KR102622114B1 - 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 Download PDF

Info

Publication number
KR102622114B1
KR102622114B1 KR1020230134991A KR20230134991A KR102622114B1 KR 102622114 B1 KR102622114 B1 KR 102622114B1 KR 1020230134991 A KR1020230134991 A KR 1020230134991A KR 20230134991 A KR20230134991 A KR 20230134991A KR 102622114 B1 KR102622114 B1 KR 102622114B1
Authority
KR
South Korea
Prior art keywords
product
image
fashion
user terminal
user
Prior art date
Application number
KR1020230134991A
Other languages
English (en)
Inventor
양소영
Original Assignee
양소영
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 양소영 filed Critical 양소영
Priority to KR1020230134991A priority Critical patent/KR102622114B1/ko
Application granted granted Critical
Publication of KR102622114B1 publication Critical patent/KR102622114B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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

Abstract

실시예들은 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 사용자에 대한 가입 정보를 포함하는 가입 요청 메시지를 상기 사용자 단말로부터 수신하고, 상기 가입 요청 메시지에 기반하여 사용자의 구매성향을 확인하기 위한 추가 정보 요청 메시지를 상기 사용자 단말에게 전송하고, 의류를 보관하는 형태와 관련된 이미지를 포함하는 추가 정보를 상기 사용자 단말로부터 수신하고, 상기 의류를 보관하는 형태와 관련된 이미지는 의류가 보관된 상태의 옷장 내부가 촬영된 제1 이미지 또는 의류가 보관된 상태의 가먼트 랙(garment rack)이 촬영된 제2 이미지 중 적어도 하나를 포함하고, 상기 사용자에 대한 가입 정보 및 상기 의류를 보관하는 형태와 관련된 이미지에 기반하여 제1 뉴럴 네트워크를 이용하는 구매성향 결정 모델을 통해 상기 사용자 단말에 대한 구매성향별 점수를 결정하고, 상기 구매성향별 점수는 충동 구매성향 점수, 트렌드 구매성향 점수, 브랜드 구매성향 점수 및 경제적 구매성향 점수를 포함하고, 상기 사용자 단말에 대한 구매성향별 점수에 기반하여 복수의 패션 상품 중에서 상기 사용자 단말에 대해 매칭되는 적어도 하나의 추천 패션 상품을 결정하고, 상기 패션 상품에 대한 추천 정보를 포함하는 가입 승인 메시지를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 가입 승인 메시지는 상기 사용자 단말에 대한 구매성향별 점수, 상기 적어도 하나의 추천 패션 상품에 대한 브랜드명 및 상품 이미지를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치{METHOD AND APPARATUS FOR TRANSMITTING FASHION PRODUCT RECOMMENDATION INFORMATION TO USER TERMINALS USING NEURAL NETWORKS}
본 개시의 실시예들은 사용자 단말에게 상품에 대한 추천 정보를 전송하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치에 대한 것이다.
한편, 인터넷과 무선 통신 기술의 발전으로 온라인 쇼핑몰에서 전자 상거래가 보편화되고 있다. 이러한 상황에서 종래의 전자 상거래에서는 사용자의 성향을 파악하기 위해 설문 조사를 통한 정보 수집이 일반적이며, 이를 기반으로 상품을 추천하는 알고리즘이 주로 활용되고 있다.
최근에는 빅데이터와 AI를 활용한 추천 알고리즘이 도입되면서, 사용자 데이터를 효과적으로 활용하여 성향을 더욱 정확히 예측할 수 있게 되었다. 그러나, 사용자의 데이터는 개인 정보로 보호되어 있기 때문에 사용자의 명시적인 동의 없이는 활용할 수 없는 문제가 있다. 특히, 온라인 쇼핑몰에 처음 가입한 사용자는 패션 상품(예: 의류, 가방, 모자, 액세서리 등)에 대한 과거 구매 이력을 조회하기 어렵기 때문에, 사용자의 성향을 파악하는 데 한계가 있을 수 있다.
이에, 의류가 보관된 상태의 옷장 내부 이미지 또는 의류가 보관된 상태의 가먼트 랙(garment rack)과 같이 사용자가 현재 의류를 보관하고 있는 형태와 관련된 이미지를 사용자 단말로부터 수신하여 뉴럴 네트워크를 통해 사용자의 구매성향을 결정하고, 구매성향에 따라 상품에 대한 추천 정보를 사용자 단말에게 전송하는 방법이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 패션 상품에 대한 추천 정보를 전송하는 방법은, 사용자에 대한 가입 정보를 포함하는 가입 요청 메시지를 상기 사용자 단말로부터 수신하고, 상기 가입 요청 메시지에 기반하여 사용자의 구매성향을 확인하기 위한 추가 정보 요청 메시지를 상기 사용자 단말에게 전송하고, 의류를 보관하는 형태와 관련된 이미지를 포함하는 추가 정보를 상기 사용자 단말로부터 수신하고, 상기 의류를 보관하는 형태와 관련된 이미지는 의류가 보관된 상태의 옷장 내부가 촬영된 제1 이미지 또는 의류가 보관된 상태의 가먼트 랙(garment rack)이 촬영된 제2 이미지 중 적어도 하나를 포함하고, 상기 사용자에 대한 가입 정보 및 상기 의류를 보관하는 형태와 관련된 이미지에 기반하여 제1 뉴럴 네트워크를 이용하는 구매성향 결정 모델을 통해 상기 사용자 단말에 대한 구매성향별 점수를 결정하고, 상기 구매성향별 점수는 충동 구매성향 점수, 트렌드 구매성향 점수, 브랜드 구매성향 점수 및 경제적 구매성향 점수를 포함하고, 상기 사용자 단말에 대한 구매성향별 점수에 기반하여 복수의 패션 상품 중에서 상기 사용자 단말에 대해 매칭되는 적어도 하나의 추천 패션 상품을 결정하고, 상기 패션 상품에 대한 추천 정보를 포함하는 가입 승인 메시지를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 가입 승인 메시지는 상기 사용자 단말에 대한 구매성향별 점수, 상기 적어도 하나의 추천 패션 상품에 대한 브랜드명 및 상품 이미지를 포함할 수 있다.
실시예들에 따르면, 서버는 사용자에 대한 가입 정보 및 의류를 보관하는 형태와 관련된 이미지에 기반하여 뉴럴 네트워크를 이용하는 구매성향 결정 모델을 통해 상기 사용자 단말에 대한 구매성향별 점수를 결정할 수 있다. 따라서, 서버는 사용자의 과거 구매 이력에 대한 데이터를 별도로 요청하지 않고, 옷장 내부가 촬영된 이미지 또는 가먼트 랙이 촬영된 이미지를 통해 사용자가 구매한 의류를 보관하는 형태에 따라 사용자의 구매성향을 파악할 수 있다.
실시예들에 따르면, 서버는 사용자 단말에 대한 구매성향별 점수에 기반하여 복수의 패션 상품 중에서 상기 사용자 단말에 대해 매칭되는 적어도 하나의 추천 패션 상품을 결정하여 사용자 단말에게 전송할 수 있다. 이를 통해, 서버는 사용자의 구매성향에 적합한 패션 상품을 사용자 단말에게 추천할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 패션 상품에 대한 추천 정보를 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 세트 결정 모델에 대한 예를 나타낸 도면이다.
도 5는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 사용자 단말에게 패션 상품에 대한 추천 정보를 전송하는 방법을 나타낸 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 패션 상품에 대한 추천 정보를 전송하는 방법을 나타낸다. 도 3의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버(예: 도 1의 서버(108))는 사용자에 대한 가입 정보를 포함하는 가입 요청 메시지를 사용자 단말(예: 도 1의 전자 장치(101))로부터 수신할 수 있다.
서버는 사용자 단말로부터 가입 정보와 함께 의류를 보관하는 형태와 관련된 이미지를 수신하여 뉴럴 네트워크를 통해 사용자의 구매성향을 결정하고, 결정된 사용자의 구매성향에 따라 패션 상품에 대한 추천 정보를 제공하는 서버일 수 있다. 사용자 단말은 사용자 단말에 설치된 사용자 인터페이스를 통해 서버에게 가입 정보 및 의류를 보관하는 형태와 관련된 이미지를 포함하는 추가 정보를 제공하고, 서버로부터 패션 상품에 대한 추천 정보를 수신하는 단말일 수 있다.
가입 요청 메시지는 사용자 단말이 서버가 제공하는 서비스에 대한 가입을 요청하는 메시지일 수 있다. 사용자에 대한 가입 정보는 사용자 단말이 서버가 제공하는 서비스에 가입하기 위한 정보일 수 있다. 예를 들어, 사용자에 대한 가입 정보는 사용자의 나이, 사용자의 성별, 사용자의 평균 쇼핑 빈도 수, 사용자의 체형에 대한 정보 및 사용자 단말의 식별 정보를 포함할 수 있다. 사용자의 평균 쇼핑 빈도 수는 사용자가 사전 설정된 기간 내 평균적으로 패션 상품에 대한 온라인 및/또는 오프라인 쇼핑을 하는 횟수일 수 있다. 예를 들어, 사전 설정된 기간은 1개월일 수 있다. 사용자의 체형에 대한 정보는 사용자의 신장, 사용자의 체중, 사용자의 가슴 둘레 및 사용자의 허리 둘레를 포함할 수 있다. 사용자 단말의 식별 정보는 사용자 단말을 식별하기 위한 정보일 수 있다. 예를 들어, 사용자 단말의 식별 정보는 사용자 단말이 서비스에 가입한 ID, SNS(social network service) 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 가입 요청 메시지에 기반하여 사용자의 구매성향을 확인하기 위한 추가 정보 요청 메시지를 사용자 단말에게 전송할 수 있다.
추가 정보 요청 메시지는 사용자 단말의 구매성향을 확인하기 위해 필요한 추가 정보를 서버가 사용자 단말에게 요청하는 메시지일 수 있다. 예를 들어, 서버는 사용자 단말의 식별 정보를 기반으로 식별된 사용자 단말에게 추가 정보 요청 메시지를 전송할 수 있다.
단계 S330에서, 서버는 의류를 보관하는 형태와 관련된 이미지를 포함하는 추가 정보를 사용자 단말로부터 수신할 수 있다.
의류를 보관하는 형태와 관련된 이미지는 의류가 보관된 상태의 옷장 내부가 촬영된 제1 이미지 또는 의류가 보관된 상태의 가먼트 랙(garment rack) 촬영된 제2 이미지 중 적어도 하나를 포함할 수 있다. 여기서, 가먼트 랙은 옷걸이를 매다는 가구를 지칭할 수 있다.
예를 들어, 사용자 단말은 추가 정보 요청 메시지에 기반하여 실행된 사용자 인터페이스를 기반으로 제1 이미지 또는 제2 이미지 중 적어도 하나를 사용자 단말에 구비된 카메라 모듈을 통해 촬영할 수 있다.
단계 S340에서, 서버는 사용자에 대한 가입 정보 및 의류를 보관하는 형태와 관련된 이미지에 기반하여 제1 뉴럴 네트워크를 이용하는 구매성향 결정 모델을 통해 사용자 단말에 대한 구매성향별 점수를 결정할 수 있다.
구매성향별 점수는 충동 구매성향 점수, 트렌드 구매성향 점수, 브랜드 구매성향 점수 및 경제적 구매성향 점수를 포함할 수 있다. 즉, 복수의 구매성향은 충동 구매성향, 트렌드 구매성향, 브랜드 구매성향 및 경제적 구매성향을 포함할 수 있다. 충동 구매성향 점수는 쇼핑의 빈도 수가 높고 쇼핑을 계획 없이 구매하는 성향에 대한 점수일 수 있다. 트렌드 구매성향 점수는 트렌드에 따라 패션 상품을 구매하고 새로운 트렌드에 관심있는 성향에 대한 점수일 수 있다. 브랜드 구매성향 점수는 널리 알려진 브랜드의 패션 상품을 주로 구매하는 성향에 대한 점수일 수 있다. 경제적 구매성향 점수는 비교적 값이 저렴한 패션 상품이나 세일 기간에 구매하는 성향에 대한 점수일 수 있다. 예를 들어, 구매성향별 점수는 0점에서 10점 사이의 값으로 결정될 수 있다.
예를 들어, 서버는 사용자에 대한 가입 정보에 대해 데이터 전처리를 수행하여 사용자의 나이, 사용자의 성별에 대한 값, 사용자의 체형과 관련된 값 및 사용자의 평균 쇼핑 빈도 수를 포함하는 사용자 벡터를 생성할 수 있다.
사용자의 성별에 대한 값은 남자인 경우에는 1, 여자인 경우에는 2로 결정될 수 있다. 사용자의 체형과 관련된 값은 사용자의 신장에 대한 값, 사용자의 체중에 대한 값, 사용자의 가슴 둘레에 대한 값 및 사용자의 허리 둘레에 대한 값을 포함할 수 있다. 사용자의 평균 쇼핑 빈도 수는 사전 설정된 기간 내 평균적으로 패션 상품에 대한 온라인 및/또는 오프라인 쇼핑을 하는 횟수에 대한 값일 수 있다.
예를 들어, 서버는 의류를 보관하는 형태와 관련된 이미지에 대해 데이터 전처리를 수행하여 제1 이미지 또는 제2 이미지 중 적어도 하나에 대한 픽셀 값으로 구성된 스토리지 벡터를 생성할 수 있다.
부가적으로, 예를 들어, 제1 이미지 또는 제2 이미지 중 적어도 하나에 대한 데이터 전처리는 다음과 같이 수행될 수 있다. 먼저, 서버는 제1 이미지 또는 제2 이미지 중 적어도 하나를 JPEG 파일 형식의 이미지로 변환시킬 수 있고, 변환된 이미지의 가장자리에 트리밍(trimming) 처리를 수행할 수 있다. 이후, 서버는 이미지 픽셀을 서브 샘플링하여 이미지에서 가장 긴 가장자리 크기를 28픽셀로 조정하고, 가우시안 연산자를 사용함으로써 변환된 이미지의 윤곽선을 선명하게 보이도록 처리할 수 있다. 서버는 가장 짧은 가장자리를 28픽셀로 확장하고 변환된 이미지를 중앙으로 배치시킬 수 있다. 마지막으로, 변환된 이미지의 색상을 보색으로 반전하고, 8비트 그레이 스케일 픽셀로 변환시킬 수 있다. 이를 통해, 제1 뉴럴 네트워크를 이용하는 구매성향 결정 모델의 이미지 데이터 처리 속도를 증가시킬 수 있다.
예를 들어, 서버는 사용자 벡터 및 스토리지 벡터를 구매성향 결정 모델에 입력시킴으로써, 사용자 단말에 대한 구매성향별 점수를 획득할 수 있다. 예를 들어, 구매성향 결정 모델은 사용자 벡터 및 스토리지 벡터를 기반으로 사용자 단말에 대한 구매성향별 점수를 출력할 수 있다.
예를 들어, 구매성향 결정 모델은 복수의 사용자 벡터, 복수의 스토리지 벡터, 복수의 기준 스토리지 벡터 및 복수의 정답 구매성향별 점수를 기반으로 학습될 수 있다.
예를 들어, 구매성향 결정 모델에 사용되는 제1 뉴럴 네트워크는 CNN 기반의 뉴럴 네트워크일 수 있다. 예를 들어, 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다.
예를 들어, 복수의 사용자 벡터, 복수의 스토리지 벡터, 복수의 기준 스토리지 벡터 및 복수의 정답 구매성향별 점수로 구성된 학습 데이터는 제1 입력 레이어에 입력되어 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 제1 출력 벡터는 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 제1 손실함수 레이어는 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 구매성향 결정 모델에 사용되는 제1 뉴럴 네트워크의 파라미터가 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
하나 이상의 제1 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다. 예를 들어, 컨벌루션 레이어에서 복수의 사용자 벡터, 복수의 스토리지 벡터 및 복수의 기준 스토리지 벡터가 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 구매성향별 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.
예를 들어, 학습 데이터로 사용되는 하나의 사용자 벡터 및 하나의 스토리지 벡터는 하나의 정답 구매성향별 점수와 하나의 세트로 구성될 수 있다. 예를 들어, 복수의 세트가 서버에 사전 저장될 수 있다.
복수의 기준 스토리지 벡터는 구매성향별 복수의 제1 기준 이미지 및 구매성향별 복수의 제2 기준 이미지에 대해 데이터 전처리가 수행된 픽셀 값을 포함할 수 있다. 예를 들어, 복수의 기준 스토리지 벡터는 각 구매성향별로 기준 스토리지 벡터가 분류되어 서버에 사전 저장될 수 있다. 제1 기준 이미지는 제1 이미지와 유사도를 비교하기 위한 기준으로 사용되는 이미지이고, 제2 기준 이미지는 제2 이미지와 유사도를 비교하기 위한 기준으로 사용되는 이미지일 수 있다. 예를 들어, 구매성향별 복수의 제1 기준 이미지는, 각 구매성향을 뚜렷하게 가진 복수의 사용자로부터 획득된, 의류가 보관된 상태의 옷장 내부가 촬영된 제1 이미지일 수 있다. 예를 들어, 구매성향별 복수의 제2 기준 이미지는, 각 구매성향을 뚜렷하게 가진 복수의 사용자로부터 획득된, 의류가 보관된 상태의 가먼트 랙이 촬영된 제2 이미지일 수 있다. 예를 들어, 각 구매성향을 뚜렷하게 가진 복수의 사용자는 해당 구매성향 점수가 사전 설정된 점수 이상인 사용자일 수 있다. 예를 들어, 사전 설정된 점수는 8점이상 10점 미만의 값으로 결정될 수 있다. 예를 들어, 구매성향별 복수의 제1 기준 이미지 및 구매성향별 복수의 제2 기준 이미지는 서버에 사전 저장될 수 있다.
예를 들어, 정답 구매성향별 점수는 스토리지 벡터와 복수의 기준 스토리지 벡터의 유사도를 구매성향별로 평균한 값에 사용자 벡터에 따른 가중치를 적용한 점수일 수 있다. 예를 들어, 정답 구매성향별 점수는 정답 충동 구매성향 점수, 정답 트렌드 구매성향 점수, 정답 브랜드 구매성향 점수 및 정답 경제적 구매성향 점수를 포함할 수 있다.
부가적으로, 예를 들어, 정답 구매성향별 점수 각각은 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Score는 정답 구매성향별 점수 중 어느 하나의 점수이고, 상기 nuser는 해당 구매성향 점수가 사전 설정된 점수 이상인 사용자의 수이고, 상기 simi는 해당 사용자의 스토리지 벡터와 i번째 사용자에 대한 기준 스토리지 벡터 사이의 유사도이고, 상기 αi는 해당 사용자의 성별과 i번째 사용자의 성별에 따른 가중치이고, 상기 Ageo는 해당 사용자의 나이이고, 상기 Agei는 i번째 사용자의 나이이고, 상기 no는 해당 사용자의 평균 쇼핑 횟수이고, 상기 ni는 i번째 사용자의 평균 쇼핑 횟수일 수 있다.
예를 들어, 사용자의 수를 결정하기 위한 사전 설정된 점수는 8점이상 10점 미만의 값으로 결정될 수 있다. 예를 들어, 해당 사용자의 성별과 i번째 사용자의 성별에 따른 가중치는 성별이 동일한 경우 1 값으로 설정되고, 성별이 상이한 경우 0.8 값으로 설정될 수 있다. 예를 들어, 해당 사용자의 스토리지 벡터와 i번째 사용자에 대한 기준 스토리지 벡터 사이의 유사도는 0보다 크고 1 이하인 값일 수 있다.
이를 통해, 서버는 사용자에 대한 기본적인 정보와 사용자가 사용 중인 옷장 내부의 이미지 또는 가먼트 랙의 이미지만으로 사용자 단말에 대한 구매성향별 점수를 결정하도록 구매성향 결정 모델을 학습시킬 수 있다.
단계 S350에서, 서버는 사용자 단말에 대한 구매성향별 점수에 기반하여 복수의 패션 상품 중에서 사용자 단말에 대해 매칭되는 적어도 하나의 추천 패션 상품을 결정할 수 있다.
복수의 패션 상품은 서버에서 사용자 단말에게 서비스를 제공하는 패션 상품을 포함할 수 있다. 패션 상품은 의류, 가방, 모자, 신발, 액세서리 및 화장품 등과 같이 다양한 상품을 포함할 수 있다.
예를 들어, 서버는 패션과 관련된 복수의 웹 페이지들에 대한 웹 크롤링을 통해 복수의 패션 상품 각각에 대한 복수의 키워드를 수집할 수 있다. 예를 들어, 서버는 패션 상품의 명칭 및 패션 상품의 브랜드명이 포함된 텍스트 위치로부터 사전 설정된 텍스트 범위 이내에 위치한 키워드들을 복수의 키워드로 수집할 수 있다. 부가적으로, 예를 들어, 사전 설정된 텍스트 범위는 복수의 키워드의 개수에 따라 조정될 수 있다. 예를 들어, 복수의 키워드의 개수가 키워드의 분포를 확인하기 위해 필요한 개수 미만인 경우, 사전 설정된 텍스트 범위는 더 큰 값으로 설정될 수 있다. 예를 들어, 복수의 키워드의 개수가 사전 설정된 최대 개수를 초과하는 경우, 사전 설정된 텍스트 범위는 더 작은 값으로 설정될 수 있다. 이때, 사전 설정된 최대 개수는 서버의 데이터 처리량에 따라 상이할 수 있다. 예를 들어, 서버의 데이터 처리량이 기준 처리량보다 클수록 사전 설정된 최대 개수도 큰 값으로 결정될 수 있다.
예를 들어, 서버는 복수의 키워드를 구매성향별로 분류할 수 있다. 예를 들어, 복수의 키워드는 각 구매성향과 관련된 키워드로 분류될 수 있다. 각 구매성향과 관련된 키워드와 유사 범위 내의 키워드들이 서버에 사전 저장될 수 있다. 여기서, 유사 범위 내의 키워드들은 해당 키워드와 유사한 의미를 가진 키워드들일 수 있다. 예를 들어, 충동 구매성향과 관련된 키워드는 즉흥적인, 감정적인, 유혹적인, 즉각적인, 감각적인, 한정판, 희귀한 등과 같은 키워드를 포함할 수 있다. 예를 들어, 트렌드 구매성향과 관련된 키워드는 인기, 베스트, 최신 유행, 미래지향적, 시즌 등과 같은 키워드를 포함할 수 있다. 예를 들어, 브랜드 구매성향과 관련된 키워드는 프리미엄, 명품, 시그니처, 럭셔리, 고급 등과 같은 키워드를 포함할 수 있다. 예를 들어, 경제적 구매성향과 관련된 키워드는 합리적인, 저렴, 할인, 절약, 특가, 실용, 미니멀 등과 같은 키워드를 포함할 수 있다. 예를 들어, 복수의 키워드 중에서 각 구매성향과 관련된 키워드에 매칭되지 않는 키워드는 각 구매성향과 관련된 키워드 중에서 유사 범위 내의 키워드가 가장 많은 키워드로 분류될 수 있다.
예를 들어, 서버는 구매성향별 키워드의 분포를 기반으로 복수의 패션 상품마다 구매성향별 매칭 점수를 결정할 수 있다. 예를 들어, 구매성향별 매칭 점수는 각 구매성향으로 분류된 키워드의 개수에서 구매성향별 키워드의 총 개수를 나눈 값에 10을 곱한 값일 수 있다.
예를 들어, 적어도 하나의 추천 패션 상품에 대한 구매성향별 매칭 점수의 분포와 사용자 단말에 대한 구매성향별 점수의 분포 사이의 유사도는 사전 설정된 유사도 이상일 수 있다. 예를 들어, 서버는 복수의 패션 상품마다 구매성향별 매칭 점수의 분포를 사용자 단말에 대한 구매성향별 점수의 분포와 비교하여, 복수의 패션 상품 중에서 구매성향별 매칭 점수의 분포와 사용자 단말에 대한 구매성향별 점수의 분포 사이의 유사도가 사전 설정된 유사도 이상인 패션 상품을 적어도 하나의 추천 패션 상품으로 결정할 수 있다.
예를 들어, 유사도는 [충동 구매성향 매칭 점수, 트렌드 구매성향 매칭 점수, 브랜드 구매성향 매칭 점수 및 경제적 구매성향 매칭 점수]로 구성된 제1 벡터와 [충동 구매성향 점수, 트렌드 구매성향 점수, 브랜드 구매성향 점수 및 경제적 구매성향 점수]로 구성된 제2 벡터 사이의 거리 값으로 결정될 수 있다. 이때, 제1 벡터와 제2 벡터 사이의 거리 값은 유클리드 거리, 맨하튼 거리, 코사인 거리 중 적어도 하나의 값으로 결정될 수 있다. 유클리드 거리는 두 벡터 사이의 직선거리를 나타내며, 를 통해 계산될 수 있다. 맨하튼 거리는 벡터의 i번째 차원의 값이 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 벡터를 구성하는 차원의 수, pi는 제1 벡터의 i번째 차원의 값, qi는 제2 벡터의 i번째 차원의 값일 수 있다.
단계 S360에서, 서버는 패션 상품에 대한 추천 정보를 포함하는 가입 승인 메시지를 사용자 단말에게 전송할 수 있다.
가입 승인 메시지는 사용자 단말이 전송한 가입 요청 메시지에 대한 서버의 응답 메시지이며, 사용자 단말에 대한 가입을 승인하는 메시지일 수 있다. 가입 승인 메시지는 사용자 단말에 대한 구매성향별 점수, 적어도 하나의 추천 패션 상품에 대한 브랜드명 및 상품 이미지를 포함할 수 있다. 예를 들어, 복수의 패션 상품마다 상품의 명칭, 상품의 브랜드명, 상품의 가격, 상품의 종류 및 상품 이미지가 서버에 사전 저장될 수 있다.
일 실시예에 따르면, 서버는 사용자 단말로부터 패션 상품에 대한 조회를 요청하는 상품 조회 요청 메시지를 수신할 수 있다. 여기서, 패션 상품은 복수의 패션 상품 중에서 사용자 단말에 의해 선택된 패션 상품일 수 있다. 예를 들어, 사용자 단말이 사용자 단말에 설치된 사용자 인터페이스를 통해 조회를 원하는 상품을 선택한 것에 기반하여 상품 조회 요청 메시지가 전송될 수 있다.
상품 조회 요청 메시지는 패션 상품에 대한 식별 정보를 포함할 수 있다. 예를 들어, 패션 상품에 대한 식별 정보는 사전 설정된 상품 코드 번호 및 패션 상품의 명칭을 포함할 수 있다. 상품 코드 번호는 상품을 분류하기 위한 코드일 수 있다. 예를 들어, 상품 코드 번호는 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.
예를 들어, 서버는 패션 상품에 대한 식별 정보를 기반으로 패션 상품에 대한 정보를 사용자 단말에게 전송할 수 있다. 패션 상품에 대한 정보는 상품의 명칭, 상품의 브랜드명, 상품의 가격, 상품의 종류 및 상품 이미지를 포함할 수 있다.
예를 들어, 서버는 사용자 단말에 대한 구매성향별 점수 및 패션 상품에 대한 정보를 기반으로 복수의 뉴럴 네트워크를 이용하는 세트 상품 결정 모델을 통해 추천 세트 상품을 결정할 수 있다. 복수의 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델 기반의 제2 뉴럴 네트워크와 CNN(convolutional neural network) 기반의 제3 뉴럴 네트워크를 포함할 수 있다. 패션 상품과 관련된 세트 상품은 사용자 단말에 의해 선택된 패션 상품과 함께 착용 가능한 상품 세트를 지칭하며, 사용자 단말에 의해 선택된 패션 상품과 상품의 종류가 상이한 패션 상품으로 구성될 수 있다. 추천 세트 상품은 사용자 단말에 의해 선택된 패션 상품과 함께 착용하는 것을 추천하는 상품으로 구성된 세트를 지칭할 수 있다.
서버는 사용자 단말에 대한 구매성향별 점수에 대해 데이터 전처리를 수행하여, 충동 구매성향 점수, 트렌드 구매성향 점수, 브랜드 구매성향 점수 및 경제적 구매성향 점수로 구성된 성향 벡터를 생성할 수 있다.
서버는 패션 상품에 대한 정보에 대해 데이터 전처리를 수행하여, 상품의 종류에 대한 값, 상품의 가격 및 상품의 브랜드명에 대한 값으로 구성된 상품 벡터와 상품 이미지에 대한 픽셀 값으로 구성된 이미지 벡터를 생성할 수 있다. 상품의 종류에 대한 값은 복수의 상품의 종류 중 어느 하나의 상품의 종류를 나타내는 값을 포함할 수 있다. 예를 들어, 복수의 상품의 종류는 티셔츠, 블라우스, 자켓, 코트, 면바지, 청바지, 치마, 가방, 운동화, 구두, 목걸이, 귀걸이, 팔찌, 화장품 등과 같이 다양한 상품의 종류를 포함할 수 있다. 예를 들어, 복수의 상품의 종류와 각 상품의 종류를 나타내는 값은 서버에 사전 저장될 수 있다. 상품의 브랜드명에 대한 값은 복수의 브랜드명 중에서 어느 하나의 브랜드명을 나타내는 값을 포함할 수 있다. 예를 들어, 복수의 브랜드명과 각 브랜드명을 나타내는 값은 서버에 사전 저장될 수 있다.
예를 들어, 성향 벡터 및 상품 벡터가 다변량 LSTM 모델 기반의 제2 뉴럴 네트워크에 입력되는 것에 기반하여 패션 상품과 관련된 복수의 세트 상품에 대한 벡터가 출력될 수 있다. 패션 상품과 관련된 복수의 세트 상품에 대한 벡터는 패션 상품과 관련된 복수의 세트 상품 각각에 포함된 패션 상품의 식별 정보를 포함할 수 있다. 예를 들어, 패션 상품과 관련된 세트 상품에 대한 벡터는, 패션 상품과 관련된 세트 상품에 포함된, 패션 상품의 사전 설정된 상품 코드 번호 및 패션 상품의 명칭에 대한 값을 포함할 수 있다. 이하, 패션 상품과 관련된 복수의 세트 상품에 대한 벡터를 세트 집합 벡터라 지칭한다.
예를 들어, 서버는 성향 벡터 및 상품 벡터를 벡터가 다변량 LSTM 모델 기반의 제2 뉴럴 네트워크에 입력시킴으로써, 세트 집합 벡터를 획득할 수 있다.
예를 들어, 서버는 제2 뉴럴 네트워크로부터 출력된 세트 집합 벡터에 기반하여 패션 상품과 관련된 복수의 세트 상품 각각에 대한 상품 이미지를 획득할 수 있다. 예를 들어, 서버는 세트 집합 벡터에 기반하여 복수의 패션 상품 중에서 패션 상품과 관련된 복수의 세트 상품 각각에 대응하는 패션 상품의 상품 이미지를 획득할 수 있다. 예를 들어, 서버는 패션 상품과 관련된 복수의 세트 상품 각각에 대한 상품 이미지에 대해 데이터 전처리를 수행하여 복수의 이미지 세트 벡터를 생성할 수 있다. 이미지 세트 벡터는 패션 상품과 관련된 세트 상품 각각에 대한 상품 이미지에 대한 픽셀 값으로 구성될 수 있다.
예를 들어, 서버는 패션 상품에 대한 정보에 포함된 상품 이미지 및 패션 상품과 관련된 세트 상품 각각에 대한 상품 이미지를 JPEG 파일 형식의 이미지로 변환시킬 수 있고, 변환된 이미지의 가장자리에 트리밍(trimming) 처리를 수행할 수 있다. 이후, 서버는 이미지 픽셀을 서브 샘플링하여 이미지에서 가장 긴 가장자리 크기를 28픽셀로 조정하고, 가우시안 연산자를 사용함으로써 변환된 이미지의 윤곽선을 선명하게 보이도록 처리할 수 있다. 서버는 가장 짧은 가장자리를 28픽셀로 확장하고 변환된 이미지를 중앙으로 배치시킬 수 있다. 마지막으로, 변환된 이미지의 색상을 보색으로 반전하고, 8비트 그레이 스케일 픽셀로 변환시킬 수 있다. 이를 통해, 제3 뉴럴 네트워크의 이미지 데이터 처리 속도를 증가시킬 수 있다.
예를 들어, 서버는 이미지 벡터 및 복수의 이미지 세트 벡터를 CNN 기반의 제3 뉴럴 네트워크에 입력시킴으로써, 패션 상품과 관련된 복수의 세트 상품 각각에 대한 세트 점수를 획득할 수 있다. 예를 들어, 이미지 벡터 및 복수의 이미지 세트 벡터가 CNN 기반의 제3 뉴럴 네트워크에 입력되는 것에 기반하여 패션 상품과 관련된 복수의 세트 상품 각각에 대한 세트 점수가 출력될 수 있다.
예를 들어, 추천 세트 상품은 패션 상품과 관련된 복수의 세트 상품 중에서 세트 점수가 사전 설정된 점수 이상인 세트 상품으로 결정될 수 있다. 예를 들어, 추천 세트 상품은 동일한 패션 상품에 대해 사용자 단말에 대한 구매성향별 점수에 따라 상이하게 결정될 수 있다.
예를 들어, 서버는 패션 상품에 대한 상품 조회와 관련된 웹 페이지에서 사용자 단말의 체류 시간이 사전 설정된 시간 이상인 것에 기반하여 추천 세트 상품에 대한 정보를 전송할 수 있다. 사용자 단말의 체류 시간은 사용자 단말이 해당 웹 페이지에 체류한 시간일 수 있고, 서버에 기록된 사용자 단말에 대한 웹 로그를 통해 결정될 수 있다. 추천 세트 상품에 대한 정보는 각 상품의 명칭, 각 상품의 가격, 각 상품의 브랜드명 및 각 상품 이미지를 포함할 수 있다.
도 4는 일 실시예에 따른 세트 결정 모델에 대한 예를 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 세트 결정 모델에 사용되는 제2 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델일 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, 제2 뉴럴 네트워크는 제2 입력 레이어(410), 하나 이상의 제2 히든 레이어(420), 제2 출력 레이어(430)를 포함할 수 있다.
복수의 성향 벡터, 복수의 상품 벡터 및 복수의 정답 세트 집합 벡터로 구성된 각각의 학습 데이터는 제2 뉴럴 네트워크의 제2 입력 레이어(410)에 입력되어 하나 이상의 제2 히든 레이어(420) 및 제2 출력 레이어(430)를 통과하여 제2 출력 벡터로 출력되고, 제2 출력 벡터는 제2 출력 레이어(430)에 연결된 제2 손실함수 레이어에 입력되고, 제2 손실함수 레이어는 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 제2 뉴럴 네트워크의 파라미터가 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
학습 데이터로 사용되는 복수의 정답 세트 집합 벡터는 상품 벡터에 해당하는 패션 상품을 구매한 복수의 사용자가 함께 구매한 다른 패션 상품의 세트들에 대한 벡터일 수 있다. 학습 데이터로 사용되는 복수의 정답 세트 집합 벡터는 서버에 사전 저장된 구매 이력을 기반으로 결정될 수 있다. 이때, 패션 상품과 관련된 세트 상품은 상품 벡터에 해당하는 패션 상품을 구매한 복수의 사용자가 함께 구매한 다른 패션 상품들 중에서 함께 구매된 횟수가 사전 설정된 횟수 이상인 패션 상품들로 구성될 수 있다. 즉, 학습 데이터로 사용되는 정답 세트 집합 벡터는 패션 상품과 관련된 복수의 세트 상품을 나타내는 정답 벡터일 수 있다. 예를 들어, 패션 상품과 관련된 복수의 세트 상품을 나타내는 정답 벡터는 상품 벡터에 해당하는 패션 상품을 구매한 사용자의 구매성향별 점수의 분포에 따라 분류되어 사전 설정될 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 성향 벡터 및 하나의 상품 벡터는 하나의 정답 세트 집합 벡터와 하나의 세트로 구성될 수 있다. 예를 들어, 복수의 세트가 서버에 사전 저장될 수 있다.
이를 통해, 제2 뉴럴 네트워크는 성향 벡터와 상품 벡터에 따라 정답 세트 집합 벡터를 출력하도록 학습될 수 있다.
예를 들어, 사전 저장된 구매 이력은 복수의 사용자 각각이 구매한 시점을 포함할 수 있고, 최근에 구매된 세트 상품이 이전에 구매된 세트 상품보다 큰 가중치가 적용될 수 있다. 가중치는 0에서 1 사이의 값을 가질 수 있다.
예를 들어, 상기 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, 하나의 세트로 구성된 성향 벡터, 상품 벡터 및 정답 세트 집합 벡터가 상기 제2 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 성향 벡터, 상품 벡터 및 정답 세트 집합 벡터가 입력된 것을 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 성향 벡터, 상품 벡터 및 정답 세트 집합 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, 제2 뉴럴 네트워크 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.
따라서, 서버는 다변량 LSTM 모델을 통해 학습된 제2 뉴럴 네트워크의 파라미터를 사용할 수 있고, 서버는 제2 뉴럴 네트워크를 이용하여 사용자의 구매성향별 점수 및 서버 내 저장된 복수의 사용자에 대한 구매 이력을 기반으로 특정 패션 상품과 관련된 복수의 세트 상품을 결정할 수 있다.
예를 들어, 제3 뉴럴 네트워크는 제3 입력 레이어(440), 하나 이상의 제3 히든 레이어(450) 및 제3 출력 레이어(460)를 포함할 수 있다.
예를 들어, 복수의 이미지 벡터, 복수의 이미지 세트 벡터 및 복수의 정답 세트 점수로 구성된 학습 데이터는 제3 입력 레이어(440)에 입력되어 하나 이상의 제3 히든 레이어(450) 및 제3 출력 레이어(460)를 통과하여 제3 출력 벡터로 출력되고, 제3 출력 벡터는 제3 출력 레이어(460)에 연결된 제3 손실함수 레이어에 입력되고, 제3 손실함수 레이어는 제3 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 구매성향 결정 모델에 사용되는 제3 뉴럴 네트워크의 파라미터가 제3 손실 값이 작아지는 방향으로 학습될 수 있다.
하나 이상의 제3 히든 레이어(450)는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다. 예를 들어, 컨벌루션 레이어에서 복수의 이미지 벡터, 복수의 이미지 세트 벡터 및 복수의 정답 세트 점수로 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 세트 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, 제3 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.
예를 들어, 학습 데이터로 사용되는 하나의 이미지 벡터는 해당 이미지 벡터와 매칭된 복수의 이미지 세트 벡터와 해당 복수의 이미지 세트 벡터 각각에 대한 정답 세트 점수가 하나의 세트로 구성될 수 있다. 예를 들어, 복수의 세트가 서버에 사전 저장될 수 있다.
예를 들어, 학습 데이터로 사용되는 이미지 벡터와 이미지 세트 벡터 사이의 정답 세트 점수는 복수의 외부 단말로부터 사전 획득될 수 있다. 예를 들어, 세트 점수는 0점부터 10점 사이의 값으로 결정될 수 있다. 이때, 세트 점수가 높은 값일수록 해당 패션 상품과 함께 착용할 가능성이 높은 세트일 수 있다. 예를 들어, 복수의 외부 단말은 패션 전문가들이 사용하는 단말일 수 있으며, 정답 세트 점수는 하나의 이미지 벡터와 하나의 이미지 세트 벡터에 대해 복수의 외부 단말로부터 수신한 세트 점수를 평균한 점수일 수 있다.
이를 통해, 서버는 사용자의 구매성향별 점수에 따라 구매할 확률이 높은 세트 상품들 중에서 세트 점수가 높은 세트 상품을 결정하도록 세트 상품 결정 모델을 학습시킬 수 있다.
도 5는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 사용자 단말에게 패션 상품에 대한 추천 정보를 전송하는 방법을 나타낸 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S510에서, 서버는 사용자에 대한 가입 정보 및 의류를 보관하는 형태와 관련된 이미지에 기반하여 제1 뉴럴 네트워크를 이용하는 구매성향 결정 모델을 통해 사용자 단말에 대한 구매성향별 점수를 결정할 수 있다.
단계 S520에서, 서버는 사용자 단말에 대한 구매성향별 점수의 분포와 구매성향별 매칭 점수의 분포에 대한 유사도가 사전 설정된 유사도 이상인지 여부를 복수의 패션 상품마다 결정할 수 있다.
부가적으로, 예를 들어. 사전 설정된 유사도는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 Simth는 상기 사전 설정된 유사도이고, 상기 usertotal은 서버에 등록된 사용자 단말의 총 개수이고, 상기 userdef는 기본 사용자 단말의 개수이고, 상기 ktotal은 상기 복수의 패션 상품에 대해 수집된 키워드의 총 개수이고, 상기 kdef는 기본 키워드의 개수이고, 상기 simdef는 상기 사전 설정된 유사도에 대한 기본 값일 수 있다.
예를 들어, 기본 사용자의 수, 기본 키워드의 개수 및 사전 설정된 유사도에 대한 기본 값은 서버에 사전 저장될 수 있다. 이때, 기본 사용자의 수, 기본 키워드의 개수 및 사전 설정된 유사도에 대한 기본 값은 유사도를 비교하기 위해 필요한 값으로 설정될 수 있다. 예를 들어, min 함수는 괄호 안의 두 값 중에서 더 작은 값을 결정하는 함수일 수 있다.
이를 통해, 사전 설정된 유사도가 항상 고정된 값으로 설정되지 않고, 사용자의 수와 수집된 키워드의 수에 따라 유동적으로 설정될 수 있다.
단계 S530에서, 복수의 패션 상품 중에서 구매성향별 매칭 점수의 분포와 사용자 단말에 대한 구매성향별 점수의 분포 사이의 유사도가 사전 설정된 유사도 이상인 패션 상품이 존재하지 않는 경우, 서버는 사전 설정된 유사도를 설정된 값만큼 감소시킬 수 있다.
예를 들어, 사전 설정된 유사도는 적어도 하나의 추천 패션 상품이 존재할 때까지 감소될 수 있다.
단계 S540에서, 서버는 복수의 패션 상품 중에서 구매성향별 매칭 점수의 분포와 사용자 단말에 대한 구매성향별 점수의 분포 사이의 유사도가 사전 설정된 유사도 이상인 패션 상품을 적어도 하나의 추천 패션 상품으로 결정할 수 있다.
단계 S550에서, 서버는 사용자 단말로부터 상품 조회 요청 메시지를 수신할 수 있다.
예를 들어, 사용자 단말은 가입 승인 메시지를 수신한 것에 기반하여 상품 조회 요청 메시지를 전송할 수 있다.
단계 S560에서, 서버는 상품 조회 요청 메시지에 기반하여 패션 상품에 대한 정보를 사용자 단말에게 전송할 수 있다.
예를 들어, 서버는 상품 조회 요청 메시지에 포함된 패션 상품에 대한 식별 정보를 기반으로 패션 상품을 식별하고, 식별된 패션 상품에 대한 정보를 사용자 단말에게 전송할 수 있다.
단계 S570에서, 서버는 패션 상품에 대한 상품 조회와 관련된 웹 페이지에서 사용자 단말의 체류 시간이 사전 설정된 시간 이상인지 여부를 결정할 수 있다.
부가적으로, 사전 설정된 시간은 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 Timeth는 상기 사전 설정된 시간이고, 상기 Nm은 서버에 연결 가능한 사용자 단말의 최대 개수이고, 상기 Na는 서버에 연결되는 사용자 단말의 평균 개수이고, 상기 tr은 서버에 연결된 사용자 단말에 대한 평균 응답시간이고, 상기 tideal은 권장 응답시간이고, 상기 RSRP는 사용자 단말의 통신 상태와 관련된 값이고, 상기 RSRPi는 통신 상태와 관련된 값에 대한 권장 값이고, 상기 Ntype은 해당 패션 상품의 종류에 대한 상품 조회와 관련된 웹 페이지에 체류한 사용자 단말의 개수이고, 상기 Timej는 j번째 사용자 단말이 해당 패션 상품의 종류에 대한 상품 조회와 관련된 웹 페이지에 체류한 시간일 수 있다.
예를 들어, 서버에 연결 가능한 사용자 단말의 최대 개수, 권장 응답시간, 통신 상태와 관련된 값에 대한 권장 값 및 기본 값은 상기 서버에 사전 저장된 값일 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. RSRP(reference signal received power)는 사용자 단말의 통신 상태를 나타내는 값으로, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 사용자 단말의 통신 상태가 불량한 것으로 결정될 수 있다.
이를 통해, 체류 시간을 비교하는 기준이 사전 설정된 시간이 항상 고정된 값을 가지지 않고, 서버의 성능과 사용자 단말들의 통신 상태를 고려하여 유동적으로 변경될 수 있다.
단계 S580에서, 패션 상품에 대한 상품 조회와 관련된 웹 페이지에서 사용자 단말의 체류 시간이 사전 설정된 시간 미만인 경우, 서버는 사용자 단말이 해당 패션 상품에 대한 구매 페이지로 이동하였는지 여부를 결정할 수 있다.
예를 들어, 서버는 서버에 기록된 사용자 단말에 대한 웹 로그를 통해 구매 페이지로 이동하였는지 여부를 결정할 수 있다.
단계 S590에서, 서버는 추천 세트 상품에 대한 정보를 전송할 수 있다.
예를 들어, 패션 상품에 대한 상품 조회와 관련된 웹 페이지에서 사용자 단말의 체류 시간이 사전 설정된 시간 이상인 경우, 서버는 추천 세트 상품에 대한 정보를 전송할 수 있다.
예를 들어, 패션 상품에 대한 상품 조회와 관련된 웹 페이지에서 사용자 단말의 체류 시간이 사전 설정된 시간 미만이고, 사용자 단말이 해당 패션 상품에 대한 구매 페이지로 이동한 경우, 서버는 추천 세트 상품에 대한 정보를 전송할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 패션 상품에 대한 추천 정보를 전송하는 방법에 있어서,
    사용자에 대한 가입 정보를 포함하는 가입 요청 메시지를 상기 사용자 단말로부터 수신하는 단계;
    상기 가입 요청 메시지에 기반하여 사용자의 구매성향을 확인하기 위한 추가 정보 요청 메시지를 상기 사용자 단말에게 전송하는 단계;
    의류를 보관하는 형태와 관련된 이미지를 포함하는 추가 정보를 상기 사용자 단말로부터 수신하는 단계;
    상기 의류를 보관하는 형태와 관련된 이미지는 의류가 보관된 상태의 옷장 내부가 촬영된 제1 이미지 또는 의류가 보관된 상태의 가먼트 랙(garment rack)이 촬영된 제2 이미지 중 적어도 하나를 포함하고,
    상기 사용자에 대한 가입 정보 및 상기 의류를 보관하는 형태와 관련된 이미지에 기반하여 제1 뉴럴 네트워크를 이용하는 구매성향 결정 모델을 통해 상기 사용자 단말에 대한 구매성향별 점수를 결정하는 단계;
    상기 구매성향별 점수는 충동 구매성향 점수, 트렌드 구매성향 점수, 브랜드 구매성향 점수 및 경제적 구매성향 점수를 포함하고,
    상기 사용자 단말에 대한 구매성향별 점수에 기반하여 복수의 패션 상품 중에서 상기 사용자 단말에 대해 매칭되는 적어도 하나의 추천 패션 상품을 결정하는 단계;
    상기 패션 상품에 대한 추천 정보를 포함하는 가입 승인 메시지를 상기 사용자 단말에게 전송하는 단계;
    상기 사용자 단말로부터 패션 상품에 대한 조회를 요청하는 상품 조회 요청 메시지를 수신하는 단계;
    상기 패션 상품은 상기 복수의 패션 상품 중에서 상기 사용자 단말에 의해 선택된 패션 상품이고,
    상기 상품 조회 요청 메시지는 상기 패션 상품에 대한 식별 정보를 포함하고,
    상기 패션 상품에 대한 식별 정보를 기반으로 상기 패션 상품에 대한 정보를 상기 사용자 단말에게 전송하는 단계;
    상기 사용자 단말에 대한 구매성향별 점수 및 상기 패션 상품에 대한 정보를 기반으로 복수의 뉴럴 네트워크를 이용하는 세트 상품 결정 모델을 통해 추천 세트 상품을 결정하는 단계; 및
    상기 패션 상품에 대한 상품 조회와 관련된 웹 페이지에서 상기 사용자 단말의 체류 시간이 사전 설정된 시간 이상인 것에 기반하여 상기 추천 세트 상품에 대한 정보를 전송하는 단계를 포함하되,
    상기 가입 승인 메시지는 상기 사용자 단말에 대한 구매성향별 점수, 상기 적어도 하나의 추천 패션 상품에 대한 브랜드명 및 상품 이미지를 포함하고,
    상기 복수의 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델 기반의 제2 뉴럴 네트워크와 CNN(convolutional neural network) 기반의 제3 뉴럴 네트워크를 포함하고,
    상기 사용자 단말에 대한 구매성향별 점수에 대해 데이터 전처리가 수행됨으로써, 충동 구매성향 점수, 트렌드 구매성향 점수, 브랜드 구매성향 점수 및 경제적 구매성향 점수로 구성된 성향 벡터가 생성되고,
    상기 패션 상품에 대한 정보에 대해 데이터 전처리가 수행됨으로써, 상품의 종류에 대한 값, 상품의 가격 및 상품의 브랜드명으로 구성된 상품 벡터와 상품 이미지에 대한 픽셀 값으로 구성된 이미지 벡터가 생성되고,
    상기 성향 벡터 및 상기 상품 벡터가 상기 다변량 LSTM 모델 기반의 제2 뉴럴 네트워크에 입력되는 것에 기반하여 세트 집합 벡터가 출력되고,
    상기 세트 집합 벡터는 상기 패션 상품과 관련된 복수의 세트 상품에 대한 벡터이고,
    상기 세트 집합 벡터에 기반하여 상기 패션 상품과 관련된 복수의 세트 상품 각각에 대한 상품 이미지가 획득되고,
    상기 패션 상품과 관련된 복수의 세트 상품 각각에 대한 상품 이미지에 대해 데이터 전처리가 수행됨으로써, 복수의 이미지 세트 벡터가 생성되고,
    상기 이미지 세트 벡터는 상기 패션 상품과 관련된 세트 상품 각각에 대한 상품 이미지에 대한 픽셀 값으로 구성되고,
    상기 이미지 벡터 및 상기 복수의 이미지 세트 벡터가 상기 CNN 기반의 제3 뉴럴 네트워크에 입력되는 것에 기반하여 상기 패션 상품과 관련된 복수의 세트 상품 각각에 대한 세트 점수가 출력되고,
    상기 추천 세트 상품은 상기 패션 상품과 관련된 복수의 세트 상품 중에서 세트 점수가 사전 설정된 점수 이상인 세트 상품으로 결정되고, 및 동일한 패션 상품에 대해 상기 사용자 단말에 대한 구매성향별 점수에 따라 상이하게 결정되고,
    상기 제1 이미지 또는 상기 제2 이미지 중 적어도 하나를 사전 설정된 파일 형식의 이미지로 변환시키고,
    변환된 이미지의 가장자리에 트리밍(trimming) 처리가 수행되고,
    트리밍 처리된 이미지 픽셀을 서브 샘플링하여 이미지에서 가장 긴 가장자리 크기를 28픽셀로 조정시킨 후, 가우시안 연산자를 사용함으로써 변환된 이미지의 윤곽선이 처리되고,
    변환된 이미지에서 가장 짧은 가장자리를 28픽셀로 확장시킴으로써, 변환된 이미지를 중앙으로 배치시키고,
    변환된 이미지의 색상을 보색으로 반전하여, 8비트 그레이 스케일 픽셀로 변환시킨 것에 기반하여 상기 제1 이미지 또는 상기 제2 이미지 중 적어도 하나에 대한 픽셀 값이 결정되는,
    방법.
  2. 제 1항에 있어서,
    상기 사용자에 대한 가입 정보에 대해 데이터 전처리가 수행됨으로써, 사용자의 나이, 사용자의 성별에 대한 값, 사용자의 체형과 관련된 값 및 사용자의 평균 쇼핑 빈도 수를 포함하는 사용자 벡터가 생성되고,
    상기 의류를 보관하는 형태와 관련된 이미지에 대해 데이터 전처리가 수행됨으로써, 상기 제1 이미지 또는 상기 제2 이미지 중 적어도 하나에 대한 픽셀 값으로 구성된 스토리지 벡터가 생성되고,
    상기 사용자 벡터 및 상기 스토리지 벡터가 상기 구매성향 결정 모델에 입력되는 것에 기반하여 상기 사용자 단말에 대한 구매성향별 점수가 출력되고,
    상기 구매성향 결정 모델은 복수의 사용자 벡터, 복수의 스토리지 벡터, 복수의 기준 스토리지 벡터 및 복수의 정답 구매성향별 점수를 기반으로 학습되는,
    방법.
  3. 제 2항에 있어서,
    패션과 관련된 복수의 웹 페이지들에 대한 웹 크롤링을 통해 상기 복수의 패션 상품 각각에 대한 복수의 키워드가 수집되고,
    상기 복수의 키워드가 구매성향별로 분류되고,
    상기 구매성향별로 분류된 키워드의 분포를 기반으로 상기 복수의 패션 상품마다 구매성향별 매칭 점수가 결정되고,
    상기 복수의 패션 상품 중에서 구매성향별 매칭 점수의 분포와 상기 사용자 단말에 대한 구매성향별 점수의 분포 사이의 유사도가 사전 설정된 유사도 이상인 패션 상품이 상기 적어도 하나의 추천 패션 상품으로 결정되는,
    방법.


  4. 삭제
  5. 삭제
KR1020230134991A 2023-10-11 2023-10-11 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 KR102622114B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230134991A KR102622114B1 (ko) 2023-10-11 2023-10-11 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230134991A KR102622114B1 (ko) 2023-10-11 2023-10-11 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102622114B1 true KR102622114B1 (ko) 2024-01-05

Family

ID=89541015

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230134991A KR102622114B1 (ko) 2023-10-11 2023-10-11 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102622114B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200096898A (ko) * 2020-08-07 2020-08-14 김지우 기록매체에 기록된 의류관리 어플리케이션 프로그램, 이를 이용한 의류 관리 시스템 및 방법
KR20220144238A (ko) * 2021-04-19 2022-10-26 권진욱 의류 코디 추천 시스템
KR102464906B1 (ko) * 2017-12-26 2022-11-09 삼성전자주식회사 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법
KR20230110451A (ko) * 2023-03-28 2023-07-24 최랑 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에대한 정보를 전송하는 방법 및 장치
KR102592129B1 (ko) * 2023-05-10 2023-10-23 크럼플러코리아 주식회사 인공지능에 기반한 사용자 맞춤형 의류 추천시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102464906B1 (ko) * 2017-12-26 2022-11-09 삼성전자주식회사 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법
KR20200096898A (ko) * 2020-08-07 2020-08-14 김지우 기록매체에 기록된 의류관리 어플리케이션 프로그램, 이를 이용한 의류 관리 시스템 및 방법
KR20220144238A (ko) * 2021-04-19 2022-10-26 권진욱 의류 코디 추천 시스템
KR20230110451A (ko) * 2023-03-28 2023-07-24 최랑 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에대한 정보를 전송하는 방법 및 장치
KR102592129B1 (ko) * 2023-05-10 2023-10-23 크럼플러코리아 주식회사 인공지능에 기반한 사용자 맞춤형 의류 추천시스템

Similar Documents

Publication Publication Date Title
KR102582594B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102553152B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
KR102457277B1 (ko) 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치
KR102576380B1 (ko) 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템
KR102622114B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치
KR20230151425A (ko) 뉴럴 네트워크를 이용하여 색상 이미지 및 색상 이미지를 선택한 순서에 기반한 심리 상태와 관련된 정보를 제공하는 방법 및 장치
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR20230168097A (ko) 웹툰의 장르 값에 기반하여 웹툰의 유사도를 결정하는 방법 및 장치
KR102591113B1 (ko) 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102528407B1 (ko) 뉴럴 네트워크를 이용하여 인플루언서와 광고 대상의 분야에 대한 연관도에 따른 마케팅 비용에 대한 정보를 결정하는 방법 및 장치
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102605447B1 (ko) 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치
KR102493412B1 (ko) 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102644779B1 (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102486525B1 (ko) 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치
KR102610945B1 (ko) B2b 서비스 통합 관리 방법
KR102575856B1 (ko) 입력 수단의 호환 방법 및 장치
KR102536395B1 (ko) 뉴럴 네트워크를 이용한 화장품 추천 방법 및 장치
KR102563097B1 (ko) 뉴럴 네트워크를 이용하는 뷰티 서비스를 위한 온라인 결제 시스템
KR102602241B1 (ko) 블록체인 기반의 인공지능 헬스케어 플랫폼 시스템
KR102596451B1 (ko) 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치

Legal Events

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