KR102605447B1 - 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102605447B1
KR102605447B1 KR1020230104067A KR20230104067A KR102605447B1 KR 102605447 B1 KR102605447 B1 KR 102605447B1 KR 1020230104067 A KR1020230104067 A KR 1020230104067A KR 20230104067 A KR20230104067 A KR 20230104067A KR 102605447 B1 KR102605447 B1 KR 102605447B1
Authority
KR
South Korea
Prior art keywords
product
influencer
foreign
products
information
Prior art date
Application number
KR1020230104067A
Other languages
English (en)
Inventor
박영만
Original Assignee
주식회사 브랜즈리퍼블릭
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 브랜즈리퍼블릭 filed Critical 주식회사 브랜즈리퍼블릭
Priority to KR1020230104067A priority Critical patent/KR102605447B1/ko
Application granted granted Critical
Publication of KR102605447B1 publication Critical patent/KR102605447B1/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
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • 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
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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

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)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예들은 뉴럴 네트워크를 이용하여 해외 인플루언서(influencer) 단말에게 링크샵(link shop)을 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 복수의 공급자 단말로부터 복수의 공급 상품에 대한 정보를 수신하고, 상기 해외 인플루언서 단말로부터 링크샵 생성 요청 메시지를 수신하고, 상기 링크샵 생성 요청 메시지는 해외 인플루언서의 국가 및 지역에 대한 정보, 해외 인플루언서가 운영하는 SNS(social network service) 채널에 대한 주소 및 해외 인플루언서의 판매 카테고리에 대한 정보를 포함하고, 상기 링크샵 생성 요청 메시지에 기반하여 상기 해외 인플루언서의 국가와 관련된 정보 및 상기 해외 인플루언서에 대한 정보를 웹 크롤링을 통해 수집하고, 상기 복수의 공급 상품에 대한 정보 및 상기 해외 인플루언서의 국가와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 판매 상품 결정 모델을 통해 상기 복수의 공급 상품 중에서 상기 해외 인플루언서의 국가를 대상으로 하는 복수의 판매 상품을 결정하고, 상기 복수의 판매 상품에 대한 정보 및 상기 해외 인플루언서에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 상품 리스팅 모델을 통해 상기 복수의 판매 상품 중에서 상기 해외 인플루언서와 매칭되는 복수의 매칭 상품을 결정하고, 상기 복수의 매칭 상품에 대한 상품 페이지를 상기 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성하고, 링크샵 생성 완료 메시지를 상기 해외 인플루언서 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 링크샵 생성 완료 메시지는 상기 복수의 매칭 상품에 대한 상품 페이지를 포함하는 링크샵에 대한 URL(uniform resource locator)을 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게 링크샵을 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING A LINK SHOP TO A OVERSEAS INFLUENCER TERMINAL USING A NEURAL NETWORK}
본 개시의 실시예들은 해외 인플루언서 단말에게 링크샵을 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게 링크샵를 제공하는 방법 및 장치에 대한 것이다.
한편, 인터넷의 발달로 해외에서 판매하는 상품을 직접 구매하는 소비 문화가 보편화되고 있다. 이렇게 외국의 온라인 쇼핑몰 등을 통해 물품을 직접 구매하는 형태를 해외 직구라고 지칭하며, 직접배송, 배송대행 및 구매대행의 형태로 해외 직구가 구분될 수 있다.
이와 함께, CBT(Cross Border Trade)가 물류 산업의 메가 트랜드로 부상하고 있다. CBT는 국가 간 거래로, 온라인이나 모바일을 통해 해외 고객에게 B2C(Business to Customer)로 상품을 판매하는 것을 의미한다. 즉, 해외 직구와 해외 소비자들이 국내 온라인 쇼핑몰에서 직접 상품을 구매하는 역직구 시장을 통합한 형태를 CBT라 볼 수 있다.
또한, 개인이 자신의 인터넷상의 가상 공간에서 타인과 관계를 맺을 수 있는 서비스, 즉, 커뮤니케이션을 제공하고 다양한 정보를 공유할 수 있도록 하는 소셜 네트워크 서비스(Social Networking Service, SNS)가 대두되면서, 자신만의 컨텐츠를 생산 및 제작하고 SNS에 업로드하는 인플루언서(Influencer)들이 등장하기 시작하였다. 이러한 인플루언서는 전세계적으로 등장하고 있으며, 각 국가마다 자신의 제품에 대한 마케팅에 활용하고자 인플루언서와 마케팅 계약을 진행하는 기업이 증가하는 추세이다.
이에, 제1 뉴럴 네트워크를 통해 복수의 공급 상품 중에서 국가별로 판매 가능한 상품들을 선정하고, 해당 국가별로 해외 인플루언서 단말과 판매 상품을 제2 뉴럴 네트워크를 통해 매칭시켜 일반 소비자들이 해외 인플루언서가 광고하는 상품을 구매할 수 있는 링크샵을 해외 인플루언서 단말에게 제공하는 방법 및 장치가 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게 링크샵을 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 뉴럴 네트워크(neural network)를 이용하여 서버가 해외 인플루언서(influencer) 단말에게 링크샵(link shop)을 제공하는 방법은, 복수의 공급자 단말로부터 복수의 공급 상품에 대한 정보를 수신하고, 상기 해외 인플루언서 단말로부터 링크샵 생성 요청 메시지를 수신하고, 상기 링크샵 생성 요청 메시지는 해외 인플루언서의 국가 및 지역에 대한 정보, 해외 인플루언서가 운영하는 SNS(social network service) 채널에 대한 주소 및 해외 인플루언서의 판매 카테고리에 대한 정보를 포함하고, 상기 링크샵 생성 요청 메시지에 기반하여 상기 해외 인플루언서의 국가와 관련된 정보 및 상기 해외 인플루언서에 대한 정보를 웹 크롤링을 통해 수집하고, 상기 복수의 공급 상품에 대한 정보 및 상기 해외 인플루언서의 국가와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 판매 상품 결정 모델을 통해 상기 복수의 공급 상품 중에서 상기 해외 인플루언서의 국가를 대상으로 하는 복수의 판매 상품을 결정하고, 상기 복수의 판매 상품에 대한 정보 및 상기 해외 인플루언서에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 상품 리스팅 모델을 통해 상기 복수의 판매 상품 중에서 상기 해외 인플루언서와 매칭되는 복수의 매칭 상품을 결정하고, 상기 복수의 매칭 상품에 대한 상품 페이지를 상기 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성하고, 링크샵 생성 완료 메시지를 상기 해외 인플루언서 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 링크샵 생성 완료 메시지는 상기 복수의 매칭 상품에 대한 상품 페이지를 포함하는 링크샵에 대한 URL(uniform resource locator)을 포함할 수 있다.
실시예들에 따르면, 서버는 복수의 공급 상품에 대한 정보 및 해외 인플루언서의 국가와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 판매 상품 결정 모델을 통해 복수의 공급 상품 중에서 해외 인플루언서의 국가를 대상으로 하는 복수의 판매 상품을 결정함으로써, 복수의 공급 상품 중에서 국가별로 상품을 필터링하고, 필터링된 상품들 중에서 해당 국가에 적합한 판매 상품을 국가별로 결정할 수 있다.
실시예들에 따르면, 서버는 복수의 판매 상품에 대한 정보 및 해외 인플루언서에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 상품 리스팅 모델을 통해 복수의 판매 상품 중에서 해외 인플루언서와 매칭되는 복수의 매칭 상품을 결정할 수 있다. 이를 통해, 서버는 해외 인플루언서의 성향과 판매 상품에 대한 다양한 정보에 따라 해외 인플루언서에게 최적화된 상품을 자동으로 리스팅하여 링크샵 내 판매되는 상품으로 결정할 수 있다.
실시예들에 따르면, 서버는 복수의 매칭 상품에 대한 상품 페이지를 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성하여 제공할 수 있다. 이를 통해, 서버는 상품 페이지에 대한 별도의 번역 및 수정 작업 없이도 링크샵을 관리할 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 뉴럴 네트워크(neural network)를 이용하여 서버가 해외 인플루언서 단말에게 링크샵을 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 생성적 적대 신경망 기반의 뉴럴 네트워크를 사용하는 이미지 생성 모델에 대한 예를 나타낸 도면이다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 해외 인플루언서 단말에게 링크샵을 제공하는 방법에 대한 신호 교환도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 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 뉴럴 네트워크(neural network)를 이용하여 서버가 해외 인플루언서 단말에게 링크샵을 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 복수의 공급자 단말로부터 복수의 공급 상품에 대한 정보를 수신할 수 있다.
서버는 뉴럴 네트워크를 이용하는 판매 상품 결정 모델을 통해 복수의 공급 상품 중에서 국가별로 판매 가능한 상품을 결정하고, 뉴럴 네트워크를 이용하는 상품 리스팅 모델을 통해 해당 국가의 인플루언서에 매칭되는 상품을 자동으로 구성하여, 인플루언서에 대해 매칭된 상품을 판매할 수 있는 링크샵(link shop)을 해당 인플루언서에게 제공하는 서버일 수 있다.
공급자 단말은 특정 상품을 공급하는 공급자가 사용하는 단말일 수 있다. 예를 들어, 공급 상품은 대한민국에서 판매하는 뷰티와 관련된 제품을 포함할 수 있다. 예를 들어, 공급자 단말은 도 1의 전자 장치(101)를 포함할 수 있다.
공급 상품에 대한 정보는 상품명, 상품 코드, 상품 이미지, 상품의 컬러, 상품의 타겟층, 상품의 브랜드명, 상품에 대한 리뷰 정보, 상품의 공급가 및 상품의 월간 공급 가능량에 대한 정보를 포함할 수 있다.
상품명은 해당 상품의 명칭을 나타낼 수 있다. 상품 코드는 상품을 분류하기 위한 코드일 수 있다. 예를 들어, 상품 코드는 HS(harmonized System code) 코드를 포함할 수 있다. HS 코드는 HS 협약(The International Convention on the Harmonized Commodity Description and Coding System)에 따라 상품별로 부여되는 품목분류번호이다. HS 코드는 10자리의 숫자로, 맨 앞의 여섯 자리는 국제 공통으로 사용하는 코드이고, 나머지 네 자리는 세부 분류를 위한 코드일 수 있다. 이때, 서버는 HS 코드 중에서 맨 앞의 여섯 자리가 동일하면 유사한 종류의 물품으로 결정할 수 있다.
상품 이미지는 상품에 대한 이미지일 수 있다. 상품의 타겟층은 상품을 판매할 대상을 나타내며, 타겟 연령층과 타겟 성별에 대한 값을 포함할 수 있다. 상품의 컬러는 해당 상품의 색깔을 나타내며, 빨강, 초록, 파랑 세 종류를 각각 0 내지 255 사이의 값으로 표현하는 RGB 값을 포함할 수 있다.
상품에 대한 리뷰 정보는 소비자 테스트에 대한 제1 점수와 전문가 테스트에 대한 제2 점수를 포함할 수 있다. 여기서, 소비자 테스트에 대한 제1 점수는 다수의 일반 사용자들이 해당 상품을 직접 사용하고 평가한 점수이며, 1점부터 10점 사이의 점수를 가질 수 있다. 전문가 테스트는 해당 상품과 관련된 전문가들이 해당 상품을 종합적으로 평가한 점수이며, 1점부터 10점 사이의 점수를 가질 수 있다.
상품의 공급가는 상품을 해외에 공급하는 가격일 수 있다. 상품의 월간 공급 가능량에 대한 정보는 한달동안 해외로 공급할 수 있는 상품의 수량을 나타내며, 공급자가 최소로 해당 상품을 공급할 수 있는 수량인 최소 월간 공급 가능량과 공급자가 최대로 해당 상품을 공급할 수 있는 수량인 최대 월간 공급 가능량을 포함할 수 있다.
단계 S320에서, 서버는 해외 인플루언서 단말로부터 링크샵 생성 요청 메시지를 수신할 수 있다.
해외 인플루언서 단말은 해외에서 활동하는 인플루언서가 사용하는 단말일 수 있다. 여기서, 인플루언서는 사회에 미치는 영향력이 큰 사람을 의미하며, 특히 SNS(social network service)와 같은 웹 서비스 상에서의 인물을 의미한다. 예를 들어, 해외 인플루언서 단말은 도 1의 전자 장치(101)를 포함할 수 있다. SNS는 페이스북, 인스타그램과 같이 인터넷 또는 인트라넷 등 전자 네트워크로 정보를 주고받는 미디어 서비스를 포함할 뿐만 아니라 유튜브 등과 같이 동영상을 자유롭게 업로드하고 조회할 수 있는 동영상 플랫폼도 포함할 수 있다.
링크샵(link shop) 생성 요청 메시지는 서버에게 해외 인플루언서 단말이 링크샵을 생성하는 것을 요청하는 메시지이다. 여기서, 링크샵은 특정 링크(예: URL(Uniform Resource Locator)를 통해 연결되어 복수의 상품을 구매할 수 있는 웹 페이지를 의미할 수 있다. 예를 들어, 해외 인플루언서는 자신의 SNS 채널에 링크샵으로 연결되는 링크(예: URL(Uniform Resource Locator)를 표시할 수 있고, 해외 인플루언서가 홍보하는 상품에 대한 구매를 원하는 팔로워 또는 구독자와 같은 일반 청중은 해당 링크를 통해 링크샵으로 접속할 수 있다. 이후, 일반 청중은 링크샵에서 특정 상품을 구매할 수 있다.
예를 들어, 링크샵 생성 요청 메시지는 해외 인플루언서의 국가 및 지역에 대한 정보, 해외 인플루언서가 운영하는 SNS 채널에 대한 주소, 해외 인플루언서의 판매 카테고리에 대한 정보 및 단말의 식별 정보를 포함할 수 있다.
해외 인플루언서의 국가 및 지역에 대한 정보는 해외 인플루언서가 활동하는 국가 및 지역을 나타낼 수 있다. 예를 들어, 해외 인플루언서의 국가 및 지역은 해당 국가와 해당 국가의 최상위의 행정구역으로 나타낼 수 있다. 해외 인플루언서가 러시아의 중앙 연방관구에서 활동하는 경우, 해외 인플루언서의 국가 및 지역은 러시아에 매칭되는 값과 중앙 연방관구에 매칭되는 값을 포함할 수 있다. 예를 들어, 각 국가에 매칭되는 값과 국가별 지역에 매칭되는 값이 서버에 사전 저장될 수 있다.
해외 인플루언서가 운영하는 SNS 채널에 대한 주소는 해외 인플루언서가 운영하는 SNS 채널에 접속하기 위한 주소일 수 있다.
해외 인플루언서의 판매 카테고리는 해외 인플루언서가 일반 청중에게 판매하는 상품에 대한 카테고리를 나타낼 수 있다. 예를 들어, 해외 인플루언서의 판매 카테고리는 HS 코드와 연동될 수 있다. 예를 들어, 해외 인플루언서가 판매하는 상품이 기초 화장품인 경우, 해외 인플루언서의 판매 카테고리는 기초 화장품을 나타내는 값을 포함할 수 있다. 이때, 기초 화장품을 나타내는 값은 기초 화장품에 대한 HS 코드인 제3304.09호를 나타내는 값과 연동될 수 있다. 즉, 복수의 판매 카테고리 각각을 나타내는 값이 서버에 사전 저장될 수 있고, 각각의 판매 카테고리를 나타내는 값과 HS 코드 사이의 매칭 관계가 서버에 사전 저장될 수 있다.
단말의 식별 정보는 해외 인플루언서 단말의 ID(identifier) 또는 해외 인플루언서 단말의 국제 휴대전화 식별 번호(international mobile equipment identity) 중 적어도 하나를 포함할 수 있다. 해외 인플루언서 단말의 ID는 링크샵을 제공하는 서비스에 가입한 ID일 수 있다. 국제 휴대 전화 식별 번호는 제조사가 단말을 제작할 때 부여하는 15자리 숫자로 된 번호이며, 인증기관 고유 번호, 단말 제조사, 모델명 및 단말 일련번호로 구성될 수 있다.
단계 S33O에서, 서버는 링크샵 생성 요청 메시지에 기반하여 해외 인플루언서의 국가와 관련된 정보 및 해외 인플루언서에 대한 정보를 웹 크롤링을 통해 수집할 수 있다.
웹 크롤링은 인터넷 상의 웹 페이지에서 데이터를 수집하는 동작일 수 있다. 예를 들어, 서버는 해외 인플루언서의 국가와 관련된 복수의 웹 페이지에 대해 웹 크롤링을 수행할 수 있고, 상기 웹 크롤링을 통해 해외 인플루언서의 국가와 관련된 정보를 수집할 수 있다.
해외 인플루언서의 국가와 관련된 정보는 해당 국가의 날씨 정보, 해당 국가의 전력 사용량에 대한 정보, 해당 국가의 인구에 대한 정보, 해당 국가의 국민들에 대한 피부 정보 및 해당 국가의 복수의 제품에 대한 판매 정보를 포함할 수 있다. 해당 국가의 날씨 정보는 해외 인플루언서가 활동하는 국가의 날씨를 나타내는 정보이며, 월별 평균 기온에 대한 정보, 월별 평균 습도에 대한 정보 및 월별 자외선 지수에 대한 정보를 포함할 수 있다. 해당 국가의 전력 사용량에 대한 정보는 해외 인플루언서가 활동하는 국가의 전력 사용량을 나타내는 정보이며, 월별 전력 사용량을 포함할 수 있다. 해당 국가의 국민들에 대한 피부 정보는 해외 인플루언서가 활동하는 국가의 국민들의 피부 상태를 나타내는 정보이며, 해당 국가의 피부 톤의 비율 및 해당 국가의 피부 타입의 비율을 포함할 수 있다. 해당 국가의 인구에 대한 정보는 해외 인플루언서가 활동하는 국가의 인구에 대한 정보이며, 연령대별 인구 수 및 연령대별 남녀의 비율을 포함할 수 있다.
해당 국가의 복수의 제품에 대한 판매 정보는 해외 인플루언서가 활동하는 국가에서 판매되고 있는 복수의 제품에 대한 정보일 수 있다. 예를 들어, 해당 국가의 복수의 제품에 대한 판매 정보는 복수의 제품 각각에 대한 월별 평균 판매량 및 월별 평균 판매 가격과 해당 국가에서 수입이 금지되는 제품에 대한 정보를 포함할 수 있다. 예를 들어, 복수의 제품은 복수의 공급 상품에 대응하는 제품들을 포함할 수 있다. 즉, 복수의 제품은 복수의 공급 상품 각각의 상품 코드와 동일한 상품 코드를 가진 제품들을 포함할 수 있다. 해당 국가에서 수입이 금지되는 제품에 대한 정보는 해당 국가에서 수입이 금지되는 제품에 대한 HS 코드를 포함할 수 있다.
예를 들어, 서버는 해외 인플루언서가 활동하는 SNS에 대해 웹 크롤링을 수행할 수 있고, 웹 크롤링을 통해 해외 인플루언서에 대한 정보를 수집할 수 있다. 해외 인플루언서에 대한 정보는 해외 인플루언서가 운영하는 적어도 하나의 SNS로부터 수집된 정보일 수 있다. 예를 들어, 해외 인플루언서에 대한 정보는 SNS 채널에 업로드된 게시물에 대한 정보, SNS 채널의 해시 태그에 대한 정보, SNS 채널의 방문자에 대한 정보, SNS 채널에 업로드된 답글에 대한 정보, SNS 채널을 통해 판매한 상품에 대한 정보 및 해외 인플루언서와 관련된 키워드에 대한 정보를 포함할 수 있다. SNS 채널에 업로드된 게시물에 대한 정보는 해외 인플루언서가 운영하는 SNS 채널에 업로드된 게시물에 포함된 텍스트 및 이미지를 포함할 수 있다. SNS 채널의 해시 태그에 대한 정보는 해외 인플루언서가 운영하는 SNS 채널에 업로드된 해시 태그 텍스트 및 해시 태그 심볼을 포함할 수 있다. SNS 채널의 방문자에 대한 정보는 해외 인플루언서가 운영하는 SNS 채널을 방문한 사용자의 나이 및 성별에 대한 정보를 포함할 수 있다. SNS 채널에 업로드된 답글에 대한 정보는 해외 인플루언서가 운영하는 SNS 채널을 방문한 사용자에 의해 업로드된 답글의 텍스트를 포함할 수 있다. SNS 채널을 통해 판매한 상품에 대한 정보는 해외 인플루언서가 운영하는 SNS 채널에서 판매가 이루어진 상품들에 대한 정보이며, 판매된 상품의 HS 코드, 판매된 상품의 판매 가격을 포함할 수 있다. 해외 인플루언서와 관련된 키워드에 대한 정보는 사전 설정된 기간동안 해외 인플루언서가 활동하는 SNS에 대한 웹 크롤링을 통해 해외 인플루언서의 명칭이 포함된 텍스트 위치로부터 사전 설정된 텍스트 범위 이내에 위치한 키워드들을 포함할 수 있다. 예를 들어, 사전 설정된 기간이 6개월인 경우, 서버는 최근 6개월동안 해외 인플루언서가 활동하는 SNS에 대한 웹 크롤링을 통해 해외 인플루언서의 명칭이 포함된 텍스트 위치로부터 사전 설정된 텍스트 범위 이내에 위치한 키워드들을 수집할 수 있다.
단계 S340에서, 서버는 복수의 공급 상품에 대한 정보 및 해외 인플루언서의 국가와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 판매 상품 결정 모델을 통해 복수의 공급 상품 중에서 해외 인플루언서의 국가를 대상으로 하는 복수의 판매 상품을 결정할 수 있다.
예를 들어, 서버는 복수의 공급 상품에 대한 정보에 대해 데이터 전처리를 수행할 수 있고, 데이터 전처리를 통해 복수의 공급 상품 벡터를 생성할 수 있다. 복수의 공급 상품 벡터 각각은 소비자 테스트에 대한 제1 점수, 전문가 테스트에 대한 제2 점수, 상품 코드에 대한 값, 컬러에 대한 값, 타겟층과 관련된 값, 공급가에 대한 값, 월간 최소 공급 가능량에 대한 값 및 월간 최대 공급 가능량에 대한 값을 포함할 수 있다.
소비자 테스트에 대한 제1 점수 및 전문가 테스트에 대한 제2 점수는 공급 상품의 소비자 테스트에 대한 제1 점수 및 전문가 테스트에 대한 제2 점수에 대한 값으로, 1점부터 10점 사이의 값을 가질 수 있다. 상품 코드에 대한 값은 공급 상품의 HS 코드에 대한 값으로 10자리의 숫자로 이루어진 값일 수 있다. 컬러에 대한 값은 공급 상품의 색깔에 대한 값으로, RGB 값을 포함할 수 있다. 타겟층과 관련된 값은 공급 상품의 타겟층을 나타내는 값으로, 타겟 연령층을 나타내는 값과 타겟 성별을 나타내는 값을 포함할 수 있다. 예를 들어, 공급 상품의 타겟 연령층을 나타내는 값은 최소 나이에 대한 값과 최대 나이에 대한 값을 포함할 수 있다. 예를 들어, 공급 상품의 타겟 성별을 나타내는 값은 남성인 경우, 1 값을 가지고, 여성인 경우 2 값을 가지고, 성별 모두인 경우 3 값을 가질 수 있다. 공급가에 대한 값은 공급 상품의 공급가를 나타내는 값일 수 있다. 월간 최소 공급 가능량에 대한 값은 공급 상품을 해당 국가에 월간 공급할 수 있는 최소 수량일 수 있다. 월간 최대 공급 가능량에 대한 값은 공급 상품을 해당 국가에 월간 공급할 수 있는 최대 수량일 수 있다.
예를 들어, 서버는 해외 인플루언서의 국가와 관련된 정보에 대해 데이터 전처리를 수행할 수 있고, 데이터 전처리를 통해 제1 기준 벡터, 제2 기준 벡터 및 가중치 벡터를 생성할 수 있다. 제1 기준 벡터는 복수의 제품 각각의 상품 코드에 대한 값 및 복수의 제품 각각의 상품 코드에 대한 월별 평균 판매량을 포함할 수 있다. 예를 들어, 복수의 제품 각각의 상품 코드에 대한 값은 HS 코드에 대한 값으로 10자리의 숫자로 이루어진 값일 수 있다. 예를 들어, 월별 평균 판매량은 사전 설정된 기간동안 월마다 해당 제품이 판매된 수량을 평균한 값일 수 있다. 예를 들어, 사전 설정된 기간은 6개월일 수 있다. 제2 기준 벡터는 수입이 금지되는 복수의 상품 코드에 대한 값을 포함할 수 있다. 예를 들어, 수입이 금지되는 복수의 상품 코드에 대한 값은 HS 코드에 대한 값으로 10자리의 숫자로 이루어진 값일 수 있다.
가중치 벡터는 월별 기온 및 습도에 대한 값, 월별 자외선 지수, 월별 전력 사용량, 인구와 관련된 값, 피부 톤과 관련된 값 및 피부 타입과 관련된 값을 포함할 수 있다. 월별 기온 및 습도에 대한 값은 해당 국가의 월별 평균 기온에 대한 값과 월별 평균 습도에 대한 값을 포함할 수 있다. 월별 자외선 지수는 해당 국가의 월별 평균 자외선 지수를 포함할 수 있다. 여기서, 자외선 지수는 태양 고도가 최대인 남중 시간 때 지표에 도달하는 자외선의 복사량을 나타내는 지수이며, 0 이상의 값을 가질 수 있다. 월별 전력 사용량은 해당 국가의 월별 평균 전력 사용량으로, 월별로 평균적인 전력 사용량을 kWh 단위로 나타낸 값일 수 있다. 인구와 관련된 값은 해당 국가의 연령대별 인구 및 성별 비율을 나타내는 값으로, 연령대별 인구 수에 대한 값과 연령대별 남녀 비율을 포함할 수 있다. 피부 톤과 관련된 값은 해당 국가의 국민들에 대한 복수의 피부 톤 각각에 대한 비율 값을 포함할 수 있다. 예를 들어, 복수의 피부 톤은 피부의 3가지 등급의 명도와 3가지 등급의 채도에 따라 분류된 9가지의 피부 톤을 포함할 수 있다. 여기서, 명도(brightness)는 피부의 밝기를 나타내고, 채도(saturation)는 피부의 선명도를 나타낼 수 있다. 예를 들어, 복수의 피부 톤은 저명도 및 저채도인 제1 피부 톤, 저명도 및 중채도인 제2 피부 톤, 저명도 및 고채도인 제3 피부 톤, 중명도 및 저채도인 제4 피부 톤, 중명도 및 중채도인 제5 피부 톤, 중명도 및 고채도인 제6 피부 톤, 고명도 및 저채도인 제7 피부 톤, 고명도 및 중채도인 제8 피부 톤과 고명도 및 고채도인 제9 피부 톤을 포함할 수 있다. 예를 들어, 피부 톤과 관련된 값은 9가지의 피부 톤 각각에 대한 비율 값을 포함할 수 있다. 피부 타입과 관련된 값은 해당 국가의 국민들에 대한 복수의 피부 타입 각각에 대한 비율 값을 포함할 수 있다. 예를 들어, 복수의 피부 타입은 건성(dry), 지성(oily)과 복합성, 민감성(sensitive)과 저항성(resistant) 및 색소성(pigmented)과 비색소성(Non-pigmented)에 따라 12가지의 피부 타입을 포함할 수 있다. 이때, 건성과 지성은 피부의 기름진 정도에 따라 분류되고, 복합성은 이마와 코를 포함하는 T존이 기름진 타입일 수 있다. 민감성은 피부가 민감한 타입이고, 저항성은 상대적으로 덜 민감한 타입일 수 있다. 색소성은 색소성 질환이 자주 발생하는 피부 타입이며, 비색소성은 기미나 잡티나 없는 피부 타입일 수 있다. 즉, 예를 들어, 건성, 민감성 및 색소성인 제1 피부 타입, 지성, 민감성 및 색소성인 제2 피부 타입, 복합성, 민감성 및 색소성인 제3 피부 타입과 같이 12가지의 피부 타입으로 분류될 수 있다. 예를 들어, 피부 타입과 관련된 값은 12가지의 피부 타입 각각에 대한 비율 값을 포함할 수 있다.
서버는 복수의 공급 상품 벡터, 제1 기준 벡터 및 제2 기준 벡터를 기반으로 상기 복수의 공급 상품 벡터 중에서 복수의 후보 상품 벡터를 결정할 수 있다. 예를 들어, 서버는 복수의 공급 상품 벡터 각각을 제1 기준 벡터와 비교하여, 월간 최소 공급 가능량에 대한 값에서 유사 제품군의 월별 평균 판매량을 평균한 값을 나눈 값이 1 이하인 공급 상품 벡터를 후보 상품 벡터로 결정할 수 있다. 여기서, 유사 제품군은 복수의 제품을 기반으로 분류된 복수의 제품군 중에서 해당 후보 상품 벡터의 상품 코드에 대한 값, 타겟층과 관련된 값 및 공급가에 대한 값에 기반한 유사도가 가장 높은 제품군일 수 있다. 유사 제품군의 월별 평균 판매량을 평균한 값은 유사 제품군에 포함된 제품들의 월별 평균 판매량을 평균한 값일 수 있다. 즉, 복수의 후보 상품 벡터 각각은 월간 최소 공급 가능량에 대한 값에서 유사 제품군의 월별 평균 판매량을 평균한 값을 나눈 값이 1 이하의 값을 가질 수 있다.
구체적으로, 예를 들어, 서버는 복수의 제품 각각에 대해 제품 벡터를 생성할 수 있다. 즉, 서버는, 복수의 제품 각각에 대해, 해당 제품의 HS 코드에서 맨 앞의 네 자리 숫자, 해당 제품의 HS 코드에서 중간의 두 자리 숫자, 해당 제품의 HS 코드에서 마지막의 네 자리 숫자, 해당 제품의 평균 판매 가격 및 해당 제품의 타겟층과 관련된 값으로 제품 벡터를 구성할 수 있다. 여기서, 평균 판매 가격은 복수의 월별 평균 판매 가격을 평균한 값일 수 있다. 월별 평균 판매 가격은 한달동안 제품을 판매한 가격을 평균한 값일 수 있다. 예를 들어, 복수의 월별 평균 판매 가격은 사전 설정된 기간에 대해 서버에 의해 수집될 수 있다. 예를 들어, 사전 설정된 기간이 6개월인 경우, 복수의 월별 평균 판매 가격은 6개의 월별 평균 판매 가격을 포함할 수 있다.
예를 들어, 서버는 복수의 제품 벡터를 기반으로 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 n개의 제품군을 결정할 수 있다. 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다. 예를 들어, n개의 제품군은 복수의 제품 벡터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 결정될 수 있다. 예를 들어, DBSCAN은 특정 요소(point)가 클러스터에 속하는 경우, 해당 클러스터 내 다른 많은 요소와 가까운 위치에 있어야 하는 것을 전제로 하며, 이러한 계산을 위해 직경(radius)과 최소 요소(minimum points)가 사용될 수 있다. 예를 들어, 직경은 특정 데이터 요소를 기준으로 하는 반경일 수 있고, 이를 밀도 영역(dense area)이라 지칭할 수 있다. 예를 들어, 최소 요소는 핵심 요소(core point)를 지정하기 위해 핵심 요소 주변으로 요소가 몇 개 필요한 지를 나타낼 수 있다. 또한, 데이터 세트의 각 요소는 핵심(core), 경계(border), 이상치 요소(outlier point)로 구분될 수 있다.
예를 들어, 서버는 요소별로 직경의 크기를 체크하고, 주변의 요소가 몇 개 있는지를 탐색할 수 있다. 이후, 서버는 직경의 범위 내에 m개 이상의 요소가 존재하면, 해당 요소를 핵심 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함된 요소를 경계 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함되지 않은 요소는 이상치 요소로 결정할 수 있고, 상기 이상치 요소는 해당 클러스터에서 제외될 수 있다. 또한, 서버는 핵심 요소들 사이의 거리가 직경보다 작을 경우, 해당 요소들을 동일한 클러스터로 분류할 수 있다.
이를 통해, 서버는 복수의 제품 벡터에 대해 상품 코드, 타겟층 및 가격대를 기준으로 분류된 n개의 제품군을 결정할 수 있다.
예를 들어, 가장 유사도가 높은 제품군은 복수의 제품군 중에서 해당 후보 상품 벡터를 해당 제품의 HS 코드에서 맨 앞의 네 자리 숫자, 해당 제품의 HS 코드에서 중간의 두 자리 숫자, 해당 제품의 HS 코드에서 마지막의 네 자리 숫자, 해당 후보 상품의 공급가 및 해당 후보 상품의 타겟층과 관련된 값으로 변환한 변환 벡터와 거리가 가장 가까운 제품군일 수 있다. 이때, 변환 벡터와 제품군 사이의 거리는 변환 벡터와 제품군에 포함된 제품 벡터들에 대한 무게 중심을 나타내는 벡터 사이의 거리일 수 있다.
예를 들어, 서버는 복수의 후보 상품 벡터 각각을 제2 기준 벡터와 비교하여, 복수의 후보 상품 벡터 중에서 상품 코드에 대한 값이 제2 기준 벡터에 포함된 상품 코드에 대한 값이 동일한 후보 상품 벡터를 복수의 후보 상품 벡터에서 제외할 수 있다. 즉, 복수의 후보 상품 벡터 각각은 상품 코드에 대한 값이 제2 기준 벡터에 포함된 복수의 상품 코드에 대한 값과 상이할 수 있다.
예를 들어, 복수의 후보 상품 벡터, 제1 기준 벡터 및 가중치 벡터가 판매 상품 결정 모델에 입력되는 것에 기반하여 상기 복수의 후보 상품 각각에 대한 추천 점수가 출력될 수 있다. 서버는 추천 점수가 높은 순서로 사전 설정된 제1 개수의 공급 상품을 복수의 판매 상품으로 결정할 수 있다. 즉, 복수의 후보 상품 중에서 추천 점수가 높은 사전 설정된 제1 개수의 후보 상품에 해당하는 공급 상품이 판매 상품으로 결정될 수 있다.
예를 들어, 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 하나 이상의 제1 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다.
예를 들어, 컨벌루션 레이어에서 복수의 후보 상품 벡터, 제1 기준 벡터 및 가중치 벡터 각각에 대해 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 상기 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 추천 점수와 관련된 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 제1 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
복수의 후보 상품 벡터, 복수의 제1 기준 벡터, 복수의 가중치 벡터 및 복수의 정답 추천 점수로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 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 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 제1 기준 벡터 및 복수의 가중치 벡터는 웹 크롤링을 통해 국가별로 사전 획득될 수 있다. 예를 들어, 학습 데이터로 사용되는 하나의 제1 기준 벡터 및 하나의 가중치 벡터는 복수의 후보 상품 벡터 각각에 대해 정답 추천 점수가 설정된 하나의 세트로 구성될 수 있다. 예를 들어, 복수의 세트가 서버에 사전 저장될 수 있다.
예를 들어, 정답 추천 점수는 해당 후보 상품 벡터에 대해 제1 기준 벡터 및 가중치 벡터를 고려한 추천 점수를 나타낼 수 있다. 복수의 정답 추천 점수는 서버에 사전 저장될 수 있다. 예를 들어, 정답 추천 점수는 0에서 25 사이의 값을 가질 수 있다.
부가적으로, 예를 들어, 정답 추천 점수는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Rscore는 상기 정답 추천 점수이고, 상기 n은 해당 후보 상품에 대한 유사 제품군에 포함된 제품 벡터의 개수이고, 상기 ai는 i번째 제품 벡터의 평균 판매 가격이고, 상기 aref는 기준 판매 가격이고, 상기 w1은 제1 가중치이고, 상기 w2는 제2 가중치이고, 상기 R1은 해당 후보 상품의 소비자 테스트에 대한 제1 점수이고, 상기 R2는 해당 후보 상품의 전문가 테스트에 대한 제2 점수이고, 상기 Ntotal은 해당 국가의 전체 인구의 수이고, 상기 Ntarget은 해당 국가에서 해당 상품의 타겟층과 관련된 값에 매칭되는 인구의 수일 수 있다.
기준 판매 가격은 국가별로 서버에 사전 저장될 수 있다. 예를 들어, 기준 판매 가격은 해당 국가의 소득 수준 및 환율에 따라 상이하게 설정될 수 있다.
제1 가중치는 피부 톤과 관련된 값 및 피부 타입과 관련된 값에 따른 가중치일 수 있다. 예를 들어, 제1 가중치는 피부 톤과 관련된 값 및 피부 타입과 관련된 값에 따른 컬러 범위 내에 해당 후보 상품의 컬러에 대한 값이 포함된 경우에는 0.2 값을 가질 수 있고, 포함되지 않은 경우에는 0 값을 가질 수 있다. 여기서, 컬러 범위는 컬러에 대한 값(예: RGB 값)의 범위이며, 해당 국가의 국민들에 대한 복수의 피부 톤 각각에 대한 비율 값 및 복수의 피부 타입 각각에 대한 비율 값을 기반으로 결정될 수 있다. 예를 들어, 사전 설정된 복수의 컬러 범위 중에서 해당 국가의 국민들에 대한 복수의 피부 톤 각각에 대한 비율 값의 분포 및 복수의 피부 타입 각각에 대한 비율 값의 분포에 매칭되는 컬러 범위가 결정될 수 있다.
제2 가중치는 월별 기온 및 습도에 대한 값, 월별 자외선 지수 및 월별 전력 사용량에 따른 가중치일 수 있다. 예를 들어, 제2 가중치는 월별 기온 및 습도에 대한 값, 월별 자외선 지수 및 월별 전력 사용량에 따른 복수의 추천 상품 코드에 대한 값 중에서 해당 후보 상품의 상품 코드에 대한 값이 포함된 경우에는 0.2 값을 가질 수 있고, 포함되지 않은 경우에는 0 값을 가질 수 있다. 여기서, 복수의 추천 상품 코드에 대한 값은 월별 기온 및 습도에 대한 값의 범위, 월별 자외선 지수의 범위 및 월별 전력 사용량의 범위에 따라 서버에 사전 저장될 수 있다. 예를 들어, 복수의 추천 상품 코드에 대한 값은 월별 기온 및 습도에 대한 값의 범위, 월별 자외선 지수의 범위 및 월별 전력 사용량의 범위에 따라 상이할 수 있다.
예를 들어, 해당 국가에서 해당 상품의 타겟층과 관련된 값에 매칭되는 인구의 수는 최소 나이에 대한 값과 최대 나이에 대한 값 사이의 인구 중에서 타겟 성별에 해당하는 인구의 수로 결정될 수 있다.
예를 들어, min 함수는 괄호 안의 두 숫자 중에서 더 작은 값을 선택하는 함수일 수 있다.
이를 통해, 서버는 국가별로 피부 톤, 피부 타입 뿐만 아니라 기상 조건을 고려하여 판매 상품을 평가할 수 있고, 평가된 점수를 반영하여 제1 뉴럴 네트워크를 학습시킬 수 있다.
예를 들어, 사전 설정된 제1 개수는 해당 국가에 대한 물품 창고 정보 및 복수의 공급 상품에 대한 정보에 기반하여 결정될 수 있다. 예를 들어, 해당 국가에 대한 물품 창고 정보는 해당 국가에 계약된 물품 창고에 대한 정보일 수 있다. 예를 들어, 국가별 물품 창고 정보는 서버에 사전 저장될 수 있다. 서버는 주기적으로 국가별로 물품 창고 정보를 업데이트할 수 있다.
부가적으로, 예를 들어, 사전 설정된 제1 개수는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 Nth는 상기 사전 설정된 제1 개수이고, 상기 m은 해당 국가에 계약된 물품 창고의 개수이고, 상기 QMj는 j번째 물품 창고의 최대 보관량이고, 상기 QPj는 j번째 물품 창고의 현재 보관량이고, 상기 l은 복수의 공급 상품의 개수이고, 상기 SPk는 k번째 공급 상품의 최대 공급 가능량이고, 상기 Ndef는 기본 개수일 수 있다.
예를 들어, 기본 개수는 해당 국가에 계약된 물품 창고의 개수에 비례할 수 있다. 기본 개수는 서버에 사전 설정될 수 있다.
이를 통해, 서버는 해당 국가에서 보관 가능한 물품량과 해당 국가에 최대 공급 가능량을 고려하여 해당 국가에 대한 판매 상품의 종류의 개수를 조절할 수 있다.
단계 S350에서, 서버는 복수의 판매 상품에 대한 정보 및 해외 인플루언서에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 상품 리스팅 모델을 통해 복수의 판매 상품 중에서 해외 인플루언서와 매칭되는 복수의 매칭 상품을 결정할 수 있다.
예를 들어, 서버는 복수의 판매 상품에 대한 정보 및 해당 국가의 복수의 제품에 대한 판매 정보에 대한 데이터 전처리를 통해 제1 매칭 벡터를 복수의 판매 상품별로 생성할 수 있다. 제1 매칭 벡터는 판매 상품의 타겟층과 관련된 값, 판매 상품의 키워드와 관련된 값, 판매 상품의 공급가에 대한 값 및 판매 상품의 상품 코드에 대한 값을 포함할 수 있다.
예를 들어, 판매 상품의 타겟층과 관련된 값은 판매 상품의 타겟층을 나타내는 값으로, 타겟 연령층을 나타내는 값과 타겟 성별을 나타내는 값을 포함할 수 있다. 판매 상품의 타겟층과 관련된 값은 판매 상품의 타겟 연령층을 나타내는 값은 최소 나이에 대한 값과 최대 나이에 대한 값을 포함할 수 있다. 판매 상품의 타겟 성별을 나타내는 값은 남성인 경우, 1 값을 가지고, 여성인 경우 2 값을 가지고, 성별 모두인 경우 3 값을 가질 수 있다.
예를 들어, 판매 상품의 키워드와 관련된 값은 사전 설정된 제1 x, y좌표 평면 상에서 판매 상품의 상품명과 관련된 키워드가 가장 밀집된 영역에 포함된 x, y좌표들에 대한 무게중심 좌표일 수 있다.
구체적으로, 예를 들어, 서버는 사전 설정된 기간동안 해외 인플루언서가 활동하는 SNS에 대한 웹 크롤링을 통해 판매 상품의 상품명이 포함된 텍스트 위치로부터 사전 설정된 텍스트 범위 이내에 위치한 키워드들을 획득할 수 있다. 예를 들어, 사전 설정된 기간이 6개월인 경우, 서버는 최근 6개월동안 해외 인플루언서가 활동하는 SNS에 대한 웹 크롤링을 통해 판매 상품의 상품명이 포함된 텍스트 위치로부터 사전 설정된 텍스트 범위 이내에 위치한 키워드들을 판매 상품의 상품명과 관련된 키워드들로 결정할 수 있다.
예를 들어, 서버는 판매 상품의 상품명과 관련된 키워드들 중에서 제1 x,y 좌표 평면 상에 매칭되는 x, y좌표들을 결정할 수 있다. 서버는 제1 x, y좌표 상에 특정 반지름을 가진 원을 사전 설정하고, 상기 원을 각각 120도 간격으로 이격된 제1 축, 제2 축 및 제3 축으로 나눌 수 있다. 여기서, 제1 축은 고급을 나타내는 축이고, 제2 축은 혁신을 나타내는 축이고, 제3 축은 전통을 나타내는 축이다. 예를 들어, 제1 축과 제2 축의 사이인 제1 영역에는 고급과 혁신을 나타내는 단어들이 위치하게 설정될 수 있고, 제2 축과 제3 축의 사이인 제2 영역에는 혁신과 전통을 나타내는 단어들이 위치하게 설정될 수 있고, 제3 축과 제1 축의 사이인 제3 영역에는 전통과 고급을 나타내는 단어들이 위치하게 설정될 수 있다. 즉, 서버는 복수의 긍정적인 키워드들을 상기 제1 영역 내지 제3 영역에 상호 매칭시킨 좌표들을 제1 x,y 좌표 평면으로 사전 설정할 수 있다. 이후, 서버는 제1 x,y 좌표 평면 상에 판매 상품의 상품명과 관련된 키워드들과 매칭되는 x, y좌표들 중에서 가장 밀집된 영역을 결정하고, 가장 밀집된 영역에 포함된 x, y좌표들에 대한 무게중심 좌표를 판매 상품의 키워드와 관련된 값으로 결정할 수 있다.
판매 상품의 공급가에 대한 값은 판매 상품을 해외에 공급하는 가격을 나타내는 값일 수 있다. 판매 상품의 상품 코드에 대한 값은 판매 상품의 HS 코드에 대한 값으로 10자리의 숫자로 이루어진 값일 수 있다.
예를 들어, 서버는 해외 인플루언서에 대한 정보에 대한 데이터 전처리를 통해 제2 매칭 벡터를 생성할 수 있다. 제2 매칭 벡터는 해외 인플루언서의 타겟층과 관련된 값, 해외 인플루언서의 키워드와 관련된 값, 해외 인플루언서의 판매 가격과 관련된 값 및 해외 인플루언서의 판매 카테고리와 관련된 값을 포함할 수 있다.
해외 인플루언서의 타겟층과 관련된 값은 해외 인플루언서가 운영하는 SNS 채널을 방문한 사용자의 나이의 분포 비율과 성별의 분포 비율을 포함할 수 있다. 예를 들어, 해외 인플루언서의 타겟층과 관련된 값은 10대부터 80대 각각에 대한 분포 비율에 대한 값 및 남성과 여성의 분포 비율에 대한 값을 포함할 수 있다.
해외 인플루언서의 키워드와 관련된 값은 사전 설정된 제1 x, y좌표 평면 상에서 해외 인플루언서의 명칭과 관련된 키워드가 가장 밀집된 영역에 포함된 x, y좌표들에 대한 무게중심 좌표일 수 있다.
예를 들어, 서버는 사전 설정된 기간동안 해외 인플루언서가 활동하는 SNS에 대한 웹 크롤링을 통해 해외 인플루언서의 명칭이 포함된 텍스트 위치로부터 사전 설정된 텍스트 범위 이내에 위치한 키워드들을 해외 인플루언서의 명칭과 관련된 키워드들로 결정할 수 있다. 서버는 제1 x,y 좌표 평면 상에 해외 인플루언서의 명칭과 관련된 키워드들과 매칭되는 x, y좌표들 중에서 가장 밀집된 영역을 결정하고, 가장 밀집된 영역에 포함된 x, y좌표들에 대한 무게중심 좌표를 해외 인플루언서의 키워드와 관련된 값으로 결정할 수 있다.
해외 인플루언서의 판매 가격과 관련된 값은 해외 인플루언서가 SNS 채널을 통해 판매한 상품에 대한 최소 판매 가격에 대한 값, 평균 판매 가격에 대한 값 및 최대 판매 가격에 대한 값을 포함할 수 있다. 해외 인플루언서의 판매 카테고리와 관련된 값은 해외 인플루언서가 SNS 채널을 통해 판매한 상품들 각각에 대한 HS 코드 값을 포함할 수 있다.
예를 들어, 복수의 판매 상품별 제1 매칭 벡터 및 제2 매칭 벡터가 상품 리스팅 모델에 입력되는 것에 기반하여 복수의 판매 상품 각각에 대한 매칭 점수가 출력될 수 있다. 서버는 복수의 판매 상품 중에서 매칭 점수가 높은 순서로 사전 설정된 제2 개수의 판매 상품을 복수의 매칭 상품으로 결정할 수 있다.
예를 들어, 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 하나 이상의 제2 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다.
예를 들어, 컨벌루션 레이어에서 복수의 판매 상품별 제1 매칭 벡터 및 제2 매칭 벡터 각각에 대해 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 상기 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 매칭 점수와 관련된 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 제2 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
복수의 제1 매칭 벡터, 복수의 제2 매칭 벡터 및 복수의 정답 매칭 점수로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 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 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 제2 매칭 벡터는 복수의 제1 매칭 벡터 각각에 대해 정답 매칭 점수가 설정된 하나의 세트로 구성될 수 있다. 예를 들어, 복수의 세트가 서버에 사전 저장될 수 있다.
예를 들어, 정답 매칭 점수는 해당 제2 매칭 벡터와 제1 매칭 벡터 사이의 매칭 점수를 나타낼 수 있다. 복수의 정답 매칭 점수는 서버에 사전 저장될 수 있다. 예를 들어, 정답 매칭 점수는 0을 초과하는 값을 가질 수 있다.
부가적으로, 예를 들어, 정답 매칭 점수는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 Mscore는 상기 정답 매칭 점수이고, 상기 D1은 해당 판매 상품의 타겟층과 관련된 값과 해당 해외 인플루언서의 타겟층과 관련된 값 사이의 제1 거리 값이고, 상기 D2는 해당 판매 상품의 키워드와 관련된 값과 해당 해외 인플루언서의 키워드와 관련된 값 사이의 제2 거리 값이고, 상기 D3는 해당 판매 상품의 상품 코드에 대한 값과 해당 해외 인플루언서의 판매 카테고리와 관련된 값 사이의 제3 거리 값일 수 있다.
예를 들어, 제1 거리 값은 해당 판매 상품의 타겟 연령층의 중간 나이에 대한 값 및 해당 판매 상품의 타겟 성별을 나타내는 값으로 구성된 좌표와 해당 해외 인플루언서가 운영하는 SNS 채널을 방문한 사용자 중 가장 큰 비율을 차지하는 나이에 대한 값 및 가장 큰 비율의 성별에 대한 값으로 구성된 좌표 사이의 거리 값일 수 있다.
예를 들어, 제2 거리 값은 사전 설정된 제1 x, y좌표 평면 상에서 해당 판매 상품의 상품명과 관련된 키워드가 가장 밀집된 영역에 포함된 x, y좌표들에 대한 무게중심 좌표와 사전 설정된 제1 x, y좌표 평면 상에서 해당 해외 인플루언서의 명칭과 관련된 키워드가 가장 밀집된 영역에 포함된 x, y좌표들에 대한 무게중심 좌표 사이의 거리 값일 수 있다.
예를 들어, 제3 거리 값은 해당 판매 상품의 HS 코드 값과 해당 해외 인플루언서가 SNS 채널을 통해 판매한 상품들 각각에 대한 HS 코드 값 사이의 거리 값들을 평균한 값일 수 있다.
이를 통해, 서버는 타겟층, 키워드 및 상품의 종류를 고려하여 판매 상품과 해외 인플루언서 사이의 매칭 점수를 결정할 수 있고, 이러한 매칭 점수를 반영하여 제2 뉴럴 네트워크를 학습시킬 수 있다.
단계 S360에서, 서버는 복수의 매칭 상품에 대한 상품 페이지를 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성할 수 있다.
상품 페이지는 상품을 안내하는 페이지를 지칭한다. 예를 들어, 상품 페이지는 텍스트 영역과 이미지 영역을 포함할 수 있다. 텍스트 영역은 상품 페이지에서 상품을 안내하는 텍스트가 포함된 영역일 수 있다. 이미지 영역은 상품 페이지에서 상품을 안내하는 이미지가 포함된 영역일 수 있다. 예를 들어, 번역이 수행되기 이전의 상품 페이지는 한국어로 상품을 안내하는 페이지일 수 있다.
서버는 텍스트 영역에 대해 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역이 수행된 제1 텍스트, 제1 텍스트에 대한 글꼴과 관련된 값 및 텍스트 영역의 위치에 대한 값으로 구성된 제1 번역 벡터를 생성할 수 있다.
예를 들어, 국가 및 지역에 대한 복수의 조합 각각에 매칭된 언어가 서버에 사전 저장될 수 있다. 서버는 해외 인플루언서의 국가 및 지역에 매칭된 언어를 결정하고, 텍스트 영역에 포함된 텍스트를 딥러닝 기반의 NMT(neural machine translation) 모델을 통해 해당 언어로 번역된 제1 텍스트로 생성할 수 있다. 딥러닝 기반의 NMT 모델은 인코더 RNN 및 디코더 RNN을 사용하는 모델로, 단위 정보(예: 워드(word) 또는 토큰(token))의 시퀀스(sequence)를 입력 값으로 획득하여, 고정 길이의 벡터 표현(vector Representation)을 생성한 후, 이를 이용하여 또 다른 단위 정보의 시퀀스를 생성하는 모델일 수 있다.
제1 텍스트에 대한 글꼴과 관련된 값은 글꼴에 대한 값 및 글꼴의 크기에 대한 값을 포함할 수 있다. 글꼴에 대한 값은 글꼴을 나타내는 값으로, 복수의 글꼴 중에서 어느 하나의 글꼴에 대한 값일 수 있다. 예를 들어, 복수의 글꼴에 대한 값은 서버에 사전 저장될 수 있다. 텍스트 영역의 위치에 대한 값은 상품 페이지 내 텍스트 영역의 위치를 나타내는 값으로, 상품 페이지에서 첫 글자가 위치하는 x,y 좌표 값과 마지막 글자가 위치하는 x,y 좌표 값을 포함할 수 있다.
서버는 이미지 영역에 포함된 텍스트를 OCR(optical character recognition)을 통해 추출할 수 있다. 서버는 추출된 텍스트에 대해 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역이 수행된 제2 텍스트, 제2 텍스트에 대한 글꼴과 관련된 값 및 제2 텍스트의 상기 이미지 영역 내 위치와 관련된 값으로 구성된 제2 번역 벡터를 생성할 수 있다.
예를 들어, 서버는 해외 인플루언서의 국가 및 지역에 매칭된 언어를 결정하고, 추출된 텍스트를 딥러닝 기반의 NMT모델을 통해 해당 언어로 번역된 제2 텍스트로 생성할 수 있다.
제2 텍스트 데이터에 대한 글꼴과 관련된 값은 글꼴에 대한 값 및 글꼴의 크기에 대한 값을 포함할 수 있다. 제2 텍스트 데이터의 이미지 영역 내 위치와 관련된 값은 이미지 영역 내 제2 텍스트가 위치하는 복수의 x,y 좌표 값을 포함할 수 있다.
예를 들어, 서버는 제1 번역 벡터를 기반으로 상품 페이지의 텍스트 영역에 대응하는 제1 이미지를 생성할 수 있다. 예를 들어, 서버는 제2 번역 벡터를 기반으로 상품 페이지의 이미지 영역에 대응하는 제2 이미지를 생성할 수 있다. 이후, 서버는 상품 페이지의 크기와 규격에 맞추어 제1 이미지와 제2 이미지를 결합 이미지로 결합하고, 결합 이미지에 대한 픽셀 값으로 구성된 제1 이미지 벡터를 생성할 수 있다.
예를 들어, 서버는 상품 페이지애 대한 픽셀 값으로 구성된 제2 이미지 벡터를 생성할 수 있다.
예를 들어, 제1 이미지 벡터 및 제2 이미지 벡터가 생성적 적대 신경망 기반의 뉴럴 네트워크를 이용하는 이미지 생성 모델에 입력되는 것에 기반하여 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역된 상품 페이지에 대한 이미지가 출력될 수 있다.
이를 통해, 서버는 매칭 상품에 대한 상품 페이지를 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성할 수 있다.
단계 S370에서, 서버는 링크샵 생성 완료 메시지를 해외 인플루언서 단말에게 전송할 수 있다.
링크샵 생성 완료 메시지는 서버가 해외 인플루언서 단말에게 링크샵에 대한 생성이 완료됨을 알리는 메시지일 수 있다. 예를 들어, 링크샵 생성 완료 메시지는 복수의 매칭 상품에 대한 상품 페이지를 포함하는 링크샵에 대한 URL(uniform resource locator)을 포함할 수 있다. 여기서, URL은 웹 주소를 지칭하며, 네트워크 상에서 리소스의 위치를 알려주기 위한 규약이다.
도 4는 일 실시예에 따른 생성적 적대 신경망 기반의 뉴럴 네트워크를 사용하는 이미지 생성 모델에 대한 예를 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 이미지 생성 모델은 생성적 적대 신경망 기반의 뉴럴 네트워크(400)를 사용할 수 있다. 생성적 적대 신경망 기반의 뉴럴 네트워크는 백본 네트워크로 비지도 학습만으로 데이터 분포를 효과적으로 분리하여 잠재 벡터(latent vector)를 구성할 수 있다. 잠재 벡터는 독립적인 잠재 변수들의 쌍을 지칭할 수 있다. 디스인탱글(disentangle)된 잠재 벡터로부터 고품질의 이미지를 생성하는 StyleGAN2를 사용할 수 있다.
또한, 생성적 적대 신경망 기반의 뉴럴 네트워크는 스타일 트랜스퍼(style transfer)를 사용하는 AdaIN(adaptive instance normalization)의 네트워크 구조로 구성될 수 있다. 여기서, 스타일 트랜스퍼는 제1 입력 이미지에서 컨텐츠를 추출하고, 제2 입력 이미지에서 스타일을 추출하여, 스타일과 컨텐츠를 합성하는 방식을 의미한다. 예를 들어, 생성적 적대 신경망 기반의 뉴럴 네트워크는 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, 생성적 적대 신경망 기반의 뉴럴 네트워크의 AdaIN 레이어는 특징 공간(feature space)에서 하기 수학식 4를 통해 컨텐츠를 포함하는 제1 입력 이미지에서 제1 입력 이미지의 스타일을 빼고, 제2 입력 이미지의 스타일을 합성할 수 있다.
상기 수학식 4에서, 상기 σ(x)는 스타일을 포함한 제2 입력 이미지에 대한 평균이고, 상기 σ(y)는 스타일을 포함한 제2 입력 이미지에 대한 표준 편차이고, 상기 μ(x)는 컨텐츠를 포함한 제1 입력 이미지에 대한 평균이고, 상기 μ(y)는 컨텐츠를 포함한 제1 입력 이미지에 대한 표준 편차일 수 있다.
예를 들어, AdaIN 레이어를 통해 생성되는 특징 t는 하기의 수학식 5에 의해 결정될 수 있다.
상기 수학식 5에서, 상기 f(c)함수는 컨텐츠를 포함한 제1 입력 이미지가 VGG 인코더에 입력된 것을 나타내는 함수이고, 상기 f(s)는 스타일을 포함한 제2 입력 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.
예를 들어, 복수의 제1 입력 이미지는 제1 번역 벡터를 기반으로 생성된 제1 이미지와 제2 번역 벡터를 기반으로 생성된 제2 이미지가 기존 상품 페이지의 크기 및 규격에 맞게 결합된 결합 이미지일 수 있다. 즉, 복수의 제1 입력 이미지는 기존 상품 페이지에 포함된 텍스트들의 위치에 번역된 텍스트들만 배치한 이미지일 수 있다. 예를 들어, 복수의 제2 입력 이미지는 기존 상품 페이지에 대한 이미지를 포함할 수 있다. 예를 들어, 서버는 복수의 제1 입력 이미지 및 복수의 제2 입력 이미지를 학습 데이터로 사용하여 상기 생성적 적대 신경망 모델을 학습시킬 수 있다.
예를 들어, 서버는 제1 번역 벡터에 포함된 제1 텍스트를 제1 텍스트에 대한 글꼴과 관련된 값으로 텍스트 영역의 위치에 대한 값에 해당하는 위치에 표시한 제1 이미지를 생성하고, 제2 번역 벡터에 포함된 제2 텍스트를 제2 텍스트에 대한 글꼴과 관련된 값으로 이미지 영역 내 위치와 관련된 값에 해당하는 위치에 표시한 제2 이미지를 생성할 수 있다. 예를 들어, 서버는 제1 이미지 및 제2 이미지를 결합한 결합 이미지를 제1 입력 이미지로 설정하고, 번역 이전의 상품 페이지에 대한 이미지를 제2 입력 이미지로 설정함으로써, 생성적 적대 신경망 기반의 뉴럴 네트워크를 통해 상품 페이지에 대한 스타일로 텍스트 이미지가 합성된 상품 이미지를 생성할 수 있다.
이를 통해, 상품 페이지의 스타일로 번역된 텍스트가 포함된 이미지를 자연스럽게 생성하도록 이미지 생성 모델을 학습시킬 수 잇다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 해외 인플루언서 단말에게 링크샵을 제공하는 방법에 대한 신호 교환도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S510에서, 서버는 해외 인플루언서 단말로부터 링크샵 생성 요청 메시지를 수신할 수 있다.
예를 들어, 링크샵 생성 요청 메시지는 해외 인플루언서의 국가 및 지역에 대한 정보, 해외 인플루언서가 운영하는 SNS 채널에 대한 주소, 해외 인플루언서의 판매 카테고리에 대한 정보 및 단말의 식별 정보를 포함할 수 있다.
예를 들어, 서버는 링크샵 생성 요청 메시지에 기반하여 해외 인플루언서의 국가와 관련된 정보 및 해외 인플루언서에 대한 정보를 웹 크롤링을 통해 수집할 수 있다.
단계 S520에서, 서버는 복수의 공급 상품에 대한 정보 및 해외 인플루언서의 국가와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 판매 상품 결정 모델을 통해 복수의 공급 상품 중에서 해외 인플루언서의 국가를 대상으로 하는 복수의 판매 상품을 결정할 수 있다.
예를 들어, 복수의 공급 상품에 대한 정보는 서버가 복수의 공급자 단말로부터 수신한 정보일 수 있다.
단계 S530에서, 서버는 복수의 판매 상품에 대한 정보 및 해외 인플루언서에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 상품 리스팅 모델을 통해 복수의 판매 상품 중에서 해외 인플루언서와 매칭되는 복수의 매칭 상품을 결정할 수 있다.
단계 S540에서, 서버는 복수의 매칭 상품에 대한 상품 페이지를 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성할 수 있다.
예를 들어, 서버는 기존 상품 페이지의 텍스트 영역에 포함된 텍스트를 딥러닝 기반의 NMT모델을 통해 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역된 제1 텍스트로 생성할 수 있다. 예를 들어, 서버는 기존 상품 페이지의 이미지 영역에 포함된 텍스트를 딥러닝 기반의 NMT모델을 통해 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역된 제2 텍스트로 생성할 수 있다.
예를 들어, 서버는 제1 텍스트에 기반한 제1 이미지와 제2 텍스트에 기반한 제2 이미지가 결합된 결합 이미지에 대한 픽셀 값으로 나타내는 제1 이미지 벡터를 생성할 수 있다. 서버는 상품 페이지를 픽셀 값으로 나타내는 제2 이미지 벡터를 생성할 수 있다. 서버는 제1 이미지 벡터 상기 및 제2 이미지 벡터가 생성적 적대 신경망 기반의 뉴럴 네트워크를 이용하는 이미지 생성 모델에 입력시킴으로써, 상기 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역된 상품 페이지에 대한 이미지를 획득할 수 있다.
이를 통해, 서버는 매칭 상품별 상품 페이지를 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성할 수 있다.
단계 S550에서, 서버는 링크샵 생성 완료 메시지를 해외 인플루언서 단말에게 전송할 수 있다.
예를 들어, 링크샵 생성 완료 메시지는 복수의 매칭 상품에 대한 상품 페이지를 포함하는 링크샵에 대한 URL을 포함할 수 있다.
부가적으로, 예를 들어, 링크샵 생성 완료 메시지는 복수의 매칭 상품에 대한 상품 페이지를 포함하는 링크샵에 대한 URL 이외에 복수의 매칭 상품 각각에 대한 최소 가격의 범위와 판매 가능 수량, 복수의 제1 키워드 및 복수의 제2 키워드를 포함할 수 있다.
복수의 매칭 상품 각각에 대한 최소 가격의 범위는 해당 매칭 상품에 대한 경쟁 상품들의 평균 판매 가격과 해당 매칭 상품의 공급가에 따라 결정될 수 있다. 여기서, 해당 매칭 상품에 대한 경쟁 상품들의 평균 판매 가격은 상술한 복수의 제품군에서 해당 매칭 상품과 가장 유사도가 높은 제품군에 대한 평균 판매 가격으로 결정될 수 있다. 예를 들어, 복수의 매칭 상품 각각에 대한 최소 가격의 범위는 해당 매칭 상품의 공급가를 초과하고, 해당 매칭 상품에 대한 경쟁 상품들의 평균 판매 가격 이하의 범위로 결정될 수 있다.
복수의 매칭 상품 각각에 대한 판매 가능 수량은 해외 인플루언서 단말마다 상이하게 결정될 수 있다. 예를 들어, 해외 인플루언서의 명칭과 관련된 키워드들 중에서 제2 x,y 좌표 평면 상에 매칭되는 키워드의 개수에 따라 복수의 매칭 상품 각각에 대한 판매 가능 수량이 상이하게 결정될 수 있다. 이때, 링크샵 생성 요청 메시지에 포함된 복수의 매칭 상품 각각에 대한 판매 가능 수량은 해외 인플루언서의 명칭과 관련된 키워드들 중에서 제2 x,y 좌표 평면 상에 매칭되는 키워드의 개수에 따라 제1 판매 가능 수량으로 결정될 수 있다.
서버는 제2 x, y좌표 상에 특정 반지름을 가진 원을 사전 설정하고, 상기 원을 각각 120도 간격으로 이격된 제1 축, 제2 축 및 제3 축으로 나눌 수 있다. 여기서, 제1 축은 저급(low-quality)을 나타내는 축이고, 제2 축은 정체(stagnant)를 나타내는 축이고, 제3 축은 불완전을 나타내는 축이다. 예를 들어, 제1 축과 제2 축의 사이인 제1 영역에는 저급과 정체를 나타내는 단어들이 위치하게 설정될 수 있고, 제2 축과 제3 축의 사이인 제2 영역에는 정체와 불완전을 나타내는 단어들이 위치하게 설정될 수 있고, 제3 축과 제1 축의 사이인 제3 영역에는 불완전과 저급을 나타내는 단어들이 위치하게 설정될 수 있다. 즉, 서버는 복수의 부정적인 키워드들을 상기 제1 영역 내지 제3 영역에 상호 매칭시킨 좌표들을 제2 x,y 좌표 평면으로 사전 설정할 수 있다.
즉, 해외 인플루언서의 명칭과 관련된 키워드들 중에서 제2 x,y 좌표 평면 상에 매칭되는 키워드의 개수가 증가할수록 복수의 매칭 상품 각각에 대한 판매 가능 수량이 감소할 수 있다. 이때, 복수의 매칭 상품 각각에 대한 판매 가능 수량은 각각의 매칭 상품에 대한 최소 공급 가능 수량보다 큰 값으로 결정될 수 있다.
복수의 제1 키워드는 매칭 상품의 상품명과 관련된 키워드들 중에서 제1 x,y 좌표 평면 상에 매칭되는 키워드일 수 있다.
복수의 제2 키워드는 매칭 상품의 상품명과 관련된 키워드들 중에서 제2 x,y 좌표 평면 상에 매칭되는 키워드일 수 있다.
단계 S560에서, 서버는 구매자 단말로부터 주문 및 결재 메시지를 수신할 수 있다.
주문 및 결재 메시지는 구매자 단말이 링크샵에서 매칭 상품을 주문한 후 결재를 완료한 것을 서버에 알리는 메시지일 수 있다. 예를 들어, 주문 및 결재 메시지는 결재가 완료된 매칭 상품에 대한 정보를 포함할 수 있다. 결재가 완료된 매칭 상품에 대한 정보는 매칭 상품의 상품 코드에 대한 값, 결재 가격 및 결재 시점을 포함할 수 있다.
단계 S570에서, 서버는 배송 안내 메시지를 구매자 단말에게 전송할 수 있다.
배송 안내 메시지는 결재가 완료된 것에 기반하여 해당 매칭 상품에 대한 배송을 구매자 단말에게 안내하는 메시지일 수 있다. 예를 들어, 배송 안내 메시지는 배송 시작 시점, 배송 주소, 배송 상태 또는 배송 도착 예정 시점 중 적어도 하나를 포함할 수 있다. 이때, 매칭 상품은 구매자 단말의 주문 이전에 해당 국가 내 물품 창고에 보관된 상태일 수 있고, 결재와 동시에 해당 국가 내 물품 창고와 관련된 서버에 배송 요청을 함으로써, 매칭 상품에 대한 배송이 개시될 수 있다.
단계 S580에서, 서버는 배송 완료 메시지를 구매자 단말로부터 수신할 수 있다.
배송 완료 메시지는 구매자 단말이 매칭 상품을 수령한 것을 서버에게 알리는 메시지일 수 있다. 예를 들어, 배송 완료 메시지는 배송이 완료된 시점 및 매칭 상품에 대한 리뷰 정보를 포함할 수 있다.
단계 S590에서, 서버는 판매 완료 메시지를 해외 인플루언서 단말에게 전송할 수 있다.
판매 완료 메시지는 서버가 해외 인플루언서의 링크샵에서 매칭 상품에 대한 판매가 완료된 것을 해외 인플루언서 단말에게 알리는 메시지일 수 있다. 예를 들어, 판매 완료 메시지는 매칭 상품의 상품 코드에 대한 값, 결재 가격, 결재 시점, 배송이 완료된 시점, 매칭 상품의 판매 가능 수량 및 매칭 상품에 대한 리뷰 정보를 포함할 수 있다.
부가적으로, 예를 들어, 링크샵 생성 요청 메시지를 수신한 해외 인플루언서 단말은 매칭 상품 변경 메시지를 서버에게 전송할 수 있다. 예를 들어, 해외 인플루언서 단말은 매칭 상품 변경 메시지를 통해 복수의 매칭 상품 중에서 적어도 하나의 매칭 상품을 변경할 수 있다. 여기서, 매칭 상품 변경 메시지는 링크샵 내 복수의 매칭 상품에서 제외를 원하는 매칭 상품에 대한 정보 및 링크샵에 추가를 원하는 매칭 상품에 대한 정보를 포함할 수 있다.
부가적으로, 예를 들어, 링크샵 생성 요청 메시지를 수신한 해외 인플루언서 단말은 복수의 매칭 상품 각각의 목표 기간을 서버에게 전송할 수 있다. 여기서, 목표 기간은 해외 인플루언서가 해당 매칭 상품을 제1 판매 수량만큼 판매하기 위해 설정한 기간일 수 있다. 예를 들어, 해외 인플루언서 단말이 설정한 목표 기간 내 해당 매칭 상품이 모두 판매된 경우, 제1 판매 수량을 사전 설정된 값만큼 증가될 수 있다. 이때, 해외 인플루언서의 명칭과 관련된 키워드들 중에서 제2 x,y 좌표 평면 상에 매칭되는 키워드의 개수에 따라 사전 설정된 값이 조정될 수 있다. 예를 들어, 해외 인플루언서의 명칭과 관련된 키워드들 중에서 제2 x,y 좌표 평면 상에 매칭되는 키워드의 개수가 작을수록 사전 설정된 값은 큰 값을 가질 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 해외 인플루언서(influencer) 단말에게 링크샵(link shop)을 제공하는 방법에 있어서,
    복수의 공급자 단말로부터 복수의 공급 상품에 대한 정보를 수신하는 단계;
    상기 해외 인플루언서 단말로부터 링크샵 생성 요청 메시지를 수신하는 단계;
    상기 링크샵 생성 요청 메시지는 해외 인플루언서의 국가 및 지역에 대한 정보, 해외 인플루언서가 운영하는 SNS(social network service) 채널에 대한 주소 및 해외 인플루언서의 판매 카테고리에 대한 정보를 포함하고,
    상기 링크샵 생성 요청 메시지에 기반하여 상기 해외 인플루언서의 국가와 관련된 정보 및 상기 해외 인플루언서에 대한 정보를 웹 크롤링을 통해 수집하는 단계;
    상기 복수의 공급 상품에 대한 정보 및 상기 해외 인플루언서의 국가와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 판매 상품 결정 모델을 통해 상기 복수의 공급 상품 중에서 상기 해외 인플루언서의 국가를 대상으로 하는 복수의 판매 상품을 결정하는 단계;
    상기 복수의 판매 상품에 대한 정보 및 상기 해외 인플루언서에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 상품 리스팅 모델을 통해 상기 복수의 판매 상품 중에서 상기 해외 인플루언서와 매칭되는 복수의 매칭 상품을 결정하는 단계;
    상기 복수의 매칭 상품에 대한 상품 페이지를 상기 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역하여 생성하는 단계; 및
    링크샵 생성 완료 메시지를 상기 해외 인플루언서 단말에게 전송하는 단계를 포함하고,
    상기 링크샵 생성 완료 메시지는 상기 복수의 매칭 상품에 대한 상품 페이지를 포함하는 링크샵에 대한 URL(uniform resource locator)을 포함하고,
    상기 해외 인플루언서의 국가와 관련된 정보는 해당 국가의 날씨 정보, 해당 국가의 전력 사용량에 대한 정보, 해당 국가의 인구에 대한 정보, 해당 국가의 국민들에 대한 피부 정보 및 해당 국가의 복수의 제품에 대한 판매 정보를 포함하고,
    상기 복수의 공급 상품에 대한 정보에 대해 데이터 전처리가 수행됨으로써, 복수의 공급 상품 벡터가 생성되고,
    상기 복수의 공급 상품 벡터 각각은 소비자 테스트에 대한 제1 점수, 전문가 테스트에 대한 제2 점수, 상품 코드에 대한 값, 컬러에 대한 값, 타겟층과 관련된 값, 공급가에 대한 값, 월간 최소 공급 가능량에 대한 값 및 월간 최대 공급 가능량에 대한 값을 포함하고,
    상기 해외 인플루언서의 국가와 관련된 정보에 대해 데이터 전처리가 수행됨으로써, 제1 기준 벡터, 제2 기준 벡터 및 가중치 벡터가 생성되고,
    상기 제1 기준 벡터는 상기 복수의 제품 각각의 상품 코드에 대한 값 및 상기 복수의 제품 각각의 월별 평균 판매량을 포함하고,
    상기 제2 기준 벡터는 수입이 금지되는 복수의 상품 코드에 대한 값을 포함하고,
    상기 가중치 벡터는 월별 기온 및 습도에 대한 값, 월별 자외선 지수, 월별 전력 사용량, 인구와 관련된 값, 피부 톤과 관련된 값 및 피부 타입과 관련된 값을 포함하고,
    상기 복수의 공급 상품 벡터, 상기 제1 기준 벡터 및 상기 제2 기준 벡터를 기반으로 상기 복수의 공급 상품 벡터 중에서 복수의 후보 상품 벡터가 결정되고,
    상기 복수의 후보 상품 벡터, 상기 제1 기준 벡터 및 상기 가중치 벡터가 상기 판매 상품 결정 모델에 입력되는 것에 기반하여 상기 복수의 후보 상품 각각에 대한 추천 점수가 출력되고,
    상기 추천 점수가 높은 순서로 사전 설정된 제1 개수의 공급 상품이 상기 복수의 판매 상품으로 결정되는,
    방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 복수의 후보 상품 벡터 각각은 상기 월간 최소 공급 가능량에 대한 값에서 유사 제품군의 월별 평균 판매량을 평균한 값을 나눈 값이 1 이하의 값을 가지고,
    상기 유사 제품군은 상기 복수의 제품을 기반으로 분류된 복수의 제품군 중에서 해당 후보 상품 벡터의 상품 코드에 대한 값, 타겟층과 관련된 값 및 공급가에 대한 값에 기반한 유사도가 가장 높은 제품군이고,
    상기 복수의 후보 상품 벡터 각각은 상기 상품 코드에 대한 값이 상기 수입이 금지되는 복수의 상품 코드에 대한 값과 상이한,
    방법.
  4. 제 1항에 있어서,
    상기 복수의 판매 상품에 대한 정보 및 상기 해당 국가의 복수의 제품에 대한 판매 정보에 대한 데이터 전처리를 통해 제1 매칭 벡터가 상기 복수의 판매 상품별로 생성되고,
    상기 제1 매칭 벡터는 판매 상품의 타겟층과 관련된 값, 판매 상품의 키워드와 관련된 값, 판매 상품의 공급가에 대한 값 및 판매 상품의 상품 코드에 대한 값을 포함하고,
    상기 해외 인플루언서에 대한 정보에 대한 데이터 전처리를 통해 제2 매칭 벡터가 생성되고,
    상기 제2 매칭 벡터는 해외 인플루언서의 타겟층과 관련된 값, 해외 인플루언서의 키워드와 관련된 값, 해외 인플루언서의 판매 가격과 관련된 값 및 해외 인플루언서의 판매 카테고리와 관련된 값을 포함하고,
    상기 복수의 판매 상품별 제1 매칭 벡터, 상기 제2 매칭 벡터가 상기 상품 리스팅 모델에 입력되는 것에 기반하여 상기 복수의 판매 상품 각각에 대한 매칭 점수가 출력되고,
    상기 복수의 판매 상품 중에서 상기 매칭 점수가 높은 순서로 사전 설정된 제2 개수의 판매 상품이 상기 복수의 매칭 상품으로 결정되는,
    방법.
  5. 제 1항에 있어서,
    상기 상품 페이지는 텍스트 영역과 이미지 영역을 포함하고,
    상기 텍스트 영역에 대해 상기 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역이 수행된 제1 텍스트, 제1 텍스트에 대한 글꼴과 관련된 값 및 상기 텍스트 영역의 위치에 대한 값으로 구성된 제1 번역 벡터가 생성되고,
    상기 이미지 영역에 포함된 텍스트가 OCR(optical character recognition)을 통해 추출되고,
    추출된 텍스트에 대해 상기 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역이 수행된 제2 텍스트, 상기 제2 텍스트에 대한 글꼴과 관련된 값 및 상기 제2 텍스트의 상기 이미지 영역 내 위치와 관련된 값으로 구성된 제2 번역 벡터가 생성되고,
    상기 제1 번역 벡터에 기반한 제1 이미지와 상기 제2 번역 벡터에 기반한 제2 이미지가 결합된 결합 이미지에 대한 픽셀 값으로 나타내는 제1 이미지 벡터가 생성되고,
    상기 상품 페이지를 픽셀 값으로 나타내는 제2 이미지 벡터가 생성되고,
    상기 제1 이미지 벡터 및 상기 제2 이미지 벡터가 생성적 적대 신경망 기반의 뉴럴 네트워크를 이용하는 이미지 생성 모델에 입력되는 것에 기반하여 상기 해외 인플루언서의 국가 및 지역에 매칭된 언어로 번역된 상품 페이지에 대한 이미지가 출력되는,
    방법.
KR1020230104067A 2023-08-09 2023-08-09 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치 KR102605447B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230104067A KR102605447B1 (ko) 2023-08-09 2023-08-09 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230104067A KR102605447B1 (ko) 2023-08-09 2023-08-09 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102605447B1 true KR102605447B1 (ko) 2023-11-24

Family

ID=88972196

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230104067A KR102605447B1 (ko) 2023-08-09 2023-08-09 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102605447B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220031446A (ko) * 2020-09-04 2022-03-11 이고은 해외 인플루언서 매칭 및 정산을 통한 원스톱 해외 수출 플랫폼 시스템
KR102499572B1 (ko) * 2022-10-13 2023-02-16 (주)사모예드 의류 수출 판매 플랫폼 서비스 제공 방법, 장치 및 시스템
KR20230104491A (ko) * 2021-12-31 2023-07-10 카페24 주식회사 웹 페이지의 이미지 변환 방법, 장치 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220031446A (ko) * 2020-09-04 2022-03-11 이고은 해외 인플루언서 매칭 및 정산을 통한 원스톱 해외 수출 플랫폼 시스템
KR20230104491A (ko) * 2021-12-31 2023-07-10 카페24 주식회사 웹 페이지의 이미지 변환 방법, 장치 및 시스템
KR102499572B1 (ko) * 2022-10-13 2023-02-16 (주)사모예드 의류 수출 판매 플랫폼 서비스 제공 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
KR102625772B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102576380B1 (ko) 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템
KR102550862B1 (ko) 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치
KR102605447B1 (ko) 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치
KR102468206B1 (ko) 뉴럴 네트워크를 이용한 크리에이팅 보조 방법, 그 방법을 수행하는 서버 및 단말기
KR102384892B1 (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR20230090979A (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102591113B1 (ko) 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치
KR102622114B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치
KR102536395B1 (ko) 뉴럴 네트워크를 이용한 화장품 추천 방법 및 장치
KR102668843B1 (ko) 인공지능을 이용한 스마트 주문 시스템
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102652009B1 (ko) 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 동영상을 기반으로 하는 이북을 제공하는 방법 및 장치
KR102644779B1 (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법
KR102528407B1 (ko) 뉴럴 네트워크를 이용하여 인플루언서와 광고 대상의 분야에 대한 연관도에 따른 마케팅 비용에 대한 정보를 결정하는 방법 및 장치
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102658238B1 (ko) 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 영어 글쓰기 서비스를 제공하는 방법 및 장치
KR102596451B1 (ko) 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102501056B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 제공 방법 및 장치
KR102466836B1 (ko) 뉴럴 네트워크를 이용한 매칭 방법 및 매칭 장치
KR102602241B1 (ko) 블록체인 기반의 인공지능 헬스케어 플랫폼 시스템
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치

Legal Events

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