KR20160143697A - 의류 치수 추천 및 핏 분석 시스템 및 방법 - Google Patents

의류 치수 추천 및 핏 분석 시스템 및 방법 Download PDF

Info

Publication number
KR20160143697A
KR20160143697A KR1020167029738A KR20167029738A KR20160143697A KR 20160143697 A KR20160143697 A KR 20160143697A KR 1020167029738 A KR1020167029738 A KR 1020167029738A KR 20167029738 A KR20167029738 A KR 20167029738A KR 20160143697 A KR20160143697 A KR 20160143697A
Authority
KR
South Korea
Prior art keywords
garment
dimension
fit
algorithm
analysis system
Prior art date
Application number
KR1020167029738A
Other languages
English (en)
Inventor
유 첸
로버트 볼랜드
짐 다우닝
레이 밀러
가레스 로저스
조 타운센드
Original Assignee
미테일 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 미테일 리미티드 filed Critical 미테일 리미티드
Publication of KR20160143697A publication Critical patent/KR20160143697A/ko

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
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D1/00—Garments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/20—Perspective computation
    • G06T15/205—Image-based rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/04815—Interaction with a metaphor-based environment or interaction object displayed as three-dimensional, e.g. changing the user viewpoint with respect to the environment or object
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04842—Selection of displayed objects or displayed text elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/16—Cloth

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Textile Engineering (AREA)
  • Computing Systems (AREA)
  • Architecture (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

컴퓨터로 구현되는 의류 치수 추천 및 핏 분석 시스템으로서, 상기 시스템에서 메모리가 최종-사용자의 가상 프로파일 또는 모델을 저장하고, 프로세서가 최종-사용자의 의류의 선택을 수신하고, 의류 핏 알고리즘(garment fit algorithm)을 이용해, 상기 의류가 최종-사용자의 프로파일 또는 모델에 맞을 정도를 결정하며, 상기 알고리즘은 실제 판매 데이터를 기초로 훈련된다.

Description

의류 치수 추천 및 핏 분석 시스템 및 방법{GARMENT SIZE RECOMMENDATION AND FIT ANALYSIS SYSTEM AND METHOD}
1. 발명의 분야
본 발명은 의류 치수 추천 및 핏 분석 시스템과 관련된다. 소매상의 웹사이트 상에서 의류를 쇼핑할 때, 고객이 의류를 선택하고, 의류 치수 추천 및 핏 분석 시스템이 선택된 의류 치수가 고객에게 얼마나 잘 맞을지를 분석 및/또는 상기 고객에게 의류의 최상의 핏 또는 치수를 추천한다.
2. 배경 기술의 설명
온라인 소매상으로부터 옷을 구매하는 것이 빠르게 확장하는 분야이다. 의류를 온라인으로 선택할 때, 고객은 치수를 특정할 수 있지만, 옷을 입어볼 수 없기 때문에 많은 고객이 구매를 망설인다. 따라서 치수 불확실성이 온라인 의류 주문을 착수하는 데 상당한 걸림돌이다. 고객이 의류를 온라인으로 구매하고, 의류가 잘 맞지 않는 경우, 의류가 반품될 수 있고 고객이 상기 소매상으로부터의 장래의 온라인 구매를 망설일 수 있다. 일반적으로 소매상은 물품을 반품하는 비용을 지불하고, 물품이 반품되면, 또한 물품을 수동으로 체크하고 다시 포장해야 한다. 이는 비용 소모적이다. 그리고 나쁜 핏은 실제 리스크이다: 의류 치수 차트가 서로 다른 소매상 간에 표준화되어 있지 않아서(때때로 동일 소매상에 의해 취급되는 서로 다른 브랜드 간에 표준화되어 있지 않음), 하나의 소매상 또는 하나의 브랜드로부터 치수 12의 드레스가 상이한 소매상 또는 상이한 브랜드의 치수 10과 동일한 치수일 수 있다. 온라인으로 구매한 옷에 대한 반품률의 현재 추정치가 30%나 되며 - 대부분 반품되는 옷이 맞지 않기 때문이다. 따라서 온라인 소매상에 의해 제공되는 치수 차트에 대해 많이 신뢰할 수 없기 때문에 온라인 의류 쇼핑이 사용자에게 불만족스러울 수 있다. 이는 온라인 의류 소매상 사이트의 활용 레벨을 더 높일 수 없다. 그리고 경험이 소매상의 관점에서 당연히 그래야 하는 것보다 수익성이 덜할 수 있다.
따라서 지금까지 옷을 입어보기 위해서는, 사용자가 상점으로 가야 하거나, 옷이 배달되기를 기다려야 하는데, 둘 모두 시간이 걸리고 이동 또는 배달 비용을 수반한다. 사용자가 의류가 잘 맞을 것이라는 높은 확신을 갖고 의류를 온라인으로 구매하는 것이 유용할 것이다.
최근 들어 사용자에 대한 가상의 신체 모델, 즉, 대부분의(일부 경우, 모든) 사용자의 머리 및 몸의 가상 또는 컴퓨터-그래픽 기반 모델을 구성하는 컴퓨터-구현 시스템을 제공하기 위해 상당한 노력이 이뤄졌고, 이상적으로 이러한 모델은 사용자를 정확히 그려내는 것을 의미한다. 그 후 이들 시스템은 다양한 정확도로 사용자에 의해 구매될 수 있는 물리적 의류의 실제 형태 및 치수를 반영하는 가상 의류의 모음을 제공한다. 의류는 사용자에 의해 선택되고 그 후 사용자의 가상 신체 모델에 피팅되거나 시각화될 수 있다. 이로 인해 사용자는 의류가 어떻게 보일 것인지를 알 수 있으며, 특히, 의류의 스타일이 사용자에게 어울리는지 여부와 의류의 특정 치수에 대한 핏이 올바른지 여부를 알 수 있다. 본 명세서에 그 전체에 포함되는 PCT/GB2012/05036가 참조되어야 한다.
본 발명의 첫 번째 양태는 컴퓨터로 구현되는 의류 치수 추천 및 핏 분석 시스템이며, 상기 시스템에서, 메모리가 최종-사용자의 가상 프로파일 또는 모델을 저장하고, 프로세서가 최종-사용자의 의류의 선택을 수신하고, 의류 핏 알고리즘(garment fit algorithm)을 이용해, 상기 의류가 최종-사용자의 프로파일 또는 모델에 맞을 정도를 결정하며, 상기 알고리즘은 실제 판매 데이터를 기초로 훈련된다.
이는 몇 가지 이점을 가진다: 1) 치수 추천 엔진은 사용 가능해지기 위해 매우 적은 양의 초기 훈련 데이터만 필요로 한다. 그렇지만, 의류 카테고리 및 상기 소매상의 서로 다른 의류 브랜드의 체형 그룹을 시간에 따라 점진적으로 적응시키기 위해 쉽게 정제 및 업데이트될 수 있으며, 2) 엔진은 소매상의 사용자 그룹의 거동의 변하는 추세를 추적할 수 있고, 3) 이 접근법에 의해 학습되는 확률 치수 모델이 직관적으로 시각화될 수 있으며 따라서 통찰력 있는 비즈니스 정보(가령, 체형, 핏 선호도 등)을 소매상에게 전달하는 데 더 도움이 될 수 있고, 4) 엔진은 우수한 의류 치수 차트가 전혀 이용 가능하지 않을 때 또는 제조된 아이템이 어떤 이유로 치수 차트에서 벗어날 때에도 작동할 수 있다.
본 발명의 하나의 특정 구현예의 특징은 다음을 포함한다:
Figure pct00001
상기 알고리즘은 상기 의류의 소매상으로부터의 실제 판매 데이터를 기초로 훈련되어 상기 소매상으로부터의 치수 차트를 조절한다.
Figure pct00002
상기 판매 데이터는: 주문 구매된 아이템들의 목록, 주문된 의류의 치수, 고객의 신체 파라미터, 고객의 인구통계적 정보, 위치, 및 핏 선호도, 의류가 유지되었는지, 반품되었는지, 또는 교환되었는지 여부, 중 하나 이상을 포함한다.
Figure pct00003
상기 알고리즘은 실제 실시간 판매 데이터를 기초로 훈련되고 업데이트된다.
Figure pct00004
특정 소매상에 대한 실제 실시간 판매 데이터가, 고객이 상기 소매상의 웹 판매점 웹 사이트를 브라우징할 때 런칭되는 위젯 또는 애플리케이션을 이용해 추적된다.
Figure pct00005
상기 알고리즘은 사용 가능해지기 위해 비교적 적은 양의 초기 훈련 데이터를 필요로 하지만, 서로 다른 의류 카테고리와 연관된 서로 다른 체형 그룹에 적응하도록 시간에 따라 업데이트된다.
Figure pct00006
상기 알고리즘은 사용 가능해지기 위해 비교적 적은 양의 초기 훈련 데이터를 필요로 하지만, 상기 소매상의 서로 다른 의류 브랜드에 적응하도록 시간에 따라 업데이트된다.
Figure pct00007
상기 알고리즘은 소비자 구매 및 반품 거동의 추세를 추적한다.
Figure pct00008
상기 알고리즘은 소매상 또는 브랜드의 우수한 의류 치수 차트가 이용 가능하지 않을 때도 동작한다.
Figure pct00009
상기 알고리즘은 제조된 아이템이 치수 차트에서 벗어날 때 동작한다.
Figure pct00010
상기 알고리즘은 소매상의 치수 차트와 연관된 측정이 상기 소매상으로부터 특정 치수의 의류를 구매 및 유지하거나 구매 및 반품한 고객과 어떻게 연관되는지를 보여주는 시각적 플롯, 가령, 산포도(scatter plot)를 생성한다.
Figure pct00011
상기 프로파일 또는 모델은 최종-사용자 특정적이며, 사용자 관련 개인 데이터, 신장, 체중, 연령, 체형, 윗가슴둘레/가슴둘레, 허리둘레 및 엉덩이둘레 측정치, 과거에 구매하거나 선호한 의류, 과거 브라우징 히스토리 중 하나 이상으로부터 얻어진다.
Figure pct00012
상기 프로파일 또는 모델은 최종-사용자 특정적이기 때문에 유사 최종-사용자들의 클러스터가 아니다.
그 밖의 다른 선택적 특징으로는 다음과 같다:
Figure pct00013
상기 알고리즘은 의류 소매상의 치수 파트의 핏-포인트(fit-point)로부터의 데이터에 최종-사용자의 가상 프로파일 또는 모델을 비교한다.
Figure pct00014
핏 포인트는 특정 치수의 의류에 대해, 상기 의류에 최상으로 맞을 사용자의 측정치, 가령, 가슴둘레, 허리둘레 및 엉덩이둘레를 정의한다.
Figure pct00015
상기 알고리즘은 최종-사용자에게 디스플레이되는 텍스트 기술(textual description)로 변환되는 각각의 핏 포인트에 대한 핏 함수(fit function)를 이용한다.
Figure pct00016
텍스트 기술은, 너무 작음, 꼭 끼임, 추천, 헐렁함, 너무 큼, 또는 동등한 용어 중 하나 이상을 포함한다.
Figure pct00017
특정 소매상의 치수 X에 대한 핏 함수는 최상의 핏(best fit)에 대응하는 측정치에 위치하는 피크(peak)를 가진다.
Figure pct00018
특정 소매상의 치수 X에 대한 핏 함수는 핏 공차(fit tolerance)를 나타내기 위한 폭을 가지며 특정 의류에 대해 경험적으로 결정된다.
Figure pct00019
상기 핏 공차는 덧입힌 의류의 이미지 측정과 관련 핏 포인트 영역 주위의 신체 이미지(2D 또는 3D)를 비교하는 것을 기초로 하는 자동 분류 스킴(automatic classification scheme)에 의해 결정된다.
Figure pct00020
핏 함수의 출력은 핏 포인트에 대한 핏 점수이다.
Figure pct00021
알고리즘은 의류에 대한 모든 관련 핏 포인트에 대한 핏 점수의 함수인 총 피팅 점수를 이용한다.
Figure pct00022
알고리즘은 거리 메트릭을 이용해 최종-사용자의 프로파일 또는 모델과 의류의 하나 이상의(또는 각각의) 치수의 대응하는 측정치 간 유사성을 계산한다.
Figure pct00023
의류의 하나 이상의(또는 각각의) 치수의 대응하는 측정치는 상기 의류의 소매상 또는 제조업자로부터의 치수 차트에 정의된다.
Figure pct00024
거리 메트릭은 유클리드 거리이다.
Figure pct00025
상기 거리 메트릭은 서로 다른 신체 측정치들 간 상관관계를 고려한 메트릭, 가령, 마할라노비스 거리(Mahalanobis distance)이다.
Figure pct00026
상기 거리 메트릭은 서로 다른 핏 포인트가 치수 추천에 서로 다른 레벨의 영향을 미침을 고려하는 메트릭, 가령, 마할라노비스 거리(Mahalanobis distance)이다.
Figure pct00027
상기 알고리즘은 각각의 치수의 의류의 실제 판매 및 반품과 연관된 체형 분포의 추정을 이용하고 치수 차트에서 측정 정의를 보정하기 위한 편차(bias)를 생성한다.
Figure pct00028
상기 알고리즘은 K-최근접 이웃(KNN) 머신 러닝 알고리즘을 이용한다.
Figure pct00029
KNN 알고리즘의 외삽 능력이, 훈련 인스턴스가 희박할 때만 최종 예측에서 우세한 사전확률(prior)을 이용함으로써 개선된다.
Figure pct00030
상기 알고리즘은 소프트 투표 및 협의 스킴(soft voting and consensus scheme)을 이용한다.
Figure pct00031
알고리즘은 치수 차트에서의 측정 정의를 보정하기 위해 관측된 신체 측정 데이터 및 디폴트(가령, 원본) 치수 차트로부터의 각각의 의류 치수에 대해 확률 모델을 학습하기 위한 베이지안(Bayesian) 접근법을 이용한다.
Figure pct00032
상기 디폴트 치수 차트는 임의의 잘 알려진 브랜드의 치수 차트이다.
Figure pct00033
알고리즘은 예를 들어 지정 용어 또는 카테고리(가령, '꼭 맞음', '제안되는 핏' 등)을 이용해, 고객에게 현재 보고 있는 아이템의 특정 치수가 이들의 가상 프로파일/모델(가령, 이들의 가슴둘레, 허리둘레 및 엉덩이둘레)에 대해 맞을 정도를 알려준다.
Figure pct00034
알고리즘은 예를 들어 지정 용어 또는 카테고리(가령, '꼭 맞음', '제안되는 핏' 등)를 이용해, 고객에게 과거에 구매한 아이템이 이들의 가상 프로파일/모델(가령, 가슴둘레, 허리둘레 및 엉덩이둘레)에 대해 맞을 정도를 알려준다.
Figure pct00035
프로세서는 활성화될 때 각각의 아이템을 구매를 위한 온라인 장바구니로 이동시키는 선택 아이콘(가령, 틱 박스(tick box)) 또는 시스템(가령, 드래그 앤 드롭)을 이용해 특정 치수의 아이템을 피팅 정보(가령, '꼭 맞음', '제안되는 핏' 등)와 함께 디스플레이한다.
Figure pct00036
시스템에서 (a) 가상 프로파일 또는 모델은 사용자 데이터로부터 생성되며, (b) 3D 이미지가 의류의 복수의 2D 사진을 분석 및 처리함으로써 생성되고, (c) 3D 의류 이미지가 3D 가상 신체 모델 위에 중첩되어 나타난다.
두 번째 양태는 컴퓨터로 구현되는 의류 치수 추천 및 핏 분석 방법이며, 상기 방법에서, 메모리가 최종-사용자의 가상 프로파일 또는 모델을 저장하고, 프로세서가 최종-사용자의 의류의 선택을 수신하고, 의류 핏 알고리즘(garment fit algorithm)을 이용해, 상기 의류가 최종-사용자의 프로파일 또는 모델에 맞을 정도를 결정하며, 상기 알고리즘은 실제 판매 데이터를 기초로 훈련된다.
도 1은 고객의 허리둘레 측정치와 관련된 소매상의 치수 16의 의류의 핏 함수의 예시이다. 라벨이 14, 16, 18 및 20이 진한 흑색 선으로 나타난 삼각 필터의 하단부(치수 14), 피크(치수 16), 상단부(치수 18)에 대한 치수 정의에 대응하는 치수 라벨이다.
도 2는 특정 치수의 드레스를 구매 및 유지한 고객들의 가슴둘레 및 허리둘레의 산포도이며, 치수 8, 10, 12, 14, 16 및 18의 드레스에 대한 산포도가 도시된다. 산포도는 소비자의 웹 브라우징 장치 상의 미테일 위젯에 의해 기록된 하이-스트리트 의류 소매상의 판매 데이터를 기초로 한다. 각각의 치수에 대한 백색 원은 소매상이 상기 치수와 연관시키는 측정치를 나타낸다. 흑색 점은 특정 치수의 드레스를 구매 및 유지하는 고객의 인스턴스를 나타낸다.
도 3은 각각의 라운드 로빈 테스트에서 질의 인스턴스에 대한 최상의 치수 추천의 신뢰도 점수를 등급화함으로써 1020개의 데이터 인스턴스의 교차-검증 세트 상의 정확도-재현율 곡선을 도시한다. 신뢰도 점수는 이하의 섹션 3.3에서 기재된 확장된 KNN 알고리즘을 이용해 획득된다.
도 4는 추천된 의류 치수(밑줄 친 박스에서 나타남 - 즉, 치수 10)를 보여주고 상기 치수가 고객의 가슴둘레, 허리둘레 및 엉덩이둘레에 대해 얼마나 잘 맞을지를 나타내는 스크린샷이다.
도 5는 블라우스에 대한 추천 의류 치수(치수 14)를 보여주는 스크린샷이며, 허리둘레에 대해서는 너무 크고 엉덩이둘레에 대해서는 꼭 맞을 것이지만, 두 가슴둘레 모두에 대해 잘 맞을 것이다. 드레스는 치수 14가 추천되는데, 이는 가슴둘레에 대해 잘 맞을 것이지만, 허리둘레에 대해 너무 크고 엉덩이둘레에 대해 꼭 맞을 것이다.
도 6은 (a) 고객의 클라이언트 장치(가령, 웹을 브라우징하는 컴퓨터, 이때 위젯이 아이프레임(iFrame)으로 구현됨), (b) 의류 데이터베이스에 연결된 소매상의 웹 서버, 및 (c) 일반적으로, 클라우드-기반 멀티-프로세서 컴퓨터 시스템이며 모든 사용자 데이터, 가령, 사용자의 측정치를 정의하는 모델 또는 프로파일을 저장하는 데이터베이스에 연결된 의류 추천 및 핏 분석 시스템을 포함하는 전체 시스템의 개략도이다.
도 7은 덧입힌 의류의 이미지 측정치와 신체 이미지를 비교함으로써 자동 분류 스킴이 핏 포인트의 공차를 결정하기 위해 적용될 수 있는 법을 도시한다. 이 예시에서, 드레스의 이미지가 가상 신체 모델의 이미지 상에 덧씌워진다. 각각의 핏 포인트에서의 수평 측정치의 차이를 비교함으로써, 가슴둘레, 허리둘레, 및 엉덩이둘레에서의 핏 포인트를 각각 꼭 끼임(tight), 여유있음(Loose), 헐렁함(Baggy)으로 분류한다.
1. 서문
이 섹션은 미테일(Metail) 의류 치수 추천 및 핏 분석 서비스라고 지칭되는 본 발명의 구현에서 사용되는 몇 개의 알고리즘의 기술적 세부사항을 기재한다. 알고리즘의 2개의 갈래가 존재한다:
Figure pct00037
핏-포인트(fit-point) 기반 방식: 다음의 방법을 포함한다:
- 소매상의 치수-차트의 핏-포인트를 이용하는 휴리스틱 알고리즘.
- 치수-차트의 핏-포인트를 이용하는 유클리드 거리 메트릭 알고리즘을 기초로 하는 알고리즘.
- 기록된 체형 데이터로부터 추정된 보정된 치수-차트를 이용한 개선된 휴리스틱 및 거리 메트릭 방식.
- 각각의 의류 치수를 특징 짓는 확률 분포를 모델링하고 모델 선택을 통해 치수를 추천하는 베이지안 방식(Bayesian approach).
Figure pct00038
예시-기반 방식: 치수 차트 사전확률과 함께 체형 파라미터 데이터 및 유지 데이터(retention data)를 이용하는 확장된 k-최근접 이웃 알고리즘.
2. 치수 차트의 핏 포인트를 찾는 것을 기반으로 하는 방식
치수 추천을 위해 사용한 방식의 첫 번째 갈래가 소매상의 치수 차트의 핏-포인트를 기초로 한다. 대부분의 치수 차트의 경우, 가용 핏 포인트가 각각의 특정 치수 라벨의 의류가 맞는 것으로 추측되는 개체군의 평균 가슴둘레, 허리둘레, 엉덩이둘레이다. 예를 들어, 영국의 테스코(Tesco) 의류 치수 차트 상에서, 치수 12는 가슴둘레= 93cm, 허리둘레= 74cm, 및 엉덩이둘레= 99cm 등을 가진다.
2.1 휴리스틱 핏-포인트 알고리즘
치수 차트의 핏 포인트 및 사용자의 측정 입력을 기초로, 우리는 우선, 여성 고객이 실제 의류 구매 경험에서 피팅이 어떻게 작용한다고 생각하는지에 대한 경험적 이해를 기초로 휴리스틱 알고리즘을 설계했다. 특정 의류가 사용자 체형에 얼마나 잘 맞는지를 모델링하기 위해, 우리는 각각의 핏 포인트 상의 핏-함수(fit-function)를 평가했다. 특정 치수의 핏-함수 f가 0(맞지 않음)과 1(완벽하게 맞음) 사이의 출력을 갖는 삼각 윈도 필터(triangular window filter)로 정의된다. 예시로서 도 1을 참조할 수 있다. 핏-함수의 출력이 대응하는 신체 부위에 대한 핏 분석으로서 고객에게 보여지는 텍스트 기술로 변환될 수 있다(예시로서 도 1을 참조할 수 있고, 도 4 및 5는 사용자의 웹 브라우징 장치 상의 스크린 디스플레이를 보여준다).
Figure pct00039
표 1. 대응하는 신체 부위에 대한 핏 함수의 출력을 기초로 텍스트 기술로 된 핏 분석의 예시
핏 함수의 피크(peak)가 소매상의 치수 차트 상의 치수 라벨 s에 대한 측정 정의(measurement definition)에 위치한다. (두 변 모두 상의) 윈도의 폭이 핏 공차(fit tolerance)를 가리키며 이들은 1) 의류 샘플에 대한 수동 테스트 및 경험적 추정, 또는 2) 덧입힌 의류의 이미지 측정 및 관련 핏 포인트 영역(가령 도 7 참조) 주변의 신체 이미지(2D 또는 3D)를 비교하는 자동 분류 스킴을 기초로, 의류가 특정 의류에 대해 특정 측정 포인트에서 얼마나 여유가 있는지를 기초로, 모든 단일 의류에 대해 결정된다. 이는 이들이 특정된 의류의 핏 스타일에 따라 달라짐을 의미한다, 즉, 넓은 윈도 폭일수록 헐렁하게 맞는 의류에 할당되고 좁은 윈도 폭일수록 꼭 끼게 맞는 의류에 대해 할당된다. 도 1에서, 필터 응답이 0(zero)에 도달하기 전에, 핏 함수가 삼각 윈도의 좌측부 상의 0 아닌(non-zero) 상수 영역(구현예에서 f=0:1이도록 설정)을 포함한다. 이 필터 설계는 매우 작은 체형이 큰 치수의 의류에도 여전히 맞을 수 있지만, 반대의 경우는 가능하지 않다는 사실을 특징화하는 것이다.
특정 치수 s에 대한 총 피팅 점수 f총가 의류에 대한 모든 관련 핏 포인트에 대한 핏 점수들의 곱으로 정의된다. 본 발명의 알고리즘에서, 사용되는 핏 포인트의 관련 세트가 의류의 유형에 따라 다음과 같이 달라진다.
Figure pct00040
드레스: 가슴둘레 + 허리둘레 + 엉덩이둘레,
Figure pct00041
상의, 셔츠 및 자켓: 가슴둘레 + 허리둘레,
Figure pct00042
바지 및 스커트: 허리둘레 + 엉덩이둘레.
예를 들어, 드레스에 대한 총 피팅 점수 f는 다음과 같다:
Figure pct00043
(1)
이는 치수 차트 S에서 각각의 이용 가능한 치수 s에 대해 0과 1 사이의 최종 점수를 산출한다. 최상의 치수(best size)에 가장 높은 점수 1이 제공된다:
Figure pct00044
(2)
더 일반적인 복수의 치수 추천의 경우, 피팅 점수에 따라 내림 차순으로 치수가 등급화될 수 있다.
2.2 거리 메트릭을 기반으로 하는 알고리즘
의류 치수를 특정 사용자에게 추천하기 위한 또 다른 방법은, 고객의 신체 측정치 x(가령, 대개는 가슴둘레, 허리둘레, 및 엉덩이둘레이며, 보통 3D 벡터임)와 치수 차트 S에 정의된 각각의 치수 s의 대응하는 측정 정의 m(s) 간 유사성을 계산하는 것이다. 수학적으로, 두 측정치의 유사성을 평가하기 위해, 거리 메트릭 d(·,·)를 정의할 필요가 있다. 거리가 짧을수록, 두 측정치가 더 유사하다. 최상의 치수가 측정치들의 최단 거리를 산출하는 것에 의해 추천될 수 있다.
Figure pct00045
(3)
의류 치수 추천을 위한 단순하지만 유용한 거리 메트릭이, 다음의 수학식이 나타나는 바와 같이 제곱된 거리의 합으로도 알려진 유클리드 거리이다.
Figure pct00046
(4)
이 단순한 거리 메트릭이 의류 치수 추천을 위해 합리적으로 잘 동작한다.
유클리드 거리는 각각의 줄자 측정(tape measurement)에 대한 차이를 동등하고 독립적으로 평가한다. 또한, 상이한 신체 측정치 간 상관관계를 고려하지 않는다. 실제로, 일반적으로 신체 측정치들이 상관됨을 발견했다, 가령, 평균보다 큰 가슴둘레 측정치를 갖는 체형은 평균보다 큰 허리둘레 측정치를 가질 가능성이 더 높다는 것 등이다. 또한 상이한 핏 포인트가 상이한 의류 유형에 대해 치수 추천에 미치는 영향의 상이한 레벨을 가질 수 있다. 예를 들어, 상의 또는 티셔츠에 대해, 허리 및 엉덩이가 맞는 것보다 가슴이 맞는 것이 더 중요하다. 따라서 치수 추천을 위한 더 우수한 거리 메트릭이 다음의 수학식이 나타내는 바와 같은 마할라노비스 거리(Mahalanobis distance)이다:
Figure pct00047
(5)
여기서 Σ(s)는 의류의 치수 라벨에 대한 신체 측정치의 공분산 행렬이다. 세 가지 측정치: 가슴둘레, 허리둘레, 및 엉덩이둘레가 사용되는 경우, Σ(s)는 3 × 3 행렬이다. 원칙적으로, 공분산 행렬 Σ(s)은 치수 및 의류 유형에 따라 달라질 수 있으며, 특정 치수 s의 특정 의류를 구매 및 간직한 개체군의 체형의 변동을 나타낸다. 실시될 때, Σ(s)는 미테일(Metail) 위젯에 의해 기록되는 고객의 체형 데이터로부터 추정될 수 있다(섹션 2.3 참조).
2.3. 판매 데이터를 기초로 하는 치수-차트 조절 및 공분산 추정
우리는, 의류 소매상의 치수 차트가 치수를 선택하기 위한 일반적인 가이드라인을 제공하지만, 상기 치수를 구매 및 간직한 실제 개체군의 신체 측정치가 치수 차트에 특정된 측정치로부터 상당히 벗어날 수 있음을 깨달았다. 각각의 치수의 판매와 연관된 실제 체형 분포에 대한 더 우수한 추정을 제공하기 위해, 우리는 다음의 2개의 데이터 소스를 살펴봤다:
Figure pct00048
주문서 내 구매되는 아이템의 리스트, 주문된 의류의 치수, 및 고객의 체형 파라미터를 포함하는, 미테일(Metail) 위젯에 의해 기록되는 판매 레코드.
Figure pct00049
전달 내에서 주문서의 각각의 아이템이 고객에 의해 반품되었는지 여부를 추적하는 소매상으로부터의 월간 판매 및 반품 데이터.
의류 치수에 대한 체형 분포의 예시가 도 2에 도시되며, 여기서 우리는 드레스-유형 의류의 각각의 치수를 구매 및 간직한 고객의 가슴둘레 및 허리둘레 분포를 플롯팅(plot)한다. 플롯은 2013년 3월과 2013년 6월 사이에 미테일(Metail) 위젯에 의해 기록되는 하이-스트리트 의류 소매상의 판매 데이터를 기초로 한다. 적색 점이 치수 차트의 모든 치수에 대한 측정 정의를 가리킨다. 특정 치수 s의 의류를 구매한 고객의 신체 측정치 x의 실제 분포가 일부 특이값을 제외하고, 다변량 가우시안 분포 N (x; μ(s), Σ(s))에 대략 속한다. 이의 평균(즉, 분포의 중심)은 2.5 내지 5㎝의, 보통 치수 차트 정의와 명백한 편차를 가진다. 이러한 편차 레벨은 치수 추천의 성능에 상당한 영향을 미칠 수 있다. 이 문제를 고려하여, 다음과 같이 원본 치수 차트 S에서 정의되는 치수 각각에 대해 다음과 같이, 측정 정의 m(s)를 우리가 관찰한 분포의 평균 μ(s)으로 변경함으로써, 우리는 치수 차트를 보정하려 시도했다.
Figure pct00050
(6)
이때, b(s) = μ(s) - m(s)은 치수 차트 상의 측정 정의를 보정하기 위한 편차 벡터(bias vector)이다.
그러나 실제로는, 우리가 관찰한 데이터 포인트의 개수가 각각의 치수에 대해 특히, 샘플이 희박한 일부 특소(extra small) 또는 특대(extra large) 치수에 대해 정확히 편차 벡터 b(s)를 추정하기에 불충분하다. 근사화를 위해, 우리는 수학식 (7)에서 나타나는 바와 같이, 의류 치수와 무관하게 판매 레코드에서 이용 가능한 모든 N개의 인스턴스로부터 추정된 모든 치수에 대해 균일한 편차 벡터 b를 이용해 치수 차트를 보정한다.
Figure pct00051
(7)
여기서, xi는 고객 i의 신체 측정치를 지칭하고 m(si))는 고객 i에 의해 선택된 치수 si의 치수 차트 측정 정의를 지칭한다. 최종 보정된 치수 차트는 휴리스틱 알고리즘(섹션 2.1)과 거리-메트릭-기반 알고리즘(섹션 2.2) 모두의 추천 정확도를 개선하도록 사용될 수 있다.
덧붙여, 측정 분포 Σ(s)의 추정된 공분산 행렬이 마할라노비스 거리(Mahalanobis distance)를 기초로 하는 치수 추천 알고리즘에서 사용될 수 있다(수학식(5) 참조). 수학식(7)과 유사하게, 이용 가능한 데이터 샘플이 희박할 때 측정 Σ의 균일한 공분산이 수학식(8)에 의해 추정될 수 있다:
Figure pct00052
(8)
3. 예시-기반 치수 추천
예시-기반 접근법이 우리가 미테일(Metail) 위젯으로 수집한 치수 및 체형 데이터 및 소매상으로부터의 판매 데이터를 이용하는 치수 추천 접근법의 대안적 솔루션이다(추가 상세사항을 위해 섹션 2.3을 참조할 수 있다). 이 섹션에서, 우리는 의류 치수 추천 목적으로 K-최근접 이웃 알고리즘을 확장하는 법을 기술한다.
3.1. K-최근접 이웃( KNN ) 알고리즘
상기 K-최근접 이웃(KNN) 알고리즘이 인근 관찰되는 샘플을 기초로 분류 및 회귀 문제를 해결하기 위해 흔히 사용되는 머신 러닝 알고리즘이다. 치수 추천이 멀티-라벨 분류(multi-label classification) 문제로 간주될 수 있다. 수학 공식화로서, 특징-라벨 쌍(feature-label pair)의 포맷으로 된 총 N개의 훈련 인스턴스(training instance)
Figure pct00053
를 갖고 알려진 특징 x*을 갖지만 알려지지 않은 라벨을 갖는 테스팅 인스턴스 I*를 가진다고 가정할 수 있다. 의류 치수 추천 문제의 맥락에서, 특징은 신체 측정의 벡터 및/또는 변환 또는 치수 감소에 의해 획득된 데이터의 그 밖의 다른 형태, 가령, BMI, 체형의 주 구성요소 등이며, 라벨은 의류의 각각의 치수 라벨을 지지하는 측정 정의의 벡터 및/또는 의류 치수 및 신축성의 그 밖의 다른 측정치이도록 선택된다.
KNN에서, 우리는 특징 공간에서 K개의 최근접 훈련 인스턴스로부터 I*의 라벨 l*을 예측한다. 치수 추천을 위해, 모든 K개의 이웃의 라벨의 가중-평균으로서 질의의 라벨을 종합한다:
Figure pct00054
(9)
여기서, 가중 계수 wi는 테스팅 인스턴스로부터 각각의 훈련 인스턴스까지의 거리의 함수이다. 이때, 이들은
Figure pct00055
(10)
와 같이 계산되며, d (·)는 유클리드 거리를 의미하고, λi 는 일부 데이터 포인트가 더 중요해서 다른 것들보다 더 높은 가중치를 가질 때 사용되는 데이터 인스턴스의 유의미 값이다. 알고리즘에서, 우리는 유지 판매(retention sales)를 반품된 판매(returned sales)와 구별한다. 특정 판매에 대해, 아이템이 한 기간 내에 반품되었음을 발견한 경우, λi == 0.125로 설정함으로써 데이터의 영향력을 할인하고, 다른 한편으로, 그 밖의 다른 유지 판매에 대해 λi = 1로 설정한다.
훈련 인스턴스가 테스팅 인스턴스와 정확히 동일한 특징을 갖고 반품을 기록하지 않았을 때, 이의 가중치는 1일 것이며, 다른 한편, 훈련 인스턴스가 테스팅 인스턴스로부터 멀어질 때, 가중치가 거리만큼 감소하며 훈련 인스턴스가 상당히 멀어질 때 0에 가까워진다.
3.2. KNN 알고리즘에 치수 사전확률 인코딩하기
앞서 기재된 정규 KNN 알고리즘은 순수하게 데이터 구동식이다. 이러한 알고리즘의 주요한 단점은 외삽 능력이 꽤 제한적이라는 것인데, 즉, 질의 인스턴스가 훈련 인스턴스가 희박한 특징 공간일 때, 예측은 꽤 비신뢰적일 것이다. 이러한 문제와 관련하여, 우리는 가중화된 평균에 참여할 측정 정의의 벡터 l* 사전확률을 갖는 질의 인스턴스 I*의 치수 사전확률(prior)을 인코딩할 것을 제안한다.
Figure pct00056
(11)
공식에서, 새 파라미터 β는 치수 사전확률의 상수 가중치이다. β=0인 경우, 모델이 기본 KNN 모델로 축소된다. 본 구현예에서, 우리는 β=1로 설정한다. 질의 인스턴스가 많은 훈련 인스턴스에 가까워질 때, 인스턴스 가중치가
Figure pct00057
를 만족하고, 따라서 데이터로부터의 추정치가 사전확률 추정치에 비해 우세할 것이다. 질의 인스턴스가 훈련 인스턴스로부터 멀어질 때,
Figure pct00058
는 작을 것이고 따라서 사전확률 항이 우세하며 최종 예측을 결정할 것이다.
이 치수 사전확률 1*사전확률을 획득하기 위해, 우리는 방식, 예컨대, 휴리스틱 핏 추정(섹션 2.1) 또는 거리-메트릭 방법(섹션 2.2) 등을 이용하는 또 다른 비-데이터-구동식 또는 비 머신 러닝 치수 추천을 수행하고 출력 치수 라벨을 치수 차트 상에 정의되는 대응하는 줄자 측정의 벡터로 변환한다.
3.3. 소프트 투표 합의 스킴 및 복수 치수 추천
고객의 질의 특징 벡터가 주어지면, 우리는 소프트 투표 및 합의 스킴(soft voting and consensus scheme)을 이용하여 치수 추천을 수행한다. 모든 K개의 이웃 훈련 인스턴스들 중에서, 각각이 인스턴스의 것과 유사한 측정 정의(즉, 라벨 벡터)를 갖는 다양한 치수에 대한 관찰값(evidence)을 제공할 것이다.
치수 차트에서 정의된 각각의 치수에 대해, 각각의 인근 인스턴스 xi로부터의 신뢰도 투표 가중치 vi(s) 및 사전확률의 가중치 v사전확률 (s)를 다음과 같이 평가한다:
Figure pct00059
(12)
Figure pct00060
(13)
여기서 l(s)는 치수의 연관된 의류 측정치이며,
Figure pct00061
가 각각의 신체 치수에 대해 의류 신축성 및 피팅 공차를 정의한다. 본 구현예에서, 우리는 공차 반경 σ가슴둘레, σ허리둘레 및 σ엉덩이둘레를 5cm, 5cm, 및 7cm로 선택하며, 이들은 치수 차트를 기반으로 하는 평균적인 인접 등급 차이이다. 사전확률의 공차 반경은 더 크게 설정된다: σ가슴둘레,사전확률 = σ허리둘레,사전확률 = σ엉덩잉둘레,사전확률 = 10cm.
모든 투표 가중치를 고려할 때, 치수 s의 전체 신뢰도 점수(0과 1 사이의 값)이 다음과 같이 가중된 조합으로서 평가된다.
Figure pct00062
(14)
여기서, 인스턴스(i = 1, 2, ..., K)의 가중치 wi는 (10)에서 정의되어 있다. 구현에서, 우리는 설정 β = 2이 최적의 성능을 제공함을 발견해다.
이 알고리즘은 모든 치수에 대해 신뢰도 추정치를 제공한다. 최상의 치수를 추천하기 위해, 우리는 치수 s사전확률을 가장 높은 신뢰도 점수와 함께 반환한다.
Figure pct00063
(15)
이는 사용되어 각자의 신뢰도 점수와 함께 복수의 치수 추천을 쉽게 제공할 수 있다. 실험 동안, 우리는 1020개의 인스턴스의 데이터세트에 대한 교차-검증을 수행했고 도 3에서 각각의 라운드 로빈 테스트에서 질의에 대한 최상의 치수 추천의 신뢰도 점수를 등급화함으로써 정확도-재현율 곡선을 플로팅한다. 예측 정확도와 신뢰도 점수의 값 간에 강한 상관관계가 지시된다.
3.4. 동작 알고리즘
마지막으로, 우리는 알고리즘 1에서 의류 치수 추천을 위한 종단간에 동작하는 확장된 KNN 알고리즘을 요약한다. 알고리즘의 모든 파라미터는 명시적으로 제공된다.
알고리즘 1 의류 치수 추천을 위한 확장된 KNN 알고리즘.
입력: 테스팅 인스턴스 I로서 특징 x=[신장, 체중, 윗가슴둘레, 가슴둘레, 허리둘레, 엉덩이둘레] 및 의류 카테고리 g ∈ {드레스, 상의, 바지}; 치수 차트 항목의 목록의 형태로 된 치수 차트 {l(s) = {가슴둘레(s), 허리둘레(s), hip(s)}, s ∈ {모든 이용 가능한 치수}}.
출력: 의류 치수 s사전확률, 0과 1 사이의 신뢰도 값 c.
1. 보정된 치수 차트(섹션)과 함께 유클리드-거리 알고리즘을 이용해 치수 사전확률 s사전확률 계산.
Figure pct00064
여기서,
Figure pct00065
는 보정된 치수 차트 상에서 정의된 치수의 의류 측정치이다. 의류 측정 라벨 사전확률은 l사전확률 = {가슴둘레(s사전확률 ), 허리둘레(s사전확률 ), 엉덩이둘레(s사전확률 )}로 주어진다.
2. 동일한 의류 카테고리 gj = g이고 피드백 점수≥3(즉, "반품되지 않을 수 있음" 또는 "확실히 반품되지 않음")를 갖는 훈련 세트의 각각의 인스턴스 Ij 에 대해, 유클리드 특징 거리를 계산한다.
3. 최근접 특징 거리를 갖는 K=16개의 인스턴스를 선택하고 각각의 인스턴스 i의 거리 가중치 wi를 다음과 같이 계산하되
Figure pct00066
여기서, 유지 아이템의 데이터 포인트에 대해 λi = 1이고, 반품 아이템의 데이터 포인트에 대해 λi = 0.1이다.
4. 치수 차트에서 정의된 각각의 치수에 대해, 각각의 인근 인스턴스 xi 및 사전확률에 대해 다음과 같이 신뢰도 투표 가중치 vi(s) 및 v사전확률 (s)를 평가하되,
Figure pct00067
여기서, l(s)는 치수 s의 연관된 의류 측정치이며,
Figure pct00068
가 의류 신축성 및 각각의 신체 치수에 대한 피팅 공차를 정의한다.
5. 치수 s의 전체 신뢰도 점수가 다음과 같이 평가된다
Figure pct00069
6. 가장 높은 신뢰도 점수
Figure pct00070
를 갖는 치수 s를 반환한다.
4. 치수 차트 보정 및 치수 권장을 위한 베이지안 접근법
섹션 2.2에서 언급된 바와 같이 우리가 관측한 데이터 포인트의 개수가 일반적으로 각각의 치수에 대해 편차 벡터를 추정하기에 일반적으로 불충분하다고 가정할 때, 대안적 솔루션이 관측된 신체 측정 데이터와 디폴트 치수 차트(즉, 소매상에 의해 정의되는 본래의 치수 차트, 또는 소매상의 치수 차트가 알려져 있지 않은 경우 또 다른 잘 알려진 브랜드의 치수 차트) 모두로부터 사후분포(posteriori)를 최대화하는 관점에서 각각의 의류 치수에 대한 확률 모델을 학습하기 위해 베이지안 접근법을 이용하는 것이다. 해석하자면, 많은 체형 관측이 제공될 때, 모델은 데이터에 의해서 대부분 결정될 것인데, 그 밖의 다른 경우, 모델은 사전확률, 즉, 이 맥락에서는 본래의 치수 차트에 의해 영향을 더 받을 것이고 높은 불확실성을 가진다.
이 베이지안 접근법은 또한, 모델이 의류 유형에 의해 학습될 때 섹션 2.3에서 언급된 균일한 치수 차트 보정 접근법보다 약간 더 나은 성능을 보이는 의류 치수 권장에 대한 솔루션을 제공한다.
4.1. 모델 훈련
훈련 스테이지에서, 특정 의류 유형의 소매상의 각각의 치수 마크 s에 대해, 우리는 이러한 치수의 의류를 구매 및 유지한 사용자의 체형 분포를 모델링하려 시도했다(여기서, 우리는 치수 라벨을 무시하고 단순히 치수 s를 소형에서 대형까지 s=1, 2, ..., S라고 인덱싱한다). 우리는 이 모델이 다변량 가우시안 분포의 대상이 된다고 가정한다(그러나 이 가정의 유효성은 신체 파라미터가 측정 공간에서 비대칭적으로 분포될 수 있기 때문에 때때로 논쟁의 소지가 있다. 가우시안 가정은 공식화 및 수학적 조작의 편의를 위한 것이다).
Figure pct00071
(16)
여기서, Ms는 치수 마크 s의 사이징 모델(sizing model)을 나타내며, 랜덤 벡터 x는 이 치수를 주문한 사용자의 신체 측정치를 지칭하고, c는 본 발명의 모델에서 주문의 유지에 따라 달라지는 데이터의 신뢰도이다. 구현에서, 우리는 유지 주문에 대해 c=1을 할당하고 반품되는 주문에 대해 c=0.25를 할당한다.
현실적으로, 대부분의 의류 소매상은 치수 차트를 이용하여 특정 의류 치수에 대한 평균 신체 메트릭을 정의할 수 있다. 예를 들어, 하나의 소매상이 치수(12)의 표준 줄자 측정이 가슴둘레 = 93cm, 허리둘레 = 74cm, 및 엉덩이둘레 = 99cm라고 특정한다. 이러한 유형의 치수 등급은 분포 평균 μs이 어떻게 보여야 하는지에 대한 강력한 큐를 제공한다. 수학적으로, 우리는 모든 치수 모델 Ms(s = 1, 2, ... , S)에 대해 사전확률을 도입할 수 있다. 모델에서, 우리는 두 유형의 치수 사전확률을 도입한다: 1) 기준 치수 사전확률, 및 2) 치수 간격 사전확률.
치수 라벨에 대해, 서로 다른 소매상이 다소 다른 측정 정의를 가질 수 있다. 우리는 가장 흔히 사용되는 치수 sref, 이른바 기준 치수를 찾았고, 이 치수의 분산을 다음의 다변량 가우시안 분포로서 기준 치수 사전확률을 이용해 모델링하려 한다.
Figure pct00072
(17)
여기서 Ω는 치수 모델의 모든 하이퍼-파라미터(hyper-parameter)를 나타내며, 하이퍼-파라미터 μ0 = [μ0,가슴둘레, μ0,허리둘레, μ0,엉덩이둘레]T는 기준 치수의 추측된 평균 측정 정의이며, 분산 Σ0은 모든 소매상들 간 이러한 기준 치수의 분산을 대략 모델링한다. 구현예에서, 우리는 임의의 잘 알려진 소매상의 치수 정의(가령, 웨어하우스(Warehouse)의 치수 10)를 이용하고, 서로 다른 많은 소매상, 예컨대, 메리 포타스(Mary Portas), 제이에스 콜렉션(Js Collections), 바버(Barbour), 플래닛(Planet) 등의 공통 치수 라벨에 대한 정의로부터 추정된 Σ0 = diag(5.3, 12.5, 12.8) cm2로 설정한다.
대부분의 소매상의 치수 차트에서, 2개의 인접한 치수 등급, 가령, 치수 8과 치수 10, 또는 치수 10과 치수 12 간 측정 정의 의 간격이 대략 동일한 간격을 가진다. 각각의 측정에 대한 이 간격은 보통 4 내지 6cm이다. 따라서 우리는 2개의 이웃하는 치수의 측정 차이에 대해 사전확률, 즉, 치수 간격 사전확률을 정의하여, 치수 차트의 등급 간격을 제한할 수 있다. 이는 또한 다변량 가우시안 분포에 의해 모델링되며,
Figure pct00073
(18)
여기서, δs l ,s는 2개의 이웃하는 치수 sl 과 s의 디폴트 간격이고 초기화 시 추측된 치수 차트의 간격으로 설정되며, 분산 Σδ이 구형 가우시안 분포 Σδ = σ2I = diag(0.25, 0.25, 0.25) cm2에 의해 가정되는 치수 간격의 잠재적 오차를 대략적으로 모델링한다. 따라서 이하의 수학식이 나타나는 바와 같이, 베이지안 모델의 일반 사전확률(generic prior)
Figure pct00074
가 앞서 정의된 두 유형의 사전확률 모델의 조합으로서 분해될 수 있다.
Figure pct00075
(19)
이제 우리는 또한 모든 판매 레코드
Figure pct00076
로부터 복수의 관측치를 우도()로서 제공받으며, 이때,
Figure pct00077
는 치수 s를 주문한 모든 Ns명의 사용자의 데이터, 가령, 사용자의 신체 측정치 xs,i 및 데이터 신뢰도 cs,i를 나타낸다. 수학식(16), (17), 및 (18)을 조합함으로써, 관측된 데이터 X(즉, 우도)와 하이퍼-파라미터
Figure pct00078
를 갖는 모델 사전확률 모두에 대해 모든 치수 모델
Figure pct00079
의 전체 사후확률 분포(posterior distribution)를 공식화할 수 있다:
Figure pct00080
(20)
사후 분포를 최대화하도록 치수 모델 Ms를 학습하기 위해, 우리는 수학식(21)에서 모델 파라미터 μs 및 Σs (s = 1, 2, ... , S)에 대한 다음의 최적화 문제를 풀어, 수학식(20)에서의 L이 최대화되도록 할 필요가 있다.
Figure pct00081
(21)
우리는 수학식(21)에서 최적화 문제를 해결하고 의류(유형)에 대해 정의된 모든 치수 s ∈ S에 대해 치수 모델 Ms을 학습하고 모든 의류 유형에 대해 반복할 수 있다.
4.2. 훈련 시 최적화 풀기
수학식(21)에서의 최적화 문제가 파라미터 μs 및 Σs에 대해 L의 도함수를 계산하고
Figure pct00082
및
Figure pct00083
으로 둠으로써 해결될 수 있다.
Figure pct00084
(22)
Figure pct00085
(23)
을 가질 수 있으며,
여기서,
Figure pct00086
및
Figure pct00087
가 파라미터를 나타낸다. 수학식 (22) 및 (23)을 변환함으로써, 우리는 다음의 고정 포인트 수학식의 세트를 획득할 수 있다:
Figure pct00088
(24)
Figure pct00089
(25)
어림짐작으로 초기 값
Figure pct00090
및
Figure pct00091
을 설정하고, 상기 수학식(24) 및 (25)을 반복적으로 평가함으로써, 우리는 수학식(22)과 (8)을 모두 만족하는 μ* 및
Figure pct00092
의 해에 빠르게 도달할 수 있다. 구현예에서, 각각의 반복 구간에서 행렬 역변환 동안 특이점을 피하기 위해 분산 행렬을 약간 조절하는 것이 바람직할 것이다:
Σs = Σs + λI, (26)
4.3. 모델 선택을 통한 질의 및 치수 추천
질의 신체 측정 x를 갖는 사용자에 대해 시착되는 의류의 모든 사전학습된 치수 모델 {Ms}s∈S이 제공되면, 우리는 모델 선택을 이용해, 즉, 즉, 모델이 가장 높은 사후확률 값을 제공하는 치수를 추천함으로써, 최적의 치수 s를 추천할 수 있다. 수학적으로, 이 문제는 다음과 같이 공식화된다:
Figure pct00093
(27)
여기서
Figure pct00094
는, 방대한 양의 판매 데이터 중에서 이의 빈도에 의해 추정된 치수의 사전확률 분포이다. 치수의 로그-사후확률을 평가하기 위한 수학식(27) 형태의 공식화가 섹션 2.2의 수학식(5)의 마할라노비스 거리(Mahalanobis distance) 메트릭과 매우 유사하다. 차이점은 여기서는 치수 라벨의 빈도가 고려된다는 것이다.

Claims (38)

  1. 컴퓨터로 구현되는 의류 치수 추천 및 핏 분석 시스템으로서, 상기 시스템에서, 메모리가 최종-사용자의 가상 프로파일 또는 모델을 저장하고, 프로세서가 최종-사용자의 의류의 선택을 수신하고, 의류 핏 알고리즘(garment fit algorithm)을 이용해, 상기 의류가 최종-사용자의 프로파일 또는 모델에 맞을 정도를 결정하며, 상기 알고리즘은 실제 판매 데이터를 기초로 훈련되는, 의류 치수 추천 및 핏 분석 시스템.
  2. 제1항에 있어서, 상기 알고리즘은 상기 의류의 소매상으로부터의 실제 판매 데이터를 기초로 훈련되어 상기 소매상으로부터의 치수 차트를 조절하는, 의류 치수 추천 및 핏 분석 시스템.
  3. 제1항 또는 제2항에 있어서, 상기 판매 데이터는: 주문 구매된 아이템들의 목록, 주문된 의류의 치수, 고객의 신체 파라미터, 고객의 인구통계적 정보, 위치, 및 핏 선호도, 의류가 유지되었는지, 반품되었는지, 또는 교환되었는지 여부, 중 하나 이상을 포함하는, 의류 치수 추천 및 핏 분석 시스템.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 알고리즘은 실제 실시간 판매 데이터를 기초로 훈련되고 업데이트되는, 의류 치수 추천 및 핏 분석 시스템.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 특정 소매상에 대한 실제 실시간 판매 데이터가, 고객이 상기 소매상의 웹 판매점 웹 사이트를 브라우징할 때 런칭되는 위젯 또는 애플리케이션을 이용해 추적되는, 의류 치수 추천 및 핏 분석 시스템.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 알고리즘은 사용 가능해지기 위해 비교적 적은 양의 초기 훈련 데이터를 필요로 하지만, 서로 다른 의류 카테고리와 연관된 서로 다른 체형 그룹에 적응하도록 시간에 따라 업데이트되는, 의류 치수 추천 및 핏 분석 시스템.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 알고리즘은 사용 가능해지기 위해 비교적 적은 양의 초기 훈련 데이터를 필요로 하지만, 상기 소매상의 서로 다른 의류 브랜드에 적응하도록 시간에 따라 업데이트되는, 의류 치수 추천 및 핏 분석 시스템.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서, 상기 알고리즘은 소비자 구매 및 반품 거동의 추세를 추적하는, 의류 치수 추천 및 핏 분석 시스템.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 알고리즘은 소매상 또는 브랜드의 우수한 의류 치수 차트가 이용 가능하지 않을 때도 동작하는, 의류 치수 추천 및 핏 분석 시스템.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 알고리즘은 제조된 아이템이 치수 차트에서 벗어날 때 동작하는, 의류 치수 추천 및 핏 분석 시스템.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서, 알고리즘은 소매상의 치수 차트와 연관된 측정이 상기 소매상으로부터 특정 치수의 의류를 구매 및 유지하거나 구매 및 반품한 고객과 어떻게 연관되는지를 보여주는 시각적 플롯, 가령, 산포도(scatter plot)를 생성하는, 의류 치수 추천 및 핏 분석 시스템.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서, 상기 프로파일 또는 모델은 최종-사용자 특정적이며, 사용자 관련 개인 데이터, 신장, 체중, 연령, 체형, 컵 치수, 윗가슴둘레/가슴둘레, 허리둘레 및 엉덩이둘레 측정치, 과거에 구매하거나 선호한 의류, 과거 브라우징 히스토리 중 하나 이상으로부터 얻어지는, 의류 치수 추천 및 핏 분석 시스템.
  13. 제1항 내지 제12항 중 어느 한 항에 있어서, 상기 프로파일 또는 모델은 최종-사용자 특정적이기 때문에 유사 최종-사용자들의 클러스터가 아닌, 의류 치수 추천 및 핏 분석 시스템.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서, 상기 알고리즘은 의류 소매상의 치수 파트의 핏-포인트(fit-point)로부터의 데이터에 최종-사용자의 가상 프로파일 또는 모델을 비교하는, 의류 치수 추천 및 핏 분석 시스템.
  15. 제14항에 있어서, 핏 포인트는 특정 치수의 의류에 대해, 상기 의류에 최상으로 맞을 사용자의 측정치, 가령, 가슴둘레, 허리둘레 및 엉덩이둘레를 정의하는, 의류 치수 추천 및 핏 분석 시스템.
  16. 제14항 또는 제15항에 있어서, 알고리즘은 최종-사용자에게 디스플레이되는 텍스트 기술(textual description)로 변환되는 각각의 핏 포인트에 대한 핏 함수(fit function)를 이용하는, 의류 치수 추천 및 핏 분석 시스템.
  17. 제16항에 있어서, 텍스트 기술은, 너무 작음, 꼭 끼임, 추천, 헐렁함, 너무 큼, 또는 동등한 용어 중 하나 이상을 포함하는, 의류 치수 추천 및 핏 분석 시스템.
  18. 제14항 내지 제17항 중 어느 한 항에 있어서, 특정 소매상의 치수 X에 대한 핏 함수는 최상의 핏(best fit)에 대응하는 측정치에 위치하는 피크(peak)를 갖는, 의류 치수 추천 및 핏 분석 시스템.
  19. 제14항 내지 제18항 중 어느 한 항에 있어서, 특정 소매상의 치수 X에 대한 핏 함수는 핏 공차(fit tolerance)를 나타내기 위한 폭을 가지며 특정 의류에 대해 경험적으로 결정되는, 의류 치수 추천 및 핏 분석 시스템.
  20. 제19항에 있어서, 상기 핏 공차는 덧입힌 의류의 이미지 측정과 관련 핏 포인트 영역 주위의 신체 이미지(2D 또는 3D)를 비교하는 것을 기초로 하는 자동 분류 스킴(automatic classification scheme)에 의해 결정되는, 의류 치수 추천 및 핏 분석 시스템.
  21. 제14항 내지 제20항 중 어느 한 항에 있어서, 핏 함수의 출력은 핏 포인트에 대한 핏 점수인, 의류 치수 추천 및 핏 분석 시스템.
  22. 제14항 내지 제21항 중 어느 한 항에 있어서, 알고리즘은 의류에 대한 모든 관련 핏 포인트에 대한 핏 점수의 함수인 총 피팅 점수를 이용하는, 의류 치수 추천 및 핏 분석 시스템.
  23. 제1항 내지 제22항 중 어느 한 항에 있어서, 알고리즘은 거리 메트릭을 이용해 최종-사용자의 프로파일 또는 모델과 의류의 각각의 치수의 대응하는 측정치 간 유사성을 계산하는, 의류 치수 추천 및 핏 분석 시스템.
  24. 제23항에 있어서, 의류의 각각의 치수의 대응하는 측정치는 상기 의류의 소매상 또는 제조업자로부터의 치수 차트에 정의되는, 의류 치수 추천 및 핏 분석 시스템.
  25. 제23항 또는 제24항에 있어서, 거리 메트릭은 유클리드 거리인, 의류 치수 추천 및 핏 분석 시스템.
  26. 제23항 또는 제24항에 있어서, 상기 거리 메트릭은 서로 다른 신체 측정치들 간 상관관계를 고려한 메트릭, 가령, 마할라노비스 거리(Mahalanobis distance)인, 의류 치수 추천 및 핏 분석 시스템.
  27. 제23항 또는 제24항에 있어서, 상기 거리 메트릭은 서로 다른 핏 포인트가 치수 추천에 서로 다른 레벨의 영향을 미침을 고려하는 메트릭, 가령, 마할라노비스 거리(Mahalanobis distance)인, 의류 치수 추천 및 핏 분석 시스템.
  28. 제1항 내지 제27항 중 어느 한 항에 있어서, 상기 알고리즘은 각각의 치수의 의류의 실제 판매 및 반품과 연관된 체형 분포의 추정을 이용하고 치수 차트에서 측정 정의를 보정하기 위한 편차(bias)를 생성하는, 의류 치수 추천 및 핏 분석 시스템.
  29. 제1항 내지 제28항 중 어느 한 항에 있어서, 상기 알고리즘은 K-최근접 이웃(KNN) 머신 러닝 알고리즘을 이용하는, 의류 치수 추천 및 핏 분석 시스템.
  30. 제29항에 있어서, KNN 알고리즘의 외삽 능력이, 훈련 인스턴스가 희박할 때만 최종 예측에서 우세한 사전확률(prior)를 이용함으로써 개선되는, 의류 치수 추천 및 핏 분석 시스템.
  31. 제29항 또는 제30항에 있어서, 상기 알고리즘은 소프트 투표 및 협의 스킴(soft voting and consensus scheme)을 이용하는, 의류 치수 추천 및 핏 분석 시스템.
  32. 제1항 내지 제31항 중 어느 한 항에 있어서, 알고리즘은 치수 차트에서의 측정 정의를 보정하기 위해 관측된 신체 측정 데이터 및 디폴트 치수 차트로부터의 각각의 의류 치수에 대해 확률 모델을 학습하기 위한 베이지안(Bayesian) 접근법을 이용하는, 의류 치수 추천 및 핏 분석 시스템.
  33. 제32항에 있어서, 상기 디폴트 치수 차트는 임의의 잘 알려진 브랜드의 치수 차트인, 의류 치수 추천 및 핏 분석 시스템.
  34. 제1항 내지 제33항 중 어느 한 항에 있어서, 알고리즘은 예를 들어 지정 용어 또는 카테고리를 이용해, 고객에게 현재 보고 있는 아이템의 특정 치수가 이들의 가상 프로파일/모델(가령, 이들의 가슴둘레, 허리둘레 및 엉덩이둘레)에 대해 맞을 정도를 알려주는, 의류 치수 추천 및 핏 분석 시스템.
  35. 제1항 내지 제34항 중 어느 한 항에 있어서, 알고리즘은 예를 들어 지정 용어 또는 카테고리를 이용해, 고객에게 과거에 구매한 아이템이 이들의 가상 프로파일/모델(가령, 가슴둘레, 허리둘레 및 엉덩이둘레)에 대해 맞을 정도를 알려주는, 의류 치수 추천 및 핏 분석 시스템.
  36. 제1항 내지 제35항 중 어느 한 항에 있어서, 프로세서는 활성화될 때 각각의 아이템을 구매를 위한 온라인 장바구니로 이동시키는 선택 아이콘(가령, 틱 박스(tick box)) 또는 시스템(가령, 드래그 앤 드롭)을 이용해 특정 치수의 아이템을 피팅 정보와 함께 디스플레이하는, 의류 치수 추천 및 핏 분석 시스템.
  37. 제1항 내지 제36항 중 어느 한 항에 있어서, (a) 가상 프로파일 또는 모델은 사용자 데이터로부터 생성되며, (b) 3D 이미지가 의류의 복수의 2D 사진을 분석 및 처리함으로써 생성되고, (c) 3D 의류 이미지가 3D 가상 신체 모델 위에 중첩되어 나타나는, 의류 치수 추천 및 핏 분석 시스템.
  38. 컴퓨터로 구현되는 의류 치수 추천 및 핏 분석 방법으로서, 상기 방법에서, 메모리가 최종-사용자의 가상 프로파일 또는 모델을 저장하고, 프로세서가 최종-사용자의 의류의 선택을 수신하고, 의류 핏 알고리즘(garment fit algorithm)을 이용해, 상기 의류가 최종-사용자의 프로파일 또는 모델에 맞을 정도를 결정하며, 상기 알고리즘은 실제 판매 데이터를 기초로 훈련되는, 의류 치수 추천 및 핏 분석 방법.

KR1020167029738A 2014-04-11 2015-04-13 의류 치수 추천 및 핏 분석 시스템 및 방법 KR20160143697A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GBGB1406539.5A GB201406539D0 (en) 2014-04-11 2014-04-11 Garment size recommendation
GB1406539.5 2014-04-11
PCT/GB2015/051108 WO2015155550A1 (en) 2014-04-11 2015-04-13 Garment size recommendation and fit analysis system and method

Publications (1)

Publication Number Publication Date
KR20160143697A true KR20160143697A (ko) 2016-12-14

Family

ID=50844857

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167029738A KR20160143697A (ko) 2014-04-11 2015-04-13 의류 치수 추천 및 핏 분석 시스템 및 방법

Country Status (6)

Country Link
US (1) US20170039622A1 (ko)
EP (1) EP3129943A1 (ko)
KR (1) KR20160143697A (ko)
CN (1) CN106489166A (ko)
GB (2) GB201406539D0 (ko)
WO (1) WO2015155550A1 (ko)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180130346A (ko) * 2017-05-29 2018-12-07 주식회사 위메프 체형정보 보정장치 및 보정방법
KR20200020342A (ko) * 2018-08-17 2020-02-26 동의대학교 산학협력단 단말기 상에서 체형 정보를 입력하는 방법 및 입력된 체형 정보에 기초하여 가상 의류 착용 방법과 이를 위한 시스템
KR20200038777A (ko) * 2018-10-04 2020-04-14 동의대학교 산학협력단 가상 의류 및 의류 착용 예측 시스템
KR20200044197A (ko) * 2018-10-10 2020-04-29 이재갑 머신러닝 기반의 의류 핏 추천 장치
WO2020141800A1 (ko) * 2019-01-03 2020-07-09 주식회사 미즈 이미지를 이용하여 신체 사이즈를 측정하고, 의류 사이즈를 추천하는 방법, 서버 및 프로그램
KR20210016698A (ko) * 2019-08-05 2021-02-17 (주)담쟁이 사용자 성향에 기초한 커피 원두 추천 서비스의 제공 장치 및 방법
KR102224572B1 (ko) * 2020-07-31 2021-03-09 (주) 성의통상 주문 패턴을 이용한 체형 추론 기반의 의류 추천 장치
KR102224056B1 (ko) * 2019-10-07 2021-03-09 주식회사 예스나우 Ai 기반 착용감 예측 시스템 및 방법
KR20210067309A (ko) * 2019-11-29 2021-06-08 오드컨셉 주식회사 패션 정보 제공 방법, 장치 및 시스템
KR20220021122A (ko) * 2020-08-13 2022-02-22 건국대학교 글로컬산학협력단 코디 추천 장치 및 방법
KR20220083390A (ko) * 2020-12-11 2022-06-20 주식회사 엘지유플러스 3d 컨텐츠 제공 시스템 및 그 동작방법
KR102410246B1 (ko) * 2021-05-04 2022-06-22 오수혁 의류 피팅 시스템
WO2022265136A1 (ko) * 2021-06-18 2022-12-22 주식회사 예스나우 학생의 신체 치수 및 선호도에 기초하여 착용감을 고려한 교복 치수를 추천하는 장치 및 그 방법, 컴퓨터 판독가능 기록 매체 및 컴퓨터 프로그램

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9092797B2 (en) * 2010-09-22 2015-07-28 The Nielsen Company (Us), Llc Methods and apparatus to analyze and adjust demographic information
US11869024B2 (en) 2010-09-22 2024-01-09 The Nielsen Company (Us), Llc Methods and apparatus to analyze and adjust demographic information
EP3171323A1 (de) * 2015-11-20 2017-05-24 Anil Kohli & Heide Meyer GbR System und verfahren zum ermitteln und ausgeben eines oder mehrerer passgenauer bekleidungsartikel
CN105956780A (zh) * 2016-05-11 2016-09-21 东华大学 一种基于贝叶斯判别理论的服装合体性评估方法
US9984550B2 (en) 2016-05-24 2018-05-29 International Business Machines Corporation Smart garment that communicates at least one parameter to a receiver
CN106157094A (zh) * 2016-07-06 2016-11-23 深圳合梦科技有限公司 一种基于自动测量的适体文胸推荐方法
JP6322781B1 (ja) * 2016-08-25 2018-05-09 楽天株式会社 情報処理装置、情報処理方法及び情報処理プログラム
US20180247363A1 (en) * 2017-02-24 2018-08-30 Home Depot Product Authority, Llc Feature-based product recommendations
US10963812B1 (en) * 2017-03-17 2021-03-30 Amazon Technologies, Inc. Model-based artificial intelligence data mining system for dimension estimation
US11164233B2 (en) * 2017-05-15 2021-11-02 Savitude, Inc. Computer system for filtering and matching garments with users
CN107203266A (zh) * 2017-05-17 2017-09-26 东莞市华睿电子科技有限公司 一种基于vr的数据处理方法
CN107609933B (zh) * 2017-08-24 2020-06-23 深圳市云智数据服务有限公司 一种基于门店成交记录的量脚定制方法、系统
US11983748B2 (en) 2017-09-07 2024-05-14 Stitch Fix, Inc. Using artificial intelligence to determine a size fit prediction
CN107577897B (zh) * 2017-09-25 2020-07-14 广州衣路美互联网科技有限公司 一种个性化服装设计专家推荐系统
US10984342B2 (en) 2017-10-10 2021-04-20 Stitch Fix, Inc. Using artificial intelligence to determine a value for a variable size component
JP6921768B2 (ja) * 2018-02-21 2021-08-18 株式会社東芝 仮想試着システム、仮想試着方法、仮想試着プログラム、および情報処理装置
WO2019218334A1 (en) 2018-05-18 2019-11-21 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for user analysis
CN108875092B (zh) * 2018-08-22 2022-07-12 成都理工大学 一种基于协方差的商品推荐方法
CN111353844A (zh) * 2018-12-24 2020-06-30 上海时元互联网科技有限公司 虚拟试衣的舒适度评估方法及系统、存储介质及终端
KR102132721B1 (ko) * 2019-01-03 2020-07-10 (주) 아이딕션 신체 사이즈 측정용 사진 획득 방법 및 이를 이용한 신체 사이즈 측정 방법, 서버 및 프로그램
CN109711083A (zh) * 2019-01-09 2019-05-03 王雪微 一种基于正态分布的服装尺寸确定方法
CN111667330A (zh) * 2019-03-08 2020-09-15 天津大学 一种基于用户评价的大数据分析的服饰尺码推荐方法
WO2020203656A1 (ja) * 2019-04-05 2020-10-08 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
EP3745352B1 (en) * 2019-05-31 2023-01-18 presize GmbH Methods and systems for determining body measurements and providing clothing size recommendations
CN110705023A (zh) * 2019-08-30 2020-01-17 杭州海飘科技有限公司 一种基于神经网络算法的体感支撑技术方法
TWI792035B (zh) * 2019-09-03 2023-02-11 財團法人工業技術研究院 製作產品之材料推薦系統與材料推薦方法
IT202000013087A1 (it) 2020-06-03 2021-12-03 Goccia S R L Sistema e metodo di abbinamento di indumenti in vendita online al corpo di un utente acquirente
CN112418986A (zh) * 2020-11-19 2021-02-26 定智衣(上海)服装科技有限公司 一种高稳定智能量体的算法升级解决方案
US20220207394A1 (en) * 2020-12-31 2022-06-30 SelfieStyler, Inc. Garment size recommendation system
CN112529670B (zh) * 2021-02-07 2021-04-30 上海英立视电子有限公司 一种虚拟试衣方法
US11733853B1 (en) * 2022-09-28 2023-08-22 Zazzle Inc. Parametric modelling and grading
US20240111405A1 (en) * 2022-09-28 2024-04-04 Zazzle Inc. Gui for parametric modelling and grading

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768135A (en) * 1994-08-12 1998-06-16 Custom Clothing Technology Corporation Custom apparel manufacturing apparatus and method
US6546309B1 (en) * 2000-06-29 2003-04-08 Kinney & Lange, P.A. Virtual fitting room
US20020059248A1 (en) * 2000-07-20 2002-05-16 Samuel Farchione Method for determining proper color for makeup and clothing
JP2004507822A (ja) * 2000-08-23 2004-03-11 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ 衣類の選択に関する推奨例を発生する方法及びシステム
US6701207B1 (en) * 2000-11-02 2004-03-02 Kinney & Lange, P.A. Method for integrating information relating to apparel fit, apparel sizing and body form variance
US6665577B2 (en) * 2000-12-20 2003-12-16 My Virtual Model Inc. System, method and article of manufacture for automated fit and size predictions
US20020188372A1 (en) * 2001-05-10 2002-12-12 Lane Kenneth M. Method and system for computer aided garment selection
US7953648B2 (en) * 2001-11-26 2011-05-31 Vock Curtis A System and methods for generating virtual clothing experiences
US20050044732A1 (en) * 2002-01-14 2005-03-03 Mccormick Bruce Garment fitting system
WO2004084661A2 (en) * 2003-03-20 2004-10-07 Mbrio, Llc Systems and methods for improved apparel fit
US20090234489A1 (en) * 2005-03-09 2009-09-17 Jodi Healy Fitting Systems
US20070005174A1 (en) * 2005-06-29 2007-01-04 Sony Ericsson Mobile Communications Ab Virtual apparel fitting
US7714912B2 (en) * 2007-01-24 2010-05-11 International Business Machines Corporation Intelligent mirror
US20090182612A1 (en) * 2008-01-10 2009-07-16 Lenovo (Singapore) Pte. Ltd. System and method for online sizing and other applications involving a root measurable entity
US7905028B2 (en) * 2008-02-04 2011-03-15 William A. Ward Systems and methods for collecting body measurements, virtually simulating models of actual and target body shapes, ascertaining garment size fitting, and processing garment orders
US20130215116A1 (en) * 2008-03-21 2013-08-22 Dressbot, Inc. System and Method for Collaborative Shopping, Business and Entertainment
US20100191770A1 (en) * 2009-01-27 2010-07-29 Apple Inc. Systems and methods for providing a virtual fashion closet
US8429025B2 (en) * 2010-03-17 2013-04-23 Amanda Fries Method, medium, and system of ascertaining garment size of a particular garment type for a consumer
US9646340B2 (en) * 2010-04-01 2017-05-09 Microsoft Technology Licensing, Llc Avatar-based virtual dressing room
US20140279289A1 (en) * 2013-03-15 2014-09-18 Mary C. Steermann Mobile Application and Method for Virtual Dressing Room Visualization
US20140379515A1 (en) * 2013-06-25 2014-12-25 Stantt LLC Method For Providing A Custom-Like Fit In Ready-To-Wear Apparel

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180130346A (ko) * 2017-05-29 2018-12-07 주식회사 위메프 체형정보 보정장치 및 보정방법
KR20200020342A (ko) * 2018-08-17 2020-02-26 동의대학교 산학협력단 단말기 상에서 체형 정보를 입력하는 방법 및 입력된 체형 정보에 기초하여 가상 의류 착용 방법과 이를 위한 시스템
KR20200038777A (ko) * 2018-10-04 2020-04-14 동의대학교 산학협력단 가상 의류 및 의류 착용 예측 시스템
KR20200044197A (ko) * 2018-10-10 2020-04-29 이재갑 머신러닝 기반의 의류 핏 추천 장치
WO2020141800A1 (ko) * 2019-01-03 2020-07-09 주식회사 미즈 이미지를 이용하여 신체 사이즈를 측정하고, 의류 사이즈를 추천하는 방법, 서버 및 프로그램
KR20210016698A (ko) * 2019-08-05 2021-02-17 (주)담쟁이 사용자 성향에 기초한 커피 원두 추천 서비스의 제공 장치 및 방법
KR102224056B1 (ko) * 2019-10-07 2021-03-09 주식회사 예스나우 Ai 기반 착용감 예측 시스템 및 방법
WO2021107642A3 (ko) * 2019-11-29 2021-07-15 오드컨셉 주식회사 패션 정보 제공 방법, 장치 및 시스템
KR20210067309A (ko) * 2019-11-29 2021-06-08 오드컨셉 주식회사 패션 정보 제공 방법, 장치 및 시스템
KR102224572B1 (ko) * 2020-07-31 2021-03-09 (주) 성의통상 주문 패턴을 이용한 체형 추론 기반의 의류 추천 장치
KR20220021122A (ko) * 2020-08-13 2022-02-22 건국대학교 글로컬산학협력단 코디 추천 장치 및 방법
KR20220083390A (ko) * 2020-12-11 2022-06-20 주식회사 엘지유플러스 3d 컨텐츠 제공 시스템 및 그 동작방법
KR102410246B1 (ko) * 2021-05-04 2022-06-22 오수혁 의류 피팅 시스템
WO2022265136A1 (ko) * 2021-06-18 2022-12-22 주식회사 예스나우 학생의 신체 치수 및 선호도에 기초하여 착용감을 고려한 교복 치수를 추천하는 장치 및 그 방법, 컴퓨터 판독가능 기록 매체 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
EP3129943A1 (en) 2017-02-15
CN106489166A (zh) 2017-03-08
US20170039622A1 (en) 2017-02-09
GB201406539D0 (en) 2014-05-28
WO2015155550A1 (en) 2015-10-15
GB201506191D0 (en) 2015-05-27
GB2526915A (en) 2015-12-09

Similar Documents

Publication Publication Date Title
KR20160143697A (ko) 의류 치수 추천 및 핏 분석 시스템 및 방법
CN104504055B (zh) 基于图像相似度的商品相似计算方法及商品推荐系统
Wan et al. Modeling consumer preferences and price sensitivities from large-scale grocery shopping transaction logs
Lu et al. A video-based automated recommender (VAR) system for garments
US20190205965A1 (en) Method and apparatus for recommending customer item based on visual information
Schröder et al. Setting goals and choosing metrics for recommender system evaluations
US8762292B2 (en) System and method for providing customers with personalized information about products
Hong et al. Design and evaluation of personalized garment block for atypical morphology using the knowledge-supported virtual simulation method
WO2018200996A1 (en) Method and system of managing item assortment based on demand transfer
Pierola et al. An ensemble of ordered logistic regression and random forest for child garment size matching
US9727620B2 (en) System and method for item and item set matching
KR20090045301A (ko) 제품 특성 분석 및 제품 추천을 위한 시스템 및 방법
KR20120085707A (ko) 사용자 장르 및 스타일을 학습하고 사용자 선호도에 따라 상품을 매칭하는 방법 및 시스템
KR20160065429A (ko) 하이브리드 개인화 상품추천 방법
De Melo et al. Content-based filtering enhanced by human visual attention applied to clothing recommendation
US20160019626A1 (en) Clothing Fitting System
CN111028029B (zh) 一种线下商品推荐方法、装置和电子设备
US11587028B2 (en) Computer system for optimizing garment inventory of retailer based on shapes of users
Jia et al. Users' brands preference based on SVD++ in recommender systems
Sarwat et al. Plutus: leveraging location-based social networks to recommend potential customers to venues
US11062377B1 (en) Fit prediction
CN117495513B (zh) 一种基于大数据和人工智能的购物推荐方法及系统
JP2016081199A (ja) 広告配信システム
CN108416611B (zh) 一种超市路径推荐系统及其方法
US20210279785A1 (en) Method for providing initial size fit indicator