KR102628994B1 - 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템 - Google Patents

인공지능에 기반한 소비자 맞춤형 가방 추천 시스템 Download PDF

Info

Publication number
KR102628994B1
KR102628994B1 KR1020230053080A KR20230053080A KR102628994B1 KR 102628994 B1 KR102628994 B1 KR 102628994B1 KR 1020230053080 A KR1020230053080 A KR 1020230053080A KR 20230053080 A KR20230053080 A KR 20230053080A KR 102628994 B1 KR102628994 B1 KR 102628994B1
Authority
KR
South Korea
Prior art keywords
bag
artificial intelligence
consumer
output
intelligence model
Prior art date
Application number
KR1020230053080A
Other languages
English (en)
Inventor
유광범
Original Assignee
주식회사 엔피오이
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 엔피오이 filed Critical 주식회사 엔피오이
Priority to KR1020230053080A priority Critical patent/KR102628994B1/ko
Priority to KR1020240008912A priority patent/KR102654946B1/ko
Application granted granted Critical
Publication of KR102628994B1 publication Critical patent/KR102628994B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일실시예에 따르면, 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템에 있어서, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 서버를 포함하는 시스템이 제공된다.

Description

인공지능에 기반한 소비자 맞춤형 가방 추천 시스템{AI-based personalized bag recommendation system for consumers}
본 발명은 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템을 제공하기 위한 기술에 관한 것이다.
소비자 개개인에 맞추어 상품을 추천하기 위해서는, 소비자가 원하는 스타일과 용도에 따라 추천할 수 있어야 한다. 기존에는 소비자의 취향에 관계없이 판매량이 많거나 인기가 많은 상품을 추천할 수 있었다.
또는, 소비자의 구매 내역과 동일한 구매 내역을 갖는 다른 소비자의 구매 내역에서 추천 상품을 추출하는 방식을 사용하였다.
그러나 이러한 추천 방식들은 소비자의 반응을 아직 얻지 못한 신제품이나 리뷰가 적은 상품에 대해서는 추천이 어려운 문제점이 있었다. 이로 인해 소비자의 선택지가 줄어들고 소비자의 취향을 고려하지 못한 대중적인 상품만 추천할 수 있었다.
이러한 문제점을 해결하기 위해, 소비자가 선호하는 상품에 대해 입력받은 후에 이 정보에 맞는 아이템 정보를 검색하여 제공하는 방식이 있었다. 하지만 이러한 방식은 소비자가 입력한 정보가 정확하지 않거나, 소비자도 모르는 정보에 대해서는 정확한 추천 결과를 얻을 수 없는 문제점이 있었다.
한국등록특허 제10-2282743호 한국공개특허 제10-2023-0049940호 한국등록특허 제10-2420170호 한국등록특허 제10-2296764호
일실시예에 따르면, 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템에 있어서, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 서버를 포함하는 시스템을 제공하기 위한 것을 그 목적으로 한다.
또한, 상기 서버는, 소정의 가격 비교 사이트 API와 소정의 소셜미디어 API를 이용하여, 복수의 가방 판매 브랜드의 이미지를 수집하고, 패션 스타일과 가방을 모두 포함하는 이미지를 선별하도록 기학습된 제1 인공지능 모델에, 상기 복수의 가방 판매 브랜드의 이미지를 입력하여 제1 출력을 획득하되, 상기 제1 인공지능 모델은, Faster R-CNN 알고리즘을 기반으로 하고, 유사한 이미지를 제거하도록 기학습된 제2 인공지능 모델에, 상기 제1 출력을 입력하여 제2 출력을 획득하되, 상기 제2 인공지능 모델은, Triplet Network 알고리즘을 기반으로 하고, 패션 스타일과 가방 영역을 잘라내도록 기학습된 제3 인공지능 모델에, 상기 제2 출력을 입력하여 제3 출력을 획득하되, 상기 제3 인공지능 모델은, U-Net 알고리즘 또는 Mask R-CNN 알고리즘을 기반으로 하고, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 웹사이트를 운용하고, 상기 제3 출력과 상기 웹사이트에 게시되어 판매 중인 가방의 이미지를 학습데이터로, 임의의 패션 스타일 이미지를 입력받으면, 상기 웹사이트에 게시되어 판매 중인 가방 중에, 상기 임의의 패션 스타일에 어울리는 정도에 따라 정렬한 추천 가방 목록을 출력하도록 제4 인공지능 모델을 기학습하되, 상기 제4 인공지능 모델은, CNN 알고리즘을 기반으로 하고, 상기 웹사이트에 신제품 가방이 게시되면, 상기 제4 인공지능 모델에 상기 신제품 가방의 이미지를 업데이트하여 학습시키고, 소비자 단말을 통해 소비자 계정이 상기 웹사이트에 접속되면, 상기 소비자 단말에 소비자의 패션 스타일을 획득하기 위한 인터페이스를 제공하되, 상기 인터페이스는, 소비자 단말을 통해 캐쥬얼, 엘레강스, 로맨틱, 에스닉, 스포티, 모던, 미니멀리즘, 매니쉬 및 클래식 중 하나가 선택되도록, 각 패션 스타일의 설명과 대표 이미지를 포함하고, 상기 소비자 단말을 통해 소비자의 패션 스타일을 획득하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득하고, 상기 제4 출력을 소비자 선호도에 따라 정렬하여, 상기 웹사이트를 통해 상기 소비자 단말에 제공하는 시스템을 제공할 수 있다.
