KR102464906B1 - 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법 - Google Patents

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.

Description

패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법{Electronic device, server and method thereof for recommending fashion item}

패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법에 관한 것으로서, 더욱 상세하게는 인공지능을 통해 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법에 관한 것이다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

다양한 실시예들은, 인공지능을 통해 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법을 제공할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은 전자 장치로부터 상기 제1 패션 상품의 이미지 데이터를 수신하는 단계; 상기 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑하는 단계; 상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터를 획득하는 단계; 상기 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터를 이용하여, 제2 벡터를 산출하는 단계; 상기 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득하는 단계; 및 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 전자 장치로 송신하는 단계를 포함하는, 서버의 패션 상품 추천 방법을 제공할 수 있다.

또한, 본 개시의 제2 측면은, 상기 제1 패션 상품의 이미지 데이터를 획득하는 단계; 상기 제1 패션 상품의 이미지 데이터를 서버로 송신하는 단계; 및 상기 서버에 의해, 상기 제1 패션 상품의 이미지 데이터가 기 설정된 벡터 공간 상의 특정 위치에 매핑되고, 상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터가 획득되고, 상기 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터가 이용됨으로써 제2 벡터가 산출되고, 상기 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계를 포함하는, 전자 장치의 패션 상품 추천 방법을 제공할 수 있다.

또한, 본 개시의 제3 측면은, 복수의 벡터와 적어도 하나의 프로그램이 저장되는 데이터베이스(DB); 전자 장치와 데이터를 송수신하는 통신부; 및 상기 적어도 하나의 프로그램을 실행함으로써 상기 제1 패션 상품에 기초하여 상기 제2 패션 상품을 추천하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로그램은, 상기 전자 장치로부터 상기 제1 패션 상품의 이미지 데이터를 수신하는 단계; 상기 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑하는 단계; 상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터를 획득하는 단계; 상기 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터를 이용하여, 제2 벡터를 산출하는 단계; 상기 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득하는 단계; 및 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 전자 장치로 송신하는 단계;를 실행하는 명령어들을 더 포함하는 것을 특징으로 하는, 서버를 제공할 수 있다.

또한, 본 개시의 제4 측면은, 적어도 하나의 프로그램이 저장되는 메모리; 디스플레이부; 사용자의 입력을 수신하는 사용자 입력부; 서버와 데이터를 송수신하는 통신부; 및 상기 적어도 하나의 프로그램을 실행함으로써 상기 제1 패션 상품에 기초하여 상기 제2 패션 상품을 추천하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로그램은, 상기 제1 패션 상품의 이미지 데이터를 획득하는 단계; 상기 제1 패션 상품의 이미지 데이터를 서버로 송신하는 단계; 및 상기 서버에 의해, 상기 제1 패션 상품의 이미지 데이터가 기 설정된 벡터 공간 상의 특정 위치에 매핑되고, 상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터가 획득되고, 상기 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터가 이용됨으로써 제2 벡터가 산출되고, 상기 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계;를 실행하는 명령어들을 포함하는 것을 특징으로 하는, 전자 장치를 제공할 수 있다.

또한, 본 개시의 제5 측면은, 제1 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체를 제공할 수 있다.

또한, 본 개시의 제6 측면은, 제2 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체를 제공할 수 있다.

도 1은 일 실시예에 따른 서버 및 전자 장치가 패션 상품을 추천하는 과정을 도시하는 도면이다.
도 2는 일 실시예에 따른 서버가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.
도 3은 다른 일 실시예에 따른 서버가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.
도 4는 일 실시예에 따른 전자 장치가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.
도 5는 일 실시예에 따른 전자 장치 및 서버가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.
도 6은 일 실시예에 따른 추천 패션 상품을 획득하기 위한 벡터 연산을 도시하는 도면이다.
도 7은 일 실시예에 따른 전자 장치가 추천 패션 상품을 결정하는 과정에서 디스플레이 되는 사용자 인터페이스 화면의 일 예를 도시하는 도면이다.
도 8 및 도 9는 일부 실시예에 따른 전자 장치의 구성을 도시하는 블록도이다.
도 10은 일 실시예에 따른 서버의 구성을 도시하는 블록도이다.
도 11은 일 실시예에 따른 프로세서의 블록도이다.
도 12는 일 실시예에 따른 데이터 학습부의 구성을 도시하는 블록도이다.
도 13은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 14는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

아래에서는 첨부한 도면을 참조하여 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 실시예를 상세히 설명한다. 그러나 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서에서 사용된 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 다른 부분과 “연결”되어 있다고 함은 어떤 부분이 다른 부분과 신호 송수신을 통해 데이터 통신을 수행할 수 있는 상태가 되어 있는 경우를 포함한다.

또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

첨부된 도면은 발명의 일 실시예를 설명하기 위하여 개략적으로 도시될 수 있으며, 몇몇 치수는 보다 명확한 표현을 위해 과장될 수 있다. 이와 유사하게, 도면의 상당 부분은 임의로 표현될 수 있다.

개시에서 사용되는 “모듈”이라는 용어는 용어가 사용된 문맥에 따라서 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드 코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.

개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 발명을 한정하려는 의도가 아니다. 개시에서 사용한 용어는 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나 이는 당 분야에 종사하는 기술자의 의도, 판례, 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

개시에 기재된 실시예 및 첨부된 도면은 발명의 다양한 실시예 중 일부를 통해 발명을 설명하기 위한 것이며, 개시에 기재된 실시예 및 첨부된 도면만으로 발명이 한정되는 것은 아니다.

이하 첨부된 도면을 참고하여 개시를 상세히 설명하기로 한다.

도 1은 일 실시예에 따른 서버 및 전자 장치가 패션 상품을 추천하는 과정을 도시하는 도면이다.

본 명세서에서 기재될 "관심 패션 상품" 및 "추천 패션 상품"이라는 용어들 간의 관계에 있어서, 사용자는 서버 및 전자 장치로부터 관심 패션 상품과 조화되는 추천 패션 상품을 추천 받을 수 있다. 이때, 관심 패션 상품은 사용자가 현재 보유하고 있는 패션 상품이거나 관심을 가지고 있는 패션 상품일 수 있으나, 이에 한정되지 않는다. 설명의 편의를 위해 이하에서는 관심 패션 상품이나 추천 패션 상품을 "제1 패션 상품", "제2 패션 상품" 등으로 지칭할 수도 있다.

일 실시예에 따른 전자 장치는 사용자로부터 관심 패션 상품(110)에 관한 정보를 획득할 수 있다. 보다 구체적으로, 전자 장치는 사용자로부터 관심 패션 상품(110)의 이미지 데이터를 획득할 수 있다. 관심 패션 상품(110)의 이미지 데이터는, 예를 들어 사용자가 관심 패션 상품(110)을 촬영하거나, 전자 장치의 사용자 인터페이스 화면에 디스플레이 된 관심 패션 상품(110)의 이미지를 캡쳐함으로써 획득될 수 있다.

일 실시예에 따른 전자 장치는 관심 패션 상품(110)의 이미지 데이터를 서버로 송신할 수 있고, 일 실시예에 따른 서버는 전자 장치로부터 수신한 관심 패션 상품(110)의 이미지 데이터를 기 설정된 벡터 공간(120) 상의 특정 위치(130)에 매핑할 수 있다.

도 1은 기 설정된 벡터 공간(120)을 2차원 공간으로 도시하고 있으나, 이에 한정되지 않는다. 기 설정된 벡터 공간(120)은 n차원(n은 임의의 자연수) 벡터 공간을 나타낼 수 있다.

일 실시예에 따른 서버는 벡터 연산을 통해 추천 패션 상품(160)을 획득할 수 있다. 도 1은 이미지들 간에 뺄셈 또는 덧셈을 수행하는 것처럼 도시하고 있으나, 이미지들과 대응되는 벡터들간의 뺄셈 또는 덧셈을 나타내고자 한 것임은 당업자에게 용이하게 이해될 것이다. 도 1에 도시된 바에 따르면, 전자 장치는 관심 패션 상품(110)의 이미지 데이터를 기 설정된 벡터 공간(120)상의 특정 위치(130)에 매핑함으로써 획득된 벡터와, 적어도 하나의 카테고리 벡터(140, 150)를 이용하여 벡터 연산을 수행함으로써 추천 패션 상품(160)과 대응되는 벡터를 산출할 수 있다.

본 명세서에서 "카테고리 벡터"란 패션 상품의 카테고리에 대응되는, 벡터 공간의 소정의 영역 내의 벡터들에 기초하여 결정된 벡터를 의미할 수 있다. 보다 구체적으로, 카테고리 벡터는 패션 상품의 카테고리에 대응되는, 벡터 공간의 소정의 영역 내의 벡터들의 평균에 해당하는 벡터일 수 있다. 예를 들어, "반팔 상의"라는 패션 상품 카테고리의 카테고리 벡터는, 반팔 상의라는 패션 상품 카테고리에 대응되는 벡터 공간의 소정의 영역 내의 복수의 반팔 상의 벡터들의 평균에 해당하는 벡터일 수 있다. 그러나, 카테고리 벡터의 정의는 이에 한정되지 않으며, 예를 들어 사용자가 임의로 선택한 패션 상품의 이미지 데이터와 대응되는 벡터도 카테고리 벡터로 지칭될 수 있다.

도 2는 일 실시예에 따른 서버가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.

여기서, 도 1과 중복되는 설명은 간략히 서술하기로 한다.

단계 210에서, 서버는 전자 장치로부터 제1 패션 상품의 이미지 데이터를 수신할 수 있다.

여기서 제1 패션 상품은 관심 패션 상품이고, 제1 패션 상품의 이미지 데이터는 사용자에 의해 촬영된 제1 패션 상품의 이미지 파일이나 전자 장치의 사용자 인터페이스 화면에서 캡쳐된 제1 패션 상품의 이미지 파일일 수 있다. 다만 이에 한정되는 것은 아니다.

단계 220에서, 서버는 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑할 수 있다.

일 실시예에 따른 서버가 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑할 때, 서버는 이미지의 시각적 유사도에 기초하여, 시각적으로 유사한 이미지는 기 설정된 벡터 공간 상의 유사한 위치에 매핑할 수 있다.

이미지들 간 시각적 유사도에 기초하여 이미지들을 기 설정된 벡터 공간 상의 특정 위치에 매핑함에 있어서, 예를 들어 콘볼루션 신경망(CNN: Convolutional Neural Network)이 이용될 수 있다. 데이터에 대한 학습 결과가 누적될수록, 서버가 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑하는 동작의 정확도는 증가할 수 있다. 데이터 학습에 대한 구체적인 설명은 도 11 내지 도 14에 대한 설명에서 후술하기로 한다.

단계 230에서, 서버는 제1 패션 상품의 이미지 데이터에 대응되는 제1 벡터를 획득할 수 있다.

일 실시예에 따른 서버는 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑함으로써, 제1 패션 상품의 이미지 데이터에 대응되는 제1 벡터를 획득할 수 있다. 기 설정된 벡터 공간 상의 특정 위치에 매핑된 제1 벡터는, 임베딩 벡터(embedding vector)에 속한다. 적어도 하나의 임베딩 벡터들은 서버가 추천 패션 상품을 결정하는데 이용될 수 있다.

단계 240에서, 서버는 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터를 이용하여, 제2 벡터를 산출할 수 있다.

일 실시예에 따른 서버는, 제2 벡터를 산출할 때 제1 벡터, 제1 벡터와 대응되는 제1 패션 상품의 카테고리에 대응되는 제1 카테고리 벡터 및 제1 패션 상품의 카테고리와 상이한 카테고리에 대응되는 제2 카테고리 벡터를 이용할 수 있다. 예를 들어, 서버는 제1 벡터에서 제1 패션 카테고리 벡터를 빼고, 제2 카테고리 벡터를 더함으로써 제2 벡터를 산출할 수 있다. 다만, 서버가 제2 벡터를 산출하는 방법은 이에 한정되지 않는다.

