KR102644779B1 - 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법 - Google Patents

Abstract

실시예들은 상품 추천 방법을 제공한다. 실시예들에 따르면, 상품 추천 방법은, 상품 스펙 정보 수집부에 의해, 상품 그룹에 속하는 복수의 상품의 상품 이미지 및 상품 정보 텍스트를 분석하여 복수의 상품 각각에 대한 상품 스펙 정보를 생성하는 동작; 상품 반응 정보 수집부에 의해, 상기 복수의 상품에 대한 판매 정보 및 고객 평가 정보를 분석하여 상기 복수의 상품 각각에 대한 상품 반응 정보를 생성하는 동작; 상품 추천부에 의해, 상기 복수의 상품에 대한 상품 스펙 정보 및 상품 반응 정보를 매칭하여 상품 통합 정보를 생성하고 데이터베이스에 저장하는 동작; 미디어 분석부에 의해, 상기 상품 그룹과 관련된 미디어 텍스트 정보 및 상기 미디어 텍스트 정보와 관련된 미디어 이미지 정보를 분석하여 미디어 분석 정보를 획득하는 동작; 상기 상품 추천부에 의해, 상기 상품 통합 정보 및 상기 미디어 분석 정보를 기초로 하나 이상의 후보 스펙 정보를 획득하는 동작; 상기 상품 추천부에 의해, 상기 복수의 상품의 상품 스펙 정보와 상기 하나 이상의 후보 스펙 정보를 비교하여 비교 결과가 추천 기준을 만족하는지 여부를 판단하는 동작; 및 상기 추천 기준이 만족되는 경우, 상기 상품 추천부에 의해 상기 추천 기준을 만족하는 상품 스펙 정보에 대응하는 상품을 추천하는 동작을 포함한다.

Description

온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법{METHOD FOR RECOMMENDING PRODUCT FITTING CONCEPT OF ONLINE SHOPPING MALL}

본 발명의 실시예들은 상품을 추천하는 기술에 관한 것으로, 온라인 상에서 상품을 추천하는 기술에 대한 것이다.

기존의 데이터 분석을 통한 추천은 주로 대중적인 기준에 의해 이루어졌다. 예를 들어, 많은 사람들이 선호하는 상품이나 인기 있는 상품을 추천하는 경우가 많았다. 이는 개인의 취향과 선호도를 고려하지 않고 일반적인 추세에 따른 추천을 제공하는 결과를 가져올 수 있다. 기존의 상품 추천은 대부분 구조화된 데이터를 기반으로 수행되었다. 예를 들어, 상품의 가격, 브랜드, 카테고리 등과 같은 구조화된 속성들을 활용하여 추천을 수행했다. 이는 비구조화된 데이터인 이미지, 텍스트, 비디오 등의 정보를 고려하지 못하는 한계를 가지고 있었다. 기존의 상품 추천은 개인의 취향과 선호도를 고려하지 않는 경우가 많았다. 구매자 개개인의 선호도나 과거 구매 이력, 관심사 등을 고려하지 않고 일반적인 패턴에 따라 추천을 제공하는 한계가 있었다. 이는 구매자의 개별적인 요구에 부합하지 못하고, 구매자의 관심을 놓칠 수 있다. 기존의 상품 추천은 데이터 분석 기술에만 의존하여 추천을 수행했다. 이는 데이터의 양과 다양성에 따라 제한된 분석 능력을 가지고 있었다. 비구조화된 데이터인 이미지, 텍스트, 비디오를 적절히 분석하고 해석하는 능력이 제한되어 정확한 추천을 제공하기 어렵다는 한계가 있었다. 기존의 상품 추천은 대부분 오프라인 환경에서 수행되었기 때문에 실시간 응답성이 제한되었다. 변화하는 구매자의 행동 패턴이나 시장 트렌드에 신속하게 대응할 수 없어 최신 정보에 기반한 실시간 추천을 제공하기 어려웠다.

이에 반해, 본 명세서에서 제안되는 새로운 기술은 다양한 기술들의 결합은 개인의 취향과 선호도를 고려한 개인화된 추천을 가능하게 한다. 상품 스펙 정보, 미디어 분석 정보, 유사도 측정 등을 통해 구매자의 개별적인 요구에 부합하는 상품을 추천함으로써 더욱 정확하고 맞춤형 추천을 제공할 수 있다. 새로운 기술은 비구조화된 데이터인 이미지, 텍스트, 비디오 등의 다양한 데이터 유형을 활용하여 추천을 수행한다. 이를 통해 상품의 시각적 특징, 설명 텍스트, 고객 리뷰 등 다양한 정보를 종합적으로 분석함으로써 더욱 정밀하고 포괄적인 추천을 가능하게 한다. 새로운 기술은 대용량 데이터 처리와 실시간 분석을 가능하게 한다. 상품 추천 시스템은 실시간으로 변화하는 구매 행동 패턴, 트렌드, 고객의 피드백 등을 신속하게 파악하고 반영할 수 있다. 이를 통해 빠른 응답성을 제공하고 동적인 상황에 적응하여 구매자에게 실시간으로 최적의 추천을 제공할 수 있다. 새로운 기술은 다양한 정보를 종합적으로 분석할 수 있는 능력을 갖추고 있다. 상품 스펙 정보, 고객 평가, 미디어 분석 결과 등을 통합적으로 분석함으로써 상품의 다양한 측면을 고려한 추천을 제공할 수 있다.

실시예들에 따르면, 상품 추천 방법은, 상품 스펙 정보 수집부에 의해, 상품 그룹에 속하는 복수의 상품의 상품 이미지 및 상품 정보 텍스트를 분석하여 복수의 상품 각각에 대한 상품 스펙 정보를 생성하는 동작; 상품 반응 정보 수집부에 의해, 상기 복수의 상품에 대한 판매 정보 및 고객 평가 정보를 분석하여 상기 복수의 상품 각각에 대한 상품 반응 정보를 생성하는 동작; 상품 추천부에 의해, 상기 복수의 상품에 대한 상품 스펙 정보 및 상품 반응 정보를 매칭하여 상품 통합 정보를 생성하고 데이터베이스에 저장하는 동작; 미디어 분석부에 의해, 상기 상품 그룹과 관련된 미디어 텍스트 정보 및 상기 미디어 텍스트 정보와 관련된 미디어 이미지 정보를 분석하여 미디어 분석 정보를 획득하는 동작; 상기 상품 추천부에 의해, 상기 상품 통합 정보 및 상기 미디어 분석 정보를 기초로 하나 이상의 후보 스펙 정보를 획득하는 동작; 상기 상품 추천부에 의해, 상기 복수의 상품의 상품 스펙 정보와 상기 하나 이상의 후보 스펙 정보를 비교하여 비교 결과가 추천 기준을 만족하는지 여부를 판단하는 동작; 및 상기 추천 기준이 만족되는 경우, 상기 상품 추천부에 의해 상기 추천 기준을 만족하는 상품 스펙 정보에 대응하는 상품을 추천하는 동작을 포함한다.

상기 미디어 분석 정보를 획득하는 동작은, 상기 미디어 분석부에 의해, 상기 상품 그룹과 관련된 미디어 텍스트 정보를 분석하고 분석 결과에 대응하는 출력 메시지를 출력하는 동작; 및 상기 미디어 분석부에 의해, 상기 분석 결과가 필터링 조건을 만족하는지 여부를 판단하고, 만족하는 경우 상기 미디어 텍스트 정보에 대응하는 미디어 이미지 정보를 분석하여 상기 미디어 분석 정보를 획득하는 동작을 포함할 수 있다.

상기 분석 결과는 인코더 출력 벡터 및 디코더 출력 벡터를 포함하고, 상기 뉴럴 네트워크는 입력부, 인코더, 디코더, 출력부 및 필터링 조건 판단부를 포함하고, 상기 출력 메시지를 출력하는 동작은, 상기 입력부에 의해, 상기 입력 메시지를 인코더 임베딩 벡터로 변환하고, 상기 인코더 임베딩 벡터에 상기 입력 메시지의 각 단어의 위치 정보를 반영하는 포지셔닝 인코딩을 수행하고 인코더 포지셔닝 출력 벡터를 출력하는 동작; 상기 인코더에 의해, 상기 인코더 포지셔닝 출력 벡터에 패딩 마스크를 적용하여 셀프 어텐션을 수행하고 인코더 어텐션 분포를 출력하는 동작; 상기 인코더에 의해, 상기 인코더 어텐션 분포를 이용하여 획득한 컨텍스트 벡터를 포지션-와이즈 피드 포워드 레이어에 입력하여 상기 인코더 출력 벡터를 출력하는 동작; 상기 디코더에 의해 상기 인코더 출력 벡터를 디코더 임베딩 벡터로 변환하고, 상기 디코더 임베딩 벡터에 상기 인코더 출력 벡터의 각 엘레멘트의 위치 정보를 반영하는 포지셔닝 인코딩을 수행하고 포지셔닝 출력 벡터를 출력하는 동작; 상기 디코더에 의해, 상기 디코더 포지셔닝 출력 벡터에 룩-어헤드 마스크를 적용하여 셀프 어텐션을 수행하고 제1 디코더 은닉 상태 벡터를 출력하는 동작; 상기 디코더에 의해, 상기 제1 디코더 은닉 상태 벡터에 인코더-디코더 어텐션을 수행하고 제2 디코더 은닉 상태 벡터를 출력하는 동작; 상기 디코더에 의해, 상기 제2 디코더 은닉 상태 벡터를 포지션-와이즈 피드 포워드 레이어에 입력하여 상기 디코더 출력 벡터를 출력하는 동작; 상기 출력부에 의해, 상기 디코더 출력 벡터를 상기 출력 메시지로 변환하는 동작을 포함할 수 있다.

상기 분석 결과는 인코더 출력 벡터 및 디코더 출력 벡터를 포함하고, 상기 뉴럴 네트워크는 입력부, 인코더, 디코더, 출력부 및 필터링 조건 판단부를 포함하고, 상기 미디어 분석 정보를 획득하는 동작은, 상기 필터링 조건 판단부에 의해, 상기 인코더 출력 벡터 및 상기 디코더 출력 벡터에 대해 콘케티네이션을 수행하여 콘케티네이션 벡터를 획득하는 동작; 상기 필터링 조건 판단부에 의해, 상기 콘케티네이션 벡터에 제1 쿼리 가중치 행렬, 제1 키 가중치 행렬 및 제1 밸류 가중치 행렬을 각각 곱하여 제1 쿼리 벡터, 제1 키 벡터 및 제1 밸류 벡터를 각각 획득하는 동작; 상기 필터링 조건 판단부에 의해, 상기 제1 쿼리 벡터, 상기 제1 키 벡터 및 상기 제1 밸류 벡터를 기초로 어텐션 스코어로 구성된 제1 어텐션 벡터를 획득하는 동작; 상기 필터링 조건 판단부에 의해, 제1 콘케티네이션 내적 벡터 및 상기 콘케티네이션 벡터를 내적하여 제1 스칼라 값을 획득하는 동작; 상기 필터링 조건 판단부에 의해, 제1 어텐션 내적 벡터 및 상기 제1 어텐션 벡터를 내적하여 제2 스칼라 값을 획득하는 동작; 상기 필터링 조건 판단부에 의해, 상기 제1 스칼라 값, 상기 제2 스칼라 값, 상기 콘케티네이션 벡터 및 상기 제1 어텐션 벡터를 기초로 제1 비교값을 계산하는 동작; 및 상기 필터링 조건 판단부에 의해, 상기 제1 비교값이 필터링 조건을 만족하는지 여부를 판단하는 동작을 포함할 수 있다.

상기 추천 기준을 만족하는지 여부를 판단하는 동작은, 상기 상품 스펙 정보 및 상기 하나 이상의 후보 스펙 정보 간의 유사도를 계산하는 동작; 및 상기 유사도가 추천 기준을 만족하는지 여부를 판단하는 동작을 포함할 수 있다.

상기 유사도를 계산하는 동작은, 상기 상품 스펙 정보 및 상기 하나 이상의 후보 스펙 정보 간의 유클리드 거리를 계산하는 동작을 포함할 수 있다.

상기 뉴럴 네트워크 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 학습 입력 문장 및 학습 출력 문장으로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 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 상품 추천 방법의 전체 동작을 도시한 흐름도이다.
도 4는 일 실시예에 따른 서버의 전체 구성을 나타낸 도면이다.
도 5는 따른 상품 추천 방법의 예시적인 동작을 도시한 흐름도이다.
도 6은 일 실시예에 따른 자연어 처리부의 뉴럴 네트워크의 구조를 설명하기 위한 예시적인 개념도이다.
도 7은 일 실시예에 따른 자연어 처리부의 뉴럴 네트워크의 구조의 일 예시를 도시한 도면이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 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 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 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 도스(DOS), 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 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 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 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 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.

도 3은 일 실시예에 따른 상품 추천 방법의 전체 동작을 도시한 흐름도이다.

일 실시예에 따르면, 시스템은 도매 상인이 제공하는 상품 이미지와 가격 정보를 수집하고, 이를 학습하여 쇼핑몰의 컨셉에 맞는 상품을 자동으로 추천할 수 있다.

시스템은 인공지능을 이용하여 상품을 선정할 수 있다. 시스템은 MD의 역할과 관련된 학습 데이터를 이용하여 뉴럴 네트워크 모델을 학습하고, 학습된 뉴럴 네트워클르 이용하여 상품을 선정하거나 관리 자동화를 수행할 수 있다. 뉴럴 네트워크 모델은 이미지 처리 기술과 자연어 처리 기술을 이용하여 구현될 수 있다.

시스템은 상품의 이미지와 가격 정보를 기반으로 MD의 동작과 관련된 학습 데이터를 이용하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 학습된 뉴럴 네트워크 모델은 공급자가 제공하는 이미지, 가격, 컬러, 카테고리 등과 같은 상품 정보 및 기존의 판매 기록, 고객 평가 등과 같은 거래 정보를 기초로 새로운 상품을 선택하고 추천할 수 있다. 이처럼, 다양한 정보를 통하여 상품을 추천함으로써 MD가 수작업으로 수행해야 했던 상품 선정 업무가 자동화되며 효율성과 정확도가 향상될 수 있다.

시스템은 상품 이미지를 분석하여 상품의 특징 추출할 수 있다. 이를 위해 시스템은 머신러닝 모델을 사용하여 이미지에서 특징을 추출하고, 이를 토대로 상품의 특성을 파악할 수 있다. 시스템은 뉴럴 네트워크 모델을 이용하여 상품 이미지를 분석하고 상품의 카테고리 및 속성을 파악하며 분류할 수 있다. 시스템은 기존 상품 정보를 통하여 온라인 쇼핑몰의 컨셉을 파악할 수 있다.

시스템은 상품의 과거 판매량 및 인기도를 분석하여 다가올 시즌에 인기가 많을 것으로 예상되는 상품을 선정할 수 있다. 시스템은 소셜 미디어의 데이터나 블로그에 포함된 데이터 등을 분석하여 다가오는 시즌의 유행을 파악할 수 있다. 시스템은 경쟁 업체의 인기 상품의 선호도와 특징을 분석할 수 있다. 시스템은 포탈의 검색 키워드 등을 분석하여 유행하는 상품의 트렌드를 파악할 수 있다.

시스템은 이러한 특징 데이터와 가격 정보를 종합하여, 상품의 적합성을 평가할 수 있다. 이를 위해 시스템은 머신러닝 모델을 사용하여, 쇼핑몰의 컨셉과 일치하는 상품을 선택할 수 있다. 시스템은 선정된 상품 중에서 온라인 쇼핑몰의 컨셉에 맞는 상품을 필터링하고 필터링 결과를 기초로 상품 추천을 수행할 수 있다.

시스템은 선정된 상품에 대한 관리 작업을 자동화화할 수 있다. 이를 위해, 시스템은 머신러닝 모델을 사용하여, 판매량, 가격 등을 실시간으로 모니터링하고, 상품의 주문, 상품의 재고 업데이트, 주문에 대한 결제, 입고 상품의 추천 등의 필요한 조치를 수행할 수 있다.

일 실시예에 따르면, 동작(301)에서, 상품 스펙 정보 수집부는 상품 그룹에 속하는 복수의 상품의 상품 이미지 및 상품 정보 텍스트를 분석하여 복수의 상품 각각에 대한 상품 스펙 정보를 생성할 수 있다. 상품 스펙 정보 수집부는 혁신적인 방식으로 작동하여 여러 상품을 포함하는 상품 그룹의 상품 이미지와 상품 정보 텍스트를 철저하게 분석할 수 있다. 이를 통해 각 상품마다 상세하고 다양한 상품 스펙 정보를 자동으로 생성할 수 있다. 우선, 상품 스펙 정보 수집부는 컴퓨터 비전 기술을 활용하여 상품 그룹에 속하는 상품들의 이미지를 분석할 수 있다. 이미지 분석 알고리즘은 상품의 시각적 특징을 자동으로 추출하여 제품 형태, 색상, 크기 등의 정보를 알아내고 분류할 수 있다. 또한, 이미지 기반의 특징 추출을 통해 상품의 재질, 패턴, 디자인 등의 세부 사항을 파악할 수 있다. 뿐만 아니라, 상품 정보 텍스트 역시 상품 스펙 정보 생성에 활용될 수 있다. 텍스트 분석 기술과 자연어 처리 기법을 이용하여 상품 정보 텍스트를 자동으로 해석하고 핵심적인 정보를 추출할 수 있다. 이는 상품의 브랜드, 모델명, 용량, 기능, 재료 등의 세부 사항을 식별하는 데 도움이 될 수 있다. 상품 스펙 정보 수집부는 상품 이미지와 상품 정보 텍스트의 분석 결과를 종합하여 상품 스펙 정보를 생성할 수 있다. 이 정보는 각 상품의 기술적인 성능, 제품 구성, 특징, 부속품 등에 대한 상세한 내용을 포함할 수 있다. 예를 들어, 카메라의 경우 해상도, 조리개 값, 초점 거리 등의 기술적인 스펙이 포함될 수 있다. 이를 통해 시스템은 제품의 기능과 성능을 명확히 이해하고, 소비자들에게 정확하고 유용한 정보를 제공할 수 있다. 또한, 상품의 차별화를 도모하고 경쟁력을 향상시킬 수 있다.

일 실시예에 따르면, 동작(303)에서, 상품 반응 정보 수집부는 복수의 상품에 대한 판매 정보 및 고객 평가 정보를 분석하여 복수의 상품 각각에 대한 상품 반응 정보를 생성할 수 있다. 상품 반응 정보 수집부는 최첨단 기술과 인공지능 알고리즘을 활용하여 대량의 판매 데이터를 수집할 수 있다. 이 데이터는 다양한 소스에서 가져오며, 온라인 마켓플레이스, 소셜 미디어, 리뷰 사이트, 고객 설문 조사 등 다양한 출처에서 올바른 방법으로 수집될 수 있다. 그 다음, 수집된 데이터는 고급 자연어 처리 기술과 기계 학습 알고리즘을 활용하여 분석될 수 있다. 상품에 대한 판매 정보는 수익, 판매량, 재고 등과 같은 다양한 지표로 평가될 수 있다. 또한, 고객 평가 정보는 리뷰 내용, 별점, 감정 분석 등을 기반으로 정량적 및 정성적인 방법으로 분석될 수 있다. 이렇게 분석된 데이터는 상품 반응 정보를 생성하기 위해 활용될 수 있다. 각 상품에 대한 반응 정보는 해당 상품의 인기도, 만족도, 품질, 가치 등과 같은 다양한 측면을 포함할 수 있다. 또한, 시장 동향을 파악하고 경쟁 제품과의 비교 분석을 통해 상품의 장점과 개선점을 식별할 수 있다. 이를 통해 시스템은 시장 요구에 더욱 빠르고 정확하게 대응할 수 있으며, 고객들의 요구에 부응하는 우수한 제품을 개발할 수 있는 정보를 제공할 수 있다.

일 실시예에 따르면, 동작(305)에서, 상품 추천부는 복수의 상품에 대한 상품 스펙 정보 및 상품 반응 정보를 매칭하여 상품 통합 정보를 생성하고 데이터베이스에 저장할 수 있다. 상품 추천부는 세밀한 분석과 창의적인 알고리즘을 활용하여 다양한 상품에 대한 상품 스펙 정보와 상품 반응 정보를 조합하여 상품 통합 정보를 생성할 수 있다. 이 정보는 데이터베이스에 저장되어 추천 시스템에 활용될 수 있다. 먼저, 상품 추천부는 상품 스펙 정보와 상품 반응 정보를 효과적으로 매칭할 수 있다. 이를 위해 고급 데이터 분석 기술과 기계 학습 알고리즘을 활용하여 스펙 정보와 반응 정보 사이의 상관 관계를 파악할 수 있다. 예를 들어, 상품의 기능적인 측면과 고객들의 선호도 사이의 패턴을 발견하고 분석할 수 있다. 다음으로, 매칭된 상품 스펙 정보와 상품 반응 정보를 결합하여 상품 통합 정보를 생성할 수 있다. 이는 각 상품의 기술적인 스펙과 고객들의 평가 및 반응을 종합한 종합적인 정보를 의미할 수 있다. 상품의 기능, 성능, 디자인, 사용자 경험 등 다양한 측면을 고려하여 상품의 특성을 정확히 파악하고 기록할 수 있다. 생성된 상품 통합 정보는 데이터베이스에 저장되어 추천 시스템에 활용될 수 있다. 추천 시스템은 고급 알고리즘을 기반으로 사용자의 취향, 구매 이력, 상품의 특성 등을 분석하여 맞춤형 상품 추천을 제공할 수 있다. 이를 통해 고객들은 자신에게 가장 적합한 상품을 쉽게 찾을 수 있고, 기업은 고객들에게 맞춤형 서비스를 제공하여 판매량과 고객 만족도를 향상시킬 수 있다.

일 실시예에 따르면, 동작(307)에서, 미디어 분석부는 상품 그룹과 관련된 미디어 텍스트 정보 및 미디어 텍스트 정보와 관련된 미디어 이미지 정보를 분석하여 미디어 분석 정보를 획득할 수 있다. 미디어 분석부는 상기 상품 그룹과 관련된 미디어 텍스트 정보를 분석하고 분석 결과에 대응하는 출력 메시지를 출력할 수 있다. 미디어 분석부는 상기 분석 결과가 필터링 조건을 만족하는지 여부를 판단하고, 만족하는 경우 상기 미디어 텍스트 정보에 대응하는 미디어 이미지 정보를 분석하여 상기 미디어 분석 정보를 획득할 수 있다.

일 실시예에 따르면, 동작(309)에서, 상품 추천부는 상품 통합 정보 및 미디어 분석 정보를 기초로 하나 이상의 후보 스펙 정보를 획득할 수 있다. 상품 추천부는 상품 통합 정보와 미디어 분석 정보를 기반으로 고도화된 알고리즘을 활용하여 한 개 이상의 후보 스펙 정보를 획득할 수 있다. 상품 추천부는 상품 통합 정보와 미디어 분석 정보를 종합적으로 분석하여 상품의 다양한 측면을 이해할 수 있다. 상품 통합 정보에는 상품 스펙 정보와 상품 반응 정보가 포함되어 있으며, 이를 토대로 고객의 니즈와 선호도를 파악할 수 있다. 또한, 미디어 분석 정보는 소셜 미디어, 뉴스 기사, 블로그 등에서 얻은 대중의 반응과 트렌드를 분석하여 상품에 대한 인식과 인기도를 파악하는 데 활용될 수 있다. 이러한 종합적인 분석을 통해 상품 추천부는 최적의 후보 스펙 정보를 도출할 수 있다.

일 실시예에 따르면, 동작(311)에서, 상품 추천부는 복수의 상품의 상품 스펙 정보와 하나 이상의 후보 스펙 정보를 비교하여 비교 결과가 추천 기준을 만족하는지 여부를 판단할 수 있다. 상품 추천부는 복수의 상품의 상품 스펙 정보와 비교 대상이 되는 후보 스펙 정보를 철저하게 분석할 수 있다. 이를 위해 각 상품의 스펙 정보와 후보 스펙 정보를 비교하여 다양한 측면에서의 유사성과 차이점을 평가할 수 있다. 예를 들어, 기존 상품의 성능, 가격, 디자인 등과 후보 스펙 정보 간의 비교를 통해 상품들 간의 상대적인 장단점을 파악할 수 있다. 추천 기준을 설정한 후, 상품 추천부는 비교 결과를 기준으로 판단할 수 있다. 추천 기준은 개별적으로 설정될 수 있으며, 예를 들어 특정 성능 지표, 가격 범위, 디자인 특성 등이 포함될 수 있다.

상품 추천부는 상품 스펙 정보 및 상기 하나 이상의 후보 스펙 정보 간의 유사도를 계산할 수 있다. 상품 추천부는 유사도가 추천 기준을 만족하는지 여부를 판단할 수 있다. 상품 추천부는 상품 스펙 정보와 후보 스펙 정보 사이의 다양한 측면을 비교하고 분석할 수 있다. 이를 위해 고급 유사도 측정 방법과 기계 학습 기술을 활용하여 스펙 정보의 유사도를 계산할 수 있다. 예를 들어, 상품 스펙 정보와 후보 스펙 정보의 특징 벡터를 생성하고, 벡터 간의 거리, 유클리드 거리, 코사인 유사도 등을 계산하여 유사도를 측정할 수 있다. 상품 추천부는 상기 상품 스펙 정보 및 상기 하나 이상의 후보 스펙 정보 간의 유클리드 거리를 계산할 수 있다. 상품 추천부는 계산된 유사도를 추천 기준과 비교하여 판단할 수 있다. 추천 기준은 각각의 상황에 따라 설정될 수 있으며, 예를 들어 특정 유사도 점수, 임계값, 유사성 범위 등이 포함될 수 있다. 상품 추천부는 계산된 유사도가 추천 기준을 만족하는지 여부를 판단하여 후보 스펙 정보의 적합성을 평가할 수 있다.

일 실시예에 따르면, 동작(313)에서, 상품 추천부는 상품 추천부에 의해 추천 기준을 만족하는 상품 스펙 정보에 대응하는 상품을 추천할 수 있다. 상품 추천부는 유사도가 추천 기준을 충족하는 후보 스펙 정보를 필터링하고, 구매자에게 상품을 추천할 수 있다. 추천 알고리즘은 구매자의 선호도, 과거 구매 이력, 관심사 등을 고려하여 유사도 판단 결과를 반영하여 최적의 상품을 추천할 수 있다. 상품 추천부는 비교 결과가 추천 기준을 충족하는지 여부를 판단하여, 구매자에게 가장 적합한 상품을 추천할 수 있다. 이렇게 판단된 결과를 기반으로, 상품 추천부는 구매자에게 개인 맞춤형 추천을 제공할 수 있다. 추천 알고리즘은 구매자의 과거 구매 이력, 선호도, 관심사 등을 고려하여 가장 적합한 상품을 필터링하고 추천할 수 있다. 이를 통해 구매자는 복수의 상품 중에서 자신에게 가장 적합한 상품을 쉽고 효과적으로 찾을 수 있으며, 기업은 고객의 만족도와 구매율을 향상시킬 수 있다. 상품 추천부는 상품 스펙 정보와 후보 스펙 정보 간의 유사도 계산과 추천 기준 판단을 통해 고객에게 맞춤형 상품을 제공하고, 기업은 고객 만족도와 판매 성과를 향상시킬 수 있다.

이하에서는 용어를 정의한다.

필터링 조건은 미디어 텍스트 정보에 대응하는 미디어 이미지 정보를 분석하여 상기 미디어 분석 정보를 획득할지 여부를 판단하기 위한 기준을 의미한다.

인코더 임베딩 벡터는 인코더의 입력 메시지를 뉴럴 네트워크 모델의 입력에 적합하도록 저차원으로 변환된 벡터 형태의 데이터이다.

위치 정보는 입력 메시지에서 각 단어의 상대적인 위치를 나타내는 정보를 의미한다.

포지셔널 인코딩은 인코더의 입력 메시지를 뉴럴 네트워크 모델의 입력에 적합하도록 저차원으로 변환하면서 위치 정보를 반영한 벡터 형태의 데이터이다.

인코더 포지셔닝 출력 벡터는 인코더 임베딩 벡터와 위치 정보 벡터를 엘레먼트 와이즈로 합산한 결과를 의미한다. 엘레먼트 와이즈는 두 벡터가 같은 차원을 가지는 경우에 벡터의 각 엘레멘트 별로 연산을 수행하는 것을 의미한다.

패딩 마스크은 언텐셔 스코어에 포함된 의미없는 값들을 배제하기 위해 사용되는 어텐션 스코어와 같은 차원의 행렬을 의미한다.

셀프 어텐션은 쿼리, 키, 밸류의 출처가 어텐션 연산이 수행되는 곳으로부터 발생한 어텐션 연산을 의미한다. 예를 들어, 인코더의 셀프 어텐션은 쿼리, 키, 밸류의 출처가 인코더인 어텐션 연산이다. 디코더의 셀프 어텐션은 쿼리, 키, 밸류의 출처가 디코더인 어텐션 연산이다.

어텐션 스코어는 각 단어에 대응하여 수행되는 어텐션 연산의 결과를 나타낸다.

인코더 어텐션 분포는 입력 시퀀스의 모든 단어에 대응하여 수행되는 어텐션 연산의 결과로서 어텐션 스코어를 결합하여 획득되는 행렬이다.

피드 포워드 레이어는 입력 층으로 데이터가 입력되고, 1개 이상으로 구성되는 은닉 층을 거쳐서 마지막에 있는 출력 층으로 출력 값을 내보내는 레이어를 나타낸다.

인코더 출력 벡터는 인코더 어텐션 분포를 밸류 벡터에 가중합하여 획득한 컨텍스트 벡터를 피드 포워드 레이어에 입력하여 출력되는 결과를 의미한다.

디코더 임베딩 벡터는 디코더의 입력 시퀀스를 뉴럴 네트워크 모델의 디코더의 입력에 적합하도록 저차원으로 변환된 벡터 형태의 데이터이다.

엘레멘트는 벡터의 각 구성 요소를 의미한다.

디코더 포지셔닝 출력 벡터는 디코더 임베딩 벡터와 위치 정보 벡터를 엘레먼트 와이즈로 합산한 결과를 의미한다.

룩-어헤드 마스크는 현재 시점의 예측에서 현재 시점보다 미래에 있는 단어들이 참고되지 못하게 사용되는 어텐션 스코어와 같은 차원의 행렬을 의미한다.

제1 디코더 은닉 상태 벡터는 디코더 어텐션 분포를 밸류 벡터에 가중합하여 획득한 컨텍스트 벡터를 나타낸다.

인코더-디코더 어텐션은 쿼리는 디코더로부터 획득하고, 키 및 밸류는 인코더로부터 전달받아 수행되는 어텐션 연산이다.

제2 디코더 은닉 상태 벡터는 어텐션 분포를 일종의 가중치로서 각 단어에 대응하는 밸류 벡터에 가중합하여 획득된 컨텍스트 벡터를 의미한다.

디코더 출력 벡터는 제2 디코더 은닉 상태 벡터를 피드 포워드 레이어에 입력하여 획득한 벡터를 의미한다.

이하에서는 텍스트 정보를 분석하고 분석 결과에 대응하는 출력 메시지를 출력하는 미디어 분석부의 처리 과정에 대해 상술한다.

자연어 처리부는 뉴럴 네트워크 모델로 구성되며, 뉴럴 네트워크 모델은 입력부, 임베딩부, 인코더, 디코더 및 출력부를 포함할 수 있다. 여기서, 입력부, 임베딩부, 인코더, 디코더 및 출력부는 각각 하나 이상의 레이어를 포함할 수 있다. 뉴럴 네트워크 모델은 복수의 인코더 및 복수의 디코더를 포함할 수 있다.

뉴럴 네트워크 모델은 seq2seq의 인코더-디코더 구조를 포함할 수 있다. 인코더는 입력 시퀀스를 입력 받고, 디코더는 출력 시퀀스를 출력할 수 있다. 뉴럴 네트워크 모델은 각각의 단어의 순서에 대한 정보를 알려주기 위해 포지셔녈 인코딩을 사용할 수 있다. 어텐션 과정은 여러 레이어에 거쳐서 반복될 수 있다. 인코더와 디코더는 각각 복수개로 중첩되어 사용될 수 있다.

시스템은 입력 메시지의 분석 결과에 대응하는 출력 메시지를 송신하기 위하여 뉴럴 네트워크 내부에서 아래와 같은 과정을 수행할 수 있다. 여기서, 분석 결과는 인코더 출력 벡터 및 디코더 출력 벡터를 포함할 수 있다.

입력부는 입력 메시지를 인코더 임베딩 벡터로 변환하고, 인코더 임베딩 벡터에 입력 메시지의 각 단어의 위치 정보를 반영하는 포지셔널 인코딩을 수행하고 각 단어에 대하여 인코더 포지셔닝 출력 벡터를 출력할 수 있다.

복수의 단어를 포함하는 입력 메시지는 단어의 개수의 차원을 가진다. 또한, 각각의 정보들은 원 핫 인코딩 형태로 표현되기 때문에 입력 메시지의 데이터 포맷을 유지하는 것은 많은 리소스를 필요로 한다. 입력부는 임베딩 과정을 통해 입력 메시지를 저차원의 데이터를 가지는 인코더 임베딩 벡터로 변환할 수 있다. 입력부는 임베딩 중에서 포지셔널 임베딩을 사용할 수 있다. 입력부는 입력 메시지의 각 단어의 위치 정보를 가지고 인코더 임베딩 벡터와 같은 차원을 가지는 위치 정보 벡터를 획득할 수 있다. 입력부는 인코더 임베딩 벡터와 위치 정보 벡터를 엘레먼트 와이즈로 합산하여 인코더 포지셔닝 출력 벡터를 획득할 수 있다.

인코더는 인코더 포지셔닝 출력 벡터에 패딩 마스크를 적용하여 셀프 어텐션을 수행하고 인코더 어텐션 분포를 출력할 수 있다.

셀프 어텐션을 위하여 인코더의 쿼리 가중치 행렬, 인코더의 키 가중치 행렬 및 인코더의 밸류 가중치 행렬이 미리 결정될 수 있다. 행렬들은 뉴럴 네트워크 모델의 학습 과정에서 최적화되거나 이미 알려진 행렬이 적용될 수 있다. 인코더는 각 단어에 대응하는 인코더 포지셔닝 출력 벡터에 쿼리 가중치 행렬, 키 가중치 행렬 및 밸류 가중치 행렬를 각각 곱하여 쿼리 벡터, 키 벡터 및 밸류 벡터를 획득할 수 있다. 인코더는 쿼리 벡터와 키 벡터의 유사도를 구하고 그 결과를 가중치로서 키 벡터와 대응되는 밸류 벡터에 반영할 수 있다. 인코더는 쿼리 벡터와 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 인코더는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 어텐션 분포를 획득할 수 있다.

단어에 따라 인코더 포지셔닝 출력 벡터에는 불필요한 값이 포함될 수 있다. 불필요한 값은 특정한 토큰으로 표현될 수 있다. 이에 따라, 어텐션 스코어에도 불필요한 값들이 포함될 수 있다. 인코더는 패딩 마스크를 이용하여 불필요한 값들이 이후의 연산에서 제외될 수 있도록 값을 조정할 수 있다. 예를 들어, 패딩 마스크는 어텐션 스코어와 같은 차원의 행렬일 수 있으며, 목적하는 위치에 매우 작은 음수값을 포함할 수 있다.

인코더는 어텐션 분포를 일종의 가중치로서 각 단어에 대응하는 밸류 벡터에 가중합하여 어텐션 값 또는 컨텍스트 벡터를 획득할 수 있다. 인코더는 컨텍스트 벡터를 피드 포워드 레이어에 입력하여 인코더 출력 벡터를 출력할 수 있다. 인코더는 컨텍스트 벡터의 각 단어에 대응하는 엘레먼트를 각각 동일한 피드 포워드 레이어에 입력하고 입력 결과들로부터 인코더 출력 벡터를 획득할 수 있다.

디코더는 인코더 출력 벡터를 디코더 임베딩 벡터로 변환하고, 디코더 임베딩 벡터에 인코더 출력 벡터의 각 엘레멘트의 위치 정보를 반영하는 포지셔널 인코딩을 수행하고 디코더 포지셔닝 출력 벡터를 출력할 수 있다.

디코더는 임베딩 과정을 통해 인코더 출력 벡터를 저차원의 데이터를 가지는 디코더 임베딩 벡터로 변환할 수 있다. 디코더는 임베딩 중에서 포지셔널 임베딩을 사용할 수 있다. 디코더는 인코더 출력 벡터의 각 엘레먼트의 위치 정보를 가지고 디코더 임베딩 벡터와 같은 차원을 가지는 위치 정보 벡터를 획득할 수 있다. 디코더는 디코더 임베딩 벡터와 위치 정보 벡터를 엘레먼트 와이즈로 합산하여 디코더 포지셔닝 출력 벡터를 획득할 수 있다.

디코더는 디코더 포지셔닝 출력 벡터에 룩-어헤드 마스크를 적용하여 셀프 어텐션을 수행하고 제1 디코더 은닉 상태 벡터를 출력할 수 있다.

셀프 어텐션을 위하여 디코더의 쿼리 가중치 행렬, 디코더의 키 가중치 행렬 및 디코더의 밸류 가중치 행렬이 미리 결정될 수 있다. 행렬들은 뉴럴 네트워크 모델의 학습 과정에서 최적화되거나 이미 알려진 행렬이 적용될 수 있다. 디코더는 각 단어에 대응하는 디코더 포지셔닝 출력 벡터에 쿼리 가중치 행렬, 키 가중치 행렬 및 밸류 가중치 행렬를 각각 곱하여 쿼리 벡터, 키 벡터 및 밸류 벡터를 획득할 수 있다. 디코더는 쿼리 벡터와 키 벡터의 유사도를 구하고 그 결과를 가중치로서 키 벡터와 대응되는 밸류 벡터에 반영할 수 있다. 디코더는 쿼리 벡터와 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 디코더는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 어텐션 분포를 획득할 수 있다.

디코더는 룩-어헤드 마스크를 이용하여 현재 시점의 예측에서 현재 시점보다 미래에 있는 단어들을 참고하지 못하도록 값을 조정할 수 있다. 예를 들어, 룩-어헤드 마스크는 어텐션 스코어와 같은 차원의 행렬일 수 있으며, 미리보기에 대응하는 위치에 매우 작은 음수값을 포함할 수 있다.

디코더는 어텐션 분포를 일종의 가중치로서 각 단어에 대응하는 밸류 벡터에 가중합하여 어텐션 값 또는 컨텍스트 벡터를 획득할 수 있다. 디코더는 컨텍스트 벡터를 제1 디코더 은닉 상태 벡터로서 획득할 수 있다.

디코더는 제1 디코더 은닉 상태 벡터에 인코더-디코더 어텐션을 수행하고 제2 디코더 은닉 상태 벡터를 출력할 수 있다.

인코더-디코더 어텐션을 위하여 디코더는 각 단어에 대응하는 디코더의 쿼리 벡터, 인코더의 키 벡터 및 인코더의 밸류 벡터를 가져올 수 있다. 디코더는 쿼리 벡터와 키 벡터의 유사도를 구하고 그 결과를 가중치로서 키 벡터와 대응되는 밸류 벡터에 반영할 수 있다. 디코더는 쿼리 벡터와 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 디코더는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 어텐션 분포를 획득할 수 있다.

디코더는 룩-어헤드 마스크를 이용하여 현재 시점의 예측에서 현재 시점보다 미래에 있는 단어들을 참고하지 못하도록 값을 조정할 수 있다. 예를 들어, 룩-어헤드 마스크는 어텐션 스코어와 같은 차원의 행렬일 수 있으며, 미리보기에 대응하는 위치에 매우 작은 음수값을 포함할 수 있다.

디코더는 어텐션 분포를 일종의 가중치로서 각 단어에 대응하는 밸류 벡터에 가중합하여 어텐션 값 또는 컨텍스트 벡터를 획득할 수 있다. 디코더는 컨텍스트 벡터를 제2 디코더 은닉 상태 벡터로서 출력할 수 있다.

디코더는 제2 디코더 은닉 상태 벡터를 피드 포워드 레이어에 입력하여 디코더 출력 벡터를 출력할 수 있다. 디코더는 제1 디코더 은닉 상태 벡터의 각 단어에 대응하는 엘레먼트를 각각 동일한 피드 포워드 레이어에 입력하고 입력 결과들로부터 디코더 출력 벡터를 획득할 수 있다.

출력부는 디코더 출력 벡터를 출력 메시지로 변환할 수 있다. 예를 들어, 출력부는 소프트맥스 함수를 이용하여 디코더 출력 벡터를 출력 메시지로 변환할 수 있다.

콘케티네이션 벡터는 인코더 출력 벡터와 디코더 출력 벡터에 콘케티네이션을 수행한 결과이다.

쿼리 가중치 행렬, 키 가중치 행렬, 밸류 가중치 행렬은 쿼리-키-밸류 연산을 위해 입력 벡터에 적용하여 각각 쿼리 벡터, 키 벡터, 밸류 벡터를 획득하기 위해 사용되는 가중치 행렬을 의미한다.

쿼리 벡터, 키 벡터, 밸류 벡터는 쿼리-키-밸류 연산의 결과로서의 벡터를 의미한다.

콘케티네이션 내적 벡터는 콘케티네이션 벡터에 내적 연산을 수행할 때 대응하는 벡터를 의미한다.

어텐션 내적 벡터는 어텐션 벡터에 내적 연산을 수행할 때 대응하는 벡터를 의미한다.

스칼라 값은 내적 연산의 결과를 의미한다.

비교값은 수학식 1의 결과 값을 의미한다.

이하에서는, 자연어 처리에 사용된 뉴럴 네트워크의 내부 데이터를 이용하여 분석 결과가 필터링 조건을 만족하는지 여부를 판단하는 과정이 상술된다.

자연어 처리부 또는 뉴럴 네트워크는 입력부, 인코더, 디코더, 출력부 외에 필터링 조건 판단부를 더 포함할 수 있다.

시스템은 자연어 처리에 사용된 뉴럴 네트워크의 내부 데이터를 이용하여 필터링 조건을 판단할 수 있다. 여기서 뉴럴 네트워크의 내부 데이터는 인코더 출력 벡터 및 디코더 출력 벡터를 포함할 수 있다.

필터링 조건 판단부는 인코더 출력 벡터 및 디코더 출력 벡터에 대해 콘케티네이션을 수행하여 콘케티네이션 벡터를 획득할 수 있다. 자연어 처리 과정에서 뉴럴 네트워크 모델의 내부 동작으로서 인코더는 컨텍스트 벡터를 피드 포워드 레이어에 입력하게 되는데 그 출력으로서 인코더 출력 벡터를 획득하게 된다. 뉴럴 네트워크 모델의 내부 동작으로서 디코더는 셀프 어텐션, 룩-어헤드 어텐션 및 피드 포워드 레이어를 거쳐서 디코더 출력 벡터를 획득하게 된다.

필터링 조건 판단부는 인코더 출력 벡터와 디코더 출력 벡터를 직렬로 결합하여 더 큰 차원의 벡터를 만드는 콘케티네이션을 수행하고 콘케티네이션 벡터를 획득할 수 있다. 콘케티네이션 벡터는 인코더 출력 벡터와 디코더 출력 벡터를 직접 포함함으로써 입력 메시지와 출력 메시지에 직결되는 데이터를 포함할 수 있다. 필터링 조건 판단부는 입력 메시지와 출력 메시지에 직결되는 데이터를 사용하여 입력 메시지가 거래 자동화 및 자동 상품 등록의 동작 조건에 해당하는지를 보다 정밀하게 판단할 수 있다.

필터링 조건 판단부는 콘케티네이션 벡터에 제1 쿼리 가중치 행렬, 제1 키 가중치 행렬 및 제1 밸류 가중치 행렬을 각각 곱하여 제1 쿼리 벡터, 제1 키 벡터 및 제1 밸류 백터를 각각 획득할 수 있다. 행렬들은 뉴럴 네트워크 모델의 학습 과정에서 최적화되거나 이미 알려진 행렬이 적용될 수 있다.

필터링 조건 판단부는 제1 쿼리 벡터, 제1 키 벡터 및 제1 밸류 벡터를 기초로 어텐션 스코어로 구성된 제1 어텐션 벡터를 획득할 수 있다. 필터링 조건 판단부는 제1 쿼리 벡터와 제1 키 벡터의 유사도를 구하고 그 결과를 가중치로서 제1 키 벡터와 대응되는 제1 밸류 벡터에 반영할 수 있다. 필터링 조건 판단부는 제1 쿼리 벡터와 제1 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 필터링 조건 판단부는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 제1 어텐션 벡터를 획득할 수 있다.

필터링 조건 판단부는 제1 콘케티네이션 내적 벡터 및 콘케티네이션 벡터를 내적하여 제1 스칼라 값을 획득할 수 있다. 제1 콘케티네이션 내적 벡터는 필터링 조건을 판단하기 위해 미리 결정된 벡터로서, 콘케티네이션 벡터와 같은 차원을 가진다.

필터링 조건 판단부는 제1 어텐션 내적 벡터 및 제1 어텐션 벡터를 내적하여 제2 스칼라 값을 획득할 수 있다. 제1 어텐션 내적 벡터는 필터링 조건을 판단하기 위해 미리 결정된 벡터로서, 제1 어텐션 벡터와 같은 차원을 가진다.

필터링 조건 판단부는 제1 스칼라 값, 제2 스칼라 값, 콘케티네이션 벡터 및 제1 어텐션 벡터를 기초로 제1 비교값을 계산할 수 있다. 예를 들어, 필터링 조건 판단부는 수학식 1을 이용하여 제1 비교값을 계산할 수 있다.

[수학식 1]

수학식 1에서, S1은 제1 스칼라 값, S2는 제2 스칼라 값, n은 콘케티네이션 벡터의 차원의 수, P1i는 콘케티네이션 벡터의 i번째 차원의 값, P2i는 어텐션 벡터의 i번째 차원의 값, ai는 학습에 의해 설정된 i번째 차원에 대응하는 가중치, b는 학습에 의해 설정된 summation에 적용되는 가중치를 나타낸다. min 함수는 괄호 안의 두 값 중에서 더 작은 값을 결정하는 함수이다. W1은 제1 비교값을 나타낸다.

필터링 조건 판단부는 제1 비교값이 필터링 조건을 만족하는지 여부를 판단할 수 있다. 예를 들어, 필터링 조건은 w1이 임계값 th1보다 큰 조건을 포함할 수 있다. th1은 ai, b, 콘케티네이션 내적 벡터 및 어텐션 내적 벡터의 학습 과정에서 함께 결정될 수 있다.

뉴럴 네트워크 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 학습 입력 문장 및 학습 출력 문장으로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.

[수학식 2]

예를 들어, 손실 함수는 수학식 2를 따를 수 있다.

수학식 2에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.

수학식 2에는 클래스 별 학습 데이터의 수가 반영되기 때문에, 학습 데이터의 수가 작은 클래스는 학습에 작은 영향을 미치고 학습 데이터의 수가 큰 클래스는 학습에 큰 영향을 미칠 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 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 4는 일 실시예에 따른 서버의 전체 구성을 나타낸 도면이다.

일 실시예에 따르면, 서버(400)는 인터페이스(420), 내부 엔진(410), 상품 스펙 정보 수집부(410), 상품 반응 정보 수집부(403), 미디어 분석부(405), 상품 추천부(407) 및 데이터베이스(430)를 포함할 수 있다. 내부 엔진(410)은 자연어 처리부(411) 및 이미지 처리부(413)을 포함할 수 있다.

인터페이스(420)는 사용자와 소프트웨어 시스템 간의 상호 작용을 가능하게 하는 수단이다. 이를 통해 사용자는 소프트웨어의 기능을 이해하고 조작할 수 있다. 인터페이스는 그래픽 사용자 인터페이스(GUI)를 포함할 수 있다. 인터페이스(420)는 그래픽 요소를 사용하여 사용자와 소프트웨어 사이의 상호 작용을 제공한다. 인터페이스(420)는 창, 버튼, 메뉴, 아이콘 등 시각적인 요소를 통해 사용자에게 정보를 전달하고 입력을 받는다. 사용자는 마우스로 요소를 클릭하거나 터치 스크린을 사용하여 소프트웨어를 조작할 수 있다. 이를 통해 인터페이스(420)는 직관적이고 시각적으로 매력적인 사용자 경험을 제공할 수 있다.

인터페이스(420)는 요청되는 기능에 따라 상품 스펙 정보 수집부(410), 상품 반응 정보 수집부(403), 미디어 분석부(405), 상품 추천부(407)와 데이터를 교환할 수 있다.

상품 스펙 정보 수집부(410)는 상품 그룹에 속하는 복수의 상품의 상품 이미지 및 상품 정보 텍스트를 분석하여 복수의 상품 각각에 대한 상품 스펙 정보를 생성할 수 있다. 상품 스펙 정보 수집부(410)는 자연어 처리부(411) 및 이미지 처리부(413)를 이용하여 서비스를 제공할 수 있다. 이를 통해 시스템은 제품의 기능과 성능을 명확히 이해하고, 소비자들에게 정확하고 유용한 정보를 제공할 수 있다. 또한, 상품의 차별화를 도모하고 경쟁력을 향상시킬 수 있다.

상품 반응 정보 수집부(403)는 복수의 상품에 대한 판매 정보 및 고객 평가 정보를 분석하여 복수의 상품 각각에 대한 상품 반응 정보를 생성할 수 있다. 상품에 대한 판매 정보는 수익, 판매량, 재고 등과 같은 다양한 지표로 평가될 수 있다. 또한, 고객 평가 정보는 리뷰 내용, 별점, 감정 분석 등을 기반으로 정량적 및 정성적인 방법으로 분석될 수 있다. 이렇게 분석된 데이터는 상품 반응 정보를 생성하기 위해 활용될 수 있다. 각 상품에 대한 반응 정보는 해당 상품의 인기도, 만족도, 품질, 가치 등과 같은 다양한 측면을 포함할 수 있다. 또한, 시장 동향을 파악하고 경쟁 제품과의 비교 분석을 통해 상품의 장점과 개선점을 식별할 수 있다. 상품 반응 정보 수집부(403)는 자연어 처리부(411)를 이용하여 서비스를 제공할 수 있다.이를 통해 시스템은 시장 요구에 더욱 빠르고 정확하게 대응할 수 있으며, 고객들의 요구에 부응하는 우수한 제품을 개발할 수 있는 정보를 제공할 수 있다.

미디어 분석부(405)는 상품 그룹과 관련된 미디어 텍스트 정보 및 미디어 텍스트 정보와 관련된 미디어 이미지 정보를 분석하여 미디어 분석 정보를 획득할 수 있다. 미디어 분석부(405)는 자연어 처리부(411) 및 이미지 처리부(413)를 이용하여 서비스를 제공할 수 있다.

상품 추천부(407)는 복수의 상품에 대한 상품 스펙 정보 및 상품 반응 정보를 매칭하여 상품 통합 정보를 생성하고 데이터베이스에 저장할 수 있다. 이를 통해 고객들은 자신에게 가장 적합한 상품을 쉽게 찾을 수 있고, 기업은 고객들에게 맞춤형 서비스를 제공하여 판매량과 고객 만족도를 향상시킬 수 있다.

도 5는 따른 상품 추천 방법의 예시적인 동작을 도시한 흐름도이다.

동작(501)에서, 제1 외부 서버(510)는 상품 스펙 정보 수집부(401)로 상품 이미지 및 상품 정보 텍스트를 전달할 수 있다. 상품 이미지는 상품과 관련된 이미지를 의미한다. 상품 정보 텍스트는 상품에 대한 텍스트 형식의 정보를 의미한다.

동작(503)에서, 상품 스펙 정보 수집부(401)는 상품 이미지 및 상품 정보 텍스트를 기초로 상품 스펙 정보를 생성할 수 있다. 상품 스펙 정보 수집부(401)는 상품 이미지와 상품 정보 텍스트의 분석 결과를 종합하여 상품 스펙 정보를 생성할 수 있다. 이 정보는 각 상품의 기술적인 성능, 제품 구성, 특징, 부속품 등에 대한 상세한 내용을 포함할 수 있다. 상품 스펙 정보는 상품 추천부(407)로 전달될 수 있다.

동작(505)에서, 제1 외부 서버(510)는 상품 반응 정보 수집부(403)로 판매 정보 및 고객 평가 정보를 전달할 수 있다. 판매 정보는 상품의 판매와 관련된 정보로서 상품의 가격, 판매 수량 등의 정보를 포함할 수 있다. 판매 정보는 수익, 판매량, 재고 등과 같은 다양한 지표로 평가될 수 있다. 또한, 고객 평가 정보는 리뷰 내용, 별점, 감정 분석 등을 기반으로 정량적 및 정성적인 방법으로 분석될 수 있다. 고객 평가 정보는 상품에 대한 고객의 평가를 나타내는 정보를 의미한다.

동작(507)에서, 상품 반응 정보 수집부(403)는 판매 정보 및 고객 평가 정보를 기초로 상품 반응 정보를 생성할 수 있다. 상품에 대한 반응 정보는 해당 상품의 인기도, 만족도, 품질, 가치 등과 같은 다양한 측면을 포함할 수 있다. 또한, 시장 동향을 파악하고 경쟁 제품과의 비교 분석을 통해 상품의 장점과 개선점을 식별할 수 있다. 상품 반응 정보는 상품 추천부(407)로 전달될 수 있다.

동작(509)에서, 상품 추천부(407)는 상품 스펙 정보 및 상품 반응 정보를 기초로 상품 통합 정보를 생성할 수 있다. 상품 추천부(407)는 세밀한 분석과 창의적인 알고리즘을 활용하여 다양한 상품에 대한 상품 스펙 정보와 상품 반응 정보를 조합하여 상품 통합 정보를 생성할 수 있다. 이 정보는 데이터베이스에 저장되어 추천 시스템에 활용될 수 있다.

동작(511)에서, 제2 외부 서버(520)는 미디어 분석부(405)로 미디어 텍스트 정보 및 미디어 이미지를 전달할 수 있다. 미디어 텍스트 정보는 미디어에서 처리되는 상품과 관련된 텍스트 정보를 의미한다. 미디어 이미지는 미디어에서 처리되는 상품과 관련된 이미지를 의미한다. 미디어는 인터넷 포탈, 유튜브 및 각종 SNS 어플리케이션을 포함할 수 있다.

동작(513)에서, 미디어 분석부(405)는 미디어 텍스트 정보 및 미디어 이미지를 기초로 미디어 분석 정보를 획득할 수 있다. 미디어 분석부(405)는 상기 상품 그룹과 관련된 미디어 텍스트 정보를 분석하고 분석 결과에 대응하는 출력 메시지를 출력할 수 있다. 미디어 분석부(405)는 상기 분석 결과가 필터링 조건을 만족하는지 여부를 판단하고, 만족하는 경우 상기 미디어 텍스트 정보에 대응하는 미디어 이미지 정보를 분석하여 상기 미디어 분석 정보를 획득할 수 있다.

동작(515)에서, 미디어 분석부(405)는 미디어 분석 정보를 상품 추천부(407)로 전달할 수 있다.

동작(517)에서, 상품 추천부(407)는 미디어 분석 정보를 기초로 후보 스펙 정보를 획득할 수 있다. 상품 추천부(407)는 상품 통합 정보와 미디어 분석 정보를 기반으로 고도화된 알고리즘을 활용하여 한 개 이상의 후보 스펙 정보를 획득할 수 있다. 종합적인 분석을 통해 상품 추천부는 최적의 후보 스펙 정보를 도출할 수 있다.

동작(519)에서, 상품 추천부(407)는 후보 스펙 정보를 기초로 추천 기준이 만족하는지 여부를 판단할 수 있다. 이를 위해 각 상품의 스펙 정보와 후보 스펙 정보를 비교하여 다양한 측면에서의 유사성과 차이점을 평가할 수 있다. 예를 들어, 기존 상품의 성능, 가격, 디자인 등과 후보 스펙 정보 간의 비교를 통해 상품들 간의 상대적인 장단점을 파악할 수 있다. 추천 기준을 설정한 후, 상품 추천부는 비교 결과를 기준으로 판단할 수 있다. 추천 기준은 개별적으로 설정될 수 있으며, 예를 들어 특정 성능 지표, 가격 범위, 디자인 특성 등이 포함될 수 있다.

동작(521)에서, 상품 추천부(407)는 추천 기준에 만족하는 후보 스펙 정보에 대응하는 상품을 추천할 수 있다. 추천 알고리즘은 구매자의 선호도, 과거 구매 이력, 관심사 등을 고려하여 유사도 판단 결과를 반영하여 최적의 상품을 추천할 수 있다. 상품 추천부(407)는 비교 결과가 추천 기준을 충족하는지 여부를 판단하여, 구매자에게 가장 적합한 상품을 추천할 수 있다.

도 6은 일 실시예에 따른 자연어 처리부의 뉴럴 네트워크의 구조를 설명하기 위한 예시적인 개념도이다. 도 7은 일 실시예에 따른 자연어 처리부의 뉴럴 네트워크의 구조의 일 예시를 도시한 도면이다.

입력부는 입력 메시지를 인코더 임베딩 벡터로 변환하고, 인코더 임베딩 벡터에 입력 메시지의 각 단어의 위치 정보를 반영하는 포지셔널 인코딩을 수행하고 각 단어에 대하여 인코더 포지셔닝 출력 벡터를 출력할 수 있다.

복수의 단어를 포함하는 입력 메시지는 단어의 개수의 차원을 가진다. 또한, 각각의 정보들은 원 핫 인코딩 형태로 표현되기 때문에 입력 메시지의 데이터 포맷을 유지하는 것은 많은 리소스를 필요로 한다. 입력부는 임베딩 과정을 통해 입력 메시지를 저차원의 데이터를 가지는 인코더 임베딩 벡터로 변환할 수 있다. 입력부는 임베딩 중에서 포지셔널 임베딩을 사용할 수 있다. 입력부는 입력 메시지의 각 단어의 위치 정보를 가지고 인코더 임베딩 벡터와 같은 차원을 가지는 위치 정보 벡터를 획득할 수 있다. 입력부는 인코더 임베딩 벡터와 위치 정보 벡터를 엘레먼트 와이즈로 합산하여 인코더 포지셔닝 출력 벡터를 획득할 수 있다.

인코더는 인코더 포지셔닝 출력 벡터에 패딩 마스크를 적용하여 셀프 어텐션을 수행하고 인코더 어텐션 분포를 출력할 수 있다.

셀프 어텐션을 위하여 인코더의 쿼리 가중치 행렬, 인코더의 키 가중치 행렬 및 인코더의 밸류 가중치 행렬이 미리 결정될 수 있다. 행렬들은 뉴럴 네트워크 모델의 학습 과정에서 최적화되거나 이미 알려진 행렬이 적용될 수 있다. 인코더는 각 단어에 대응하는 인코더 포지셔닝 출력 벡터에 쿼리 가중치 행렬, 키 가중치 행렬 및 밸류 가중치 행렬를 각각 곱하여 쿼리 벡터, 키 벡터 및 밸류 벡터를 획득할 수 있다. 인코더는 쿼리 벡터와 키 벡터의 유사도를 구하고 그 결과를 가중치로서 키 벡터와 대응되는 밸류 벡터에 반영할 수 있다. 인코더는 쿼리 벡터와 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 인코더는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 어텐션 분포를 획득할 수 있다.

단어에 따라 인코더 포지셔닝 출력 벡터에는 불필요한 값이 포함될 수 있다. 불필요한 값은 특정한 토큰으로 표현될 수 있다. 이에 따라, 어텐션 스코어에도 불필요한 값들이 포함될 수 있다. 인코더는 패딩 마스크를 이용하여 불필요한 값들이 이후의 연산에서 제외될 수 있도록 값을 조정할 수 있다. 예를 들어, 패딩 마스크는 어텐션 스코어와 같은 차원의 행렬일 수 있으며, 목적하는 위치에 매우 작은 음수값을 포함할 수 있다.

인코더는 어텐션 분포를 일종의 가중치로서 각 단어에 대응하는 밸류 벡터에 가중합하여 어텐션 값 또는 컨텍스트 벡터를 획득할 수 있다. 인코더는 컨텍스트 벡터를 피드 포워드 레이어에 입력하여 인코더 출력 벡터를 출력할 수 있다. 인코더는 컨텍스트 벡터의 각 단어에 대응하는 엘레먼트를 각각 동일한 피드 포워드 레이어에 입력하고 입력 결과들로부터 인코더 출력 벡터를 획득할 수 있다.

디코더는 인코더 출력 벡터를 디코더 임베딩 벡터로 변환하고, 디코더 임베딩 벡터에 인코더 출력 벡터의 각 엘레멘트의 위치 정보를 반영하는 포지셔널 인코딩을 수행하고 디코더 포지셔닝 출력 벡터를 출력할 수 있다.

디코더는 임베딩 과정을 통해 인코더 출력 벡터를 저차원의 데이터를 가지는 디코더 임베딩 벡터로 변환할 수 있다. 디코더는 임베딩 중에서 포지셔널 임베딩을 사용할 수 있다. 디코더는 인코더 출력 벡터의 각 엘레먼트의 위치 정보를 가지고 디코더 임베딩 벡터와 같은 차원을 가지는 위치 정보 벡터를 획득할 수 있다. 디코더는 디코더 임베딩 벡터와 위치 정보 벡터를 엘레먼트 와이즈로 합산하여 디코더 포지셔닝 출력 벡터를 획득할 수 있다.

디코더는 디코더 포지셔닝 출력 벡터에 룩-어헤드 마스크를 적용하여 셀프 어텐션을 수행하고 제1 디코더 은닉 상태 벡터를 출력할 수 있다.

셀프 어텐션을 위하여 디코더의 쿼리 가중치 행렬, 디코더의 키 가중치 행렬 및 디코더의 밸류 가중치 행렬이 미리 결정될 수 있다. 행렬들은 뉴럴 네트워크 모델의 학습 과정에서 최적화되거나 이미 알려진 행렬이 적용될 수 있다. 디코더는 각 단어에 대응하는 디코더 포지셔닝 출력 벡터에 쿼리 가중치 행렬, 키 가중치 행렬 및 밸류 가중치 행렬를 각각 곱하여 쿼리 벡터, 키 벡터 및 밸류 벡터를 획득할 수 있다. 디코더는 쿼리 벡터와 키 벡터의 유사도를 구하고 그 결과를 가중치로서 키 벡터와 대응되는 밸류 벡터에 반영할 수 있다. 디코더는 쿼리 벡터와 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 디코더는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 어텐션 분포를 획득할 수 있다.

디코더는 룩-어헤드 마스크를 이용하여 현재 시점의 예측에서 현재 시점보다 미래에 있는 단어들을 참고하지 못하도록 값을 조정할 수 있다. 예를 들어, 룩-어헤드 마스크는 어텐션 스코어와 같은 차원의 행렬일 수 있으며, 미리보기에 대응하는 위치에 매우 작은 음수값을 포함할 수 있다.

디코더는 어텐션 분포를 일종의 가중치로서 각 단어에 대응하는 밸류 벡터에 가중합하여 어텐션 값 또는 컨텍스트 벡터를 획득할 수 있다. 디코더는 컨텍스트 벡터를 제1 디코더 은닉 상태 벡터로서 획득할 수 있다.

디코더는 제1 디코더 은닉 상태 벡터에 인코더-디코더 어텐션을 수행하고 제2 디코더 은닉 상태 벡터를 출력할 수 있다.

인코더-디코더 어텐션을 위하여 디코더는 각 단어에 대응하는 디코더의 쿼리 벡터, 인코더의 키 벡터 및 인코더의 밸류 벡터를 가져올 수 있다. 디코더는 쿼리 벡터와 키 벡터의 유사도를 구하고 그 결과를 가중치로서 키 벡터와 대응되는 밸류 벡터에 반영할 수 있다. 디코더는 쿼리 벡터와 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 디코더는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 어텐션 분포를 획득할 수 있다.

디코더는 룩-어헤드 마스크를 이용하여 현재 시점의 예측에서 현재 시점보다 미래에 있는 단어들을 참고하지 못하도록 값을 조정할 수 있다. 예를 들어, 룩-어헤드 마스크는 어텐션 스코어와 같은 차원의 행렬일 수 있으며, 미리보기에 대응하는 위치에 매우 작은 음수값을 포함할 수 있다.

디코더는 어텐션 분포를 일종의 가중치로서 각 단어에 대응하는 밸류 벡터에 가중합하여 어텐션 값 또는 컨텍스트 벡터를 획득할 수 있다. 디코더는 컨텍스트 벡터를 제2 디코더 은닉 상태 벡터로서 출력할 수 있다.

디코더는 제2 디코더 은닉 상태 벡터를 피드 포워드 레이어에 입력하여 디코더 출력 벡터를 출력할 수 있다. 디코더는 제1 디코더 은닉 상태 벡터의 각 단어에 대응하는 엘레먼트를 각각 동일한 피드 포워드 레이어에 입력하고 입력 결과들로부터 디코더 출력 벡터를 획득할 수 있다.

출력부는 디코더 출력 벡터를 출력 메시지로 변환할 수 있다. 예를 들어, 출력부는 소프트맥스 함수를 이용하여 디코더 출력 벡터를 출력 메시지로 변환할 수 있다.

자연어 처리부 또는 뉴럴 네트워크는 입력부, 인코더, 디코더, 출력부 외에 조건 판단부를 더 포함할 수 있다.

시스템은 자연어 처리에 사용된 뉴럴 네트워크의 내부 데이터를 이용하여 제1 동작 조건을 판단할 수 있다. 여기서 뉴럴 네트워크의 내부 데이터는 인코더 출력 벡터 및 디코더 출력 벡터를 포함할 수 있다.

조건 판단부는 인코더 출력 벡터 및 디코더 출력 벡터에 대해 콘케티네이션을 수행하여 콘케티네이션 벡터를 획득할 수 있다. 자연어 처리 과정에서 뉴럴 네트워크 모델의 내부 동작으로서 인코더는 컨텍스트 벡터를 피드 포워드 레이어에 입력하게 되는데 그 출력으로서 인코더 출력 벡터를 획득하게 된다. 뉴럴 네트워크 모델의 내부 동작으로서 디코더는 셀프 어텐션, 룩-어헤드 어텐션 및 피드 포워드 레이어를 거쳐서 디코더 출력 벡터를 획득하게 된다.

필터링 조건 판단부는 인코더 출력 벡터와 디코더 출력 벡터를 직렬로 결합하여 더 큰 차원의 벡터를 만드는 콘케티네이션을 수행하고 콘케티네이션 벡터를 획득할 수 있다. 콘케티네이션 벡터는 인코더 출력 벡터와 디코더 출력 벡터를 직접 포함함으로써 입력 메시지와 출력 메시지에 직결되는 데이터를 포함할 수 있다. 필터링 조건 판단부는 입력 메시지와 출력 메시지에 직결되는 데이터를 사용하여 입력 메시지가 거래 자동화 및 자동 상품 등록의 동작 조건에 해당하는지를 보다 정밀하게 판단할 수 있다.

필터링 조건 판단부는 콘케티네이션 벡터에 제1 쿼리 가중치 행렬, 제1 키 가중치 행렬 및 제1 밸류 가중치 행렬을 각각 곱하여 제1 쿼리 벡터, 제1 키 벡터 및 제1 밸류 백터를 각각 획득할 수 있다. 행렬들은 뉴럴 네트워크 모델의 학습 과정에서 최적화되거나 이미 알려진 행렬이 적용될 수 있다.

필터링 조건 판단부는 제1 쿼리 벡터, 제1 키 벡터 및 제1 밸류 벡터를 기초로 어텐션 스코어로 구성된 제1 어텐션 벡터를 획득할 수 있다. 필터링 조건 판단부는 제1 쿼리 벡터와 제1 키 벡터의 유사도를 구하고 그 결과를 가중치로서 제1 키 벡터와 대응되는 제1 밸류 벡터에 반영할 수 있다. 필터링 조건 판단부는 제1 쿼리 벡터와 제1 키 벡터를 곱하여 유사도를 나타내는 어텐션 스코어를 구할 수 있다. 필터링 조건 판단부는 각 단어에 대응하는 어텐션 스코어를 포함하는 벡터인 제1 어텐션 벡터를 획득할 수 있다. 필터링 조건 판단부는 제1 어텐션 벡터를 이용하여 제1 동작 조건을 판단할 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 (10)

1. 상품 스펙 정보 수집부에 의해, 상품 그룹에 속하는 복수의 상품의 상품 이미지 및 상품 정보 텍스트를 분석하여 복수의 상품 각각에 대한 상품 스펙 정보를 생성하는 동작;
   상품 반응 정보 수집부에 의해, 상기 복수의 상품에 대한 판매 정보 및 고객 평가 정보를 분석하여 상기 복수의 상품 각각에 대한 상품 반응 정보를 생성하는 동작;
   상품 추천부에 의해, 상기 복수의 상품에 대한 상품 스펙 정보 및 상품 반응 정보를 매칭하여 상품 통합 정보를 생성하고 데이터베이스에 저장하는 동작;
   미디어 분석부에 의해, 상기 상품 그룹과 관련된 미디어 텍스트 정보 및 상기 미디어 텍스트 정보와 관련된 미디어 이미지 정보를 분석하여 미디어 분석 정보를 획득하는 동작;
   상기 상품 추천부에 의해, 상기 상품 통합 정보 및 상기 미디어 분석 정보를 기초로 하나 이상의 후보 스펙 정보를 획득하는 동작;
   상기 상품 추천부에 의해, 상기 복수의 상품의 상품 스펙 정보와 상기 하나 이상의 후보 스펙 정보를 비교하여 비교 결과가 추천 기준을 만족하는지 여부를 판단하는 동작; 및
   상기 추천 기준이 만족되는 경우, 상기 상품 추천부에 의해 상기 추천 기준을 만족하는 상품 스펙 정보에 대응하는 상품을 추천하는 동작
   을 포함하고,
   상기 미디어 분석 정보를 획득하는 동작은,
   상기 미디어 분석부에 의해, 뉴럴 네트워크 모델을 이용하여 상기 상품 그룹과 관련된 미디어 텍스트 정보를 분석하고 분석 결과에 대응하는 출력 메시지를 출력하는 동작; 및
   상기 미디어 분석부에 의해, 상기 분석 결과가 필터링 조건을 만족하는지 여부를 판단하고, 만족하는 경우 상기 미디어 텍스트 정보에 대응하는 미디어 이미지 정보를 분석하여 상기 미디어 분석 정보를 획득하는 동작
   을 포함하고,
   상기 분석 결과는 인코더 출력 벡터 및 디코더 출력 벡터를 포함하고,
   상기 뉴럴 네트워크 모델은 입력부, 인코더, 디코더, 출력부 및 필터링 조건 판단부를 포함하고,
   상기 미디어 분석 정보를 획득하는 동작은,
   상기 필터링 조건 판단부에 의해, 상기 인코더 출력 벡터 및 상기 디코더 출력 벡터에 대해 콘케티네이션을 수행하여 콘케티네이션 벡터를 획득하는 동작;
   상기 필터링 조건 판단부에 의해, 상기 콘케티네이션 벡터에 제1 쿼리 가중치 행렬, 제1 키 가중치 행렬 및 제1 밸류 가중치 행렬을 각각 곱하여 제1 쿼리 벡터, 제1 키 벡터 및 제1 밸류 벡터를 각각 획득하는 동작;
   상기 필터링 조건 판단부에 의해, 상기 제1 쿼리 벡터, 상기 제1 키 벡터 및 상기 제1 밸류 벡터를 기초로 어텐션 스코어로 구성된 제1 어텐션 벡터를 획득하는 동작;
   상기 필터링 조건 판단부에 의해, 제1 콘케티네이션 내적 벡터 및 상기 콘케티네이션 벡터를 내적하여 제1 스칼라 값을 획득하는 동작;
   상기 필터링 조건 판단부에 의해, 제1 어텐션 내적 벡터 및 상기 제1 어텐션 벡터를 내적하여 제2 스칼라 값을 획득하는 동작;
   상기 필터링 조건 판단부에 의해, 상기 제1 스칼라 값, 상기 제2 스칼라 값, 상기 콘케티네이션 벡터 및 상기 제1 어텐션 벡터를 기초로 제1 비교값을 계산하는 동작; 및
   상기 필터링 조건 판단부에 의해, 상기 제1 비교값이 필터링 조건을 만족하는지 여부를 판단하는 동작
   을 포함하는, 상품 추천 방법.
2. 삭제
3. 제1항에 있어서,
   상기 분석 결과는 인코더 출력 벡터 및 디코더 출력 벡터를 포함하고,
   상기 뉴럴 네트워크 모델은 입력부, 인코더, 디코더, 출력부 및 필터링 조건 판단부를 포함하고,
   상기 출력 메시지를 출력하는 동작은,
   상기 입력부에 의해, 미디어 테스트 정보를 포함하는 입력 메시지를 인코더 임베딩 벡터로 변환하고, 상기 인코더 임베딩 벡터에 상기 입력 메시지의 각 단어의 위치 정보를 반영하는 포지셔닝 인코딩을 수행하고 인코더 포지셔닝 출력 벡터를 출력하는 동작;
   상기 인코더에 의해, 상기 인코더 포지셔닝 출력 벡터에 패딩 마스크를 적용하여 셀프 어텐션을 수행하고 인코더 어텐션 분포를 출력하는 동작;
   상기 인코더에 의해, 상기 인코더 어텐션 분포를 이용하여 획득한 컨텍스트 벡터를 포지션-와이즈 피드 포워드 레이어에 입력하여 상기 인코더 출력 벡터를 출력하는 동작;
   상기 디코더에 의해 상기 인코더 출력 벡터를 디코더 임베딩 벡터로 변환하고, 상기 디코더 임베딩 벡터에 상기 인코더 출력 벡터의 각 엘레멘트의 위치 정보를 반영하는 포지셔닝 인코딩을 수행하고 디코더 포지셔닝 출력 벡터를 출력하는 동작;
   상기 디코더에 의해, 상기 디코더 포지셔닝 출력 벡터에 룩-어헤드 마스크를 적용하여 셀프 어텐션을 수행하고 제1 디코더 은닉 상태 벡터를 출력하는 동작;
   상기 디코더에 의해, 상기 제1 디코더 은닉 상태 벡터에 인코더-디코더 어텐션을 수행하고 제2 디코더 은닉 상태 벡터를 출력하는 동작;
   상기 디코더에 의해, 상기 제2 디코더 은닉 상태 벡터를 포지션-와이즈 피드 포워드 레이어에 입력하여 상기 디코더 출력 벡터를 출력하는 동작;
   상기 출력부에 의해, 상기 디코더 출력 벡터를 상기 출력 메시지로 변환하는 동작
   을 포함하는, 상품 추천 방법.
4. 삭제
5. 제1항에 있어서,
   상기 추천 기준을 만족하는지 여부를 판단하는 동작은,
   상기 상품 스펙 정보 및 상기 하나 이상의 후보 스펙 정보 간의 유사도를 계산하는 동작; 및
   상기 유사도가 추천 기준을 만족하는지 여부를 판단하는 동작
   을 포함하는, 상품 추천 방법.
6. 제5항에 있어서,
   상기 유사도를 계산하는 동작은,
   상기 상품 스펙 정보 및 상기 하나 이상의 후보 스펙 정보 간의 유클리드 거리를 계산하는 동작을 포함하는, 상품 추천 방법.
7. 제1항에 있어서,
   상기 뉴럴 네트워크 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
   학습 입력 문장 및 학습 출력 문장으로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되는,
   상품 추천 방법.
   
   
   
   
8. 프로세서; 및
   메모리를 포함하고,
   상기 메모리는 상품 스펙 정보 수집부, 상품 반응 정보 수집부, 상품 추천부 및 미디어 분석부를 포함하고,
   상기 상품 스펙 정보 수집부는 상품 그룹에 속하는 복수의 상품의 상품 이미지 및 상품 정보 텍스트를 분석하여 복수의 상품 각각에 대한 상품 스펙 정보를 생성하고,
   상기 상품 반응 정보 수집부는 상기 복수의 상품에 대한 판매 정보 및 고객 평가 정보를 분석하여 상기 복수의 상품 각각에 대한 상품 반응 정보를 생성하고,
   상기 상품 추천부는 상기 복수의 상품에 대한 상품 스펙 정보 및 상품 반응 정보를 매칭하여 상품 통합 정보를 생성하고 데이터베이스에 저장하고,
   상기 미디어 분석부는 상기 상품 그룹과 관련된 미디어 텍스트 정보 및 상기 미디어 텍스트 정보와 관련된 미디어 이미지 정보를 분석하여 미디어 분석 정보를 획득하고,
   상기 상품 추천부는 상기 상품 통합 정보 및 상기 미디어 분석 정보를 기초로 하나 이상의 후보 스펙 정보를 획득하고,
   상기 상품 추천부는 상기 복수의 상품의 상품 스펙 정보와 상기 하나 이상의 후보 스펙 정보를 비교하여 비교 결과가 추천 기준을 만족하는지 여부를 판단하고,
   상기 추천 기준이 만족되는 경우, 상기 상품 추천부는 상기 추천 기준을 만족하는 상품 스펙 정보에 대응하는 상품을 추천하고,
   상기 미디어 분석 정보를 획득하기 위하여,
   상기 미디어 분석부에 의해, 뉴럴 네트워크 모델을 이용하여 상기 상품 그룹과 관련된 미디어 텍스트 정보를 분석하고 분석 결과에 대응하는 출력 메시지를 출력하고,
   상기 미디어 분석부에 의해, 상기 분석 결과가 필터링 조건을 만족하는지 여부를 판단하고, 만족하는 경우 상기 미디어 텍스트 정보에 대응하는 미디어 이미지 정보를 분석하여 상기 미디어 분석 정보를 획득하고,
   상기 분석 결과는 인코더 출력 벡터 및 디코더 출력 벡터를 포함하고,
   상기 뉴럴 네트워크 모델은 입력부, 인코더, 디코더, 출력부 및 필터링 조건 판단부를 포함하고,
   상기 미디어 분석 정보를 획득하기 위해,
   상기 필터링 조건 판단부에 의해, 상기 인코더 출력 벡터 및 상기 디코더 출력 벡터에 대해 콘케티네이션을 수행하여 콘케티네이션 벡터를 획득하고,
   상기 필터링 조건 판단부에 의해, 상기 콘케티네이션 벡터에 제1 쿼리 가중치 행렬, 제1 키 가중치 행렬 및 제1 밸류 가중치 행렬을 각각 곱하여 제1 쿼리 벡터, 제1 키 벡터 및 제1 밸류 벡터를 각각 획득하고,
   상기 필터링 조건 판단부에 의해, 상기 제1 쿼리 벡터, 상기 제1 키 벡터 및 상기 제1 밸류 벡터를 기초로 어텐션 스코어로 구성된 제1 어텐션 벡터를 획득하고,
   상기 필터링 조건 판단부에 의해, 제1 콘케티네이션 내적 벡터 및 상기 콘케티네이션 벡터를 내적하여 제1 스칼라 값을 획득하고,
   상기 필터링 조건 판단부에 의해, 제1 어텐션 내적 벡터 및 상기 제1 어텐션 벡터를 내적하여 제2 스칼라 값을 획득하고,
   상기 필터링 조건 판단부에 의해, 상기 제1 스칼라 값, 상기 제2 스칼라 값, 상기 콘케티네이션 벡터 및 상기 제1 어텐션 벡터를 기초로 제1 비교값을 계산하고,
   상기 필터링 조건 판단부에 의해, 상기 제1 비교값이 필터링 조건을 만족하는지 여부를 판단하는,
   서버.
9. 하드웨어와 결합되어 제1항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
   
10. 하드웨어와 결합되어 제1항의 방법을 실행시키기는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
    

Images