KR102662214B1

KR102662214B1 - 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법

Info

Publication number: KR102662214B1
Application number: KR1020230128792A
Authority: KR
Inventors: 박용세
Original assignee: 박용세
Priority date: 2023-09-26
Filing date: 2023-09-26
Publication date: 2024-04-29

Abstract

사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법이 개시된다. 본 발명의 실시예에 따른 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법은, 사용자 단말로부터 사용자 개인 정보를 수신하고, 사용자 개인 정보가 포함하는 사용자의 얼굴 색에 대응하는 쥬얼리 제품의 제1 색을 산출하며, 사용자 개인 정보가 포함하는 사용자의 얼굴 길이에 비례하는 쥬얼리 제품의 제1 길이를 산출하고, 사용자 개인 정보가 포함하는 사용자의 얼굴 크기에 비례하는 쥬얼리 제품의 제1 크기를 산출하며, 제1 색, 제1 길이 및 제1 크기를 이용하여 추천 쥬얼리 정보를 형성하고, 추천 쥬얼리 정보를 사용자 단말로 전송한다.

Description

사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법{METHOD FOR RECOMMEND JEWERLY PRODUCTS CONTAINING PEARLS BASED ON THE USER'S PERSONAL PREFERENCES}

아래 실시예들은 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법에 관한 것이다.

실시예들과 관련된 배경기술로, 대한민국 등록특허공보 KR 10-2178767 B1은 패션스타일링-색조화장품 매칭시스템을 개시한다. 구체적으로, 선행문헌은 패션이미지컨셉과 화장품 이미지컨셉 간의 상관관계 분석을 통해 패션스타일링 개체와 색조화장품 아이템 개체의 매칭정보가 상품추천 개인화정보로 제공되는 패션스타일링-색조화장품 매칭시스템을 개시한다.

이를 통해, 선행문헌은 개인의 화장품 구매과정이 합리화되고, 종래와 달리 화장품의 직접 테스트와 시연이 불필요해지면서 구매과정에서 위생성이 확보되며, 사용자의 구매 편의성이 향상되는 효과가 있다. 그리고 본 발명에 의한 패션스타일링-색조화장품 매칭시스템에 의하면, 사용자 개인 측 면에서 코스메틱을 포괄하는 확장된 개인맞춤식 토탈 코디네이션을 비용의 부담없이 간편하고 용이하게 제공받을 수 있게 되며, 패션/화장품/코스메틱 사업주체 측면에서 컬러마케팅이 관여된 융합비지니스와 새로운 비즈니스모델의 구현과 확대가 가능해지는 효과가 있다.

또한, 대한민국 등록특허공보 KR 10-1315452 B1은 이동 단말기를 이용한 쇼핑정보 제공방법 및 이동 단말기를 이용하여 쇼핑정보를 제공하는 사 용자 인터페이스를 개시한다. 구체적으로, 선행문헌은 무선 통신부를 이용하여, 쇼핑정보를 수신하는 단계, 디스플레이 부에 출력되는 제1 홈 스크린 페이지 상에 상기 쇼핑정보의 적어도 일부에 대응되는 제1 쇼핑정보를 표시하는 단 계, 상기 디스플레이부에 대한 터치입력의 방식에 따라, 상기 제1 쇼핑정보 중 적어도 일부에 대응하는 상세정보 를 출력하거나, 상기 디스플레이부에 출력된 상기 제1 홈 스크린 페이지를 상기 제1 홈 스크린 페이지와 다른 제 2 홈 스크린 페이지로 전환하고, 상기 제2 홈 스크린 페이지에 상기 제2 홈 스크린 페이지 상에 사용자 설정정보 및 상기 쇼핑정보의 적어도 일부에 대응되고 상기 제1 쇼핑정보와 다른 제2 쇼핑정보 중 어느 하나를 출력하는 단계를 포함하는 시스템을 개시한다.

이를 통해, 선행문헌은 외부서버로부터 수신되는 쇼핑정보를 홈 스크린 페이지 상에 쇼핑정보를 제공할 수 있다. 따라서, 사용자는 쇼핑정보를 이용하기 위하여 별도의 애플리케이션을 실행하거나 인터넷에 접속하는 등의 번거로움을 줄일 수 있는 효과가 있다.

그러나 선행문헌들은 사용자 단말로부터 사용자 개인 정보를 수신하고, 사용자 개인 정보가 포함하는 사용자의 얼굴 색에 대응하는 쥬얼리 제품의 제1 색을 산출하며, 사용자 개인 정보가 포함하는 사용자의 얼굴 길이에 비례하는 쥬얼리 제품의 제1 길이를 산출하고, 사용자 개인 정보가 포함하는 사용자의 얼굴 크기에 비례하는 쥬얼리 제품의 제1 크기를 산출하며, 제1 색, 제1 길이 및 제1 크기를 이용하여 추천 쥬얼리 정보를 형성하고, 추천 쥬얼리 정보를 상기 사용자 단말로 전송하는 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법을 개시하지 않는다.

대한민국 등록특허공보 KR 10-2178767 B1 대한민국 등록특허공보 KR 10-1315452 B1

실시예들은 사용자 개인 정보에 맞는 쥬얼리 제품을 추천하는 방법을 제공하고자 한다.

실시예들은 사용자 이미지와 추천 쥬얼리 이미지를 합성하여 사용자에게 제공하고자 한다.

실시예들은 쥬얼리 제품을 체결하는 방식을 개인화된 사용자 정보에 맞게 추천하는 방법을 제공하고자 한다.

본 발명의 실시예에 따른 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법은, 사용자 단말로부터 사용자 개인 정보를 수신하는 단계; 상기 사용자 개인 정보가 포함하는 사용자의 얼굴 색에 대응하는 쥬얼리 제품의 제1 색을 산출하는 단계; 상기 사용자 개인 정보가 포함하는 사용자의 얼굴 길이에 비례하는 상기 쥬얼리 제품의 제1 길이를 산출하는 단계; 상기 사용자 개인 정보가 포함하는 사용자의 얼굴 크기에 비례하는 상기 쥬얼리 제품의 제1 크기를 산출하는 단계; 상기 제1 색, 상기 제1 길이 및 상기 제1 크기를 이용하여 추천 쥬얼리 정보를 형성하는 단계; 및 상기 추천 쥬얼리 정보를 상기 사용자 단말로 전송하는 단계를 포함할 수 있다.

일 실시예로서, 상기 사용자 단말로부터 사용자 이미지 - 상기 사용자 이미지는 사용자의 목 이미지를 포함함 - 를 수신하는 단계; 상기 사용자 이미지로부터 상기 사용자의 목 이미지를 추출하는 단계; 상기 추천 쥬얼리 정보를 추천 쥬얼리 이미지로 형성하는 단계; 상기 사용자의 목 이미지와 상기 추천 쥬얼리 이미지를 합성하여 제1 합성 이미지를 형성하는 단계; 상기 추천 쥬얼리 이미지의 채도를 제1 임계값 범위 이내에서 조정하고, 상기 사용자의 목 이미지와 합성하여 다수의 제2 합성 이미지를 형성하는 단계; 상기 추천 쥬얼리 이미지의 명도를 제2 임계값 범위 이내에서 조정하고, 상기 사용자의 목 이미지와 합성하여 다수의 제3 합성 이미지를 형성하는 단계; 상기 추천 쥬얼리 이미지의 색상을 미리 설정된 다수의 색상으로 조정하고, 상기 사용자의 목 이미지와 합성하여 다수의 제4 합성 이미지를 형성하는 단계; 및 상기 제1 내지 제4 합성 이미지를 상기 사용자 단말로 전송하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 추천 쥬얼리 정보를 형성하는 단계는, 상기 사용자 개인 정보를 이용하여 사용자 개인 성향을 추출하는 단계; 상기 사용자 개인 성향을 이용하여 상기 추천 쥬얼리 정보가 포함하는 추천 쥬얼리 제품의 체결 방식을 추출하는 단계; 상기 추천 쥬얼리 제품의 체결 방식을 쥬얼리 체결 동영상으로 형성하는 단계; 및 상기 쥬얼리 체결 동영상을 상기 사용자 단말로 전송하는 단계를 포함할 수 있다.

일 실시예로서, 상기 사용자 개인 성향을 추출하는 단계는, 상기 사용자 개인 정보가 포함하는 사용자의 SNS 링크 정보를 이용하여 상기 사용자의 SNS 게시글을 텍스트로 추출하여 텍스트 정보를 형성하는 단계; 상기 텍스트 정보에 대해 자연 언어 처리를 수행하여 다수의 출현 단어를 추출하는 단계; 상기 다수의 출현 단어 중 출현 빈도가 제3 임계값 이상인 최상 빈출 단어를 추출하는 단계; 및 상기 최상 빈출 단어를 이용하여 상기 사용자 개인 성향을 분류하는 단계를 포함할 수 있다.

일 실시예로서, 상기 추천 쥬얼리 정보를 형성하는 단계는, 상기 제1 색을 이용하여 미리 설정된 다수의 색상으로 조정하여 추천 색 조합을 생성하는 단계; 상기 제1 길이를 제4 임계값까지 0.1cm씩 증가시키거나 제5 임계값까지 0.1cm씩 감소시키면서 추천 길이 조합을 생성하는 단계; 상기 제1 크기를 제6 임계값까지 0.1mm씩 증가시키거나 제7 임계값까지 0.1mm씩 감소시키면서 추천 크기 조합을 생성하는 단계; 및 상기 추천 색 조합, 상기 추천 길이 조합 및 상기 추천 크기 조합을 임의로 조합하여 상기 추천 쥬얼리 정보를 형성하는 단계를 포함할 수 있다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 사용자 개인 정보에 맞는 쥬얼리 제품을 추천하여 사용자 만족도를 향상시킬 수 있고, 사용자의 쥬얼리 제품 구매 가능성을 높일 수 있다. 또한, 사용자의 SNS 게시글을 분석하여 사용자 개인 성향을 분석함으로써 사용자 분석의 정확도를 극대화할 수 있다.

도 1은 일실시예에 따른 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템을 나타낸 도면이다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법의 흐름도이다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템을 나타낸 도면이다.

도 1에 도시한 바와 같이, 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템(100)은, 다수의 사용자 단말(110-1, …, 110-n), 서버(120) 및 데이터베이스(130)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망을 포함할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(110-1, …, 110-n), 서버(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다.

서버(120)는, 사용자 단말로부터 사용자 개인 정보를 수신할 수 있다. 일 실시예에 따르면, 서버(120)는 다수의 사용자 단말(110-1, …, 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 사용자 개인 정보를 수신할 수 있다. 예를 들어, 사용자 개인 정보는, 사용자의 얼굴 색 정보, 사용자의 얼굴 길이 정보, 사용자의 얼굴 크기 정보, 사용자의 SNS(Social Network Service) 링크(link) 정보 등을 포함할 수 있지만, 이에 한정되지 않는다.

서버(120)는, 사용자 개인 정보가 포함하는 사용자의 얼굴 색에 대응하는 쥬얼리 제품의 제1 색을 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 얼굴 색을 데이터베이스(130)에 저장된 색상표와 비교하여 사용자의 얼굴 색을 추출하고, 추출된 사용자의 얼굴 색과 동일한 색상으로 제1 색을 산출하거나 추출된 사용자의 얼굴 색과 보색 관계에 있는 색상으로 제1 색을 산출할 수도 있다. 여기서, 쥬얼리 제품은 진주를 포함하는 목걸이, 귀걸이, 반지 등을 포함할 수 있지만, 이에 한정되지 않는다.

서버(120)는, 사용자 개인 정보가 포함하는 사용자의 얼굴 길이에 비례하는 쥬얼리 제품의 제1 길이를 산출할 수 있다. 참고도 1에 도시한 바와 같이, 서버(120)는 사용자의 양 눈썹을 연결한 선분의 중점(a)과 헤어 라인(hair line)이 만나는 교점(b)으로부터 사용자의 턱(c)까지의 길이를 사용자의 얼굴 길이(bc)로 산출하고, 사용자의 얼굴 길이(bc)를 지름으로 하는 원의 둘레 길이를 쥬얼리 제품의 제1 길이로 산출할 수 있다.

[참고도 1]

서버(120)는, 사용자 개인 정보가 포함하는 사용자의 얼굴 크기에 비례하는 쥬얼리 제품의 제1 크기를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 양 눈썹을 연결한 선분의 중점(a)과 헤어 라인(hair line)이 만나는 교점(b)으로부터 사용자의 턱(c)까지의 길이를 사용자의 얼굴 길이(bc)로 산출하고, 사용자의 얼굴 길이(bc)를 지름으로 하는 원을 미리 설정된 값(예를 들어, 1/10, 1/12, 1/15, 1/20 등)으로 축소된 크기를 쥬얼리 제품의 제1 크기로 산출할 수 있다.

서버(120)는, 제1 색, 제1 길이 및 제1 크기를 이용하여 추천 쥬얼리 정보를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 쥬얼리 제품의 펜던트 색깔이 제1 색을 갖고, 쥬얼리 제품을 체결하지 않은 상태에서의 길이가 제1 길이를 가지며, 쥬얼리 제품의 펜던트 크기가 제1 크기를 갖도록 추천 쥬얼리 정보를 형성할 수 있다.

서버(120)는, 추천 쥬얼리 정보를 사용자 단말로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 형성된 추천 쥬얼리 정보를 네트워크(N)를 통하여 사용자 개인 정보가 수신된 사용자 단말(110-1)로 전송할 수 있다.

또한 서버(120)는, 사용자 단말로부터 사용자 이미지 - 사용자 이미지는 사용자의 목 이미지를 포함함 - 를 수신할 수 있다. 일 실시예에 따르면, 서버(120)는 네트워크(N)를 통하여 사용자 단말(110-1)로부터 사용자 이미지를 수신할 수 있다. 예를 들어, 사용자 이미지는 사용자의 얼굴 이미지 및 목 이미지를 포함하는 가슴 위쪽의 이미지를 나타낼 수 있다.

서버(120)는, 사용자 이미지로부터 사용자의 목 이미지를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자 단말(110-1)로부터 수신된 사용자 이미지로부터 사용자의 목 부분 이미지만을 추출 할 수 있다.

서버(120)는, 추천 쥬얼리 정보를 추천 쥬얼리 이미지로 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 색, 제1 길이 및 제1 크기를 이용하여 형성된 추천 쥬얼리 정보를 추천 쥬얼리 이미지로 형성할 수 있다.

서버(120)는, 사용자의 목 이미지와 추천 쥬얼리 이미지를 합성하여 제1 합성 이미지를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 목 이미지와 추천 쥬얼리 이미지를 합성하여 참고도 2와 같은 형태로 제1 합성 이미지를 형성할 수 있다.

[참고도 2]

서버(120)는, 추천 쥬얼리 이미지의 채도를 제1 임계값 범위 이내에서 조정하고, 사용자의 목 이미지와 합성하여 다수의 제2 합성 이미지를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 추천 쥬얼리 이미지의 채도를 100% 상한까지 5%씩 증가시키거나, 추천 쥬얼리 이미지의 채도를 -100% 하한까지 5%씩 감소시키면서 사용자의 목 이미지와 합성하여 다수의 제2 합성 이미지를 형성할 수 있다.

서버(120)는, 추천 쥬얼리 이미지의 명도를 제2 임계값 범위 이내에서 조정하고, 사용자의 목 이미지와 합성하여 다수의 제3 합성 이미지를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 추천 쥬얼리 이미지의 명도를 100% 상한까지 10%씩 증가시키거나, 추천 쥬얼리 이미지의 명도를 -100% 하한까지 10%씩 감소시키면서 사용자의 목 이미지와 합성하여 다수의 제3 합성 이미지를 형성할 수 있다.

서버(120)는, 추천 쥬얼리 이미지의 색상을 미리 설정된 다수의 색상으로 조정하고, 사용자의 목 이미지와 합성하여 다수의 제4 합성 이미지를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 추천 쥬얼리 이미지의 색상을 미리 설정된 다수의 색상(예를 들어, 판매자가 판매 가능할 쥬얼리 제품의 색상)으로 조정하고, 사용자의 목 이미지와 합성하여 다수의 제4 합성 이미지를 형성할 수 있다.

서버(120)는, 제1 내지 제4 합성 이미지를 사용자 단말로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 형성된 제1 내지 제4 합성 이미지를 네트워크(N)를 통하여 사용자 단말(110-1)로 전송할 수 있다.

또한 서버(120)는, 추천 쥬얼리 정보를 형성하는 경우, 사용자 개인 정보를 이용하여 사용자 개인 성향을 추출할 수 있다. 사용자 개인 정보를 이용한 사용자 개인 성향 추출 방법에 대해서는 후술하도록 한다.

서버(120)는, 사용자 개인 성향을 이용하여 추천 쥬얼리 정보가 포함하는 추천 쥬얼리 제품의 체결 방식을 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자 개인 성향이 편안함을 추구하는 성향인 경우 편안함 우선 체결 방식을 추출하고, 사용자 개인 성향이 편리성을 추구하는 성향인 경우 편리성 우선 체결 방식을 추출하며, 사용자 개인 성향이 정확성을 추구하는 성향인 경우 체결성 우선 체결 방식을 추출할 수 있다.

서버(120)는, 추천 쥬얼리 제품의 체결 방식을 쥬얼리 체결 동영상으로 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 추출된 추천 쥬얼리 제품의 체결 방식을 사용자가 용이하게 확인할 수 있도록 데이터베이스(130)에 저장된 동영상을 인출하여 쥬얼리 체결 동영상(편안함 우선 체결 방식, 편리성 우선 체결 방식, 체결성 우선 체결 방식 등)으로 형성할 수 있다.

서버(120)는, 쥬얼리 체결 동영상을 사용자 단말로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 형성된 쥬얼리 체결 동영상을 네트워크(N)를 통하여 사용자 단말(110-1)로 전송할 수 있다.

또한 서버(120)는, 사용자 개인 성향을 추출하는 경우, 사용자 개인 정보가 포함하는 사용자의 SNS 링크 정보를 이용하여 사용자의 SNS 게시글을 텍스트로 추출하여 텍스트 정보를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 스크래핑(scraping) 기법을 활용하여 사용자의 SNS 계정에 게시된 SNS 게시글을 텍스트로 추출하여 텍스트 정보를 형성할 수 있다.

서버(120)는, 텍스트 정보에 대해 자연 언어 처리를 수행하여 다수의 출현 단어를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 문장 분리, 띄어쓰기 교정, 철자 교정, 약어 확장 및 기호 제거 절차를 통하여 텍스트 정보에 대한 자연 언어 처리를 수행할 수 있다. 예를 들어, 서버(120)는, 텍스트 정보가 포함하는 모든 어절을 추출하고, 추출된 어절에 대하여 문장 종결 기호를 제거하며, 추출된 어절 중 연속하는 두 어절이 서로 다른 문장으로 분리될 수 있는 문장 분리 확률을 계산하고, 문장 분리 확률과 미리 결정된 기준 확률을 비교하며, 문장 분리 확률이 미리 결정된 기준 확률 이상인 경우, 연속하는 두 어절을 서로 다른 문장으로 분리할 수 있다. 또한, 서버(120)는, 텍스트 정보가 포함하는 각 문장에서 모든 문장 부호를 제거하고, 추출된 어절의 각각이 미리 결정된 말뭉치에 포함되어 있는지 확인하며, 추출된 어절의 각각이 미리 결정된 말뭉치에 포함되어 있는 경우 어절의 철자를 교정하지 않고, 추출된 어절의 각각이 말뭉치에 포함되어 있지 않은 경우 말뭉치에 포함되어 있지 않은 교정 대상 어절을 교정 후보 어절로 교정할 수 있다. 아울러, 서버(120)는, 추출된 어절의 각각이 미리 결정된 시소러스(Thesaurus)-서로 다른 어절 간의 유의어 또는 반의어 관계를 나타내는 사전-에 포함되어 있는지 확인하고, 추출된 어절의 각각이 시소러스에 포함되어 있지 않은 경우 어절의 변경을 수행하지 않고, 추출된 어절의 각각이 시소러스에 포함되어 있는 경우 어절을 시소러스에 포함된 약어 확장 어절로 변경할 수 있다. 또한, 서버(120)는, 추출된 어절의 각각이 의존소 및 지배소로 분류될 확률을 각각 산출하고, 의존소로 분류될 확률과 지배소로 분류될 확률을 서로 비교하여, 의존소로 분류될 확률이 지배소로 분류될 확률보다 높을 경우 추출된 어절을 의존소로 분류하고, 지배소로 분류될 확률이 의존소로 분류될 확률보다 높을 경우 추출된 어절을 지배소로 각각 분류할 수 있다.

서버(120)는, 다수의 출현 단어 중 출현 빈도가 제3 임계값 이상인 최상 빈출 단어를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 텍스트 정보로부터 추출된 다수의 출현 단어 중 출현 빈도가 제3 임계값(예를 들어, 10회, 50회, 100회 등) 이상인 단어를 최상 빈출 단어로 추출할 수 있다.

서버(120)는, 최상 빈출 단어를 이용하여 사용자 개인 성향을 분류할 수 있다. 일 실시예에 따르면, 서버(120)는 “편안함”이라는 단어가 최상 빈출 단어로 추출된 경우 사용자 개인 성향을 편안함을 추구하는 성향으로 분류하고, “편리함”이라는 단어가 최상 빈출 단어로 추출된 경우 사용자 개인 성향을 편리성을 추구하는 성향으로 분류하며, “정확함”이라는 단어가 최상 빈출 단어로 추출된 경우 사용자 개인 성향을 정확성을 추구하는 성향으로 분류할 수 있다.

또한 서버(120)는, 추천 쥬얼리 정보를 형성하는 경우, 제1 색을 이용하여 미리 설정된 다수의 색상으로 조정하여 추천 색 조합을 생성할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 얼굴 색에 대응하여 산출된 제1 색을 이용하여 제1 색과 동일한 색상, 제1 색과 보색 관계에 있는 색상, 제1 색에 RGB 색상을 각각 10%씩 합성한 색상 등으로 다수의 색상으로 조정하여 추천 색 조합을 생성할 수 있다.

서버(120)는, 제1 길이를 제4 임계값까지 0.1cm씩 증가시키거나 제5 임계값까지 0.1cm씩 감소시키면서 추천 길이 조합을 생성할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 얼굴 길이에 비례하여 산출된 제1 길이를 제4 임계값(예를 들어, 제1 길이의 3/2)까지 0.1cm씩 증가시키거나 제5 임계값(예를 들어, 제1 길이의 1/2)까지 0.1cm씩 감소시키면서 추천 길이 조합을 생성할 수 있다.

서버(120)는, 제1 크기를 제6 임계값까지 0.1mm씩 증가시키거나 제7 임계값까지 0.1mm씩 감소시키면서 추천 크기 조합을 생성할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 얼굴 크기에 비례하여 산출된 제1 크기를 제6 임계값(예를 들어, 제1 크기의 2배)까지 0.1mm씩 증가시키거나 제7 임계값(예를 들어, 제1 크기의 1/2)까지 0.1mm씩 감소시키면서 추천 크기 조합을 생성할 수 있다.

서버(120)는, 추천 색 조합, 추천 길이 조합 및 추천 크기 조합을 임의로 조합하여 추천 쥬얼리 정보를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 추천 색 조합에서 임의의 하나의 색을 추출하고, 추천 길이 조합에서 임의의 하나의 길이를 추출하며, 추천 크기 조합에서 임의의 하나의 크기를 추출하여 하나의 추천 쥬얼리 정보를 형성할 수 있다. 따라서, 추천 색 조합의 개수가 10개, 추천 길이 조합의 개수가 50개, 추천 크기 조합의 개수가 50개인 경우 추천 쥬얼리 정보는 25000개(10*50*50)가 형성할 수 있다.

데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용자 단말(110-1, …, 110-n), 서버(120), 데이터베이스(130)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 사용자 단말(110-1, …, 110-n)로부터 수신된 사용자 개인 정보, 사용자 이미지, 서버(120)에서 산출된 제1 색, 제1 길이, 제1 크기, 추천 쥬얼리 정보, 제1 내지 제4 합성 이미지, 사용자 개인 성향, 쥬얼리 체결 동영상 등을 저장할 수 있다.

네트워크(N)는, 다수의 사용자 단말(110-1, …, 110-n), 서버(120), 데이터베이스(130) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크(N)는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크(N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.

도 2에 도시한 바와 같이, 서버(120)는 하나 이상의 프로세서(122), 하나 이상의 메모리(124) 및/또는 송수신기(126)를 포함할 수 있다. 일 실시예로서, 서버(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 서버(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 서버(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.

하나 이상의 프로세서(122)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(122)에 연결된 서버(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(122)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(122)는 데이터 등을 하나 이상의 메모리(124)로부터 로드하거나, 하나 이상의 메모리(124)에 저장할 수 있다.

하나 이상의 프로세서(122)는, 사용자 단말로부터 사용자 개인 정보를 수신할 수 있다. 일 실시예에 따르면, 프로세서(122)는 다수의 사용자 단말(110-1, …, 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 사용자 개인 정보를 수신할 수 있다. 예를 들어, 사용자 개인 정보는, 사용자의 얼굴 색 정보, 사용자의 얼굴 길이 정보, 사용자의 얼굴 크기 정보, 사용자의 SNS(Social Network Service) 링크(link) 정보 등을 포함할 수 있지만, 이에 한정되지 않는다.

하나 이상의 프로세서(122)는, 사용자 개인 정보가 포함하는 사용자의 얼굴 색에 대응하는 쥬얼리 제품의 제1 색을 산출할 수 있다. 일 실시예에 따르면, 프로세서(122)는 사용자의 얼굴 색을 데이터베이스(130)에 저장된 색상표와 비교하여 사용자의 얼굴 색을 추출하고, 추출된 사용자의 얼굴 색과 동일한 색상으로 제1 색을 산출하거나 추출된 사용자의 얼굴 색과 보색 관계에 있는 색상으로 제1 색을 산출할 수도 있다.

하나 이상의 프로세서(122)는, 사용자 개인 정보가 포함하는 사용자의 얼굴 길이에 비례하는 쥬얼리 제품의 제1 길이를 산출할 수 있다. 참고도 1에 도시한 바와 같이, 프로세서(122)는 사용자의 양 눈썹을 연결한 선분의 중점(a)과 헤어 라인(hair line)이 만나는 교점(b)으로부터 사용자의 턱(c)까지의 길이를 사용자의 얼굴 길이(bc)로 산출하고, 사용자의 얼굴 길이(bc)를 지름으로 하는 원의 둘레 길이를 쥬얼리 제품의 제1 길이로 산출할 수 있다.

하나 이상의 프로세서(122)는, 사용자 개인 정보가 포함하는 사용자의 얼굴 크기에 비례하는 쥬얼리 제품의 제1 크기를 산출할 수 있다. 일 실시예에 따르면, 프로세서(122)는 사용자의 양 눈썹을 연결한 선분의 중점(a)과 헤어 라인(hair line)이 만나는 교점(b)으로부터 사용자의 턱(c)까지의 길이를 사용자의 얼굴 길이(bc)로 산출하고, 사용자의 얼굴 길이(bc)를 지름으로 하는 원을 미리 설정된 값(예를 들어, 1/10, 1/12, 1/15, 1/20 등)으로 축소된 크기를 쥬얼리 제품의 제1 크기로 산출할 수 있다.

하나 이상의 프로세서(122)는, 제1 색, 제1 길이 및 제1 크기를 이용하여 추천 쥬얼리 정보를 형성할 수 있다. 일 실시예에 따르면, 프로세서(122)는 쥬얼리 제품의 펜던트 색깔이 제1 색을 갖고, 쥬얼리 제품을 체결하지 않은 상태에서의 길이가 제1 길이를 가지며, 쥬얼리 제품의 펜던트 크기가 제1 크기를 갖도록 추천 쥬얼리 정보를 형성할 수 있다.

하나 이상의 프로세서(122)는, 추천 쥬얼리 정보를 사용자 단말로 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 형성된 추천 쥬얼리 정보를 송수신기(126)를 통하여 사용자 개인 정보가 수신된 사용자 단말(110-1)로 전송할 수 있다.

하나 이상의 메모리(124)는 다양한 데이터를 저장할 수 있다. 메모리(124)에 저장되는 데이터는, 서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(124)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(124)에 저장되는 소프트웨어로서, 서버(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 서버(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.

하나 이상의 메모리(124)는 상술한 사용자 단말(110-1, …, 110-n)로부터 수신된 사용자 개인 정보, 사용자 이미지, 프로세서(122)에서 산출된 제1 색, 제1 길이, 제1 크기, 추천 쥬얼리 정보, 제1 내지 제4 합성 이미지, 사용자 개인 성향, 쥬얼리 체결 동영상 등을 저장할 수 있다.

일 실시예로서, 서버(120)는 송수신기(126)를 더 포함할 수 있다. 송수신기(126)는, 다수의 사용자 단말(110-1, …, 110-n), 서버(120), 데이터베이스(130) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.

일 실시예로서, 하나 이상의 프로세서(122)는 송수신기(126)를 제어하여 다수의 사용자 단말(110-1, …, 110-n), 데이터베이스(130)로부터 정보를 획득할 수 있다. 다수의 사용자 단말(110-1, …, 110-n) 및 데이터베이스(130)로부터 획득된 정보는 하나 이상의 메모리(124)에 저장될 수 있다.

일 실시예로서, 서버(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 서버(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 서버(120)는 전술한 장치들에 한정되지 않는다.

본 발명에 따른 서버(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 서버(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 서버(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 PLC의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.

도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.

도 3에 도시한 바와 같이, 학습 장치는 사용자 개인 정보를 이용하여 사용자 개인 성향을 추출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 서버(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.

뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 제1 레이블들은 사용자 개인 정보에 기초하여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일 실시예에 따르면, 학습 장치는 사용자 개인 정보에 대응하는 사용자 개인 성향인 제1 레이블들을 획득하고, 트레이닝 사용자 개인 정보를 제1 뉴럴 네트워크로 적용하여, 트레이닝 사용자 개인 정보에 대응하는 트레이닝 출력들을 생성하며, 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 사용자 개인 정보의 구성 특징들, 빈도 특징들 및 패턴 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 백테스트 결과 형성 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용하여 트레이닝 사용자 개인 정보에 따른 사용자 개인 성향을 형성할 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 사용자 개인 정보로부터 사용자 개인 성향을 형성할 수 있다.

도 4는 일실시예에 따른 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법의 흐름도이다.

도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.

도 4에 도시한 바와 같이, 단계(S410)에서, 사용자 개인 정보가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템(100)의 서버(120)는 다수의 사용자 단말(110-1, …, 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 사용자 개인 정보를 수신할 수 있다. 예를 들어, 사용자 개인 정보는, 사용자의 얼굴 색 정보, 사용자의 얼굴 길이 정보, 사용자의 얼굴 크기 정보, 사용자의 SNS(Social Network Service) 링크(link) 정보 등을 포함할 수 있지만, 이에 한정되지 않는다.

단계(S420)에서, 제1 색이 산출된다. 예를 들어, 도 1 내지 도 3을 참조하면, 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템(100)의 서버(120)는 사용자 개인 정보가 포함하는 사용자의 얼굴 색에 대응하는 쥬얼리 제품의 제1 색을 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 얼굴 색을 데이터베이스(130)에 저장된 색상표와 비교하여 사용자의 얼굴 색을 추출하고, 추출된 사용자의 얼굴 색과 동일한 색상으로 제1 색을 산출하거나 추출된 사용자의 얼굴 색과 보색 관계에 있는 색상으로 제1 색을 산출할 수도 있다.

단계(S430)에서, 제1 길이가 산출된다. 예를 들어, 도 1 내지 도 3을 참조하면, 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템(100)의 서버(120)는 사용자 개인 정보가 포함하는 사용자의 얼굴 길이에 비례하는 쥬얼리 제품의 제1 길이를 산출할 수 있다. 참고도 1에 도시한 바와 같이, 서버(120)는 사용자의 양 눈썹을 연결한 선분의 중점(a)과 헤어 라인(hair line)이 만나는 교점(b)으로부터 사용자의 턱(c)까지의 길이를 사용자의 얼굴 길이(bc)로 산출하고, 사용자의 얼굴 길이(bc)를 지름으로 하는 원의 둘레 길이를 쥬얼리 제품의 제1 길이로 산출할 수 있다.

단계(S440)에서, 제1 크기가 산출된다. 예를 들어, 도 1 내지 도 3을 참조하면, 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템(100)의 서버(120)는 사용자 개인 정보가 포함하는 사용자의 얼굴 크기에 비례하는 쥬얼리 제품의 제1 크기를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자의 양 눈썹을 연결한 선분의 중점(a)과 헤어 라인(hair line)이 만나는 교점(b)으로부터 사용자의 턱(c)까지의 길이를 사용자의 얼굴 길이(bc)로 산출하고, 사용자의 얼굴 길이(bc)를 지름으로 하는 원을 미리 설정된 값(예를 들어, 1/10, 1/12, 1/15, 1/20 등)으로 축소된 크기를 쥬얼리 제품의 제1 크기로 산출할 수 있다.

단계(S450)에서, 추천 쥬얼리 정보가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템(100)의 서버(120)는 단계 S420에서 산출된 제1 색, 단계 S430에서 산출된 제1 길이 및 단계 S440에서 산출된 제1 크기를 이용하여 추천 쥬얼리 정보를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 쥬얼리 제품의 펜던트 색깔이 제1 색을 갖고, 쥬얼리 제품을 체결하지 않은 상태에서의 길이가 제1 길이를 가지며, 쥬얼리 제품의 펜던트 크기가 제1 크기를 갖도록 추천 쥬얼리 정보를 형성할 수 있다.

단계(S460)에서, 추천 쥬얼리 정보가 전송된다. 예를 들어, 도 1 내지 도 3을 참조하면, 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 시스템(100)의 서버(120)는 단계 S450에서 형성된 추천 쥬얼리 정보를 네트워크(N)를 통하여 사용자 개인 정보가 수신된 사용자 단말(110-1)로 전송할 수 있다.

도 5는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(501)는 프로세서(502) 및 메모리(503)를 포함한다. 일실시예에 따른 장치(501)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(503)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(503)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(502)는 프로그램을 실행하고, 장치(501)를 제어할 수 있다. 프로세서(502)에 의하여 실행되는 프로그램의 코드는 메모리(503)에 저장될 수 있다. 장치(501)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법으로서,
사용자 단말로부터 사용자 개인 정보를 수신하는 단계;
상기 사용자 개인 정보가 포함하는 사용자의 얼굴 색에 대응하는 쥬얼리 제품의 제1 색을 산출하는 단계;
상기 사용자 개인 정보가 포함하는 사용자의 얼굴 길이에 비례하는 상기 쥬얼리 제품의 제1 길이를 산출하는 단계;
상기 사용자 개인 정보가 포함하는 사용자의 얼굴 크기에 비례하는 상기 쥬얼리 제품의 제1 크기를 산출하는 단계;
상기 제1 색, 상기 제1 길이 및 상기 제1 크기를 이용하여 추천 쥬얼리 정보를 형성하는 단계; 및
상기 추천 쥬얼리 정보를 상기 사용자 단말로 전송하는 단계를 포함하되,
상기 추천 쥬얼리 정보를 형성하는 단계는,
상기 사용자 개인 정보를 이용하여 사용자 개인 성향을 추출하는 단계;
상기 사용자 개인 성향을 이용하여 상기 추천 쥬얼리 정보가 포함하는 추천 쥬얼리 제품의 체결 방식을 추출하는 단계;
상기 추천 쥬얼리 제품의 체결 방식을 쥬얼리 체결 동영상으로 형성하는 단계; 및
상기 쥬얼리 체결 동영상을 상기 사용자 단말로 전송하는 단계를 포함하고,
상기 사용자 개인 성향을 추출하는 단계는,
상기 사용자 개인 정보가 포함하는 사용자의 SNS 링크 정보를 이용하여 상기 사용자의 SNS 게시글을 텍스트로 추출하여 텍스트 정보를 형성하는 단계;
상기 텍스트 정보에 대해 자연 언어 처리를 수행하여 다수의 출현 단어를 추출하는 단계;
상기 다수의 출현 단어 중 출현 빈도가 제3 임계값 이상인 최상 빈출 단어를 추출하는 단계; 및
상기 최상 빈출 단어를 이용하여 상기 사용자 개인 성향을 분류하는 단계를 포함하는,
사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법.
제1항에 있어서,
상기 사용자 단말로부터 사용자 이미지 - 상기 사용자 이미지는 사용자의 목 이미지를 포함함 - 를 수신하는 단계;
상기 사용자 이미지로부터 상기 사용자의 목 이미지를 추출하는 단계;
상기 추천 쥬얼리 정보를 추천 쥬얼리 이미지로 형성하는 단계;
상기 사용자의 목 이미지와 상기 추천 쥬얼리 이미지를 합성하여 제1 합성 이미지를 형성하는 단계;
상기 추천 쥬얼리 이미지의 채도를 제1 임계값 범위 이내에서 조정하고, 상기 사용자의 목 이미지와 합성하여 다수의 제2 합성 이미지를 형성하는 단계;
상기 추천 쥬얼리 이미지의 명도를 제2 임계값 범위 이내에서 조정하고, 상기 사용자의 목 이미지와 합성하여 다수의 제3 합성 이미지를 형성하는 단계;
상기 추천 쥬얼리 이미지의 색상을 미리 설정된 다수의 색상으로 조정하고, 상기 사용자의 목 이미지와 합성하여 다수의 제4 합성 이미지를 형성하는 단계; 및
상기 제1 내지 제4 합성 이미지를 상기 사용자 단말로 전송하는 단계를 더 포함하는,
사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법.
삭제