KR102483903B1 - Apparatus and method for recommending merchants - Google Patents

Apparatus and method for recommending merchants Download PDF

Info

Publication number
KR102483903B1
KR102483903B1 KR1020220080757A KR20220080757A KR102483903B1 KR 102483903 B1 KR102483903 B1 KR 102483903B1 KR 1020220080757 A KR1020220080757 A KR 1020220080757A KR 20220080757 A KR20220080757 A KR 20220080757A KR 102483903 B1 KR102483903 B1 KR 102483903B1
Authority
KR
South Korea
Prior art keywords
customer
data
vector value
vector
store
Prior art date
Application number
KR1020220080757A
Other languages
Korean (ko)
Inventor
정효용
김은지
Original Assignee
주식회사 애자일소다
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 애자일소다 filed Critical 주식회사 애자일소다
Priority to KR1020220080757A priority Critical patent/KR102483903B1/en
Application granted granted Critical
Publication of KR102483903B1 publication Critical patent/KR102483903B1/en

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06K9/6267—
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Disclosed are an affiliated store recommendation device and method. The present invention can provide personalized and optimal affiliate store recommendations to customers by analyzing similarity calculated by receiving affiliate store information together based on customer behavior and profile information. The present invention can improve marketing success rate for the customers by recommending the personalized affiliate stores to the customers by representing a customer's time, location information, and affiliate store information visited in the past together in a vector space.

Description

가맹점 추천 장치 및 방법{APPARATUS AND METHOD FOR RECOMMENDING MERCHANTS}Merchant recommendation device and method {APPARATUS AND METHOD FOR RECOMMENDING MERCHANTS}

본 발명은 가맹점 추천 장치 및 방법에 관한 발명으로서, 더욱 상세하게는 고객의 행동과 프로파일 정보를 기반으로 가맹점 정보를 함께 입력받아 계산되는 유사도를 분석하여 고객에게 개인화된 최적의 가맹점 추천을 통해 마케팅 성공률을 향상시킬 수 있는 가맹점 추천 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for recommending an affiliated store, and more particularly, based on customer behavior and profile information, the affiliated store information is input together and the calculated similarity is analyzed to recommend the optimal affiliated store personalized to the customer, thereby increasing the marketing success rate It relates to an affiliated store recommendation device and method capable of improving

종래에는, 낯선 위치에서 고객이 불특정 가맹점에 대한 정보를 얻고자 할 때, 주로 포털 사이트 검색을 통해 가맹점 정보를 제공받았으나, 포털 사이트에 개시된 가맹점 정보에는 홍보를 위한 인위적인 정보 등이 상당수를 차지하고 있어 고객에게 실제로 도움이 되는 정보를 검색하기 어려운 문제가 있다.Conventionally, when a customer in an unfamiliar location wanted to obtain information on an unspecified affiliate store, the affiliate store information was mainly provided through a portal site search. I have a problem where it is difficult to search for information that is actually helpful to me.

이에, 보다 정확한 가맹점 사용 예측을 위하여 빅데이터를 기반으로 고객 소비 패턴을 군집화하는 기술이 개발되고 있으나, 고객과 결제에 대한 데이터를 이루는 데이터 요소들이 많아질수록 처리량이 기하급수적으로 증가하고 머신러닝 학습의 모델링 결과가 과적합(Overfitting) 되는 문제가 있다.Accordingly, a technology for clustering customer consumption patterns based on big data is being developed for more accurate merchant usage prediction, but as the number of data elements constituting data on customers and payments increases, the throughput increases exponentially and machine learning learning There is a problem that the modeling result of is overfitting.

편한, 고객에게 가맹점을 추철할 경우, 장소, 시간 등의 일부 정보를 이용할 수 있다.Conveniently, in case of following a member store to a customer, some information such as location and time may be used.

그러나, 이러한 일부 정보만을 이용할 경우, 고객의 기존 행동이나 성향 분석을 제대로 수행하지 못하여 하나의 이벤트만으로 추천을 하는 경우가 많이 발생하고, 가맹점을 추천할 때는 고객의 성향에 맞는 추천을 위해 더욱 정밀하고 세밀하게 개인화된 추천이 필요하지만 그렇지 못한 문제점이 있다.However, when only some of these information is used, the customer's existing behavior or propensity analysis is not properly performed, so there are many cases in which recommendations are made with only one event. There is a problem that a detailed personalized recommendation is necessary, but it is not.

한국 공개특허공보 공개번호 제10-2022-0057955호(발명의 명칭: 가맹점 추천 정보를 제공하는 방법 및 디바이스)Korean Patent Laid-open Publication No. 10-2022-0057955 (Title of Invention: Method and Device for Providing Merchant Recommendation Information)

이러한 문제점을 해결하기 위하여, 본 발명은 고객의 행동과 프로파일 정보를 기반으로 가맹점 정보를 함께 입력받아 계산되는 유사도를 분석하여 고객에게 개인화된 최적의 가맹점 추천을 통해 마케팅 성공률을 향상시킬 수 있는 가맹점 추천 장치 및 방법을 제공하는 것을 목적으로 한다.In order to solve this problem, the present invention analyzes the degree of similarity calculated by receiving affiliated store information together based on customer behavior and profile information, and recommends an affiliated store that can improve the marketing success rate through recommendation of an optimal affiliated store personalized to the customer. It aims to provide an apparatus and method.

상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 가맹점 추천 장치로서, 고객 행동 데이터, 고객 프로파일 데이터 및 가맹점 행동 데이터를 입력받는 입력부; 상기 고객 행동 데이터를 임베딩(embedding)하여 버트(BERT) 기반의 제1 네트워크를 통해 변환된 고객 행동 데이터의 벡터 값과, 상기 제1 네트워크와 병렬로 구성되고 상기 고객 프로파일 데이터를 임베딩하여 버트 기반의 제2 네트워크를 통해 변환된 고객 프로파일 데이터의 벡터 값과, 상기 가맹점 행동 데이터를 임베딩하여 변환된 가맹점 행동 데이터의 벡터 값을 더하여(add) 가맹점을 분류하는 분류 처리부; 상기 분류 처리부를 통해 분류된 가맹점의 벡터 값을 기반으로 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과 가맹점 행동 데이터의 벡터 값 간의 유사도를 분석하여 추천 대상 가맹점을 추출하는 가맹점 추출부; 및 상기 추출된 추천 대상 가맹점을 출력하는 출력부;를 포함한다.In order to achieve the above object, an embodiment of the present invention provides an affiliate store recommendation device, comprising: an input unit for receiving customer behavioral data, customer profile data, and affiliated store behavioral data; A vector value of the customer behavior data converted through a first network based on BERT by embedding the customer behavior data, configured in parallel with the first network and embedding the customer profile data to generate a vector value based on a BERT a classification processing unit that classifies affiliated stores by adding a vector value of customer profile data converted through a second network and a vector value of affiliated store behavioral data converted by embedding the affiliated store behavioral data; an affiliate store extraction unit for extracting a recommended affiliate store by analyzing a similarity between the sum of the vector values of the customer behavior data and the customer profile vector values and the vector values of the affiliate store behavior data based on the vector values of the affiliate stores classified through the classification processing unit; and an output unit outputting the extracted recommendation target affiliated stores.

또한, 상기 실시 예에 따른 분류 처리부는 이전 출력 값을 현재의 입력 값으로 하는 'N'개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 행동 데이터 전처리부(123)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 가맹점별 고객 행동 데이터에 대응하는 벡터 값으로 출력하는 제1 네트워크; 이전 출력 값을 현재의 입력 값으로 하는 N개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 프로파일 데이터 전치리부에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 상기 속성에 대한 고객 프로파일 데이터에 대응하는 벡터 값으로 출력하는 제2 네트워크; 상기 고객 행동 데이터를 하나 이상의 가맹점 별로 임베딩하여 합한 연산 결과를 상기 제1 네트워크로 출력하는 고객 행동 데이터 전처리부; 상기 고객 프로파일 데이터를 하나 이상의 속성 별로 임베딩하여 합한 연산 결과를 상기 제2 네트워크로 출력하는 고객 프로파일 데이터 전처리부; 및 가맹점 행동 데이터를 임베딩하여 변환된 가맹점 행동 데이터의 벡터 값을 출력하는 가맹점 데이터 전처리부;를 포함하는 것을 특징으로 한다.In addition, the classification processing unit according to the above embodiment uses a self-attention mechanism of 'N' encoder blocks having previous output values as current input values to identify characteristics between words, and pre-processes customer behavior data. a first network that outputs vector values output from unit 123 as vector values corresponding to customer behavior data for each affiliated store through a BERT algorithm composed of the 'N' number of encoder blocks; N encoder blocks using the previous output value as the current input value identify the characteristics between words using the Self-Attention Mechanism, and the vector value output from the customer profile data preprocessor is referred to as 'N'. a second network outputting a vector value corresponding to customer profile data for the attribute through a BERT algorithm composed of N encoder blocks; a customer behavior data pre-processing unit for outputting an operation result obtained by embedding the customer behavior data for each of one or more affiliated stores and summing them to the first network; a customer profile data pre-processing unit which outputs an operation result obtained by embedding the customer profile data for each attribute and summing them to the second network; and an affiliate store data pre-processing unit which embeds the affiliate store behavior data and outputs a vector value of the converted affiliate store behavior data.

또한, 상기 실시 예에 따른 가맹점 추출부는 분류된 가맹점의 벡터 값을 기반으로 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 간의 벡터 유사도를 분석하는 유사도 분석부; 및 상기 분석된 벡터 유사도를 기반으로 추천 대상 가맹점을 추출하는 가맹점 추출부;를 포함하는 것을 특징으로 한다.In addition, the affiliated store extraction unit according to the embodiment includes a similarity analysis unit that analyzes a vector similarity between the sum of the vector values of the customer behavioral data and the customer profile vector value and the vector value of the affiliated store behavioral data based on the vector values of the classified affiliated stores; and an affiliate store extractor extracting a recommended affiliate store based on the analyzed vector similarity.

또한, 상기 실시 예에 따른 고객 행동 데이터는 고객이 이용한 가맹점의 이름, 가맹점의 위치, 가맹점의 이용 날짜, 가맹점의 업종, 가맹점의 이용 횟수 중 하나 이상으로 구성되고, 상기 고객 프로파일 데이터는 고객의 나이 및 성별 중 하나 이상으로 구성되며, 상기 가맹점 행동 데이터는 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 중 하나 이상으로 구성된 것을 특징으로 한다.In addition, the customer behavior data according to the embodiment is composed of one or more of the name of the affiliated store used by the customer, the location of the affiliated store, the date of using the affiliated store, the type of affiliated store, and the number of times the affiliated store is used, and the customer profile data is the age of the customer and gender, and the affiliate store behavior data is characterized in that it consists of one or more of the affiliate store name, affiliate store location, and affiliate store type of business.

또한, 본 발명의 일 실시 예는 가맹점 추천 방법으로서, a) 입력부가 고객 행동 데이터, 고객 프로파일 데이터 및 가맹점 행동 데이터를 입력받는 단계; b) 분류 처리부가 상기 고객 행동 데이터 하나 이상의 가맹점 별로 임베딩(embedding)하여 벡터 값으로 변환하고, 상기 고객 프로파일 데이터를 하나 이상의 속성 별로 임베딩하여 벡터 값으로 변환하며, 가맹점 행동 데이터를 임베딩하여 벡터 값으로 변환하는 단계; c) 상기 분류 처리부가 임베딩된 상기 고객 행동 데이터를 버트(BERT) 기반의 제1 네트워크를 이용하여 고객 행동 데이터의 벡터 값으로 변환하고, 상기 제1 네트워크와 병렬로 구성되고 임베딩된 상기 고객 프로파일 데이터를 버트 기반의 제2 네트워크를 이용하여 고객 프로파일 데이터의 벡터 값으로 변환하며, 상기 제1 네트워크와 제2 네트워크를 통해 변환된 고객 행동 데이터의 벡터 값 및 고객 프로프일 데이터의 벡터 값을 상기 임베딩된 가맹점 행동 데이터의 벡터 값과 더하여(add) 가맹점을 분류하는 단계; 및 d) 상기 분류 처리부를 통해 분류된 가맹점의 벡터 값을 기반으로 가맹점 추천부가 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과 가맹점 행동 데이터의 벡터 값 간의 유사도를 분석하고, 유사도 분석 결과에 따라 추천 대상 가맹점을 추출하는 단계;를 포함한다.In addition, an embodiment of the present invention is an affiliated store recommendation method, comprising: a) receiving customer behavior data, customer profile data, and affiliated store behavioral data by an input unit; b) The classification processing unit embeds the customer behavior data for each of one or more affiliates and converts them into vector values, embeds the customer profile data for each attribute and converts them into vector values, and embeds the affiliate store behavior data into vector values converting; c) The classification processing unit converts the embedded customer behavioral data into a vector value of customer behavioral data using a BERT-based first network, and the customer profile data configured and embedded in parallel with the first network is converted into a vector value of customer profile data using a second network based on vert, and the vector value of the customer behavior data and the vector value of the customer profile data converted through the first network and the second network are converted into the embedded Classifying the affiliated store by adding the vector value of the affiliated store behavior data; and d) based on the vector value of the affiliated store classified through the classification processing unit, the affiliated store recommendation unit analyzes the similarity between the sum of the vector value of the customer behavior data and the vector value of the customer profile and the vector value of the affiliated store behavioral data, and based on the similarity analysis result and extracting a recommended affiliated store according to the method.

또한, 상기 실시 예에 따른 c) 단계의 제1 네트워크는 이전 출력 값을 현재의 입력 값으로 하는 'N'개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 행동 데이터 전처리부에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 가맹점별 고객 행동 데이터에 대응하는 벡터 값으로 출력하는 것을 특징으로 한다.In addition, in the first network of step c) according to the embodiment, 'N' encoder blocks using a previous output value as a current input value identify characteristics between words using a Self-Attention Mechanism, , It is characterized in that the vector value output from the customer behavior data pre-processing unit is output as a vector value corresponding to customer behavior data for each affiliated store through a BERT algorithm composed of the 'N' encoder blocks.

또한, 상기 실시 예에 따른 c) 단계의 제2 네트워크는 이전 출력 값을 현재의 입력 값으로 하는 N개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 프로파일 데이터 전치리부에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 상기 속성에 대한 고객 프로파일 데이터에 대응하는 벡터 값으로 출력하는 것을 특징으로 한다.In addition, in the second network of step c) according to the embodiment, N encoder blocks using a previous output value as a current input value identify characteristics between words using a self-attention mechanism, and the customer It is characterized in that the vector value output from the profile data preprocessor is output as a vector value corresponding to the customer profile data for the attribute through the BERT algorithm composed of the 'N' encoder blocks.

또한, 상기 실시 예에 따른 고객 행동 데이터는 고객이 이용한 가맹점의 이름, 가맹점의 위치, 가맹점의 이용 날짜, 가맹점의 업종, 가맹점의 이용 횟수 중 하나 이상으로 구성되고, 상기 고객 프로파일 데이터는 고객의 나이 및 성별 중 하나 이상으로 구성되며, 상기 가맹점 행동 데이터는 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 중 하나 이상으로 구성된 것을 특징으로 한다.In addition, the customer behavior data according to the embodiment is composed of one or more of the name of the affiliated store used by the customer, the location of the affiliated store, the date of using the affiliated store, the type of affiliated store, and the number of times the affiliated store is used, and the customer profile data is the age of the customer and gender, and the affiliate store behavior data is characterized in that it consists of one or more of the affiliate store name, affiliate store location, and affiliate store type of business.

본 발명은 고객의 행동과 프로파일 정보를 기반으로 가맹점 정보를 함께 입력받아 계산되는 유사도를 분석하여 고객에게 개인화된 최적의 가맹점 추천을 제공할 수 있는 장점이 있다.The present invention has the advantage of being able to provide personalized and optimal affiliate store recommendations to customers by analyzing similarities calculated by receiving affiliate store information together based on customer behavior and profile information.

또한, 본 발명은 고객의 시간, 위치 정보, 과거에 방문한 가맹점 정보를 함께 벡터 공간에 표상하여 고객에게 개인화된 가맹점을 추천함으로써, 고객에 대한 마케팅 성공률을 향상시킬 수 있는 장점이 있다.In addition, the present invention has the advantage of improving the marketing success rate for customers by recommending a personalized affiliate store to the customer by representing the customer's time, location information, and affiliate store information visited in the past together in a vector space.

도1은 본 발명의 일 실시 예에 따른 가맹점 추천 장치의 구성을 개략적으로 나타낸 블록도.
도2는 도1의 실시 예에 따른 가맹점 추천 장치의 구성을 구체적으로 나타낸 블록도.
도3은 도2의 실시 예에 따른 고객 행동 데이터 전처리를 설명하기 위해 나타낸 예시도.
도4는 도2의 실시 예에 따른 고객 프로파일 데이터 전처리를 설명하기 위해 나타낸 예시도.
도5는 도2의 실시 예에 따른 가맹점 데이터 전처리를 설명하기 위해 나타낸 예시도.
도6은 본 발명의 일 실시 예에 따른 가맹점 추천 방법을 설명하기 위해 나타낸 흐름도.1 is a block diagram schematically illustrating the configuration of an affiliated store recommendation device according to an embodiment of the present invention;
FIG. 2 is a block diagram showing the configuration of an affiliated store recommendation device according to the embodiment of FIG. 1 in detail;
3 is an exemplary view illustrating pre-processing of customer behavior data according to the embodiment of FIG. 2;
4 is an exemplary view illustrating customer profile data pre-processing according to the embodiment of FIG. 2;
FIG. 5 is an exemplary view illustrating pre-processing of affiliate store data according to the embodiment of FIG. 2;
6 is a flowchart illustrating a method for recommending an affiliated store according to an embodiment of the present invention.

이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.Hereinafter, the present invention will be described in detail with reference to preferred embodiments of the present invention and accompanying drawings, but the same reference numerals in the drawings will be described on the premise that they refer to the same components.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. Prior to describing specific details for the implementation of the present invention, it should be noted that configurations not directly related to the technical subject matter of the present invention are omitted within the scope of not disturbing the technical subject matter of the present invention.

또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.In addition, the terms or words used in this specification and claims are meanings and concepts consistent with the technical idea of the invention based on the principle that the inventor can define the concept of appropriate terms to best describe his/her invention. should be interpreted as

본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.In this specification, the expression that a certain part "includes" a certain component means that it may further include other components, rather than excluding other components.

또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.In addition, terms such as ".. unit", ".. unit", and ".. module" refer to units that process at least one function or operation, which may be classified as hardware, software, or a combination of the two.

또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. In addition, the term "at least one" is defined as a term including singular and plural, and even if at least one term does not exist, each component may exist in singular or plural, and may mean singular or plural. would be self-evident.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 가맹점 추천 장치 및 방법의 바람직한 실시예를 상세하게 설명한다.Hereinafter, preferred embodiments of an affiliated store recommendation apparatus and method according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도1은 본 발명의 일 실시 예에 따른 가맹점 추천 장치의 구성을 개략적으로 나타낸 블록도이고, 도2는 도1의 실시 예에 따른 가맹점 추천 장치의 구성을 구체적으로 나타낸 블록도이며, 도3은 도2의 실시 예에 따른 고객 행동 데이터 전처리를 설명하기 위해 나타낸 예시도이고, 도4는 도2의 실시 예에 따른 고객 프로파일 데이터 전처리를 설명하기 위해 나타낸 예시도이고, 도5는 도2의 실시 예에 따른 가맹점 데이터 전처리를 설명하기 위해 나타낸 예시도이다.1 is a block diagram schematically showing the configuration of an affiliated store recommendation device according to an embodiment of the present invention, FIG. 2 is a block diagram showing the configuration of the affiliated store recommendation device according to the embodiment of FIG. 1 in detail, and FIG. 3 is FIG. 2 is an exemplary diagram shown to explain customer behavior data preprocessing according to the embodiment of FIG. 2, FIG. 4 is an example diagram shown to explain customer profile data preprocessing according to the embodiment of FIG. 2, and FIG. It is an exemplary diagram shown to explain pre-processing of affiliate store data according to the example.

도1 내지 도5를 참조하면, 본 발명의 일 실시 예에 따른 가맹점 추천 장치(100)는 고객의 행동과 프로파일 정보를 기반으로 가맹점 정보를 함께 입력받아 계산되는 유사도를 분석하여 고객에게 개인화된 최적의 가맹점 추천을 통해 마케팅 성공률이 향상될 수 있도록 입력부(110)와, 분류 처리부(120)와, 가맹점 추출부(130)와, 출력부(140)를 포함하여 구성될 수 있다.1 to 5, the affiliated store recommendation device 100 according to an embodiment of the present invention receives affiliated store information together based on the customer's behavior and profile information and analyzes the calculated similarity to provide a personalized optimal value for the customer. It may be configured to include an input unit 110, a classification processing unit 120, an affiliated store extraction unit 130, and an output unit 140 so that marketing success rate can be improved through affiliated store recommendation.

입력부(110)는 고객 행동 데이터(123a), 고객 프로파일 데이터(124a) 및 가맹점 행동 데이터(125a)를 입력받을 수 있다.The input unit 110 may receive customer behavioral data 123a, customer profile data 124a, and merchant behavioral data 125a.

고객 행동 데이터(123a)는 고객이 이용한 가맹점의 이름, 가맹점의 위치, 가맹점의 이용 날짜, 가맹점의 업종, 가맹점의 이용 횟수 등을 포함하는 데이터로서, 정형 데이터 또는 비정형 데이터의 형태일 수 있다.The customer behavior data 123a is data including the name of the affiliated store used by the customer, the location of the affiliated store, the date of using the affiliated store, the industry type of the affiliated store, the number of times the affiliated store is used, and the like, and may be in the form of structured data or unstructured data.

예를 들어, 고객 행동 데이터(123a)는 고객의 카드 사용 내역 정보에 포함된 고객이 이용한 가맹점 이름이고, 가맹점의 이용 날짜는 고객이 가맹점을 이용한 날짜이며, 가맹점의 이용 횟수는 고객이 가맹점을 이용한 횟수일 수 있다. For example, the customer behavior data 123a is the name of the affiliated store used by the customer included in the customer's card usage history information, the date of use of the affiliated store is the date the customer used the affiliated store, and the number of times the customer used the affiliated store is the number of times the customer used the affiliated store. can be number of times.

또한, 고객 행동 데이터(123a)는 고객의 가맹점 결제 내역 정보 중 고객이 이용한 가맹점 이름, 고객이 가맹점을 이용한 날짜, 고객이 가맹점을 이용한 횟수일 수 있다. In addition, the customer behavior data 123a may include the name of an affiliated store used by the customer, the date the customer used the affiliated store, and the number of times the customer used the affiliated store among the customer's affiliated store payment detail information.

고객 프로파일 데이터(124a)는 고객의 나이 및 성별 등의 항목과, 나이, 성별의 수치적 표현인 항목 값을 포함하는 속성 데이터 형태일 수 있다.The customer profile data 124a may be in the form of attribute data including items such as age and gender of the customer and item values that are numerical expressions of age and gender.

가맹점 행동 데이터(125a)는 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 등을 포함한 데이터일 수 있다.The affiliate store behavior data 125a may be data including the name of the affiliate store, the location of the affiliate store, and the type of business of the affiliate store.

분류 처리부(120)는 고객 행동 데이터(123a)를 임베딩(embedding)하여 버트(BERT) 기반의 제1 네트워크(121)를 통해 고객 행동 데이터의 벡터 값으로 변환할 수 있다.The classification processing unit 120 may embed the customer behavioral data 123a and convert it into a vector value of the customer behavioral data through the BERT-based first network 121 .

또한, 분류 처리부(120)는 제1 네트워크(121)와 병렬로 구성되고 고객 프로파일 데이터(124a)를 임베딩하여 버트 기반의 제2 네트워크(122)를 통해 고객 프로파일 데이터의 벡터 값으로 변환할 수 있다.In addition, the classification processing unit 120 is configured in parallel with the first network 121 and can embed the customer profile data 124a and convert it into a vector value of the customer profile data through the second network 122 based on the vert. .

또한, 분류 처리부(120)는 가맹점 행동 데이터(125a)를 임베딩하여 가맹점 행동 데이터의 벡터 값으로 변환하고, 변환된 고객 행동 데이터의 벡터 값과 고객 프로파일 데이터의 벡터 값을 더하여(add) 가맹점을 분류할 수 있다.In addition, the classification processing unit 120 embeds the affiliated store behavioral data 125a, converts it into a vector value of the affiliated store behavioral data, adds the vector value of the converted customer behavioral data and the vector value of the customer profile data, and classifies the affiliated store. can do.

이를 위해, 분류 처리부(120)는 제1 네트워크(121)와, 제2 네트워크(122)와, 고객 행동 데이터 전처리부(123)와, 고객 프로파일 데이터 전처리부(124)와, 가맹점 데이터 전처리부(125)를 포함하여 구성될 수 있다.To this end, the classification processing unit 120 includes a first network 121, a second network 122, a customer behavior data pre-processing unit 123, a customer profile data pre-processing unit 124, and an affiliated store data pre-processing unit ( 125).

제1 네트워크(121)는 'N'개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 행동 데이터 전처리부(123)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 가맹점별 고객 행동 데이터에 대응하는 벡터 값으로 출력할 수 있다.In the first network 121, 'N' encoder blocks identify characteristics between words using a self-attention mechanism, and vector values output from the customer behavior data pre-processing unit 123 are converted to the 'N' number of encoder blocks. Through the BERT algorithm composed of 'encoder blocks, it is possible to output vector values corresponding to customer behavior data for each affiliate.

또한, 제1 네트워크(121)의 인코더 블록은 이전 출력 값을 현재의 입력 값으로 하는 RNN(Recurrent Neural Network)과 유사한 특징을 지닐 수 있다.In addition, the encoder block of the first network 121 may have characteristics similar to those of a recurrent neural network (RNN) in which a previous output value is used as a current input value.

또한, 제1 네트워크(121)는 블록 내에서 각각의 입력과 처리 결과가 오버피팅(Overfitting)되는 것을 방지하기 위해 잔차 네트워크(Residual Network)로 처리할 수도 있다.In addition, the first network 121 may process as a residual network in order to prevent overfitting of each input and processing result within a block.

제2 네트워크(122)는 'N'개의 인코더 블록이 이전 출력 값을 현재의 입력 값으로 하는 이전 출력 값을 현재의 입력 값으로 하는 RNN과 유사한 특징을 가질 수 있고, 셀프 어텐션 메커니즘을 사용하여 단어 간의 특징을 파악하여 고객 프로파일 데이터 전치리부(124)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 상기 속성에 대한 고객 프로파일 데이터에 대응하는 벡터 값으로 출력할 수 있다.The second network 122 may have a characteristic similar to that of an RNN in which 'N' encoder blocks take the previous output value as the current input value and the previous output value as the current input value, and uses a self-attention mechanism to By identifying the characteristics of the liver, the vector value output from the customer profile data preprocessing unit 124 can be output as a vector value corresponding to the customer profile data for the attribute through the BERT algorithm composed of the 'N' encoder blocks. .

또한, 제2 네트워크(122)는 피드 포워드 신경망(Feed-Forward Neural Network)을 기반으로 입력된 고객 프로파일 데이터가 입력 레이어에서 은닉 레이어를 거쳐 출력 레이어까지 전달되도록 하여 분류를 위한 벡터 값을 출력한다.In addition, the second network 122 outputs a vector value for classification by passing the input customer profile data from the input layer to the output layer via the hidden layer based on a feed-forward neural network.

또한, 피드 포워드 신경망은 분류를 예측하기 위해 정해진 컬럼의 데이터만을 참고하고, 입력값의 분포가 변하는 것을 방지하기 위해 잔차 네트워크(Residual Network)를 포함하여 구성될 수 있다.In addition, the feed-forward neural network may include a residual network to refer to only data of a predetermined column in order to predict a classification and to prevent a change in the distribution of input values.

고객 행동 데이터 전처리부(123)는 고객의 가맹점 결제 내역 정보 중 고객이 이용한 가맹점 이름, 고객이 가맹점을 이용한 날짜, 고객이 가맹점을 이용한 횟수 등을 포함한 고객 행동 데이터(123a)를 하나 이상의 가맹점 별로 임베딩하여 합(Add)한 연산 결과를 제1 네트워크(121)로 출력할 수 있다.The customer behavioral data pre-processing unit 123 embeds customer behavioral data 123a, including the name of the affiliated store used by the customer, the date the customer used the affiliated store, the number of times the customer used the affiliated store, etc. among the customer's affiliated store payment history information for each one or more affiliated stores An operation result obtained by adding the values may be output to the first network 121 .

고객 프로파일 데이터 전처리부(124)는 고객의 나이 및 성별 등의 항목과, 나이, 성별의 수치적 표현인 항목 값 등을 포함한 고객 프로파일 데이터(124a)를 하나 이상의 속성 별로 임베딩하여 합한 연산 결과를 제2 네트워크(122)로 출력할 수 있다.The customer profile data pre-processing unit 124 provides an operation result obtained by embedding customer profile data 124a including items such as age and gender of the customer and item values that are numerical expressions of age and gender for each attribute and summing them. 2 network 122.

가맹점 데이터 전처리부(125)는 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 등을 포함한 가맹점 행동 데이터(125a)를 임베딩하여 변환된 가맹점 행동 데이터의 벡터 값을 출력할 수 있다.The affiliate store data pre-processing unit 125 may embed the affiliate store behavior data 125a including the affiliate store name, affiliate store location, affiliate store type of business, and the like, and output a vector value of the affiliate store behavior data converted.

가맹점 추출부(130)는 분류 처리부(120)를 통해 분류된 고객 행동 데이터, 고객 프로파일 데이터 및 가맹점 행동 데이터를 포함한 벡터 값을 기반으로 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과 가맹점 행동 데이터의 벡터 값 간의 유사도를 분석하여 추천 대상 가맹점을 추출할 수 있고, 이를 위해, 유사도 분석부(131)와 가맹점 추천부(132)를 포함하여 구성될 수 있다.The affiliated store extraction unit 130 calculates the sum of the vector value of the customer behavioral data and the customer profile vector value and the affiliated store behavior based on the vector value including the customer behavioral data, customer profile data, and affiliated store behavioral data classified through the classification processing unit 120 A recommendation target affiliate store may be extracted by analyzing the similarity between vector values of the data. For this purpose, a similarity analysis unit 131 and an affiliate store recommendation unit 132 may be included.

유사도 분석부(131)는 분류된 가맹점의 벡터 값을 기반으로 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 간의 벡터 유사도를 분석할 수 있다.The similarity analyzer 131 may analyze a vector similarity between the sum of the vector values of the customer behavior data and the customer profile vector values and the vector values of the affiliate store behavior data based on the vector values of the classified affiliate stores.

즉, 유사도 분석부(131)는 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 각도의 코사인 값에 기반한 코사인 유사도를 계산하여 벡터의 유사도를 측정할 수 있다.That is, the similarity analyzer 131 may measure the vector similarity by calculating the cosine similarity based on the sum of the vector value of the customer behavior data and the customer profile vector value and the cosine value of the angle of the vector value of the affiliate store behavior data.

가맹점 추천부(132)는 분석된 벡터의 유사도를 기반으로 유사도가 가장 높은 벡터 값을 갖는 가맹점 행동 데이터를 기반으로 해당 가맹점을 추천 대상 가맹점으로 추출하고, 추출된 추천 대상 가맹점을 출력부(140)로 제공한다.The affiliate store recommendation unit 132 extracts the affiliate store as a recommendation target affiliate store based on the affiliate store behavior data having the highest vector value based on the similarity of the analyzed vector, and outputs the extracted recommendation target affiliate store 140 provided by

다음은 본 발명의 일 실시 예에 따른 가맹점 추천 방법을 설명한다.Next, a method for recommending an affiliated store according to an embodiment of the present invention will be described.

도6은 본 발명의 일 실시 예에 따른 가맹점 추천 방법을 설명하기 위해 나타낸 흐름도이다.6 is a flowchart illustrating a method for recommending an affiliated store according to an embodiment of the present invention.

도1, 도2 및 도6을 참조하면, 입력부(110)를 통해 고객 행동 데이터(123a), 고객 프로파일 데이터(124a) 및 가맹점 행동 데이터(125a)가 입력(S100)되면, 분류 처리부(120)는 고객 행동 데이터(123a)를 하나 이상의 가맹점 별로 임베딩(embedding)하여 벡터 값으로 변환하고, 고객 프로파일 데이터(124a)를 하나 이상의 속성 별로 임베딩하여 벡터 값으로 변환하며, 가맹점 행동 데이터(125a)를 임베딩하여 벡터 값으로 변환(S200, S300)한다.1, 2 and 6, when customer behavioral data 123a, customer profile data 124a, and merchant behavioral data 125a are input (S100) through the input unit 110, the classification processing unit 120 Embedding the customer behavioral data 123a for each one or more affiliated stores and converting them into vector values, embedding the customer profile data 124a for each one or more attributes and converting them into vector values, and embedding the affiliated store behavioral data 125a is converted into a vector value (S200, S300).

S100 단계에서 입력되는 고객 행동 데이터(123a)는 고객이 이용한 가맹점의 이름, 가맹점의 위치, 가맹점의 이용 날짜, 가맹점의 업종, 가맹점의 이용 횟수 등을 포함하는 데이터로서, 정형 데이터 또는 비정형 데이터의 형태일 수 있다.The customer behavior data 123a input in step S100 is data including the name of the affiliated store used by the customer, the location of the affiliated store, the date of using the affiliated store, the type of affiliated store, the number of times the affiliated store is used, and the like, in the form of structured data or unstructured data can be

또한, 고객 행동 데이터(123a)는 고객의 가맹점 결제 내역 정보 중 고객이 이용한 가맹점 이름, 고객이 가맹점을 이용한 날짜, 고객이 가맹점을 이용한 횟수일 수 있다. In addition, the customer behavior data 123a may include the name of an affiliated store used by the customer, the date the customer used the affiliated store, and the number of times the customer used the affiliated store among the customer's affiliated store payment detail information.

고객 프로파일 데이터(124a)는 고객의 나이 및 성별 등의 항목과, 나이, 성별의 수치적 표현인 항목 값을 포함하는 속성 데이터 형태일 수 있다.The customer profile data 124a may be in the form of attribute data including items such as age and gender of the customer and item values that are numerical expressions of age and gender.

가맹점 행동 데이터(125a)는 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 등을 포함한 데이터일 수 있다.The affiliate store behavior data 125a may be data including the name of the affiliate store, the location of the affiliate store, and the type of business of the affiliate store.

S200 단계 및 S300 단계에서, 분류 처리부(120)는 고객의 가맹점 결제 내역 정보 중 고객이 이용한 가맹점 이름, 고객이 가맹점을 이용한 날짜, 고객이 가맹점을 이용한 횟수 등을 포함한 고객 행동 데이터(123a)를 하나 이상의 가맹점 별로 임베딩하여 합(Add)한 연산 결과를 출력할 수 있다.In steps S200 and S300, the classification processing unit 120 collects customer behavior data 123a including the name of the affiliated store used by the customer, the date the customer used the affiliated store, and the number of times the customer used the affiliated store among the customer's affiliated store payment detail information. It is possible to output the operation result obtained by embedding and adding each of the above member stores.

또한, S200 단계 및 S300 단계에서, 분류 처리부(120)는 고객의 나이 및 성별 등의 항목과, 나이, 성별의 수치적 표현인 항목 값 등을 포함한 고객 프로파일 데이터(124a)를 하나 이상의 속성 별로 임베딩하여 합한 연산 결과를 출력할 수 있다.In addition, in steps S200 and S300, the classification processing unit 120 embeds customer profile data 124a including items such as age and gender of the customer and item values that are numerical expressions of age and gender for each one or more attributes. The result of the summation operation can be output.

또한, S200 단계 및 S300 단계에서, 분류 처리부(120)는 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 등을 포함한 가맹점 행동 데이터(125a)를 임베딩하여 변환된 가맹점 행동 데이터의 벡터 값을 출력할 수 있다.In addition, in steps S200 and S300, the classification processing unit 120 embeds the affiliated store behavioral data 125a including the affiliated store name, affiliated store location, affiliated business type, etc., and outputs a vector value of the affiliated store behavioral data converted. there is.

계속해서, 분류 처리부(120)가 S200 단계에서 임베딩된 고객 행동 데이터(123a)를 버트(BERT) 기반의 제1 네트워크(121)를 이용하여 고객 행동 데이터의 벡터 값으로 변환하고, 제1 네트워크(121)와 병렬로 구성되고 임베딩된 고객 프로파일 데이터(124a)를 버트 기반의 제2 네트워크(122)를 이용하여 고객 프로파일 데이터의 벡터 값으로 변환할 수 있다.Subsequently, the classification processing unit 120 converts the customer behavioral data 123a embedded in step S200 into a vector value of the customer behavioral data using the BERT-based first network 121, and the first network ( The customer profile data 124a configured and embedded in parallel with 121) may be converted into a vector value of the customer profile data using the second network 122 based on the vert.

또한, 분류 처리부(120)는 제1 네트워크(121)와 제2 네트워크(122)를 통해 변환된 고객 행동 데이터의 벡터 값 및 고객 프로프일 데이터의 벡터 값을 S300 단계에서 임베딩된 가맹점 행동 데이터(125a)의 벡터 값과 더하여(Add) 가맹점 정보가 분류(S400)되도록 한다.In addition, the classification processing unit 120 converts the vector values of the customer behavioral data and the vector values of the customer profile data converted through the first network 121 and the second network 122 into affiliated store behavioral data 125a embedded in step S300. ) and the vector value of (Add) so that the affiliated store information is classified (S400).

즉, 400 단계에서 제1 네트워크(121)는 이전 출력 값을 현재의 입력 값으로 하는 'N'개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 행동 데이터 전처리부(123)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 가맹점별 고객 행동 데이터에 대응하는 벡터 값으로 출력할 수 있다.That is, in step 400, the first network 121 recognizes the characteristics between words by using the Self-Attention Mechanism of 'N' encoder blocks having the previous output value as the current input value, and the customer behavior The vector value output from the data pre-processing unit 123 may be output as a vector value corresponding to customer behavior data for each affiliated store through a BERT algorithm composed of the 'N' number of encoder blocks.

또한, S400 단계에서 제2 네트워크(122)는 이전 출력 값을 현재의 입력 값으로 하는 N개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 프로파일 데이터 전치리부(124)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 상기 속성에 대한 고객 프로파일 데이터에 대응하는 벡터 값으로 출력할 수 있다.In addition, in step S400, the second network 122 uses a Self-Attention Mechanism for N encoder blocks that use the previous output value as the current input value to identify characteristics between words, and transmits customer profile data. A vector value output from the processor 124 may be output as a vector value corresponding to customer profile data for the attribute through a BERT algorithm composed of the 'N' encoder blocks.

또한, S400 단계에서 제2 네트워크(122)는 피드 포워드 신경망을 기반으로 입력된 고객 프로파일 데이터가 입력 레이어에서 은닉 레이어를 거쳐 출력 레이어까지 전달되도록 하여 분류를 위한 벡터 값을 출력한다.Further, in step S400, the second network 122 transmits the input customer profile data from the input layer to the output layer via the hidden layer based on the feed forward neural network, and outputs a vector value for classification.

또한, 피드 포워드 신경망은 분류를 예측하기 위해 정해진 컬럼의 데이터만을 참고하고, 입력값의 분포가 변하는 것을 방지하기 위해 잔차 네트워크를 포함하여 구성될 수 있다.In addition, the feed-forward neural network may include a residual network to refer to only data of a predetermined column in order to predict a classification and to prevent a distribution of input values from changing.

계속해서, 가맹점 추출부(130)는 분류 처리부(120)를 통해 분류된 고객 행동 데이터, 고객 프로파일 데이터 및 가맹점 행동 데이터를 포함한 벡터 값을 기반으로 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과 가맹점 행동 데이터의 벡터 값 간의 유사도를 분석하여 추천 대상 가맹점을 추출(S500)할 수 있다.Subsequently, the affiliated store extraction unit 130 calculates the sum of the vector value of the customer behavioral data and the customer profile vector value based on the vector value including the customer behavioral data, customer profile data, and affiliated store behavioral data classified through the classification processing unit 120. A recommendation target affiliate store may be extracted (S500) by analyzing a degree of similarity between the vector value of the affiliate store behavior data.

즉, S500 단계에서 가맹점 추출부(130)는 S400 단계에서 분류된 벡터 값을 기반으로 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 간의 각도를 이용하여 코사인 값에 기반한 코사인 유사도를 계산하여 벡터의 유사도를 분석할 수 있다.That is, in step S500, the affiliated store extractor 130 calculates the cosine value by using the angle between the vector value of the vector value of the merchant behavior data and the sum of the vector value of the customer behavior data and the customer profile vector value based on the vector value classified in step S400. The similarity of vectors can be analyzed by calculating the cosine similarity based on .

또한, S500 단계에서 가맹점 추출부(130)는 분석된 벡터의 유사도를 기반으로 유사도가 가장 높은 벡터 값을 갖는 가맹점 행동 데이터를 기반으로 해당 가맹점을 추천 대상 가맹점으로 추출하고, 추출된 추천 대상 가맹점을 출력부(140)로 출력할 수 있다.In addition, in step S500, the affiliated store extraction unit 130 extracts the affiliated store as a recommendation target affiliated store based on the affiliated store behavior data having the highest vector value based on the similarity of the analyzed vectors, and selects the extracted recommended affiliated store It can be output to the output unit 140.

따라서, 고객의 행동과 프로파일 정보를 기반으로 가맹점 정보를 함께 입력받아 계산되는 유사도를 분석하여 고객에게 개인화된 최적의 가맹점 추천을 제공할 수 있다.Therefore, based on the customer's behavior and profile information, it is possible to provide personalized and optimal affiliate store recommendations to customers by analyzing the calculated similarity by receiving affiliate store information together.

또한, 고객의 시간, 위치 정보, 과거에 방문한 가맹점 정보를 함께 벡터 공간에 표상하여 고객에게 개인화된 가맹점을 추천함으로써, 고객에 대한 마케팅 성공률을 향상시킬 수 있다.In addition, the marketing success rate for customers can be improved by recommending a personalized affiliate store to the customer by representing the customer's time, location information, and affiliate store information visited in the past together in a vector space.

상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.As described above, although it has been described with reference to the preferred embodiments of the present invention, those skilled in the art will variously modify and change the present invention within the scope not departing from the spirit and scope of the present invention described in the claims below. You will understand that it can be done.

또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.In addition, the drawing numbers described in the claims of the present invention are only described for clarity and convenience of explanation, but are not limited thereto, and in the process of describing the embodiments, the thickness of lines or the size of components shown in the drawings, etc. may be exaggerated for clarity and convenience of description.

또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, the above-mentioned terms are terms defined in consideration of functions in the present invention, which may change according to the intention or custom of the user or operator, so the interpretation of these terms should be made based on the contents throughout this specification. .

또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다. In addition, even if it is not explicitly shown or described, a person skilled in the art to which the present invention belongs can make various modifications from the description of the present invention to the technical idea according to the present invention. Obviously, it is still within the scope of the present invention.

또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.In addition, the above embodiments described with reference to the accompanying drawings are described for the purpose of explaining the present invention, and the scope of the present invention is not limited to these embodiments.

100 : 가맹점 추천 장치
110 : 입력부
120 : 분류 처리부
121 : 제1 네트워크
122 : 제2 네트워크
123 : 고객 행동 데이터 전처리부
123a : 고객 행동 데이터
124 : 고객 프로파일 데이터 전처리부
124a : 고객 프로파일 데이터
125 : 가맹점 데이터 전처리부
125a : 가맹점 행동 데이터
130 : 가맹점 추출부
131 : 유사도 분석부
132 : 가맹점 추천부
140 : 출력부100: Merchant recommendation device
110: input unit
120: classification processing unit
121: first network
122: second network
123: Customer behavior data pre-processing unit
123a: customer behavior data
124: customer profile data pre-processing unit
124a: customer profile data
125: Merchant data pre-processing unit
125a: merchant behavior data
130: Merchant extraction unit
131: similarity analysis unit
132: affiliate store recommendation unit
140: output unit

Claims (8)

고객이 이용한 가맹점의 이름, 가맹점의 위치, 가맹점의 이용 날짜, 가맹점의 업종, 가맹점의 이용 횟수 중 하나 이상을 포함한 고객 행동 데이터(123a), 고객의 나이 및 성별 중 하나 이상을 포함한 고객 프로파일 데이터(124a) 및 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 중 하나 이상을 포함한 가맹점 행동 데이터(125a)를 입력받는 입력부(110);
상기 고객 행동 데이터(123a)를 하나 이상의 가맹점 별로 임베딩(embedding)하여 합(Add)한 연산 결과를 버트(BERT) 알고리즘 기반의 제1 네트워크(121)를 통해 변환한 가맹점별 고객 행동 데이터의 벡터 값과, 상기 제1 네트워크(121)와 병렬로 구성되고 고객 프로파일 데이터(124a)를 나이 및 성별에 따른 속성 별로 임베딩하여 합한 연산 결과를 버트 알고리즘 기반의 제2 네트워크(122)를 통해 변환한 속성별 고객 프로파일 데이터의 벡터 값과, 상기 가맹점 행동 데이터(125a)를 임베딩하여 변환된 가맹점 행동 데이터의 벡터 값을 출력하고, 상기 가맹점별 고객 행동 데이터의 벡터 값, 속성별 고객 프로파일 데이터의 벡터 값 및 가맹점 행동 데이터의 벡터 값을 더하여(add) 가맹점을 분류하는 분류 처리부(120);
상기 분류 처리부(120)를 통해 분류된 가맹점별 고객 행동 데이터의 벡터 값, 속성별 고객 프로파일 데이터의 벡터 값 및 가맹점 행동 데이터의 벡터 값을 기반으로 가맹점별 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 간의 벡터 유사도를 분석하되,
상기 가맹점별 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 각도의 코사인 값에 기반한 코사인 유사도를 계산하여 벡터의 유사도를 분석하고, 상기 분석된 벡터의 유사도가 가장 높은 벡터 값을 갖는 가맹점 행동 데이터의 벡터 값을 기반으로 추천 대상 가맹점을 추출하는 가맹점 추출부(130); 및
상기 추출된 추천 대상 가맹점을 출력하는 출력부(140);를 포함하는 가맹점 추천 장치.Customer behavior data (123a) including one or more of the name of the affiliated store used by the customer, the location of the affiliated store, the date of use of the affiliated store, the type of affiliated store, and the number of times the affiliated store is used, customer profile data including one or more of the age and gender of the customer ( 124a) and an input unit 110 for receiving affiliated store behavior data 125a including at least one of the affiliated store's name, affiliated store's location, and affiliated business type;
A vector value of customer behavioral data for each affiliate store obtained by embedding and adding the customer behavior data 123a for each affiliate store and converting the operation result through the first network 121 based on the BERT algorithm And, the customer profile data 124a configured in parallel with the first network 121 and the customer profile data 124a are embedded for each attribute according to age and gender, and the result of the summation is transformed through the second network 122 based on the Bert algorithm. Embedding the vector value of the customer profile data and the merchant behavior data 125a to output the converted merchant behavior data vector value, and the vector value of the customer behavior data for each affiliate, the vector value of the customer profile data for each attribute, and the affiliate a classification processing unit 120 that classifies affiliated stores by adding vector values of behavioral data;
Based on the vector value of customer behavioral data for each affiliated store, the vector value of customer profile data for each attribute, and the vector value of affiliated store behavioral data classified through the classification processing unit 120, the vector value of customer behavioral data and customer profile vector value for each affiliated store Analyze the vector similarity between the sum of and the vector value of the merchant behavior data,
The similarity of the vector is analyzed by calculating the cosine similarity based on the sum of the vector value of the customer behavior data and the vector value of the customer profile for each affiliate store and the cosine value of the angle of the vector value of the affiliate store behavior data, and the similarity of the analyzed vector is the highest an affiliate store extraction unit 130 for extracting a recommendation target affiliate store based on the vector value of affiliate store behavior data having a high vector value; and
An affiliate store recommendation device comprising: an output unit 140 outputting the extracted recommendation target affiliate stores. 제 1 항에 있어서,
상기 분류 처리부(120)는 이전 출력 값을 현재의 입력 값으로 하는 'N'개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 행동 데이터 전처리부(123)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 가맹점별 고객 행동 데이터에 대응하는 벡터 값으로 출력하는 제1 네트워크(121);
이전 출력 값을 현재의 입력 값으로 하는 N개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 프로파일 데이터 전치리부(124)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 속성에 대한 고객 프로파일 데이터에 대응하는 벡터 값으로 출력하는 제2 네트워크(122);
상기 고객 행동 데이터(123a)를 하나 이상의 가맹점 별로 임베딩하여 합한 연산 결과를 상기 제1 네트워크(121)로 출력하는 고객 행동 데이터 전처리부(123);
상기 고객 프로파일 데이터(124a)를 하나 이상의 속성 별로 임베딩하여 합한 연산 결과를 상기 제2 네트워크(122)로 출력하는 고객 프로파일 데이터 전처리부(124); 및
가맹점 행동 데이터(125a)를 임베딩하여 변환된 가맹점 행동 데이터의 벡터 값을 출력하는 가맹점 데이터 전처리부(125);를 포함하는 것을 특징으로 하는 가맹점 추천 장치.According to claim 1,
In the classification processing unit 120, the 'N' number of encoder blocks having previous output values as current input values identify characteristics between words using a self-attention mechanism, and the customer behavior data pre-processing unit 123 A first network 121 that outputs vector values output from ) as vector values corresponding to customer behavior data for each merchant through a BERT algorithm composed of the 'N' number of encoder blocks;
N encoder blocks using the previous output value as the current input value identify the characteristics between words using the Self-Attention Mechanism, and recall the vector value output from the customer profile data preprocessor 124. A second network 122 outputting a vector value corresponding to customer profile data for attributes through a BERT algorithm composed of 'N' encoder blocks;
a customer behavior data pre-processing unit 123 that outputs an operation result obtained by embedding the customer behavior data 123a for each of one or more affiliated stores and summing them to the first network 121;
a customer profile data pre-processing unit 124 that outputs an operation result obtained by embedding the customer profile data 124a for each of one or more attributes and summing them to the second network 122; and
and an affiliate store data pre-processor 125 which embeds the affiliate store behavior data 125a and outputs a vector value of the converted affiliate store behavior data. 제 1 항에 있어서,
상기 가맹점 추출부(130)는 분류된 가맹점의 가맹점별 고객 행동 데이터의 벡터 값, 속성별 고객 프로파일 데이터의 벡터 값 및 가맹점 행동 데이터의 벡터 값을 기반으로 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 간의 벡터 유사도를 분석하되, 상기 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 각도의 코사인 값에 기반한 코사인 유사도를 계산하여 벡터의 유사도를 분석하는 유사도 분석부(131); 및
상기 분석된 벡터의 유사도가 가장 높은 벡터 값을 갖는 가맹점 행동 데이터의 벡터 값을 기반으로 추천 대상 가맹점을 추출하는 가맹점 추천부(132);를 포함하는 것을 특징으로 하는 가맹점 추천 장치.According to claim 1,
The affiliated store extractor 130 obtains vector values of customer behavioral data and customer profile vector values based on the vector value of customer behavioral data for each affiliated store of the classified affiliated store, the vector value of customer profile data for each attribute, and the vector value of affiliated store behavioral data Analyze the vector similarity between the sum of and the vector value of the merchant behavior data, but calculate the cosine similarity based on the sum of the vector value of the customer behavior data and the vector value of the customer profile and the cosine of the angle of the vector value of the merchant behavior data a similarity analysis unit 131 that analyzes the similarity of vectors; and
and an affiliate store recommendation unit 132 for extracting a recommendation target affiliate store based on a vector value of affiliate store behavior data having a vector value having the highest similarity of the analyzed vector. 삭제delete a) 입력부(110)가 고객이 이용한 가맹점의 이름, 가맹점의 위치, 가맹점의 이용 날짜, 가맹점의 업종, 가맹점의 이용 횟수 중 하나 이상을 포함한 고객 행동 데이터(123a), 고객의 나이 및 성별 중 하나 이상을 포함한 고객 프로파일 데이터(124a) 및 가맹점의 이름, 가맹점의 위치, 가맹점의 업종 중 하나 이상을 포함한 가맹점 행동 데이터(125a)를 입력받는 단계;
b) 분류 처리부(120)가 상기 고객 행동 데이터(123a)를 하나 이상의 가맹점 별로 임베딩(embedding)하여 벡터 값으로 변환하고, 상기 고객 프로파일 데이터(124a)를 나이 및 성별에 따른 속성 별로 임베딩하여 벡터 값으로 변환하며, 가맹점 행동 데이터(125a)를 임베딩하여 벡터 값으로 변환하는 단계;
c) 상기 분류 처리부(120)가 가맹점 별로 임베딩된 고객 행동 데이터(123a)를 합하여 버트(BERT) 알고리즘 기반의 제1 네트워크(121)를 통해 가맹점별 고객 행동 데이터의 벡터 값으로 변환하고, 상기 제1 네트워크(121)와 병렬로 구성되고 나이 및 성별에 따른 속성 별로 임베딩된 상기 고객 프로파일 데이터(124a)를 버트 알고리즘 기반의 제2 네트워크(122)를 이용하여 고객 프로파일 데이터의 벡터 값으로 변환하며, 상기 제1 네트워크(121)와 제2 네트워크(122)를 통해 변환된 가맹점별 고객 행동 데이터의 벡터 값 및 고객 프로프일 데이터의 벡터 값을 상기 임베딩된 가맹점 행동 데이터(125a)의 벡터 값과 더하여(add) 가맹점을 분류하는 단계; 및
d) 상기 분류 처리부(120)를 통해 분류된 가맹점별 고객 행동 데이터의 벡터 값, 속성별 고객 프로파일 데이터의 벡터 값 및 가맹점 행동 데이터의 벡터 값을 기반으로 가맹점 추출부(130)가 가맹점별 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과 가맹점 행동 데이터의 벡터 값 간의 유사도를 분석하되,
상기 가맹점별 고객 행동 데이터의 벡터 값 및 고객 프로파일 벡터 값의 합과, 가맹점 행동 데이터의 벡터 값 각도의 코사인 값에 기반한 코사인 유사도를 계산하여 벡터의 유사도를 분석하고, 상기 분석된 벡터의 유사도가 가장 높은 벡터 값을 갖는 가맹점 행동 데이터의 벡터 값을 기반으로 추천 대상 가맹점을 추출하는 단계;를 포함하는 가맹점 추천 방법.a) Customer behavior data 123a including one or more of the name of the affiliated store used by the customer, the location of the affiliated store, the date of using the affiliated store, the industry type of the affiliated store, and the number of times the affiliated store is used by the input unit 110, and one of the customer's age and gender Receiving customer profile data (124a) including the above and affiliate store behavior data (125a) including one or more of the name of the affiliate store, the location of the affiliate store, and the type of business of the affiliate store;
b) The classification processor 120 embeds the customer behavior data 123a for each one or more affiliated stores and converts them into vector values, and embeds the customer profile data 124a for each attribute according to age and gender to obtain a vector value converting to a vector value by embedding the affiliated store behavior data 125a;
c) The classification processing unit 120 combines customer behavioral data 123a embedded for each affiliated store and converts them into vector values of customer behavioral data for each affiliated store through a first network 121 based on a BERT algorithm, and the first The customer profile data 124a configured in parallel with the first network 121 and embedded for each attribute according to age and gender is converted into a vector value of the customer profile data using a second network 122 based on the Berts algorithm, By adding the vector value of customer behavior data and customer profile data for each affiliate converted through the first network 121 and the second network 122 to the vector value of the embedded affiliate store behavior data 125a ( add) classifying affiliated stores; and
d) Based on the vector value of customer behavioral data for each affiliated store, the vector value of customer profile data for each attribute, and the vector value of affiliated store behavioral data classified through the classification processing unit 120, the affiliated store extraction unit 130 determines customer behavior for each affiliated store Analyzing the similarity between the sum of the vector values of the data and the vector values of the customer profile and the vector values of the merchant behavior data,
The similarity of the vector is analyzed by calculating the cosine similarity based on the sum of the vector value of the customer behavior data and the vector value of the customer profile for each affiliate store and the cosine value of the angle of the vector value of the affiliate store behavior data, and the similarity of the analyzed vector is the highest An affiliate store recommendation method comprising: extracting a recommendation target affiliate store based on a vector value of affiliate store behavior data having a high vector value. 제 5 항에 있어서,
상기 c) 단계의 제1 네트워크(121)는 이전 출력 값을 현재의 입력 값으로 하는 'N'개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 행동 데이터 전처리부(123)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 가맹점별 고객 행동 데이터에 대응하는 벡터 값으로 출력하는 것을 특징으로 하는 가맹점 추천 방법.According to claim 5,
In the first network 121 in step c), 'N' encoder blocks having previous output values as current input values identify characteristics between words using a self-attention mechanism, and customer behavior The affiliate store recommendation method characterized in that the vector value output from the data pre-processing unit 123 is output as a vector value corresponding to customer behavior data for each affiliate through a BERT algorithm composed of the 'N' encoder blocks. 제 5 항에 있어서,
상기 c) 단계의 제2 네트워크(122)는 이전 출력 값을 현재의 입력 값으로 하는 N개의 인코더 블록이 셀프 어텐션 메커니즘(Self-Attention Mechanism)을 사용하여 단어 간의 특징을 파악하고, 고객 프로파일 데이터 전치리부(124)에서 출력되는 벡터 값을 상기 'N'개의 인코더 블록으로 구성된 BERT 알고리즘을 통해 상기 속성에 대한 고객 프로파일 데이터에 대응하는 벡터 값으로 출력하는 것을 특징으로 하는 가맹점 추천 방법.According to claim 5,
In the second network 122 of step c), the N encoder blocks using the previous output value as the current input value identify characteristics between words using a self-attention mechanism, and transfer customer profile data. The affiliate store recommendation method characterized in that the vector value output from the processor 124 is output as a vector value corresponding to the customer profile data for the attribute through a BERT algorithm composed of the 'N' encoder blocks. 삭제delete
KR1020220080757A 2022-06-30 2022-06-30 Apparatus and method for recommending merchants KR102483903B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220080757A KR102483903B1 (en) 2022-06-30 2022-06-30 Apparatus and method for recommending merchants

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220080757A KR102483903B1 (en) 2022-06-30 2022-06-30 Apparatus and method for recommending merchants

Publications (1)

Publication Number Publication Date
KR102483903B1 true KR102483903B1 (en) 2023-01-03

Family

ID=84924456

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220080757A KR102483903B1 (en) 2022-06-30 2022-06-30 Apparatus and method for recommending merchants

Country Status (1)

Country Link
KR (1) KR102483903B1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018147045A (en) * 2017-03-01 2018-09-20 ヤフー株式会社 Retrieval device, retrieval method, and retrieval program
KR102122608B1 (en) * 2019-11-26 2020-06-15 주식회사 립페이 Method for providing customized store display service with propensity to consume of individual on blockchain based easy payment platform
KR102342055B1 (en) * 2021-05-28 2021-12-27 주식회사 애자일소다 Apparatus and method for processing natural language using structured and unstructured data
KR102358119B1 (en) * 2021-05-31 2022-02-09 주식회사 애자일소다 Apparatus and method for recommending based on bert
KR20220057955A (en) 2020-10-30 2022-05-09 비씨카드(주) A method and a device for providing recommendation information for affiliated stores

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018147045A (en) * 2017-03-01 2018-09-20 ヤフー株式会社 Retrieval device, retrieval method, and retrieval program
KR102122608B1 (en) * 2019-11-26 2020-06-15 주식회사 립페이 Method for providing customized store display service with propensity to consume of individual on blockchain based easy payment platform
KR20220057955A (en) 2020-10-30 2022-05-09 비씨카드(주) A method and a device for providing recommendation information for affiliated stores
KR102342055B1 (en) * 2021-05-28 2021-12-27 주식회사 애자일소다 Apparatus and method for processing natural language using structured and unstructured data
KR102358119B1 (en) * 2021-05-31 2022-02-09 주식회사 애자일소다 Apparatus and method for recommending based on bert

Similar Documents

Publication Publication Date Title
Dahouda et al. A deep-learned embedding technique for categorical features encoding
Zvarikova et al. Cognitive artificial intelligence algorithms, movement and behavior tracking tools, and customer identification technology in the metaverse commerce
KR102342055B1 (en) Apparatus and method for processing natural language using structured and unstructured data
Rajawat et al. Dark web data classification using neural network
Singh et al. A commentary on the application of Artificial Intelligence in the insurance industry
Pfeiffer et al. Multivariate business process representation learning utilizing gramian angular fields and convolutional neural networks
Vlachos et al. Toward interpretable predictive models in B2B recommender systems
Padmanayana et al. Stock market prediction using twitter sentiment analysis
Kousik et al. An E-Commerce Product Feedback Review Using Sentimental Analysis
KR102483903B1 (en) Apparatus and method for recommending merchants
Shaik et al. Recurrent neural network with emperor penguin-based Salp swarm (RNN-EPS2) algorithm for emoji based sentiment analysis
KR20220101817A (en) Method and system of an artificial intelligence for predicting financial information
Singh et al. Knowing what and how: a multi-modal aspect-based framework for complaint detection
CN114936326B (en) Information recommendation method, device, equipment and storage medium based on artificial intelligence
KR102413518B1 (en) Multy classification system and method using secondary verification
WO2019175271A1 (en) Standardized form recognition method, associated computer program product, processing and learning systems
JP2001265596A (en) Device and method for mining data
Kumar et al. Prediction of Loan Scoring Strategies Using Deep Learning Algorithm for Banking System
TWM601397U (en) Customized marketing system with customer clustering service
Graser et al. Quantifying User Experience Through Self-reporting Questionnaires: A Systematic Analysis of the Sentence Similarity Between the Items of the Measurement Approaches
CN113342969A (en) Data processing method and device
Shinde et al. Hybrid Approach For Fake Profile Identification On Social Media
US20240096125A1 (en) Methods, systems, articles of manufacture, and apparatus to tag segments in a document
Fang Enhanced Customer Analysis Based on Variations of Natural Language Processing Algorithms Implemented on Past E-Commerce Reviews
US20240126977A1 (en) Method and system for classifying one or more hyperlinks in a document

Legal Events

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