KR20200108058A - 추천 장치 및 방법 - Google Patents

Abstract

고객이 주문할 필요가 있을 수 있는 상품 및/또는 고객이 주문하기를 잊었을 수 있는 아이템에 대한 추천을 제공하기 위한 장치 및 방법이 제공된다. 본 발명에 따르면, 상품 정보 데이터베이스, 상품 유사도 데이터베이스, 고객 구입 이력 데이터베이스 및 고객 주문 데이터베이스와 통신하도록 구성되는 추천 유닛이 제공된다. 추천 유닛은, 상품 정보 데이터베이스에 저장된 상품에 대한 정보와 상품 정보 데이터베이스에 저장된 적어도 하나의 다른 상품에 대한 정보 사이의 적어도 하나의 유사도를 결정하도록 구성되고, 적어도 하나의 결정된 유사도를 상품 유사도 데이터베이스에 저장하도록 구성되는 결정 유닛을 포함한다. 추천 유닛은, 고객 구입 이력 데이터베이스에 저장된, 각 고객에 의해 이전에 구입된 상품에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 상기 적어도 하나의 결정된 유사도에 대한 정보에 기반하여 모델을 훈련시키도록 구성되는 훈련 유닛 및 상기 고객 주문 데이터베이스에 저장된, 고객의 현재 주문에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 결정된 유사도에 대한 정보에 기반하여, 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 생성하도록 구성되는 유사도 유닛을 더 포함한다. 추천 유닛은 훈련된 모델을 사용하여, 생성된 적어도 하나의 유사한 상품 각각에 대하여, 고객이 상기 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 추가하는 것을 잊었을 확률을 계산하도록 구성되는 계산 유닛을 더 포함한다.

Description

추천 장치 및 방법

본 출원은 그 전체 내용이 본 명세서에 원용에 의해 통합되는 2018 년 1 월 25 일에 출원된 영국 특허 출원 번호 GB1801228.6에 대한 우선권을 주장한다.

또한, 본 출원은 그 전체 내용이 본 명세서에 원용에 의해 통합되는 2018 년 3 월 2 일에 출원된 영국 특허 출원 번호 GB1803405.8에 대한 우선권을 주장한다.

본 발명은 일반적으로 온라인 쇼핑 분야에 관한 것이고, 특히 적어도 하나의 상품을 고객에게 추천하기 위한 장치 및 방법에 관한 것이다.

전자 상거래를 수행하기 위해 인터넷을 사용하는 것이 잘 알려져 있다. 이제 많은 소매업자들이 상품을 온라인에서 광고하고 판매한다. 인터넷을 통해 구매자에게 전자적으로 전달되는 상품, 예를 들어 음악을 포함하는 광범위한 상품을 온라인으로 구입할 수 있다. 이와 유사하게, 물리적 상품, 예를 들어 책이 온라인으로 주문되고 종래의 유통 수단을 사용하여 배달될 수 있다. 회사들은 통상적으로 그들의 카탈로그의 전자 버전을 셋업하고, 이것은 이용가능한 상품의 목록과 함께 서버 컴퓨터 시스템에 호스팅된다. 고객은 스마트 폰에서 인터넷 브라우저 및/또는 모바일 애플리케이션을 사용하여 카탈로그를 브라우징하고 구입가능한 다양한 상품을 선택할 수 있다. 고객이 구입할 상품의 선택을 완료하면, 서버 컴퓨터 시스템은 고객에게 상품의 주문을 완료할 정보를 입력하게 한다. 이러한 구매자-특이적 주문 정보는 구매자의 이름, 구매자의 신용 카드 번호, 및 해당 주문에 대한 배송 주소를 포함할 수 있다. 그러면 서버 컴퓨터 시스템은 통상적으로 웹페이지/모바일 애플리케이션 페이지를 클라이언트 컴퓨터 시스템에 전송함으로써 주문을 확정하고 상품의 발송을 스케줄링한다.

전자 카탈로그로부터 다양한 상품을 선택하는 것은 통상적으로 가상 장바구니의 모델에 기반한다. 구매자가 전자 카탈로그에서 상품을 선택하면, 서버 컴퓨터 시스템은 이러한 상품을 가상 장바구니에 비유적으로 추가한다. 구매자가 상품의 선택을 마치면, 장바구니에 있는 모든 상품이 "체크아웃되고(checked out)"(즉, 주문되고), 이 시점에서 구매자는 결제 및 배송 정보를 제공한다. 일부 모델에서는, 구매자가 임의의 하나의 상품을 선택하면, 그러면 해당 상품은 고객이 결제 및 배송 정보를 입력하도록 자동으로 촉구함으로써 "체크아웃된다".

비록 온라인 쇼핑이 오프라인 쇼핑에 비하여 편의성과 상품의 범위와 같은 여러 장점을 가지지만, 온라인 쇼핑에도 다음과 같이 여러 단점이 존재한다:

주문이 배달되기 위해서는 적어도 수 시간이 걸리는 반면에(또는 심지어 하루 종일이 소요됨), 물리적 상점의 상품은 고객이 상점에 걸어 들어간 후에 즉시 구입가능하다. 이것은, 고객이 원하는 상품을 즉시 가질 필요가 있으면, 오프라인 상점을 사용하여야 한다는 것을 의미한다. 온라인으로 쇼핑하는 고객은 이러한 상황을 피하기 위해서 그들이 원할 것을 사전에 계획하려고 시도한다; 그리고

고객에게는 배송비가 청구된다. 이러한 배송비를 상환하기 위하여, 온라인 고객은 오프라인에서의 전통적인 상점과 비교할 때 더 큰 주문을 하는 경향이 있을 것이다.

가끔, 온라인 고객은 일부 상품을 가상 장바구니에 추가하는 것을 잊을 수 있다. 이러한 경우에서, 고객은 다른 온라인 주문을 할 수 있지만, 고객은 해당 상품의 배달을 위해 더 오래 기다리기를 원하지 않을 것이고, 단일 상품/많은 상품의 비용은 배송료를 보상하기에는 충분하지 않을 것이다. 그러므로, 고객은 잊은 상품을 오프라인 상점에서 전통적인 방식으로 쇼핑해야 하게 될 것이다.

물리적 상점은 통상적으로, 온라인 소매업자와 비교할 때 좁은 범위의 상품을 가지고, 그러므로, 고객이 온라인으로 주문하는 것을 잊은 상품이 그들의 로컬 상점에서는 구입할 수 없는 경우가 생길 수 있고, 이것은 더 열악한 고객 경험이 생기게 한다.

이러한 상황은 적어도 두 가지 방식으로 온라인 소매업자에게 부정적이다:

(작은 이유) 평균 가상 장바구니 크기가 작아진다; 그리고

(큰 이유) 고객이 다음에 온라인으로 쇼핑할 가능성이 적어질 수 있다.

통상적 온라인 쇼핑 경험에서는, 고객은 상이한 단계의 쇼핑 경험을 거치도록 요구된다. 우선, 고객은 온라인 상점의 카탈로그를 브라우징하고 상품을 가상 장바구니에 추가한다. 상품을 구입하려면 고객은 가상 체크아웃으로 진행해야 한다.

통상적으로, 상품 추천이 체크아웃 이전에, 고객이 좋아하지만 이전에는 구입한 바 없는 상품을 제시함으로써 디스플레이된다. 결과적으로, 평균 장바구니 크기가 증가될 수 있고, 매일 고객당 평균 구매액이 증가되며, 고객에 의해 구입된 상품의 범위가 확장된다.

"다수 사용자에 대한 개별 거래 데이터의 클러스터링(Clustering Individual Transactional Data for Masses of Users)" (http://www.kdd.org/kdd2017/papers/view/clustering-individual-transactional-data-for-masses-of-users)에서, 가상 장바구니에 추가되어야 하는 상품의 타입을 추천하는 개인용 어시스턴트가 제안된다. 이것은 고객 쇼핑 이력 및 장바구니의 현재 콘텐츠에 기반하여 이루어진다. 그러나, 상품의 타입이 아니라, 가상 장바구니에 추가될 구체적인 상품을 예측하도록 이러한 논문을 적응시키는 것을 어렵다.

더욱이, 통상적인 상품 추천 솔루션 및 "다수 사용자에 대한 개별 거래 데이터의 클러스터링" 양자 모두에는 여러 문제가 있으며, 특히, "다수 사용자에 대한 개별 거래 데이터의 클러스터링"는 고객에 의해 이미 구입된 바 있는 상품만을 제안한다.

예를 들어, 고객이 멕시코 음식용 조미료를 쇼핑하고 있고, 가상 장바구니에 도띨라를 추가하는 것을 잊었는데, 이전에 도띨라를 구입한 적이 없으면, 도띨라는 고객에게 추천되지 않을 것이다.

"다수 사용자에 대한 개별 거래 데이터의 클러스터링"는 "우유" 또는 "빵"과 같은 상품 타입만을 고객에게 추천한다. 이것이 유용하지만, 고객에게 유용한 정보인, 어떤 특정 상품이 추천되어야 하는지에 대해서는 말해주지 않는다.

양자 모두의 솔루션은 시장 및 계절적 변동에 대한 경향을 고려하지 않는다. 고객이 크리스마스 기간에만 칠면조를 쇼핑한다면, 이러한 특정 상품은 다음 크리스마스 이전에는 고객에게 디스플레이될 가능성이 매우 낮다.

공지된 추천 시스템에서의 문제점을 고려하여, 본 발명은 고객이 주문할 필요가 있을 수 있는 상품 및/또는 고객이 주문하기를 잊었을 수 있는 상품에 대한 추천을 제공하기 위한 장치 및 방법을 제공하는 것을 목적으로 한다.

본 발명에 따르면, 상품 정보 데이터베이스, 상품 유사도 데이터베이스, 고객 구입 이력 데이터베이스 및 고객 주문 데이터베이스와 통신하도록 구성되는 추천 유닛이 제공된다. 추천 유닛은, 상품 정보 데이터베이스에 저장된 상품에 대한 정보와 상품 정보 데이터베이스에 저장된 적어도 하나의 다른 상품에 대한 정보 사이의 적어도 하나의 유사도를 결정하도록 구성되고, 적어도 하나의 결정된 유사도를 상품 유사도 데이터베이스에 저장하도록 구성되는 결정 유닛을 포함한다. 추천 유닛은, 고객 구입 이력 데이터베이스에 저장된, 각 고객에 의해 이전에 구입된 상품에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 상기 적어도 하나의 결정된 유사도에 대한 정보에 기반하여 모델을 훈련시키도록 구성되는 훈련 유닛 및 상기 고객 주문 데이터베이스에 저장된, 고객의 현재 주문에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 결정된 유사도에 대한 정보에 기반하여, 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 생성하도록 구성되는 유사도 유닛을 더 포함한다. 추천 유닛은 훈련된 모델을 사용하여, 생성된 적어도 하나의 유사한 상품 각각에 대하여, 고객이 상기 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 추가하는 것을 잊었을 확률을 계산하도록 구성되는 계산 유닛을 더 포함한다.

상품 정보 데이터베이스, 상품 유사도 데이터베이스, 고객 구입 이력 데이터베이스, 고객 주문 데이터베이스, 및 전술된 바와 같은 추천 유닛을 포함하는, 추천 시스템도 제공된다.

추천을 제공하기 위한 방법도 제공된다. 이러한 방법은, 상품 정보 데이터베이스에 저장된 상품에 대한 정보와 상기 상품 정보 데이터베이스에 저장된 적어도 하나의 다른 상품에 대한 정보 사이의 적어도 하나의 유사도를 결정하는 단계, 적어도 하나의 결정된 유사도를 상품 유사도 데이터베이스에 저장하는 단계, 고객 구입 이력 데이터베이스에 저장된, 각 고객에 의해 이전에 구입된 상품에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 상기 적어도 하나의 결정된 유사도에 대한 정보에 기반하여 모델을 훈련시키는 단계, 고객 주문 데이터베이스에 저장된, 고객의 현재 주문에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 결정된 유사도에 대한 정보에 기반하여, 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 생성하는 단계, 및 훈련된 모델을 사용하여, 생성된 적어도 하나의 유사한 상품 각각에 대하여, 고객이 상기 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 추가하는 것을 잊었을 확률을 계산하는 단계를 포함한다.

본 발명의 실시예가 오직 예시를 통하여, 유사한 참조 번호가 동일하거나 대응하는 부분을 표시하는 첨부된 도면을 참조하여 이제 설명될 것이다.
도 1은 본 발명의 제 1 실시예에 따른 추천 유닛의 개략도를 도시한다.
도 2는 본 발명의 제 1 실시예에 의해 수행되는 방법의 흐름도를 도시한다.

제 1 실시예

도 1은 본 발명의 제 1 실시예에 따른 추천 유닛(100)을 도시한다. 이러한 실시예에서, 추천 유닛(100)은 여러 데이터베이스와 통신하도록 구현된다. 좀 더 구체적으로는, 추천 유닛(100)은 상품 정보 데이터베이스(200), 상품 유사도 데이터베이스(300), 고객 구입 이력 데이터베이스(400) 및 고객 주문 데이터베이스(500)와 통신하도록 구현된다. 선택적으로, 추천 유닛(100)은 고객 선호사항 데이터베이스(600)와 통신하도록 구현될 수 있다.

상품 정보 데이터베이스(200)는 온라인 상점(600)에서 판매를 위해 제공된 상품과 관련된 다양한 데이터를 저장하도록 구현된다. 예를 들어, 상품 정보 데이터베이스(200)는 다음 중 적어도 하나를 저장할 수 있다: 상품 성분(ingredient), 상품 명칭, 상품의 라벨에 상세히 설명된 상품 정보, 상품의 제조사에 의해 상품에 지정된 태그/정보 및 상품의 리셀러 및/또는 유통업자에 의해 상품에 지정된 태그/정보.

예를 들어, 상품이 음식 상품이라면 상품의 라벨에 표시된 성분 목록이 데이터베이스에 저장될 수 있다. 더욱이, 제조사/리셀러/유통업자는 상품의 라벨에 표시될 수도 표시되지 않을 수도 있고 상품에 태깅된, 상품에 관련된 다른 정보를 저장할 수 있다. 예를 들어, 상품이 무글루텐 상품인지, 채식주의자에게 적합한지 또는 유대교 율법에 따른 것인지이다. 이해될 수 있는 것처럼, 다양한 다른 타입의 상품 정보도 상품 정보 데이터베이스(200)에 저장될 수 있다.

상품 유사도 데이터베이스(300)는 상품 정보 데이터베이스(200)에 저장된 상품들 사이의 식별된 유사도를 저장하도록 구현된다. 예를 들어, 상품 정보 데이터베이스(200)가 하나의 케첩 상품 및 하나의 머스터드 상품에 대한 정보를 저장하면, 상품 유사도 데이터베이스(300)는 두 상품이 "유사하다(similar)"는, 다르게 말하면 이들이 동일한 카테고리 내의 유사한 상품에 관련된다는, 이러한 경우에는 두 상품이 양자 모두 양념에 해당하고 케첩을 구입하는 고객이 보통 머스터드를 구입할 수 있다는 정보를 저장하도록 구현될 수 있다. 이와 유사하게, 상품 정보 데이터베이스(200)가 화장실 휴지 및 손 비누에 대한 정보를 저장하면, 상품 유사도 데이터베이스(300)는 고객이 화장실 휴지 및 손 비누의 '욕실 상품'을 함께 구입할 수 있기 때문에 화장실 휴지가 손 비누와 유사하다는 정보를 저장할 수 있다.

더욱이, 상품 정보 데이터베이스(200)가 회사 A에 의해 제조된 케첩 상품 및 회사 B에 의해 제조된 케첩 상품에 대한 정보를 저장하면, 두 케첩 상품은 고객에 의해 상호 교환가능하도록 사용될 수 있기 때문에 "유사하다".

고객 구입 이력 데이터베이스(400)는 각 고객 및 그들이 미리 결정된 시간 기간 동안 구매한 상품에 대한 정보를 저장하도록 구현된다. 예를 들어, 최근 6개월의 구입량이다.

고객 주문 데이터베이스(500)는 고객이 주문할 주문에 대한 정보를 저장하도록 구현된다. 다르게 말하면, 고객 주문 데이터베이스(500)는 현재 고객의 가상 장바구니에 들어 있고 고객이 구입/주문하려고 하는 상품 및 그러한 상품을 주문하기 위해서 체크아웃 프로세스를 수행할 상품에 대한 정보를 저장한다. 더욱이, 고객 주문 데이터베이스(500)는 고객의 현재 주문에 대한 정보, 예를 들어 배달이 예약된 날짜 및 시간을 이메일 주소, 폰 번호, 주소 등과 같은 고객의 특정 정보와 함께 저장할 수 있다.

선택적으로, 고객 선호사항 데이터베이스(600)가 제공된다. 고객 선호사항 데이터베이스(500)는 고객의 선호 상품에 관련된 정보를 저장하도록 구현된다. 예를 들어, 온라인 상점(600)은, 웹페이지 및/또는 모바일 애플리케이션의 스크린을 이용하여, 예컨대 고객이 회사 A가 제조한 케첩을 선호하는지 여부를 묻는 질문을 고객에게 직접적으로 물어볼 수 있다. 고객에 의해 제공된 답변이 고객 선호사항 데이터베이스(600)에 저장되고 계산된 확률을 정제하기 위해서 추천 유닛(100)에 의해 사용될 수 있다.

온라인 상점(700)은 온라인 상점(700)에 방문한 고객에 의해 선택 및/또는 구입될 수 있는 상품의 카탈로그를 제공한다. 온라인 상점(700)은 고객이 상품을 브라우징 및/또는 구입하게 하도록 임의의 개수의 상이한 수단을 활용할 수 있다. 통상적인 예는 데스크탑/랩탑 컴퓨터에서 웹 브라우저로부터 방문될 수 있는 웹페이지를 포함한다. 더욱이, 온라인 상점(700)은 모바일 디바이스용으로 특별히 설계된 웹페이지 및/또는 모바일 애플리케이션을 이용하여, 스마트 폰/태블릿과 같은 모바일 디바이스에서도 유사한 경험을 제공할 수 있다. 이해될 수 있는 것처럼, 고객이 카탈로그로부터 상품을 브라우징 및/또는 구입하게 하기 위해서 임의의 개수의 다른 기술이 활용될 수 있다.

추천 유닛(100)을 특별히 참조하면, 본 발명의 제 1 실시예의 추천 유닛(100)은 상품들 사이의 유사도를 상품 정보 데이터베이스(200)에 저장된 상품 정보에 기반하여 결정하도록 구현된다. 추천 유닛(100)은 고객이 고객 주문에 추가하는 것을 잊은 적어도 하나의 상품에 대한 확률을 계산하도록 더 구현된다.

좀 더 구체적으로는, 추천 유닛(100)은 결정 유닛(101), 훈련 유닛(102), 유사도 유닛(103) 및 계산 유닛(104)을 포함한다. 선택적으로, 추천 유닛(100)은 선택 유닛(105)을 포함할 수 있다.

결정 유닛(101)은 상품들 사이의 관계를 상품 정보에 기반하여 결정하도록 구현된다. 좀 더 구체적으로는, 결정 유닛(101)은 정보가 상품 정보 데이터베이스(200)에 저장된 상품들 사이의 유사도를 결정할 수 있고, 그 후 결정된 유사도를 상품 유사도 데이터베이스(300) 내에 저장할 수 있다. 예를 들어, 상품 정보 데이터베이스(200)는 상품 명칭, 상품 성분에 대한 정보 및/또는 제조사/유통업자/리셀러에 의해 상품에 지정된 추가 정보를 포함하는, 상이한 상품에 대한 정보를 저장할 수 있다. 상품 정보는 해당 상품의 다른 상품에 대한 유사도를 상품 정보에 기반하여 결정하도록 결정 유닛(101)에 의해 사용된다. 그러면, 결정된 유사도는 상품 유사도 데이터베이스(300)에 저장된다.

일 예로서는, 상품 정보 데이터베이스(200)는 세 상품, 예컨대 쌀("상품 1 "이라 불림), 커리 소스("상품 2 "라 불림) 및 표백제("상품 3 "이라 불림)에 대한 정보를 저장할 수 있다. 결정 유닛(101)은 각각의 상품에 대하여, 해당 상품을 상품 정보 데이터베이스(200) 내의 다른 상품과 비교하여, 상품들 사이의 유사도(존재할 경우)를 결정하도록 구현될 수 있다. 이러한 예에서, 결정 유닛(101)은 상품 1과 상품 2 사이의 유사도를 결정하는데, 그 이유는 고객이 커리 음식을 만들기 위해서 통상적으로 쌀을 구입하고 따라서 쌀과 사용하기 위해서 커리 소스를 함께 구입할 가능성이 있다는 점에서, 이들 모두가 관련된 상품이기 때문이다. 따라서, 결정 유닛(101)은, 상품 1 이 상품 2와 유사하다는 것을 상품 1 및 상품 2에 대한 정보와 함께 상품 유사도 데이터베이스(300)에 저장하도록 구현될 수 있다. 유사도를 결정하기 위하여, 결정 유닛(101)은 상품 명칭, 상품 크기, 상품 가중치, 상품 성분 및/또는 제조사/유통업자/리셀러에 의해 상품에 지정된 정보를 비교하도록 구현될 수 있다.

이와 유사하게, 결정 유닛(101)은 또한 상품 2를 검사하고 이것이 상품 1과 유사하다고 결정할 것이지만, 이러한 유사도가 상품 1을 검사할 때 이미 결정되었기 때문에, 이러한 유사도가 상품 유사도 데이터베이스(300)에 이미 저장되었으므로 이러한 결과를 무시할 수 있다. 다른 예에서, 결정 유닛(101)은 상품 정보 데이터베이스(200)에서 아직 검사되지 않은 상품들과의 유사도만을 결정하도록 구현될 수 있다.

다음으로, 결정 유닛(101)은 상품 3을 검사할 것이다. 그러나, 상품 3은 상품 1 또는 상품 2에 유사하지 않고, 따라서 상품 3에 대한 유사도 정보는 상품 유사도 데이터베이스(300)에 저장되지 않을 것이다. 이해될 수 있는 것처럼, 상품 정보는 이러한 예에서 주어진 것보다 훨씬 많은 상품을 저장할 수 있다.

그러나, 위의 예는 상품들 사이의 하나의 결정된 유사도이다. 다른 예에서, 상품 정보 데이터베이스(200)는 회사 A에 의해 제조된 케첩 상품 및 회사 B에 의해 제조된 케첩 상품에 대한 정보를 저장할 수 있다. 그러므로, 결정 유닛(101)은, 두 상품이 동일한 상품이지만 상이한 회사에 의해 제조된 것에 관련된다는 점에서, 고객에 의해 상호 교환가능하도록 사용될 수 있기 때문에, 두 케첩 상품이 "유사하다"고 결정할 수 있다.

하나의 비한정적인 예에서, 상품 유사도는 신경망을 사용하여 발견된다. 신경망은 상품들을 실수의 다차원 벡터로 매핑하기 위하여 사용될 수 있다(임베딩이라고 불림). 각각의 벡터(상품)에 대하여, 벡터가 D 차원의 공간 내의 포인트이기 때문에 거리에 있어서 근접한 다른 벡터(상품)가 발견된다.

본 발명의 발명자들은, 바람직하게도, 결정 유닛(101)에 의해 수행되는 동작이 "오프라인"으로, 즉 주문을 하는 특정 고객과 별개로 수행될 수 있다는 것을 발견했다. 이러한 방식으로, 고객이 주문할 상품과 무관하게, 상품 유사도 데이터베이스(300) 내의 유사도는 고객과의 상호작용이 필요 없이 저장될 수 있다. 더욱이, 상품 유사도 데이터베이스(300) 내의 유사도의 목록이 형성되면, 유사도는 상품이 변하거나 새로운 상품이 추가되지 않는 한 변할 필요가 없다. 본 발명의 발명자들은, 온라인 소매업자가, 결정 유닛(101)이 상품 정보 데이터베이스(200)에 저장된 상품 정보에 기반하여 상품들 모두에 대한 유사도 분석을 수행하게 할 것이라는 것을 예상한다. 그 이후에, 결정 유닛(101)은 일부 방식으로 변한, 예를 들어 성분이 변경된 상품에 대해서만 유사도 결정을 반복할 필요가 있다. 더욱이, 결정 유닛(101)은 상품 정보 데이터베이스(200)에 최근에 추가된 새로운 상품에 대하여 유사도를 결정할 것이다.

훈련 유닛(102)은 고객이 어떤 상품을 잊었을 확률을 계산하기 위하여 모델을 훈련시키도록 구현된다. 이러한 모델은 고객 주문 이력 데이터베이스(400)에 있는 고객 주문 이력 정보 및 상품 유사도 데이터베이스(300)로부터의 상품 유사도 정보에 기반하여 훈련된다.

상품을 잊는 문제에 대한 이전의 불리한 솔루션을 고려하여, 본 발명의 발명자들은 클라우드 및 머신 러닝(ML)을 훈련 유닛(102)에 의해 훈련된 모델을 이용하여 이러한 문제에 효과적으로 적용했다. 놀랍게도, 본 발명의 발명자들은, ML을 잊혀진 상품의 특정한 애플리케이션에 적용하면, 이전의 솔루션과 비교할 때 속도와 적응성이 개선된다는 것을 발견했다. 더욱이, 고객의 구입 습관이 변함에 따라, 추천 유닛(100)은 새로운 패턴을 이전의 솔루션보다 더 빨리 학습할 수 있다.

머신 러닝 모델은 현재 환경에 기반하여 진화하고, 따라서 장래의 경향을 예측한다.

훈련 유닛(102)은 과거 주문으로부터 수집된 데이터(고객 주문 이력 데이터베이스(400)에 저장됨)를 활용할 수 있다. 더욱이, 훈련 유닛(200)은 상품들 사이의 결정된 유사도(상품 유사도 데이터베이스(300)에 저장됨)를 활용할 수 있다. 이를 통하여, 취출된 정보는 더 신뢰가능한 모델을 훈련시키기 위한 훈련 데이터로서 사용될 수 있다.

이러한 방식으로, 훈련 유닛(102)은, 예를 들어 고객 주문 이력 데이터베이스(200)로부터의 고객의 과거의 거동, 예를 들어 이전의 주문, 과거 및 장래의 주문 당 상품 수, 주문의 평균 가격 등을 활용한다. 더욱이, 함께 구입될 가능성이 있는 상품들과 같은, 상품 구입 거동의 패턴을 식별하기 위해서, 상품 유사도를 사용하는 것이 이전의 고객 주문에서 구입된 상품을 고려하기 위하여 사용될 수 있다.

이러한 모델은 한 번 훈련된 후, 그 이후에 계산 유닛(104)에 의해 사용될 수 있다. 대안적으로, 이러한 모델은 미리 결정된 시간 기간 이후에 재훈련되어, 고객의 거동이 변함에 따라 모델을 업데이트할 수 있다. 더욱이, 모델은 "오프라인"으로, 즉 고객이 경험하는 특정 쇼핑 경험과 별개로 훈련될 수 있다. 이러한 방식으로, 모델은 고객에서 서비스를 제공하는 동안 훈련될 필요가 없고(이것은 특히 계산 집약적 프로세스이다), 그 대신에 수 명의 고객에게 서비스가 제공될 때 한 번에 계산된다. 대안적으로, 모델은 고객에게 서비스를 제공하는 컴퓨터와 별개인 컴퓨터에서 재훈련될 수 있다. 그러므로, 재훈련은 고객에게 서비스하는 것과 병렬적으로 발생될 수 있지만, 모델을 재훈련시키는 것은 계산 집약적이고 통상적으로 시간이 오래 걸리는 프로세스이기 때문에, 시간이 오래 걸리는 프로세스와 연관된 비용(예컨대 전기료 및/또는 컴퓨터 가동 비용)을 최소화하기 위하여, 모델은 드물게 재훈련될 수도 있다.

유사도 유닛(103)은, 정보가 고객 주문 데이터베이스(500)에 저장되는, 고객의 현재 주문에 있는 상품과 유사한 적어도 하나의 상품을 생성하고 상품 유사도 정보를 상품 유사도 데이터베이스(300)에 저장하도록 구현된다. 좀 더 구체적으로는, 유사도 유닛(103)은 고객이 그들의 "가상 장바구니"에 구입할 상품을 추가하는 것을 완료하고 그들의 가상 장바구니 내의 상품을 지불함으로써 주문을 체크아웃할 준비가 되면 사용된다. 그러나, 고객이 주문을 체크아웃하기 전에, 유사도 유닛(103)은 가상 장바구니(즉 고객의 현재 주문) 내의 각각의 상품을 검사하고, 고객의 가상 장바구니 내의 상품과 유사한 상품을 생성한다. 유사도 유닛(103)은, 상품들 사이의 유사도의 정보를 저장하는 상품 유사도 데이터베이스(300)를 이용하여 이것을 수행한다. 그러므로, 유사도 유닛(103)은 고객의 장바구니 내의 상품을 찾아보고, 상품 유사도 데이터베이스(300)로부터 적어도 하나의 유사한 상품을 생성한다.

계산 유닛(104)은 고객이 적어도 하나의 상품을 그들의 주문에 포함시키는 것을 잊었을 확률을, 유사도 유닛(103)으로부터의 생성된 유사한 상품들에 기반하여 계산하도록 구현된다. 좀 더 구체적으로는, 계산 유닛(104)은 훈련 유닛(102)에 의해 훈련된 모델을 활용함으로써, 고객이 유사한 상품을 그들의 주문에 포함시키는 것을 잊었을 확률을 유사도 유닛(103)에 의해 생성된 유사한 상품에 기반하여 계산할 수 있다. 예를 들어, 고객의 가상 장바구니(그 정보가 고객 주문 데이터베이스(500)에 저장됨)가 커리 소스 상품을 포함하면, 예를 들어 유사도 유닛(103)은 용도가 유사한 상품을 계산 유닛(104)에 의해서 생성할 수 있다. 예를 들어, 유사도 유닛(103)은 "커리 소스"에 유사한 상품으로 다음 상품을 생성할 수 있다: 쌀, 난 브레드(naan bread) 및 파파덤(papadum). 그러므로, 세 유사한 상품에 대한 정보가 계산 유닛에 입력된다.

그 이후에, 계산 유닛(104)은 각각의 유사한 상품을 순서대로 검사하여, 훈련된 모델에 기반하여, 고객이 각각의 유사한 상품을 그들의 주문에 포함시키는 것을 잊을 확률을 계산한다. 예를 들어, 계산 유닛(104)은 우선, 훈련된 모델을 사용하여, 주문에 특정 상품을 포함하는 특정 고객이 그들의 주문 내에 상품 "쌀"을 포함시키는 것을 잊었는지 여부의 확률을 계산한다. 다음으로, 계산 유닛은 고객이 주문에 "난 브레드"를 포함시키는 것을 잊었을 확률을 계산한다. 다음으로, 계산 유닛은 고객이 주문에 "파파덤"을 포함시키는 것을 잊었을 확률을 계산한다. 하나의 비한정적인 예에서, 훈련된 모델에는 고객에 대한 정보, 주문되는 특정 주문에 대한 정보(즉 해당 주문 내의 상품 모두에 대한 정보), 및 계산이 수행된 유사한 상품에 대한 정보가 입력될 필요가 있을 수 있다. 이러한 방식으로, 유사한 상품이 잊혀졌을 확률을 계산할 때 해당 주문의 콘텍스트가 고려될 수 있다.

계산 유닛(104)에 의해 수행되는 계산이 신속하게 이루어져서, 추천이 신속하게, 바람직하게는 200ms 이내에 고객에게 제시되게 하는 것이 중요하다. 통상적인 온라인 소매업자가 약 50,000 개 정도의 상품을 가질 수 있다는 사실을 참고하면, 확률 계산이 상품 정보 데이터베이스(200) 내의 모든 상품에 걸쳐서 수행되어야 한다면, 그러한 속도를 얻는 것은 불가능하지는 않더라도 어려운 일이다. 그러므로, 본 발명의 발명자들은 검색 공간을 한정하여, 고객의 가상 장바구니에 있는 상품과 유사한 것으로 여겨지는 상품에 대해서만 확률 계산을 수행했다.

선택적으로, 계산 유닛(104)은 고객 선호사항 데이터베이스(600)로부터 고객의 선호 상품에 대한 정보를 수신할 수 있다. 예를 들어, 고객이 주문하는 것을 선호하는 특정 브랜드의 쌀, 고객이 주문하는 것을 선호하는 특정 크기의 난 브레드 및/또는 고객이 이전에 구입한 파파덤 상품의 정보이다. 이와 유사하게, 고객 선호사항 데이터베이스(600)는 고객이 선호한다고 특별히 표시한 상품, 예를 들어 고객의 선호되는/선호하는 초콜렛 상품에 대한 정보를 저장할 수 있다.

그러므로, 계산 유닛(104)은 고객이 선호되는/선호하는 상품을 주문에 포함시키는 것을 잊을 확률을 역시 계산하도록 구현될 수 있다. 예를 들어, 고객이 어떤 선호하는 초콜렛 상품을 가지는 경우, 계산 유닛(104)은 고객이 해당 선호 초콜렛 상품을 주문에 포함시키는 것을 잊을 확률을, 훈련된 모델을 사용하여, 고객에 대한 정보 및 주문 내의 다른 상품에 대한 정보에 기반하여 계산할 수 있다.

그러면, 각각의 상품에 대한 계산된 확률이, 고객에게 해당 고객이 주문에 포함시키는 것을 잊었을 수 있는 상품을 추천하기 위해서 온라인 상점(700)에 의해 사용될 수 있다.

또는, 추천 유닛(100)은, 계산 유닛(104)으로부터 적어도 하나의 계산된 확률을 수신하도록 구현되고 적어도 하나의 계산된 확률을 이러한 확률이 언급하는 유사한 상품과 함께 선택/정렬/필터링하도록 구현되는 선택 유닛(105)을 더 포함할 수 있다. 예를 들어, 계산된 확률이 쌀 상품에 관련되면, 선택 유닛(105)은 쌀 상품을 선택/정렬/필터링하도록 구현될 수 있다.

하나의 비한정적인 예에서, 선택 유닛(105)은 계산 유닛(104)으로부터 취출된 유사한 상품 모두를, 각각의 유사한 상품에 대한 계산된 확률에 기반하여 정렬하도록 구현될 수 있다. 예를 들어, 계산된 확률이 쌀, 난 브레드 및 파파덤 상품과 관련되면, 선택 유닛(105)은 이제, 계산된 최고 확률(및 그러므로 고객이 잊었을 최고 확률)을 가지는 유사한 상품이 가장 먼저 나타나도록, 세 상품을 계산된 확률에 기반하여 정렬하도록 구현될 수 있다. 이러한 방식으로, 온라인 상점(700)은 잊혀질 우도가 더 높은 상품을 잊혀질 확률이 더 낮은 상품보다 더 높은 중요도로 고객에게 추천하도록 구현될 수 있다.

더욱이, 선택 유닛(105)은 유사한 상품에 임계를 부여하여, 상품의 개수를 미리 결정된 개수, 예를 들어 50 개의 상품으로 한정하도록 구현될 수도 있다. 더욱이, 계산된 확률에 의한 정렬과 결합되어, 계산된 확률로 정렬된 상위 50 개의 상품만이 온라인 상점(700)에 의해 사용될 수도 있다. 추가적으로 또는 대안적으로, 임계를 부여하는 것(thresholding)은 계산된 최소 확률, 예를 들어 50%인 유사한 상품만을 선택하도록 수행될 수 있다. 이러한 방식으로, 잊혀질 가능성이 적은 것보다 잊혀질 가능성이 높은 유사한 상품만이 고객에게 추천된다.

추가적으로 또는 대안적으로, 선택 유닛(105)은 유사한 상품을 다음 중 적어도 하나에 기반하여 필터링하도록 구현될 수 있다: 고객이 구입할 상품(즉 고객의 가상 장바구니에 이미 들어 있는 상품), 고객이 선택한 배달 슬롯에서는 주문할 수 없는 상품(예를 들어, 그러한 재고가 없는 상품) 및/또는 판촉이 불법인 상품(예를 들어, 영구에서는 판촉이 금지된 유아용 분유). 이러한 방식으로, 고객에게 추천되어서는 안 되는 유사한 상품이, 고객에게 추천되기 전에 제거된다.

후속하는 내용은, 추천 유닛(100)에 의해 수행되는 연산을 후속하는 명명법에 기반하여 더 수학적인 용어로 설명한다:

c - 고객

i - 아이템/상품

o - 고객이 현재 주문하고 있는 현재 주문

Basket(o) - 현재 주문의 가상 장바구니 내의 아이템(고객 주문 데이터베이스(500)에 의해 저장됨)

Similar(i) - 유사한 상품 i에 유사한 아이템

P(c, i, o) - 고객 c가 현재 주문 o에 대해 아이템 i를 추가하는 것을 잊을 확률. 이것은 계산 유닛(104)에 의하여 실시간으로 모델을 사용하여 계산된다.

Favourites(c) - 고객 선호사항 데이터베이스(600)에 저장된, 고객 c가 선호되는/선호하는 아이템. 아이템은, 예를 들어 다음 방법 중 하나로 선호 아이템이 될 수 있다:

고객 c에 의해서 이미 구입되었음

고객 c에 의해서 선호 아이템이라고 명시적으로 표시됨(예를 들어, 웹사이트 / 모바일 애플리케이션의 아이템 페이지에서 아이콘을 선택함으로써)

선택적으로, "피쳐(feature)" - 이것은 결정하기 위해서 모델 P에 의해 실시간으로 사용되는 단일 데이터 변수임. 피쳐는 오프라인(매일 계산됨) 및 온라인(이것을 모델 P에 전달하기 직전에 계산됨) 모두이다.

본 발명의 발명자들은 고객이 온라인 소매업자를 이용하여 상품을 구입하기 위해서 후속하는 프로세스를 수행한다고 예상한다:

고객이 웹사이트 또는 모바일 애플리케이션에 들어감으로써 쇼핑을 시작한다;

고객이 배달 슬롯, 즉 주문이 배달되어야 하는 날짜 및 시간을 결정하여 선택할 수 있다. 이것은 고객에 의해서 추후에 수행될 수 있지만, 하지만 체크아웃 액션이 수행되기 이전에는 수행되지 않는다;

고객이 상품/아이템을 가상 장바구니에 추가한다;

고객이 주문할 준비가 되면, 고객에게는 상품을 추천하는 적어도 하나의 웹페이지/모바일 앱 스크린이 제공된다. 적어도 하나의 웹페이지/모바일 앱에서, 고객이 간과하고 가상 장바구니에 추가하는 것을 잊었을 수 있는 상품인 상품이 고객에게 추천된다. 고객은 적어도 하나의 추천 웹페이지/모바일 스크린으로부터, 상품을 가상 장바구니에 직접적으로 추가할 수 있다. 고객에게 추천될 상품은 본 발명의 제 1 실시예에 따라 추천 유닛(100)에 의해 생성된다; 그리고

고객이 주문한다.

이러한 방식으로, 온라인 쇼핑은, 고객이 어떤 상품을 잊었을 경우 고객에게 리마인드함으로써, 고객에게 더 쉬워진다.

이전에 설명된 바와 같이, 어떤 동작은 '오프라인'으로, 주문하는 고객과 연계되지 않은 상태로 수행될 수 있는데, 이것은 그러한 동작이 계산 집약적일 수 있고, 따라서 이러한 동작을 오프라인으로 수행함으로써 가장 적은 고객들이 쇼핑하고 있는 시간 기간을 최적으로 선택할 수 있게 하기 때문에 유리할 수 있다. 대안적으로 또는 추가적으로, 계산 집약적인 프로세스(및 따라서 통상적으로, 실행하는데 오래 걸리는 프로세스)를 실행할 적절한 시간을 선택하도록 함으로써, 예를 들어 전기료 및/또는 컴퓨터 가동 비용이 최소인 예컨대 심야 시간인 시간을 선택함으로써 비용이 최소화될 수 있다. 좀 더 구체적으로는, 다음 동작이 오프라인에서 매일 수행될 수 있다:

결정 유닛(101)에 의하여 온라인 상점(700)에 의해 판매중인 각각의 상품에 대한 Similar(i)를 계산;

오프라인 피쳐(feature)를 계산;

훈련 유닛(102)에 의하여, 머신 러닝 모델 P(c, i, o)를 이력 데이터에 기반하여 훈련시킴.

고객 c가 주문 o로 추천 웹페이지/모바일 스크린에 방문하면, 다음이 일어날 수 있다:

유사도 유닛(103)이 Basket(o)에 현재 존재하는 아이템에 유사한 아이템의 세트를 생성한다. 이것은 고객 c에 의해 구입된 바 없을 수 있지만 주문 o의 콘텍스트에서 관련되는 상품이 고려되도록 보장하기 위해서 수행될 수 있다;

계산 유닛(104)이 Favourites(c) + Similar(Basket(o))에 있는 각각의 아이템 i에 대하여, P(c, i, o)의 값을 계산한다. 바람직하게는, 이러한 계산은 각각의 i에 대한 이러한 계산들이 병렬화되도록 실시간으로 일어난다;

선택 유닛(105)은 Favourites(c) + Similar(Basket(o)) 내의 아이템의 목록을 메트릭 P(c, i, o)에 의해 내림 차순으로 정렬한다;

선택 유닛(105)이 P(c, i, o)의 최고 값을 가지는 처음 50 개의 아이템을 선택한다;

선택 유닛(105)은 50 개의 아이템 중에서 다음에 기반하여 필터링한다:

고객의 가상 장바구니에 현재 존재하는지

선택된 배달 슬롯에 대해서 구입 불가능한지("재고 없음")

마케팅 규칙 때문에 웹사이트에서 판촉하는 것이 불법인지(일 예는 영국에서 광고가 금지된 유아용 분유가 될 것임); 및

온라인 상점(700)이 남은 나머지 아이템을 고객에게 추천하는지.

훈련 유닛(102)을 특별히 참조하면, P(c, i, o) 모델의 예측을 훈련시키고 서빙하는 것은 피쳐, 즉 데이터 변수를 포함할 수 있다. 본 발명의 발명자들은 데이터 변수의 다음 목록을 예상했지만, 그러나, 다른 데이터 변수들이 사용될 수도 있다.

이미 주문을 했던 각각의 고객 및 고객에게 디스플레이될 수 있는 각각의 상품에 대하여, 다음 정보가 계산될 수 있다:

고객이 이러한 상품을 며칠 전에 구입했는지;

특정 상품의 얼마나 많은 주문을 고객이 과거에 주문했는지;

이러한 상품을 포함하는 과거 고객의 주문이 몇 퍼센트인지;

이러한 상품을 포함하는 과거 고객의 주문의 할인된 시간 개수(discounted time number)가 몇 개인지. 이것은 각각의 요소가 이러한 상품을 포함하는 하나의 주문을 반영하고 할인 인자와 같은 시리즈의 합이다(예를 들어, 이것은 0.9925의 이러한 주문이 배달되기 전의 일수의 제곱임);

몇 개의 과거 주문(예를 들어, 5 개의 과거 주문)에 대해서 별개로, 상품이 이러한 주문에 포함되었는지 여부;

고객이 유사한 상품을 검색했는지 여부;

고객이 이러한 / 유사한 상품을 이미 보았지만 장바구니에 추가하지 않았는지;

현재 고객 장바구니에 유사한 상품이 이미 존재하는지;

장바구니에, 과거의 개인 고객 쇼핑 거동 및 모든 고객에 걸친 일반적 패턴에 기반하여 흔히 함께 구입되는 임의의 상품이 존재하는지; 및

고객이 해당 상품이 선호 상품이 아니라고 표시했는지.

각각의 고객에 대하여, 모델은 다음 정보를 사용할 수 있다:

고객이 이전에 얼마나 많은 주문을 했는지;

한 주문에 고객이 주문하는 상품의 평균 개수가 몇 개인지;

이러한 고객의 최초 주문 이후에 며칠이 지났는지;

특정 고객의 이전의 주문 이후에 며칠이 지났는지;

고객의 주문들 사이의 평균 일수는 며칠인지;

고객의 주문들 사이의 중위(median) 일수는 며칠인지; 및

고객이 이전에 얼마나 많은 개별 상품을 구입했는지.

각각의 상품에 대하여, 모델은 다음을 사용할 수 있다:

최근 수 일, 예를 들어 7 일, 31 일 및 93 일 내의 모든 주문 중 몇 퍼센트가 이러한 상품을 포함했는지;

최근 수 일의 모든 주문 중 몇 퍼센트가 이러한 상품을 포함했는지인데, 예를 들어 7 일 31 일 및 93일 동안의 동일한 요일만을 해당 모델이 속한 날로 계산함;

상품 설명 및 이미지; 및

해당 상품에 대한 대체재의 목록.

각각의 주문에 대하여, 모델은 다음을 사용할 수 있다:

가상 장바구니에 존재하는 상품의 목록; 및

배달 일시.

처음에는, 고객에게 추천될 상품을 고려할 때 다음의 사항들이 고려된다:

고객의 선호 사항;

선호 사항과 유사한 상품; 및

고객의 장바구니에 이미 들어 있는 상품.

본 발명의 발명자들은 위의 상품들을 최초 추천 시에 고려하지 않는데, 그 이유는 이러한 방식으로, 고객에게 잊혀졌을 수 있는 상품의 더 풍부한 세트를 제공하는 것이 가능하기 때문이다. 예를 들어, 고객이 멕시코 요리를 위한 재료를 구입할 때, 이러한 특정 고객에 의해서 과거에 도띨라가 구입된 바 없다고 해도, 이러한 방식은 추천 유닛(100)이 도띨라 상품을 고객에게 추천할 수 있게 한다.

더욱이, 추천 유닛(100)은 계절에 기반한 조절을 허용한다.

도 2는 본 발명의 제 1 실시예에 따른 방법(S200)의 흐름도를 도시한다. 방법 S200은 고객이 주문할 주문에 추가하기를 원할 수 있는 상품의 고객에게 제공할, 온라인 상점용 추천을 제공한다. 상품은, 고객에게 마지막 주문 이후에 떨어졌을 수 있는 상품 및/또는 고객이 상품의 카탈로그를 브라우징하고 상품을 가상 장바구니에 추가하는 그들의 쇼핑 경험 중에 주문에 추가하는 것을 잊었을 수 있는 상품을 포함할 수 있다.

단계 S201에서, 이러한 방법은 상품 정보 데이터베이스에 저장된 상품에 대한 정보와 상품 정보 데이터베이스에 저장된 적어도 하나의 다른 상품에 대한 정보 사이의 적어도 하나의 유사도를 결정한다. 그러므로 S201은 온라인 상점에서 구입가능한 상품들을 비교하고, 상품들 사이의 유사도(존재한다면)를 찾는다. 예를 들어, 유사도는, 온라인 상점을 사용하는 고객들 모두에 대한 정보에 기반하여, 이러한 상품들이 보통 함께 구입된다는 것일 수 있다. 추가적으로 또는 대안적으로, 상품은 온라인 상점에 의해서 동일하다고 범주화된, 예컨대 "청소 상품", "건강 상품" 및/또는 "멕시코 요리용 재료"로 범주화된 상품일 수 있다. 이것을 위하여, 단계 S201은 상품에 대한 정보를 상품 정보 데이터베이스로부터 취출하고, 상품들 중 적어도 두 개를 비교한다. 이러한 정보는 상품명, 상품의 성분, 제조사/유통업자/리셀러에 의해 상품에 지정된 태그/정보를 포함할 수 있다. 본 발명의 발명자들은, 단계 S201 이 상품들 모두에 대한 정보가 상품 정보 데이터베이스에 저장된, 온라인 상점에 의해 판매 중인 모든 상품에 적용될 것이라는 것을 예상한다.

대안적으로 또는 추가적으로, 단계 S201은 상호 교환가능하도록 사용될 수 있는 상품, 예컨대 유사한 성분 또는 목적을 가지지만 상이한 회사에 의해 제조된 상품들 사이의 유사도를 결정할 수 있다. 따라서, 어떤 상품의 다른 상품에 대한 고객의 선호사항이 가격, 상품의 크기/무게, 브랜드명 및/또는 고객 선택에까지 영향을 줄 수 있다.

단계 S202에서, 단계 S201에서 수행된 비교에 기반하여, 상품들 사이에 유사도가 발견되는지, 그리고 발견된다면 비교된 상품에 대한 정보와 함께 각각의 유사도가 상품 유사도 데이터베이스에 저장된다. 상품들이 자주 변하지 않기 때문에, 상품들 사이의 하나의 유사도가 결정되고 상품 유사도 데이터베이스에 저장되면, 본 발명의 발명자들은 단계 S201이 재수행될 필요가 없다고 예상한다. 그 대신에, 본 발명의 발명자들은 단계 S201이 변경된 상품 및/또는 상품 정보 데이터베이스에 새롭게 추가된 상품에만 수행될 필요가 있다고 예상한다. 이러한 방식으로, 계산 리소스가 낭비되지 않는다. 더욱이, 유사도의 결정 및 저장은 "오프라인"으로, 즉 주문하는 특정 고객으로부터 분리되어 수행될 수 있다. 이러한 방식으로, 결정 및 저장이 최대화된 계산 리소스의 기간에 대하여, 예컨대 적은 수의 고객이 온라인 상점을 사용하고 있고 따라서 계산 리소스의 최대 양이 이용가능한 경우와 같은 경우에 대해서 스케줄링될 수 있다.

단계 S203에서, 모델은 고객 구입 이력 데이터베이스에 저장된, 각 고객에 의해 이전에 구입된 상품에 대한 정보 및 상품 유사도 데이터베이스(300)에 저장된, 상품 유사도에 기반하여 훈련된다. 이러한 단계 S203에서, 모델, 예를 들어 머신 러닝 모델은 고객의 거동 시에, 고객에 의해 이루어진 이전의 구입 및 그러한 주문과 유사한 상품, 예를 들어 일반적으로 함께 구입되는 상품에 기반하여 훈련된다. 이러한 관점에서, 고객의 이전의 구입이 고객 구입 이력 데이터베이스에 저장된다. 예를 들어, 데이터베이스는 고객의 이름, 주소, 구입된 상품, 배달 일시 등을 포함하는, 고객에 의해 이루어진 특정 주문에 대한 정보를 저장할 수 있다. 반면에, 상품 유사도는 상품 유사도 데이터베이스에 저장된다.

단계 S204에서, 적어도 하나의 유사한 상품이 고객의 현재 주문에 기반하여 생성된다. 특히, 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품이, 고객 주문 데이터베이스에 저장된, 고객의 현재 주문에 대한 정보 및 상품 유사도 데이터베이스에 저장된, 결정된 유사도에 대한 정보에 기반하여 생성된다. 이러한 예에서, 고객에 의해 주문될 상품은 고객 주문 데이터베이스에 저장된다. 이러한 스테이지에서, 고객은 주문을 완료하지 않았고, 즉 주문을 지불했거나 및/또는 주문을 확정하지 않았다. 그 대신에, 고객은 구입하려고 의도하는 아이템을 온라인 상점으로부터 선택했다. 그 뒤에 고객은 상품을 확정/구입하고자 한다. 그러나, 이러한 두 개의 스테이지들 사이에서, 단계 S204는 고객이 구입하려는 상품을 검사하고, 고객이 구입하려는 상품에 유사한 상품을 생성한다. 예를 들어, 고객이 그들의 가상 장바구니에 멕시코 양념 혼합 상품 및 치킨 상품을 가지고 있으면(즉 이들 상품 중에서 구입하려고 함), 생성 단계 S204는 도띨라, 살사 및 사워 크림(sour cream)을 유사한 상품으로서 생성할 수 있다. 다르게 말하면, 생성된 유사한 상품은 멕시코 음식의 재료이다. 단계 S204는 유사한 상품의 생성을, 고객이 구입할 각각의 상품을 상품 유사도 데이터베이스 내의 정보와 비교함으로써 달성한다. 좀 더 구체적으로는, 생성 단계 S204는, 상품의 식별자를 사용하여, 구입할 상품과 유사하다고 단계 S201에서 식별되었던 상품을 유사도 데이터베이스에서 찾아낼 수 있다. 이러한 방식으로, 고객의 가상 장바구니에 있는 상품은 유사하다고 이전에 결정되고 유사도 데이터베이스에 저장된 유사한 상품과 동일시될 수 있다.

단계 S205에서, 고객이 추가하는 것을 잊거나 및/또는 적어도 하나의 유사한 상품이 떨어질 확률이 계산된다. 좀 더 구체적으로는, 단계 S205에서, 각각의 유사한 상품이 순서대로 검사되고, 즉 도띨라, 살사 및 사워 크림이 개별적으로 각각 평가된다. 평가 시에, 고객이 가상 장바구니 내의 상품, 즉 고객이 주문하고자 하는 상품에 유사한 상품을 추가하거나 및/또는 유사한 상품이 떨어질 확률을 계산하기 위해서 훈련된 모델이 사용된다. 그러므로, 이러한 예에서, 도띨라, 살사 및 사워 크림인 각각의 유사한 상품에 대해 하나씩인 세 개의 확률이 계산된다. 확률을 계산하기 위해서, 모델은 고객에 의해 구입될 상품, 즉 고객의 가상 장바구니에 있는 상품을 고려할 수 있다.

그 이후에, 고객이 추가하는 것을 잊었거나 및/또는 온라인 상점에서 떨어졌을 상품을 보여주기 위해서, 계산된 확률이 온라인 상점에 의해 사용될 수 있다.

비한정적인 예에서, 방법 S200은 선택적으로, 각 고객의 선호 사항/선호 상품에 대한 정보를 저장하는 고객 선호사항 데이터베이스와 통신할 수 있다. 고객이 그 상품을 과거에 구입했었고 및/또는 고객이 그 상품을 온라인 상점 상의 아이콘을 선택함으로써 선호하는/선호되는 것으로 식별했기 때문에, 상품은 선호되는/선호하는 것으로 표시될 수 있다. 계산 단계 S205는 고객의 선호 상품에 대한 정보를 사용하여 고객이 상품을 잊었을 확률이 계산되는 상품을 조절할 수 있다. 좀 더 구체적으로, 그리고 계산 단계 S205에 대해서 전술된 특징과 함께, 방법 S200은, 정보가 고객 선호사항 데이터베이스에 저장되는 각각의 선호 사항/선호 상품을 더 검사할 수 있다. 각각의 검사된 아이템에 기반하여, 고객이 선호하는/선호되는 상품을 구입할 상품, 즉 가상 장바구니에 있는 상품에 추가하는 것을 잊었을 확률을 계산하기 위하여, 훈련된 모델이 사용될 수 있다.

다른 비한정적인 예에서, 방법 S200은 생성된 그러한 유사한 상품에 대해 계산된 확률에 기반하여, 생성된 유사한 상품으로부터 적어도 하나의 상품을 더 선택할 수 있다. 좀 더 구체적으로는, 선택 단계는 유사한 상품을 계산된 확률에 기반하여 선택할 수 있다. 예를 들어, 선택 유닛은 유사한 상품을, 고객이 잊을 가능성이 가장 높은 그러한 유사한 상품을 온라인 상점이 더 큰 중요도로 디스플레이하도록, 계산된 확률에 의해 정렬할 수 있다. 추가적으로 또는 대안적으로, 미리 결정된 임계보다 큰 계산된 확률을 가지는 그러한 유사한 상품만이 온라인 상점에 제공되도록, 유사한 상품들에 임계가 적용될 수 있다. 이러한 방식으로, 예를 들어 계산된 낮은 확률을 가지는 그러한 상품들은 온라인 상점에 제공되지 않는다. 추가적으로 또는 대안적으로, 유사한 상품은 고객에 의해 구입될 상품, 고객이 선택한 배달 슬롯에서 주문될 수 없는 상품, 판촉이 불법인 상품 중 적어도 하나에 기반하여 필터링될 수 있다. 이러한 방식으로, 온라인 상점은 고객에게 최선으로 디스플레이되는 상품을 수신할 수 있다.

그 이후에, 온라인 상점은 유사한 상품을, 상품을 고객에게 추천하는 특정 웹페이지/모바일 애플리케이션 스크린에 디스플레이할 수 있다. 예를 들어, 온라인 상점은 고객의 가상 장바구니에 포함되는 것을 고객이 잊을 높은 확률을 가지는 상품을 더 큰 중요도로 디스플레이할 수 있다. 이를 통하여, 고객에게 떨어지거나 및/또는 그들의 주문에 포함시키는 것을 잊을 수 있는 상품이 고객에게 추천된다.

수정예 및 변형예

많은 수정과 변형이 본 발명의 범위에서 벗어나지 않으면서 전술된 실시예에 이루어질 수 있다.

예를 들어, 전술된 제 1 실시예는 상품의 유사도를 결정하기 위해서, '임베딩'('단어 임베딩(word embeddings)'이라고도 불림)을 사용할 수 있다. 이러한 관점에서, '임베딩'은 이러한 콘텍스트에서, '상품 임베딩(product embeddings)'을 가리킬 수 있다. 상품 임베딩은, 모든 상품에, 미리 결정된 길이의 수학적 벡터를 지정하는데, 예를 들어 오이는 [1.0, -0.9, 7.0], 즉 실수의 벡터로 표현될 수 있다. 이러한 표현은, 특히 머신 러닝과 함께 사용될 때 많은 장점을 가진다. 특히, 상품 임베딩은 유사하고 상보적인 상품들을 더 쉽게 정의하게 하여, 상품들 사이의 관계를 더 잘 발견하도록 돕는다. 더욱이, 이것은 고객 거동에서 패턴이 발견되게 하고, 고객 장바구니 콘텐츠를 이해하게 한다. 이러한 방식으로, 상품은 상품 당 하나의 차원인 공간으로부터 더 낮은 차원의 연속 벡터 공간으로 수학적으로 임베딩된다.

특히, 결정 유닛은 상품 정보 데이터베이스에 저장된 상품에 대한 정보와 상품 정보 데이터베이스 기반하여, 상품 정보 데이터베이스에 저장된 적어도 하나의 다른 상품에 대한 정보 사이의 적어도 하나의 유사도를 상품 임베딩에 기반하여 결정하도록 구현될 수 있다. 예를 들어, 각각의 상품에는 수학적 벡터(수학적 벡터는 상품 정보 데이터베이스에 저장됨) 및 저장된 수학적 벡터에 기반하여 결정된 상품들 사이의 유사도가 지정될 수 있다.

추가적으로 또는 대안적으로, 유사도 유닛은 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 상품 임베딩을 사용하여 생성하도록 구현될 수 있다. 예를 들어, 상품 임베딩으로서 각각의 상품에 지정된 수학적 벡터에 의해 표현되는 상품들 사이의 유사도는, 적어도 하나의 유사도를 결정하기 위하여 사용될 수 있다.

상품 임베딩에 대해서 사용될 수 있는 소프트웨어의 예는 "word2vec" 및/또는 "doc2vec"이다. Word2vec은 벡터 공간에서의 작업 표현들의 효율적인 추정을 제공하는 반면에, doc2vec은 문장 및 문서의 분산 표현을 제공한다.

본 발명의 실시예에 대한 전술된 설명은 예시와 설명을 위하여 제공되었다. 이것은 망라적인 것이거나 본 발명을 개시된 구체적인 형태로 한정하려는 것이 아니다. 수정 및 변형이 본 개시물의 사상 및 범위에서 벗어나지 않으면서 이루어질 수도 있다.

Claims (14)

1. 상품 정보 데이터베이스, 상품 유사도 데이터베이스, 고객 구입 이력 데이터베이스 및 고객 주문 데이터베이스와 통신하도록 구성되는 추천 유닛으로서,
   상기 상품 정보 데이터베이스에 저장된 상품에 대한 정보와 상기 상품 정보 데이터베이스에 저장된 적어도 하나의 다른 상품에 대한 정보 사이의 적어도 하나의 유사도를 결정하도록 구성되고, 적어도 하나의 결정된 유사도를 상기 상품 유사도 데이터베이스에 저장하도록 구성되는 결정 유닛;
   상기 고객 구입 이력 데이터베이스에 저장된, 각 고객에 의해 이전에 구입된 상품에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 상기 적어도 하나의 결정된 유사도에 대한 정보에 기반하여 모델을 훈련시키도록 구성되는 훈련 유닛;
   상기 고객 주문 데이터베이스에 저장된, 고객의 현재 주문에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 결정된 유사도에 대한 정보에 기반하여, 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 생성하도록 구성되는 유사도 유닛; 및
   훈련된 모델을 사용하여, 생성된 적어도 하나의 유사한 상품 각각에 대하여, 고객이 상기 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 추가하는 것을 잊었을 확률을 계산하도록 구성되는 계산 유닛을 포함하는, 추천 유닛.
2. 제 1 항에 있어서,
   상기 훈련 유닛은,
   고객이 특정 상품을 며칠 전에 구입했는지;
   특정 상품을 포함하는 주문을 고객이 과거에 얼마나 많이 주문했는지;
   고객의 과거 주문 중 몇 퍼센트가 특정 상품을 포함했는지;
   미리 결정된 횟수의 과거 주문에 대하여, 그러한 과거 주문이 특정 상품을 포함했는지 여부;
   고객이 유사한 상품을 검색했는지 여부;
   고객이 특정/유사한 상품을 브라우징했지만 그들의 주문에 추가하지 않았는지 여부;
   고객 주문 데이터베이스에 저장된, 고객에 의해 구입될 상품이 유사한 상품을 포함하는지 여부;
   과거의 고객 쇼핑 거동 및 모든 고객에 걸친 일반적 패턴에 기반하여, 상기 고객 주문 데이터베이스에 저장된, 고객에 의해 구입될 상품이 보통 다른 상품과 함께 구입되는지 여부;
   고객이 특정 상품을 선호 상품이 아니라고 표시했는지 여부;
   고객에 과거에 얼마나 많은 주문을 했는지;
   고객 주문당 상품의 평균 개수;
   고객의 최초 주문으로부터 며칠이 지났는지;
   고객의 이전 주문으로부터 며칠이 지났는지;
   고객의 주문들 사이의 평균 일수;
   고객의 주문들 사이의 중위(median) 일수;
   고객에 의해 이전에 구입된 개별 상품들의 개수;
   미리 결정된 이전 일수 중 특정 상품을 포함했던 모든 주문의 퍼센트;
   상품 설명 및 이미지;
   특정 상품에 대한 대체재의 목록;
   고객에 의해 구입될 상품의 목록; 및
   배달 일시
   중 적어도 하나에 기반하여 상기 모델을 훈련시키도록 구성되는, 추천 유닛.
3. 제 1 항 또는 제 2 항에 있어서,
   상기 추천 시스템은 고객 선호사항 데이터베이스와 통신하도록 구성되고,
   상기 계산 유닛은 상기 훈련된 모델을 사용하여, 생성된 적어도 하나의 유사한 상품 각각에 대하여 그리고 고객 선호사항 데이터베이스에 저장된, 고객이 선호하는 적어도 하나의 상품 각각에 대하여, 고객이 적어도 하나의 유사한 상품 또는 적어도 하나의 선호 상품을 고객에 의해 구입될 적어도 하나의 상품에 추가하는 것을 잊었을 확률을 계산하도록 구성되는, 추천 유닛.
4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
   상기 추천 유닛은,
   상기 적어도 하나의 유사한 상품에 대한 계산된 확률에 기반하여, 상기 생성된 적어도 하나의 유사한 상품 중에서 적어도 하나의 상품을 선택하도록 구성되는 선택 유닛을 더 포함하는, 추천 유닛.
5. 제 4 항에 있어서,
   상기 선택 유닛은, 상기 생성된 적어도 하나의 유사한 상품에 있는 상품을, 상기 적어도 하나의 유사한 상품에 대한 계산된 확률에 의해 정렬하도록 구성되는, 추천 유닛.
6. 제 4 항 또는 제 5 항에 있어서,
   상기 선택 유닛은, 상기 생성된 적어도 하나의 유사한 상품을,
   고객에 의해 구입될 상품;
   고객이 선택한 배달 슬롯에서는 주문할 수 없는 상품; 및
   판촉이 불법인 상품 중 적어도 하나에 기반하여 필터링하도록 구성되는, 추천 유닛.
7. 추천 시스템으로서,
   상품 정보 데이터베이스;
   상품 유사도 데이터베이스;
   고객 구입 이력 데이터베이스;
   고객 주문 데이터베이스; 및
   제 1 항 내지 제 6 항 중 어느 한 항에 따른 추천 유닛을 포함하는, 추천 시스템.
8. 제 7 항에 있어서,
   상기 추천 시스템은,
   고객 선호사항 데이터베이스를 더 포함하고,
   상기 추천 시스템은 제 3 항에 따르는, 추천 시스템.
9. 추천을 제공하는 방법으로서,
   상품 정보 데이터베이스에 저장된 상품에 대한 정보와 상기 상품 정보 데이터베이스에 저장된 적어도 하나의 다른 상품에 대한 정보 사이의 적어도 하나의 유사도를 결정하는 단계;
   적어도 하나의 결정된 유사도를 상품 유사도 데이터베이스에 저장하는 단계;
   고객 구입 이력 데이터베이스에 저장된, 각 고객에 의해 이전에 구입된 상품에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 상기 적어도 하나의 결정된 유사도에 대한 정보에 기반하여 모델을 훈련시키는 단계;
   고객 주문 데이터베이스에 저장된, 고객의 현재 주문에 대한 정보 및 상기 상품 유사도 데이터베이스에 저장된, 결정된 유사도에 대한 정보에 기반하여, 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 생성하는 단계; 및
   훈련된 모델을 사용하여, 생성된 적어도 하나의 유사한 상품 각각에 대하여, 고객이 상기 고객에 의해 구입될 적어도 하나의 상품에 적어도 하나의 유사한 상품을 추가하는 것을 잊었을 확률을 계산하는 단계를 포함하는, 추천 제공 방법.
10. 제 9 항에 있어서,
    상기 훈련하는 단계는,
    고객이 특정 상품을 며칠 전에 구입했는지;
    특정 상품을 포함하는 주문을 고객이 과거에 얼마나 많이 주문했는지;
    고객의 과거 주문 중 몇 퍼센트가 특정 상품을 포함했는지;
    고객이 유사한 상품을 검색했는지 여부;
    고객이 특정/유사한 상품을 브라우징했지만 그들의 주문에 추가하지 않았는지지 여부;
    고객이 특정/유사한 상품을 브라우징했지만 그들의 주문에 추가하지 않았는지 여부;
    고객 주문 데이터베이스에 저장된, 고객에 의해 구입될 상품이 유사한 상품을 포함하는지 여부;
    과거의 고객 쇼핑 거동 및 모든 고객에 걸친 일반적 패턴에 기반하여, 상기 고객 주문 데이터베이스에 저장된, 고객에 의해 구입될 상품이 보통 다른 상품과 함께 구입되는지 여부;
    고객이 특정 상품을 선호 상품이 아니라고 표시했는지 여부;
    고객에 과거에 얼마나 많은 주문을 했는지;
    고객 주문당 상품의 평균 개수;
    고객의 최초 주문으로부터 며칠이 지났는지;
    고객의 이전 주문으로부터 며칠이 지났는지;
    고객의 주문들 사이의 평균 일수;
    고객의 주문들 사이의 중위 일수;
    고객에 의해 이전에 구입된 개별 상품들의 개수;
    미리 결정된 이전 일수 중 특정 상품을 포함했던 모든 주문의 퍼센트;
    상품 설명 및 이미지;
    특정 상품에 대한 대체재의 목록;
    고객에 의해 구입될 상품의 목록; 및
    배달 일시
    중 적어도 하나에 기반하여 상기 모델을 훈련시키는 것을 포함하는, 추천 제공 방법.
11. 제 9 항 내지 제 10 항 중 어느 한 항에 있어서,
    상기 계산하는 단계는,
    상기 훈련된 모델을 사용하여, 생성된 적어도 하나의 유사한 상품 각각에 대하여 그리고 고객 선호사항 데이터베이스에 저장된, 고객이 선호하는 적어도 하나의 상품 각각에 대하여, 고객이 적어도 하나의 유사한 상품 또는 적어도 하나의 선호 상품을 고객에 의해 구입될 적어도 하나의 상품에 추가하는 것을 잊었을 확률을 계산하는, 추천 제공 방법.
12. 제 9 항 내지 제 11 항 중 어느 한 항에 있어서,
    상기 방법은,
    상기 적어도 하나의 유사한 상품에 대한 계산된 확률에 기반하여, 상기 생성된 적어도 하나의 유사한 상품 중에서 적어도 하나의 상품을 선택하는 단계를 더 포함하는, 추천 제공 방법.
13. 제 9 항 내지 제 12 항 중 어느 한 항에 있어서,
    상기 선택하는 단계는,
    상기 생성된 적어도 하나의 유사한 상품에 있는 상품을, 상기 적어도 하나의 유사한 상품에 대한 계산된 확률에 의해 정렬하는 것인, 추천 제공 방법.
14. 제 12 항 또는 제 13 항에 있어서,
    상기 선택하는 단계는, 상기 생성된 적어도 하나의 유사한 상품을,
    고객에 의해 구입될 상품;
    고객이 선택한 배달 슬롯에서는 주문할 수 없는 상품; 및
    판촉이 불법인 상품 중 적어도 하나에 기반하여 필터링하는, 추천 제공 방법.

Images