KR102484545B1 - 유사 성향 기반의 사용자 추천 방법 - Google Patents

유사 성향 기반의 사용자 추천 방법 Download PDF

Info

Publication number
KR102484545B1
KR102484545B1 KR1020210161884A KR20210161884A KR102484545B1 KR 102484545 B1 KR102484545 B1 KR 102484545B1 KR 1020210161884 A KR1020210161884 A KR 1020210161884A KR 20210161884 A KR20210161884 A KR 20210161884A KR 102484545 B1 KR102484545 B1 KR 102484545B1
Authority
KR
South Korea
Prior art keywords
user
group
feature vector
user feature
fashion item
Prior art date
Application number
KR1020210161884A
Other languages
English (en)
Inventor
고해신
전진우
Original Assignee
주식회사 룩코
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 룩코 filed Critical 주식회사 룩코
Priority to KR1020210161884A priority Critical patent/KR102484545B1/ko
Application granted granted Critical
Publication of KR102484545B1 publication Critical patent/KR102484545B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

유사 성향 기반의 사용자 추천 방법이 개시된다. 본 발명의 일 실시예에 따른 유사 성향 기반의 사용자 추천 방법은, 사용자의 선호도가 높은 패션 아이템을 선정하는 단계, 상기 패션 아이템의 특성과 관련한 복수의 특징값을 도출하고, 상기 복수의 특징값을 조합하여 패션 아이템 벡터를 산출하는 단계, 상기 사용자의 선호도가 높은 패션 아이템의 상기 패션 아이템 벡터롤 조합하여 사용자 특징 벡터를 산출하는 단계, 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 단계, 상기 제1 그룹 속하는 사용자 특징 벡터에 대응되는 사용자가 팔로우하는 사용자들의 사용자 특징 벡터를 포함하는 제2 그룹을 생성하는 단계, 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 단계 및 상기 대표 특징 벡터와 상기 제2 그룹에 포함된 사용자 특징 벡터와의 거리를 산출하고, 상기 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상으로 선정하는 단계를 포함한다.

Description

유사 성향 기반의 사용자 추천 방법{SIMILARITY TENDENCY BASED USER RECOMMENDATION METHOD}
유사 성향 기반의 사용자 추천 방법에 관한 것으로, 보다 상세하게는 복수의 사용자들이 사용하는 패션 플랫폼에서 패션 아이템 등에 관한 성향이 유사한 사용자를 추천하는 유사 성향 기반의 사용자 추천 방법에 관한 것이다.
다양한 형태의 서비스를 제공하는 플랫폼 등에서 사용자 성향을 기반으로 사용자가 관심있어 할 만한 컨텐츠, 상품, 다른 유저 등을 추천하는 기능을 제공하고 있다.
기존의 추천 시스템은 사용자가 관심을 가지는 컨텐츠, 상품 등과 유사한 컨텐츠, 상품 등을 추천하는 객체 정보 기반의 추천 방법을 채택하거나 사용자와 인적 네트워크로 연결되어 있지만 사용자가 인지하고 있지 못하는 새로운 사용자를 추천해주는 인적 정보 기반의 추천 방법(친구의 친구를 추천하는 방법)을 채택하고 있다.
한편, 최근 플랫폼이 다양한 산업분야에서 형성되기 시작하면서 사용자가 보유한 패션 아이템을 등록하고 이를 관리할 수 있게 하는 디지털 옷장 플랫폼 서비스가 제공되고 있다.
디지털 옷장 플랫폼은 그 특성상 종래 방법에 따른 추천 방법으로 패션 아이템 또는 다른 사용자를 추천하고자 하는 경우 사용자의 니즈를 충족시키지 못하게 된다는 문제점이 있었다.
예를 들어, 패션 아이템을 선택하는 안목이 부족하거나 기 보유한 패션 아이템 중 서로 어울리는 아이템들을 조합하는 능력이 부족한 사용자에게 그 사용자가 보유한 패션 아이템과 유사한 아이템 혹은 사용자의 아이템 조합과 유사한 조합을 추천하는 경우 사용자의 니즈를 충족시킬 수 없게 된다.
마찬가지로, 나와 유사한 패션 아이템을 보유한 사용자 혹은 나와 유사한 패션 아이템을 조합하는 사용자를 추천하는 경우도 사용자의 니즈를 충족시킬 수 없게 된다.
통상적인 사용자라면 나보다 더 나은 패션 아이템에 대한 안목 또는 패션 아이템의 조합 능력을 갖춘 사용자의 패션 아이템이나 패션 아이템의 조합을 확인하기를 원하기 때문이다.
또한, 패션 아이템을 고려하지 않은 단순한 인적 네트워크 기반의 사용자 추천의 경우 사용자의 패션 취향을 고려하지 않은 사용자들이 추천되는바 사용자의 니즈를 충촉시키지 못하게 된다.
이에, 패션 아이템 등에 관한 정보를 취급하는 디지털 옷장 플랫폼에서 사용자의 취향을 분석한 후 사용자가 관심 있어할 만한 최적의 다른 사용자를 추천할 수 있는 방법의 필요성이 대두되었다.
한국등록특허공보 10-2113739호 한국공개특허공보 10-2019-0140597호
본 발명은 상술한 목적을 달성하기 위해 안출된 것으로, 본 발명의 목적은 디지털 옷장 플랫폼에서 사용자의 취향을 분석한 후 사용자가 관심 있어할 만한 최적의 다른 사용자를 추천할 수 있는 방법을 제공하는데 있다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않는 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 유사 성향 기반의 사용자 추천 방법은,사용자의 선호도가 높은 패션 아이템을 선정하는 단계, 상기 패션 아이템의 특성과 관련한 복수의 특징값을 도출하고, 상기 복수의 특징값을 조합하여 패션 아이템 벡터를 산출하는 단계, 상기 사용자의 선호도가 높은 패션 아이템의 상기 패션 아이템 벡터롤 조합하여 사용자 특징 벡터를 산출하는 단계, 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 단계, 상기 제1 그룹 속하는 사용자 특징 벡터에 대응되는 사용자가 팔로우하는 사용자들의 사용자 특징 벡터를 포함하는 제2 그룹을 생성하는 단계, 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 단계 및 상기 대표 특징 벡터와 상기 제2 그룹에 포함된 사용자 특징 벡터와의 거리를 산출하고, 상기 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상으로 선정하는 단계를 포함한다.
본 발명의 일 실시예에 따르면, 상기 사용자의 선호도가 높은 패션 아이템을 선정하는 단계는, 사용자가 디지털 옷장 플랫폼에 등록한 패션 아이템 중 선호 표시를 등록한 패션 아이템, 조회수가 높은 패션 아이템, 등록 시점 정보 중 적어도 하나를 이용하여 선정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 패션 아이템의 특성과 관련한 복수의 특징값을 도출하고, 상기 복수의 특징값을 조합하여 패션 아이템 벡터를 산출하는 단계는, 상기 패션 아이템의 특성을 특정 범위 내의 숫자로 매핑하거나 기 설정된 숫자 데이터를 부여하여 수치화한 복수의 벡터 데이터를 생성하는 단계 및 상기 복수의 벡터 데이터를 조합하여 패션 아이템 벡터를 산출하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 단계는, 기 분류된 복수의 그룹에 속한 사용자 특징 벡터와 상기 패션 아이템 벡터를 조합하여 산출한 사용자 특징 벡터와의 거리를 산출하는 단계, 상기 거리의 총합이 최소인 그룹으로 상기 사용자를 분류하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 단계는, 상기 패션 아이템 벡터를 조합하여 산출한 사용자 특징 벡터와 가장 가까운 사용자 특징 벡터가 속한 그룹으로 사용자를 분류하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 제1 그룹 속하는 사용자 특징 벡터에 대응되는 사용자가 팔로우하는 사용자들의 사용자 특징 벡터를 포함하는 제2 그룹을 생성하는 단계는, 상기 제1 그룹에 속하는 사용자가 팔로우하는 대상을 스코어화하는 단계 및 상기 스코어가 기 설정된 기준값 이상인 사용자들로 상기 제2 그룹을 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 단계는, 상기 제2 그룹에 포함된 사용자 특징 벡터의 평균값으로 대표 특징 벡터를 산출하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 단계는, 상기 제2 그룹에 포함된 사용자 특징 벡터 중 다른 사용자 특징 벡터들과의 거리의 총합이 최소인 사용자 특징 벡터를 대표 특징 벡터로 선정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 대표 특징 벡터와 상기 제2 그룹에 포함된 사용자 특징 벡터와의 거리를 산출하고, 상기 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상으로 선정하는 단계는, 상기 대표 특징 벡터와 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 순차적으로 추천 대상으로 선정하는 단계를 포함할 수 있다.
본 발명의 또 다른 실시예에 따른 유사 성향 기반의 사용자 추천 방법은, 사용자의 선호도가 높은 패션 아이템을 선정하는 단계, 상기 패션 아이템의 특성과 관련한 복수의 특징값을 도출하고, 상기 복수의 특징값을 조합하여 패션 아이템 벡터를 산출하는 단계, 상기 사용자의 선호도가 높은 패션 아이템의 상기 패션 아이템 벡터롤 조합하여 사용자 특징 벡터를 산출하는 단계, 상기 사용자 특징 벡터를 복수의 그룹으로 분류하는 단계, 각각의 그룹에 속한 사용자가 팔로우하는 사용자들을 포함하는 복수의 팔로우 그룹을 생성하는 단계 및 복수의 팔로우 그룹 중 사용자 특징 벡터가 가장 많이 포함된 팔로우 그룹에서 추천 대상자를 선정하는 단계를 포함한다.
상술한 사용자 추천 방법에 따르면, 나와 유사한 성향을 가진 사용자 그룹에 속한 사용자들이 팔로우하는 사람들의 그룹을 형성하고, 해당 그룹의 특징을 대표하는 대표 특징 벡터를 산출한 후, 대표 특징 벡터와 유사한 사용자를 우선적으로 추천 대상자로 선정하는바 사용자의 성향에 가장 적합한 다른 사용자들을 추천할 수 있게 된다는 효과를 달성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 유사 성향 기반의 사용자 추천 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따라 패션 아이템의 특징값을 조합하여 패션 아이템 벡터를 산출하는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따라 복수개의 패션 아이템 벡터를 조합하여 사용자 특징 벡터를 산출하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따라 사용자 특징 벡터를 이용하여 사용자를 복수의 그룹 중 하나의 그룹으로 분류하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따라 제2 그룹을 생성하고 제2 그룹에서의 대표 특징 벡터를 산출하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 대표 특징 벡터를 이용하여 추천 대상 사용자를 선정하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 또 다른 실시예에 따른 유사 성향 기반의 사용자 추천 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 유사 성향 기반의 사용자 추천 방법을 실행할 수 있는 컴퓨팅 장치를 설명하기 위한 기능 블록도이다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
이상과 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 개시의 구성요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 또 다른 구성요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
본 개시에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
본 개시에 대한 설명에 앞서, 이하의 실시예들에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.
이하의 실시예들에서, "디지털 옷장 플랫폼"은 온라인 서비스 플랫폼으로, 크게 개인들의 옷장 정보, 착용 정보, 소셜 정보가 존재한다. 사용자들은 자신의 옷장을 구축함과 동시에, 다른 사용자의 디지털 옷장을 구경할 수 있고 그 속에서 내가 관심있는 다양한 패션 아이템, 코디 방식, 스타일 사진 등 각종 콘텐츠를 볼 수 있다. 또한 플랫폼은 각 사용자들의 특성을 분석하여 각 사용자들이 관심있을 만한 다른 유저나 콘텐츠를 추천한다. 그 외, 자신의 옷장과 타인의 옷장에 기반한 다양한 커머스, 중고거래, 커뮤니티, 게임 등의 서비스도 포함될 수 있다.
이하의 실시예들에서, "옷장 정보"는 사용자들이 자신이 보유하거나 관심있는 옷 이미지와 옷에 관련된 각종 정보 (카테고리, 컬러, 패턴, 재질, 디테일, 브랜드, 가격, 구매정보, 기타 정보)를 입력하여 구성한 디지털 옷장이다. 사용자가 직접 하나하나 이미지 및 정보를 입력할 수도 있고, 플랫폼에서 즐긴 콘텐츠를 자신의 옷장으로 가져올 수도 있다. 플랫폼에 쇼핑몰이 연동되어 있는 경우, 쇼핑을 하는 과정에서 마음에 드는 옷들을 복사해서 나의 옷장에 넣는 것도 가능하다.
이하의 실시예들에서, "착용 정보"는 사용자가 디지털 옷장 속에 등록된 옷들을 언제 (Time), 어디에서 (Place), 어떤 목적으로 (Occasion) 입었는지를 기록한 정보이다. 유저가 직접 기록할 수도 있고, 연동 소셜 미디어 등을 통하여 불러온 이미지를 인공지능 시스템이 분석하여 사용자가 어떤 날짜에 어떤 옷들을 어떤 조합으로 착용하였는지를 추적하고 기록할 수 있다.
이하의 실시예들에서, "소셜 정보"는 디지털 옷장 플랫폼에서 사용자가 팔로우한 다른 사용자들의 정보 또는 관심을 표시한 개별 컨텐츠 들에 대한 정보이다. 또한, 사용자가 작성한 텍스트, 특정 컨텐츠를 소비한 시간 등도 소셜 정보에 포함될 수 있다.
이하, 본 개시의 다양한 실시예들에 대하여 첨부된 도면데 따라 상세하게 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 유사 성향 기반의 사용자 추천 방법을 설명하기 위한 흐름도이다.
이하에서는 설명의 편의를 위하여 각 단계를 수행하는 주체를 생략하다록 한다. 다만, 본 발명이 속하는 기술분야의 통상의 기술자라면 이하에서 설명할 각 단계가 디지털 옷장 플랫폼 애플리케이션이 설치된 컴퓨팅 디바이스, 예를 들어, 스마트폰 등과 같은 사용자 단말 장치 또는 서버에서 실행됨을 이해할 수 있다.
유사 성향 정보를 기반으로 사용자가 관심있어 할 만한 다른 사용자를 추천하기 위해 먼저 사용자의 선호도가 높은 패션 아이템을 선정한다(S110).
사용자는 디지털 옷장 플랫폼을 통해 자신이 보유하고 있는 다양한 패션 아이템을 등록하여 이를 관리할 수 있다. 예를 들어, 패션 아이템을 구매한 일자, 구매처, 구매금액 등에 관한 정보 뿐만 아니라 착용 일자, 함께 착용한 다른 패션 아이템에 관한 정보 등을 입력할 수 있다.
본 발명의 일 실시예에 따른 디지털 옷장 플랫폼은 사용자가 등록한 패션 아이템 중 선호 표시(좋아요 등)를 등록해둔 아이템, 디지털 옷장에서 조회하는 빈도수가 높은 패션 아이템, 등록 시점에 관한 정보를 이용하여 사용자의 선호도가 높은 패션 아이템을 선정할 수 있다.
사용자가 보유한 패션 아이템 중에는 선호도가 높아 자주 착용하는 패션 아이템이 있는 반면, 오래전에 구매한 패션 아이템으로 더 이상 착용하지 않거나 사용자의 최근 취향과 맞지 않는 패션 아이템이 있을 수 있다. 따라서, 사용자의 선호도가 높은 패션 아이템을 기반으로 사용자가 관심있어 할 만한 다른 사용자를 추천하기 위해 선호도가 높은 패션 아이템을 선정하는 것이다.
다만, 사용자의 선호도가 높은 패션 아이템을 선정하는 구체적인 방법은 이에 한정되지 않으며 디지털 옷장 플랫폼에서 제공하는 다양한 기능을 활용하여 선정할 수 있음은 물론이다.
사용자의 선호도가 높은 패션 아이템이 선정되면 패션 아이템의 특성과 관련한 특징값을 도출하고 이를 조합하여 패션 아이템 벡터를 산출한다(S120).
패션 아이템에 관한 특성은 패션 아이템과 관련한 각종 정보를 의미한다. 본 발명의 일 실시예에 따른 패션 아이템 특성은 카테고리(상의, 하의, 외투, 모자 등), 색상, 패턴, 재질, 디자인, 브랜드, 구매 가격, 구매 경로 등에 관한 정보일 수 있다.
또한, 패션 아이템의 특성과 관련한 특징값을 도출한다는 것의 의미는 텍스트 기반의 패션 아이템 특성을 특정 범위 내의 숫자로 매핑하거나, 카테고리별로 분류하는 경우 특정 카테고리에 대응되는 숫자 데이터를 부여한다는 것을 의미한다. 특징값을 도출하는 과정에는 숫자로 변환된 패션 아이템의 특성의 표준화 또는 정규화 알고리즘을 적용할 수도 있다.
상술한 과정을 통해 도출한 특징값은 벡터 데이터일 수 있다. 즉, 하나의 패션 아이템과 관련한 복수의 특징값 벡터가 생성되는 것이다. 패션 아이템과 관련한 복수의 특징값 벡터를 연산하면 패션 아이템 벡터를 산출할 수 있다.
패션 아이템과 관련한 특성을 수치화하고 이로부터 패션 아이템 벡터를 산출하는 방법에 대해서는 도 2에서 상세하게 설명하도록 한다.
패션 아이템 벡터가 산출되면, 사용자의 선호도가 높은 패션 아이템의 패션 아이템 벡터를 조합하여 사용자 특징 벡터를 산출한다(S130). 패션 아이템 벡터로부터 사용자 특징 벡터를 생성하는 방식은 어떠한 방식이 되더라도 무방하다.
한편, 사용자 특징 벡터를 산출하는데 사용하는 패션 아이템 벡터가 많으면 벡터 연산에 불필요한 컴퓨팅 리소스가 소요되고 경향성에서 벗어나는 패션 아이템 벡터에 의하 사용자 특징 벡터가 왜곡될 수 있으므로 차원 축소 기법을 적용하여 사용자 특징 벡터의 차원을 축소시키는 과정을 수행할 수도 있다.
차원 축소 기법으로는 UMAP(Uniform Manifold Approximation and Projection), LLE(Locally Linear Embedding), MDS(Multi-Dimensional Scaling), PCA(Principal Component Analysis), SVD(Singular Value Decomposition), NMF(Non-negative Matrix Factorization) 등을 들 수 있을 것이나, 이에 한정되는 것은 아니며, 당해 기술 분야에서 널리 알려진 차원 축소 기법이 제한없이 적용될 수 있다.
사용자 특징 벡터는 사용자의 선호도가 높은 복수의 패션 아이템으로부터 산출한 복수의 패션 아이템 벡터를 조합하여 산출한 것이므로, 패션 아이템에 대한 사용자의 취향을 반영한다.
한편, 신규 사용자의 경우 디지털 옷장 플랫폼이 기 등록된 패션 아이템이 없어 사용자의 선호도가 높은 패션 아이템으로 사용자 특징 벡터를 생성하지 못하는 경우가 있다.
따라서, 디지털 옷장 플랫폼에 기 등록된 패션 아이템이 없거나 기 등록된 패션 아이템의 수가 기 설정된 기준값 미만인 경우 사용자의 개인 정보, 패션 취향 정보, 보유한 패션 아이템에 관한 설문조사를 진행하고 사용자의 답변을 상술한 방법으로 수치화, 정규화, 표준화하여 사용자 특징 벡터를 생성할 수 있다.
또 다른 실시예에 따르면, 사용자의 취향을 대표하는 서로 다른 복수개의 사용자 특징 벡터를 미리 생성해두고, 기 생성된 복수의 사용자 특징 벡터 중 하나를 사용자와 매핑하는 형태로 신규 사용자에 대응되는 사용자 특징 벡터를 생성할 수 있다.
사용자 특징 벡터가 산출되면, 사용자 특징 벡터 간의 거리 정보를 기반으로 사용자를 복수의 그룹 중 하나인 제1 그룹으로 분류한다(S140).
디지털 옷장 플랫폼은 복수의 사용자들에 대한 사용자 특징 벡터를 산출하여 성향이 유사한 사용자들을 그룹핑한 복수의 그룹을 형성해둘 수 있다. 예를 들어, 스포츠 의류에 대한 선호도가 높은 사용자 그룹, 캐쥬얼 의류에 대한 선호도가 높은 사용자 그룹, 트렌디한 의류에 해나 선호도가 높은 사용자 그룹으로 사용자들을 분류해둘 수 있다.
상술한 S110 내지 S130 단계로 특정 사용자에 대한 사용자 특징 벡터가 산출되면, 다른 사용자들의 사용자 특징 벡터와의 거리를 산출하고 벡터 간의 거리가 최소인 그룹인 제1 그룹으로 해당 사용자를 분류한다(S140).
상술한 예에서, 특정 사용자의 사용자 특징 벡터와 스포츠 의류에 대한 선호도가 높은 사용자 그룹에 속하는 사용자 특징 벡터들간의 거리의 합이 다른 그룹에 속한 사용자들의 사용자 특징 벡터들과의 합보다 작은 경우 상기 사용자를 스포츠 의류에 대한 선호도가 높은 사용자 그룹으로 분류할 수 있다.
이때, 사용자 특징 벡터간의 거리를 산출하는 방법으로 유클리드 거리(Euclidean Distace) 산출 방법, 맨하튼 거리(Manhattan Distance) 산출 방법 등이 사용될 수 있으나 이에 한정되지는 않는다.
이후, 제1 그룹에 속하는 사용자들이 팔로우하는 사용자들의 사용자 특징 벡터를 포함하는 제2 그룹을 생성한다(S150).
예를 들어, 제1 그룹에 사용자 A, 사용자 B, 사용자 C가 속해 있고, 사용자 A가 팔로우 하는 사용자가 A1, A2이고 사용자 B가 팔로우하는 사용자가 B1, B2, B3이며 사용자 C가 팔로우하는 사용자가 C1, C2인 경우 사용자 A1, A2, B1, B2, B3, C1, C2의 사용자 특징 벡터를 포함하는 제2 그룹을 생성한다.
즉, 나와 성향이 유사한 사람들이 팔로우하는 사람들로 구성된 그룹을 생성하는 것이다. 이때, 제2 그룹에 포함된 사용자들의 사용자 특징 벡터는 상술한 S110 단계 내지 S130 단계에서 설명한 방법과 동일한 방법으로 산출될 수 있다
제2 그룹을 생성한 후, 제2 그룹의 대표 특징 벡터를 산출한다(S160). 여기에서, 대표 특징 벡터란 제2 그룹에 속하는 사용자 특징 벡터를 대표하는 벡터를 의미한다.
본 발명의 일 실시예에 따른 대표 특징 벡터는 제2 그룹에 속하는 사용자 특징 벡터의 평균값으로 산출되거나, 제2 그룹에 속하는 사용자 특징 벡터를 산출하는데 이용된 패션 아이템 벡터별로 가중치를 곱한 후 이들을 상호 조합하는 형태로 산출될 수 있다.
또는, 제2 그룹에 속하는 사용자 특징 벡터 중 다른 사용자 특징 벡터들과의 거리의 총합이 최소인 사용자 특징 벡터를 대표 특징 벡터로 선정할 수 있다.
대표 특징 벡터가 산출되면, 대표 특징 벡터와 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 우선적으로 추천 대상자로 선정한다(S170). 대표 특징 벡터와 거리가 가까운 사용자 특징 벡터일수록, 대표 특징 벡터와 유사도가 높은 것을 의미하므로 이를 우선적인 추천 대상자로 선정하는 것이다.
상술한 사용자 추천 방법에 따르면, 나와 유사한 성향을 가진 사용자 그룹에 속한 사용자들이 팔로우하는 사람들의 그룹을 형성하고, 해당 그룹의 특징을 대표하는 대표 특징 벡터를 산출한 후, 대표 특징 벡터와 유사한 사용자를 우선적으로 추천 대상자로 선정하는바, 사용자의 성향에 가장 적합한 다른 사용자들을 추천할 수 있게 된다는 효과를 달성할 수 있다.
이하에서는, 본 발명에 따른 사용자 추천 방법의 각 단계에 대해 보다 상세하게 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따라 패션 아이템의 특징값을 조합하여 패션 아이템 벡터를 산출하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 다른 패션 아이템 벡터(210)은 패션 아이템의 특성과 관련한 특징값을 조합하여 산출된다.
본 실시예에서는 설명의 편의를 위하여 패션 아이템의 특성과 관련한 두개의 특징값(특성 1, 특성 2)를 조합하여 패션 아이템 벡터(210)를 산출하는 경우를 예로 들어 설명하였으나, 도 2 에 도시된 경우보다 더 많은 특징값을 조합하여 패션 아이템 벡터(210)를 산출할 수 있음은 물론이다.
이때, 패션 아이템의 특성과 관련항 특징값은 수치화된 패션 아이템의 카테고리, 색상, 패턴, 재질, 디자인, 브랜드, 구매 가격, 구매 경로 등에 관한 정보 중 어느 하나일 수 있다.
도 3은 본 발명의 일 실시예에 따라 복수개의 패션 아이템 벡터를 조합하여 사용자 특징 벡터를 산출하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 사용자 특징 벡터(310)은 복수의 패션 아이템 벡터를 조합하여 생성된다. 도 3에서는 설명의 편의를 위하여 2개의 패션 아이템 벡터(210-1, 210-2)를 조합하여 사용자 특징 벡터(310)를 생성하는 것을 예로 들어 설명하였으나 더 많은 수의 패션 아이템 벡터를 조합하여 사용자 특징 벡터(310)를 생성할 수 있음은 물론이다.
또한, 도 3에서는 복수의 패션 아이템 벡터(210-1, 210-2)를 단순히 합산하여 사용자 특징 벡터(310)를 산출하는 경우를 예로 들어 도시하였으나, 패션 아이템별로 가중치를 적용한 후 이들을 합산하여 사용자 특징 벡터(310)를 산출하는 등 다른 방식을 이용할 수도 있다.
도 4는 본 발명의 일 실시예에 따라 사용자 특징 벡터를 이용하여 사용자를 복수의 그룹 중 하나의 그룹으로 분류하는 방법을 설명하기 위한 도면이다.
디지털 옷장 플랫폼은 복수의 사용자들에 대한 사용자 특징 벡터를 산출하여 성향이 유사한 사용자들을 그룹핑한 복수의 그룹을 형성해둘 수 있다.
구체적으로, 도 4에 도시된 바와 같이, 제1 그룹(410) 내지 제3 그룹(430)으로 사용자들을 분류해둘 수 있다. 각각의 그룹에 속하는 것으로 표시된 포인트(□, △, ○)들은 사용자 특징 벡터들을 의미한다.
도 4에서 상호 인접한 사용자 특징 벡터들은 같은 그룹에 속하게 되는바, 특정 그룹에 속하는 사용자 특징 벡터에 대응되는 사용자들은 서로의 취향이나 성향이 비슷하다는 것을 의미한다.
상술한 도 2 내지 도 3에서 설명한 방법으로 사용자 특징 벡터(440)가 산출되면 사용자 특징 벡터 간의 거리 정보를 기반으로 사용자 특징 벡터(440)를 복수의 그룹(410, 420, 430) 중 하나의 그룹을 분류한다.
여기에서, 거리 정보를 기반으로 사용자 특징 벡터(440)를 복수의 그룹 중 하나의 그룹으로 분류한다는 것의 의미는 특정 그룹에 속한 사용자 특징 벡터들과의 거리의 총합이 최소인 그룹으로 분류한다는 것을 의미할 수 있다.
예를 들어, 사용자 특징 벡터(440)와 각 그룹에 속한 사용자 특징 벡터 중 기 설정된 개수의 사용자 특징 벡터와의 거리의 총합을 산출한다. 이때, 각 그룹에 속한 사용자 특징 벡터 중 사용자 특징 벡터(440)와 거리가 가까운 순서대로 기 설정된 개수의 사용자 특징 벡터를 산출하여 사용자 특징 벡터(440)와의 거리의 총합을 산출할 수 있다.
도 4에 도시된 실시예에서 사용자 특징 벡터(440)와 삼각형 그룹(430)에 속한 사용자 특징 벡터 중 사용자 특징 벡터(440)와 거리가 가까운 3개의 사용자 특징 벡터까지의 거리의 총합을 계산한다.
마찬가지로, 사격형 그룹(410) 및 원형 그룹(420)에서도 사용자 특징 벡터(440)와 거리가 가까운 3개의 사용자 특징 벡터까지의 거리의 총합을 계산한다.
이 경우, 삼각형 그룹(430)에 속한 사용자 특징 벡터까지의 거리의 총합이 최소가 될 것이므로 도 4에 도시된 사용자 특징 벡터(440)는 삼각형 그룹(430)에 속하는 것으로 분류된다.
또 다른 실시예에서, 사용자 특징 벡터(440)는 가장 가까운 다른 사용자 특징 벡터가 속한 그룹으로 분류될 수도 있다.
다만, 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹으로 분류하는 방법은 이에 한정되지 않으며 다른 방법이 사용될 수 있음은 물론이다.
도 5는 본 발명의 일 실시예에 따라 제2 그룹을 생성하고 제2 그룹에서의 대표 특징 벡터를 산출하는 방법을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 제2 그룹(510)은 제1 그룹에 속한 사용자들이 팔로우하는 사용자들의 사용자 특징 벡터의 집합이다. 즉, 나와 유사한 성향을 가진 다른 사용자들이 팔로우하는 사용자들에 대응되는 사용자 특징 벡터의 집합이다.
한편, 제2 그룹(510)을 생성하는데 있어 단순히 제1 그룹에 속한 사용자들이 팔로우하는 사용자들을 포함시키는 방법 이외에 다른 방법을 사용할 수도 있다.
특정 사용자가 팔로우하는 다른 사용자 중에는 단순한 인적 네트워크를 기반으로 한 사용자가 있는 반면, 특정 사용자가 착용하는 패션 아이템, 패션 아이템 간의 상호 조합에 관심이 있어 팔로우하는 경우가 있을 수 있다.
따라서, 특정 사용자가 특별히 관심있어 하는 팔로우 대상만을 제2 그룹(510)에 포함시키기 위해 팔로우 대상을 스코어화하고, 스코어가 기 설정된 기준값 이상인 사용자들만을 제2 그룹(510)에 포함시킬 수 있다.
팔로우 대상을 스코어하는데 특정 사용자에 대한 조회수, 특정 사용자가 생성한 컨텐츠 조회수 등을 이용할 수 있다.
상술한 방법으로 제2 그룹(510)이 형성되면 제2 그룹(510)에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출한다.
본 발명의 일 실시예에 따른 대표 특징 벡터는 제2 그룹(510)에 속한 사용자 특징 벡터들의 평균 값으로 산출될 수 있다.
또 다른 실시예에서 제2 그룹((510)에 속하는 사용자 특징 벡터 중 다른 사용자 특징 벡터들과의 거리의 총합이 최소인 사용자 특징 벡터를 대표 특징 벡터로 선정할 수 있다.
도 6은 본 발명의 일 실시예에 따라 대표 특징 벡터를 이용하여 추천 대상 사용자를 선정하는 방법을 설명하기 위한 도면이다.
대표 특징 벡터(610)가 산출되면, 이를 이용하여 사용자에게 추천할 다른 사용자를 선정한다.
본 발명의 일 실시예에 따르면, 대표 특징 벡터(610)와 유클리디언 거리가 가장 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상으로 선정할 수 있다.
도 6에 도시된 실시예에서 대표 특징 벡터(610)까지의 거리가 L1 < L2 < L3 <L4인 경우 대표 특징 벡터(610)와의 거리가 L1인 사용자 특징 벡터에 대응되는 사용자가 추천 대상자로 선정될 수 있다.
또는 대표 특징 벡터(610)와 거리가 가까운 순서대로 순차적으로 추천 대상자를 선정할 수 있다. 상술한 예에서 거리가 L1 - L2
다만, 대표 특징 벡터(610)와의 거리를 기반으로 추천 대상자를 선정하는 방법은 이에 한정되지 않으며, 대표 특징 벡터(610)로부터의 거리가 기 설정된 값 이하인 사용자 특징 벡터들에 대응되는 사용자들이 추천 대상자로 선정되는 형태로 구현될 수도 있다.
상술한 추천 사용자 선정 방법에 따르면 나와 비슷하지 않지만 내가 관심을 가지면 좋을만한 다른 사용자를 추천해줌으로써 사용자의 만족도를 높일 수 있다는 효과를 달성할 수 있다.
또한, 지인 연결이 중요하지 않은 디지털 옷장 플랫폼 내에서 패션 아이템에 대한 성향이나 취향을 중심으로 추천 대상자를 선정할 수 있게 된다는 효과를 달성할 수 있다.
도 7은 본 발명의 또 다른 실시예에 따른 유사 성향 기반의 사용자 추천 방법을 설명하기 위한 흐름도이다.
도 7에서 선호도가 높은 패션 아이템을 선정(S710)한 후, 패션 아이템의 특징값 조합하여 패션 아이템 벡터를 산출(S720)하고, 복수의 패션 아이템 벡터를 상호 조합하여 사용자 특징 벡터를 산출(730)하는 과정은 도 1에서 설명한 S110 단계 내지 S130 단계와 동일하므로 중복되는 설명은 생략하도록 한다.
디지털 옷장 플랫폼을 이용하는 사용자들의 사용자 특징 벡터가 산출되면, 사용자 특징 벡터 간의 거리 정보를 이용하여 사용자 특징 벡터를 복수의 그룹으로 분류한다(S740).
본 발명의 일 실시예에 따라 사용자 특징 벡터를 복수의 그룹으로 분류하는 방법으로 계층적 클러스터링(Hierarchcal Clustering) 알고리즘, K-평균 클러스터리링(k-means clustering) 올그리즘, BFR(Bradley-Fayyad-Reina) 알고리즘, CURE(Clustering-using-REpresentatives) 알고리즘 등이 사용될 수 있으나 이에 한정되지는 않는다.
한편, 다차원 공간에 분포한 사용자 특징 벡터들 중 인접한 위치에 있는 사용자 특징 벡터들이 동일한 그룹에 속하게 되므로, 동일 그룹내에 속하는 사용자 특징 벡터에 대응되는 사용자들은 상호간의 취향이나 성향이 유사한 것을 의미한다.
이후, 각 그룹에 속한 사용자가 팔로우하는 사용자들을 포함하는 복수의 팔로우 그룹을 생성한다(S750).
예를 들어, 예를 들어, 제1 그룹에 사용자 A, 사용자 B, 사용자 C가 속해 있고, 사용자 A가 팔로우 하는 사용자가 A1, A2이고 사용자 B가 팔로우하는 사용자가 B1, B2, B3이며 사용자 C가 팔로우하는 사용자가 C1, C2인 경우 사용자 A1, A2, B1, B2, B3, C1, C2의 사용자 특징 벡터를 포함하는 팔로우 그룹을 생성한다.
팔로우 그룹에 속하는 사용자 특징 벡터들의 수는 S740 단계에서 생성한 그룹에 포함된 사용자 특징 벡터의 수, 상기 사용자 특징 벡터에 대응되는 사용자가 팔로우하는 다른 사용자들의 수의 규모에 의해 결정될 수 있다.
상술한 방법에 의해 복수의 팔로우 그룹이 생성되면, 복수의 팔로우 그룹 중 사용자가 많이 포함된 팔로우 그룹에서 추천 대상자를 선정한다(S760).
구체적으로, 복수의 팔로우 그룹이 생성되면 각각의 팔로우 그룹에 포함된 사용자 특징 벡터의 수를 기준으로 순위를 할당한다. 이때, 많은 사용자 특징 벡터를 포함하는 팔로우 그룹일수록 상위 순위가 할당된다.
본 발명의 일 실시예에 따라 추천 대상자는 최상위 순서에 있는 팔로우 그룹에 포함된 사용자 특징 벡터 중 하나의 사용자 특징 벡터에 대응되는 사용자일 수 있다.
예를 들어, 제1 팔로우 그룹에 100개의 사용자 특징 벡터가 포함되어 있고, 제2 팔로우 그룹에 80개의 사용자 특징 벡터가 포함되어 있으며, 제3 팔로우 그룹에 60개의 사용자 특징 벡터가 포함되어 있다면 추천 대상자는 제1 팔로우 그룹에 포함된 100개의 사용자 특징 벡터 중 하나의 사용자 특징 벡터에 대응되는 사용자 일 수 있다.
제1 팔로우 그룹에 포함된 복수개의 사용자 특징 벡터 중 하나의 사용자 특징 벡터를 선정하는 방법으로 제1 팔로우 그룹에 속한 다른 사용자 특징 벡터들과의 총합이 최소인 사용자 특징 벡터를 선택하는 방법을 사용할 수 있다.
또 다른 실시예에 따르면, 제1 팔로우 그룹에 포함된 사용자 특징 벡터에 대응되는 사용자 중 디지털 옷장 플랫폼에 가장 많은 패션 아이템이 등록된 사용자를 추천 대상자로 선정할 수 있다.
또 다른 실시예에 따르면, 제1 팔로우 그룹에 포함된 사용자 특징 벡터에 대응되는 사용자 중 가장 많은 팔로워를 확보한 사용자를 추천 대상자로 선정할 수 있다.
또 다른 실시예에 따르면, 제1 팔로우 그룹에 포함된 사용자 특징 벡터 중 추천을 받을 사용자의 사용자 특징 벡터와 거리가 가장 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상자로 선정할 수 있다.
상술한 사용자 추천 방법에 따르면, 나와 유사한 성향을 가진 사용자 그룹에 속한 사용자들이 팔로우하는 사람들의 그룹을 형성하고, 해당 그룹의 특징을 대표하는 대표 특징 벡터를 산출한 후, 대표 특징 벡터와 유사한 사용자를 우선적으로 추천 대상자로 선정하는바, 사용자의 성향에 가장 적합한 다른 사용자들을 추천할 수 있게 된다는 효과를 달성할 수 있다.
도 8은 본 발명의 실시예에 따른 유사 성향 기반의 사용자 추천 방법을 실행할 수 있는 컴퓨팅 장치(800)를 설명하기 위한 기능 블록도이다.
도 8에 도시된 바와 같이, 컴퓨팅 장치(100)는 하나 이상의 프로세서(810), 버스(830), 통신 인터페이스(840), 프로세서(810)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(820)와, 컴퓨터 프로그램(860)을 저장하는 스토리지(850)를 포함할 수 있다.
다만, 도 8에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 8에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 알 수 있다. 즉, 컴퓨팅 장치(800)에는, 도 8에 도시된 구성요소 이외에도 다양한 구성요소가 더 포함될 수 있다. 또는, 컴퓨팅 장치(800)는 도 8에 도시된 구성요소 중 일부를 제외하고 구성될 수도 있다.
프로세서(810)는 컴퓨팅 장치(800)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(810)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(810)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(800)는 하나 이상의 프로세서를 구비할 수 있다.
메모리(820)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(820)는 본 개시의 실시예들에 따른 방법을 실행하기 위하여 스토리지(850)로부터 하나 이상의 컴퓨터 프로그램(860)을 로드할 수 있다. 메모리(820)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 이에 한정되는 것은 아니다.
다음으로, 버스(830)은 컴퓨팅 장치(800)의 구성요소 간 통신 기능을 제공할 수 있다. 버스(830)은 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
다음으로, 통신 인터페이스(840)는 컴퓨팅 장치(800)의 유무선 인터넷 통신을 지원할 수 있다. 또한, 통신 인터페이스(840)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(840)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예들에서, 통신 인터페이스(840)는 생략될 수도 있다.
다음으로, 스토리지(850)는 상기 하나 이상의 프로그램(860)을 비임시적으로 저장할 수 있다. 스토리지(850)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
다음으로, 컴퓨터 프로그램(860)은 메모리(820)에 로드될 때 프로세서(810)로 하여금 본 개시의 다양한 실시예들에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 즉, 프로세서(810)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.
예를 들어, 컴퓨터 프로그램(860)은 사용자의 선호도가 높은 패션 아이템을 선정하는 동작, 상기 패션 아이템의 특성과 관련한 복수의 특징값을 도출하고, 상기 복수의 특징값을 조합하여 패션 아이템 벡터를 산출하는 동작, 상기 사용자의 선호도가 높은 패션 아이템의 상기 패션 아이템 벡터롤 조합하여 사용자 특징 벡터를 산출하는 동작, 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 동작, 상기 제1 그룹 속하는 사용자 특징 벡터에 대응되는 사용자가 팔로우하는 사용자들의 사용자 특징 벡터를 포함하는 제2 그룹을 생성하는 동작, 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 동작 및 상기 대표 특징 벡터와 상기 제2 그룹에 포함된 사용자 특징 벡터와의 거리를 산출하고, 상기 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상으로 선정하는 동작을 수행하도록 하는 인스트럭션을 포함할 수 있다.
지금까지 도 1 내지 도 8을 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 개시의 실시예를 구성하는 모든 구성요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

  1. 디지털 옷장 플랫폼 애플리케이션이 설치된 컴퓨팅 디바이스의 유사 성향 기반의 사용자 추천 방법에 있어서,
    상기 컴퓨팅 디바이스가 사용자가 선호하는 패션 아이템을 선정하는 단계;
    상기 컴퓨팅 디바이스가 상기 패션 아이템의 특성과 관련한 복수의 특징값을 도출하고, 상기 복수의 특징값을 조합하여 패션 아이템 벡터를 산출하는 단계;
    상기 컴퓨팅 디바이스가 상기 사용자가 선호하는 패션 아이템의 상기 패션 아이템 벡터를 조합하여 사용자 특징 벡터를 산출하는 단계;
    상기 컴퓨팅 디바이스가 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 단계;
    상기 컴퓨팅 디바이스가 상기 제1 그룹에 속하는 사용자 특징 벡터에 대응되는 사용자가 팔로우하는 사용자들의 사용자 특징 벡터를 포함하는 제2 그룹을 생성하는 단계;
    상기 컴퓨팅 디바이스가 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 단계; 및
    상기 컴퓨팅 디바이스가 상기 대표 특징 벡터와 상기 제2 그룹에 포함된 사용자 특징 벡터와의 거리를 산출하고, 상기 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상으로 선정하는 단계를 포함하되,
    상기 컴퓨팅 디바이스가 상기 제1 그룹에 속하는 사용자 특징 벡터에 대응되는 사용자가 팔로우하는 사용자들의 사용자 특징 벡터를 포함하는 제2 그룹을 생성하는 단계는,
    상기 제1 그룹에 속하는 사용자가 팔로우하는 대상을 스코어화하는 단계; 및
    상기 스코어가 기 설정된 기준값 이상인 사용자들로 상기 제2 그룹을 생성하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  2. 제1항에 있어서,
    상기 컴퓨팅 디바이스가 상기 사용자가 선호하는 패션 아이템을 선정하는 단계는,
    사용자가 디지털 옷장 플랫폼에 등록한 패션 아이템 중 선호 표시를 등록한 패션 아이템, 패션 아이템의 조회수, 패션 아이템의 등록 시점 정보 중 적어도 하나를 이용하여 선정하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  3. 제1항에 있어서,
    상기 컴퓨팅 디바이스가 상기 패션 아이템의 특성과 관련한 복수의 특징값을 도출하고, 상기 복수의 특징값을 조합하여 패션 아이템 벡터를 산출하는 단계는,
    상기 패션 아이템의 특성을 특정 범위 내의 숫자로 매핑하거나 기 설정된 숫자 데이터를 부여하여 수치화한 복수의 벡터 데이터를 생성하는 단계; 및
    상기 복수의 벡터 데이터를 조합하여 패션 아이템 벡터를 산출하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  4. 제1항에 있어서,
    상기 컴퓨팅 디바이스가 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 단계는,
    기 분류된 복수의 그룹에 속한 사용자 특징 벡터와 상기 패션 아이템 벡터를 조합하여 산출한 사용자 특징 벡터와의 거리를 산출하는 단계;
    상기 거리의 총합이 최소인 그룹으로 상기 사용자를 분류하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  5. 제1항에 있어서,
    상기 컴퓨팅 디바이스가 상기 사용자 특징 벡터 간의 거리 정보를 기반으로 상기 사용자 특징 벡터에 대응되는 사용자를 복수의 그룹 중 하나의 그룹인 제1 그룹으로 분류하는 단계는,
    상기 패션 아이템 벡터를 조합하여 산출한 사용자 특징 벡터와 가장 가까운 사용자 특징 벡터가 속한 그룹으로 사용자를 분류하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 컴퓨팅 디바이스가 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 단계는,
    상기 제2 그룹에 포함된 사용자 특징 벡터의 평균값으로 대표 특징 벡터를 산출하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  8. 제1항에 있어서,
    상기 컴퓨팅 디바이스가 상기 제2 그룹에 포함된 사용자 특징 벡터를 대표하는 대표 특징 벡터를 산출하는 단계는,
    상기 제2 그룹에 포함된 사용자 특징 벡터 중 다른 사용자 특징 벡터들과의 거리의 총합이 최소인 사용자 특징 벡터를 대표 특징 벡터로 선정하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  9. 제1항에 있어서,
    상기 컴퓨팅 디바이스가 상기 대표 특징 벡터와 상기 제2 그룹에 포함된 사용자 특징 벡터와의 거리를 산출하고, 상기 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 추천 대상으로 선정하는 단계는,
    상기 대표 특징 벡터와 거리가 가까운 사용자 특징 벡터에 대응되는 사용자를 순차적으로 추천 대상으로 선정하는 단계를 포함하는 유사 성향 기반의 사용자 추천 방법.
  10. 삭제
KR1020210161884A 2021-11-23 2021-11-23 유사 성향 기반의 사용자 추천 방법 KR102484545B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210161884A KR102484545B1 (ko) 2021-11-23 2021-11-23 유사 성향 기반의 사용자 추천 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210161884A KR102484545B1 (ko) 2021-11-23 2021-11-23 유사 성향 기반의 사용자 추천 방법

Publications (1)

Publication Number Publication Date
KR102484545B1 true KR102484545B1 (ko) 2023-01-04

Family

ID=84924907

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210161884A KR102484545B1 (ko) 2021-11-23 2021-11-23 유사 성향 기반의 사용자 추천 방법

Country Status (1)

Country Link
KR (1) KR102484545B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011019A (zh) * 2023-09-28 2023-11-07 无锡锡商银行股份有限公司 一种基于大数据的银行架构自适应分析管理系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120035606A (ko) * 2010-10-06 2012-04-16 주식회사 케이티 소셜 네트워크 서비스에서 인맥 네트워크 확장 방법 및 장치
KR20190140597A (ko) 2018-06-12 2019-12-20 박종환 소셜 네트워크 기반 스마트 옷장 및 의상 추천 방법
KR102087362B1 (ko) * 2019-05-17 2020-03-10 케이퍼스트랩 주식회사 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치
KR102113739B1 (ko) 2020-03-04 2020-05-20 케이퍼스트랩 주식회사 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치
KR102109745B1 (ko) * 2018-08-07 2020-05-28 김지완 다차원 벡터공간을 이용한 유사특징사용자 군집생성서버 및 방법
KR102145170B1 (ko) * 2020-03-04 2020-08-18 홍자민 피어 그룹 매칭에 기반하여 개인화된 상품을 추천하는 방법 및 이를 위한 장치
KR20210031223A (ko) * 2019-09-11 2021-03-19 주식회사 인텔리시스 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템
KR20220094048A (ko) * 2020-12-28 2022-07-05 동서대학교 산학협력단 협업 필터링 기반의 호스트-인플루언서 매칭 시스템 및 그 방법
KR20220139140A (ko) * 2021-04-07 2022-10-14 주식회사 피씨엔씨 협업필터링과 도서 기반 추천을 결합한 하이브리드 방식의 도서 추천을 위한 장치 및 이를 위한 방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120035606A (ko) * 2010-10-06 2012-04-16 주식회사 케이티 소셜 네트워크 서비스에서 인맥 네트워크 확장 방법 및 장치
KR20190140597A (ko) 2018-06-12 2019-12-20 박종환 소셜 네트워크 기반 스마트 옷장 및 의상 추천 방법
KR102109745B1 (ko) * 2018-08-07 2020-05-28 김지완 다차원 벡터공간을 이용한 유사특징사용자 군집생성서버 및 방법
KR102087362B1 (ko) * 2019-05-17 2020-03-10 케이퍼스트랩 주식회사 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치
KR20210031223A (ko) * 2019-09-11 2021-03-19 주식회사 인텔리시스 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템
KR102113739B1 (ko) 2020-03-04 2020-05-20 케이퍼스트랩 주식회사 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치
KR102145170B1 (ko) * 2020-03-04 2020-08-18 홍자민 피어 그룹 매칭에 기반하여 개인화된 상품을 추천하는 방법 및 이를 위한 장치
KR20220094048A (ko) * 2020-12-28 2022-07-05 동서대학교 산학협력단 협업 필터링 기반의 호스트-인플루언서 매칭 시스템 및 그 방법
KR20220139140A (ko) * 2021-04-07 2022-10-14 주식회사 피씨엔씨 협업필터링과 도서 기반 추천을 결합한 하이브리드 방식의 도서 추천을 위한 장치 및 이를 위한 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011019A (zh) * 2023-09-28 2023-11-07 无锡锡商银行股份有限公司 一种基于大数据的银行架构自适应分析管理系统及方法
CN117011019B (zh) * 2023-09-28 2023-12-22 无锡锡商银行股份有限公司 一种基于大数据的银行架构自适应分析管理系统及方法

Similar Documents

Publication Publication Date Title
US11669776B2 (en) Using artificial intelligence to design a product
JP6857638B2 (ja) ユーザの身体的特徴に基づいた推薦システム
US10963744B2 (en) Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data
Chernev et al. The role of market efficiency intuitions in consumer choice: A case of compensatory inferences
US20190073335A1 (en) Using artificial intelligence to determine a size fit prediction
US20170330262A1 (en) Method for Relevancy Ranking of Products in Online Shopping
US20220076319A1 (en) Method and device for recommending fashion coordination based on clothes owned by user
US20220101420A1 (en) Computer-implemented methods and system for customized interactive image collection based on customer data
KR102284148B1 (ko) 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템
US20210326913A1 (en) Global optimization of inventory allocation
KR100762829B1 (ko) 소비자의 구매 취향에 따른 상품 검색 서비스 시스템 및방법
JP2020047156A (ja) 商品推薦装置及びプログラム
Aziz Customer Segmentation basedon Behavioural Data in E-marketplace
KR102484545B1 (ko) 유사 성향 기반의 사용자 추천 방법
KR101230034B1 (ko) 취향 아이디 코드의 생성시스템 및 생성방법, 그리고 상품 추천 시스템 및 추천 방법
Rogic et al. Customer value prediction in direct marketing using hybrid support vector machine rule extraction method
Kalaivani et al. Factor based prediction model for customer behavior analysis
CN108596646A (zh) 一种融合人脸属性分析的服装搭配推荐方法
Anusha et al. Segmentation of retail mobile market using HMS algorithm
KR102290855B1 (ko) 디지털 사이니지 시스템
KR101081947B1 (ko) 대용량 데이터를 위한 하이브리드 추천 방법 및 시스템
Lefakis et al. Towards user-in-the-loop online fashion size recommendation with low cognitive load
CN115271870A (zh) 一种基于大数据的市场营销信息处理系统
US20220189140A1 (en) System and method for image processing for trend analysis
KR20190100788A (ko) 개인화 알고리즘을 이용하여 고객 질문답 맞춤형 사이트를 추천하는 방법 및 개인화 알고리즘 서버

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant