KR102499687B1 - 빅데이터 기반의 이커머스 상품 판매 스토어 관리 서버 및 이의 판매자 상품페이지 자동 분석 방법 - Google Patents

Abstract

이커머스 상품 판매 스토어 관리 서버에 의해 수행되는 판매자 상품페이지 자동 분석 방법이 제공된다. 상기 방법은 소정의 온라인 상에 등록된 판매자의 상품페이지를 획득하는 단계; 상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하는 단계; 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계; 및 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계를 포함한다.

Description

빅데이터 기반의 이커머스 상품 판매 스토어 관리 서버 및 이의 판매자 상품페이지 자동 분석 방법{E-COMMERCE PRODUCT SALES STORE MANAGEMENT SYSTEM BASED ON BIGDATA AND MEHOTD OF AUTOMATIC ANALYSIS OF THE SELLER'S PRODUCT PAGE THEREOF}

본 발명은 빅데이터 기반의 이커머스 상품 판매 스토어 관리 서버 및 이의 판매자 상품페이지 자동 분석 방법에 관한 것이다.

코로나 19 바이러스로 인해, 온라인 상거래 시장의 규모가 급격히 성장함에 따라, 온라인으로 상품을 판매하고자 하는 수요가 급증하고 있다. 코로나로 인해 온라인으로 상품을 구매하는 사용자들이 급격히 늘어, 2021년 대비 거래액이 약 20% 증가했다. 2021년 이커머스(e-Commerce) 거래액은 193조이며 각각 NAVER 27조, 쿠팡 21조, 이베이코리아 20조원 순을 차지했다.

이때, 네이버 스마트 스토어 판매자의 경우, 2021년 4분기 실적 발표에 따르면 작년 동일 분기 대비 매출이 44.6% 성장했으며 온라인으로 물건을 판매하는 스토어(판매자)는 약 41만개에 이른다.

한편, 상품 판매자는 상품페이지를 제작하는데 있어 많은 시간과 에너지를 쏟고 있으나, 실제로 해당 상품페이지가 소비자의 구매까지 이어지는지는 알 수 가 없다.

반면, 소비자에게 있어 온라인 상에서 구매를 하고자 하는 상품의 상세 정보를 취득할 수 있는 주요 방법은 판매자가 제작한 상세페이지를 확인하는 것이다.

따라서, 상품의 상세페이지는 소비자의 상품 구매 결정에 가장 중요한 요소 중에 하나이나, 판매자는 소비자들의 구매촉진을 일으킬 수 있는 알고리즘이나 논리적 접근이 아닌, 판매자의 입장에서 상품페이지를 제작하여 상품 등록을 하고 있다.

이는 소비자의 구매 심리에 맞지 않는 상품페이지 제작으로 이어질 경우 상품페이지 제작에 많은 시간과 노력을 투자하였음에도 불구하고 매출 증가로 이어질 수 없게 된다.

등록특허번호 제10-1907027호 (2018.10.04)

본 발명이 해결하고자 하는 과제는 기존 상품페이지 분석을 수동으로 일일이 분석하던 것을 개선하여 자동으로 분석 결과 정보를 제공하고, 분서 결과 정보에 대한 정확도를 추정하여 상품페이지를 분석 결과에 대한 정확도를 더욱 향상시킬 수 있도록 하는, 빅데이터 기반의 이커머스 상품 판매 스토어 관리 서버 및 이의 판매자 상품페이지 자동 분석 방법을 제공하는 것이다.

다만, 본 발명이 해결하고자 하는 과제는 상기된 바와 같은 과제로 한정되지 않으며, 또다른 과제들이 존재할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 제1 측면에 따른 이커머스 상품 판매 스토어 관리 서버에 의해 수행되는 판매자 상품페이지 자동 분석 방법은 소정의 온라인 상에 등록된 판매자의 상품페이지를 획득하는 단계; 상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하는 단계; 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계; 및 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계를 포함한다. 이때, 상기 인공지능 알고리즘은 소비자 구매심리 지수를 구성하는 복수의 항목별 세부 지수를 산출하기 위한 학습데이터에 기초하여 학습 및 갱신되고, 상기 학습데이터는 미리 준비된 상기 항목별로 구성되는 상품별 또는 상품 카테고리별 이미지, 영상 및 키워드를 포함하는 제1 학습데이터와, 상기 상품페이지에 대한 분석 결과 정보가 생성될 때마다 추가되는 제2 학습데이터를 포함한다.

본 발명의 일부 실시예에 있어서, 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계는, 상기 상품페이지 정보를 상기 인공지능 알고리즘에 입력하는 단계; 상기 입력에 대응하여 인공지능 알고리즘을 통해 복수의 항목별 세부 지수를 획득하는 단계; 상기 복수의 항목별 세부 지수에 대하여 각각 기 설정된 제1 임계값 미만의 항목별 세부 지수가 존재하는지 여부를 확인하는 단계; 및 상기 확인 결과를 포함하는 복수의 항목별 세부 지수를 상기 분석 결과 정보로 획득하는 단계를 포함할 수 있다.

본 발명의 일부 실시예에 있어서, 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계는, 상기 상품페이지 정보를 상기 인공지능 알고리즘에 입력하는 단계; 상기 입력에 대응하여 인공지능 알고리즘을 통해 복수의 항목별 세부 지수를 획득하는 단계; 상기 복수의 항목별 세부 지수에 대하여 각각 설정된 소정의 가중치 및 평균화를 통해 소비자 구매심리 지수를 산출하는 단계; 및 상기 산출된 소비자 구매심리 지수 및 이의 기 설정된 제2 임계값 미만인지 여부에 대한 확인 결과를 상기 분석 결과 정보로 획득하는 단계를 포함할 수 있다.

본 발명의 일부 실시예에 있어서, 상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하는 단계는, 상기 상품페이지를 사전 결정된 제1 분석 단위로 분할하는 단계; 및 상기 제1 분석 단위에 상응하는 상품페이지 정보(이하 제1 분석 단위 상품페이지 정보)를 추출하는 단계를 포함하고, 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계는, 상기 인공지능 알고리즘에 입력하여 제1 분석 단위 상품페이지 정보에 대한 제1 분석 결과 정보를 획득하고, 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계는, 상기 제1 분석 결과 정보의 제1 정확도를 추정하는 단계; 및 상기 제1 정확도의 추정 결과에 따라 상기 제1 분석 결과 정보를 관리하는 단계를 포함할 수 있다.

본 발명의 일부 실시예에 있어서, 상기 제1 분석 결과 정보의 제1 정확도를 추정하는 단계는, 상기 제1 분석 단위 상품페이지 정보에 상응하는 제1 분석 결과 정보가 생성될 때마다, 상기 제1 분석 결과 정보의 제1 정확도를 소정의 신뢰 수준으로 추정하고, 상기 제1 정확도의 추정 결과에 따라 상기 제1 분석 결과 정보를 관리하는 단계는, 상기 제1 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우 상기 제1 분석 단위 상품페이지 정보를 대상으로 복수의 분석 단위인 제2 분석 단위 상품페이지 정보로 분할하는 단계; 상기 제2 분석 단위 상품페이지 정보마다 상기 인공지능 알고리즘에 입력하여 제2 분석 결과 정보를 획득하는 단계; 및 상기 제2 분석 결과 정보의 제2 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우 관리자에게 상기 제1 분석 단위 상품페이지의 전체에 대한 수동 검수를 요청하는 단계를 포함할 수 있다.

본 발명의 일부 실시예에 있어서, 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계는, 상기 제1 정확도의 신뢰 구간의 하한값이 상기 기준 정확도보다 크고, 상기 제1 정확도의 신뢰 구간의 하한값과 상기 기준 정확도 간의 편차가 사전 결정된 값 이상이면, 상기 제1 분석 단위보다 큰 사전 결정된 제3 분석 단위로 분석 구간을 갱신하여 설정하는 단계를 더 포함할 수 있다.

본 발명의 일부 실시예에 있어서, 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계는, 상기 제1 정확도의 신뢰 구간의 하한값이 상기 기준 정확도보다 작으면, 상기 제1 분석 단위보다 작은 사전 결정된 제4 분석 단위로 분석 구간을 갱신하여 설정하는 단계를 더 포함할 수 있다.

또한, 본 발명의 제2 측면에 따른 판매자 상품페이지 자동 분석이 가능한 이커머스 상품 판매 스토어 관리 서버는 소정의 온라인 상의 데이터를 획득하기 위한 통신을 수행하는 통신모듈, 상기 데이터에 기초하여 판매자의 상품페이지를 분석하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하고, 상기 프로세서는 소정의 온라인 상에 등록된 판매자의 상품페이지를 획득하면, 상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하고, 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득한 후, 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하되, 상기 인공지능 알고리즘은 소비자 구매심리 지수를 구성하는 복수의 항목별 세부 지수를 산출하기 위한 학습데이터에 기초하여 학습 및 갱신되고, 상기 학습데이터는 미리 준비된 상기 항목별로 구성되는 상품별 또는 상품 카테고리별 이미지, 영상 및 키워드를 포함하는 제1 학습데이터와, 상기 상품페이지에 대한 분석 결과 정보가 생성될 때마다 추가되는 제2 학습데이터를 포함한다.

상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상기 이커머스 상품 판매 스토어 관리 서버 및 이의 판매자 상품페이지 자동 분석 방법을 실행하며, 컴퓨터 판독가능 기록매체에 저장된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

상술한 본 발명에 의하면, 상세 상품페이지를 제작하는데 있어 소비자 구매심리 지수 분석 결과를 반영하도록 할 수 있고, 이는 소비자의 구매전환을 높이는데 효과가 있다.

또한, 분석 결과 정보에 대한 정확도를 산출 및 갱신되도록 하여 더욱 정확한 상품페이지 분석이 가능하다는 장점이 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 서버의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 판매자 상품페이지 자동 분석 방법의 순서도이다.
도 4는 본 발명의 일 실시예에서의 분석 결과 정보에 대한 정확도를 산출하는 과정을 설명하기 위한 순서도이다.
도 5는 분석 단위 구간에 상응하는 제1 분석 결과 정보의 제1 정확도를 추정하는 내용을 설명하기 위한 순서도이다.
도 6은 본 발명의 일 실시예에 따른 상품평가정보 통합 제공 서비스 방법의 순서도이다.

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 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 이커머스 상품 판매 스토어 관리 서버(100) 및 이의 판매자 상품페이지 자동 분석 방법에 대하여 구체적으로 설명하도록 한다.

도 1은 본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 시스템(1)을 도시한 도면이다.

도 1에 도시된 바와 같이, 본 발명은 이커머스 상품 판매 스토어 관리 서버(100)와 판매자 단말(200) 및 온라인 플랫폼 서버(300)를 포함한다.

이때, 도 1에 도시한 이커머스 상품 판매 스토어 관리 시스템(1)을 구성하는 각 구성요소들은 네트워크(network)를 통해 연결될 수 있다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(network)의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크, WiFi 등이 포함되나 이에 한정되지는 않는다.

판매자 단말(200)은 소정의 온라인 플랫폼 서버(300)의 플랫폼을 통해 적어도 하나의 상품을 등록하여 판매하는 판매자를 위한 단말로, 판매자 단말은 일반적인 PC, 스마트 단말 등일 수 있다.

온라인 플랫폼 서버(300)는 아마존, 이베이, 네이버 스토어 등과 같이 판매자의 상품 판매를 위한 플랫폼을 제공하고, 판매자로부터 소정의 수수료를 제공받도록 운용하는 주체이다.

도 2는 본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 서버(100)의 블록도이다.

본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 서버(100)는 통신모듈(110), 메모리(120) 및 프로세서(130)를 포함한다.

통신모듈(110)은 판매자 단말(200) 및 온라인 플랫폼 서버(300)와 데이터를 송수신하며, 메모리에는 상기 데이터에 기초하여 판매자의 상품페이지를 분석하기 위한 프로그램이 저장된다. 프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킨다.

프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킴에 따라, 소정의 온라인 상에 등록된 판매자의 상품페이지를 획득하면, 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하고, 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득한 후, 분석 결과 정보에 대한 정확도에 기초하여 상품페이지를 관리한다.

이때, 본 발명의 일 실시예에서 상품 페이지를 관리한다 함은 판매자에게 분석 결과 정보를 제공하는 것뿐만 아니라, 분석 결과 정보에 대한 정확도를 산출하고, 정확도에 기초하여 상품페이지에 대한 분석을 더욱 빠르고 정확하게 분석할 수 있도록 하는 일련의 과정을 말한다.

이하에서는 도 3을 참조하여 본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 서버(100)에 의해 수행되는 방법에 대해 보다 상세히 설명하도록 한다.

도 3은 본 발명의 일 실시예에 따른 판매자 상품페이지 자동 분석 방법의 순서도이다.

한편, 도 3에 도시된 각 단계들은 서버(100)에 의해 수행되는 것으로 이해될 수 있으나, 반드시 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 판매자 상품페이지 자동 분석 방법은, 소정의 온라인 상에 등록된 판매자의 상품페이지를 획득하는 단계(S110)와, 상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하는 단계(S120)와, 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계(S130)와, 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계(S140)를 포함하여 수행된다.

먼저, 서버는 소정의 온라인 상에서 등록된 판매자의 상품페이지를 획득하면(S110), 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출한다(S120).

일 실시예로, 서버는 상품페이지로부터 이미지, 영상 및 키워드를 추출하면, 각 상품페이지 정보를 판매 상품과 매칭시켜 데이터베이스에 저장한다. 본 발명에서는 이를 상품페이지 정보 풀(Pool)이라 한다. 상품페이지 정보 풀은 하나의 판매자의 상품페이지로부터 획득되어 관리되는 것뿐만이 아닌, 복수의 판매자의 상품페이지를 대상으로 구축될 수 있다. 상품페이지 정보 풀은 서버에 의해 분석 결과 정보의 생성을 요청받은 판매자에 해당하는 상품페이지 정보만을 관리하는 것뿐만 아니라, 서버에 의해 주기적으로 랜덤한 상품페이지 정보가 수집되어 상품페이지 정보 풀로 구축될 수도 있다.

다음으로, 서버는 추출된 상품페이지 정보를 미리 학습된 기계학습 기반의 인공지능 알고리즘에 기초하여 분석 결과 정보를 생성한다(S130).

일 실시예로, 인공지능 알고리즘은 소비자 구매심리 지수를 구성하는 복수의 항목별 세부지수를 산출하기 위한 학습데이터에 기초하여 학습 및 갱신될 수 있다. 즉, 인공지능 알고리즘은 상품페이지 정보를 입력받으면 소비자 구매심리 지수 또는 이를 구성하는 복수의 항목별 세부지수를 산출하도록 학습된다.

여기에서 소비자 구매심리 지수를 구성하는 복수의 항목별 세부지수는 실시예에 따라 다양하게 설정될 수 있으며, 일 예로 본 발명에서의 항목별 세부지수는 소비자의 관심도, 소비자의 흥미도, 소비자의 연상도, 소비자의 구매 욕망도, 소비자의 신뢰도, 소비자의 행동지수, 소비자의 만족도로 구성될 수 있다. 각 항목별 세부지수는 이미지, 영상, 키워드 중 적어도 하나가 상품 카테고리 및 상품과 매칭되어 설정될 수 있다. 가장 간단한 예로, 특정 상품 이미지의 해상도에 따라 소비자의 관심도의 지수가 설정되어 있을 수 있다. 이러한 항목별 세부지수의 구체 기준은 상품페이지 정보 풀에 함께 저장되어, 상품페이지 정보가 추가적으로 갱신될 때마다 인공지능 알고리즘에 의해 갱신 관리될 수 있다.

일 실시예로, 서버는 분석 결과 정보를 생성하기 위하여, 먼저 상품페이지 정보를 인공지능 알고리즘에 입력하고, 입력에 대응하여 인공지능 알고리즘을 통해 복수의 항목별 세부 지수를 획득할 수 있다. 그 다음, 서버는 복수의 항목별 세부 지수에 대하여 각각 기 설정된 제1 임계값 미만의 항목별 세부 지수가 존재하는지 여부를 확인하고, 확인 결과를 포함하는 복수의 항목별 세부 지수를 분석 결과 정보로 획득할 수 있다.

다른 일 실시예로, 서버는 분석 결과 정보를 생성하기 위하여, 먼저 상품페이지 정보를 인공지능 알고리즘에 입력하고, 입력에 대응하여 인공지능 알고리즘을 통해 복수의 항목별 세부 지수를 획득할 수 있다. 그 다음, 서버는 복수의 항목별 세부 지수에 대하여 각각 설정된 소정의 가중치 및 평균화를 통해 소비자 구매심리 지수를 산출하고, 산출된 소비자 구매심리 지수 및 이의 d기 설정된 제2 임계값 미만인지 여부에 대한 확인 결과를 분석 결과 정보로 획득할 수 있다.

한편, 소비자 구매심리 지수 및 항목별 세부 지수를 산출하기 위한 인공지능 알고리즘은 제1 및 제2 학습데이터에 기초하여 학습될 수 있다. 여기에서, 제1 학습데이터는 미리 준비된 세부 지수 항목별로 구성되는 상품별 또는 상품 카테고리별 이미지, 영상 및 키워드를 포함하는 학습데이터이고, 제2 학습데이터는 상품페이지에 대한 분석 결과 정보가 생성될 때마다 추가되는 학습데이터이다.

다시 도 1을 참조하면 다음으로, 서버는 분석 결과 정보에 대한 정확도에 기초하여 상품페이지를 관리한다(S140).

본 발명의 일 실시예는 분석 결과 정보를 산출하는 과정과 별도로 분석 결과 정보에 대한 정확도를 추정 및 관리하는 것을 특징으로 한다. 이러한 분석 결과 정보에 대한 정확도를 추정하는 것은, 분석 정확도가 높을 경우 인공지능 알고리즘의 분석 시간을 단축시키기 위하여 분석 단위를 증가시켜 분석 과정에서의 컴퓨팅 자원을 효율적으로 사용하기 위함이며, 반대로 분석 정확도가 낮을 경우 분석 단위를 협소하게 설정하여 인공지능 알고리즘의 분석 정확도를 더욱 증가시키기 위한 목적에 있다.

이때, 상품페이지 정보의 량이 적을 경우에는 크게 문제되지 않으나, 정보량이 많을 경우 전체 정확도를 추정하는 데만 많은 컴퓨팅 자원이 소요될 수 있는바, 이러한 문제를 해소하기 위해 본 발명에서는 모비율 추정 이론을 적용하여 정확도를 추정할 수 있다.

도 4는 본 발명의 일 실시예에서의 분석 결과 정보에 대한 정확도를 산출하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 서버는 분석 결과 정보에 대한 정확도를 추정하기 위하여, 상품페이지를 사전 결정된 제1 분석 단위로 분할한다(S205). 그리고 제1 분석 단위에 상응하는 상품페이지 정보(이하, 제1 분석 단위 상품페이지 정보라 한다)를 추출한다(S210).

그 다음, 서버는 인공지능 알고리즘에 입력하여 제1 분석 단위 상품페이지 정보에 대한 제1 분석 결과 정보를 획득하고(S215), 상기 제1 분석 단위 상품페이지 정보에 상응하는 제1 분석 결과 정보가 생성될 때마다, 상기 제1 분석 결과 정보의 제1 정확도를 소정의 신뢰 수준으로 추정한다(S220).

일 예로, 제1 분석 단위로 분할된 제1 분석 단위 상품페이지 정보는 100개(키워드, 이미지, 영상의 수)로 설정될 수 있으며, 서버는 100개의 제1 분석 단위 상품페이지 정보에 대한 제1 분석 결과 정보가 생성될 때마다 100개의 제1 분석 결과 정보의 제1 정확도를 추정한다.

일 실시예로, 본 발명은 분석 결과 정보에 대한 정확도 추정시 통계학의 모비율 추정 이론을 활용할 수 있으며, 이 경우 모집단은 분석 단위에 상응하는 전체 분석 결과 정보가 되며, 표본은 샘플링된 분석 결과 정보가 될 수 있다.

이때, 본 발명의 일 실시예에는 모비율의 추정 이론이 적용되기에 적합하도록 표본의 크기 n은 충분히 크며(예를 들어, n>30), 이에 따라 표본의 비율은 그 분포가 정규 분포를 따르고, 이를 표준화한 Z score는 표준 정규분포를 따른다. 이때, Z score의 일 예로는, 95%의 신뢰 수준에서 z는 1.96이고, 99%의 신뢰 수준에서 z는 2.58에 해당한다. 예를 들어, z를 1.96으로 사용한 경우, 95%의 신뢰 수준으로 모집단의 비율이 신뢰 구간에 위치한다고 할 수 있다.

본 발명의 일 실시예에서는 이러한 모비율의 추정 이론에 따라, 제1 분석 단위에 상응하는 제1 분석 결과 정보에 대한 정확도는 모집단의 비율이 되고, 샘플링한 제1 분석 결과 정보에 대한 정확도는 표본 비율이 될 수 있다.

도 5는 분석 단위 구간에 상응하는 제1 분석 결과 정보의 제1 정확도를 추정하는 내용을 설명하기 위한 순서도이다.

도 5를 참조하면, 서버는 제1 분석 단위에 상응하는 제1 분석 결과 정보의 제1 정확도의 추정을 위해, 제1 분석 단위에 상응하는 제1 분석 결과 정보 중 n건(단, n은 1 이상의 자연수)의 제1 분석 결과 정보를 샘플링한다(S310).

그리고 서버는 n건의 샘플링한 제1 분석 결과 정보에 대해 복수의 관리자에게 정확 여부 판정을 요청하여(S320), 복수의 관리자로부터 n건의 샘플링한 제1 분석 결과 정보에 대한 판정 결과로 정확 또는 부정확을 입력받는다(S330).

그 다음, 서버는 복수의 관리자로부터의 판정 결과로 정확을 입력받은 빈도에 기초하여, n건의 샘플링한 제1 분석 결과 정보의 정확도를 측정한다(S340). 예를 들어, 복수의 관리자로부터 정확을 입력받은 빈도가 x일 경우, 정확도는 x/n으로 측정될 수 있다.

그 다음, 서버는 n건의 샘플링한 제1 분석 결과 정보의 정확도에 기초하여, 제1 분석 단위에 상응하는 제1 분석 결과 정보의 제1 정확도를 신뢰 수준으로 추정한다(S350).

예를 들어, 샘플링한 건수 n=100건이고, 정확도가 99%로 추정된 경우, 추정 구간에 상응하는 제1 분석 결과 정보의 제1 정확도의 신뢰구간은 95%의 신뢰 수준으로 다음 [식 1]와 같이 나타낼 수 있다.

[식 2]

0.99 - 1.96 * SQRT[ 0.99(1-0.99)/100 ] <= P <= 0.99 + 1.96 * SQRT[ 0.99(1-0.99)/100 ]

99% - 1.95% <= P <= 100%

97.05% <= P(제1 정확도) <=100%

다시 도 4를 참조하면, 서버는 제1 정확도의 신뢰 구간(confidence interval)의 하한 값(lower confidence limit)이 기준 정확도 미만인지 여부를 판단한다(S225).

이때, 본 발명의 일 실시예는 각 분석 단위 구간에 속하는 전체 제1 분석 결과 정보의 정확도가 기준 정확도 이상이 되도록 관리하는 것을 목적으로 하므로 신뢰 하한 값을 사용한다.

다음으로, 서버는 판단 결과 제1 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우(S225-Y), 제1 분석 단위 상품페이지 정보를 대상으로 복수의 분석 단위인 제2 분석 단위 상품페이지 정보로 분할한다(S230).

그 다음, 서버는 제2 분석 단위 상품페이지 정보마다 인공지능 알고리즘에 입력하여 제2 분석 결과 정보를 획득하고(S235), 제2 분석 결과 정보의 제2 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우(S240-Y), 관리자에게 제1 분석 단위 상품페이지 정보 전체에 대한 수동 검수를 요청한다(S245).

예를 들어, 서버는 제1 분석 단위에 상응하는 제1 분석 단위 상품페이지 정보 100개에 대한 제1 분석 결과 정보의 제1 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우, 100개에 대하여 50개로 분할한 제2 분석 단위를 재설정할 수 있다. 그리고 제2 분석 단위에 대하여 제1 정확도의 추정 방법과 같이 정확도를 추정하여, 제2 정확도의 신뢰 구간의 하한 값이 기준 정확도 미만에 해당하는 제2 분석 결과 정보를 식별하여, 식별된 제2 분석 결과 정보에 상응하는 제2 분석 단위 상품페이지 정보만을 또는 제1 분석 단위 상품페이지 전체에 대하여 수동 검수 요청을 하여 신속하게 정확도를 보완할 수 있다.

한편, 서버는 판단 결과 제1 정확도에 대한 신뢰 하한 값이 기준 정확도보다 크고, 제1 정확도의 신뢰 구간의 신뢰 하한 값과 기준 정확도 간의 편차가 사전 결정된 값 이상일 경우(S250-Y), 제1 분석 단위(a)보다 큰 사전 결정된 제3 분석 단위로 분석 구간을 갱신하여 설정할 수 있다(S255).

예를 들어, 최초 분석 단위인 제1 분석 단위(a)가 100개이고, 제1 정확도의 신뢰 구간의 신뢰 하한 값이 98%이며, 기준 정확도인 95%와 3% 이상 차이나게 클 경우, 서버는 추정 구간을 100건보다 20건을 증가한 120개를 제3 분석 단위로 갱신할 수 있다.

이와 같이 이전 분석 단위의 정확도가 높아 추정 구간의 단위 건수를 증가시켜 나갈 경우, 정확도의 추정 및 관리에 소요되는 시간 및 비용을 절감할 수 있다는 장점이 있다.

이와 달리 서버는 판단 결과 제1 정확도에 대한 신뢰 하한 값이 기준 정확도보다 크나, 제1 정확도의 신뢰 구간의 신뢰 하한 값과 기준 정확도 간의 편차가 사전 결정된 값 미만일 경우(S255-N), 이전에 설정된 제1 분석 단위를 대상으로 제1 정확도를 추정한다.

반대로, 서버는 제1 정확도의 신뢰 구간의 신뢰 하한 값이 기준 정확도보다 작을 경우에는(S225-Y), 제1 분석 단위보다 작은 사전 결정된 제4 분석 단위로 갱신할 수 있다(S260).

예를 들어, 최초 제1 분석 단위가 100개이고, 제1 정확도의 신뢰 구간의 신뢰 하한 값이 94%로, 기준 정확도인 95%보다 작은 경우, 서버는 제1 분석 단위를 100개보다 20개를 감소하여 제4 분석 단위로 갱신할 수 있다.

즉, 이전 분석 단위의 정확도가 낮다면, 다음 분석 단위를 감소시킴으로써, 목표하는 정확도를 확보하도록 하며, 좁은 범위에 걸쳐서 분석 결과 정보가 생성될 수 있도록 하여, 수동 검수에 소요되는 비용 및 시간을 절감할 수 있다.

한편, 본 발명의 설명에서 제1 정확도, 제2 정확도나, 제1 분석 단위, 제2 단위 등, '제1', '제2', '제3' 등의 용어는 특정 수치를 한정하기 위한 것이 아니라, 시점에 따라 서로 구별하기 위해 사용되는 것일 뿐이다.

한편, 상술한 설명에서, 단계 S110 내지 S350은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1 내지 도 2의 내용은 도 3 내지 도 5의 판매자 상품페이지 자동 분석 방법의 내용에도 적용될 수 있다.

이하에서는 도 6을 참조하여 본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 서버(100)에 의해 수행되는 상품평가정보 통합 제공 서비스 방법에 대해 설명하도록 한다. 한편, 본 발명의 일 실시예는 도 1 내지 도 5에서 설명한 이커머스 상품 판매 스토어 관리 서버(100)와 이하에서 설명하는 이커머스 상품 판매 스토어 관리 서버(100)는 각각 독립되는 서버로 구성되는 것으로 설명하였으나 반드시 이에 한정되는 것은 아니다.

즉, 각 서버는 서로 동일한 대상일 수도 있고, 또는 하나의 서버 시스템에 독립되는 프로그램이 탑재되는 형태로 운용될 수 있는 등 실시자에 따라 다양한 형태로 실시 가능함은 물론이다. 따라서, 각 서버(100)는 판매자 상품페이지 자동 분석 방법과 상품평가정보 통합 제공 서비스를 동일 구성을 통해 제공할 수 있다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 이커머스 상품 판매 스토어 관리 서버(100)는 통신모듈(110), 메모리(120) 및 프로세서(130)를 포함한다.

통신모듈(110)은 복수의 판매자 단말(200)과 데이터를 송수신한다.

메모리(120)에는 상품평가정보 통합 제공 서비스를 위한 프로그램이 저장되며, 프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킨다.

프로세서(130)는 통신모듈(110)을 통해 판매자 단말(200)로부터 상품평가정보 통합 제공 서비스의 요청을 수신하면, 요청에 대응하여 판매자 단말(200)에 의해 운영 중인 제1 판매 사이트에서의 판매자 상품정보를 추출한다. 그리고 판매자 상품정보에 기초하여, 동일 상품에 대한 타 판매자의 제2 판매 사이트에서의 제2 상품평가정보를 수집하면, 수집된 제2 상품평가정보를 요청에 상응하는 제1 판매 사이트의 제1 상품평가정보의 출력 영역에 추가 반영한다.

도 6은 본 발명의 일 실시예에 따른 상품평가정보 통합 제공 서비스 방법의 순서도이다.

한편, 도 6에 도시된 각 단계들은 서버(100)에 의해 수행되는 것으로 이해될 수 있으나, 반드시 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 상품평가정보 통합 제공 서비스 방법은 판매자 단말로부터 상품평가정보 통합 제공 서비스의 요청을 수신하는 단계(S410)와, 상기 요청에 대응하여 상기 판매자 단말에 의해 운영 중인 제1 판매 사이트에서의 판매자 상품정보를 추출하는 단계(S420)와, 상기 판매자 상품정보에 기초하여, 동일 상품에 대한 타 판매자의 제2 판매 사이트에서의 제2 상품평가정보를 수집하는 단계(S430)와, 상기 수집된 제2 상품평가정보를 상기 요청에 상응하는 제1 판매 사이트의 제1 상품평가정보의 출력 영역에 추가 반영하는 단계(S440)를 포함하여 수행된다.

먼저, 서버는 판매자 단말로부터 상품평가정보 통합 제공 서비스의 요청을 수신하면(S410), 요청에 대응하여 판매자 단말에 의해 운영 중인 제1 판매 사이트에서의 판매자 상품정보를 추출한다(S420).

여기에서, 판매자 상품정보는 판매 사이트에서 판매 중인 상품식별정보(상품명, 모델명, 상품고유제조번호 등), 판매 사이트의 개시일 또는 해당 상품의 판매 개시일, 및 상품평가정보를 포함한다. 이때, 상품평가정보는 판매 사이트에서의 리뷰, 리뷰에 포함된 영상 또는 이미지, 고객문의를 포함하는 개념이다.

다음으로, 서버는 제1 판매 사이트에 상응하는 판매자 상품정보에 기초하여, 동일 상품에 대한 타 판매자의 제2 판매 사이트에서의 제2 상품평가정보를 수집한다(S430).

일 실시예로, 서버는 동일 상품식별정보로 판정된 동일 상품에 대해 타 판매자의 제2 판매 사이트에서의 상품평가정보를 수집한다. 이때, 서버는 제1 판매 사이트에서의 당해 상품의 판매 개시일이 기준 설정일을 도과하고, 제1 판매 사이트에서의 제1 상품평가정보가 기 설정된 개수 및 기준 설정일을 초과하는 경우, 제2 판매 사이트에서의 제2 상품평가정보를 수집할 수 있다.

만약, 서버는 해당 조건 중 어느 하나를 만족하지 않을 경우 상기 요청을 반려할 수 있다. 이는 제1 판매 사이트에서 해당 상품에 대해 판매 의지가 없거나, 판매 중단된 상품을 대상으로 요청하는 케이스를 필터링하기 위함이다.

다음으로, 서버는 수집된 제2 상품평가정보를 요청에 상응하는 제1 판매 사이트의 제1 상품평가정보의 출력 영역에 추가 반영한다(S440).

일 실시예로, 서버는 수집된 제2 상품평가정보로부터 개별 단위 건 상품평가정보를 추출하고, 개별 단위 건 상품평가정보로부터 키워드를 추출한다.

그 다음, 서버는 추출된 키워드를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 적합 상품평가정보를 출력하면, 출력된 적합 상품평가정보를 제1 상품평가정보의 출력 영역에 추가 반영할 수 있다.

이때, 본 발명의 일 실시예에서 인공지능 알고리즘은 미리 준비된 상품 키워드 사전 및 감정 키워드 사전과, 이와 매칭된 적합 상품평가정보를 출력하기 위한 제1 학습데이터에 기초하여 기본적으로 학습 및 갱신될 수 있다.

여기에서 상품 키워드 사전은 상품과 직접 연관된 제1 키워드로, 상품명뿐만 아니라 상품을 지칭하는 단어를 포괄하는 개념이다. 일 예로, '에어컨', '냉장고', '세탁기'라는 상품 카테고리명뿐만 아니라, '외형', '성능', '모델' 등과 같은 상품을 지칭하는 제3의 단어가 이에 해당할 수 있다.

일 실시예로, 상품 키워드 사전은 전술한 상품페이지 정보 풀에 기초하여 구축될 수 있다. 즉, 서버는 제1 판매 사이트의 상품페이지로부터 이미지, 영상 및 키워드를 추출하면, 각 상품페이지 정보를 판매 상품과 매칭시켜 데이터베이스에 저장하는데, 이때 추출된 키워드를 기반으로 상품 키워드 사전을 구축할 수 있다. 따라서, 상품 키워드 사전은 판매 상품과 매칭되어 저장된다. 전술한 바처럼, 상품페이지 정보 풀은 복수의 판매자의 상품페이지로부터 구축될 수 있으며, 자세한 설명은 생략하도록 한다.

또한, 감정 키워드 사전은 상품 키워드 사전에서의 제1 키워드를 수식하는 제2 키워드로, '좋다', '나쁘다', '괜찮다' 등 상품을 평가하는 소비자의 감정을 나타내는 키워드를 의미한다. 이러한 감정 키워드 사전은 국어, 외국어 사전에 기반하여 구축될 수 있다.

이에 더 나아가, 본 발명의 일 실시예는 인공지능 알고리즘에 의해 적합 상품평가정보가 출력되면, 출력되는 적합 상품평가정보에 상응하는 키워드가 추출될 때마다 이를 추가하여 제2 학습데이터로 구성할 수 있으며, 따라서 제1 및 제2 학습데이터를 기반으로 그 성능이 갱신될 수 있다.

한편, 인공지능 알고리즘은 추출된 키워드 중 상품 키워드 사전에 매칭되는 제1 키워드와 감정 키워드 사전에 매칭되는 제2 키워드를 출력하면, 제1 및 제2 키워드를 연결 설정하여 적합 상품평가정보를 출력할 수 있다. 간단한 예로, 인공지능 알고리즘은 제1 키워드로 '성능'을 출력하고, 제2 키워드로 '좋다'를 출력하면, '성능'과 '좋다'를 연결하는 접속어 '이'를 추가하여 '성능이 좋다'를 적합 상품평가정보로 출력할 수 있다.

또한, 본 발명의 일 실시예에서 서버는 제2 판매 사이트에서 제2 상품평가정보를 수집하고, 제2 상품평가정보의 개별 단위 건 상품평가정보에 묶음상품에 관한 상품평가정보가 존재하는 경우, 묶음상품 중 해당 상품 이외에 타 상품이 판매자의 제1 판매 사이트에서 판매 중이면, 적합 상품평가정보를 출력 영역에 출력함에 있어 묶음상품 선택란을 추가로 제공할 수 있다.

이때, 서버는 제2 판매 사이트에서의 제2 상품평가정보로부터 추출된 묶음상품에 관한 상품평가정보에 대하여 추출된 제1 및 제2 키워드를 기반으로 상품평가지수를 산출하고, 상품평가지수가 소정의 임계치를 초과하는 경우에 한하여 묶음상품 선택란을 제공할 수 있다. 이 경우, 상품평가점수는 감정 키워드 사전에 기반한 키워드별로 소정의 점수가 사전 매칭되어 있을 수 있다.

한편 일 실시예로, 서버는 적합 상품평가정보를 제1 상품평가정보의 출력 영역에 추가 반영함에 있어, 제2 키워드에 상응하는 이모티콘을 매칭시켜 출력 영역에 추가 반영할 수 있다. 이모티콘 정보를 제1 및 제2 키워드와 함께 확인한 소비자는 직관적으로 해당 상품의 우수 정보를 평가할 수 있다.

다른 일 실시예로, 서버는 적합 상품평가정보를 제1 상품평가정보의 출력 영역에 추가 반영함에 있어, 상품식별정보에 기초하여 온라인 상의 SNS 정보를 수집할 수 있다. 이때, 상품식별정보에 포함된 상품명, 모델명, 상품고유제조번호 등과 매칭되는 키워드가 존재하는 SNS 게시물을 수집할 수 있다.

이 과정에서, 서버는 1차적으로 상품식별정보에 매칭되는 키워드가 존재하는 SNS 게시물을 수집하여 후보 SNS 게시물로 생성하고, 후보 SNS 게시물로부터 키워드를 추출하여 상기 인공지능 알고리즘에 입력하여 제1 및 제2 키워드가 존재하는 경우 해당 SNS 게시물을 적합 상품평가정보로 제공할 수 있다. 서버는 적합 상품평가정보를 제1 상품평가정보의 출력 영역에 반영함에 있어, 전술한 바와 같이 제1 및 제2 키워드를 기반으로 적합 상품평가정보를 생성하여 반영할 수 있다.

전술한 SNS 게시물 기반으로 생성된 적합 상품평가정보의 경우 타인의 SNS 게시물을 그대로 이용하는 것이 아닌, 상품평가정보만을 수집하는 것에 불과하므로 게시물의 도용의 문제는 발생되지 않는다. 하지만, 소비자들은 SNS 게시물 전체를 확인하여 해당 상품의 사용방법, 자세한 성능 등을 확인하고 싶은 경우가 있다.

이에 따라, 본 발명의 일 실시예는 제1 및 제2 키워드가 포함된 SNS 게시물 상의 문장 또는 문단을 선택하여 출력 영역에 반영할 수 있으며, 해당 상품과 매칭되는 이미지가 존재하는 경우 해당 이미지도 함께 추가할 수 있다. 또한, SNS 게시물의 링크를 출력 영역의 일부에 추가하여 소비자들이 손쉽게 해당 상품의 SNS 게시물을 확인할 수 있도록 할 수 있다. 이 경우, 서버는 사전에 SNS 계정을 운영하는 사용자들의 사전 동의(회원 가입)를 얻거나, 또는 링크, 이미지, 문장, 문단이 공유됨에 따른 인센티브를 제공하여 위 문제를 해소할 수 있다.

그밖에, 본 발명의 일 실시예에서 서버는 제2 판매 사이트에서 제2 상품평가정보를 수집하는 경우, 제1 및 제2 키워드 외에 배송 관련 키워드가 수집되어 구축된 배송 키워드 사전을 통해 제3 키워드를 추출할 수 있다. 그리고 제3 키워드 및 감정 키워드 사전에 기초한 제2 키워드에 기초하여 인공지능 알고리즘을 통해 배송평가정보를 판매자에게 제공할 수 있다.

배송평가정보는 복수의 제2 판매사이트에서 이용 중인 배송사의 정보와 매칭되고, 배송사별로 소팅되어 판매자에게 제공될 수 있다. 또는 배송사별로 평가점수를 종합 산출하여 판매자에게 제공할 수 있다. 이때, 평가점수는 감정 키워드 사전에 기반한 키워드별로 소정의 점수가 사전 매칭되어 있을 수 있다. 예를 들어, '배송이 빨랐어요'라는 제3 및 제2 키워드가 추출된 경우, 평가점수는 5점 중 4점으로 할당되고, '배송이 매우 빨랐어요'와 같이 제2 키워드와 관련한 수식어구가 존재하는 경우 5점으로 할당되는 등의 형태로 평가점수가 할당될 수 있다.

한편, 본 발명의 일 실시예에서 서버는 제2 상품평가정보를 제1 판매 사이트에 추가 반영시, 해당 정보를 이용하는 대가로 제2 판매자 사이트를 운영 중인 타 판매자에게 소정의 인센티브를 제공할 수 있다. 즉, 자신의 판매 사이트에서 수집된 상품평가정보의 건 수에 상응하여 판매자는 인센티브를 제공받을 수 있다.

이를 위해, 서버는 제2 상품평가정보를 수집함에 있어, 복수의 타 판매자의 제2 판매 사이트 각각에 대한 신뢰도를 산출하고, 신뢰도에 기초하여 제2 판매 사이트에서의 제2 상품평가정보의 수집 비중을 갱신할 수 있다. 이는 당해 상품에 대한 판매 활동을 활발히 운영하여 리뷰 등이 충실히 기재 및 관리되고 있는 판매자에게는 더욱 많은 인센티브를 제공하기 위함에 있다.

일 실시예로, 서버는 제2 판매 사이트 각각에 대산 신뢰도를 산출하기 위하여, 제2 판매 사이트의 판매자 상품정보를 수집하고, 제2 판매 사이트의 판매자 상품정보로부터 상품 키워드 사전에 매칭되는 제1 키워드 및 감정 키워드 사전에 매칭되는 제2 키워드를 포함하는 제2 상품평가정보를 추출한다. 그리고 서버는 제2 판매 사이트의 전체 제2 상품평가정보 대비 각 키워드가 매칭되어 추출된 제2 상품평가정보의 각 건수에 기초하여 신뢰도를 산출할 수 있다.

이때, 서버는 기 설정된 주기에 따라 제2 상품평가정보를 수집하되, N개의 제2 상품평가정보가 수집될 때 신뢰도를 1차적으로 산출하고, N개의 제2 상품평가정보의 수집이 완료된 후, 주기에 따라 다음 N개의 제2 상품평가정보가 추가 누적 수집될 때 신뢰도를 2차 산출할 수 있다. 이에 따라, 서버는 2차 산출된 신뢰도를 새롭게 적용하여 재평가하거나 또는 1차 산출된 신뢰도에 2차 산출된 신뢰도를 추가 반영하여 신뢰도를 재평가할 수 있다.

이와 같이 신뢰도가 산출되고 나면, 서버는 복수의 구간으로 구분된 신뢰도 중 제1 구간 이하의 신뢰도를 갖는 제2 판매 사이트의 제2 상품평가정보의 수집 비중을 신뢰도에 대응되도록 감축시키고, 제1 구간보다 높은 제2 구간을 초과하는 신뢰도를 갖는 제2 판매 사이트의 제2 상품평가정보의 수집 비중을 가중치가 부여된 신뢰도에 대응되도록 증가시킬 수 있다.

일 예로, 최초 할당된 수집 비중에 따른 제2 상품평가정보의 건 수는 각 제2 판매 사이트마다 10건으로 설정되고, 제1 구간은 0~70%, 제2 구간은 70~100%로 설정된 경우, 신뢰도가 산출됨에 따라 40%의 신뢰도를 갖는 제1 타 판매자의 경우 10건에 40% 신뢰도를 적용하여 4건으로 감축시킬 수 있다. 반면, 90%의 신뢰도를 갖는 제2 타 판매자의 경우 10건에 '신뢰도 90%+가중치 50%'를 적용하여 총 14건으로 증가시킬 수 있다.

한편, 상술한 설명에서, 단계 S410 내지 S440은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1 내지 도 5의 내용은 도 6의 상품평가정보 통합 제공 서비스 방법의 내용에도 적용될 수 있다.

이상에서 전술한 본 발명의 일 실시예는, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

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

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 이커머스 상품 판매 스토어 관리 서버
110: 통신모듈
120: 메모리
130: 프로세서
200: 판매자 단말
300: 온라인 플랫폼 서버

Claims (8)

1. 이커머스 상품 판매 스토어 관리 서버에 의해 수행되는 판매자 상품페이지 자동 분석 방법에 있어서,
   소정의 온라인 상에 등록된 판매자의 상품페이지를 획득하는 단계;
   상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하는 단계;
   상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계; 및
   상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계를 포함하고,
   상기 인공지능 알고리즘은 소비자 구매심리 지수를 구성하는 복수의 항목별 세부 지수를 산출하기 위한 학습데이터에 기초하여 학습 및 갱신되고, 상기 학습데이터는 미리 준비된 상기 항목별로 구성되는 상품별 또는 상품 카테고리별 이미지, 영상 및 키워드를 포함하는 제1 학습데이터와, 상기 상품페이지에 대한 분석 결과 정보가 생성될 때마다 추가되는 제2 학습데이터를 포함하되,
   상기 추출된 상품페이지 정보는 판매 상품과 매칭되어 데이터베이스에 상품페이지 정보 풀로 구성되고, 상기 상품페이지 정보 풀은 상기 분석 결과 정보의 생성을 요청받은 판매자에 해당하는 상품페이지 정보 및 주기적으로 랜덤한 상품페이지 정보가 수집되어 구축되고,
   상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하는 단계는,
   상기 상품페이지를 사전 결정된 제1 분석 단위로 분할하는 단계; 및
   상기 제1 분석 단위에 상응하는 상품페이지 정보(이하 제1 분석 단위 상품페이지 정보)를 추출하는 단계를 포함하고,
   상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계는,
   상기 인공지능 알고리즘에 입력하여 제1 분석 단위 상품페이지 정보에 대한 제1 분석 결과 정보를 획득하고,
   상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계는,
   상기 제1 분석 결과 정보의 제1 정확도를 추정하는 단계; 및
   상기 제1 정확도의 추정 결과에 따라 상기 제1 분석 결과 정보를 관리하는 단계를 포함하는,
   상기 제1 분석 결과 정보의 제1 정확도를 추정하는 단계는,
   상기 제1 분석 단위 상품페이지 정보에 상응하는 제1 분석 결과 정보가 생성될 때마다, 상기 제1 분석 결과 정보 중 n건의 제1 분석 결과 정보를 샘플링하고, 샘플링한 제1 분석 결과 정보를 복수의 관리자에게 정확 여부 판정을 요청하여 정보를 입력받고, 상기 입력된 정확 여부 판정에 기초하여 n건의 제1 분석 결과 정보에 대한 정확도를 측정하고, 상기 측정된 제1 분석 결과 정보의 정확도에 기초하여 상기 제1 분석 결과 정보의 제1 정확도를 소정의 신뢰 수준으로 추정하고,
   상기 제1 정확도의 추정 결과에 따라 상기 제1 분석 결과 정보를 관리하는 단계는,
   상기 제1 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우 상기 제1 분석 단위 상품페이지 정보를 대상으로 복수의 분석 단위인 제2 분석 단위 상품페이지 정보로 분할하는 단계;
   상기 제2 분석 단위 상품페이지 정보마다 상기 인공지능 알고리즘에 입력하여 제2 분석 결과 정보를 획득하는 단계; 및
   상기 제2 분석 결과 정보의 제2 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우 관리자에게 상기 제1 분석 단위 상품페이지의 전체에 대한 수동 검수를 요청하는 단계를 포함하는,
   상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하는 단계는,
   상기 제1 정확도의 신뢰 구간의 하한값이 상기 기준 정확도보다 크고, 상기 제1 정확도의 신뢰 구간의 하한값과 상기 기준 정확도 간의 편차가 사전 결정된 값 이상이면, 상기 제1 분석 단위보다 큰 사전 결정된 제3 분석 단위로 다음 분석 구간을 갱신하여 설정하는 단계 및
   상기 제1 정확도의 신뢰 구간의 하한값이 상기 기준 정확도보다 작으면, 상기 제1 분석 단위보다 작은 사전 결정된 제4 분석 단위로 다음 분석 구간을 갱신하여 설정하는 단계를 더 포함하는,
   판매자 상품페이지 자동 분석 방법.
   
2. 제1항에 있어서,
   상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계는,
   상기 상품페이지 정보를 상기 인공지능 알고리즘에 입력하는 단계;
   상기 입력에 대응하여 인공지능 알고리즘을 통해 복수의 항목별 세부 지수를 획득하는 단계;
   상기 복수의 항목별 세부 지수에 대하여 각각 기 설정된 제1 임계값 미만의 항목별 세부 지수가 존재하는지 여부를 확인하는 단계; 및
   상기 확인 결과를 포함하는 복수의 항목별 세부 지수를 상기 분석 결과 정보로 획득하는 단계를 포함하는,
   판매자 상품페이지 자동 분석 방법.
   
3. 제1항에 있어서,
   상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득하는 단계는,
   상기 상품페이지 정보를 상기 인공지능 알고리즘에 입력하는 단계;
   상기 입력에 대응하여 인공지능 알고리즘을 통해 복수의 항목별 세부 지수를 획득하는 단계;
   상기 복수의 항목별 세부 지수에 대하여 각각 설정된 소정의 가중치 및 평균화를 통해 소비자 구매심리 지수를 산출하는 단계; 및
   상기 산출된 소비자 구매심리 지수 및 이의 기 설정된 제2 임계값 미만인지 여부에 대한 확인 결과를 상기 분석 결과 정보로 획득하는 단계를 포함하는,
   판매자 상품페이지 자동 분석 방법.
   
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 판매자 상품페이지 자동 분석이 가능한 이커머스 상품 판매 스토어 관리 서버에 있어서,
   소정의 온라인 상의 데이터를 획득하기 위한 통신을 수행하는 통신모듈,
   상기 데이터에 기초하여 판매자의 상품페이지를 분석하기 위한 프로그램이 저장된 메모리 및
   상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하고,
   상기 프로세서는 소정의 온라인 상에 등록된 판매자의 상품페이지를 획득하면, 상기 상품페이지로부터 이미지, 영상 및 키워드 중 적어도 하나를 포함하는 상품페이지 정보를 추출하고, 상기 추출된 상품페이지 정보를 미리 학습된 기계학습 기반 인공지능 알고리즘에 입력하여 분석 결과 정보를 획득한 후, 상기 분석 결과 정보에 대한 정확도에 기초하여 상기 상품페이지를 관리하되,
   상기 인공지능 알고리즘은 소비자 구매심리 지수를 구성하는 복수의 항목별 세부 지수를 산출하기 위한 학습데이터에 기초하여 학습 및 갱신되고, 상기 학습데이터는 미리 준비된 상기 항목별로 구성되는 상품별 또는 상품 카테고리별 이미지, 영상 및 키워드를 포함하는 제1 학습데이터와, 상기 상품페이지에 대한 분석 결과 정보가 생성될 때마다 추가되는 제2 학습데이터를 포함하고,
   상기 추출된 상품페이지 정보는 판매 상품과 매칭되어 데이터베이스에 상품페이지 정보 풀로 구성되고, 상기 상품페이지 정보 풀은 상기 분석 결과 정보의 생성을 요청받은 판매자에 해당하는 상품페이지 정보 및 주기적으로 랜덤한 상품페이지 정보가 수집되어 구축되고,
   상기 프로세서는 상기 상품페이지를 사전 결정된 제1 분석 단위로 분할하고, 상기 제1 분석 단위에 상응하는 상품페이지 정보(이하 제1 분석 단위 상품페이지 정보)를 추출하되,
   상기 프로세서는 상기 인공지능 알고리즘에 입력하여 제1 분석 단위 상품페이지 정보에 대한 제1 분석 결과 정보를 획득하고, 상기 제1 분석 결과 정보의 제1 정확도를 추정하고, 상기 제1 정확도의 추정 결과에 따라 상기 제1 분석 결과 정보를 관리하며,
   상기 프로세서는 상기 제1 분석 단위 상품페이지 정보에 상응하는 제1 분석 결과 정보가 생성될 때마다, 상기 제1 분석 결과 정보 중 n건의 제1 분석 결과 정보를 샘플링하고, 샘플링한 제1 분석 결과 정보를 복수의 관리자에게 정확 여부 판정을 요청하여 정보를 입력받고, 상기 입력된 정확 여부 판정에 기초하여 n건의 제1 분석 결과 정보에 대한 정확도를 측정하고, 상기 측정된 제1 분석 결과 정보의 정확도에 기초하여 상기 제1 분석 결과 정보의 제1 정확도를 소정의 신뢰 수준으로 추정하고,
   상기 프로세서는 상기 제1 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우 상기 제1 분석 단위 상품페이지 정보를 대상으로 복수의 분석 단위인 제2 분석 단위 상품페이지 정보로 분할하고, 상기 제2 분석 단위 상품페이지 정보마다 상기 인공지능 알고리즘에 입력하여 제2 분석 결과 정보를 획득하며, 상기 제2 분석 결과 정보의 제2 정확도의 신뢰 구간의 하한값이 기준 정확도 미만일 경우 관리자에게 상기 제1 분석 단위 상품페이지의 전체에 대한 수동 검수를 요청하며,
   상기 제1 정확도의 신뢰 구간의 하한값이 상기 기준 정확도보다 크고, 상기 제1 정확도의 신뢰 구간의 하한값과 상기 기준 정확도 간의 편차가 사전 결정된 값 이상이면, 상기 제1 분석 단위보다 큰 사전 결정된 제3 분석 단위로 다음 분석 구간을 갱신하여 설정하고,
   상기 제1 정확도의 신뢰 구간의 하한값이 상기 기준 정확도보다 작으면, 상기 제1 분석 단위보다 작은 사전 결정된 제4 분석 단위로 다음 분석 구간을 갱신하여 설정하는 것인,
   이커머스 상품 판매 스토어 관리 서버.

Images