KR20220094824A - 인공지능 스타일리스트를 이용한 패션 상품 추천 방법 - Google Patents

인공지능 스타일리스트를 이용한 패션 상품 추천 방법 Download PDF

Info

Publication number
KR20220094824A
KR20220094824A KR1020200186449A KR20200186449A KR20220094824A KR 20220094824 A KR20220094824 A KR 20220094824A KR 1020200186449 A KR1020200186449 A KR 1020200186449A KR 20200186449 A KR20200186449 A KR 20200186449A KR 20220094824 A KR20220094824 A KR 20220094824A
Authority
KR
South Korea
Prior art keywords
fashion
product
brand
user
product information
Prior art date
Application number
KR1020200186449A
Other languages
English (en)
Inventor
이두식
김계흥
박용수
이수정
이창현
백지연
장세윤
김하연
Original Assignee
주식회사 아임클라우드
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 아임클라우드 filed Critical 주식회사 아임클라우드
Priority to KR1020200186449A priority Critical patent/KR20220094824A/ko
Publication of KR20220094824A publication Critical patent/KR20220094824A/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)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 일 실시예에 따르면, 인공지능 스타일리스트를 활용한 패션 상품 추천 방법으로서, 하나 이상의 온라인 쇼핑몰의 패션상품의 상품정보를 수집하고 각 패션상품의 상품정보를 상품정보 데이터베이스에 저장하는 제1 단계; 상기 상품정보를 구성하는 복수개의 항목들 중 적어도 일부 항목에 대한 사용자의 개인별 패션 선호도를 수집하는 제2 단계; 사용자로부터 패션상품의 추천을 요청받는 제3 단계; 및 상기 사용자의 개인별 패션 선호도에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천하는 제4 단계;를 포함하는 인공지능 스타일리스트를 활용한 패션 상품 추천 방법을 개시한다.

Description

인공지능 스타일리스트를 이용한 패션 상품 추천 방법 {Method for suggesting fashion goods by using artificial intelligence stylist}
본 발명은 패션상품 추천 방법에 관한 것으로, 보다 상세하게는, 패션상품 데이터와 개인별 패션 선호도를 수집하고 이에 기초하여 패션상품을 사용자에게 제시할 수 있는 인공지능 스타일리스트를 이용한 패션상품 추천 방법에 관한 것이다.
오늘날 국내 온라인 쇼핑시장은 인터넷의 발달과 모바일 기기의 보급으로 급격한 성장세를 보이고 있다. 온라인 쇼핑몰은 오프라인 매장을 유지하지 않기 때문에 보관 유지에 소요되는 비용이 없으므로 오프라인 매장보다 저렴한 가격으로 고객에게 상품을 제공할 수 있는 장점이 있다. 또한 다양한 제품 정보를 시간과 공간의 제약없이 많은 고객에게 동시에 제공할 수 있는 이점도 있다.
이러한 온라인 쇼핑몰은 최근 들어 개체 수가 급격히 증가함에 따라 쇼핑몰의 경쟁력을 증대시킬 수 있는 차별화된 서비스를 요구하고 있다. 예를 들어 의류나 가방, 보석, 액세서리 등 패션상품을 온라인으로 판매하는 온라인 쇼핑몰의 경우 의류 등 각종 패션상품을 가상현실을 통해 입어보고 소비자 본인에게 어울리는지를 판단하는 가상 피팅(virtual fitting) 서비스를 제공하기도 한다.
특허문헌1: 한국 공개특허 제10-2020-0103202호 (2020년 9월 2일 공개)
본 발명은 패션상품 데이터와 개인별 패션 선호도를 수집하고 이에 기초하여 패션상품을 사용자에게 제시할 수 있는 인공지능 스타일리스트 및 이를 이용한 패션상품 추천 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따르면, 인공지능 스타일리스트를 활용한 패션 상품 추천 방법으로서, 하나 이상의 온라인 쇼핑몰의 패션상품의 상품정보를 수집하고 각 패션상품의 상품정보를 상품정보 데이터베이스에 저장하는 제1 단계; 상기 상품정보를 구성하는 복수개의 항목들 중 적어도 일부 항목에 대한 사용자의 개인별 패션 선호도를 수집하는 제2 단계; 사용자로부터 패션상품의 추천을 요청받는 제3 단계; 및 상기 사용자의 개인별 패션 선호도에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천하는 제4 단계;를 포함하는 인공지능 스타일리스트를 활용한 패션 상품 추천 방법을 개시한다.
본 발명의 일 실시예에서, 상기 제1 단계를 실행하기 전에, 복수개의 명품 브랜드별 패션상품의 이미지를 이용하여 브랜드 감성 추출용 머신러닝 알고리즘을 학습하는 단계를 더 포함하고, 상기 브랜드 감성 추출용 머신러닝 알고리즘을 학습하는 단계에서, 복수개의 명품 브랜드별 패션상품의 이미지와 각 이미지에 대응하는 브랜드 감성을 각각 상기 머신러닝 알고리즘의 입력데이터와 정답데이터(레이블)로 사용하여 상기 머신러닝 알고리즘을 학습할 수 있다.
본 발명의 일 실시예에서, 상기 제1 단계가, 상기 수집된 패션상품의 상품정보 중 패션상품의 이미지를 상기 학습된 브랜드 감성 추출용 머신러닝 알고리즘에 입력하여 상기 패션상품에 대응하는 명품 브랜드의 브랜드 감성을 추출하는 단계를 포함하고, 상기 각 패션상품의 상품정보를 구성하는 항목이 상기 추출된 브랜드 감성을 더 포함하며, 상기 제3 단계는, 사용자로부터 사용자가 선호하는 브랜드 감성에 따른 패션상품의 추천을 요청받는 단계를 포함하고, 상기 제4 단계는, 상기 사용자의 개인별 패션 선호도 및 상기 선호하는 브랜드 감성에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면 사용자에게 패션상품을 제시할 때 사용자가 선호하는 명품 브랜드의 브랜드 감성과 유사한 상품을 제시할 수 있으므로 사용자로 하여금 온라인 쇼핑에 대한 욕구를 한층 더 높여서 온라인 쇼핑 활성화에 기여할 수 있다.
도1은 본 발명의 일 실시예에 따른 인공지능 스타일리스트 시스템을 설명하는 도면,
도2는 일 실시예에 따른 패션상품 추천 방법의 예시적인 흐름도,
도3은 대안적 실시예에 따른 패션상품 추천 방법의 예시적인 흐름도,
도4는 명품 브랜드의 예시적인 브랜드 감성을 설명하는 도면,
도5는 도3의 단계(S200)의 예시적인 방법을 설명하는 도면이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제3의 구성요소가 개재될 수도 있다는 것을 의미한다. 이와 유사하게, 본 명세서에서 어떤 구성요소가 다른 구성요소에 연결(또는 결합, 체결, 부착 등)된다고 언급하는 경우 그것은 다른 구성요소에 직접적으로 연결(또는 결합, 체결, 부착 등)되거나 또는 그들 사이에 제 3의 구성요소를 개재하여 간접적으로 연결(또는 결합, 체결, 부착 등)될 수 있다는 것을 의미한다. 또한 본 명세서의 도면들에 있어서 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 또한 본 명세서의 도면들에 있어서 구성요소들의 길이, 넓이, 부피, 크기, 또는 두께 등은 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '~를 포함한다', '~로 구성된다', 및 '~으로 이루어진다'라는 표현은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
본 명세서에서 용어 '소프트웨어'는 컴퓨터에서 하드웨어를 움직이는 기술을 의미하고, 용어 '하드웨어'는 컴퓨터를 구성하는 유형의 장치나 기기(CPU, 메모리, 입력 장치, 출력 장치, 주변 장치 등)를 의미하고, 용어 '단계'는 소정의 목을 달성하기 위해 시계열로 연결된 일련의 처리 또는 조작을 의미하고, 용어 '컴퓨터 프로그램', '프로그램', 또는 '알고리즘'은 컴퓨터로 처리하기에 합한 명령의 집합을 의미하고, 용어 '프로그램 기록 매체'는 프로그램을 설치하고 실행하거나 유통하기 위해 사용되는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 의미한다.
본 명세서에서 발명의 구성요소를 지칭하기 위해 사용된 '~부', '~모듈', '~유닛', '~블록', '~보드' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 물리적, 기능적, 또는 논리적 단위를 의미할 수 있고 이는 하나 이상의 하드웨어나 소프트웨어 또는 펌웨어로 구현되거나 또는 하나 이상의 하드웨어, 소프트웨어, 및/또는 펌웨어의 결합으로 구현될 수 있다.
본원 명세서에서, '처리장치', '컴퓨터', '컴퓨팅 장치', '서버 장치', '서버'는 윈도우, 맥, 또는 리눅스와 같은 운영체제, 컴퓨터 프로세서, 메모리, 응용프로그램들, 기억장치(예를 들면, HDD, SDD), 및 모니터를 구비한 장치로 구현될 수 있다. 컴퓨터는 예를 들면, 데스크탑 컴퓨터나 노트북과 같은 것일 수 있으나, 이들은 예시적인 것으로 본원 발명은 데스크탑 컴퓨터나 노트북에만 한정되는 것이 아니다. 모바일 단말기는 스마트폰, 태블릿 PC, 또는 PDA와 같은 모바일 무선통신기기 중 하나일 수 있다.
이하 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 혼돈을 막기 위해 기술하지 않음을 미리 언급해 둔다.
도1은 본 발명의 일 실시예에 따른 인공지능 스타일리스트 시스템을 설명하는 도면이다. 도1을 참조하면 일 실시예에 따른 인공지능 스타일리스트 시스템은 네트워크를 통해 통신가능 하도록 연결된 하나 이상의 사용자 단말기(10), 인공지능 스타일리스트 서버(20)(이하 간단히 "스타일리스트 서버" 또는 "서버"라고도 함), 및 하나 이상의 온라인 쇼핑몰(30)을 포함할 수 있다.
사용자 단말기(10)는 휴대용 단말 또는 고정형 단말을 포함하며, 휴대용 단말은 예컨대 스마트폰, 휴대폰, 노트북 컴퓨터, PDA(personal digital assistants), 태블릿 PC, 웨어러블 디바이스 등을 포함하고 고정형 단말은 데스크탑 PC 등의 컴퓨팅 장치를 포함할 수 있다.
일 실시예에서 사용자는 사용자 단말기(10)를 통해 패션에 대한 개인별 선호도에 관한 정보를 스타일리스트 서버(20)측으로 전송할 수 있고, 이러한 개인별 선호도에 기초하여 패션상품 추천을 스타일리스트 서버(20)에 요청할 수도 있다. 이를 수신한 스타일리스트 서버(20)는 수신한 사용자 선호도에 대응하는 패션상품을 검색하고 추출하여 이를 사용자 단말기(10)로 전송할 수 있다.
도1에서 각 구성요소들(10,20,30)을 연결하는 네트워크는 통신 네트워크로서 예컨대 3GPP, LTE 등의 이동통신망, 인터넷, LAN, WAN, 방송통신망, 블루투스, WiFi 등의 임의의 유선/무선 통신망을 포함할 수 있으며 이에 한정되지 않는다.
온라인 쇼핑몰(30)은 공지의 일반적인 온라인 쇼핑몰로서, 인터넷과 같은 네트워크를 통하여 온라인 상에서 사용자에게 패션상품 정보를 제공하고 판매하는 서버로 구현될 수 있다. 이 때 본 명세서에서 언급하는 "패션상품"은 의류, 가방, 보석, 시계, 신발, 및 액세서리 등과 같이 사용자가 신체에 착용할 수 있는 다양한 상품을 의미할 수 있다. 또한 본 명세서에서는 구별의 실익이 없는 한 패션상품과 패션제품을 동일한 의미로 사용하기로 한다.
인공지능 스타일리스트 서버(20)는 패션 데이터를 생성하거나 수집하여 상품정보 데이터베이스(21)에 저장하고 관리하며 사용자로부터 패션상품 추천을 요청받으면 해당 사용자의 패션 선호도에 맞는 패션상품을 검색하여 추천하는 기능을 갖는 서버이다. 스타일리스트 서버(20)는 서버와 같은 컴퓨터 장치이므로 프로세서, 메모리, 저장장치, 통신부 등의 하드웨어와 패션 데이터 관리, 사용자 정보(회원정보) 관리, 패션 선호도 검출, 패션 선호도에 따른 패션상품 검색 및 추천 등의 기능을 실행하는 소프트웨어(프로그램, 알고리즘 등)의 조합에 의해 구현될 수 있다.
일 실시예에서 패션 데이터는 하나 이상의 온라인 쇼핑몰의 패션상품들에 관한 상품정보를 포함할 수 있다. 일 실시예에서 패션 데이터는 각종 인터넷 사이트(예컨대 인터넷 뉴스, 블로그, 카페, 유튜브 등 사이트)에 개재된 패션 관련 정보를 포함할 수 있다. 예를 들어 스타일리스트 서버(20)는 크롤링, 텍스트 마이닝 등의 데이터 수집 방법을 이용하여 온라인 쇼핑몰 및/또는 각종 인터넷 사이트로부터 패션 데이터(즉, 패션상품의 상품정보 및/또는 패션관련 최신 정보)를 수집하여 상품정보 데이터베이스(21)에 저장하고 관리할 수 있다.
일 실시예에서 스타일리스트 서버(20)는 각 사용자들로부터 각 개인별 패션 선호도에 관한 정보를 수집하여 사용자 데이터베이스(22)에 저장하고 관리할 수 있다. 예를 들어 스타일리스트 서버(20)는 각 사용자들의 사용자 단말기(10)로 개인별 패션 선호도에 관련된 퀴즈나 설문조사항목 등의 데이터를 전송하고 각 사용자 단말기(10)로부터 회신 데이터를 수신하면 이를 분석하여 개인별 패션 선호도를 추출할 수 있고 추출한 패션 선호도를 사용자 데이터베이스(22)에 저장할 수 있다.
또한 일 실시예에서 스타일리스트 서버(20)는 사용자로부터 패션상품 추천을 요청받을 수 있고, 사용자 데이터베이스(22)에 기저장된 개인별 패션 선호도에 기초하여 해당 사용자에게 적절한 패션상품을 검색하여 추천할 수 있다. 이러한 스타일리스트 서버(20)의 구체적 동작에 대해서는 도2 내지 도5를 참조하여 후술하기로 한다.
일 실시예에서 상품정보 데이터베이스(21)에 저장되는 패션 데이터 중 상품정보는 온라인 쇼핑몰(30)에 게시된 각종 패션상품에 대한 상품별 정보로서 패션상품이 의류인 경우 예컨대 각 상품에 대한 카테고리 정보(예컨대 상의, 하의, 아우터 등), 옵션 정보(예컨대 사이즈, 색상 등), 치수 정보(예컨대 어깨너비, 가슴둘레, 허리둘레, 기장 등), 이미지 정보(예컨대 다양한 각도에서 상품을 촬영한 이미지), 스타일 정보(예컨대 캐주얼, 스트릿, 빈티지, 모던, 페미닌, 댄디, 미니멀리즘, 레이어드, 클래식, 스포티 등의 다양한 스타일 분류)를 포함할 수 있다. 또한 일 실시예에서 상품정보는 인터넷 쇼핑몰의 해당 상품의 웹 페이지의 링크 정보(예컨대 URL 정보) 및 각 상품에 대해 추출한 브랜드 감성에 관한 정보를 포함할 수 있다.
이러한 각 패션상품별 상품정보는 예를 들어 스타일리스트 서버(20)는 주기적으로 또는 소정 이벤트 발생시(예컨대 쇼핑몰(30)의 상품정보 업데이트시) 크롤링 등의 방법으로 수집하여 패션상품에 관한 상품정보를 상품정보 데이터베이스(21)에 축적할 수 있고, 이 때 각 패션상품에 대응하는 명품 브랜드의 감성 정보를 추출하고 이 감성 정보와 함께 데이터베이스(21)에 저장할 수 있다.
도2는 일 실시예에 따른 패션상품 추천 방법의 예시적인 흐름도이다. 도2를 참조하면, 인공지능 스타일리스트 서버(20)를 이용한 일 실시예에 따른 패션상품 추천 방법은, 하나 이상의 온라인 쇼핑몰의 패션상품의 상품정보를 수집하고 각 패션상품의 상품정보를 상품정보 데이터베이스에 저장하는 단계(S110); 상기 상품정보를 구성하는 복수개의 항목들 중 적어도 일부 항목에 대한 사용자의 개인별 패션 선호도를 수집하는 단계(S120); 사용자로부터 상품정보의 적어도 하나의 항목에 따른 패션상품의 추천을 요청받는 단계(S130); 및 상기 적어도 하나의 항목에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천하는 단계(S140);를 포함할 수 있다.
구체적으로, 일 실시예에 따르면 우선 단계(S110)에서 스타일리스트 서버(20)는 하나 이상의 온라인 쇼핑몰(30)의 패션상품의 상품정보를 수집하고 각 패션상품의 상품정보를 상품정보 데이터베이스에 저장한다. 예를 들어 스타일리스트 서버(20)는 기설정된 주기마다 또는 쇼핑몰(30)의 상품정보 업데이트 등의 소정 이벤트 발생시에 크롤링 등의 방법으로 쇼핑몰(30)의 상품정보를 수집하여 상품정보 데이터베이스(21)에 축적할 수 있다.
일 실시예에서 패션상품의 상품정보는 복수개의 항목들로 구성된다. 예를 들어 패션상품이 의류인 경우 각 상품에 상품정보는 카테고리 정보(예컨대 상의, 하의, 아우터 등), 옵션 정보(예컨대 사이즈, 색상 등), 치수 정보(예컨대 어깨너비, 가슴둘레, 허리둘레, 기장 등), 이미지 정보(예컨대 다양한 각도에서 상품을 촬영한 이미지), 스타일 정보(예컨대 캐주얼, 스트릿, 빈티지, 모던, 페미닌, 댄디, 미니멀리즘, 레이어드, 클래식, 스포티 등의 다양한 스타일 분류) 등의 항목을 포함할 수 있다. 스타일리스트 서버(20)는 쇼핑몰(30)에서 상품정보를 수집한 후 이 수집한 상품정보를 필요에 따라 상기 기설정된 항목에 따라 재분류하고 데이터베이스(21)에 저장할 수 있다. 또한 일 실시예에서 상품정보가 인터넷 쇼핑몰(30)의 해당 상품의 웹 페이지의 링크 정보(예컨대 URL 정보)를 더 포함할 수 있다.
다음으로 단계(S120)에서, 상기 상품정보를 구성하는 복수개의 항목들 중 적어도 일부 항목에 대한 사용자의 개인별 패션 선호도를 수집할 수 있다. 예를 들어 스타일리스트 서버(20)는 각 사용자들의 사용자 단말기(10)로 주기적으로 또는 비주기적으로 개인별 패션 선호도에 관련된 퀴즈나 설문조사항목 등의 데이터를 전송하고 각 사용자 단말기(10)로부터 답신 데이터를 수신하면 이를 분류하여 개인별 패션 선호도를 추출할 수 있고 추출한 패션 선호도를 사용자 데이터베이스(22)에 저장할 수 있다.
그 후 단계(S130)에서, 사용자로부터 패션상품의 추천을 요청받을 수 있다. 예를 들어 다양한 패션상품(예컨대 의류, 가방, 보석 등) 중 "의류"를 선택하고 의류에 대한 상품정보를 구성하는 복수개의 항목들(예컨대 상품의 카테고리나 스타일 등의 항목) 중 적어도 하나의 항목에 대해 사용자가 원하는 특정 분류를 선택(예컨대 카테고리 항목에서 '상의' 또는 '하의'를 선택하거나 또는 스타일 항목에서 '캐주얼'이나 '클래식' 등을 선택)하여 상품 추천을 요청할 수 있다.
상품 추천을 요청받은 스타일리스트 서버(20)는 단계(S140)에서 상품정보 데이터베이스(21) 및 사용자 데이터베이스(22)를 검색하여 해당 사용자의 패션 선호도에 기초하여 사용자에게 적절한 패션상품을 검색하여 제공한다. 예를 들어, 우선 해당 사용자에 대해 사용자 데이터베이스(22)에 기저장된 개인별 패션 선호도를 검색하여 추출한다. 이 때 추출된 패션 선호도는 예컨대 의류의 경우 카테고리, 옵션, 치수, 스타일 등의 항목에서 해당 사용자에 대한 기저장된 선호도일 수 있다. 이와 같이 사용자에 대한 패션 선호도를 추출하면 상품정보 데이터베이스(21)에서 이 추출된 패션 선호도에 맞는 상품들을 검색하고 추출할 수 있다. 이 때 복수개의 패션상품들이 검색될 경우 예컨대 가장 최신 상품순으로 정렬하여 소정 개수의 상품을 제시할 수 있다. 대안적 실시예에서, 상품정보 데이터베이스(21)가 각종 인터넷 사이트(예컨대 인터넷 뉴스, 블로그, 카페, 유튜브 등 사이트)에 개재된 패션 관련 정보를 수집하여 패션 데이터로서 저장할 수 있으며, 이 경우, 단계(S140)에서 복수개의 패션상품들이 검색된 경우 패션 데이터에 기초하여 최신 패션 트랜드에 가장 적합한 패션상품을 먼저 제시할 수도 있다.
도3은 대안적 실시예에 따른 패션상품 추천 방법의 예시적인 흐름도이다. 도3을 참조하면, 인공지능 스타일리스트 서버(20)를 이용한 대안적인 일 실시예에 따른 패션상품 추천 방법은, 복수개의 명품 브랜드별 패션상품의 이미지를 이용하여 브랜드 감성 추출용 머신러닝 알고리즘을 학습하는 단계(S200); 하나 이상의 온라인 쇼핑몰의 패션상품의 상품정보를 수집하고 각 패션상품의 상품정보를 상품정보 데이터베이스에 저장하는 단계(S210); 상기 상품정보를 구성하는 복수개의 항목들 중 적어도 일부 항목에 대한 사용자의 개인별 패션 선호도를 수집하는 단계(S220); 사용자로부터 상품정보의 적어도 하나의 항목에 따른 패션상품의 추천을 요청받는 단계(S230); 및 상기 적어도 하나의 항목에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천하는 단계(S240);를 포함할 수 있다.
도2와 비교할 때 도3의 실시예는 복수개의 명품 브랜드별 패션상품의 이미지를 이용하여 브랜드 감성 추출용 머신러닝 알고리즘을 학습하는 단계(S200)를 더 포함하고, 나머지 단계들, 즉 단계(S210 내지 S240)의 각각은 도2의 단계들(S110 내지 S140)에 각각 대응하여 동일 또는 유사한 구성을 가진다.
일 실시예에서 도3의 머신러닝 알고리즘을 학습하는 단계(S200)는 복수개의 명품 브랜드별 패션상품의 이미지와 각 이미지에 대응하는 브랜드 감성을 각각 브랜드 감성 추출용 머신러닝 알고리즘(이하 간단히 "머신러닝 알고리즘"이라고도 함)의 입력데이터와 정답데이터(레이블)로 사용하여 상기 머신러닝 알고리즘을 학습시킬 수 있다.
바람직하게는, 머신러닝 알고리즘의 학습 전에 명품 브랜드의 범위를 결정하고 각 명품 브랜드별 브랜드 감성을 정의하고 분류한 후 예컨대 상품정보 데이터베이스(21) 등의 저장부에 저장하는 단계가 필요할 수 있다. 이 때 "명품 브랜드"는 사회통념상 명품으로 인식되는 브랜드를 의미하지만 본 발명의 구체적 실시예에 따라 명품 브랜드의 개수나 브랜드 범위를 다양하게 결정할 수 있음은 물론이다. 일 실시예에서, 명품 브랜드가 결정되면 각 명품 브랜드마다 브랜드 감성을 정의한다. 예를 들어 도4는 일부 명품 브랜드에 대한 예시적인 브랜드 감성을 정의한 것으로, 예컨대 샤넬은 '여성적', '귀족적', '간편', 및 '활동적'이라는 브랜드 감성을 가지며 끌로에는 '따뜻함' 및 '여성적'이라는 브랜드 감성을 갖는 것으로 할 수 있으며, 이와 같이 각 명품 브랜드마다 하나 이상의 단어로 이루어진 브랜드 감성을 정의하고 각 명품 브랜드마다 그에 대응하는 브랜드 감성을 매칭시킬 수 있다. 대안적 실시예에서 하나의 명품 브랜드 내에서 의류, 가방, 액세서리 등 패션상품 종류에 따라 서로 다른 브랜드 감성을 정의할 수도 있다. 이와 같이 각 브랜드에 대응하는 브랜드 감성은 발명의 구체적 실시 형태에 따라 다르게 정의될 수 있음은 물론이다.
이와 같이 명품 브랜드 및 각 명품 브랜드에 대응하는 브랜드 감성을 정의하고 저장한 후 단계(S200)에서 이 명품 브랜드별 브랜드 감성을 브랜드 감성 추출용 머신러닝 알고리즘에 학습시킨다. 일 실시예에서 머신러닝 알고리즘은 인공신경망 알고리즘이다. 인공신경망 알고리즘은 하나의 입력층(Input Layer), 하나 이상의 은닉층(Hidden Layer) 및 하나의 출력층(Output Layer)으로 구성된 딥러닝 알고리즘으로 구현될 수 있다. 또한 인공신경망 알고리즘은 DNN(Deep Neural Network), RNN(Recurrent Neural Network), CNN(Convolutional Neural Network), SVM(Support Vector Machine) 등과 같은 다양한 종류의 신경망 중 하나 이상의 조합하여 구현될 수 있다.
도5는 머신러닝 알고리즘(20)을 학습하는 단계(S200)의 예시적 방법을 나타낸다. 도5를 참조하면, 우선 단계(S201)에서 명품 브랜드의 각종 패션제품의 제품 이미지(예컨대 각종 패션제품의 이미지 파일) 및 브랜드 감성을 학습데이터로 사용하여 머신러닝 알고리즘(210)을 학습시킨다. 예를 들어, 우선 각 명품 브랜드마다 다양한 패션상품의 이미지와 해당 이미지에 대응하는 브랜드 감성을 매칭시켜 학습 데이터를 만들고 이 학습데이터를 머신러닝 알고리즘(210)에 입력한다. 이 때 명품 브랜드별 패션상품의 이미지는 머신러닝 알고리즘의 입력층에 입력하는 입력데이터로서 사용하고(S210) 각 패션상품 이미지에 대응하는 브랜드 감성은 머신러닝 알고리즘의 출력층에서 출력될 정답데이터(레이블)로서 사용하여(S203) 학습할 수 있다. 예컨대 머신러닝 알고리즘(210)에서 출력되는 출력데이터와 정답데이터(레이블)를 비교하여 오차를 산출하고 이에 기초하여 머신러닝 알고리즘(210) 내의 각 노드들을 연결하는 가중치를 수정하는 연산을 반복하여 머신러닝 알고리즘(210)을 학습시킬 수 있으며 이러한 학습 방법은 인공신경망 분야에 공지 기술이므로 자세한 설명은 생략한다.
다시 도3을 참조하면, 스타일리스트 서버(20)에서 브랜드 감성에 대한 머신러닝 알고리즘을 학습(S200)한 후 단계(S210)에서 패션 데이터를 수집하여 상품정보 데이터베이스(21)에 저장한다. 예를 들어 스타일리스트 서버(20)가 하나 이상의 온라인 쇼핑몰(30)의 패션상품의 상품정보를 수집하거나 또는 각종 인터넷 사이트(예컨대 인터넷 뉴스, 블로그, 카페, 유튜브 등 사이트)에 개재된 패션 관련 정보를 수집하여 패션 데이터로서 상품정보 데이터베이스(21)가 저장할 수 있다.
이 때 바람직하게는, 패션상품의 상품정보를 구성하는 항목이 상기 추출된 브랜드 감성을 더 포함하며, 단계(S210)가, 상기 수집된 패션상품의 상품정보 중 패션상품의 이미지를 상기 학습된 브랜드 감성 추출용 머신러닝 알고리즘에 입력하여 상기 패션상품에 대응하는 명품 브랜드의 브랜드 감성을 추출하고, 각 패션상품에 대해 추출된 브랜드 감성도 패션 데이터로서 상품정보 데이터베이스(21)에 함께 저장할 수 있다.
다음으로 단계(S220)에서 사용자의 개인별 패션 선호도를 수집한다. 이 단계는 도2의 단계(S120)와 동일 또는 유사한 방법으로 수집할 수 있다. 예를 들어 상품정보를 구성하는 복수개의 항목들 중 적어도 일부 항목에 대한 사용자의 개인별 패션 선호도를 수집할 수 있다. 일 실시예에서 개인별 패션 선호도의 항목으로 개인이 선호하는 명품 브랜드에 대한 항목을 더 포함할 수 있다.
그 후 단계(S230)에서 사용자로부터 패션상품의 추천을 요청받는다. 이 단계는 도2의 단계(S130)와 동일 또는 유사한 방법일 수 있다.
상품 추천을 요청받은 스타일리스트 서버(20)는 단계(S240)에서 상품정보 데이터베이스(21) 및 사용자 데이터베이스(22)를 검색하여 해당 사용자의 패션 선호도에 기초하여 사용자에게 적절한 패션상품을 검색하여 제공한다. 이 단계는 도2의 단계(S140)와 동일 또는 유사한 방법일 수 있다. 또한 일 실시예에서 이 단계(S240)에서 사용자의 개인별 패션 선호도 및 상기 선호하는 브랜드 감성에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천할 수 있다.
예를 들어, 우선 해당 사용자에 대해 사용자 데이터베이스(22)에 기저장된 개인별 패션 선호도를 검색하여 추출한다. 추출된 패션 선호도는 예컨대 의류의 경우 카테고리, 옵션, 치수, 스타일 등의 항목에서 해당 사용자에 대한 기저장된 선호도 및 브랜드 감성에 대한 정보일 수 있다. 이와 같이 사용자에 대한 패션 선호도와 브랜드 감성을 추출하면 상품정보 데이터베이스(21)에서 이 추출된 패션 선호도와 브랜드 감성에 맞는 상품들을 검색하고 추출하여 사용자 단말기(10)로 전송할 수 있다.
상술한 본 발명의 일 실시예에 따르면 사용자에게 패션상품을 제시할 때 사용자가 선호하는 명품 브랜드의 브랜드 감성과 유사한 상품을 제시할 수 있으므로 사용자로 하여금 온라인 쇼핑에 대한 욕구를 한층 더 높여서 온라인 쇼핑 활성화에 기여할 수 있다.
이상과 같이 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 명세서의 기재로부터 다양한 수정 및 변형이 가능함을 이해할 수 있다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
10: 사용자 단말기
20: 인공지능 스타일리스트 서버
30: 온라인 쇼핑몰

Claims (3)

  1. 인공지능 스타일리스트를 활용한 패션 상품 추천 방법으로서,
    하나 이상의 온라인 쇼핑몰의 패션상품의 상품정보를 수집하고 각 패션상품의 상품정보를 상품정보 데이터베이스에 저장하는 단계(S210);
    상기 상품정보를 구성하는 복수개의 항목들 중 적어도 일부 항목에 대한 사용자의 개인별 패션 선호도를 수집하는 단계(S220);
    사용자로부터 패션상품의 추천을 요청받는 단계(S230); 및
    상기 사용자의 개인별 패션 선호도에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천하는 단계(S240);를 포함하는 것을 특징으로 하는, 인공지능 스타일리스트를 활용한 패션 상품 추천 방법.
  2. 제 1 항에 있어서,
    상기 단계(S210)를 실행하기 전에, 복수개의 명품 브랜드별 패션상품의 이미지를 이용하여 브랜드 감성 추출용 머신러닝 알고리즘을 학습하는 단계(S200)를 더 포함하고,
    상기 브랜드 감성 추출용 머신러닝 알고리즘을 학습하는 단계(S200)에서, 복수개의 명품 브랜드별 패션상품의 이미지와 각 이미지에 대응하는 브랜드 감성을 각각 상기 머신러닝 알고리즘의 입력데이터와 정답데이터(레이블)로 사용하여 상기 머신러닝 알고리즘을 학습하는 것을 특징으로 하는, 인공지능 스타일리스트를 활용한 패션 상품 추천 방법.
  3. 체 2 항에 있어서,
    상기 단계(S210)가, 상기 수집된 패션상품의 상품정보 중 패션상품의 이미지를 상기 학습된 브랜드 감성 추출용 머신러닝 알고리즘에 입력하여 상기 패션상품에 대응하는 명품 브랜드의 브랜드 감성을 추출하는 단계를 포함하고,
    상기 각 패션상품의 상품정보를 구성하는 항목이 상기 추출된 브랜드 감성을 더 포함하며,
    상기 단계(S230)는, 사용자로부터 사용자가 선호하는 브랜드 감성에 따른 패션상품의 추천을 요청받는 단계를 포함하고,
    상기 단계(S240)는, 상기 사용자의 개인별 패션 선호도 및 상기 선호하는 브랜드 감성에 맞는 상품정보를 갖는 패션상품을 상기 상품정보 데이터베이스에서 검색하여 사용자에게 추천하는 단계를 포함하는 것을 특징으로 하는, 인공지능 스타일리스트를 활용한 패션 상품 추천 방법.
KR1020200186449A 2020-12-29 2020-12-29 인공지능 스타일리스트를 이용한 패션 상품 추천 방법 KR20220094824A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200186449A KR20220094824A (ko) 2020-12-29 2020-12-29 인공지능 스타일리스트를 이용한 패션 상품 추천 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200186449A KR20220094824A (ko) 2020-12-29 2020-12-29 인공지능 스타일리스트를 이용한 패션 상품 추천 방법

Publications (1)

Publication Number Publication Date
KR20220094824A true KR20220094824A (ko) 2022-07-06

Family

ID=82400096

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200186449A KR20220094824A (ko) 2020-12-29 2020-12-29 인공지능 스타일리스트를 이용한 패션 상품 추천 방법

Country Status (1)

Country Link
KR (1) KR20220094824A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102628994B1 (ko) * 2023-04-24 2024-01-25 주식회사 엔피오이 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200103202A (ko) 2019-02-20 2020-09-02 동의대학교 산학협력단 딥러닝 뉴럴 네트워크 기반의 상품 추천 서비스 제공방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200103202A (ko) 2019-02-20 2020-09-02 동의대학교 산학협력단 딥러닝 뉴럴 네트워크 기반의 상품 추천 서비스 제공방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102628994B1 (ko) * 2023-04-24 2024-01-25 주식회사 엔피오이 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템
KR102654946B1 (ko) * 2023-04-24 2024-04-04 주식회사 엔피오이 인공지능에 기반 소비자 패션 스타일에 기초한 선호 상품 추천 시스템

Similar Documents

Publication Publication Date Title
US11823059B2 (en) Generating a personalized preference ranking network for providing visually-aware item recommendations
US11734725B2 (en) Information sending method, apparatus and system, and computer-readable storage medium
US11037222B1 (en) Dynamic recommendations personalized by historical data
CN111784455B (zh) 一种物品推荐方法及推荐设备
US20190102652A1 (en) Information pushing method, storage medium and server
US11704367B2 (en) Indexing and presenting content using latent interests
JP6397704B2 (ja) 情報処理装置、情報処理システム、情報処理方法及びプログラム
TWI636416B (zh) 內容個人化之多相排序方法和系統
US11538083B2 (en) Cognitive fashion product recommendation system, computer program product, and method
US10552431B2 (en) Personalizing search and/or recommendation results based on member activity models
US11587143B2 (en) Neural contextual bandit based computational recommendation method and apparatus
US10380461B1 (en) Object recognition
KR20120085707A (ko) 사용자 장르 및 스타일을 학습하고 사용자 선호도에 따라 상품을 매칭하는 방법 및 시스템
Park et al. Uniwalk: Explainable and accurate recommendation for rating and network data
Chung et al. Interactive design recommendation using sensor based smart wear and weather WebBot
CN111292168B (zh) 数据处理方法、装置及设备
CN105531701A (zh) 个性化趋势图像搜索建议
US20170193037A1 (en) Computerized System And Method For Augmenting Search Terms For Increased Efficiency And Effectiveness In Identifying Content
del Carmen Rodríguez-Hernández et al. Towards a context-aware mobile recommendation architecture
US11972466B2 (en) Computer storage media, method, and system for exploring and recommending matching products across categories
KR20220094824A (ko) 인공지능 스타일리스트를 이용한 패션 상품 추천 방법
KR20170060885A (ko) 사용자 단말에서 위시리스트를 관리할 수 있도록 하기 위한 장치 및 방법
US11941681B2 (en) System, method, and computer program product for determining compatibility between items in images
Otebolaku et al. Supporting context-aware cloud-based media recommendations for smartphones
US10956524B2 (en) Joint optimization of notification and feed

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination