KR102591113B1 - 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치 - Google Patents

바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102591113B1
KR102591113B1 KR1020230072191A KR20230072191A KR102591113B1 KR 102591113 B1 KR102591113 B1 KR 102591113B1 KR 1020230072191 A KR1020230072191 A KR 1020230072191A KR 20230072191 A KR20230072191 A KR 20230072191A KR 102591113 B1 KR102591113 B1 KR 102591113B1
Authority
KR
South Korea
Prior art keywords
user terminal
clothing
information
value
image
Prior art date
Application number
KR1020230072191A
Other languages
English (en)
Inventor
유선희
Original Assignee
유선희
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 유선희 filed Critical 유선희
Priority to KR1020230072191A priority Critical patent/KR102591113B1/ko
Application granted granted Critical
Publication of KR102591113B1 publication Critical patent/KR102591113B1/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]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/094—Adversarial 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
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • G06Q50/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts

Landscapes

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

Abstract

실시예들은 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 사용자 단말로부터 웹 페이지에 대한 접속 요청 메시지를 수신하고, 상기 접속 요청 메시지는 사용자 단말의 식별 정보를 포함하고, 상기 사용자 단말의 식별 정보에 기반하여 사용자 단말에 대한 정보를 획득하고, 상기 사용자 단말에 대한 정보에 기반하여 실시간 채팅 기능 및 의류 검색 기능을 포함하는 인터페이스를 상기 사용자 단말에게 제공하고, 상기 인터페이스를 통해 상기 사용자 단말로부터 제1 의류 이미지를 수신하고, 상기 제1 의류 이미지에 기반하여 바이너리 트리 기반의 CNN(convolutional neural network)을 이용하는 이미지 검색 모델을 통해 사전 설정된 개수의 유사 이미지를 결정하고, 상기 사전 설정된 개수의 유사 이미지에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 바이너리 트리 기반의 CNN을 이용하는 이미지 검색 모델은 CNN 모델과 바이너리 트리 모델을 포함하고, 상기 제1 의류 이미지가 상기 CNN 모델에 입력되는 것에 기반하여 상기 제1 의류 이미지와 유사한 제2 의류 이미지가 결정된 후, 상기 바이너리 트리 모델에서 상기 제2 의류 이미지에 대응하는 서브 공간이 결정되고, 상기 사전 설정된 개수의 유사 이미지는 상기 서브 공간에 포함된 의류 이미지 중에서 상기 제2 의류 이미지에 대한 유사도가 사전 설정된 유사도보다 큰 값을 가지는 의류 이미지와 상기 제2 의류 이미지를 포함하고, 상기 실시간 채팅 기능을 통해 상기 사용자 단말의 채팅 정보가 획득되고, 상기 인터페이스는 상기 사용자 단말에 대한 정보 및 상기 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용하는 인터페이스 설정 모델을 통해 상기 사용자 단말에 대해 설정될 수 있다.

Description

바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING CUSTOMIZED INTERFACE WITH CLOTHING IMAGE SEARCH FUNCTION USING BINARY TREE-BASED CONVOLUTIONAL NEURAL NETWORK}
본 개시의 실시예들은 맞춤형 인터페이스를 제공하는 기술에 관한 것으로, 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치에 대한 것이다.
한편, 최근 온라인 패션 쇼핑몰들은 누적된 고객의 데이터를 빅데이터로 분석하고, 분석된 결과를 바탕으로 상품 검색에 대한 편의성을 제공하는 방법으로 활용하고 있다. 또한, 온라인 패션 쇼핑몰들은 빅데이터 분석뿐만 아니라 상품 이미지의 트렌드를 분석하고, 고객이 구매하고자 하는 상품의 유사 상품을 제안하여 구매 결정을 유도하기 위해 딥러닝 기술을 도입하고 있다.
특히, 유사 이미지를 탐색하기 위한 딥러닝 기술로 CNN(Convolutional Neural Network) 모델을 대부분 활용하고 있으나, CNN 모델은 복수의 유사 이미지를 탐색하는 시간이 상대적으로 긴 문제가 있다. 또한, 딥러닝 기술은 학습을 위해 다량의 데이터를 필요로 하므로, 중소 온라인 패션 쇼핑몰들은 단기간에 데이터를 확보하기 어려운 문제가 있다.
나아가, 온라인 패션 쇼핑몰에 접속한 사용자들은 각각 관심 있는 의류 품목이나 스타일이 상이하기 때문에, 사용자들에게 동일한 인터페이스를 제공할 경우, 사용자들이 온라인 쇼핑몰을 이용하는 것이 불편할 수 있다.
이에, 바이너리 트리 기반의 CNN(Convolutional Neural Network)을 활용한 이미지 검색 모델을 통해 유사 이미지를 단시간에 탐색할 수 있는 방법 및 장치가 필요하다. 그리고, 실시간 채팅 기능을 통해 사용자 사이의 대화 정보 및 문의 정보를 단기간에 확보하여 인터페이스 설정 모델을 학습시킴으로써, 인터페이스 설정 모델을 통해 커스터마이징된 인터페이스를 사용자에게 제공할 필요가 있다.
본 개시의 실시예들은, 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 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 서버가 뉴럴 네트워크(neural network)를 이용하여 의류 이미지를 검색하는 기능을 포함하는 인터페이스를 제공하는 방법은, 사용자 단말로부터 웹 페이지에 대한 접속 요청 메시지를 수신하고, 상기 접속 요청 메시지는 사용자 단말의 식별 정보를 포함하고, 상기 사용자 단말의 식별 정보에 기반하여 사용자 단말에 대한 정보를 획득하고, 상기 사용자 단말에 대한 정보에 기반하여 실시간 채팅 기능 및 의류 검색 기능을 포함하는 인터페이스를 상기 사용자 단말에게 제공하고, 상기 인터페이스를 통해 상기 사용자 단말로부터 제1 의류 이미지를 수신하고, 상기 제1 의류 이미지에 기반하여 바이너리 트리 기반의 CNN(convolutional neural network)을 이용하는 이미지 검색 모델을 통해 사전 설정된 개수의 유사 이미지를 결정하고, 상기 사전 설정된 개수의 유사 이미지에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 바이너리 트리 기반의 CNN을 이용하는 이미지 검색 모델은 CNN 모델과 바이너리 트리 모델을 포함하고, 상기 제1 의류 이미지가 상기 CNN 모델에 입력되는 것에 기반하여 상기 제1 의류 이미지와 유사한 제2 의류 이미지가 결정된 후, 상기 바이너리 트리 모델에서 상기 제2 의류 이미지에 대응하는 서브 공간이 결정되고, 상기 사전 설정된 개수의 유사 이미지는 상기 서브 공간에 포함된 의류 이미지 중에서 상기 제2 의류 이미지에 대한 유사도가 사전 설정된 유사도보다 큰 값을 가지는 의류 이미지와 상기 제2 의류 이미지를 포함하고, 상기 실시간 채팅 기능을 통해 상기 사용자 단말의 채팅 정보가 획득되고, 상기 인터페이스는 상기 사용자 단말에 대한 정보 및 상기 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용하는 인터페이스 설정 모델을 통해 상기 사용자 단말에 대해 설정될 수 있다.
실시예들에 따르면, 서버는 사용자 단말이 검색한 의류 이미지에 기반하여 바이너리 트리 기반의 CNN(convolutional neural network)을 이용하는 이미지 검색 모델을 통해 사전 설정된 개수의 유사 이미지를 결정함으로써, 사용자 단말이 원하는 정보를 제공할 확률을 높이는 동시에 검색 속도를 향상시킬 수 있다.
실시예들에 따르면, 서버는 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용하는 인터페이스 설정 모델을 통해 상기 사용자 단말에 대한 인터페이스를 설정함으로써, 사용자 단말의 활동을 고려한 인터페이스를 설정하여, 사용자 단말의 검색 편의성을 높일 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 따라 서버가 뉴럴 네트워크(neural network)를 이용하여 의류 이미지를 검색하는 기능을 포함하는 인터페이스를 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 인터페이스 설정 모델 및 가상 의류 생성 모델을 나타낸 도면이다.
도 5는 일 실시예에 따라 서버가 뉴럴 네트워크를 이용하여 의류 이미지를 검색하는 기능을 포함하는 인터페이스를 제공하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
도 7은 일 실시예에 따른 서버에 의해 제공되는 인터페이스를 나타낸 도면이다.
도 8은 일 실시예에 따른 서버에 의해 제공되는 의류 검색 기능을 나타낸 도면이다.
도 9는 일 실시예에 따른 서버에 의해 제공되는 이미지 생성 방식을 나타낸 도면이다.
도 10은 일 실시예에 따른 서버에 의해 의류 이미지에서 객체를 탐지하는 방식을 나타낸 도면이다.
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 실시 형태를 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 영상을 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. 여기서, 입력 노드와 출력 노드를 상호 연결하는 에지 또는 링크는 뉴럴 네트워크가 원하는 기능의 수행, 사용자 또는 알고리즘에 의해 가변적으로 적용될 수 있는 가중치를 갖는다. 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 따라 서버가 뉴럴 네트워크(neural network)를 이용하여 의류 이미지를 검색하는 기능을 포함하는 인터페이스를 제공하는 방법을 나타낸다. 도 3의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버(예: 도 1의 서버(108))는 사용자 단말로부터 웹 페이지에 대한 접속 요청 메시지를 수신할 수 있다.
서버는 의류와 관련된 온라인 쇼핑몰을 관리하는 서버이며, 온라인 쇼핑몰의 웹 페이지에 접속한 사용자 단말에게 의류와 관련된 다양한 정보를 제공할 수 있다. 사용자 단말은 온라인 쇼핑몰을 이용하는 사용자의 단말일 수 있다. 예를 들어, 사용자 단말은 도 1의 전자 장치(101)를 포함할 수 있다. 웹 페이지는 서버가 운영하는 온라인 쇼핑몰과 관련된 웹 페이지일 수 있다.
예를 들어, 접속 요청 메시지는 사용자 단말의 식별 정보를 포함할 수 있다. 사용자 단말에 대한 식별 정보는 사용자 단말을 식별하기 위한 정보이고, 예를 들어, 사용자 단말의 온라인 쇼핑몰에 가입한 ID 또는 사용자 단말의 IMEI(international mobile equipment identity) 번호 중 적어도 하나를 포함할 수 있다. 여기서, IMEI 번호는 단말이 제조될 때 부여되는 15자리 숫자로 구성된 번호이며, 예를 들어, IMEI 번호는 인증기관의 고유 번호, 단말의 모델명 및 단말의 일련번호를 포함할 수 있다.
단계 S320에서, 서버는 사용자 단말의 식별 정보에 기반하여 사용자 단말에 대한 정보를 획득할 수 있다.
예를 들어, 서버는 상기 서버에 등록된 복수의 사용자 중에서 사용자 단말의 식별 정보에 따라 식별된 사용자 단말에 대한 정보를 획득할 수 있다. 예를 들어, 복수의 사용자 단말에 대한 정보가 서버에 사전 저장될 수 있다.
사용자 단말에 대한 정보는 개인 정보, 온라인 활동 정보, 검색 정보 및 구매 정보를 포함할 수 있다.
개인 정보는 사용자의 성별, 사용자의 나이, 사용자의 주소 및 사용자의 SNS(social network service) ID를 포함할 수 있다. 온라인 활동 정보는 사용자 단말이 의류 품목과 관련된 게시글을 SNS에 업로드한 횟수를 포함할 수 있다. 예를 들어, 서버는 사용자 단말의 SNS ID를 이용하여 사용자 단말이 SNS에서 활동한 내역을 수집할 수 있고, 수집한 활동 내역에서 사용자 단말이 의류 품목과 관련된 게시글을 SNS에 업로드한 횟수를 결정할 수 있다. 예를 들어, 서버는 수집한 활동 내역에서 각각의 의류 품목과 관련된 단어가 포함된 게시글을 카운팅함으로써, 사용자 단말이 의류 품목과 관련된 게시글을 SNS에 업로드한 횟수를 의류 품목별로 결정할 수 있다. 의류 품목과 관련된 단어는 해당 의류 품목을 나타내는 유사어를 포함할 수 있고, 각각의 의류 품목별로 서버에 사전 저장될 수 있다. 예를 들어, 의류 품목이 티셔츠인 경우, 의류 품목을 나타내는 유사어는 티, 반팔티 및 반팔을 포함할 수 있다.
검색 정보는 사용자 단말이 검색한 의류 품목에 대한 정보, 사용자 단말이 검색한 의류 품목에 대한 클릭 횟수, 사용자 단말이 검색한 의류 품목에 대한 찜하기 여부, 사용자 단말이 검색한 의류 품목에 대한 링크 공유 횟수 및 사용자 단말이 검색한 의류 품목에 대한 상품 페이지에 대한 체류 시간을 포함할 수 있다. 사용자 단말이 검색한 의류 품목에 대한 정보는 검색한 의류 품목, 검색어 및 검색 시간을 포함할 수 있다.
구매 정보는 사용자 단말이 구매한 의류 품목에 대한 정보, 사용자 단말이 구매한 의류 품목에 대한 평점 정보, 사용자 단말이 구매한 의류 품목에 대한 클릭 횟수, 사용자 단말이 구매한 의류 품목에 대한 찜하기 여부, 사용자 단말이 구매한 의류 품목에 대한 링크 공유 횟수 및 사용자 단말이 구매한 의류 품목에 대한 상품 페이지에 대한 체류 시간을 포함할 수 있다. 사용자 단말이 구매한 의류 품목에 대한 정보는 상품명, 상품 가격, 상품을 구매한 시간을 포함할 수 있다.
단계 S33O에서, 서버는 사용자 단말에 대한 정보에 기반하여 실시간 채팅 기능 및 의류 검색 기능을 포함하는 인터페이스를 사용자 단말에게 제공할 수 있다.
실시간 채팅 기능과 관련된 인터페이스는 사용자 단말이 웹 페이지에 접속한 다른 단말에게 메시지를 전송하기 위한 제1 메시지 창과 사용자 단말이 챗봇(chat bot)에게 메시지를 전송하기 위한 제2 메시지 창을 포함할 수 있다. 여기서, 챗봇은 대화형 인공지능의 한 종류이며, 사전 설정된 규칙에 기반하여 사용자 단말에 의해 입력된 메시지를 분석하고, 분석된 메시지에 대한 답변을 사용자 단말에게 출력할 수 있다. 본 개시의 실시예들에서 다양한 방식의 챗봇이 사용될 수 있다.
예를 들어, 실시간 채팅 기능을 통해 사용자 단말의 채팅 정보가 획득될 수 있다. 사용자 단말의 채팅 정보는 사용자 단말이 과거 실시간 채팅 기능을 통해 수행한 채팅 정보이다. 예를 들어, 사용자 단말의 채팅 정보는 사용자 단말이 서버에 등록된 이후부터 서버가 접속 요청 메시지를 수신한 시점 전까지 사용자 단말이 실시간 채팅 기능 통해 수행한 채팅 정보일 수 있다. 사용자 단말의 채팅 정보는 일반 대화 정보 및 문의 정보를 포함할 수 있다. 일반 대화 정보는 사용자 단말이 웹 페이지에 접속한 다른 단말과 수행한 채팅에 대한 정보이다. 예를 들어, 일반 대화 정보는 사용자 단말이 상기 제1 메시지 창을 통해 웹 페이지에 접속한 다른 단말과 송수신한 메시지에 대한 정보를 포함할 수 있다. 문의 정보는 사용자 단말이 챗봇에게 문의한 메시지와 챗봇으로부터 수신한 메시지에 대한 정보이다. 예를 들어, 문의 정보는 사용자 단말이 상기 제2 메시지 창을 통해 챗봇과 송수신한 메시지에 대한 정보를 포함할 수 있다.
의류 검색 기능과 관련된 인터페이스는 의류 품목별 웹 페이지로 링크되는 다양한 의류 품목 카테고리를 포함하는 탐색 메뉴, 사용자 단말이 입력한 검색어 또는 의류 이미지를 검색하여 출력하는 검색 창 및 사이즈, 색상, 브랜드 또는 가격대와 같은 특정한 기준을 선택하여 검색 결과를 필터링하는 필터를 포함할 수 있다.
예를 들어, 인터페이스는 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용하는 인터페이스 설정 모델을 통해 사용자 단말에 대해 설정될 수 있다.
예를 들어, 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 활동 벡터가 생성될 수 있다.
여기서, 활동 벡터는 의류 품목별 검색 횟수에 대한 값, 의류 품목별 구매 횟수에 대한 값, 의류 품목별 클릭 횟수와 관련된 값, 의류 품목별 문의 횟수와 관련된 값, 의류 품목별 언급 횟수와 관련된 값, 의류 품목별 SNS 업로드 횟수와 관련된 값, 의류 품목별 링크 공유 횟수와 관련된 값 및 의류 품목별 체류 시간과 관련된 값을 포함할 수 있다. 시간 가중치는 상기 사용자 단말이 최근에 수행한 특정 활동에 대해 더 큰 값으로 설정될 수 있다. 행위 가중치는 상기 사용자 단말의 정규화된 행위 값에 기반하여 비율이 큰 활동일수록 더 큰 값으로 설정될 수 있다.
예를 들어, 활동 벡터가 상기 인터페이스 설정 모델에 입력되는 것에 기반하여 의류 품목별 노출 순서가 결정될 수 있다. 의류 품목별 노출 순서에 따라 사용자 단말에 대한 인터페이스가 설정될 수 있다. 예를 들어, 인터페이스 설정 모델을 통해 인터페이스에 포함된 탐색 메뉴에서 의류 품목의 노출 순서가 변경될 수 있다. 예를 들어, 의류 품목별 노출 순서에서 가장 상위에 있는 의류 품목을 기준으로 검색 결과를 필터링하는 필터의 기본 값이 설정될 수 있다. 즉, 가장 상위에 있는 의류 품목이 블라우스인 경우, 블라우스 중에서 가장 검색 빈도가 높은 상품을 기준으로 필터의 기본 값이 설정될 수 있다. 예를 들어, 블라우스 중에서 가장 검색 빈도가 높은 상품의 색상, 브랜드 및 가격이 필터의 기본 값으로 설정될 수 있다.
이를 통해, 서버는 사용자 단말의 활동을 고려한 인터페이스를 설정하여, 사용자 단말의 검색 편의성을 높일 수 있다.
단계 S340에서, 서버는 인터페이스를 통해 사용자 단말로부터 제1 의류 이미지를 수신할 수 있다.
제1 의류 이미지는 사용자 단말이 검색하고자 하는 의류의 이미지이며, 예를 들어, 제1 의류 이미지는 의류를 착용한 사람의 이미지 또는 의류의 이미지를 포함할 수 있다.
부가적으로, 예를 들어, 서버는 YOLO(you only look once) 모델을 적용하여 제1 의류 이미지에서 의류에 해당하는 영역을 추출하여 이미지 검색 모델에 입력할 수 있다. 예를 들어, 서버는 제1 의류 이미지에서 의류에 해당하는 영역을 추출하기 위한 테두리 박스(bounding box)의 시작 좌표와 높이, 너비 정보를 획득할 수 있다. 여기서, YOLO 모델은 테두리 상자 조정(bounding box coordinate)과 분류(classification)를 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 인공지능 알고리즘이다. 서버는 테두리 박스에 대한 정보를 기반으로 테두리 박스의 내부에 대한 깊이 정보를 획득할 수 있다. 서버는 테두리 박스의 시작 좌표와 높이, 너비 정보, 테두리 박스의 깊이 정보를 기반으로 테두리 박스 내에서 의류에 해당하는 영역을 파악할 수 있고, 의류에 해당하는 영역의 이미지를 제1 의류 이미지로 변경할 수 있다.
단계 S350에서, 서버는 제1 의류 이미지에 기반하여 바이너리 트리 기반의 CNN을 이용하는 이미지 검색 모델을 통해 사전 설정된 개수의 유사 이미지를 결정할 수 있다.
바이너리 트리 기반의 CNN을 이용하는 이미지 검색 모델은 CNN 모델과 바이너리 트리 모델을 포함할 수 있다.
예를 들어, 제1 의류 이미지가 상기 CNN 모델에 입력되는 것에 기반하여 상기 제1 의류 이미지와 유사한 제2 의류 이미지가 결정된 후, 바이너리 트리 모델에서 상기 제2 의류 이미지에 대응하는 서브 공간이 결정될 수 있다. 사전 설정된 개수의 유사 이미지는 상기 서브 공간에 포함된 의류 이미지 중에서 상기 제2 의류 이미지에 대한 유사도가 사전 설정된 유사도보다 큰 값을 가지는 의류 이미지와 상기 제2 의류 이미지를 포함할 수 있다.
예를 들어, CNN 모델은 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. CNN은 딥러닝 알고리즘의 한 종류이며, 격자 형태로 배열된 데이터를 처리하는 것에 특화되어 데이터의 패턴을 식별하는데 효과적일 수 있다. 여기서, 컨벌루션은 CNN의 필터가 원본 데이터 위에서 움직이는 과정이다.
예를 들어, 복수의 검색 의류 이미지, 복수의 의류 이미지 및 복수의 정답 유사도로 구성된 각각의 학습 데이터는 상기 CNN 모델의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 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 CNN 모델의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
검색 의류 이미지는 유사한 의류 이미지를 검색하기 위한 의류 이미지이다. 예를 들어, 복수의 검색 의류 이미지, 복수의 의류 이미지 및 복수의 정답 유사도는 서버에 사전 저장될 수 있다.
정답 유사도는 검색 의류 이미지와 의류 이미지 사이의 유사도를 나타내는 값이다. 예를 들어, 정답 유사도는 검색 의류 이미지와 의류 이미지 사이의 색상 분포 값을 비교하여 사전 결정된 유사도일 수 있다. 검색 의류 이미지의 색상 분포 값과 의류 이미지의 색상 분포 값이 유사할수록 정답 유사도가 큰 값으로 결정될 수 있다. 정답 유사도는 0보다 크고 100보다 작은 값일 수 있다. 예를 들어, 복수의 정답 유사도는 복수의 검색 의류 이미지 각각에 대한 복수의 의류 이미지 각각의 유사도를 포함할 수 있다. 즉, 검색 의류 이미지가 A, B, C가 존재하고, 의류 이미지 a, b, c, d가 존재하는 경우, 복수의 정답 유사도는 A에 대한 a, b, c, d의 유사도, B에 대한 a, b, c, d의 유사도 및 C에 대한 a, b, c, d의 유사도를 포함할 수 잇다.
예를 들어, 하나 이상의 제1 히든 레이어는 컨벌루션 레이어(convolutional layer), 풀링 레이어(pooling layer), 완전 연결 레이어(fully connected layer) 및 배치 정규화 레이어(batch normalization layer)를 포함할 수 있다.
예를 들어, 제1 입력 레이어에 이미지가 입력되고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다. 특징 벡터는 특징 맵의 좌측에서 우측으로 생성될 수 있고, i번째 특징 벡터가 모든 특징 맵의 i번째 열의 집합일 수 있고, 각 열의 너비는 단일 픽셀로 고정될 수 있다. 즉, 특징 벡터의 시퀀스에 포함된 각각의 특징 벡터는 각 이미지의 사전 설정된 영역에 대한 특징을 나타낼 수 있다. 이때, 학습의 효율을 높이기 위해 정규화 기법 중 하나인 배치 정규화 레이어를 통해 과적합의 위험을 감소시킬 수 있다. 여기서, 배치 정규화 레이어는 학습 과정에서 각 배치 단위 별로 데이터가 다양한 분포를 가져도, 각 배치 별로 평균과 분산을 이용해 정규화하는 동작을 수행할 수 있다. 배치는 모델의 가중치를 한번 업데이트시킬 때 사용되는 샘플들의 묶음을 지칭한다. 풀링 레이어에서 상기 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 이미지의 픽셀 값들에서 중요한 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 이때, 상기 CNN 모델의 파라미터는 컨벌루션 레이어 및 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다. 완전 연결 레이어는 1차원 배열의 형태로 평탄화된 행렬을 통해 이미지를 분류하기 위해 사용될 수 있다.
예를 들어, CNN 모델은 복수 개의 컨벌루션 레이어 및 풀링 레이어를 이용하여 사전 설정된 횟수(예: 200번)의 반복 수행을 통해 학습될 수 있다. CNN 모델에 입력되는 이미지는 사전 설정된 제1 크기(예: 224X224)이며, 입력된 이미지를 사전 설정된 제2 크기(예: 3X3)크기의 픽셀 단위로 분해함으로써, 특징을 연산할 수 있다. 상기 CNN 모델은 이전 단계 레이어의 결과 값을 ReLU(Rectified Linear Unit) 함수를 이용하여 0 이상의 값을 필터링할 수 있다.
예를 들어, 복수의 의류 이미지에 데이터 전처리를 통해 상기 복수의 의류 이미지 각각에 대한 태그 벡터가 생성될 수 있다. 태그 벡터는 품목과 관련된 값, 색상과 관련된 값, 소재와 관련된 값 및 가격에 대한 값을 포함할 수 있다. 예를 들어, 복수의 의류 이미지에 대한 정보가 서버에 사전 저장될 수 있고, 의류 이미지에 대한 정보는 의류 품목에 대한 정보, 의류 색상에 대한 정보, 의류 소재에 대한 정보, 의류와 관련된 웹 주소에 대한 정보 및 가격에 대한 정보를 포함할 수 있다. 여기서, 의류와 관련된 웹 주소는 해당 의류를 판매하는 웹 페이지의 주소일 수 있다.
품목과 관련된 값은 의류 품목을 나타내는 값으로, 의류 품목은 상의, 하의, 원피스로 크게 구분될 수 있고, 상의는 자켓, 점퍼, 코트, 조끼, 패딩, 니트, 스웨터, 셔츠, 블라우스 등과 같이 하위 카테고리로 분류될 수 있고, 하의는 치마, 바지, 반바지 등과 같이 하위 카테고리로 분류될 수 있다. 이때, 품목과 관련된 값은 의류 품목 각각에 대해 매칭되는 값으로 결정될 수 있다. 예를 들어, 의류 품목이 니트인 경우, 니트에 매칭되는 값으로 품목과 관련된 값이 결정될 수 있다. 색상과 관련된 값은 의류 색상을 나타내는 값으로, 의류 색상은 화이트, 블랙, 그레이, 네이비, 블루, 그린, 레드, 핑크, 오렌지, 옐로우 등 다양한 색상을 포함할 수 있다. 예를 들어, 색상과 관련된 값은 각각의 의류 색상에 매칭되는 값으로 결정될 수 있다. 예를 들어, 의류 색상이 블랙인 경우, 블랙에 매칭되는 값으로 색상과 관련된 값이 결정될 수 있다. 소재와 관련된 값은 의류 소재를 나타내는 값으로, 의류 소재는 면, 폴리에스테르, 나일론, 레이온, 기모, 텐셀, 아크릴, 울, 린넨, 쉬폰, 옥스포드, 스웨이드 등과 같이 다양한 종류의 소재를 포함할 수 있다. 예를 들어, 소재와 관련된 값은 각각의 소재에 매칭되는 값과 각 소재의 비율에 대한 값을 포함할 수 있다. 예를 들어, 의류 소재가 면 70%, 폴리에스테르 30%인 경우, [면에 매칭되는 값, 폴리에스테르에 매칭되는 값, 0.7, 0.3]이 소재와 관련된 값으로 결정될 수 있다. 가격에 대한 값은 의류의 가격을 나타내는 값이고, 예를 들어, 의류의 가격이 3만원인 경우, 3이 가격에 대한 값으로 결정될 수 있다.
예를 들어, 복수의 태그 벡터로 구성된 벡터 공간에 대해 바이너리 트리 생성 동작이 수행될 수 있다. 바이너리 트리 생성 동작은 복수의 태그 벡터로 구성된 벡터 공간에서 임의의 두 벡터가 선택되고, 상기 두 벡터 사이의 초평면(hyperplane)으로 상기 벡터 공간이 서브 공간으로 분류되고, 분류된 서브 공간에 포함된 벡터들이 노드로 구성되는 바이너리 트리가 생성되는 동작일 수 있다. 상기 서브 공간에 포함된 벡터의 개수가 사전 설정된 제1 개수를 초과하는 것에 기반하여, 사전 설정된 제2 개수만큼 바이너리 트리가 생성될 때까지 상기 바이너리 트리 생성 동작이 반복 수행되어 상기 바이너리 트리 모델이 결정될 수 있다. 즉, 사전 설정된 제1 개수의 의류 이미지로 구성된 사전 설정된 제2 개수의 서브 공간을 가진 바이너리 트리 모델이 생성될 수 있다. 이때, 하나의 바이너리 트리는 사전 설정된 제1 개수의 의류 이미지로 구성될 수 있다.
예를 들어, 태그 벡터 사이의 유사도는 태그 벡터 사이의 거리 값으로 결정될 수 있다. 이때, 태그 벡터 사이의 거리 값은 유클리드 거리, 맨하튼 거리, 코사인 거리, 해밍 거리 중 적어도 하나의 값으로 결정될 수 있다. 유클리드 거리는 두 벡터 사이의 직선거리를 나타내며, 를 통해 계산될 수 있다. 제1 태그 벡터의 i번째 차원의 값이 맨하튼 거리는 격자 형태의 지도에서 한 점에 도달하기 위한 거리를 나타내며, 를 통해 계산될 수 있다. 코사인 거리는 두 벡터 간의 코사인 각도가 유사한 정도를 나타내는 값으로, 를 통해 계산될 수 있다. 여기서, n은 태그 벡터를 구성하는 차원의 수, pi는 제1 태그 벡터의 i번째 차원의 값, qi는 제2 태그 벡터의 i번째 차원의 값일 수 있다. 해밍 거리는 두 개의 2진수에서 몇 칸이 다른 지 측정한 거리를 나타내며, 동일한 길이의 수열을 비교하여 몇 칸의 데이터가 다른 지를 측정할 수 있다. 예를 들어, 111000과 100000의 거리의 해밍 거리는 2일 수 있다.
단계 S360에서, 서버는 사전 설정된 개수의 유사 이미지에 대한 정보를 사용자 단말에게 전송할 수 있다.
유사 이미지에 대한 정보는 의류 이미지, 의류 품목에 대한 정보, 의류 색상에 대한 정보, 의류 소재에 대한 정보, 의류와 관련된 웹 주소에 대한 정보 및 가격에 대한 정보를 포함할 수 있다.
이를 통해, 서버는 CNN 모델을 통해 사용자 단말로부터 수신한 제1 의류 이미지와 유사한 의류 이미지를 정확하게 결정하여 사용자 단말에게 제공할 수 있다. 또한, 서버는 유사한 의류 이미지를 기반으로 바이너리 트리 모델을 통해 CNN 모델에서 출력된 의류 이미지와 유사도가 높은 의류 이미지를 탐색하여 사용자 단말에게 제공함으로써, 사용자 단말이 원하는 정보를 제공할 확률을 높이는 동시에 검색 속도를 향상시킬 수 있다.
부가적으로, 예를 들어, 서버는 사전 설정된 개수의 유사 이미지에 대한 피드백 정보를 사용자 단말로부터 수신할 수 있다. 피드백 정보는 사전 설정된 개수의 유사 이미지 각각에 대한 유사도를 포함할 수 있다. 서버는 수신한 피드백 정보에 포함된 유사도를 이미지 검색 모델을 학습시키기 위한 정답 유사도에 반영할 수 있다.
부가적으로, 예를 들어, 사전 설정된 개수는 바이너리 트리 모델을 구성하는 복수의 서브 공간에 포함된 의류 이미지 개수 및 서버와 사용자 단말의 통신 상태와 관련된 값에 따라 결정될 수 있다.
일 실시예에 따르면, 서버는 사용자 단말로부터 실시간 채팅 기능을 통해 가상 채팅 공간에 대한 참여를 요청하는 참여 요청 메시지를 수신할 수 있다. 가상 채팅 공간은 사용자 단말이 사용자 단말의 아바타를 이용하여 다른 사용자 단말의 아바타와 상호 인터렉션을 수행하고, 챗봇 아바타에게 문의를 하고 피드백을 받을 수 있는 가상 공간이다. 또한, 예를 들어, 가상 채팅 공간에 온라인 쇼핑몰에서 사용자 단말이 검색한 의류 또는 구매한 의류가 가상 의류로 구현되고, 가상 의류가 가상 채팅 공간 내 디스플레이 공간에 배치되어, 사용자 단말에 의해 선택된 가상 의류가 아바타에게 착용될 수 있다.
참여 요청 메시지는 사용자 단말이 서버에게 가상 채팅 공간에 대한 참여를 요청하는 메시지이다. 예를 들어, 참여 요청 메시지는 사용자와 관련된 이미지를 포함할 수 있다. 사용자와 관련된 이미지는 사용자를 촬영한 사진 또는 사용자에 대한 그림을 포함할 수 있다.
예를 들어, 서버는 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용한 가상 의류 생성 모델을 통해 가상 의류에 대한 설정 정보를 결정할 수 있다.
사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보에 대한 데이터 전처리를 통해 활동 벡터가 생성될 수 있다. 활동 벡터는 의류 품목별 검색 횟수에 대한 값, 의류 품목별 구매 횟수에 대한 값, 의류 품목별 클릭 횟수와 관련된 값, 의류 품목별 문의 횟수와 관련된 값, 의류 품목별 언급 횟수와 관련된 값, 의류 품목별 SNS 업로드 횟수와 관련된 값, 의류 품목별 링크 공유 횟수와 관련된 값 및 의류 품목별 체류 시간과 관련된 값을 포함할 수 있다. 시간 가중치는 상기 사용자 단말이 최근에 수행한 특정 활동에 대해 더 큰 값으로 설정될 수 있다. 행위 가중치는 상기 사용자 단말의 정규화된 행위 값에 기반하여 비율이 큰 활동일수록 더 큰 값으로 설정될 수 있다. 예를 들어, 활동 벡터는 상기 이미지 검색 모델에 입력되는 활동 벡터와 동일할 수 있다.
활동 벡터가 가상 의류 생성 모델에 입력되는 것에 기반하여 가상 의류에 대한 설정 정보가 의류 품목별로 생성될 수 있다.
가상 의류에 대한 설정 정보는 가상 의류와 관련된 크기에 대한 값, 가상 의류와 관련된 해상도에 대한 값, 가상 의류와 관련된 조도에 대한 값, 가상 의류와 관련된 휘도에 대한 값, 가상 의류와 관련된 색온도에 대한 값을 포함할 수 있다. 가상 의류와 관련된 크기에 대한 값은 가상 채팅 공간에서 구현되는 가상 의류의 크기를 나타낼 수 있다. 가상 의류와 관련된 해상도에 대한 값은 가상 채팅 공간에서 구현되는 가상 의류의 해상도를 나타낼 수 있다. 가상 의류와 관련된 조도에 대한 값은 가상 채팅 공간 내 디스플레이 공간에 배치된 가상 의류에 조사되는 조명의 조도를 나타낼 수 있다. 조도는 빛의 밝기이며, 단위면적당 얼마만큼의 빛이 도달하는지를 나타낼 수 있다. 가상 의류와 관련된 휘도에 대한 값은 가상 채팅 공간 내 디스플레이 공간에 배치된 가상 의류에 조사되는 조명의 휘도를 나타낼 수 있다. 휘도는 눈부심의 정도 또는 대상에서 반사되는 빛의 양으로, 어느 방향에서 관찰했을 때 어느 정도 밝게 보이는지를 나타낼 수 있다. 가상 의류와 관련된 색온도에 대한 값은 가상 의류와 관련된 휘도에 대한 값은 가상 채팅 공간 내 디스플레이 공간에 배치된 가상 의류에 조사되는 조명의 색온도를 나타낼 수 있다. 색온도는 조명에서 빛의 색감을 나타내는 용어로, 빛의 색상이 어떤 특정 온도에 해당하는지를 나타낸다. 색온도는 높을수록 푸른색에 가까운 빛, 낮을수록 노란색에 가까운 빛을 나타내며, 표준적으로 K(Kelvin) 단위를 사용하여 색온도를 표현할 수 있다
예를 들어, 서버는 가상 채팅 공간에 접속하기 위한 링크를 포함하는 초대 메시지를 사용자 단말에게 전송할 수 있다.
예를 들어, 사용자 단말에 연결된 헤드마운트 디스플레이를 통해 VR(virtual reality) 기반 가상 경험 프로그램을 기반으로 가상 채팅 공간에 접속될 수 있다. 예를 들어, 사용자 단말은 가상현실, 증강현실, 혼합현실 및 이들을 포함하는 확장현실 중 적어도 하나의 기술/서비스를 제공할 수 있다. 예를 들어, 헤드마운트 디스플레이는 도 1의 전자 장치(101)와 연결되어 VR(virtual reality) 영상을 출력하는 디스플레이 장치일 수 있다. 이러한 헤드마운트 디스플레이에는 사용자가 현실감 있는 영상을 체험할 수 있도록 지원하는 각종 장치로서, 종래에 이미 공지되었거나 향후 개발되는 VR 등의 실감 영상의 구현이 가능한 각종 장치가 적용될 수 있다.
예를 들어, 가상 의류에 대한 설정 정보에 기반하여 가상 채팅 공간에 가상 의류가 생성될 수 있다.
예를 들어, 서버는 의류 품목별 가상 의류에 대한 설정 정보에 따라 가상 채팅 공간에 의류 품목별로 가상 의류를 생성할 수 있다. 이때, 각각의 가상 의류는 가상 채팅 공간 내 디스플레이 공간에 배치될 수 있다. 디스플레이 공간은 가상 의류를 전시한 공간이며, 예를 들어, 바이너리 트리 모델에서 생성된 복수의 서브 공간 각각이 디스플레이 공간으로 결정될 수 있다. 즉, 서브 공간에 포함된 의류 이미지에 대해 가상 의류가 해당 서브 공간에 대응하는 디스플레이 공간 내에 배치될 수 있다. 예를 들어, 디스플레이 공간에 배치되는 가상 의류는 가상 의류와 관련된 크기에 대한 값 및 가상 의류와 관련된 해상도에 대한 값에 따라 가상 의류의 크기와 해상도가 설정되고, 가상 의류와 관련된 조도에 대한 값, 가상 의류와 관련된 휘도에 대한 값 및 가상 의류와 관련된 색온도에 대한 값에 따라 디스플레이 공간에 배치된 가상 의류에 조사되는 조명이 설정될 수 있다.
예를 들어, 사용자와 관련된 이미지에 기반하여 생성적 적대 신경망 기반의 아바타 생성 모델을 통해 사용자 단말의 아바타가 생성될 수 있다. 생성적 적대 신경망은 생성자(generator)와 구분자(discriminator)가 서로 경쟁하여 데이터를 생성하는 모델이며, 생성자는 최대한 실제처럼 보이는 데이터를 생성하여 구분자를 속이려고 시도하며, 구분자는 실제 데이터와 생성된 가짜 데이터를 구별하려고 시도한다. 즉, 생성자와 구분자는 각각 하나의 뉴럴 네트워크이며, 생성자는 랜덤 시드 값을 입력받아 데이터를 생성하고, 구분자는 생성된 데이터와 실제 학습 데이터를 모두 입력받아 데이터를 구별할 수 있다.
예를 들어, 사용자 단말의 아바타와 가상 채팅 공간에 접속한 외부 단말의 아바타 사이의 인터렉션이 수행될 수 있다.
예를 들어, 사전 설정된 개수의 유사 이미지 중에서 하나의 유사 이미지가 사용자 단말에 의해 선택되는 것에 기반하여, 선택된 유사 이미지에 대응하는 가상 의류가 사용자 단말의 아바타에 착용될 수 있다.
도 4는 일 실시예에 따른 인터페이스 설정 모델 및 가상 의류 생성 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 인터페이스 설정 모델 및 가상 의류 생성 모델은 다변량 LSTM(long short term memory networks) 모델이 사용될 수 있다. 일반적으로 RNN(recurrent neural network)은 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 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다.
예를 들어, 다변량 LSTM 모델은 제2 입력 레이어(410), 하나 이상의 제2 히든 레이어(420), 제2 출력 레이어(430)를 포함할 수 있다.
예를 들어, 서버는 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 활동 벡터가 의류 품목별로 생성될 수 있다. 활동 벡터는 검색 횟수에 대한 값, 구매 횟수에 대한 값, 클릭 횟수와 관련된 값, 문의 횟수와 관련된 값, 언급 횟수와 관련된 값, SNS 업로드 횟수와 관련된 값, 링크 공유 횟수와 관련된 값 및 체류 시간과 관련된 값을 포함할 수 있다. 시간 가중치는 상기 사용자 단말이 최근에 수행한 특정 활동에 대해 더 큰 값으로 설정될 수 있다. 예를 들어, 시간 가중치는 0에서 1 사이의 값을 가질 수 있다. 행위 가중치는 상기 사용자 단말의 정규화된 행위 값에 기반하여 비율이 큰 활동일수록 더 큰 값으로 설정될 수 있다.
예를 들어, 사용자 단말의 활동은 검색 활동과 관련된 행위 및 구매 활동과 관련된 행위를 포함할 수 있다. 검색 활동과 관련된 행위는 의류 품목을 검색하는 행위, 검색한 의류 품목을 클릭하는 행위, 검색한 의류 품목에 대한 찜하기 기능을 수행하는 행위, 검색한 의류 품목에 대한 링크를 공유하는 행위, 검색한 의류 품목에 대한 상품 페이지에 대한 체류하는 행위 및 검색한 의류 품목에 대한 게시글을 SNS에 업로드하는 행위를 포함할 수 있다. 구매 활동과 관련된 행위는 구매한 의류 품목에 대한 평점을 제공하는 행위, 구매한 의류 품목을 클릭하는 행위, 구매한 의류 품목에 대한 찜하기 기능을 수행하는 행위, 구매한 의류 품목에 대한 링크를 공유하는 행위, 구매한 의류 품목에 대한 상품 페이지에 대한 체류하는 행위 및 구매한 의류 품목에 대한 게시글을 SNS에 업로드하는 행위를 포함할 수 있다.
사용자 단말의 활동에 대하여, 평점은 0점에서 5점으로 표현되고, 클릭 수는 최솟값이 0 값이고, 최댓값이 사용자마다 상이하며, 찜하기는 상품에 대한 찜하기 기능을 수행했는지 여부를 나타내기 때문에 값의 범위가 존재하지 않을 수 있다. 따라서, 최댓값과 최솟값을 갖는 행위 및 불린(boolean) 값을 갖는 행위를 0에서 1 사이의 값으로 정규화하는 작업이 필요할 수 있다. 여기서, 불린 값은 0 또는 1 값을 갖는 값을 지칭할 수 있다. 이때, 최댓값과 최솟값을 갖는 행위가 정규화된 행위 값은 실제 행위 값에서 최솟값을 뺀 값을 최댓값에서 최솟값을 뺀 값으로 나눈 값일 수 있다. 불린(boolean) 값을 갖는 행위는 구매 상품에 대해 해당 행위를 수행한 확률로 정규화된 행위 값이 결정될 수 있다. 이후, 정규화된 행위 값들을 모두 합산한 값에서 해당 정규화된 값을 나눈 비율로 해당 구매와 관련된 행위에 대한 행위 가중치가 도출될 수 있다.
예를 들어, 최댓값과 최솟값을 갖는 행위에 대한 행위 가중치는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 w1는 상기 최댓값과 최솟값을 갖는 행위에 대한 행위 가중치이고, 상기 n은 의류 품목의 개수이고, 상기 m은 사용자 단말의 활동 종류에 대한 개수이고, 상기 Ri는 i번째 의류 품목에 대한 사용자 단말의 해당 행위의 실제 값이고, 상기 Rmini는 i번째 의류 품목에 대한 사용자 단말의 해당 행위에 대한 최솟값이고, 상기 Rmaxi는 i번째 의류 품목에 대한 사용자 단말의 해당 행위에 대한 최댓값이고, 상기 Actij는 i번째 의류 품목에 대한 사용자 단말의 j번째 행위에 대한 정규화된 행위 값일 수 있다.
예를 들어, 불린 값을 갖는 행위에 대한 행위 가중치는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 w2는 상기 불린 값을 갖는 행위에 대한 행위 가중치이고, 상기 n은 의류 품목의 개수이고, 상기 m은 사용자 단말의 활동 종류에 대한 개수이고, 상기 nc는 사용자 단말이 해당 행위를 수행한 의류 품목의 개수이고, 상기 Actij는 i번째 의류 품목에 대한 사용자 단말의 j번째 행위에 대한 정규화된 행위 값일 수 있다.
이를 통해, 서버는 사용자 단말의 활동 종류에 따른 비중을 고려한 가중치를 정확하게 반영하여 활동 벡터를 생성할 수 있다.
예를 들어, 하나 이상의 제2 히든 레이어(420)는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.
예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.
예를 들어, 입력 게이트(422), 삭제 게이트(421) 및 출력 게이트(423)는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트(422), 삭제 게이트(421) 및 출력 게이트(423)를 통해 셀 스테이트(424)가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 활동 벡터가 상기 제2 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 활동 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다.
예를 들어, 상기 입력 게이트(422)는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트(424)에 저장시킬 수 있다. tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 셀 스테이트(424)에 대해 상기 ft를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다.
예를 들어, 출력 게이트(423)는 시그모이드 레이어에서 구매 활동 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트(423)는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다.
예를 들어, LSTM 모델은 상기 삭제 게이트(421)와 상기 입력 게이트(422)가 합쳐진 LSTM 모델일 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.
일 실시예에 따르면, 인터페이스 설정 모델은 복수의 활동 벡터 및 복수의 정답 의류 품목별 노출 순서로 구성된 각각의 학습 데이터를 기반으로 학습될 수 있다. 예를 들어, 인터페이스 설정 모델은 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하는 상술한 다변량 LSTM 모델일 수 있다. 복수의 활동 벡터 및 복수의 정답 의류 품목별 노출 순서로 구성된 각각의 학습 데이터가 인터페이스 설정 모델의 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 인터페이스 설정 모델의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 인터페이스 설정 모델을 학습시키기 위한, 복수의 활동 벡터 및 상기 복수의 활동 벡터 각각에 대한 정답 의류 품목별 노출 순서가 상기 서버에 사전 저장될 수 있다. 이때, 각각의 활동 벡터에는 상술한 시간 가중치 및 행위 가중치가 적용되고, 시간 가중치 및 행위 가중치가 적용된 활동 벡터 각각의 요소를 합산한 값이 큰 의류 품목일수록 노출 순서에 대한 값이 상위 값으로 결정될 수 있다. 노출 순서에 대한 값은 1부터 n까지의 값일 수 있고, n의 의류 품목의 개수일 수 있다. 예를 들어, 노출 순서에 대한 값은 가장 먼저 노출되는 의류 품목인 경우, 1 값을 가지며, 노출되는 순서가 후순위일수록 큰 값을 가질 수 있다.
따라서, 서버는 인터페이스 설정 모델을 통해 사용자 단말의 활동을 분석하여 사용자 단말에게 적합한 인터페이스를 제공할 수 있다.
일 실시예에 따르면, 가상 의류 생성 모델은 복수의 활동 벡터 및 복수의 정답 의류 품목별 가상 의류에 대한 설정 정보로 구성된 각각의 학습 데이터를 기반으로 학습될 수 있다. 예를 들어, 가상 의류 생성 모델은 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함하는 상술한 다변량 LSTM 모델일 수 있다. 복수의 활동 벡터 및 복수의 정답 의류 품목별 가상 의류에 대한 설정 정보로 구성된 각각의 학습 데이터가 가상 의류 생성 모델의 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 가상 의류 생성 모델의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 가상 의류 생성 모델을 학습시키기 위한, 복수의 활동 벡터 및 상기 복수의 활동 벡터 각각에 대한 정답 의류 품목별 가상 의류에 대한 설정 정보가 상기 서버에 사전 저장될 수 있다. 각각의 활동 벡터에는 상술한 시간 가중치 및 행위 가중치가 적용될 수 있다. 예를 들어, 학습 데이터로 사용되는 하나의 활동 벡터마다 정답 가상 의류에 대한 설정 정보가 매칭될 수 있다. 정답 가상 의류에 대한 설정 정보는 가상 의류와 관련된 크기에 대한 값, 가상 의류와 관련된 해상도에 대한 값, 가상 의류와 관련된 조도에 대한 값, 가상 의류와 관련된 휘도에 대한 값, 가상 의류와 관련된 색온도에 대한 값을 포함할 수 있다.
예를 들어, 가상 채팅 공간이 생성되기 이전인 경우, 활동 벡터 각각의 요소를 합산한 값이 큰 의류 품목일수록 가상 의류와 관련된 크기에 대한 값, 가상 의류와 관련된 해상도에 대한 값, 가상 의류와 관련된 조도에 대한 값, 가상 의류와 관련된 휘도에 대한 값이 큰 값으로 결정되고, 가상 의류와 관련된 색온도에 대한 값은 작은 값으로 결정될 수 있다. 예를 들어, 가상 채팅 공간에 생성된 아바타의 수가 사전 설정된 값을 초과한 경우, 가상 채팅 공간이 생성된 시점부터 아바타의 개수가 사전 설정된 개수를 초과한 시점동안 가상 채팅 공간 내 복수의 아바타에 대한 정보를 획득하여, 복수의 활동 벡터 및 복수의 정답 의류 품목별 가상 의류에 대한 설정 정보를 학습 데이터에 추가할 수 있다. 여기서, 아바타에 대한 정보는 해당 아바타에 대응하는 사용자 단말의 활동 벡터 및 해당 아바타가 착용한 가상 의류에 대한 설정 정보를 포함할 수 있다. 사전 설정된 값은 학습 데이터를 확보하기 위해 필요한 최소 값으로, 예를 들어, 5000일 수 있다.
따라서, 서버는 가상 의류 생성 모델을 통해 서버에 등록된 사용자 단말의 활동을 분석하여 사용자 단말의 흥미를 유발하도록 가상 의류를 가상 채팅 공간에 구현시킬 수 있다.
도 5는 일 실시예에 따라 서버가 뉴럴 네트워크를 이용하여 의류 이미지를 검색하는 기능을 포함하는 인터페이스를 제공하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 사용자 단말로부터 웹 페이지에 대한 접속 요청 메시지를 수신할 수 있다.
예를 들어, 서버는 접속 요청 메시지에 포함된 사용자 단말의 식별 정보에 기반하여 사용자 단말에 대한 정보를 획득할 수 있다.
단계 S502에서, 서버는 사용자 단말에 대한 정보에 기반하여 실시간 채팅 기능 및 의류 검색 기능을 포함하는 인터페이스를 사용자 단말에게 제공할 수 있다.
예를 들어, 인터페이스는 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용하는 인터페이스 설정 모델을 통해 사용자 단말에 대해 설정될 수 있다.
예를 들어, 실시간 채팅 기능을 통해 사용자 단말의 채팅 정보가 획득될 수 있다. 사용자 단말의 채팅 정보는 사용자 단말이 서버에 등록된 이후부터 서버가 접속 요청 메시지를 수신한 시점 전까지 실시간 채팅 기능을 통해 수행한 채팅 정보일 수 있다.
단계 S503에서, 서버는 인터페이스를 통해 사용자 단말로부터 제1 의류 이미지를 수신할 수 있다.
예를 들어, 서버는 제1 의류 이미지에 기반하여 바이너리 트리 기반의 CNN을 이용하는 이미지 검색 모델을 통해 사전 설정된 개수의 유사 이미지를 결정할 수 있다. 바이너리 트리 기반의 CNN을 이용하는 이미지 검색 모델은 CNN 모델과 바이너리 트리 모델을 포함할 수 있고, 제1 의류 이미지가 상기 CNN 모델에 입력되는 것에 기반하여 상기 제1 의류 이미지와 유사한 제2 의류 이미지가 결정될 수 있다. 이후, 바이너리 트리 모델에서 제2 의류 이미지에 대응하는 서브 공간이 결정될 수 있다.
단계 S504에서, 서버는 제1 의류 이미지와 유사한 제2 의류 이미지가 포함된 서브 공간에서 사전 설정된 유사도보다 큰 유사도를 가진 의류 이미지의 개수가 사전 설정된 개수 이상인지 여부를 결정할 수 있다.
예를 들어, 유사도는 벡터 사이의 유클리드 거리, 맨하튼 거리, 코사인 거리, 해밍 거리 중 적어도 하나의 값으로 결정될 수 있다.
부가적으로, 예를 들어, 사전 설정된 개수는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 Nth는 상기 사전 설정된 개수이고, 상기 는 사용자 단말의 활동 벡터에 따른 가중치이고, 상기 um은 상기 서버에 연결 가능한 사용자 단말의 최대 개수이고, 상기 ua은 상기 서버에 연결되는 사용자 단말의 평균 개수이고, 상기 tr은 상기 서버에 연결된 사용자 단말에 대한 평균 응답시간이고, 상기 ti는 권장 응답시간이고, 상기 RSRP는 상기 사용자 단말의 통신 상태와 관련된 값이고, 상기 RSRPi는 통신 상태와 관련된 값에 대한 권장 값이고, 상기 N1은 상기 사전 설정된 제1 개수일 수 있다.
예를 들어, 서버에 연결 가능한 사용자 단말의 최대 개수, 권장 응답시간, 통신 상태와 관련된 값에 대한 권장 값 및 기본 개수는 상기 서버에 사전 저장된 값일 수 있다. 예를 들어, 기본 개수는 3개 이상의 값으로 설정될 수 있다. 예를 들어, 서버에 연결된 사용자 단말에 대한 평균 응답시간 및 서버에 연결되는 사용자 단말의 평균 개수는 사전 설정된 주기마다 측정된 값일 수 있다
예를 들어, 사용자 단말의 활동 벡터에 따른 가중치는 0보다 크고 1보다 작은 값이다. 사용자 단말의 활동 벡터를 구성하는 각각의 요소를 합산한 값을 의류 품목 별로 평균한 값이 클수록 가중치가 크게 결정될 수 있다. RSRP(reference signal received power)는 단말의 통신 상태를 나타내는 값으로, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 단말의 통신 상태가 불량한 것으로 결정될 수 있다.
예를 들어, min 함수는 괄호 안의 두 값 중에서 더 작은 값을 결정하는 함수이다. 예를 들어, ceil 함수는 괄호 안의 값에서 소수점 자리를 생략하고, 다음 정수 값으로 결정하는 함수이며, 올림 함수일 수 있다.
이를 통해, 서버는 사용자 단말의 활동 뿐만 아니라 서버의 성능, 사용자 단말과의 통신 상태를 고려하여 사전 설정된 개수를 조정함으로써, 복수의 사용자 단말들이 동시에 접속하는 상황에서 의류 검색 기능을 원활하게 수행할 수 있다.
단계 S505에서, 의류 이미지의 개수가 사전 설정된 개수 미만인 경우, 서버는 사전 설정된 유사도를 사전 설정된 값만큼 감소시킬 수 있다.
단계 S506에서, 의류 이미지의 개수가 사전 설정된 개수 이상인 경우, 서버는 사전 설정된 개수의 유사 이미지에 대한 정보를 사용자 단말에게 전송할 수 있다.
단계 S507에서, 서버는 사용자 단말로부터 실시간 채팅 기능을 통해 가상 채팅 공간에 대한 참여를 요청하는 참여 요청 메시지를 수신할 수 있다.
예를 들어, 서버는 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용한 가상 의류 생성 모델을 통해 가상 의류에 대한 설정 정보를 결정할 수 있다.
예를 들어, 서버는 의류 품목별 가상 의류에 대한 설정 정보에 따라 가상 채팅 공간에 의류 품목별로 가상 의류를 생성할 수 있다.
단계 S508에서, 서버는 참여 요청 메시지에 기반하여 생성적 적대 신경망 기반의 아바타 생성 모델을 통해 사용자 단말의 아바타를 생성하고, 생성된 아바타의 초기 위치를 결정할 수 있다.
예를 들어, 참여 요청 메시지는 사용자와 관련된 이미지를 포함할 수 있다. 사용자와 관련된 이미지는 사용자를 촬영한 사진 또는 사용자에 대한 그림을 포함할 수 있다.
구체적으로, 예를 들어, 아바타 생성 모델은 참여 요청 메시지에 포함된 사용자와 관련된 이미지에 기반하여 아바타를 생성할 수 있다. 이때, 서버는 하나의 이미지를 이용하여 고품질의 아바타를 생성할 수 있다.
구체적으로, 아바타 생성 모델은 백본 네트워크로 비지도 학습만으로도 데이터 분포를 효과적으로 분리하여 잠재 벡터(latent vector)를 구성하고, 디스인탱글(disentangle)된 잠재 벡터로부터 고품질의 아바타를 생성하는 StyleGAN2를 사용할 수 있다. 또한, 아바타 생성 모델은 스타일 트랜스퍼(style transfer)를 사용하는 AdaIN(adaptive instance normalization)의 네트워크 구조로 구성될 수 있다. 여기서, 스타일 트랜스퍼는 제1 이미지에서 컨텐츠를 추출하고, 제2 이미지에서 스타일을 추출하여, 스타일과 컨텐츠를 합성하는 방식을 의미한다. 예를 들어, 아바타 생성 모델은 VGG(Visual Geometry Group) 인코더, AdaIN 레이어, 디코더로 구성되는 스타일 트랜스퍼 네트워크일 수 있다. 여기서, VGG 인코더는 컨벌루션 레이어와 풀링 레이어로 구성되는 기본적인 CNN이며, 16층의 레이어 또는 19층의 레이어로 구성될 수 있다. 예를 들어, 아바타 생성 모델의 AdaIN 레이어는 특징 공간(feature space)에서 하기 수학식 4를 통해 컨텐츠를 포함하는 제1 이미지에서 제1 이미지의 스타일을 빼고, 제2 이미지의 스타일을 합성할 수 있다.
상기 수학식 4에서, 상기 σ(x)는 스타일을 포함한 제2 이미지에 대한 평균이고, 상기 σ(y)는 스타일을 포함한 제2 이미지에 대한 표준 편차이고, 상기 μ(x)는 컨텐츠를 포함한 제1 이미지에 대한 평균이고, 상기 μ(y)는 컨텐츠를 포함한 제1 이미지에 대한 표준 편차일 수 있다.
예를 들어, AdaIN 레이어를 통해 생성되는 특징 t는 하기의 수학식 3에 의해 결정될 수 있다.
상기 수학식 5에서, 상기 f(c)함수는 컨텐츠를 포함한 제1 이미지가 VGG 인코더에 입력된 것을 나타내는 함수이고, 상기 f(s)는 스타일을 포함한 제2 이미지가 VGG 인코더에 입력된 것을 나타내는 함수일 수 있다.
이후, VGG 인코더를 통해 인코딩된 두 특징 맵을 랜덤하게 초기화된 디코더에 입력시켜, 디코더를 학습시킴으로써, 디코더는 스타일이 합성된 이미지 T(c, s)가 생성할 수 있다.
즉, 서버는 사용자와 관련된 이미지를 제1 이미지로 설정하고, 아바타를 생성하기 위해 필요한 이미지를 제2 이미지로 설정함으로써, 아바타 생성 모델을 통해 사용자와 관련된 이미지에 제2 이미지의 스타일을 합성할 수 있다. 서버는 합성된 이미지를 기반으로 사용자 단말의 아바타를 생성할 수 있다. 예를 들어, 사용자 단말의 아바타는 사전 설정된 픽셀 값으로 생성될 수 있다. 여기서, 사전 설정된 픽셀 값은 추모 대상에 대한 아바타를 구현하기 위한 픽셀 값으로, 서버에 사전 설정될 수 있다.
부가적으로, 예를 들어, 아바타의 초기 위치는 사용자 단말이 가장 최근 검색한 제1 의류 이미지에 매칭된 디스플레이 공간일 수 있다. 여기서, 가장 최근 검색한 제1 의류 이미지에 매칭된 디스플레이 공간은 해당 제1 의류 이미지와 유사한 제2 의류 이미지가 포함된 서브 공간에 대응하는 가상 채팅 공간 내 디스플레이 공간일 수 있다. 즉, 바이너리 트리 모델에서 생성된 복수의 서브 공간 각각이 가상 채팅 공간의 디스플레이 공간으로 결정되고, 사용자 단말의 아바타는 가장 최근 검색한 제1 의류 이미지에 매칭되는 디스플레이 공간에 배치될 수 있다. 이를 통해, 사용자 단말이 최근 검색한 의류 이미지를 가상 채팅 공간에서 바로 확인할 수 있게 설정하여, 사용자 단말의 의류 검색 기능에 대한 활용도를 높일 수 있다.
단계 S509에서, 서버는 가상 채팅 공간에 접속하기 위한 링크를 포함하는 초대 메시지를 사용자 단말에게 전송할 수 있다.
단계 S510에서, 서버는 사용자 단말에 대한 사전 설정된 이벤트 조건의 만족 여부를 결정할 수 있다.
예를 들어, 사용자 단말의 아바타가 가상 채팅 공간에서 체류한 시간이 사전 설정된 시간 이상이고, 사용자 단말의 아바타가 착용한 가상 의류의 종류의 개수가 사전 설정된 값 이상이고, 사용자 단말의 아바타가 착용한 가상 의류에 대응하는 의류 품목을 구매한 횟수가 각각 사전 설정된 횟수 이상인 경우, 서버는 사용자 단말이 사전 설정된 이벤트 조건을 만족한 것으로 결정할 수 있다.
단계 S511에서, 사용자 단말이 사전 설정된 이벤트 조건을 만족한 경우, 서버는 사용자 단말의 아바타에 대한 이미지를 기반으로 NFT(non-fungible token) 를 생성하고, 생성된 NFT에 대한 양도 메시지를 사용자 단말에게 전송할 수 있다. 여기서, 양도 메시지는 생성된 NFT를 사용자 단말이 양수할 것인지 여부를 확인하기 위한 메시지이며, 사용자 단말의 아바타에 대한 이미지를 포함할 수 있다. 사용자 단말의 아바타에 대한 이미지는 착용 빈도 수가 가장 높은 가상 의류를 착용한 아바타에 대한 이미지일 수 있다.
NFT는 대체 불가능한 토큰으로, 블록체인 네트워크를 기반으로 사용되는 토큰일 수 있다. 예를 들어, NFT의 소유권 기록과 거래 이력 정보는 탈중앙화 데이터 베이스 또는 분산 원장에 저장될 수 있다. 예를 들어, 블록체인 네트워크에는 특정 조건이 충족될 때 자동으로 실행되는 프로그램 코드인 스마트 계약(contract)이 존재할 수 있다. 이러한 스마트 계약을 통해서 토큰의 기능을 정의하고 발행할 수 있다. NFT를 발행하는 블록체인 네트워크는 디지털화, 저장, 서명, 발행, 확인 등 기능별로 최소한의 프로토콜을 정의할 수 있다. 예를 들어, 서버는 프로토콜을 통해, NFT의 소유자, NFT의 거래 내역 및 NFT의 발행 시점을 확인할 수 있고, 적합한 포맷으로 로우 데이터(raw data)를 디지털 정보로 전환할 수 있게 할 수 있다. 예를 들어, 서버는 프로토콜을 통해 블록체인 네트워크 외부의 데이터베이스에 로우 데이터를 저장하고, 가스, 즉, 수수료를 소비하는 명령을 통해 로우 데이터를 블록체인 네트워크 내부에 저장할 것을 결정하게 할 수 있다. 예를 들어, 서버는 프로토콜을 통해 NFT을 거래한 거래내역에 서명하고, 스마트 계약에 거래내역을 전송하게 할 수 있다. 예를 들어, 서버는 프로토콜을 통해 스마트 계약에 NFT에 대한 데이터가 담긴 내역을 받아 NFT의 수량을 관리할 수 있다. 예를 들어, NFT의 내부 기능은 토큰 표준에서 정의될 수 있다. 예를 들어, NFT 발행 프로세스는 한 번 거래내역이 확인되면 완료되고, 영속적인 증거(Proof)로서 유일한 블록체인 주소와 연결될 수 있다.
예를 들어, 사용자 단말이 사전 설정된 이벤트 조건을 만족한 경우, 서버는 사용자 단말의 아바타에 대한 이미지를 포함하는 NFT 발행 요청 메시지를 블록체인 네트워크에 전송할 수 있다. 블록체인 네트워크의 스마트 계약에 의해 NFT 발행 요청 메시지를 기반으로 사용자 단말에 대한 NFT와 관련된 내역이 기록될 수 있다. 서버는 블록체인 네트워크로부터 발행 완료 메시지를 수신할 수 있다. NFT와 관련된 내역은 NFT의 소유자, NFT의 소유권 변경 여부 및 NFT의 거래 내역을 포함할 수 있다. 예를 들어, NFT의 소유자는 사용자 단말에 대한 식별 정보에 따라 기록될 수 있다. NFT의 거래 내역은 NFT를 거래한 금액, NFT를 거래한 날짜 및 시간이 기록될 수 있다.
서버는 사용자 단말로부터 양수 메시지를 수신한 것에 기반하여 NFT 소유권 변경 요청 메시지를 블록체인 네트워크에 전송할 수 있다. 블록체인 네트워크의 스마트 계약에 의해 NFT 소유권 변경 메시지를 기반으로 사용자 단말에 대한 NFT와 관련된 내역에서 NFT 소유자가 변경될 수 있다. 서버는 블록체인 네트워크로부터 변경 완료 메시지를 수신할 수 있다.
부가적으로, 예를 들어, NFT를 양수한 사용자 단말의 인터페이스는 탐색 메뉴에 새로운 의류 품목이 설정될 수 있다.
단계 S512에서, 사용자 단말이 사전 설정된 이벤트 조건을 만족하지 못한 경우, 서버는 사전 설정된 이벤트 조건에 대한 안내 메시지를 전송할 수 있다. 사전 설정된 이벤트 조건에 대한 안내 메시지는 사전 설정된 이벤트 조건을 달성하기 위한 정보를 안내하는 메시지일 수 있다.
이를 통해, 사용자 단말에게 의류 검색 기능의 활용을 촉진시킬 수 있으며, 이벤트 조건을 통해 사용자에게 다양한 경험을 제공할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 포함하는 전체적인 시스템에 대한 도면이다. 도 7은 일 실시예에 따른 서버에 의해 제공되는 인터페이스를 나타낸 도면이다. 도 8은 일 실시예에 따른 서버에 의해 제공되는 의류 검색 기능을 나타낸 도면이다. 도 9는 일 실시예에 따른 서버에 의해 제공되는 이미지 생성 방식을 나타낸 도면이다. 도 10은 일 실시예에 따른 서버에 의해 의류 이미지에서 객체를 탐지하는 방식을 나타낸 도면이다. 도 6 내지 도 10의 일 실시예들은 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. 서버가 뉴럴 네트워크(neural network)를 이용하여 의류 이미지를 검색하는 기능을 포함하는 인터페이스를 제공하는 방법에 있어서,
    사용자 단말로부터 웹 페이지에 대한 접속 요청 메시지를 수신하는 단계;
    상기 접속 요청 메시지는 사용자 단말의 식별 정보를 포함하고,
    상기 사용자 단말의 식별 정보에 기반하여 사용자 단말에 대한 정보를 획득하는 단계;
    상기 사용자 단말에 대한 정보에 기반하여 실시간 채팅 기능 및 의류 검색 기능을 포함하는 인터페이스를 상기 사용자 단말에게 제공하는 단계;
    상기 인터페이스를 통해 상기 사용자 단말로부터 제1 의류 이미지를 수신하는 단계;
    상기 제1 의류 이미지에 기반하여 바이너리 트리 기반의 CNN(convolutional neural network)을 이용하는 이미지 검색 모델을 통해 사전 설정된 개수의 유사 이미지를 결정하는 단계;
    상기 사전 설정된 개수의 유사 이미지에 대한 정보를 상기 사용자 단말에게 전송하는 단계;
    상기 사용자 단말로부터 상기 실시간 채팅 기능을 통해 가상 채팅 공간에 대한 참여를 요청하는 참여 요청 메시지를 수신하는 단계;
    상기 사용자 단말에 대한 정보 및 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용한 가상 의류 생성 모델을 통해 가상 의류에 대한 설정 정보를 결정하는 단계; 및
    상기 가상 채팅 공간에 접속하기 위한 링크를 포함하는 초대 메시지를 상기 사용자 단말에게 전송하는 단계를 포함하되,
    상기 바이너리 트리 기반의 CNN을 이용하는 이미지 검색 모델은 CNN 모델과 바이너리 트리 모델을 포함하고,
    상기 제1 의류 이미지가 상기 CNN 모델에 입력되는 것에 기반하여 상기 제1 의류 이미지와 유사한 제2 의류 이미지가 결정된 후, 상기 바이너리 트리 모델에서 상기 제2 의류 이미지에 대응하는 서브 공간이 결정되고,
    상기 사전 설정된 개수의 유사 이미지는 상기 서브 공간에 포함된 의류 이미지 중에서 상기 제2 의류 이미지에 대한 유사도가 사전 설정된 유사도보다 큰 값을 가지는 의류 이미지와 상기 제2 의류 이미지를 포함하고,
    상기 실시간 채팅 기능을 통해 상기 사용자 단말의 채팅 정보가 획득되고,
    상기 인터페이스는 상기 사용자 단말에 대한 정보 및 상기 사용자 단말의 채팅 정보를 기반으로 뉴럴 네트워크를 이용하는 인터페이스 설정 모델을 통해 상기 사용자 단말에 대해 설정되고,
    상기 사용자 단말에 대한 정보는 개인 정보, 온라인 활동 정보, 검색 정보 및 구매 정보를 포함하고,
    상기 사용자 단말의 채팅 정보는 일반 대화 정보 및 문의 정보를 포함하고,
    상기 사용자 단말에 대한 정보 및 상기 사용자 단말의 채팅 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 활동 벡터가 생성되고,
    상기 활동 벡터는 의류 품목별 검색 횟수에 대한 값, 의류 품목별 구매 횟수에 대한 값, 의류 품목별 클릭 횟수와 관련된 값, 의류 품목별 문의 횟수와 관련된 값, 의류 품목별 언급 횟수와 관련된 값, 의류 품목별 SNS(social network service) 업로드 횟수와 관련된 값, 의류 품목별 링크 공유 횟수와 관련된 값 및 의류 품목별 체류 시간과 관련된 값을 포함하고,
    상기 시간 가중치는 상기 사용자 단말이 최근에 수행한 특정 활동에 대해 더 큰 값으로 설정되고,
    상기 행위 가중치는 상기 사용자 단말의 정규화된 행위 값에 기반하여 비율이 큰 활동일수록 더 큰 값으로 설정되고,
    상기 사용자 단말의 정규화된 행위 값은 상기 사용자 단말의 활동을 최댓값과 최솟값을 갖는 행위와 불린(boolean) 값을 갖는 행위로 분류하여 결정되고,
    상기 최댓값과 최솟값을 갖는 행위가 정규화된 행위 값은 실제 행위 값에서 최솟값을 뺀 값을 최댓값에서 최솟값을 뺀 값으로 나눈 값으로 결정되고,
    상기 활동 벡터가 상기 인터페이스 설정 모델에 입력되는 것에 기반하여 의류 품목별 노출 순서가 결정되고,
    상기 의류 품목별 노출 순서에 따라 상기 사용자 단말에 대한 상기 인터페이스가 설정되고,
    상기 사용자 단말에 연결된 헤드마운트 디스플레이를 통해 VR(virtual reality) 기반 가상 경험 프로그램을 기반으로 가상 채팅 공간에 접속되고,
    상기 가상 의류에 대한 설정 정보에 기반하여 상기 가상 채팅 공간에 가상 의류가 생성되는,
    방법.
  2. 제 1항에 있어서,
    상기 CNN 모델은 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
    복수의 검색 의류 이미지, 복수의 의류 이미지 및 복수의 정답 유사도로 구성된 각각의 학습 데이터는 상기 CNN 모델의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 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 CNN 모델의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되고,
    상기 복수의 의류 이미지에 데이터 전처리를 통해 상기 복수의 의류 이미지 각각에 대한 태그 벡터가 생성되고,
    상기 태그 벡터는 품목과 관련된 값, 색상과 관련된 값, 소재와 관련된 값 및 가격에 대한 값을 포함하고,
    복수의 태그 벡터로 구성된 벡터 공간에 대해 바이너리 트리 생성 동작이 수행되고, 상기 바이너리 트리 생성 동작은 상기 벡터 공간에서 임의의 두 벡터가 선택되고, 상기 두 벡터 사이의 초평면(hyperplane)으로 상기 벡터 공간이 서브 공간으로 분류되고, 분류된 서브 공간에 포함된 벡터들이 노드로 구성되는 바이너리 트리가 생성되는 동작이고,
    상기 서브 공간에 포함된 벡터의 개수가 사전 설정된 제1 개수를 초과하는 것에 기반하여, 사전 설정된 제2 개수만큼 바이너리 트리가 생성될 때까지 상기 바이너리 트리 생성 동작이 반복 수행되어 상기 바이너리 트리 모델이 결정되는,
    방법.
  3. 삭제
  4. 삭제
  5. 제 1항에 있어서,
    상기 참여 요청 메시지는 사용자와 관련된 이미지를 포함하고,
    상기 사용자와 관련된 이미지에 기반하여 생성적 적대 신경망 기반의 아바타 생성 모델을 통해 상기 사용자 단말의 아바타가 생성되고,
    상기 사용자 단말의 아바타와 상기 가상 채팅 공간에 접속한 외부 단말의 아바타 사이의 인터렉션이 수행되고,
    상기 사전 설정된 개수의 유사 이미지 중에서 하나의 유사 이미지가 사용자 단말에 의해 선택되는 것에 기반하여, 선택된 유사 이미지에 대응하는 가상 의류가 상기 사용자 단말의 아바타에 착용되는,
    방법.

KR1020230072191A 2023-06-05 2023-06-05 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치 KR102591113B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230072191A KR102591113B1 (ko) 2023-06-05 2023-06-05 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230072191A KR102591113B1 (ko) 2023-06-05 2023-06-05 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102591113B1 true KR102591113B1 (ko) 2023-10-20

Family

ID=88514478

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230072191A KR102591113B1 (ko) 2023-06-05 2023-06-05 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102591113B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102434342B1 (ko) * 2022-04-07 2022-08-19 양혁준 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
KR102467890B1 (ko) * 2022-06-20 2022-11-16 주식회사 노트디자인 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102506356B1 (ko) * 2020-08-13 2023-03-03 건국대학교 글로컬산학협력단 코디 추천 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102506356B1 (ko) * 2020-08-13 2023-03-03 건국대학교 글로컬산학협력단 코디 추천 장치 및 방법
KR102434342B1 (ko) * 2022-04-07 2022-08-19 양혁준 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
KR102467890B1 (ko) * 2022-06-20 2022-11-16 주식회사 노트디자인 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
백승훈 외 3인. CNN/ANNOY 기술을 이용한 의류 이미지 유사도 분석. 정보기술아키텍처 연구, 제17권, 제2호, 2020년 6월. 157-165쪽 *

Similar Documents

Publication Publication Date Title
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102437103B1 (ko) 뉴럴 네트워크 기반의 축산물 유통 시스템 및 방법, 축산물 유통 메타버스 플랫폼
KR102582594B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102553152B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
KR20240013020A (ko) 뉴럴 네트워크를 이용하여 보험금 청구와 관련된 정보에 따라 의료기관의 경영 정보를 단말에게 제공하는 방법 및 장치
KR102402848B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102576380B1 (ko) 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템
KR102591113B1 (ko) 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR102437112B1 (ko) 뉴럴 네트워크 기반의 물류 분산 시스템
KR102622114B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102596451B1 (ko) 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치
KR102605447B1 (ko) 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치
KR102644779B1 (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법
KR102501056B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 제공 방법 및 장치
KR102486525B1 (ko) 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102610945B1 (ko) B2b 서비스 통합 관리 방법
KR102493412B1 (ko) 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버
KR102636189B1 (ko) 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102602241B1 (ko) 블록체인 기반의 인공지능 헬스케어 플랫폼 시스템
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102602589B1 (ko) 뉴럴 네트워크를 사용하여 오프라인 팝업 스토어와 관련된 정보를 기반으로 메타버스 팝업 스토어를 관리하는 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