KR102409717B1 - 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치 - Google Patents

온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치 Download PDF

Info

Publication number
KR102409717B1
KR102409717B1 KR1020200061543A KR20200061543A KR102409717B1 KR 102409717 B1 KR102409717 B1 KR 102409717B1 KR 1020200061543 A KR1020200061543 A KR 1020200061543A KR 20200061543 A KR20200061543 A KR 20200061543A KR 102409717 B1 KR102409717 B1 KR 102409717B1
Authority
KR
South Korea
Prior art keywords
product
seller
user
buyer
mode
Prior art date
Application number
KR1020200061543A
Other languages
English (en)
Other versions
KR20210144331A (ko
Inventor
김영채
안성국
안시현
Original Assignee
주식회사 스타일셀러
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 스타일셀러 filed Critical 주식회사 스타일셀러
Priority to KR1020200061543A priority Critical patent/KR102409717B1/ko
Publication of KR20210144331A publication Critical patent/KR20210144331A/ko
Application granted granted Critical
Publication of KR102409717B1 publication Critical patent/KR102409717B1/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
    • G06Q30/06—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
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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]
    • G06Q30/0641—Shopping interfaces
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

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

Abstract

온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치가 개시된다. 본 발명에 따른 판매 상품 추천 방법은, 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 이를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고 학습하는 단계; 학습된 협업 필터링 신경망을 이용해 각 판매자-구매자-상품 쌍에 대한 예측 수익을 산출하는 단계; 산출된 예측 수익을 기초로 각 판매자에게 추천할 상품 정보를 포함하는 추천 결과 정보를 생성하는 단계; 온라인 쇼핑몰의 사용자가 판매자 모드이면, 추천 결과 정보로부터 사용자에게 추천할 판매 상품 리스트를 조회하는 단계; 및 판매자 모드 사용자의 단말로 해당 사용자에게 추천할 판매 상품 리스트를 포함하는 판매자 모드 인터페이스를 제공하는 단계;를 포함할 수 있다.

Description

온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치 {Method and apparatus for recommending selling item to seller of on-line shopping mall}
본 발명은 추천 시스템에 대한 것으로, 더 구체적으로는 협업 필터링 및 인공 신경망 기술을 이용하여 온라인 쇼핑몰의 판매자들 각각에 맞는 판매 상품을 추천해주는 방법 및 장치에 대한 것이다.
정보 폭발의 시대에, 전자 상거래, 온라인 뉴스 및 소셜 미디어 사이트 등 많은 온라인 서비스에서 널리 채택되고 있는 추천 시스템은 정보 과부하를 완화하는 데 중추적인 역할을 한다.
추천 알고리즘이란 사용자 및 상품의 프로필 정보나 사용자의 행동(클릭, 장바구니 담기, 구매 등) 정보를 통해 사용자가 어떤 상품을 좋아할지 예측하는 알고리즘으로, 크게 콘텐츠 기반 필터링(Contents Based Filtering) 알고리즘 계열과 협업 필터링(Collaborative Filtering) 알고리즘 계열로 나뉜다.
콘텐츠 기반 필터링은 프로필(메타 데이터)을 이용하는 방식이다. 특정 사용자와 프로필이 비슷한 사용자가 좋아한 상품을 추천하거나, 어떤 사용자가 좋아한 특정 아이템과 프로필이 유사한 아이템을 추천해준다.
그에 비해 협업 필터링은 사용자가 남긴 행동을 바탕으로 사용자들 간의 유사 관계도나 아이템들 간의 유사 관계도를 계산하는 방식이다. 협업 필터링은 사용자 행동, 활동 또는 선호도에 대한 많은 정보를 분석 및 수집하고 다른 사용자와의 비슷함에 기초를 두고 사용자들이 무엇을 좋아할 지를 예측한다. 흔히 협업 필터링은 콘텐츠 기반 필터링보다 정확하다고 알려져 있다. 아마존 같은 대형 이커머스 회사에서는 협업 필터링을 사용하여 소비자에게 구매할만한 상품을 추천한다.
다양한 협업 필터링 기술 중 행렬 분해(Matrix Factorization, MF)는 가장 널리 사용되며, 사용자 또는 아이템(상품)을 나타내는 잠재 특징(latent features)의 벡터를 사용하여 사용자와 아이템을 공유된 잠재 공간(shared latent space)에 투영시킨다. 이에 따라 아이템에 대한 사용자의 상호작용이 잠재 벡터의 내적으로 모델링된다. 그러나, 협업 필터링을 위한 MF의 효과에도 불구하고, 인터랙션 함수(interaction function) ― 내적(inner product)의 단순한 선택에 의해 MF의 성능이 저하되는 문제가 있다.
최근 딥 러닝(Deep Learning)이 주목을 받으며 추천 시스템에 DNN(Deep Neural Network)을 사용하고 있지만, 주로 상품에 대한 텍스트 설명, 음악의 오디오 기능 및 이미지의 시각적 콘텐츠와 같은 보조 정보를 모델링하기 위한 사용에 그치고 있다.
한편, 상품 구매, 항목 클릭, 동영상 시청 등과 같은 행동을 통해 사용자의 선호도를 간접적으로 반영하는 암시적 피드백(implicit feedback)에 중점을 둔 추천 시스템의 개발이 진행되고 있다. 사용자가 리뷰를 남기거나 평점을 매기는 명시적 피드백(explicit feedback)에 비해 암시적 피드백은 자동으로 추적할 수 있으므로 콘텐츠 공급자가 데이터를 수집하는 것이 훨씬 쉽다. 그러나 사용자 만족도가 관찰되지 않고 부정적인 피드백이 부족하기 때문에 활용하기는 더 어렵다는 문제가 있다.
종래 전자상거래에서 추천 알고리즘은 구매자의 취향을 예측하여 구매자에게 어떤 상품을 구매할지 추천하는 것이 대부분인데, 판매자가 개인 마켓을 운영하면서 큰 어려움을 겪는 부분은 본인에게 알맞은 판매 상품이 무엇인지 알아내는 과정이다.
단순하게 판매량이나 매출액 순으로 판매 상품을 선택 또는 추천하게 되면 대부분의 판매자가 비슷한 인기 상품만을 팔게 되는 상황에 놓일 수도 있다. 이는 판매자들의 출혈 경쟁을 야기하고 때로는 자극적인 과장 광고로 소비자를 눈속임하는 전략이 사용된다. 결과적으로 쇼핑몰 전체의 발전에 악영향을 끼치게 된다.
사용자가 구매 활동을 하면서 동시에 상품을 판매할 수 있도록 하는 온라인 쇼핑몰 서비스 역시 판매 활동을 하는 사용자 개개인의 수익을 극대화할 수 있도록 맞춤형으로 판매 상품을 추천해주는 기술이 부족하다. 특히, 판매자와 소비자가 밀접하게 상호작용하는 소셜 네트워크 서비스(Social Network Service, SNS)형 커머스의 경우, 각 판매자에게 적합한 판매 상품은 해당 판매자에게서 구매하는 소비자의 패턴에 따라 각자 다른 양상을 보인다. 하지만 개인 판매자로서는 본인의 고객들의 특징을 분석하여 적합한 판매 상품을 선택하기 어렵다.
본 발명은 상기와 같은 종래 기술의 문제점을 해소하기 위한 것으로, 소셜 네트워크의 형태로 구매자와 판매자가 상호작용하도록 인터페이스를 제공하는 온라인 쇼핑몰의 거래 데이터에서 인터랙션 함수(interaction function)를 학습하기 위한 심층 신경망(deep neural network)을 기반으로 판매자가 판매할 상품을 자동으로 추천해주는 판매 상품 추천 방법 및 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명은 구매자 모드와 판매자 모드로 분류되는 사용자들을 관리하여 편리하고 효율적인 쇼핑 공간을 생성하고 유지할 수 있는 판매 상품 추천 방법 및 장치를 제공하는 것을 목적으로 한다.
상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 상품 추천 장치가 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법은, 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 상기 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고 학습하는 단계; 상기 학습된 협업 필터링 신경망을 이용해 각 판매자-구매자-상품 쌍에 대한 예측 수익을 산출하는 단계; 상기 산출된 예측 수익을 기초로 각 판매자에게 추천할 상품 정보를 포함하는 추천 결과 정보를 생성하는 단계; 상기 온라인 쇼핑몰의 사용자가 판매자 모드이면, 상기 추천 결과 정보로부터 상기 사용자에게 추천할 판매 상품 리스트를 조회하는 단계; 및 상기 판매자 모드 사용자의 단말로 해당 사용자에게 추천할 판매 상품 리스트를 포함하는 판매자 모드 인터페이스를 제공하는 단계;를 포함할 수 있다.
상기 판매 상품 추천 방법은, 상기 판매자 모드 사용자가 추천 상품에 대한 리뷰를 작성하면, 해당 추천 상품에 대한 판매 페이지를 생성하여 상기 판매자 모드 사용자의 개인 리뷰샵에 추가하는 단계; 및 상기 판매자 모드 사용자가 작성한 리뷰 정보 및 해당 판매 페이지에 접근할 수 있는 링크 정보를 포함하는 소셜 네트워크 메시지를 상기 판매자 모드 사용자의 팔로워에게 전달하는 단계;를 더 포함할 수 있다.
상기 판매 상품 추천 방법은, 상기 판매자 모드 사용자의 팔로워 수, 상품 리뷰 수 및 상품 판매량 중 적어도 하나를 기준으로 인플루언싱 등급을 산정하고 관리하는 단계; 및 상기 산정된 인플루언싱 등급을 이용하여 상기 판매자 모드 사용자의 상품 판매 조건 및 상품 판매에 따른 보상 조건을 결정하는 단계;를 더 포함할 수 있다.
상기 판매 상품 추천 방법은, 상기 온라인 쇼핑몰의 사용자들에 대해 방문 횟수, 상품 구매량 및 상품 리뷰수 중 적어도 하나를 기준으로 쇼퍼 등급을 산정하고 관리하는 단계; 및 상기 산정된 쇼퍼 등급을 이용하여 각 사용자의 상품 구매 조건 및 판매자 모드 활성화 여부를 결정하는 단계;를 더 포함할 수 있다.
상기 협업 필터링 신경망은, 잠재 특징 인터랙션(latent feature interaction)을 모델링하기 위해 선형 커널을 적용하는 복수의 GMF(Generalized Matrix Factorization) 레이어; 인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 복수의 MLP(Multi-Layer Perceptron) 레이어; 및 상기 GMF 레이어와 상기 MLP 레이어의 출력을 결합하는 NeuMF(Neural Matrix Factorization) 레이어;를 포함할 수 있다.
상기 협업 필터링 신경망을 모델링하고 학습하는 단계는, 상기 거래 데이터로부터 추출한 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩(one-hot encoding)하여 이진화된 스파스 벡터(sparse vector)로 변환하는 단계; 상기 이진화된 스파스 벡터를 저차원의 임베딩 벡터로 변환하는 단계; 상기 구매자에 대한 잠재 벡터(latent vector)와 상기 상품에 대한 잠재 벡터에 대해 요소별 곱(element-wise product)을 적용한 구매자-상품 GMF 레이어, 상기 상품에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 상품-판매자 GMF 레이어, 및 상기 구매자에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 구매자-판매자 GMF 레이어를 통해 상기 임베딩 벡터를 학습하는 단계; 상기 복수의 MLP 레이어를 통해 상기 임베딩 벡터를 학습하는 단계; 및 상기 구매자-상품 GMF 레이어, 상기 상품-판매자 GMF 레이어, 상기 구매자-판매자 GMF 레이어 및 상기 복수의 MLP 레이어의 출력을 결합하여 상기 NeuMF 레이어를 통해 학습하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 상품 추천 장치는 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 상기 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고, 상기 학습된 협업 필터링 신경망을 이용해 각 판매자-구매자-상품 쌍에 대한 예측 수익을 산출하는 신경망 모듈; 상기 신경망 모듈에 의해 산출된 예측 수익을 기초로 각 판매자에게 추천할 상품 정보를 포함하는 추천 결과 정보를 생성하는 상품 추천 모듈; 및 상기 온라인 쇼핑몰의 사용자가 판매자 모드이면, 상기 추천 결과 정보로부터 상기 사용자에게 추천할 판매 상품 리스트를 조회하고, 상기 판매자 모드 사용자의 단말로 해당 사용자에게 추천할 판매 상품 리스트를 포함하는 판매자 모드 인터페이스를 제공하는 사용자 관리 모듈;을 포함할 수 있다.
본 발명에 의하면, 소셜 네트워크의 형태로 구매자와 판매자가 상호작용하도록 인터페이스를 제공하는 온라인 쇼핑몰의 거래 데이터에서 인터랙션 함수를 학습하기 위한 심층 신경망 기반을 기반으로 판매자가 판매할 상품을 맞춤형으로 자동 추천할 수 있다.
또한, 본 발명에 의하면 온라인 쇼핑몰의 사용자 개개인에 대해 수익을 극대화하고 구매 및 판매 활동에 대한 편리함과 동기를 부여함으로써 결과적으로는 쇼핑몰 전체의 매출 증대에 기여할 수 있다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 판매 상품 추천 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 판매 상품 추천 방법을 설명하기 위한 순서도이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 협업 필터링 신경망의 모델을 설명하기 위한 도면이다.
도 6 내지 도 8은 본 발명의 일 실시예에 따른 협업 필터링 신경망의 학습 및 예측 원리를 설명하기 위한 도면이다.
도 9 내지 도 17은 본 발명의 일 실시예에 따른 판매 상품 추천 방법이 적용되는 온라인 쇼핑몰 서비스의 사용자 인터페이스를 예시한 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다. 본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...수단", "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하에서는, 첨부된 도면을 참조하여 본 발명의 다양한 실시예에 따른 판매 상품 추천 방법 및 장치에 대해 구체적으로 설명하기로 한다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 판매 상품 추천 시스템의 구성을 설명하기 위한 블록도이다.
도 1을 참조하면, 판매 상품 추천 시스템은 온라인 쇼핑몰의 사용자가 사용하는 구매자 단말(110)과 판매자 단말(120), 그리고 판매 상품 추천 장치(100)를 포함하여 구성될 수 있으며, 이들 전자기기는 컴퓨터 장치로 구현되는 고정형 단말이거나 또는 이동형 단말일 수 있다. 전자기기의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다.
전자기기들(100, 110, 120) 간의 통신 방식은 제한되지 않으며, 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다.
판매 상품 추천 장치(100)는 하나 이상의 물리적인 컴퓨팅 장치로 구현될 수 있으며, 상품을 판매하는 온라인 쇼핑몰 서비스뿐만 아니라 협업 필터링 신경망의 학습 및 수익 예측, 판매 상품 추천, 개인 리뷰샵 관리, 사용자의 모드 전환 등 사용자 관리, 구매자와 사용자의 상호작용을 위한 소셜 네트워크 서비스 등을 제공할 수 있다.
본 발명에서 사용자는 구매자 모드 또는 판매자 모드로 서비스를 이용할 수 있다. 편의상 구매자 모드로 이용하는 사용자의 단말을 구매자 단말(110)로 구매자 모드뿐만 아니라 판매자 모드로도 이용하는 사용자의 단말을 판매자 단말(120)로 구분하여 사용하였지만, 구매자 단말(110)과 판매자 단말(120)은 하드웨어 구성상 서로 다르지 않으며 소프트웨어 구성상으로도 동일한 애플리케이션을 통해 온라인 쇼핑몰에 접속하여 본 발명에 의해 제공되는 판매 상품 추천 서비스 및 리뷰샵 서비스를 이용하게 된다.
본 발명에서 각 판매자는 스스로 온라인 쇼핑몰의 상품을 구매할 수도 있고 자신이 선택한 상품을 판매할 수 있는 별도의 샵(shop)을 온라인 쇼핑몰 내에 가지고 있으며, 자신의 상품을 구매하거나 자신을 팔로우(follow)하는 구매자를 보유하고 있다.
본 발명은 사용자가 전용 애플리케이션에서 구매자로서 운영업체가 소싱한 상품을 구매한 후 상품에 대한 리뷰(review)를 남기면, 그 리뷰를 통해 본인의 샵을 개설할 수 있도록 하는 커머스 서비스를 제공한다. 이러한 개인 리뷰샵(review shop)을 개설한 후에는 동일 애플리케이션 내에서 판매자 모드로 전환하여 개인 리뷰샵의 운영도 가능하다.
또한, 구매자가 특정 판매자의 개인 리뷰샵의 스타일, 리뷰의 품질 등이 마음에 든다면 해당 리뷰샵을 팔로우할 수 있다. 리뷰샵을 팔로우하면 구매자의 피드에 팔로우한 리뷰샵의 리뷰들이 나열되므로 쉽게 해당 리뷰샵에 접근할 수 있다.
또한, 구매자와 판매자는 피드에 올라오는 리뷰들에 '좋아요' 버튼, 점수 입력 등을 통해 평가를 입력하거나 댓글을 달면서 SNS(Social Network Service)와 같이 서로 상호작용을 할 수 있다
도 1을 참조하면, 구매자 단말(110)을 통해 판매 상품 추천 장치(100)에 접속한 구매자의 상품 보기, 장바구니 담기, 결제 등 행동이 발생하면, 해당 행동에 대한 로그 데이터가 소비자 행동 로그 저장소(111)에 저장된다.
판매 상품 추천 장치(100)는 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 프로세서는 사용자 관리 모듈(101), 리뷰샵 관리 모듈(102), SNS 모듈(103), 상품 추천 모듈(104) 및 신경망 모듈(105)을 포함하여 실행할 수 있다
상품 추천 모듈(104)의 학습 작업 및 예측 작업 지시에 따라, 신경망 모듈(105)은 학습 및 예측에 필요한 데이터를 추출하여 필요 데이터 저장소(112)에 저장한다. 필요 데이터에는 상품 구매에 따른 결제 데이터로부터 획득할 수 있는 구매자, 상품, 판매자 및 해당 거래에 따른 매출 또는 수익에 대한 정보가 포함될 수 있다.
신경망 모듈(105)의 학습을 위해 데이터 전처리가 필요하다. 전처리 단계에서는 필요 데이터 저장소(112)로부터 구매자 ID, 상품 ID 및 판매자 ID가 독출되어 입력 벡터로 변환된다. 전처리된 데이터는 전처리 데이터 저장소(113)에 저장되어 신경망 모듈(105)에 입력된다.
협업 필터링 신경망 모듈(105)은 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 딥 러닝(deep learning)한다. 이를 위해, 협업 필터링 신경망(105)은 판매자, 구매자, 상품이라는 3개의 엔터티(entity)를 가지고 머신 러닝(machine learning)을 수행하여 확률값을 계산한다. 판매자와 구매자는 모두 해당 온라인 쇼핑몰의 사용자로 인플루언서(influencer)와 팔로워(follower)라는 밀접한 특정 관계가 있으며, 구매자와 상품 사이에는 구매 여부라는 특정 관계가 있다.
학습된 신경망(105)은 모든 판매자에 대해, 각 판매자를 팔로우하는 구매자들에 대해, 그리고 모든 상품에 대해 수익을 예측한다. 즉, 모든 판매자-팔로워-상품 쌍에 대한 수익을 예측한다. 상품 추천 모듈(104)은 이 예측 결과를 기초로 각 판매자의 수익을 극대화할 수 있는 상품 리스트를 추천한다. 추천 결과는 추천 결과 저장소(114)에 저장되어 판매자 단말(120)에 제공될 수 있다. 추천 모듈(104)은 모든 판매자에 대해 일별 배치로 학습 및 예측을 수행할 수 있다.
본 발명의 다양한 실시예에 따른 신경망 모델의 구조와 그에 의한 학습 및 예측에 대해서는 도 4 내지 도 8를 참조하여 상세히 후술하기로 한다.
사용자 관리 모듈(101)은 사용자들의 개인 정보, 모드 정보, 권한 정보, 접속 정보, 구매 정보, 판매 정보 등을 저장 및 관리하고 그에 따라 아래와 같은 사용자 관리 기능을 수행한다.
사용자 관리 모듈(101)은 온라인 쇼핑몰에 접속한 사용자의 모드를 확인하고 관리하는데, 확인된 모드에 따라 구매자 모드 인터페이스 또는 개인 리뷰샵을 포함하는 판매자 모드 인터페이스를 제공한다.
구매자로만 이용할 권한이 있는 사용자는 구매자 모드로만 서비스에 접속할 수 있고 구매자 모드 인터페이스를 통해 상품의 구매, 타 사용자의 리뷰샵에 대한 방문 및 팔로우, 구매 상품의 리뷰 작성 등 구매에 관련된 기능을 이용할 수 있다.
판매자로 이용할 권한이 있는 사용자는 구매자 모드 및 판매자 모드 모두를 이용하여 서비스에 접속할 수 있다. 판매자 권한이 있는 사용자 즉 판매자 모드가 활성화되어 있는 사용자는 특정 시점에 구매자 모드 또는 판매자 모드로 서비스를 이용한다. 구매자 모드로 이용할 때는 구매자 모드 인터페이스를 통해 구매에 관련된 기능의 이용이 가능하고, 판매자 모드로 이용할 때는 판매자 모드 인터페이를 통해 자신의 개인 리뷰샵 관리, 판매 페이지 생성을 위한 리뷰 작성, 팔로워 관리, 판매 수익 확인 및 지급 요청 등 판매에 관련된 기능을 이용할 수 있다.
사용자 관리 모듈(101)은 온라인 쇼핑몰의 사용자들에 대해 방문 횟수, 상품 구매량 및 상품 리뷰수 중 적어도 하나를 기준으로 쇼퍼 등급을 산정하여 관리할 수 있다. 쇼퍼 등급은 상품 구매시 할인율 등 각 사용자의 상품 구매 조건을 결정하는데 사용될 수 있다. 또한, 쇼퍼 등급은 판매자 모드 활성화 여부를 결정하는데 사용될 수 있다. 쇼퍼 등급이 미리 설정된 소정의 등급 이상이면 판매자 권한을 부여하여 판매자 모드로 서비스를 이용할 수 있도록 사용자 설정을 변경할 수 있다. 이 경우, 해당 사용자가 계좌 번호 등을 입력하고 판매자 권한을 신청하면 판매자 모드가 활성화되며 자신의 개인 리뷰샵을 가질 수 있게 된다.
사용자 관리 모듈(101)은 판매자 모드 사용자의 팔로워 수, 상품 판매량, 팔로워들의 평가 및 상품 리뷰 수 중 적어도 하나를 기준으로 인플루언싱 등급을 산정하여 관리할 수 있다. 인플루언싱 등급은 판매자 권한이 부여된 사용자들의 판매 활동을 평가한 것이라 볼 수 있다.
산정된 인플루언싱 등급에 따라 해당 사용자의 상품 판매 조건 및 상품 판매에 따른 수익 지급 조건을 결정할 수 있다. 상품 판매 조건은 상품 판매시 가격 조정에 대한 것으로, 판매자의 인플루언싱 등급에 따라 상품 판매시 소정의 할인율을 적용하도록 할 수 있다. 판매 실적이 우수한 판매자는 상품을 더 할인해 판매할 수 있도록 인센티브를 주는 것이다. 수익 지급 조건은 판매량에 따른 보상 지급에 대한 것으로, 판매자의 인플루언싱 등급에 따라 상품 판매에 따른 수익금 지급을 다르게 적용할 수 있다. 예컨대 매출 실적이 높은 판매자에게 더 높은 비율의 수익금을 지급하도록 설정할 수 있다.
리뷰샵 관리 모듈(102)은 판매자 모드 사용자별로 리뷰, 판매 페이지 및 리뷰샵을 생성하고 관리하는 기능을 수행한다.
리뷰샵 관리 모듈(102)은, 판매자 모드 사용자가 추천된 상품에 대한 리뷰를 작성하면, 해당 추천 상품에 대한 판매 페이지를 생성하여 개인 리뷰샵에 추가한다. 판매자 권한이 있는 사용자는 자신이 실제로 구매한 상품에 대해 판매 페이지를 추가할 수 있으며, 해당 상품에 대한 리뷰를 작성하면 판매 페이지가 자동으로 생성되어 리뷰샵에 추가된다.
리뷰샵에 추가되는 리뷰와 판매 페이지에 대한 정보는 SNS 모듈(103)을 통해 다른 사용자들에게 전달된다. 구체적으로 SNS 모듈(103)은 판매자 모드 사용자가 작성한 리뷰 정보 및 해당 판매 페이지에 접근할 수 있는 링크 정보를 포함하는 SNS 메시지를 해당 판매자 모드 사용자의 팔로워들에게 전달할 수 있다.
도 2를 참조하면, 구매자와 판매자의 사용자 단말(110, 120)과 판매 상품 추천 장치(100)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함하는 컴퓨팅 장치이다. 사용자 단말(110, 120)은 판매 상품 추천 서비스를 포함하는 온라인 쇼핑몰 서비스를 이용하는 사용자의 전자 기기이다.
메모리(211, 221)는 비-일시적인 컴퓨터 판독 가능한 기록매체로서, RAM(Random Access Memory), ROM(Read Only Memory), 디스크 드라이브, SSD(Solid State Drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치를 포함할 수 있다. 여기서 ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(211, 221)와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(110, 120)이나 판매 상품 추천 장치(100)에 포함될 수도 있다. 또한, 메모리(211, 221)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 온라인 쇼핑몰 서비스 이용을 위해 사용자 단말(110, 120)에 설치된 어플리케이션, 판매 상품 추천 서비스 제공을 위해 추천 장치(100)에 설치된 프로그램을 위한 코드 등)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수도 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(320)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(211, 221)에 로딩될 수 있다.
프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(213, 223)은 네트워크(320)를 통해 사용자 단말(110, 120)과 판매 상품 추천 장치(100)가 서로 통신하기 위한 기능을 제공할 수 있으며, 사용자 단말(110, 120) 및/또는 판매 상품 추천 장치(100)가 다른 전자 기기 또는 다른 서버와 통신하기 위한 기능을 제공할 수 있다.
입출력 인터페이스(214)는 입출력 장치(311)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드, 마우스, 마이크로폰, 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 사용자 단말(110, 120)의 프로세서(212)가 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 판매 상품 추천 장치(100)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다. 입출력 장치(311)는 사용자 단말(110, 120)과 하나의 장치로 구성될 수도 있다.
또한, 판매 상품 추천 장치(100)의 입출력 인터페이스(224)는 판매 상품 추천 장치(100)와 연결되거나 판매 상품 추천 장치(100)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다.
또한, 다른 실시예에서 사용자 단말(110, 120) 및 판매 상품 추천 장치(100)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 사용자 단말(110, 120)은 상술한 입출력 장치(311) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 보다 구체적인 예로, 사용자 단말(110, 120)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(110, 120)에 더 포함되도록 구현될 수 있다.
도 3은 본 발명의 일 실시예에 따른 판매 상품 추천 방법을 설명하기 위한 순서도이다.
단계 S31에서는, 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고 학습한다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 협업 필터링 신경망의 모델을 설명하기 위한 도면이다.
본 발명은 인공신경망 모델에서 행렬 분해(MF)를 표현하고 일반화하는 동시에 인공신경망 모델의 비선형성을 증대시키기 위해 다층 퍼셉트론(Multi-Layer Perceptron)을 활용하여 사용자와 상품 간의 인터랙션 함수를 학습함으로써, 더 효율적인 추천 성능을 가지는 상품 추천 방법 및 장치를 제안한다.
도 4에 도시된 바와 같이, 본 발명에서는 암시적 피드백 데이터의 이진 속성을 강조하는 확률적 모델로 협업 필터링 신경망을 학습한다. 본원에서는 협업 필터링에 중점을 두므로, 입력 특징(input feature)으로 사용자(user)와 상품(item)의 식별자(identity)만을 사용한다.
도 4를 참조하면, 협업 필터링 신경망의 입력 레이어(Input Layer)는 사용자(판매자)와 제품 식별자를 원-핫 인코딩(one-hot-encoding)한 이진화된 스파스 벡터(sparse vector, 411, 412)를 포함할 수 있다.
임베딩 레이어(Embedding Layer)는 아래 계층인 입력 레이어의 입력 벡터들(411, 412)을 임베딩한 것으로 입력 벡터를 차원을 축소시켜 표현한 밀집 벡터(421, 422, 423, 424)를 포함한다.
타겟 데이터
Figure 112020051812340-pat00001
(461)는 0 또는 1로, item(i)가 user(u)와 관련이 있을 때 1로 관련이 없을 때 0으로 정의한다. 예측값
Figure 112020051812340-pat00002
(451)는 0과 1 사이로 하여 1에 가까울수록 item(i)와 user(u)의 관련도가 높도록 설정한다.
우도 함수(likelihood function)는 다음과 같이 정의할 수 있다.
Figure 112020051812340-pat00003
상기 함수의 네거티브 로그화로 다음과 같이 함수를 완성할 수 있다.
Figure 112020051812340-pat00004
GMF 레이어(Generalized Matrix Factorization Layer, 431)는 잠재 특징 인터랙션(latent feature interactions)을 모델링하기 위해 선형 커널(linear kernel)을 적용하는 레이어이다. GMF 레이어(431)에서는 사용자의 잠재 공간과 상품의 잠재 공간 간의 관계를 요소별 연산으로 학습하여 사용자와 상품의 관계를 파악한다.
임베딩 레이어의 임베딩 벡터는 사용자의 잠재 벡터(421, 422)와 상품의 잠재 벡터(423, 424)로 표현되는데 사용자 잠재 벡터
Figure 112020051812340-pat00005
는
Figure 112020051812340-pat00006
로 상품 잠재 벡터
Figure 112020051812340-pat00007
는
Figure 112020051812340-pat00008
로 표현될 수 있으며, GMF 레이어의 매핑 함수는 다음과 같이 정의할 수 있다. 여기서, ⊙는 벡터들의 요소별 곱(element-wise product)을 나타낸다.
Figure 112020051812340-pat00009
이 벡터를 출력 레이어에 투영하면 다음과 같다. 여기서, aout은 활성화 함수(activation function)를 h는 출력 레이어의 에지 웨이트(edge weights)를 나타낸다.
Figure 112020051812340-pat00010
MLP(Multi-Layer Perceptron) 레이어(432)는 입력 데이터로부터 인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 레이어이다. MLP 레이어(432)에서는 사용자의 잠재 공간과 상품의 잠재 공간 간의 관계를 DNN으로 학습하는데, 사용자의 잠재 공간과 상품의 잠재 공간을 하나의 잠재 공간으로 이어 이들 간의 관계를 GMF와 다른 형태의 네트워크로 학습할 수 있다.
MLP 모델은 다음과 같이 정의할 수 있다. 여기서, Wx, Bx, ax는 각각 x 번째 MLP 레이어의 웨이트 매트릭스(weight matrix), 바이어스 벡터(vias vector), 활성화 함수를 나타낸다. 이 예에서 활성화 함수로 Rectifier(ReLU)를 사용하고 있음을 알 수 있으나, 실시예에 따라서는 다른 함수를 사용할 수도 있다.
Figure 112020051812340-pat00011
Figure 112020051812340-pat00012
NeuMF(Neural Matrix Factorization) 레이어(441)는 다음 수식과 같이 GMF 레이어(431)와 MLP 레이어(432)를 concatenation으로 합친다. 임베딩 벡터는 MF 사용자 벡터(421)과 MLP 사용자 벡터(422)와 같이 2 종류로 나뉜다. GMF와 MLP에서 최적의 임베딩 개수가 각각 다를 것이므로 모델별로 각각 임베딩을 한 것이다.
Figure 112020051812340-pat00013
Figure 112020051812340-pat00014
Figure 112020051812340-pat00015
는 GMF 레이어(431)에 입력되는 사용자 임베딩 벡터(421)이고,
Figure 112020051812340-pat00016
는 MLP 레이어(432)에 입력되는 사용자 임베딩 벡터(422)를 나타낸다. 이와 유사하게
Figure 112020051812340-pat00017
,
Figure 112020051812340-pat00018
는 각각 GMF 파트, MLP 파트의 상품 벡터(423, 424)를 나타낸다.
NeuMF 레이어(441)의 입력으로 들어갈 GMF 레이어(431)와 MLP 레이어(432) 파트를 합칠 때 가중치(weight)를 사용해서 상황에 따라 각 파트에 대한 중요도를 조절할 수 있다. GMF와 MLP를 각각 사전 훈련(pre-training)한 다음에 사전 훈련된 파라미터를 이용해 NeuMF 파라미터의 연관 부분을 초기화시키고 vanilla SGD(stochastic gradient descent)로 NeuMF를 최적화할 수 있다.
상술한 바와 같이 도 4의 실시예에서는 사용자 u가 상품 i를 좋아할 확률을 예측할 수 있다. 이에 비해 도 5의 실시예에서는 구매자 b가 상품 i로 판매자 s에게 일으킬 수익을 예측할 수 있다.
본 발명에서는 SNS의 형태로 구매자와 판매자 간의 상호작용이 활발히 발생하는 온라인 쇼핑몰을 제공한다. 이에 따라, 온라인 쇼핑몰 서비스의 사용자를 구매자와 판매자로 구분하고, 구매자의 상품에 대한 선호도뿐만 아니라 상품과 판매자 간의 관계 그리고 구매자와 판매자 간의 상호작용까지 신경망 모델이 학습하도록 함으로써, 어떤 상품이 판매자가 판매하기에 좋은 상품인지 정확히 예측할 수 있다. 즉, 구매자가 판매자에게 상품을 구매한 이력을 바탕으로 구매자-판매자-상품 간의 상호작용을 학습하여 판매자가 어떤 상품에 의해 수익을 극대화시킬지 예측할 수 있다.
도 5의 실시예에 따르면, 온라인 쇼핑몰 서비스의 거래 로그로부터 구매자, 판매자, 거래 상품에 대한 식별 정보와 해당 거래에 의한 수익 정보를 수집하고, 수집된 데이터를 협업 필터링 신경망 모델의 입력으로 하여 구매자와 상품 간의 관계, 판매자와 구매자 간의 관계 및 판매자와 상품 간의 관계를 학습시킨다. 학습된 협업 필터링 신경망을 통해 어떤 판매자가 어떤 구매자로부터 어떤 상품으로 인해 얼마만큼의 수익이 발생할 것인지 예측할 수 있다. 판매자에게 예측되는 수익이 가장 높은 상품 또는 소정의 수익 이상이 예측되는 상품을 추천함으로써 판매자의 수익을 극대화할 수 있다. 이로써 인기 상품만 추천하는 형태가 아니라 판매자에게 개인화된 맞춤형 상품 추천 서비스가 가능하다.
도 6 내지 도 8은 본 발명의 일 실시예에 따른 협업 필터링 신경망의 학습 및 예측 원리를 설명하기 위한 도면이다.
도 5의 실시예에서 협업 필터링 신경망은, 거래 로그로부터 추출되는 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩하여 이진화된 스파스 벡터(511, 512, 513)로 변환하는 입력 레이어, 이진화된 스파스 벡터를 저차원의 임베딩 벡터(521, 522, 523, 524, 525, 526)로 변환하는 임베딩 레이어, 잠재 특징 인터랙션(latent feature interaction)을 모델링하기 위해 선형 커널을 적용하는 복수의 GMF 레이어(531, 532, 533), 인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 복수의 MLP 레이어(534), 그리고 GMF 레이어(531, 532, 533) 및 MLP 레이어(534)의 출력을 결합하는 NeuMF 레이어(541)를 포함하여 모델링된다. 또한, 도 4의 타겟데이터 y(u,i) 가 도 5의 실시예에서는 y(b,i,s)로 변경되고, 해당 데이터가 1과 0 사이값을 가지는 확률값에서 '수익'으로 확장된다.
입력 데이터를 이용해 신경망을 학습시키기 위해서는 데이터 전처리가 필요하다. 이를 위해, 거래 데이터에서 추출한 구매자, 판매자 및 상품의 식별 정보를 1과 0으로 이루어진 원-핫 벡터(511, 512, 513)로 변환하여 입력 벡터를 생성한다.
도 6은 도 5에 도시된 협업 필터링 신경망 모델의 입력 레이어에서 구매자 ID, 상품 ID 및 판매자 ID를 원-핫 벡터로 변환하는 과정을 예시한 도면이다.
도 6(a)의 결제 로그는 결제#1(Alena가 Roy의 샵에서 비타500을 샀고, Roy에게 100원의 수익 발생), 결제#2(Victoria가 Alena의 샵에서 비타800을 샀고, Alena에게 250원의 수익 발생), 결제#3(Jay가 Roy의 샵에서 비타1000을 샀고, Roy에게 500원의 수익 발생), 결제#4(Stella가 Jay의 샵에서 비타500을 샀고, Jay에게 100원의 수익 발생)를 포함하고 있다.
도 6(b)는 (a)의 구매자 ID, 판매자 ID 및 상품 ID를 각각 원-핫 인코딩하여 생성한 입력 벡터로, 해당하는 번호를 제외하고는 전부 0으로 처리한 것을 알 수 있다.
도 5에 도시된 협업 필터링 신경망 모델의 임베딩 레이어는 1과 0으로 이루어진 입력 레이어의 원-핫 벡터들(511, 512, 513)을 저차원 벡터로 임베딩한 임베딩 벡터(521 내지 526)를 포함한다.
도 7은 도 5의 신경망 모델에서 임베딩 벡터를 생성하는 과정을 예시한 것이다.
도 7의 (b)는 (a)의 1과 0으로 이루어진 원-핫 벡터를 저차원 벡터로 임베딩한 예이다. 임베딩 레이어에서는 구매자 ID, 판매자 ID 및 상품 ID를 모두 n 차원으로 변환하며, 도 7은 잠재 차원(latent dimansion)을 2로 설정하여 임베딩 벡터로 변환한 예이다.
일 실시예에서 GMF 레이어(531, 532, 533) 및 MLP 레이어(534) 각각을 위해 잠재 벡터의 원소 개수가 상이한 별개의 임베딩 벡터를 생성하여 제공할 수 있다.
도 5를 참조하면, 협업 필터링 신경망 모델의 GMF 레이어는 구매자, 판매자 및 상품의 임베딩 벡터들(521 내지 526)을 학습한다. 구체적으로, GMF 레이어는 구매자의 임베딩 벡터(521) 및 상품의 임베딩 벡터(523)를 학습하는 구매자-상품(B-I) GMF 레이어(531), 상품의 임베딩 벡터(523) 및 판매자의 임베딩 벡터(525)를 학습하는 상품-판매자(I-S) GMF 레이어(532), 그리고 구매자의 임베딩 벡터(521) 및 판매자의 임베딩 벡터(525)를 학습하는 구매자-판매자(B-S) GMF 레이어(533)를 포함한다.
B-I GMF 레이어(531)는 구매자에 대한 잠재 벡터(latent vector)와 상품에 대한 잠재 벡터에 대해 요소별 곱(element-wise product)을 적용하고, I-S GMF 레이어(532)는 상품에 대한 잠재 벡터와 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용하고, B-S GMF 레이어(533)는 구매자에 대한 잠재 벡터와 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용할 수 있다.
다음 식은 도 7의 1번 거래를 학습하였을 때 각 GMF 레이어의 출력을 예시한 것이다. 여기서,
Figure 112020051812340-pat00019
은 활성화 함수로, 예를 들어 sigmoid 함수를 사용할 수 있지만, 함수의 종류는 하이퍼파라미터 튜닝에 따라 달라질 수 있다. 또한, ω값들은 학습 파라미터를 나타낸다.
Figure 112020051812340-pat00020
Figure 112020051812340-pat00021
Figure 112020051812340-pat00022
협업 필터링 신경망 모델의 MLP 레이어(534)에서는 구매자, 판매자 및 상품의 임베딩 벡터들(521 내지 526)을 학습한다. 아래의 수식은 MLP 레이어(534)의 개수를 2, 차원의 크기를 각각 4차원, 2차원이라고 가정했을 때의 예시이다. 여기서, 모든 ω는 학습 파라미터이다.
Figure 112020051812340-pat00023
Figure 112020051812340-pat00024
Figure 112020051812340-pat00025
Figure 112020051812340-pat00026
Figure 112020051812340-pat00027
Figure 112020051812340-pat00028
Figure 112020051812340-pat00029
Figure 112020051812340-pat00030
B-I GMF 레이어(531), I-S GMF 레이어(532) 및 B-S GMF 레이어(533)의 출력과 복수의 MLP 레이어(534)의 출력을 결합하여 NeuMF 레이어(541)를 통해 학습한다. 즉, 협업 필터링 신경망 모델의 NeuMF 레이어(541)에서는 구매자, 판매자 및 상품에 대한 GML 레이어(531, 532, 533)의 출력과 MLP 레이어(534)의 출력이 한꺼번에 학습된다. 아래는 상술한 GMF 및 MLP 결과를 이용한 NeuMF 레이어의 학습 단계를 기술한 수식이다.
Figure 112020051812340-pat00031
Figure 112020051812340-pat00032
Figure 112020051812340-pat00033
Figure 112020051812340-pat00034
Figure 112020051812340-pat00035
NeuMF 레이어(541)의 출력과 데이터 수집 단계에서 추출한 수익 정보를 이용하여 손실(loss)을 계산한다.
아래 수식은 NeuMF 레이어(541)의 출력에 대해 손실(loss)을 계산한 것이다.
Figure 112020051812340-pat00036
단계 S32에서는, 상기와 같이 학습된 협업 필터링 신경망을 이용해 온라인 쇼핑몰의 각 판매자-구매자-상품 쌍에 대한 예측 수익을 산출한다. Target(552)은 판매자 s가 상품 i로 인해 구매자 b로부터 발생한 수익을 나타내며, Score(551)는 판매자 s가 상품 i로 인해 구매자 b로부터 얻을 수 있는 예측 수익을 나타낸다.
예측 단계에서는 모든 판매자에 대해 상품별 수익을 예측할 수 있다. 각 판매자는 자신을 팔로우하는 등 연관성이 있는 구매자를 보유하고 있다. 각 판매자에 대한 수익 예측은, 해당 판매자와 관계 있는 구매자들과 모든 상품에 대한 수익 예측이 될 것이다.
예측 단계에서도 학습 단계에서와 마찬가지로 전처리한 데이터가 필요하다. 거래 정보를 저장한 데이터베이스에서 필요 데이터인 구매자 ID, 판매자 ID, 상품 ID를 추출하고 원-핫 인코딩과 임베딩 단계를 거쳐서 생성된 임베딩 벡터를 입력으로 하여 예측 단계를 수행한다.
도 8은 본 발명의 일 실시예에 따라 판매자의 수익을 예측하는 과정을 설명하기 위한 도면이다.
온라인 쇼핑몰의 전체 상품이 '비타 500', '비타 800', '비타 1000'이고, 사용자 'Alena', 'Victoria', 'Jay'가 'Roy'의 샵을 팔로우하고, 'Alena', 'Stella'가 'Jay'의 샵을 팔로우하고, 'Victoria', 'Stella'가 'Alena'의 샵을 팔로우한다고 가정하면, 도 8은 'Jay'의 샵을 팔로우하는 구매자들과 각 상품에 대한 수익을 예측한 상황을 예시로 든 것이다.
도 8의 (a)는 데이터베이스에서 추출한 판매자 'Jay', 팔로워들(followers) 및 상품에 대한 데이터이고, (b)는 (a)의 각 레코드에 대해 예측한 수익 정보이다. 판매자 'Jay'와 'Jay'를 팔로우하는 모든 구매자 'Alena', 'Stella'에 대해 모든 상품에 대한 수입을 예측하고, 상품별로 예측 수입을 합했을 때, 판매자 'Jay'에겐 상품 '비타 500'의 예측 수익이 가장 높음을 알 수 있다. 따라서, 'Jay'에게 판매 상품으로 '비타 500'이 추천될 것이다.
단계 S33에서는, 산출된 예측 수익을 기초로 각 판매자에게 추천할 상품 정보를 포함하는 추천 결과 정보를 생성한다. 각 판매자의 수익을 최대화할 것으로 예측되는 상품부터 소정 수의 상품을 추천 결과에 포함시킬 수 있다.
단계 S34에서는, 온라인 쇼핑몰에 접속한 사용자의 모드를 확인하고 판매자 모드로 접속 또는 전환했으면, 추천 결과 정보로부터 사용자에게 추천할 판매 상품 리스트를 조회한다.
단계 S35에서는, 판매자 모드 사용자의 단말로 해당 사용자에게 추천할 판매 상품 리스트를 포함하는 판매자 모드 인터페이스를 제공한다. 판매자는 이 상품 리스트를 확인하고 그중에서 원하는 상품을 구매하여 사용해 본 후 리뷰를 작성함으로써 판매 페이지가 자동 생성되어 자신의 리뷰샵에 추가되도록 할 수 있다. 또한, 작성된 리뷰는 팔로워들에게 자동 전달되어 팔로워들의 구매를 유도할 수 있다.
도 9 내지 도 17은 본 발명의 일 실시예에 따른 판매 상품 추천 서비스에 관련된 사용자 인터페이스를 설명하기 위한 도면이다.
도 9는 사용자가 구매자 모드로 로그인한 홈 화면을 예시한 것이다. 사용자 '김혜민'이 일반 구매자로써 로그인하고 있으며, 제공되는 구매자 모드 인터페이스에서 일반 쇼퍼로 활동할 수 있다.
구매자 모드 화면의 하단(901)에 홈 화면으로의 이동을 위한 '홈' 탭, 나에게 전달되는, 즉 내가 팔로잉한 리뷰샵에 추가되는 리뷰를 확인할 수 있는 '피드' 탭, 내가 쓴 리뷰를 관리할 수 있는 '리뷰' 탭, 팔로잉하고 있는 리뷰샵으로의 이동을 위한 '리뷰샵' 탭, 내 프로필 정보를 관리하기 위한 '프로필' 탭 등이 포함될 수 있다. 구매자 모드에서는 자신이 구매한 상품에 대한 리뷰를 작성해도 판매 페이지가 생성되지 않는다.
도 10은 구매자 모드로 상품을 구매하는 화면을 예시한 것이다. 도 10의 (a)에서 원하는 상품(1001)을 클릭하면 (b)와 같이 상품의 판매 페이지로 이동할 수 있다.
일 실시예에 따르면, 사용자의 구매 실적 등에 따라 쇼퍼 등급을 매기고 관리하며, 쇼퍼 등급에 따라 다른 할인율이 적용된 가격으로 상품을 구매하도록 제어할 수 있다. 이에 따라, 사용자의 쇼퍼 등급이 높을 수록 싼 가격에 물건 구매가 가능하도록 하여 구매 실적이 높은 회원에 혜택을 줄 수 있다. 도 10의 (b)를 참조하면, 상품의 가격으로 사용자 '김혜민'의 쇼퍼 등급에 따라 'S0 회원 가격'(1002)이 표시됨을 알 수 있다.
도 11은 프로필 화면에서 사용자 모드를 전환하는 과정을 예시한 것이다. 도11의 (a)를 참조하면, 구매자 모드로 서비스 이용중인 사용자가 '페이버 모드로 전환' 버튼(1101)을 클릭하여 판매자 모드로 변환할 수 있다. 도 11의 (b)는 판매자 모드로 변환되어 제공된 판매자 모드 인터페이스를 예시한 것이며, 사용자 모드가 변경됨에 따라 화면 아래에서 제공되던 탭 버튼 세트(1103)도 '홈' 탭, '수익' 탭, '리뷰' 탭, '내 리뷰샵' 탭, '프로필' 탭으로 바뀌어 수행 가능한 기능이 달라짐을 알 수 있다.
'수익' 탭과 '내 리뷰샵' 탭은 판매자 모드에서 고유하게 실행할 수 있는 기능에 대응하는 것이다. '수익' 탭에서는 내 판매 실적과 내게 배정되는 수익을 확인할 수 있다. '내 리뷰샵' 탭에서는 내 개인 리뷰샵으로 이동할 수 있으며, 리뷰샵 관리 인터페이스가 제공될 것이다.
판매자 모드 인터페이스에는 협업 필터링 신경망을 통해 예측한 수익을 기초로 해당 판매자에게 매출을 최대화할 수 있는 판매 상품 리스트를 제공할 수 있다. 또한, 판매자 모드 인터페이스에는 '쇼퍼 모드로 변환' 버튼(1102)이 표시되어 다시 구매자 모드로 변환 가능토록 한다.
도 12는 사용자가 판매자 모드에서 리뷰 작성 또는 수정이 가능한 구매 상품 리스트를 확인하는 화면을 예시한 것이다. 판매자가 추천 상품 리스트를 보고 상품을 구입하여 결제를 수행하고 해당 상품의 발송이 완료되는 등 상품 구매가 완료되었음이 확인되면, 해당 판매자의 구매 상품 리스트에 해당 상품이 추가될 것이다.
도 12를 참조하면, 사용자 '김혜민'이 판매자 모드의 '리뷰' 탭에서 가장 최근에 구매한 '총각네 두유'(1201)가 추가된 리스트를 볼 수 있다. 이 리스트를 통해 리뷰를 작성함으로써 리뷰 셀링이 가능하다.
도 12의 실시예에서는, 사용자의 인플루언싱 등급(페이버 등급)이 최근 3개월 간의 평균 판매 금액에 따라 결정되고, 결정된 인플루언싱 등급에 따라 지급 받을 수 있는 수익률이 결정됨을 알 수 있다.
도 13은 사용자가 판매자 모드 인터페이스 내의 구매 내역에서 하나의 상품을 선택하고 해당 상품에 대한 리뷰를 작성하는 화면을 예시한 것이다.
도 13의 (a)에서 리뷰 내용을 입력하고 (b)에서 사진을 업로드한 후 '등록하기' 버튼(1301)을 클릭하여 리뷰를 새로 등록할 수 있다.
도 14는 판매자 모드의 사용자가 새로 올린 리뷰가 개인 리뷰샵에 등록된 화면을 예시한 것이다.
도 14의 예에서는, '내 리뷰샵' 탭을 통해 개인 리뷰샵을 확인하고 있으며, 별명이 '워너비페이버'인 사용자 '김혜민'의 리뷰샵에 도 13에서 등록한 상품 리뷰에 해당하는 판매 페이지(1401)가 추가로 등록되었음을 알 수 있다. 해당 리뷰를 통해 상품 '총각네 두유'가 다른 사용자에게 판매될 경우, 판매자 '김혜민'은 병당 470원의 수익을 지급 받을 수 있다. 상술한 바와 같이 인플루언싱 등급이 높을 수록 같은 상품을 판매해도 더 많은 수익이 지급될 것이다.
이와 같이 리뷰 작성만으로 자동 생성되는 판매 페이지는, 해당 상품을 다른 사용자에게 판매하기 위한 판매 인터페이스와 함께 판매자가 작성한 리뷰를 포함할 수 있다. 또한, 판매자가 해당 상품을 구매한 상세 내역을 포함하여 판매자가 언제 어디서 얼마에 그 물건을 샀는지 팔로워가 볼 수 있도록 할 수 있다. 팔로워들에게 리뷰샵의 리뷰가 실제 구매에 따른 리얼 리뷰임을 알려 상품 리뷰에 대한 신뢰를 높이고 사용자의 구매 의욕을 높이기 위한 것이다.
도 15는 판매자 모드의 사용자가 '수익' 탭에서 자신의 수익 잔고를 확인하는 화면을 예시한 것이다. 이 화면에서 사용자는 출금 신청, 출금 신청 내역 조회, 판매 내역 조회, 수익금 사용 내역 조회 등이 가능하다. '출금 신청'을 클릭하면 현재까지의 수익금에 대해 현금화가 가능하며, 판매자 모드 활성화시 입력한 계좌번호로 수익금이 입금될 것이다.
도 16은 사용자가 특정 판매자의 리뷰샵을 팔로잉하는 화면을 예시한 것이다.
사용자는 본 발명에 따른 전용 애플리케이션에서 제공하는 리뷰샵 리스트에서 맘에 드는 판매자의 리뷰샵을 팔로우하거나 팔로우를 취소할 수 있다. 팔로우한 리뷰샵에 리뷰가 추가되면 해당 리뷰가 사용자에게 피드되며 '피드' 탭에서 피드된 리뷰들을 확인할 수 있다.
도 16의 예에서는 사용자 '김영채'가 '워너비페이버'의 리뷰샵을 팔로우하고 있다. 사용자가 특정 리뷰샵에 대한 팔로잉 요청을 하면 해당 판매자의 팔로워 리스트에 사용자가 추가되며, 그 결과로 판매자 '워너비페이버'가 남긴 상품 리뷰들이 팔로워 '김영채'의 피드에 뜨게 된다. 또한, '팔로우 취소' 버튼(1601)을 클릭하여 팔로우 신청을 취소하게 되면, 판매자의 팔로워 리스트에서 해당 사용자가 삭제될 것이다.
도 17은 사용자의 피드에 올라온 판매자의 리뷰를 통해 구매자와 판매자가 상호작용을 하는 화면을 예시한 것이다.
도 17을 참조하면, 사용자는 판매자의 리뷰에 '좋아요' 버튼(1701)을 누르거나 댓글 달기(1702)가 가능하며, 이 기능을 통해 판매자와 팔로워가 소셜 네트워크 서비스에서와 같이 서로 커뮤니케이션할 수 있게 된다. 또한, 리뷰을 보다가 바로 구매 버튼을 클릭하여 동일 상품을 구매할 수 있다. 이처럼 팔로워가 판매자의 리뷰를 통해 상품을 구입하면 해당 거래에 따른 수익 일부가 판매자에게 배정될 것이다.
본 발명의 일 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 본 발명을 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.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (10)

  1. 상품 추천 장치가 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법에 있어서,
    거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 상기 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고 학습하는 단계;
    상기 학습된 협업 필터링 신경망을 이용해 각 판매자-구매자-상품 쌍에 대한 예측 수익을 산출하는 단계;
    상기 산출된 예측 수익을 기초로 각 판매자에게 추천할 상품 정보를 포함하는 추천 결과 정보를 생성하는 단계;
    상기 온라인 쇼핑몰의 사용자가 판매자 모드이면, 상기 추천 결과 정보로부터 상기 사용자에게 추천할 판매 상품 리스트를 조회하는 단계; 및
    상기 판매자 모드 사용자의 단말로 해당 사용자에게 추천할 판매 상품 리스트를 포함하는 판매자 모드 인터페이스를 제공하는 단계;를 포함하며,
    상기 협업 필터링 신경망은 판매자, 구매자 및 상품을 엔터티(entity)로 하여 학습을 수행하며,
    상기 판매자 모드에서 상기 엔터티인 상기 판매자와 상기 구매자는 인플루언서(influencer)와 팔로워(follower)라는 특정 관계를 가지며,
    상기 협업 필터링 신경망을 이용하여 산출되는 인플루언서-팔로워-상품 쌍에 대한 예측 수익을 기초로 하여 상기 인플루언서의 수익이 최대가 되는 판매 상품을 추천하며,
    상기 판매자 모드에서, 상기 판매자 모드 사용자의 팔로워 수, 상품 리뷰 수 및 상품 판매량 중 적어도 하나를 기준으로 상기 인플루언서의 인플루언싱 등급을 산정하고 관리하며,
    상기 산정된 인플루언싱 등급을 이용하여 상기 판매자 모드 사용자의 상품 판매 조건 및 상품 판매에 따른 보상 조건을 결정하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 판매자 모드 사용자가 추천 상품에 대한 리뷰를 작성하면, 해당 추천 상품에 대한 판매 페이지를 생성하여 상기 판매자 모드 사용자의 개인 리뷰샵에 추가하는 단계; 및
    상기 판매자 모드 사용자가 작성한 리뷰 정보 및 해당 판매 페이지에 접근할 수 있는 링크 정보를 포함하는 소셜 네트워크 메시지를 상기 판매자 모드 사용자의 팔로워에게 전달하는 단계;를 더 포함하는 것을 특징으로 하는 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 온라인 쇼핑몰의 사용자들에 대해 방문 횟수, 상품 구매량 및 상품 리뷰수 중 적어도 하나를 기준으로 쇼퍼 등급을 산정하고 관리하는 단계; 및
    상기 산정된 쇼퍼 등급을 이용하여 각 사용자의 상품 구매 조건 및 판매자 모드 활성화 여부를 결정하는 단계;를 더 포함하는 것을 특징으로 하는 방법.
  5. 제1항에 있어서,
    상기 협업 필터링 신경망은,
    잠재 특징 인터랙션(latent feature interaction)을 모델링하기 위해 선형 커널을 적용하는 복수의 GMF(Generalized Matrix Factorization) 레이어;
    인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 복수의 MLP(Multi-Layer Perceptron) 레이어; 및
    상기 GMF 레이어와 상기 MLP 레이어의 출력을 결합하는 NeuMF(Neural Matrix Factorization) 레이어;를 포함하는 것을 특징으로 하는 방법.
  6. 제5항에 있어서,
    상기 협업 필터링 신경망을 모델링하고 학습하는 단계는,
    상기 거래 데이터로부터 추출한 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩(one-hot encoding)하여 이진화된 스파스 벡터(sparse vector)로 변환하는 단계;
    상기 이진화된 스파스 벡터를 저차원의 임베딩 벡터로 변환하는 단계;
    상기 구매자에 대한 잠재 벡터(latent vector)와 상기 상품에 대한 잠재 벡터에 대해 요소별 곱(element-wise product)을 적용한 구매자-상품 GMF 레이어, 상기 상품에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 상품-판매자 GMF 레이어, 및 상기 구매자에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 구매자-판매자 GMF 레이어를 통해 상기 임베딩 벡터를 학습하는 단계;
    상기 복수의 MLP 레이어를 통해 상기 임베딩 벡터를 학습하는 단계; 및
    상기 구매자-상품 GMF 레이어, 상기 상품-판매자 GMF 레이어, 상기 구매자-판매자 GMF 레이어 및 상기 복수의 MLP 레이어의 출력을 결합하여 상기 NeuMF 레이어를 통해 학습하는 단계;를 포함하는 것을 특징으로 하는 방법.
  7. 제1항, 제2항, 제4항 내지 제6항 중 어느 한 항의 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법을 수행하기 위해 기록매체에 기록된 컴퓨터 프로그램.
  8. 컴퓨터로 구현되는 온라인 쇼핑몰의 상품 추천 장치에 있어서, 상기 상품 추천 장치는 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 상기 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고, 상기 학습된 협업 필터링 신경망을 이용해 각 판매자-구매자-상품 쌍에 대한 예측 수익을 산출하는 신경망 모듈;
    상기 신경망 모듈에 의해 산출된 예측 수익을 기초로 각 판매자에게 추천할 상품 정보를 포함하는 추천 결과 정보를 생성하는 상품 추천 모듈; 및
    상기 온라인 쇼핑몰의 사용자가 판매자 모드이면, 상기 추천 결과 정보로부터 상기 사용자에게 추천할 판매 상품 리스트를 조회하고, 상기 판매자 모드 사용자의 단말로 해당 사용자에게 추천할 판매 상품 리스트를 포함하는 판매자 모드 인터페이스를 제공하는 사용자 관리 모듈;을 포함하며,
    상기 협업 필터링 신경망은 판매자, 구매자 및 상품을 엔터티(entity)로 하여 학습을 수행하며,
    상기 판매자 모드에서 상기 엔터티인 상기 판매자와 상기 구매자는 인플루언서(influencer)와 팔로워(follower)라는 특정 관계를 가지며,
    상기 상품 추천 모듈은, 상기 협업 필터링 신경망을 이용하여 산출되는 인플루언서-팔로워-상품 쌍에 대한 예측 수익을 기초로 하여 상기 인플루언서의 수익이 최대가 되는 판매 상품을 추천하며,
    상기 사용자 관리 모듈은, 상기 판매자 모드에서, 상기 판매자 모드 사용자의 팔로워 수, 상품 리뷰 수 및 상품 판매량 중 적어도 하나를 기준으로 상기 인플루언서의 인플루언싱 등급을 산정하고 관리하며, 상기 산정된 인플루언싱 등급을 이용하여 상기 판매자 모드 사용자의 상품 판매 조건 및 상품 판매에 따른 보상 조건을 결정하는 것을 특징으로 하는 장치.
  9. 제8항에 있어서,
    상기 판매자 모드 사용자가 상기 추천된 상품에 대한 리뷰를 작성하면, 해당 추천 상품에 대한 판매 페이지를 생성하여 상기 판매자 모드 사용자의 개인 리뷰샵에 추가하는 리뷰샵 관리 모듈; 및
    상기 판매자 모드 사용자가 작성한 리뷰 정보 및 해당 판매 페이지에 접근할 수 있는 링크 정보를 포함하는 소셜 네트워크 메시지를 상기 판매자 모드 사용자의 팔로워에게 전달하는 SNS 모듈;을 더 포함하는 것을 특징으로 하는 장치.
  10. 제8항에 있어서,
    상기 사용자 관리 모듈은,
    상기 온라인 쇼핑몰의 사용자들에 대해 방문 횟수, 상품 구매량 및 상품 리뷰수 중 적어도 하나를 기준으로 쇼퍼 등급을 산정하고, 상기 산정된 쇼퍼 등급을 이용하여 각 사용자의 상품 구매 조건 및 판매자 모드 활성화 여부를 결정하는 것을 특징으로 하는 장치.
KR1020200061543A 2020-05-22 2020-05-22 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치 KR102409717B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200061543A KR102409717B1 (ko) 2020-05-22 2020-05-22 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200061543A KR102409717B1 (ko) 2020-05-22 2020-05-22 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210144331A KR20210144331A (ko) 2021-11-30
KR102409717B1 true KR102409717B1 (ko) 2022-06-16

Family

ID=78722480

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200061543A KR102409717B1 (ko) 2020-05-22 2020-05-22 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102409717B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102468827B1 (ko) 2022-09-05 2022-11-21 주식회사 그래마케팅랩 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723522A (zh) * 2022-03-31 2022-07-08 合肥工业大学 一种面向评论文本的图神经网络推荐方法
KR102421684B1 (ko) 2022-05-03 2022-07-14 이명수 인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템
KR102539036B1 (ko) * 2022-06-22 2023-06-01 주식회사 시너스 상품 대량 등록이 가능한 구매대행 시스템
CN117114818A (zh) * 2023-10-19 2023-11-24 广州伊的家网络科技有限公司 商品推荐方法、装置、存储介质及计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102015024B1 (ko) * 2019-01-18 2019-08-27 김다현 셀러쇼핑몰 통합 관리시스템
KR102064615B1 (ko) * 2018-11-01 2020-01-09 (주)포비즈코리아 빅데이터 기반 쇼핑몰 플랫폼 통합 서비스 제공 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278815A1 (en) * 2013-03-12 2014-09-18 Strathspey Crown LLC Systems and methods for market analysis and automated business decisioning
KR101694462B1 (ko) * 2015-05-08 2017-01-09 네이버 주식회사 리뷰 공유 서비스 제공 방법, 장치 및 컴퓨터 프로그램
KR20190143775A (ko) * 2018-06-21 2019-12-31 김근호 리워드 플랫폼 운영 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102064615B1 (ko) * 2018-11-01 2020-01-09 (주)포비즈코리아 빅데이터 기반 쇼핑몰 플랫폼 통합 서비스 제공 방법
KR102015024B1 (ko) * 2019-01-18 2019-08-27 김다현 셀러쇼핑몰 통합 관리시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102468827B1 (ko) 2022-09-05 2022-11-21 주식회사 그래마케팅랩 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR20210144331A (ko) 2021-11-30

Similar Documents

Publication Publication Date Title
US20200258119A1 (en) System and method for personalized add-on purchase
KR102409717B1 (ko) 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치
JP7495034B2 (ja) 物理的アイテムに関する拡張現実シーンを生成するシステムおよび方法
KR102409718B1 (ko) 소셜 네트워크와 연동되는 커머스 플랫폼에서의 리뷰샵 관리 방법 및 시스템
US20110295722A1 (en) Methods, Apparatus, and Systems for Enabling Feedback-Dependent Transactions
Sharma et al. Study of E-Commerce and Impact of Machine Learning in E-Commerce
US11341558B2 (en) Systems and methods for recommending a product based on an image of a scene
US20210150604A1 (en) Systems and methods for customization of reviews
KR102422408B1 (ko) 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치
US12100034B2 (en) Methods and systems for providing a vehicle recommendation
Ando Merchant selection and pricing strategy for a platform firm in the online group buying market
CA3169486A1 (en) Systems and methods for computer generation of a modifiable product description
US20220058731A1 (en) Methods and systems for updating a user interface based on level of user interest
US20240256793A1 (en) Methods and systems for generating text with tone or diction corresponding to stylistic attributes of images
CA3098792A1 (en) Systems and methods for customization of reviews
KR102570758B1 (ko) 구독몰과 금융사 간의 연계를 통한 인공지능 기반의 금융상품 자동추천 방법
KR102485355B1 (ko) 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템
US11983763B1 (en) Modeling to generate dynamic electronic representations
JP7093400B1 (ja) 選択装置、選択方法及び選択プログラム
US12002082B2 (en) Method, medium, and system for providing trait-focused recommendations of computer applications
US20240330579A1 (en) Systems and methods for dynamic large language model prompt generation
KR102563316B1 (ko) 미술품 거래를 활용한 상품결합 투자 선순환 플랫폼 시스템
US20240320432A1 (en) Systems and methods for improving textual descriptions using large language models
US20230078260A1 (en) Systems and methods for providing recommendations of computer applications based on similarity
US20240354830A1 (en) System and Method for Identifying Complementary Objects from Images

Legal Events

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