KR102546688B1 - 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법에 있어서, 제1 고객 단말로부터 제1 고객이 원하는 제1 카테고리에 대한 촬영 의뢰 요청을 수신하는 단계; 상기 제1 카테고리에 대한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제1 후보 그룹으로 분류하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가가 제1 전문가 하나 있는 것으로 확인되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가가 둘 이상 있는 것으로 확인되면, 상기 제1 후보 그룹으로 분류된 촬영 전문가들의 활동 내역을 기반으로, 상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 단계; 제1 후보 그룹으로 분류된 촬영 전문가들 중에서, 상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가로 상기 제1 전문가가 선정되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계; 및 상기 제1 전문가가 상기 제1 고객의 매칭 상대로 설정되면, 상기 제1 전문가에 대한 추천 정보를 상기 제1 고객 단말로 제공하는 단계를 포함하는, 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법이 제공된다.

Description

고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING CUSTOMIZED PHOTOGRAPHER MATCHING PLATFORM SERVICE}

아래 실시예들은 고객 맞춤형의 촬영 전문가 매칭 플랫폼 서비스를 제공하기 위한 기술에 관한 것이다.

최근, 바디프로필, 여권 사진, 증명 사진 등을 촬영하기 위해, 촬영 작가와 촬영 작업을 수행하는 일이 증가하고 있다.

하지만, 종래에는 고객들이 촬영 전문가를 찾기 위해, 포털사이트, SNS 등 여러 매체를 통해 정보를 탐색하였기 때문에, 검색 수행에 있어 복잡함과 불편함이 있다.

또한, 촬영 전문가들은 여러 매체에 홍보를 해야하기 때문에, 여러 매체에 마케팅 비용을 소진하여 마케팅 비용이 늘어나는 문제가 있다.

따라서, 고객과 촬영 전문가 간에 매칭을 지원하며, 매칭 시 고객이 원하는 촬영을 수행할 수 있는 최적의 촬영 전문가를 추천함으로써, 매칭 서비스에 대한 만족도를 증대시킬 수 있는 기술의 구현이 요구되고 있다.

한국등록특허 제10-2359406호 한국등록특허 제10-1662953호 한국공개특허 제10-2023-0024799호 한국공개특허 제10-2021-0120753호

일실시예에 따르면, 고객 맞춤형의 촬영 전문가 매칭 플랫폼 서비스를 제공하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 장치에 의해 수행되는, 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법에 있어서, 제1 고객 단말로부터 제1 고객이 원하는 제1 카테고리에 대한 촬영 의뢰 요청을 수신하는 단계; 상기 제1 카테고리에 대한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제1 후보 그룹으로 분류하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가가 제1 전문가 하나 있는 것으로 확인되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가가 둘 이상 있는 것으로 확인되면, 상기 제1 후보 그룹으로 분류된 촬영 전문가들의 활동 내역을 기반으로, 상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 단계; 제1 후보 그룹으로 분류된 촬영 전문가들 중에서, 상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가로 상기 제1 전문가가 선정되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계; 및 상기 제1 전문가가 상기 제1 고객의 매칭 상대로 설정되면, 상기 제1 전문가에 대한 추천 정보를 상기 제1 고객 단말로 제공하는 단계를 포함하는, 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법이 제공된다.

상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 단계는, 상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 포트폴리오에 등록되어 있는 상기 제1 카테고리에 대한 촬영 결과물의 수가 많을수록 제1 점수를 높은 점수로 부여하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 촬영 전문가의 평점이 높을수록 제2 점수를 높은 점수로 부여하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 운영하고 있는 스튜디오와 상기 제1 고객의 거주지 간의 거리가 가까울수록 제3 점수를 높은 점수로 부여하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 상기 제1 고객의 성별, 나이대 및 지역을 기준으로 상기 제1 고객이 제1 고객 그룹으로 분류되면, 상기 제1 고객 그룹으로 분류된 고객들과 촬영 작업을 수행한 촬영 횟수가 많을수록 제4 점수를 높은 점수로 부여하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 예약된 고객의 수가 많을수록 제5 점수를 낮은 점수로 부여하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 미리 정해진 기준 기간 이내에 촬영 작업을 수행한 촬영 횟수가 많을수록 제6 점수를 낮은 점수로 부여하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 상기 제1 점수, 상기 제2 점수, 상기 제3 점수, 상기 제4 점수, 상기 제5 점수 및 상기 제6 점수를 합산하여 총점을 산출하는 단계; 및 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각의 총점을 비교하여, 총점이 가장 높은 촬영 전문가를 상기 제1 전문가로 선정하는 단계를 포함할 수 있다.

상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계는, 상기 제1 후보 그룹으로 분류된 촬영 전문가 별로 고객들과 촬영 작업을 수행한 촬영 횟수를 기간 별로 확인하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 제1 기간 동안의 촬영 횟수를 기반으로 제1 활동 지수를 설정하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가 별로 촬영 결과물을 포트폴리오로 등록한 등록 횟수를 기간 별로 확인하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 상기 제1 기간 동안의 등록 횟수를 기반으로 제2 활동 지수를 설정하는 단계; 상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 상기 제1 활동 지수 및 상기 제2 활동 지수를 합산하여, 상기 제1 기간의 활동 지수를 산출하는 단계; 상기 제1 기간의 활동 지수를 기반으로, 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대한 랭킹을 설정하는 단계; 상기 제1 전문가의 순위가 제1 순위로 설정된 경우, 상기 제1 순위가 미리 설정된 기준 순위 보다 높은 순위로 확인되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계; 상기 제1 순위가 상기 기준 순위 보다 낮은 순위로 확인되면, 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각의 총점을 비교하여, 총점이 상기 제1 전문가 다음으로 높은 촬영 전문가를 제2 전문가로 선정하는 단계; 및 상기 제2 전문가의 순위가 제2 순위로 설정된 경우, 상기 제2 순위가 상기 기준 순위 보다 높은 순위로 확인되면, 상기 제2 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계를 포함할 수 있다.

일실시예에 따르면, 고객과 촬영 전문가 간에 매칭을 지원하며, 매칭 시 고객이 원하는 촬영을 수행할 수 있는 최적의 촬영 전문가를 추천함으로써, 매칭 서비스에 대한 만족도를 증대시킬 수 있는 효과가 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 촬영 횟수 및 등록 횟수에 따라 촬영 전문가들에 대한 랭킹을 설정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 촬영 전문가들의 순위를 통해 매칭 상대를 조정하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 고객의 기분을 고려하여 촬영 카테고리를 추천하는 과정을 설명하기 위한 순서도이다.
도 7 내지 도 9는 일실시예에 따른 이미지 분석을 통해 전문가를 추천하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

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

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 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 실시예가 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.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 고객 단말(100) 및 장치(200)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

복수의 고객 단말(100)은 촬영 전문가를 찾고자 하는 고객들이 사용하는 단말로, 제1 고객이 사용하는 제1 고객 단말(110), 제2 고객이 사용하는 제2 고객 단말(120), 제3 고객이 사용하는 제3 고객 단말(130) 등을 포함할 수 있다.

복수의 고객 단말(100) 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

예를 들어, 도 1에 도시된 바와 같이, 제1 고객 단말(110), 제2 고객 단말(120), 제3 고객 단말(130) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.

복수의 고객 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 고객 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

복수의 고객 단말(100) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 고객 단말(100) 각각은 웹 페이지 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.

복수의 고객 단말(100) 각각은 장치(200)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(200)에 접속할 수 있다.

이하에서는 설명의 편의상, 제1 고객 단말(110)의 동작을 위주로 설명하지만, 제2 고객 단말(120) 등의 다른 고객 단말에서 제1 고객 단말(110)의 동작을 대신 수행할 수 있는 것은 물론이다.

장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다.

장치(200)는 복수의 고객 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 고객 단말(100) 각각의 동작을 제어하고, 복수의 고객 단말(100) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

장치(200)는 고객과 촬영 전문가를 매칭하여 매칭 결과를 제공하는 서버로 구현되어, 고객 및 촬영 전문가를 매칭하기 위한 플랫폼을 제공할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 고객 단말(100) 중 제1 고객 단말(110), 제2 고객 단말(120) 및 제3 고객 단말(130)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

도 2는 일실시예에 따른 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 제1 고객 단말(110)로부터 제1 고객이 원하는 제1 카테고리에 대한 촬영 의뢰 요청을 수신할 수 있다. 여기서, 제1 카테고리는 촬영 카테고리 중에서 제1 고객에 의해 선택된 카테고리이고, 촬영 카테고리는 촬영 방식에 따라 다양하게 분류될 수 있다. 예를 들어, 촬영 카테고리는 가족, 개인프로필, 건축/인테리어, 룩북, 만삭/백일/돌잔치, 바디프로필, 반려동물, 스냅, 웨딩, 제품/식품, 취업/증명/여권, 커플, 행사/홍보/SNS 등의 카테고리로 분류될 수 있다.

S202 단계에서, 장치(200)는 제1 카테고리에 대한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제1 후보 그룹으로 분류할 수 있다. 이를 위해, 촬영 전문가들은 사전에 자신이 촬영 작업한 결과물을 포트폴리오로 등록할 수 있으며, 장치(200)의 데이터베이스에는 촬영 전문가 별로 구분된 포트폴리오가 저장되어 있다.

예를 들어, 제1 촬영 전문가가 제1 카테고리에 대한 촬영 작업을 수행하여 완료하면, 제1 촬영 전문가는 제1 촬영 전문가 단말을 통해, 제1 카테고리에 대한 촬영 작업에 대한 결과물인 제1 결과물의 등록 요청을 장치(200)로 전송할 수 있으며, 장치(200)는 제1 결과물을 제1 촬영 전문가의 제1 카테고리에 대한 포트폴리오로 등록할 수 있다.

상술한 바와 같이, 촬영 전문가들이 촬영 작업을 수행하여 완료하면, 촬영 작업에 대한 결과물이 촬영 전문가의 포트폴리오로 등록될 수 있으며, 이와 같은 과정이 촬영 전문가 별로 수행되면, 촬영 전문가들의 포트폴리오가 각각 생성될 수 있다.

장치(200)는 촬영 전문가들의 포트폴리오가 생성된 이후, 촬영 전문가들의 포트폴리오를 기반으로, 촬영 전문가들 각각의 포트폴리오에 제1 카테고리에 대한 촬영 결과물이 있는지 여부를 확인하여, 제1 카테고리에 대한 촬영 결과물이 포트폴리오에 등록되어 있는 촬영 전문가를 제1 후보 그룹으로 분류할 수 있다.

S203 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가가 하나만 있는지 여부를 확인할 수 있다.

S203 단계에서 제1 후보 그룹으로 분류된 촬영 전문가가 하나만 있는 것으로 확인되면, S204 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가가 제1 전문가인 것을 확인할 수 있다.

S204 단계 이후, S207 단계에서, 장치(200)는 제1 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

즉, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가가 제1 전문가 하나 있는 것으로 확인되면, 제1 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S203 단계에서 제1 후보 그룹으로 분류된 촬영 전문가가 하나가 아닌 둘 이상 있는 것으로 확인되면, S205 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들의 활동 내역을 기반으로, 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정할 수 있다. 여기서, 활동 내역은 촬영 작업, 포트폴리오 등록 등의 촬영 전문가로 활동한 내역을 의미할 수 있다.

즉, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들의 활동 내역을 기반으로, 제1 카테고리에 대한 촬영 결과물을 포트폴리오로 등록한 등록 횟수, 촬영 전문가의 평점, 스튜디오의 위치, 유사한 고객들과 촬영 작업을 수행한 촬영 횟수, 예약된 고객의 수, 최근 기간에 촬영 작업을 수행한 촬영 횟수 등을 확인하여, 제1 후보 그룹으로 분류된 촬영 전문가들 중에서 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정할 수 있다. 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 과정에 대한 자세한 설명은 도 3을 참조하여 후술하기로 한다.

S206 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 중에서, 제1 고객을 촬영하는데 가장 적합한 촬영 전문가로 제1 전문가가 선정된 것을 확인할 수 있다.

S206 단계 이후, S207 단계에서, 장치(200)는 제1 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

즉, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 중에서, 제1 고객을 촬영하는데 가장 적합한 촬영 전문가로 제1 전문가가 선정되면, 제1 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S208 단계에서, 장치(200)는 제1 전문가가 제1 고객의 매칭 상대로 설정되면, 제1 전문가에 대한 추천 정보를 제1 고객 단말(110)로 제공할 수 있다. 여기서, 제1 전문가에 대한 추천 정보는 제1 전문가를 매칭 상대로 제1 고객에게 추천하는 추천 정보로, 제1 전문가의 기본 정보, 제1 전문가의 포트폴리오 등을 포함할 수 있고, 제1 전문가의 기본 정보는 제1 전문가가 운영하는 스튜디오의 상호, 위치, 연락처 등을 포함할 수 있다.

도 3은 일실시예에 따른 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, S301 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 포트폴리오에 등록되어 있는 제1 카테고리에 대한 촬영 결과물의 수가 많을수록 제1 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 포트폴리오를 기초로, 제1 전문가의 포트폴리오에 제1 카테고리에 대한 촬영 결과물이 10개 등록되어 있는 것을 확인할 수 있고, 제2 전문가의 포트폴리오를 기초로, 제2 전문가의 포트폴리오에 제1 카테고리에 대한 촬영 결과물이 20개 등록되어 있는 것을 확인할 수 있으며, 포트폴리오에 등록되어 있는 제1 카테고리에 대한 촬영 결과물의 수에 따라, 제1 전문가에게 제1 점수를 20점 부여하고, 제2 전문가에게 제1 점수를 40점 부여할 수 있다.

S302 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 촬영 전문가의 평점이 높을수록 제2 점수를 높은 점수로 부여할 수 있다. 이때, 촬영 전문가의 평점은 촬영 전문가와 촬영 작업을 수행한 고객들에 의해 평가된 점수의 평균치로 설정될 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 평점이 4점으로 확인되고, 제2 전문가의 평점이 5점으로 확인되면, 촬영 전문가의 평점에 따라, 제1 전문가에게 제2 점수를 40점 부여하고, 제2 전문가에게 제2 점수를 50점 부여할 수 있다.

S303 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 운영하고 있는 스튜디오와 제1 고객의 거주지 간의 거리가 가까울수록 제3 점수를 높은 점수로 부여할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 촬영 전문가들이 운영하는 스튜디오의 위치 정보와 제1 고객의 거주지에 대한 위치 정보가 저장되어 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 스튜디오와 제1 고객의 거주지 간의 거리가 10km로 확인되고, 제2 전문가의 스튜디오와 제1 고객의 거주지 간의 거리가 5km로 확인되면, 스튜디오와 거주지 간의 거리에 따라, 제1 전문가에게 제3 점수를 20점 부여하고, 제2 전문가에게 제3 점수를 40점 부여할 수 있다.

S304 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 제1 고객의 성별, 나이대 및 지역을 기준으로 제1 고객이 제1 고객 그룹으로 분류되면, 제1 고객 그룹으로 분류된 고객들과 촬영 작업을 수행한 촬영 횟수가 많을수록 제4 점수를 높은 점수로 부여할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 촬영 전문가 별로 구분되어 있는 촬영 작업 정보가 저장되어 있고, 촬영 작업 정보는 어느 고객과 언제 어디에서 무슨 촬영 작업을 수행하였는지에 대한 내역을 포함할 수 있다. 또한, 고객들은 성별, 나이대 및 지역을 기준으로 고객 그룹으로 분류될 수 있으며, 예를 들어, 제1 고객의 성별이 남자이고, 제1 고객의 나이대가 30대이고, 제1 고객이 사는 지역이 서울인 경우, 제1 고객은 30대 서울사는 남자 그룹인 제1 고객 그룹으로 분류될 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 촬영 작업 정보를 기초로, 제1 전문가가 제1 고객 그룹으로 분류된 고객들과 촬영 작업을 수행한 촬영 횟수를 10회로 확인할 수 있고, 제2 전문가의 촬영 작업 정보를 기초로, 제2 전문가가 제1 고객 그룹으로 분류된 고객들과 촬영 작업을 수행한 촬영 횟수를 20회로 확인할 수 있으며, 제1 고객 그룹으로 분류된 고객들과 촬영 작업을 수행한 촬영 횟수에 따라, 제1 전문가에게 제4 점수를 20점 부여하고, 제2 전문가에게 제4 점수를 40점 부여할 수 있다.

S305 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 예약된 고객의 수가 많을수록 제5 점수를 낮은 점수로 부여할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 촬영 전문가 별로 구분되어 있는 예약 정보가 저장되어 있고, 예약 정보는 어느 고객과 언제 어디에서 무슨 촬영 작업을 수행할 것에 대해 예약한 내역을 포함할 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 예약 정보를 기초로, 제1 전문가에게 예약된 고객의 수를 5명으로 확인하고, 제2 전문가의 예약 정보를 기초로, 제2 전문가에게 예약된 고객의 수를 10명으로 확인할 수 있으며, 예약된 고객의 수에 따라, 제1 전문가에게 제5 점수를 40점 부여하고, 제2 전문가에게 제5 점수를 20점 부여할 수 있다.

S306 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 미리 정해진 기준 기간 이내에 촬영 작업을 수행한 촬영 횟수가 많을수록 제6 점수를 낮은 점수로 부여할 수 있다. 여기서, 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 촬영 작업 정보를 기초로, 제1 전문가가 최근 1달 이내에 촬영 작업을 수행한 촬영 횟수를 50회로 확인할 수 있고, 제2 전문가의 촬영 작업 정보를 기초로, 제2 전문가가 최근 1달 이내에 촬영 작업을 수행한 촬영 횟수를 100회로 확인할 수 있으며, 기준 기간 이내에 촬영 작업을 수행한 촬영 횟수에 따라, 제1 전문가에게 제6 점수를 40점 부여하고, 제2 전문가에게 제6 점수를 20점 부여할 수 있다.

제1 점수 내지 제6 점수는 동일한 범위 내에서 점수가 부여될 수 있고, 상이한 범위 내에서 점수가 부여될 수도 있다. 이때, 제1 점수 내지 제6 점수는 중요도에 따라 점수가 부여될 범위가 차등적으로 설정될 수 있다. 예를 들어, 제1 점수는 0점부터 100점 범위 내에서 부여되고, 제2 점수는 0점부터 90점 범위 내에서 부여되고, 제3 점수는 0점부터 80점 범위 내에서 부여되고, 제4 점수는 0점부터 70점 범위 내에서 부여되고, 제5 점수는 0점부터 60점 범위 내에서 부여되고, 제6 점수는 0점부터 50점 범위 내에서 부여될 수 있다.

S307 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 제1 점수, 제2 점수, 제3 점수, 제4 점수, 제5 점수 및 제6 점수를 합산하여 총점을 산출할 수 있다.

S308 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각의 총점을 비교하여, 총점이 가장 높은 촬영 전문가를 제1 전문가로 선정할 수 있다.

도 4는 일실시예에 따른 촬영 횟수 및 등록 횟수에 따라 촬영 전문가들에 대한 랭킹을 설정하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가 별로 고객들과 촬영 작업을 수행한 촬영 횟수를 기간 별로 확인할 수 있다. 여기서, 기간은 주, 월, 분기 등으로 다양하게 설정될 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 촬영 작업 정보를 기초로, 제1 전문가가 고객들과 촬영 작업을 수행한 촬영 횟수를 기간 별로 확인할 수 있고, 제2 전문가의 촬영 작업 정보를 기초로, 제2 전문가가 고객들과 촬영 작업을 수행한 촬영 횟수를 기간 별로 확인할 수 있다.

S402 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 제1 기간 동안의 촬영 횟수를 기반으로 제1 활동 지수를 설정할 수 있다. 여기서, 제1 기간은 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가가 고객들과 촬영 작업을 수행한 촬영 횟수를 기간 별로 확인한 결과, 제1 기간 동안 제1 전문가의 촬영 횟수가 10회로 확인되면, 제1 전문가의 제1 활동 지수를 10으로 설정할 수 있고, 제2 전문가가 고객들과 촬영 작업을 수행한 촬영 횟수를 기간 별로 확인한 결과, 제1 기간 동안 제2 전문가의 촬영 횟수가 20회로 확인되면, 제2 전문가의 제1 활동 지수를 20으로 설정할 수 있다.

한편, S403 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가 별로 촬영 결과물을 포트폴리오로 등록한 등록 횟수를 기간 별로 확인할 수 있다. 여기서, 기간은 주, 월, 분기 등으로 다양하게 설정될 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 포트폴리오를 기초로, 제1 전문가의 포트폴리오에 촬영 결과물을 등록한 등록 횟수를 기간 별로 확인할 수 있고, 제2 전문가의 포트폴리오를 기초로, 제2 전문가의 포트폴리오에 촬영 결과물을 등록한 등록 횟수를 기간 별로 확인할 수 있다.

S404 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 제1 기간 동안의 등록 횟수를 기반으로 제2 활동 지수를 설정할 수 있다.

예를 들어, 제1 전문가 및 제2 전문가가 제1 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제1 전문가의 포트폴리오에 촬영 결과물을 등록한 등록 횟수를 기간 별로 확인한 결과, 제1 기간 동안 제1 전문가의 등록 횟수가 10회로 확인되면, 제1 전문가의 제2 활동 지수를 10으로 설정할 수 있고, 제2 전문가의 포트폴리오에 촬영 결과물을 등록한 등록 횟수를 기간 별로 확인한 결과, 제1 기간 동안 제2 전문가의 등록 횟수가 20회로 확인되면, 제2 전문가의 제2 활동 지수를 20으로 설정할 수 있다.

제1 활동 지수 및 제2 활동 지수는 동일한 범위 내에서 수치로 설정될 수 있고, 상이한 범위 내에서 수치로 설정될 수도 있다.

S405 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 제1 활동 지수 및 제2 활동 지수를 합산하여, 제1 기간의 활동 지수를 산출할 수 있다.

S406 단계에서, 장치(200)는 제1 기간의 활동 지수를 기반으로, 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대한 랭킹을 설정할 수 있다.

즉, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 제1 기간의 활동 지수를 산출한 후, 제1 기간의 활동 지수를 비교하여, 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대한 랭킹을 설정할 수 있다. 이때, 장치(200)는 제1 기간의 활동 지수에 대한 수치가 클수록 높은 순위로, 제1 후보 그룹으로 분류된 촬영 전문가들에 대한 랭킹을 설정할 수 있다.

도 5는 일실시예에 따른 촬영 전문가들의 순위를 통해 매칭 상대를 조정하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들에 대한 랭킹을 설정한 결과, 제1 전문가의 순위가 제1 순위로 설정된 것을 확인할 수 있다.

S502 단계에서, 장치(200)는 제1 순위가 기준 순위 보다 높은 순위인지 여부를 확인할 수 있다. 여기서, 기준 순위는 실시예에 따라 상이하게 설정될 수 있다.

S502 단계에서 제1 순위가 기준 순위 보다 높은 순위로 확인되면, S503 단계에서, 장치(200)는 제1 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

예를 들어, 기준 순위가 5위로 설정되어 있고, 제1 전문가의 순위가 4위로 설정된 경우, 장치(200)는 제1 전문가의 순위가 기준 순위 보다 높은 순위로 확인되어, 제1 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S502 단계에서 제1 순위가 기준 순위 보다 높지 않고 낮은 순위로 확인되면, S504 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각의 총점을 비교하여, 총점이 제1 전문가 다음으로 높은 촬영 전문가를 제2 전문가로 선정할 수 있다.

S505 단계에서, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들에 대한 랭킹을 설정한 결과, 제2 전문가의 순위가 제2 순위로 설정된 것을 확인할 수 있다.

S506 단계에서, 장치(200)는 제2 순위가 기준 순위 보다 높은 순위인지 여부를 확인할 수 있다.

S506 단계에서 제2 순위가 기준 순위 보다 높은 순위로 확인되면, S507 단계에서, 장치(200)는 제2 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S506 단계에서 제2 순위가 기준 순위 보다 높지 않고 낮은 순위로 확인되면, S504 단계로 되돌아가, 장치(200)는 제1 후보 그룹으로 분류된 촬영 전문가들 각각의 총점을 비교하여, 총점이 제2 전문가 다음으로 높은 촬영 전문가를 제3 전문가로 선정하는 과정부터 다시 수행할 수 있다.

도 6은 일실시예에 따른 고객의 기분을 고려하여 촬영 카테고리를 추천하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 6에 도시된 각 단계는 S201 단계 이전에 수행될 수 있다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제1 고객의 활동 정보를 수집할 수 있다. 여기서, 제1 고객의 활동 정보는 제1 고객의 SNS 계정에 업로드된 게시 자료, 제1 고객에 의해 촬영된 사진, 제1 고객의 위치 기록, 제1 고객의 청취 음악 내역, 제1 고객의 시청 영상 내역 및 제1 고객의 게시글 조회 내역 중 적어도 하나를 포함할 수 있다.

장치(200)는 제1 고객의 활동 정보를 수집하는데 있어, 크롤링(Crawling) 등 다양한 기법을 통해, 제1 고객의 활동 정보를 수집할 수 있다.

구체적으로, 장치(200)는 SNS 서버와 연동되어, SNS 서버로부터 제1 고객의 SNS 계정에 업로드된 게시 자료를 수집할 수 있고, 제1 고객 단말(110)로부터 제1 고객에 의해 촬영되어 제1 고객 단말(110)에 저장되어 있는 사진을 수집할 수 있고, 제1 고객 단말(110)로부터 제1 고객의 위치 이동에 따른 추적 내역을 기록한 위치 기록을 수집할 수 있고, 음악 서비스 제공 서버와 연동되어, 음악 서비스 제공 서버로부터 제1 고객의 청취 음악 내역을 수집할 수 있고, 동영상 서비스 제공 서버와 연동되어, 동영상 서비스 제공 서버로부터 제1 고객의 시청 영상 내역을 수집할 수 있고, 게시판 서비스 제공 서버와 연동되어, 게시판 서비스 제공 서버로부터 제1 고객의 게시글 조회 내역을 수집할 수 있다.

S602 단계에서, 장치(200)는 제1 고객의 활동 정보를 기반으로, 제1 고객의 활동 이력을 기간 별로 확인할 수 있다.

구체적으로, 장치(200)는 제1 고객의 SNS 계정에 업로드된 게시 자료가 수집되면, 기간 별로 어느 게시 자료를 업로드 하였는지 확인할 수 있고, 제1 고객에 의해 촬영된 사진이 수집되면, 기간별로 어느 사진을 촬영하였는지 확인할 수 있고, 제1 고객의 위치 기록이 수집되면, 기간 별로 어느 장소를 방문하였는지 확인할 수 있고, 제1 고객의 청취 음악 내역이 수집되면, 기간 별로 어느 음악을 청취하였는지 확인할 수 있고, 제1 고객의 시청 영상 내역이 수집되면, 기간 별로 어느 영상을 시청하였는지 확인할 수 있고, 제1 고객의 게시글 조회 내역이 수집되면, 기간 별로 어느 게시글을 조회하였는지 확인할 수 있다.

S603 단계에서, 장치(200)는 제1 고객의 활동 이력을 기간 별로 확인한 결과, 제1 고객이 제1 기간 동안 수행한 활동 이력이 확인되면, 제1 기간 동안 수행한 활동 이력을 통해, 제1 키워드 정보를 추출할 수 있다. 여기서, 제1 기간 동안 수행한 활동 이력은 제1 기간 동안 업로드된 게시 자료, 제1 기간 동안 촬영된 사진, 제1 기간 동안 방문한 장소, 제1 기간 동안 청취한 음악 내역, 제1 기간 동안 시청한 영상 내역, 제1 기간 동안 조회한 게시글 내역 등을 포함할 수 있다.

즉, 장치(200)는 제1 기간 동안의 활동 이력을 기반으로, 게시 자료, 사진, 장소, 음악, 영상, 게시글 등을 분석하여, 제1 기간 동안의 활동 이력에 대한 키워드 정보를 제1 키워드 정보로 추출할 수 있다.

예를 들어, 장치(200)는 제1 기간 동안의 활동 이력을 통해 제1 기간 동안 업로드된 게시 자료가 확인되면, 확인된 게시 자료에 등록되어 있는 해시 태그를 분석할 수 있고, 분석된 해시 태그를 제1 키워드 정보로 추출할 수 있다.

또한, 장치(200)는 제1 기간 동안의 활동 이력을 통해 제1 기간 동안 촬영된 사진이 확인되면, 확인된 사진이 어느 객체를 촬영한 것인지 분석할 수 있고, 분석된 객체를 제1 키워드 정보로 추출할 수 있다.

또한, 장치(200)는 제1 기간 동안의 활동 이력을 통해 제1 기간 동안 방문한 장소가 확인되면, 확인된 장소가 무엇을 하는 장소인지 장소 카테고리를 분석할 수 있고, 분석된 장소 카테고리를 제1 키워드 정보로 추출할 수 있다. 여기서, 장소 카테고리는 식당, 편의점, 백화점, 극장, 쇼핑몰 등으로 분류될 수 있다.

또한, 장치(200)는 제1 기간 동안의 활동 이력을 통해 제1 기간 동안 청취한 음악이 확인되면, 청취한 음악이 어느 장르의 음악인지 음악 카테고리를 분석할 수 있고, 분석된 음악 카테고리를 제1 키워드 정보로 추출할 수 있다. 여기서, 음악 카테고리는 댄스, 발라드, 트로트 등으로 분류될 수 있다.

또한, 장치(200)는 제1 기간 동안의 활동 이력을 통해 제1 기간 동안 시청한 영상이 확인되면, 시청한 영상이 어느 장르의 영상인지 영상 카테고리를 분석할 수 있고, 분석된 영상 카테고리를 제1 키워드 정보로 추출할 수 있다. 여기서, 영상 카테고리는 코미디, 멜로, 액션, 스릴러 등으로 분류될 수 있다.

또한, 장치(200)는 제1 기간 동안의 활동 이력을 통해 제1 기간 동안 조회한 게시글이 확인되면, 조회한 게시글이 어느 게시판에 게시된 글인지 분석할 수 있고, 분석된 게시판을 제1 키워드 정보로 추출할 수 있다. 여기서, 게시판은 유머, 상식, 건강, 뷰티 등으로 분류될 수 있다.

S604 단계에서, 장치(200)는 제1 키워드 정보를 장치(200) 내에서 미리 학습된 인공 신경망에 적용할 수 있다. 여기서, 인공 신경망은 키워드 정보를 입력 받은 후, 고객의 기분 지수를 분석하여 출력하는 알고리즘일 수 있다.

S605 단계에서, 장치(200)는 인공 신경망의 출력을 기초로, 제1 기간 동안 제1 고객의 기분 지수를 설정할 수 있다. 여기서, 기분 지수는 수치가 높은 값일수록 기분이 좋은 상태를 나타내고, 수치가 낮은 값일수록 기분이 나쁜 상태를 나타낼 수 있다. 예를 들어, 기분 지수의 수치가 1일 때에는 기분이 매우 나쁜 상태인 것을 나타내고, 기분 지수의 수치가 2일 때에는 기분이 나쁜 상태인 것을 나타내고, 기분 지수의 수치가 3일 때에는 기분이 보통 상태인 것을 나타내고, 기분 지수의 수치가 4일 때에는 기분이 좋은 상태인 것을 나타내고, 기분 지수의 수치가 5일 때에는 기분이 매우 좋은 상태인 것을 나타낼 수 있다.

예를 들어, 장치(200)는 제1 키워드 정보를 인공 신경망에 적용하여, 인공 신경망의 출력을 확인한 결과, 출력값이 1로 확인되면, 제1 고객의 기분 지수를 1로 설정하고, 출력값이 2로 확인되면, 제1 고객의 기분 지수를 2로 설정할 수 있다.

일실시예에 따르면, 인공 신경망은 키워드 정보를 분석하여 기분 지수를 분류하도록 학습될 수 있다. 제1 인공 신경망의 학습이 이루어지는 학습 장치는 장치(200)와 동일한 장치일 수도 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.

먼저, 학습 장치는 인공 신경망에 입력할 입력을 생성할 수 있다. 이때, 학습 장치는 인공 신경망에 입력하기 위해, 키워드 정보를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 키워드 정보에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 키워드 정보를 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 인공 신경망의 입력을 생성할 수 있다.

다음으로, 학습 장치는 인공 신경망에 입력을 적용할 수 있다.

인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 인공 신경망은 제1 내지 제12 보상을 통해 갱신 및 최적화될 수 있다.

예를 들어, 게시 자료에 등록되어 있는 해시 태그를 통해 키워드 정보가 추출된 경우, 제1 보상은 키워드 정보에 긍정적인 의미를 가지는 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 보상값이 높아질 수 있고, 제2 보상은 키워드 정보에 부정적인 의미를 가지는 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 보상값이 높아질 수 있다.

또한, 사진의 피사체로 확인된 객체를 통해 키워드 정보가 추출된 경우, 제3 보상은 키워드 정보에 기분이 좋을 때 촬영하는 것으로 분류되어 있는 객체들에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 보상값이 높아질 수 있고, 제4 보상은 키워드 정보에 기분이 나쁠 때 촬영하는 것으로 분류되어 있는 객체들에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 보상값이 높아질 수 있다. 이때, 기분이 좋을 때 촬영하는 것으로 분류되어 있는 객체들과 기분이 나쁠 때 촬영하는 것으로 분류되어 있는 객체들은 학습을 통해 갱신될 수 있다.

또한, 방문한 장소로 확인된 장소 카테고리를 통해 키워드 정보가 추출된 경우, 제5 보상은 키워드 정보에 기분이 좋을 때 방문하는 것으로 분류되어 있는 장소 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 보상값이 높아질 수 있고, 제6 보상은 키워드 정보에 기분이 나쁠 때 방문하는 것으로 분류되어 있는 장소 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 보상값이 높아질 수 있다. 이때, 기분이 좋을 때 방문하는 것으로 분류되어 있는 장소 카테고리와 기분이 나쁠 때 방문하는 것으로 분류되어 있는 장소 카테고리는 학습을 통해 갱신될 수 있다.

또한, 청취한 음악으로 확인된 음악 카테고리를 통해 키워드 정보가 추출된 경우, 제7 보상은 키워드 정보에 기분이 좋을 때 청취하는 것으로 분류되어 있는 음악 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 보상값이 높아질 수 있고, 제8 보상은 키워드 정보에 기분이 나쁠 때 청취하는 것으로 분류되어 있는 음악 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 보상값이 높아질 수 있다. 이때, 기분이 좋을 때 청취하는 것으로 분류되어 있는 음악 카테고리와 기분이 나쁠 때 청취하는 것으로 분류되어 있는 음악 카테고리는 학습을 통해 갱신될 수 있다.

또한, 시청한 영상으로 확인된 영상 카테고리를 통해 키워드 정보가 추출된 경우, 제9 보상은 키워드 정보에 기분이 좋을 때 시청하는 것으로 분류되어 있는 영상 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 보상값이 높아질 수 있고, 제10 보상은 키워드 정보에 기분이 나쁠 때 시청하는 것으로 분류되어 있는 영상 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 보상값이 높아질 수 있다. 이때, 기분이 좋을 때 시청하는 것으로 분류되어 있는 영상 카테고리와 기분이 나쁠 때 시청하는 것으로 분류되어 있는 영상 카테고리는 학습을 통해 갱신될 수 있다.

또한, 조회한 게시글로 확인된 게시판을 통해 키워드 정보가 추출된 경우, 제11 보상은 키워드 정보에 기분이 좋을 때 조회하는 것으로 분류되어 있는 게시판에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 보상값이 높아질 수 있고, 제12 보상은 키워드 정보에 기분이 나쁠 때 조회하는 것으로 분류되어 있는 게시판에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 보상값이 높아질 수 있다. 이때, 기분이 좋을 때 조회하는 것으로 분류되어 있는 게시판과 기분이 나쁠 때 조회하는 것으로 분류되어 있는 게시판은 학습을 통해 게시될 수 있다.

다음으로, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다. 인공 신경망의 출력은, 기분 지수가 어느 수치에 해당하는지를 나타내는 정보를 포함할 수 있다.

즉, 인공 신경망은 키워드 정보를 통해, 고객의 기분 지수가 어느 수치인지 설정하여 출력할 수 있다.

인공 신경망은 퍼지 이론(Fuzzy Theory)에 따라, 고객의 기분 지수를 수치화하기 위해, 키워드 정보에 포함되어 있는 해시 태그, 객체, 장소 카테고리, 음악 카테고리, 영상 카테고리, 게시판 등을 확인하여, 고객의 기분 상태를 기준 범위 내에서 수치화하여 분류할 수 있다.

다음으로, 학습 장치는 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상 내지 제12 보상으로 나뉠 수 있다.

예를 들어, 학습 장치는 키워드 정보에 긍정적인 의미를 가지는 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 제1 보상을 많이 수여하고, 키워드 정보에 부정적인 의미를 가지는 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 제2 보상을 많이 수여하고, 키워드 정보에 기분이 좋을 때 촬영하는 것으로 분류되어 있는 객체들에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 제3 보상을 많이 수여하고, 키워드 정보에 기분이 나쁠 때 촬영하는 것으로 분류되어 있는 객체들에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 제4 보상을 많이 수여하고, 키워드 정보에 기분이 좋을 때 방문하는 것으로 분류되어 있는 장소 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 제5 보상을 많이 수여하고, 키워드 정보에 기분이 나쁠 때 방문하는 것으로 분류되어 있는 장소 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 제6 보상을 많이 수여하고, 키워드 정보에 기분이 좋을 때 청취하는 것으로 분류되어 있는 음악 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 제7 보상을 많이 수여하고, 키워드 정보에 기분이 나쁠 때 청취하는 것으로 분류되어 있는 음악 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 제8 보상을 많이 수여하고, 키워드 정보에 기분이 좋을 때 시청하는 것으로 분류되어 있는 영상 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 제9 보상을 많이 수여하고, 키워드 정보에 기분이 나쁠 때 시청하는 것으로 분류되어 있는 영상 카테고리에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 제10 보상을 많이 수여하고, 키워드 정보에 기분이 좋을 때 조회하는 것으로 분류되어 있는 게시판에 대한 단어가 많이 포함될수록 기분 지수를 높은 수치로 분류하면 제11 보상을 많이 수여하고, 키워드 정보에 기분이 나쁠 때 조회하는 것으로 분류되어 있는 게시판에 대한 단어가 많이 포함될수록 기분 지수를 낮은 수치로 분류하면 제12 보상을 많이 수여할 수 있다.

다음으로, 학습 장치는 평가를 기초로 인공 신경망을 갱신할 수 있다.

학습 장치는 인공 신경망이, 키워드 정보를 통해 기분 지수가 어느 수치인지 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상기와 같은 인공 신경망의 학습 과정을 반복함으로써, 인공 신경망을 점진적으로 갱신시킬 수 있다.

구체적으로, 학습 장치는 키워드 정보를 통해 기분 지수가 어느 수치인지 설정하여 분석하고, 분석된 결과를 통해 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 키워드 정보를 통해, 기분 지수가 어느 수치인지 선정하여 추출할 때, 보상을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 인공 신경망을 학습시킬 수 있다.

S606 단계에서, 장치(200)는 제1 기간 동안 제1 고객의 기분 지수가 제1 수치로 설정되면, 제1 수치에 설정된 추천 카테고리를 제1 고객에게 적합한 촬영 카테고리로 선정할 수 있다.

예를 들어, 촬영 카테고리가 제1 카테고리, 제2 카테고리, 제3 카테고리, 제4 카테고리, 제5 카테고리 등으로 분류되어 있고, 기분 지수의 수치가 1일 때의 추천 카테고리로 제1 카테고리가 설정되어 있고, 기분 지수의 수치가 2일 때의 추천 카테고리로 제2 카테고리가 설정되어 있고, 기분 지수의 수치가 3일 때의 추천 카테고리로 제3 카테고리가 설정되어 있고, 기분 지수의 수치가 4일 때의 추천 카테고리로 제4 카테고리가 설정되어 있고, 기분 지수의 수치가 5일 때의 추천 카테고리로 제5 카테고리가 설정되어 있는 경우, 장치(200)는 제1 기간 동안 제1 고객의 기분 지수가 1로 설정되면, 제1 카테고리를 제1 고객에게 적합한 촬영 카테고리로 선정할 수 있고, 제1 기간 동안 제1 고객의 기분 지수가 2로 설정되면, 제2 카테고리를 제1 고객에게 적합한 촬영 카테고리로 선정할 수 있고, 제1 기간 동안 제1 고객의 기분 지수가 3으로 설정되면, 제3 카테고리를 제1 고객에게 적합한 촬영 카테고리로 선정할 수 있고, 제1 기간 동안 제1 고객의 기분 지수가 4로 설정되면, 제4 카테고리를 제1 고객에게 적합한 촬영 카테고리로 선정할 수 있고, 제1 기간 동안 제1 고객의 기분 지수가 5로 설정되면, 제5 카테고리를 제1 고객에게 적합한 촬영 카테고리로 선정할 수 있다.

S607 단계에서, 장치(200)는 제1 고객에게 적합한 촬영 카테고리로 제1 카테고리가 선정되면, 제1 카테고리에 대한 추천 정보를 제1 고객 단말(110)로 제공할 수 있다.

도 7 내지 도 9는 일실시예에 따른 이미지 분석을 통해 전문가를 추천하는 과정을 설명하기 위한 순서도이다.

도 7 내지 도 9에 도시된 각 단계는 S208 단계 이후에 수행될 수 있다.

먼저, 도 7을 참조하면, S701 단계에서, 장치(200)는 제1 고객 단말(110)로부터 제1 고객이 원하는 촬영 스타일을 보여주기 위해 선택된 제1 이미지를 수신할 수 있다. 여기서, 제1 이미지는 제1 고객 단말(110)을 통해 촬영되어 생성된 이미지일 수 있고, 외부에서 획득되어 제1 고객 단말(110)의 메모리에 저장된 이미지일 수도 있다.

S702 단계에서, 장치(200)는 제1 이미지에 대해, 제1 공간에서 촬영한 이미지로 분석할 수 있다.

즉, 장치(200)는 제1 이미지가 수신되면, 제1 이미지가 어느 공간에서 촬영한 이미지인지 분석할 수 있다.

예를 들어, 장치(200)는 공간 별로 학습된 이미지와 제1 이미지를 비교한 결과, 헬스장에서 촬영된 이미지들과 제1 이미지가 유사한 것으로 확인되면, 제1 이미지를 헬스장에서 촬영한 이미지로 분석할 수 있다.

S703 단계에서, 장치(200)는 제1 이미지가 제1 공간에서 촬영한 이미지로 분석되면, 제1 공간에서 촬영한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제2 후보 그룹으로 분류할 수 있다. 이를 위해, 촬영 결과물은 촬영 공간 별로 구분되어 포트폴리오에 등록될 수 있다.

즉, 장치(200)는 촬영 전문가들의 포트폴리오를 기반으로, 촬영 전문가들 각각의 포트폴리오에 제1 공간에서 촬영한 촬영 결과물이 있는지 여부를 확인하여, 제1 공간에서 촬영한 촬영 결과물이 포트폴리오에 등록되어 있는 촬영 전문가를 제2 후보 그룹으로 분류할 수 있다.

S704 단계에서, 장치(200)는 제1 이미지가 하나의 객체를 촬영한 이미지인지 여부를 확인할 수 있다.

즉, 장치(200)는 제1 이미지를 분석하여, 제1 이미지 내에서 하나 이상의 객체를 인식할 수 있고, 하나의 객체만 인식되면, 제1 이미지를 하나의 객체를 촬영한 이미지로 확인할 수 있고, 둘 이상의 객체가 인식되면, 제1 이미지를 둘 이상의 객체를 촬영한 이미지로 확인할 수 있다.

S704 단계에서 제1 이미지가 하나의 객체가 아닌 둘 이상의 객체를 촬영한 이미지로 확인되면, S801 단계가 수행될 수 있으며, 이와 관련된 자세한 설명은 도 8을 참조하여 후술하기로 한다.

S704 단계에서 제1 이미지가 하나의 객체를 촬영한 이미지로 확인되면, S705 단계에서, 장치(200)는 제1 이미지에 대해, 제1 객체를 촬영한 이미지로 분석할 수 있다.

S706 단계에서, 장치(200)는 제1 이미지가 제1 객체를 촬영한 이미지로 분석된 경우, 제2 후보 그룹으로 분류된 촬영 전문가들 중에서, 제1 객체를 촬영한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제3 후보 그룹으로 분류할 수 있다. 이를 위해, 촬영 결과물은 촬영 객체 별로 구분되어 포트폴리오에 등록될 수 있다.

즉, 장치(200)는 제2 후보 그룹으로 분류된 촬영 전문가들의 포트폴리오를 기반으로, 제2 후보 그룹으로 분류된 촬영 전문가들 각각의 포트폴리오에 제1 객체를 촬영한 촬영 결과물이 있는지 여부를 확인하여, 제1 객체를 촬영한 촬영 결과물이 포트폴리오에 등록되어 있는 촬영 전문가를 제3 후보 그룹으로 분류할 수 있다.

S707 단계에서, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가가 하나만 있는지 여부를 확인할 수 있다.

S707 단계에서 제3 후보 그룹으로 분류된 촬영 전문가가 하나만 있는 것으로 확인되면, S708 단계에서, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가가 제3 전문가인 것을 확인할 수 있다.

S708 단계 이후, S711 단계에서, 장치(200)는 제3 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

즉, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가가 제3 전문가 하나 있는 것으로 확인되면, 제3 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S707 단계에서 제3 후보 그룹으로 분류된 촬영 전문가가 하나가 아닌 둘 이상 있는 것으로 확인되면, S709 단계에서, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가들의 활동 내역을 기반으로, 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정할 수 있다.

즉, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가들의 활동 내역을 기반으로, 제1 객체를 촬영한 촬영 결과물을 포트폴리오로 등록한 등록 횟수, 촬영 전문가의 평점, 스튜디오의 위치, 유사한 고객들과 촬영 작업을 수행한 촬영 횟수, 예약된 고객의 수, 최근 기간에 촬영 작업을 수행한 촬영 횟수 등을 확인하여, 제3 후보 그룹으로 분류된 촬영 전문가들 중에서 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정할 수 있다.

S710 단계에서, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가들 중에서, 제1 고객을 촬영하는데 가장 적합한 촬영 전문가로 제3 전문가가 선정된 것을 확인할 수 있다.

S710 단계 이후, S711 단계에서, 장치(200)는 제3 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

즉, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가들 중에서, 제1 고객을 촬영하는데 가장 적합한 촬영 전문가로 제3 전문가가 선정되면, 제3 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S712 단계에서, 장치(200)는 제3 전문가가 제1 고객의 매칭 상대로 설정되면, 제3 전문가에 대한 추천 정보를 제1 고객 단말(110)로 제공할 수 있다.

도 8을 참조하면, S801 단계에서, 장치(200)는 제1 이미지가 둘 이상의 객체를 촬영한 이미지로 확인되면, 제1 이미지에 대해, 제1 객체 및 제2 객체를 촬영한 이미지로 분석할 수 있다. 이때, 장치(200)는 제1 이미지가 셋 이상의 객체를 촬영한 이미지로 확인되면, 셋 이상의 객체 중 제1 이미지 내에서 차지하고 있는 면적의 크기를 기준으로, 제1 객체 및 제2 객체를 선별할 수 있다.

S802 단계에서, 장치(200)는 제1 이미지가 제1 객체 및 제2 객체를 촬영한 이미지로 분석된 경우, 제2 후보 그룹으로 분류된 촬영 전문가들 중에서, 제1 객체를 촬영한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제3 후보 그룹으로 분류할 수 있다.

S803 단계에서, 장치(200)는 제2 후보 그룹으로 분류된 촬영 전문가들 중에서, 제2 객체를 촬영한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제4 후보 그룹으로 분류할 수 있다.

S804 단계에서, 장치(200)는 제3 후보 그룹 및 제4 후보 그룹에 중복으로 포함되어 있는 전문가가 있는지 여부를 확인할 수 있다.

S804 단계에서 제3 후보 그룹 및 제4 후보 그룹에 중복으로 포함되어 있는 전문가가 있는 것으로 확인되면, S805 단계에서, 장치(200)는 중복으로 포함되어 있는 전문가를 제5 후보 그룹으로 분류할 수 있다.

예를 들어, 제3 전문가 및 제4 전문가가 제3 후보 그룹으로 분류되어 있고, 제3 전문가 및 제5 전문가가 제4 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제3 후보 그룹 및 제4 후보 그룹에 중복으로 포함되어 있는 제3 전문가를 제5 후보 그룹으로 분류할 수 있다.

S804 단계에서 제3 후보 그룹 및 제4 후보 그룹에 중복으로 포함되어 있는 전문가가 없는 것으로 확인되면, S806 단계에서, 장치(200)는 제3 후보 그룹으로 분류된 촬영 전문가들과 제4 후보 그룹으로 분류된 촬영 전문가들을 제5 후보 그룹으로 분류할 수 있다.

예를 들어, 제3 전문가 및 제4 전문가가 제3 후보 그룹으로 분류되어 있고, 제5 전문가 및 제6 전문가가 제4 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제3 전문가, 제4 전문가, 제5 전문가 및 제6 전문가를 제5 후보 그룹으로 분류할 수 있다.

S807 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가가 하나만 있는지 여부를 확인할 수 있다.

S807 단계에서 제5 후보 그룹으로 분류된 촬영 전문가가 하나가 아닌 둘 이상 있는 것으로 확인되면, S901 단계 및 S902 단계가 수행될 수 있으며, 이와 관련된 자세한 설명은 도 9를 참조하여 후술하기로 한다.

S807 단계에서 제5 후보 그룹으로 분류된 촬영 전문가가 하나만 있는 것으로 확인되면, S808 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가가 제3 전문가인 것을 확인할 수 있다.

S809 단계에서, 장치(200)는 제3 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

즉, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가가 제3 전문가 하나 있는 것으로 확인되면, 제3 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S810 단계에서, 장치(200)는 제3 전문가가 제1 고객의 매칭 상대로 설정되면, 제3 전문가에 대한 추천 정보를 제1 고객 단말(110)로 제공할 수 있다.

도 9를 참조하면, S901 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 포트폴리오에 등록되어 있는 제1 객체를 촬영한 촬영 결과물의 수가 많을수록 제1 매칭 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제3 전문가 및 제4 전문가가 제5 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제3 전문가의 포트폴리오를 기초로, 제3 전문가의 포트폴리오에 제1 객체를 촬영한 촬영 결과물이 10개 등록되어 있는 것을 확인할 수 있고, 제4 전문가의 포트폴리오를 기초로, 제4 전문가의 포트폴리오에 제1 객체를 촬영한 촬영 결과물이 20개 등록되어 있는 것을 확인할 수 있으며, 포트폴리오에 등록되어 있는 제1 객체를 촬영한 촬영 결과물의 수에 따라, 제3 전문가에게 제1 매칭 점수를 20점 부여하고, 제4 전문가에게 제1 매칭 점수를 40점 부여할 수 있다.

S902 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 포트폴리오에 등록되어 있는 제2 객체를 촬영한 촬영 결과물의 수가 많을수록 제2 매칭 점수를 높은 점수로 부여할 수 있다.

예를 들어, 제3 전문가 및 제4 전문가가 제5 후보 그룹으로 분류되어 있는 경우, 장치(200)는 제3 전문가의 포트폴리오를 기초로, 제3 전문가의 포트폴리오에 제2 객체를 촬영한 촬영 결과물이 10개 등록되어 있는 것을 확인할 수 있고, 제4 전문가의 포트폴리오를 기초로, 제4 전문가의 포트폴리오에 제2 객체를 촬영한 촬영 결과물이 20개 등록되어 있는 것을 확인할 수 있으며, 포트폴리오에 등록되어 있는 제2 객체를 촬영한 촬영 결과물의 수에 따라, 제3 전문가에게 제2 매칭 점수를 20점 부여하고, 제4 전문가에게 제2 매칭 점수를 40점 부여할 수 있다.

S903 단계에서, 장치(200)는 제1 이미지 내에서 제1 객체가 차지하고 있는 면적의 비율을 제1 비율로 산출할 수 있다.

S904 단계에서, 장치(200)는 제1 이미지 내에서 제2 객체가 차지하고 있는 면적의 비율을 제2 비율로 산출할 수 있다.

S905 단계에서, 장치(200)는 제1 이미지 내에서 제1 객체가 차지하고 있는 면적의 비율이 제1 비율로 산출되면, 제1 비율을 이용하여 제1 가중치를 설정할 수 있다.

S906 단계에서, 장치(200)는 제1 이미지 내에서 제2 객체가 차지하고 있는 면적의 비율이 제2 비율로 산출되면, 제2 비율을 이용하여 제2 가중치를 설정할 수 있다.

예를 들어, 제1 비율이 50%로 산출되고 제2 비율이 30%로 산출된 경우, 장치(200)는 제1 가중치를 0.5로 설정하고, 제2 가중치를 0.3으로 설정할 수 있다.

S907 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 제1 매칭 점수에 제1 가중치를 적용하여 제3 매칭 점수를 산출할 수 있다.

S908 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 제2 매칭 점수에 제2 가중치를 적용하여 제4 매칭 점수를 산출할 수 있다.

S909 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 제3 매칭 점수와 제4 매칭 점수를 합산하여 제5 매칭 점수를 산출할 수 있다.

S910 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가들 각각의 제5 매칭 점수를 비교하여, 제3 전문가의 제5 매칭 점수가 가장 높은 것을 확인할 수 있다.

S911 단계에서, 장치(200)는 제5 후보 그룹으로 분류된 촬영 전문가들 각각의 제5 매칭 점수를 비교하여, 제3 전문가의 제5 매칭 점수가 가장 높은 것으로 확인되면, 제3 전문가를 제1 고객의 매칭 상대로 설정할 수 있다.

S912 단계에서, 장치(200)는 제3 전문가가 제1 고객의 매칭 상대로 설정되면, 제3 전문가에 대한 추천 정보를 제1 고객 단말(110)로 제공할 수 있다.

도 10은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 9를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 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.

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.

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.

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 청구범위의 범위에 속한다.

Claims (3)

1. 장치에 의해 수행되는, 고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법에 있어서,
   제1 고객 단말로부터 제1 고객이 원하는 제1 카테고리에 대한 촬영 의뢰 요청을 수신하는 단계;
   상기 제1 카테고리에 대한 촬영 결과물을 포트폴리오로 등록한 촬영 전문가를 제1 후보 그룹으로 분류하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가가 제1 전문가 하나 있는 것으로 확인되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가가 둘 이상 있는 것으로 확인되면, 상기 제1 후보 그룹으로 분류된 촬영 전문가들의 활동 내역을 기반으로, 상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 단계;
   제1 후보 그룹으로 분류된 촬영 전문가들 중에서, 상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가로 상기 제1 전문가가 선정되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계; 및
   상기 제1 전문가가 상기 제1 고객의 매칭 상대로 설정되면, 상기 제1 전문가에 대한 추천 정보를 상기 제1 고객 단말로 제공하는 단계를 포함하고,
   상기 제1 고객을 촬영하는데 가장 적합한 촬영 전문가를 선정하는 단계는,
   상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 포트폴리오에 등록되어 있는 상기 제1 카테고리에 대한 촬영 결과물의 수가 많을수록 제1 점수를 높은 점수로 부여하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 촬영 전문가의 평점이 높을수록 제2 점수를 높은 점수로 부여하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 운영하고 있는 스튜디오와 상기 제1 고객의 거주지 간의 거리가 가까울수록 제3 점수를 높은 점수로 부여하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 상기 제1 고객의 성별, 나이대 및 지역을 기준으로 상기 제1 고객이 제1 고객 그룹으로 분류되면, 상기 제1 고객 그룹으로 분류된 고객들과 촬영 작업을 수행한 촬영 횟수가 많을수록 제4 점수를 높은 점수로 부여하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 예약된 고객의 수가 많을수록 제5 점수를 낮은 점수로 부여하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 미리 정해진 기준 기간 이내에 촬영 작업을 수행한 촬영 횟수가 많을수록 제6 점수를 낮은 점수로 부여하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대해, 상기 제1 점수, 상기 제2 점수, 상기 제3 점수, 상기 제4 점수, 상기 제5 점수 및 상기 제6 점수를 합산하여 총점을 산출하는 단계; 및
   상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각의 총점을 비교하여, 총점이 가장 높은 촬영 전문가를 상기 제1 전문가로 선정하는 단계를 포함하고,
   상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계는,
   상기 제1 후보 그룹으로 분류된 촬영 전문가 별로 고객들과 촬영 작업을 수행한 촬영 횟수를 기간 별로 확인하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 제1 기간 동안의 촬영 횟수를 기반으로 제1 활동 지수를 설정하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가 별로 촬영 결과물을 포트폴리오로 등록한 등록 횟수를 기간 별로 확인하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 상기 제1 기간 동안의 등록 횟수를 기반으로 제2 활동 지수를 설정하는 단계;
   상기 제1 후보 그룹으로 분류된 촬영 전문가를 각각에 대해, 상기 제1 활동 지수 및 상기 제2 활동 지수를 합산하여, 상기 제1 기간의 활동 지수를 산출하는 단계;
   상기 제1 기간의 활동 지수를 기반으로, 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각에 대한 랭킹을 설정하는 단계;
   상기 제1 전문가의 순위가 제1 순위로 설정된 경우, 상기 제1 순위가 미리 설정된 기준 순위 보다 높은 순위로 확인되면, 상기 제1 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계;
   상기 제1 순위가 상기 기준 순위 보다 낮은 순위로 확인되면, 상기 제1 후보 그룹으로 분류된 촬영 전문가들 각각의 총점을 비교하여, 총점이 상기 제1 전문가 다음으로 높은 촬영 전문가를 제2 전문가로 선정하는 단계; 및
   상기 제2 전문가의 순위가 제2 순위로 설정된 경우, 상기 제2 순위가 상기 기준 순위 보다 높은 순위로 확인되면, 상기 제2 전문가를 상기 제1 고객의 매칭 상대로 설정하는 단계를 포함하는,
   고객 맞춤형 촬영 전문가 매칭 플랫폼 서비스 제공 방법.
2. 삭제
3. 삭제

Images