KR20200044197A - 머신러닝 기반의 의류 핏 추천 장치 - Google Patents

머신러닝 기반의 의류 핏 추천 장치 Download PDF

Info

Publication number
KR20200044197A
KR20200044197A KR1020180120465A KR20180120465A KR20200044197A KR 20200044197 A KR20200044197 A KR 20200044197A KR 1020180120465 A KR1020180120465 A KR 1020180120465A KR 20180120465 A KR20180120465 A KR 20180120465A KR 20200044197 A KR20200044197 A KR 20200044197A
Authority
KR
South Korea
Prior art keywords
fit
data
user
clothing
customized
Prior art date
Application number
KR1020180120465A
Other languages
English (en)
Other versions
KR102319997B1 (ko
Inventor
이재갑
Original Assignee
이재갑
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 이재갑 filed Critical 이재갑
Priority to KR1020180120465A priority Critical patent/KR102319997B1/ko
Publication of KR20200044197A publication Critical patent/KR20200044197A/ko
Application granted granted Critical
Publication of KR102319997B1 publication Critical patent/KR102319997B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 머신러닝 기반의 의류 핏 추천 장치에 관한 것으로, 사용자 핏 데이터 및 사용자 단말로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신하는 핏 데이터 수신부, 상기 사용자 핏 데이터 및 상기 타겟 의류의 핏 데이터를 기초로 머신러닝 기반의 핏 알고리즘을 통해 상기 타겟 의류의 상기 사용자에 대한 맞춤 핏 데이터를 산출하는 맞춤 핏 데이터 산출부 및 상기 맞춤 핏 데이터를 기초로 상기 사용자에게 상기 타겟 의류의 핏을 추천하는 타겟 의류 핏 추천부를 포함한다. 따라서, 본 발명은 사용자의 의류 핏 데이터를 분석하여 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있다.

Description

머신러닝 기반의 의류 핏 추천 장치 {MACHINE LEARNING BASED CLOTHING FIT RECOMMENDING APPARATUS}
본 발명은 머신러닝 기반의 의류 핏 추천 기술에 관한 것으로, 보다 상세하게는 사용자 및 의류의 핏 정보를 데이터화하고 분석하여 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있는 머신러닝 기반의 의류 핏 추천 장치에 관한 것이다.
의류를 온라인으로 선택할 때, 고객은 치수를 특정할 수 있지만, 옷을 입어볼 수 없기 때문에 많은 고객이 구매를 망설인다. 따라서 치수 불확실성이 온라인 의류 주문을 착수하는 데 상당한 걸림돌이다. 고객이 의류를 온라인으로 구매하고, 의류가 잘 맞지 않는 경우, 의류가 반품될 수 있고 고객이 상기 소매상으로부터의 장래의 온라인 구매를 망설일 수 있다. 일반적으로 의류 판매자는 물품을 반품하는 비용을 지불하고, 물품이 반품되면, 또한 물품을 수동으로 체크하고 다시 포장해야 한다. 이는 비용 소모적이다. 온라인으로 구매한 옷에 대한 반품율은 오프라인에 비해 높은 수준이고 대부분 반품되는 이유는 옷이 맞지 않기 때문이다. 따라서 온라인 판매자에 의해 제공되는 치수 차트에 대해 많이 신뢰할 수 없기 때문에 온라인 의류 쇼핑이 사용자에게 불만족스러울 수 있다. 이는 온라인 의류 소매상 사이트의 활용 레벨을 더 높일 수 없고, 판매자의 관점에서 수익성이 덜할 수 있다. 지금까지 옷을 입어 보기 위해서는, 사용자가 상점으로 가야 하거나, 옷이 배달되기를 기다려야 하는데, 둘 모두 시간이 걸리고 이동 또는 배달 비용을 수반한다. 사용자가 의류가 잘 맞을 것이라는 높은 확신을 갖고 의류를 온라인으로 구매하는 것이 유용할 것이다. 온라인 판매자에게 비용 소모적인 반품 문제를 해결하기 위해서, 사용자는 온라인으로 판매되는 의류가 실제로 어떻게 보일 것인지를 알 수 있어야 하고 특히, 의류의 스타일이 사용자에게 어울리는지 여부와 의류의 특정 치수에 대한 핏이 올바른지 여부를 알 수 있어야 한다.
한국공개특허 제10-2002-0067507 (2002.08.22)호는 한 벌의 옷을 선택하기 위해 추천을 발생시키는 방법 및 시스템으로 목적은 옷 프로필을 보존하는 단계, 선택되는 한벌의 옷을 검출하는 단계, 상기 선택에 기초하여 상기 옷 프로필을 업데이팅하는 단계, 및 상기 업데이팅된 옷 프로필로부터 추천을 발생시키는 단계를 포함하는, 방법이 본 발명에 따라 달성된다. 옷 프로필은 사용자가 좋아하는 몇 벌의 옷 및 그가 소유한 벌들을 나타낸다. 이것은 어떠한 벌의 옷 또는 어떠한 옷들의 조합이 사용자에게 흥미있는지를 높은 정도로 정확하게 결정할 수 있다.
한국공개특허 제10-2017-0016578 (2017.02.14)호는 의류 피팅 시스템과 그 동작 방법에 관한 것이다. 외부 사이트의 외부 의류 이미지 및 외부의 류 정보를 주기적으로 수집하는 크롤러; 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 수집하는 저장소; 상기 외부 의류 이미지 및 상기 사용자 의류 이미지에 대한 특징점들을 추출하는 특징점 매퍼; 상기 특징점들을 이용하여 상기 외부 의류 이미지의 제1 패턴 정보 및 상기 사용자 의류 이미지의 제2 패턴 정보를 생성하는 학습기; 및 상기 사용자로부터 대상 의류 이미지를 수신하여 상기 학습기에서 상기 대상 의류 이미지에 대한 제3패턴 정보를 제공받고, 상기 제1 패턴 정보 및 상기 제2 패턴 정보와 비교하여 상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 외부 인터페이스를 포함하는, 의류 피팅 시스템이 제공될 수 있다.
한국공개특허 제10-2002-0067507 (2002.08.22)호 한국공개특허 제10-2017-0016578 (2017.02.14)호
본 발명의 일 실시예는 머신러닝 기반의 핏 알고리즘을 통해 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있는 머신러닝 기반의 의류 핏 추천 장치를 제공하고자 한다.
본 발명의 일 실시예는 사용자의 구매 행동 분석을 통해 사용자가 만족하는 핏 정보를 찾아서 제공할 수 있는 머신러닝 기반의 의류 핏 추천 장치를 제공하고자 한다.
본 발명의 일 실시예는 사용자의 신체 사이즈 등을 기초로 다양한 의류의 스타일별 핏 정보를 데이터화하고, 이러한 핏 데이터를 기초로 머신러닝을 통해 사용자에게 타겟 상품별 최적의 맞춤 핏을 추천할 수 있는 머신러닝 기반의 의류 핏 추천 장치를 제공하고자 한다.
실시예들 중에서 머신러닝 기반의 의류 핏 추천 장치는 사용자 핏 데이터 및 사용자 단말로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신하는 핏 데이터 수신부, 상기 사용자 핏 데이터 및 상기 타겟 의류의 핏 데이터를 기초로 핏 알고리즘을 통해 상기 타겟 의류의 상기 사용자에 대한 맞춤 핏 데이터를 산출하는 맞춤 핏 데이터 산출부 및 상기 맞춤 핏 데이터를 기초로 상기 사용자에게 상기 타겟 의류의 핏을 추천하는 타겟 의류 핏 추천부를 포함한다.
상기 맞춤 핏 데이터 산출부는 상기 사용자 핏 데이터로부터 상기 사용자의 신체 사이즈를 검출하고, 상기 검출된 사용자의 신체 사이즈를 기초로 상기 타겟 의류의 핏 데이터를 분석하여 제1 맞춤 핏 서브데이터를 산출할 수 있다.
상기 맞춤 핏 데이터 산출부는 상기 타겟 의류의 핏 데이터로부터 상기 타겟 의류에 대한 상기 사용자와 유사한 핏 데이터를 가진 기구매자가 존재하는지 검출하고, 상기 검출된 기구매자의 구매 만족도 데이터를 기초로 제2 맞춤 핏 서브데이터를 산출할 수 있다.
상기 맞춤 핏 데이터 산출부는 상기 사용자 핏 데이터로부터 상기 사용자가 상기 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 특정 브랜드를 구매한 이력이 존재하는지 검출하고, 상기 검출된 다른 특정 브랜드에 대한 상기 사용자의 구매 만족도 데이터를 기초로 제3 맞춤 핏 서브데이터를 산출할 수 있다.
상기 맞춤 핏 데이터 산출부는 상기 사용자 핏 데이터로부터 상기 사용자가 구매 했었던 상기 타겟 의류와 유사한 핏 데이터를 가진 다른 특정 의류가 존재하는지 여부를 검출하고, 상기 검출된 다른 특정 의류에 대한 상기 사용자의 구매 만족도를 기초로 제4 맞춤 핏 서브데이터를 산출할 수 있다.
상기 맞춤 핏 데이터 산출부는 상기 산출된 제1 내지 제4 맞춤 핏 서브데이터 각각에 대해 가중치를 부여하고 가중합을 통해 상기 맞춤 핏 데이터를 산출할 수 있다.
상기 맞춤 핏 데이터 산출부는 상기 사용자의 IP 주소(Internet Protocol Address)를 분석하고 상기 IP 주소에 해당하는 지역의 핏 트렌드를 분석하여 상기 핏 트렌드를 기초로 상기 맞춤 핏 데이터를 산출할 수 있다.
상기 맞춤 핏 데이터 산출부는 상기 사용자의 실제 구매 데이터를 통해 상기 핏 알고리즘을 지속적으로 학습시키고 학습된 상기 핏 알고리즘을 기초로 상기 사용자 핏 데이터를 반복적으로 업데이트할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다 거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치는 머신러닝 기반의 핏 알고리즘을 통해 사용자가 구매하고자 하는 타겟 의류에 대한 사용자 맞춤 핏을 추천할 수 있다.
본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치는 사용자의 구매 행동 분석을 통해 사용자가 만족하는 핏 정보를 찾아서 제공할 수 있다.
본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치는 사용자의 신체 사이즈 등을 기초로 다양한 의류의 스타일별 핏 정보를 데이터화하고, 이러한 핏 데이터를 기초로 머신러닝을 통해 사용자에게 타겟 상품별 최적의 맞춤 핏을 추천할 수 있다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 시스템을 나타내는 도면이다.
도 2는 도 2에 있는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치를 나타내는 블록도이다.
도 3은 도 2에 있는 프로세서의 기능 요소를 나타내는 블록도이다.
도 4는 도 1에 있는 머신러닝 기반의 의류 핏 추천 장치의 머신러닝 기반의 의류 핏 추천 방법을 보여주는 흐름도이다.
도 5는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 방법론을 보여주는 도면이다.
도 6은 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 과정을 보여주는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다 거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 시스템을 나타내는 도면이다.
도 1을 참조하면, 머신러닝 기반의 의류 핏 추천 시스템(100)은 머신러닝 기반의 의류 핏 추천 장치(110), 사용자 단말(120) 및 데이터베이스(130)를 포함할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 단말(120) 및 데이터베이스(130)와 네트워크를 통해 연결될 수 있는 컴퓨팅 장치에 해당한다. 머신러닝 기반의 의류 핏 추천 장치(110)는 온라인 전자 상거래에서 주요한 반품원인에 해당하는 사이즈와 핏의 문제를 해결하기 위해 제안된다. 일 실시예에서, 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 단말(120)로부터 사용자가 선택한 타겟 의류에 대한 맞춤 핏 추천 요청을 받으면, 머신러닝 기반의 핏 알고리즘을 통해 사용자의 핏 정보를 데이터화 하여 분석하고 사용자에게 타겟 의류에 대한 최적의 사용자 맞춤 핏을 결정하여 추천할 수 있다. 여기에서, 사용자의 핏(fit) 정보는 사용자의 신체 사이즈를 포함하는 정보로서 사용자의 다양한 의류에 대해 선호하는 의류 패턴 정보 또는 의상 사이즈 디테일 정보 등에 해당할 수 있다. 핏(fit)은 원래 의류에 대해서 입은 사람의 몸에 옷이 잘 맞는다는 의미를 가지나, 통상적으로 의류의 맵시를 결정하는 스타일(style)과 같은 의미로 쓰일 수 있다. 예를 들어, 루즈 핏(loose fit), 슬림 핏(slim fit), 케쥬얼 핏(casual fit)이 있다. 즉, 핏 정보는 사용자의 선호 스타일 정보 및 선호 스타일에 맞는 치수 정보에 해당할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자의 의류 구매에 있어서 만족도를 제공하기 위해서 사용자에게 맞는 핏 데이터를 기초로 타겟 의류에 대한 핏 데이터 분석을 수행하고 타겟 의류의 사용자에 대한 최적의 핏 데이터를 산출하여 제공할 수 있다. 여기에서, 핏 데이터는 핏 정보를 데이터화한 것을 의미할 수 있다.
사용자 단말(120)은 머신러닝 기반의 의류 핏 추천 장치(110)와 네트워크를 통해 연결될 수 있는 컴퓨팅 장치에 해당하고, 예를 들어, 데스크톱, 노트북, 태블릿 PC 또는 스마트폰으로 구현될 수 있다. 사용자는 사용자 단말(120)을 통해 온라인으로 의류를 구매할 수 있고, 이 과정에서 머신러닝 기반의 의류 핏 추천 장치(110)에게 타겟 의류의 핏 추천을 요청할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 데이터 베이스(130)를 포함하여 구현될 수 있고, 데이터베이스(130)와 독립적으로 구현될 수 있다. 데이터베이스(130)와 독립적으로 구현된 경우 머신러닝 기반의 의류 핏 추천 장치(110)는 데이터베이스(130)와 유선 또는 무선으로 연결되어 파일을 주고받을 수 있다.
데이터베이스(130)는 머신러닝 기반의 의류 핏 추천에 필요한 정보들을 저장할 수 있는 저장장치이다. 여기에서, 머신러닝(machine learning)은 기계학습을 의미한다. 기계학습은 인공지능의 한분야로서 컴퓨터 프로그램이 데이터와 처리 경험을 이용한 학습을 통해 정보 처리 능력을 향상시키는 것을 의미할 수 있다. 일 실시예에서, 데이터베이스(130)는 사용자 단말(120)로부터 수신한 사용자의 신체 사이즈 정보를 포함하는 핏 정보 또는 핏 데이터를 저장할 수 있다. 보다 구체적으로, 데이터베이스(130)는 사용자 핏 데이터뿐만 아니라 타겟 의류의 핏 데이터를 저장할 수 있으며 반드시 이에 한정되지 않고, 특정 타겟 의류에 대한 맞춤 핏을 추천하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다. 예를 들어, 데이터베이스(130)는 타겟 의류를 구매하려는 해당 사용자의 구매 이력을 저장할 수 있고, 타겟 의류를 구매하였던 다른 사용자의 구매 이력을 저장할 수 있다. 일 실시예에서, 데이터베이스(130)는 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 브랜드의 정보를 저장할 수 있다. 데이터베이스(130)는 머신러닝 기반의 핏 알고리즘의 학습에 따라 반복적으로 업데이트 되는 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 저장할 수 있다.
데이터베이스(130)는 특정 범위에 속하는 정보들을 저장하는 적어도 하나의 독립된 서브-데이터베이스들로 구성될 수 있고, 적어도 하나의 독립된 서브-데이터베이스들이 하나로 통합된 통합 데이터베이스로 구성될 수 있다. 적어도 하나의 독립된 서브-데이터베이스들로 구성되는 경우에는 각각의 서브-데이터베이스들은 블루투스, WiFi 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 상호 간의 데이터를 주고받을 수 있다. 데이터베이스(130)는 통합 데이터베이스로 구성되는 경우 각각의 서브-데이터베이스들을 하나로 통합하고 상호 간의 데이터 교환 및 제어 흐름을 관리하는 제어부를 포함할 수 있다.
도 2는 도 2에 있는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치를 나타내는 블록도이다.
도 2를 참조하면, 머신러닝 기반의 의류 핏 추천 장치(110)는 프로세서(210), 메모리(220), 사용자 입출력부(230) 및 네트워크 입출력부(240)을 포함할 수 있다.
프로세서(210)는 도 4에 있는 머신러닝 기반의 의류 핏 추천 방법을 수행할 수 있고, 이러한 과정에서 읽혀지거나 작성되는 메모리(220)를 관리할 수 있으며, 메모리(220)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄 할 수 있다. 프로세서(210)는 머신러닝 기반의 의류 핏 추천 장치(110)의 동작 전반을 제어할 수 있고, 메모리(220), 사용자 입출력부(230) 및 네트워크 입출력부(240)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 머신러닝 기반의 의류 핏 추천 장치(110)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(220)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 머신러닝 기반의 의류 핏 추천 장치(110)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(230)은 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함하고, 예를 들어, 마우스, 트랙볼, 터치 패드, 그래픽 태블릿, 스캐너, 터치 스크린, 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터와 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(230)은 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 머신러닝 기반의 의류 핏 추천 장치(110)는 서버로서 수행될 수 있다.
네트워크 입출력부(240)은 사용자 단말(120) 및 데이터베이스(130) 중 적어도 하나와 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network) 통신을 위한 어댑터를 포함할 수 있다. 일 실시예에서, 머신러닝 기반의 의류 핏 추천 장치(110)는 네트워크 입출력부(240)를 통해 사용자 단말(120)과 연동할 수 있다.
도 3은 도 2에 있는 프로세서의 기능 요소를 나타내는 블록도이다.
도 3을 참조하면, 프로세서(210)는 핏 데이터 수신부(310), 맞춤 핏 데이터 산출부(320), 타겟 의류 핏 추천부(330) 및 제어부(340)를 포함할 수 있다.
핏 데이터 수신부(310)는 사용자 핏 데이터를 수신할 수 있다. 여기에서, 사용자 핏 데이터는 사용자 핏 정보를 데이터화 한 것으로 사용자 신체 사이즈 데이터를 포함하고 사용자의 스타일에 따른 의류의 패턴 데이터를 포함할 수 있으며 반드시 이에 한정되지 않고, 사용자의 선호 브랜드 데이터, 선호 의류 데이터 및 선호하는 스타일에 대한 치수 데이터를 포함할 수 있다. 보다 구체적으로, 핏 데이터 수신부(310)는 사용자 핏 데이터뿐만 아니라 사용자 단말(120)로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신할 수 있다. 여기에서, 타겟 의류는 사용자가 구매하기 위해 선택한 의류에 해당할 수 있다. 여기에서, 타겟 의류의 핏 데이터는 스몰, 미디움 또는 라지의 의류 사이즈 데이터뿐만 아니라, 타겟 의류에 대한 구매자의 신체 사이즈 및 스타일 등의 데이터와 타겟 의류 브랜드와 유사한 핏의 브랜드 데이터를 모두 포함할 수 있다. 일 실시예에서, 핏 데이터 수신부(310)는 데이터베이스(130)로부터 저장된 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 수신할 수 있다.
맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 기초로 핏 알고리즘을 통해 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출할 수 있다. 여기에서, 핏 알고리즘은 머신러닝(machine learning)을 통해 지속적으로 학습될 수 있다. 보다 구체적으로, 핏 알고리즘은 사용자의 신체사이즈를 포함하는 사용자 핏 정보와 타겟 의류의 사이즈를 포함하는 타겟 의류의 핏 정보를 복합적으로 비교 분석하여 사용자에게 맞는 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출할 수 있다. 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 핏 알고리즘을 통해 사용자의 신체 사이즈와 타겟 의류를 비교할 수 있고, 사용자가 구매한 다른 의류의 핏 정보와 타겟 의류를 비교할 수 있으며 또한, 타겟 의류의 핏 정보와 유사한 핏을 가진 다른 브랜드와 타겟 의류를 비교할 수 있다. 여기에서, 사용자 맞춤 핏 데이터는 사용자에게 최적의 핏을 제공하는 타겟 의류에 관한 사이즈 치수 및 패턴을 포함하는 데이터를 의미할 수 있다.
일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터로부터 사용자의 신체 사이즈를 검출할 수 있다. 여기에서, 사용자의 신체 사이즈는 사용자 단말(120)을 통해 사용자가 직접 입력할 수 있고 데이터베이스(130)에 저장될 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 검출된 사용자의 신체 사이즈를 기초로 타겟 의류의 핏 데이터를 분석하여 제1 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자의 신체 사이즈와 타겟 의류의 핏 데이터를 인체 부위의 치수에 대해 각각 비교하여 사용자에게 맞는 타겟 의류의 사이즈를 제공할 수 있다. 여기에서, 제1 맞춤 핏 서브데이터는 사용자 맞춤 핏 데이터에 대한 서브데이터로서 사용자의 신체 사이즈만을 기초로 타겟 의류와 비교하여 산출한 핏 데이터에 해당할 수 있다. 다른 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자가 입력한 신체 사이즈가 데이터베이스(130)에 저장되어 있지 않다면 사용자의 신체 사이즈를 검출할 수 없고 대신에 사용자에게 신체 사이즈를 입력하라는 알림을 제공할 수 있다.
일 실시예에서, 맞춤 핏 데이터 산출부(320)는 타겟 의류에 대한 사용자와 유사한 핏 데이터를 가진 기구매자가 존재하는지 여부를 검출할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터를 기초로 핏 알고리즘을 통해 데이터베이스(130)로부터 저장된 타겟 의류의 핏 데이터를 분석하여 사용자와 유사한 핏 데이터를 가진 다른 기구매자가 존재하는지 여부를 검출할 수 있고, 존재하는 경우 검출된 기구매자의 타겟 의류에 대한 구매 만족도 데이터를 검출할 수 있다. 일 실시예에서, 구매 만족도 데이터는 데이터베이스(130)에 저장될 수 있고 핏 알고리즘의 학습에 따라 업데이트 되는 데이터에 해당할 수 있다. 맞춤 핏 데이터 산출부(320)는 검출된 기 구매자의 타겟 의류에 대한 구매 만족도 데이터를 기초로 제2 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자와 유사한 핏 데이터를 가진 기구매자의 타겟 의류에 대한 구매 만족도가 높은 경우, 기구매자가 구매한 타겟 의류의 핏 데이터를 기초로 타겟 의류의 핏 데이터를 보정하여 사용자에 대한 제2 맞춤 핏 서브데이터를 산출할 수 있다. 여기에서, 제2 맞춤 핏 서브데이터는 유사한 핏 데이터를 가진 기구매자의 구매 만족도만을 기초로 하여 산출한 핏 데이터를 의미할 수 있고 사용자 맞춤 핏 데이터의 서브데이터에 해당할 수 있다.
일 실시예에서, 맞춤 핏 데이터 산출부(320)는 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 특정 브랜드에 대한 사용자의 구매 이력이 존재하는지 여부를 검출할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터를 기초로 핏 알고리즘을 통해 사용자가 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 특정 브랜드를 구매한 적이 있는지 여부를 검출하고, 구매한 적이 있다면 특정 브랜드에 대한 사용자의 구매 만족도를 분석하여 제3 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 특정 브랜드의 의류에 대한 사용자의 구매 만족도가 높은 경우 특정 브랜드의 핏 데이터를 기초로 타겟 의류의 핏 데이터를 보정하여 제3 맞춤 핏 서브데이터로 산출할 수 있다. 여기에서, 제3 맞춤 핏 서브데이터는 사용자 맞춤 핏 데이터의 서브데이터에 해당할 수 있고, 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 특정 브랜드에 대한 사용자 만족도만을 기초로하여 산출한 핏 데이터를 의미할 수 있다.
일 실시예에서, 맞춤 핏 데이터 산출부(320)는 타겟 의류와 유사한 핏 데이터를 가진 다른 특정 의류에 대한 사용자의 구매이력을 검출할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 사용자 핏 데이터를 기초로 핏 알고리즘을 통해 사용자가 타겟 의류와 유사한 핏 데이터를 가진 다른 특정 의류를 구매한 적이 있는지 여부를 검출하고, 구매한 적이 있다면 검출된 특정 의류에 대한 사용자의 구매 만족도를 분석하여 제4 맞춤 핏 서브데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 타겟 의류와 유사한 핏 데이터를 가진 특정 의류에 대한 사용자의 구매 만족도가 높은경우 특정 의류의 핏 데이터를 기초로 타겟 의류의 핏 데이터를 보정하여 제4 맞춤 핏 서브데이터를 산출할 수 있다. 여기에서, 제4 맞춤 핏 서브데이터는 사용자 맞춤 핏 데이터의 서브데이터로서 타겟 의류와 유사한 핏 데이터를 가진 특정 의류에 대한 사용자의 구매 만족도만을 기초로 산출된 핏 데이터에 해당할 수 있다.
일 실시예에서, 맞춤 핏 데이터 산출부(320)는 산출된 제1 내지 제4 맞춤 핏 서브데이터들 각각에 가중치를 부여할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 머신러닝을 통해 사용자의 실제 구매 데이터를 분석하여 핏 알고리즘을 지속적으로 학습시키고 학습된 핏 알고리즘을 기초로 산출된 제1 내지 제4 맞춤 핏 서브데이터들 각각에 가중치를 부여할 수 있다. 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 학습된 핏 알고리즘을 기초로 사용자 핏 데이터를 반복적으로 업데이트할 수 있고, 업데이트 된 사용자 핏 데이터를 기초로 제1 및 제4 맞춤 핏 서브데이터들 각각에 가중치를 부여할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자의 타겟 의류와 유사한 핏 데이터를 가진 특정 의류를 구매한 이력 및 구매 만족도가 타겟 의류와 유사한 핏 데이터를 가진 특정 브랜드를 구매한 이력 및 구매 만족도 보다 많거나 높은 경우, 제4 맞춤 핏 서브데이터의 가중치를 제3 맞춤 핏 서브데이터의 가중치보다 높게 부여할 수 있다. 맞춤 핏 데이터 산출부(320)는 각각의 가중치에 대한 가중합을 통해 사용자 맞춤 핏 데이터를 산출할 수 있다. 여기에서, 가중합은 복수의 데이터를 단순히 합하는 것이 아니라 각각의 수에 어떤 가중치 값을 곱한 후 이 곱셈 결과들을 다시 합한 것을 의미할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자 신체 사이즈 데이터가 없는 경우 제1 맞춤 핏 서브데이터의 가중치를 0으로 하고 나머지 제2 내지 제4 맞춤 핏 서브데이터 각각에 일정 가중치를 곱하고 다시 합산하여 사용자 맞춤 핏 데이터를 산출할 수 있다. 예를 들어, 맞춤 핏 데이터 산출부(320)는 사용자의 허리 치수에 대해서 각각 제1 내지 제4 맞춤 핏 서브데이터에서 산출된 치수들에 대해 가중합을 수행한 결과를 사용자 맞춤 핏 데이터로 결정할 수 있다.
일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자의 IP 주소(Internet Protocol Address)를 분석하고 IP 주소에 해당하는 지역의 핏 트렌드를 분석하여 이를 기초로 사용자 맞춤 핏 데이터를 산출할 수 있다. 여기에서, 핏 트렌드(fit trend)는 핏(fit)에 대한 시대의 추세, 조류, 유행을 의미할 수 있다. 보다 구체적으로, 맞춤 핏 데이터 산출부(320)는 데이터베이스(130)로부터 사용자 IP 주소를 수신하여 사용자의 지역을 검출하고 지역의 핏 트렌드의 데이터를 수집하고 분석할 수 있다. 맞춤 핏 데이터 산출부(320)는 사용자 지역의 핏 트렌드 데이터를 수집하여 타겟 의류 및 사용자의 핏 데이터와 비교하고 분석하여 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출할 수 있다.
타겟 의류 핏 추천부(330)는 사용자 맞춤 핏 데이터를 기초로 사용자에게 최적의 타겟 의류의 핏을 추천할 수 있다. 보다 구체적으로, 타겟 의류 핏 추천부(330)는 맞춤 핏 데이터 산출부(320)로부터 사용자 맞춤 핏 데이터를 받아 타겟 의류와 함께 사용자에게 제공할 수 있다.
제어부(340)는 프로세서(210)의 동작 전반을 제어할 수 있고, 핏 데이터 수신부(310), 맞춤 핏 데이터 산출부(320) 및 타겟 의류 핏 추천부(330)간의 데이터 흐름을 제어할 수 있다.
도 4는 도 1에 있는 머신러닝 기반의 의류 핏 추천 장치의 머신러닝 기반의 의류 핏 추천 방법을 보여주는 흐름도이다.
머신러닝 기반의 의류 핏 추천 장치(110)는 핏 데이터 수신부(310)를 통해 사용자 핏 데이터 및 사용자 단말(120)로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신할 수 있다(단계 S410).
머신러닝 기반의 의류 핏 추천 장치(110)는 맞춤 핏 데이터 산출부(320)를 통해 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 기초로 머신러닝 기반의 핏 알고리즘을 통해 타겟 의류의 사용자 맞춤 핏 데이터를 산출할 수 있다(단계 S420). 일 실시예에서, 맞춤 핏 데이터 산출부(320)는 사용자의 실제 구매 데이터를 통해 핏 알고리즘을 지속적으로 학습시키고 학습된 핏 알고리즘을 기초로 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 반복적으로 업데이트 할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류 추천부(430)를 통해 맞춤 핏 데이터를 기초로 사용자에게 최적의 타겟 의류 핏을 추천할 수 있다(단계 S430).
도 5는 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 방법론을 보여주는 도면이다.
일 실시예에서, 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자를 타겟 상품의 구매 희망자로 하여 구매 희망자에 대한 핏 데이터와 타겟 상품의 핏 데이터를 핏 알고리즘을 통해 분석하여 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출하여 추천할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 구매희망자의 신체 사이즈 데이터를 기초로 타겟 의류의 핏 데이터와 비교 분석하여 제1 맞춤 핏 서브데이터를 얻을 수 있다(shopper and garment data combined) 머신러닝 기반의 의류 핏 추천 장치(110)는 핏 알고리즘을 통해 구매희망자와 유사한 특성(즉, 핏 데이터)을 가진 구매 경험자의 경험을 기초로 타겟 의류를 분석하여 제2 맞춤 핏 서브데이터를 얻을 수 있다(body double approach). 머신러닝 기반의 의류 핏 추천 장치(110)는 핏 알고리즘을 통해 구매희망자가 기존에 구매했던 브랜드와 타겟 의류의 브랜드를 비교하여 제3 맞춤 핏 서브데이터를 얻을 수 있다(brand comparison). 머신러닝 기반의 의류 핏 추천 장치(110)는 구매희망자가 구매한 기구매의류와 타겟 의류의 핏 데이터를 직접 비교하여 제4 맞춤 핏 서브데이터를 얻을 수 있다(measurement comparison). 머신러닝 기반의 의류 핏 추천 장치(110)는 핏 알고리즘을 통해 위에서 산출된 제1 내지 제4 맞춤 핏 서브데이터들에 가중치를 각각 부여하고 가중합을 통해 사용자 맞춤 핏 데이터를 산출하고 사용자에게 추천할 수 있다.
도 6은 일 실시예에 따른 머신러닝 기반의 의류 핏 추천 장치의 맞춤 핏 데이터 산출 과정을 보여주는 도면이다.
머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 쿠키의 hash ID를 분석하여 사용자 ID(identification)가 존재하지 않는 경우 IP 분석 및 지역 트렌드 분석을 통해 사용자에게 타겟 의류에 대한 사용자 맞춤 핏 데이터를 기초로 의류 핏을 추천할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자 ID가 존재하는 경우 사용자의 신체 사이즈 데이터가 존재하는지 여부를 판단하고 신체 사이즈가 존재하지 않는 경우 제1 맞춤 핏 서브데이터에 대한 가중치를 0으로 결정하고, 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 사용자의 기구매 브랜드가 존재하는지 여부를 판단할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 사용자의 신체 사이즈 데이터가 존재하는 경우 사용자의 신체사이즈와 타겟의류를 비교하여 제1 맞춤 핏 서브데이터를 산출할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류에 대한 사용자와 유사한 핏 데이터를 가진 기구매자가 존재하는지 여부를 판단하고 존재하지 않는 경우 제2 맞춤 핏 서브데이터의 가중치를 0으로 결정하고, 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 사용자의 다른 기구매 브랜드가 존재하는지 여부를 판단할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 유사 핏 데이터를 가진 기구매자가 존재하는 경우 기구매자의 구매 만족도를 분석하여 제2 맞춤 핏 서브데이터를 산출할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 사용자의 다른 기구매 브랜드가 존재하지 않는 경우 제3 맞춤 핏 서브데이터의 가중치를 0으로 결정하고, 타겟 의류와 유사한 핏 데이터를 가진 사용자가 구매한 다른 특정 의류가 존재하는 지여부를 판단할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 유사 핏 데이터를 가진 사용자의 다른 기구매 브랜드가 존재하는 경우 사용자의 다른 기구매 브랜드에 대한 구매 만족도를 분석하여 제3 맞춤 핏 서브데이터를 산출할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 타겟 의류와 유사한 핏 데이터를 가진 사용자가 구매한 다른 특정 의류가 존재하는지 여부를 판단하고 존재하지 않는 경우 제4 맞춤 핏 서브데이터의 가중치를 0으로 결정하고, 제1 내지 제3 맞춤 핏 서브데이터의 가중합을 통해 사용자 맞춤 핏 데이터를 산출할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 유사 핏 데이터를 가진 사용자가 구매한 다른 특정 의류가 존재하면 사용자의 구매 만족도를 분석하여 제4 맞춤 핏 서브데이터를 산출할 수 있다. 머신러닝 기반의 의류 핏 추천 장치(110)는 산출된 제1 내지 제4 맞춤 핏 서부데이터들의 가중합을 통해 사용자 맞춤 핏 데이터를 산출할 수 있다.
머신러닝 기반의 의류 핏 추천 장치(110)는 상기 과정을 통해 도출된 사용자 맞춤 핏 데이터를 기초로 사용자에게 타겟 의류에 대한 최적의 핏을 추천할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 머신러닝 기반의 의류 핏 추천 시스템
110: 머신러닝 기반의 의류 핏 추천 장치
120: 사용자 단말 130: 데이터베이스
210: 프로세서 220: 메모리
230: 사용자 입출력부 240: 네트워크 입출력부
310: 핏 데이터 수신부 320: 맞춤 핏 데이터 산출부
330: 타겟 의류 핏 추천부
340: 제어부

Claims (9)

  1. 사용자 핏 데이터 및 사용자 단말로부터 사용자가 선택한 타겟 의류의 핏 데이터를 수신하는 핏 데이터 수신부;
    상기 사용자 핏 데이터 및 상기 타겟 의류의 핏 데이터를 기초로 핏 알고리즘을 통해 상기 타겟 의류에 대한 사용자 맞춤 핏 데이터를 산출하는 맞춤 핏 데이터 산출부; 및
    상기 사용자 맞춤 핏 데이터를 기초로 상기 사용자에게 상기 타겟 의류의 핏을 추천하는 타겟 의류 핏 추천부를 포함하는 머신러닝 기반의 의류 핏 추천 장치.
  2. 제1항에 있어서, 상기 맞춤 핏 데이터 산출부는
    상기 사용자의 신체 사이즈를 검출하고, 상기 검출된 사용자의 신체 사이즈를 기초로 상기 타겟 의류의 핏 데이터를 분석하여 제1 맞춤 핏 서브데이터를 산출하는 것을 특징으로 하는 머신러닝 기반의 의류 핏 추천 장치.
  3. 제2항에 있어서, 상기 맞춤 핏 데이터 산출부는
    상기 타겟 의류에 대한 상기 사용자와 유사한 핏 데이터를 가진 기구매자가 존재하는지 검출하고, 상기 검출된 기구매자의 구매 만족도 데이터를 기초로 제2 맞춤 핏 서브데이터를 산출하는 것을 특징으로 하는 머신러닝 기반의 의류 핏 추천 장치.
  4. 제3항에 있어서, 상기 맞춤 핏 데이터 산출부는
    상기 타겟 의류의 브랜드와 유사한 핏 데이터를 가진 다른 특정 브랜드에 대한 상기 사용자의 구매이력을 검출하고, 상기 검출된 다른 특정 브랜드에 대한 상기 사용자의 구매 만족도 데이터를 기초로 제3 맞춤 핏 서브데이터를 산출하는 것을 특징으로 하는 머신러닝 기반의 의류 핏 추천 장치.
  5. 제4항에 있어서, 상기 맞춤 핏 데이터 산출부는
    상기 타겟 의류와 유사한 핏 데이터를 가진 다른 특정 의류에 대한 상기 사용자의 구매이력을 검출하고, 상기 검출된 다른 특정 의류에 대한 상기 사용자의 구매 만족도를 기초로 제4 맞춤 핏 서브데이터를 산출하는 것을 특징으로 하는 머신러닝 기반의 의류 핏 추천 장치.
  6. 제5항에 있어서, 상기 맞춤 핏 데이터 산출부는
    상기 산출된 제1 내지 제4 맞춤 핏 서브데이터 각각에 가중치를 부여하고 상기 가중치에 대한 가중합을 통해 상기 사용자 맞춤 핏 데이터를 산출하는 것을 특징으로 하는 머신러닝 기반의 의류 핏 추천 장치.
  7. 제1항에 있어서, 상기 맞춤 핏 데이터 산출부는
    상기 사용자의 IP 주소(Internet Protocol Address)를 분석하고 상기 IP 주소에 해당하는 지역의 핏 트렌드를 분석하여 상기 핏 트렌드를 기초로 상기 사용자 맞춤 핏 데이터를 산출하는 것을 특징으로 하는 머신러닝 기반의 의류 핏 추천 장치.
  8. 제1항에 있어서, 상기 맞춤 핏 데이터 산출부는
    상기 사용자의 실제 구매 데이터를 통해 상기 핏 알고리즘을 지속적으로 학습시키고 학습된 상기 핏 알고리즘을 기초로 상기 사용자 핏 데이터를 반복적으로 업데이트하는 것을 특징으로 하는 머신러닝 기반의 의류 핏 추천 장치.
  9. 사용자 단말로부터 사용자 핏 데이터 및 타겟 의류의 핏 데이터를 수신하는 단계;
    상기 사용자 핏 데이터로부터 사용자의 신체 사이즈를 검출하고 상기 신체 사이즈를 기초로 제1 맞춤 핏 서브데이터를 산출하는 단계;
    상기 타겟 의류에 대한 상기 사용자와 유사한 핏 데이터를 가지는 기구매자의 구매 만족도 데이터를 기초로 제2 맞춤 핏 서브데이터를 산출하는 단계;
    상기 타겟 의류의 브랜드와 유사한 핏 데이터를 가지는 특정 브랜드에 대한 사용자의 구매 만족도 데이터를 기초로 제3 맞춤 핏 서브데이터를 산출하는 단계;
    상기 타겟 의류와 유사한 핏 데이터를 가진 특정 의류에 대한 상기 사용자의 구매 만족도를 기초로 제4 맞춤 핏 서브데이터를 산출하는 단계; 및
    상기 산출된 제1 내지 제4 맞춤 핏 서브데이터 각각에 가중치를 부여하고 상기 가중치에 대한 가중합을 통해 사용자 맞춤 핏 데이터를 산출하는 단계를 포함하는 머신러닝 기반의 의류 핏 추천 방법.
KR1020180120465A 2018-10-10 2018-10-10 머신러닝 기반의 의류 핏 추천 장치 KR102319997B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180120465A KR102319997B1 (ko) 2018-10-10 2018-10-10 머신러닝 기반의 의류 핏 추천 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180120465A KR102319997B1 (ko) 2018-10-10 2018-10-10 머신러닝 기반의 의류 핏 추천 장치

Publications (2)

Publication Number Publication Date
KR20200044197A true KR20200044197A (ko) 2020-04-29
KR102319997B1 KR102319997B1 (ko) 2021-11-01

Family

ID=70466527

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180120465A KR102319997B1 (ko) 2018-10-10 2018-10-10 머신러닝 기반의 의류 핏 추천 장치

Country Status (1)

Country Link
KR (1) KR102319997B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102425831B1 (ko) * 2022-01-07 2022-07-28 주식회사 이로스타일 사용자의 신발 제작을 위해 라스트 또는 신발의 수치 정보를 사용자에게 제공하는 장치, 방법 및 프로그램
KR102493412B1 (ko) * 2022-02-04 2023-02-08 홍태원 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020067507A (ko) 2000-08-23 2002-08-22 코닌클리케 필립스 일렉트로닉스 엔.브이. 한 벌의 옷을 선택하기 위해 추천을 발생시키는 방법 및시스템
KR20130128265A (ko) * 2012-05-16 2013-11-26 전성일 사용자 맞춤형 모바일 의류 정보 제공 방법, 서버 및 컴퓨터 판독 가능한 기록 매체
KR20140015736A (ko) * 2012-07-23 2014-02-07 김인기 온라인 쇼핑몰 시스템에서 소비자별 맞춤 치수정보 제공 방법 및 장치
KR20150036128A (ko) * 2012-07-20 2015-04-07 알리바바 그룹 홀딩 리미티드 의류 제품 추천 방법 및 장치
KR20160143697A (ko) * 2014-04-11 2016-12-14 미테일 리미티드 의류 치수 추천 및 핏 분석 시스템 및 방법
KR20170016578A (ko) 2015-08-04 2017-02-14 주식회사 엘지유플러스 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법
KR101762875B1 (ko) * 2016-03-22 2017-07-28 최윤내 큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020067507A (ko) 2000-08-23 2002-08-22 코닌클리케 필립스 일렉트로닉스 엔.브이. 한 벌의 옷을 선택하기 위해 추천을 발생시키는 방법 및시스템
KR20130128265A (ko) * 2012-05-16 2013-11-26 전성일 사용자 맞춤형 모바일 의류 정보 제공 방법, 서버 및 컴퓨터 판독 가능한 기록 매체
KR20150036128A (ko) * 2012-07-20 2015-04-07 알리바바 그룹 홀딩 리미티드 의류 제품 추천 방법 및 장치
KR20140015736A (ko) * 2012-07-23 2014-02-07 김인기 온라인 쇼핑몰 시스템에서 소비자별 맞춤 치수정보 제공 방법 및 장치
KR20160143697A (ko) * 2014-04-11 2016-12-14 미테일 리미티드 의류 치수 추천 및 핏 분석 시스템 및 방법
KR20170016578A (ko) 2015-08-04 2017-02-14 주식회사 엘지유플러스 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법
KR101762875B1 (ko) * 2016-03-22 2017-07-28 최윤내 큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102425831B1 (ko) * 2022-01-07 2022-07-28 주식회사 이로스타일 사용자의 신발 제작을 위해 라스트 또는 신발의 수치 정보를 사용자에게 제공하는 장치, 방법 및 프로그램
KR20230107092A (ko) * 2022-01-07 2023-07-14 주식회사 이로스타일 인공지능을 이용해 사용자에게 적합한 신발 수치 정보를 제공하는 장치, 방법 및 프로그램
KR20230107093A (ko) * 2022-01-07 2023-07-14 주식회사 이로스타일 사용자에게 적합한 라스트 수치 정보를 제공하는 장치, 방법 및 프로그램
KR102493412B1 (ko) * 2022-02-04 2023-02-08 홍태원 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버

Also Published As

Publication number Publication date
KR102319997B1 (ko) 2021-11-01

Similar Documents

Publication Publication Date Title
US10430859B2 (en) System and method of generating a recommendation of a product or service based on inferring a demographic characteristic of a customer
KR101972285B1 (ko) 이미지 평가 기법
US20120030062A1 (en) Enabling proxy shopping
WO2017218651A1 (en) Vector-based characterizations of products and individuals with respect to customer service agent assistance
CN103140868A (zh) 基于历史数据确定适用性的可能性
JP2018063484A (ja) ユーザ評価予測システム、ユーザ評価予測方法及びプログラム
US9817846B1 (en) Content selection algorithms
WO2019226933A1 (en) Personalized recommendations for unidentified users based on web browsing context
WO2016069815A1 (en) Interrogation of mean field system
CA3038124A1 (en) Vendor payment sharing system
GB2591583A (en) Machine learning for digital image selection across object variations
KR101740148B1 (ko) 고객의 오프라인활동 데이터에 기반한 온라인쇼핑상품 추천방법
EP3427213A1 (en) License recommendation service
US20230360078A1 (en) Intelligent and interactive shopping engine
KR102319997B1 (ko) 머신러닝 기반의 의류 핏 추천 장치
US11157562B2 (en) Determining apparel-based recommendations for a user
JP6775484B2 (ja) 算出装置、算出方法、及び算出プログラム
KR102439476B1 (ko) 전자상거래에서 상품의 가상 체험을 지원하기 위한 3d 모델의 사용을 허여하는 방법 및 장치, 및 오픈 마켓 서버에서 상품과 3d 모델을 연관시켜 웹 페이지에 등록하는 방법 및 상기 방법을 사용하는 장치
Peker et al. mRHR: a modified reciprocal hit rank metric for ranking evaluation of multiple preferences in top-N recommender systems
KR20190073846A (ko) 정형 또는 비정형 데이터 분석을 통한 온라인쇼핑몰의 맞춤형 큐레이팅 방법
KR102270381B1 (ko) 소비자 데이터 기반의 쇼핑 인터페이스 제공 방법 및 그 장치
JP6809148B2 (ja) プログラムおよび組み合わせ抽出システム
JP7092845B2 (ja) 情報処理装置および情報処理方法
KR102512371B1 (ko) 온라인 의류 판매 시스템
KR102563130B1 (ko) 상품페이지 제공 장치 및 상품페이지 제공 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant