KR20220099086A - 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 - Google Patents
기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220099086A KR20220099086A KR1020210153420A KR20210153420A KR20220099086A KR 20220099086 A KR20220099086 A KR 20220099086A KR 1020210153420 A KR1020210153420 A KR 1020210153420A KR 20210153420 A KR20210153420 A KR 20210153420A KR 20220099086 A KR20220099086 A KR 20220099086A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- fields
- product
- image
- machine learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000005055 memory storage Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000012384 transportation and delivery Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000012015 optical character recognition Methods 0.000 description 11
- 241000190070 Sarracenia purpurea Species 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012856 packing Methods 0.000 description 6
- 238000013068 supply chain management Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 229920001690 polydopamine Polymers 0.000 description 4
- 238000000746 purification Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06N3/0454—
-
- 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]
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Library & Information Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
이미지에 기초하여 제품들을 필터링하기 위한 방법으로서, 하나 이상의 데이터베이스로부터 제품과 관련된 데이터―상기 데이터는 이미지, 제품 식별자 및 컨텍스트를 적어도 포함함―를 수신하는 단계; 컨텍스트에 기초하여 복수의 필드를 생성하는 단계; 복수의 필드 각각에 대해, 복수의 기계 학습 모델로부터 기계 학습 모델을 선택하는 단계; 선택된 기계 학습 모델을 사용하여 데이터를 분석하는 단계; 복수의 필드 각각에 대해, 데이터의 분석에 기초하여 키워드를 생성하는 단계; 각각이 생성된 키워드를 포함하는 복수의 필드를 포함하도록 데이터를 업데이트하는 단계; 및 하나 이상의 데이터베이스에 저장하기 위해 업데이트된 데이터를 인덱싱하는 단계를 포함한다.
Description
본 개시는 일반적으로 기계 검색가능 키워드를 생성하기 위한 컴퓨터화된 시스템 및 방법에 관한 것이다. 특히, 본 개시의 실시예는 데이터베이스에 저장된 데이터 엔트리에 대한 기계 검색가능 키워드를 생성하는 것에 관한 창의적이고 독특한 시스템에 관한 것이다.
온라인 소매업 분야에서는, 다양한 제품에 관한 정보가 데이터베이스에 저장된다. 쇼핑객이 온라인 소매업의 디스플레이 인터페이스를 탐색할 때, 서버 시스템은 쇼핑객에게 표시하기 위해 데이터베이스로부터 이러한 정보를 검색한다. 쇼핑객이 서버 시스템에 검색 문자열을 제공함으로써 제품에 대한 검색을 수행하는 것이 일반적이다. 검색 문자열은 브랜드명, 일반명, 모델명, 넘버, 컬러, 연도, 카테고리, 또는 쇼핑객이 제품과 연관시킬 수 있는 기타 속성에 관한 용어를 포함할 수 있다. 서버 시스템은 검색 문자열의 용어 중 하나 이상과 매칭되는, 제품에 대응하는 데이터베이스에서의 엔트리를 찾을 수 있다. 매칭이 발견되는 경우, 대응하는 매칭된 제품의 엔트리는 결과 리스트에 반환되어 쇼핑객에게 표시된다.
따라서, 결과의 품질(즉, 쇼핑객의 검색에 대한 결과의 관련성)은 제품의 데이터베이스 엔트리가, 쇼핑객의 검색 문자열이 정확한 매칭 결과를 가져올 수 있도록, 충분한 관련 키워드를 포함하는지 여부에 크게 좌우될 수 있다. 예를 들어, 키워드가 거의 없는 데이터베이스 엔트리를 가지는 제품은, 쇼핑객의 검색과 관련성이 높더라도, 그 검색에서 발견될 가능성이 낮다.
기존의 방법 및 시스템은 제품의 엔트리에 대한 데이터베이스에서의 이런 키워드를 제공하기 위해 사람 개개인에 의존한다. 이것은 비효율적이며, 데이터베이스 엔트리의 수가 많은 경우 비현실적일 수 있다. 게다가, 키워드를 추가 또는 삭제하도록 엔트리를 업데이트하는 것은, 사람의 개입이 각 엔트리에 대해 요구되는 경우에는, 엄청난 비용이 들 수 있다. 그러므로, 사람의 개입 없이 키워드가 자동적으로 생성되고 업데이트되도록 하는 것을 보장하는 개선된 방법 및 시스템이 요구된다.
본 개시의 일 형태는 이미지에 기초하여 제품을 필터링하기 위한 방법에 관한 것으로, 하나 이상의 데이터베이스로부터, 제품에 관한 데이터를 수신하고 - 데이터는 적어도 이미지, 제품 식별자 및 컨텍스트를 포함함 - ; 컨텍스트에 기초하여 복수의 필드를 생성하고; 복수의 필드 각각에 대해, 복수의 기계 학습 모델로부터 기계 학습 모델을 선택하고; 선택된 기계 학습 모델을 사용하여 데이터를 분석하고; 복수의 필드 각각에 대해, 데이터의 분석에 기초하여 키워드를 생성하고; 각각이 생성된 키워드를 포함하는 복수의 필드를 포함하도록 데이터를 업데이트하고; 그리고 하나 이상의 데이터베이스에 저장하기 위해 업데이트된 데이터를 인덱싱하는 스텝을 포함한다.
본 개시의 다른 형태는 컴퓨터화된 시스템에 관한 것으로, 하나 이상의 프로세서; 하나 이상의 프로세서가 스텝을 실행하게 하는 명령을 포함하는 메모리 저장 매체를 포함하며, 스텝은: 하나 이상의 데이터베이스로부터, 제품에 관한 데이터를 수신하고 - 데이터는 적어도 이미지, 제품 식별자 및 컨텍스트를 포함함 - ; 컨텍스트에 기초하여 복수의 필드를 생성하고; 복수의 필드 각각에 대해, 복수의 기계 학습 모델로부터 기계 학습 모델을 선택하고; 선택된 기계 학습 모델을 사용하여 데이터를 분석하고; 복수의 필드 각각에 대해, 데이터의 분석에 기초하여 키워드를 생성하고; 각각이 생성된 키워드를 포함하는 복수의 필드를 포함하도록 데이터를 업데이트하고; 그리고 하나 이상의 데이터베이스에 저장하기 위해 업데이트된 데이터를 인덱싱하는 것이다.
본 개시의 또 다른 형태는 텍스트 문자열을 생성하기 위한 시스템에 관한 것으로, 하나 이상의 데이터베이스로부터, 제품에 관한 데이터를 수신하고 - 데이터는 적어도 이미지, 제품 식별자 및 컨텍스트를 포함함 - ; 컨텍스트에 기초하여 복수의 필드를 생성하고 - 복수의 필드는 적어도 브랜드, 하나 이상의 속성, 및 제품 타입을 포함함 - ; 복수의 필드 각각에 대해, 데이터의 분석을 위해 복수의 기계 학습 모델로부터 기계 학습 모델을 선택하고 - 분석은: 텍스트 분류기 또는 규칙 기반 추출기 중 적어도 하나를 이용하여 제품 식별자를 분석하고, 그리고 이미지 OCR 또는 이미지 분류기 중 적어도 하나를 이용하여 이미지를 분석하는 것을 포함함 - ; 복수의 필드 각각에 대해, 데이터의 분석에 기초하여 키워드를 생성하고 - 키워드는: 복수의 필드 중 하나와 연관된 미리 정의된 용어, 또는 데이터의 분석에 의해 이미지로부터 추출된 텍스트 중 적어도 하나임 - ; 각각이 생성된 키워드를 포함하는 복수의 필드를 포함하도록 데이터를 업데이트하고; 그리고 하나 이상의 데이터베이스에 저장하기 위해 업데이트된 데이터를 인덱싱하는 것을 포함한다.
또한 다른 시스템, 방법, 및 컴퓨터 판독 가능 매체가 여기서 논의된다.
도 1a는 개시된 실시예에 따른, 배송, 운송, 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 1b는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디테일 페이지(SDP; Single Detail Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예에 따른, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예에 따른, 텍스트 문자열을 생성하기 위한 예시적인 시스템의 개략적인 도면이다.
도 4는 개시된 실시예에 따른, 비정제된 및 정제된 제품 정보를 나타내는 예시적인 데이터의 개략적인 도면이다.
도 5는 개시된 실시예에 따른, 텍스트 문자열을 생성하기 위한 예시적인 프로세스를 나타내는 플로차트이다.
도 6은 개시된 실시예에 따른, 텍스트 문자열 생성의 예시적인 실시예를 나타낸 도면이다.
도 7은 개시된 실시예에 따른, 텍스트 문자열 생성의 또 다른 예시적인 실시예를 나타낸 도면이다.
도 8은 개시된 실시예에 따른, 데이터베이스에 대한 업데이트를 생성하기 위한 예시적인 프로세스를 나타내는 플로차트이다.
도 1b는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디테일 페이지(SDP; Single Detail Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예에 따른, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예에 따른, 텍스트 문자열을 생성하기 위한 예시적인 시스템의 개략적인 도면이다.
도 4는 개시된 실시예에 따른, 비정제된 및 정제된 제품 정보를 나타내는 예시적인 데이터의 개략적인 도면이다.
도 5는 개시된 실시예에 따른, 텍스트 문자열을 생성하기 위한 예시적인 프로세스를 나타내는 플로차트이다.
도 6은 개시된 실시예에 따른, 텍스트 문자열 생성의 예시적인 실시예를 나타낸 도면이다.
도 7은 개시된 실시예에 따른, 텍스트 문자열 생성의 또 다른 예시적인 실시예를 나타낸 도면이다.
도 8은 개시된 실시예에 따른, 데이터베이스에 대한 업데이트를 생성하기 위한 예시적인 프로세스를 나타내는 플로차트이다.
이어서 첨부된 도면을 참조하여 자세하게 설명된다. 가능하면, 다음의 설명에서 같거나 유사한 부분에 대해 참조되도록 도면에서 같은 도면 부호가 사용된다. 여기에 몇몇 예시적인 실시예가 설명되지만, 변경, 조정 및 다른 구현도 가능하다. 예를 들면, 도면 내의 구성 및 스텝에 대해 교체, 추가, 또는 변경이 이루어질 수 있고, 여기에 설명된 예시적인 방법은 개시된 방법에 대해 스텝을 교체, 순서 변경, 제거 또는 추가함으로써 변경될 수 있다. 따라서, 다음의 자세한 설명은 개시된 실시예 및 예시로 제한되는 것은 아니다. 대신에 본 발명의 적절한 범위는 청구범위에 의해 규정된다.
도 1a를 참조하면, 배송, 운송 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 예시적인 시스템의 실시예를 나타낸 개략적인 블록도(100)가 도시되어 있다. 도 1a에 나타낸 바와 같이, 시스템(100)은 다양한 시스템을 포함할 수 있으며, 이들 각각은 하나 이상의 네트워크를 통해 서로 연결될 수 있다. 시스템은 (예를 들어, 케이블을 사용한) 직접 연결을 통해 서로 연결될 수 있다. 도시된 시스템은 배송 기관 기술(shipment authority technology, SAT) 시스템(101), 외부 프론트 엔드 시스템(103), 내부 프론트 엔드 시스템(105), 운송 시스템(107), 모바일 디바이스(107A, 107B, 107C), 판매자 포털(109), 배송 및 주문 트래킹(shipment and order tracking, SOT) 시스템(111), 풀필먼트 최적화(fulfillment optimization, FO) 시스템(113), 풀필먼트 메시징 게이트웨이(fulfillment messaging gateway, FMG)(115), 공급 체인 관리(supply chain management, SCM) 시스템(117), 창고 관리 시스템(119), 모바일 디바이스(119A, 119B, 119C)(풀필먼트 센터(fulfillment center, FC)(200) 내부에 있는 것으로 도시됨), 제3자 풀필먼트 시스템(121A, 121B, 121C), 풀필먼트 센터 인증 시스템(fulfillment center authorization system, FC Auth)(123), 및 노동 관리 시스템(labor management system, LMS)(125)을 포함한다.
일부 실시예에서, SAT 시스템(101)은 주문 상태와 배달 상태를 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SAT 시스템(101)은 주문이 약속된 배달 날짜(Promised Delivery Date, PDD)를 지났는지를 결정할 수 있고, 새로운 주문을 개시시키고, 배달되지 않은 주문의 아이템을 다시 배송하며, 배달되지 않은 주문을 취소하고, 주문 고객과 연락을 시작하는 것 등을 포함하는 적합한 조치를 취할 수 있다. SAT 시스템(101)은 또한, (특정 기간 동안 배송된 패키지의 개수와 같은) 출력, 및 (배송시 사용하기 위해 수신된 빈 카드보드 박스의 개수와 같은) 입력을 포함하는 다른 데이터를 감시할 수 있다. SAT 시스템(101)은 또한, 외부 프론트 엔드 시스템(103) 및 FO 시스템(113)과 같은 장치들 간의 (예를 들면, 저장 전달(store-and-forward) 또는 다른 기술을 사용하는) 통신을 가능하게 하는 시스템(100) 내의 상이한 장치들 사이의 게이트웨이로서 동작할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내의 하나 이상의 시스템과 상호 동작할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 시스템의 프레젠테이션을 가능하게 하여 사용자가 아이템에 대한 주문을 할 수 있도록 하는 실시예에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 아이템 페이지를 제시하며, 결제 정보를 요청하는 웹 서버로서 구현될 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 디바이스(예를 들어, 모바일 디바이스(102A) 또는 컴퓨터(102B))로부터 요청을 수신 및 처리하고, 이들 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 설계된 커스텀 웹 서버 소프트웨어를 실행할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 또는 결제 시스템 중 하나 이상을 포함할 수 있다. 일 양상에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
도 1b, 1c, 1d 및 1e에 의해 나타낸 단계들의 예시적인 세트는 외부 프론트 엔드 시스템(103)의 일부 동작을 설명하는 것에 도움이 될 것이다. 외부 프론트 엔드 시스템(103)은 프레젠테이션 및/또는 디스플레이를 위해 시스템(100) 내의 시스템 또는 디바이스로부터 정보를 수신할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 검색 결과 페이지(Search Result Page, SRP)(예를 들면, 도 1b), 싱글 디테일 페이지(Single Detail Page, SDP)(예를 들면, 도 1c), 장바구니 페이지(Cart page)(예를 들면, 도 1d), 또는 주문 페이지(예를 들면, 도 1e)를 포함하는 하나 이상의 웹페이지를 호스팅하거나 제공할 수 있다. (예를 들면, 모바일 디바이스(102A) 또는 컴퓨터(102B)를 사용하는) 사용자 디바이스는 외부 프론트 엔드 시스템(103)으로 이동하고 검색 박스에 정보를 입력함으로써 검색을 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 시스템(100) 내의 하나 이상의 시스템으로부터 정보를 요청할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 FO 시스템(113)으로부터 검색 요청을 만족하는 정보를 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 또한, (FO 시스템(113)으로부터) 검색 결과에 포함된 각 제품에 대한 약속된 배달 날짜(Promised Delivery Date) 또는 "PDD"를 요청하고 수신할 수 있다. 일부 실시예에서, PDD는 제품이 들어있는 패키지가 특정 기간 이내, 예를 들면, 하루의 끝(PM 11:59)까지 주문되면 언제 사용자가 원하는 장소에 도착할 것인지에 대한 추정 또는 제품이 사용자가 원하는 장소에 배달될 약속된 날짜를 나타낼 수 있다(PDD는 FO 시스템(113)과 관련하여 이하에서 더 논의된다).
외부 프론트 엔드 시스템(103)은 정보에 기초하여 SRP(예를 들면, 도 1b)를 준비할 수 있다. SRP는 검색 요청을 만족하는 정보를 포함할 수 있다. 예를 들면, 이는 검색 요청을 만족하는 제품의 사진을 포함할 수 있다. SRP는 또한, 각 제품에 대한 각각의 가격, 또는 각 제품, PDD, 무게, 크기, 오퍼(offer), 할인 등에 대한 개선된 배달 옵션에 관한 정보를 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SRP를 요청 사용자 디바이스로 전송할 수 있다.
사용자 디바이스는 SRP에 나타낸 제품을 선택하기 위해, 예를 들면, 사용자 인터페이스를 클릭 또는 탭핑하거나, 다른 입력 디바이스를 사용하여 SRP로부터 제품을 선택할 수 있다. 사용자 디바이스는 선택된 제품에 관한 정보에 대한 요청을 만들어 내고 이를 외부 프론트 엔드 시스템(103)으로 전송할 수 있다. 이에 응답하여, 외부 프론트 엔드 시스템(103)은 선택된 제품에 관한 정보를 요청할 수 있다. 예를 들면, 정보는 각각의 SRP 상에 제품에 대해 제시된 것 이상의 추가 정보를 포함할 수 있다. 이는, 예를 들면, 유통 기한, 원산지, 무게, 크기, 패키지 내의 아이템 개수, 취급 지침, 또는 제품에 대한 다른 정보를 포함할 수 있다. 정보는 또한, (예를 들면, 이 제품 및 적어도 하나의 다른 제품을 구입한 고객의 빅 데이터 및/또는 기계 학습 분석에 기초한) 유사한 제품에 대한 추천, 자주 묻는 질문에 대한 답변, 고객의 후기, 제조 업체 정보, 사진 등을 포함할 수 있다.
외부 프론트 엔드 시스템(103)은 수신된 제품 정보에 기초하여 SDP(Single Detail Page)(예를 들면, 도 1c)를 준비할 수 있다. SDP는 또한, "지금 구매(Buy Now)" 버튼, "장바구니에 추가(Add to Cart)" 버튼, 수량 필드, 아이템 사진 등과 같은 다른 상호 동작 요소를 포함할 수 있다. SDP는 제품을 오퍼하는 판매자의 리스트를 포함할 수 있다. 이 리스트는 최저가로 제품을 판매하는 것으로 오퍼하는 판매자가 리스트의 최상단에 위치하도록, 각 판매자가 오퍼한 가격에 기초하여 순서가 정해질 수 있다. 이 리스트는 또한 최고 순위 판매자가 리스트의 최상단에 위치하도록, 판매자 순위에 기초하여 순서가 정해질 수 있다. 판매자 순위는, 예를 들어, 약속된 PPD를 지켰는지에 대한 판매자의 과거 추적 기록을 포함하는, 복수의 인자에 기초하여 만들어질 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SDP를 요청 사용자 디바이스로 전달할 수 있다.
요청 사용자 디바이스는 제품 정보를 나열하는 SDP를 수신할 수 있다. SDP를 수신하면, 사용자 디바이스는 SDP와 상호 동작할 수 있다. 예를 들면, 요청 사용자 디바이스의 사용자는 SDP의 "장바구니에 담기(Place in Cart)" 버튼을 클릭하거나, 이와 상호 동작할 수 있다. 이렇게 하면 사용자와 연계된 쇼핑 장바구니에 제품이 추가된다. 사용자 디바이스는 제품을 쇼핑 장바구니에 추가하기 위해 외부 프론트 엔드 시스템(103)으로 이러한 요청을 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 장바구니 페이지(예를 들면, 도 1d)를 생성할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 가상의 "쇼핑 장바구니(shopping cart)"에 추가한 제품을 나열한다. 사용자 디바이스는 SRP, SDP, 또는 다른 페이지의 아이콘을 클릭하거나, 상호 동작함으로써 장바구니 페이지를 요청할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 장바구니에 추가한 모든 제품 뿐 아니라 각 제품의 수량, 각 제품의 품목당 가격, 관련 수량에 기초한 각 제품의 가격, PDD에 관한 정보, 배달 방법, 배송 비용, 쇼핑 장바구니의 제품을 수정(예를 들면, 수량의 삭제 또는 수정)하기 위한 사용자 인터페이스 요소, 다른 제품의 주문 또는 제품의 정기적인 배달 설정에 대한 옵션, 할부(interest payment) 설정에 대한 옵션, 구매를 진행하기 위한 사용자 인터페이스 요소 등과 같은 장바구니의 제품에 관한 정보를 나열할 수 있다. 사용자 디바이스의 사용자는 쇼핑 장바구니에 있는 제품의 구매를 시작하기 위해 사용자 인터페이스 요소(예를 들면, "지금 구매(Buy Now)"라고 적혀있는 버튼)를 클릭하거나, 이와 상호 동작할 수 있다. 그렇게 하면, 사용자 디바이스는 구매를 시작하기 위해 이러한 요청을 외부 프론트 엔드 시스템(103)으로 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 구매를 시작하는 요청을 수신하는 것에 응답하여 주문 페이지(예를 들면, 도 1e)를 생성할 수 있다. 일부 실시예에서, 주문 페이지는 쇼핑 장바구니로부터의 아이템을 재나열하고, 결제 및 배송 정보의 입력을 요청한다. 예를 들면, 주문 페이지는 쇼핑 장바구니의 아이템 구매자에 관한 정보(예를 들면, 이름, 주소, 이메일 주소, 전화번호), 수령인에 관한 정보(예를 들면, 이름, 주소, 전화번호, 배달 정보), 배송 정보(예를 들면, 배달 및/또는 픽업 속도/방법), 결제 정보(예를 들면, 신용 카드, 은행 송금, 수표, 저장된 크레딧), 현금 영수증을 요청하는 사용자 인터페이스 요소(예를 들면, 세금 목적) 등을 요청하는 섹션을 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 사용자 디바이스에 주문 페이지를 전송할 수 있다.
사용자 디바이스는 주문 페이지에 정보를 입력하고 외부 프론트 엔드 시스템(103)으로 정보를 전송하는 사용자 인터페이스 요소를 클릭하거나, 상호 동작할 수 있다. 그로부터, 외부 프론트 엔드 시스템(103)은 정보를 시스템(100) 내의 다른 시스템으로 전송하여 쇼핑 장바구니의 제품으로 새로운 주문을 생성하고 처리할 수 있도록 한다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 판매자가 주문과 관련된 정보를 전송 및 수신할 수 있도록 추가로 구성될 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자(예를 들면, 시스템(100)을 소유, 운영 또는 임대하는 조직의 직원)가 시스템(100) 내의 하나 이상의 시스템과 상호작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 사용자가 아이템에 대한 주문을 할 수 있게 하는 시스템의 프레젠테이션을 가능하게 하는 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자가 주문에 대한 진단 및 통계 정보를 볼 수 있게 하고, 아이템 정보를 수정하며, 또는 주문에 대한 통계를 검토할 수 있게 하는 웹 서버로서 구현될 수 있다. 예를 들면, 내부 프론트 엔드 시스템(105)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 내부 프론트 엔드 시스템(105)은 (도시되지 않은 다른 디바이스뿐 아니라) 시스템(100) 내에 나타낸 시스템 또는 디바이스로부터 요청을 수신 및 처리하고, 그러한 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 (설계된 커스텀 웹 서버 소프트웨어를 실행)할 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 결제 시스템, 분석 시스템, 주문 모니터링 시스템 등 중 하나 이상을 포함할 수 있다. 일 양상에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
일부 실시예에서, 운송 시스템(107)은 시스템(100) 내의 시스템 또는 디바이스와 모바일 디바이스(107A-107C) 간의 통신을 가능하게 하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 운송 시스템(107)은 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 예를 들면, 일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원에 의해 동작되는 디바이스를 포함할 수 있다. 정규직, 임시적 또는 교대 근무일 수 있는 배달원은 사용자에 의해 주문된 제품들이 들어 있는 패키지의 배달을 위해 모바일 디바이스(107A-107C)를 이용할 수 있다. 예를 들면, 패키지를 배달하기 위해, 배달원은 배달할 패키지와 배달할 위치를 나타내는 모바일 디바이스 상의 알림을 수신할 수 있다. 배달 장소에 도착하면, 배달원은 (예를 들면, 트럭의 뒤나 패키지의 크레이트에) 패키지를 둘 수 있고, 모바일 디바이스를 사용하여 패키지 상의 식별자와 관련된 데이터(예를 들면, 바코드, 이미지, 텍스트 문자열, RFID 태그 등)를 스캔하거나, 캡처하며, (예를 들면, 현관문에 놓거나, 경비원에게 맡기거나, 수령인에게 전달하는 것 등에 의해) 패키지를 배달할 수 있다. 일부 실시예에서, 배달원은 모바일 디바이스를 사용하여 패키지의 사진(들)을 찍거나 및/또는 서명을 받을 수 있다. 모바일 디바이스는, 예를 들면, 시간, 날짜, GPS 위치, 사진(들), 배달원에 관련된 식별자, 모바일 디바이스에 관련된 식별자 등을 포함하는 배달에 관한 정보를 포함하는 정보를 운송 시스템(107)에 전송할 수 있다. 운송 시스템(107)은 시스템(100) 내의 다른 시스템에 의한 접근을 위해 데이터베이스(미도시)에 이러한 정보를 저장할 수 있다. 일부 실시예에서, 운송 시스템(107)은 다른 시스템에 특정 패키지의 위치를 나타내는 트래킹 데이터를 준비 및 전송하기 위해 이러한 정보를 사용할 수 있다.
일부 실시예에서, 특정 사용자는, 한 종류의 모바일 디바이스를 사용할 수 있는 반면(예를 들면, 정규 직원은 바코드 스캐너, 스타일러스 및 다른 장치와 같은 커스텀 하드웨어를 갖는 전문 PDA를 사용할 수 있음), 다른 사용자는 다른 종류의 모바일 디바이스를 사용할 수 있다(예를 들면, 임시 또는 교대 근무 직원이 기성 휴대 전화 및/또는 스마트폰을 사용할 수 있음).
일부 실시예에서, 운송 시스템(107)은 사용자를 각각의 디바이스와 연관시킬 수 있다. 예를 들면, 운송 시스템(107)은 사용자(예를 들면, 사용자 식별자, 직원 식별자, 또는 전화번호에 의해 표현됨)와 모바일 디바이스(예를 들면, International Mobile Equipment Identity(IMEI), International Mobile Subscription Identifier(IMSI), 전화번호, Universal Unique Identifier(UUID), 또는 Globally Unique Identifier(GUID)에 의해 표현됨) 간의 연관성(association)을 저장할 수 있다. 운송 시스템(107)은, 다른 것들 중에 작업자의 위치, 작업자의 효율성, 또는 작업자의 속도를 결정하기 위해 데이터베이스에 저장된 데이터를 분석하기 위해 배달시 수신되는 데이터와 관련하여 이러한 연관성을 사용할 수 있다.
일부 실시예에서, 판매자 포털(109)은 판매자 또는 다른 외부 엔터티(entity)가 시스템(100) 내의 하나 이상의 시스템과 전자 통신할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 판매자는 판매자 포털(109)을 사용하여 시스템(100)을 통해 판매하고자 하는 제품에 대하여, 제품 정보, 주문 정보, 연락처 정보 등을 업로드하거나 제공하는 컴퓨터 시스템(미도시)을 이용할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객(예를 들면, 디바이스(102A-102B)를 사용하는 사용자)에 의해 주문된 제품들이 들어 있는 패키지의 위치에 관한 정보를 수신, 저장 및 포워딩하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객에 의해 주문된 제품들이 들어 있는 패키지를 배달하는 배송 회사에 의해 운영되는 웹 서버(미도시)로부터 정보를 요청하거나 저장할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 시스템(100)에 나타낸 시스템들로부터 정보를 요청하고 저장할 수 있다. 예를 들면, 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107)으로부터 정보를 요청할 수 있다. 전술한 바와 같이, 운송 시스템(107)은 사용자(예를 들면, 배달원) 또는 차량(예를 들면, 배달 트럭) 중 하나 이상과 연관된 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 또한, 풀필먼트 센터(예를 들면, 풀필먼트 센터(200)) 내부의 개별 제품의 위치를 결정하기 위해 창고 관리 시스템(WMS)(119)으로부터 정보를 요청할 수 있다. 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107) 또는 WMS(119) 중 하나 이상으로부터 데이터를 요청하고, 이를 처리하며, 요청시 디바이스(예를 들면, 사용자 디바이스(102A, 102B))로 제공할 수 있다.
일부 실시예에서, 풀필먼트 최적화(FO) 시스템(113)은 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103) 및/또는 배송 및 주문 트래킹 시스템(111))으로부터의 고객 주문에 대한 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. FO 시스템(113)은 또한, 특정 아이템이 유지 또는 저장되는 곳을 나타내는 정보를 저장할 수 있다. 예를 들면, 소정 아이템은 하나의 풀필먼트 센터에만 저장될 수 있는 반면, 소정 다른 아이템은 다수의 풀필먼트 센터에 저장될 수 있다. 또 다른 실시예에서, 특정 풀필먼트 센터는 아이템의 특정 세트(예를 들면, 신선한 농산물 또는 냉동 제품)만을 저장하도록 구성될 수 있다. FO 시스템(113)은 이러한 정보뿐 아니라 관련 정보(예를 들면, 수량, 크기, 수령 날짜, 유통 기한 등)를 저장한다.
FO 시스템(113)은 또한, 각 제품에 대해 대응하는 PDD(약속된 배달 날짜)를 계산할 수 있다. 일부 실시예에서, PDD는 하나 이상의 요소에 기초할 수 있다. 예를 들면, FO 시스템(113)은 제품에 대한 과거 수요(예를 들면, 그 제품이 일정 기간 동안 얼마나 주문되었는지), 제품에 대한 예측된 수요(예를 들면, 얼마나 많은 고객이 다가오는 기간 동안 제품을 주문할 것으로 예상되는지), 일정 기간 동안 얼마나 많은 제품이 주문되었는지를 나타내는 네트워크 전반의 과거 수요, 다가오는 기간 동안 얼마나 많은 제품이 주문될 것으로 예상되는지를 나타내는 네트워크 전반의 예측된 수요, 각각의 제품을 저장하는 각 풀필먼트 센터(200)에 저장된 제품의 하나 이상의 개수, 그 제품에 대한 예상 또는 현재 주문 등에 기초하여 제품에 대한 PDD를 계산할 수 있다.
일부 실시예에서, FO 시스템(113)은 주기적으로(예를 들면, 시간별로) 각 제품에 대한 PDD를 결정하고, 검색하거나 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로 전송하기 위해 이를 데이터베이스에 저장할 수 있다. 다른 실시예에서, FO 시스템(113)은 하나 이상의 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로부터 전자 요청을 수신하고 요구에 따라 PDD를 계산할 수 있다.
일부 실시예에서, 풀필먼트 메시징 게이트웨이(FMG)(115)는 FO 시스템(113)과 같은 시스템(100) 내의 하나 이상의 시스템으로부터 하나의 포맷 또는 프로토콜로 요청 또는 응답을 수신하고, 그것을 다른 포맷 또는 프로토콜로 변환하여, 변환된 포맷 또는 프로토콜로 된 요청 또는 응답을 WMS(119) 또는 제3자 풀필먼트 시스템(121A, 121B, 또는 121C)과 같은 다른 시스템에 포워딩하며, 반대의 경우도 가능한 컴퓨터 시스템으로서 구현될 수 있다.
일부 실시예에서, 공급 체인 관리(SCM) 시스템(117)은 예측 기능을 수행하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SCM 시스템(117)은, 예를 들어 제품에 대한 과거 수요, 제품에 대한 예측된 수요, 네트워크 전반의 과거 수요, 네트워크 전반의 예측된 수요, 각각의 풀필먼트 센터(200)에 저장된 제품 개수, 각 제품에 대한 예상 또는 현재 주문 등에 기초하여, 특정 제품에 대한 수요의 수준을 예측할 수 있다. 이러한 예측된 수준과 모든 풀필먼트 센터를 통한 각 제품의 수량에 응답하여, SCM 시스템(117)은 특정 제품에 대한 예측된 수요를 만족시키기에 충분한 양을 구매 및 비축하기 위한 하나 이상의 구매 주문을 생성할 수 있다.
일부 실시예에서, 창고 관리 시스템(WMS)(119)은 작업 흐름을 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, WMS(119)는 개개의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))로부터 개별 이벤트를 나타내는 이벤트 데이터를 수신할 수 있다. 예를 들면, WMS(119)는 패키지를 스캔하기 위해 이들 디바이스 중 하나를 사용한 것을 나타내는 이벤트 데이터를 수신할 수 있다. 풀필먼트 센터(200) 및 도 2에 관하여 이하에서 논의되는 바와 같이, 풀필먼트 프로세스 동안, 패키지 식별자(예를 들면, 바코드 또는 RFID 태그 데이터)는 특정 스테이지의 기계(예를 들면, 자동 또는 핸드헬드 바코드 스캐너, RFID 판독기, 고속 카메라, 태블릿(119A), 모바일 디바이스/PDA(119B), 컴퓨터(119C)와 같은 디바이스 등)에 의해 스캔되거나 판독될 수 있다. WMS(119)는 패키지 식별자, 시간, 날짜, 위치, 사용자 식별자, 또는 다른 정보와 함께 대응하는 데이터베이스(미도시)에 패키지 식별자의 스캔 또는 판독을 나타내는 각 이벤트를 저장할 수 있고, 이러한 정보를 다른 시스템(예를 들면, 배송 및 주문 트래킹 시스템(111))에 제공할 수 있다.
일부 실시예에서, WMS(119)는 하나 이상의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))와 시스템(100)과 연관된 하나 이상의 사용자를 연관시키는 정보를 저장할 수 있다. 예를 들면, 일부 상황에서, (파트 타임 또는 풀 타임 직원과 같은) 사용자는 모바일 디바이스(예를 들면, 모바일 디바이스는 스마트폰임)를 소유한다는 점에서, 모바일 디바이스와 연관될 수 있다. 다른 상황에서, 사용자는 임시로 모바일 디바이스를 보관한다는 점에서(예를 들면, 하루의 시작에서부터 모바일 디바이스를 대여받은 사용자가, 하루 동안 그것을 사용하고, 하루가 끝날 때 그것을 반납할 것임), 모바일 디바이스와 연관될 수 있다.
일부 실시예에서, WMS(119)는 시스템(100)과 연관된 각각의 사용자에 대한 작업 로그를 유지할 수 있다. 예를 들면, WMS(119)는 임의의 할당된 프로세스(예를 들면, 트럭에서 내리기, 픽업 구역에서 아이템을 픽업하기, 리비닝 월(rebin wall) 작업, 아이템 패킹하기), 사용자 식별자, 위치(예를 들면, 풀필먼트 센터(200)의 바닥 또는 구역), 직원에 의해 시스템을 통해 이동된 유닛의 수(예를 들면, 픽업된 아이템의 수, 패킹된 아이템의 수), 디바이스(예를 들면, 디바이스(119A-119C))와 관련된 식별자 등을 포함하는, 각 직원과 관련된 정보를 저장할 수 있다. 일부 실시예에서, WMS(119)는 디바이스(119A-119C)에서 작동되는 계시(timekeeping) 시스템과 같은 계시 시스템으로부터 체크-인 및 체크-아웃 정보를 수신할 수 있다.
일부 실시예에서, 제3자 풀필먼트 (3PL) 시스템(121A-121C)은 물류 및 제품의 제3자 제공자와 관련된 컴퓨터 시스템을 나타낸다. 예를 들면, (도 2와 관련하여 이하에서 후술하는 바와 같이) 일부 제품이 풀필먼트 센터(200)에 저장되는 반면, 다른 제품은 오프-사이트(off-site)에 저장될 수 있거나, 수요에 따라 생산될 수 있으며, 달리 풀필먼트 센터(200)에 저장될 수 없다. 3PL 시스템(121A-121C)은 FO 시스템(113)으로부터 (예를 들면, FMG(115)를 통해) 주문을 수신하도록 구성될 수 있으며, 고객에게 직접 제품 및/또는 서비스(예를 들면, 배달 또는 설치)를 제공할 수 있다. 일부 구현예에서, 하나 이상의 3PL 시스템(121A-121C)은 시스템(100)의 일부일 수 있지만, 다른 구현예에서는, 하나 이상의 3PL 시스템(121A-121C)이 시스템(100)의 외부에 있을 수 있다(예를 들어, 제3자 제공자에 의해 소유 또는 운영됨)일 수 있다.
일부 실시예에서, 풀필먼트 센터 인증 시스템(FC Auth)(123)은 다양한 기능을 갖는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 일부 실시예에서, FC Auth(123)는 시스템(100) 내의 하나 이상의 다른 시스템에 대한 단일-사인 온(single-sign on, SSO) 서비스로서 작동할 수 있다. 예를 들면, FC Auth(123)는 내부 프론트 엔드 시스템(105)을 통해 사용자가 로그인하게 하고, 사용자가 배송 및 주문 트래킹 시스템(111)에서 리소스에 액세스하기 위해 유사한 권한을 갖고 있다고 결정하며, 두 번째 로그인 프로세스 요구 없이 사용자가 그러한 권한에 액세스할 수 있게 한다. 다른 실시예에서, FC Auth(123)는 사용자(예를 들면, 직원)가 자신을 특정 작업과 연관시킬 수 있게 한다. 예를 들면, 일부 직원은 (디바이스(119A-119C)와 같은) 전자 디바이스를 갖지 않을 수 있으며, 대신 하루 동안 풀필먼트 센터(200) 내에서 작업들 사이 및 구역들 사이에서 이동할 수 있다. FC Auth(123)는 이러한 직원들이 상이한 시간 대에 수행 중인 작업과 속해 있는 구역을 표시할 수 있도록 구성될 수 있다.
일부 실시예에서, 노동 관리 시스템(LMS)(125)은 직원(풀-타임 및 파트-타임 직원을 포함함)에 대한 출근 및 초과 근무 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, LMS(125)는 FC Auth(123), WMS(119), 디바이스(119A-119C), 운송 시스템(107), 및/또는 디바이스(107A-107C)로부터 정보를 수신할 수 있다.
도 1a에 나타낸 특정 구성은 단지 예시일 뿐이다. 예를 들면, 도 1a는 FO 시스템(113)에 연결된 FC Auth 시스템(123)을 나타낸 반면, 모든 실시예가 이러한 특정 구성을 필요로 하는 것은 아니다. 실제로, 일부 실시예에서, 시스템(100) 내의 시스템은 인터넷, 인트라넷, WAN(Wide-Area Network), MAN(Metropolitan-Area Network), IEEE 802.11a/b/g/n 표준을 따르는 무선 네트워크, 임대 회선 등을 포함하는 하나 이상의 공공 또는 사설 네트워크를 통해 서로 연결될 수 있다. 일부 실시예에서, 시스템(100) 내의 시스템 중 하나 이상은 데이터 센터, 서버 팜 등에서 구현되는 하나 이상의 가상 서버로서 구현될 수 있다.
도 2는 풀필먼트 센터(200)를 나타낸다. 풀필먼트 센터(200)는 주문시 고객에게 배송하기 위한 아이템을 저장하는 물리적 장소의 예시이다. 풀필먼트 센터(FC)(200)는 다수의 구역으로 분할될 수 있으며, 각각이 도 2에 도시된다. 일부 실시예에서, 이러한 "구역(zones)"은 아이템을 수령하고, 아이템을 저장하고, 아이템을 검색하고, 아이템을 배송하는 과정의 상이한 단계 사이의 가상 구분으로 생각될 수 있다. 따라서, "구역"이 도 2에 나타나 있으나, 일부 실시예에서, 구역의 다른 구분도 가능하고, 도 2의 구역은 생략, 복제, 또는 수정될 수 있다.
인바운드 구역(203)은 도 1a의 시스템(100)을 사용하여 제품을 판매하고자 하는 판매자로부터 아이템이 수신되는 FC(200)의 영역을 나타낸다. 예를 들면, 판매자는 트럭(201)을 사용하여 아이템(202A, 202B)을 배달할 수 있다. 아이템(202A)은 자신의 배송 팔레트(pallet)를 점유하기에 충분히 큰 단일 아이템을 나타낼 수 있으며, 아이템(202B)은 공간을 절약하기 위해 동일한 팔레트 상에 함께 적층되는 아이템의 세트를 나타낼 수 있다.
작업자는 인바운드 구역(203)의 아이템을 수령하고, 선택적으로 컴퓨터 시스템(미도시)을 사용하여 아이템이 손상되었는지 및 정확한지를 체크할 수 있다. 예를 들면, 작업자는 아이템(202A, 202B)의 수량을 아이템의 주문 수량과 비교하기 위해 컴퓨터 시스템을 사용할 수 있다. 수량이 일치하지 않는다면, 해당 작업자는 아이템(202A, 202B) 중 하나 이상을 거부할 수 있다. 수량이 일치한다면, 작업자는 그 아이템들을 (예를 들면, 짐수레(dolly), 핸드트럭(handtruck), 포크리프트(forklift), 또는 수작업으로) 버퍼 구역(205)으로 운반할 수 있다. 버퍼 구역(205)은, 예를 들면, 예측된 수요를 충족시키기 위해 픽업 구역에 그 아이템이 충분한 수량만큼 있기 때문에, 픽업 구역에서 현재 필요하지 않은 아이템에 대한 임시 저장 영역일 수 있다. 일부 실시예에서, 포크리프트(206)는 버퍼 구역(205) 주위와 인바운드 구역(203) 및 드롭 구역(207) 사이에서 아이템을 운반하도록 작동한다. (예를 들면, 예측된 수요로 인해) 픽업 구역에 아이템(202A, 202B)이 필요하면, 포크리프트는 아이템(202A, 202B)을 드롭 구역(207)으로 운반할 수 있다.
드롭 구역(207)은 픽업 구역(209)으로 운반되기 전에 아이템을 저장하는 FC(200)의 영역일 수 있다. 픽업 동작에 할당된 작업자("피커(picker)")는 픽업 구역의 아이템(202A, 202B)에 접근하고, 픽업 구역에 대한 바코드를 스캔하며, 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A, 202B)과 관련된 바코드를 스캔할 수 있다. 그 다음 피커는 (예를 들면, 카트에 놓거나 운반함으로써) 픽업 구역(209)에 아이템을 가져갈 수 있다.
픽업 구역(209)은 아이템(208)이 저장 유닛(210)에 저장되는 FC(200)의 영역일 수 있다. 일부 실시예에서, 저장 유닛(210)은 물리적 선반, 책꽂이, 박스, 토트(tote), 냉장고, 냉동고, 저온 저장고 등 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 픽업 구역(209)은 다수의 플로어로 편성될 수 있다. 일부 실시예에서, 작업자 또는 기계는, 예를 들면, 포크리프트, 엘리베이터, 컨베이어 벨트, 카트, 핸드트럭, 짐수레, 자동화된 로봇 또는 디바이스, 또는 수작업을 포함하는 다양한 방식으로 아이템을 픽업 구역(209)으로 운반할 수 있다. 예를 들면, 피커는 아이템(202A, 202B)을 드롭 구역(207)의 핸드트럭 또는 카트에 놓을 수 있으며, 아이템(202A, 202B)을 픽업 구역(209)으로 가져갈 수 있다.
피커는 저장 유닛(210) 상의 특정 공간과 같은 픽업 구역(209)의 특정 스팟에 아이템을 배치(또는 "적재(stow)")하라는 명령을 수신할 수 있다. 예를 들면, 피커는 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A)을 스캔할 수 있다. 디바이스는, 예를 들면, 통로, 선반 및 위치를 나타내는 시스템을 사용하여, 아이템(202A)을 적재해야 하는 위치를 나타낼 수 있다. 그 다음 디바이스는 그 위치에 아이템(202A)을 적재하기 전에 피커가 그 위치에서 바코드를 스캔하도록 할 수 있다. 디바이스는 도 1a의 WMS(119)와 같은 컴퓨터 시스템에 아이템(202A)이 디바이스(119B)를 사용하는 사용자에 의해 그 위치에 적재되었음을 나타내는 데이터를 (예를 들면, 무선 네트워크를 통해) 전송할 수 있다.
일단 사용자가 주문을 하면, 피커는 저장 유닛(210)으로부터 하나 이상의 아이템(208)을 검색하기 위해 디바이스(119B)에 명령을 수신할 수 있다. 피커는 아이템(208)을 검색하고, 아이템(208) 상의 바코드를 스캔하며, 운송 기구(214) 상에 놓을 수 있다. 일부 실시예에서, 운송 기구(214)가 슬라이드로서 표현되지만, 운송 기구는 컨베이어 벨트, 엘리베이터, 카트, 포크리프트, 핸드트럭, 짐수레, 카트 등 중 하나 이상으로서 구현될 수 있다. 그 다음 아이템(208)은 패킹 구역(211)에 도착할 수 있다.
패킹 구역(211)은 아이템이 픽업 구역(209)으로부터 수령되고 고객에게 최종 배송하기 위해 박스 또는 가방에 패킹되는 FC(200)의 영역일 수 있다. 패킹 구역(211)에서, 아이템을 수령하도록 할당된 작업자("리비닝 작업자(rebin worker)")는 픽업 구역(209)으로부터 아이템(208)을 수령하고, 그것이 어느 주문에 대응하는지를 결정할 것이다. 예를 들면, 리비닝 작업자는 아이템(208) 상의 바코드를 스캔하기 위해 컴퓨터(119C)와 같은 디바이스를 사용할 수 있다. 컴퓨터(119C)는 아이템(208)이 어느 주문과 관련이 있는지를 시각적으로 나타낼 수 있다. 이는, 예를 들면, 주문에 대응하는 월(216) 상의 공간 또는 "셀(cell)"을 포함할 수 있다. (예를 들면, 셀에 주문의 모든 아이템이 포함되어 있기 때문에) 일단 주문이 완료되면, 리비닝 작업자는 패킹 작업자(또는 "패커(packer)")에게 주문이 완료된 것을 알릴 수 있다. 패커는 셀로부터 아이템을 검색하고, 배송을 위해 이들을 박스 또는 가방에 놓을 수 있다. 그 다음 패커는, 예를 들면, 포크리프트, 카트, 짐수레, 핸드트럭, 컨베이어 벨트, 수작업 또는 다른 방법을 통해, 박스 또는 가방을 허브 구역(213)으로 보낼 수 있다.
허브 구역(213)은 패킹 구역(211)으로부터 모든 박스 또는 가방("패키지(packages)")을 수신하는 FC(200)의 영역일 수 있다. 허브 구역(213)의 작업자 및/또는 기계는 패키지(218)를 검색하고, 각 패키지가 배달 영역의 어느 부분으로 배달되도록 되어 있는지를 결정하며, 패키지를 적합한 캠프 구역(215)으로 보낼 수 있다. 예를 들면, 배달 영역이 2개의 작은 하위 영역을 갖는다면, 패키지는 2개의 캠프 구역(215) 중 하나로 보내질 것이다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 패키지를 캠프 구역(215)으로 보내는 것은, 예를 들면, (우편 번호에 기초하여) 패키지가 향하는 지리적 영역의 부분을 결정하고, 지리적 영역의 부분과 관련된 캠프 구역(215)을 결정하는 것을 포함할 수 있다.
일부 실시예에서, 캠프 구역(215)은 루트 및/또는 서브-루트로 분류하기 위해 허브 구역(213)으로부터 패키지가 수령되는 하나 이상의 빌딩, 하나 이상의 물리적 공간, 또는 하나 이상의 영역을 포함할 수 있다. 일부 실시예에서, 캠프 구역(215)은 FC(200)로부터 물리적으로 분리되어 있는 반면, 다른 실시예에서는 캠프 구역(215)은 FC(200)의 일부를 형성할 수 있다.
캠프 구역(215)의 작업자 및/또는 기계는, 예를 들면, 목적지와 기존 루트 및/또는 서브-루트의 비교, 각각의 루트 및/또는 서브-루트에 대한 작업량의 계산, 하루 중 시간, 배송 방법, 패키지(220)를 배송하기 위한 비용, 패키지(220)의 아이템과 관련된 PDD 등에 기초하여 패키지(220)가 어느 루트 및/또는 서브-루트와 연관되어야 하는지를 결정할 수 있다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 일단 패키지(220)가 특정 루트 및/또는 서브-루트에 할당되면, 작업자 및/또는 기계는 배송될 패키지(220)를 운반할 수 있다. 예시적인 도 2에서, 캠프 구역(215)은 트럭(222), 자동차(226), 배달원(224A, 224B)을 포함한다. 일부 실시예에서, 배달원(224A)이 트럭(222)을 운전할 수 있는데, 이 때 배달원(224A)은 FC(200)에 대한 패키지를 배달하는 풀-타임 직원이며, 트럭은 FC(200)를 소유, 임대 또는 운영하는 동일한 회사에 의해 소유, 임대, 또는 운행된다. 일부 실시예에서, 배달원(224B)이 자동차(226)를 운전할 수 있는데, 이 때 배달원(224B)은 필요에 따라(예를 들면, 계절에 따라) 배달하는 "플렉스(flex)" 또는 비상시적인 작업자이다. 자동차(226)는 배달원(224B)에 의해 소유, 임대 또는 운행될 수 있다.
일부 실시예에 따르면, 텍스트 문자열을 생성하기 위한 방법이 제공된다. 컴퓨터 기술 환경에서, 텍스트 문자열은 글자, 숫자, 구두점 및/또는 기타 유사한 정보와 같은 문자(character)를 나타내는 일련의 데이터 비트를 나타낼 수 있다. 일부 실시예에서, 검색가능 키워드는 텍스트 문자열의 형식일 수 있다. 일부 실시예에 따르면, 텍스트 문자열을 생성하기 위한 시스템이 제공되며, 이 시스템은 하나 이상의 프로세서 및 하나 이상의 메모리 저장 매체를 포함한다.
일부 실시예에 따르면, 시스템은, 하나 이상의 데이터베이스로부터, 제품에 관한 정보를 수신할 수 있으며, 이 정보는 적어도 이미지, 제품 식별자 및 컨텍스트를 포함한다. 앞서 설명한 바와 같이, 제품은 이미지 또는 픽처를 포함할 수 있는 제품 정보와 연관될 수 있다. 본 명세서에서 사용되는 이미지는 제품, 그 기능, 용도, 및/또는 기타 속성의 시각적 표현일 수 있다. 이미지의 예로는 드로잉, 픽처, 포토, 그래픽, 애니메이션, 카툰, 일러스트레이션, 아이콘, 및/또는 기타 시각적 요소를 포함한다. 제품 식별자는 데이터베이스에 저장된 제품을 고유하게 식별하는 데이터일 수 있다. 예를 들어, 제품 식별자는 시리얼 넘버, 태그, SKU(stock keeping unit), 이름, 코드, 및/또는 기타 식별 정보를 포함할 수 있다. 같은 제품에 관한 여러 서로 다른 정보는, 데이터베이스에 저장되었을 경우, 제품 식별자를 통해서 링크될 수 있다. 일부 실시예에서, 제품 식별자는 제품의 이름 또는 타이틀일 수 있다. 일부 실시예에서, 정보는 제품에 관한 스펙(specification)을 포함할 수 있다. 스펙은, 치수, 무게, 컬러, 또는 제품의 일부 측면과 관련될 수 있는 임의의 정보와 같이, 제품의 하나 이상의 속성을 설명하는 텍스트 형식의 정보를 나타낼 수 있다.
컨텍스트는 제품에 대한 속성을 분류하거나 할당하는데 도움이 되는 정보를 나타낼 수 있다. 일부 실시예에서, 스펙은 컨텍스트 종속형이다. 예를 들어, 랩톱은 스크린 사이즈, 무게, 배터리 수명, 메모리, 처리 속도 등과 같은 스펙을 포함할 수 있다. 또 다른 예로서, TV는 디스플레이 타입(플라즈마/LED/LCD), 해상도, 출력 인터페이스, 소비 전력 등과 같은 스펙을 포함할 수 있다. 또 다른 예로서, 서로 맞물리는 플라스틱 블록으로 구성된 장난감은 조각 수, 재료, 권장된 사용자 연령 등과 같은 스펙을 포함할 수 있다. 통상의 기술자라면 서로 다른 카테고리에 속하는 제품의 다양한 예가 서로 다른 타입의 정보를 포함할 수 있음을 이해할 것이다. 일부 실시예에서, 컨텍스트는 제품의 카테고리이다. 카테고리의 예로는 의류, 장난감, 랩톱 컴퓨터, 모바일폰, 신선 식품, 도서, 용기, 및 소매업과 흔히 연관된 아이템의 기타 유사한 카테고리를 포함할 수 있지만 이것들로 한정되는 것은 아니다.
일례로서, 도 3은 개시된 실시예에 따른, 텍스트 문자열을 생성하기 위한 예시적인 시스템의 개략적인 도면이다. 시스템(300)은 벤더 디바이스(302)를 포함할 수 있다. 벤더 디바이스(302)는 카탈로그 DB(304)와 같은 데이터베이스에 데이터를 업로드하는 컴퓨터 디바이스일 수 있다. 일부 실시예에서, 벤더 디바이스(302)로부터 업로드된 데이터는 제품과 관련되고, 카탈로그 DB(304)에 엔트리로서 저장된다. 일부 실시예에서, 사용자 디바이스(102A-102C)는 벤더 디바이스(302)의 예시일 수 있으며, 외부 프론트 엔드 시스템(103)은 사용자 디바이스(102A-102C)와 상호 작용하여 업로드 데이터를 카탈로그 DB(304)에 엔트리로서 저장하도록 구성할 수 있다. 일부 실시예에서, 벤더 디바이스(302)는 시스템(100)에서 판매하기 위한 제품의 공급원(예로써, 제조자 또는 재판매자)인 벤더와 연관될 수 있다. 예를 들어, 시스템(100)에서 판매하기 위한 제품을 제공하는 벤더는 데이터베이스(예로써, 카탈로그 DB(304))에 제품의 정보를 제공(즉, 업로드)할 수 있으며, 이러한 정보는 제품명, 컬러, 브랜드, 카테고리, 기타 스펙(예로써, 사이즈, 치수, 컬러, 배터리 수명), 이미지, 및/또는 잠재적 구매자에게 제품의 특성 및 용도를 알리는 기타 기능 및 옵션을 포함할 수 있다.
서버(306)는 하나 이상의 프로세서, I/O부, 및 메모리 저장 매체를 포함하는 컴퓨터 디바이스일 수 있다. 서버(306)는 카탈로그 DB(304)와 같은 제1 데이터베이스에서의 엔트리로부터 데이터를, 입력으로서, 검색할 수 있으며, 검색 DB(310)와 같은 제2 데이터베이스에 저장하기 위해 처리된 데이터를, 출력으로서, 제공할 수 있다. 일부 실시예에서, 카탈로그 DB(304)로부터 검색된 데이터는 제품에 관한 비정제된 데이터일 수 있으며, 검색 DB(310)에 제공된 데이터는 제품에 관한 정제된 데이터일 수 있다. 정제된 데이터 및 비정제된 데이터, 그리고 정제 프로세스는 도 4 및 도 5를 참조하여 아래에서 설명될 것이다. 일부 실시예에서, 서버(306)는 정제 DB(308)와 같은 제3 데이터베이스에 비정제된 데이터의 일부를 제공하고, 이에 대응하여 정제 DB(308)로부터 정의(definition)를 검색할 수 있다. 일부 실시예에서, 제3 데이터베이스에 제공된 비정제된 데이터의 일부는 비정제된 데이터의 컨텍스트를 포함할 수 있고, 서버(306)는 정제된 데이터를 생성하기 위한 정제 프로세스 중에 그 정의를 사용하며, 이에 대한 자세한 설명은 도 4 및 도 5를 참조하여 아래에서 설명될 것이다.
사용자 디바이스(312)는 쇼핑객으로서 시스템(100)과 상호 작용할 수 있는 사용자와 연관된 컴퓨터 디바이스일 수 있다. 사용자 디바이스(102A-102C)는 사용자 디바이스(312)의 예일 수 있다. 일부 실시예에서, 사용자 디바이스(312)를 사용하는 쇼핑객은 제품에 대한 검색을 수행할 수 있고, 검색(또는 쿼리) 기준과 매칭되는, 검색 DB(310)와 같은 데이터베이스에서의 엔트리가 사용자 디바이스(312)에 결과로서 반환될 수 있다. 일부 실시예에서, 사용자 디바이스(312)는 프론트 엔드 시스템(103)과 상호 작용하여 검색 DB(310)에서 검색을 수행할 수 있다. 일부 실시예에서, 제품에 대응하는 검색 DB(310)에서의 엔트리는, 같은 제품에 대응하는 카탈로그 DB(304)에서의 엔트리와 서로 다를 수 있다. 예를 들어, CDS DB(304)에서의 엔트리는 비정제된 제품 정보일 수 있으며, 검색 DB(310)에서의 엔트리는 정제된 제품 정보일 수 있다. 서버(306)는 비정제된 제품 정보를 정제된 제품 정보로 변환할 수 있다.
일례로서, 도 4는 개시된 실시예에 따른, 예시적인 비정제된 및 정제된 제품 정보의 개략적인 도면이다. 제품에 관한 정보는 데이터 블록(402)으로 예시된 비정제된 제품 정보일 수 있다. 일부 실시예에서, 데이터 블록(402)은 상술한 바와 같이 이름(402A), 이미지(402B), 및 스펙(402C)을 포함하는, 제품에 대응하는 카탈로그 DB(304)에서의 엔트리를 나타낸다. 데이터 블록(402)에 포함된 정보는 제품의 벤더와 연관된 벤더 디바이스(302)로부터 제공될 수 있다. 일부 실시예에서, 데이터 블록(402)에 포함된 정보는, 벤더가 시스템(100)에서 판매하기 위한 제품을 등록하거나 또는 벤더가 이전에 등록된 제품의 정보를 업데이트할 때, 벤더 디바이스(302)를 통해서 카탈로그 DB(304)에 업로드될 수 있다. 대안적으로 또는 추가적으로, 일부 실시예에서, 오퍼레이터는 시스템(300)을 지원하기 위해 정제 로직(refinement logic) 또는 제품 정보를 제공할 수 있다. 예를 들어, 오퍼레이터는 정제 결과를 미리 보고, 세팅 및/또는 로직을 최적화된 시스템 결과에 맞출 수 있다.
정제 시스템(404)은 데이터 블록(402)을 데이터 블록(406)으로 변환하기 위한 컴퓨터화된 시스템일 수 있다. 일부 실시예에서, 정제 시스템(404)은 도 3의 서버(306)에 의해 구현된다. 정제 시스템(404)은 텍스트 분류기(404A), 이미지 분류기(404B), 및/또는 이미지 OCR(404C)과 같은 하나 이상의 기계 학습 모델을 포함할 수 있다. 정제 시스템(404)(및 서버(306))의 동작은 아래에서 자세히 설명된다.
데이터 블록(406)은 검색 DB(310)와 같은 데이터베이스에 엔트리로서 저장된 제품 정보를 나타낸다. 일부 실시예에서, 데이터 블록(406)은 이름(402A), 이미지(402B), 속성(406A), 및 검색 태그(406B)를 포함한다. 이름(402A) 및 이미지(402B)는 데이터 블록(402)으로부터 추출될 수 있고, 한편 속성(406A) 및 검색 태그(406B)는 정제 시스템(404)에 의해 생성될 수 있다.
일례로서, 도 5는 개시된 실시예에 따른, 텍스트 문자열을 생성하기 위한 예시적인 프로세스를 나타내는 플로차트이다. 스텝 502에서, 서버(306)는 비정제된 데이터를 수신한다. 일부 실시예에서, 비정제된 데이터는 상술한 바와 같이 이름(402A), 이미지(402B), 및 스펙(402C)을 포함하는 데이터 블록(402)일 수 있다.
일부 실시예에 따르면, 시스템은 컨텍스트에 기초하여 복수의 필드를 생성할 수 있다. 일부 실시예에서, "필드"는 데이터베이스 엔트리의 데이터 컴포넌트와 같은 데이터 필드를 나타낼 수 있다. 일부 실시예에서, 생성된 필드는 정제된 제품 정보의 필드이다. 일부 실시예에서, 복수의 필드 각각은 제품의 일측면에 대응하는 미리 정의된 데이터 필드이다. 예를 들어, 각 필드는 속성에 대응할 수 있다. 일부 실시예에서, 복수의 필드는 브랜드, 속성, 또는 제품 타입 중 적어도 하나를 포함한다. 예를 들어, 특정 제품에 대해서, 데이터베이스 엔트리는 적어도 제품의 브랜드, 적어도 하나의 속성, 및 제품의 타입에 대한 필드를 각각 포함할 수 있다.
스텝 504에서, 비정제된 데이터 수신 후에, 서버(306)는 비정제된 데이터로부터 컨텍스트를 추출한다. 컨텍스트는 앞서 설명한 바와 같이 제품 타입 또는 카테고리일 수 있다. 제품 타입은 제품이 속하는 카테고리일 수 있다. 예를 들어, 제품이 랩톱 컴퓨터인 경우, 시스템은 그 브랜드(예로써, Apple, Dell, Lenovo 등)에 대응하는 데이터를 포함하기 위한 필드; 적어도 하나의 속성(예로써, 스크린 사이즈, 무게, 프로세서 속도, 메모리, 배터리 수명 등)에 대응하는 데이터를 포함하기 위한 적어도 하나의 필드; 및 그 제품 타입(예로써, 퍼스널 컴퓨터 디바이스)에 대응하는 데이터를 포함하기 위한 필드를 생성할 수 있다. 통상의 기술자라면 시스템이 제품 타입에 대해 적절히 추가적인 필드를 생성할 수 있음을 이해할 것이다. 일부 실시예에서, 제품에 대한 복수의 필드는 제품 타입에 기초하여 미리 결정될 수 있다. 예를 들어, "모바일 컴퓨터 디바이스"는 시스템에 의한 설계에 따라 스크린 사이즈, 무게, 프로세서 속도, 메모리, 배터리 수명, 또는 기타 미리 결정된 속성에 대한 필드를 갖도록 시스템에서 미리 결정되어 있는 제품일 수 있다. 일부 실시예에서, 제품에 대해 생성될 복수의 필드 및 그 제품 타입 간의 관계는 데이터베이스에 파일(file)로서 저장될 수 있으며, 시스템은 복수의 필드를 생성하기 전에 이 파일을 검색할 수 있다.
일례로서, 도 3에 도시된 바와 같이, 서버(306)는 정제 DB(308)에 "카테고리"를 제공하고, 정제 DB(308)로부터 "정의"를 검색한다. 카테고리는 제품 타입의 예일 수 있으며, 정의는 복수의 필드를 생성하기 위한 서버(306)에 명령하는 파일의 예일 수 있다.
스텝 506에서, 서버(306)는 정제 범위를 결정한다. 일부 실시예에서, 서버(306)는 제품에 대한 복수의 필드를 생성함으로써 정제 범위를 결정한다. 각 필드가 정제를 요구하기 때문에, 생성되는 필드는 정제 동작의 범위를 규정한다. 도 4를 참조하여 상술한 바와 같이, 서버(306)는 제품의 제품 타입/카테고리에 기초하여 복수의 필드를 생성한다. 일부 실시예에서, 서버(306)는 정제 DB(308)와 같은 데이터베이스에 추출된 컨텍스트(예로써, 제품 카테고리/타입)를 제공하고, 추출된 컨텍스트에 기초하여 생성될 필드 및 생성 방식을 규정하는 파일(예로써, 정의)을 검색한다. 스텝 506에서, 서버(306)는 검색된 파일에 기초하여 복수의 필드를 생성한다.
일부 실시예에 따르면, 시스템은, 복수의 필드 각각에 대해, 복수의 기계 학습 모델로부터 기계 학습 모델을 선택할 수 있다. 기계 학습 모델은 특별히 명령하거나 또는 그렇게 하도록 프로그래밍하지 않고 태스크를 수행할 수 있는 컴퓨터 소프트웨어, 프로그램 및/또는 알고리즘을 나타낼 수 있다. 기계 학습 모델의 예로는 뉴럴 네트워크, 결정 트리, 회귀 분석, 베이지안 네트워크, 유전 알고리즘, 및/또는 일부 트레이닝 데이터에 대해 트레이닝하고, 트레이닝에 의해 예측 또는 결정을 하기 위해 추가 데이터를 처리하도록 구성된 기타 모델을 포함한다. 일부 실시예에서, 시스템은 다수의 기계 학습 모델을 소유할 수 있으며, 또한 시스템은 특정 필드에 사용하기 위해 이들 기계 학습 모델 중 하나를 결정할 수 있다. 복수의 기계 학습 모델은 관련 이미지를 포함하는 미리 구축된 데이터 세트를 사용하여 트레이닝될 수 있다.
스텝 510에서, 서버(306)는 복수의 필드 각각에 대해 정제 방법을 결정한다. 정제 방법은 도 4에 도시된 바와 같이 텍스트 분류기(404A), 이미지 분류기(404B), 또는 이미지 OCR(404C)과 같은 기계 학습 모델 중 하나일 수 있다. 일부 실시예에서, 복수의 필드 각각은 복수의 기계 학습 모델 중 하나, 및 복수의 텍스트 문자열을 포함하는 라이브러리와 연관된다. 일부 실시예에서, 필드, 기계 학습 모델, 및 텍스트 문자열을 포함하는 라이브러리의 연관성은 미리 결정되고, 데이터베이스 상의 파일에 저장될 수 있다. 일례로서, 도 3에 도시된 바와 같이, 정제 DB(308)는 파일의 일례일 수 있는 정의를 저장할 수 있다. 정의는 필드, 기계 학습 모델, 및 텍스트 문자열을 포함하는 라이브러리의 연관성을 포함할 수 있다. 정의는, 각 필드에 대해서, 사용에 적합한 기계 학습 모델, 및 필드에 적합한 텍스트 문자열의 리스트를 추가로 기술할 수 있다.
일부 실시예에 따르면, 시스템은 선택된 기계 학습 모델을 사용하여 정보를 분석할 수 있다. 스텝 512에서, 시스템은 비정제된 데이터를 추출한다. 예를 들어, 생성된 복수의 필드 각각에 대해, 스텝 510에서 선택된 기계 모델 중 하나를 사용하여, 시스템은 제품과 연관된 정보를 분석한다. 이 분석에 기초하여, 시스템은 또한 각 필드에 대한 키워드를 생성한다.
일부 실시예에서, 선택된 기계 학습 모델은 이미지 분류기이며, 정보를 분석하는 것은 이미지를 분석하는 것을 포함한다. 이미지 분류기는 이미지의 하나 이상의 측면 또는 속성을 결정하기 위한 프로그램, 알고리즘, 로직, 또는 코드를 나타낼 수 있다. 이미지 분류기는 하나 이상의 클래스를 이미지에 할당할 수 있으며, 클래스는 이미지의 미리 정의된 속성이다. 트레이닝된 뉴럴 네트워크를 사용하여, 이미지 분류기는 이미지의 일부 특징을 인식하려고 시도하고, 뉴럴 네트워크의 출력에 기초하여 이미지에 클래스를 할당할 수 있다. 뉴럴 네트워크 또는 인공 뉴럴 네트워크는 입력 데이터가 네트워크화된 노드의 레이어에 제공되고, 결과적으로 출력 데이터를 제공하는 기계 학습 모델의 타입을 나타낼 수 있다. 레이어 내에서, 네트워크화된 노드들은 '가중치'가 적용된 네트워크 연결을 통해서 연결된다. 입력 데이터는, 이러한 가중치 기반 연결을 통해서 통과하여, 이들 네트워크화된 노드 중 하나 이상에 의해 처리될 수 있다. 가중치 기반 연결의 가중치는 학습 규칙에 의해 결정될 수 있다. 학습 규칙은 네트워크화된 노드의 연결 각각에 가중치를 할당하기 위한 로직일 수 있다. 예를 들어, 학습 규칙은 미리 레이블 지정된 입력 및 출력 데이터를 포함하는 트레이닝 데이터 세트에 포함된 관계일 수 있다. 따라서 뉴럴 네트워크는 레이어 내에 네트워크화된 노드 간의 연결에 가중치를 할당함으로써 미리 레이블 지정된 입력 및 출력 데이터 간의 관계를 인식하도록 "트레이닝"될 수 있다. 트레이닝되면, 네트워크화된 노드 간에 확립된 가중치 기반 연결을 사용하여, 뉴럴 네트워크는 원하는 출력 데이터를 생성하도록 추가 입력 데이터를 처리할 수 있다.
일례로서, 서버(306)는 이미지 분류기(404B)와 같은 기계 학습 이미지 분류기를 포함할 수 있다. 정제 DB(308)로부터 검색된 정의에 기초하여, 서버(306)는 이미지 분류기(404B)를 사용하여 특정 필드에 분석이 필요하다고 결정한다. 또한, 정제 DB(308)로부터 검색된 정의에 기초하여, 서버(306)는 특정 필드가 텍스트 문자열의 특정 리스트와 연관된다고 결정하며, 이는 정의 내에 포함되거나 규정될 수 있다. 일례로서, 도 6에 도시된 바와 같이, 제품은 물컵일 수 있다. 물컵에 관한 정보는, 물컵의 이미지인, 이미지(600)를 포함할 수 있다. 서버(306)는 물컵에 대한 복수의 필드를 생성할 수 있으며, 그 필드 중 하나는 "손잡이의 수"일 수 있다. 이 예에서, 이 제품 타입에 대한 정의는, 이미지 분류기가 이 필드에 대한 정보를 분석하도록 사용되어야 한다고 미리 결정할 수 있다.
일부 실시예에서, 이미지 분류기(404B)는 뉴럴 네트워크의 다수의 콘볼루션 레이어(예로써, 13개) 및 다수의 완전 연결된 레이어(예로써, 3개)로 구성된 뉴럴 네트워크 모델이다. 일부 실시예에서, 이미지 분류기(404B)는, 각 뉴럴 노드의 활성화 함수로서 정류된 선형 유닛(rectified Linear Unit; ReLU)을 활용하는, 3x3 콘볼루션 필터 및 2x2 맥스 풀링(max pooling) 레이어를 사용한다. 일부 실시예에서, 이미지 분류기(404B)는 특정 카테고리 및 속성으로부터의 이미지에 대해서만 활성화하도록 구성될 수 있다. 예를 들어, 이미지 분류기(404B)는, "두개의 손잡이", "하나의 손잡이", "손잡이 없음", 및 "타깃 이미지 없음"과 같이 4개의 클래스를 예측 결과로서 사용하여, 관련 이미지 또는 비관련 이미지를 식별한다(예로써, 손잡이의 수를 식별할 때 이미지 분류기(404B)에 대한 타깃으로서 물컵 이미지만을 선택함).
일부 실시예에서, 선택된 기계 학습 모델은 이미지 OCR 알고리즘을 포함하며, 데이터를 분석하는 것은 이미지를 분석하는 것을 포함한다. 이미지 OCR(optical character recognition)은 이미지로부터 텍스트 문자를 추출하기 위한 프로그램, 알고리즘, 로직, 또는 코드를 나타낼 수 있다. 일례로서, 서버(306)는 이미지 OCR(404C)과 같은 기계 학습 이미지 OCR을 포함할 수 있다. 정제 DB(308)로부터 검색된 정의에 기초하여, 서버(306)는 이미지 분류기(404C)를 사용하여 특정 필드에 분석이 필요하다고 결정한다. 일례로서, 도 7에 도시된 바와 같이, 제품은 아동용 플라스틱 블록 조립식 장난감일 수 있다. 이 장난감에 관한 정보는 장난감 패키징 이미지인 이미지(700)를 포함할 수 있다. 서버(306)는 이 장난감에 대한 복수의 필드를 생성할 수 있으며, 그 필드 중 하나는 "권장 연령"일 수 있다. 이 예에서, 이 제품 타입에 대한 정의는, 이미지 OCR이 이 필드에 대한 정보를 분석하도록 사용되어야 한다고 미리 결정할 수 있다.
일부 실시예에서, 선택된 기계 학습 모델은 텍스트 추출기이다. 텍스트 추출기는 제공된 데이터로부터 텍스트 문자를 추출하기 위한 프로그램, 알고리즘, 로직, 또는 코드를 나타낼 수 있다. 일부 실시예에서, 텍스트 추출기는 규칙 기반 추출기 또는 텍스트 분류기 중 적어도 하나이며, 데이터를 분석하는 것은 제품 식별자를 분석하는 것을 포함한다. 규칙 기반 추출기는 미리 정의된 규칙에 따라 동작하는 텍스트 추출기를 나타낼 수 있다. 텍스트 분류기는 미리 정의된 규칙이 아니라 기계 학습 프로세스에 기초하여, 제공된 데이터를 분류, 태그 지정, 또는 카테고리화하는 기계 학습 모델을 나타낼 수 있다. 제품 벤더는 텍스트 문자 형식으로 제품 식별자를 제공할 수 있다. 일부 실시예에서, 텍스트 분류기는 자연어(natural language) 프로세서일 수 있다.
일례로서, 서버(306)는 텍스트 분류기(404A)와 같은 기계 학습 텍스트 추출기를 포함할 수 있다. 정제 DB(308)로부터 검색된 정의에 기초하여, 서버(306)는 텍스트 분류기(404A)를 사용하여 특정 필드에 분석이 필요하다고 결정한다. 일부 실시예에서, 텍스트 분류기(404A)는 미리 정의된 특정 텍스트를 추출하도록 구성된 규칙 기반 텍스트 추출기를 포함할 수 있다. 예를 들어, 제품이 물컵인 경우, 물컵에 관한 정보는 제품 식별자(예로써, 제품명)를 포함할 수 있다. 서버(306)는 물컵에 대한 복수의 필드를 생성할 수 있으며, 그 필드 중 하나는 "BPA 상태"일 수 있다. 이 예에서, 이 제품 타입에 대한 정의는, "BPA"와 매칭되는 텍스트 문자가 필터링될 수 있도록, 규칙 기반 텍스트 추출기가 이 필드에 대한 정보를 분석하도록 사용되어야 한다고 미리 결정할 수 있다. 일부 실시예에서, 텍스트 분류기(404A)는 자연어 프로세서를 포함할 수 있다. 예를 들어, 제품이 랩톱인 경우, 그 랩톱 컴퓨터에 관한 정보는 벤더에 의해 제공된 스펙(예로써, 프로세서 속도)을 포함할 수 있다. 서버(306)는 랩톱 컴퓨터에 대한 복수의 필드를 생성할 수 있으며, 그 필드 중 하나는 "프로세서 속도"일 수 있다. 이 예에서, 이 제품 타입에 대한 정의는, 랩톱 컴퓨터의 프로세서 속도에 관한 속성이 제품의 스펙으로부터 추출될 수 있도록, 자연어 프로세서가 이 필드에 대한 정보를 분석하도록 사용되어야 한다고 미리 결정할 수 있다.
일부 실시예에 따르면, 시스템은, 복수의 필드 각각에 대해, 정보의 분석에 기초하여 키워드를 생성할 수 있다. 일례로서, 스텝 514에서, 시스템은 그 분석에 기초하여 필드 각각에 텍스트 문자열을 할당하고, 텍스트 문자열은 스텝 506에서 검색된 정의의 일부이다.
일부 실시예에서, 키워드를 생성하는 것은, 생성된 복수의 필드 각각에 대해, 이미지의 분석에 기초하여 연관된 라이브러리로부터 복수의 텍스트 문자열 중 하나를 선택하는 것을 포함한다. 일례로서, 서버(306)가 이미지 분류기(404B)를 사용하여 제품과 연관된 이미지를 분석한 후, 서버(306)는 필드와 연관된 텍스트 문자열 리스트로부터 텍스트 문자열 중 하나를 선택한다. 도 6의 예에 도시된 바와 같이, 제품이 물컵인 예에서는, 이미지(600)가 이미지 분류기(404B)에 의해 분석된다. 서버(306)는 이미지(600)가 2개의 손잡이를 나타내는 특징(602)을 갖는다고 결정할 수 있다. 따라서 이미지 분류기에 의한 분석은 물컵이 2개의 손잡이를 갖는다고 결론 내릴 수 있다. 그 다음에 서버(306)는 텍스트 문자열 리스트 중에서 텍스트 문자열 "2"를 선택할 수 있고, 이에 따라 텍스트 문자열 "2"를 "손잡이의 수" 필드에 할당할 수 있다.
또 다른 예로서, 서버(306)가 이미지 분류기(404C)를 사용하여 제품과 연관된 이미지를 분석한 후, 서버(306)는 필드와 연관된 텍스트 문자열 리스트로부터 텍스트 문자열 중 하나를 선택한다. 도 7의 예에 도시된 바와 같이, 제품이 플라스틱 장난감 블록인 예에서는, 이미지(700)가 이미지 OCR(404C)에 의해 분석된다. 서버(306)는 이미지(700)로부터 권장 연령을 나타내는 레이블(702)을 추출할 수 있다. 따라서 이미지 OCR(404C)은 이 분석으로부터 플라스틱 장난감 블록은 "4-7"세의 권장 연령을 갖는다고 결정할 수 있다. 그 다음에 서버(306)는 텍스트 문자열 리스트 중에서 텍스트 문자열 "4-7"을 선택할 수 있고, 이에 따라 텍스트 문자열 "4-7"을 "권장 연령" 필드에 할당할 수 있다.
일부 실시예에서, 키워드를 생성하는 것은, 생성된 복수의 필드 각각에 대해, 제품 식별자의 분석에 기초하여 텍스트 문자열을 생성하는 것을 포함한다. 일례로서, 서버(306)가 텍스트 분류기(404A)를 사용하여 제품 식별자를 분석한 후, 서버(306)는 제품 식별자로부터 텍스트 문자열을 추출하고, 이 텍스트 문자열을 대응하는 필드에 할당하거나 또는 미리 결정된 텍스트 문자열을 그 필드에 할당할 수 있다. 예를 들어, 제품 식별자(즉 이름)가 "BPA free" 또는 "no BPA"와 같은 작업을 포함하는 경우, 서버(306)는 제품이 플라스틱 BPA가 없음을 나타내는 텍스트 문자열을 "BPA 상태"에 대한 필드에 할당할 수 있다. 또 다른 예로서, 제품 식별자는 보통 브랜드 명을 포함하기 때문에, 서버(306)는 "Apple Watch"로부터 "Apple" 또는 "Dell laptop computer"로부터 "Dell"과 같이, 제품 식별자로부터 추출된 텍스트 문자열을 "브랜드"에 대응하는 필드에 할당할 수 있다.
일부 실시예에 따르면, 시스템은 각각이 생성된 키워드를 포함하는 복수의 필드를 포함하도록 정보를 업데이트할 수 있다. 일례로서, 도 4에 도시된 데이터 블록(406)은 제품의 업데이트된 정보의 예일 수 있다. 데이터 블록(402)에 포함된 정보인 이름(402A) 및 이미지(402B)에 더하여, 데이터 블록(406)은 속성(406A) 및 검색 태그(406B)를 포함한다. 일부 실시예에서, 속성(406)은 할당된 텍스트 문자열을 가지는 복수의 필드를 나타낼 수 있다. 속성(406)의 필드의 수는 정의에 의해 규정될 수 있으며, 제품의 제품 타입/카테고리에 기초한다.
일부 실시예에 따르면, 시스템은 하나 이상의 데이터베이스에 저장하기 위해 업데이트된 정보를 인덱싱할 수 있다. 일례로서, 도 3에 도시된 바와 같이, 서버(306)는 제품을 나타내는 엔트리로서 검색 DB(310)에 저장될 정제된 제품 정보(예로써, 데이터 블록(406))를 제공한다.
일부 실시예에서, 시스템은, 클라이언트 디바이스로부터, 검색 문자열을 포함하는 검색 쿼리를 수신할 수 있다. 검색 쿼리는 검색을 수행하기 위한 커맨드 또는 명령을 나타낼 수 있다. 검색 쿼리는 시스템이 매칭을 찾으려고 시도하는 데이터를 포함할 수 있으며, 이런 데이터는 텍스트 문자열 형식일 수 있다.
도 8은 개시된 실시예에 따른, 데이터베이스에 대한 업데이트를 생성하기 위한 예시적인 프로세스를 나타내는 플로차트이다. 스텝 802에서, 외부 프론트 엔드 시스템(103)은 쿼리를 수신한다. 일례로서, 도 3에 도시된 바와 같이, 사용자 디바이스(312)는 검색 DB(310)에서의 엔트리를 통해 검색하기 위한 쿼리를 전송할 수 있다. 일부 실시예에서, 외부 프론트 엔드 시스템(103)은 쿼리를 처리하고, 검색 DB(310)로 전송할 수 있다. 검색은 검색 알고리즘 또는 엔진에 의해 수행될 수 있으며, 외부 프론트 엔드 시스템(103)과 같은, 시스템(100)의 하나 이상의 서브시스템에 의해 실행될 수 있다.
일부 실시예에서, 시스템은 업데이트된 데이터의 복수의 필드에서 하나 이상의 키워드가 검색 문자열과 매칭되는 것을 결정할 수 있다. 스텝 804에서, 외부 프론트 엔드 시스템(103)은 쿼리와 매칭되는 데이터베이스 엔트리에서의 매칭 용어를 식별할 수 있다. 일례로서, 외부 프론트 엔드 시스템(103)은 쿼리와 매칭되는 검색 데이터베이스(310)에서의 엔트리를 검색할 수 있다.
스텝 806에서, 외부 프론트 엔드 시스템(103)은 스텝 804에서 결정된 매칭된 엔트리에 대응하는 제품 식별자를 식별할 수 있다. 일부 실시예에서, 외부 프론트 엔드 시스템(103)은 쿼리에 포함된 검색 문자열을, 제품을 나타내는 검색 DB(310)에 저장된 엔트리에 포함된 하나 이상의 검색 태그(406B)와 매칭시키도록 시도할 수 있다.
일부 실시예에서, 시스템은 클라이언트 디바이스에 표시하기 위해 매칭에 대응하는 정보를 검색할 수 있다. 스텝 808에서, 외부 프론트 엔드 시스템은 사용자 디바이스에 표시하기 위한 결과를 생성할 수 있으며, 그 결과는 스텝 808에서 식별된 제품 식별자 중 하나 이상을 포함할 수 있다. 일례로서, 외부 프론트 엔드 시스템(103)은 사용자 디바이스(312)에 결과를 반환할 수 있다. 결과는 쿼리와 매칭되는 검색 태그(406B)를 가지는 검색 DB(310)의 엔트리를 포함할 수 있다. 일부 실시예에서, 결과는 도 1b에 도시된 바와 같은 SRP로 표시될 수 있다.
본 개시는 그 특정 실시예를 참조하여 도시되고 설명되었지만, 본 개시는 다른 환경에서, 변경없이, 실시될 수 있음을 이해할 것이다. 전술한 설명은 예시의 목적으로 제시되었다. 그것은 개시된 정확한 형태나 실시예에 대해 총망라된 것이 아니며 이것으로 한정되는 것은 아니다. 개시된 실시예의 설명 및 실시를 고려하는 것으로부터 변경 및 조정이 통상의 기술자에게 명백할 것이다. 추가적으로, 비록 개시된 실시예의 형태가 메모리에 저장되는 것으로서 설명되었지만, 통상의 기술자는 이들 형태가 2차 저장 디바이스, 예를 들면, 하드디스크나 CD ROM, 또는 다른 형태의 RAM이나 ROM, USB 매체, DVD, 블루레이, 또는 다른 광 드라이브 매체와 같이, 다른 형태의 컴퓨터 판독 가능한 매체에 저장될 수도 있는 것을 이해할 것이다.
상술한 설명 및 개시된 방법에 기초한 컴퓨터 프로그램은 숙련된 개발자의 기술 내에 있다. 여러 프로그램 혹은 프로그램 모듈은 통상의 기술자에게 알려진 어느 기술을 이용하여 생성되거나, 또는 기존의 소프트웨어와 연결하여 설계될 수 있다. 예를 들면, 프로그램 섹션 혹은 프로그램 모듈은 닷넷 프레임워크, 닷넷 컴팩트 프레임워크(및 비주얼 베이식, C 등과 같은, 관련 언어), 자바, C++, 오브젝티브 C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿이 포함된 HTML 내에서 혹은 그것들에 의해서 설계될 수 있다.
게다가, 여기에서는 예시적인 실시예가 설명되었지만, 본 개시에 기초하여 통상의 기술자가 이해할 수 있는 바와 같이, 일부 또는 모든 실시예의 범위는 동등한 요소, 변경, 생략, 조합(예로써, 여러 실시예에 걸치는 형태의 조합), 조정 및/또는 수정을 가질 수 있다. 청구범위 내의 제한 사항은 그 청구범위 내에 적용된 언어에 기초하여 폭넓게 이해되도록 하는 것이며, 응용의 수행 동안 혹은 본 명세서 내에 설명된 예시로 한정되는 것은 아니다. 그 예시는 비배타적으로 해석되도록 하기 위한 것이다. 추가로, 개시된 방법의 스텝은 어떤 다른 방법으로 변경되거나, 스텝을 재배열 및/또는 스텝을 삽입하거나 삭제하는 것을 포함할 수 있다. 그러므로, 설명 및 예시는 오직 예시적으로 고려되는 것이며, 진정한 범위 및 기술 사상은 다음의 청구범위 및 그 동등한 전체 범위에 의해 나타내지는 것으로 의도된다.
Claims (20)
- 텍스트 문자열을 생성하기 위한 방법으로서,
하나 이상의 데이터베이스로부터, 제품에 관한 데이터를 수신하고 - 상기 데이터는 적어도 이미지, 제품 식별자 및 컨텍스트를 포함함 - ;
상기 컨텍스트에 기초하여 복수의 필드를 생성하고;
상기 복수의 필드 각각에 대해, 복수의 기계 학습 모델로부터 기계 학습 모델을 선택하고;
상기 선택된 기계 학습 모델을 사용하여 상기 데이터를 분석하고;
상기 복수의 필드 각각에 대해, 상기 데이터의 분석에 기초하여 키워드를 생성하고;
각각이 생성된 키워드를 포함하는 상기 복수의 필드를 포함하도록 상기 데이터를 업데이트하고; 그리고
상기 하나 이상의 데이터베이스에 저장하기 위해 상기 업데이트된 데이터를 인덱싱하는 것을 포함하는 방법. - 청구항 1에 있어서,
클라이언트 디바이스로부터, 검색 문자열을 포함하는 검색 쿼리를 수신하고;
상기 업데이트된 데이터의 상기 복수의 필드에서 하나 이상의 키워드가 상기 검색 문자열과 매칭되는 것을 결정하고; 그리고
상기 클라이언트 디바이스 상에 표시하기 위한 상기 매칭에 대응하는 상기 데이터를 검색하는(retrieve) 것을 더 포함하는 방법. - 청구항 1에 있어서,
상기 복수의 필드 각각은 상기 제품의 일측면에 대응하는 미리 정의된 데이터 필드이고; 그리고 상기 복수의 필드 각각은 상기 복수의 기계 학습 모델 중 하나, 및 복수의 텍스트 문자열을 포함하는 라이브러리와 연관되는 방법. - 청구항 3에 있어서,
상기 선택된 기계 학습 모델은 이미지 분류기이고; 그리고
상기 데이터를 분석하는 것은 상기 이미지를 분석하는 것을 포함하며;
상기 키워드를 생성하는 것은:
생성된 상기 복수의 필드 각각에 대해, 상기 이미지의 분석에 기초하여 상기 연관된 라이브러리로부터 상기 복수의 텍스트 문자열 중 하나를 선택하는 것을 포함하는 방법. - 청구항 3에 있어서,
상기 선택된 기계 학습 모델은 이미지 OCR이고; 그리고
상기 데이터를 분석하는 것은 상기 이미지를 분석하는 것을 포함하며;
상기 키워드를 생성하는 것은:
생성된 상기 복수의 필드 각각에 대해, 상기 이미지의 분석에 기초하여 텍스트 문자열을 생성하는 것을 포함하는 방법. - 청구항 3에 있어서,
상기 선택된 기계 학습 모델은 텍스트 추출기이고; 그리고
상기 데이터를 분석하는 것은 상기 제품 식별자를 분석하는 것을 포함하며;
상기 키워드를 생성하는 것은:
생성된 상기 복수의 필드 각각에 대해, 상기 제품 식별자의 분석에 기초하여 텍스트 문자열을 생성하는 것을 포함하는 방법. - 청구항 1에 있어서,
상기 텍스트 추출기는 규칙 기반 추출기 또는 텍스트 분류기 중 적어도 하나인 방법. - 청구항 1에 있어서,
상기 컨텍스트는 상기 제품의 카테고리인 방법. - 청구항 1에 있어서,
상기 제품 식별자는 상기 제품의 이름 또는 타이틀인 방법. - 청구항 1에 있어서,
상기 복수의 필드는 적어도 브랜드, 속성, 제품 타입을 포함하는 방법. - 텍스트 문자열을 생성하기 위한 시스템으로서,
하나 이상의 프로세서;
상기 하나 이상의 프로세서가 스텝을 실행하게 하는 명령을 포함하는 메모리 저장 매체를 포함하며,
상기 스텝은:
하나 이상의 데이터베이스로부터, 제품에 관한 데이터를 수신하고 - 상기 데이터는 적어도 이미지, 제품 식별자 및 컨텍스트를 포함함 - ;
상기 컨텍스트에 기초하여 복수의 필드를 생성하고;
상기 복수의 필드 각각에 대해, 복수의 기계 학습 모델로부터 기계 학습 모델을 선택하고;
상기 선택된 기계 학습 모델을 사용하여 상기 데이터를 분석하고;
상기 복수의 필드 각각에 대해, 상기 데이터의 분석에 기초하여 키워드를 생성하고;
각각이 생성된 키워드를 포함하는 상기 복수의 필드를 포함하도록 상기 데이터를 업데이트하고; 그리고
상기 하나 이상의 데이터베이스에 저장하기 위해 상기 업데이트된 데이터를 인덱싱하는 것인 시스템. - 청구항 11에 있어서,
클라이언트 디바이스로부터, 검색 문자열을 포함하는 검색 쿼리를 수신하고;
상기 업데이트된 데이터의 상기 복수의 필드에서 하나 이상의 키워드가 상기 검색 문자열과 매칭되는 것을 결정하고; 그리고
상기 클라이언트 디바이스 상에 표시하기 위한 상기 매칭에 대응하는 상기 데이터를 검색하는 스텝을 실행하는 것을 더 포함하는 시스템. - 청구항 11에 있어서,
상기 복수의 필드 각각은 상기 제품의 일측면에 대응하는 미리 정의된 데이터 필드이고; 그리고 상기 복수의 필드 각각은 상기 복수의 기계 학습 모델 중 하나, 및 복수의 텍스트 문자열을 포함하는 라이브러리와 연관되는 시스템. - 청구항 13에 있어서,
상기 선택된 기계 학습 모델은 이미지 분류기이고; 그리고
상기 데이터를 분석하는 것은 상기 이미지를 분석하는 것을 포함하며;
상기 키워드를 생성하는 것은:
생성된 상기 복수의 필드 각각에 대해, 상기 이미지의 분석에 기초하여 상기 연관된 라이브러리로부터 상기 복수의 텍스트 문자열 중 하나를 선택하는 것을 포함하는 시스템. - 청구항 13에 있어서,
상기 선택된 기계 학습 모델은 이미지 OCR이고; 그리고
상기 데이터를 분석하는 것은 상기 이미지를 분석하는 것을 포함하며;
상기 키워드를 생성하는 것은:
생성된 상기 복수의 필드 각각에 대해, 상기 이미지의 분석에 기초하여 텍스트 문자열을 생성하는 것을 포함하는 시스템. - 청구항 13에 있어서,
상기 선택된 기계 학습 모델은 텍스트 추출기이고; 그리고
상기 데이터를 분석하는 것은 상기 제품 식별자를 분석하는 것을 포함하며;
상기 키워드를 생성하는 것은:
생성된 상기 복수의 필드 각각에 대해, 상기 제품 식별자의 분석에 기초하여 텍스트 문자열을 생성하는 것을 포함하는 시스템. - 청구항 11에 있어서,
상기 텍스트 추출기는 규칙 기반 추출기 또는 텍스트 분류기 중 적어도 하나인 시스템. - 청구항 11에 있어서,
상기 컨텍스트는 상기 제품의 카테고리인 시스템. - 청구항 11에 있어서,
상기 제품 식별자는 상기 제품의 이름 또는 타이틀인 시스템. - 텍스트 문자열을 생성하기 위한 방법으로서,
하나 이상의 데이터베이스로부터, 제품에 관한 데이터를 수신하고 - 상기 데이터는 적어도 이미지, 제품 식별자 및 컨텍스트를 포함함 - ;
상기 컨텍스트에 기초하여 복수의 필드를 생성하고 - 상기 복수의 필드는 적어도 브랜드, 하나 이상의 속성, 및 제품 타입을 포함함 - ;
상기 복수의 필드 각각에 대해, 상기 데이터의 분석을 위해 복수의 기계 학습 모델로부터 기계 학습 모델을 선택하고 - 상기 분석은:
텍스트 분류기 또는 규칙 기반 추출기 중 적어도 하나를 사용하여 상기 제품 식별자를 분석하고, 그리고
이미지 OCR 또는 이미지 분류기 중 적어도 하나를 사용하여 상기 이미지를 분석하는 것을 포함함 - ;
상기 복수의 필드 각각에 대해, 상기 데이터의 분석에 기초하여 키워드를 생성하고 - 상기 키워드는:
상기 복수의 필드 중 하나와 연관된 미리 정의된 용어, 또는
상기 데이터의 분석에 의해 상기 이미지로부터 추출된 텍스트 중 적어도 하나임 - ;
각각이 생성된 키워드를 포함하는 상기 복수의 필드를 포함하도록 상기 데이터를 업데이트하고; 그리고
상기 하나 이상의 데이터베이스에 저장하기 위해 상기 업데이트된 데이터를 인덱싱하는 것을 포함하는 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230126961A KR20230142409A (ko) | 2021-01-05 | 2023-09-22 | 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/141,791 | 2021-01-05 | ||
| US17/141,791 US20220215452A1 (en) | 2021-01-05 | 2021-01-05 | Systems and method for generating machine searchable keywords |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230126961A Division KR20230142409A (ko) | 2021-01-05 | 2023-09-22 | 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220099086A true KR20220099086A (ko) | 2022-07-12 |
Family
ID=82218781
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210153420A KR20220099086A (ko) | 2021-01-05 | 2021-11-09 | 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 |
| KR1020230126961A KR20230142409A (ko) | 2021-01-05 | 2023-09-22 | 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230126961A KR20230142409A (ko) | 2021-01-05 | 2023-09-22 | 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220215452A1 (ko) |
| KR (2) | KR20220099086A (ko) |
| TW (1) | TW202232412A (ko) |
| WO (1) | WO2022149004A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102621514B1 (ko) * | 2023-05-17 | 2024-01-10 | 주식회사 아이지넷 | 보험상품 약관 키워드 분석 및 이를 활용한 보험상품 분석시스템 |
| KR102641873B1 (ko) * | 2023-05-16 | 2024-02-28 | 주식회사 아이지넷 | 예측된 질환에 대한 맞춤형 보험상품 검색서비스 시스템 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11776286B2 (en) * | 2020-02-11 | 2023-10-03 | NextVPU (Shanghai) Co., Ltd. | Image text broadcasting |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9141713B1 (en) * | 2005-12-30 | 2015-09-22 | Amazon Technologies, Inc. | System and method for associating keywords with a web page |
| US20090100051A1 (en) * | 2007-10-10 | 2009-04-16 | Yahoo! Inc. | Differentiated treatment of sponsored search results based on search context |
| US10401860B2 (en) * | 2010-06-07 | 2019-09-03 | Affectiva, Inc. | Image analysis for two-sided data hub |
| CN103092856B (zh) * | 2011-10-31 | 2015-09-23 | 阿里巴巴集团控股有限公司 | 搜索结果排序方法及设备、搜索方法及设备 |
| US20130232026A1 (en) * | 2012-02-14 | 2013-09-05 | Steven Katzman | System and method for measurement based design selection |
| US20130301919A1 (en) * | 2012-05-11 | 2013-11-14 | Google Inc. | Selection features for image content |
| US8639036B1 (en) * | 2012-07-02 | 2014-01-28 | Amazon Technologies, Inc. | Product image information extraction |
| CN104751163B (zh) * | 2013-12-27 | 2018-06-19 | 同方威视技术股份有限公司 | 对货物进行自动分类识别的透视检查系统和方法 |
| US20160027049A1 (en) * | 2014-06-23 | 2016-01-28 | Node, Inc. | Systems and methods for facilitating deals |
| US20160055256A1 (en) * | 2014-08-19 | 2016-02-25 | Adlast, Inc. | Systems and methods for directing access to products and services |
| US20160358099A1 (en) * | 2015-06-04 | 2016-12-08 | The Boeing Company | Advanced analytical infrastructure for machine learning |
| JP6908628B2 (ja) * | 2016-02-01 | 2021-07-28 | シー−アウト プロプライアタリー リミティド | 画像分類及びラベリング |
| US20170278135A1 (en) * | 2016-02-18 | 2017-09-28 | Fitroom, Inc. | Image recognition artificial intelligence system for ecommerce |
| US10366379B2 (en) * | 2017-01-30 | 2019-07-30 | Ncr Corporation | Remote weigh station with delayed fraud intervention |
| US10853424B1 (en) * | 2017-08-14 | 2020-12-01 | Amazon Technologies, Inc. | Content delivery using persona segments for multiple users |
| US11373231B2 (en) * | 2019-01-31 | 2022-06-28 | Walmart Apollo, Llc | System and method for determining substitutes for a requested product and the order to provide the substitutes |
| RU2721187C1 (ru) * | 2019-03-29 | 2020-05-18 | Общество с ограниченной ответственностью "Аби Продакшн" | Обучение языковых моделей с использованием текстовых корпусов, содержащих реалистичные ошибки оптического распознавания символов (ocr) |
| US11663635B2 (en) * | 2019-05-15 | 2023-05-30 | Sap Se | Classification of dangerous goods via machine learning |
| US11625726B2 (en) * | 2019-06-21 | 2023-04-11 | International Business Machines Corporation | Targeted alerts for food product recalls |
| US20200401503A1 (en) * | 2019-06-24 | 2020-12-24 | Zeyu GAO | System and Method for Testing Artificial Intelligence Systems |
| US20210142334A1 (en) * | 2019-11-08 | 2021-05-13 | Ul Llc | Technologies for using machine learning to determine product certification eligibility |
| US11423304B2 (en) * | 2020-01-15 | 2022-08-23 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
-
2021
- 2021-01-05 US US17/141,791 patent/US20220215452A1/en not_active Abandoned
- 2021-01-18 WO PCT/IB2021/050345 patent/WO2022149004A1/en active Application Filing
- 2021-11-09 KR KR1020210153420A patent/KR20220099086A/ko not_active Application Discontinuation
- 2021-12-27 TW TW110148926A patent/TW202232412A/zh unknown
-
2023
- 2023-09-22 KR KR1020230126961A patent/KR20230142409A/ko active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102641873B1 (ko) * | 2023-05-16 | 2024-02-28 | 주식회사 아이지넷 | 예측된 질환에 대한 맞춤형 보험상품 검색서비스 시스템 |
| KR102621514B1 (ko) * | 2023-05-17 | 2024-01-10 | 주식회사 아이지넷 | 보험상품 약관 키워드 분석 및 이를 활용한 보험상품 분석시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022149004A1 (en) | 2022-07-14 |
| KR20230142409A (ko) | 2023-10-11 |
| US20220215452A1 (en) | 2022-07-07 |
| TW202232412A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102354395B1 (ko) | 인공 지능을 이용한 제품 통합 및 중복제거를 위한 컴퓨터 시스템 및 방법 | |
| CN110766359A (zh) | 用于机器学习辅助的存货放置的系统和方法 | |
| KR102350982B1 (ko) | 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법 | |
| KR102330819B1 (ko) | 경합하는 신경 캐릭터 언어 모델에 기초한 단어 분할을 위한 시스템 및 방법 | |
| US20220215452A1 (en) | Systems and method for generating machine searchable keywords | |
| KR102491645B1 (ko) | 검색어 생성을 위한 시스템 및 방법 | |
| KR20240007737A (ko) | 제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법 | |
| KR102430313B1 (ko) | 이미지에 기반하여 제품을 필터링하기 위한 시스템 및 방법 | |
| KR20230139285A (ko) | 결정론적 또는 추론적 접근에 기초한 최고의 대안 제품을 식별하는 시스템 및 방법 | |
| KR20230063292A (ko) | 개인 맞춤형 광고 생성을 위한 시스템 및 방법 | |
| KR20220057501A (ko) | 커스텀 풀필먼트 센터를 위한 최상위 아이템을 결정하는 컴퓨터 구현 시스템 및 방법 | |
| KR20220103616A (ko) | 제품 타이틀로부터 속성을 지능적으로 추출하기 위한 시스템 및 방법 | |
| KR20220030327A (ko) | 지능형 필터 시퀀싱을 사용하는 온라인 쇼핑 동안의 시각적 네비게이션을 위한 시스템 및 방법 | |
| KR102354732B1 (ko) | 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법 | |
| KR102425536B1 (ko) | 컨텍스트 관련 검색 결과 생성을 위한 시스템 및 방법 | |
| KR102369961B1 (ko) | 데이터베이스 조정을 위한 시스템 및 방법 | |
| KR102459120B1 (ko) | 제품 타이틀을 이용한 지능적 제품 분류를 위한 시스템 및 방법 | |
| KR102425537B1 (ko) | 온라인 쇼핑 동안 지능적인 멀티 변수의 추천을 제공하기 위한 시스템 및 방법 | |
| US11775565B2 (en) | Systems and methods for database reconciliation | |
| KR20220071958A (ko) | 사용자 인터페이스에서 서비스 데이터 표시를 사전 활성화하기 위한 시스템 및 방법 | |
| KR20230172996A (ko) | 제휴 웹사이트에 대한 동적 제품 추천 | |
| KR20230161318A (ko) | 제품 검색에서 필터를 최적화하기 위한 방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| E601 | Decision to refuse application | ||
| E801 | Decision on dismissal of amendment |