또한, 상기 서버는, 상기 소비자 단말을 통해 소비자의 패션 스타일을 획득하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득한 이후에, 복수의 리뷰 텍스트에서 긍정적인 핵심어 및 중립적인 핵심어를 추출하도록 기학습된 제5 인공지능 모델에, 상기 소비자 단말을 통해 작성된 복수의 리뷰 텍스트를 입력하여 제5 출력을 획득하고, 상기 제4 출력의 가방별 소비자 선호도를 [수학식 1]을 이용하여 산출하고,
[수학식 1]
Figure 112023045544539-pat00001
상기 CP_r은 제4 출력의 정렬 순위(r)별 가방의 소비자 선호도이고, I_c는 소비자 단말을 통해 가장 많이 클릭된 가방과 동일하면 1, 가장 많이 클릭된 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, h_p는 가방에 기지정되는 복수의 해시태그 중, 상기 제5 출력과 동일한 해시태그의 비율이고, I_sb는 소비자 단말을 통해 장바구니에 담긴 가방과 동일하면 1, 소비자 단말을 통해 장바구니에 담긴 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, r은 제4 출력의 정렬 순위인 시스템을 제공할 수 있다.
상기에 기재한 바와 같이, 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템을 제공함으로써, 복수의 가방 판매 브랜드의 대량의 이미지를 수집하고 전처리하여 인공지능 모델을 학습할 수 있고, 인공지능 모델을 이용하여 옷차림에 어울리는 가방을 추천할 수 있으며, 소비자의 패션 스타일과 소비자의 선호도를 고려하여 가방 리스트를 정렬하여 제공할 수 있고, 최신 트렌드에 따른 가방을 추천할 수 있는 효과가 있다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템에 있어서, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 서버가 제공된다.
또한, 상기 서버는, 소정의 가격 비교 사이트 API와 소정의 소셜미디어 API를 이용하여, 복수의 가방 판매 브랜드의 이미지를 수집하고, 패션 스타일과 가방을 모두 포함하는 이미지를 선별하도록 기학습된 제1 인공지능 모델에, 상기 복수의 가방 판매 브랜드의 이미지를 입력하여 제1 출력을 획득하되, 상기 제1 인공지능 모델은, Faster R-CNN 알고리즘을 기반으로 하고, 유사한 이미지를 제거하도록 기학습된 제2 인공지능 모델에, 상기 제1 출력을 입력하여 제2 출력을 획득하되, 상기 제2 인공지능 모델은, Triplet Network 알고리즘을 기반으로 하고, 패션 스타일과 가방 영역을 잘라내도록 기학습된 제3 인공지능 모델에, 상기 제2 출력을 입력하여 제3 출력을 획득하되, 상기 제3 인공지능 모델은, U-Net 알고리즘 또는 Mask R-CNN 알고리즘을 기반으로 하고, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 웹사이트를 운용하고, 상기 제3 출력과 상기 웹사이트에 게시되어 판매 중인 가방의 이미지를 학습데이터로, 임의의 패션 스타일 이미지를 입력받으면, 상기 웹사이트에 게시되어 판매 중인 가방 중에, 상기 임의의 패션 스타일에 어울리는 정도에 따라 정렬한 추천 가방 목록을 출력하도록 제4 인공지능 모델을 기학습하되, 상기 제4 인공지능 모델은, CNN 알고리즘을 기반으로 하고, 상기 웹사이트에 신제품 가방이 게시되면, 상기 제4 인공지능 모델에 상기 신제품 가방의 이미지를 업데이트하여 학습시키고, 소비자 단말을 통해 소비자 계정이 상기 웹사이트에 접속되면, 상기 소비자 단말에 소비자의 패션 스타일을 획득하기 위한 인터페이스를 제공하되, 상기 인터페이스는, 소비자 단말을 통해 캐쥬얼, 엘레강스, 로맨틱, 에스닉, 스포티, 모던, 미니멀리즘, 매니쉬 및 클래식 중 하나가 선택되도록, 각 패션 스타일의 설명과 대표 이미지를 포함하고, 상기 소비자 단말을 통해 소비자의 패션 스타일을 획득하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득하고, 상기 제4 출력을 소비자 선호도에 따라 정렬하여, 상기 웹사이트를 통해 상기 소비자 단말에 제공할 수 있다.
또한, 상기 서버는, 상기 소비자 단말을 통해 소비자의 패션 스타일을 획득하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득한 이후에, 복수의 리뷰 텍스트에서 긍정적인 핵심어 및 중립적인 핵심어를 추출하도록 기학습된 제5 인공지능 모델에, 상기 소비자 단말을 통해 작성된 복수의 리뷰 텍스트를 입력하여 제5 출력을 획득하고, 상기 제4 출력의 가방별 소비자 선호도를 [수학식 1]을 이용하여 산출하고,
[수학식 1]
Figure 112023045544539-pat00002
상기 CP_r은 제4 출력의 정렬 순위(r)별 가방의 소비자 선호도이고, I_c는 소비자 단말을 통해 가장 많이 클릭된 가방과 동일하면 1, 가장 많이 클릭된 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, h_p는 가방에 기지정되는 복수의 해시태그 중, 상기 제5 출력과 동일한 해시태그의 비율이고, I_sb는 소비자 단말을 통해 장바구니에 담긴 가방과 동일하면 1, 소비자 단말을 통해 장바구니에 담긴 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, r은 제4 출력의 정렬 순위일 수 있다.
일실시예에 따르면, 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템을 제공함으로써, 복수의 가방 판매 브랜드의 대량의 이미지를 수집하고 전처리하여 인공지능 모델을 학습시킬 수 있는 효과가 있다.
또한, 인공지능 모델을 이용하여 옷차림에 어울리는 가방을 추천할 수 있는 효과가 있다.
그리고 소비자의 패션 스타일과 소비자의 선호도를 고려하여 가방 리스트를 정렬하여 제공할 수 있다.
또한, 최신 트렌드와 추가되는 신제품에 따른 추천 가방을 제공할 수 있는 효과가 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템의 구성을 개략적으로 나타낸 개념도이다.
도 2는 일실시예에 따른 수집한 이미지를 전처리하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제4 인공지능을 학습하는 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 소비자에게 추천 가방 리스트를 제공하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 데이터 송신호 과정을 설명하기 위한 순서도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템의 구성을 개략적으로 나타낸 개념도이고, 도 2는 일실시예에 따른 수집한 이미지를 전처리하는 과정을 설명하기 위한 순서도이며, 도 3은 일실시예에 따른 제4 인공지능을 학습하는 과정을 설명하기 위한 도면이고, 도 4는 일실시예에 따른 소비자에게 추천 가방 리스트를 제공하는 과정을 설명하기 위한 순서도이며, 도 5는 일실시예에 따른 데이터 송신호 과정을 설명하기 위한 순서도이다.
도 1을 참조하면, 본 발명에 따른 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템은, 가격 비교 사이트의 API 및 소셜미디어의 API를 이용하여 네트워크를 통해 각 서버로부터 데이터를 획득하고, 소비자 단말과 데이터를 송수신할 수 있는, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 서버(100)가 제공될 수 있다.
또한, 상기 서버(100)는, 인공지능 모델을 학습시키고, 학습된 인공지능 모델을 활용할 수도 있다.
상기 네트워크는 이더넷, 와이파이(Wi-Fi), 블루투스, NFC, RFID, 3G, 4G, 5G 등과 같은 유무선 네트워크일 수 있다.
일실시예로서 서버(100)는, 소정의 가격 비교 사이트 API와 소정의 소셜미디어 API를 이용하여, 복수의 가방 판매 브랜드의 이미지를 수집할 수 있다.
도 2를 참조하면, 일실시예로서 서버(100)는, 복수의 가방 판매 브랜드의 이미지를 수집한 후에, 패션 스타일과 가방을 모두 포함하는 이미지를 선별하도록 기학습된 제1 인공지능 모델(110)에, 상기 복수의 가방 판매 브랜드의 이미지를 입력하여 제1 출력을 획득할 수 있다.
상기 복수의 가방 판매 브랜드의 이미지는, 하나의 이미지 안에 가방만 포함하는 이미지, 패션스타일과 가방 모두 포함하고 있는 이미지, 중복되는 이미지, 패션스타일과 가방이 일부만 포함되어 제거해야 하는 이미지 등이 포함될 수 있다.
제1 인공지능 모델(110)은, 패션 스타일과 가방을 모두 포함하는 이미지를 선별하도록 기학습되어, 대량의 이미지 중에서 필요한 이미지만을 선별할 수 있다.
또한, 상기 제1 인공지능 모델은, Faster R-CNN 알고리즘을 기반으로 할 수 있다.
Faster R-CNN은, 객체 탐지 알고리즘 중 하나로서, 이미지 내에서 특정 객체의 위치와 종류를 찾아낼 수 있다. Faster R-CNN은 이미지 내에서 객체가 있을 가능성이 높은 위치를 찾는 RPN(Region Proposal Network)과, 객체를 식별하는 분류 모듈로 구성되어 있다. RPN은 객체가 있을 가능성이 높은 영역을 빠르게 찾아내고, 분류 모듈은 이것을 바탕으로 객체를 식별하는 작업을 높은 정확도로 수행할 수 있는 알고리즘이다.
일실시예로서, 서버(100)는, 유사한 이미지를 제거하도록 기학습된 제2 인공지능 모델(120)에, 상기 제1 출력을 입력하여 제2 출력을 획득할 수 있다.
상기 제2 인공지능 모델은, Triplet Network 알고리즘을 기반으로 할 수 있다. Triplet Network는 두 개 이상의 네트워크를 사용하며, 각각의 네트워크는 이미지의 특징을 추출할 수 있다. 이후에, 두 개의 이미지 간의 거리를 측정하여 거리가 가까운 이미지를 유사한 이미지로 분류하고, 이 중에서 하나만 남기고 나머지는 제거하는 방식으로 동작할 수 있다.
일실시예로서, 서버(100)는, 패션 스타일과 가방 영역을 잘라내도록 기학습된 제3 인공지능 모델(130)에, 상기 제2 출력을 입력하여 제3 출력을 획득할 수 있다. 제3 인공지능 모델은 필요한 영역만 남기고 나머지는 제거하여, 이후 이미지 처리 속도나 인공지능 모델의 학습 속도를 높일 수 있다.
또한, 상기 제3 인공지능 모델은, U-Net 알고리즘 또는 Mask R-CNN 알고리즘을 기반으로 할 수 있다.
U-Net은 이미지에서 원하는 부분을 찾아내기 위해 Fully Convolutional Network를 사용하는 알고리즘으로서, 높은 정확도와 빠른 속도을 가질 수 있다.
Mask R-CNN은 Faster R-CNN을 기반으로 하여, 객체 인식 기능과 세그멘테이션(segmentation, 특정 객체 영역을 분할) 기능을 모두 갖고 있다. 이를 통해 객체 영역을 정확하게 추출할 수 있다.
일실시예로서 서버는, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 웹사이트를 운용할 수 있으며, 상기 제3 출력과 상기 웹사이트에 게시되어 판매 중인 가방의 이미지를 학습데이터로, 임의의 패션 스타일 이미지를 입력받으면 상기 웹사이트에 게시되어 판매 중인 가방 중에, 상기 임의의 패션 스타일에 어울리는 정도에 따라 정렬한 추천 가방 목록을 출력하도록 제4 인공지능 모델(140)을 기학습할 수 있다.
또한, 상기 제4 인공지능 모델은, CNN 알고리즘을 기반으로 할 수 있다. CNN(Convolutional Neural Network)는, 컨볼루션 레이어, 풀링 레이어, 완전 연결 레이어로 구성된 신경망으로, 컨볼루션 레이어는 입력 이미지에서 특징을 추출하기 위해 커널(필터)을 이용해 이미지를 스캔하고, 이를 통해 각 영역의 특징 맵(feature map)을 생성할 수 있다. 이 특징 맵은 입력 이미지에서 특정 패턴을 찾아내는 역할을 한다. 풀링 레이어는 컨볼루션 레이어에서 생성된 특징 맵의 크기를 줄이는 역할을 하고, 각 영역에서 가장 큰 값을 선택해 해당 값을 유지하고 나머지 값을 제거하는 방식을 사용할 수 있다. 완전 연결 레이어는 특징 맵을 이용해 입력 이미지의 클래스를 예측하는 역할을 하고, 입력 이미지의 특징을 벡터화해 다른 뉴런과 연결할 수 있다. 이를 통해 입력 이미지의 클래스에 대한 확률 값을 계산할 수 있다.
제4 인공지능 모델에서는 이러한 CNN 알고리즘을 이용해 이미지를 분석하고, 특징을 추출한 뒤 이를 활용해 패션 스타일과 가방 사이의 관계를 학습하며, 새로운 옷차림 이미지가 주어졌을 때 어울리는 가방을 찾아낼 수 있다. 또한, 상기 웹사이트에 게시되어 판매 중인 가방 이미지들을 학습데이터로 사용하여, 상기 웹사이트에서 판매 중인 가방들 중에, 어울리는 가방과 유사한 가방을 찾아서 출력할 수 있다.
도 3을 참조하면, 일실시예로서 S301 단계에서 서버(100)는, 소정의 가격 비교 사이트 API와 소정의 소셜미디어 API를 이용하여, 복수의 가방 판매 브랜드의 이미지를 수집할 수 있다.
또한 S302 단계에서 서버는, 패션 스타일과 가방을 모두 포함하는 이미지를 선별하도록 기학습된 제1 인공지능 모델에, 상기 복수의 가방 판매 브랜드의 이미지를 입력하여 제1 출력을 획득할 수 있다.
S303 단계에서 서버는, 유사한 이미지를 제거하도록 기학습된 제2 인공지능 모델에, 상기 제1 출력을 입력하여 제2 출력을 획득할 수 있다.
S304 단계에서 서버는, 패션 스타일과 가방 영역을 잘라내도록 기학습된 제3 인공지능 모델에, 상기 제2 출력을 입력하여 제3 출력을 획득할 수 있다.
S305 단계에서 서버는, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 웹사이트를 운용할 수 있다. 상기 웹사이트는 판매하려는 가방의 이미지와 상세설명을 게시하고, 주문 결제를 위한 인터페이스, 회원 가입 등의 기능을 제공할 수 있다.
S306 단계에서 서버는, 상기 제3 출력과 상기 웹사이트에 게시되어 판매 중인 가방의 이미지를 학습데이터로, 임의의 패션 스타일 이미지를 입력받으면, 상기 웹사이트에 게시되어 판매 중인 가방 중에, 상기 임의의 패션 스타일에 어울리는 정도에 따라 정렬한 추천 가방 목록을 출력하도록 제4 인공지능 모델을 기학습할 수 있다.
또한 S307 단계에서 서버는, 상기 웹사이트에 신제품 가방이 게시되면, 상기 제4 인공지능 모델에 상기 신제품 가방의 이미지를 업데이트하여 학습시킬 수 있다.
일실시예로서, S301 단계는 주기적으로 시행되어, 가격 비교 사이트와 소셜미디어에서 주기적으로 가방 판매 브랜드의 이미지가 수집될 수 있다. 또한, 수집된 이미지를 전처리하기 위한 S302 내지 S304 단계도 S301 단계에서 이미지가 수집될 때마다 시행될 수 있다.
이로써 최신 트렌드에 맞추어 가방을 추천할 수 있도록 주기적으로 인공지능 모델을 업데이트할 수 있다.
도 4를 참조하면, 일실시예로서 S401 단계에서 서버는, 소비자 단말을 통해 소비자 계정이 상기 웹사이트에 접속되면, 상기 소비자 단말에 소비자의 패션 스타일을 획득하기 위한 인터페이스를 제공할 수 있다.
상기 인터페이스는, 소비자 단말을 통해 캐쥬얼, 엘레강스, 로맨틱, 에스닉, 스포티, 모던, 미니멀리즘, 매니쉬 및 클래식 중 하나가 선택되도록, 각 패션 스타일의 설명과 대표 이미지를 포함할 수 있다.
우선적으로는 각 패션 스타일의 대표 이미지만 표시되고, 소비자 단말을 통해 대표 이미지가 클릭되면, 대표 이미지의 패션 스타일에 대해 간략한 설명을 추가로 표시할 수 있다.
S402 단계에서 서버는, 상기 소비자 단말을 통해 소비자의 패션 스타일을 획득하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득할 수 있다.
제4 출력은, 상기 소비자 단말을 통해 선택된 패션 스타일과 어울리는 가방을, 상기 웹사이트에 판매 중인 가방 중에서 선별한 리스트일 수 있다.
다음으로 S403 단계에서 서버는, 복수의 리뷰 텍스트에서 긍정적인 핵심어 및 중립적인 핵심어를 추출하도록 기학습된 제5 인공지능 모델에, 상기 소비자 단말을 통해 작성된 복수의 리뷰 텍스트를 입력하여 제5 출력을 획득할 수 있다.
긍정적인 핵심어나 중립적인 핵심어는 가방의 소재, 크기, 디자인에 대한 평일 수 있다.
제5 인공지능 모델은, 연어 처리 분야에서 사용되는 알고리즘 중 하나인 BERT (Bidirectional Encoder Representations from Transformers) 알고리즘을 기반으로 할 수 있다. BERT는 딥 러닝 기반의 언어 모델로서, Transformer라는 기술을 사용하여 텍스트의 문맥을 이해하고 처리하는 데에 있어 용이한 모델일 수 있다. 또한, BERT 모델은 텍스트 내의 단어들 간의 관계와 문맥을 고려하여 각 단어의 의미를 파악하고, 이를 기반으로 긍정적인 핵심어와 중립적인 핵심어를 추출할 수 있도록 학습될 수 있다.
또한, S404 단계에서 서버는, 상기 제4 출력의 가방별 소비자 선호도를 [수학식 1]을 이용하여 산출할 수 있다.
[수학식 1]
Figure 112023045544539-pat00003
상기 CP_r은 제4 출력의 정렬 순위(r)별 가방의 소비자 선호도이고, I_c는 소비자 단말을 통해 가장 많이 클릭된 가방과 동일하면 1, 가장 많이 클릭된 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, h_p는 가방에 기지정되는 복수의 해시태그 중, 상기 제5 출력과 동일한 해시태그의 비율이고, I_sb는 소비자 단말을 통해 장바구니에 담긴 가방과 동일하면 1, 소비자 단말을 통해 장바구니에 담긴 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, r은 제4 출력의 정렬 순위일 수 있다.
가방의 카테고리는, 토트백, 숄더백, 클러치백, 더플백, 쇼퍼백, 보스턴백, 벨트백, 호보백, 사첼백, 새들백, 크로스백, 백팩 등이 포함될 수 있다.
가방에 기지정되는 복수의 해시태그는, 소재, 크기, 사용 목적에 대한 내용일 수 있다. 소비자 단말을 통해 작성된 리뷰에는 소정의 가방에 대한 부정적인 내용, 중립적인 내용, 긍정적인 내용이 포함될 수 있다. 소비자가 소정의 가방에 대해 소재, 크기, 사용 목적 등에 관한 리뷰를 작성하고, 그것이 중립적이거나 긍정적인 리뷰라면 핵심어를 추출할 수 있다. ‘디자인이 예쁘다’‘가방이 탄탄하다’‘데일리로 좋다’등의 리뷰가 작성된 경우에, 해당 소비자는 디자인이 예쁘고 탄탄한 소재의 데일리로 사용하기 좋은 가방을 선호한다고 볼 수 있다. 따라서 복수의 가방에 ‘예쁜’‘탄탄한 소재’‘데일리’등의 해시태그가 기지정되어 있다면, 핵심어와 동일한 해시태그의 수를 구할 수 있다.
S405 단계에서 서버는, 상기 제4 출력을 상기 소비자 선호도에 따라 정렬하여, 상기 웹사이트를 통해 상기 소비자 단말에 제공할 수 있다.
또한, 일실시예로서 상기 h_p는 [수학식 2]를 이용하여 산출할 수도 있다.
Figure 112023045544539-pat00004
h_p는 가방에 기지정되는 복수의 해시태그 중, 상기 제5 출력과 동일한 해시태그의 비율이고, k는 상기 제5 인공지능 모델에서 출력한 긍정적인 핵심어 및 중립적인 핵심어의 개수이며, p는 가방에 기지정되는 해시태그 개수이고, i는 핵심어와 절반 이상이 동일한 해시태그의 개수이고, d는 핵심어와 상이한 해시태그의 개수일 수 있다.
소정의 가방에 기지정되는 해시태그의 개수(p)가 많아질수록 h_p 값은 작아지고, 제5 인공지능 모델에서 출력한 긍정적인 핵심어 및 중립적인 핵심어의 개수(k)와, 핵심어와 절반 이상이 동일한 해시태그의 개수(i)가 많아질수록 h_p 값도 커질 수 있고, 핵심어와 상이한 해시태그의 개수(d)가 많아질수록 h_p 값은 작아질 수 있다.
도 5를 참조하면, 상기 서버는 소정의 가격 비교 사이트 API와 소정의 소셜미디어 API를 이용하여, 복수의 가방 판매 브랜드의 이미지를 수집(S501)할 수 있고, 패션 스타일과 가방을 모두 포함하는 이미지를 선별하도록 기학습된 제1 인공지능 모델에, 상기 복수의 가방 판매 브랜드의 이미지를 입력하여 제1 출력을 획득(S502)할 수 있으며, 유사한 이미지를 제거하도록 기학습된 제2 인공지능 모델에, 상기 제1 출력을 입력하여 제2 출력을 획득(S503)할 수 있고, 패션 스타일과 가방 영역을 잘라내도록 기학습된 제3 인공지능 모델에, 상기 제2 출력을 입력하여 제3 출력을 획득(S504)하며, 인공지능에 기반한 소비자 맞춤형 가방을 추천하는 웹사이트를 운용(S505)하고, 상기 제3 출력과 상기 웹사이트에 게시되어 판매 중인 가방의 이미지를 학습데이터로, 임의의 패션 스타일 이미지를 입력받으면, 상기 웹사이트에 게시되어 판매 중인 가방 중에, 상기 임의의 패션 스타일에 어울리는 정도에 따라 정렬한 추천 가방 목록을 출력하도록 제4 인공지능 모델을 기학습(S506)할 수 있으며, 상기 웹사이트에 신제품 가방이 게시되면, 상기 제4 인공지능 모델에 상기 신제품 가방의 이미지를 업데이트하여 학습(S507)할 수 있고, 소비자 단말을 통해 소비자 계정이 상기 웹사이트에 접속(S508)되면, 상기 소비자 단말에 소비자의 패션 스타일을 획득하기 위한 인터페이스를 제공(S509)할 수 있으며, 상기 소비자 단말을 통해 소비자의 패션 스타일을 획득(S510)하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득(S511)하고, 상기 제4 출력을 소비자 선호도에 따라 정렬(S512)한 다음, 상기 웹사이트를 통해 상기 소비자 단말에 제공(S513)할 수 있다.
상기에 기재한 바와 같이, 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템을 제공함으로써, 복수의 가방 판매 브랜드의 대량의 이미지를 수집하고 전처리하여 인공지능 모델을 학습할 수 있고, 인공지능 모델을 이용하여 옷차림에 어울리는 가방을 추천할 수 있으며, 소비자의 패션 스타일과 소비자의 선호도를 고려하여 가방 리스트를 정렬하여 제공할 수 있고, 최신 트렌드에 따른 가방을 추천할 수 있는 효과가 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.
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.
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.
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 청구범위의 범위에 속한다.
100: 서버

Claims (3)

  1. 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템에 있어서,
    인공지능에 기반한 소비자 맞춤형 가방을 추천하는 서버를 포함하고,
    상기 서버는,
    소정의 가격 비교 사이트 API와 소정의 소셜미디어 API를 이용하여, 복수의 가방 판매 브랜드의 이미지를 수집하고,
    패션 스타일과 가방을 모두 포함하는 이미지를 선별하도록 기학습된 제1 인공지능 모델에, 상기 복수의 가방 판매 브랜드의 이미지를 입력하여 제1 출력을 획득하되, 상기 제1 인공지능 모델은, Faster R-CNN 알고리즘을 기반으로 하고,
    유사한 이미지를 제거하도록 기학습된 제2 인공지능 모델에, 상기 제1 출력을 입력하여 제2 출력을 획득하되, 상기 제2 인공지능 모델은, Triplet Network 알고리즘을 기반으로 하고,
    패션 스타일과 가방 영역을 잘라내도록 기학습된 제3 인공지능 모델에, 상기 제2 출력을 입력하여 제3 출력을 획득하되, 상기 제3 인공지능 모델은, U-Net 알고리즘 또는 Mask R-CNN 알고리즘을 기반으로 하고,
    인공지능에 기반한 소비자 맞춤형 가방을 추천하는 웹사이트를 운용하고,
    상기 제3 출력과 상기 웹사이트에 게시되어 판매 중인 가방의 이미지를 학습데이터로, 임의의 패션 스타일 이미지를 입력받으면, 상기 웹사이트에 게시되어 판매 중인 가방 중에, 상기 임의의 패션 스타일에 어울리는 정도에 따라 정렬한 추천 가방 목록을 출력하도록 제4 인공지능 모델을 기학습하되, 상기 제4 인공지능 모델은, CNN 알고리즘을 기반으로 하고,
    상기 웹사이트에 신제품 가방이 게시되면, 상기 제4 인공지능 모델에 상기 신제품 가방의 이미지를 업데이트하여 학습시키고,
    소비자 단말을 통해 소비자 계정이 상기 웹사이트에 접속되면, 상기 소비자 단말에 소비자의 패션 스타일을 획득하기 위한 인터페이스를 제공하되, 상기 인터페이스는, 소비자 단말을 통해 캐쥬얼, 엘레강스, 로맨틱, 에스닉, 스포티, 모던, 미니멀리즘, 매니쉬 및 클래식 중 하나가 선택되도록, 각 패션 스타일의 설명과 대표 이미지를 포함하고,
    상기 소비자 단말을 통해 소비자의 패션 스타일을 획득하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득하고,
    상기 제4 출력을 소비자 선호도에 따라 정렬하여, 상기 웹사이트를 통해 상기 소비자 단말에 제공하고,
    상기 서버는,
    상기 소비자 단말을 통해 소비자의 패션 스타일을 획득하면, 상기 제4 인공지능 모델에, 소비자 단말을 통해 획득한 소비자의 패션 스타일의 대표 이미지를 입력하여 제4 출력을 획득한 이후에,
    복수의 리뷰 텍스트에서 긍정적인 핵심어 및 중립적인 핵심어를 추출하도록 기학습된 제5 인공지능 모델에, 상기 소비자 단말을 통해 작성된 복수의 리뷰 텍스트를 입력하여 제5 출력을 획득하고,
    상기 제4 출력의 가방별 소비자 선호도를 [수학식 1]을 이용하여 산출하고,
    [수학식 1]
    Figure 112023081298311-pat00005

    상기 은 제4 출력의 정렬 순위(r)별 가방의 소비자 선호도이고, 는 소비자 단말을 통해 가장 많이 클릭된 가방과 동일하면 1, 가장 많이 클릭된 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, 는 가방에 기지정되는 복수의 해시태그 중, 상기 제5 출력과 동일한 해시태그의 비율이고, 는 소비자 단말을 통해 장바구니에 담긴 가방과 동일하면 1, 소비자 단말을 통해 장바구니에 담긴 가방과 동일한 카테고리의 가방이면 0.5, 상이한 가방이면 0이며, r은 제4 출력의 정렬 순위인, 시스템.
  2. 삭제
  3. 삭제
KR1020230053080A 2023-04-24 2023-04-24 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템 KR102628994B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020230053080A KR102628994B1 (ko) 2023-04-24 2023-04-24 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템
KR1020240008912A KR102654946B1 (ko) 2023-04-24 2024-01-19 인공지능에 기반 소비자 패션 스타일에 기초한 선호 상품 추천 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230053080A KR102628994B1 (ko) 2023-04-24 2023-04-24 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020240008912A Division KR102654946B1 (ko) 2023-04-24 2024-01-19 인공지능에 기반 소비자 패션 스타일에 기초한 선호 상품 추천 시스템

Publications (1)

Publication Number Publication Date
KR102628994B1 true KR102628994B1 (ko) 2024-01-25

Family

ID=89721759

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020230053080A KR102628994B1 (ko) 2023-04-24 2023-04-24 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템
KR1020240008912A KR102654946B1 (ko) 2023-04-24 2024-01-19 인공지능에 기반 소비자 패션 스타일에 기초한 선호 상품 추천 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020240008912A KR102654946B1 (ko) 2023-04-24 2024-01-19 인공지능에 기반 소비자 패션 스타일에 기초한 선호 상품 추천 시스템

Country Status (1)

Country Link
KR (2) KR102628994B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190029567A (ko) * 2016-02-17 2019-03-20 옴니어스 주식회사 스타일 특징을 이용한 상품 추천 방법
KR20190117958A (ko) * 2018-04-09 2019-10-17 김은진 사진 스케치 조합을 활용한 유사 이미지 검색 방법
KR20200074529A (ko) * 2018-12-17 2020-06-25 주식회사 마이셀럽스 의류 색상 정보를 이용한 조합 의류 색상 정보 제공 방법 및 장치
KR20210037485A (ko) * 2019-09-27 2021-04-06 주식회사 데이터몬스터즈 유사 패션 상품 데이터 검색 및 제공 방법과 그를 위한 컴퓨팅 장치
KR102282743B1 (ko) 2020-03-30 2021-07-27 서명교 쇼핑몰에 대한 추천 정보를 제공하는 모바일 어플리케이션을 운용하는 서버
KR20220094824A (ko) * 2020-12-29 2022-07-06 주식회사 아임클라우드 인공지능 스타일리스트를 이용한 패션 상품 추천 방법
KR20230049940A (ko) 2021-10-07 2023-04-14 서해수 위치기반 의류추천 광고서비스 장치 및 광고서비스 제공방법
KR20230052609A (ko) * 2021-10-13 2023-04-20 주식회사 스켈터랩스 기계독해를 이용한 리뷰 분석 시스템 및 방법

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190029567A (ko) * 2016-02-17 2019-03-20 옴니어스 주식회사 스타일 특징을 이용한 상품 추천 방법
KR20190117958A (ko) * 2018-04-09 2019-10-17 김은진 사진 스케치 조합을 활용한 유사 이미지 검색 방법
KR20200074529A (ko) * 2018-12-17 2020-06-25 주식회사 마이셀럽스 의류 색상 정보를 이용한 조합 의류 색상 정보 제공 방법 및 장치
KR20210037485A (ko) * 2019-09-27 2021-04-06 주식회사 데이터몬스터즈 유사 패션 상품 데이터 검색 및 제공 방법과 그를 위한 컴퓨팅 장치
KR102282743B1 (ko) 2020-03-30 2021-07-27 서명교 쇼핑몰에 대한 추천 정보를 제공하는 모바일 어플리케이션을 운용하는 서버
KR102296764B1 (ko) 2020-03-30 2021-08-31 서명교 상품을 판매 및 추천하는 온라인 플랫폼에 관한 서버
KR102420170B1 (ko) 2020-03-30 2022-07-13 (주)더웨이그룹 개인 정보에 기반하여 상품 추천 서비스를 제공하는 쇼핑몰 플랫폼을 제공하는 서버
KR20220094824A (ko) * 2020-12-29 2022-07-06 주식회사 아임클라우드 인공지능 스타일리스트를 이용한 패션 상품 추천 방법
KR20230049940A (ko) 2021-10-07 2023-04-14 서해수 위치기반 의류추천 광고서비스 장치 및 광고서비스 제공방법
KR20230052609A (ko) * 2021-10-13 2023-04-20 주식회사 스켈터랩스 기계독해를 이용한 리뷰 분석 시스템 및 방법

Also Published As

Publication number Publication date
KR102654946B1 (ko) 2024-04-04

Similar Documents

Publication Publication Date Title
US10902051B2 (en) Product identification in image with multiple products
US11507615B2 (en) Method, apparatus, electronic device and computer readable storage medium for image searching
US11574116B2 (en) Apparatus and method for providing summarized information using an artificial intelligence model
CN111784455B (zh) 一种物品推荐方法及推荐设备
US11823059B2 (en) Generating a personalized preference ranking network for providing visually-aware item recommendations
US9633045B2 (en) Image ranking based on attribute correlation
JP2021108188A (ja) 画像解析および予測に基づく視覚検索
US20190042079A1 (en) Electronic device and method for providing search result thereof
KR20190117584A (ko) 스트리밍 비디오 내의 객체를 검출하고, 필터링하고 식별하기 위한 방법 및 장치
JP6884116B2 (ja) 情報処理装置、情報処理方法、およびプログラム
US10733658B2 (en) Methods and systems of discovery of products in E-commerce
WO2022016556A1 (zh) 一种神经网络蒸馏方法以及装置
CN110580489B (zh) 一种数据对象的分类系统、方法以及设备
CN113722583A (zh) 推荐方法、推荐模型训练方法及相关产品
CN115244547A (zh) 自动并智能地探索设计空间
Sapna et al. Recommendence and fashionsence: Online fashion advisor for offline experience
KR20170091402A (ko) 패션 아이템 검색 시스템
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
Wakita et al. Toward fashion-brand recommendation systems using deep-learning: Preliminary analysis
KR20230137861A (ko) 고객 맞춤 준비로 구매 편의성을 제공하는 오프라인 구매 서비스 제공 방법 및 장치
US20200380584A1 (en) Machine learning computing system to intelligently create effective listings
KR102628994B1 (ko) 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템
KR102466020B1 (ko) 인공지능 기반 명품 정보 및 셀러의 자동 매칭 방법, 장치 및 시스템
KR101958555B1 (ko) 검색 결과 제공 장치 및 방법
JP6686208B1 (ja) 情報処理装置、情報処理方法、及びプログラム

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant