KR20180123826A - 이종 분류 간 상품분류의 대응관계 생성시스템 - Google Patents

이종 분류 간 상품분류의 대응관계 생성시스템 Download PDF

Info

Publication number
KR20180123826A
KR20180123826A KR1020170058031A KR20170058031A KR20180123826A KR 20180123826 A KR20180123826 A KR 20180123826A KR 1020170058031 A KR1020170058031 A KR 1020170058031A KR 20170058031 A KR20170058031 A KR 20170058031A KR 20180123826 A KR20180123826 A KR 20180123826A
Authority
KR
South Korea
Prior art keywords
classification
product
data
unit
leaf node
Prior art date
Application number
KR1020170058031A
Other languages
English (en)
Inventor
유성준
Original Assignee
네모커머스(주)
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 네모커머스(주) filed Critical 네모커머스(주)
Priority to KR1020170058031A priority Critical patent/KR20180123826A/ko
Publication of KR20180123826A publication Critical patent/KR20180123826A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 이종 분류 간 상품분류의 대응관계 생성시스템에 관한 것으로서, 더욱 상세하게는 판매자 입장에서는 효율적인 매출 관련 데이터 관리를 위한 상품 분류가 효율적임은 물론 관리자 입장에서는 서로 다른 상품분류의 트리간의 대응 관계를 확인할 수 있고, 판매자가 제공하는 정보를 바탕으로 판매하려고 하는 상품을 자동으로 분류할 수 있어 상품을 분류하고자 할 때 비용의 절약이 가능하며, 판매되는 상품과 관련한 다양하고 양질의 통계 데이터의 생산을 적은 비용으로 수행 가능하고, 오픈 마켓별 상이한 상품분류가 존재하므로 같은 상품에 대해서도 판매자 별로 상이한 분류의 경로 선택이 가능함은 물론 상품 분류 트리의 변경시에 데이터의 일관성을 유지할 수 있으며, 상품을 설명하는 이미지 혹은 텍스트 데이터를 활용하여 상품간 거리(Metric)를 추출하여 분류하는데 가까운 거리 즉 작은 거리(Metric)을 갖는 상품은 하나의 상품 혹은 같은 종류의 상품으로 분류할 수 있고, 같은 종류의 상품으로 분류된 품목은 하나의 최소 분류(Leaf Node)로 설정하여 각 최소 분류(Leaf Node) 별로 판매자가 설정한 경로를 추출하여 다양한 경로가 있음을 확인할 수 있으며, CNN(Convolution Neural Networks) 및 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출부에 적용 가능할 뿐만 아니라 이미지 데이터로부터 인식한 사물 정보와 상품 설명을 위한 문자 데이터를 활용한 비지도 학습 방법이 상품 분류 변환부에 적용 가능한 효과가 있다.

Description

이종 분류 간 상품분류의 대응관계 생성시스템{Correspondences generation system of goods classification between heterogeneous classification}
본 발명은 판매자 입장에서는 효율적인 매출 관련 데이터 관리를 위한 상품 분류가 효율적임은 물론 관리자 입장에서는 서로 다른 상품분류의 트리간의 대응 관계를 확인할 수 있고, 판매자가 제공하는 정보를 바탕으로 판매하려고 하는 상품을 자동으로 분류할 수 있어 상품을 분류하고자 할 때 비용의 절약이 가능하며, 판매되는 상품과 관련한 다양하고 양질의 통계 데이터의 생산을 적은 비용으로 수행 가능하고, 오픈 마켓별 상이한 상품분류가 존재하므로 같은 상품에 대해서도 판매자 별로 상이한 분류의 경로 선택이 가능함은 물론 상품 분류 트리의 변경시에 데이터의 일관성을 유지할 수 있으며, 상품을 설명하는 이미지 혹은 텍스트 데이터를 활용하여 상품간 거리(Metric)를 추출하여 분류하는데 가까운 거리 즉 작은 거리(Metric)을 갖는 상품은 하나의 상품 혹은 같은 종류의 상품으로 분류할 수 있고, 같은 종류의 상품으로 분류된 품목은 하나의 최소 분류(Leaf Node)로 설정하여 각 최소 분류(Leaf Node) 별로 판매자가 설정한 경로를 추출하여 다양한 경로가 있음을 확인할 수 있으며, CNN(Convolution Neural Networks) 및 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출부에 적용 가능할 뿐만 아니라 이미지 데이터로부터 인식한 사물 정보와 상품 설명을 위한 문자 데이터를 활용한 비지도 학습 방법이 상품 분류 변환부에 적용 가능한 이종 분류 간 상품분류의 대응관계 생성시스템에 관한 기술이다.
인공 지능 분야에서는 통계 학습, 기계 학습 등 많은 기반 기술의 발전이 이루어져 왔으며, 인공지능 알고리즘은 학습시, 클래스를 구분을 미리 알려주는 크게 지도학습과 그렇지 않은 비지도학습으로 나눈다.
인공지능 알고리즘은 예측하고자 하는 결과가 실수와 같은 특정한 값을 예측하는 회귀(Regression) 모델과 비연속적인 이산 분류를 예측하는 분류(Classification)이 있는데, 회기 모델로는 선형회귀 등이 있고, 이산 분류를 구현하는 알고리즘은 크게 SVM (Support Vector Machine), LDA (Linear Discriminant Analysis), QDA (Quadratic Discriminant Analysis), Decision Tree, Neural Networks 등이 있다.
인공 지능 알고리즘은 학습한 결과를 데이터 또는 모델의 형태로 생성하고 이를 바탕으로 예측 또는 인식 단계를 수행한다.
최근에는 Neural Networks 분야에서 많은 발전이 이루어져 Deep Learning 라는 이름으로 기술이 전개되고 많은 실생활에 응용되는 연구가 전 세계적으로 이루어지고 있다.
도 1에 도시한 바와 같은, CNN(Convolution Neural Networks)은 주로 스냅이나 속사 형태의 이미지를 분석하는 데 주로 활용하고 있고, 도 2에 도시한 바와 같은, R-CNN(Region-based Convolution Neural Networks)은 이미지 내 사물 인식과, 상품 설명을 위한 문자 데이터와 함께 상품간 거리(Metric) 계산에 이용할 데이터를 생성하는데 활용하고 있다.
그러므로 상품 이미지 데이터와 상품 문자 데이터를 모두 결합하여 활용할 수 있는 신경망의 기법이 필요한 실정이고, 다양한 오픈 마켓이 존재하고 그에 따른 상품 분류 트리가 존재하는 현재의 상황에서는 일관성 있는 데이터 생성이 매우 어려우며, 또한, 매출 및 시장 점유율과 같은 제품 판매에 관한 체계적인 데이터 생성에 어려움이 따르고 있는 실정이다.
따라서 판매자 입장에서는 효율적인 매출 관련 데이터 관리를 위한 상품 분류에 있어서 효율적인 시스템이 필요하고, 관리자 입장에서는 서로 다른 상품 분류 트리간의 대응 관계를 확인할 수 있는 시스템을 판매자에게 제공할 필요가 있는 이종 분류 간 상품분류의 대응관계 생성시스템의 개발이 절실한 실정이다.
KR 10-2007-0088160(2007. 8. 31)
따라서 본 발명은 상기와 같은 문제점을 해결하기 위하여 착상된 것으로서, 판매자 입장에서는 효율적인 매출 관련 데이터 관리를 위한 상품 분류가 효율적임은 물론 관리자 입장에서는 서로 다른 상품분류의 트리간의 대응 관계를 확인할 수 있는 이종 분류 간 상품분류의 대응관계 생성시스템을 제공하는데 그 목적이 있다.
본 발명의 다른 목적은 판매자가 제공하는 정보를 바탕으로 판매하려고 하는 상품을 자동으로 분류할 수 있어 상품을 분류하고자 할 때 비용의 절약이 가능한 이종 분류 간 상품분류의 대응관계 생성시스템을 제공하는데 있다.
본 발명의 다른 목적은 판매되는 상품과 관련한 다양하고 양질의 통계 데이터의 생산을 적은 비용으로 수행 가능한 이종 분류 간 상품분류의 대응관계 생성시스템을 제공하는데 있다.
본 발명의 다른 목적은 오픈 마켓별 상이한 상품분류가 존재하므로 같은 상품에 대해서도 판매자 별로 상이한 분류의 경로 선택이 가능함은 물론 상품 분류 트리의 변경시에 데이터의 일관성을 유지할 수 있는 이종 분류 간 상품분류의 대응관계 생성시스템을 제공하는데 있다.
본 발명의 다른 목적은 상품을 설명하는 이미지 혹은 텍스트 데이터를 활용하여 상품간 거리(Metric)를 추출하여 분류하는데 가까운 거리 즉 작은 거리(Metric)을 갖는 상품은 하나의 상품 혹은 같은 종류의 상품으로 분류할 수 있는 이종 분류 간 상품분류의 대응관계 생성시스템을 제공하는데 있다.
본 발명의 다른 목적은 같은 종류의 상품으로 분류된 품목은 하나의 최소 분류(Leaf Node)로 설정하여 각 최소 분류(Leaf Node) 별로 판매자가 설정한 경로를 추출하여 다양한 경로가 있음을 확인할 수 있는 이종 분류 간 상품분류의 대응관계 생성시스템을 제공하는데 있다.
본 발명의 다른 목적은 CNN(Convolution Neural Networks) 및 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출부에 적용 가능할 뿐만 아니라 이미지 데이터로부터 인식한 사물 정보와 상품 설명을 위한 문자 데이터를 활용한 비지도 학습 방법이 상품 분류 변환부에 적용 가능한 이종 분류 간 상품분류의 대응관계 생성시스템을 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명의 바람직한 일실시예에 따른 이종 분류 간 상품분류의 대응관계 생성시스템은 반응 변수가 없는 측정치로 이루어진 데이터를 분류하는 비지도 학습(Unsupervised Learning)방법으로 상품 분류(Cluster)를 결정하는 상품 분류 변환부와; 상기 상품 분류 변환부에서 결정된 다수의 상품 분류(Cluster)를 가지고 상품 분류 후, 상품 분류 대표 값을 최소 분류(Leaf Node)에 할당하는 최소 분류(Leaf Node) 구성 상품 설정부와; 상기 최소 분류(Leaf Node) 구성 상품 설정부에서 설정한 상품 분류 대표 값으로부터 상품 분류(Cluster)가 Root Node로 연결되는 각각의 상품 분류(Cluster) 별로 경로(Path)를 결정하는 경로 데이터 생성부와: 상기 경로 데이터 생성부에서 결정된 공통되는 경로(Path) 데이터를 근거로 하여 대, 중, 소분류에 해당하는 최소 분류(Leaf Node)의 Parent Node는 통과하는 각 제품의 경로를 근거로 비교하여 중간 노드의 대응관계를 자동 매핑하여 주므로 상품분류의 대응관계 데이터를 얻게 하는 경로 데이터 비교 판단부; 을 포함함을 특징으로 한다.
상기 본 발명에 있어서, 상기 상품 분류 변환부는 상품 이미지 데이터로부터 이미지 상품 정보를 추출하는 이미지 상품 정보를 추출부와, 상품 문자 데이터로부터 상품 간의 거리를 계산하는 상품 간 거리 연산부와, 상품 분류(Cluster)를 제어하여 상품 분류 데이터를 얻게 하는 상품 분류 제어부; 을 포함함을 특징으로 한다.
상기 본 발명에 있어서, 상기 최소 분류(Leaf Node) 구성 상품 설정부는 최소 분류(Leaf Node) 데이터로부터 최소 분류(Leaf Node) 간의 비교를 구성하는 상품을 비교하여 판단하는 최소 분류(Leaf Node) 비교 판단부; 을 더 포함함을 특징으로 한다.
상기 본 발명에 있어서, 상기 최소 분류(Leaf Node) 구성 상품 설정부에서는 상품 데이터를 분류하여 대응하는 최소 분류를 상품 분류 대표 군으로 할당 후, 서로 다른 상품 분류 트리의 노드 간의 관계를 설정하는 것을 포함함을 특징으로 한다.
상기 본 발명에 있어서, 상기 경로 데이터 비교 판단부에서는 상품 데이터 분류군의 대표 데이터와 경로를 비교하여 서로 다른 제품 분류 트리의 대분류, 중분류, 소분류 중에서 해당하는 분류의 중간 노드 간의 관계를 찾는 것을 포함함을 특징으로 한다.
상기 본 발명에 있어서, 상기 상품 분류 변환부에서는 상품 데이터 분류를 위한 상품 간 거리(Metric) 계산을 위하여 이미지의 사물 데이터 정보와 상품 설명 문자 데이터를 결합하여 사용하는 것을 포함함을 특징으로 한다.
상기 본 발명에 있어서, CNN(Convolution Neural Networks) 및 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출부에 적용 가능할 뿐만 아니라 이미지 데이터로부터 인식한 사물 정보와 상품 설명을 위한 문자 데이터를 활용한 비지도 학습 방법이 상품 분류 변환부에 적용 가능한 것을 포함함을 특징으로 한다.
상술한 바와 같이, 본 발명인 이종 분류 간 상품분류의 대응관계 생성시스템은 다음과 같은 효과를 가진다.
첫째, 본 발명은 판매자 입장에서는 효율적인 매출 관련 데이터 관리를 위한 상품 분류가 효율적임은 물론 관리자 입장에서는 서로 다른 상품분류의 트리간의 대응 관계를 확인할 수 있다.
둘째, 본 발명은 판매자가 제공하는 정보를 바탕으로 판매하려고 하는 상품을 자동으로 분류할 수 있어 상품을 분류하고자 할 때 비용의 절약이 가능하다.
셋째, 본 발명은 판매되는 상품과 관련한 다양하고 양질의 통계 데이터의 생산을 적은 비용으로 수행 가능하다.
넷째, 본 발명은 오픈 마켓별 상이한 상품분류가 존재하므로 같은 상품에 대해서도 판매자 별로 상이한 분류의 경로 선택이 가능함은 물론 상품 분류 트리의 변경시에 데이터의 일관성을 유지할 수 있다.
다섯째, 본 발명은 상품을 설명하는 이미지 혹은 텍스트 데이터를 활용하여 상품간 거리(Metric)를 추출하여 분류하는데 가까운 거리 즉 작은 거리(Metric)을 갖는 상품은 하나의 상품 혹은 같은 종류의 상품으로 분류할 수 있다.
여섯째, 본 발명은 같은 종류의 상품으로 분류된 품목은 하나의 최소 분류(Leaf Node)로 설정하여 각 최소 분류(Leaf Node) 별로 판매자가 설정한 경로를 추출하여 다양한 경로가 있음을 확인할 수 있다.
일곱째, 본 발명은 CNN(Convolution Neural Networks) 및 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출부에 적용 가능할 뿐만 아니라 이미지 데이터로부터 인식한 사물 정보와 상품 설명을 위한 문자 데이터를 활용한 비지도 학습 방법이 상품 분류 변환부에 적용 가능하다.
도 1은 종래의 CNN(Convolution Neural Networks)을 활용하여 스냅이나 속사 형태의 이미지를 분석하는 형태를 나타낸 도면.
도 2는 종래의 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출하는 형태를 나타낸 도면.
도 3은 본 발명의 일실시예에 따른 상품 분류 트리의 형태를 설명하기 위해 나타낸 도면.
도 4는 본 발명의 일실시예에 따른 상품 분류 트리를 경로 별로 설명하기 위해 구체적으로 나타낸 도면.
도 5는 본 발명의 일실시예에 따른 이종 분류 간 상품분류의 대응관계 생성시스템의 구성을 설명하기 위해 나타낸 도면.
도 6은 본 발명의 일실시예에 따른 이종 분류 간 상품분류의 대응관계 생성시스템의 구성 중에서 상품 분류 변환부의 구성을 구체적으로 나타낸 도면.
이하 첨부된 도면과 함께 본 발명의 바람직한 실시예를 살펴보면 다음과 같은데, 본 발명을 설명함에 있어서 관련된 공지기술 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 것이며, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있으므로, 그 정의는 본 발명인 이종 분류 간 상품분류의 대응관계 생성시스템을 설명하는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 일실시예에 따른 이종 분류 간 상품분류의 대응관계 생성시스템을 상세하게 설명한다.
도 3은 본 발명의 일실시예에 따른 상품 분류 트리의 형태를 설명하기 위해 나타낸 도면이고, 도 4는 본 발명의 일실시예에 따른 상품 분류 트리를 경로 별로 설명하기 위해 구체적으로 나타낸 도면이며, 도 5는 본 발명의 일실시예에 따른 이종 분류 간 상품분류의 대응관계 생성시스템의 구성을 설명하기 위해 나타낸 도면이고, 도 6은 본 발명의 일실시예에 따른 이종 분류 간 상품분류의 대응관계 생성시스템의 구성 중에서 상품 분류 변환부의 구성을 구체적으로 나타낸 도면이다.
본 발명인 이종 분류 간 상품분류의 대응관계 생성시스템은 상품 분류 변환부(10), 이미지 상품 정보를 추출부(11), 상품 간 거리 연산부(12), 상품 분류 제어부(13), 최소 분류(Leaf Node) 구성 상품 설정부(20), 최소 분류(Leaf Node) 비교 판단부(21), 경로 데이터 생성부(30), 경로 데이터 비교 판단부(40)로 구성된다.
도 3 내지 도 6에 도시한 바와 같이, 본 발명인 이종 분류 간 상품분류의 대응관계 생성시스템은 반응 변수가 없는 측정치로 이루어진 데이터를 분류하는 비지도 학습(Unsupervised Learning)방법으로 상품 분류(Cluster)를 결정하는 상품 분류 변환부(10)와; 상기 상품 분류 변환부(10)에서 결정된 다수의 상품 분류(Cluster)를 가지고 상품 분류 후, 상품 분류 대표 값을 최소 분류(Leaf Node)에 할당하는 최소 분류(Leaf Node) 구성 상품 설정부(20)와; 상기 최소 분류(Leaf Node) 구성 상품 설정부(20)에서 설정한 상품 분류 대표 값으로부터 상품 분류(Cluster)가 Root Node로 연결되는 각각의 상품 분류(Cluster) 별로 경로(Path)를 결정하는 경로 데이터 생성부(30)와: 상기 경로 데이터 생성부(30)에서 결정된 공통되는 경로(Path) 데이터를 근거로 하여 대, 중, 소분류에 해당하는 최소 분류(Leaf Node)의 Parent Node는 통과하는 각 제품의 경로를 근거로 비교하여 중간 노드의 대응관계를 자동 매핑하여 주므로 상품분류의 대응관계 데이터를 얻게 하는 경로 데이터 비교 판단부(40); 을 구비한다.
상기 본 발명인 이종 분류 간 상품분류의 대응관계 생성시스템을 구성하는 각 기술적 수단들의 기능을 설명하면 다음과 같다.
상기 상품 분류 변환부(10)는 반응 변수가 없는 측정치로 이루어진 데이터를 분류하는 비지도 학습(Unsupervised Learning)방법으로 상품 분류(Cluster)를 결정하는 것이다.
여기서, 상기 상품 분류 변환부(10)는 상품 이미지 데이터로부터 이미지 상품 정보를 추출하는 이미지 상품 정보를 추출부(11)와, 상품 문자 데이터로부터 상품 간의 거리를 계산하는 상품 간 거리 연산부(12)와, 상품 분류(Cluster)를 제어하여 상품 분류 데이터를 얻게 하는 상품 분류 제어부(13)을 포함하는 것이다.
또한, 상기 상품 분류 변환부(10)에서는 상품 데이터 분류를 위한 상품 간 거리(Metric) 계산을 위하여 이미지의 사물 데이터 정보와 상품 설명 문자 데이터를 결합하여 사용하는 것이다.
상기 최소 분류(Leaf Node) 구성 상품 설정부(20)는 상기 상품 분류 변환부(10)에서 결정된 다수의 상품 분류(Cluster)를 가지고 상품 분류 후, 상품 분류 대표 값을 최소 분류(Leaf Node)에 할당하는 것이다.
여기서, 상기 최소 분류(Leaf Node) 구성 상품 설정부(20)는 최소 분류(Leaf Node) 데이터로부터 최소 분류(Leaf Node) 간의 비교를 구성하는 상품을 비교하여 판단하는 최소 분류(Leaf Node) 비교 판단부(21)을 더 포함하는 것이다.
또한, 상기 최소 분류(Leaf Node) 구성 상품 설정부(21)에서는 상품 데이터를 분류하여 대응하는 최소 분류를 상품 분류 대표 군으로 할당 후, 서로 다른 상품 분류 트리의 노드 간의 관계를 설정하는 것이다.
상기 경로 데이터 생성부(30)는 상기 최소 분류(Leaf Node) 구성 상품 설정부(20)에서 설정한 상품 분류 대표 값으로부터 상품 분류(Cluster)가 Root Node로 연결되는 각각의 상품 분류(Cluster) 별로 경로(Path)를 결정하는 것이다.
상기 경로 데이터 비교 판단부(40)는 상기 경로 데이터 생성부(30)에서 결정된 공통되는 경로(Path) 데이터를 근거로 하여 대, 중, 소분류에 해당하는 최소 분류(Leaf Node)의 Parent Node는 통과하는 각 제품의 경로를 근거로 비교하여 중간 노드의 대응관계를 자동 매핑하여 주므로 상품분류의 대응관계 데이터를 얻게 하는 것이다.
여기서, 상기 경로 데이터 비교 판단부(40)에서는 상품 데이터 분류군의 대표 데이터와 경로를 비교하여 서로 다른 제품 분류 트리의 대분류, 중분류, 소분류 중에서 해당하는 분류의 중간 노드 간의 관계를 찾는 것이다.
상기 본 발명은 CNN(Convolution Neural Networks) 및 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출부에 적용 가능할 뿐만 아니라 이미지 데이터로부터 인식한 사물 정보와 상품 설명을 위한 문자 데이터를 활용한 비지도 학습 방법이 상품 분류 변환부에 적용 가능한 것이다.
도 3은 본 발명의 일실시예에 따른 상품 분류 트리의 형태를 설명하기 위해 나타낸 도면이다.
도 3에 도시한 바와 같이, 오픈 마켓(K, L) 별로 상이한 제품이 존재하므로 같은 상품에 대해서도 판매자 별로 상이한 분류의 경로 선택이 가능함은 물론 상품 분류 트리의 변경 시에 데이터의 일관성을 유지할 수 있어야 하는데, 예를 들어, 경로 1은 도서/음반/DVD -> 어린이, 경로 2는 북마켓 -> 아동, 경로 3은 출산/육아 -> 교재/서적과 같이 나타내는 것이다.
도 4는 본 발명의 일실시예에 따른 상품 분류 트리를 경로 별로 설명하기 위해 구체적으로 나타낸 도면이다.
도 4에 도시한 바와 같이, 1은 비지도 학습 방법으로 상품 분류(Cluster)하는 과정을 나타내는 것이고, 2는 각각의 상품 분류(Cluster) 별로 경로(Path)를 설정하는 과정을 나타내는 것이며, 3은 최소 분류(Leaf Node) 간의 비교를 구성하는 상품을 비교하는 과정을 나타내는 것이고, 4는 대, 중분류에 해당하는 최소 분류(Leaf Node)의 Parent Node는 통과하는 각 상품의 경로를 근거로 비교하는 과정을 나타내는 것이다.
상기 본원 발명의 시스템의 작동원리를 살펴보면, 먼저, Deep Learning 기법으로 상품의 Vector Representation을 결정하고 상품 간의 거리(Metric)을 정의한 다음에, 비지도학습(Unsupervised Learning)방법으로 상품 분류(Cluster)를 결정한다. 이후에 다수의 상품 분류(Cluster)를 최소 분류(Leaf Node)에 할당한다. 다음으로 각 상품 분류(Cluster)가 Root Node로 연결되는 경로(Path) 결정한다. 이후에 공통되는 경로(Path) 데이터를 근거로 대, 중, 소분류에 해당하는 중간 노드의 대응관계를 자동 매핑하는 것이다.
이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 한정되는 것은 아니다.
상술한 바와 같이, 본 발명인 이종 분류 간 상품분류의 대응관계 생성시스템은 상품을 자동으로 분류하는 상품분류시스템 분야에 폭 넓게 적용할 수 있는 것이다.
10 : 상품 분류 변환부 11 : 이미지 상품 정보를 추출부
12 : 상품 간 거리 연산부 13 : 상품 분류 제어부
20 : 최소 분류(Leaf Node) 구성 상품 설정부
21 : 최소 분류(Leaf Node) 비교 판단부
30 : 경로 데이터 생성부 40 : 경로 데이터 비교 판단부

Claims (7)

  1. 이종 분류 간 상품분류의 대응관계 생성시스템에 있어서,
    반응 변수가 없는 측정치로 이루어진 데이터를 분류하는 비지도 학습(Unsupervised Learning)방법으로 상품 분류(Cluster)를 결정하는 상품 분류 변환부와;
    상기 상품 분류 변환부에서 결정된 다수의 상품 분류(Cluster)를 가지고 상품 분류 후, 상품 분류 대표 값을 최소 분류(Leaf Node)에 할당하는 최소 분류(Leaf Node) 구성 상품 설정부와;
    상기 최소 분류(Leaf Node) 구성 상품 설정부에서 설정한 상품 분류 대표 값으로부터 상품 분류(Cluster)가 Root Node로 연결되는 각각의 상품 분류(Cluster) 별로 경로(Path)를 결정하는 경로 데이터 생성부와:
    상기 경로 데이터 생성부에서 결정된 공통되는 경로(Path) 데이터를 근거로 하여 대, 중, 소분류에 해당하는 최소 분류(Leaf Node)의 Parent Node는 통과하는 각 제품의 경로를 근거로 비교하여 중간 노드의 대응관계를 자동 매핑하여 주므로 상품분류의 대응관계 데이터를 얻게 하는 경로 데이터 비교 판단부; 을 포함함을 특징으로 하는 이종 분류 간 상품분류의 대응관계 생성시스템.
  2. 제 1항에 있어서,
    상기 상품 분류 변환부는 상품 이미지 데이터로부터 이미지 상품 정보를 추출하는 이미지 상품 정보를 추출부와, 상품 문자 데이터로부터 상품 간의 거리를 계산하는 상품 간 거리 연산부와, 상품 분류(Cluster)를 제어하여 상품 분류 데이터를 얻게 하는 상품 분류 제어부; 을 포함함을 특징으로 하는 이종 분류 간 상품분류의 대응관계 생성시스템.
  3. 제 1항에 있어서,
    상기 최소 분류(Leaf Node) 구성 상품 설정부는 최소 분류(Leaf Node) 데이터로부터 최소 분류(Leaf Node) 간의 비교를 구성하는 상품을 비교하여 판단하는 최소 분류(Leaf Node) 비교 판단부; 을 더 포함함을 특징으로 하는 이종 분류 간 상품분류의 대응관계 생성시스템.
  4. 제 1항에 있어서,
    상기 최소 분류(Leaf Node) 구성 상품 설정부에서는 상품 데이터를 분류하여 대응하는 최소 분류를 상품 분류 대표 군으로 할당 후, 서로 다른 상품 분류 트리의 노드 간의 관계를 설정하는 것을 포함함을 특징으로 하는 이종 분류 간 상품분류의 대응관계 생성시스템.
  5. 제 1항에 있어서,
    상기 경로 데이터 비교 판단부에서는 상품 데이터 분류군의 대표 데이터와 경로를 비교하여 서로 다른 제품 분류 트리의 대분류, 중분류, 소분류 중에서 해당하는 분류의 중간 노드 간의 관계를 찾는 것을 포함함을 특징으로 하는 이종 분류 간 상품분류의 대응관계 생성시스템.
  6. 제 1항에 있어서,
    상기 상품 분류 변환부에서는 상품 데이터 분류를 위한 상품 간 거리(Metric) 계산을 위하여 이미지의 사물 데이터 정보와 상품 설명 문자 데이터를 결합하여 사용하는 것을 포함함을 특징으로 하는 이종 분류 간 상품분류의 대응관계 생성시스템.
  7. 제 1항에 있어서,
    CNN(Convolution Neural Networks) 및 R-CNN(Region-based Convolution Neural Networks)을 이용하여 이미지 사물 정보 추출부에 적용 가능할 뿐만 아니라 이미지 데이터로부터 인식한 사물 정보와 상품 설명을 위한 문자 데이터를 활용한 비지도 학습 방법이 상품 분류 변환부에 적용 가능한 것을 포함함을 특징으로 하는 이종 분류 간 상품분류의 대응관계 생성시스템.
KR1020170058031A 2017-05-10 2017-05-10 이종 분류 간 상품분류의 대응관계 생성시스템 KR20180123826A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170058031A KR20180123826A (ko) 2017-05-10 2017-05-10 이종 분류 간 상품분류의 대응관계 생성시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170058031A KR20180123826A (ko) 2017-05-10 2017-05-10 이종 분류 간 상품분류의 대응관계 생성시스템

Publications (1)

Publication Number Publication Date
KR20180123826A true KR20180123826A (ko) 2018-11-20

Family

ID=64568491

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170058031A KR20180123826A (ko) 2017-05-10 2017-05-10 이종 분류 간 상품분류의 대응관계 생성시스템

Country Status (1)

Country Link
KR (1) KR20180123826A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102088616B1 (ko) * 2019-07-30 2020-03-12 김명훈 물품 관리 방법
KR20210030808A (ko) * 2019-09-10 2021-03-18 한국과학기술정보연구원 시장규모추정장치 및 그 동작 방법
CN113570428A (zh) * 2021-07-23 2021-10-29 上海普洛斯普新数字科技有限公司 一种用于线上商品一致性筛选的系统
KR102401233B1 (ko) * 2021-11-22 2022-05-24 이동민 시각 장애인용 스마트 안경을 이용한 오프라인 쇼핑 안내 시스템

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102088616B1 (ko) * 2019-07-30 2020-03-12 김명훈 물품 관리 방법
WO2021020704A1 (ko) * 2019-07-30 2021-02-04 김명훈 물품 관리 방법
KR20210030808A (ko) * 2019-09-10 2021-03-18 한국과학기술정보연구원 시장규모추정장치 및 그 동작 방법
CN113570428A (zh) * 2021-07-23 2021-10-29 上海普洛斯普新数字科技有限公司 一种用于线上商品一致性筛选的系统
CN113570428B (zh) * 2021-07-23 2024-02-02 上海普洛斯普新数字科技有限公司 一种用于线上商品一致性筛选的系统
KR102401233B1 (ko) * 2021-11-22 2022-05-24 이동민 시각 장애인용 스마트 안경을 이용한 오프라인 쇼핑 안내 시스템

Similar Documents

Publication Publication Date Title
US20180268296A1 (en) Machine learning-based network model building method and apparatus
US11521221B2 (en) Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks
CN107636693B (zh) 针对人工神经网络的相关性分数指派
Olivas et al. Handbook of research on machine learning applications and trends: Algorithms, methods, and techniques: Algorithms, methods, and techniques
Guo et al. Supplier selection based on hierarchical potential support vector machine
Lin et al. Holistic scene understanding for 3d object detection with rgbd cameras
US20150278710A1 (en) Machine learning apparatus, machine learning method, and non-transitory computer-readable recording medium
KR20180123826A (ko) 이종 분류 간 상품분류의 대응관계 생성시스템
US20140372175A1 (en) Method and system for detection, classification and prediction of user behavior trends
CN108108743A (zh) 异常用户识别方法和用于识别异常用户的装置
US20200151748A1 (en) Feature-based item similarity and forecasting system
WO2018051179A1 (en) Evaluation system, evaluation device, computer-implemented evaluation method, computer program and ai system
JP6751816B2 (ja) 新規学習データセット生成方法および新規学習データセット生成装置
KR102059263B1 (ko) 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템
US20220114289A1 (en) Computer architecture for generating digital asset representing footwear
CN110909868A (zh) 基于图神经网络模型的节点表示方法和装置
Burdi et al. Application of the naive bayes method to a decision support system to provide discounts (Case study: PT. Bina Usaha Teknik)
CN104077408B (zh) 大规模跨媒体数据分布式半监督内容识别分类方法及装置
Stahl et al. Analytics applications in fashion supply chain management—A review of literature and practice
Berlati et al. Ambiguity in sequential data: Predicting uncertain futures with recurrent models
US10877996B2 (en) Clustering system, method, and program
US20220284499A1 (en) Feature-level recommendations for content items
Kumari et al. Retail forecasting using neural network and data mining technique: a review and reflection
CN108629062A (zh) 用于定价优化的方法、装置和系统
Han et al. Machine learning techniques for price change forecast using the limit order book data

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application