 일부 실시예에서, 작업자 또는 기계는, 예를 들면, 포크리프트, 엘리베이터, 컨베이어 벨트, 카트, 핸드트럭, 짐수레, 자동화된 로봇 또는 디바이스, 또는 수작업을 포함하는 다양한 방식으로 아이템을 픽업 구역(209)으로 운반할 수 있다. 예를 들면, 피커는 아이템(202A, 202B)을 드롭 구역(207)의 핸드트럭 또는 카트에 놓을 수 있으며, 아이템(202A, 202B)을 픽업 구역(209)으로 가져갈 수 있다.
피커는 저장 유닛(210) 상의 특정 공간과 같은 픽업 구역(209)의 특정 스팟에 아이템을 배치(또는 "적재(stow)")하라는 명령을 수신할 수 있다. 예를 들면, 피커는 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A)을 스캔할 수 있다. 디바이스는, 예를 들면, 통로, 선반 및 위치를 나타내는 시스템을 사용하여, 아이템(202A)을 적재해야 하는 위치를 나타낼 수 있다. 그 다음 디바이스는 그 위치에 아이템(202A)을 적재하기 전에 피커가 그 위치에서 바코드를 스캔하도록 할 수 있다. 디바이스는 도 1a의 WMS(119)와 같은 컴퓨터 시스템에 아이템(202A)이 디바이스(119B)를 사용하는 사용자에 의해 그 위치에 적재되었음을 나타내는 데이터를 (예를 들면, 무선 네트워크를 통해) 전송할 수 있다.
일단 사용자가 주문을 하면, 피커는 저장 유닛(210)으로부터 하나 이상의 아이템(208)을 검색하기 위해 디바이스(119B)에 명령을 수신할 수 있다. 피커는 아이템(208)을 검색하고, 아이템(208) 상의 바코드를 스캔하며, 운송 기구(214) 상에 놓을 수 있다. 일부 실시예에서, 운송 기구(214)가 슬라이드로서 표현되지만, 운송 기구는 컨베이어 벨트, 엘리베이터, 카트, 포크리프트, 핸드트럭, 짐수레, 카트 등 중 하나 이상으로서 구현될 수 있다. 그 다음 아이템(208)은 패킹 구역(211)에 도착할 수 있다.
패킹 구역(211)은 아이템이 픽업 구역(209)으로부터 수령되고 고객에게 최종 배송하기 위해 박스 또는 가방에 패킹되는 FC(200)의 영역일 수 있다. 패킹 구역(211)에서, 아이템을 수령하도록 할당된 작업자("리비닝 작업자(rebin worker)")는 픽업 구역(209)으로부터 아이템(208)을 수령하고, 그것이 어느 주문에 대응하는지를 결정할 것이다. 예를 들면, 리비닝 작업자는 아이템(208) 상의 바코드를 스캔하기 위해 컴퓨터(119C)와 같은 디바이스를 사용할 수 있다. 컴퓨터(119C)는 아이템(208)이 어느 주문과 관련이 있는지를 시각적으로 나타낼 수 있다. 이는, 예를 들면, 주문에 대응하는 월(216) 상의 공간 또는 "셀(cell)"을 포함할 수 있다. (예를 들면, 셀에 주문의 모든 아이템이 포함되어 있기 때문에) 일단 주문이 완료되면, 리비닝 작업자는 패킹 작업자(또는 "패커(packer)")에게 주문이 완료된 것을 알릴 수 있다. 패커는 셀로부터 아이템을 검색하고, 배송을 위해 이들을 박스 또는 가방에 놓을 수 있다. 그 다음 패커는, 예를 들면, 포크리프트, 카트, 짐수레, 핸드트럭, 컨베이어 벨트, 수작업 또는 다른 방법을 통해, 박스 또는 가방을 허브 구역(213)으로 보낼 수 있다.
허브 구역(213)은 패킹 구역(211)으로부터 모든 박스 또는 가방("패키지(packages)")을 수신하는 FC(200)의 영역일 수 있다. 허브 구역(213)의 작업자 및/또는 기계는 패키지(218)를 검색하고, 각 패키지가 배달 영역의 어느 부분으로 배달되도록 되어 있는지를 결정하며, 패키지를 적합한 캠프 구역(215)으로 보낼 수 있다. 예를 들면, 배달 영역이 2개의 작은 하위 영역을 갖는다면, 패키지는 2개의 캠프 구역(215) 중 하나로 보내질 것이다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 패키지를 캠프 구역(215)으로 보내는 것은, 예를 들면, (우편 번호에 기초하여) 패키지가 향하는 지리적 영역의 부분을 결정하고, 지리적 영역의 부분과 관련된 캠프 구역(215)을 결정하는 것을 포함할 수 있다.
일부 실시예에서, 캠프 구역(215)은 루트 및/또는 서브-루트로 분류하기 위해 허브 구역(213)으로부터 패키지가 수령되는 하나 이상의 빌딩, 하나 이상의 물리적 공간, 또는 하나 이상의 영역을 포함할 수 있다. 일부 실시예에서, 캠프 구역(215)은 FC(200)로부터 물리적으로 분리되어 있는 반면, 다른 실시예에서는 캠프 구역(215)은 FC(200)의 일부를 형성할 수 있다.
캠프 구역(215)의 작업자 및/또는 기계는, 예를 들면, 목적지와 기존 루트 및/또는 서브-루트의 비교, 각각의 루트 및/또는 서브-루트에 대한 작업량의 계산, 하루 중 시간, 배송 방법, 패키지(220)를 배송하기 위한 비용, 패키지(220)의 아이템과 관련된 PDD 등에 기초하여 패키지(220)가 어느 루트 및/또는 서브-루트와 연관되어야 하는지를 결정할 수 있다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 일단 패키지(220)가 특정 루트 및/또는 서브-루트에 할당되면, 작업자 및/또는 기계는 배송될 패키지(220)를 운반할 수 있다. 예시적인 도 2에서, 캠프 구역(215)은 트럭(222), 자동차(226), 배달원(224A, 224B)을 포함한다. 일부 실시예에서, 배달원(224A)이 트럭(222)을 운전할 수 있는데, 이 때 배달원(224A)은 FC(200)에 대한 패키지를 배달하는 풀-타임 직원이며, 트럭은 FC(200)를 소유, 임대 또는 운영하는 동일한 회사에 의해 소유, 임대, 또는 운행된다. 일부 실시예에서, 배달원(224B)이 자동차(226)를 운전할 수 있는데, 이 때 배달원(224B)은 필요에 따라(예를 들면, 계절에 따라) 배달하는 "플렉스(flex)" 또는 비상시적인 작업자이다. 자동차(226)는 배달원(224B)에 의해 소유, 임대 또는 운행될 수 있다.
도 3을 참조하면, 제품 타이틀에서 부정확성을 검출하기 위한 시스템의 예시적인 실시예를 나타내는 개략적인 블록도가 도시되어 있다. 도 3에 도시된 바와 같이, 시스템(300)은 제품 타이틀 품질 검출 시스템(301), 판매자 리스팅 시스템(303), 카탈로그 시스템(310) 및 데이터베이스(304)를 포함할 수 있으며, 이들 각각은 네트워크(302)를 통해 서로 통신할 수 있다. 일부 실시예에서, 제품 타이틀 품질 검출 시스템(301), 판매자 리스팅 시스템(303) 및 카탈로그 시스템(310)은 예를 들어 케이블을 사용하는 직접 연결을 통해 서로 그리고 시스템(300)의 다른 구성 요소와 통신할 수 있다. 일부 다른 실시예에서, 시스템(300)은 도 1a의 시스템(100)의 일부일 수 있고, 네트워크(302)를 통하거나 또는 예를 들어 케이블을 사용하는 직접 연결을 통해 시스템(100)의 다른 구성 요소(예를 들어, 외부 프론트 엔드 시스템(103) 또는 내부 프론트 엔드 시스템(105))와 통신할 수 있다. 제품 타이틀 품질 검출 시스템(301), 판매자 리스팅 시스템(303) 및/또는 카탈로그 시스템(310)은 단일 컴퓨터를 각각 포함할 수 있거나 또는 개시된 실시예와 연관된 프로세스들 및 기능들 중 하나 이상을 수행하기 위해 상호 동작하는 다수의 컴퓨터를 포함하는 분산 컴퓨터 시스템으로서 각각 구성될 수 있다.
도 3에 도시된 바와 같이, 제품 타이틀 품질 검출 시스템(301)은 프로세서(305), 메모리(306) 및 데이터베이스(307)를 포함할 수 있다. 판매자 리스팅 시스템(340)은 프로세서(308), 및 메모리(309)를 포함할 수 있다. 카달로그 시스템(310)은 또한 프로세서(도시하지 않음)와 메모리(도시하지 않음)를 포함할 수 있다. 프로세서(305 및 308)는 IntelTM에 의해 생산된 PentiumTM 패밀리 또는 AMDTM에 의해 생산된 TurionTM 패밀리의 마이크로 프로세서와 같은 하나 이상의 공지된 프로세싱 디바이스일 수 있다. 프로세서(305 및 308)는 단일 코어 또는 동시에 병렬로 프로세스들을 실행시키는 멀티 코어 프로세서를 구성할 수 있다. 예를 들어, 프로세서(305 및 308)는 다수의 프로세스를 동시에 실행 및 제어하기 위해 논리 프로세서를 사용할 수 있다. 프로세서(305 및 308)는 가상 머신 기술 또는 다수의 소프트웨어 프로세스, 애플리케이션, 프로그램 등을 실행, 제어, 구동, 조작, 저장 등을 행하는 능력을 제공하는 다른 공지된 기술들을 구현할 수 있다. 다른 예시에서, 프로세서(305 및 308)는 제품 타이틀 품질 검출 시스템(301), 판매자 리스팅 시스템(340), 및 카달로그 시스템(310)이 다수의 프로세스를 동시에 실행할 수 있게 하는 병렬 처리 기능을 제공하도록 구성된 멀티-코어 프로세서 장치를 포함할 수 있다. 통상의 기술자는 여기에 개시된 성능을 제공하는 다른 유형의 프로세서 장치가 구현될 수 있다는 것을 이해할 것이다.
메모리(306 및 309)는 각각이 프로세서(305 및 308)에 의해 실행될 때 알려진 운영 시스템 기능을 수행하는 하나 이상의 운영 시스템을 저장할 수 있다. 예로서, 운영 시스템은 Microsoft Windows, Unix, Linux, Android, Mac OS, iOS 또는 다른 유형의 운영 시스템을 포함할 수 있다. 따라서, 개시된 발명의 예시들은 임의 유형의 운영 시스템을 구동시키는 컴퓨터 시스템으로 동작 및 기능할 수 있다. 메모리(306 및 309)는 휘발성 또는 비휘발성, 자기적, 반도체, 테이프, 광학적, 분리형, 비분리형 또는 다른 유형의 저장 디바이스 또는 유형적(tangible) 컴퓨터 판독 가능 매체일 수 있다.
데이터베이스(304 및 307)는 예를 들어 Oracle™ 데이터베이스, Sybase™ 데이터베이스 또는 기타 관계형 데이터베이스 또는 Hadoop™ 시퀀스 파일, HBase™ 또는 Cassandra™과 같은 비-관계형 데이터베이스를 포함할 수 있다. 데이터베이스(304 및 307)는 데이터베이스(들)의 메모리 디바이스에 저장된 데이터에 대한 요청을 수신 및 처리하고 데이터베이스(들)로부터의 데이터를 제공하도록 구성된 컴퓨팅 구성요소(예를 들어, 데이터베이스 관리 시스템, 데이터베이스 서버 등)를 포함할 수 있다. 데이터베이스(304 및 307)는 HBase, MongoDBTM 또는 CassandraTM와 같은 NoSQL 데이터베이스를 포함할 수 있다. 대안적으로, 데이터베이스(304 및 307)는 Oracle, MySQL 및 Microsoft SQL 서버와 같은 관계형 데이터베이스를 포함할 수 있다. 일부 실시예들에서, 데이터베이스(304 및 307)는 서버, 범용 컴퓨터, 메인프레임 컴퓨터, 또는 이들 구성요소의 임의의 조합의 형태를 취할 수 있다.
데이터베이스(304 및 307)는 각각이 개시된 예시들과 연관된 방법 및 프로세스를 수행하기 위해, 프로세서(305 및 308)에 의해 사용될 수 있는 데이터를 저장할 수 있다. 도 3에 도시된 바와 같이, 데이터베이스(307)는 제품 타이틀 품질 검출 시스템(301)에 위치될 수 있다. 일부 실시예에서, 데이터베이스(304)는 판매자 리스팅 시스템(303) 및/또는 카탈로그 시스템(310)에 위치될 수 있다. 일부 실시예에서, 시스템(300)은 데이터베이스(304) 또는 데이터베이스(307) 중 하나 또는 모두를 포함할 수 있다. 제품 타이틀 품질 검출 시스템(301)에 저장된 데이터는 제품과 연관된 타이틀에서 부정확성을 식별하는데 사용될 수 있는, 제품과 연관된 임의의 적합한 데이터를 포함할 수 있다. 예를 들어, 제품 타이틀 품질 검출 시스템(301)에 저장된 데이터는 제품 유형명, 제품 유형 키워드, 관련 또는 동의어 제품 유형 키워드, 제품명, 제품 이미지, 제품 브랜드, 제품 설명, 제품 제조업체명, 제품 카테고리 정보, 제품과 연관된 검색 태그(들), 제품 속성 정보 등을 포함할 수 있다. 일부 실시예에서, 데이터베이스(304)에 저장된 데이터는 제품과 연관된 적합한 훈련 데이터를 포함할 수 있다. 예를 들어, 데이터베이스(304)에 저장된 데이터는 또한 제품 유형명, 제품 유형 키워드, 관련 또는 동의어 제품 유형 키워드, 제품명, 제품 이미지, 제품 브랜드, 제품 설명, 제품 제조업체명, 제품 카테고리 정보, 제품과 연관된 검색 태그(들), 제품 속성 정보 등을 포함할 수 있다. 일부 실시예에서, 제품과 연관된 이러한 훈련 데이터는 데이터베이스(304)와 같은 외부 데이터베이스 보다는 카탈로그 시스템(310)에 직접 저장될 수 있다. 따라서, 제품 타이틀 품질 검출 시스템(301)은 카탈로그 시스템(310)에 저장된 훈련 데이터를 사용하여 제품 타이틀 품질 검출 시스템(301)과 연관된 하나 이상의 모델 및/또는 알고리즘을 훈련하기 위해, 네트워크(302)를 통해 카탈로그 시스템(310)과 통신할 수 있다.
카탈로그 시스템(310)은 제품과 연관된 제품 유형과 제품과 연관된 타이틀을 포함하는 훈련 데이터를 수신할 수 있다. 카탈로그 시스템(310)은 상이한 방법들의 조합을 사용하여 훈련 데이터를 수집할 수 있다. 훈련 데이터 수집 방법은 휴먼 라벨링 데이터(human labeled data), 가상 제품 데이터, 매핑 가이드라인 키워드 데이터 또는 실제 제품의 셀렉션을 포함할 수 있다. 예를 들어, 카탈로그 시스템(310)은 내부 프론트 엔드 시스템(105)을 통해 내부 사용자들(예를 들어, 시스템(100)을 소유, 운영, 또는 임대하는 기관의 직원)로부터 훈련 데이터를 수신할 수 있다. 다른 실시예에서, 카달로그 시스템(310)은 판매자 리스팅 시스템(303)으로부터 훈련 데이터를 수신할 수 있다. 예를 들어, 카탈로그 시스템(310)은 판매자 리스팅 시스템(303)의 하나 이상의 프로세서(308)로부터 제품과 연관된 타이틀 및 제품과 연관된 제품 유형과 같은 훈련 데이터를 수집할 수 있다.
휴먼 라벨링 데이터는 한 명 이상의 사용자로부터 수동으로 입력된 제품 정보를 포함할 수 있다. 가상 제품 데이터는 기존 제품 타이블을 사용하여 증강 훈련 데이터를 자동 생성하는 것을 포함할 수 있다. 예를 들어, 카탈로그 시스템(310)은 기존의 제품 타이틀부터 얻어진 키워드들을 사용하여 제품 유형을 포함하는 적어도 하나의 훈련 데이터 포인트를 자동적으로 생성할 수 있다. 제품 유형이 기존 제품 타이틀에서 검색되기 때문에, 가상 제품 데이터를 생성하는 것은 훈련시킬 모델(들)의 견고성을 향상시킬 수 있다.
매핑 가이드라인 키워드 데이터는 실제 제품을 사용하여 증강된 훈련데이터를 자동으로 생성하는 것을 포함할 수 있다. 예를 들어, 카탈로그 시스템(310)은 적어도 하나의 키워드에 매핑되는 실제 제품에 대해, 데이터베이스(304)와 같은 데이터베이스를 검색함으로써 적어도 하나의 훈련 데이터 포인트를 자동으로 생성할 수 있다. 실제 제품이 이미 제품 식별 번호에 매핑되어 있고 그것의 연관 제품 타이틀 중 하나에 상기의 적어도 하나의 키워드를 포함하면, 훈련 데이터 시스템(310)은 실제 제품에 올바르고 정확한 제품 타이틀이 할당된 것으로 간주하고 실제 제품에 중복하여 새로운 훈련 데이터를 생성한다. 매핑 가이드라인 키워드 데이터를 생성하는 것은 훈련될 모델(들)의 견고성을 향상시킬 수 있는데, 이는 훈련될 모델(들)로 공급되는 올바르고 정확한 제품 타이틀과 연관된 훈련 데이터의 양이 증가하기 때문이다.
일부 실시예에서, 제품 타이틀 품질 검출 시스템(301)의 하나 이상의 프로세서(305)는 제품과 연관된 타이틀에 기초하여 제품과 연관된 제품 유형을 예측하기 위해 하나 이상의 모델을 생성하기 위해 카달로그 시스템(310)으로부터 훈련 데이터를 사용할 수 있다. 예를 들어, 아래에서 논의되는 것처럼, 하나 이상의 프로세서(305)는 제품 타이틀에 기초하여 제품과 연관된 제품 유형을 예측하기 위해 기계 학습 모델, 이미지 모델 및/또는 분류(classification) 모델을 생성할 수 있다.
일부 실시예에서, 하나 이상의 프로세서(305)는 제품과 연관된 타이틀에서 부정확성을 검출하고 판매자 리스팅 시스템(303)의 하나 이상의 프로세서(308)에 메시지를 자동으로 전송할 수 있다. 이 메시지는 제품 타이블이 부정확성을 포함한다는 것을 나타내는, 거부 메시지, 거부 코드, 경고 코드, 및/또는 경고 메시지를 포함할 수 있다. 이 메시지는 또한 제품 타이틀을 수정해야 한다는 것을 나타낼 수 있다. 일부 실시예에서, 하나 이상의 프로세서(305)는 판매자 리스팅 시스템(303)의 하나 이상의 프로세서(308)에 메시지를 전송하고 부정확한 제품 타이틀을 교체할 새로운 제품 타이틀을 추천할 수 있다.
일부 실시예에서, 하나 이상의 프로세서(305)는 사용자의 로그-인 세션과 연관된 정보에 기초하는 제품과 연관된 제품 유형을 결정할 수 있다. 예를 들어, 하나 이상의 프로세서(305)는 사용자의 로그인 세션 이력에 액세스할 수 있으며, 사용자의 로그인 세션 이력은 사용자가 이전에 클릭하거나 검색했던 제품과 같은 정보를 포함할 수 있다. 예를 들어, 사용자의 로그인 세션 이력은 사용자가 사용자의 이전 로그인 세션 동안에 클릭한 순차적인 제품들의 목록을 포함할 수 있다. 하나 이상의 프로세서(305)는 순차적인 제품의 각각과 연관된 제품 유형을 결정할 수 있고 제품 유형의 시퀀스를 식별할 수 있다. 하나 이상의 프로세서(305)는 자주 나타나는 제품 유형의 시퀀스를 식별하기 위해 하나 이상의 사용자의 이전 로그인 세션에 액세스할 수 있다. 사용자의 로그인 세션에서 자주 나타나는 제품 유형의 식별된 시퀀스에 기초하여, 하나 이상의 프로세서(305)는 제품 유형의 식별된 시퀀스에 있는 하나 이상의 제품 유형이 서로 관련되어 있다고 결정할 수 있다.
시스템(300)은 또한 네트워크(302)를 포함할 수 있다. 네트워크(302)는 무선 네트워크, 유선 네트워크 또는 무선 네트워크와 유선 네트워크의 임의 조합 중 하나 이상을 포함할 수 있다. 예를 들어, 네트워크(302)는 광섬유 네트워크, 수동 광 네트워크, 케이블 네트워크, 인터넷 네트워크, 위성 네트워크, 무선 LAN, GSM(Global System for Mobile Communication), PCS(Personal Communication Service), PAN(Personal Area Network), D-AMPS, Wi-Fi, 고정 무선 데이터, IEEE 802.11b, 802.15.1, 802.11n, 및 802.11g, 또는 데이터를 송수신하기 위한 임의의 다른 유선 또는 무선 네트워크 중 하나 이상을 포함할 수 있다.
또한, 네트워크(302)는 전화선, 광섬유, IEEE 이더넷 802.3, WAN(Wide Area Network), LAN(Local Area Network), 또는 인터넷과 같은 글로벌 네트워크를 포함할 수 있으나, 이것들로 제한되지는 않는다. 또한 네트워크(302)는 인터넷 네트워크, 무선 통신 네트워크, 셀룰러 네트워크 등, 또는 이들의 임의의 조합을 지원할 수 있다. 네트워크(302)는 독립형 네트워크로서 또는 서로 협력하여 동작하는, 하나의 네트워크 또는 위에서 언급된 임의 개수의 예시적인 유형들의 네트워크를 더 포함할 수 있다. 네트워크(302)는 그들이 통신 가능하게 결합되는 하나 이상의 네트워크 요소의 하나 이상의 프로토콜을 이용할 수 있다. 네트워크(302)는 다른 프로토콜로 또는 다른 프로토콜로부터 네트워크 디바이스들의 하나 이상의 프로토콜로 변환할 수 있다. 네트워크(302)가 단일 네트워크로서 도시되었지만, 하나 이상의 실시예들에 따르면, 네트워크(302)는 예를 들어 인터넷, 서비스 제공자의 네트워크, 케이블 텔레비전 네트워크, 기업 네트워크, 및 홈 네트워크와 같은 복수의 상호연결 네트워크를 포함할 수 있음이 이해되어야 한다.
도 4는 제품 타이틀에서 부정확성을 검출하기 위한 예시적인 방법(400)을 나타내는 순서도이다. 이 예시적인 방법은 예로서 제공된다. 도 4에 도시된 방법(400)은 다양한 시스템의 하나 이상의 조합에 의해 실행되거나 수행될 수 있다. 방법(400)은 도 3에 도시된 바와 같이, 제품 타이틀 품질 검출 시스템(301)에 의해 수행될 수 있고, 예로서, 그 시스템의 다양한 요소들이 도 4의 방법을 설명하는데 참조된다. 도 4에 도시된 각 블록은 예시적 방법(400)에서의 하나 이상의 프로세스, 방법, 또는 서브루틴을 나타낸다. 도 4를 참조하면, 예시적인 방법(400)은 블록(401)에서 시작할 수 있다.
블록(401)에서, 제품 타이틀 품질 검출 시스템(301)의 하나 이상의 프로세서(305)는 제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 제품과 연관된 적어도 하나의 제품 유형을 식별할 수 있다. 예를 들어, 하나 이상의 프로세서(305)는 임의의 제품 타이틀 부정확성을 위해 판매자 리스팅 시스템(303) 및 모니터 시스템(303)에 액세스할 수 있다. 하나 이상의 프로세서(305)는 지속적으로 또는 미리 결정된 스케줄(예를 들어, 30분마다 한번, 매시간마다 한번, 5시간마다 한번, 10시간마다 한번, 24시간마다 한번, 일주일에 한번, 일주일에 두 번 등)로 판매자 리스팅 시스템(303)에 리스팅된 제품들을 모니터링할 수 있다.
임의의 제품 타이틀 부정확성을 식별하기 위해 판매자 리스팅 시스템(303)에 리스팅된 제품들을 모니터링하기 위해, 하나 이상의 프로세서(305)는 제품 타이틀에 대해 문자열 알고리즘을 실행할 수 있다. 예를 들어, 하나 이상의 프로세서(305)는 데이터베이스(304) 또는 데이터베이스(307)와 같은 데이터베이스에 저장된 토큰 사전(token dictionary)을 참조함으로써, 그리고 하나의 키워드를 다수의 키워드로 나눌지 여부를 판단하기 위해 Aho-Corasick 알고리즘과 같은 문자열 알고리즘을 실행함으로써 제품 타이틀에 있는 키워드들을 토큰화할 수 있다. 예를 들어, (한국어와 같은) 특정 언어로 쓰여진 제품 타이틀에 있는 키워드들은 띄어쓰기 없는 단일 텍스트 스트링으로 저장될 수 있다. (유창한 스피커는 이 텍스트 스트링이 다양한 단어들의 조합으로 나누어질 수 있다는 것을 이해할 것이다.) 하나 이상의 프로세서(305)는 입력 텍스트 내에서 유한(finite) 스트링 세트(예를 들어, "사전")의 요소를 찾아내는 사전-매칭 알고리즘인 Aho-Corasick 알고리즘을 실행할 수 있다. 해당 알고리즘은 하나 이상의 프로세서(305)가 저장된 사전 내에 리스팅되어 있지 않은 "분할(split)" 단어들을 제거하면서, 제품 타이틀에서 실제 키워드를 수집할 수 있도록, 동시에 모든 스트링을 매칭할 수 있다. 키워드 토큰화는 훈련 데이터 세트로부터 모델 훈련 프로세스의 속도를 둔화시키는 불필요한 단어들을 제거함으로써 훈련될 모델(들)의 견고성을 높일 수 있다. 추가적 또는 대안적으로, 하나 이상의 프로세서(305)는 트라이(trie) 데이터를 생성 및 처리할 수 있는 임의의 다른 문자열 알고리즘(들)을 실행할 수 있다.
일부 실시예에서, 제품 타이틀에 대해 Aho-Corasick 알고리즘과 같은 문자열 알고리즘을 실행하는 것은, 제품 타이틀 내의 스트링 세트를 수신하는 것과 수신된 스트링 세트에 기초하여 트라이를 생성하는 것을 포함할 수 있다. 트라이는 스트링 세트의 첫 번째 문자에 대한 노드들의 제1 레벨과 스트링 세트의 첫 번째 문자 이외의 n 문자에 대한 노드들의 n 레벨을 포함할 수 있다. 제품 타이틀을 수신한 후, 하나 이상의 프로세서(305)는 매치를 찾기 위해 제품 타이틀을 사용하여 트라이를 순회(traverse)할 수 있다. 생성된 트라이를 순회함으로써, 하나 이상의 프로세서(305)는 제품 타이틀에 있는 스트링 세트를 실제 키워드와 "분할" 단어로 나눌 수 있다.
문자열 알고리즘을 실행함으로써 "분할" 단어들을 제거하고 제품 타이틀에 있는 하나 이상의 실제 키워드를 식별한 후, 하나 이상의 프로세서(305)는 제품 타이틀로부터 추출된 실제 키워드에 기초하여 제품과 연관된 제품 유형을 식별할 수 있다. 예를 들어, 데이터베이스(304) 또는 데이터베이스(307)는 제품 유형들과 각 제품 유형과 연관된 키워드를 포함하는, 룩업 테이블을 저장할 수 있다. 하나 이상의 프로세서(305)는 제품과 연관된 타이틀로부터 추출된 실제 키워드와 룩업 테이블에 저장된 키워드를 비교할 수 있고 제품과 연관된 적어도 하나의 제품 유형을 결정할 수 있다. 일부 실시예에서, 키워드는 제품과 연관된 브랜드를 포함할 수 있다. 예를 들어, 문자열 알고리즘을 실행함으로써, 하나 이상의 프로세서(305)는 제품 타이틀로부터 하나 이상의 브랜드를 추출할 수 있다.
문자열 알고리즘을 실행함으로써 제품과 연관된 적어도 하나의 제품 유형을 식별한 후, 방법(400)은 블록(402)으로 진행할 수 있다. 블록(402)에서, 제품 타이틀 품질 검출 시스템(301)의 하나 이상의 프로세서(305)는, 기계 학습 알고리즘을 사용하여, 제품과 연관된 적어도 하나의 제품 유형을 예측할 수 있다. 예를 들어, 하나 이상의 프로세서(305)는 예컨대, 상술된 문자열 알고리즘을 실행함으로써 제품 타이틀로부터 키워드를 식별할 수 있고, 해당 키워드를 벡터 표현으로 변환하기 위해, fastText와 같은 단어 임베딩 및 텍스트 분류의 학습을 위한 라이브러리를 사용할 수 있다. 하나 이상의 프로세서(305)는 각 키워드의 문자 n-그램에 대한 벡터 표현을 학습하기 위해 라이브러리를 사용할 수 있다. 예를 들어, 각 키워드는 문자-그램으로 표현될 수 있다. 이어서, 각 키워드는 문자 n-그램의 백(bag)으로서 표현될 수 있고, 하나 이상의 프로세서(305)는 전체 단어 임베딩을 결정하기 위해 각 키워드의 각 문자-그램을 합할 수 있다. 따라서, 전체 단어 임베딩은 문자 n-그램의 합일 수 있다.
예로서 , 하나 이상의 프로세서(305)는, 단어 "where"에 대한 벡터가 트라이그램들: <wh, whe, her, ere, re>(여기서 괄호 <,>는 단어의 시작과 끝을 나타내는 경계 기호임)의 합으로 표현되는 경우, n-그램을 3으로 자동 설정할 수 있다. 각 단어가 n-그램의 합으로 표현된 후에, 잠재(latent) 텍스트 임베딩은 단어 임베딩의 평균으로 유도되며, 이때 제품과 연관된 타이틀에 기초하여, 제품과 연관된 적어도 하나의 제품 유형을 예측하기 위해, 하나 이상의 프로세서(305)에 의해 텍스트 임베딩이 사용될 수 있다. 이 프로세스는 희귀 키워드 또는 훈련 데이터 세트에 포함되지 않았던 키워드를 식별하는데 유리할 수 있다.
일부 실시예에서, 제품과 연관된 적어도 하나의 제품 유형을 예측한 후, 하나 이상의 프로세서(305)는 각 제품 유형을 벡터에 임베딩할 수 있다. 따라서, 복수의 제품 유형이 제품과 연관된 것으로 식별되면, 하나 이상의 프로세서(305)는 복수의 제품 유형의 각각을 벡터에 임베딩할 수 있다. 이어서 하나 이상의 프로세서(305)는 벡터(들)와 미리 결정된 벡터 사이의 거리 및/또는 표준 편차를 결정할 수 있다. 미리 결정된 벡터는 제품과 연관된 실제 제품 유형과 연관될 수 있다. 일부 실시예에서, 하나 이상의 프로세서(305)는 t-SNE(Stochastic Neighbor Embedding) 알고리즘을 적용하여 임베디드 벡터들 간의 거리 분포를 정규화할 수 있다.
문자열 알고리즘을 실행함으로써 적어도 하나의 제품 유형을 식별한 후, 그리고 기계 학습 알고리즘을 사용함으로써 적어도 하나의 제품 유형을 예측한 후, 방법(400)은 블록(403)으로 진행할 수 있다. 블록(403)에서, 제품 타이틀 품질 검출 시스템(301)의 하나 이상의 프로세서(305)는 (블록(401)에서의) 식별 또는 (블록(402)에서의) 예측 중 적어도 하나에 기초하여, 제품과 연관된 타이틀에서 부정확성을 검출할 수 있다. 일부 실시예에서, 하나 이상의 프로세서(305)는 식별 및/또는 예측에 기초하여 제품과 연관된 제품 유형의 개수를 결정할 수 있다. 제품과 연관된 제품 유형의 개수가 미리 결정된 임계치를 초과하면, 하나 이상의 프로세서(305)는 제품 타이틀이 부정확성을 포함한다고 결정할 수 있다. 예를 들어, 제품이 3개, 4개, 5개 또는 10개를 초과하는 제품 유형과 연관되어 있으면, 하나 이상의 프로세서(305)는 제품과 연관된 제품 타이틀이 부정확성을 포함한다고 결정할 수 있다.
다른 실시예에서, 하나 이상의 프로세서(305)는 제품이 2개 이상의 관련없는 제품 유형과 연관되어 있으면, 제품 타이틀이 부정확성을 포함한다고 결정할 수 있다. 예를 들어, 제품 타이틀을 사용한 식별 및/또는 예측에 기초하여, 하나 이상의 프로세서(305)가 제품이 서로 관련없는 제품 유형 "모자" 및 제품 유형 "신발"과 연관되어 있다고 결정하면, 하나 이상의 프로세서(305)는 제품 타이틀이 부정확성을 포함한다고 결정할 수 있다.
또 다른 실시예에서, 상술한 바와 같이, 하나 이상의 프로세서(305)는 제품 타이틀로부터 제품과 연관된 적어도 하나의 브랜드를 식별하기 위해 문자열 알고리즘을 실행할 수 있다. 하나 이상의 프로세서(305)가 제품 타이틀이 2개 이상의 브랜드 키워드를 포함한다고 결정하면, 하나 이상의 프로세서(305)는 제품이 2개 이상의 브랜드와 연관될 가능성이 낮기 때문에 해당 제품 타이틀이 부정확성을 포함한다고 결정할 수 있다.
일부 실시예에서, 하나 이상의 프로세서(305)는 제품의 이미지에 기초하여, 제품과 연관된 적어도 하나의 제품 유형을 예측하기 위해 기계 학습 알고리즘을 사용할 수 있다. 하나 이상의 프로세서(305)는 제품의 이미지와 연관된 적어도 하나의 제품 유형을 예측하기 위해, Xception 모델과 같은 이미지 모델을 사용할 수 있다. 제품의 이미지는 카탈로그 시스템(310), 판매자 리스팅 시스템(303) 및/또는 데이터베이스(304)로부터 검색될 수 있다. 제품의 이미지에 기초한 예측된 제품 유형이 (블록(402)에서) 제품과 연관된 타이틀에 기초한 예측된 제품 유형과 상이할 때, 하나 이상의 프로세서(305)는 제품과 연관된 타이틀이 부정확성을 포함한다고 결정할 수 있다.
일부 실시예에서, 하나 이상의 프로세서(305)는 제품 타이틀에 대해 문자열 알고리즘을 실행함으로써 결정된 하나 이상의 제품 유형을 사용하여, Xception 모델과 같은 이미지 모델을 훈련할 수 있다. 일부 실시예에서, 하나 이상의 프로세서(305)는 제3자 소매점을 통하는 것보다, 제원(original) 소매점에서 직접 판매하는 제품과 연관된 제품 타이틀에 대해 문자열 알고리즘을 실행함으로써 결정된 하나 이상의 유형만을 사용할 수 있는데, 이는 제원 소매점에서 직접 판매하는 제품과 연관된 제품 타이틀이 더 적은 부정확성을 포함할 수 있기 때문이다.
일부 실시예에서, 하나 이상의 프로세서(305)는 잔차 연결(residual connections)이 있는 깊이별 분리가능 콘볼루션 계층(depthwise separable convolution layers)의 선형 스택을 포함하는 심층 콘볼루션 신경망 구조로 구성되는 포함하는 이미지 모델을 사용할 수 있다. 하나 이상의 프로세서(305)는 이미지 모델에 제품의 이미지와 같은 이미지를 입력할 수 있다. 해당 이미지는 미리 결정된 개수의 채널 및 미리 정해진 차원(dimension)을 포함할 수 있다. 하나 이상의 프로세서(305)는 이미지에 대해 미리 결정된 크기의 콘볼루션 필터(convolution filter)를 적용할 수 있다. 그러나, 이미지의 이미 결정된 개수의 채널 모두에 콘볼루션 필터를 적용하는 대신에, 하나 이상의 프로세서(305)는 1 커널에 대해서만 콘볼루션 필터를 적용할 수 있다. 이어, 하나 이상의 프로세서(305)는 이미지에 대해 채널별 공간 콘볼루션을 수행할 수 있다. 따라서, 하나 이상의 프로세서(305)는 먼저 이미지에 대해 1×1 콘볼루션(예를 들어, "포인트별 콘볼루션")을 적용할 수 있고, 이어서 이미지에 대해 채널별 공간 콘볼루션 (예를 들어, "깊이별 콘볼루션")을 적용할 수 있다.
블록(404)에서, 제품 타이틀 품질 검출 시스템(301)의 하나 이상의 프로세서(305)는 제품과 연관된 타이틀이 부정확성을 포함하는 것을 나타내는 메시지를, 도 3의 판매자 리스팅 시스템(303)과 같은 원격 디바이스로 출력할 수 있다. 예를 들어, 하나 이상의 프로세서(305)는 메시지를 판매자 리스팅 시스템(303)의 하나 이상의 프로세서(308)에 전송할 수 있다. 해당 메시지는 제품 타이틀이 부정확성을 포함한다는 것을 나타내는, 거부 메시지, 거부 코드, 경고 코드 및/또는 경고 메시지를 포함할 수 있다. 해당 메시지는 또한 제품 타이틀을 수정할 필요가 있다는 것을 나타낼 수 있다. 일부 실시예에서, 하나 이상의 프로세서(305)는 메시지를 판매자 리스팅 시스템(303)의 하나 이상의 프로세서(308)에 전송할 수 있고 부정확한 제품 타이틀을 교체할 새로운 제품 타이틀을 추천할 수 있다. 일부 실시예에서, 하나 이상의 프로세서(305)는 제품 타이틀에서 특정 문자, 단어, 숫자, 기호 등을 삭제하라는 제안 및/또는 명령을 포함하는 메시지를, 판매자 리스팅 시스템(303)의 하나 이상의 프로세서(308)에 전송할 수 있다. 해당 추천 및/또는 제안은 각 제품 타이틀에 따라 조정될 수 있다. 일부 실시예에서, 하나 이상의 프로세서(305)는 판매자 리스팅 시스템(303)에 직접 액세스하여 실시간으로 해당 제품 타이틀을 수정 및/또는 교체할 수 있다. 따라서, 제품 타이틀 품질 검출 시스템(301)의 하나 이상의 프로세서(305)는 판매자 리스팅 시스템(303) 상에 리스팅된 제품 타이틀을 제어할 수 있을 수 있다. 추가적 또는 대안적으로, 해당 메시지를 원격 디바이스에 전송하는 대신에, 하나 이상의 프로세서(305)는 해당 메시지를 도 1a의 시스템(100) 내 하나 이상의 시스템으로 전송할 수 있다.
도 5는 개시된 실시예에 따른, 제품 유형을 식별하기 위해 fastText와 같은 기계 학습 알고리즘을 사용하는 방법의 예시적인 실시예를 나타낸다. 도 5에 도시된 바와 같이, 하나 이상의 프로세서(305)는 제품 타이틀(501)(예를 들어, "제품 타이틀")을 수신할 수 있으며, 수신된 제품 타이틀(501)은 판매자 리스팅 시스템(303) 상의 제품과 연관된 타이틀일 수 있다. 타이틀에 있는 단어는 제품 타이틀(501)에 있는 각 단어 간에 공백을 갖도록 분리 및 분할될 수 있으며, 대응하는 벡터에 인베딩될 수 있다. 따라서, 각 단어는 벡터(502)(예를 들어, "단어 벡터 X1 ", "단어 벡터 X2 " 및 "단어 벡터 XN")로 표현될 수 있다. 제품 타이틀에 있는 각 단어가 임베딩되고 벡터(502)로 표현되면, 벡터(502)는 타이틀 임베딩 벡터(504)(예를 들어, "타이틀 벡터")를 생성하기 위해 단계 503에서 합하여 평균화할 수 있다. 따라서, 타이틀 임베딩 벡터(504)는 제품 타이틀(501)(예를 들어, "제품 타이틀")의 벡터 표현일 수 있다. 그 후, 타이틀 임베딩 벡터(504)에 소프트맥스(505)를 적용함으로써, 하나 이상의 프로세서(305)는 제품 타이틀의 맥락에 볼 때 타겟 제품 유형(506)의 확률을 출력할 수 있다. 특히, 하나 이상의 프로세서(305)는 제품 타이틀(501)에 기초하여 하나 이상의 제품 유형(506)을 출력할 수 있으며, 맥락에 따른 해당 하나 이상의 제품 유형(506) 각각에 대한 확률을 출력할 수 있다. 소프트맥스(505)를 실행함으로써, 하나 이상의 프로세서(305)는 타이틀 임베딩 벡터(504)를 입력으로 취하고 타이틀 임베딩 벡터(504)를 확률 분포로 정규화하도록 구성될 수 있다. 따라서, 하나 이상의 프로세서(305)는 기계 학습 알고리즘을 사용하여, 제품 타이틀에 기초하여 제품과 연관된 하나 이상의 제품 유형을 예측하도록 구성될 수 있다.
본 개시는 그 특정 실시예를 참조하여 도시되고 설명되었지만, 본 개시는 다른 환경에서, 변경없이, 실시될 수 있음을 이해할 것이다. 전술한 설명은 예시의 목적으로 제시되었다. 그것은 개시된 정확한 형태나 실시예에 대해 총망라된 것이 아니며 이것으로 한정되는 것은 아니다. 개시된 실시예의 설명 및 실시를 고려하는 것으로부터 변경 및 조정이 통상의 기술자에게 명백할 것이다. 추가적으로, 비록 개시된 실시예의 형태가 메모리에 저장되는 것으로서 설명되었지만, 통상의 기술자는 이들 형태가 2차 저장 디바이스, 예를 들면, 하드디스크나 CD ROM, 또는 다른 형태의 RAM이나 ROM, USB 매체, DVD, 블루레이, 또는 다른 광 드라이브 매체와 같이, 다른 형태의 컴퓨터 판독 가능한 매체에 저장될 수도 있는 것을 이해할 것이다.
상술한 설명 및 개시된 방법에 기초한 컴퓨터 프로그램은 숙련된 개발자의 기술 내에 있다. 여러 프로그램 혹은 프로그램 모듈은 통상의 기술자에게 알려진 어느 기술을 이용하여 생성되거나, 또는 기존의 소프트웨어와 연결하여 설계될 수 있다. 예를 들면, 프로그램 섹션 혹은 프로그램 모듈은 닷넷 프레임워크, 닷넷 컴팩트 프레임워크(및 비주얼 베이식, C 등과 같은, 관련 언어), 자바, C++, 오브젝티브 C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿이 포함된 HTML 내에서 혹은 그것들에 의해서 설계될 수 있다.
게다가, 여기에서는 예시적인 실시예가 설명되었지만, 본 개시에 기초하여 통상의 기술자가 이해할 수 있는 바와 같이, 일부 또는 모든 실시예의 범위는 동등한 요소, 변경, 생략, 조합(예로써, 여러 실시예에 걸치는 형태의 조합), 조정 및/또는 수정을 가질 수 있다. 청구범위 내의 제한 사항은 그 청구범위 내에 적용된 언어에 기초하여 폭넓게 이해되도록 하는 것이며, 응용의 수행 동안 혹은 본 명세서 내에 설명된 예시로 한정되는 것은 아니다. 그 예시는 비배타적으로 해석되도록 하기 위한 것이다. 추가로, 개시된 방법의 스텝은 어떤 다른 방법으로 변경되거나, 스텝을 재배열 및/또는 스텝을 삽입하거나 삭제하는 것을 포함할 수 있다. 그러므로, 설명 및 예시는 오직 예시적으로 고려되는 것이며, 진정한 범위 및 기술 사상은 다음의 청구범위 및 그 동등한 전체 범위에 의해 나타내지는 것으로 의도된다.

Claims (20)

  1. 제품 타이틀에서 부정확성(inaccuracy)을 검출하기 위한 컴퓨터 구현 시스템으로서,
    명령들을 저장하는 메모리; 및
    상기 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 명령들은
    제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 상기 제품과 연관된 적어도 하나의 제품 유형을 식별하고;
    기계 학습 알고리즘을 사용하여, 상기 제품과 연관된 상기 타이틀에 기초하여 상기 제품과 연관된 적어도 하나의 제품 유형을 예측하고―상기 기계 학습 알고리즘을 사용하여 상기 적어도 하나의 제품 유형을 예측하는 것은,
    상기 타이틀에서 하나 이상의 단어를 식별하고―각 단어는 하나 이상의 문자 n-그램으로 표현됨―;
    상기 하나 이상의 단어의 각각에 대해, 전체 단어 임베딩 벡터를 결정하기 위해, 상기 하나 이상의 문자 n-그램을 합하고;
    상기 하나 이상의 단어에 대한 전체 단어 임베딩 벡터들을 합하고;
    상기 제품과 연관된 상기 타이틀의 벡터 표현을 포함하는 타이틀 임베딩 벡터를 결정하기 위해 상기 전체 단어 임베딩 벡터들의 상기 합을 평균화하고; 그리고
    상기 제품과 연관된 상기 적어도 하나의 제품 유형을 결정하기 위해 상기 타이틀 임베딩 벡터에 소프트맥스를 적용하는 것을 더 포함함―;
    상기 식별 또는 상기 예측 중 적어도 하나에 기초하여, 상기 제품과 연관된 상기 타이틀에서 부정확성을 검출하고; 그리고
    상기 제품과 연관된 상기 타이틀이 상기 부정확성을 포함한다는 것을 나타내는 메시지를 원격 디바이스로 출력하기 위한 것인, 컴퓨터 구현 시스템.
  2. 청구항 1에 있어서,
    제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행하는 것은:
    스트링 세트를 수신하는 것;
    상기 수신된 스트링 세트에 기초하여, 상기 스트링 세트의 첫 번째 글자에 대한 노드들의 제1 레벨과 상기 스트링 세트의 상기 첫 번째 글자 이외의 n 글자에 대한 노드들의 n 레벨을 포함하는 트라이(trie)를 생성하는 것;
    상기 제품과 연관된 상기 타이틀을 수신하는 것; 및
    매치를 찾기 위해 상기 타이틀을 사용하여 상기 생성된 트라이를 순회(traverse)하는 것을 더 포함하는, 컴퓨터 구현 시스템.
  3. 삭제
  4. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는
    상기 제품과 연관된 제품 유형의 개수를 결정하고; 그리고
    상기 제품과 연관된 제품 유형의 상기 개수가 미리 결정된 임계치를 초과할 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하기 위해 상기 명령들을 실행시키도록 더 구성된, 컴퓨터 구현 시스템.
  5. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는 상기 제품이 2개 이상의 관련없는 제품 유형과 연관되어 있을 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하기 위해 상기 명령들을 실행시키도록 더 구성된, 컴퓨터 구현 시스템.
  6. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는, 상기 기계 학습 알고리즘을 사용하여, 상기 제품의 이미지에 기초하여 상기 제품과 연관된 적어도 하나의 제품 유형을 예측하기 위해 상기 명령들을 실행시키도록 더 구성된, 컴퓨터 구현 시스템.
  7. 청구항 6에 있어서,
    상기 적어도 하나의 프로세서는, 상기 제품의 상기 이미지에 기초한 상기 예측된 제품 유형이 상기 제품과 연관된 상기 타이틀에 기초한 상기 예측된 제품 유형과 다를 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하기 위해 상기 명령들을 실행시키도록 더 구성된, 컴퓨터 구현 시스템.
  8. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는
    상기 제품과 연관된 상기 타이틀에 대해 상기 문자열 알고리즘을 실행함으로써, 상기 제품과 연관된 적어도 하나의 브랜드를 식별하고; 그리고
    2개 이상의 브랜드가 상기 제품과 연관되어 있을 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하기 위해 상기 명령들을 실행시키도록 더 구성된, 컴퓨터 구현 시스템.
  9. 청구항 1에 있어서,
    기계 학습 알고리즘을 사용하여, 상기 제품과 연관된 상기 타이틀에 기초하여 상기 제품과 연관된 적어도 하나의 제품 유형을 예측하는 것은, 상기 적어도 하나의 제품 유형을 벡터에 임베딩시키는 것과 상기 벡터와 미리 결정된 벡터 간의 거리를 결정하는 것을 더 포함하는, 컴퓨터 구현 시스템.
  10. 청구항 9에 있어서,
    상기 미리 결정된 벡터는 상기 제품과 연관된 실제 제품 유형과 연관되어 있는, 컴퓨터 구현 시스템.
  11. 제품 타이틀에서 부정확성을 검출하기 위한 컴퓨터 구현 방법으로서,
    제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 상기 제품과 연관된 적어도 하나의 제품 유형을 식별하는 단계;
    기계 학습 알고리즘을 사용하여, 상기 제품과 연관된 적어도 하나의 제품 유형을 예측하는 단계―상기 기계 학습 알고리즘을 사용하여 상기 적어도 하나의 제품 유형을 예측하는 것은,
    상기 타이틀에서 하나 이상의 단어를 식별하고―각 단어는 하나 이상의 문자 n-그램으로 표현됨―;
    상기 하나 이상의 단어의 각각에 대해, 전체 단어 임베딩 벡터를 결정하기 위해, 상기 하나 이상의 문자 n-그램을 합하고;
    상기 하나 이상의 단어에 대한 전체 단어 임베딩 벡터들을 합하고;
    상기 제품과 연관된 상기 타이틀의 벡터 표현을 포함하는 타이틀 임베딩 벡터를 결정하기 위해 상기 전체 단어 임베딩 벡터들의 상기 합을 평균화하고; 그리고
    상기 제품과 연관된 상기 적어도 하나의 제품 유형을 결정하기 위해 상기 타이틀 임베딩 벡터에 소프트맥스를 적용하는 것을 더 포함함―;
    상기 식별 또는 상기 예측 중 적어도 하나에 기초하여, 상기 제품과 연관된 상기 타이틀에서 부정확성을 검출하는 단계; 및
    상기 제품과 연관된 상기 타이틀이 상기 부정확성을 포함한다는 것을 나타내는 메시지를 원격 디바이스로 출력하는 단계를 포함하는, 컴퓨터 구현 방법.
  12. 청구항 11에 있어서,
    제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행하는 단계는:
    스트링 세트를 수신하는 단계;
    상기 수신된 스트링 세트에 기초하여, 상기 스트링 세트의 첫 번째 글자에 대한 노드들의 제1 레벨과 상기 스트링 세트의 상기 첫 번째 글자 이외의 n 글자에 대한 노드들의 n 레벨을 포함하는 트라이를 생성하는 단계;
    상기 제품과 연관된 상기 타이틀을 수신하는 단계; 및
    매치를 찾기 위해 상기 타이틀을 사용하여 상기 생성된 트라이를 순회하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  13. 삭제
  14. 청구항 11에 있어서,
    상기 제품과 연관된 제품 유형의 개수를 결정하는 단계; 및
    상기 제품과 연관된 제품 유형의 상기 개수가 미리 결정된 임계치를 초과할 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  15. 청구항 11에 있어서,
    상기 제품이 2개 이상의 관련없는 제품 유형과 연관되어 있을 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  16. 청구항 11에 있어서,
    상기 기계 학습 알고리즘을 사용하여, 상기 제품의 이미지에 기초하여 상기 제품과 연관된 적어도 하나의 제품 유형을 예측하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  17. 청구항 16에 있어서,
    상기 제품의 상기 이미지에 기초한 상기 예측된 제품 유형이 상기 제품과 연관된 상기 타이틀에 기초한 상기 예측된 제품 유형과 다를 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  18. 청구항 11에 있어서,
    상기 제품과 연관된 상기 타이틀에 대해 상기 문자열 알고리즘을 실행함으로써, 상기 제품과 연관된 적어도 하나의 브랜드를 식별하는 단계; 및
    2개 이상의 브랜드가 상기 제품과 연관되어 있을 때, 상기 제품과 연관된 상기 타이틀이 부정확성을 포함한다고 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  19. 청구항 11에 있어서,
    기계 학습 알고리즘을 사용하여, 상기 제품과 연관된 상기 타이틀에 기초하여 상기 제품과 연관된 적어도 하나의 제품 유형을 예측하는 단계는, 상기 적어도 하나의 제품 유형을 벡터에 임베딩시키는 단계와 상기 벡터와 상기 제품의 실제 제품 유형과 연관된 미리 결정된 벡터 간의 거리를 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  20. 제품 타이틀에서 부정확성을 검출하기 위한 컴퓨터 구현 시스템으로서,
    명령들을 저장하는 메모리; 및
    상기 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 명령들은
    제품과 연관된 타이틀에 대해 문자열 알고리즘을 실행함으로써, 상기 제품과 연관된 적어도 하나의 제품 유형을 식별하고―상기 타이틀에 대해 상기 문자열 알고리즘을 실행하는 것은:
    스트링 세트를 수신하고;
    상기 수신된 스트링 세트에 기초하여, 상기 스트링 세트의 첫 번째 글자에 대한 노드들의 제1 레벨과 상기 스트링 세트의 상기 첫 번째 글자 이외의 n 글자에 대한 노드들의 n 레벨을 포함하는 트라이를 생성하고;
    상기 제품과 연관된 상기 타이틀을 수신하고; 그리고
    매치를 찾기 위해 상기 타이틀을 사용하여 상기 생성된 트라이를 순회하는 것을 포함함―;
    기계 학습 알고리즘을 사용하여, 상기 제품과 연관된 적어도 하나의 제품 유형을 예측하고―상기 기계 학습 알고리즘을 사용하여 상기 적어도 하나의 제품 유형을 예측하는 것은
    상기 제품과 연관된 상기 타이틀을 수신하고;
    상기 타이틀에서 하나 이상의 단어를 식별하고―각 단어는 하나 이상의 문자 n-그램으로 표현됨―;
    상기 하나 이상의 단어의 각각에 대해, 전체 단어 임베딩 벡터를 결정하기 위해, 상기 하나 이상의 문자 n-그램을 합하고;
    각 단어의 각 문자 n-그램에 대한 벡터 표현을 학습하고;
    상기 하나 이상의 단어의 각각에 대해, 전체 단어 임베딩을 결정하기 위해, 상기 하나 이상의 문자 n-그램을 합하고;
    상기 하나 이상의 단어에 대한 전체 단어 임베딩 벡터들을 합하고;
    상기 제품과 연관된 상기 타이틀의 벡터 표현을 포함하는 타이틀 임베딩 벡터를 결정하기 위해 상기 전체 단어 임베딩 벡터들의 상기 합을 평균화하고; 그리고
    상기 제품과 연관된 상기 적어도 하나의 제품 유형을 결정하기 위해 상기 타이틀 임베딩 벡터에 소프트맥스를 적용하는 것을 더 포함함―;
    상기 식별 또는 상기 예측 중 적어도 하나에 기초하여, 상기 제품과 연관된 상기 타이틀에서 부정확성을 검출하고; 그리고
    상기 제품과 연관된 상기 타이틀이 상기 부정확성을 포함한다는 것을 나타내는 메시지를 원격 디바이스로 출력하기 위한 것인, 컴퓨터 구현 시스템.
KR1020200054617A 2020-02-24 2020-05-07 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법 KR102354732B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220007661A KR20220015477A (ko) 2020-02-24 2022-01-19 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/799,150 US11568425B2 (en) 2020-02-24 2020-02-24 Computerized systems and methods for detecting product title inaccuracies
US16/799,150 2020-02-24

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220007661A Division KR20220015477A (ko) 2020-02-24 2022-01-19 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210107511A KR20210107511A (ko) 2021-09-01
KR102354732B1 true KR102354732B1 (ko) 2022-01-25

Family

ID=77366171

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200054617A KR102354732B1 (ko) 2020-02-24 2020-05-07 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법
KR1020220007661A KR20220015477A (ko) 2020-02-24 2022-01-19 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220007661A KR20220015477A (ko) 2020-02-24 2022-01-19 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법

Country Status (4)

Country Link
US (1) US11568425B2 (ko)
KR (2) KR102354732B1 (ko)
TW (2) TWI816077B (ko)
WO (1) WO2021171080A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130290320A1 (en) * 2012-04-25 2013-10-31 Alibaba Group Holding Limited Recommending keywords
US20180341998A1 (en) * 2017-05-25 2018-11-29 Wal-Mart Stores, Inc. Systems and methods for automatically modifying titles for products
US20190079925A1 (en) * 2017-09-12 2019-03-14 Alibaba Group Holding Limited Title reconstruction method and apparatus
JP2020004425A (ja) * 2019-08-07 2020-01-09 ヴィセンズ・プライベート・リミテッドＶｉｓｅｎｚｅ Ｐｔｅ Ｌｔｄ 製品インデキシング方法およびそのシステム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7870039B1 (en) * 2004-02-27 2011-01-11 Yahoo! Inc. Automatic product categorization
WO2009111047A2 (en) 2008-03-05 2009-09-11 Ebay Inc. Method and apparatus for image recognition services
US8504567B2 (en) * 2010-08-23 2013-08-06 Yahoo! Inc. Automatically constructing titles
US8463805B2 (en) * 2010-09-15 2013-06-11 Cbs Interactive, Inc. Mapping product identification information to a product
WO2012064893A2 (en) * 2010-11-10 2012-05-18 Google Inc. Automated product attribute selection
CN107122980B (zh) * 2011-01-25 2021-08-27 阿里巴巴集团控股有限公司 识别商品所属类目的方法和装置
US8655737B1 (en) * 2011-01-31 2014-02-18 Google Inc. Brand name synonymy
CN102737057B (zh) * 2011-04-14 2015-04-01 阿里巴巴集团控股有限公司 一种商品类目信息的确定方法及装置
US9311372B2 (en) * 2013-05-31 2016-04-12 Wal-Mart Stores, Inc. Product record normalization system with efficient and scalable methods for discovering, validating, and using schema mappings
US10217147B2 (en) * 2014-09-12 2019-02-26 Ebay Inc. Mapping products between different taxonomies
JP6571200B2 (ja) 2015-02-24 2019-09-04 ヴィセンズ・プライベート・リミテッドＶｉｓｅｎｚｅ Ｐｔｅ Ｌｔｄ 製品インデキシング方法およびそのシステム
US10515400B2 (en) * 2016-09-08 2019-12-24 Adobe Inc. Learning vector-space representations of items for recommendations using word embedding models
US11580589B2 (en) * 2016-10-11 2023-02-14 Ebay Inc. System, method, and medium to select a product title
CN107330752B (zh) 2017-05-31 2020-09-29 北京京东尚科信息技术有限公司 识别品牌词的方法和装置
KR20190030435A (ko) 2017-09-14 2019-03-22 주식회사 세진마인드 자연어 처리를 이용한 지정상품 추천 방법, 장치 및 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램
US20190205376A1 (en) * 2017-12-28 2019-07-04 Microsoft Technology Licensing, Llc Title standardization through iterative processing
US11669558B2 (en) * 2019-03-28 2023-06-06 Microsoft Technology Licensing, Llc Encoder using machine-trained term frequency weighting factors that produces a dense embedding vector

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130290320A1 (en) * 2012-04-25 2013-10-31 Alibaba Group Holding Limited Recommending keywords
US20180341998A1 (en) * 2017-05-25 2018-11-29 Wal-Mart Stores, Inc. Systems and methods for automatically modifying titles for products
US20190079925A1 (en) * 2017-09-12 2019-03-14 Alibaba Group Holding Limited Title reconstruction method and apparatus
JP2020004425A (ja) * 2019-08-07 2020-01-09 ヴィセンズ・プライベート・リミテッドＶｉｓｅｎｚｅ Ｐｔｅ Ｌｔｄ 製品インデキシング方法およびそのシステム

Also Published As

Publication number Publication date
KR20210107511A (ko) 2021-09-01
KR20220015477A (ko) 2022-02-08
US11568425B2 (en) 2023-01-31
TW202133004A (zh) 2021-09-01
TWI816077B (zh) 2023-09-21
TW202349227A (zh) 2023-12-16
US20210264442A1 (en) 2021-08-26
WO2021171080A1 (en) 2021-09-02

Similar Documents

Publication Publication Date Title
US11354721B2 (en) Computerized systems and methods for providing product recommendations
KR102350982B1 (ko) 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법
KR102330819B1 (ko) 경합하는 신경 캐릭터 언어 모델에 기초한 단어 분할을 위한 시스템 및 방법
US11768886B2 (en) Computerized systems and methods for managing and monitoring services and modules on an online platform
KR102319529B1 (ko) 가용 판매자의 지능적 선택과 연관 사용자 인터페이스 수정을 위한 컴퓨터화된 시스템 및 방법
KR20220081318A (ko) 패키지 배달 촉진을 위한 컴퓨터 시스템 및 방법
KR20220099086A (ko) 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법
US11386478B1 (en) Computerized systems and methods for using artificial intelligence to generate product recommendations
KR20220103616A (ko) 제품 타이틀로부터 속성을 지능적으로 추출하기 위한 시스템 및 방법
KR102354732B1 (ko) 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법
KR102381457B1 (ko) 모듈식의 플랫폼에서 레이턴시를 줄이기 위한 컴퓨터화된 시스템 및 방법
US11561838B2 (en) Computerized systems and methods for fail-safe loading of information on a user interface using a circuit breaker
KR102445867B1 (ko) 사기 검출 및 사용자 계정 중복 제거를 위한 컴퓨터화된 시스템 및 방법
US11775565B2 (en) Systems and methods for database reconciliation
KR20220115854A (ko) 제품 타이틀로부터 수량의 지능적 추출을 위한 시스템 및 방법
WO2022123493A1 (en) Computerized systems and methods for predicting and managing scrap

Legal Events

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