KR102590569B1 - 커머스 특성에 기반한 상품명 도출 장치 및 방법 - Google Patents

커머스 특성에 기반한 상품명 도출 장치 및 방법 Download PDF

Info

Publication number
KR102590569B1
KR102590569B1 KR1020230061575A KR20230061575A KR102590569B1 KR 102590569 B1 KR102590569 B1 KR 102590569B1 KR 1020230061575 A KR1020230061575 A KR 1020230061575A KR 20230061575 A KR20230061575 A KR 20230061575A KR 102590569 B1 KR102590569 B1 KR 102590569B1
Authority
KR
South Korea
Prior art keywords
product name
product
terminal
learning model
candidate
Prior art date
Application number
KR1020230061575A
Other languages
English (en)
Inventor
박중언
김승현
Original Assignee
주식회사 어베어
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 어베어 filed Critical 주식회사 어베어
Priority to KR1020230061575A priority Critical patent/KR102590569B1/ko
Application granted granted Critical
Publication of KR102590569B1 publication Critical patent/KR102590569B1/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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures

Abstract

커머스 특성에 기반한 상품명 도출 장치 및 방법이 개시된다. 커머스 특성에 기반한 상품명 도출 장치는 프로세서와, 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때, 프로세서가 단말로부터 상품에 관한 상품명 및 상품 이미지 중 적어도 하나를 수신하고, 상품명이 수신되면, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 수신된 상품명으로부터 번역된 상품명을 검출하고, 상품 이미지가 수신되면, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 수신된 상품 이미지로부터 상품명을 예측하고, 검출된 상품명 및 예측된 상품명 중 적어도 하나의 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송하도록 야기하는 코드를 저장할 수 있다.

Description

커머스 특성에 기반한 상품명 도출 장치 및 방법{APPARATUS AND METHOD FOR DERIVING PRODUCT NAME BASED ON COMMERCE CHARACTERISTIC}
본 발명은 다양한 학습 모델을 이용하여 단말로부터 수신되는 상품 정보에서 커머스 특성에 기반한 상품명을 도출하여 단말에 제공하는 기술에 관한 것이다.
온라인 쇼핑이 일반화되면서 다양한 쇼핑몰들이 등장하고 있으며, 이를 이용하는 판매자나 구매자의 수는 나날이 증가하고 있는 추세이다. 더불어, 이러한 온라인 쇼핑몰을 통한 타국 제품의 직접 구매나 판매 역시 점차 일반화되고 있다. 그러나, 국내 제품을 해외 쇼핑 사이트에서 검색하거나, 타국 제품을 국내 쇼핑 사이트에서 검색할 때, 언어 차이로 인해 사용자가 원하는 상품을 정확하게 검색하기 어려운 경우가 많다.
물론, 번역 사이트를 통해, 사용자가 검색하고자 하는 상품명을 쇼핑 사이트에서 지원하는 언어로 번역한 후, 번역된 상품명을 이용하여 쇼핑 사이트에 입력하여 상품을 검색할 수 있으나, 이로 인해 사용자는 번거로움을 느끼게 된다. 뿐만 아니라, 커머스 특성상 같은 상품이더라도 해당 상품을 지칭하는 상품명(용어)이 나라마다 상이하므로, 번역 사이트에서 지원되는 기계 번역을 통한 번역시, 전혀 다른 분야의 상품명으로 번역되기도 한다.
따라서, 언어에 한정되지 않고 쇼핑 사이트에서 사용자가 원하는 상품을 검색할 수 있게 하는 기술이 필요하다.
본 발명의 일실시예는, 단말로부터 상품에 관한 상품 정보로서, 상품명, 상품 이미지 및 카테고리 중 적어도 하나를 수신하고, 다양한 학습 모델(예를 들어, 상품명 번역 학습 모델, 상품명 예측 학습 모델, 유사도 추출 학습 모델)을 기반으로 상품 정보로부터 하나 이상의 상품명을 도출하고, 도출된 상품명을 기반으로 작성한 후보 상품명 리스트를 단말에 전송함으로써, 단말의 사용자가 원하는 상품에 대한 매칭 가능성이 있는 다양한 후보 상품명을 제공하는 것을 목적으로 한다.
본 발명의 일실시예는, 단말로부터 상품에 관한 상품명 및 상품 이미지 중 적어도 하나를 수신하고, 상품명이 수신되면, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여 단말로부터 수신된 상품명으로부터 번역된 상품명을 검출하고, 상품 이미지가 수신되면, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여 단말로부터 수신된 상품 이미지로부터 상품명을 예측하며, 검출된 상품명 및 예측된 상품명 중 적어도 하나의 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송함으로써, 상품명 및 상품 이미지 중 적어도 하나를 이용하여 단말의 사용자가 원하는 상품에 관한 후보 상품명을 제공하는 것을 목적으로 한다.
또한, 본 발명의 일실시예는, 후보 상품명 리스트에 포함된 후보 상품명이 설정된 조건을 만족하지 않을 경우(예를 들어, 상품명 번역 학습 모델에서의 상품명에 대한 검출 정확도가 제1 설정치 미만, 상품명 예측 학습 모델에서의 상품명에 대한 예측 정확도가 제2 설정치 미만), 단말로부터 상품에 관한 카테고리를 수신하고, 상품명과 카테고리 간의 유사도를 추출하도록 미리 훈련된 딥러닝 기반의 유사도 추출 학습 모델을 이용하여 후보 상품명 리스트에 포함된 후보 상품명과 단말로부터 수신한 카테고리 간의 유사도를 추출하고, 유사도가 높은 순서대로 후보 상품명을 나열하여 후보 상품명 리스트를 수정하고, 수정된 후보 상품명 리스트를 단말에 전송함으로써, 단말의 사용자가 원하는 상품과 매칭 가능성이 상대적으로 높은 후보 상품명을 상단에 제공하는 것을 목적으로 한다.
본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 장치는 프로세서와, 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때, 프로세서가 단말로부터 상품에 관한 상품명 및 상품 이미지 중 적어도 하나를 수신하고, 상품명이 수신되면, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 수신된 상품명으로부터 번역된 상품명을 검출하고, 상품 이미지가 수신되면, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 수신된 상품 이미지로부터 상품명을 예측하고, 검출된 상품명 및 예측된 상품명 중 적어도 하나의 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송하도록 야기하는 코드를 저장할 수 있다.
본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 방법은 커머스 특성에 기반한 상품명 도출 장치에 의해 수행되는 커머스 특성에 기반한 상품명 도출 방법에 있어서, 단말로부터 상품에 관한 상품명 및 상품 이미지 중 적어도 하나를 수신하는 단계와, 상품명이 수신되면, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 수신된 상품명으로부터 번역된 상품명을 검출하는 단계와, 상품 이미지가 수신되면, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 수신된 상품 이미지로부터 상품명을 예측하는 단계와, 검출된 상품명 및 예측된 상품명 중 적어도 하나의 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송하는 단계를 포함할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시예들에 의하면, 단말로부터 상품에 관한 상품 정보로서, 상품명, 상품 이미지 및 카테고리 중 적어도 하나를 수신하고, 다양한 학습 모델(예를 들어, 상품명 번역 학습 모델, 상품명 예측 학습 모델, 유사도 추출 학습 모델)을 기반으로 상품 정보로부터 하나 이상의 상품명을 도출하고, 도출된 상품명을 기반으로 작성한 후보 상품명 리스트를 단말에 전송함으로써, 단말의 사용자가 원하는 상품에 대한 매칭 가능성이 있는 다양한 후보 상품명을 제공할 수 있다.
본 발명의 실시예들에 의하면, 단말로부터 상품에 관한 상품명 및 상품 이미지 중 적어도 하나를 수신하고, 상품명이 수신되면, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여 단말로부터 수신된 상품명으로부터 번역된 상품명을 검출하고, 상품 이미지가 수신되면, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여 단말로부터 수신된 상품 이미지로부터 상품명을 예측하며, 검출된 상품명 및 예측된 상품명 중 적어도 하나의 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송함으로써, 상품명 및 상품 이미지 중 적어도 하나를 이용하여 단말의 사용자가 원하는 상품에 관한 후보 상품명을 제공할 수 있다.
또한, 본 발명의 실시예들에 의하면, 후보 상품명 리스트에 포함된 후보 상품명이 설정된 조건을 만족하지 않을 경우(예를 들어, 상품명 번역 학습 모델에서의 상품명에 대한 검출 정확도가 제1 설정치 미만, 상품명 예측 학습 모델에서의 상품명에 대한 예측 정확도가 제2 설정치 미만), 단말로부터 상품에 관한 카테고리를 수신하고, 상품명과 카테고리 간의 유사도를 추출하도록 미리 훈련된 딥러닝 기반의 유사도 추출 학습 모델을 이용하여 후보 상품명 리스트에 포함된 후보 상품명과 단말로부터 수신한 카테고리 간의 유사도를 추출하고, 유사도가 높은 순서대로 후보 상품명을 나열하여 후보 상품명 리스트를 수정하고, 수정된 후보 상품명 리스트를 단말에 전송함으로써, 단말의 사용자가 원하는 상품과 매칭 가능성이 상대적으로 높은 후보 상품명을 상단에 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 장치, 단말 및 이들을 서로 연결하는 네트워크를 포함하는 상품명 도출 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 장치의 구성 일례를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 상품명 도출 장치에서 이용되는 상품명 번역 학습 모델의 훈련데이터를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 상품명 도출 장치에서 이용되는 상품명 예측 학습 모델의 훈련데이터에 대한 수집 일례를 설명하기 위한 도면이다.
도 5는 도 4의 훈련데이터에 대한 일례를 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 상품명 도출 장치에서의 상품명 도출에 대한 일례를 설명하기 위한 도면이다.
도 7은 본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 방법을 도시한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 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. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 장치(이하, '상품명 도출 장치'로 칭함), 단말 및 이들을 서로 연결하는 네트워크를 포함하는 상품명 도출 시스템의 구성을 개략적으로 도시한 도면이다.
도 1을 참조하면, 상품명 도출 시스템(100)은 단말(110), 상품명 도출 장치(120) 및 네트워크(130)를 포함할 수 있다.
단말(110)은 스마트폰, PC(Personal Computer), 태블릿 PC, 노트북, 데이터 프로세싱 기능을 구비한 시계, 안경 등의 웨어러블 디바이스 등일 수 있으며, 이에 한정되지 않는다.
단말(110)은 다양한 커머스 사이트(또는, 애플리케이션)를 통해, 검색 서버(도시하지 않음)에 접속하여 사용자로 하여금 상품을 검색하거나, 검색한 상품을 거래할 수 있게 한다.
커머스 사이트에 접속되면 검색을 위해, 먼저 단말(110)은 사용자로부터 상품에 관한 상품 정보(예를 들어, 상품명, 상품 이미지, 카테고리 등)를 수신할 수 있다. 단말(110)은 상품 정보를 상품명 도출 장치(120)에 전송하고, 상품 정보에 관련한 후보 상품명 리스트를 수신하여 출력할 수 있다. 이때, 단말(110)은 후보 상품명 리스트에 포함된 후보 상품명이 복수일 경우, 단말(110)의 사용자로부터 복수의 후보 상품명 중 어느 하나를 선택받을 수 있다. 단말(110)은 후보 상품명에 대한 검색 요청이 입력되면, 후보 상품명을 검색 서버에 전송하고, 검색 서버로부터 후보 상품명에 관한 상세 정보를 수신하여 출력함으로써, 사용자가 원하는 상품을 검색할 수 있게 한다.
상품명 도출 장치(120)는 단말(110)로부터 상품 정보를 수신하고, 다양한 학습 모델을 이용하여 상품 정보로부터 커머스 특성에 기반한 상품명을 도출할 수 있다. 상품명 도출 장치(120)는 도출된 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말(110)에 전송함으로써, 단말(110)의 사용자에게 검색하고자 하는 상품에 대한 매칭 가능성이 있는 다양한 후보 상품명을 제공할 수 있다.
여기서, 다양한 학습 모델은 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델, 상품명 예측 학습 모델 및 유사도 추출 학습 모델을 포함할 수 있다.
상품명 번역 학습 모델은 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련될 수 있으며, 상품명이 입력되면, 다른 언어로 번역된 상품명 및 상품명에 대한 검출 정확도(스코어(score))를 출력할 수 있다. 상품명 번역 학습 모델은 예를 들어, 제1 언어의 상품명을 입력으로 하고, 제2 언어의 상품명을 레이블로 하는 훈련데이터에 의해 지도학습 방식(supervised learning)으로 훈련될 수 있으나, 이에 한정되지 않는다.
상품명 예측 학습 모델은 상품 이미지로부터 상품명을 예측하도록 미리 훈련될 수 있으며, 상품 이미지가 입력되면, 상품 이미지로부터 예측된 상품명 및 상품명에 대한 예측 정확도(스코어(score))를 출력할 수 있다. 상품명 예측 학습 모델은 예를 들어, 상품 이미지를 입력으로 하고, 다양한 언어의 상품명을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련될 수 있으나, 이에 한정되지 않는다.
또한, 유사도 추출 학습 모델은 상품명과 카테고리 간의 유사도를 추출하도록 미리 훈련될 수 있으며, 상품명과 카테고리가 입력되면, 상품명과 카테고리 간의 유사도를 출력할 수 있다. 유사도 추출 학습 모델은 상품명과 카테고리를 입력으로 하고, 상품명과 카테고리 간의 유사도를 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련될 수 있으나, 이에 한정되지 않는다.
상품명 도출 장치(120)는 예를 들어, 서버일 수 있다. 상품명 도출 장치(120)는 단말(110) 또는 검색 서버와 분리될 수 있으나, 이에 한정되지 않고 단말(110) 및 검색 서버 중 적어도 하나를 포함하여 구성될 수 있다.
네트워크(130)는 단말(110), 상품명 도출 장치(120) 및 검색 서버를 연결할 수 있다. 이러한 네트워크(130)는 예컨대, LANs(local area networks), WANs(Wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한, 네트워크(130)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi(Wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(130)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(130)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(130)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(130)는 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 2는 본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 장치의 구성 일례를 도시한 도면이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 상품명 도출 장치(200)는 프로세서(210) 및 메모리(220)를 포함할 수 있다. 도 2의 상품명 도출 장치(200)에는 실시예와 관련된 구성요소들 만이 도시되어 있으므로, 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.
프로세서(210)는 단말로부터 상품에 관한 상품 정보로서, 상품명, 상품 이미지 및 카테고리 중 적어도 하나를 수신하고, 다양한 학습 모델을 기반으로 상품 정보로부터 상품명을 도출하며, 상품명 중 적어도 하나를 후보 상품명으로서 포함하는 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다.
일례로서, 프로세서(210)는 상품명 번역 학습 모델 및 상품명 예측 학습 모델 중 적어도 하나의 모델을 이용하여 상품명을 도출하고, 상품명을 기반으로 후보 상품명 리스트를 작성할 수 있다.
프로세서(210)는 단말로부터 상품명이 수신되면, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 단말로부터 수신된 상품명에서 번역된 상품명을 검출할 수 있다. 여기서, 상품명 번역 학습 모델은 상품명으로부터 검출한 번역된 상품명과 함께, 상품명에 대한 검출 정확도(스코어(score))를 출력할 수 있다. 예를 들어, 프로세서(210)는 단말로부터 중국어의 '克杯'의 상품명이 수신되면, 상품명 번역 학습 모델을 이용하여 중국어의 '克杯'의 상품명으로부터 한국어의 '머그컵', 일본어의 'マグカップ' 등의 번역된 상품명을 검출할 수 있다.
또한, 프로세서(210)는 상품 이미지가 수신되면, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 단말로부터 수신된 상품 이미지에서 상품명을 예측할 수 있다. 여기서, 상품명 예측 학습 모델은 상품 이미지로부터 예측한 상품명과 함께, 상품명에 대한 예측 정확도(스코어(score))를 출력할 수 있다. 예를 들어, 프로세서(210)는 단말로부터 '머그컵'의 상품 이미지가 수신되면, 상품명 예측 학습 모델을 이용하여, '머그컵'의 상품 이미지로부터 중국어의 '克杯', 한국어의 '머그컵', 일본어의 'マグカップ' 등의 상품명을 예측할 수 있다.
프로세서(210)는 상품명 번역 학습 모델을 이용하여 검출된 상품명(또는, 제1 설정치 이상의 검출 정확도를 갖는 상품명) 및 상품명 예측 학습 모델을 이용하여 예측된 상품명(또는, 제2 설정치 이상의 예측 정확도를 갖는 상품명) 중 적어도 하나의 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다.
이때, 프로세서(210)는 단말로부터 상품명 및 상품 이미지가 모두 수신된 경우, 상품명 번역 학습 모델을 이용하여 검출된 상품명에 대한 검출 정확도 및 상품명 예측 학습 모델을 이용하여 예측된 상품명에 대한 예측 정확도에 기반하여, 후보 상품명 리스트에 포함된 후보 상품명을 나열할 수 있다. 이때, 프로세서(210)는 검출 정확도 또는 예측 정확도가 높은 순서대로 후보 상품명을 나열함으로써, 단말의 사용자가 원하는 상품명과 매칭 가능성이 상대적으로 큰 상품명을 상단에 배치할 수 있다.
또한, 프로세서(210)는 가중치를 이용하여 후보 상품명 리스트에 포함된 후보 상품명을 나열할 수 있다. 이때, 프로세서(210)는 검출 정확도에 기설정된 제1 가중치를 부여하고, 예측 정확도에 기설정된 제2 가중치를 부여할 수 있다. 프로세서(210)는 제1 가중치가 부여된 검출 정확도 및 제2 가중치가 부여된 예측 정확도에 기반하여 후보 상품명 리스트에 포함된 후보 상품명을 나열할 수 있다. 즉, 프로세서(210)는 제1 가중치가 부여된 검출 정확도 또는 제2 가중치가 부여된 예측 정확도가 높은 순서대로 후보 상품명을 나열할 수 있다. 여기서, 제1, 2 가중치는 단말로부터 수신한 카테고리, 단말로부터 수신한 상품명의 언어 등에 기초하여 상이하게 설정될 수 있다.
실시예에서, 프로세서(210)는 단말로부터 상품명만을 수신함에 따라, 상품명 번역 학습 모델을 이용하여 상품명을 검출하였으나, 검출된 상품명이 설정된 조건을 만족하지 않을 경우(예를 들어, 상품명에 대한 검출 정확도가 기설정된 제1 설정치 미만일 경우, 제1 설정치 이상의 검출 정확도를 갖는 상품명이 설정된 개수(예, 2개) 미만일 경우), 단말로 상품 이미지를 요청할 수 있다.
프로세서(210)는 단말로부터 요청에 대한 응답으로서 상품 이미지를 수신할 수 있으며, 상품명 예측 학습 모델을 이용하여 상품 이미지로부터 상품명을 예측하고, 예측된 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다. 이때, 프로세서(210)는 상품명 예측 학습 모델을 이용하여 예측된 상품명(또는, 제2 설정치 이상의 예측 정확도를 갖는 상품명)과 함께, 상품명 번역 학습 모델을 이용하여 검출된 제1 설정치 이상의 검출 정확도를 갖는 상품명을 후보 상품명으로서 후보 상품명 리스트에 포함시킬 수 있다.
다른 실시예에서, 프로세서(210)는 단말로부터 상품 이미지만을 수신함에 따라, 상품명 예측 학습 모델을 이용하여 상품명을 예측하였으나, 예측된 상품명이 설정된 조건을 만족하지 않을 경우(예를 들어, 상품명에 대한 예측 정확도가 기설정된 제2 설정치 미만일 경우, 제2 설정치 이상의 예측 정확도를 갖는 상품명이 설정된 개수(예, 2개) 미만일 경우), 단말로 상품명을 요청할 수 있다.
프로세서(210)는 단말로부터 요청에 대한 응답으로서 상품명을 수신할 수 있으며, 상품명 번역 학습 모델을 이용하여 상품명으로부터 번역된 상품명을 검출하고, 검출된 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다. 이때, 프로세서(210)는 상품명 번역 학습 모델을 이용하여 검출된 상품명(또는, 제1 설정치 이상의 검출 정확도를 갖는 상품명)과 함께, 상품명 예측 학습 모델을 이용하여 예측된 제2 설정치 이상의 검출 정확도를 갖는 상품명을 후보 상품명 리스트에 포함시킬 수 있다.
또 다른 실시예에서, 프로세서(210)는 상품명 번역 학습 모델 및 상품명 예측 학습 모델 중 적어도 하나를 이용하여 상품명을 검출하고, 상품명을 기반으로 후보 상품명 리스트를 작성하였으나, 후보 상품명 리스트에 포함된 후보상품명이 설정된 조건을 만족하지 않을 경우(예를 들어, 상품명 번역 학습 모델을 이용하여 검출된 상품명에 대한 검출 정확도가 기설정된 제1 설정치 미만이거나, 또는 상품명 예측 학습 모델을 이용하여 예측된 상품명에 대한 예측 정확도가 기설정된 제2 설정치 미만일 경우), 단말에 상품에 관한 카테고리를 요청할 수 있다.
프로세서(210)는 단말로부터 카테고리가 수신되면, 상품명과 카테고리 간의 유사도를 추출하도록 미리 훈련된 딥러닝 기반의 유사도 추출 학습 모델을 이용하여, 후보 상품명 리스트에 포함된 후보 상품명과 단말로부터 수신된 카테고리 간의 유사도를 추출할 수 있다. 프로세서(210)는 추출된 유사도가 높은 순서대로 후보 상품명을 나열하여 후보 상품명 리스트를 수정하고, 수정된 후보 상품명 리스트를 단말에 전송할 수 있다. 이때, 프로세서(210)는 후보 상품명 중에서 유사도가 기설정된 제3 설정치 이상인 후보 상품명(또는, 유사도가 상대적으로 높은 m(m은 자연수)개의 후보 상품명)을 선별하고, 선별된 후보 상품명을 기반으로 후보 상품명 리스트를 수정하여 단말에 전송할 수 있다.
프로세서(210)는 다양한 학습 모델을 여러 조건(예를 들어, 학습 모델에서 출력된 상품에 대한 검출(또는, 예측) 정확도, 설정치 이상의 정확도를 갖는 상품명의 개수 등)에 따라 선택적으로 이용하여 후보 상품명 리스트를 작성할 수 있다. 예를 들어, 프로세서(210)는 상품명 번역 학습 모델 및 유사도 추출 학습 모델을 이용하거나, 상품명 예측 학습 모델 및 유사도 추출 학습 모델을 이용하거나, 또는 상품명 번역 학습 모델, 상품명 예측 학습 모델 및 유사도 추출 학습 모델을 모두 이용하여 후보 상품명 리스트를 작성할 수 있다.
또한, 프로세서(210)는 단말로부터 커머스 사이트에 대한 정보를 더 수신할 수 있으며, 커머스 사이트에 대한 정보(예를 들어, 사이트의 주소, 사이트의 언어)에 기초하여 후보 상품명 리스트를 수정(예를 들어, 후보 상품명 삭제, 추가, 순서 변경 등)하고, 수정된 후보 상품명 리스트를 단말에 전송할 수 있다.
프로세서(210)는 상품명 도출 장치(200)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(210)는 메모리(220)에 저장된 프로그램들을 실행함으로써, 입력부(미도시), 디스플레이(미도시), 메모리(220), 통신 모듈(미도시) 등을 전반적으로 제어할 수 있고, 이를 통해 상품명 도출 장치(200)의 동작을 제어할 수 있다. 프로세서(210)는 도 1 내지 도 7에서 설명되는 상품명 도출 장치의 동작 중 적어도 일부를 제어할 수 있다.
프로세서(210)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
메모리(220)는 상품명 도출 장치(200) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(210)와 동작 가능하게 연결되고, 프로세서(210)의 처리 및 제어를 위한 프로그램을 저장할 수 있다.
메모리(220)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.
또한, 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
일 실시예에 따르면, 본 발명의 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 애플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 고객 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 애플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
도 3은 본 발명의 일실시예에 따른 상품명 도출 장치에서 이용되는 상품명 번역 학습 모델의 훈련데이터를 설명하기 위한 도면이다.
도 3을 참조하면, 상품명 도출 장치(또는, 모델 훈련 서버)는 다양한 언어의 상품명을 이용하여 상품명 번역 학습 모델을 훈련시킬 수 있다. 여기서, 상품명 번역 학습 모델은 예를 들어, 제1 언어의 상품명을 입력으로 하고, 제2 언어의 상품명을 레이블로 하는 훈련데이터에 의해 지도학습 방식(supervised learning)으로 훈련될 수 있으나, 이에 한정되지 않는다.
제1 언어의 상품명이 입력될 때, 제2 언어의 상품명으로서 제1 언어의 상품명(310)을 기계 번역한 상품명(320)이 아닌, 이커머스 특성에 기반하여 번역(이커머스 특화 번역)된 상품명(330)이 레이블로 사용될 수 있다. 예를 들어, '負重大球'의 상품명이 입력될 때, 기계 번역된 '부정적인 공'의 상품명이 아닌, 커머스 특성에 기반하여 번역된 '웨이트볼'의 상품명이 레이블로 사용될 수 있다. 또한, '捷路普帳逢'의 상품명이 입력될 때, 기계 번역된 '감옥 텐트'의 상품명이 아닌, 커머스 특성에 기반하여 번역된 '루프탑 텐트'의 상품명이 레이블로 사용될 수 있다.
따라서, 상품명 도출 장치는 단말로부터 '負重大球'의 상품명이 수신될 경우, 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, '負重大球'의 상품명으로부터 '웨이트볼'의 상품명을 검출하고, 검출된 '웨이트볼'의 상품명을 단말에 전송함으로써, 단말의 사용자가 검색하고자 하는 단어를 도출하여 제공할 수 있다.
도 4는 본 발명의 일실시예에 따른 상품명 도출 장치에서 이용되는 상품명 예측 학습 모델의 훈련데이터에 대한 수집 일례를 설명하기 위한 도면이다. 도 5는 도 4의 훈련데이터에 대한 일례를 도시한 도면이다.
도 4 및 도 5를 참조하면, 상품명 도출 장치(또는, 모델 훈련 서버)는 다양한 방법에 기초하여 상품에 관한 상세 정보(예를 들어, 상품명, 상품 이미지, 상품에 관한 설명 등)를 수집할 수 있다. 예를 들어, 상품명 도출 장치는 커머스 사이트, SNS(Social Network Service) 사이트 등에서 크롤링(crawling)하여, 상품에 관한 상세 정보를 수집할 수 있다. 이때, 상품명 도출 장치는 수집된 상품에 관한 상세 정보로부터 동일하거나 유사한 상품에 관한 상품명 및 상품 이미지를 추출할 수 있다.
예를 들어, 상품명 도출 장치는 제1 내지 제3 커머스 사이트에서 상품에 관한 상세 정보(410, 420, 430)를 각각 수집하고, 각 상품에 관한 상세 정보(410, 420, 430)에 포함된 제1 문장('통통한 귀여운 커피 머그컵~')(411), 제2 문장('새로운 만화 곰 세라믹 커피 머그컵~')(421) 및 제3 문장(431)에서 공통적으로 포함되는 키워드로서, '머그컵'의 상품명을 추출할 수 있다.
또한, 상품명 도출 장치는 각 상세 정보(410, 420, 430)로부터 '머그컵'의 상품 이미지(412, 422, 432)를 추출할 수 있으며, '머그컵'의 상품 이미지와 함께 '머그컵'의 상품명을 매칭시켜 메모리에 저장할 수 있다. 이때, 상품명 도출 장치는 다양한 나라의 사이트에서 상품에 관한 상세 정보를 수집할 경우, 상품에 관한 상세 정보로부터 상품 이미지와 함께, 다양한 언어의 상품명(예를 들어, 克杯, マグカップ, 머그컵 등)을 추출(도 5 참조)할 수 있다.
상품명 도출 장치는 상품 이미지 및 다양한 언어의 상품명을 이용하여 상품명 예측 학습 모델을 훈련시킬 수 있다. 여기서, 상품명 예측 학습 모델은 예를 들어, 상품 이미지를 입력으로 하고, 다양한 언어의 상품명을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련될 수 있다. 여기서, 다양한 언어의 상품명은 상품명 번역 학습 모델의 훈련데이터(도 3 참조)로도 활용될 수 있다.
또한, 상품명 예측 학습 모델은 지도학습 방식으로 훈련될 수 있으나, 이에 한정되지 않고, 예를 들어, 상품명이 매칭된 상품 이미지의 훈련데이터를 이용하여, 상품 이미지의 유사도를 기반으로 상품명이 매칭된 상품 이미지를 그룹핑(도 5의 510)하는, 이미지 분류 비지도학습(Image Classification unsupervised learning)으로도 훈련될 수 있다.
도 6은 본 발명의 일실시예에 따른 상품명 도출 장치에서의 상품명 도출에 대한 일례를 설명하기 위한 도면이다.
도 6을 참조하면, 상품명 도출 장치는 단말로부터 상품명이 수신되면, 단계 S610에서, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 단말로부터 수신된 상품명으로부터 번역된 상품명을 검출할 수 있다. 예를 들어, 상품명 도출 장치는 단말로부터 상품명으로서, 중국어의 '克杯'(601)가 수신되면, 상품명 번역 학습 모델을 이용하여 '克杯'(601)로부터 한국어의 '머그컵' 등의 번역된 상품명을 검출할 수 있다.
실시예에서, 단계 S620에서, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여 검출된 상품명에 대한 검출 정확도가 제1 설정치 이상일 경우, 단계 S631에서, 검출된 상품명을 기반으로 후보 상품명 리스트를 작성하고, 단계 S670으로 진행하여, 후보 상품명 리스트를 단말에 전송할 수 있다. 예를 들어, 상품명 도출 장치는 제1 설정치가 '0.7'일 때, '머그컵'에 대한 검출 정확도가 '0.8'일 경우, 검출 정확도가 제1 설정치 이상이므로, '머그컵'을 포함한 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다.
상기 단계 S620에서, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여 검출된 상품명에 대한 검출 정확도가 제1 설정치 미만일 경우, 단말로 상품 이미지를 요청할 수 있다. 예를 들어, 상품명 도출 장치는 제1 설정치가 '0.9'일 때, '머그컵'에 대한 검출 정확도가 '0.8'일 경우, 검출 정확도가 제1 설정치 미만이므로, 단말로 상품 이미지를 요청할 수 있다.
상품명 도출 장치는 단말로부터 상품 이미지가 수신되면, 단계 S630에서, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 단말로부터 수신된 상품 이미지에서 상품명을 예측할 수 있다. 예를 들어, 상품명 도출 장치는 단말로부터 '머그컵' 이미지(602)가 수신되면, 상품명 예측 학습 모델을 이용하여, 상품 이미지(602)로부터 한국어의 '머그컵', 일본어의 'マグカップ', 한국어의 '텀블러' 등의 상품명을 예측할 수 있다.
단계 S640에서, 상품명 도출 장치는 상품명 예측 학습 모델을 이용하여 예측한 상품명에 대한 예측 정확도가 제2 설정치 이상일 경우, 단계 S651에서, 예측된 상품명을 기반으로 후보 상품명 리스트를 작성하고, 단계 S670으로 진행하여, 후보 상품명 리스트를 단말에 전송할 수 있다. 여기서, 제2 설정치는 제1 설정치와 동일할 수 있으나, 이에 한정되지 않고 제1 설정치보다 작을 수 있다. 또한, 상품명 예측 학습 모델 이후, 상품명 번역 학습 모델이 이용될 경우에는, 제1 설정치가 제2 설정치보다 작을 수 있다.
예를 들어, 상품명 도출 장치는 제2 설정치가 '0.7'일 때, '머그컵'에 대한 예측 정확도가 '0.8'이고, 'マグカップ'에 대한 예측 정확도가 '0.85'이며, '텀블러'에 대한 예측 정확도가 '0.6'일 경우, 예측 정확도가 제2 설정치 이상인, '머그컵' 및 'マグカップ'을 포함하는 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다. 이때, 상품명 도출 장치는 상품명 예측 학습 모델을 이용하여 예측된 상품명(제2 설정치 이상의 예측 정확도를 갖는 상품명)이 모두 포함된 후보 상품명 리스트를 단말에 전송할 수 있으나, 이에 한정되지 않는다. 예를 들어, 상품명 도출 장치는 상품명 번역 학습 모델과 중복하여 예측된 상품명 즉, 한국어의 '머그컵'의 상품명을 후보 상품명 리스트에서 제외시킬 수 있다.
상기 단계 S640에서, 상품명 도출 장치는 상품명 예측 학습 모델을 이용하여 예측된 상품명에 대한 예측 정확도가 제2 설정치 미만일 경우, 단말로 카테고리를 요청하고, 단말로부터 카테고리를 수신할 수 있다. 예를 들어, 상품명 도출 장치는 제2 설정치가 '0.9'일 때, '머그컵'에 대한 예측 정확도가 '0.8'이고, 'マグカップ'에 대한 예측 정확도가 '0.85'이고, '텀블러'에 대한 예측 정확도가 '0.6'일 경우, 예측 정확도가 모두 제2 설정치 미만이므로, 단말로 카테고리를 요청할 수 있다.
단계 S650에서, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여 검출된 상품명 및 상품명 예측 학습 모델을 이용하여 예측된 상품명을 기반으로 후보 상품명 리스트를 작성할 수 있다. 예를 들어, 상품명 도출 장치는 'マグカップ', '머그컵' 및 '텀블러'를 포함하는 후보 상품명 리스트를 작성할 수 있다.
단계 S660에서, 상품명 도출 장치는 상품명과 카테고리 간의 유사도를 추출하도록 미리 훈련된 딥러닝 기반의 유사도 추출 학습 모델을 이용하여, 후보 상품명 리스트를 수정하고, 단계 S670에서, 후보 상품명 리스트를 단말에 전송할 수 있다. 이때, 상품명 도출 장치는 유사도 추출 학습 모델을 이용하여, 후보 상품명 리스트에 포함된 후보 상품명과 단말로부터 수신된 카테고리 간의 유사도를 추출하고, 추출된 유사도가 높은 순서대로 후보 상품명을 나열하여 후보 상품명 리스트를 수정할 수 있다. 예를 들어, 상품명 도출 장치는 단말로부터 '杯'(컵)의 카테고리가 수신되면, 유사도 추출 학습 모델을 이용하여, 'マグカップ'과 '杯'(컵) 간의 제1 유사도(0.8), '머그컵'과 '杯'(컵) 간의 제2 유사도(0.9), '텀블러'와 '杯'(컵) 간의 제3 유사도(0.7)를 추출할 수 있다. 상품명 도출 장치는 유사도가 높은 순서 즉, '머그컵', 'マグカップ', '텀블러' 순서대로 후보 상품명 리스트를 수정할 수 있다.
도 7은 본 발명의 일실시예에 따른 커머스 특성에 기반한 상품명 도출 방법을 도시한 흐름도이다. 여기서, 상품명 도출 방법은 커머스 특성에 기반한 상품명 도출 장치의 프로세서에 의해 수행될 수 있다.
도 7을 참조하면, 단계 S710에서, 상품명 도출 장치는 단말로부터 상품에 관한 상품 정보로서, 상품명 및 상품 이미지 중 적어도 하나를 수신할 수 있다.
단계 S711에서, 상품명 도출 장치는 단말로부터 상품명 및 상품 이미지가 모두 수신된 경우, 단계 S712에서, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 단말로부터 수신된 상품명에서 번역된 상품명을 검출할 수 있다.
단계 S713에서, 상품명 도출 장치는 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 단말로부터 수신된 상품 이미지에서 상품명을 예측할 수 있다.
단계 S714에서, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여 검출된 상품명(또는, 제1 설정치 이상의 검출 정확도를 갖는 상품명) 및 상품명 예측 학습 모델을 이용하여 예측된 상품명(또는, 제2 설정치 이상의 예측 정확도를 갖는 상품명) 중 적어도 하나의 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다. 이때, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여 검출된 상품명에 대한 검출 정확도 및 상품명 예측 학습 모델을 이용하여 예측된 상품명에 대한 예측 정확도에 기반하여, 후보 상품명 리스트에 포함된 후보 상품명을 나열할 수 있다.
실시예에서, 상품명 도출 장치는 검출 정확도에 기설정된 제1 가중치를 부여하고, 예측 정확도에 기설정된 제2 가중치를 부여하며, 제1 가중치가 부여된 검출 정확도 및 제2 가중치가 부여된 예측 정확도에 기반하여 후보 상품명 리스트 내 후보 상품명을 나열할 수 있다. 여기서, 제1, 2 가중치는 단말로부터 수신한 카테고리, 단말로부터 수신한 상품명의 언어 등에 기초하여 상이하게 설정될 수 있다.
단계 S720에서, 상품명 도출 장치는 단말로부터 상품명만 수신된 경우, 단계 S721에서, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 단말로부터 수신된 상품명에서 번역된 상품명을 검출할 수 있다.
단계 S722에서, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여 검출된 상품명에 대한 검출 정확도가 설정된 조건을 만족하지 않을 경우(예를 들어, 상품명에 대한 검출 정확도가 제1 설정치 미만일 경우, 제1 설정치 이상의 검출 정확도를 갖는 상품명이 설정된 개수(예, 2개) 미만일 경우), S723에서 단말로 상품 이미지를 요청하여 단말로부터 상품 이미지를 수신할 수 있다. 단계 S724에서, 상품명 도출 장치는 상품명 예측 학습 모델을 이용하여, 단말로부터 수신된 상품 이미지에서 상품명을 예측하고, 상기 단계 S714로 진행하여, 예측된 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다.
반면, 상기 단계 S722에서, 상품명 도출 장치는 상품명에 대한 검출 정확도가 설정된 조건을 만족할 경우, 상기 단계 S714로 진행하여, 상품명 번역 학습 모델을 이용하여 검출된 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다.
상기 단계 S720에서, 상품명 도출 장치는 단말로부터 상품 이미지만 수신된 경우, 단계 S730에서, 상품명 예측 학습 모델을 이용하여, 단말로부터 수신된 상품 이미지로부터 상품명을 예측할 수 있다.
단계 S731에서, 상품명 도출 장치는 상품명 예측 학습 모델을 이용하여 예측된 상품명에 대한 예측 정확도가 설정된 조건을 만족하지 않을 경우(예를 들어, 상품명에 대한 예측 정확도가 제2 설정치 미만일 경우, 제2 설정치 이상의 예측 정확도를 갖는 상품명이 설정된 개수(예, 2개) 미만일 경우), S732에서 단말로 상품명을 요청하여 단말로부터 상품명을 수신할 수 있다. 단계 S733에서, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여, 단말로부터 수신된 상품명으로부터 번역된 상품명을 검출하고, 상기 단계 S714로 진행하여, 검출된 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다.
반면, 상기 단계 S731에서, 상품명 도출 장치는 상품명에 대한 예측 정확도가 설정된 조건을 만족할 경우, 상기 단계 S714로 진행하여, 상품명 예측 학습 모델을 이용하여 예측된 상품명을 기반으로 후보 상품명 리스트를 작성하여 단말에 전송할 수 있다.
다른 일례로서, 상품명 도출 장치는 단계 S713, 단계 S724, 단계 S733과 단계 S714 사이에, 단말로 상품에 관한 카테고리를 요청하여 단말로부터 상품에 관한 카테고리를 수신할 수 있다. 이때, 상품명 도출 장치는 상품명 번역 학습 모델 및 상품명 예측 학습 모델 중 적어도 하나를 이용하여 획득한 상품명이 설정된 조건을 만족하지 않을 경우, 단말로 상품에 관한 카테고리를 요청할 수 있다. 예를 들어, 상품명 도출 장치는 상품명 번역 학습 모델을 이용하여 검출된 상품명에 대한 검출 정확도가 기설정된 제1 설정치 미만이거나, 또는 상품명 예측 학습 모델을 이용하여 예측된 상품명에 대한 예측 정확도가 기설정된 제2 설정치 미만일 경우, 단말로 상품에 관한 카테고리를 요청할 수 있다.
상품명 도출 장치는 상품명과 카테고리 간의 유사도를 추출하도록 미리 훈련된 딥러닝 기반의 유사도 추출 학습 모델을 이용하여, 후보 상품명 리스트에 포함된 후보 상품명과 단말로부터 수신된 카테고리 간의 유사도를 추출할 수 있다. 상품명 도출 장치는 추출된 유사도가 높은 순서대로 후보 상품명을 나열하여 후보 상품명 리스트를 수정하고, 수정된 후보 상품명 리스트를 단말에 전송할 수 있다. 이때, 상품명 도출 장치는 후보 상품명 중에서 유사도가 기설정된 제3 설정치 이상인 후보 상품명(또는, 유사도가 상대적으로 높은 m(m은 자연수)개의 후보 상품명)을 선별하고, 선별된 후보 상품명을 기반으로 후보 상품명 리스트를 수정하여 단말에 전송할 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 상품명 도출 시스템
110: 단말
120: 상품명 도출 장치
130: 네트워크

Claims (7)

  1. 커머스 특성에 기반한 상품명 도출 장치로서,
    프로세서; 및
    상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,
    상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서가 단말로부터 상품에 관한 상품명을 수신하고, 제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 상기 수신된 상품명으로부터 번역된 상품명을 검출하고,
    상기 상품명 번역 학습 모델에서 상기 검출된 상품명과 함께, 출력되는 상기 상품명에 대한 검출 정확도가 기설정된 제1 설정치 미만일 경우, 상기 단말로 상기 상품에 관한 상품 이미지를 요청하고, 상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 상기 단말로부터 수신되는 상품 이미지에서 상품명을 예측하고, 상기 상품명 예측 학습 모델에서 상기 예측된 상품명과 함께, 출력되는 상기 상품명에 대한 예측 정확도가 기설정된 제2 설정치 미만일 경우, 상기 단말로부터 상기 상품에 관한 카테고리를 수신하고,
    상기 검출된 상품명 및 상기 예측된 상품명을 기반으로 후보 상품명 리스트를 작성하여 상기 단말에 전송하도록 야기하는 코드를 저장하고,
    상기 메모리는 상기 프로세서로 하여금,
    상기 검출 정확도에 기설정된 제1 가중치를 부여하고, 상기 상품명 예측 학습 모델에서 상기 예측된 상품명과 함께, 출력되는 상기 상품명에 대한 예측 정확도에 기설정된 제2 가중치를 부여하고, 상기 제1 가중치가 부여된 검출 정확도 및 상기 제2 가중치가 부여된 예측 정확도에 기반하여 상기 후보 상품명 리스트에 포함된 후보 상품명을 나열하도록 야기하는 코드를 저장하고,
    상기 제1, 2 가중치는 상기 단말로부터 수신한 상기 상품에 관한 카테고리 및 상기 단말로부터 수신한 상품명의 언어에 기초하여 상이하게 설정되는,
    커머스 특성에 기반한 상품명 도출 장치.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상품명과 카테고리 간의 유사도를 추출하도록 미리 훈련된 딥러닝 기반의 유사도 추출 학습 모델을 이용하여 상기 후보 상품명 리스트에 포함된 후보 상품명과 상기 수신된 카테고리 간의 유사도를 추출하고, 상기 추출된 유사도가 높은 순서대로 상기 후보 상품명을 나열하여 상기 후보 상품명 리스트를 수정하도록 야기하는 코드를 저장하는,
    커머스 특성에 기반한 상품명 도출 장치.
  5. 삭제
  6. 삭제
  7. 커머스 특성에 기반한 상품명 도출 장치에 의해 수행되는 커머스 특성에 기반한 상품명 도출 방법에 있어서,
    단말로부터 상품에 관한 상품명을 수신하는 단계;
    제1 언어의 상품명으로부터 제2 언어의 상품명을 검출하도록 미리 훈련된 딥러닝 기반의 상품명 번역 학습 모델을 이용하여, 상기 수신된 상품명으로부터 번역된 상품명을 검출하는 단계;
    상기 상품명 번역 학습 모델에서 상기 검출된 상품명과 함께, 출력되는 상기 상품명에 대한 검출 정확도가 기설정된 제1 설정치 미만일 경우, 상기 단말로 상기 상품에 관한 상품 이미지를 요청하는 단계;
    상품 이미지로부터 상품명을 예측하도록 미리 훈련된 딥러닝 기반의 상품명 예측 학습 모델을 이용하여, 상기 단말로부터 수신되는 상품 이미지에서 상품명을 예측하는 단계;
    상기 상품명 예측 학습 모델에서 상기 예측된 상품명과 함께, 출력되는 상기 상품명에 대한 예측 정확도가 기설정된 제2 설정치 미만일 경우, 상기 단말로부터 상기 상품에 관한 카테고리를 수신하는 단계; 및
    상기 검출된 상품명 및 상기 예측된 상품명을 기반으로 후보 상품명 리스트를 작성하여 상기 단말에 전송하는 단계를 포함하고,
    상기 후보 상품명 리스트를 작성하여 상기 단말에 전송하는 단계는,
    상기 검출 정확도에 기설정된 제1 가중치를 부여하고, 상기 상품명 예측 학습 모델에서 상기 예측된 상품명과 함께, 출력되는 상기 상품명에 대한 예측 정확도에 기설정된 제2 가중치를 부여하는 단계; 및
    상기 제1 가중치가 부여된 검출 정확도 및 상기 제2 가중치가 부여된 예측 정확도에 기반하여 상기 후보 상품명 리스트에 포함된 후보 상품명을 나열하는 단계를 포함하고,
    상기 제1, 2 가중치는 상기 단말로부터 수신한 상기 상품에 관한 카테고리 및 상기 단말로부터 수신한 상품명의 언어에 기초하여 상이하게 설정되는,
    커머스 특성에 기반한 상품명 도출 방법.
KR1020230061575A 2023-05-12 2023-05-12 커머스 특성에 기반한 상품명 도출 장치 및 방법 KR102590569B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230061575A KR102590569B1 (ko) 2023-05-12 2023-05-12 커머스 특성에 기반한 상품명 도출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230061575A KR102590569B1 (ko) 2023-05-12 2023-05-12 커머스 특성에 기반한 상품명 도출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102590569B1 true KR102590569B1 (ko) 2023-10-19

Family

ID=88507540

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230061575A KR102590569B1 (ko) 2023-05-12 2023-05-12 커머스 특성에 기반한 상품명 도출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102590569B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102111373B1 (ko) * 2019-08-21 2020-05-15 주식회사 이투마스 수출입 신고 방법 및 장치
KR20210137643A (ko) * 2020-05-11 2021-11-18 네이버 주식회사 쇼핑 검색을 위한 상품 속성 추출 방법
KR20220137396A (ko) * 2021-04-02 2022-10-12 주식회사 바이럴픽 키워드 정보를 이용한 상품 검색 장치
KR20220137395A (ko) * 2021-04-02 2022-10-12 주식회사 바이럴픽 이미지 정보를 이용한 상품 검색 장치
KR102521785B1 (ko) * 2017-07-14 2023-04-17 십일번가 주식회사 해외 구매 대행을 위한 전자상거래 방법 및 이를 위한 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102521785B1 (ko) * 2017-07-14 2023-04-17 십일번가 주식회사 해외 구매 대행을 위한 전자상거래 방법 및 이를 위한 장치
KR102111373B1 (ko) * 2019-08-21 2020-05-15 주식회사 이투마스 수출입 신고 방법 및 장치
KR20210137643A (ko) * 2020-05-11 2021-11-18 네이버 주식회사 쇼핑 검색을 위한 상품 속성 추출 방법
KR20220137396A (ko) * 2021-04-02 2022-10-12 주식회사 바이럴픽 키워드 정보를 이용한 상품 검색 장치
KR20220137395A (ko) * 2021-04-02 2022-10-12 주식회사 바이럴픽 이미지 정보를 이용한 상품 검색 장치

Similar Documents

Publication Publication Date Title
US11397772B2 (en) Information search method, apparatus, and system
Ni et al. Perceive your users in depth: Learning universal user representations from multiple e-commerce tasks
CN111488426A (zh) 一种查询意图确定方法、装置及处理设备
EP3304241B1 (en) Using machine learning to predict responses to the posting of electronic documents
US9760569B2 (en) Method and system for providing translated result
CN103842993A (zh) 用于上下文个性化搜索的系统和方法
US11842278B2 (en) Object detector trained via self-supervised training on raw and unlabeled videos
RU2598165C1 (ru) Недетерминированное разрешение неоднозначности и сопоставление данных места коммерческого предприятия
CN106575395A (zh) 包含来自各种数据源的数据的实体解析
US11663280B2 (en) Search engine using joint learning for multi-label classification
US20170140429A1 (en) Method and system for providing advertisements based on semantic representations
US11321580B1 (en) Item type discovery and classification using machine learning
US8793201B1 (en) System and method for seeding rule-based machine learning models
KR20190140521A (ko) 챗봇에 기반한 상품 정보 제공 장치 및 이를 이용한 상품 정보 제공 방법
CN109660533A (zh) 实时识别异常流量的方法、装置、计算机设备和存储介质
CN106447419A (zh) 基于特征选择的拜访者标识
US20230222561A1 (en) Systems and methods for executing search queries based on dynamic tagging
CN114329244A (zh) 地图兴趣点查询方法、装置、设备、存储介质及程序产品
CN113239173A (zh) 问答数据的处理方法、装置、存储介质与电子设备
CN112733024A (zh) 一种信息推荐的方法及装置
JP7189068B2 (ja) モデル作成支援方法、及びモデル作成支援システム
CN111460044B (zh) 地理位置数据处理方法及装置
US9959559B2 (en) Ranking and recommendation algorithms for search listings
KR102590569B1 (ko) 커머스 특성에 기반한 상품명 도출 장치 및 방법
EP4283496A1 (en) Techniques for automatic filling of an input form to generate a listing

Legal Events

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