KR20220087390A - 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법 - Google Patents

구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법 Download PDF

Info

Publication number
KR20220087390A
KR20220087390A KR1020210180916A KR20210180916A KR20220087390A KR 20220087390 A KR20220087390 A KR 20220087390A KR 1020210180916 A KR1020210180916 A KR 1020210180916A KR 20210180916 A KR20210180916 A KR 20210180916A KR 20220087390 A KR20220087390 A KR 20220087390A
Authority
KR
South Korea
Prior art keywords
purchase
information
product
user
customer
Prior art date
Application number
KR1020210180916A
Other languages
English (en)
Inventor
박경양
박종일
이경전
황보유정
정백
Original Assignee
주식회사 하렉스인포텍
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 하렉스인포텍 filed Critical 주식회사 하렉스인포텍
Priority to EP21907179.2A priority Critical patent/EP4262223A4/en
Priority to JP2023537457A priority patent/JP2023554664A/ja
Priority to MX2023007307A priority patent/MX2023007307A/es
Priority to US18/268,080 priority patent/US20240062270A1/en
Priority to PCT/KR2021/019344 priority patent/WO2022131875A1/ko
Priority to CN202180093728.1A priority patent/CN116888967A/zh
Publication of KR20220087390A publication Critical patent/KR20220087390A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 구매 품목 정보를 이용하여 상품 추천 서비스를 제공하는 서버 및 그 방법에 관한 것이다.
본 발명에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버는 사용자 별 구매정보를 수집하는 입력부와, 사용자 별 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 생성하는 프로그램이 저장된 메모리 및 프로그램을 실행시키는 프로세서를 포함하고, 프로세서는 타겟 고객과 구매 성향이 유사한 다른 고객을 조회하고, 다른 고객의 구매 품목을 고려하여 타겟 고객에게 추천할 추천 상품 정보를 생성하는 것을 특징으로 한다.

Description

구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법{SERVER AND METHOD FOR PROVIDING PRODUCT RECOMMENDATION SERVICE USING PURCHASED PRODUCT INFORMATION}
본 발명은 구매 품목 정보를 이용하여 상품 추천 서비스를 제공하는 서버 및 그 방법에 관한 것이다.
종래 기술에 따른 인공지능 시스템의 성능 확보를 위해서는 많은 데이터를 이용한 학습 과정이 필수적으로 요청된다.
예컨대 인공지능 시스템을 이용하여 고객에게 상품 추천 서비스를 제공함에 있어서, 고객의 인적 정보(성별, 연령, 직업 등)를 활용하여 상품을 추천하는 경우, 고객의 사용자 정보를 획득하는 과정에서 개인 프라이버시가 보호되지 못하는 문제점이 있다.
또한, 결제 서비스 사업자가 고객의 결제 히스토리에 기반하여 상품을 추천하고자 하는 경우, 각 머천트마다 상이한 제품 코드 정보를 정의하고 있는 바, 적절한 상품 추천을 위해서는 머천트들 간의 코드 정보를 통합하여야 하여 현실성이 떨어지는 문제점이 있고, 나아가 글로벌 시장에서 결제 서비스를 제공하는 경우, 각 나라마다 특이한 상품이 있는 환경 요소에 대응하여 적절한 추천 서비스를 제공하기 어려운 문제점이 있다.
본 발명은 전술한 문제점을 해결하기 위해 제안된 것으로, 고객의 인적 정보를 활용하지 않고, 타겟 고객과 구매 유사도가 높은 다른 고객의 구매 정보를 이용하여, 타겟 고객에게 적절한 상품 추천 서비스를 제공하는 것이 가능한 서버 및 방법을 제공하는데 그 목적이 있다.
본 발명에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버는 사용자 별 구매정보를 수집하는 입력부와, 사용자 별 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 생성하는 프로그램이 저장된 메모리 및 프로그램을 실행시키는 프로세서를 포함하고, 프로세서는 타겟 고객과 구매 성향이 유사한 다른 고객을 조회하고, 다른 고객의 구매 품목을 고려하여 타겟 고객에게 추천할 추천 상품 정보를 생성하는 것을 특징으로 한다.
사용자 별 구매정보는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함한다.
프로세서는 복수의 머천트에서의 구매 정보에 대해 외삽 협업 필터링 알고리즘을 이용하여, 구매 성향이 유사한 다른 고객을 조회한다.
프로세서는 사용자 별 구매정보에 대해 매트릭스를 구축하고, 타겟 고객을 기준으로 코사인 유사도를 통해 다른 고객을 조회하고, 다른 고객이 구매한 상품을 추천한다.
프로세서는 벡터 기반 외삽 협업 필터링을 이용하여 유사도를 검출하여, 추천 상품 정보를 생성한다.
프로세서는 사용자 별 구매정보를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 구매 성향이 유사한 다른 고객을 조회한다.
본 발명에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법은 (a) 복수의 머천트에서 구매 완료된 바에 따른 구매 데이터를 수집하는 단계와, (b) 구매 데이터를 이용하여 타겟 고객과 구매 성향에 대한 유사도가 높은 다른 고객을 탐색하는 단계 및 (c) 다른 고객의 구매 품목 정보를 이용하여, 타겟 고객에게 상품을 추천하는 단계를 포함한다.
(a) 단계는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함하는 구매 데이터를 수집한다.
(b) 단계는 외삽 협업 필터링 알고리즘을 이용하여 다른 고객을 탐색한다.
(b) 단계는 사용자 별 구매정보에 대해 매트릭스를 구축하고, 타겟 고객을 기준으로 구매 성향에 대한 유사도가 높은 다른 고객을 탐색한다.
(b) 단계는 벡터 기반 외삽 협업 필터링 알고리즘을 이용하여 다른 고객을 탐색한다.
(b) 단계는 구매 데이터를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 다른 고객을 탐색한다.
본 발명에 따르면, 고객의 인적 정보를 활용하지 않고, 기존 고객들 중 타겟 고객과 유사한 고객을 탐색하여, 타겟 고객에게 적절한 상품 추천 서비스를 제공하는 것이 가능한 효과가 있다.
본 발명에 따르면, 고객에 대한 최소한의 정보만을 수집하며 서비스를 제공함으로써, 개인 사용자의 프라이버시를 보호하고, 사용자(기업 사용자)의 데이터를 상호 공유하거나 통합하지 않으면서도, 사업자들 간에 안전하고 공평하게 협력을 하는 과정에서, 사용자에게 적절하고 새로움을 주며, 혜택을 주는 것이 가능한 효과가 있다.
본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 종래 기술에 따른 결제 모델 및 사용자 중심 결제 모델을 도시한다.
도 2는 종래 기술에 따른 인공지능 모델과 본 발명의 실시예에 따른 인공지능 모델을 도시한다.
도 3은 본 발명의 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버를 도시한다.
도 4는 종래 기술에 따른 싱글 머천트(single merchant) 및 사용자들을 도시한다.
도 5는 본 발명의 실시예에 따른 멀티 머천트(multi merchant) 및 사용자들을 도시한다.
도 6은 본 발명의 실시예에 따른 사용자 중심 인공지능 구조를 도시한다.
도 7은 본 발명의 실시예에 따른 사용자 중심 인공지능 구조에 기반한 상품 추천 서비스 시나리오를 도시한다.
도 8은 본 발명의 실시예에 따른 결제 데이터를 활용한 추천 서비스 제공을 도시한다.
도 9 및 도 10은 본 발명의 실시예에 따른 추천 알고리즘의 성능 비교 결과를 도시한다.
도 11은 본 발명의 실시예에 따른 매트릭스 기반 ECF(M-ECF)의 성능 결과를 도시한다.
도 12는 본 발명의 실시예에 따른 벡터 기반 ECF(V-ECF)의 성능 결과를 도시한다.
도 13은 본 발명의 실시예에 따른 전처리 완료 데이터를 도시한다.
도 14는 본 발명의 실시예에 따른 프로덕트 투 벡터(Product2vec) 및 사용자 성향 벡터 생성을 도시한다.
도 15는 본 발명의 실시예에 따른 상품 추천 결과를 도시한다.
도 16은 본 발명의 실시예에 따른 추천 평가 시나리오를 도시한다.
도 17은 본 발명의 실시예에 따른 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법을 도시한다.
본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다.
한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.
이하에서는, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 서술하고, 본 발명의 실시예에 대하여 서술하기로 한다.
인공지능 시스템이 좋은 성능을 보이기 위해서는 많은 데이터를 통한 학습이 필수적으로 요구된다.
인공지능 서비스를 제공하는 많은 기업들은 다량의 데이터를 수집하기 위해 음성 데이터, 텍스트 데이터 등 개인의 중요한 개인 정보를 클라우드 서버로 전송하고, 이렇게 전송된 데이터는 인공지능 모델 성능을 개선시키는 데에 사용된다.
국내 기업에서 개발된 AI 스피커 서비스의 경우 AI 서비스의 성능 개선을 목적으로 사용자들의 대화를 녹음하여 텍스트로 바꾸는 작업을 진행하고 있다.
이는 음성 인식률을 높이기 위해 사용자의 음성 데이터를 활용한 것인데, 녹음 내용을 텍스트로 변환하는 작업을 자회사에 맡김에 따라, 제3사의 직원이 사용자의 음성 데이터를 청취함으로써, 개인 프라이버시에 심각한 위협을 준 문제점이 있고, 이와 유사하게 인공지능 비서 서비스 역시 개인정보 침해 우려가 있다.
사용자 데이터의 획득과 개인 프라이버시 보호간의 트레이드 오프 관계를 해결하기 위한 다양한 연구가 진행되고 있는데, 본 발명의 실시예에 따르면 개인 사용자의 프라이버시를 지키는 동시에, 기업(조직) 사용자의 정보 보호를 최대화하는 협업을 가능하게 하면서도 의도한 성과를 달성할 수 있는 인공지능 서비스를 사용자 중심(User-Centric) 인공지능 서비스로 정의한다.
본 발명의 실시예에 따른 사용자 중심 인공지능 서비스의 구체적 예로서, 고객의 인적 정보를 활용하지 않고, 타겟 고객과 구매 유사도가 높은 다른 고객의 구매 정보를 이용하여, 타겟 고객에게 적절한 상품 추천 서비스를 제공하는 것이 가능한 서버 및 방법을 제안한다.
본 발명의 실시예에 따르면, 사용자의 인적 정보를 활용하지 않고, 구매 정보만을 활용하며, 단일 상점 관점에서는 부족한 데이터 상황을 보완하기 위하여, 여타 상점의 구매 정보를 반영하여 추천하는 외삽 협업필터링 (Extrapolative Collaborative Filtering; ECF)을 이용하여 상품 추천 서비스를 제공한다.
이하에서 상술하는 검증 결과에 따르면, 인적 정보를 사용하지 않고 오로지 결제 서비스의 수행을 위해 유지하는 구매정보만을 이용하여, 개인의 프라이버시와 관련된 정보 및 각 상점의 정보를 노출하지 않으면서, 적절한 상품 추천이 가능함을 확인하였다.
또한, 본 발명의 실시예에 따른 결제 서비스 사업자의 데이터로 검증을 수행한 결과, 상품명을 카테고리화 하지 않고, 자연어 그대로 구매정보를 활용한 경우에도 적절한 추천이 가능함을 확인하였다.
도 1은 종래 기술에 따른 결제 모델 및 사용자 중심 결제 모델을 도시한다.
본 발명의 실시예에 따른 결제 서비스 사업자 서버는 사용자 중심의 결제 공유 플랫폼 기반 서비스를 제공하며, 지불하는 개인의 금융정보가 가맹점에 전달되지 않는 것이 주요 특징이다.
즉, 종래와 같이 사용자의 금융 정보가 가맹점에 전달되어서 가맹점의 시스템에서 금융기관으로 연결되는 구조가 아니라, 가맹점의 아이디가 사용자 시스템에 전달되어, 사용자의 시스템(예: 스마트폰)에서 결제서비스가 처리되므로, 결제하는 사용자와 금융기관 간 중간자의 개입 없이 결제가 이루어질 수 있게 되어, 사용자의 개인 정보가 불필요하게 사업자들에게 전달되지 않고, 오히려 사용자의 시스템에 사업자의 정보가 축적되어, 사용자 중심의 서비스가 가능한 기반이 만들어진다.
이러한 사용자 중심 결제 서비스는 중간자의 개입이 없어 사업자 입장에서는 VAN사 수수료 및 PG사 수수료를 줄여줄 뿐만 아니라, 고객은 개인정보의 유출 위험을 줄이는 것이 가능하다.
또한, 사업자 입장에서는 수수료의 부담을 줄일 수 있고, 고객 입장에서는 결제, 멤버십 등을 한번에 처리할 수 있는 복합 결제가 가능함에 따라 편의성이 증대된다.
도 2는 종래 기술에 따른 인공지능 모델과 본 발명의 실시예에 따른 인공지능 모델을 도시한다.
본 발명의 실시예에 따른 결제 서비스 사업자는 전술한 사용자 중심 결제에서 확장하여, 사용자 중심의 인공지능 구조를 제안한다.
본 발명의 실시예에 따르면, 사용자의 정보를 기업들이 최소한으로 축적하게 하고(인적 정보를 축적하지 않고, 상품 추천 서비스 제공을 위해 상품 구매 내역 정보만을 축적하여, 개인 프라이버시 침해 소지를 없앰), 기업 각각이 자신들의 고객 정보를 다른 기업과 직접 공유하지 않고도 성과가 높은 인공지능 기반 서비스를 제공할 수 있도록 지원한다.
즉, 도 2에 도시한 바와 같이, 종래 기술에 따른 인공지능 모델 구조는 기업에게 사용자의 전체 데이터를 전달하고, 기업은 전체 데이터를 통해 알고리즘을 고도화하여 서비스를 제공하는 반면, 본 발명의 실시예에 따른 사용자 중심 인공지능 모델 구조는 최소한의 데이터만을 활용하여 사용자에게 적절한 서비스(예컨대, 상품 추천 서비스)를 제공하는 것이 가능하다.
다시 말하면, 본 발명의 실시예에 따르면, 최소한의 정보만 가지고도 개인 사용자의 프라이버시를 보호하고(Privacy Preserving), 사업자(기업 사용자)의 데이터를 안전하게 상호 활용하면서도(Secure Collaboration), 적절하고 새로움을 주면서, 혜택을 주는(Relevant, Novel, & Beneficial) 서비스를 제공하는 것이 가능하다.
사업자(기업 사용자) 입장에서는 기업 간 데이터를 직접 공유하지 않고 개별 사용자들에게 서비스를 제공할 수 있고, 일반 사용자는 서비스를 제공받는데 프라이버시를 지키면서 개인들에게 적절한(Relevant)한 서비스를 제공받을 수 있다.
도 3은 본 발명의 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버를 도시한다.
본 발명의 실시예에 따르면, 예컨대 고객 A가 쇼핑몰에서 구매를 하고자 하는 경우, 쇼핑몰은 고객 A에게 새로운 물건을 추천하는 과정에 있어서, 고객 A의 인적정보(성별, 연령, 직업 등)를 활용하지 않고, 오직 구매정보만을 활용하여 고객 A과 유사한 고객을 탐색한다.
이 때, 고객 A가 구매한 상품과 횟수, 구매일자와 장소 등을 통합적으로 고려하여 구매패턴이 유사한 고객 B를 조회하고, 고객 B가 구매했던 상품 중 고객 A가 구매하지 않았던 상품을 추천한다.
본 발명의 실시예에 따르면, 외삽 협업 필터링(Extrapolative Collaborative Filtering: ECF)을 통해, 사용자(일반 사용자)의 인적 정보를 활용하지 않고, 구매 정보만을 활용하여 추천 서비스를 제공한다.
본 발명의 실시예에 따르면, 현재 타겟 고객이 위치한 장소 정보와 시간 정보를 이용하여, 상품 추천 정보를 제공한다.
예컨대, 타겟 고객이 처음 가보는 A사 커피 전문점의 경우, 타겟 고객이 기존에 이용한 다른 커피 전문점(B사, C사 등)에서의 구매정보 및 다른 커피 전문점에서의 다른 고객의 구매정보를 이용하여, 타겟 고객의 성향과 유사한 다른 고객의 구매 히스토리를 고려함으로써, 타겟 고객에게 A사 커피 전문점 중 만족도가 높을 것으로 예상되는 상품을 추천한다.
또한, 유사도 산출에 있어서, 타겟 고객의 구매 시간 정보를 고려하여, 타겟 고객만을 위한 성향 파악을 수행하는 것이 가능하다.
예컨대, 타겟 고객은 주중에는 회사에 출퇴근하며 커피 전문점에서 주로 아이스아메리카노 1잔을 구매한 이력이 있고, 주말에는 배우자와 함께 커피 전문점에서 주로 아이스아메리카노 1잔과 아이스 녹차라떼 1잔을 구매한 이력이 있다고 가정한다.
그렇다면, 아이스아메리카노는 타겟 고객이 주로 섭취하는 음료이고, 아이스 녹차라떼는 타겟 고객이 아닌 동행하는 일행(예: 배우자, 친구 등)이 주로 섭취하는 음료인 것으로 추정된다.
따라서, 타겟 고객이 현재 주문하고자 하는 시간 정보(날짜 포함)를 고려하였을 때, 주중인 경우, 전술한 경우의 따르면 A사 커피 전문점에서 커피류(예: 아이스아메리카노)를 추천 상품으로 제안하고, 주말인 경우, A사 커피 전문점에서 타겟 고객을 위한 추천 상품(커피류, 아이스아메리카노) 및 동행자 고객을 위한 추천 상품(커피가 아닌 종류, 녹차 라떼, 고구마 라떼 등)을 제안하는 것이 가능하다.
즉, 구매정보에는 타겟 고객의 성향이 포함되어 있다고 볼 수 있으나, 구매 품목 모두가 타겟 고객이 사용하는 것이 아닐 수 있으므로, 구매 히스토리를 이용하여 유사한 고객을 조회하고, 추천 상품을 제안하는 과정에 있어서, 날짜, 시간, 장소를 종합적으로 고려하여, 타겟 고객만을 위한 추천 상품뿐 아니라 타겟 고객과 동행하는 일행을 위한 추천 상품을 구별하여 제안할 수 있는 것이다.
본 발명의 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버는 사용자 별 구매정보를 수집하는 입력부(110)와, 사용자 별 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 생성하는 프로그램이 저장된 메모리(120) 및 프로그램을 실행시키는 프로세서(130)를 포함하고, 프로세서(130)는 타겟 고객과 구매 성향이 유사한 다른 고객을 조회하고, 다른 고객의 구매 품목을 고려하여 타겟 고객에게 추천할 추천 상품 정보를 생성하는 것을 특징으로 한다.
사용자 별 구매정보는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함한다.
프로세서(130)는 복수의 머천트에서의 구매 정보에 대해 외삽 협업 필터링 알고리즘을 이용하여, 구매 성향이 유사한 다른 고객을 조회한다.
프로세서(130)는 사용자 별 구매정보에 대해 매트릭스를 구축하고, 타겟 고객을 기준으로 코사인 유사도를 통해 다른 고객을 조회하고, 다른 고객이 구매한 상품을 추천한다.
프로세서(130)는 벡터 기반 외삽 협업 필터링을 이용하여 유사도를 검출하여, 추천 상품 정보를 생성한다.
프로세서(130)는 사용자 별 구매정보를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 구매 성향이 유사한 다른 고객을 조회한다.
도 4는 종래 기술에 따른 싱글 머천트(single merchant) 및 사용자들을 도시하고, 도 5는 본 발명의 실시예에 따른 멀티 머천트(multi merchant) 및 사용자들을 도시한다.
도 4를 참조하면, 싱글 머천트 관점에서는 당사의 구매정보만을 가지고 추천 서비스를 제공하여, 당사에 처음 방문한 사용자의 경우 적절한 추천 서비스 제공이 어려우며, 추천 서비스 제공을 위해서는 사용자의 인적 정보를 활용하여 유사한 사용자를 검색하고, 검색된 사용자의 구매 히스토리를 이용하여 추천 서비스를 제공하여야 한다.
반면, 도 5의 멀티 머천트 관점에서는 당사에 처음 방문한 사용자라고 하더라도, 여타 상점의 구매 정보를 반영하여, 인적 정보를 활용하지 않고도 타 상점에서 유사한 사용자를 탐색하여 추천 서비스를 제공하는 것이 가능하다.
도 6은 본 발명의 실시예에 따른 사용자 중심 인공지능 구조를 도시한다.
전술한 바와 같이, 비즈니스 데이터, 즉 사업자(기업 사용자)의 데이터는 안전하게 상호 활용되고, 개인 사용자의 인적 정보를 활용하지 않고 구매정보만을 활용함으로써 프라이버시를 보호하며, 적절하고 새로움을 주면서, 혜택을 주는(Relevant, Novel, & Beneficial) 서비스 제공이 가능하다.
도 7은 본 발명의 실시예에 따른 사용자 중심 인공지능 구조에 기반한 상품 추천 서비스 시나리오를 도시한다.
본 발명의 실시예에 따르면, 예컨대 고객 갑이 쇼핑몰에서 구매를 하고자 하는 경우, 쇼핑몰은 고객 갑에게 새로운 물건을 추천하는 과정에 있어서, 고객 갑의 인적정보(성별, 연령, 직업 등)를 활용하지 않고, 오직 구매정보만을 활용하여 고객 갑과 유사한 고객을 탐색한다.
이 때, 고객 갑이 구매한 상품과 횟수, 구매일자와 장소 등을 통합적으로 고려하여 구매패턴이 유사한 고객 '을'을 조회하고, 고객 을이 구매했던 상품 중 고객 A가 구매하지 않았던 상품을 추천한다.
도 8은 본 발명의 실시예에 따른 결제 데이터(구매정보)를 활용한 추천 서비스 제공을 도시한다.
본 발명의 실시예에 따르면, 사용자(일반 사용자)의 프라이버시 보호를 위해, 개인 인적 정보(성별, 나이 등)를 활용하지 않고, 최소한의 정보로서 구매정보만을 활용한다.
구매정보에는 구매상품, 구매처, 구매시간 및 구매장소 정보가 포함되며, 구매정보를 매트릭스(matrix)로 구축하여 유사 사용자를 탐색하고, 유사 사용자가 구매한 상품을 활용하여 추천 리스트를 생성한다(이 때, 추천 리스트는 top 5, top 10, top 20 상품이 포함될 수 있음).
본 발명의 실시예에 따르면, 단일 상점에서 부족한 데이터 상황을 보완하기 위해, 여타 상점의 구매정보를 활용하여 추천하는 방식을 제안하며, 새로운 사용자 문제(cold-star) 등 싱글 머천트의 제한점을 해결하며 다양한 머천트 군을 이용하는 사용자(일반 사용자)의 머천트 선호도 패턴 분석이 가능하도록, 외삽 협업 필터링(Extrapolative Collaborative Filtering: ECF)을 통해 구매정보를 활용한다.
도 9 및 도 10은 본 발명의 실시예에 따른 추천 알고리즘의 성능 비교 결과를 도시하고, 도 11은 본 발명의 실시예에 따른 매트릭스 기반 ECF(M-ECF)의 성능 결과를 도시한다.
멀티 머천트 관점에서 다양한 상점에서의 구매정보를 파악하는 것이 가능한 결제 데이터를 실험 데이터로 활용하여, 전술한 외삽 협업 필터링 알고리즘의 성능을 검증하였다.
공개된 Raw-Data에서 알고리즘 개발을 위해 다양한 머천트 구매 이력이 존재하는 사용자를 추출하였고, 구매, 교환 및 환불을 위한 필수 정보인 사용자 별 구매정보(구매 물품, 구매 상점, 구매 시간 및 장소)를 활용하여 데이터셋을 구축하고, 그 외의 개인정보를 사용하지 않는다.
외삽 협업 필터링 알고리즘의 성능 검증을 위해, 각 머천트가 취급하는 상품에 대해 표준화된 카테고리가 존재하는 것으로 가정하고, 표준화된 코드를 기반으로 구현된 M-ECF(Matrix ECF)로 추천 성능을 평가하였다.
도 11을 참조하면, 사용자 구매정보 데이터셋을 표준화된 상품 카테고리가 하나의 열(Column)이 되는 매트릭스로 구축한 다음, 사용자를 기준으로 코사인 유사도(Cosine Similarity)를 통해 다른 사용자와의 유사도를 도출하여 유사 사용자를 탐색하고, 유사 사용자가 구매한 상품을 추천한다.
추천된 상품에 대한 예측 정확도를 평가하는 방식은 각 사용자가 구매한 상품 리스트에서 사전에 마지막 상품을 라벨값으로 분리하고, 최종적으로 추천된 상품과 비교하여 예측 정확도를 평가하며, 예측 정확도(Accuracy)를 계산하는 방법은 [수학식 1]과 같다.
[수학식 1]
Figure pat00001
공개된 결제 데이터를 통해 개발된 외삽 협업 필터링 알고리즘을 실제 결제 내역 데이터에 적용하여, 외삽 협업 필터링 알고리즘이 적절한 추천 결과를 갖는지 실증적으로 검증하였다.
도 9 및 도 10은 매트릭스 기반 외삽 협업 필터링 알고리즘을 싱글 머천트 관점과 멀티 머천트 관점에서 비교 평가한 결과를 도시하며, 싱글 머천트 관점에서는 각 머천트 A, B, C, D의 당사 사용자 구매정보만을 활용하여 추천하였고, 멀티 머천트 관점에서는 Merchant A, B, C, D에 모든 사용자 구매정보를 통해 추천을 실시하였다.
그 결과, 상품 종류가 많고 구매 데이터가 많은 머천트 A와 B에는 큰 차이를 보이지 않은 반면, 구매 데이터가 적은 머천트 C와 D에서는 외삽 협업 필터링 알고리즘이 싱글 머천트에 비해 높은 예측 정확도를 보이는 것을 확인할 수 있다.
즉, 구매정보가 많은 대기업은 당사의 데이터만으로도 충분한 추천 성과를 보이지만, 소규모의 중소기업은 추천을 하기에 데이터가 부족하여 여타 상점의 구매정보를 활용한 결과 외삽 협업 필터링 알고리즘이 효과를 보인 것으로 확인되었다.
도 12는 본 발명의 실시예에 따른 벡터 기반 ECF(V-ECF)의 성능 결과를 도시하고, 도 13은 본 발명의 실시예에 따른 전처리 완료 데이터를 도시한하고, 도 14는 본 발명의 실시예에 따른 프로덕트 투 벡터(Product2vec) 및 사용자 성향 벡터 생성을 도시한다.
도 13을 참조하면, 상품명에서 비어있는(NULL) 값을 제외하고(상품명 1, 상품명 2, 상품명 3 모두 고려), 단 1번만 구매된 상품의 경우 모델의 학습이 제대로 이루어지지 않으므로 제외시킨다.
추천 결과 확인을 위해, 마지막 상품은 성능평가를 위한 라벨 값 이므로 최소 구매 횟수가 2회 이상이어야 한다.
각 사용자 별로 상품 리스트(사용자 구매 상품 식별키 묶음)를 생성한다.
도 12를 참조하면, 자연어 그대로를 활용하여 처리 할 수 있도록 벡터 Vector 기반의 V-ECF(벡터 기반 외삽 협업 필터링)를 이용한다.
본 발명의 실시예에 따르면, 워드 투 벡터(Word2vec) 모델을 활용하여 Skip-gram 기법을 통해 사용자가 구매한 상품을 단어로 두고, 구매한 상품 리스트를 문장으로 학습한다.
즉, 실제 구매 상품 내역을 벡터화한 것으로, 이를 Product2Vec(Purchased Product to Vec)이라 정의한다.
이러한 방식으로 생성된 프로덕트 투 벡터에 사용자가 구매한 각 제품 벡터를 곱하여, 사용자 구매 성향 벡터를 생성하고, 유사도 계산을 통해 유사 사용자를 탐색한다.
본 발명의 실시예에 따르면, 사용자의 상품 구매정보를 카테고리화 하지 않고, 자연어 그대로의 추천 알고리즘을 이용함으로써, 새롭게 나타나는 상품에 대한 별도의 분류 과정 없이, 곧바로 추천 알고리즘에 반영하는 것이 가능하다.
또한, 멀티 머천트 관점에서 머천트 별로 일치하지 않는 상품명에 대해 카테고리화 하는 과정이 불필요하며, 나아가 다른 언어로 사용되는 글로벌 머천트의 상품 역시 자동으로 추천 알고리즘에 반영하는 것이 가능하다.
이하, [표 1]에서 매트릭스를 기반으로 한 외삽 협업 필터링과 벡터 기반 외삽 협업 필터링의 비교 결과를 확인하여 보면, 유사한 추천 예측 정확도가 확인된다.
[표 1]
Figure pat00002
벡터 기반 외삽 협업 필터링의 경우, 상품 구매정보를 가공하지 않고 자연어 그대로 처리하는 방식이므로, 사람의 판단과 개입 없이 추천 알고리즘에 반영하는 것이 가능하다.
또한, 전술한 바와 같이, 다양한 상품이 새롭게 나타나는 멀티 머천트의 경우, 여타 머천트 간의 상품 명이 일치하지 않게 되는데, 상품 정보에 대한 별도 처리가 필요한 매트릭스 기반 외삽 협업 필터링 대비, 벡터 기반 외삽 협업 필터링의 성능이 확보되는 것을 확인할 수 있다.
도 15는 본 발명의 실시예에 따른 상품 추천 결과를 도시한다.
P1을 유사한 사용자가 구매한 상품, P2를 타겟 고객(전술한 고객 갑, 고객 A)이 방금 구매한 상품과 유사도가 높은 상품, P0를 타겟 고객(전술한 고객 갑, 고객 A)가 과거에 구매한 상품으로 정의하면, P1과 P2의 합집합에서 P0를 차집합한 결과를 추천한다.
도 16는 본 발명의 실시예에 따른 추천 평가 시나리오를 도시한다.
구매 횟수는 사용자 별로 상이하게 되는데, 실제 사용자 구매 상품들 중 마지막 상품을 제거하여 테스트 사용자를 생성하고, 유사도 계산을 통해 새로운 사용자(타겟 사용자)와 가장 유사한 사용자를 검색한다.
타겟 사용자와 유사한 사용자의 공통 구매 상품을 제외하고, 유사한 사용자가 제일 많인 구매한 물품을 top 5, 10, 20개로 추천하며, 추천된 상품 중 타겟 사용자가 구매하는 경우, 적절한 추천인 것으로 판단한다.
도 17은 본 발명의 실시예에 따른 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법을 도시한다.
본 발명의 실시예에 따른 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법은 복수의 머천트에서 구매 완료된 바에 따른 구매 데이터를 수집하는 단계(S1710)와, 구매 데이터를 이용하여 타겟 고객과 구매 성향에 대한 유사도가 높은 다른 고객을 탐색하는 단계(S1720) 및 다른 고객의 구매 품목 정보를 이용하여, 타겟 고객에게 상품을 추천하는 단계(S1730)를 포함한다.
S1710 단계는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함하는 구매 데이터를 수집한다.
S1720 단계는 외삽 협업 필터링 알고리즘을 이용하여 다른 고객을 탐색한다.
S1720 단계는 사용자 별 구매정보에 대해 매트릭스를 구축하고, 타겟 고객을 기준으로 구매 성향에 대한 유사도가 높은 다른 고객을 탐색한다.
S1720 단계는 벡터 기반 외삽 협업 필터링 알고리즘을 이용하여 다른 고객을 탐색한다.
S1720 단계는 구매 데이터를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 다른 고객을 탐색한다.
한편, 본 발명의 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법은 컴퓨터 시스템에서 구현되거나, 또는 기록매체에 기록될 수 있다. 컴퓨터 시스템은 적어도 하나 이상의 프로세서와, 메모리와, 사용자 입력 장치와, 데이터 통신 버스와, 사용자 출력 장치와, 저장소를 포함할 수 있다. 전술한 각각의 구성 요소는 데이터 통신 버스를 통해 데이터 통신을 한다.
컴퓨터 시스템은 네트워크에 커플링된 네트워크 인터페이스를 더 포함할 수 있다. 프로세서는 중앙처리 장치(central processing unit (CPU))이거나, 혹은 메모리 및/또는 저장소에 저장된 명령어를 처리하는 반도체 장치일 수 있다.
메모리 및 저장소는 다양한 형태의 휘발성 혹은 비휘발성 저장매체를 포함할 수 있다. 예컨대, 메모리는 ROM 및 RAM을 포함할 수 있다.
따라서, 본 발명의 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법은 컴퓨터에서 실행 가능한 방법으로 구현될 수 있다. 본 발명의 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법이 컴퓨터 장치에서 수행될 때, 컴퓨터로 판독 가능한 명령어들이 본 발명에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법을 수행할 수 있다.
한편, 상술한 본 발명에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

Claims (12)

  1. 사용자 별 구매정보를 수집하는 입력부;
    상기 사용자 별 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 생성하는 프로그램이 저장된 메모리; 및
    상기 프로그램을 실행시키는 프로세서를 포함하고,
    상기 프로세서는 상기 타겟 고객과 구매 성향이 유사한 다른 고객을 조회하고, 상기 다른 고객의 구매 품목을 고려하여 상기 타겟 고객에게 추천할 상기 추천 상품 정보를 생성하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버.
  2. 제1항에 있어서,
    상기 사용자 별 구매정보는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버.
  3. 제1항에 있어서,
    상기 프로세서는 복수의 머천트에서의 상기 구매 정보에 대해 외삽 협업 필터링 알고리즘을 이용하여, 상기 구매 성향이 유사한 다른 고객을 조회하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버.
  4. 제3항에 있어서,
    상기 프로세서는 상기 사용자 별 구매정보에 대해 매트릭스를 구축하고, 상기 타겟 고객을 기준으로 코사인 유사도를 통해 상기 다른 고객을 조회하고, 상기 다른 고객이 구매한 상품을 추천하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버.
  5. 제3항에 있어서,
    상기 프로세서는 벡터 기반 외삽 협업 필터링을 이용하여 유사도를 검출하여, 상기 추천 상품 정보를 생성하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버.
  6. 제5항에 있어서,
    상기 프로세서는 상기 사용자 별 구매정보를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 상기 구매 성향이 유사한 다른 고객을 조회하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버.
  7. (a) 복수의 머천트에서 구매 완료된 바에 따른 구매 데이터를 수집하는 단계;
    (b) 상기 구매 데이터를 이용하여 타겟 고객과 구매 성향에 대한 유사도가 높은 다른 고객을 탐색하는 단계; 및
    (c) 상기 다른 고객의 구매 품목 정보를 이용하여, 상기 타겟 고객에게 상품을 추천하는 단계
    를 포함하는 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법.
  8. 제7항에 있어서,
    상기 (a) 단계는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함하는 상기 구매 데이터를 수집하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법.
  9. 제7항에 있어서,
    상기 (b) 단계는 외삽 협업 필터링 알고리즘을 이용하여 상기 다른 고객을 탐색하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법.
  10. 제9항에 있어서,
    상기 (b) 단계는 상기 사용자 별 구매정보에 대해 매트릭스를 구축하고, 상기 타겟 고객을 기준으로 상기 구매 성향에 대한 유사도가 높은 다른 고객을 탐색하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법.
  11. 제9항에 있어서,
    상기 (b) 단계는 벡터 기반 외삽 협업 필터링 알고리즘을 이용하여 상기 다른 고객을 탐색하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법.
  12. 제11항에 있어서,
    상기 (b) 단계는 상기 구매 데이터를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 상기 다른 고객을 탐색하는 것
    인 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법.
KR1020210180916A 2020-12-17 2021-12-16 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법 KR20220087390A (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
EP21907179.2A EP4262223A4 (en) 2020-12-17 2021-12-17 SERVER AND METHOD FOR PROVIDING A PRODUCT RECOMMENDATION SERVICE USING PURCHASED ITEM INFORMATION
JP2023537457A JP2023554664A (ja) 2020-12-17 2021-12-17 購買品目情報を用いた商品推奨サービス提供サーバーおよびその方法
MX2023007307A MX2023007307A (es) 2020-12-17 2021-12-17 Servidor y método para proporcionar servicio de recomendación de producto que usa información de producto comprado.
US18/268,080 US20240062270A1 (en) 2020-12-17 2021-12-17 Server and method for providing product recommendation service using purchased product information
PCT/KR2021/019344 WO2022131875A1 (ko) 2020-12-17 2021-12-17 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법
CN202180093728.1A CN116888967A (zh) 2020-12-17 2021-12-17 用于通过使用已购买商品信息来提供产品推荐服务的服务器和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200177068 2020-12-17
KR20200177068 2020-12-17

Publications (1)

Publication Number Publication Date
KR20220087390A true KR20220087390A (ko) 2022-06-24

Family

ID=82216093

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210180916A KR20220087390A (ko) 2020-12-17 2021-12-16 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법

Country Status (1)

Country Link
KR (1) KR20220087390A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423559A (zh) * 2022-09-06 2022-12-02 武汉美立森家居有限公司 一种基于虚拟vr技术的家居产品线上展览展示方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423559A (zh) * 2022-09-06 2022-12-02 武汉美立森家居有限公司 一种基于虚拟vr技术的家居产品线上展览展示方法
CN115423559B (zh) * 2022-09-06 2024-05-14 湖南恒达讯飞科技有限公司 一种基于虚拟vr技术的家居产品线上展览展示方法

Similar Documents

Publication Publication Date Title
CN107330445B (zh) 用户属性的预测方法和装置
US20150046307A1 (en) Item level personal finance management (pfm) for discretionary and non-discretionary spending
US20150032642A1 (en) Use of an e-receipt to verify ownership and service of a product
US9384497B2 (en) Use of SKU level e-receipt data for future marketing
CA2968557A1 (en) Retail checkout systems and methods
KR102334404B1 (ko) 상품 추천 서버 및 그 제어방법
US20150371339A1 (en) E-mailed receipt grab and storage for consumer tracking of expenditures
US20110099073A1 (en) Systems and methods for electronic transaction management
KR20220087390A (ko) 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법
KR102295053B1 (ko) 중고 휴대폰 거래 시스템
KR101947413B1 (ko) 유가 헤징 시스템
US20130110605A1 (en) Product recognition promotional offer matching
CN116091171A (zh) 会员统计与管理系统
US20200380561A1 (en) Prompting item interactions
US20240062270A1 (en) Server and method for providing product recommendation service using purchased product information
CN116595390A (zh) 商品信息处理方法及电子设备
Ahmed Ecommerce in Pakistan: Challenges & Opportunities
KR101815558B1 (ko) 비콘을 이용한 소비 패턴 분석 및 마케팅 시스템 및 방법
JP2023079153A (ja) Ｇｈｇ排出量導出装置、ｇｈｇ排出量導出方法、及びプログラム
KR102394221B1 (ko) 온라인 벤더 운영 플랫폼
OA21449A (en) Server and method for providing product recommendation service by using purchased item information
KR20230101341A (ko) 인공지능형 자동결제 컨시어지 방법 및 이를 위한 플랫폼장치
CN116888967A (zh) 用于通过使用已购买商品信息来提供产品推荐服务的服务器和方法
KR20230158384A (ko) 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법
Kumar et al. Market Basket Analysis for Retail Sales Optimization

Legal Events

Date Code Title Description
E902 Notification of reason for refusal