KR102442988B1 - Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 - Google Patents
Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 Download PDFInfo
- Publication number
- KR102442988B1 KR102442988B1 KR1020200094160A KR20200094160A KR102442988B1 KR 102442988 B1 KR102442988 B1 KR 102442988B1 KR 1020200094160 A KR1020200094160 A KR 1020200094160A KR 20200094160 A KR20200094160 A KR 20200094160A KR 102442988 B1 KR102442988 B1 KR 102442988B1
- Authority
- KR
- South Korea
- Prior art keywords
- food
- user
- relationship
- network
- neural network
- Prior art date
Links
- 235000019640 taste Nutrition 0.000 title claims abstract description 52
- 235000013305 food Nutrition 0.000 claims abstract description 87
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012552 review Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 39
- 230000003749 cleanliness Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 235000019654 spicy taste Nutrition 0.000 description 4
- 238000010411 cooking Methods 0.000 description 3
- 239000002075 main ingredient Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 관한 것으로서, 서비스 리뷰 데이터를 수집하는 데이터 수집부; 수집된 데이터를 3차원 매트릭스 형태로 가공하되, 다수의 채널을 가지는 2차원 이미지들로 구성되고, 각 이미지의 픽셀값은 만족도 점수가 되도록 가공하는, 데이터 가공부; 가공된 데이터로 CNN 신경망을 학습시키고 분석하되, 상기 CNN 신경망의 입력은 다수의 채널을 가지는 2차원 이미지이고, 출력은 그룹으로 분류하는, 신경망 분석부; 신경망을 통해 각 사용자 또는 음식을 그룹으로 분류하고, 동일한 그룹에 속하는 사용자 또는 음식을 서로 링크로 연결하여 관계망을 형성하고, 사용자와 음식 간의 관계를 2차원 이미지의 픽셀값에 의해 설정하는, 관계망 형성부; 및, 상기 관계망을 이용하여, 추천을 요청하는 사용자(이하 질의 사용자)로부터 링크를 따라 탐색하여, 탐색된 음식을 추천하는 서비스 추천부를 포함하는 구성을 마련한다.
상기와 같은 시스템에 의하여, CNN 신경망으로 취향별 그룹을 세분하여 유사한 취향을 갖은 타인과의 취향 관계로부터 해당 사용자의 선호도를 예측함으로써, 보다 신뢰할 수 있는 추천 검색을 수행할 수 있고, 각종 산업에 적용 가능한 유의미한 데이터를 지속 가공 생산할 수 있다.
상기와 같은 시스템에 의하여, CNN 신경망으로 취향별 그룹을 세분하여 유사한 취향을 갖은 타인과의 취향 관계로부터 해당 사용자의 선호도를 예측함으로써, 보다 신뢰할 수 있는 추천 검색을 수행할 수 있고, 각종 산업에 적용 가능한 유의미한 데이터를 지속 가공 생산할 수 있다.
Description
본 발명은 불특정한 취향을 가진 다수의 사람들로부터 발생하는 원시데이터를 수집하여 특정 부분에 동일한 선호도를 갖는 취향 그룹군을 도출하는, CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 관한 것이다.
특히, 본 발명은 불특정 다수의 취향 관련 데이터를 수집하여 취향 정보로 가공하고, 가공된 정보들을 CNN 신경망을 활용하여 관련성이 있는 정보들을 그룹화하고, 도출된 그룹군을 바탕으로 관계망을 형성하고, 관계망을 기준하여 사용자들의 선호도를 예측하는, CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 관한 것이다.
일반적으로, 유명한 맛집이나 카페, 펜션, 술집 등을 알아보기 위해서는 인터넷을 통해 카페나 블로그를 검색하여 다른 이용자의 방문후기를 확인하고 방문할 매장을 선택하곤 한다. 그러나, 카페나 블로그 등에 게재된 글들은 홍보성이 짙은 내용이 담겨 있는 글들이 많이 등록되어 있기 때문에, 실제 고객이 직접 방문하고 다녀온 솔직한 후기를 제공받기 어려운 경우가 다수 있다.
또한, 각종 플랫폼(다이닝코드, 망고플레이트 등)들은 맛집을 추천하고 사용자에게 적합한 장소를 추천하는 방식으로 사용자를 유입하고, 사업주로부터 홍보비를 받는다. 그런데 이러한 추천은 잘 맞는 경우도 있지만 잘 맞지 않는 경우도 상당수다. 예를 들어, 최근 가장 화재가 되었던 백종원의 골목식당의 경우 역시 호불호가 갈려 종종 논란의 대상이 되기도 했다.
이러한 이유는 개인의 취향 기준이 없는 상황에 주변 데이터만으로 추천, 홍보가 이루어지기 때문이다. 이러한 이유로 많은 서비스 사업자, 요식업 사업자는 질적 홍보보다 양적 홍보에 집중할 수밖에 없으며, 막대한 금액의 홍보비를 지속 지출해야하는 악순환이 지속되고 있다.
이러한 문제점을 해결하고자, 각 소비자 개인의 취향에 맞는 아이템을 추천해주는 기술들이 제시되고 있다. 일례로서, 고객의 매장 선호도와 타 고객과의 연관성을 산출하여 연관성이 높은 고객 간을 매칭시켜 취향이 유사한 고객들이 선호할만한 공통된 매장을 선별하여 추천하는 기술이 제시되고 있다[특허문헌 1]. 또한, 웹툰 독자들의 구독 이력을 기반으로 미구독 웹툰에 대한 선호도를 추정하여 추천하는 기술[특허문헌 2]이나 도서 취향이 비슷한 사람들을 모아 선호 장르로 도서를 추천하는 기술[특허문헌 3]도 제시되고 있다[특허문헌 2].
그러나 상기 선행기술들은 해밍 가중치(Hamming weight) 방식, 행렬에 의한 링크 합산 값이나, k-means 클러스터링 방식 등 수학적 모델을 이용하여 그룹핑하거나 필터링한다. 따라서 추천 대상이나 데이터 수집 방식에 따라 적합한 수학적 모델을 선택해야 하므로, 일반적인 모델에 적용하기 어려우며 특히, 요식업의 추천에 적합하지 않다.
따라서 각 취향별 기준을 제시하고, 취향별 그룹을 세분해 유사한 취향을 갖은 타인과의 취향관계를 형성, 홍보가 아닌 경험에 의한 정보제공이 가능토록 할 수 있는 기술이 필요하다.
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 불특정 다수의 취향 관련 데이터를 수집하여 취향 정보로 가공하고, 가공된 정보들을 CNN 신경망을 활용하여 관련성이 있는 정보들을 그룹화하고, 도출된 그룹군을 바탕으로 관계망을 형성하고, 관계망을 기준하여 사용자들의 선호도를 예측하는, CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 관한 것으로서, 서비스 리뷰 데이터를 수집하는 데이터 수집부; 수집된 데이터를 3차원 매트릭스 형태로 가공하되, 다수의 채널을 가지는 2차원 이미지들로 구성되고, 각 이미지의 픽셀값은 만족도 점수가 되도록 가공하는, 데이터 가공부; 가공된 데이터로 CNN 신경망을 학습시키고 분석하되, 상기 CNN 신경망의 입력은 다수의 채널을 가지는 2차원 이미지이고, 출력은 그룹으로 분류하는, 신경망 분석부; 신경망을 통해 각 사용자 또는 음식을 그룹으로 분류하고, 동일한 그룹에 속하는 사용자 또는 음식을 서로 링크로 연결하여 관계망을 형성하고, 사용자와 음식 간의 관계를 2차원 이미지의 픽셀값에 의해 설정하는, 관계망 형성부; 및, 상기 관계망을 이용하여, 추천을 요청하는 사용자(이하 질의 사용자)로부터 링크를 따라 탐색하여, 탐색된 음식을 추천하는 서비스 추천부를 포함하는 것을 특징으로 한다.
또, 본 발명은 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 있어서, 상기 2차원 이미지의 2개 축의 중 하나는 음식을 분류하는 음식분류 항목을 나타내고, 다른 하나는 음식 평가를 분류하는 평가분류 항목을 나타내고, 각 평가항목은 음식분류 항목과, 평가분류 항목의 조합에 의한 항목인 것을 특징으로 한다.
또, 본 발명은 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 있어서, 상기 CNN 신경망은 사용자 또는 음식을 다수의 분야별로 그룹핑하여 분야별 그룹으로 출력하는 것을 특징으로 한다.
또, 본 발명은 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 있어서, 상기 관계망은 노드와 링크로 구성되고, 노드는 사용자 또는 음식으로 할당되고, 링크는 노드를 연결하고, 2개의 노드가 동일한 그룹에 속하면 2개의 노드는 서로 링크로 연결되고, 링크는 동일한 그룹의 분야에 해당하는 분야 속성을 가지는 것을 특징으로 한다.
또, 본 발명은 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 있어서, 사용자 노드와 음식 노드 간의 링크는 평가항목의 2차원 이미지의 통계 점수에 의해 연결되고, 평가항목의 통계 점수에 비례하여 가중치가 설정되는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 의하면, CNN 신경망으로 취향별 그룹을 세분하여 유사한 취향을 갖은 타인과의 취향 관계로부터 해당 사용자의 선호도를 예측함으로써, 보다 신뢰할 수 있는 추천 검색을 수행할 수 있고, 각종 산업에 적용 가능한 유의미한 데이터를 지속 가공 생산할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템의 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 3차원 데이터의 구조를 나타낸 도면.
도 4 및 도 5는 본 발명의 일실시예에 따른 3차원 데이터에 대한 예시 구성도.
도 6은 본 발명의 일실시예에 따른 2차원 데이터의 평가항목에 대한 구성을 나타낸 그래프.
도 7은 본 발명의 일실시예에 따른 CNN 신경망에 대한 구성도.
도 2는 본 발명의 일실시예에 따른 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 3차원 데이터의 구조를 나타낸 도면.
도 4 및 도 5는 본 발명의 일실시예에 따른 3차원 데이터에 대한 예시 구성도.
도 6은 본 발명의 일실시예에 따른 2차원 데이터의 평가항목에 대한 구성을 나타낸 그래프.
도 7은 본 발명의 일실시예에 따른 CNN 신경망에 대한 구성도.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템의 구성을 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명을 실시하기 위한 전체 시스템은 사용자가 사용하는 스마트폰 등 사용자 단말(10), 사용자 단말(10)에 설치된 주문관리 앱(20), 판매자가 사용하는 판매자 단말(50), 및, 주문을 처리하거나 추천하는 주문관리 서버(30)로 구성된다. 주문관리 서버(30)는 사용자 단말(10), 또는, 업소 단말(50)과, 인터넷 등 네트워크(80)를 통해 서로 연결된다.
먼저, 사용자 단말(10)은 사용자가 이용하는 모바일 단말로서, 스마트폰, 패블릿, 태블릿PC 등 통상의 컴퓨팅 기능을 구비한 단말이다. 특히, 사용자 단말(10)은 어플리케이션 또는, 모바일용 어플리케이션(또는 앱, 어플) 등이 설치되어 실행될 수 있는 단말이다.
사용자 단말(10)에는 주문관리 앱(20) 등이 설치될 수 있다. 사용자는 사용자 단말(10)에 설치된 주문관리 앱(20)을 이용하여 주문관리 서버(30)의 주문 처리, 주문 추천 등 서비스를 이용할 수 있다.
또한, 주문관리 앱(20)은 상점 선택 기능, 음식 주문 기능, 결제 기능 등을 구비한다. 즉, 주문관리 앱(20)은 사용자의 입력에 의하여, 주문관리 서버(30)에 연동하여, 상점을 선택하고 음식을 주문하고 결제를 수행한다.
또한, 주문관리 앱(20)은 음식 서비스에 대한 리뷰 작성을 사용자에게 요청하고, 사용자로부터 리뷰 데이터를 입력받는다. 주문관리 앱(20)은 입력받은 리뷰 데이터를 수집하여 주문관리 서버(30)로 전송한다.
이때, 리뷰 데이터는 평가 대상 항목, 선호도 점수 등으로 구조화된 데이터로 입력받는다.
한편, 사용자 단말(10) 또는 주문관리 앱(20)은 음식을 주문하는 당사자 외에도 일반 사용자도 사용할 수 있다. 특히, 일반 사용자 또는 비결제 사용자는 음식이나 상점(음식점, 업소 등)에 대한 평가 또는 만족도 등을 입력하여 등록할 수 있다.
다음으로, 판매자 단말(50)은 판매자가 이용하는 컴퓨팅 단말로서, PC, 노트북, 스마트폰, 패블릿, 태블릿PC 등 통상의 컴퓨팅 기능을 구비한 단말이다.
판매자 단말(50)은 웹브라우저 등이 설치되거나 주문처리 전용 앱 등이 설치되고, 관리자는 웹브라우저 또는 주문처리 앱 등을 통해 주문관리 서버(30)에서 제공하는 주문관리 서비스에 접속하여 주문관리 서비스를 이용할 수 있다.
다음으로, 주문관리 서버(30)는 통상의 어플리케이션 서버로서, 주문 접수, 주문 처리, 음식 추천 등의 작업을 수행하고, 이러한 주문관리 서비스를 제공한다. 특히, 주문관리 서버(30)는 주문관리 앱(20) 및 판매자 단말(50)과 연동하여, 해당 주문관리 서비스를 처리한다.
특히, 주문관리 서버(30)는 사용자 또는 주문관리 앱(20)으로부터, 각 사용자의 만족도 데이터를 수집하여, 3차원 매트릭스 형태로 데이터(이하 3차원 취향 데이터)를 가공한다.
또한, 주문관리 서버(30)는 CNN(Convolution Neural Network, 합성곱 신경망) 신경망을 구비하고, 3차원 매트릭스 형태로 가공된 데이터로 해당 신경망을 학습시킨다. CNN 신경망은 3차원 취향 데이터를 입력받아 취향 그룹을 출력한다.
또한, 주문관리 서버(30)는 도출된 그룹군을 바탕으로 관계망을 형성하고, 유사한 사용자를 취향에 의해 그룹핑한다.
그리고 주문관리 서버(30)는 사용자의 취향 그룹을 검색하고, 검색된 취향 그룹의 음식 또는 상점을 추출하고, 추출된 음식 또는 상점을 추천한다.
한편, 주문관리 서버(30)와, 주문관리 앱(20)은 통상의 서버와 클라이언트의 구성 방법에 따라 구현될 수 있다. 즉, 전체 시스템의 기능들을 클라이언트의 성능이나 서버와 통신량 등에 따라 분담될 수 있다. 일례로서, 주문관리 앱(20)은 단순한 인터페이스 기능만을 수행하고, 주문관리 서버(30)가 데이터 가공, CNN 기반 분석, 취향 추천 등의 대부분의 작업을 수행하도로 구성될 수 있다. 또 다른 예로서, 주문관리 앱(20)이 데이터의 입력 및 데이터의 가공 작업 등을 수행하고, 주문관리 서버(30)는 CNN 신경망을 이용한 분석 작업만 수행할 수도 있다. 이하에서는 취향 관계망 생성 시스템으로 설명하나, 서버-클라이언트의 구성 방법에 따라 다양한 분담 형태로 구현될 수 있다.
다음으로, 본 발명의 일실시예에 따른 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템(300)의 구성을 도 3을 참조하여 설명한다.
본 발명의 일실시에 따른 취향관계망 생성 시스템(300)은 주문관리 앱(20) 등 클라이언트와, 주문관리 서버(30) 등으로 구성되어 서버-클라이언트 시스템으로 구현된다.
도 3에서 보는 바와 같이, 본 발명의 일실시예에 따른 주문관리 시스템(300)은 서비스 리뷰 데이터를 수집하는 데이터 수집부(31), 수집된 데이터를 3차원 매트릭스 형태로 가공하는 데이터 가공부(32), 가공된 데이터로 CNN 신경망을 학습시키고 분석하는 신경망 분석부(33), 신경망을 통해 분류된 그룹군으로 관계망을 형성하는 관계망 형선부(34), 및, 사용자에게 추천 서비스를 제공하는 서비스 추천부(35)로 구성된다. 또한, 추가적으로, 합성곱 신경망(CNN)(38) 및, 관계망(39)을 더 포함하여 구성된다.
먼저, 데이터 수집부(31)는 사용자의 직접, 간적 경험을 통해 취향 데이터(또는 리뷰 데이터)를 수집한다.
사용자는 요식 서비스를 직접 제공받은 후 서비스에 대한 리뷰를 등록하거나, 요식 서비스를 직접 제공받지 않더라도 서비스에 대한 리뷰를 등록할 수 있다. 데이터 수집부(31)는 상기와 같이 사용자에 의해 등록된 리뷰 데이터를 수집한다.
구체적으로, 요식업 비대면 주문 결제 시스템인 경우, 모바일 어플리케이션을 통해 키오스크와 같이 주문 결제를 수행한다. 사용자가 주문, 결제 후 자신의 경험을 리뷰처럼 입력해 관리할 수 있도록 리뷰 서비스를 제공한다.
또한, 결제하지 않다 하더라도 사용자의 리스트를 작성할 수 있는 서비스를 제공하여, 사용자의 플랫폼 내 비결제 취향 데이터를 등록하도록 리뷰 서비스를 제공한다.
한편, 리뷰 데이터는 평가 대상, 평가 항목, 선호도(또는 만족도) 점수 등으로 구조화되어 구성된다. 즉, 데이터 수집 방식은 서비스 경험 후, 맛, 청결, 가격 등에 대한 만족도를 1-10의 지정 범위 입력 방식으로 수집한다.
평가 대상은 음식, 음식 종류, 업체명(식당 이름) 등이 될 수 있다. 또한, 평가 항목은 맛, 청결, 가격 등으로 세분화될 수 있다. 또한, 만족도(또는 선호도)는 다수의 등급으로 구분되어, 등급으로 입력된다. 일례로서, 만족도는 1-10 등 10개의 등급으로 구분하여 설정된다.
다음으로, 데이터 가공부(32)는 수집된 데이터를 3차원 매트릭스 형태로 가공한다.
한편, 도 3에서 보는 바와 같이, 3차원 매트릭스 형태의 구조는 3차원 이미지 또는 3차원 이미지 데이터로 구성되는데, 특히, 다수의 채널을 가지는 2차원 이미지들로 구성된다. 이때, 하나의 채널의 2차원 이미지는 W×H 해상도를 갖는다. 또한, 채널(C)의 개수를 L개로 구성한다.
도 4와 같이, 평가 대상의 만족도(또는 선호도)를 2차원 이미지로 구성한다. 즉, 위치 좌표 (x,y)는 평가항목에 해당하고, 좌표 (x,y)의 픽셀값은 해당 평가항목의 만족도 점수로 설정된다.
도 5에서 보는 바와 같이, 평가 항목은 2차원 좌표로 구성되며, 각 좌표 축은 각각 음식의 분류(종류 등)와 평가 분류(맛 등)을 나타낼 수 있다.
일례로서, x축에는 음식 분류에 대한 정보(이하 음식분류 항목)가 들어간다. 예를 들어, 음식분류 항목은 메인 재료, 조리 방식 등이다. 즉, 음식 분류는 음식을 구분하고 분류하는 항목들을 나타낸다.
또한, 도 6과 같이, x축의 항목(음식분류의 항목)으로 대, 중, 소로 분류될 수 있다. 대분류는 주재료 유형을 나타내고, 중분류는 주재료 종류를 나타내고, 소분류는 조리 방식으로 나타난다.
또한, y축에는 음식의 평가 분류에 대한 정보(이하 평가분류 항목)가 들어간다. 예를 들어, 평가분류 항목은 매운 맛, 단말, 양, 서비스 품질, 청결도, 매장 주변 경관 등으로 구성될 수 있다. 평가 분류는 평가 관점을 구분하고 분류하는 항목들을 나타낸다.
이때, 데이터를 변환하기 앞서 요식업의 경우 업종(음식점업, 휴게음식점업 등), 요식업의 종류(양식, 중식, 일식 등), 주메뉴(육류, 어류 등), 조리방식(구이, 튀김 등), 맛(단맛, 짠맛, 쓴맛 등) 등과 같이 취향을 정의하기 위한 데이터 테이블을 정의하고 3차원 데이터 매트릭스 형태로 가공한다.
즉, 각 평가 항목은 음식분류 항목(x 좌표)과, 평가분류 항목(y 좌표)의 조합으로 구성된다.
또한, 축 x,y를 기준으로 2차원 방식의 테이블을 구현하고, 업체별로 해당 표를 누적하여 3차원 형태의 데이터가 된다. 또한, 각 사용자 별로 해당 3차원 데이터를 가지게 되며, 이 3차원 데이터들을 CNN(합성곱 신경망) 방식을 통해 그룹화 한다. 따라서 하나의 2차원 이미지는 특정 사용자와, 특정 음식(또는 음식점)에 해당하는 평가항목들을 나타낸다.
또한, 만족도 점수는 픽셀 범위에 의해 정규화될 수 있다. 즉, 픽셀값은 0~255를 가지므로, 만족도 점수 1~10를 픽셀값 0~255 범위로 비례적으로 매핑시킬 수 있따. 특히, 만족도 점수는 0을 더 포함하는데, 0의 의미는 만족도 점수를 없거나, 해당 항목이 없는 경우를 나타내기 위한 것이다. 따라서 만족도 점수 0~10을 픽셀값 0~255 범위로 비례적으로 매핑시킨다. 즉, 일례로서, 만족도 점수 0은 픽셀값 0으로, 만족도 점수 10은 픽셀값 255 등으로 매핑시킨다.
한편, 2차원 이미지에서 매핑되어 설정되는 않는 픽셀(평가항목이 없는 경우나 만족도 점수가 없는 경우)은 모두 0으로 패딩 처리한다. 바람직하게는, 해당 픽셀 값을 0으로 설정하여 처리한다.
또한, 채널(C)은 측정 대상으로서, 사용자와 음식의 각 조합을 나타낸다.
다음으로, 신경망 분석부(33)는 3차원 데이터 매트릭스 형태로 가공된 데이터를 CNN 신경망을 학습시키고, 이를 활용하여 분석한다.
즉, 각 개개인의 다양한 취향 데이터를 최초 정의한 취향 데이터 테이블을 기준하여 분류하고 분석한다. 즉, 신경망을 이용하여, 해당 사용자의 가공된 취향 데이터가 어떤 그룹에 속하는지를 분석한다.
신경망을 사용하지 않은 정적 분석의 경우, ‘가’업체에 ‘갑’이라는 사람이 방문하여 리뷰데이터를 남겼을 때, 오직‘가’업체에 대한 ‘갑’의 선호도를 알 수 있다. 그러나, 본 발명에 따른 시스템은, 신경망을 이용한 분석으로 도출된 그룹 값을 이용하므로, 취향이 각기 다른 여러 사람들과 그 사람들이 방문한 많은 여러 업체들에 대한 선호도를 파악할 수 있다.
또한, ‘을’의 데이터가 입력되었을 때, 분석 후 도출된 ‘을’의 그룹 값을 통하여 ‘가’업체 혹은 ‘나’, ‘다’ 업체에서 만족할 수 있는 취향인지 파악할 수 있다.
도 7에서 보는 바와 같이, CNN 신경망의 입력은 가공된 3차원 데이터이고, 출력은 사용자의 그룹군으로 구성된다. 즉, 신경망의 출력은 해당 3차원 데이터가 은닉층으로 이루어진 신경망 레이어를 통과하여 특정 값의 형태로 출력된다. 이때, 출력된 특정 값은 해당 3차원 데이터의 사용자 또는 음식(또는 음식점)에 대한 그룹군이 된다.
특히, 그룹은 다수의 분야별로 그룹핑 된다. 분야는 맛, 양, 가격, 청결 등으로 그룹핑할 분야가 사전에 설정된다. 그리고 각 분야별로 사용자 또는 음식(음식점)에 대해 그룹핑을 수행한다.
한편, 학습을 위한 테스트 대상 데이터는 실험을 위한 소그룹(ABROSS 팀원 및 체험단 등)의 취향을 토대로 레이블링을 위한 그룹군을 만든다. 또한, 적절한 수의 그룹 크기와 뉴런의 활성함수(ReLU 등)를 설정하고, 임계값 및 편향을 정하여 학습모델을 실험하여 적중률이 높은 모델을 사용한다.
따라서 CNN 신경망이 학습된 후, 특정 사용자의 특정 음식(음식점)에 대한 평가 항목의 2차원 이미지를 해당 CNN 신경망에 입력하면, 해당 사용자와 해당 음식의 조합이 속하는 분야별 그룹(또는 그룹군)이 출력된다.
다음으로, 관계망 형성부(34)는 앞서 도출된 그룹군을 바탕으로 관계망을 형성한다. 즉, 각 사용자 또는 각 음식들에 대한 2차원 이미지(평가항목 이미지)를 신경망에 입력시켜, 해당 사용자 또는 음식들의 그룹을 출력하여 분류하고, 분류된 그룹에 의해 관계망을 형성한다.
관계망이란 CNN 신경망을 통해 도출된 사용자들의 그룹 관계, 음식(음식점)들의 그룹 관계, 및, 사용자와 음식 간의 선호 관계를 나타낸다.
구체적으로, 관계망은 노드와 링크로 구성된다. 노드는 사용자 또는 음식이 할당되고, 링크는 노드들을 연결한다. 이때, 2개의 노드가 동일한 그룹에 속하는 경우, 2개의 노드는 서로 링크로 연결된다. 또한, 링크는 분야 속성을 가진다. 즉, 2개의 노드가 동일하게 속하는 그룹의 분야가 해당 링크의 분야 속성으로 설정된다.
또한, 맛 기호도(맛 분야)에 따른 분류, 분위기 기호도(분위기 분야)에 따른 분류, 청결도 기호도(청결도 분야)에 따른 분류 등 분류된 타입(종류)을 기준으로 그룹군을 바탕으로 관계망을 형성한다.
음식의 ‘특정한 맛’, ‘가격’, ‘양’적 취향에 있어서 동일한 그룹을 도출하고, 사용자의 요구에 맞는 업체를 추천해 줄 수 있다.
예를 들어, 사용자 A와 B과 다음과 같이 동일한 그룹으로 분류되는 경우를 설명한다.
A와 B는 많은 양을 먹는다. [ 양의 동일 그룹 ]
A와 C는 매운 맛을 좋아한다. [ 매운 맛의 동일 그룹 ]
B와 C는 저렴한 가격을 선호한다. [ 선호 가격대의 동일 그룹 ]
A와 B는 청결한 곳을 좋아한다 [ 청결도에 대한 동일 그룹 ]
이 경우, 노드 A와 B는 서로 링크로 연결되고, 링크의 분야 속성은 <양>과 <청결도>를 가진다. 또한, 노드 A와 C는 <매운 맛> 분야의 속성을 가진 링크로 연결된다. 또한, 노드 B와 C는 <가격> 분야의 속성을 가진 링크로 연결된다.
이 경우, 사용자 A에게는 사용자 B가 선호하는 업체를 좋아할 확률이 높으며, A와 B는 양과 청결도에 대한 관계로 이루어져 있다.
위의 예는 사용자들의 그룹 관계를 나타내는 관계망을 설명하고 있다.
음식들의 그룹 관계도 상기 사용자들의 그룹 관계의 관계망과 같은 형태로 형성한다. 즉, 음식들의 3차원 데이터를 CNN 신경망에 입력하여 분야별 그룹으로 분류되면, 동일한 분야 그룹에 속하는 음식들 간에 링크로 연결시킨다. 이때, 링크의 분야 속성은 해당 그룹의 분야로 설정된다.
또한, 사용자 노드와 음식 노드 간의 링크는 평가항목의 2차원 이미지(또는 이미지의 픽셀값)에 의해 설정된다. 즉, 2차원 이미지는 해당 사용자 노드와 해당 음식 노드 간의 만족도 점수(픽셀값)를 2차원 평가항목 별로 평가한 점수이다. 따라서 2차원 이미지가 전체적으로 점수가 높다면 해당 사용자는 해당 음식을 선호한다는 것을 나타낸다.
따라서 2차원 평가항목의 통계 점수가 사전에 정해진 기준치 이상이면, 해당 사용자 노드와 해당 음식 노드를 서로 연결시켜 선호 관계를 생성한다.
또는, 각 링크에 가중치를 부여할 수 있다. 링크의 가중치는 평가항목의 통계 점수를 비례적으로 적용한다. 즉, 통계 점수와 가중치는 비례 관계를 갖는다.
다음으로, 서비스 추천부(35)는 사용자에게 추천 서비스를 제공한다.
즉, 취향(맛, 분위기, 청결도 등)이 유사한 사용자끼리 그룹을 형성 후 가장 유사한 사용자가 경험했으나 자신이 경험하지 않은 서비스를 지속 추천받고, 해당 사용자의 좋은 경험을 구독할 수 있도록 관계망을 구축하여 서비스 제공한다.
구체적으로, 서비스 추천부(35)는 관계망을 이용하여 음식을 추천한다. 즉, 추천을 요청하는 사용자(이하 질의 사용자) 노드와 연결된 링크를 따라 음식을 탐색하여 선택한다. 즉, 질의 사용자 노드와 연결된 다른 사용자 노드로 탐색하고, 탐색된 사용자 노드와 링크로 연결된 음식들을 탐색하여, 탐색된 음식을 추출하여 추천한다.
또한, 서비스 추천부(35)는 탐색된 사용자의 선호 음식을 탐색할 때, 해당 사용자와 음식 간의 링크의 가중치를 고려하여 가장 높은 가중치를 가지는 음식을 탐색할 수 있다.
또한, 서비스 추천부(35)는 탐색된 음식에서, 음식 간의 관계망을 이용하여, 서로 연결된 다른 음식을 탐색할 수 있다.
또한, 서비스 추천부(35)는 사용자의 선호 분야를 입력받는 경우, 해당 선호 분야의 링크를 이용하여 탐색할 수 있다. 예를 들어, 질의 사용자가 "가격" 분야를 최우선으로 한다면, 사용자 간 링크 또는 음식 간 링크로 탐색할 때, 가격 분야 링크가 연결된 사용자 또는 음식을 탐색한다.
이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 사용자 단말 20 : 주문관리 앱
30 : 주문관리 서버 50 : 판매자 단말
80 : 네트워크
30 : 주문관리 서버 50 : 판매자 단말
80 : 네트워크
Claims (5)
- CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템에 있어서,
서비스 리뷰 데이터를 수집하는 데이터 수집부;
수집된 데이터를 3차원 매트릭스 형태로 가공하되, 다수의 채널을 가지는 2차원 이미지들로 구성되고, 각 이미지의 픽셀값은 만족도 점수가 되도록 가공하는, 데이터 가공부;
가공된 데이터로 CNN 신경망을 학습시키고 분석하되, 상기 CNN 신경망의 입력은 다수의 채널을 가지는 2차원 이미지이고, 출력은 그룹으로 분류하는, 신경망 분석부;
신경망을 통해 각 사용자 또는 음식을 그룹으로 분류하고, 동일한 그룹에 속하는 사용자 또는 음식을 서로 링크로 연결하여 관계망을 형성하고, 사용자와 음식 간의 관계를 2차원 이미지의 픽셀값에 의해 설정하는, 관계망 형성부; 및,
상기 관계망을 이용하여, 추천을 요청하는 사용자(이하 질의 사용자)로부터 링크를 따라 탐색하여, 탐색된 음식을 추천하는 서비스 추천부를 포함하고,
상기 CNN 신경망은 사용자 또는 음식을 다수의 분야별로 그룹핑하여 분야별 그룹으로 출력하고,
상기 관계망은 노드와 링크로 구성되고, 노드는 사용자 또는 음식으로 할당되고, 링크는 노드를 연결하고, 2개의 노드가 동일한 그룹에 속하면 2개의 노드는 서로 링크로 연결되고, 링크는 동일한 그룹의 분야에 해당하는 분야 속성을 가지고,
상기 관계망은 상기 CNN 신경망을 통해 도출된 사용자들의 그룹 관계, 상기 CNN 신경망을 통해 도출된 음식들의 그룹 관계, 및, 사용자와 음식 간의 선호 관계에 의해 링크가 연결되고,
상기 링크는 분야 속성을 가지되, 2개의 노드가 동일하게 속하는 그룹의 분야가 해당 링크의 분야 속성으로 설정되고,
상기 사용자와 음식 간의 선호관계는 2차원 이미지의 픽셀값에 의해 설정되되, 해당 픽셀값이 사전에 정해진 기준치 이상이면 해당 사용자와 해당 음식 간의 선호 관계가 생성되고,
상기 서비스 추천부는 상기 질의 사용자의 노드와 연결된 링크를 따라 음식을 탐색하고, 상기 질의 사용자의 노드와 연결된 다른 사용자 노드로 탐색하고 탐색된 사용자 노드와 링크로 연결된 음식들을 탐색하고, 탐색된 음식에서 음식 간의 관계망을 이용하여 서로 연결된 다른 음식을 탐색하고,
상기 서비스 추천부는 사용자의 선호 분야를 입력받아, 해당 선호 분야의 링크를 이용하여 탐색하는 것을 특징으로 하는 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템.
- 제1항에 있어서,
상기 2차원 이미지의 2개 축의 중 하나는 음식을 분류하는 음식분류 항목을 나타내고, 다른 하나는 음식 평가를 분류하는 평가분류 항목을 나타내고, 각 평가항목은 음식분류 항목과, 평가분류 항목의 조합에 의한 항목인 것을 특징으로 하는 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템.
- 삭제
- 삭제
- 제1항에 있어서,
사용자 노드와 음식 노드 간의 링크는 평가항목의 2차원 이미지의 통계 점수에 의해 연결되고, 평가항목의 통계 점수에 비례하여 가중치가 설정되는 것을 특징으로 하는 CNN 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200094160A KR102442988B1 (ko) | 2020-07-29 | 2020-07-29 | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200094160A KR102442988B1 (ko) | 2020-07-29 | 2020-07-29 | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220014499A KR20220014499A (ko) | 2022-02-07 |
KR102442988B1 true KR102442988B1 (ko) | 2022-09-13 |
Family
ID=80253314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200094160A KR102442988B1 (ko) | 2020-07-29 | 2020-07-29 | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102442988B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102532221B1 (ko) * | 2023-01-11 | 2023-05-16 | (주)블루콘텐츠 | Xr 및 ar을 활용한 메타버스 환경 기반 캐릭터 연계 여행 체험 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101872733B1 (ko) * | 2017-06-14 | 2018-06-29 | 조선대학교산학협력단 | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101755653B1 (ko) | 2016-07-28 | 2017-07-11 | 주식회사 탑코 | 사용자 맞춤형 웹툰 자동 추천 시스템 및 방법 |
US11164071B2 (en) * | 2017-04-18 | 2021-11-02 | Samsung Electronics Co., Ltd. | Method and apparatus for reducing computational complexity of convolutional neural networks |
KR20190061130A (ko) * | 2017-11-27 | 2019-06-05 | 서울대학교산학협력단 | 소셜 네트워크 정보와 레이팅 정보를 활용한 설명가능하고 정확한 추천 방법 및 추천 시스템 |
KR102005289B1 (ko) | 2018-01-08 | 2019-07-31 | (주)소프트기획 | 매장 및 고객 간의 유사도를 기반으로 한 매장 추천 서비스 제공 시스템 |
KR102062586B1 (ko) * | 2018-01-09 | 2020-01-06 | 주식회사 룰루랩 | 화장품 관련 리뷰 데이터 기반 화장품 추천 시스템 및 화장품 추천 방법 |
KR20200057209A (ko) | 2018-11-16 | 2020-05-26 | 이윤열 | K-means Clustering을 활용한 맞춤형 도서를 추천하는 방법 및 그 장치 |
-
2020
- 2020-07-29 KR KR1020200094160A patent/KR102442988B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101872733B1 (ko) * | 2017-06-14 | 2018-06-29 | 조선대학교산학협력단 | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20220014499A (ko) | 2022-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562818B (zh) | 信息推荐系统及方法 | |
EP2304619B1 (en) | Correlated information recommendation | |
KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
KR100961783B1 (ko) | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 | |
CN112015998B (zh) | 一种基于用户画像的商品推荐方法 | |
KR101712591B1 (ko) | 감성기반 사용자특성 분석을 이용한 개인화된 광고 제공 서비스 방법 | |
CN107220852A (zh) | 用于确定目标推荐用户的方法、装置和服务器 | |
CN108022152A (zh) | 基于图像识别的用户商品自动推荐系统及推荐方法 | |
JP2011039909A (ja) | 提示情報の最適化方法及びシステム | |
CN108429776B (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
KR20020072939A (ko) | 인터넷 쇼핑 에이전트에서의 다이알로그 마이닝 기법을이용한 개인화된 구매의사결정 지원과 마케팅 정보 추출방법 | |
KR102518389B1 (ko) | 고객 빅데이터를 활용한 상품 추천 방법, 장치 및 시스템 | |
KR102538398B1 (ko) | 빅데이터 기반의 그룹 단위의 상품 추천 방법, 장치 및 시스템 | |
KR20220117425A (ko) | 빅데이터를 활용한 시장성 분석 및 사업화방법론 분석 시스템 | |
US11887161B2 (en) | Systems and methods for delivering content to mobile devices | |
KR101026544B1 (ko) | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 | |
KR20220001616A (ko) | 통합 고객 식별자 생성을 기반으로 하는 고객 빅데이터 구축 방법, 장치 및 시스템 | |
KR102442988B1 (ko) | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 | |
KHALID et al. | Design and implementation of clothing fashion style recommendation system using deep learning. | |
Wang et al. | A reliable location design of unmanned vending machines based on customer satisfaction | |
KR20220014543A (ko) | 이용자와 판매자의 자발적 참여로 선순환 연결되는 온라인 플랫폼의 방법과 시스템 | |
Diwandari et al. | Analysis of customer purchase behavior using association rules in e-shop | |
KR100521752B1 (ko) | 가맹점으로 회원 고객의 고객관리정보를 제공하는고객정보 제공시스템 및 그 방법 | |
KR102576123B1 (ko) | 제품 공동구매 연계 시스템 및 방법 | |
Coba et al. | Decision Making Based on Bimodal Rating Summary Statistics-An Eye-Tracking Study of Hotels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |