KR20160079299A - 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법 - Google Patents
지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법 Download PDFInfo
- Publication number
- KR20160079299A KR20160079299A KR1020140190461A KR20140190461A KR20160079299A KR 20160079299 A KR20160079299 A KR 20160079299A KR 1020140190461 A KR1020140190461 A KR 1020140190461A KR 20140190461 A KR20140190461 A KR 20140190461A KR 20160079299 A KR20160079299 A KR 20160079299A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- recommendation
- buyer
- used car
- preference
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법에 관한 것이다. 본 발명의 중고 자동차 추천 시스템은 (A) 구매자의 인구 통계학적 정보를 사용한 최초 추천 정보를 생성하는 단계; (B) 최초 추천 정보에 구매자 선호 설정 정보를 반영하여 추천 기반 정보를 갱신하는 단계;및 (C) 갱신된 추천 기반 정보로 갱신 추천 정보를 생성하는 단계;를 포함하는 방식으로 정보 처리하는 것을 특징으로 한다.
본 발명을 활용하면 중고 자동차 추천의 만족도를 지속적으로 상승시킬 수 있으며, 구매자의 속성별 맞춤 추천 및 개인별 맞춤 추천이 가능하게 되고, 구매자의 선호도 정보를 기반으로 구매자 속성별 맞춤 추천이 가능하게 되며, 나아가 정확하고 만족도 높은 추천을 통하여 중고 자동차 매매가 활성화 될 수 있는 장점이 있다.
본 발명을 활용하면 중고 자동차 추천의 만족도를 지속적으로 상승시킬 수 있으며, 구매자의 속성별 맞춤 추천 및 개인별 맞춤 추천이 가능하게 되고, 구매자의 선호도 정보를 기반으로 구매자 속성별 맞춤 추천이 가능하게 되며, 나아가 정확하고 만족도 높은 추천을 통하여 중고 자동차 매매가 활성화 될 수 있는 장점이 있다.
Description
본 발명은 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법에 관한 것으로서 더욱 더 상세하게는 사용자의 선호 정보를 반영하여 추천 콘텐츠를 재생성 하는 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법에 관한 것이다.
추천시스템은 다양한 정보 또는 아이템(영화, 음악, 도서 등) 에 대한 정보를 찾는데 도움을 주거나 의사결정을 지원할 수 있는 시스템이라 할 수 있다. 여기에는 사용자 선호도를 필요로 하는데, 수집 방법으로 사용자 평가를 수집하는 명시적 방법과 들어본 노래, 다운로드 한 응용프로그램, 웹사이트 방문기록 등의 암시적 방법이 존재한다. 또한 이와 같은 정보를 이용하여 사용자에게 아이템을 추천할 때에는 정밀성, 희소성, 분산도 및 정확성과 같은 요인이 적절하게 균형을 이루어야 한다.
추천시스템은 나이, 국적, 성별 등과 같은 사용자 인물정보 또는 팔로워, 트위트, 게시글 등의 소셜네트워크 정보를 이용하거나 GPS정보, RFID, 실시간 건강신호와 같은 사물 인터넷 정보를 중심으로 발전하는 추세이다.
추천시스템은 크게 협업적 필터링(CF)과 내용기반 필터링(CBF), 두 가지를 결합한 하이브리드 필터링으로 구분할 수 있으며, 아마존 또는 이베이 같이 많은 곳에서 사용하고 있는 협업적 필터링이 추천시스템에서 가장 대표적인 알고리즘이라 할 수 있다.
협업적 필터링은 각 사용자마다 가장 선호 정보가 비슷한 사용자들을 이웃(neighbor)으로 찾은 다음, 이웃들이 선호하는 상품을 그 사용자에게 추천하는 것으로, 비슷한 사용자인 이웃을 찾을 때는 피어슨 상관관계 계수, 자카드 계수, 코사인 벡터 등을 활용하여 구현한다.
이러한 측도를 활용하여 각 사용자와 성향이 유사한 사용자를 찾아낸 다음, 각각의 가중 평균으로 각 사용자가 접하지 못한 상품 또는 아이템에 대한 선호도를 예측하게 되는 것이다. 각각의 유사도 측도에 따라 이웃(neighbor)이 다르게 형성되고 이에 따라 선호도 점수가 매우 상이하게 나타나므로, 이웃 형성 과정이 협업적 필터링에 매우 중요한 요소라 할 수 있다
협업적 필터링에 관한 연구는 주로 사용자가 접한 뉴스, 음악, 사용자가 직접 평가한 데이터 또는 상품구매와 같은 데이터를 바탕으로 이루어졌지만, 최근에는 전자상거래기록 및 검색기록과 같은 패턴을 고려한 협업적 필터링이 연구되고 있다.
그러나, 협업적 필터링은 데이터가 많지 않은 초기에 사용자와 선호 정보가 유사한 이웃을 찾기 어려우므로 유용하지 못할 뿐만 아니라, 사용자 수가 많을 경우 연산속도가 매우 느려지는 단점이 있어, 이를 보완하기 위해 차원감소 기법을 협업필터링에 적용한 방식도 있다.
차원감소기법은 사용자가 평가하지 않은 (또는 클릭하지 않은) 아이템의 초기 선호도 값을 평균값 등으로 모두 채운 다음 추정 작업을 진행하므로 모든 아이템에 대해 선호도를 예측할 수 있다는 장점이 있다. 따라서, 데이터의 밀도가 높지 않은 경우에는 차원감소기법이 전통적인 협업적 필터링 기법의 대안이 될 수 있다.
내용기반 필터링은 정보검색 또는 정보추출 분야에서 발전된 것으로써, 사용자간의 선호 정보를 활용하는 것이 아니라 각 사용자 별 특정 콘텐츠 또는 상품의 속성을 학습하는 것을 기반으로 컨텐츠 또는 아이템의 추천을 위해 컨텐츠 또는 아이템의 내용과 사용자가 요구하는 정보간의 유사성을 계산한 다음, 그 결과를 순위화하여 나타낸다.
이를 구현하기 위해 사용되는 방법으로는 가중치 기법, 적합성 피드백, 확률검색 모형 등을 활용한다.
그러나, 내용기반 필터링 기법은 사용자 프로파일과 비교하여 높은 점수를 갖는 콘텐츠 또는 상품을 추천하므로, 유사한 콘텐츠 또는 상품들이 계속하여 추천하는 단점이 존재한다. 또한, 각 콘텐츠 또는 상품의 내용을 일일이 정의하는 것이 매우 어려우며, 특히, 음악, 그림, 문서와 같은 콘텐츠의 경우 각 내용을 속성별로 정의하는 것은 쉽지 않다. 최근에는 텍스트마이닝을 활용하여 문서 내에 문장들로부터 해당 문서의 내용을 정확히 표현하는 키워드를 추출하는 자동화된 내용기반 필터링 기법도 제안되었다.
위의 두 기법의 단점을 극복하기 위해 고안된 기법으로 하이브리드 필터링 방식이 있으며, 이 방식은 일반적으로 협업적 필터링과 인물정보 필터링을 결합하여 사용하거나, 내용기반 필터링과 결합하여 구현하며, genetic알고리즘, fuzzy genetic, 신경망, 클러스터링 같은 방법론에 사용된다.
초기 시작문제를 줄이고, 예측품질을 높이기 위하여 항목에 대한 클러스터를 구성하는 클러스터링 기법이 사용되기도 한다.
검색과 추천은 인터넷의 성장과 함께 성장해 온 검색과 추천은 애플리케이션의 관점에서 볼 때 사용자가 정보의 필요를 직접적으로 표현하느냐 아니냐에 있다. 검색에서는 질의어를 통해 직접적으로 표현하는 반면, 추천에서는 사용자의 평가 또는 소비 행위를 통해 간접적으로 표현한다.
검색과 추천의 통합과 관련된 주요 문제에는 다음과 같은 것이 있다. 첫째, '어떻게 추천 기술이 롱 테일에 있는 검색 결과의 품질을 개선하는 데 도움을 줄 것인가'라는 것과 둘째, '검색과 추천의 통합이 어떻게 사용자 투표로부터 이익을 얻을 수 있을 뿐만 아니라, 공격에 내구적일 수 있을까'라는 것 이다. 추천 시스템에서 공격은 악의적인 사용자가 의도적으로 어떤 아이템을 촉진시키기 위해 높은 평점을 주는 것을 말한다. 검색을 위한 투표 시스템의 경우 악의적인 사용자는 특정한 결과에 교묘하게 표를 줄 수 있다. 따라서 검색 결과를 협력적으로 제공하기 위해 공격에 대항할 수 있는 메커니즘(attack-resistance mechanism)에 대한 고민이 필요하다.
일반적으로, 중고 자동차의 거래는 구매자가 직접 중고 자동차를 전문적으로 거래하는 중고 자동차 매매상사에 방문하거나 온라인 중개 사이트에 게재되어 있는 매물정보를 확인하고 중고 자동차 딜러와 연락하여 구매하고자 하는 중고 자동차의 대한 상호합의 하에 거래가 이루어지고 있다. 이러한 거래방식으로 인하여 구매자는 자신이 원하는 중고 자동차를 검색하기까지 상당히 많은 시간이 소요될 수 있다. 또한 매물을 찾은 경우 판매자가 제시하는 매물의 성능점검이력(성능점검기록부, 사고이력 등)의 신뢰도가 낮아 해당 매물을 검증하기까지 많은 시간적 노력과 비용을 지불해야 하며, 판매자와 대면 또는 유선상담을 통해 성능점검 관련 서류에 대한 요청과 열람을 하는 문제점이 있었다.
이러한 문제점을 극복할 방법으로 인물정보(연령, 성별, 소득 등)와 용도&성향을 이용한 알고리즘을 적용하여 구매자의 중고 자동차 검색시간을 단축하고 우수매물 또는 인기매물에 대한 우선권을 갖기 위한 추천시스템의 필요성이 제기되어 왔다.
중고 자동차 추천 시스템은 구매자의 demographic information 및 성향&용도를 판매자의 중고 자동차 정보와 매칭하여 구매자에게 선호도를 기반으로 중고 자동차를 1차 추천하고, 개인화된 추천을 위한 중고 자동차 속성별 만족도 및 선호도 조사를 통하여 2차 추천을 제공할 필요성이 있다. 한편, 2차 추천을 통해 수집된 선호도 조사결과는 기 정의되어 있는 추천시스템의 선호도가 자동 업데이트되는 추천 시스템의 개발이 강력하게 요구되어 왔다.
본 발명이 해결하고자 하는 첫번째 기술적 과제는 중고 자동차 추천 시스템의 정보 처리 방법을 제시하는 것이다.
본 발명이 해결하고자 하는 첫번째 기술적 과제는 중고 자동차 추천 시스템의 구성을 제시하는 것이다.
본 발명이 이루고자 하는 기술적 과제를 달성하기 위하여 중고 자동차 추천 시스템의 정보 처리 방법에 있어서, 상기 중고 자동차 추천 시스템이
(A) 구매자의 인구 통계학적 정보를 사용한 최초 추천 정보를 생성하는 단계; (B) 구매자 단말기로부터 입수하는 구매자별 선호 설정 정보를 반영하여 추천 기반 정보를 갱신하는 단계;및 (C) 갱신된 추천 기반 정보로 갱신 추천 정보를 생성하는 단계;를 포함하는 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법을 제시한다.
(A1) 상기 최초 추천 정보를 생성할 때, 구매자 성향 정보 및 구매자 구매 용도 정보 중 어느 하나 이상을 더 포함하여 최초 추천 정보를 생성하는 단계;를 더 포함하며, 상기 최초 추천 정보를 생성할 때, 상기 구매자 성향 정보 및 상기 구매자 구매 용도 정보는 제약 조건으로 기능하는 것인 것이 바람직하다.
상기 최초 추천 정보 및 상기 갱신 추천 정보를 생성하는 것은 매칭 유사도를 기반으로 생성하는 것이며, 상기 매칭 유사도는 구매자 속성 가중치 정보 및 판매자 속성 가중치 정보를 포함하여 생성되는 값인 것이 바람직하다.
상기 구매자의 선호 설정 정보는 상기 최초 추천 정보에 대한 구매자의 반응 수집 정보를 포함하는 것인 것이 바람직하다.
상기 구매자의 반응 수집 정보는 최초 추천 정보에 대한 만족도 정보를 포함하는 것인 것이 바람직하다.
상기 (B) 단계는 (B1) 구매자 단말기로 선호 설정을 위한 선호 설정 요청 정보를 전송하는 단계; 및 (B2) 구매자 단말기로부터 입수한 선호 설정 정보를 입수하고, 입수한 선호 설정 정보로 추천 기반 정보를 갱신하는 단계;를 더 포함하는 것인 것이 바람직하다.
상기 추천 기반 정보는 2차원의 매트릭스 정보체 구조, 3차원의 큐브 정보체 구조 또는 n(n>3)차원의 정보체 구조의 정보인 것이며, 상기 정보체 구조에는 적어도 하나 이상의 구매자 속성별 적어도 하나 이상의 중고 자동차 속성별로 교차값을 포함하고 있는 것인 것이 바람직하다.
상기 (A) 단계 이후에, (D1) 구매자 단말기로 선호 설정을 위한 선호 설정 요청 정보를 전송하는 단계; (D2) 상기 구매자 단말기로부터 선호 설정 정보를 입수하는 단계; (D3) 상기 구매자 단말기로부터 입수한 선호 설정 정보로 갱신 추천 정보를 생성하는 단계; 및 (D4) 생성된 상기 갱신 추천 정보를 상기 구매자 단말기로 전송하는 단계;를 더 포함하는 것이 바람직하다.
상기 선호 설정 정보는 상품 속성 그룹 및 상기 상품 속성 그룹에 속하는 개별 상품 속성에 대한 가중치 정보, 선호도 정보, 선호 서열 정보 중 어느 하나 이상인 것이며, 상기 (D3) 단계의 갱신 추천 정보의 생성은 상기 (D2) 단계에서 입수한 상기 선호 설정 정보를 사용하여 매칭 유사도를 재산출하는 것인 것이 바람직하다.
상기 추천 기반 정보의 갱신은 상기 최초 추천 정보에 대한 만족도 정보와 구매자 선호 설정 정보를 사용하여 갱신하는 것인 것이 바람직하다.
상기 추천 기반 정보는 구매자 속성별 추천 기반 정보를 적어도 하나 이상 포함하는 것인 것이 바람직하다.
상기 구매자별 추천 기반 정보는 구매자 속성별 추천 기반 정보는 적어도 하나 이상의 구매자별 추천 기반 정보를 포함하는 것인 것이 바람직하다.
상기 구매자 속성별 추천 기반 정보는 갱신되는 것이며, 상기 구매자 속성별 추천 기반 정보를 갱신할 때는 상기 (B) 단계에서 구매자 선호 설정 정보를 반영할 때, 구매자 속성별로 구분되는 구매자 그룹의 구매자 선호 설정 정보만을 반영하여 갱신 처리되는 것인 것이 바람직하다.
상기 구매자별 추천 기반 정보는 갱신되는 것이며, 상기 구매자별 추천 기반 정보를 갱신할 때는 상기 (B) 단계에서 구매자 선호 설정 정보를 반영할 때, 구매자별로 구매자 선호 설정 정보만을 반영하여 갱신 처리되는 것인 것이 바람직하다.
상기 추천 기반 정보의 갱신은 실시간으로 이루어지는 것인 것이며, 상기 중고 자동차 추천 시스템을 사용하는 제1 구매자 단말기로부터 입수되는 구매자 선호 설정 정보에 반영하여 상기 추천 기반 정보의 갱신이 이루어지는 것인 것이며, 상기 제1 구매자 단말기에는 구매자 선호 설정 정보 전송 후 갱신된 추천 기반 정보로 생성되는 갱신 추천 정보가 전송되는 것인 것이 바람직하다.
(D) 상기 중고 자동차 추천 시스템에 접속하는 구매자의 구매자 속성 정보를 파악하는 단계; 및 (E) 상기 구매자 속성 정보에 대응되는 구매자 속성별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 단계;를 더 포함하는 것이 바람직하다.
(F상기 중고 자동차 추천 시스템에 접속하는 구매자의 구매자 식별 정보를 파악하는 단계; 및 (G)상기 구매자 식별 정보에 대응되는 구매자별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 단계;를 더 포함하는 것이 바람직하다.
상기 구매자 선호도 조사 정보는 상기 구매자별로 중고 자동차 속성 계열별 평가 정보 및 중고 자동차 속성 계열별로 상기 중고 자동차 속성 계열에 포함되는 중고 자동차 속성 항목별 평가 정보 중 어느 하나 이상인 것이 바람직하다.
상기 중고 자동차 속성 계열별 평가 정보 및 상기 중고 자동차 속성 항목별 평가 정보는 순위 정보, 가중치 정보, 점수 정보, 서열 점수 정보 및 백분위 정보 중 어느 하나 이상인 것이 바람직하다.
본 발명이 이루고자 하는 기술적 과제를 달성하기 위하여 상기 어느 한 항의 방법을 실시하며, 중고 자동차 구매자의 정보를 처리하는 구매자 정보 처리부; 중고 자동차 정보를 저장하는 중고 자동차 정보 DB;및 구매자에게 중고 자동차 추천 정보를 생성하고 제공하는 중고 자동차 추천 엔진부;를 포함하는 것을 특징으로 하는 중고 자동차 추천 시스템을 제시한다.
본 발명을 활용하면 다음과 같은 효과가 있다.
첫째, 중고 자동차 추천의 만족도를 지속적으로 상승시킬 수 있다.
둘째, 구매자의 속성별 맞춤 추천 및 개인별 맞춤 추천이 가능하게 된다.
셋째, 구매자의 선호도 정보를 기반으로 구매자 속성별 맞춤 추천이 가능하게 된다.
넷째, 정확하고 만족도 높은 추천을 통하여 중고 자동차 매매가 활성화 될 수 있다.
도 1은 본 발명의 중고 자동차 추천 시스템의 일 실시예적 구성에 관한 도면이다.
도 2는 본 발명의 중고 자동차 추천 시스템의 중고 자동차 추천 엔진부에 대한 일 실시예적 구성에 관한 도면이다.
도 3은 본 발명의 중고 자동차 추천 시스템의 일 실시예적 정보 처리 방법에 관한 도면이다.
도 4는 본 발명의 중고 자동차 추천 시스템의 구매자의 선호도 조사 정보 입수에 관한 일 실시예적 정보 처리 방법에 관한 도면이다.
도 5는 본 발명의 중고 자동차 추천 시스템의 구매자 속성 정보에 대응되는 구매자 속성별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 6은 본 발명의 중고 자동차 추천 시스템의 구매자 식별 정보에 대응되는 구매자별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 7은 본 발명의 중고 자동차 추천의 개념에 관한 도면이다.
도 8은 본 발명의 추천 기반 정보의 일 실시예적 도면이다.
도 9는 본 발명의 최초 추천 기반 정보의 일 실시예적 도면이다.
도 10은 본 발명의 중고 자동차 추천 엔진부의 제약 조건을 처리하는 일 실시예적 코딩 예를 보여 주는 도면이다.
도 11은 본 발명의 중고 자동차 추천 엔진부가 다른 제약 조건을 처리하는 일 실시예적 코딩 예를 보여 주는 도면이다.
도 12는 갱신된 추천 기반 정보의 일례를 도시하고 있는 도면이다.
도 2는 본 발명의 중고 자동차 추천 시스템의 중고 자동차 추천 엔진부에 대한 일 실시예적 구성에 관한 도면이다.
도 3은 본 발명의 중고 자동차 추천 시스템의 일 실시예적 정보 처리 방법에 관한 도면이다.
도 4는 본 발명의 중고 자동차 추천 시스템의 구매자의 선호도 조사 정보 입수에 관한 일 실시예적 정보 처리 방법에 관한 도면이다.
도 5는 본 발명의 중고 자동차 추천 시스템의 구매자 속성 정보에 대응되는 구매자 속성별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 6은 본 발명의 중고 자동차 추천 시스템의 구매자 식별 정보에 대응되는 구매자별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 7은 본 발명의 중고 자동차 추천의 개념에 관한 도면이다.
도 8은 본 발명의 추천 기반 정보의 일 실시예적 도면이다.
도 9는 본 발명의 최초 추천 기반 정보의 일 실시예적 도면이다.
도 10은 본 발명의 중고 자동차 추천 엔진부의 제약 조건을 처리하는 일 실시예적 코딩 예를 보여 주는 도면이다.
도 11은 본 발명의 중고 자동차 추천 엔진부가 다른 제약 조건을 처리하는 일 실시예적 코딩 예를 보여 주는 도면이다.
도 12는 갱신된 추천 기반 정보의 일례를 도시하고 있는 도면이다.
이하, 도면을 참조하면서 더욱 더 상세하게 설명한다.
도 1은 본 발명의 중고 자동차 추천 시스템(1000)의 일 실시예적 구성에 관한 도면이다. 도 1에서 알 수 있듯이, 상기 중고 자동차 추천 시스템(1000)은 유무선 네트워크(5000)를 통하여 적어도 하나 이상의 구매자 단말기(2000)를 대상으로 중고 자동차 추천 서비스에 관련된 정보를 제공한다. 상기 중고 자동차 추천 시스템(1000)은 적어도 중고 자동차에 대한 정보를 공급하는 적어도 하나 이상의 판매자 단말기(3000)와 유무선 네트워크(5000)로 연결되어 있으며, 선택적으로 기업 또는 시스템의 관점에서 중고 자동차에 관한 정보를 공급하는 적어도 하나 이상의 판매자 시스템(4000)과 유무선 네트워크(5000)로 연결되어 있을 수 있다.
상기 중고 자동차 추천 시스템(1000)은 구매자 정보를 처리하는 구매자 정보 처리부(1100), 중고 자동차와 관련된 정보를 저장하고 있는 중고 자동차 정보 DB(1200), 판매자를 위한 정보 처리를 담당하는 판매자 정보 처리부(1400), 중고 자동차 추천 정보를 생성하고, 생성된 중고 자동차 추천 정보를 구매자 단말기(2000)에 제공하는 중고 자동차 추천 엔진부(1300)를 포함하고 있다. 상기 구매자 정보 처리부(1100)는 구매자 정보를 입수하고 처리하는 구매자 정보 입수부(1110)와 구매자 단말기(2000)에게 추천 정보를 전송하는 구매자 추천 정보 전송부(1120)를 포함하고 있다. 한편, 중고 자동차 정보 DB(1200)에는 구매자의 인적 정보, 기타 구매자로부터 입력 받은 정보, 구매자의 상기 중고 자동차 추천 시스템(1000)을 사용한 이력 정보 등과 같은 일체의 구매자와 관련된 정보를 저장하는 구매자 정보 DB(1210), 중고 자동차를 판매하고자 하는 판매자와 관련된 일체의 정보를 저장하는 판매자 정보 DB(1220) 및 판매자가 판매하려고 하는 중고 자동차에 대한 상품 정보를 저장하는 중고 자동차 상품 정보 DB(1230)를 포함하고 있다. 한편, 상기 판매자 정보 처리부(1400)에는 판매자의 정보를 입수하는 판매자 정보 입수부(1410), 판매자를 위한 구매자의 행위나 판매 현황 등에 대한 각종 정보를 분석하는 판매지 정보 분석부, 및 상기 판매자용 분석 정보 전송부(1430)가 분석한 정보를 판매자 단말기(3000) 또는 판매자 시스템(4000)에 전송하는 판매자용 분석 정보 전송부(1430)를 포함하고 있다.
도 2에서 예시되어 있듯이, 상기 중고 자동차 추천 엔진부(1300)는 추천 정보를 생성하는 추천 정보 생성부(1310), 구매자의 선호 설정 정보를 처리하는 구매자 선호 설정 정보 처리부(1330), 상기 구매자 선호 설정 정보 처리부(1330)가 입수하는 구매자 선호 설정 정보를 기반으로 추천 기반 정보를 생성하는 추천 기반 정보 생성부(1320), 생성된 각종 추천 기반 정보를 저장하는 추천 정보 DB(1340)를 포함하고 있다. 상기 추천 정보 생성부(1310)는 최초 추천 정보를 생성하는 최초 추천 정보 생성부(1311) 및 갱신된 추천 정보를 생성하는 갱신 추천 정보 생성부(1312)를 포함하고 있다. 상기 구매자 선호 설정 정보 처리부(1330)는 구매자의 선호 설정 정보를 입수하는 구매자 선호 설정 정보 입수부(1331)와 구매자의 선호 설정 정보를 반영하도록 제어하는 구매자 선호 설정 정보 반영부(1332)를 포함하고 있다.
도 3에서 예시되는 바와 같이, 상기 중고 자동차 추천 시스템(1000)은 구매자의 인구 통계학적 정보를 사용한 최초 추천 정보를 생성(S11)하고, 최초 추천 정보에 구매자 선호 설정 정보를 반영하여 추천 기반 정보를 갱신(S12)하며, 갱신된 추천 기반 정보로 갱신 추천 정보를 생성(S13)한다. 본 발명에서 처음으로 추천된다는 의미로 사용되어야 하며, 절대적인 최초의 의미가 아니며, 갱신된 추천을 제공하는 것을 기준으로 할 때 갱신 되기 직전에 추천이 제공된다는 의미로 이해됨이 타당할 것이다.
상기 구매자 정보 처리부(1100)는 구매자의 인구 통계학적 정보와 구매자 성향 정보 및 용도 정보를 수집하며, 판매자가 판매하려는 중고 자동차 속성 정보를 입수하고, 수집한 각종 정보를 도 8에서 예시되는 바와 같은 형태로 가공하여 중고 자동차 정보 DB(1200)에 저장한다. 도 8에서는 예시되는 바와 같이 추천 기반 정보는 인구 통계학적 정보(연령, 남녀, 와 중고 자동차의 속성 정보와의 관계를 포함하고 있음을 알 수 있다. 상기 추천 기반 정보에는 중고 자동차의 속성별 가중치와 구매자 속성별 선호도 정보가 포함되어 있다. 인구 통계학적 정보 구분의 예는 하기 표 1과 같을 수 있으며, 구매자 성향 정보 구분 및 용도 정보 구분은 하기 표 2와 같을 수 있다.
| 구분 | 분류 | 세부분류 |
| 구매자의 인구 통계학적 정보 구분 | 연령 | 20대 |
| 30대 | ||
| 40대 | ||
| 50대 | ||
| 60대 | ||
| 성별 | 남자 | |
| 여자 | ||
| 연봉 | 1천만~2천만 | |
| 2천만~3천만 | ||
| 3천만~4천만 | ||
| 4천만~6천만 | ||
| 6천만~8천만 | ||
| 8천만~1억 | ||
| 1억~ | ||
| 직업 | 자영업 | |
| 공무원 | ||
| 전문/경영직 | ||
| 일반직장인 | ||
| 주부 | ||
| 무직 | ||
| 결혼유무 | 미혼 | |
| 기혼 | ||
| 자녀수 | 없음 | |
| 1명 | ||
| 2명 | ||
| 3명 이상 |
| 구분 | 분류 | 세부분류 |
| 구매자의 성향 정보 및 용도 정보 구분 |
개인성향 | 과시형 |
| 체면형 | ||
| 현실형 | ||
| 합리형 | ||
| 실용형 | ||
| 용도 | 출퇴근용 | |
| 업무용 | ||
| 가족용 | ||
| 스포츠 주행용 |
한편, 하기 표 3 내지 표 16은 중고 자동차 속성 정보의 일 실시예를 보여 주고 있다.
| 중고 자동차 속성 계열 | 세부분류 |
| 제조국 | 국산 |
| 수입 |
| 중고 자동차 속성 계열 구분 | 세부 분류 | 세세 분류 |
| 브랜드 | 국산 | 현대 |
| 기아 | ||
| 쉐보레(한국GM) | ||
| 르노삼성 | ||
| 쌍용 | ||
| 어울림 | ||
| 독일 | 벤츠 | |
| BMW | ||
| 아우디 | ||
| 폭스바겐 | ||
| 포르쉐 | ||
| 프랑스 | 부가티 | |
| 푸조 | ||
| 시트로엥 | ||
| 영국 | 롤스로이스 | |
| 벤틀리 | ||
| 재규어 | ||
| 랜드로버 | ||
| 미니 | ||
| 이탈리아 | 페라리 | |
| 람보르기니 | ||
| 마세라티 | ||
| 파가니 | ||
| 피아트 | ||
| 스웨덴 | 볼보 | |
| 일본 | 토요타 | |
| 렉서스 | ||
| 혼다 | ||
| 닛산 | ||
| 인피니티 | ||
| 미쓰비시 | ||
| 스바루 | ||
| 미국 | 캐딜락 | |
| 포드 | ||
| 링컨 | ||
| 크라이슬러 | ||
| 지프 |
| 중고 자동차 속성 계열 구분 | 세부 분류 | 세세 분류 |
| 형식 | 세단 | 대형 |
| 중형 | ||
| 준중형 | ||
| 소형 | ||
| 경차 | ||
| 해치백 | ||
| 쿠페 | ||
| 오픈카 | ||
| SUV | ||
| VAN | ||
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 배기량 | 6000cc ~ |
| 5000cc ~ 6000cc | |
| 4000cc ~ 5000cc | |
| 3000cc ~ 4000cc | |
| 2000cc ~ 3000cc | |
| 1000cc ~ 2000cc | |
| ~ 1000cc |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 연식 | 2012년 ~ 2014년 |
| 2009년 ~ 2011년 | |
| 2006년 ~ 2008년 | |
| 2001년 ~ 2005년 | |
| 1995년 ~ 2000년 | |
| ~ 1994년 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 연료 | 가솔린 |
| 디젤 | |
| LPG | |
| 하이브리드 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 변속기 | 자동변속기 |
| 수동변속기 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 연비 | 1등급 |
| 2등급 | |
| 3등급 | |
| 4등급 | |
| 5등급 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 색상 | 검정색 |
| 흰색 | |
| 은색 | |
| 노란색 | |
| 빨간색 | |
| 파란색 | |
| 쥐색 | |
| 기타 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 주행거리 | 9만km ~ |
| 7만km ~ 9만km | |
| 5만km ~ 7만km | |
| 3만km ~ 5만km | |
| 1만km ~ 3만km | |
| ~ 1만km |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 가격 | 1억 ~ |
| 7천만 ~ 1억 | |
| 5천만 ~ 7천만 | |
| 4천만 ~ 5천만 | |
| 3천만 ~ 4천만 | |
| 2천5백만 ~ 3천만 | |
| 2천만 ~ 2천5백만 | |
| 1천5백만 ~ 2천만 | |
| 1천만 ~ 1천5백만 | |
| 5백만 ~ 1천만 | |
| ~ 5백만 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 성능점검 기록부 |
보유 |
| 미보유 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 사고이력 (카히스토리) |
보유 |
| 미보유 |
| 중고 자동차 속성 계열 구분 | 세부 분류 |
| 보증유형 | 제조사보증 |
| 중고 자동차보증 | |
| 보증없음 |
최초 추천 정보를 생성하기 위해서는 최초 추천 정보 생성부(1311)는 상기 추천 정보 DB(1340)의 추천 기반 정보 DB(1341)에 포함되어 있는 추천 기반 정보를 이용하여 하기와 같은 방식으로 중고 자동차에 대한 추천 정보를 생성한다. 구매자 선호도를 이용한 중고 자동차 추천으로 demographic filtering, utility-based filtering을 응용한 Euclidean method을 이용하여 매칭 유사도(similarity)를 계산할 수 있다. Demographic filtering은 고객의 demographic 정보 기반 즉 life cycle기반으로 고객을 분류하여 같이 분류된 집단에 속한 그룹에게 같은 것을 추천해 주는 것이고 utility-based filtering은 사용자의 utility를 고려하여 추천을 하는 방식이다. 이러한 방식을 적용해 추천을 하게 될 때 가장 가까운 그룹으로 할당하여 추천을 하게 된다. 본 발명에서는 매칭 유사도를 계산하는데 이때 Euclidean distance method를 사용할 수 있다. Euclidean distance method는 고객간 혹은 집단간 혹은 고객과 집단간의 거리를 계산하는 측정 방법이며 여기서는 구매자 속성과 중고 자동차의 속성에 대한 선호도 기반 거리를 측정할 때 사용한다. 매칭 유사도는 구매자 속성에 대한 가중치 및 중고 자동차 속성에 대한 가중치를 사용하여 산출된다. 하기 수식 1은 구매자 속성에 대한 가중치 및 중고 자동차 속성에 대한 가중치의 정의에 대한 것이다.
구매자 속성과 중고 자동차 속성을 동시에 고려한 최초 매칭 유사도는 하기 수식 2과 같은 방식으로 처리된다.
상기 수식 2에서 구매자 속성 가중치는 
, 판매자 속성 가중치는 
이다. CIPAP는 구매자 정보와 상품 속성의 선호도(Customer Information & Product Attribute Preference)이며, minj는 i번째 제품속성과 j번째 고객 속성을 의미한다.
한편, 상기 상품 속성은 적어도 하나 이상의 상품 속성 그룹 및 상품 속성 그룹에 속하는 상품 속성 그룹별의 개별 상품 속성이 있을 수 있다. 예를 들면, 표 4에서 브랜드는 상품 속성 그룹이 될 수 있고, 브랜드라는 상품 속성 그룹 하에서 국산, 독일, 프랑스 등의 브랜드의 하위에 있는 하위 상품 속성 그룹이 될 수 있으며, 국산이라는 하위 상품 속성 그룹에는 다시 현대자동차, 기아자동차 등과 같은 하위 상품 속성 그룹이 있을 수 있다. 상기 개별 상품 속성에는 최상위의 상품 그룹 속성의 하위에 있는 모든 하위 상품 그룹 속성이 개별 상품 속성이 되는 방법도 있지만, 소나타나 그랜저와 같은 현대 자동차가 생산하는 개별적인 자동차가 개별 상품 속성이 될 수 있다.
이와 같이, 상품 속성은 다양한 깊이를 가질 수 있다. 다양한 깊이를 가지는 경우, 상기 수식 2는 하기 수식 3과 같이 변형되어 표시될 수도 있다. 하지만, 본질적으로 매칭 유사도를 계산하는 관점에서보면 상기 수식 2와 하기 수식 3은 동형이 된다.
제시된 자동차라는 상품 속성을 한 스텝 더 자세히 들어가면 m1이 m1_1로 표시 된다. 이는 1차적으로 m이라는 상품 속성에 대해 m1을 선택하여 가중치를 부여하게 되고, 그 후 선택한 하위 상품 속성에 대해 m1_1이라는 하위 상품 속성을 가진 1% 더 선호한다고 반영을 하게 된다. 1%를 반영하는 방법의 한 예는 세부 사항을 가지고 있는 상품 정보 DB에 있는 자동차 상품에게 전체 similarity에 0.99를 곱하게 constraint를 주는 방식일 수 있다.
상기 추천 정보 생성부(1300)은 이와 같은 방식으로 표 27 내지 표 31과 같은 구매자로부터 입수하는 선호 설정 정보(구매자 선호도 정보와 동등하다.)를 매칭 유사도를 계산하는데 사용한다.
상기 중고 자동차 추천 시스템(1000)은 (D1) 구매자 단말기로 선호 설정을 위한 선호 설정 요청 정보를 전송하는 단계; (D2) 상기 구매자 단말기로부터 선호 설정 정보를 입수하는 단계; (D3) 상기 구매자 단말기로부터 입수한 선호 설정 정보로 갱신 추천 정보를 생성하는 단계; 및 (D4) 생성된 상기 갱신 추천 정보를 상기 구매자 단말기로 전송하는 단계;거쳐 선호 설정 정보를 반영하여 갱신된 추천 정보를 생성하고 전송하는 처리를 수행한다. 상기 (D3) 단계의 갱신 추천 정보의 생성은 상기 (D2) 단계에서 입수한 상기 선호 설정 정보를 사용하여 매칭 유사도를 재산출하는 방식이 채용된다.
이때, 상기 선호 설정 정보는 상품 속성 그룹 및 상기 상품 속성 그룹에 속하는 개별 상품 속성에 대한 가중치 정보, 선호도 정보, 선호 서열 정보 중 어느 하나 이상인 것일 수 있다.
추천 기반 정보의 일 실시예적 예시는 도 9에 도시되어 있다. 상기 도 9에서 알 수 있듯이, 상기 추천 기반 정보는 물리적 저장 구조와는 독립적으로 논리적인 관점에서는 매트릭스 정보 구조의 형태를 가지고 있다. 상기 추천 기반 정보는 판매자가 판매하려는 상품인 중고 자동차에 대한 중고 자동차 속성 계열별 중고 자동차 속성 항목과 구매자에 대한 구매자 속성 계열별 구매자 속성 항목에 대한 교차값 정보를 포함하고 있다. 예시적으로 중고 자동차 계열에는 제조국, 브랜드, 형식, 연비, 및 가격 등이 있을 수 있다. 제조국 중고 자동차 속성 항목에는 국산과 수입, 브랜드는 각 국가별 중고 자동차의 브랜드, 형식은 세단, 헤치백, 쿠페, 오픈카 등과 같은 차량의 형식, 연비는 연비 등급, 가격에는 가격대 정보가 있을 수 있다. 상기 구매자 속성 계열에는 연령, 성별, 연봉 등이 예시적으로 있을 수 있다. 상기 연령 구매자 속성 항목에는 연령대, 성별 구매자 속성 항목에는 남자와 여자, 연봉 구매자 속성 항목에는 연봉대 정보가 있을 수 있다. 상기 추천 기반 정보에는 적어도 하나 이상의 중고 자동차 속성 항목과 적어도 하나 이상의 구매자 속성 항목이 교차하는 교차점에 대응된 교차값을 저장하고 있다. 도 9에 예시된 매트릭스는 2차원으로 배열되어 있고, 교차값은 2차원(X,Y)의 형태를 가지고 있다. 하지만, 도 9의 예시에서 성별을 별도 축으로 제공된다면(X,Y, Z(성별))의 형태로 된 3차원 정보체의 형태를 가질 수도 있을 것이다. 이와 같은 도 9의 추천 기반 정보는 n(n> 3) 이상인 정보체의 형태를 가질 수도 있게 된다.
상기 추천 정보 생성부(1310)는 하기 표 1과 같은 구매자 속성 정보가 있을 때, 도 9에서 예시되는 바와 같은 선호도 정보와 같은 추천 기반 정보에 기반한 구매자와 중고 자동차 간의 매칭 유사도(similarity)의 산출을 통하여 최초 추천 정보를 생성한다.
| 사용자1 | 사용자2 | 사용자3 | 사용자4 | 사용자5 | |
| 연령 | 20 | 20 | 30 | 40 | 50 |
| 성별 | 남 | 여 | 남 | 여 | 남 |
| 연봉 | 4,500만원 | 2,700만원 | 6,400만원 | 3,200만원 | 9,800만원 |
하기 표 18 내지 표 22는 각각 사용자1, 사용자2, 사용자3, 사용자4 및 사용자5 별로 생성되는 추천 결과 정보의 예시이다. 표 18 내지 표 22는 각 구매자별로 5개씩의 추천 중고 자동차 정보를 제시하고 있다.
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 | 1차 DISTANCE | 1차 RANK |
| 1 | 국산 | 기아 | 세단(중형) | K5 하이브리드 | 500h | 1등급 | 2,400만원 | 34.0000 | 1 |
| 2 | 국산 | 현대 | 세단(중형) | 쏘나타 하이브리드 | 2.0 하이브리드 | 1등급 | 2,980만원 | 40.5967 | 2 |
| 3 | 국산 | 기아 | SUV | 쏘렌토R | 2.0 디젤 2WD 5인승 | 2등급 | 2,130만원 | 47.2111 | 3 |
| 4 | 국산 | 현대 | 세단(중형) | i40 | 1.7 VGT | 2등급 | 2,790만원 | 47.8079 | 4 |
| 5 | 국산 | 기아 | 세단(준중형) | K3 세단 | 1.6 디젤 | 1등급 | 1,970만원 | 48.6033 | 5 |
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 | 1차 DISTANCE | 1차 RANK |
| 1 | 국산 | 기아 | 세단(준중형) | K3 세단 | 1.6 디젤 | 1등급 | 1,970만원 | 23.9443 | 1 |
| 2 | 국산 | 현대 | 세단(준중형) | 아반떼 세단 | 1.6 디젤 | 1등급 | 1,890만원 | 31.1554 | 2 |
| 3 | 국산 | 기아 | 세단(중형) | K5 하이브리드 | 500h | 1등급 | 2,400만원 | 32.4500 | 3 |
| 4 | 국산 | 쉐보레 (한국GM) |
세단(준중형) | 크루즈 | 2.0 디젤 | 1등급 | 1,680만원 | 38.3665 | 4.5 |
| 5 | 국산 | 현대 | 세단(준중형) | 아반떼 세단 | 1.6 가솔린 | 2등급 | 1,870만원 | 38.3665 | 4.5 |
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 | 1차 DISTANCE | 1차 RANK |
| 1 | 국산 | 현대 | 세단(중형) | 쏘나타 하이브리드 | 2.0 하이브리드 | 1등급 | 2,980만원 | 36.3810 | 1 |
| 2 | 국산 | 기아 | 세단(중형) | K5 하이브리드 | 500h | 1등급 | 2,400만원 | 43.5366 | 2 |
| 3 | 국산 | 현대 | 세단(중형) | i40 | 1.7 VGT | 2등급 | 2,790만원 | 43.5921 | 3 |
| 4 | 국산 | 기아 | 세단(중형) | K5 | 2.0 가솔린 | 3등급 | 2,650만원 | 48.8032 | 4 |
| 5 | 국산 | 현대 | 세단(중형) | i40 | 2.0 GDI | 3등급 | 2,540만원 | 50.8032 | 5 |
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 | 1차 DISTANCE | 1차 RANK |
| 1 | 국산 | 기아 | 세단(중형) | K5 | 2.0 가솔린 | 3등급 | 2,650만원 | 38.1632 | 1 |
| 2 | 국산 | 기아 | SUV | 모하비 | 3.0 디젤 2WD | 4등급 | 3,480만원 | 39.9579 | 2 |
| 3 | 국산 | 현대 | 세단(중형) | 쏘나타 | 2.0 CVVL | 3등급 | 2,380만원 | 40.1632 | 3.5 |
| 4 | 국산 | 현대 | 세단(중형) | i40 | 2.0 GDI | 3등급 | 2,540만원 | 40.1632 | 3.5 |
| 5 | 국산 | 현대 | SUV | 베라크루즈 | 3.0 디젤 2WD | 4등급 | 3,670만원 | 40.6333 | 5 |
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 | 1차 DISTANCE | 1차 RANK |
| 1 | 국산 | 현대 | 세단(중형) | 쏘나타 | 2.4 GDI | 4등급 | 2,190만원 | 52.7623 | 1.5 |
| 2 | 국산 | 쉐보레(한국GM) | 세단(중형) | 말리부 | 말리부 2.4 | 4등급 | 2,190만원 | 52.7623 | 1.5 |
| 3 | 국산 | 기아 | 세단(중형) | K5 | 2.0 가솔린 터보 | 4등급 | 2,970만원 | 61.4266 | 3 |
| 4 | 국산 | 현대 | 세단(중형) | 쏘나타 | 2.0 CVVL | 3등급 | 2,380만원 | 69.7940 | 5.5 |
| 5 | 국산 | 쉐보레(한국GM) | 세단(중형) | 말리부 | 말리부 2.0 | 3등급 | 2,510만원 | 69.7940 | 5.5 |
이때, 추천된 중고 자동차에 수집한 구매자의 성향이나 용도에 대한 조건에 따라 constraint-based recommender system 방법을 이용하여 적용하여 매칭 유사도를 재계산할 수 있다. constraint-based recommender system은 추천을 위한 similarity를 계산해서 분석하는데 추가적인 제약조건을 추가 함으로써 보다 세분화된 추천을 할 수 있도록 해주는 방법이다. 즉 기존 domain knowledge를 제약조건으로 구분해 줌으로써 보다 명확한 지식기반 추천을 하여 정확도를 높여주게 된다.
상기 중고 자동차 추천 엔진부(1300)는 추천 정보 생성 시 추가되는 구매자의 성향과 용도에 대하여 IF <condition> then <consequent>의 제약 조건을 적용하여, 제약 조건에 부합되는 최초 추천 결과를 생성할 수 있다.
상기 구매자의 성향에 대한 제약 조건의 예시는 표 23과 같다.
| 개인성향 | |||||
| 구분 | 과시형 | 체면형 | 합리형 | 현실형 | 실용형 |
| 제조국 | 합리형 + 수입 | 합리형 + 수입 | 기본 | 기본 | 합리형 - 수입 |
| 형식 | 1단계 이상 +쿠페,오픈카 |
1단계 등급 상향 | 기본 | 기본 | 1단계 등급 하향 |
| 가격 | 150% 이상 200% 미만 |
100% 초과 150% 미만 | 기본 | 100% 미만 80% 이상 |
80% 미만 50% 이상 |
도 10은 상기 중고 자동차 추천 엔진부(1300)가 표 23에 대한 제약 조건을 처리하는 일 실시예적 코딩 예를 보여 주고 있다.
상기 구매자의 용도에 대한 제약 조건의 예시는 표 24과 같다.
| 개인성향 | |||||
| 구분 | 과시형 | 체면형 | 합리형 | 현실형 | 실용형 |
| 제조국 | 합리형 + 수입 | 합리형 + 수입 | 기본 | 기본 | 합리형 - 수입 |
| 형식 | 1단계 이상 +쿠페,오픈카 |
1단계 등급 상향 | 기본 | 기본 | 1단계 등급 하향 |
| 가격 | 150% 이상 200% 미만 |
100% 초과 150% 미만 | 기본 | 100% 미만 80% 이상 |
80% 미만 50% 이상 |
도 11은 상기 중고 자동차 추천 엔진부(1300)가 표 24에 대한 제약 조건을 처리하는 일 실시예적 코딩 예를 보여 주고 있다.
상기 중고 자동차 추천 엔진부(1300)가 생성하는 최초 추천 정보에 대하여 각 구매자마다 만족도가 다를 수 있을 것이다. 이 때문에 상기 중고 자동차 추천 엔진부(1300)는 최초 추천 결과에 대한 만족도를 조사할 수 있다. 상기 만족도는 예시적으로 2가지로 분류될 수 있다. 추천된 자동차의 상세 정보를 보기 위해 클릭해서 들어가면 1차 만족은 하는 것(만족도 >=1)이고 상세 정보 페이지로 들어가면 예시적으로 5점 척도 중에서 1차 만족보도 더 높은 점수의 만족도를 부여할 수 있게 된다.
도 4는 본 발명의 중고 자동차 추천 시스템(1000)의 구매자의 선호도 조사 정보 입수에 관한 일 실시예적 정보 처리 방법에 관한 도면이다. 상기 중고 자동차 추천 엔진부(1300)의 구매자 선호 설정 정보 처리부(1330)는 구매자 만족도 정보에 대한 평가(S21)를 수행하고, 상기 평가 결과가 기준보다 낮은 경우(S22)에는 구매자의 선호도 조사 정보를 입수를 위한 구매자 선호도 조사 설문 정보를 제공(S23)한 다음, 구매자의 선호도 조사 정보를 입수(S24)한다.
상기 중고 자동차 추천 시스템(1000)은 최초 추천 결과에 대한 구매자의 만족도가 기 설정된 기준 이상(예를 들면, 구매자가 추천된 중고 자동차 리스트에 대하여 클릭하는 경우, 클릭이 만족의 한 척도가 될 수 있음)이 되면 추천 결과에 대한 만족으로 처리하고, 더 이상의 추천 정보를 제공하지 않을 수 있다. 하지만,상기 중고 자동차 추천 시스템(1000)은 선택적으로 더 정밀한 추천을 위하여 만족으로 처리되는 구매자에 대해서도 선호도 조사를 더 수행할 수도 있다. 1차 추천을 하여 이에 대한 만족도를 평가하게 된다. 1차 추천에서 만족하여 거기서 멈추게 되면 그 추천된 기록이 상기 추천 기반 정보 DB(1341)에 현재 추천된 속성이 한번 더 업그레이드 되며 강조되어 반영되게 된다. 이렇게 되면 추 후 추천된 정보를 가진 고객에게 현재 만족한 속성값들이 더 높은 선호도가 적용되도록 수식에 근거하여 업데이트 되게된다.
한편, 상기 중고 자동차 추천 시스템(1000)은 만족도가 기 설정된 기준 이상에 들지 못하거나, 좀 더 정밀한 개인화된 추천을 위하여 하기 구매자에게 중고 자동차 속성별로 선호도의 입력을 요청할 수 있다.
상기 중고 자동차 추천 엔진부(1300)는 도 5에 예시되어 있듯이, 중고 자동차 추천 시스템(1000)에 접속하는 구매자의 구매자 속성 정보를 파악(S31)하고, 구매자 속성 정보에 대응되는 구매자 속성별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템(1000)에 접속하는 구매자를 위한 갱신 추천 정보를 생성(S32)하는 정보 처리를 수행한다.
선호도 입력의 예는 하기 표 25 내지 표 26과 같을 수 있다.
하기 표 25는 중고 자동차 속성 계열에 대한 가중치의 입력을 요청하는 선호도 입력의 예이다.
| 중고 자동차 속성 계열 | 속성 계열 가중치 |
| 제조국 | |
| 브랜드 | |
| 형식 | |
| 연비 | |
| 가격 |
하기 표 26은 형식 중고 자동차 속성 계열을 구성하는 중고 자동차 속성 항목별의 선호도 입력의 예이다.
| 세부 분류 | 세세 분류 | 속성 항목 가중치 |
| 세단 | 대형 | |
| 중형 | ||
| 준중형 | ||
| 소형 | ||
| 경차 | ||
| 해치백 | ||
| 쿠페 | ||
| 오픈카 | ||
| SUV | ||
| VAN | ||
상기 상기 구매자 선호도 조사 정보는 상기 구매자별로 중고 자동차 속성 계열별 평가 정보 및 중고 자동차 속성 계열별로 상기 중고 자동차 속성 계열에 포함되는 중고 자동차 속성 항목별 평가 정보 중 어느 하나 이상인 것이다. 상기 중고 자동차 속성 계열별 평가 정보 및 상기 중고 자동차 속성 항목별 평가 정보는 순위(랭킹) 정보, 가중치 정보, 점수 정보, 서열 점수 정보 및 백분위 정보 중 어느 하나 이상인 것일 수 있다.
상기 중고 자동차 추천 엔진부(1300)의 구매자 선호 설정 정보 처리부(1330)는 각 구매자의 구매자 단말기(2000)로부터 만족도 및 선호도 입력 정보를 입수 받는다. 하기 표 27은 최초 추천 정보에 대해 만족을 표시한 구매자1의 선호도 입력 정보를 처리한 예시이며, 표 28 내지 표 31은 최초 추천 정보에 만족하지 않은 구매자2, 구매자3, 구매자4 및 구매자5별로의 입수한 선호도 입력 정보를 처리한 예시이다.
| 사용자 | 속성 | 가중치 | 1순위 | 2순위 | 3순위 | 4순위 | 5순위 | 6순위 | 7순위 | 8순위 | 9순위 | 10순위 | 11순위 |
| 1 (만족도) |
제조국 | 4 | 국산 | 수입 | - | - | - | - | - | - | - | - | - |
| 브랜드 | 4 | 기아 | 현대 | 쉐보레 (한국GM) |
쌍용 | 르노삼성 | - | - | - | - | - | - | |
| 형식 | 4 | 준중형 | 소형 | 중형 | 해치백 | SUV | 쿠페 | 오픈카 | 경차 | 대형 | VAN | - | |
| 연비 | 4 | 1등급 | 2등급 | 3등급 | 4등급 | 5등급 | - | - | - | - | - | - | |
| 가격 | 5 | 1천만 ~ 1천5백만 | 1천5백만 ~ 2천만 | 2천만 ~ 2천5백만 | 5백만 ~ 1천만 | ~ 5백만 | 2천5백만 ~ 3천만 | 3천만 ~ 4천만 | 4천만 ~ 5천만 | 5천만 ~ 7천만 | 7천만 ~ 1억 | 1억 ~ |
| 사용자 | 속성 | 가중치 | 1순위 | 2순위 | 3순위 | 4순위 | 5순위 | 6순위 | 7순위 | 8순위 | 9순위 | 10순위 | 11순위 |
| 2 (선호도) |
제조국 | 1 | 국산 | 수입 | - | - | - | - | - | - | - | - | - |
| 브랜드 | 1 | 현대 | 기아 | 쉐보레 (한국GM) |
르노삼성 | 쌍용 | - | - | - | - | - | - | |
| 형식 | 5 | 중형 | 대형 | 준중형 | 소형 | 경차 | SUV | 쿠페 | 오픈카 | VAN | - | - | |
| 연비 | 5 | 1등급 | 2등급 | 3등급 | 4등급 | 5등급 | - | - | - | - | - | - | |
| 가격 | 5 | 3천만~4천만 | 2천5백만~3천만 | 2천만~2천5백만 | 4천만~5천만 | 1천5백만~2천만 | 1천먼~1천5백만 | 5백만~1천만 | ~5백만 | 5천만~7천만 | 7천만~1억 | 1억~ |
| 사용자 | 속성 | 가중치 | 1순위 | 2순위 | 3순위 | 4순위 | 5순위 | 6순위 | 7순위 | 8순위 | 9순위 | 10순위 | 11순위 |
| 3 (선호도) |
제조국 | 1 | 국산 | 수입 | - | - | - | - | - | - | - | - | - |
| 브랜드 | 5 | 현대 | 기아 | 쉐보레 (한국GM) |
르노삼성 | 쌍용 | - | - | - | - | - | - | |
| 형식 | 5 | SUV | 대형 | 중형 | VAN | 준중형 | 소형 | 쿠페 | 오픈카 | 경차 | - | - | |
| 연비 | 1 | 1등급 | 2등급 | 3등급 | 4등급 | 5등급 | - | - | - | - | - | - | |
| 가격 | 5 | 4천만~4천만 | 3천만~4천만 | 2천5백만~3천만 | 2천만~2천5백만 | 1천5백만~2천만 | 1천만~1천5백만 | 5백만~1천만 | ~5백만 | 5천만~7천만 | 7천만~1억 | 1억~ |
| 사용자 | 속성 | 가중치 | 1순위 | 2순위 | 3순위 | 4순위 | 5순위 | 6순위 | 7순위 | 8순위 | 9순위 | 10순위 | 11순위 |
| 4 (선호도) |
제조국 | 1 | 국산 | 수입 | - | - | - | - | - | - | - | - | - |
| 브랜드 | 1 | 현대 | 기아 | 쉐보레(한국GM) | 르노삼성 | 쌍용 | - | - | - | - | - | - | |
| 형식 | 5 | 중형 | 준중형 | 소형 | SUV | 경차 | 대형 | 쿠페 | 오픈카 | VAN | - | - | |
| 연비 | 1 | 1등급 | 2등급 | 3등급 | 4등급 | 5등급 | - | - | - | - | - | - | |
| 가격 | 1 | 3천만 ~ 4천만 | 4천만 ~ 5천만 | 2천5백만 ~ 3천만 | 2천만 ~ 2천5백만 | 1천5백만 ~ 2천만 | 1천만 ~ 1천5백만 | 5백만 ~ 1천만 | ~ 5백만 | 5천만 ~ 7천만 | 7천만 ~ 1억 | 1억 ~ |
| 사용자 | 속성 | 가중치 | 1순위 | 2순위 | 3순위 | 4순위 | 5순위 | 6순위 | 7순위 | 8순위 | 9순위 | 10순위 | 11순위 |
| 5 (선호도) |
제조국 | 1 | 국산 | 수입 | - | - | - | - | - | - | - | - | - |
| 브랜드 | 5 | 기아 | 현대 | 쉐보레(한국GM) | 르노삼성 | 쌍용 | - | - | - | - | - | - | |
| 형식 | 5 | 대형 | 중형 | 준중형 | 소형 | 경차 | SUV | 쿠페 | 오픈카 | VAN | - | - | |
| 연비 | 1 | 1등급 | 2등급 | 3등급 | 4등급 | 5등급 | - | - | - | - | - | - | |
| 가격 | 5 | 1억 ~ | 7천만 ~ 1억 | 5천만 ~ 7천만 | 4천만 ~ 5천만 | 3천만 ~ 4천만 | 2천5백만 ~ 3천만 | 2천만 ~ 2천5백만 | 1천5백만 ~ 2천만 | 1천만 ~ 1천5백만 | 5백만 ~ 1천만 | ~ 5백만 |
상기 중고 자동차 추천 엔진부(1300)의 추천 기반 정보 생성부(1320)는 표 27 내지 표 31과 같은 선호도 조사 결과(선호 설정 정보)를 입수 받고 선호도 정보(추천 기반 정보)를 업데이트 처리를 수행한다. 기존 선호도를 
, 구매자로부터 새로 수집한 선호도를 
라 할 때, 업데이트를 위한 
에 대한 공식은 예시적으로 하기 수식 4과 같을 수 있다.(단, 
는 각 속성의 
번째 구매자)
선호도의 업데이터는 추천 기반 정보를 구성하는 각 셀별로 독립적으로 업데이트가 이루어 질 수 있다. 예를 들면 연령대 20대의 대형차에 대한 선호 설정 정보에 대한 입력이 총 10개일 때, 이미 지정된 추천 기반 정보의 선호도 값이 3.5(기존 9개의 선호 설정 정보를 반영된 추천 기반 정보의 값이 3.5이며, 10번째 선호 설정 정보가 입력된 상황)라고 가정하자. 이것이 총 10명째 고객의 데이터가 모인 것이고 10번째 구매자는 20대 대형차 선호도를 5를 주었다고 하면 수식 4은 하기 수식 5과 같이 적용된다.
새로 업데이트 된 선호도는 3.65가 된다. 이와 같이 도 9나 도 12와 같은 추천 기반 정보를 구성하는 각 셀은 예시적으로 상기와 같은 방식의 셀 단위로 업데이트 할 수 있다. 이와 같은 셀 단위 업데이트를 통해서, 갱신된 추천 기반 정보가 생성되게 된다. 이와 같이 각 지금까지 쌓여온 정보에 대해 비율을 고려하여 적용 함으로써 나중에 사용된 값이 큰 힘을 발휘하지 않고 공평하게 적용된다.
이때, 예시적으로 중고 자동차 속성에 대한 구매자 가중치의 최초 기준값(최초 선호도)을 1로 정의하고 구매자가 선택한 각 중고 자동차 속성의 횟수를 구매자가 선택한 중고 자동차 속성의 총합으로 나누는 방식으로, 추천 기반 정보를 업데이트 할 수도 있다.
상기 중고 자동차 추천 엔진부(1300)의 추천 기반 정보 생성부(1320) 입수하여 처리된 표 27 내지 표 31과 같은 개별 구매자의 만족도 및/또는 선호도 정보를 반영하여 추천 기반 정보를 갱신한다. 도 12는 갱신된 추천 기반 정보의 일례를 도시하고 있다.
상기 중고 자동차 추천 엔진부(1300)의 추천 정보 생성부(1310)는 갱신된 추천 기반 정보를 사용하여 갱신된 추천 정보를 생성한다. 갱신된 구매자 속성의 가중치를 
, 중고 자동차 속성의 가중치를 
라고 했을 때 2차 추천을 위한 매칭 유사도 수식은 하기 수식 6와 같을 수 있다.
(가중치에 N이 붙고 similarity와 CIPAP에 '붙었음)
추천 정보의 생성은 전술한 바와 같이 매칭 유사도를 계산하는 방법으로 생성된다. 물론, 상기 갱신된 추천 정보의 생성 시에도 전술한 바와 같이 사용자의 개인 성향 및 용도를 제한 조건으로 처리하는 추천을 수행할 수도 있다.
하기 표 32 내지 표 36은 각각 구매자1, 구매자2에 대하여 갱신된 추천 기반 정보를 사용하여 생성된 갱신 추천 정보의 일례를 보여주고 있다.
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 | 재추천 DISTANCE | 재추천 RANK |
1차RANK |
| 1 | 국산 | 현대 | 세단(중형) | 쏘나타 하이브리드 | 2.0 하이브리드 | 1등급 | 2,980만원 | 29.0692 | 1 | 2 |
| 2 | 국산 | 기아 | 세단(중형) | K5 | 2.0 가솔린 | 3등급 | 2,650만원 | 34.2727 | 2 | 10 |
| 3 | 국산 | 기아 | 세단(중형) | K5 하이브리드 | 500h | 1등급 | 2,400만원 | 34.6155 | 3 | 1 |
| 4 | 국산 | 현대 | 세단(중형) | i40 | 1.7 VGT | 2등급 | 2,790만원 | 34.9607 | 4 | 4 |
| 5 | 국산 | 기아 | 세단(중형) | K5 | 2.0 가솔린 터보 | 4등급 | 2,970만원 | 40.1642 | 5 | 18 |
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 | 2차 DISTANCE | 2차 RANK | 1차RANK |
| 1 | 국산 | 현대 | 세단(중형) | 쏘나타 하이브리드 | 2.0 하이브리드 | 1등급 | 2,980만원 | 29.0692 | 1 | 2 |
| 2 | 국산 | 기아 | 세단(중형) | K5 | 2.0 가솔린 | 3등급 | 2,650만원 | 34.2727 | 2 | 10 |
| 3 | 국산 | 기아 | 세단(중형) | K5 하이브리드 | 500h | 1등급 | 2,400만원 | 34.6155 | 3 | 1 |
| 4 | 국산 | 현대 | 세단(중형) | i40 | 1.7 VGT | 2등급 | 2,790만원 | 34.9607 | 4 | 4 |
| 5 | 국산 | 기아 | 세단(중형) | K5 | 2.0 가솔린 터보 | 4등급 | 2,970만원 | 40.1642 | 5 | 18.5 |
한편, 상기 중고 자동차 추천 엔진부(1300)는 복수의 구매자의 선호도 정보를 모두 반영하여 추천 기반 정보를 갱신할 수도 있지만, 상기 추천 기반 정보를 분할하여 갱신할 수도 있다.
도 6은 이러한 본 발명 사상을 구현하는 중고 자동차 추천 엔진부(1300)의 일 실시예적 정보 처리 방법을 예시하고 있다. 상기 중고 자동차 추천 엔진부(1300)는 중고 자동차 추천 시스템(1000)에 접속하는 제1차 구매자의 제1차 구매자 식별 정보를 파악(S41)하고, 제1차 구매자 식별 정보에 대응되는 제1 구매자별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템(1000)에 접속할 제2차 구매자를 위한 구매자 속성별 독립 추천 기반 정보를 생성(S42)한다. 이어, 상기 중고 자동차 추천 엔진부(1300)는 중고 자동차 추천 시스템(1000)에 접속하는 제2차 구매자의 제2차 구매자 식별 정보를 파악(S43)하고, 제2차 구매자 식별 정보에 대응되는 제2차 구매자의 구매자 속성 정보 추출(S44)하며, 추출된 구매자 속성별 독립 추천 기반 정보를 입수(S45)하고, 입수된 구매자 속성별 독립 추천 기반 정보를 사용하여 갱신 추천 정보를 생성(S46)한다. 상기에서 제1차 구매자와 제2차 구매자는 구매자 속성별 추천 기반 정보의 생성을 전후인 시간을 기준으로 해서 구별된다. 즉, 동일한 구매자가 중고 자동차 추천 시스템(1000)에 재 접속하거나, 갱신 추천 정보를 제공 받기 전에, 상기 동일한 구매자를 위한 구매자 속성별 독립 추천 기반 정보가 생성되고, 생성된 구매자 속성별 독립 추천 기반 정보를 사용하여, 재 접속한 구매자에게 갱신 추천 정보를 제공할 수 있으며, 접속을 유지하고 있던 구매자에게 구매자 속성별 독립 추천 기반 정보를 사용한 갱신 추천 정보가 제공될 수 있을 것이다. 이하, 더욱 더 상세하게 설명한다.
예시적으로 상기 중고 자동차 추천 엔진부(1300)는 적어도 하나 이상의 구매자 속성 계열의 속성 항목별로 구매자의 선호도 정보만을 모아서 추천 기반 정보를 갱신할 수 있다. 예를 들면, 상기 중고 자동차 추천 엔진부(1300)의 추천 기반 정보 생성부(1320)는 여러 구매자 선호도 정보 중 성별 계열의 남자, 연령 계열의 40대라는 2개의 속성 항목을 공유하는 구매자 집단의 구매자 선호도 정보만을 취사 선택하여, 취사 선택된 구매자 선호도 정보만으로 취사 선택된 구매자 집단만을 위한 독립된 추천 기반 정보를 생성해 놓을 수 있다. 독립 추천 정보 생성은 본 발명의 독립 추천 정보 생성부(1321)가 처리한다. 상기 독립 추천 정보 생성부(1321)가 생성한 구매자 속성별 독립 추천 기반 정보는 속성별 추천 기반 정보 DB(1342)에 저장된다. 상기 중고 자동차 추천 시스템(1000)은 구매자가 접속한 경우, 구매자의 속성 정보가 취사 선택된 구매자 집단에 해당되는 지를 판별한 다음(상기 예에서, 구매자가 남자 40대인 지 여부를 판단), 상기 접속한 구매자에게 부합되는 구매자 속성별 추천 기반 정보를 사용하여 최적화된 갱신 추천 정보를 생성할 수 있다.
이때, 상기 접속한 구매자가 2 이상의 독립 추천 기반 정보의 사용과 관련될 수 있다. 이 경우, 상기 추천 정보 생성부(1310)는 상기 접속한 구매자 속성에서 구매자가 해당되는 속성 항목 교차수가 가장 많은 독립 추천 기반 정보를 사용하도록 처리한다. 예를 들면, 추천 기반 정보를 사용할 때, 남자별로 독립 추천 기반 정보가 생성되어 있고, 40대 연령별로 독립 추천 기반 정보가 생성되어 있고, 남자 40대별로 독립 추천 기반 정보가 생성되어 있을 때, 접속한 구매자가 40 대 남자일 경우, 속성 항목 교차수가 가장 많은 남자 40대별로 생성되어 있는 독립 추천 기반 정보를 우선적으로 사용할 수 있다.
한편, 상기 독립 추천 기반 정보를 개별 구매자 별로도 생성될 수 있다. 개별 구매자별로 생성되는 독립 추천 기반 정보는 개인별 추천 기반 정보가 된다. 이러한 개인별 추천 기반 정보는 특정한 개인이 구매자로서 지속적으로 본 발명의 중고 자동차 추천 시스템(1000)을 사용하는 경우에 가장 효과적으로 맞춤형 추천 정보를 제공해 주는데 사용될 수 있게 된다.
한편, 상기 판매자 정보 처리부(1400)의 판매자용 분석 정보 전송부(1430)는 중고 자동차별로 최초 추천 정보 및 갱신 추천 정보를 분석하여 판매자를 위하여 추천 회수 정보와 같은 적어도 하나 이상의 판매자용 분석 정보를 생성하여 판매자 단말기(3000) 또는 판매자 시스템(4000)에게 제공해 줄 수 있다. 표 34는 추천 회수 산출을 위한 중고 자동차 정보의 예시를 보여 주고 있다.
| No. | 제조국 | 제조사 | 형식 | 모델 | 세부모델 | 등급 | 가격 |
| 1 | 국산 | 기아 | 세단(중형) | K5 하이브리드 | 500h | 1등급 | 2,400만원 |
표 35는 판매자 정보 처리부(1400)가 판매자에게 제공하는 추천 회수 정보의 일례를 보여 주고 있다.
| 연령 | 나이 | ||
| 20대 | 30대 | 남 | 여 |
| 2회 | 1회 | 2회 | 1회 |
본 발명은 중고 자동차 매매와 같은 자동차 관련 산업에 광범위하게 활용할 수 있다.
1000 : 중고 자동차 추천 시스템
1100 : 구매자 정보 처리부
1110 : 구매자 정보 입수부
1111 : 구매자 기반 정보 입수부
1112 : 구매자 선호 정보 입수부
1113 : 구매자 검색 정보 입수부
1114 : 구매자 선호 설정 정보 입수부
1120 : 구매자 추천 정보 전송부
1200 : 중고 자동차 정보 DB
1210 : 구매자 정보 DB
1220 : 판매자 정보 DB
1230 : 중고 자동차 상품 정보 DB
1300 : 중고 자동차 추천 엔진부
1310 : 추천 정보 생성부
1311 : 최초 추천 정보 생성부
1312 : 갱신 추천 정보 생성부
1320 : 추천 기반 정보 생성부
1320 : 추천 기반 정보 생성부
1321 : 독립 추천 정보 생성부
1330 : 구매자 선호 설정 정보 처리부
1331 : 구매자 선호 설정 정보 입수부
1332 : 구매자 선호 설정 정보 반영부
1340 : 추천 정보 DB
1341 : 추천 기반 정보 DB
1342 : 속성별 추천 기반 정보 DB
1343 : 개인별 추천 기반 정보 DB
1400 : 판매자 정보 처리부
1410 : 판매자 정보 입수부
1420 : 판매자용 정보 분석부
1430 : 판매자용 분석 정보 전송부
2000 : 구매자 단말기
3000 : 판매자 단말기
4000 : 판매자 시스템
5000 : 유무선 네트워크
1100 : 구매자 정보 처리부
1110 : 구매자 정보 입수부
1111 : 구매자 기반 정보 입수부
1112 : 구매자 선호 정보 입수부
1113 : 구매자 검색 정보 입수부
1114 : 구매자 선호 설정 정보 입수부
1120 : 구매자 추천 정보 전송부
1200 : 중고 자동차 정보 DB
1210 : 구매자 정보 DB
1220 : 판매자 정보 DB
1230 : 중고 자동차 상품 정보 DB
1300 : 중고 자동차 추천 엔진부
1310 : 추천 정보 생성부
1311 : 최초 추천 정보 생성부
1312 : 갱신 추천 정보 생성부
1320 : 추천 기반 정보 생성부
1320 : 추천 기반 정보 생성부
1321 : 독립 추천 정보 생성부
1330 : 구매자 선호 설정 정보 처리부
1331 : 구매자 선호 설정 정보 입수부
1332 : 구매자 선호 설정 정보 반영부
1340 : 추천 정보 DB
1341 : 추천 기반 정보 DB
1342 : 속성별 추천 기반 정보 DB
1343 : 개인별 추천 기반 정보 DB
1400 : 판매자 정보 처리부
1410 : 판매자 정보 입수부
1420 : 판매자용 정보 분석부
1430 : 판매자용 분석 정보 전송부
2000 : 구매자 단말기
3000 : 판매자 단말기
4000 : 판매자 시스템
5000 : 유무선 네트워크
Claims (20)
- 중고 자동차 추천 시스템의 정보 처리 방법에 있어서, 상기 중고 자동차 추천 시스템이
(A) 구매자의 인구 통계학적 정보를 사용한 최초 추천 정보를 생성하는 단계;
(B) 구매자 단말기로부터 입수하는 구매자별 선호 설정 정보를 반영하여 추천 기반 정보를 갱신하는 단계;및
(C) 갱신된 추천 기반 정보로 갱신 추천 정보를 생성하는 단계;를 포함하는 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
(A1) 상기 최초 추천 정보를 생성할 때, 구매자 성향 정보 및 구매자 구매 용도 정보 중 어느 하나 이상을 더 포함하여 최초 추천 정보를 생성하는 단계;를 더 포함하며,
상기 최초 추천 정보를 생성할 때, 상기 구매자 성향 정보 및 상기 구매자 구매 용도 정보는 제약 조건으로 기능하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 최초 추천 정보 및 상기 갱신 추천 정보를 생성하는 것은 매칭 유사도를 기반으로 생성하는 것이며,
상기 매칭 유사도는 구매자 속성 가중치 정보 및 판매자 속성 가중치 정보를 포함하여 생성되는 값인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 구매자의 선호 설정 정보는 상기 최초 추천 정보에 대한 구매자의 반응 수집 정보를 포함하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제4항에 있어서,
상기 구매자의 반응 수집 정보는 최초 추천 정보에 대한 만족도 정보를 포함하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 (B) 단계는
(B1) 구매자 단말기로 선호 설정을 위한 선호 설정 요청 정보를 전송하는 단계; 및
(B2) 구매자 단말기로부터 입수한 선호 설정 정보를 입수하고, 입수한 선호 설정 정보로 추천 기반 정보를 갱신하는 단계;를 더 포함하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 추천 기반 정보는 2차원의 매트릭스 정보체 구조, 3차원의 큐브 정보체 구조 또는 n(n>3)차원의 정보체 구조의 정보인 것이며,
상기 정보체 구조에는 적어도 하나 이상의 구매자 속성별 적어도 하나 이상의 중고 자동차 속성별로 교차값을 포함하고 있는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 (A) 단계 이후에,
(D1) 구매자 단말기로 선호 설정을 위한 선호 설정 요청 정보를 전송하는 단계;
(D2) 상기 구매자 단말기로부터 선호 설정 정보를 입수하는 단계;
(D3) 상기 구매자 단말기로부터 입수한 선호 설정 정보로 갱신 추천 정보를 생성하는 단계; 및
(D4) 생성된 상기 갱신 추천 정보를 상기 구매자 단말기로 전송하는 단계;를 더 포함하는 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제8항에 있어서,
상기 선호 설정 정보는 상품 속성 그룹 및 상기 상품 속성 그룹에 속하는 개별 상품 속성에 대한 가중치 정보, 선호도 정보, 선호 서열 정보 중 어느 하나 이상인 것이며,
상기 (D3) 단계의 갱신 추천 정보의 생성은 상기 (D2) 단계에서 입수한 상기 선호 설정 정보를 사용하여 매칭 유사도를 재산출하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 추천 기반 정보의 갱신은 상기 최초 추천 정보에 대한 만족도 정보와 구매자 선호 설정 정보를 사용하여 갱신하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 추천 기반 정보는 구매자 속성별 추천 기반 정보를 적어도 하나 이상 포함하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제11항에 있어서,
상기 구매자별 추천 기반 정보는 구매자 속성별 추천 기반 정보는 적어도 하나 이상의 구매자별 추천 기반 정보를 포함하는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제11항에 있어서,
상기 구매자 속성별 추천 기반 정보는 갱신되는 것이며,
상기 구매자 속성별 추천 기반 정보를 갱신할 때는 상기 (B) 단계에서 구매자 선호 설정 정보를 반영할 때, 구매자 속성별로 구분되는 구매자 그룹의 구매자 선호 설정 정보만을 반영하여 갱신 처리되는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제12항에 있어서,
상기 구매자별 추천 기반 정보는 갱신되는 것이며,
상기 구매자별 추천 기반 정보를 갱신할 때는 상기 (B) 단계에서 구매자 선호 설정 정보를 반영할 때, 구매자별로 구매자 선호 설정 정보만을 반영하여 갱신 처리되는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항에 있어서,
상기 추천 기반 정보의 갱신은 실시간으로 이루어지는 것인 것이며,
상기 중고 자동차 추천 시스템을 사용하는 제1 구매자 단말기로부터 입수되는 구매자 선호 설정 정보에 반영하여 상기 추천 기반 정보의 갱신이 이루어지는 것인 것이며,
상기 제1 구매자 단말기에는 구매자 선호 설정 정보 전송 후 갱신된 추천 기반 정보로 생성되는 갱신 추천 정보가 전송되는 것인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제13항에 있어서,
(D) 상기 중고 자동차 추천 시스템에 접속하는 구매자의 구매자 속성 정보를 파악하는 단계; 및
(E) 상기 구매자 속성 정보에 대응되는 구매자 속성별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 단계;를 더 포함하는 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제14항에 있어서,
(F상기 중고 자동차 추천 시스템에 접속하는 구매자의 구매자 식별 정보를 파악하는 단계; 및
(G)상기 구매자 식별 정보에 대응되는 구매자별 추천 기반 정보를 사용하여 상기 중고 자동차 추천 시스템에 접속하는 구매자를 위한 갱신 추천 정보를 생성하는 단계;를 더 포함하는 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제8항에 있어서,
상기 구매자 선호도 조사 정보는 상기 구매자별로 중고 자동차 속성 계열별 평가 정보 및 중고 자동차 속성 계열별로 상기 중고 자동차 속성 계열에 포함되는 중고 자동차 속성 항목별 평가 정보 중 어느 하나 이상인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제18항에 있어서,
상기 중고 자동차 속성 계열별 평가 정보 및 상기 중고 자동차 속성 항목별 평가 정보는 순위 정보, 가중치 정보, 점수 정보, 서열 점수 정보 및 백분위 정보 중 어느 하나 이상인 것을 특징으로 하는 중고 자동차 추천 시스템의 정보 처리 방법. - 제1항 내지 제19항 중 어느 한 항의 방법을 실시하며,
중고 자동차 구매자의 정보를 처리하는 구매자 정보 처리부;
중고 자동차 정보를 저장하는 중고 자동차 정보 DB;및
구매자에게 중고 자동차 추천 정보를 생성하고 제공하는 중고 자동차 추천 엔진부;를 포함하는 것을 특징으로 하는 중고 자동차 추천 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140190461A KR20160079299A (ko) | 2014-12-26 | 2014-12-26 | 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140190461A KR20160079299A (ko) | 2014-12-26 | 2014-12-26 | 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20160079299A true KR20160079299A (ko) | 2016-07-06 |
Family
ID=56502279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140190461A KR20160079299A (ko) | 2014-12-26 | 2014-12-26 | 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20160079299A (ko) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018106427A1 (en) * | 2016-12-05 | 2018-06-14 | Facebook, Inc. | Customizing content based on predicted user preferences |
| CN109300018A (zh) * | 2018-10-31 | 2019-02-01 | 深圳市元征科技股份有限公司 | 一种车辆智能推荐方法、装置、设备及存储介质 |
| KR20190105478A (ko) * | 2018-03-05 | 2019-09-17 | 에스케이네트웍스 주식회사 | 렌터카 서비스 방법 및 그 장치 |
| KR102119054B1 (ko) * | 2019-02-01 | 2020-06-04 | 이원석 | 모듈화된 이동 차량용 거치대 플랫폼 시스템 |
| KR102166371B1 (ko) * | 2020-05-11 | 2020-10-15 | 오한상 | IoT 기반의 인공지능 마케팅 장치 및 방법 |
| KR102237397B1 (ko) * | 2020-12-16 | 2021-04-06 | 정재훈 | 네트워크를 통한 중고 안마 의자의 구매 추천 방법, 이에 사용되는 관리 서버 및 네트워크를 통한 중고 안마 의자의 구매 추천 방법을 실행시키는 프로그램이 기록된 기록 매체 |
| KR20210061652A (ko) * | 2019-11-20 | 2021-05-28 | 지혜령 | 온톨로지 기반 메타데이터 연관성을 활용한 중장비 추천 시스템 |
| KR102269891B1 (ko) * | 2020-06-22 | 2021-06-25 | 전은태 | 사용자의 특성에 기반하여 차량 관련 정보를 제공하는 서버 및 방법 |
| KR20210108751A (ko) * | 2020-02-26 | 2021-09-03 | 지준호 | 중고차 온라인 직거래 시스템 및 방법 |
| KR20210127506A (ko) * | 2020-04-14 | 2021-10-22 | 현대캐피탈 주식회사 | 온라인 차량 구매 희망자의 서비스 이용 기록을 참조하여 구매자 중심으로 차량을 거래하기 위한 방법 및 이를 이용한 서버 |
| KR20220040238A (ko) | 2020-09-23 | 2022-03-30 | 주식회사 아이트럭 | Ai 기반 중고 트럭 매물 추천 방법 |
| KR20220040653A (ko) | 2020-09-24 | 2022-03-31 | 주식회사 아이트럭 | 중고차 잔가 시세 알고리즘 |
| KR102486324B1 (ko) * | 2022-06-10 | 2023-01-09 | (주)그리트라운지 | 차량의 구매자와 판매자를 매칭하기 위한 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110017946A (ko) | 2009-08-16 | 2011-02-23 | 신재성 | 중고 자동차 원스톱 매매 시스템 |
| KR20110047384A (ko) | 2009-10-30 | 2011-05-09 | 김진한 | 중고 자동차 매매 운영 시스템 및 방법 |
-
2014
- 2014-12-26 KR KR1020140190461A patent/KR20160079299A/ko not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110017946A (ko) | 2009-08-16 | 2011-02-23 | 신재성 | 중고 자동차 원스톱 매매 시스템 |
| KR20110047384A (ko) | 2009-10-30 | 2011-05-09 | 김진한 | 중고 자동차 매매 운영 시스템 및 방법 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11226831B2 (en) | 2016-12-05 | 2022-01-18 | Facebook, Inc. | Customizing content based on predicted user preferences |
| WO2018106427A1 (en) * | 2016-12-05 | 2018-06-14 | Facebook, Inc. | Customizing content based on predicted user preferences |
| KR20190105478A (ko) * | 2018-03-05 | 2019-09-17 | 에스케이네트웍스 주식회사 | 렌터카 서비스 방법 및 그 장치 |
| KR20190105476A (ko) * | 2018-03-05 | 2019-09-17 | 에스케이네트웍스 주식회사 | 렌터카 서비스 장치 및 그 장치에서의 견적 제공 방법 |
| CN109300018A (zh) * | 2018-10-31 | 2019-02-01 | 深圳市元征科技股份有限公司 | 一种车辆智能推荐方法、装置、设备及存储介质 |
| KR102119054B1 (ko) * | 2019-02-01 | 2020-06-04 | 이원석 | 모듈화된 이동 차량용 거치대 플랫폼 시스템 |
| KR20210061652A (ko) * | 2019-11-20 | 2021-05-28 | 지혜령 | 온톨로지 기반 메타데이터 연관성을 활용한 중장비 추천 시스템 |
| KR20210108751A (ko) * | 2020-02-26 | 2021-09-03 | 지준호 | 중고차 온라인 직거래 시스템 및 방법 |
| KR20210127506A (ko) * | 2020-04-14 | 2021-10-22 | 현대캐피탈 주식회사 | 온라인 차량 구매 희망자의 서비스 이용 기록을 참조하여 구매자 중심으로 차량을 거래하기 위한 방법 및 이를 이용한 서버 |
| KR20210137866A (ko) * | 2020-05-11 | 2021-11-18 | 오유상 | 4차 산업 기술을 이용하는 마케팅 서비스를 제공하는 방법 및 그 시스템 |
| KR102166371B1 (ko) * | 2020-05-11 | 2020-10-15 | 오한상 | IoT 기반의 인공지능 마케팅 장치 및 방법 |
| KR102269891B1 (ko) * | 2020-06-22 | 2021-06-25 | 전은태 | 사용자의 특성에 기반하여 차량 관련 정보를 제공하는 서버 및 방법 |
| KR20220040238A (ko) | 2020-09-23 | 2022-03-30 | 주식회사 아이트럭 | Ai 기반 중고 트럭 매물 추천 방법 |
| KR20220040653A (ko) | 2020-09-24 | 2022-03-31 | 주식회사 아이트럭 | 중고차 잔가 시세 알고리즘 |
| KR102237397B1 (ko) * | 2020-12-16 | 2021-04-06 | 정재훈 | 네트워크를 통한 중고 안마 의자의 구매 추천 방법, 이에 사용되는 관리 서버 및 네트워크를 통한 중고 안마 의자의 구매 추천 방법을 실행시키는 프로그램이 기록된 기록 매체 |
| KR102486324B1 (ko) * | 2022-06-10 | 2023-01-09 | (주)그리트라운지 | 차량의 구매자와 판매자를 매칭하기 위한 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20160079299A (ko) | 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법 | |
| US11755598B1 (en) | Predictive conversion systems and methods | |
| Silalahi et al. | Service quality analysis for online transportation services: Case study of GO-JEK | |
| Wu et al. | Applying conjoint analysis to evaluate consumer preferences toward subcompact cars | |
| CN107944060B (zh) | 一种面向汽车垂直网站的产品信息检索方法 | |
| CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
| Thanasuta et al. | Brand and country of origin valuations of automobiles | |
| Sheldon et al. | Electric and plug‐in hybrid vehicle demand: lessons for an emerging market | |
| Singh et al. | Quantifying the effect of eWOM embedded consumer perceptions on sales: An integrated aspect-level sentiment analysis and panel data modeling approach | |
| CN103827906A (zh) | 用于选择、过滤或呈现可用的销售渠道的方法和系统 | |
| Baltas et al. | Measuring brand equity in the car market: a hedonic price analysis | |
| CN101589385A (zh) | 选择引擎 | |
| Chang et al. | A measurement scale for evaluating the attractiveness of a passenger car form aimed at young consumers | |
| CN102203772A (zh) | 基于对交易的分析而计算和显示价格分布的系统和方法 | |
| WO2020033825A1 (en) | Comparative ranking system | |
| Amineh et al. | Assessment of Consumers' Satisfaction with the Automotive Product Quality. | |
| Gokhale et al. | Factors influencing purchase decision and consumer behavior in luxury cars | |
| Sun et al. | How to identify product defects and segment consumer groups on an online auto forum | |
| CN116109357A (zh) | 一种汽车在线评论综合评分计算方法、系统及介质 | |
| Armawan | The Influence of Brand Image, Service Quality and Perceived Value on Brand Loyalty And Brand Equity Toyota Avanza | |
| Cho et al. | How Important is Design for the Automobile Value Chain? | |
| Gollapalli et al. | Intelligent Modelling Techniques for Predicting Used Cars Prices in Saudi Arabia. | |
| Khan et al. | Two-Wheeler Consumers’ Behaviour Towards Customer Satisfaction | |
| Gardete et al. | No data? No problem! A search-based recommendation system with cold starts | |
| Smith | Exploring Dimensions of Customer Retention and Information Quality in the Online Automobile Industry. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E601 | Decision to refuse application |