KR102418953B1 - 쇼핑 검색 결과 확장 방법 및 시스템 - Google Patents
쇼핑 검색 결과 확장 방법 및 시스템 Download PDFInfo
- Publication number
- KR102418953B1 KR102418953B1 KR1020200056192A KR20200056192A KR102418953B1 KR 102418953 B1 KR102418953 B1 KR 102418953B1 KR 1020200056192 A KR1020200056192 A KR 1020200056192A KR 20200056192 A KR20200056192 A KR 20200056192A KR 102418953 B1 KR102418953 B1 KR 102418953B1
- Authority
- KR
- South Korea
- Prior art keywords
- query
- shopping search
- shopping
- extended
- search query
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000015654 memory Effects 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 20
- 238000005067 remediation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims 1
- 239000000047 product Substances 0.000 description 124
- 230000010365 information processing Effects 0.000 description 58
- 238000004891 communication Methods 0.000 description 26
- 235000015277 pork Nutrition 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 239000000284 extract Substances 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 206010034203 Pectus Carinatum Diseases 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 235000015243 ice cream Nutrition 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101150046268 BCK1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
- G06F16/2448—Query languages for particular applications; for extensibility, e.g. user defined types
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2452—Query translation
- G06F16/24528—Standardisation; Simplification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
- G06F16/24534—Query rewriting; Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
- G06F16/24534—Query rewriting; Transformation
- G06F16/24547—Optimisations to support specific applications; Extensibility of optimisers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 개시는 쇼핑 검색 결과 확장 방법에 관한 것이다. 쇼핑 검색 결과 확장 방법은 사용자 단말로부터 쇼핑 검색 질의를 수신하는 단계, 쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 확장 질의로 변환하는 단계 및 상기 쇼핑 검색 질의 또는 상기 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 상기 사용자 단말로 전송하는 단계를 포함할 수 있다.
Description
본 개시는 쇼핑 검색 결과 확장 방법 및 시스템, 그리고 학습 데이터 생성 방법 및 시스템에 관한 것으로, 구체적으로 쇼핑 검색 서비스 제공 시 커버리지가 확장된 쇼핑 검색 결과를 제공할 수 있는 방법 및 시스템에 관한 것이다.
최근 인터넷이나 모바일 환경에서 쇼핑, 게임, 영화, 음악 등과 같은 다양한 서비스가 온라인으로 제공되고 있다. 특히, 온라인 쇼핑은 상품 구매 시간에 대한 제약을 받지 않고, 직접 상품 판매장소에 방문하지 않고도 상품을 선택 및 구매할 수 있는 장점이 있어, 많은 사용자들에 의해 이용되고 있다.
이러한 온라인 쇼핑의 편의성으로 인해 온라인 쇼핑을 이용하는 사용자들이 증가하고, 그 결과, 온라인 상에서 판매 또는 취급되는 상품의 수 및 상품의 종류 역시 기하급수적으로 증가하고 있다. 이에 따라, 사용자는 온라인 상에서 판매되는 다양한 상품 중 자신의 의도와 일치하는 상품을 검색하기 위한 정확한 질의를 모두 인지하기 어려운 문제가 있다.
한편, 사용자가 온라인 쇼핑 시스템에 접속하여 원하는 상품을 검색하기 위한 질의(query)를 입력하면, 해당 질의와 연관된 상품 정보, 구매처에 대한 접속 정보 등을 포함하는 상품 검색 결과의 리스트를 제공받을 수 있다. 이러한 온라인 쇼핑 시스템은 사용자가 입력한 질의를 기초로 상품 데이터베이스로부터 상품 정보 검색 결과를 추출한다. 따라서 사용자가 입력한 질의가 원하는 상품을 검색하기에 적합한 질의와 일부 상이하면, 사용자 의도와 일치하는 상품 검색 결과를 도출하기 어려운 경우가 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 쇼핑 검색 결과 확장 방법, 기록 매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다. 또한, 본 개시는 쇼핑 검색 서비스에 특화된 학습 데이터를 생성하기 위한 방법, 기록 매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
본 개시는 방법, 시스템 또는 명령어들을 저장하는 컴퓨터 판독가능 저장 매체를 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서에 의해 수행되는 쇼핑 검색 결과 확장 방법은, 사용자 단말로부터 쇼핑 검색 질의를 수신하는 단계, 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환하는 단계 및 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 사용자 단말로 전송하는 단계를 포함한다.
본 개시의 일 실시예에 따른 상술한 쇼핑 검색 결과 확장 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 적어도 하나의 프로그램은, 쇼핑 검색 질의를 수신하고, 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환하고, 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 전송하기 위한 명령어들을 포함한다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서에 의해 수행되는 학습 데이터 생성 방법은, 하나의 검색 세션 동안 입력된 제1 질의 및 제2 질의를 포함하는 쇼핑 검색 로그 데이터를 수신하는 단계 - 제1 질의가 제2 질의보다 먼저 입력됨 -, 제1 질의 및 제2 질의 사이의 검색 확장 점수를 산출하는 단계 및 검색 확장 점수가 미리 결정된 임계치 이상인 것으로 판정하는 것에 응답하여, 제1 질의 및 제2 질의를 학습 데이터 쌍으로 추출하는 단계를 포함한다.
본 개시의 일 실시예에 따른 상술한 학습 데이터 생성 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따른 학습 데이터 생성 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 적어도 하나의 프로그램은, 하나의 검색 세션 동안 입력된 제1 질의 및 제2 질의를 포함하는 쇼핑 검색 로그 데이터를 수신하고 - 제1 질의가 제2 질의보다 먼저 입력됨 -, 제1 질의 및 제2 질의 사이의 검색 확장 점수를 산출하고, 검색 확장 점수가 미리 결정된 임계치 이상인 것으로 판정하는 것에 응답하여, 제1 질의 및 제2 질의를 학습 데이터 쌍으로 추출하기 위한 명령어들을 포함한다.
본 개시의 다양한 실시예에서는 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환함으로써, 쇼핑 검색 결과의 커버리지를 확장하여 고객 만족도가 높은 쇼핑 검색 서비스를 제공할 수 있다.
본 개시의 다양한 실시예에서는 쇼핑 검색 서비스에 특화된 질의 변환(query reformulation) 기능을 제공함으로써, 쇼핑 검색 결과의 재현율(recall)을 높여 사용자의 만족도를 높일 수 있다. 일 실시예에 따르면, 쇼핑 검색 결과가 0건으로 표시되는 경우를 30%가량 감소시키고, 키워드의 길이가 긴 long-tail 쿼리의 CTR을 15%가량 증가시킬 수 있다.
본 개시의 다양한 실시예에서는 사전 규칙을 사용하여 쇼핑 검색 질의를 교정 질의로 변환함으로써 쇼핑 검색 질의 확장 모델에서 처리하지 못하는 케이스, 확실한 정답이 있는 케이스 등을 처리할 수 있다.
본 개시의 다양한 실시예에서는 검색 확장 점수를 이용해 쇼핑 검색 로그 데이터 내에서 변환 대상과 변환 결과의 쌍을 인식하여, 쇼핑 검색에 특화된 복수의 학습 데이터 쌍을 자동으로 추출할 수 있다.
도 1은 본 개시의 일 실시예에 따른 온라인 쇼핑 검색 서비스를 제공하기 위하여, 사용자 단말, 상품 검색 서버 및 노출 순위 결정 서버가 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 2는 본 개시의 일 실시예에 따른 쇼핑 검색 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 사용자가 입력한 쇼핑 검색 질의가 변환되는 예시적인 방법을 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 쇼핑 검색 질의가 확장 질의로 변환되는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 쇼핑 검색 결과의 커버리지가 확장되는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 방법을 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따라 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 사용자 단말로 전송하는 예시적인 방법을 나타내는 흐름도이다.
도 9는 본 개시의 일 실시예에 따른 쇼핑 검색 로그 데이터로부터 복수의 학습 데이터 쌍을 추출하는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라 학습 데이터 데이터베이스와 상품 데이터베이스에 기초하여 언어 모델을 학습하는 예시를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따른 학습 데이터 생성 방법을 나타내는 흐름도이다.
도 2는 본 개시의 일 실시예에 따른 쇼핑 검색 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 사용자가 입력한 쇼핑 검색 질의가 변환되는 예시적인 방법을 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 쇼핑 검색 질의가 확장 질의로 변환되는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 쇼핑 검색 결과의 커버리지가 확장되는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 방법을 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따라 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 사용자 단말로 전송하는 예시적인 방법을 나타내는 흐름도이다.
도 9는 본 개시의 일 실시예에 따른 쇼핑 검색 로그 데이터로부터 복수의 학습 데이터 쌍을 추출하는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라 학습 데이터 데이터베이스와 상품 데이터베이스에 기초하여 언어 모델을 학습하는 예시를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따른 학습 데이터 생성 방법을 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 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 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '쇼핑 검색'은 쇼핑 검색 질의, 변환 질의 또는 교정 질의와 연관된 상품들을 상품 데이터베이스에서 추출하는 것을 지칭할 수 있다. 쇼핑 검색의 결과로서, 추출된 상품들이 사용자 단말의 디스플레이 상에 순위에 따라 표시될 수 있다.
본 개시에서, '언어 모델'(Language Model)은 단어 시퀀스에 확률을 할당하는 모델로, 통계를 이용한 모델과 인공 신경망을 이용한 모델을 포함할 수 있다. 언어 모델은 확률을 이용하여 하나의 단어 시퀀스와 다른 단어 시퀀스 사이의 매칭 점수를 확률적으로 계산할 수 있다. 또한, 언어 모델을 이용하여 주어진 단어 시퀀스의 확률을 계산할 수 있다.
본 개시에서, 'CTR'(Click-Through Rate)은 검색 횟수 대비 클릭되는 횟수를 지칭할 수 있다. 예를 들어, 쇼핑 검색 질의에 대한 CTR은 질의의 입력 횟수 대비 검색 결과 클릭수(검색 결과 클릭수/질의의 입력 횟수)로 계산할 수 있다. CTR이 낮은 질의는 사용자가 원하는 상품이 검색되지 않았을 확률이 높다는 것을 의미할 수 있다. 다른 예로서, 상품에 대한 CTR은, 상품이 검색 결과로서 노출되는 횟수 대비 해당 상품의 클릭수(상품의 클릭수/상품이 검색 결과로서 노출되는 횟수)로 계산할 수 있다. CTR이 낮은 상품은 상품의 인기도가 낮다는 것을 의미할 수 있다.
본 개시에서, '쇼핑 검색 결과 확장 시스템'과 '학습 데이터 생성 시스템'은 정보 제공 시스템을 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 온라인 쇼핑 검색 서비스를 제공하기 위하여, 사용자 단말(110), 상품 검색 서버(130) 및 노출 순위 결정 서버(140)가 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 사용자 단말(110)은 네트워크(120)를 통해 상품 검색 서버(130) 및 노출 순위 결정 서버(140)와 통신할 수 있다. 네트워크(120)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(120)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 단말/서버 사이의 근거리 무선/유선 통신 역시 포함될 수 있다.
일 실시예에서, 사용자 단말(110)은 온라인 상에서 판매하는 상품을 검색하기 위한 쇼핑 검색 질의를 사용자로부터 입력 받을 수 있다. 예를 들어, 사용자는 사용자 단말(110)에서 실행되는 검색 애플리케이션, 쇼핑 애플리케이션, 웹 브라우저 애플리케이션 등에서 표시되는 쇼핑 검색 창에 쇼핑 검색 질의를 텍스트로 입력할 수 있다. 여기서 쇼핑 검색 창에 입력되는 텍스트는 사용자가 검색하고자 하는 상품에 대한 정보를 포함할 수 있다. 예를 들어, 사용자는 구매를 희망하는 상품의 상품명, 카테고리, 판매처, 브랜드, 용도 등을 나타내는 텍스트를 쇼핑 검색 창에 입력할 수 있다. 사용자 단말(110)은 사용자로부터 수신한 쇼핑 검색 질의를 네트워크(120)를 통해 상품 검색 서버(130)로 전송할 수 있다.
쇼핑 검색 질의를 수신하는 것에 응답하여, 상품 검색 서버(130)는 상품 데이터베이스 내에 저장된 상품들 중 쇼핑 검색 질의와 연관된 상품들을 검색할 수 있다. 일 실시예에서, 상품 검색 서버(130)는 쇼핑 검색 결과의 커버리지를 확장하기 위해 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환할 수 있다. 예를 들어, 확장 질의는 쇼핑 검색 질의 내의 오탈자를 교정한 질의, 쇼핑 검색 질의 내의 브랜드, 제조사, 상품명 등과 같은 핵심 단어(또는 어휘) 등을 추출한 부분 질의, 쇼핑 검색 질의 내의 (오타가 없는) 일부 단어를 검색되는 상품 수가 더 많은 동일한 의미의 다른 단어로 변환한 질의일 수 있다. 이에 따라 쇼핑 검색 질의에 의해 검색되는 상품의 수보다 확장 질의에 의해 검색되는 상품의 수가 많을 수 있다. 추가적으로 또는 대안적으로, 쇼핑 검색 질의의 CTR보다 확장 질의의 CTR이 높을 수 있다. 추가적으로 또는 대안적으로, 쇼핑 검색 질의의 질의 발생 확률보다 확장 질의의 질의 발생 확률이 높을 수 있다. 쇼핑 검색 질의 확장 모델은 도 9 내지 11에서 자세히 설명되는 언어 모델(통계 기반 언어 모델, 딥러닝 기반 언어 모델 등)에 기초하여 생성된 모델일 수 있다.
일 실시예에서, 상품 검색 서버(130)는 쇼핑 검색 질의의 CTR이 미리 결정된 임계치 이하인 경우, 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환할 수 있다. 추가적으로 또는 대안적으로, 상품 검색 서버(130)는 쇼핑 검색 질의에 의해 검색되는 상품이 없는 것으로 판정하는 것에 응답하여, 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환할 수 있다. 다른 실시예에서, 상품 검색 서버(130)는 수신되는 모든 쇼핑 검색 질의를 쇼핑 검색 질의 확장 모델을 이용하여 확장 질의로 변환할 수 있다.
그 후, 상품 검색 서버(130)는 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색을 수행할 수 있다. 일 실시예에서, 상품 검색 서버(130)는 쇼핑 검색 질의에 기초한 쇼핑 검색과 확장 질의에 기초한 쇼핑 검색을 각각 수행할 수 있다. 쇼핑 검색 질의에 의해 검색되는 상품이 존재하지 않는 경우, 확장 질의에 기초한 쇼핑 검색 결과가 사용자 단말(110)로 전송될 수 있다. 쇼핑 검색 질의에 의해 검색되는 상품이 존재하는 경우, 쇼핑 검색 질의에 의해 검색된 상품들과 확장 질의에 의해 검색된 상품들의 리스트가 쇼핑 검색 결과로서 사용자 단말(110)로 전송될 수 있다.
일 실시예에서, 상품 검색 서버(130)는 검색된 상품들의 표시 순위를 결정하기 위해, 검색 결과를 노출 순위 결정 서버(140)로 전송할 수 있다. 여기서 표시 순위는 검색된 상품들이 사용자 단말(110)의 디스플레이 상에 표시되는 순서를 의미할 수 있다. 예를 들어, 노출 순위 결정 서버(140)는 질의(쇼핑 검색 질의 및/또는 확장 질의)와 검색된 상품 사이의 텍스트 유사도, 검색된 상품의 인기도 등에 기초하여 각 상품별로 표시 순위 점수를 산출할 수 있다.
쇼핑 검색 질의에 의해 검색되는 상품이 존재하지 않는 경우, 노출 순위 결정 서버(140)는 확장 질의에 의해 검색되는 상품들의 순위를 결정하고, 순위화된 상품들의 리스트를 쇼핑 검색 결과로서 사용자 단말(110)로 전송할 수 있다. 쇼핑 검색 질의에 의해 검색되는 상품이 존재하는 경우, 사용자의 검색 의도를 우선적으로 반영하기 위해 노출 순위 결정 서버(140)는 확장 질의에 의해 검색되는 상품들의 순위에 네거티브 가중치(negative weight)를 적용하거나/적용하고 쇼핑 검색 질의에 의해 검색되는 상품들의 순위에 포지티브 가중치(positive weight)를 적용할 수 있다. 그 후, 노출 순위 결정 서버(140)는 순위화된 상품들의 리스트를 쇼핑 검색 결과로서 사용자 단말(110)로 전송할 수 있다.
사용자 단말(110)은 순위화된 쇼핑 검색 결과를 수신하고, 디스플레이를 통해 검색 결과를 사용자에게 제공할 수 있다. 여기서, 쇼핑 검색 결과는 확장 질의에 의해 검색된 상품들도 포함할 수 있으므로, 사용자는 커버리지가 확장된 쇼핑 검색 결과를 제공받을 수 있다. 사용자는 사용자 단말(110)의 디스플레이에 표시되는 쇼핑 검색 결과를 확인하고, 원하는 상품을 선택하여 온라인 쇼핑을 할 수 있다.
상술한 것과 같이, 쇼핑 검색 서비스에 특화된 질의 변환(query reformulation) 기능을 제공함으로써, 쇼핑 검색 결과의 재현율(recall)을 높여 사용자의 만족도를 높일 수 있다. 일 실시예에 따르면, 쇼핑 검색 결과가 0건으로 표시되는 경우를 30%가량 감소시키고, 키워드의 길이가 긴 long-tail 쿼리의 CTR을 15%가량 증가시킬 수 있다.
앞에서 상품 검색 서버(130)가 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환하는 것으로 설명되었으나, 이에 한정하지 않는다. 예를 들어, 별도의 하나 이상의 서버가 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환할 수 있다. 또한, 도 1에는 상품 검색 서버(130)와 노출 순위 결정 서버(140)가 별도의 서버로 도시되어 있으나, 이에 한정되지 않는다. 예를 들어, 상품 검색 서버(130)와 노출 순위 결정 서버(140)의 기능이 하나의 서버(예를 들어, 도 2의 정보 처리 시스템 230)에 의해 제공될 수 있다.
도 2는 본 개시의 일 실시예에 따른 쇼핑 검색 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 정보 처리 시스템(230)은 네트워크(120)를 통해 쇼핑 검색 서비스(쇼핑 검색 질의 확장 서비스 포함)를 제공할 수 있는 시스템을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 확장된 쇼핑 검색 결과를 제공하도록 설계된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 정보 처리 시스템(230)에 의해 제공되는 쇼핑 검색 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 검색 애플리케이션, 쇼핑 애플리케이션, 웹 브라우저 애플리케이션 등을 통해 사용자에게 제공될 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(120)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말(210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 검색 애플리케이션, 쇼핑 애플리케이션, 웹 브라우저 애플리케이션 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(120)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(120)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
정보 처리 시스템(230)은 네트워크(120)를 통해 사용자 단말(210_1, 210_2, 210_3)로부터 입력된 쇼핑 검색 질의를 수신할 수 있다. 이 경우, 정보 처리 시스템(230)은 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환하고, 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 사용자 단말(210_1, 210_2, 210_3)로 전송할 수 있다. 일 실시예에서, 쇼핑 검색 질의에 의해 검색되는 상품이 존재하는 경우, 정보 처리 시스템(230)은 아래의 식에 따라 확장 질의에 의해 검색되는 상품들의 순위에 패널티를 적용한 후, 순위화된 검색 결과를 사용자 단말(210_1, 210_2, 210_3)로 전송할 수 있다.
여기서 q1은 쇼핑 검색 질의, q2는 확장 질의, SRESULT는 질의에 의해 검색되는 상품들을 반환하는 모델, RankModel은 검색 결과를 순위화하는 모델, DISCOUNT_FACTOR는 패널티 상수를 나타낸다. 반면, 쇼핑 검색 질의에 의해 검색되는 상품이 없는 경우, 정보 처리 시스템(230)은 아래의 식에 따라 확장 질의에 의해 검색되는 상품들만 순위화하여 검색 결과를 사용자 단말(210_1, 210_2, 210_3)로 전송할 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 쇼핑 애플리케이션 또는 웹 브라우저가 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(342), 프로세서(344), 통신 모듈(346) 및 입출력 인터페이스(348)를 포함할 수 있다. 일 실시예에서, 프로세서(344)는 복수의 프로세서로 구성될 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 346)을 이용하여 네트워크(120)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 342)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 342)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 342)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210)에 설치되어 구동되는 쇼핑 애플리케이션, 검색 애플리케이션, 웹 브라우저 애플리케이션 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 342)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 342)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(120)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 쇼핑 검색 서비스를 제공하는 애플리케이션)에 기반하여 메모리(312, 342)에 로딩될 수 있다.
프로세서(314, 344)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 342) 또는 통신 모듈(316, 346)에 의해 프로세서(314, 344)로 제공될 수 있다. 예를 들어, 프로세서(314, 344)는 메모리(312, 342)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 346)은 네트워크(120)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 쇼핑 검색 질의에 대한 쇼핑 검색 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(120)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(344)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(346)과 네트워크(120)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 통신 모듈(316)을 통해 쇼핑 검색 결과 등을 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면(예를 들어, 쇼핑 검색 결과에 따른 상품 정보가 제공되는 화면)이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(348)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 348)가 프로세서(314, 344)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 348)가 프로세서(314, 344)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 쇼핑 검색 서비스를 제공하는 검색 애플리케이션, 쇼핑 애플리케이션, 웹 브라우저 애플리케이션 등이 동작하도록 구성될 수 있다. 이 때, 해당 애플리케이션과 연관된 프로그램 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다. 애플리케이션이 동작되는 동안에, 사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 정보 처리 시스템(230)으로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다.
애플리케이션이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상 등을 수신할 수 있으며, 수신된 텍스트, 이미지 및/또는 영상 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(120)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 일 실시예에서, 프로세서(314)는 입력 장치를 통해 수신한 쇼핑 검색 질의를 네트워크(120) 및 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다. 대안적으로, 프로세서(314)는 입력 장치를 통해 수신한 이미지 등을 텍스트로 변환하고, 변환된 텍스트를 통신 모듈(316) 및 네트워크(120)를 통해 정보 처리 시스템(230)에 제공할 수 있다.
정보 처리 시스템(230)의 프로세서(344)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에서, 프로세서(344)는 사용자 단말 (210)로부터 수신한 쇼핑 검색 질의를 확장 질의로 변환할 수 있다. 또한, 프로세서(344)는 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색을 수행할 수 있다.
도 4는 본 개시의 일 실시예에 따라 사용자가 입력한 쇼핑 검색 질의(q1)가 변환되는 예시적인 방법을 나타내는 도면이다. 도시된 바와 같이 정보 처리 시스템(예를 들어 도 2의 230, 또는 정보 처리 시스템의 적어도 하나의 프로세서)은 미리 저장된 사전 규칙(410)을 이용하여 쇼핑 검색 질의(q1)를 교정 질의(cq)로 변환하거나 쇼핑 검색 질의 확장 모델(420)을 이용하여 쇼핑 검색 질의(q1)를 확장 질의(q2)로 변환할 수 있다. 사전 규칙(410)은 쇼핑 검색 질의 확장 모델(420)에서 처리하지 못하는 케이스, 확실한 정답이 있는 케이스 등을 신속하게 처리하기 위해 교정 대상 질의와 그에 대응하는 교정 질의의 쌍을 연관시켜 미리 저장한 데이터베이스일 수 있다. 예를 들어, 쇼핑 검색 질의 확장 모델(420)에서 질의를 오변환하는 문제가 발견되는 경우, 발견된 문제를 신속하게 해결하기 위해 교정 대상 질의와 그에 대응하는 교정 질의의 쌍을 사전 규칙(410)에 추가할 수 있다.
일 실시예에서, 쇼핑 검색 질의(q1)를 수신하는 것에 응답하여, 정보 처리 시스템은 수신된 쇼핑 검색 질의(q1)가 사전 규칙(410)에 포함되어 있는지 지 여부를 판정할 수 있다. 쇼핑 검색 질의(q1)가 사전 규칙(410)에 포함된 경우, 정보 처리 시스템은 사전 규칙(410)을 이용하여 쇼핑 검색 질의(q1)를 교정 질의(cq)로 변환할 수 있다. 즉, 쇼핑 검색 질의(q1)가 사전 규칙(410)에 저장된 교정 대상 질의 중 하나에 해당하는 경우, 정보 처리 시스템은 쇼핑 검색 질의(q1)를 교정 대상 질의에 대응하는 교정 질의(cq)로 변환할 수 있다. 예를 들어, 사전 규칙(410) 내에 교정 대상 질의 'odio'와 대응되는 교정 질의 'audio'가 하나의 쌍으로 미리 저장된 경우, 정보 처리 시스템은 쇼핑 검색 질의로 수신된 'odio'를 사전 규칙(410)에 따라 'audio'로 교정할 수 있다. 이 경우, 정보 처리 시스템은 교정 질의(cq)에 의해 검색되는 상품들만을 순위화하여 사용자에게 제공할 수 있다.
한편, 쇼핑 검색 질의(q1)가 사전 규칙(410)에 포함되어 있지 않는 경우, 정보 처리 시스템은 쇼핑 검색 질의 확장 모델(420)을 이용하여 쇼핑 검색 질의(q1)를 확장 질의(q2)로 변환할 수 있다. 예를 들어, 정보 처리 시스템은 '샤오미 미 마우스'를 쇼핑 검색 질의(q1)로 수신하는 경우, 사전 규칙(410) 내에 저장된 교정 대상 질의에 해당하지 않는다고 판정하고, '샤오미 미 마우스'를 쇼핑 검색 질의 확장 모델(420)에 입력할 수 있다. 이 경우, '샤오미 미 마우스'에 오탈자 또는 맞춤법 오류가 없더라도, 쇼핑 검색 질의 확장 모델(420)은 사용자 만족도가 높은 확장된 검색 결과를 제공하기 위해 '샤오미 미 마우스'를 '샤오미 마우스'로 변환할 수 있다.
일 실시예에서, 정보 처리 시스템은 수신된 쇼핑 검색 질의(q1)의 CTR이 미리 결정된 임계치 이하인 경우, 쇼핑 검색 질의 확장 모델(420)을 이용하여 쇼핑 검색 질의(q1)를 확장 질의(q2)로 변환할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 쇼핑 검색 질의(q1)에 의해 검색되는 상품이 없거나 미리 정해진 수보다 적은 경우, 쇼핑 검색 질의 확장 모델(420)을 이용하여 쇼핑 검색 질의(q1)를 확장 질의(q2)로 변환할 수 있다. 다른 실시예에서, 정보 처리 시스템은 수신되는 모든 쇼핑 검색 질의(q1)를 쇼핑 검색 질의 확장 모델(420)을 이용하여 확장 질의(q2)로 변환할 수 있다. 쇼핑 검색 질의(q1)를 확장 질의(q2)로 변환한 후, 정보 처리 시스템은 쇼핑 검색 질의(q1) 또는 확장 질의(q2) 중 적어도 하나에 기초하여 쇼핑 검색을 수행할 수 있다.
도 5는 본 개시의 일 실시예에 따라 쇼핑 검색 질의(q1)가 확장 질의(q2)로 변환되는 예시를 나타내는 도면이다. 도시된 바와 같이, 쇼핑 검색 질의 확장 모델(420)은 부분 질의 생성부(510), 확장 질의 후보 생성부(520) 및 신뢰도 점수 산출부(530)를 포함할 수 있다. 확장 질의 후보 생성부(520)와 신뢰도 점수 산출부(530)는 도 9 내지 11에서 자세히 설명되는 언어 모델을 이용하여 구축될 수 있다.
쇼핑 검색 질의(q1)를 수신하는 것에 응답하여, 쇼핑 검색 질의 확장 모델(420)은 수신된 쇼핑 검색 질의(q1)를 부분 질의 생성부(510), 확장 질의 후보 생성부(520) 및 신뢰도 점수 산출부(530)로 전달할 수 있다. 부분 질의 생성부(510)는 쇼핑 검색 질의(q1)를 음절 단위(예를 들어, 1 음절 단위, 2 음절 단위, 3 음절 단위 등) 또는 형태소 단위 중 적어도 하나로 분할함으로써 쇼핑 검색 질의(q1)에 대한 부분 질의(q11, q12, ... q1n)를 생성할 수 있다. 예를 들어, 부분 질의 생성부(510)는 '옥동자돈까스'가 입력되면 '옥동자돈까스'를 3 음절 단위로 분할하여 '옥동자', '동자돈', '자돈까', '돈까스'를 부분 질의로 출력할 수 있다.
확장 질의 후보 생성부(520)는 쇼핑 검색 질의(q1), 그리고 부분 질의 생성부(510)로부터 전달받은 부분 질의(q11, q12, ... q1n)에 기초하여 확장 질의 후보(q21, q22, q23, ... q2n+1)를 생성할 수 있다. 이와 같은 구성에 의해, 쇼핑 검색 질의(q1)에 일부 오탈자가 포함된 경우에도 적절한 확장 질의(q2)를 생성하는 것이 가능하다. 도시된 것과 같이, 확장 질의 후보 생성부(520)는 입력되는 질의마다 대응되는 하나의 확장 질의 후보를 생성할 수 있다. 다른 실시예에서, 확장 질의 후보 생성부(520)는 입력되는 질의마다 대응하는 둘 이상의 확장 질의 후보를 생성할 수 있다. 예를 들어, 확장 질의 후보 생성부(520)는 언어 모델을 이용하여 입력되는 질의와 매칭 점수(또는 매칭 확률)가 가장 높은 i 개(i는 자연수)의 단어 시퀀스(sequence) 중 미리 정해진 임계값 이상의 매칭 점수를 가지는 단어 시퀀스(들)를 확장 질의 후보(들)로 출력할 수 있다. 예를 들어, 확장 질의 후보 생성부(520)는 '옥동자돈까스'의 확장 질의 후보로 '옥주부돈까스', '옥동자'의 확장 질의 후보로 '옥동자아이스크림', 돈까스의 확장 질의 후보로 '홈쇼핑 돈까스'를 출력할 수 있다.
신뢰도 점수 산출부(530)는 확장 질의 후보 생성부(520)에서 생성된 확장 질의 후보(q21, q22, q23 ... q2n+1) 각각에 대한 신뢰도 점수를 산출하고, 가장 높은 신뢰도 점수를 가지는 확장 질의 후보를 확장 질의(q2)로 출력할 수 있다. 대안적으로, 신뢰도 점수 산출부(530)는 신뢰도 점수가 가장 높은 k 개(k는 자연수)의 확장 질의 후보 중 미리 정해진 임계값 이상의 신뢰도 점수를 가지는 확장 질의 후보(들)를 확장 질의(들)로 출력할 수 있다.
일 실시예에서, 신뢰도 점수 산출부(530)는 아래의 식에 따라 확장 질의 후보 각각에 대한 신뢰도 점수를 산출할 수 있다.
여기서 m은 임의의 자연수, q2m 발생확률은 정보 처리 시스템에 저장된 쇼핑 검색 로그 내에서 확장 질의 후보(q2m)가 입력된 빈도에 의해 계산되는 발생 확률, LM(q2m)은 언어 모델을 이용하여 산출되는 확장 질의 후보(q2m)의 점수(또는 확률), LM(q2m|q1)은 언어 모델을 이용하여 산출되는 쇼핑 검색 질의(q1)와 확장 질의 후보(q2m) 사이의 매칭 점수(또는 매칭 확률)를 나타낸다.
다른 실시예에서, 신뢰도 점수 산출부(530)는 아래의 식에 따라 확장 질의 후보 각각에 대한 신뢰도 점수를 산출할 수 있다.
여기서 User_Sat(q2m|q1)은 쇼핑 검색 질의(q1)가 확장 질의 후보(q2m)로 변환되었을 때의 사용자 만족도를 나타낸다. 일 실시예에서, 사용자 만족도는 쇼핑 검색 질의(q1)와 확장 질의 후보(q2m) 사이의 텍스트 유사도(예를 들어, 자소편집거리, 음절편집거리 등), 쇼핑 검색 질의(q1)의 발생 확률과 확장 질의 후보(q2m)의 발생 확률, 쇼핑 검색 질의(q1)에 의해 검색되는 상품의 수와 확장 질의 후보(q2m)에 의해 검색되는 상품의 수, 쇼핑 검색 질의(q1)의 CTR과 확장 질의 후보(q2m)의 CTR 등에 기초하여 산출될 수 있다. 예를 들어, 쇼핑 검색 질의(q1)와 확장 질의 후보(q2m)의 텍스트가 유사할수록, 확장 질의 후보(q2m)의 발생 확률이 쇼핑 검색 질의(q1)의 발생 확률보다 클수록, 확장 질의 후보(q2m)에 의해 검색되는 상품의 수가 쇼핑 검색 질의(q1)에 의해 검색되는 상품의 수보다 많을수록, 확장 질의 후보(q2m)의 CTR이 쇼핑 검색 질의(q1)의 CTR보다 클수록 사용자 만족도가 높게 산출될 수 있다.
상술한 것과 같이, 확장 질의 후보(q2m)의 신뢰도 점수는 쇼핑 검색 질의(q1)와 확장 질의 후보(q2m) 사이의 점수뿐만 아니라 확장 질의 후보(q2m) 자체에 대한 점수도 반영되기 때문에, 쇼핑 검색 질의(q1)와 확장 질의 후보(q2m) 사이의 매칭 점수가 높더라도, 확장 질의 후보(q2m)가 상품 데이터베이스에 포함되지 않는 질의이거나, 사용자들이 잘 검색하지 않는 질의이거나, 사용자 만족도가 낮은 질의인 경우, 확장 질의 후보(q2m)의 신뢰도 점수가 낮게 산출될 수 있다. 예를 들어, '옥주부돈까스'의 신뢰도 점수가 0.952, '홈쇼핑돈까스'의 신뢰도 점수가 0.321, '옥동자아이스크림'의 신뢰도 점수가 0.109로 계산되어 '옥동자돈까스'의 확장 질의로써 '옥주부돈까스'가 출력될 수 있다.
도 6은 본 개시의 일 실시예에 따라 쇼핑 검색 결과의 커버리지가 확장되는 예시를 나타내는 도면이다. 화면(610)은 쇼핑 검색 서비스에 쇼핑 검색 질의 확장이 적용되지 않은 예시이고, 화면(620)은 쇼핑 검색 서비스에 쇼핑 검색 질의 확장이 적용된 예시이다. 도시된 것과 같이, 사용자는 사용자 단말에서 실행되는 검색 애플리케이션, 쇼핑 애플리케이션, 웹 브라우저 애플리케이션 등에서 표시되는 쇼핑 검색 창(612, 614)에 'studio tolv'를 쇼핑 검색 질의로서 입력할 수 있다. 여기서, 'studio tolv'는 사용자가 브랜드 명인 'sudio'를 잘못 알고 'studio'로 입력한 것이다.
일반적인 정보 검색 상황에서는 'studio tolv'에서 'studio'는 오탈자가 없어 교정 대상이 아니다. 따라서, 쇼핑 검색 질의 확장을 적용하지 않고 'studio tolv'로 쇼핑 검색을 수행하게 되면 화면(610)과 같이 검색 결과가 없을 수 있다. 즉, 'studio tolv'를 쇼핑 검색 질의로 입력하는 경우, 상품 데이터베이스 내에 매칭되는 어휘가 부족하여 사용자가 원하는 상품을 쇼핑 검색 결과로 출력할 수 없다.
반면, 화면(620)은 쇼핑 검색 질의 확장을 적용한 경우이므로, 쇼핑 검색 질의('studio tolv'), 그리고 쇼핑 검색 질의 확장 모델을 이용하여 생성된 확장 질의('sudio tolv')에 기초한 쇼핑 검색 결과를 포함할 수 있다. 화면(610)에 표시된 것과 같이 'studio tolv'로 검색되는 상품이 없으므로, 화면(620)에는 확장 질의인 'sudio tolv'로 검색되는 상품들(624)만 순위화되어 표시될 수 있다.
쇼핑 검색 질의 확장 모델은 'studio tolv'와 같이 잘못된 상품명(오타가 아닌)을 포함하는 질의를 교정하는 것 이외에도, 오타성 질의를 교정하거나 쇼핑 검색 질의 내의 핵심 단어(또는 어휘) 등을 추출하거나, 쇼핑 검색 질의 내의 (오타가 없는) 일부 단어를 검색되는 상품 수가 더 많은 동일한 의미의 다른 단어로 변환할 수 있다. 예를 들어, 쇼핑 검색 질의 확장 모델은 '예쁜 핑크 원피스'를 '핑크 원피스'로 변환하여 쇼핑 검색 결과의 커버리지를 확장할 수 있다. 다른 예시로, 쇼핑 검색 질의 확장 모델은 '휴대폰 충전기' 중 '휴대폰'을 유의어인 '스마트폰'으로 변환하여 '휴대폰 충전기'에 의해 검색되는 상품들과 '스마트폰 충전기'에 의해 검색되는 상품들이 사용자에게 함께 제공되도록 할 수 있다. 이 경우, 사용자의 검색 의도를 반영하기 위해, 검색된 상품들의 표시 순위를 결정할 때, 사용자가 입력한 '휴대폰 충전기'로 검색된 상품들의 순위에 포지티브 가중치를 적용하거나/적용하고, '스마트폰 충전기'에 의해 검색되는 상품들의 순위에 네거티브 가중치를 적용할 수 있다.
도 7은 본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 방법(700)을 나타내는 흐름도이다. 일 실시예에서, 쇼핑 검색 결과 확장 방법(700)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 도시된 바와 같이, 쇼핑 검색 결과 확장 방법(700)은 프로세서가 사용자 단말로부터 쇼핑 검색 질의를 수신함으로써 개시될 수 있다(S710). 여기서, 쇼핑 검색 질의는 사용자가 온라인 상에서 판매하는 상품을 검색하기 위해 사용자 단말에서 동작하는 쇼핑 애플리케이션, 웹 브라우저 애플리케이션 등의 검색 창에 입력한 텍스트일 수 있다.
일 실시예에서, 프로세서는 미리 저장된 사전 규칙 내에 쇼핑 검색 질의가 포함되는지 여부를 판정할 수 있다. 미리 저장된 사전 규칙 내에 쇼핑 검색 질의가 포함된 것으로 판정하는 것에 응답하여, 프로세서는 쇼핑 검색 질의를 사전 규칙에 기초하여 교정 질의로 변환할 수 있다. 그 후, 프로세서는 교정 질의에 기초한 쇼핑 검색 결과를 사용자 단말로 전송할 수 있다.
반면, 사전 규칙 내에 쇼핑 검색 질의가 포함되지 않은 것으로 판정하는 것에 응답하여, 프로세서는 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환할 수 있다(S720). 일 실시예에서, 프로세서는 쇼핑 검색 질의에 의해 검색되는 상품이 없는 것으로 판정하는 것에 응답하여, 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환할 수 있다. 추가적으로 또는 대안적으로, 프로세서는 쇼핑 검색 질의의 CTR이 미리 결정된 임계치 이하인 것으로 판정하는 것에 응답하여, 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환할 수 있다.
일 실시예에서, 프로세서는 쇼핑 검색 질의를 음절 단위 또는 형태소 단위 중 적어도 하나로 분할하여 복수의 부분 질의를 생성하고, 미리 저장된 언어 모델을 이용하여, 쇼핑 검색 질의 및 복수의 부분 질의에 기초하여 복수의 확장 질의 후보를 생성할 수 있다. 그 후, 프로세서는 복수의 확장 질의 후보 각각에 대한 신뢰도 점수를 산출하고, 복수의 확장 질의 후보 중 가장 높은 신뢰도 점수를 가지는 확장 질의 후보를 확장 질의로 사용할 수 있다. 여기서, 신뢰도 점수는 언어 모델을 이용하여 산출된 쇼핑 검색 질의와 각 확장 질의 후보 사이의 매칭 점수, 그리고 각 확장 질의 후보의 질의 발생 확률에 기초하여 산출될 수 있다.
그 후, 프로세서는 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 사용자 단말로 전송할 수 있다(S730). 상술한 것과 같이, 쇼핑 검색 질의 확장 모델을 이용하여 쇼핑 검색 질의를 확장 질의로 변환함으로써 쇼핑 검색 결과의 커버리지를 확장하여 고객 만족도가 높은 쇼핑 검색 서비스를 제공할 수 있다. 또한, 사전 규칙을 사용하여 쇼핑 검색 질의를 교정 질의로 변환함으로써 쇼핑 검색 질의 확장 모델에서 처리하지 못하는 케이스, 확실한 정답이 있는 케이스 등을 신속하게 처리할 수 있다.
도 8은 본 개시의 일 실시예에 따라 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 사용자 단말로 전송하는 예시적인 방법(S730)을 나타내는 흐름도이다. 일 실시예에서, 방법(S730)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 방법(S730)은 프로세서가 쇼핑 검색 질의에 의해 검색되는 상품이 존재하는지 여부를 판정하는 것으로 개시될 수 있다(S810).
쇼핑 검색 질의에 의해 검색되는 상품이 존재하지 않는 것으로 판정하는 것에 응답하여, 프로세서는 확장 질의에 기초한 쇼핑 검색 결과를 사용자 단말로 전송할 수 있다. 즉, 프로세서는 확장 질의에 의해 검색되는 상품들의 표시 순서를 결정하고(S820), 순위화된 쇼핑 검색 결과를 사용자 단말로 전송할 수 있다(S850). 즉, 프로세서는 확장 질의에 의해 검색되는 상품들의 표시 순위를 결정하고(S820), 순위화된 쇼핑 검색 결과를 사용자 단말로 전송할 수 있다(S850). 여기서, 표시 순서는 검색되는 상품들이 사용자 단말의 디스플레이 상에 노출되는 순서를 나타낼 수 있다. 예를 들어, 프로세서는 검색된 상품의 인기도, CTR, 질의(쇼핑 검색 질의 또는 확장 질의)와 검색된 상품 사이의 텍스트 유사도 등에 기초하여 표시 순서를 결정할 수 있다.
반면, 쇼핑 검색 질의에 의해 검색되는 상품이 존재하는 것으로 판정되는 것에 응답하여, 프로세서는 쇼핑 검색 질의에 의해 검색되는 상품들과 확장 질의에 의해 검색되는 상품들의 표시 순위를 결정할 수 있다(S830). 일 실시예에서, 사용자가 쇼핑 검색 질의를 입력한 의도를 반영하기 위해, 프로세서는 확장 질의에 의해 검색되는 상품들의 순위에 패널티를 부여(S840)할 수 있다. 예를 들어, 프로세서는 확장 질의에 의해 검색되는 상품들의 표시 순위에 네거티브 가중치를 적용하거나/적용하고 쇼핑 검색 질의에 의해 검색되는 상품들의 표시 순위에 포지티브 가중치를 적용할 수 있다. 그 후, 프로세서는 순위화된 검색 결과를 사용자 단말로 전송할 수 있다(S850).
도 9는 본 개시의 일 실시예에 따른 쇼핑 검색 로그 데이터(910)로부터 복수의 학습 데이터 쌍(920)을 추출하는 예시를 나타내는 도면이다. 쇼핑 검색 로그 데이터(910)로부터 추출된 복수의 학습 데이터 쌍(920)은, 도 10에서 자세히 설명하는 것과 같이, 언어 모델을 학습하는데 사용될 수 있다. 쇼핑 검색 로그 데이터(910)는 정보 처리 시스템이 사용자들로부터 수신하는 쇼핑 검색 질의와 관련된 정보를 기록한 데이터일 수 있다. 일 실시예에서, 쇼핑 검색 로그 데이터(910)는 쇼핑 검색 서비스를 제공하는 정보 처리 시스템에 저장될 수 있다. 다른 실시예에서, 쇼핑 검색 로그 데이터(910)는 정보 처리 시스템이 아닌 다른 외부 장치에 저장될 수 있다.
일 실시예에서, 정보 처리 시스템(또는 외부 장치)의 적어도 하나의 프로세서는 하나의 검색 세션 동안 입력된 최초 질의(Q1)와 후속 질의(Q2) 사이의 검색 확장 점수를 아래 식에 따라 산출할 수 있다. 검색 확장 점수는 최초 질의(Q1)가 후속 질의(Q2)로 바뀜에 따른 사용자가 느끼는 검색 결과에 대한 만족도를 수치화한 점수일 수 있다.
여기서, 
은 두 개의 질의 사이의 입력 시간 차이에 기초한 점수, 
는 두 개의 질의 사이의 텍스트 유사도에 기초한 점수, 
는 두 개의 질의 사이의 질의 발생 확률 차이에 기초한 점수, 
는 두 개의 질의 사이의 검색 결과 상품 수 차이에 기초한 점수, 
는 두 개의 질의 사이의 CTR 차이에 기초한 점수를 나타낸다. 또한, 
는 각 항목에 대한 가중치를 조정하기 위한 상수를 나타낸다. 상술한 항목들 외에도, 프로세서는 후속 질의(Q2)가 최초 질의(Q1)의 부분 검색어인지 여부 등 다양한 기준을 더 고려하여 검색 확장 점수를 산출할 수 있다.
일 실시예에서, 프로세서는 두 개의 질의 사이의 입력 시간 차이가 미리 정해진 값(예를 들어, 10초)에 가까울수록 높은 
점수를 부여할 수 있다. 대안적으로, 프로세서는 두 개의 질의 사이의 입력 시간 차이가 클수록 높은 
점수를 부여할 수 있다. 대안적으로, 프로세서는 두 개의 질의 사이의 입력 시간 차이가 작을수록 높은 
점수를 부여할 수 있다.
또한, 프로세서는 후속 질의(Q2)와 최초 질의(Q1) 사이의 테스트 유사도가 높을수록 높은 
점수를 부여하고, 후속 질의(Q2)의 질의 발생 확률이 최초 질의(Q1)의 발생 확률보다 클수록 높은 
점수를 부여하고, 후속 질의(Q2)에 의해 검색되는 상품의 수가 최초 질의(Q1)에 의해 검색되는 상품의 수보다 클수록 높은 
점수를 부여하고, 후속 질의(Q2)의 CTR이 최초 질의(Q1)의 CTR보다 클수록 높은 
점수를 부여할 수 있다.
산출된 검색 확장 점수가 미리 결정된 임계치 이상인 경우, 프로세서는 최초 질의(Q1)와 후속 질의(Q2)를 학습 데이터 쌍으로 추출할 수 있다. 여기서, 최초 질의(Q1)와 후속 질의(Q2)는 각각 변환 대상과 변환 결과를 학습하기 위해 사용될 수 있다. 상술한 검색 확장 점수를 이용하여 프로세서는 쇼핑 검색 로그 데이터(910) 내에서 변환 대상과 변환 결과의 쌍을 인식하여, 쇼핑 검색에 특화된 복수의 학습 데이터 쌍(920)을 자동으로 추출할 수 있다.
일 실시예에서, 후속 질의(Q2)의 질의 발생 확률이 최초 질의(Q1)의 질의 발생 확률보다 작은 경우, 프로세서는 최초 질의(Q1)와 후속 질의(Q2)를 학습 데이터 쌍으로 추출하지 않을 수 있다. 추가적으로 또는 대안적으로, 후속 질의(Q2)에 의해 검색되는 상품의 수가 최초 질의(Q1)에 의해 검색되는 상품의 수보다 적은 경우, 프로세서는 최초 질의(Q1)와 후속 질의(Q2)를 학습 데이터 쌍으로 추출하지 않을 수 있다. 추가적으로 또는 대안적으로, 후속 질의(Q2)의 CTR이 최초 질의(Q1)의 CTR보다 작은 경우, 프로세서는 최초 질의(Q1)와 후속 질의(Q2)를 학습 데이터 쌍으로 추출하지 않을 수 있다.
일 실시예에서, 프로세서는 최초 질의(Q1)를 음절 단위(1 음절 단위, 2 음절 단위, 3 음절 단위 등) 또는 형태소 단위 중 적어도 하나로 분할하여 복수의 부분 질의(Q11, ... Q1n)를 생성할 수 있다. 그 후, 프로세서는 후속 질의(Q2)를 복수의 부분 질의(Q11, ... Q1n) 각각과 연관시켜 확장된 학습 데이터 쌍들(Q11-Q2, ... Q1n-Q2)을 생성할 수 있다(S1150). 학습 데이터 쌍(Q1-Q2)과 확장된 학습 데이터 쌍들(Q11-Q2, ... Q1n-Q2) 모두 언어 모델을 학습하기 위한 학습 데이터 쌍으로 사용될 수 있다.
도시된 예시에서, 프로세서는 하나의 검색 세션(bck1) 동안 입력된 최초 질의(Q1)와 후속 질의(Q2)로서 '옥동자돈까스'와 '옥주부돈까스'를 수신할 수 있다. 도시된 바와 같이, '옥동자돈까스'와 '옥주부돈까스'의 입력 시간 차이는 3s이고, 자소편집거리는 5, 음절편집거리는 2로 높은 텍스트 유사도를 가진다. 또한, '옥주부돈까스'가 '옥동자돈까스'보다 높은 질의 발생 확률, 검색 상품 수, CTR을 가지므로, 프로세서는 '옥동자돈까스'와 '옥주부돈까스' 사이의 검색 확장 점수가 미리 결정된 임계치 이상인 것으로 판정하고, '옥동자돈까스'(변환 대상 Q1)와 '옥주부돈까스'(변환 결과 Q2)를 학습 데이터 쌍으로 추출할 수 있다.
아래 표는 쇼핑 검색 로그 데이터(910)로부터 추출될 수 있는 학습 데이터 쌍의 다양한 예시를 나타낸다.
| 유형 | 최초 질의(Q1) | 후속 질의(Q2) |
| 오타 | 텀블러 Qkfeo | 텀블러 빨대 |
| 아이피아팀 n1 usb | 아이피타임 n1 usb | |
| 잘못된 상품 명칭 | studio tolv | sudio tolv |
| 옥동자 돈까스 | 옥주부 돈까스 | |
| 바디라인 닭가슴살 | 바디나인 닭가슴살 | |
| 검색 결과 없거나 적은 질의 (too specific) |
샤오미 미 마우스 | 샤오미 마우스 |
| ljbfu554abgs | libfu554 | |
| 샤오미 펫 급식기 | 샤오미 급식기 | |
| 다르게 표현 가능한 질의 | 신애련 요가복 | 안다르 요가복 |
| 대나무 이파리 | 대나무 잎 | |
| 다이소 발꿈치 패드 | 다이소 뒤꿈치 패드 | |
| 부분 질의 | 예쁜 샤넬 원피스 | 샤넬 원피스 |
도 10은 본 개시의 일 실시예에 따라 학습 데이터 데이터베이스(1010)와 상품 데이터베이스(1020)에 기초하여 언어 모델을 학습하는 예시를 나타내는 도면이다. 학습 데이터 데이터베이스(1010)는 복수의 학습 데이터 쌍(예를 들어, 도 9이 920)을 포함할 수 있다. 각 학습 데이터 쌍은 학습하고자 하는 변환 대상-변환 결과의 쌍일 수 있다. 상품 데이터베이스(1020)는 다양한 온라인 쇼핑 상품들에 대한 정보(예를 들어, 텍스트 정보)를 포함할 수 있다.
도시된 바와 같이, 정보 처리 시스템의 프로세서는 학습 데이터 데이터베이스(1010)에 포함된 복수의 학습 데이터 쌍과 상품 데이터베이스(1020)에 포함된 텍스트에 기초하여 언어 모델을 학습할 수 있다. 일 실시예에서, 언어 모델은 통계 기반 언어 모델 또는 딥러닝 기반 언어 모델일 수 있다. 예를 들어, 프로세서는 HMM(Hidden Markov Model), CRF(Conditional Random Field), IBM Translation Model, FFNN(Feed-forward Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory), TRANSFORMER, BERT(Bidirectional Encoder Representations from Transformers) 등을 이용하여 언어 모델을 학습할 수 있다.
상술한 것과 같이, 언어 모델을 학습함으로써, 질의 변환 정확도를 높이고 커버리지를 늘리는 것이 가능하다. 즉, 언어 모델을 사용함으로써 학습 데이터 데이터베이스(1010)에 포함되어 있지 않은 사용자 질의도 확장 질의로 변환하는 것이 가능하다. 도 10에서는 학습 데이터 데이터베이스(1010)와 상품 데이터베이스(1020)에 기초하여 언어 모델을 학습하는 것으로 도시되었으나, 이에 한정되지 않는다. 예를 들어, 프로세서는 학습 데이터 데이터베이스(1010)만 사용하여 언어 모델을 학습할 수 있다.
도 11은 본 개시의 일 실시예에 따른 학습 데이터 생성 방법(1100)을 나타내는 흐름도이다. 일 실시예에서, 학습 데이터 생성 방법(1100)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 도시된 바와 같이, 학습 데이터 생성 방법(1100)은 프로세서가 하나의 검색 세션 동안 입력된 제1 질의 및 제2 질의를 포함하는 쇼핑 검색 로그 데이터를 수신함으로써 개시될 수 있다(S1110). 여기서, 제1 질의가 제2 질의보다 먼저 입력된 질의일 수 있다.
그 후, 프로세서는 제1 질의 및 제2 질의 사이의 검색 확장 점수를 산출할 수 있다(S1120). 일 실시예에서, 프로세서는 검색 확장 점수를 산출하기 위해, 쇼핑 검색 로그 데이터에 기록된 제1 질의의 입력 시간과 제2 질의의 입력 시간 차이를 산출하고, 제1 질의와 제2 질의 사이의 텍스트 유사도를 산출하고, 제1 질의의 질의 발생 확률과 제2 질의의 질의 발생 확률 사이의 차이를 산출하고, 제1 질의에 의해 검색되는 상품의 수와 제2 질의에 의해 검색되는 상품의 수의 차이를 산출하고, 제1 질의의 CTR과 제2 질의의 CTR의 차이를 산출할 수 있다. 여기서, 제1 질의와 제2 질의 사이의 텍스트 유사도는 제1 질의와 제2 질의 사이의 자소편집거리 또는 음절편집거리 중 적어도 하나에 기초하여 산출될 수 있다. 프로세서는 위의 산출된 값들 중 적어도 하나를 이용하여 제1 질의 및 제2 질의 사이의 검색 확장 점수를 산출할 수 있다.
제1 질의 및 제2 질의 사이의 검색 확장 점수가 미리 결정된 임계치 이상인 것으로 판정하는 것에 응답하여, 프로세서는 제1 질의 및 제2 질의를 학습 데이터 쌍으로 추출할 수 있다(S1130). 여기서, 제1 질의는 변환 대상 질의, 제2 질의는 확장 질의로 사용될 수 있다.
일 실시예에서, 프로세서는 제1 질의를 음절 단위(1 음절 단위, 2 음절 단위, 3 음절 단위 등) 또는 형태소 단위 중 적어도 하나로 분할하여 복수의 부분 질의를 생성할 수 있다(S1140). 그 후, 프로세서는 제2 질의를 복수의 부분 질의 각각과 연관시켜 확장된 학습 데이터 쌍들을 생성할 수 있다(S1150). 프로세서는 추출된 학습 데이터 쌍, 확장된 학습 데이터 쌍들, 그리고 정보 처리 시스템 내에 저장된 상품 데이터베이스 내의 텍스트 데이터에 기초하여 통계 기반 언어 모델 또는 딥러닝 기반 언어 모델을 학습할 수 있다.
상술된 쇼핑 검색 결과 확장 방법은, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수도 있다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 판독될 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 전술된 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
110: 사용자 단말
120: 네트워크
130: 상품 검색 서버
140: 노출 순위 결정 서버
120: 네트워크
130: 상품 검색 서버
140: 노출 순위 결정 서버
Claims (20)
- 적어도 하나의 프로세서에 의해 수행되는 쇼핑 검색 결과 확장 방법으로서,
사용자 단말로부터 온라인 상에서 판매하는 상품을 검색하기 위한 쇼핑 검색 질의를 수신하는 단계;
쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 확장 질의로 변환하는 단계; 및
상기 쇼핑 검색 질의 또는 상기 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 상기 사용자 단말로 전송하는 단계
를 포함하고,
상기 쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 확장 질의로 변환하는 단계는,
상기 쇼핑 검색 질의를 음절 단위 또는 형태소 단위 중 적어도 하나로 분할하여 복수의 부분 질의를 생성하는 단계;
미리 저장된 언어 모델을 이용하여, 상기 쇼핑 검색 질의 및 상기 복수의 부분 질의에 기초하여 복수의 확장 질의 후보를 생성하는 단계;
상기 복수의 확장 질의 후보 각각에 대한 신뢰도 점수를 산출하는 단계; 및
상기 복수의 확장 질의 후보 중 가장 높은 신뢰도 점수를 가지는 확장 질의 후보를 상기 확장 질의로 사용하는 단계
를 포함하는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
미리 저장된 사전 규칙 내에 상기 쇼핑 검색 질의가 포함된 것으로 판정하는 것에 응답하여,
상기 쇼핑 검색 질의를 상기 사전 규칙에 기초하여 교정 질의로 변환하는 단계; 및
상기 교정 질의에 기초한 쇼핑 검색 결과를 상기 사용자 단말로 전송하는 단계
를 더 포함하는, 쇼핑 검색 결과 확장 방법. - 제2항에 있어서,
상기 사전 규칙 내에 상기 쇼핑 검색 질의가 포함되지 않은 것으로 판정하는 것에 응답하여, 상기 쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 상기 확장 질의로 변환하는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
상기 쇼핑 검색 질의에 의해 검색되는 상품이 없는 것으로 판정하는 것에 응답하여, 상기 쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 상기 확장 질의로 변환하는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
상기 쇼핑 검색 질의의 CTR(Click-Through Rate)이 미리 결정된 임계치 이하인 것으로 판정하는 것에 응답하여, 상기 쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 상기 확장 질의로 변환하는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
상기 쇼핑 검색 질의 또는 상기 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 상기 사용자 단말로 전송하는 단계는,
상기 쇼핑 검색 질의에 의해 검색되는 상품이 존재하지 않는 것으로 판정하는 것에 응답하여, 상기 확장 질의에 기초한 쇼핑 검색 결과를 상기 사용자 단말로 전송하는 단계를 포함하는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
상기 쇼핑 검색 질의 또는 상기 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 상기 사용자 단말로 전송하는 단계는,
상기 쇼핑 검색 질의에 의해 검색되는 상품이 존재하는 것으로 판정하는 것에 응답하여, 상기 쇼핑 검색 질의에 의해 검색되는 상품들과 상기 확장 질의에 의해 검색되는 상품들의 표시 순위를 결정하는 단계
를 포함하는, 쇼핑 검색 결과 확장 방법. - 제7항에 있어서,
상기 쇼핑 검색 질의에 의해 검색되는 상품들과 상기 확장 질의에 의해 검색되는 상품들의 표시 순위를 결정하는 단계는,
상기 확장 질의에 의해 검색되는 상품들의 표시 순위에 네거티브 가중치(negative weight)를 적용하는 단계; 또는
상기 쇼핑 검색 질의에 의해 검색되는 상품들의 표시 순위에 포지티브 가중치(positive weight)를 적용하는 단계
중 적어도 하나를 포함하는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
상기 복수의 확장 질의 후보 각각에 대한 신뢰도 점수는 쇼핑 검색 질의의 발생 확률과 확장 질의 후보의 발생 확률 사이의 차이, 쇼핑 검색 질의에 의해 검색되는 상품의 수와 확장 질의 후보에 의해 검색되는 상품의 수 사이의 차이 또는 쇼핑 검색 질의의 CTR과 확장 질의 후보의 CTR 사이의 차이 중 적어도 하나에 기초하여 산출되는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
상기 신뢰도 점수는 상기 언어 모델을 이용하여 산출된 상기 쇼핑 검색 질의와 각 확장 질의 후보 사이의 매칭 점수, 그리고 각 확장 질의 후보의 질의 발생 확률에 기초하여 산출되는, 쇼핑 검색 결과 확장 방법. - 제1항에 있어서,
상기 미리 저장된 언어 모델은 사용자들의 쇼핑 검색 로그 데이터에 기초하여 생성된 통계 기반 언어 모델 또는 딥러닝 기반 언어 모델인, 쇼핑 검색 결과 확장 방법. - 쇼핑 검색 결과 확장 시스템으로서,
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
온라인 상에서 판매하는 상품을 검색하기 위한 쇼핑 검색 질의를 수신하고,
쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 확장 질의로 변환하고,
상기 쇼핑 검색 질의 또는 상기 확장 질의 중 적어도 하나에 기초한 쇼핑 검색 결과를 전송하기 위한 명령어들을 포함하고,
상기 쇼핑 검색 질의 확장 모델을 이용하여 상기 쇼핑 검색 질의를 확장 질의로 변환하는 것은,
상기 쇼핑 검색 질의를 음절 단위 또는 형태소 단위 중 적어도 하나로 분할하여 복수의 부분 질의를 생성하는 것,
미리 저장된 언어 모델을 이용하여, 상기 쇼핑 검색 질의 및 상기 복수의 부분 질의에 기초하여 복수의 확장 질의 후보를 생성하는 것,
상기 복수의 확장 질의 후보 각각에 대한 신뢰도 점수를 산출하는 것과
상기 복수의 확장 질의 후보 중 가장 높은 신뢰도 점수를 가지는 확장 질의 후보를 상기 확장 질의로 사용하는 것을 포함하는, 쇼핑 검색 결과 확장 시스템. - 제1항에 있어서,
상기 쇼핑 검색 질의를 수신하기 전에, 학습 데이터 쌍들에 기초하여 통계 기반 언어 모델 또는 딥러닝 기반 언어 모델을 학습함으로써, 상기 언어 모델을 생성하는 단계
를 더 포함하고,
상기 언어 모델을 생성하는 단계는,
하나의 검색 세션 동안 입력된 제1 질의 및 제2 질의를 포함하는 쇼핑 검색 로그 데이터를 수신하는 단계 - 상기 제1 질의가 상기 제2 질의보다 먼저 입력됨 -;
상기 제1 질의 및 상기 제2 질의 사이의 검색 확장 점수를 산출하는 단계; 및
상기 검색 확장 점수가 미리 결정된 임계치 이상인 것으로 판정하는 것에 응답하여, 상기 제1 질의 및 상기 제2 질의를 학습 데이터 쌍으로 추출하는 단계
를 포함하는, 쇼핑 검색 결과 확장 방법. - 제13항에 있어서,
상기 제1 질의 및 상기 제2 질의 사이의 검색 확장 점수를 산출하는 단계는,
상기 제1 질의의 입력 시간과 상기 제2 질의의 입력 시간 차이를 산출하는 단계; 또는
상기 제1 질의와 상기 제2 질의 사이의 텍스트 유사도를 산출하는 단계
중 적어도 하나를 포함하는, 쇼핑 검색 결과 확장 방법. - 제14항에 있어서,
상기 제1 질의와 상기 제2 질의 사이의 텍스트 유사도는 상기 제1 질의와 상기 제2 질의 사이의 자소편집거리 또는 음절편집거리 중 적어도 하나에 기초하여 산출되는, 쇼핑 검색 결과 확장 방법. - 제14항에 있어서,
상기 제1 질의 및 상기 제2 질의 사이의 검색 확장 점수를 산출하는 단계는,
상기 제1 질의의 질의 발생 확률과 상기 제2 질의의 질의 발생 확률 사이의 차이를 산출하는 단계;
상기 제1 질의에 의해 검색되는 상품의 수와 상기 제2 질의에 의해 검색되는 상품의 수의 차이를 산출하는 단계; 또는
상기 제1 질의의 CTR(Click-Through Rate)과 상기 제2 질의의 CTR의 차이를 산출하는 단계
중 적어도 하나를 더 포함하는, 쇼핑 검색 결과 확장 방법. - 제13항에 있어서,
상기 언어 모델을 생성하는 단계는,
상기 제1 질의를 음절 단위 또는 형태소 단위 중 적어도 하나로 분할하여 복수의 부분 질의를 생성하는 단계; 및
상기 제2 질의를 상기 복수의 부분 질의 각각과 연관시켜 확장된 학습 데이터 쌍들을 생성하는 단계
를 더 포함하는, 쇼핑 검색 결과 확장 방법. - 제17항에 있어서,
상기 언어 모델을 생성하는 단계는,
상기 학습 데이터 쌍, 상기 확장된 학습 데이터 쌍들, 그리고 상품 데이터베이스 내의 텍스트 데이터에 기초하여 통계 기반 언어 모델 또는 딥러닝 기반 언어 모델을 학습하는 단계
를 더 포함하는, 쇼핑 검색 결과 확장 방법. - 제1항 내지 제10항 및 제13항 내지 제18항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 삭제
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200056192A KR102418953B1 (ko) | 2020-05-11 | 2020-05-11 | 쇼핑 검색 결과 확장 방법 및 시스템 |
| JP2021079106A JP7317889B2 (ja) | 2020-05-11 | 2021-05-07 | ショッピング検索結果の拡張方法およびシステム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200056192A KR102418953B1 (ko) | 2020-05-11 | 2020-05-11 | 쇼핑 검색 결과 확장 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210137846A KR20210137846A (ko) | 2021-11-18 |
| KR102418953B1 true KR102418953B1 (ko) | 2022-07-11 |
Family
ID=78510330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200056192A KR102418953B1 (ko) | 2020-05-11 | 2020-05-11 | 쇼핑 검색 결과 확장 방법 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7317889B2 (ko) |
| KR (1) | KR102418953B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102615632B1 (ko) * | 2023-09-20 | 2023-12-19 | 주식회사 엠코퍼레이션 | 광고 서비스 제공 방법 및 그를 위한 장치 및 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101446468B1 (ko) * | 2012-11-28 | 2014-10-06 | (주)이스트소프트 | 자동완성 질의어 제공 시스템 및 방법 |
| JP2016126567A (ja) * | 2015-01-05 | 2016-07-11 | 日本放送協会 | コンテンツ推薦装置、及びプログラム |
| KR102017853B1 (ko) * | 2016-09-06 | 2019-09-03 | 주식회사 카카오 | 검색 방법 및 장치 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101083455B1 (ko) * | 2009-07-17 | 2011-11-16 | 엔에이치엔(주) | 통계 데이터에 기초한 사용자 질의 교정 시스템 및 방법 |
| KR101818717B1 (ko) * | 2011-09-27 | 2018-01-15 | 네이버 주식회사 | 컨셉 키워드 확장 데이터 셋을 이용한 검색방법, 장치 및 컴퓨터로 판독 가능한 기록매체 |
| JP5538459B2 (ja) * | 2012-03-19 | 2014-07-02 | ヤフー株式会社 | 情報処理装置及び方法 |
| CN104077306B (zh) * | 2013-03-28 | 2018-05-11 | 阿里巴巴集团控股有限公司 | 一种搜索引擎的结果排序方法及系统 |
| JP6176055B2 (ja) * | 2013-10-21 | 2017-08-09 | 富士通株式会社 | 音声検索装置及び音声検索方法 |
| WO2018097091A1 (ja) * | 2016-11-25 | 2018-05-31 | 日本電信電話株式会社 | モデル作成装置、テキスト検索装置、モデル作成方法、テキスト検索方法、データ構造、及びプログラム |
| JP6679683B2 (ja) * | 2018-09-20 | 2020-04-15 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
| JP6587732B1 (ja) * | 2018-11-20 | 2019-10-09 | ヤフー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
-
2020
- 2020-05-11 KR KR1020200056192A patent/KR102418953B1/ko active IP Right Grant
-
2021
- 2021-05-07 JP JP2021079106A patent/JP7317889B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101446468B1 (ko) * | 2012-11-28 | 2014-10-06 | (주)이스트소프트 | 자동완성 질의어 제공 시스템 및 방법 |
| JP2016126567A (ja) * | 2015-01-05 | 2016-07-11 | 日本放送協会 | コンテンツ推薦装置、及びプログラム |
| KR102017853B1 (ko) * | 2016-09-06 | 2019-09-03 | 주식회사 카카오 | 검색 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210137846A (ko) | 2021-11-18 |
| JP2021179987A (ja) | 2021-11-18 |
| JP7317889B2 (ja) | 2023-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11302337B2 (en) | Voiceprint recognition method and apparatus | |
| RU2693184C2 (ru) | Моделирование контекста сеанса для систем понимания разговорной речи | |
| CN106463117B (zh) | 使用web风格排名和多个语言理解引擎的对话状态追踪 | |
| US10210243B2 (en) | Method and system for enhanced query term suggestion | |
| US20180336193A1 (en) | Artificial Intelligence Based Method and Apparatus for Generating Article | |
| CN104111972B (zh) | 用于查询扩展的音译 | |
| US9405832B2 (en) | Application search query classifier | |
| US9176941B2 (en) | Text inputting method, apparatus and system based on a cache-based language model and a universal language model | |
| CN110083693B (zh) | 机器人对话回复方法及装置 | |
| US10698654B2 (en) | Ranking and boosting relevant distributable digital assistant operations | |
| US10810374B2 (en) | Matching a query to a set of sentences using a multidimensional relevancy determination | |
| KR102400995B1 (ko) | 쇼핑 검색을 위한 상품 속성 추출 방법 | |
| CN107330120A (zh) | 询问应答方法、询问应答装置及计算机可读存储介质 | |
| US11184679B2 (en) | Electronic apparatus and method for controlling the electronic apparatus | |
| US20210192283A1 (en) | Training model with model-provided candidate action | |
| CN111368171B (zh) | 一种关键词推荐的方法、相关装置以及存储介质 | |
| US11328009B2 (en) | Automated content generation and delivery | |
| KR102418953B1 (ko) | 쇼핑 검색 결과 확장 방법 및 시스템 | |
| CN109190116B (zh) | 语义解析方法、系统、电子设备及存储介质 | |
| CN110874402B (zh) | 基于个性化信息的回复生成方法、设备和计算机可读介质 | |
| JP7108740B2 (ja) | ショッピング検索のための商品カテゴリ抽出方法 | |
| US11841911B2 (en) | Scalable retrieval system for suggesting textual content | |
| US20220019582A1 (en) | Information computing apparatus, information computing method, and non-transitory computer readable storage medium | |
| CN112802454A (zh) | 一种唤醒词的推荐方法、装置、终端设备及存储介质 | |
| CN113593543B (zh) | 智能音箱语音服务系统、方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |