KR102659929B1 - System for online sale - Google Patents
System for online sale Download PDFInfo
- Publication number
- KR102659929B1 KR102659929B1 KR1020230190286A KR20230190286A KR102659929B1 KR 102659929 B1 KR102659929 B1 KR 102659929B1 KR 1020230190286 A KR1020230190286 A KR 1020230190286A KR 20230190286 A KR20230190286 A KR 20230190286A KR 102659929 B1 KR102659929 B1 KR 102659929B1
- Authority
- KR
- South Korea
- Prior art keywords
- product information
- product
- keywords
- information
- added
- Prior art date
Links
- 239000000047 product Substances 0.000 claims description 231
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 238000012795 verification Methods 0.000 claims description 20
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 239000006227 byproduct Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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]
- G06Q30/0613—Third-party assisted
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
전자상거래 플랫폼에 상품 정보를 포함하는 상세페이지를 생성하여 제공하는 제어 서버;를 포함하는, 온라인 판매 시스템을 개시한다.Disclosed is an online sales system that includes a control server that creates and provides a detail page containing product information on an e-commerce platform.
Description
본 발명은 온라인 판매 시스템에 관한 것이다.The present invention relates to an online sales system.
온라인 쇼핑몰을 이용하여 상품을 구매하는 것은 흔한 일이다. 온라인 쇼핑몰 운영자의 입장에서 소비자에 대한 상품의 접근성을 강화하고 소비자 선택을 증가시켜 궁극적으로는 매출액을 신장시키는 것이 가장 큰 목적이라 할 수 있다. 따라서 소비자에게 어떠한 상품들을 어떤 방식으로 보여주는지가 매우 중요하고 소비자 패턴을 분 석한 결과를 이용하여 상품을 추천하는 시스템도 있다. It is common to purchase products using online shopping malls. From the perspective of an online shopping mall operator, the biggest goal is to strengthen the accessibility of products to consumers, increase consumer choice, and ultimately increase sales. Therefore, it is very important to show which products to consumers and in what way, and there is also a system that recommends products using the results of analyzing consumer patterns.
한국공개특허 10-2019-0048303에 게재된 발명은 사용자의 데이터를 분석하여 사용자별 맞춤형 상품 추천 방법에 관한 것으로, 종래의 상품 추천 방법은 관리 서버가 사용자의 쇼핑몰 이용 정보를 수신하여 사용자의 쇼핑 관련 활동 정보와 동일한 쇼핑 관련 활동 정보가 포함된 다른 사용 자의 쇼핑몰 이용 정보를 검색한 후 다른 사용자의 쇼핑몰 이용 정보에 기초하여 사용자에게 상품을 추천하는 것을 기술 핵심으로 한다. The invention published in Korean Patent Publication No. 10-2019-0048303 relates to a method of recommending customized products for each user by analyzing the user's data. In the conventional product recommendation method, the management server receives the user's shopping mall usage information and provides information related to the user's shopping. The core of the technology is to search for other users' shopping mall usage information that includes the same shopping-related activity information as the activity information and then recommend products to the user based on the other users' shopping mall usage information.
그런데 이러한 방법은 개개인에 대한 접근성은 좋을 수 있으나, 대규모 쇼핑몰을 운영하는 입장에서는 시스템에 접근하는 전체 소비자의 패턴이나 선호를 파악하기 어려워 거시적인 운영에는 큰 도움을 주지 못한다. 또 동일 한 쇼핑 관련 활동 정보를 얻더라도 소비자에게 추천된 상품이 소비자의 선호에 맞지 않을 수도 있고, 동일한 쇼핑 관련 활동 정보를 얻을 수 없는 경우의 처리도 곤란하다.However, although this method may provide good accessibility to individuals, from the perspective of operating a large-scale shopping mall, it is difficult to identify the patterns or preferences of all consumers accessing the system, so it does not provide much help in macroscopic operations. In addition, even if the same shopping-related activity information is obtained, the product recommended to the consumer may not suit the consumer's preferences, and it is difficult to handle cases where the same shopping-related activity information cannot be obtained.
본 발명의 일측면은 웹 페이지에서 상품 정보를 제공하여 상품의 판매를 위한 온라인 판매 플랫폼을 구축하고, 나아가, 소비자 맞춤형 제품을 추천하여 주는 시스템을 개시한다.One aspect of the present invention discloses a system that provides product information on a web page to build an online sales platform for selling products, and further recommends customized products to consumers.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problem of the present invention is not limited to the technical problem mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
본 발명의 시스템은 전자상거래 플랫폼에 상품 정보를 포함하는 상세페이지를 생성하여 제공하는 제어 서버;를 포함한다.The system of the present invention includes a control server that creates and provides a detail page containing product information on an e-commerce platform.
한편, 상기 제어 서버는, 판매자가 소지하고 있는 이동 단말을 통해 판매자로부터 제품명, 가격, 이미지, 원산지, 제품 기능, 제품 특징, 제품 크기 및 제품 출시일을 포함하는 상품 정보를 수신하여 저장하는 상품 정보 수집부; 전자상거래 플랫폼으로부터 상품 판매량 데이터를 수집하고, 상품 판매량 데이터에 따라 복수의 상품 정보를 정렬하여 전자상거래 플랫폼의 메인 페이지에 출력하는 상품 정보 분석부; 전자상거래 플랫폼으로부터 나이, 거주 지역, 성별 및 제품 구매 이력을 포함하는 소비자 정보를 수집하고, 인공지능 신경망을 이용하여 소비자 정보를 분석하여 상기 소비자 정보와 연관되는 적어도 하나 이상의 상품 정보를 맞춤형 상품 정보로 추출하고, 추출한 맞춤형 상품 정보를 전자상거래 플랫폼의 메인 페이지에 팝업 메시지 형태로 출력하는 상품 정보 추천부;를 포함할 수 있다.Meanwhile, the control server collects product information by receiving and storing product information including product name, price, image, country of origin, product function, product characteristics, product size, and product release date from the seller through a mobile terminal owned by the seller. wealth; a product information analysis unit that collects product sales data from the e-commerce platform, sorts a plurality of product information according to the product sales data, and outputs it on the main page of the e-commerce platform; Consumer information including age, region of residence, gender, and product purchase history is collected from the e-commerce platform, and the consumer information is analyzed using an artificial intelligence neural network to convert at least one product information related to the consumer information into customized product information. It may include a product information recommendation unit that extracts and outputs the extracted customized product information in the form of a pop-up message on the main page of the e-commerce platform.
한편, 상기 상품 정보 수집부는, 인공지능 신경망을 이용하여 상품 정보에 포함되는 키워드와 연관되는 추가 키워드를 추출하고, 추출한 키워드가 추가된 상품 정보의 검증 데이터가 아래 수학식 1을 만족하는지 여부를 통해 키워드가 추가된 상품 정보를 검증하고, 키워드가 추가된 상품 정보가 수학식 1을 만족하는 경우, 키워드가 추가된 상품 정보를 상세페이지에 개시하고, 키워드가 추가된 상품 정보가 수학식 1을 만족하지 않는 경우, 판매자로부터 수신하는 상품 정보를 상세페이지에 개시할 수 있다.Meanwhile, the product information collection unit extracts additional keywords associated with keywords included in product information using an artificial intelligence neural network, and determines whether the verification data of product information to which the extracted keywords are added satisfies Equation 1 below. Verify the product information to which the keyword has been added, and if the product information to which the keyword has been added satisfies Equation 1, the product information to which the keyword has been added is displayed on the detail page, and the product information to which the keyword has been added satisfies Equation 1. If not, product information received from the seller can be disclosed on the detail page.
[수학식 1][Equation 1]
(수학식 1에서 kv는 키워드가 추가된 상품 정보의 검증 데이터, 은 키워드가 추가된 상품 정보의 키워드 개수, 은 키워드가 추가된 상품 정보에 포함되는 키워드들의 단어 개수의 평균, 은 키워드가 추가된 상품 정보가 상세 페이지에서 차지하는 면적, 은 판매자로부터 수신하는 상품 정보의 키워드 개수, 은 판매자로부터 수신하는 상품 정보에 포함되는 키워드들의 단어 개수의 평균, 은 판매자로부터 수신하는 상품 정보가 상세 페이지에서 차지하는 면적, P는 키워드가 추가된 상품 정보가 가독성이 있는지 여부를 결정하는 검증 인자를 의미함.)(In Equation 1, k v is verification data of product information to which keywords have been added, is the number of keywords in product information to which keywords have been added, is the average number of words of keywords included in product information to which keywords have been added, The area occupied by product information with added keywords on the detail page, is the number of keywords in product information received from the seller, is the average number of words of keywords included in product information received from the seller, is the area that the product information received from the seller occupies on the detail page, and P refers to the verification factor that determines whether the product information with added keywords is readable.)
상술한 본 발명의 일 측면에 따르면, 전자제품 등의 상품 판매를 위한 웹 페이지를 제공하고, 나아가 제품 판매 시 소비자 성향을 분석하여 소비자 맞춤형 상품을 추천해줌으로써 온라인 판매를 용이하게 하고 판매율을 높일 수 있도록 한다.According to one aspect of the present invention described above, it is possible to facilitate online sales and increase sales rates by providing a web page for selling products such as electronic products and recommending customized products by analyzing consumer tendencies when selling products. Let it happen.
도 1은 본 발명의 일 실시예에 따른 시스템의 개념도이다.
도 2는 도 1에 제어 서버의 개념도이다.1 is a conceptual diagram of a system according to an embodiment of the present invention.
FIG. 2 is a conceptual diagram of the control server in FIG. 1.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and will be implemented in various different forms. The present embodiments only serve to ensure that the disclosure of the present invention is complete and that common knowledge in the technical field to which the present invention pertains is not limited. It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.The terminology used herein is for describing embodiments and is not intended to limit the invention. As used herein, singular forms also include plural forms, unless specifically stated otherwise in the context. As used in the specification, “comprises” and/or “comprising” does not exclude the presence or addition of one or more other components, steps and operations.
도 1은 본 발명의 일 실시예에 따른 시스템의 개념도이다.1 is a conceptual diagram of a system according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따른 온라인 판매 시스템(1)은 제어 서버(100) 및 이동 단말(200)을 포함할 수 있다.Referring to FIG. 1, the online sales system 1 according to an embodiment of the present invention may include a control server 100 and a mobile terminal 200.
제어 서버(100)는 본 발명에 따른 온라인 판매 서비스를 제공할 수 있다.The control server 100 can provide an online sales service according to the present invention.
제어 서버(100)는 본 발명에 따른 서비스를 제공하기 위한 자체 서버이거나 클라우드 서버일 수도 있고 분산된 노드들의 p2p(peer-to-peer) 집합일 수 있다.The control server 100 may be its own server, a cloud server, or a p2p (peer-to-peer) set of distributed nodes for providing the service according to the present invention.
제어 서버(100)는 일반적인 컴퓨터가 갖는 연산, 저장, 참조, 입출력, 제어 기능 중 어느 하나 이상을 수행할 수 있고, 입력 데이터를 바탕으로 후술할 인공 신경망을 포함할 수 있다.The control server 100 may perform one or more of the calculation, storage, reference, input/output, and control functions of a general computer, and may include an artificial neural network to be described later based on input data.
제어 서버(100)는 프로세서 및 메모리를 포함할 수 있다. 프로세서는 본 발명에 따른 온라인 판매 서비스를 수행할 수 있고, 이를 수행할 수 있는 장치들을 포함할 수 있다. 프로세서는 프로그램을 실행하거나 제어 서버(100)를 제어할 수도 있다. 프로세서에 의해 실행되는 프로그램 코드는 메모리에 저장될 수 있다. 메모리는 본 발명에 따른 서비스를 수행하기 위한 관련 정보들을 저장하거나 방법을 구현하기 위한 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리거나 비휘발성 메모리일 수 있다.Control server 100 may include a processor and memory. The processor may perform the online sales service according to the present invention and may include devices capable of performing this. The processor may execute a program or control the control server 100. Program code executed by the processor may be stored in memory. The memory may store related information for performing a service according to the present invention or a program for implementing a method. The memory may be volatile memory or non-volatile memory.
제어 서버(100)는 네트워크를 이용하여 외부 장치에 데이터를 발신하거나 외부 장치로부터 데이터를 수신할 수 있다.The control server 100 may send data to or receive data from an external device using a network.
제어 서버(100)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다. The control server 100 can train an artificial neural network or use a trained artificial neural network. The processor can train or execute an artificial neural network stored in memory, and the memory can store a trained artificial neural network. The electronic device that trains the artificial neural network and the electronic device that uses it may be the same, but may also be separate.
인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.Artificial intelligence is a computer system that implements some of the functions of the human brain and can learn, guess, and make decisions on its own. As learning progresses, the probability of extracting an answer may increase. Artificial intelligence can be composed of learning and elemental technologies using it. Artificial intelligence learning is an algorithmic technology that classifies and learns features based on input data, and elemental technologies may be technologies that implement some of the functions of the human brain using learning algorithms.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.Artificial intelligence is a technology that makes it easy to approach problems that can have multiple answers probabilistically, and can logically and probabilistically infer the optimal cycle, method, and plan according to any input data. Artificial intelligence's inference technology can include judging input data, optimization predictions, knowledge and probability-based reasoning, and preference-based planning.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.Artificial neural network is one of the learning algorithms in the machine learning field and is a program that implements the connection between neurons and synapses in the brain. Artificial neural networks can be created through a program to create a neural network structure and then learn it to have the desired function. Although there may be errors, it is possible to learn based on huge data and output appropriate output data with input data. It has the advantage of being able to obtain output data with statistically good results and being similar to human reasoning.
네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. The network is a communication network that is a high-speed backbone network of a large communication network capable of high-capacity, long-distance voice and data services, and may be a next-generation wired or wireless network to provide the Internet or high-speed multimedia services.
네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다. If the network is a mobile communication network, it may be a synchronous mobile communication network or an asynchronous mobile communication network. An example of an asynchronous mobile communication network may be a WCDMA (Wideband Code Division Multiple Access) type communication network. In this case, although not shown in the drawing, the network may include an RNC (Radio Network Controller). Meanwhile, although the WCDMA network was used as an example, it can be a 3G LTE network, a 4G network, other next-generation communication networks such as 5G, and other IP-based IP networks.
이동 단말(200)은 데스크탑 컴퓨터, 랩탑, 태블릿, 스마트폰 등 네트워크를 통해 데이터를 주고받을 수 있는 단말이면 모두 포함될 수 있다.The mobile terminal 200 may include any terminal that can send and receive data through a network, such as a desktop computer, laptop, tablet, or smartphone.
이동 단말(200)은 본 발명에 따른 서비스를 수행하기 위하여 컴퓨터가 가지는 연산 기능, 저장 기능, 참조 기능, 입출력 기능, 제어 기능 중 어느 하나 이상을 포함할 수 있다.The mobile terminal 200 may include one or more of the calculation function, storage function, reference function, input/output function, and control function of a computer in order to perform the service according to the present invention.
이동 단말(200)은 본 발명에 따른 서비스를 제공받기 위하여 웹사이트에 접속하거나 애플리케이션을 설치할 수 있다. 이동 단말(200)은 웹사이트 또는 애플리케이션을 통하여 데이터를 주고받을 수 있다.The mobile terminal 200 can access a website or install an application to receive services according to the present invention. The mobile terminal 200 can exchange data through a website or application.
네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. The network is a communication network that is a high-speed backbone network of a large communication network capable of high-capacity, long-distance voice and data services, and may be a next-generation wired or wireless network to provide the Internet or high-speed multimedia services.
네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크(300)는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다. If the network is a mobile communication network, it may be a synchronous mobile communication network or an asynchronous mobile communication network. An example of an asynchronous mobile communication network may be a WCDMA (Wideband Code Division Multiple Access) type communication network. In this case, although not shown in the drawing, the network 300 may include a Radio Network Controller (RNC). Meanwhile, although the WCDMA network was used as an example, it can be a 3G LTE network, a 4G network, other next-generation communication networks such as 5G, and other IP-based IP networks.
이와 같은 본 발명의 일 실시예에 따른 시스템(1)은 전자제품 등의 상품 판매를 위한 웹 페이지를 제공하고, 나아가 제품 판매 시 소비자 성향을 분석하여 소비자 맞춤형 상품을 추천해줌으로써 온라인 판매를 용이하게 하고 판매율을 높일 수 있도록 한다.The system 1 according to an embodiment of the present invention provides a web page for selling products such as electronic products, and further facilitates online sales by analyzing consumer tendencies when selling products and recommending customized products to consumers. and increase sales rates.
도 2는 도 1에 도시된 제어 서버의 개념도이다.FIG. 2 is a conceptual diagram of the control server shown in FIG. 1.
도 2를 참조하면, 본 발명의 일 실시예에 따른 제어 서버(100)는 상품 정보 수집부(110), 상품 정보 분석부(120) 및 상품 정보 추천부(130)를 포함할 수 있다.Referring to FIG. 2, the control server 100 according to an embodiment of the present invention may include a product information collection unit 110, a product information analysis unit 120, and a product information recommendation unit 130.
상품 정보 수집부(110)는 판매자가 소지하고 있는 이동 단말(200)을 통해 판매자로부터 상품 정보를 수신하여 저장할 수 있다.The product information collection unit 110 can receive product information from the seller through the mobile terminal 200 owned by the seller and store it.
상품 정보는 제품명, 가격, 이미지, 원산지, 제품 기능, 제품 특징, 제품 크기, 제품 출시일 등을 포함할 수 있다.Product information may include product name, price, image, country of origin, product function, product characteristics, product size, product release date, etc.
상품 정보 수집부(110)는 전자상거래 플랫폼에 상품페이지를 생성할 수 있다. 예를 들면, 상품 정보 수집부(110)는 상품 정보를 포함하는 상세페이지를 생성할 수 잇다.The product information collection unit 110 can create a product page on an e-commerce platform. For example, the product information collection unit 110 can create a detail page containing product information.
한편, 상품페이지는 적어도 하나의 SNS 채널을 통해 광고를 수행하고 있는 상태일 수 있다. SNS 채널은 페이스북, 인스타그램 등과 같은 플랫폼뿐만 아니라, 유투브, 틱톡 등과 같은 동영상 플랫폼일 수도 있다. Meanwhile, the product page may be advertising through at least one SNS channel. SNS channels can be platforms such as Facebook and Instagram, as well as video platforms such as YouTube and TikTok.
한편, 상품 정보 수집부(110)는 인공지능 신경망을 이용하여 상품 정보에 포함되는 키워드를 확장할 수 있다.Meanwhile, the product information collection unit 110 can expand keywords included in product information using an artificial intelligence neural network.
예를 들면, 상품 정보 수집부(110)는 상품 정보 중 제품 특징에 있어서 판매자로부터 수신하는 제품 특징이 "정수기"인 경우, "실내생활용품" 등의 키워드를 추가할 수 있다.For example, the product information collection unit 110 may add keywords such as “indoor household goods” when the product feature received from the seller among the product information is “water purifier.”
상품 정보 수집부(110)는 상품 정보에 포함되는 키워드 확장을 위한 인공지능 신경망을 포함할 수 있다. 예를 들면, 상품 정보 수집부(110)는 기계 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.The product information collection unit 110 may include an artificial intelligence neural network for expanding keywords included in product information. For example, the product information collection unit 110 may include a number of pre-trained artificial neural networks to perform machine algorithms. With machine learning, you can output output data based on input data and use the results to learn on your own, which can improve your own data processing ability. Artificial neural networks can extract features based on input data, infer regularities, and output result data. As this process accumulates, the reliability of the result data increases.
본 실시예에서 인공 신경망은 제품명, 가격, 이미지, 원산지, 제품 기능, 제품 특징, 제품 크기, 제품 출시일 등의 상품 정보에 대하여 추가적인 키워드를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.In this embodiment, the artificial neural network may be an algorithm that outputs additional keywords for product information such as product name, price, image, country of origin, product function, product feature, product size, and product release date. Artificial neural networks can infer the best output data using big data as input data or after going through a processing process to organize unnecessary data.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 추가 키워드를 추론하여 출력 데이터를 출력할 수 있다.Artificial neural networks can stack and connect numerous artificial neurons in several layers. The artificial neural network may be pre-trained on various input values that may be included in the input data. The artificial neural network can output output data by inferring additional keywords according to the data input by the user.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. An artificial neural network may be an artificial neural network that is learned according to reinforcement learning, one of the learning methods. Reinforcement learning is a method of gradually increasing the probability of obtaining the correct result by setting rewards and limits.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.Artificial neural networks can also be modeled based on Convelutional Neural Network (CNN) or Recurrent Neural Network (RNN).
이와 같이, 상품 정보 수집부(110)는 인공지능 신경망을 이용하여 상품 정보와 연관되는 추가 키워드를 추출하고, 추가 키워드를 상세페이지에 함께 개시함으로써 보다 다양한 키워드 검색을 통한 유입을 가능하게 하여 판매율 향상의 효과를 기대할 수 있다.In this way, the product information collection unit 110 extracts additional keywords related to product information using an artificial intelligence neural network, and displays additional keywords on the detail page to enable inflow through more diverse keyword searches, thereby improving sales rate. effects can be expected.
한편, 상품 정보 수집부(110)는 아래 수학식 1을 이용하여 키워드가 추가된 상품 정보를 검증할 수 있다.Meanwhile, the product information collection unit 110 can verify product information to which keywords have been added using Equation 1 below.
[수학식 1][Equation 1]
수학식 1에서 kv는 키워드가 추가된 상품 정보의 검증 데이터, 은 키워드가 추가된 상품 정보의 키워드 개수, 은 키워드가 추가된 상품 정보에 포함되는 키워드들의 단어 개수의 평균, 은 키워드가 추가된 상품 정보가 상세 페이지에서 차지하는 면적, 은 판매자로부터 수신하는 상품 정보의 키워드 개수, 은 판매자로부터 수신하는 상품 정보에 포함되는 키워드들의 단어 개수의 평균, 은 판매자로부터 수신하는 상품 정보가 상세 페이지에서 차지하는 면적, P는 검증 인자를 의미한다. 여기에서, P는 키워드가 추가된 상품 정보가 가독성이 있는지 여부를 결정하는 인자로써, 실험에 따라 결정될 수 있다.In Equation 1, k v is verification data of product information to which keywords have been added, is the number of keywords in product information to which keywords have been added, is the average number of words of keywords included in product information to which keywords have been added, The area occupied by product information with added keywords on the detail page, is the number of keywords in product information received from the seller, is the average number of words of keywords included in product information received from the seller, is the area occupied by the product information received from the seller on the detail page, and P is the verification factor. Here, P is a factor that determines whether the product information to which the keyword is added is readable, and can be determined according to experiment.
예를 들면, =6, =5, =3, =3, =5, =2, P=100인 경우, kv=90130으로 산출되어 검증 데이터가 수학식 1을 만족하므로, 이와 같은 경우, 상품 정보 수집부(110)는 키워드가 추가된 상품 정보를 상세 페이지에 개시할 수 있다. 또한, 상품 정보 수집부(110)는 검증 데이터가 수학식 1을 만족하지 않는 경우, 판매자로부터 수신하는 상품 정보를 상세 페이지에 개시할 수 있다.For example, =6, =5, =3, =3, =5, =2, for P=100, k v =90 Since the verification data is calculated as 130 and satisfies Equation 1, in this case, the product information collection unit 110 can disclose product information with the keyword added on the detail page. Additionally, if the verification data does not satisfy Equation 1, the product information collection unit 110 may disclose the product information received from the seller on the detail page.
수학식 1에 따르면, 상세 정보의 키워드 확장에 따른 검증 데이터가 기존의 상세 정보에 검증 인자를 더한 값보다 작은 경우, 가독성을 보장하면서도 다양한 키워드 검색을 통한 유입 효과를 기대할 수 있으며, 상세 정보의 키워드 확장에 따른 검증 데이터가 기존의 상세 정보에 검증 인자를 더한 값보다 큰 경우, 유입 효과에 비해 가독성이 떨어진다는 점을 고려하여 키워드가 추가된 상품 정보를 검증할 수 있다.According to Equation 1, if the verification data resulting from keyword expansion of detailed information is smaller than the value obtained by adding the verification factor to the existing detailed information, an inflow effect can be expected through various keyword searches while ensuring readability, and the keyword of detailed information If the verification data due to expansion is larger than the existing detailed information plus the verification factor, product information with added keywords can be verified, taking into account that readability is lower than the inflow effect.
이와 같이, 상품 정보 수집부(110)는 키워드가 추가된 상품 정보의 검증 데이터가 수학식 1을 만족하는 경우에 한하여 키워드가 추가된 상품 정보를 상세 페이지에 개시할 수 있다.In this way, the product information collection unit 110 can disclose the product information to which the keyword has been added on the detail page only when the verification data of the product information to which the keyword has been added satisfies Equation 1.
상품 정보 분석부(120)는 전자상거래 플랫폼으로부터 상품 판매량 데이터를 수집할 수 있으며, 상품 판매량 데이터에 따라 복수의 상품 정보를 정렬하여 전자상거래 플랫폼의 메인 페이지에 출력할 수 있다.The product information analysis unit 120 can collect product sales volume data from the e-commerce platform, sort multiple product information according to the product sales volume data, and output it on the main page of the e-commerce platform.
예를 들면, 상품 정보 분석부(120)는 복수의 상품 정보 중 상품 판매량이 많은 순으로 정렬하여 전자상거래 플랫폼의 메인 페이지에 출력할 수 있다.For example, the product information analysis unit 120 may sort the plurality of product information in order of product sales volume and output the information on the main page of the e-commerce platform.
한편, 상품 정보 분석부(120)는 전체 상품 판매량이 소정 판매량 이하인 경우, 판매자로부터 수신하는 상품 정보를 분석하여 상품 정보 점수를 산출하고, 상품 정보 점수에 따라 복수의 상품 정보를 정렬하여 전자상거래 플랫폼의 메인 페이지에 출력할 수 있다.Meanwhile, when the total product sales volume is less than a predetermined sales volume, the product information analysis unit 120 analyzes the product information received from the seller to calculate a product information score, and sorts the plurality of product information according to the product information score to provide an e-commerce platform. It can be printed on the main page of .
예를 들면, 상품 정보 분석부(120)는 아래 수학식 2를 이용하여 상품 정보 별 상품 정보 점수를 산출할 수 있다.For example, the product information analysis unit 120 can calculate a product information score for each product information using Equation 2 below.
[수학식 2][Equation 2]
수학식 2에서 Si는 상품 정보 i의 상품 정보 점수, pi는 상품 정보 i의 가격, ps는 상품 정보 i의 세일 가격, di는 상품 정보 i의 제품 출시일로부터 경과 일수, vi는 상품 정보 i의 제품 설명 이미지 개수, Ri(x)는 상품 정보 i가 MD 추천 상품인 경우 1, MD 추천 상품이 아닌 경우 0, n은 상품 정보 i와 동일한 카테고리로 분류되는 상품 정보의 개수, Rn(x)는 상품 정보 n이 MD 추천 상품인 경우 1, MD 추천 상품이 아닌 경우 0으로 정의되고, 는 보정 계수로 100으로 정의될 수 있다.In Equation 2, S i is the product information score of product information i, p i is the price of product information i, p s is the sale price of product information i, d i is the number of days elapsed from the product release date of product information i, and v i is the number of days elapsed from the product release date of product information i. Number of product description images of product information i, R i (x) is 1 if product information i is an MD recommended product, 0 if it is not an MD recommended product, n is the number of product information classified into the same category as product information i, R n (x) is defined as 1 if product information n is an MD recommended product, and 0 if it is not an MD recommended product. can be defined as 100 as a correction coefficient.
예를 들면, pi=23000, ps=18000, di=30 vi=10, Ri(x)=1, n=10, 인 경우, 
수학식 2에 따르면, 상품 가격의 할인율이 높을수록, 제품 출시일이 짧을수록, 제품 설명 이미지 개수가 많을수록 판매율이 높다는 점을 고려하여 상품 정보 점수를 높게 산출할 수 있으며, 나아가 동일한 카테고리에서의 MD 추천 상품 비율을 고려하여 상품 정보 점수를 산출할 수 있다.According to Equation 2, a higher product information score can be calculated by considering that the higher the discount rate of the product price, the shorter the product release date, and the higher the number of product description images, the higher the sales rate. Furthermore, MD recommendation in the same category The product information score can be calculated by considering the product ratio.
상품 정보 분석부(130)는 복수의 상품 정보 별 상품 정보 점수를 산출하고, 상품 정보 점수가 높은 순으로 따라 복수의 상품 정보를 정렬하여 제공할 수 있다.The product information analysis unit 130 may calculate a product information score for each plurality of product information, sort the plurality of product information in descending order of product information score, and provide the plurality of product information.
상품 정보 추천부(130)는 소비자 맞춤형 상품 정보를 추천하여 제공할 수 있다.The product information recommendation unit 130 can recommend and provide customized product information to consumers.
상품 정보 추천부(130)는 전자상거래 플랫폼을 통해 소비자 정보를 수집할 수 있다. 소비자 정보는 나이, 거주 지역, 성별, 제품 구매 이력 등을 포함할 수 있다.The product information recommendation unit 130 may collect consumer information through an e-commerce platform. Consumer information may include age, region of residence, gender, product purchase history, etc.
상품 정보 추천부(130)는 소비자 맞춤형 상품 정보 추출을 위한 인공지능 신경망을 포함할 수 있다. 예를 들면, 상품 정보 추천부(130)는 기계 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.The product information recommendation unit 130 may include an artificial intelligence neural network for extracting consumer-customized product information. For example, the product information recommendation unit 130 may include a plurality of pre-trained artificial neural networks to perform machine algorithms. With machine learning, you can output output data based on input data and use the results to learn on your own, which can improve your own data processing ability. Artificial neural networks can extract features based on input data, infer regularities, and output result data. As this process accumulates, the reliability of the result data increases.
본 실시예에서 인공 신경망은 나이, 거주 지역, 성별, 제품 구매 이력 등을 포함하는 소비자 정보를 분석하여 전자상거래 플랫폼에 등록된 복수의 상품 정보 중 소비자가 구매할 가능성이 높을 것으로 예측되는 적어도 하나 이상의 상품 정보를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.In this embodiment, the artificial neural network analyzes consumer information including age, region of residence, gender, product purchase history, etc., and at least one product that is predicted to be highly likely to be purchased by the consumer among a plurality of product information registered on the e-commerce platform. It may be an algorithm that outputs information. Artificial neural networks can infer the best output data using big data as input data or after going through a processing process to organize unnecessary data.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 추가 키워드를 추론하여 출력 데이터를 출력할 수 있다.Artificial neural networks can stack and connect numerous artificial neurons in several layers. The artificial neural network may be pre-trained on various input values that may be included in the input data. The artificial neural network can output output data by inferring additional keywords according to the data input by the user.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. An artificial neural network may be an artificial neural network that is learned according to reinforcement learning, one of the learning methods. Reinforcement learning is a method of gradually increasing the probability of obtaining the correct result by setting rewards and limits.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.Artificial neural networks can also be modeled based on Convelutional Neural Network (CNN) or Recurrent Neural Network (RNN).
이와 같이, 상품 정보 추천부(130)는 인공지능 신경망을 이용하여 소비자 정보와 연관되는 적어도 하나 이상의 상품 정보를 맞춤형 상품 정보로 추출하고, 추출한 맞춤형 상품 정보를 전자상거래 플랫폼의 메인 페이지에 팝업 메시지 형태로 출력함으로써, 판매율 향상의 효과를 기대할 수 있다.In this way, the product information recommendation unit 130 extracts at least one product information related to consumer information as customized product information using an artificial intelligence neural network, and displays the extracted customized product information in the form of a pop-up message on the main page of the e-commerce platform. By outputting, the effect of improving sales rate can be expected.
한편, 상품 정보 추천부(130)는 소비자 정보를 분석하여 소비자 정보가 한 명의 소비자에 의해 생성되었는지 여부를 검증할 수 있다. 즉, 상품 정보 추천부(130)는 한 계정이 여러 사람에 의해 사용되었는지 여부를 검증함으로써 상품 정보 추천의 정확도를 높일 수 있다.Meanwhile, the product information recommendation unit 130 may analyze consumer information to verify whether the consumer information was created by a single consumer. That is, the product information recommendation unit 130 can increase the accuracy of product information recommendation by verifying whether one account has been used by multiple people.
[수학식 3][Equation 3]
수학식 3에서 Uk는 소비자 검증 데이터, US1i는 i시점에서의 소비자 검증 제1 데이터, US2i는 i시점에서의 소비자 검증 제2 데이터이고, Ci는 i시점에서 소비자가 클릭한 제품 카테고리에 포함되는 상품의 개수, n은 전체 상품 카테고리의 개수, wC는 카테고리 가중치, Pi는 i시점에서 소비자가 클릭한 상품 정보의 개수, m은 전체 상품 개수, 는 상품 가중치, Di(x)는 i시점에서 소비자가 상품을 구매한 경우 1, 구매하지 않은 경우 0, Li(x)는 i시점에서 소비자가 i시점에서 소비자가 상품을 장바구니에 담은 경우 1, 장바구니에 담지 않은 경우 0으로 정의될 수 있다.In Equation 3, U k is consumer verification data, US 1i is the first consumer verification data at time i, US 2i is the second consumer verification data at time i, and C i is the product category clicked by the consumer at time i. is the number of products included, n is the total number of product categories, wC is the category weight, P i is the number of product information clicked by the consumer at time i, m is the total number of products, is the product weight, D i (x) is 1 if the consumer purchased the product at time i, 0 if the consumer did not purchase the product, and L i (x) is the product weight at time i when the consumer puts the product in the shopping cart at time i. It can be defined as 1, or 0 if not added to the shopping cart.
예를 들면, 이고, 인 경우, 
수학식 3에 따르면, 소비자 검증 데이터의 값이 클수록 소비자 정보가 여러 사람에 의해 수집된 것을 의미할 수 있으며, 상품 정보 추천부(130)는 소비자 검증 데이터가 소정 값, 예컨대, 10 이하로 산출된 경우에 한하여 소비자 맞춤형 상품 정보를 추출함으로써 소비자 맞춤형 상품 정보 추출의 정확도를 높이고 나아가 판매율 향상 효과를 기대할 수 있다.According to Equation 3, a larger value of the consumer verification data may mean that the consumer information has been collected by multiple people, and the product information recommendation unit 130 may calculate the consumer verification data to a predetermined value, for example, 10 or less. In some cases, by extracting consumer-customized product information, the accuracy of extracting consumer-customized product information can be improved and the sales rate improvement effect can be expected.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.Although embodiments of the present invention have been described above with reference to the attached drawings, those skilled in the art will understand that the present invention can be implemented in other specific forms without changing its technical idea or essential features. You will be able to understand it. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive.
1: 온라인 판매 시스템
100: 제어 서버
200: 이동 단말1: Online sales system
100: control server
200: mobile terminal
Claims (3)
상기 제어 서버는,
판매자가 소지하고 있는 이동 단말을 통해 판매자로부터 제품명, 가격, 이미지, 원산지, 제품 기능, 제품 특징, 제품 크기 및 제품 출시일을 포함하는 상품 정보를 수신하여 저장하는 상품 정보 수집부;
전자상거래 플랫폼으로부터 상품 판매량 데이터를 수집하고, 상품 판매량 데이터에 따라 복수의 상품 정보를 정렬하여 전자상거래 플랫폼의 메인 페이지에 출력하는 상품 정보 분석부;
전자상거래 플랫폼으로부터 나이, 거주 지역, 성별 및 제품 구매 이력을 포함하는 소비자 정보를 수집하고, 인공지능 신경망을 이용하여 소비자 정보를 분석하여 상기 소비자 정보와 연관되는 적어도 하나 이상의 상품 정보를 맞춤형 상품 정보로 추출하고, 추출한 맞춤형 상품 정보를 전자상거래 플랫폼의 메인 페이지에 팝업 메시지 형태로 출력하는 상품 정보 추천부;를 포함하고,
상기 상품 정보 수집부는,
인공지능 신경망을 이용하여 상품 정보에 포함되는 키워드와 연관되는 추가 키워드를 추출하고, 추출한 키워드가 추가된 상품 정보의 검증 데이터가 아래 수학식 1을 만족하는지 여부를 통해 키워드가 추가된 상품 정보를 검증하고, 키워드가 추가된 상품 정보가 수학식 1을 만족하는 경우, 키워드가 추가된 상품 정보를 상세페이지에 개시하고, 키워드가 추가된 상품 정보가 수학식 1을 만족하지 않는 경우, 판매자로부터 수신하는 상품 정보를 상세페이지에 개시하고,
[수학식 1]
(수학식 1에서 kv는 키워드가 추가된 상품 정보의 검증 데이터, 은 키워드가 추가된 상품 정보의 키워드 개수, 은 키워드가 추가된 상품 정보에 포함되는 키워드들의 단어 개수의 평균, 은 키워드가 추가된 상품 정보가 상세 페이지에서 차지하는 면적, 은 판매자로부터 수신하는 상품 정보의 키워드 개수, 은 판매자로부터 수신하는 상품 정보에 포함되는 키워드들의 단어 개수의 평균, 은 판매자로부터 수신하는 상품 정보가 상세 페이지에서 차지하는 면적, P는 키워드가 추가된 상품 정보가 가독성이 있는지 여부를 결정하는 검증 인자를 의미함.)
상기 상품 정보 분석부는,
전체 상품 판매량이 소정 판매량 이하인 경우, 판매자로부터 수신하는 상품 정보를 아래 수학식 2에 적용하여 상품 정보 점수를 산출하고, 상품 정보 점수에 따라 복수의 상품 정보를 정렬하여 전자상거래 플랫폼의 메인 페이지에 출력하는, 온라인 판매 시스템.
[수학식 2]
(수학식 2에서 Si는 상품 정보 i의 상품 정보 점수, pi는 상품 정보 i의 가격, ps는 상품 정보 i의 세일 가격, di는 상품 정보 i의 제품 출시일로부터 경과 일수, vi는 상품 정보 i의 제품 설명 이미지 개수, Ri(x)는 상품 정보 i가 MD 추천 상품인 경우 1, MD 추천 상품이 아닌 경우 0, n은 상품 정보 i와 동일한 카테고리로 분류되는 상품 정보의 개수, Rn(x)는 상품 정보 n이 MD 추천 상품인 경우 1, MD 추천 상품이 아닌 경우 0으로 정의되고, 는 보정 계수로 100으로 정의됨.)
It includes a control server that creates and provides a detail page containing product information on the e-commerce platform,
The control server is,
A product information collection unit that receives and stores product information including product name, price, image, country of origin, product function, product characteristics, product size, and product release date from the seller through a mobile terminal owned by the seller;
a product information analysis unit that collects product sales data from the e-commerce platform, sorts a plurality of product information according to the product sales data, and outputs it on the main page of the e-commerce platform;
Consumer information including age, region of residence, gender, and product purchase history is collected from the e-commerce platform, and the consumer information is analyzed using an artificial intelligence neural network to convert at least one product information related to the consumer information into customized product information. A product information recommendation unit that extracts and outputs the extracted customized product information in the form of a pop-up message on the main page of the e-commerce platform;
The product information collection department,
Using an artificial intelligence neural network, additional keywords related to the keywords included in the product information are extracted, and the product information to which the keywords have been added is verified through whether the verification data of the product information to which the extracted keywords have been added satisfies Equation 1 below. And, if the product information with the keyword added satisfies Equation 1, the product information with the keyword added is disclosed on the detail page, and if the product information with the keyword added does not satisfy Equation 1, the product information received from the seller is Disclose product information on the detail page,
[Equation 1]
(In Equation 1, k v is verification data of product information to which keywords have been added, is the number of keywords in product information to which keywords have been added, is the average number of words of keywords included in product information to which keywords have been added, The area occupied by product information with added keywords on the detail page, is the number of keywords in product information received from the seller, is the average number of words of keywords included in product information received from the seller, is the area that the product information received from the seller occupies on the detail page, and P refers to the verification factor that determines whether the product information with added keywords is readable.)
The product information analysis department,
If the total product sales volume is less than the predetermined sales volume, the product information received from the seller is applied to Equation 2 below to calculate the product information score, and multiple product information is sorted according to the product information score and output on the main page of the e-commerce platform. An online sales system.
[Equation 2]
(In Equation 2, S i is the product information score of product information i, p i is the price of product information i, p s is the sale price of product information i, d i is the number of days elapsed from the product release date of product information i, v i is the number of product description images of product information i, R i (x) is 1 if product information i is an MD recommended product, 0 if it is not an MD recommended product, and n is the number of product information classified into the same category as product information i. , R n (x) is defined as 1 if product information n is an MD recommended product, and 0 if it is not an MD recommended product. is the correction factor, defined as 100.)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230190286A KR102659929B1 (en) | 2023-12-22 | 2023-12-22 | System for online sale |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230190286A KR102659929B1 (en) | 2023-12-22 | 2023-12-22 | System for online sale |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102659929B1 true KR102659929B1 (en) | 2024-04-23 |
Family
ID=90880772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230190286A KR102659929B1 (en) | 2023-12-22 | 2023-12-22 | System for online sale |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102659929B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102309373B1 (en) * | 2019-05-02 | 2021-10-07 | 주식회사 아이클레이브 | System for building the contents automatically for planning sales and method therefor |
| KR20230029564A (en) * | 2021-08-24 | 2023-03-03 | 주식회사 아이클레이브 | Method and apparatus for generating a commercial design based on image learning model |
-
2023
- 2023-12-22 KR KR1020230190286A patent/KR102659929B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102309373B1 (en) * | 2019-05-02 | 2021-10-07 | 주식회사 아이클레이브 | System for building the contents automatically for planning sales and method therefor |
| KR20230029564A (en) * | 2021-08-24 | 2023-03-03 | 주식회사 아이클레이브 | Method and apparatus for generating a commercial design based on image learning model |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797321B (en) | Personalized knowledge recommendation method and system for different scenes | |
| Jiang et al. | Maximizing customer satisfaction through an online recommendation system: A novel associative classification model | |
| CN110263257B (en) | Deep learning based recommendation method for processing multi-source heterogeneous data | |
| CN110956497A (en) | Method for predicting repeated purchasing behavior of user of electronic commerce platform | |
| Sasikala et al. | Sentiment analysis of online product reviews using DLMNN and future prediction of online product using IANFIS | |
| CN110717098A (en) | Meta-path-based context-aware user modeling method and sequence recommendation method | |
| CN109145245A (en) | Predict method, apparatus, computer equipment and the storage medium of clicking rate | |
| CN111008336A (en) | Content recommendation method, device and equipment and readable storage medium | |
| CN111949885B (en) | Personalized recommendation method for scenic spots | |
| Alshmrany | Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model | |
| CN106951471A (en) | A kind of construction method of the label prediction of the development trend model based on SVM | |
| Navgaran et al. | Evolutionary based matrix factorization method for collaborative filtering systems | |
| CN111949887A (en) | Item recommendation method and device and computer-readable storage medium | |
| CN111429161B (en) | Feature extraction method, feature extraction device, storage medium and electronic equipment | |
| CN111666496A (en) | Group recommendation method based on comment text | |
| CN112364236A (en) | Target object recommendation system, method and device, and data processing method and device | |
| CN113672797A (en) | Content recommendation method and device | |
| KR102592129B1 (en) | system for recommending clothing based on artificial intelligence | |
| CN116205700A (en) | Recommendation method and device for target product, computer equipment and storage medium | |
| Kothamasu et al. | Sentiment analysis on twitter data based on spider monkey optimization and deep learning for future prediction of the brands | |
| Kim et al. | The method for generating recommended candidates through prediction of multi-criteria ratings using cnn-bilstm | |
| CN116340643B (en) | Object recommendation adjustment method and device, storage medium and electronic equipment | |
| KR102659929B1 (en) | System for online sale | |
| CN115631008B (en) | Commodity recommendation method, device, equipment and medium | |
| KR102643108B1 (en) | Good exposure system based on keyword analyzing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |