KR20180069276A - 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치 - Google Patents

유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치 Download PDF

Info

Publication number
KR20180069276A
KR20180069276A KR1020160171313A KR20160171313A KR20180069276A KR 20180069276 A KR20180069276 A KR 20180069276A KR 1020160171313 A KR1020160171313 A KR 1020160171313A KR 20160171313 A KR20160171313 A KR 20160171313A KR 20180069276 A KR20180069276 A KR 20180069276A
Authority
KR
South Korea
Prior art keywords
pattern data
purchase request
product
extracting
neural network
Prior art date
Application number
KR1020160171313A
Other languages
English (en)
Other versions
KR102242623B1 (ko
Inventor
최동진
Original Assignee
주식회사 엘지유플러스
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 주식회사 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020160171313A priority Critical patent/KR102242623B1/ko
Publication of KR20180069276A publication Critical patent/KR20180069276A/ko
Application granted granted Critical
Publication of KR102242623B1 publication Critical patent/KR102242623B1/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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06F17/30047—
    • G06F17/30247—
    • G06F17/602—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N99/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0267—Wireless devices
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Library & Information Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

복수의 상품 이미지에 대한 패턴 데이터 및 상기 패턴 데이터와 대응되는 상품 정보를 기록하는 데이터베이스를 유지하는 단계, 구매자 단말로부터 상품 이미지를 포함하는 구매 요청을 수신하는 단계, 상기 상품 이미지로부터 패턴 데이터를 추출하는 단계, 상기 데이터베이스에 기록된 패턴 데이터 중 상기 추출된 패턴 데이터와 가장 유사도가 높은 패턴 데이터를 검색하는 단계 및 상기 검색된 패턴 데이터와 대응되는 상품 정보를 상기 구매자 단말로 전송하는 단계를 포함하는, 유무선 통신망을 통해 구매 요청을 처리하는 방법이 제공된다.

Description

유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치{Method and Apparatus For Processing Purchase Request Using The Wire-Wireless Communication Network}
유무선 통신망을 통해 구매자 단말로부터 수신된 구매 요청을 처리하는 방법 및 장치가 개시된다.
현재 실시되고 있는 상품을 검색하여 구매하는 방법은, 구매자가 원하는 상품의 명칭 또는 브랜드를 모를 경우, 구매하려는 상품을 검색하기 어려웠다. 또한, 원하는 상품의 명칭 또는 브랜드를 알더라도 외관의 특징이 유사한 복수의 상품이 존재하는 경우, 구매하려는 상품을 정확하게 판별하기 어려웠다.
구매자 단말로부터 수신된 구매 요청에 따라 자동으로 상품을 검색하여 구매할 수 있는 방법 및 장치를 제공한다. 외관의 특징이 유사한 복수의 상품 중 구매하려는 상품을 정확하게 판단하여 제공하는 방법 및 장치가 개시된다.
유무선 통신망을 통해 구매 요청을 처리하는 방법은, 복수의 상품 이미지에 대한 패턴 데이터 및 상기 패턴 데이터와 대응되는 상품 정보를 기록하는 데이터베이스를 유지하는 단계, 구매자 단말로부터 상품 이미지를 포함하는 구매 요청을 수신하는 단계, 상기 상품 이미지로부터 패턴 데이터를 추출하는 단계, 상기 데이터베이스에 기록된 패턴 데이터 중 상기 추출된 패턴 데이터와 가장 유사도가 높은 패턴 데이터를 검색하는 단계 및 상기 검색된 패턴 데이터와 대응되는 상품 정보를 상기 구매자 단말로 전송하는 단계를 포함한다.
상기 패턴 데이터를 추출하는 단계는, 딥러닝(Deep Learning) 알고리즘을 이용하여 상기 패턴 데이터를 추출하는 단계일 수 있다.
상기 딥러닝 알고리즘은, 심층 신경망(DNN: Deep Neural Network), 합성곱 신경망(CNN: Convolutional Neural Network) 또는 순환 신경망(RNN: Recurrent Neural Network) 중 하나를 이용할 수 있다.
상기 딥러닝 알고리즘은, 상기 상품 이미지의 패턴 데이터를 추출하는 과정에서 이용되는 중간 층(layer)의 노드 수를 감소시키기 위해 오토인코더(AutoEncoder)를 이용할 수 있다.
유무선 통신망을 통해 구매 요청을 처리하는 서버는, 제어 프로그램을 기록하는 메모리, 상기 제어 프로그램에 따라 동작하는 중앙 처리부, 구매자 단말과 통신을 수행하는 통신 인터페이스 및 복수의 상품 이미지에 대한 패턴 데이터 및 상기 패턴 데이터와 대응되는 상품 정보를 기록하는 데이터베이스를 포함하고, 상기 제어 프로그램은, 상기 구매자 단말로부터 상품 이미지를 포함하는 구매 요청을 수신하는 단계, 상기 상품 이미지로부터 패턴 데이터를 추출하는 단계, 상기 데이터베이스에 기록된 패턴 데이터 중 상기 추출된 패턴 데이터와 가장 유사도가 높은 패턴 데이터를 검색하는 단계 및 상기 검색된 패턴 데이터와 대응되는 상품 정보를 상기 구매자 단말로 전송하는 단계를 포함한다.
상기 패턴 데이터를 추출하는 단계는, 딥러닝(Deep Learning) 알고리즘을 이용하여 상기 패턴 데이터를 추출하는 단계일 수 있다.
상기 딥러닝 알고리즘은, 심층 신경망(DNN: Deep Neural Network), 합성곱 신경망(CNN: Convolutional Neural Network) 또는 순환 신경망(RNN: Recurrent Neural Network) 중 하나를 이용할 수 있다.
상기 딥러닝 알고리즘은, 상기 상품 이미지의 패턴 데이터를 추출하는 과정에서 이용되는 중간 층(layer)의 노드 수를 감소시키기 위해 오토인코더(AutoEncoder)를 이용할 수 있다.
도 1은 구매 요청을 처리하는 서버의 블록도이다.
도 2는 구매 요청을 처리하는 방법의 흐름도이다.
도 3a 내지 도 3e는 서로 다른 패턴을 가진 컵 이미지를 도시한다.
도 4는 데이터베이스에 기록된 상품 이미지에 대한 패턴 데이터 및 패턴 데이터와 대응되는 상품 정보를 도시한다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 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.
도 1은 구매 요청을 처리하는 서버의 블록도이다.
도 2는 구매 요청을 처리하는 방법의 흐름도이다.
도 3a 내지 도 3e는 서로 다른 패턴을 가진 컵 이미지를 도시한다.
도 4는 데이터베이스에 기록된 상품 이미지에 대한 패턴 데이터 및 패턴 데이터와 대응되는 상품 정보를 도시한다.
설명의 편의상, 도 1 내지 도 4를 함께 참조하여 설명한다.
유무선 통신망을 통해 구매자 단말(200)로부터 수신된 구매 요청을 처리하는 서버(100)는 제어 프로그램을 기록하는 메모리(110), 제어 프로그램에 따라 동작하는 중앙 처리부(120), 구매자 단말(200)과 통신을 수행하는 통신 인터페이스(130) 및 복수의 상품 이미지에 대한 패턴 데이터 및 상기 패턴 데이터와 대응되는 상품 정보를 기록하는 데이터베이스(140)를 포함한다. 구매자 단말(200)은 데스크탑 또는 노트북 등의 고정형(stationary) 단말 및 스마트폰, 태플릿 PC 등의 이동형(portable) 단말, 구매 요청을 서버(100)로 전송하고, 서버(100)로부터 상품 정보를 수신할 수 있는 단말을 모두 포함할 수 있다. 서버(100)와 구매자 단말(200)은 유/무선 네트워크를 통해 연결될 수 있다.
서버(100)는 복수의 상품 데이터에 대한 패턴 데이터 및 상기 패턴 데이터와 대응되는 상품 정보를 기록하는 데이터베이스(140)를 유지한다(S100). 도 4를 참조하면, 데이터베이스(140)는 상품의 타입(type), 상단부의 형상(이하 top이라 함), 하단부의 형상(이하 bottom이라 함), 높이 방향 윤곽선의 평행 여부(이하 Z-parallel이라 함), 높이 방향으로의 굴곡 여부(이하 Z-straight이라 함), 손잡이 유무(이하 Handle이라 함)를 포함하는 패턴 데이터 및, 상기 패턴 데이터와 대응되는 상품의 브랜드 및 가격 정보를 포함할 수 있다. 타입은 특정 상품의 패턴 데이터들을 종합적으로 고려하여 결정된다. 예를 들어, 탑과 바텀이 모두 원형(Round)이고, 높이 방향 윤곽선이 서로 평행하지 않고(Z-parallel: X), 높이 방향 윤곽선이 굴곡이 없고(Z-straight: O), 손잡이가 있는(Handle: O) 상품은 3a 타입이라고 결정될 수 있다. 상품 타입 결정과 관련된 자세한 내용은 상품 이미지로부터 패턴 데이터를 추출하는 단계 설명과 함께 후술한다.
서버(100)는 구매자 단말(200)로부터 상품 이미지를 포함하는 구매 요청을 수신한다(S110). 상기 상품 이미지는 구매자 단말(200)로 촬영하거나, 웹 상에서 다운로드 하거나, 다른 단말로부터 수신한 것일 수 있다.
서버(100)는 상품 이미지로부터 패턴 데이터를 추출한다(S120). 패턴 데이터는 top, bottom, T/B Rate, Z-straight, 색상, 반복적인 무늬, 돌출부와 함몰부, 몸체(body)에 부가된 구성의 유무(예를 들어, 뚜껑, 손잡이(Handle), 받침대 등), 구성요소 간의 연결부의 유무 등의 데이터를 포함할 수 있다. 서버(100)는 상품 이미지가 복수의 구성요소가 결합을 포함하는 경우, 결합된 구성요소 중 가장 면적이 넓은 구성요소를 몸체(body)로 인식할 수 있다. 일실시예에 있어서, 구매자 단말(200)로부터 도 3a에 도시된 형태의 이미지를 수신한 경우, 서버(100)는 상기 이미지의 Top 및 Bottom이 모두 원형(Round)이고, Z-parallel이 X이고, Z-straight가 O이고, Handle이 O인 패턴 데이터를 추출할 수 있다. 다른 실시예에 있어서, 구매자 단말(200)로부터 도 3b에 도시된 형태의 이미지를 수신한 경우, 서버(100)는 상기 이미지의 Top 및 Bottom이 모두 원형(Round)이고, Z-parallel 값이 O이며, Z-straight값이 O이고, Handle값이 O인 패턴 데이터를 추출할 수도 있다.
서버(100)는 딥러닝(Deep Learning) 알고리즘을 이용하여 이미지에 대한 패턴을 추출할 수 있다. 딥러닝 알고리즘은 다량의 데이터를 기반으로 데이터 간의 다른 점을 찾아내 구분하고 이를 학습함으로써 패턴을 찾아내는 알고리즘이다. 딥러닝 알고리즘은 이미지로부터 패턴 데이터를 추출하기 위해 전처리(Pre-Training) 단계를 포함할 수 있다. 딥러닝 알고리즘은 복수의 이미지들로부터 일정한 패턴 데이터를 추출할 수 있다. 예를 들어, 딥러닝 알고리즘은 복수의 이미지들에 기초하여 원통형 또는 원뿔대(truncated cone)의 몸체(body)를 가지고, 상단 및 하단의 단면이 원형이라는 패턴 데이터를 추출하여, 상기 패턴 데이터를 가진 이미지를 컵(Cup)으로 분류할 수 있다. 또한, 딥러닝 알고리즘은 컵으로 분류된 이미지로부터 손잡이의 유무, 몸체의 양쪽 윤곽선이 평행한지, 몸체가 곧은(straight) 형태인지, 몸체가 곡선을 포함하는지 등과 같은 패턴 데이터를 더 추출하여 컵의 종류를 더 세분화할 수 있다.
딥러닝 알고리즘은, 심층 신경망(DNN: Deep Neural Network), 합성곱 신경망(CNN: Convolutional Neural Network) 또는 순환 신경망(RNN: Recurrent Neural Network) 중 하나를 이용할 수 있다.
심층 신경망은, 입력층(input layer), 출력층(output layer) 및 입력층과 출력층 사이에 존재하는 복수의 은닉층(hidden layer)을 포함하는 인공신경망(Artificial Neural Network)을 의미한다. 심층 신경망은 비선형 관계 모델링(non-linear relationship)을 수행할 수 있다. 심층 신경망은 역전파(Backpropagation) 알고리즘을 이용하여 이미지로부터 패턴을 학습할 수 있다.
합성곱 신경망은, 전처리를 최소화하기 위해 설계된 다층 퍼셉트론(multilayer perceptrons) 중 하나이다. 합성곱 신경망은 적어도 하나의 합성곱 층(layer) 및 그 상위에 있는 인공 신경망 계층에서 전처리를 수행하므로, 2차원 구조의 입력 데이터를 효과적으로 이용할 수 있다.
순환 신경망은, 인공신경망에 포함된 구성 간의 연결이 직접적으로 순환하도록(directed cycle)을 구성하는 신경망을 의미한다. 순환 신경망은 임의의 입력을 처리하기 위해 신경망 내부의 메모리(110)를 이용할 수 있다.
딥러닝 알고리즘은, 상품 이미지의 패턴 데이터를 추출하는 과정에서 이용되는 중간 층(layer)의 노드 수를 감소시키기 위해 오토인코더(AutoEncoder)를 이용할 수 있다. 오토인코더는 인공 신경망에서 데이터를 효율적으로 인코딩하기 위해 이용되는 구성이다. 딥러닝 알고리즘은 오토인코더를 이용하여 인공 신경망에서 입력 층과 출력 층의 노드 수를 동일하게 할 수 있다. 딥러닝 알고리즘은 데이터가 입력 레이어에서 히든 레이어로 이동하는 인코딩 과정 및 히든 레이어에서 출력 레이어로 이동하는 디코딩 과정을 통해 입력 값과 출력 값이 같도록 인공 신경망을 학습시킬 수 있다.
서버(100)는 데이터베이스(140)에 기록된 패턴 데이터 중 추출된 패턴 데이터와 가장 유사도가 높은 패턴 데이터를 검색한다(S130). 서버(100)는, 데이터베이스(140)에 기록된 패턴 데이터와 수신된 이미지로부터 추출된 패턴 데이터가 일치하는 항목이 많을수록 유사도가 크다고 판단될 수 있다.
일실시예에 있어서, 서버(100)가 구매자 단말(200)로부터 컵(Cup)의 이미지(이하 제1 인풋 이미지라 함, 도시되지 않음)를 수신한 경우, 서버(100)는 상기 이미지의 패턴 데이터를 추출한다. 추출 결과, 서버(100)는 상기 제1 인풋 이미지로부터 Top과 Bottom이 원형이고, Z-parallel이 X이며, Z-straight가 O이고, Handle이 O인 패턴 데이터를 추출할 수 있다. 서버(100)는 데이터베이스(140)의 패턴 데이터를 참조하여 타입 3a 내지 타입 3e 각각에 대해 상기 제1 인풋 이미지의 패턴 데이터와 일치하는 패턴 데이터의 수를 계산할 수 있다. 계산 결과, 일치하는 패턴 데이터의 수는 타입 3a가 5개로 가장 많으므로, 서버(100)는 수신된 상기 제1 인풋 이미지에 대해 타입 3a의 유사도가 가장 높다고 판단할 수 있다.
다른 실시예에 있어서, 서버(100)는 데이터베이스(140)에 각각의 패턴 데이터에 가중치를 부여하여 유사도를 판단할 수 있다. 예를 들어, 서버(100)는 Top에 0.05, Bottom에 0.05, Z-parallel에 0.10, Z-straight에 0.15, Handle에 0.20의 가중치를 부여할 수 있다. 나머지 여분의 가중치(0.45)는 도 4에 도시되지 않은 다른 패턴 데이터들에 부여될 수 있다. 패턴 데이터에 위와 같이 가중치가 부여되고, 상기 제1 인풋 이미지를 수신한 경우, 타입 3a의 유사도는 0.55(Top 0.05, Bottom 0.05, Z-parallel 0.10, Z-straight 0.15, Handle 0.2)이고, 타입 3b의 유사도는 0.45(Top 0.05, Bottom 0.05, Z-parallel 0.00, Z-straight 0.15, Handle 0.2)이며, 타입 3c의 유사도는 0.40(Top 0.05, Bottom 0.05, Z-parallel 0.10, Z-straight 0.00, Handle 0.2)이고, 타입 3d의 유사도는 0.35(Top 0.05, Bottom 0.05, Z-parallel 0.10, Z-straight 0.15, Handle 0.0)이고, 타입 3e의 유사도는 0.55(Top 0.05, Bottom 0.05, Z-parallel 0.10, Z-straight 0.15, Handle 0.2)이고, 0.20이다. 따라서, 서버(100)는 상기 제1 인풋 이미지와 가장 높은 유사도(0.55)를 가지는 타입 3a를 검색 결과로 도출할 수 있다. 패턴 데이터에 가중치를 부여함으로써, 특정 상품 이미지로부터 패턴 데이터를 추출하는 복수의 기준에 대해 중요도를 설정할 수 있다. 상기 제1 인풋 이미지는 컵을 포함하는 다양한 상품에 대한 이미지일 수 있고, 데이터베이스는 각각의 상품에 대해 서로 다른 패턴 데이터를 추출하여 기록한다.
서버(100)는 검색된 패턴 데이터와 대응되는 상품 정보를 구매자 단말(200)로 전송한다(S140). 예를 들어, 상기 제1 인풋 이미지와 가장 유사도가 높은 상품으로 타입 3a이 검색된 경우, 서버(100)는 타입 3a의 패턴 데이터와 대응되는 상품 정보(예를 들어, 브랜드 정보 A 및 가격 정보 5000원)를 구매자 단말(200)로 전송할 수 있다. 상기 상품 정보는, 상기 상품의 이미지, 품번 정보, 브랜드 정보, 가격 정보, 색상 정보, 크기 정보, 제조사 정보, 판매사 정보를 더 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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.
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.
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.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 특허청구범위의 범위에 속한다.
100: 서버
110: 메모리
120: 중앙 처리부
130: 통신 인터페이스
140: 데이터베이스
200: 구매자 단말

Claims (8)

  1. 유무선 통신망을 통해 구매 요청을 처리하는 방법에 있어서,
    복수의 상품 이미지에 대한 패턴 데이터 및 상기 패턴 데이터와 대응되는 상품 정보를 기록하는 데이터베이스를 유지하는 단계;
    구매자 단말로부터 상품 이미지를 포함하는 구매 요청을 수신하는 단계;
    상기 상품 이미지로부터 패턴 데이터를 추출하는 단계;
    상기 데이터베이스에 기록된 패턴 데이터 중 상기 추출된 패턴 데이터와 가장 유사도가 높은 패턴 데이터를 검색하는 단계; 및
    상기 검색된 패턴 데이터와 대응되는 상품 정보를 상기 구매자 단말로 전송하는 단계
    를 포함하는,
    구매 요청 처리 방법.
  2. 제1항에 있어서,
    상기 패턴 데이터를 추출하는 단계는,
    딥러닝(Deep Learning) 알고리즘을 이용하여 상기 패턴 데이터를 추출하는 단계인,
    구매 요청 처리 방법.
  3. 제2항에 있어서,
    상기 딥러닝 알고리즘은, 심층 신경망(DNN: Deep Neural Network), 합성곱 신경망(CNN: Convolutional Neural Network) 또는 순환 신경망(RNN: Recurrent Neural Network) 중 하나를 이용하는,
    구매 요청 처리 방법.
  4. 제2항에 있어서,
    상기 딥러닝 알고리즘은, 상기 상품 이미지의 패턴 데이터를 추출하는 과정에서 이용되는 중간 층(layer)의 노드 수를 감소시키기 위해 오토인코더(AutoEncoder)를 이용하는,
    구매 요청 처리 방법.
  5. 유무선 통신망을 통해 구매 요청을 처리하는 서버에 있어서,
    제어 프로그램을 기록하는 메모리;
    상기 제어 프로그램에 따라 동작하는 중앙 처리부;
    구매자 단말과 통신을 수행하는 통신 인터페이스; 및
    복수의 상품 이미지에 대한 패턴 데이터 및 상기 패턴 데이터와 대응되는 상품 정보를 기록하는 데이터베이스를 포함하고,
    상기 제어 프로그램은,
    상기 구매자 단말로부터 상품 이미지를 포함하는 구매 요청을 수신하는 단계;
    상기 상품 이미지로부터 패턴 데이터를 추출하는 단계;
    상기 데이터베이스에 기록된 패턴 데이터 중 상기 추출된 패턴 데이터와 가장 유사도가 높은 패턴 데이터를 검색하는 단계; 및
    상기 검색된 패턴 데이터와 대응되는 상품 정보를 상기 구매자 단말로 전송하는 단계
    를 포함하는,
    서버.
  6. 제5항에 있어서,
    상기 패턴 데이터를 추출하는 단계는,
    딥러닝(Deep Learning) 알고리즘을 이용하여 상기 패턴 데이터를 추출하는 단계인,
    서버.
  7. 제6항에 있어서,
    상기 딥러닝 알고리즘은, 심층 신경망(DNN: Deep Neural Network), 합성곱 신경망(CNN: Convolutional Neural Network) 또는 순환 신경망(RNN: Recurrent Neural Network) 중 하나를 이용하는,
    서버.
  8. 제6항에 있어서,
    상기 딥러닝 알고리즘은, 상기 상품 이미지의 패턴 데이터를 추출하는 과정에서 이용되는 중간 층(layer)의 노드 수를 감소시키기 위해 오토인코더(AutoEncoder)를 이용하는,
    서버.
KR1020160171313A 2016-12-15 2016-12-15 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치 KR102242623B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160171313A KR102242623B1 (ko) 2016-12-15 2016-12-15 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160171313A KR102242623B1 (ko) 2016-12-15 2016-12-15 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20180069276A true KR20180069276A (ko) 2018-06-25
KR102242623B1 KR102242623B1 (ko) 2021-04-20

Family

ID=62806011

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160171313A KR102242623B1 (ko) 2016-12-15 2016-12-15 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102242623B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102050855B1 (ko) * 2019-03-25 2020-01-08 강태기 수요 예측 장치 및 방법
KR20200145074A (ko) * 2019-06-20 2020-12-30 (주)대왕시스템 인공 지능 코디네이션 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010015216A (ja) * 2008-07-01 2010-01-21 Yahoo Japan Corp アイテム販売装置、アイテム販売方法及びプログラム
US20160267637A1 (en) * 2015-03-12 2016-09-15 Yahoo! Inc. System and method for improved server performance for a deep feature based coarse-to-fine fast search
US20160358024A1 (en) * 2015-06-03 2016-12-08 Hyperverge Inc. Systems and methods for image processing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010015216A (ja) * 2008-07-01 2010-01-21 Yahoo Japan Corp アイテム販売装置、アイテム販売方法及びプログラム
US20160267637A1 (en) * 2015-03-12 2016-09-15 Yahoo! Inc. System and method for improved server performance for a deep feature based coarse-to-fine fast search
US20160358024A1 (en) * 2015-06-03 2016-12-08 Hyperverge Inc. Systems and methods for image processing

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102050855B1 (ko) * 2019-03-25 2020-01-08 강태기 수요 예측 장치 및 방법
KR20200145074A (ko) * 2019-06-20 2020-12-30 (주)대왕시스템 인공 지능 코디네이션 시스템

Also Published As

Publication number Publication date
KR102242623B1 (ko) 2021-04-20

Similar Documents

Publication Publication Date Title
US11195146B2 (en) Systems and methods for deep learning-based shopper tracking
JP7181922B2 (ja) 前景／背景処理を使用した在庫イベントの予測
US10055853B1 (en) Subject identification and tracking using image recognition
CA3118083C (en) Techniques for recommending items to users
US10133933B1 (en) Item put and take detection using image recognition
KR102008696B1 (ko) 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법
CN110322300B (zh) 数据处理方法及装置、电子设备、存储介质
WO2021172058A1 (en) Adaptive co-distillation model
CN111052128A (zh) 用于检测和定位视频中的对象的描述符学习方法
KR20200114969A (ko) 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법
KR102429392B1 (ko) 이미지 크롤링 기법을 활용한 상품 정보 제공 방법, 장치 및 시스템
KR102242623B1 (ko) 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치
KR102466020B1 (ko) 인공지능 기반 명품 정보 및 셀러의 자동 매칭 방법, 장치 및 시스템
KR102299393B1 (ko) 제품과 사용자의 매칭을 위한 전자 장치 및 이를 포함하는 매칭 시스템
CN114548323A (zh) 商品分类方法、设备及计算机存储介质
CN111784787B (zh) 图像生成方法和装置
KR102456400B1 (ko) 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법, 장치 및 시스템
US20230196424A1 (en) Real-time identification of garments in a rail-based garment intake process
WO2023185787A1 (zh) 一种物品的搭配方法以及相关设备
US12026665B2 (en) Identifying inventory items using multiple confidence levels
KR20240045401A (ko) 메타버스 환경 기반 공간 스타일링 전문가 및 사용자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant