KR102401813B1 - 인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템 - Google Patents
인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102401813B1 KR102401813B1 KR1020210101713A KR20210101713A KR102401813B1 KR 102401813 B1 KR102401813 B1 KR 102401813B1 KR 1020210101713 A KR1020210101713 A KR 1020210101713A KR 20210101713 A KR20210101713 A KR 20210101713A KR 102401813 B1 KR102401813 B1 KR 102401813B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- food
- user
- food recommendation
- processors
- Prior art date
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000002360 preparation method Methods 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000036541 health Effects 0.000 description 20
- 230000015654 memory Effects 0.000 description 19
- 235000013376 functional food Nutrition 0.000 description 16
- 239000000284 extract Substances 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000013486 operation strategy Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000012010 growth Effects 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 4
- 210000000579 abdominal fat Anatomy 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 235000006694 eating habits Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 244000247812 Amorphophallus rivieri Species 0.000 description 2
- 235000001206 Amorphophallus rivieri Nutrition 0.000 description 2
- 244000144725 Amygdalus communis Species 0.000 description 2
- 241001454694 Clupeiformes Species 0.000 description 2
- 229920002752 Konjac Polymers 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 235000020224 almond Nutrition 0.000 description 2
- 235000019513 anchovy Nutrition 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000010485 konjac Nutrition 0.000 description 2
- 239000000252 konjac Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 201000004384 Alopecia Diseases 0.000 description 1
- 206010000059 abdominal discomfort Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036624 brainpower Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000020803 food preference Nutrition 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 208000024963 hair loss Diseases 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 235000021487 ready-to-eat food Nutrition 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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]
- G06Q30/0631—Item recommendations
-
- 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
- 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
-
- G06Q50/28—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템이 개시된다. 일실시예에 따른 인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법은, 사용자 단말로 사용자 정보 입력 요청을 전송하고, 사용자 단말로부터 사용자 입력 요청에 따른 응답인 사용자 정보를 수신하며, 사용자 정보를 미리 학습된 식품 추천 알고리즘을 이용하여 사용자에게 적합한 식품 정보를 제1 식품 추천 정보로 형성하고, 제1 식품 추천 정보를 사용자 단말로 전송하며, 사용자 단말로부터 제1 식품 추천 정보에 대한 피드백 정보를 수신하고, 피드백 정보를 식품 추천 알고리즘에 반영하여 제1 식품 추천 정보를 수정한 제2 식품 추천 정보로 형성하며, 제2 식품 추천 정보를 상기 사용자 단말로 전송하고, 사용자 단말로부터 제2 식품 추천 정보에 대한 승인을 획득하며, 제2 식품 추천 정보를 식품 주문 서버로 전송하여 제2 식품 추천 정보에 따른 식품을 준비하도록 제어하고, 식품 주문 서버로부터 식품 준비 완료 신호를 수신하며, 식품 준비 완료 신호를 사용자 단말로 전송하여 사용자의 주소 정보를 획득하고, 배송 서버로 사용자의 주소 정보를 송신하여 준비가 완료된 식품을 사용자의 주소로 배송하도록 요청한다.
Description
아래 실시예들은 사용자가 입력한 정보에 따라서 사용자에게 적합한 식품을 추천하는 서비스 제공 방법, 장치 및 시스템에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 공개특허공보 KR 10-2020-0134783 A는 건강기능식품 추천구매에 대한 보상방법 및 이를 이용한 건강기능식품 추천 보상 시스템을 개시한다. 구체적으로, 선행문헌은 개인 맞춤형 건강기능식품 추천단계를 통해서 추천된 건강기능식품을 복수의 회원이 개인추천제품으로 각각 선정하면서 상호 간에 추천하여 구매할 경우, 각 회원은 개인추천제품으로 선정한 시점이 빠를수록 더 높은 순위를 부여받아 상대적으로 더 누적된 보상금액을 할당받되, 각각의 건강기능 식품 별로 독립적으로 순위가 부여되는 건강기능식품 추천구매에 대한 보상방법 및 이를 이용한 건강기능식품 추천 보상 시스템을 개시한다.
이를 통해, 선행문헌은 각각의 건강기능식품 별로 독립적으로 보상순위가 부여된다.
또한, 대한민국 등록특허공보 KR 10-2186267 B1은 개인 맞춤형 건강기능식품 정보제공 시스템 및 방법을 개시한다. 구체적으로, 선행문헌은 개인의 건강상태 및 건강관련 유전자 분석을 통하여 개인마다 가장 적합한 건강기능식품을 과학적으로 추천하여 줄 수 있는 모바일 기반의 개인 맞춤형 건강기능식품 정보제공 시스템 및 방법을 개시한다.
이를 통해, 선행문헌은 건강 관련 자가판단에 의한 데이터 및 자가 현상에 따른 의뢰인의 건강 이상에 따른 자가현상 값에 건강기능식품 추천 가중치 비율을 더 부여하되, 의뢰인의 유전자 정보 데이터가 가지는 건강 이상 정보를 더하여 얻어진 백분율을 통하여 건강기능식품을 추천함으로써 보다 과학적이고도 신뢰성 있는 건강기능식품을 추천할 수 있고, 추천된 건강기능식품 항목을 개인 스마트폰이나 사용자 PC로 제공한다.
그러나 선행문헌들은 사용자 입력 정보에 따라서 사용자에게 적합한 식품을 추천하고, 추천된 식품에 대한 사용자 피드백을 이용하여 수정된 식품을 추천하는 방법을 개시하지 않는다.
실시예들은 사용자가 입력한 정보에 따라서 사용자에게 적합한 식품을 추천하는 서비스 제공하고자 한다.
본 발명의 실시예에 따른 인공지능 기반 식품 추천 서비스 제공 방법은, 하나 이상의 프로세서에 의해서, 사용자 단말로 사용자 정보 입력 요청을 전송하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 사용자 단말로부터 상기 사용자 입력 요청에 따른 응답인 사용자 정보를 수신하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 사용자 정보를 미리 학습된 식품 추천 알고리즘을 이용하여 사용자에게 적합한 식품 정보를 제1 식품 추천 정보로 형성하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 제1 식품 추천 정보를 상기 사용자 단말로 전송하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 사용자 단말로부터 상기 제1 식품 추천 정보에 대한 피드백 정보를 수신하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 피드백 정보를 상기 식품 추천 알고리즘에 반영하여 상기 제1 식품 추천 정보를 수정한 제2 식품 추천 정보로 형성하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 제2 식품 추천 정보를 상기 사용자 단말로 전송하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 사용자 단말로부터 상기 제2 식품 추천 정보에 대한 승인을 획득하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 제2 식품 추천 정보를 식품 주문 서버로 전송하여 상기 제2 식품 추천 정보에 따른 식품을 준비하도록 제어하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 식품 주문 서버로부터 식품 준비 완료 신호를 수신하는 단계; 상기 하나 이상의 프로세서에 의해서, 상기 식품 준비 완료 신호를 상기 사용자 단말로 전송하여 사용자의 주소 정보를 획득하는 단계; 및 상기 하나 이상의 프로세서에 의해서, 배송 서버로 상기 사용자의 주소 정보를 송신하여 준비가 완료된 식품을 상기 사용자의 주소로 배송하도록 요청하는 단계를 포함할 수 있다.
일 실시예로서, 상기 제1 식품 추천 정보로 형성하는 단계는, 트레이닝 사용자 정보들을 획득하는 단계; 상기 트레이닝 사용자 정보들로부터 트레이닝 신체 정보들을 추출하는 단계; 상기 트레이닝 신체 정보들에 대해서 미리 정의된 관심 분야 정보를 나타내는 제1 레이블들을 획득하는 단계; 상기 트레이닝 신체 정보들을 미리 학습된 뉴럴 네트워크로 적용하여, 상기 트레이닝 신체 정보들에 대응하는 트레이닝 출력들을 생성하는 단계; 및 상기 트레이닝 출력들 및 상기 제1 레이블들에 기초하여, 상기 식품 추천 알고리즘을 학습시키는 단계를 포함할 수 있다.
일 실시예로서, 상기 제1 식품 추천 정보로 형성하는 단계는, 상기 사용자 정보로부터 다수의 신체 정보 - 상기 다수의 신체 정보는, 키, 몸무게, 허리둘레, 가슴둘레 중 적어도 하나를 포함하는 -을 추출하는 단계; 상기 다수의 신체 정보를 임계값과 비교하여 임계값과 차이가 가장 큰 제1 신체 정보를 추출하는 단계; 상기 제1 신체 조건에 따라서 미리 정의된 관심 분야 정보를 추출하는 단계; 및 상기 관심 분야 정보에 따라서 상기 제1 식품 추천 정보를 형성하는 단계를 포함할 수 있다.
일 실시예로서, 상기 제2 식품 추천 정보로 형성하는 단계는, 상기 피드백 정보에 기초하여 상기 다수의 신체 정보 중 상기 제1 신체 정보를 제외하고, 임계값과 차이가 가장 큰 제2 신체 정보를 추출하는 단계; 상기 제2 신체 정보 따라서 미리 정의된 관심 분야 정보를 추출하는 단계; 및 상기 관심 분야 정보에 따라서 상기 제2 식품 추천 정보를 형성하는 단계를 포함할 수 있다.
일 실시예로서, 하나 이상의 온라인 쇼핑몰을 통해 식품들을 판매하는 판매자가 판매하는 상품들에 대한 판매 자료를 수집하는 단계; 미리 설정된 기간 동안 수집된 상기 판매 자료를 기반으로, 제1 식품의 상세 정보를 조회하기 위해 선택한 고객들의 클릭 수, 상기 제1 식품을 구매하기 위해 장바구니에 담은 고객들의 관심 수, 상기 제1 식품을 실제로 구매한 고객들의 구매 수를 확인하는 단계; 상기 관심 수를 상기 클릭 수로 나눈 값을 통해 관심 연결 지수를 산출하는 단계; 상기 관심 연결 지수가 미리 설정된 제1 기준치 보다 낮은 것으로 확인되면, 상기 제1 식품의 상세 정보에 대한 변경을 추천하는 제1 판매 운영 전략을 상기 판매자가 사용하는 단말로 제공하는 단계; 상기 관심 연결 지수가 상기 제1 기준치 보다 높은 것으로 확인되면, 상기 구매 수를 상기 관심 수로 나눈 값을 통해 구매 연결 지수를 산출하는 단계; 및 상기 구매 연결 지수가 미리 설정된 제2 기준치 보다 낮은 것으로 확인되면, 상기 제1 식품의 프로모션을 추천하는 제2 판매 운영 전략을 상기 판매자가 사용하는 단말로 제공하는 단계를 더 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 사용자 입력 정보에 따라서 사용자에게 적합한 식품을 추천하고, 추천된 식품에 대한 사용자 피드백을 이용하여 수정된 식품을 추천할 수 있어서 사용자의 편의성을 향상시킬 수 있고, 식품 선택에 소요되는 시간 낭비를 막을 수 있다. 또한, 실시예들은 식품의 관심 연결 지수 또는 구매 연결 지수에 따른 판매 운영 전략을 판매자에게 제공하여 식품 판매의 효율성을 향상시킬 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 식품 추천 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 식품 추천 서비스 제공 방법의 흐름도이다.
도 5는 본 발명의 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 본 발명의 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 식품 추천 서비스 제공 방법의 흐름도이다.
도 5는 본 발명의 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 식품 추천 서비스 제공 시스템을 설명하기 위한 도면이다.
도 1에 도시한 바와 같이, 인공지능 기반 식품 추천 서비스 제공 시스템(100)은, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 서버(120), 데이터베이스(130), 식품 주문 서버(140), 배송 서버(150) 및 네트워크(N)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다.
서버(120)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로 사용자 입력 요청을 전송할 수 있다. 일 실시예에 따르면, 사용자 입력 요청은, 사용자의 나이, 사용자의 신체 정보, 사용자의 식습관, 사용자의 관심 분야 중 적어도 하나의 항목을 포함할 수 있지만, 사용자 입력 요청의 항목이 이에 한정되지 않는다.
사용자 입력 요청을 수신한 사용자 단말(110-1)은, 사용자로부터 사용자 입력 요청의 항목에 따른 입력을 수신하여 사용자 정보를 형성할 수 있다. 일 실시예에 따르면, 사용자 정보는, 사용자의 나이 정보, 사용자의 신체 정보, 사용자의 식습관 정보, 사용자의 관심 분야 정보 중 적어도 하나를 포함할 수 있지만, 사용자 정보 항목이 이에 한정되지 않는다. 예를 들어, 사용자 단말(110-1)은 서버(120)로부터 수신된 사용자 정보 입력 요청에 따라서 사용자로부터 키, 몸무게, 허리둘레, 가슴둘레 등의 정보를 입력 받아 사용자의 신체 정보를 형성하고, 사용자로부터 하루 식사 횟수, 식사량, 식사 속도, 식사 자세, 식품 기호도 등의 정보를 입력 받아 사용자의 식습관 정보를 형성하며, 사용자로부터 성장, 다이어트, 복부 지방 감소, 탈모, 체력 증진, 두뇌 능력 향상 등의 정보를 입력 받아 사용자의 관심 분야 정보를 형성할 수 있다.
서버(120)는, 사용자 단말(110-1)로부터 수신된 사용자 정보를 미리 학습된 식품 추천 알고리즘을 이용하여 사용자에게 적합한 식품 정보를 제1 식품 추천 정보로 형성할 수 있다. 일 실시예에 따르면, 서버(120)는, 사용자 정보로부터 다수의 신체 정보를 추출하고, 다수의 신체 정보를 임계값(예를 들어, 연령별 평균 키, 연령별 평균 몸무게, 연령별 평균 허리둘레, 연령별 평균 가슴둘레)과 비교하여 차이가 가장 큰 제1 신체 정보를 추출할 수 있다. 예를 들어, 서버(120)는, 다수의 신체 정보 중 키가 연령별 평균 키에 비하여 15% 작고, 몸무게가 연령별 평균 몸무게에 비하여 5% 크며, 허리둘레가 연령별 평균 허리둘레에 비하여 10% 크고, 가슴둘레가 연령별 평균 가슴둘레에 비하여 5% 작은 경우 연령별 평균과 차이가 가장 큰 “키”를 제1 신체 정보로 추출할 수 있다.
서버(120)는, 제1 신체 정보에 따라서 미리 정의된 관심 분야 정보를 추출하고, 관심 분야 정보에 따라서 제1 식품 추천 정보를 형성할 수 있다. 예를 들어, 서버(120)는, 제1 신체 조건으로 “키”가 추출된 경우 성장을 관심 분야 정보로 추출하고, 관심 분야 정보에 따라서 성장에 도움을 줄 수 있는 식품인 멸치를 제1 식품 추천 정보로 형성할 수 있다. 또한, 서버(120)는, 제1 신체 조건으로 “몸무게”가 추출된 경우 다이어트를 관심 분야 정보로 추출하고, 관심 분야 정보에 따라서 체중 감량에 도움을 줄 수 있는 식품인 곤약을 제1 식품 추천 정보로 형성할 수 있다. 또한, 서버(120)는, 제1 신체 조건으로 “허리둘레”가 추출된 경우 복부 지장 감소를 관심 분야 정보로 추출하고, 관심 분야 정보에 따라서 복부 지방 감소에 도움을 줄 수 있는 식품인 아몬드를 제1 식품 추천 정보로 형성할 수 있다.
서버(120)는, 형성된 제1 식품 추천 정보를 네트워크(N)를 통하여 사용자 단말(110-1)로 전송하고, 사용자 단말(110-1)로부터 네트워크(N)를 통하여 제1 식품 추천 정보에 대한 피드백 정보를 수신할 수 있다. 일 실시예에 따르면, 피드백 정보는, 추천된 식품 변경, 관심 분야 변경 등의 정보를 포함할 수 있지만, 피드백 정보의 항목이 이에 한정되지 않는다.
서버(120)는, 사용자 단말(110-1)로부터 수신된 피드백 정보를 식품 추천 알고리즘에 반영하여 제1 식품 추천 정보를 수정하고, 이를 제2 식품 추천 정보로 형성하며, 제2 신체 정보 따라서 미리 정의된 관심 분야 정보를 추출하고, 관심 분야 정보에 따라서 제2 식품 추천 정보를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는, 제1 식품 추천 정보 형성에 사용된 제1 신체 정보를 제외하고, 임계값과 차이가 가장 큰 제2 신체 정보를 추출할 수 있다. 예를 들어, 서버(120)는, 다수의 신체 정보 중 키가 연령별 평균 키에 비하여 15% 작고, 몸무게가 연령별 평균 몸무게에 비하여 5% 크며, 허리둘레가 연령별 평균 허리둘레에 비하여 10% 크고, 가슴둘레가 연령별 평균 가슴둘레에 비하여 5% 작은 경우 제1 신체 정보인 “키”를 제외하고 연령별 평균과 차이가 가장 큰 “허리둘레”를 제2 신체 정보로 추출할 수 있다. 아울러, 서버(120)는, 제2 신체 정보에 따라서 미리 정의된 관심 분야 정보를 추출하고, 관심 분야 정보에 따라서 제2 식품 추천 정보를 형성할 수 있다. 예를 들어, 서버(120)는, 제2 신체 조건으로 “키”가 추출된 경우 성장을 관심 분야 정보로 추출하고, 관심 분야 정보에 따라서 성장에 도움을 줄 수 있는 식품인 멸치를 제2 식품 추천 정보로 형성할 수 있다. 또한, 서버(120)는, 제2 신체 조건으로 “몸무게”가 추출된 경우 다이어트를 관심 분야 정보로 추출하고, 관심 분야 정보에 따라서 체중 감량에 도움을 줄 수 있는 식품인 곤약을 제2 식품 추천 정보로 형성할 수 있다. 또한, 서버(120)는, 제2 신체 조건으로 “허리둘레”가 추출된 경우 복부 지장 감소를 관심 분야 정보로 추출하고, 관심 분야 정보에 따라서 복부 지방 감소에 도움을 줄 수 있는 식품인 아몬드를 제2 식품 추천 정보로 형성할 수 있다.
서버(120)는, 형성된 제2 식품 추천 정보를 네트워크(N)를 통하여 사용자 단말(110-1)로 전송하고, 사용자 단말(110-1)로부터 네트워크(N)를 통하여 제2 식품 추천 정보에 대한 승인을 획득할 수 있다.
서버(120)는, 승인된 제2 식품 추천 정보를 식품 주문 서버(140)로 전송하여 제2 식품 추천 정보에 따른 식품을 준비하도록 제어할 수 있고, 식품의 준비가 완료되면 식품 주문 서버(140)로부터 준비 완료 신호를 수신할 수 있다.
서버(120)는, 식품 주문 서버(140)로부터 수신된 준비 완료 신호를 사용자 단말(110-1)로 전송하여 사용자의 주소 정보를 문의하고, 사용자 단말(110-1)로부터 사용자의 주소 정보를 획득할 수 있다.
서버(120)는, 배송 서버(150)로 사용자의 주소 정보를 송신하여 준비가 완료된 식품을 사용자의 주소로 배송하도록 요청할 수 있다.
서버(120)는, 트레이닝 사용자 정보들을 획득하고, 트레이닝 사용자 정보들로부터 트레이닝 신체 정보들을 추출하며, 트레이닝 신체 정보들에 대해서 미리 정의된 관심 분야 정보를 나타내는 제1 레이블들을 획득하고, 트레이닝 신체 정보들을 미리 학습된 뉴럴 네트워크로 적용하여, 트레이닝 신체 정보들에 대응하는 트레이닝 출력들을 생성하며, 트레이닝 출력들 및 제1 레이블들에 기초하여, 식품 추천 알고리즘을 학습시킬 수 있다.
서버(120)는, 하나 이상의 온라인 쇼핑몰을 통해 식품들을 판매하는 판매자가 판매하는 상품들에 대한 판매 자료를 수집하고, 미리 설정된 기간 동안 수집된 판매 자료를 기반으로, 제1 식품의 상세 정보를 조회하기 위해 선택한 고객들의 클릭 수, 제1 식품을 구매하기 위해 장바구니에 담은 고객들의 관심 수, 제1 식품을 실제로 구매한 고객들의 구매 수를 확인하며, 관심 수를 클릭 수로 나눈 값을 통해 관심 연결 지수를 산출하고, 관심 연결 지수가 미리 설정된 제1 기준치 보다 낮은 것으로 확인되면, 제1 식품의 상세 정보에 대한 변경을 추천하는 제1 판매 운영 전략을 판매자가 사용하는 단말로 제공하고, 관심 연결 지수가 제1 기준치 보다 높은 것으로 확인되면, 구매 수를 관심 수로 나눈 값을 통해 구매 연결 지수를 산출하며, 구매 연결 지수가 미리 설정된 제2 기준치 보다 낮은 것으로 확인되면, 제1 식품의 프로모션을 추천하는 제2 판매 운영 전략을 판매자가 사용하는 단말로 제공할 수 있다.
일 실시예에 따르면, 서버(120)는 하나 이상의 온라인 쇼핑몰을 통해 식품들을 판매하는 판매자가 판매하는 상품들에 대한 판매 자료를 수집할 수 있다. 여기서, 판매 자료는 식품 판매를 통해 판매된 수에 대한 자료를 포함할 수 있으며, 이외에도, 아직 식품을 구매하지 않았지만 식품을 구매하기 위한 장바구니에 담은 고객들의 수, 식품을 장바구니에 담지는 않았지만 식품의 상세 정보를 조회하기 위해 사이트 상에서 식품을 선택한 고객들의 수에 대한 자료도 포함할 수 있다.
서버(120)는 미리 설정된 기간 동안 수집된 판매 자료를 기반으로, 제1 식품의 클릭 수, 관심 수 및 구매 수를 확인할 수 있다. 예를 들어, 서버(120)는 제1 식품에 대한 관심이 있어 제1 식품의 상세 정보를 조회하기 위해 온라인 쇼핑몰의 사이트 상에서 제1 식품을 클릭하여 선택한 고객들의 수를 이용하여, 제1 식품의 클릭 수를 확인할 수 있다.
또한, 서버(120)는 제1 식품을 선택한 고객들 중 제1 식품에 대한 구매 의사가 있어 제1 식품을 장바구니에 담은 고객들의 수를 이용하여, 제1 식품의 관심 수를 확인할 수 있다,
또한, 서버(120)는 제1 식품을 장바구니에 담은 고객들 중 제1 식품을 실제로 구매한 고객들의 수를 이용하여, 제1 식품의 구매 수를 확인할 수 있다.
서버(120)는 제1 식품의 관심 수를 제1 식품의 클릭 수로 나눈 값을 통해, 제1 식품에 대한 관심 연결 지수를 산출할 수 있다. 예를 들어, 관심 연결 지수는 다음의 수학식 1을 이용하여 산출할 수 있다.
서버(120)는 관심 연결 지수가 미리 설정된 제1 기준치 보다 낮은지 여부를 확인할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.
서버(120)는 관심 연결 지수가 제1 기준치 보다 낮은 것으로 확인되면, 제1 식품의 상세 정보에 대한 변경을 추천하는 제1 판매 운영 전략을 판매자가 사용하는 단말(110-n)로 제공할 수 있다. 즉, 관심 연결 지수가 제1 기준치 보다 낮은 것으로 확인되어, 클릭 수에 비해 관심 수가 매우 낮은 수치로 분석되었는 바, 이는, 온라인 쇼핑몰의 사이트 상에서 식품 상세 정보를 확인하기 위한 고객들의 클릭 수는 많지만, 식품 상세 정보의 확인 이후 장바구니에 해당 식품을 담는 고객들의 수가 적다는 것을 의미하므로, 식품의 상세 정보에 대한 변경이 필요한 것으로 판단하여, 식품 상세 정보에 대한 변경을 추천하는 제1 판매 운영 전략을 판매자가 사용하는 단말(110-n)로 제공할 수 있다.
서버(120)는 관심 연결 지수가 제1 기준치 보다 높은 것으로 확인되면, 제1 식품의 구매 수를 제1 식품의 관심 수로 나눈 값을 통해, 제1 식품에 대한 구매 연결 지수를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 다음의 수학식 2를 이용하여 구매 연결 지수를 산출할 수 있다.
서버(120)는 구매 연결 지수가 미리 설정된 제2 기준치 보다 낮은지 여부를 확인할 수 있다. 여기서, 제2 기준치는 실시예에 따라 상이하게 설정될 수 있다.
서버(120)는 구매 연결 지수가 제2 기준치 보다 낮은 것으로 확인되면, 제1 식품의 프로모션을 추천하는 제2 판매 운영 전략을 판매자가 사용하는 단말(110-n)로 제공할 수 있다. 즉, 구매 연결 지수가 제2 기준치 보다 낮은 것으로 확인되어, 관심 수에 비해 구매 수가 매우 낮은 수치로 분석되었는 바, 이는, 장바구니에 상품을 담은 고객들의 수는 많지만 장바구니에 담긴 상품을 구매한 고객들의 수가 적다는 것을 의미하므로, 할인, 적립과 같은 이벤트를 통한 프로모션이 필요한 것으로 판단하여, 상품의 프로모션을 추천하는 제2 판매 운영 전략을 판매자가 사용하는 단말(110-n)로 제공할 수 있다.
네트워크(N)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 서버(120), 데이터베이스(130), 식품 주문 서버(140), 배송 서버(150) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 서버(120), 데이터베이스(130), 식품 주문 서버(140), 배송 서버(150)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 서버(120)에서 형성된 사용자 정보 입력 요청, 식품 추천 알고리즘, 제1 및 제2 식품 추천 정보, 다수의 사용자 단말(110-1, 110-2, … , 110-n)에서 형성된 사용자 정보 등을 저장할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2는 본 발명의 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 학습 장치는 사용자 정보들이 포함하는 신체 정보들의 추출을 위하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 서버(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.
뉴럴 네트워크(124)는 트레이닝 샘플들이 입력되는 입력 레이어(122)와 트레이닝 출력들을 출력하는 출력 레이어(126)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 사용자 정보들에 대응하는 신체 정보들에 기초하여 정의될 수 있다. 뉴럴 네트워크(124)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(124) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(124) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 사용자 정보들을 획득하고, 트레이닝 사용자 정보들로부터 트레이닝 신체 정보들을 추출할 수 있다. 학습 장치는 트레이닝 신체 정보들에 대해서 각각 미리 레이블링 된 정보(제1 레이블들)를 획득할 수 있는데, 트레이닝 신체 정보들에 대응하는 관심 분야 정보인 제1 레이블들을 획득할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 신체 정보들의 크기 특징들, 길이 특징들 및 색상 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(124)의 식품 추천 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)의 식품 추천 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 사용자 정보들로부터 신체 정보들을 추출할 수 있다.
도 3은 본 발명의 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 3에 도시한 바와 같이, 서버(120)는 하나 이상의 프로세서(121), 하나 이상의 메모리(123) 및/또는 송수신기(125)를 포함할 수 있다. 일 실시예로서, 서버(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 서버(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 서버(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.
하나 이상의 프로세서(121)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(121)에 연결된 서버(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(121)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(121)는 데이터 등을 하나 이상의 메모리(123)로부터 인출하거나, 하나 이상의 메모리(123)에 저장할 수 있다.
전술한 바와 같이, 하나 이상의 프로세서(121)는, 송수신기(125)를 통하여 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로 사용자 정보 입력 요청을 디지털 패킷의 형태로 실시간 또는 비실시간으로 송신할 수 있다.
하나 이상의 프로세서(121)는, 송수신기(125)를 통해서 사용자 단말(110-1)로부터 수신된 사용자 정보를 미리 학습된 식품 추천 알고리즘을 이용하여 사용자에게 적합한 식품 정보를 디지털 패킷 형태의 제1 식품 추천 정보로 형성할 수 있다.
하나 이상의 프로세서(121)는, 디지털 패킷 형태의 제1 식품 추천 정보를 사용자 단말(110-1)로 실시간 또는 비실시간으로 송신할 수 있다.
하나 이상의 프로세서(121)는, 사용자 단말(110-1)로부터 제1 식품 추천 정보에 대한 피드백 정보를 수신하고, 피드백 정보를 식품 추천 알고리즘에 반영하여 제1 식품 추천 정보를 수정한 디지털 패킷 형태의 제2 식품 추천 정보로 형성할 수 있다.
하나 이상의 프로세서(121)는, 디지털 패킷 형태의 제2 식품 추천 정보를 사용자 단말(110-1)로 실시간 또는 비실시간으로 송신하여 제2 식품 추천 정보에 대한 승인을 획득할 수 있다.
하나 이상의 프로세서(121)는, 사용자 승인을 획득한 디지털 패킷 형태의 제2 식품 추천 정보를 식품 주문 서버(140)로 전송하여 제2 식품 추천 정보에 따른 식품을 준비하도록 제어할 수 있다.
하나 이상의 프로세서(121)는, 식품 주문 서버(140)로부터 식품 준비 완료 신호를 수신하고, 식품 준비 완료 신호를 사용자 단말(110-1)로 전송하여 디지털 패킷 형태의 사용자의 주소 정보를 획득할 수 있다.
하나 이상의 프로세서(121)는, 배송 서버(150)로 사용자의 주소 정보를 송신하여 준비가 완료된 식품을 사용자의 주소로 배송하도록 요청할 수 있다.
하나 이상의 메모리(123)는 다양한 데이터를 저장할 수 있다. 메모리(123)에 저장되는 데이터는, 서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(123)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(123)에 저장되는 소프트웨어로서, 서버(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 서버(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
하나 이상의 메모리(123)는 상술한 다수의 사용자 단말(110-1, 110-2, … , 110-n)로부터 네트워크(N)를 통하여 수신한 사용자 정보들 및 사용자들의 주소 정보들, 하나 이상의 프로세서(121)에서 형성된 사용자 정보 입력 요청들, 제1 및 제2 식품 추천 정보들 등을 저장할 수 있다. 또한, 하나 이상의 메모리(123)는, 하나 이상의 프로세서(121)에 의한 실행 시, 하나 이상의 프로세서(121)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.
일 실시예로서, 영양 정보 제공 장치(120)는 송수신기(125)를 더 포함할 수 있다. 송수신기(125)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 서버(120), 데이터베이스(130), 식품 주문 서버(140), 배송 서버(150) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(125)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(125)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.
일 실시예로서, 하나 이상의 프로세서(121)는 송수신기(125)를 제어하여 다수의 사용자 단말(110-1, 110-2, … , 110-n), 식품 주문 서버(140), 배송 서버(150)로부터 정보를 획득할 수 있다. 다수의 사용자 단말(110-1, 110-2, … , 110-n), 식품 주문 서버(140), 배송 서버(150)로부터 획득된 정보는 하나 이상의 메모리(123)에 저장될 수 있다.
일 실시예로서, 서버(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 서버(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 서버(120)는 전술한 장치들에 한정되지 않는다.
본 발명에 따른 서버(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 서버(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 서버(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 서버(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.
도 4는 본 발명의 일실시예에 따른 식품 추천 서비스 제공 방법의 흐름도이다.
도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 4에 도시한 바와 같이, 단계(S410)에서, 사용자 정보 입력 요청이 전송된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로 네트워크(N)를 통하여 사용자 정보 입력 요청을 전송할 수 있다.
단계(S420)에서, 사용자 정보가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 410에서 사용자 정보 입력 요청을 전송한 사용자 단말(110-1)로부터 사용자 입력 요청에 따른 응답인 사용자 정보를 수신할 수 있다.
단계(S430)에서, 제1 식품 추천 정보가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S420에서 수신된 사용자 정보를 미리 학습된 식품 추천 알고리즘을 이용하여 사용자에게 적합한 식품 정보를 제1 식품 추천 정보로 형성할 수 있다.
단계(S440)에서, 제1 식품 추천 정보가 전송된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S430에서 형성된 제1 식품 추천 정보를 사용자 정보를 전송했던 사용자 단말(110-1)로 전송할 수 있다.
단계(S450)에서, 피드백 정보가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S440에서 전송된 제1 식품 추천 정보에 대한 피드백 정보를 사용자 단말(110-1)로부터 수신할 수 있다.
단계(S460)에서, 제2 식품 추천 정보가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S450에서 수신된 피드백 정보를 식품 추천 알고리즘에 반영하여 제1 식품 추천 정보를 수정한 제2 식품 추천 정보를 형성할 수 있다.
단계(S470)에서, 제2 식품 추천 정보가 전송된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S460에서 형성된 제2 식품 추천 정보를 제1 식품 추천 정보를 전송했던 사용자 단말(110-1)로 전송할 수 있다.
단계(S480)에서, 제2 식품 추천 정보에 대한 승인이 획득된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S470에서 전송한 제2 식품 추천 정보에 대한 승인을 획득할 수 있다.
단계(S490)에서, 제2 식품 추천 정보에 따른 식품이 준비된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S480에서 승인이 획득된 제2 식품 추천 정보를 식품 주문 서버(140)로 전송하여 제2 식품 추천 정보에 따른 식품을 준비하도록 제어할 수 있다.
단계(S500)에서, 식품 준비 완료 신호가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 식품 주문 서버(140)로부터 식품 준비 완료 신호를 수신할 수 있다.
단계(S510)에서, 주소 정보가 획득된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S500에서 수신된 식품 준비 완료 신호를 사용자 단말(110-1)로 전송하여 사용자의 주소 정보를 획득할 수 있다.
단계(S520)에서, 배송이 요청된다. 예를 들어, 도 1 내지 도 3을 참조하면, 서버(120)는, 단계 S510에서 획득된 사용자의 주소 정보를 배송 서버(150)로 송신하여 준비가 완료된 식품을 사용자의 주소로 배송하도록 요청할 수 있다.
도 5는 본 발명의 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(401)는 프로세서(402) 및 메모리(403)를 포함한다. 일실시예에 따른 장치(401)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(403)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(403)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(402)는 프로그램을 실행하고, 장치(401)를 제어할 수 있다. 프로세서(402)에 의하여 실행되는 프로그램의 코드는 메모리(403)에 저장될 수 있다. 장치(401)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 하나 이상의 프로세서에 의해서, 사용자 단말로 사용자 정보 입력 요청을 전송하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 사용자 단말로부터 상기 사용자 입력 요청에 따른 응답인 사용자 정보를 수신하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 사용자 정보를 미리 학습된 식품 추천 알고리즘을 이용하여 사용자에게 적합한 식품 정보를 제1 식품 추천 정보로 형성하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 제1 식품 추천 정보를 상기 사용자 단말로 전송하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 사용자 단말로부터 상기 제1 식품 추천 정보에 대한 피드백 정보를 수신하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 피드백 정보를 상기 식품 추천 알고리즘에 반영하여 상기 제1 식품 추천 정보를 수정한 제2 식품 추천 정보로 형성하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 제2 식품 추천 정보를 상기 사용자 단말로 전송하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 사용자 단말로부터 상기 제2 식품 추천 정보에 대한 승인을 획득하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 제2 식품 추천 정보를 식품 주문 서버로 전송하여 상기 제2 식품 추천 정보에 따른 식품을 준비하도록 제어하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 식품 주문 서버로부터 식품 준비 완료 신호를 수신하는 단계;
상기 하나 이상의 프로세서에 의해서, 상기 식품 준비 완료 신호를 상기 사용자 단말로 전송하여 사용자의 주소 정보를 획득하는 단계; 및
상기 하나 이상의 프로세서에 의해서, 배송 서버로 상기 사용자의 주소 정보를 송신하여 준비가 완료된 식품을 상기 사용자의 주소로 배송하도록 요청하는 단계를 포함하되,
상기 제2 식품 추천 정보로 형성하는 단계는,
상기 피드백 정보에 기초하여 다수의 신체 정보 중 제1 신체 정보를 제외하고, 임계값과 차이가 가장 큰 제2 신체 정보를 추출하는 단계;
상기 제2 신체 정보 따라서 미리 정의된 관심 분야 정보를 추출하는 단계; 및
상기 관심 분야 정보에 따라서 상기 제2 식품 추천 정보를 형성하는 단계를 포함하고,
상기 제1 식품 추천 정보로 형성하는 단계는,
상기 사용자 정보로부터 상기 다수의 신체 정보 - 상기 다수의 신체 정보는, 키, 몸무게, 허리둘레, 가슴둘레 중 적어도 하나를 포함하는 -를 추출하는 단계;
상기 다수의 신체 정보를 임계값과 비교하여 임계값과 차이가 가장 큰 상기 제1 신체 정보를 추출하는 단계;
상기 제1 신체 조건에 따라서 미리 정의된 관심 분야 정보를 추출하는 단계; 및
상기 관심 분야 정보에 따라서 상기 제1 식품 추천 정보를 형성하는 단계
를 포함하는,
인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법. - 제1항에 있어서,
상기 제1 식품 추천 정보로 형성하는 단계는,
트레이닝 사용자 정보들을 획득하는 단계;
상기 트레이닝 사용자 정보들로부터 트레이닝 신체 정보들을 추출하는 단계;
상기 트레이닝 신체 정보들에 대해서 미리 정의된 관심 분야 정보를 나타내는 제1 레이블들을 획득하는 단계;
상기 트레이닝 신체 정보들을 미리 학습된 뉴럴 네트워크로 적용하여, 상기 트레이닝 신체 정보들에 대응하는 트레이닝 출력들을 생성하는 단계; 및
상기 트레이닝 출력들 및 상기 제1 레이블들에 기초하여, 상기 식품 추천 알고리즘을 학습시키는 단계
를 포함하는,
인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210101713A KR102401813B1 (ko) | 2021-08-03 | 2021-08-03 | 인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210101713A KR102401813B1 (ko) | 2021-08-03 | 2021-08-03 | 인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102401813B1 true KR102401813B1 (ko) | 2022-05-25 |
Family
ID=81800492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210101713A KR102401813B1 (ko) | 2021-08-03 | 2021-08-03 | 인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102401813B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115432A (zh) * | 2022-07-19 | 2022-09-27 | 平安科技（深圳）有限公司 | 基于人工智能的产品信息推荐方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160029980A (ko) * | 2014-09-05 | 2016-03-16 | 주식회사 디맨드 | 맞춤형 건강 식단 정보를 참조로 하여 자동으로 식재료를 주문하는 방법, 단말 및 컴퓨터 판단 가능한 기록 매체 |
| KR102142125B1 (ko) * | 2019-11-29 | 2020-08-06 | 주식회사 뉴잇 | 반려동물 자연식 영양 맞춤형 즉석 조리 시스템 |
| KR20200098376A (ko) * | 2019-02-11 | 2020-08-20 | 주식회사 스낵포 | 최적 스낵군 추천을 위한 서버, 방법 및 단말 |
| KR20200117218A (ko) * | 2019-04-03 | 2020-10-14 | 주식회사 시시더블유 | 개인 맞춤형 건강기능식품 추천방법 및 이를 이용한 건강기능식품 추천 시스템 |
| KR20200134783A (ko) | 2019-05-23 | 2020-12-02 | 주식회사 시시더블유 | 건강기능식품 추천구매에 대한 보상방법 및 이를 이용한 건강기능식품 추천 보상 시스템 |
| KR102186267B1 (ko) | 2020-08-06 | 2020-12-03 | 주식회사 로그싱크 | 개인 맞춤형 건강기능식품 정보제공 시스템 및 방법 |
| KR20210018619A (ko) * | 2019-08-07 | 2021-02-18 | 왓비타 주식회사 | 개인화된 영양소 추천 방법 및 서버 |
-
2021
- 2021-08-03 KR KR1020210101713A patent/KR102401813B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160029980A (ko) * | 2014-09-05 | 2016-03-16 | 주식회사 디맨드 | 맞춤형 건강 식단 정보를 참조로 하여 자동으로 식재료를 주문하는 방법, 단말 및 컴퓨터 판단 가능한 기록 매체 |
| KR20200098376A (ko) * | 2019-02-11 | 2020-08-20 | 주식회사 스낵포 | 최적 스낵군 추천을 위한 서버, 방법 및 단말 |
| KR20200117218A (ko) * | 2019-04-03 | 2020-10-14 | 주식회사 시시더블유 | 개인 맞춤형 건강기능식품 추천방법 및 이를 이용한 건강기능식품 추천 시스템 |
| KR20200134783A (ko) | 2019-05-23 | 2020-12-02 | 주식회사 시시더블유 | 건강기능식품 추천구매에 대한 보상방법 및 이를 이용한 건강기능식품 추천 보상 시스템 |
| KR20210018619A (ko) * | 2019-08-07 | 2021-02-18 | 왓비타 주식회사 | 개인화된 영양소 추천 방법 및 서버 |
| KR102142125B1 (ko) * | 2019-11-29 | 2020-08-06 | 주식회사 뉴잇 | 반려동물 자연식 영양 맞춤형 즉석 조리 시스템 |
| KR102186267B1 (ko) | 2020-08-06 | 2020-12-03 | 주식회사 로그싱크 | 개인 맞춤형 건강기능식품 정보제공 시스템 및 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115432A (zh) * | 2022-07-19 | 2022-09-27 | 平安科技（深圳）有限公司 | 基于人工智能的产品信息推荐方法及装置 |
| CN115115432B (zh) * | 2022-07-19 | 2024-02-02 | 平安科技（深圳）有限公司 | 基于人工智能的产品信息推荐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102289256B1 (ko) | 자가진단 기반 건강기능식품 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102506472B1 (ko) | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102423285B1 (ko) | 광고 컨텐츠 기획 및 제작 방법, 장치 및 시스템 | |
| KR102415337B1 (ko) | 농특산물 거래 제공 장치 및 방법 | |
| KR102546871B1 (ko) | 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템 | |
| KR102401813B1 (ko) | 인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102494264B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR20220075623A (ko) | 구매상품 리뷰 큐레이션 및 라이브커머스를 통한 상품 구매 방법, 장치 및 프로그램 | |
| KR102552856B1 (ko) | 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템 | |
| KR102564996B1 (ko) | 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| KR102485355B1 (ko) | 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102420626B1 (ko) | 인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템 | |
| KR102410460B1 (ko) | 인공지능 기반 뷰티샵 예약 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102288151B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| KR102330859B1 (ko) | 반려 동물의 대변 이미지 분석 정보 제공 방법, 장치 및 시스템 | |
| KR102651114B1 (ko) | 애드 익스체인지 관련 빅데이터의 실시간 분석 및 분산 처리를 통한 인공지능 정보의 생성 및 광고 지면 제공 대상의 타겟팅 최적화 방법, 장치 및 시스템 | |
| KR102662214B1 (ko) | 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법 | |
| KR102615605B1 (ko) | 사용자 상호 작용 기반 스타일링 추천 및 라이프스타일아이템 판매 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102619891B1 (ko) | 인공지능 모델 기반 커머스 제품 연계 콘텐츠의 시청패턴을 고려한 사용자 맞춤형 제품 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| KR102536069B1 (ko) | 인공지능 기반 반려동물 뷰티 디자이너 및 뷰티샵 매칭 방법, 장치 및 시스템 | |
| KR102593858B1 (ko) | 재고 관리 및 수요 예측을 통한 물류 처리 자동화 방법 | |
| KR102422255B1 (ko) | 인공지능 기반 연애 상담 서비스 제공 방법, 장치 및 시스템 | |
| KR102459451B1 (ko) | 인공지능 기반 기프티콘 구매 및 거래 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102596882B1 (ko) | 안경 제공 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |