KR102537212B1 - 사용자 정보를 이용한 의류 추천 서비스 제공 장치, 방법 및 프로그램 - Google Patents

Abstract

본 발명의 실시예에 따르면, 의류 추천 서비스를 제공하기 위한 장치가 제공된다. 상기 장치는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고, 상기 적어도 하나의 동작은, 신체측정센서로부터 사용자의 복수의 신체부위들에 대한 치수들을 획득하는 동작; 상기 사용자의 출입기록 및 구매기록을 이용해 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정하는 동작; 상기 사용자의 사용자 단말로부터 의류종류를 수신하는 동작; 상기 치수들 중 상기 의류종류와 대응하는 치수들인 피팅치수들을 결정하는 동작; 데이터베이스에서, 상기 의류종류와 대응하는 복수의 1차 의류제품들 선택하고, 상기 1차 의류제품들 각각과 대응하는 복수의 제품치수들을 선택하는 동작; 각각의 상기 제품치수들이 각각의 상기 피팅 치수들보다 큰 상기 1차 의류제품들을 2차 의류제품들로 결정하는 동작; 상기 브랜드별 선호도, 상기 의류종류별 선호비율, 상기 의류종류별 선호금액 및 상기 색상별 선호도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 선호도를 산출하는 동작; 상기 치수들을 이용하여 각각의 상기 2차 의류제품들과 대응하는 매칭도를 산출하는 동작; 상기 선호도 및 상기 매칭도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 평점을 산출하는 동작; 및 상기 2차 의류제품들 및 상기 2차 의류제품들 각각의 평점을 상기 사용자 단말에 전송하는 동작을 포함할 수 있다.

Description

사용자 정보를 이용한 의류 추천 서비스 제공 장치, 방법 및 프로그램 {APPARATUS, METHOD AND PROGRAM FOR PROVIDING CLOTHING RECOMMENDATION SERVICE USING USER INFORMATION}

본 발명은 사용자 정보를 이용한 의류 추천 서비스 제공 장치, 방법 및 프로그램에 관한 것이다.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.

정보통신인프라가 발전됨에 따라 오프라인 상의 비즈니스를 온라인으로 옮긴 형태의 온라인 서비스들이 폭발적으로 증가되고 있다. 온라인 상에서 의류를 판매하는 서비스들이 폭발적으로 증가되고 있다.

이에 따라, 소비자들의 선택을 받기 온라인 상에서 소비자의 선택을 받기 위해, 소비자의 개인정보를 분석하여 소비자의 취향에 맞는 의류를 소비자에게 제공하는 기술에 대한 필요성이 대두되고 있다.

본 발명은, 사용자의 신체치수들, 출입기록, 구매기록 및 필요한 의류종류를 이용하여 사용자에게 추천할 의류제품들의 리스트 및 리스트에 포함된 의류제품들 각각의 평점을 결정하고, 결정된 의류제품들이 리스트 및 리스트에 포함된 의류제품들 각각의 평점을 사용자에게 제공할 수 있는, 의류 추천 서비스 제공 장치, 방법 및 프로그램을 제공하는 것을 일 목적으로 한다.

상기 목적을 달성하기 위한 본 발명의 일 측면은, 의류 추천 서비스를 제공하기 위한 장치를 제공한다.

상기 장치는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함한다.

또한, 상기 적어도 하나의 동작은, 신체측정센서로부터 사용자의 복수의 신체부위들에 대한 치수들을 획득하는 동작; 상기 사용자의 출입기록 및 구매기록을 이용해 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정하는 동작; 상기 사용자의 사용자 단말로부터 의류종류를 수신하는 동작; 상기 치수들 중 상기 의류종류와 대응하는 치수들인 피팅치수들을 결정하는 동작; 데이터베이스에서, 상기 의류종류와 대응하는 복수의 1차 의류제품들 선택하고, 상기 1차 의류제품들 각각과 대응하는 복수의 제품치수들을 선택하는 동작; 각각의 상기 제품치수들이 각각의 상기 피팅 치수들보다 큰 상기 1차 의류제품들을 2차 의류제품들로 결정하는 동작; 상기 브랜드별 선호도, 상기 의류종류별 선호비율, 상기 의류종류별 선호금액 및 상기 색상별 선호도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 선호도를 산출하는 동작; 상기 치수들을 이용하여 각각의 상기 2차 의류제품들과 대응하는 매칭도를 산출하는 동작; 상기 선호도 및 상기 매칭도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 평점을 산출하는 동작; 및 상기 2차 의류제품들 및 상기 2차 의류제품들 각각의 평점을 상기 사용자 단말에 전송하는 동작을 포함할 수 있다.

또한, 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정하는 동작은, 상기 출입기록을 이용해 브랜드별로 매장을 방문하거나 사이트에 접속한 출입횟수를 획득하는 동작; 상기 구매기록을 이용해 브랜드별로 구매횟수를 획득하는 동작; 상기 출입횟수 및 상기 구매횟수를 이용해 브랜드별로 구매전환율을 획득하는 동작; 및 상기 출입횟수, 상기 구매횟수 및 상기 구매전환율을 이용해 상기 브랜드별 선호도를 결정하는 동작을 포함할 수 있다.

또한, 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정하는 동작은, 상기 구매기록을 이용해 의류종류별로 복수의 구매금액들을 획득하는 동작; 및 상기 구매금액들을 이용하여 상기 의류종류별 선호금액을 결정하는 동작을 포함할 수 있다.

또한, 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정하는 동작은, 상기 구매기록을 이용해 의류종류별로 구매제품들을 획득하는 동작; 및 상기 데이터베이스에서 상기 구매제품들 각각과 대응하는 제품비율을 선택하고, 상기 구매제품들 각각의 상기 제품비율을 이용해 상기 의류종류별 선호비율을 결정하는 동작을 포함할 수 있다.

또한, 각각의 상기 2차 의류제품들과 대응하는 선호도를 산출하는 동작은, 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 이용해 기준벡터를 생성하는 동작; 상기 데이터베이스에서 상기 2차 의류제품들 각각과 대응하는 브랜드, 제품비율, 금액 및 색상을 선택하는 동작;

선택된 상기 브랜드, 상기 제품비율, 상기 금액 및 상기 색상과 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 이용해 상기 2차 의류제품들 각각과 대응하는 제품벡터를 생성하는 동작; 및 상기 기준벡터와 상기 제품벡터를 이용해 상기 2차 의류제품들 각각과 대응하는 상기 선호도를 산출하는 동작을 포함할 수 있다.

또한, 상기 제2 치수들을 이용하여 각각의 상기 2차 의류제품들과 대응하는 매칭도를 산출하는 동작은, 상기 데이터베이스에서 상기 2차 의류제품들 각각과 대응하는 복수의 제품치수들을 선택하는 동작; 상기 제품치수들을 미리 학습된 제1 기계학습모델에 입력 값으로 입력하고, 상기 제1 기계학습모델로부터 상기 신체부위들과 대응하는 최적신체치수들을 획득하는 동작; 상기 치수들을 이용해 사용자치수벡터를 생성하고, 상기 최적신체치수들을 이용해 상기 2차 의류제품들 각각과 대응하는 최적치수벡터를 생성하는 동작; 및 상기 사용자치수벡터 및 상기 최적치수벡터를 이용해 상기 2차 의류제품들 각각과 대응하는 상기 매칭도를 결정하는 동작을 포함할 수 있다.

또한, 상기 적어도 하나의 동작은, 상기 사용자 단말로부터 복수의 보유제품 이미지들을 수신하는 동작; 상기 데이터베이스에서 상기 2차 의류제품들 각각과 대응하는 2차 의류제품 이미지를 선택하는 동작; 상기 2차 의류제품 이미지와 상기 보유제품 이미지를 미리 학습된 제2 기계학습모델에 입력 값으로 입력하고, 상기 제2 기계학습모델로부터 상기 보유제품 이미지와 대응하는 점수를 획득하는 동작; 및 상기 보유제품 이미지들 각각의 상기 점수를 이용하여 상기 2차 의류제품과 대응하는 추천도를 결정하는 동작을 더 포함하고, 상기 선호도 및 상기 매칭도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 평점을 산출하는 동작은, 상기 선호도, 상기 매칭도 및 상기 추천도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 상기 평점을 산출하는 동작일 수 있다.

본 발명의 일 실시예에 따르면, 사용자의 신체치수들과 맞는 의류제품들의 리스트가 사용자에 제공될 수 있으며, 사용자의 선호성향과 상대적으로 유사하고, 사용자의 신체치수들에 상대적으로 잘 매칭되며, 사용자가 보유하고 있는 의류제품들과 상대적으로 잘 매칭되는 의류제품들이 사용자에게 추천될 수 있다.

도 1은 일 실시예에 따른 의류 추천 서비스를 제공하기 위한 시스템에 대한 개요도이다.
도 2는 도 1에 따른 서비스 제공 장치의 동작 과정을 예시적으로 나타낸 블록도이다.
도 3은 도 1에 따른 서비스 제공 장치의 기능적 모듈을 예시적으로 나타낸 도면이다.
도 4는 도 2에 따른 서비스 제공 장치의 동작 과정을 도시하는 흐름도다.
도 5는 도 4의 S170단계의 구체적인 과정을 도시하는 흐름도다.
도 6은 도 4의 S180단계의 구체적인 과정을 도시하는 흐름도다.
도 7은 도 4의 S190단계의 구체적인 과정을 도시하는 흐름도다.
도 8은 도 2에 따른 서비스 제공 장치의 동작 과정을 도시하는 흐름도다.
도 9는 도 1에 따른 서비스 제공 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 일 실시예에 따른 의류 추천 서비스를 제공하기 위한 시스템에 대한 개요도이다.

도 1을 참조하면, 의류 추천 서비스를 제공하기 위한 시스템은, 서비스 제공 장치(100), 신체측정센서(200) 및 사용자 단말(300)을 포함한다. 도시된 실시예에서, 하나의 신체측정센서(200)와 서비스 제공 장치(100)가 통신 가능하게 연결되는 것으로 도시되나, 이에 한정되는 것은 아니며 복수의 신체측정센서(200)들과 서비스 제공 장치(100)가 통신 가능하게 연결될 수 있다. 도시된 실시예에서, 하나의 사용자 단말(300)과 서비스 제공 장치(100)가 통신 가능하게 연결되는 것으로 도시되나, 이에 한정되는 것은 아니며 복수의 사용자 단말(300)들과 서비스 제공 장치(100)가 통신 가능하게 연결될 수 있다.

신체측정센서(200)는 사용자의 복수의 신체부위들과 대응하는 복수의 치수들을 측정할 수 있도록 구성될 수 있다.

신체측정센서(200)는 신체부위들과 대응하는 치수들을 서비스 제공 장치(100) 또는 사용자 단말(300)에 전송할 수 있다.

사용자 단말(300)은, 의류 추천 서비스를 통해 사용자에게 적합한 의류제품을 추천 받고자 하는 사용자의 단말로서, 서비스 제공 장치(100)에 사용자의 정보를 제공한다. 일 실시예에서, 사용자의 정보는, 사용자가 오프라인 매장 또는 온라인 사이트를 방문한 출입기록, 사용자의 성별, 사용자의 나이, 사용자의 의류제품 구매기록 및 사용자가 구매하고자 하는 의류종류 등을 포함할 수 있다.

도 2는 도 1에 따른 서비스 제공 장치(100)의 동작 과정을 예시적으로 나타낸 도면이다.

먼저, 신체측정센서(200)는, 서비스 제공 장치(100)에 사용자의 복수의 신체부위들과 대응하는 복수의 치수들을 전송한다.

또한, 사용자 단말(300)은, 서비스 제공 장치(100)에 사용자의 출입기록, 구매기록 및 의류종류를 전송한다. 일 실시예에서, 사용자 단말(300)은, 서비스 제공 장치(100)에 사용자의 성별 및 나이를 전송할 수 있다.

또한, 서비스 제공 장치(100)는, 사용자의 신체부위들과 대응하는 치수들을 이용하여 데이터베이스에서 사용자에게 적합한 사이즈를 갖는 의류제품들을 선택한다.

또한, 서비스 제공 장치(100)는, 사용자가 보유하고 있는 의류들의 이미지들, 출입기록 및 구매기록을 이용하여 선택한 의류제품들 각각과 대응하는 선호도, 매칭도 및 추천도를 결정하고, 선호도, 매칭도 및 추천도에 기초하여 선택한 의류제품들 각각과 대응하는 평점을 결정할 수 있다.

또한, 서비스 제공 장치(100)는, 사용자 단말(300)에 선택한 의류제품들의 리스트 및 선택한 의류제품들 각각의 평점을 전송할 수 있다. 일 실시예에서, 서비스 제공 장치(100)는, 리스트에 포함된 의류제품들을 평점이 높은 순서대로 나열할 수 있다.

사용자 단말(300)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.

도 3은 도 1에 따른 서비스 제공 장치(100)의 기능적 모듈을 예시적으로 나타낸 블록도이다.

도 3을 참조하면, 서비스 제공 장치(100)는, 후보제품 결정모듈(101), 선호도 결정모듈(102), 매칭도 결정모듈(103), 추천도 결정모듈(104) 및 평점 결정모듈(105)을 포함한다.

도 4는 도 2에 따른 서비스 제공 장치(100)의 동작 과정을 도시하는 흐름도다.

먼저, 후보제품 결정모듈(101)은, 신체측정센서(200)로부터 사용자의 복수의 신체부위들에 대한 치수들을 획득한다(S110).

일 실시예에서, 목둘레, 가슴둘레, 어깨너비, 소매길이, 위팔둘레, 등길이, 허리둘레, 엉덩이둘레, 허벅지둘레, 밑단둘레, 밑위길이, 총다리길이 등이 신체부위들로 설정될 수 있다. 다만, 이에 한정되는 것은 아니며, 신체치수를 측정하기 위한 다양한 신체부위들이 설정될 수 있다. 일 실시예에서, 성별에 따라 신체부위들은 다르게 설정될 수 있다.

또한, 후보제품 결정모듈(101)은, 사용자의 사용자 단말(300)로부터 의류종류를 수신한다(S120).

또한, 후보제품 결정모듈(101)은, 치수들 중 의류종류와 대응하는 치수들을 피팅치수들로 결정한다(S130).

서비스 제공 장치(100)의 데이터베이스에는 의류종류와 의류종류를 착용하기 위한 치수들이 미리 매칭되어 저장된다. 후보제품 결정모듈(101)은, 데이터베이스에서 수신된 의류종류와 매칭되는 치수들을 선택하고, 선택한 치수들을 피팅치수들로 결정한다. 예를 들어, 가슴둘레, 허리둘레, 밑단둘레, 어깨너비, 목너비, 옷길이 및 팔길이 등의 치수들이 티셔츠와 매칭되어 데이터베이스에 저장될 수 있다.

또한, 후보제품 결정모듈(101)은, 데이터베이스에서, 의류종류와 대응하는 복수의 1차 의류제품들을 선택하고, 1차 의류제품들 각각과 대응하는 복수의 제품치수들을 선택한다(S140).

서비스 제공 장치(100)의 데이터베이스에는 의류종류와 의류제품들이 미리 매칭되어 저장된다. 예를 들어, 티셔츠와 티셔츠에 해당되는 의류제품들이 미리 매칭되어 데이터베이스에 저장된다. 후보제품 결정모듈(101)은, 데이터베이스에서 수신된 의류종류와 매칭되어 저장된 의류제품들을 선택하고, 선택된 의류제품들을 1차 의류제품들로 결정한다.

서비스 제공 장치(100)의 데이터베이스에는 의류제품과 제품치수들이 미리 매칭되어 저장된다. 일 실시예에서, 제품치수들은 의류제품에 대하여 기 설정된 복수의 부위들을 측정한 치수들을 의미한다. 후보제품 결정모듈(101)은, 데이터베이스에서 1차 의류제품들 각각과 대응하는 복수의 제품치수들을 검색한다.

또한, 후보제품 결정모듈(101)은, 각각의 제품치수들이 각각의 제품치수들과 대응하는 각각의 피팅치수들보다 큰 1차 의류제품들을 2차 의류제품들로 결정한다(S150).

1차 의류제품의 제품치수들 각각과 사용자의 피팅치수들 각각은 1:1 대응되며, 각각의 제품치수들이 각각의 제품치수들과 대응하는 각각의 피팅치수들보다 큰 경우, 후보제품 결정모듈(101)은, 1차 의류제품을 2차 의류제품으로 결정한다. 즉, 제품치수들이 피팅치수들을 포함하는 1차 의류제품이 2차 의류제품으로 결정된다.

또한, 선호도 결정모듈(102)은, 사용자의 출입기록 및 구매기록을 이용해 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정한다(S160).

선호도 결정모듈(102)은, 출입기록을 이용해 브랜드별로 매장을 방문하거나 사이트에 접속한 출입횟수를 획득한다. 일 실시예에서, 선호도 결정모듈(102)은, 사용자 단말(300)에 포함된 GPS 모듈을 통해 결정된 사용자의 위치정보를 이용하여 사용자가 브랜드별로 매장을 방문한 출입횟수를 결정할 수 있다. 일 실시예에서, 선호도 결정모듈(102)은, 사용자 단말(300)의 데이터베이스에 저장된 웹사이트 방문기록 및 쇼핑 어플리케이션 사용이력을 이용하여 사용자가 브랜드별로 웹사이트에 접속한 출입횟수를 획득할 수 있다.

선호도 결정모듈(102)은, 구매기록을 이용해 브랜드별로 구매횟수를 획득할 수 있다.

선호도 결정모듈(102)은, 출입횟수 및 구매횟수를 이용하여 브랜드별로 구매전활율을 획득할 수 있다. 선호도 결정모듈(102)은, 구매횟수를 출입횟수로 나눈 값을 구매전환율로 결정할 수 있다.

선호도 결정모듈(102)은, 출입횟수, 구매횟수 및 구매전환율을 이용해 브랜드별 선호도를 결정할 수 있다. 일 실시예에서, 선호도 결정모듈(102)은, 출입횟수에 제1 계수를 곱한 제1 값과 구매횟수에 제2 계수를 곱한 제2 값의 합에 보정계수를 곱한 값을 선호도로 결정할 수 있다. 일 실시예에서, 제2 계수는 제1 계수보다 상대적으로 크게 설정될 수 있으며, 보정계수는 구매전환율이 높을수록 상대적으로 크게 설정될 수 있다. 예를 들어, 1에 구매전환율을 더한 값이 보정계수로 설정될 수 있다.

선호도 결정모듈(102)은, 구매기록을 이용해 의류종류별로 복수의 구매금액들을 획득한다. 선호도 결정모듈(102)은, 구매금액들을 이용하여 상기 의류종류별 선호금액을 결정할 수 있다. 일 실시예에서, 선호도 결정모듈(102)은, 특정 의류종류와 대응하는 구매금액들의 평균 값을 특정 의류종류에 대한 선호금액으로 결정할 수 있다. 일 실시예에서, 선호도 결정모듈(102)은, 특정 의류종류와 대응하는 구매금액들을 기 설정된 복수의 금액범위별로 분류하고, 구매금액들이 가장 많이 포함되는 금액범위의 중간 값을 선호금액으로 결정할 수 있다.

선호도 결정모듈(102)은, 구매기록을 이용해 의류종류별로 구매제품들을 획득할 수 있다.

선호도 결정모듈(102)은, 서비스 제공 장치(100)의 데이터베이스에서 구매제품들 각각과 대응하는 제품비율을 선택하고, 구매제품들 각각의 제품비율을 이용해 상기 의류종류별 선호비율을 결정할 수 있다. 일 실시예에서, 제품비율은 구매제품과 대응하는 복수의 제품치수들 사이의 비율을 의미한다. 예를 들어, 구매제품의 의류종류가 반팔 티셔츠인 경우, 가슴둘레와 허리둘레의 비율, 허리둘레와 밑단둘레의 비율, 어깨너비와 목너비의 비율, 옷길이와 팔길이의 비율 등이 구매제품과 매칭되어 데이터베이스에 저장될 수 있다. 일 실시예에서, 선호도 결정모듈(102)은, 의류종류가 동일한 구매제품들의 제품비율들의 평균 값을 선호비율로 결정할 수 있다. 예를 들어, 의류종류가 반팔 티셔츠인 구매제품들의 가슴둘레와 허리둘레의 비율들의 평균 값, 의류종류가 반팔 티셔츠인 구매제품들의 허리둘레와 밑단둘레의 비율들의 평균 값 등이 반팔티셔츠의 선호비율로 결정될 수 있다. 일 실시예에서, 선호도 결정모듈(102)은, 의류종류가 동일한 구매제품들의 제품비율들을 복수의 비율구간들로 분류하고, 가장 많은 숫자가 포함된 비율구간의 중간 값을 선호비율로 결정할 수 있다. 예를 들어, 의류종류가 반팔 티셔츠인 구매제품들의 허리둘레와 밑단둘레의 비율들이 가장 많이 속한 비율구간이 0.86~0.90인 경우, 0.88이 허리둘레와 밑단둘레의 선호비율로 결정될 수 있다.

선호도 결정모듈(102)은, 구매기록을 이용해 색상별 선호도를 결정할 수 있다.

선호도 결정모듈(102)은, 서비스 제공 장치(100)의 데이터베이스에서 구매제품들 각각과 대응하는 구매제품이미지를 선택하고, 구매제품들 각각의 구매제품이미지를 이용해 색상별 선호도를 결정할 수 있다. 일 실시예에서, 선호도 결정모듈(102)은, 구매제품이미지에서 구매제품과 대응되는 부분을 식별하고, 구매제품과 대응되는 부분에 포함된 픽셀의 색상별 분포도를 획득할 수 있다. 선호도 결정모듈(102)은, 구매제품이미지들 각각의 색상별 분포도를 이용하여 색상별 선호도를 결정할 수 있다. 예를 들어, 상대적으로 많이 분포되어 있는 색상에 대한 선호도를 상대적으로 높은 값으로 결정하고, 상대적으로 적게 분포되어 있는 색상에 대한 선호도를 상대적으로 낮은 값으로 결정할 수 있다.

또한, 선호도 결정모듈(102)은, 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 이용하여 각각의 2차 의류제품들과 대응하는 제품선호도를 산출한다(S170).

도 5는 도 4의 S170단계의 구체적인 과정을 도시하는 흐름도다.

먼저, 선호도 결정모듈(102)은, 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 이용해 기준벡터를 생성한다(S171).

선호도 결정모듈(102)은, 선호도가 가장 높은 브랜드의 선호도, 사용자 단말(300)로부터 수신한 의류종류와 대응하는 선호비율, 사용자 단말(300)로부터 수신한 의류종류와 대응하는 선호금액 및 선호도가 가장 높은 색상의 선호도를 각각의 차원들의 값으로 갖는 기준벡터를 생성한다. 예를 들어, 선호도가 가장 높은 브랜드의 선호도가 90이고, 사용자 단말(300)로부터 수신한 의류종류와 대응하는 선호비율이 0.90, 0.98, 0.34 및 0.25이며, 사용자 단말(300)로부터 수신한 의류종류와 대응하는 선호금액이 30000이고, 선호도가 가장 높은 색상의 선호도가 87인 경우, 90, 0.90, 0.98, 0.34, 0.25, 30000, 87를 각각의 차원들의 값으로 갖는 기준벡터가 생성될 수 있다.

선호도 결정모듈(102)은, 서비스 제공 장치(100)의 데이터베이스에서 2차 의류제품들 각각과 대응하는 브랜드, 제품비율, 금액 및 색상을 선택한다(S172).

서비스 제공 장치(100)의 데이터베이스에는 2차 의류제품과 브랜드, 제품비율, 금액 및 색상분포도가 미리 매칭되어 저장되고, 선호도 결정모듈(102)은, 데이터베이스에서 2차 의류제품과 매칭된 브랜드, 제품비율, 금액 및 색상분포도를 검색한다.

또한, 선호도 결정모듈(102)은, 선택된 브랜드, 제품비율, 금액 및 색상분포도와 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 이용해 2차 의류제품들 각각과 대응하는 제품벡터를 생성한다(S173).

선호도 결정모듈(102)은, 브랜드별 선호도를 이용해 선택된 브랜드와 대응하는 선호도를 결정할 수 있다.

선호도 결정모듈(102)은, 선택된 색상분포도를 이용해 2차 의류제품의 색상에 대한 사용자의 예상선호도를 결정할 수 있다. 예를 들어, 선호도 결정모듈(102)은, 색상분포도를 이용하여 의류제품의 색상별 비율을 결정하고, 각각의 색상들과 각각의 색상들과 대응하는 선호도를 곱한 값을 모두 더한 값을 2차 의류제품의 색상에 대한 사용자의 예상선호도로 결정할 수 있다.

선호도 결정모듈(102)은, 선택된 브랜드와 대응하는 선호도, 제품비율, 금액 및 2차 의류제품의 색상에 대한 사용자의 예상선호도를 각각의 차원들의 값으로 갖는 제품백터를 생성할 수 있다. 예를 들어, 선택된 브랜드와 대응하는 선호도가 80이고, 제품비율이 0.88, 0.97, 0.33 및 0.24이며, 금액이 32000이고, 2차 의류제품의 색상에 대한 사용자의 예상선호도가 80인 경우, 80, 0.88, 0.97, 0.33, 0.24, 32000, 80을 각각의 차원들의 값으로 갖는 제품벡터가 생성될 수 있다.

또한, 선호도 결정모듈(102)은, 기준벡터와 제품벡터를 이용해 2차 의류제품들 각각과 대응하는 제품선호도를 산출한다(S174).

선호도 결정모듈(102)은, 기준벡터와 제품벡터 사이의 코사인 유사도를 이용하여 2차 의류제품과 대응하는 제품선호도를 산출할 수 있다.

제품선호도는 아래의 수학식 1에 의해 산출될 수 있다.

상기 수학식 1에서, F는 제품선호도를 의미하고, A는 기준벡터를 의미하며, B는 제품벡터를 의미한다.

삭제

브랜드, 비율, 금액 및 색상에 관한 사용자의 선호성향과 2차 의류제품의 브랜드, 비율, 금액 및 색상의 유사도가 높을수록, 상대적으로 큰 값이 2차 의류제품에 대한 제품선호도로 결정될 수 있다. 브랜드, 비율, 금액 및 색상에 관한 사용자의 선호성향과 2차 의류제품의 브랜드, 비율, 금액 및 색상의 유사도가 낮을수록, 상대적으로 작은 값이 2차 의류제품에 대한 제품선호도로 결정될 수 있다.

다시 도 4를 참조하면, 매칭도 결정모듈(103)은, 치수들을 이용하여 각각의 2차 의류제품들과 대응하는 매칭도를 산출한다(S180).

도 6은 도 4의 S180단계의 구체적인 과정을 도시하는 흐름도다.

먼저, 매칭도 결정모듈(103)은, 서비스 제공 장치(100)의 데이터베이스에서 2차 의류제품들 각각과 대응하는 복수의 제품치수들을 선택한다(S181).

서비스 제공 장치(100)의 데이터베이스에는 2차 의류제품과 복수의 제품치수들이 미리 매칭되어 저장되며, 매칭도 결정모듈(103)은, 2차 의류제품과 매칭되는 제품치수들을 검색한다.

또한, 매칭도 결정모듈(103)은, 제품치수들을 미리 학습된 제1 기계학습모델에 입력 값으로 입력하고, 제1 기계학습모델로부터 신체부위들과 대응하는 복수의 최적신체치수들을 획득한다(S182).

일 실시예에서, 제1 기계학습모델은, 제품치수들에 최적신체치수들을 라벨링하여 생성한 학습데이터를 이용한 기계학습을 통해 생성될 수 있다. 일 실시예에서, Random Forest, XGBoost, 다중회귀분석 등이 제1 기계학습모델의 학습에 이용될 수 있다. 다만, 이에 한정되는 것은 아니다.

또한, 매칭도 결정모듈(103)은, 치수들을 이용해 사용자치수벡터를 생성하고, 최적신체치수들을 이용해 2차 의류제품들 각각과 대응하는 최적치수벡터를 생성한다(S183).

매칭도 결정모듈(103)은, 각각의 치수들을 각각의 차원의 값으로 갖는 사용자치수벡터를 생성하고, 각각의 최적신체치수들을 각각의 차원의 값으로 갖는 최적치수벡터를 생성한다.

또한, 매칭도 결정모듈(103)은, 사용자치수벡터 및 최적치수벡터를 이용해 2차 의류제품들 각각과 대응하는 매칭도를 산출한다(S184).

매칭도는 아래의 수학식 2에 의해 산출될 수 있다.

상기 수학식 2에서, M은 매칭도를 의미하고, C는 사용자치수벡터를 의미하며, D는 최적치수벡터를 의미한다.

2차 의류제품을 착용하기에 가장 적합한 신체치수들과 실제 사용자의 신체치수들 사이의 유사도가 높을수록, 상대적으로 큰 값이 2차 의류제품에 대한 매칭도로 결정될 수 있다. 2차 의류제품을 착용하기에 가장 적합한 신체치수들과 실제 사용자의 신체치수들 사이의 유사도가 낮을수록, 상대적으로 작은 값이 2차 의류제품에 대한 매칭도로 결정될 수 있다.

다시 도 4를 참조하면, 추천도 결정모듈(104)은, 사용자 단말로부터 수신한 복수의 보유제품 이미지들을 이용하여 각각의 2차 의류제품들과 대응하는 추천도를 산출한다(S190).

도 7은 도 4의 S190단계의 구체적인 과정을 도시하는 흐름도다.

먼저, 추천도 결정모듈(104)은, 사용자 단말(300)로부터 복수의 보유제품 이미지들을 수신한다(S191).

또한, 추천도 결정모듈(104)은, 서비스 제공 장치(100)의 데이터베이스에서 2차 의류제품들 각각과 대응하는 2차 의류제품 이미지를 선택한다(S192).

서비스 제공 장치(100)의 데이터베이스에는 2차 의류제품과 2차 의류제품 이미지가 미리 매칭되어 저장되고, 추천도 결정모듈(104)은, 2차 의류제품과 매칭되는 2차 의류제품 이미지를 검색한다.

또한, 추천도 결정모듈(104)은, 2차 의류제품 이미지와 보유제품 이미지를 미리 학습된 제2 기계학습모델에 입력 값으로 입력하고, 제2 기계학습모델로부터 보유제품 이미지와 대응하는 점수를 획득한다(S193).

일 실시예에서, 제2 기계학습모델은, 2차 의류제품 이미지로부터 제1 의류벡터를 획득하고, 보유제품 이미지로부터 제2 의류벡터를 획득하며, 제1 의류벡터 및 제2 의류벡터를 이용해 보유제품 이미지와 대응하는 점수를 산출할 수 있다. 의류벡터는 의류종류, 스타일 및 색상패턴을 각각의 차원들의 값으로 하는 벡터를 의미한다.

일 실시예에서, 제2 기계학습모델은, 2차 의류제품 이미지 또는 보유제품 이미지를 입력 값으로 입력했을 때, 2차 의류제품 이미지 또는 보유제품 이미지에 포함된 의류객체에 대한 객체박스를 출력하고, 객체박스에 포함된 의류객체를 포함하는 이미지를 입력 값으로 입력했을 때, 이미지 내에서 의류객체가 차지하는 영역에 대한 정보를 출력하며, 의류객체가 차지하는 영역과 대응하는 이미지를 입력 값으로 입력했을 때, 의류객체와 대응하는 의류벡터를 출력하도록 기계 학습된 Mask-rcnn(Mask region convolutional neural network) 모델을 포함할 수 있다. 또한, 제2 기계학습모델은 2차 의류제품 이미지와 대응하는 의류벡터(제1 의류벡터)와 보유제품 이미지와 대응하는 의류벡터(제2 의류벡터)를 입력 값으로 입력했을 때, 보유제품 이미지와 대응하는 점수를 출력하도록 기계 학습된 XGBoost 모델 또는 Random Forest 모델을 포함할 수 있다.

또한, 추천도 결정모듈(104)은, 보유제품 이미지들 각각의 점수를 이용하여 2차 의류제품과 대응하는 추천도를 산출한다(S194).

일 실시예에서, 추천도 결정모듈(104)은, 보유제품 이미지들 각각의 점수의 평균 값을 2차 의류제품과 대응하는 추천도로 결정할 수 있다.

이를 통해, 2차 의류제품과 사용자의 보유제품들을 매칭하는 경우, 잘 어울릴 것으로 예상될수록 상대적으로 높은 값이 2차 의류제품의 추천도로 결정될 수 있다. 2차 의류제품과 사용자의 보유제품들을 매칭하는 경우, 잘 어울리지 않을 것으로 예상될수록 상대적으로 높은 값이 2차 의류제품의 추천도로 결정될 수 있다.

다시 도 4를 참조하면, 서비스 제공 장치(100)는, 평점 결정모듈(105)을 포함한다.

도 8은 도 2에 따른 서비스 제공 장치(100)의 동작 과정을 도시하는 흐름도다.

먼저, 평점 결정모듈(105)은, 제품선호도, 매칭도 및 추천도를 이용하여 각각의 2차 의류제품들과 대응하는 평점을 산출한다(S210).

평점은 아래의 수학식 3에 의해 산출될 수 있다.

상기 수학식 3에서, P는 평점을 의미하고, F는 제품선호도를 의미하며, M은 매칭도를 의미하고, R은 추천도를 의미하며, K1은 기 설정된 제품선호도의 최대 값을 의미하고, K2는 기 설정된 매칭도의 최대 값을 의미하며, K3는 기 설정된 추천도의 최대 값을 의미한다.

일 실시예에서, 평점 결정모듈(105)은, 제품선호도 및 매칭도를 이용하여 각각의 2차 의류제품들과 대응하는 평점을 산출할 수 있다.

이 경우, 평점은 아래의 수학식 4에 의해 산출될 수 있다.

상기 수학식 4에서, P는 평점을 의미하고, F는 제품선호도를 의미하며, M은 매칭도를 의미하고, K1은 기 설정된 제품선호도의 최대 값을 의미하고, K2는 기 설정된 매칭도의 최대 값을 의미한다.

또한, 평점 결정모듈(105)은, 2차 의류제품들의 리스트 및 2차 의류제품들 각각의 평점을 사용자 단말(300)에 전송한다(S220).

일 실시예에서, 평점 결정모듈(105)은, 리스트에 포함된 2차 의류제품들을 평점이 높은 순서대로 나열할 수 있다.

이를 통해, 사용자의 신체치수들과 맞는 2차 의류제품들의 리스트가 사용자 단말(300)에 제공될 수 있으며, 사용자의 선호성향과 상대적으로 유사한지 여부, 사용자의 신체치수들에 상대적으로 잘 어울리는지 여부, 사용자가 보유하고 있는 의류제품들과 상대적으로 잘 어울리는지 여부에 따라 리스트에 포함된 2차 의류제품들이 나열될 수 있다.

도 9는 도 1에 따른 서비스 제공 장치(100)의 하드웨어 구성을 예시적으로 나타낸 도면이다.

도 9를 참조하면, 서비스 제공 장치(100)는, 적어도 하나의 프로세서(110) 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.

상기 적어도 하나의 동작은 전술한 서비스 제공 장치(100)의 구성부들(101~105)이나 기타 기능 또는 동작 방법을 포함할 수 있다.

여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다.

예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고, 저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.

또한, 장치(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 장치(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 장치(100)에 포함된 각각의 구성 요소들은 버스(bus, 170)에 의해 연결되어 서로 통신을 수행할 수 있다.

장치(100)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.

본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (5)

1. 의류 추천 서비스를 제공하기 위한 장치로서,
   상기 장치는,
   적어도 하나의 프로세서(processor); 및
   상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고,
   상기 적어도 하나의 동작은,
   신체측정센서로부터 사용자의 복수의 신체부위들에 대한 치수들을 획득하는 동작;
   상기 사용자의 출입기록 및 구매기록을 이용해 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정하는 동작;
   상기 사용자의 사용자 단말로부터 의류종류를 수신하는 동작;
   상기 치수들 중 상기 의류종류와 대응하는 치수들인 피팅치수들을 결정하는 동작;
   데이터베이스에서, 상기 의류종류와 대응하는 복수의 1차 의류제품들 선택하고, 상기 1차 의류제품들 각각과 대응하는 복수의 제품치수들을 선택하는 동작;
   각각의 상기 제품치수들이 각각의 상기 피팅치수들보다 큰 상기 1차 의류제품들을 2차 의류제품들로 결정하는 동작;
   상기 브랜드별 선호도, 상기 의류종류별 선호비율, 상기 의류종류별 선호금액 및 상기 색상별 선호도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 선호도를 산출하는 동작;
   상기 치수들을 이용하여 각각의 상기 2차 의류제품들과 대응하는 매칭도를 산출하는 동작;
   상기 사용자 단말로부터 복수의 보유제품 이미지들을 수신하는 동작;
   상기 데이터베이스에서 상기 2차 의류제품들 각각과 대응하는 2차 의류제품 이미지를 선택하는 동작;
   상기 2차 의류제품 이미지와 상기 보유제품 이미지를 미리 학습된 제1 기계학습모델에 입력 값으로 입력하고, 상기 제1 기계학습모델로부터 상기 보유제품 이미지와 대응하는 점수를 획득하는 동작;
   상기 보유제품 이미지들 각각의 상기 점수를 이용하여 상기 2차 의류제품과 대응하는 추천도를 결정하는 동작;
   상기 선호도, 상기 매칭도 및 상기 추천도를 이용하여 각각의 상기 2차 의류제품들과 대응하는 평점을 산출하는 동작; 및
   상기 2차 의류제품들 및 상기 2차 의류제품들 각각의 평점을 상기 사용자 단말에 전송하는 동작을 포함하고,
   상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 결정하는 동작은,
   상기 출입기록을 이용해 브랜드별로 매장을 방문하거나 사이트에 접속한 출입횟수를 획득하는 동작;
   상기 구매기록을 이용해 브랜드별로 구매횟수를 획득하는 동작;
   상기 출입횟수 및 상기 구매횟수를 이용해 브랜드별로 구매전환율을 획득하는 동작;
   상기 출입횟수, 상기 구매횟수 및 상기 구매전환율을 이용해 상기 브랜드별 선호도를 결정하는 동작;
   상기 구매기록을 이용해 의류종류별로 복수의 구매금액들을 획득하는 동작;
   상기 구매금액들을 이용하여 상기 의류종류별 선호금액을 결정하는 동작;
   상기 구매기록을 이용해 의류종류별로 구매제품들을 획득하는 동작; 및
   상기 데이터베이스에서 상기 구매제품들 각각과 대응하는 제품비율을 선택하고, 상기 구매제품들 각각의 상기 제품비율을 이용해 상기 의류종류별 선호비율을 결정하는 동작을 포함하고,
   각각의 상기 2차 의류제품들과 대응하는 선호도를 산출하는 동작은,
   상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 이용해 기준벡터를 생성하는 동작;
   상기 데이터베이스에서 상기 2차 의류제품들 각각과 대응하는 브랜드, 제품비율, 금액 및 색상을 선택하는 동작;
   선택된 상기 브랜드, 상기 제품비율, 상기 금액 및 상기 색상과 상기 사용자의 브랜드별 선호도, 의류종류별 선호비율, 의류종류별 선호금액 및 색상별 선호도를 이용해 상기 2차 의류제품들 각각과 대응하는 제품벡터를 생성하는 동작; 및
   상기 기준벡터와 상기 제품벡터를 이용해 상기 2차 의류제품들 각각과 대응하는 상기 선호도를 산출하는 동작을 포함하며,
   상기 치수들을 이용하여 각각의 상기 2차 의류제품들과 대응하는 매칭도를 산출하는 동작은,
   상기 데이터베이스에서 상기 2차 의류제품들 각각과 대응하는 복수의 제품치수들을 선택하는 동작;
   상기 제품치수들을 미리 학습된 제2 기계학습모델에 입력 값으로 입력하고, 상기 제2 기계학습모델로부터 상기 신체부위들과 대응하는 최적신체치수들을 획득하는 동작;
   상기 치수들을 이용해 사용자치수벡터를 생성하고, 상기 최적신체치수들을 이용해 상기 2차 의류제품들 각각과 대응하는 최적치수벡터를 생성하는 동작; 및
   상기 사용자치수벡터 및 상기 최적치수벡터를 이용해 상기 2차 의류제품들 각각과 대응하는 상기 매칭도를 결정하는 동작을 포함하고,
   상기 제1 기계학습모델은,
   상기 2차 의류제품 이미지로부터 제1 의류벡터를 획득하고, 상기 보유제품 이미지로부터 제2 의류벡터를 획득하도록 기계학습된 Mask-rcnn(Mask region convolutional neural network) 모델; 및
   상기 제1 의류벡터 및 상기 제2 의류벡터를 이용해 상기 보유제품 이미지와 대응하는 상기 점수를 결정하도록 기계학습된 Random Forest 모델을 포함하며,
   상기 평점은 하기의 수학식에 의해 산출되고,
   

   

   
   상기의 수학식에서, P는 평점을 의미하고, F는 제품선호도를 의미하며, M은 매칭도를 의미하고, R은 추천도를 의미하며, K1은 기 설정된 제품선호도의 최대 값을 의미하고, K2는 기 설정된 매칭도의 최대 값을 의미하며, K3는 기 설정된 추천도의 최대 값을 의미하는,
   장치.
2. 삭제
3. 삭제
4. 삭제
5. 삭제

Images