단계 250에서, 서버는 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득할 수 있다. 즉, 서버는 산출된 제2 벡터와 대응되는 제2 패션 상품의 이미지 데이터를 획득할 수 있다.

단계 260에서, 서버는 획득된 제2 패션 상품의 이미지 데이터를 전자 장치로 송신할 수 있다.

도 3은 다른 일 실시예에 따른 서버가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.

여기서, 도 2와 중복되는 설명은 간략히 서술하기로 한다.

일 실시예에 따른 서버는, 도 2에서 단계 210 내지 단계 260의 동작을 수행한 후, 이어서 단계 310의 동작을 수행할 수 있다.

단계 310에서, 서버는 전자 장치로부터 제3 패션 상품의 이미지 데이터를 수신할 수 있다.

일 실시예에서, 사용자는 전자 장치에 디스플레이 된 제2 패션 상품의 이미지를 확인한 후, 다른 패션 상품을 추천 받고 싶은 경우(즉, 제2 패션 상품의 이미지가 사용자의 마음에 들지 않는 경우) 추가적인 벡터 연산을 수행하기 위해 제3 패션 상품의 이미지에 관한 데이터를 전자 장치에 입력할 수 있다. 서버는 전자 장치로부터 제3 패션 상품의 이미지에 관한 데이터를 수신할 수 있다.

단계 320에서, 서버는 제2 벡터와 제3 패션 상품의 이미지 데이터에 대응되는 제3 벡터를 이용하여, 제4 벡터를 산출할 수 있다.

일 실시예에 따른 서버는, 제2 벡터에서 제3 벡터를 뺌으로써 제4 벡터를 산출할 수 있다. 또는, 서버는 제2 벡터에서 제3 벡터를 더함으로써 제4 벡터를 산출할 수 있다. 다만, 서버가 제4 벡터를 산출하는 방법은 이에 한정되지 않는다.

단계 330에서, 서버는 산출된 제4 벡터에 기초하여, 제4 패션 상품의 이미지 데이터를 획득할 수 있다. 즉, 서버는 산출된 제4 벡터와 대응되는 제4 패션 상품의 이미지 데이터를 획득할 수 있다.

단계 340에서, 서버는 획득된 제4 패션 상품의 이미지 데이터를 전자 장치로 송신할 수 있다.

도 4는 일 실시예에 따른 전자 장치가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.

여기서, 도 1 내지 도 3과 중복되는 설명은 간략히 서술하기로 한다. 특히, 단계 430에 기재된 서버의 동작들은 도 2의 단계 210 내지 260에 기재된 서버의 동작들과 대응될 수 있다.

단계 410에서, 전자 장치는 제1 패션 상품의 이미지 데이터를 획득할 수 있다.

일 실시예에 따른 전자 장치는, 사용자에 의해 촬영된 제1 패션 상품의 이미지 파일이나, 전자 장치의 사용자 인터페이스 화면에서 캡쳐된 제1 패션 상품의 이미지 파일을 획득할 수 있다. 다만, 제1 패션 상품의 이미지 데이터는 이에 한정되지 않는다.

단계 420에서, 전자 장치는 제1 패션 상품의 이미지 데이터를 서버로 송신할 수 있다.

단계 430에서, 전자 장치는, 서버에 의해 제1 패션 상품의 이미지 데이터가 기 설정된 벡터 공간 상의 특정 위치에 매핑되고, 제1 패션 상품의 이미지 데이터에 대응되는 제1 벡터가 획득되고, 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터가 이용됨으로써 제2 벡터가 산출되고, 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 획득된 제2 패션 상품의 이미지 데이터를 서버로부터 수신할 수 있다.

도 5는 일 실시예에 따른 전자 장치 및 서버가 패션 상품을 추천하는 과정을 도시하는 흐름도이다.

여기서, 도 1 내지 도 4와 중복되는 설명은 간략히 서술하기로 한다.

단계 510에서, 전자 장치는 제1 패션 상품의 이미지 데이터를 획득할 수 있다.

단계 520에서, 서버는 전자 장치로부터 제1 패션 상품의 이미지 데이터를 수신할 수 있다.

단계 530에서, 서버는 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑할 수 있다.

단계 540에서, 서버는 제1 패션 상품의 이미지 데이터에 대응되는 제1 벡터를 획득할 수 있다.

단계 550에서, 서버는 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터를 이용하여, 제2 벡터를 산출할 수 있다.

단계 560에서, 서버는 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득할 수 있다.

단계 570에서, 서버는 획득된 제2 패션 상품의 이미지 데이터를 전자 장치로 송신할 수 있다.

도 5 및 본 명세서 전반에서는 단계 530 내지 560의 동작들이 서버에서 수행되는 것으로 기재하고 있으나, 이에 한정되는 것은 아니다. 일 실시예에서는, 단계 530 내지 560의 동작들이 전자 장치에서 수행될 수 있다. 다른 일 실시예에서는, 단계 530 및 540의 동작들이 전자 장치에서 수행되고, 단계 550 및 560의 동작들이 서버에서 수행될 수도 있다.

도 6은 일 실시예에 따른 추천 패션 상품을 획득하기 위한 벡터 연산을 도시하는 도면이다.

일 실시예에 따른 연산 예시1(601)를 참조하면, 밝은 색 스커트와 대응되는 벡터(605)에서 어두운 색 스커트와 대응되는 벡터(610)를 빼고, 어두운 색 자켓과 대응되는 벡터(615)를 더하는 경우 밝은 색 자켓과 대응되는 벡터(620)가 산출될 수 있다.

일 실시예에 따른 벡터 연산 예시2(602)를 참조하면, 도트 무늬 바지와 대응되는 벡터(625)에서 민무늬 바지와 대응되는 벡터(630)를 빼고, 민무늬 원피스와 대응되는 벡터(635)를 더하는 경우 도트 무늬 원피스와 대응되는 벡터(640)가 산출될 수 있다.

일 실시예에 따른 벡터 연산 예시3(603)을 참조하면, 펑크(funk) 스타일 셔츠와 대응되는 벡터(645)에서 민무늬 셔츠와 대응되는 벡터(650)를 빼고, 민무늬 바지와 대응되는 벡터(655)를 더하는 경우 펑크 스타일 바지와 대응되는 벡터(660)가 산출될 수 있다.

도 6의 벡터 연산 예시들(601, 602, 603)은 단지 설명의 이해를 돕기 위한 것이며, 벡터 연산 결과가 위 벡터 연산 예시들(601, 602, 603)에 내재된 규칙에 한정되지 않는다는 것은 당업자가 용이하게 이해할 수 있을 것이다.

도 6에서 벡터 뺄셈 및 덧셈에 이용되는 카테고리 벡터들(610, 615, 630, 635, 650, 655)은, 패션 상품의 카테고리에 대응되는, 벡터 공간의 소정의 영역 내의 벡터들의 평균에 해당하는 벡터일 수 있으나, 이에 한정되는 것은 아니다. 도 1에서도 전술된 바와 같이, 카테고리 벡터들(610, 615, 630, 635, 650, 655)은 사용자가 임의로 촬영하거나, 전자 장치의 사용자 인터페이스 화면에서 임의로 캡쳐한 패션 상품의 이미지 데이터와 대응되는 벡터들일 수 있다.

도 7은 일 실시예에 따른 전자 장치가 추천 패션 상품을 결정하는 과정에서 디스플레이 되는 사용자 인터페이스 화면의 일 예를 도시하는 도면이다.

여기서, 도 3과 중복되는 설명은 간략히 서술하기로 한다.

일 실시예에 따른 전자 장치(1000)는, 서버에 의해 제1 패션 상품의 이미지 데이터가 기 설정된 벡터 공간 상의 특정 위치에 매핑되고, 제1 패션 상품의 이미지 데이터에 대응되는 제1 벡터가 획득되고, 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터가 이용됨으로써 제2 벡터가 산출되고, 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 획득된 제2 패션 상품의 이미지 데이터를 서버로부터 수신할 수 있다.

일 실시예에서, 사용자는 전자 장치(1000)에 디스플레이 된 제2 패션 상품의 이미지(710)를 확인한 후, 다른 패션 상품을 추천 받고 싶은 경우(즉, 제2 패션 상품의 이미지(710)가 사용자의 마음에 들지 않는 경우) 추가적인 벡터 연산을 수행하기 위해 제3 패션 상품의 이미지(720)에 관한 데이터를 전자 장치(1000)에 입력할 수 있다.

일 실시예에서, 사용자는 전자 장치(1000)의 사용자 인터페이스 화면에 디스플레이 된 더하기 아이콘(730)을 터치 또는 클릭함으로써, 서버가 제2 벡터에 제3 패션 상품의 이미지(720)와 대응되는 제3 벡터를 더하도록 제어할 수 있다.

또한, 사용자는 전자 장치(1000)의 사용자 인터페이스 화면에 디스플레이 된 빼기 아이콘(740)을 터치 또는 클릭함으로써, 서버가 제2 벡터에서 제3 패션 상품의 이미지(720)와 대응되는 제3 벡터를 빼도록 제어할 수 있다.

도 7은 제2 패션 상품의 이미지(710)가 사용자의 마음에 들지 않는 경우에 수행되는 추가적인 벡터 연산의 일 실시예에 불과할 뿐, 추가적인 벡터 연산은 이에 한정되지 않는다.

도 8 및 도 9는 일부 실시예에 따른 전자 장치의 구성을 도시하는 블록도이다.

도 8에 도시된 바와 같이, 일부 실시예에 따른 전자 장치(1000)는, 사용자 입력부(1010), 출력부(1020), 프로세서(1030), 메모리(1040) 및 통신부(1050)를 포함할 수 있다. 그러나, 도 8에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 8에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 8에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.

예를 들어, 도 9에 도시된 바와 같이, 일부 실시예에 따른 전자 장치(1000)는, 사용자 입력부(1010), 출력부(1020), 프로세서(1030), 메모리(1040) 및 통신부(1050) 이외에 A/V 입력부(1060) 및 센싱부(1070)를 더 포함할 수도 있다.

사용자 입력부(1010)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1010)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.

출력부(1020)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1020)는 디스플레이부(1021), 음향 출력부(1022), 및 진동 모터(1023)를 포함할 수 있다.

디스플레이부(1021)는 전자 장치(1000)에서 처리되는 정보를 표시 및 출력한다.

음향 출력부(1022)는 통신부(1050)로부터 수신되거나 메모리(1040)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1022)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다.

프로세서(1030)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1030)는, 메모리(1040)에 저장된 적어도 하나의 프로그램들을 실행함으로써, 사용자 입력부(1010), 출력부(1020), 센싱부(1070), 통신부(1050), A/V 입력부(1060) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1030)는 메모리(1040)에 저장된 적어도 하나의 프로그램들을 실행함으로써, 도 1 내지 도 7에 기재된 전자 장치(1000)의 기능을 수행할 수 있다.

또한, 메모리(1040)에 저장된 적어도 하나의 프로그램들은, 제1 패션 상품의 이미지 데이터를 획득하는 단계, 제1 패션 상품의 이미지 데이터를 서버로 송신하는 단계, 및 서버에 의해, 제1 패션 상품의 이미지 데이터가 기 설정된 벡터 공간 상의 특정 위치에 매핑되고, 제1 패션 상품의 이미지 데이터에 대응되는 제1 벡터가 획득되고, 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터가 이용됨으로써 제2 벡터가 산출되고, 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 획득된 제2 패션 상품의 이미지 데이터를 서버로부터 수신하는 단계를 실행하는 명령어들을 포함할 수 있다.

또한, 메모리(1040)에 저장된 적어도 하나의 프로그램들은, 제3 패션 상품의 이미지 데이터를 획득하는 단계, 제3 패션 상품의 이미지 데이터를 서버로 송신하는 단계, 및 서버에 의해, 제2 벡터와 제3 패션 상품의 이미지 데이터에 대응되는 제3 벡터가 이용됨으로써 제2 벡터가 산출되고, 산출된 제4 벡터에 기초하여 제4 패션 상품의 이미지 데이터가 획득되면, 획득된 제4 패션 상품의 이미지 데이터를 서버로부터 수신하는 단계를 실행하는 명령어들을 더 포함할 수 있다.

센싱부(1070)는, 지자기 센서(Magnetic sensor)(1071), 가속도 센서(Acceleration sensor)(1072), 온/습도 센서(1073), 적외선 센서(1074), 자이로스코프 센서(1075), 위치 센서(예컨대, GPS)(1076), 기압 센서(1077), 근접 센서(1078), 및 RGB 센서(illuminance sensor)(1079) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

통신부(1050)는, 전자 장치(1000)가 다른 디바이스(미도시) 및 서버(2000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 디바이스(미도시)는 전자 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 통신부(1050)는, 근거리 통신부(1051), 이동 통신부(1052), 방송 수신부(1053)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(1051)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이동 통신부(1052)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1053)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1053)를 포함하지 않을 수도 있다.

일 실시예에서, 통신부(1050)는 상대 디바이스로부터의 통화 요청을 수신할 수 있고, 통화 요청에 대한 알림 메시지를 상대 디바이스로 전송할 수 있다.

또한, 일 실시예에서, 통신부(1050)는, 통화 요청에 대한 알림 메시지를 생성하고, 상대 디바이스에게 알림 메시지를 전송하기 위해 필요한 정보를, 다른 디바이스(미도시) 및 서버(2000)와 송수신할 수 있다. 예를 들어, 다른 디바이스는 전자 장치(1000)의 사용자의 다른 디바이스일 수 있고, 사용자의 다른 디바이스는 사용자의 상태를 센싱하기 위한 웨어러블 기기일 수 있다.

A/V(Audio/Video) 입력부(1060)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1061)와 마이크로폰(1062) 등이 포함될 수 있다. 카메라(1061)는 화상 통화 모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. 예를 들어, 카메라(1061)에 의해 촬영된 이미지는 사용자의 컨텍스트 정보로 활용될 수 있다.

마이크로폰(1062)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1062)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1062)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.

메모리(1040)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다.

메모리(1040)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

메모리(1040)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1041), 터치 스크린 모듈(1042), 알림 모듈(1043) 등으로 분류될 수 있다.

UI 모듈(1041)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1042)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일 실시예에 따른 터치 스크린 모듈(1042)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1042)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

알림 모듈(1043)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1043)은 디스플레이부(1021)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1022)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1023)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.

도 10은 일 실시예에 따른 서버의 구성을 도시하는 블록도이다.

도 10에 도시된 서버(2000)의 구성 요소는 도 1 내지 도 7에 전술된 서버(2000)의 동작들을 수행할 수 있으며, 도 1 내지 도 7에 대한 설명과 중복되는 구체적인 내용은 설명을 생략한다.

도 10을 참조하면, 일부 실시예에 따른 서버(2000)는 통신부(2500), DB(2700) 및 프로세서(2300)를 포함할 수 있다.

통신부(2500)는 전자 장치(1000)와 통신을 가능케 하는 하나 이상의 구성요소를 포함할 수 있다.

DB(2700)는, 프로세서(2300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)와의 통신을 통해 획득된 데이터 또는 다른 서버와의 통신을 통해 획득된 데이터를 저장할 수 있다. 또는, DB(2700)는 서버(2000)로부터 출력되는 데이터를 저장할 수 있다.

프로세서(2300)는 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 서버(2000)의 DB(2700)에 저장된 프로그램들을 실행함으로써, DB(2700) 및 통신부(2500) 등을 전반적으로 제어할 수 있다. 프로세서(2300)는 DB(2700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 7에서의 서버(2000)의 동작의 일부를 수행할 수 있다.

프로세서(2300)는, 도 1 내지 도 7에서 서버(2000)가 수행하는 기능인, 전자 장치(1000)로부터 제1 패션 상품의 이미지 데이터를 수신하는 기능, 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑하는 기능, 제1 패션 상품의 이미지 데이터에 대응되는 제1 벡터를 획득하는 기능, 획득된 제1 벡터 및 패션 상품의 적어도 하나의 카테고리 벡터를 이용하여 제2 벡터를 산출하는 기능, 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터를 획득하는 기능, 및 획득된 제2 패션 상품의 이미지 데이터를 전자 장치(1000)로 송신하는 기능 중 적어도 하나를 수행할 수 있다.

또한, 프로세서(2300)는, 도 1 내지 도 7에서 서버(2000)가 수행하는 기능인, 전자 장치(1000)로부터 제3 패션 상품의 이미지 데이터를 수신하는 기능, 제2 벡터와 제3 패션 상품의 이미지 데이터에 대응되는 제3 벡터를 이용하여 제4 벡터를 산출하는 기능, 산출된 제4 벡터에 기초하여 제4 패션 상품의 이미지 데이터를 획득하는 기능, 및 획득된 제4 패션 상품의 이미지 데이터를 전자 장치(1000)로 송신하는 기능 중 적어도 하나를 수행할 수 있다.

도 11은 일 실시예에 따른 프로세서의 블록도이다.

도 11을 참조하면, 일부 실시예에 따른 프로세서(2300)는 데이터 학습부(2310) 및 데이터 인식부(2320)를 포함할 수 있다.

데이터 학습부(2310)는 사용자의 의도를 판단하고 사용자의 의도에 관련된 연관 정보를 제공하고 사용자의 의도를 만족시키기 위한 대체 동작을 추천하기 위한 기준을 학습할 수 있다. 데이터 학습부(2310)는 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위하여 어떤 데이터를 이용할 지에 관한 기준을 학습할 수 있다. 또한, 데이터 학습부(2310)는 데이터를 이용하여 사용자의 의도를 어떻게 판단하고 연관 정보를 어떻게 획득하여 제공하고 대체 동작을 어떻게 결정할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(2310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위한 기준을 학습할 수 있다.

데이터 인식부(2320)는 데이터에 기초하여 사용자의 의도를 판단하고 연관 정보를 결정하고 대체 동작을 추천할 수 있다. 데이터 인식부(2320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 사용자의 의도를 판단하고 연관 정보를 결정하고 대체 동작을 추천할 수 있다. 데이터 인식부(2320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용할 수 있다. 또한, 데이터 인식부(2320)는 이를 이용함으로써, 소정의 데이터에 기초한 사용자의 의도, 연관 정보 및 대체 동작을 결정할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

이 경우, 데이터 학습부(2310) 및 데이터 인식부(2320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(2310) 및 데이터 인식부(2320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(2310) 및 데이터 인식부(2320)는 유선 또는 무선으로 통하여, 데이터 학습부(2310)가 구축한 모델 정보를 데이터 인식부(2320)로 제공할 수도 있고, 데이터 인식부(2320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(2310)로 제공될 수도 있다.

한편, 데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 12는 일 실시예에 따른 데이터 학습부의 구성을 도시하는 블록도이다.

도 12를 참조하면, 일부 실시예에 따른 데이터 학습부(2310)는 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5)를 포함할 수 있다.

데이터 획득부(2310-1)는 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위하여 필요한 데이터를 획득할 수 있다. 데이터 획득부(2310-1)는 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

데이터 획득부(2310-1)는, 예를 들어, 소정의 사용자 음성, 소정의 이미지 정보, 및 소정의 컨텍스트 정보 중 적어도 하나를 획득할 수 있다.

전처리부(2310-2)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(2310-2)는 후술할 모델 학습부(2310-4)가 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

학습 데이터 선택부(2310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(2310-4)에 제공될 수 있다. 학습 데이터 선택부(2310-3)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(2310-3)는 후술할 모델 학습부(2310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

모델 학습부(2310-4)는 학습 데이터에 기초하여 사용자의 의도를 어떻게 판단하고 연관 정보를 어떻게 결정하고 대체 동작을 어떻게 추천할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(2310-4)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 모델 학습부(2310-4)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 데이터 등)을 입력 받아 미리 구축된 모델일 수 있다.

데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), CNN(Convolutional Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(2310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(2310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent), 분포 가설(distributional hypothesis)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.

또한, 모델 학습부(2310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(2310-4)는, 예를 들어, 별다른 지도 없이 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.

또한, 데이터 인식 모델이 학습되면, 모델 학습부(2310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(2310-4)는 학습된 데이터 인식 모델을 데이터 인식부(2320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(2310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(2320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(2310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(2310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(2310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(2310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(2310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(2310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(2310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.

한편, 데이터 학습부(2310) 내의 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

프로세서(2300)는 다양한 데이터 인식 모델을 이용할 수 있으며, 데이터 인식 모델을 통해 다양한 방법으로 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천을 위한 기준을 효율적으로 학습할 수 있다.

도 13은 일 실시예에 따른 데이터 인식부의 블록도이다.

도 13을 참조하면, 일 실시예에 따른 데이터 인식부(2320)는 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5)를 포함할 수 있다.

데이터 획득부(2320-1)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천에 필요한 데이터를 획득할 수 있으며, 전처리부(2320-2)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(2320-2)는 후술할 인식 결과 제공부(2320-4)가 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 데이터 획득부(2320-1)는 전자 장치(1000)에 입력되는 사용자의 음성을 획득할 수 있다. 또한, 데이터 획득부(2320-1)는 사용자 또는 전자 장치(1000)에 관련된 컨텍스트 정보를 획득할 수 있다. 컨텍스트 정보는, 예를 들어, 전자 장치(1000)의 주변 환경 정보, 전자 장치(1000)의 상태 정보, 사용자의 상태 정보, 사용자의 전자 장치(1000) 사용 이력 정보 및 사용자의 일정 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 예를 들어, 컨텍스트 정보는 전자 장치(1000)에서 생성된 정보 또는 외부 장치로부터 수신된 정보일 수 있다.

인식 데이터 선택부(2320-3)는 전처리된 데이터 중에서 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(2320-4)에게 제공될 수 있다. 인식 데이터 선택부(2320-3)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(2320-3)는 후술할 모델 학습부(2310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(2320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천할 수 있다. 인식 결과 제공부(2320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(2320-4)는 인식 데이터 선택부(2320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.

모델 갱신부(2320-5)는 인식 결과 제공부(2320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(2320-5)는 인식 결과 제공부(2320-4)에 의해 제공되는 인식 결과를 모델 학습부(2310-4)에게 제공함으로써, 모델 학습부(2310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(2320) 내의 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

또한, 전자 장치(1000)는 학습된 결과가 적용된 데이터 인식 모델을 이용하여 사용자의 의도에 부합하는 서비스를 사용자에게 제공할 수 있게 된다.

도 14는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 14를 참조하면, 서버(2000)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 학습할 수 있으며, 전자 장치(1000)는 서버(2000)에 의한 학습 결과에 기초하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 판단할 수 있다.

이 경우, 서버(2000)의 모델 학습부(2310-4)는 도 12에 도시된 데이터 학습부(2310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2310-4)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위하여 어떤 데이터를 이용할 지에 관한 기준을 학습할 수 있다. 또한, 서버의 모델 학습부(2310-4)는 데이터를 이용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 어떻게 할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2310-4)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 학습할 수 있다.

또한, 전자 장치(1000)의 인식 결과 제공부(1032-4)는 인식 데이터 선택부(1032-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 수 있다. 예를 들어, 인식 결과 제공부(1032-4)는 인식 데이터 선택부(1032-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1032-3)에 의해 선택된 데이터를 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1032-4)는 서버(2000)에 의해 판단된 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천에 관한 정보를 서버(2000)로부터 수신할 수 있다.

또는, 전자 장치(1000)의 인식 결과 제공부(1032-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 수 있다. 이 경우, 전자 장치(1000)의 인식 결과 제공부(1032-4)는 인식 데이터 선택부(1032-3)에의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 수 있다.

도 14는 서버(2000)가 도 12에 도시된 데이터 학습부(2310)의 역할을 수행하고, 전자 장치(1000)가 도 13에 도시된 데이터 인식부(2320)의 역할을 수행하는 것으로 도시하였으나, 실시예는 이에 한정되지 않는다. 일 실시예에서, 서버(2000)가 도 13에 도시된 데이터 인식부(2320)의 역할을 수행하고, 전자 장치(1000)가 도 12에 도시된 데이터 학습부(2310)의 역할을 수행할 수도 있다. 또 다른 실시예에서는, 서버(2000)가 도 12에 도시된 데이터 학습부(2310)의 역할 및 도 13에 도시된 데이터 인식부(2320)의 역할을 동시에 수행하거나, 또는 전자 장치가 도 12에 도시된 데이터 학습부(2310)의 역할 및 도 13에 도시된 데이터 인식부(2320)의 역할을 동시에 수행할 수도 있다.

또한, 전자 장치(1000) 및 서버(2000)는 데이터 인식 모델의 학습 및 데이터 인식을 위한 작업을 효과적으로 분배하여 수행할 수 있으며, 이를 통하여, 사용자의 의도에 부합하는 서비스를 제공하기 위하여 데이터 처리를 효율적으로 수행하고, 사용자의 프라이버시를 효과적으로 보호할 수 있다.

일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

전술한 발명의 설명은 예시를 위한 것이며, 발명이 속하는 기술분야의 통상의 지식을 가진 자는 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

개시의 권리범위는 후술하는 특허청구범위에 의하여 나타내어 질 수 있으며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함될 수 있는 것으로 해석되어야 한다.

Claims (20)

1. 서버가 사용자에게 제1 패션 상품에 기초하여 제2 패션 상품을 추천하는 방법에 있어서,
   전자 장치로부터 상기 제1 패션 상품의 이미지 데이터를 수신하는 단계;
   상기 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑하는 단계;
   상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터를 획득하는 단계;
   상기 획득된 제1 벡터에서, 상기 제1 패션 상품의 카테고리에 대응되는 제1 카테고리 벡터를 빼고, 상기 제1 패션 상품의 카테고리와 상이한 카테고리에 대응되는 제2 카테고리 벡터를 더하여, 제2 벡터를 산출하는 단계;
   상기 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득하는 단계; 및
   상기 획득된 제2 패션 상품의 이미지 데이터를 상기 전자 장치로 송신하는 단계;
   를 포함하고,
   상기 제1 카테고리 벡터는, 상기 제1 패션 상품의 카테고리에 대응되는 상기 벡터 공간의 소정의 영역 내의 벡터들의 평균에 기초하여 결정되는 것인, 서버의 패션 상품 추천 방법.
2. 제 1 항에 있어서,
   상기 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득하는 단계는,
   상기 벡터 공간 상의 기 설정된 벡터들과 상기 제2 벡터와의 거리에 기초하여, 상기 기 설정된 벡터들 중에서 하나의 벡터를 검출하는 단계; 및
   상기 검출된 벡터에 대응되는 상기 제2 패션 상품의 이미지 데이터를 획득하는 단계를 포함하는, 서버의 패션 상품 추천 방법.
3. 삭제
4. 삭제
5. 제 1 항에 있어서,
   상기 전자 장치로부터 제3 패션 상품의 이미지 데이터를 수신하는 단계;
   상기 제2 벡터와 상기 제3 패션 상품의 이미지 데이터에 대응되는 제3 벡터를 이용하여, 제4 벡터를 산출하는 단계;
   상기 산출된 제4 벡터에 기초하여, 제4 패션 상품의 이미지 데이터를 획득하는 단계; 및
   상기 획득된 제4 패션 상품의 이미지 데이터를 상기 전자 장치로 송신하는 단계를 더 포함하는, 서버의 패션 상품 추천 방법.
6. ◈청구항 6은(는) 설정등록료 납부시 포기되었습니다.◈

   제 1 항에 있어서,
   상기 제2 벡터를 산출하는 단계는,
   상기 제1 벡터와 사용자에 의해 입력된 데이터에 기초하여 획득된 적어도 하나의 벡터 각각을 이용하여, 상기 사용자에 의해 입력된 데이터에 기초하여 벡터 덧셈 또는 벡터 뺄셈의 조합을 순차로 수행하는 단계를 더 포함하는, 서버의 패션 상품 추천 방법.
7. 전자 장치가 사용자에게 제1 패션 상품에 기초하여 제2 패션 상품을 추천하는 방법에 있어서,
   상기 제1 패션 상품의 이미지 데이터를 획득하는 단계;
   상기 제1 패션 상품의 이미지 데이터를 서버로 송신하는 단계; 및
   상기 서버에 의해, 상기 제1 패션 상품의 이미지 데이터가 기 설정된 벡터 공간 상의 특정 위치에 매핑되고, 상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터가 획득되고, 상기 획득된 제1 벡터에서, 상기 제1 패션 상품의 카테고리에 대응되는 제1 카테고리 벡터를 빼고, 상기 제1 패션 상품의 카테고리와 상이한 카테고리에 대응되는 제2 카테고리 벡터가 더하여 제2 벡터가 산출되고, 상기 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계;
   를 포함하고,
   상기 제1 카테고리 벡터는, 상기 제1 패션 상품의 카테고리에 대응되는 상기 벡터 공간의 소정의 영역 내의 벡터들의 평균에 기초하여 결정되는 것인, 전자 장치의 패션 상품 추천 방법.
8. 제 7 항에 있어서,
   상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계는,
   상기 서버에 의해, 상기 벡터 공간 상의 기 설정된 벡터들과 상기 제2 벡터와의 거리에 기초하여 상기 기 설정된 벡터들 중에서 하나의 벡터가 검출되고, 상기 검출된 벡터에 대응되는 상기 제2 패션 상품의 이미지 데이터가 획득되면, 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계를 포함하는, 전자 장치의 패션 상품 추천 방법.
9. 삭제
10. 삭제
11. 제 7 항에 있어서,
    제3 패션 상품의 이미지 데이터를 획득하는 단계;
    상기 제3 패션 상품의 이미지 데이터를 상기 서버로 송신하는 단계; 및
    상기 서버에 의해, 상기 제2 벡터와 상기 제3 패션 상품의 이미지 데이터에 대응되는 제3 벡터가 이용됨으로써 제4 벡터가 산출되고, 상기 산출된 제4 벡터에 기초하여 제4 패션 상품의 이미지 데이터가 획득되면, 상기 획득된 제4 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계를 더 포함하는, 전자 장치의 패션 상품 추천 방법.
12. 제 7 항에 있어서,
    상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계는,
    상기 서버에 의해, 상기 제1 벡터와 사용자에 의해 입력된 데이터에 기초하여 획득된 적어도 하나의 벡터 각각이 이용되어, 상기 사용자에 의해 입력된 데이터에 기초하여 벡터 덧셈 또는 벡터 뺄셈의 조합이 순차로 수행됨으로써 상기 제2 벡터가 산출되고, 상기 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계를 포함하는, 전자 장치의 패션 상품 추천 방법.
13. 사용자에게 제1 패션 상품에 기초하여 제2 패션 상품을 추천하는 서버에 있어서,
    복수의 벡터와 적어도 하나의 프로그램이 저장되는 데이터베이스(DB);
    전자 장치와 데이터를 송수신하는 통신부; 및
    상기 적어도 하나의 프로그램을 실행함으로써 상기 제1 패션 상품에 기초하여 상기 제2 패션 상품을 추천하는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로그램은,
    상기 전자 장치로부터 상기 제1 패션 상품의 이미지 데이터를 수신하는 단계;
    상기 제1 패션 상품의 이미지 데이터를 기 설정된 벡터 공간 상의 특정 위치에 매핑하는 단계;
    상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터를 획득하는 단계;
    상기 획득된 제1 벡터에서, 상기 제1 패션 상품의 카테고리에 대응되는 제1 카테고리 벡터를 빼고, 상기 제1 패션 상품의 카테고리와 상이한 카테고리에 대응되는 제2 카테고리 벡터를 더하여, 제2 벡터를 산출하는 단계;
    상기 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득하는 단계; 및
    상기 획득된 제2 패션 상품의 이미지 데이터를 상기 전자 장치로 송신하는 단계;
    를 실행하는 명령어들을 포함하고,
    상기 제1 카테고리 벡터는, 상기 제1 패션 상품의 카테고리에 대응되는 상기 벡터 공간의 소정의 영역 내의 벡터들의 평균에 기초하여 결정되는 것을 특징으로 하는, 서버.
14. ◈청구항 14은(는) 설정등록료 납부시 포기되었습니다.◈

    제 13 항에 있어서,
    상기 산출된 제2 벡터에 기초하여, 제2 패션 상품의 이미지 데이터를 획득하는 단계는,
    상기 벡터 공간 상의 기 설정된 벡터들과 상기 제2 벡터와의 거리에 기초하여, 상기 기 설정된 벡터들 중에서 하나의 벡터를 검출하는 단계; 및
    상기 검출된 벡터에 대응되는 상기 제2 패션 상품의 이미지 데이터를 획득하는 단계를 포함하는, 서버.
15. 삭제
16. 삭제
17. ◈청구항 17은(는) 설정등록료 납부시 포기되었습니다.◈

    제 13 항에 있어서,
    상기 적어도 하나의 프로그램은,
    상기 전자 장치로부터 제3 패션 상품의 이미지 데이터를 수신하는 단계;
    상기 제2 벡터와 상기 제3 패션 상품의 이미지 데이터에 대응되는 제3 벡터를 이용하여, 제4 벡터를 산출하는 단계;
    상기 산출된 제4 벡터에 기초하여, 제4 패션 상품의 이미지 데이터를 획득하는 단계; 및
    상기 획득된 제4 패션 상품의 이미지 데이터를 상기 전자 장치로 송신하는 단계;
    를 실행하는 명령어들을 더 포함하는 것을 특징으로 하는, 서버.
18. 사용자에게 제1 패션 상품에 기초하여 제2 패션 상품을 추천하는 전자 장치에 있어서,
    적어도 하나의 프로그램이 저장되는 메모리;
    디스플레이부;
    사용자의 입력을 수신하는 사용자 입력부;
    서버와 데이터를 송수신하는 통신부; 및
    상기 적어도 하나의 프로그램을 실행함으로써 상기 제1 패션 상품에 기초하여 상기 제2 패션 상품을 추천하는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로그램은,
    상기 제1 패션 상품의 이미지 데이터를 획득하는 단계;
    상기 제1 패션 상품의 이미지 데이터를 서버로 송신하는 단계; 및
    상기 서버에 의해, 상기 제1 패션 상품의 이미지 데이터가 기 설정된 벡터 공간 상의 특정 위치에 매핑되고, 상기 제1 패션 상품의 상기 이미지 데이터에 대응되는 제1 벡터가 획득되고, 상기 획득된 제1 벡터에서, 상기 제1 패션 상품의 카테고리에 대응되는 제1 카테고리 벡터를 빼고, 상기 제1 패션 상품의 카테고리와 상이한 카테고리에 대응되는 제2 카테고리 벡터를 더하여 제2 벡터가 산출되고, 상기 산출된 제2 벡터에 기초하여 제2 패션 상품의 이미지 데이터가 획득되면, 상기 획득된 제2 패션 상품의 이미지 데이터를 상기 서버로부터 수신하는 단계;
    를 실행하는 명령어들을 포함하고,
    상기 제1 카테고리 벡터는, 상기 제1 패션 상품의 카테고리에 대응되는 상기 벡터 공간의 소정의 영역 내의 벡터들의 평균에 기초하여 결정되는 것을 특징으로 하는, 전자 장치.
19. ◈청구항 19은(는) 설정등록료 납부시 포기되었습니다.◈

    제 1 항, 제 2 항, 제 5 항, 및 제 6 항 중 어느 한 항의 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체.
20. 제 7 항, 제 8 항, 제 11 항, 및 제 12 항 중 어느 한 항의 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체.

Images