KR20210030178A - 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법, 장치 및 프로그램 - Google Patents

Abstract

컴퓨터에 의하여 수행되는 방법에 있어서, 온라인 게시물을 획득하는 단계, 상기 게시물에 포함된 이미지를 획득하는 단계, 상기 게시물에 포함된 텍스트를 획득하는 단계, 상기 획득된 이미지를 이용하여, 상기 이미지에 포함된 패션 아이템에 대한 속성정보를 획득하는 단계, 상기 텍스트로부터 상기 이미지에 포함된 패션 아이템에 대한 감성정보를 추출하는 단계 및 상기 속성정보 및 상기 감성정보를 이용하여 패션 트렌드 정보를 획득하는 단계를 포함하는, 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법이 개시된다.

Description

이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법, 장치 및 프로그램 {METHOD, APPARATUS AND PROGRAM FOR FASHION TREND PREDICTION BASED ON INTEGRATED ANALYSIS OF IMAGE AND TEXT}

본 발명은 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법에 관한 것이다.

인공지능 기술은 머신러닝(Machine Learning, 기계학습) 기술을 포함하며, 머신러닝 기술 중에서도 특히 영상을 분석하는 데 널리 이용되는 딥러닝(Deep Learning) 기술을 포함한다.

딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.

어떠한 데이터가 있을 때 이를 컴퓨터가 알아들을 수 있는 형태(예를 들어 영상의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있다. 이러한 노력의 결과로 다양한 딥 러닝 기법들이 개발되었다. 딥 러닝 기법들로는 심층 신경망(Deep Neural Networks, DNN), 합성곱 신경망(Convolutional deep Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경망(Deep Belief Networks, DBN)을 예로 들 수 있다.

심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.

최근에는 이러한 인공지능 기술이 이미지 분석에 적용되어 이미지에 포함된 객체를 인식하고, 그 속성을 추출하는 데 널리 활용되고 있다. 이에 따라, 인공지능 기술을 이용하여 온라인 게시물들을 분석함으로써 패션 정보를 획득하는 기술들이 개발되고 있으나, 기존의 기술들은 이미지에 기반한 분석에만 그 범위가 제한되는 한계가 있었다.

본 발명이 해결하고자 하는 과제는 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법은, 온라인 게시물을 획득하는 단계, 상기 게시물에 포함된 이미지를 획득하는 단계, 상기 게시물에 포함된 텍스트를 획득하는 단계, 상기 획득된 이미지를 이용하여, 상기 이미지에 포함된 패션 아이템에 대한 속성정보를 획득하는 단계, 상기 텍스트로부터 상기 이미지에 포함된 패션 아이템에 대한 감성정보를 추출하는 단계 및 상기 속성정보 및 상기 감성정보를 이용하여 패션 트렌드 정보를 획득하는 단계를 포함한다.

또한, 상기 패션 트렌드 정보를 획득하는 단계는, 패션 트렌드 분석을 위한 복수의 온라인 게시물을 획득하는 단계, 상기 복수의 온라인 게시물로부터 획득된 속성정보에 기반하여 하나 이상의 패션 아이템이 언급되는 빈도 - 상기 빈도는 횟수 및 비율 중 적어도 하나를 포함함 - 에 대한 정보를 획득하는 단계, 상기 복수의 온라인 게시물로부터 추출된, 상기 하나 이상의 패션 아이템에 대응하는 감성정보에 기반하여 상기 하나 이상의 패션 아이템에 대한 소비자의 감정 - 상기 감정은 관심도 및 선호도 중 적어도 하나를 포함함 - 에 대한 정보를 획득하는 단계 및 상기 하나 이상의 패션 아이템이 언급되는 빈도 및 상기 하나 이상의 패션 아이템에 대한 소비자의 감정에 기초하여, 패션 트렌드 정보를 생성하는 단계를 포함할 수 있다.

또한, 상기 텍스트를 획득하는 단계는, 상기 게시물에 포함된 본문 텍스트를 획득하는 단계, 상기 게시물에 포함된 댓글 텍스트를 획득하는 단계 및 상기 본문 텍스트로부터 하나 이상의 해시태그된 텍스트를 획득하는 단계를 포함할 수 있다.

또한, 상기 텍스트를 획득하는 단계는, 상기 획득된 텍스트를 속성정보에 해당하는 텍스트 및 감성정보에 해당하는 텍스트로 분류하는 단계를 더 포함하고, 상기 속성정보를 획득하는 단계는, 상기 속성정보에 해당하는 텍스트로부터 하나 이상의 속성정보를 추출하는 단계, 상기 이미지를 이용하여 획득된 속성정보와, 상기 텍스트로부터 추출된 속성정보를 비교하는 단계 및 상기 비교 결과에 기초하여 상기 이미지에 포함된 패션 아이템에 대한 속성정보를 업데이트하는 단계를 더 포함하고, 상기 감성정보를 추출하는 단계는, 상기 감성정보에 해당하는 텍스트로부터 상기 감성정보를 추출하는 단계를 포함할 수 있다.

또한, 상기 분류하는 단계는, 상기 본문 텍스트, 댓글 텍스트 및 해시태그된 텍스트 각각에 대하여, 서로 상이한 속성 가중치 및 감성 가중치를 부여하는 단계 및 상기 본문 텍스트, 댓글 텍스트 및 해시태그된 텍스트 각각에 대하여, 텍스트의 내용 및 각 텍스트에 부여된 가중치를 이용하여 각각의 텍스트를 속성정보에 해당하는 텍스트 및 감성정보에 해당하는 텍스트로 분류하는 단계를 더 포함할 수 있다.

또한, 상기 온라인 게시물에 대한 공감수 - 상기 공감수는 공감유형별 공감수에 대한 정보를 포함함 - 및 댓글수 - 상기 댓글수는 긍정댓글 수 및 부정댓글 수에 대한 정보를 포함함 - 를 획득하는 단계 및 상기 공감수 및 댓글수에 기초하여 상기 온라인 게시물에 대한 가중치를 부여하는 단계를 더 포함하고, 상기 감성정보를 추출하는 단계는, 상기 감성정보가 추출된 텍스트 유형 - 상기 텍스트 유형은, 상기 본문 텍스트, 상기 댓글 텍스트 및 상기 해시태그된 텍스트를 포함함 - 에 따라 추출된 감성정보에 상이한 가중치를 부여하는 단계를 더 포함하고, 상기 패션 트렌드 정보를 획득하는 단계는, 상기 온라인 게시물에 부여된 가중치 및 상기 추출된 감성정보에 부여된 가중치를 고려하여 상기 패션 트렌드 정보를 획득하는 단계를 포함할 수 있다.

또한, 복수의 온라인 게시물로부터 획득된 속성정보 및 감성정보의 쌍을 포함하는 학습 데이터를 획득하는 단계 및 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계를 더 포함하고, 상기 인공지능 모델은, 하나 이상의 패션 아이템에 대한 속성정보를 입력받아, 입력된 정보에 대응하는 소비자의 감정 - 상기 감정은 관심도 및 선호도 중 적어도 하나를 포함함 - 에 대한 정보를 출력하는 것을 특징으로 할 수 있다.

또한, 복수의 온라인 게시물로부터 획득된 이미지 및 감성정보의 쌍을 포함하는 학습 데이터를 획득하는 단계 및 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계를 더 포함하고, 상기 인공지능 모델은, 하나 이상의 패션 아이템을 포함하는 이미지를 입력받아, 입력된 이미지에 포함된 하나 이상의 패션 아이템에 대한 소비자의 감정 - 상기 감정은 관심도 및 선호도 중 적어도 하나를 포함함 - 에 대한 정보를 출력하는 것을 특징으로 할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 개시된 실시 예에 따른 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법을 수행한다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 프로그램은, 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 온라인 상에서 데이터를 수집하여 패션 아이템과 관련된 기업과 소비자의 의사결정에 도움을 줄 수 있는 트렌드 데이터를 제공할 수 있는 효과가 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시 예에 따른 방법을 도시한 흐름도이다.
도 2는 복수의 이미지를 포함하는 화면의 일 예를 도시한 도면이다.
도 3은 일 실시 예에 따라 온라인 게시물로부터 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시 예에 따라 다른 온라인 게시물을 탐색하는 방법을 도시한 도면이다.
도 5는 일 실시 예에 따라 복수의 패션 아이템을 포함하는 온라인 게시물의 분석방법을 도시한 도면이다.
도 6은 일 실시 예에 따른 인공지능에 기반한 패션 트렌드 정보 획득방법을 도시한 도면이다.
도 7은 일 실시 예에 따른 인공지능 모델의 학습 및 이를 통한 트렌드 평가방법을 도시한 흐름도이다.
도 8은 일 실시 예에 따라 패션 트렌드를 평가하는 인공지능 모델을 도시한 도면이다.
도 9는 일 실시 예에 따른 관절 좌표에 기반한 이미지 인식방법을 도시한 도면이다.
도 10은 일 실시 예에 따른 다중 레이블링 학습방법을 도시한 도면이다.
도 11은 도 10에 도시된 분석방법을 수행하기 위한 레이블링 화면의 일 예를 도시한 도면이다.
도 12는 일 실시 예에 따른 장치의 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 일 실시 예에 따른 방법을 도시한 흐름도이다.

단계 S110에서, 컴퓨터는 온라인 게시물을 획득한다.

개시된 실시 예에서, 온라인 게시물의 종류는 제한되지 않으나, 예를 들어 다양한 SNS(Social Network Service)를 통하여 업로드된 게시물들을 의미할 수 있다. 온라인 게시물은 하나 이상의 이미지와 텍스트를 포함할 수 있다.

컴퓨터가 온라인 게시물을 획득하는 방법은 제한되지 않으나, 예를 들어 웹 크롤링을 통해 업로드된 게시물들을 수집하는 방법이 이용될 수 있다. 다른 예로, 컴퓨터는 온라인 게시물들이 저장된 데이터베이스를 획득하는 방법을 통하여 온라인 게시물들을 획득할 수도 있다.

단계 S120에서, 컴퓨터는 상기 게시물에 포함된 이미지를 획득한다.

일 실시 예에서, 컴퓨터는 게시물에 포함된 이미지를 캡쳐하거나, 소스를 통해 이미지를 다운로드할 수 있으며, 컴퓨터가 이미지를 획득하는 방법은 제한되지 않는다.

단계 S130에서, 컴퓨터는 상기 게시물에 포함된 텍스트를 획득한다.

일 실시 예에서, 컴퓨터는 게시물에 포함된 텍스트를 획득하고, 획득된 텍스트를 유형별로 분류할 수 있다.

또한, 컴퓨터는 획득된 텍스트를 키워드와 불용어로 분류할 수 있으며, 나아가 형태소 분석 등을 포함하는 자연어 처리과정을 수행할 수 있으며, 구체적인 방법은 제한되지 않는다.

단계 S140에서, 컴퓨터는 상기 획득된 이미지를 이용하여, 상기 이미지에 포함된 패션 아이템에 대한 속성정보를 획득한다.

개시된 실시 예에서, 패션 아이템은 의상, 액세서리, 신발, 모자, 가방 등 패션과 관련된 소품들을 포함할 수 있으며, 이에 제한되지 않는다.

일 실시 예에서, 컴퓨터는 이미지에 포함된 하나 이상의 패션 아이템을 인식하며, 인식된 패션 아이템의 종류 및 다양한 속성 정보를 획득할 수 있다. 컴퓨터가 이미지에 포함된 패션 아이템을 인식하고, 속성 정보를 획득하는 방법은 제한되지 않으나, 예를 들어 딥 러닝에 기반하여 학습된 이미지 분석 모델을 이용하여 이미지에 포함된 패션 아이템을 인식하고, 해당 패션 아이템의 종류, 소재, 디자인 특성, 디테일 등 다양한 정보들을 추출할 수 있다.

이러한 이미지 분석 모델은 하나 이상의 패션 아이템을 포함하는 이미지들과, 해당 이미지에 대한 레이블링 정보(예를 들어, 이미지에 포함된 패션 아이템의 위치, 패션 아이템의 종류, 소재, 디자인 특성 및 디테일 등에 대한 정보)를 포함하는 학습 데이터에 기반하여 학습될 수 있다. 이미지 분석 모델은 상술한 학습 데이터 및 인공신경망에 기반한 딥 러닝 학습을 통하여 획득될 수 있으나, 이에 제한되는 것은 아니다.

단계 S150에서, 컴퓨터는 상기 텍스트로부터 상기 이미지에 포함된 패션 아이템에 대한 감성정보를 추출한다.

온라인 게시물에 이미지와 함께 업로드된 텍스트에는 이미지에 포함된 하나 이상의 패션 아이템에 대한 본인의 감상이나 평가가 포함될 수 있으며, 나아가 해당 온라인 게시물에 달린 댓글정보에는 타인의 감상이나 평가가 포함될 수 있다. 따라서, 개시된 실시 예에서는 텍스트로부터 이미지에 포함된 하나 이상의 패션 아이템에 대한 감성정보를 추출할 수 있다.

일 실시 예에서, 컴퓨터는 텍스트에 포함된 하나 이상의 키워드를 획득할 수 있다. 획득된 키워드는 이미지에 포함된 하나 이상의 패션 아이템에 대한 감상이나 평가에 대한 정보를 포함할 수 있으며, 이는 긍정평가 및 부정평가를 포함할 수 있으나, 이에 제한되는 것은 아니다.

실시 예에 따라서, 텍스트에 포함된 하나 이상의 키워드는 감성정보뿐 아니라 이미지에 포함된 패션 아이템에 대한 속성정보를 또한 포함할 수 있다. 컴퓨터는 텍스트에 포함된 각 키워드를 감성정보 및 속성정보로 분류할 수 있으며, 분류된 키워드를 이용하여 이미지에 포함된 하나 이상의 패션 아이템의 속성정보 및 이에 따른 감성정보를 결정할 수 있다.

단계 S160에서, 컴퓨터는 상기 속성정보 및 상기 감성정보를 이용하여 패션 트렌드 정보를 획득한다.

일 실시 예에서, 컴퓨터는 단일 온라인 게시물에 대하여 이에 포함된 패션 아이템의 속성과, 해당 속성의 아이템에 대한 사용자의 감성정보를 획득할 수 있다. 나아가, 컴퓨터는 복수의 온라인 게시물로부터 각각의 온라인 게시물에 포함된 패션 아이템의 종류와, 이에 대한 사용자들의 감성정보를 획득할 수 있다. 이를 통해, 컴퓨터는 패션 트렌드 정보를 획득할 수 있다.

도 2 내지 도 4는 온라인 게시물로부터 패션 트렌드 정보를 획득하는 방법을 도시한 도면이다.

도 2는 복수의 이미지를 포함하는 화면의 일 예를 도시한 도면이다.

일 실시 예에서, 컴퓨터는 패션 트렌드 분석을 위한 복수의 온라인 게시물을 획득할 수 있다.

도 2를 참조하면, 복수의 이미지를 포함하는 화면(200)이 도시되어 있다. 각각의 이미지는 서로 다른 게시물로 연결되며, 각각의 게시물은 이미지와 텍스트를 포함한다.

일 실시 예에서, 컴퓨터는 복수의 온라인 게시물 중 특정 패션 아이템을 포함하는 게시물을 검색할 수 있고, 또한 복수의 온라인 게시물 중 패션 아이템을 포함하지 않는 게시물을 필터링할 수 있다.

일 실시 예에서, 컴퓨터는 복수의 온라인 게시물로부터 획득된 속성정보에 기반하여 하나 이상의 패션 아이템이 언급되는 빈도에 대한 정보를 획득할 수 있다. 개시된 실시 예에서, 빈도는 패션 아이템이 언급되는 횟수 및 비율 중 적어도 하나를 포함하는 개념으로 이해될 수 있다.

또한, 컴퓨터는 복수의 온라인 게시물로부터 추출된, 상기 하나 이상의 패션 아이템에 대응하는 감성정보에 기반하여 상기 하나 이상의 패션 아이템에 대한 소비자의 감정에 대한 정보를 획득할 수 있다.

개시된 실시 예에서, 감정은 관심도 및 선호도 중 적어도 하나를 포함할 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 감정정보는 각 패션 아이템에 대한 사용자의 관심여부 및 선호여부에 대한 정보를 포함할 수 있으며, 이는 긍정 및 부정의 이진화된 정보일 수도 있으며, 관심도 및 선호도를 소정의 범위 내에서 점수화한 정보일 수도 있다.

일 실시 예에서, 컴퓨터는 복수의 온라인 게시물에서 상기 하나 이상의 패션 아이템이 언급되는 빈도 및 상기 하나 이상의 패션 아이템에 대한 소비자의 감정에 기초하여, 패션 트렌드 정보를 생성할 수 있다.

예를 들어, 최근의 기 설정된 기간 내에 수집 또는 업로드된 복수의 온라인 게시물에서 자주 언급되는 패션 아이템 또는 그 속성은 최근에 사람들이 많이 착용하는 패션 아이템 또는 패션 아이템의 속성인 것으로 판단할 수 있다.

나아가, 각각의 패션 아이템 및 그 속성정보에 대한 사용자들의 감성정보(또는 감정에 대한 정보)에 기초하여, 해당 패션 아이템에 대한 평가정보가 획득될 수 있다.

예를 들어, 최근의 기 설정된 기간 내에 수집 또는 업로드된 복수의 온라인 게시물에 포함된 이미지로부터 태깅되는 횟수가 많은 패션 아이템은 최근의 패션 트렌드에 해당한다고 생각될 수 있다. 단, 해당 패션 아이템이 포함된 이미지와 함께 게시된 텍스트로부터 해당 패션 아이템에 대한 부정적인 키워드가 많이 수집되는 경우, 해당 아이템을 긍정적인 패션 트렌드로서 기업이나 소비자에게 추천하기는 어려울 수 있다.

다른 예로, 각각의 패션 아이템이 포함된 이미지와 함께 게시된 텍스트에 기반하여 해당 패션 아이템의 더욱 구체적인 속성정보가 획득될 수 있다. 예를 들어, 이미지만으로는 획득할 수 없었던 해당 패션 아이템의 종류, 소재, 사이즈, 용도, 어울리는 장소나 코디 등 구체적인 정보가 텍스트로부터 수집될 수 있다.

즉, 컴퓨터는 텍스트로부터 수집되는 정보에 기반하여 이미지로부터 획득되지 않은 정보를 보완하거나, 이미지로부터 획득될 수 없는 정보를 추가적으로 획득할 수 있다.

이에 기반하여, 컴퓨터는 더욱 구체적인 조건에 대응하는 패션 트렌드 정보를 생성할 수 있다. 예를 들어, 단순히 특정 기간 혹은 현 시점의 패션 트렌드만을 예측하는 것이 아니고, 성별, 장소, 용도 등 다양한 조건에 기반하여 해당 조건에 맞는 패션 트렌드 정보를 획득할 수 있다.

이를 위하여 컴퓨터는 복수의 온라인 게시물 중 적어도 하나를 선택하여 이에 포함된 이미지 및 텍스트 정보를 획득할 수 있으며, 예를 들어 도 2에 도시된 화면(200)에 포함된 게시물(210)을 선택할 수 있다.

도 3은 일 실시 예에 따라 온라인 게시물로부터 정보를 획득하는 방법을 설명하기 위한 도면이다.

도 3을 참조하면, 온라인 게시물(300)은 이미지(310), 텍스트 정보 및 기타 추가 정보들을 포함할 수 있다.

컴퓨터는 온라인 게시물(300)로부터 이미지(310)를 획득할 뿐 아니라, 텍스트를 획득할 수 있으며, 이에 기반하여 다양한 정보들을 획득할 수 있다.

일 실시 예에서, 컴퓨터는 게시물(300)에 포함된 본문 텍스트(320)를 획득할 수 있다.

또한, 컴퓨터는 게시물(300)에 포함된 댓글 텍스트(350)를 획득할 수 있다.

또한, 컴퓨터는 게시물(300)에 포함된 해시태그된 텍스트(330)를 획득할 수 있다.

일 실시 예에서, 해시태그(#)된 텍스트는 본문 텍스트로부터 추출될 수 있으나, 이에 제한되는 것은 아니다. 실시 예에 따라서, 해시태그된 텍스트는 댓글 텍스트에도 포함될 수 있으며, 이로부터 추출될 수 있다.

또한, 컴퓨터는 게시물(300)에 포함된 텍스트 중 게시물(300)의 업로드 시점을 나타내는 텍스트(340)를 획득하고, 이에 기반하여 해당 게시물의 업로드 시점을 획득할 수 있다.

또한, 컴퓨터는 게시물(300)에 포함된 텍스트 중 게시물(300)의 공감수를 나타내는 텍스트(360)를 획득하고, 이에 기반하여 해당 게시물의 공감수 정보를 획득할 수 있다.

일 실시 예에서, 텍스트는 본문 텍스트(320), 댓글 텍스트(350) 및 해시태그된 텍스트(330)를 포함하는 텍스트 유형에 따라 상이한 가중치가 부여될 수 있다. 즉, 각각의 텍스트로부터 추출된 감성정보에 대하여, 각 텍스트의 유형에 따라 상이한 가중치가 부여될 수 있다.

예를 들어, 해시태그된 텍스트(330)에 가장 높은 가중치가 부여되며, 본인이 직접 작성한 본문 텍스트(320)에 그 다음의 가중치가 부여되며, 타인이 작성한 댓글 텍스트(350)에 가장 낮은 가중치가 부여될 수 있으나, 이에 제한되는 것은 아니다.

실시 예에 따라서, 본인의 의견보다 타인의 의견이 더 신뢰도가 높은 것으로 판단하여, 댓글 텍스트(350)에 본문 텍스트(320)보다 높은 가중치가 부여될 수도 있다.

일 실시 예에서, 컴퓨터는 게시물(300)에 포함된 업로드 시점(340) 정보에 기초하여 게시물에 대한 필터링 혹은 가중치 부여 등을 수행할 수 있다. 예를 들어, 컴퓨터는 최근 1달간의 온라인 게시물을 수집하여 패션 트렌드 분석을 수행하고자 할 수 있다. 이 경우, 컴퓨터는 게시물(300)의 업로드 시점(340) 정보에 기초하여 게시물(300)에 대한 분석 여부를 결정할 수 있다.

다른 실시 예에서, 컴퓨터는 게시물(300)의 업로드 시점(340)에 기초하여, 업로드 시점(340)이 현 시점에 가까울수록 상대적으로 높은 가중치를 부여하여 패션 트렌드 분석을 수행할 수도 있다.

일 실시 예에서, 컴퓨터는 게시물(300)의 공감수(360)에 대한 정보를 획득할 수 있다. 개시된 실시 예에서, 공감수는 공감유형별 공감수에 대한 정보를 포함할 수 있다. 예를 들어, 공감유형은 긍정 유형 및 부정 유형을 포함할 수 있으며, 더 구체적으로는 좋아요, 싫어요, 공감, 슬픔, 기쁨, 화남 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.

또한, 컴퓨터는 게시물(300)의 댓글수에 대한 정보를 획득할 수 있다. 또한, 컴퓨터는 긍정댓글 수 및 부정댓글 수에 대한 정보를 함께 획득할 수 있다.

컴퓨터는 게시물(300)에 대한 공감수 및 댓글수 정보에 기초하여 해당 게시물(300)에 대한 가중치를 부여할 수 있다.

컴퓨터는 각각의 온라인 게시물에 부여된 가중치와, 온라인 게시물에 포함된 감성정보에 대하여 부여된 가중치를 고려하여 패션 트렌트 정보를 획득할 수 있다.

예를 들어, 컴퓨터는 특정 게시물(300)의 이미지에 포함된 패션 아이템의 종류 및 구체적인 속성정보를 획득할 수 있다. 컴퓨터는 게시물(300)의 이미지에 포함된 패션 아이템의 종류 및 속성정보에 대하여 기본적으로 1점을 부여할 수 있다. 이에 더하여, 컴퓨터는 게시물(300)에 포함된 텍스트에 기반한 감성정보를 획득하고, 감성정보를 종합하여 패션 아이템에 대한 점수를 산출할 수 있다.

예를 들어, 감성정보에 포함된 긍정반응과 부정반응 등을 종합하여 패션 아이템에 대한 점수를 산출할 수 있으며, 점수는 -100점에서 +100점 사이의 값으로 산출될 수 있으나, 이에 제한되는 것은 아니다.

예를 들어, 패션 아이템에 대한 점수가 70점으로 산출되는 경우, 컴퓨터는 패션 아이템에 부여된 1점에 0.7을 곱하여 0.7점을 획득할 수 있다.

이에 더하여, 컴퓨터는 해당 게시물(300)에 대한 가중치를 획득할 수 있다. 예를 들어, 해당 게시물(300)이 평균적인 게시물보다 중요한 것으로 판단되는 경우(예를 들어, 긍정반응이 많거나, 공감수 및 댓글수가 많은 경우 등), 1을 초과하는 가중치를, 그렇지 않다면 1보다 작은 가중치를 부여할 수 있다. 예를 들어 게시물(300)에 대하여 1.5의 가중치가 부여되는 경우, 패션 아이템의 최종 점수는 0.7*1.5 = 1.05 가 될 수 있다.

컴퓨터는 복수의 온라인 게시물들로부터 각각의 패션 아이템에 대한 점수를 산출하여 합산하고, 합산 결과에 기초하여 각 패션 아이템에 대한 패션 트렌드 점수를 획득할 수 있다.

획득된 패션 트렌드 점수가 높을수록 패션 트렌드에 가까운 아이템인 것으로 판단할 수 있으며, 이를 기업 및 소비자에게 추천할 수 있다.

일 실시 예에서, 통상적인 패션 트렌드 외에도 특정한 조건에 기반한 패션 트렌드 분석이 수행될 수 있다. 예를 들어, 사용자가 “바닷가에서 입을 수 있는 옷”과 같이 특정한 조건을 부여한 경우, 컴퓨터는 기 획득된 정보(예를 들어, 바닷가에서 입기 좋은 옷인 것으로 기 저장된 옷의 종류들)에 기반하여 이에 대응하는 종류의 옷들을 필터링하거나, 해당 종류의 옷들에 높은 가중치를 부여할 수 있다. 이에 더하여, 컴퓨터는 텍스트 정보를 수집하여 바다와 관련된 키워드가 함께 포함된 이미지들을 수집 및 필터링하거나, 바다와 관련된 키워드가 함께 포함된 이미지의 패션 아이템들에 대하여 높은 가중치를 부여하는 방식으로 조건별 패션 트렌드 검색을 수행할 수도 있다. 마찬가지로, 컴퓨터는 이미지 분석을 통해 바다를 배경으로 촬영된 패션 아이템을 필터링하거나, 이에 높은 가중치를 부여할 수도 있다.

실시 예에 따라서, 텍스트에 포함된 감성정보에 기반하여 해당 패션 아이템에 대한 마이너스 점수가 부여될 수도 있다. 예를 들어, 패션 아이템에 대해 -50점이 부여되는 경우, 컴퓨터는 해당 패션 아이템에 부여된 기본 1점에 -0.5점을 곱하여 -0.5점을 획득할 수도 있다.

개시된 실시 예에 따라 패션 트렌드를 분석하는 방법은 상술한 바와 같은 정량적인 방법에 제한되지 않으며, 이외에도 다양한 패션 트렌드 분석방법이 적용될 수 있다.

또한, 감성정보를 통해 상술한 바와 같이 각각의 패션 아이템에 대한 점수를 산출할 수도 있으나, 서로 다른 감성에 대한 감성지수를 획득하는 것 또한 가능하다.

예를 들어, 이미지에 포함된 패션 아이템에 대한 내추럴함, 클래식함, 모던함 등의 속성정보를 텍스트에 포함된 감성정보에 기반하여 판단하거나 보충할 수 있으며, 이외에도 이미지 분석으로는 획득할 수 없는 감성정보(예를 들어, 옷이 멋지다, 예쁘다, 쿨하다, 핫하다, 시크하다 등과 같은 감성정보)를 텍스트에 기반하여 수집하고, 각각의 감성에 대한 감성지수를 산출할 수 있다.

산출된 감성지수는 정량화된 점수로 환산되거나, 각각의 패션 아이템에 대한 정량적 혹은 정성적 평가에 반영될 수 있다.

또한, 이러한 감성지수는 특정한 조건에 기반한 패션 트렌드 예측을 수행하는 경우, 특정한 감성을 갖는 패션 아이템을 추천하는 데 활용될 수도 있다.

일 실시 예에서, 컴퓨터는 감성정보에 기반하여 이에 대응하는 패션 아이템에 대하여 높은 가중치가 부여되는 경우, 이와 유사한 다른 패션 아이템과 해당 패션 아이템의 차이점을 분석할 수 있다.

예를 들어, 동일한 셔츠 사진의 경우에도 특정 온라인 게시물이 다른 온라인 게시물보다 많은 공감수 및 댓글수를 가질 수 있으며, 또한 많은 긍정반응을 가질 수 있다.

이 경우, 컴퓨터는 우선 해당 온라인 게시물이 업로드된 채널 및 계정의 특성에 기반하여 그 수치를 일차적으로 보정할 수 있다. 예를 들어, 특정 온라인 게시물이 많은 팔로워를 보유한 인플루언서에 의하여 업로드된 경우, 그렇지 않은 경우에 비해 기본적으로 많은 공감수 및 댓글수를 보유할 수 있다. 이 경우, 공감수 및 댓글수를 다른 온라인 게시물의 팔로워 수에 비례하여 조정할 수도 있고, 해당 인플루언서의 다른 온라인 게시물들의 평균 공감수 및 댓글수를 기준으로 하여 조정할 수도 있다.

조정된 수치를 기준으로 하였을 때에도 특정 온라인 게시물이 다른 온라인 게시물보다 높은 가중치가 부여되는 경우, 컴퓨터는 해당 온라인 게시물에 포함된 패션 아이템을 유사한 다른 패션 아이템들과 비교할 수 있다.

예를 들어, 컴퓨터는 해당 온라인 게시물에 포함된 패션 아이템의 속성정보와, 이와 유사한 다른 패션 아이템들의 속성정보를 비교할 수 있다.

이를 통해, 컴퓨터는 다른 패션 아이템들과 해당 패션 아이템의 속성정보 간의 차이점을 획득할 수 있다. 실시 예에 따라서, 기 획득된 속성정보만으로는 차이점을 찾기 어려울 수 있다. 이 경우, 컴퓨터는 이미지 분석에 기반한 비교를 통해 다른 패션 아이템들과의 차이점을 획득할 수 있다.

예를 들어, 도 3을 참조하면, 셔츠의 옷깃 끝부분에 검은 포인트가 있는 것이 다른 셔츠와의 차이점인 것으로 판단될 수 있다. 이에 따라, 컴퓨터는 옷깃 끝부분에 포인트를 주는 것이 셔츠에 있어서 사용자들에게 좋은 반응을 얻을 수 있는 패션 트렌드에 해당한다는 정보를 획득할 수 있다.

이와 같이, 컴퓨터는 패션 트렌드 분석을 통해 기업이나 소비자에게 최근의 패션 트렌드에 해당하는 패션 아이템의 속성정보뿐 아니라, 같은 종류의 패션 아이템 내에서도 온라인 상에서 좋은 반응을 얻은 포인트를 추천하여 제공함으로써, 제품의 생산이나 구매에 도움이 되는 정보를 제공할 수 있다.

일 실시 예에서, 컴퓨터는 게시물(300)에 포함된 텍스트를 획득함에 있어서, 획득된 텍스트를 속성정보에 해당하는 텍스트 및 감성정보에 해당하는 텍스트로 분류할 수 있다.

예를 들어, 컴퓨터는 기본적으로 이미지에 기반하여 속성정보를, 텍스트에 기반하여 감성정보를 획득할 수 있으나, 텍스트에는 감성정보뿐 아니라 속성정보가 함께 포함될 수 있다.

예를 들어, 도 3을 참조하면 본문 텍스트(320)에는 셔츠의 색상, 사이즈 및 추천 계절에 대한 정보가 기재되어 있고, 해시태그된 텍스트(330)에는 남자셔츠, 남자 와이셔츠, 20대 남자 등의 정보가 기재되어 있다.

컴퓨터는 텍스트에 포함된 키워드들 중 이러한 속성정보에 해당하는 키워드와, 해당 제품에 대한 감상이나 후기, 기분 등을 포함하는 감성정보에 해당하는 키워드를 분류할 수 있다.

키워드 분류는 기 설정된 단어 데이터베이스에 기반하여 수행될 수 있으나 이에 제한되지 않으며, 다양한 자연어 분석기법이 활용될 수 있다. 예를 들어, 각각의 키워드에 대한 클러스터링 기반의 속성분석을 통해 키워드 분류가 수행될 수도 있다. 또한, 각각의 클러스터 혹은 데이터베이스에 포함된 키워드들과, 텍스트에 포함된 키워드 간의 유사도에 기반하여 해당 키워드의 속성을 판단할 수도 있다.

일 실시 예에서, 컴퓨터는 상기 속성정보에 해당하는 텍스트로부터 하나 이상의 속성정보를 추출할 수 있다.

또한, 컴퓨터는 감성정보에 해당하는 것으로 분류된 텍스트로부터 감성정보를 추출할 수 있다.

또한, 컴퓨터는 이미지를 이용하여 획득된 속성정보와, 텍스트로부터 추출된 속성정보를 비교하고, 비교 결과에 기초하여 이미지에 포함된 패션 아이템에 대한 속성정보를 업데이트할 수 있다.

예를 들어, 컴퓨터는 이미지 분석을 통해 획득한 패션 아이템의 속성정보와 텍스트를 통해 획득한 속성정보가 상이한 경우, 이미지 분석을 통해 획득한 속성정보를 정정하거나 일부 수정할 수 있으며, 이미지 분석을 통해 획득된 속성정보와 배타적이지 않은 추가 속성정보가 텍스트로부터 획득되는 경우, 이를 패션 아이템의 속성정보에 추가할 수 있다.

일 실시 예에서, 텍스트에 포함된 속성정보가 반드시 이미지에 포함된 패션 아이템을 지칭하는 것은 아닐 수 있다. 따라서, 컴퓨터는 우선 이미지 분석을 통해 이에 포함된 패션 아이템을 인식하되, 그 정확도를 산출할 수 있다. 예를 들어, 이미지 분석을 통해 패션 아이템이 셔츠인 것으로 90% 이상 정확도로 판단되는 경우, 텍스트에 다른 패션 아이템에 대한 정보가 있더라도 이를 반영하지 않을 수 있다.

반면, 이미지 분석을 통해 패션 아이템이 셔츠인 것으로 70% 정확도로 판단되며, 패션 아이템이 티셔츠인 것으로 65% 정확도로 판단되는 경우, 텍스트에 티셔츠와 관련된 키워드가 포함된 경우, 이미지에 포함된 패션 아이템이 티셔츠인 것으로 판단할 수 있다.

또한, 컴퓨터는 텍스트에 대한 키워드 분석뿐 아니라 문맥 분석을 통해 각각의 키워드의 역할을 결정할 수 있다. 예를 들어, 이미지에는 셔츠가 포함되어 있으나 텍스트에는 청바지와 관련된 키워드가 포함되어 있는 경우, 컴퓨터는 문맥 분석을 통해 해당 셔츠가 청바지와 함께 입기 좋다는 정보를 획득할 수 있다. 이외에도 텍스트에 포함된 다양한 감성정보 및 속성정보는 키워드 자체뿐 아니라 해당 문장의 맥락을 고려하여 패션 트렌드 분석에 반영될 수 있다.

예를 들어, 긍정 키워드라 하더라도 반어법 등으로 인해 부정적인 뉘앙스를 가질 수 있으며, 특정 속성 정보가 텍스트에 포함되는 경우에도 이미지와 무관한 내용이 기재되었을 수 있다.

이러한 맥락 분석에 이용되는 방법은 제한되지 않으며, 다양한 자연어 처리 및 분석기법이 활용될 수 있다.

도 4는 일 실시 예에 따라 다른 온라인 게시물을 탐색하는 방법을 도시한 도면이다.

상술한 도 2를 통하여 선택된 온라인 게시물(300)을 도 3과 같이 분석한 후, 컴퓨터는 다시 게시물들의 목록(400)에서 다른 온라인 게시물(410)을 선택하여 동일한 방법으로 분석을 수행할 수 있다.

분석을 수행하는 순서나 분석 대상 게시물을 선택하는 방법은 제한되지 않으며, 상술한 바와 같이 필터링을 통해 분석대상을 걸러내거나, 선택적으로 분석대상을 선택할 수 있다.

도 5는 일 실시 예에 따라 복수의 패션 아이템을 포함하는 온라인 게시물의 분석방법을 도시한 도면이다.

도 5를 참조하면, 온라인 게시물에 포함된 이미지(510) 및 텍스트(520)가 도시되어 있다.

상술한 바와 같이, 컴퓨터는 이미지 분석을 통해 이미지(510)에 포함된 하나 이상의 패션 아이템을 인식하고, 태깅할 수 있다. 도 5에 도시된 바와 같이, 컴퓨터는 이미지(510)에 포함된 상의(512), 하의(514) 및 액세서리(516)를 인식 및 태깅할 수 있다.

또한, 컴퓨터는 인식 및 태깅된 패션 아이템의 종류 및 구체적인 속성정보를 이미지 분석을 통해 획득할 수 있다.

또한, 컴퓨터는 텍스트(520)로부터 감성정보를 추출할 수 있으며, 예를 들어 상술한 바와 같이 키워드 분석을 통해 감성정보에 해당하는 하나 이상의 텍스트 정보를 추출할 수 있으며, 나아가 문맥 분석을 통해 각각의 키워드가 의미하는 바를 더욱 구체적으로 판단할 수 있다.

일 실시 예에서, 도 5에 도시된 바와 같이 이미지(510)에 복수의 패션 아이템들이 포함될 수 있다. 이 경우, 컴퓨터는 텍스트에 포함된 감성정보가 지칭하는 대상(패션 아이템)을 결정할 수 있다.

기본적으로, 컴퓨터는 이미지(510)에 포함된 모든 패션 아이템에 대하여 텍스트로부터 획득된 감성정보를 적용할 수 있다.

다른 실시 예에서, 컴퓨터는 텍스트로부터 획득된 감성정보를 서로 다른 패션 아이템에 할당할 수 있다. 이 경우, 동일한 감성정보가 복수의 패션 아이템에 할당될 수도 있다.

예를 들어, 텍스트에 특정 패션 아이템이 명시되는 경우, 텍스트 분석을 통해 해당 패션 아이템에 대한 감상을 포함하는 감성정보를 해당 패션 아이템에 적용할 수 있다.

다른 예로, 텍스트에 특정 패션 아이템이 명시되지 않더라도, 컴퓨터는 감성정보 분석을 통해 각각의 감성정보가 지칭하는 패션 아이템이 무엇인지 판단할 수 있다.

예를 들어, 컴퓨터는 학습 과정에서 각각의 패션 아이템에 대하여 기 수집된 감성정보를 포함하는 데이터베이스를 획득할 수 있으며, 이에 기반하여 각각의 패션 아이템과 감성정보(예를 들어, 감상이나 수식어 등) 간의 연관성을 판단할 수 있는 모델을 학습시킬 수 있다.

모델의 학습에는 머신러닝에 기반한 인공지능 기술이 사용될 수 있으나, 이에 제한되는 것은 아니다.

이를 통해, 컴퓨터는 각각의 패션 아이템과 기 설정된 기준값 이상의 연관성 점수를 갖는 감성정보를 각각의 패션 아이템에 할당할 수 있으나, 이에 제한되는 것은 아니다.

도 6은 일 실시 예에 따른 인공지능에 기반한 패션 트렌드 정보 획득방법을 도시한 도면이다.

상술한 바와 같이, 컴퓨터는 복수의 온라인 게시물을 수집하여 이로부터 이미지 및 텍스트 정보를 획득할 수 있다.

컴퓨터는 인공지능 모델 혹은 기타 분석방법을 이용하여 이미지에 포함된 패션 아이템의 속성정보와 텍스트에 포함된 감성정보를 획득하고, 이를 종합하여 패션 트렌드 정보를 획득할 수 있다.

일 실시 예에서, 컴퓨터는 온라인 게시물에 포함된 이미지와 텍스트 정보를 입력받아, 이에 대응하는 패션 트렌드 정보(예를 들어, 온라인 게시물에 포함된 패션 아이템에 대한 정보 및 해당 패션 아이템에 대한 평가점수)를 출력할 수 있는 인공지능 모델을 학습시킬 수 있다.

컴퓨터는 해당 인공지능 모델을 이용하여 온라인 게시물들에 포함된 패션 아이템 및 그 평가점수를 수집하고, 이를 종합하여 패션 아이템별 평가점수를 합산하고, 이를 통해 패션 트렌드 정보를 획득할 수도 있다.

도 7은 일 실시 예에 따른 인공지능 모델의 학습 및 이를 통한 트렌드 평가방법을 도시한 흐름도이다.

단계 S710에서, 컴퓨터는 복수의 온라인 게시물로부터 이미지 및 속성정보를 획득할 수 있다.

단계 S720에서, 컴퓨터는 복수의 온라인 게시물의 텍스트로부터 감성정보를 획득할 수 있다.

단계 S730에서, 컴퓨터는 인공지능 모델을 학습시킬 수 있다.

일 실시 예에서, 컴퓨터는 온라인 게시물로부터 획득된 속성정보와 감성정보(또는 감성정보에 기반하여 산출된 패션 트렌드 점수)의 쌍을 포함하는 학습 데이터를 획득할 수 있다.

다른 실시 예에서, 컴퓨터는 온라인 게시물로부터 획득된 이미지와 감성정보(또는 감성정보에 기반하여 산출된 패션 트렌드 점수)의 쌍을 포함하는 학습 데이터를 획득할 수 있다.

컴퓨터는 획득된 학습 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다.

단계 S740에서, 컴퓨터는 학습된 인공지능 모델을 이용하여 이미지 또는 속성정보에 대한 트렌드 평가를 수행할 수 있다.

예를 들어, 인공지능 모델이 속성정보와 감성정보의 쌍에 기반하여 학습된 경우, 컴퓨터는 하나 이상의 패션 아이템에 대한 속성정보를 입력받아, 입력된 정보에 대응하는 소비자의 감정(예를 들어, 감정은 관심도 및 선호도 중 적어도 하나를 포함할 수 있다)에 대한 정보를 출력할 수 있다.

이 경우, 컴퓨터는 우선 이미지 분석 모델을 이용하여 이미지로부터 패션 아이템의 속성정보를 추출하고, 추출된 속성정보를 인공지능 모델에 입력하여 이에 대응하는 감성정보 혹은 감성정보에 기반하여 산출되는 패션 트렌드 점수를 획득할 수 있다.

다른 예로, 컴퓨터는 하나 이상의 패션 아이템을 포함하는 이미지를 입력받아, 입력된 이미지에 포함된 하나 이상의 패션 아이템에 대한 소비자의 감정(예를 들어, 감정은 관심도 및 선호도 중 적어도 하나를 포함할 수 있다)에 대한 정보를 출력할 수 있다.

도 8은 일 실시 예에 따라 패션 트렌드를 평가하는 인공지능 모델을 도시한 도면이다.

도 8을 참조하면, 도 7과 관련하여 상술한 바와 같이 복수의 온라인 게시물로부터 획득되는 학습 데이터를 이용하여 인공지능 모델을 학습시키고, 이를 통해 학습된 인공지능 모델을 획득하는 방법이 도시되어 있다.

또한, 컴퓨터는 특정 이미지 또는 속성정보를 획득하며, 이를 학습된 인공지능 모델에 입력함으로써 패션 트렌드 평가정보를 획득할 수 있다.

예를 들어, 신제품에 대한 패션 트렌드 평가를 수행하고자 하거나, 소비자가 자신이 입은 옷에 대한 패션 트렌드 평가를 받고자 하는 경우, 이를 촬영하여 인공지능 모델에 기반한 평가를 받을 수 있다.

컴퓨터는 획득된 이미지 혹은 이로부터 획득된 속성정보를 인공지능 모델에 입력하고, 이에 따른 감성정보 혹은 감성정보에 기반하여 산출되는 패션 트렌드 평가정보를 획득할 수 있다.

즉, 컴퓨터는 인공지능 모델을 이용하여 특정한 패션 아이템을 포함하는 이미지를 온라인에 게시하는 경우 이에 대한 사용자들의 평가를 미리 예측할 수 있다.

이러한 인공지능 모델은 도 1에 도시된 패션 트렌드 예측방법에도 활용될 수 있다. 즉, 컴퓨터는 학습된 인공지능 모델을 이용하여 온라인 게시물들 각각에 대하여 패션 트렌드 평가를 수행하고, 평가 결과를 종합하여 온라인 게시물들에 업로드된 패션 아이템의 종류 및 이에 대한 평가정보를 획득하고, 이를 통하여 패션 트렌드를 판단 혹은 예측할 수 있다.

도 9는 일 실시 예에 따른 관절 좌표에 기반한 이미지 인식방법을 도시한 도면이다.

도 9를 참조하면, 서로 다른 패션 아이템을 포함하는 이미지(910, 920 및 930)가 도시되어 있다.

일 실시 예에서, 컴퓨터는 이미지 분석에 기반하여 각각의 패션 아이템의 종류를 분석할 수 있으며, 이는 민소매, 반팔 및 긴팔 등과 같은 패션 아이템의 속성정보를 포함할 수 있다.

단, 소매의 길이나 옷의 길이, 크기 등은 일반적인 이미지 분석을 통하여서는 구체적인 판단이 어려울 수 있다.

따라서, 개시된 실시 예에 따르면 인체의 관절에 기초하여 하나 이상의 포인트를 설정하고, 해당 포인트를 이미지로부터 인식한 후 이를 패션 아이템과 비교하여 패션 아이템에 대하여 더욱 정확한 속성정보를 추출할 수 있다.

도 9를 참조하면, 중앙에 인체 이미지 및 이에 배치된 복수의 좌표점이 도시되어 있다. 예를 들어, 인체의 머리, 목, 어깨, 허리, 골반, 팔꿈치, 손목, 손바닥, 손가락, 무릎, 발목, 발 등 복수의 포인트에 각각 좌표점이 할당될 수 있으며, 컴퓨터는 이미지를 분석함에 있어서 이미지에 인체가 포함된 것으로 판단되는 경우, 우선적으로 이러한 좌표점을 먼저 인식할 수 있다.

예를 들어, 이미지(910)의 경우, 컴퓨터는 인체의 어깨(912) 및 팔꿈치(914)의 좌표점을 인식하고, 이후 패션 아이템이 차지하는 위치 및 영역을 판단할 수 있다.

컴퓨터는 패션 아이템이 상의인 것을 판단하되, 해당 패션 아이템이 어깨(912) 및 팔꿈치(914)를 덮지 않는 것을 인식함으로써, 해당 패션 아이템의 소매길이가 0%, 즉 민소매인 것으로 판단할 수 있다.

마찬가지로, 컴퓨터는 이미지(920)의 경우, 인체의 어깨(922) 및 팔꿈치(924)의 좌표점을 인식하고, 이후 패션 아이템이 차지하는 위치 및 영역을 판단할 수 있다.

컴퓨터는 패션 아이템이 상의인 것을 판단하되, 해당 패션 아이템이 어깨(922)를 덮되 및 팔꿈치(924)를 덮지 않는 것을 인식함으로써, 해당 패션 아이템의 소매길이가 45%, 즉 반팔인 것으로 판단할 수 있다.

또한, 컴퓨터는 이미지(930)의 경우, 인체의 어깨(932), 팔꿈치(934) 및 손목(936)의 좌표점을 인식하고, 이후 패션 아이템이 차지하는 위치 및 영역을 판단할 수 있다.

컴퓨터는 패션 아이템이 상의인 것을 판단하되, 해당 패션 아이템이 어깨(932) 및 팔꿈치(934)를 덮되 팔목(936)을 덮지 않는 것을 인식함으로써, 해당 패션 아이템의 소매길이가 80%, 즉 8부인 것으로 판단할 수 있다.

이외에도 컴퓨터는 다양한 인체의 관절 좌표점의 위치를 인식하고, 해당 좌표점의 위치와 패션 아이템의 위치 및 영역을 비교함으로써, 각각의 패션 아이템에 대한 속성을 더욱 구체적으로 판단할 수 있다.

도 10은 일 실시 예에 따른 다중 레이블링 학습방법을 도시한 도면이다.

도 10을 참조하면, 복수의 패션 아이템과 이를 평가한 속성정보(1010 및 1020)가 도시되어 있다.

패션 아이템의 상단에 표시된 속성정보(1010)의 경우, 각각의 패션 아이템에 대하여 하나의 속성을 지정하는 것을 특징으로 한다. 이 경우, 해당 패션 아이템의 특성을 간결하게 파악할 수 있으나, 패션 아이템의 특성을 하나의 속성만으로 지칭하기에는 부정확한 경우들이 있을 수 있다.

따라서, 패션 아이템 하단의 속성정보(1020)와 같이, 각각의 패션 아이템에 대하여 복수의 속성정보 및 각 속성정보의 점수를 제공하는 방식으로 패션 아이템의 속성 분석이 수행될 수 있다.

이를 통해, 각 패션 아이템의 대표적인 속성이 무엇인지 판단할 수 있을 뿐 아니라, 이외의 속성들에 대한 점수를 함께 판단할 수 있어, 더욱 세분화된 스타일 분석을 가능케 할 수 있다.

예를 들어, “클래식하면서 모던한” 패션 아이템을 찾는 경우, 클래식 점수와 모던 점수가 모두 기 설정된 기준값 이상인 패션 아이템을 찾는 방식으로, 다각적인 스타일 분석을 수행하는 것이 가능하다.

도 11은 도 10에 도시된 분석방법을 수행하기 위한 레이블링 화면의 일 예를 도시한 도면이다.

도 11을 참조하면, 패션 아이템을 포함하는 이미지(1110) 및 이에 대한 속성정보를 레이블링하기 위한 복수의 속성정보(1120)가 도시되어 있다.

이에 더하여, 레이블링 화면에는 메인 속성(1130)을 선택하는 메뉴와 서브 속성(1140)을 선택하는 메뉴가 포함될 수 있다.

일 실시 예에서, 메인 속성(1130)은 복수의 속성정보(1120) 중 택일하고, 서브 속성(1140)은 복수의 속성정보(1120)중 하나 이상을 선택 가능하도록 구성될 수 있으나, 이에 제한되는 것은 아니다.

이를 통하여 컴퓨터는 패션 아이템에 대한 하나의 메인 속성과 하나 이상의 서브 속성을 획득할 수 있으며, 이에 기반하여 인공지능 모델을 학습시킴으로써 하나의 패션 아이템에 대하여 복수의 속성정보 및 각 속성정보의 점수를 출력할 수 있는 인공지능 모델을 획득할 수 있다.

도 12는 일 실시 예에 따른 장치의 구성도이다.

프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 11과 관련하여 설명된 방법을 수행한다.

한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

1. 컴퓨터에 의하여 수행되는 방법에 있어서,
   온라인 게시물을 획득하는 단계;
   상기 게시물에 포함된 이미지를 획득하는 단계;
   상기 게시물에 포함된 텍스트를 획득하는 단계;
   상기 획득된 이미지를 이용하여, 상기 이미지에 포함된 패션 아이템에 대한 속성정보를 획득하는 단계;
   상기 텍스트로부터 상기 이미지에 포함된 패션 아이템에 대한 감성정보를 추출하는 단계; 및
   상기 속성정보 및 상기 감성정보를 이용하여 패션 트렌드 정보를 획득하는 단계; 를 포함하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
2. 제1 항에 있어서,
   상기 패션 트렌드 정보를 획득하는 단계는,
   패션 트렌드 분석을 위한 복수의 온라인 게시물을 획득하는 단계;
   상기 복수의 온라인 게시물로부터 획득된 속성정보에 기반하여 하나 이상의 패션 아이템이 언급되는 빈도 - 상기 빈도는 횟수 및 비율 중 적어도 하나를 포함함 - 에 대한 정보를 획득하는 단계;
   상기 복수의 온라인 게시물로부터 추출된, 상기 하나 이상의 패션 아이템에 대응하는 감성정보에 기반하여 상기 하나 이상의 패션 아이템에 대한 소비자의 감정 - 상기 감정은 관심도 및 선호도 중 적어도 하나를 포함함 - 에 대한 정보를 획득하는 단계; 및
   상기 하나 이상의 패션 아이템이 언급되는 빈도 및 상기 하나 이상의 패션 아이템에 대한 소비자의 감정에 기초하여, 패션 트렌드 정보를 생성하는 단계; 를 포함하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
3. 제1 항에 있어서,
   상기 텍스트를 획득하는 단계는,
   상기 게시물에 포함된 본문 텍스트를 획득하는 단계;
   상기 게시물에 포함된 댓글 텍스트를 획득하는 단계; 및
   상기 본문 텍스트로부터 하나 이상의 해시태그된 텍스트를 획득하는 단계; 를 포함하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
4. 제3 항에 있어서,
   상기 텍스트를 획득하는 단계는,
   상기 획득된 텍스트를 속성정보에 해당하는 텍스트 및 감성정보에 해당하는 텍스트로 분류하는 단계; 를 더 포함하고,
   상기 속성정보를 획득하는 단계는,
   상기 속성정보에 해당하는 텍스트로부터 하나 이상의 속성정보를 추출하는 단계;
   상기 이미지를 이용하여 획득된 속성정보와, 상기 텍스트로부터 추출된 속성정보를 비교하는 단계; 및
   상기 비교 결과에 기초하여 상기 이미지에 포함된 패션 아이템에 대한 속성정보를 업데이트하는 단계; 를 더 포함하고,
   상기 감성정보를 추출하는 단계는,
   상기 감성정보에 해당하는 텍스트로부터 상기 감성정보를 추출하는 단계; 를 포함하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
5. 제4 항에 있어서,
   상기 분류하는 단계는,
   상기 본문 텍스트, 댓글 텍스트 및 해시태그된 텍스트 각각에 대하여, 서로 상이한 속성 가중치 및 감성 가중치를 부여하는 단계; 및
   상기 본문 텍스트, 댓글 텍스트 및 해시태그된 텍스트 각각에 대하여, 텍스트의 내용 및 각 텍스트에 부여된 가중치를 이용하여 각각의 텍스트를 속성정보에 해당하는 텍스트 및 감성정보에 해당하는 텍스트로 분류하는 단계; 를 더 포함하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
6. 제3 항에 있어서,
   상기 온라인 게시물에 대한 공감수 - 상기 공감수는 공감유형별 공감수에 대한 정보를 포함함 - 및 댓글수 - 상기 댓글수는 긍정댓글 수 및 부정댓글 수에 대한 정보를 포함함 - 를 획득하는 단계; 및
   상기 공감수 및 댓글수에 기초하여 상기 온라인 게시물에 대한 가중치를 부여하는 단계; 를 더 포함하고,
   상기 감성정보를 추출하는 단계는,
   상기 감성정보가 추출된 텍스트 유형 - 상기 텍스트 유형은, 상기 본문 텍스트, 상기 댓글 텍스트 및 상기 해시태그된 텍스트를 포함함 - 에 따라 추출된 감성정보에 상이한 가중치를 부여하는 단계; 를 더 포함하고,
   상기 패션 트렌드 정보를 획득하는 단계는,
   상기 온라인 게시물에 부여된 가중치 및 상기 추출된 감성정보에 부여된 가중치를 고려하여 상기 패션 트렌드 정보를 획득하는 단계; 를 포함하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
7. 제1 항에 있어서,
   복수의 온라인 게시물로부터 획득된 속성정보 및 감성정보의 쌍을 포함하는 학습 데이터를 획득하는 단계; 및
   상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계; 를 더 포함하고,
   상기 인공지능 모델은,
   하나 이상의 패션 아이템에 대한 속성정보를 입력받아, 입력된 정보에 대응하는 소비자의 감정 - 상기 감정은 관심도 및 선호도 중 적어도 하나를 포함함 - 에 대한 정보를 출력하는 것을 특징으로 하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
8. 제1 항에 있어서,
   복수의 온라인 게시물로부터 획득된 이미지 및 감성정보의 쌍을 포함하는 학습 데이터를 획득하는 단계; 및
   상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계; 를 더 포함하고,
   상기 인공지능 모델은,
   하나 이상의 패션 아이템을 포함하는 이미지를 입력받아, 입력된 이미지에 포함된 하나 이상의 패션 아이템에 대한 소비자의 감정 - 상기 감정은 관심도 및 선호도 중 적어도 하나를 포함함 - 에 대한 정보를 출력하는 것을 특징으로 하는,
   이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법.
9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
   상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
   상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
   제1 항의 방법을 수행하는, 장치.
10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.

Images