KR102461863B1 - 개인화 스타일링 추천 시스템 및 방법 - Google Patents
개인화 스타일링 추천 시스템 및 방법 Download PDFInfo
- Publication number
- KR102461863B1 KR102461863B1 KR1020220052692A KR20220052692A KR102461863B1 KR 102461863 B1 KR102461863 B1 KR 102461863B1 KR 1020220052692 A KR1020220052692 A KR 1020220052692A KR 20220052692 A KR20220052692 A KR 20220052692A KR 102461863 B1 KR102461863 B1 KR 102461863B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- fashion
- learning
- matching
- recommended
- Prior art date
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
개인화 스타일링 추천 시스템 및 방법이 제공된다. 본 발명의 일 실시예에 따른 개인화 스타일링 추천 시스템은, 다수의 패션 아이템 이미지를 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나로 분류하여 학습하고, 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 어울림 학습 모듈; 및 사용자로부터 사용자 정보를 입력 받고, 설정된 기간 내 상기 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악하며, 상기 어울림 학습 모듈에서의 학습 결과, 상기 사용자 정보 및 상기 사용자가 선호하는 패션 아이템을 기반으로 둘 이상의 패션 아이템 이미지의 조합을 포함하는 추천 스타일링 정보를 상기 사용자에게 제공하는 추천 모듈을 포함한다.
Description
본 발명은 온라인 쇼핑 플랫폼 상에서 개인화된 1:1 맞춤형 스타일링 정보를 제공하는 기술과 관련된다.
최근 들어, 다양한 온라인 쇼핑 플랫폼이 등장하여 사용자가 온라인 상에서 패션 아이템들을 손쉽게 구매할 수 있는 환경이 조성되었다. 이러한 패션 아이템들은 예를 들어, 상의, 하의, 신발, 모자 등이 될 수 있으며, 상품별로 다양한 소재, 프린트(print), 스타일, 색상 등을 가진다.
이와 같이, 사용자는 온라인 상에서 패션 아이템들을 장바구니에 넣거나 구매할 수 있으나, 패션 아이템들의 방대함, 온라인 상에서 착용이 불가능한 한계 등으로 인해 구매를 꺼려하거나 실제 구매하더라도 교환, 환불하는 경우가 많다. 또한, 최근 사용자가 구매한 이력을 바탕으로 관련 상품들을 추천하는 온라인 쇼핑 플랫폼이 등장하였으나, 추천하는 상품들 간의 어울림 정도에 대한 사용자 반응 데이터의 재학습이 고려되지 않아 실제 사용자의 구매까지 이어지는 경우가 많지 않다.
본 발명의 실시예들은 패션 전문가 데이터와 고객 데이터를 기반으로 패션 아이템 이미지들 간의 어울림 정도를 학습하고, 학습 결과, 사용자 정보 및 사용자 선호도를 기반으로 사용자에게 추천 스타일링 정보를 제공하기 위한 것이다.
예시적인 실시예에 따르면, 다수의 패션 아이템 이미지를 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나로 분류하여 학습하고, 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 어울림 학습 모듈; 및 사용자로부터 사용자 정보를 입력 받고, 설정된 기간 내 상기 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악하며, 상기 어울림 학습 모듈에서의 학습 결과, 상기 사용자 정보 및 상기 사용자가 선호하는 패션 아이템을 기반으로 둘 이상의 패션 아이템 이미지의 조합을 포함하는 추천 스타일링 정보를 상기 사용자에게 제공하는 추천 모듈을 포함하는, 개인화 스타일링 추천 시스템이 제공된다.
상기 어울림 학습 모듈은, 설정된 둘 이상의 패션 플랫폼으로부터 수집된 패션 전문가 데이터와 고객 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습할 수 있다.
상기 어울림 학습 모듈은, 상기 패션 전문가 데이터와 상기 고객 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값으로 수치화하여 학습하되, 상기 패션 전문가 데이터로부터 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하며, 상기 패션 전문가 데이터로부터 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하고, 상기 고객 데이터로부터 고객의 상품 리뷰 데이터와 고객의 상품 클릭 데이터를 각각 추출하고, 상기 고객의 상품 리뷰 데이터와 고객의 상품 클릭 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값으로 수치화하여 학습할 수 있다.
상기 어울림 학습 모듈은, 상기 고객의 상품 리뷰 데이터로부터 둘 이상의 패션 아이템 이미지의 조합에 대한 고객 평점과 하나 이상의 고객 불만족 이유를 추출하고, 상기 고객 평점이 기준치 이상인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 평점에 따라 0.6 ~ 1 범위의 값으로 학습하며, 상기 고객 평점이 기준치 미만인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 불만족 이유의 개수에 따라 0.1 ~ 0.5 범위의 값으로 학습할 수 있다.
상기 어울림 학습 모듈은, 상기 고객이 클릭한 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.6 ~ 0.8 범위의 설정된 값으로 학습하며, 상기 고객이 클릭하여 장바구니에 담거나 구매한 이력이 있는 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습할 수 있다.
상기 추천 모듈은, 서로 다른 복수 개의 추천 스타일링 정보를 사용자 단말로 전송하고, 상기 개인화 스타일링 추천 시스템은, 상기 복수 개의 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적하여 상기 어울림 학습 모듈로 피드백시키는 피드백 모듈을 더 포함하며, 상기 어울림 학습 모듈은, 구매가 발생된 패션 아이템들의 조합에 대한 정보를 상기 피드백 모듈로부터 수신하고, 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 최대치로 학습할 수 있다.
상기 추천 모듈은, 사용자 단말로부터 상기 사용자의 얼굴형 및 체형을 포함하는 사용자 사진을 등록 받고, 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형을 고려하여 상기 추천 스타일링 정보를 생성할 수 있다.
상기 추천 모듈은, 상기 사용자의 얼굴형에 따라 서로 다른 형태의 넥라인(neck line)을 갖는 상의를 포함하는 상기 추천 스타일링 정보를 생성할 수 있다.
상기 추천 모듈은, 상기 추천 스타일링 정보의 제공시 상기 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 상품 리뷰 데이터들 중 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형과 기준치 이상의 유사도를 갖는 다른 사용자들이 작성한 상품 리뷰 데이터만을 선별하여 상기 추천 스타일링 정보와 함께 상기 사용자에게 제공할 수 있다.
상기 추천 모듈은, 오프라인 매장의 설정된 지점에 설치된 촬영장치를 통해 촬영된 상기 오프라인 매장에 설정된 횟수 이상 방문한 사용자의 영상을 수신하고, 상기 오프라인 매장의 포스(POS, Point Of Sale) 기기로부터 상기 오프라인 매장에서의 상기 사용자의 구매이력을 수신하며, 상기 사용자의 영상 및 상기 오프라인 매장에서의 상기 사용자의 구매이력을 토대로 상기 추천 스타일링 정보를 생성할 수 있다.
다른 예시적인 실시예에 따르면, 어울림 학습 모듈에서, 다수의 패션 아이템 이미지를 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나로 분류하여 학습하는 단계; 상기 어울림 학습 모듈에서, 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계; 추천 모듈에서, 사용자로부터 사용자 정보를 입력 받는 단계; 상기 추천 모듈에서, 설정된 기간 내 상기 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악하는 단계; 및 상기 추천 모듈에서, 상기 어울림 학습 모듈에서의 학습 결과, 상기 사용자 정보 및 상기 사용자가 선호하는 패션 아이템을 기반으로 둘 이상의 패션 아이템 이미지의 조합을 포함하는 추천 스타일링 정보를 상기 사용자에게 제공하는 단계를 포함하는, 개인화 스타일링 추천 방법이 제공된다.
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계는, 설정된 둘 이상의 패션 플랫폼으로부터 수집된 패션 전문가 데이터와 고객 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습할 수 있다.
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계는, 상기 패션 전문가 데이터와 상기 고객 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값으로 수치화하여 학습하되, 상기 패션 전문가 데이터로부터 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하며, 상기 패션 전문가 데이터로부터 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하고, 상기 고객 데이터로부터 고객의 상품 리뷰 데이터와 고객의 상품 클릭 데이터를 각각 추출하고, 상기 고객의 상품 리뷰 데이터와 고객의 상품 클릭 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값으로 수치화하여 학습할 수 있다.
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계는, 상기 고객의 상품 리뷰 데이터로부터 둘 이상의 패션 아이템 이미지의 조합에 대한 고객 평점과 하나 이상의 고객 불만족 이유를 추출하고, 상기 고객 평점이 기준치 이상인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 평점에 따라 0.6 ~ 1 범위의 값으로 학습하며, 상기 고객 평점이 기준치 미만인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 불만족 이유의 개수에 따라 0.1 ~ 0.5 범위의 값으로 학습할 수 있다.
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계는, 상기 고객이 클릭한 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.6 ~ 0.8 범위의 설정된 값으로 학습하며, 상기 고객이 클릭하여 장바구니에 담거나 구매한 이력이 있는 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습할 수 있다.
상기 개인화 스타일링 추천 방법은, 상기 추천 모듈에서, 서로 다른 복수 개의 추천 스타일링 정보를 사용자 단말로 전송하는 단계; 피드백 모듈에서, 상기 복수 개의 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적하여 상기 어울림 학습 모듈로 피드백시키는 단계; 및 상기 어울림 학습 모듈에서, 구매가 발생된 패션 아이템들의 조합에 대한 정보를 상기 피드백 모듈로부터 수신하고, 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 최대치로 학습하는 단계를 더 포함할 수 있다.
상기 개인화 스타일링 추천 방법은, 상기 추천 모듈에서, 사용자 단말로부터 상기 사용자의 얼굴형 및 체형을 포함하는 사용자 사진을 등록 받는 단계를 더 포함하며, 상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형을 고려하여 상기 추천 스타일링 정보를 생성할 수 있다.
상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 상기 사용자의 얼굴형에 따라 서로 다른 형태의 넥라인을 갖는 상의를 포함하는 상기 추천 스타일링 정보를 생성할 수 있다.
상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 상기 추천 스타일링 정보의 제공시 상기 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 상품 리뷰 데이터들 중 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형과 기준치 이상의 유사도를 갖는 다른 사용자들이 작성한 상품 리뷰 데이터만을 선별하여 상기 추천 스타일링 정보와 함께 상기 사용자에게 제공할 수 있다.
상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 오프라인 매장의 설정된 지점에 설치된 촬영장치를 통해 촬영된 상기 오프라인 매장에 설정된 횟수 이상 방문한 사용자의 영상을 수신하고, 상기 오프라인 매장의 포스(POS, Point Of Sale) 기기로부터 상기 오프라인 매장에서의 상기 사용자의 구매이력을 수신하며, 상기 사용자의 영상 및 상기 오프라인 매장에서의 상기 사용자의 구매이력을 토대로 상기 추천 스타일링 정보를 생성할 수 있다.
본 발명의 실시예들에 따르면, 패션 전문가 데이터와 고객 데이터를 기반으로 패션 아이템 이미지들 간의 어울림 정도를 학습하고, 상기 어울림 정도에 대한 학습 결과, 사용자 정보 및 사용자 선호도를 기반으로 사용자에게 맞는 1:1 맞춤형 추천 스타일링 정보를 제공함으로써, 사용자의 구매 의욕을 고취시킬 수 있다.
또한, 본 발명의 실시예들에 따르면, 1:1 맞춤형 추천 스타일링 정보를 사용자에게 제공하고 상기 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적한 후 실제 구매가 발생된 패션 아이템들의 조합에 대한 정보를 어울림 학습 모듈로 피드백시키고, 딥러닝 모델에서 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 최대치로 학습함으로써, 어울림 학습 모듈에서 사용되는 딥러닝 모델의 성능을 지속적으로 고도화시킬 수 있다.
이와 같이, 본 발명의 실시예들에 따르면, 패션 트렌드의 변화에 따라 변화하는 고객 취향정보를 반영하여 고객의 최근 취향을 실시간으로 파악하고, 이를 기반으로 1:1 로 맞춤형 추천 스타일링 정보를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 개인화 스타일링 추천 시스템을 설명하기 위한 개략도
도 2는 본 발명의 일 실시예에 따른 개인화 스타일링 추천 시스템의 세부 구성을 나타낸 블록도
도 3은 본 발명의 일 실시예에 따른 패션 아이템 이미지의 속성을 나타낸 예시
도 4는 본 발명의 일 실시예에 따른 어울림 학습 모듈에서 사용되는 딥러닝 모델의 예시
도 5는 본 발명의 일 실시예에 따른 어울림 학습 모듈에서 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 과정을 설명하기 위한 예시
도 6은 본 발명의 일 실시예에 따른 고객의 상품 리뷰 데이터의 예시
도 7은 본 발명의 일 실시예에 따른 장바구니 상품 및 구매 상품의 이미지를 나타낸 예시
도 8은 본 발명의 일 실시예에 따른 추천 모듈에서 사용자에게 제공하는 추천 스타일링 정보들의 예시
도 9는 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 전과 학습 후 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도의 분포 변화를 나타낸 그래프
도 10은 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 전과 학습 후 추천 모듈에서 추천되는 추천 스타일링 정보의 변화를 나타낸 예시
도 11은 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 후 추천되는 추천 스타일링 정보에 대한 사용자들의 활성화 비율 및 체류시간 증대 결과를 나타낸 도면
도 12는 본 발명의 일 실시예에 따른 개인화 스타일링 추천 방법을 설명하기 위한 흐름도
도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 개인화 스타일링 추천 시스템의 세부 구성을 나타낸 블록도
도 3은 본 발명의 일 실시예에 따른 패션 아이템 이미지의 속성을 나타낸 예시
도 4는 본 발명의 일 실시예에 따른 어울림 학습 모듈에서 사용되는 딥러닝 모델의 예시
도 5는 본 발명의 일 실시예에 따른 어울림 학습 모듈에서 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 과정을 설명하기 위한 예시
도 6은 본 발명의 일 실시예에 따른 고객의 상품 리뷰 데이터의 예시
도 7은 본 발명의 일 실시예에 따른 장바구니 상품 및 구매 상품의 이미지를 나타낸 예시
도 8은 본 발명의 일 실시예에 따른 추천 모듈에서 사용자에게 제공하는 추천 스타일링 정보들의 예시
도 9는 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 전과 학습 후 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도의 분포 변화를 나타낸 그래프
도 10은 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 전과 학습 후 추천 모듈에서 추천되는 추천 스타일링 정보의 변화를 나타낸 예시
도 11은 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 후 추천되는 추천 스타일링 정보에 대한 사용자들의 활성화 비율 및 체류시간 증대 결과를 나타낸 도면
도 12는 본 발명의 일 실시예에 따른 개인화 스타일링 추천 방법을 설명하기 위한 흐름도
도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1은 본 발명의 일 실시예에 따른 개인화 스타일링 추천 시스템(106)을 설명하기 위한 개략도이다. 도 1에 도시된 바와 같이, 개인화 스타일링 추천 시스템(106)은 네트워크(104)를 통해 다수의 패션 플랫폼(102) 및 사용자 단말(108)과 연결된다.
패션 플랫폼(102)은 패션 아이템과 관련된 다양한 정보를 개인화 스타일링 추천 시스템(106)에 제공한다. 패션 플랫폼(102)은 예를 들어, 온라인 쇼핑몰 서버, 온라인 패션몰 서버, 온라인 패션 매거진 서버 등이 될 수 있다. 패션 플랫폼(102)은 다수 개 존재할 수 있으며, 개인화 스타일링 추천 시스템(106)은 각 패션 플랫폼(102)으로부터 패션 아이템과 관련된 다양한 정보를 수집할 수 있다. 여기서, 패션 아이템과 관련된 정보는 예를 들어, 패션 아이템 이미지뿐 아니라 후술할 패션 전문가 데이터, 고객 데이터 등이 될 수 있다. 또한, 네트워크(104)는 인터넷, 와이파이 네트워크(wifi network), 3G 네트워크, LTE 네트워크 등과 같은 모바일 네트워크(mobile network), 광역 네트워크(wire area networks) 등을 포함할 수 있다.
개인화 스타일링 추천 시스템(106)은 패션 플랫폼(102)으로부터 패션 전문가 데이터와 고객 데이터를 수신하고, 이를 기반으로 패션 아이템 이미지들 간의 어울림 정도를 학습한다. 또한, 개인화 스타일링 추천 시스템(106)은 상기 어울림 정도의 학습 결과, 사용자 정보 및 사용자 선호도를 기반으로 사용자에게 추천 스타일링 정보를 제공한다. 개인화 스타일링 추천 시스템(106)은 온라인 쇼핑몰, 온라인 패션몰 등의 일 구성으로 구비되어 사용자가 온라인 쇼핑을 하는 동안 사용자에게 1:1 맞춤형 스타일링 정보를 제공할 수 있다.
사용자 단말(108)은 사용자가 소지하는 단말로서 예를 들어, 데스크탑, 노트북, 태블릿 컴퓨터, 스마트폰, PDA, 스마트 워치와 같은 웨어러블 디바이스 등이 될 수 있다. 사용자는 사용자 단말(108)을 이용하여 온라인 쇼핑몰, 온라인 패션몰 등에 접속하여 온라인 쇼핑을 할 수 있으며, 이 과정에서 개인화 스타일링 추천 시스템(106)으로부터 1:1 맞춤형 스타일링 정보를 제공 받을 수 있다.
도 2는 본 발명의 일 실시예에 따른 개인화 스타일링 추천 시스템(106)의 세부 구성을 나타낸 블록도이다. 도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 개인화 스타일링 추천 시스템(106)은 어울림 학습 모듈(202), 추천 모듈(204) 및 피드백 모듈(206)을 포함한다.
어울림 학습 모듈(202)은 다수의 패션 아이템 이미지를 사용자 성별, 연령, 피부톤, 얼굴형, 체형(예를 들어, 어깨 넓이, 상하체 비율, 힙 둘레 등), 신체 사이즈(예를 들어, 키, 몸무게, 상하의 사이즈 등), 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나로 분류하여 학습하고, 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습한다.
이를 위해, 어울림 학습 모듈(202)은 각 패션 플랫폼(102)으로부터 다수의 패션 아이템 이미지를 수집할 수 있다. 여기서, 패션 아이템은 예를 들어, 상의, 하의, 신발, 모자 등이 될 수 있다. 또한, 패션 아이템 이미지는 상기 패션 아이템이 포함된 이미지로서, 예를 들어 상의 이미지, 하의 이미지, 신발 이미지, 모자 이미지 등이 될 수 있다. 이러한 각 패션 아이템 이미지는 패션 아이템을 착용한 사용자의 이미지까지 포함할 수 있다. 또한, 어울림 학습 모듈(202)은 상기 패션 아이템 이미지를 수집하는 과정에서 상기 패션 아이템 이미지에 태깅(tagging)된 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나를 포함하는 라벨링 데이터(labeling data)까지 수집할 수 있다. 이에 따라, 어울림 학습 모듈(202)은 수집된 다수의 패션 아이템 이미지를 상기 라벨링 데이터, 즉 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나로 분류하여 학습할 수 있다.
또한, 어울림 학습 모듈(202)은 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습한다. 일 예시로서, 어울림 학습 모듈(202)은 동일한 사용자 성별(예를 들어, 남성) 및 연령대별(예를 들어, 성인)로 분류된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습할 수 있다. 다른 예시로서, 어울림 학습 모듈(202)은 동일한 TPO(예를 들어, 골프웨어, 아웃도어 등)로 분류된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습할 수 있다. 즉, 어울림 학습 모듈(202)은 상기 분류를 기반으로 패션 아이템 이미지들을 그룹핑하고, 딥러닝 모델을 이용하여 동일 그룹 내 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습할 수 있다.
여기서, 딥러닝 모델은 예를 들어, GNN(Graph Neural Network)일 수 있다. 어울림 학습 모듈(202)은 상기 딥러닝 모델을 기반으로 패션 아이템 이미지의 속성들을 분석하여 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 스스로 수치화하여 학습할 수 있다. 상기 패션 아이템 이미지의 속성들은 예를 들어, 패션 아이템의 소재, 프린트(print), 스타일, 색상, 디테일, 소매 기장, 넥라인, 카라, 핏, 세이프, 실루엣 등이 될 수 있다. 하나의 패션 아이템은 수십 개의 속성들 조합으로 이루어질 수 있으며, 이러한 속성들의 조합이 달라짐에 따라 서로 다른 패션 아이템, 즉 상품이 탄생하게 된다. 이러한 패션 아이템들은 그 자체의 매력으로 사용자의 구매 의욕을 고취시킬 수 있으나, 다른 패션 아이템과의 조합에 따른 어울림 정도에 따라 사용자의 추가적인 구매 의욕을 고취시킬 수도 있다. 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도는 사람의 주관적인 판단에 따라 달라질 수 있으나, 사용자들은 일반적으로 다수의 패션 전문가들이 선택한 패션 아이템들의 조합 또는 다수의 사용자들이 구매한 패션 아이템들의 조합을 선호하는 경우가 많다. 이에, 본 발명에서는 어울림 학습 모듈(202)이 다수의 패션 플랫폼(102)으로부터 패션 전문가 데이터와 고객 데이터를 수집한 후 이를 기반으로 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하도록 하였다. 어울림 학습 모듈(202)이 패션 전문가 데이터와 고객 데이터를 기반으로 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 구체적인 방법에 대해서는 도 4 내지 도 5를 참조하여 구체적으로 후술하기로 한다.
추천 모듈(204)은 둘 이상의 패션 아이템 이미지의 조합을 포함하는 추천 스타일링 정보를 사용자에게 제공한다.
이를 위해, 추천 모듈(204)은 사용자로부터 사용자 정보를 입력 받을 수 있다. 여기서, 사용자 정보는 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 등과 같은 인적사항, 사용자가 선호하는 브랜드 또는 제조사, 패션 스타일 등과 같은 선호사항 등을 포함할 수 있다. 추천 모듈(204)은 사용자로부터 사용자 정보를 입력 받고, 상기 사용자 정보에 대응되는 추천 스타일링 정보를 생성할 수 있다.
또한, 추천 모듈(204)은 설정된 기간 내 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악할 수 있다. 추천 모듈(204)은 예를 들어, 최근 한달 이내 내 사용자의 장바구니 상품 및 구매 상품의 이미지를 추출하고, 상기 장바구니 상품의 이미지 및 상기 구매 상품의 이미지를 분석하여 그 속성을 파악할 수 있다. 즉, 추천 모듈(204)은 이미지 분석을 통해 상기 사용자가 선호하는 패션 아이템의 정보(예를 들어, 소재, 프린트, 스타일, 색상 등과 같은 패션 아이템의 속성)를 파악하고, 이를 기반으로 추천 스타일링 정보를 생성할 수 있다. 상기 추천 스타일링 정보는 예를 들어, 특정 상의와 하의의 조합에 대한 정보, 특정 상의와 모자의 조합에 대한 정보, 특정 하의와 신발에 대한 정보 등이 될 수 있다.
이와 같이, 추천 모듈(204)은 상기 사용자 정보와 사용자가 선호하는 패션 아이템의 정보를 고려하여 추천 스타일링 정보를 생성할 수 있다. 이때, 추천 모듈(204)은 어울림 학습 모듈(202)에서의 학습 결과를 기반으로 상기 추천 스타일링 정보를 생성할 수 있다. 일 예시로서, 상기 사용자 정보와 상기 사용자가 선호하는 패션 아이템의 정보를 기반으로 패션 아이템 A를 추천하고자 하는 경우, 추천 모듈(204)은 어울림 학습 모듈(202)에서의 학습 결과를 기반으로 상기 패션 아이템 A와 어울림 정도가 높은 패션 아이템 B를 상기 패션 아이템 A와 함께 사용자에게 추천할 수 있다. 다른 예시로서, 상기 사용자 정보와 상기 사용자가 선호하는 패션 아이템의 정보를 기반으로 패션 아이템 B, C를 추천하고자 하는 경우, 추천 모듈(204)은 어울림 학습 모듈(202)에서의 학습 결과를 기반으로 상기 패션 아이템 B, C와 어울림 정도가 높은 패션 아이템 D를 상기 패션 아이템 B, C와 함께 사용자에게 추천할 수 있다. 다른 예시로서, 상기 사용자 정보와 상기 사용자가 선호하는 패션 아이템의 정보를 기반으로 패션 아이템 E, F가 선별되었으나 어울림 학습 모듈(202)에서의 학습 결과 상기 패션 아이템 E, F 간의 어울림 정도가 기준치 미만인 경우, 추천 모듈(204)은 상기 패션 아이템 E, F 대신 상기 사용자 정보와 상기 사용자가 선호하는 패션 아이템의 정보에 대응되면서 어울림 정도가 기준치 이상인 패션 아이템 G, H를 사용자에게 추천할 수 있다.
또한, 추천 모듈(204)은 사용자 단말(108)로부터 상기 사용자의 얼굴형 및 체형을 포함하는 사용자 사진을 등록 받고, 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형을 고려하여 추천 스타일링 정보를 생성할 수 있다. 추천 모듈(204)은 상기 사용자 사진을 이미지 분석하여 사용자의 얼굴형 및 체형을 추출한 후 이를 기 저장된 얼굴형 및 체형과 비교하고, 이로부터 사용자 사진에 포함된 사용자의 얼굴형 및 체형을 식별(예를 들어, 계란형 얼굴형, 상의 사이즈 100, 허리 사이즈 32 등)할 수 있다. 이후, 추천 모듈(204)은 상기 사용자의 얼굴형 및 체형을 고려하여 추천 스타일링 정보를 생성할 수 있다. 일 예시로서, 추천 모듈(204)은 사용자의 얼굴형에 따라 추천하고자 하는 상의의 넥라인(예를 들어, V 넥, 라운드 넥 등)을 결정하거나, 사용자의 체형에 따라 추천하고자 하는 상의와 하의의 비율, 사이즈, 핏 등을 결정할 수 있다. 구체적으로, 추천 모듈(204)은 사용자의 얼굴형이 설정된 둥근 형태로 판단되는 경우 V 넥 형태의 상의가 포함된 추천 스타일링 정보를 생성할 수 있으며, 사용자의 얼굴형이 설정된 네모 형태로 판단되는 경우 라운드 넥 형태의 상의가 포함된 추천 스타일링 정보를 생성할 수 있다. 상기 추천 스타일링 정보에는 추천되는 패션 아이템들의 종류 및 속성에 대한 정보뿐 아니라, 상기 패션 아이템들의 스타일, 사이즈, 핏 등에 대한 정보까지 포함될 수 있다. 또한, 상기 사용자의 피부톤, 얼굴형, 체형, 신체 사이즈 등에 따른 추천 스타일링 정보, 패션 전문가 데이터, 고객 데이터 등은 어울림 학습 모듈(202)의 딥러닝 모델에 피드백될 수 있으며, 이에 따라 딥러닝 모델의 성능이 고도화될 수 있다.
또한, 추천 모듈(204)은 상기 추천 스타일링 정보의 제공시 상기 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 상품 리뷰 데이터들 중 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형과 기준치 이상의 유사도를 갖는 다른 사용자들이 작성한 상품 리뷰 데이터만을 선별하여 상기 추천 스타일링 정보와 함께 상기 사용자에게 제공할 수 있다. 이 경우, 사용자는 자신과 동일한 성별 및 연령대를 가지면서 자신과 유사한 얼굴형 및 체형을 갖는 다른 사용자들이 작성한 리뷰 데이터만을 선별 확인함으로써, 상기 추천 스타일링 정보와 관련된 다수의 리뷰 데이터들 중 자신에게 꼭 필요한 리뷰 데이터만을 곧바로 확인할 수 있으며 이에 따라 상기 추천 스타일링 정보에 포함된 상품들에 대한 사용자의 구매 의욕을 더욱 고취시킬 수 있다.
즉, 본 발명의 실시예들에 따르면, 패션 전문가 데이터와 고객 데이터를 기반으로 패션 아이템 이미지들 간의 어울림 정도를 학습하고, 상기 어울림 정도에 대한 학습 결과, 사용자 정보 및 사용자 선호도를 기반으로 사용자에게 맞는 1:1 맞춤형 추천 스타일링 정보를 제공함으로써, 사용자의 구매 의욕을 고취시킬 수 있다.
또한, 추천 모듈(204)은 상기 추천 스타일링 정보를 사용자 단말(108)로 전송할 수 있다. 이때, 추천 모듈(204)은 서로 다른 복수 개의 추천 스타일링 정보를 사용자 단말(108)로 전송할 수 있으며, 사용자는 상기 복수 개의 추천 스타일링 정보 중 하나 이상의 추천 스타일링 정보에 포함된 패션 아이템을 선택하여 장바구니에 넣거나 구매할 수 있다.
또한, 추천 모듈(204)은 오프라인 매장의 설정된 지점에 설치된 촬영장치(예를 들어, 인공지능 카메라)를 통해 촬영된 상기 오프라인 매장에 설정된 횟수 이상 방문한 사용자(즉, 단골 손님)의 영상을 수신하고, 상기 오프라인 매장의 포스(POS, Point Of Sale) 기기로부터 상기 오프라인 매장에서의 상기 사용자의 구매이력(예를 들어, 상기 사용자가 구매한 상품의 정보)을 수신하며, 상기 사용자의 영상 및 상기 오프라인 매장에서의 상기 사용자의 구매이력을 토대로 상기 추천 스타일링 정보를 생성할 수 있다. 추천 모듈(204)은 예를 들어, 상기 오프라인 매장에서의 상품 구매가 발생한 시점으로부터 설정된 기간 경과 후(예를 들어, 상품 구매 후 7일 뒤) 상기 오프라인 매장을 이용한 사용자의 사용자 단말(108)로 추천 스타일링 정보를 전송할 수 있다. 이와 같이, 본 발명의 실시예들에 따르면, 오프라인 매장과 연동하여 고객 맞춤형 추천 스타일링 정보를 생성하여 사용자에게 제공함으로써 오프라인 매장의 단골 손님의 재방문을 유도할 수 있다.
피드백 모듈(206)은 사용자 단말(108)로 전송된 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적하여 어울림 학습 모듈(202)로 피드백시킨다. 상술한 바와 같이, 추천 모듈(204)은 서로 다른 복수 개의 추천 스타일링 정보를 사용자 단말(108)로 전송할 수 있다. 피드백 모듈(206)은 상기 복수 개의 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적하여 구매가 발생된 패션 아이템들의 조합에 대한 정보를 획득하고, 상기 구매가 발생된 패션 아이템들의 조합에 대한 정보를 어울림 학습 모듈(202)로 전달할 수 있다. 어울림 학습 모듈(202)은 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 최대치로 학습(예를 들어, 1의 값으로 학습)할 수 있다. 즉, 본 발명의 실시예들에 따르면, 1:1 맞춤형 추천 스타일링 정보를 사용자에게 제공하고 상기 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적한 후 실제 구매가 발생된 패션 아이템들의 조합에 대한 정보를 어울림 학습 모듈(202)로 피드백시키고, 딥러닝 모델에서 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 최대치로 학습함으로써, 어울림 학습 모듈(202)에서 사용되는 딥러닝 모델의 성능을 지속적으로 고도화시킬 수 있다.
도 3은 본 발명의 일 실시예에 따른 패션 아이템 이미지의 속성을 나타낸 예시이다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 패션 아이템 이미지의 속성은 예를 들어, 패션 아이템 이미지에 포함된 패션 아이템의 소재, 프린트(무늬), 스타일, 색상, 디테일, 소매 기장, 넥라인, 카라, 핏, 세이프, 실루엣 등이 될 수 있다. 여기서, 소재는 예를 들어, 면, 폴리에스테르, 린넨(linen), 레이온(rayon), 텐셀(tencel), 아크릴(acrylic), 퍼(fur), 니트(knit), 무스탕(mouton), 레이스(lace), 스웨이드(suede), 앙고라(angora), 메시(mesh), 코듀로이(corduroy), 플리스(fleece), 시퀸(sequin), 네오프렌(neoprene), 데님(denim), 실크(silk), 저지(jersey), 스판덱스(spandex), 트위드(tweed), 자카드(jacquard), 벨벳(velvet), 가죽(leather), 비닐(vinyl), 면(cotton), 울(wool), 시폰(chiffon), 합성섬유(synthetic) 등이 될 수 있다. 또한, 프린트는 예를 들어, 체크(check), 플로럴(floral), 스트라이프(stripe), 레터링(lettering), 지그재그(zigzag), 해골(skull), 호피(leopard), 타이다이(tie-dye), 지브라(zebra), 그라데이션(gradation), 도트(dot), 무지(solid), 카무플라쥬(camouflage), 그래픽(graphic), 페이즐리(paisley), 하운즈 투스(Hound's touth), 아가일(argyle), 깅엄(gingham) 등이 될 수 있다. 또한, 스타일은 예를 들어, 캐주얼(casual), 스트릿(street), 빈티지(vintage), 페미닌(feminine), 댄디(dandy), 클래식(classic), 매니시(menish), 엘레강스(elegance), 에스닉(ethnic), 모던(modern), 내추럴(natural), 로맨틱(romantic), 스포티(sporty), 뉴트로(newtro), 힙합(hiphop), 맥시멈(maximum), 펑크(punk) 등이 될 수 있다. 색상은 예를 들어, 화이트(white), 블랙(black), 블루(blue), 레드(red) 등이 될 수 있다. 또한, 세이프는 예를 들어, 비대칭(asymmetrical), A라인(a-line), H라인(h-line), 펜슬(pencil), 스트레이트(straight), 테이퍼드(tapered), 부츠컷(boots-cut), 벨보텀(bell-bottom), 머메이드(mermaid), 페플럼(peplum) 등이 될 수 있다. 이 외에도 상기 패션 아이템 이미지의 속성은 상술한 바와 같이, 패션 아이템의 넥 라인, 소매 길이, 디테일, 소매기장, 카라, 핏, 세이프, 실루엣, 단추 형태, 주머니 형태 등을 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 어울림 학습 모듈(202)에서 사용되는 딥러닝 모델의 예시이며, 도 5는 본 발명의 일 실시예에 따른 어울림 학습 모듈(202)에서 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 과정을 설명하기 위한 예시이다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 어울림 학습 모듈(202)에서 사용되는 딥러닝 모델은 예를 들어, GNN(Graph Neural Network) 일 수 있다.
어울림 학습 모듈(202)은 상기 딥러닝 모델을 이용하여 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습할 수 있다. 어울림 학습 모듈(202)은 각 패션 플랫폼(102)으로부터 다수의 패션 아이템 이미지, 상기 패션 아이템 이미지 내의 패션 아이템과 관련된 다양한 정보, 예를 들어 패션 전문가 데이터 및 고객 데이터를 수집하고, 수집된 패션 전문가 데이터와 고객 데이터를 기반으로 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습할 수 있다. 구체적으로, 어울림 학습 모듈(202)은 상기 패션 전문가 데이터와 고객 데이터를 기반으로 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값(또는 0 ~ 100 범위의 값)으로 수치화하여 학습할 수 있다. 이러한 수치화된 학습은 지도 학습(supervised learning)으로서, 둘 이상의 패션 아이템 이미지와 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도에 대한 수치값(예를 들어, 0 ~ 1 범위의 값)이 딥러닝 모델에 입력될 수 있다.
도 4의 (a)는 상기 딥러닝 모델에 입력되는 입력 데이터를 나타내며, 도 4의 (b)는 상기 딥러닝 모델의 인코더(encoder)를 나타내며, 도 4의 (c)는 상기 딥러닝 모델의 디코더(decoder)를 나타낸다. 도 4에 도시된 바와 같이, GNN은 상기 인코더와 디코더로 이루어질 수 있다.
먼저, x1, x2는 패션 아이템 이미지의 노드를 나타내며, 상기 x1, x2 에 연결된 노드들은 상기 x1, x2 의 속성들(예를 들어, 소재, 프린트, 스타일, 색상 등)을 각각 나타낸다. 어울림 학습 모듈(202)은 상기 x1에 대한 속성 정보 및 상기 x2에 대한 속성 정보를 입력값(X data)으로, 상기 x1과 x2 간의 어울림 정도에 대한 수치값(compatibility score)을 라벨값(Y data)로 딥러닝 모델에 각각 입력하여 학습시킬 수 있다.
이때, 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도에 대한 수치값, 즉 라벨값은 상술한 패션 전문가 데이터와 고객 데이터를 기반으로 결정될 수 있다.
도 5를 참조하면, 상기 패션 전문가 데이터는 예를 들어, 패션 전문가에 의해 기 스타일링된 패션 아이템 이미지의 조합, 패션 플랫폼 운영자에 의해 기 추천된 패션 아이템 이미지의 조합일 수 있다.
일 예시로서, 어울림 학습 모듈(202)은 패션 전문가 데이터로부터 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습할 수 있다. 온라인 쇼핑몰, 온라인 패션몰, 온라인 패션 매거진, 패션쇼 등에서 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지의 조합은 그 어울림 정도가 이미 검증되었다고 볼 수 있으므로, 어울림 학습 모듈(202)은 상기 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로(즉, 최대치로) 학습할 수 있다.
다른 예시로서, 어울림 학습 모듈(202)은 패션 전문가 데이터로부터 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습할 수 있다. 패션 플랫폼의 운영자는 자신이 운영하는 패션 플랫폼, 예를 들어 온라인 쇼핑몰, 온라인 패션몰 등에서 둘 이상의 패션 아이템 이미지의 조합을 추천할 수 있으며, 이렇게 추천된 패션 아이템 이미지의 조합은 그 어울림 정도가 이미 검증되었다고 볼 수 있다. 이에 따라, 어울림 학습 모듈(202)은 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로(즉, 최대치로) 학습할 수 있다. 또한, 패션 플랫폼의 운영자는 자신이 운영하는 패션 플랫폼에서 추천된 상기 둘 이상의 패션 아이템 이미지의 조합을 삭제할 수 있으며, 이렇게 추천이 취소된 패션 아이템 이미지의 조합은 그 어울림 정도가 최신 트렌드와 맞지 않는 것으로 볼 수 있다. 이에 따라, 어울림 학습 모듈(202)은 상기 패션 플랫폼의 운영자에 의해 추천이 취소된 패션 아이템 이미지 간의 어울림 정도를 0으로(즉, 최소치로) 재학습할 수 있다.
또한, 도 5를 참조하면, 상기 고객 데이터는 예를 들어, 고객의 상품 리뷰 데이터, 고객의 상품 클릭 데이터 등이 될 수 있다. 어울림 학습 모듈(202)은 상기 고객 데이터로부터 고객의 상품 리뷰 데이터와 고객의 상품 클릭 데이터를 각각 추출하고, 상기 고객의 상품 리뷰 데이터와 고객의 상품 클릭 데이터를 기반으로 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값으로 수치화하여 다시 학습할 수 있다.
일 예시로서, 어울림 학습 모듈(202)은 상기 고객의 상품 리뷰 데이터로부터 둘 이상의 패션 아이템 이미지의 조합에 대한 고객 평점을 추출하고, 상기 고객 평점이 기준치 이상인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 평점에 따라 0.6 ~ 1 범위의 값으로 학습할 수 있다. 상기 고객 평점은 예를 들어, 설정된 범위의 수치값(예를 들어, 1 ~ 5 범위의 수치값)을 가질 수 있으며, 고객 만족도에 따라 고객에 의해 선택될 수 있다. 상기 고객 평점이 기준치 이상인 둘 이상의 패션 아이템 이미지의 조합은 그 어울림 정도가 어느 정도 검증되었다고 볼 수 있으므로, 어울림 학습 모듈(202)은 상기 고객 평점이 기준치 이상인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 평점에 따라 0.6 ~ 1 범위의 값으로 학습할 수 있다. 만약, 특정 패션 아이템 이미지들에 대한 고객 평점이 다수 개 존재하는 경우, 어울림 학습 모듈(202)은 상기 고객 평점의 평균치에 따라 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.6 ~ 1 범위의 값으로 학습할 수 있다.
다른 예시로서, 어울림 학습 모듈(202)은 상기 고객의 상품 리뷰 데이터로부터 둘 이상의 패션 아이템 이미지의 조합에 대한 하나 이상의 고객 불만족 이유를 추출하고, 상기 고객 평점이 기준치 미만인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 불만족 이유의 개수에 따라 0.1 ~ 0.5 범위의 값으로 학습할 수 있다. 앞선 예시에서, 상기 둘 이상의 패션 아이템 이미지에 대한 고객 평점이 기준치 미만인 경우, 고객은 상기 고객 평점이 낮은 이유, 즉 고객 불만족 이유를 추가적으로 입력할 수 있다. 상기 고객 불만족 이유는 예를 들어, 복수 개의 기 정의된 서로 다른 불만족 이유들로 설정되어 있으며, 고객은 상기 복수 개의 불만족 이유들 중 하나 이상을 선택할 수 있다. 상기 고객에 의해 선택된 고객 불만족 이유의 개수가 많을수록 둘 이상의 패션 아이템 이미지 간의 어울림 정도가 좋지 않다는 것을 의미하므로, 어울림 학습 모듈(202)은 상기 고객 불만족 이유의 개수에 따라 상기 고객 평점이 기준치 미만인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.1 ~ 0.5 범위의 값으로 학습할 수 있다. 예를 들어, 어울림 학습 모듈(202)은 고객 불만족 이유의 개수가 많을수록 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.1에 가깝게 학습할 수 있다
다른 예시로서, 어울림 학습 모듈(202)은 상기 고객이 클릭한 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.6 ~ 0.8 범위의 설정된 값(예를 들어, 0.8)으로 학습하며, 상기 고객이 클릭하여 장바구니에 담거나 구매한 이력이 있는 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습할 수 있다. 고객이 패션 플랫폼(102)에서 제공하는 온라인 쇼핑몰, 온라인 패션몰 등에서 둘 이상의 패션 아이템 이미지의 조합에 대해 클릭하는 경우, 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도가 어느 정도 검증되었다고 볼 수 있다. 나아가, 고객이 패션 플랫폼(102)에서 제공하는 온라인 쇼핑몰, 온라인 패션몰 등에서 둘 이상의 패션 아이템 이미지의 조합을 장바구니에 담거나 구매하는 경우 앞선 클릭하는 경우에 비해 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도가 더욱 검증되었다고 볼 수 있다. 이에 따라, 어울림 학습 모듈(202)은 고객의 상품 클릭 데이터를 기반으로 상기 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.6 ~ 0.8 범위의 값 또는 1로 각각 학습할 수 있다.
이와 같이, 본 발명의 실시예들에 따르면, 복수의 패션 플랫폼(102)으로부터 수집된 패션 전문가 데이터와 고객 데이터를 기반으로 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 자동으로 수치화하여 학습함으로써, 검증된 성능의 딥러닝 모델을 구현할 수 있으며 다수의 패션 전문가와 고객으로부터 검증된 데이터를 활용한다는 점에서 상술한 추천 스타일링 정보를 기반으로 한 사용자의 상품 구매율 또한 높아질 수 있다. 이때, 어울림 학습 모듈(202)은 상술한 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지 간의 어울림 정도에 대한 학습(제1 학습), 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지 간의 어울림 정도에 대한 학습(제2 학습), 고객의 상품 리뷰 데이터에 기반한 둘 이상의 패션 아이템 이미지 간의 어울림 정도에 대한 학습(제3 학습), 고객의 상품 클릭 데이터에 기반한 둘 이상의 패션 아이템 이미지 간의 어울림 정도에 대한 학습(제4 학습)을 각각 독립적으로 수행하되, 동일한 둘 이상의 패션 아이템 이미지의 조합에 대한 서로 다른 학습 결과가 존재하는 경우 각 학습 결과에 대해 기 정의된 가중치를 적용하여 가중 합산할 수 있다. 예를 들어, 동일한 둘 이상의 패션 아이템 이미지의 조합에 대한 서로 다른 학습 결과가 존재하는 경우, 어울림 학습 모듈(202)은 상기 제1 학습에 대한 학습 결과, 상기 제2 학습에 대한 학습 결과, 상기 제3 학습에 대한 학습 결과 및 상기 제4 학습에 대한 학습 결과에 각각 0.3, 0.3, 0.2, 0.2의 가중치를 부여한 후 이들 학습 결과를 가중 합산하는 방식으로 학습을 수행할 수 있다. 또한, 어울림 학습 모듈(202)은 설정된 기간 이내의 데이터(즉, 최근 데이터)에 상대적으로 더 큰 가중치를 부여할 수도 있다.
또한, 딥러닝 모델은 상술한 바와 같이 패션 전문가 데이터와 고객 데이터가 존재하는 둘 이상의 패션 아이템 이미지에 대해서는 지도 학습 기반의 수치화된 학습을 수행할 수 있으나, 패션 전문가 데이터와 고객 데이터가 존재하지 않는 둘 이상의 패션 아이템 이미지에 대해서는 상기 패션 아이템 이미지에 포함된 패션 아이템의 속성들을 기반으로 비지도 학습(unsupervised learning)을 수행하도록 구성될 수 있다. 예를 들어, 딥러닝 모델은 각 패션 플랫폼(102)으로부터 수집된 다수의 패션 아이템 이미지들의 속성을 분석하여 동일한 둘 이상의 패션 아이템 이미지의 조합의 비율 또는 개수에 따라 상기 조합에 대한 어울림 정도를 자동으로 학습할 수 있다.
일 예시로서, 서로 다른 속성을 갖는 패션 아이템 이미지 A와 패션 아이템 이미지 B의 조합이 설정된 횟수 이상(예를 들어, 100번 이상) 반복하여 수집되는 경우, 딥러닝 모델은 상기 패션 아이템 이미지 A와 B에 대한 어울림 정도를 최대치로 학습하도록 구성될 수 있다. 즉, 딥러닝 모델은 라벨링 데이터 없이도 각 패션 플랫폼(102)으로부터 수집된 다수의 패션 아이템 이미지들 중 특정한 둘 이상의 패션 아이템 이미지 간의 어울림 정도가 상기 특정한 둘 이상의 패션 아이템 이미지의 조합의 비율 또는 개수에 비례하도록 상기 어울림 정도를 자동으로 학습할 수 있다.
패션 아이템 이미지 A (소재 a1, 프린트 b2, 스타일 c5, 색상 d3, …)
패션 아이템 이미지 B (소재 a2, 프린트 b4, 스타일 c2, 색상 d2, …)
이 경우, 도 4에서의 인코더와 디코더가 동작하게 된다. 구체적으로, 인코더는 둘 이상의 패션 아이템 이미지를 나타내는 노드들(예를 들어, 도 4의 x1, x2)의 그래프(graph)를 상기 노드들의 연결 관계를 기반으로 임베딩(embedding)하여 저차원의 벡터들로 인코딩한다. 도 4의 x1, x2는 이 과정에서 z1, z2로 변환되며, 상기 z1, z2는 x1, x2에 각각 대응되는 hidden activations이다. 또한, 상기 z1, z2는 각 hidden layer에서 계산되어 출력된 최종값인 h1, h2로 변환되며, 디코더는 상기 h1, h2 간의 어울림 정도, 즉 compatibility score를 출력할 수 있다.
상기 딥러닝 모델에 입력되는 입력값과 상기 딥러닝 모델을 통해 출력값은 아래와 같다.
[입력값(Input)]
X : Feature matrix of the nodes
A : Adjacency matrix of nodes relations
(i,j) : Pairs of nodes for assessing compatibility score
(여기서, X는 각 노드들의 특징 행렬(예를 들어, 패션 아이템 이미지들의 속성들에 대한 매트릭스)을 나타내며, A는 각 노드들 간의 관계에 대한 인접 행렬을 나타내며, (i, j)는 compatibility score의 계산 대상이 되는 노드들의 쌍을 나타냄)
이때, 노드 i 와 노드 j는 예를 들어, 도 4의 x1, x2 가 될 수 있다.
[출력값(Output)]
The compatibility score p between nodes i and j
즉, 상기 딥러닝 모델을 통해 출력되는 출력값은 노드 i와 노드 j 간의 어울림 정도, 즉 compatibility score 일 수 있다. 상기 노드 i와 노드 j 간의 어울림 정도는 예를 들어, 위 예시의 x1, x2 간의 어울림 정도일 수 있다.
또한, 상기 딥러닝 모델의 인코더와 디코더는 아래 수학식을 통해 상기 출력값을 출력할 수 있다.
[수학식]
L = 3 // use 3 graph convolutional layers
S = 1 // consider neighbours 1 step away
H = ENCODER(X, A)
p = DECODER(H, i, j)
function ENCODER(X, A)
Z(0) = X
for each layer l = 0, …, L -1 do
end for
return Z(L)
end function
function DECODER(H, i, j)
return
end function
(이때, L은 그래프 컨볼루션 레이어의 개수를 나타내며 여기서는 3으로 가정한다. 또한, S는 이웃 노드의 거리를 나타내며 여기서는 1로 가정함. 또한, H는 인코더에서의 출력값을 나타내며, p는 디코더에서의 출력값(즉, 딥러닝 모델에서의 출력값)을 나타냄. 또한, Z는 레이어 l에서 인코더의 입력값이며, 첫 번째 레이어에서는 Z(0) = X 임. 또한, ReLU는 렐루 함수(Rectified Linear Unit)를 나타냄. 또한, 
는 s번째 단계 인접 행렬(adjacency matrix)의 정규화된 값을 나타내며, 
는 레이어 l에 대한 trainable parameters(learnable parameters)를 포하는 행렬을 나타냄. 또한, 디코더의 
는 절대값을 나타내며, 
와 b는 trainable parameters(learnable parameters)를 나타냄)
상기 인코더는 둘 이상의 패션 아이템 이미지들에 대한 노드들의 연결 관계를 기반으로 상기 둘 이상의 패션 아이템 이미지들의 새로운 임베딩(embeddings)을 계산하며, 상기 디코더는 상기 둘 이상의 패션 아이템 이미지들의 간의 어울림 정도를 계산할 수 있다.
도 6은 본 발명의 일 실시예에 따른 고객의 상품 데이터의 예시이다. 도 6의 (a)는 고객 평점을 나타낸 예시이며, 도 6의 (b)는 고객 불만족 이유를 나타낸 예시이다.
상술한 바와 같이, 상기 고객 평점은 예를 들어, 설정된 범위의 수치값(예를 들어, 1 ~ 5 범위의 수치값)을 가질 수 있으며, 고객 만족도에 따라 고객에 의해 선택될 수 있다. 또한, 상기 고객 불만족 이유는 예를 들어, 복수 개의 기 정의된 서로 다른 불만족 이유들로 설정되어 있으며, 고객은 상기 복수 개의 불만족 이유들 중 하나 이상을 선택할 수 있다. 도 6에 도시된 바와 같이, 고객 불만족 이유는 예를 들어, “믹스매치가 아쉬워요.”, “색상이 안 어울려요.”, “패턴이 안 어울려요.”, “소재가 안 어울려요.”, “핏감이 안 어울려요.” 등이 될 수 있으며, 고객이 상기 복수 개의 불만족 이유들 중 하나 이상을 선택할 수 있다.
도 7은 본 발명의 일 실시예에 따른 장바구니 상품 및 구매 상품의 이미지를 나타낸 예시이다. 도 7의 (a)는 본 발명의 일 실시예에 따른 장바구니 상품의 이미지를 나타낸 예시이며, 도 7의 (b)는 본 발명의 일 실시예에 따른 구매 상품의 이미지를 나타낸 예시이다.
상술한 바와 같이, 추천 모듈(204)은 설정된 기간 내 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악할 수 있다. 추천 모듈(204)은 예를 들어, 최근 한달 이내 내 사용자의 장바구니 상품 및 구매 상품의 이미지를 추출하고, 상기 장바구니 상품의 이미지 및 상기 구매 상품의 이미지를 분석하여 그 속성을 파악할 수 있다.
도 8은 본 발명의 일 실시예에 따른 추천 모듈(204)에서 사용자에게 제공하는 추천 스타일링 정보들의 예시이다.
상술한 바와 같이, 추천 모듈(204)은 서로 다른 복수 개의 추천 스타일링 정보를 사용자 단말(108)로 제공할 수 있으며, 사용자는 상기 복수 개의 추천 스타일링 정보 중 하나 이상의 추천 스타일링 정보에 포함된 패션 아이템을 선택하여 장바구니에 넣거나 구매할 수 있다.
도 9는 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 전과 학습 후 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도의 분포 변화를 나타낸 그래프이다. 도 9의 (a)는 설정된 둘 이상의 패션 아이템 이미지, 예를 들어 골프웨어 이미지의 세트 1,611개만을 딥러닝 모델에 입력한 결과 도출되는 출력값들의 분포를 나타낸 그래프이며, 도 9의 (b)는 설정된 둘 이상의 패션 아이템 이미지, 예를 들어 골프웨어 이미지의 세트 1,611개와 상기 1,611개 세트에 대한 라벨값을 딥러닝 모델에 입력한 결과 도출되는 출력값들의 분포를 나타낸 그래프이다.
도 9의 (a)를 참조하면, 골프웨어 이미지의 세트 1,611개만을 딥러닝 모델에 입력하는 경우 상기 1,611개 세트에 대한 어울림 정도, 즉 compatibility score가 대부분 0 근처의 값을 갖는 것을 확인할 수 있다.
도 9의 (b)를 참조하면, 골프웨어 이미지의 세트 1,611개에 대한 상품 리뷰 데이터(예를 들어, 상기 1,611개 세트에 대한 사용자의 평점 정보가 모두 5점 만점에 4점 이상)를 근거로 상기 골프웨어 이미지의 세트 1,611개 및 상기 1,611개 세트에 대한 어울림 정도를 1로 학습한 결과 상기 딥러닝 모델을 통해 도출되는 출력값 또한 대부분 1 근처의 값을 갖는 것을 확인할 수 있다.
도 10은 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 전과 학습 후 추천 모듈에서 추천되는 추천 스타일링 정보의 변화를 나타낸 예시이다.
도 10에 도시된 바와 같이, 딥러닝 모델에서의 라벨값에 대한 학습 전 추천 모듈(204)에서 추천되는 추천 스타일링 정보와 딥러닝 모델에서의 라벨값에 대한 학습 후 추천 모듈(204)에서 추천되는 추천 스타일링 정보가 서로 상이한 것을 확인할 수 있다. 딥러닝 모델에서의 라벨값에 대한 학습 후 추천 모듈(204)에서 추천되는 추천 스타일링 정보의 경우, 딥러닝 모델에서의 라벨값에 대한 학습 전 추천 모듈(204)에서 추천되는 추천 스타일링 정보에 비해 최신 패션 트렌드 및 고객 취향정보가 더욱 잘 반영되어 있다고 볼 수 있다. 이러한 추천 스타일링 정보에 대한 신뢰도 향상은 도 11을 통해 확인할 수 있다.
도 11은 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 후 추천되는 추천 스타일링 정보에 대한 사용자들의 활성화 비율 및 체류시간 증대 결과를 나타낸 도면이다.
도 11의 (a)는 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 후 추천되는 추천 스타일링 정보에 대한 사용자들의 활성화 비율을 나타낸다. 도 11의 (a)를 참조하면, 사용자들의 추천 스타일링 정보의 제공에 대한 활성화 비율, 즉 사용자들이 추천 스타일링 정보를 제공 받길 원하는 비율이 전체의 71%에 달하는 것을 확인할 수 있다.
또한, 도 11의 (b)는 본 발명의 일 실시예에 따른 딥러닝 모델에서의 라벨값에 대한 학습 후 추천되는 추천 스타일링 정보에 대한 사용자들의 체류시간 증대 결과를 나타낸다. 도 11의 (b)를 참조하면, 사용자들에게 본 발명의 일 실시예에 따른 추천 스타일링 정보가 제공된 후 상기 추천 스타일링 정보를 제공하는 패션 플랫폼에서의 사용자들의 체류시간(또는 총 상품 조회수)이 기존보다 최대 40%까지 증가된 것을 확인할 수 있다.
도 12는 본 발명의 일 실시예에 따른 개인화 스타일링 추천 방법을 설명하기 위한 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
S10 단계에서, 어울림 학습 모듈(202)은 다수의 패션 아이템 이미지를 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO 중 적어도 하나로 분류하여 학습한다.
S20 단계에서, 어울림 학습 모듈(202)은 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습한다.
S30 단계에서, 추천 모듈(204)은 사용자로부터 사용자 정보를 입력 받는다.
S40 단계에서, 추천 모듈(204)은 설정된 기간 내 상기 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악한다.
S50 단계에서, 추천 모듈(204)은 어울림 학습 모듈(202)에서의 학습 결과, 상기 사용자 정보 및 상기 사용자가 선호하는 패션 아이템을 기반으로 둘 이상의 패션 아이템 이미지의 조합을 포함하는 추천 스타일링 정보를 상기 사용자에게 제공한다.
S60 단계에서, 피드백 모듈(206)은 사용자에게 제공된 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적하여 어울림 학습 모듈(202)로 피드백시킨다. 어울림 학습 모듈(202)은 상기 구매가 발생된 패션 아이템들의 조합에 대한 정보를 상기 피드백 모듈(206)로부터 수신하고, 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 최대치로 학습할 수 있다(S20 단계). 즉, 피드백 모듈(206)은 추천 스타일링 정보에 대한 고객의 상품 클릭 데이터가 발생되는 경우 상기 추천 스타일링 정보에 대한 고객의 상품 클릭 데이터를 어울림 학습 모듈(202)로 전달하고, 어울림 학습 모듈(202)은 상기 추천 스타일링 정보에 대한 고객의 상품 클릭 데이터를 기반으로 딥러닝 모델의 재학습을 수행할 수 있다.
S70 단계에서, 피드백 모듈(206)은 추천 스타일링 정보에 대한 고객의 상품 리뷰 데이터가 발생되는 경우 상기 추천 스타일링 정보에 대한 고객의 상품 리뷰 데이터를 어울림 학습 모듈(202)로 전달하고, 어울림 학습 모듈(202)은 상기 추천 스타일링 정보에 대한 고객의 상품 리뷰 데이터를 기반으로 딥러닝 모델의 재학습을 수행할 수 있다.
도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 개인화 스타일링 추천 시스템(106), 또는 개인화 스타일링 추천 시스템(106)에 포함되는 하나 이상의 컴포넌트일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 전술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
102 : 패션 플랫폼
104 : 네트워크
106 : 개인화 스타일링 추천 시스템
108 : 사용자 단말
202 : 어울림 학습 모듈
204 : 추천 모듈
206 : 피드백 모듈
104 : 네트워크
106 : 개인화 스타일링 추천 시스템
108 : 사용자 단말
202 : 어울림 학습 모듈
204 : 추천 모듈
206 : 피드백 모듈
Claims (20)
- 다수의 패션 아이템 이미지를 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나로 분류하여 학습하고, 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 어울림 학습 모듈;
사용자로부터 사용자 정보를 입력 받고, 설정된 기간 내 상기 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악하며, 상기 어울림 학습 모듈에서의 학습 결과, 상기 사용자 정보 및 상기 사용자가 선호하는 패션 아이템을 기반으로 둘 이상의 패션 아이템 이미지의 조합을 포함하는 복수 개의 추천 스타일링 정보를 상기 사용자에게 제공하는 추천 모듈; 및
상기 복수 개의 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적하여 상기 어울림 학습 모듈로 피드백시키는 피드백 모듈을 포함하며,
상기 어울림 학습 모듈은, 설정된 둘 이상의 패션 플랫폼으로부터 수집된 패션 전문가 데이터와 고객 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값으로 수치화하여 학습하고,
상기 어울림 학습 모듈은,
상기 패션 전문가 데이터로부터 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하는 제1 학습;
상기 패션 전문가 데이터로부터 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하는 제2 학습;
상기 고객 데이터로부터 추출된 고객의 상품 리뷰 데이터로부터 둘 이상의 패션 아이템 이미지의 조합에 대한 고객 평점과 하나 이상의 고객 불만족 이유를 추출하고, 상기 고객 평점이 기준치 이상인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 평점에 따라 0.6 ~ 1 범위의 값으로 학습하며, 상기 고객 평점이 기준치 미만인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 불만족 이유의 개수에 따라 0.1 ~ 0.5 범위의 값으로 학습하는 제3 학습; 및
상기 고객이 클릭한 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.6 ~ 0.8 범위의 설정된 값으로 학습하며, 상기 고객이 클릭하여 장바구니에 담거나 구매한 이력이 있는 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하는 제4 학습을 각각 독립적으로 수행하되,
상기 어울림 학습 모듈은, 상기 제1 학습, 상기 제2 학습, 상기 제3 학습 및 상기 제4 학습에 대한 학습 결과에 각각 설정된 가중치를 부여한 후 가중 합산하고,
상기 어울림 학습 모듈은, 상기 피드백 모듈로부터 상기 복수 개의 추천 스타일링 정보에 포함된 패션 아이템들의 조합 중 구매가 발생된 패션 아이템들의 조합에 대한 정보를 수신하고, 상기 어울림 학습 모듈에서 사용되는 상기 딥러닝 모델의 성능의 지속적인 고도화를 위해 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 1로 학습하는, 개인화 스타일링 추천 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 청구항 1에 있어서,
상기 추천 모듈은, 사용자 단말로부터 상기 사용자의 얼굴형 및 체형을 포함하는 사용자 사진을 등록 받고, 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형을 고려하여 상기 추천 스타일링 정보를 생성하는, 개인화 스타일링 추천 시스템.
- 청구항 7에 있어서,
상기 추천 모듈은, 상기 사용자의 얼굴형에 따라 서로 다른 형태의 넥라인(neck line)을 갖는 상의를 포함하는 상기 추천 스타일링 정보를 생성하는, 개인화 스타일링 추천 시스템.
- 청구항 7에 있어서,
상기 추천 모듈은, 상기 추천 스타일링 정보의 제공시 상기 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 상품 리뷰 데이터들 중 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형과 기준치 이상의 유사도를 갖는 다른 사용자들이 작성한 상품 리뷰 데이터만을 선별하여 상기 추천 스타일링 정보와 함께 상기 사용자에게 제공하는, 개인화 스타일링 추천 시스템.
- 청구항 1에 있어서,
상기 추천 모듈은, 오프라인 매장의 설정된 지점에 설치된 촬영장치를 통해 촬영된 상기 오프라인 매장에 설정된 횟수 이상 방문한 사용자의 영상을 수신하고, 상기 오프라인 매장의 포스(POS, Point Of Sale) 기기로부터 상기 오프라인 매장에서의 상기 사용자의 구매이력을 수신하며, 상기 사용자의 영상 및 상기 오프라인 매장에서의 상기 사용자의 구매이력을 토대로 상기 추천 스타일링 정보를 생성하는, 개인화 스타일링 추천 시스템.
- 어울림 학습 모듈에서, 다수의 패션 아이템 이미지를 사용자 성별, 연령, 피부톤, 얼굴형, 체형, 신체 사이즈, 지역 및 TPO(Time, Place, Occasion) 중 적어도 하나로 분류하여 학습하는 단계;
상기 어울림 학습 모듈에서, 상기 분류를 기반으로 설정된 딥러닝 모델을 이용하여 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계;
추천 모듈에서, 사용자로부터 사용자 정보를 입력 받는 단계;
상기 추천 모듈에서, 설정된 기간 내 상기 사용자의 장바구니 상품 및 구매 상품의 이미지를 분석하여 상기 사용자가 선호하는 패션 아이템을 파악하는 단계;
상기 추천 모듈에서, 상기 어울림 학습 모듈에서의 학습 결과, 상기 사용자 정보 및 상기 사용자가 선호하는 패션 아이템을 기반으로 둘 이상의 패션 아이템 이미지의 조합을 포함하는 복수 개의 추천 스타일링 정보를 상기 사용자에게 제공하는 단계; 및
피드백 모듈에서, 상기 복수 개의 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 구매 발생 여부를 추적하여 상기 어울림 학습 모듈로 피드백시키는 단계를 포함하며,
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계는, 설정된 둘 이상의 패션 플랫폼으로부터 수집된 패션 전문가 데이터와 고객 데이터를 기반으로 상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하고,
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 0 ~ 1 범위의 값으로 수치화하여 학습하는 단계는,
상기 패션 전문가 데이터로부터 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 전문가에 의해 기 스타일링된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하는 제1 학습;
상기 패션 전문가 데이터로부터 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지의 조합을 추출하고, 상기 패션 플랫폼의 운영자에 의해 기 추천된 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하는 제2 학습;
상기 고객 데이터로부터 추출된 고객의 상품 리뷰 데이터로부터 둘 이상의 패션 아이템 이미지의 조합에 대한 고객 평점과 하나 이상의 고객 불만족 이유를 추출하고, 상기 고객 평점이 기준치 이상인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 평점에 따라 0.6 ~ 1 범위의 값으로 학습하며, 상기 고객 평점이 기준치 미만인 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 상기 고객 불만족 이유의 개수에 따라 0.1 ~ 0.5 범위의 값으로 학습하는 제3 학습; 및
상기 고객이 클릭한 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 0.6 ~ 0.8 범위의 설정된 값으로 학습하며, 상기 고객이 클릭하여 장바구니에 담거나 구매한 이력이 있는 둘 이상의 패션 아이템 이미지 간의 어울림 정도를 1로 학습하는 제4 학습을 각각 독립적으로 수행하되,
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계는,
상기 제1 학습, 상기 제2 학습, 상기 제3 학습 및 상기 제4 학습에 대한 학습 결과에 각각 설정된 가중치를 부여한 후 가중 합산하고,
상기 둘 이상의 상기 패션 아이템 이미지 간의 어울림 정도를 수치화하여 학습하는 단계는,
상기 피드백 모듈로부터 상기 복수 개의 추천 스타일링 정보에 포함된 패션 아이템들의 조합 중 구매가 발생된 패션 아이템들의 조합에 대한 정보를 수신하고, 상기 어울림 학습 모듈에서 사용되는 상기 딥러닝 모델의 성능의 지속적인 고도화를 위해 상기 구매가 발생된 패션 아이템들의 조합에 대한 어울림 정도를 1로 학습하는, 개인화 스타일링 추천 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 청구항 11에 있어서,
상기 추천 모듈에서, 사용자 단말로부터 상기 사용자의 얼굴형 및 체형을 포함하는 사용자 사진을 등록 받는 단계를 더 포함하며,
상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형을 고려하여 상기 추천 스타일링 정보를 생성하는, 개인화 스타일링 추천 방법.
- 청구항 17에 있어서,
상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 상기 사용자의 얼굴형에 따라 서로 다른 형태의 넥라인을 갖는 상의를 포함하는 상기 추천 스타일링 정보를 생성하는, 개인화 스타일링 추천 방법.
- 청구항 17에 있어서,
상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 상기 추천 스타일링 정보의 제공시 상기 추천 스타일링 정보에 포함된 패션 아이템들의 조합에 대한 상품 리뷰 데이터들 중 상기 사용자 정보, 상기 사용자의 얼굴형 및 체형과 기준치 이상의 유사도를 갖는 다른 사용자들이 작성한 상품 리뷰 데이터만을 선별하여 상기 추천 스타일링 정보와 함께 상기 사용자에게 제공하는, 개인화 스타일링 추천 방법.
- 청구항 11에 있어서,
상기 추천 스타일링 정보를 상기 사용자에게 제공하는 단계는, 오프라인 매장의 설정된 지점에 설치된 촬영장치를 통해 촬영된 상기 오프라인 매장에 설정된 횟수 이상 방문한 사용자의 영상을 수신하고, 상기 오프라인 매장의 포스(POS, Point Of Sale) 기기로부터 상기 오프라인 매장에서의 상기 사용자의 구매이력을 수신하며, 상기 사용자의 영상 및 상기 오프라인 매장에서의 상기 사용자의 구매이력을 토대로 상기 추천 스타일링 정보를 생성하는, 개인화 스타일링 추천 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220052692A KR102461863B1 (ko) | 2022-04-28 | 2022-04-28 | 개인화 스타일링 추천 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220052692A KR102461863B1 (ko) | 2022-04-28 | 2022-04-28 | 개인화 스타일링 추천 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102461863B1 true KR102461863B1 (ko) | 2022-11-01 |
Family
ID=84042419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220052692A KR102461863B1 (ko) | 2022-04-28 | 2022-04-28 | 개인화 스타일링 추천 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102461863B1 (ko) |
Cited By (2)
| 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 |
| KR102575382B1 (ko) * | 2023-07-04 | 2023-09-06 | 주식회사 지원알엔티 | 인공지능 기반 온라인 의류 판매 시스템 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190142526A (ko) * | 2018-06-18 | 2019-12-27 | 유승상 | 오프라인 매장의 잠재고객을 위한 상품 추천 시스템 및 상품추천방법 |
| KR20200024538A (ko) * | 2018-08-28 | 2020-03-09 | 십일번가 주식회사 | 이미지 검색과 관련한 정보 추천 방법 및 이를 지원하는 서비스 장치 |
| KR20200042203A (ko) * | 2018-10-15 | 2020-04-23 | 한국전자통신연구원 | 사용자 입력 영상 기반 의상코디 장치 및 방법 |
| KR102127562B1 (ko) * | 2018-05-28 | 2020-06-29 | 주식회사 로코식스 | 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법 |
| KR20200091593A (ko) | 2019-01-23 | 2020-07-31 | (주)우리브영 | 온라인 패션 코디 방법 |
| KR20210061690A (ko) * | 2019-11-20 | 2021-05-28 | 엔에이치엔 주식회사 | 맞춤 의류 추천 서비스 제공 장치 및 시스템 및 방법 |
-
2022
- 2022-04-28 KR KR1020220052692A patent/KR102461863B1/ko active IP Right Grant
Patent Citations (6)
| 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 |
| KR20190142526A (ko) * | 2018-06-18 | 2019-12-27 | 유승상 | 오프라인 매장의 잠재고객을 위한 상품 추천 시스템 및 상품추천방법 |
| KR20200024538A (ko) * | 2018-08-28 | 2020-03-09 | 십일번가 주식회사 | 이미지 검색과 관련한 정보 추천 방법 및 이를 지원하는 서비스 장치 |
| KR20200042203A (ko) * | 2018-10-15 | 2020-04-23 | 한국전자통신연구원 | 사용자 입력 영상 기반 의상코디 장치 및 방법 |
| KR20200091593A (ko) | 2019-01-23 | 2020-07-31 | (주)우리브영 | 온라인 패션 코디 방법 |
| KR20210061690A (ko) * | 2019-11-20 | 2021-05-28 | 엔에이치엔 주식회사 | 맞춤 의류 추천 서비스 제공 장치 및 시스템 및 방법 |
Cited By (2)
| 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 |
| KR102575382B1 (ko) * | 2023-07-04 | 2023-09-06 | 주식회사 지원알엔티 | 인공지능 기반 온라인 의류 판매 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11100560B2 (en) | Extending machine learning training data to generate an artificial intelligence recommendation engine | |
| US10963944B2 (en) | System and method for fashion recommendations | |
| CN110663023B (zh) | 用于优化计算机机器学习的方法和系统 | |
| US10963744B2 (en) | Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data | |
| US11734747B2 (en) | Contextual set selection | |
| KR102461863B1 (ko) | 개인화 스타일링 추천 시스템 및 방법 | |
| US11983748B2 (en) | Using artificial intelligence to determine a size fit prediction | |
| US20190108458A1 (en) | Using artificial intelligence to determine a value for a variable size component | |
| KR102565310B1 (ko) | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 | |
| US11157988B2 (en) | System and method for fashion recommendations | |
| US20210326913A1 (en) | Global optimization of inventory allocation | |
| US20210350391A1 (en) | Methods and systems for providing a personalized user interface | |
| US11544768B2 (en) | System and method for fashion recommendations | |
| KR102506356B1 (ko) | 코디 추천 장치 및 방법 | |
| EP3673427A1 (en) | Computer system for optimizing garment inventory of retailer based on shapes of users | |
| KR20210131198A (ko) | 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램 | |
| Zhuo et al. | 3D modeling design and rapid style recommendation of polo shirt based on interactive genetic algorithm | |
| US11526925B2 (en) | System and method for fashion recommendations | |
| US11430043B2 (en) | System and method for fashion recommendations | |
| KR102407276B1 (ko) | 양방향 소통 기반 상품 판매 장치 및 방법 | |
| KR20220044715A (ko) | 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 | |
| Chen et al. | A perceptual image prediction model of professional dress style based on PSO-BP neural network | |
| US11790429B2 (en) | Systems and methods for interpreting colors and backgrounds of maps | |
| KR102678159B1 (ko) | 의류판매 플랫폼 시스템 | |
| US20220101408A1 (en) | System and method for fashion recommendations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |