KR20220101807A

KR20220101807A - Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법

Info

Publication number: KR20220101807A
Application number: KR1020210003731A
Authority: KR
Inventors: 백윤아; 윤대희
Original assignee: 주식회사 어반베이스
Priority date: 2021-01-12
Filing date: 2021-01-12
Publication date: 2022-07-19
Also published as: US20230351473A1; EP4261763A1; CN117015789A; WO2022154376A1; KR102549937B1

Abstract

본 발명의 일 실시예에 따른 스타일 분석 모델 제공 방법은 복수의 사용자가 작성한 텍스트 데이터를 포함하는 학습용 문서를 획득하는 동작; 상기 학습용 문서를 구성하는 텍스트의 의미가 유지되는 기 설정된 단위를 기준으로 상기 학습용 문서에 포함된 제1 텍스트를 판별하는 동작; 상기 각 사용자가 작성한 학습용 문서에 포함된 단어 수를 기초로 상기 학습용 문서의 제1 텍스트 중 소정 개수의 제2 텍스트를 판별하는 동작; 상기 각 사용자 별로, 상기 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트가 포함된 빈도 수를 기초로 구성된 제1 특징 벡터를 생성하는 동작; 인테리어 스타일을 특정하는 복수의 클래스와 각 클래스에 매핑되어 있는 스타일 특정 텍스트에 대해 기 저장된 정보를 이용하여 상기 각 클래스 별로, 상기 획득된 모든 학습용 문서 중 각각의 스타일 특정 텍스트가 포함된 빈도수를 기초로 제2 특징 벡터를 생성하는 동작; 상기 제1 특징 벡터와 상기 제2 특징 벡터의 유사도를 판별하여 상기 제1 특징 벡터와 가장 유사한 제2 특징 벡터의 클래스를 상기 제1 특징 벡터에 레이블링하는 동작; 및 상기 제1 특징 벡터와 상기 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 머신러닝 기반의 신경망 모델을 생성 및 학습시키는 동작을 포함할 수 있다.

Description

SNS 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법{APPARATUS AND METHOD FOR PROVIDING MODEL FOR ANALYSIS OF USER'S INTERIOR STYLE BASED ON TEXT DATA OF SOCIAL NETWORK SERVICE}

본 발명은 SNS 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법에 관한 것이다.

사람들은 살아가면서 자신의 개성에 부합하면서 보다 아름다운 주거 환경을 추구하고자 하는 욕구를 가지고 있다. 이를 위해, 간단하게는 주거 공간에 새로운 사물을 배치하여 인테리어를 꾸미거나, 나아가 벽지나 바닥재를 교체하고 공간의 구조를 변경하는 등의 인테리어 공사를 진행하기도 한다.

종래에는 인테리어 공사를 위해 의뢰인이 인테리어 전문가에게 자신이 원하는 공간을 만들고자 주거 환경 등의 인테리어 시안을 의뢰하고, 의뢰받은 인테리어 전문가는 고객이 원하는 인테리어를 설계하여 고객에게 제시하는 방식으로 진행하였다.

이와 달리, 최근에는 인터넷을 통해 다양한 인테리어 정보가 보급됨에 따라 인터넷 쇼핑몰 사이트에 접속하여 자신이 원하는 인테리어 소품이나 DIY 상품을 구입하여 직접 자신의 공간을 꾸미기도 한다. 나아가, 3차원 가상 공간에 각종 인테리어 요소를 직접 꾸며볼 수 있는 인테리어 서비스(ex. 3D 공간 데이터 플랫폼 어반베이스)가 개발됨에 따라, 인테리어 서비스의 사용자가 직접 자신의 주거 환경을 이식한 가상 공간에 자신의 취향대로 사물을 배치하고 손쉽게 바닥재/벽지 등을 교체해 볼 수 있다.

이에 따라, 사용자들은 가상 공간의 인테리어를 통해 실제 인테리어를 간접적으로 체감할 수 있으며, 자신의 마음에 드는 실제 인테리어 상품을 주문하거나, 실제 시공과 연동된 인테리어 발주를 넣는 등의 서비스를 제공받고 있다.

한국 공개특허공보 제10-2017-0139903호: 인테리어 서비스 방법 및 인테리어 서비스 시스템

인테리어 서비스는 인테리어 상품을 쇼핑몰에서 구입할 수 있도록 상품 정보를 제공하는 형태의 쇼핑몰 서비스, 또는 벽지/바닥재/사물과 같은 인테리어 요소를 사용자가 원하는 형태로 직접 배치해 볼 수 있도록 하는 3차원 가상 공간을 제공하는 형태의 서비스 등 다양한 형태로 개발되고 있다.

한편, 상술한 인테리어 서비스에서 제공하는 상품의 정보는 수억 개가 넘기 때문에, 사용자가 선호하는 스타일의 상품을 우선적으로 사용자에게 추천하여 편의성을 제공하는 것이 대부분의 인테리어 서비스에서 공통적으로 중요한 의미를 갖는다.

이에 따라, 본 발명의 실시예에서 해결하고자 하는 과제는 사용자가 SNS에 작성한 텍스트 데이터를 기초로 사용자의 스타일을 분석할 수 있는 신경망 모델을 생성하고, 신경망 모델에 의해 분석된 스타일에 매칭되는 상품을 우선적으로 추천할 수 있는 기술을 제공하는 것이다.

다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 도출될 수 있다.

본 발명의 일 실시예에 따른 스타일 분석 모델 제공 장치는 소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고, 상기 프로세서가 수행하는 동작은 복수의 사용자가 작성한 텍스트 데이터를 포함하는 학습용 문서를 획득하는 동작; 상기 학습용 문서를 구성하는 텍스트의 의미가 유지되는 기 설정된 단위를 기준으로 상기 학습용 문서에 포함된 제1 텍스트를 판별하는 동작; 상기 각 사용자가 작성한 학습용 문서에 포함된 단어 수를 기초로 상기 학습용 문서의 제1 텍스트 중 소정 개수의 제2 텍스트를 판별하는 동작; 상기 각 사용자 별로, 상기 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트가 포함된 빈도수를 기초로 구성된 제1 특징 벡터를 생성하는 동작; 인테리어 스타일을 특정하는 복수의 클래스와 각 클래스에 매핑되어 있는 스타일 특정 텍스트에 대해 기 저장된 정보를 이용하여 상기 각 클래스 별로, 상기 획득된 모든 학습용 문서 중 각각의 스타일 특정 텍스트가 포함된 빈도 수를 기초로 제2 특징 벡터를 생성하는 동작; 상기 제1 특징 벡터와 상기 제2 특징 벡터의 유사도를 판별하여 상기 제1 특징 벡터와 가장 유사한 제2 특징 벡터의 클래스를 상기 제1 특징 벡터에 레이블링하는 동작; 및 상기 제1 특징 벡터와 상기 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 머신러닝 기반의 신경망 모델을 생성 및 학습시키는 동작을 포함할 수 있다.

또한, 상기 제1 텍스트를 판별하는 동작은 정규 표현식을 이용하여 상기 학습용 문서에 포함된 특수 문자 및 이모티콘을 추출하고, 상기 학습용 문서에 포함된 숫자 및 반복되는 문자열을 제거하는 동작; 기 저장된 불용어 사전을 기초로 상기 학습용 문서에 포함된 조사, 관사, 비문을 제거하는 동작; 및 소정의 형태소 분석 알고리즘을 기초로 상기 학습용 문서에 포함된 어간 단위를 추출하여 상기 제1 텍스트를 판별하는 동작을 포함할 수 있다.

또한, 상기 제2 텍스트를 판별하는 동작은 상기 각 사용자가 작성한 학습용 문서 별 단어 수의 통계를 기초로 학습에 사용할 단어 수를 결정하여, 상기 각 사용자가 작성한 각 학습용 문서에 포함된 제1 텍스트 중 상기 결정된 단어 수만큼 선정된 제2 텍스트를 판별하는 동작을 포함할 수 있다.

또한, 상기 제2 텍스트를 판별하는 동작은 전체 문서에 대해서 상기 각 사용자가 작성한 학습용 문서 안에 포함된 단어가 많은 순서로 통계를 집계하였을 때, 상기 통계 중 학습용 문서 안에 포함된 단어 수의 상위 제3 사분위가 시작되는 지점의 단어 수를 상기 소정 개수로 결정하는 동작; 및 상기 각 사용자가 작성한 각 학습용 문서 안에 포함된 제1 텍스트 중 상기 소정 개수만큼의 제2 텍스트를 판별하는 동작을 포함할 수 있다.

또한, 상기 제1 특징 벡터를 생성하는 동작은 상기 각 사용자 별로, 상기 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트를 포함하는 문서의 수를 기초로 하기 수학식 1의

에 따라 계산된 값을 원소로 포함하는 제1 특징 벡터를 생성하는 동작을 포함할 수 있다.

[수학식 1]

(

,

, d: 특정 사용자가 작성한 학습용 문서, t: 제2 텍스트, D: 문서 DB에 포함된 모든 학습용 문서,

: 문서 DB에 포함된 모든 학습용 문서의 수,

: 특정 사용자가 작성한 학습용 문서 d에서 t라는 제2 텍스트의 등장 횟수,

: 특정 사용자가 작성한 학습용 문서 중 t라는 제2 텍스트를 포함하는 학습용 문서의 수)

또한, 상기 제1 특징 벡터를 생성하는 동작은 상기 제1 특징 벡터를 생성한 이후, 제2 텍스트가 사용된 학습용 문서에서 특수 문자 또는 이모티콘이 상기 제2 텍스트로부터 소정 단위의 어절 사이에 인접하여 사용된 경우, 상기 소정의 제2 텍스트에 대해 대해 계산된 상기 제1 특징 벡터의 원소값에 기 설정된 가중치를 가하여 상기 제1 특징 벡터의 원소값을 갱신하는 동작을 포함할 수 있다.

또한, 상기 제2 특징 벡터를 생성하는 동작은 상기 각 클래스 별로, 상기 획득된 모든 학습용 문서 중 각각의 스타일 특정 텍스트를 포함하는 문서 수를 기초로 하기 수학식 2의

에 따라 계산된 값을 원소로 포함하는 제2 특징 벡터를 생성하는 동작을 포함할 수 있다.

[수학식 2]

(

,

, d: 특정 사용자가 작성한 학습용 문서, t: 스타일 특정 텍스트, D: 문서 DB에 포함된 모든 학습용 문서,

: 문서 DB에 포함된 모든 학습용 문서의 수,

: 특정 사용자가 작성한 학습용 문서 d에서 t라는 스타일 특정 텍스트의 등장 횟수,

: 특정 사용자가 작성한 학습용 문서 중 t라는 스타일 특정 텍스트를 포함하는 학습용 문서의 수)

또한, 상기 레이블링하는 동작은 상기 제1 특징 벡터와 상기 제2 특징 벡터의 코사인 유사도를 계산하여, 상기 제1 특징 벡터와 계산된 값이 +1에 가장 가까운 제2 특징 벡터의 클래스를 상기 제1 특징 벡터에 레이블링하는 동작을 포함할 수 있다.

또한, 상기 신경망 모델을 생성 및 학습시키는 동작은 소정의 CNN(Convolutional Neural Network)을 기초로 설계된 신경망의 입력 레이어에 상기 제1 특징 벡터가 입력되도록 설정하고, 출력 레이어에 상기 제1 특징 벡터 각각에 레이블링된 클래스가 입력되도록 설정하여, 상기 제1 특징 벡터와 상기 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 신경망의 가중치를 학습시키는 동작을 포함할 수 있다.

본 발명의 일 실시예에 따른 스타일 분석 모델 제공 방법은 복수의 사용자가 작성한 텍스트 데이터를 포함하는 학습용 문서를 획득하는 동작; 상기 학습용 문서를 구성하는 텍스트의 의미가 유지되는 기 설정된 단위를 기준으로 상기 학습용 문서에 포함된 제1 텍스트를 판별하는 동작; 상기 각 사용자가 작성한 학습용 문서에 포함된 단어 수를 기초로 상기 학습용 문서의 제1 텍스트 중 소정 개수의 제2 텍스트를 판별하는 동작; 상기 각 사용자 별로, 상기 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트가 포함된 빈도 수를 기초로 구성된 제1 특징 벡터를 생성하는 동작; 인테리어 스타일을 특정하는 복수의 클래스와 각 클래스에 매핑되어 있는 스타일 특정 텍스트에 대해 기 저장된 정보를 이용하여 상기 각 클래스 별로, 상기 획득된 모든 학습용 문서 중 각각의 스타일 특정 텍스트가 포함된 빈도 수를 기초로 제2 특징 벡터를 생성하는 동작; 상기 제1 특징 벡터와 상기 제2 특징 벡터의 유사도를 판별하여 상기 제1 특징 벡터와 가장 유사한 제2 특징 벡터의 클래스를 상기 제1 특징 벡터에 레이블링하는 동작; 및 상기 제1 특징 벡터와 상기 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 머신러닝 기반의 신경망 모델을 생성 및 학습시키는 동작을 포함할 수 있다.

본 발명의 실시예에 따르면, 사용자가 SNS에 작성한 텍스트의 내용과 해당 사용자가 선호하는 인테리어 스타일 간의 상관 관계를 도출할 수 있는 신경망 모델을 생성할 수 있고, 이러한 신경망 모델을 다양한 인테리어 서비스에 활용하여 사용자의 선호 스타일에 대응되는 상품을 우선적으로 추천함으로써 사용자에게 편의성을 제공한다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1은 본 발명의 일 실시예에 따른 스타일 분석 모델 제공 장치의 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 스타일 분석 모델 제공 장치가 스타일 분석 모델을 생성하는 스타일 분석 모델 제공 방법의 동작 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 특정 사용자가 SNS에서 작성한 모든 게시물의 텍스트 데이터 집합을 문서라고 표현했을 때, 전체 데이터에 대해 문서에 포함된 단어 수에 따라서 문서의 개수를 통계 낸 예시도이다.
도 4(a)는 본 발명의 일 실시예에 따라 사용자 별로 작성한 모든 문서에 포함된 각각의 제2 텍스트의 빈도 수를 나타낸 예시도이고, 도 4(b)는 본 발명의 일 실시예에 따라 사용자 별로 각각의 제2 텍스트의 빈도 수에 대해 중요도 가중치를 부여해서 계산된 제1 특징 벡터의 원소값을 나타낸 예시도이다.
도 5(a)는 본 발명의 일 실시예에 따라 긍정과 부정을 표현하는 특수문자/이모티콘을 기 저장한 정보이고, 도 5(b)는 본 발명의 일 실시예에 따라 특수문자/이모티콘과 인접한 제2 텍스트로부터 계산된 제1 특징 벡터의 원소값에 가중치를 가한 예시도이다.
도 6(a)는 본 발명의 일 실시예에 따라 인테리어 스타일을 특정하는 복수의 클래스와 각 클래스에 매핑되어 있는 스타일 특정 텍스트에 대해 기 저장된 정보에 대한 예시도이고, 도 6(b)는 본 발명의 일 실시예에 따라 각 클래스 별로 각각의 스타일 특정 텍스트로부터 계산된 제2 특징 벡터의 원소값을 나타낸 예시도이다.
도 7은 본 발명의 일 실시예에 따른 스타일 분석 모델 제공 장치가 학습이 완료된 스타일 분석 모델을 사용하여 사용자의 스타일에 맞는 상품을 추천하는 스타일 분석 모델 제공 방법의 동작 흐름도이다.

본 발명의 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 다양한 형태로 구현될 수 있으며,　단지 본 실시예들은 본 발명의 개시가 완전하여지도록 하고,　본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며,　본 발명의 범주는 청구항에　의해 정의될 뿐이다.

본 발명의 실시예들을 설명하면서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명하면서 실제로 필요한 경우 외에는 생략될 것이다.　　그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.　　그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성의 조합일 수 있다.

또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.

나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다.

또한 '제1, 제2' 등과 같은 표현은 복수의 구성을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.

이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.

도 1은 본 발명의 일 실시예에 따른 스타일 분석 모델 제공 장치(100)의 기능 블록도이다. 도 1을 참조하면, 일 실시예에 따른 스타일 분석 모델 제공 장치(100)는 메모리(110), 프로세서(120), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)를 포함할 수 있다.

메모리(110)는 문서 DB(111), 스타일 분석 모델(113) 및 명령어 DB(115)를 포함할 수 있다.

문서 DB(111)는 텍스트 데이터를 포함하는 학습용 문서를 저장할 수 있다. 학습용 문서는 인스타그램, 페이스북, 트위터, 블로그, 카카오페이지 등 사용자가 텍스트를 기재하여 게시물을 생성하는 형태의 SNS(Social Network Service)에 게시된 텍스트 데이터를 포함할 수 있다. 문서 DB(111)는 사용자의 SNS 게시물 정보 수집 동의에 따라, 소정의 크롤링 알고리즘을 이용하거나 또는 SNS가 제공하는 API를 통해 사용자가 SNS에 게시한 텍스트 데이터를 획득할 수 있다. 이에 따라, 텍스트 데이터는 신경망 모델의 학습에 사용될 학습용 문서로서 저장될 수 있다.

문서 DB(111)는 텍스트 데이터를 하나의 게시물 또는 하나의 댓글 등과 같은 텍스트의 구분 단위를 특정하여, 같은 단위에 묶인 텍스트 데이터를 하나의 문서 단위로 저장할 수 있다. 이에 따라, 문서 DB(111)는 복수의 사용자가 SNS에 업로드한 텍스트 정보를 문서 단위로 저장할 수 있다. 예를 들면, 특정 사용자를 기준으로 해당 사용자가 SNS에 업로드한 텍스트 데이터의 시간, 종류, 플랫폼에 따라 구분되는 복수의 문서가 문서 DB(111)에 저장될 수 있다.

스타일 분석 모델(113)은 사용자가 SNS에 작성한 텍스트의 내용과 해당 사용자가 선호하는 인테리어 스타일 간의 상관 관계를 도출하는 신경망 모델이다. 스타일 분석 모델(113)은 도 2와 함께 후술될 실시예에 따라 학습이 수행되어 메모리(110)에 저장될 수 있다.

명령어 DB(115)는 프로세서(120)의 동작을 수행시킬 수 있는 명령어들을 저장할 수 있다. 예를 들어, 명령어 DB(115)는 후술할 프로세서(120)의 동작들과 대응되는 동작을 수행하도록 하는 컴퓨터 코드를 저장할 수 있다.

프로세서(120)는 스타일 분석 모델 제공 장치(100)가 포함하는 구성들, 메모리(110), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)의 전반적인 동작을 제어할 수 있다. 프로세서(120)는 텍스트 모듈(121), 벡터 모듈(123), 학습 모듈(125) 및 제어 모듈(127)을 포함할 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어들을 실행해 텍스트 모듈(121), 벡터 모듈(123), 학습 모듈(125) 및 제어 모듈(127)을 구동시킬 수 있다. 텍스트 모듈(121), 벡터 모듈(123), 학습 모듈(125) 및 제어 모듈(127)에 의해 수행되는 동작은 프로세서(120)에 의해 수행되는 동작으로 이해될 수 있다.

텍스트 모듈(121)은 문서 DB(111)가 저장하는 학습용 문서에 대하여, 텍스트의 의미가 유지되는 소정의 단위를 기준으로 분류될 수 있는 제1 텍스트를 판별할 수 있다. 텍스트 모듈(121)은 각 사용자의 학습용 문서에 포함된 단어 수에 따른 문서 수의 통계를 기초로, 각 사용자가 작성한 학습용 문서에서 실제 학습에 사용할 단어의 수를 결정하여, 각 문서 단위에 포함된 제1 텍스트 중 상기 결정된 단어 수만큼의 제2 텍스트를 추출할 수 있다.

벡터 모듈(123)은 문서 DB(111)에 저장된 각 사용자로부터 추출한 제2 텍스트의 정보를 수학적 표현으로 특정하는 제1 특징 벡터를 생성할 수 있다. 벡터 모듈(123)은 복수의 인테리어 스타일에 대한 정보를 수학적 표현으로 특정하는 제2 특징 벡터를 생성할 수 있다. 벡터 모듈(123)은 제1 특징 벡터와 제2 특징 벡터의 유사도를 비교하는 소정의 알고리즘을 통해, 제1 특징 벡터와 유사도가 높은 제2 특징 벡터가 특정하는 인테리어 스타일을 해당 사용자가 선호하는 스타일의 클래스로 레이블링할 수 있다.

학습 모듈(125)은 소정의 딥러닝 알고리즘 기반으로 설계된 모델의 입력층에 제1 특징 벡터가 입력되도록 설정하고, 출력층에는 제1 특징 벡터에 대해 레이블링된 인테리어 스타일의 클래스가 입력되도록 설정하여, 사용자가 작성한 문서의 특징을 나타내는 제1 특징 벡터와 사용자에 대해 레이블링된 클래스와의 상관관계를 도출하도록 신경망의 가중치를 학습시킬 수 있다. 상기 학습이 완료됨에 따라 스타일 분석 모델(113)은 새로운 사용자의 SNS 문서로부터 생성된 제1 특징 벡터가 입력되면, 해당 사용자의 인테리어 스타일을 판별할 수 있다.

제어 모듈(127)은 학습이 완료된 스타일 분석 모델(113)에 인테리어 서비스의 새로운 사용자인 제1 사용자가 작성한 문서를 획득하여 제1 특징 벡터를 생성하도록 벡터 모듈(123)을 제어할 수 있고, 제1 사용자로부터 생성된 제1 특징 벡터를 스타일 분석 모델(113)에 입력하여 제1 사용자가 선호하는 인테리어 스타일을 특정할 수 있다. 제어 모듈(127)은 스타일 분석 모델(113)에 의해 제1 사용자에 대해 특정된 스타일을 제1 사용자 정보와 매핑하여 메모리(110) 또는 외부 DB 서버에 저장할 수 있다. 이후, 제1 사용자가 사용하는 인테리어 서비스에서 특정 객체에 대한 정보를 요청하는 경우, 제어 모듈(127)은 제1 사용자에 대해 매핑된 스타일과 대응하는 메타 데이터가 매핑되어 있는 객체 정보를 우선적으로 제1 사용자에게 추천할 수 있다.

입력 인터페이스(130)는 사용자의 입력을 수신할 수 있다. 예를 들면, 사용자가 인테리어 서비스에서 요청하는 객체 정보 등의 입력을 수신할 수 있다.

디스플레이부(140)는 디스플레이 패널을 포함하여 화상을 출력하는 하드웨어 구성을 포함할 수 있다.

통신 인터페이스(150)는 외부 장치(ex. 외부 DB 서버, 사용자 단말 등)와 통신하여 정보를 송수신 할 수 있게 한다. 이를 위해, 통신 인터페이스(150)는 무선 통신 모듈 또는 유선 통신 모듈을 포함할 수 있다.

이하, 도 2 내지 도 7을 통해 스타일 분석 모델 제공 장치(100)의 구성 요소들이 연동하여 스타일 분석 모델(113)을 학습시키고, 학습이 완료된 스타일 분석 모델(113)을 인테리어 서비스에 이용하는 구체적인 실시예에 대해 설명한다.

도 2는 본 발명의 일 실시예에 따른 스타일 분석 모델 제공 장치(100)가 스타일 분석 모델(113)을 생성하는 스타일 분석 모델 제공 방법의 동작 흐름도이다. 도 2에 따른 스타일 분석 모델 제공 방법의 각 단계는 도 1을 통해 설명된 스타일 분석 모델 제공 장치(100)의 구성들에 의해 수행될 수 있으며, 각 단계를 설명하면 다음과 같다.

문서 DB(110)는 복수의 사용자가 작성한 텍스트 데이터를 포함하는 학습용 문서를 획득 및 저장하고 있어, 호출에 따라 학습용 문서에 대한 정보가 로딩될 수 있다(S210).

텍스트 모듈(121)은 문서 DB(110)에 저장된 학습용 문서를 구성하는 텍스트의 의미가 유지되는 기 설정된 단위로 분리된 제1 텍스트를 판별할 수 있다(S220).

예를 들어, 텍스트 모듈(121)은 특정한 규칙을 가진 문자열의 집합을 추출할 수 있는 정규 표현식(Regular expression)을 이용하여 학습용 문서의 텍스트에 포함된 특수문자 및 이모티콘(ex. 도 5(a))을 분류하고, 숫자 및 반복되는 문자열(ex. ㅋㅋㅋ, ㅎㅎㅎ 등)을 제거할 수 있다.

또한, 텍스트 모듈(121)은 문서의 전체적인 의미에 영향을 주지 않는 문자 또는 문자열에 대한 정보(ex. 조사, 관사, 비문)가 기 저장된 불용어 사전을 기초로 학습용 문서에서 불용어 사전에 저장된 텍스트와 동일한 텍스트를 제거할 수 있다.

이후, 텍스트 모듈(121)은 의미를 유지하는 최소 단위인 형태소를 기준으로 텍스트를 분리하고 기 지정된 품사의 형태소를 제1 텍스트로 판별할 수 있다. 예를 들어, 텍스트 모듈(121)은 오픈소스 라이브러리인 KoNLPy 형태소 분석기를 사용하여 텍스트의 형태소를 분리하여 각각의 품사를 판별하고 판별된 형태소에 품사를 태깅하여, 어간에 해당하는 형태소 단위를 제1 텍스트로 판별할 수 있다.

한편, 사용자 마다 게시물의 기재 습관이 상이할 수 있기 때문에, 문서 DB(111)에 저장된 학습용 문서는 어떠한 사용자가 작성한 것인지에 따라 사용된 단어 수의 범위가 상이할 수 있다. 따라서, 모든 학습용 문서에 대해 일률적인 기준으로 단어 수를 추출하여 학습에 사용하는 경우, 단어 수가 상대적으로 적은 문서에 대해 추출한 정보에는 null 값이 다수 포함되어, 신경망 모델의 성능 향상에 오히려 방해가 되는 데이터로 동작할 가능성이 있다.

이에 따라, 신경망 모델의 성능 향상을 위한 학습 데이터를 생성하기 위해, 텍스트 모듈(121)은 문서 DB(111)에 저장된 각 사용자가 작성한 학습용 문서에 포함된 단어 수를 기초로 학습용 문서의 제1 텍스트 중 소정 개수의 제2 텍스트를 판별할 수 있다(S230). 예를 들어, 텍스트 모듈(121)은 각 사용자가 작성한 학습용 문서 별 단어수의 통계를 기초로 학습에 사용할 단어 수를 결정하여, 특정 사용자가 작성한 각 학습용 문서에 포함된 제1 텍스트 중 상기 결정된 단어 수만큼의 제2 텍스트를 판별할 수 있다.

도 3은 본 발명의 일 실시예에 따라 특정 사용자가 SNS에서 작성한 모든 게시물의 텍스트 데이터 집합을 문서라고 표현했을 때, 전체 데이터에 대해 문서에 포함된 단어 수에 따라서 문서의 개수를 통계 낸 예시도이다.

도 3을 참조하면, 예시에 사용된 전체 문서 내의 단어 개수 최댓값은 194, 문서 내의 단어 개수 최솟값은 1, 문서 내의 단어 개수 평균값은 12.74, 문서 내의 단어 개수 표준편차는 16.88, 문서 내의 단어 개수 중간값은 7.0, 문서 내의 단어 개수 상위 제1 사분위는 3.0, 문서 내의 단어 개수 상위 제3 사분위는 16.0이다. 즉, 도 3의 예시에 따르면, 대부분의 문서가 단어 개수 25개 이하에 분포되어 있고, 최댓값은 194, 최솟값은 1로 문서 내 단어 개수의 차이가 크게 발생할 수도 있다.

이에 따라, 텍스트 모듈(121)은 전체 학습용 문서에 대하여, 단어 개수가 많이 포함된 문서의 순위로 상위 제3 사분위의 문서 수가 포함되기 시작하는 지점의 단어 수를 기준으로 특정 사용자의 학습용 문서에서 학습에 사용할 단어를 결정할 수 있다. 가령, 도 3의 예시에서 상위 제3 사분위의 문서 수가 포함되기 시작하는 지점의 단어 개수는 16이다. 이 경우, 텍스트 모듈(121)은 모든 문서에 대해, 각 문서에 포함된 제1 텍스트 중 16개의 제2 텍스트를 판별할 수 있다.

도 4(a)는 본 발명의 일 실시예에 따라 사용자 별로 작성한 모든 문서에 포함된 각각의 제2 텍스트의 빈도 수를 나타낸 예시도이고, 도 4(b)는 본 발명의 일 실시예에 따라 사용자 별로 각각의 제2 텍스트의 빈도 수에 대해 중요도 가중치를 부여해서 계산된 제1 특징 벡터의 원소값을 나타낸 예시도이다.

도 4(a)를 참조하면, 도 4(a)의 최상단 행은 학습에 사용될 모든 학습용 문서에서 선정된 제2 텍스트이고, 도 4(a)의 좌측 열은 학습에 사용될 모든 사용자 각각의 학습용 문서를 의미하고, 도 4(a)의 각 원소값은 특정 사용자가 작성한 모든 문서 중 최상단 행의 제2 텍스트가 사용된 빈도 수를 의미한다.

벡터 모듈(123)은 도 4(a)와 같이 제2 텍스트가 사용된 빈도 수를 원소값으로 하는 제1 특징 벡터를 학습에 사용할 수 있으며, 또는 각 사용자 별로 각각의 제2 텍스트의 빈도 수로부터 제2 텍스트에 대한 중요도 가중치를 수학적 계산을 통해 부여하는 방식으로 도 4(b)와 같은 제1 특징 벡터를 생성하여 학습에 사용할 수 있다(S240).

도 4(b)를 참조하면, 벡터 모듈(123)은 각 사용자 별로, 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트의 빈도 수를 기초로 하기 수학식 1에 따라 계산된

의 값을 원소로 포함하는 제1 특징 벡터를 생성할 수 있다.

[수학식 1]

(

,

: 문서 DB에 포함된 모든 학습용 문서의 수,

더하여, 벡터 모듈(123)은 상기 수학식 1에 따라 계산된 제1 특징 벡터의 원소값에 해당 원소값에 사용된 제2 텍스트가 특수문자/이모티콘에 인접한 지 여부에 따라 가중치를 부여하여 원소값을 갱신할 수 있다.

도 5(a)는 본 발명의 일 실시예에 따라 긍정과 부정을 표현하는 특수문자/이모티콘을 기 저장한 정보이고, 도 5(b)는 본 발명의 일 실시예에 따라 특수문자/이모티콘과 인접한 제2 텍스트로부터 계산된 제1 특징 벡터의 원소값에 가중치를 가한 예시도이다.

도 5(a)를 참조하면, 텍스트 모듈(121)이 정규 표현식을 이용하는 동작에 따라 학습용 문서의 텍스트에 포함된 특수문자/이모티콘을 판별할 수 있다. 이때 특수문자/이모티콘은 도 5(a)와 같이 특정 텍스트에 대한 긍정 또는 부정의 의미를 강하게 하는 요소로 분류될 수 있다.

이에 따라, 벡터 모듈(123)은 제1 특징 벡터의 원소값을 계산하는 데에 사용된 제2 텍스트가 사용된 학습용 문서에서 특수문자 또는 이모티콘이 해당 제2 텍스트로부터 소정 단위의 어절 사이에 인접하여 사용된 경우, 제2 텍스트에 대해 계산된 상기 제1 특징 벡터의 원소값에 기 설정된 가중치를 가하여 제1 특징 벡터의 원소값을 갱신할 수 있다. 예를 들어, 긍정의 의미로 분류된 특수문자/이모티콘에 인접하여 사용하였다면, 수학식 1에 따라 계산된 원소값에 1 이상의 가중치를 곱하여 원소값을 갱신할 수 있으며, 부정의 의미로 분류된 특수문자/이모티콘에 인접하여 사용하였다면, 수학식 1에 따라 계산된 원소값에 1 이하의 가중치를 곱하여 원소값을 갱신할 수 있다.

벡터 모듈(123)은 상술한 과정에 따라 생성된 제1 특징 벡터가 의미하는 스타일의 클래스를 레이블링하기 위하여, 복수의 인테리어 스타일에 대한 정보를 수학적 표현으로 특정하는 제2 특징 벡터를 생성할 수 있다(S250).

도 6(a)는 본 발명의 일 실시예에 따라 인테리어 스타일을 특정하는 복수의 클래스와 각 클래스에 매핑되어 있는 스타일 특정 텍스트에 대해 기 저장된 정보에 대한 예시도이고, 도 6(b)는 본 발명의 일 실시예에 따라 각 클래스 별로 각각의 스타일 특정 텍스트로부터 계산된 제2 특징 벡터의 원소값을 나타낸 예시도이다.

도 6(a) 및 도 6(b)를 참조하면, 벡터 모듈(123)은 도 6(a)와 같이 스타일의 종류를 특정하는 인테리어 클래스마다 기 매핑되어 있는 스타일 특정 단어를 문서 DB(111)에 포함된 모든 학습용 문서에서 추출할 수 있다. 이에 따라, 벡터 모듈(123)은 도 6(b)와 같이 제1 특징 벡터의 레이블링에 사용될 각 인테리어 클래스 별로, 모든 학습용 문서 중 각각의 스타일 특정 텍스트를 포함하는 빈도 수를 기초로 하기 수학식 2의

에 따라 계산된 값을 원소로 포함하는 제2 특징 벡터를 생성할 수 있다.

[수학식 2]

(

,

: 문서 DB에 포함된 모든 학습용 문서의 수,

벡터 모듈(123)은 사용자마다 도출된 제1 특징 벡터와, 인테리어 클래스마다 도출된 제2 특징 벡터의 유사도를 판별하여, 각 사용자의 제1 특징 벡터와 가장 유사한 제2 특징 벡터의 클래스를 각 사용자의 제1 특징 벡터에 레이블링할 수 있다(S260). 예를 들어, 벡터 모듈(123)은 제1 특징 벡터와 제2 특징 벡터의 코사인 유사도(cosine similarity)를 계산하여, 제1 특징 벡터와 계산된 값이 +1에 가장 가까운 제2 특징 벡터의 클래스를 제1 특징 벡터에 레이블링할 수 있다.

학습 모듈(125)은 제1 특징 벡터와 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 머신러닝 기반의 신경망 모델을 생성하고 학습시킬 수 있다(S270). 예를 들어, 학습 모듈(125)은 소정의 CNN(Convolutional Neural Network)을 기초로 설계된 신경망의 입력 레이어에 제1 특징 벡터가 입력되도록 설정하고, 출력 레이어에 제1 특징 벡터 각각에 레이블링된 클래스가 입력되도록 설정하여, 제1 특징 벡터와 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 신경망의 가중치를 학습시킬 수 있다.

더하여, 학습 모듈(125)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 머신러닝 알고리즘, 가령, ResNet, LeNet-5, AlexNet, VGG-F, VGG-M, VGG-S, VGG-16, VGG-19, GoogLeNet(inception v1), SENet 등의 알고리즘에 따라 설계된 인공지능 신경망 모델을 통해 학습을 진행할 수 있으며 사용할 수 있는 알고리즘의 예시는 상술한 종류에 한정되지 않는다.

인공지능 모델은 시냅스의 결합으로 네트워크를 형성한 노드들로 구성되는, 문제 해결 능력을 갖추는 모델 전반을 의미할 수 있다. 인공지능 모델은 모델을 구성하는 레이어 사이의 가중치인, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다. 모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 레이어 연결의 가중치와 뉴런의 편향 등이 포함된다. 하이퍼 파라미터는 머신러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 네트워크 계층 수(num_layer), 학습 데이터 개수(num_training_samples), 클래스 개수(num_classes), 학습률(Learning Rate), 학습 횟수(epochs), 미니 배치 크기(mini_batch_size), 손실 함수(optimizer) 등이 포함된다. 이러한 하이퍼 파라미터의 설정값들은 학습 설계에 따라 달라질 수 있으며, 특정 수치에 한정되는 것은 아니다.

인공지능 모델의 학습 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공지능 모델의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

학습이 완료된 스타일 분석 모델(113)은 메모리(110)에 저장할 수 있다. 메모리(110)에 저장된 스타일 분석 모델(113)은 다른 객체 장치의 유무선 통신 접속에 따라 활용되거나, 또는 다른 객체의 장치에 배포될 수 있다. 이에 따라, 다른 객체 장치는 도 7의 실시예와 같이 다양한 인테리어 서비스에 스타일 분석 모델(113)을 활용할 수 있다.

도 7은 본 발명의 일 실시예에 따른 스타일 분석 모델 제공 장치(100)가 스타일 분석 모델(113)을 사용하여 사용자의 스타일에 맞는 상품을 추천하는 스타일 분석 모델 제공 방법의 동작 흐름도이다. 도 7에 따른 스타일 분석 모델 제공 방법의 각 단계는 도 1을 통해 설명된 스타일 분석 모델 제공 장치(100)의 구성들에 의해 수행될 수 있다. 다만, 도 7에 따른 스타일 분석 모델 제공 방법은 도 2에 따른 스타일 분석 제공 방법과 반드시 동일한 장치에서 수행될 필요가 없으며, 도 2의 동작을 수행하는 장치와 도 7의 동작을 수행하는 장치는 서로 다른 객체의 장치일 수 있다. 예를 들어, 도 7에 따른 스타일 분석 모델 제공 방법을 수행하는 스타일 분석 모델 제공 장치(100)는 인터넷을 통해 인테리어 서비스를 제공하는 컴퓨터 서버 또는 인터넷을 통해 인테리어 서비스를 제공받는 사용자 단말일 수 있고, 별도의 장치가 생성한 스타일 분석 모델(113)을 저장하여 스타일 분석 모델(113)을 활용하여 인테리어 서비스를 제공하거나 제공받는 컴퓨팅 장치일 수 있다. 따라서, 본 문서에서 스타일 분석 모델 제공 장치(100)는 인테리어 서비스를 제공하는 "서버" 또는 인테리어 서비스에 참여하는 "사용자 단말"을 포함할 수 있다.

도 7에 따른 스타일 분석 모델 제공 방법의 각 단계를 설명하면 다음과 같다.

도 7을 참조하면, 메모리(110)는 인테리어 서비스의 제1 사용자가 사용하는 SNS에서 제1 사용자가 작성한 문서를 획득하여 저장할 수 있다(S710). "제1 사용자"는 스타일 분석 모델(113)을 사용하는 관점의 사용자를 의미한다. 제1 사용자가 작성한 문서는 인스타그램, 페이스북, 트위터, 블로그, 카카오페이지 등 사용자가 텍스트를 기재하여 게시물을 생성하는 형태의 SNS(Social Network Service)에 게시된 텍스트 데이터를 포함할 수 있다. 문서 DB(111)는 제1 사용자의 SNS 게시물 정보 수집 동의에 따라, 소정의 크롤링 알고리즘을 이용하거나 또는 SNS가 제공하는 API를 통해 사용자가 SNS에 게시한 텍스트 데이터를 획득할 수 있다.

텍스트 모듈(121)은 제1 사용자의 문서를 구성하는 텍스트의 의미가 유지되는 기 설정된 단위를 기준으로 문서에 포함된 제1 텍스트를 판별할 수 있다(S720). 텍스트 모듈(121)은 제1 사용자가 작성한 문서에 포함된 단어 수를 기초로 제1 사용자가 작성한 각 문서의 제1 텍스트 중 소정 개수의 제2 텍스트를 판별할 수 있다(S730). 이때 S720 및 S730 단계의 동작은 도 2의 S220 및 S230 단계에서의 설명한 동작과 동일한 동작으로 수행될 수 있으며 중복된 설명은 생략한다.

벡터 모듈(123)은 제1 사용자의 문서 중 각각의 제2 텍스트가 포함된 빈도 수에 제2 텍스트에 대한 중요도 가중치를 기초로 구성된 제1 특징 벡터를 생성할 수 있다(S740). 예를 들어, 벡터 모듈(123)은 제1 사용자가 작성한 모든 문서 중 각각의 제2 텍스트를 포함하는 문서의 수를 기초로 하기 수학식 3의

에 따라 계산된 값을 원소로 포함하는 제1 특징 벡터를 생성할 수 있다.

[수학식 3]

(

,

, d: 특정 사용자가 작성한 문서, t: 제2 텍스트, D: 스타일 분석 모델의 학습에 사용된 모든 학습용 문서,

: 스타일 분석 모델의 학습에 사용된 모든 학습용 문서의 수로서 기 설정된 값으로 저장되어 있음,

: 특정 사용자가 작성한 문서 d에서 t라는 제2 텍스트의 등장 횟수,

: 특정 사용자가 작성한 문서 중 t라는 제2 텍스트를 포함하는 문서의 수)

제어 모듈(127)은 메모리(110)에 저장된 스타일 분석 모델(113)에 제1 특징 벡터를 입력하여 제1 사용자의 스타일의 클래스를 판별하고, 판별된 스타일의 클래스를 제1 사용자의 정보에 매핑하여 저장할 수 있다(S750).

제어 모듈(127)은 제1 사용자가 인테리어 서비스에서 제공하는 소정의 객체에 대한 정보를 요청하는 경우, 판별된 스타일을 기초로 스타일의 메타 데이터가 매핑되어 있는 객체 정보를 추천할 수 있다. 인테리어 서비스는 인터넷을 통해 인테리어 관련 용품을 판매하는 쇼핑몰 서비스 또는 3차원 가상 공간에 인테리어 요소를 배치할 수 있는 인터넷 가상 공간 제공 서비스를 포함할 수 있다. 제어 모듈(127)은 제1 사용자가 쇼핑몰 서비스에서 소정 상품의 키워드를 입력하는 경우, 상기 키워드에 매핑되어 있는 상품 정보 중 제1 사용자에 매핑된 스타일의 메타 데이터가 매핑되어 있는 상품 정보를 우선적으로 출력할 수 있다. 제어 모듈(127)은 제1 사용자가 인터넷 가상 공간 서비스에서 벽지, 바닥재 및 사물 중 어느 하나의 인테리어 요소에 대한 정보를 요청하는 경우, 상기 요청한 인테리어 요소 중 제1 사용자에 매핑된 스타일의 메타 데이터가 매핑되어 있는 인테리어 요소를 우선적으로 출력할 수 있다.

상술한 실시예에 따르면, 사용자가 SNS에 작성한 텍스트의 내용과 해당 사용자가 선호하는 인테리어 스타일 간의 상관 관계를 도출할 수 있는 신경망 모델을 생성할 수 있고, 이러한 신경망 모델을 다양한 인테리어 서비스에 활용하여 사용자의 선호 스타일에 대응되는 상품을 우선적으로 추천하여 사용자에게 편의성을 제공할 수 있다.

상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.

하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하며, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고받을 수 있다.

또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이와 같이, 본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적이며 한정적이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허 청구범위에 의하여 나타내어지며, 특허 청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims

스타일 분석 모델 제공 장치에 있어서,
소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
상기 프로세서가 수행하는 동작은,
복수의 사용자가 작성한 텍스트 데이터를 포함하는 학습용 문서를 획득하는 동작;
상기 학습용 문서를 구성하는 텍스트의 의미가 유지되는 기 설정된 단위를 기준으로 상기 학습용 문서에 포함된 제1 텍스트를 판별하는 동작;
상기 각 사용자가 작성한 학습용 문서에 포함된 단어 수를 기초로 상기 학습용 문서의 제1 텍스트 중 소정 개수의 제2 텍스트를 판별하는 동작;
상기 각 사용자 별로, 상기 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트가 포함된 빈도수를 기초로 구성된 제1 특징 벡터를 생성하는 동작;
인테리어 스타일을 특정하는 복수의 클래스와 각 클래스에 매핑되어 있는 스타일 특정 텍스트에 대해 기 저장된 정보를 이용하여 상기 각 클래스 별로, 상기 획득된 모든 학습용 문서 중 각각의 스타일 특정 텍스트가 포함된 빈도 수를 기초로 제2 특징 벡터를 생성하는 동작;
상기 제1 특징 벡터와 상기 제2 특징 벡터의 유사도를 판별하여 상기 제1 특징 벡터와 가장 유사한 제2 특징 벡터의 클래스를 상기 제1 특징 벡터에 레이블링하는 동작; 및
상기 제1 특징 벡터와 상기 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 머신러닝 기반의 신경망 모델을 생성 및 학습시키는 동작을 포함하는,
스타일 분석 모델 제공 장치.
제1항에 있어서,
상기 제1 텍스트를 판별하는 동작은,
정규 표현식을 이용하여 상기 학습용 문서에 포함된 특수 문자 및 이모티콘을 추출하고, 상기 학습용 문서에 포함된 숫자 및 반복되는 문자열을 제거하는 동작;
기 저장된 불용어 사전을 기초로 상기 학습용 문서에 포함된 조사, 관사, 비문을 제거하는 동작; 및
소정의 형태소 분석 알고리즘을 기초로 상기 학습용 문서에 포함된 어간 단위를 추출하여 상기 제1 텍스트를 판별하는 동작을 포함하는,
스타일 분석 모델 제공 장치.
제1항에 있어서,
상기 제2 텍스트를 판별하는 동작은,
상기 각 사용자가 작성한 학습용 문서 별 단어 수의 통계를 기초로 학습에 사용할 단어 수를 결정하여, 상기 각 사용자가 작성한 각 학습용 문서에 포함된 제1 텍스트 중 상기 결정된 단어 수만큼 선정된 제2 텍스트를 판별하는 동작을 포함하는,
스타일 분석 모델 제공 장치.
제3항에 있어서,
상기 제2 텍스트를 판별하는 동작은,
전체 문서에 대해서 상기 각 사용자가 작성한 학습용 문서 안에 포함된 단어가 많은 순서로 통계를 집계하였을 때, 상기 통계 중 학습용 문서 안에 포함된 단어 수의 상위 제3 사분위가 시작되는 지점의 단어 수를 상기 소정 개수로 결정하는 동작; 및
상기 각 사용자가 작성한 각 학습용 문서 안에 포함된 제1 텍스트 중 상기 소정 개수만큼의 제2 텍스트를 판별하는 동작을 포함하는,
스타일 분석 모델 제공 장치.
제1항에 있어서,
상기 제1 특징 벡터를 생성하는 동작은,
상기 각 사용자 별로, 상기 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트를 포함하는 문서의 수를 기초로 하기 수학식 1의
에 따라 계산된 값을 원소로 포함하는 제1 특징 벡터를 생성하는 동작을 포함하는,
[수학식 1]

(
,
, d: 특정 사용자가 작성한 학습용 문서, t: 제2 텍스트, D: 문서 DB에 포함된 모든 학습용 문서,
: 문서 DB에 포함된 모든 학습용 문서의 수,
: 특정 사용자가 작성한 학습용 문서 d에서 t라는 제2 텍스트의 등장 횟수,
: 특정 사용자가 작성한 학습용 문서 중 t라는 제2 텍스트를 포함하는 학습용 문서의 수)
스타일 분석 모델 제공 장치.
제5항에 있어서,
상기 제1 특징 벡터를 생성하는 동작은,
상기 제1 특징 벡터를 생성한 이후, 제2 텍스트가 사용된 학습용 문서에서 특수 문자 또는 이모티콘이 상기 제2 텍스트로부터 소정 단위의 어절 사이에 인접하여 사용된 경우, 상기 소정의 제2 텍스트에 대해 대해 계산된 상기 제1 특징 벡터의 원소값에 기 설정된 가중치를 가하여 상기 제1 특징 벡터의 원소값을 갱신하는 동작을 포함하는,
스타일 분석 모델 제공 장치.
제1항에 있어서,
상기 제2 특징 벡터를 생성하는 동작은,
상기 각 클래스 별로, 상기 획득된 모든 학습용 문서 중 각각의 스타일 특정 텍스트를 포함하는 문서 수를 기초로 하기 수학식 2의
에 따라 계산된 값을 원소로 포함하는 제2 특징 벡터를 생성하는 동작을 포함하는,
[수학식 2]

(
,
, d: 특정 사용자가 작성한 학습용 문서, t: 스타일 특정 텍스트, D: 문서 DB에 포함된 모든 학습용 문서,
: 문서 DB에 포함된 모든 학습용 문서의 수,
: 특정 사용자가 작성한 학습용 문서 d에서 t라는 스타일 특정 텍스트의 등장 횟수,
: 특정 사용자가 작성한 학습용 문서 중 t라는 스타일 특정 텍스트를 포함하는 학습용 문서의 수)
스타일 분석 모델 제공 장치.
제1항에 있어서,
상기 레이블링하는 동작은,
상기 제1 특징 벡터와 상기 제2 특징 벡터의 코사인 유사도를 계산하여, 상기 제1 특징 벡터와 계산된 값이 +1에 가장 가까운 제2 특징 벡터의 클래스를 상기 제1 특징 벡터에 레이블링하는 동작을 포함하는,
스타일 분석 모델 제공 장치.
제1항에 있어서,
상기 신경망 모델을 생성 및 학습시키는 동작은,
소정의 CNN(Convolutional Neural Network)을 기초로 설계된 신경망의 입력 레이어에 상기 제1 특징 벡터가 입력되도록 설정하고, 출력 레이어에 상기 제1 특징 벡터 각각에 레이블링된 클래스가 입력되도록 설정하여, 상기 제1 특징 벡터와 상기 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 신경망의 가중치를 학습시키는 동작을 포함하는,
스타일 분석 모델 제공 장치.
스타일 분석 모델 제공 장치에 의해 수행되는 스타일 분석 모델 제공 방법에 있어서,
복수의 사용자가 작성한 텍스트 데이터를 포함하는 학습용 문서를 획득하는 동작;
상기 학습용 문서를 구성하는 텍스트의 의미가 유지되는 기 설정된 단위를 기준으로 상기 학습용 문서에 포함된 제1 텍스트를 판별하는 동작;
상기 각 사용자가 작성한 학습용 문서에 포함된 단어 수를 기초로 상기 학습용 문서의 제1 텍스트 중 소정 개수의 제2 텍스트를 판별하는 동작;
상기 각 사용자 별로, 상기 각 사용자가 작성한 학습용 문서 중 각각의 제2 텍스트가 포함된 빈도 수를 기초로 구성된 제1 특징 벡터를 생성하는 동작;
인테리어 스타일을 특정하는 복수의 클래스와 각 클래스에 매핑되어 있는 스타일 특정 텍스트에 대해 기 저장된 정보를 이용하여 상기 각 클래스 별로, 상기 획득된 모든 학습용 문서 중 각각의 스타일 특정 텍스트가 포함된 빈도 수를 기초로 제2 특징 벡터를 생성하는 동작;
상기 제1 특징 벡터와 상기 제2 특징 벡터의 유사도를 판별하여 상기 제1 특징 벡터와 가장 유사한 제2 특징 벡터의 클래스를 상기 제1 특징 벡터에 레이블링하는 동작; 및
상기 제1 특징 벡터와 상기 제1 특징 벡터에 레이블링된 클래스와의 상관 관계를 도출하는 머신러닝 기반의 신경망 모델을 생성 및 학습시키는 동작을 포함하는,
스타일 분석 모델 제공 방법.
제10항의 방법을 프로세서가 수행하게 하는 명령어를 포함하는 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능 기록매체.