KR20210025399A

KR20210025399A - 전자 장치 및 이의 의류 추천 방법

Info

Publication number: KR20210025399A
Application number: KR1020190105410A
Authority: KR
Inventors: 이형동
Original assignee: 삼성전자주식회사
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2021-03-09
Also published as: WO2021040256A1

Abstract

전자 장치가 개시된다. 본 개시의 전자 장치는, 적어도 하나의 인스트럭션을 포함하는 메모리 및 메모리와 연결되어 전자 장치를 제어하는 프로세서,를 포함하며, 프로세서는, 적어도 하나의 인스트럭션을 실행함으로써, 의류 아이템을 포함하는 이미지가 입력되면, 복수의 피드 제공자(feed)로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 인공 지능 모델에 입력된 이미지를 입력하여 입력된 이미지에 포함된 의류 아이템을 포함하는 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득하고, 의류 조합 중 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공한다.

Description

전자 장치 및 이의 의류 추천 방법 {ELECTRONIC APPARATUS AND METHOD FOR RECOMMENDING CLOTHES THEREOF}

본 개시는 전자 장치 및 이의 의류 추천 방법에 대한 것으로, 보다 상세하게는 사용자에 따라 다양한 스타일의 의류를 추천할 수 있는 전자 장치 및 이의 의류 추천 방법에 관한 것이다

근래에는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.

패션 분야에 있어서, 기존에는 전문가의 지식에 의한 규칙에 따라 의류 조합을 추천함에 따라, 전형적인 스타일, 컬러 조합, 형상 조합, 품목 조합 등 모두에게 유사한 추천이 제공되며, 의류 트렌드가 급변하는데도 변화가 크지 않다는 문제가 있었다.

이에 따라 급변하는 트렌드의 변화를 반영하면서, 개개인마다 다른 다양한 스타일의 의류 조합을 제공하기 위한 기술의 필요성이 대두되었다.

본 개시는 상술한 필요성에 따라 안출된 것으로, 본 개시의 목적은, 피드 제공자 별로 학습된 인공 지능 모델을 이용하여 입력된 의류 아이템에 대한 다양한 스타일의 의류의 조합을 획득하고, 획득된 의류 조합 중 사용자 별로 다른 스타일의 의류를 추천할 수 있는, 전자 장치 및 이의 의류 추천 방법을 제공하는 데 있다.

본 개시의 일 실시 예에 따른 전자 장치는, 적어도 하나의 인스트럭션을 포함하는 메모리, 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함하며, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 의류 아이템을 포함하는 이미지가 입력되면, 복수의 피드(feed) 제공자로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 인공 지능 모델에 상기 입력된 이미지를 입력하여 상기 입력된 이미지에 포함된 의류 아이템을 포함하는 상기 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득하고, 상기 복수의 의류 조합 중 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공한다.

한편, 본 개시의 일 실시 예에 따른 전자 장치의 의류 추천 방법은, 의류 아이템을 포함하는 이미지를 입력받는 단계, 복수의 피드 제공자(feed)로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 인공 지능 모델에 상기 입력된 이미지를 입력하여 상기 입력된 이미지에 포함된 의류 아이템을 포함하는 상기 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득하는 단계 및 상기 복수의 의류 조합 중 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공하는 단계를 포함한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 일 사용 예를 도시한 도면,
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 간략한 구성을 설명하기 위한 도면,
도 3은 도 2에 개시된 전자 장치의 구체적인 구성을 설명하기 위한 블럭도,
도 4는 본 개시의 일 실시 예에 따른 의류 추천 시스템을 설명하기 위한 도면,
도 5는 본 개시의 일 실시 예에 따른 인공 지능 모델의 입력 데이터를 획득하는 방법을 설명하기 위한 도면,
도 6은 인공 지능 모델의 다양한 학습 방법을 설명하기 위한 도면,
도 7은 인공 지능 모델의 다양한 학습 방법을 설명하기 위한 도면,
도 8은 인공 지능 모델의 다양한 학습 방법을 설명하기 위한 도면,
도 9는 본 개시의 일 실시 예에 따라 학습된 인공 지능 모델의 출력을 설명하기 위한 블럭도,
도 10은 본 개시의 일 실시 예에 따른 전자 장치의 의류 추천 UI(User Interface) 화면을 설명하기 위한 도면,
도 11은 본 개시의 일 실시 예에 따른 전자 장치의 의류 추천 UI(User Interface) 화면을 설명하기 위한 도면,
도 12는 본 개시의 일 실시 예에 따른 전자 장치의 의류 추천 방법을 설명하기 위한 흐름도,
도 13은 사용자의 피드 제공자 선택에 따라 의류를 추천하는 실시 예를 설명하기 위한 시퀀스도,
도 14는 사용자 단말 장치의 사용 이력 정보에 따라 의류를 추천하는 실시 예를 설명하기 위한 시퀀스도,
도 15는 전자 장치가 학습된 인공 지능 모델을 외부 서버로부터 다운로드하는 실시 예를 설명하기 위한 시퀀스도,
도 16은 본 개시의 일 실시 예에 따른 서버의 간략한 구성을 설명하기 위한 도면, 그리고,
도 17은 사용자의 피드 제공자 선택에 따라 의류를 추천하는 서버에 대한 실시 예를 설명하기 위한 시퀀스도 이다.

이하에서는 도면을 참조하여 본 발명에 대해 더욱 상세히 설명하기로 한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 일 사용 예를 도시한 도면이다.

도 1을 참조하면, 전자 장치(100)는 의류 아이템을 포함하는 이미지가 입력되면, 복수의 의류 조합을 출력하는 학습된 인공 지능 모델을 포함할 수 있다. 여기서, 의류 아이템이라 함은, 상의, 하의, 신발, 가방, 악세사리 등을 의미하는 것일 수 있다. 의류 조합은 복수의 의류 아이템의 조합을 의미하는 것이며, 상의, 하의, 신발, 가방, 악세사리 등의 조합을 의미한다.

이때, 학습된 인공 지능 모델은 복수의 피드(feed) 제공자로부터 피드를 주기적으로 제공받아 각 피드 제공자에 대응되는 의류 조합을 출력하도록 학습된 것일 수 있다. 이때, 인공 지능 모델은 멀티 태스크 러닝(Multi-task learning, MTL)을 수행하여 학습될 수 있다.

멀티 태스크 러닝이란 각각의 태스크들을 동시에 학습시켜 예측 성능을 향상시키는 방법이며, 여기서 태스크란 동일한 환경에서 관측된 샘플의 집합을 의미할 수 있다. 멀티 태스크 러닝에서 태스크는 서로 유사성이 높은 태스크들일 때 학습 성능이 향상될 수 있으며 본 개시의 일 실시 예에 따르면, 서로 스타일이 유사한 브랜드의 피드를 하나의 태스크로 묶어 학습이 수행될 수 있다. 멀티 태스크 러닝은 다양한 태스크(task)로부터 수집되는 데이터에 대해서 모델 자체의 성능을 보장하면서도 일반화 관점에서의 성능을 극대화하기 위한 것으로, 모델의 전체적(global)인 성능과 태스크와 관련된 지역적(local)인 성능을 둘다 고려할 수 있다. 일반적으로는 태스크 별로 모델을 훈련이 필요하고, 모델 별로 훈련하기 위한 충분한 데이터가 필요한데, 멀티 태스크 러닝의 경우 각 태스크 간의 표현(representation)을 서로 공유함으로써 각각 훈련된 모델보다 우수한 성능을 발휘할 수 있다. 멀티 태스크 러닝을 통한 인공 지능 모델의 구체적인 학습 방법은 이하 도 5 내지 8을 참조하여 보다 자세히 설명하기로 한다.

여기서, 피드 제공자는 각 의류 제조사의 서버, 유명인의 SNS 서버, 패션 잡지사의 서버 등일 수 있다. 한편, 피드 제공자로부터 제공되는 피드는 복수의 의류 아이템을 포함하는 조합 이미지일 수 있다. 여기서, 조합 이미지란 상의, 하의, 신발, 가방, 악세사리 등이 모두 포함된 이미지를 의미할 수 있다. 예를 들어, 조합 이미지란 의류 제조사의 화보 사진 또는 스타일링 사진, 유명인의 일상 사진 등, 복수의 의류 아이템이 인물에 착장되거나, 복수의 의류 아이템을 포함하고 있는 사진을 의미할 수 있다.

이때, 전자 장치(100)는 도 1에 도시된 바와 같이 의류 관리기일 수 있으며, 다른 실시 예로, 스마트폰, 냉장고, 에어컨, TV 등으로 구현될 수도 있다.

일 실시 예로, 도 1에 도시된 바와 같이, 전자 장치(100)는 사용자가 의류 조합에 대해 추천 받고자 하는 의류 아이템(11)을 입력 받을 수 있다(①). 구체적으로, 전자 장치(100)는 구비된 카메라(150)를 통해 의류 아이템(11)이 포함된 이미지를 획득할 수 있다. 이때, 전자 장치(100)는 카메라(150)를 통해 의류 아이템(11)이 포함된 이미지를 획득하거나, 의류 아이템(11)이 포함된 이미지를 외부 장치로부터 통신부를 통해 수신할 수도 있다.

이때, 전자 장치(100)는 사용자(10)에 의해 피드 제공자를 선택받을 수 있다. 예를 들어, 전자 장치(100)는 구비된 디스플레이(140)를 통해 사용자(10)가 선택할 수 있는 피드 제공자를 표시할 수 있다. 도 1에서는 디스플레이(150)가 전자 장치(100)의 전면 일부에만 구비된 것으로 도시하였으나, 전면 전부에 적용될 수 있으며, 전면 이외의 측면에도 제공될 수 있다. 또한, 디스플레이(140)가 투명한 경우, 카메라(150)는 디스플레이(140)의 일 영역과 겹치도록 배치될 수도 있다.

이때, 디스플레이(140)가 터치 스크린인 경우, 전자 장치(100)는 사용자의 터치에 의해 피드 제공자를 선택 받을 수 있다. 다른 실시 예로, 전자 장치(100)는 전자 장치(100)에 구비된 버튼을 통해 입력된 사용자 선택에 의해 피드 제공자를 선택 받을 수 있다. 또 다른 실시 예로, 전자 장치(100)가 음성 인식이 가능하면, 전자 장치(100)는 전자 장치(100)에 구비된 마이크를 통한 음성 입력을 통해 피드 제공자를 선택받을 수도 있다.

한편, 사용자(10)가 피드 제공자를 직접 선택하지 않더라도, 전자 장치(100)와 사용자(10)의 단말 장치가 통신하는 경우, 전자 장치(100)는 통신부를 통해 사용자(10)의 단말 장치의 사용 이력 정보를 수신하고, 사용 이력 정보에 기초하여 사용자(10)가 선호하는 피드 제공자를 선택할 수도 있다. 구체적으로, 전자 장치(100)는 사용자(10)의 단말 장치의 사용 이력 정보에서 사용자가 자주 접속하는 피드 제공자에 대한 정보, 구독 신청한 피드 제공자에 대한 정보에 기초하여 사용자(10)가 선호하는 피드 제공자를 선택할 수도 있다.

한편, 실시 예에 따라, 복수의 피드 제공자는 복수의 그룹으로 분류될 수 있다. 여기서, 그룹은 동일한 특징 정보를 갖는 피드를 제공하는 복수의 피드 제공자를 포함하는 상위 카테고리일 수 있다. 예를 들어, 피드 제공자가 의류 브랜드에 대응되는 서버라면, 유사한 스타일(예를 들어, 캐쥬얼)의 의류를 제조하는 복수의 브랜드(예를 들어, A 브랜드, B 브랜드)는 해당 스타일의 그룹에 포함될 수 있다. 이 경우, 전자 장치(100)는 사용자(10)가 그룹을 선택하도록 UI 화면을 제공할 수 있다.

전자 장치(100)는 학습된 인공 지능 모델을 이용하여 입력된 의류 아이템(11)을 포함하는 의류 조합을 획득할 수 있다(②). 구체적으로, 전자 장치(100)는 의류 아이템(11)을 포함하는 이미지를 분석하여, 의류 아이템(11)의 정보를 획득할 수 있다.

보다 구체적으로는, 전자 장치(100)는 조합 이미지에서 의류 아이템을 추출하기 위한 인공 지능 모델에 의류 아이템(11)을 포함하는 이미지를 입력하여 의류 아이템(11)에 대한 정보를 획득할 수 있다. 이때, 조합 이미지에서 의류 아이템을 추출하기 위한 인공 지능 모델은 본 개시의 학습된 인공 지능 모델일 수도 있고, 별개의 인공 지능 모델일 수도 있다. 조합 이미지에서 의류 아이템을 추출하기 위한 인공 지능 모델은, 조합 이미지에서 의류 아이템(11)의 이미지를 크롭하고, 크롭된 의류 아이템(100)의 이미지와 의류 제조사의 서버로부터 기 수신된 판매 의류의 이미지를 비교하여 의류 아이템(11)의 정보를 획득할 수 있다.

그리고, 전자 장치(100)는 획득된 의류 아이템(11)의 정보를 의류 조합을 출력하도록 학습된 인공 지능 모델에 입력하여 의류 아이템(11)이 포함된 복수의 의류 조합을 획득할 수 있다.

그리고, 전자 장치(100)는 획득된 복수의 의류 조합 중 적어도 하나의 의류 조합을 사용자(10)에게 제공할 수 있다. 이때, 전자 장치(100)는 적어도 하나의 의류 조합에 포함된 의류 아이템의 정보를 사용자(10)에게 제공할 수 있다(③). 이때, 전자 장치(100)는 복수의 피드 제공자에 포함된 의류 제조사로부터 판매되는 의류 아이템에 대한 정보를 의류 추천 동작을 수행하기 전에 수신하여 저장하고, 저장된 의류 아이템에 대한 정보 중, 획득된 의류 조합에 포함된 의류 아이템에 대한 정보를 사용자(10)에게 제공할 수 있다.

이때, 사용자(10)에게 정보가 제공되는 의류 아이템이 포함된 적어도 하나의 의류 조합은 사용자(10)가 선택한 피드 제공자에 대응되는 의류 조합일 수 있다.

한편, 복수의 피드 제공자가 복수의 그룹(스타일, 색상 등)으로 분류되어, 사용자(10)로부터 그룹(예를 들어, 캐쥬얼)이 선택된 경우, 전자 장치(100)는 선택된 그룹에 포함된 피드 제공자(예를 들어, A 브랜드, B 브랜드 등)에 각각 대응되는 복수의 의류 조합을 사용자(10)에게 제공할 수 있다.

상술한 바와 같이, 본 개시에 따르면, 입력된 의류 아이템에 대해 복수의 의류 조합이 출력되므로 다양한 스타일의 의류 조합의 제공이 가능하며, 사용자의 선택 또는 사용 이력 정보에 기초하여 개인화된 의류 아이템을 추천할 수 있게 된다.

도 2는 본 개시의 일 실시 예에 따른 전자 장치의 간략한 구성을 설명하기 위한 도면이다.

도 2를 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.

메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 메모리(110)에는 적어도 하나의 명령어가 저장될 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어를 실행함으로써 전자 장치(100)의 동작을 수행할 수 있다.

메모리(110)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(110)에는 디스플레이의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.

메모리(110)에는 의류 추천 시스템을 동작하기 위한 학습된 인공 지능 모델이 저장될 수 있다. 구체적으로, 학습된 인공 지능 모델은 복수의 피드 제공자로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 것일 수 있다. 이때, 학습된 인공 지능 모델은 전자 장치(100)에서 학습된 것이거나, 외부 서버에서 학습된 것으로, 외부 서버로부터 다운로드된 것일 수 있다.

구체적으로, 학습된 인공 지능 모델은 복수의 피드 제공자와 무관한 공통 파라미터및 복수의 피드 제공자 각각에 대응되는 개별 파라미터를 포함할 수 있다. 본 개시에 따른 공통 파라미터란 멀티 태스크 구성에 따른 의류 전반적인 특징이나 특정 스타일의 전반적인 특징을 의미할 수 있다. 예를 들어, 의류 전반적인 특징은 소재나, 티셔츠 팬츠 등의 카테고리 정보에 관한 특징일 수 있으며, 특정 스타일의 전반적인 특징은 캐주얼 만의 색상 특징이나 빈티지와 같은 특징들을 의미할 수 있다. 본 개시에 따른 개별 파라미터란 예를 들어, 같은 캐쥬얼 카테고리 에서도 각 브랜드마다의 특징이 다르므로, 브랜드마다의 특징에 따라 추출된 파라미터를 의미할 수 있다. 예를 들어, 캐쥬얼 브랜드들의 경우 캐쥬얼 이라는 공통 파라미터가 있지만, 각 브랜드 만의 고유의 특징이 있으며, 각 브랜드마다의 고유의 특징(예로, 패턴, 상표, 핏(fit) 등)이 개별 파라미터로 나타날 수 있다.

학습된 인공 지능 모델은 복수의 피드 제공자로부터 획득된 복수의 조합 이미지를 학습 이미지(training image)로 입력받아, 공통 파라미터 및 복수의 개별 파라미터를 학습할 수 있다.

한편, 학습된 인공 지능 모델은, 복수의 피드 제공자를 복수 개로 그룹화할 수 있다. 이때, 그룹화된 피드 제공자들은 공통 파라미터를 공유할 수 있다. 즉, 그룹 별로 공통 파라미터를 공유할 수 있다. 그리고, 학습된 인공 지능 모델은 그룹화된 복수의 피드 제공자로부터 획득된 복수의 조합 이미지를 학습 이미지로 하여 그룹화된 복수의 피드 제공자에 대응되는 공통 파라미터를 학습할 수 있다.

이때, 학습된 인공 지능 모델은, 계층적으로 구성될 수 있다. 여기서, 계층적으로 구성된다는 것은, 인공 지능 모델이 복수의 피드 제공자 중 유사한 특징 정보를 갖는 조합 이미지를 제공하는 피드 제공자를 그룹핑하여 학습하는 것을 의미할 수 있다. 즉, 인공 지능 모델은 공통적인 특징을 갖는 조합 이미지를 제공하는 복수의 피드 제공자는 공통적인 특징과 관련된 상위 카테고리로 그룹핑되어 학습될 수 있다. 공통적인 특징은 조합 이미지간의 카테고리, 스타일등과 같은 특징들이 공통되는지에 관한 특징을 의미하며, 예를 들어 캐쥬얼 브랜드들의 경우, 캐쥬얼 스타일이 공통적인 특징일 수 있으며, 정장 브랜드들의 경우, 모던 스타일이 공통적인 특징일 수 있다. 상위 카테고리는 공통적인 특징들을 더 상위 카테고리로 그룹핑한 것으로, 예로, 캐쥬얼, 빈티지, 레이어드가 하나의 상위 카테고리로 그룹핑될 수 있으며, 모던, 미니멀리즘, 댄디가 하나의 또 다른 상위 카테고리로 그룹핑될 수 있다.

구체적으로, 학습된 인공 지능 모델은 복수의 피드 제공자로부터 획득된 복수의 조합 이미지 별로 특징 정보의 추출을 통해 가중치를 획득할 수 있다. 이때, 특징 정보는 조합 이미지에 포함된 의류 아이템의 형태적 특징, 색상 조합, 텍스쳐 조합 중 적어도 하나일 수 있다.

예를 들어, 특징 정보는 상의 및 하의의 형태적 특징, 색상 특징, 텍스쳐 특징의 조합일 수 있다. 여기서, 의류 아이템의 형태적 특징이라 함은, 상의의 경우, 상의의 길이, 소매의 길이 및 형태, 카라의 형태 등을 포함할 수 있고, 하의의 경우, 하의의 길이, 바지의 라인, 밑위의 길이 등을 포함할 수 있다. 신발의 경우, 종류, 굽 높이, 앞 코의 형태 등이 형태적 특징에 포함될 수 있다. 한편, 텍스쳐 특징은 의류 아이템의 재질, 천의 종류, 천에 포함된 무늬 등을 포함할 수 있다.

학습된 인공 지능 모델은, 상술한 특징 정보를 통해 조합 이미지 별로 획득된 인공 지능 모델의 가중치를 비교하고, 비교 결과 가중치의 차이가 기 설정된 범위 내인 조합 이미지를 제공한 복수의 피드 제공자를 그룹화할 수 있다. 즉, 학습된 인공 지능 모델은 조합 이미지 분석을 통해 유사한 스타일의 조합 이미지를 제공하는 피드 제공자를 그룹화할 수 있다.

그리고, 학습된 인공 지능 모델은 그룹화된 복수의 피드 제공자로부터 각각 획득된 복수의 조합 이미지가 입력되면, 그룹화된 복수의 피드 제공자 각각에 대한 의류 조합이 획득되도록 공통 파라미터를 학습할 수 있다. 이때, 학습되는 공통 파라미터는 그룹화된 복수의 피드 제공자에 대응되는 것으로, 그룹화된 복수의 피드 제공자가 공유하는 파라미터일 수 있다.

한편, 학습된 인공 지능 모델은 복수의 피드 제공자로부터 제공된 조합 이미지 자체를 입력 데이터로 이용할 수 있으나, 다른 실시 예로, 조합 이미지에 포함된 복수의 의류 아이템을 추출하고, 추출된 복수의 의류 아이템의 정보를 입력 데이터로 이용할 수도 있다.

이때, 조합 이미지에 포함된 복수의 의류 아이템은 학습된 인공 지능 모델 자체에서 추출될 수도 있고, 별개의 인공 지능 모델에서 추출될 수도 있다. 이때, 별개의 인공 지능 모델은 CNN(Convolutional Neural Network)일 수 있다. 별개의 인공 지능 모델에서 복수의 의류 아이템의 정보를 추출하는 경우, 별개의 인공지능 모델에서 추출된 복수의 의류 아이템의 정보가 학습된 인공지능 모델에 입력될 수 있으며, 학습된 인공 지능 모델은 별개의 인공지능 모델에서 추출된 복수의 의류 아이템의 정보의 조합을 입력 데이터로 이용할 수 있다. 조합 이미지에서 복수의 의류 아이템의 정보를 추출하는 동작은 이하 도 5를 참조하여 보다 자세히 설명하기로 한다.

프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 동작을 전반적으로 제어할 수 있다. 구체적으로, 프로세서(120)는 메모리(110)에 저장된 적어도 하나의 명령어를 실행하여 전자 장치(100)를 제어할 수 있다.

본 개시의 프로세서(120)는 의류 아이템을 포함하는 이미지가 입력되면, 학습된 인공 지능 모델에 입력된 이미지를 입력하여 입력된 이미지에 포함된 의류 아이템을 포함하는 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득할 수 있다. 이때, 학습된 인공 지능 모델은 복수의 피드 제공자 각각으로부터 복수의 피드를 주기적으로 제공받아 피드 제공자 각각에 대하여 의류 조합을 출력하도록 학습된 것일 수 있다.

일 실시 예로, 티셔츠를 포함하는 이미지가 입력되면, 프로세서(120)는 입력된 티셔츠, 하의, 신발, 악세사리 등 입력된 티셔츠를 포함하는 복수의 의류 조합을 출력할 수 있으며, 여기서 복수의 의류 조합은 복수의 피드 제공자 각각에 대응되는 것일 수 있다. 즉, 복수의 피드 제공자 별로 입력된 티셔츠, 하의, 신발, 악세사리 등의 조합이 출력될 수 있다.

구체적으로, 프로세서(120)는 입력된 이미지에 포함된 의류 아이템을 추출하고, 추출된 의류 아이템에 대한 정보를 학습된 인공 지능 모델에 입력 데이터로서 입력할 수 있다. 이때, 학습된 인공 지능 모델은 입력된 의류 아이템에 대한 정보에 기초하여 복수의 피드 제공자 별 의류 아이템의 정보의 조합을 출력할 수 있다.

그리고, 프로세서(120)는 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 적어도 하나의 의류 조합을 제공할 수 있다. 구체적으로, 프로세서(120)는 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공할 수 있다. 여기서, 의류 아이템에 대한 정보는, 의류 아이템의 제조사, 품번, 사이즈, 색상 등일 수 있으며, 프로세서(120)는 실시 예에 따라 해당 의류 아이템의 온라인 구매 사이트의 링크를 함께 제공할 수도 있다.

이때, 프로세서(120)는 복수의 피드 제공자 중 적어도 하나의 피드 제공자가 선택되면, 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 선택된 적어도 하나의 피드 제공자에 대응되는 의류 조합을 제공할 수 있다. 이때, 선택된 적어도 하나의 피드 제공자는 사용자에 의해 선택되거나, 사용자의 단말 장치의 사용 이력 정보에 기초하여 선택된 것일 수 있다. 즉, 학습된 인공 지능 모델로부터 출력된 의류 조합 중 선택된 의류 조합만이 사용자에게 제공될 수 있다.

도 3은 도 2에 개시된 전자 장치의 구체적인 구성을 설명하기 위한 블럭도이다.

도 3을 참조하면, 전자 장치(100)는 메모리(110), 프로세서(120), 통신부(130), 디스플레이(140), 카메라(150), 입력부(160), 스피커(170) 및 패션 추천 어플리케이션(180)를 포함할 수 있다.

여기서, 메모리(110) 및 프로세서(120)의 일부 구성은 도 2에 도시된 구성과 동일한 바, 중복된 기재는 생략한다.

통신부(130)는 외부 전자 장치와 통신을 수행하기 위한 구성이다. 한편, 통신부(130)가 외부 장치와 통신 연결되는 것은 제3 기기(예로, 중계기, 허브, 엑세스 포인트, 서버 또는 게이트웨이 등)를 거쳐서 통신하는 것을 포함할 수 있다.

통신부(130)는 유선 통신 또는 무선 통신을 통해 사용자 단말 장치와 통신하여 사용자 단말 장치로부터 사용자 단말 장치의 사용 이력 정보를 수신할 수 있다. 예를 들어, 전자 장치(100)는 사용자 단말 장치와의 USB(universal serial bus), HDMI(high definition multimedia interface) 등의 유선 연결 또는 Wi-fi, 블루투스, NFC 태그 등의 무선 연결을 통해 사용자 단말 장치의 사용 이력 정보를 수신할 수 있다. 이때, 사용 이력 정보는 사용자가 자주 접속하는 피드 제공자에 대한 정보, 접속 횟수, 접속 시간, 사용자가 구독하는 피드 제공자에 대한 정보 등을 포함할 수 있다.

프로세서(120)는 통신부(130)를 통해 수신된 사용자 단말 장치의 사용 이력 정보에 기초하여 복수의 피드 제공자 중 적어도 하나의 피드 제공자를 선택할 수 있고, 선택된 적어도 하나의 피드 제공자에 대응되는 적어도 하나의 의류 조합을 제공할 수 있다.

한편, 통신부(130)는 외부 서버와 통신하여 외부 서버로부터 학습된 인공 지능 모델을 수신할 수 있다. 프로세서(120)는 외부 서버에서 학습된 복수의 인공 지능 모델 중 선택된 적어도 하나의 피드 제공자에 대응되는 학습된 인공 지능 모델을 통신부(130)를 통해 외부 서버로부터 다운로드할 수 있다.

예를 들어, 전자 장치(100)가 태블릿 PC 또는 모바일 기기인 경우, 외부 서버에서 학습된 복수의 인공 지능 모델을 포함하는 패션 추천 어플리케이션(180)이 어플리케이션 스토어에 등록되면, 사용자는 전자 장치(100)에서 패션 추천 어플리케이션(180)을 다운받아, 패션 추천 어플리케이션(180)을 통해 선호하는 피드 제공자에 대응되는 학습된 인공 지능 모델을 선택하여 다운로드 받을 수 있다. 이 경우, 전자 장치(100)에서 학습 동작을 할 필요가 없어, 전자 장치(100)의 데이터 처리 부담을 줄일 수 있다.

디스플레이(140)는 프로세서(120)의 제어에 따라 다양한 정보를 표시할 수 있다. 특히, 디스플레이(140)는 피드 제공자를 선택받기 위한 UI 화면을 표시할 수 있다. 또한, 디스플레이(140)는 획득된 의류 조합에 포함된 의류 아이템에 대한 정보를 표시할 수 있다. 디스플레이(140)는 터치 패널과 함께 터치 스크린으로 구현될 수 있다.

카메라(150)는 전자 장치(100)의 일 측면에 배치되어, 의류 아이템을 포함하는 이미지를 획득하기 위한 구성이다. 이때, 카메라(150)는 정지 영상 또는 동영상을 촬상할 수 있다.

입력부(160)는 전자 장치(100)를 제어하기 위한 사용자 입력을 수신할 수 있다. 예로, 입력부(160)는 전자 장치(100)를 제어하기 위한 사용자의 사용자 터치를 입력받기 위한 터치 패널, 사용자 조작을 입력받기 위한 버튼, 사용자 음성을 입력받기 위한 마이크 등이 포함될 수 있다. 그러나, 도 3에 도시된 입력부(160)의 예는 일 실시예에 불과할 뿐, 다른 입력 장치(예로, 키보드, 마우스, 모션 입력부 등)로 구현될 수 있다.

스피커(170)는 프로세서(120) 또는 별도의 오디오 처리부에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라, 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 스피커(170)는 획득된 의류 아이템에 대한 정보를 자연어 형태의 음성 메시지로 출력할 수 있다. 한편, 오디오를 출력하기 위한 구성은 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.

패션 추천 어플리케이션(180)은 외부 서버에서 학습된 복수의 인공지능 모델을 다운 받을 수 있다. 즉, 전자 장치(100)가 태블릿 PC 또는 모바일 기기인 경우 외부 서버에서 학습된 복수의 인공지능 모델을 포함하는 패션 추천 어플리케이션(180)이 전자 장치(100)의 어플리케이션 스토어에 등록되면, 사용자는 전자 장치(100)에서 패션 추천 어플리케이션(180)을 다운받아, 패션 추천 어플리케이션(180)을 통해 선호하는 피드 제공자에 대응되는 학습된 인공지능 모델을 선택하여 다운로드 받을 수 있다.

본 개시의 일 실시 예에 따른, 전자 장치(100)가 의류 관리기인 경우, 의류 관리부(미도시)를 더 포함할 수 있으며, 의류 관리부(미도시)는 세탁수를 통한 별도의 세탁 과정 없이 의류의 주름, 먼지 또는 냄새를 제거하기 위한 구성일 수 있다. 이때, 의류 관리부(미도시)는 스팀을 생성하는 스팀 생성부, 전자 장치(100)의 내부에서 의류를 지지 또는 고정할 수 있는 의류 지지부, 공기 순환부 등을 포함할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 의류 추천 시스템을 설명하기 위한 도면이다.

도 4를 참조하면, 의류 추천 시스템(100)은 복수의 피드 제공자(200-1 내지 200-n) 및 인공 지능 모델(111)을 포함할 수 있다.

우선, 복수의 피드 제공자(200-1 내지 200-n) 각각은 주기적으로 인공 지능 모델(111)에 피드를 제공할 수 있다(①). 이때, 피드는 복수의 의류 아이템이 조합된 조합 이미지일 수 있다.

인공 지능 모델(111)은 복수의 피드 제공자(200-1 내지 200-n)로부터 획득된 복수의 조합 이미지를 학습 이미지로하여 의류 조합을 학습할 수 있다(②). 구체적으로, 인공 지능 모델(111)은 획득된 조합 이미지에서 복수의 의류 아이템을 추출하고, 추출된 의류 아이템에 대한 정보의 조합을 입력 데이터로 이용하여 조합 이미지를 제공한 피드 제공자에 대한 의류 조합으로 학습할 수 있다. 조합 이미지에서 복수의 의류 아이템을 추출하는 동작은 이하 도 5를 참조하여 자세히 설명하기로 한다.

인공 지능 모델(111)은 피드 제공자와 무관한 공통 파라미터 및 피드 제공자 각각에 대응되는 복수의 개별 파라미터를 포함하고, 복수의 피드 제공자(200-1 내지 200-n)로부터 획득된 조합 이미지를 학습 데이터로 입력받아 공통 파라미터 및 복수의 개별 파라미터를 학습하는 멀티 태스크 러닝을 수행하여 학습된 것일 수 있다. 여기서, 인공 지능 모델(111)은 서버에서 학습될 수도 있고, 전자 장치에서 학습될 수도 있다.

사용자(10)는 학습된 인공 지능 모델(111)에 의류 아이템 이미지를 입력할 수 있다(③). 이때, 학습된 인공 지능 모델(111)은 본 개시의 전자 장치에 저장된 것으로, 인공 지능 모델(111)이 서버에서 학습된 경우에는, 서버로부터 전자 장치에 다운로드된 것일 수 있다. 즉, 사용자(10)는 전자 장치를 통해 학습된 인공 지능 모델(111)에 의류 아이템 이미지를 입력할 수 있다.

그리고, 학습된 인공 지능 모델(111)은 입력된 의류 아이템을 포함하는 의류 조합을 사용자(10)에게 제공할 수 있다(④). 이때, 학습된 인공 지능 모델(111)은 인공 지능 모델(111)에 조합 이미지를 제공한 복수의 피드 제공자(200-1 내지 200-n) 각각에 대응되는 복수의 의류 조합을 출력할 수 있다. 그리고, 출력된 복수의 의류 조합 중 사용자가 선택한 적어도 하나의 피드 제공자에 대한 의류 조합만을 사용자(10)에게 제공할 수 있다. 예를 들어, 사용자(10)가 의류 아이템인 '바지'를 포함하는 이미지를 학습된 인공 지능 모델(111)에 입력하면, 학습된 인공 지능 모델(111)은 복수의 피드 제공자(200-1 내지 200-n) 별로 입력된 '바지'를 포함하는 의류 조합을 출력하고, 출력된 n개의 의류 조합 중 사용자(10)가 선택한 적어도 하나의 피드 제공자에 대응되는 의류 조합만을 사용자(10)에게 제공할 수 있다.

도 5는 본 개시의 일 실시 예에 따른 인공 지능 모델의 입력 데이터를 획득하는 방법을 설명하기 위한 도면이다.

도 5를 참조하면, 피드 제공자 1(200-1)은 복수의 의류 아이템을 포함하는 조합 이미지(51)을 인공 지능 모델(111)에 제공할 수 있다. 인공 지능 모델(111)은 제공된 조합 이미지(51)에서 복수의 의류 아이템(52 내지 55)를 추출할 수 있다. 이때, 인공 지능 모델(111)은 이미지 분석을 통해 조합 이미지(111)에 포함된 상의(52), 악세사리(53), 하의(54), 신발(55) 등의 의류 아이템을 추출할 수 있다. 한편, 도 5에서는 인공 지능 모델(111)에 입력된 조합 이미지(51)에서 복수의 의류 아이템(52 내지 55)이 추출되는 것으로 도시되었으나, 실제 구현시에는 조합 이미지(51)에서 복수의 의류 아이템(52 내지 55)을 추출하는 동작은 별개의 인공 지능 모델을 통해 수행될 수도 있다.

인공 지능 모델(111)은 추출된 복수의 의류 아이템(52 내지 55)에 대한 정보를 획득하고, 획득된 정보의 조합을 입력 데이터로 이용하여 피드 제공자 1(200-1)에 대한 조합을 학습(56)할 수 있다. 추출된 복수의 의류 아이템에 대한 정보는 의류 아이템을 포함하는 이미지로부터 인식될 수 있는 의류 아이템에 대한 정보를 의미하며 예로, 색상, 모양, 패턴과 같은 정보일 수 있다. 이때, 복수의 의류 아이템(52 내지 55)에 대한 정보는 복수의 의류 제조사로부터 제공된 판매 의류에 대한 정보에 기초하여 획득될 수 있다. 예를 들어, 의류 제조사로부터 제공된 판매 의류에 대한 이미지 중 추출된 복수의 의류 아이템(52 내지 55)의 이미지를 비교하여, 판매 의류에 대한 정보 중 복수의 의류 아이템(52 내지 55)에 대한 정보가 획득될 수 있다.

도 5에서는 설명의 편의를 위하여 피드 제공자 1(200-1)이 하나의 조합 이미지(51)를 인공 지능 모델(111)에 제공하는 것으로 도시하였으나, 실제 구현시에는 피드 제공자 1(200-1)은 복수의 조합 이미지를 인공 지능 모델(111)에 주기적으로 제공하며, 피드 제공자 1(200-1)을 제외한 복수의 피드 제공자도 인공 지능 모델(111)에 조합 이미지를 제공할 수 있다. 이때, 피드 제공자 1(200-1)을 제외한 복수의 피드 제공자도 피드 제공자 1(200-1)과 동일하게 동작할 수 있다.

도 6 내지 도 8은 인공 지능 모델의 다양한 학습 방법을 설명하기 위한 도면이다. 구체적으로, 도 6은 멀티 태스크 러닝의 하드 파라미터 공유 방식으로 인공 지능 모델을 학습하는 방법을 설명하기 위한 도면이다.

도 6을 참조하면, 복수의 피드 제공자(200-1 내지 200-n)는 인공 지능 모델(111)에 학습 이미지를 제공할 수 있다. 이때, 학습 이미지는 복수의 피드 제공자(200-1 내지 200-n)로부터 제공되는 조합 이미지일 수 있다.

도 6은 하드파라미터 공유 방식으로 학습을 수행하는 인공지능 모델(111)을 나타낸 도면이다. 하드 파라미터공유 방식이란 모든 태스크간에 숨겨진 레이어(은닉층)는 공유하며, 각 태스크 별 출력 레이어는 유지하는 방식을 의미할 수 있다. 태스크란, 각각의 피드 제공자에 대응되는 개별 파라미터를 획득하는 과정을 의미할 수 있다.

하드 파라미터 공유 방식으로 학습된 인공 지능 모델(111)은 피드 제공자와 무관한 공통 파라미터(61) 및 복수의 피드 제공자(200-1 내지 200-n) 각각에 대응되는 복수의 개별 파라미터(62-1 내지 62-n)를 포함할 수 있다. 여기서, 공통 파라미터(61)는 숨겨진 레이어(은닉층), 복수의 개별 파라미터(62-1 내지 62-n) 각 피드 제공자 별 출력 레이어(출력층)일 수 있다.

도 6에서는 공통 파라미터(61)가 3개의 레이어로 구성된 것으로 도시되었으나 이에 한정되지 않는다. 또한 도 6에서는, 공통 파라미터(61)로 구성된 레이어 이후에 복수의 개별 파라미터(62-1 내지 62-n)로 구성된 레이어가 배치되는 것으로 도시되었으나, 공통 파라미터(61)의 레이어 사이에 복수의 개별 파라미터(62-1 내지 62-n)로 구성된 적어도 하나의 레이어가 배치될 수도 있다.

이러한 하드 파라미터 공유 방식은 과적합의 위험을 크게 줄일 수 있다는 효과가 있다.

도 7은 멀티 태스크 러닝의 소프트 파라미터 공유 방식으로 인공 지능 모델을 학습하는 방법을 설명하기 위한 도면이다.

도 7을 참조하면, 복수의 피드 제공자(200-1 내지 200-n)는 인공 지능 모델(111)에 학습 이미지를 제공할 수 있다. 이때, 학습 이미지는 복수의 피드 제공자(200-1 내지 200-n)로부터 제공되는 조합 이미지일 수 있다.

도 7은 소프트 파라미터 공유 방식으로 학습을 수행하는 인공지능 모델(111)을 나타낸 도면이다. 소프트 파라미터 공유 방식이란 각 태스크마다 자체 파라미터를 가지며, 자체 파라미터가 유사해지기 위해 자체 파라미터 간 거리가 정규화되는 방식을 의미할 수 있다.

소프트 파라미터 공유 방식으로 학습된 인공 지능 모델(111)은 공통 파라미터(71-1 내지 71-n) 및 개별 파라미터(72-1 내지 72-n)을 포함할 수 있다.

도 7에서의 공통 파라미터(71-1 내지 71-n) 는 복수의 피드 제공자(200-1 내지 200-n) 별 모델에 포함되는 자체 파라미터이나, 서로 정규화된다는 점에서 공유된다고 볼 수 있다. 한편, 복수의 개별 파라미터(72-1 내지 72-n) 각 피드 제공자 별 출력 레이어일 수 있다.

도 8은 계층적으로 인공 지능 모델을 학습하는 방법을 설명하기 위한 도면이다.

도 8을 참조하면, 복수의 피드 제공자(200-1 내지 200-n)은 복수의 그룹으로 그룹화될 수 있다. 일 실시 예로, 피드 제공자 1(200-1) 및 피드 제공자 2(200-2)가 제1 그룹, 피드 제공자 3(200-3) 및 피드 제공자 4(200-4)가 제2 그룹, 피드 제공자(n-1)(200-(n-1)) 및 피드 제공자 n이 제m 그룹으로 그룹화될 수 있다. 그리고, 각 그룹 별로 인공 지능 모델(111-1 내지 111-m)이 학습될 수 있으며, 인공 지능 모델(111-1 내지 111-m) 각각은 별개의 공통 파라미터를 포함하여 이를 학습할 수 있다.

이때, 각 그룹은 각 피드 제공자에서 제공되는 조합 이미지를 분석하여, 유사한 특징 정보를 갖는 조합 이미지를 제공하는 피드 제공자로 구성된 것일 수 있다. 즉, 그룹은 포함된 피드 제공자의 상위 카테고리일 수 있다. 여기서 특징 정보는, 조합 이미지에 포함된 의류 아이템의 형태적 특징, 색상 조합, 텍스쳐 조합 중 적어도 하나일 수 있다.

일 실시 예로, 각 그룹이 의류 스타일로 분류된다면, '히피'인 피드 제공자 1(200-1) 및 '힙합'인 피드 제공자 2(200-2)가 '캐쥬얼'인 제1 그룹으로 분류되어 제1 그룹에 대응되는 인공 지능 모델(111-1)이 피드 제공자 1(200-1) 및 피드 제공자 2(200-2)가 제공하는 조합 이미지를 학습 이미지로 입력받아 학습될 수 있다.

그리고, '수트'인 피드 제공자 3(200-3) 및 '유니폼'인 피드 제공자 4(200-4)는 '정장'인 제2 그룹으로 분류되어 제2 그룹에 대응되는 인공 지능 모델(111-2)이 피드 제공자 3(200-3) 및 피드 제공자 4(200-4)가 제공하는 조합 이미지를 학습 이미지로 입력 받아 학습될 수 있다.

이러한 실시 예에서는 사용자가 '캐쥬얼'을 선택하는 경우, 제1 그룹에 대응되는 인공 지능 모델(111-1)만을 이용하여 피드 제공자 1(200-1) 및 피드 제공자 2(200-2)에 각각 대응되는 의류 조합만을 획득할 수 있다. 이로 인해 n개의 의류 조합이 출력되는 실시 예보다 전자 장치의 데이터 처리 부담이 줄어들 수 있다.

한편, 도 8에서는 2개의 피드 제공자가 하나의 그룹에 포함되는 것으로 도시하였으나, 이에 한정되지 않으며 3개 이상의 피드 제공자가 하나의 그룹에 포함될 수도 있으며, 그룹 별로 다른 개수의 피드 제공자가 포함될 수도 있다.

또한, 도 8에서는 설명의 편의를 위하여 인공 지능 모델(111-1 내지 111-m)이 하드 파라미터 공유 방식으로 학습된 것으로 도시되었으나, 적어도 일부의 인공 지능 모델은 소프트 파라미터 공유 방식으로 학습될 수도 있다.

도 9는 본 개시의 일 실시 예에 따라 학습된 인공 지능 모델의 출력을 설명하기 위한 블럭도이다.

도 9를 참조하면, 의류 아이템(91)을 포함하는 이미지가 입력된 경우, 인공 지능 모델(111)은 복수의 의류 조합(92-1 내지 92-n)을 출력할 수 있다. 이때, 복수의 의류 조합(92-1 내지 92-n)은 인공 지능 모델(111)을 학습할 때 조합 이미지를 제공했던 복수의 피드 제공자에 대응될 수 있다.

도 9에 도시된 바와 같이, 본 개시에 따른 학습된 인공 지능 모델(111)은 입력 데이터에 대해 복수의 출력 데이터인 복수의 의류 조합(92-1 내지 92-n)이 획득되며, 복수의 의류 조합(92-1 내지 92-n) 중 적어도 하나의 의류 조합에 포함된 의류 아이템의 정보가 사용자에게 제공될 수 있다. 이때, 사용자에게 제공되는 의류 조합은 사용자가 선택한 피드 제공자에 대응되는 것이거나, 사용자 단말 장치의 사용 이력에 기초하여 선택된 사용자 선호 피드 제공자에 대응되는 것일 수 있다.

도 10은 본 개시의 다양한 실시 예에 따른 전자 장치의 의류 추천 UI(User Interface) 화면을 설명하기 위한 도면이다.

도 10을 참조하면, 전자 장치는 구비된 디스플레이를 통해 피드 제공자를 선택받기 위한 UI 화면(1010)을 표시할 수 있다. 이때, 피드 제공자를 선택하기 위한 UI 화면(1010)에는 복수의 피드 제공자를 선택하기 위한 오브젝트가 표시될 수 있다. 이때, UI 화면(1010)에 표시된 복수의 피드 제공자는 인공 지능 모델의 학습 단계에서 학습 이미지를 제공한 것이다. 여기서, 인공 지능 모델은 도 6 및 도 7에 도시된 인공 지능 모델과 동일한 방식으로 학습된 것일 수 있다. 그리고, 피드 제공자는 의류 제조사의 서버일 수도 있고, 유명인의 SNS 서버, 패션 잡지사의 서버 등일 수 있다.

사용자는 피드 제공자를 선택하기 위한 UI 화면(1010)에서 하나의 피드 제공자를 선택할 수 있다. 이때, 사용자는 터치 스크린, 버튼, 음성 입력 등을 통해 피드 제공자를 선택할 수 있다. 또 다른 실시 예로, 전자 장치가 사용자 단말 장치의 이력 정보를 획득한 경우에는 사용자의 선택이 입력되지 않더라도, 사용자가 선호하는 피드 제공자가 선택될 수도 있다.

피드 제공자가 선택되면, 전자 장치는 학습된 인공 지능 모델에서 획득된 복수의 의류 조합 중 선택된 피드 제공자에 대응되는 의류 조합에 포함된 의류 아이템의 정보를 표시하는 UI 화면(1020)을 표시할 수 있다.

예를 들어, 도 10에 도시된 바와 같이 '피드 제공자 2'가 선택된 경우, 전자 장치는 인공 지능 모델로부터 획득된 복수의 의류 조합 중 '피드 제공자 2'에 대한 의류 조합에 포함된 의류 아이템의 정보를 제공할 수 있다. 이때, '피드 제공자 2'에 대한 의류 조합에는 사용자가 입력한 의류 아이템인 '상의' 이미지(1021)를 포함하고, '하의' 이미지(1022), '하의'에 대한 정보(1023), '악세사리' 이미지, '악세사리'에 대한 정보, 신발 이미지, 신발에 대한 정보가 포함될 수 있다.

여기서, 의류 아이템에 대한 정보는 의류 아이템의 제조사 정보, 품번 정보, 색상 정보, 사이즈 정보, 가격 정보 및 해당 의류 아이템을 구매할 수 있는 온라인 구매 사이트의 링크 중 적어도 하나를 포함할 수 있다. 한편, 실시 예에 따라 의류 아이템에 대한 정보 없이 의류 아이템의 이미지만이 표시되고, 의류 아이템의 이미지를 선택하면, 선택된 의류 아이템의 정보가 제공되도록 구현될 수도 있다.

도 11은 본 개시의 다양한 실시 예에 따른 전자 장치의 의류 추천 UI(User Interface) 화면을 설명하기 위한 도면이다. 도 11의 전자 장치에 포함된 학습된 인공 지능 모델은 도 8에 도시된 인공 지능 모델과 동일한 방식으로 학습된 것일 수 있다.

도 11을 참조하면, 전자 장치는 구비된 디스플레이를 통해 스타일을 선택하기 위한 UI 화면(1110)을 표시할 수 있다. 여기서, 스타일이란 복수의 피드 제공자가 그룹핑된 상위 개념일 수 있다. 구체적으로, 피드 제공자로부터 획득된 조합 이미지 분석을 통해 유사한 특징 정보를 갖는 조합 이미지를 제공하는 복수의 피드 제공자가 특정 스타일로 그룹핑될 수 있다. 일 실시 예로, 스타일은 정장, 캐쥬얼, 스포티 등을 포함할 수 있고, 각 스타일 별로 유사한 특징 정보를 갖는 의류 제조사 서버, 유명인 SNS 서버 등이 포함될 수 있다.

한편, 스타일은 복수의 피드 제공자가 그룹핑된 기준의 일 실시 예에 불과하며, 색상, 텍스쳐(예로, 트위드, 헤링본, 린넨, 니트 등) 등 다양한 기준으로 그룹핑될 수도 있다.

이때, 스타일을 선택하기 위한 UI 화면(1110)에는 복수의 스타일을 선택하기 위한 오브젝트가 표시될 수 있다. 이때, UI 화면(1110)에 표시된 복수의 스타일은 복수의 피드 제공자를 각각 포함하며, 각 스타일 별 복수의 피드 제공자는 인공 지능 모델의 학습 단계에서, 각 스타일 별 공통 파라미터를 학습하기 위해 학습 이미지를 제공한 것일 수 있다.

사용자는 스타일을 선택하기 위한 UI 화면(1110)에서 하나의 스타일을 선택할 수 있다. 이때, 사용자는 터치 스크린, 버튼, 음성 입력 등을 통해 스타일을 선택할 수 있다. 또 다른 실시 예로, 전자 장치가 사용자 단말 장치의 이력 정보를 획득한 경우에는 사용자의 선택이 입력되지 않더라도, 사용자가 선호하는 스타일이 식별될 수도 있다.

스타일이 선택되면, 전자 장치는 학습된 인공 지능 모델에서 획득된 복수의 의류 조합 중 선택된 스타일에 포함된 복수의 피드 제공자 각각에 대응되는 의류 조합에 포함된 의류 아이템의 정보를 표시하는 UI 화면(1120)을 표시할 수 있다.

예를 들어, 도 11에 도시된 바와 같이 '캐쥬얼'이 선택된 경우, 전자 장치는 인공 지능 모델로부터 획득된 복수의 의류 조합 중 '캐쥬얼'에 포함된 복수의 의류 제공자(A 피드 제공자, B 피드 제공자, C 피드 제공자) 각각에 대한 의류 조합에 포함된 의류 아이템의 정보를 제공할 수 있다.

이때, 의류 아이템의 정보를 표시하는 UI 화면(1120)에는 '캐쥬얼'에 포함된 복수의 의류 제공자 각각에 대한 의류 조합에 포함되는 의류 아이템에 대한 정보가 표시되며, 이때, 복수의 의류 제공자 각각에 대한 의류 조합에 포함된 의류 아이템의 정보에는 사용자가 입력한 의류 아이템인 '상의' 이미지, 이와 어울리는 '하의' 이미지, '악세사리' 이미지, '신발' 이미지가 포함될 수 있다.

이때, 실시 예에 따라, 도 10에 도시된 바와 같이 각 의류 아이템의 제조사 정보, 품번 정보, 색상 정보, 사이즈 정보, 가격 정보 및 해당 의류 아이템을 구매할 수 있는 온라인 구매 사이트의 링크 중 적어도 하나가 함께 표시될 수도 있으며, 의류 아이템의 이미지만이 표시되고, 의류 아이템의 이미지를 선택하면, 선택된 의류 아이템의 정보가 제공되도록 구현될 수도 있다. 이와 같이, 인공 지능 모델을 계층적으로 학습한 경우에는 유사한 특징을 갖는 복수의 의류 조합을 제공할 수 있어 사용자의 선택의 폭이 넓어질 수 있다.

도 12는 본 개시의 일 실시 예에 따른 전자 장치의 의류 추천 방법을 설명하기 위한 흐름도이다.

도 12를 참조하면, 전자 장치는 의류 아이템을 포함하는 이미지가 입력되면, 복수의 피드(feed) 제공자로부터 복수의 의류 아이템에 조합된 복수의 조합 이미지를 획득할 수 있다(S1210). 이때, 복수의 피드 제공자는 의류 제조사의 서버, 유명인의 SNS 서버, 패션 잡지사의 서버 등일 수 있으며, 주기적으로 전자 장치에 조합 이미지를 제공할 수 있다. 여기서 조합 이미지는 복수의 의류 아이템의 조합이 나타난 이미지로, 피드로 지칭될 수도 있다.

그리고, 전자 장치는, 획득된 복수의 조합 이미지를 바탕으로 학습된 인공지능 모델에 입력된 이미지를 입력하여 입력된 이미지에 포함된 의류 아이템을 포함하는 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합을 획득할 수 있다(S1220). 여기서, 학습된 인공 지능 모델은 피드 제공자와 무관한 공통 파라미터 및 피드 제공자 각각에 대응되는 복수의 개별 파라미터를 포함할 수 있다. 그리고, 학습된 인공 지능 모델은, 복수의 피드 제공자로부터 획득된 조합 이미지를 학습 이미지로 이용하여 공통 파라미터 및 복수의 개별 파라미터를 학습하는 멀티 태스크 러닝(multi-task learning)을 수행하여 학습된 것일 수 있다.

구체적으로, 학습된 인공지능 모델은 입력된 이미지에서 의류 아이템의 정보를 추출하고, 추출된 의류 아이템의 정보를 입력 데이터로 하여 의류 아이템을 포함하는 복수의 의류 조합을 획득할 수 있다. 이때, 복수의 의류 조합은 인공 지능 모델을 학습하는 단계에서 학습 이미지를 제공한 복수의 피드 제공자 각각에 대한 의류 조합일 수 있다.

그리고, 전자 장치는 복수의 의류 조합 중 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공할 수 있다(S1230). 구체적으로, 사용자로부터 복수의 피드 제공자 중 적어도 하나의 피드 제공자를 선택하기 위한 조작 명령이 입력되거나, 사용자 단말 장치의 사용 이력 정보에 기초하여 사용자가 선호하는 적어도 하나의 피드 제공자가 선택될 수 있다.

전자 장치는 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 사용자가 선택한 적어도 하나의 피드 제공자, 또는 사용 이력 정보에 의해 선택된 적어도 하나의 피드 제공자에 대응되는 의류 조합에 포함된 의류 아이템의 정보를 제공할 수 있다. 이때, 의류 아이템의 정보에는 의류 아이템의 이미지, 제조사 정보, 품번 정보, 색상 정보, 사이즈 정보, 가격 정보 및 해당 의류 아이템을 구매할 수 있는 온라인 구매 사이트의 링크 중 적어도 하나가 포함될 수 있다.

도 13은 사용자의 피드 제공자 선택에 따라 의류를 추천하는 실시 예를 설명하기 위한 시퀀스도이다. 구체적으로, 도 13에서는 전자 장치에 의해 인공 지능 모델이 학습될 수 있다.

도 13을 참조하면, 복수의 피드 제공자(200-1 ~ 200-n)는 전자 장치(100)에 조합 이미지를 제공할 수 있다(S1301). 여기서, 조합 이미지는 복수의 의류 아이템이 조합된 이미지일 수 있다. 그리고, 복수의 피드 제공자(200-1 ~ 200-n)는 주기적으로 전자 장치(100)에 조합 이미지를 제공할 수 있다.전자 장치(100)는 복수의 피드 제공자(200-1 ~ 200-n)로부터 조합 이미지가 제공되면, 각 조합 이미지에 포함된 의류 아이템을 추출할 수 있다(S1302). 이때, 전자 장치(100)는 조합 이미지 분석을 통해 각 조합 이미지에 포함된 복수의 의류 아이템을 추출할 수 있다. 예를 들어, 전자 장치(100)는 CNN 모델을 이용하여 조합 이미지에 포함된 복수의 의류 아이템을 추출할 수 있다.

그리고, 전자 장치(100)는 추출된 복수의 의류 아이템의 정보를 바탕으로 복수의 의류 아이템의 조합을 학습할 수 있다(S1303). 구체적으로, 전자 장치(100)는 추출된 복수의 의류 아이템의 정보의 조합을 인공 지능 모델의 입력 데이터로 하여 조합 이미지를 제공한 피드 제공자에 대응되는 의류 조합으로 학습할 수 있다.

전자 장치(100)는 S1302 및 S1303 단계를 반복적으로 진행하여 인공 지능 모델을 학습할 수 있다.

인공 지능 모델이 학습된 이후, 전자 장치(100)는 피드 제공자 선택 및 의류 아이템 이미지를 수신할 수 있다(S1304). 구체적으로, 전자 장치(100)는 전자 장치(100)에 구비된 디스플레이 및 입력부를 통해 피드 제공자 선택을 수신하고, 전자 장치(100)에 구비된 카메라를 통해 의류 아이템 이미지를 수신할 수 있다. 한편 다른 실시 예로, 전자 장치(100)는 사용자 단말 장치의 사용 이력 정보를 획득하여 사용자 선호 피드 제공자를 선택할 수도 있다. 또는, 전자 장치(100)는 통신부를 통해 의류 아이템을 포함하는 이미지를 수신할 수도 있다.

한편, 도 13에서는 설명의 편의를 위해 피드 제공자 선택 및 의류 아이템 이미지 수신이 동일한 단계에서 진행되는 것으로 도시 및 설명하였으나, 피드 제공자 선택을 수신한 후 의류 아이템 이미지가 수신되거나, 의류 아이템 이미지 수신 후 피드 제공자 선택이 수신될 수도 있다.

의류 아이템 이미지가 수신되면, 전자 장치(100)는 복수의 의류 조합을 획득할 수 있다(S1305). 구체적으로, 전자 장치(100)는 의류 아이템 이미지가 수신되면, 이미지에서 의류 아이템에 대한 정보를 추출하고, 추출된 의류 아이템에 대한 정보를 학습된 인공 지능 모델에 입력하여 복수의 피드 제공자(200-1 ~ 200-n) 각각에 대응되는 복수의 의류 조합을 획득할 수 있다. 여기서, 의류 조합은 입력된 의류 아이템 이미지에 포함된 의류 아이템과 어울리는 의류 아이템의 조합을 의미하는 것일 수 있다.

전자 장치(100)는 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 선택된 피드 제공자에 대응되는 적어도 하나의 의류 조합에 포함된 의류 아이템의 정보를 제공할 수 있다(S1306). 예를 들어, 전자 장치(100)는 의류 조합에 포함된 복수의 의류 아이템의 이미지, 제조사 정보, 품번 정보, 색상 정보, 사이즈 정보, 가격 정보 및 해당 의류 아이템을 구매할 수 있는 온라인 구매 사이트의 링크 중 적어도 하나가 포함될 수 있다.

한편, 학습된 인공 지능 모델이 계층적으로 학습된 경우, 전자 장치(100)는 S1304 단계에서 복수의 피드 제공자를 그룹화한 상위 카테고리를 제시할 수 있으며, 사용자가 복수의 상위 카테고리 중 하나를 선택하면, 선택된 카테고리에 포함된 복수의 피드 제공자에 각각 대응되는 복수의 의류 조합에 포함된 의류 아이템의 정보를 제공할 수도 있다.

도 14는 사용자 단말 장치의 사용 이력 정보에 따라 의류를 추천하는 실시 예를 설명하기 위한 시퀀스도이다.

도 14를 참조하면, 복수의 피드 제공자(200-1 ~ 200-n)는 전자 장치(100)에 조합 이미지를 제공(S1401)하고, 전자 장치(100)는 복수의 피드 제공자(200-1 ~ 200-n)로부터 획득된 조합 이미지에서 의류 아이템을 추출(S1402)하고, 추출된 의류 아이템의 정보를 이용하여 의류 조합을 학습할 수 있다(S1403). 추출된 의류 아이템의 정보는 조합 이미지에서 추출된 의류 아이템에 대한 패턴 정보를 의미할 수 있으며, 예로 색상 정보, 모양 정보, 문양 정보 등을 포함 할 수 있다. 이러한 동작은 상술한 도 13의 S1301 내지 S1303과 동일한 내용인 바, 중복된 설명은 생략하기로 한다.인공 지능 모델 학습 후 전자 장치(100)는 사용자 단말 장치(300)로부터 사용자 단말 장치(300)의 사용 이력 정보를 전송받을 수 있다(S1404). 여기서, 사용자 단말 장치(300)는 Wi-fi, 블루투스, NFC 태깅 등의 무선 통신, USB 연결 등의 유선 통신을 통해 전자 장치(100)와 통신할 수 있다.

여기서, 사용자 단말 장치(300)의 사용 이력 정보에는 사용자가 구독하는 피드 제공자에 대한 정보, 피드 제공자에 접속한 이력, 접속 횟수, 접속 시간 등이 포함될 수 있다.

사용자 단말 장치(300)로부터 사용 이력 정보를 수신한 후, 전자 장치(100)는 의류 아이템 이미지를 수신할 수 있다(S1405). 이때, 의류 아이템 이미지는 전자 장치(100)에 구비된 카메라를 통해 입력되거나, 통신부를 통해 외부 장치로부터 수신된 것일 수 있다.

의류 아이템 이미지가 수신되면, 전자 장치(100)는 복수의 의류 조합을 획득할 수 있다(S1406). 이러한 동작은 상술한 도 13의 S1305 단계와 동일한 바, 중복된 기재는 생략하기로 한다.

한편, 전자 장치(100)는 복수의 의류 조합이 획득되면, 복수의 의류 조합 중 사용 이력 정보에 기초하여 선택된 피드 제공자에 대응되는 적어도 하나의 의류 조합에 포함된 의류 아이템의 정보를 제공할 수 있다(S1407). 구체적으로, 전자 장치(100)는 획득된 사용 이력 정보에 기초하여 사용자가 선호하는 적어도 하나의 피드 제공자에 대응되는 적어도 하나의 의류 조합에 포함된 의류 아이템의 정보를 제공할 수 있다.

도 15는 전자 장치가 학습된 인공 지능 모델을 외부 서버로부터 다운로드하는 실시 예를 설명하기 위한 시퀀스도이다.

도 15를 참조하면, 복수의 피드 제공자(200-1 ~ 200-n)는 서버(400)에 조합 이미지를 제공(S1501)하고, 서버(400)는 복수의 피드 제공자(200-1 ~ 200-n)로부터 획득된 조합 이미지에서 의류 아이템을 추출(S1502)하고, 추출된 의류 아이템의 정보를 이용하여 의류 조합을 학습할 수 있다(S1503). 이러한 서버(400)의 동작은 상술한 도 13의 S1301 내지 S1303 및 도 14의 S1401 내지 S1403의 전자 장치(100)의 동작과 동일한 바, 중복된 설명은 생략하기로 한다.

전자 장치(100)는 사용자로부터 피드 제공자를 선택받을 수 있다(S1504). 구체적으로, 전자 장치(100)에 구비된 디스플레이 및 입력부를 통해 피드 제공자 선택을 수신할 수 있다. 다른 실시 예로, 전자 장치(100)는 사용자 단말 장치의 사용 이력 정보를 획득하여 사용자 선호 피드 제공자를 선택할 수도 있다.

피드 제공자가 선택된 이후, 전자 장치(100)는 서버(400)에 선택된 피드 제공자에 대응되는 인공 지능 모델을 요청할 수 있다(S1505). 그리고, 전자 장치(100)는 서버(400)로부터 학습된 인공 지능 모델을 전송받을 수 있다(S1506).

예를 들어, 서버(400)는 학습된 인공 지능 모델을 어플리케이션 스토어에 업로드할 수 있으며, 전자 장치(100)는 어플리케이션을 다운로드하는 것과 같이, 학습된 인공 지능 모델을 다운로드할 수 있다.

한편, 서버(400)에서 인공 지능 모델이 도 8에 도시된 바와 같이 계층적으로 학습되어, 복수의 피드 제공자가 그룹핑되어 학습된 경우, 전자 장치(100)는 그룹핑된 복수의 피드 제공자의 상위 카테고리를 사용자로부터 선택받을 수 있으며, 서버(400)로부터 선택된 카테고리에 대응되는 인공 지능 모델을 다운로드 받을 수 있다.

전자 장치(100)는 학습된 인공 지능 모델을 다운로드한 이후, 의류 아이템 이미지를 수신하면(S1507), 학습된 인공 지능 모델에 의류 아이템에 대한 정보를 입력하여 의류 조합을 획득할 수 있다(S1508). 한편, 도 15에서는 학습된 인공 지능 모델을 다운로드한 이후 의류 아이템 이미지를 수신하는 것으로 도시하였으나, 실제 구현시에는 의류 아이템 이미지를 수신한 후 피드 제공자 선택에 따라 학습된 인공 지능 모델을 선택할 수도 있다.

그리고, 전자 장치(100)는 의류 조합에 포함된 의류 아이템의 정보를 제공할 수 있다(S1509). 이에 따라, 전자 장치(100)에서 학습 동작을 할 필요가 없어, 전자 장치(100)의 데이터 처리 부담을 줄일 수 있다.

도 16은 본 개시의 일 실시 예에 따른 서버의 구성을 설명하기 위한 도면이다.

본 개시의 일 실시 예에 따르면, 상술한 전자 장치(100)는 서버(400)로 구현될 수 있으며, 본 개시에 따른 서버(400)는 메모리(410), 프로세서(420), 추천 엔진(430) 및 통신부(440)으로 구성될 수 있다.

메모리(410)는 서버(400)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 메모리(410)에는 적어도 하나의 명령어가 저장될 수 있다. 프로세서(420)는 메모리(410)에 저장된 명령어를 실행함으로써 서버(400)의 동작을 수행할 수 있다.

메모리(410)에는 의류 추천 시스템을 동작하기 위한 학습된 인공지능 모델이 저장될 수 있다. 구체적으로, 학습된 인공지능 모델은 복수의 피드 제공자로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 것일 수 있다. 이때, 학습된 인공지능 모델은 서버(400)에서 학습된 것일 수 있다.

학습된 인공지능 모델은 복수의 피드 제공자로부터 획득된 복수의 조합 이미지를 학습 이미지로 입력 받아, 공통 파라미터 및 복수의 개별 파라미터를 학습할 수 있다.

이때, 학습된 인공 지능 모델은, 계층적으로 구성될 수 있다. 여기서, 계층적으로 구성된다는 것은, 인공 지능 모델이 복수의 피드 제공자 중 유사한 특징 정보를 갖는 조합 이미지를 제공하는 피드 제공자를 그룹핑하여 학습하는 것을 의미할 수 있다. 즉, 인공 지능 모델은 공통적인 특징을 갖는 조합 이미지를 제공하는 복수의 피드 제공자는 공통적인 특징과 관련된 상위 카테고리로 그룹핑되어 학습될 수 있다.

학습된 인공 지능 모델은, 상술한 특징 정보를 통해 조합 이미지 별로 획득된 가중치를 비교하고, 비교 결과 가중치의 차이가 기설정된 범위 내인 조합 이미지를 제공한 복수의 피드 제공자를 그룹화할 수 있다. 즉, 학습된 인공 지능 모델은 조합 이미지 분석을 통해 유사한 스타일의 조합 이미지를 제공하는 피드 제공자를 그룹화할 수 있다.

프로세서(420)는 메모리(410)와 전기적으로 연결되어 서버(400)의 동작을 전반적으로 제어할 수 있다. 구체적으로, 프로세서(420)는 메모리(410)에 저장된 적어도 하나의 명령어를 실행하여 서버(400)를 제어할 수 있다.

본 개시의 프로세서(420)는 의류 아이템을 포함하는 이미지가 입력되면, 학습된 인공 지능 모델에 입력된 이미지를 입력하여 입력된 이미지에 포함된 의류 아이템을 포함하는 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득할 수 있다. 이때, 학습된 인공 지능 모델은 복수의 피드 제공자 각각으로부터 복수의 피드를 주기적으로 제공받아 피드 제공자 각각에 대하여 의류 조합을 출력하도록 학습된 것일 수 있다.

일 실시 예로, 티셔츠를 포함하는 이미지가 입력되면, 프로세서(420)는 입력된 티셔츠, 하의, 신발, 악세사리 등 입력된 티셔츠를 포함하는 복수의 의류 조합을 출력할 수 있으며, 여기서 복수의 의류 조합은 복수의 피드 제공자 각각에 대응되는 것일 수 있다. 즉, 복수의 피드 제공자 별로 입력된 티셔츠, 하의, 신발, 악세사리 등의 조합이 출력될 수 있다.

구체적으로, 프로세서(420)는 입력된 이미지에 포함된 의류 아이템을 추출하고, 추출된 의류 아이템에 대한 정보를 학습된 인공 지능 모델에 입력 데이터로서 입력할 수 있다. 이때, 학습된 인공 지능 모델은 입력된 의류 아이템에 대한 정보에 기초하여 복수의 피드 제공자 별 의류 아이템의 정보의 조합을 출력할 수 있다.

그리고, 프로세서(420)는 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 적어도 하나의 의류 조합을 제공할 수 있다. 구체적으로, 프로세서(420)는 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공할 수 있다. 여기서, 의류 아이템에 대한 정보는, 의류 아이템의 제조사, 품번, 사이즈, 색상 등일 수 있으며, 프로세서(420)는 실시 예에 따라 해당 의류 아이템의 온라인 구매 사이트의 링크를 함께 제공할 수도 있다.

추천 엔진(430)은 학습된 인공지능 모델을 바탕으로 피드 제공자에 대응되는 의류 조합을 제공할 수 있다. 구체적으로 추천 엔진(430)은 복수의 피드 제공자 중 적어도 하나의 피드 제공자가 선택되면, 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 선택된 적어도 하나의 피드 제공자에 대응되는 의류 조합을 제공할 수 있다. 이때, 선택된 적어도 하나의 피드 제공자는 사용자에 의해 선택되거나, 사용자의 단말 장치의 사용 이력 정보에 기초하여 선택된 것일 수 있다. 즉, 학습된 인공 지능 모델로부터 출력된 의류 조합 중 선택된 의류 조합만이 사용자에게 제공될 수 있다.

통신부(440)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신부(440)는 와이파이 모듈로 구현될 수 있다. 즉, 통신부(440)의 와이파이 모듈은 사용자 단말 장치로부터 수신된 연결 정보(예를 들어, SSID, 암호키 정보 등)을 수신하고, 수신된 연결 정보를 바탕으로 사용자 단말 장치와 통신을 수행할 수 있다.

통신부(440)는 유선 통신 또는 무선 통신을 통해 사용자 단말 장치와 통신하여 사용자 단말 장치로부터 사용자 단말 장치의 사용 이력 정보를 수신할 수 있다.

또한, 통신부(440)는 사용자 단말 장치에서 선택된 피드 제공자에 대한 정보를 수신할 수 있다. 그리고, 통신부(440)는 사용자 단말 장치로부터 의류 아이템 이미지를 수신할 수 있으며, 서버(400)에서 생성한 의류 조합에 포함된 의류 아이템에 대한 정보를 사용자 단말 장치로 전송할 수 있다.

도 17은 사용자의 피드 제공자 선택에 따라 의류를 추천하는 서버에 대한 실시 예를 설명하기 위한 시퀀스도 이다.

도 17을 참조하면, 복수의 피드 제공자(200-1 ~ 200-n)는 서버(400)에 조합 이미지를 제공(S1701)하고, 서버는 복수의 피드 제공자(200-1 ~ 200-n)로부터 획득된 조합 이미지에서 의류 아이템을 추출(S1702)하고, 추출된 의류 아이템의 정보를 이용하여 의류 조합을 학습할 수 있다(S1703).

그리고, 사용자 단말 장치(300)는 사용자로부터 피드 제공자를 선택받을 수 있다(S1704). 구체적으로, 사용자 단말 장치(300)에 구비된 디스플레이 및 입력부를 통해 피드 제공자 선택을 수신할 수 있다. 다른 실시 예로, 사용자 단말 장치(300)는 사용자의 사용 이력 정보를 획득하여 사용자 선호 피드 제공자를 선택할 수 있다.

피드 제공자가 선택된 이후, 사용자 단말 장치(300)는 서버(400)에 선택된 피드 제공자 정보를 전송할 수 있다(S1705).

그리고, 사용자 단말 장치(300)는 의류 이미지를 수신하고(S1706), 수신된 의류 이미지를 서버(400)로 전송할 수 있다(S1707). 사용자 단말 장치(300)로부터 의류 이미지가 수신되면, 서버(400)는 복수의 의류 조합을 획득할 수 있다(S1708). 구체적으로, 서버(400)는 의류 아이템 이미지가 수신되면, 수신된 이미지에서 의류 아이템에 대한 정보를 추출하고, 추출된 의류 아이템에 대한 정보를 학습된 인공지능 모델에 입력하여 복수의 피드 제공자(200-1 ~ 200-n) 각각에 대응되는 복수의 의류 조합을 획득할 수 있다.

서버(400)는 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 선택된 피드 제공자에 대응되는 적어도 하나의 의류 조합에 포함된 의류 아이템의 정보를 획득할 수 있다(S1709). 그리고, 획득된 의류 아이템 정보를 사용자 단말 장치(300)에 전송할 수 있다(S1710).

이상에 기재한 다양한 실시 예에 따라, 입력된 의류 아이템에 대해 복수의 의류 조합이 출력되므로 다양한 스타일의 의류 조합의 제공이 가능하며, 사용자의 선택 또는 사용 이력 정보에 기초하여 개인화된 의류 아이템을 추천할 수 있게 된다.

한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법은 비일시적 판독 가능 매체(non-transitory readable medium) 에 저장될 수 있다. 이러한 비일시적 판독 가능 매체는 다양한 장치에 탑재되어 사용될 수 있다.

비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

100 : 전자 장치 110 : 메모리
120 : 프로세서

Claims

전자 장치에 있어서,
적어도 하나의 인스트럭션을 포함하는 메모리; 및
상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
의류 아이템을 포함하는 이미지가 입력되면, 복수의 피드(feed) 제공자로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 인공 지능 모델에 상기 입력된 이미지를 입력하여 상기 입력된 이미지에 포함된 의류 아이템을 포함하는 상기 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득하고,
상기 복수의 의류 조합 중 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공하는, 전자 장치.
제1항에 있어서,
상기 학습된 인공 지능 모델은,
상기 복수의 피드 제공자와 무관한 공통 파라미터 및 상기 복수의 피드 제공자 각각에 대응되는 복수의 개별 파라미터를 포함하고,
상기 복수의 피드 제공자로부터 획득된 복수의 조합 이미지를 학습 이미지(training image)로 입력받아, 상기 공통 파라미터 및 상기 복수의 개별 파라미터를 학습하는 멀티 태스크 러닝(multi task learning, MTL)을 수행하여 학습된 것인, 전자 장치.
제2항에 있어서,
상기 학습된 인공 지능 모델은,
복수의 피드 제공자를 복수 개로 그룹화하고,
상기 그룹화된 복수의 피드 제공자로부터 획득된 복수의 조합 이미지가 입력되면, 상기 그룹화된 복수의 피드 제공자 각각에 대한 의류 조합이 획득되도록 상기 그룹화된 복수의 피드 제공자에 대응되는 공통 파라미터를 학습하는 것인, 전자 장치.
제2항에 있어서,
상기 학습된 인공 지능 모델은,
복수의 피드 제공자로부터 획득된 복수의 조합 이미지 별로 특징 정보의 추출을 통해 가중치를 획득하고,
상기 획득된 가중치의 차이가 기설정된 범위 내인 조합 이미지를 제공한 복수의 피드 제공자를 그룹화하고,
상기 그룹화된 복수의 피드 제공자로부터 획득된 복수의 조합 이미지가 입력되면, 상기 그룹화된 복수의 피드 제공자 각각에 대한 의류 조합이 획득되도록 상기 그룹화된 복수의 피드 제공자에 대응되는 공통 파라미터를 학습하는 것인, 전자 장치.
제4항에 있어서,
상기 특징 정보는,
의류 아이템의 형태적 특징, 색상 조합, 텍스쳐 조합 중 적어도 하나를 포함하는 전자 장치.
제2항에 있어서,
상기 학습된 인공 지능 모델은,
상기 복수의 피드 제공자 중 하나의 피드 제공자로부터 획득된 조합 이미지에서 추출된 복수의 의류 아이템의 정보가 입력되면, 상기 복수의 의류 아이템의 정보의 조합을 상기 조합 이미지를 제공한 피드 제공자에 대한 입력 데이터로 이용하는 것인, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 복수의 피드 제공자 중 적어도 하나의 피드 제공자가 선택되면, 상기 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 상기 선택된 적어도 하나의 피드 제공자에 대응되는 적어도 하나의 의류 조합을 제공하는 전자 장치.
제1항에 있어서,
통신부;를 더 포함하고,
상기 프로세서는,
상기 복수의 피드 제공자 중, 사용자 단말 장치로부터 상기 통신부를 통해 수신된 상기 사용자 단말 장치의 사용 이력 정보에 기초하여 선택된 적어도 하나의 피드 제공자에 대응되는 적어도 하나의 의류 조합을 제공하는 전자 장치.
제1항에 있어서,
통신부;를 더 포함하고,
상기 학습된 인공 지능 모델은,
상기 복수의 피드 제공자 중 적어도 하나의 피드 제공자가 선택되면, 상기 선택된 적어도 하나의 피드 제공자에 기초하여 상기 통신부를 통해 외부 서버로부터 다운로드된 것인, 전자 장치.
전자 장치의 의류 추천 방법에 있어서,
의류 아이템을 포함하는 이미지를 입력받는 단계;
복수의 피드 제공자(feed)로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 인공 지능 모델에 상기 입력된 이미지를 입력하여 상기 입력된 이미지에 포함된 의류 아이템을 포함하는 상기 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득하는 단계; 및
상기 복수의 의류 조합 중 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공하는 단계;를 포함하는 전자 장치의 의류 추천 방법.
제10항에 있어서,
상기 학습된 인공 지능 모델은,
상기 복수의 피드 제공자와 무관한 공통 파라미터 및 상기 복수의 피드 제공자 각각에 대응되는 복수의 개별 파라미터를 포함하고,
상기 복수의 피드 제공자로부터 획득된 복수의 조합 이미지를 학습 이미지(training image)로 입력받아, 상기 공통 파라미터 및 상기 복수의 개별 파라미터를 학습하는 멀티 태스크 러닝(multi task learning, MTL)을 수행하여 학습된 것인, 전자 장치의 의류 추천 방법.
제11항에 있어서,
상기 학습된 인공 지능 모델은,
복수의 피드 제공자를 복수 개로 그룹화하고,
상기 그룹화된 복수의 피드 제공자로부터 획득된 복수의 조합 이미지가 입력되면, 상기 그룹화된 복수의 피드 제공자 각각에 대한 의류 조합이 획득되도록 상기 그룹화된 복수의 피드 제공자에 대응되는 공통 파라미터를 학습하는 것인, 전자 장치의 의류 추천 방법.
제11항에 있어서,
상기 학습된 인공 지능 모델은,
복수의 피드 제공자로부터 획득된 복수의 조합 이미지 별로 특징 정보의 추출을 통해 가중치를 획득하고,
상기 획득된 가중치의 차이가 기설정된 범위 내인 조합 이미지를 제공한 복수의 피드 제공자를 그룹화하고,
상기 그룹화된 복수의 피드 제공자로부터 획득된 복수의 조합 이미지가 입력되면, 상기 그룹화된 복수의 피드 제공자 각각에 대한 의류 조합이 획득되도록 상기 그룹화된 복수의 피드 제공자에 대응되는 공통 파라미터를 학습하는 것인, 전자 장치의 의류 추천 방법.
제13항에 있어서,
상기 특징 정보는,
의류 아이템의 형태적 특징, 색상 조합, 텍스쳐 조합 중 적어도 하나를 포함하는 전자 장치의 의류 추천 방법.
제11항에 있어서,
상기 학습된 인공 지능 모델은,
상기 복수의 피드 제공자 중 하나의 피드 제공자로부터 획득된 조합 이미지에서 추출된 복수의 의류 아이템의 정보가 입력되면, 상기 복수의 의류 아이템의 정보의 조합을 상기 조합 이미지를 제공한 피드 제공자에 대한 입력 데이터로 이용하는 것인, 전자 장치의 의류 추천 방법.
제10항에 있어서,
상기 의류 아이템에 대한 정보를 제공하는 단계는,
상기 복수의 피드 제공자 중 적어도 하나의 피드 제공자가 선택되면, 상기 학습된 인공 지능 모델로부터 획득된 복수의 의류 조합 중 상기 선택된 적어도 하나의 피드 제공자에 대응되는 적어도 하나의 의류 조합을 제공하는 전자 장치의 의류 추천 방법.
제10항에 있어서,
상기 의류 아이템에 대한 정보를 제공하는 단계는,
상기 복수의 피드 제공자 중, 사용자 단말 장치로부터 수신된 상기 사용자 단말 장치의 사용 이력 정보에 기초하여 선택된 적어도 하나의 피드 제공자에 대응되는 적어도 하나의 의류 조합을 제공하는 전자 장치의 의류 추천 방법.
제10항에 있어서,
상기 학습된 인공 지능 모델은,
상기 복수의 피드 제공자 중 적어도 하나의 피드 제공자가 선택되면, 상기 선택된 적어도 하나의 피드 제공자에 기초하여 외부 서버로부터 다운로드된 것인, 전자 장치의 의류 추천 방법.
전자 장치의 의류 추천 방법을 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록 매체에 있어서,
전자 장치의 의류 추천 방법은,
의류 아이템을 포함하는 이미지를 입력받는 단계;
복수의 피드(feed) 제공자로부터 획득된 복수의 의류 아이템이 조합된 복수의 조합 이미지를 바탕으로 학습된 인공 지능 모델에 상기 입 력된 이미지를 입력하여 상기 입력된 이미지에 포함된 의류 아이템을 포함하는 상기 복수의 피드 제공자 각각에 대응되는 복수의 의류 조합(a plurality of combinations of clothes)을 획득하는 단계; 및
상기 복수의 의류 조합 중 적어도 하나의 의류 조합에 포함된 의류 아이템에 대한 정보를 제공하는 단계;를 포함하는 컴퓨터 판독가능 기록 매체.