KR102429572B1 - 인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템 - Google Patents

인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102429572B1
KR102429572B1 KR1020220055088A KR20220055088A KR102429572B1 KR 102429572 B1 KR102429572 B1 KR 102429572B1 KR 1020220055088 A KR1020220055088 A KR 1020220055088A KR 20220055088 A KR20220055088 A KR 20220055088A KR 102429572 B1 KR102429572 B1 KR 102429572B1
Authority
KR
South Korea
Prior art keywords
user
clothing
information
category
item
Prior art date
Application number
KR1020220055088A
Other languages
English (en)
Inventor
이명수
이미경
Original Assignee
이명수
이미경
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 이명수, 이미경 filed Critical 이명수
Priority to KR1020220055088A priority Critical patent/KR102429572B1/ko
Application granted granted Critical
Publication of KR102429572B1 publication Critical patent/KR102429572B1/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
    • 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
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

일실시예에 따른 장치는 제1 사용자 단말로부터 맞춤형 의류를 추천 요청을 수신하고, 제1 사용자 단말로부터 제1 사용자의 정보 및 제1 사용자가 구매하고자 하는 의류의 카테고리인 제1 카테고리를 획득하고, 제1 사용자 정보와 제1 카테고리에 기초하여 제1 사용자에게 적합한 의류인 제1 의류를 도출하고, 제1 의류의 샘플을 생성하여 제1 사용자의 기본 정보를 통해 생성된 제1 사용자의 캐릭터에 적용하고, 제1 의류의 샘플 및 제1 사용자의 캐릭터를 포함하는 제1 결과물을 생성하여 제1 사용자 단말로 제공한다.

Description

인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR RECOMMENDING CUSTOM CLOTHING AND STYLINGBASED ON ARTIFICIAL INTELLIGENCE}
아래 실시예들은 인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템에 관한 것이다.
전자 통신 기술의 발전에 따라 전자 상거래가 활발해지면서, 온라인을 통해 상품을 사고 파는 일이 많아졌다. 또한, 전자 상거래는 오프라인 구매에 비하여 원하는 제품을 검색하기가 수월하며, 한번에 다양한 상품들을 비교할 수 있어 그 이용이 점점 더 활발해지고 있으며, 온라인을 통해 상품을 판매하는 판매자의 수도 계속하여 증가하고 있다.
그러나 의류를 온라인으로 선택할 때, 사용자가 직접 상품을 확인하지 않고 구매할 수 있어 사이즈를 확인하지 않고 구매하거나, 자신에게 어울리는 의류인지 확인하지 못하고 구매하는 경우가 많다.
또한, 온라인으로 구매하게 되면 다양한 의류를 코디네이션 할 수 없고, 기존의 코디네이션 된 의류가 사용자와 어울리는지 확인할 수 없어 사용자들이 온라인으로 의류를 구매할 때 실패할 가능성이 많다.
따라서, 사용자에게 적합한 맞춤형 의류를 추천하고, 사용자의 컨셉 및 정보에 따라 스타일링을 추천하는 과정에 대한 연구가 요구된다.
한국등록특허 제 10-2318952호 한국등록특허 제 10-2133777호 한국등록특허 제 10-2233394호 한국등록특허 제 10-2127562호
실시예들은 사용자의 정보 및 사용자가 구매하고자 하는 의류의 카테고리를 통해 맞춤형 의류를 추천하고자 한다.
실시예들은 사용자의 정보를 통해 사용자의 캐릭터를 생성하고, 사용자의 캐릭터에 사용자가 선택한 의류를 적용하여 사용자에게 제공하고자 한다.
실시예들은 사용자가 원하는 컨셉을 기초로 사용자 맞춤형 의류 및 스타일링을 추천하고자 한다.
인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법은 제1 사용자 단말로부터 맞춤형 의류를 추천 요청을 수신하는 단계; 상기 제1 사용자 단말로부터 상기 제1 사용자의 정보를 획득하는 단계; 상기 제1 사용자 단말로부터 상기 제1 사용자가 구매하고자 하는 의류의 카테고리인 제1 카테고리를 획득하는 단계; 상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여, 상기 제1 사용자에게 적합한 의류인 제1 의류를 추출하는 단계; 추출된 상기 제1 의류를 상기 제1 사용자의 캐릭터에 적용하는 단계; 및 상기 제1 의류 및 상기 제1 사용자의 캐릭터를 포함하는 제1 결과물을 생성하여 상기 제1 사용자 단말로 제공하는 단계를 포함한다.
상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여, 상기 제1 사용자에게 적합한 의류인 제1 의류를 추출하는 단계는 상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제1 인공신경망-상기 제1 인공신경망은 입력된 사용자의 정보 및 의류의 카테고리에 따라 사용자에게 적합한 의류를 추론하는 인공지능모델이고, 트레이닝 사용자정보들, 트레이닝 의류 카테고리들에 각각 대응하는 트레이닝 의류 정보들 및 제1 출력 신호들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계; 상기 제1 출력 신호에 기초하여 상기 제1 사용자에게 적합한 의류를 판단하여 상기 제1 의류를 추출하는 단계를 포함하고, 상기 트레이닝 의류들은 상기 트레이닝 사용자 정보들, 상기 트레이닝 의류 카테고리들에 각각 대응하는 의류 정보들이고, 상기 제1 출력 신호들은 상기 트레이닝 사용자 정보들, 상기 트레이닝 의류 카테고리들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제1 인공신경망은 상기 제1 출력 신호들 및 트레이닝 의류들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습된다.
추출된 상기 제1 의류를 상기 제1 사용자의 캐릭터에 적용하는 단계는 상기 제1 사용자 단말로부터 상기 제1 사용자의 신체 정보를 획득하는 단계; 획득된 상기 제1 사용자의 신체 정보를 기초로, 상기 제1 사용자의 3차원 형상을 생성하는 단계; 상기 제1 사용자의 3차원 형상을 미리 정의된 비율인 제1 비율로 설정하여 상기 제1 사용자의 캐릭터를 생성하는 단계; 상기 제1 의류의 의류 정보를 획득하는 단계; 획득된 상기 제1 의류의 의류 정보를 기초로, 상기 제1 의류의 3차원 형상을 생성하는 단계; 상기 제1 의류의 3차원 형상을 미리 정의된 비율인 제1 비율로 설정하여 상기 제1 의류 샘플을 생성하는 단계; 상기 제1 사용자의 캐릭터의 미리 정의된 위치에 상기 제1 의류 샘플을 위치시키는 단계; 및 상기 제1 사용자의 캐릭터에 상기 제1 의류 샘플을 오버랩하여 표시하는 단계를 포함한다.
상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여, 상기 제1 사용자에게 적합한 의류인 상기 제1 의류를 추출하는 단계는 상기 제1 사용자의 정보에서 상기 제1 사용자가 구매하고자 하는 의류를 착용하였을 때 기대 컨셉을 추출하는 단계; 상기 제1 카테고리에 포함된 의류들에 대한 사용자 후기들을 획득하는 단계; 상기 획득된 사용자 후기들로부터 컨셉과 관련하여 미리 정의된 후기 키워드들을 추출하는 단계; 상기 후기 키워드들 중 상기 기대 컨셉과 일치하는 키워드를 제1 키워드 그룹으로 분류하고, 상기 결과물의 기대 컨셉과 일치하지 않는 키워드를 제2 키워드 그룹으로 분류하는 단계; 상기 제1 키워드 그룹으로 분류된 키워드들의 횟수인 제1 횟수를 생성하는 단계; 상기 제2 키워드 그룹으로 분류된 키워드들의 횟수인 제2 횟수를 생성하는 단계; 상기 제1 횟수와 상기 제2 횟수를 합한 값인 제3 횟수를 생성하는 단계; 상기 제1 횟수를 상기 제3 횟수로 나눈 값에 기초하여 제1 기대 컨셉 일치율을 생성하는 단계; 상기 제1 기대 컨셉 일치율이 미리 정의된 제1 임계율보다 높은 경우, 상기 제1 사용자에게 적합한 의류를 추천하기 위한 기준 내 가중치들 중에서 기대 컨셉에 대한 가중치를 상기 제1 기대 컨셉 일치율에 따라 높이는 단계; 및 상기 제1 기대 컨셉 일치율에 따라 높아진 가중치에 기초하여, 상기 제1 사용자에게 적합한 의류인 상기 제1 의류를 추출하는 단계를 포함한다.
상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여, 상기 제1 사용자에게 적합한 의류인 상기 제1 의류를 추출하는 단계는 상기 제1 카테고리에 포함된 의류들에 대한 사용자 후기들을 획득하는 단계; 상기 획득된 사용자 후기들에 대응하는 후기를 작성한 작성자들의 사용자 정보들을 획득하는 단계; 상기 후기를 작성한 작성자들의 사용자 정보들과 상기 제1 사용자의 정보를 비교한 결과, 정보 일치율이 미리 정의된 제1 기준율 이상인 작성자가 작성한 후기들을 제1 그룹으로 분류하는 단계; 상기 제1 그룹으로 분류된 후기들로부터 미리 정의된 후기 문구들을 추출하는 단계; 상기 후기 문구들 중 긍정적인 의미를 가지는 문구를 제1 문구 그룹으로 분류하고, 상기 후기 문구들 중 부정적인 의미를 가지는 문구를 제2 문구 그룹으로 분류하는 단계; 상기 제1 문구 그룹으로 분류된 문구들의 횟수인 제4 횟수를 생성하는 단계; 상기 제2 문구 그룹으로 분류된 문구들의 횟수인 제5 횟수를 생성하는 단계; 상기 제4 횟수와 상기 제5 횟수를 합한 값인 제6 횟수를 생성하는 단계; 상기 제4 횟수를 상기 제6 횟수로 나눈 값에 기초하여 제1 만족율을 생성하는 단계; 상기 제1 만족율이 미리 정의된 제2 임계율보다 높은 경우, 상기 제1 사용자에게 적합한 의류를 추천하기 위한 기준 내 가중치들 중에서 만족도에 대한 가중치를 상기 제1 만족율에 따라 높이는 단계; 및 상기 제1 만족율에 따라 높아진 가중치에 기초하여, 상기 제1 사용자에게 적합한 의류인 상기 제1 의류를 추출하는 단계를 포함한다.
일 실시예에 따른 방법은 상기 제1 사용자 단말로부터 상기 제1 의류와 같이 착용할 추가 아이템의 추천 요청을 수신하는 단계; 상기 제1 의류와 같이 착용할 추가 아이템의 카테고리인 제2 카테고리를 획득하는 단계; 상기 제1 의류에 대응하는 상세 정보에 포함된 이미지들을 추출하는 단계; 상기 추출된 이미지들 중 상기 제2 카테고리의 아이템이 포함되어 있는 이미지가 있는지 여부를 판단하는 단계; 상기 추출된 이미지들 중 상기 제2 카테고리의 아이템이 포함되어 있는 이미지가 있는 경우, 상기 추출된 이미지를 기반으로, 상기 제2 카테고리의 아이템의 정보를 획득하는 단계; 획득한 정보를 기초로, 상기 제1 의류와 같이 착용할 추가 아이템인 제1 아이템을 선정하는 단계; 상기 제1 아이템을 3차원화하여 상기 제1 결과물에 적용하고, 생성된 제2 결과물을 상기 제1 사용자 단말로 전송하는 단계; 상기 추출된 이미지들 중 상기 제2 카테고리의 아이템이 포함되어 있는 이미지가 없는 경우, 상기 제1 의류를 구매한 사용자들의 함께 구매한 구매 데이터들을 획득하는 단계; 상기 구매 데이터들 중 상기 제2 카테고리에 포함된 아이템의 데이터를 추출하는 단계; 상기 추출된 데이터를 기초로, 상기 제1 의류를 구매한 사용자가 가장 많이 함께 구매한 상기 제2 카테고리 아이템을 상기 제1 의류와 같이 착용할 추가 아이템인 제2 아이템으로 선정하는 단계; 및 상기 제2 아이템을 3차원화하여 상기 제1 결과물에 적용하고, 생성된 제3 결과물을 상기 제1 사용자 단말로 전송하는 단계를 더 포함한다.
일 실시예에 따른 방법은 상기 제1 의류를 공급하고 있는 공급업체들의 창고에 부착되어 있는 카메라를 이용하여 창고에 보관되어 있는 제품을 촬영하는 단계; 촬영 후 생성된 이미지를 기초로, 상기 제1 의류의 재고량을 확인하는 단계를 더 포함하고, 제품을 촬영하는 단계는 상기 카메라가 현재 위치하고 있는 높이를 제1 높이값으로 설정하는 단계; 상기 제1 의류가 포함되어 있는 제1 이미지를 획득하기 위해 설정되어 있는 제2 높이값을 확인하는 단계; 상기 제1 높이값에서 상기 제2 높이값을 차감하여 제1 차이값을 산출하는 단계; 상기 제1 차이값이 미리 설정된 기준 범위를 벗어나는지 여부를 확인하는 단계; 상기 제1 차이값이 상기 기준 범위를 벗어나는 것으로 확인되면, 상기 제1 차이값이 0보다 큰지 여부를 확인하는 단계; 상기 제1 차이값이 0보다 큰 것으로 확인되면, 상기 카메라가 상기 제1 차이값과 상응하는 높이만큼 하강하여, 상기 카메라의 위치가 변경되도록 제어하고 촬영하는 단계; 및 상기 제1 차이값이 0보다 작은 것으로 확인되면, 상기 카메라가 상기 제1 차이값과 상응하는 높이만큼 상승하여, 상기 카메라의 위치가 변경되도록 제어하고 촬영하는 단계를 포함한다.
일 실시예에 따른 방법은 상기 제1 사용자의 체형 타입으로부터 상기 제1 사용자의 키, 몸무게, 상체 크기, 상체 모양, 하체 크기, 하체 모양에 대한 체형 정보를 획득하는 단계; 상기 제1 사용자의 상기 키, 상기 몸무게, 상기 상체 크기, 상기 상체 모양, 상기 하체 크기, 상기 하체 모양을 기초로 제2 입력 신호를 생성하고, 상기 생성된 제2 입력 신호를 상기 제2 인공신경망에 적용하여, 의류의 어깨 길이, 의류의 팔 길이, 의류의 총 길이, 의류의 허리 둘레 및 의류의 허벅지 둘레에 대한 의류 부위 정보를 생성하는 단계; 기 등록된 의류 형태들 중 어느 하나의 후보 의류 형태의 상기 의류의 어깨 길이, 상기 의류의 팔 길이, 상기 의류의 총 길이, 상기 의류의 허리 둘레, 상기 의류의 허벅지 둘레에 대한 후보 의류 부위 정보를 획득하는 단계;
(수학식 1)
Figure 112022047615269-pat00001
,
상기
Figure 112022047615269-pat00002
는 상기 후보 의류 형태 부위 정보
Figure 112022047615269-pat00003
에 대응하는 유사도 정보이고, 상기
Figure 112022047615269-pat00004
,
Figure 112022047615269-pat00005
,
Figure 112022047615269-pat00006
,
Figure 112022047615269-pat00007
및
Figure 112022047615269-pat00008
는 미리 정의된 가중치들이고,
Figure 112022047615269-pat00009
이며, 상기
Figure 112022047615269-pat00010
는 상기 의류 부위 정보
Figure 112022047615269-pat00011
의 상기 의류의 어깨 길이이고, 상기
Figure 112022047615269-pat00012
는 상기 의류 부위 정보
Figure 112022047615269-pat00013
의 상기 의류의 팔 길이이고, 상기
Figure 112022047615269-pat00014
는 상기 의류 부위 정보
Figure 112022047615269-pat00015
의 상기 의류의 총 길이이고, 상기
Figure 112022047615269-pat00016
는 상기 의류 부위 정보
Figure 112022047615269-pat00017
의 상기 의류의 허리 둘레이고, 상기
Figure 112022047615269-pat00018
는 상기 의류 부위 정보
Figure 112022047615269-pat00019
의 상기 의류의 허벅지 둘레이고, 상기
Figure 112022047615269-pat00020
는 상기 후보 의류 부위 정보
Figure 112022047615269-pat00021
의 상기 의류의 어깨 길이이고, 상기
Figure 112022047615269-pat00022
는 상기 후보 의류 부위 정보
Figure 112022047615269-pat00023
의 상기 의류의 팔 길이이고, 상기
Figure 112022047615269-pat00024
는 상기 후보 의류 부위 정보
Figure 112022047615269-pat00025
의 상기 의류의 총 길이이고, 상기
Figure 112022047615269-pat00026
는 상기 후보 의류 부위 정보
Figure 112022047615269-pat00027
의 상기 의류의 허리 둘레이고, 상기
Figure 112022047615269-pat00028
는 상기 후보 의류 부위 정보
Figure 112022047615269-pat00029
의 상기 의류의 허벅지 둘레이고, 상기
Figure 112022047615269-pat00030
는 상기
Figure 112022047615269-pat00031
및 상기
Figure 112022047615269-pat00032
에 대응하는 유사도이고, 상기
Figure 112022047615269-pat00033
는 상기
Figure 112022047615269-pat00034
및 상기
Figure 112022047615269-pat00035
에 대응하는 유사도이고, 상기
Figure 112022047615269-pat00036
는 상기
Figure 112022047615269-pat00037
및 상기
Figure 112022047615269-pat00038
에 대응하는 유사도이고, 상기
Figure 112022047615269-pat00039
는 상기
Figure 112022047615269-pat00040
및 상기
Figure 112022047615269-pat00041
에 대응하는 유사도이고, 상기
Figure 112022047615269-pat00042
는 상기
Figure 112022047615269-pat00043
및 상기
Figure 112022047615269-pat00044
에 대응하는 유사도이고,
상기 수학식 1을 이용하여 상기 후보 의류 부위 정보
Figure 112022047615269-pat00045
의 유사도 정보를 생성하는 단계; 상기 기 등록된 의류 형태들에 각각 대응하는 유사도 정보들을 생성하는 단계; 상기 기 등록된 의류 형태들의 상기 유사도 정보들에 기초하여, 상기 기 등록된 의류 형태들 중 어느 하나의 의류 형태를 상기 제1 사용자에 대응하는 의류 형태 추천 정보로 생성하는 단계; 상기 제1 사용자의 상기 피부 타입으로부터, 상기 제1 사용자의 피부 톤 정보-상기 피부 톤 정보는 웜톤 및 쿨톤 중 어느 하나임-를 획득하는 단계; 상기 제1 사용자의 상기 피부 타입으로부터, 미리 정의된 밝기 기준에 따라 상기 제1 사용자의 피부 밝기 등급 정보-상기 피부 밝기 등급은 밝은 순서대로 1등급부터 5등급까지로 설정됨-을 획득하는 단계; 상기 피부 톤 정보 및 상기 피부 밝기 등급 정보를 기초로 제3 입력 신호를 생성하고, 상기 생성된 제3 입력 신호를 상기 제3 인공신경망에 적용하여, 의류 색상 추천 정보를 생성하는 단계; 및 상기 의류 형태 추천 정보 및 상기 의류 색상 추천 정보를 조합하여, 상기 제1 사용자에게 적합한 의류를 예측하는 단계를 더 포함한다.
일 실시예에 따른 방법은 상기 제1 의류가 상기 제1 카테고리에 포함되는 경우, 상기 제1 사용자 단말로 신체 정보 입력 요청 메시지를 전송하는 단계; 상기 제1 사용자 단말에 의해 입력된 상기 제1 사용자의 키와 몸무게 정보를 기초로, 상기 제1 사용자의 신체 정보를 획득하는 단계; 상기 제1 사용자의 신체 부위들 중 어느 하나의 부위인 제1 부위의 제1 부위 신체 정보를 추출하는 단계; 상기 제1 사용자 계정으로부터 의류의 구매 내역을 획득하여, 상기 제1 카테고리에 대응하는 제1 구매 내역을 추출하는 단계; 상기 제1 구매 내역으로부터 상기 제1 부위에 대응하는 제1 부위 핏들을 추출하고, 상기 제1 부위 핏들에 대응하는 상기 제1 사용자의 기 등록 제1 부위 신체 정보들을 획득하는 단계; 상기 획득된 제1 부위 신체 정보와의 유사도를 기초로 상기 기 등록 제1 부위 신체 정보들에 대응하는 가중치들을 생성하고, 상기 생성된 가중치들을 상기 제1 부위 핏들의 구매 횟수들에 각각 적용하여 상기 제1 사용자의 선호도에 따라 상기 제1 부위 핏들을 랭킹하는 단계; 상기 제1 의류가 상기 제1 부위 핏들 중 어느 핏에 의해 제작되었는지 여부를 판단하는 단계; 상기 제1 의류가 상기 제1 부위 핏들 중 미리 정의된 범위 내 부위 핏들 중 어느 하나로 제작된 경우, 상기 제1 사용자 단말로 상기 제1 의류의 핏 적합 알림 메시지를 전송하는 단계; 및 상기 제1 의류가 상기 제1 부위 핏들 중 상기 미리 정의된 범위 내 부위 핏들 중 어느 하나로 제작되지 않은 경우, 상기 제1 카테고리에 포함되면서 상기 제1 부위 핏으로 제작된 의류 정보를 추출하여 상기 제1 사용자 단말로 전송하는 단계를 더 포함한다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 사용자의 정보 및 사용자가 구매하고자 하는 의류의 카테고리를 통해 맞춤형 의류를 추천할 수 있고, 사용자가 구매하고자 하는 의류와 같이 착용할 추가 아이템을 추천할 수 있다.
실시예들은 사용자의 정보를 통해 사용자의 캐릭터를 생성하고, 사용자의 캐릭터에 사용자가 선택한 의류를 적용하여 사용자 단말로 제공할 수 있다.
실시예들은 사용자가 원하는 컨셉을 획득하여 의류의 사용자 후기를 분석하여 사용자가 원하는 컨셉과 대응하는 의류를 사용자에게 추천할 수 있다.
실시예들은 사용자와 비슷한 정보의 사용자가 작성한 후기를 분석하여 긍정적인 문구가 많은 의류일수록 사용자에게 적합한 의류로 판단하고 해당 의류를 사용자에게 추천할 수 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 사용자의 정보를 통해 사용자 맞춤형 의류를 추천하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제1 사용자의 정보 및 제1 카테고리를 통해 제1 사용자에게 맞춤형 의류를 도출하는 인공신경망을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 사용자의 캐릭터 및 의류의 샘플을 3차원으로 형성하여 사용자에게 제공하는 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 사용자의 기대 컨셉에 적합한 의류를 추천하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 사용자의 정보와 일치하는 후기 작성자가 작성한 후기를 기초로 적합한 의류를 추천하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 의류와 같이 착용할 추가 아이템을 추천하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제1 의류의 재고량을 확인하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 사용자의 체형 및 얼굴 톤을 통해 사용자의 추천 의류 정보를 예측하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 수학식 1을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 사용자의 신체 부위 정보에 따른 핏 적합도를 판단하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 사용자 단말(100) 및 장치를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
복수의 사용자 단말은 사용자 맞춤형 의류 및 추천 스타일링을 제공받고 싶은 사용자의 단말기로, 제1 사용자가 사용하는 제1 사용자 단말(110), 제2 사용자가 사용하는 제2 사용자 단말(120), 제3 사용자가 사용하는 제3 사용자 단말(130) 등을 포함할 수 있다.
복수의 사용자 단말(100) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 사용자 단말(110), 제2 사용자 단말(120), 제3 사용자 단말(130) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 사용자 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 사용자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.
복수의 사용자 단말(100) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 사용자 단말(100) 각각은 웹 사이트 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.
이하에서는 설명의 편의상, 제1 사용자 단말(110)의 동작을 위주로 설명하지만, 제2 사용자 단말(120) 등의 다른 사용자 단말에서 제1 사용자 단말(110)의 동작을 대신 수행할 수 있는 것은 물론이다.
장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 장치(200)는 복수의 사용자 단말(100)과 유무선으로 통신하도록 구성될 수 있다.
장치(200)는 사용자의 기본 정보 및 사용자가 구매하고자 하는 의류의 카테고리를 획득하여 획득한 정보들을 통해 사용자 맞춤형 의류를 도출할 수 있다.
또한, 장치(200)는 사용자의 기본 정보 외에도 사용자가 의류를 착용했을 때 기대하는 컨셉 및 사용자와 비슷한 체형의 다른 사용자의 의류 만족도를 통해 사용자 맞춤형 의류를 도출할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 복수의 사용자 단말(100) 중 제1 사용자 단말(110), 제2 사용자 단말(120) 및 제3 사용자 단말(130)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
도 2는 일실시예에 따른 사용자의 정보를 통해 사용자 맞춤형 의류를 추천하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저 S201 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 맞춤형 의류를 추천 요청을 수신할 수 있다.
S202 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 사용자의 정보를 획득할 수 있다.
구체적으로, 장치(200)는 제1 사용자 단말(110)로부터 제1 사용자의 나이, 성별, 체형 정보의 기본 정보 및 사용자가 구매하고자 하는 의류에 대한 추가 정보를 포함한 제1 사용자의 정보를 획득할 수 있다.
S203 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 사용자가 구매하고자 하는 의류의 카테고리인 제1 카테고리를 획득할 수 있다. 여기서, 의류의 카테고리는 크게 상의, 하의, 원피스 등이 될 수 있고, 세부적으로 자켓, 티셔츠, 바지, 치마, 원피스, 투피스 등이 될 수 있다.
S204 단계에서, 장치(200)는 제1 사용자의 정보 및 제1 카테고리에 기초하여 제1 사용자에게 적합한 의류인 제1 의류를 추출할 수 있다.
구체적으로, 장치(200)는 제1 사용자의 정보 및 제1 카테고리를 제1 인공신경망에 적용하여, 제1 사용자에게 적합한 의류인 제1 의류를 도출할 수 있다. 이와 관련하여 구체적인 설명은 도 3을 참고하기로 한다.
S205 단계에서, 장치(200)는 제1 의류의 샘플을 생성하여 제1 사용자의 기본 정보를 통해 생성된 제1 사용자의 캐릭터에 적용할 수 있다.
구체적으로, 장치(200)는 제1 사용자의 기본 정보를 통해 3차원화된 제1 사용자의 캐릭터를 생성할 수 있고, 제1 의류의 정보를 통해 3차원화된 제1 의류의 샘플을 생성할 수 있다. 장치(200)는 생성된 제1 사용자의 캐릭터에 제1 의류 샘플을 적용할 수 있다. 이와 관련한 구체적인 내용은 도 4를 통해 후술하기로 한다.
S206 단계에서, 장치(200)는 제1 의류의 샘플 및 제1 사용자의 캐릭터를 포함하는 제1 결과물을 생성하여 제1 사용자 단말(110)로 제공할 수 있다.
도 3은 일실시예에 따른 제1 사용자의 정보 및 제1 카테고리를 통해 제1 사용자에게 맞춤형 의류를 도출하는 인공신경망을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서 장치(200)는 제1 사용자의 정보 및 제1 카테고리에 기초하여, 제1 입력 신호를 생성할 수 있다.
구체적으로, 장치(200)는 제1 사용자의 정보 및 제1 카테고리를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 제1 사용자의 정보 및 제1 카테고리 정보는 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S302 단계에서, 장치(200)는 제1 입력 신호를 제1 인공신경망에 적용하여, 입력에 대한 결과에 기초하여 제1 출력 신호를 생성할 수 있다.
제1 인공신경망은 입력된 사용자의 정보 및 카테고리 정보에 따라 적합한 의류를 추론하는 인공지능 모델로, 트레이닝 사용자 정보들, 트레이닝 카테고리 정보들, 제1 출력 신호들 및 트레이닝 의류 정보들에 기초하여 미리 학습될 수 있다. 여기서, 트레이닝 의류 정보들은 트레이닝 사용자 정보들, 트레이닝 카테고리 정보들에 각각 대응하는 의류 정보들이고, 제1 출력 신호들은 트레이닝 사용자 정보들, 트레이닝 카테고리 정보들이 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 제1 인공신경망은 제1 출력 신호들 및 트레이닝 의류 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습된다.
제1 인공신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다. 강화 학습에 따라 학습되는 제1 인공신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 사용자의 정보 및 카테고리 정보에 적합한 의류를 선정할수록 보상값이 높아질 수 있으며, 제2 보상은 사용자의 정보 및 카테고리 정보에 적합하지 않은 의류를 선정하지 않을수록 보상값이 높아질 수 있다.
S303 단계에서, 장치(200)는 제1 출력 신호에 기초하여 제1 사용자에게 적합한 맞춤형 의류를 판단하여 제1 의류를 도출할 수 있다.
제1 인공신경망은 사용자의 정보 및 카테고리 정보를 통해, 사용자의 정보 및 카테고리 정보에 적합한 의류 정보를 선정하여, 선정된 의류 정보에 대응하는 의류를 출력할 수 있다.
이때, 출력을 평가하여 보상을 지급할 수 있다. 장치(200)는 사용자의 정보 및 카테고리 정보에 적합한 의류를 선정할수록 제1 보상을 많이 수여하고, 사용자의 정보 및 카테고리 정보에 적합하지 않은 의류를 선정하지 않을수록 제2 보상을 많이 수여할 수 있다.
또한, 보상에 대한 평가를 기초로 제1 인공신경망을 갱신할 수 있다. 제1 인공신경망이 사용자의 정보 및 카테고리 정보를 통해, 의류를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공신경망을 갱신할 수 있다. 한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다. 상기와 같은 제1 인공신경망의 학습 과정을 반복함으로써, 제1 인공신경망을 점진적으로 갱신시킬 수 있다.
이를 통해, 장치(200)는 사용자의 정보 및 카테고리 정보를 통해 의류의 정보를 출력하는 제1 인공신경망을 학습시킬 수 있다.
도 4는 일실시예에 따른 사용자의 캐릭터 및 의류의 샘플을 3차원으로 형성하여 사용자에게 제공하는 과정을 설명하기 위한 도면이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 사용자의 신체 정보를 획득할 수 있다.
구체적으로, 장치(200)는 제1 사용자 단말(110)로부터 제1 사용자에게 적합한 의류를 추천하기 위해 제1 사용자의 정보를 획득할 수 있고, 획득한 제1 사용자의 정보를 통해 제1 사용자의 신체 정보를 추출할 수 있다. 여기서, 사용자의 신체 정보는 사용자의 키, 사용자의 몸무게를 비롯하여 사용자의 팔 길이, 사용자의 다리 길이, 사용자의 몸통 둘레 등이 포함될 수 있다.
S402 단계에서, 장치(200)는 제1 사용자의 신체 정보를 기초로, 제1 사용자의 3차원 형상을 생성할 수 있다.
S403 단계에서, 장치(200)는 제1 사용자의 3차원 형상을 제1 비율로 설정하여 제1 사용자의 캐릭터를 생성할 수 있다. 여기서, 제1 비율은 제1 사용자의 단말의 크기에 대응하는 비율로, 실시 예에 따라 달라질 수 있다.
S404 단계에서, 장치(200)는 제1 의류의 의류 정보를 획득할 수 있다. 즉, 장치(200)는 제1 의류가 사용자에게 적합한 맞춤형 의류라고 판단되면 제1 의류와 관련한 정보를 획득할 수 있다. 여기서 제1 의류와 관련한 정보로는 의류의 색상, 의류의 상세 사이즈 등이 포함될 수 있다.
S405 단계에서, 장치(200)는 제1 의류의 의류 정보를 기초로, 제1 의류의 3차원 형상을 생성할 수 있다.
S406 단계에서, 장치(200)는 제1 의류의 3차원 형상을 제1 비율로 설정하여 제1 의류의 샘플을 생성할 수 있다. 여기서, 제1 비율은 제1 사용자의 단말의 크기에 대응하는 비율로, 제1 사용의 캐릭터를 생성할 때 설정한 비율과 동일한 값으로 설정한다.
S407 단계에서, 장치(200)는 제1 사용자의 캐릭터의 미리 정의된 위치에 제1 의류의 샘플을 위치시킬 수 있다. 여기서 미리 정의된 위치는 카테고리에 대응하는 위치이다.
예를 들어, 사용자의 캐릭터의 키 길이가 8.5cm이어서 좌표(0, 0, 0)부터 좌표 (0, 8.5, 0)에 위치한 경우, 장치(200)는 제1 의류의 카테고리가 자켓으로 판단되면 (0, 7.25, 0)에 해당하는 위치에 자켓을 위치시킬 수 있고, 제1 의류의 카테고리가 바지로 판단되면 (0, 5, 0)에 해당하는 위치에 바지를 위치시킬 수 있다.
S408 단계에서, 장치(200)는 제1 사용자의 캐릭터에 제1 의류의 샘플을 오버랩하여 표시할 수 있다.
즉, 장치(200)는 제1 사용자의 캐릭터의 미리 정의된 위치에 제1 의류의 샘플이 위치되면, 제1 사용자의 캐릭터에 제1 의류의 샘플을 오버랩하여 제1 사용자의 캐릭터가 제1 의류를 입은 것처럼 보이도록 표시할 수 있다.
도 5는 일실시예에 따른 사용자의 기대 컨셉에 적합한 의류를 추천하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서 장치(200)는 제1 사용자의 정보에서 제1 사용자가 구매하고자 하는 의류를 착용하였을 때 기대 컨셉을 추출할 수 있다. 여기서, 기대 컨셉은 귀여움, 부드러움, 거침, 개성있음, 캐주얼함, 쿨함, 지적임, 심플함, 알록달록, 엘레강스, 아방가르드 등이 포함될 수 있다.
즉, 장치(200)는 제1 사용자 정보에서 사용자 맞춤형 의류를 착용했을 때, 기대되는 기대 컨셉(귀여움, 부드러움, 거침, 개성있음, 캐주얼함, 쿨함, 지적인, 심플함, 알록달록, 엘레강스, 아방가르드 등)을 추출할 수 있다.
S502 단계에서, 장치(200)는 제1 카테고리에 포함된 의류들에 대한 사용자 후기득을 획득할 수 있다.
S503 단계에서, 장치(200)는 획득된 후기들로부터 컨셉과 관련하여 미리 정의된 후기 키워드들을 추출할 수 있다,
S504 단계에서, 장치(200)는 후기 키워드들 중 기대 컨셉과 일치하는 키워드를 제1 키워드 그룹으로 분류할 수 있다.
예를 들어, 기대 컨셉이 캐주얼일 경우, 장치(200)는 귀여움, 러블리, 큐트, 사랑스러움, 심플함, 여유로움 등의 키워드를 제1 키워드 그룹으로 분류할 수 있다.
S505 단계에서, 장치(200)는 후기 키워드들 중 기대 컨셉과 일치하지 않는 키워드를 제2 키워드 그룹으로 분류할 수 있다.
예를 들어, 기대 컨셉이 캐주얼일 경우, 장치(200)는 알록달록, 개성있음, 아방가르드, 지적인, 완벽한 등의 키워드를 제2 키워드 그룹으로 분류할 수 있다.
S506 단계에서, 장치(200)는 제1 키워드 그룹으로 분류된 키워드들의 횟수인 제1 횟수를 생성할 수 있다.
구체적으로, 장치(200)는 제1 카테고리에 포함된 의류들에 대응하는 사용자 후기들을 분석하여 기대 컨셉과 일치하는 키워드를 제1 키워드 그룹으로 분류하고 기대 컨셉과 일치하는 키워드들의 횟수인 제1 횟수를 생성할 수 있다. 즉, 장치(200)는 하나의 의류에 대응하는 하나의 제1 횟수를 각각 생성할 수 있다.
예를 들어, 기대 컨셉이 캐주얼이고, 제1 카테고리에 포함된 청자켓에 대응하는 사용자 후기 및 키워드들을 분석한 결과, 귀여움이 10회, 사랑스러움이 5회, 심플함이 15회, 알록달록이 3회, 개성있음이 5회, 아방가르드가 2회 포함된 경우, 장치(200)는 청자켓에 대응하는 제1 횟수로 30을 생성할 수 있다.
S507 단계에서, 장치(200)는 제2 키워드 그룹으로 분류된 키워드들의 횟수인 제2 횟수를 생성할 수 있다.
구체적으로, 장치(200)는 제1 카테고리에 포함된 의류들에 대응하는 사용자 후기들을 분석하여 기대 컨셉과 일치하지 않는 키워드를 제2 키워드 그룹으로 분류하고 기대 컨셉과 일치하지 않는 키워드들의 횟수인 제2 횟수를 생성할 수 있다. 즉, 장치(200)는 하나의 의류에 대응하는 하나의 제2 횟수를 각각 생성할 수 있다.
예를 들어, 기대 컨셉이 캐주얼이고, 제1 카테고리에 포함된 청자켓에 대응하는 사용자 후기 및 키워드들을 분석한 결과, 귀여움이 10회, 사랑스러움이 5회, 심플함이 15회, 알록달록이 3회, 개성있음이 5회, 아방가르드가 2회 포함된 경우, 장치(200)는 청자켓에 대응하는 제2 횟수로 10을 생성할 수 있다.
S508 단계에서, 장치(200)는 제1 횟수와 제2 횟수를 합한 값인 제3 횟수를 생성할 수 있다. 즉, 장치(200)는 하나의 의류에 대응하는 하나의 제3 횟수를 각각 생성할 수 있다.
예를 들어, 제1 카테고리에 포함된 청자켓에 대응하는 사용자 후기 및 키워드들을 분석한 결과, 청자켓에 대응하는 제1 횟수는 30이고, 제2 횟수로 10인 경우, 장치(200)는 청자켓에 대응하는 제3 횟수로 40을 생성할 수 있다.
S509 단계에서, 장치(200)는 제1 횟수를 제3 횟수로 나눈 값에 기초하여 제1 기대 컨셉 일치율을 생성할 수 있다. 즉, 장치(200)는 제1 그룹에 포함된 템플릿당 하나의 템플릿에 대응하는 하나의 기대 컨셉 일치율을 각각 생성할 수 있다.
예를 들어, 제1 카테고리에 포함된 청자켓에 대응하는 사용자 후기 및 키워드들을 분석한 결과, 청자켓에 대응하는 제1 횟수는 30이고, 제2 횟수로 10이고, 제3 횟수로 40인 경우, 장치(200)는 청자켓에 대응하는 기대 컨셉 일치율로 75%를 생성할 수 있다.
S510 단계에서, 장치(200)는 제1 기대 컨셉 일치율이 미리 정의된 제1 임계율보다 높은 경우, 제1 사용자에게 적합한 의류를 추천하기 위한 기준 내 가중치들 중에서 기대 컨셉에 대한 가중치를 제1 기대 컨셉 일치율에 따라 높일 수 있다.
예를 들어, 제1 카테고리는 자켓이고, 청자켓에 대응하는 기대 컨셉 일치율은 75%, 코트에 대응하는 기대 컨셉 일치율은 70%, 가죽자켓에 대응하는 기대 컨셉 일치율은 30%인 경우, 장치(200)는 기대 컨셉에 대한 가중치를 청자켓은 7.5점 부여하고, 코트는 7점 부여하고, 가죽 자켓은 3점 부여할 수 있다.
S511 단계에서, 장치(200)는 제1 기대 컨셉 일치율에 따라 높아진 가중치에 기초하여, 제1 사용자에게 적합한 의류인 제1 의류를 추출할 수 있다.
도 6은 일실시예에 따른 사용자의 정보와 일치하는 후기 작성자가 작성한 후기를 기초로 적합한 의류를 추천하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저, S601 단계에서 장치(200)는 제1 카테고리에 포함된 의류들에 대한 사용자 후기들을 획득할 수 있다.
S602 단계에서, 장치(200)는 획득된 후기들에 대응하는 후기를 작성한 작성자들의 사용자 정보들을 획득할 수 있다. 즉, 장치(200)는 제1 카테고리에 포함된 의류들에 대한 사용자 후기들을 획득할 수 있고, 획득한 후기들을 작성한 작성자의 사용자 정보들을 획득할 수 있다. 여기서, 후기들을 작성한 작성자의 사용자 정보는 작성자의 성별, 작성자의 나이, 작성자의 체형 정보를 포함할 수 있다.
S603 단계에서, 장치(200)는 후기를 작성한 작성자의 사용자 정보와 제1 사용자의 정보를 비교한 결과, 정보 일치율이 제1 기준율 이상인 작성자가 작성한 후기들을 제1 그룹으로 분류할 수 있다. 여기서, 제1 기준율은 미리 설정한 값으로 실시 예에 따라 달라질 수 있다.
S604 단계에서, 장치(200)는 제1 그룹으로 분류된 후기들로부터 후기 문구들을 추출할 수 있다.
예를 들어, 장치(200)는 후기 문구들로 귀여워요, 편해요, 예뻐요, 사진과 실물이 같아요, 사진과 실물이 달라요, 핏이 애매해요, 별로에요, 질이 좋아요, 질이 나빠요 등을 추출할 수 있다.
S605 단계에서, 장치(200)는 후기 문구들 중 긍정적인 의미를 가지는 문구를 제1 문구 그룹으로 분류하고, 제1 문구 그룹으로 분류된 문구들의 횟수인 제4 횟수를 생성할 수 있다.
예를 들어, 청자켓에 대응하는 제1 그룹으로 분류된 후기들의 후기 문구들을 추출한 결과, 후기 문구들로 귀여워요(15회), 편해요(20회), 예뻐요(10회), 사진과 실물이 같아요(15회), 사진과 실물이 달라요(2회), 핏이 애매해요(10회), 별로에요(8회), 질이 좋아요(15회), 질이 나빠요(5회)가 추출된 경우, 장치(200)는 귀여워요, 편해요, 예뻐요, 사진과 실물이 같아요, 질이 좋아요의 후기 문구를 제1 문구 그룹으로 분류할 수 있고, 제4 횟수로 75를 생성할 수 있다.
S606 단계에서, 장치(200)는 후기 문구들 중 부정적인 의미를 가지는 문구를 제2 문구 그룹으로 분류하고, 제2 문구 그룹으로 분류된 문구들의 횟수인 제4 횟수를 생성할 수 있다.
예를 들어, 청자켓에 대응하는 제1 그룹으로 분류된 후기들의 후기 문구들을 추출한 결과, 후기 문구들로 귀여워요(15회), 편해요(20회), 예뻐요(10회), 사진과 실물이 같아요(15회), 사진과 실물이 달라요(2회), 핏이 애매해요(10회), 별로에요(8회), 질이 좋아요(15회), 질이 나빠요(5회)가 추출된 경우, 장치(200)는 사진과 실물이 달라요, 핏이 애매해요, 별로에요, 질이 나빠요의 후기 문구를 제2 문구 그룹으로 분류할 수 있고, 제5 횟수로 25을 생성할 수 있다.
S607 단계에서, 장치(200)는 제4 횟수와 제5 횟수를 합한 값인 제6 횟수를 생성할 수 있다.
예를 들어, 청자켓에 대응하는 제1 그룹으로 분류된 후기들의 후기 문구들을 추출한 결과, 제4 횟수는 75이고, 제5 횟수로 25인 경우, 장치(200)는 청자켓에 대응하는 제6 횟수로 100을 생성할 수 있다.
S608 단계에서, 장치(200)는 제4 횟수를 제6 횟수로 나눈 값에 기초하여 제1 만족율을 생성할 수 있다.
예를 들어, 청자켓에 대응하는 제1 그룹으로 분류된 후기들의 후기 문구들을 추출한 결과, 청자켓에 대응하는 제4 횟수는 75이고, 제5 횟수로 25이고, 제6 횟수로 100인 경우, 장치(200)는 청자켓에 대응하는 만족율로 75%를 생성할 수 있다.
S609 단계에서, 장치(200)는 제1 만족율이 미리 정의된 제2 임계율보다 높은 경우, 제1 사용자에게 적합한 의류를 추천하기 위한 기준 내 가중치들 중에서 만족도에 대한 가중치를 제1 만족율에 따라 높일 수 있다.
예를 들어, 제1 카테고리는 자켓이고, 청자켓에 대응하는 만족율은 75%, 코트에 대응하는 만족율은 80%, 가죽자켓에 대응하는 만족율은 50%인 경우, 장치(200)는 만족도에 대한 가중치를 청자켓은 7.5점 부여하고, 코트는 8점 부여하고, 가죽 자켓은 5점 부여할 수 있다.
S610 단계에서, 장치(200)는 제1 만족율에 따라 높아진 가중치에 기초하여, 제1 사용자에게 적합한 의류인 제1 의류를 추출할 수 있다.
도 7은 일실시예에 따른 제1 의류와 같이 착용할 추가 아이템을 추천하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 의류와 같이 착용할 추가 아이템의 추천 요청을 수신할 수 있다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 제1 의류와 같이 착용할 다른 카테고리의 추가 아이템의 추천 요청을 수신할 수 있다.
예를 들어, 제1 의류가 자켓일 경우, 장치(200)는 제1 사용자 단말(110)로부터 자켓과 함께 착용할 원피스나, 블라우스, 바지, 가방, 모자 등과 같은 추가 아이템을 추천 요청을 수신할 수 있다.
S702 단계에서, 장치(200)는 제1 의류와 같이 착용할 추가 아이템의 카테고리인 제2 카테고리를 획득할 수 있다.
구체적으로, 장치(200)는 제1 사용자 단말(110)로부터 제1 의류와 같이 착용할 추가 아이템의 추천 요청을 수신하고, 어떤 카테고리의 아이템을 추가 아이템으로 추천 받고 싶은지 획득할 수 있다.
S703 단계에서, 장치(200)는 제1 의류에 대응하는 상세 정보에 포함된 이미지들을 추출할 수 있다.
즉, 장치(200)는 제1 의류의 정보, 이미지, 코디 사진 등이 포함되어 있는 상세 정보를 획득할 수 있고, 상세 정보에서 이미지 형식의 정보를 추출할 수 있다.
S704 단계에서, 장치(200)는 추출된 이미지들 중 제2 카테고리의 아이템이 포함되어 있는 이미지가 존재하는지 여부를 판단할 수 있다.
예를 들어, 제1 의류가 청자켓이고, 제2 카테고리가 가방일 경우, 장치(200)는 청자켓의 상세 정보를 통해 추출된 이미지들 중 가방이 포함된 이미지가 존재하는지 여부를 판단할 수 있다.
S704 단계에서 추출된 이미지들 중 제2 카테고리의 아이템이 포함되어 있는 이미지가 존재한다고 판단되면, S705 단계에서, 장치(200)는 이미지를 기반으로 제2 카테고리의 아이템의 정보를 획득할 수 있다.
예를 들어, 제1 의류가 청자켓이고, 제2 카테고리가 가방이고, 청자켓의 상세 정보 중 가방을 포함한 이미지가 있는 경우, 장치(200)는 해당 이미지를 통해 제2 카테고리의 아이템인 가방의 정보가 갈색의 미니 사이즈의 크로스백인 것을 획득할 수 있다.
S706 단계에서, 장치(200)는 획득한 정보를 기초로, 제1 의류와 같이 착용할 추가 아이템인 제1 아이템을 선정할 수 있다.
예를 들어, 제1 의류가 청자켓이고, 제2 카테고리가 가방이고, 가방의 정보가 갈색의 미니 사이즈의 크로스백인 경우, 장치(200)는 갈색의 미니 사이즈의 크로스백을 기초로, 해당 제품을 판매하고 있는 판매 사이트를 통해 제1 의류와 같이 착용할 추가 아이템인 제1 아이템을 선정할 수 있고, 제1 아이템의 정보를 획득할 수 있다.
S707 단계에서, 장치(200)는 제1 아이템을 3차원화하여 제1 결과물에 적용하고, 생성된 제2 결과물을 제1 사용자 단말(110)로 제공할 수 있다.
구체적으로, 장치(200)는 제1 아이템의 정보를 통해 제1 아이템을 3차원화시킬 수 있고, 3차원화된 제1 아이템을 제1 사용자의 캐릭터와 제1 의류의 샘플이 포함된 제1 결과물에 적용하여 제2 결과물을 생성할 수 있고, 생성된 제2 결과물을 제1 사용자 단말(110)로 전송할 수 있다.
S704 단계에서 추출된 이미지들 중 제2 카테고리의 아이템이 포함되어 있는 이미지가 존재하지 않는다고 판단되면, S708 단계에서, 장치(200)는 제1 의류를 구매한 사용자들의 함께 구매한 구매 데이터를 획득할 수 있다.
예를 들어, 제1 의류가 청자켓이고, 제2 카테고리가 가방이고, 청자켓의 상세 정보 중 가방을 포함한 이미지가 없는 경우, 장치(200)는 해당 청자켓을 구매한 사용자들이 청자켓과 함께 구매한 아이템이 무엇인지 확인할 수 있는 구매 데이터를 획득할 수 있다.
S709 단계에서, 장치(200)는 구매 데이터들 중 제2 카테고리에 포함된 아이템의 데이터를 추출할 수 있다.
즉, 장치(200)는 구매 데이터를 기초로, 구매 데이터들 중 제2 카테고리에 포함된 아이템이 있는지를 확인할 수 있고, 제2 카테고리에 포함된 아이템 중 어떤 아이템이 포함되어 있는지를 추출할 수 있다.
S710 단계에서, 장치(200)는 추출된 데이터를 기초로, 제1 의류와 같이 착용할 추가 아이템으로 가장 많이 함께 구매된 제2 아이템을 선정할 수 있다.
예를 들어, 제1 의류가 청자켓이고, 제2 카테고리가 가방이고, 청자켓과 함께 구매한 가방 아이템으로 분홍색 크로스백이 30회, 갈색 숄더백이 25회, 검정색 클러치백이 15회인 경우, 장치(200)는 제1 의류와 같이 착용할 추가 아이템인 제2 아이템으로 분홍색 크로스백을 선정할 수 있다.
S711 단계에서, 장치(200)는 제2 아이템을 3차원화하여 제1 결과물에 적용하고, 생성된 제3 결과물을 제1 사용자 단말(110)로 전송할 수 있다.
구체적으로, 장치(200)는 제2 아이템의 정보를 통해 제2 아이템을 3차원화시킬 수 있고, 3차원화된 제2 아이템을 제1 사용자의 캐릭터와 제1 의류의 샘플이 포함된 제1 결과물에 적용하여 제3 결과물을 생성할 수 있고, 생성된 제3 결과물을 제1 사용자 단말(110)로 전송할 수 있다.
도 8은 일실시예에 따른 제1 의류의 재고량을 확인하는 과정을 설명하기 위한 순서도이다.
도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 제1 의류의 재고량을 확인하기 위해 제1 의류를 공급하고 있는 공급업체의 창고에 부착되어 있는 카메라를 작동시킬 수 있다.
S802 단계에서, 장치(200)는 카메라가 현재 위치하고 있는 높이를 제1 높이값으로 설정할 수 있다. 이때, 장치(200)는 카메라가 지지대의 어느 부분에 연결되어 있는지를 확인하여, 카메라가 현재 위치하고 있는 높이를 확인할 수 있으며, 카메라가 현재 위치하고 있는 높이를 제1 높이값으로 설정할 수 있다.
S803 단계에서, 장치(200)는 제1 의류가 포함되어 있는 제1 이미지를 획득하기 위해 설정되어 있는 제2 높이값을 확인할 수 있다. 이를 위해, 장치(200)의 메모리에는 제품 별로 측정하는데 최적화된 높이값에 대한 정보가 저장되어 있으며, 장치(200)는 메모리로부터 제1 의류가 위치하고 있는 높이값에 대한 정보를 획득하여, 획득된 정보를 통해 제2 높이값을 확인할 수 있다.
S804 단계에서, 장치(200)는 제1 높이값에서 제2 높이값을 차감하여 제1 차이값을 산출할 수 있다.
S805 단계에서, 장치(200)는 제1 차이값이 기준 범위를 벗어나는지 여부를 확인할 수 있다. 여기서, 기준 범위는 실시예에 따라 상이하게 설정될 수 있으며, 예를 들어, 기준 범위는 -10cm부터 10cm까지로 설정될 수 있다.
S805 단계에서 제1 차이값이 기준 범위를 벗어나는 것으로 확인되면, S806 단계에서, 장치(200)는 제1 차이값이 0보다 큰지 여부를 확인할 수 있다.
S806 단계에서 제1 차이값이 0보다 큰 것으로 확인되면, S807 단계에서, 장치(200)는 카메라가 제1 차이값과 상응하는 높이만큼 하강하여, 카메라의 위치가 변경되도록 제어할 수 있다.
예를 들어, 제1 높이값이 90cm이고, 제2 높이값이 75cm이고, 기준 범위가 -10cm부터 10cm까지로 설정되어 있는 경우, 장치(200)는 제1 차이값을 15cm로 산출할 수 있으며, 제1 차이값이 기준 범위를 벗어나면서 0보다 큰 것으로 확인되기 때문에, 카메라가 현재 위치에서부터 15cm 하강하여, 카메라의 위치가 변경되도록 제어할 수 있다.
S806 단계에서 제1 차이값이 0보다 작은 것으로 확인되면, S808 단계에서, 장치(200)는 카메라가 제1 차이값과 상응하는 높이만큼 상승하여, 카메라의 위치가 변경되도록 제어할 수 있다.
예를 들어, 제1 높이값이 90cm이고, 제2 높이값이 105cm고, 기준 범위가 -10cm부터 10cm까지로 설정되어 있는 경우, 장치(200)는 제1 차이값을 -15cm로 산출할 수 있으며, 제1 차이값이 기준 범위를 벗어나면서 0보다 작은 것으로 확인되기 때문에, 카메라가 현재 위치에서부터 15cm 상승하여, 카메라의 위치가 변경되도록 제어할 수 있다.
S809 단계에서, 장치(200)는 위치된 카메라를 통해 제1 의류를 촬영하고, 촬영 후 생성된 이미지를 기초로 제1 의류의 재고량을 확인할 수 있다.
도 9는 일실시예에 따른 사용자의 체형 및 얼굴 톤을 통해 사용자의 추천 의류 정보를 예측하는 과정을 설명하기 위한 순서도이다.
도 9를 참조하면, 먼저 S901 단계에서, 장치(200)는 제1 사용자의 체형 타입으로부터 제1 사용자의 체형 정보를 획득할 수 있다. 여기서, 체형 정보는 제1 사용자의 체형 타입으로부터 획득한 정보로서, 일실시예에 따르면, 체형 정보는 제1 사용자의 키, 몸무게, 상체 크기, 상체 모양, 하체 크기, 하체 모양에 대한 체형 정보에 대한 체형과 관련된 정보를 의미할 수 있다.
즉, 장치(200)는 제1 사용자의 체형 타입으로부터 제1 사용자의 키, 몸무게, 상체 크기, 상체 모양, 하체 크기, 하체 모양에 대한 체형 정보에 대한 체형과 관련된 정보를 획득할 수 있다.
S902 단계에서, 장치(200)는 제2 입력 신호를 생성하고, 생성된 제2 입력 신호를 제2 인공신경망에 적용할 수 있다. 일실시예에 따르면, 장치(200)는 제1 사용자의 키, 몸무게, 상체 크기, 상체 모양, 하체 크기, 하체 모양을 기초로 제2 입력 신호를 생성할 수 있다.
S903 단계에서, 장치(200)는 제2 입력 신호를 제2 인공신경망에 적용하여 제2 출력 신호를 생성할 수 있다. 장치(200)는 생성된 제2 출력 신호를 기초하여 의류의 어깨 길이, 의류의 팔 길이, 의류의 총 길이, 의류의 허리 둘레 및 의류의 허벅지 둘레에 대한 의류 부위 정보를 생성할 수 있다.
제2인공신경망의 제1 입력 레이어는 키, 몸무게, 상체 크기, 상체 모양, 하체 크기, 하체 모양에 대응하는 값에 각각 적용되는 입력 노드들을 포함할 수 있다.
장치(200)는 제2 입력 신호를 제2인공신경망에 적용하여 제2출력 신호를 생성할 수 있다. 제2 인공신경망의 제1출력 레이어는 출력 값을 생성하는 출력 노드들을 포함할 수 있다. 제2 인공신경망의 제2 출력 레이어는 의류의 어깨 길이, 의류의 팔 길이, 의류의 총 길이, 의류의 허리 둘레 및 의류의 허벅지 둘레에 대응하는 값에 대한 각각 적용되는 출력 노드들을 포함할 수 있다.
S904 단계에서, 장치(200)는 후보 의류 형태의 후보 의류 부위 정보를 획득할 수 있다. 여기서, 후보 의류 형태는 기 등록된 의류 형태들 중 어느 하나의 의류 형태를 의미할 수 있다. 장치(200)의 데이터베이스에는 제작 및 판매가 가능한 의류 형태들이 미리 등록되어 저장될 수 있다. 후보 의류 부위 정보는 후보 의류 형태의 의류의 어깨 길이, 의류의 팔 길이, 의류의 총 길이, 의류의 허리 둘레 및 의류의 허벅지 둘레에 대한 정보를 의미할 수 있다.
S905 단계에서, 장치(200)는 수학식 1을 이용하여 후보 의류 부위 정보
Figure 112022047615269-pat00046
의 유사도 정보를 생성할 수 있다. 수학식 1과 관련된 자세한 설명은 도 10을 참조하여 후술하기로 한다.
S906 단계에서, 장치(200)는 기 등록된 의류 형태들에 각각 대응하는 유사도 정보들을 생성할 수 있다. 즉, 장치(200)는 수학식 1을 이용하여 후보 의류 형태 및 기 등록된 의류 형태들 각각의 유사도 정보를 생성할 수 있다.
S907 단계에서, 장치(200)는 기 등록된 의류 형태들의 유사도 정보들에 기초하여, 기 등록된 의류 형태들 중 어느 하나의 의류 형태를 제1 사용자에 대응하는 의류 형태 추천 정보로 생성할 수 있다.
S908 단계에서, 장치(200)는 제1 사용자의 피부 타입으로부터 제1 사용자의 피부 톤 정보를 획득할 수 있다. 여기서, 피부 톤 정보는 웜톤 및 쿨톤 중 어느 하나를 의미할 수 있다. 일실시예에 따르면, 피부 톤 정보는 사람의 가지고 있는 고유한 피부의 색상에 따라 웜톤 혹은 쿨톤으로 피부의 색상을 2가지 타입으로 분류하는 방식을 의미할 수 있다.
S909 단계에서, 장치(200)는 제1 사용자의 피부 타입으로부터, 미리 정의된 밝기 기준에 따라 제1 사용자의 피부 밝기 등급 정보를 획득할 수 있다. 여기서, 피부 밝기 등급은 피부의 밝기가 밝은 순서대로 1등급부터 5등급까지로 설정될 수 있다. 피부 밝기 등급은 실시예에 따라 상이하게 설정될 수도 있다.
S910 단계에서, 장치(200)는 피부 톤 정보 및 피부 밝기 등급 정보를 기초로 제3 입력 신호를 생성하고, 생성된 제3 입력 신호를 제3 인공신경망에 적용할 수 있다.
장치(200)는 피부 타입으로부터 피부 톤 정보 및 피부 밝기 등급 정보를 획득할 수 있다. 장치(200)는 획득한 피부 톤 정보 및 피부 밝기 등급 정보에 기초하여 제3 입력 신호를 생성하여 제3 인공신경망에 적용하여 제3 출력 신호를 생성할 수 있다.
여기서, 장치(200)는 트레이닝 피부 톤 정보들 및 트레이닝 피부 밝기 등급 정보들에 기초하여 제3 트레이닝 입력 신호들을 생성하고, 제3 트레이닝 입력 신호들을 제3 인공신경망에 적용하여 제3 출력 신호들을 생성할 수 있다. 제3 출력 신호들을 생성하면, 장치(200)는 제3 출력 신호에 기초하여 추천 의류 형태에 대응하는 의류 색상 추천 정보를 생성할 수 있다.
S911 단계에서, 장치(200)는 의류 색상 추천 정보를 생성할 수 있다. 장치(200)는 제3 인공신경망을 통해 의류 색상 추천 정보를 생성할 수 있다.
S912 단계에서, 장치(200)는 의류 형태 추천 정보 및 의류 색상 추천 정보를 조합하여 제1 사용자에게 적합한 의류를 예측할 수 있다.
도 10은 일실시예에 따른 수학식 1을 설명하기 위한 도면이다.
도 10에 도시된 바와 같이 수학식 1은 아래와 같다.
Figure 112022047615269-pat00047
Figure 112022047615269-pat00048
는 후보 의류 형태 부위 정보
Figure 112022047615269-pat00049
에 대응하는 유사도 정보를 의미하고,
Figure 112022047615269-pat00050
,
Figure 112022047615269-pat00051
,
Figure 112022047615269-pat00052
,
Figure 112022047615269-pat00053
및
Figure 112022047615269-pat00054
는 미리 정의된 가중치들이고,
Figure 112022047615269-pat00055
일 수 있으며,
Figure 112022047615269-pat00056
는 의류 부위 정보
Figure 112022047615269-pat00057
의 의류의 어깨 길이이고,
Figure 112022047615269-pat00058
는 의류 부위 정보
Figure 112022047615269-pat00059
의 의류의 팔 길이이고,
Figure 112022047615269-pat00060
는 의류 부위 정보
Figure 112022047615269-pat00061
의 의류의 총 길이이고,
Figure 112022047615269-pat00062
는 의류 부위 정보
Figure 112022047615269-pat00063
의 허리 둘레이고,
Figure 112022047615269-pat00064
는 의류 부위 정보
Figure 112022047615269-pat00065
의 의류의 허벅지 둘레를 의미할 수 있다.
Figure 112022047615269-pat00066
는 후보 의류 부위 정보
Figure 112022047615269-pat00067
의 의류의 어깨 길이이고,
Figure 112022047615269-pat00068
는 후보 의류 부위 정보
Figure 112022047615269-pat00069
의 의류의 팔 길이이고,
Figure 112022047615269-pat00070
는 후보 의류 부위 정보
Figure 112022047615269-pat00071
의 의류의 총 길이이고,
Figure 112022047615269-pat00072
는 후보 의류 부위 정보
Figure 112022047615269-pat00073
의 의류의 허리 둘레이고,
Figure 112022047615269-pat00074
는 후보 의류 부위 정보
Figure 112022047615269-pat00075
의 의류의 허벅지 둘레를 의미할 수 있다.
Figure 112022047615269-pat00076
는
Figure 112022047615269-pat00077
및
Figure 112022047615269-pat00078
에 대응하는 유사도이고,
Figure 112022047615269-pat00079
는
Figure 112022047615269-pat00080
및
Figure 112022047615269-pat00081
에 대응하는 유사도이고,
Figure 112022047615269-pat00082
는
Figure 112022047615269-pat00083
및
Figure 112022047615269-pat00084
에 대응하는 유사도이고,
Figure 112022047615269-pat00085
는
Figure 112022047615269-pat00086
및
Figure 112022047615269-pat00087
에 대응하는 유사도이고,
Figure 112022047615269-pat00088
는
Figure 112022047615269-pat00089
및
Figure 112022047615269-pat00090
에 대응하는 유사도를 의미할 수 있다.
도 11은 일실시예에 따른 사용자의 신체 부위 정보에 따른 핏 적합도를 판단하는 과정을 설명하기 위한 순서도이다.
도 11을 참조하면, 먼저, S1101 단계에서, 장치(200)는 제1 의류가 제1 카테고리에 포함되는 경우, 제1 사용자 단말(110)로 신체 정보 입력 요청 메시지를 전송할 수 있다.
장치(200)는 신체 정보 입력 페이지를 생성하여 제1 사용자 단말(110)로 전송할 수 있으며, 신체 정보 입력 페이지를 통해 제1 사용자의 신체 정보가 입력되면, 제1 사용자 단말(110)로부터 제1 사용자의 신체 정보를 획득할 수 있다. 여기서, 제1 사용자의 신체 정보는 제1 사용자의 신체 사이즈를 나타내는 정보로, 예를 들어, 키, 몸무게, 신체 부위별 사이즈 등에 관한 정보를 포함할 수 있다. 여기서, 신체 정보 입력 요청 메시지는 제1 사용자의 신체 정보 입력을 요청하는 메시지를 의미하며, 패킷 형태로 제1 사용자 단말(110)로 전송될 수 있다.
예를 들어, 제1 의류가 블라우스이고, 제1 카테고리가 상의인 경우, 장치(200)는 제1 의류가 제1 카테고리에 포함된 것을 확인할 수 있다. 또한 제1 사용자의 신체 정보는 제1 사용자의 키, 몸무게, 어깨 둘레, 가슴 둘레, 허리 둘레 및 상체 길이 등에 관한 정보를 포함할 수 있다.
또한, 장치(200)는 제1 사용자의 신체 정보를 제1 사용자 계정과 연동하여 장치(200)의 데이터베이스에 저장할 수 있다. 장치(200)는 데이터베이스에 저장된 제1 사용자 정보에서 제1 사용자의 신체 정보를 추출할 수 있다.
S1102 단계에서, 장치(200)는 제1 사용자 단말(110)에 의해 입력된 제1 사용자의 키와 몸무게 정보를 기초로, 제1 사용자의 신체 정보를 획득할 수 있다.
S1103 단계에서, 장치(200)는 제1 사용자의 신체 부위들 중 어느 하나인 제1 부위의 신체 정보를 추출할 수 있다.
예를 들어, 제1 사용자의 신체 부위는 제1 사용자의 어깨, 가슴, 허리, 엉덩이 및 허벅지 등을 포함할 수 있으며 제1 사용자의 신체 부위 중 어느 하나인 제1 부위가 어깨인 경우, 장치(200)는 제1 사용자의 어깨의 둘레, 단면, 형태, 폭 등에 대한 제1 부위의 신체 정보를 추출할 수 있다.
S1104 단계에서, 장치(200)는 제1 사용자 계정으로부터 의류 구매 내역을 획득하여, 제1 카테고리에 대응하는 제1 구매 내역을 추출할 수 있다.
구체적으로, 장치(200)는 제1 사용자 계정과 대응하는 제1 사용자 단말(110)을 통해 조회된 의류 구매 내역을 획득하여, 제1 카테고리에 대응하는 제1 구매 내역을 추출할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 사용자 단말 별로 의류를 구매한 구매 내역이 저장되어 있다. 여기서, 구매 내역은 의류와 관련된 정보를 제공하는 이미지, 동영상, 텍스트 등을 포함할 수 있다.
즉, 장치(200)는 데이터베이스로부터 제1 사용자 단말(110)을 통해 조회된 의류 구매 내역을 획득하여, 의류 구매 내역의 이미지, 동영상, 텍스트 등의 정보를 통해 제1 카테고리에 대응하는 구매 내역을 확인하고, 제1 구매 내역을 추출할 수 있다.
예를 들어, 제1 카테고리가 상의인 경우, 장치(200)는 제1 사용자의 의류 구매 내역에서 상의 카테고리에 대응하는 구매 내역을 확인하여, 제1 구매 내역을 추출할 수 있다.
S1105 단계에서, 장치(200)는 제1 구매 내역으로부터 제1 부위에 대응하는 제1 부위 핏들을 추출할 수 있다.
예를 들어, 제1 카테고리가 상의면서, 제1 부위가 어깨인 경우, 장치(200)는 상의에 대응하는 제1 사용자의 의류 구매 내역으로부터 어깨에 대응하는 어깨 부위의 핏들을 추출할 수 있다.
S1106 단계에서, 장치(200)는 제1 부위 핏들에 대응하는 제1 사용자의 기 등록 제1 부위 신체 정보들을 획득할 수 있다.
일실시예에 따르면, 장치(200)는 제1 부위 핏들에 대해 시간대 별로 제1 사용자의 기 등록된 제1 부위 신체 정보들을 획득할 수 있다. 장치(200)는 제1 사용자가 제1 부위 신체 정보를 최초로 등록한 시점인 제1 시점, 제1 시점 이후의 제1 부위 신체 정보가 등록된 제2 시점 및 현재 시점에 제1 부위 신체 정보가 등록된 제3 시점으로 시간대를 분류하고, 각 시간대 별로 제1 부위에 대응하는 제1 부위 핏들을 추출할 수 있다. 예를 들면, 장치(200)는 제1 사용자의 구매 내역을 통해 제1 시점에는 a핏, 제2 시점에는 b핏 및 제3 시점에는 c핏으로 제1 부위 핏들에 대응하는 제1 부위 핏들을 각각 추출할 수 있다. 또한, 장치(200)는 제1 부위 핏들에 대응하는 제1 사용자의 신체 정보들을 획득할 수 있다.
S1107 단계에서, 장치(200)는 제1 사용자의 선호도에 따라 제1 부위 핏들을 랭킹할 수 있다.
구체적으로, 장치(200)는 획득된 제1 부위 신체 정보와의 유사도를 기초로 기 등록 제1 부위 신체 정보들에 대응하는 가중치들을 생성하고, 생성된 가중치들을 제1 부위 핏들의 구매 횟수들에 각각 적용하여 제1 사용자의 선호도에 따라 제1 부위 핏들을 랭킹할 수 있다.
일실시예에 따르면, 장치(200)는 제3 시점의 제1 부위 신체 정보를 기준으로, 제1 시점의 제1 부위 신체 정보와 제2 시점의 제1 부위 신체 정보를 제1 부위의 신체 정보와 각각 비교하여 유사도를 산출하고, 유사도를 기초로 제1 부위 신체 정보들에 대응하는 가중치를 각각 생성하여 적용할 수 있다.
예를 들면, 유사도가 90% 이상인 경우, 가중치를 1.3로 설정하고, 유사도가 80% 이상이면서 90% 미만인 경우, 가중치를 1.1로 설정한 경우, 제1 시점의 유사도가 95%이고, 제2 시점의 유사도가 83%이면, 장치(200)는 제1 시점의 가중치를 1.3로, 제2 시점의 가중치를 1.1로 생성할 수 있다. 또한, 장치(200)는 현재 시점인 제3 시점의 가중치를 1.5으로 생성할 수 있다.
또한, 제1 부위 핏의 구매 횟수가 제1 시점의 a핏은 4회, 제2 시점의 b핏은 5회, 제3 시점의 c핏은 4회인 경우, 장치(200)는 각각의 시점에 생성된 가중치를 각각 적용하여, 핏에 대응하는 선호도를 산출할 수 있다. 따라서, 장치(200)는 a핏의 선호도는 5.2, b핏의 선호도는 5.5, c핏의 선호도는 6으로 산출할 수 있다. 이후, 장치(200)는 시간대 별 제1 사용자의 선호도가 높은 순서대로 c핏, b핏, a핏 순으로 제1 부위의 핏들을 랭킹할 수 있다.
S1108 단계에서, 장치(200)는 제1 의류가 제1 부위 핏들 중 미리 설정된 범위 내 부위 핏으로 제작되었는지 여부를 판단할 수 있다. 예를 들어, 제1 부위 핏이 a, b, c, d, e, f가 존재하고, 미리 설정된 범위가 a핏, b핏 및 c핏으로 설정된 경우, 장치(200)는 제1 의류가 미리 설정된 범위인 a핏, b핏 및 c핏 중에서 어느 하나로 제작되었는지 여부를 판단할 수 있다.
S1108 단계에서 제1 의류가 제1 부위 핏들 중 어느 하나로 제작된 경우, S1109 단계에서, 장치(200)는 제1 사용자 단말(110)로 제1 의류의 핏 적합 알림 메시지를 전송할 수 있다. 예를 들어, 제1 부위 핏이 a, b, c, d, e, f가 존재하고, 미리 설정된 범위가 a핏, b핏 및 c핏으로 설정되고, 제1 의류가 c핏으로 제작된 경우, 장치(200)는 제1 의류의 핏이 제1 사용자에게 적합하다고 판단하여, 제1 사용자 단말(110)로 제1 의류의 핏 적합 알림 메시지를 전송할 수 있다.
S1108 단계에서, 제1 의류가 제1 부위 핏들 중 어느 하나로 제작되지 않은 경우, S1110 단계에서, 장치(200)는 제1 카테고리에 포함되면서 제1 부위 핏으로 제작된 의류정보를 추출하여 제1 사용자 단말(110)로 전송할 수 있다.
예를 들어, 제1 의류가 e핏으로 제작된 경우, 장치(200)는 제1 의류가 제1 부위 핏들 중 어느 하나로 제작되지 않은 것으로 판단할 수 있다. 또한, 제1 카테고리가 상의인 경우, 상의 카테고리에 포함되면서, a핏, b핏 및 c핏 중 어느 하나로 제작된 의류 정보를 추출하여 제1 사용자 단말(110)로 전송할 수 있다.
도 12는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 개인 또는 단체는 도 1 내지 도 11을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(200)는 인공신경망을 학습시키거나, 학습된 인공신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공신경망을 학습시키는 장치(200)와 학습된 인공신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 장치에 의해 수행되는 방법에 있어서,
    제1 사용자 단말로부터 맞춤형 의류를 추천 요청을 수신하는 단계;
    상기 제1 사용자 단말로부터 상기 제1 사용자의 정보를 획득하는 단계;
    상기 제1 사용자 단말로부터 상기 제1 사용자가 구매하고자 하는 의류의 카테고리인 제1 카테고리를 획득하는 단계;
    상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여, 상기 제1 사용자에게 적합한 의류인 제1 의류를 도출하는 단계;
    상기 제1 의류의 샘플을 생성하여 상기 제1 사용자의 기본 정보를 통해 생성된 제1 사용자의 캐릭터에 적용하는 단계;
    상기 제1 의류의 샘플 및 상기 제1 사용자의 캐릭터를 포함하는 제1 결과물을 생성하여 상기 제1 사용자 단말로 제공하는 단계;
    상기 제1 사용자 단말로부터 상기 제1 의류와 같이 착용할 추가 아이템의 추천 요청을 수신하는 단계;
    상기 제1 의류와 같이 착용할 추가 아이템의 카테고리인 제2 카테고리를 획득하는 단계;
    상기 제1 의류에 대응하는 상세 정보에 포함된 이미지들을 추출하는 단계;
    상기 추출된 이미지들 중 상기 제2 카테고리의 아이템이 포함되어 있는 이미지가 있는지 여부를 판단하는 단계;
    상기 추출된 이미지들 중 상기 제2 카테고리의 아이템이 포함되어 있는 이미지가 있는 경우, 상기 추출된 이미지를 기반으로, 상기 제2 카테고리의 아이템의 정보를 획득하는 단계;
    획득한 정보를 기초로, 상기 제1 의류와 같이 착용할 추가 아이템인 제1 아이템을 선정하는 단계;
    상기 제1 아이템을 3차원화하여 상기 제1 결과물에 적용하고, 생성된 제2 결과물을 상기 제1 사용자 단말로 전송하는 단계;
    상기 추출된 이미지들 중 상기 제2 카테고리의 아이템이 포함되어 있는 이미지가 없는 경우, 상기 제1 의류를 구매한 사용자들의 함께 구매한 구매 데이터들을 획득하는 단계;
    상기 구매 데이터들 중 상기 제2 카테고리에 포함된 아이템의 데이터를 추출하는 단계;
    상기 추출된 데이터를 기초로, 상기 제1 의류를 구매한 사용자가 가장 많이 함께 구매한 상기 제2 카테고리 아이템을 상기 제1 의류와 같이 착용할 추가 아이템인 제2 아이템으로 선정하는 단계; 및
    상기 제2 아이템을 3차원화하여 상기 제1 결과물에 적용하고, 생성된 제3 결과물을 상기 제1 사용자 단말로 전송하는 단계를 포함하고,
    상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여, 상기 제1 사용자에게 적합한 의류인 제1 의류를 추출하는 단계는
    상기 제1 사용자의 정보 및 상기 제1 카테고리에 기초하여 제1 입력 신호를 생성하는 단계;
    상기 제1 입력 신호를 제1 인공신경망-상기 제1 인공신경망은 입력된 사용자의 정보 및 의류의 카테고리에 따라 사용자에게 적합한 의류를 추론하는 인공지능모델이고, 트레이닝 사용자정보들, 트레이닝 의류 카테고리들에 각각 대응하는 트레이닝 의류 정보들 및 제1 출력 신호들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계;
    상기 제1 출력 신호에 기초하여 상기 제1 사용자에게 적합한 맞춤형 의류를 판단하여 상기 제1 의류를 도출하는 단계를 포함하고,
    상기 트레이닝 의류들은 상기 트레이닝 사용자 정보들, 상기 트레이닝 의류 카테고리들에 각각 대응하는 의류 정보들이고,
    상기 제1 출력 신호들은 상기 트레이닝 사용자 정보들, 상기 트레이닝 의류 카테고리들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며,
    상기 제1 인공신경망은 상기 제1 출력 신호들 및 트레이닝 의류들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습된
    추출된 상기 제1 의류를 상기 제1 사용자의 캐릭터에 적용하는 단계는
    상기 제1 사용자 단말로부터 상기 제1 사용자의 신체 정보를 획득하는 단계;
    획득된 상기 제1 사용자의 신체 정보를 기초로, 상기 제1 사용자의 3차원 형상을 생성하는 단계;
    상기 제1 사용자의 3차원 형상을 미리 정의된 비율인 제1 비율로 설정하여 상기 제1 사용자의 캐릭터를 생성하는 단계;
    상기 제1 의류의 의류 정보를 획득하는 단계;
    획득된 상기 제1 의류의 의류 정보를 기초로, 상기 제1 의류의 3차원 형상을 생성하는 단계;
    상기 제1 의류의 3차원 형상을 미리 정의된 비율인 제1 비율로 설정하여 상기 제1 의류 샘플을 생성하는 단계;
    상기 제1 사용자의 캐릭터의 미리 정의된 위치에 상기 제1 의류 샘플을 위치시키는 단계; 및
    상기 제1 사용자의 캐릭터에 상기 제1 의류 샘플을 오버랩하여 표시하는 단계를 포함하는,
    인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법.
  2. 삭제
  3. 삭제
KR1020220055088A 2022-05-03 2022-05-03 인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템 KR102429572B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220055088A KR102429572B1 (ko) 2022-05-03 2022-05-03 인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220055088A KR102429572B1 (ko) 2022-05-03 2022-05-03 인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102429572B1 true KR102429572B1 (ko) 2022-08-03

Family

ID=82847427

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220055088A KR102429572B1 (ko) 2022-05-03 2022-05-03 인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102429572B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102503580B1 (ko) 2022-11-11 2023-02-24 김상희 인공지능 기반 개인화된 스타일링 정보 추천을 위한 메타버스 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102615605B1 (ko) 2023-07-20 2023-12-19 최수원 사용자 상호 작용 기반 스타일링 추천 및 라이프스타일아이템 판매 플랫폼 서비스 제공 방법, 장치 및 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102127562B1 (ko) 2018-05-28 2020-06-29 주식회사 로코식스 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법
KR102133777B1 (ko) 2018-11-26 2020-07-14 동의대학교 산학협력단 입력된 체형정보를 기반으로 한 의류 추천 및 광고 방법
KR20200116830A (ko) * 2019-04-02 2020-10-13 허석영 개인 의류 코디 통합 서비스 시스템
KR102171968B1 (ko) * 2019-08-05 2020-10-30 김덕한 장신구 가상 착용 기기 및 장신구 가상 착용 프로그램
KR102224056B1 (ko) * 2019-10-07 2021-03-09 주식회사 예스나우 Ai 기반 착용감 예측 시스템 및 방법
KR102233394B1 (ko) 2018-12-07 2021-03-29 성인철 맞춤형 의류 코디네이션 및 구매 시스템 및 방법
KR102318952B1 (ko) 2021-03-31 2021-10-27 임정현 인공지능을 활용한 의류 추천 및 구매 방법, 장치 및 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102127562B1 (ko) 2018-05-28 2020-06-29 주식회사 로코식스 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법
KR102133777B1 (ko) 2018-11-26 2020-07-14 동의대학교 산학협력단 입력된 체형정보를 기반으로 한 의류 추천 및 광고 방법
KR102233394B1 (ko) 2018-12-07 2021-03-29 성인철 맞춤형 의류 코디네이션 및 구매 시스템 및 방법
KR20200116830A (ko) * 2019-04-02 2020-10-13 허석영 개인 의류 코디 통합 서비스 시스템
KR102171968B1 (ko) * 2019-08-05 2020-10-30 김덕한 장신구 가상 착용 기기 및 장신구 가상 착용 프로그램
KR102224056B1 (ko) * 2019-10-07 2021-03-09 주식회사 예스나우 Ai 기반 착용감 예측 시스템 및 방법
KR102318952B1 (ko) 2021-03-31 2021-10-27 임정현 인공지능을 활용한 의류 추천 및 구매 방법, 장치 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102503580B1 (ko) 2022-11-11 2023-02-24 김상희 인공지능 기반 개인화된 스타일링 정보 추천을 위한 메타버스 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102615605B1 (ko) 2023-07-20 2023-12-19 최수원 사용자 상호 작용 기반 스타일링 추천 및 라이프스타일아이템 판매 플랫폼 서비스 제공 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
KR102429572B1 (ko) 인공지능 기반 사용자 맞춤형 의류 및 스타일링 추천 방법, 장치 및 시스템
KR102520627B1 (ko) 상품을 추천하는 디바이스 및 방법
KR102468827B1 (ko) 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템
JP2019537120A (ja) 画像解析および予測に基づく視覚検索
KR102404511B1 (ko) 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템
US20120030062A1 (en) Enabling proxy shopping
CN110799980B (zh) 在线体验中的绘文字理解
US11853901B2 (en) Learning method of AI model and electronic apparatus
KR102550214B1 (ko) 인공지능 기반의 신체부위 및 상황별 스타일링 추천 시스템
KR102414937B1 (ko) 인공지능 기반 인플루언서 및 브랜드 매칭 방법, 장치 및 시스템
KR20200036680A (ko) 감정 정보 획득을 위한 전자 장치 및 방법
KR102461863B1 (ko) 개인화 스타일링 추천 시스템 및 방법
Sapna et al. Recommendence and fashionsence: Online fashion advisor for offline experience
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
KR102321106B1 (ko) 딥러닝을 이용한 영상 제작 방법 및 장치
KR102564996B1 (ko) 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템
KR102466020B1 (ko) 인공지능 기반 명품 정보 및 셀러의 자동 매칭 방법, 장치 및 시스템
KR102421684B1 (ko) 인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템
KR20220044711A (ko) 패션 정보 제공 방법, 장치 및 시스템
KR102568001B1 (ko) O2o 기반 사용자 맞춤형 온라인 수선 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102451690B1 (ko) 인공지능 기반 사용자 맞춤형 안경 제작 서비스 제공 방법
CN112488355A (zh) 基于图神经网络预测用户评级的方法和装置
KR102486510B1 (ko) 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102585901B1 (ko) 오픈마켓 게시 제품 컨텐츠 개선을 위한 방법 및 시스템
KR102596882B1 (ko) 안경 제공 방법 및 장치

Legal Events

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