KR20210041730A - 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 - Google Patents

패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20210041730A
KR20210041730A KR1020190124312A KR20190124312A KR20210041730A KR 20210041730 A KR20210041730 A KR 20210041730A KR 1020190124312 A KR1020190124312 A KR 1020190124312A KR 20190124312 A KR20190124312 A KR 20190124312A KR 20210041730 A KR20210041730 A KR 20210041730A
Authority
KR
South Korea
Prior art keywords
user
image
preference
item
service server
Prior art date
Application number
KR1020190124312A
Other languages
English (en)
Inventor
유애리
Original Assignee
오드컨셉 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 오드컨셉 주식회사 filed Critical 오드컨셉 주식회사
Priority to KR1020190124312A priority Critical patent/KR20210041730A/ko
Priority to PCT/KR2020/013648 priority patent/WO2021071238A1/ko
Publication of KR20210041730A publication Critical patent/KR20210041730A/ko
Priority to KR1020220041606A priority patent/KR20220044715A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers

Abstract

본 발명은, 특정 패션 아이템에 대한 사용자의 선호도를 추정할 수 있는 정보인 사용자 선호도 정보를 생성하는 서비스 서버에 있어서, 복수의 패션 아이템들이 잘 어울리도록 조합되어 있는 스타일 이미지를 포함하는 룩북으로부터, 사용자의 취향이 반영된 선호도 진단 아이템을 포함하고 사용자의 선호도 파악을 위한 진단 이미지를 생성하고, 상기 진단 이미지를 사용자 디바이스에 제공하는 진단 이미지 생성부, 상기 진단 이미지 중 사용자가 선택한 이미지인 사용자 선택 이미지를 상기 사용자 디바이스로부터 수신하고, 상기 사용자 선택 이미지에 포함된 패션 아이템들로부터 상기 사용자 선호도 정보를 생성하는 업데이트 정보 생성부 및 상기 사용자 선호도 정보를 저장하는 사용자 선호도 정보 저장부를 포함하는 것을 특징으로 한다.

Description

패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 {METHOD, APPARATUS AND COMPUTER PROGRAM FOR FASHION ITEM RECOMMENDATION}
본 발명은 패션 상품을 추천하는 방법에 관한 것이다. 보다 구체적으로 본 발명은 사용자의 선호도가 반영된 사용자 선택 이미지를 기초로 사용자 선호도 정보를 생성하고, 사용자 선호도 정보를 기초로 사용자에게 추천 아이템을 제공하는 패션 상품 추천 시스템에 관한 것이다.
최근 증가된 유무선 인터넷 환경을 배경으로 온라인을 이용한 홍보, 매매 등의 상거래가 활성화되고 있다. 이와 관련하여 구매자들은 인터넷과 연결된 데스크탑이나 모바일 단말에서 잡지, 블로그 또는 YouTube의 동영상 등을 검색하다가 마음에 드는 상품을 발견하면, 상품명 등을 검색하여 구매로 이르게 된다. 유명 여배우가 공항에서 들었던 가방 이름, 예능 프로그램에 나온 육아 용품 이름이 포탈 사이트의 실시간 검색어 순위 상위에 올라가는 경우가 그 예라고 할 수 있다. 그러나 이때, 사용자는 검색을 위한 웹 페이지를 별도로 열어서 상품명, 제조사, 판매처 등을 검색해야 하고, 이들에 대한 명확한 정보를 이미 알고 있지 않으면 쉽게 검색하지 못하는 불편이 있다.
한편 판매자들은 제품 홍보를 위해서 상업 광고 이외에도 미디어 협찬, 온라인 사용기 모집 등에 많은 비용을 지출한다. 최근에는 온라인 상의 입소문이 제품 판매에 중요한 변수로 작용하기 때문이다. 그러나 홍보 비용 지출에도 불구하고, 상품명과 판매처 등의 쇼핑 정보를 공개할 수 없는 경우도 빈번하다. 상품명 노출에 대한 매체 시청자들의 사전 승인을 개별적으로 받을 수 없어 간접광고 이슈가 발생할 수 있기 때문이다.
이와 같이 사용자와 판매자 모두 온라인상의 상품 이미지에 대해 보다 직관적인 UI(User Interface) 환경에서 쇼핑 정보를 제공하기를 원하는 니즈가 존재한다.
본 발명의 실시 예는, 향상된 검색 능력을 갖는 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램을 제공하는 것을 목적으로 한다.
본 발명은, 특정 패션 아이템에 대한 사용자의 선호도를 추정할 수 있는 정보인 사용자 선호도 정보를 생성하는 서비스 서버에 있어서, 복수의 패션 아이템들이 잘 어울리도록 조합되어 있는 스타일 이미지를 포함하는 룩북으로부터, 사용자의 취향이 반영된 선호도 진단 아이템을 포함하고 사용자의 선호도 파악을 위한 진단 이미지를 생성하고, 상기 진단 이미지를 사용자 디바이스에 제공하는 진단 이미지 생성부, 상기 진단 이미지 중 사용자가 선택한 이미지인 사용자 선택 이미지를 상기 사용자 디바이스로부터 수신하고, 상기 사용자 선택 이미지에 포함된 패션 아이템들로부터 상기 사용자 선호도 정보를 생성하는 업데이트 정보 생성부 및 상기 사용자 선호도 정보를 저장하는 사용자 선호도 정보 저장부를 포함하는 것을 특징으로 한다.
본 발명의 실시 예에 따르면, 향상된 검색 능력을 갖는 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
도 1은 본 발명의 실시 예에 따른 패션 상품 추천 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 패션 상품 추천 시스템의 동작을 설명하기 위한 장치도이다.
도 3은 본 발명의 실시 예에 따라, 선호도 진단 아이템 이미지로부터 진단 이미지를 생성하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따라, 사용자 선택 이미지가 생성되는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 사용자 선호도 정보의 생성을 설명하기 위한 순서도이다.
도 6은 본 발명의 다른 실시 예에 따른 사용자 선호도 정보의 생성을 설명하기 위한 순서도이다.
본 명세서 또는 출원에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 개념에 따른 실시 예들은 다양한 형태로 실시될 수 있으며 본 별명의 개념에 따른 실시 예들은 다양한 형태로 실시될 수 있으며 본 명세서 또는 출원에 설명된 실시 예들에 한정되는 것으로 해석되어서는 아니 된다.
본 발명의 개념에 따른 실시 예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로 특정 실시 예들을 도면에 예시하고 본 명세서 또는 출원에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1 및/또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 서술된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
실시 예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 실시 예에 따른 패션 상품 추천 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 패션 상품 추천 시스템(50)은 사용자 디바이스(100) 및 서비스 서버(200)를 포함할 수 있다. 사용자 디바이스(100)는 데스크탑, 스마트폰, 테블릿 PC 등 검색을 요청하고 광고 정보를 표시할 수 있는 모든 형태의 전자 장치를 포함하는 개념일 수 있다.
서비스 서버(200)는 사용자 선호도 정보 생성부(210) 및 사용자 선호도 정보 저장부(220)를 포함할 수 있다.
사용자 선호도 정보 생성부(210)는 디자인, 가격대, 브랜드, 용도 등 특정 패션 아이템에 대한 사용자의 선호도를 추정할 수 있는 정보인 사용자 선호도 정보를 생성할 수 있다. 사용자 선호도 정보는 특정 패션 아이템에 대한 사용자 선호도를 계산하기 위한 벡터값들을 포함할 수 있다.
구체적으로, 사용자 선호도 정보 생성부(210)는 사용자의 선호도 파악을 위해, 룩북을 검색하여 선호도 진단 아이템을 적어도 하나 이상 포함하는 진단 이미지를 생성하고 사용자 디바이스(100)에 제공할 수 있다.
룩북은 온라인 상에서 수집되는 이미지 중에서, 복수의 패션 아이템들이 잘 어울리도록 조합되어 있는 이미지(이하, 스타일 이미지라고 함)를 포함할 수 있다. 본 발명의 실시 예에 따른 스타일 이미지는 온라인 마켓에서 판매되는 상품들의 착용샷, 패션쇼 촬영 이미지, 패션 잡지 화보 이미지, SNS, 블로그 유명인의 의상 이미지, 아이돌 의상 이미지, 패션 잡지의 스트리트 패션 이미지 또는 패션 아이템의 판매를 위해 다른 아이템과 코디해 놓은 이미지 등을 예시할 수 있다.
본 발명의 실시 예에서, 선호도 진단 아이템은 사용자의 취향이 반영된 패션 아이템일 수 있다. 구체적으로, 선호도 진단 아이템은 사용자가 종래 구입한 아이템 또는 보유 아이템을 기초로 사용자가 선호할 것으로 추정되는 패션 아이템일 수 있다.
한편, 사용자가 종래 구입한 아이템 또는 보유 아이템에 대한 정보가 없는 경우, 선호도 진단 아이템은 서비스 서버(200)의 요청에 따라 사용자가 자신의 취향이 반영됐다고 응답한 패션 아이템일 수도 있다. 예를 들어, 서비스 서버(200)는 사용자에게 선호도 진단 아이템의 이미지를 사진 촬영할 것을 요청하거나, 선호도 진단 아이템을 설명할 수 있는 키워드의 입력을 요청하거나, 마이크를 통한 음성 명령을 요청하는 등 다양한 방법을 통해 선호도 진단 아이템에 대한 정보를 수집할 수 있다.
사용자 선호도 정보 생성부(210)는 사용자가 선택한 진단 이미지인 사용자 선택 이미지에 대한 정보를 사용자 디바이스(100)로부터 수신할 수 있다.
사용자는 진단 이미지 중 마음에 드는 이미지를 사용자 선택 이미지로 결정할 수 있다. 종래에 사용자는 추상적으로 자신의 취향이 무엇인지 알고 있을 수 있으나, 구체적으로 자신의 취향이 반영된 패션 아이템을 검색하기 위해서는 해당 취향을 설명하는 키워드를 모두 포함하여 검색하여야 하는 번거로움이 있었다.
본 발명의 실시 예에 따르면, 사용자는 단순히 서비스 서버(200)가 제공하는 복수의 스타일 이미지(진단 이미지) 중 마음에 드는 이미지를 선택하는 것만으로 자신의 취향을 서비스 서버(200)에 전달할 수 있고, 따라서 검색의 효율성이 증가될 수 있는 이점이 있다.
이후, 사용자 선호도 정보 생성부(210)는 사용자 선택 이미지를 이용하여 사용자 선호도 정보를 생성할 수 있다. 예를 들어, 사용자 선호도 정보 생성부(210)는 사용자 선택 이미지에 포함된 패션 아이템들의 특징 정보를 조합하는 방식으로 사용자 선호도 정보 벡터를 생성할 수 있다.
사용자 선택 이미지의 개수가 미리 설정된 설정값보다 적을 경우, 서비스 서버는 서비스 서버(200)는 사용자로부터 받는 정보가 부족하다고 판단하고, 진단 이미지를 다시 추출하기 위해, 사용자 디바이스(100)에 선호도 진단 아이템의 이미지를 요청할 수 있다.
예를 들어, 설정값이 5인데 사용자 선택 이미지의 개수가 3이라고 가정할 수 있다. 서비스 서버(200)는 진단 이미지가 사용자의 선호도 정보를 충분히 반영하지 못한다고 판단하고, 진단 이미지를 다시 생성하기 위해 선호도 진단 아이템의 이미지를 사용자를 통해 직접 입력 받을 수 있다.
또한, 서비스 서버(200)는 사용자가 사용자의 선호도 확인을 위한 데이터인 선호도 진단 아이템 또는 추천 아이템과 다른 상품을 구매한 경우 선호도 조사를 다시 실시할 수 있다.
본 발명의 실시 예에 따르면, 서비스 서버(200)는 선호도 진단 아이템을 기초로 진단 이미지를 생성하고, 사용자가 선택한 진단 이미지를 기초로 사용자 선호도 정보를 업데이트할 수 있다. 서비스 서버(200)는 사용자 선호도 정보를 기초로 결정된 추천 아이템을 사용자에게 제공하게 되는데, 사용자는 추천 아이템과 상이한 패션 아이템 또는 추천 아이템으로 제공된 선호도 진단 아이템과 상이한 아이템을 구매할 수 있다.
서비스 서버(200)는 사용자가 선호도 진단 아이템 또는 추천 아이템과 상이한 패션 아이템을 구매한 경우, 기 실시한 선호도 진단이 잘못됐다고 판단하고 선호도 조사를 재실시 할 수 있다.
선호도 조사의 재실시 과정에 대해서는, 전술한 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 선호도 진단 아이템을 추출하는 과정을 반복하거나, 사용자로부터 직접 선호도 진단 아이템을 입력 받아 진단 이미지를 다시 생성할 수 있다.
이때, 서비스 서버(200)는 진단 이미지가 사용자의 선호도를 충분히 반영하지 못했음을 알리는 메시지, 사용자 선택 이미지의 개수가 부족하여 적당한 추천 아이템을 제공하기 곤란하다는 메시지, 또는 사전에 주의사항으로 제공한 사용자 선택 이미지의 개수가 설정값보다 적을 경우 새로운 진단 이미지가 제공될 수 있음을 알리는 메시지 등과 함께 선호도 진단 아이템에 관한 정보를 입력해줄 것을 요청하는 메시지를 사용자 디바이스(100)에 전송할 수 있다.
서비스 서버(200)는 사용자에게 선호도 진단 아이템의 이미지를 사진 촬영할 것을 요청하거나, 선호도 진단 아이템을 설명할 수 있는 키워드의 입력을 요청하거나, 마이크를 통한 음성 명령을 요청하는 등 다양한 형태를 통해 선호도 진단 아이템에 대한 정보를 요청하는 메시지를 전송할 수 있다.
본 발명의 실시 예에 따르면, 서비스 서버(200)는 상품 이미지 또는 스타일 이미지를 벡터값 형태로 저장할 수 있다. 구체적으로, 서비스 서버(200)는 상품 이미지 또는 스타일 이미지들의 특징 영역을 탐지(Interest Point Detection)할 수 있다. 특징 영역이란, 이미지들 사이의 동일 유사 여부를 판단하기 위한 이미지의 특징에 대한 기술자, 즉 특징 기술자(Feature Description)를 추출하는 주요 영역을 의미할 수 있다.
본 발명의 실시예에 따르면 이러한 특징 영역은 이미지가 포함하고 있는 윤곽선, 윤곽선 중에서도 코너 등의 모퉁이, 주변 영역과 구분되는 블롭(blob), 이미지의 변형에 따라 불변하거나 공변하는 영역, 또는 주변 밝기보다 어둡거나 밝은 특징이 있는 극점일 수 있으며 이미지의 패치(조각) 또는 이미지 전체를 대상으로 할 수 있다.
나아가 서비스 서버는 특징 영역에서 특징 기술자를 추출(Descriptor Extraction)할 수 있다. 특징 기술자는 이미지의 특징들을 벡터 값으로 표현한 것일 수 있다.
본 발명의 실시예에 따르면, 이러한 특징 기술자는 해당 이미지에 대한 특징 영역의 위치, 또는 특징 영역의 밝기, 색상, 선명도, 그라디언트, 스케일 또는 패턴 정보를 이용하여 계산할 수 있다. 예를 들어 특징 기술자는 특징 영역의 밝기 값, 밝기의 변화 값 또는 분포 값 등을 벡터로 변환하여 계산할 수도 있다.
한편 본 발명의 실시예에 따르면 이미지에 대한 특징 기술자는 위와 같이 특징 영역에 기반한 지역 기술자(Local Descriptor) 뿐 아니라, 전역 기술자(Global descriptor), 빈도 기술자(Frequency Descriptor), 바이너리 기술자(Binary Descriptor) 또는 신경망 기술자(Neural Network descriptor)로 표현될 수 있다.
보다 구체적으로, 특징 기술자는 이미지 전체 또는 이미지를 임의의 기준으로 분할한 구역 각각, 또는 특징 영역 각각의 밝기, 색상, 선명도, 그라디언트, 스케일, 패턴 정보 등을 벡터값으로 변환하여 추출하는 전역 기술자 (Global descriptor)를 포함할 수 있다.
예를 들어 특징 기술자는 미리 구분한 특정 기술자들이 이미지에 포함되는 횟수, 종래 정의된 색상표와 같은 전역적 특징의 포함 횟수 등을 벡터값으로 변환하여 추출하는 빈도 기술자 (Frequency Descriptor), 각 기술자들의 포함 여부 또는 기술자를 구성하는 각 요소 값들의 크기가 특정값 보다 크거나 작은지 여부를 비트 단위로 추출한 뒤 이를 정수형으로 변환하여 사용하는 바이너리 기술자 (Binary descriptor), 신경망(Neural Network)의 레이어에서 학습 또는 분류를 위해 사용되는 영상정보를 추출하는 신경망 기술자(Neural Networkdescriptor)를 포함할 수 있다.
머신 러닝은 인공지능의 분야 중 하나로, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘의 집합으로 정의될 수 있다. 서비스 서버가 이용하는 모델은 이러한 머신 러닝의 모델 중 심층 신경망(Deep Neural Networks, DNN), 컨볼루션 신경망(Convolutional deep Neural Networks, CNN), 순환 인공 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경 망(Deep Belief Networks, DBN) 중 어느 하나를 이용한 것일 수 있다.
특히 본 발명의 실시 예에 따르면, 상품 이미지 또는 스타일 이미지로부터 추출한 특징 정보 벡터를 낮은 차원으로 변환할 수 있다. 예를 들어 인공신경망을 통해 추출된 특징 정보는 4만 차원 고차원 벡터 정보에 해당하며, 검색에 요구되는 리소스를 고려하여 적정한 범위의 낮은 차원 벡터로 변환하는 것이 적절할 수 있다.
상기 특징 정보 벡터의 변환은 PCA 등의 알고리즘을 이용할 수 있으며, 낮은 차원 벡터로 변환된 특징 정보는 해당 상품 이미지에 인덱싱 될 수 있다.
본 발명의 실시 예에서, 사용자 선택 이미지에 포함된 벡터값들은 사용자 선택 이미지의 밝기, 색상, 선명도, 그라디언트, 스케일 또는 패턴 정보 등을 포함할 수 있다. 사용자 선호도 정보 생성부(210)는 이들 정보의 조합으로부터 사용자 선호도 정보를 생성할 수 있다.
본 발명의 다른 실시 예를 따르면, 사용자 선호도 정보는 사용자 선택 이미지에 포함된 패션 아이템 객체들로부터 추출한 레이블 정보를 이용하여 생성할 수도 있다. 예를 들어, 사용자 선택 이미지에 포함된 패션 아이템에 해당 패션 아이템의 내용을 설명하는 레이블이 미리 설정되어 있는 경우, 복수의 선택 이미지에 설정된 레이블들을 조합하여 사용자 선호도 정보를 생성할 수도 있다.
나아가 본 발명의 추가적인 실시 예에 따르면, 사용자 선호도 정보는 사용자가 선택한 선호도 진단 아이템은 물론, 사용자가 종래 구매한 패션 아이템 및/또는 사용자가 종래 보유하고 있는 패션 아이템에 대한 정보를 이용하여 생성할 수도 있다. 이때 사용자가 선택한 선호도 진단 아이템, 구매한 아이템 및/또는 보유한 아이템들의 정보를 결합하는 가중치는 다양한 알고리즘에 따라 설정될 수 있다.
본 발명의 또 다른 실시 예에 따르면, 사용자 선호도 정보는 신제품이 출시될 때, 사용자에게 ‘좋음’, ‘별로’ 등의 추가 선호도 조사를 받아 지속적으로 업데이트될 수 있다.
온/오프라인 마켓은 변화하는 소비자의 니즈(needs)를 반영한 신제품을 지속적으로 출시할 수 있다. 새롭게 출시된 신제품에는 기존의 제품들이 포괄하지 못한 디자인(혹은 레이블 정보)이 포함되어 있을 수 있다. 뿐만 아니라, 기존에 존재하던 디자인(혹은 레이블 정보)이라 하더라도, 이를 재해석하여 기존 온/오프라인 마켓에 없던 소비자의 구매욕을 자극하는 새로운 조합의 디자인(혹은 레이블 정보)으로 재탄생될 수 있다. 이러한 신제품은 소비자들의 최신 니즈가 가장 많이 반영되어 있을 수 있으므로 사용자 선호도 정보에 업데이트될 필요가 있다.
따라서, 서비스 서버(200)는 신제품이 출시될 때, 상기 신제품에 대한 ‘좋음, ’별로‘ 등의 질의를 통해 사용자 선호도 정보를 업데이트할 수 있다. 사용자의 응답에 따라 선호도는 서로 다른 가중치로 사용자 선호도 정보에 반영될 수 있다.
사용자 선호도 정보는 패션 아이템의 디자인, 브랜드, 가격대 등 사용자의 선호도를 추정할 수 있는 정보를 포함할 수 있다.
특히, 사용자 선호도 정보는 사용자가 선호하는 패션 아이템의 브랜드에 관한 정보를 포함할 수 있다. 브랜드에 관한 사용자 선호도 정보는, 사용자 선택 이미지에 포함된 벡터값으로부터 생성될 수 있다. 서비스 서버(200)는 사용자 선택 이미지에서 브랜드가 표시된 특징 부분(예를 들어, 의류에 부착된 태그, 상의의 카라 안쪽 부분, 가슴 부분, 하의의 윗 부분, 주머니 부분 등)을 인식할 수 있고, 해당 브랜드의 특징적인 정보를 데이터베이스에서 검색하는 방법으로 브랜드에 관한 사용자 선호도 정보를 생성할 수 있다.
데이터베이스에는 개별 브랜드가 가지는 특징적인 정보인 로고, 체크의 형태, 도형, 패턴, 상표, 문구 등이 사전에 저장되어 있을 수 있다. 서비스 서버(200)는 사용자 선택 이미지의 벡터값으로부터 브랜드의 특징적인 정보를 추출하고, 사용자가 선호하는 브랜드에 관한 사용자 선호도 정보를 생성할 수 있다.
본 발명의 다른 실시 예에 따르면, 사용자 선호도 정보는 사용자 선택 이미지에 포함된 패션 아이템 객체들로부터 추출한 레이블 정보로부터 생성될 수 있다. 사용자 선택 이미지에 포함된 패션 아이템 객체들에는 해당 패션 아이템의 브랜드에 관한 레이블 정보가 미리 태그되어 있을 수 있다. 서비스 서버(200)는 브랜드에 관한 레이블 정보를 조합하여, 브랜드에 관한 사용자 선호도 정보를 생성할 수 있다.
사용자 선호도 정보 저장부(220)는 사용자 선호도 정보 생성부(210)로부터 수신한 사용자 선호도 정보를 저장할 수 있다.
사용자 선호도 정보 저장부(220)에 저장된 사용도 선호도 정보는 사용자 선택 이미지가 입력될 때마다 갱신될 수 있다. 사용자 선호도 정보는 시간에 따라 변화할 수 있다. 예를 들어, 사용자의 연령대, 재력, 직업, 직장 분위기 등 사용자의 개인 정보 또는 주변 환경이 변화함에 따라 선호하는 스타일이 달라질 수 있다. 또한, 최신 트랜드의 변화에 따라 현재 유행하는 스타일이 반영된 사용자 선호도 정보가 새롭게 생성될 수도 있다.
예컨대, 사용자가 20대 초반의 대학생의 경우 유채색 계열의 티셔츠, 청바지, 스니커즈 또는 운동화 등 캐쥬얼한 느낌을 주는 패션 아이템들이 사용자 선호도 정보에 다수 포함될 수 있다. 사용자가 20대 후반의 직장인이 되면, 흰색 셔츠, 구두, 넥타이, 무채색 계열의 패션 아이템 등 오피스 룩 느낌을 주는 패션 아이템들이 사용자 선호도 정보에 다수 포함될 수 있다.
사용자는 서비스 서버(200)로부터 수신한 진단 이미지를 수시로, 임의의 타이밍에 또는 주기적으로 선택함으로써, 변화된 취향을 서비스 서버에 전달할 수 있다. 사용자 선호도 정보가 사용자 선택 이미지가 입력될 때마다 갱신됨으로써, 서비스 서버(200)는 사용자가 원하는 스타일을 보다 정확하게 예측하고, 그에 맞는 패션 아이템을 추천할 수 있다.
도 2는 도 1의 패션 상품 추천 시스템의 동작을 설명하기 위한 장치도이다.
도 2를 참조하면, 서비스 서버(200)는 사용자 선호도 정보 생성부(210) 및 사용자 선호도 정보 저장부(220)를 포함할 수 있다.
서비스 서버(200)는 사용자 디바이스(100)로부터 사용자의 취향을 추측할 수 있는 종래 구입한 아이템, 보유 아이템의 이미지 등을 수신하고, 이를 기초로 특정 패션 아이템에 대한 사용자의 선호도를 파악하기 위한 진단 이미지를 제공할 수 있다. 사용자가 진단 이미지 중 마음에 드는 이미지를 사용자 선택 이미지로 결정하면, 서비스 서버(200)는 사용자 선택 이미지에 포함된 벡터값들을 연산하여 사용자 선호도 정보를 생성할 수 있다.
구체적으로, 사용자 선호도 정보 생성부(210)는 초기 사용자 선호도 정보 생성부(211), 진단 이미지 생성부(212) 및 업데이트 정보 생성부(213)를 포함할 수 있다.
초기 사용자 선호도 정보 생성부(211)는 사용자 디바이스(100)로부터 사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지를 수신할 수 있다.
사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지는 서비스 서버(200)가 사용자 선호도 정보의 갱신을 위해 필요로 할 때 사용자 디바이스(100)에 요청할 수 있다. 실시 예에 따라 사용자가 온라인 마켓에서 패션 아이템을 구입할 때마다, 임의의 시점에, 또는 일정한 주기로 서비스 서버(200)에 제공될 수도 있다.
도 2에서는 초기 사용자 선호도 정보를 생성하기 위한 정보로 사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지를 예시하였지만, 실시 예에 따라 초기 사용자 선호도 정보 생성부(211)는 특정 패션 아이템에 대한 블로그 열람 시간, 방문 횟수, 텍스트, 동영상 또는 선호도 진단 아이템이 표시된 웹 사이트의 URL 등 다양한 정보가 포함될 수 있다.
초기 사용자 선호도 정보 생성부(211)는 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 초기 사용자 선호도 정보를 생성할 수 있다.
초기 사용자 선호도 정보는 사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 추출한 사용자의 선호도에 관한 정보일 수 있다. 초기 사용자 선호도 정보는 특정 패션 아이템에 대한 사용자 선호도를 계산하기 위한 벡터값들을 포함할 수 있다. 초기 사용자 선호도 정보는 특정 패션 아이템에 대한 블로그 열람 시간, 방문 횟수, 텍스트 등 다양한 정보를 기초로 추출될 수도 있다.
초기 사용자 선호도 정보는 사용자가 기존에 보유하던 아이템의 특징 정보를 포함할 수 있다. 즉, 초기 사용자 선호도 정보는 사용자가 기존에 보유하던 아이템으로부터 추출한 사용자의 취향에 관한 정보를 포함할 수 있다.
초기 사용자 선호도 정보는 사용자가 종래 구입한 아이템 또는 이미 보유하고 있는 아이템이라는 과거 데이터를 기초로 하므로, 사용자의 변화된 취향을 반영하지 못할 수 있다.
본 발명의 실시 예에서는, 초기 사용자 선호도 정보를 기초로 선호도 진단 아이템을 추출하고, 추출된 선호도 진단 아이템이 포함된 적어도 하나 이상의 진단 이미지를 통해 변화된 사용자의 취향을 반영한 사용자 선호도 정보를 생성할 수 있다.
진단 이미지 생성부(212)는 초기 사용자 선호도 정보로부터 진단 이미지를 생성하고, 사용자 디바이스(100)에 제공할 수 있다. 진단 이미지는 사용자의 선호도 파악을 위해, 룩북에서 검색된 선호도 진단 아이템을 적어도 하나 이상 포함하는 이미지일 수 있다. 진단 이미지의 생성에 대해서는 첨부된 도 3에 대한 설명에서 후술하기로 한다.
사용자 디바이스(100)는 진단 이미지 생성부(212)로부터 수신한 진단 이미지 중 마음에 드는 이미지를 선택할 수 있다. 사용자로부터 선택된 진단 이미지는 사용자 선택 이미지일 수 있다.
업데이트 정보 생성부(213)는 사용자 선택 이미지에 포함된 패션 아이템 객체로부터 사용자 선호도 정보를 생성할 수 있다.
사용자 선호도 정보는 디자인, 가격대, 브랜드 등 특정 패션 아이템에 대한 사용자의 선호도를 추정할 수 있는 정보일 수 있다. 사용자 선호도 정보는 특정 패션 아이템에 대한 사용자 선호도를 계산하기 위한 벡터값들을 포함할 수 있다.
사용자 선택 이미지에 포함된 패션 아이템의 특징이 “빨간색”, “크로스 백”, “퀼트 무늬”일 수 있다. 서비스 서버(200)는 이들 특징을 벡터값으로 변환하여 사용자 선호도 정보로 저장할 수 있다.
사용자 선택 이미지가 많을수록 사용자 선호도 정보는 사용자의 취향을 보다 상세하고 정확하게 반영할 수 있다. 사용자 선호도 정보는 사용자 선택 이미지의 패션 아이템들에 포함된 벡터값들을 연산하여 추출될 수 있다. 따라서, 사용자 선택 이미지의 개수가 많을수록 사용자 선호도 정보는 보다 많은 벡터값을 대입한 연산 과정을 통해 추출될 수 있다. 연산 과정을 많이 거칠수록 사용자 선호도 정보는 보다 정교해질 수 있고, 사용자 선호도 정보는 사용자의 취향을 보다 상세하고 정확하게 반영할 수 있다.
따라서, 사용자 선택 이미지가 많을수록, “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”의 특징뿐만 아니라 더 다양한 패션 아이템의 특징을 사용자 선호도 정보에 반영할 수 있다.
중복되는 특징이 있는 경우, 중복된 횟수에 따라 가중치를 부여하고 우선순위를 정할 수도 있다. 예를 들어, “크로스 백”이 4회, “치마”가 2회 중복된 경우, “크로스 백”을 “치마”보다 사용자의 선호도가 높다고 판단할 수 있다.
사용자 선택 이미지가 많을수록 중복되는 빈도가 증가할 수 있고, 서비스 서버(200)는 이러한 특징에 더 높은 사용자 선호도의 가중치를 부여할 수 있다. 더 높은 사용자 선호도의 가중치가 반영된 특징은 추천 아이템을 결정할 때 데이터베이스에서 우선하여 검색될 수 있다.
도 2에는 도시되지 않았지만, 사용자 선택 이미지의 개수가 미리 설정된 설정값보다 적을 경우, 서비스 서버는 진단 이미지를 다시 추출하기 위해, 사용자 디바이스(100)에 선호도 진단 아이템의 이미지를 요청할 수 있다.
예를 들어, 설정값이 5인데 사용자 선택 이미지의 개수가 3이라고 가정할 수 있다. 서비스 서버(200)는 진단 이미지가 사용자의 선호도 정보를 충분히 반영하지 못한다고 판단하고, 진단 이미지를 다시 생성하기 위해 선호도 진단 아이템의 이미지를 사용자를 통해 직접 입력 받을 수 있다.
사용자 선택 이미지의 개수가 미리 설정된 설정값보다 적을 경우, 서비스 서버는 서비스 서버는 사용자로부터 받는 정보가 부족하다고 판단하고, 진단 이미지를 다시 추출하기 위해, 사용자 디바이스에 선호도 진단 아이템의 이미지를 요청할 수 있다.
예를 들어, 설정값이 5인데 사용자 선택 이미지의 개수가 3이라고 가정할 수 있다. 서비스 서버는 진단 이미지가 사용자의 선호도 정보를 충분히 반영하지 못한다고 판단하고, 진단 이미지를 다시 생성하기 위해 선호도 진단 아이템의 이미지를 사용자를 통해 직접 입력 받을 수 있다.
또한, 서비스 서버는 사용자가 사용자의 선호도 확인을 위한 데이터인 선호도 진단 아이템과 다른 상품을 구매한 경우 선호도 조사를 다시 실시할 수 있다.
본 발명의 실시 예에 따르면, 서비스 서버는 선호도 진단 아이템을 기초로 진단 이미지를 생성하고, 사용자가 선택한 진단 이미지를 기초로 사용자 선호도 정보를 업데이트할 수 있다. 서비스 서버는 사용자 선호도 정보를 기초로 결정된 추천 아이템을 사용자에게 제공하게 되는데, 사용자는 추천 아이템과 상이한 패션 아이템 또는 추천 아이템으로 제공된 선호도 진단 아이템과 상이한 아이템을 구매할 수 있다.
서비스 서버는 사용자가 선호도 진단 아이템 또는 추천 아이템과 상이한 패션 아이템을 구매한 경우, 기 실시한 선호도 진단이 잘못됐다고 판단하고 선호도 조사를 재실시 할 수 있다.
선호도 조사의 재실시 과정에 대해서는, 전술한 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 선호도 진단 아이템을 추출하는 과정을 반복하여 새로운 선호도 진단 아이템을 다시 생성하거나, 사용자로부터 직접 선호도 진단 아이템을 입력 받아 진단 이미지를 다시 생성할 수 있다.
서비스 서버(200)는 진단 이미지가 사용자의 선호도를 충분히 반영하지 못했음을 알리는 메시지, 사용자 선택 이미지의 개수가 부족하여 적당한 추천 아이템을 제공하기 곤란하다는 메시지, 또는 사전에 주의사항으로 제공한 사용자 선택 이미지의 개수가 설정값보다 적을 경우 새로운 진단 이미지가 제공될 수 있음을 알리는 메시지 등과 함께 선호도 진단 아이템에 관한 정보를 입력해줄 것을 요청하는 메시지를 사용자 디바이스(100)에 전송할 수 있다.
서비스 서버(200)는 사용자에게 선호도 진단 아이템의 이미지를 사진 촬영할 것을 요청하거나, 선호도 진단 아이템을 설명할 수 있는 키워드의 입력을 요청하거나, 마이크를 통한 음성 명령을 요청하는 등 다양한 형태를 통해 선호도 진단 아이템에 대한 정보를 요청하는 메시지를 전송할 수 있다.
업데이트 정보 생성부(213)는 생성된 사용자 선호도 정보를 사용자 선호도 정보 저장부(220)에 저장할 수 있다. 사용자 선호도 저장부(220)에 저장되어 있던 기존 사용자 선호도 정보는 새롭게 수신된 사용자 선호도 정보를 반영하여 갱신될 수 있다.
특히, 사용자 선호도 정보는 신제품이 출시될 때, 사용자에게 ‘좋음’, ‘별로’ 등의 추가 선호도 조사를 받아 지속적으로 업데이트될 수 있다.
온/오프라인 마켓은 변화하는 소비자의 니즈(needs)를 반영한 신제품을 지속적으로 출시할 수 있다. 새롭게 출시된 신제품에는 기존의 제품들이 포괄하지 못한 디자인(혹은 레이블 정보)이 포함되어 있을 수 있다. 뿐만 아니라, 기존에 존재하던 디자인(혹은 레이블 정보)이라 하더라도, 이를 재해석하여 기존 온/오프라인 마켓에 존재하지 않던 소비자의 구매욕을 자극하는 새로운 조합의 디자인(혹은 레이블 정보)으로 재탄생될 수 있다. 이러한 신제품은 소비자들의 최신 니즈가 가장 많이 반영되어 있을 수 있으므로 사용자 선호도 정보에 업데이트될 필요가 있다.
따라서, 서비스 서버(200)는 신제품이 출시될 때, 상기 신제품에 대한 ‘좋음, ’보통‘ ,’별로‘ 등의 질의를 통해 사용자 선호도 정보를 업데이트할 수 있다. 사용자의 응답에 따라 선호도는 서로 다른 가중치로 사용자 선호도 정보에 반영될 수 있다.
도 3은 본 발명의 실시 예에 따라, 선호도 진단 아이템 이미지로부터 진단 이미지를 생성하는 과정을 설명하기 위한 도면이다.
도 3을 참조하면, 그림1은 사용자가 종래 구입한 아이템 또는 보유한 아이템의 이미지로부터 사용자의 취향이 반영됐다고 판단된 선호도 진단 아이템의 이미지일 수 있다. 또는, 사용자가 종래 구입한 아이템 또는 보유한 아이템에 관한 정보가 없는 경우, 사용자로부터 입력 받은 선호도 진단 아이템의 이미지일 수 있다.
서비스 서버는 선호도 진단 아이템의 이미지가 포함된 진단 이미지를 적어도 하나 이상 생성할 수 있다. 실시 예에서, 진단 이미지는 열 개 생성될 수 있으나, 열 개보다 적거나 많은 수의 진단 이미지가 생성될 수도 있다.
진단 이미지는 선호도 진단 아이템이 코디된 스타일 이미지를 복수의 스타일 이미지를 포함하는 룩북에서 검색한 이미지일 수 있다. 선호도 진단 아이템이 코디된 스타일 이미지가 룩북에 다수 존재할 경우, 서비스 서버는 중복되는 스타일 이미지를 제거할 수 있다. 예를 들어, 완전히 동일한 스타일 이미지 뿐만 아니라, 코디된 패션 아이템은 동일하지만 패션 아이템을 착용한 사람 또는 마네킹의 포즈만 상이할 수 있다. 이 경우 서비스 서버는 포함하는 패션 아이템의 집합이 서로 상이한 스타일 이미지들만을 진단 이미지로 결정할 수 있다.
실시 예에 따라, 룩북에 선호도 진단 아이템이 포함된 스타일 이미지의 개수가 미리 설정된 설정값보다 적거나, 존재하지 않을 수 있다. 이때, 서비스 서버는 검색된 스타일 이미지만을 진단 이미지로 결정할 수도 있고, 선호도 진단 아이템과 유사한 패션 아이템이 매치된 다른 스타일 이미지를 진단 이미지로 결정할 수도 있고, 또는 사용자 디바이스에 진단 이미지가 검색되지 않았음을 알리는 메시지와 함께 선호도 진단 아이템에 관한 정보를 입력해줄 것을 요청하는 메시지를 사용자 디바이스에 전송할 수도 있다.
다시 도 3을 참조하면, 그림1a, 그림1b 및 그림1c는 “옷의 중간 부분에 알파벳이 하얀 바탕에 기재되고, 알파벳을 경계로 윗부분은 빨간색으로, 아랫 부분은 파란색으로 디자인된 모자가 달린 바람막이”라는 선호도 진단 아이템의 이미지로부터 생성된 세 개의 진단 이미지(진단 이미지1, 진단 이미지2, 진단 이미지3)가 표시된 사용자 디바이스를 도시하고 있다.
진단 이미지1, 진단 이미지2 및 진단 이미지3은 동일한 선호도 진단 아이템이 코디된 서로 다른 스타일 이미지일 수 있다. 구체적으로, 진단 이미지1은 청치마와 빨간 핸드백이, 진단 이미지2는 옷의 중앙 부분에 알파벳이 기재된 티셔츠와 흰색 레깅스가, 진단 이미지3은 가슴 왼편에 알파벳이 기재된 티셔츠와 검은색 면바지가 각각 선호도 진단 아이템과 함께 코디되어 있다.
서비스 서버는 생성된 진단 이미지를 사용자 디바이스에 순차적으로 제공할 수 있다. 그림1a는 진단 이미지1이 사용자 디바이스에 표시된 것을 도시하고 있다. 사용자는 진단 이미지1의 청치마와 빨간 핸드백이 자신이 선호하는 패션 아이템이라고 판단되면, “좋아요”를 의미하는 하트 아이콘(40a, 40b, 40c)을 클릭(click)할 수 있다. 반대로, 청치마가 자신이 선호하는 패션 아이템이 아니라고 판단되면, “싫어요”를 의미하는 엑스 아이콘(50a, 50b, 50c)을 클릭할 수 있다.
사용자는 아이콘을 클릭하는 외에도, 진단 이미지 또는 사용자 인터페이스 화면을 미리 설정된 방향으로 드래그(drag)하는 방식으로 자신의 화면에 표시된 진단 이미지에 대한 자신의 선호를 반영할 수도 있다.(일례로 “좋아요”는 왼쪽으로 드래그, “싫어요”는 오른쪽으로 드래그)
실시 예에 따라, 진단 이미지의 특정 영역을 클릭 또는 더블 클릭하거나, 마이크에 음성 명령을 보내거나, 미리 설정된 별도의 버튼을 클릭하는 등 다양한 방식으로 진단 이미지에 대한 선호도를 서비스 서버로 전송할 수 있다.
진단 이미지(진단 이미지1, 진단 이미지2, 진단 이미지3)와 하트 아이콘(40a, 40b, 40c) 및 엑스 아이콘(50a, 50b, 50c)의 하단에는 사용자 선택 이미지 표시창(60a, 60b, 60c)이 위치할 수 있다.
사용자 선택 이미지 표시창(60a, 60b, 60c)은 사용자로부터 “좋아요”로 선택된 진단 이미지인 사용자 선택 이미지가 썸네일로 표시되는 사용자 인터페이스의 특정 영역일 수 있다. 사용자 선택 이미지가 썸네일로 표시되는 과정에 대해서는 첨부된 도 4에 대한 설명에서 후술하기로 한다.
도 4는 본 발명의 실시 예에 따라, 사용자 선택 이미지가 생성되는 과정을 설명하기 위한 도면이다.
먼저 도 4a를 참조하면, 도 4a는 진단 이미지1에 대한 사용자의 선호 여부를 묻는 사용자 인터페이스인 그림2a와 사용자가 진단 이미지1에 대해 “좋아요”를 선택한 경우, 사용자 선택 이미지 표시창(60d)에 진단 이미지1이 썸네일로 표시된 사용자 인터페이스인 그림2b를 도시하고 있다.
구체적으로, 진단 이미지1에 대한 사용자의 선호 여부의 물음에 대한 응답으로, 사용자는 하트 아이콘(40d) 또는 엑스 아이콘(50d)을 클릭할 수 있다. 사용자는 진단 이미지1이 자신의 취향을 반영한다고 판단하면 하트 아이콘(40d)을 클릭하고, 진단 이미지1이 자신의 취향을 반영하지 못한다고 판단하면 엑스 아이콘(50d)을 클릭할 수 있다.
사용자가 “좋아요”를 의미하는 하트 아이콘(40d)을 클릭하면, 그림2b와 같이 진단 이미지가 사용자 선택 이미지 표시창(60d)에 표시되면서 다음 진단 이미지(진단 이미지2)를 순차적으로 사용자 인터페이스에 표시할 수 있다. 사용자 선택 이미지 표시창(60d)에 표시된 진단 이미지, 즉 사용자로부터 선택된 진단 이미지는 사용자 선택 이미지일 수 있다.
사용자가 “싫어요”를 의미하는 엑스 아이콘(50d)를 클릭하면, 진단 이미지는 사용자 선택 이미지 표시창(60d)에 표시되지 않고, 다음 진단 이미지(진단 이미지2)를 순차적으로 사용자 인터페이스에 표시할 수 있다.
다음으로 도 4b를 참조하면, 도 4b는 진단 이미지2에 대한 사용자의 선호 여부를 묻는 사용자 인터페이스인 그림2c와 사용자가 진단 이미지2에 대해 “좋아요”를 선택한 경우, 사용자 선택 이미지 표시창에 진단 이미지2가 썸네일로 표시된 사용자 인터페이스인 그림2d를 도시하고 있다.
도 4b의 실시 예에서, 사용자는 “좋아요”를 의미하는 하트 아이콘(40d)을 선택할 수 있다. 사용자 선택 이미지 표시창에 진단 이미지2가 표시되고, 도면에는 도시되지 않았지만, 다음 진단 이미지(진단 이미지3)에 대한 선호 여부를 순차적으로 사용자에게 물을 수 있다.
도 4b에는 도시되지 않았지만, 사용자가 “싫어요”를 의미하는 엑스 아이콘(50d)을 선택하였다면, 진단 이미지2는 사용자 선택 이미지 표시창에 표시되지 않고 다음 진단 이미지(진단 이미지3)가 순차적으로 사용자 인터페이스에 표시될 수 있다.
사용자 선택 이미지 표시창에는 사용자의 “좋아요” 선택에 따른 사용자 선택 이미지가 다수 포함될 수 있다. 도 4a에는 하나의 사용자 선택 이미지(사용자 선택 이미지1)가 썸네일로 표시된 것을 도시하고 있지만, 도 4b와 같이 복수의 사용자 선택 이미지가 사용자 선택 이미지 표시창(60d)에 표시될 수 있다.
사용자 선택 이미지가 많을수록 사용자 선호도 정보는 사용자의 취향을 보다 상세하고 정확하게 반영할 수 있다. 사용자 선호도 정보는 사용자 선택 이미지의 패션 아이템들에 포함된 벡터값들을 연산하여 추출될 수 있다. 따라서, 사용자 선택 이미지의 개수가 많을수록 사용자 선호도 정보는 보다 많은 벡터값을 대입한 연산 과정을 통해 추출될 수 있다. 연산 과정을 많이 거칠수록 사용자 선호도 정보는 보다 정교해질 수 있고, 사용자 선호도 정보는 사용자의 취향을 보다 상세하고 정확하게 반영할 수 있다.
예를 들어, 사용자 선택 이미지가 하나만 있다고 가정할 수 있다.(사용자 선택 이미지1만 선택됨) 서비스 서버는 사용자 선택 이미지1만을 기초로 사용자 선호도 정보를 추출할 수 있다. 사용자 선택 이미지1에는 선호도 진단 아이템과 매치된 패션 아이템이 청치마와 빨간 핸드백일 수 있다.
서비스 서버는 청치마와 빨간 핸드백의 이미지의 밝기, 색상, 선명도, 그라디언트, 스케일 또는 패턴 정보 등을 포함하는 벡터값들을 조합하여 사용자 선호도 정보를 생성할 수 있다. 사용자 선호도 정보는 패션 아이템의 디자인, 가격대, 브랜드, 용도 등 사용자의 선호도를 추정할 수 있는 정보를 포함할 수 있다.
실시 예에서, 서비스 서버는 청치마의 이미지로부터 “파란색”, “치마”에 대응되는 벡터값을, 빨간 핸드백의 이미지로부터 “빨간색”, “크로스 백”, “퀼트 무늬”에 대응되는 벡터값을 각각 추출할 수 있다.
이후, 서비스 서버는 이들 벡터값들을 조합하여, 사용자가 “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”라는 특징을 가지는 패션 아이템을 선호한다고 추정할 수 있다.
중복되는 특징이 다수인 경우, 중복된 횟수에 따라 가중치를 부여하고 우선순위를 정할 수도 있다. 예를 들어, “크로스 백”이 4회, “치마”가 2회 중복된 경우, “크로스 백”을 “치마”보다 사용자의 선호도가 높다고 판단할 수 있다. 이러한 정보는 벡터값 형태로 저장된 사용자 선호도 정보일 수 있다.
그림 2d는 복수의 사용자 선택 이미지가 선택된 사용자 인터페이스를 도시하고 있다.(사용자 선택 이미지1, 사용자 선택 이미지2가 선택됨) 서비스 서버는 사용자 선택 이미지1 및 사용자 선택 이미지2를 기초로 사용자 선호도 정보를 추출할 수 있다.
전술한 바와 같이, 서비스 서버는 사용자 선택 이미지1로부터, 사용자가 “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”라는 특징을 가지는 패션 아이템을 선호한다는 사용자 선호도 정보를 생성할 수 있다.
사용자 선택 이미지2에는 선호도 진단 아이템과 매치된 패션 아이템이 옷의 중앙 부분에 알파벳이 기재된 티셔츠와 흰색 레깅스일 수 있다. 서비스 서버는 옷의 중앙 부분에 알파벳이 기재된 티셔츠와 흰색 레깅스 이미지의 밝기, 색상, 선명도, 그라디언트, 스케일 또는 패턴 정보 등을 포함하는 벡터값들을 조합하여 사용자 선호도 정보를 생성할 수 있다.
실시 예에서, 서비스 서버는 옷의 중앙 부분에 알파벳이 기재된 티셔츠의 이미지로부터 “알파벳 프린트”, “흰색 티셔츠”, “옷의 중앙 부분에 무늬가 들어간”에 대응되는 벡터값을, 흰색 레깅스의 이미지로부터 “흰색”, “레깅스”에 대응되는 벡터값을 각각 추출할 수 있다.
이후, 서비스 서버는 이들 벡터값들을 조합하여, 사용자가 “알파벳 프린트”, “흰색 티셔츠”, “옷의 중앙 부분에 무늬가 들어간”, “흰색”, “레깅스”라는 특징을 가지는 패션 아이템을 선호한다고 추정할 수 있다. 이러한 정보는 벡터값 형태로 저장된 사용자 선호도 정보일 수 있다.
결론적으로, 서비스 서버는 사용자 선택 이미지1, 사용자 선택 이미지2로부터 “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”, “알파벳 프린트”, “흰색 티셔츠”, “옷의 중앙 부분에 무늬가 들어간”, “흰색”, “레깅스”라는 패션 아이템의 특징이 벡터값 형태로 저장된 사용자 선호도 정보를 생성할 수 있다.
도 5는 본 발명의 실시 예에 따른 사용자 선호도 정보의 생성을 설명하기 위한 순서도이다.
도 5를 참조하면, S501 단계에서, 서비스 서버는 사용자가 종래 구입한 아이템 또는 보유 아이템에 대한 정보가 존재하는지 판단할 수 있다.
서비스 서버는 사용자가 종래 구입한 아이템 또는 보유 아이템에 대한 정보가 존재한다고 판단되면 S503 단계를 수행하고, 존재하지 않는다고 판단되면 S507 단계를 수행할 수 있다.
S503 단계에서, 서비스 서버는 사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 초기 사용자 선호도 정보를 생성할 수 있다.
초기 사용자 선호도 정보는 사용자가 기존에 보유하던 아이템의 특징 정보를 포함할 수 있다. 즉, 초기 사용자 선호도 정보는 사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 추출한 사용자의 선호도에 관한 정보일 수 있다. 초기 사용자 선호도 정보는 특정 패션 아이템에 대한 사용자 선호도를 계산하기 위한 벡터값들을 포함할 수 있다. 초기 사용자 선호도 정보는 특정 패션 아이템에 대한 블로그 열람 시간, 방문 횟수, 텍스트 등 다양한 정보를 기초로 추출될 수도 있다.
초기 사용자 선호도 정보는 사용자가 종래 구입한 아이템 또는 이미 보유하고 있는 아이템이라는 과거 데이터를 기초로 하므로, 사용자의 변화된 취향을 반영하지 못할 수 있다. 본 발명의 실시 예에서는, 초기 사용자 선호도 정보를 기초로 선호도 진단 아이템을 추출하고, 추출된 선호도 진단 아이템이 포함된 적어도 하나 이상의 진단 이미지를 통해 변화된 사용자의 취향을 반영한 사용자 선호도 정보를 생성할 수 있다.
S505 단계에서, 서비스 서버는 초기 사용자 선호도 정보로부터 선호도 진단 아이템을 추출할 수 있다. 구체적으로, 서비스 서버는 초기 사용자 선호도 정보에 포함된, 사용자의 취향이 반영된 패션 아이템의 특징에 대응되는 벡터값들을 조합하여 선호도 진단 아이템을 추출할 수 있다.
선호도 진단 아이템은 사용자가 종래 구입한 아이템 또는 보유 아이템을 기초로 사용자가 선호할 것으로 추정되는 패션 아이템일 수 있다.
예를 들어, 사용자가 종래 구입한 아이템 또는 보유 아이템에 대한 정보로부터 생성된 초기 사용자 선호도 정보가 “여성스러운 느낌”, “원피스”, “꽃무늬”, “가을 느낌”, “실크 재질”일 수 있다. 초기 사용자 정보는 위 패션 아이템의 특징들이 컴퓨터가 인식 가능한 벡터값으로 변환되어 포함되어 있을 수 있다.
서비스 서버는 이들 벡터값을 조합하고, 해당 벡터값에 가장 근접한 패션 아이템을 선호도 진단 아이템으로 판단할 수 있다. 예를 들어, 위 벡터값들을 내적하여 생성된 벡터값이, 사용자의 선호도가 반영된 특정 패션 아이템의 특징에 대응된다고 판단할 수 있다. 서비스 서버는 생성된 벡터값과 가장 유사한 패션 아이템을 별도의 데이터베이스에서 이미지 유사도를 기준으로 검색할 수 있고, 생성된 벡터값과 이미지 유사도가 가장 근접한 벡터값에 대응되는 패션 아이템을 선호도 진단 아이템으로 결정할 수 있다.
이를 위해, 서비스 서버는 스타일 이미지에 포함된 패션 아이템의 이미지 특징 정보를 추출하고, 특징 정보를 벡터값으로 표현하여 패션 아이템의 특징 값을 생성하고 이미지들의 특징 정보를 구조화할 수 있다.
본 발명의 실시예를 따르면, 서비스 서버는 패션 아이템의 특징 정보를 정의하고, 위 특징 영역에 대응되는 이미지의 특징을 학습한 신경망 모델을 생성하여, 패션 아이템의 이미지 내의 특징 정보를 분류하고, 해당 패션 아이템의 이미지에 대한 특징 정보를 추출할 수 있다. 이때 서비스 서버는 각 특징 정보에 대응되는 이미지의 패턴을 학습한 신경망 모델을 통해 특정 패턴과 임의의 확률로 일치하는 이미지에 해당 특징 정보를 부여할 수 있다.
구체적으로, 서비스 서버는 순환 인공 신경망(Recurrent Neural Network, RNN) 기반의 머신 러닝(Machine learning)을 이용하여 패션 아이템의 특징 정보를 생성할 수 있다. 머신 러닝은 인공지능의 분야 중 하나로, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘의 집합으로 정의될 수 있다. 서비스 서버가 이용하는 모델은 이러한 머신 러닝의 모델 중 심층 신경망(Deep Neural Networks, DNN), 컨볼루션 신경망(Convolutional deep Neural Networks, CNN), 순환 인공 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경 망(Deep Belief Networks, DBN) 중 어느 하나를 이용한 것일 수 있다.
본 발명의 다른 실시 예를 따르면, 서비스 서버는 각 특징 정보에 대응되는 이미지의 특성들을 학습하여 초기 신경망 모델을 형성하고, 여기에 대량의 패션 아이템의 이미지들을 적용하여 신경망 모델을 보다 정교하게 확장할 수도 있다.
한편, 본 발명의 또 다른 실시 예에 따르면, 서비스 서버는 특징 정보에 대한 별도의 학습 없이 패션 아이템 이미지들을 복수의 레이어로 형성된 계층 구조로 형성된 신경망 모델에 적용할 수 있다. 나아가 패션 아이템 이미지의 특징 정보에 해당 레이어의 요청에 따라 가중치를 부여하고, 가공된 특징 정보들을 이용하여 패션 아이템 이미지들을 클러스터링하고, 클러스터링된 이미지 그룹에 “여성스러운 느낌”, “원피스”, “꽃무늬”, “가을 느낌”, “실크 재질” 등으로 사후적으로 해석되는 특징 정보를 부여할 수 있다.
서비스 서버는 사용자가 종래 구입한 아이템 또는 보유 아이템에 대한 정보가 존재하지 않는다고 판단되면, S507 단계를 수행할 수 있다.
선호도 진단 아이템은 서비스 서버의 선호도 진단 아이템 선택을 요청하는 질의에 따라, 사용자가 자신의 취향이 반영된 패션 아이템이라고 응답한 패션 아이템일 수 있다.
예를 들어, 서비스 서버는 사용자에게 선호도 진단 아이템의 이미지를 사진 촬영할 것을 요청하거나, 선호도 진단 아이템을 설명할 수 있는 키워드의 입력을 요청하거나, 마이크를 통한 음성 명령을 요청하는 등 다양한 방법을 통해 선호도 진단 아이템에 대한 정보를 사용자에게 요청할 수 있다.
S509 단계에서, 서비스 서버는 룩북을 기반으로 진단 이미지를 생성하고, 사용자에게 제공할 수 있다.
진단 이미지는 사용자의 선호도 파악을 위해, 룩북에서 검색된 선호도 진단 아이템을 적어도 하나 이상 포함하는 이미지일 수 있다.
룩북에 선호도 진단 아이템이 포함된 스타일 이미지의 개수가 미리 설정된 설정값보다 적거나, 존재하지 않을 수 있다. 이때, 서비스 서버는 검색된 스타일 이미지만을 진단 이미지로 결정할 수도 있고, 선호도 진단 아이템과 유사한 패션 아이템이 매치된 다른 스타일 이미지를 진단 이미지로 결정할 수도 있고, 또는 사용자 디바이스에 진단 이미지가 검색되지 않았음을 알리는 메시지와 함께 선호도 진단 아이템에 관한 정보를 입력해줄 것을 요청하는 메시지를 사용자 디바이스에 전송할 수도 있다. 진단 이미지의 생성에 대해서는 첨부된 도 3를 참조하여 설명될 수 있다.
서비스 서버는 사용자 디바이스에 사용자의 취향이 반영된 스타일 이미지에 대한 질의를 진단 이미지를 통해 제공하고, 질의에 대한 사용자 응답을 수신하여 사용자 선호도 정보를 생성할 수 있다. 사용자로부터 선택된 진단 이미지는 사용자 선택 이미지일 수 있다.
S511 단계에서, 서비스 서버는 사용자 선택 이미지를 사용자 디바이스로부터 수신할 수 있다. 본 발명의 실시 예에 따르면, 사용자는 단순히 서비스 서버가 제공하는 복수의 스타일 이미지(진단 이미지) 중 마음에 드는 이미지를 선택하는 것만으로 자신의 취향을 서비스 서버에 전달할 수 있고, 따라서 검색의 효율성이 증가될 수 있는 이점이 있다.
S513 단계에서, 서비스 서버는 사용자 선택 이미지를 기초로 사용자 선호도 정보를 생성할 수 있다. 사용자 선호도 정보가 생성되는 과정은 S503 단계에서 초기 사용자 선호도 정보가 생성되는 과정과 유사할 수 있다.
사용자 선호도 정보는 디자인, 가격대, 브랜드, 용도 등 특정 패션 아이템에 대한 사용자의 선호도를 추정할 수 있는 정보일 수 있다. 사용자 선호도 정보는 특정 패션 아이템에 대한 사용자 선호도를 계산하기 위한 벡터값들을 포함할 수 있다.
특히, 사용자 선호도 정보는 사용자가 선호하는 패션 아이템의 브랜드에 관한 정보를 포함할 수 있다. 브랜드에 관한 사용자 선호도 정보는 사용자 선택 이미지에 포함된 벡터값으로부터 생성될 수 있다. 서비스 서버는 사용자 선택 이미지에서 브랜드가 표시된 특징 부분(예를 들어, 의류에 부착된 태그, 상의의 카라 안쪽 부분, 가슴 부분, 하의의 윗 부분, 주머니 부분 등)을 인식할 수 있고, 해당 브랜드의 특징적인 정보를 데이터베이스에서 검색하는 방법으로 브랜드에 관한 사용자 선호도 정보를 생성할 수 있다.
데이터베이스에는 개별 브랜드가 가지는 특징적인 정보인 로고, 체크의 형태, 도형, 패턴, 상표, 문구 등이 사전에 저장되어 있을 수 있다. 서비스 서버는 사용자 선택 이미지의 벡터값으로부터 브랜드의 특징적인 정보를 추출하고, 사용자가 선호하는 브랜드에 관한 사용자 선호도 정보를 생성할 수 있다.
본 발명의 다른 실시 예에 따르면, 사용자 선호도 정보는 사용자 선택 이미지에 포함된 패션 아이템 객체들로부터 추출한 레이블 정보로부터 생성될 수 있다. 사용자 선택 이미지에 포함된 패션 아이템 객체들에는 해당 패션 아이템의 브랜드에 관한 레이블 정보가 미리 태그되어 있을 수 있다. 서비스 서버는 브랜드에 관한 레이블 정보를 조합하여, 브랜드에 관한 사용자 선호도 정보를 생성할 수 있다.
사용자 선택 이미지에 포함된 패션 아이템의 특징이 “빨간색”, “크로스 백”, “퀼트 무늬”일 수 있다. 서비스 서버는 이들 특징을 벡터값으로 변환하여 사용자 선호도 정보로 저장할 수 있다. 사용자 선호도 정보가 생성되는 과정은 첨부된 도 4를 참조하여 설명될 수 있다.
S515 단계에서, 서비스 서버는 생성된 사용자 선호도 정보를 기초로 사용자 디바이스에 추천 아이템을 제공할 수 있다. 사용자 선호도 정보를 기초로 추천 아이템을 결정하는 과정은 S505 단계에서, 초기 사용자 선호도 정보로부터 선호도 진단 아이템이 추출되는 과정과 유사할 수 있다.
예를 들어, 사용자 선호도 정보가 “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”, “알파벳 프린트”, “흰색 티셔츠”, “옷의 중앙 부분에 무늬가 들어간”, “흰색”, “레깅스”일 수 있다. 초기 사용자 정보는 위 패션 아이템의 특징들이 컴퓨터가 인식 가능한 벡터값으로 변환되어 포함되어 있을 수 있다.
서비스 서버는 이들 벡터값을 조합하고, 해당 벡터값에 가장 근접한 패션 아이템을 추천 아이템으로 판단할 수 있다. 예를 들어, 위 벡터값들을 내적하여 생성된 벡터값이, 사용자의 선호도가 반영된 특정 패션 아이템의 특징에 대응된다고 판단할 수 있다. 서비스 서버는 생성된 벡터값과 가장 유사한 패션 아이템을 별도의 데이터베이스에서 이미지 유사도를 기준으로 검색할 수 있고, 생성된 벡터값과 이미지 유사도가 가장 근접한 벡터값에 대응되는 패션 아이템을 추천 아이템으로 결정할 수 있다.
사용자는 서비스 서버로부터 수신한 진단 이미지를 수시로 또는 임의의 타이밍에 선택함으로써, 변화된 취향을 서비스 서버에 반영할 수 있다. 사용자 선호도 정보가 사용자 선택 이미지가 입력될 때마다 갱신됨으로써, 서비스 서버는 사용자가 원하는 스타일을 보다 정확하게 예측하고, 그에 맞는 패션 아이템을 추천할 수 있는 효과가 있다.
특히, 사용자 선호도 정보는 신제품이 출시될 때, 사용자에게 ‘좋음’, ‘별로’ 등의 추가 선호도 조사를 받아 지속적으로 업데이트될 수 있다.
온/오프라인 마켓은 변화하는 소비자의 니즈(needs)를 반영한 신제품을 지속적으로 출시할 수 있다. 새롭게 출시된 신제품에는 기존의 제품들이 포괄하지 못한 디자인(혹은 레이블 정보)이 포함되어 있을 수 있다. 뿐만 아니라, 기존에 존재하던 디자인(혹은 레이블 정보)이라 하더라도, 이를 재해석하여 기존 온/오프라인 마켓에 존재하지 않던 소비자의 구매욕을 자극하는 새로운 조합의 디자인(혹은 레이블 정보)으로 재탄생될 수 있다. 이러한 신제품은 소비자들의 최신 니즈가 가장 많이 반영되어 있을 수 있으므로 사용자 선호도 정보에 업데이트될 필요가 있다.
따라서, 서비스 서버는 신제품이 출시될 때, 상기 신제품에 대한 ‘좋음, ’보통‘ ,’별로‘ 등의 질의를 통해 사용자 선호도 정보를 업데이트할 수 있다. 사용자의 응답에 따라 선호도는 서로 다른 가중치로 사용자 선호도 정보에 반영될 수 있다.
도 6은 본 발명의 다른 실시 예에 따른 사용자 선호도 정보의 생성을 설명하기 위한 순서도이다.
도 6을 참조하면, S601 내지 S611 단계는 전술한 도 5의 S501 내지 S509 단계에 대응될 수 있으므로, 전술한 도 5를 참조하여 설명될 수 있다.
S613 단계에서, 서비스 서버는 사용자 디바이스로부터 수신한 사용자 선택 이미지의 개수와 미리 설정된 설정값의 대소 관계를 비교할 수 있다.
사용자 선택 이미지의 개수가 설정값보다 적은 경우, S609 단계에서 생성된 진단 이미지가 사용자의 선호도를 정확히 반영하지 못한다고 판단할 수 있다.
구체적으로, 사용자 선택 이미지가 많을수록 사용자 선호도 정보는 사용자의 취향을 보다 상세하고 정확하게 반영할 수 있다. 사용자 선호도 정보는 사용자 선택 이미지의 패션 아이템들에 포함된 벡터값들을 연산하여 추출될 수 있다. 따라서, 사용자 선택 이미지의 개수가 많을수록 사용자 선호도 정보는 보다 많은 벡터값을 대입한 연산 과정을 통해 추출될 수 있다. 연산 과정을 많이 거칠수록 사용자 선호도 정보는 보다 정교해질 수 있고, 사용자 선호도 정보는 사용자의 취향을 보다 상세하고 정확하게 반영할 수 있다.
예를 들어, 사용자 선택 이미지가 하나만 있다고 가정할 수 있다. 서비스 서버는 하나의 사용자 선택 이미지만을 기초로 사용자 선호도 정보를 추출할 수 있다. 사용자 선택 이미지에는 선호도 진단 아이템과 매치된 패션 아이템이 청치마와 빨간 핸드백일 수 있다.
서비스 서버는 청치마와 빨간 핸드백의 이미지에 포함된 벡터값들을 조합하여 “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”에 대응되는 벡터값을 추출할 수 있다.
서버는 이들 벡터값들을 조합하여, 사용자가 “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”라는 특징을 가지는 패션 아이템을 선호한다고 추정할 수 있다.
중복되는 특징이 다수인 경우, 중복된 횟수에 따라 가중치를 부여하고 우선순위를 정할 수도 있다. 예를 들어, “크로스 백”이 4회, “치마”가 2회 중복된 경우, “크로스 백”을 “치마”보다 사용자의 선호도가 높다고 판단할 수 있다.
따라서, 사용자 선택 이미지가 많을수록, “파란색”, “치마”, “빨간색”, “크로스 백”, “퀼트 무늬”의 특징뿐만 아니라 더 다양한 패션 아이템의 특징을 사용자 선호도 정보에 반영할 수 있다.
또한, 사용자 선택 이미지가 많을수록 중복되는 특징이 증가하고, 서비스 서버는 사용자의 선호도가 높은 특징에 더 많은 가중치를 부여할 수 있다.
다시 S613 단계로 돌아오면, 설정값이 5, 사용자 선택 이미지의 개수가 3이라고 가정할 수 있다. 서비스 서버는 S609 단계에서 생성된 진단 이미지가 사용자의 선호도 정보를 충분히 반영하지 못한다고 판단하고, 진단 이미지를 다시 생성하기 위해 S607 단계를 수행할 수 있다.
또한, 서비스 서버는 사용자가 사용자의 선호도 확인을 위한 데이터인 선호도 진단 아이템과 다른 상품을 구매한 경우 선호도 조사를 다시 실시할 수 있다.
본 발명의 실시 예에 따르면, 서비스 서버는 선호도 진단 아이템을 기초로 진단 이미지를 생성하고, 사용자가 선택한 진단 이미지를 기초로 사용자 선호도 정보를 업데이트할 수 있다. 서비스 서버는 사용자 선호도 정보를 기초로 결정된 추천 아이템을 사용자에게 제공하게 되는데, 사용자는 추천 아이템과 상이한 패션 아이템 또는 추천 아이템으로 제공된 선호도 진단 아이템과 상이한 아이템을 구매할 수 있다.
서비스 서버는 사용자가 선호도 진단 아이템 또는 추천 아이템과 상이한 패션 아이템을 구매한 경우, 기 실시한 선호도 진단이 잘못됐다고 판단하고 선호도 조사를 재실시 할 수 있다.
선호도 조사의 재실시 과정에 대해서는, 전술한 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 선호도 진단 아이템을 추출하는 과정을 반복하여 새로운 선호도 진단 아이템을 다시 생성하거나, 사용자로부터 직접 선호도 진단 아이템을 입력 받아 진단 이미지를 다시 생성할 수 있다.
S607 단계에서, 서비스 서버는 진단 이미지가 사용자의 선호도를 충분히 반영하지 못했음을 알리는 메시지, 사용자 선택 이미지의 개수가 부족하여 적당한 추천 아이템을 제공하기 곤란하다는 메시지, 또는 사전에 주의사항으로 제공한 사용자 선택 이미지가 설정값보다 적을 경우 새로운 진단 이미지가 제공될 수 있음을 알리는 메시지 등과 함께 선호도 진단 아이템에 관한 정보를 입력해줄 것을 요청하는 메시지를 사용자 디바이스에 전송할 수 있다.
서비스 서버는 사용자에게 선호도 진단 아이템의 이미지를 사진 촬영할 것을 요청하거나, 선호도 진단 아이템을 설명할 수 있는 키워드의 입력을 요청하거나, 마이크를 통한 음성 명령을 요청하는 등 다양한 형태를 통해 선호도 진단 아이템에 대한 정보를 요청하는 메시지를 전송할 수 있다.
이후 S617 단계에서, 서비스 서버는 생성된 사용자 선호도 정보를 기초로 사용자 디바이스에 추천 아이템을 제공할 수 있다.
본 명세서와 도면에 게시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 게시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
50: 패션 상품 추천 시스템
100: 사용자 디바이스
200: 서비스 서버
210: 사용자 선호도 정보 생성부
220: 사용자 선호도 정보 저장부

Claims (20)

  1. 특정 패션 아이템에 대한 사용자의 선호도를 추정할 수 있는 정보인 사용자 선호도 정보를 생성하는 서비스 서버에 있어서,
    복수의 패션 아이템들이 잘 어울리도록 조합되어 있는 스타일 이미지를 포함하는 룩북으로부터, 사용자의 취향이 반영된 선호도 진단 아이템을 포함하고 사용자의 선호도 파악을 위한 진단 이미지를 생성하고, 상기 진단 이미지를 사용자 디바이스에 제공하는 진단 이미지 생성부;
    상기 진단 이미지 중 사용자가 선택한 이미지인 사용자 선택 이미지를 상기 사용자 디바이스로부터 수신하고, 상기 사용자 선택 이미지에 포함된 패션 아이템들로부터 상기 사용자 선호도 정보를 생성하는 업데이트 정보 생성부; 및
    상기 사용자 선호도 정보를 저장하는 사용자 선호도 정보 저장부를 포함하는 서비스 서버.
  2. 제1항에 있어서, 상기 선호도 진단 아이템은,
    사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지에 포함된 벡터값을 연산하여 사용자가 선호할 것으로 판단된 패션 아이템인 서비스 서버.
  3. 제1항에 있어서, 상기 선호도 진단 아이템은,
    상기 서비스 서버의 요청에 따라, 사용자가 자신의 취향이 반영됐다고 응답한 패션 아이템인 서비스 서버.
  4. 제1항에 있어서, 상기 진단 이미지 생성부는,
    상기 선호도 진단 아이템이 코디된 스타일 이미지가 상기 룩북에 두 개 이상 존재하면, 중복되는 스타일 이미지를 제거하고 상기 선호도 진단 아이템이 코디된 스타일 이미지에 포함된 패션 아이템의 집합이 서로 상이한 스타일 이미지를 상기 진단 이미지로 결정하는 서비스 서버.
  5. 제3항에 있어서, 상기 진단 이미지 생성부는,
    상기 룩북에 상기 선호도 진단 아이템이 포함된 스타일 이미지의 개수가 기준값보다 적으면, 검색된 스타일 이미지만을 상기 진단 이미지로 결정하거나, 상기 선호도 진단 아이템과 유사한 패션 아이템이 매치된 다른 스타일 이미지를 상기 진단 이미지로 결정하거나, 또는 상기 사용자 디바이스에 상기 진단 이미지가 검색되지 않았음을 알리는 메시지와 함께 상기 선호도 진단 아이템에 관한 정보를 입력해줄 것을 요청하는 메시지를 전송하는 서비스 서버.
  6. 제3항에 있어서, 상기 진단 이미지 생성부는,
    사용자가 사용자의 선호도 확인을 위한 데이터와 다른 상품을 구매한 경우, 사용자로부터 선호도 조사를 재실시하는 서비스 서버.
  7. 제3항에 있어서, 상기 진단 이미지 생성부는,
    신제품이 출시되었을 때, 사용자에게 ’좋음‘, ’싫음‘ 등의 추가 선호도 조사를 받아 사용자 선호도 정보를 지속적으로 업데이트하는 서비스 서버.
  8. 제4항에 있어서, 상기 업데이트 정보 생성부는,
    상기 사용자 선택 이미지의 개수가 미리 설정된 설정값보다 적을 경우, 상기 사용자 디바이스에 상기 선호도 진단 아이템의 이미지를 요청하는 서비스 서버.
  9. 제7항에 있어서, 상기 업데이트 정보 생성부는,
    상기 사용자 선택 이미지의 중복되는 특징이 있는 경우, 중복되는 빈도에 따라 상기 사용자 선호도 정보에 가중치를 부여하고 우선순위를 결정하는 서비스 서버.
  10. 제1항에 있어서, 상기 사용자 선호도 정보는,
    특정 패션 아이템에 대한 사용자 선호도를 계산하기 위한 벡터값들을 포함하는 서비스 서버.
  11. 특정 패션 아이템에 대한 사용자의 선호도를 추정할 수 있는 정보인 사용자 선호도 정보를 생성하는 서비스 서버의 동작 방법에 있어서,
    복수의 패션 아이템들이 잘 어울리도록 조합되어 있는 스타일 이미지를 포함하는 룩북으로부터, 사용자의 취향이 반영된 선호도 진단 아이템을 포함하고 사용자의 선호도 파악을 위한 진단 이미지를 생성하고, 상기 사용자 디바이스에 상기 진단 이미지를 제공하는 단계;
    상기 진단 이미지 중 사용자가 선택한 이미지인 사용자 선택 이미지를 상기 사용자 디바이스로부터 수신하고, 상기 사용자 선택 이미지에 포함된 패션 아이템들로부터 상기 사용자 선호도 정보를 생성하는 단계;및
    상기 사용자 선호도 정보를 저장하는 단계를 포함하는 서비스 서버의 동작 방법.
  12. 제11항에 있어서, 상기 선호도 진단 아이템은,
    사용자가 종래 구입한 아이템 또는 보유 아이템의 이미지에 포함된 벡터값을 연산하여 사용자가 선호할 것으로 판단된 패션 아이템인 서비스 서버의 동작 방법.
  13. 제11항에 있어서, 상기 선호도 진단 아이템은,
    상기 서비스 서버의 요청에 따라, 사용자가 자신의 취향이 반영됐다고 응답한 패션 아이템인 서비스 서버의 동작 방법.
  14. 제11항에 있어서, 상기 사용자 디바이스에 상기 진단 이미지를 제공하는 단계는,
    상기 선호도 진단 아이템이 코디된 스타일 이미지가 상기 룩북에 두 개 이상 존재하면, 중복되는 스타일 이미지를 제거하고 상기 선호도 진단 아이템이 코디된 스타일 이미지에 포함된 패션 아이템의 집합이 서로 상이한 스타일 이미지를 상기 진단 이미지로 결정하는 서비스 서버의 동작 방법.
  15. 제13항에 있어서, 상기 사용자 디바이스에 상기 진단 이미지를 제공하는 단계는,
    상기 룩북에 상기 선호도 진단 아이템이 포함된 스타일 이미지의 개수가 기준값보다 적으면, 검색된 스타일 이미지만을 상기 진단 이미지로 결정하거나, 상기 선호도 진단 아이템과 유사한 패션 아이템이 매치된 다른 스타일 이미지를 상기 진단 이미지로 결정하거나, 또는 상기 사용자 디바이스에 상기 진단 이미지가 검색되지 않았음을 알리는 메시지와 함께 상기 선호도 진단 아이템에 관한 정보를 입력해줄 것을 요청하는 메시지를 전송하는 서비스 서버의 동작 방법.
  16. 제13항에 있어서,
    사용자가 사용자의 선호도 확인을 위한 데이터와 다른 상품을 구매한 경우, 사용자로부터 선호도 조사를 재실시하는 단계를 더 포함하는 서비스 서버의 동작 방법.
  17. 제13항에 있어서,
    신제품이 출시되었을 때, 사용자에게 ’좋음‘, ’싫음‘ 등의 추가 선호도 조사를 받아 사용자 선호도 정보를 지속적으로 업데이트하는 단계를 더 포함하는 서비스 서버의 동작 방법.
  18. 제14항에 있어서, 상기 사용자 선호도 정보를 생성하는 단계는,
    상기 사용자 선택 이미지의 개수가 미리 설정된 설정값보다 적을 경우, 상기 사용자 디바이스에 상기 선호도 진단 아이템의 이미지를 요청하는 서비스 서버의 동작 방법.
  19. 제18항에 있어서, 상기 사용자 선호도 정보를 생성하는 단계는,
    상기 사용자 선택 이미지의 중복되는 특징이 있는 경우, 중복되는 빈도에 따라 상기 사용자 선호도 정보에 가중치를 부여하고 우선순위를 결정하는 서비스 서버의 동작 방법.
  20. 제11항에 있어서, 상기 사용자 선호도 정보는,
    특정 패션 아이템에 대한 사용자 선호도를 계산하기 위한 벡터값들을 포함하는 서비스 서버의 동작 방법.
KR1020190124312A 2019-10-08 2019-10-08 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 KR20210041730A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190124312A KR20210041730A (ko) 2019-10-08 2019-10-08 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
PCT/KR2020/013648 WO2021071238A1 (ko) 2019-10-08 2020-10-07 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
KR1020220041606A KR20220044715A (ko) 2019-10-08 2022-04-04 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190124312A KR20210041730A (ko) 2019-10-08 2019-10-08 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220041606A Division KR20220044715A (ko) 2019-10-08 2022-04-04 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR20210041730A true KR20210041730A (ko) 2021-04-16

Family

ID=75437953

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190124312A KR20210041730A (ko) 2019-10-08 2019-10-08 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
KR1020220041606A KR20220044715A (ko) 2019-10-08 2022-04-04 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220041606A KR20220044715A (ko) 2019-10-08 2022-04-04 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램

Country Status (2)

Country Link
KR (2) KR20210041730A (ko)
WO (1) WO2021071238A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102537212B1 (ko) * 2022-02-25 2023-05-26 주식회사 엔엔엠 사용자 정보를 이용한 의류 추천 서비스 제공 장치, 방법 및 프로그램

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100762829B1 (ko) * 2005-03-08 2007-10-02 메이크스타일주식회사 소비자의 구매 취향에 따른 상품 검색 서비스 시스템 및방법
EP2438509A4 (en) * 2009-06-03 2013-04-10 Google Inc SYSTEM AND METHOD FOR LEARNING GENRES AND USER STYLES AND MATCHING PRODUCTS WITH USER PREFERENCES
JP2013250743A (ja) * 2012-05-31 2013-12-12 Dainippon Printing Co Ltd コーディネート提案装置、コーディネート提案システム、コーディネート提案方法、プログラム、記録媒体
KR20140075886A (ko) * 2012-12-11 2014-06-20 김주강 코디네이트 배틀 게임을 제공하는 방법 및 서버
KR101762875B1 (ko) * 2016-03-22 2017-07-28 최윤내 큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102537212B1 (ko) * 2022-02-25 2023-05-26 주식회사 엔엔엠 사용자 정보를 이용한 의류 추천 서비스 제공 장치, 방법 및 프로그램

Also Published As

Publication number Publication date
WO2021071238A1 (ko) 2021-04-15
KR20220044715A (ko) 2022-04-11

Similar Documents

Publication Publication Date Title
CN110728015B (zh) 认知自动化和交互式个性化时尚设计
US20220138831A1 (en) Method of Providing Fashion Item Recommendation Service Using User's Body Type and Purchase History
US20200342320A1 (en) Non-binary gender filter
US20210390607A1 (en) Method, apparatus and computer program for style recommendation
JP2020522072A (ja) 服飾コーディネーションの推薦方法および装置、電子デバイス、記憶媒体
US11195227B2 (en) Visual search, discovery and attribution method, system, and computer program product
KR102295459B1 (ko) 사용자에게 날짜를 이용하여 패션 아이템 추천 서비스를 제공하는 방법
US20210056588A1 (en) Method, apparatus and computer program for providing advertising information based on images
US20180276731A1 (en) System and Method for Automated Product Recommendations
JP2019133620A (ja) イメージ内の複数の客体の調和に基づく調和検索方法、コンピュータ装置およびコンピュータプログラム
KR20200141251A (ko) 사용자 맞춤형 패션 아이템 광고 방법 및 이를 실행하는 서버
KR102301663B1 (ko) 시각 검색 쿼리를 사용하여 물리적 객체를 식별하는 기법
US11972466B2 (en) Computer storage media, method, and system for exploring and recommending matching products across categories
KR20220039697A (ko) 코디네이션 패션 아이템을 추천하는 방법
KR20220019737A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
KR20220044715A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
KR20210131198A (ko) 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램
KR102378072B1 (ko) 코디네이션 패션 아이템을 추천하는 방법
US20230059006A1 (en) Fashion product recommendation method, apparatus, and system
KR20200084647A (ko) 사용자에게 날짜를 이용하여 패션 아이템 추천 서비스를 제공하는 방법
US20230289862A1 (en) Method for providing fashion item recommendation service to user by using swipe gesture
KR102271090B1 (ko) 사용자에게 캘린더 데이터를 이용하여 패션 아이템 추천 서비스를 제공하는 방법
KR20200058343A (ko) 쇼핑 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
KR20210063665A (ko) 사용자 이벤트 정보 기반 추천 아이템 제공 방법 및 이를 실행하는 장치
KR102285942B1 (ko) 사용자에게 패션 아이템 추천 서비스를 제공하는 방법

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination
A107 Divisional application of patent