KR102422408B1 - 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치 - Google Patents

Abstract

협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치가 개시된다. 본 발명의 상품 추천 방법은, 온라인 쇼핑몰의 결제 로그로부터 구매자, 판매자 및 상품의 식별 정보와 해당 결제로 인한 수익 정보를 추출하는 데이터 수집 단계; 데이터 수집 단계에서 추출한 데이터를 이용하여 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하는 학습 단계; 및 학습된 협업 필터링 신경망을 이용하여, 온라인 쇼핑몰의 각 판매자에 대해 추천 상품을 결정하는데 사용되는 상품별 예측 수익을 산출하는 예측 단계;를 포함하고, 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) 레이어를 포함할 수 있다.

Description

협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치 {Method and apparatus for recommending item based on collaborative filtering neural network}

본 발명은 추천 시스템에 대한 것으로, 더 구체적으로는 암시적 피드백(implicit feedback)을 기초로 협업 필터링 및 인공 신경망 기술을 이용하여 온라인 쇼핑몰의 판매자들에게 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.

도 1은 종래의 행렬 분해(Matrix Factorization)를 이용한 추천 기술의 한계를 설명하기 위한 도면이다.

도 1의 (a)는 사용자-아이템 행렬이고 (b)는 사용자 잠재 공간을 도시한 것이다. (b)에서 p_i는 사용자 u_i를 의미하며 선끼리 가까울수록 해당 사용자들 간의 유사도가 높다는 의미이다. 유사도를 S라 할 때 사용자 u₁, u₂, u₃ 간의 유사도는 S₂₃ > S₁₂ > S₁₃ 순임을 알 수 있다.

새로운 사용자에 대해 u₄가 추가되면 유사도 관계는 S₄₁ > S₄₃ > S₄₂ 순인데, 도 1의 (b)를 보면 p₄는 유사도 값과 달리 p₂에 더 가까운 것을 볼 수 있다. 이로 인해 랭킹 로스(ranking loss)가 크게 발생하게 된다.

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 피드백에 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 수집하는 것이 훨씬 쉽다. 그러나 사용자 만족도가 관찰되지 않고 부정적인 피드백이 부족하기 때문에 활용하기는 더 어렵다는 문제가 있다.

또한, 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, 온라인 쇼핑몰의 거래 데이터에서 인터랙션 함수(interaction function)를 학습하기 위한 심층 신경망(deep neural network) 기반의 판매 상품 추천 방법 및 장치를 제공하는 것을 목적으로 한다.

또한, 본 발명은 심층 신경망을 이용하여 사용자의 암시적 피드백 신호를 모델링한 판매 상품 추천 방법 및 장치를 제공하는 것을 목적으로 한다.

또한, 본 발명은 온라인 쇼핑몰의 사용자 개개인에 대해 수익을 극대화할 수 있는 판매 상품을 추천하는 맞춤형 판매 상품 추천 방법 및 장치를 제공하는 것을 목적으로 한다.

상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 상품 추천 장치가 협업 필터링 신경망을 이용하여 상품을 추천하는 방법은, 온라인 쇼핑몰의 결제 로그로부터 구매자, 판매자 및 상품의 식별 정보와 해당 결제로 인한 수익 정보를 추출하는 데이터 수집 단계; 상기 데이터 수집 단계에서 추출한 데이터를 이용하여 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하는 학습 단계; 및 상기 학습된 협업 필터링 신경망을 이용하여, 상기 온라인 쇼핑몰의 각 판매자에 대해 추천 상품을 결정하는데 사용되는 상품별 예측 수익을 산출하는 예측 단계;를 포함하고, 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) 레이어를 포함할 수 있다.

상기 학습 단계는, 상기 데이터 수집 단계에서 추출한 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩(one-hot encoding)하여 이진화된 스파스 벡터(sparse vector)로 변환하는 단계; 및 상기 이진화된 스파스 벡터를 저차원의 임베딩 벡터로 변환하는 단계;를 포함할 수 있다.

상기 복수의 GMF 레이어는, 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 레이어;를 포함할 수 있다.

상기 학습 단계는, 상기 구매자-상품 GMF 레이어, 상기 상품-판매자 GMF 레이어 및 상기 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 더 포함할 수 있다.

상기 학습 단계는, 상기 NeuMF 레이어의 출력과 상기 데이터 수집 단계에서 추출한 수익 정보를 이용하여 손실(loss)을 계산하는 단계;를 더 포함할 수 있다.

상기 임베딩 벡터로 변환하는 단계는, 상기 GMF 레이어 및 상기 MLP 레이어 각각을 위해 잠재 벡터의 원소 개수가 상이한 별개의 임베딩 벡터를 생성하는 단계;를 포함할 수 있다.

본 발명의 일 실시예에 따른 컴퓨터로 구현되는 협업 필터링 신경망을 이용한 상품 추천 장치는 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 온라인 쇼핑몰의 결제 로그로부터 구매자, 판매자 및 상품의 식별 정보와 해당 결제로 인한 수익 정보를 추출하는 데이터 수집 모듈; 상기 데이터 수집 단계에서 추출한 데이터를 이용하여 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하는 신경망 학습 모듈; 및 상기 학습된 협업 필터링 신경망을 이용하여, 상기 온라인 쇼핑몰의 각 판매자에 대해 추천 상품을 결정하는데 사용되는 상품별 예측 수익을 산출하는 예측 모듈;을 포함하고, 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) 레이어를 포함할 수 있다.

본 발명에 의하면, 온라인 쇼핑몰의 거래 데이터에서 인터랙션 함수를 학습하기 위한 심층 신경망 기반의 판매 상품 추천 방법 및 장치를 제공할 수 있다.

또한, 본 발명에 의하면, 심층 신경망을 이용하여 사용자의 암시적 피드백 신호를 모델링한 판매 상품 추천 방법 및 장치를 제공할 수 있다.

또한, 본 발명에 의하면, 소셜 네트워크의 형태로 구매자와 판매자가 인터랙션하도록 인터페이스를 제공하는 쇼핑몰 서비스에서 그 상호 작용도 신경망 모델이 학습하도록 함으로써, 온라인 쇼핑몰의 판매자 개개인에 대해 수익을 극대화할 수 있는 판매 상품을 추천하는 맞춤형 판매 상품 추천 방법 및 장치를 제공할 수 있다.

도 1은 종래의 행렬 분해(Matrix Factorization)를 이용한 추천 기술의 한계를 설명하기 위한 도면이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 판매 상품 추천 시스템의 구성을 설명하기 위한 블록도이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 협업 필터링 신경망의 모델을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 판매 상품 추천 방법을 설명하기 위한 순서도이다.
도 7 내지 도 9는 본 발명의 일 실시예에 따른 협업 필터링 신경망의 학습 및 예측 원리를 설명하기 위한 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 2는 본 발명의 일 실시예에 따른 사용자 단말 및 판매 상품 추천 장치의 내부 구성을 설명하기 위한 블록도이다.

사용자 단말(310)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(310)은 판매 상품 추천 서비스를 포함하는 온라인 쇼핑몰 서비스를 이용하는 사용자의 전자 기기이다.

본 발명에서 사용자는 구매자일 수도 있고 판매자일 수도 있으며, 소정 시점에 상품의 구매자 또는 판매자로 활동한다. 즉, 판매자는 온라인 쇼핑몰에서 상품을 판매할 뿐만 아니라 해당 쇼핑몰의 상품을 구매하기도 하는 사용자를 말하며, 본 발명은 판매자 모드로 접속한 사용자에게 판매 상품을 추천하는 기술을 제시한다. 온라인 쇼핑몰 서비스를 제공하는 서버(미도시)는 판매 상품 추천 장치(100)와 동일한 서버 또는 별도의 서버로 구현될 수 있다.

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(310)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(310)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(310)과 판매 상품 추천 장치(100)가 서로 통신하기 위한 기능을 제공할 수 있으며, 사용자 단말(310) 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(310)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(310)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(310) 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(310)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(310)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(310)에 더 포함되도록 구현될 수 있다.

도 3은 본 발명의 일 실시예에 따른 판매 상품 추천 시스템의 구성을 설명하기 위한 블록도이다.

도 2 및 도 3를 참조하면, 컴퓨터로 구현되는 협업 필터링 신경망을 이용한 판매 상품 추천 장치(100)는, 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서(222)를 포함하고, 프로세서(222)는 데이터 수집 모듈(101), 학습 모듈(102) 및 예측 모듈(103)을 포함하여 실행할 수 있다.

데이터 수집 모듈(101)은, 온라인 쇼핑몰의 결제 로그(110)로부터 구매자, 판매자 및 상품의 식별 정보와 해당 결제로 인한 수익 정보를 추출한다. 결제 로그를 제공하는 온라인 쇼핑몰은 하나 또는 복수의 서비스일 수 있다.

신경망 학습 모듈(102)은 데이터 수집 모듈(101)에 의해 추출된 데이터를 이용하여 협업 필터링 신경망을 딥 러닝(deep learning) 시킨다. 신경망 학습 모듈(102)은 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 딥 러닝(deep learning)한다. 이를 위해, 협업 필터링 신경망은 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.

예측 모듈(103)은 학습된 협업 필터링 신경망을 이용해 온라인 쇼핑몰의 소정 판매자에 대한 각 상품별 예측 수익(120)을 산출한다. 예측 모듈(103)은 모든 판매자에 대해, 각 판매자와 연관된 구매자들에 대해, 그리고 모든 상품에 대해 수익을 예측한다. 즉, 모든 판매자-구매자-상품 쌍에 대한 수익을 예측한다. 예측된 수익은 각 판매자에게 추천할 상품을 결정하고 추천 판매 상품 리스트를 생성하는데 사용될 것이다.

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

(461)는 0 또는 1로, item(i)가 user(u)와 관련이 있을 때 1로 관련이 없을 때 0으로 정의한다. 예측값

(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.

상기 함수의 네거티브 로그화로 다음과 같이 함수를 완성할 수 있다.

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

는

로 상품 잠재 벡터

는

로 표현될 수 있으며, GMF 레이어의 매핑 함수는 다음과 같이 정의할 수 있다. 여기서, ⊙는 벡터들의 요소별 곱(element-wise product)을 나타낸다.

이 벡터를 출력 레이어에 투영하면 다음과 같다. 여기서, a_out은 활성화 함수(activation function)를 h는 출력 레이어의 에지 웨이트(edge weights)를 나타낸다.

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, W_x, B_x, a_x는 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.

NeuMF 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.

는 GMF 레이어(431)에 입력되는 사용자 임베딩 벡터(421)이고,

는 MLP 레이어(432)에 입력되는 사용자 임베딩 벡터(422)를 나타낸다. 이와 유사하게

,

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 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 상품을 좋아하고 어떤 상품에 의해 수익을 극대화시킬지 예측한다.

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 6은 본 발명의 일 실시예에 따른 협업 필터링 신경망을 이용한 판매 상품 추천 방법을 설명하기 위한 순서도이고, 도 7 내지 도 9는 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.

도 6을 참조하면, 단계 S61 내지 S67은 입력 데이터를 이용하여 협업 필터링 신경망을 딥 러닝시키는 학습 단계이고, S68은 학습된 신경망을 이용한 예측 단계이다.

단계 S61에서는 입력 데이터를 수집한다.

이 실시예에서, 협업 필터링 신경망 모델의 입력 데이터는 온라인 쇼핑몰의 결제 로그로부터 추출한 구매자, 판매자 및 상품의 식별 정보와, 해당 결제에 의해 발생한 수익에 대한 정보이다.

신경망 학습을 위해 데이터 전처리가 필요하며, 단계 S62에서는 결제 로그에서 추출한 구매자, 판매자 및 상품의 식별 정보를 1과 0으로 이루어진 원-핫 벡터(511, 512, 513)로 변환하여 입력 벡터를 생성한다.

도 7은 도 5에 도시된 협업 필터링 신경망 모델의 입력 레이어에서 구매자 ID, 상품 ID 및 판매자 ID를 원-핫 벡터로 변환하는 과정을 예시한 도면이다.

도 7(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 7(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.

단계 S63에서는 입력 레이어의 입력 벡터를 저차원의 임베딩 벡터로 변환한다.

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 8은 도 5의 신경망 모델에서 임베딩 벡터를 생성하는 과정을 예시한 것이다.

도 8의 (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 8은 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.

단계 S64에서는 GMF 레이어를 통해 구매자, 판매자 및 상품 벡터를 학습한다.

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 8의 1번 거래를 학습하였을 때 각 GMF 레이어의 출력을 예시한 것이다. 여기서,

은 활성화 함수로, 예를 들어 sigmoid 함수를 사용할 수 있지만, 함수의 종류는 하이퍼파라미터 튜닝에 따라 달라질 수 있다. 또한, ω값들은 학습 파라미터를 나타낸다.

단계 S65에서는 복수의 MLP 레이어를 통해 임베딩 벡터를 학습한다.

도 5의 실시예에서, 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.

단계 S66에서는 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.

단계 S67에서는 NeuMF 레이어(541)의 출력과 데이터 수집 단계(S61)에서 추출한 수익 정보를 이용하여 손실(loss)을 계산한다.

아래 수식은 NeuMF 레이어(541)의 출력에 대해 손실(loss)을 계산한 것이다.

단계 S68에서는 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 아이템에 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 9는 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 9는 'Jay'의 샵을 팔로우하는 구매자들과 각 상품에 대한 수익을 예측한 상황을 예시로 든 것이다.

도 9의 (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.

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 협업 필터링 신경망을 이용하여 상품을 추천하는 방법에 있어서,
   온라인 쇼핑몰의 결제 로그로부터 구매자, 판매자 및 상품의 식별 정보와 해당 결제로 인한 수익 정보를 추출하는 데이터 수집 단계;
   상기 데이터 수집 단계에서 추출한 데이터를 이용하여 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하는 학습 단계; 및
   상기 학습된 협업 필터링 신경망을 이용하여, 상기 온라인 쇼핑몰의 각 판매자에 대해 추천 상품을 결정하는데 사용되는 상품별 예측 수익을 산출하는 예측 단계;를 포함하고,
   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) 레이어를 포함하며,
   
   상기 협업 필터링 신경망은 판매자, 구매자 및 상품을 엔터티(entity)로 하여 학습을 수행하며,
   
   상기 복수의 GMF 레이어는,
   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 레이어;를 포함하며,
   
   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 추천하는 것을 특징으로 하는 방법.
2. 제1항에 있어서,
   상기 학습 단계는,
   상기 데이터 수집 단계에서 추출한 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩(one-hot encoding)하여 이진화된 스파스 벡터(sparse vector)로 변환하는 단계; 및
   상기 이진화된 스파스 벡터를 저차원의 임베딩 벡터로 변환하는 단계;를 포함하는 것을 특징으로 하는 방법.
3. 삭제
4. 제2항에 있어서,
   상기 학습 단계는,
   상기 구매자-상품 GMF 레이어, 상기 상품-판매자 GMF 레이어 및 상기 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 더 포함하는 것을 특징으로 하는 방법.
5. 제4항에 있어서,
   상기 학습 단계는,
   상기 NeuMF 레이어의 출력과 상기 데이터 수집 단계에서 추출한 수익 정보를 이용하여 손실(loss)을 계산하는 단계;를 더 포함하는 것을 특징으로 하는 방법.
6. 제2항에 있어서,
   상기 임베딩 벡터로 변환하는 단계는,
   상기 GMF 레이어 및 상기 MLP 레이어 각각을 위해 잠재 벡터의 원소 개수가 상이한 별개의 임베딩 벡터를 생성하는 단계;를 포함하는 것을 특징으로 하는 방법.
7. 제1항, 제2항, 제4항 내지 제6항 중 어느 한 항의 협업 필터링 신경망을 이용한 상품 추천 방법을 수행하기 위해 기록매체에 기록된 컴퓨터 프로그램.
8. 컴퓨터로 구현되는 협업 필터링 신경망을 이용한 상품 추천 장치에 있어서, 상기 상품 추천 장치는 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,
   상기 적어도 하나의 프로세서는,
   온라인 쇼핑몰의 결제 로그로부터 구매자, 판매자 및 상품의 식별 정보와 해당 결제로 인한 수익 정보를 추출하는 데이터 수집 모듈;
   상기 데이터 수집 모듈에서 추출한 데이터를 이용하여 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하는 신경망 학습 모듈; 및
   상기 학습된 협업 필터링 신경망을 이용하여, 상기 온라인 쇼핑몰의 각 판매자에 대해 추천 상품을 결정하는데 사용되는 상품별 예측 수익을 산출하는 예측 모듈;을 포함하고,
   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) 레이어를 포함하며,
   
   상기 협업 필터링 신경망은 판매자, 구매자 및 상품을 엔터티(entity)로 하여 학습을 수행하며,
   
   상기 복수의 GMF 레이어는,
   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 레이어;를 포함하며,
   
   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 추천하는 것을 특징으로 하는 장치.
9. 제8항에 있어서,
   상기 협업 필터링 신경망은,
   상기 데이터 수집 모듈에 의해 추출되는 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩(one-hot encoding)하여 이진화된 스파스 벡터(sparse vector)로 변환하는 입력 레이어; 및
   상기 이진화된 스파스 벡터를 저차원의 임베딩 벡터로 변환하는 임베딩 레이어;를 더 포함하는 것을 특징으로 하는 장치.
10. 삭제

Images