KR102656101B1 - 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템 - Google Patents
시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템 Download PDFInfo
- Publication number
- KR102656101B1 KR102656101B1 KR1020230166281A KR20230166281A KR102656101B1 KR 102656101 B1 KR102656101 B1 KR 102656101B1 KR 1020230166281 A KR1020230166281 A KR 1020230166281A KR 20230166281 A KR20230166281 A KR 20230166281A KR 102656101 B1 KR102656101 B1 KR 102656101B1
- Authority
- KR
- South Korea
- Prior art keywords
- service
- product
- senior
- vector
- user
- Prior art date
Links
- 235000019640 taste Nutrition 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 142
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 229910001285 shape-memory alloy Inorganic materials 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 206010021703 Indifference Diseases 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 29
- 238000000034 method Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013013 elastic material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B06—GENERATING OR TRANSMITTING MECHANICAL VIBRATIONS IN GENERAL
- B06B—METHODS OR APPARATUS FOR GENERATING OR TRANSMITTING MECHANICAL VIBRATIONS OF INFRASONIC, SONIC, OR ULTRASONIC FREQUENCY, e.g. FOR PERFORMING MECHANICAL WORK IN GENERAL
- B06B1/00—Methods or apparatus for generating mechanical vibrations of infrasonic, sonic, or ultrasonic frequency
- B06B1/02—Methods or apparatus for generating mechanical vibrations of infrasonic, sonic, or ultrasonic frequency making use of electrical energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0613—Third-party assisted
- G06Q30/0619—Neutral agent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/40—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for devices for accepting orders, advertisements, or the like
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템이 개시된다.
본 발명의 일 실시예에 따른 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템은 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼, 사용자 단말, 시니어 고객이 이용할 수 있는 키오스크 및 외부 상품, 서비스 또는 콘텐츠 DB를 포함할 수 있다.
본 발명은, 시니어 중심의 인구 구조로 변화하는 시대에 맞추어 시니어 취향 기반에 따라 상품, 서비스 또는 콘텐츠를 추전하거나 중개하는 플랫폼 시스템에 관한 것이다.
본 발명의 일 실시예에 따른 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템은 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼, 사용자 단말, 시니어 고객이 이용할 수 있는 키오스크 및 외부 상품, 서비스 또는 콘텐츠 DB를 포함할 수 있다.
본 발명은, 시니어 중심의 인구 구조로 변화하는 시대에 맞추어 시니어 취향 기반에 따라 상품, 서비스 또는 콘텐츠를 추전하거나 중개하는 플랫폼 시스템에 관한 것이다.
Description
본 발명은, 시니어 중심의 인구 구조로 변화하는 시대에 맞추어 시니어 취향 기반에 따라 상품, 서비스 또는 콘텐츠를 추천하거나 중개하는 플랫폼 시스템에 관한 것이다.
2025년이면 우리나라는 65세 이상 인구가 차지하는 비중이 20%가 넘어가는 초고령사회에 진입하게 된다. 우리나라의 경우 고령화 속도가 매우 빠르다는 것이 특징이다. 현재 시니어 산업 내 서비스는 대상에 따라 '부모 돌봄 서비스'와 '액티브시니어(Active Senior) 스스로를 위한 서비스'로 나누어 볼 수 있다.
'액티브 시니어(Active Senior)'란 시간적, 경제적 여유를 갖고 건강하고 적극적으로 은퇴 생활을 하는 50세 이상의 인구를 말한다. 액티브 시니어를 위한 서비스 시장이 커지면서 웰에이징을 위한 '나를 위한 소비'에 있어 현 액티브시니어들이 시대의 변화를 이끌 것이다.
이렇게 액티브 시니어 시장이 커지고 있음에도 기업고객들은 수요자인 시니어고객들의 소비욕구를 수용할 수 있는 노하우 및 방법을 몰라 시장 진출의사가 없고, 시니어 고객들은 높은 구매력을 보유함에도 인터넷, 핸드폰, 키오스크 등의 복잡한 플랫폼의 구조나 인터페이스 작동 어려움으로 여전히 소비욕구를 채우지 못하고 있는 것이 현실이다.
본 발명은, 시니어 중심의 인구 구조로 변화하는 시대에 맞추어 시니어 취향 기반에 따라 상품, 서비스 또는 콘텐츠를 추천하거나 중개하는 플랫폼 시스템을 제공하는 것을 목적으로 한다.
본 발명은 사용자에게 개인화된 건강관리 및 웰니스 제안을 제공하는 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템으로서, 사용자가 검색한 상품, 서비스 또는 콘텐츠 정보, 건강 데이터 및 행동 데이터를 포함하는 대상 사용자의 비정형 데이터를 수집하는 데이터 수집모듈, 수집된 상기 비정형 데이터에 대해 전처리 단계를 행하는 데이터 전처리모듈, 사용자 단말기와 키오스크를 통해 기업 고객들 또는 시니어 고객들의 수요에 부합하는 소득이 높고, 건강에 대해 관심이 많은 액티브 시니어를 좋아요순, 조회순으로 추천하는 액티브시니어 추천모듈, 상기 액티브시니어 추천모듈에 의해 추천된 상기 액티브 시니어에 대해 상기 기업 고객들 또는 시니어 고객들이 이웃이나 1촌으로 맺고 있는 관계 횟수에 기초하여 영향력 평가 결과를 획득하는 액티브시니어 평가모듈, 상기 사용자 단말기와 키오스크를 이용하는 사용자 분석에 사용될 특성을 선택하고, 새로운 특성에 관한 데이터를 생성하는 피처 엔지니어링모듈, 상기 피처 엔지니어링모듈이 생성한 새로운 특성에 관한 데이터를 바탕으로 머신러닝 모델을 학습시키는 모델 학습모듈, 상기 모델 학습모듈에서 학습된 모델에 따라 사용자가 입력하거나 사용자 관심목록에 저장된 상품, 서비스 또는 콘텐츠 정보와 외부 상품, 서비스 또는 콘텐츠 DB에서 수신된 외부 상품, 서비스 또는 콘텐츠 정보를 유사도 차이를 분석하여 인기 추천 순위도를 산출하는, 인공지능 분석모듈, 상기 인기 추천 순위도 및 영향력 평가 결과에 따라 추천되는 상품, 서비스 또는 콘텐츠 정보를 상기 기업 고객들 또는 시니어 고객들에게 제안하는 인기 순위 추천 모듈, 상기 기업 고객들에 대한 외부 광고 거래에 관한 기능을 수행하는 광고 수주 모듈 및 사용종료 후 각 상기 기업 고객들 또는 시니어 고객들 상호에 대한 만족도 평가결과를 저장하는 상호평가모듈을 포함하고, 상기 데이터 전처리모듈은, 상기 사용자가 사용자 관심목록에 입력한 상품, 서비스 또는 콘텐츠 정보에 기초하여 미리 결정된 제1 연산을 수행하여 원-핫-벡터(One-Hot-Vector)를 형성하고, 상기 원-핫-벡터에 기초하여 미리 결정된 제2 연산을 수행하여 제1 밀집벡터(Dense vector)를 형성하고, 상기 사용자가 사용자 관심목록에 입력한 상품, 서비스 또는 콘텐츠 정보를 미리 설정된 구문으로 파싱(Parsing)하고, 상기 파싱된 구문마다 상기 미리 결정된 제2 연산을 수행하여 상기 구문 각각에 대하여 밀집벡터를 형성하고, 상기 형성된 각각의 밀집벡터를 콘케트네이션(Concatenation)하여 제1 콘켓 벡터를 형성하고, 상기 사용자가 사용자 관심목록에 입력한 상품, 서비스 또는 콘텐츠 정보에 기초하여 외부 상품, 서비스 또는 콘텐츠 DB에 저장된 외부 상품, 서비스 또는 콘텐츠 정보에서 제2 밀집벡터를 형성하고, 상기 외부 상품, 서비스 또는 콘텐츠 DB에 저장된 외부 상품, 서비스 또는 콘텐츠 정보를 미리 설정된 구문으로 파싱하고, 상기 파싱된 구문마다 상기 미리 결정된 제2 연산을 수행하여 상기 구문 각각에 대하여 밀집벡터를 형성하고, 상기 형성된 각각의 밀집벡터를 콘케트네이션하여 제2 콘켓 벡터를 형성하고, 상기 구문 각각에 대하여 밀집벡터가 형성되면, 미리 결정된 중요 구문의 밀집벡터에 미리 결정된 가중치(Weight)를 부여하고, 상기 모델 학습모듈은, 상기 액티브시니어 평가모듈에 의한 상기 영향력 평가 결과에 기초하여 상기 기업 고객들 또는 시니어 고객들에 대한 추천 순위값과 상기 추천 순위값 사이에 존재하는 규칙을 실시간으로 학습하며, 상기 제1 밀집벡터에 대한 상기 제1 콘켓 벡터와 상기 제2 밀집벡터에 대한 제2 콘켓 벡터 사이의 유사도(Similarity)에 기초하여 대상차이학습(Contrastive learning)을 수행하고, 상기 액티브시니어 추천모듈은, 상기 기업 고객들 또는 시니어 고객들로부터 검색되는 복수 개의 키워드들에 기초하여, 상기 인기 순위 추천 모듈로부터 제안되는 상품, 서비스 또는 콘텐츠 정보에 연관되는 상기 액티브시니어를 추천하고, 상기 액티브시니어 평가모듈은, 상기 사용자 단말 또는 상기 키오스크를 통해, 상기 인기 추천 순위도에 따라 추천되는 상기 액티브시니어에 대한 알람을 발생시키고, 상기 기업고객들 또는 시니어고객들이 상호간 점수를 부과할 수 있는 것을 특징한다.
상기 대상차이학습은, 상기 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보를 기준으로, 사용자의 상기 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보와 유사한 외부 상품, 서비스 또는 콘텐츠 정보 쌍인 포지티브 페어(Positive pair)는 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보로 설정하고, 상기 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보와 비유사한 외부 상품, 서비스 또는 콘텐츠 정보 쌍은 네거티브 페어(Negative pair)는 사용자 무관심목록 내의 상품, 서비스 또는 콘텐츠 정보로 설정하여, 상기 포지티브 페어와 상기 네거티브 페어간의 유사도 차이에 기초하여 대상차이학습을 수행하고, 상기 유사도 차이는, 다음과 같은 식으로 이루어지는 것을 특징으로 한다.
여기서, A와 B는 각각 두 벡터를 나타내며, θ는 두 벡터 사이의 각도이다. 이 식은 두 벡터의 내적을 두 벡터의 크기의 곱으로 나눈 값으로 코사인 유사도를 계산한다. 이 식에서 분자는 두 벡터의 내적이며, 분모는 각 벡터의 크기이다.
상기 시니어고객들이 직접 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템을 이용하기 위한 키오스크를 더 포함하고, 상기 키오스크는, 상기 시니어고객들 중 인지도가 떨어지는 시니어고객을 위해 유저 인터페이스(User Interface)로서, 상기 유사도 차이를 강도에 따라 진동을 발생시키는 진동발생부, 를 포함하고, 상기 진동발생부는, 상기 키오스크 본체와 결합하는 결합부, 상기 결합부를 진동시키기 위한 형상기억합금제인 제1 스프링, 상기 제1 스프링을 지지하는 지지부 및 상기 제1 스프링의 진동을 더 증폭시키기 위해 일단이 하우징과 결합하여 상기 지지부를 진동시키기 위한 제2 스프링을 포함하고, 상기 제2 스프링은, 양 단이 전선과 결합되어 상기 유사도 차이가 입력된 ADC로부터 출력된 디지털 출력 전압값 인가 여부에 따라 온도가 가변하며, 온도 변화에 따라 상기 스프링의 강성이 변화하는 것을 특징으로 한다.
본 발명에 따르면 본 발명은, 시니어 중심의 인구 구조로 변화하는 시대에 맞추어, 기업 고객들 또는 시니어 고객들에 대해 시니어 취향 기반에 따라 상품, 서비스 또는 콘텐츠를 추천하거나 중개할 수 있다.
도 1은 본 발명의 일 실시예에 따른 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템(1)의 구성요소를 개략적으로 나타낸 도면이다.
도 2 및 도 3은 일 실시예에 따라 데이터 전처리모듈(103)에서 사용자가 입력한 상품, 서비스 또는 콘텐츠 정보 키워드(D210)의 밀집벡터(D270)가 형성되는 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 딥러닝 모델에 의해 입력된 상품, 서비스 또는 콘텐츠 정보가 대상차이학습(Contrastive learning)을 수행(S410)하는 동작을 나타내기 위한 도면이다.
도 5 및 도 6은 일 실시예에 따른 이전 상품, 서비스 또는 콘텐츠 검색이력목록(230) 별로 포지티브 페어(Postive pair) 및 네거티브 페어(Negative pair)에 대한 최소거리(Margin)를 설정한 것을 나타내기 위한 도면이다.
도 7은 일 실시예에 따른 미리 설정된 중요구문에 제1 임베딩(S710) 이후 가중치를 부여(S720)하고 제2 임베딩을 수행(S740)하는 동작을 나타내기 위한 도면이다.
도 8은 본 발명에 따른 키오스크(300)에 대한 사시도이다.
도 9는 키오스크(300)에 포함되는 진동 발생 인터페이스(700)에 대한 단면도이다.
도 10은 키오스크(300) 하단에 위치하는 완충부(800)의 사시도이다.
도 11은 완충부(800)의 AA'축에 따른 정면 단면도이다.
도 12는 완충부(800)에서 상부 지지대(830)와 측면 케이스(820)을 제외한 내부 구성에 대한 사시도이다.
도 2 및 도 3은 일 실시예에 따라 데이터 전처리모듈(103)에서 사용자가 입력한 상품, 서비스 또는 콘텐츠 정보 키워드(D210)의 밀집벡터(D270)가 형성되는 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 딥러닝 모델에 의해 입력된 상품, 서비스 또는 콘텐츠 정보가 대상차이학습(Contrastive learning)을 수행(S410)하는 동작을 나타내기 위한 도면이다.
도 5 및 도 6은 일 실시예에 따른 이전 상품, 서비스 또는 콘텐츠 검색이력목록(230) 별로 포지티브 페어(Postive pair) 및 네거티브 페어(Negative pair)에 대한 최소거리(Margin)를 설정한 것을 나타내기 위한 도면이다.
도 7은 일 실시예에 따른 미리 설정된 중요구문에 제1 임베딩(S710) 이후 가중치를 부여(S720)하고 제2 임베딩을 수행(S740)하는 동작을 나타내기 위한 도면이다.
도 8은 본 발명에 따른 키오스크(300)에 대한 사시도이다.
도 9는 키오스크(300)에 포함되는 진동 발생 인터페이스(700)에 대한 단면도이다.
도 10은 키오스크(300) 하단에 위치하는 완충부(800)의 사시도이다.
도 11은 완충부(800)의 AA'축에 따른 정면 단면도이다.
도 12는 완충부(800)에서 상부 지지대(830)와 측면 케이스(820)을 제외한 내부 구성에 대한 사시도이다.
상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시예에 대한 설명을 통하여 명백히 드러나게 될 것이다. 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 명세서에서 '본 개시에 따른 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템(1)'은 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들을 통해 구현될 수 있다. 예를 들어, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
이하에서는, 본 발명의 일 실시예에 따른 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템(1)을 첨부된 도 1 내지 도 12를 참조하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템(1)의 구성요소를 개략적으로 나타낸 도면이다.
시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템(1)은 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼(100), 사용자 단말(200), 시니어 고객이 이용할 수 있는 키오스크(300) 및 외부 상품, 서비스 또는 콘텐츠 DB(400)를 포함할 수 있다.
본 발명에서는 시니어 고객이 신체적 활동, 인지적 감각이 떨어지는 신체적, 인지적 특성에 따라 스마트폰, 태블릿, 기타 핸드헬드(Hand-held) 기기와 같은 사용자 단말기(200) 이외에도 사용이 용이한 키오스크(300)를 제공할 수 있다. 키오스크(300)는 후술하는 바와 같이 인지도가 떨어지는 시니어 고객을 위한 진동 발생 인터페이스(700)가 장착될 수 있다.
시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼(100)은 데이터 수집모듈(101), 데이터 전처리모듈(103), 액티브시니어 추천모듈(105), 액티브시니어 평가모듈(107), 피처 엔지니어링모듈(109), 모델 학습모듈(111), 인공지능 분석모듈(113), 인기 순위 추천 모듈(115), 광고 수주 모듈(117) 및 상호평가모듈(119)로 구성될 수 있다.
데이터 수집모듈(101)은 사용자가 검색한 상품, 서비스 또는 콘텐츠 정보, 건강 데이터 및 행동 데이터를 포함하는 대상 사용자의 비정형 데이터를 수집할 수 있다. 여기서, 행동 데이터에는 사용자의 평소 식단, 생활습관이 포함될 수 있다.
또한, 데이터 수집모듈(101)은 외부 상품, 서비스 또는 콘텐츠 DB(400)로부터 제공되는 외부 상품, 서비스 또는 콘텐츠 정보를 수신할 수 있다.
외부 상품, 서비스 또는 콘텐츠 정보는 외부 전자상거래 관련 사이트(쿠팡, 옥션 등), SNS(인스타그램, 페이스북 등), 포털(네이버, 다음 등)에서 제공하는 상품, 서비스 또는 콘텐츠 정보일 수 있다.
데이터 수집모듈(101)은 외부 상품, 서비스 또는 콘텐츠 DB(400)와 통신할 수 있는 통신모듈을 포함할 수 있다. 데이터 수집모듈(101)의 통신모듈은 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈 중 적어도 하나를 포함할 수 있다.
유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
여기서, 무선 통신 모듈은 이동 통신 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 제어부의 제어에 따라 무선 통신 인터페이스를 통해 제어부로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 이동 통신 신호 변환 모듈을 더 포함할 수 있다.
무선 통신 모듈은 이동 통신 신호를 수신하는 안테나 및 수신기(Receiver)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 무선 통신 인터페이스를 통하여 수신한 아날로그 형태의 무선 신호를 디지털 제어 신호로 복조하기 위한 이동 통신 신호 변환 모듈을 더 포함할 수 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
한편, 사용자 단말(200)은 휴대폰, 스마트폰, PDA(Personal Digital Assistant), PMP(Portable Multimedia Player), 태블릿 PC, 등과 같이 네트워크를 통하여 웹 서버와 연결될 수 있는 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으며, 개인용 컴퓨터(예를 들어, 데스크탑 컴퓨터, 노트북 컴퓨터 등), 워크스테이션, PDA, 웹 패드 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기 중 하나일 수도 있다.
사용자 단말(200)은 인터페이스가 출력되는 디스플레이와 통신 모듈 및 사용자 단말 상에서 어플리케이션이 구동될 수 있도록 마련되는 적어도 하나의 프로세서 등을 포함할 수 있다.
사용자 입력은 사용자 단말(200)상의 사용자 입력부(210)를 통해 이루어질 수 있다. 사용자 입력부(210)를 통한 사용자 입력에 기초하여 검색창에 상품, 서비스 또는 관련 콘텐츠를 입력할 수 있다..
사용자 입력부(210)는 사용자로부터 정보를 입력받기 위한 것으로서, 사용자 입력부(210)를 통해 정보가 입력되면, 데이터 수집모듈(101)은 입력된 정보를 데이터 전처리모듈(103)에 전달한다.
이러한, 사용자 입력부(210)는 하드웨어식 물리 키(예를 들어, 본 장치의 전면, 후면 및 측면 중 적어도 하나에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 소프트웨어식 터치 키를 포함할 수 있다. 일 예로서, 터치 키는, 소프트웨어적인 처리를 통해 터치스크린 타입의 디스플레이부 상에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.
사용자 관심목록(220)은 사용자가 특별히 관심을 가지는 검색어 키워드를 따로 저장할 수 저장함이다. 사용자는 개인의 취향에 따라 특별히 관심을 가지는 상품, 서비스 또는 콘텐츠 목록을 사용자 관심목록(220)에 저장할 수 있다.
또한, 사용자 입력에 기초하여 이전 상품, 서비스 또는 콘텐츠 검색이력목록(230)이 생성될 수 있고, 생성된 이전 상품, 서비스 또는 콘텐츠 검색이력목록(230) 내에는 개인화된 학습셋을 구현하기 위해 유사한 복수 개의 상품, 서비스 또는 콘텐츠가 입력될 수 있다.
데이터 전처리모듈(103)은 수집된 상기 비정형 데이터에 대해 전처리 단계를 행한다. 구체적으로, 데이터 전처리모듈(103)은 수집된 상기 상품, 서비스 또는 콘텐츠 정보를 단어 단위로 분리하는 토큰화(Tokenization) 및 상기 토큰화된 상품, 서비스 또는 콘텐츠 정보로부터 미리 정의된 값을 제거하는 불용어제거(Stopword)를 수행하는 등 인공지능 학습을 위해 입력된 데이터 전처리 과정을 수행할 수 있다.
여기서, 상기 콘텐츠 정보에는 상품, 서비스 구매 후 수수료 서비스 이용 데이터에 기반한 상품정보, 서비스 정보뿐만 아니라 판매, 광고, 액티브시니어 양성 프로그램, 시니어 광고상품, 시니어 상품기획 등을 포함할 수 있다.
데이터 전처리 과정이 수행된 상품, 서비스 또는 콘텐츠 정보는 미리 결정된 제1 연산을 수행하여 원-핫-벡터(One-Hot-Vector)를 형성할 수 있다.
미리 결정된 제1 연산은 원-핫-인코딩(One-Hot-Encoding)을 의미할 수 있다.
한편, 원-핫-인코딩은 단어 집합의 크기를 벡터의 차원으로 하고, 표현하고 싶은 단어의 인덱스에 1의 값을 부여하고, 다른 인덱스에는 0을 부여하는 단어의 벡터 표현 방식이다.
상기 상품, 서비스 또는 콘텐츠 정보의 원-핫-벡터는 미리 결정된 제2 연산을 수행하여 제1 밀집벡터(Dense Vector)를 형성할 수 있다.
미리 결정된 제2 연산은 제1 임베딩(Embedding)을 의미할 수 있다. 한편, 제1 임베딩 방식으로는 워드투벡터(Word2Vec), 글로브(GloVe), 페스트텍스트(FastText), 사전 훈련된 워드임베딩(Pre-trained word embedding), 엘모(ELMo) 및 닥투벡터(Doc2Vec) 중 적어도 하나의 알고리즘을 포함할 수 있다.
한편, 사용자 입력에 기초하여 사용자 관심목록(220)내에 외부 상품, 서비스 또는 콘텐츠 DB(400)에 저장된 외부 상품, 서비스 또는 콘텐츠 정보가 입력되면 전술한 동작을 수행하여 마찬가지로 외부 상품, 서비스 또는 콘텐츠 정보에 기초한 제2 밀집벡터가 형성될 수 있다.
사용자 관심목록(220)내의 상품, 서비스 또는 콘텐츠 정보에 관한 제1 밀집벡터와 외부 상품, 서비스 또는 콘텐츠 정보에 관한 제2 밀집벡터 간에는 유사도(Similarity)가 측정될 수 있다.
상기 유사도 측정은, 밀집벡터간 Euclidean distance를 측정하는 방법 또는 코사인(Cosine) 각도를 측정하는 방법에 의해 수행될 수 있으며, 그 외 Manhattan, Chebychev, Minkowski, Chocolate & Candy, Pearson, Mahalanobis, SED, Jaccard, Levenshtein, Jensen-Shannon, Canberra, Hamming, Spearman 및 Chi-Square 중 적어도 어느 하나의 벡터 유사도 측정방법에 의해 수행될 수 있다. 후술하겠지만, 모델 학습모듈(111)이, 제1 밀집벡터와 제2 밀집벡터의 유사도에 기초하여 대상차이학습을 수행할 수 있다.
액티브시니어 추천모듈(105)은 모바일 단말기와 PC기반의 웹 애플리케이션을 통해 기업고객들 또는 시니어고객들의 수요에 부합하는 소득이 높고, 건강에 대해 관심이 많은 액티브 시니어를 좋아요순, 조회순으로 추천한다.
액티브시니어 평가모듈(107)은 상기 액티브시니어 추천모듈(105)에 의해 추천된 상기 액티브 시니어에 대해 상기 기업 고객들 또는 시니어 고객들의 구매결정과 의사결정의 영향력에 대한 정성적 평가에 기초하여 인기 추천 순위도 및 정성적 평가 결과를 획득한다. 여기서, 정성적 평가는 상기 액티브 시니어가 관계를 맺고 있는 다른 시니어 고객들 및 기업 고객들의 수로 평가할 수 있다. 즉, 상기 액티브 시니어가 이웃이나 1촌으로 맺고 있는 관계수로 평가할 수 있다.
피처 엔지니어링모듈(109)은 사용자 분석에 사용될 특성을 선택하고, 새로운 특성에 관한 데이터를 생성한다.
피쳐 엔지니어링(feature engineering)이란, 원시 데이터로부터 새로운 특성인 피처를 추출하고 이를 머신 러닝 모델에 적합한 형식으로 변환하는 작업이다. 적절한 피처는 모델링의 난이도를 낮춰주고, 결과적으로 파이프라인이 높은 품질의 결과를 산출할 수 있게 해주기 때문에 피처 엔지니어링은 머신 러닝 파이프라인에서 매우 중요한 단계다. 즉, 기존의 변수를 사용해서 데이터에 정보를 추가하는 일련의 과정이다. 새로 관측치나 변수를 추가하지 않고도 기존의 데이터를 보다 유용하게 만드는 방법론 중의 하나이다.
그 방법 중에서 스케일링(scaling)은 변수의 단위를 변경하고 싶거나, 변수의 분포가 편향되어 있을 경우, 변수 간의 관계가 잘 드러나지 않는 경우에 사용된다.
가장 자주 사용하는 방법으로는 Log 함수가 있고, 유사하지만 좀 덜 자주 사용되는 Square root를 취하는 방법도 있다.
바이닝(binning) 방법은, 연속형 변수를 범주형 변수로 만드는 방법이다. 예를 들어 연봉 데이터가 수치로 존재하는 경우, 이를 100만원 미만, 101만원~200만원 하는 식으로 범주형 변수로 변환하는 것이다.
바이닝에는 특별한 원칙이 있는 것이 아니기 때문에, 분석가의 비즈니스 이해도에 따라 창의적인 방법으로 바이닝 할 수 있다.
변환(transform) 방법은, 기존 존재하는 변수의 성질을 이용해 다른 변수를 만드는 방법이다. 예를 들어 날짜 별 판매 데이터가 있다면, 날짜 변수를 주중/주말로 나눈 변수를 추가한다던지, 스포츠 관람객 데이터의 경우 해당 일에 특정 팀의 경기가 있는지 여부 등을 추가하는 것이다.
변환(transform)에도 특별한 원칙이 있는 것은 아니며, 분석가의 Business 이해도에 따라 다양한 변수가 생성될 수 있다.
더미(dummy) 방법은, 바이닝과는 반대로 범주형 변수를 연속형 변수로 변환하기 위해 사용된다. 사용하고자 하는 분석 방법론에서 필요한 경우에 주로 사용된다.
피처 엔지니어링 모듈은 스케일링, 바이닝(binning), 변환 또는 더미(dummy) 방법을 통해 선택된 새로운 특성에 따라 새로운 특성에 관한 데이터를 생성하는 피쳐 엔지니어링할 수 있다.
구체적으로는, 상품, 서비스 또는 콘텐츠로부터 최적 벡터값을 추출하고, 상기 최적 벡터값에 대한 주성분 분석을 통해 상기 비정형 데이터에 포함된 텍스트로부터 명사를 추출하고, 외부 상품, 서비스 또는 콘텐츠 DB(400)에 기반하여 상기 명사를 포함하는 단어의 빈도에 따라 부여된 점수에 따라 상기 특질 변수를 산출하고, 변수 간의 연관성에 따른 중요도 순으로 나열된 변수로부터 상기 복수의 머신러닝 알고리즘에 입력되는 특질 변수를 추출할 수 있다.
여기서, 상기 특질 변수를 추출하는 것은, 상기 분석 대상 데이터에 포함된 정형 데이터 또는 비정형 데이터로부터 상기 특질 변수를 추출하되, 상기 비정형 데이터의 경우, 비지도 학습 기반 자연어 처리 알고리즘에 기초하여 상기 특질 변수를 추출하고, 상기 분석 대상 데이터가 비정형 데이터를 포함하는 경우, 사용자 관심목록에서의 상품, 서비스 또는 콘텐츠 정보로부터 최적 벡터값을 추출하고, 상기 최적 벡터값에 대한 주성분 분석을 통해 상기 비정형 데이터에 포함된 텍스트로부터 명사를 추출하고, 외부 상품, 서비스 또는 콘텐츠 DB(400)에 기반하여 상기 명사를 포함하는 단어의 빈도에 따라 부여된 점수에 따라 상기 특질 변수를 산출하고, 변수 간의 연관성에 따른 중요도 순으로 나열된 변수로부터 상기 복수의 머신러닝 알고리즘에 입력되는 특질 변수를 추출하고, 분석 대상 데이터에는 숫자와 같이 수치형 변수를 포함하는 정형화된 데이터뿐만 아니라, 기호, 단어, 문장 등 텍스트 기반의 비정형 데이터를 포함할 수 있다.
모델 학습모듈(111)은 상기 피처 엔지니어링모듈(109)이 생성한 새로운 특성에 관한 데이터를 바탕으로 머신러닝 모델을 학습시킨다. 구체적으로, 모델 학습모듈(111)은, 제1 밀집벡터와 제2 밀집벡터의 유사도에 기초하여 대상차이학습을 수행할 수 있다.
대상차이학습은 레이블링 되어있지 않은 데이터들을 이용해 모델 스스로 레이블링 되게 하는 학습방법이다. 즉, 입력 데이터의 한 부분이 다른 부분의 Supervision 역할을 수행하여 학습하는 방법이다.
즉, 제1 밀집벡터와 제2 밀집벡터는 레이블링 데이터가 없이 유사도에 기초하여 일정한 기준에 따라 스스로 학습을 수행할 수 있다.
상기 일정한 기준은, 유사한 상품, 서비스 또는 콘텐츠는 유사한 상품, 서비스 또는 콘텐츠끼리 군집화되고, 비유사한 상품, 서비스 또는 콘텐츠는 군집화되지 않는 것을 의미할 수 있다
머신 러닝의 중심에는 데이터로부터 지식 추출을 목표로 하는 여러 통계적 프레임워크가 존재하며, 추출하고자 하는 지식과 가용 데이터의 종류에 맞는 프레임워크 선택이 가능하다. 이러한 머신 러닝 프레임워크는 데이터의 군집화(clustering)와 차원 축소(dimensionality reduction)를 위한 자율 학습(unsupervised learning), 능동 학습, 준지도 학습(semisupervised learning), 강화 학습 등이 있다.
가장 대표적인 머신 러닝은 '지도 학습(supervised learning)'으로, 전체 기계 학습 관련 용례의 95%에 해당한다. 지도 학습의 필수 요소인 '훈련 데이터(training data)'는 머신 러닝 모델을 가르치는데 사용되는 개념으로 머신 러닝이 제공해야만 하는 관측값과 결과값 간의 바람직한 대응관계(mapping)를 설명한다. 이러한 대응관계를 활용해 매출, 수요 등의 정량예측이나 기계 고장, 고객 구매/이탈 같은 특정 상황의 분류, 해당 상황이 일어날 가능성을 예측할 수 있다.
지도 학습에서의 모델 선정(model selection)이란, 특정 데이터로부터 예측하고자 하는 상황을 매핑(mapping)하거나 추상적인 패턴을 설명하는 방식을 고르는 것이다. 가장 단순한 유형에는 선형 회귀 분석(linear regressions) 또는 성과지표(scorecards)가 있고, 조금 발전된 형태에는 의사결정 트리(decision trees)와 신경 회로망(neural nets)이 있으며, 현재 가장 발전된 유형으로는 앙상블 모델(ensemble model)과 심층 신경 회로망(deep neural nets)이 있다.
인공지능 분석모듈(113)은, 상기 모델 학습모듈(111)에서 학습된 모델에 따라 사용자가 입력(210)하거나 사용자 관심목록(220)에 저장된 상품, 서비스 또는 콘텐츠 정보와 외부 상품, 서비스 또는 콘텐츠 DB(400)에서 수신된 외부 상품, 서비스 또는 콘텐츠 정보를 유사도 차이를 분석하여 인기 추천 순위도를 산출한다.
인기 순위 추천 모듈(115)은, 상기 인기 추천 순위도 및 영향력 평가 결과에 따라 추천되는 상품, 서비스 또는 콘텐츠를 상기 기업 고객들 또는 시니어 고객들에게 제안한다.
광고 수주 모듈(117)은, 상기 기업 고객들에 대한 외부 광고 거래에 관한 기능을 수행한다. 즉, 상기 기업 고개들로부터 광고를 수주하여 사용자 단말(200)이나 키오스크(300)에 광고를 출력할 수 있다.
상호평가모듈(119)은, 사용종료 후 각 상기 기업 고객들 또는 시니어 고객들 상호에 대한 만족도 평가결과를 저장한다.
본 발명에 따른 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼(100)은, 사용자 입력에 기초하여 사용자 관심목록(220)에 관한 유사 상품, 서비스 또는 콘텐츠가 검색되면, 상기 대상차이학습된 학습데이터에 기초하여 외부 상품, 서비스 또는 콘텐츠 DB(400)로부터 수신된 외부 상품, 서비스 또는 콘텐츠 DB(400)으로부터 상품, 서비스 또는 콘텐츠와 유사한 외부 상품, 서비스 또는 콘텐츠를 추천할 수 있다.
도 2 및 도 3은 일 실시예에 따라 데이터 전처리모듈(103)에서 사용자가 입력한 상품, 서비스 또는 콘텐츠 정보 키워드(D210)의 밀집벡터(D270)가 형성되는 동작을 설명하기 위한 도면이다.
사용자 입력에 기초하여 사용자 관심목록(220)내에 상품, 서비스 또는 콘텐츠 정보 키워드(D210)가 입력되면, 데이터 전처리모듈(103)은, 구문파서(Paragraph Parser)(D220)에 기초하여 상기 수신된 상품, 서비스 또는 콘텐츠 정보를 미리 설정된 구문으로 파싱(Pasing)(S310)할 수 있다. 또한, 파싱된 구문마다 미리 결정된 제2 연산을 수행(S320)하여 상기 구문 각각에 대하여 밀집벡터를 형성할 수 있다(S330).
일 실시예에 따른 미리 설정된 구문은, 인기 검색 키워드(D230), 메타태그(D240), 해시태그(D250) 및 직접 또는 간접 키워드(D260)일 수 있다.
구체적으로, 인기 검색 키워드(D230) 구문은 인코더에 의해 원-핫-인코딩이 수행되어 원-핫-벡터(D231)를 형성할 수 있고, 원-핫-벡터(D231)는 임베딩이 수행되어 W1밀집벡터(D232)를 형성할 수 있다.
구체적으로, 메타태그(D240) 구문은 인코더에 의해 원-핫-인코딩이 수행되어 원-핫-벡터(D241)를 형성할 수 있고, 원-핫-벡터(D241)는 임베딩이 수행되어 W2밀집벡터(D242)를 형성할 수 있다.
구체적으로, 해시태그(D250) 구문은 인코더에 의해 원-핫-인코딩이 수행되어 원-핫-벡터(D251)를 형성할 수 있고, 원-핫-벡터(D251)는 임베딩이 수행되어 W3밀집벡터(D252)를 형성할 수 있다.
구체적으로, 직접 또는 간접 키워드(D260) 구문은 인코더에 의해 원-핫-인코딩이 수행되어 원-핫-벡터(D261)를 형성할 수 있고, 원-핫-벡터(D261)는 임베딩이 수행되어 W4밀집벡터(D262)를 형성할 수 있다.
상기 형성된 W1 내지 W4밀집벡터(D231 내지 D261)는 콘케트네이션(Concatenation)(S340)이 수행되어 콘케트네이션 된 밀집벡터(제1 콘켓 벡터(D270))를 형성할 수 있다.
일 실시예에 따라 콘켓 벡터(D270)는 W1(D232) 내지 W4(262) 밀집벡터의 '단순 합 콘켓 벡터'일수도 있으나, 필요한 밀집벡터만을 콘케트네이션한 '부분 합 콘켓 벡터'일 수 있다. 예를 들어, D270의 콘켓 벡터는 D231이 임베딩 된 W1밀집벡터(D232)와 D261이 임베딩 된 W4밀집벡터(D262)만 선택된 부분 합 콘켓 벡터일 수 있다.
일 실시예에 따라 미리 설정된 구문 각각에 대한 밀집벡터(W1 내지 W4) 중 미리 결정된 중요 구문에 대한 밀집벡터에 가중치(Weight)를 부여할 수 있고, 콘켓 벡터(D270)는 가중치가 부여된 밀집벡터를 포함하여 콘켓트네이션 된 벡터일 수 있다. 예를 들어, D270의 콘켓 벡터는 D231이 임베딩 된 W1밀집벡터(232)에 가중치k를 부여하고 D242 내지 D262의 밀집벡터와 '단순 합'된 콘켓 벡터 또는 '부분 합'된 콘켓 벡터일 수 있다.
상품, 서비스 또는 콘텐츠 정보에 대한 제1 콘켓 벡터(D270)가 형성되면, 전술한 동작에 기초하여 형성된 외부 상품, 서비스 또는 콘텐츠에 대한 제2 콘켓 벡터와 유사도를 측정하고, 상기 유사도에 기초하여 대상차이학습을 수행(S350)할 수 있다.
도 4는 일 실시예에 따른 딥러닝 모델에 의해 입력된 상품, 서비스 또는 콘텐츠 정보가 대상차이학습(Contrastive learning)을 수행(S410)하는 동작을 나타내기 위한 도면이다.
구체적으로, 사용자 입력에 기초하여 사용자 관심목록(220)내에 입력된 상품, 서비스 또는 콘텐츠(D410)는 전술한 동작에 기초하여 제1 콘켓 벡터(D420)를 형성할 수 있고, 사용자 입력에 기초하여 외부 상품, 서비스 또는 콘텐츠(D430)는 전술한 동작에 기초하여 제2 콘켓 벡터(D440)을 형성할 수 있다. 이 때, 외부 상품, 서비스 또는 콘텐츠(D430)는 사용자 관심목록(220) 내의 상품, 서비스 또는 콘텐츠일 수도 있고, 사용자 관심목록(200) 내의 상품, 서비스 또는 콘텐츠가 아닐 수도 있다.
제1 콘켓 벡터(D420)는 벡터공간 상에서 X1의 좌표로 표시될 수 있고, 제2 콘켓 벡터(D440)는 벡터공간 상에서 X2의 좌표로 표시될 수 있다. 대상차이학습을 수행하는 과정에서, X1과 X2의 Loss를 측정하여 대상차이학습(S410)을 수행할 수 있다.
예를 들어, X1과 X2가 유사한 상품, 서비스 또는 콘텐츠를 한 쌍으로 한 포지티브 페어(Positive pair)라면, loss(Lp)가 최소화되도록 학습될 수 있다. 원-핫-벡터는 고차원 데이터이므로, deep neural network에 기초하여 상기 고차원 원본 데이터를 저차원으로 Dimesionality reduction을 수행할 수 있다. 포지티브 페어의 loss(Lp)는 다음과 같은 [수학식 1]에 의해 표현될 수 있다.
Positve pair(X1, X2) loss : L(X1, X2) =
(Euclidean loss)
예를 들어, X1과 X2가 유사하지 않은 상품, 서비스 또는 콘텐츠를 한 쌍으로 한 네거티브 페어(Negative pair)라면, Euclidean distance가 커지도록 학습될 수 있다. 이 때, 네거티브 페어의 loss(Ln)는 다음과 같은 [수학식 2]에 의해 표현될 수 있다.
Negative pair(X1, X2) loss : L(X1, X2) = max(0,
) (Hinge loss)
이 때, Margin(m)은 네거티브 페어간의 최소한의 거리를 의미할 수 있다. 네거티브 페어간의 Euclidean distance가 커지도록 학습된다는 것은 Ln값이 최소화되도록 학습된다는 것을 의미할 수 있다. 즉, Ln값이 최소화되도록 학습시키려는 경우, 네거티브 페어(X1, X2)간의 Euclidean distance가 Margin(m)보다 작다면 계속해서 loss값을 생성할 수 있고, Margin(m)보다 크다면 loss값을 0으로 수렴시킬 수 있다.
대상차이학습(Contrastive learning)(S410)은, Contrastive loss에 기초하여 학습하는 것이며 상기 Euclidean loss 식과 상기 Hinge loss 식을 결합하여 다음과 같은 [수학식 3]에 의해 표현될 수 있다.
Contrastive Loss (X1, X2, Y) = Y*
+(1-Y)* max(0,
)
즉, Contrastive loss에 기초하여 학습한다는 것은 상품, 서비스 또는 콘텐츠(D410)의 제1 콘켓 벡터(D420)와 외부 상품, 서비스 또는 콘텐츠(D430)의 제2 콘켓 벡터(D440) 두 데이터가 네거티브 페어일 때, Margin(m)이상의 거리를 갖도록 학습하는 것과 동일한 것을 의미할 수 있며, 이에 따라 포지티브 페어쌍의 상품, 서비스 또는 콘텐츠는 Euclidean distance가 가까워지도록 학습되고, 네거티브 페어쌍의 상품, 서비스 또는 콘텐츠는 Euclidean distance가 멀어지도록 학습될 수 있다.
한편, Margin(m)은 네거티브 페어에 대한 값뿐 아니라, 포지티브 페어에 대한 Margin(m)을 설정할 수도 있다.
도 5 및 도 6은 일 실시예에 따른 이전 상품, 서비스 또는 콘텐츠 검색이력목록(230) 별로 포지티브 페어(Postive pair) 및 네거티브 페어(Negative pair)에 대한 최소거리(Margin)를 설정한 것을 나타내기 위한 도면이다.
모델 학습모듈(111)은, 사용자 관심목록(220) 내의 상품, 서비스 또는 콘텐츠 정보를 기준으로, 유사한 외부 상품, 서비스 또는 콘텐츠 정보 쌍인 포지티브 페어(Positive pair)는 사용자 관심목록(220) 내의 상품, 서비스 또는 콘텐츠 정보로 설정(S610)하고,
사용자 관심목록(220)내의 상품, 서비스 또는 콘텐츠 정보와 비유사한 외부 상품, 서비스 또는 콘텐츠 정보 쌍인 네거티브 페어(Negative pair)는 사용자 무관심목록(미도시) 내에 입력된 상품, 서비스 또는 콘텐츠 정보(D550)로 설정하여, 상기 포지티브 페어와 상기 네거티브 페어간의 유사도 차이에 기초하여(S630) 대상차이학습을 수행할 수 있다(S640).
이 때, 포지티브 페어의 Margin(m1)(D560)은 사용자 관심목록(220)내에 입력된 상품, 서비스 또는 콘텐츠 정보들로 설정할 수 있고, 네거티브 페어의 Margin(m2)(D570)는 사용자 관심목록(220)이 아닌 이전 상품, 서비스 또는 콘텐츠 검색이력목록(230)에 입력된 상품, 서비스 또는 콘텐츠 정보들로 설정할 수 있다.
여기서, 상기 유사도 차이는, 다음과 같은 코사인 유사도(Cosine Similarity)식으로 이루어질 수 있다.
코사인 유사도는 데이터 분석에서 두 개 이상의 벡터 간의 유사성을 측정하는 방법이다. 코사인 유사도는 두 벡터 사이의 각도의 코사인 값으로 정의된다. 즉, 두 벡터의 내적을 두 벡터의 크기의 곱으로 나눈 값이다. 이는 코사인 유사도가 벡터의 크기에는 영향을 받지 않고, 오직 두 벡터 사이의 각도에만 의존한다는 것을 의미한다. 코사인 유사도는 항상 -1과 1 사이의 값을 가진다. 예를 들어, 두 개의 비례하는 벡터는 코사인 유사도가 1이고, 두 개의 직교하는 벡터는 유사도가 0이며, 두 개의 반대 방향 벡터는 유사도가 -1이다.
여기서 A와 B는 각각 두 벡터를 나타내며, θ는 두 벡터 사이의 각도이다. 이 식은 두 벡터의 내적을 두 벡터의 크기의 곱으로 나눈 값으로 코사인 유사도를 계산한다. 이 식에서 분자는 두 벡터의 내적이며, 분모는 각 벡터의 크기이다.
도 7은 일 실시예에 따른 미리 설정된 중요구문에 제1 임베딩(S710) 이후 가중치를 부여(S720)하고 제2 임베딩을 수행(S740)하는 동작을 나타내기 위한 도면이다.
구체적으로, 데이터 전처리모듈(103)은, 구문파서(Paragraph Parser)에 기초하여 구문을 파싱할 수 있다. 파싱된 구문1이 인코더에 의해 원-핫-인코딩이 수행되면, 상기 구문1에 대한 원-핫-벡터가 형성될 수 있다. 상기 구문1의 원-핫-벡터는 Input layer에 입력될 수 있고, 출력층인 Output layer와 Target layer의 손실함수(Cost function)는 교차 엔트로피(Cross entropy) 알고리즘일 수 있다. 상기 교차 엔트로피에 기초하여 역전파(Backpropagation)가 수행됨에 따라 Hidden layer에서는 구문1의 밀집벡터가 형성될 수 있다('제1 임베딩')(S710).
이 때 미리 결정된 제1 임베딩은 독투벡(Doc2vec) 알고리즘을 이용하여 수행되는 것일 수 있다.
한편, 데이터 전처리모듈(103)은, 미리 설정된 중요구문인 구문N에 대한 밀집벡터(Xn, Yn)에 가중치 Wn을 부여할 수 있다(S720). 이 때, 미리 설정된 중요구문은 복수 개일 수도 있다.
또한, 데이터 전처리모듈(103)은, 가중치가 부여된 벡터인 Wn*(Xn, Yn)을 포함하여, 구문1 내지 구문N+1에 대한 밀집벡터인 (X1, Y1) 내지 (Xn+1, Yn+1)은 콘케트네이션되어 제3 콘켓 벡터를 형성할 수 있고(S730), 상기 제3 콘켓 벡터에 기초하여 미리 결정된 제3 연산을 수행할 수 있다.
한편, 상기 제3 연산은 '제2 임베딩'일 수 있으며(S740), 제2 임베딩 방식으로는 워드투벡터(Word2Vec), 글로브(GloVe), 페스트텍스트(FastText), 사전 훈련된 워드임베딩(Pre-trained word embedding), 엘모(ELMo) 및 닥투벡터(Doc2Vec) 중 적어도 하나의 알고리즘을 포함할 수 있다.
도 8은 본 발명에 따른 키오스크(300)에 대한 사시도이다.
도 8을 참조하면, 키오스크(300)는, 상기 시니어 고객들 중 인지도가 떨어지는 시니어 고객을 위해 유저 인터페이스(User Interface)로서, 상기 유사도 차이 알고리즘에 따른 신호에 따라 진동을 발생시키는 진동 발생 인터페이스(700) 및 상기 진동 발생 인터페이스(700)에서 발생하는 수직 방향의 진동을 흡수할 수 있는 완충부(800)를 더 포함할 수 있다.
도 9는 키오스크(300)에 포함되는 진동 발생 인터페이스(700)에 대한 단면도이다. 도 9를 참조하면, 상기 진동 발생 인터페이스(700)는, 상기 키오스크 본체와 결합하는 결합부(1000), 상기 결합부를 진동시키기 위한 형상기억합금제인 제1 스프링(1100), 상기 제1 스프링(1100)을 지지하는 지지부(1200) 및 상기 제1 스프링(1100)의 진동을 더 증폭시키기 위해 일단이 하우징(1400)과 결합하여 상기 지지부(1200)를 진동시키기 위한 제2 스프링(1300)를 포함하고, 상기 제2 스프링(1300)은, 양 단이 전선과 결합되어 상기 인기 순위 추천 모듈(115)로부터 상기 유사도 차이 알고리즘에 따른 아날로그 신호가 입력된 아날로그 디지털 컨버터(ADC)로부터 출력된 디지털 출력 전압값 인가 여부에 따라 온도가 가변하며, 온도 변화에 따라 상기 제2 스프링(1300)의 강성이 변화하는 것을 특징으로 한다.
여기서, 형상기억합금은 가열 또는 냉각에 분자구조가 변하는 합금을 의미할 수 있다. 구체적으로, 형상기억합금제인 제1 스프링(1100)을 전압 인가 여부에 따른 온도조절 방식을 통해 가열 및 냉각시켜, 제1 스프링(1100)의 강성을 제어하여 댐퍼 인장 시 댐핑력(감쇠력) 및 인장속도를 제어할 수 있다.
제1 스프링(1100)의 강성은 형상기억합금으로 형성되는 제1 스프링(1100)의 온도를 가변시킴으로써 가변될 수 있다. 구체적으로, 제1 스프링(1100)은 양 단이 전선과 결합되어 전압 인가 여부에 따라 온도가 가변하며, 온도 변화에 따라 제1 스프링(1100)의 강성이 변화할 수 있다. 각각의 전선은 인기 순위 추천 모듈(115)로부터 신호를 전달 받아 제1 스프링(1100)에 인가되는 전압을 가변시킬 수 있으며, 인기 순위 추천 모듈(115)는 결합부(1000)에 설치된 진동센서로부터 진동 측정 정보를 전달 받아 분석한 후 외부 전원으로 신호를 전달할 수 있다.
이에 따라, 시니어 고객들 중 인지도가 떨어지는 시니어 고객도 자신이 검색한 상품, 서비스 또는 콘텐츠와 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼(100)이 추천하는 상품, 서비스 또는 콘텐츠가 유사한 정도에 따라 진동을 느낄 수 있으므로, 화면 뿐만 아니라 몸으로도 인식할 수 있는 햅틱 인터페이스(haptic interface)를 제공하는 효과가 있다.
한편, 키오스크(300) 하단에는 진동 발생 인터페이스(700)에서 발생하는 진동으로부터 키오스크(300) 수직 방향으로 발생하는 진동이나 충격을 흡수할 수 있는 완충부(800)가 구비될 수 있다.
도 10은 키오스크(300) 하단에 위치하는 완충부(800)의 사시도이다.
도 11은 완충부(800)의 AA'축에 따른 정면 단면도이다.
도 12는 완충부(800)에서 상부 지지대(830)와 측면 케이스(820)을 제외한 내부 구성에 대한 사시도이다.
도 10 내지 도 12를 참조하면, 완충부(800)는, 하부 지지대(810), 측면 케이스(820), 상부 지지대(830), 결합부(840), 상부 스프링 고정판(850), 제1 측면 고무 커버(861), 제2 측면 고무 커버(862), 제1 탄성판(865), 제2 탄성판(867), 제1 스프링 고정부(871), 제2 스프링 고정부(872), 제1 지지 스프링(873), 제2 지지 스프링(874), 제1 힌지(881), 제2 힌지(882), 제3 힌지(883), 제4 힌지(884), 제1 고정 바(891), 제2 고정 바(892)을 포함한다.
하부 지지대(810)는 완충부(800)의 바닥에 위치하고 하부 지지대(810)의 상부면에서 가로방향에 따른 양 측면에는 제1 고정 바(891), 및 제2 고정 바(892)이 형성된다. 제1 고정 바(891) 및 제2 고정 바(892)은 직육면체 형상으로 형성된다.
제1 스프링 고정부(871)과 제2 스프링 고정부(872)는 원통기둥 형상으로 하부 지지대(810) 상부면에 세로방향 중심축을 따라 소정의 간격으로 대칭적으로 설치된다.
제1 지지 스프링(873) 및 제2 지지 스프링(874)는 각각 제1 스프링 고정부(871) 및 제2 스프링 고정부(872)에 삽입되어 고정된다.
제1 탄성판(865)과 제2 탄성판(867)은 탄성력이 풍부한 탄성소재로 이루어지며 제1 힌지(881)와 제2 힌지(882)를 통해 하부 지지대(810)에 연결된다.
즉, 제1 힌지(881)는 상기 하부 지지대(810)의 상부면의 세로방향에 따른 일측에서 상기 제1 고정 바(891)과 상기 제2 고정 바(892) 사이에 형성되고, 상기 하부 지지대(810)와 제1 탄성판(865)을 연결한다.
마찬가지로, 제2 힌지(882)는 상기 하부 지지대(810)의 상부면의 세로방향에 따른 타측에서 상기 제1 고정 바(891)과 상기 제2 고정 바(892) 사이에 형성되고, 상기 하부 지지대(810)와 제2 탄성판(867)을 연결한다.
상부 스프링 고정판(850)은 제3 힌지(883) 및 제4 힌지(884)를 통해 제1 탄성판(865) 및 제2 탄성판(867)과 양 측단에서 연결된다.
즉, 제3 힌지(883)은 상기 제1 탄성판(865)의 일측단과 상부 스프링 고정판(850)의 일측단을 연결하고, 제4 힌지(884)는 상기 제2 탄성판(867)의 일측단과 상기 상부 스프링 고정판(850)의 타측단을 연결한다.
측면 케이스(820)은 제1 고정 바(891) 및 제2 고정 바(892)에 내벽이 맞도록 끼워져서 하부 지지대(810)에 위치가 고정되며, 상기 완충부(800)의 측면을 커버한다.
측면 케이스(820)의 내벽과 제1 탄성판(865)과 제2 탄성판(867)의 외측 사이에 제1 측면 고무 커버(861)과 제2 측면 고무 커버(862)이 구비된다.
상부 지지대(830)는 4개 관통 결합부(840)에 의해 상부 스프링 고정판(850)에 나사 결합되고, 상부 지지대(830)의 ┗┛형상의 하단 돌출부(831)가 측면 케이스(820)의 내벽에 맞닿아 끼움 결합된다.
측면 케이스(820) 하단의 세로방향 양측에는 각각 완충부(800) 내부의 공기를 배출하기 위한 직사각형의 얇은 홈(825)이 구비된다.
제3 힌지(883), 제4 힌지(884), 상부 스프링 고정판(850), 제1 탄성판(865) 및 제2 탄성판(867)가 함께 사다리꼴 구조를 형성하여 진동을 완충시키는 역할을 한다.
제1 힌지(881), 제2 힌지(882), 제3 힌지(883), 및 제4 힌지(884)는 얇은 두 개의 반원형 오목면으로 구성된 탄성소재로 이루어져 있다. 제1 측면 고무 커버(861)과 제2 측면 고무 커버(862)은 역 직각 삼각형 형상으로 각각 제1 탄성판(865)과 제2 탄성판(867) 사이에 형성된다.
키오스크(300) 하단에 완충부(800)를 구비함으로써, 진동 발생 인터페이스(700)에서 발생하는 진동으로 인지도가 떨어지는 시니어 고객이 자신이 검색하고자 하는 상품, 서비스 또는 콘텐츠의 유사도 차이에 따른 진동을 느낄 수 있음과 동시에, 키오스크(300)를 수직 방향으로 발생하는 진동이나 충격으로부터 보호할 수 있는 효과가 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
1: 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템
100: 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼
200: 사용자 단말
300: 키오스크
400: 외부 상품, 서비스 또는 콘텐츠 DB
100: 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼
200: 사용자 단말
300: 키오스크
400: 외부 상품, 서비스 또는 콘텐츠 DB
Claims (2)
- 사용자에게 개인화된 건강관리 및 웰니스 제안을 제공하는 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템에 있어서,
사용자가 검색한 상품, 서비스 또는 콘텐츠 정보, 건강 데이터 및 행동 데이터를 포함하는 대상 사용자의 비정형 데이터를 수집하는 데이터 수집모듈;
수집된 상기 비정형 데이터에 대해 전처리 단계를 행하는 데이터 전처리모듈;
사용자 단말기와 키오스크를 통해 기업 고객들 또는 시니어 고객들의 수요에 부합하는 일정한 소득을 가지고, 건강에 대해 관심을 가지는 액티브 시니어를 좋아요순, 조회순으로 추천하는 액티브시니어 추천모듈;
상기 액티브시니어 추천모듈에 의해 추천된 상기 액티브 시니어에 대해 상기 기업 고객들 또는 시니어 고객들이 이웃이나 1촌으로 맺고 있는 관계 횟수에 기초하여 영향력 평가 결과를 획득하는 액티브시니어 평가모듈;
상기 사용자 단말기와 키오스크를 이용하는 사용자 분석에 사용될 특성을 선택하고, 새로운 특성에 관한 데이터를 생성하는 피처 엔지니어링모듈;
상기 피처 엔지니어링모듈이 생성한 새로운 특성에 관한 데이터를 바탕으로 머신러닝 모델을 학습시키는 모델 학습모듈;
상기 모델 학습모듈에서 학습된 모델에 따라 사용자가 입력하거나 사용자 관심목록에 저장된 상품, 서비스 또는 콘텐츠 정보와 외부 상품, 서비스 또는 콘텐츠 DB에서 수신된 외부 상품, 서비스 또는 콘텐츠 정보를 유사도 차이를 분석하여 인기 추천 순위도를 산출하는, 인공지능 분석모듈;
상기 인기 추천 순위도 및 영향력 평가 결과에 따라 추천되는 상품, 서비스 또는 콘텐츠 정보를 상기 기업 고객들 또는 시니어 고객들에게 제안하는 인기 순위 추천 모듈;
상기 기업 고객들에 대한 외부 광고 거래에 관한 기능을 수행하는 광고 수주 모듈; 및
사용종료 후 각 상기 기업 고객들 또는 시니어 고객들 상호에 대한 만족도 평가결과를 저장하는 상호평가모듈;
를 포함하고,
상기 데이터 전처리모듈은,
상기 사용자가 사용자 관심목록에 입력한 상품, 서비스 또는 콘텐츠 정보에 기초하여 미리 결정된 제1 연산을 수행하여 원-핫-벡터(One-Hot-Vector)를 형성하고, 상기 원-핫-벡터에 기초하여 미리 결정된 제2 연산을 수행하여 제1 밀집벡터(Dense vector)를 형성하고,
상기 사용자가 사용자 관심목록에 입력한 상품, 서비스 또는 콘텐츠 정보를 미리 설정된 구문으로 파싱(Parsing)하고, 상기 파싱된 구문마다 상기 미리 결정된 제2 연산을 수행하여 상기 구문 각각에 대하여 밀집벡터를 형성하고, 상기 형성된 각각의 밀집벡터를 콘케트네이션(Concatenation)하여 제1 콘켓 벡터를 형성하고,
상기 사용자가 사용자 관심목록에 입력한 상품, 서비스 또는 콘텐츠 정보에 기초하여 외부 상품, 서비스 또는 콘텐츠 DB에 저장된 외부 상품, 서비스 또는 콘텐츠 정보에서 제2 밀집벡터를 형성하고, 상기 외부 상품, 서비스 또는 콘텐츠 DB에 저장된 외부 상품, 서비스 또는 콘텐츠 정보를 미리 설정된 구문으로 파싱하고, 상기 파싱된 구문마다 상기 미리 결정된 제2 연산을 수행하여 상기 구문 각각에 대하여 밀집벡터를 형성하고,
상기 형성된 각각의 밀집벡터를 콘케트네이션하여 제2 콘켓 벡터를 형성하고, 상기 구문 각각에 대하여 밀집벡터가 형성되면, 미리 결정된 중요 구문의 밀집벡터에 미리 결정된 가중치(Weight)를 부여하고,
상기 모델 학습모듈은,
상기 액티브시니어 평가모듈에 의한 상기 영향력 평가 결과에 기초하여 상기 기업 고객들 또는 시니어 고객들에 대한 추천 순위값과 상기 추천 순위값 사이에 존재하는 규칙을 실시간으로 학습하며, 상기 제1 밀집벡터에 대한 상기 제1 콘켓 벡터와 상기 제2 밀집벡터에 대한 제2 콘켓 벡터 사이의 유사도(Similarity)에 기초하여 대상차이학습(Contrastive learning)을 수행하고,
상기 액티브시니어 추천모듈은,
상기 기업 고객들 또는 시니어 고객들로부터 검색되는 복수 개의 키워드들에 기초하여, 상기 인기 순위 추천 모듈로부터 제안되는 상품, 서비스 또는 콘텐츠 정보에 연관되는 상기 액티브시니어를 추천하고,
상기 액티브시니어 평가모듈은,
상기 사용자 단말 또는 상기 키오스크를 통해, 상기 인기 추천 순위도에 따라 추천되는 상기 액티브시니어에 대한 알람을 발생시키고, 상기 기업고객들 또는 시니어고객들이 상호간 점수를 부과할 수 있고,
상기 대상차이학습은,
상기 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보를 기준으로, 사용자의 상기 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보와 유사한 외부 상품, 서비스 또는 콘텐츠 정보 쌍인 포지티브 페어(Positive pair)는 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보로 설정하고,
상기 사용자 관심목록 내의 상품, 서비스 또는 콘텐츠 정보와 비유사한 외부 상품, 서비스 또는 콘텐츠 정보 쌍은 네거티브 페어(Negative pair)는 사용자 무관심목록 내의 상품, 서비스 또는 콘텐츠 정보로 설정하여, 상기 포지티브 페어와 상기 네거티브 페어간의 유사도 차이에 기초하여 대상차이학습을 수행하고,
상기 유사도 차이는, 다음과 같은 식으로 이루어지고,
(여기서, A와 B는 각각 두 벡터를 나타내며, θ는 두 벡터 사이의 각도이다. 이 식은 두 벡터의 내적을 두 벡터의 크기의 곱으로 나눈 값으로 코사인 유사도를 계산한다. 이 식에서 분자는 두 벡터의 내적이며, 분모는 각 벡터의 크기이다.)
상기 시니어고객들이 직접 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템을 이용하기 위한 키오스크를 더 포함하고,
상기 키오스크는,
상기 시니어고객들 중 인지도가 떨어지는 시니어고객을 위해 유저 인터페이스(User Interface)로서, 상기 유사도 차이를 강도에 따라 진동을 발생시키는 진동발생부;
를 포함하고,
상기 진동발생부는,
상기 키오스크 본체와 결합하는 결합부;
상기 결합부를 진동시키기 위한 형상기억합금제인 제1 스프링;
상기 제1 스프링을 지지하는 지지부; 및
상기 제1 스프링의 진동을 더 증폭시키기 위해 일단이 하우징과 결합하여 상기 지지부를 진동시키기 위한 제2 스프링;
을 포함하고,
상기 제2 스프링은,
양 단이 전선과 결합되어 상기 유사도 차이가 입력된 ADC로부터 출력된 디지털 출력 전압값 인가 여부에 따라 온도가 가변하며, 온도 변화에 따라 상기 스프링의 강성이 변화하는 것을 특징으로 하는, 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230166281A KR102656101B1 (ko) | 2023-08-16 | 2023-11-27 | 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230107119A KR102608247B1 (ko) | 2023-08-16 | 2023-08-16 | 시니어 건강관리 및 웰니스 플랫폼 시스템 |
| KR1020230166281A KR102656101B1 (ko) | 2023-08-16 | 2023-11-27 | 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230107119A Division KR102608247B1 (ko) | 2023-08-16 | 2023-08-16 | 시니어 건강관리 및 웰니스 플랫폼 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102656101B1 true KR102656101B1 (ko) | 2024-04-11 |
Family
ID=88968418
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230107119A KR102608247B1 (ko) | 2023-08-16 | 2023-08-16 | 시니어 건강관리 및 웰니스 플랫폼 시스템 |
| KR1020230166281A KR102656101B1 (ko) | 2023-08-16 | 2023-11-27 | 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템 |
| KR1020230166291A KR102656106B1 (ko) | 2023-08-16 | 2023-11-27 | 액티브 시니어 취향 기반 콘텐츠 추천 플랫폼 시스템 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230107119A KR102608247B1 (ko) | 2023-08-16 | 2023-08-16 | 시니어 건강관리 및 웰니스 플랫폼 시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230166291A KR102656106B1 (ko) | 2023-08-16 | 2023-11-27 | 액티브 시니어 취향 기반 콘텐츠 추천 플랫폼 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (3) | KR102608247B1 (ko) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150085569A (ko) | 2014-01-16 | 2015-07-24 | 한양대학교 에리카산학협력단 | 휴먼케어를 위한 클라우드 기반 웰니스 서비스 플랫폼 구축 방법 및 장치 |
| KR101638433B1 (ko) | 2014-09-12 | 2016-07-12 | 주식회사 와이즈웰니스 | 사물인터넷 및 웨어러블기기를 이용한 웰니스플랫폼 시스템 |
| KR101933638B1 (ko) | 2018-01-22 | 2019-03-15 | 정철오 | 보안성이 강화된 레지덴셜 게이트웨이 장치를 이용한 웰니스 서비스 시스템 |
| KR20190130410A (ko) * | 2018-05-14 | 2019-11-22 | 고려대학교 산학협력단 | 스마트 시니어를 위한 맞춤형 콘텐츠 추천 장치 및 방법 |
| KR102112846B1 (ko) * | 2019-12-17 | 2020-05-19 | 서울특별시 서초구 | 서초 스마트 시니어 키오스크 교육시스템 |
| KR102144599B1 (ko) | 2012-06-19 | 2020-08-14 | 액티브바디, 인크. | 개인용 웰니스 관리 플랫폼 |
| KR20210035120A (ko) * | 2019-11-29 | 2021-03-31 | 옴니어스 주식회사 | 소셜 네트워크 기반의 영향력 측정 방법 및 장치 |
| KR20210059593A (ko) * | 2019-11-15 | 2021-05-25 | 주식회사 텐원더스 | 콘텐츠 기반의 상품 판매 중개 서비스 제공 방법, 장치 및 컴퓨터프로그램 |
| KR102460216B1 (ko) * | 2022-06-13 | 2022-11-01 | 주식회사 엘박스 | 인공지능 기반의 개인화된 학습셋에 의한 유사판결문 추천장치 및 이의 동작방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210056678A (ko) * | 2019-11-11 | 2021-05-20 | 주식회사 휴니크 | 무인키오스크를 이용한 음성 주문 시스템 및 그 방법 |
| KR20220080926A (ko) * | 2020-12-08 | 2022-06-15 | (주)프리미어케어 | 시니어 케어를 관리하기 위한 방법, 장치, 시스템 및 컴퓨터 판독가능 저장 매체 |
-
2023
- 2023-08-16 KR KR1020230107119A patent/KR102608247B1/ko active IP Right Grant
- 2023-11-27 KR KR1020230166281A patent/KR102656101B1/ko active IP Right Grant
- 2023-11-27 KR KR1020230166291A patent/KR102656106B1/ko active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102144599B1 (ko) | 2012-06-19 | 2020-08-14 | 액티브바디, 인크. | 개인용 웰니스 관리 플랫폼 |
| KR20150085569A (ko) | 2014-01-16 | 2015-07-24 | 한양대학교 에리카산학협력단 | 휴먼케어를 위한 클라우드 기반 웰니스 서비스 플랫폼 구축 방법 및 장치 |
| KR101638433B1 (ko) | 2014-09-12 | 2016-07-12 | 주식회사 와이즈웰니스 | 사물인터넷 및 웨어러블기기를 이용한 웰니스플랫폼 시스템 |
| KR101933638B1 (ko) | 2018-01-22 | 2019-03-15 | 정철오 | 보안성이 강화된 레지덴셜 게이트웨이 장치를 이용한 웰니스 서비스 시스템 |
| KR20190130410A (ko) * | 2018-05-14 | 2019-11-22 | 고려대학교 산학협력단 | 스마트 시니어를 위한 맞춤형 콘텐츠 추천 장치 및 방법 |
| KR20210059593A (ko) * | 2019-11-15 | 2021-05-25 | 주식회사 텐원더스 | 콘텐츠 기반의 상품 판매 중개 서비스 제공 방법, 장치 및 컴퓨터프로그램 |
| KR20210035120A (ko) * | 2019-11-29 | 2021-03-31 | 옴니어스 주식회사 | 소셜 네트워크 기반의 영향력 측정 방법 및 장치 |
| KR102112846B1 (ko) * | 2019-12-17 | 2020-05-19 | 서울특별시 서초구 | 서초 스마트 시니어 키오스크 교육시스템 |
| KR102460216B1 (ko) * | 2022-06-13 | 2022-11-01 | 주식회사 엘박스 | 인공지능 기반의 개인화된 학습셋에 의한 유사판결문 추천장치 및 이의 동작방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102656106B1 (ko) | 2024-04-11 |
| KR102608247B1 (ko) | 2023-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210279552A1 (en) | Method for making recommendations to a user and apparatus, computing device, and storage medium | |
| US7720784B1 (en) | Emotive intelligence applied in electronic devices and internet using emotion displacement quantification in pain and pleasure space | |
| KR102155739B1 (ko) | 질의응답 데이터 셋을 적응적으로 재사용하는 챗봇 서비스 제공 방법, 서버, 및 시스템 | |
| WO2018040069A1 (zh) | 信息推荐系统及方法 | |
| CN105574067A (zh) | 项目推荐装置以及项目推荐方法 | |
| KR102050738B1 (ko) | 상품 추천 서비스 시스템에서의 협업 필터링 기반 상품 추천을 위한 장치 | |
| US20220172260A1 (en) | Method, apparatus, storage medium, and device for generating user profile | |
| CN109740045A (zh) | 针对搜索结果的因素化模型和基于搜索结果的通信 | |
| CN103514253A (zh) | 基于社交活动数据的排序 | |
| CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
| CN113111264B (zh) | 界面内容显示方法、装置、电子设备及存储介质 | |
| CN116894711A (zh) | 商品推荐理由生成方法及其装置、电子设备 | |
| CN117216535A (zh) | 推荐文本生成模型的训练方法、装置、设备及介质 | |
| CN111292168A (zh) | 数据处理方法、装置及设备 | |
| Kim et al. | The method for generating recommended candidates through prediction of multi-criteria ratings using cnn-bilstm | |
| KR102656101B1 (ko) | 시니어 취향 기반 상품, 서비스 또는 콘텐츠 중개 플랫폼 시스템 | |
| JP6224856B1 (ja) | 提供装置、提供方法および提供プログラム | |
| Shou et al. | Predictions on usefulness and popularity of online reviews: evidence from mobile phones for older adults | |
| KR102460216B1 (ko) | 인공지능 기반의 개인화된 학습셋에 의한 유사판결문 추천장치 및 이의 동작방법 | |
| Spasojevic et al. | Identifying actionable messages on social media | |
| Lola et al. | Chatbot for fitness management using IBM Watson | |
| KR20210091970A (ko) | 심박 정보를 이용한 영상 취향 분석 시스템 및 방법 | |
| US20240062264A1 (en) | Ai- backed e-commerce for all the top rated products on a single platform | |
| CN115659995A (zh) | 一种文本情感分析方法和装置 | |
| JP5011185B2 (ja) | 情報分析装置、情報分析方法、及び情報分析プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |