KR20220055658A - 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버 - Google Patents

상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버 Download PDF

Info

Publication number
KR20220055658A
KR20220055658A KR1020200139979A KR20200139979A KR20220055658A KR 20220055658 A KR20220055658 A KR 20220055658A KR 1020200139979 A KR1020200139979 A KR 1020200139979A KR 20200139979 A KR20200139979 A KR 20200139979A KR 20220055658 A KR20220055658 A KR 20220055658A
Authority
KR
South Korea
Prior art keywords
product
follow
management information
user
information
Prior art date
Application number
KR1020200139979A
Other languages
English (en)
Other versions
KR102597550B1 (ko
Inventor
한태석
Original Assignee
주식회사 이너아워
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 이너아워 filed Critical 주식회사 이너아워
Priority to KR1020200139979A priority Critical patent/KR102597550B1/ko
Publication of KR20220055658A publication Critical patent/KR20220055658A/ko
Application granted granted Critical
Publication of KR102597550B1 publication Critical patent/KR102597550B1/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

서버에 의해 수행되는 상품 추천 시기를 결정하기 위한 방법이 개시된다. 상기 방법은: 사용자에 대한 추천 상품군을 결정하는 단계; 상기 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하는 단계; 및 상기 제 1 사후 관리 정보가 존재하는 경우, 상기 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정하는 단계; 를 포함할 수 있다.

Description

상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버{METHOD, COMPUTER PROGRAM, AND SERVER FOR DETERMINING WHEN TO RECOMMEND GOODS}
본 발명은 상품 추천을 위한 방법, 컴퓨터 프로그램 및 서버에 관한 것으로, 특히 개인화된 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버에 관한 것이다.
인터넷의 발달과 더불어 인터넷 쇼핑몰의 수가 증가함에 따라 고객이 쇼핑몰을 통해서 구매할 수 있는 상품의 수도 다양하게 증가하고 있다. 고객은 상품을 선택하는 데 있어서 다른 사람이 경험하거나 보유한 상품에 대한 평가나 추천을 참고하는 경향이 있다. 일례로 검색 서비스 상에서 상품을 검색하면, 그 검색 결과로서 다양한 상품들에 대한 평가나 추천이 제시되며, 사용자는 이와 같은 정보를 토대로 자신에게 적합한 상품을 선택할 수 있다. 이에 따라, 고객은 원하는 상품을 검색하는데 있어서 적잖은 시간을 소비하게 된다. 또한, 이와 같은 상황을 악용하여 광고성 정보 등이 난무함으로써 상품에 대한 평가나 추천에 대한 신뢰도가 떨어지고 있다. 게다가 사람마다 각자 다른 개성을 갖기에 그에 따라 선호하는 상품에 대한 취향도 상이하므로, 다른 사람의 상품에 대한 평가나 추천에 따라 상품을 선택하는 경우 실질적으로는 자신의 취향에 적합하지 않은 상품이 선택되는 문제가 있다. 이러한 이유 때문에 고객에게 적합한 상품을 추천해 줄 수 있는 추천 시스템이 많이 개발되고 있다.
일반적으로 사용되는 추천 시스템은 사용자가 검색어를 입력하거나, 웹서핑을 하는 동안에 입력된 키워드에 대하여 추천 상품 정보를 제공하는 방식을 사용하고 있다. 이 경우에, 이미 구입한 상품에 대하여 추천 상품 정보 제공하게 되어 사용자는 불필요한 정보에 노출된다는 느낌을 가질 수 있다. 또한, 사용자가 직접 검색을 수행한 이후에 추천 상품 정보를 제공할 수 있어, 사용자가 직접 검색을 하기 전에 기존의 정보를 이용하여 추천 상품 정보를 미리 제공할 수 있는 시스템은 찾아보기 힘들다. 따라서, 적시에 사용자에게 추천 상품 정보를 제공하기 위한 시스템에 대한 수요가 존재한다.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버를 제공하는 것이다.
전술한 과제를 해결하기 위한, 서버에 의해 수행되는 상품 추천을 위한 방법이 개시된다. 서버에 의해 수행되는 상품 추천 시기를 결정하기 위한 방법: 사용자에 대한 추천 상품군을 결정하는 단계; 상기 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하는 단계; 및 상기 제 1 사후 관리 정보가 존재하는 경우, 상기 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.
또한, 상기 제 1 사후 관리 정보는 상기 사용자에 의해 결정되는 제 1 사후 관리 서브 정보 및 상기 기등록 상품에 의해 결정되는 제 2 사후 관리 서브 정보를 포함할 수 있다.
또한, 상기 상품 추천 시기 결정 인자는 사용자 유사 정보 또는 상품 유사 정보 중 적어도 하나를 더 포함할 수 있다.
또한, 상기 상품 추천 시기 결정 알고리즘은 협업 필터링 알고리즘 또는 머신 러닝 모델 중 적어도 하나를 포함할 수 있다.
또한, 상기 상품 추천 시기를 결정하기 위한 방법은 상기 제 1 사후 관리 정보가 존재하지 않는 경우, 상기 추천 상품군에 대응하는 제 1 상품군의 제 2 사후 관리 정보가 존재하는지 여부를 결정하는 단계; 및 상기 제 2 사후 관리 정보가 존재하는 경우, 상기 제 2 사후 관리 정보에 기초하여 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 2 추천 시기 또는 제 2 추천 빈도 중 적어도 하나를 결정하는 단계;를 더 포함할 수 있다.
또한, 상기 제 1 사후 관리 정보가 존재하지 않는 경우, 상기 추천 상품군에 대응하는 제 1 상품군의 제 2 사후 관리 정보가 존재하는지 여부를 결정하는 단계는: 사전 결정된 복수의 지수에 대한 상기 추천 상품군의 상품 스코어링값을 계산하는 단계; 유사 상품 후보군 중에서 상기 추천 상품군의 상기 상품 스코어링값에 대응하는 적어도 하나의 상품을 포함하는 제 1 상품군을 결정하는 단계; 및 상기 제 1 상품군에 포함된 상품 중 제 2 사후 관리 정보를 가지는 상품이 존재하는지 여부를 결정하는 단계; 를 포함할 수 있다.
또한, 상기 사전 결정된 복수의 지수는 디지털 지수, 생활 지수, 웰빙 지수, 주변환경 지수 및 건강 지수 중 적어도 하나를 포함할 수 있다.
또한, 상기 머신 러닝 모델은: 시계열 데이터 증강 방법이 적용된 사후 관리 정보를 이용하여 적어도 부분적으로 생성된 데이터셋에 의해 학습될 수 있다.
또한, 상기 머신 러닝 모델은, 제 1 트레이닝셋 및 제 2 트레이닝셋을 포함하는 데이터셋에 의해 학습되며, 상기 제 1 트레이닝셋은: 제 1 사용자의 제 1 사용자 상품 구매 정보 및 상기 제 1 사용자 상품 구매 정보에 대응하는 제 1 사용자 사후 관리 정보를 포함하고, 상기 제 2 트레이닝셋은: 제 2 사용자의 제 2 사용자 상품 구매 정보 및 제 2 사용자 사후 관리 정보를 포함하고, 상기 제 2 사용자 사후 관리 정보는: 상기 제 2 사용자 상품 구매 정보에 따라 예측 알고리즘에 의해 결정되는 가상 정보를 포함하고, 상기 예측 알고리즘은 상기 제 1 사용자 상품 구매 정보 및 제 1 사용자 사후 관리 정보에 기초하여 생성될 수 있다.
전술한 과제를 해결하기 위한, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 객체 중심 데이터 증강을 수행하기 위한 방법을 수행하도록 하는 명령을 포함하며, 상기 명령은: 사용자에 대한 추천 상품군을 결정하는 단계; 상기 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하는 단계; 상기 제 1 사후 관리 정보가 존재하는 경우, 상기 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정하는 단계;를 포함할 수 있다.
전술한 과제를 해결하기 위한, 상품 추천 시기를 결정하기 위한 방법을 수행하는 서버가 개시된다. 상기 서버는: 메모리; 및 프로세서; 를 포함하고, 상기 프로세서는: 사용자에 대한 추천 상품군을 결정하고; 상기 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하고; 그리고 상기 제 1 사후 관리 정보가 존재하는 경우, 상기 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정할 수 있다.
본 개시는 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버를 제공할 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 상품 추천을 위한 시스템에 대한 일례를 나타낸 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 관리 서버의 구성의 일례를 나타낸 도면이다.
도 3은 본 개시의 일 실시예에 따른 상품 추천 시기를 결정하기 위한 방법을 설명하기 위한 순서도이다.
도 4는 본 개시의 일 실시예에 따라 머신 러닝 모델에 대한 네트워크 함수를 나타낸 개략도이다.
도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 상품 추천을 위한 시스템에 대한 일례를 나타낸 도면이다.
도 1에서 도시되는 바와 같이, 상품 추천을 위한 시스템은, 관리 서버(100), 클라이언트 단말(200a, 200b, 200c: 200), 및 통신 네트워크(300)를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수도 있다.
도 1에서 도시되지는 않았지만 이러한 클라이언트 단말(200) 및 관리 서버(100)는 메모리, 통신부 및 프로세서를 포함할 수 있다.
클라이언트 단말(200)은 통신 네트워크(300)를 통하여 관리 서버(100)와 통신하기 위한 매커니즘을 가지며, 상품 추천을 위한 시스템에서의 임의의 형태의 노드를 의미할 수 있다. 예를 들어, 클라이언트 단말(200)은 PC, 랩탑 컴퓨터, 워크스테이션, 단말 및/또는 네트워크 접속성을 갖는 임의의 전자 디바이스를 포함할 수 있다. 또한, 클라이언트 단말(200)은 에이전트(Agent), API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 클라이언트 단말(200)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.
클라이언트 단말(200)은 프로세서 및 저장부(메모리 및 영구저장매체)를 포함하여, 임의의 데이터를 처리 및 저장할 수 있는 임의의 엔티티일 수 있다.
클라이언트 단말(200)은 관리 서버(100)에 접속하여, 상품을 구매하거나 상품의 사후 관리를 위한 동작 과정에서 상품 추천에 필요한 정보를 관리 서버(100)에 전송할 수 있다. 또한, 클라이언트 단말(200)은 전송한 정보에 대하여 관리 서버(100)에 의해 처리된 정보 및 응답을 수신할 수 있다.
본 개시내용의 몇몇 실시예에 따른 관리 서버(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터 또는 디지털 프로세서 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 도 1에서 도시되지는 않았지만 이러한 관리 서버(100)는 메모리, 통신부 및 프로세서를 포함할 수 있다.
본 개시내용의 몇몇 실시예에 따른 통신 네트워크(300)는 공중전화 교환망(PSTN:Public Switiched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 개시내용에서 제시되는 통신 네트워크(300)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다. 본 개시내용에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 임의의 형태의 다른 통신 네트워크들에서도 사용될 수 있다.
도 2는 본 개시의 몇몇 실시예에 따른 관리 서버의 구성의 일례를 나타낸 도면이다.
도 2에서 도시되는 바와 같이, 관리 서버(100)는 프로세서(110), 메모리(120), 통신부(미도시)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등과 같이 메모리 상에 저장된 명령어들을 실행시킴으로써 상품 추천을 위한 임의의 형태의 프로세서를 포함할 수 있다. 프로세서는 메모리에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 상품 추천 시기를 결정하기 위한 방법들을 처리할 수 있다. 프로세서는 상품 추천 시기를 결정하기 위한 방법을 처리하기 위하여 관리 서버(100)의 컴포넌트들의 전반적인 동작들을 제어할 수 있다.
관리 서버(100)의 프로세서(110)는 상품 추천 시기를 결정을 위한 방법을 처리하기 위하여 관리 서버(100)의 컴포넌트들의 전반적인 동작들을 제어할 수 있다.
관리 서버(100)는 메모리(120)를 더 포함할 수 있다. 메모리는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다. 이러한 메모리는 프로세서에 제어에 의하여 동작될 수 있다. 또한, 본 개시내용에서 메모리 및 저장부는 서로 상호 교환 가능하게 사용될 수 있다.
통신부(미도시)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 통신부는 클라이언트 단말(200)과의 통신을 수행할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband) Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.
전술한 컴포넌트들은 예시적인 것으로서 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지는 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.
이하에서는 본 개시의 몇몇 실시예에 따른 상품 추천 시기를 결정하기 위한 방법에 관하여 설명한다.
도 3은 본 개시의 일 실시예에 따른 상품 추천 시기를 결정하기 위한 방법을 설명하기 위한 순서도이다.
본 개시의 상품 추천 시기를 결정하기 위한 방법은 사용자가 상품을 구매한 이후의 사후 관리 정보를 이용하여 추천 상품을 추천할 시기를 결정할 수 있다. 사후 관리 정보는 사용자의 성향 및 상품의 성격을 나타낼 수 있는 유용한 정보일 수 있다. 특히, 사후 관리 정보는 사용자가 구매한 상품에 대한 만족도, 상품의 수명, 상품 교체의사, 다른 상품의 구매의사 등을 나타낼 수 있는 다양한 정보를 포함할 수 있다. 본 개시의 상품 추천 시기를 결정하기 위한 방법은 사후 관리 정보를 이용하여 결정된 추천 시기 및 추천 빈도에 상품 추천을 제공할 수 있으므로, 높은 정확성과 고객 만족도를 제공할 수 있다.
본 개시의 몇몇 실시예에 따라, 상품 추천 시기를 결정하기 위한 방법은 아래에서 설명되는 단계(s100 내지 s140)을 포함할 수 있다. 다만, 이러한 단계들은 단지 예시의 목적으로 설명되며, 일부의 단계가 변경 또는 생략되거나, 추가적인 단계가 부가될 수 있다. 또한, 이러한 단계들은 임의의 순서로 수행될 수 있으며, 반드시 아래에서 설명되는 순서로 수행되는 것은 아니다.
본 개시의 몇몇 실시예에 따라, 상품 추천 시기를 결정하기 위한 방법은 사용자에 대한 추천 상품군을 결정하는 단계(s100)를 포함할 수 있다. 예를 들어, 추천 상품군은 사용자와 다른 사용자 간의 사용자 유사도를 결정하기 위한 사용자 유사 정보, 상품 간의 유사도를 결정하기 위한 상품 유사 정보, 상품 구매 이후의 사후 관리 정보 등을 이용하여 결정될 수 있다. 추천 상품군을 결정하는 알고리즘은 협업 필터링 알고리즘, 머신 러닝 알고리즘 등을 포함할 수 있다. 다만 이에 한정되지 않고, 추천 상품군은 다양한 방식으로 결정될 수 있다.
본 개시의 몇몇 실시예에 따라, 상품 추천 시기를 결정하기 위한 방법은 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하는 단계(s110)를 포함할 수 있다.
추천 상품군에 대응하는 기등록 상품이 존재하는지 여부를 결정하기 위해, 사용자가 구매하거나 사용 중인 상품이 추천 상품군에 포함된 상품과 동일 또는 유사한지 여부가 먼저 결정될 수 있다. 사용자가 구매하거나 사용 중인 상품에 대한 정보는 서버(100) 상에 사용자에 의해 등록된 정보이거나, 서버(100) 상에 저장된 사용자가 구매한 상품의 생산자, 판매자, 유통업자 등의 생산/판매/유통 정보에 의해 획득될 수 있다.
기등록 상품 중에서 추천 상품군에 포함하는 상품과 동일 또는 유사한 상품이 있는 경우, 이 상품 상품군은 추천 상품군에 대응한다고 결정될 수 있다. 예를 들어, 기등록 상품과 추천 상품군에 포함된 상품 중 적어도 하나의 상품이 같은 카테고리 코드 또는 제품 코드를 가지는 경우에 기등록 상품과 추천 상품군이 대응한다고 결정될 수 있다. 다만 이에 한정되지 않고, 기등록 상품과 추천 상품군의 대응 여부는 다양한 방식에 의해 결정될 수 있다.
제 1 사후 관리 정보는 기등록 상품의 구매 이후에 상품의 고장, 불편 사항 등을 해소하기 위한 사용자의 사후 관리 정보일 수 있다. 사후 관리 정보는 상품 구매 이후에 사용자의 성향, 만족도 및 상품의 품질, 상태 등을 평가하기 위한 정보일 수 있다.
구체적으로, 제 1 사후 관리 정보는 사용자에 의해 결정되는 제 1 사후 관리 서브 정보를 포함할 수 있다. 구체적으로 예를 들면, 제 1 사후 관리 서브 정보는 사용자의 사후 관리 신청 횟수 정보, 사후 관리 신청일 정보, 사후 관리 신청 내용 정보, 사용자 사후 관리 비용 정보, 무상 사후 관리 잔여 기간, 인접한 사후 관리 센터와의 거리 및 접근 시간, 사후 관리 평가 정보 등을 포함할 수 있다. 다만 이에 한정되지 않고, 제 1 사후 관리 서브 정보는 다양한 정보를 포함할 수 있다.
제 1 사후 관리 정보는 기등록 상품에 의해 결정되는 제 2 사후 관리 서브 정보를 포함할 수 있다. 예를 들어, 제 2 사후 관리 서브 정보는 제 2 사후 관리 서브 정보는 기등록 상품에 대응하는 사후 관리 주체 정보(예를 들어, 생산자 또는 판매자 책임 여부), 사후 관리 정책 평가 정보, 유무상 기간 및 무상 수리 조건에 관한 정보 및 부품에 관한 사후 관리 정보를 포함하는 품질 보증 정보, 사후 관리 센터 정보(사후 관리 센터의 갯수, 장소 및 분포도 등), 사후 관리 비용 부가 체계 및 안내 여부에 관한 상품 사후 관리 비용 정보, 사후 관리 관련 운송 정보, 방문 수리 정보, 사후 관리가 가능한 기간에 대한 사후 관리 기간, 사후 관리 내용 및 시기에 따른 상품 수명 주기 정보 등을 포함할 수 있다. 다만 이에 한정되지 않고, 제 2 사후 관리 서브 정보는 다양한 정보를 포함할 수 있다.
기등록 상품에 대한 제 1 사후 관리 정보가 존재하는 경우, 제 1 사후 관리 정보는 추천 상품군 또는 추천 상품군에 포함되는 상품에 대한 추천 시기 또는 추천 빈도를 결정하는데 다음과 같이 사용될 수 있다.
본 개시의 몇몇 실시예에 따라, 상품 추천 시기를 결정하기 위한 방법은 제 1 사후 관리 정보가 존재하는 경우, 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정하는 단계(s120)를 포함할 수 있다.
상술한 바와 같이, 제 1 사후 관리 정보는 상품 구매 이후에 사용자의 성향, 만족도 및 상품의 품질, 상태 등을 나타낼 수 있다. 기존의 상품 추천 및 상품 추천 시기를 결정하기 위한 알고리즘은 일반적으로 기존 상품의 구매 전 정보만을 이용하는 반면에, 본 개시에 따른 상품 추천 시기를 결정하기 위한 방법은 상품의 구매 이후의 정보를 나타내는 사후 관리 정보를 사용하는 점에서 높은 정확성과 고객 만족도를 제공할 수 있다.
상품 추천 시기 결정 인자는 상품 추천 시기 결정 알고리즘에서 입력으로 사용될 수 있다. 상품 추천 시기 결정 인자는 상술한 제 1 사후 관리 정보를 포함할 수 있다. 상품 추천 시기 결정 인자로 제 1 사후 관리 정보가 사용됨으로써 상품 구매 이후의 사용자의 성향, 만족도, 상품의 품질, 상태 등을 상품 추천 시기를 결정하는데 이용할 수 있다.
또한, 상품 추천 시기 결정 인자는 사용자 유사 정보 또는 상품 유사 정보 중 적어도 하나를 더 포함할 수 있다.
사용자 유사 정보는 사용자 간의 사용자 유사도(예를 들어, 동일한 성향을 나타낼 확률)를 결정하기 위한 정보를 포함할 수 있다. 예를 들어, 사용자 유사 정보는 성별, 나이, 가족, 직업, 거주지역, 관심도, 구매등급, 보유상품 등을 포함할 수 있으며, 다만 이에 한정되지 않는다. 사용자 유사 정보는 사용자 간의 사용자 유사도를 판단하는데 사용될 수 있다. 사용자 유사 정보는 사용자 유사도에 따라 사용자와 상이한 다른 사용자의 정보를 상품 추천 시기 결정 알고리즘에서 이용하는데 사용될 수 있다.
상품 유사 정보는 상품의 유사도를 결정하기 위한 정보를 포함할 수 있다. 예를 들어, 상품 유사 정보는 상품의 종류, 기능, 상품의 주 소비층의 연령대/성별/거주지역, 상품의 소비형태, 상품의 가격 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않는다. 상품 유사 정보는 상품 유사도에 따라 기등록 상품 또는 추천 상품군과 상이한 상품(다만, 유사할 수 있는)의 정보를 상품 추천 시기 결정 알고리즘에서 이용하는데 사용될 수 있다.
제 1 추천 시기 및 제 1 추천 빈도는 상품 추천 시기 결정 인자가 제 1 사후 관리 정보를 포함하는 경우(즉, 예를 들어, 제 1 추천 시기 및 제 1 추천 빈도가 제 1 사후 관리 정보를 이용하여 결정되는 경우), 추천 상품군 또는 추천 상품군에 포함된 상품에 대한 추천 정보를 제공하는 시기 및 빈도를 의미할 수 있다. 예를 들어, 제 1 추천 시기는 다양한 시기를 포함할 수 있으며, 일 단위, 주 단위, 월 단위, 연 단위를 포함할 수 있다. 제 1 추천 빈도는 제 1 추천 시기에 추천 정보를 제공할 횟수를 의미할 수 있다. 예를 들어, 제 1 추천 시기가 1개월이고 제 1 추천 빈도가 일주일에 3회인 경우, 서버는 추천 정보를 예를 들어 1개월 뒤의 날짜를 포함하는 일주일 동안 3회 제공할 수 있다. 제 1 추천 시기 및 제 1 추천 빈도는 다양한 시기 및 빈도를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 상품 추천 시기 결정 알고리즘은 협업 필터링 알고리즘 또는 머신 러닝 모델 중 적어도 하나를 포함할 수 있다.
상품 추천 시기 결정 알고리즘이 협업 필터링 알고리즘을 포함하는 경우, 서버는 적어도 제 1 사후 관리 정보를 입력(상술한 바와 같이 추가로, 사용자 유사 정보 및/또는 상품 유사 정보를 입력으로 사용할 수 있음)으로 하여 협업 필터링 알고리즘을 통해 제 1 추천 시기가 될 수 있는 복수의 시기(예를 들어, 1주일 내지 4주일 중 하나, 1개월 내지 12개월 중 하나, 1년 내지 10년 중 하나 등)와 제 1 추천 빈도가 될 수 있는 복수의 빈도(예를 들어, 1일에 3번, 1주일에 4번 등)에 대한 추천 확률을 출력으로 획득할 수 있다. 이 경우에 서버는 추천 확률이 높은 시기 및 빈도를 제 1 추천 시기 및 제 1 추천 빈도로 결정할 수 있다.
협업 필터링 알고리즘은 사용자에 관한 정보와 사용자의 선호도에 기초하여 선호도에서 유사한 패턴을 나타내는 사용자를 분류하는 기법일 수 있다. 예를 들어, 협업 필터링 알고리즘은 사용자와 유사한 소비 성향을 가진 적어도 하나의 다른 사용자가 소비하거나 높게 평가한 아이템을 필터링함으로써 추천 상품 시기를 결정하는 사용자 기반 협업 필터링을 포함할 수 있다. 또한, 협업 필터링 알고리즘은 사용자가 소비한 소정의 개수의 아이템 조합과 유사하게 소비되거나 유사하게 평가된 아이템을 필터링함으로써 추천 상품 시기를 결정하는 아이템 기반 협업 필터링을 포함할 수 있다.
예를 들어, 사용자 기반 협업 필터링 알고리즘은 특정 사용자의 특정 아이템에 대한 선호도를 예측하는 경우에 다른 아이템들에 대하여 특정 사용자와 유사한 사용자의 특정 아이템에 대한 선호도에 기초하여 예측을 수행하는 알고리즘일 수 있다. 구체적으로, 사용자 u의 아이템 i에 대한 평가점수 ru,i를 예측하는 경우에, 다른 아이템에 대한 평가점수의 유사도가 가장 높은 k명의 유사 사용자 v를 추출하고 i에 대한 유사 사용자 평가 점수 rv, i를 이용하여 다음과 같은 식을 통해 평가점수 ru, i를 예측할 수 있다.
Figure pat00001
위 식에서 N(u;i)는 특정 사용자 u와 유사한 사용자의 집합이며, s(u,v)는 사용자 u와 다른 사용자 v의 유사도를 나타낸다. 다만 이에 한정되지 않고, 협업 필터링 알고리즘은 다양한 방식으로 구현될 수 있다.
상품 추천 시기 결정 알고리즘이 머신 러닝 알고리즘을 포함하는 경우, 서버는 적어도 제 1 사후 관리 정보를 입력(추가로, 사용자 유사 정보 및/또는 상품 유사 정보를 포함)으로 하여 머신 러닝 모델을 통해 제 1 추천 시기가 될 수 있는 복수의 시기(예를 들어, 1주일 내지 4주일 중 하나, 1개월 내지 12개월 중 하나, 1년 내지 10년 중 하나 등)와 제 1 추천 빈도가 될 수 있는 복수의 빈도(예를 들어, 1일에 3번, 1주일에 4번 등)에 대한 추천 확률을 출력으로 획득할 수 있다. 이 경우에 서버는 추천 확률이 높은 시기 및 빈도를 제 1 추천 시기 및 제 1 추천 빈도로 결정할 수 있다.
머신 러닝 모델은 인공 지능 알고리즘 중 하나 일 수 있다. 인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미할 수 있다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의할 수도 있다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미할 수 있다. 모델 파라미터는 시냅스 연결의 가중치와 뉴런의 편향 등을 포함할 수 있다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미할 수 있다. 하이퍼파라미터는 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등을 포함할 수 있다.
머신 러닝 모델의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 머신 러닝 모델의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 여기서 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
상술한 바와 같이, 본 개시의 몇몇 실시예에 따라, 상품 추천 시기를 결정하기 위한 방법은 제 1 사후 관리 정보를 입력(추가로, 사용자 유사 정보 및/또는 상품 유사 정보를 입력으로 사용)으로 하여 협업 필터링 알고리즘 또는 머신 러닝 모델을 통해 제 1 추천 시기 및 제 1 추천 빈도를 결정할 수 있다. 다만, 이에 한정되지 않고, 제 1 추천 시기 및 제 1 추천 빈도는 다양한 방식으로 결정될 수 있다.
본 개시의 몇몇 실시예에 따라, 제 1 사후 관리 정보가 존재하지 않는 경우, 상기 추천 상품군에 대응하는 제 1 상품군의 제 2 사후 관리 정보가 존재하는지 여부를 결정하는 단계 및 제 2 사후 관리 정보가 존재하는 경우, 상기 제 2 사후 관리 정보에 기초하여 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 2 추천 시기 또는 제 2 추천 빈도 중 적어도 하나를 결정하는 단계를 더 포함할 수 있다. 여기서 제 2 추천 시기 및 제 2 추천 빈도는 제 1 사후 관리 정보에 의해 결정되는 제 1 추천 시기 및 제 1 추천 빈도와 달리 제 2 사후 관리 정보에 의해 결정되는 추천 시기 및 빈도를 의미할 수 있다.
본 개시의 상품 추천 시기를 결정하기 위한 방법은 기등록 상품의 사후 관리 정보(즉, 제 1 사후 관리 정보)가 존재하지 않는 경우 추천 상품군과 유사한 사용자의 기등록 상품 또는 다른 사용자의 기등록 상품의 사후 관리 정보(즉, 제 2 사후 관리 정보)를 이용하여 추천 시기 및 빈도를 결정할 수 있다. 따라서, 제 1 사후 관리 정보가 존재하지 않는 경우에도, 추천 정보의 높은 정확성을 보장할 수 있다.
구체적으로, 제 1 상품군은 사용자의 기등록 상품 중 추천 상품군에 포함되지 않으나 추천 상품군과 유사한 상품 또는 상품군을 의미할 수 있다. 예를 들어, 사용자의 기등록 상품은 존재하나 제 1 사후 관리 정보가 없는 경우, 사용자의 기등록 상품 중 상품 추천군과 유사한 상품의 제 2 사후 관리 정보가 상품 추천 시기를 결정하기 위해 사용될 수 있다. 또한, 사용자의 기등록 상품이 존재하지 않거나, 상품 추천군과 유사한 기등록 상품이 없는 경우에, 상품 추천군과 동일하거나 유사한 다른 사용자의 기등록 상품의 사후 관리 정보가 제 2 사후 관리 정보로 상품 추천 시기를 결정하기 위해 사용될 수 있다. 이 경우에, 제 1 상품군은 상품 추천군과 동일하거나 유사한 상이한 사용자의 기등록 상품을 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 복수의 상이한 사용자 중에서 높은 사용자 유사도를 가지는 사용자의 제 2 사후 관리 정보가 제 2 추천 시기 또는 제 2 추천 빈도를 결정하는데 사용될 수 있다. 다만, 복수의 상이한 사용자 중 낮은 사용자 유사도를 가지는 사용자의 제 2 사후 관리 정보 또한 제 2 추천 시기 또는 제 2 추천 빈도를 결정하는데 사용될 수 있다. 이 경우에 사용자 유사도는 다른 사용자의 사후 관리 정보(즉, 제 2 사후 관리 정보)를 사용하는 경우에 결과에 반영하는 정도를 나타내는 가중치로 사용될 수 있다. 예를 들어, 높은 사용자 유사도를 가지는 사용자의 제 2 사후 관리 정보는 높은 가중치를 가지고 상품 추천 시기 결정 알고리즘에 사용될 수 있다. 다른 예로, 낮은 사용자 유사도를 가지는 사용자의 제 2 사후 관리 정보는 낮은 가중치를 가지고 상품 추천 시기 결정 알고리즘에 사용될 수 있다. 다만, 이에 한정되지 않고 복수의 사용자의 복수의 제 2 사후 관리 정보가 다양한 방식으로 상품 추천 시기 결정 알고리즘에 사용될 수 있다.
상술한 바와 같이, 본 개시의 상품 추천 시기를 결정하기 위한 방법은 상품 추천군에 대응하는 기등록 상품의 제 1 사후 관리 정보가 존재하지 않는 경우 추천 상품군에 대응하는 제 1 상품군의 제 2 사후 관리 정보를 사용하여 추천 시기 및 빈도를 결정할 수 있다. 여기서 제 1 상품군을 결정하는 방법은 다음과 같다.
본 개시의 몇몇 실시예에 따라, 상기 제 1 사후 관리 정보가 존재하지 않는 경우, 상기 추천 상품군에 대응하는 제 1 상품군의 제 2 사후 관리 정보가 존재하는지 여부를 결정하는 단계는: 사전 결정된 복수의 지수에 대한 상기 추천 상품군의 상품 스코어링값을 계산하는 단계; 유사 상품 후보군 중에서 상기 추천 상품군의 상기 상품 스코어링값에 대응하는 적어도 하나의 상품을 포함하는 제 1 상품군을 결정하는 단계; 및 상기 제 1 상품군에 포함된 상품 중 제 2 사후 관리 정보를 가지는 상품이 존재하는지 여부를 결정하는 단계를 포함할 수 있다.
사전 결정된 복수의 지수는 상품의 성격을 나타내는 다양한 지수를 포함할 수 있다. 사전 결정된 복수의 지수는 사용자 및 상이한 사용자의 기등록 상품 중에서 추천 상품군과 동일 또는 유사한 상품을 결정하는데 사용될 수 있다. 사용자 및 상이한 사용자의 기등록 상품은 유사 상품 후보군으로 지칭될 수 있고, 유사 상품 후보군에서 추천 상품군에 대응하는 상품은 상술한 바와 같이 제 1 상품군으로 지칭될 수 있다.
본 개시의 몇몇 실시예에 따라, 사전 결정된 복수의 지수는 디지털 지수, 생활 지수, 웰빙 지수, 주변환경 지수 및 건강 지수 중 적어도 하나를 포함할 수 있다. 다만, 이러한 지수들은 단지 예시의 목적으로 설명되며, 일부의 지수가 변경 또는 생략되거나, 추가적인 지수가 부가될 수 있다.
디지털 지수는 해당 상품의 기술적 진보 정도를 수치화한 값을 포함할 수 있다. 예를 들어, 디지털 지수는 상품 출시 일자, 사용 기술 및 부품, 동종 상품이군 내에서의 가격 순위, 해당 상품군의 디지털 특성값 등을 고려하여 결정될 수 있다.
생활 지수는 해당 상품이 일상생활에 필수적인 정도를 수치화한 값을 포함할 수 있다. 예를 들어, 생활 지수는 해당 상품의 보유자(또는 보유 가구)의 수, 보유 비율, 해당 상품군의 생활 특성값 등을 고려하여 결정될 수 있다.
웰빙 지수는 해당 상품의 삶의 편리함에 기여하는 정도를 수치화한 값을 포함할 수 있다. 예를 들어, 웰빙 지수는 해당 상품의 보유자의 생활 만족도, 편이성, 해당 상품군의 웰빙 특성값 등을 고려하여 결정될 수 있다.
주변환경 지수는 해당 상품과 청결/환경과의 관련성의 정도를 수치화한 값을 포함할 수 있다. 예를 들어, 주변환경 지수는 해당 상품의 재료, 제조 과정, 상품 수명, 폐기 방식, 해당 상품군의 주변환경 특성값 등을 고려하여 결정될 수 있다.
건강 지수는 해당 상품과 건강과의 관련성의 정도를 수치화한 값을 포함할 수 있다. 예를 들어, 건강 지수는 해당 상품의 건강 관련 기능, 해당 상품군의 특성값 등을 고려하여 결정될 수 있다.
본 개시의 몇몇의 실시예에 따라, 상품 스코어링값은 추천 상품군에 대한 사전 결정된 복수의 지수를 계산함으로써 결정될 수 있다. 예를 들어, 추천 상품군의 디지털 지수는 1.5, 생활 지수는 1.2, 웰빙 지수는 0.7, 주변환경 지수는 2.0, 건강 지수는 0.8일 수 있다. 이 경우에 추천 상품군의 상품 스코어링값은 6.2일 수 있다. 다만 이에 한정되지 않는다.
추천 상품군이 복수의 상품을 포함하는 경우, 상품 스코어링값은 추천 상품군에 포함된 복수의 상품 각각의 사전 결정된 복수의 지수를 이용하여 결정될 수 있다. 예를 들어, 추천 상품군이 복수의 상품을 포함하는 경우, 추천 상품군의 상품 스코어링값은 추천 상품군에 포함된 복수의 상품 각각에 대하여 계산된 사전 결정된 복수의 지수들의 평균일 수 있다. 다만 이에 한정되지 않고, 추천 상품군이 복수의 상품을 포함하는 경우, 상품 스코어링값은 다양한 방법으로 결정될 수 있다.
본 개시의 몇몇의 실시예에 따라, 상품 스코어링값은 추천 상품군에 대한 사전 결정된 복수의 지수 각각에 대하여 가중치를 부가하여 계산함으로써 결정될 수 있다. 예를 들어, 가중치는 사용자 특성 정보를 반영하여 결정될 수 있다. 사용자 특성 정보는 사용자의 성별, 나이, 가족, 직업, 지역, 관심, 구매력, 동일상품 보유 사용자 정보 등에 의해 결정될 수 있다. 예를 들어, 사용자 특성 정보가 사용자의 가족이 4인 이상 가족임을 나타내는 정보를 포함하는 경우, 생활 지수 및 웰빙 지수에 높은 가중치가 부여될 수 있다. 다른 예로, 사용자 특성 정보가 사용자의 주요 관심이 웰빙 및 건강임 나타내는 정보를 포함하는 경우, 웰빙 지수 및 건강 지수에 높은 가중치가 부여될 수 있다.
또 다른 예로, 가중치는 추천 상품군의 상품 특성 정보를 반영하여 결정될 수 있다. 예를 들어, 상품 특성 정보는 상품의 종류, 기능, 상품의 주 소비층의 연령대/성별/거주지역, 상품의 소비형태, 상품의 가격 등에 의해 결정될 수 있다. 예를 들어, 상품 특성 정보가 디지털 지수에 대한 높은 중요도를 나타내는 정보를 포함하는 경우, 디지털 지수에 높은 가중치가 부여될 수 있다. 다른 예로, 상품 특성 정보가 생활 지수 및 웰빙 지수에 높은 중요도를 나타내는 정보를 포함하는 경우, 생활 지수 및 웰빙 지수에 높은 가중치가 부여될 수 있다. 다만, 이에 한정되지 않고 가중치는 다양하게 결정될 수 있다.
유사 상품 후보군에 포함되는 상품의 상품 스코어링값에 대응 여부는 유사 상품 후보군에 포함되는 상품들(또는 복수의 상품으로 이루어진 상품군) 각각의 상품 스코어링값과 추천 상품군의 상품 스코어링값을 비교함으로써 결정될 수 있다. 예를 들어, 유사 상품 후보군 중에서 추천 상품군의 상품 스코어링값에 사전 결정된 범위 이내에 포함되는 상품 스코어링값을 가지는 상품이 제 1 상품군으로 결정될 수 있다. 다른 예로, 유사 상품 후보군 중에서 추천 상품군의 상품 스코어링값에 근접한 값을 가지는 n개의 상위 상품(예를 들어, 2개의 상위 상품, 3개의 상위 상품 등)이 제 1 상품군으로 결정될 수 있다. 다만 이에 한정되지 않고, 제 1 상품군은 상품 스코어링값에 따라 다양한 방법으로 결정될 수 있다.
상품 스코어링값에 따라 제 1 상품군이 결정되는 경우, 서버는 제 1 상품군 중에서 제 2 사후 관리 정보를 가지는 상품이 존재하는지 결정할 수 있다. 제 2 사후 관리 정보를 가지는 상품이 존재하는 경우, 제 2 사후 관리 정보는 제 2 추천 시기 및 제 2 추천 빈도를 결정하는데 사용될 수 있다.
상술한 바와 같이, 상품 추천 시기를 결정하기 위한 방법은 머신 러닝 모델을 이용할 수 있다. 제 1 사후 관리 정보 및 제 2 사후 관리 정보를 포함하는 사후 관리 정보는 사용자 유사 정보 및 상품 유사 정보에 비해 데이터 양이 부족한 경우가 많다. 따라서, 다량의 사후 관리 정보를 확보하기 위해 다음과 방법이 사용된다.
본 개시의 몇몇 실시예에 따라, 머신 러닝 모델은 시계열 데이터 증강 방법이 적용된 사후 관리 정보를 이용하여 적어도 부분적으로 생성된 데이터셋에 의해 학습될 수 있다.
시계열 데이터 증강 방법은 시계열 데이터에 노이즈를 부가하는 지터링 (jittering)을 포함할 수 있다. 또한, 시계열 데이터 증강 방법은 시계열 데이터의 값의 축척을 변경하는 스케일링(scaling)을 포함할 수 있다, 또한, 시계열 데이터 증강 방법은 시계열 데이터의 일부를 회전시키는 로테이션(rotation)을 포함할 수 있다. 또한, 시계열 데이터 증강은 시계열 데이터 중 일부를 재배열하는 퍼뮤테이션(permutation)을 포함할 수 있다. 또한, 시계열 데이터 증강 방법은 시계열 데이터의 시간축을 이동시키는 타임워프(TimeWarp)를 포함할 수 있다. 또한, 시계열 데이터 증강 방법은 시계열 데이터 중 일부를 삭제하는 크롭핑(cropping)을 포함할 수 있다. 상술한 시계열 데이터 증강 방법에 의해 사후 관리 정보를 변경함으로써 추가적인 데이터가 생성될 수 있다. 변경된 사후 관리 정보는 기존의 사후 관리 정보와 함께 추가적인 데이터셋을 생성하는데 사용될 수 있다. 다만 이에 한정되지 않고, 시계열 데이터 증강 방법을 사용하여 다양한 방식으로 생성된 데이터셋에 의해 머신 러닝 모델이 학습될 수 있다.
본 개시의 몇몇 실시예에 따라, 머신 러닝 모델은 예측 알고리즘에 의한 데이터 증강 방식을 사용하여 생성된 데이터셋에 의해 학습될 수 있다. 구체적인 방식은 다음과 같다.
머신 러닝 모델을 학습시키기 위한 데이터셋은 제 1 트레이닝셋 및 제 2 트레이닝셋을 포함할 수 있다. 제 1 트레이닝셋은 제 1 사용자의 제 1 사용자 상품 구매 정보 및 상기 제 1 사용자 상품 구매 정보에 대응하는 제 1 사용자 사후 관리 정보를 포함할 수 있다. 여기서 제 1 트레이닝셋은 제 1 사용자의 실제로 구매 또는 사용 중인 상품 정보(즉, 제 1 사용자 상품 구매 정보)에 대응하는 제 1 사용자의 실제 사후 관리 정보(즉, 제 1 사용자 사후 관리 정보)를 포함하는 트레이닝셋일 수 있다.
제 2 트레이닝셋은 제 2 사용자의 제 2 사용자 상품 구매 정보 및 제 2 사용자 사후 관리 정보를 포함할 수 있다. 제 2 사용자는 제 1 사용자와 상이한 사용자를 포함할 수 있다. 여기서 제 2 사용자는 제 2 사용자 상품 구매 정보는 존재하나, 대응하는 사후 관리 정보가 없는 사용자를 의미할 수 있다(예를 들어, 사후 관리를 받지 않았거나, 사후 관리 정보가 생성되지 않은 경우 등). 이 경우에 제 2 트레이닝셋은 예측 알고리즘을 이용하여 제 2 사용자 상품 구매 정보에 의해 생성된 가상 정보인 제 2 사용자 사후 관리 정보를 포함할 수 있다. 예측 알고리즘은 통계적 예측 모델을 포함할 수 있다. 예를 들어, 통계적 예측 모델은 의사결정 트리(decision tree), 선형 회귀 모델(Regression) 등을 포함하나, 이에 한정되지 않는다. 또한, 예측 알고리즘은 상술한 머신 러닝 모델을 포함할 수 있다. 이러한 예측 알고리즘은 제 1 사용자 상품 구매 정보 및 제 1 사용자 사후 관리 정보를 이용하여 생성 또는 학습될 수 있다. 예를 들어, 예측 알고리즘이 머신 러닝 모델인 경우에, 머신 러닝 모델은 제 1 사용자 상품 구매 정보를 입력으로 하여 제 1 사용자 사후 관리 정보를 출력으로 생성하는 모델일 수 있다.
상술한 바와 같이, 본 개시의 상품 추천 시기를 결정하기 위한 방법은 사용자가 상품을 구매한 이후의 사후 관리 정보를 이용하여 추천 상품을 추천할 시기를 결정할 수 있다. 사후 관리 정보는 사용자의 성향 및 상품의 성격을 나타낼 수 있는 유용한 정보일 수 있다. 특히, 사후 관리 정보는 사용자가 구매한 상품에 대한 만족도, 상품의 수명, 상품 교체의사, 다른 상품의 구매의사 등을 나타낼 수 있는 다양한 정보를 포함할 수 있다. 본 개시의 상품 추천 시기를 결정하기 위한 방법은 사후 관리 정보를 이용하여 결정된 추천 시기 및 추천 빈도에 상품 추천을 제공할 수 있으므로, 높은 정확성과 고객 만족도를 제공할 수 있다.
도 4는 본 개시의 일 실시예에 따라 머신 러닝 모델에 대한 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신 러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 상품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 상품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (11)

  1. 서버에 의해 수행되는 상품 추천 시기를 결정하기 위한 방법에 있어서,
    사용자에 대한 추천 상품군을 결정하는 단계;
    상기 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하는 단계; 및
    상기 제 1 사후 관리 정보가 존재하는 경우, 상기 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 제 1 사후 관리 정보는 상기 사용자에 의해 결정되는 제 1 사후 관리 서브 정보 및 상기 기등록 상품에 의해 결정되는 제 2 사후 관리 서브 정보를 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 상품 추천 시기 결정 인자는 사용자 유사 정보 또는 상품 유사 정보 중 적어도 하나를 더 포함하는,
    방법.
  4. 제 1 항에 있어서,
    상기 상품 추천 시기 결정 알고리즘은 협업 필터링 알고리즘 또는 머신 러닝 모델 중 적어도 하나를 포함하는,
    방법.
  5. 제 1 항에 있어서,
    상기 제 1 사후 관리 정보가 존재하지 않는 경우, 상기 추천 상품군에 대응하는 제 1 상품군의 제 2 사후 관리 정보가 존재하는지 여부를 결정하는 단계; 및
    상기 제 2 사후 관리 정보가 존재하는 경우, 상기 제 2 사후 관리 정보에 기초하여 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 2 추천 시기 또는 제 2 추천 빈도 중 적어도 하나를 결정하는 단계;
    를 더 포함하는
    방법.
  6. 제 5 항에 있어서,
    상기 제 1 사후 관리 정보가 존재하지 않는 경우, 상기 추천 상품군에 대응하는 제 1 상품군의 제 2 사후 관리 정보가 존재하는지 여부를 결정하는 단계는:
    사전 결정된 복수의 지수에 대한 상기 추천 상품군의 상품 스코어링값을 계산하는 단계;
    유사 상품 후보군 중에서 상기 추천 상품군의 상기 상품 스코어링값에 대응하는 적어도 하나의 상품을 포함하는 제 1 상품군을 결정하는 단계; 및
    상기 제 1 상품군에 포함된 상품 중 제 2 사후 관리 정보를 가지는 상품이 존재하는지 여부를 결정하는 단계;
    를 포함하는,
    방법.
  7. 제 6 항에 있어서,
    상기 사전 결정된 복수의 지수는 디지털 지수, 생활 지수, 웰빙 지수, 주변환경 지수 및 건강 지수 중 적어도 하나를 포함하는,
    방법.
  8. 제 4 항에 있어서,
    상기 머신 러닝 모델은:
    시계열 데이터 증강 방법이 적용된 사후 관리 정보를 이용하여 적어도 부분적으로 생성된 데이터셋에 의해 학습되는,
    방법.
  9. 제 4 항에 있어서,
    상기 머신 러닝 모델은,
    제 1 트레이닝셋 및 제 2 트레이닝셋을 포함하는 데이터셋에 의해 학습되며,
    상기 제 1 트레이닝셋은:
    제 1 사용자의 제 1 사용자 상품 구매 정보 및 상기 제 1 사용자 상품 구매 정보에 대응하는 제 1 사용자 사후 관리 정보를 포함하고,
    상기 제 2 트레이닝셋은:
    제 2 사용자의 제 2 사용자 상품 구매 정보 및 제 2 사용자 사후 관리 정보를 포함하고,
    상기 제 2 사용자 사후 관리 정보는:
    상기 제 2 사용자 상품 구매 정보에 따라 예측 알고리즘에 의해 결정되는 가상 정보를 포함함 - 상기 예측 알고리즘은 상기 제 1 사용자 상품 구매 정보 및 제 1 사용자 사후 관리 정보에 기초하여 생성됨 -,
    방법.
  10. 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 객체 중심 데이터 증강을 수행하기 위한 방법을 수행하도록 하는 명령을 포함하며, 상기 명령은:
    사용자에 대한 추천 상품군을 결정하는 단계;
    상기 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하는 단계;
    상기 제 1 사후 관리 정보가 존재하는 경우, 상기 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  11. 상품 추천을 위한 방법을 수행하는 서버에 있어서, 상기 서버는: 메모리; 및 프로세서; 를 포함하고, 상기 프로세서는:
    사용자에 대한 추천 상품군을 결정하고;
    상기 추천 상품군에 대응하는 기등록 상품이 존재하는 경우, 상기 기등록 상품의 제 1 사후 관리 정보가 존재하는지 여부를 결정하고; 그리고
    상기 제 1 사후 관리 정보가 존재하는 경우, 상기 제 1 사후 관리 정보를 포함하는 상품 추천 시기 결정 인자에 기초하여 상품 추천 시기 결정 알고리즘에 의해 상기 추천 상품군 중 적어도 하나의 상품에 대한 제 1 추천 시기 또는 제 1 추천 빈도 중 적어도 하나를 결정하는;
    서버.
KR1020200139979A 2020-10-27 2020-10-27 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버 KR102597550B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200139979A KR102597550B1 (ko) 2020-10-27 2020-10-27 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200139979A KR102597550B1 (ko) 2020-10-27 2020-10-27 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버

Publications (2)

Publication Number Publication Date
KR20220055658A true KR20220055658A (ko) 2022-05-04
KR102597550B1 KR102597550B1 (ko) 2023-11-01

Family

ID=81584321

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200139979A KR102597550B1 (ko) 2020-10-27 2020-10-27 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버

Country Status (1)

Country Link
KR (1) KR102597550B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009276377A (ja) * 2008-05-12 2009-11-26 Nippon Telegr & Teleph Corp <Ntt> 広告提供方法、広告提供装置及び広告提供プログラム
JP2014056416A (ja) * 2012-09-12 2014-03-27 Sharp Corp 携帯端末および情報提供システム
KR20170018522A (ko) * 2015-08-10 2017-02-20 숭실대학교산학협력단 제품 유형 분류 장치 및 방법
KR20200113538A (ko) * 2019-03-25 2020-10-07 강태기 재구매 유도 상품 추천 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009276377A (ja) * 2008-05-12 2009-11-26 Nippon Telegr & Teleph Corp <Ntt> 広告提供方法、広告提供装置及び広告提供プログラム
JP2014056416A (ja) * 2012-09-12 2014-03-27 Sharp Corp 携帯端末および情報提供システム
KR20170018522A (ko) * 2015-08-10 2017-02-20 숭실대학교산학협력단 제품 유형 분류 장치 및 방법
KR20200113538A (ko) * 2019-03-25 2020-10-07 강태기 재구매 유도 상품 추천 장치 및 방법

Also Published As

Publication number Publication date
KR102597550B1 (ko) 2023-11-01

Similar Documents

Publication Publication Date Title
KR102295805B1 (ko) 학습 데이터 관리 방법
KR102430483B1 (ko) 반도체 소자의 배치를 평가하는 방법
KR20210080756A (ko) 인공지능 모델의 분산 학습 기법
KR102653642B1 (ko) 상품 추천을 위한 방법, 컴퓨터 프로그램 및 서버
KR102549702B1 (ko) 신경망을 학습시키는 방법
Xu et al. Multi-task learning with task relations
KR102597550B1 (ko) 상품 추천 시기를 결정하기 위한 방법, 컴퓨터 프로그램 및 서버
KR102647608B1 (ko) 신경망 모델의 다양성을 위한 학습 방법
KR102292703B1 (ko) 피처 셋 정보에 기초한 전이 학습 방법
KR20210138893A (ko) 아이템 추천 방법
KR20230062130A (ko) 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼
KR102666172B1 (ko) 리뷰 평점을 조절하는 방법
KR20210050414A (ko) 신경망을 학습시키는 방법
KR102440629B1 (ko) 반도체 설계를 위한 신경망 모델 학습 방법
KR102550107B1 (ko) 클라우드 플랫폼에서 인공지능 모델을 활용한 감성 품질 검사 방법
KR102671142B1 (ko) 전세시장 이원화에 따른 실거래가를 예측하기 위한 방법
KR102552230B1 (ko) 클라우드 플랫폼에서 인공지능 모델을 활용한 데이터 라벨링 방법
KR20210158640A (ko) 맞춤형 관광 정보 및 예약 서비스를 제공하기 위한 서버, 방법 및 판독 가능 저장매체에 저장된 컴퓨터 프로그램
KR20240000080A (ko) 인공지능 기반의 객체 매칭 방법
KR102508654B1 (ko) 이미지 기반 테이블 경계선 생성 방법
US20230252270A1 (en) Method Of Data Selection And Anomaly Detection Based On Auto-Encoder Model
KR102517968B1 (ko) 신경망 모델을 이용한 이미지 특징 추출 방법
KR102437285B1 (ko) 모호한 라벨을 이용한 객체 예측 모델 학습 방법
KR102616968B1 (ko) 이상 탐지 모델의 추가 학습 여부 및 학습 데이터 적절성 판단 방법
KR20220000145A (ko) 서비스 요청 분류 및 응답 서버, 방법 및 판독 가능 저장매체에 저장된 컴퓨터 프로그램

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant