KR102451270B1 - 화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 - Google Patents

화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 Download PDF

Info

Publication number
KR102451270B1
KR102451270B1 KR1020190179863A KR20190179863A KR102451270B1 KR 102451270 B1 KR102451270 B1 KR 102451270B1 KR 1020190179863 A KR1020190179863 A KR 1020190179863A KR 20190179863 A KR20190179863 A KR 20190179863A KR 102451270 B1 KR102451270 B1 KR 102451270B1
Authority
KR
South Korea
Prior art keywords
electronic device
information
cosmetic
data
database
Prior art date
Application number
KR1020190179863A
Other languages
English (en)
Other versions
KR20210086137A (ko
Inventor
엄태웅
김동현
Original Assignee
주식회사 아트랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아트랩 filed Critical 주식회사 아트랩
Priority to KR1020190179863A priority Critical patent/KR102451270B1/ko
Publication of KR20210086137A publication Critical patent/KR20210086137A/ko
Application granted granted Critical
Publication of KR102451270B1 publication Critical patent/KR102451270B1/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
    • A—HUMAN NECESSITIES
    • A45—HAND OR TRAVELLING ARTICLES
    • A45D—HAIRDRESSING OR SHAVING EQUIPMENT; EQUIPMENT FOR COSMETICS OR COSMETIC TREATMENTS, e.g. FOR MANICURING OR PEDICURING
    • A45D44/00—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms
    • 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
    • A—HUMAN NECESSITIES
    • A45—HAND OR TRAVELLING ARTICLES
    • A45D—HAIRDRESSING OR SHAVING EQUIPMENT; EQUIPMENT FOR COSMETICS OR COSMETIC TREATMENTS, e.g. FOR MANICURING OR PEDICURING
    • A45D44/00—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms
    • A45D2044/007—Devices for determining the condition of hair or skin or for selecting the appropriate cosmetic or hair treatment

Landscapes

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

Abstract

다양한 실시예들에 따른, 전자 장치는, 통신 회로, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리, 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 제1 데이터를 획득하고, 상기 제1 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.

Description

화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체{ELECTRONIC DEVICE, METHOD, AND COMPUTER READABLE MEDIUM FOR MARKETING COSMETIC}
후술되는 다양한 실시예들은 인공 신경망(artificial neural network)을 이용하여 화장품을 마케팅 하기 위한 기술에 관한 것이다.
인공 신경망(artificial neural network)은 컴퓨팅 단위에 해당하는 뉴런 여러 개가 가중화된 링크로 연결된 형태일 수 있으며, 여기서, 가중화된 링크는 주어진 환경에 적응할 수 있도록 가중치를 조정할 수 있다.
한편, 인공 신경망은, 자기 조직화 지도(SOM, self-organizing map), 순환 신경망(RNN, recurrent neural network), 콘볼루젼 신경망(CNN, convolutional neural network), 그래프 신경망 (GNN, graph neural network), 깊은 신경망(DNN, deep neural network)와 같은 다양한 모델들을 총칭하는 용어로 참조될 수 있다.
화장품 시장의 제품 연구는 일반적으로 소비자의 선호도 정보와 독립적으로 수행되고 있다. 따라서, 인공 신경망을 이용하여, 개발된 화장품의 타겟 소비자를 탐색하거나, 타겟 소비자에 대한 정보를 이용하여 해당 소비자에게 적합한 화장품 제품을 추천하기 위한 방안이 화장품 시장에서 요구될 수 있다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예들에 따른, 전자 장치는, 통신 회로, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리, 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 제1 데이터를 획득하고, 상기 제1 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.
다양한 실시예들에 따른, 전자 장치는 통신 회로, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리, 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 제1 데이터를 획득하고, 상기 제1 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.
다양한 실시예들에 따른, 비일시적 컴퓨터 판독 가능 저장 매체는 통신 회로를 가지는 전자 장치의 하나 이상의 프로세서들에 의해 실행될 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 데이터를 획득하고, 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록, 상기 전자 장치를 야기하는 인스트럭션들을 포함하는 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따른, 비일시적 컴퓨터 판독 가능 저장 매체는, 통신 회로를 가지는 전자 장치의 하나 이상의 프로세서들에 의해 실행될 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 데이터를 획득하고, 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록, 상기 전자 장치를 야기하는 인스트럭션들을 포함하는 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따른, 전자 장치의 방법은 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하는 동작, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하는 동작, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하는 동작, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 데이터를 획득하는 동작, 및 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하는 동작을 포함할 수 있다.
다양한 실시예들에 따른, 전자 장치의 방법은, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하는 동작, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하는 동작, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하는 동작, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 데이터를 획득하는 동작, 및 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하는 동작을 포함할 수 있다.
다양한 실시예들에 따른 전자 장치, 방법, 및 컴퓨터 판독 가능 매체는, 화장품을 선호할 것으로 추정되는 소비자를 인공 신경망을 이용하여 검색함으로써 화장품 마케팅을 위한 자원 효율성을 향상시킬 수 있다.
다양한 실시예들에 따른 전자 장치, 방법, 및 컴퓨터 판독 가능 매체는, 타겟 소비자를 위해 적합한 화장품을 추천함으로써 자원 효율성을 향상시킬 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 다양한 실시예들에 따른, 전자 장치들을 포함하는 환경의 예를 도시한다.
도 2는 다양한 실시예들에 따른 전자 장치의 간소화된 블록도이다.
도 3은 다양한 실시예들에 따른 전자 장치의 간소화된 블록도이다.
도 4는 인공 신경망을 이용하여 타겟 화장품에 대한 정보에 대응하는 후보 소비자 군에 대한 정보를 제공하는 방법을 도시한다.
도 5는 복수의 화장품들에 대한 제품 정보를 나타내는 화면의 예를 도시한다.
도 6은 카테고리 별 화장품 제품 간 유사성을 나타내는 화면의 예를 도시한다.
도 7은 타겟 소비자에 대한 정보를 표시하는 화면의 예를 도시한다.
도 8은 인공 신경망을 이용하여 타겟 소비자에 대응하는 후보 제품 군에 대한 정보를 제공하는 방법을 도시한다.
도 9는 타겟 소비자에 대한 정보를 설정하는 화면의 예를 도시한다.
도 10은 외부 전자 장치로부터 수신되는 정보에 따라 제1 데이터 또는 제2 데이터를 송신하는 방법을 도시하는 흐름도이다.
도 11은 인공 신경망의 트레이닝 또는 추론 동안 특징값들로부터 정규화된 값들을 획득하는 방법을 도시하는 흐름도이다.
본 개시에서 사용되는 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 개시에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 개시에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 개시에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 개시에서 정의된 용어일지라도 본 개시의 실시 예들을 배제하도록 해석될 수 없다.
이하에서 설명되는 본 개시의 다양한 실시 예들에서는 하드웨어적인 접근 방법을 예시로서 설명한다. 하지만, 본 개시의 다양한 실시 예들에서는 하드웨어와 소프트웨어를 모두 사용하는 기술을 포함하고 있으므로, 본 개시의 다양한 실시 예들이 소프트웨어 기반의 접근 방법을 제외하는 것은 아니다.
도 1은 다양한 실시예들에 따른, 전자 장치들을 포함하는 환경의 예를 도시한다.
도 1을 참조하면, 환경(10)은, 전자 장치(100) 및 전자 장치(101) 를 포함할 수 있다.
다양한 실시예들에서, 전자 장치(100)는, 개발된 화장품의 소비자 군을 식별하거나 특정 소비자에 적합한 화장품 제품을 추천하기 위해 이용되는 인공 신경망(artificial neural network)을 포함하거나 상기 인공 신경망과 작동적으로 결합된 장치일 수 있다. 예를 들면, 전자 장치(100)는, 외부로부터 수신된 학습 데이터를 이용하여 트레이닝을 수행하고, 상기 트레이닝에 기반하여 입력 데이터에 대한 추론을 수행하는 상기 인공 신경망을 제어하는 장치일 수 있다.
다양한 실시예들에서, 전자 장치(101)는, 화장품 마케팅 관리를 위해 이용되는 장치일 수 있다. 예를 들면, 전자 장치(101)는, 타겟 소비자를 위해 적합한 화장품을 개발하기 위해 전자 장치(100)로부터 정보 또는 데이터를 제공 받는 장치일 수 있다. 예를 들면, 전자 장치(101)는, 사용자 입력을 통해 타겟 소비자에 대한 정보를 전자 장치(100)에게 제공할 수 있다. 전자 장치(100)는, 전자 장치(100)와 관련된 상기 인공 신경망을 이용하여 상기 타겟 소비자를 위해 적합한 화장품에 대한 데이터 또는 정보를 획득하고, 상기 획득된 정보 또는 데이터를 전자 장치(101)에게 제공할 수 있다. 전자 장치(101)는, 전자 장치(100)로부터 제공된 정보 또는 데이터에 기반하여, 상기 타겟 소비자를 위해 적합한 화장품에 대한 정보를 전자 장치(101)의 디스플레이를 통해 표시할 수 있다.
다른 예를 들면, 전자 장치(101)는, 개발된 화장품을 구매할 것으로 예측되는 소비자가 누구인지 여부를 예상하기 위해, 전자 장치(100)로부터 정보 또는 데이터를 제공받는 장치일 수 있다. 예를 들면, 전자 장치(101)는, 사용자 입력을 통해 개발된 화장품 대한 정보(예: 개발된 화장품의 구성 성분들에 대한 정보, 효능에 대한 정보, 또는 브랜드 명칭에 대한 정보 등)를 전자 장치(100)에게 제공할 수 있다. 전자 장치(100)는, 전자 장치(100)와 관련된 상기 인공 신경망을 이용하여 개발된 화장품의 잠재적 소비자가 누구이며 예상 매출액이 얼마인지를 추론함으로써 예상 소비자에 대한 정보 또는 데이터를 획득하고, 상기 획득된 정보 또는 데이터를 전자 장치(101)에게 제공할 수 있다. 전자 장치(101)는, 전자 장치(100)로부터 제공된 정보 또는 데이터에 기반하여, 예상 소비자에 대한 정보를 전자 장치(101)의 디스플레이를 통해 표시할 수 있다.
다양한 실시예들에서, 전자 장치(101)는 타겟 소비자를 위해 적합한 화장품을 추천하기 위해 전자 장치(100)로부터 정보 또는 데이터를 제공 받거나 개발된 화장품을 구매할 것으로 예측되는 소비자가 누구인지 여부를 예상하기 위해, 전자 장치(100)로부터 정보 또는 데이터를 제공받기 위한 어플리케이션을 가질 수 있다.
도 1에는 도시되지 않았지만, 전자 장치(100) 또는 전자 장치(101)에게 실시간으로 정보를 제공하기 위한 추가적인 개체가 환경(10) 내에 더 포함될 수 있다. 예를 들어, 전자 장치(100) 또는 전자 장치(101)가 타겟 소비자가 거주하는 위치에 대한 현재 날씨 또는 기후를 나타내는 정보가 필요한 경우, 전자 장치(100) 또는 전자 장치(101)는 해당 위치에 대한 현재 날씨 또는 기후에 대한 정보를 제공하는 다른 서버(예: 기상청 서버)로부터 해당 정보를 수신할 수 있다.
도 2는 다양한 실시예들에 따른 전자 장치의 간소화된 블록도이다. 이러한 간소화된 블록도는, 도 1에 도시된 환경(10) 내의 전자 장치(100)의 기능적 구성들을 나타낼 수 있다.
인공 신경망은 입력에 대하여 일반화된 출력(generalized output)을 제공하기 위한 하드웨어, 소프트웨어, 또는 이들의 조합을 의미할 수 있다.
예를 들어, 인공 신경망은, 합성곱 신경망(CNN, Convolutional Neural Network), 마르코프 체인(Markov Chain), 깊은 신경망(DNN, deep neural network), 또는 이진화 신경망(BNN, binarized neural network) 등을 시뮬레이션하기 위한 어플리케이션 및 상기 어플리케이션을 실행하기 위한 프로세서에 기반하여 작동할 수 있다.
도 2를 참조하면, 전자 장치(100)는 훈련(또는 트레이닝)을 통하여 기계 학습을 수행할 수 있는 장치로서, 인공 신경망으로 구성된 모델을 이용하여 학습하는 장치를 포함할 수 있다. 예를 들면, 전자 장치(100)는 데이터 마이닝, 데이터 분석, 및 기계 학습 알고리즘(예: 딥 러닝 알고리즘(deep learning algorithm))을 위해 이용되는 정보를 입력, 출력, 데이터베이스 구축 및 저장하도록 구성될 수 있다.
전자 장치(100)는 통신 회로(미도시)를 통해 외부 전자 장치(도 2 내에서 미도시)와 데이터를 송수신할 수 있고, 외부 전자 장치로부터 전달받은 데이터를 분석하거나 학습하여 결과값을 도출할 수 있다. 전자 장치(100)는 외부 전자 장치의 연산을 분산하여 처리할 수 있다.
전자 장치(100)는 서버로 구현될 수 있다. 전자 장치(100)는 복수로 구성되어 신경망 장치 세트를 이룰 수 있다. 각각의 전자 장치(100)는 연산을 분산하여 처리할 수 있고, 분산 처리된 데이터를 바탕으로 데이터 분석 및 학습을 통하여 결과값을 도출할 수 있다. 전자 장치(100)는 기계 학습 알고리즘 등을 이용하여 획득한 결과값을 외부 전자 장치 또는 다른 신경망 장치로 전송할 수 있다.
다양한 실시예들에 따른, 전자 장치(100)는 입력부(110), 프로세서(120), 메모리(130), 및 러닝 프로세서(140)를 포함할 수 있다.
다양한 실시예들에 따르면, 입력부(110)는 인공 신경망 모델 학습을 통한 출력값을 도출하기 위한 입력 데이터를 획득할 수 있다. 입력부(110)는 가공되지 않은 입력 데이터를 획득할 수 있다. 예를 들어, 입력부(110)는 사용자가 검색하고자 하는 검색 값뿐만 아니라, 유사 검색어 또는 연관 검색어를 획득할 수 있다.
프로세서(120) 또는 러닝 프로세서(140)는 가공되지 않은 입력 데이터를 전처리하여 인공 신경망 모델 학습에 입력 가능한 훈련 데이터를 생성할 수 있다. 상기 전처리는 입력 데이터로부터 특징점을 추출하는 것일 수 있다. 상술한 바와 같이, 입력부(110)는 통신 회로(미도시)를 통하여 데이터를 수신하여 입력 데이터를 획득하거나 데이터를 전처리할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 전자 장치(100)에서 사용 히스토리 정보를 수집하여 메모리(130)에 저장할 수 있다. 프로세서(120)는 저장된 사용 히스토리 정보 및 예측 모델링을 통하여 특정 기능을 실행하기 위한 최상의 조합을 결정할 수 있다. 프로세서(120)는 입력부(110)로부터 이미지 정보, 오디오 정보, 데이터, 초기해에 대한 정보, 특징 정보 또는 사용자 입력 정보를 수신할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 정보를 실시간으로 수집하고, 정보를 처리 또는 분류하고, 처리된 정보를 메모리(130), 메모리(130)의 데이터베이스 또는 러닝 프로세서(140)에 저장할 수 있다.
다양한 실시예들에 따르면, 전자 장치(100)의 동작이 데이터 분석 및 머신 러닝 알고리즘을 바탕으로 결정될 때, 프로세서(120)는 결정된 동작을 실행하기 위해 전자 장치(100)의 구성요소를 제어할 수 있다. 다양한 실시예들에 따르면, 프로세서(120)는 제어 명령에 따라 전자 장치(100)를 제어하여 결정된 동작을 수행할 수 있다.
프로세서(120)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘(또는 기법)을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습한 정보의 업데이트를 수행할 수 있다. 프로세서(120)는 러닝 프로세서(140)와 함께, 업데이트된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 성능의 정확성을 향상시킬 수 있다.
다양한 실시예들에 따르면, 메모리(130)는 입력부(110)에서 획득한 입력 데이터, 학습된 데이터, 또는 학습 히스토리 등을 저장할 수 있다. 메모리(130)는 인공 신경망 모델(131)을 저장할 수 있다.
다양한 실시예들에 따르면, 인공 신경망 모델(131)은 메모리(130)에 할당된 공간에 저장될 수 있다. 메모리(130)에 할당된 공간은 러닝 프로세서(140)를 통하여 학습 중 또는 학습된 인공 신경망 모델(131)을 저장하며, 학습을 통하여 인공 신경망 모델(131)이 갱신되면, 갱신된 인공 신경망 모델(131)을 저장할 수 있다. 상기 메모리(130)에 할당된 공간은 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전들로 구분하여 저장할 수 있다.
다양한 실시예들에 따르면, 메모리(130)는 입력부(110)에서 획득한 입력 데이터, 학습된 데이터를 저장, 분류가능한 데이터베이스를 포함할 수 있다.
다양한 실시예들에 따르면, 러닝 프로세서(140)는 프로세서(120)가 입력부(110)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망 모델(131)을 학습하거나, 메모리(130)의 데이터베이스에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망 모델(131)을 학습시킬 수 있다. 예를 들면, 러닝 프로세서(140)는 다양한 학습 기법들을 이용하여 인공 신경망 모델(131)을 반복적으로 학습시켜 최적화된 인경 신경망 모델(131)의 파라미터를 획득할 수 있다.
다양한 실시예들에 따르면, 학습된 모델은 데이터베이스에서 인공 신경망 모델(131)을 갱신할 수 있다. 러닝 프로세서(140)는 전자 장치(100)에 통합되거나, 메모리(130)에 구현될 수 있다. 예를 들면, 러닝 프로세서(140)는 메모리(130)를 사용하여 구현될 수 있다.
다양한 실시예들에 따르면, 러닝 프로세서(140)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 장치에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(130), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다. 러닝 프로세서(140)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(120)에 의해 이용될 수 있다. 예를 들면, 이러한, 알고리즘의 예로는, k-최근접 이웃 시스템, 퍼지 논리(예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷(예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리(예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화된 계획 등을 포함할 수 있다.
이하, 설명의 편의를 위해, 프로세서(120) 및 러닝 프로세서(140)는, 적어도 하나의 프로세서 또는 프로세서로 참조될 수 있다. 다양한 실시예들에서, 상기 적어도 하나의 프로세서는, 이하 서술되는 실시 예들에 대한 동작들을 실행할 수 있도록 구성될 수 있다.
도 3은 다양한 실시예들에 따른 전자 장치의 간소화된 블록도이다. 이러한 간소화된 블록도는, 도 1에 도시된 환경(10) 내의 전자 장치(101)의 기능적 구성들을 나타낼 수 있다.
도 3을 참조하면, 전자 장치(101)는, 프로세서(310), 메모리(320), 통신 회로(330), 및 디스플레이(340)를 포함할 수 있다.
프로세서(310)는 전자 장치(101)의 전반적인 동작을 제어할 수 있다. 다양한 실시예들에서, 프로세서(310)는 하나의 프로세서 코어(single core)를 포함하거나, 복수의 프로세서 코어들을 포함할 수 있다. 예를 들면, 프로세서(310)는 듀얼 코어(dual-core), 쿼드 코어(quad-core), 헥사 코어(hexa-core) 등의 멀티 코어(multi-core)를 포함할 수 있다. 실시 예들에 따라, 프로세서(310)는 내부 또는 외부에 위치된 캐시 메모리(cache memory)를 더 포함할 수 있다.
프로세서(310)는 전자 장치(101)의 다른 구성 요소들의 명령을 수신할 수 있고, 수신된 명령을 해석할 수 있으며, 해석된 명령에 따라 계산을 수행하거나 데이터를 처리할 수 있다.
프로세서(310)는 프로그램에서 생성되거나 발생되는 데이터 또는 신호를 처리할 수 있다. 예를 들면, 프로세서(310)는 프로그램을 실행하거나 제어하기 위해 메모리(320)에게 명령어, 데이터 또는 신호를 요청할 수 있다. 프로세서(310)는 프로그램을 실행하거나 제어하기 위해 메모리(320)에게 명령어, 데이터, 또는 신호를 기록(또는 저장)하거나 갱신할 수 있다.
프로세서(310)는 메모리(320), 통신 회로(230), 또는 디스플레이(340)로부터 수신되는 메시지, 데이터, 명령어, 또는 신호를 해석할 수 있고, 가공할 수 있다. 프로세서(310)는 수신된 메시지, 데이터, 명령어, 또는 신호에 기반하여 새로운 메시지, 데이터, 명령어, 또는 신호를 생성할 수 있다. 프로세서(310)는 가공되거나 생성된 메시지, 데이터, 명령어, 또는 신호를 메모리(320), 통신 회로(330), 또는 디스플레이(340)에게 제공할 수 있다.
프로세서(310)의 전부 또는 일부는 전자 장치(101) 내의 다른 구성 요소(예를 들면, 메모리(320), 통신 회로(330), 또는 디스플레이(340))와 전기적으로(electrically) 또는 작동적으로(operably 또는 operatively) 결합(coupled with)되거나 연결될(connected to) 수 있다.
실시예들에 따라, 프로세서(310)는 하나 이상의 프로세서들로 구성될(configured with) 수 있다. 예를 들면, 프로세서(310)는, 어플리케이션 프로세서(application processor), 통신 프로세서(communication processor), 또는 GPU(graphical processing unit) 중 적어도 하나를 포함할 수 있다. 다양한 실시예들에서, 프로세서(310)는, 도 4 내지 도 10을 통해 예시된 동작들을 실행할 수 있도록 구성될 수 있다.
메모리(320)는 전자 장치(101)를 제어하는 명령어, 제어 명령어 코드, 제어 데이터, 또는 사용자 데이터를 저장할 수 있다. 예를 들면, 메모리(320)는 어플리케이션(application) 프로그램, OS(operating system), 미들웨어(middleware), 또는 디바이스 드라이버(device driver) 중 적어도 하나를 포함할 수 있다.
메모리(320)는 휘발성 메모리(volatile memory) 또는 불휘발성(non-volatile memory) 중 하나 이상을 포함할 수 있다. 휘발성 메모리는 DRAM(dynamic random access memory), SRAM(static RAM), SDRAM(synchronous DRAM), PRAM(phase-change RAM), MRAM(magnetic RAM), RRAM(resistive RAM), FeRAM(ferroelectric RAM) 등을 포함할 수 있다. 불휘발성 메모리는 ROM(read only memory), PROM(programmable ROM), EPROM(electrically programmable ROM), EEPROM(electrically erasable programmable ROM), 플래시 메모리(flash memory) 등을 포함할 수 있다.
메모리(320)는 하드 디스크 드라이브(HDD, hard disk drive), 솔리드 스테이트 디스크(SSD, solid state disk), eMMC(embedded multi media card), UFS(universal flash storage)와 같은 불휘발성 매체(medium)를 더 포함할 수 있다.
통신 회로(330)는 전자 장치(101)와 외부 전자 장치(예: 전자 장치(100))간의 유선 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 일 실시예에 따르면, 통신 회로(330)는 무선 통신 회로(예: 셀룰러 통신 회로, 근거리 무선 통신 회로, 또는 GNSS(global navigation satellite system) 통신 회로) 또는 유선 통신 회로(예: LAN(local area network) 통신 회로, 또는 전력선 통신 회로)를 포함하고, 그 중 해당하는 통신 회로를 이용하여 제1 네트워크(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제2 네트워크(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 상술한 여러 종류의 통신 회로(330)는 하나의 칩으로 구현되거나 또는 각각 별도의 칩으로 구현될 수 있다.
다양한 실시예들에서, 통신 회로(330)는 프로세서(310)와 동작적으로 결합될 수 있다.
디스플레이(340)는, 컨텐츠, 데이터, 또는 신호를 출력할 수 있다. 다양한 실시예들에서, 디스플레이(340)는 프로세서(310)에 의해 가공된 이미지 데이터를 표시할 수 있다.
실시예들에 따라, 디스플레이(340)는 터치 입력 등을 수신할 수 있는 복수의 터치 센서들(미도시)과 결합됨으로써, 일체형의 터치 스크린(touch screen)으로 구성될(configured with) 수도 있다. 디스플레이(340)가 터치 스크린으로 구성되는 경우, 상기 복수의 터치 센서들은, 디스플레이(340) 위에 배치되거나, 디스플레이(340) 아래에 배치될 수 있다.
실시예들에 따라, 디스플레이(340)는, 변형가능한(deformable) 디스플레이를 포함할 수 있다. 예를 들면, 디스플레이(340)는, 디스플레이(340)의 적어도 일부를 접을 수 있는(foldable) 디스플레이(예: 폴더블 디스플레이)로 구성될 수 있다. 디스플레이(340)가 폴더블 디스플레이로 구성되는 경우, 전자 장치(101)는 디스플레이(340)를 접을 수 있는 구조(structure)를 가질 수 있다.
도 4는 인공 신경망을 이용하여 타겟 화장품에 대한 정보에 대응하는 후보 소비자 군에 대한 정보를 제공하는 방법을 도시한다. 이러한 방법은 전자 장치(100) 및 전자 장치(101)에 의해 실행될 수 있다.
도 4를 참조하면, 동작 401에서, 전자 장치(100)는 외부로부터(또는 전자 장치(101)로부터) 학습 데이터를 수신할 수 있다. 예를 들면, 상기 학습 데이터는, 전자 장치(100)의 인공 신경망 또는 전자 장치(100)와 관련된 인공 신경망을 트레이닝하기 위한 데이터일 수 있다. 예를 들면, 상기 학습 데이터는, 화장품을 제조하기 위해 이용되는 화장품 원료 정보, 복수의 화장품들 각각의 화장품 제품 정보, 복수의 화장품들 각각의 특성 정보, 및 화장품 시장의 소비자들의 선호도 정보를 포함할 수 있다. 예를 들면, 상기 화장품 원료 정보는, 화장품에 포함되는 원료의 명칭, 화장품의 구성 성분들(또는 원료들)의 배합 목적, EWG(environmental working group) 번호, 또는 화학 구조식 중 적어도 하나를 포함할 수 있다. 예를 들면, 상기 화장품 제품 정보는, 상기 복수의 화장품들 각각의 명칭, 용량, 가격, 또는 브랜드 중 적어도 하나를 포함할 수 있다. 예를 들면, 상기 화장품 특성 정보는 상기 복수의 화장품들 각각의 전성분 원료, 원료별 함량, 색상, 질감, 효능, 향, 사용감, 또는 발림감 중 적어도 하나를 포함할 수 있다.
예를 들면, 상기 선호도 정보(또는, '사용자 선호도 정보'로 참조될 수 있다)는, 화장품 시장 내의 특정 화장품을 선호하거나 또는 비선호하는 소비자들의 성별, 연령, 거주하는 장소, 상기 소비자의 연간 화장품 소비량, 또는 상기 소비자의 소비 트랜드 중 적어도 하나에 대한 통계 값을 포함할 수 있다. 다른 예를 들어, 상기 선호도 정보는 특정 성별, 특정 연령, 또는 특정 거주지를 가지는 소비자들이 평균적으로 선호하거나 비선호하는 특정 화장품 제품을 나타낼 수 있다. 상기 서술된 선호도 정보는 카테고리에 따라서 구별될 수 있다. 예를 들어, 상기 선호도 정보는 개인 기본 정보, 개인 피부 특성 정보, 외부 요인 정보, 및 내부 요인 정보로 구별될 수 있다. 개인 기본 정보는 나이, 성별, 거주지, SNS(social network service) 아이디, 또는 화장품 소비량 중 적어도 하나에 대한 정보를 포함할 수 있다. 개인 피부 특성 정보는 피부 상태(예: 건성, 지성, 민감성, 또는 복합성), 수분, 모공, 유분, 또는 탄력 중 적어도 하나에 대한 정보를 포함할 수 있다. 외부 요인 정보는 소비자의 거주지에 대한 지리적 위치, 날씨, 자외선, 습도, 미세먼지, 또는 꽃가루 중 적어도 하나에 대한 정보를 포함할 수 있다. 내부 요인 정보는 소비자 개인의 생리 주기, 임신 또는 출산 여부, 감정, 수면, 체중, 체력, 또는 식욕 중 적어도 하나에 대한 정보를 포함할 수 있다. 이 경우, 전자 장치(100)는 외부 요인 정보의 실시간성을 고려하여 도 1의 환경(10) 내에 포함된 별도의 개체(예: 서버, 미도시)로부터 외부 요인 정보를 실시간으로 획득할 수 있다. 전자 장치(100)는, 상기 학습 데이터를 이용하여 상기 인공 신경망을 트레이닝할 수 있다.
동작 403에서, 전자 장치(100)는, 트레이닝된 상기 인공 신경망을 이용하여 화장품 맵을 위한 제1 데이터베이스를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 동작 401과 같이 획득된 학습 데이터를 이용하여 상기 인공 신경망을 트레이닝할 수 있다. 전자 장치(100)는, 상기 인공 신경망에 의해 추론된 데이터의 신뢰도가 기준 신뢰도 이상이 될 때까지 상기 인공 신경망을 트레이닝하고, 상기 인공 신경망에 의해 추론된 데이터의 신뢰도가 기준 신뢰도 이상임을 확인하는 것에 기반하여, 상기 인공 신경망을 이용한 추론을 개시할 수 있다. 한편, 상기 인공 신경망의 상기 트레이닝은, 상기 추론의 개시와 독립적이고 지속적으로 실행될 수 있다. 전자 장치(100)는, 추론을 할 수 있는 상태만큼 트레이닝된 상기 인공 신경망을 이용하여 상기 화장품 맵을 위한 상기 제1 데이터베이스를 획득할 수 있다.
다양한 실시예들에서, 상기 화장품 맵은, 시각화된 정보로 화장품의 원료, 화장품의 구성 성분, 화장품의 특성, 및 화장품의 제품 정보를 제공하는 툴일 수 있다. 예를 들면, 상기 화장품 맵을 위한 상기 제1 데이터베이스는, 화장품 A와 화장품 B 사이의 유사도에 대한 정보, 화장품 A의 구성 성분들에 대한 정보, 화장품 A의 원료 정보, 및 화장품 A의 가격에 대한 정보를 제공하기 위한 데이터를 포함할 수 있다. 예를 들면, 상기 제1 데이터베이스는, 상기 화장품 맵의 구성을 위해, 상기 제1 데이터베이스 내에 포함된 데이터를 카테고리화하거나 상기 데이터의 일부와 상기 데이터의 다른 일부를 비교할 수 있도록 구성될 수 있다. 하지만, 이에 제한되지 않는다. 화장품 맵이 시각적으로 표시된 화면(또는 사용자 인터페이스)에 대한 일 예는 도 6에 도시된다.
도 6을 참조하면, 화장품 맵을 시각적으로 나타내는 사용자 인터페이스(660)는, 특정 화장품을 나타내는 시각적 요소(661)와 다른 화장품들을 나타내는 시각적 요소(651, 652, 653, 및 654)를 포함할 수 있다. 설명의 편의를 위하여 사용자 인터페이스(660)는 제한된 개수의 화장품들에 대한 시각적 요소를 포함하지만, 상기 데이터베이스 내에 저장된 형태에 따라서 화장품을 나타내는 시각적 요소의 개수는 제한되지 않는다. 다양한 실시예들에서, 상기 특정 화장품을 나타내기 위한 시각적 요소(661) 및 다른 화장품들을 나타내는 시각적 요소(651, 652, 653, 및 654)의 배치는, 상기 특정 화장품 및 상기 다른 화장품들 각각의 유사도에 기반하여 결정될 수 있다. 예를 들면, 상기 특정 화장품을 나타내는 시각적 요소(661)와 A 화장품을 나타내는 시각적 요소(652) 사이의 거리가 시각적 요소(661)와 B 화장품을 나타내는 시각적 요소(654) 사이의 거리보다 짧다는 것은, 상기 특정 화장품과 상기 A 화장품 간 유사도가 상기 특정 화장품과 상기 B 화장품 사이의 유사도보다 높음을 의미할 수 있다.
다양한 실시 예들에서, 화장품들 간 유사도는 화장품들 각각의 특성 정보 또는 제품 정보에 기반하여 결정될 수 있다. 예를 들어, 도 6에 도시된 바와 같이, 사용자 인터페이스(660)은 효능(663)에 따른 화장품들 간 유사도를 나타낼 수 있고, 그밖에 다른 특성 정보(예: 구성 성분(665) 또는 향(666))이나 다른 제품 정보(예: 가격(664))에 따른 화장품들 간 유사도를 나타낼 수 있다. 도 6은 사용자 인터페이스(660)가 단일한 카테고리(예: 효능)에 따른 유사도를 나타내는 실시 예를 도시하지만, 다른 실시 예들에 따르면, 사용자 인터페이스(660)는 각 카테고리의 조합에 따른 화장품들 간 유사도를 나타낼 수 있다.
다양한 실시예들에서, 상기 화장품 맵을 위한 상기 데이터베이스는, 상기 인공 신경망의 트레이닝의 정도에 따라 개선될 수 있다. 예를 들면, 전자 장치(100)는, 상기 데이터베이스 및 상기 인공 신경망을 이용하여 추론의 결과를 전자 장치(101)에게 제공할 수 있고, 전자 장치(101)로부터 상기 추론의 상기 결과에 대한 피드백을 획득할 수 있다. 전자 장치(100)는, 상기 피드백에 대한 정보를 상기 인공 신경망에게 제공함으로써 상기 데이터베이스를 개선할 수 있다.
전자 장치(100)는 상기 화장품 맵을 위한 상기 데이터베이스를 획득하기 위하여, 동작 401 및 동작 403을 실행하는 동안 하기와 같은 연산들을 수행할 수 있다.
예를 들면, 전자 장치(100)는, 단어를 벡터로 변경하기 위한 워드 임베딩(word embedding)을 수행할 수 있다. 상기 워드 임베딩은, 유사한 의미를 가지는 어휘는 유사한 문맥에서 등장한다는 분산적 가정을 기반으로 인공 신경망을 이용하여 하나의 단어를 연속적인 벡터 공간으로 임베딩하는 연산을 의미할 수 있다. 예를 들면, 전자 장치(100)는, 학습 데이터에 등장하는 모든 고유 단어들을 대상으로 해당 단어는 1, 나머지는 0으로 인코딩하는 one-hot 인코딩을 수행한 후, 하나의 은닉 층(hidden layer)을 가진 인공 신경망을 이용하여 하나의 단어를 입력값으로 문맥에서 인접한 위치에 등장하는 단어를 예측하도록 인공 신경망의 학습을 수행할 수 있다. 여기서, 학습된 은닉 층의 가중치는 단어를 나타내는 벡터로서 이용될 수 있다. 예를 들면, 전자 장치(100)는 어떤 문장에서 기준이 되는 단어와 상기 단어 가까운 위치에 함께 등장하는 문맥 단어를 식별할 수 있다. 전자 장치(100)는, 상기 인공 신경망을 이용하여 상기 문맥 단어를 모니터링하고 상기 모니터링된 문맥 단어에 대응하는 기준 단어가 무엇인지를 예측하거나 상기 기준 단어를 보고 상기 문맥 단어가 등장하는지 여부를 예측할 수 있다.
다른 예를 들면, 전자 장치(100)는, 문서를 벡터로 변경하는 문서 임베딩(document embedding)을 수행할 수 있다. 상기 문서 임베딩은, 문서를 one-hot 인코딩을 이용하여 표현하고, 해당 문서에서 해당 단어와 인접한 단어를 예측하도록 인공 신겸망을 학습하고, 상기 학습된 인공 신경망에서 이용된 가중치를 문서 벡터로 이용하는 연산을 의미할 수 있다.
또 다른 예를 들면, 전자 장치(100)는, 화장품들을 수치화된 벡터로 표현하는 연산을 수행할 수 있다. 예를 들면, 전자 장치(100)는, 워드 임베딩 또는 문서 임베딩 중 적어도 하나를 화장품을 위해 응용한 임베딩 기법을 실행할 수 있다. 예를 들면, 전자 장치(100)는, 화장품을 구성하는 여러 속성들(예: 브랜드 명, 가격, 원료 성분 등)을 이용하여 인공 신경망에 대한 임베딩 학습을 수행할 수 있다.
예를 들어, 화장품 A는, 브랜드, 원료 전성분, 가격, 용량 등의 속성을 가질 수 있으며, 이는 속성 1 내지 속성 n(1 초과의 자연수)으로 표현될 수 있다. 예를 들면, 전자 장치(100)는, 워드 임베딩에서의 단어 대신 화장품 A에 대한 명칭 정보를 획득하고, 상기 명칭 정보를 기준으로 속성 1 내지 속성 n까지의 슬라이딩을 실행함으로써 기준 단어와 문맥 단어를 입력하고 출력할 수 있다. 다른 예를 들면, 전자 장치(100)는, 문서 임베딩에서의 문단이나 문서에 대한 정보 대신 화장품 A에 대한 명칭 정보를 획득하고, 상기 명칭 정보를 기준으로 화장품 A의 속성 1 내지 속성 n까지의 슬라이딩을 실행함으로써 출력 레이블을 구성할 수 있다.
또 다른 예를 들면, 전자 장치(100)는, 화장품의 원료나 구성 특징을 벡터로 표현하는 연산을 수행할 수 있다. 예를 들면, 전자 장치(100)는, 워드 임베딩을 화장품을 위해 응용한 임베딩 기법을 실행할 수 있다. 예를 들면, 전자 장치(100)는, 화장품 A를 구성하는 구성 성분들 각각을 하나의 문장으로 구성하고, 상기 구성된 문장을 이용하여 워드 임베딩과 같이 임베딩을 실행할 수 있다. 이를 통해, 전자 장치(100)는, 화장품을 생산하기 위해 주로 이용되는 원료들을 추출하고, 추론하고, 추천할 수 있다.
동작 405에서, 전자 장치(101)는 화장품들 또는 화장품들의 특성에 대한 소비자들의 피드백에 기반하여 사용자의 선호도 정보를 생성하고, 생성된 상기 사용자의 선호도 정보를 전자 장치(100)에게 전송할 수 있다.
동작 407에서, 전자 장치(100)는 상기 수신된 사용자의 성호도 정보 및 상기 화장품 맵에 기반하여 소비자 맵을 위한 제2 데이터베이스를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 동작 403에서 획득된 상기 제1 데이터베이스와 상기 사용자의 선호도 정보를 이용하여 상기 인공 신경망을 트레이닝할 수 있다. 전자 장치(100)는, 상기 인공 신경망에 의해 추론된 데이터의 신뢰도가 기준 신뢰도 이상이 될 때까지 상기 인공 신경망을 트레이닝하고, 상기 인공 신경망에 의해 추론된 데이터의 신뢰도가 기준 신뢰도 이상임을 확인하는 것에 기반하여, 상기 인공 신경망을 이용한 추론을 개시할 수 있다. 한편, 상기 인공 신경망의 상기 트레이닝은, 상기 추론의 개시와 독립적으로 지속적으로 실행될 수 있다. 전자 장치(100)는, 추론을 할 수 있는 상태만큼 트레이닝된 상기 인공 신경망을 이용하여 상기 소비자 맵을 위한 상기 제2 데이터베이스를 획득할 수 있다.
다양한 실시 예들에서, 상기 소비자 맵은 특정 화장품을 선호 또는 비선호하는 소비자 개인에 대한 정보(예: 개인 기본 정보, 개인 피부 특성 정보, 외부 요인 정보, 또는 내부 요인 정보)를 시각적으로 나타내기 위한 통합적인 툴을 제공할 수 있다. 다양한 실시 예들에서, 상기 소비자 맵은 특정 화장품을 선호 또는 비선호하는 복수의 사용자들(또는, '사용자 군'으로 참조될 수 있다)의 개인 기본 정보, 개인 피부 특성 정보, 외부 요인 정보, 또는 내부 요인 정보 중 적어도 하나를 시각적으로 나타내기 위한 통합적인 툴을 제공할 수 있다. 다양한 실시 예들에서, 상기 소비자 맵은 특정 개인 소비자 또는 특정 소비자 군에 적합한 화장품의 제품 정보를 시각적으로 제공하기 위한 통합적인 툴을 제공할 수 있다.
동작 408에서, 전자 장치(101)는, 전자 장치(100)가 동작 407과 같이 상기 제2 데이터베이스를 획득한 상태에서, 상기 소비자 맵을 제공하기 위한 어플리케이션의 사용자 인터페이스를 전자 장치(101)의 디스플레이를 통해 표시할 수 있다. 예를 들면, 전자 장치(101)는, 상기 제2 데이터베이스로부터 획득된 표시 데이터를 전자 장치(100)로부터 수신하고, 상기 수신된 표시 데이터에 기반하여 상기 사용자 인터페이스를 구성하고, 상기 구성된 사용자 인터페이스를 디스플레이를 통해 표시할 수 있다.
예를 들면, 상기 사용자 인터페이스는, 타겟 화장품을 설정할 수 있는 시각적 객체를 포함할 수 있다. 예를 들어, 도 5를 참조하면, 전자 장치(101)는, 사용자 인터페이스(550)를 표시할 수 있다. 사용자 인터페이스(550)는, 개발되었거나 또는 화장품 시장에서 출시된 화장품을 선택하기 위한 복수의 시각적 객체들(551, 552, 553, 554)을 포함할 수 있다. 예를 들면, 시각적 객체들(551, 552, 553, 554) 각각은, 상기 적어도 하나의 화장품 각각을 보여주기(represent) 위한 적어도 하나의 썸네일 이미지에 대응하는 형태(shape)로 구성될 수 있다. 다양한 실시예들에서, 시각적 객체들(551, 552, 553, 554) 각각은, 실행가능한 객체로 구성될 수 있다. 예를 들어, 전자 장치(101)가 시각적 객체(553)에 대한 입력을 수신하는 경우, 전자 장치(101)는 상기 입력의 상기 수신에 응답하여, 시각적 객체(553) 상에 적어도 일부 중첩으로 요약 정보(555)를 표시할 수 있다. 예를 들면, 요약 정보(555)는, 시각적 객체(553)에 의해 지시되는 화장품의 제품 정보(예: 명칭(예: AAAA), 용량(예: 150ml), 또는 가격(예: XXX원))를 포함할 수 있다.
다른 예를 들어, 전자 장치(101)는 각 카테고리(예: 효능, 가격, 구성 성분, 또는 향)에 따라 복수의 화장품들의 유사도가 표시되는 화장품 맵(예: 사용자 인터페이스(660))를 표시할 수 있다. 이 경우, 전자 장치(101)는 표시된 사용자 인터페이스(660)에서 특정 화장품에 대한 시각적 요소(예: 661)를 선택하는 입력을 획득할 수 있다.
다른 예를 들어, 전자 장치(101)는 특정 화장품의 명칭 또는 브랜드를 검색하기 위한 입력을 획득하거나, 텍스트로 형성된 목록에서 적어도 하나의 화장품을 선택하는 입력을 획득할 수 있다.
동작 409에서, 전자 장치(101)는, 상기 사용자 인터페이스에 대한 사용자 입력을 통해 획득된 타겟 화장품(예: 도 5의 시각적 객체(553)가 지시하는 화장품)에 대한 정보를 전자 장치(100)에게 송신할 수 있다.
동작 411에서, 전자 장치(100)는, 상기 제2 데이터베이스로부터 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 데이터(이하, '제1 데이터'로 참조될 수 있다)를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 상기 타겟 화장품에 대한 정보에 기반하여 상기 인공 신경망과 연결된 상기 제2 데이터베이스를 탐색함으로써 상기 제1 데이터를 획득할 수 있다. 예를 들면, 상기 제1 데이터는, 상기 타겟 화장품에 대한 정보에 대응하는 후보 소비자 개인 또는 후보 소비자 군의 개인 기본 정보, 개인 피부 특성 정보, 외부 요인 정보, 또는 내부 요인 정보 중 적어도 하나를 포함할 수 있다. 이 경우, 전자 장치(100)는 후보 소비자 군이 거주하는 위치에 대한 외부 요인 정보를 다른 외부 전자 장치(미도시)로부터 실시간으로 획득하고, 상기 실시간으로 획득된 정보, 상기 타겟 화장품에 대한 정보, 및 상기 제2 데이터베이스에 기반하여 상기 제1 데이터를 획득할 수 있다. 이 경우, 전자 장치(100)는 상기 타겟 화장품에 적합한 현재 날씨 또는 기후를 가지는 지역을 상기 제1 데이터로 결정할 수 있다.
동작 413에서, 전자 장치(100)는, 상기 제1 데이터를 전자 장치(101)에게 송신할 수 있다. 전자 장치(101)는, 상기 제1 데이터를 전자 장치(100)로부터 수신할 수 있다.
동작 415에서, 전자 장치(101)는, 상기 제1 데이터에 기반하여, 상기 타겟 화장품에 대응하는 상기 후보 소비자군을 나타내는 시각적 객체를 표시할 수 있다. 예를 들어, 도 7을 참조하면, 전자 장치(101)는, 상기 제1 데이터에 기반하여, 상기 타겟 화장품의 후보 소비자 군에 대한 정보를 나타내기 위한 적어도 하나의 시각적 객체를 포함하는 사용자 인터페이스(760)를 표시할 수 있다. 다양한 실시예들에서, 사용자 인터페이스(760)는 시각적 객체(761) 및 시각적 객체(762)를 포함할 수 있다. 다양한 실시예들에서, 시각적 객체(761)는, 전자 지도 및 상기 전자 지도 상에서 중첩으로 표시되고 상기 후보 소비자 군이 분포되는 위치를 나타내기 위한 시각적 요소들로 구성될 수 있다. 다양한 실시예들에서, 시각적 객체(762)는, 상기 후보 소비자 군에 대한 정보의 요약 정보를 나타낼 수 있다. 예를 들면, 시각적 객체(762)는, 상기 요약 정보를 나타내기 위해 텍스트로 구성될 수 있다.
다양한 실시예들에서, 시각적 객체(761)는, 상기 전자 지도 상에 중첩으로 표시되는 시각적 요소들을 포함하기 때문에 멀티 레이어들로 구성될 수 있다. 예를 들면, 시각적 객체(761)는, 전자 지도를 포함하는 제1 레이어 및 상기 시각적 요소들을 포함하고 상기 제1 레이어 위에 배치되는 제2 레이어를 포함하는 멀티 레이어들로 구성될 수 있다. 일반적으로, 멀티 레이어들로 구성된 시각적 객체의 표시는, 화면 처리를 위해 높은 부하를 요구하기 때문에, 전자 장치(101)는, 멀티 레이어들로 구성된 시각적 객체(761)를 표시하기 위해, 상기 제2 데이터를 수신하자마자 상기 전자 지도 및 상기 시각적 요소들 각각을 다운 스케일링할 수 있다. 전자 장치(101)는, 상기 다운 스케일링된 전자 지도 및 상기 다운 스케일링된 시각적 요소를 이용하여 단일 레이어로 구성된 이미지로 변환하고, 상기 변환된 이미지를 업스케일링하며, 상기 업스케일링된 이미지를 전자 장치(101)의 디스플레이를 통해 표시할 수 있다. 전자 장치(101)는, 상기 업스케일링된 이미지를 표시하는 동안, 상기 업스케일링된 이미지를 대체하기 위한 멀티 레이어들로 구성된 이미지를 생성할 수 있다. 예를 들면, 전자 장치(101)는, 상기 제2 데이터를 이용하여 제1 레이어 내에 상기 전자 지도를 포함하고 상기 제1 레이어 위의 제2 레이어 내에 상기 시각적 요소들을 포함하는 멀티 레이어로 구성된 이미지를 생성할 수 있다. 전자 장치(101)는, 상기 멀티 레이어로 구성된 이미지를 생성하자마자, 상기 단일 레이어로 구성된 상기 이미지를 상기 멀티 레이어로 구성된 이미지로 대체할 수 있다. 상기 대체는, 사용자에게 투명할(transparent) 수 있기 때문에, 전자 장치(101)는, 빠른 응답 속도로 시각적 객체(761)를 디스플레이를 통해 표시할 수 있다.
도 7은 국가 또는 위치 기반으로 타겟 소비자에 대한 정보를 설정하는 예를 도시하고 있으나, 이는 설명의 편의를 위한 것이다. 예를 들면, 사용자 인터페이스(760)는 타겟 소비자의 개인 기본 정보, 개인 피부 특성 정보, 외부 요인 정보, 또는 내부 요인 정보 중 적어도 하나를 설정하기 위한 아이템을 더 제공할 수 있음에 유의하여야 한다.
상술한 바와 같이, 다양한 실시예들에 따른 전자 장치(100)는, 인공 신경망을 이용하여 기준 신뢰도 이상의 신뢰도를 가지는 소비자 맵을 위한 데이터베이스를 구성하고, 상기 데이터베이스를 이용하여 타겟 화장품에 대응하는 후보 소비자 군에 대한 정보를 제공할 수 있다. 이러한 정보의 제공을 통해, 다양한 실시예들에 따른 전자 장치(100)는, 타겟 화장품을 마케팅 하기 위해 소비되는 자원의 효율성을 향상시킬 수 있다.
도 8은 인공 신경망을 이용하여 타겟 소비자에 대응하는 후보 제품 군에 대한 정보를 제공하는 방법을 도시한다. 이러한 방법은 전자 장치(100) 및 전자 장치(101)에 의해 실행될 수 있다.
도 8을 참조하면, 동작 801에서, 전자 장치(100)는 외부로부터(또는 전자 장치(101)로부터) 학습 데이터를 수신할 수 있다. 예를 들면, 동작 801은 도 4의 동작 401에 대응할 수 있다.
동작 803에서, 전자 장치(100)는, 상기 화장품 맵을 위한 상기 제1 데이터베이스를 획득할 수 있다. 예를 들면, 동작 803은, 도 4의 동작 803에 대응할 수 있다.
동작 805에서, 전자 장치(101)는 화장품들 또는 화장품들의 특성에 대한 소비자들의 피드백에 기반하여 사용자의 선호도 정보를 생성하고, 생성된 상기 사용자의 선호도 정보를 전자 장치(100)에게 전송할 수 있다.
동작 807에서, 전자 장치(100)는 상기 수신된 사용자의 성호도 정보 및 상기 화장품 맵에 기반하여 소비자 맵을 위한 제2 데이터베이스를 획득할 수 있다. 예를 들면, 동작 807은 도 4의 동작 807에 대응할 수 있다.
동작 808에서, 전자 장치(101)는, 전자 장치(100)가 동작 807과 같이 상기 제2 데이터베이스를 획득한 상태에서, 상기 소비자 맵을 제공하기 위한 어플리케이션의 사용자 인터페이스를 전자 장치(101)의 디스플레이를 통해 표시할 수 있다. 예를 들면, 전자 장치(101)는, 상기 제2 데이터베이스로부터 획득된 표시 데이터를 전자 장치(100)로부터 수신하고, 상기 수신된 표시 데이터에 기반하여 상기 사용자 인터페이스를 구성하고, 상기 구성된 사용자 인터페이스를 디스플레이를 통해 표시할 수 있다. 예를 들면, 상기 사용자 인터페이스는, 타겟 소비자 또는 타겟 소비자군을 설정할 수 있는 시각적 객체를 포함할 수 있다. 예를 들어 도 9를 참조하면, 전자 장치(101)는, 사용자 인터페이스(950)를 표시할 수 있다. 사용자 인터페이스(950)는, 상기 타겟 소비자를 설정할 수 있는 전자 지도를 상기 시각적 객체로 포함할 수 있다. 사용자 인터페이스(950)는 복수의 국가들을 각각 나타내기 위한 복수의 시각적 객체들을 포함하는 전자 지도를 포함할 수 있다. 도 9는 국가 또는 위치 기반으로 타겟 소비자에 대한 정보를 설정하는 예를 도시하고 있으나, 이는 설명의 편의를 위한 것이다. 예를 들면, 사용자 인터페이스(950)는 타겟 소비자의 개인 기본 정보, 개인 피부 특성 정보, 외부 요인 정보, 또는 내부 요인 정보 중 적어도 하나를 설정하기 위한 아이템을 더 제공할 수 있음에 유의하여야 한다. 이 경우, 전자 장치(101)는 타겟 소비자가 거주하는 위치가 결정되면, 상기 결정된 위치에 대한 외부 요인 정보를 사용자 입력을 통해 직접 획득하거나, 별도의 다른 외부 전자 장치(예: 기상청 서버)로부터 획득할 수 있다.
동작 809에서, 전자 장치(101)는 사용자 인터페이스(950)를 통해 선택된 타겟 소비자에 대한 정보를 전자 장치(100)에게 전송할 수 있다. 예를 들어, 전자 장치(101)는 상기 복수의 시각적 객체들 중 적어도 하나의 시각적 객체(951)를 선택하기 위한 사용자 입력을 수신하고, 상기 사용자 입력의 수신에 응답하여 적어도 하나의 시각적 객체(951)에 의해 지시되는(indicated) 적어도 하나의 국가에 위치되는 소비자들에 대한 정보를 상기 타겟 소비자에 대한 정보로 전자 장치(100)에게 송신할 수 있다. 전자 장치(100)는, 상기 타겟 소비자에 대한 정보를 전자 장치(101)로부터 수신할 수 있다. 다른 예를 들어, 전자 장치(100)는 타겟 소비자에 대한 개인 기본 정보, 개인 피부 특성 정보, 및 내부 요인 정보를 전자 장치(101)로부터 수신하고, 외부 요인 정보는 타겟 소비자가 거주하는 위치에 기반하여 다른 외부 전자 장치로부터 수신할 수 있다.
동작 811에서, 전자 장치(100)는, 상기 제2 데이터베이스로부터 상기 타겟 소비자에 대응하는 후보 제품 군에 대한 데이터(이하, '제2 데이터'로 참조될 수 있다)를 획득할 수 있다. 예를 들면, 전자 장치(100)는, 상기 타겟 소비자에 대한 정보에 기반하여 상기 인공 신경망과 연결된 상기 제2 데이터베이스를 탐색함으로써 상기 제2 데이터를 획득할 수 있다. 예를 들면, 상기 제2 데이터는, 상기 타겟 소비자에 대한 정보에 대응하는 후보 화장품의 특성(예: 색상, 질감, 효능, 향, 사용감, 또는 발림감 중 적어도 하나) 또는 제품 정보(예: 명칭, 용량, 가격, 브랜드 중 적어도 하나)를 포함할 수 있다.
동작 813에서, 전자 장치(100)는, 상기 제2 데이터를 전자 장치(101)에게 송신할 수 있다. 전자 장치(101)는, 상기 제2 데이터를 전자 장치(100)로부터 수신할 수 있다.
동작 815에서, 전자 장치(101)는, 상기 제2 데이터에 기반하여, 상기 타겟 소비자에 대응하는 상기 후보 소비자군을 나타내는 시각적 객체를 표시할 수 있다. 예를 들어, 도 5를 참조하면, 전자 장치(101)는, 상기 제1 데이터에 기반하여, 상기 타겟 소비자에게 추천할 수 있는 후보 제품 군에 대한 정보를 나타내기 위한 적어도 하나의 시각적 객체를 포함하는 사용자 인터페이스(550)를 표시할 수 있다. 사용자 인터페이스(550)는 적어도 하나의 후보 화장품 제품을 지시하는 시각적 객체(예: 551, 552, 553, 554)를 포함할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 사용자 인터페이스(550)를 통해 특정 화장품 제품에 대한 요약 정보(예: 555)를 더 표시할 수 있다.
상술한 바와 같이, 다양한 실시예들에 따른 전자 장치(100)는, 인공 신경망을 이용하여 기준 신뢰도 이상의 신뢰도를 가지는 소비자 맵을 위한 데이터베이스를 구성하고, 상기 데이터베이스를 이용하여 타겟 소비자에 대응하는 후보 제품 군에 대한 정보를 제공할 수 있다. 이러한 정보의 제공을 통해, 다양한 실시예들에 따른 전자 장치(100)는, 타겟 소비자에게 특정 제품을 추천하기 위해 소비되는 자원의 효율성을 향상시킬 수 있다.
도 10은 외부 전자 장치로부터 수신되는 정보에 따라 제1 데이터 또는 제2 데이터를 송신하는 방법을 도시하는 흐름도이다. 상기 흐름도에 의해 도시된 방법은, 도 1의 전자 장치(100), 도 2에 도시된 전자 장치(100), 또는 전자 장치(100) 내의 프로세서(120), 또는 전자 장치(100)의 러닝 프로세서(140)에 의해 실행될 수 있다.
도 10을 참조하면, 동작 1010에서, 전자 장치(100)는, 화장품을 제조하기 위해 이용되는 화장품 원료 정보, 및 복수의 화장품들의 속성 정보(예: 특성 정보 및 제품 정보)를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득할 수 있다. 예를 들면, 도 10의 동작 1010은, 도 4의 동작 401 및 동작 403에 대응할 수 있다.
동작 1020에서, 전자 장치(100)는, 외부 전자 장치(예: 전자 장치(101))로부터 소비자들의 선호도 정보를 수신하는 것에 응답하여, 상기 제1 데이터베이스 및 상기 소비자들의 선호도 정보를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득할 수 있다. 예를 들면, 도 10의 동작 1020은, 도 4의 동작 405 및 동작 407에 대응할 수 있다.
동작 1030에서, 전자 장치(100)는 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신한 것에 응답하여, 상기 타겟 화장품에 대한 정보에 기반하여 상기 데이터베이스를 탐색함으로써 상기 타겟 화장품에 대응하는 타겟 소비자 군에 대한 제1 데이터를 획득하고, 상기 제1 데이터를 전자 장치(100)의 통신 회로를 이용하여 상기 외부 전자 장치에게 송신할 수 있다. 예를 들면, 전자 장치(100)는, 상기 타겟 화장품에 대한 상기 정보로부터 특징점들을 추출하고, 상기 특징점들에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 후보 소비자 군을 식별할 수 있다.
동작 1040에서, 전자 장치(100)는, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자의 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 화장품 시장에서 상기 타겟 소비자가 선호할 것으로 추정되는 후보 제품 군을 식별하고, 상기 식별된 후보 제품 군에 대한 제2 데이터를 상기 외부 전자 장치에게 송신할 수 있다. 예를 들면, 전자 장치(100)는, 상기 타겟 소비자에 대한 상기 정보로부터 특징점들을 추출하고, 상기 특징점들에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 소비자가 선호할 것으로 추정되는 상기 후보 제품 군을 식별하고, 상기 식별된 후보 제품 군에 대한 상기 제2 데이터를 획득할 수 있다.
상술한 바와 같이, 다양한 실시예들에 따른 전자 장치(100)는, 타겟 소비자가 선호할 것으로 추정되는 화장품을 예측하고, 타겟 화장품을 선호할 것으로 추정되는 소비자를 탐색하기 위해, 인공 신경망을 이용한 추론을 실행할 수 있다. 이러한 실행을 통해, 다양한 실시예들에 따른 전자 장치(100)는, 강화된 화장품 마케팅 서비스를 제공할 수 있다.
도 11은 인공 신경망의 트레이닝 또는 추론 동안 특징값들로부터 정규화된 값들을 획득하는 방법을 도시하는 흐름도이다. 상기 흐름도에 의해 도시된 방법은, 도 1의 전자 장치(100), 도 2에 도시된 전자 장치(100), 또는 전자 장치(100) 내의 프로세서(120), 또는 전자 장치(100)의 러닝 프로세서(140)에 의해 실행될 수 있다.
도 11을 참조하면, 동작 1110에서, 전자 장치(100)는, 학습 데이터로부터 특징값들을 추출하고, 상기 추출된 특징값들 중 최대값 및 최소값을 식별할 수 있다. 예를 들면, 전자 장치(100)는, 도 4의 설명을 통해 정의된 상기 화장품 원료 정보, 상기 속성 정보, 및 상기 선호도 정보 각각의 특징값들을 추출하고, 상기 특징값들 중 최대값 및 최소값을 식별할 수 있다.
동작 1120에서, 전자 장치(100)는, 상기 특징값들의 평균값을 식별할 수 있다.
동작 1130에서, 전자 장치(100)는, 상기 특징값들, 상기 최소값, 상기 최대값, 및 상기 평균값에 기반하여 정규화된 값들을 획득할 수 있다.
예를 들면, 전자 장치(100)는, 상기 특징값들, 상기 최대값과 상기 최소값 사이의 제1 차이값, 및 상기 평균값에 기반하여 상기 정규화된 값들을 획득할 수 있다.
예를 들면, 전자 장치(100)는, 상기 제1 차이값 및 상기 특징값들과 상기 평균 사이의 제2 차이값들에 기반하여 상기 정규화된 값들을 획득할 수 있다.
예를 들면, 전자 장치(100)는, 상기 제1 차이값에 하이퍼파라미터(hyperparameter)의 값을 적용하고, 상기 하이퍼파라미터가 적용된 제1 차이값 및 상기 제2 차이값들에 기반하여 상기 정규화된 값들을 획득할 수 있으며, 여기서, 상기 하이퍼파라미터는, 0보다 크고 1 미만의 실수일 수 있다. 예를 들면, 상기 하이퍼파라미터는, 상기 정규화된 값들의 분모를 구성하는 상기 제1 차이값의 크기를 감소시키기 위해 이용될 수 있다.
예를 들면, 상기 정규화된 값들 각각은, 아래의 수학식 1에 의해 획득될 수 있다.
Figure 112019136240189-pat00001
수학식 1에서,
Figure 112019136240189-pat00002
는 상기 특징값들 각각을 의미하고,
Figure 112019136240189-pat00003
는 상기 평균값을 의미하고,
Figure 112019136240189-pat00004
는 상기 최대값을 의미하고,
Figure 112019136240189-pat00005
는 상기 최소값을 의미하며,
Figure 112019136240189-pat00006
는 상기 하이퍼파라미터를 의미할 수 있다.
특징점들의 데이터 특성에 따라 달라질 수 있지만, 수학식 1의
Figure 112019136240189-pat00007
는, 0.2일 수 있다.
다양한 실시예들에서, 상기 정규화된 값들은, 상기 인공 신경망의 트레이닝 단계를 위해 이용되거나 상기 인공 신경망의 추론 단계를 위해 이용될 수 있다.
상술한 바와 같이, 다양한 실시예들에 따른 전자 장치(100)는, 도 11의 동작들을 통해 정규화를 수행함으로써, 상기 인공 신경망의 추론 결과의 신뢰도를 향상하고 상기 인공 신경망의 트레이닝의 효율성을 개선할 수 있다.
상술한 바와 같은, 다양한 실시예들에 따른, 전자 장치는, 통신 회로, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리, 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 제1 데이터를 획득하고, 상기 제1 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.
다양한 실시 예들에 따른 상기 제1 데이터는, 상기 타겟 화장품에 대응하는 상기 후보 소비자 군의 나이, 성별, 거주지, SNS 아이디, 화장품 소비량, 피부 상태, 수분, 모공, 유분, 탄력, 상기 후보 소비자 군의 거주지에 대한 지리적 위치, 날씨, 자외선, 습도, 미세먼지, 상기 후보 소비자 군의 생리 주기, 임신 또는 출산 여부, 감정, 수면, 체중, 체력, 또는 식욕 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함할 수 있다.
다양한 실시 예들에 따른 상기 적어도 하나의 프로세서는, 다른 외부 전자 장치에게, 상기 제2 데이터베이스에 저장된 거주지들에 대한 날씨, 자외선, 습도, 또는 미세먼지 중 적어도 하나에 대한 실시간 정보를 요청하고, 상기 다른 외부 전자 장치로부터 상기 실시간 정보를 수신하며, 상기 타겟 화장품에 대한 정보, 상기 제2 데이터베이스, 및 상기 실시간 정보에 기반하여 상기 제1 데이터를 획득하도록 더 구성될 수 있다.
다양한 실시 예들에 따른 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 제2 데이터를 획득하고, 상기 제2 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성될 수 있다. .
다양한 실시 예들에 따른 상기 제2 데이터는, 상기 타겟 소비자에 대응하는 상기 후보 제품 군의 명칭, 가격, 용량, 브랜드, 색상, 질감, 사용감, 효능, 또는 발림감 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함할 수 있다.
다양한 실시 예들에 따른 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 화장품 원료 정보 및 상기 속성 정보 각각의 특징값들을 추출하고, 상기 특징값들 중 최대값 및 최소값을 식별하고, 상기 특징값들의 평균값을 식별하고, 상기 트레이닝을 수행하는 동안, 상기 특징값들, 상기 최소값, 상기 최대값, 및 상기 평균값에 기반하여 정규화된 값들을 획득하도록 더 구성될 수 있다.
다양한 실시예들에 따른, 전자 장치는 통신 회로, 인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리, 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 제1 데이터를 획득하고, 상기 제1 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.
다양한 실시예들에 따른 상기 제1 데이터는, 상기 타겟 소비자에 대응하는 상기 후보 제품 군의 명칭, 가격, 용량, 브랜드, 색상, 질감, 사용감, 효능, 또는 발림감 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함할 수 있다.
다양한 실시예들에 따른 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 제2 데이터를 획득하고, 상기 제2 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성될 수 있다.
다양한 실시예들에 따른 상기 제2 데이터는, 상기 타겟 화장품에 대응하는 상기 후보 소비자 군의 나이, 성별, 거주지, SNS 아이디, 화장품 소비량, 피부 상태, 수분, 모공, 유분, 탄력, 상기 후보 소비자 군의 거주지에 대한 지리적 위치, 날씨, 자외선, 습도, 미세먼지, 상기 후보 소비자 군의 생리 주기, 임신 또는 출산 여부, 감정, 수면, 체중, 체력, 또는 식욕 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함할 수 있다.
다양한 실시예들에 따른 상기 적어도 하나의 프로세서는, 다른 외부 전자 장치에게, 상기 제2 데이터베이스에 저장된 거주지들에 대한 날씨, 자외선, 습도, 또는 미세먼지 중 적어도 하나에 대한 실시간 정보를 요청하고, 상기 다른 외부 전자 장치로부터 상기 실시간 정보를 수신하며, 상기 타겟 화장품에 대한 정보, 상기 제2 데이터베이스, 및 상기 실시간 정보에 기반하여 상기 제2 데이터를 획득하도록 더 구성될 수 있다.
다양한 실시예들에 따른, 비일시적 컴퓨터 판독 가능 저장 매체는 통신 회로를 가지는 전자 장치의 하나 이상의 프로세서들에 의해 실행될 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 데이터를 획득하고, 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록, 상기 전자 장치를 야기하는 인스트럭션들을 포함하는 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따른, 비일시적 컴퓨터 판독 가능 저장 매체는, 통신 회로를 가지는 전자 장치의 하나 이상의 프로세서들에 의해 실행될 시, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하고, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 데이터를 획득하고, 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록, 상기 전자 장치를 야기하는 인스트럭션들을 포함하는 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따른, 전자 장치의 방법은 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하는 동작, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하는 동작, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하는 동작, 상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 데이터를 획득하는 동작, 및 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하는 동작을 포함할 수 있다.
다양한 실시예들에 따른, 전자 장치의 방법은, 화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하는 동작, 외부 전자 장치로부터 사용자의 선호도 정보를 수신하는 동작, 상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하는 동작, 상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 데이터를 획득하는 동작, 및 상기 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하는 동작을 포함할 수 있다.
본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(ROM: Read Only Memory), 전기적 삭제가능 프로그램가능 롬(EEPROM: Electrically Erasable Programmable Read Only Memory), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(CD-ROM: Compact Disc-ROM), 디지털 다목적 디스크(DVDs: Digital Versatile Discs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
또한, 상기 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(Local Area Network), WLAN(Wide LAN), 또는 SAN(Storage Area Network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시 예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시 예를 수행하는 장치에 접속할 수도 있다.
상술한 본 개시의 구체적인 실시 예들에서, 개시에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 본 개시의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 개시의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 개시의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims (16)

  1. 전자 장치(electronic device)에 있어서,
    통신 회로;
    인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리; 및
    적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고,
    외부 전자 장치로부터 사용자의 선호도 정보를 수신하고,
    상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고,
    상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 제1 데이터를 획득하고,
    상기 제1 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성되고,
    상기 제1 데이터는 상기 후보 소비자 군이 분포하는 위치 및 상기 후보 소비자 군에 대한 정보를 나타내기 위한 적어도 하나의 시각적 객체를 포함하고,
    상기 화장품 맵은 특정 화장품을 나타내는 제1 시각적 객체와 다른 화장품들을 나타내는 제2 시각적 객체들을 포함하고,
    상기 제1 시각적 객체와 제2 시각적 객체의 배치는 상기 특정 화장품과 상기 다른 화장품들 간의 특성 정보 또는 제품 정보에 기반하여 결정되는 유사도에 기반하여 결정되고,
    상기 제1 데이터는 상기 후보 소비자 군의 화장품 소비량, 상기 후보 소비자 군의 거주지에 대한 지리적 위치, 상기 후보 소비자 군의 생리 주기 및 임신 또는 출산 여부가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함하고,
    상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 화장품 원료 정보 및 복수의 화장품들의 속성 정보와 관련된 단어를 벡터로 변경하기 위한 워드 임베딩 또는 상기 화장품 원료 정보 및 복수의 화장품들의 속성 정보와 관련된 문서에 포함된 단어들을 벡터로 변경하기 위한 문서 임베딩을 수행하여 상기 인공 신경망을 트레이닝하고,
    상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 화장품 원료 정보 및 상기 속성 정보 각각의 특징값들을 추출하고,
    상기 특징값들 중 최대값 및 최소값을 식별하고,
    상기 특징값들의 평균값을 식별하고,
    상기 특징값들, 상기 최소값, 상기 최대값, 및 상기 평균값에 기반하여 정규화된 값들을 획득하도록 더 구성되고,
    상기 정규화된 값들 각각은, 아래의 수학식에 의해 획득되고,
    상기 적어도 하나의 프로세서는 상기 정규화된 값들을 이용하여 상기 인공 신경망을 트레이닝하도록 구성되는 전자 장치.
    Figure 112022090037906-pat00025
    ,
    상기 수학식에서,
    Figure 112022090037906-pat00026
    는 상기 특징값들 각각을 의미하고,
    Figure 112022090037906-pat00027
    는 상기 평균값을 의미하고,
    Figure 112022090037906-pat00028
    는 상기 최대값을 의미하고,
    Figure 112022090037906-pat00029
    는 상기 최소값을 의미하며,
    Figure 112022090037906-pat00030
    는 하이퍼파라미터를 의미함.
  2. 청구항 1에 있어서, 상기 제1 데이터는,
    상기 타겟 화장품에 대응하는 상기 후보 소비자 군의 나이, 성별, 거주지, SNS(social network service) 아이디, 피부 상태, 수분, 모공, 유분, 탄력, 날씨, 자외선, 습도, 미세먼지, 감정, 수면, 체중, 체력, 또는 식욕 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함하는, 전자 장치.
  3. 청구항 2에 있어서, 상기 적어도 하나의 프로세서는,
    다른 외부 전자 장치에게, 상기 제2 데이터베이스에 저장된 거주지들에 대한 날씨, 자외선, 습도, 또는 미세먼지 중 적어도 하나에 대한 실시간 정보를 요청하고,
    상기 다른 외부 전자 장치로부터 상기 실시간 정보를 수신하며,
    상기 타겟 화장품에 대한 정보, 상기 제2 데이터베이스, 및 상기 실시간 정보에 기반하여 상기 제1 데이터를 획득하도록 더 구성된, 전자 장치.
  4. 청구항 1에 있어서, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 제2 데이터를 획득하고,
    상기 제2 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성되는 전자 장치.
  5. 청구항 4에 있어서, 상기 제2 데이터는,
    상기 타겟 소비자에 대응하는 상기 후보 제품 군의 명칭, 가격, 용량, 브랜드, 색상, 질감, 사용감, 효능, 또는 발림감 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함하는, 전자 장치.
  6. 삭제
  7. 삭제
  8. 전자 장치에 있어서,
    통신 회로;
    인스트럭션들을 저장하도록 구성된 적어도 하나의 메모리; 및
    적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    화장품을 제조하기 위해 이용되는 화장품 원료 정보 및 복수의 화장품들의 속성 정보를 인공 신경망에 적용함으로써 화장품 맵을 위한 제1 데이터베이스를 획득하고,
    외부 전자 장치로부터 사용자의 선호도 정보를 수신하고,
    상기 사용자의 선호도 정보 및 상기 제1 데이터베이스를 상기 인공 신경망에 적용함으로써 소비자 맵을 위한 제2 데이터베이스를 획득하고,
    상기 외부 전자 장치로부터 타겟 소비자에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 소비자에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써 상기 타겟 소비자에게 추천하는 후보 제품 군에 대한 제1 데이터를 획득하고,
    상기 제1 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성되고,
    상기 제1 데이터는, 상기 타겟 소비자에 대응하는 상기 후보 제품 군의 명칭, 가격, 용량, 브랜드, 색상, 질감, 사용감, 효능, 또는 발림감 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함하고,
    상기 화장품 맵은 특정 화장품을 나타내는 제1 시각적 객체와 다른 화장품들을 나타내는 제2 시각적 객체들을 포함하고,
    상기 제1 시각적 객체와 제2 시각적 객체의 배치는 상기 특정 화장품과 상기 다른 화장품들 간의 특성 정보 또는 제품 정보에 기반하여 결정되는 유사도에 기반하여 결정되고,
    상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 화장품 원료 정보 및 복수의 화장품들의 속성 정보와 관련된 단어를 벡터로 변경하기 위한 워드 임베딩 또는 상기 화장품 원료 정보 및 복수의 화장품들의 속성 정보와 관련된 문서에 포함된 단어들을 벡터로 변경하기 위한 문서 임베딩을 수행하여 상기 인공 신경망을 트레이닝하고,
    상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 화장품 원료 정보 및 상기 속성 정보 각각의 특징값들을 추출하고,
    상기 특징값들 중 최대값 및 최소값을 식별하고,
    상기 특징값들의 평균값을 식별하고,
    상기 특징값들, 상기 최소값, 상기 최대값, 및 상기 평균값에 기반하여 정규화된 값들을 획득하도록 더 구성되고,
    상기 정규화된 값들 각각은, 아래의 수학식에 의해 획득되고,
    상기 적어도 하나의 프로세서는 상기 정규화된 값들을 이용하여 상기 인공 신경망을 트레이닝하도록 구성되는 전자 장치.
    Figure 112022090037906-pat00031
    ,
    상기 수학식에서,
    Figure 112022090037906-pat00032
    는 상기 특징값들 각각을 의미하고,
    Figure 112022090037906-pat00033
    는 상기 평균값을 의미하고,
    Figure 112022090037906-pat00034
    는 상기 최대값을 의미하고,
    Figure 112022090037906-pat00035
    는 상기 최소값을 의미하며,
    Figure 112022090037906-pat00036
    는 하이퍼파라미터를 의미함.
  9. 삭제
  10. 청구항 8에 있어서, 상기 적어도 하나의 프로세서는, 상기 인스트럭션들을 실행할 시,
    상기 외부 전자 장치로부터 타겟 화장품에 대한 정보를 수신하는 것에 응답하여, 상기 타겟 화장품에 대한 상기 정보에 기반하여 상기 제2 데이터베이스를 탐색함으로써(retrieve) 상기 타겟 화장품에 대응하는 후보 소비자 군에 대한 제2 데이터를 획득하고,
    상기 제2 데이터를 상기 통신 회로를 이용하여 상기 외부 전자 장치에게 송신하도록 구성되는 전자 장치.
  11. 청구항 10에 있어서, 상기 제2 데이터는,
    상기 타겟 화장품에 대응하는 상기 후보 소비자 군의 나이, 성별, 거주지, SNS(social network service) 아이디, 화장품 소비량, 피부 상태, 수분, 모공, 유분, 탄력, 상기 후보 소비자 군의 거주지에 대한 지리적 위치, 날씨, 자외선, 습도, 미세먼지, 상기 후보 소비자 군의 생리 주기, 임신 또는 출산 여부, 감정, 수면, 체중, 체력, 또는 식욕 중 적어도 하나가 상기 외부 전자 장치의 디스플레이를 통해 표시되기 위한 적어도 하나의 시각적 객체를 포함하는, 전자 장치.
  12. 청구항 11에 있어서, 상기 적어도 하나의 프로세서는,
    다른 외부 전자 장치에게, 상기 제2 데이터베이스에 저장된 거주지들에 대한 날씨, 자외선, 습도, 또는 미세먼지 중 적어도 하나에 대한 실시간 정보를 요청하고,
    상기 다른 외부 전자 장치로부터 상기 실시간 정보를 수신하며,
    상기 타겟 화장품에 대한 정보, 상기 제2 데이터베이스, 및 상기 실시간 정보에 기반하여 상기 제2 데이터를 획득하도록 더 구성된, 전자 장치.
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
KR1020190179863A 2019-12-31 2019-12-31 화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 KR102451270B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190179863A KR102451270B1 (ko) 2019-12-31 2019-12-31 화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190179863A KR102451270B1 (ko) 2019-12-31 2019-12-31 화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Publications (2)

Publication Number Publication Date
KR20210086137A KR20210086137A (ko) 2021-07-08
KR102451270B1 true KR102451270B1 (ko) 2022-10-07

Family

ID=76894096

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190179863A KR102451270B1 (ko) 2019-12-31 2019-12-31 화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Country Status (1)

Country Link
KR (1) KR102451270B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102379181B1 (ko) * 2021-09-03 2022-03-25 주식회사 오일오엠 인공지능 기반 뷰티 사업 기획 및 전략안 도출 방법, 장치 및 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002157469A (ja) * 2000-11-20 2002-05-31 Kireicom:Kk 化粧品購入システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190033257A (ko) * 2017-09-21 2019-03-29 주식회사 엘지생활건강 맞춤형 화장품 추천 장치 및 방법
KR20190142500A (ko) * 2018-06-18 2019-12-27 주식회사 여심서울 화장품 추천 서비스 제공 방법 및 이를 실행하기 위한 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002157469A (ja) * 2000-11-20 2002-05-31 Kireicom:Kk 化粧品購入システム

Also Published As

Publication number Publication date
KR20210086137A (ko) 2021-07-08

Similar Documents

Publication Publication Date Title
KR102479575B1 (ko) 화장품 제조 및 분석을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
US11914636B2 (en) Image analysis and prediction based visual search
CN105930934B (zh) 展示预测模型的方法、装置及调整预测模型的方法、装置
US10521691B2 (en) Saliency-based object counting and localization
KR102442433B1 (ko) 화장품 제조 또는 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
US20180157681A1 (en) Anchored search
US11678012B2 (en) Apparatus and method for user interest information generation
KR102404511B1 (ko) 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템
KR20180002944A (ko) 개인 선호별 최적의 상품 제안을 위한 빅데이터 추천시스템 및 추천방법
US20220121934A1 (en) Identifying neural networks that generate disentangled representations
WO2018203555A1 (ja) 信号検索装置、方法、及びプログラム
KR20190029083A (ko) 신경망 학습 방법 및 이를 적용한 장치
US20210263963A1 (en) Electronic device and control method therefor
US11610393B2 (en) Knowledge distillation for neural networks using multiple augmentation strategies
EP4040320A1 (en) On-device activity recognition
KR102451270B1 (ko) 화장품 마케팅을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
Tiwari et al. Market segmentation using supervised and unsupervised learning techniques for E-commerce applications
KR102470993B1 (ko) 인공지능 기반 건강기능식품의 제품 판매 전략 도출 방법, 장치 및 시스템
KR20230077921A (ko) 화장품 마켓팅 시스템
Kumar et al. Fuzzy machine learning algorithms for remote sensing image classification
KR102536172B1 (ko) 인공지능 기반 스포츠 창업 지원 플랫폼 서비스 제공 방법, 장치 및 시스템
US20240256837A1 (en) Multivariable time-series feature extraction
US12050641B2 (en) Image analysis and prediction based visual search
KR102337678B1 (ko) 그래프 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치 및 그 제어 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)