KR102492699B1 - 인테리어 서비스의 빅데이터로부터 구축된 간선 연결 데이터 구조 기반의 인접 간선 사물 추천 장치 및 방법 - Google Patents

Abstract

본 발명의 일 실시예에 따른 인접 간선 사물 추천 방법은 인테리어 서비스를 사용하는 각 사용자가 가상 공간에 사물을 배치한 위치 및 사물의 종류에 대한 정보를 포함하는 빅데이터를 획득하는 단계; 상기 빅데이터로부터 상기 가상 공간에 배치된 사물들의 위치를 기초로 사물 간의 그룹을 분류하는 단계; 분류된 모든 그룹에 대해서 제1 사물이 다른 각각의 사물과 같은 그룹으로 배치된 횟수를 집계하는 단계; 상기 횟수를 소정 범위에 따라 분류하여 상기 제1 사물과 상기 각각의 사물 간의 연관도를 판별하는 단계; 상기 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 상기 연관도에 기초한 간선 가중치를 부여하여 상기 노드 간의 간선을 연결한 데이터 구조를 생성하는 단계; 및 인테리어 서비스에서 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 상기 데이터 구조에서 상기 소정의 사물과 대응되는 제1 노드와 간선으로 연결된 사물을 상기 간선 가중치에 기반하여 추천하는 단계를 포함할 수 있다.

Description

인테리어 서비스의 빅데이터로부터 구축된 간선 연결 데이터 구조 기반의 인접 간선 사물 추천 장치 및 방법{APPARATUS AND METHOD FOR RECOMMENDING OBJECT ON ADJACENT TRUNK LINE BASED ON DATA STRUCTURE OF TRUNK LINE CONNECTION GENERATED FROM BIG DATA OF INTERIOR SERVICE}

본 발명은 인테리어 서비스의 빅데이터로부터 구축된 간선 연결 데이터 구조 기반의 인접 간선 사물 추천 장치 및 방법에 관한 것이다.

사람들은 살아가면서 자신의 개성에 부합하면서 보다 아름다운 주거 환경을 추구하고자 하는 욕구를 가지고 있다. 이를 위해, 간단하게는 주거 공간에 새로운 사물을 배치하여 인테리어를 꾸미거나, 나아가 벽지나 바닥재를 교체하고 공간의 구조를 변경하는 등의 인테리어 공사를 진행하기도 한다.

종래에는 인테리어 공사를 위해 의뢰인이 인테리어 전문가에게 자신이 원하는 공간을 만들고자 주거 환경 등의 인테리어 시안을 의뢰하고, 의뢰받은 인테리어 전문가는 고객이 원하는 인테리어를 설계하여 고객에게 제시하는 방식으로 진행하였다.

그러나 현재는 가상 공간에 사용자가 직접 각종 인테리어 요소를 꾸며볼 수 있는 인테리어 서비스(ex. 3D 공간 데이터 플랫폼 어반베이스)가 개발됨에 따라, 인테리어 서비스의 사용자가 직접 자신의 주거 환경을 이식한 가상 공간에 자신의 취향대로 사물을 배치하고 손쉽게 바닥재/벽지 등을 교체해 볼 수 있다.

이에 따라, 사용자들은 가상 공간의 인테리어를 통해 실제 인테리어를 간접적으로 체감할 수 있으며, 자신의 마음에 드는 실제 인테리어 상품을 주문하거나, 실제 시공과 연동된 인테리어 발주를 넣는 등의 서비스를 제공받고 있다.

한국 공개특허공보 제10-2017-0139903호: 인테리어 서비스 방법 및 인테리어 서비스 시스템

상술한 인테리어 서비스는 사용자가 가상 공간에 직접 각종 인테리어 요소를 꾸며볼 수 있도록, 다양한 종류의 사물, 바닥재, 벽지 등의 인테리어 요소를 사용자의 가상 공간에 제공한다.

한편, 인테리어는 각종 인테리어 요소들의 스타일 및 색상의 조화가 미적으로 중요한데, 인테리어 서비스의 사용자가 인테리어 전문가가 아닌 경우에는 수많은 종류의 사물, 바닥재, 벽지 등을 선택하는 데에 어려움을 겪을 수 있다.

이에 따라, 본 발명의 실시예에서 해결하고자 하는 과제는 사용자의 정보를 통해 사용자의 취향을 반영하면서, 사용자의 가상 공간에 배치된 인테리어와 어울릴 수 있는 다양한 인테리어 요소를 추천하는 기술을 제공하고자 한다.

다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 도출될 수 있다.

본 발명의 일 실시예에 있어서 인접 간선 사물 추천 장치는 소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고, 상기 프로세서가 수행하는 동작은 인테리어 서비스를 사용하는 각 사용자가 가상 공간에 사물을 배치한 위치 및 사물의 종류에 대한 정보를 포함하는 빅데이터를 획득하는 동작; 상기 빅데이터로부터 상기 가상 공간에 배치된 사물들의 위치를 기초로 사물들 간의 그룹을 분류하는 동작; 분류된 모든 그룹에 대해서 제1 사물이 다른 각각의 사물과 같은 그룹으로 배치된 횟수를 집계하는 동작; 상기 횟수를 소정 범위에 따라 분류하여 상기 제1 사물과 상기 각각의 사물 간의 연관도를 판별하는 동작; 상기 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 상기 연관도에 기초한 간선 가중치를 부여하여 상기 노드 간의 간선을 연결한 데이터 구조를 생성하는 동작; 및 인테리어 서비스에서 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 상기 데이터 구조에서 상기 소정의 사물과 대응되는 제1 노드와 간선으로 연결된 사물을 상기 간선 가중치에 기반하여 추천하는 동작을 포함할 수 있다.

또한, 상기 그룹을 분류하는 동작은 3차원 좌표의 위치 기반으로 사물들을 군집화 하는 소정의 알고리즘을 이용하여 사물들 간의 그룹을 분류하는 동작을 포함할 수 있다.

또한, 상기 그룹을 분류하는 동작은 DBSCAN(Density Based Spatial Clustering of Applications with Noise) 클러스터링 알고리즘을 기초로 소정 범위의 가상 공간 안에 배치된 사물들의 3차원 좌표를 입력하여 상기 사물들이 소정 공간 안에 배치되어 있는 밀도를 기준으로 그룹을 분류하는 동작을 포함할 수 있다.

또한, 상기 연관도를 판별하는 동작은 상기 제1 사물이 상기 각각의 사물과 같은 그룹으로 배치된 횟수에 대한 평균(a)과 표준편차(b)를 계산하는 동작; 상기 배치된 횟수가 a 보다 작은 제2 사물들에 대해서만 배치된 횟수의 평균(c)을 계산하는 동작; 상기 제1 사물과 a+b 이상의 횟수로 함께 배치된 사물들을 제1 구간, 상기 제1 사물과 a 내지 a+b 사이의 횟수로 함께 배치된 사물들을 제2 구간, 상기 제1 사물과 c 내지 a 사이의 횟수로 함께 배치된 사물들을 제3 구간, 상기 제1 사물과 c 이하의 횟수로 함께 배치된 사물들을 제4 구간으로 분류하는 동작; 및 상기 제1 구간, 상기 제2 구간, 상기 제3 구간, 및 상기 제4 구간으로 갈수록 상기 제1 사물과 강한 연관도에서 약한 연관도를 갖도록 연관도를 판별하는 동작을 포함할 수 있다.

또한, 상기 데이터 구조를 생성하는 동작은 상기 제1 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 1을 적용하여, 상기 제1 노드와 상기 제1 구간에 포함된 노드에 대한 연관도를 판별하는 점수를 계산하는 동작;

[수학식 1]

(

은 상기 제1 노드와 상기 제1 구간에 포함된 소정 노드와의 연관도 반영 점수,

은 상기 제1 구간에 포함된 사물들의 배치 횟수의 집합,

은 상기 제1 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)

상기 제2 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 2를 적용하여, 상기 제1 노드와 상기 제2 구간에 포함된 노드에 대한 연관도를 판별하는 점수를 계산하는 동작;

[수학식 2]

(

은 상기 제1 노드와 상기 제2 구간에 포함된 소정 노드와의 연관도 반영 점수,

은 상기 제2 구간에 포함된 사물들의 배치 횟수의 집합,

은 상기 제2 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)

상기 제3 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 3을 적용하여, 상기 제1 노드와 상기 제3 구간에 포함된 노드에 대한 연관도를 판별하는 점수를 계산하는 동작;

[수학식 3]

(

은 상기 제1 노드와 상기 제3 구간에 포함된 소정 노드와의 연관도 반영 점수,

은 상기 제3 구간에 포함된 사물들의 배치 횟수의 집합,

은 상기 제3 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)

상기 수학식 1, 2, 3의 계산을 제1 구간 내지 제3 구간에 포함된 모든 노드에 대해 수행하여, 상기 제1 노드를 기준으로 구해진 제2 노드와의 점수와, 상기 제2 노드를 기준으로 구해진 상기 제1 노드와의 점수를 합산한 값을 계산하여, 상기 제1 노드와 상기 제2 노드 사이에 상기 합산한 값을 간선 가중치로 부여하여 연결하는 동작; 및 상기 제1 노드와 상기 제4 구간에 포함된 사물과는 간선으로 연결되지 않도록 설정하는 동작을 포함할 수 있다.

또한, 상기 추천하는 동작은 상기 제1 사용자의 가상 공간의 종류에 따라서, 상기 데이터 구조에 포함된 소정 노드 간 간선 가중치에 대해 편향을 더하거나 감하는 동작을 포함할 수 있다.

또한, 상기 프로세서가 수행하는 동작은 상기 추천에 따라 상기 제1 노드와 인접한 제2 노드가 선택된 경우, 상기 제1 노드 및 상기 제2 노드를 포함하는 노드군을 기준으로 간선으로 연결된 사물을 상기 간선 가중치에 따라 추천하는 동작을 더 포함할 수 있다.

또한, 상기 추천하는 동작은 상기 제1 사용자의 가상 공간에 기 배치된 사물을 판별하는 동작; 상기 기 배치된 사물의 위치를 기초로 상기 기 배치된 사물 간의 그룹을 분류하는 동작; 상기 그룹이 차지하는 공간에 대한 범위를 설정하는 동작; 상기 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우 상기 소정의 사물이 배치된 위치를 기초로 상기 소정의 사물이 속하는 그룹을 판별하여 그룹에 추가하거나 새로운 그룹을 생성하는 동작; 및 상기 데이터 구조에서 상기 그룹 내의 사물들과 각각 대응되는 노드들과 간선으로 연결된 사물을 상기 간선 가중치에 따라 추천하는 동작을 포함할 수 있다.

또한, 상기 기 배치된 사물 간의 그룹을 분류하는 동작은 DBSCAN(Density Based Spatial Clustering of Applications with Noise) 클러스터링 알고리즘을 기초로 소정 범위의 가상 공간 안에 배치된 사물들의 3차원 좌표를 입력하여 상기 사물들이 소정 공간 안에 배치되어 있는 밀도를 기준으로 그룹을 분류하는 동작을 포함할 수 있다.

또한, 상기 범위를 설정하는 동작은 같은 그룹으로 분류된 사물들의 좌표의 중점으로부터 가장 멀리 배치된 사물까지의 거리에 소정의 상수를 더한 길이를 반경으로 하는 구의 내부를 상기 범위로 설정하는 동작을 포함할 수 있다.

또한, 상기 빅데이터는 각 사용자가 가상 공간에 배치한 벽지 및 바닥재의 종류에 대한 정보를 더 포함하고, 상기 프로세서는 상기 빅데이터로부터 상기 가상 공간에서 벽지 및 바닥재가 각각 배치된 횟수를 집계하는 동작; 상기 집계된 횟수를 기초로 상기 빅데이터에 포함된 모든 종류의 벽지 및 바닥재의 조합에 대한 켄달 타우 순위 상관 계수를 계산하는 동작; 인테리어 서비스에서 가상 공간에 제1 벽지가 배치되는 경우, 상기 제1 벽지와의 켄달 타우 순위 상관 계수가 높은 순서로 바닥재를 추천하는 동작; 및 인테리어 서비스에서 가상 공간에 제1 바닥재가 배치되는 경우, 상기 제1 바닥재와의 켄달 타우 순위 상관 계수가 높은 순서로 벽지를 추천하는 동작을 포함할 수 있다.

본 발명의 일 실시예에 따른 인접 간선 사물 추천 장치가 수행하는 인접 간선 사물 추천 방법은 인테리어 서비스를 사용하는 각 사용자가 가상 공간에 사물을 배치한 위치 및 사물의 종류에 대한 정보를 포함하는 빅데이터를 획득하는 단계; 상기 빅데이터로부터 상기 가상 공간에 배치된 사물들의 위치를 기초로 사물들 간의 그룹을 분류하는 단계; 분류된 모든 그룹에 대해서 제1 사물이 다른 각각의 사물과 같은 그룹으로 배치된 횟수를 집계하는 단계; 상기 횟수를 소정 범위에 따라 분류하여 상기 제1 사물과 상기 각각의 사물 간의 연관도를 판별하는 단계; 상기 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 상기 연관도에 기초한 간선 가중치를 부여하여 상기 노드 간의 간선을 연결한 데이터 구조를 생성하는 단계; 및 인테리어 서비스에서 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 상기 데이터 구조에서 상기 소정의 사물과 대응되는 제1 노드와 간선으로 연결된 사물을 상기 간선 가중치에 기반하여 추천하는 단계를 포함할 수 있다.

본 발명의 실시예에 따르면, 인테리어 서비스를 사용하는 수많은 사용자가 자신의 가상 공간에 각종 인테리어 요소를 꾸며보면서 수집되는 빅데이터를 활용하여, 사용자들의 취향, 사용자들이 주로 함께 배치하는 사물들의 종류, 사용자들이 주로 함께 배치하는 사물들의 스타일을 반영한 추천 기술을 제공할 수 있다.

이를 위해, 본 발명의 실시예는 빅데이터에 포함된 다양한 사용자들의 정보로부터 다수의 공통적인 취향과 조화를 반영할 수 있는 연관도를 분석하는 기술을 사용하여, 사용자의 가상 공간에 새롭게 배치될 인테리어 요소를 추천할 수 있다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1은 본 발명의 일 실시예에 따른 인접 간선 사물 추천 장치의 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인접 간선 사물 추천 장치가 수행하는 인접 간선 사물 추천 방법의 동작 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 빅데이터로부터 가상 공간에 배치된 사물들의 위치를 기초로 사물들 간의 그룹이 분류되기 전(a)과 분류된 후(b)의 모습을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따라 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 연관도에 기초한 간선 가중치를 부여하여 노드 간의 간선을 연결한 데이터 구조의 예시도이다.
도 5는 본 발명의 일 실시예에 따라 기 배치된 사물에 대한 특정 그룹이 차지하는 공간에 대한 범위를 설정하는 동작의 예시도이다.
도 6은 본 발명의 일 실시예에 따른 데이터 구조를 이용하여 회귀 방식으로 사물을 추천하는 동작의 예시도이다.
도 7은 본 발명의 일 실시예에 따라 빅데이터로부터 가상 공간에서 벽지 및 바닥재가 각각 배치된 횟수를 집계하는 동작을 설명하기 위한 예시도이다.
도 8은 모든 종류의 벽지 및 바닥재의 조합에 대한 켄달 타우 순위 상관 계수를 계산하는 동작의 예시도이다.

본 발명의 이점 및 특징,　그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.　　그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며,　단지 본 실시예들은 본 발명의 개시가 완전하여지도록 하고,　본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며,　본 발명의 범주는 청구항에　의해 정의될 뿐이다.

본 발명의 실시예들을 설명하면서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명하면서 실제로 필요한 경우 외에는 생략될 것이다.　　그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.　　그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성의 조합일 수 있다.

또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.

나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다.

또한 '제1, 제2' 등과 같은 표현은 복수의 구성을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.

이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.

도 1은 본 발명의 일 실시예에 따른 인접 간선 사물 추천 장치(100)의 기능 블록도이다. 도 1을 참조하면, 일 실시 예에 따른 인접 간선 사물 추천 장치(100)는 메모리(110), 프로세서(120), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)를 포함할 수 있다.

메모리(110)는 빅데이터 DB(111), 데이터 구조 DB(113) 및 명령어 DB(115)를 포함할 수 있다.

빅데이터 DB(111)는 인테리어 서비스로부터 수집되는 다양한 데이터를 포함할 수 있다. 인테리어 서비스란, 실제 공간의 모습을 3차원의 가상 공간에 이식하여 가상의 인테리어 요소를 꾸며볼 수 있는 기능을 제공하는 서비스를 포함할 수 있다. 인테리어 서비스를 사용하는 사용자들은 자신의 취향대로 가상 공간에 사물/바닥재/벽지 등의 인테리어 요소를 배치할 수 있다. 인테리어 서비스를 사용하는 사용자들은 다른 사용자들이 꾸민 가상 공간의 인테리어를 보고 공감 기능(ex. 좋아요 버튼) 등을 통해 반응할 수 있다. 또한, 인테리어 서비스를 통해 사용자들이 특정 인테리어를 조회한 조회 수가 집계될 수 있다.

빅데이터 DB(111)가 인테리어 서비스로부터 수집되는 모든 정보를 빅데이터로서 저장할 수 있다. 예를 들어, 빅데이터는 인테리어 서비스의 사용자 정보, 사용자가 인테리어한 공간에 대한 정보, 인테리어한 방 종류에 대한 정보, 사용자가 배치한 사물, 벽지, 바닥재 등에 대한 정보, 사용자의 취향에 대한 정보, 사용자들이 특정 인테리어에 대해 평가한 정보, 사용자들이 특정 인테리어를 조회한 횟수에 대한 정보 등을 포함할 수 있다.

데이터 구조 DB(113)는 빅데이터에 포함된 모든 사물 각각에 대해 특정 사물과 대응되는 노드가 사물 간의 연관도에 기초한 간선 가중치에 따라 연결된 형태의 데이터 구조를 저장할 수 있다.

명령어 DB(115)는 프로세서(120)의 동작을 수행시킬 수 있는 명령어들을 저장할 수 있다. 예를 들어, 명령어 DB(115)는 후술할 프로세서(120)의 동작들과 대응되는 동작을 수행하도록 하는 컴퓨터 코드를 저장할 수 있다.

프로세서(120)는 인접 간선 사물 추천 장치(100)가 포함하는 구성들, 메모리(110), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)의 전반적인 동작을 제어할 수 있다. 프로세서(120)는 그룹화 모듈(121), 연산 모듈(123), 구조화 모듈(125) 및 제어 모듈(127)을 포함할 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어들을 실행해 그룹화 모듈(121), 연산 모듈(123), 구조화 모듈(125) 및 제어 모듈(127)을 구동시킬 수 있다. 그룹화 모듈(121), 연산 모듈(123), 구조화 모듈(125) 및 제어 모듈(127)에 의해 수행되는 동작은 프로세서(120)에 의해 수행되는 동작으로 이해될 수 있다.

그룹화 모듈(121)은 빅데이터에 포함된 정보 중 사용자가 가상 공간에 배치한 사물들에 대한 정보에 대해서, 가상 공간에 배치된 사물들의 위치를 기초로 사물 간의 그룹을 분류할 수 있다. 그룹화 모듈(121)은 위치 기반으로 사물들의 그룹화 동작을 수행함으로써 인테리어 서비스에서 사용자들이 함께 배치하는 사물들에 대한 정보를 통해 사물 간의 연관도를 분석할 수 있게 하는 선행 데이터를 생성한다.

연산 모듈(123)은 그룹화된 모든 그룹에 대해서 특정 사물이 다른 각각의 사물과 같은 그룹으로 배치된 횟수를 집계하고, 각 사물이 함께 배치된 횟수를 기초로 각 사물 간의 연관도를 판별할 수 있다. 또한, 연산 모듈(123)은 가상 공간에 특정 종류의 벽지 및 바닥재가 함께 배치된 횟수를 집계하고, 해당 횟수를 기초로 벽지와 바닥재 간의 연관도를 판별할 수 있다.

구조화 모듈(125)은 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 사물 간의 연관도에 기초한 간선 가중치가 부여된 간선을 노드 사이에 연결하여 데이터 구조를 저장할 수 있다.

제어 모듈(127)은 인테리어 서비스에서 사용자가 사물, 벽지, 바닥재 등의 인테리어 요소를 가상 공간에 배치하려는 경우, 기 생성된 데이터 구조 또는 기 계산된 상관관계에 대한 정보를 활용하여, 인테리어 요소 간의 연관도에 기반한 새로운 인테리어 요소를 추천할 수 있다.

입력 인터페이스(130)는 사용자의 입력을 수신할 수 있다. 예를 들면, 사용자가 인테리어 서비스에서 선택하는 인테리어 요소 등의 입력을 수신할 수 있다.

디스플레이부(140)는 디스플레이 패널을 포함하여 화상을 출력하는 하드웨어 구성을 포함할 수 있다.

통신 인터페이스(150)는 외부 장치(ex. 외부 DB 서버, 사용자 단말 등)와 통신하여 정보를 송수신 할 수 있게 한다. 이를 위해, 통신 인터페이스(150)는 무선 통신 모듈 또는 유선 통신 모듈을 포함할 수 있다.

이하, 도 2 내지 도 8을 통해 인접 간선 사물 추천 장치(100)의 구성 요소들이 연동하여 인테리어 서비스의 사용자에게 빅데이터에 기반한 인테리어 요소를 추천하게 되는 구체적 실시예에 대해 설명한다.

도 2는 본 발명의 일 실시예에 따른 인접 간선 사물 추천 장치(100)가 수행하는 인접 간선 사물 추천 방법의 동작 흐름도이다. 도 2에 따른 인접 간선 사물 추천 방법의 각 단계는 도 1을 통해 설명된 인접 간선 사물 추천 장치(100)의 구성들에 의해 수행될 수 있으며, 각 단계를 설명하면 다음과 같다.

빅데이터 DB(111)는 인테리어 서비스를 사용하는 각 사용자가 가상 공간에 사물을 배치한 위치, 사물의 종류, 가상 공간에 배치한 벽지 및 바닥재의 종류에 대한 정보 등 사용자에게 인테리어 서비스를 제공하면서 수집되는 다양한 정보를 포함하는 빅데이터를 저장할 수 있다(S210).

인테리어 서비스는 각 사용자가 자신의 가상 공간에 배치한 인테리어 요소들에 대한 정보들이 유지되도록 저장할 수 있고, 사용자가 인테리어 요소를 배치해보며 꾸민 횟수, 배치해본 인테리어 요소들에 대한 내역, 최종적으로 유지되고 있는 가상 공간에서의 인테리어 요소 및 사용자의 정보를 저장할 수 있으며, 이러한 모든 정보를 누적하여 저장함으로써 빅데이터를 생성할 수 있다. 빅데이터 DB(111)는 하나 이상의 인테리어 서비스로부터 생성되는 빅데이터를 획득하여 저장할 수 있고, 이후의 동작에 따라 본 발명의 목적을 수행할 수 있도록 데이터들이 정제될 수 있다.

그룹화 모듈(121)은 빅데이터에 포함된 정보 중 사용자가 가상 공간에 배치한 사물들에 대한 정보에 기초하여, 가상 공간에 배치된 사물들의 위치 관계를 기준으로 사물 간의 그룹을 분류할 수 있다(S220).

도 3은 본 발명의 일 실시예에 따라 빅데이터로부터 가상 공간에 배치된 사물들의 위치 관계를 기초로 사물 간의 그룹이 분류되기 전(a)과 분류된 후(b)의 모습을 설명하기 위한 예시도이다.

도 3을 참조하면, 그룹화 모듈(121)은 가상 공간 내에서 사물들이 위치하는 3차원 좌표의 위치를 기반으로 사물들을 군집화하는 소정의 알고리즘을 이용하여 사물 간의 그룹을 분류할 수 있다. 예를 들어, 그룹화 모듈(121)은 DBSCAN(Density Based Spatial Clustering of Applications with Noise) 클러스터링 알고리즘을 이용할 수 있다. DBSCAN 클러스터링 알고리즘은 입력된 복수 객체의 위치에 대한 밀도를 기반으로 그룹을 분류하는 알고리즘이다. 그룹화 모듈(121)은 소정 범위의 가상 공간 안에 배치된 사물들의 3차원 좌표를 DBSCAN 클러스터링 알고리즘에 입력하여 빅데이터에 포함된 사물들의 그룹을 분류할 수 있다. 이러한 그룹 정보는 인테리어 서비스에서 사용자들이 함께 배치하는 사물들에 대한 정보로부터 사물 간의 연관도를 분석할 수 있게 하는 선행 데이터의 역할을 할 수 있다.

연산 모듈(123)은 분류된 모든 그룹에 대해, 특정 사물이 다른 각각의 사물과 같은 그룹 내에서 배치된 횟수를 집계할 수 있다(S230). 연산 모듈(123)은 특정 사물이 다른 각각의 사물과 같은 그룹 내에서 배치된 각각의 횟수를 소정 범위에 따라 분류하여 특정 사물과 다른 모든 사물 간의 연관도를 판별할 수 있다(S240).

예를 들어, "싱크대"라는 특정 사물을 기준으로 같은 그룹으로 분류된 내역이 있는 사물들이 "접시, 토스트기, 전자렌지, 식기도구, 테이블, 의자, 액자, 시계, 에어컨, 랜턴, TV, 세탁기, 신발장, 변기"가 있고, 빅데이터에서 싱크대가 각각의 사물들과 함께 배치되었던 횟수가 [10000, 8887, 8882, 8281, 5000, 4529, 4325, 2100, 150, 32, 22, 15, 7, 2] 라고 가정하여 설명한다.

연산 모듈(123)은 배치 횟수에 따라 각 사물들을 제1 구간, 제2 구간, 제3 구간 및 제4 구간으로 나뉘어, 제1 구간에서 제4 구간으로 갈수록, "싱크대"와 강한 연관도에서 약한 연관도를 갖도록 사물들의 연관도를 판별할 수 있다.

이를 위해, 연산 모듈(123)은 "싱크대"가 상기 각각의 사물과 같은 그룹으로 배치된 횟수에 대한 평균(a)과 표준편차(b)를 계산할 수 있다(예시의 경우, a: 3730.86, b: 3781.77). 또한, 연산 모듈(123)은 배치된 횟수가 a (3730.86) 보다 작은 제2 사물들에 대해서만 배치된 횟수([2100, 150, 32, 22, 15, 7, 2])의 평균(c)을 계산할 수 있다(예시의 경우, c: 332.57).

이후, 연산 모듈(123)은 싱크대와 a+b (7512.63) 이상의 횟수로 함께 배치된 내역의 사물들을 제1 구간, 제1 사물과 a(3730.86) 내지 a+b(7512.63) 사이의 횟수로 함께 배치된 내역의 사물들을 제2 구간, 제1 사물과 c (332.57) 내지 a (3730.86) 사이의 횟수로 함께 배치된 내역의 사물들을 제3 구간, 제1 사물과 c (332.57) 이하의 횟수로 함께 배치된 내역의 사물들을 제4 구간으로 분류할 수 있다.

<제1 구간 - 매우 강한 연관도>

[접시, 토스트기, 전자렌지, 식기도구] = [10000, 8887, 8882, 8281]

<제2 구간 - 강한 연관도>

[테이블, 의자, 액자] = [5000, 4529, 4325]

<제3 구간 - 약한 연관도>

[시계] = [2100]

<제4 구간 - 매우 약한 연관도>

[에어컨, 랜턴, TV, 세탁기, 신발장, 변기] = [150, 32, 22, 15, 7, 2]

구조화 모듈(125)은 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 사물 간의 연관도에 기초한 간선 가중치를 부여하여 각 노드 간의 간선을 연결한 데이터 구조를 생성할 수 있다(S250).

예를 들면, "싱크대"를 기준으로 상술한 예시에서, 구조화 모듈(125)은 제1 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 1을 적용하여, 제1 노드(ex. 싱크대)와 제1 구간에 포함된 노드 각각에 대한 연관도를 판별하는 점수인

를 계산할 수 있다.

[수학식 1]

(

은 제1 노드와 제1 구간에 포함된 소정 노드와의 연관도 반영 점수,

은 제1 구간에 포함된 사물들의 배치 횟수의 집합,

은 제1 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)

즉,

은 [접시, 토스트기, 전자렌지, 식기도구] = [10000, 8887, 8882, 8281],

은 [10000, 8887, 8882, 8281] 중 어느 하나에 대한 배치 횟수,

은 제1 구간 집합의 최솟값인 8281,

은 제1 구간 집합의 표준편차인 std([10000, 8887, 8882, 8281]) = 621.09를 의미한다. trunc는 괄호 안에 계산된 값의 특정 소수점 이하 절사하는 함수이다.

구조화 모듈(125)은 제2 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 2를 적용하여, 제1 노드(ex. 싱크대)와 제2 구간에 포함된 노드 각각에 대한 연관도를 판별하는 점수인

를 계산할 수 있다.

[수학식 2]

(

은 제1 노드와 제2 구간에 포함된 소정 노드와의 연관도 반영 점수,

은 제2 구간에 포함된 사물들의 배치 횟수의 집합,

은 제2 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)

즉,

는 [테이블, 의자, 액자] = [5000, 4529, 4325],

은 [5000, 4529, 4325] 중 어느 하나에 대한 배치 횟수,

은 제2 구간 집합의 최솟값인 4325,

은 제2 구간 집합의 표준편차인 std([5000, 4529, 4325]) = 282.66를 의미한다. trunc는 괄호 안에 계산된 값의 특정 소수점 이하 절사하는 함수이다.

구조화 모듈(125)은 제3 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 3을 적용하여, 제1 노드(ex. 싱크대)와 제3 구간에 포함된 노드 각각에 대한 연관도를 판별하는 점수인

를 계산할 수 있다.

[수학식 3]

(

은 제1 노드와 제3 구간에 포함된 소정 노드와의 연관도 반영 점수,

은 제3 구간에 포함된 사물들의 배치 횟수의 집합,

은 제3 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)

즉,

는 [시계] = [2100],

은 [시계] = [2100] 중 어느 하나에 대한 배치 횟수,

은 제3 구간 집합의 최솟값인 2100,

은 제3 구간 집합의 표준편차인 std([2100]) = 0을 의미한다. trunc는 괄호 안에 계산된 값의 특정 소수점 이하 절사하는 함수이다.

구조화 모듈(125)은 상술한 수학식 1 내지 수학식 3에 따른 계산의 과정을 모든 노드에 대해 수행할 수 있다. 즉, 상술한 예시와 같이 "싱크대"라는 사물을 기준으로 "접시, 토스트기, 전자렌지, 식기도구, 테이블, 의자, 액자, 시계, 에어컨, 랜턴, TV, 세탁기, 신발장, 변기"에 대한 점수가 계산되었다면, "테이블"을 기준으로 "테이블"과 다른 사물들에 연관 점수도 계산될 수 있다. 이에 따라 "테이블"을 기준으로 "싱크대"라는 사물과 계산된 점수가 도출될 수 있다.

만약, 위 예시에서 "테이블"을 기준으로 같은 그룹에서 함께 배치된 사물들의 배치 횟수가 [32000, 30002, 25882, 18281, 16999, 5000, 3252, 2125, 302, 202, 201, 55, 34, 10, 4] 이고, 그 중 "싱크대"와 함께 배치된 횟수가 5000에 해당한다면, 상술한 수학식 1 내지 수학식 3에 따라 테이블을 기준으로 한 싱크대의 점수는 "-86"이라는 점수가 도출된다.

이후, 구조화 모듈(125)은 제1 노드(ex. 싱크대)를 기준으로 구해진 제2 노드(ex. 테이블)와의 점수(ex. +36)와, 제2 노드(ex. 테이블)를 기준으로 구해진 제1 노드(ex. 싱크대)와의 점수(ex. -86)를 합산하여, 제1 노드와 제2 노드 사이에 합산한 값(ex. +36-86= -50점)을 간선 가중치로 부여하여 연결할 수 있다. 이때 구조화 모듈(125)은 제1 노드에 대해 제4 구간에 포함된 사물과는 점수를 계산하지 않고 서로 간선으로 연결되지 않도록 설정할 수 있다.

이에 따라, 구조화 모듈(125)은 도 4와 같은 예시의 데이터 구조를 생성할 수 있다. 이때 데이터 구조의 간선 가중치는 어느 공간(ex. 거실, 침실, 화장실, 부엌 등)에서 사물이 배치되는지에 따라서, 데이터 구조에 포함된 소정 노드 간 간선 가중치에 대해 편향(bias)을 더하거나 감하도록, 편향이 반영될 사물들과 편향의 값을 기 설정할 수 있다.

도 4는 본 발명의 일 실시예에 따라 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 연관도에 기초한 간선 가중치를 부여하여 노드 간의 간선을 연결한 데이터 구조의 예시도이다.

도 4를 참조하면, 제어 모듈(127)은 인테리어 서비스에서 제1 사용자가 가상 공간에 소정의 사물을 새롭게 배치하는 경우, 데이터 구조에서 새롭게 배치한 소정의 사물과 대응되는 제1 노드와 간선으로 연결된 사물을 간선 가중치에 기반하여 추천할 수 있다.

만약, 제1 사용자가 소정 공간에 "카펫"을 배치하는 경우, 데이터 구조를 참조하여 연결된 간선 가중치가 높은 순서로 "소파", "테이블 2", "암체어"를 추천할 수 있다.

이후, 제1 사용자가 "카펫"을 놓은 다음 "암체어"를 "카펫"의 근처에 배치하였다면, 두 개의 노드를 하나의 노드군으로 묶어, 해당 노드군을 기준으로 간선으로 연결된 사물들에 대해 간선 가중치가 높은 순서로 "소파", "램프", "테이블 2"를 추천할 수 있다. 이때 "테이블 1" 및 "테이블 의자"와 같이 음의 간선 가중치로 연결된 경우의 사물은 추천에서 제외할 수 있다.

한편, 제1 사용자가 "카펫"을 놓은 다음 "암체어"를 "카펫"의 근처에 배치하지 않았다면 노드군을 형성하지 않고, "암체어"에 해당하는 노드만을 기준으로 간선으로 연결된 사물들에 대해 간선 가중치가 높은 순서로 "램프", "카펫"을 추천할 수 있다. 이때 "테이블 1" 및 "테이블 의자"와 같이 음의 간선 가중치로 연결된 경우의 사물은 추천에서 제외할 수 있다.

이때 "카펫"을 놓은 다음 "암체어"를 놓는 경우, "암체어"가 "카펫"의 근처에 배치된 것인지 근처가 아닌지, 즉 사물들이 같은 그룹에 속하는지 아닌지를 판별하는 알고리즘에 대한 실시예를 설명한다.

제어 모듈(127)은 제1 사용자의 가상 공간에 기 배치된 사물을 판별하고, 기 배치된 사물들의 위치를 기초로 상술한 DBSCAN 클러스터링 알고리즘을 이용하여 미리 기 배치된 사물 간의 그룹을 분류할 수 있다. 이에 따라 사물들의 그룹이 분류되면, 제어 모듈(127)은 각 그룹이 차지하는 공간에 대한 범위를 설정할 수 있다.

도 5는 본 발명의 일 실시예에 따라 기 배치된 사물에 대한 특정 그룹이 차지하는 공간에 대한 범위를 설정하는 동작의 예시도이다.

도 5를 참조하면, 제어 모듈(127)은 상술한 동작으로 같은 그룹으로 분류된 사물들의 3차원 위치 좌표의 중점으로부터 가장 멀리 배치된 사물의 3차원 위치 좌표까지의 거리에 소정의 상수를 더한 길이를 반경으로 하는 구의 내부를 상기 범위로 설정할 수 있다.

이후, 제어 모듈(127)은 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 소정의 사물이 배치된 위치를 기초로 소정의 사물이 특정 그룹의 범위에 속하는지를 판별하여, 특정 그룹의 범위에 속한다면 배치된 사물을 해당 그룹에 추가하고, 특정 그룹의 범위에 속하지 않는다면 배치된 사물에 대하여 새로운 그룹을 생성할 수 있다.

이에 따라, 제어 모듈(127)은 배치된 사물이 특정 그룹에 속한다면, 해당 그룹에 포함된 사물들과 대응되는 노드를 묶은 노드군에 대해 데이터 구조에서 간선으로 연결된 사물을 간선 가중치에 따라 추천할 수 있다.

데이터 구조를 활용하면서 상술한 추천 방식과 또 다른 실시예에 따르면, 제어 모듈(127)은 인테리어 서비스에서 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 제어 모듈(127)은 다양한 조건을 조합하여 설정함으로써, 새롭게 배치된 사물의 노드로부터 인접한 노드를 차례대로 선택하면서 다시 제1 노드로 회귀해 돌아오기까지 선택된 사물들을 추천할 수 있다.

예를 들어, 제어 모듈(127)은 데이터 구조에서 상기 배치된 사물과 대응되는 제1 노드에 인접한 노드 중 양의 간선 가중치를 갖는 인접한 노드의 방향으로 출발하여 다시 제1 노드로 회귀해 돌아오는 조건, 회귀해 돌아오기까지 선택된 노드들의 개수가 소정 개수 이하이면서 간선 가중치의 합이 최대가 되는 조건, 회귀 이후 선택된 노드들의 개수가 소정 개수 미만인 경우, 회귀 과정에서 선택되지 않은 노드 중 양의 간선 가중치를 갖는 노드로부터 출발하여 다시 양의 간선 가중치를 갖는 다른 노드를 통해 제1 노드로 회귀해 돌아오는 조건, 마지막 회귀 과정까지 선택된 사물들의 총 개수가 소정 개수를 초과하면, 마지막 회귀 과정에서 선택된 사물들을 추천에서 제외하는 조건, 간선 가중치의 합이 최대가 되도록 우선하여 노드들을 순환하도록 하는 조건 등을 조합하여 회귀하도록 설정할 수 있다.

도 6은 본 발명의 일 실시예에 따른 데이터 구조를 이용하여 회귀 방식으로 사물을 추천하는 동작의 예시도이다.

도 6을 참조하면, 제어 모듈(127)은 데이터 구조에서 소정의 사물과 대응되는 제1 노드에 인접한 노드 중 양의 간선 가중치를 갖는 인접한 노드의 방향으로 출발하여 양의 간선 가중치를 갖는 인접한 노드로 회귀하되, 제1 노드로 회귀해 돌아오기까지 통과하는 노드들의 개수가 6개 이하가 되는 조건으로, 제1 노드로부터 출발하여 다시 제1 노드로 회귀해 돌아오기까지 선택된 사물들을 추천하는 회귀 조건을 설정할 수 있다.

도 6에서 새롭게 배치된 사물이 "테이블 2"인 경우, "테이블 2"에 연결된 간선은 선반(+42), 수납함(+27), 카펫(+31), 소파(+11), 테이블 1(-350) 이고, 양의 간선 가중치를 갖는 노드를 통해 출발하고 복귀할 수 있으므로, 선반(+42), 수납함(+27), 카펫(+31), 소파(+11)의 노드를 통해 출발하고, 선반(+42), 수납함(+27), 카펫(+31), 소파(+11)의 노드를 통해 복귀할 수 있는 경우의 수를 계산할 수 있다. 다만, 선택될 수 있는 노드의 개수가 6개로 한정되므로, 회귀하는 동안 6개를 초과하게 되는 회귀의 경우의 수는 제외할 수 있다.

즉, 제어 모듈(127)은 특정한 하나의 회귀 경로만 선택하는 것이 아니라 회귀 이후 선택된 노드들의 개수가 6개 이하라면, 회귀 과정에서 선택되지 않은 노드 중 양의 간선 가중치를 갖는 노드로부터 출발하여 다시 제1 노드로 회귀해 돌아오기까지, 간선 가중치의 합이 최대가 되는 조건으로 순환하도록 설정하여 선택된 사물들을 추천할 수 있다.

이에 따라, 제어 모듈(127)은 "테이블 2->선반->서랍장->수납함->테이블 2"로 회귀하는 제1 경우의 수와, "테이블 2->카펫->소파->테이블2"로 회귀하는 제2 경우의 수를 선택할 수 있고, "선반, 서랍장, 수납함, 카펫, 소파"의 사물들을 함께 배치할 수 있는 사물로 추천할 수 있다.

도 7은 본 발명의 일 실시예에 따라 빅데이터로부터 가상 공간에서 벽지 및 바닥재가 각각 배치된 횟수를 집계하는 동작을 설명하기 위한 예시도이다.

도 7(a)를 참조하면, 연산 모듈(123)은 빅데이터에 포함된 각 사용자가 가상 공간에 배치한 벽지 및 바닥재의 종류에 대한 정보로부터, 가상 공간에서 벽지 및 바닥재가 각각 배치된 횟수를 집계할 수 있다.

도 7(b)를 참조하면, 연산 모듈(123)은 C집처럼 특정 벽지와 바닥재가 배치된 경우가 모두 0인 경우는 후술할 상관관계 연산의 영향에서 배제하기 위해 집계를 제외할 수 있다.

도 7(c)를 참조하면, 연산 모듈(123)은 특정 사용자의 인테리어가 다른 사용자들로부터 많은 공감(ex. 좋아요 버튼)을 받거나, 조회수가 높은 경우 해당 인테리어에 해당하는 공간/바닥재 배치 횟수에 가중치를 부여함으로써 사용자들의 집단 취향을 반영할 수 있다. 예를 들어, 도 7(c)의 D집에서 벽재/바닥재가 사용된 횟수는 4회/2회이지만, 기 설정된 기준보다 높은 공감이나 조회수를 받은 경우에 해당한다면, 소정 기준에 따라 가중치를 주어 D집에 벽지/바닥재가 배치된 횟수를 높여서 후술할 연산에 반영할 수 있다.

도 8은 모든 종류의 벽지와 바닥재의 조합에 대한 켄달 타우 순위 상관 계수를 계산하는 동작의 예시도이다.

도 8을 참조하면, 특정 벽지/바닥재의 조합에 대한 상관관계를 분석하기 위해, 연산 모듈(123)은 빅데이터를 통해 모든 종류의 벽지/바닥재 조합에 대해 집계된 횟수를 기초로, 켄달 타우 순위 상관 계수(kendall tau rank correlation coefficient)를 계산하고, 모든 조합에 대하여 계산된 상관 관계 점수가 -1에서 +1의 범위를 갖도록 정규화할 수 있다.

이에 따라, 인테리어 서비스에서 가상 공간에 특정 벽지가 배치되는 경우, 제어 모듈(127)은 해당 벽지와의 켄달 타우 순위 상관 계수가 높은 순서로 바닥재를 추천할 수 있다. 또한 제어 모듈(127)은 인테리어 서비스에서 가상 공간에 특정 바닥재가 배치되는 경우, 해당 바닥재와의 켄달 타우 순위 상관 계수가 높은 순서로 벽지를 추천할 수 있다.

상술한 실시예에 따르면, 인테리어 서비스를 사용하는 수많은 사용자가 자신의 가상 공간에 각종 인테리어 요소를 꾸며보면서 수집되는 빅데이터를 활용하여, 사용자들의 취향, 사용자들이 주로 함께 배치하는 사물들의 종류, 사용자들이 주로 함께 배치하는 사물들의 스타일을 반영한 추천 기술을 제공할 수 있다.

이를 위해, 본 발명의 실시예는 빅데이터에 포함된 다양한 사용자들의 정보로부터 다수의 공통적인 취향과 조화를 반영할 수 있는 연관도를 분석하는 기술을 사용하여, 사용자의 가상 공간에 새롭게 배치될 인테리어 요소를 추천할 수 있다.

상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.

하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고받을 수 있다.

또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이와 같이, 본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적이며 한정적이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허 청구범위에 의하여 나타내어지며, 특허 청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (13)

1. 인접 간선 사물 추천 장치에 있어서,
   소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
   상기 프로세서가 수행하는 동작은,
   인테리어 서비스를 사용하는 각 사용자가 가상 공간에 사물을 배치한 위치 및 사물의 종류에 대한 정보를 포함하는 빅데이터를 획득하는 동작;
   상기 빅데이터로부터 상기 가상 공간에 배치된 사물들의 위치를 기초로 사물들 간의 그룹을 분류하는 동작;
   분류된 모든 그룹에 대해서 제1 사물이 다른 각각의 사물과 같은 그룹으로 배치된 횟수를 집계하는 동작;
   상기 횟수를 소정 범위에 따라 분류하여 상기 제1 사물과 상기 각각의 사물 간의 연관도를 판별하는 동작;
   상기 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 상기 연관도에 기초한 간선 가중치를 부여하여 상기 노드 간의 간선을 연결한 데이터 구조를 생성하는 동작; 및
   인테리어 서비스에서 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 상기 데이터 구조에서 상기 소정의 사물과 대응되는 제1 노드와 간선으로 연결된 사물을 상기 간선 가중치에 기반하여 추천하는 동작을 포함하고,
   상기 연관도를 판별하는 동작은,
   상기 제1 사물이 상기 각각의 사물과 같은 그룹으로 배치된 횟수에 대한 평균(a)과 표준편차(b)를 계산하는 동작;
   상기 배치된 횟수가 a 보다 작은 제2 사물들에 대해서만 배치된 횟수의 평균(c)을 계산하는 동작;
   상기 제1 사물과 a+b 이상의 횟수로 함께 배치된 사물들을 제1 구간, 상기 제1 사물과 a 내지 a+b 사이의 횟수로 함께 배치된 사물들을 제2 구간, 상기 제1 사물과 c 내지 a 사이의 횟수로 함께 배치된 사물들을 제3 구간, 상기 제1 사물과 c 이하의 횟수로 함께 배치된 사물들을 제4 구간으로 분류하는 동작; 및
   상기 제1 구간, 상기 제2 구간, 상기 제3 구간, 및 상기 제4 구간으로 갈수록 상기 제1 사물과 강한 연관도에서 약한 연관도를 갖도록 연관도를 판별하는 동작을 포함하는,
   인접 간선 사물 추천 장치.
   
2. 제1항에 있어서,
   상기 그룹을 분류하는 동작은,
   3차원 좌표의 위치 기반으로 사물들을 군집화 하는 소정의 알고리즘을 이용하여 사물들 간의 그룹을 분류하는 동작을 포함하는,
   인접 간선 사물 추천 장치.
   
3. 제2항에 있어서,
   상기 그룹을 분류하는 동작은,
   DBSCAN(Density Based Spatial Clustering of Applications with Noise) 클러스터링 알고리즘을 기초로 소정 범위의 가상 공간 안에 배치된 사물들의 3차원 좌표를 입력하여 상기 사물들이 소정 공간 안에 배치되어 있는 밀도를 기준으로 그룹을 분류하는 동작을 포함하는,
   인접 간선 사물 추천 장치.
   
4. 삭제
5. 제1항에 있어서,
   상기 데이터 구조를 생성하는 동작은,
   상기 제1 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 1을 적용하여, 상기 제1 노드와 상기 제1 구간에 포함된 노드에 대한 연관도를 판별하는 점수를 계산하는 동작;
   [수학식 1]
   

   

   
   (

   

   은 상기 제1 노드와 상기 제1 구간에 포함된 소정 노드와의 연관도 반영 점수,

   

   은 상기 제1 구간에 포함된 사물들의 배치 횟수의 집합,

   

   은 상기 제1 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)
   상기 제2 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 2를 적용하여, 상기 제1 노드와 상기 제2 구간에 포함된 노드에 대한 연관도를 판별하는 점수를 계산하는 동작;
   [수학식 2]
   

   

   
   (

   

   은 상기 제1 노드와 상기 제2 구간에 포함된 소정 노드와의 연관도 반영 점수,

   

   은 상기 제2 구간에 포함된 사물들의 배치 횟수의 집합,

   

   은 상기 제2 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)
   상기 제3 구간에 포함된 노드들의 배치 횟수에 대해 하기 수학식 3을 적용하여, 상기 제1 노드와 상기 제3 구간에 포함된 노드에 대한 연관도를 판별하는 점수를 계산하는 동작;
   [수학식 3]
   

   

   
   (

   

   은 상기 제1 노드와 상기 제3 구간에 포함된 소정 노드와의 연관도 반영 점수,

   

   은 상기 제3 구간에 포함된 사물들의 배치 횟수의 집합,

   

   은 상기 제3 구간에 포함된 소정 노드의 사물에 대한 배치 횟수)
   상기 수학식 1, 2, 3의 계산을 제1 구간 내지 제3 구간에 포함된 모든 노드에 대해 수행하여, 상기 제1 노드를 기준으로 구해진 제2 노드와의 점수와, 상기 제2 노드를 기준으로 구해진 상기 제1 노드와의 점수를 합산한 값을 계산하여, 상기 제1 노드와 상기 제2 노드 사이에 상기 합산한 값을 간선 가중치로 부여하여 연결하는 동작; 및
   상기 제1 노드와 상기 제4 구간에 포함된 사물과는 간선으로 연결되지 않도록 설정하는 동작을 포함하는,
   인접 간선 사물 추천 장치.
   
6. 제1항에 있어서,
   상기 추천하는 동작은,
   상기 제1 사용자의 가상 공간의 종류에 따라서, 상기 데이터 구조에 포함된 소정 노드 간 간선 가중치에 대해 편향을 더하거나 감하는 동작을 포함하는,
   인접 간선 사물 추천 장치.
   
7. 제1항에 있어서,
   상기 프로세서가 수행하는 동작은,
   상기 추천에 따라 상기 제1 노드와 인접한 제2 노드가 선택된 경우, 상기 제1 노드 및 상기 제2 노드를 포함하는 노드군을 기준으로 간선으로 연결된 사물을 상기 간선 가중치에 따라 추천하는 동작을 더 포함하는,
   인접 간선 사물 추천 장치.
   
8. 인접 간선 사물 추천 장치에 있어서,
   소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
   상기 프로세서가 수행하는 동작은,
   인테리어 서비스를 사용하는 각 사용자가 가상 공간에 사물을 배치한 위치 및 사물의 종류에 대한 정보를 포함하는 빅데이터를 획득하는 동작;
   상기 빅데이터로부터 상기 가상 공간에 배치된 사물들의 위치를 기초로 사물들 간의 그룹을 분류하는 동작;
   분류된 모든 그룹에 대해서 제1 사물이 다른 각각의 사물과 같은 그룹으로 배치된 횟수를 집계하는 동작;
   상기 횟수를 소정 범위에 따라 분류하여 상기 제1 사물과 상기 각각의 사물 간의 연관도를 판별하는 동작;
   상기 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 상기 연관도에 기초한 간선 가중치를 부여하여 상기 노드 간의 간선을 연결한 데이터 구조를 생성하는 동작; 및
   인테리어 서비스에서 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 상기 데이터 구조에서 상기 소정의 사물과 대응되는 제1 노드와 간선으로 연결된 사물을 상기 간선 가중치에 기반하여 추천하는 동작을 포함하고,
   상기 추천하는 동작은,
   상기 제1 사용자의 가상 공간에 기 배치된 사물을 판별하는 동작;
   상기 기 배치된 사물의 위치를 기초로 상기 기 배치된 사물 간의 그룹을 분류하는 동작;
   상기 그룹이 차지하는 공간에 대한 범위를 설정하는 동작;
   상기 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우 상기 소정의 사물이 배치된 위치를 기초로 상기 소정의 사물이 속하는 그룹을 판별하여 그룹에 추가하거나 새로운 그룹을 생성하는 동작; 및
   상기 데이터 구조에서 상기 그룹 내의 사물들과 각각 대응되는 노드들과 간선으로 연결된 사물을 상기 간선 가중치에 따라 추천하는 동작을 포함하고,
   상기 범위를 설정하는 동작은,
   같은 그룹으로 분류된 사물들의 좌표의 중점으로부터 가장 멀리 배치된 사물까지의 거리에 소정의 상수를 더한 길이를 반경으로 하는 구의 내부를 상기 범위로 설정하는 동작을 포함하는,
   인접 간선 사물 추천 장치.
   
9. 제8항에 있어서,
   상기 기 배치된 사물 간의 그룹을 분류하는 동작은,
   DBSCAN(Density Based Spatial Clustering of Applications with Noise) 클러스터링 알고리즘을 기초로 소정 범위의 가상 공간 안에 배치된 사물들의 3차원 좌표를 입력하여 상기 사물들이 소정 공간 안에 배치되어 있는 밀도를 기준으로 그룹을 분류하는 동작을 포함하는,
   인접 간선 사물 추천 장치.
   
10. 삭제
11. 인접 간선 사물 추천 장치에 있어서,
    소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
    상기 프로세서가 수행하는 동작은,
    인테리어 서비스를 사용하는 각 사용자가 가상 공간에 사물을 배치한 위치 및 사물의 종류에 대한 정보를 포함하는 빅데이터를 획득하는 동작;
    상기 빅데이터로부터 상기 가상 공간에 배치된 사물들의 위치를 기초로 사물들 간의 그룹을 분류하는 동작;
    분류된 모든 그룹에 대해서 제1 사물이 다른 각각의 사물과 같은 그룹으로 배치된 횟수를 집계하는 동작;
    상기 횟수를 소정 범위에 따라 분류하여 상기 제1 사물과 상기 각각의 사물 간의 연관도를 판별하는 동작;
    상기 빅데이터에 포함된 모든 사물 각각을 노드로 생성하고, 상기 연관도에 기초한 간선 가중치를 부여하여 상기 노드 간의 간선을 연결한 데이터 구조를 생성하는 동작; 및
    인테리어 서비스에서 제1 사용자의 가상 공간에 소정의 사물이 새롭게 배치되는 경우, 상기 데이터 구조에서 상기 소정의 사물과 대응되는 제1 노드와 간선으로 연결된 사물을 상기 간선 가중치에 기반하여 추천하는 동작을 포함하고,
    상기 빅데이터는,
    각 사용자가 가상 공간에 배치한 벽지 및 바닥재의 종류에 대한 정보를 더 포함하고,
    상기 프로세서는,
    상기 빅데이터로부터 상기 가상 공간에서 벽지 및 바닥재가 각각 배치된 횟수를 집계하는 동작;
    상기 집계된 횟수를 기초로 상기 빅데이터에 포함된 모든 종류의 벽지 및 바닥재의 조합에 대한 켄달 타우 순위 상관 계수를 계산하는 동작;
    인테리어 서비스에서 가상 공간에 제1 벽지가 배치되는 경우, 상기 제1 벽지와의 켄달 타우 순위 상관 계수가 높은 순서로 바닥재를 추천하는 동작; 및
    인테리어 서비스에서 가상 공간에 제1 바닥재가 배치되는 경우, 상기 제1 바닥재와의 켄달 타우 순위 상관 계수가 높은 순서로 벽지를 추천하는 동작을 포함하는,
    인접 간선 사물 추천 장치.
    
12. 삭제
13. 삭제

Images