KR102561611B1 - 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치 Download PDF

Info

Publication number
KR102561611B1
KR102561611B1 KR1020230051964A KR20230051964A KR102561611B1 KR 102561611 B1 KR102561611 B1 KR 102561611B1 KR 1020230051964 A KR1020230051964 A KR 1020230051964A KR 20230051964 A KR20230051964 A KR 20230051964A KR 102561611 B1 KR102561611 B1 KR 102561611B1
Authority
KR
South Korea
Prior art keywords
information
korean beef
customer terminal
korean
beef
Prior art date
Application number
KR1020230051964A
Other languages
English (en)
Inventor
지성인
Original Assignee
주식회사 예담우
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 예담우 filed Critical 주식회사 예담우
Priority to KR1020230051964A priority Critical patent/KR102561611B1/ko
Application granted granted Critical
Publication of KR102561611B1 publication Critical patent/KR102561611B1/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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예들은 뉴럴 네트워크(neural network)를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 제1 고객 단말로부터 상기 제1 고객 단말의 식별 정보를 포함하는 제1 접속 요청 메시지를 수신하고, 상기 제1 고객 단말의 식별 정보에 따라 상기 제1 고객 단말과 관련된 과거 구매 정보 및 상기 제1 고객 단말에 대한 매장 정보를 획득하고, 상기 과거 구매 정보는 한우육을 구매한 날짜에 대한 정보, 구매한 한우육의 부위에 대한 정보, 구매한 한우육의 등급에 대한 정보, 한우육의 구매량에 대한 정보 및 구매와 관련된 피드백에 대한 정보를 포함하고, 상기 제1 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상 것에 기반하여, 상기 제1 고객 단말과 관련된 과거 구매 정보 및 매장 정보를 기반으로 뉴럴 네트워크를 이용하는 선호도 평가 모델을 통해 상기 제1 고객 단말의 한우육에 대한 선호 정보를 결정하고, 상기 서버에 사전 저장된 복수의 판매 한우육에 대한 정보 중에서 상기 제1 고객 단말의 한우육에 대한 선호 정보에 매칭되는 한우육에 대한 추천 정보를 결정하고, 상기 한우육에 대한 추천 정보를 포함하는 제1 접속 허용 메시지를 상기 제1 고객 단말에게 전송하고, 상기 제1 고객 단말로부터 한우육에 대한 주문 정보를 수신하고, 상기 한우육에 대한 주문 정보를 공급자 단말에게 전송하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치{METHOD AND APPARATUS FOR TRANSMITTING RECOMMENDATION INFORMATION ABOUT KOREAN BEEF TO A CUSTOMER TERMINAL USING A NEURAL NETWORK}
본 개시의 실시예들은 한우육에 대한 추천 정보를 고객 단말에게 전송하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치에 대한 것이다.
한편, 유통 기술의 발달 및 무선 통신 기술의 발달로 인해 온라인 마켓에서 육류를 구매하는 소비자들이 점차 증가하고 있으며, 이에 맞춰 온라인 상으로 한우육을 판매하는 업체도 증가하고 있다.
종래 한우육을 판매하는 온라인 마켓은 소비자의 구매 이력이나 소비자의 취향을 고려하지 않고, 한우육의 부위 및 등급을 정해진 용량으로 판매함으로써, 소비자가 부위 및 등급에 따른 용량을 임의로 선택할 수 없다는 문제가 있었다.
특히, 일반 소비자들과 달리, 한우육을 대량으로 구매하는 식당의 경우에는 식당의 업종과 식당의 매출 규모에 따라 한우육의 부위나 등급별로 필요한 용량이 상이할 수 있다.
이에, 뉴럴 네트워크를 이용한 평가 모델을 통해 고객 단말의 업종과 과거 구매 이력 및 고객 단말과 관련된 매장의 규모를 고려하여 고객 단말별로 요구되는 한우육에 대한 부위 및 등급을 결정할 뿐만 아니라 한우육에 대한 부위 및 등급에 따른 구매량까지 예측하고, 예측된 한우육에 대한 추천 정보를 고객 단말에게 제공하는 방법이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 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 네트워크(neural network)를 이용하여 서버가 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법은, 제1 고객 단말로부터 상기 제1 고객 단말의 식별 정보를 포함하는 제1 접속 요청 메시지를 수신하고, 상기 제1 고객 단말의 식별 정보에 따라 상기 제1 고객 단말과 관련된 과거 구매 정보 및 상기 제1 고객 단말에 대한 매장 정보를 획득하고, 상기 과거 구매 정보는 한우육을 구매한 날짜에 대한 정보, 구매한 한우육의 부위에 대한 정보, 구매한 한우육의 등급에 대한 정보, 한우육의 구매량에 대한 정보 및 구매와 관련된 피드백에 대한 정보를 포함하고, 상기 제1 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상 것에 기반하여, 상기 제1 고객 단말과 관련된 과거 구매 정보 및 매장 정보를 기반으로 뉴럴 네트워크를 이용하는 선호도 평가 모델을 통해 상기 제1 고객 단말의 한우육에 대한 선호 정보를 결정하고, 상기 서버에 사전 저장된 복수의 판매 한우육에 대한 정보 중에서 상기 제1 고객 단말의 한우육에 대한 선호 정보에 매칭되는 한우육에 대한 추천 정보를 결정하고, 상기 한우육에 대한 추천 정보를 포함하는 제1 접속 허용 메시지를 상기 제1 고객 단말에게 전송하고, 상기 제1 고객 단말로부터 한우육에 대한 주문 정보를 수신하고, 상기 한우육에 대한 주문 정보를 공급자 단말에게 전송하는 단계를 포함할 수 있다.
실시예들에 따르면, 서버는 고객 단말과 관련된 과거 구매 정보 및 고객 단말에 대한 매장 정보를 기반으로 선호도 평가 모델을 통해 고객 단말의 선호도를 결정하기 때문에, 고객 단말의 업종 뿐만 아니라 과거 구매 이력, 구매와 관련된 피드백 정보까지 고려하여 보다 정확하게 한우육에 대한 고객 단말의 선호도를 결정할 수 있다.
실시예들에 따르면, 서버는 고객 단말과 관련된 과거 구매 정보가 고객 단말의 선호도를 판단하기에 부족한 경우라도, 고객 단말에 대한 매장 정보를 통해 유사 고객 그룹에 대한 선호도를 이용함으로써, 고객 단말에게 한우육에 대한 추천 정보를 제공할 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 네트워크(neural network)를 이용하여 고객 단말에게 한우육에 대한 추천 정보를 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 선호도 평가 모델에 대한 예이다.
도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 공급자 단말에게 주문 정보를 전송하는 방법에 대한 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 네트워크(neural network)를 이용하여 고객 단말에게 한우육에 대한 추천 정보를 전송하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버(예: 도 1의 서버(108))는 제1 고객 단말(예: 도 1의 전자 장치(101))로부터 제1 고객 단말의 식별 정보를 포함하는 제1 접속 요청 메시지를 수신할 수 있다.
서버는 한우육에 대한 공급량, 수요량 또는 가격과 같이 한우육과 관련된 다양한 정보를 관리할 뿐만 아니라, 한우육에 대한 추천 정보를 고객 단말에게 제공하고, 한우육을 판매하는 서버일 수 있다. 제1 고객 단말은 서버에 등록된 고객이 사용하는 단말일 수 있다.
제1 고객 단말의 식별 정보는 서버에 등록된 고객 단말들을 식별하기 위한 정보이며, 제1 고객 단말을 식별하기 위한 값을 포함할 수 있다. 예를 들어, 제1 고객 단말의 식별 정보는 고객의 이름, 생년월일, 주소, ID, SNS(social network service) ID 또는 사업자등록 번호 중 적어도 하나를 포함할 수 있다.
제1 접속 요청 메시지는 제1 고객 단말이 서버에 대한 접속을 요청하는 메시지이다.
단계 S320에서, 서버는 제1 고객 단말의 식별 정보에 따라 제1 고객 단말과 관련된 과거 구매 정보 및 제1 고객 단말에 대한 매장 정보를 획득할 수 있다.
예를 들어, 서버는 복수의 고객 단말의 식별 정보에 대해 제1 고객 단말의 식별 정보를 탐색하고, 탐색된 식별 정보에 매칭된 과거 구매 정보 및 매장 정보를 획득할 수 있다. 복수의 고객 단말의 식별 정보는 서버에 사전 저장될 수 있다. 복수의 고객 단말의 식별 정보 각각에 대해 과거 구매 정보 및 매장 정보가 매칭되고, 매칭된 과거 구매 정보 및 매장 정보는 서버 또는 외부 서버에 저장될 수 있다. 예를 들어, 외부 서버에 저장된 경우, 서버는 복수의 고객 단말의 식별 정보 중에서 제1 고객 단말의 식별 정보를 탐색하고, 탐색된 식별 정보에 매칭된 과거 구매 정보 및 매장 정보를 외부 서버에 요청할 수 있다. 이후, 서버는 요청된 과거 구매 정보 및 매장 정보를 외부 서버로부터 수신함으로써, 제1 고객 단말과 관련된 과거 구매 정보 및 제1 고객 단말에 대한 매장 정보를 획득할 수 있다.
예를 들어, 과거 구매 정보는 한우육을 구매한 날짜에 대한 정보, 구매한 한우육의 부위에 대한 정보, 구매한 한우육의 등급에 대한 정보, 한우육의 구매량에 대한 정보 및 구매와 관련된 피드백에 대한 정보를 포함할 수 있다.
한우육을 구매한 날짜에 대한 정보는 고객이 한우육을 구매한 날짜와 시간을 나타내는 정보이며, 고객 단말이 한우육에 대한 구매를 위해 결제를 완료한 날짜와 시간을 포함할 수 있다.
구매한 한우육의 부위에 대한 정보는 고객이 구매한 한우육의 부위에 대한 정보이며, 고객 단말이 구매를 위해 서버에 전송한 과거 주문 정보에 포함된 한우육의 부위 중에서 고객 단말에게 배송이 성공적으로 완료된 한우육의 부위일 수 있다. 예를 들어, 한우육의 부위는 안심살, 등심살, 살치살과 같이 다양한 부위를 포함할 수 있고, 크게 구이용 부위와 요리용 부위로 분류될 수 있다.
구매한 한우육의 등급에 대한 정보는 고객이 구매한 한우육의 등급에 대한 정보이며, 고객 단말이 구매를 위해 서버에 전송한 과거 주문 정보에 포함된 한우육의 등급 중에서 고객 단말에게 배송이 성공적으로 완료된 한우육의 등급일 수 있다. 예를 들어, 한우육의 등급은 크게 육량 등급과 육질 등급으로 분류될 수 있다. 육량 등급은 A등급, B등급, C등급을 포함할 수 있다. 육질 등급은 1++등급, 1+등급, 1등급, 2등급, 3등급을 포함할 수 있다.
한우육의 구매량에 대한 정보는 고객이 구매한 한우육의 용량에 대한 정보이며, 고객 단말이 구매를 위해 서버에 전송한 과거 주문 정보에 포함된 한우육의 주문량 중에서 고객 단말에게 배송이 성공적으로 완료된 한우육의 주문량일 수 있다.
구매와 관련된 피드백에 대한 정보는 고객 단말이 구매한 한우육과 관련된 온라인 피드백 활동에 대한 정보이다. 예를 들어, 구매와 관련된 피드백에 대한 정보는 구매한 한우육에 대한 평점 정보, 구매한 한우육과 관련된 상품 페이지에 대한 클릭 횟수, 구매한 한우육과 관련된 상품 페이지에 대한 찜하기 여부, 구매한 한우육과 관련된 상품 페이지에 대한 링크를 공유한 횟수 및 구매한 한우육과 관련된 상품 페이지에 대한 체류 시간, 구매한 한우육과 관련된 SNS(social network service) 게시글에 대한 정보를 포함할 수 있다. 예를 들어, 구매와 관련된 피드백에 대한 정보는 제1 고객 단말의 식별 정보를 이용하여 서버에 의한 웹 크롤링을 통해 수집될 수 있다.
예를 들어, 매장 정보는 업종에 대한 정보, 상호명에 대한 정보, 매출액에 대한 정보, 매장의 운영 기간에 대한 정보, 매장 규모에 대한 정보 및 매장 위치에 대한 정보를 포함할 수 있다.
업종에 대한 정보는 고객이 종사하고 있는 업종을 나타내는 정보이며, 예를 들어, 업종에 대한 정보는 한식과 관련된 업종, 일식과 관련된 업종, 중식과 관련된 업종, 양식과 관련된 업종, 기타 요식업과 관련된 업종을 포함할 수 있다. 예를 들어, 한식과 관련된 업종은 일반 한식점, 육류요리 전문점, 면요리 전문점 및 해산물요리 전문점으로 세분화될 수 있다. 마찬가지로, 일식과 관련된 업종, 중식과 관련된 업종, 양식과 관련된 업종 및 기타 요식업과 관련된 업종 또한 일반 음식점, 육류요리 전문점, 면요리 전문점 및 해산물요리 전문점으로 세분화될 수 있다.
매출액에 대한 정보는 고객의 매장에 대한 매출액을 나타내는 정보이며, 사전 설정된 기간에 대한 월별 매출액을 포함할 수 있다. 매장 규모에 대한 정보는 고객의 매장의 규모를 나타내는 정보이며, 사전 설정된 기간에 대한 월별 고용된 직원의 수 및 매장의 크기를 포함할 수 있다.
매장 위치에 대한 정보는 고객의 매장의 위치를 나타내는 정보이다. 상호명에 대한 정보는 고객의 매장의 상호명을 나타내는 정보이다. 매장의 운영 기간에 대한 정보는 고객의 매장이 운영된 기간을 나타내는 정보이다.
단계 S330에서, 서버는 제1 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상 것에 기반하여, 제1 고객 단말과 관련된 과거 구매 정보 및 매장 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 선호도 평가 모델을 통해 제1 고객 단말의 한우육에 대한 선호 정보를 결정할 수 있다.
예를 들어, 서버는 제1 고객 단말과 관련된 과거 구매 정보에 대한 데이터 전처리를 통해 구매 이력 벡터를 월별로 생성할 수 있다. 구매 이력 벡터는 구매한 한우육과 관련된 벡터 및 피드백과 관련된 벡터를 포함할 수 있다.
예를 들어, 구매한 한우육과 관련된 벡터는 구매한 한우육의 부위를 나타내는 값, 해당 부위의 등급을 나타내는 값 및 해당 부위의 구매량에 대한 값을 포함할 수 있다. 예를 들어, 제1 고객 단말이 지난 2023년 3월 3일에 구매한 한우육이 살치살 1++등급을 200kg인 경우, 구매한 한우육과 관련된 벡터는 [살치살을 나타내는 값, 1++등급을 나타내는 값, 200]으로 구성될 수 있다. 이때, 한우육의 부위 각각을 나타내는 값 및 한우육의 등급 각각을 나타내는 값이 서버에 사전 저장될 수 있다.
예를 들어, 피드백과 관련된 벡터는, 구매한 한우육과 관련하여, 평점에 대한 값, 클릭 횟수, 상품 페이지에 대한 찜하기 여부와 관련된 값, 상품 페이지에 대한 링크를 공유한 횟수, 상품 페이지에 대한 체류 시간 및 SNS 게시글을 업로드한 횟수를 포함할 수 있다.
예를 들어, 서버는 제1 고객 단말에 대한 매장 정보에 대한 데이터 전처리를 통해 구매력 벡터를 월별로 생성할 수 있다.
구매력 벡터는 업종과 관련된 값, 매출액과 관련된 값 및 매장에 고용된 종원의 수에 대한 값, 매장의 크기에 대한 값을 포함할 수 있다. 예를 들어, 업종과 관련된 값은 업종에 따라 상이한 값으로 결정될 수 있다. 매출액과 관련된 값은 해당 월의 매출액을 나타내는 값일 수 있다.
예를 들어, 월별로 생성된 구매 이력 벡터 및 구매력 벡터가 상기 선호도 평가 모델에 입력되는 것에 기반하여, 상기 제1 고객 단말의 한우육에 대한 선호 정보가 결정될 수 있다.
제1 고객 단말의 한우육에 대한 선호 정보는 한우육의 부위에 대한 제1 선호도, 부위별 한우육의 등급에 대한 제2 선호도 및 부위별 선호하는 한우육의 구매량을 포함할 수 있다.
예를 들어, 선호도 평가 모델은 GRU(gated recurrent unit) 기반 뉴럴 네트워크 모델일 수 있다.
예를 들어, 사전 설정된 기준 값은 하기 수학식 1에 의해 결정될 수 있다.

상기 수학식 1에서, 상기 Rth는 상기 사전 설정된 기준 값이고, 상기 jn은 등록된 고객 단말의 개수이고, 상기 jref는 상기 서버에 설정된 기준 개수이고, 상기 nb는 기본 구매 횟수이고, 상기 k는 한우육의 부위의 개수이고, 상기 l은 한우육의 등급의 개수이고, 상기 m은 구매와 관련된 피드백 행위의 종류에 대한 개수이고, 상기 cxyz는 x번째 한우육 부위의 y번째 한우육 등급에 대해 구매와 관련된 z번째 종류의 피드백 행위를 상기 서버에 저장하기 위한 용량이고, 상기 Rmin은 상기 사전 설정된 기준 값에 대한 최소 값일 수 있다.
삭제
삭제
예를 들어, 기준 개수는 상기 서버의 선호도 평가 모델에서 요구되는 데이터를 확보하기 위해 필요한 고객 단말의 개수일 수 있다. 예를 들어, 기준 개수는 2000개일 수 있다. 기본 구매 횟수는 상기 서버의 선호도 평가 모델에서 요구되는 데이터를 확보하기 위해 필요한 고객 단말이 한우육을 구매한 횟수일 수 있다. 예를 들어, 기본 구매 횟수는 10회일 수 있다. 사전 설정된 기준 값에 대한 최소 값은 선호도 평가 모델에서 한우육에 대한 선호도를 결정하기 위해 최소한으로 요구되는 용량에 대한 값일 수 있다. 예를 들어, 사전 설정된 기준 값에 대한 최소 값은 512kB(kilobyte)일 수 있다. 예를 들어, 기준 개수, 기본 구매 횟수 및 사전 설정된 기준 값에 대한 최소 값은 상기 서버에 사전 설정될 수 있다. 이때, 기준 개수, 기본 구매 횟수 및 사전 설정된 기준 값에 대한 최소 값은 서버의 성능에 따라 상이할 수 있다. 구매와 관련된 피드백 행위의 종류는 구매한 한우육에 대한 평점을 제공하는 행위, 구매한 한우육과 관련된 상품 페이지를 클릭하는 행위, 구매한 한우육과 관련된 상품 페이지에 대해 찜하기 기능을 수행하는 행위, 구매한 한우육과 관련된 상품 페이지에 체류하는 행위, 구매한 한우육과 관련된 상품 페이지에 대한 링크를 공유하는 행위 및 구매한 한우육에 대한 게시글을 SNS에 업로드하는 행위를 포함할 수 있다. x번째 한우육 부위의 j번째 한우육 등급을 가진 한우육에 대한 구매와 관련된 행위를 상기 서버에 저장하기 위한 용량은 상기 서버에 사전 설정될 수 있다.
예를 들어, 등록된 고객 단말의 개수가 많을수록, 고객의 과거 구매 정보 및 구매와 관련된 피드백에 대한 정보가 증가하므로, 선호도 평가 모델이 충분히 학습될 수 있다. 따라서, 등록된 고객 단말의 개수가 많으면, 구매와 관련된 피드백에 대한 정보에 대한 용량이 작더라도, 서버는 고객의 한우육에 대한 선호도를 결정할 수 있기 때문에, 상기 사전 설정된 기준 값이 작게 결정될 수 있다.
이를 통해, 서버는 항상 고정된 값으로 사전 설정된 기준 값을 사용하지 않고, 다양한 정보를 고려하여 사전 설정된 기준 값을 적응적으로 조정할 수 있다.
단계 S340에서, 서버는 서버에 사전 저장된 복수의 판매 한우육에 대한 정보 중에서 제1 고객 단말의 한우육에 대한 선호 정보에 매칭되는 한우육에 대한 추천 정보를 결정할 수 있다.
사전 저장된 복수의 판매 한우육에 대한 정보는, 복수의 판매 한우육 각각에 대한, 부위 정보, 등급 정보, 가격 정보, 공급 가능량 정보, 예상 공급량 정보, 예상 수요량 정보 및 예상 가격 정보를 포함할 수 있다.
예를 들어, 사전 저장된 복수의 판매 한우육에 대한 정보는 서버에서 고객 단말에게 판매하는 한우육에 대한 정보이다. 부위 정보는 판매하는 한우육의 부위에 대한 정보이고, 등급 정보는 판매하는 한우육의 등급에 대한 정보이고, 가격 정보는 판매하는 한우육의 가격에 대한 정보일 수 있다. 예상 공급량 정보, 예상 수요량 정보 및 예상 가격 정보는 각각 뉴럴 네트워크를 통해 결정될 수 있다. 예상 공급량 정보는 향후 예상되는 한우육의 각 부위에 대한 등급별 공급량일 수 있다. 예상 수요량 정보는 향후 예상되는 한우육의 각 부위에 대한 등급별 수요량일 수 있다. 예상 가격 정보는 향후 예상되는 한우육의 각 부위에 대한 등급별 가격일 수 있다.
단계 S350에서, 서버는 한우육에 대한 추천 정보를 포함하는 제1 접속 허용 메시지를 제1 고객 단말에게 전송할 수 있다. 제1 접속 허용 메시지는 제1 고객 단말의 서버에 대한 접속을 허용하는 메시지이며, 한우육에 대한 추천 정보를 포함할 수 있다.
예를 들어, 한우육에 대한 추천 정보는 해당 고객 단말에게 추천하는 한우육에 대한 정보이며, 추천하는 한우육의 부위 및 등급에 대한 정보, 추천하는 한우육의 주문량에 대한 정보 및 한우육의 주문량에 따른 가격 정보를 포함할 수 있다.
예를 들어, 제1 접속 허용 메시지를 제1 고객 단말이 수신하는 것에 기반하여, 제1 고객 단말의 디스플레이부에 표시된 인터페이스 화면에 한우육에 대한 추천 정보가 디스플레이될 수 있다.
단계 S360에서, 서버는 제1 고객 단말로부터 한우육에 대한 주문 정보를 수신할 수 있다.
예를 들어, 한우육에 대한 주문 정보는 한우육의 부위에 대한 정보, 한우육의 등급에 대한 정보, 한우육의 주문량에 대한 정보 및 배송지 정보를 포함할 수 있다. 예를 들어, 제1 고객 단말은 주문 인터페이스를 통해 주문 정보를 결정하고, 결정된 주문 정보를 서버에게 전송할 수 있다.
단계 S370에서, 서버는 한우육에 대한 주문 정보를 공급자 단말에게 전송할 수 있다.
공급자 단말은 고객에게 한우육을 공급하는 공급자가 사용하는 단말이며, 예를 들어, 공급자 단말은 도 1의 전자 장치(101)를 포함할 수 있다.
일 실시예에 따르면, 서버는 제2 고객 단말로부터 제2 고객 단말의 식별 정보를 포함하는 제2 접속 요청 메시지를 수신할 수 있다. 제2 접속 요청 메시지는 제2 고객 단말이 서버에 대한 접속을 요청하는 메시지이다.
서버는 제2 고객 단말의 식별 정보에 따라 제2 고객 단말과 관련된 과거 구매 정보를 획득할 수 있다. 즉, 제2 고객 단말에 대한 매장 정보가 사전 저장되지 않을 수 있다. 서버는 제2 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 미만인 것에 기반하여, 제2 고객 단말에게 매장 정보를 요청할 수 있다. 서버는 제2 고객 단말로부터 상기 제2 고객 단말의 매장 정보를 수신할 수 있다. 서버는 제2 고객 단말의 한우육에 대한 추천 정보를 포함하는 제2 접속 허용 메시지를 제2 고객 단말에게 전송할 수 있다. 제2 접속 허용 메시지는 제2 고객 단말의 서버에 대한 접속을 허용하는 메시지이며, 한우육에 대한 추천 정보를 포함할 수 있다.
예를 들어, 제2 고객 단말의 한우육에 대한 추천 정보는 서버에 사전 저장된 판매 한우육에 대한 정보 중에서 제2 고객 단말의 한우육에 대한 선호 정보에 매칭되는 추천 정보일 수 있다. 제2 고객 단말의 한우육에 대한 선호 정보는 제2 고객 단말이 포함된 고객 그룹에 설정된 한우육에 대한 선호 정보일 수 있다. 고객 그룹은 제2 고객 단말의 매장 정보에 기반하여 복수의 고객 그룹 중에서 결정될 수 있다. 복수의 고객 그룹은 상기 서버에 저장된 복수의 과거 구매 정보 및 복수의 매장 정보에 대한 클러스터링을 통해 결정될 수 있다. 제2 고객 단말의 한우육에 대한 추천 정보는 제2 고객 단말이 매장 정보를 상기 서버에 제공한 보상으로 제공되는 한우육 샘플에 대한 정보를 포함할 수 있다.
예를 들어, 한우육 샘플에 대한 정보는 한우육 샘플의 부위 정보, 한우육 샘플의 등급 정보 및 한우육 샘플의 제공량 정보를 포함할 수 있다.
예를 들어, 한우육 샘플은 상기 사전 저장된 복수의 판매 한우육에 대한 정보 및 상기 한우육에 대한 추천 정보에 기반하여 해당 부위 및 등급에 대한 예상 가격이 현재 해당 부위 및 등급에 대한 가격보다 높은 한우육으로 결정될 수 있다.
도 4는 일 실시예에 따른 선호도 평가 모델에 대한 예이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 선호도 평가 모델은 제1 뉴럴 네트워크(400)에 의해 학습된 모델일 수 있다. 이때, 제1 뉴럴 네트워크는 제1 입력 레이어(410), 하나 이상의 제1 히든 레이어(420) 및 제1 출력 레이어(430)를 포함할 수 있다.
예를 들어, 선호도 평가 모델은 GRU는 RNN(recurrent neural network)를 변형시킨 모델일 수 있다. 일반적으로 RNN은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM(long short term memory networks)이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 이러한 LSTM의 구조를 간결하게 변형하여 속도를 개선한 모델이 GRU이다.
예를 들어, 서버는 제1 고객 단말과 관련된 과거 구매 정보에 대한 데이터 전처리를 통해 구매 이력 벡터를 월별로 생성할 수 있다. 구매 이력 벡터는 구매한 한우육과 관련된 벡터 및 피드백과 관련된 벡터를 포함할 수 있다.
예를 들어, 서버는 제1 고객 단말에 대한 매장 정보에 대한 데이터 전처리를 통해 구매력 벡터를 월별로 생성할 수 있다.
부가적으로, 예를 들어, 구매한 한우육과 관련된 벡터에 대해 구매 날짜에 따른 가중치가 적용될 수 있다. 여기서, 구매 날짜에 따른 가중치를 제1 가중치라고 지칭할 수 있다. 예를 들어, 제1 가중치는 고객이 최근 구매한 한우육에 대해 더 큰 값으로 설정될 수 있다. 예를 들어, 제1 가중치는 0에서 1 사이의 값을 가질 수 있다.
예를 들어, 피드백과 관련된 벡터에 대해 구매와 관련된 피드백 행위의 종류에 따라 가중치가 적용될 수 있다. 여기서, 구매와 관련된 피드백 행위의 종류에 따른 가중치를 제2 가중치라고 지칭할 수 있다. 예를 들어, 제2 가중치는 구매와 관련된 피드백 행위에 대해 정규화된 피드백 행위 값에 기반하여 구매와 관련된 피드백 행위에 대한 비율이 클수록 더 큰 값으로 설정될 수 있다.
구체적으로, 구매와 관련된 피드백 행위에서, 구매한 한우육에 대한 평점은 0점에서 5점으로 표현될 수 있고, 클릭 횟수는 최솟값이 0 값일 수 있고, 최댓값은 고객마다 상이할 수 있다. 또한, 한우육과 관련된 상품 페이지에 대한 찜하기는 한우육에 대한 찜하기 기능을 수행했는지 여부에 대한 값으로 나타나므로, 값의 범위가 존재하지 않을 수 있다. 따라서, 최댓값과 최솟값을 갖는 피드백 행위 및 참 값(예: 1 값) 또는 거짓(예: 0 값) 값을 갖는 피드백 행위를 0에서 1 사이의 값으로 정규화하는 작업이 필요할 수 있다. 예를 들어, 최댓값과 최솟값을 갖는 피드백 행위에 대해 정규화된 피드백 행위 값은 실제 수행한 값에서 최솟값을 뺀 값을 최댓값에서 최솟값을 뺀 값으로 나눈 값일 수 있다. 참 값 또는 거짓 값을 갖는 피드백 행위는 복수의 구매한 한우육 중에서 해당 행위를 수행한 구매한 한우육의 비율로 정규화된 행위 값이 결정될 수 있다. 예를 들어, 정규화된 피드백 행위 값들을 모두 합산한 값에서 해당 정규화된 피드백 행위 값을 나눈 비율이 제2 가중치로 도출될 수 있다.
예를 들어, 최댓값과 최솟값을 갖는 피드백 행위에 대한 제2 가중치는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 w2a는 상기 최댓값과 최솟값을 갖는 피드백 행위에 대한 제2 가중치이고, 상기 n은 고객이 한우육을 구매한 횟수이고, 상기 o는 구매와 관련된 피드백 행위의 개수이고, 상기 Pi는 i번째 구매한 한우육에 대한 고객의 해당 피드백 행위에 대한 실제 값이고, 상기 Pmini는 i번째 구매한 한우육에 대한 고객의 해당 피드백 행위에 대한 최솟값이고, 상기 Pmaxi는 i번째 구매한 한우육에 대한 고객의 해당 행위에 대한 최댓값이고, 상기 Ni,j는 i번째 구매한 한우육에 대한 고객의 j번째 행위에 대해 정규화된 행위 값일 수 있다.
예를 들어, 참 값 또는 거짓 값을 갖는 피드백 행위에 대한 제2 가중치는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 w2b는 상기 참 값 또는 거짓 값을 갖는 피드백 행위에 대한 제2 가중치이고, 상기 n은 고객이 한우육을 구매한 횟수이고, 상기 o는 구매와 관련된 피드백 행위의 개수이고, 상기 na는 고객이 상기 참 값 또는 거짓 값을 갖는 피드백 행위를 수행한 한우육을 구매한 횟수이고, 상기 Ni,j는 i번째 구매한 한우육에 대한 고객의 j번째 행위에 대해 정규화된 행위 값일 수 있다.
예를 들어, 하나 이상의 제1 히든 레이어(420)는 하나 이상의 GRU 블록을 포함하고, 하나의 GRU 블록은 리셋 게이트(reset gate)와 업데이트 게이트(update gate)를 포함할 수 있다. 여기서, 리셋 게이트와 업데이트 게이트는 시그모이드 레이어를 포함할 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 예를 들어, 리셋 게이트 및 업데이트 게이트를 통해 히든 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
복수의 구매 이력 벡터, 복수의 구매력 벡터 및 복수의 정답 한우육에 대한 선호 정보로 구성된 각각의 학습 데이터는 제1 뉴럴 네트워크의 상기 제1 입력 레이어(410)에 입력되어 상기 하나 이상의 제1 히든 레이어(420) 및 제3 출력 레이어(430)를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어(430)에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
여기서, 정답 한우육에 대한 선호 정보는 구매 이력 벡터 및 구매력 벡터로 이루어진 세트에 대해 한우육에 대한 선호 정보를 나타내는 정답 벡터일 수 있다. 한우육에 대한 선호 정보는 한우육의 부위별 제1 선호도, 부위별 한우육의 등급에 대한 제2 선호도 및 부위별 선호하는 한우육의 구매량을 포함할 수 있다. 한우육의 부위별 제1 선호도는 고객 단말의 부위별 선호도를 나타내며, 0점에서 100점 사이의 값을 가질 수 있다. 부위별 한우육의 등급에 대한 제2 선호도는 고객 단말의 각 부위에 대한 등급별 선호도를 나타내며, 0점에서 100점 사이의 값을 가질 수 있다. 부위별 선호하는 한우육의 구매량은 각 부위에 대해 고객 단말이 선호하는 구매량일 수 있다.
부가적으로, 예를 들어, 한우육에 대한 추천 정보는 추천하는 한우육의 부위 및 등급을 복수 개 포함할 수 있고, 추천하는 한우육의 부위 및 등급은 제1 선호도와 제2 선호도의 합이 큰 순서로 사전 설정된 개수만큼 결정될 수 있다.
구체적으로, 예를 들어, 리셋 게이트는 과거의 정보를 리셋시키며, 이전 히든 레이어를 거쳐 도출된 가중치 r(t)는 수학식 4에 의해 결정될 수 있다.
예를 들어, 복수의 구매 이력 벡터 및 복수의 구매력 벡터가 상기 제3 입력 레이어(710)에 입력되고, 상기 리셋 게이트는 복수의 구매 이력 벡터 및 복수의 구매력 벡터를 기반으로 생성된 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wr와 내적하고, 복수의 구매 이력 벡터 및 복수의 구매력 벡터를 기반으로 생성된, 이전 시점의 히든 스테이트(h(t-1))를 이전 시점의 가중치 Ur와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력되어 결과가 0과 1 사이의 값으로 출력될 수 있다. 이러한 0과 1 사이의 값을 통해 이전 시점의 히든 스테이트 값을 얼마나 활용할 것인지 결정될 수 있다.
업데이트 게이트는 과거와 현재의 정보에 대한 최신화 비율을 결정하며, z(t)는 현재 시점의 정보의 양으로, 수학식 5에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wz와 내적하고, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uz와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력됨으로써 결과가 0과 1 사이의 값으로 출력될 수 있다. 그리고 1-z(t)를 직전 시점의 히든 레이어의 정보(h(t-1))에 곱할 수 있다.
이를 통해, z(t)는 현재 정보를 얼마나 사용할 지와 1-z(t)를 과거 정보에 대해 얼마나 사용할지를 반영할 수 있다.
리셋 게이트의 결과를 곱하여 현재 시점 t의 정보 후보군이 수학식 6에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wh와 내적한 값과, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uh와 내적하고, r(t)를 곱한 값을 합하여 tanh 함수에 입력될 수 있다.
업데이트 게이트와 후보군의 결과를 결합함으로써, 현재 시점의 히든 레이어의 가중치를 수학식 7에 의해 결정할 수 있다.
예를 들어, 업데이트 게이트의 출력 값 z(t)와 현재 시점의 히든 스테이트(h(t))를 곱한 값과 업데이트 게이트에서 버려지는 값 1-z(t)와 이전 시점의 히든 스테이트(h(t-1))을 곱한 값의 합으로 현재 시점의 히든 레이어의 가중치가 결정될 수 있다.
이를 통해, 서버는 복수의 구매 이력 벡터, 복수의 구매력 벡터 및 복수의 정답 한우육에 대한 선호 정보로 상기 제1 뉴럴 네트워크를 학습시킬 수 있다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 공급자 단말에게 주문 정보를 전송하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 고객 단말로부터 접속 요청 메시지를 수신할 수 있다.
예를 들어, 서버는 접속 요청 메시지에 포함된 고객 단말의 식별 정보에 따라 고객 단말과 관련된 과거 구매 정보 및 고객 단말에 대한 매장 정보를 획득할 수 있다.
단계 S502에서, 서버는 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상인지 여부를 결정할 수 있다.
예를 들어, 서버는 상술한 수학식 1에 의해 사전 설정된 기준 값을 결정하고, 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상인지 여부를 결정할 수 있다.
단계 S503에서, 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상인 경우, 서버는 한우육에 대한 추천 정보를 포함하는 접속 허용 메시지를 고객 단말에게 전송할 수 있다.
예를 들어, 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상인 경우, 서버는 고객 단말과 관련된 과거 구매 정보 및 고객 단말에 대한 매장 정보를 기반으로 상술한 선호도 모델을 통해 고객 단말의 한우육에 대한 선호 정보를 결정할 수 있다.
단계 S504에서, 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 미만인 경우, 서버는 고객 단말로부터 수신한 고객 단말에 대한 매장 정보가 존재하는지 여부를 결정할 수 있다.
단계 S505에서, 고객 단말에 대한 매장 정보가 존재하는 경우, 서버는 복수의 고객 그룹 중에서 고객 단말이 포함되는 고객 그룹을 결정할 수 있다.
예를 들어, 서버는 고객 단말이 포함된 고객 그룹에 설정된 한우육에 대한 선호 정보를 고객 단말의 한우육에 대한 선호 정보로 결정할 수 있다.
부가적으로, 예를 들어, 서버는 복수의 고객 단말과 관련된 과거 구매 정보 및 복수의 고객 단말에 대한 매장 정보를 기반으로 사전 설정된 n개의 고객 그룹을 결정할 수 있다. 예를 들어, n개의 고객 그룹은, 복수의 고객 단말에 대한 구매 이력 벡터 및 구매력 벡터를 기반으로 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 사전 결정될 수 있다. 복수의 고객 단말은 사전에 한우육에 대한 선호 정보가 결정된 고객 단말일 수 있다. 예를 들어, 복수의 고객 단말은 사전에 상술한 선호도 평가 모델을 통해 한우육에 대한 선호 정보가 결정된 사용자 단말일 수 있다. 예를 들어, 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다. 이때, 예를 들어, 서버는 복수의 고객 단말 각각에 대한 과거 구매 정보 및 매장 정보를 기반으로 벡터 데이터를 생성할 수 있다. 예를 들어, 복수의 고객 그룹은 복수의 벡터 데이터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 n개의 그룹으로 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, 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 고객 단말에 대한 구매 이력 벡터 및 구매력 벡터를 고려하여, 복수의 고객 그룹으로 분류할 수 있다. 이후, 서버는 복수의 고객 그룹마다 한우육에 대한 선호 정보에 포함된 제1 선호도, 제2 선호도 및 구매량 각각을 평균한 값을 해당 고객 그룹에 설정된 한우육에 대한 선호 정보로 결정할 수 있다. 이후, 서버는 고객 단말을 복수의 고객 그룹 중 어느 하나의 그룹으로 분류하고, 해당 고객 그룹에 설정된 한우육에 대한 선호 정보를 고객 단말의 한우육에 대한 선호 정보로 결정할 수 있다.
예를 들어, 고객 단말의 과거 구매 정보가 존재하지 않는 경우에는 사전 설정된 기본 구매 정보로 대체될 수 있다.
단계 S506에서, 서버는 한우육에 대한 추천 정보를 포함하는 접속 허용 메시지를 고객 단말에게 전송할 수 있다.
예를 들어, 한우육에 대한 추천 정보는 상기 서버에 사전 저장된 판매 한우육에 대한 정보 중에서 고객 단말의 한우육에 대한 선호 정보에 매칭되는 추천 정보일 수 있다.
단계 S507에서, 고객 단말에 대한 매장 정보가 존재하지 않는 경우, 서버는 고객 단말에 대한 매장 정보를 고객 단말에게 요청하고 고객 단말로부터 고객 단말에 대한 매장 정보를 수신할 수 있다.
단계 S508에서, 서버는 복수의 고객 그룹 중에서 고객 단말이 포함되는 고객 그룹을 결정할 수 있다.
예를 들어, 서버는 고객 단말이 포함된 고객 그룹에 설정된 한우육에 대한 선호 정보를 고객 단말의 한우육에 대한 선호 정보로 결정할 수 있다.
예를 들어, 서버는 상기 서버에 사전 저장된 판매 한우육에 대한 정보 중에서 고객 단말의 한우육에 대한 선호 정보에 매칭되는 추천 정보를 고객 단말의 한우육에 대한 추천 정보로 결정할 수 있다.
단계 S509에서, 서버는 고객 단말이 선호하는 한우육의 부위 및 등급 중에서 예상 가격이 현재 가격보다 높은 부위 및 등급이 존재하는지 여부를 결정할 수 있다.
예를 들어, 서버는 사전 저장된 복수의 판매 한우육에 대한 정보 및 상기 한우육에 대한 추천 정보에 기반하여 고객 단말이 선호하는 한우육의 부위 및 등급 중에서 예상 가격이 현재 가격보다 높은 부위 및 등급이 존재하는지 여부를 결정할 수 있다.
부가적으로, 예를 들어, 판매 한우육에 대한 정보에 포함된 예상 공급량 정보, 예상 수요량 정보 및 예상 가격 정보는 각각 뉴럴 네트워크를 통해 결정될 수 있다.
예를 들어, 서버는 웹 크롤링을 통해, 사전 설정된 기간에 대해, 한우육의 각 부위에 대한 등급별 100g 당 가격에 대한 데이터, 기상 데이터, 한우의 두수와 관련된 데이터, 뉴스 데이터, 유튜브 데이터 및 소상공인 데이터를 수집할 수 있다.
기상 데이터는 기상 상태를 나타내는 데이터로, 기온, 습도, 강수량을 포함할 수 있다. 한우의 두수와 관련된 데이터는 도축된 한우의 두수, 24개월 이상의 한우의 두수 및 24개월 미만의 한우의 두수를 포함할 수 있다. 뉴스 데이터는 뉴스 기사에 대한 데이터일 수 있다. 유튜브 데이터는 영상 제목에 한우육과 관련된 키워드가 포함된 유튜브 영상에 대한 데이터일 수 있다. 영상 제목에 한우육과 관련된 키워드가 포함된 유튜브 영상을 한우 유튜브 영상이라고 지칭할 수 있다. 소상공인 데이터는 상호명에 한우육과 관련된 키워드가 포함된 식당에 대한 데이터일 수 있다. 상호명에 한우육과 관련된 키워드가 포함된 식당을 한우육 식당이라고 지칭할 수 있다.
예를 들어, 서버는 한우의 두수와 관련된 데이터를 기반으로 뉴럴 네트워크를 이용한 예상 공급량 결정 모델을 통해 제1 예상 정보를 결정할 수 있다. 서버는 한우의 두수와 관련된 데이터에 대한 데이터 전처리를 통해 월별 도축된 한우의 두수, 월별 24개월 이상의 한우의 두수 및 월별 24개월 미만의 한우의 두수로 구성된 한우 두수 벡터를 생성할 수 있다. 예를 들어, 예상 공급량 결정 모델은 복수의 한우 두수 벡터와 복수의 정답 월별 공급된 한우의 두수에 대한 정보에 따라 상술한 선호도 평가 모델과 같이 학습될 수 있다. 제1 예상 정보는 향후 월별 한우의 공급 두수를 포함할 수 있다. 예를 들어, 서버는 제1 예상 정보에 공급 두수에 따른 한우육의 각 부위에 대한 등급별 공급 비율을 적용시킴으로써, 예상 공급량 정보를 결정할 수 있다.
예를 들어, 서버는 기상 데이터, 뉴스 데이터, 유튜브 데이터 및 소상공인 데이터를 기반으로 뉴럴 네트워크를 이용한 예상 수요량 결정 모델을 통해 제2 예상 정보를 결정할 수 있다. 서버는 기상 데이터, 뉴스 데이터, 유튜브 데이터 및 소상공인 데이터에 대한 데이터 전처리를 통해 수요 변수 벡터를 생성할 수 있다. 예를 들어, 수요 변수 벡터는 월별 기온, 월별 습도, 월별 강수량, 월별 한우육의 수요와 관련된 키워드 세트가 포함된 뉴스 기사의 개수, 월별 한우육 유튜브 영상의 좋아요 수, 월별 한우육 유튜브 영상의 조회 수 및 월별 한우육 식당의 생성 개수로 구성될 수 있다. 예를 들어, 예상 수요량 결정 모델은 복수의 수요 변수 벡터와 복수의 정답 월별 한우육의 소비량에 대한 정보에 따라 상술한 선호도 평가 모델과 같이 학습될 수 있다. 예상 수요량 정보는 향후 월별 한우육의 예상 소비량을 포함할 수 있다. 예를 들어, 서버는 제2 예상 정보에 한우육의 예상 소비량에 따른 한우육의 각 부위에 대한 등급별 수요 비율을 적용시킴으로써, 예상 수요량 정보를 결정할 수 있다.
예를 들어, 서버는 한우육의 각 부위에 대한 등급별 100g 당 가격에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 예상 가격 결정 모델을 통해 예상 가격 정보를 결정할 수 있다. 한우육의 각 부위에 대한 등급별 100g 당 가격에 대한 데이터는 월별 가격 벡터로 변환될 수 있다. 가격 벡터는 각 부위에 대한 등급별 가격 데이터로 구성될 수 있다. 예를 들어, 예상 가격 결정 모델은 복수의 월별 가격 벡터를 기반으로 예상 가격에 대한 정보를 결정하도록 학습될 수 있다. 예상 가격에 대한 정보는 향후 월별로 한우육의 각 부위에 대한 등급별 예상 가격을 포함할 수 있다. 예를 들어, 서버는 예상 가격에 대한 정보에 예상 공급량 정보 및 예상 수요량 정보에 따른 가중치를 적용하여 예상 가격을 결정할 수 있다. 예상 공급량 정보 및 예상 수요량 정보에 따른 가중치는 각 부위에 대한 등급별로 결정될 수 있고, 공급량과 수요량의 비율에 따라 가중치가 결정될 수 있다. 예를 들어, 부위별로 공급량과 수요량의 비율에 따른 기본 가격이 상기 서버에 사전 설정될 수 있다. 또한, 부위별로 공급량과 수요량의 비율에 대한 가격에 대한 가중치가 상기 서버에 사전 설정될 수 있다.
단계 S510에서, 고객 단말이 선호하는 한우육의 부위 및 등급 중에서 예상 가격이 현재 가격보다 높은 부위 및 등급이 존재하지 않는 경우, 서버는 고객 단말이 선호하는 한우육의 부위 및 등급 중에서 예상 가격과 현재 가격의 차이 값이 가장 작은 한우육의 부위 및 등급을 한우육 샘플로 결정할 수 있다.
예를 들어, 서버는 사전 저장된 복수의 판매 한우육에 대한 정보 및 상기 한우육에 대한 추천 정보에 기반하여 고객 단말이 선호하는 한우육의 부위 및 등급 중에서 예상 가격과 현재 가격의 차이 값이 가장 작은 한우육의 부위 및 등급을 결정할 수 있다.
단계 S511에서, 고객 단말이 선호하는 한우육의 부위 및 등급 중에서 예상 가격이 현재 가격보다 높은 부위 및 등급이 존재하는 경우, 서버는 한우육 샘플에 대한 정보 및 한우육의 추천 정보를 포함하는 접속 허용 메시지를 고객 단말에게 전송할 수 있다.
여기서, 한우육 샘플은 예상 가격이 현재 가격보다 높은 부위 및 등급의 한우육이다. 예를 들어, 예상 가격이 현재 가격보다 높은 부위 및 등급의 한우육이 복수 개인 경우, 복수 개의 한우육 중에서 제1 선호도와 제2 선호도의 합이 가장 큰 한우육이 한우육 샘플로 결정될 수 있다.
단계 S512에서, 서버는 고객 단말로부터 주문 정보를 수신할 수 있다.
단계 S513에서, 서버는 주문 정보에 포함된 총 주문량이 사전 설정된 주문량 이상인지 여부를 결정할 수 있다.
단계 S514에서, 주문 정보에 포함된 총 주문량이 사전 설정된 주문량 이상인 경우, 서버는 고객 단말에게 할인 정보를 전송할 수 있다.
예를 들어, 할인 정보는 할인율 및 할인 기간을 포함하는 할인권에 대한 정보이며, 할인율은 총 주문량에서 사전 설정된 주문량을 뺀 값에 비례하여 사전 설정된 범위 내에서 증가할 수 있다. 할인 기간은 총 주문량에서 사전 설정된 주문량을 뺀 값에 반비례하여 사전 설정된 범위 내에서 증가할 수 있다.
단계 S515에서, 서버는 고객 단말로부터 수신한 주문 정보를 공급자 단말에게 전송할 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 네트워크(neural network)를 이용하여 서버가 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법에 있어서,
    제1 고객 단말로부터 상기 제1 고객 단말의 식별 정보를 포함하는 제1 접속 요청 메시지를 수신하는 단계;
    제2 고객 단말로부터 상기 제2 고객 단말의 식별 정보를 포함하는 제2 접속 요청 메시지를 수신하는 단계;
    상기 제1 고객 단말의 식별 정보에 따라 상기 제1 고객 단말과 관련된 과거 구매 정보 및 상기 제1 고객 단말에 대한 매장 정보를 획득하는 단계;
    상기 제2 고객 단말의 식별 정보에 따라 상기 제2 고객 단말과 관련된 과거 구매 정보를 획득하는 단계;
    상기 과거 구매 정보는 한우육을 구매한 날짜에 대한 정보, 구매한 한우육의 부위에 대한 정보, 구매한 한우육의 등급에 대한 정보, 한우육의 구매량에 대한 정보 및 구매와 관련된 피드백에 대한 정보를 포함하고,
    상기 제1 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 이상 것에 기반하여, 상기 제1 고객 단말과 관련된 과거 구매 정보 및 매장 정보를 기반으로 뉴럴 네트워크를 이용하는 선호도 평가 모델을 통해 상기 제1 고객 단말의 한우육에 대한 선호 정보를 결정하는 단계;
    상기 서버에 사전 저장된 복수의 판매 한우육에 대한 정보 중에서 상기 제1 고객 단말의 한우육에 대한 선호 정보에 매칭되는 한우육에 대한 추천 정보를 결정하는 단계;
    상기 제2 고객 단말과 관련된 과거 구매 정보에 대한 용량이 사전 설정된 기준 값 미만인 것에 기반하여, 상기 제2 고객 단말에게 매장 정보를 요청하는 단계;
    상기 제2 고객 단말로부터 상기 제2 고객 단말에 대한 매장 정보를 수신하는 단계;
    상기 한우육에 대한 추천 정보를 포함하는 제1 접속 허용 메시지를 상기 제1 고객 단말에게 전송하는 단계;
    상기 제2 고객 단말의 한우육에 대한 추천 정보를 포함하는 제2 접속 허용 메시지를 상기 제2 고객 단말에게 전송하는 단계;
    상기 제1 고객 단말 및 상기 제2 고객 단말로부터 한우육에 대한 주문 정보를 수신하는 단계; 및
    상기 한우육에 대한 주문 정보를 공급자 단말에게 전송하는 단계;를 포함하되,
    상기 매장 정보는 업종에 대한 정보, 상호명에 대한 정보, 매출액에 대한 정보, 매장의 운영 기간에 대한 정보, 매장 규모에 대한 정보 및 매장 위치에 대한 정보를 포함하고,
    상기 제1 고객 단말과 관련된 과거 구매 정보에 대한 데이터 전처리를 통해 구매 이력 벡터가 월별로 생성되고,
    상기 구매 이력 벡터는 구매한 한우육과 관련된 벡터 및 피드백과 관련된 벡터를 포함하고,
    상기 구매한 한우육과 관련된 벡터는 구매한 한우육의 부위를 나타내는 값, 해당 부위의 등급을 나타내는 값 및 해당 부위의 구매량에 대한 값을 포함하고,
    상기 피드백과 관련된 벡터는, 구매한 한우육과 관련하여, 평점에 대한 값, 클릭 횟수, 상품 페이지에 대한 찜하기 여부와 관련된 값, 상품 페이지에 대한 링크를 공유한 횟수, 상품 페이지에 대한 체류 시간 및 SNS 게시글을 업로드한 횟수를 포함하고,
    상기 제1 고객 단말에 대한 매장 정보에 대한 데이터 전처리를 통해 구매력 벡터가 월별로 생성되고,
    상기 구매력 벡터는 업종과 관련된 값, 매출액과 관련된 값 및 매장 규모와 관련된 값을 포함하고,
    월별로 생성된 구매 이력 벡터 및 구매력 벡터가 상기 선호도 평가 모델에 입력되는 것에 기반하여, 상기 제1 고객 단말의 한우육에 대한 선호 정보가 결정되고,
    상기 제1 고객 단말의 한우육에 대한 선호 정보는 한우육의 부위별 제1 선호도, 부위별 한우육의 등급에 대한 제2 선호도 및 부위별 선호하는 한우육의 구매량을 포함하고,
    상기 제2 고객 단말의 한우육에 대한 추천 정보는 상기 서버에 사전 저장된 판매 한우육에 대한 정보 중에서 상기 제2 고객 단말의 한우육에 대한 선호 정보에 매칭되는 추천 정보이고,
    상기 제2 고객 단말의 한우육에 대한 선호 정보는 상기 제2 고객 단말이 포함된 고객 그룹에 설정된 한우육에 대한 선호 정보이고,
    상기 고객 그룹은 상기 제2 고객 단말의 매장 정보에 기반하여 복수의 고객 그룹 중에서 결정되고,
    상기 복수의 고객 그룹은 복수의 고객 단말과 관련된 과거 구매 정보 및 복수의 고객 단말에 대한 매장 정보에 기반한 클러스터링을 통해 결정되고,
    상기 제2 고객 단말의 한우육에 대한 추천 정보는, 상기 제2 고객 단말이 상기 제2 고객 단말에 대한 매장 정보를 상기 서버에 전송한 보상으로 제공되는, 한우육 샘플에 대한 정보를 더 포함하고,
    상기 사전 저장된 복수의 판매 한우육에 대한 정보는, 복수의 판매 한우육 각각에 대한, 부위 정보, 등급 정보, 가격 정보, 공급 가능량 정보, 예상 공급량 정보, 예상 수요량 정보 및 예상 가격 정보를 포함하고,
    상기 한우육 샘플에 대한 정보는 한우육 샘플의 부위 정보, 한우육 샘플의 등급 정보 및 한우육 샘플의 제공량 정보를 포함하고,
    상기 한우육 샘플은 상기 사전 저장된 복수의 판매 한우육에 대한 정보 및 상기 제2 고객 단말의 한우육에 대한 추천 정보에 기반하여 해당 부위 및 등급에 대한 예상 가격이 현재 해당 부위 및 등급에 대한 가격보다 높은 한우육으로 결정되고,
    상기 서버에 의한 웹 크롤링을 통해 한우육의 각 부위에 대한 등급별 100g 당 가격에 대한 데이터, 월별 기온, 월별 습도, 월별 강수량, 월별 한우육의 수요와 관련된 키워드 세트가 포함된 뉴스 기사의 개수, 월별 한우육 유튜브 영상의 좋아요 수, 월별 한우육 유튜브 영상의 조회 수 및 월별 한우육 식당의 생성 개수, 월별 도축된 한우의 두수, 월별 24개월 이상의 한우의 두수 및 24개월 미만의 한우의 두수가 수집되고,
    상기 예상 가격에 대한 정보는 상기 한우육의 각 부위에 대한 등급별 100g 당 가격에 대한 데이터로 학습된 뉴럴 네트워크를 이용하는 예상 가격 결정 모델을 통해 결정되고,
    상기 예상 수요량 정보는 상기 월별 기온, 상기 월별 습도, 상기 월별 강수량, 상기 월별 한우육의 수요와 관련된 키워드 세트가 포함된 뉴스 기사의 개수, 상기 월별 한우육 유튜브 영상의 좋아요 수, 상기 월별 한우육 유튜브 영상의 조회 수 및 상기 월별 한우육 식당의 생성 개수로 학습된 뉴럴 네트워크를 이용하는 예상 수요량 결정 모델을 통해 결정되고,
    상기 월별 도축된 한우의 두수, 상기 월별 24개월 이상의 한우의 두수 및 상기 24개월 미만의 한우의 두수로 학습된 뉴럴 네트워크를 이용하는 예상 공급량 결정 모델을 통해 향후 월별 한우의 공급 두수가 결정되고,
    상기 예상 공급량 정보는 상기 향후 월별 한우의 공급 두수에 따른 한우육의 각 부위에 대한 등급별 공급 비율을 적용시킴으로써, 결정되고,
    상기 해당 부위 및 등급에 대한 예상 가격은 상기 예상 가격 정보에 상기 예상 공급량 정보 및 상기 예상 수요량 정보에 따른 가중치가 적용되어 결정되는,
    방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 사전 설정된 기준 값은 하기 수학식에 의해 결정되고,

    상기 수학식에서, 상기 Rth는 상기 사전 설정된 기준 값이고, 상기 jn은 등록된 고객 단말의 개수이고, 상기 jref는 상기 서버에 설정된 기준 개수이고, 상기 nb는 기본 구매 횟수이고, 상기 k는 한우육의 부위의 개수이고, 상기 l은 한우육의 등급의 개수이고, 상기 m은 구매와 관련된 피드백 행위의 종류에 대한 개수이고, 상기 cxyz는 x번째 한우육 부위의 y번째 한우육 등급에 대해 구매와 관련된 z번째 종류의 피드백 행위를 상기 서버에 저장하기 위한 용량이고, 상기 Rmin은 상기 사전 설정된 기준 값에 대한 최소 값인,
    방법.
  4. 삭제
  5. 삭제
KR1020230051964A 2023-04-20 2023-04-20 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치 KR102561611B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230051964A KR102561611B1 (ko) 2023-04-20 2023-04-20 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230051964A KR102561611B1 (ko) 2023-04-20 2023-04-20 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102561611B1 true KR102561611B1 (ko) 2023-08-01

Family

ID=87561323

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230051964A KR102561611B1 (ko) 2023-04-20 2023-04-20 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102561611B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170125466A (ko) * 2016-05-04 2017-11-15 한국전자통신연구원 사용자 단말에서의 상품 구매 내역 기반 컨텍스트 생성 장치 및 상품 추천 로컬 서비스 플랫폼
KR20200031784A (ko) * 2018-09-17 2020-03-25 찬우축산 주식회사 소비자 요구에 맞는 육고기 주문 방법
KR20220011867A (ko) * 2020-07-22 2022-02-03 건국대학교 글로컬산학협력단 농특산물 거래 제공 장치 및 방법
KR102428731B1 (ko) * 2022-03-22 2022-08-02 이한형 맞춤형 소고기 상품 추천 및 손질 방법 안내 서비스 제공 장치 및 방법
KR20220111179A (ko) * 2021-02-01 2022-08-09 테이블매니저 주식회사 매장 수요 예측 모델을 결정하는 기법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170125466A (ko) * 2016-05-04 2017-11-15 한국전자통신연구원 사용자 단말에서의 상품 구매 내역 기반 컨텍스트 생성 장치 및 상품 추천 로컬 서비스 플랫폼
KR20200031784A (ko) * 2018-09-17 2020-03-25 찬우축산 주식회사 소비자 요구에 맞는 육고기 주문 방법
KR20220011867A (ko) * 2020-07-22 2022-02-03 건국대학교 글로컬산학협력단 농특산물 거래 제공 장치 및 방법
KR20220111179A (ko) * 2021-02-01 2022-08-09 테이블매니저 주식회사 매장 수요 예측 모델을 결정하는 기법
KR102428731B1 (ko) * 2022-03-22 2022-08-02 이한형 맞춤형 소고기 상품 추천 및 손질 방법 안내 서비스 제공 장치 및 방법

Similar Documents

Publication Publication Date Title
KR102360727B1 (ko) 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치
KR102553152B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
KR102625772B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102534656B1 (ko) 뉴럴 네트워크를 이용하여 특정 지표에 따라 특정 데이터에 대해 리밸런싱을 수행하는 방법 및 장치
KR102465655B1 (ko) 뉴럴 네트워크를 이용하여 제1 단말과 관련된 광고 기업 리스트를 제공하는 방법 및 장치
KR102491357B1 (ko) 뉴럴 네트워크를 이용하여 의료기관의 경영 현황에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102407241B1 (ko) 렌탈 마켓 시스템
KR102553169B1 (ko) 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치
KR102529607B1 (ko) 인공지능 기반의 사업체 거래 플랫폼 시스템
KR102561611B1 (ko) 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치
KR20230090979A (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR20220158655A (ko) 뉴럴 네트워크를 이용한 크리에이팅 보조 방법, 그 방법을 수행하는 서버 및 단말기
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102644779B1 (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법
KR102534638B1 (ko) 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템
KR102557257B1 (ko) 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치
KR102513048B1 (ko) 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치
KR102501056B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 제공 방법 및 장치
KR102481347B1 (ko) 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치
KR102610945B1 (ko) B2b 서비스 통합 관리 방법
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR20240102788A (ko) 뉴럴 네트워크를 이용하여 온라인 마켓에 대한 접근이 허용되는 셀러 단말에게 상품 정보를 제공하는 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant