KR20180121466A - Personalized product recommendation using deep learning - Google Patents

Personalized product recommendation using deep learning Download PDF

Info

Publication number
KR20180121466A
KR20180121466A KR1020180132841A KR20180132841A KR20180121466A KR 20180121466 A KR20180121466 A KR 20180121466A KR 1020180132841 A KR1020180132841 A KR 1020180132841A KR 20180132841 A KR20180132841 A KR 20180132841A KR 20180121466 A KR20180121466 A KR 20180121466A
Authority
KR
South Korea
Prior art keywords
information
product
recommendation
user
learning
Prior art date
Application number
KR1020180132841A
Other languages
Korean (ko)
Inventor
양민철
김한영
최정원
이정태
Original Assignee
네이버 주식회사
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 네이버 주식회사 filed Critical 네이버 주식회사
Publication of KR20180121466A publication Critical patent/KR20180121466A/en

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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

Abstract

Disclosed is a personalized product recommendation technique using deep learning and, more particularly, to a personalized product recommendation method which comprises the steps of: collecting product information as a recommendation target from a specific service among a plurality of services provided through a platform of a portal environment; collecting user information including user behavior history information for each service from at least one service different from the specific service among the plurality of services; learning purchase prediction for the recommendation target through a learning model formed by sequentially connecting the user behavior history information for each service according to order information for an input vector of the user information, wherein the product information and the user information are formed as input vectors; and providing a product recommendation result through the specific service on the basis of a purchase prediction result for the recommendation target.

Description

딥러닝을 활용한 개인화 상품 추천{PERSONALIZED PRODUCT RECOMMENDATION USING DEEP LEARNING}{PERSONALIZED PRODUCT RECOMMENDATION USING DEEP LEARNING}

아래의 설명은 사용자에게 적합한 상품을 추천하는 기술에 관한 것이다.The following description relates to techniques for recommending products suitable for the user.

일반적으로 인터넷 마켓에서의 상품 추천은 개인의 구매 이력에 기반하여 개인에게 최적화된 상품을 선별하여 추천할 수 있다. 이때 주로 사용되는 방법으로, 상품을 추천할 대상 사용자와 구매 이력이 유사한 사용자들을 선별하고 유사 사용자들은 구매하였는데 추천 대상 사용자가 구매하지 않은 상품을 추천해주는 협업 필터링(Collaborative Filtering)이나, 여러 사용자의 구매 기록을 이용하여 상품 별로 동시 구매 가능성 또는 동시 클릭 가능성이 높은 상품을 추천하는 연관 규칙 마이닝(Association Rule Mining)과 같은 알고리즘이 이용될 수 있다.In general, product recommendation in the Internet market can be recommended by selecting products optimized for the individual based on an individual purchase history. In this case, users who have similar purchasing histories to the target users to whom the product is to be recommended are selected, and similar users purchase the products. However, Collaborative Filtering, which recommends products not purchased by the recommended users, Algorithms such as Association Rule Mining may be used to recommend products that are likely to have simultaneous purchase or simultaneous clicks by product using records.

예컨대, 한국등록특허 제10-0882716호(등록일 2009년 02월 02일)에는 사용자 단말기에 설치된 정보 추천 에이전트에서 인식한 상품의 상품 코드, 상품명 또는 모델명 등을 이용하여 상품에 대한 상품 정보를 자동으로 추천하는 기술이 개시되어 있다.For example, Korean Patent Registration No. 10-0882716 (Feb. 02, 2009) discloses an information recommendation agent installed in a user terminal to automatically provide product information about a product using a product code, a product name, A recommended technique is disclosed.

딥러닝을 이용하여 사용자에게 적합한 상품을 추천할 수 있는 방법 및 시스템을 제공한다.A method and system for recommending a product suitable for a user using deep learning is provided.

복수의 서비스를 제공하는 포털 환경에서 크로스 도메인 형태로 일 서비스 상의 상품에 대해 다른 서비스에서의 사용자 행동 이력을 포함한 사용자 정보를 이용하여 상품 추천 결과를 제공하는 방법 및 시스템을 제공한다.There is provided a method and system for providing a product recommendation result using user information including a user behavior history in another service for a product in a service in a cross domain form in a portal environment for providing a plurality of services.

컴퓨터 시스템에서 수행되는 개인화 상품 추천 방법에 있어서, 적어도 하나의 프로세서에서, 포털 환경의 플랫폼을 통해 제공되는 복수의 서비스 중 특정 서비스에서 추천 대상이 되는 상품 정보를 수집하는 단계; 상기 적어도 하나의 프로세서에서, 상기 복수의 서비스 중 상기 특정 서비스와 다른 하나 이상의 서비스에서 각 서비스 별 사용자 행동 이력 정보가 포함된 사용자 정보를 수집하는 단계; 상기 적어도 하나의 프로세서에서, 상기 상품 정보와 상기 사용자 정보를 각각의 입력 벡터로 구성하되 상기 사용자 정보에 대한 입력 벡터의 경우 상기 서비스 별 사용자 행동 이력 정보를 순서 정보에 따라 차례로 연결하여 구성한 학습 모델을 통해 상기 추천 대상에 대한 구매 예측을 학습하는 단계; 및 상기 적어도 하나의 프로세서에서, 상기 추천 대상에 대한 구매 예측 결과를 바탕으로 상기 특정 서비스를 통해 상품 추천 결과를 제공하는 단계를 포함하는 개인화 상품 추천 방법을 제공한다.A personalized product recommendation method performed in a computer system, the method comprising: collecting product information as a recommendation target in a specific service among a plurality of services provided through a platform of a portal environment in at least one processor; Collecting user information including user behavior history information for each service in one or more services different from the specific service among the plurality of services in the at least one processor; The at least one processor configures the product information and the user information as respective input vectors, and in the case of the input vector for the user information, the learning model configured by sequentially connecting the user behavior history information for each service according to the order information, Learning a purchase prediction for the recommendation object through the recommendation; And providing the product recommendation result through the specific service based on the purchase prediction result for the recommendation object in the at least one processor.

일 측면에 따르면, 상기 학습하는 단계는, 상품과 관련된 이형적인 정보 통합 학습 및 임베딩(embedding)을 통한 의미적 학습을 포함한 FFNN(feedforward neural network) 학습 모델을 통해 상기 상품 정보와 상기 사용자 정보를 같이 학습하여 상기 추천 대상에 대한 구매 예측을 학습할 수 있다.According to an aspect of the present invention, the step of learning may include the step of providing the product information and the user information together through an FFNN (Feedforward Neural Network) learning model including semantic learning through embodied information integration learning and embedding related to the product And learn a purchase prediction for the recommendation target.

다른 측면에 따르면, 상기 학습하는 단계는, 상기 사용자 행동 이력 정보에 해당되는 임베딩 벡터들을 일정 개수씩 나눈 후 나누어진 임베딩 벡터들의 평균 값으로 입력 벡터를 구성하는 단계를 포함할 수 있다.According to another aspect of the present invention, the step of learning may comprise constructing an input vector by dividing the embedding vectors corresponding to the user behavior history information by a predetermined number and then dividing the divided embedding vectors into an average value.

또 다른 측면에 따르면, 상기 학습하는 단계는, 상기 사용자 행동 이력 정보에 대해 각 유형의 이력 횟수나 상품 개수 정보를 포함하여 입력 벡터를 구성하는 단계를 포함할 수 있다.According to another aspect of the present invention, the learning step may include constructing an input vector including the number of hysteresis and product number information of each type with respect to the user behavior history information.

또 다른 측면에 따르면, 상기 상품 정보는 상품 메타 정보 및 상품 이미지 중 적어도 하나를 포함하고, 상기 학습하는 단계는, 상기 상품 메타 정보를 임베딩 벡터로 변환하여 입력 벡터로 구성하거나 상기 상품 이미지의 시각적 패턴을 포함한 특징 벡터를 입력 벡터로 구성하는 단계를 포함할 수 있다.According to another aspect of the present invention, the product information includes at least one of product meta information and product image, and the learning step may include converting the product meta information into an embedding vector to construct an input vector, May be included as input vectors.

또 다른 측면에 따르면, 상기 학습하는 단계는, 상기 FFNN 학습 모델을 통해 상기 추천 대상에 대한 구매 예측 점수를 산출하고, 상기 제공하는 단계는, 상기 구매 예측 점수를 기준으로 하여 상기 특정 서비스에서 추천 대상이 되는 상품 중 일부 상품을 추천할 수 있다.According to another aspect of the present invention, the learning step may include calculating a purchase prediction score for the recommendation object through the FFNN learning model, and the providing step may include: Some products can be recommended.

또 다른 측면에 따르면, 상기 제공하는 단계는, 검색을 위한 질의가 입력되는 경우 상기 구매 예측 점수를 기준으로 하여 상기 질의에 대응되는 상품 중 일부 상품을 추천할 수 있다.According to another aspect of the present invention, in the providing step, when a query for a search is input, a recommendation may be made of a part of products corresponding to the query based on the purchase prediction score.

상기 개인화 상품 추천 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체를 제공한다.And a program for causing the computer to execute the personalized product recommendation method is recorded on the computer-readable recording medium.

컴퓨터로 구현되는 개인화 상품 추천 시스템에 있어서, 메모리와 연결되고 상기 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 포털 환경의 플랫폼을 통해 제공되는 복수의 서비스 중 특정 서비스에서 추천 대상이 되는 상품 정보를 수집하는 과정; 상기 복수의 서비스 중 상기 특정 서비스와 다른 하나 이상의 서비스에서 각 서비스 별 사용자 행동 이력 정보가 포함된 사용자 정보를 수집하는 과정; 상기 상품 정보와 상기 사용자 정보를 각각의 입력 벡터로 구성하되 상기 사용자 정보에 대한 입력 벡터의 경우 상기 서비스 별 사용자 행동 이력 정보를 순서 정보에 따라 차례로 연결하여 구성한 학습 모델을 통해 상기 추천 대상에 대한 구매 예측을 학습하는 과정; 및 상기 적어도 하나의 프로세서에서, 상기 추천 대상에 대한 구매 예측 결과를 바탕으로 상기 특정 서비스를 통해 상품 추천 결과를 제공하는 과정을 처리하는 개인화 상품 추천 시스템을 제공한다.What is claimed is: 1. A computer-implemented personalized product recommendation system comprising: at least one processor coupled to a memory and configured to execute computer-readable instructions contained in the memory, the at least one processor providing Collecting product information as a recommendation target from a specific service among the plurality of services; Collecting user information including user behavior history information for each service from one or more services different from the specific service among the plurality of services; Wherein the product information and the user information are constituted by respective input vectors, in the case of the input vector for the user information, the user behavior history information for each service is connected in order according to the order information, The process of learning predictions; And a process of providing a product recommendation result through the specific service based on the purchase prediction result for the recommendation object in the at least one processor.

본 발명의 실시예들에 따르면, 딥러닝을 이용하여 사용자 개인에게 적합한 상품을 추천할 수 있다.In accordance with embodiments of the present invention, it is possible to recommend products suitable for the user using deep running.

본 발명의 실시예들에 따르면, 복수의 서비스를 제공하는 포털 환경에서 크로스 도메인 형태로 일 서비스의 상품에 대해 다른 서비스에서의 사용자 행동 이력을 포함한 사용자 정보를 이용하여 상품 추천 결과를 제공할 수 있다.According to the embodiments of the present invention, it is possible to provide a product recommendation result using user information including a user behavior history in another service for a product of one service in a cross-domain form in a portal environment for providing a plurality of services .

도 1은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
도 5는 본 발명의 일 실시예에 있어서 상품 구매를 예측하는 FFNN 학습 모델을 설명하기 위한 예시 도면이다.
도 6은 본 발명의 일 실시예에 있어서 사용자 정보를 수집하는 과정의 일례를 도시한 것이다.
도 7 내지 도 8은 본 발명의 일 실시예에 있어서 사용자 정보를 FFNN 학습 모델의 입력 벡터로 구성하는 과정의 일례를 도시한 것이다.
도 9 내지 도 10은 본 발명의 일 실시예에 있어서 상품 정보를 FFNN 학습 모델의 입력 벡터로 구성하는 과정의 일례를 도시한 것이다.1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
2 is a block diagram for explaining an internal configuration of an electronic device and a server in an embodiment of the present invention.
FIG. 3 is a diagram illustrating an example of a component that a processor of a server according to an embodiment of the present invention may include.
4 is a flowchart illustrating an example of a method that a server according to an embodiment of the present invention can perform.
5 is an exemplary diagram for explaining an FFNN learning model for predicting purchase of goods in an embodiment of the present invention.
FIG. 6 illustrates an example of a process of collecting user information in an embodiment of the present invention.
7 to 8 show an example of a process of configuring user information as an input vector of the FFNN learning model in an embodiment of the present invention.
9 to 10 show an example of a process of configuring product information as an input vector of the FFNN learning model in an embodiment of the present invention.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 발명의 실시예들은 사용자에게 적합한 상품을 추천하는 기술에 관한 것이다.Embodiments of the present invention relate to techniques for recommending a product suitable for a user.

본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 심층신경망(deep neural network)을 활용하여 개인화 상품 추천 모델을 구축할 수 있고, 이를 통해 서비스 품질과 이용률 향상, 효율성, 편의성, 비용 절감 등의 측면에 있어서 상당한 장점들을 달성한다.Embodiments, including those specifically disclosed herein, can build a personalized product recommendation model utilizing a deep neural network, thereby improving service quality and utilization, efficiency, convenience, and cost reduction ≪ / RTI >

도 1은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention. 1 shows an example in which a plurality of electronic devices 110, 120, 130, 140, a plurality of servers 150, 160, and a network 170 are included. 1, the number of electronic devices and the number of servers are not limited to those shown in FIG.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 태블릿 PC, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player) 등이 있다. 일례로 제1 전자 기기(110)는 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있다.The plurality of electronic devices 110, 120, 130, 140 may be a fixed terminal implemented as a computer device or a mobile terminal. A mobile phone, a tablet PC, a navigation device, a computer, a notebook, a digital broadcasting terminal, a PDA (personal digital assistant), a PMP (personal digital assistant) Portable Multimedia Player). For example, the first electronic device 110 may communicate with other electronic devices 120, 130, 140 and / or the servers 150, 160 via the network 170 using a wireless or wired communication scheme.

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.The communication method is not limited, and may include a communication method using a communication network (for example, a mobile communication network, a wired Internet, a wireless Internet, a broadcasting network) that the network 170 may include, as well as a short-range wireless communication between the devices. For example, the network 170 may be a personal area network (LAN), a local area network (LAN), a campus area network (CAN), a metropolitan area network (MAN), a wide area network (WAN) , A network such as the Internet, and the like. The network 170 may also include any one or more of a network topology including a bus network, a star network, a ring network, a mesh network, a star-bus network, a tree or a hierarchical network, It is not limited.

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.Each of the servers 150 and 160 is a computer device or a plurality of computers that communicate with a plurality of electronic devices 110, 120, 130 and 140 through a network 170 to provide commands, codes, files, Lt; / RTI > devices.

일례로, 서버(160)는 네트워크(170)를 통해 접속한 제1 전자 기기(110)로 어플리케이션의 설치를 위한 파일을 제공할 수 있다. 이 경우 제1 전자 기기(110)는 서버(160)로부터 제공된 파일을 이용하여 어플리케이션을 설치할 수 있다. 또한, 제1 전자 기기(110)가 포함하는 운영체제(Operating System, OS)나 적어도 하나의 프로그램(일례로 브라우저나 상기 설치된 어플리케이션)의 제어에 따라 서버(150)에 접속하여 서버(150)가 제공하는 서비스나 컨텐츠를 제공받을 수 있다. 예를 들어, 제1 전자 기기(110)가 어플리케이션의 제어에 따라 네트워크(170)를 통해 서비스 요청 메시지를 서버(150)로 전송하면, 서버(150)는 서비스 요청 메시지에 대응하는 코드를 제1 전자 기기(110)로 전송할 수 있고, 제1 전자 기기(110)는 어플리케이션의 제어에 따라 코드에 따른 화면을 구성하여 표시함으로써 사용자에게 컨텐츠를 제공할 수 있다.For example, the server 160 may provide a file for installation of an application to the first electronic device 110 connected via the network 170. [ In this case, the first electronic device 110 can install an application using a file provided from the server 160. [ The server 150 is connected to the server 150 according to the control of an operating system (OS) included in the first electronic device 110 or at least one program (for example, a browser or an installed application) Services and contents can be provided. For example, if the first electronic device 110 transmits a service request message to the server 150 via the network 170 under the control of the application, the server 150 transmits a code corresponding to the service request message to the first And the first electronic device 110 can provide contents to the user by displaying and displaying a screen according to the code according to the control of the application.

도 2는 본 발명의 일 실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 도 2에서는 하나의 전자 기기에 대한 예로서 제1 전자 기기(110), 그리고 하나의 서버에 대한 예로서 서버(150)의 내부 구성을 설명한다. 다른 전자 기기들(120, 130, 140)이나 서버(160) 역시 동일한 또는 유사한 내부 구성을 가질 수 있다.2 is a block diagram for explaining an internal configuration of an electronic device and a server in an embodiment of the present invention. In FIG. 2, the internal configuration of the first electronic device 110 as an example of one electronic device and the server 150 as an example of one server will be described. Other electronic devices 120, 130, 140 or server 160 may have the same or similar internal configurations.

제1 전자 기기(110)와 서버(150)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함할 수 있다. 메모리(211, 221)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(211, 221)에는 운영체제나 적어도 하나의 프로그램 코드(일례로 제1 전자 기기(110)에 설치되어 구동되는 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로 상술한 서버(160))이 네트워크(170)를 통해 제공하는 파일들에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(211, 221)에 로딩될 수 있다.The first electronic device 110 and the server 150 may include memories 211 and 221, processors 212 and 222, communication modules 213 and 223 and input / output interfaces 214 and 224. The memories 211 and 221 may be a computer-readable recording medium and may include a permanent mass storage device such as a random access memory (RAM), a read only memory (ROM), and a disk drive. The memory 211 and 221 may store an operating system or at least one program code (for example, codes for an application installed and driven in the first electronic device 110). These software components may be loaded from a computer readable recording medium separate from the memories 211 and 221. [ Such a computer-readable recording medium may include a computer-readable recording medium such as a floppy drive, a disk, a tape, a DVD / CD-ROM drive, and a memory card. In other embodiments, the software components may be loaded into memory 211, 221 via communication modules 213, 223 rather than a computer readable recording medium. For example, at least one program may be a program installed by a file distribution system (for example, the server 160 described above) that distributes installation files of developers or applications, May be loaded into the memory 211, 221 based on the application described above.

프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.Processors 212 and 222 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input / output operations. The instructions may be provided to the processors 212 and 222 by the memories 211 and 221 or the communication modules 213 and 223. For example, the processor 212, 222 may be configured to execute a command received in accordance with a program code stored in a recording device, such as the memory 211, 221.

통신 모듈(213, 223)은 네트워크(170)를 통해 제1 전자 기기(110)와 서버(150)가 서로 통신하기 위한 기능을 제공할 수 있으며, 다른 전자 기기(일례로 제2 전자 기기(120)) 또는 다른 서버(일례로 서버(160))와 통신하기 위한 기능을 제공할 수 있다. 일례로, 제1 전자 기기(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청(일례로 검색 요청)이 통신 모듈(213)의 제어에 따라 네트워크(170)를 통해 서버(150)로 전달될 수 있다. 역으로, 서버(150)의 프로세서(222)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(223)과 네트워크(170)를 거쳐 제1 전자 기기(110)의 통신 모듈(213)을 통해 제1 전자 기기(110)로 수신될 수 있다. 예를 들어 통신 모듈(213)을 통해 수신된 서버(150)의 제어 신호나 명령 등은 프로세서(212)나 메모리(211)로 전달될 수 있고, 컨텐츠나 파일 등은 제1 전자 기기(110)가 더 포함할 수 있는 저장 매체로 저장될 수 있다.The communication modules 213 and 223 may provide a function for the first electronic device 110 and the server 150 to communicate with each other through the network 170 and may be connected to other electronic devices ) Or another server (e.g., server 160). For example, a request (e.g., a search request) generated by the processor 212 of the first electronic device 110 in accordance with a program code stored in a recording device, such as the memory 211, To the server 150 via the Internet 170. Conversely, control signals, commands, contents, files, and the like provided under the control of the processor 222 of the server 150 are transmitted to the communication module 223 of the first electronic device 110 via the communication module 223 and the network 170, May be received by the first electronic device (110) via the second network (213). For example, the control signal or command of the server 150 received through the communication module 213 may be transmitted to the processor 212 or the memory 211, and contents or files may be transmitted to the first electronic device 110, May also be stored as a storage medium.

입출력 인터페이스(214)는 입출력 장치(215)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 보다 구체적인 예로, 제1 전자 기기(110)의 프로세서(212)는 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(150)나 제2 전자 기기(120)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다. 입출력 인터페이스(224) 또한 마찬가지로 서버(150)의 프로세서(222)가 메모리(221)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어 서버(150)가 제공하는 데이터를 이용하여 구성되는 정보를 출력할 수 있다.The input / output interface 214 may be a means for interfacing with the input / output device 215. For example, the input device may include a device such as a keyboard or a mouse, and the output device may include a device such as a display for displaying a communication session of the application. As another example, the input / output interface 214 may be a means for interfacing with a device having integrated functions for input and output, such as a touch screen. The processor 212 of the first electronic device 110 may use the data provided by the server 150 or the second electronic device 120 in processing the instructions of the computer program loaded into the memory 211. For example, A service screen or contents configured by the user can be displayed on the display through the input / output interface 214. [ The input / output interface 224 can also output information configured using the data provided by the server 150 in processing the instructions of the computer program loaded in the memory 221 by the processor 222 of the server 150 have.

또한, 다른 실시예들에서 제1 전자 기기(110) 및 서버(150)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 제1 전자 기기(110)는 상술한 입출력 장치(215) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 제1 전자 기기(110)가 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 제1 전자 기기(110)에 더 포함되도록 구현될 수 있음을 알 수 있다.Also, in other embodiments, the first electronic device 110 and the server 150 may include more components than the components of FIG. However, there is no need to clearly illustrate most prior art components. For example, the first electronic device 110 may be implemented to include at least some of the input / output devices 215 described above, or may be implemented as a transceiver, a Global Positioning System (GPS) module, a camera, And may further include components. More specifically, when the first electronic device 110 is a smart phone, it may be an acceleration sensor, a gyro sensor, a camera, various physical buttons, buttons using a touch panel, input / output ports, It is understood that various components such as a vibrator may be further included in the first electronic device 110.

이하에서는 심층신경망(DNN)을 이용한 개인화 상품 추천 방법 및 그 시스템의 구체적인 실시예를 설명하기로 한다.Hereinafter, a method for recommending a personalized product using a DNN and a specific embodiment of the system will be described.

도 3은 본 발명의 일 실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이고, 도 4는 본 발명의 일 실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.FIG. 3 is a diagram illustrating an example of a component that a server of a server according to an exemplary embodiment of the present invention may include; FIG. 4 illustrates an example of a method that a server can perform according to an exemplary embodiment of the present invention; Fig.

서버(150)는 클라이언트(client)인 복수의 전자 기기들(110, 120, 130, 140)을 대상으로 검색 서비스, 쇼핑, 커뮤니티(예컨대, 카페, 블로그 등), 메일, 뉴스, 길 찾기 등 복수의 서비스를 통합하여 제공하는 플랫폼 역할을 한다. 이러한 서비스 플랫폼에는 방대한 상품이 존재하고 수시로 신규 상품이 유입되고 있으나 검색 채널을 통해 인기 상품 등을 위주로 극히 일부 상품만이 노출되고 있는 실정이다.The server 150 is connected to a plurality of electronic devices 110, 120, 130 and 140 as a client through a search service, a shopping service, a community (e.g., a cafe, a blog, And provides a platform to provide integrated services. In this service platform, there are vast products and new products are being introduced from time to time, but only a few products are exposed mainly through popular channels through search channels.

본 발명에서 서버(150)는 보다 많고 다양한 상품이 더 많은 사용자들과 연결될 수 있도록 딥러닝을 이용하여 사용자 개인에게 적합한 상품을 추천할 수 있다. 특히, 서버(150)는 포털 환경에서 제공되는 복수의 서비스 간에 크로스 도메인 형태로 특정 서비스의 상품에 대해 다른 서비스에서의 사용자 행동 이력을 포함한 사용자 정보를 이용하여 상품 추천 결과를 제공할 수 있다. 다시 말해, 서버(150)는 크로스오버(crossover) 추천 로직을 통해 사용자가 평소 소비하던 아이템과 다른 도메인이나 종류의 아이템을 추천할 수 있다.In the present invention, the server 150 can recommend a product suitable for the user by using deep learning so that more and various products can be connected to more users. In particular, the server 150 may provide product recommendation results using user information including a user behavior history in other services for a product of a specific service in a cross-domain form among a plurality of services provided in the portal environment. In other words, the server 150 can recommend a domain or kind of item that is different from the item that the user normally consumes through the crossover recommendation logic.

도 3에 도시된 바와 같이 서버(150)의 프로세서(222)는 구성요소들로서 정보 관리부(310), 학습 처리부(320), 및 상품 추천부(330)를 포함할 수 있다. 이러한 프로세서(222) 및 프로세서(222)의 구성요소들은 도 4의 방법이 포함하는 단계들(S410 내지 S430)을 수행하도록 서버(150)를 제어할 수 있다. 이때, 프로세서(222) 및 프로세서(222)의 구성요소들은 메모리(221)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 또한, 프로세서(222)의 구성요소들은 운영체제나 적어도 하나의 프로그램이 제공하는 제어 명령에 따라 프로세서(222)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 프로세서(222)가 상술한 제어 명령에 따라 상품 정보와 사용자 정보를 유지 관리하도록 제어하는 기능적 표현으로서 정보 관리부(310)가 사용될 수 있다.As shown in FIG. 3, the processor 222 of the server 150 may include an information manager 310, a learning processor 320, and a product recommender 330 as elements. The components of the processor 222 and the processor 222 may control the server 150 to perform the steps S410 through S430 included in the method of FIG. At this time, the components of the processor 222 and the processor 222 may be implemented to execute instructions according to the code of the operating system and the code of at least one program that the memory 221 contains. In addition, components of processor 222 may be representations of different functions performed by processor 222 in accordance with control commands provided by the operating system or by at least one program. For example, the information manager 310 may be used as a functional expression for controlling the processor 222 to maintain product information and user information according to the control command described above.

단계(S410)에서 정보 관리부(310)는 서버(150)에서 제공 가능한 복수의 서비스 중 특정 서비스에서의 추천 대상이 되는 상품 정보, 그리고 복수의 서비스 중 적어도 하나의 서비스에서의 사용자 행동 이력이 포함된 사용자 정보를 수집하여 유지 관리할 수 있다. 사용자가 평소 소비하던 아이템과 다른 종류/도메인의 아이템을 추천하는 크로스오버 추천 로직을 구현하기 위해, 정보 관리부(310)는 상품 추천이 필요한 도메인 외 다른 서비스에서의 사용자 행동 이력 정보를 포함하여 수집 및 관리할 수 있다.In step S410, the information management unit 310 determines whether or not the product information to be recommended in the specific service among the plurality of services available in the server 150 and the user's action history in at least one of the plurality of services User information can be collected and maintained. In order to implement the crossover recommendation logic that recommends items of categories / domains different from the items that the user has normally consumed, the information management unit 310 collects and stores user activity history information in services other than domains requiring product recommendation Can be managed.

단계(S420)에서 학습 처리부(320)는 상품 정보와 사용자 정보를 입력 벡터로 구성한 딥러닝을 통해 추천 대상 상품에 대한 구매 예측을 학습할 수 있다. 일례로, 학습 처리부(320)는 FFNN(feedforward neural network) 학습 모델을 이용하여 사용자 정보와 상품 정보를 기반으로 상품의 구매 가능성을 예측할 수 있다. 사용자와 유사한 사용자 그룹에서 선호한 아이템을 추천하는 협업 필터링(Collaborative Filtering) 모델과, 사용자가 과거에 선호한 아이템과 내용이 유사한 다른 아이템을 추천하는 컨텐츠 기반 필터링(Content-based Filtering) 모델이 결합된 하이브리드(Hybrid) 추천 모델을 구현하기 위한 것으로, 이를 위해 학습 처리부(320)는 특정 서비스에서의 추천 대상이 되는 상품 정보와 다른 서비스에서의 사용자 행동 이력이 포함된 사용자 정보를 같은 학습 모델 상에서 동시에 학습할 수 있다. 상기한 학습 처리부(320)는 주어진 상품 정보와 사용자 정보(사용자 행동 이력)를 이용하여 각 상품에 대해 구매 예측을 학습할 수 있다. 이때, 학습 처리부(320)는 사용자 행동 이력을 나타내는 학습 데이터를 바탕으로 단기 구매 예측과 장기 구매 예측 또한 가능하다.In step S420, the learning processing unit 320 can learn the purchase prediction for the recommendation target product through the deep learning in which the product information and the user information are configured as input vectors. For example, the learning processing unit 320 can predict the availability of a product based on user information and product information using a feedforward neural network (FFNN) learning model. A Collaborative Filtering model that recommends a preferred item in a user group similar to a user and a Content-based Filtering model that recommends items that are similar in content to a user's favorite items in the past To accomplish this, the learning processing unit 320 performs a learning process on the user information including the product information to be recommended in the specific service and the user's action history in the other service on the same learning model can do. The learning processing unit 320 can learn purchase prediction for each product using given product information and user information (user behavior history). At this time, the learning processing unit 320 can also perform short-term purchase prediction and long-term purchase prediction based on the learning data indicating the user behavior history.

단계(S430)에서 상품 추천부(330)는 추천 대상 상품에 대한 구매 예측 학습 결과를 바탕으로 특정 서비스를 통해 사용자에게 개인화 된 상품 추천 결과를 제공할 수 있다. 상품 추천부(330)는 특정 서비스를 이용하는 사용자를 대상으로 해당 서비스를 통해 상품 추천 결과를 제공하되, 해당 서비스 상의 상품 정보와 다른 서비스에서 보인 사용자 행동 이력을 포함한 사용자 정보를 같은 딥러닝 모델을 통해 동시에 학습한 결과를 바탕으로 사용자에게 개인화 된 상품을 추천할 수 있다. 다시 말해, 상품 추천부(330)는 특정 도메인에 해당되는 서비스에서 상품 추천 결과를 제공함에 있어 해당 도메인 상의 상품 정보와 함께 다른 도메인에서의 사용자 로그를 포함한 사용자 정보를 학습한 결과를 바탕으로 상품 추천 결과를 제공할 수 있다. 경우에 따라, 예컨대 쇼핑 서비스에서 사용자 질의에 대응되는 검색 결과를 제공하는 경우에 쇼핑 서비스에서의 사용자 이력은 물론 다른 서비스에서의 사용자 이력을 종합하여 사용자 취향을 분석하고 그에 대응되는 추천 결과를 쇼핑 서비스에서의 검색 결과에 포함시킬 수 있다. 크로스 도메인에 대한 상품 추천 모델은 다른 유형의 사용자 자질 데이터를 활용하여 상품 추천 결과를 제공하는 것으로, 예를 들어 캠핑 예약 이력을 바탕으로 쇼핑 상품 추천 결과를 제공하거나, 혹은 패션 구매 이력을 바탕으로 음원 추천 결과를 제공할 수 있다.In operation S430, the product recommendation unit 330 may provide the personalized product recommendation result to the user through the specific service based on the purchase prediction learning result of the recommended target product. The product recommendation unit 330 provides the product recommendation result through the service to the user who uses the specific service, and stores the user information including the user behavior history shown in the other service in the same deep learning model Based on the result of learning at the same time, it is possible to recommend the personalized product to the user. In other words, in providing the product recommendation result in the service corresponding to the specific domain, the product recommendation unit 330 may provide the product recommendation result on the basis of the result of learning the user information including the user log in the other domain, Results can be provided. In a case where, for example, a search result corresponding to a user query is provided in a shopping service, a user's taste in a shopping service is synthesized not only in a user's hysteresis in a shopping service but also in another service, Can be included in the search result in FIG. The commodity recommendation model for the cross domain is to provide product recommendation results by utilizing other types of user qualities data, for example, to provide the recommendation result of the shopping commodity based on the camping reservation history, Recommendation results can be provided.

본 발명에서는 개인화 상품 추천을 위해 딥러닝을 활용하는 것으로, 일례로 상품과 관련된 이형적인 정보 통합 학습, 임베딩(embedding)을 통한 의미적 학습, 최적 파라미터 자동 학습 등을 포함한 FFNN 학습 모델을 적용할 수 있다.In the present invention, deep learning is utilized for personalized product recommendation. For example, the FFNN learning model including semantic informative learning related to products, semantic learning through embedding, and automatic learning of optimal parameters can be applied have.

도 5는 본 발명의 일 실시예에 있어서 상품 구매 여부를 예측하는 FFNN 학습 모델을 설명하기 위한 예시 도면이다.5 is an exemplary diagram for explaining an FFNN learning model for predicting whether or not to purchase a product in an embodiment of the present invention.

본 발명에 따른 FFNN 학습 모델(500)은 임의 사용자 u가 복수의 서비스 전반에서 보인 행동 이력이 포함된 사용자 정보(510)와 특정 서비스에서 추천 대상이 되는 상품 정보(520)가 주어진 상태에서 사용자 u가 상품 i를 구매할지 여부를 예측하는 문제에 관한 것이다. 사용자 정보(510)와 상품 정보(520)는 FFNN 학습 모델(500)의 입력층에 대응되는 임베딩 벡터로 표현될 수 있다.The FFNN learning model 500 according to the present invention is a model in which the user information 510 including a behavior history shown by a certain user u across a plurality of services and the product information 520 as a recommendation target in a specific service are given, To predict whether or not to purchase the commodity i. The user information 510 and the product information 520 may be represented by an embedding vector corresponding to the input layer of the FFNN learning model 500. [

개인화 상품 추천을 위해서는 복수의 서비스를 제공하는 포털 환경에서 사용자 정보(510)를 수집하는 과정이 필요하다. 예를 들어, 도 6에 도시한 바와 같이 사용자의 기본 정보인 ID, 성별, 연령 등을 포함하는 프로필 정보(601)를 수집할 수 있고, 각 서비스 별 사용자 행동 이력으로, 예컨대 쇼핑 서비스에서의 사용자 행동 이력 정보(602)로서 사용자 상품 검색 이력(쇼핑 질의 이력), 사용자 상품 클릭 이력(상품 이름, 카테고리, 가격, 이미지 등 상품 메타 정보를 포함), 사용자 상품 구매 이력(상품 이름, 카테고리, 가격, 이미지 등 상품 메타 정보를 포함) 등을 수집할 수 있고, 쇼핑 서비스 이외에 다른 서비스 전반에서의 사용자 행동 이력 정보(603)로서 사용자 컨텐츠 검색 이력(컨텐츠 질의 이력), 사용자 컨텐츠 클릭 이력(컨텐츠 메타 정보를 포함), 사용자 컨텐츠 소비 이력(컨텐츠 메타 정보를 포함) 등을 수집할 수 있다. 따라서, 정보 관리부(310)는 서버(150)가 제공하는 플랫폼을 통해 사용자가 이용하는 서비스 전반에서 나타나는 사용자 행동 이력을 포함한 사용자 정보(510)를 수집할 수 있다.For personalized product recommendation, a process of collecting user information 510 in a portal environment that provides a plurality of services is required. For example, as shown in FIG. 6, profile information 601 including user's basic information such as ID, sex, age and the like can be collected. The user behavior history for each service, for example, A user's product purchase history (including a product name, a category, a price, an image, and the like), a user's purchase history (a product name, a category, a price, (Content query history), a user content click history (content meta information, etc.) as user behavior history information 603 in all other services in addition to the shopping service, ), User content consumption history (including content meta information), and the like. Accordingly, the information management unit 310 can collect the user information 510 including the user behavior history that is displayed in the overall service used by the user through the platform provided by the server 150. [

도 7 내지 도 8은 본 발명의 일 실시예에 있어서 사용자 정보를 FFNN 학습 모델의 입력 벡터로 구성하는 과정의 일례를 도시한 것이다.7 to 8 show an example of a process of configuring user information as an input vector of the FFNN learning model in an embodiment of the present invention.

도 7을 참조하면, 사용자 정보(510)로 수집된 프로필 정보(601)와, 쇼핑 서비스에서의 사용자 행동 이력 정보(602), 및 쇼핑 서비스 이외에 다른 서비스 전반에서의 사용자 행동 이력 정보(603)를 연결하여 FFNN 학습 모델(500)의 입력 벡터로 구성할 수 있다. 쇼핑 서비스에서의 사용자 행동 이력 정보(602)는 사용자의 쇼핑 취향을 분석하는데 활용될 수 있고, 다른 서비스 전반에서의 사용자 행동 이력 정보(603)는 사용자 평소 관심사를 분석하는데 활용될 수 있다. 쇼핑 서비스뿐만 아니라 다른 서비스 전반에서 보이는 사용자 행동 이력을 수집하여 사용자 관심사 정보를 더욱 풍부하게 활용할 수 있고, 사용자가 쇼핑 관련 행동을 직접 하지 않더라도 다른 서비스에서 사용자가 보이는 평소 관심사를 이용하여 개인화 된 상품 추천이 가능하다.Referring to FIG. 7, profile information 601 collected in the user information 510, user behavior history information 602 in the shopping service, and user behavior history information 603 in the entire service other than the shopping service And can be configured as an input vector of the FFNN learning model 500. The user behavior history information 602 in the shopping service can be used for analyzing the shopping tastes of the user and the user behavior history information 603 in the other services can be utilized for analyzing the user's usual interest. It is possible to utilize the user interest information more abundantly by collecting the user's action history not only in the shopping service but also in other services as a whole and to provide personalized product recommendation This is possible.

상기한 사용자 행동 이력 정보는 관련 상품의 메타 정보를 임베딩을 통한 고차원의 벡터로 변환하여 입력 벡터로 구성할 수 있다. 예를 들어, 사용자 상품 클릭 이력의 경우 도 8에 도시한 바와 같이 사용자의 상품 클릭 분석 결과를 차례로 연결하여 입력 벡터를 구성할 수 있다. 사용자 이력 정보에서 순서 정보를 고려하는 경우 최근 이력 순서가 아닌, 관심 있는 이력 순서를 적용할 수 있다. 단순히 사용자의 최근 이력 순서를 고려하는 것이 아닌, 일정 기간 내 사용자가 관심을 가지고 있는 이력들을 사전에 분석하여 이를 활용함으로써 사용자의 전반적인 관심사를 효과적으로 파악할 수 있다. FFNN 학습 모델(500)에서는 순서 또는 나열 가능한 이력 정보의 특징을 나타내기 위한 입력 벡터를 구성할 수 있다. 도 8에 도시한 바와 같이, 사용자 행동 이력 정보에 해당되는 벡터 집합, 즉 이력 대상들의 임베딩 벡터들을 일정 구간마다 나눈 후 평균 값을 내어 입력 벡터를 구성함으로써 임베딩 벡터를 가져와 입력 벡터를 구성하는데 있어 전체 평균을 내는 것보다 더 많은 정보를 내포할 수 있다. 이때, 관련 행동의 횟수/상품 개수 정보를 구한 연속적인 값을 통해 상품 클릭 활동성과 같이 활동적인 요소를 고려할 수 있다. 다시 말해, 사용자 행동 이력 정보에 대해 각 유형의 이력 횟수나 상품 개수 정보를 포함하여 입력 벡터를 구성할 수 있으며, 이를 통해 각 유형의 이력 정보마다 활동적인지 혹은 비활동적인지 등을 판단하여 사용자 관심사를 분석하는데 활용할 수 있다.The user behavior history information may be configured as an input vector by converting meta information of the related product into a high dimensional vector through embedding. For example, as shown in FIG. 8, in the case of a user's product click history, an input vector may be constructed by sequentially connecting results of click analysis of a user. When considering the order information from the user history information, it is possible to apply a history sequence of interest rather than the recent history order. It is possible to effectively grasp the user's overall interest by analyzing the history of interest of the user in a predetermined period and analyzing it in advance by not only considering the recent history sequence of the user but also utilizing the history. In the FFNN learning model 500, an input vector can be configured to indicate the characteristics of the order or listable history information. As shown in FIG. 8, an input vector is obtained by dividing an embedding vector corresponding to user behavior history information, that is, an embedding vector of history objects, into an input vector by taking an average value, It can contain more information than averaging. At this time, it is possible to take into consideration the active factors such as the click activity of the commodity through the continuous value obtained the number of related actions / the product number information. In other words, the input vector including the number of hysteresis of each type and the product number information can be configured for the user behavior history information, thereby determining whether the user is active or inactive for each type of history information, Can be used for analysis.

도 9 내지 도 10은 본 발명의 일 실시예에 있어서 상품 정보를 FFNN 학습 모델의 입력 벡터로 구성하는 과정의 일례를 도시한 것이다.9 to 10 show an example of a process of configuring product information as an input vector of the FFNN learning model in an embodiment of the present invention.

상품 정보(520)는 서비스 페이지 상에 노출되는 정보를 포함할 수 있으며, 예를 들어 도 9에 도시한 바와 같이 상품명, 카테고리, 가격, 판매처명, 상품 ID 등과 같은 상품의 기본적인 텍스트 정보인 상품 메타 정보(901), 상품 이미지 등과 같은 상품 시각적 정보(902) 등을 수집할 수 있다.The goods information 520 may include information exposed on the service page. For example, as shown in FIG. 9, the goods information 520 may include goods information such as a product name, a category, a price, Information 901, product visual information 902 such as a product image, and the like.

도 10을 참조하면, 상품 정보(520)로 수집된 상품 메타 정보(901)와 상품 시각적 정보(902)를 연결하여 사용자 정보(510)와 함께 FFNN 학습 모델(500)의 입력 벡터로 구성할 수 있다. 상품명, 카테고리, 가격, 판매처명, 상품 ID 등의 텍스트 정보인 상품 메타 정보(901)는 임베딩 처리하여 활용하고, 상품 시각적 정보(902)의 경우에는 이미지 학습을 통해 변환된 특징 벡터를 활용할 수 있다. 예를 들어, 상품 이미지를 CNN(Convolutional Neural Network)을 통해 시각적 패턴을 담고 있는 이미지 특징 벡터로 변환하고, auto-encoder를 이용하여 압축화하여 표현한다. 패션 의류나 패션 잡화와 같이 시각적인 정보가 중요한 상품 카테고리의 경우 이미지 특징 벡터를 사용자 관심사를 분석하는데 활용할 수 있다.Referring to FIG. 10, the product meta information 901 and the product visual information 902, which are collected in the product information 520, can be combined with the input information of the FFNN learning model 500 together with the user information 510 have. The product meta information 901, which is text information such as a product name, a category, a price, a salesperson name, and a product ID, is embedded and utilized, and in the case of the product visual information 902, a feature vector converted through image learning can be utilized . For example, a product image is converted into an image feature vector containing a visual pattern through CNN (Convolutional Neural Network), and is compressed and expressed using an auto-encoder. For product categories where visual information is important, such as fashion apparel or fashion goods, image feature vectors can be used to analyze user interests.

상기한 바와 같이, FFNN 학습 모델(500)에서는 사용자 정보(510)와 상품 정보(520)가 입력층의 입력 벡터로 구성될 수 있으며, 도 5에 도시한 바와 같이 사용자 정보(510)와 상품 정보(520)가 동시에 학습되어 은닉층(hidden layer)의 활성화 함수(예컨대, ReLU)를 통해 상품 별 구매 예측 점수로 도출될 수 있다. 따라서, 학습 처리부(320)는 상품 정보와 사용자 정보를 입력 벡터로 구성한 FFNN 학습 모델(500)을 통해 추천 대상 상품에 대한 구매 예측 점수를 산출할 수 있다. 이에, 상품 추천부(330)는 특정 서비스에서 추천 대상이 되는 상품 중 구매 예측 점수가 일정 레벨 이상인 상품, 혹은 구매 예측 점수가 높은 순서로 상위 일정 개수의 상품을 해당 서비스를 통해 사용자에게 추천할 수 있다. 이때, 상품 추천부(330)는 특정 서비스에서 사용자가 검색을 위한 질의를 입력한 경우 질의에 대응되는 상품 중 구매 예측 점수를 기준으로 적어도 일부 상품을 검색 결과에 포함시켜 사용자에게 추천할 수 있다.As described above, in the FFNN learning model 500, the user information 510 and the product information 520 may be configured as input vectors of the input layer. As shown in FIG. 5, the user information 510 and the product information 520, (520) are simultaneously learned and can be derived as a purchase prediction score for each product through an activation function (e.g., ReLU) of a hidden layer. Accordingly, the learning processing unit 320 can calculate the purchase prediction score for the recommendation target product through the FFNN learning model 500 in which the product information and the user information are input vectors. Accordingly, the product recommendation unit 330 can recommend products with a purchase prediction score of a certain level or higher among the products to be recommended in a specific service, or a product having a higher schedule number in the order of higher purchase prediction scores, have. At this time, when the user inputs a query for a search in a specific service, the product recommendation unit 330 may include at least some products based on the purchase prediction score among the products corresponding to the query, and recommend the search result to the user.

이와 같이, 본 발명의 실시예에 따르면, 특정 서비스가 아닌 서비스 전반에서 수집된 사용자 행동 이력 정보를 활용하여 특정 서비스에서의 사용자 행동 이력이 없더라도(cold-start problem) 좀 더 풍부한 정보를 학습하여 특정 서비스를 통한 개인화 상품을 추천할 수 있다. 사용자에게 개인화 된 상품 추천 결과를 제공함에 있어 인기 상품 위주로 제한적인 추천 결과가 제공되기 보다는 전체 서비스를 대상으로 분석된 사용자 취향을 반영함으로써 비인기 상품 내지 신규 상품까지 포괄하여 사용자 취향에 맞게 폭넓은 추천 결과를 제공할 수 있다. 또한, 본 발명의 실시예에 따르면, 상품명이나 카테고리명과 같은 텍스트 정보는 물론, 상품 이미지와 같은 시각적인 정보를 함께 학습하여 사용자 관심사를 분석함으로써 시각적인 측면의 사용자 취향이 반영된 개인화 상품을 추천할 수 있다. 그리고, 본 발명의 실시예에 따르면, 사용자 이력에 대한 입력층에 입력되는 임베딩 벡터 집합을 일정 구간씩 나누어 구성함으로써 FFNN 학습 모델의 입력 벡터를 좀더 효과적으로 조합하여 학습 성능을 향상시킬 수 있다.As described above, according to the embodiment of the present invention, even if there is no user behavior history in a specific service using the user behavior history information collected in the service as a whole rather than a specific service (cold-start problem) Personalized products through services can be recommended. In providing personalized product recommendation results to users, limited recommendation results are provided mainly for popular products. Instead of providing limited recommendation results, users' preferences analyzed for all services are reflected so that wide range of recommendation results Can be provided. In addition, according to the embodiment of the present invention, it is possible to recommend a personalized product reflecting a user's taste on the visual side by analyzing user's interest by learning visual information such as a product image as well as text information such as a product name and a category name have. According to the embodiment of the present invention, by constructing the set of embedding vectors to be input to the input layer with respect to the user hysteresis by dividing into certain sections, it is possible to improve the learning performance by more effectively combining the input vectors of the FFNN learning model.

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, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 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.The apparatus described above may be implemented as a hardware component, a software component, and / or a combination of hardware components and software components. For example, the apparatus and components described in the embodiments may be implemented as a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), a programmable logic unit, a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For ease of understanding, the processing apparatus may be described as being used singly, but those skilled in the art will recognize that the processing apparatus may have a plurality of processing elements and / As shown in FIG. For example, the processing unit may comprise a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as a parallel processor.

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, 컴퓨터 저장 매체 또는 장치에 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.The software may include a computer program, code, instructions, or a combination of one or more of the foregoing, and may be configured to configure the processing device to operate as desired or to process it collectively or collectively Device can be commanded. The software and / or data may be embodied in any type of machine, component, physical device, computer storage media, or device for interpretation by a processing device or to provide instructions or data to the processing device have. The software may be distributed over a networked computer system and stored or executed in a distributed manner. The software and data may be stored on one or more computer readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.The method according to an embodiment may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. At this time, the medium may be a program that continuously stores a computer executable program, or temporarily stores the program for execution or downloading. Further, the medium may be a variety of recording means or storage means in the form of a combination of a single hardware or a plurality of hardware, but is not limited to a medium directly connected to any computer system, but may be dispersed on a network. Examples of the medium include a magnetic medium such as a hard disk, a floppy disk and a magnetic tape, an optical recording medium such as CD-ROM and DVD, a magneto-optical medium such as a floptical disk, And program instructions including ROM, RAM, flash memory, and the like. As another example of the medium, a recording medium or a storage medium that is managed by a site or a server that supplies or distributes an application store or various other software is also enumerated.

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.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. For example, it is to be understood that the techniques described may be performed in a different order than the described methods, and / or that components of the described systems, structures, devices, circuits, Lt; / RTI > or equivalents, even if it is replaced or replaced.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims (9)

컴퓨터 시스템에서 수행되는 개인화 상품 추천 방법에 있어서,
적어도 하나의 프로세서에서, 포털 환경의 플랫폼을 통해 제공되는 복수의 서비스 중 특정 서비스에서 추천 대상이 되는 상품 정보를 수집하는 단계;
상기 적어도 하나의 프로세서에서, 상기 복수의 서비스 중 상기 특정 서비스와 다른 하나 이상의 서비스에서 각 서비스 별 사용자 행동 이력 정보가 포함된 사용자 정보를 수집하는 단계;
상기 적어도 하나의 프로세서에서, 상기 상품 정보와 상기 사용자 정보를 각각의 입력 벡터로 구성하되 상기 사용자 정보에 대한 입력 벡터의 경우 상기 서비스 별 사용자 행동 이력 정보를 순서 정보에 따라 차례로 연결하여 구성한 학습 모델을 통해 상기 추천 대상에 대한 구매 예측을 학습하는 단계; 및
상기 적어도 하나의 프로세서에서, 상기 추천 대상에 대한 구매 예측 결과를 바탕으로 상기 특정 서비스를 통해 상품 추천 결과를 제공하는 단계
를 포함하는 개인화 상품 추천 방법.A personalized product recommendation method performed in a computer system,
Collecting product information as a recommendation target from a specific service among a plurality of services provided through a platform of a portal environment in at least one processor;
Collecting user information including user behavior history information for each service in one or more services different from the specific service among the plurality of services in the at least one processor;
The at least one processor configures the product information and the user information as respective input vectors, and in the case of the input vector to the user information, the learning model configured by sequentially connecting the user behavior history information for each service according to the order information, Learning a purchase prediction for the recommendation object through the recommendation; And
In the at least one processor, providing a product recommendation result through the specific service based on the purchase prediction result for the recommendation target
≪ / RTI > 제1항에 있어서,
상기 학습하는 단계는,
상품과 관련된 이형적인 정보 통합 학습 및 임베딩(embedding)을 통한 의미적 학습을 포함한 FFNN(feedforward neural network) 학습 모델을 통해 상기 상품 정보와 상기 사용자 정보를 같이 학습하여 상기 추천 대상에 대한 구매 예측을 학습하는 것
을 특징으로 하는 개인화 상품 추천 방법.The method according to claim 1,
Wherein the learning comprises:
The product information and the user information are learned in a FFNN (Feedforward Neural Network) learning model including semantic learning through embodied informal information learning and embedding in relation to a product, To do
Wherein the personalized product recommendation method is characterized by: 제1항에 있어서,
상기 학습하는 단계는,
상기 사용자 행동 이력 정보에 해당되는 임베딩 벡터들을 일정 개수씩 나눈 후 나누어진 임베딩 벡터들의 평균 값으로 입력 벡터를 구성하는 단계
를 포함하는 개인화 상품 추천 방법.The method according to claim 1,
Wherein the learning comprises:
Dividing the embedding vectors corresponding to the user behavior history information by a predetermined number, and constructing an input vector by an average value of the divided embedding vectors
≪ / RTI > 제1항에 있어서,
상기 학습하는 단계는,
상기 사용자 행동 이력 정보에 대해 각 유형의 이력 횟수나 상품 개수 정보를 포함하여 입력 벡터를 구성하는 단계
를 포함하는 개인화 상품 추천 방법.The method according to claim 1,
Wherein the learning comprises:
Constructing an input vector including the number of hysteresis and product number information of each type with respect to the user behavior history information
≪ / RTI > 제1항에 있어서,
상기 상품 정보는 상품 메타 정보 및 상품 이미지 중 적어도 하나를 포함하고,
상기 학습하는 단계는,
상기 상품 메타 정보를 임베딩 벡터로 변환하여 입력 벡터로 구성하거나 상기 상품 이미지의 시각적 패턴을 포함한 특징 벡터를 입력 벡터로 구성하는 단계
를 포함하는 개인화 상품 추천 방법.The method according to claim 1,
Wherein the product information includes at least one of product meta information and product image,
Wherein the learning comprises:
Converting the product meta information into an embedding vector and constructing it as an input vector or constructing a feature vector including a visual pattern of the product image as an input vector
≪ / RTI > 제2항에 있어서,
상기 학습하는 단계는,
상기 FFNN 학습 모델을 통해 상기 추천 대상에 대한 구매 예측 점수를 산출하고,
상기 제공하는 단계는,
상기 구매 예측 점수를 기준으로 하여 상기 특정 서비스에서 추천 대상이 되는 상품 중 일부 상품을 추천하는 것
을 특징으로 하는 개인화 상품 추천 방법.3. The method of claim 2,
Wherein the learning comprises:
Calculating a purchase prediction score for the recommendation object through the FFNN learning model,
Wherein the providing step comprises:
Recommending some of the products to be recommended in the specific service based on the purchase prediction score
Wherein the personalized product recommendation method is characterized by: 제6항에 있어서,
상기 제공하는 단계는,
검색을 위한 질의가 입력되는 경우 상기 구매 예측 점수를 기준으로 하여 상기 질의에 대응되는 상품 중 일부 상품을 추천하는 것
을 특징으로 하는 개인화 상품 추천 방법.The method according to claim 6,
Wherein the providing step comprises:
When a query for search is input, recommending some of the products corresponding to the query based on the purchase forecast score
Wherein the personalized product recommendation method is characterized by: 제1항 내지 제7항 중 어느 한 항의 개인화 상품 추천 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체.A computer-readable recording medium storing a program for causing a computer to execute the personalized product recommendation method of any one of claims 1 to 7. 컴퓨터로 구현되는 개인화 상품 추천 시스템에 있어서,
메모리와 연결되고 상기 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
포털 환경의 플랫폼을 통해 제공되는 복수의 서비스 중 특정 서비스에서 추천 대상이 되는 상품 정보를 수집하는 과정;
상기 복수의 서비스 중 상기 특정 서비스와 다른 하나 이상의 서비스에서 각 서비스 별 사용자 행동 이력 정보가 포함된 사용자 정보를 수집하는 과정;
상기 상품 정보와 상기 사용자 정보를 각각의 입력 벡터로 구성하되 상기 사용자 정보에 대한 입력 벡터의 경우 상기 서비스 별 사용자 행동 이력 정보를 순서 정보에 따라 차례로 연결하여 구성한 학습 모델을 통해 상기 추천 대상에 대한 구매 예측을 학습하는 과정; 및
상기 적어도 하나의 프로세서에서, 상기 추천 대상에 대한 구매 예측 결과를 바탕으로 상기 특정 서비스를 통해 상품 추천 결과를 제공하는 과정
을 처리하는 개인화 상품 추천 시스템.A personalized product recommendation system implemented by a computer,
At least one processor coupled to the memory and configured to execute computer-readable instructions contained in the memory,
Lt; / RTI >
Wherein the at least one processor comprises:
Collecting product information as a recommendation target from a specific service among a plurality of services provided through a platform of a portal environment;
Collecting user information including user behavior history information for each service from one or more services different from the specific service among the plurality of services;
Wherein the product information and the user information are constituted by respective input vectors, in the case of the input vector for the user information, the user behavior history information for each service is connected in order according to the order information, The process of learning predictions; And
In the at least one processor, a process of providing a product recommendation result through the specific service based on a purchase prediction result for the recommendation target
A personalized product recommendation system.
KR1020180132841A 2017-04-06 2018-11-01 Personalized product recommendation using deep learning KR20180121466A (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20170044834 2017-04-06
KR1020170044834 2017-04-06

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020170091702 Division 2017-04-06 2017-07-19

Publications (1)

Publication Number Publication Date
KR20180121466A true KR20180121466A (en) 2018-11-07

Family

ID=64362835

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180132841A KR20180121466A (en) 2017-04-06 2018-11-01 Personalized product recommendation using deep learning

Country Status (1)

Country Link
KR (1) KR20180121466A (en)

Cited By (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163662A (en) * 2019-04-26 2019-08-23 阿里巴巴集团控股有限公司 A kind of business model training method, device and equipment
KR20190100112A (en) * 2019-08-09 2019-08-28 엘지전자 주식회사 Refrigerator for providing information of item using artificial intelligence and operating method thereof
CN110310168A (en) * 2019-05-17 2019-10-08 北京小度信息科技有限公司 Method of adjustment, device, server and the storage medium of model
CN110347924A (en) * 2019-07-12 2019-10-18 广东工业大学 Fruits and vegetables market management system and fruit-vegetable information method for pushing
KR102050855B1 (en) * 2019-03-25 2020-01-08 강태기 Apparatus and method for forecasting demand
KR102065399B1 (en) * 2019-09-03 2020-01-14 (주)빅인사이트 Method and apparatus for inducing user's behavior based on analysis of user's behavior data using AI learning model
CN111105298A (en) * 2019-12-31 2020-05-05 杭州涂鸦信息技术有限公司 Purchasing recommendation method and system based on intelligent scene of Internet of things
CN111191677A (en) * 2019-12-11 2020-05-22 北京淇瑀信息科技有限公司 User characteristic data generation method and device and electronic equipment
WO2020150611A1 (en) * 2019-01-18 2020-07-23 Salloum Samuel Systems and methods for entity performance and risk scoring
KR20200092640A (en) * 2019-01-25 2020-08-04 전호근 System for providing limitless expanding network based shoppingmall service
KR20200098376A (en) * 2019-02-11 2020-08-20 주식회사 스낵포 Server, method and terminal for recommending optimal snack group
CN111859113A (en) * 2020-06-16 2020-10-30 北京嘀嘀无限科技发展有限公司 Personalized content pushing method and device based on online taxi appointment
CN111861623A (en) * 2019-12-30 2020-10-30 北京骑胜科技有限公司 Information recommendation method, device and equipment
KR102186494B1 (en) 2020-03-05 2020-12-03 연성대학교 산학협력단 Adaptive big data analysis method and system for integrated university performance management and personalized student support
CN112084404A (en) * 2020-09-01 2020-12-15 北京百度网讯科技有限公司 Content recommendation method, device, equipment and medium
EP3751492A1 (en) 2019-06-12 2020-12-16 Addrelevance Method for personalization of digital information
KR102214422B1 (en) * 2019-08-08 2021-02-09 네이버 주식회사 Method and system of real-time graph-based embedding for personalized content recommendation
KR20210018384A (en) * 2019-08-08 2021-02-17 네이버 주식회사 Method and system of real-time graph-based embedding for personalized content recommendation
KR20210023111A (en) * 2019-08-22 2021-03-04 주식회사 지금컴퍼니 System for recommending performance
KR20210028365A (en) * 2019-09-04 2021-03-12 (주)투비소프트 User customized product recommendation apparatus through machine learning based on artificial intelligence
KR20210047147A (en) * 2019-10-21 2021-04-29 주식회사 트립비토즈 Artificial intelligence based hotel recommendation device and method
KR102249466B1 (en) * 2020-12-14 2021-05-11 주식회사 데이터스트림즈 Data catalog providing method and system for providing recommendation information using artificial intelligence recommendation model
KR102254827B1 (en) * 2020-08-13 2021-05-21 정진연 Recommendation service using pattern mining based on deep learning
KR102270332B1 (en) * 2020-08-18 2021-06-28 한화생명보험(주) Server for recommending business opportunity information and method thereof
WO2021132922A1 (en) * 2019-12-26 2021-07-01 Samsung Electronics Co., Ltd. Computing device and operation method thereof
KR20210095579A (en) * 2020-01-22 2021-08-02 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. Method, system, electronic device and storage medium for item recommendation
KR20210096854A (en) * 2020-01-29 2021-08-06 주식회사 가벗 Method, apparatus and computer-readable medium for predicting user profile through analysis of online content utilization pattern
KR20210104495A (en) * 2020-02-17 2021-08-25 카페24 주식회사 Age presumption method for member to purchase product of shopping mall related to e-commerce, apparatus and system using said method
KR20210104494A (en) * 2020-02-17 2021-08-25 카페24 주식회사 Sex presumption method for member to purchase product of shopping mall related to e-commerce, apparatus and system using said method
WO2021187734A1 (en) * 2020-03-19 2021-09-23 삼성전자 주식회사 Computing device and operation method thereof
KR20210120545A (en) * 2020-03-27 2021-10-07 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Content Recommendation
KR20210120541A (en) * 2020-03-27 2021-10-07 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Content Recommendation
KR20210123598A (en) * 2020-04-03 2021-10-14 주식회사 웹웨어 Method and apparatus for processing personalized content based on device independent re-grab
KR20210123803A (en) * 2020-04-06 2021-10-14 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Content Recommendation
KR20210124709A (en) * 2020-04-07 2021-10-15 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Real-time Program Recommendation
CN113610580A (en) * 2021-08-10 2021-11-05 平安科技（深圳）有限公司 Product recommendation method and device, electronic equipment and readable storage medium
KR102327002B1 (en) 2020-07-27 2021-11-16 주식회사 엔터프라이즈블록체인 Server for selling business opportunity information to predict buyer value and method thereof
KR20210136432A (en) * 2020-05-07 2021-11-17 주식회사 엘지유플러스 Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning
EP3923225A1 (en) 2020-06-10 2021-12-15 Addrelevance Method for personalization of digital information
KR20210153884A (en) * 2020-06-11 2021-12-20 라인플러스 주식회사 Method, system, and computer program for providing multiple models of federated learning using personalization
CN113822687A (en) * 2020-06-19 2021-12-21 阿里巴巴集团控股有限公司 Data processing method, device, equipment and storage medium
KR102358119B1 (en) * 2021-05-31 2022-02-09 주식회사 애자일소다 Apparatus and method for recommending based on bert
KR20220055657A (en) * 2020-10-27 2022-05-04 주식회사 이너아워 Method, computer program, and server for recommending goods
WO2022092447A1 (en) * 2020-10-29 2022-05-05 주식회사 디에스랩글로벌 Method for mediating deep learning model transaction, performed by deep learning model transaction mediation server
KR20220081673A (en) * 2020-12-09 2022-06-16 주식회사 큐씨엔 Apparatus for reccomending fabrics based on leaning model
KR102412142B1 (en) * 2022-01-10 2022-06-22 인트인 주식회사 Method for pattern-analyzing behavior of avatar in metaverse based on deep learning
KR20220101808A (en) * 2021-01-12 2022-07-19 주식회사 어반베이스 Server, user terminal and method for providing model for analysis of user's interior style based on sns text
KR20220101807A (en) * 2021-01-12 2022-07-19 주식회사 어반베이스 Apparatus and method for providing model for analysis of user's interior style based on text data of social network service
KR102425606B1 (en) * 2021-09-29 2022-07-27 주식회사 프렌트립 Control method of electronic apparatus for predicting parameter of leisure activity lesson based on relationship between parameters
KR102463550B1 (en) * 2022-03-29 2022-11-04 주식회사 당근마켓 Method and system for providing regional-based recommendation service
WO2023022276A1 (en) * 2021-08-20 2023-02-23 쿠팡 주식회사 Operation method for providing page information, and electronic device supporting same
WO2023054783A1 (en) * 2021-09-29 2023-04-06 주식회사 프렌트립 Control method for electronic device for predicting parameter for leisure activity lesson on basis of degree of association between parameters
KR102533077B1 (en) * 2023-02-03 2023-05-16 주식회사 원더윅스컴퍼니 Server for providing platform-based parenting information using artificial intelligence, method and program
CN116610873A (en) * 2023-07-19 2023-08-18 支付宝(杭州)信息技术有限公司 Information recommendation method and device and storage medium
US11853901B2 (en) 2019-07-26 2023-12-26 Samsung Electronics Co., Ltd. Learning method of AI model and electronic apparatus
KR102619044B1 (en) * 2023-03-21 2023-12-27 쿠팡 주식회사 Recommending method based on machine-learning and system thereof

Cited By (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020150611A1 (en) * 2019-01-18 2020-07-23 Salloum Samuel Systems and methods for entity performance and risk scoring
KR20200092640A (en) * 2019-01-25 2020-08-04 전호근 System for providing limitless expanding network based shoppingmall service
KR20200098376A (en) * 2019-02-11 2020-08-20 주식회사 스낵포 Server, method and terminal for recommending optimal snack group
KR102050855B1 (en) * 2019-03-25 2020-01-08 강태기 Apparatus and method for forecasting demand
CN110163662A (en) * 2019-04-26 2019-08-23 阿里巴巴集团控股有限公司 A kind of business model training method, device and equipment
CN110163662B (en) * 2019-04-26 2024-04-05 创新先进技术有限公司 Service model training method, device and equipment
CN110310168A (en) * 2019-05-17 2019-10-08 北京小度信息科技有限公司 Method of adjustment, device, server and the storage medium of model
EP3751492A1 (en) 2019-06-12 2020-12-16 Addrelevance Method for personalization of digital information
CN110347924A (en) * 2019-07-12 2019-10-18 广东工业大学 Fruits and vegetables market management system and fruit-vegetable information method for pushing
US11853901B2 (en) 2019-07-26 2023-12-26 Samsung Electronics Co., Ltd. Learning method of AI model and electronic apparatus
KR20210018384A (en) * 2019-08-08 2021-02-17 네이버 주식회사 Method and system of real-time graph-based embedding for personalized content recommendation
KR102214422B1 (en) * 2019-08-08 2021-02-09 네이버 주식회사 Method and system of real-time graph-based embedding for personalized content recommendation
KR20190100112A (en) * 2019-08-09 2019-08-28 엘지전자 주식회사 Refrigerator for providing information of item using artificial intelligence and operating method thereof
US11501250B2 (en) 2019-08-09 2022-11-15 Lg Electronics Inc. Refrigerator for providing information on item using artificial intelligence and method of operating the same
KR20210023111A (en) * 2019-08-22 2021-03-04 주식회사 지금컴퍼니 System for recommending performance
KR102065399B1 (en) * 2019-09-03 2020-01-14 (주)빅인사이트 Method and apparatus for inducing user's behavior based on analysis of user's behavior data using AI learning model
KR20210028365A (en) * 2019-09-04 2021-03-12 (주)투비소프트 User customized product recommendation apparatus through machine learning based on artificial intelligence
KR20210047147A (en) * 2019-10-21 2021-04-29 주식회사 트립비토즈 Artificial intelligence based hotel recommendation device and method
CN111191677A (en) * 2019-12-11 2020-05-22 北京淇瑀信息科技有限公司 User characteristic data generation method and device and electronic equipment
CN111191677B (en) * 2019-12-11 2023-09-26 北京淇瑀信息科技有限公司 User characteristic data generation method and device and electronic equipment
WO2021132922A1 (en) * 2019-12-26 2021-07-01 Samsung Electronics Co., Ltd. Computing device and operation method thereof
CN111861623A (en) * 2019-12-30 2020-10-30 北京骑胜科技有限公司 Information recommendation method, device and equipment
CN111105298A (en) * 2019-12-31 2020-05-05 杭州涂鸦信息技术有限公司 Purchasing recommendation method and system based on intelligent scene of Internet of things
CN111105298B (en) * 2019-12-31 2023-09-26 杭州涂鸦信息技术有限公司 Purchasing recommendation method and system based on intelligent scene of Internet of things
KR20210095579A (en) * 2020-01-22 2021-08-02 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. Method, system, electronic device and storage medium for item recommendation
KR20210096854A (en) * 2020-01-29 2021-08-06 주식회사 가벗 Method, apparatus and computer-readable medium for predicting user profile through analysis of online content utilization pattern
KR20210104494A (en) * 2020-02-17 2021-08-25 카페24 주식회사 Sex presumption method for member to purchase product of shopping mall related to e-commerce, apparatus and system using said method
KR20210104495A (en) * 2020-02-17 2021-08-25 카페24 주식회사 Age presumption method for member to purchase product of shopping mall related to e-commerce, apparatus and system using said method
KR102186494B1 (en) 2020-03-05 2020-12-03 연성대학교 산학협력단 Adaptive big data analysis method and system for integrated university performance management and personalized student support
WO2021187734A1 (en) * 2020-03-19 2021-09-23 삼성전자 주식회사 Computing device and operation method thereof
KR20210120545A (en) * 2020-03-27 2021-10-07 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Content Recommendation
KR20210120541A (en) * 2020-03-27 2021-10-07 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Content Recommendation
KR20210123598A (en) * 2020-04-03 2021-10-14 주식회사 웹웨어 Method and apparatus for processing personalized content based on device independent re-grab
KR20210123803A (en) * 2020-04-06 2021-10-14 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Content Recommendation
KR20210124709A (en) * 2020-04-07 2021-10-15 주식회사 엘지유플러스 Method and Apparatus for Deep Learning Based Real-time Program Recommendation
KR20210136432A (en) * 2020-05-07 2021-11-17 주식회사 엘지유플러스 Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning
EP3923225A1 (en) 2020-06-10 2021-12-15 Addrelevance Method for personalization of digital information
KR20210153884A (en) * 2020-06-11 2021-12-20 라인플러스 주식회사 Method, system, and computer program for providing multiple models of federated learning using personalization
CN111859113A (en) * 2020-06-16 2020-10-30 北京嘀嘀无限科技发展有限公司 Personalized content pushing method and device based on online taxi appointment
CN113822687A (en) * 2020-06-19 2021-12-21 阿里巴巴集团控股有限公司 Data processing method, device, equipment and storage medium
KR102327002B1 (en) 2020-07-27 2021-11-16 주식회사 엔터프라이즈블록체인 Server for selling business opportunity information to predict buyer value and method thereof
WO2022025465A1 (en) * 2020-07-27 2022-02-03 주식회사 엔터프라이즈블록체인 Business opportunity information sales server for predicting purchaser value and method thereof
KR102254827B1 (en) * 2020-08-13 2021-05-21 정진연 Recommendation service using pattern mining based on deep learning
WO2022039446A1 (en) * 2020-08-18 2022-02-24 주식회사 엔터프라이즈블록체인 Business opportunity information recommendation server and method therefor
KR102270332B1 (en) * 2020-08-18 2021-06-28 한화생명보험(주) Server for recommending business opportunity information and method thereof
CN112084404B (en) * 2020-09-01 2024-03-01 北京百度网讯科技有限公司 Content recommendation method, device, equipment and medium
CN112084404A (en) * 2020-09-01 2020-12-15 北京百度网讯科技有限公司 Content recommendation method, device, equipment and medium
KR20220055657A (en) * 2020-10-27 2022-05-04 주식회사 이너아워 Method, computer program, and server for recommending goods
WO2022092447A1 (en) * 2020-10-29 2022-05-05 주식회사 디에스랩글로벌 Method for mediating deep learning model transaction, performed by deep learning model transaction mediation server
KR20220081673A (en) * 2020-12-09 2022-06-16 주식회사 큐씨엔 Apparatus for reccomending fabrics based on leaning model
KR102249466B1 (en) * 2020-12-14 2021-05-11 주식회사 데이터스트림즈 Data catalog providing method and system for providing recommendation information using artificial intelligence recommendation model
WO2022154376A1 (en) * 2021-01-12 2022-07-21 주식회사 어반베이스 Apparatus and method for providing user's interior style analysis model on basis of sns text
WO2022154378A1 (en) * 2021-01-12 2022-07-21 주식회사 어반베이스 Server, user terminal, and method for providing user interior decoration style analysis model on basis of sns text
KR20220101808A (en) * 2021-01-12 2022-07-19 주식회사 어반베이스 Server, user terminal and method for providing model for analysis of user's interior style based on sns text
KR20220101807A (en) * 2021-01-12 2022-07-19 주식회사 어반베이스 Apparatus and method for providing model for analysis of user's interior style based on text data of social network service
KR102358119B1 (en) * 2021-05-31 2022-02-09 주식회사 애자일소다 Apparatus and method for recommending based on bert
CN113610580B (en) * 2021-08-10 2023-09-19 平安科技（深圳）有限公司 Product recommendation method and device, electronic equipment and readable storage medium
CN113610580A (en) * 2021-08-10 2021-11-05 平安科技（深圳）有限公司 Product recommendation method and device, electronic equipment and readable storage medium
WO2023022276A1 (en) * 2021-08-20 2023-02-23 쿠팡 주식회사 Operation method for providing page information, and electronic device supporting same
WO2023054783A1 (en) * 2021-09-29 2023-04-06 주식회사 프렌트립 Control method for electronic device for predicting parameter for leisure activity lesson on basis of degree of association between parameters
KR102425606B1 (en) * 2021-09-29 2022-07-27 주식회사 프렌트립 Control method of electronic apparatus for predicting parameter of leisure activity lesson based on relationship between parameters
KR20230046198A (en) * 2021-09-29 2023-04-05 주식회사 프렌트립 Control method of electronic apparatus for performing prediction of leisure activity lesson based on data collected through plurality of platforms
KR102412142B1 (en) * 2022-01-10 2022-06-22 인트인 주식회사 Method for pattern-analyzing behavior of avatar in metaverse based on deep learning
KR102463550B1 (en) * 2022-03-29 2022-11-04 주식회사 당근마켓 Method and system for providing regional-based recommendation service
KR102533077B1 (en) * 2023-02-03 2023-05-16 주식회사 원더윅스컴퍼니 Server for providing platform-based parenting information using artificial intelligence, method and program
KR102619044B1 (en) * 2023-03-21 2023-12-27 쿠팡 주식회사 Recommending method based on machine-learning and system thereof
CN116610873A (en) * 2023-07-19 2023-08-18 支付宝(杭州)信息技术有限公司 Information recommendation method and device and storage medium
CN116610873B (en) * 2023-07-19 2023-09-26 支付宝(杭州)信息技术有限公司 Information recommendation method and device and storage medium

Similar Documents

Publication Publication Date Title
KR20180121466A (en) Personalized product recommendation using deep learning
JP6744353B2 (en) Personalized product recommendation using deep learning
Ravi et al. A collaborative location based travel recommendation system through enhanced rating prediction for the group of users
US20180165612A1 (en) Method for Providing Commerce-Related, Blockchain-Associated Cognitive Insights Using Blockchains
US20160191450A1 (en) Recommendations Engine in a Layered Social Media Webpage
JP7051938B2 (en) How and equipment to provide recommended items based on item selection
KR102342678B1 (en) Method and system of real-time graph-based embedding for personalized content recommendation
US20190228105A1 (en) Dynamic website content optimization
US10290040B1 (en) Discovering cross-category latent features
Ding et al. Multi-objective optimization based ranking prediction for cloud service recommendation
US20180240158A1 (en) Computer implemented system and method for customer profiling using micro-conversions via machine learning
KR102501496B1 (en) Method, system, and computer program for providing multiple models of federated learning using personalization
KR20190007875A (en) Method for providing marketing management data for optimization of distribution and logistic and apparatus therefor
Tien Internet of connected ServGoods: Considerations, consequences and concerns
US9767417B1 (en) Category predictions for user behavior
KR102214422B1 (en) Method and system of real-time graph-based embedding for personalized content recommendation
KR101981136B1 (en) Program, method and system for providing recommendation contents
CN109155041A (en) The recommendation based on travelling or promotion associated with socialgram is provided
KR101639656B1 (en) Method and server apparatus for advertising
CN112150184A (en) Click rate estimation method and system, computer system and computer readable medium
CN116089745A (en) Information recommendation method, device, electronic equipment and computer readable storage medium
KR102078619B1 (en) Method and system for searching information based on location
KR20230151704A (en) Method, computer device, and computer program to provide recommendation based on local knowledge graph
KR102010418B1 (en) Method and system for subject-based ranking considering writer-reader interaction
US11461419B2 (en) Discovering alternate online service providers

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment