KR102556324B1 - 상품 추천 시스템 및 그 동작 방법 - Google Patents

상품 추천 시스템 및 그 동작 방법 Download PDF

Info

Publication number
KR102556324B1
KR102556324B1 KR1020210040322A KR20210040322A KR102556324B1 KR 102556324 B1 KR102556324 B1 KR 102556324B1 KR 1020210040322 A KR1020210040322 A KR 1020210040322A KR 20210040322 A KR20210040322 A KR 20210040322A KR 102556324 B1 KR102556324 B1 KR 102556324B1
Authority
KR
South Korea
Prior art keywords
product
information
customer
risk
model
Prior art date
Application number
KR1020210040322A
Other languages
English (en)
Other versions
KR20220097111A (ko
Inventor
진승범
Original Assignee
주식회사 피플카
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 피플카 filed Critical 주식회사 피플카
Publication of KR20220097111A publication Critical patent/KR20220097111A/ko
Application granted granted Critical
Publication of KR102556324B1 publication Critical patent/KR102556324B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

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

Abstract

본 출원의 일 실시예에 따른 인공지능 기반의 상품 추천 시스템은 고객 정보, 상품 정보 및 구매이력 정보를 수집하는 수집부, 상기 고객 정보, 상품 정보 및 구매이력 정보로부터 상품마다 기설정된 스코어 모델에 대응되는 속성 데이터를 추출하고, 상기 속성 데이터를 이용하여 상품의 추천 순위를 결정하기 위한 우선순위 모델을 학습하는 학습부 및 상기 고객 정보, 상기 상품 정보 및 상기 우선순위 모델을 이용하여, 상품마다 추천 순위를 결정하기 위한 상기 스코어 모델의 서브 특성 항목별 선호도 점수값을 산출하는 결정부를 포함한다.

Description

상품 추천 시스템 및 그 동작 방법{PRODUCTION RECOMMENDATION SYSTEM AND OPERATION METHOD THEREOF}
본 출원은 상품 추천 시스템 및 그 동작 방법에 관한 것이다.
현재, 사람들이 상품과 서비스를 구매하는 패턴은 인터넷 검색을 통하여 주로 이뤄지고 있다. 특히, 검색 및 광고와 결합된 SNS 마케팅 행위는 상품이나 서비스의 정보를 전달하고 있는 주요한 수단이 되고 있다.
그러나, 소비자의 요구사항과는 다른 인터넷을 통한 광고 마케팅은 일방적인 정보의 전달로서, 실제로 적절한 수요와 공급을 정확하게 매칭시키지 못하고 있다.
본 출원의 목적은 복수의 상품들 중 추천 대상 상품을 결정하고 고객 리스크에 따른 추천 대상 상품에 대한 서비스 가격을 조절할 수 있도록 인공지능 기반의 상품 추천 시스템 및 그 동작 방법을 제공하기 위한 것이다.
본 출원의 일 실시예에 따른 인공지능 기반의 상품 추천 시스템은 고객 정보, 상품 정보 및 구매이력 정보를 수집하는 수집부, 상기 고객 정보, 상품 정보 및 구매이력 정보로부터 상품마다 기설정된 스코어 모델에 대응되는 속성 데이터를 추출하고, 상기 속성 데이터를 이용하여 상품의 추천 순위를 결정하기 위한 우선순위 모델을 학습하는 학습부 및 상기 고객 정보, 상기 상품 정보, 상기 구매이력 정보 및 상기 우선순위 모델을 이용하여, 상품마다 추천 순위를 결정하기 위한 상기 스코어 모델의 서브 특성 항목별 선호도 점수값을 산출하는 결정부를 포함한다.
본 출원의 일 실시예에 따른 인공지능 기반의 상품 추천 시스템의 동작 방법으로서, 수집부가 고객 정보, 상품 정보 및 구매이력 정보를 수집하는 단계, 학습부가 고객 정보, 상품 정보 및 구매이력 정보로부터 상품마다 기설정된 스코어 모델에 대응되는 속성 데이터를 추출하는 단계, 상기 학습부가 상기 속성 데이터를 이용하여 상품의 추천 순위를 결정하기 위한 우선순위 모델을 학습하는 단계, 결정부가 상기 고객 정보, 상기 상품 정보 및 상기 우선순위 모델을 이용하여, 상기 스코어 모델의 서브 특성 항목별 선호도 점수 값을 산출하는 단계 및 상기 결정부가 상기 선호도 점수 값에 기초하여, 고객에게 추천하기 위한 대상 상품을 결정하는 단계를 포함한다.
본 출원의 실시예에 따른 인공지능 기반의 상품 추천 시스템 및 그 동작 방법은 사용자에게 보다 적합한 추전 상품을 고객 리스크에 따라 조절된 가격으로 제공할 수 있다.
도 1은 본 출원의 실시예에 따른 인공지능 기반의 상품 추천 서버에 대한 블록도이다.
도 2는 본 출원의 실시예에 따른 상품 추천 시스템에 대한 블록도이다.
도 3은 데이터베이스의 리스크 모델, 우선순위 모델 및 스코어 모델의 일 예를 보여주는 블록도이다.
도 4은 데이터베이스의 관리 동작의 예를 설명하기 위한 도이다.
도 5는 도 1의 스코어 모델의 일 예를 보여주는 도이다.
도 6는 도 1의 스코어 모델의 다른 예를 보여주는 도이다.
도 7은 도 1의 인공지능 기반의 상품 추천 서버의 일 실시예에 따른 동작 프로세스이다.
도 8은 도 1의 결정부의 선호도 점수 값을 산출하는 동작 프로세스이다.
도 9은 도 1의 인공지능 기반의 상품 추천 서버의 다른 실시예에 따른 동작 프로세스이다.
이하, 구체적인 실시형태 및 첨부된 도면을 참조하여 본 출원의 실시형태를 설명한다. 그러나, 본 출원의 실시 형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 출원의 범위가 이하 설명하는 실시형태로 한정되는 것은 아니다. 또한, 본 출원의 실시형태는 통상의 기술자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면상의 동일한 부호로 표시되는 요소는 동일한 요소이다.
그리고 도면에서 본 출원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하고, 여러 층 및 영역을 명확하게 표현하기 위하여 두께를 확대하여 나타내었으며, 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다. 나아가, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 출원의 실시예에 따른 인공지능 기반의 상품 추천 서버(10)에 대한 블록도이고, 도 2는 본 출원의 실시예에 따른 상품 추천 시스템(1000)에 대한 블록도이며, 도 3은 리스크 모델, 우선순위 모델 및 스코어 모델이 일 예를 보여주는 블록도이고, 도 4은 데이터베이스(50)의 관리 동작의 예를 설명하기 위한 도이고, 도 5는 스코어 모델의 일 예를 보여주는 도이며, 도 6는 스코어 모델의 다른 예를 보여주는 도이다.
도 1 내지 도 6를 참조하면, 인공지능 기반의 상품 추천 서버(10)는 수집부(100), 학습부(200) 및 결정부(300)를 포함할 수 있다.
먼저, 수집부(100)는 고객 정보, 상품 정보 및 구매이력 정보를 수집하여, 데이터베이스(50)에 저장할 수 있다.
여기서, 고객 정보는 연령, 성별, 직업, 신용 정보, 구매 패턴, 면허 종류, 사고 보상 금액 및 중대과실 사고 여부 중 적어도 하나를 구매자 별로 포함할 수 있다. 또한, 상품 정보는 제품 종류, 제품 가격, 재구매율, 배송 비용 및 마케팅 비용 중 적어도 하나를 대상 상품 별로 포함할 수 있다. 또한, 구매이력 정보는 구매자의 연령, 성별 및 직업 별로 분류된 선호 상품 리스트를 포함할 수 있다.
구체적으로 도 1 및 도 2에 도시된 바와 같이, 인공지능 기반의 상품 추천 서버(10)의 수집부(100)는 구매자 단말(11)로부터 네트워크를 통해 고객 정보를 전송받아 데이터베이스(50)에 저장할 수 있다. 또한, 수집부(100)는 판매자 단말(13)로부터 네트워크를 통해 상품 정보를 전송받아 데이터베이스(50)에 저장할 수 있다. 또한, 수집부(100)는 서비스 단말(15)로부터 구매이력 정보를 전송받아 데이터베이스(50)에 저장할 수 있다.
이러한 데이터베이스(50)는 도 4에 도시된 바와 같이, 고객 정보, 상품 정보 및 구매이력 정보를 특정 식별 항목 별로 분류하여 리스트화한 복수의 테이블들로서 관리할 수 있다. 여기서, 특정 식별 항목은 관리자에 따라 임의로 지정된 항목들일 수 있다. 예를 들면, 특정 식별 항목은 ID, 이름, 생일, 성별, 신용점수, 구매 금액 및 최근 상품 코드를 포함할 수 있다.
또한, 도 3에 도시된 바와 같이, 데이터베이스(50)는 리스크 모델(Risk Model), 우선순위 모델(Precedence Model) 및 스코어 모델(Score Model)을 포함할 수 있다.
리스크 모델은 방법 식별자(Method ID) 및 리스크 데이터셋(Risk Dataset)을 포함할 수 있다. 우선순위 모델은 방법 식별자(Method ID) 및 우선순위 데이터셋(Precedence Dataset)을 포함할 수 있다. 스코어 모델은 메인 점수 항목(Scoring Element) 및 서브 특성 항목(Property)를 포함할 수 있다.
여기서, 방법 식별자(Method ID)는 연산에 사용하는 함수에 대한 식별자일 수 있다. 예를 들어, 결정부(300)에서 리스크를 가격에 반영할 때에, 우선순위 모델의 방법 식별자 및 리스크 모델의 방법 식별자를 읽어 오는 것을 통하여 해당 함수의 호출이 수행될 수 있다. 예를 들어, 결정부(300)에서 우선순위를 산정할 때에, 우선순위 모델의 방법 식별자를 읽어 오는 것을 통하여 해당 함수의 호출이 수행될 수 있다.
이 때, 함수의 호출은 방법 식별자를 참조하여 이루어질 수 있다. 예를 들어, 리스크 모델에서 차량 대여 서비스에 f_risk_car_rent라는 함수가 존재하고, 여기에 대한 방법 식별자 값이 'car_rent'라고 정의되어 리스크 모델에 저장되 있다고 가정된다. 이 경우, 결정부(300)에서는 리스크를 가격에 반영하기 위해서 'car_rent'를 참조하여 f_risk_car_rent를 호출하게 된다. 동일한 원리로, 우선순위에 대해서도 f_precedence_car_rent라는 함수가 존재하고 여기에 대한 방법 식별자 값이 'car_rent'라고 정의되어 우선순위 모델(precedence model)에 저장되어 있다고 가정하자. 이 경우, 결정부(300)에서는 스코어를 산출하기 위하여 'car_rent'를 참조하여 f_precedence_car_rent를 호출하게 된다.
우선순위 데이터셋은 스코어 모델을 참조하여 구성될 수 있다. 예를 들어, 메인 점수 항목(Scoring Element)의 목록에 해당하는 상품의 서브 특성 항목 (Property)들이 우선순위 데이터셋을 구성하는데 사용될 수 있다. 즉, 우선순위 데이터셋을 구성하는데 사용되는 학습 데이터의 구성에는 각 메인 점수 항목들을 구성하는 상품이 서브 특성 항목 값들만 사용될 수 있다.
한편, 리스크 데이터셋은 스코어 모델을 참조하지 않고 구현되므로, 서비스를 구현하는 데이터베이스(50)의 상품정보, 고객정보, 구매 이력에 저장된 모든 데이터가 사용될 수 있다.
다음으로, 학습부(200)는 고객 정보, 상품 정보 및 구매이력 정보로부터 상품마다 기설정된 스코어 모델에 대응되는 속성 데이터를 추출할 수 있다.
여기서, 기설정된 스코어 모델(Score Model)은 상품마다 메인 점수 항목들과 서브 특성 항목들을 포함할 수 있다. 이때, 메인 점수 항목과 서브 특성 항목은 1:N의 관계로 대응될 수 있다.
예를 들면, 도 5에 도시된 바와 같이, 대상 상품이 대여 차량인 경우, 대여 차량에 기설정된 스코어 모델(Score Model)의 메인 점수 항목들은 외형 항목, 성능 항목, 가격 항목 및 인지도 항목을 포함할 수 있다. 이때, 대여 차량 상품에 기설정된 스코어 모델(Score Model)의 서브 특성 항목들은 등급 항목, 디자인 항목, 변속기 항목, 배기량 항목, 연료유형 항목, 가격대 항목 및 브랜드명 항목을 포함할 수 있다.
또한, 도 6에 도시된 바와 같이, 대상 상품이 피자인 경우, 피자에 기설정된 스코어 모델(Score Model)의 메인 점수 항목들은 맛 항목, 가격 항목 및 인지도 항목을 포함할 수 있다. 이때, 피자에 기설정된 스코어 모델(Score Model)의 서브 특성 항목들은 주요 재료 항목, 재료 구성 항목, 도우 종류 항목, 가격대 항목, 브랜드명 항목 및 SNS 평 항목을 포함할 수 있다.
즉, 속성 데이터는 서브 특성 항목들에 따라 고객 정보, 상품 정보 및 구매이력 정보로부터 추출되는 데이터일 수 있다.
또한, 학습부(200)는 속성 데이터를 이용하여, 상품의 추천 순위를 결정하기 위한 우선순위 모델(Precedence Model)을 학습할 수 있다.
여기서, 우선순위 모델(Precedence Model)은 상품마다 순위 지수를 산출하도록 상기 속성데이터를 입력으로 하는 통계학적 알고리즘, 인공신경망 알고리즘 및 수치화 알고리즘을 포함할 수 있다. 이렇게 학습부(200)를 통해 학습된 우선순위 모델(Precedence Model)은 데이터베이스(50)에 저장될 수 있다.
다음으로, 결정부(300)는 고객 정보, 상품 정보 및 우선순위 모델(Precedence Model)을 이용하여, 상품마다 추천 순위를 결정하기 위한 서브 특성 항목별 선호도 점수값(Score Value)을 산출할 수 있다.
구체적으로, 결정부(300)는 고객 정보, 상품 정보 및 인공신경망 알고리즘을 이용하여, 서브 특성 항목별 제1 임시 점수 값을 산출할 수 있다.
또한, 결정부(300)는 고객 정보, 상품 정보 및 통계학적 알고리즘을 이용하여, 서브 특성 항목별 제2 임시 점수 값을 산출할 수 있다.
이때, 결정부(300)는 제1 및 제2 임시 점수 값을 입력으로 하는 인공신경망 알고리즘을 이용하여, 서브 특성 항목별 선호도 점수값(Score Value)을 산출할 수 있다.
그런 다음, 결정부(300)는 서브 특성 항목별 선호도 점수값(Score Value)에 대한 수치화 알고리즘을 통해 순위 지수(order_sequence)를 산출할 수 있다.
여기서, 수치화 알고리즘은 "순위 지수=(S1*W1)/1 + …+ (Sn*Wn)/1" 일 수 있다.
이때, S1~Sn은 서브 특성 항목별 선호도 점수값(Score Value)을 의미하고, W1~Wn은 서브 특성 항목별로 가중되는 가중치 값일 수 있다.
실시예에 따른 결정부(300)는 순위 지수(order_sequence)에 기초하여, 복수의 상품들 중 추천 대상 상품을 결정할 수 있다. 즉, 결정부(300)는 순위 지수(order_sequence)가 높은 순서로 상품들을 정렬하고, 일정 순위 지수 이상의 상품들을 추천 대상 상품으로 결정할 수 있다.
다른 실시예에 따라, 학습부(200)는 고객 정보, 구매이력 정보 및 상품 정보를 이용하여, 고객 리스크를 산출하기 위한 리스크 모델(Risk Model)을 학습할 수 있다.
여기서, 고객 리스크는 연령 별로 발생하는 범죄나 사고 발생률을 의미하고, 이때, 리스크 모델(Risk Model)은 고객 리스크를 정의하기 위한 통계학적 알고리즘, 인공신경망 알고리즘 및 수치화 알고리즘을 포함할 수 있다.
예를 들면, 리스크 모델(Risk Model)은 사고율, 입금 연체율 및 급가속 횟수 중 적어도 하나 이상을 포함하는 복수의 속성 항목들, 각 속성 항목 별로 수치화된 수치값, 상기 고객 리스크의 종류에 따라 각 속성 항목에 가중되는 가중값 및 상기 수치값과 가중값을 이용하여 고객 리스크를 수치화하기 위한 연산식을 포함할 수 있다. 이러한 연산식은 산술 연산식과 논리 연산식을 포함할 수 있다.
다음으로, 결정부(300)는 고객 정보, 상품 정보 및 리스크 모델을 이용하여, 상품마다 고객 리스크가 수치화된 고객 리스크 비용(Risk Value)을 산출할 수 있다.
여기서, 고객 리스크 비용(Risk Value)은 상품 가격에 고객 리스크 비율을 곱한 서비스 금액일 수 있다. 이때, 리스크 비율은 고객 정보 및 상품 정보를 입력으로 하는 리스크 모델을 통해 고객 리스크를 수치화하기 위한 비율 정보일 수 있다.
구체적으로, 결정부(300)는 고객 정보, 상품 정보 및 인공신경망 알고리즘을 이용하여, 제1 리스크 비율을 산출할 수 있다. 또한, 결정부(300)는 고객 정보, 상품 정보 및 통계학적 알고리즘을 이용하여, 제2 리스크 비율을 산출할 수 있다. 이러한 제1 및 제2 리스크 비율은 음(-)의 값 및 양(+)의 값을 가질 수 있다.
예를 들면, 결정부(300)는 고객 정보가 34세 남성이고, 상품 정보가 바지를 입력으로 하는 인공신경망을 통해 제1 리스크 비율 예컨대, 반품률 0.01%를 산출할 수 있다.
또한, 결정부(300)는 고객 정보가 34세 남성이고, 상품 정보가 바지를 입력으로 하는 통계학적 알고리즘을 통해 제2 리스크 비율 예컨대, 반품률 0.02%를 산출할 수 있다.
이때, 결정부(300)는 제1 및 제2 리스크 비율을 입력으로 하는 인공신경망 알고리즘을 이용하여, 고객 리스크 비율 예컨대, 평균 반품률 0.015%를 산출할 수 있다. 그런 다음, 결정부(300)는 추천 대상 상품의 고정 가격과 고객 리스크 비율에 따라 변동되는 고객 리스크 비용(Risk Value)을 합산하여, 추천 대상 상품에 대한 서비스 가격을 결정할 수 있다.
예를 들면, 고객 리스크 비율이 0.015 %인 경우, 결정부(300)는 고정 금액인 10,000원과 0.015 %를 곱한 고객 리스크 비용(Risk Value)인 150원과 고정 금액 10,000원을 합산하여, 고객 리스크 비용(Risk Value)인 10,150원을 추천 대상 상품에 대한 서비스 가격으로 결정할 수 있다.
본 출원의 실시 예에 따른 인공지능 기반의 상품 추천 시스템(1000)은 수집부(100), 학습부(200) 및 결정부(300)를 통해 고객 정보, 상품 정보 및 구매이력 정보에 기초하여, 복수의 상품들 중 추천 대상 상품을 결정하고 고객 리스크에 따른 추천 대상 상품에 대한 서비스 가격을 조절함으로써, 사용자에 보다 적합한 상품을 고객 리스크에 따른 가격으로 제공할 수 있게 한다.
도 7은 도 1의 인공지능 기반의 상품 추천 서버(10)의 일 실시예에 따른 동작 프로세스이고, 도 8은 도 1의 결정부(300)의 선호도 점수 값을 산출하는 동작 프로세스이다.
도 1, 도 7 및 도 8을 참조하면, S110 단계에서, 수집부(100)는 고객 정보, 상품 정보 및 구매이력 정보를 수집할 수 있다.
그런 다음, S120 단계에서, 학습부(200)는 고객 정보, 상품 정보 및 구매이력 정보로부터 상품마다 기설정된 스코어 모델에 대응되는 속성 데이터를 추출할 수 있다.
이때, S130 단계에서, 학습부(200)는 상기 속성 데이터를 이용하여 상품의 추천 순위를 결정하기 위한 우선순위 모델을 학습할 수 있다.
그런 다음, S140 단계에서, 결정부(300)는 고객 정보, 상품 정보, 및 우선순위 모델을 이용하여, 상기 스코어 모델의 서브 특성 항목별 선호도 점수 값을 산출할 수 있다.
구체적으로, 도 8에 도시된 바와 같이, S141 단계에서, 결정부(300)는 고객 정보, 상품 정보, 및 우선순위 모델의 인공신경망 알고리즘을 이용하여, 서브 특성 항목별 제1 임시 점수 값들을 산출할 수 있다.
또한, S142 단계에서, 결정부(300)는 고객 정보, 상품 정보 및 우선순위 모델의 통계학적 알고리즘을 이용하여, 서브 특성 항목별 제2 임시 점수 값들을 산출할 수 있다.
이때, S143 단계에서, 결정부(300)는 제1 및 제2 임시 점수 값들을 입력으로 하는 인공신경망 알고리즘을 이용하여, 서브 특성 항목별 선호도 점수값(Score Value)을 산출할 수 있다.
이후, S144 단계에서, 결정부(300)는 상기 서브 특성 항목별 선호도 점수 값을 우선순위 모델의 수치화 알고리즘에 적용하여, 상품에 대한 순위 지수를 결정할 수 있다.
이후, S150 단계에서, 결정부(300)는 선호도 점수 값에 기초하여, 고객에게 추천하기 위한 대상 상품을 결정할 수 있다. 즉, 결정부(300)는 선호도 점수 값을 기초로 결정되는 상품에 대한 순위 지수에 따라, 대상 상품을 결정할 수 있다.
도 9은 도 1의 인공지능 기반의 상품 추천 서버(10)의 다른 실시예에 따른 동작 프로세스이다.
도 1과 도 9을 참조하면, S210 단계에서, 수집부(100)는 고객 정보, 상품 정보 및 구매이력 정보를 수집할 수 있다.
그런 다음, S220 단계에서, 학습부(200)는 상기 고객 정보, 상기 상품 정보 및 상기 구매이력 정보를 이용하여, 고객 리스크를 수치화하기 위한 리스크 모델을 학습할 수 있다. 여기서, 리스크 모델은 상품마다 고객의 리스크를 산출하도록 통계학적 알고리즘, 인공신경망 알고리즘 및 수치화 알고리즘 중 적어도 하나 이상을 포함할 수 있다.
그런 다음, S230 단계에서, 결정부(300)는 상기 고객 정보, 상기 상품 정보, 상기 구매이력 정보 및 상기 리스크 모델을 이용하여, 고객 리스크 비용을 산출할 수 있다. 여기서, 고객 리스크 비용은 상품 가격에 고객 리스크 비율을 곱한 금액이고, 고객 리스크 비율은 상기 고객 정보, 상기 상품 정보 및 상기 구매이력 정보를 입력으로 하는 리스크 모델을 통해 산출될 수 있다.
이후, S240 단계에서, 결정부(300)는 대상 상품의 고정 가격과 해당 대상 상품의 고객 리스크 비용을 합산하여, 상기 상품의 서비스 가격을 결정할 수 있다. 결정부(300)에서의 처리 절차에 대한 구체적인 실시 예를 설명하면 다음과 같다.
먼저 구매자의 정보와 서비스가 제공하는 전제 상품의 정보를 이용하여, 결정부(300)는 제공 가능한 상품을 필터링(filtering)할 수 있다.
예를 들어, 결정부(00)는 차량 대여 상품에 대해서는 구매자의 운전면허 종류를 이용하여 필터링할 수 있다. 다른 예로, 결정부(300)는 음료에 대해서는 구매자의 연령을 이용하여 필터링할 수 있다. 이는 이하의 수식 1로 표현될 수 있다.
[수식 1]
Filtered_item_set = f_filter(buyer_information, item_set)
여기서, 'Filtered_item_set'은 필터링된 상품의 집합을 의미한다. 'Item_set'은 상품의 집합을 의미한다. 'Buyer_information'는 구매자 정보를 의미한다. 'F_filter'는 필터링 함수(Filtering function)을 의미한다.
다음 단계로, 결정부(300)는 Filtered_item_set에 들어있는 모든 filtered_item에 대해서 구매자가 가지는 Risk 요인을 가지고 상품 가격에 반영할 수 있다. 이를 수식으로 표현하면 다음과 같다.
[수식 2]
price_filtered_item n = price_filtered_item n + risk_value n
여기서, 'price_filtered_item'는 리스크가 반영된 filtered_item의 가격을 의미한다. 'Price_filtered_item'은 filtered_item의 가격을 의미하다. 'Risk_value'는 리스크를 돈으로 환산한 값을 의미한다.
여기서 risk_value는 다음의 수식 3으로 구할 수 있다.
[수식 3]
Risk_value = F_risk (d1, d2, … dn)
여기서, 'F_risk'는 리스크 모델(Risk Model)에 저장된 방법 식별자(Method_id)가 가리키는 함수를 의미한다. 'd'는 리스크 모델(Risk Model)에 저장된 데이터 요소 값에 의하여 buyer_information으로부터 읽어낸 데이터 값을 의미한다. 예를 들어, d는 나이, 성별, 운전시간일 수 있다.
이 때, F_risk 내부에서는 리스크 모델(Risk Model)의 학습 결과에 의하여 d1 내지 dn에 대하여 인공신경망 연산 방법과 통계 연산 방법의 조합에 의해서 risk_value 값을 구할 수 있다.
Risk_value를 구하는 조합 연산 식인 F_risk를 사용하여 risk_value를 구하는 연산 과정을 보다 상세히 기술하면 다음의 수식 4와 같다.
[수식 4]
Risk_value = FNN_final_risk_value (FST_risk_value(d1,d2…dn),FNN_risk_value(d1,d2…dn))
여기서, 'FST_risk_value'는 통계 연산에 의해 risk_value 를 산출하는 함수를 의미한다. 'FNN_risk_value'는 인공신경망 연산에 의해 risk_value 를 산출하는 함수를 의미한다. 'FNN_final_risk_value'는 FST_risk_value와 FNN_risk_value의 산출 결과 값을 인수로 받아 최종적으로 risk_value를 호출하는 함수를 의미한다.
여기서, FST_final_risk_value, FST_risk_value, FNN_risk_value는 해당 리스크 모델(Risk Model)에 저장되어 있는 방법 식별자(Method_id)를 통해 식별되는 함수들일 수 있다. 예를 들어, 방법 식별자(Method_id)가 'car' 일 경우에, 호출되는 함수는 FST_final_risk_value_car, FST_risk_value_car, FNN_risk_value_car일 수 있다.
다음 단계로, 결정부(300)는 구매자의 정보와 상품 정보를 가지고 추천 대상 상품을 선정할 수 있다. 이 경우, 각 상품에 대한 선정 여부는 다음 수식 5의 결과에 의해서 결정될 수 있다.
[수식 5]
F_select(buyer_information, item, condition1) AND
F_select(buyer_information, item, condition2) AND …
F_select(buyer_information, item, conditionn)
이때, 식별자가 1 부터 n인 각 condition의 식은 하기의 수식 6으로 산출될 수 있다.
[수식 6]
Condition = FNN_make_final_condition(FST_condition(V1,V2,…Vn), FNN_condition(V1,V2,…Vn));
여기서, 'Condition'은 상품 선택 조건 식을 의미한다. 'FST_condition'은 통계 연산에 의해서 상품 선택 조건식을 생성하는 함수를 의미한다. 'FNN_condition'은 인공신경망 연산에 의해서 상품 선택 조건식을 생성하는 함수를 의미한다. 'FNN_make_final_condition'은 FST_condition과 FNN_condition 호출 결과 생성된 상품 선택 조건식을 인수로 받아서 최종적으로 인공신경망 방법에 의해서 상품 선택 조건식을 생성하는 함수를 의미한다. 'V'는 상품 정보, 고객 정보, 상품을 제공하는 데에 필요한 수집 가능한 모든 정보의 집합을 의미한다. 예를 들어, 'V'는 상품 판매자의 정보, 판매자의 신뢰도일 수 있다.
다음 단계로, 결정부(300)는 선정된 추천상품들에 대한 우선순위를 결정하는 점수 값을 구할 수 있다. 점수를 구하는 방법은 상품을 구성하는 각 메인 점수 항목(Scoring Element)에 대한 가중치를 구하고, 이 가중치 값과 메인 점수 항목(Scoring Element)의 점수 값을 곱한 합을 구하는 것일 수 있다. 이는 이하의 수학식 7과 같이 표현될 수 있다.
[수식 7]
W = F_precedence_weight(buyer_information, FST_weight(S,p1,p2…pn),FNN_weight(S,p1,p2…pn))
V = F_precedence_score(buyer_information, S, p1,p2,…pn);
Score_value = V1 x W1 + V2 x W2 + … + V3 x W3
여기서, 'S'는 메인 점수 항목(Scoring element)을 의미한다. 'p'는 서브 특성 항목(property)을 의미한다. 'F_precedence_weight'는 우선순위 모델(Precedence Model)의 방법 식별자(method_id)가 가리키는 가중치 산출 함수를 의미한다. 'F_precedence_score'는 우선순위 모델(Precedence Model)의 방법 식별자(method_id)가 가리키는 가리키는 가중치 산출 함수를 의미한다. 예를 들어, 방법 식별자(Method_id)가 'car' 일 경우에, 호출되는 함수는 F_precedence_weight_car, F_precedence_score _car일 수 있다.
본 출원은 도면에 도시된 일 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 출원의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
10: 인공지능 기반의 상품 추천 서버
100: 수집부
200: 학습부
300: 결정부
1000: 상품 추천 시스템

Claims (15)

  1. 고객 정보, 상품 정보 및 구매이력 정보를 수집하는 수집부;
    상기 고객 정보, 상품 정보 및 구매이력 정보로부터 상품마다 기설정된 스코어 모델에 대응되는 속성 데이터를 추출하고, 상기 속성 데이터를 이용하여 상품의 추천 순위를 결정하기 위한 우선순위 모델을 학습하는 학습부; 및
    상기 고객 정보, 상기 상품 정보 및 상기 우선순위 모델을 이용하여, 상품마다 추천 순위를 결정하기 위한 상기 스코어 모델의 서브 특성 항목별 선호도 점수값을 산출하는 결정부를 포함하고,
    상기 우선순위 모델은,
    상품마다 순위 지수를 판별하도록 상기 속성데이터를 입력으로 하는 통계학적 알고리즘, 인공신경망 알고리즘 및 수치화 알고리즘 중 적어도 하나 이상을 포함하고,
    상기 결정부는,
    상기 고객 정보, 상기 상품 정보 및 상기 인공신경망 알고리즘을 이용하여, 서브 특성 항목별 제1 임시 점수 값을 산출하고,
    상기 고객 정보, 상기 상품 정보 및 상기 통계학적 알고리즘을 이용하여, 서브 특성 항목별 제2 임시 점수 값을 산출하며,
    상기 제1 및 제2 임시 점수 값을 입력으로 하는 상기 인공신경망 알고리즘을 통해 상기 서브 특성 항목별 선호도 점수 값을 산출하는, 인공지능 기반의 상품 추천 시스템.
  2. 제1항에 있어서,
    상기 기설정된 스코어 모델은 상품마다 기설정된 메인 점수 항목들과 서브 특성 항목들을 포함하고,
    상기 메인 점수 항목들 각각은 적어도 하나의 서브 특성 항목에 대해 1:N의 관계로 대응되는, 인공지능 기반의 상품 추천 시스템.
  3. 제2항에 있어서,
    상기 속성 데이터는 상기 서브 특성 항목들에 따라 상기 고객 정보, 상품 정보 및 구매이력 정보로부터 추출되는 데이터인, 인공지능 기반의 상품 추천 시스템.
  4. 삭제
  5. 제1항에 있어서,
    상기 우선순위 모델은 방법 식별자 및 우선순위 데이터셋을 포함하고, 상기 스코어 모델은 메인 점수 항목 및 서브 특성 항목을 포함하며,
    상기 우선순위 데이터셋은 상기 메인 점수 항목에 해당하는 상품의 서브 특성 항목을 이용하여 구성되는, 인공지능 기반의 상품 추천 시스템.
  6. 삭제
  7. 제1항에 있어서,
    상기 결정부는 상기 서브 특성 항목별 선호도 점수 값에 대한 수치화 알고리즘을 적용하여, 상품에 대한 순위 지수를 결정하고,
    상기 수치화 알고리즘은 순위 지수 = (S1*W1)/1 + …+ (Sn*Wn)/1이고, 이때, S1~Sn은 상기 서브 특성 항목별 선호도 점수 값이고, W1~Wn은 상기 서브 특성 항목별로 가중되는 가중치 값인, 인공지능 기반의 상품 추천 시스템.
  8. 제7항에 있어서,
    상기 결정부는 상기 순위 지수에 따라, 고객에게 추천하기 위한 대상 상품을 결정하는, 인공지능 기반의 상품 추천 시스템.
  9. 제1항에 있어서,
    상기 학습부는 상기 고객 정보, 상기 상품 정보 및 상기 구매이력 정보를 이용하여, 고객 리스크를 수치화하기 위한 리스크 모델을 학습하고,
    상기 리스크 모델은 상품마다 고객의 리스크를 산출하도록 통계학적 알고리즘, 인공신경망 알고리즘 및 수치화 알고리즘 중 적어도 하나 이상을 포함하는, 인공지능 기반의 상품 추천 시스템.
  10. 제9항에 있어서,
    상기 결정부는 상기 고객 정보, 상기 상품 정보 및 상기 리스크 모델을 이용하여, 고객 리스크 비용을 산출하고,
    상기 고객 리스크 비용은 상품 가격에 고객 리스크 비율을 곱한 금액이며,
    상기 고객 리스크 비율은 상기 고객 정보, 및 상기 상품 정보를 입력으로 하는 상기 리스크 모델을 통해 산출되는, 인공지능 기반의 상품 추천 시스템.
  11. 제10항에 있어서,
    상기 결정부는 상품의 고정 가격과 해당 상품의 고객 리스크 비용을 합산하여, 상기 상품의 서비스 가격을 결정하는, 인공지능 기반의 상품 추천 시스템.
  12. 인공지능 기반의 상품 추천 시스템의 동작 방법으로서,
    수집부가 고객 정보, 상품 정보 및 구매이력 정보를 수집하는 단계;
    학습부가 고객 정보, 상품 정보 및 구매이력 정보로부터 상품마다 기설정된 스코어 모델에 대응되는 속성 데이터를 추출하는 단계;
    상기 학습부가 상기 속성 데이터를 이용하여 상품의 추천 순위를 결정하기 위한 우선순위 모델을 학습하는 단계;
    결정부가 상기 고객 정보, 상기 상품 정보 및 상기 우선순위 모델을 이용하여, 상기 스코어 모델의 서브 특성 항목별 선호도 점수 값을 산출하는 단계; 및
    상기 결정부가 상기 선호도 점수 값에 기초하여, 고객에게 추천하기 위한 대상 상품을 결정하는 단계를 포함하고,
    상기 우선순위 모델은 상품마다 순위 지수를 판별하도록 상기 속성데이터를 입력으로 하는 통계학적 알고리즘, 인공신경망 알고리즘 및 수치화 알고리즘 중 적어도 하나 이상을 포함하고,
    상기 선호도 점수 값을 산출하는 단계는,
    상기 결정부가 상기 고객 정보, 상기 상품 정보 및 상기 인공신경망 알고리즘을 이용하여, 상기 스코어 모델의 서브 특성 항목별 제1 임시 점수 값을 산출하는 단계;
    상기 결정부가 상기 고객 정보, 상기 상품 정보 및 상기 통계학적 알고리즘을 이용하여, 상기 스코어 모델의 서브 특성 항목별 제2 임시 점수 값을 산출하는 단계; 및
    상기 결정부가 상기 제1 및 제2 임시 점수 값을 입력으로 하는 상기 인공신경망 알고리즘을 이용하여, 상기 서브 특성 항목별 선호도 점수 값을 산출하는 단계;를 포함하는, 인공지능 기반의 상품 추천 시스템의 동작 방법.
  13. 삭제
  14. 제12항에 있어서,
    상기 결정부가 상기 선호도 점수 값을 상기 우선순위 모델의 수치화 알고리즘에 적용하여, 상품에 대한 순위 지수를 결정하는 단계를 포함하는, 인공지능 기반의 상품 추천 시스템의 동작 방법.
  15. 제12항에 있어서,
    상기 학습부가 상기 고객 정보, 상기 상품 정보 및 상기 구매이력 정보를 이용하여, 고객 리스크를 수치화하기 위한 리스크 모델을 학습하는 단계;
    상기 결정부가 상기 고객 정보, 상기 상품 정보, 및 상기 리스크 모델을 이용하여, 고객 리스크 비용을 산출하는 단계; 및
    상기 결정부가 상품의 고정 가격과 해당 상품의 고객 리스크 비용을 합산하여, 상기 상품의 서비스 가격을 결정하는 단계를 포함하고,
    상기 고객 리스크 비용은 상품 가격에 고객 리스크 비율을 곱한 금액이며,
    상기 고객 리스크 비율은 상기 고객 정보, 및 상기 상품 정보를 입력으로 하는 상기 리스크 모델을 통해 산출되고,
    상기 리스크 모델은 상품마다 고객의 리스크를 산출하도록 통계학적 알고리즘, 인공신경망 알고리즘 및 수치화 알고리즘 중 적어도 하나 이상을 포함하는, 인공지능 기반의 상품 추천 시스템의 동작 방법.
KR1020210040322A 2020-12-31 2021-03-29 상품 추천 시스템 및 그 동작 방법 KR102556324B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200189081 2020-12-31
KR20200189081 2020-12-31

Publications (2)

Publication Number Publication Date
KR20220097111A KR20220097111A (ko) 2022-07-07
KR102556324B1 true KR102556324B1 (ko) 2023-07-17

Family

ID=82397845

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210040322A KR102556324B1 (ko) 2020-12-31 2021-03-29 상품 추천 시스템 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102556324B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102653508B1 (ko) 2023-10-16 2024-04-01 주식회사 엠에스그룹 개인의 취향을 반영하여 팬시 제품을 추천해주고 이를 추적하여 재구매를 유도하는 방법 및 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496566B (zh) * 2022-11-16 2023-04-07 九州好礼(山东)电商科技有限公司 基于大数据的地区特产推荐方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100801662B1 (ko) * 2006-08-31 2008-02-05 에스케이 텔레콤주식회사 상품 추천 관리시스템 및 그 추천 방법
KR101617349B1 (ko) * 2012-08-28 2016-05-03 (주)나노포인트 운전 습관 분석 진단 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6922680B2 (en) * 2002-03-19 2005-07-26 Koninklijke Philips Electronics N.V. Method and apparatus for recommending an item of interest using a radial basis function to fuse a plurality of recommendation scores
KR102131799B1 (ko) * 2013-05-09 2020-07-08 에스케이플래닛 주식회사 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100801662B1 (ko) * 2006-08-31 2008-02-05 에스케이 텔레콤주식회사 상품 추천 관리시스템 및 그 추천 방법
KR101617349B1 (ko) * 2012-08-28 2016-05-03 (주)나노포인트 운전 습관 분석 진단 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102653508B1 (ko) 2023-10-16 2024-04-01 주식회사 엠에스그룹 개인의 취향을 반영하여 팬시 제품을 추천해주고 이를 추적하여 재구매를 유도하는 방법 및 시스템

Also Published As

Publication number Publication date
KR20220097111A (ko) 2022-07-07

Similar Documents

Publication Publication Date Title
US20220391968A1 (en) Optimized planograms
JP7105700B2 (ja) サービス対象のための時分割推薦方法及び装置
CN108108380B (zh) 搜索排序方法、搜索排序装置、搜索方法和搜索装置
KR102556324B1 (ko) 상품 추천 시스템 및 그 동작 방법
US20100280879A1 (en) Gift incentive engine
US20020032645A1 (en) System and method for score calculation
CN106651418A (zh) 针对电商满减活动的凑单商品推荐的方法
JP2000003394A (ja) パーソナルマーチャンダイジングシステム
US20170024783A1 (en) Methods and systems for ranking merchants
CN106469392A (zh) 选择及推荐展示对象的方法及装置
JP2013137683A (ja) 検索装置、検索方法、検索プログラム及び記録媒体
US10592918B2 (en) Predictive recommendation system using tiered feature data
WO2020113169A1 (en) Method and system of food product comparison
Gillpatrick et al. Understanding the role of consumer behavior in forecasting the impact of industry 4.0 and the wave of digital disruption driving innovation in retailing
CN110942344A (zh) 美食推荐榜单的生成方法、装置、设备及存储介质
Kopalle et al. Dynamic pricing: Definition, implications for managers, and future research directions
CN111861679A (zh) 一种基于人工智能的商品推荐方法
Du et al. Research on the method of acquiring customer individual demand based on the Quantitative Kano Model
CN117455579A (zh) 商品推荐干预方法、装置以及介质和设备
Chou et al. The RFM Model Analysis for VIP Customer: A case study of golf clothing brand
Senvar et al. Customer oriented intelligent DSS based on two-phased clustering and integrated interval type-2 fuzzy AHP and hesitant fuzzy TOPSIS
Gupta et al. Research Article Private Brands Waiting to Be Purchased-the Store Image Story
WO2014005190A2 (en) Methods, systems or computer programs for logistic planning based on proximity constraints and/or price optimization
KR102556450B1 (ko) 인공지능 기반의 맞춤형 와인 추천 방법 및 이를 수행하는 서버
US20220114683A1 (en) Property management device and property management system

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant