KR102536674B1 - 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치 - Google Patents

Abstract

실시예들은 뉴럴 네트워크(neural network)를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 셀러 단말로부터 연결 요청 메시지를 수신하고, 상기 연결 요청 메시지는 사업자 등록 번호 및 상기 셀러 단말과 관련된 식별 정보를 포함하고, 상기 사업자 등록 번호에 기반하여 외부 서버로부터 상기 셀러 단말과 관련된 셀러의 신용 정보를 수신하고, 상기 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제1 정보를 획득하고, 상기 셀러 단말에 대한 제1 정보는 상기 셀러 단말의 활동 정보, 상기 셀러 단말의 구매 물품에 대한 정보, 상기 셀러 단말과 관련된 웹 페이지 주소에 대한 정보 및 상기 셀러 단말의 문의 내역에 대한 정보를 포함하고, 상기 셀러 단말과 관련된 웹 페이지 주소에 대한 정보에 기반하여 웹 크롤링을 통해 상기 셀러 단말과 관련된 스토어에 대한 정보를 획득하고, 상기 셀러 단말과 관련된 셀러의 신용 정보, 상기 셀러 단말에 대한 제1 정보 및 상기 셀러 단말과 관련된 스토어에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 신뢰도 평가 모델을 통해 상기 셀러 단말에 대한 신뢰도를 결정하고, 상기 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값보다 큰 것에 기반하여, 상기 셀러 단말과 연결을 확립하고, 상기 셀러 단말과 연결이 확립된 후, 상기 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제2 정보를 획득하고, 상기 셀러 단말에 대한 제2 정보는 상기 셀러 단말과 관련된 스토어의 매출 정보, 지식 재산 보유 현황에 대한 정보, 사업 기간에 대한 정보 및 고용 인원에 대한 정보를 포함하고, 상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 제2 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 셀러 평가 모델을 통해 상기 셀러 단말에 대한 평가 점수를 결정하고, 상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 평가 점수에 기반하여 복수의 온라인 마켓들 중에서 상기 셀러 단말에 대해 접근이 허용되는 적어도 하나의 온라인 마켓을 설정하고, 도매 상품에 대한 추천 리스트를 상기 셀러 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 도매 상품에 대한 추천 리스트는 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품으로 구성될 수 있다.

Description

뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING A RECOMMENDATION LIST FOR WHOLESALE PRODUCTS TO A SELLER TERMINAL USING A NEURAL NETWORK}

본 개시의 실시예들은 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 기술에 대한 것이다.

한편, 인터넷의 발달로 인해, 온라인 판매자가 직접 서버를 구축할 필요 없이 온라인 쇼핑몰을 개설하고 관리할 수 서비스가 등장하고, 일반인의 온라인 판매에 대한 접근성이 개선되면서, 온라인 상에서 상품을 판매하는 판매자들이 급증하고 있다. 이에 따라, 도매 사이트에서 물품을 직접 소싱하여 판매하는 온라인 판매자들 또한 증가하고 있으나, 온라인 판매자들에 대한 관리가 제대로 이루어지지 않고 있다.

도매 사이트의 경우, 상품의 판매가를 일반 대중들에게 공개하는 것이 부담스럽기 때문에 대부분 회원제로 운영되고 있으며, 회원으로 가입하는 판매자의 신뢰도를 판단하기 어려워 사전에 판매자의 신뢰도를 정확하게 판단할 수 있는 방법이 필요하다.

또한, 도매 사이트에 가입한 온라인 판매자에게 온라인 판매자가 관심있는 영역에 대한 사회적 이슈나 날씨로 인해 달라지는 트렌드를 반영하여 온라인 판매자에게 적합한 상품을 추천해줄 필요가 있으며, 해당 상품에 대한 샘플을 제공함으로써 온라인 판매자가 소싱할 상품을 신중하게 선택할 수 있게 도와줄 필요가 있다.

그리고, 특정 상품에 대한 온라인 판매자들의 가격 경쟁이 심해지는 경우, 물품에 대한 적정 가격을 지키지 않고 판매하는 판매자들 때문에, 해당 물품을 공급하는 공급자와 다른 온라인 판매자들의 피해가 발생할 수 있다.

이에, 빅데이터를 이용하여 온라인 판매자의 활동 정보, 구매 내역, 신용 점수 등 다양한 변수를 고려하여 신뢰도를 판단하고, 온라인 판매자의 판매 실적과 평판 등을 고려하여 인공지능 모델을 통해 평가하고, 신뢰도 및 평가 결과 이외에 외부적인 요인(사회적 이슈, 날씨)를 종합적으로 반영하여 도매 상품을 추천하는 방법이 필요할 수 있다.

본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치를 제공할 수 있다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법은, 셀러 단말로부터 연결 요청 메시지를 수신하고, 상기 연결 요청 메시지는 사업자 등록 번호 및 상기 셀러 단말과 관련된 식별 정보를 포함하고, 상기 사업자 등록 번호에 기반하여 외부 서버로부터 상기 셀러 단말과 관련된 셀러의 신용 정보를 수신하고, 상기 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제1 정보를 획득하고, 상기 셀러 단말에 대한 제1 정보는 상기 셀러 단말의 활동 정보, 상기 셀러 단말의 구매 물품에 대한 정보, 상기 셀러 단말과 관련된 웹 페이지 주소에 대한 정보 및 상기 셀러 단말의 문의 내역에 대한 정보를 포함하고, 상기 셀러 단말과 관련된 웹 페이지 주소에 대한 정보에 기반하여 웹 크롤링을 통해 상기 셀러 단말과 관련된 스토어에 대한 정보를 획득하고, 상기 셀러 단말과 관련된 셀러의 신용 정보, 상기 셀러 단말에 대한 제1 정보 및 상기 셀러 단말과 관련된 스토어에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 신뢰도 평가 모델을 통해 상기 셀러 단말에 대한 신뢰도를 결정하고, 상기 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값보다 큰 것에 기반하여, 상기 셀러 단말과 연결을 확립하고, 상기 셀러 단말과 연결이 확립된 후, 상기 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제2 정보를 획득하고, 상기 셀러 단말에 대한 제2 정보는 상기 셀러 단말과 관련된 스토어의 매출 정보, 지식 재산 보유 현황에 대한 정보, 사업 기간에 대한 정보 및 고용 인원에 대한 정보를 포함하고, 상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 제2 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 셀러 평가 모델을 통해 상기 셀러 단말에 대한 평가 점수를 결정하고, 상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 평가 점수에 기반하여 복수의 온라인 마켓들 중에서 상기 셀러 단말에 대해 접근이 허용되는 적어도 하나의 온라인 마켓을 설정하고, 도매 상품에 대한 추천 리스트를 상기 셀러 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 도매 상품에 대한 추천 리스트는 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품으로 구성될 수 있다.

일 실시예에 따르면, 상기 복수의 온라인 마켓들은 복수의 공급 단말로부터 상기 서버에게 제공되는 도매 상품에 대한 정보를 기반으로 구성될 수 있다. 도매 상품에 대한 정보는 도매 상품의 명칭, 도매 상품에 대한 안내 정보, 도매 상품에 대한 분류 번호, 도매 상품에 대한 이미지, 도매 상품에 대한 공급 가능량 및 도매 상품에 대한 최저 가격을 포함할 수 있다. 상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수 및 상기 도매 상품에 대한 정보에 기반하여 상기 도매 상품에 대한 추천 리스트에 포함된 도매 상품 각각에 대해 상기 셀러 단말에게 제공되는 샘플의 개수가 결정될 수 있다.

예를 들어, 상기 샘플의 개수는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 n_sample은 상기 샘플의 개수이고, 상기 n_max는 상기 도매 상품에 설정된 최대 샘플 개수이고, 상기 s_p는 상기 셀러 단말에 대한 평가 점수이고, 상기 k는 상기 셀러 단말이 구매한 물품의 개수이고, 상기 pf_i는 상기 셀러 단말이 구매한 i번째 물품에 대한 분류 번호의 맨 앞 두 자리의 숫자이고, 상기 pb_i는 상기 셀러 단말이 구매한 i번째 물품에 대한 분류 번호의 맨 앞 두 자리 다음의 두 자리 숫자이고, 상기 mf는 상기 도매 상품에 대한 분류 번호의 맨 앞 두 자리의 숫자이고, 상기 mb는 상기 도매 상품에 대한 분류 번호의 맨 앞 두 자리의 다음의 두 자리 숫자이고, 상기 T_p는 상기 셀러 단말에 대한 신뢰도이고, 상기 D는 상기 셀러 단말에 대한 기본 설정 값이고, 상기 α는 가중치일 수 있다.

일 실시예에 따르면, 상기 도매 상품에 대한 추천 리스트는 상기 셀러 단말에 대한 유형, 상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수, 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 정보 및 외부 환경에 대한 정보를 기반으로 제3 뉴럴 네트워크를 이용하는 추천 모델을 통해 결정될 수 있다. 상기 외부 환경에 대한 정보는 기상청과 관련된 웹 페이지 및 검색 사이트와 관련된 웹 페이지에 대한 상기 서버의 웹 크롤링을 통해 획득될 수 있다. 상기 외부 환경에 대한 정보는 기상 정보 및 검색 키워드에 대한 정보를 포함할 수 있다. 상기 셀러 단말에 대한 유형은 상기 서버에 등록된 복수의 셀러 단말에 대한 제1 정보 및 상기 복수의 셀러 단말에 대한 제2 정보에 따라 분류된 복수의 유형 중에서 어느 하나의 유형으로 결정될 수 있다.

예를 들어, 상기 셀러 단말과 관련된 셀러의 신용 정보, 상기 셀러 단말에 대한 제1 정보 및 상기 셀러 단말과 관련된 스토어에 대한 정보에 대한 제1 데이터 전처리를 통해 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값, 셀러 단말과 관련된 스토어에 대한 점수 및 악성 문의를 한 횟수로 구성된 제1 입력 벡터가 생성될 수 있다. 상기 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력될 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 제1 입력 벡터 및 정답 신뢰도 점수로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.

상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 제2 정보에 대한 제2 데이터 전처리를 통해 매출액과 관련된 값, 지식 재산권을 보유한 개수, 사업 기간에 대한 값, 고용 인원에 대한 값 및 신뢰도와 관련된 값으로 구성된 제2 입력 벡터가 생성될 수 있다. 상기 제2 입력 벡터가 상기 제2 뉴럴 네트워크에 입력될 수 있다. 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 제2 입력 벡터 및 정답 평가 점수로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.

부가적으로, 예를 들어, 상기 정답 신뢰도 점수는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 T_p는 상기 정답 신뢰도 점수이고, 상기 m은 상기 서버에 등록된 복수의 셀러 단말의 개수이고, 상기 d는 해당 셀러 단말의 활동 기간에 대한 값이고, 상기 d_j는 j번째 셀러 단말의 활동 기간에 대한 값이고, 상기 C_p는 해당 셀러 단말의 신용 점수에 대한 값이고, 상기 t_c는 해당 셀러 단말의 총 구매 금액이고, 상기 t_j는 j번째 셀러 단말의 총 구매 금액이고, 상기 O_p는 해당 셀러 단말과 관련된 스토어에 대한 점수이고, 상기 diff_j는 j번째 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값이고. 상기 diff는 해당 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값이고, 상기 n_b는 해당 셀러 단말이 악성 문의를 한 횟수일 수 있다.

부가적으로, 예를 들어, 상기 사전 설정된 임계 값은 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 T_th는 상기 사전 설정된 임계 값이고, 상기 m은 상기 서버에 등록된 복수의 셀러 단말의 개수이고, 상기 n_type은 상기 서버에 등록된 물품의 종류의 수이고, 상기 I_r은 도매업에 대한 재고액 지수이고, 상기 CPI는 소비자 물가 지수이고, 상기 T_d는 디폴트 값일 수 있다.

실시예들에 따르면, 서버는 셀러 단말과 관련된 셀러의 신용 정보, 셀러 단말의 활동 정보, 셀러 단말의 구매 물품에 대한 정보, 셀러 단말의 문의 내역에 대한 정보 및 셀러 단말과 관련된 스토어에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 신뢰도 평가 모델을 통해 상기 셀러 단말에 대한 신뢰도를 결정할 수 있다. 이를 통해, 서버는 상기 서버에 등록된 셀러 단말들에 대해 다양한 변수들을 고려하여 학습된 인공지능 모델을 사용함으로써, 보다 효과적으로 셀러 단말에 대한 신뢰도를 결정할 수 있다.

실시예들에 따르면, 서버는 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값보다 큰 것에 기반하여, 상기 셀러 단말과 연결을 확립함으로써, 검증된 셀러 단말에 대해서만 서비스를 제공하여 안정적으로 셀러 단말을 관리할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 추천 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 전송하는 방법을 나타낸 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.

인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

도 3은 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 전송하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 3을 참조하면, 단계 S301에서, 서버(예: 도 1의 서버(108))는 셀러 단말(예: 도 1의 전자 장치(101))로부터 연결 요청 메시지를 수신할 수 있다.

여기서, 서버는 공급 단말로부터 도매 상품에 대한 정보를 수신하고, 셀러 단말에게 적합한 도매 상품에 대한 정보를 제공하는 서버일 수 있다. 예를 들어, 서버는 셀러 단말이 도매 상품을 구매하고, 구매한 도매 상품을 소비자들에게 판매하는 것을 관리하기 위해 필요한 서비스를 셀러 단말에게 제공할 수 있다. 셀러 단말은 도매 상품을 구매하여, 소비자들에게 온라인 스토어를 통해 판매하는 사업자가 사용하는 단말일 수 있다. 공급 단말은 서버에 도매 상품을 공급하는 공급자가 사용하는 단말일 수 있다.

예를 들어, 상기 연결 요청 메시지는 사업자 등록 번호 및 상기 셀러 단말과 관련된 식별 정보를 포함할 수 있다. 여기서, 사업자 등록 번호는 10자리의 숫자로 구성되며, 앞의 3자리는 관할 세무서의 지역코드에 대한 숫자이고, 중간의 2자리는 개인 또는 법인을 분류하기 위한 숫자이고, 마지막 5자리 중 앞의 4자리는 등록일자의 순서로 지정된 일련번호이고, 마지막 5자리 중 뒤의 1자리는 시스템 오류를 검사하기 위한 번호이다. 셀러 단말과 관련된 식별 정보는 상기 사업자 등록 번호의 뒤의 7자리와 셀러 단말이 입력한 비밀 번호를 조합한 식별 번호를 포함할 수 있다. 예를 들어, 서버는 상기 서버에 저장된 복수의 식별 번호 중에서 상기 연결 요청 메시지에 포함된 사업자 등록 번호에 대응하는 식별 번호를 결정하고, 해당 식별 번호와 상기 연결 요청 메시지에 포함된 식별 번호가 동일한지 여부에 따라 셀러 단말을 식별할 수 있다.

단계 S302에서, 서버는 사업자 등록 번호에 기반하여 외부 서버로부터 셀러 단말과 관련된 셀러의 신용 정보를 수신할 수 있다.

여기서, 외부 서버는 신용평가 기관과 관련된 서버일 수 있다. 예를 들어, 서버는 신용평가 기관과 관련된 서버에게 사업자 등록 번호를 전송할 수 있고, 신용평가 기관과 관련된 서버로부터 상기 사업자 등록 번호에 해당하는 신용 평가 점수를 수신할 수 있다. 여기서, 신용 평가 점수는 0점보다 크고 1000점보다 작은 값을 가질 수 있다.

단계 S303에서, 서버는 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제1 정보를 획득할 수 있다.

상기 셀러 단말에 대한 제1 정보는 상기 셀러 단말의 활동 정보, 상기 셀러 단말의 구매 물품에 대한 정보, 상기 셀러 단말과 관련된 웹 페이지 주소에 대한 정보 및 상기 셀러 단말의 문의 내역에 대한 정보를 포함할 수 있다.

셀러 단말의 활동 정보는 셀러 단말이 상기 서버가 관리하는 웹 페이지에서 활동한 정보일 수 있다. 예를 들어, 셀러 단말이 상기 서버가 관리하는 웹 페이지에 가입한 날짜, 셀러 단말의 웹 페이지에 접속한 총 시간, 셀러 단말이 웹 페이지에 접속한 날짜, 셀러 단말이 웹 페이지에 체류한 시간 및 셀러 단말이 체류한 웹 페이지를 포함할 수 있다.

셀러 단말의 구매 물품에 대한 정보는 셀러 단말이 상기 서버가 관리하는 웹 페이지에서 구매한 도매 상품에 대한 정보일 수 있다. 이하, 물품은 도매 상품을 지칭한다. 예를 들어, 셀러 단말의 구매 물품에 대한 정보는 셀러 단말이 구매한 물품에 대한 분류 번호, 셀러 단말이 구매한 물품의 개당 구입 가격, 셀러 단말이 구매한 물품에 설정된 개당 최저 가격 및 셀러 단말이 구매한 물품의 개수를 포함할 수 있다. 예를 들어, 셀러 단말이 구매한 물품에 설정된 최저 가격은 상기 서버에 사전 설정된 값일 수 있다. 최저 가격은 해당 물품을 공급한 공급 단말에 의해 결정될 수 있다. 예를 들어, 공급 단말은 해당 물품에 대한 최저 가격에 대한 정보를 상기 서버에 전송할 수 있다.

여기서, 분류 번호는 국가 종합 전자 조달 시스템에서 사용되는 물품 분류 번호일 수 있다. 예를 들어, 분류 번호는 8자리의 숫자로 구성될 수 있고, 맨 앞의 2자리는 대분류를 나타내고, 그 다음의 2자리는 중분류를 나타내고, 그 다음의 2자리는 소분류를 나타내고, 그 다음의 2자리는 세부분류를 나타낼 수 있다.

셀러 단말과 관련된 웹 페이지 주소에 대한 정보는 셀러 단말이 구매한 물품을 소비자에게 판매하는 웹 페이지 주소를 포함할 수 있다. 셀러 단말의 문의 내역에 대한 정보는 셀러 단말이 상기 서버의 웹 페이지에 기재한 문의 사항에 대한 텍스트 데이터를 포함할 수 있다.

단계 S304에서, 서버는 셀러 단말과 관련된 웹 페이지 주소에 대한 정보에 기반하여 웹 크롤링(web scarping)을 통해 상기 셀러 단말과 관련된 스토어에 대한 정보를 획득할 수 있다.

여기서, 웹 크롤링은 웹 페이지에 액세스하여 데이터를 수집하는 동작을 지칭한다. 셀러 단말과 관련된 스토어에 대한 정보는 셀러 단말이 물품을 소비자에게 판매하는 온라인 스토어에 대한 정보를 포함할 수 있다. 예를 들어, 셀러 단말과 관련된 스토어에 대한 정보는 셀러 단말이 웹 페이지에서 판매하는 각각의 물품에 대한 분류번호, 판매 가격, 리뷰 데이터 및 평점을 포함할 수 있다. 리뷰 데이터는 물품을 구매한 소비자가 입력한 텍스트 데이터일 수 있고, 평점은 물품을 구매한 소비자가 입력한 평점을 평균한 값일 수 있다.

단계 S305에서, 서버는 상기 셀러 단말과 관련된 셀러의 신용 정보, 상기 셀러 단말에 대한 제1 정보 및 상기 셀러 단말과 관련된 스토어에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 신뢰도 평가 모델을 통해 상기 셀러 단말에 대한 신뢰도를 결정할 수 있다.

일 실시예에 따라, 상기 셀러 단말과 관련된 셀러의 신용 정보, 상기 셀러 단말에 대한 제1 정보 및 상기 셀러 단말과 관련된 스토어에 대한 정보에 대한 제1 데이터 전처리를 통해 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값, 셀러 단말과 관련된 스토어에 대한 점수 및 악성 문의를 한 횟수로 구성된 제1 입력 벡터가 생성될 수 있다.

부가적으로, 예를 들어, 셀러 단말과 관련된 스토어에 대한 점수는 셀러 단말이 웹 페이지에서 판매하는 각각의 물품에 대한 리뷰 데이터 및 평점을 기반으로 뉴럴 네트워크를 이용한 제1 키워드 검색 모델을 통해 결정될 수 있다. 예를 들어, 서버는 셀러 단말이 웹 페이지에서 판매하는 각각의 물품에 대한 리뷰 데이터에 포함된 문장을 형태소로 분석할 수 있다. 서버는 각각의 형태소에 대해 Word2vec, Glove, Syntactic과 같이 서로 다른 세 가지 방식의 단어 임베딩을 수행하여 세 가지 방식마다 입력 벡터를 생성할 수 있다. 서버는 서로 다른 세 가지 방식의 단어 임베딩이 수행된 형태소에 대한 복수의 벡터 및 정답 복수의 리뷰 유형으로 구성된 각각의 학습 데이터를 기반으로 학습된 제1 키워드 검색 모델을 통해 복수의 리뷰 유형 각각에 대한 개수를 결정할 수 있다. 예를 들어, 상기 복수의 리뷰 유형은 제1 리뷰 유형, 제2 리뷰 유형 및 제3 리뷰 유형을 포함할 수 있다. 제1 리뷰 유형은 욕설과 관련된 단어를 포함하는 유형일 수 있다. 제2 리뷰 유형은 부정적인 평가와 관련된 단어를 포함하는 유형일 수 있다. 제3 유형은 긍정적인 평가와 관련된 단어를 포함하는 유형일 수 있다. 복수의 리뷰 유형 각각에 대한 개수는 서로 다른 세 가지 방식의 단어 임베딩마다 생성된 입력 벡터에 대해 출력된 값을 평균한 값에 ceil 함수, 즉 올림 함수를 적용한 값일 수 있다. 예를 들어, 셀러 단말과 관련된 스토어에 대한 점수는 물품을 구매한 소비자가 입력한 평점을 평균한 값에 셀러 단말이 웹 페이지에서 판매하는 각각의 물품에 대한 리뷰 데이터에 포함된 복수의 리뷰 유형 각각에 대한 개수만큼 가중치를 적용한 점수일 수 있다. 이를 통해, 리뷰 데이터에 포함된 키워드를 보다 정확하게 검출할 수 있다.

부가적으로, 예를 들어, 악성 문의를 한 횟수는 셀러 단말이 상기 서버의 웹 페이지에 기재한 문의 사항에 대한 텍스트 데이터에 기반하여 뉴럴 네트워크를 이용한 제2 키워드 검색 모델을 통해 결정될 수 있다. 예를 들어, 서버는 셀러 단말이 상기 서버의 웹 페이지에 기재한 문의 사항에 대한 텍스트 데이터에 포함된 문장을 형태소로 분석할 수 있다. 서버는 각각의 형태소에 대해 Word2vec, Glove, Syntactic과 같이 서로 다른 세 가지 방식의 단어 임베딩을 수행하여 세 가지 방식마다 입력 벡터를 생성할 수 있다. 서버는 서로 다른 세 가지 방식의 단어 임베딩이 수행된 형태소에 대한 복수의 벡터 및 정답 악성 문의와 관련된 키워드로 구성된 각각의 학습 데이터를 기반으로 학습된 제2 키워드 검색 모델을 통해 악성 문의를 한 횟수를 결정할 수 있다. 예를 들어, 상기 악성 문의와 관련된 키워드는 욕설과 관련된 단어를 포함하는 유형일 수 있다. 악성 문의를 한 횟수는 서로 다른 세 가지 방식의 단어 임베딩마다 생성된 입력 벡터에 대해 출력된 값을 평균한 값에 ceil 함수, 즉 올림 함수를 적용한 값일 수 있다.

제1 키워드 검색 모델 및 제2 키워드 검색 모델에 포함된 하나 이상의 히든 레이어는 서로 다른 세 가지 방식의 단어 임베딩에 따라 서로 다른 세 개의 합성곱층을 포함하고, 서로 다른 세 개의 합성곱층을 기반으로 서로 다른 세 가지 방식의 단어 임베딩이 수행된 형태소에 대한 복수의 벡터를 모두 입력 값으로 설정할 수 있다. 여기서, 형태소는 의미를 가지는 요소로서는 더 이상 분석할 수 없는 가장 작은 말의 단위를 의미한다.

서버는 서로 다른 세 가지 방식의 임베딩이 수행된 형태소에 대한 복수의 벡터 및 정답 복수의 리뷰 유형 또는 정답 악성 문의와 관련된 키워드로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되고, 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실 값을 출력할 수 있다. 예를 들어, 상기 뉴럴 네트워크의 파라미터가 상기 손실값이 작아지는 방향으로 학습될 수 있다.

일 실시예에 따라, 상기 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력될 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 제1 입력 벡터 및 정답 신뢰도 점수로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.

부가적으로, 예를 들어, 상기 정답 신뢰도 점수는 하기 수학식 1에 의해 결정될 수 있다.

상기 수학식 1에서, 상기 T_p는 상기 정답 신뢰도 점수이고, 상기 m은 상기 서버에 등록된 복수의 셀러 단말의 개수이고, 상기 d는 해당 셀러 단말의 활동 기간에 대한 값이고, 상기 d_j는 j번째 셀러 단말의 활동 기간에 대한 값이고, 상기 C_p는 해당 셀러 단말의 신용 점수에 대한 값이고, 상기 t_c는 해당 셀러 단말의 총 구매 금액이고, 상기 t_j는 j번째 셀러 단말의 총 구매 금액이고, 상기 O_p는 해당 셀러 단말과 관련된 스토어에 대한 점수이고, 상기 diff_j는 j번째 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값이고. 상기 diff는 해당 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값이고, 상기 n_b는 해당 셀러 단말이 악성 문의를 한 횟수일 수 있다.

예를 들어, 셀러 단말의 신용 점수는 0 보다 크고 1000보다 작은 점수일 수 있다. 예를 들어, 셀러 단말과 관련된 스토어에 대한 점수는 0 보다 크고 20 보다 작은 점수일 수 있다.

상술한 수학식 1에 의해, 셀러 단말의 신용 점수가 높고, 셀러 단말의 활동 기간이 다른 셀러 단말의 평균적인 활동 기간보다 길고, 셀러 단말의 총 구매 금액이 다른 셀러 단말의 평균적인 총 구매 금액보다 크고, 셀러 단말과 관련된 스토어에 대한 점수가 높을수록 신뢰도가 높게 결정될 수 있다. 예를 들어, 셀러 단말이 악성 문의를 한 횟수가 많고, 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값이 클수록 신뢰도는 낮게 결정될 수 있다.

이를 통해, 서버는 상기 서버에 등록된 셀러 단말들에 대해 다양한 변수들을 고려하여 학습된 인공지능 모델을 사용함으로써, 보다 효과적으로 셀러 단말에 대한 신뢰도를 결정할 수 있다. 특히, 악성 문의를 한 횟수와 서버에 설정된 최저 가격과 차이가 큰 가격으로 판매하는 셀러 단말에 대한 신뢰도를 낮게 결정함으로써, 도매 상품을 공급하는 공급자에게 피해를 줄 수 있는 셀러 단말을 상기 서버에 접속하지 못하도록 사전에 차단시킬 수 있다.

단계 S306에서, 서버는 상기 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값보다 큰 것에 기반하여, 상기 셀러 단말과 연결을 확립할 수 있다.

상기 사전 설정된 임계 값은 하기 수학식 2에 의해 결정될 수 있다.

상기 수학식 2에서, 상기 T_th는 상기 사전 설정된 임계 값이고, 상기 m은 상기 서버에 등록된 복수의 셀러 단말의 개수이고, 상기 n_type은 상기 서버에 등록된 물품의 종류의 수이고, 상기 I_r은 도매업에 대한 재고액 지수이고, 상기 CPI는 소비자 물가 지수이고, 상기 T_d는 디폴트 값일 수 있다.

예를 들어, 서버에 등록된 물품의 종류의 수는 복수의 공급 단말로부터 수신한 도매 상품에 대한 정보에 기반하여 결정될 수 있다. 예를 들어, 서버는 통계청과 관련된 웹 페이지에 대한 웹 크롤링을 통해 도매업에 대한 재고액 지수 및 소비자 물가 지수를 주기적으로 획득할 수 있다. 재고액 지수는 출하액에 대한 재고액의 비율을 나타내는 지수이고, 소비자 물가 지수는 일상 생활을 영위하기 위해 구입하는 상품과 서비스의 가격 변동을 측정하기 위하여 작성되는 지수이다. 예를 들어, 재고액 지수 및 소비자 물가 지수는 통계청과 관련된 웹 페이지에 대한 웹 크롤링을 통해 획득된 값들 중에서 상기 셀러 단말로부터 연결 요청 메시지를 수신한 시점으로부터 가장 가까운 날짜에 획득된 값일 수 있다. 예를 들어, 디폴트 값은 상기 서버에 사전 설정될 수 있다.

예를 들어, 서버에 등록된 셀러 단말의 개수가 많을수록 신뢰도에 대한 기준 값인 사전 설정된 임계 값을 높게 설정함으로써, 신뢰도에 대한 기준을 높여 서버는 셀러 단말에 대한 신뢰도를 보다 엄격하게 판단할 수 있다. 예를 들어, 서버에 등록된 물품의 종류가 수가 많으면 신뢰도에 대한 기준 값인 사전 설정된 임계 값을 높게 설정함으로써, 신뢰도에 대한 기준을 높여 서버는 셀러 단말에 대한 신뢰도를 보다 엄격하게 판단할 수 있다. 또한, 예를 들어, 소비자 물가 지수가 큰 값을 가지고, 도매업의 재고액 지수가 큰 값을 가질수록 사전 설정된 임계 값을 낮게 설정함으로써, 외부의 경제적인 동향을 고려하여 서버에 연결되는 셀러 단말의 수를 조정할 수 있다.

이를 통해, 신뢰도에 대한 기준 값인, 사전 설정된 임계 값을 고정적으로 설정하지 않고, 도매업에 대한 재고와 소비자 물가와 같은 외부 상황에 대한 정보 뿐만 아니라 서버 내 등록된 물품의 개수와 셀러 단말의 개수와 같은 내부 상황에 대한 정보 또한 고려하여, 유동적으로 신뢰도에 대한 기준 값을 조정할 수 있다.

부가적으로, 예를 들어, 상기 셀러 단말과 서버가 연결이 확립된 것에 기반하여, 서버는 상기 셀러 단말과 관련된 스토어에서 판매하는 물품에 설정된 최저 가격에서 해당 물품의 판매 가격을 뺀 값이 양수인지 여부를 결정할 수 있다. 서버는 상기 셀러 단말과 관련된 스토어에서 판매하는 물품에 설정된 최저 가격에서 해당 물품의 판매 가격을 뺀 값이 양수인 경우, 상기 셀러 단말의 사업자 등록 번호를 접속 차단을 위한 차단 리스트에 추가할 수 있다. 예를 들어, 서버는 상기 셀러 단말과 관련된 스토어에서 판매하는 복수의 물품 중에서 어느 하나의 물품이 해당 물품에 설정된 최저 가격에서 해당 물품의 판매 가격을 뺀 값이 양수이면, 상기 셀러 단말의 사업자 등록 번호를 접속 차단을 위한 차단 리스트에 추가할 수 있다. 여기서, 차단 리스트는 상기 서버에 의해 관리되고, 서버는 차단 리스트에 포함된 사업자 등록 번호에 해당하는 셀러 단말의 상기 서버에 대한 접근을 허용하지 않을 수 있다. 예를 들어, 서버는 차단 리스트에 포함된 사업자 등록 번호에 대해 상기 차단 리스트에 추가된 시점으로부터 사전 설정된 기간이 경과된 이후에 상기 차단 리스트에서 삭제할 수 있다. 이를 통해, 최저 가격으로 판매하지 않은 셀러 단말은 서버에 연결되지 않게 미리 차단하고 별도로 관리함으로써, 다른 셀러 단말의 피해를 방지할 수 있다.

단계 S307에서, 서버는 상기 셀러 단말과 연결이 확립된 후, 상기 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제2 정보를 획득할 수 있다.

상기 셀러 단말에 대한 제2 정보는 상기 셀러 단말과 관련된 스토어의 매출 정보, 지식 재산 보유 현황에 대한 정보, 사업 기간에 대한 정보 및 고용 인원에 대한 정보를 포함할 수 있다.

셀러 단말과 관련된 스토어의 매출 정보는 셀러 단말이 물품을 소비자에게 판매하는 온라인 스토어의 매출에 대한 정보로서, 월별 매출액에 대한 정보를 포함할 수 있다. 지식 재산 보유 현황에 대한 정보는 셀러 단말과 관련된 셀러가 보유한 지식 재산권에 대한 정보로서, 특허권의 개수, 상표권의 개수 및 디자인권의 개수를 포함할 수 있다. 사업 기간에 대한 정보는 셀러 단말과 관련된 셀러가 사업을 한 기간에 대한 정보로서, 셀러 단말이 물품을 소비자에게 판매하는 온라인 스토어의 운영 기간을 포함할 수 있다. 고용 인원에 대한 정보는 셀러 단말과 관련된 셀러가 사업을 위해 고용한 인원에 대한 정보로서, 셀러 단말과 관련된 셀러가 고용한 인원의 수를 포함할 수 있다.

단계 S308에서, 서버는 상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 제2 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 셀러 평가 모델을 통해 상기 셀러 단말에 대한 평가 점수를 결정할 수 있다.

상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 제2 정보에 대한 제2 데이터 전처리를 통해 매출액과 관련된 값, 지식 재산권을 보유한 개수, 사업 기간에 대한 값, 고용 인원에 대한 값 및 신뢰도와 관련된 값으로 구성된 제2 입력 벡터가 생성될 수 있다.

여기서, 매출액과 관련된 값은 도매업 전체의 월별 총 매출액에 대해 상기 셀러 단말과 관련된 스토어의 월별 매출액의 비율을 평균한 값일 수 있다. 지식 재산권을 보유한 개수는 특허권의 개수, 상표권의 개수 및 디자인권의 개수를 모두 합한 값일 수 있다. 사업 기간에 대한 값은 셀러 단말이 물품을 소비자에게 판매하는 온라인 스토어의 운영 기간을 일수로 나타낸 값일 수 있다. 고용 인원에 대한 값은 셀러 단말과 관련된 셀러가 고용한 인원의 수를 나타낸 값일 수 있다. 신뢰도와 관련된 값은 상기 셀러 단말에 대한 신뢰도가 상기 서버에 연결이 확립된 복수의 셀러 단말의 신뢰도 중에서 몇 번째로 높은 값인지를 나타내는 값일 수 있다. 즉, 신뢰도와 관련된 값은 서버에 연결이 확립된 복수의 셀러 단말의 신뢰도 중에서 상기 셀러 단말에 대한 신뢰도의 순위를 나타낸 값일 수 있다.

예를 들어, 상기 제2 입력 벡터가 상기 제2 뉴럴 네트워크에 입력될 수 있다. 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 제2 입력 벡터 및 정답 평가 점수로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.

부가적으로, 예를 들어, 상기 정답 평가 점수는 매출액과 관련된 값, 지식 재산권을 보유한 개수, 사업 기간에 대한 값, 고용 인원에 대한 값 및 신뢰도와 관련된 값을 기반으로 설정된 수식에 의해 결정된 값일 수 있다.

예를 들어, 상기 정답 평가 점수는 매출액과 관련된 값, 지식 재산권을 보유한 개수, 사업 기간에 대한 값 및 고용 인원에 대한 값이 클수록 높은 점수로 결정될 수 있다. 예를 들어, 상기 정답 평가 점수는 신뢰도와 관련된 값이 작을수록 높은 점수로 결정될 수 있다.

단계 S309에서, 서버는 상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 평가 점수에 기반하여 복수의 온라인 마켓들 중에서 상기 셀러 단말에 대해 접근이 허용되는 적어도 하나의 온라인 마켓을 설정할 수 있다.

상기 복수의 온라인 마켓들은 복수의 공급 단말로부터 상기 서버에게 제공되는 도매 상품에 대한 정보를 기반으로 구성될 수 있다. 도매 상품에 대한 정보는 도매 상품의 명칭, 도매 상품에 대한 안내 정보, 도매 상품에 대한 분류 번호, 도매 상품에 대한 이미지, 도매 상품에 대한 공급 가능량 및 도매 상품에 대한 최저 가격을 포함할 수 있다. 예를 들어, 서버는 도매 상품의 명칭을 기반으로 온라인 마켓과 관련된 웹 사이트에서 웹 크롤링을 통해 상기 도매 상품의 명칭이 검색되는 횟수를 결정할 수 있다.

복수의 온라인 마켓들은 제1 유형, 제2 유형 및 제3 유형을 포함할 수 있다. 제1 유형은 도매 상품의 명칭이 검색되는 횟수가 사전 설정된 횟수 이하인 도매 상품을 판매하는 온라인 마켓일 수 있다. 예를 들어, 제1 유형에 해당하는 온라인 마켓은 복수 개일 수 있으며, 제1 마켓에 해당하는 복수의 온라인 마켓은 사전 설정된 횟수가 상이할 수 있다. 즉, 제1 유형에 해당하는 마켓 A는 사전 설정된 횟수가 10일 수 있고, 제1 유형에 해당하는 마켓 B는 사전 설정된 횟수가 30일 수 있다. 제2 유형은 특정 집단에 소속된 사람들에게만 판매할 수 있는 도매 상품을 판매하는 온라인 마켓일 수 있다. 제3 유형은 오픈 마켓에 판매할 수 있는 도매 상품을 판매하는 온라인 마켓일 수 있다. 여기서, 오픈 마켓은 온라인 구매 관리 시스템을 제공한 대가로 상품 등록업체로부터 수수료를 받아 운영되는 마켓이다.

예를 들어, 서버는 상기 서버에 등록된 복수의 셀러 단말 중에서 셀러 단말에 대한 신뢰도 및 셀러 단말에 대한 평가 점수를 합산한 값에 따라 복수의 온라인 마켓들 중에서 상기 셀러 단말에 대해 접근이 허용되는 적어도 하나의 온라인 마켓을 설정할 수 있다.

예를 들어, 상기 서버에 등록된 복수의 셀러 단말 중에서 셀러 단말에 대한 신뢰도 및 셀러 단말에 대한 평가 점수를 합산한 값이 상위 10%인 셀러 단말은 복수의 온라인 마켓들에 대해 접근이 허용될 수 있다. 여기서, 상위 10%는 하나의 예시일 뿐 이에 한정되지 않으며, 해당 비율은 변경될 수 있다.

예를 들어, 상기 서버에 등록된 복수의 셀러 단말 중에서 셀러 단말에 대한 신뢰도 및 셀러 단말에 대한 평가 점수를 합산한 값이 상위 25%인 셀러 단말은 복수의 온라인 마켓들 중에서 제1 유형의 온라인 마켓 중에서 사전 설정된 횟수가 특정 횟수 이상인 온라인 마켓, 제2 유형의 온라인 마켓 및 제3 유형의 온라인 마켓에 대해 접근이 허용될 수 있다. 여기서, 상위 25%는 하나의 예시일 뿐 이에 한정되지 않으며, 해당 비율은 변경될 수 있다.

예를 들어, 상기 서버에 등록된 복수의 셀러 단말 중에서 셀러 단말에 대한 신뢰도 및 셀러 단말에 대한 평가 점수를 합산한 값이 상위 50%인 셀러 단말은 복수의 온라인 마켓들 중에서 제2 유형의 온라인 마켓 및 제3 유형의 온라인 마켓에 대해 접근이 허용될 수 있다. 여기서, 상위 25%는 하나의 예시일 뿐 이에 한정되지 않으며, 해당 비율은 변경될 수 있다.

상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수 및 상기 도매 상품에 대한 정보에 기반하여 상기 도매 상품에 대한 추천 리스트에 포함된 도매 상품 각각에 대해 상기 셀러 단말에게 제공되는 샘플의 개수가 결정될 수 있다.

예를 들어, 상기 샘플의 개수는 하기 수학식 3에 의해 결정될 수 있다.

상기 수학식 3에서, 상기 n_sample은 상기 샘플의 개수이고, 상기 n_max는 상기 도매 상품에 설정된 최대 샘플 개수이고, 상기 s_p는 상기 셀러 단말에 대한 평가 점수이고, 상기 k는 상기 셀러 단말이 구매한 물품의 개수이고, 상기 pf_i는 상기 셀러 단말이 구매한 i번째 물품에 대한 분류 번호의 맨 앞 두 자리의 숫자이고, 상기 pb_i는 상기 셀러 단말이 구매한 i번째 물품에 대한 분류 번호의 맨 앞 두 자리 다음의 두 자리 숫자이고, 상기 mf는 상기 도매 상품에 대한 분류 번호의 맨 앞 두 자리의 숫자이고, 상기 mb는 상기 도매 상품에 대한 분류 번호의 맨 앞 두 자리의 다음의 두 자리 숫자이고, 상기 T_p는 상기 셀러 단말에 대한 신뢰도이고, 상기 D는 상기 셀러 단말에 대한 기본 설정 값이고, 상기 α는 가중치일 수 있다.

여기서, Round 함수는 반올림 함수로서, 괄호 안의 값이 자연수가 되도록 반올림할 수 있다. 예를 들어, 상기 α는 셀러 단말이 해당 물품을 구매한 이력이 존재하는지에 따라 가중치가 상이할 수 있다. 해당 셀러 단말이 해당 물품을 이전에 구매한 경우, 상기 α는 0 값을 가질 수 있다.

이를 통해, 서버는 셀러 단말의 신뢰도가 높고, 셀러 단말이 구매한 물품에 대한 정보를 기반으로 도매 상품과 유사한 물품을 구입한 횟수가 많다면, 셀러 단말의 구매 확률을 높이기 위해 샘플 개수를 증가시킬 수 있다. 또한, 서버는 셀러 단말의 평가 점수가 낮은 경우, 셀러 단말의 구매 확률을 높이기 위해 샘플 개수를 증가시킬 수 있다. 즉, 셀러 단말의 구매 이력과 신뢰도 및 평가 점수에 따라 제공하는 샘플 개수를 상이하게 결정함으로써, 셀러 단말의 물품 구매 확률을 높일 수 있다.

단계 S310에서, 서버는 도매 상품에 대한 추천 리스트를 상기 셀러 단말에게 전송할 수 있다. 상기 도매 상품에 대한 추천 리스트는 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품으로 구성될 수 있다.

예를 들어, 상기 도매 상품에 대한 추천 리스트는 상기 셀러 단말에 대한 유형, 상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수, 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 정보 및 외부 환경에 대한 정보를 기반으로 제3 뉴럴 네트워크를 이용하는 추천 모델을 통해 결정될 수 있다. 상기 외부 환경에 대한 정보는 기상청과 관련된 웹 페이지 및 검색 사이트와 관련된 웹 페이지에 대한 상기 서버의 웹 크롤링을 통해 획득될 수 있다. 상기 외부 환경에 대한 정보는 기상 정보 및 검색 키워드에 대한 정보를 포함할 수 있다. 기상 정보는 현재 시점 이전의 사전 설정된 기간에 대한 일별 온도, 일별 풍속 및 일별 강수 확률을 포함할 수 있다. 검색 키워드에 대한 정보는 검색량이 많은 물품의 순서대로 결정된 복수 개의 물품 키워드를 포함할 수 있다.

상기 셀러 단말에 대한 유형은 상기 서버에 등록된 복수의 셀러 단말에 대한 제1 정보 및 상기 복수의 셀러 단말에 대한 제2 정보에 따라 분류된 복수의 유형 중에서 어느 하나의 유형으로 결정될 수 있다. 예를 들어, 셀러 단말에 대한 유형은 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 구매한 물품의 분류 번호, 사업 기간에 대한 값 및 고용 인원에 대한 값을 기반으로 사전 설정된 n개의 유형 중 어느 하나의 유형으로 결정될 수 있다. 예를 들어, n개의 유형은, 복수의 셀러 단말에 대한, 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 구매한 물품의 분류 번호, 사업 기간에 대한 값 및 고용 인원에 대한 값을 기반으로 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 사전 결정될 수 있다. 예를 들어, 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다.

이때, 예를 들어, 각 셀러 단말에 대해, 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 구매한 물품의 분류 번호, 사업 기간에 대한 값 및 고용 인원에 대한 값은 다양한 차원 축소 기법을 통해 3차원 이하의 벡터로 축소될 수 있다. 예를 들어, 서버는 주성분 분석(principal component analysis, PCA) 기법을 통해 상기 벡터를 3차원 이하의 차수로 축소시킬 수 있다. 예를 들어, 서버는 상기 벡터 데이터를 주성분 축에 사영했을 때 가장 높은 분산을 가지는 데이터의 축을 결정하고, 결정된 축으로 차원을 축소시킬 수 있다. 예를 들어, 서버는 복수의 벡터 데이터 중에서 가장 큰 분산을 기반으로 첫 번째 축을 생성할 수 있고, 두 번째 축은 첫 번째 벡터 축에 직각이 되는 벡터를 축으로 생성할 수 있다. 이후, 서버는 세 번째 축을 다시 두 번째 축과 직각이 되는 벡터를 축으로 생성할 수 있다. 서버가 생성된 3개의 벡터 축에 원본 데이터를 투영하면, 서버는 벡터 축의 개수만큼의 차원으로 원본 데이터를 차원 축소시킬 수 있다. 이하, 구직자에 대한 정보에 대한 데이터 전처리가 수행된 벡터가 생성되고, 상기 생성된 벡터를 다양한 차원 축소 기법을 통해 차원 축소시킨 벡터를 차원 축소 벡터라고 지칭할 수 있다.

예를 들어, 복수의 유형은 복수의 차원 축소 벡터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 n개의 유형으로 결정될 수 있다. 예를 들어, DBSCAN은 특정 요소(point)가 클러스터에 속하는 경우, 해당 클러스터 내 다른 많은 요소와 가까운 위치에 있어야 하는 것을 전제로 하며, 이러한 계산을 위해 직경(radius)과 최소 요소(minimum points)가 사용될 수 있다. 예를 들어, 직경은 특정 데이터 요소를 기준으로 하는 반경일 수 있고, 이를 밀도 영역(dense area)이라 지칭할 수 있다. 예를 들어, 최소 요소는 핵심 요소(core point)를 지정하기 위해 핵심 요소 주변으로 요소가 몇 개 필요한 지를 나타낼 수 있다. 또한, 데이터 세트의 각 요소는 핵심(core), 경계(border), 이상치 요소(outlier point)로 구분될 수 있다.

예를 들어, 뉴럴 네트워크를 통해, 서버는 요소별로 직경의 크기를 체크하고, 주변의 요소가 몇 개 있는지를 탐색할 수 있다. 이후, 서버는 직경의 범위 내에 m개 이상의 요소가 존재하면, 해당 요소를 핵심 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함된 요소를 경계 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함되지 않은 요소는 이상치 요소로 결정할 수 있고, 상기 이상치 요소는 해당 클러스터에서 제외될 수 있다. 또한, 서버는 핵심 요소들 사이의 거리가 직경보다 작을 경우, 해당 요소들을 동일한 클러스터로 분류할 수 있다.

이를 통해, 서버는 복수의 셀러 단말에 대해, 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 구매한 물품의 분류 번호, 사업 기간에 대한 값 및 고용 인원에 대한 값 등 다양한 변수를 고려하여, 복수의 유형으로 분류할 수 있다. 이후, 서버는 복수의 유형마다 구매를 선호하는 복수의 물품을 결정할 수 있다.

부가적으로, 예를 들어, 상기 셀러 단말에 대한 유형, 상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수, 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 정보 및 외부 환경에 대한 정보에 대한 데이터 전처리가 수행될 수 있다. 서버는 상기 셀러 단말에 대한 유형, 상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수, 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 정보 및 외부 환경에 대한 정보를 기반으로 셀러 단말에 대한 유형과 관련된 값, 셀러 단말에 대한 신뢰도, 셀러 단말에 대한 평가 점수, 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 분류 번호, 사전 설정된 기간에 대한 일별 온도, 사전 설정된 기간에 대한 일별 풍속 및 사전 설정된 기간에 대한 일별 강수 확률, 복수 개의 물품 키워드와 관련된 값으로 구성된 제3 입력 벡터를 생성할 수 있다. 복수 개의 물품 키워드와 관련된 값은 복수의 물품 키워드 각각에 대응하는 물품의 분류 번호를 포함할 수 있다.

예를 들어, 상기 제3 입력 벡터가 상기 제3 뉴럴 네트워크에 입력될 수 있다. 상기 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 복수의 제3 입력 벡터 및 정답 도매 상품의 분류 번호로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습될 수 있다. 여기서, 정답 도매 상품의 분류 번호는 복수의 제3 입력 벡터 각각마다 상기 서버에 사전 설정된 하나 이상의 분류 번호일 수 있다.

도 4는 일 실시예에 따른 추천 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 4를 참조하면, 추천 모델은 와이드 앤 딥 러닝 모델(wide and deep learning) 모델(400)일 수 있다. 와이드 앤 딥러닝 모델은 제3 입력 레이어(410), 하나 이상의 제3 히든 레이어(420) 및 제3 출력 레이어(430)를 포함할 수 있다. 와이드 앤 딥 러닝 모델은 와이드와 관련된 구성 요소(401)와 딥과 관련된 구성 요소(402)를 포함할 수 있다.

예를 들어, 와이드와 관련된 구성 요소(401)는 획득된 과거 데이터를 기반으로 학습하고, 과거 데이터 사이의 상관 관계를 학습함으로써, 가장 관련이 있는 특징 벡터들을 결정할 수 있다. 예를 들어, 와이드와 관련된 구성 요소는 선형 함수로 구성된 모델일 수 있고, 크로스-프로덕트 특징(cross-product feature)을 사용하는 모델일 수 있다. 여기서, 크로스-프로덕트 특징은 과거의 데이터를 기반으로 새로운 조합의 특징(feature)을 생성하는 것일 수 있다. 예를 들어, 와이드와 관련된 구성 요소를 기반으로 n개의 특징 벡터, m개의 크로스-프로덕트 특징 벡터를 통해 제1 예측 값이 결정될 수 있다.

예를 들어, 복수의 제3 입력 벡터 중에서 셀러 단말에 대한 유형과 관련된 값, 셀러 단말에 대한 신뢰도, 셀러 단말에 대한 평가 점수, 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 분류 번호 및 복수 개의 물품 키워드와 관련된 값을 기반으로 n개의 특징 벡터가 생성되고, n개의 특징 벡터와 복수의 정답 도매 상품의 분류 번호와 관련된 기준 벡터를 통해 m개의 크로스-프로덕트 특징 벡터가 생성될 수 있다. 예를 들어, n개의 특징 벡터가 상기 m개의 크로스-프로덕트 특징 벡터에 부합되는 것에 기반하여, 즉, n개의 특징 벡터가 기준 벡터의 범위에 포함되는 것으로 결정됨으로써, 제1 예측 값이 결정될 수 있다. 예를 들어, n개의 특징 벡터가 상기 m개의 크로스-프로덕트 특징 벡터에 부합되면, 상기 제1 예측 값은 1로 결정될 수 있다. 예를 들어, n개의 특징 벡터가 상기 m개의 크로스-프로덕트 특징 벡터에 부합되지 않으면, 상기 제1 예측 값은 0으로 결정될 수 있다.

예를 들어, 딥과 관련된 구성 요소(402)는 과거의 데이터에 없는 새로운 데이터를 생성하는 모델이며, 고차원의 상호작용 정보를 학습할 수 있다. 이를 위해, 딥과 관련된 구성 요소는 비선형 활성 함수를 이용한 제3 뉴럴 네트워크를 사용할 수 있다. 예를 들어, 딥과 관련된 구성 요소(402)는 밀집 임베딩 레이어(dense embedding layer)와 뉴럴 CF(Neural collaborative filtering) 레이어를 더 포함할 수 있다. 예를 들어, 밀집 임베딩 레이어는 입력 벡터를 임베딩 벡터로 변환시키는 레이어이며, 차원 축소 기법(예: SVD(singular value decomposition), PCA(principal component analysis))이 사용될 수 있다. 예를 들어, 뉴럴 CF 레이어는 복수의 레이어로 구성되며, 각 레이어에 대해 비선형 활성 함수가 적용될 수 있다. 예를 들어, 딥과 관련된 구성 요소(402)의 입력 벡터는 복수의 제3 입력 벡터 중에서 셀러 단말에 대한 유형과 관련된 값, 셀러 단말에 대한 신뢰도, 셀러 단말에 대한 평가 점수, 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 분류 번호, 사전 설정된 기간에 대한 일별 온도, 사전 설정된 기간에 대한 일별 풍속 및 사전 설정된 기간에 대한 일별 강수 확률을 포함한 벡터일 수 있다. 즉, 딥과 관련된 구성 요소(402)는 밀집 임베딩 레이어와 뉴럴 CF 레이어를 통해 입력 벡터가 기준 벡터의 범위에 부합하는지 여부에 대한 제2 예측 값을 결정할 수 있다.

예를 들어, 와이드 앤 딥러닝 모델은 상기 제1 예측 값과 상기 제2 예측 값에 마지막으로 시그모이드 활성함수를 적용시켜 0과 1사이의 확률 값으로 변환시킬 수 있다. 이때, 확률 값이 0.5 이상이면 1, 0.5 미만이면 0으로 다시 변환시킬 수 있고, 1인 경우에는 추천하는 도매 상품의 분류 번호로 결정할 수 있다.

따라서, 서버가 추천 모델로 와이드 앤 딥러닝 모델이 사용하면, 선형 함수를 적용한 와이드와 관련된 구성 요소를 통해 모델의 성능을 일반화할 수 있고, 비선형 함수를 적용한 딥과 관련된 구성 요소를 통해 새로운 데이터에 대한 예측을 보완함으로써, 보다 효율적으로 도매 상품을 추천할 수 있다.

도 5는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 전송하는 방법을 나타낸 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 5를 참조하면, 단계 S501에서, 서버는 셀러 단말로부터 연결 요청 메시지를 수신할 수 있다.

서버는 연결 요청 메시지에 포함된 사업자 등록 번호에 기반하여 외부 서버로부터 셀러 단말과 관련된 셀러의 신용 정보를 수신할 수 있다.

서버는 연결 요청 메시지에 포함된 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제1 정보를 획득할 수 있다.

서버는 셀러 단말에 대한 제1 정보에 포함된 셀러 단말과 관련된 웹 페이지 주소에 대한 정보에 기반하여 웹 크롤링을 통해 상기 셀러 단말과 관련된 스토어에 대한 정보를 획득할 수 있다.

단계 S502에서, 서버는 셀러 단말과 관련된 셀러의 신용 정보, 셀러 단말에 대한 제1 정보 및 셀러 단말과 관련된 스토어에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 신뢰도 평가 모델을 통해 셀러 단말에 대한 신뢰도를 결정할 수 있다.

단계 S503에서, 서버는 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값보다 큰 값인지 여부를 결정할 수 있다. 예를 들어, 사전 설정된 임계 값은 상술한 수학식 2에 의해 결정될 수 있다.

단계 S504에서, 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값 이하인 경우, 서버는 셀러 단말에게 연결 거절 메시지를 전송할 수 있다. 여기서, 연결 거절 메시지는 셀러 단말의 서버에 대한 연결을 거절하는 메시지로서, 셀러 단말로부터 수신한 연결 요청 메시지에 대한 거절 메시지일 수 있다.

단계 S505에서, 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값보다 큰 값인 경우, 서버는 셀러 단말과 연결을 확립할 수 있다.

단계 S506에서, 서버는 셀러 단말이 구매한 물품들 중에서 최저 가격 또는 재고 상태에 대한 변동이 있는지 여부를 결정할 수 있다. 재고 상태는 품절, 단종 및 재입고를 포함할 수 있다. 품절은 해당 물품의 재고가 없는 상태로, 이후 다시 입고가 될 수 있는 상태일 수 있다. 단종은 해당 물품을 더 이상 생산하지 않는 상태일 수 있다. 재입고는 품절 또는 단종이었던 물품에 대한 재고가 확보된 상태일 수 있다.

단계 S507에서, 셀러 단말이 구매한 물품들 중에서 최저 가격 또는 재고 상태에 대한 변동이 있는 경우, 서버는 셀러 단말에게 알림 메시지를 전송할 수 있다. 예를 들어, 알림 메시지는 물품에 대해 변동된 최저 가격, 현재 물품의 재고량, 현재 물품의 재고 상태 또는 입고 예정일 중 적어도 하나를 포함할 수 있다.

단계 S508에서, 서버는 셀러 단말이 구매한 물품들 중에서 어느 하나의 물품에 대해 최저 가격에서 판매 가격을 뺀 값이 양수인지 여부를 결정할 수 있다.

단계 S509에서, 최저 가격에서 판매 가격을 뺀 값이 양수인 경우, 서버는 셀러 단말을 차단 리스트에 추가할 수 있다.

예를 들어, 최저 가격에서 판매 가격을 뺀 값이 양수인 경우, 서버는 셀러 단말에게 경고 메시지를 전송할 수 있다. 경고 메시지를 전송한 시점으로 사전 설정된 유보 기간이 경과된 이후, 상기 셀러 단말과 관련된 스토어에서 판매하는 물품의 판매 가격이 여전히 최저 가격보다 낮은 경우, 서버는 셀러 단말을 차단 리스트에 추가할 수 있다. 여기서, 사전 설정된 유보 기간은 셀러 단말이 경고 메시지를 수신한 횟수가 증가할수록 짧아질 수 있다.

단계 S510에서, 서버는 셀러 단말이 차단 리스트에 추가된 시점으로부터 사전 설정된 기간이 경과되었는지 여부를 결정할 수 있다. 단계 S511에서, 사전 설정된 기간이 경과된 후, 서버는 차단 리스트에서 셀러 단말을 제외할 수 있다.

단계 S512에서, 차단 리스트에서 셀러 단말을 제외된 것에 기반하여, 서버는 연결 가능 메시지를 셀러 단말에게 전송할 수 있다. 여기서, 연결 가능 메시지는 셀러 단말이 다시 연결 요청 메시지를 서버에게 전송할 수 있음을 나타내는 메시지일 수 있다.

단계 S513에서, 최저 가격에서 판매 가격을 뺀 값이 음수인 경우, 서버는 셀러 단말에 대한 신뢰도 및 셀러 단말에 대한 제2 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 셀러 평가 모델을 통해 셀러 단말에 대한 평가 점수를 결정할 수 있다.

셀러 단말에 대한 제2 정보는 상기 서버와 상기 셀러 단말의 연결이 확립된 것에 기반하여 획득될 수 있다.

서버는 셀러 단말에 대한 신뢰도 및 셀러 단말에 대한 평가 점수에 기반하여 복수의 온라인 마켓들 중에서 셀러 단말에 대해 접근이 허용되는 적어도 하나의 온라인 마켓을 설정할 수 있다.

단계 S514에서, 서버는 적어도 하나의 온라인 마켓에 포함된 도매 상품을 기반으로 도매 상품에 대한 추천 리스트를 결정하고, 도매 상품에 대한 추천 리스트를 셀러 단말에게 전송할 수 있다.

예를 들어, 도매 상품에 대한 추천 리스트는 셀러 단말에 대한 유형, 셀러 단말에 대한 신뢰도, 셀러 단말에 대한 평가 점수, 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 정보 및 외부 환경에 대한 정보를 기반으로 제3 뉴럴 네트워크를 이용하는 추천 모델을 통해 결정될 수 있다.

셀러 단말에 대한 유형은 상기 서버에 등록된 복수의 셀러 단말에 대한 제1 정보 및 상기 복수의 셀러 단말에 대한 제2 정보에 따라 분류된 복수의 유형 중에서 어느 하나의 유형으로 결정될 수 있다. 예를 들어, 셀러 단말에 대한 유형은 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 구매한 물품의 분류 번호, 사업 기간에 대한 값 및 고용 인원에 대한 값을 기반으로 사전 설정된 n개의 유형 중 어느 하나의 유형으로 결정될 수 있다. 예를 들어, n개의 유형은, 복수의 셀러 단말에 대한, 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 구매한 물품의 분류 번호, 사업 기간에 대한 값 및 고용 인원에 대한 값을 기반으로 뉴럴 네트워크를 이용한 클러스터링 기법을 통해 사전 결정될 수 있다.

셀러 단말에 대한 신뢰도, 셀러 단말에 대한 평가 점수 및 도매 상품에 대한 정보에 기반하여 도매 상품에 대한 추천 리스트에 포함된 도매 상품 각각에 대해 상기 셀러 단말에게 제공되는 샘플의 개수가 결정될 수 있다. 예를 들어, 상기 샘플의 개수는 상술한 수학식 3에 의해 결정될 수 있다.

도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.

프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.

통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.

예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.

메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.

메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

1. 뉴럴 네트워크를 이용하여 서버가 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법에 있어서,
   셀러 단말로부터 연결 요청 메시지를 수신하는 단계;
   상기 연결 요청 메시지는 사업자 등록 번호 및 상기 셀러 단말과 관련된 식별 정보를 포함하고,
   상기 사업자 등록 번호에 기반하여 외부 서버로부터 상기 셀러 단말과 관련된 셀러의 신용 정보를 수신하는 단계;
   상기 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제1 정보를 획득하는 단계;
   상기 셀러 단말에 대한 제1 정보는 상기 셀러 단말의 활동 정보, 상기 셀러 단말의 구매 물품에 대한 정보, 상기 셀러 단말과 관련된 웹 페이지 주소에 대한 정보 및 상기 셀러 단말의 문의 내역에 대한 정보를 포함하고,
   상기 셀러 단말과 관련된 웹 페이지 주소에 대한 정보에 기반하여 웹 크롤링을 통해 상기 셀러 단말과 관련된 스토어에 대한 정보를 획득하는 단계;
   상기 셀러 단말과 관련된 셀러의 신용 정보, 상기 셀러 단말에 대한 제1 정보 및 상기 셀러 단말과 관련된 스토어에 대한 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 신뢰도 평가 모델을 통해 상기 셀러 단말에 대한 신뢰도를 결정하는 단계;
   상기 셀러 단말에 대한 신뢰도가 사전 설정된 임계 값보다 큰 것에 기반하여, 상기 셀러 단말과 연결을 확립하는 단계;
   상기 셀러 단말과 연결이 확립된 후, 상기 셀러 단말과 관련된 식별 정보에 기반하여 상기 서버에 입력된 상기 셀러 단말에 대한 제2 정보를 획득하는 단계;
   상기 셀러 단말에 대한 제2 정보는 상기 셀러 단말과 관련된 스토어의 매출 정보, 지식 재산 보유 현황에 대한 정보, 사업 기간에 대한 정보 및 고용 인원에 대한 정보를 포함하고,
   상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 제2 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 셀러 평가 모델을 통해 상기 셀러 단말에 대한 평가 점수를 결정하는 단계;
   상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 평가 점수에 기반하여 복수의 온라인 마켓들 중에서 상기 셀러 단말에 대해 접근이 허용되는 적어도 하나의 온라인 마켓을 설정하는 단계; 및
   도매 상품에 대한 추천 리스트를 상기 셀러 단말에게 전송하는 단계를 포함하되,
   상기 도매 상품에 대한 추천 리스트는 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품으로 구성되고,
   상기 복수의 온라인 마켓들은 복수의 공급 단말로부터 상기 서버에게 제공되는 도매 상품에 대한 정보를 기반으로 구성되고,
   도매 상품에 대한 정보는 도매 상품의 명칭, 도매 상품에 대한 안내 정보, 도매 상품에 대한 분류 번호, 도매 상품에 대한 이미지, 도매 상품에 대한 공급 가능량 및 도매 상품에 대한 최저 가격을 포함하고,
   상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수 및 상기 도매 상품에 대한 정보에 기반하여 상기 도매 상품에 대한 추천 리스트에 포함된 도매 상품 각각에 대해 상기 셀러 단말에게 제공되는 샘플의 개수가 결정되고,
   상기 셀러 단말과 관련된 셀러의 신용 정보, 상기 셀러 단말에 대한 제1 정보 및 상기 셀러 단말과 관련된 스토어에 대한 정보에 대한 제1 데이터 전처리를 통해 신용 점수에 대한 값, 활동 기간에 대한 값, 총 구매 금액, 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값, 셀러 단말과 관련된 스토어에 대한 점수 및 악성 문의를 한 횟수로 구성된 제1 입력 벡터가 생성되고,
   상기 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되고,
   상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
   복수의 제1 입력 벡터 및 정답 신뢰도 점수로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되고,
   상기 정답 신뢰도 점수는 하기 수학식에 의해 결정되고,
   

   

   
   상기 수학식에서, 상기 T_p는 상기 정답 신뢰도 점수이고, 상기 m은 상기 서버에 등록된 복수의 셀러 단말의 개수이고, 상기 d는 해당 셀러 단말의 활동 기간에 대한 값이고, 상기 d_j는 j번째 셀러 단말의 활동 기간에 대한 값이고, 상기 C_p는 해당 셀러 단말의 신용 점수에 대한 값이고, 상기 t_c는 해당 셀러 단말의 총 구매 금액이고, 상기 t_j는 j번째 셀러 단말의 총 구매 금액이고, 상기 O_p는 해당 셀러 단말과 관련된 스토어에 대한 점수이고, 상기 diff_j는 j번째 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값이고, 상기 diff는 해당 셀러 단말과 관련된 스토어에서 판매하는 각 물품에 대한 판매 가격에서 최저 가격을 뺀 값에 대한 절대 값을 평균한 값이고, 상기 n_b는 해당 셀러 단말이 악성 문의를 한 횟수인,
   방법.
   
2. 삭제
3. 제 1항에 있어서,
   상기 샘플의 개수는 하기 수학식에 의해 결정되고,
   

   

   
   상기 수학식에서, 상기 n_sample은 상기 샘플의 개수이고, 상기 n_max는 상기 도매 상품에 설정된 최대 샘플 개수이고, 상기 s_p는 상기 셀러 단말에 대한 평가 점수이고, 상기 k는 상기 셀러 단말이 구매한 물품의 개수이고, 상기 pf_i는 상기 셀러 단말이 구매한 i번째 물품에 대한 분류 번호의 맨 앞 두 자리의 숫자이고, 상기 pb_i는 상기 셀러 단말이 구매한 i번째 물품에 대한 분류 번호의 맨 앞 두 자리 다음의 두 자리 숫자이고, 상기 mf는 상기 도매 상품에 대한 분류 번호의 맨 앞 두 자리의 숫자이고, 상기 mb는 상기 도매 상품에 대한 분류 번호의 맨 앞 두 자리의 다음의 두 자리 숫자이고, 상기 T_p는 상기 셀러 단말에 대한 신뢰도이고, 상기 D는 상기 셀러 단말에 대한 기본 설정 값이고, 상기 α는 가중치인,
   방법.
   
4. 제 1항에 있어서,
   상기 도매 상품에 대한 추천 리스트는 상기 셀러 단말에 대한 유형, 상기 셀러 단말에 대한 신뢰도, 상기 셀러 단말에 대한 평가 점수, 상기 적어도 하나의 온라인 마켓에 포함된 도매 상품에 대한 정보 및 외부 환경에 대한 정보를 기반으로 제3 뉴럴 네트워크를 이용하는 추천 모델을 통해 결정되고,
   상기 외부 환경에 대한 정보는 기상청과 관련된 웹 페이지 및 검색 사이트와 관련된 웹 페이지에 대한 상기 서버의 웹 크롤링을 통해 획득되고,
   상기 외부 환경에 대한 정보는 기상 정보 및 검색 키워드에 대한 정보를 포함하고,
   상기 셀러 단말에 대한 유형은 상기 서버에 등록된 복수의 셀러 단말에 대한 제1 정보 및 상기 복수의 셀러 단말에 대한 제2 정보에 따라 분류된 복수의 유형 중에서 어느 하나의 유형으로 결정되는,
   방법.
   
5. 제 1항에 있어서,
   상기 셀러 단말에 대한 신뢰도 및 상기 셀러 단말에 대한 제2 정보에 대한 제2 데이터 전처리를 통해 매출액과 관련된 값, 지식 재산권을 보유한 개수, 사업 기간에 대한 값, 고용 인원에 대한 값 및 신뢰도와 관련된 값으로 구성된 제2 입력 벡터가 생성되고,
   상기 제2 입력 벡터가 상기 제2 뉴럴 네트워크에 입력되고,
   상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
   복수의 제2 입력 벡터 및 정답 평가 점수로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는,
   방법.

Images