KR20210047147A - 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법 - Google Patents

인공지능 기반의 추천 호텔 정보 생성 장치 및 방법 Download PDF

Info

Publication number
KR20210047147A
KR20210047147A KR1020190130853A KR20190130853A KR20210047147A KR 20210047147 A KR20210047147 A KR 20210047147A KR 1020190130853 A KR1020190130853 A KR 1020190130853A KR 20190130853 A KR20190130853 A KR 20190130853A KR 20210047147 A KR20210047147 A KR 20210047147A
Authority
KR
South Korea
Prior art keywords
information
accommodation
hotel
user
module
Prior art date
Application number
KR1020190130853A
Other languages
English (en)
Other versions
KR102330689B1 (ko
Inventor
정지하
Original Assignee
주식회사 트립비토즈
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 주식회사 트립비토즈 filed Critical 주식회사 트립비토즈
Priority to KR1020190130853A priority Critical patent/KR102330689B1/ko
Publication of KR20210047147A publication Critical patent/KR20210047147A/ko
Application granted granted Critical
Publication of KR102330689B1 publication Critical patent/KR102330689B1/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법에 관한 것이다. 상기 사용자가 유입된 상기 여행 영상 정보인 유입 영상 정보에 대한 상기 사용자의 입력인 숙박시설 예약 요청을 상기 사용자 클라이언트에서 수신하고, 상기 유입 영상 정보와 각 숙박시설 상품에 대한 정보인 숙박시설 속성 정보를 입력 정보로 하고 상기 사용자가 특정 숙박시설 상품을 구매할 확률인 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망 모듈을 포함하는 전환 가능성 생성 모듈; 및 상기 전환 가능성 정보를 기초로 추천 숙박시설 정보를 생성하고, 생성된 상기 추천 숙박시설 정보를 상기 사용자 클라이언트의 상기 숙박시설 예약 애플리케이션 모듈에 출력하는 추천 숙박시설 정보 생성 모듈;을 제공할 수 있다.

Description

인공지능 기반의 추천 호텔 정보 생성 장치 및 방법{Artificial intelligence based hotel recommendation device and method}
본 발명은 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법에 관한 것이다.
여행 산업은 스마트폰의 등장에 따라 급변하였으며 이에 따라 매년 꾸준히 성장하고 있는 산업군 중 하나이다. 여행 산업은 크게 항공, 숙박, 렌터카, 액티비티 티켓, 여행가이드 혹은 패키지여행으로 구분될 수 있다. 이 중 숙박 예약 산업은 여행 산업에서의 필수적인 요소로서 수요 및 공급이 가장 크고 경쟁도 가장 심화되어 있는 산업군이다. 숙박 예약 산업에서의 대표적인 플레이어로는, 호텔 예약에 호텔스닷컴, 익스피디아, 부킹닷컴, 아고다, 호텔엔조이, 당일 호텔 타임커머스에 데일리호텔, 세일투나잇, 호텔타임(여기어때), 호텔나우(야놀자), 모텔 예약에 야놀자, 여기어때, 팬션 예약에 야놀자팬션, 우리팬션, 떠나요닷컴, 게스트하우스나 민박 예약에 에어비앤비, 코자자, 올스테이, 호텔메타검색에 트립어드바이저, 호텔스컴바인, 스카이스캐너, 트리바고 등이 있다.
이러한 다양한 여행 서비스의 등장으로 여행객들은 과거에 단순히 패키지 여행을 구매하던 방식과 달리 여행 경험과 일정을 직접 설계하고자 하는 경향이 발생하기 시작하였다. 이와 더불어 여행 서비스들은 고객들이 원하지도 않는 상품과 프로모션을 푸시하는 방식에서 벗어나 다양한 방식으로 상품을 제공함으로써 여행 설계의 새로운 소비 경험을 제공하는데 주력하고 있다.
대한민국 등록특허 10-1979764, 최저가 호텔 예약에 따른 차액보상이 가능한 호텔 예약 방법 및 시스템, (주)트립비토즈 미국 등록특허 US 10346402 B2, Optimized system and method for finding best fares, Expedia, Inc. 미국 등록특허 US 7783506 B2, System and method for managing reservation requests for one or more inventory items, Expedia, Inc. 미국 등록특허 US 6826543 B1, System and method for conducting transactions involving generically identified items, Hotels.com 미국 공개특허 US 2016-0078374 A1, GRAPHICAL USER INTERFACE FOR HOTEL SEARCH SYSTEMS, GOOGLE INC. 미국 공개특허 US 2013-0031506 A1, HOTEL RESULTS INTERFACE, GOOGLE INC.
여행 설계의 새로운 소비 경험을 제공하는 방법 중 하나로 인스타그램이나 페이스북 등의 소셜 네트워크와 여행 서비스를 병합하여 다른 사용자들이 업로드 한 이미지나 영상에서 여행 상품의 구매로 자연스럽게 이어지도록 구성되는 서비스를 구성하게 될 경우, 여행을 예약함에 있어서 다른 사용자들이 업로드 한 이미지나 영상과 함께 저장된 위치 정보를 토대로 주변의 호텔을 출력하는 것에 그치는 한계가 있어서 사용자들의 새로운 소비 경험을 맞춤형으로 채워주지 못하는 문제가 있었다.
따라서, 본 발명의 목적은 다른 사용자들이 업로드 한 이미지나 영상을 기초로 사용자에게 맞춤형 호텔 상품을 추천해주는 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법을 제공하는데에 있다.
이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.
본 발명의 목적은, 타 사용자들이 업로드 한 여행 영상 정보를 사용자의 클라이언트인 사용자 클라이언트의 숙박시설 예약 애플리케이션 모듈에 출력하는 여행 영상 피드 출력 모듈; 상기 사용자가 유입된 상기 여행 영상 정보인 유입 영상 정보에 대한 상기 사용자의 입력인 숙박시설 예약 요청을 상기 사용자 클라이언트에서 수신하고, 상기 유입 영상 정보와 각 숙박시설 상품에 대한 정보인 숙박시설 속성 정보를 입력 정보로 하고 상기 사용자가 특정 숙박시설 상품을 구매할 확률인 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망 모듈을 포함하는 전환 가능성 생성 모듈; 및 상기 전환 가능성 정보를 기초로 추천 숙박시설 정보를 생성하고, 생성된 상기 추천 숙박시설 정보를 상기 사용자 클라이언트의 상기 숙박시설 예약 애플리케이션 모듈에 출력하는 추천 숙박시설 정보 생성 모듈;을 포함하고, 상기 숙박시설 상품은, 호텔, 모텔, 호스텔, 민박, 호텔의 타임커머스, 액티비티, 패키지 여행 및 가이드 중 적어도 하나에 대한 상품을 포함하며, 상기 전환 가능성 생성 모듈의 상기 인공신경망 모듈은, 상기 특정 숙박시설 상품에 대한 실제 전환 여부와 상기 전환 가능성 정보의 차이를 기초로 학습되는 것을 특징으로 하는, 인공지능 기반의 추천 호텔 정보 생성 장치를 제공하여 달성될 수 있다.
본 발명의 다른 목적은, 숙박시설 예약 애플리케이션 모듈이 설치된 사용자의 클라이언트인 사용자 클라이언트와 연결되어 추천 숙박시설 정보의 생성를 수행하는 프로그램 코드를 저장하는 메모리 모듈; 및 상기 프로그램 코드를 처리하는 처리 모듈;을 포함하고, 상기 프로그램 코드는, 타 사용자들이 업로드 한 여행 영상 정보를 사용자의 클라이언트인 사용자 클라이언트의 숙박시설 예약 애플리케이션 모듈에 출력하는 여행 영상 피드 출력 단계; 상기 사용자가 유입된 상기 여행 영상 정보인 유입 영상 정보에 대한 상기 사용자의 입력인 숙박시설 예약 요청을 상기 사용자 클라이언트에서 수신하고, 상기 유입 영상 정보와 각 숙박시설 상품에 대한 정보인 숙박시설 속성 정보를 입력 정보로 하고 상기 사용자가 특정 숙박시설 상품을 구매할 확률인 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망 모듈을 통해 상기 각 숙박시설 상품에 대한 상기 전환 가능성 정보를 생성하는 전환 가능성 생성 단계; 및 상기 전환 가능성 정보를 기초로 추천 숙박시설 정보를 생성하고, 생성된 상기 추천 숙박시설 정보를 상기 사용자 클라이언트의 상기 숙박시설 예약 애플리케이션 모듈에 출력하는 추천 숙박시설 정보 생성 단계;를 포함하여 컴퓨터 상에서 수행하도록 구성되고, 상기 숙박시설 상품은, 호텔, 모텔, 호스텔, 민박, 호텔의 타임커머스, 액티비티, 패키지 여행 및 가이드 중 적어도 하나에 대한 상품을 포함하며, 상기 전환 가능성 생성 모듈의 상기 인공신경망 모듈은, 상기 특정 숙박시설 상품에 대한 실제 전환 여부와 상기 전환 가능성 정보의 차이를 기초로 학습되는 것을 특징으로 하는, 인공지능 기반의 추천 호텔 정보 생성 장치를 제공하여 달성될 수 있다.
본 발명의 다른 목적은, 여행 영상 피드 출력 모듈이, 타 사용자들이 업로드 한 여행 영상 정보를 사용자의 클라이언트인 사용자 클라이언트의 숙박시설 예약 애플리케이션 모듈에 출력하는 여행 영상 피드 출력 단계; 전환 가능성 생성 모듈이, 상기 사용자가 유입된 상기 여행 영상 정보인 유입 영상 정보에 대한 상기 사용자의 입력인 숙박시설 예약 요청을 상기 사용자 클라이언트에서 수신하고, 상기 유입 영상 정보와 각 숙박시설 상품에 대한 정보인 숙박시설 속성 정보를 입력 정보로 하고 상기 사용자가 특정 숙박시설 상품을 구매할 확률인 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망 모듈을 통해 상기 각 숙박시설 상품에 대한 상기 전환 가능성 정보를 생성하는 전환 가능성 생성 단계; 및 추천 숙박시설 정보 생성 모듈이, 상기 전환 가능성 정보를 기초로 추천 숙박시설 정보를 생성하고, 생성된 상기 추천 숙박시설 정보를 상기 사용자 클라이언트의 상기 숙박시설 예약 애플리케이션 모듈에 출력하는 추천 숙박시설 정보 생성 단계;를 포함하고, 상기 숙박시설 상품은, 호텔, 모텔, 호스텔, 민박, 호텔의 타임커머스, 액티비티, 패키지 여행 및 가이드 중 적어도 하나에 대한 상품을 포함하며, 상기 전환 가능성 생성 모듈의 상기 인공신경망 모듈은, 상기 특정 숙박시설 상품에 대한 실제 전환 여부와 상기 전환 가능성 정보의 차이를 기초로 학습되는 것을 특징으로 하는, 인공지능 기반의 추천 호텔 정보 생성 방법을 제공하여 달성될 수 있다.
본 발명의 다른 목적은, 사용자의 클라이언트인 사용자 클라이언트에 구성되고, 상기 사용자 클라이언트에 설치되는 숙박시설 예약 애플리케이션 모듈을 저장하는 메모리 모듈; 및 상기 사용자 클라이언트에 구성되고, 상기 숙박시설 예약 애플리케이션 모듈의 프로그램 코드를 처리하는 처리 모듈; 을 포함하고, 상기 숙박시설 예약 애플리케이션 모듈의 프로그램 코드는, 제1항에 따른 인공지능 기반의 추천 호텔 정보 생성 장치에서 여행 영상 정보를 수신하는 여행 영상 정보 수신 단계; 상기 사용자의 입력에 의해 상기 여행 영상 정보에 대한 숙박시설 예약 요청을 송신하는 예약 요청 단계; 및 상기 인공지능 기반의 추천 호텔 정보 생성 장치에서 상기 여행 영상 정보를 기초로 생성된 추천 숙박시설 정보를 수신하는 추천 숙박시설 정보 수신 단계; 를 포함하여 컴퓨터 상에서 수행하도록 구성되는, 인공지능 기반의 호텔 예약 장치를 제공하여 달성될 수 있다.
본 발명의 다른 목적은, 사용자의 클라이언트인 사용자 클라이언트에 구성되고 상기 사용자 클라이언트에 설치되는 숙박시설 예약 애플리케이션 모듈이, 제1항에 따른 인공지능 기반의 추천 호텔 정보 생성 장치에서 여행 영상 정보를 수신하는 여행 영상 정보 수신 단계; 상기 숙박시설 예약 애플리케이션 모듈이, 상기 사용자의 입력에 의해 상기 여행 영상 정보에 대한 숙박시설 예약 요청을 송신하는 예약 요청 단계; 및 상기 숙박시설 예약 애플리케이션 모듈이, 상기 인공지능 기반의 추천 호텔 정보 생성 장치에서 상기 여행 영상 정보를 기초로 생성된 추천 숙박시설 정보를 수신하는 추천 숙박시설 정보 수신 단계;를 포함하는, 인공지능 기반의 호텔 예약 방법을 제공하여 달성될 수 있다.
상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.
첫째, 본 발명의 일실시예에 따르면, 사용자의 유입에 기여한 여행 영상 정보와 관련(사용자의 숨은 구매 의도와 관련)이 있으면서 동시에 호텔 상품 구매로의 전환이 될 확률이 높은 호텔 상품이 추천되는 효과가 발생된다.
둘째, 본 발명의 일실시예에 따르면, 인공신경망을 학습시키기에 각 호텔 별 정보가 부족한 구조임에도 불구하고, 호텔 상품 추천에 인공신경망을 적용할 수 있게 되는 효과가 발생된다.
셋째, 본 발명의 일실시예에 따르면, 휴먼리소스를 투입하여 별도로 여행 영상 정보를 분류하여 레이블링하지 않아도 호텔 상품 추천에 인공신경망을 적용할 수 있게 되는 효과가 발생된다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 시스템을 도시한 모식도,
도 2는 본 발명의 일실시예에 따른 인공지능 기반의 전환 가능성 생성 장치를 도시한 모식도,
도 3은 본 발명의 일실시예에 따른 호텔 정보 수집 모듈(10)과 영상 정보 인코딩 모듈(11)을 도시한 모식도,
도 4는 본 발명의 일실시예에 따른 임베딩 모듈(12)을 도시한 모식도,
도 5는 본 발명의 일실시예에 따른 전환 가능성 생성 모듈(13)의 인공신경망을 도시한 모식도,
도 6은 본 발명의 변형예에 따른 영상 정보 인코딩 모듈(11)과 호텔 정보 수집 모듈(10)을 도시한 모식도,
도 7은 본 발명의 변형예에 따른 임베딩 모듈(12)을 도시한 모식도,
도 8은 본 발명의 변형예에 따른 전환 가능성 생성 모듈(13)을 도시한 모식도,
도 9은 본 발명의 일실시예에 따른 영상 정보 인코딩 모듈(11)에 포함된 ConvNet 인코더의 예를 도시한 모식도,
도 10은 본 발명의 일실시예에 따른 인공지능 기반의 추천 호텔 정보 생성 장치를 도시한 모식도,
도 11은 본 발명의 일실시예에 따른 추천 호텔 리스트를 도시한 모식도,
도 12는 본 발명의 일실시예에 따른 유사도 계산을 도시한 모식도,
도 13은 본 발명의 일실시예에 따른 인공지능 기반의 여행 영상 피드 생성 장치를 도시한 모식도,
도 14는 본 발명의 변형예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)의 강화학습을 도시한 모식도,
도 15는 본 발명의 일실시예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)의 강화학습 동작예를 도시한 흐름도,
도 16은 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 방법을 도시한 흐름도,
도 17은 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 방법의 사용자 클라이언트의 호텔 예약 애플리케이션 모듈에서의 실시예를 도시한 모식도이다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 특정 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 발명의 설명에서 컨볼루져널 곱을 활용한 Neural Network인 Convolutional Neural Network은 CNN, ConvNet 등으로 기재될 수 있다.
이하 발명의 설명에서는 설명의 편의에 따라 호텔 예약을 기준으로 기술하였지만, 본 발명의 범위는 호텔 예약에 한정되지 않고 민박, 호스텔, 모텔, 호텔의 타임커머스, 액티비티, 패키지 여행, 가이드, 렌트카 등의 모든 여행 상품에 대한 범위를 포함할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 시스템을 도시한 모식도이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 시스템(100)은, 인공지능 기반의 전환 가능성 생성 장치(1), 인공지능 기반의 추천 호텔 정보 생성 장치(2), 인공지능 기반의 여행 영상 피드 생성 장치(3)를 포함할 수 있다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 시스템(100)은 사용자 클라이언트의 메모리 모듈에 포함되어 처리 모듈에 의해 처리되는 호텔 예약 애플리케이션 모듈에 다양한 사용자들에 의해 생성된 여행 영상 정보(이미지 포맷 또는 비디오 포맷을 포함함)를 송신하고, 사용자에 의해 입력되는 호텔 예약 요청을 수신하며, 호텔 예약 요청에 기초하여 생성된 추천 호텔 정보를 송신하도록 구성될 수 있다.
인공지능 기반의 전환 가능성 생성 장치
도 2는 본 발명의 일실시예에 따른 인공지능 기반의 전환 가능성 생성 장치를 도시한 모식도이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반의 전환 가능성 생성 장치(1)는, 호텔 정보 수집 모듈(10), 영상 정보 인코딩 모듈(11), 임베딩 모듈(12), 전환 가능성 생성 모듈(13)을 포함할 수 있다. 본 발명의 일실시예에 따른 인공지능 기반의 전환 가능성 생성 장치(1)는 특정 웹서버, 클라우드 서버와 같은 가상 서버, 스마트폰, 태블릿 PC, 데스크탑 PC 등의 컴퓨팅 장치의 처리모듈에 의해 처리되고, 각 장치의 메모리 모듈에 저장되도록 구성될 수 있다.
호텔 정보 수집 모듈(10)은 트립 어드바이저 등의 호텔 정보 웹 서버에서 크롤링하여 복수의 호텔에 대한 호텔 속성 정보(호텔명, 위치 정보, 리뷰 정보, 편의시설 정보, 객실 상품 정보 등)를 수집하여 인코딩 하고 호텔 속성 인코딩 정보를 생성하도록 구성되는 모듈이다. 호텔 속성 인코딩 정보는 복수의 각 호텔에 대해 각각 생성되게 된다.
영상 정보 인코딩 모듈(11)은 사용자 클라이언트에서 호텔 예약 요청의 기초가 된 여행 영상 정보인 유입 영상 정보를 인코딩하여 유입 영상 인코딩 정보를 생성하는 모듈이다. 도 3은 본 발명의 일실시예에 따른 호텔 정보 수집 모듈(10)과 영상 정보 인코딩 모듈(11)을 도시한 모식도이다. 도 3에 도시된 바와 같이, 영상 정보 인코딩 모듈(11)은 유입 영상 정보를 입력받아 유입 영상 인코딩 정보를 생성하고, 호텔 정보 수집 모듈(10)은 호텔 속성 정보를 크롤링하여 호텔 속성 인코딩 정보를 생성하도록 구성된다.
임베딩 모듈(12)은 영상 정보 인코딩 모듈(11)에서 수신한 유입 영상 인코딩 정보와 호텔 정보 수집 모듈(10)에서 수신한 호텔 속성 인코딩 정보를 연속형 벡터 형태로 변환하여 병합하고, 2차원 이상의 벡터인 전환 가능성 매트릭스를 생성하는 모듈이다. 도 4는 본 발명의 일실시예에 따른 임베딩 모듈(12)을 도시한 모식도이다. 도 4에 도시된 바와 같이, 임베딩 모듈(12)은 영상 정보 인코딩 모듈(11)에서 수신한 유입 영상 인코딩 정보와 호텔 정보 수집 모듈(10)에서 수신한 호텔 속성 인코딩 정보를 연속형 벡터 형태로 변환하여 병합하고, 2차원 이상의 벡터인 전환 가능성 매트릭스를 생성하도록 구성된다. 전환 가능성 매트릭스의 생성에서 유입 영상 인코딩 정보와 호텔 속성 인코딩 정보는 호텔별로 매칭이 되어, 전환 가능성 매트릭스는 복수의 각 호텔에 대해 각각 생성되게 된다.
전환 가능성 생성 모듈(13)은 각 호텔에 대해 생성된 전환 가능성 매트릭스를 기초로 해당 여행 영상 정보(유입 영상 정보)로 유입된 사용자가 호텔 상품 구매로 전환될 가능성인 전환 가능성 정보를 생성하는 모듈이다. 본 발명의 일실시예에 따른 전환 가능성 생성 모듈(13)은 전환 가능성 매트릭스를 입력 벡터로 하고 전환 가능성 정보를 출력 정보로 하는 인공신경망을 포함할 수 있다. 도 5는 본 발명의 일실시예에 따른 전환 가능성 생성 모듈(13)의 인공신경망을 도시한 모식도이다. 도 5에 도시된 바와 같이, 전환 가능성 생성 모듈(13)은 각각의 호텔에 대한 전환 가능성 매트릭스를 입력 정보로 하고, 해당 호텔에 대한 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망을 포함하도록 구성될 수 있다. 특히, 전환 가능성 생성 모듈(13)의 인공신경망 모듈은 실제 전환 여부와 전환 가능성 정보와의 차이(에러, error)를 기초로 Back Propagation 등의 방법으로 각 노드의 가중치가 업데이트 될 수 있다.
본 발명의 일실시예에 따르면, 사용자들에 의해 생성된 다양한 여행 영상 정보에 의해 특정 사용자가 호텔 상품 구매로 유입되는 경우, 해당 사용자가 호텔 상품 구매로 이어질 가능성인 전환 가능성 정보를 기초로 호텔 상품을 추천하거나 다음 여행 영상 정보를 출력하는 등의 방법을 통해 사용자의 전환률을 향상시킬 수 있는 효과가 발생된다. 또한, 본 발명의 일실시예에 따른 인공신경망의 입력 정보인 전환 가능성 매트릭스에 따르면, 각 개별 호텔의 전환 정보 만으로는 인공신경망을 학습시키기에 지나치게 부족한 기존의 문제가 해결되는 효과가 발생된다.
전환 가능성 생성 모듈(13)의 변형예와 관련하여, 도 6은 본 발명의 변형예에 따른 영상 정보 인코딩 모듈(11)과 호텔 정보 수집 모듈(10)을 도시한 모식도이다. 도 6에 도시된 바와 같이, 영상 정보 인코딩 모듈(11)은 유입 영상 정보 및 호텔 이미지 정보를 입력받아 유입 영상 인코딩 정보 및 호텔 이미지 인코딩 정보를 생성하고, 호텔 정보 수집 모듈(10)은 호텔 속성 정보를 크롤링하여 호텔 속성 인코딩 정보를 생성하도록 구성된다. 도 7은 본 발명의 변형예에 따른 임베딩 모듈(12)을 도시한 모식도이다. 도 7에 도시된 바와 같이, 임베딩 모듈(12)은 영상 정보 인코딩 모듈(11)에서 수신한 유입 영상 인코딩 정보, 호텔 이미지 인코딩 정보와 호텔 정보 수집 모듈(10)에서 수신한 호텔 속성 인코딩 정보를 연속형 벡터 형태로 변환하여 병합하고, 3차원 이상의 벡터인 전환 가능성 매트릭스를 생성하도록 구성된다. 도 8은 본 발명의 변형예에 따른 전환 가능성 생성 모듈(13)을 도시한 모식도이다. 도 8에 도시된 바와 같이, 전환 가능성 생성 모듈(13)은 각각의 호텔에 대한 3차원 이상의 벡터인 전환 가능성 매트릭스를 입력 정보로 하고, 해당 호텔에 대한 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망을 포함하도록 구성될 수 있다. 본 발명의 변형예에 따르면, 호텔 이미지 인코딩 정보가 함께 임베딩되어 인공신경망에 입력 정보로서 적용됨으로써 유입 영상 정보와 호텔 이미지 정보 사이의 관계에 대한 계산이 포함된 전환 가능성 정보가 생성되는 효과가 발생된다.
도 9은 본 발명의 일실시예에 따른 영상 정보 인코딩 모듈(11)에 포함된 ConvNet 인코더의 예를 도시한 모식도이다. 도 9에 도시된 바와 같이, 영상 정보 인코딩 모듈(11)인 ConvNet 인코더는 [INPUT-CONV-RELU-POOL-FC]으로 구축될 수 있다. 입력 정보인 유입 영상 정보 또는 호텔 이미지 정보는 가로 32, 세로 32, 높이 n의 채널을 가지고 입력의 크기는 [32x32xn]인 매트릭스로 구성될 수 있다. 예를 들어, 유입 영상 정보가 복수개의 순차적인 이미지로 구성된 비디오 포맷인 경우, n은 해당 순차적인 이미지의 수로 구성될 수 있다. CONV 레이어(Conv. Filter, 101)는 유입 영상 정보의 일부 영역과 연결되어 있으며, 이 연결된 영역과 자신의 가중치의 내적 연산(dot product)을 계산하게 된다. 결과 볼륨은 [32x32x12]와 같은 크기를 갖게 된다. RELU 레이어는 max(0,x)와 같이 각 요소에 적용되는 액티베이션 함수(activation function)이다. RELU 레이어는 볼륨의 크기를 변화시키지 않는다([32x32x12]). 그 결과 Activation map 1 (102)을 생성한다. POOL 레이어(pooling, 103)는 "가로,세로" 차원에 대해 다운샘플링(downsampling)을 수행해 [16x16x12]와 같이 줄어든 볼륨(Activation map 2, 104)을 출력한다. n번째 Activation map n(105)과 연결된 FC(fully-connected) 레이어(106)는 클래스 점수들을 계산해 [mxmx1]의 크기를 갖는 볼륨(output layer, 107)을 출력한다. output layer(107)에서는 유입 영상 정보 또는 호텔 이미지 정보의 차원이 축소된 형태인 유입 영상 인코딩 정보, 호텔 이미지 인코딩 정보가 출력된다. FC 레이어는 이전 볼륨의 모든 요소와 연결되어 있다.
CONV 레이어의 모수(parameter)들은 일련의 학습가능한 필터들로 이뤄져 있다. 각 필터는 가로/세로 차원으로는 작지만 깊이 (depth) 차원으로는 전체 깊이를 아우른다. 포워드 패스(forward pass) 때에는 각 필터를 입력 볼륨의 가로/세로 차원으로 슬라이딩시키며(정확히는 convolve 시키며) n차원의 액티베이션 맵 (activation map)을 생성한다. 필터를 입력 위로 슬라이딩 시킬 때, 필터와 입력 볼륨 사이에서 내적 연산(dot product)이 이뤄진다. 이러한 과정으로 ConvNet은 입력 정보의 특정 위치의 특정 패턴에 대해 반응하는(activate) 필터를 학습하게 된다. 이런 액티베이션 맵(activation map)을 깊이(depth) 차원으로 쌓은 것이 곧 출력 볼륨이 된다. 그러므로 출력 볼륨의 각 요소들은 입력의 작은 영역만을 취급하고, 같은 액티베이션 맵 내의 뉴런들은 같은 필터를 적용한 결과이므로 같은 모수들을 공유할 수 있다.
인공지능 기반의 추천 호텔 정보 생성 장치
도 10은 본 발명의 일실시예에 따른 인공지능 기반의 추천 호텔 정보 생성 장치를 도시한 모식도이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반의 추천 호텔 정보 생성 장치(2)는, 추천 호텔 리스트 생성 모듈(20), 유사도 계산 모듈(21), 세부조정 리스트 생성 모듈(22)을 포함할 수 있다. 본 발명의 일실시예에 따른 인공지능 기반의 추천 호텔 정보 생성 장치(2)는 특정 웹서버, 클라우드 서버와 같은 가상 서버, 스마트폰, 태블릿 PC, 데스크탑 PC 등의 컴퓨팅 장치의 처리모듈에 의해 처리되고, 각 장치의 메모리 모듈에 저장되도록 구성될 수 있다.
추천 호텔 리스트 생성 모듈(20)은, 전환 가능성 생성 모듈(13)에서 생성된 전환 가능성 정보를 기초로, 전환 가능성 정보가 특정 값 이상인 호텔을 추천 호텔 리스트에 포함하여 추천 호텔 리스트를 생성하는 모듈이다. 도 11은 본 발명의 일실시예에 따른 추천 호텔 리스트를 도시한 모식도이다. 도 11에 도시된 바와 같이, 본 발명의 일실시예에 따른 추천 호텔 리스트는 특정 값 이상의 전환 가능성 정보를 가지는 호텔의 리스트를 의미할 수 있다.
유사도 계산 모듈(21)은, 추천 호텔 리스트의 각 호텔 별로 유입 영상 인코딩 정보와 호텔 주변 영상 인코딩 정보의 유사도를 계산하는 모듈이다. 본 발명의 일실시예에 따른 호텔 주변 영상 인코딩 정보는 해당 호텔의 위치에서 특정 거리 이내에서 사용자들에 의해 생성된 적어도 하나 이상의 여행 영상 정보인 호텔 주변 영상 정보를 영상 정보 인코딩 모듈(11)에 입력하여 인코딩한 정보이다. 본 발명의 일실시예에 따른 유사도는 KL-divergence, Cross Entropy, cosine similarity, Jaccard Similarity, 각종 Clutering 등의 다양한 유사도 계산 방법에 의해 계산될 수 있다. 도 12는 본 발명의 일실시예에 따른 유사도 계산을 도시한 모식도이다. 도 12에 도시된 바와 같이, 본 발명의 일실시예에 따르면 유사도 계산 모듈(21)은 추천 호텔 리스트의 각 호텔 별로 호텔 주변 영상 정보를 인코딩한 호텔 주변 영상 인코딩 정보 및 유입 영상 인코딩 정보를 수신하고, 유입 영상 인코딩 정보와 호텔 주변 영상 인코딩 정보의 유사도를 계산하도록 구성될 수 있다. 즉, 본 발명의 일실시예에 따른 호텔 주변 영상 인코딩 정보는 특정 호텔에서의 사용자 경험에 대한 아이덴티티를 의미할 수 있다.
본 발명의 변형예에 따르면, 유사도 계산 모듈(21)에 입력되는 호텔 주변 영상 인코딩 정보의 생성 시, 영상 정보 인코딩 모듈(11)이 호텔과 호텔 주변의 여행 영상 정보(호텔 주변 영상 정보)와의 거리 기반으로 해당 호텔에 대한 호텔 주변 영상 인코딩 정보를 생성(각 호텔 주변 영상 정보에 거리 기반의 가중치를 부여하여 인코딩)하도록 구성될 수 있다. 이에 따르면, 호텔 주변 영상 인코딩 정보에 의해 특정 호텔에서의 사용자 경험에 대한 아이덴티티가 거리 기반으로 가중화되는 효과가 발생된다. 예를 들어, 호텔 주변 영상 정보 중 바다 수영에 대한 여행 영상 정보가 해당 호텔과 100m 떨어진 곳에서 생성되었고, 유적지 탐방에 대한 여행 영상 정보가 해당 호텔과 1km 떨어진 곳에서 생성되었다면, 호텔 주변 영상 인코딩 정보는 유적지 탐방에 대한 여행 영상 정보의 인코딩 정보보다 바다 수영에 대한 여행 영상 정보의 인코딩 정보에 더 가깝게 생성될 수 있다.
세부조정 리스트 생성 모듈(22)은, 유사도 계산 모듈(21)에서 계산된 유입 영상 인코딩 정보와 호텔 주변 영상 인코딩 정보의 유사도를 기초로 추천 호텔 리스트를 세부조정하여 세부조정 리스트를 생성하는 모듈이다. 본 발명의 일실시예에 따르면, 유입 영상 인코딩 정보와 호텔 주변 영상 인코딩 정보의 유사도를 각 호텔의 전환 가능성 정보에 대한 가중치로 하여 추천 호텔 리스트를 세부조정하도록 구성될 수 있다.
본 발명의 일실시예에 따르면, 특정 사용자에 의해 업로드 된 여행 영상 정보인 유입 영상 정보를 통해 유입되어 호텔 상품을 구매하려고 하는 사용자의 의도가 반영이 된 추천 호텔 리스트를 생성할 수 있는 효과가 발생된다. 예를 들어, 인피니티 풀에서 수영을 하는 여행 영상을 보고 유입된 사용자에게는 유입 영상 정보와 유사한 여행 경험 아이덴티티를 가지면서도 전환 가능성이 높은 호텔을 우선적으로 추천하게 되는 효과가 발생된다. 기존의 방식으로는 인피니티 풀, 바다 수영, 현지 시장 탐방, 특정 음식, 클럽 문화, 유적지 탐방 등의 경험 기반으로 사용자들의 유입 의도를 반영하여 호텔을 추천하기 위해서는 서비스의 주체가 모든 호텔에 대해 레이블링을 수행하여야 하는 문제가 발생되어 해결되지 못하고 있었다. 또한, 본 발명의 일실시예에 따르면, 전환 가능성 정보에 의해 추천 호텔 리스트가 먼저 선정되고 유사도 계산에 의해 세부조정 리스트가 생성되므로, 컴퓨팅 파워가 많이 요구되는 유사도 계산 모듈(21)의 부하(Load)가 저감되는 효과가 발생된다.
본 발명의 다른 변형예에 따른 세부조정 리스트 생성 모듈(22)은, 해당 사용자가 기존에 이용한 호텔인 기존 이용 호텔의 속성(호텔 속성 정보)을 기반으로 추천 호텔 리스트를 자동 필터링 한 뒤에 유사도로 세부조정 하도록 구성될 수 있다. 특히, 사용자가 복수개의 기존 이용 호텔을 이용하면서, 특정 속성에 대해 변동이 없는 경우에는 해당 속성을 우선적으로 필터링 하고, 다른 특정 속성에 대해 변동이 있는 경우에는 해당 속성을 필터링하지 않도록 구성될 수 있다. 예를 들어, 특정 사용자가 A호텔, B호텔, C호텔을 기존에 이용한 경우 A호텔,B호텔,C호텔의 속성 중 변동이 없는 속성을 검색하고, 반려동물 가능 여부, 리뷰 평점, 준공년도 등의 속성이 검색되는 경우 해당 속성의 특정 속성 값(반려동물 가능 여부=1, 리뷰 평점>=3.5, 준공년도>=2015)으로 추천 호텔 리스트를 필터링 한 뒤에 유사도로 세부조정하도록 구성될 수 있다. 이에 따르면, 사용자에게 맞춤형 호텔이 제공될 수 있으면서도 유사도 계산 모듈(21)의 계산 부하(Load)가 더욱 저감되는 효과가 발생된다.
인공지능 기반의 여행 영상 피드 생성 장치
도 13은 본 발명의 일실시예에 따른 인공지능 기반의 여행 영상 피드 생성 장치를 도시한 모식도이다. 도 13에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)는 강화학습에 의해 여행 영상 피드에서의 특정 여행 영상 출력이 업데이트 되도록 구성될 수 있다. 강화학습의 관점에서, 본 발명의 일실시예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)의 Objective는 출력된 여행 영상 정보를 통해 사용자가 전환될 가능성을 향상시키는 것이고, 상태(State) 및 환경(Environment)는 각 호텔의 전환 가능성 정보, 각 호텔의 호텔 속성 정보, 해당 사용자의 기존 이용 호텔 정보, 각 호텔의 호텔 주변 영상 정보를 의미할 수 있고, 액션(Action)은 인공지능 기반의 여행 영상 피드 생성 장치(3)의 여행 영상 정보 출력을 의미할 수 있으며, 보상(Reward)은 출력된 여행 영상 정보 통해 사용자가 전환(호텔 상품 구매)되는 경우에 발생되도록 구성될 수 있다. 본 발명의 일실시예에 따라 인공지능 기반의 여행 영상 피드 생성 장치(3)의 여행 영상 정보 출력이 강화학습에 의해 학습되게 되면, 다수의 사용자들이 인공지능 기반의 여행 영상 피드 생성 장치(3)에 의해 출력된 여행 영상 정보에 의해 유입되면 될수록 사용자의 전환 가능성을 보다 향상시킬 수 있게 되는 효과가 발생된다. 즉, 인공지능 기반의 여행 영상 피드 생성 장치(3)에 의해 출력되는 여행 영상 피드(일련의 여행 영상 정보)에 의한 사용자 전환 가능성의 향상을 위해 한명의 사용자에 대한 정보가 다수 필요한 것이 아니라, 여러명의 사용자에 대해 유입이 발생되는 경우에도 인공지능 기반의 여행 영상 피드 생성 장치(3)을 강화학습 할 수 있게 되는 효과가 발생된다. 또한, 전환 가능성 정보가 환경으로 포함됨으로써 사용자의 전환 가능성을 향상시키는 방향으로 여행 영상 정보를 출력하는 데에 유리해지는 효과가 발생된다.
본 발명의 변형예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)는 아래의 구성에 의해 보다 효과적인 강화학습에 의해 여행 영상 정보 출력이 업데이트 되도록 구성될 수 있다. 도 14는 본 발명의 변형예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)의 강화학습을 도시한 모식도이다. 도 14에 도시된 바와 같이, 본 발명의 변형예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)은 특정 상태에서의 가치를 출력하는 가치 함수를 학습하는 인공신경망인 가치망(211) 및 여행 영상 정보를 출력하는 정책 함수를 학습하는 정책망(210)을 포함할 수 있고, 본 발명의 변형예에 따른 정책망(210) 및 가치망(211)은 인공지능 기반의 여행 영상 피드 생성 장치(3)에 포함될 수 있다. 또한, 정책망(210)과 가치망(211)은 최적 여행 영상 탐색 모듈과 연결되어 선정된 최적의 여행 영상 정보를 출력할 수 있다.
정책망(210)은 인공지능 기반의 여행 영상 피드 생성 장치(3)의 각 상태에서 선정된 여행 영상 정보의 확률을 결정하는 인공신경망이고, 정책 함수를 학습하여 선정된 여행 영상 정보를 출력하게 된다. 정책망의 Cost function은 정책함수와 가치망의 Cost Function을 곱하여 크로스 엔트로피(Cross Entropy)를 계산한 뒤 Policy gradient를 취한 함수일 수 있고, 예를 들면, 아래 수학식 1과 같이 구성될 수 있다. 정책망은 크로스 엔트로피와 가치망의 cost function인 시간차 에러의 곱을 기초로 back propagation 될 수 있다.
Figure pat00001
수학식 1에서, π는 정책 함수, θ는 정책망 파라미터, πθ(ai│si)는 현재 에피소드에서 특정 액션(특정 여행 영상 정보를 출력)을 할 가능성, V는 가치 함수, w는 가치망 파라미터, si는 현재 에피소드인 i의 상태 정보, Si+1은 다음 에피소드인 i+1의 상태 정보, ri+1은 다음 에피소드에서 획득하는 것으로 예상되는 보상, Vw(si)는 현재 에피소드에서의 보상 가능성, Vw(si+1)는 다음 에피소드에서의 보상 가능성, γ는 감가율을 의미할 수 있다. 이때, ri+1은 전환 가능성 정보를 예측하는 인공신경망 모듈에서 수신하도록 구성될 수 있다. 결국, 본 발명의 일실시예에 따른 정책망(210)은 Policy gradient를 통해 초기에는 사용자가 유입된 여행 영상 정보를 모사하는 여행 영상 정보를 출력하게 된다.
본 발명의 일실시예에 따른 정책망(210)은 강화학습이 진행되기 이전에 사용자가 유입된 여행 영상 정보와 이에 따른 성과 정보(전환 가능성 정보)를 기초로 지도학습(Supervised Learning)되어 정책망의 weight가 업데이트 됨으로써 정책의 기초를 학습할 수 있다. 즉, 정책망의 weight는 기존의 유입 영상 정보 및 성과 정보를 토대로 지도학습되어 설정될 수 있다. 이에 따르면, 기존의 유입 영상 정보의 기록에 의해 정책망이 매우 빠르게 학습될 수 있는 효과가 발생된다.
또한, 본 발명의 일실시예에 따르면 정책망(210)의 지도학습 시에 랜덤 벡터를 포함하여 기존의 여행 영상 정보의 출력과 이에 따른 성과 정보를 기초로 지도학습이 되도록 구성될 수 있다. 랜덤 벡터는 예를 들면 가우시안 확률 분포(Gaussian distribution)를 이용할 수 있다. 이에 따르면, 정책망이 랜덤한 확률로 도전적인 여행 영상 정보의 출력 정책을 출력할 수 있게 되는 효과가 발생된다. 정책망(210)의 지도학습 시에 기존의 유입 영상 정보와 이에 따른 성과 정보를 기초로 지도학습이 되도록 구성하면 여행 영상 정보의 선정이 기존의 정책 내에서 최적화되는 결과가 나타나게 된다. 하지만, 본 발명의 일실시예에 따라 정책망의 지도학습 시에 랜덤 벡터를 포함하게 되면 강화학습이 진행될수록 정책망이 기존의 정책보다 더 효과적인 여행 영상 정보의 출력을 학습할 수 있게 되는 효과가 발생된다.
가치망(211)은 인공지능 기반의 여행 영상 피드 생성 장치(3)이 가질 수 있는 각 상태(State)에서 보상(Reward)을 달성할 가능성을 도출하는 인공신경망이고, 가치 함수를 학습하게 된다. 가치망(211)은 에이전트(agent)인 인공지능 기반의 여행 영상 피드 생성 장치(3)이 어떤 방향으로 업데이트 될 지에 대한 방향성을 제시해주게 된다. 이를 위해, 가치망(211)의 입력 변수는 인공지능 기반의 여행 영상 피드 생성 장치(3)의 상태에 대한 정보인 상태 정보로 설정되고, 가치망(211)의 출력 변수는 인공지능 기반의 여행 영상 피드 생성 장치(3)이 보상을 달성할 가능성인 보상 가능성 정보(전환 가능성 정보)로 설정될 수 있다. 본 발명의 일실시예에 따른 보상 가능성 정보는 아래 수학식과 같은 Q-function으로 계산될 수 있다.
Figure pat00002
위 수학식 2에서 Qπ는 특정 정책 π에서 상태 s, 액션 a인 경우 미래에 예상되는 전체 보상 가능성 정보를 의미하고, R은 특정 기간의 보상, gamma는 감가율을 의미할 수 있다. St는 시간 t의 상태, At는 시간 t의 액션, E는 기대값을 의미할 수 있다. 본 발명의 일실시예에 따른 보상 가능성 정보(Q value)는 정책망(210)의 업데이트 방향 및 크기를 규정하게 된다.
이때, 가치망의 Cost function은 가치 함수에 대한 MSE(Mean Square error) 함수일 수 있고, 예를 들면 아래 수학식 3과 같이 구성될 수 있다. 가치망(211)은 가치망의 cost function인 시간차 에러를 기초로 back propagation 될 수 있다.
Figure pat00003
수학식 3에서, V는 가치 함수, w는 가치망 파라미터, si는 현재 에피소드인 i의 상태 정보, Si+1은 다음 에피소드인 i+1의 상태 정보, ri+1은 다음 에피소드에서 획득하는 것으로 예상되는 보상, Vw(si)는 현재 에피소드에서의 보상 가능성, Vw(si+1)는 다음 에피소드에서의 보상 가능성, γ는 감가율을 의미할 수 있다. 이때, ri+1은 전환 가능성을 예측하는 인공신경망 모듈에서 수신하도록 구성될 수 있다.
이에 따라, 가치망은 인공지능 기반의 여행 영상 피드 생성 장치(3)의 상태가 변경될 때 수학식 3의 Cost Function을 Gradient descent 시키는 방향으로 업데이트 할 수 있다.
본 발명의 일실시예에 따르면 가치망을 정책망과 별도로 학습시키면서, 가치망의 Q value가 랜덤에서 시작하지 않고 Supervised되게 되므로 빠른 학습이 가능해지는 효과가 발생된다. 이에 따르면 매우 복잡도가 높은 여행 영상 정보를 선택하는 액션(action)에 있어서 탐구(exploration) 부담을 크게 줄일 수 있게 되는 효과가 발생된다.
본 발명의 일실시예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)에 따르면, 지도학습을 마친 정책망(210)이 현재 에피소드 i에 출력할 여행 영상 정보를 선정하게 되면 가치망(211)이 선정된 여행 영상 정보를 출력할 경우의 보상(전환 가능성 정보)을 예측하도록 학습된다. 학습을 마친 인공지능 기반의 여행 영상 피드 생성 장치(3)의 정책망(210)과 가치망(211)은 최적 여행 영상 탐색 모듈을 활용한 시뮬레이션과 조합되어 최종적으로 출력할 여행 영상 정보를 선정하는데 활용된다.
또한, 본 발명의 일실시예에 따른 가치망(211)에 따르면 선정된 여행 영상 정보를 출력하는 정책망의 업데이트가 매 에피소드마다 진행될 수 있는 효과가 발생된다. 기존의 강화학습에서는 강화학습 모델의 업데이트가 모든 에피소드가 종료된 이후에 진행되는 문제가 있어서, 매번 전환 가능성이 높은 여행 영상 정보를 출력해야 하는 인공지능 기반의 여행 영상 피드 생성 장치(3)에 적용하는데는 어려움이 있었다.
최적 여행 영상 탐색 모듈은 정책망과 가치망에서 계산되는 복수의 에이전트(agent)를 기초로 다양한 상태 및 다양한 액션에 대한 복수회의 시뮬레이션을 진행하여 최적의 여행 영상 정보를 탐색하는 구성이다. 본 발명의 일실시예에 따른 최적 여행 영상 탐색 모듈은, 예를 들어, 몬테카를로 트리 탐색을 활용할 수 있고, 트리의 각 노드는 상태(state)를, 각 연결(edge)은 해당 상태에 대한 특정 액션에 따라 예상되는 가치(value)를 나타내며, 현재 상태를 뿌리 노드로 두고 새로운 액션을 취해 새로운 상태로 전이될 때 마다 잎(leaf) 노드가 확장되는 구조이다. 본 발명의 일실시예에 따른 최적 여행 영상 탐색 모듈에서 최적 여행 영상 탐색은 몬테카를로 트리 탐색이 활용되는 경우, Selection, Expansion, Evaluation, Backup의 4 단계로 처리될 수 있다.
최적 여행 영상 탐색 모듈의 Selection 단계는, 현재 상태로부터 잎 노드가 나올 때까지 선택 가능한 액션 중 가장 가치가 높은 액션을 선택하며 진행하는 단계이다. 이 때 연결(edge)에 저장해 둔 가치함수의 값과 탐구-이용 균형을 맞추기 위한 방문빈도 값을 이용한다. Selection 단계에서 액션 선택을 위한 수학식은 아래와 같다.
Figure pat00004
위 수학식 4에서 at는 시간t에서의 액션(여행 영상 정보 출력)이고, Q(st,a)는 트리에 저장된 가치함수의 값이며, u(st,a)는 해당 상태-액션 쌍의 방문횟수에 반비례하는 값으로 탐구(exploration)와 이용의 균형을 맞추기 위해 사용된 것이다.
최적 여행 영상 탐색 모듈의 Expansion 단계는, 시뮬레이션이 잎 노드까지 진행되면 지도학습으로 학습된 정책망의 확률에 따라 액션하여 새로운 노드를 잎 노드로 추가하는 단계이다.
최적 여행 영상 탐색 모듈의 Evaluation 단계는, 새로 추가된 잎 노드로부터 가치망을 사용해 판단한 가치(전환 가능성)와 잎 노드로부터 정책망을 사용해 여행 영상 정보 출력의 에피소드가 끝날 때까지 진행해 얻은 보상을 통해 잎 노드의 가치를 평가하는 단계이다. 아래 수학식은 새로운 잎 노드의 가치를 평가하는 예시이다.
Figure pat00005
위 수학식 5에서 V(sL)은 잎 노드의 가치, λ는 mixing 파라미터, vθ(sL)은 가치망을 통해 얻은 가치, zL은 시뮬레이션을 계속하여 얻은 보상을 의미할 수 있다.
최적 여행 영상 탐색 모듈의 Backup 단계는, 새로 추가된 잎 노드의 가치를 반영하여 시뮬레이션 중 방문한 노드들의 가치를 재평가하고 방문 빈도를 업데이트하는 단계이다. 아래 수학식은 노드 가치 재평가 및 방문 빈도 업데이트의 예시이다.
Figure pat00006
Figure pat00007
위 수학식 6에서 sL i는 i번째 시뮬레이션에서의 잎 노드를, 1(s,a,i)는 i번째 시뮬레이션에서 연결 (s,a)를 방문했는지를 나타내고, 트리 탐색이 완료되면 알고리즘은 뿌리 노드로부터 가장 많이 방문된 연결(s,a)을 선택하도록 구성될 수 있다. 본 발명의 일실시예에 따른 최적 여행 영상 탐색 모듈에 따르면 정책망에 의해 선별되는 복수의 여행 영상 정보에 대해 가치망을 기초로 복수회 시뮬레이션을 선행하여 최적의 여행 영상 정보를 선택할 수 있게되는 효과가 발생된다.
본 발명의 일실시예에 따르면, 복수의 에이전트(Agent)가 구성되도록 인공지능 기반의 여행 영상 피드 생성 장치(3)가 구성될 수 있다. 복수의 에이전트가 구성되면 특정 상태, 특정 여행 영상 정보 각각에 대해 인공지능 기반의 여행 영상 피드 생성 장치(3)가 선정하는 여행 영상 정보가 상호 경쟁하여, 가장 최적의 여행 영상 정보를 선정할 수 있게 되는 효과가 발생된다.
도 15는 본 발명의 일실시예에 따른 인공지능 기반의 여행 영상 피드 생성 장치(3)의 강화학습 동작예를 도시한 흐름도이다. 도 15에 도시된 바와 같이, 복수의 사용자 클라이언트의 호텔 예약 애플리케이션 모듈에서 상태 정보를 트래킹하는 인공지능 기반의 전환 가능성 생성 장치(1)에 의해 상태 s(t)가 입력되면 가치망(211)에 의해 정책망(210)의 복수개의 에이전트(agent)들에 의해 다양한 여행 영상 정보들이 최적 여행 영상 탐색 모듈에 입력되고, 최적 여행 영상 탐색 모듈에 의해 출력되는 액션(action)인 선정된 여행 영상 정보 출력 a(t)에 의해 여행 영상 피드가 진행되는 것으로 에피소드 t가 종료되고 에피소드 t+1이 시작된다. 에피소드 t+1에서는 다시 a(t)에 의한 상태 변화인 s(t+1)이 인공지능 기반의 전환 가능성 생성 장치(1)에 의해 입력되고, a(t)에 따른 보상인 r(t+1)이 곧바로 입력되어 가치망(211) 및 정책망(210)을 업데이트하게 된다.
인공지능 기반의 호텔 리스트 제공 방법
본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 방법과 관련하여, 도 16은 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 방법을 도시한 흐름도이다. 도 16에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 방법은 여행 영상 피드 출력 단계(S10), 호텔 예약 요청 수신 단계(S11), 전환 가능성 정보 생성 단계(S12), 추천 호텔 리스트 생성 단계(S13), 세부조정 리스트 생성 단계(S14)를 포함할 수 있다.
여행 영상 피드 출력 단계(S10)는 인공지능 기반의 여행 영상 피드 생성 장치(3)가 사용자 클라이언트의 호텔 예약 애플리케이션 모듈에 일련의 여행 영상 정보인 여행 영상 피드 출력하는 단계이다.
호텔 예약 요청 수신 단계(S11)는 인공지능 기반의 전환 가능성 생성 장치(1)가 사용자의 호텔 예약 요청의 기초가 되는 특정 여행 영상 정보인 유입 영상 정보를 기초로 호텔 예약 입력하는 단계이다.
전환 가능성 정보 생성 단계(S12)는 인공지능 기반의 전환 가능성 생성 장치(1)가 복수의 호텔에 대해 전환 가능성 정보 생성하는 단계이다.
추천 호텔 리스트 생성 단계(S13)는 인공지능 기반의 추천 호텔 정보 생성 장치(2)가 전환 가능성 정보 기초로 추천 호텔 리스트 생성하는 단계이다.
세부조정 리스트 생성 단계(S14)는 인공지능 기반의 추천 호텔 정보 생성 장치(2)가 유입 영상 정보와 각 호텔들의 특정 거리 이내의 여행 영상 정보와의 유사도를 기초로 추천 호텔 리스트 세부 조정하여 세부조정 리스트 생성하고, 전환 정보 기초로 인공지능 기반의 여행 영상 피드 생성 장치(3)가 여행 영상 피드 업데이트 하는 단계이다.
도 17은 본 발명의 일실시예에 따른 인공지능 기반의 호텔 리스트 제공 방법의 사용자 클라이언트의 호텔 예약 애플리케이션 모듈에서의 실시예를 도시한 모식도이다. 도 17에 도시된 바와 같이, ①사용자 클라이언트에 출력된 타 사용자의 여행 영상 정보(유입 영상 정보)에서 사용자가 호텔 예약 요청을 입력하면, ②인공지능 기반의 호텔 리스트 제공 시스템(100)에서 생성된 세부조정 리스트의 추천 호텔 정보가 호텔 예약 애플리케이션 모듈을 통해 출력되게 된다. 본 발명의 일실시예에 따르면, 도 17에 도시된 바와 같이, 유입 영상 정보와 함께 저장된 위치 정보를 기반으로 생성된 위치 기반 호텔 검색 결과는 추천 호텔 정보 이후에 출력되도록 구성될 수 있다.
본 발명에 따르면, 여행 영상 정보를 통해 유입된 사용자에게 호텔 상품의 구매로의 전환 가능성이 높으면서도, 사용자의 숨은 구매 의도와 관련이 높은 호텔 상품을 추천할 수 있게 되는 효과가 발생된다.
이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.
본 명세서 내에 기술된 특징들 및 장점들은 모두를 포함하지 않으며, 특히 많은 추가적인 특징들 및 장점들이 도면들, 명세서, 및 청구항들을 고려하여 당업자에게 명백해질 것이다. 더욱이, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수도 있다는 것을 주의해야 한다.
본 발명의 실시예들의 상기한 설명은 예시의 목적으로 제시되었다. 이는 개시된 정확한 형태로 본 발명을 제한하거나, 빠뜨리는 것 없이 만들려고 의도한 것이 아니다. 당업자는 상기한 개시에 비추어 많은 수정 및 변형이 가능하다는 것을 이해할 수 있다.
그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않고, 이를 기반으로 하는 출원의 임의의 청구항들에 의해 한정된다. 따라서, 본 발명의 실시예들의 개시는 예시적인 것이며, 이하의 청구항에 기재된 본 발명의 범위를 제한하는 것은 아니다.
1: 인공지능 기반의 전환 가능성 생성 장치
2: 인공지능 기반의 추천 호텔 정보 생성 장치
3: 인공지능 기반의 인공지능 기반의 여행 영상 피드 생성 장치
10: 호텔 정보 수집 모듈
11: 임베딩 모듈
12: 전환 가능성 생성 모듈
13: 진단 문제 출력 모듈
20: 추천 호텔 리스트 생성 모듈
21: 유사도 계산 모듈
22: 세부조정 리스트 생성 모듈
100: 인공지능 기반의 호텔 리스트 제공 시스템
101: Conv. Filter
102: Activation map 1
103: Pooling layer
104: Activation map 2
105: Activation map n
106: Fully connected layer
107: output layer
210: 정책망
211: 가치망

Claims (5)

  1. 타 사용자들이 업로드 한 여행 영상 정보를 사용자의 클라이언트인 사용자 클라이언트의 숙박시설 예약 애플리케이션 모듈에 출력하는 여행 영상 피드 출력 모듈;
    상기 사용자가 유입된 상기 여행 영상 정보인 유입 영상 정보에 대한 상기 사용자의 입력인 숙박시설 예약 요청을 상기 사용자 클라이언트에서 수신하고, 상기 유입 영상 정보와 각 숙박시설 상품에 대한 정보인 숙박시설 속성 정보를 입력 정보로 하고 상기 사용자가 특정 숙박시설 상품을 구매할 확률인 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망 모듈을 포함하는 전환 가능성 생성 모듈; 및
    상기 전환 가능성 정보를 기초로 추천 숙박시설 정보를 생성하고, 생성된 상기 추천 숙박시설 정보를 상기 사용자 클라이언트의 상기 숙박시설 예약 애플리케이션 모듈에 출력하는 추천 숙박시설 정보 생성 모듈;
    을 포함하고,
    상기 숙박시설 상품은, 호텔, 모텔, 호스텔, 민박, 호텔의 타임커머스, 액티비티, 패키지 여행 및 가이드 중 적어도 하나에 대한 상품을 포함하며,
    상기 전환 가능성 생성 모듈의 상기 인공신경망 모듈은, 상기 특정 숙박시설 상품에 대한 실제 전환 여부와 상기 전환 가능성 정보의 차이를 기초로 학습되는 것을 특징으로 하는,
    인공지능 기반의 추천 호텔 정보 생성 장치.
  2. 숙박시설 예약 애플리케이션 모듈이 설치된 사용자의 클라이언트인 사용자 클라이언트와 연결되어 추천 숙박시설 정보의 생성를 수행하는 프로그램 코드를 저장하는 메모리 모듈; 및
    상기 프로그램 코드를 처리하는 처리 모듈;
    을 포함하고,
    상기 프로그램 코드는,
    타 사용자들이 업로드 한 여행 영상 정보를 사용자의 클라이언트인 사용자 클라이언트의 숙박시설 예약 애플리케이션 모듈에 출력하는 여행 영상 피드 출력 단계;
    상기 사용자가 유입된 상기 여행 영상 정보인 유입 영상 정보에 대한 상기 사용자의 입력인 숙박시설 예약 요청을 상기 사용자 클라이언트에서 수신하고, 상기 유입 영상 정보와 각 숙박시설 상품에 대한 정보인 숙박시설 속성 정보를 입력 정보로 하고 상기 사용자가 특정 숙박시설 상품을 구매할 확률인 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망 모듈을 통해 상기 각 숙박시설 상품에 대한 상기 전환 가능성 정보를 생성하는 전환 가능성 생성 단계; 및
    상기 전환 가능성 정보를 기초로 추천 숙박시설 정보를 생성하고, 생성된 상기 추천 숙박시설 정보를 상기 사용자 클라이언트의 상기 숙박시설 예약 애플리케이션 모듈에 출력하는 추천 숙박시설 정보 생성 단계;
    를 포함하여 컴퓨터 상에서 수행하도록 구성되고,
    상기 숙박시설 상품은, 호텔, 모텔, 호스텔, 민박, 호텔의 타임커머스, 액티비티, 패키지 여행 및 가이드 중 적어도 하나에 대한 상품을 포함하며,
    상기 전환 가능성 생성 모듈의 상기 인공신경망 모듈은, 상기 특정 숙박시설 상품에 대한 실제 전환 여부와 상기 전환 가능성 정보의 차이를 기초로 학습되는 것을 특징으로 하는,
    인공지능 기반의 추천 호텔 정보 생성 장치.
  3. 여행 영상 피드 출력 모듈이, 타 사용자들이 업로드 한 여행 영상 정보를 사용자의 클라이언트인 사용자 클라이언트의 숙박시설 예약 애플리케이션 모듈에 출력하는 여행 영상 피드 출력 단계;
    전환 가능성 생성 모듈이, 상기 사용자가 유입된 상기 여행 영상 정보인 유입 영상 정보에 대한 상기 사용자의 입력인 숙박시설 예약 요청을 상기 사용자 클라이언트에서 수신하고, 상기 유입 영상 정보와 각 숙박시설 상품에 대한 정보인 숙박시설 속성 정보를 입력 정보로 하고 상기 사용자가 특정 숙박시설 상품을 구매할 확률인 전환 가능성 정보를 출력 정보로 하여 기학습된 인공신경망 모듈을 통해 상기 각 숙박시설 상품에 대한 상기 전환 가능성 정보를 생성하는 전환 가능성 생성 단계; 및
    추천 숙박시설 정보 생성 모듈이, 상기 전환 가능성 정보를 기초로 추천 숙박시설 정보를 생성하고, 생성된 상기 추천 숙박시설 정보를 상기 사용자 클라이언트의 상기 숙박시설 예약 애플리케이션 모듈에 출력하는 추천 숙박시설 정보 생성 단계;
    를 포함하고,
    상기 숙박시설 상품은, 호텔, 모텔, 호스텔, 민박, 호텔의 타임커머스, 액티비티, 패키지 여행 및 가이드 중 적어도 하나에 대한 상품을 포함하며,
    상기 전환 가능성 생성 모듈의 상기 인공신경망 모듈은, 상기 특정 숙박시설 상품에 대한 실제 전환 여부와 상기 전환 가능성 정보의 차이를 기초로 학습되는 것을 특징으로 하는,
    인공지능 기반의 추천 호텔 정보 생성 방법.
  4. 사용자의 클라이언트인 사용자 클라이언트에 구성되고, 상기 사용자 클라이언트에 설치되는 숙박시설 예약 애플리케이션 모듈을 저장하는 메모리 모듈; 및
    상기 사용자 클라이언트에 구성되고, 상기 숙박시설 예약 애플리케이션 모듈의 프로그램 코드를 처리하는 처리 모듈;
    을 포함하고,
    상기 숙박시설 예약 애플리케이션 모듈의 프로그램 코드는,
    제1항에 따른 인공지능 기반의 추천 호텔 정보 생성 장치에서 여행 영상 정보를 수신하는 여행 영상 정보 수신 단계;
    상기 사용자의 입력에 의해 상기 여행 영상 정보에 대한 숙박시설 예약 요청을 송신하는 예약 요청 단계; 및
    상기 인공지능 기반의 추천 호텔 정보 생성 장치에서 상기 여행 영상 정보를 기초로 생성된 추천 숙박시설 정보를 수신하는 추천 숙박시설 정보 수신 단계;
    를 포함하여 컴퓨터 상에서 수행하도록 구성되는,
    인공지능 기반의 호텔 예약 장치.
  5. 사용자의 클라이언트인 사용자 클라이언트에 구성되고 상기 사용자 클라이언트에 설치되는 숙박시설 예약 애플리케이션 모듈이, 제1항에 따른 인공지능 기반의 추천 호텔 정보 생성 장치에서 여행 영상 정보를 수신하는 여행 영상 정보 수신 단계;
    상기 숙박시설 예약 애플리케이션 모듈이, 상기 사용자의 입력에 의해 상기 여행 영상 정보에 대한 숙박시설 예약 요청을 송신하는 예약 요청 단계; 및
    상기 숙박시설 예약 애플리케이션 모듈이, 상기 인공지능 기반의 추천 호텔 정보 생성 장치에서 상기 여행 영상 정보를 기초로 생성된 추천 숙박시설 정보를 수신하는 추천 숙박시설 정보 수신 단계;
    를 포함하는,
    인공지능 기반의 호텔 예약 방법.
KR1020190130853A 2019-10-21 2019-10-21 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법 KR102330689B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190130853A KR102330689B1 (ko) 2019-10-21 2019-10-21 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190130853A KR102330689B1 (ko) 2019-10-21 2019-10-21 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210047147A true KR20210047147A (ko) 2021-04-29
KR102330689B1 KR102330689B1 (ko) 2021-11-25

Family

ID=75728276

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190130853A KR102330689B1 (ko) 2019-10-21 2019-10-21 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102330689B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988343A (zh) * 2021-11-02 2022-01-28 中国银行股份有限公司 会议室预订方法及装置
KR102532221B1 (ko) * 2023-01-11 2023-05-16 (주)블루콘텐츠 Xr 및 ar을 활용한 메타버스 환경 기반 캐릭터 연계 여행 체험 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102542933B1 (ko) * 2022-11-04 2023-06-16 주식회사 마이스링크 Mice 행사를 위한 부대 서비스를 제공하는 방법 및 장치
WO2024135928A1 (ko) * 2022-12-22 2024-06-27 쿠팡 주식회사 추천 숙박 상품을 제공하는 전자 장치 및 방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150129807A (ko) * 2013-03-13 2015-11-20 에어비앤비, 인크. 사용자 제공 숙박시설에 대한 예약 가능성의 자동 결정
KR20170014464A (ko) * 2015-07-30 2017-02-08 주식회사 케이티 사용자 성향을 고려한 여행 일정 추천 방법，장치 및 컴퓨터 프로그램
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
KR101926404B1 (ko) * 2018-04-27 2018-12-07 남정우 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치
KR20190019708A (ko) * 2017-08-18 2019-02-27 (주)가우비즈 사용자 성향 기반의 힐링 헬스 여행 추천 및 가이드 제공 서버
KR20190047867A (ko) * 2017-10-30 2019-05-09 이재석 빅데이터를 이용한 사용자 맞춤형 숙소추천장치 및 방법
KR101979764B1 (ko) 2018-07-31 2019-05-17 (주)트립비토즈 최저가 호텔 예약에 따른 차액보상이 가능한 호텔 예약 방법 및 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150129807A (ko) * 2013-03-13 2015-11-20 에어비앤비, 인크. 사용자 제공 숙박시설에 대한 예약 가능성의 자동 결정
KR20170014464A (ko) * 2015-07-30 2017-02-08 주식회사 케이티 사용자 성향을 고려한 여행 일정 추천 방법，장치 및 컴퓨터 프로그램
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
KR20190019708A (ko) * 2017-08-18 2019-02-27 (주)가우비즈 사용자 성향 기반의 힐링 헬스 여행 추천 및 가이드 제공 서버
KR20190047867A (ko) * 2017-10-30 2019-05-09 이재석 빅데이터를 이용한 사용자 맞춤형 숙소추천장치 및 방법
KR101926404B1 (ko) * 2018-04-27 2018-12-07 남정우 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치
KR101979764B1 (ko) 2018-07-31 2019-05-17 (주)트립비토즈 최저가 호텔 예약에 따른 차액보상이 가능한 호텔 예약 방법 및 시스템

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
미국 공개특허 US 2013-0031506 A1, HOTEL RESULTS INTERFACE, GOOGLE INC.
미국 공개특허 US 2016-0078374 A1, GRAPHICAL USER INTERFACE FOR HOTEL SEARCH SYSTEMS, GOOGLE INC.
미국 등록특허 US 10346402 B2, Optimized system and method for finding best fares, Expedia, Inc.
미국 등록특허 US 6826543 B1, System and method for conducting transactions involving generically identified items, Hotels.com
미국 등록특허 US 7783506 B2, System and method for managing reservation requests for one or more inventory items, Expedia, Inc.

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988343A (zh) * 2021-11-02 2022-01-28 中国银行股份有限公司 会议室预订方法及装置
KR102542933B1 (ko) * 2022-11-04 2023-06-16 주식회사 마이스링크 Mice 행사를 위한 부대 서비스를 제공하는 방법 및 장치
WO2024135928A1 (ko) * 2022-12-22 2024-06-27 쿠팡 주식회사 추천 숙박 상품을 제공하는 전자 장치 및 방법
KR102532221B1 (ko) * 2023-01-11 2023-05-16 (주)블루콘텐츠 Xr 및 ar을 활용한 메타버스 환경 기반 캐릭터 연계 여행 체험 플랫폼 서비스 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR102330689B1 (ko) 2021-11-25

Similar Documents

Publication Publication Date Title
KR102330689B1 (ko) 인공지능 기반의 추천 호텔 정보 생성 장치 및 방법
Cavalheiro et al. Towards a smart tourism destination development model: Promoting environmental, economic, socio-cultural and political values
Lyu et al. Improving target-driven visual navigation with attention on 3d spatial relationships
CN108280132A (zh) 建立语义图像分割的个性化知识库的方法及系统
KR102414937B1 (ko) 인공지능 기반 인플루언서 및 브랜드 매칭 방법, 장치 및 시스템
KR102546871B1 (ko) 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템
Zhu et al. Location deployment of depots and resource relocation for connected car-sharing systems through mobile edge computing
Zou et al. Online food ordering delivery strategies based on deep reinforcement learning
KR102458694B1 (ko) 인공지능 기반 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스 제공 방법, 장치 및 시스템
Ahamed et al. A recommender system based on deep neural network and matrix factorization for collaborative filtering
KR102161294B1 (ko) 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치
Stalidis et al. Tourist destination marketing supported by electronic capitalization of knowledge
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
Wang et al. eMARLIN: distributed coordinated adaptive traffic signal control with topology-embedding propagation
CN116432740A (zh) 模型训练及旅游产品推荐方法、装置、设备及存储介质
US20230244990A1 (en) Semantic graphing of heterogeneous documents for automated decision making and resource allocation using reinforcement learning
Jiang et al. Hierarchical fuzzy rule interpolation and its application for hotels location selection
Wang et al. Foreign markets expansion for air medical transport business
Irawan Impact of artificial intelligence on the tourism industry: A literature review
KR102536069B1 (ko) 인공지능 기반 반려동물 뷰티 디자이너 및 뷰티샵 매칭 방법, 장치 및 시스템
CN107251062A (zh) 服务交付网络的基于成本的评估的方法
KR102543570B1 (ko) 사용자 위치 기반 반려동물 뷰티샵 예약 방법, 장치 및 시스템
Samsudeen et al. Context-specific discussion of Airbnb usage knowledge graphs for improving private social systems
US10959090B1 (en) Personal search results
KR102532221B1 (ko) Xr 및 ar을 활용한 메타버스 환경 기반 캐릭터 연계 여행 체험 플랫폼 서비스 제공 방법, 장치 및 시스템

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant