KR102511634B1 - 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템 - Google Patents

리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템 Download PDF

Info

Publication number
KR102511634B1
KR102511634B1 KR1020220087796A KR20220087796A KR102511634B1 KR 102511634 B1 KR102511634 B1 KR 102511634B1 KR 1020220087796 A KR1020220087796 A KR 1020220087796A KR 20220087796 A KR20220087796 A KR 20220087796A KR 102511634 B1 KR102511634 B1 KR 102511634B1
Authority
KR
South Korea
Prior art keywords
information
domain
user
context
learning
Prior art date
Application number
KR1020220087796A
Other languages
English (en)
Inventor
권영만
정석
이오준
이주호
송지윤
Original Assignee
오더퀸 주식회사
가톨릭대학교 산학협력단
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 오더퀸 주식회사, 가톨릭대학교 산학협력단 filed Critical 오더퀸 주식회사
Priority to KR1020220087796A priority Critical patent/KR102511634B1/ko
Application granted granted Critical
Publication of KR102511634B1 publication Critical patent/KR102511634B1/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
    • G07F17/40—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for devices for accepting orders, advertisements, or the like

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템이 제공되며, 사용자 계정으로 사용자 식별이 가능한 경우 사용자 계정의 정보를 사용자 정보를 이용하고, 사용자 계정으로 사용자 식별이 불가한 경우 인구통계학적 정보를 사용자 정보로 이용하며, 사용자 정보, 도메인 정보 및 상황 정보로 크로스도메인 추천(Cross Domain Recommendation)을 수행하는 리테일 키오스크 및 리테일 키오스크로부터 사용자 정보를 입력받는 입력부, 기 구축된 크로스도메인 추천 알고리즘으로, 사용자 정보, 도메인 정보 및 상황 정보를 질의(Query)로 입력하는 질의부, 기 구축된 크로스도메인 추천 알고리즘으로부터 사용자 정보, 도메인 정보 및 상황 정보에 상관관계(Correlation)가 있는 적어도 하나의 아이템(Item)을 추출하는 추출부, 적어도 하나의 아이템을 리테일 키오스크로 제공하는 추천부를 포함하는 추천 서비스 제공 서버를 포함한다.

Description

리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템{SYSTEM FOR PROVIDING CONTEXT AWARENESS BASED CROSS-DOMAIN RECOMMENDATION SERVICE FOR RETAIL KIOSK}
본 발명은 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템에 관한 것으로, 사용자 정보, 상황 정보, 도메인 정보 및 아이템 간 상관관계를 파악하고, 크로스도메인을 이용하여 각 정보가 질의로 입력되었을 때 아이템을 출력하여 추천하도록 하는 시스템을 제공한다.
급속도로 발전하는 첨단기술과 함께 리텔일 환경에서 판매원과의 접촉없이 고객이 독립적으로 서비스를 이용할 수 있도록 하는 인터페이스 기술인 셀프서비스 테크놀러지의 도입은 서비스 개념의 새로운 패러다임을 가져왔다. 고객과 서비스 제공자 두 사람 사이의 상호작용으로 정의도는 전통적인 서비스 접점은 셀프서비스기술에 따라 대인간 상호작용에서 사람과 기술 간 상호작용을 포함하는 개념으로 확대되었으며, 인적서비스 대체의 비용절감 뿐만 아니라 효율성을 향상시킬 수 있는 잠재 가능성을 가지고 있다. 인적서비스가 중요한 산업에서까지 기술기반 서비스의 유용성이 입증되고 있으며, 실무적 관점에서 기술이 판매원을 대체하여 서비스 품질을 향상시킬 수 있을 뿐만 아니라, 인적자원과 기술이 통합된 서비스 마케팅의 효과를 가져올 수 있다.
이때, 오프라인 매장에 설치되는 키오스크를 이용하여 차량용품을 추천하거나 상황인지 기반으로 상품을 추천하는 시스템이 연구 및 개발되었는데, 이와 관련하여, 선행기술인 한국등록특허 제10-1659891호(2016년09월26일 공고) 및 한국등록특허 제10-2315062호(2021년10월20일 공고)에는, 오프라인 매장 내 키오스크를 통하여 사용자가 구매하고자 하는 차량용품의 종류를 차량번호에 기초하여 자동으로 추천해주고, 키오스크를 통하여 즉시결제할 수 있도록 함으로써 사용자가 지정한 장소에서 차량용품을 수령하거나 출장 서비스를 제공받아 차량용품 구매에 대한 편의성과 상품구매에 따른 만족도를 향상시킬 수 있는 구성과, 상황인지 기반으로 광고를 추천할 수 있도록 사례학습기반 추론에 따른 광고추천장치를 구비하고, 상황정보를 수집하고 분석한 후 유사도 측정 모듈에 의해 상황정보와 데이터베이스에 저장된 광고추천사례 간 유사도를 측정하고, 추천된 광고의 수정필요부분을 판별하고 광고 검색어를 생성한 후, 광고추천모듈에 의해 광고 검색어에 따라 상황에 적합한 광고를 추천하는 구성이 각각 개시되어 있다.
다만, 전자의 경우 차량종류에 따른 아이템 추천으로 싱글 도메인을 기준으로 추천을 하는 구성이고, 후자의 경우에도 상황인지를 수행한다고는 하지만 온라인 기반 상품추천방법이므로 오프라인 키오스크와 같이 수집가능한 정보가 제한적인 상황에서 사용되는 구성을 개시하는 것이 아니다. 추천 시스템은 추천을 위해 요구되는 데이터가 많은데 상술한 바와 같이 대부분 싱글 도메인에 대한 것이며, 소수의 여러 도메인을 위한 추천 시스템이 존재한다고 하더라도, 한 도메인에 대해 학습된 추천 시스템을, 새로운 도메인에 적응시키는 방식을 사용하므로 도메인의 수가 상대적으로 많고 개별 도메인의 사용자 및 아이템의 수가 상대적으로 적은 오프라인 리테일 환경에 적용하는데 어려움이 존재한다. 이에, 리테일 키오스크 환경에서 상황인지 기반으로 크로스도메인을 이용하여 추천을 수행할 수 있는 시스템의 연구 및 개발이 요구된다.
본 발명의 일 실시예는, 적어도 하나의 도메인마다 알맞은 추천 서비스를 제공할 수 있도록, 리테일 키오스크를 사용하는 사용자의 소비성향을 파악하여 사용자 정보를 추출하고, 도메인 정보 및 상황 정보를 함께 분석하도록 하며, 도메인의 수가 상대적으로 많은 경우 트랜스포머 모델을 기반으로 추천을 위한 자기지도학습 태스크를 이용하여 사용자 정보, 도메인 정보, 상황 정보 및 아이템 간 상관관계를 학습하는 방법을 통하여 해결하고, 각 도메인에서 사용자 거래내역의 히스토리를 총체적으로 학습시키는 방법을 이용함으로써 각 도메인마다 데이터가 불균등한 문제를 해결할 수 있는, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 사용자 계정으로 사용자 식별이 가능한 경우 사용자 계정의 정보를 사용자 정보를 이용하고, 사용자 계정으로 사용자 식별이 불가한 경우 인구통계학적 정보를 사용자 정보로 이용하며, 사용자 정보, 도메인 정보 및 상황 정보로 크로스도메인 추천(Cross Domain Recommendation)을 수행하는 리테일 키오스크 및 리테일 키오스크로부터 사용자 정보를 입력받는 입력부, 기 구축된 크로스도메인 추천 알고리즘으로, 사용자 정보, 도메인 정보 및 상황 정보를 질의(Query)로 입력하는 질의부, 기 구축된 크로스도메인 추천 알고리즘으로부터 사용자 정보, 도메인 정보 및 상황 정보에 상관관계(Correlation)가 있는 적어도 하나의 아이템(Item)을 추출하는 추출부, 적어도 하나의 아이템을 리테일 키오스크로 제공하는 추천부를 포함하는 추천 서비스 제공 서버를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 적어도 하나의 도메인마다 알맞은 추천 서비스를 제공할 수 있도록, 리테일 키오스크를 사용하는 사용자의 소비성향을 파악하여 사용자 정보를 추출하고, 도메인 정보 및 상황 정보를 함께 분석하도록 하며, 도메인의 수가 상대적으로 많은 경우 트랜스포머 모델을 기반으로 추천을 위한 자기지도학습 태스크를 이용하여 사용자 정보, 도메인 정보, 상황 정보 및 아이템 간 상관관계를 학습하는 방법을 통하여 해결하고, 각 도메인에서 사용자 거래내역의 히스토리를 총체적으로 학습시키는 방법을 이용함으로써 각 도메인마다 데이터가 불균등한 문제를 해결할 수 있다.
도 1은 본 발명의 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 추천 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 추천 서비스 제공 서버(300), 적어도 하나의 리테일 키오스크(400), 적어도 하나의 매장 단말(500)을 포함할 수 있다. 다만, 이러한 도 1의 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 추천 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 추천 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 리테일 키오스크(400), 적어도 하나의 매장 단말(500)과 연결될 수 있다. 또한, 적어도 하나의 리테일 키오스크(400)는, 네트워크(200)를 통하여 추천 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 적어도 하나의 매장 단말(500)은, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 추천 서비스 제공 서버(300) 및 적어도 하나의 리테일 키오스크(400)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 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. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 사용자 단말(100)은, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 사용자 계정을 생성하고, 리테일 키오스크(400)와 D2D(Device-to-Device) 또는 M2M(Machine-to-Machine)으로 통신하는 사용자의 단말일 수 있다. 물론 본 발명의 일 실시예에서는, 오프라인 매장에 설치된 리테일 키오스크(400)에서 아이템을 추천하는 구성이므로, 사용자 단말(100)은 구비되지 않아도 가능하다.
여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
추천 서비스 제공 서버(300)는, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 추천 서비스 제공 서버(300)는, 사용자 정보, 상황 정보, 도메인 정보 및 아이템 간 상관관계를 파악하는 사전학습과정을 거쳐, 복수의 거래내역을 기반으로 사용자 정보를 예측하거나, 상황 정보를 예측하거나, 도메인 정보를 예측하거나, 아이템을 예측하는 등 각 도메인, 즉 사용자 정보, 상황 정보, 도메인 정보 및 아이템의 각각의 도메인의 특성을 학습하고 검증한 후, 크로스도메인 기반으로 리테일 키오스크(400)에서 사용자 정보, 상황 정보 및 도메인 정보가 입력된 경우 아이템을 추출하여 리테일 키오스크(400)에 출력해줌으로써 사용자가 원할 것 같은 메뉴나 상품이 먼저 출력되도록 하거나 추천해주는 등 사용자의 편의성을 높일 수 있도록 하는 서버일 수 있다.
여기서, 추천 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 리테일 키오스크(400)는, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 사용자를 촬영하거나 사용자 계정을 입력받아 추천 서비스 제공 서버(300)로 전송하고, 추천 서비스 제공 서버(300)에서 추천된 적어도 하나의 아이템을 출력하는 디스플레이 장치일 수 있다.
여기서, 적어도 하나의 리테일 키오스크(400)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 리테일 키오스크(400)는, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 리테일 키오스크(400)는, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
적어도 하나의 매장 단말(500)은, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 결제내역과 매출 및 지출 등을 확인하는 POS(Point of Sale)일 수 있다.
여기서, 적어도 하나의 매장 단말(500)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 매장 단말(500)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 매장 단말(500)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 추천 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 2를 참조하면, 추천 서비스 제공 서버(300)는, 수신부(310), 분류부(320), 추출부(330), 생성부(340), 전송부(350), 빅데이터화부(360), 오류 검증부(370), 개인정보 보호부(380)를 포함할 수 있다.
본 발명의 일 실시예에 따른 추천 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100), 적어도 하나의 리테일 키오스크(400) 및 적어도 하나의 매장 단말(500)로 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100), 적어도 하나의 리테일 키오스크(400) 및 적어도 하나의 매장 단말(500)은, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100), 적어도 하나의 리테일 키오스크(400) 및 적어도 하나의 매장 단말(500)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.
도 2를 참조하면, 입력부(310)는, 리테일 키오스크(400)로부터 사용자 정보를 입력받을 수 있다. 리테일 키오스크(400)는, 사용자 계정으로 사용자 식별이 가능한 경우 사용자 계정의 정보를 사용자 정보를 이용하고, 사용자 계정으로 사용자 식별이 불가한 경우 인구통계학적 정보를 사용자 정보로 이용할 수 있다. 사용자 계정은 예를 들어 ID/PW 등일 수 있고, 인구통계학적 정보는 영상으로 식별되는 실시간 이미지 내 피사체인 사용자의 얼굴 및 신체 등으로 파악되는 예를 들어, 나이, 직업, 성별, 사회적 계층, 소득 등을 의미할 수 있다.
질의부(320)는, 기 구축된 크로스도메인 추천 알고리즘으로, 사용자 정보, 도메인 정보 및 상황 정보를 질의(Query)로 입력할 수 있다. 추천 시스템에 대한 여러 이슈 중에서 초기 사용자나 초기 항목 문제(Cold-Start)는 가장 연구가 이루어지고 있는 분야 중 하나이다. 평가 이력이 없는 새로운 사용자이거나 새로운 항목은 정확도 높은 추천이 어려운데, 이를 해결하기 위한 방법 중 하나가 크로스도메인 추천이다. 크로스도메인 추천은 추천하려는 항목의 도메인이 아니라 다른 도메인의 정보를 사용하여 추천을 하는 것이다. 중복 시나리오에 의하면 도메인들 간 사용자가 겹치는 경우, 아이템이 겹치는 경우, 둘 다 겹치는 경우, 둘 다 겹치지 않는 경우 등으로 구분할 수 있다. 즉, 크로스도메인 추천은, 각 도메인을 독립적으로 처리하는 대신에 원본 도메인(Source Domain)에서 습득한 지식을 다른 대상 도메인(Target Domain)을 위해 사용하는 추천을 크로스도메인 추천이라고 하고, 이를 통해 초기 사용자 문제와 희박성 문제를 개선할 수 있으며, 정확도(Accuracy), 참신성(Serendipity) 및 다양성(Diversity) 등도 향상시킬 수 있다.
추가적으로, 본 발명의 일 실시예에서는 사용자 중복이 있는 경우 연관도가 높은 도메인을 능동적으로 선택하여 추천에 사용함으로써 초기 사용자 문제를 해결할 수도 있다. 우선 도메인 간 연관도를 판정한 후, 대상 도메인과 연관도가 높은 도메인을 원본 도메인에 선택하고, 추천에 사용할 수 있다. 예를 들어, 커피숍, 화장품매장, 음식점, 아이스크림매장, 베이커리매장 간 연관도가 각각 계산된 경우, 커피숍에 대한 평가이력정보가 없는 사용자에게 커피숍을 추천하려고 한다고 가정하자. 이때, [커피숍-화장품매장], [커피숍-음식점], [커피숍-아이스크림매장], [커피숍-베이커리매장]의 순으로 연관도가 높다면, 베이커리매장에 대한 사용자 평가 데이터를 이용하는 것이 음식점이나 화장품매장에 대한 사용자 평가 데이터를 사용하는 것보다 추천의 정확도면에서 유용할 수 있다.
<연관규칙 마이닝>
연관규칙(Association Rules) 마이닝은 데이터 간 연관법칙을 찾는 방법으로 사용자가 아이템을 구매하는 이력을 이용하여 아이템 간 연관관계를 만들고, 연관이 있는 아이템 찾기를 목표로 한다. 예를 들어, Apriori 알고리즘, FP(Frequent Pattern)-Growth 알고리즘, DHP(Direct Hashing and Pruning) 알고리즘, DIC(Dynamic Itemset Count) 알고리즘 등을 이용할 수 있다. Apriori 알고리즘은 데이터에 대한 발생빈도를 기반으로 각 데이터 간 연관관계를 밝히기 위한 방법으로 K 번째 항목집합이, K+1 번째 항목집합을 발견하기 위해 사용되는 레벨 단위로 진행되는 반복 접근법을 이용한다.
<능동 도메인 선택>
추천에 사용되는 원본 도메인은 대상 도메인과 연관도가 높은 도메인을 능동적으로 선정할 수 있다. 우선, 도메인 간 연관도 판정을 위한 후보 지표를 찾기 위해서는 수학식 1 내지 수학식 4를 통하여 연관도를 계산할 수 있다. 계산값을 근거로 연관도가 높은 도메인을 원본 도메인으로 선정하여 각각 추천을 실행한 후, 추천의 정확도를 비교하고 추천의 정확도가 가장 높은 후보 지표를 연관도 판정을 위한 지표로 선정할 수 있다.
Figure 112022074241309-pat00001
Figure 112022074241309-pat00002
Figure 112022074241309-pat00003
Figure 112022074241309-pat00004
크로스구매자율(CPUR)과 크로스구매율(CPR)은 사용자에 기반한 지표이다. 수학식 1에서 pudA와 pudB는 도메인 A 및 도메인 B 각각에 구매이력이 있는 사용자를 의미하며, pudA,dB는 크로스구매이력이 있는 사용자를 말한다. 수학식 2에서 rdA, rdB는 도메인 A, 도메인 B 항목에 대한 사용자의 평가내역을, rdA,dB는 크로스구매이력이 있는 사용자의 평가내역을 의미할 수 있다. 연관규칙률(ICARR)과 카테고리 간 연관규칙률(CCARR)은 아이템에 기반한 지표이다. 수학식 3 및 수학식 4에서 IAR은 두 도메인에서 아이템 간 연관규칙을, CAR은 두 도메인에서 카테고리 간 연관규칙을, ICAR은 두 도메인의 아이템 간 크로스 연관규칙을, CCAR은 두 도메인 간 카테고리 간 크로스 연관규칙을 의미한다. 이때, 연관규칙률을 계산하기 위해서는 먼저 도메인 항목 간, 그리고 카테고리 간 연관규칙을 생성해야 하는데, 예를 들어, Apriori 알고리즘을 이용하여 연관규칙을 생성한 후, 도메인 간 크로스되어 생성된 규칙을 추출한다. 그리고, 능동적 원본 도메인 선택을 통한 크로스도메인을 추천할 수 있다. 물론, 상술한 방법을 이용하지 않아도 되고 상술한 방법 이외에도 다양한 방법을 이용하여 크로스도메인 추천을 할 수도 있다.
추출부(330)는, 기 구축된 크로스도메인 추천 알고리즘으로부터 사용자 정보, 도메인 정보 및 상황 정보에 상관관계(Correlation)가 있는 적어도 하나의 아이템(Item)을 추출할 수 있다. 예를 들어, 20 대 여성(사용자 정보)인 사용자는 6 월 장마 시기 오후 2 시(상황 정보)에 편의점(도메인)에서 커피우유(아이템)를 사먹는다는 상관관계가 도출되었고, 20 대 여성이 6 월 장마 시기 오후 2시에 편의점에 왔다면, 커피우유를 추출하여 추천해줄 수 있다. 추천부(340)는, 적어도 하나의 아이템을 리테일 키오스크(400)로 제공할 수 있다. 리테일 키오스크(400)는, 사용자 정보, 도메인 정보 및 상황 정보로 크로스도메인 추천(Cross Domain Recommendation)을 수행할 수 있다.
사전학습(Pre-Training)부(350)는, 크로스도메인 추천 알고리즘을 구축하기 위하여, 사용자 정보, 도메인 정보, 상황 정보 및 아이템 간 상관관계를 학습한 후, 사용자 정보, 도메인 정보, 상황 정보 및 아이템에 대한 관계성에 기반하여 임베딩(Embedding) 요소를 추출할 수 있다. 사전학습부(350)는, 복수의 거래내역을 입력한 후, 복수의 거래내역의 사용자를 마스킹(Masking)하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 복수의 거래내역에서의 사용자의 동일 여부를 예측하고, 사용자의 소비성향을 학습할 수 있다. 사전학습부(350)는, 복수의 거래내역을 입력한 후, 복수의 거래내역의 아이템을 마스킹하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 복수의 거래내역에서의 아이템 간 조합과 아이템의 구매확률을 학습할 수 있다. 사전학습부(350)는, 복수의 거래내역을 입력한 후, 복수의 거래내역의 상황 정보를 마스킹하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 복수의 거래내역에서의 상황 정보의 구성을 예측하며, 복수의 거래내역에서의 상황 정보를 학습할 수 있다. 사전학습부(350)는, 복수의 거래내역을 입력한 후, 복수의 거래내역의 도메인 정보를 마스킹하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 복수의 거래내역에서 도메인 정보가 동일한 것인지를 예측함으로써 도메인 정보의 특징을 학습할 수 있다.
<자기지도학습>
레이블이 없는 데이터를 사용해 학습하는 비지도학습 방법론 중 하나인 자기지도학습(Self-Supervised Learning)은, 간단한 문제(Pretext Task)와 그 문제에 맞는 정답(Supervision)을 새롭게 정의해 레이블이 없는 데이터의 표현을 학습함으로써, 인공지능을 이용해 실제로 풀고 싶은 문제(Downstream Task)의 성능을 높이는 방법이다. 이때, Pretext Task는 연구자가 직접 만든 태스크로, 라벨(Label)이 없는 데이터셋을 이용하여 Pretext Task를 목표로 모델을 학습시킨다. 이때, 데이터 자체의 정보를 라벨은 아니지만 변형 또는 사용하여, 이를 정답(Supervision), 즉 지도로 삼는다.
자기지도학습의 성능은 Pretext Task를 통해 학습한 데이터의 표현에 의존적이므로, 데이터의 특징에 맞는 Pretext Task를 정의할 필요가 있다. 이에 본 발명의 목적, 즉 사용자의 특징을 파악하여 새로운 질의로 사용자 이미지가 입력되면 사용자의 특징정보를 예측하고, 거래내역 내 아이템 간 조합과 아이템의 구매확률을 높이도록 아이템을 예측하며, 거래내역 내 상황 정보를 예측하고, 거래내역 내 도메인 정보의 동일 여부를 예측할 수 있다. 자기지도학습은 레이블이 없는 데이터로부터 유용한 표현을 학습하는 데 목적이 있고, 학습한 데이터의 표현은 다른 태스크에 손쉽게 적용이 가능, 즉, 자기지도학습은 직접 문제를 풀기보다 데이터의 표현을 학습하고, 학습한 표현을 다른 태스크에 전이시켜 성능을 높이는 방법이다.
미세조정(Fine-Tuning)부(360)는, 사전학습부(350)에서 사전학습을 실시한 후, 하나의 거래내역에 대하여 아이템이 마스킹된 상태에서, 사용자 정보, 상황 정보 및 도메인 정보가 질의로 주어졌을 때, 사용자 정보, 상황 정보 및 도메인 정보에 대응하는 아이템을 추천하도록 스코어를 부여할 수 있다.
토큰임베딩부(370)는, 적어도 하나의 도메인 데이터가 불균등한 경우, 토큰 임베딩(Token Embedding)을 통하여 이니셜 벡터를 생성하고, 복수의 거래내역을 기반으로 이종 네트워크를 구축하며, 이종 네트워크를 이루는 적어도 하나의 노드를 사용자 정보, 상황 정보, 도메인 정보 및 아이템으로 설정할 수 있다. 구분부(380)는, 거래내역에서 사용자 정보, 상황 정보, 도메인 정보 및 아이템에 대응하는 이니셜 벡터를 구분하기 위하여 타입(Type)을 부여하는 타입 임베딩을 실시하고, 거래내역을 구분하기 위하여 거래내역 간 세그먼트(Segment) 임베딩을 실시할 수 있다.
메타경로부(390)는, 이종 네트워크 내에서 적어도 하나의 노드 간 연결을 Metapath2Vec로 추출한 후, Metapath2Vec를 통하여 이니셜 벡터를 제공할 수 있다. 이때, 적어도 하나의 노드는, 사용자 정보는 U, 도메인 정보는 D, 상황 정보는 C, 아이템은 I로 표시될 수 있다. 즉, 사용자는 User의 U, 도메인은 Domain의 D, 상황은 Context의 C, 아이템은 Item의 I일 수 있다. 이때, 메타경로부(390)는, 사용자 정보를 통한 사용자 특징 학습을 위하여 U-I-C-D-C-I-U, 도메인 정보를 통한 도메인 특징 학습을 위하여 D-C-I-U-I-C-D, 상황 정보를 통한 상황 정보 특징 학습을 위하여 C-I-U-I-C 및 아이템을 통한 아이템 특징 학습을 위하여 I-C-D-C-I의 메타경로를 제공할 수 있다. 이때, Metapath2Vec는 Heterogenous Graph에서 구조적인 Node Representation Learning을 가능하게 하는 방법이다.
성별연령파악부(391)는, 리테일 키오스크(400)에서 사용자 계정이 입력되지 않은 경우, 객체 검출 알고리즘 중 Haar Cascade 알고리즘을 이용하여 객체를 검출한 후, 사용자의 얼굴을 트래킹(Tracking)하여 리테일 키오스크(400)로부터 입력되는 영상 내 사용자의 성별 및 연령을 파악할 수 있다. 인구통계파악부(393)는, 사용자의 인구통계학적 정보를 파악하기 위하여 전이학습(Transfer Learning)으로 학습시킨 VGG(Visual Geometry Group) Face 기반의 얼굴인식기를 이용할 수 있다. 물론, 상술한 알고리즘이나 데이터셋을 이용하지 않아도 가능함은 자명하다 할 것이고 다양한 알고리즘이나 데이터셋을 이용할 수 있음은 물론이라 할 것이다.
이하, 상술한 도 2의 추천 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.
도 3a 내지 도 3c와 같은 문제점을 해결하기 위하여 본 발명의 일 실시예에 따른 플랫폼(오더퀸)은, 크로스도메인 트랜스포머 모델을 이용하여 사용자의 구매 히스토리, 상황 정보를 이용하여 정확도 높은 추천을 제공할 수 있다. 도 3d와 같은 플로우로 진행될 수 있으며, 거래내역이 입력으로 들어갈 때 도 3e와 같이 토큰, 타입 및 세그먼트 임베딩을 부여하고, 자기지도학습 태스크를 이용하여 상관관계를 학습하기 위한 선행학습을 시키고, 미세조정으로 실제 추천 아이템을 예측해줄 수 있다. 또 도 3f와 같이 이종 네트워크를 거래내역의 특정 의미를 가지는 메타경로를 추출하여 구축하고, 도 3g와 같이 메타경로를 생성할 수 있으며, 자기지도학습은 도 4a 내지 도 4e와 같을 수 있고, 도 4f와 같이 미세 조정을 수행한 후 적합한 아이템을 추천해줄 수 있도록 한다. 본 발명의 일 실시예에 따른 플랫폼의 모델 학습 결과는 도 4g와 같다. 도 4h와 같이 얼굴인식기를 학습 및 검증할 수 있고, 도 4i를 이용하여 안면추적 및 객체를 추적할 수 있고, 데이터셋은 도 4j와 같을 수 있다.
이와 같은 도 2 내지 도 4의 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 도 1의 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.
도 5를 참조하면, 추천 서비스 제공 서버는, 리테일 키오스크로부터 사용자 정보를 입력받고(S5100), 기 구축된 크로스도메인 추천 알고리즘으로, 사용자 정보, 도메인 정보 및 상황 정보를 질의(Query)로 입력하고(S5200), 기 구축된 크로스도메인 추천 알고리즘으로부터 사용자 정보, 도메인 정보 및 상황 정보에 상관관계(Correlation)가 있는 적어도 하나의 아이템(Item)을 추출하며(S5300), 적어도 하나의 아이템을 리테일 키오스크로 제공한다(S5400).
상술한 단계들(S5100~S5400)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5400)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.
이와 같은 도 5의 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5를 통해 설명된 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 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.

Claims (13)

  1. 입력받은 사용자 계정으로 사용자 식별이 가능한 경우 아이디(ID)와 패스워드(PW)를 포함한 상기 사용자 계정의 정보를 사용자 정보로 이용하고, 사용자 계정이 입력되지 않아 상기 사용자 계정으로 사용자 식별이 불가한 경우 사용자를 촬영한 영상으로 식별되는 사용자의 나이, 직업, 성별, 사회적 계층 및 소득을 포함한 인구통계학적 정보를 사용자 정보로 이용하며, 상기 사용자 정보, 도메인 정보 및 상황 정보로 크로스도메인 추천(Cross Domain Recommendation)을 수행하는 오프라인 매장에 설치된 리테일 키오스크; 및 추천 서비스 제공 서버를 포함하되,
    상기 추천 서비스 제공 서버는,
    상기 리테일 키오스크로부터 사용자 정보를 입력받는 입력부;
    기 구축된 크로스도메인 추천 알고리즘으로, 상기 사용자 정보, 도메인 정보 및 상황 정보를 질의(Query)로 입력하는 질의부;
    상기 기 구축된 크로스도메인 추천 알고리즘으로부터 상기 사용자 정보, 도메인 정보 및 상황 정보에 상관관계(Correlation)가 있는 적어도 하나의 아이템(Item)을 추출하는 추출부;
    상기 적어도 하나의 아이템을 상기 리테일 키오스크로 제공하는 추천부;
    상기 크로스도메인 추천 알고리즘을 구축하기 위하여, 사용자 정보, 도메인 정보, 상황 정보 및 아이템 간 상관관계를 학습한 후, 사용자 정보, 도메인 정보, 상황 정보 및 아이템에 대한 관계성에 기반하여 임베딩(Embedding) 요소를 추출하는 사전학습(Pre-Training)부;
    상기 사전학습부에서 사전학습을 실시한 후, 하나의 거래내역에 대하여 아이템이 마스킹된 상태에서, 사용자 정보, 상황 정보 및 도메인 정보가 질의로 주어졌을 때, 상기 사용자 정보, 상황 정보 및 도메인 정보에 대응하는 아이템을 추천하도록 스코어를 부여하는 미세조정(Fine-Tuning)부;
    적어도 하나의 도메인 데이터가 불균등한 경우, 토큰 임베딩(Token Embedding)을 통하여 이니셜 벡터를 생성하고, 복수의 거래내역을 기반으로 이종 네트워크를 구축하며, 상기 이종 네트워크를 이루는 적어도 하나의 노드를 상기 사용자 정보, 상황 정보, 도메인 정보 및 아이템으로 설정하는 토큰임베딩부;
    상기 이종 네트워크 내에서 상기 적어도 하나의 노드 간 연결을 Metapath2Vec로 추출한 후, 상기 Metapath2Vec를 통하여 이니셜 벡터를 제공하는 메타경로부;
    상기 리테일 키오스크에서 상기 사용자 계정이 입력되지 않은 경우, 객체 검출 알고리즘 중 Haar Cascade 알고리즘을 이용하여 객체를 검출한 후, 상기 사용자의 얼굴을 트래킹(Tracking)하여 상기 리테일 키오스크로부터 입력되는 영상 내 사용자의 성별 및 연령을 파악하는 성별연령파악부;
    상기 사용자의 인구통계학적 정보를 파악하기 위하여 전이학습(Transfer Learning)으로 학습시킨 VGG(Visual Geometry Group) Face 기반의 얼굴인식기를 이용하는 인구통계파악부를 포함하되,
    상기 토큰임베딩부에서 구축된 상기 이종 네트워크는, 각 도메인에서의 사용자 거래내역의 히스토리에 해당하는 복수의 거래내역을 기반으로 하여, 거래 하나에 대해 사용자 정보, 도메인 정보, 상황 정보 및 아이템을 포함한 4가지 타입의 노드가 하나로 연결되도록 구성되는 네트워크이고,
    상기 사전학습부에서 학습된 상기 상관관계는, 사용자 정보, 도메인 정보, 상황 정보 및 아이템을 포함한 상기 4가지 타입의 정보 간의 상관관계이고,
    상기 추출부는, 20대 여성인 사용자 정보를 갖는 사용자가 6월 장마 시기 중 오후 2시라는 상황 정보에 편의점에 해당하는 도메인에서 커피우유라는 아이템을 사먹었다는 상관관계가 상기 학습에 의해 도출되었을 때, 상기 학습된 상관관계를 기반으로 20대 여성이 6월 장마 시기 중 오후 2시에 편의점에 방문한 경우, 커피우유라는 아이템을 상기 리테일 키오스크로 제공하는 것인, 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 사전학습부는,
    복수의 거래내역을 입력한 후, 상기 복수의 거래내역의 사용자를 마스킹(Masking)하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 상기 복수의 거래내역에서의 사용자의 동일 여부를 예측하고, 사용자의 소비성향을 학습하는 것을 특징으로 하는 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템.
  4. 제 1 항에 있어서,
    상기 사전학습부는,
    복수의 거래내역을 입력한 후, 상기 복수의 거래내역의 아이템을 마스킹하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 상기 복수의 거래내역에서의 아이템 간 조합과 아이템의 구매확률을 학습하는 것을 특징으로 하는 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템.
  5. 제 1 항에 있어서,
    상기 사전학습부는,
    복수의 거래내역을 입력한 후, 상기 복수의 거래내역의 상황 정보를 마스킹하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 상기 복수의 거래내역에서의 상황 정보의 구성을 예측하며, 상기 복수의 거래내역에서의 상황 정보를 학습하는 것을 특징으로 하는 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템.
  6. 제 1 항에 있어서,
    상기 사전학습부는,
    복수의 거래내역을 입력한 후, 상기 복수의 거래내역의 도메인 정보를 마스킹하고, 자기지도학습(Self-Supervised Learning) 태스크(Task)로 상기 복수의 거래내역에서 상기 도메인 정보가 동일한 것인지를 예측함으로써 상기 도메인 정보의 특징을 학습하는 것을 특징으로 하는 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템.
  7. 삭제
  8. 삭제
  9. 제 1 항에 있어서,
    상기 추천 서비스 제공 서버는,
    상기 거래내역에서 사용자 정보, 상황 정보, 도메인 정보 및 아이템에 대응하는 이니셜 벡터를 구분하기 위하여 타입(Type)을 부여하는 타입 임베딩을 실시하고, 상기 거래내역을 구분하기 위하여 거래내역 간 세그먼트(Segment) 임베딩을 실시하는 구분부;
    를 더 포함하는 것을 특징으로 하는 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템.
  10. 삭제
  11. 제 1 항에 있어서,
    상기 적어도 하나의 노드는, 사용자 정보는 U, 도메인 정보는 D, 상황 정보는 C, 아이템은 I로 표시되고,
    상기 메타경로부는,
    상기 사용자 정보를 통한 사용자 특징 학습을 위하여 U-I-C-D-C-I-U;
    상기 도메인 정보를 통한 도메인 특징 학습을 위하여 D-C-I-U-I-C-D;
    상기 상황 정보를 통한 상황 정보 특징 학습을 위하여 C-I-U-I-C; 및
    상기 아이템을 통한 아이템 특징 학습을 위하여 I-C-D-C-I;
    의 메타경로를 제공하는 것을 특징으로 하는 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템.
  12. 삭제
  13. 삭제
KR1020220087796A 2022-07-15 2022-07-15 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템 KR102511634B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220087796A KR102511634B1 (ko) 2022-07-15 2022-07-15 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220087796A KR102511634B1 (ko) 2022-07-15 2022-07-15 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템

Publications (1)

Publication Number Publication Date
KR102511634B1 true KR102511634B1 (ko) 2023-03-20

Family

ID=85796532

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220087796A KR102511634B1 (ko) 2022-07-15 2022-07-15 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템

Country Status (1)

Country Link
KR (1) KR102511634B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102604403B1 (ko) * 2023-03-30 2023-11-22 주식회사 어시스트핏 피트니스 센터 광고 전략 제공 서버 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180042934A (ko) * 2016-10-19 2018-04-27 삼성에스디에스 주식회사 콘텐츠 추천 방법, 장치 및 시스템
KR20210035786A (ko) * 2020-06-19 2021-04-01 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램
KR20220074695A (ko) * 2020-11-27 2022-06-03 부산대학교 산학협력단 정형 및 비정형 및 반정형 정보를 사용한 표에 특화된 기계독해 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180042934A (ko) * 2016-10-19 2018-04-27 삼성에스디에스 주식회사 콘텐츠 추천 방법, 장치 및 시스템
KR20210035786A (ko) * 2020-06-19 2021-04-01 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램
KR20220074695A (ko) * 2020-11-27 2022-06-03 부산대학교 산학협력단 정형 및 비정형 및 반정형 정보를 사용한 표에 특화된 기계독해 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102604403B1 (ko) * 2023-03-30 2023-11-22 주식회사 어시스트핏 피트니스 센터 광고 전략 제공 서버 및 방법

Similar Documents

Publication Publication Date Title
Mao et al. Multiobjective e-commerce recommendations based on hypergraph ranking
Saura Using data sciences in digital marketing: Framework, methods, and performance metrics
US11301761B2 (en) Behavioral prediction for targeted end users
Meire et al. The added value of social media data in B2B customer acquisition systems: A real-life experiment
Bleier et al. Personalized online advertising effectiveness: The interplay of what, when, and where
Policarpo et al. Machine learning through the lens of e-commerce initiatives: An up-to-date systematic literature review
Häubl et al. Consumer decision making in online shopping environments: The effects of interactive decision aids
US10373177B2 (en) Dynamic prediction of online shopper&#39;s intent using a combination of prediction models
Bounsaythip et al. Overview of data mining for customer behavior modeling
US10204359B1 (en) System and method for determining purchase records of mobile devices to provide effective mobile advertising
CN111784455A (zh) 一种物品推荐方法及推荐设备
Semeradova et al. Computer estimation of customer similarity with Facebook lookalikes: Advantages and disadvantages of hyper-targeting
KR20150138310A (ko) 디지털 영수증 경제
US20170316450A1 (en) Iteratively improving an advertisement response model
KR20160090509A (ko) 감성기반 사용자특성 분석을 이용한 개인화된 광고 제공 서비스 방법
Liu et al. Inferring gender and age of customers in shopping malls via indoor positioning data
Chen et al. Learning user preference from heterogeneous information for store-type recommendation
TWM624658U (zh) 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置
Wang et al. Forecasting venue popularity on location‐based services using interpretable machine learning
KR102511634B1 (ko) 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템
Mao et al. Utilizing multi-source data in popularity prediction for shop-type recommendation
KR101312575B1 (ko) 기업과 소비자간의 정보 제공 시스템 및 정보 제공 방법
Soni et al. Big data analytics for market prediction via consumer insight
Azcoitia et al. Understanding the Price of Data in Commercial Data Marketplaces
JP7212103B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム

Legal Events

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