KR102592129B1 - 인공지능에 기반한 사용자 맞춤형 의류 추천시스템 - Google Patents

인공지능에 기반한 사용자 맞춤형 의류 추천시스템 Download PDF

Info

Publication number
KR102592129B1
KR102592129B1 KR1020230060779A KR20230060779A KR102592129B1 KR 102592129 B1 KR102592129 B1 KR 102592129B1 KR 1020230060779 A KR1020230060779 A KR 1020230060779A KR 20230060779 A KR20230060779 A KR 20230060779A KR 102592129 B1 KR102592129 B1 KR 102592129B1
Authority
KR
South Korea
Prior art keywords
clothing
information
data
analysis unit
user
Prior art date
Application number
KR1020230060779A
Other languages
English (en)
Inventor
김동민
Original Assignee
크럼플러코리아 주식회사
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 크럼플러코리아 주식회사 filed Critical 크럼플러코리아 주식회사
Priority to KR1020230060779A priority Critical patent/KR102592129B1/ko
Application granted granted Critical
Publication of KR102592129B1 publication Critical patent/KR102592129B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자로부터 사용자 맞춤형 의류 추천을 위한 데이터를 수집하고, 수집한 데이터를 기반으로 인공지능 모델을 이용하여 의류 정보를 생성하는 관리 서버;를 포함하는, 의류 추천시스템을 개시한다.

Description

인공지능에 기반한 사용자 맞춤형 의류 추천시스템{system for recommending clothing based on artificial intelligence}
본 발명은 인공지능에 기반한 사용자 맞춤형 의류 추천 시스템에 관한 것이다.
인터넷 발달과 더불어 인터넷 쇼핑몰이 호황을 누리고 있다. 인터넷 쇼핑몰은 사용자들이 직접 상점을 방문하지 않고도 컴퓨터와 스마트폰을 통해 인터넷으로 상품을 선택하고, 주문, 결제 및 배송까지 처리하는 것이 가능하여 쇼핑 시간이 절약되고, 손쉽게 여러 가지 상품을 비교할 수 있는 등 많은 이점이 있다.
또한, 온라인 쇼핑몰은 진입장벽이 낮고 적은 비용으로 창업할 수 있는 이점이 있으며, 이와 같은 이유로 인하여 온라인 쇼핑몰은 중소 사업자들이 쉽게 창업할 수 있는 터전으로 각광을 받고 있을 뿐만 아니라, 현재 온라인을 통한 전자상거래는 관련 기술 및 제도적인 보완으로 인해 신뢰성 및 보안성이 보장되고, 믿을 수 있는 상품을 판매하는 판매자 또는 온라인 쇼핑몰 사이트가 생겨남으로써, 온라인 쇼핑몰 사이트를 통한 전자상거래는 사용자들에게 급속도로 보급되고 있다.
다만, 온라인 쇼핑 환경의 보급에도 불구하고 구매자는 여전히 시장의 유행 트렌드를 파악하는데 상당한 노력과 시간을 소비해야 하는 불편이 존재하고, 패션 상품의 경우 실제 매장에 방문하여 착용 모습을 확인하기 전까지는 자신에게 어울리는 상품인지에 대한 정확한 판단이 어렵다는 문제가 존재한다.
따라서, 본 발명은 고객의 니즈를 반영한 체크리스트 데이터를 수집하고, 이를 분석하여 의류 디자인 빅데이터를 생성하고, 인공지능 신경망이 체크리스트와 의류디자인과의 상관관계를 학습하여 고객의 니즈를 반영한 의류 디자인을 추출하는 시스템을 제시하고자 한다.
본 발명의 일측면은 인공지능 신경망에 기반하여 사용자 맞춤형 의류 상품을 추천해주고, 해당 상품을 구매할 수 있도록 연계하는 시스템을 개시한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 시스템은 사용자로부터 사용자 맞춤형 의류 추천을 위한 데이터를 수집하고, 수집한 데이터를 기반으로 인공지능 모델을 이용하여 의류 정보를 생성하는 관리 서버;를 포함한다.
한편, 상기 관리 서버는, 사용자 단말을 통해 사용자로부터 사용자의 신체 사이즈, 체형, 얼굴형, 피부톤, 선호 컬러, 직업, 나이, 선호 스타일 키워드, 선호 스타일 사진, 거주 지역 및 성별 중 적어도 하나 이상을 포함하는 데이터를 입력 받아 수신하는 데이터 수집부;
상기 데이터 수집부에서 획득하는 데이터를 분석하여 아우터, 상의, 이너, 하의 및 슈즈 중 적어도 하나 이상의 조합으로 이루어지는 상기 의류 정보를 복수 개 추출하는 데이터 분석부; 및
상기 데이터 분석부에서 추출하는 의류 정보, 상기 데이터 분석부에서 추출하는 의류 정보에 해당하는 의류를 구매할 수 있는 구매 정보 및 상기 데이터 분석부에서 추출하는 의류 정보에 해당하는 의류를 착용한 인플루언서 정보를 상기 사용자 단말로 전송하는 의류 추천부;를 포함하고,
상기 데이터 분석부는, 상기 데이터 수집부에서 획득하는 데이터를 입력 데이터로 생성하고, 상기 입력 데이터에 대하여 의류 정보 출력을 위해 학습된 인공 신경망에 상기 입력 데이터를 입력하고, 상기 인공 신경망으로부터 출력 데이터를 획득하고, 상기 출력 데이터를 사용자 맞춤형 의류 정보로 추출할 수 있다.
한편, 상기 관리 서버는, 상기 사용자 단말로부터 사용자의 옷장을 촬영한 영상을 수신하고, 상기 영상을 분석하여 상기 데이터 분석부에서 추출하는 복수 개의 의류 정보에 대하여 우선순위를 설정하는 영상 분석부;를 더 포함하고,
상기 영상 분석부는, 상기 사용자 단말로부터 수신하는 영상에서 서랍 영역 및 행거 영역을 추출하고, 전체 영상에서 상기 서랍 영역 및 상기 행거 영역의 비율을 산출하고, 상기 서랍 영역의 비율이 상기 행거 영역의 비율보다 임계치 이상으로 크게 산출되는 제1 의류 보관 타입, 상기 서랍 영역의 비율과 상기 행거 영역의 비율의 차이가 소정 범위 이내로 산출되는 제2 의류 보관 타입 및 상기 서랍 영역의 비율이 상기 행거 영역의 비율보다 임계치 미만으로 작게 산출되는 제3 의류 보관 타입 중 어느 하나의 의류 보관 타입을 예측하고, 상기 데이터 분석부에서 추출하는 복수 개의 의류 정보 중 사용자의 의류 보관 타입에 해당하는 의류 피스 종류를 포함하는 의류 정보를 최우선 순위로 하여 상기 사용자 단말로 전송할 수 있다.
상술한 본 발명의 일 측면에 따르면, 사용자의 입력 정보에 따라 맞춤형 의류 정보를 제공함으로써 사용자의 올바른 소비를 도울 수 있으며, 나아가 의류 구매 정보를 함께 제공하여 매출 증진의 효과를 기대할 수 있다.
도 1은 본 발명의 일 실시예에 따른 의류 추천시스템의 개념도이다.
도 2는 도 1에 도시된 관리 서버의 개념도이다.
도 3은 본 발명의 다른 실시예에 따른 관리 서버의 제어 블록도이다.
도 4는 본 발명의 또 다른 실시예에 따른 관리 서버의 제어 블록도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 일 실시예에 따른 의류 추천시스템의 개념도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 의류 추천시스템(1)은 관리 서버(100), 사용자 단말(200) 및 네트워크(300)를 포함할 수 있다.
관리 서버(100)는 사용자의 체형, 선호 스타일 등을 분석하여 사용자 맞춤형 의류 추천 서비스를 제공할 수 있다.
관리 서버(100)는 본 발명에 따른 서비스를 제공하기 위한 자체 서버이거나 클라우드 서버일 수도 있고 분산된 노드들의 p2p(peer-to-peer) 집합일 수 있다.
관리 서버(100)는 일반적인 컴퓨터가 갖는 연산, 저장, 참조, 입출력, 제어 기능 중 어느 하나 이상을 수행할 수 있고, 입력 데이터를 바탕으로 후술할 인공 신경망을 포함할 수 있다.
관리 서버(100)는 프로세서 및 메모리를 포함할 수 있다. 프로세서는 본 발명에 따른 의류 추천 서비스를 수행할 수 있고, 이를 수행할 수 있는 장치들을 포함할 수 있다. 프로세서는 프로그램을 실행하거나 관리 서버(100)를 제어할 수도 있다. 프로세서에 의해 실행되는 프로그램 코드는 메모리에 저장될 수 있다. 메모리는 본 발명에 따른 의류 추천 서비스를 수행하기 위한 관련 정보들을 저장하거나 방법을 구현하기 위한 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리거나 비휘발성 메모리일 수 있다.
관리 서버(100)는 네트워크(300)를 이용하여 외부 장치에 데이터를 발신하거나 외부 장치로부터 데이터를 수신할 수 있다.
관리 서버(100)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다.
인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
관리 서버(100)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 사용자 맞춤형 의류 상품을 예측하여 제공할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
사용자 단말(200)은 데스크탑 컴퓨터, 랩탑, 태블릿, 스마트폰 등 네트워크를 통해 데이터를 주고받을 수 있는 단말이면 모두 포함될 수 있다.
사용자 단말(200)은 본 발명에 따른 서비스를 수행하기 위하여 컴퓨터가 가지는 연산 기능, 저장 기능, 참조 기능, 입출력 기능, 제어 기능 중 어느 하나 이상을 포함할 수 있다.
사용자 단말(200)은 본 발명에 따른 서비스를 제공받기 위하여 웹사이트에 접속하거나 애플리케이션을 설치할 수 있다. 사용자 단말(200)은 웹사이트 또는 애플리케이션을 통하여 데이터를 주고받을 수 있다.
네트워크(300)는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다.
네트워크(300)가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크(300)는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다.
네트워크(300)는 관리 서버(100) 및 사용자 단말(200) 간의 신호 및 데이터를 상호 전달하는 역할을 할 수 있다.
도 2는 도 1에 도시된 관리 서버의 개념도이다.
도 2를 참조하면, 관리 서버(100)는 데이터 수집부(110), 데이터 분석부(120) 및 의류 추천부(130)를 포함할 수 있다.
데이터 수집부(110)는 사용자 맞춤형 의류 추천을 위한 데이터를 수집할 수 있다.
데이터 수집부(110)는 사용자 단말(200)을 통해 사용자로부터 사용자의 신체 사이즈, 체형, 얼굴형, 피부톤, 선호 컬러, 직업, 나이, 선호 스타일 키워드, 선호 스타일 사진, 거주 지역, 성별 중 적어도 하나 이상을 포함하는 데이터를 입력 받아 수신할 수 있다.
예를 들면, 데이터 수집부(110)는 데이터 중 체형에 대하여 역삼각 체형, 다이아몬드 체형, 라운드 체형, 스탠다드 체형, 트릭스탠다드 체형, 삼각형 체형, 직사각형 체형 중 어느 하나를 입력받을 수 있다. 또는, 데이터 중 얼굴형에 대하여 계란형, 다이아몬드형, 라운드형, 사각형, 역삼각형, 직사각형 중 어느 하나를 입력받을 수 있다. 또는, 데이터 중 피부톤에 대하여 화이트톤, 피치톤, 옐로우톤, 브라운톤 중 어느 하나를 입력받을 수 있다. 또는, 데이터 중 직업 항목에 대하여 사무직, 영업직, 자영업, 디자인, 개발자, 서비스직, 교육직, 예체능, 학생, 전문직, 무직, 기타(직접입력) 중 어느 하나를 입력받을 수 있다.
데이터 분석부(120)는 데이터 수집부(110)에서 획득하는 데이터를 분석하여 사용자 맞춤형 의류 정보를 추출할 수 있다.
예를 들면, 데이터 분석부(120)는 데이터 수집부(110)에서 수집한 데이터를 기반으로 인공지능 모델을 이용하여 의류 정보를 생성할 수 있다. 여기에서, 의류 정보는 아우터, 상의, 이너, 하의 및 슈즈 중 적어도 하나 이상의 조합으로 이루어질 수 있다. 데이터 분석부(120)는 복수의 의류 정보를 추출할 수 있다.
데이터 분석부(120)는 데이터 수집부(110)에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 의류 정보 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
데이터 분석부(120)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 사용자 맞춤형 의류 정보로 추출할 수 있다.
본 실시예에서 데이터 분석부(120)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 사용자의 신체 사이즈, 체형, 얼굴형, 피부톤, 선호 컬러, 직업, 나이, 선호 스타일 키워드, 선호 스타일 사진, 거주 지역, 성별 중 적어도 하나 이상의 데이터로부터 의류 정보를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023052106766-pat00001
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 사용자의 신체 사이즈, 체형, 얼굴형, 피부톤, 선호 컬러, 직업, 나이, 선호 스타일 키워드, 선호 스타일 사진, 거주 지역, 성별 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 의류 정보를 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. 예를 들면, 사용자 단말(200)로부터 사용자 맞춤형 의류 정보에 대한 평점을 입력 받고, 평점이 임계치 이상이면 보수, 임계치 미만이면 제한을 할당하여 점차 최적화할 수 있다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
의류 추천부(130)는 데이터 분석부(120)에서 추출한 사용자 맞춤형 의류 정보를 사용자 단말(200)로 전송할 수 있다.
의류 추천부(130)는 사용자 맞춤형 의류 정보와 함께 해당 의류 정보를 구매할 수 있는 구매 정보 및 해당 의류를 착용한 인플루언서 정보를 의류 추천 정보로 생성하고, 의류 추천 정보를 사용자 단말(200)로 전송할 수 있다.
이와 같은 본 발명의 일 실시예에 따른 의류 추천 시스템(1)은 사용자의 입력 정보에 따라 맞춤형 의류 정보를 제공함으로써 사용자의 올바른 소비를 도울 수 있으며, 나아가 의류 구매 정보를 함께 제공하여 매출 증진의 효과를 기대할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 관리 서버의 제어 블록도이다.
도 3을 참조하면, 본 실시예에 따른 관리 서버(101)는 데이터 수집부(110), 데이터 분석부(120), 의류 추천부(130) 및 영상 분석부(140)를 더 포함할 수 있다.
데이터 수집부(110), 데이터 분석부(120) 및 의류 추천부(130)에 대한 설명은 상술한 것으로 대체한다.
영상 분석부(140)는 사용자 단말(200)로부터 사용자의 옷장을 촬영한 영상을 수신하고, 영상을 분석하여 데이터 분석부(120)에서 추출하는 복수의 의류 정보에 대하여 우선순위를 정할 수 있다.
영상 분석부(140)는 사용자 단말(200)로부터 수신하는 영상에서 서랍 영역 및 행거 영역을 추출할 수 있다. 영상 분석부(140)는 전체 영상에서 서랍 영역 및 행거 영역의 비율을 산출하고 사용자의 의류 보관 타입을 예측할 수 있다. 예를 들면, 영상 분석부(140)는 서랍 영역의 비율이 행거 영역의 비율보다 임계치 이상으로 크게 산출되는 제1 의류 보관 타입, 서랍 영역의 비율과 행거 영역의 비율의 차이가 소정 범위 이내로 산출되는 제2 의류 보관 타입 및 서랍 영역의 비율이 행거 영역의 비율보다 임계치 미만으로 작게 산출되는 제3 의류 보관 타입 중 어느 하나의 의류 보관 타입을 예측할 수 있다.
영상 분석부(140)는 제1 의류 보관 타입, 제2 의류 보관 타입 및 제3 의류 보관 타입에 맞는 의류 피스 종류를 미리 저장할 수 있다. 예를 들면, 제1 의류 보관 타입은 이너로 매칭되고, 제2 의류 보관 타입은 상의 및 하의로 매칭되고, 제3 의류 보관 타입은 아우터로 매칭될 수 있다.
영상 분석부(140)는 데이터 분석부(120)에서 추출하는 복수의 의류 정보 중 사용자의 의류 보관 타입에 해당하는 의류 피스 종류를 포함하는 의류 정보를 최우선 순위로 하여 사용자 단말(200)로 전송할 수 있다.
[수학식 1]
수학식 1에서 Q1은 데이터 분석부(120)에서 추출하는 복수의 의류 정보에 대한 점수, Ci는 의류 정보에 포함되는 피스의 개수, Pc는 의류 정보의 개수를 의미하고, Q2는 영상 분석부(140)에서 추출하는 최우선순위 의류 정보에 대한 점수, Px는 의류 정보 중 특정 의류 정보에 포함되는 피스, Vx는 의류 정보 중 특정 의류 정보에 포함되는 피스의 개수를 의미한다.
이와 같은 수학식 1을 통해 최우선 순위 의류 정보에 대한 적절성을 파악할 수 있게 되며, 이는 수치화된 값으로 나타내게 된다.
수학식 1에 따르면 단순한 선형 계산에서 벗어나 알고리즘을 통해 패턴 수치를 산출할 수 있도록 하여 신빙성을 높인다.
이와 같은 본 실시예에 따르면 사용자의 의류 보관 방법에 따라 의류를 추천하여 줌으로써 의류 보관을 용이하게 하고, 사용자 만족도를 높일 수 있다.
도 4는 본 발명의 또 다른 실시예에 따른 관리 서버의 제어 블록도이다.
도 4를 참조하면, 본 실시예에 따른 관리 서버(102)는 데이터 수집부(110), 데이터 분석부(120), 의류 추천부(130) 및 영상 분석부(140)에 더하여 인플루언서 분석부(150)를 더 포함할 수 있다.
데이터 수집부(110), 데이터 분석부(120), 의류 추천부(130) 및 영상 분석부(140)에 대한 설명은 상술한 것으로 대체한다.
인플루언서 분석부(150)는 의류 추천부(130)에서 생성하는 인플루언서 정보를 이용하여 데이터 분석부(120)에서 추출하는 사용자 맞춤형 의류 정보를 평가할 수 있다.
예를 들면, 인플루언서 분석부(150)는 데이터 분석부(120)에서 추출하는 사용자 맞춤형 의류 정보에 해당하는 의류를 착용한 인플루언서의 소셜 페이지에서 평가 정보를 추출할 수 있다. 평가 정보는 소셜 페이지의 팔로워수, 전체 게시물의 조회수, 의류를 착용한 게시물의 조회수, 전체 게시물의 댓글 수, 의류를 착용한 게시물의 댓글 수, 전체 게시물 수, 의류를 착용한 게시물을 게시한 기간 등을 포함할 수 있다.
인플루언서 분석부(150)는 평가 정보를 이용하여 산출하는 평가 점수가 기 설정된 기준 점수 이하인 경우, 인공 신경망의 강화 학습에 대하여 보수와 제한을 설정할 수 있다. 예컨대, 평가 점수가 기 설정된 기준 점수 이하인 경우, 제한을 할당하여 최적화할 수 있다. 이와 같은 경우, 사용자의 별다른 평가 점수 없이 객관적인 수치를 이용하여 의류 정보가 최근 트렌드를 반영하여 잘 추출되었는지를 판단할 수 있을 것이다.
예를 들면, 인플루언서 분석부(150)는 아래 수학식 2를 이용하여 평가 점수를 산출할 수 있다.
[수학식 2]
여기서, n은 의류 정보에 포함되는 피스의 개수, m1, m2, m3, m4, m5는 각각 가중치, ATi는 전체 게시물의 조회수, BTi는 의류를 착용한 게시물의 조회수, CTi는 소셜 페이지의 팔로워수, DTi는 의류를 착용한 게시물을 게시한 기간, RTi는 전체 게시물의 댓글 수, Eti는 의류를 착용한 게시물의 댓글 수를 의미한다.
수학식 2에 따르면 단순한 선형 계산에서 벗어나 알고리즘을 통해 패턴화 된 수치를 산출할 수 있도록 하여 신빙성을 높인다.
이와 같은 본 실시예에 따르면 사용자의 별다른 평가 점수 없이 객관적인 수치를 이용하여 의류 정보가 최근 트렌드를 반영하여 잘 추출되었는지를 판단할 수 있을 것이다.
한편, 의류 추천부(130)는 사용자 맞춤형 의류 정보를 구매할 수 있는 구매 정보를 복수 개 추출할 수 있으며, 복수 개의 구매 정보를 아래 수학식 3을 이용하여 정렬하고, 사용자 단말(200)로 전송할 수 있다.
[수학식 3]
수학식 3에서 Sl은 복수의 구매 정보 중 어느 구매 정보의 리스트 점수, Ps는 의류의 평균 구매 가격, Pi는 복수의 구매 정보 중 어느 구매 정보의 구매 가격, Ni는 복수의 구매 정보의 개수, Np는 복수의 구매 정보 중 사용자의 구매 이력이 있는 구매 사이트를 포함하는 구매 정보의 개수, Nhigh는 복수의 구매 정보 중 가장 높은 구매 가격, Nlow는 복수의 구매 정보 중 가장 낮은 구매 가격을 의미한다.
의류 추천부(130)는 수학식 3에 따라 복수의 구매 정보를 정렬하여 제공하되, 평균 가격, 높은 가격, 낮은 가격 및 사용자의 구매 이력 등을 반영하여 점수를 산출하고, 점수가 가장 높은 구매 정보를 최상단에 정렬하여 제공함으로써 사용자 만족도를 높일 수 있으며, 단순한 선형 계산에서 벗어나 알고리즘을 통해 패턴화 된 수치를 산출할 수 있도록 하여 신빙성을 높인다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
1: 의류 추천시스템.
100: 관리 서버
200: 사용자 단말
300: 네트워크

Claims (3)

  1. 사용자로부터 사용자 맞춤형 의류 추천을 위한 데이터를 수집하고, 수집한 데이터를 기반으로 인공지능 모델을 이용하여 의류 정보를 생성하는 관리 서버;를 포함하고,
    상기 관리 서버는,
    사용자 단말을 통해 사용자로부터 사용자의 신체 사이즈, 체형, 얼굴형, 피부톤, 선호 컬러, 직업, 나이, 선호 스타일 키워드, 선호 스타일 사진, 거주 지역 및 성별 중 적어도 하나 이상을 포함하는 데이터를 입력 받아 수신하는 데이터 수집부;
    상기 데이터 수집부에서 획득하는 데이터를 분석하여 아우터, 상의, 이너, 하의 및 슈즈 중 적어도 하나 이상의 조합으로 이루어지는 상기 의류 정보를 복수 개 추출하는 데이터 분석부; 및
    상기 데이터 분석부에서 추출하는 의류 정보, 상기 데이터 분석부에서 추출하는 의류 정보에 해당하는 의류를 구매할 수 있는 구매 정보 및 상기 데이터 분석부에서 추출하는 의류 정보에 해당하는 의류를 착용한 인플루언서 정보를 상기 사용자 단말로 전송하는 의류 추천부;를 포함하고,
    상기 데이터 분석부는,
    상기 데이터 수집부에서 획득하는 데이터를 입력 데이터로 생성하고, 상기 입력 데이터에 대하여 의류 정보 출력을 위해 학습된 인공 신경망에 상기 입력 데이터를 입력하고, 상기 인공 신경망으로부터 출력 데이터를 획득하고, 상기 출력 데이터를 사용자 맞춤형 의류 정보로 추출하고,
    상기 관리 서버는,
    상기 사용자 단말로부터 사용자의 옷장을 촬영한 영상을 수신하고, 상기 영상을 분석하여 상기 데이터 분석부에서 추출하는 복수 개의 의류 정보에 대하여 우선순위를 설정하는 영상 분석부;를 더 포함하고,
    상기 영상 분석부는,
    상기 사용자 단말로부터 수신하는 영상에서 서랍 영역 및 행거 영역을 추출하고, 전체 영상에서 상기 서랍 영역 및 상기 행거 영역의 비율을 산출하고, 상기 서랍 영역의 비율이 상기 행거 영역의 비율보다 임계치 이상으로 크게 산출되는 제1 의류 보관 타입, 상기 서랍 영역의 비율과 상기 행거 영역의 비율의 차이가 소정 범위 이내로 산출되는 제2 의류 보관 타입 및 상기 서랍 영역의 비율이 상기 행거 영역의 비율보다 임계치 미만으로 작게 산출되는 제3 의류 보관 타입 중 어느 하나의 의류 보관 타입을 예측하고, 상기 데이터 분석부에서 추출하는 복수 개의 의류 정보 중 사용자의 의류 보관 타입에 해당하는 의류 피스 종류를 포함하는 의류 정보를 최우선 순위로 하여 상기 사용자 단말로 사용자 단말로 전송하고,
    상기 의류 추천부는,
    의류 정보를 구매할 수 있는 구매 정보를 복수 개 추출하고, 아래 수학식 1을 이용하여 복수 개의 구매 정보 각각의 리스트 점수를 산출하고, 리스트 점수에 따라 복수 개의 구매 정보를 정렬하여 상기 사용자 단말로 전송하고,
    [수학식 1]

    (수학식 1에서 Sl은 복수의 구매 정보 중 어느 구매 정보의 리스트 점수, Ps는 의류의 평균 구매 가격, Pi는 복수의 구매 정보 중 어느 구매 정보의 구매 가격, Ni는 복수의 구매 정보의 개수, Np는 복수의 구매 정보 중 사용자의 구매 이력이 있는 구매 사이트를 포함하는 구매 정보의 개수, Nhigh는 복수의 구매 정보 중 가장 높은 구매 가격, Nlow는 복수의 구매 정보 중 가장 낮은 구매 가격을 의미한다.)
    상기 관리 서버는,
    상기 의류 추천부에서 생성하는 인플루언서 정보를 이용하여 상기 데이터 분석부에서 추출하는 사용자 맞춤형 의류 정보를 평가하는 인플루언서 분석부;를 더 포함하고,
    상기 인플루언서 분석부는,
    상기 데이터 분석부에서 추출하는 사용자 맞춤형 의류 정보에 해당하는 의류를 착용한 인플루언서의 소셜 페이지에서 소셜 페이지의 팔로워수, 전체 게시물의 조회수, 의류를 착용한 게시물의 조회수, 전체 게시물의 댓글 수, 의류를 착용한 게시물의 댓글 수, 전체 게시물 수 및 의류를 착용한 게시물을 게시한 기간을 포함하는 평가 정보를 추출하고, 상기 평가 정보를 아래 수학식 2에 적용하여 평가 점수를 산출하고, 상기 평가 점수가 기 설정된 기준 점수 이하인 경우, 인공 신경망의 강화 학습에 대하여 보수와 제한을 설정하는, 의류 추천시스템.
    [수학식 2]

    (수학식 2에서 n은 의류 정보에 포함되는 피스의 개수, m1, m2, m3, m4, m5는 각각 가중치, ATi는 전체 게시물의 조회수, BTi는 의류를 착용한 게시물의 조회수, CTi는 소셜 페이지의 팔로워수, DTi는 의류를 착용한 게시물을 게시한 기간, RTi는 전체 게시물의 댓글 수, Eti는 의류를 착용한 게시물의 댓글 수를 의미한다.)

  2. 삭제
  3. 삭제
KR1020230060779A 2023-05-10 2023-05-10 인공지능에 기반한 사용자 맞춤형 의류 추천시스템 KR102592129B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230060779A KR102592129B1 (ko) 2023-05-10 2023-05-10 인공지능에 기반한 사용자 맞춤형 의류 추천시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230060779A KR102592129B1 (ko) 2023-05-10 2023-05-10 인공지능에 기반한 사용자 맞춤형 의류 추천시스템

Publications (1)

Publication Number Publication Date
KR102592129B1 true KR102592129B1 (ko) 2023-10-23

Family

ID=88508440

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230060779A KR102592129B1 (ko) 2023-05-10 2023-05-10 인공지능에 기반한 사용자 맞춤형 의류 추천시스템

Country Status (1)

Country Link
KR (1) KR102592129B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102622114B1 (ko) * 2023-10-11 2024-01-05 양소영 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190135271A (ko) * 2018-05-28 2019-12-06 주식회사 로코식스 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법
KR20200064643A (ko) * 2018-11-29 2020-06-08 차원석 의복 스타일 정보 제공 장치 및 방법
KR20210123797A (ko) * 2020-04-06 2021-10-14 주식회사 신사유람단 사용자 체형 정보를 이용한 의류 추천 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190135271A (ko) * 2018-05-28 2019-12-06 주식회사 로코식스 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법
KR20200064643A (ko) * 2018-11-29 2020-06-08 차원석 의복 스타일 정보 제공 장치 및 방법
KR20210123797A (ko) * 2020-04-06 2021-10-14 주식회사 신사유람단 사용자 체형 정보를 이용한 의류 추천 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102622114B1 (ko) * 2023-10-11 2024-01-05 양소영 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치

Similar Documents

Publication Publication Date Title
Fayazi et al. Uncovering crowdsourced manipulation of online reviews
US11468337B2 (en) System and methods for facilitating pattern recognition
JP2021532515A (ja) 推薦方法と装置、コンピューティング装置、及びプログラム
Kim et al. Predicting the success of bank telemarketing using deep convolutional neural network
Anwar et al. Machine learning techniques for book recommendation: an overview
Alshmrany Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model
CN110704692A (zh) 基于图嵌入的员工离职行为预测方法及装置
KR102592129B1 (ko) 인공지능에 기반한 사용자 맞춤형 의류 추천시스템
Sen et al. Accommodating user diversity for in-store shopping behavior recognition
CN112633690A (zh) 服务人员信息分配方法、装置、计算机设备和存储介质
Thannimalai et al. A content based and collaborative filtering recommender system
Ahsain et al. Data mining and machine learning techniques applied to digital marketing domain needs
CN116340643B (zh) 对象推荐的调整方法及装置、存储介质、电子设备
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
Zhang et al. Garment recommendation in an e-shopping environment by using a Markov Chain and Complex Network integrated method
Wang et al. Bayesian deep learning based exploration-exploitation for personalized recommendations
US11341539B2 (en) Offer selection using sequential selection operations
CN115222203A (zh) 风险识别方法以及装置
KR102643108B1 (ko) 인공지능 기반 소비자 검색 키워드 매칭형 제품 노출 시스템
CN116205700A (zh) 目标产品的推荐方法、装置、计算机设备和存储介质
KR102659929B1 (ko) 온라인 판매 시스템
Zang et al. How competitive are you: Analysis of people's attractiveness in an online dating system
KR102588541B1 (ko) 오토매장 세팅 및 직원 관리 시스템
KR102652619B1 (ko) 인공지능을 이용한 개인 맞춤형 광고 노출 시스템
KR102626192B1 (ko) 홈쇼핑 방송컨셉 구성 및 의상 코디네이팅 시스템

Legal Events

Date Code Title Description
GRNT Written decision to grant