KR20210097460A - 패션 상품 추천 방법, 장치 및 시스템 - Google Patents

패션 상품 추천 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR20210097460A
KR20210097460A KR1020200011187A KR20200011187A KR20210097460A KR 20210097460 A KR20210097460 A KR 20210097460A KR 1020200011187 A KR1020200011187 A KR 1020200011187A KR 20200011187 A KR20200011187 A KR 20200011187A KR 20210097460 A KR20210097460 A KR 20210097460A
Authority
KR
South Korea
Prior art keywords
attribute
user
information
product
attribute information
Prior art date
Application number
KR1020200011187A
Other languages
English (en)
Other versions
KR102392674B1 (ko
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 KR1020200011187A priority Critical patent/KR102392674B1/ko
Priority to US17/795,690 priority patent/US20230059006A1/en
Priority to PCT/KR2021/000989 priority patent/WO2021153964A1/ko
Publication of KR20210097460A publication Critical patent/KR20210097460A/ko
Application granted granted Critical
Publication of KR102392674B1 publication Critical patent/KR102392674B1/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
    • G06Q30/0278—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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은, 특정 패션 상품에 대한 사용자의 선호가 반영된 제1 추천 상품 정보 및 제2 추천 상품 정보를 생성하는 패션 상품 추천 방법에 있어서, 상품 카테고리별로, 사용자가 패션 상품 선택시 특징적으로 고려하는 요소인 속성 정보를 적어도 하나 이상 포함하는 속성 카테고리를 생성하는 단계, 상기 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템에 대해 토너먼트를 수행하고, 상기 속성 정보에 가중치를 부여하여 상기 제1 추천 상품 정보를 생성하는 단계 및 사용자의 필터링 결과에 따라 상기 속성 정보에 추가적으로 가중치를 부여하고 상기 제2 추천 상품 정보를 생성하는 단계를 포함하는 것을 특징으로 한다.

Description

패션 상품 추천 방법, 장치 및 시스템{Fashion goods recommendation methods, devices and systems}
본 발명은 패션 상품을 추천하는 방법에 관한 것이다. 구체적으로, 상의, 하의, 가방, 신발과 같은 패션 아이템의 상품 카테고리에 따라, 넥라인, 팔의 길이, 밑단의 길이, 색상과 같은 속성 카테고리를 생성하고, 사용자의 선호도를 1차적으로 토너먼트를 통해 조사하고, 2차적으로 필터링을 통해 조사하여, 사용자가 선호할 것으로 판단되는 추천 아이템을 제공하기 위한 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 발명의 실시 예에 따른, 향상된 검색 능력을 갖는 패션 상품 추천 방법은, 특정 패션 상품에 대한 사용자의 선호가 반영된 제1 추천 상품 정보 및 제2 추천 상품 정보를 생성하는 패션 상품 추천 방법에 있어서, 상품 카테고리별로, 사용자가 패션 상품 선택시 특징적으로 고려하는 요소인 속성 정보를 적어도 하나 이상 포함하는 속성 카테고리를 생성하는 단계, 상기 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템에 대해 토너먼트를 수행하고, 상기 속성 정보에 가중치를 부여하여 상기 제1 추천 상품 정보를 생성하는 단계 및 사용자의 필터링 결과에 따라 상기 속성 정보에 추가적으로 가중치를 부여하고 상기 제2 추천 상품 정보를 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 실시 예에 따른, 향상된 검색 능력을 갖는 패션 상품 추천 시스템은, 특정 패션 상품에 대한 사용자의 선호가 반영된 제1 추천 상품 정보 및 제2 추천 상품 정보를 생성하는 패션 상품 추천 시스템에 있어서, 상품 카테고리별로, 사용자가 패션 상품 선택시 특징적으로 고려하는 요소인 속성 정보를 적어도 하나 이상 포함하는 속성 카테고리를 생성하고, 상기 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템에 대해 토너먼트를 수행하고, 상기 속성 정보에 가중치를 부여하여 상기 제1 추천 상품 정보를 생성하는 토너먼트 수행부 및 사용자의 필터링 결과에 따라 상기 속성 정보에 추가적으로 가중치를 부여하고 상기 제2 추천 상품 정보를 생성하는 속성 필터링 수행부를 포함한다.
본 발명에 따르면, 패션 상품 추천 시 상품 카테고리별 속성 카테고리에 대한 사용자의 선호도를 반영할 수 있어 보다 정확한 사용자의 니즈를 반영할 수 있다.
본 발명에 따르면, 속성 정보의 조합에 대한 사용자의 선호도를 반영할 수 있어 향상된 사용자 맞춤형 패션 상품 추천이 가능하다.
또한, 토너먼트를 통해 1차적으로 선호도를 반영하고 2차적으로 필터링을 통해 사용자가 직접 속성 정보를 추가 또는 삭제함으로써, 실시간으로 보다 정확한 실시간 패션 상품 추천이 가능하다.
도 1은 본 발명의 실시 예에 따른 패션 상품 추천 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시 예에 따른 추천 상품 정보 생성부의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른 토너먼트 수행부의 동작을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 추천 아이템에 대한 속성 필터링 수행부의 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 추천 코디에 대한 속성 필터링 수행부의 동작을 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 패션 상품 추천 방법을 설명하기 위한 순서도이다.
도 7은 도 6의 S603 단계를 상세하게 설명하기 위한 순서도이다.
도 8은 도 6의 S605 단계를 상세하게 설명하기 위한 순서도이다.
본 명세서 또는 출원에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 내지 단계적 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 정보 제공 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 휴대폰, 스마트폰, MP3 플레이어, 랩탑 컴퓨터, 데스크탑 컴퓨터, 게임기, TV, 테블릿 PC 또는 차량용 인포테인먼트(in-vehicle infotainment) 시스템 등을 포함할 수 있다.
서비스 서버(200)는 추천 상품 정보 생성부(210) 및 추천 상품 정보 저장부(220)를 포함할 수 있다.
추천 상품 정보 생성부(210)는 사용자가 선호할 것으로 예측되는 추천 상품에 대한 정보인 추천 상품 정보를 생성할 수 있다. 추천 상품 정보는 개별 패션 아이템에 대한 이미지, 판매되는 온라인 쇼핑몰, 브랜드, 가격대 등으로 제공될 수 있고, 추천 상품이 다른 패션 상품과 매치된 추천 코디 이미지, 온라인 쇼핑몰, 브랜드, 가격대 등으로 제공될 수도 있다.
추천 상품 정보 생성부(210)는 토너먼트 기능을 통해 1차적으로 추천 상품 또는 추천 코디를 결정하고, 필터링 단계를 통해 2차적으로 추천 상품 또는 추천 코디를 결정할 수 있다.
토너먼트 기능은 서비스 서버(200)로부터 제공된 적어도 하나 이상의 진단 이미지에 대해 사용자가 더 선호하는 이미지를 선택하는 기능일 수 있다.
진단 이미지는 서비스 서버(200)가 다양한 속성 정보, 속성 카테고리가 포함된 패션 상품 이미지 또는 코디 이미지를 임의로 추출한 것일 수 있다. 이때, 서비스 서버(200)는 개별 패션 상품과 복수의 패션 상품이 코디된 세트 상품에 대한 선호도를 구분하여 확인할 수 있다.
개별 패션 상품으로 진단 이미지가 제공되었을 때의 선호도와 세트 상품으로 진단 이미지가 제공되었을 때의 사용자의 선호도는 상이할 수 있다. 사용자는 개별 패션 아이템에 대해서는 선호하지 않지만, 상기 패션 아이템이 다른 패션 아이템과 코디되었을 때는 선호하는 경우가 있을 수 있다. 반대로, 개별 패션 아이템에 대해서는 선호하지만, 상기 패션 아이템이 다른 패션 아이템과 코디되었을 때는 선호하지 않는 경우가 있을 수 있다.
예를 들어, 평소 맨투맨 티셔츠를 선호하지 않는 사용자라도 청바지와 매치되었을 때는 예외적으로 맨투맨 티셔츠를 선호하는 경우, 7부 바지를 선호하지 않는 사용자라도 카라넥 반팔 티셔츠와 코디되었을 때는 예외적으로 7부 바지를 선호하는 경우가 있을 수 있다. 반대로, 평소 베이지색 트랜치 코트를 선호하지 않지만 원피스와 매치되었을 때는 선호하지 않는 경우, 차이나 카라 셔츠를 선호하지만 청바지와 매치되었을 때는 선호하지 않는 경우가 있을 수 있다.
사용자는 마음에 드는 진단 이미지를 선택하는 동작을 통해 서비스 서버(200)에 자신이 선호하는 패션 상품의 속성 정보와 중점적으로 고려하는 속성 카테고리에 대한 정보를 전송할 수 있다.
속성 정보는 패션 상품 선택시 사용자가 특징적으로 고려하는 요소일 수 있다. 속성 카테고리는 속성 정보의 집합일 수 있다.
속성 카테고리는 상품의 카테고리 별로 존재할 수 있다. 예를 들어, 상의의 경우 넥라인, 팔의 길이, 소매 끝단의 길이, 색상, 무늬, 브랜드 등이 포함될 수 있다. 하의의 경우 밑단의 길이, 밑위의 길이, 끝단의 모양, 바지의 재질, 색상, 브랜드 등이 포함될 수 있다.
속성 정보는 각 속성 카테고리에 속하는 개별 패션 상품의 특징일 수 있다. 예를 들어, 상의의 넥라인 속성 카테고리의 경우 오프숄더, 카라넥, 차이나 카라 등이 포함될 수 있고, 하의의 재질 속성 카테고리의 경우 청바지, 가죽바지, 면바지, 슬랙스 등이 포함될 수 있다. 속성 카테고리는 복수의 패션 상품에 대해 중복적으로 존재할 수도 있다. 예를 들어, 색상 속성 카테고리의 경우 상의와 하의에 중복적으로 존재할 수 있으며, 각각 검은색, 하얀색, 빨간색, 노란색 등을 포함할 수 있다.
토너먼트 단계에서 사용자 자신이 선호하는 이미지를 선택할 때, 해당 이미지에 포함된 속성 정보는 상품 카테고리 별로 분류되어 서비스 서버(200)에 전송될 수 있다. 이때, 속성 정보와 해당 속성 정보가 속하는 속성 카테고리는 사용자의 선택에 따른 가중치가 반영될 수 있다.
사용자가 상의 카테고리에 대해 무채색 계열의 포멀룩 느낌을 주는 카라넥 셔츠를 선택한 비중이 다른 상의 디자인을 선택한 경우보다 상대적으로 높은 경우를 예시할 수 있다.
이 경우, 추천 상품 정보 생성부(210)는 상의 카테고리에 대해 색상 속성 카테고리, 포멀룩 속성 카테고리, 넥라인 속성 카테고리에 가중치를 반영하고 사용자가 중점적으로 고려하는 상의의 특징(속성 카테고리)이라고 판단할 수 있다.
또한, 사용자의 선택에 따라 색상 속성 카테고리에서는 무채색 속성 정보를, 포멀룩 속성 카테고리에서는 셔츠 속성 정보를, 넥라인 속성 카테고리에서는 카라넥 속성 정보에 가중치를 반영하고 사용자가 선호하는 상의의 특징(속성 정보)이라고 판단할 수 있다.
실시 예에 따라, 사용자의 선택에 따라 복수의 속성 정보의 조합에도 가중치가 반영될 수 있다. 사용자는 특정 속성 정보는 선호하지 않으나, 해당 속성 정보가 다른 속성 정보와 결합된 경우에는 선호하는 경우가 있을 수 있다. 예를 들어, 목폴라 티셔츠를 선호하지 않는 사용자가, 검은 색상의 목폴라는 예외적으로 선호하는 경우가 있을 수 있다.
서비스 서버(200)는 각 속성 정보와 복수의 속성 정보의 조합을 동일한 레이어에서 해석할 수 있다. 속성 정보와 복수의 속성 정보의 조합은 동일 패션 카테고리 내에서 고려될 수 있으므로 패션 카테고리를 상위 레이어로, 속성 정보와 복수의 속성 정보의 조합은 하위 레이어로써 동일 레이어 상에서 고려될 수 있다.
실시 예에서, 추천 상품 정보 생성부(210)는 토너먼트 단계에서 사용자가 선택하지 않은 비선호 속성에 대해서도 분석하는 동작을 수행할 수 있다.
사용자로부터 선택된 진단 이미지는 해당 진단 이미지에 포함된 속성 정보와 속성 카테고리에 가중치가 반영돼 서비스 서버(200)로 전송될 수 있다. 반면, 사용자로부터 선택되지 않은 진단 이미지는 해당 진단 이미지에 포함된 속성 정보는 음의 값을 갖는 가중치가 반영되거나, 비선호 가중치가 반영되어 서비스 서버(200)로 전송될 수 있다.
속성 카테고리의 경우, 사용자로부터 선택되지 않았다면 사용자가 비선호 속성 카테고리로서 중요하게 고려한다는 것을 의미할 수 있다. 따라서, 이때에도 속성 카테고리는 사용자가 고려하는 속성 카테고리로서 가중치가 반영될 수 있고, 비선호 가중치가 반영될 수도 있다.
실시 예에 따라, 사용자가 특정 속성 카테고리에 속하는 모든 속성 정보를 골고루 선택한 경우, 해당 속성 카테고리는 사용자가 중요하게 고려하는 속성 카테고리가 아니라고 판단될 수 있다. 이때는 해당 속성 카테고리에 음의 값을 갖는 가중치가 반영되거나, 비선호 또는 비고려 가중치가 반영될 수 있다. 예를 들어, 사용자가 넥라인 속성 카테고리에 속하는 모든 속성 정보를 비슷한 빈도로 선택한 경우 이 사용자에게는 넥라인은 상의 선택시 중요하게 고려하는 특징이 아닐 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 진단 이미지 중 사용자가 마음에 드는 이미지를 선택하는 것만으로 자신의 취향을 서비스 서버(200)에 전달할 수 있고, 이로써 검색의 효율성이 증가될 수 있는 이점이 있다.
개별 패션 상품으로 진단 이미지가 제공되었을 때의 선호도와 세트 상품으로 진단 이미지가 제공되었을 때의 선호도가 다를 수 있으므로, 진단 이미지는 개별 패션 상품 이미지로 제공될 수도 있고, 후술되는 도 3과 같이 복수의 패션 상품이 매치된 코디 이미지로 제공될 수도 있다.
이후, 추천 상품 정보 생성부(210)는 사용자가 선택한 진단 이미지를 이용하여 제1 추천 상품 정보를 생성할 수 있다. 추천 상품 정보 생성부(210)는 사용자 선택 이미지에 포함된 패션 아이템들의 특징 정보를 조합하는 방식으로 제1 추천 상품 정보에 대한 벡터값을 생성할 수 있다.
추천 상품 정보 생성부(210)는 제1 추천 상품 정보에 대한 사용자의 필터링을 거쳐 제2 추천 상품 정보를 생성할 수 있다. 제2 추천 상품 정보는 사용자가 직접 속성 정보를 추가하거나 삭제하여 실시간으로 추천 아이템 또는 추천 코디를 확인할 수 있는 정보일 수 있다.
이와 같은 필터링 단계를 통해, 제1 추천 상품 정보를 생성하는 토너먼트 단계에서 사용자가 무의식적으로 제외한 속성 정보를 추가적으로 반영할 수 있고, 사용자가 선호하지 않음에도 불구하고 추가된 속성 정보를 제외시킬 수도 있다. 또한, 사용자가 조합해보고 싶은 속성 정보를 임의로 조합하고 실시간으로 확인할 수 있어 일일이 속성 정보를 모두 포함하여 검색해야 하는 번거로움을 극복할 수 있는 효과가 있다.
필터링 단계에서 제공되는 속성 정보는, 토너먼트에서 사용자의 선택에 따른 가중치가 반영된 속성 정보일 수 있다. 토너먼트에서 자신이 선호하는 이미지를 선택할 때 해당 이미지에 포함된 속성 정보와 속성 정보가 포함된 속성 카테고리는 상품 카테고리 별로 분류되어 서비스 서버(200)에 전송될 수 있다.
사용자는 필터링 단계에서, 상품 카테고리마다 가중치가 반영된 속성 카테고리별 속성 정보를 확인할 수 있다. 필터링 단계는 추천 아이템 또는 추천 코디로 구분되어 제공될 수 있다. 속성 정보를 추가 또는 삭제하는 동작을 통해 추가된 속성 정보가 포함된 추천 아이템, 추천 코디를 확인할 수 있고, 삭제하는 속성 정보가 제외된 추천 아이템, 추천 코디를 확인할 수 있다.
본 발명에 따르면, 패션 상품 추천 시 상품 카테고리별 속성 카테고리에 대한 사용자의 선호도를 반영할 수 있어 보다 정확한 사용자의 니즈를 반영할 수 있고, 복수의 속성 정보의 조합에 대한 사용자의 선호도를 반영할 수 있어 향상된 사용자 맞춤형 패션 상품 추천이 가능하다. 또한, 토너먼트를 통해 1차적으로 선호도를 반영하고 2차적으로 필터링을 통해 사용자가 직접 속성 정보를 추가 또는 삭제함으로써, 실시간으로 보다 정확한 실시간 패션 상품 추천이 가능하다.
도 2는 본 발명의 실시 예에 따른 추천 상품 정보 생성부의 구성을 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 추천 상품 정보 생성부(210)는 토너먼트 수행부(211) 및 속성 필터링 수행부(212)를 포함할 수 있다.
토너먼트 수행부(211)는 서비스 서버로부터 제공된 적어도 하나 이상의 진단 이미지에 대해 사용자가 선호하는 이미지를 선택하는 단계일 수 있다.
진단 이미지는 서비스 서버가 다양한 속성 정보, 속성 카테고리가 포함된 패션 상품 이미지 또는 코디 이미지를 임의로 추출한 것일 수 있다. 사용자는 진단 이미지를 선택하는 동작을 통해 서비스 서버에 자신이 선호하는 패션 상품의 속성 정보와 중점적으로 고려하는 속성 카테고리에 대한 정보를 전송할 수 있다.
개별 패션 상품으로 진단 이미지가 제공되었을 때의 선호도와 세트 상품으로 진단 이미지가 제공되었을 때의 선호도가 다를 수 있다.
예를 들어, 사용자는 개별 패션 아이템에 대해서는 선호하지 않지만, 상기 패션 아이템이 다른 패션 아이템과 코디되었을 때는 선호하는 경우가 있을 수 있다. 반대로, 개별 패션 아이템에 대해서는 선호하지만, 상기 패션 아이템이 다른 패션 아이템과 코디되었을 때는 선호하지 않는 경우가 있을 수 있다. 따라서 서비스 서버는 개별 패션 상품과 복수의 패션 상품이 코디된 세트 상품에 대한 선호도를 구분하여 확인할 수 있다.
초기에 진단 이미지는 사용자가 기존에 클릭했던 상품 정보, 구매 이력을 기초로 선택될 수 있으며, 신규로 유입된 사용자의 경우 현재 트랜드에 따른 상품들이 선택될 수 있다. 이후, 진단 이미지는 사용자의 토너먼트 단계와 필터링 단계를 거치면서 가중치가 반영되어 결정될 수 있다.
토너먼트 수행부(211)는 토너먼트 단계와 필터링 단계에서 반영된 가중치를 참고하여, 사용자가 선호 또는 비선호할 것으로 판단되는 속정 정보와, 사용자가 특히 고려할 것으로 판단되는 속성 카테고리를 반영한 진단 이미지를 결정할 수 있다. 복수의 루프를 거치면서 진단 이미지는 사용자의 취향을 보다 정확하게 반영할 수 있다.
실시 예에서, 토너먼트 수행부(211)는 사용자가 추천 아이템과 상이한 아이템을 구매한 경우, 기 추천 상품 과정이 잘못됐다고 판단하고 상품 추천 추출을 재실시 할 수 있다.
상품 추천의 재실시 과정에 대해서는, 전술한 종래 구입한 아이템 또는 보유 아이템의 이미지로부터 진단 이미지를 추출하는 과정을 반복하거나, 사용자로부터 직접 진단 이미지를 입력받을 수 있다.
이때, 토너먼트 수행부(211)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.
토너먼트 수행부(211)는 복수의 진단 이미지에 대한 사용자의 선택에 따라 속성 정보, 속성 카테고리 또는 복수의 속성 정보의 조합에 가중치를 반영할 수 있다. 가중치가 반영된 각 정보와 이에 따라 1차적으로 사용자가 선호할 것으로 판단된 추천 아이템 또는 추천 코디는 제1 추천 상품 정보로써 속성 필터링 수행부(212)에 제공될 수 있다.
속성 필터링 수행부(212)는 토너먼트 수행부(211)로부터 제1 추천 상품 정보를 수신하고, 필터링 기능을 제공할 수 있다.
속성 필터링 수행부(212)는 가중치에 따라 선택된 속성 카테고리에 포함되는 속성 정보를 필터링 대상 속성 정보로서 제공할 수 있다. 필터링 단계에서 속성 정보 또한 가중치에 따라 사용자에게 제공될 수 있다.
실시 예에서, 속성 필터링 수행부(212)는 일정값 이상의 가중치가 반영된 속성 정보 및 속성 카테고리를 제1 추천 아이템 정보와 함께 사용자에게 제공할 수 있고, 가중치가 높게 반영된 순대로 미리 설정된 개수의 속성 정보 및 속성 카테고리를 사용자에게 제공할 수도 있으며, 속성 카테고리 별로 미리 설정된 개수의 속성 정보를 가중치 순으로 제공할 수도 있다. 가중치에 따라 속성 정보 및 속성 카테고리를 추출하는 동작은 이에 한정되지 않고, 다양한 알고리즘에 따라 수행될 수 있다.
속성 필터링 수행부(212)는 속성 정보와 속성 카테고리를 필터링하여 제2 추천 아이템 정보를 생성할 수 있다. 사용자는 진단 이미지 선택에 따라 결정된 제1 추천 아이템 정보에 대해, 추가적으로 직접 속성 정보와 속성 카테고리를 추가 또는 삭제하여 실시간으로 추천 아이템과 추천 코디를 확인할 수 있다.
추천 상품 정보 저장부(220)는 추천 상품 정보 생성부(210)로부터 생성된 추천 상품 정보를 저장할 수 있다. 추천 상품 정보는 제1 추천 상품 정보, 제2 추천 상품 정보를 포함할 수 있다.
추천 상품 정보 생성부(210)에서 생성된 제1 추천 상품 정보는 추천 상품 정보 저장부(220)에 저장되었다가 필터링 단계 수행시 추천 상품 정보 생성부(210)에 제공될 수 있다. 다만, 추천 상품 정보 저장부(220)를 거치치 않고 토너먼트 수행부(211)에서 바로 속성 필터링 수행부(212)에 제공될 수도 있다. 생성된 추천 상품 정보는 추천 상품 정보 저장부에 저장되고 사용자 디바이스(100)에 제공될 수 있다.
본 발명의 실시 예에 따르면, 추천 상품 정보 생성부(210)는 상품 이미지 또는 스타일 이미지를 벡터값 형태로 저장할 수 있다. 구체적으로, 추천 상품 정보 생성부(210)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 정보를 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.
도 3은 본 발명의 실시 예에 따른 토너먼트 수행부의 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 사용자 디바이스에 표시된 복수의 진단 이미지 중에서 사용자가 선호하는 진단 이미지의 선택을 특정 속성 정보에 대한 자신의 취향을 반영할 수 있다. 도 3은 두 개의 진단 이미지(진단 이미지1, 진단 이미지2)를 도시하였으나, 실시 예에 따라 이에 한정되지 않을 수 있다.
도 3의 진단 이미지는 코디 이미지로 제공되는 것으로 도시하였으나, 실시 예에 따라 진단 이미지는 개별 패션 아이템의 이미지로 제공될 수 있다.
사용자는 자신의 선호도를 사용자 인터페이스에 표시된 버튼을 통해 반영할 수 있다. 실시 예에 따라 물리적인 버튼으로 구현될 수도 있으며, 버튼뿐만 아니라 미리 설정된 방향으로 이미지를 드래그 하거나 클릭 또는 음성 명령을 통해 구현될 수도 있다.
사용자는 선호도를 '좋아요(31)', '보통이에요(32)' 또는 '별로에요(33)'의 세 가지로 응답할 수 있다. 실시 예에 따라 '좋아요(31)' 또는 '별로에요(33)'의 두 가지 응답으로 구현될 수도 있으며, 세 가지보다 많거나 적은 응답이 포함될 수도 있다.
또한, 각 응답은 중복되어 중첩적으로 선택될 수 있다. 예를 들어, 사용자는 복수의 진단 이미지에 모두 '좋아요(31)'를 선택할 수도, 어느 하나만 '좋아요(31)'를 선택할 수도, 모두 '별로에요(33)'를 선택할 수도 있다. 사용자는 각 진단 이미지의 체크리스트 중 선호도를 반영하고자 하는 체크리스트에 체크하고, 선호도에 대한 물음(31, 32, 33)에 대한 응답을 선택함으로써 자신의 취향을 입체적으로 전달할 수 있다.
도 3에는 체크리스트를 통해 자신의 선호 여부를 체크하는 것으로 도시하였지만, 마음에 드는 하나 또는 그 이상의 진단 이미지를 드래그하거나 클릭하는 등 다양한 동작에 따라 사용자 인터페이스상에서 구현될 수 있다.
도 3을 참조하면, 사용자는 두 개의 진단 이미지 중 자신의 마음에 드는 이미지로 진단 이미지2를 선택한 경우를 예시할 수 있다. 사용자는 진단 이미지2의 체크리스트에 체크하고 '좋아요(31)'를 통해 진단 이미지2의 스타일을 선호한다는 응답을 서비스 서버에 전송할 수 있다.
서비스 서버는 진단 이미지2에 포함된 상품 카테고리(상의, 하의) 별로 그에 포함된 속성 카테고리를 분류하고 가중치를 부여할 수 있다. 그리고, 해당 속성 카테고리 중 사용자가 '좋아요(31)'로 선택한 진단 이미지에 포함된 속성 정보를 확인하여, 해당 속성 정보에 가중치를 부여할 수 있다. 나아가, 서비스 서버는 사용자가 '좋아요(31)'로 선택한 진단 이미지에 포함된 복수의 속성 정보의 조합에 대해서도 가중치를 부여할 수 있다.
도 3의 예시에서, 서비스 서버는 상의 카테고리에 대해 포멀룩 속성 카테고리, 넥라인 속성 카테고리, 팔길이 속성 카테고리를 추출하고 가중치를 부여할 수 있다. 그리고, 서비스 서버는 포멀룩 속성 카테고리 중 셔츠 속성 정보, 넥라인 속성 카테고리 중 카라넥 속성 정보, 팔길이 속성 카테고리 중 팔길이가 '긴' 속성 정보에 가중치를 부여할 수 있다. 나아가, 서비스 서버는 카라넥 속성 정보와 팔길이가 '긴' 속성 정보의 조합에 대해서도 가중치를 부여할 수 있다.
가중치가 부여된 속성 정보, 속성 카테고리 및 복수의 속성 정보의 조합으로부터 사용자가 선호할 것으로 예측되는 제1 추천 상품 정보를 결정하고 사용자에게 제공할 수 있다. 이때 속성 필터링 수행부에는 제1 추천 상품 정보뿐만 아니라, 결정된 속성 정보, 속성 카테고리 및 복수의 속성 정보의 조합이 함께 제공될 수 있다.
도 4 및 5는 본 발명의 실시 예에 따른 속성 필터링 수행부의 동작을 설명하기 위한 도면이다.
도 4는 제1 추천 아이템 정보, 속성 정보, 속성 카테고리, 복수의 속성 정보의 조합이 추천 아이템으로 제공된 사용자 인터페이스를 도시하고 있다. 도 5는 제1 추천 아이템 정보, 속성 정보, 속성 카테고리, 복수의 속성 정보의 조합이 추천 코디로 제공된 사용자 인터페이스를 도시하고 있다.
사용자는 필터링 단계에서, 추가하고자 하는 속성 정보를 선택하거나 제외하고자 하는 속성 정보를 선택할 수 있다. 사용자가 (+)로 선택한 속성 정보는 추천 아이템에 반영되어 제2 추천 상품 정보로 사용자에게 제공될 수 있다. 반대로, (-)로 선택한 속성 정보는 추천된 제1 추천 상품 정보에서 제외되어 제2 추천 상품 정보로 사용자에게 제공될 수 있다.
실시 예에서, 사용자는 추천 아이템 자체에도 자신의 선호도를 반영할 수 있다. 선호도가 반영된 추천 아이템은 하나 또는 그 이상 선택될 수 있다. 예를 들어, 도 4에서 추천 아이템1과 추천 아이템3이 선호 추천 아이템으로 선택될 수 있다. 추천 아이템1과 추천 아이템3은 하트 모양 등의 표시를 통해 선호하는 추천 아이템임이 표시될 수 있다.
선호 추천 아이템으로 선택된 패션 상품들은, 각 패션 상품에 포함된 속성 정보가 조합되어 새로운 패션 상품을 추천하는데 참고될 수 있는 정보로 활용될 수 있다. 속성 정보는 벡터값으로 표현될 수 있으며, 속성 정보의 조합은 벡터값들의 내적 또는 외적 등 다양한 알고리즘에 따라 수행될 수 있다.
실시 예에서, 추천 코디와 추천 상품은 동일한 계층에서 사용자에게 제공될 수 있다. 즉, 반드시 추천 상품이 제공된 이후 추천 코디가 제공될 수 있는 것은 아니고, 제1 추천 상품 정보에 따라 추천 아이템 또는 추천 코디가 임의의 순서로, 중첩적으로 또는 동시에 제공될 수 있다. 사용자는 사용자 인터페이스의 우측 상단 추천 코디 바로가기 탭을 통해 후술되는 도 5의 추천 코디 화면으로 이동할 수 있다.
도 5를 참고하면, 사용자는 제1 추천 상품 정보로부터 생성된 추천 코디를 확인하고, 속성 정보, 속성 카테고리 또는 복수의 속성 정보의 조합을 필터링하여 실시간으로 추천 코디를 확인할 수 있다.
사용자가 (+)로 선택한 속성 정보는 추천 코디에 반영되어 제2 추천 상품 정보로 사용자에게 제공될 수 있다. 반대로, (-)로 선택한 속성 정보는 추천된 제1 추천 상품 정보에서 제외되어 제2 추천 상품 정보로 사용자에게 제공될 수 있다.
실시 예에서, 사용자는 체크무늬, 여성복, 와이드 카라, 셔츠, 브라운 컬러, 캐쥬얼룩의 속성 정보를 선택에 따라 제외시킬 수 있고, 도트무늬, 린넨 소재, 슬림핏, 단추 셔츠, 포멀 룩, 오프숄더의 속성 정보를 선택에 따라 추가시킬 수 있다.
실시 예에서, 추천 코디와 추천 상품은 동일한 계층에서 사용자에게 제공될 수 있다. 즉, 반드시 추천 상품이 제공된 이후 추천 코디가 제공될 수 있는 것은 아니고, 제1 추천 상품 정보에 따라 추천 아이템 또는 추천 코디가 임의의 순서로, 중첩적으로 또는 동시에 제공될 수 있다. 사용자는 사용자 인터페이스의 우측 상단 추천 아이템 바로가기 탭을 통해 전술한 도 4의 추천 아이템 화면으로 이동할 수 있다.
도 6은 본 발명의 실시 예에 따른 패션 상품 추천 방법을 설명하기 위한 순서도이다.
도 6을 참조하면, 본 발명의 실시 예에 따른 패션 상품 추천 방법은, S601 단계에서 상품 카테고리별 속성 카테고리를 생성할 수 있다.
속성 정보는 패션 상품 구매시 사용자가 특징적으로 고려하는 요소일 수 있다. 속성 카테고리는 속성 정보의 집합일 수 있다.
속성 카테고리는 상품의 카테고리 별로 존재할 수 있다. 예를 들어, 상의의 경우 넥라인, 팔의 길이, 소매 끝단의 길이, 색상, 무늬, 브랜드가 포함될 수 있다. 하의의 경우 밑단의 길이, 밑위의 길이, 끝단의 모양, 바지의 재질, 색상, 브랜드가 포함될 수 있다.
속성 정보는 각 속성 카테고리에 속하는 개별 패션 상품의 특징일 수 있다. 예를 들어, 상의의 넥라인 속성 카테고리의 경우, 오프숄더, 카라넥, 차이나 카라 등이 포함될 수 있고, 하의의 재질 속성 카테고리의 경우, 청바지, 가죽바지, 면바지, 슬랙스 등이 포함될 수 있다. 또한, 속성 카테고리는 복수의 패션 상품에 대해 중복적으로 존재할 수도 있다. 예를 들어, 색상 속성 카테고리의 경우 상의와 하의에 중복적으로 존재할 수 있으며, 각각 검은색, 하얀색, 빨간색, 노란색 등을 포함할 수 있다.
S603 단계에서, 서비스 서버는 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템에 대해 토너먼트를 수행하고, 속성 정보에 가중치를 부여하여 제1 추천 상품 정보를 생성할 수 있다. S603 단계는 토너먼트 단계일 수 있다.
실시 예에서, 가중치가 부여된 속성 정보가 속하는 속성 카테고리에도 가중치가 부여될 수 있으며, 사용자가 선택한 복수의 속성 정보의 조합에도 가중치가 부여될 수 있다. S603 단계의 구체적인 동작에 대해서는 도 7에 대한 설명에서 자세하게 설명하기로 한다.
S605 단계에서, 서비스 서버는 사용자의 필터링 결과에 따라 속성 정보에 추가적으로 가중치를 부여하고 제2 추천 상품 정보를 생성할 수 있다. S605 단계는 필터링 단계일 수 있다.
S605 단계에서, 사용자는 속성 정보, 속성 카테고리 또는 복수의 속성 정보의 조합을 추가 또는 제외함으로써 실시간으로 자신의 취향을 반영시킨 제2 추천 상품 정보를 확인할 수 있다. S605 단계의 구체적인 동작에 대해서는 도 8에 대한 설명에서 자세하게 설명하기로 한다.
이후, S607 단계에서, 서비스 서버는 진단 이미지 생성시 S603 단계와 S605 단계에서 부여된 가중치를 반영할 수 있다.
각 단계를 수행하는 횟수가 증가할수록 사용자의 취향을 보다 정확하게 반영한 가중치를 참고하여 진단 이미지를 생성할 수 있다. 따라서, 본 발명의 실시 예에 따른 패션 상품 추천 시스템은 피드백 과정을 통해 스스로 학습하고 보다 정확한 진단 이미지를 통해 추천 상품 정보를 생성할 수 있는 효과가 있다.
도 7은 도 6의 단계 S603을 상세하게 설명하기 위한 순서도이다.
도 7을 참조하면, S701 단계에서, 패션 상품 추천 시스템은 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템이 포함된 진단 이미지를 사용자에게 제공할 수 있다. 진단 이미지는 토너먼트 단계(S603), 필터링 단계(S605)를 거치면서 속성 정보에 부여된 가중치를 참고하여 생성될 수 있다.
S703 단계에서, 사용자는 마음에 드는 진단 이미지를 선택할 수 있다. 서비스 서버는 사용자가 선택한 진단 이미지를 수신하고, 속성 정보의 선택 빈도에 따라 속성 정보에 가중치를 부여할 수 있다. 가중치가 부여된 속성 정보는 사용자가 상품 선택 시 선호하는 상품의 특징이라고 판단될 수 있다. 속성 정보는 상품 카테고리 별로 분류될 수 있어 속성 카테고리로 생성될 수 있다.
실시 예에서, 개별 패션 상품에 대한 선호도와 세트 상품에 대한 선호도가 다를 수 있으므로, 진단 이미지는 개별 패션 상품 또는 세트 상품의 이미지로 제공될 수 있다.
예를 들어, 사용자는 개별 패션 아이템에 대해서는 선호하지 않지만, 상기 패션 아이템이 다른 패션 아이템과 코디되었을 때는 선호하는 경우가 있을 수 있다. 반대로, 개별 패션 아이템에 대해서는 선호하지만, 상기 패션 아이템이 다른 패션 아이템과 코디되었을 때는 선호하지 않는 경우가 있을 수 있다. 따라서 서비스 서버는 개별 패션 상품과 복수의 패션 상품이 코디된 세트 상품에 대한 선호도를 구분하여 확인할 수 있다.
S705 단계에서, 패션 상품 추천 시스템은 가중치가 부여된 속성 정보에 기초하여, 속성 카테고리 및 복수의 속성 정보의 조합에 가중치를 부여할 수 있다. 도 7에는 속성 정보에 가중치가 부여된 후, 해당 속성 정보를 포함하는 속성 카테고리 및 복수의 속성 정보의 조합에 가중치가 부여되는 것으로 도시하였지만, 속성 정보, 속성 카테고리 및 복수의 속성 정보의 조합의 가중치 부여는 동시에 수행될 수 있다.
S707 단계에서, 패션 상품 추천 시스템은 가중치가 부여된 속성 정보, 속성 카테고리 및 복수의 속성 정보의 조합에 기초하여 제1 추천 상품 정보를 생성할 수 있다.
제1 추천 상품 정보는 토너먼트 단계에서 사용자의 진단 이미지 선택에 따라 사용자가 선호할 것으로 판단된 추천 아이템, 추천 코디에 대한 정보일 수 있다. 제1 추천 상품 정보는 속성 정보, 속성 카테고리, 복수의 속성 정보의 조합과 함께 사용자에게 제공될 수 있고, 후술되는 도 8의 필터링 단계에서 각 속성 정보 등을 추가 또는 제외하는 등 조합하여 최종적으로 사용자가 선호할 것으로 판단되는 제2 추천 상품 정보를 생성할 수 있다.
도 8은 도 6의 단계 S605를 상세하게 설명하기 위한 순서도이다.
도 8을 참고하면, S801 단계에서, 패션 상품 추천 시스템은 사용자가 필터링(추가 또는 삭제)한 속성 정보를 수신할 수 있다. 필터링의 대상은 속성 정보뿐만 아니라, 속성 카테고리, 복수의 속성 정보의 조합이 포함될 수도 있다.
사용자는 제1 추천 상품 데이터에서 필터링을 통해 자신의 선호도를 추가로 반영함으로써 보다 정확하고 실시간 확인이 가능한 제2 추천 상품 정보를 제공받을 수 있다.
S803 단계에서, 패션 상품 추천 시스템은 제1 추천 상품 정보에서, 사용자가 추가한 속성 정보가 반영된 제2 추천 상품 정보를 생성할 수 있다. 사용자는 토너먼트 단계만으로는 자신의 선호도를 정확히 반영하지 못하고 누락된 속성 정보가 있을 수 있다.
S803 단계에서, 패션 상품 추천 시스템은 가중치가 일정값 이상 반영된, 또는 가중치가 높게 반영된 순으로 미리 설정된 개수의 속성 정보를 필터링 대상 속성 정보로 제공할 수 있다. 이러한 속성 정보는 사용자 인터페이스 상에 추천 아이템 또는 추천 코디에 반영된 속성 정보일 수 있다. 사용자는 S803 단계에서 이를 삭제하여 해당 속성 정보가 반영되지 않은 제2 추천 상품 정보를 제공받을 수 있다.
S805 단계에서, 패션 상품 추천 시스템은 토너먼트 단계에서 사용자가 선택하지 않거나 또는 보통이라고 선택한 진단 이미지에 포함된 속성 정보, 속성 카테고리, 복수의 속성 정보의 조합을 필터링 대상으로 제공할 수 있다. 사용자는 S805 단계에서 이를 추가하여 누락된 선호도가 반영된 제2 추천 상품 정보를 생성할 수 있다.
본 명세서와 도면에 게시된 본 발명의 실시 예들은 본 발명의 기술내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 명의 범위를 한정하고자 하는 것은 아니다. 여기에 게시된 실시 예들 이외에도 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: 추천 상품 정보 생성부
211: 토너먼트 수행부
212: 속성 필터링 수행부
220: 추천 상품 정보 저장부

Claims (6)

  1. 특정 패션 상품에 대한 사용자의 선호가 반영된 제1 추천 상품 정보 및 제2 추천 상품 정보를 생성하는 패션 상품 추천 방법에 있어서,
    상품 카테고리별로, 사용자가 패션 상품 선택시 특징적으로 고려하는 요소인 속성 정보를 적어도 하나 이상 포함하는 속성 카테고리를 생성하는 단계;
    상기 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템에 대해 토너먼트를 수행하고, 상기 속성 정보에 가중치를 부여하여 상기 제1 추천 상품 정보를 생성하는 단계; 및
    사용자의 필터링 결과에 따라 상기 속성 정보에 추가적으로 가중치를 부여하고 상기 제2 추천 상품 정보를 생성하는 단계를 포함하는 패션 상품 추천 방법.
  2. 제1 항에 있어서, 상기 제1 추천 상품 정보를 생성하는 단계는,
    상기 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템이 포함된 진단 이미지를 사용자에게 제공하는 단계;
    사용자가 선택한 진단 이미지를 수신하고, 상기 속성 정보의 선택 빈도에 따라 상기 속성 정보에 가중치를 부여하는 단계;
    가중치가 부여된 속성 정보에 기초하여, 상기 속성 카테고리 또는 복수의 속성 정보의 조합에 가중치를 부여하는 단계; 및
    가중치가 부여된 상기 속성 정보, 상기 속성 카테고리 또는 상기 복수의 속성 정보의 조합에 기초하여, 상기 제1 추천 상품 정보를 생성하는 단계를 포함하는 패션 상품 추천 방법.
  3. 제1 항에 있어서, 상기 제2 추천 상품 정보를 생성하는 단계는,
    사용자가 추가 또는 삭제한 속성 정보를 수신하는 단계; 및
    상기 제1 추천 상품 정보에서, 상기 사용자가 추가 또는 삭제한 속성 정보가 반영된 제2 추천 상품 정보를 생성하는 단계를 포함하는 패션 상품 추천 방법.
  4. 제2 항에 있어서, 상기 진단 이미지는,
    사용자의 선택에 따른 상기 속성 정보, 상기 속성 카테고리 또는 상기 복수의 속성 정보의 조합의 가중치가 반영되어 생성되는 패션 상품 추천 방법.
  5. 제2 항에 있어서, 상기 사용자가 선택한 진단 이미지는,
    '좋아요', '보통이에요' 또는 '별로에요' 중 적어도 하나를 포함하는 응답이 중복적으로 선택되는 패션 상품 추천 방법.
  6. 특정 패션 상품에 대한 사용자의 선호가 반영된 제1 추천 상품 정보 및 제2 추천 상품 정보를 생성하는 패션 상품 추천 시스템에 있어서,
    상품 카테고리별로, 사용자가 패션 상품 선택시 특징적으로 고려하는 요소인 속성 정보를 적어도 하나 이상 포함하는 속성 카테고리를 생성하고, 상기 속성 카테고리를 적어도 하나 이상 포함하는 패션 아이템에 대해 토너먼트를 수행하고, 상기 속성 정보에 가중치를 부여하여 상기 제1 추천 상품 정보를 생성하는 토너먼트 수행부; 및
    사용자의 필터링 결과에 따라 상기 속성 정보에 추가적으로 가중치를 부여하고 상기 제2 추천 상품 정보를 생성하는 속성 필터링 수행부를 포함하는 패션 상품 추천 시스템.
KR1020200011187A 2020-01-30 2020-01-30 패션 상품 추천 방법, 장치 및 시스템 KR102392674B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200011187A KR102392674B1 (ko) 2020-01-30 2020-01-30 패션 상품 추천 방법, 장치 및 시스템
US17/795,690 US20230059006A1 (en) 2020-01-30 2021-01-26 Fashion product recommendation method, apparatus, and system
PCT/KR2021/000989 WO2021153964A1 (ko) 2020-01-30 2021-01-26 패션 상품 추천 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200011187A KR102392674B1 (ko) 2020-01-30 2020-01-30 패션 상품 추천 방법, 장치 및 시스템

Publications (2)

Publication Number Publication Date
KR20210097460A true KR20210097460A (ko) 2021-08-09
KR102392674B1 KR102392674B1 (ko) 2022-04-29

Family

ID=77079590

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200011187A KR102392674B1 (ko) 2020-01-30 2020-01-30 패션 상품 추천 방법, 장치 및 시스템

Country Status (3)

Country Link
US (1) US20230059006A1 (ko)
KR (1) KR102392674B1 (ko)
WO (1) WO2021153964A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102616510B1 (ko) 2023-02-20 2023-12-27 (주)어반유니온 개인 스타일 변화를 고려한 패션 추천을 위한 서비스 제공 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120085707A (ko) * 2009-06-03 2012-08-01 라이크닷컴 사용자 장르 및 스타일을 학습하고 사용자 선호도에 따라 상품을 매칭하는 방법 및 시스템
KR20150066109A (ko) * 2013-12-06 2015-06-16 제이슨 준 이 웨딩 패키지 추천 서비스 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102119518B1 (ko) * 2018-03-07 2020-06-08 네이버 주식회사 인공지능을 이용하여 생성되는 스타일 공간에 기반한 상품 추천 방법 및 시스템
KR102127191B1 (ko) * 2018-03-16 2020-06-26 오드컨셉 주식회사 쇼핑 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
KR102127562B1 (ko) * 2018-05-28 2020-06-29 주식회사 로코식스 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120085707A (ko) * 2009-06-03 2012-08-01 라이크닷컴 사용자 장르 및 스타일을 학습하고 사용자 선호도에 따라 상품을 매칭하는 방법 및 시스템
KR20150066109A (ko) * 2013-12-06 2015-06-16 제이슨 준 이 웨딩 패키지 추천 서비스 방법 및 시스템

Also Published As

Publication number Publication date
KR102392674B1 (ko) 2022-04-29
US20230059006A1 (en) 2023-02-23
WO2021153964A1 (ko) 2021-08-05

Similar Documents

Publication Publication Date Title
US11216861B2 (en) Color based social networking recommendations
US10402917B2 (en) Color-related social networking recommendations using affiliated colors
US10186054B2 (en) Automatic image-based recommendations using a color palette
US10242396B2 (en) Automatic color palette based recommendations for affiliated colors
He et al. Interactive recommender systems: A survey of the state of the art and future research challenges and opportunities
US9542704B2 (en) Automatic image-based recommendations using a color palette
US9652868B2 (en) Automatic color palette based recommendations
US9727983B2 (en) Automatic color palette based recommendations
US20150379006A1 (en) Automatic image-based recommendations using a color palette
US20150379959A1 (en) Automatic image-based recommendations using a color palette
US20150379001A1 (en) Automatic color validation of image metadata
US20200342320A1 (en) Non-binary gender filter
KR20210098884A (ko) 사용자의 체형 및 구매 이력을 이용하여 패션 아이템 추천 서비스를 제공하는 방법
KR20200045668A (ko) 스타일 추천 방법, 장치 및 컴퓨터 프로그램
US11195227B2 (en) Visual search, discovery and attribution method, system, and computer program product
JP6324433B2 (ja) 配信装置、配信方法および配信プログラム
KR102233065B1 (ko) 셀럽의 맞춤형 쇼핑몰 플랫폼을 위한 서버
US11972466B2 (en) Computer storage media, method, and system for exploring and recommending matching products across categories
KR20220019737A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
KR20220039697A (ko) 코디네이션 패션 아이템을 추천하는 방법
KR102392674B1 (ko) 패션 상품 추천 방법, 장치 및 시스템
KR102378072B1 (ko) 코디네이션 패션 아이템을 추천하는 방법
KR20220044715A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
US20230289862A1 (en) Method for providing fashion item recommendation service to user by using swipe gesture
JP5931308B2 (ja) 配信装置、配信方法および配信プログラム

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