KR20220111592A - 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 - Google Patents
인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220111592A KR20220111592A KR1020210015029A KR20210015029A KR20220111592A KR 20220111592 A KR20220111592 A KR 20220111592A KR 1020210015029 A KR1020210015029 A KR 1020210015029A KR 20210015029 A KR20210015029 A KR 20210015029A KR 20220111592 A KR20220111592 A KR 20220111592A
- Authority
- KR
- South Korea
- Prior art keywords
- fashion
- style
- customer
- image
- shopping mall
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 230000006399 behavior Effects 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 235000019640 taste Nutrition 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법에 관한 것이다.
본 발명은 딥 러닝 엔진이 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 정보를 수집하여 서로 어울리는 속성 정보를 학습하고, 패션 고객사가 자사의 상품 데이터를 패션 코디네이션 스타일 추천 인공지능 시스템에 연동시, 상품 데이터베이스 내에 서로 어울리는지에 대한 속성값을 부여하며, 고객 행동 데이터와 클릭 로그 데이터가 수집되어, 고객의 패션 스타일 성향을 예측하여 최근의 웹 상에서 보고 있는 상품과 가장 호환이 잘될 것 같은 상품을 자동으로 출력하여 개인 맞춤 코디네이션 상품을 추천하게 되는 것이다.
본 발명은 딥 러닝 엔진이 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 정보를 수집하여 서로 어울리는 속성 정보를 학습하고, 패션 고객사가 자사의 상품 데이터를 패션 코디네이션 스타일 추천 인공지능 시스템에 연동시, 상품 데이터베이스 내에 서로 어울리는지에 대한 속성값을 부여하며, 고객 행동 데이터와 클릭 로그 데이터가 수집되어, 고객의 패션 스타일 성향을 예측하여 최근의 웹 상에서 보고 있는 상품과 가장 호환이 잘될 것 같은 상품을 자동으로 출력하여 개인 맞춤 코디네이션 상품을 추천하게 되는 것이다.
Description
본 발명은 구매 정보를 파악해 클릭 가능성이 높은 코디네이션 상품을 자동으로 추천함으로써 구매자의 의류 쇼핑 만족도를 높일 수 있게 되는 패션 코디 스타일 추천 시스템 및 방법에 관한 것으로, 더욱 구체적으로는 딥 러닝 엔진이 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 정보를 수집하여 서로 어울리는 속성 정보를 학습하고, 패션 고객사가 자사의 상품 데이터를 패션 코디네이션 스타일 추천 인공지능 시스템에 연동시, 상품 데이터베이스 내에 서로 어울리는지에 대한 속성값을 부여하며, 고객 행동 데이터와 클릭 로그 데이터가 수집되어, 고객의 패션 스타일 성향을 예측하여 최근의 웹 상에서 보고 있는 상품과 가장 호환이 잘될 것 같은 상품을 자동으로 출력하여 개인 맞춤 코디네이션 상품을 추천하게 되는 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법에 관한 것이다.
밀레니엄 세대들의 패션 성향은 브랜드 로열티가 아니고 개인의 스타일을 중시하는 소비패턴으로 트렌드가 변화하여 시장에서는 경쟁력 있는 오픈마켓과 디자이너 브랜드, 그리고 기존의 컨템퍼러리 브랜드에 집중되고 있다.
브랜드 사업자 입장에서는 백화점이라는 유통채널은 더욱 더 프리미엄으로 탈바꿈되고 있고, 온라인 전문몰과 오픈마켓의 수수료, 그리고 자체 사이트를 운영하는데 들어가는 고정비와 마케팅의 한계로 어려움을 겪고 있다.
온라인 패션 시장은 매년 성장하고 있으며, 브랜드 온라인 쇼핑도 활성화되어가고 있는 추세이다. 이에 많은 사람들이 자신이 원하는 스타일의 패션을 검색하여 찾기 위해 많은 시간을 소비하고 있다.
따라서, 쇼핑몰 방문 고객들이 자신의 취향과 선호도에 적합한 패선 스타일을 추천받을 수 있게 된다면, 웹 페이지 검색시간을 현저하게 줄일 수 있고, 패션 전문가에게 자신이 선호하는 스타일의 패션 코디를 서비스 받는다는 느낌을 가지고 쇼핑몰을 방문하는 즐거움을 누릴 수 있을 것이다. 또한 쇼핑몰 운영자에게는 서비스 만족도가 높은 패션 코디네이션 스타일 추천 시스템으로 매출 향상에 기여할 수 있게 될 것이다.
이에 따라서, 쇼핑몰 방문 고객들과 쇼핑몰 운영자들은 고객의 취향과 선호도에 적합한 패선 스타일을 추천하고, 또한 추천받을 있는 쇼핑몰 시스템의 출현을 요구하고 있다.
대한민국 공개특허 제 10-2020-0069796호‘맞춤형 의류 코디네이션 및 구매 시스템 및 방법’이 개시되었다.
상기 기술은 온라인 쇼핑몰 서버가 사용자가 소유한 의류의 이미지인 사용자 의류 이미지를 사용자로부터 선택받아 업로드 받아 저장하는 사용자 의류 이미지 업로드 과정; 상기 온라인 쇼핑몰 서버가 사용자 의류 코디네이션에 사용될 코디 의류를 사용자로부터 선택받는 코디 의류 선택 과정; 상기 온라인 쇼핑몰 서버가 선택된 코디 의류의 이미지를 사용자 의류 이미지에 함께 조합한 코디 조합 이미지를 표시하는 코디 조합 이미지 표시 과정 및 상기 온라인 쇼핑몰 서버가 상기 코디 조합 이미지 표시 과정을 통해 코디네이션된 코디 의류에 대한 구매 주문창을 제공하여 사용자 구매 결제가 이루어지도록 하는 구매 결제 과정을 포함한다.
이 기술은 사용자가 자신의 코디네이션에 사용될 의류 이미지를 쇼핑몰 서버에 업로드하여야 하며, 온라인 쇼핑몰 서버가 사용자로부터 최종 결정되는 의류 이미지 크기와 의류 코디 배치 위치를 가지고 의류를 조합한 코디 조합 이미지를 표시하게 되는 것으로, 사용자 입력에 따르는 사용상의 불편함이 있어 실용적이지 못하며, 이는 결국 사용자가 자신이 사용할 의류를 선택하게 되므로 최신 트렌드의 패션 스타일을 추천받을 수 있는 시스템이 될 수 없는 것이다.
다른 일례의 패션 스타일 추천 시스템으로 온라인 상에서 패션 스타일의 고객 선호도를 판별하는 방법으로 마우스 클릭에 따르는 이미지 태크 횟수 등을 참조하여 선호도를 판별하는 방법이 제안되었다.
이미지 태그 지정은 이미지 및 텍스트의 두 데이터 세트를 동시에 처리해야 하므로 상대적으로 복잡한 연산처리를 수행한다. 이러한 태그 지정 단계는 모델의 예측 결과에 대한 정확성을 보장하는 데 중요하기 때문에 여전히 매우 자주 사용된다. 그러나 문제는 이 모델이 컨텍스트를 무시하기 때문에 여러 번 사용할 경우에도 특정 입력에 대해 동일한 결과를 예측하는 경향이 있다는 것이다.
이러한 경향은 선택한 상품의 이미지 분석 기반으로만 적용되어 취향이 다른 A고객과 B고객이더라도 선택한 상품이 같으면 개인의 선호도와 관계없이 동일한 코디를 추천하기 때문에 코디네이션 만족도가 낮은 것이었다.
이는 고객이 자신의 선호도에 다른 다양한 니즈를 요구하며, 현대의 패션 트렌드가 끊임없이 변화하는 것을 고려할 때 큰 결함이 될 것이며, 고객 개개인의 선호도에 크게 좌우되는 코디네이션의 호환성을 만족시킬 수 없게 된다.
이미지를 처리하는 기법에는 스튜디오 데이터세트(Studio dataset) 기법과 스트리트 데이터세트(Street dataset)기법, 세그먼테이션(segmentation) 기법이 있다.
스튜디오 데이터세트는 흰색배경으로 모델이 착용한 패션 스타일로 정형화된 형태이며, 스트리트 데이터세트는 길거리 배경으로 일반인이 착용한 패션 스타일로 비정형화된 형태이다.
세그멘테이션 기법은 스튜디오 데이터세트 기법과 스트리트 데이터세트 기법을 병합하여 각 이미지 아이템을 카테고리별로 구분해내는 기법이다.
상기 스트리트 데이터세트라 함은 스튜디오 안에서 찍은 흰색 배경에 옷이 중심에 있는 것이 아닌, 거리에서 찍은 패션을 의미한다.
이 스트리트 데이터세트는 복잡한 배경 이미지 때문에 스튜디오 데이터세트 보다 처리하기 어렵다.
세그먼테이션(segmentation) 기법은 이미지에서 상의, 하의, 신발 등의 영역을 각각 잘라내며, 각 카테고리별로 그 영역을 나타낼 수 있도록 한다.
따라서, 본래 사진에서 추출하고 싶은 카테고리를 넣는다면 스튜디오 사진과 유사하게 만들 수 있게 된다.
이에 본 발명은 스튜디오 데이터세트 기법과 스트리트 데이터세트 기법의 한계를 극복하기 위해서 세그먼테이션(segmentation) 기법을 사용한다.
본 발명의 패션 코디네이션 스타일 추천 시스템의 이미지 처리 기법이 기존의 이미지 처리 기법과 다른 차별점은 세그멘테이션 기법을 사용한다는 것이다.
본 발명은 쇼핑몰 운영자가 쇼핑몰 서버를 통해 쇼핑몰 시스템을 자체적으로 운영하며, 인공지능 관리서버는 패션 고객사의 판매제품 데이터와 쇼핑몰 방문 고객의 행동기반 데이터를 수집하여 인공지능의 딥 러닝 엔진의 패션 스타일 생성 알고리즘에 의해 추론되어 추천되는 패션 스타일 아이템 세트를 API를 통해 패션 고객사의 쇼핑몰 웹 페이지에 적용하여 고객 선호도를 기반으로 하는 패션 스타일 코디네이션의 전시, 판매 및 양도가 이루어질 수 있게 되는 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법을 제공함을 목적으로 한다.
또한, 패션 스타일 이미지 세트는 매장 내에서 스마트 의상 추천 디스플레이 및 스마트 셀프 서비스 디스플레이와 같이 스타일링을 위한 서비스에 사용될 수 있으며, 판매 관계자와 대면 및 상호 작용하는 것을 좋아하지 않는 고객에게 패션 스타일 아이템 구입을 전문가 수준의 권장 사항으로 도울 수 있는 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법을 제공함을 목적으로 한다.
또한, 전문가 수준의 스타일링 서비스는 고객이 최근에 본 아이템, 방금 구매한 아이템, 그리고 취향에 맞는 스타일의 아이템을 패션 스타일로 추천함으로써 일반 고객이 해당 사이트에 지속적으로 접근하도록 전환시킬 수 있는 션 코디네이션 스타일 추천 시스템 및 방법을 제공함을 목적으로 한다.
이와 같은 본 발명은 패션 코디네이션 스타일 추천 시스템에 인공지능 시스템을 적용하여 패션 유통사의 매출향상을 목표로 하는 것이다.
본 발명이 이루고자 하는 목적 및 그 기술적 과제는 앞서 기재한 기술적 과제에 한정되는 것이 아니다. 따라서 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명이 의도하는 목적을 달성하기 위한 기술적인 특징에 따르는 패션 코디네이션 스타일 추천 시스템은 고객의 선호도와 트렌드를 반영한 패션 스타일 아이템을 제공하는 패션 코디네이션 스타일 추천 시스템에 있어서, 쇼핑몰 웹사이트에 등록 인증되어 온라인 상에서 쇼핑몰 웹 페이지를 검색하는 사용자 단말기와; 상기 사용자 단말기의 접속을 인증하는 온라인 쇼핑몰 시스템을 구비하여 제품등록과 판매를 자체 운영하는 쇼핑몰 서버와; 상기 쇼핑몰 서버 및 패션 고객사로부터 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 정보를 수집하고, 고객이 최근에 웹을 검색하는 행동 데이터를 맵핑하여 웹 상에서 선호하는 패션 스타일과 가장 호환이 잘될 것 같은 패션 스타일 성향을 추론하게 되는 학습 절차를 수행하는 딥 러닝 엔진을 구비하여, 학습 결과에 따르는 패션 코디네이션 추천 정보를 생성하는 인공지능 관리서버를 포함하며, 상기 쇼핑몰 서버는 상기 인공지능 관리서버가 보유한 패션 스타일 아이템 세트를 API를 통해 전달받아 전시, 판매, 양도 및 교환절차를 수행할 수 있게 되는 것을 특징으로 한다.
본 발명의 기술적 특징에 의하면, 상기 딥 러닝 엔진은 고객 선호도 스타일을 연산함에 있어서, 상기 인공지능 관리서버에 축적된 패션 코디네이션 스타일 추천 정보에 외부에서 수집되는 복수의 패션 데이터를 패션 스타일 속성 가중치로 맵핑함으로써 고객의 선호도에 매칭되는 패션 코디네이션 스타일 추천 정보를 자동으로 생성하여 출력하는 것을 포함한다.
본 발명의 기술적 특징에 의하면, 상기 딥 러닝 엔진은 사용자 단말기의 패션 스타일 추천 요청에 따라 패션 트렌드 데이터와 고객 행동 데이터 및 패션 스타일 속성 가중치 데이터베이스에서 업데이트 되어 저장되는 패션 스타일 속성값을 소정 연산을 통해 고객 선호도가 높을 것으로 예측되는 패션 스타일 이미지를 생성하는 패션 스타일 이미지 생성 모듈과; 최근의 패션 트렌드 데이터와 고객의 쇼핑몰 웹 페이지 행동 데이터에 따르는 패션 스타일 속성의 가중치를 달리 부여하여 저장하는 데이터베이스 테이블을 구비하여 고객 선호도를 업데이트하는 패션 스타일 이미지 속성 가중치 데이터베이스와; 상기 패션 스타일 이미지 생성 모듈을 통해 생성된 패션 이미지 스타일을 하나의 데이터로 취합한 패션 이미지 스타일 세트를 생성하는 패션 스타일 이미지 통합 모듈과; 상기 패션 스타일 이미지 통합 모듈에서 생성된 고객별 패션 이미지 스타일 세트를 저장하는 패션 스타일 이미지 저장부를 포함한다.
본 발명의 기술적 특징에 의하면, 상기 패션 스타일 속성 가중치는 컨텍스트 인식 그래프 컨볼루션 네트워크(GCN)를 기반으로 유형 인식을 임베딩하는 상황 인식 시각적 호환성 예측으로 호환성 있는 패션 트렌드를 반영할 수 있게 되어 고객 선호도 호환 패션 스타일 아이템을 얻을 수 있게 되는 것을 포함한다.
본 발명의 기술적 특징에 의하면, 상기 딥 러닝 엔진은 고객의 선호도 학습을 위한 매트릭스에 맵핑하기 위한 정보로 개인의 고객등록정보를 더 포함할 수 있으며, 쇼핑몰 서버(20)에서 사용자 단말기(10)의 접속을 인증하기 위한 사용자 등록 과정에서 입력되는 고객정보를 고객 선호도 학습을 위해 고객 선호도를 매칭하는 딥 러닝 엔진의 매트릭스 파라미터로 사용할 수 있게 되는 것을 포함한다.
본 발명의 기술적 특징에 의하면, 상기 쇼핑몰 서버는 웹 페이지에서 패션 스타일 추천 아이템 세트를 선택했을 경우 할인소식을 포함하는 상품에 관한 정보를 SMS, 또는 푸쉬알림으로 제공할 수 있게 되는 것을 포함한다.
본 발명이 의도하는 목적을 달성하기 위한 패션 코디네이션 스타일 추천 방법의 기술적인 특징은, 고객의 선호도와 트렌드를 반영한 패션 스타일 아이템을 제공하는 패션 코디네이션 스타일 추천 방법에 있어서, 최신 트렌드의 상품과 쇼핑몰 웹 페이지에 계시되는 상품 이미지를 수집하여 전처리 과정을 수행하고, 전처리된 이미지의 영역에 대해 패션 스타일 속성정보를 부여하여 저장하는 단계와; 고객의 쇼핑몰 웹 페이지 방문에 따르는 고객 행동 데이터를 수집하고, 행동 데이터별로 속성을 부여하여 고객별 데이터베이스에 저장하는 단계와; 딥 러닝 엔진이 데이터 학습과정을 통해 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 스타일 속성 정보를 학습하는 단계와; 쇼핑몰 웹 페이지에 인증 접속된 고객의 서비스 요청에 따라, 상기 단계에서 학습된 패션 스타일 속성정보와, 상기 단계에서 수집된 웹 페이지에서의 고객 행동 데이터의 속성정보를 비교연산하여 추론되는 고객 선호도에 따라 이용자의 스타일에 적합할 것으로 예측되는 특정 수의 패션 품목을 출력하는 단계와; 상기 단계에서 예측된 특정 수의 패션 품목 중에서 고객의 선호도와 가장 호환이 잘될 것 같은 패션 스타일의 분석 리포트를 생성하여 계시하는 단계를 포함한다.
본 발명의 기술적 특징에 의하면, 상기 수집된 이미지의 전처리 과정은 스튜디오 데이터세트와 스트리트 데이터세트가 사용되며, 세그먼테이션 기법을 사용하여 이미지에서 패션 품목별로 영역을 잘라내고, 잘라낸 각 카테고리별로 나타나는 영역에 대해 속성을 부여할 수 있게 되는 것을 특징으로 한다.
본 발명의 기술적 특징에 의하면, 상기 딥 러닝 엔진은 고객의 선호도 학습을 위한 매트릭스에 맵핑하기 위한 정보로 개인의 고객등록정보를 더 포함할 수 있으며, 쇼핑몰 서버(20)에서 사용자 단말기의 접속을 인증하기 위한 사용자 등록 과정에서 입력되는 고객정보를 고객 선호도 학습을 위해 고객 선호도를 매칭하는 딥 러닝 엔진의 매트릭스 파라미터로 사용할 수 있게 되는 것을 포함한다.
본 발명의 기술적 특징에 의하면, 상기 고객 선호도는 의류 품목 이미지를 인접 매트릭스를 사용하여 유형 인식 공간에 매핑하여 결정된 인접 이미지의 임베딩을 포함하도록 수정되고, 항목의 호환성 점수를 나타내기 위해 디코딩되며, 데이터 속성을 임베딩한 매트릭스를 바탕으로 데이터가 공유하는 속성을 그래프 합성 곱 신경망(GCN, Graph Convolutional Neural Network)에 공급하여 패션 품목들의 구조적 유사성을 학습함으로써 새로운 선호도와 트랜드의 합성 가능성을 추론할 수 있게 되는 것을 포함한다.
본 발명의 기술적 특징에 의하면, 상기 인공지능의 패션 스타일 속성 정보를 학습하는 단계는 최근의 패션 트렌드에 의한 패션 상품의 데이터 분류 작업과, 쇼핑몰 웹페이지를 재방문하는 고객들의 누적되는 행동 데이터를 통해 고객 선호도의 가중치를 재학습하는 과정을 통해 업데이트되는 것을 포함한다.
본 발명의 기술적 특징에 의하면, 상기 패션 스타일 분석 리포트를 생성하는 단계는 가장 호환이 잘 될 것으로 예측된 특정 수의 의류 품목을 이미징 라이브러리를 사용하여 각 항목 이미지를 단일 의상 이미지로 합성할 수 있게 되는 것을 포함한다.
이와 같은 본 발명은 딥 러닝 시스템이 고객 데이터에서 브랜드, 색상, 패턴 등의 고객 스타일을 분석하고, 상품 데이터의 최근 트렌드 동향과 계절성을 고려하여 트랜디하고, 감각있는 스타일과 데일리룩을 판별하여 개인의 선호도에 추론되는 개인 맞춤 코디네이션 상품을 추천하게 되는 것으로, 기존에는 고객들의 취향이 다르더라도 현재 동일한 상품을 선택했다면 동일한 코디네이션 상품을 추천해주는 방식이었다면, 본 발명은 고객 각자의 구매 여정을 파악하여 클릭 가능성이 높은 코디네이션 상품을 자동 추천해주는 것이 특징이다.
본 발명에 따르는 상황 인식 임베딩은 실시간 데이터를 통한 이미지 분석과 고객 행동 데이터, 그리고 패션전문가의 리뷰를 통해 각 고객의 개인 스타일에 더 적합한 패션 코디네이션 스타일을 추천하여 각 고객의 취향과 선호도에 따라 의류를 착용하는 방법에 대해 전문가 수준의 권장사항을 전달할 수 있으며, 최근의 트랜드에 맞는 스타일 제안 결과물을 제공하여 고객 만족도를 놀일 수 있게 된다.
이러한 전문가 수준의 스타일링 서비스는 고객이 최근에 본 아이템, 방금 구매한 아이템, 그리고 취향에 맞는 스타일의 아이템을 패션 스타일로 추천함으로써 일반 고객이 해당 사이트에 지속적으로 접근하도록 전환시키게 될 것이다.
또한, 본 발명의 패션 스타일 추천 시스템에 따라 패션의 최신 트렌드와 고객의 선호도를 반영하며 인공지능에 의해 예측되어 추천되는 패션 스타일 이미지 세트는 쇼핑몰 운영사의 고객의 브랜드 마케팅, 광고, 소셜 미디어 및 이메일에 포함될 수 있으며,
또한, 본 발명은 패션 상품들의 네트워크 학습을 위해 데이터 분류 작업과 고객들의 클릭 로그 데이터를 통해 재학습하는 환경을 통해 개발되어 재고가 없을 시 다음 추천 상품으로 빈자리를 채워주게 되는 실시간 재고 데이터와 연동된 시스템을 구현하여 기업의 재고 부담을 최소화시킬 수 있게 된다.
또한, 인공지능 시스템을 통한 단순 업무 도입이 아닌 데이터 활용 기술은 쇼핑몰 운영자의 매출을 향상시키며 기업 운영에 도움을 주는 솔루션을 제공하여 패션산업의 디지털 전환에 기여할 것이며, 고객에게는 어디서도 경험하지 못했던 패션 추천 서비스를 제공하여 소비자 만족도를 높일 수 있다.
또한, 패션 스타일 이미지 세트는 매장 내에서 스마트 의상 추천 디스플레이 및 스마트 셀프 서비스 디스플레이와 같이 스타일링을 위한 서비스에 사용될 수 있으며, 판매 관계자와 대면 및 상호 작용하는 것을 좋아하지 않는 고객의 패션 스타일 아이템 셀프 서비스를 도울 수 있다.
도 1은 본 발명의 시스템 구성도
도 2는 본 발명의 딥 러닝 엔진의 구성도
도 3은 본 발명의 플로우차트
도 4는 본 발명의 인공지능이 호환성 상품을 찾기 위해 학습하는 과정의 개념도
도 5는 본 발명의 인공지능이 호환성을 학습하는 과정의 개념도
도 6은 본 발명의 인공지능이 호환성 정도를 학습하는 과정의 개념도
도 7은 본 발명에 따라 의류와 액세서리가 웹 페이지 상에서 디스플레이 되는 일례를 보여주는 도면
도 8은 본 발명에 따라 의류와 액세서리가 웹 페이지 상에서 디스플레이 되는 다른 일례를 보여주는 도면
도 9는 본 발명에 따른 패션 스타일 이미지 세트의 일례가 디스플레이되는 이례를 보여주는 도면
도 2는 본 발명의 딥 러닝 엔진의 구성도
도 3은 본 발명의 플로우차트
도 4는 본 발명의 인공지능이 호환성 상품을 찾기 위해 학습하는 과정의 개념도
도 5는 본 발명의 인공지능이 호환성을 학습하는 과정의 개념도
도 6은 본 발명의 인공지능이 호환성 정도를 학습하는 과정의 개념도
도 7은 본 발명에 따라 의류와 액세서리가 웹 페이지 상에서 디스플레이 되는 일례를 보여주는 도면
도 8은 본 발명에 따라 의류와 액세서리가 웹 페이지 상에서 디스플레이 되는 다른 일례를 보여주는 도면
도 9는 본 발명에 따른 패션 스타일 이미지 세트의 일례가 디스플레이되는 이례를 보여주는 도면
본 발명의 특징과 장점은 첨부된 도면에 의하여 설명되는 실시예에 의하여 보다 명확하게 이해될 수 있을 것이다.
본 발명의 실시예에 기재되거나 도면에 도시된 구성요소들의 구성 및 배열에 의해 본 발명의 응용이 제한되는 것이 아니다. 본 발명은 다른 실시예 들로 구현될 수 있고, 다양한 방법으로 수행될 수 있다. 또한 장치 또는 요소의 방향 등과 같은 용어들에 관하여 실시예에 사용된 표현 및 술어는 단지 본 발명의 설명을 단순화하기 위해 사용되며, 관련된 장치 또는 요소가 단순히 특정 방향을 가져야 함을 나타내거나 의미하지 않는다.
또한 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니되며, 발명자가 발명의 용어와 개념을 가장 최선의 방법으로 설명하기 위하여 본 발명의 기술적 사상에 부합하는 의미와 개념에 입각하여 기재한 것으로 해석하여야 한다.
따라서 본 발명은 제시되는 실시예에 한정되지 않으며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의하여 본 발명의 기술 사상과 아래에 기재될 특허청구범위에 기재된 기술사상의 균등한 범위 내에서 다양한 수정 및 변경이 가능하다.
본 발명은 첨부된 도면을 참조하여 바람직한 실시예를 중심으로 기술되었지만 당업자라면 이러한 기재로부터 본 발명의 범주를 벗어남이 없이 많은 다양하고 자명한 변형이 가능하다는 것은 명백하다. 따라서 본 발명의 범주는 이러한 많은 변형예 들을 포함하도록 기술된 특허청구범위에 의해서 해석되어져야 한다.
다음에서 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
도 1은 본 발명의 시스템 구성도로서, 사용자 단말기와 쇼핑몰 서버 및 인공지능 관리서버 시스템이 어떤 형태로 연동되는지를 나타내고 있다.
도 1을 참조하면, 본 발명의 인공지능에 의한 패션 코디네이션 스타일 추천 시스템은 사용자 단말기(10), 쇼핑몰 서버(20) 및 인공지능 관리서버(30)를 포함하여 구성된다.
사용자 단말기(10)는 쇼핑몰 웹사이트에 등록 인증되어 온라인 상에서 쇼핑몰 웹 페이지를 검색하고 구매 결제를 하기 위한 통신기기로, 스마트폰과 같은 이동통신단말기, 노트북, 태플릿 PC, 랩탑 및 데스크탑 PC를 포함하여 데이터 처리 시스템과 교신하기 위한 모든 사용자의 입출력 장치가 적용될 수 있다.
쇼핑몰 서버(20)는 온라인 쇼핑몰 시스템을 구비하여 사용자 단말기(10)와 인공지능 관리서버(30)와 네트워킹되고, 접속을 인증하는 API를 통해 제품등록과 판매를 자체 운영하며, 판매상품 정보가 저장되는 판매상품 데이터베이스(200)와 고객 패션 스타일 추천 서비스를 제공하기 위해 인공지능 관리서버(30)에 협력하는 로그파일 저장부(220)를 구비하고 있다.
로그파일 저장부(220)는 사용자 고객의 쇼핑몰 접속 이벤트 히스토리 로그 데이터 및 행동 데이터를 저장한다.
쇼핑몰 서버(20)는 API를 통해 상기 판매상품 데이터베이스(200)의 상품정보와 로그파일 저장부(210)의 고객 로그 데이터 및 행동 데이터를 인공지능 관리서버(30)에 전송할 수 있게 된다. 또한 인공지능 관리서버(30)에서 딥 러닝 수행의 연산 결과로 얻어지는 고객 선호도 호환 패션 스타일 아이템 세트 데이터를 전송받아 전시할 수 있게 된다.
이와 같은 쇼핑몰 서버(20)는 온라인 쇼핑몰 시스템을 구비하여 사용자 단말기(10)와 인공지능 관리서버(30)와 네트워킹되고, 접속을 인증하는 API를 통해 제품등록과 판매를 자체 운영하며, 판매상품 정보가 저장되는 판매상품 데이터베이스(200)와 사용자 고객의 쇼핑몰 접속 이벤트 히스토리 로그 데이터 및 행동 데이터를 저장하는 로그파일 저장부(210)가 API를 통해 상기 판매상품 데이터베이스(200)의 상품정보, 그리고 로그파일 저장부(210)의 고객 로그 데이터 및 행동 데이터를 인공지능 관리서버(30)에 전송할 수 있게 된다. 또한 인공지능 관리서버(30)에서 딥 러닝 수행의 연산 결과로 얻어지는 고객 선호도 호환 패션 스타일 아이템 세트 데이터를 전송받아 웹 페이지에 전시, 판매, 양도 및 교환절차를 수행할 수 있게 된다.
이러한 쇼핑몰 서버(20)는 비슷한 디자인의 다양한 브랜드를 한눈에 비교할 수 있고, 고객이 웹 페이지의 패션 스타일 아이템 세트를 선택했을 경우 상품에 관한 정보, 예를 들면, 할인소식을 SMS, 또는 푸쉬알림으로 제공할 수 있게 된다.
상기 인공지능 관리서버(30)는 패션 코디네이션 스타일 추천 정보를 생성하기 위해 스크랩핑 엔진(300), 로그 콜랙터(320), 딥 러닝 엔진(340) 및 서비스 제공부(360)를 포함하여 구성된다.
스크랩핑 엔진(300)은 패션 스타일 분류를 위한 학습용 데이터 구축하기 위해 패션 고객사로부터 제공되는 패션 정보와 패션 전문가 그룹으로부터 스타일 태그, 모델룩 이미지, 매칭 상품 이미지를 포함하는 패션 스타일 세트를 수집하고, 쇼핑몰 서버(20)로부터 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 정보를 수집하여 저장한다.
로그 콜렉터(320)는 쇼핑몰 서버(20)에서 고객이 시간이 지남에 따라 발생하는 이벤트의 로그 데이터와, 마우스의 클릭 로그와 같은 고객 행동 데이터를 수집하여 데이터베이스로 저장한다.
도 2는 본 발명의 딥 러닝 엔진의 구성도를 나타내고 있다.
도 2를 참조하면, 딥 러닝 엔진(340)은 패션 스타일 이미지 속성 가중치 데이터베이스(342), 패션 스타일 이미지 생성 모듈(344), 패션 스타일 이미지 통합 모듈(346), 데이터 베이스(348)를 포함하여 구성된다.
패션 스타일 이미지 속성 가중치 데이터베이스(342)는 딥 러닝 엔진(340)의 연산을 위한 패션 상품 속성정보와 고객 행동데이터의 속성정보가 저장된다.
패션 스타일 속성 가중치 데이터베이스(344)는 고객의 쇼핑몰 웹 페이지 검색 성향에 따르는 패션 스타일 속성의 가중치를 달리 부여하여 저장하는 데이터베이스 테이블을 구비하여 고객 선호도를 업데이트한다.
패션 스타일 이미지 생성 모듈(346)은 사용자 단말기의 패션 스타일 추천 요청에 따라 고객 행동 데이터와 상기 패션 스타일 속성 가중치 데이터베이스에 저장된 패션 스타일 속성값을 소정 연산을 통해 고객 선호도가 높을 것으로 예측되는 패션 스타일을 생성한다.
패션 스타일 이미지 통합 모듈(348)은 상기 패션 스타일 추천 모듈을 통해 추천된 패션 스타일을 하나의 데이터로 취합한 패션 이미지 스타일 세트가 사용자에게 전송될 수 있게 한다.
데이터베이스(348)은 쇼핑몰 서버(20)로부터 판매상품 데이터와 방문자 행동 데이터를 취득하여 저장한다.
서비스 제공부(360)는 사용자 단말기(10)를 통하여 고객의 패션 이미지 스타일 세트가 선택되었을 때, 선택된 패션 이미지 스타일 세트를 쇼핑몰 웹페이지에 계시될 수 있게 한다.
상기 립 러닝 엔진(340)은 축적된 패션 코디네이션 스타일 추천 정보에 외부에서 수집된 복수의 패션 데이터를 고객 선호도의 가중치로 연산하여 고객에 대한 패션 코디네이션 스타일 추천 정보를 자동으로 생성하여 출력한다.
상기 딥 러닝 엔진(340)은 패션 스타일 이미지 생성 모듈(342), 패션 스타일 이미지 속성 가중치 데이터베이스(344), 패션 스타일 이미지 통합 모듈(346), 패션 스타일 이미지 저장부(348)를 포함하여 구성된다.
패션 스타일 이미지 생성 모듈(342)은 사용자 단말기(10)의 패션 스타일 추천 요청에 따라 패션 트렌드 데이터와 고객 행동 데이터 및 패션 스타일 속성 가중치 데이터베이스(344)에서 업데이트 되어 저장되는 패션 스타일 속성값을 소정 연산을 통해 고객 선호도가 높을 것으로 예측되는 패션 스타일 이미지를 생성한다.
패션 스타일 이미지 속성 가중치 데이터베이스(344)는 최근의 패션 트렌드 데이터와 고객의 쇼핑몰 웹 페이지 행동 데이터에 따르는 패션 스타일 속성의 가중치를 달리 부여하여 저장하는 데이터베이스 테이블을 구비하여 고객 선호도를 업데이트한다.
패션 스타일 이미지 통합 모듈(346)은 상기 패션 스타일 이미지 생성 모듈(342)을 통해 생성된 패션 이미지 스타일을 하나의 데이터로 취합한 패션 이미지 스타일 세트를 생성한다.
패션 스타일 이미지 저장부(348)는 상기 패션 스타일 이미지 통합 모듈(346)에서 생성된 고객별 패션 이미지 스타일 세트를 저장한다.
상기 패션 스타일 속성 가중치는 유형 인식 임베딩과 컨텍스트 인식 그래프 컨볼루션 네트워크(GCN)를 사용하여 호환성 있는 패션 트렌드를 반영할 수 있게 된다.
이러한 컨텍스트 인식 딥 러닝 학습모델의 개발은 컨택스트 인식 그래프 뉴럴 네트워크(GCN)를 기반으로 임베딩하는 상황 인식 시각적 호환성 예측으로 고객 선호도 호환 패션 스타일 아이템을 얻을 수 있게 된다.
이와 같은 인공지능 관리서버(30)는 패션 고객사로부터 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 정보를 수집하고, 고객이 최근에 쇼핑몰 서버(20)에서 웹 페이지를 검색하는 행동 데이터를 매트릭스에 맵핑하는 파라미터로 하여 웹 상에서 선호하는 패션 스타일과 가장 호환이 잘될 것 같은 패션 스타일 성향을 추론하게 되는 딥 러닝 학습 절차를 수행하고, 학습 결과에 따라 고객 선호도에 매칭되는 패션 코디네이션 스타일 추천 정보를 생성하며, 생성된 패션 코디네이션 스타일 추천 정보를 쇼핑몰 웹 페이지에 계시될 수 있도록 API를 통해 쇼핑몰 서버(20)에 전송한다.
고객의 선호도 학습을 위해 매칭되는 파라미터는 패션 고객사로부터 제공되는 패션 정보와 마우스 클릭로그와 같은 고객 행동 데이터 이외에 개인의 고객등록정보를 더 포함할 수 있다.
이러한 고객등록정보는 온라인 쇼핑몰 접속 인증을 위한 사용자 등록 과정에서 고객이 입력하는 자신의 연령 및 설문조사 내용을 포함하는 신상정보로부터 얻어지는 데이터를 수치화하고, 이를 매트릭스에 매칭함으로써 이루어질 수 있다.
이에 따라, 인공지능 관리서버(30)는 쇼핑몰 서버(20)와 API로 연동되어 쇼핑몰 서버(20)에서 사용자 단말기(10)의 접속을 인증하기 위한 사용자 등록 과정에서 입력되는 고객정보를 고객 선호도 학습을 위한 고객 선호도 매칭 딥 러닝 엔진(340)의 파라미터로 사용할 수 있게 된다.
이와 같이 구성되는 본 발명의 인공지능에 의한 패션 코디네이션 스타일 추천 시스템에 의해 고객의 선호도에 최적화되는 패션 스타일 이미지를 생성하는 과정을 살펴본다.
도 3은 본 발명의 인공지능에 의한 패션 코디네이션 스타일을 추천하는 방법의 플로우차트를 나타내고 있다.
도 3을 참조하면, 본 발명의 패션 코디네이션 스타일을 추천하는 방법은 최신 트렌드의 상품과 쇼핑몰 웹 페이지에 계시되는 상품 이미지를 수집하여 전처리 과정을 수행하고, 전처리된 이미지의 영역에 대해 패션 스타일 속성정보를 부여하여 저장하는 단계(S100)와; 고객의 쇼핑몰 웹 페이지 방문에 따르는 고객 행동 데이터를 수집하고, 행동 데이터별로 속성을 부여하여 고객별 데이터베이스에 저장하는 단계(S200)와; 딥 러닝 엔진이 데이터 학습과정을 통해 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 스타일 속성 정보를 학습하는 단계(S300)와; 쇼핑몰 웹 페이지에 인증 접속된 고객의 서비스 요청에 따라, 상기 단계(S300)에서 학습된 패션 스타일 속성정보와, 상기 단계(S200)에서 수집된 웹 페이지에서의 고객 행동 데이터의 속성정보를 비교연산하여 추론되는 고객 선호도에 따라 이용자의 스타일에 적합할 것으로 예측되는 특정 수의 패션 품목을 출력하는 단계(S400)와; 상기 단계(S400)에서 예측된 특정 수의 패션 품목 중에서 고객의 선호도와 가장 호환이 잘될 것 같은 패션 스타일의 분석 리포트를 생성하여 계시하는 단계(S500)를 포함하여 이루어진다.
이를 구체적으로 설명하면, 패션 스타일 속성정보를 부여하여 저장하는 단계(S100)는 학습용 데이터를 구축하기 위한 패션 스타일 분류하고, 이미지를 전처리하는 과정을 포함하여 이루어진다.
학습용 데이터를 구축하기 위한 패션 스타일의 분류는 스크랩핑 엔진(300)이 쇼핑몰의 상품 정보와 패션 전문가 그룹의 스타일 태그, 모델룩 이미지, 매칭 상품 이미지 등과 같은 스타일 세트를 수집하고, 패션 매거진, 전문 콘텐츠, SNS 인플루언서의 룩 이미지 중 상기 패션 전문가 그룹의 스타일세트와 유사한 이미지 검색 후 의류 원본 이미지에서 불필요한 배경부분을 제외한 의류 객체 이미지만을 추출하는 전처리 과정을 거쳐서 속성을 부여한 다음 이를 데이터에 추가하여 이루어진다.
최신 트렌드 정보는 콘텐츠 업로드 날짜와, 쇼핑몰 방문자의 좋아요 수가 많은 상품을 최신 트렌드에 해당하는 이미지로 정의할 수 있다.
상기 전처리 과정에서 속성정보를 부여하기 위해 사용되는 상품의 이미지는 스튜디오 안에서 단색의 배경으로 촬영하여 상품이 중심에 있는 정형화된 스튜디오 데이터세트와, 길거리를 배경으로 일반인이 착용한 패션 스타일로 비정형화된 형태의 스트리트 데이터세트가 사용된다. 그리고, 이미지 속성을 부여하기 위해 세그먼테이션(segmentation) 기법을 사용하여 이미지에서 상의, 하의, 신발 등의 영역을 각각 잘라내고, 잘라낸 각 카테고리별로 그 영역에 대한 속성을 부여한다.
이에 따라, 스트리트 데이터세트로부터 스튜디오 사진과 유사하게 만들어 속성을 부여할 수 있게 된다.
상기 이미지 속성은 바지, 스커트 등과 같은 패션 의류의 종류 및 가방, 핸드백, 지갑, 목걸이, 팔찌 등과 같은 액세서리의 형태상의 분류와, 행사복과 같은 스타일 상의 분류, 그밖의 패턴, 색상, 연령별 선호도를 수치로 정의하고, 이를 매트릭스에 맵핑하게 된다.
또한, 딥 러닝 엔진(340)의 데이터 학습을 위해 로그 콜렉터(320)는 고객이 쇼핑몰 웹 페이지를 방문함에 따르는 고객 행동 데이터를 수집하고, 행동 데이터별로 속성을 부여하여 고객별 데이터베이스에 저장함으로써, 수집된 행동 데이터 속성을 매트릭스에 매핑될 수 있게 한다.(단계S200)
고객이 쇼핑몰의 웹 페이지에 접속함에 따르는 행동 데이터는 로그 콜렉터(320)가 고객이 쇼핑몰에 접속하고 시간이 지남에 따라 발생하는 이벤트의 로그 데이터와, 마우스의 클릭 로그와 같은 고객 행동 데이터로서, 웹 페이지 접속 횟수 및 누적 재접속 횟수, 웹페이지에 오래 머무르는 시간, 마우스 클릭 로그 횟수 등을 수집하여 데이터베이스로 저장한다.
고객 선호도는 딥 러닝 엔진(340)이 데이터 학습과정을 통해 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 스타일 속성 정보를 학습하는 단계(S300)에 의해 이루어지는데, 의류 품목 이미지를 인접 매트릭스를 사용하여 유형 인식 공간에 맵핑하여 결정된 인접 이미지의 임베딩을 포함하도록 수정되고, 항목의 호환성 점수를 나타내기 위해 디코딩된다.
그리고, 데이터 속성을 임베딩한 매트릭스를 바탕으로 데이터가 공유하는 속성을 그래프 합성 곱 신경망(GCN, Graph Convolutional Neural Network)에 공급하여 컨택스트 인식 그래프 뉴럴 네트워크를 기반으로 임베딩하는 상황 인식 시각적 호환성 예측으로 패션 품목들의 구조적 유사성을 학습함으로써 새로운 선호도와 트랜드의 합성 가능성을 추론할 수 있게 된다.
이러한 GCN을 이용한 패션 스타일 속성 정보의 학습은 기존의 이미지 태그 지정과 비교하면 데이터를 효과적으로 학습하여 더 빠를 뿐만 아니라 더 적은 데이터를 요구하며, 패션 의류 호환성이라는 주관적인 트렌드를 잘 반영한다.
위에서 인공지능의 패션 스타일 속성 정보의 학습은 가장 최근의 패션 트렌드에 의한 패션 상품의 데이터 분류 작업에 의한 선호도 반영과, 쇼핑몰 웹페이지를 재방문하는 고객들의 누적되는 행동 데이터를 통한 스타일 태그 가중치를 조정하여 재학습하는 과정을 통해 선호도가 업데이트 된다.
도 4는 본 발명의 인공지능이 호환성 상품을 찾기 위해 학습하는 과정의 개념도이고, 도 5는 본 발명의 인공지능이 호환성을 학습하는 과정의 개념도이며, 도 6은 본 발명의 인공지능이 호환성 정도를 학습하는 과정의 개념도이다.
도 4 및 도 5를 참조하면, 상기에서 딥 러닝 엔진(340)의 학습을 위한 알고리즘은 잘 어울리는 패션 상품들끼리 수학적, 그래프적으로 정의할 수 있다.
도 4에서 그래프는 노드(node)와 엣지(edge)로 나뉘는데, 노드는 하나의 상품들을 나타내고, 엣지는 다른 카테고리끼리에서만 존재하며, 엣지의 값은 2가지 상품이 잘어울리는 정도의 호환성을 반영한다.
먼저, 각 노드의 정보는 엔코딩하여 상품 이미지 속성 데이터에서 추출되는 값이 되며, 딥러닝 그래프 연산을 통해 디코딩하여 잘 어울리는 상품을 찾는 것을 학습하고 예측한다.
즉, 입력(input)은 각 이미지와, 카테고리, 상품이 어울리는 호환성이 되며, 이미지는 그래프의 노드 정보, 카테고리는 그래프의 엣지 구성, 호환성은 엣지의 속성값을 의미하며, 이들을 그래프 연산을 통해 가장 가까운 다른 카테고리의 노드를 찾는 것이 목표이다.
노드 임베딩은 이미지로 옷 사진을 넣었을 때 옷 사진을 전처리 한 후 1000*1 vector로 바꾸는 과정이다.
상기 전처리는 세그먼테이션(segmentation) 기법을 사용하여 이미지에서 상의, 하의, 신발 등의 영역을 각각 잘라내고, 잘라낸 각 카테고리별로 그 영역에 대해 속성을 부여할 수 있게 되는 것이다.
예를 들어, 인풋이 되는 옷 사진의 기본 전처리는 : 256*256 size resize -> 224*224 size crop -> random rotation(5) -> random horizontalflip
Embedding backbone : Resnet 101
입력 시퀀스는 옷과 옷이 어울리는지, 안 어울리는지에 대한 그래프를 인풋(input)으로 입력한다.
그리고, 도 5에서 호환성을 학습하는 AI의 파라미터를 학습하는 엔코딩 과정은 아래의 수학식 1에 의한다.
엔코더 싱글 레이어:
[수학식 1]
여기서, zi는 노드I(옷 i)의 임베딩 벡터이고, Ni는 노드i 의 인접 노드의 ㅅ세트(set)이다.
Activation = Relu function= max(x,0)은 node I 에 대한 layer l 에서의 호환성 엔코더 파라미터이다.
도 6에서 디코딩에 따라 서로 다른 패션 품목이 어울리는 정도의 호환성 점수를 학습하는 과정은 아래의 수학식 2와 같이 h1, h2 벡터가 잘 어울리는지 p라는 확률값으로 출력한다.
디코더:
[수학식 2]
여기서, h1는 Node 1이 엔코더를 거치고 최종적으로 나온 벡터이고, h2는 Node 2가 엔코더를 거치고 최종적으로 나온 벡터이다.
쇼핑몰 웹 페이지에 인증 접속된 고객의 서비스 요청에 따라 이용자의 스타일에 적합할 것으로 예측되는 특정 수의 패션 품목을 출력하는 단계(S400)는 딥 러닝 엔진(340)의 학습을 위해 입력된 조건과 가장 호환이 잘될 것 같은 원단종류와 색상을 토대로 셔츠, 브라우스, 머플러, 구두 등 특정 수의 의류품목과 가방, 지갑, 팔찌, 목걸이 등의 악세서리 품목 이미지를 형태별로 디스플레이 한다.
도 7 및 도 8은 상기 단계(S400)에 따라 의류와 액세서리가 웹 페이지 상에서 디스플레이 되는 일례를 보여주고 있다.
상기 패션 스타일 분석 리포트를 생성하는 단계(S500)는, 상기 단계(S400)에서 가장 호환이 잘 될 것으로 예측된 의류 품목을 이미징 라이브러리를 사용하여 각 항목 이미지를 세트로 합성한 이미지, 가령, 25세(나이)의 여성(성별)이 파란색(색상)의 청바지(패턴, 형태, 스타일)를 평상복(착용용도)으로 가장 적합한 한 세트로 조합하여 합성한 이미지를 하나의 모델로 완성하고, 이를 쇼핑몰의 웹 페이지에 호환성이 높은 순서로 디스플레이 함으로써, 구매자가 세트화된 여러 모델 중에서 자신의 취향에 적합한 모델을 선택하여 구매할 수 있게 되는 것이다.
도 9는 상기 단계(S500)에 따라 각 항목 이미지를 단일 의상 이미지로 합성한 패션 스타일 이미지 세트의 일례를 보여주고 있다.
이것은 딥 러닝 엔진(340)이 연산한 스타일 선호도 결과를 시각화한 것으로, 여자의 나이, 이름, 컬러, 형태, 스타일 등에 관련하여 고객이 자신의 선호도와 패션 성향을 직관적으로 확인할 수 있다.
즉, 고객이 바지를 검색하였을 때, 검색된 바지와 함께 어울릴 수 있는 상의, 재킷, 가방, 신발 등의 액세서리를 하나의 세트로 추천하게 되는 것이다.
여기서, 여자의 나이, 이름은 쇼핑몰의 고객 등록시 고객이 입력한 데이터로 얻어지고, 컬러, 형태, 스타일 등은 딥 러닝 엔진(340)의 고객 선호도 연산의 결과로 얻어진다.
지금까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 하나의 실시예에 관련된 것이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 이들을 대체할 수 있는 다양한 균등물과 변형된 예들이 있을 수 있음을 이해하여야 한다.
따라서 본 발명은 제시되는 실시예에 한정되지 않으며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의하여 본 발명의 기술 사상과 아래에 기재될 특허청구범위에 기재된 기술사상의 균등한 범위 내에서 다양한 수정 및 변경이 가능한 실시예가 있을 수 있다.
10: 사용자 단말기
20: 쇼핑몰 서버
200: 판매상품 데이터베이스
220: 로그파일 저장부
30: 인공지능 관리서버
300: 스크랩핑 엔진
320: 로그 콜렉터
340: 딥 러닝 엔진
342: 패션 스타일 이미지 생성 모듈
344: 패션 스타일 이미지 속성 가중치 데이터베이스
346: 패션 스타일 이미지 통합 모듈
348: 패션 스타일 이미지 저장부
360: 서비스 제공부
20: 쇼핑몰 서버
200: 판매상품 데이터베이스
220: 로그파일 저장부
30: 인공지능 관리서버
300: 스크랩핑 엔진
320: 로그 콜렉터
340: 딥 러닝 엔진
342: 패션 스타일 이미지 생성 모듈
344: 패션 스타일 이미지 속성 가중치 데이터베이스
346: 패션 스타일 이미지 통합 모듈
348: 패션 스타일 이미지 저장부
360: 서비스 제공부
Claims (11)
- 고객의 선호도와 트렌드를 반영한 고객 선호도 스타일 연산에 따르는 패션 스타일 아이템을 제공하는 패션 코디네이션 스타일 추천 시스템에 있어서,
쇼핑몰 웹사이트에 등록 인증되어 온라인 상에서 쇼핑몰 웹 페이지를 검색하는 사용자 단말기(10)와;
상기 사용자 단말기(10)의 접속을 인증하는 온라인 쇼핑몰 시스템을 구비하여 제품등록과 판매를 자체 운영하는 쇼핑몰 서버(20)와;
상기 쇼핑몰 서버(20) 및 패션 고객사로부터 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 정보를 수집하고, 고객이 최근에 웹을 검색하는 행동 데이터를 맵핑하여 웹 상에서 선호하는 패션 스타일과 가장 호환이 잘될 것 같은 패션 스타일 성향을 추론하게 되는 학습 절차를 수행하는 딥 러닝 엔진(340)을 구비하여, 학습 결과에 따르는 패션 코디네이션 추천 정보를 생성하는 인공지능 관리서버(30)를 포함하며,
상기 쇼핑몰 서버(20)는,
상기 인공지능 관리서버(30)가 보유한 패션 스타일 아이템 세트를 전달받아 전시, 판매, 양도 및 교환절차를 수행할 수 있게 되는 것을 특징으로 하는 패션 코디네이션 스타일 추천 시스템.
- 청구항 1에 있어서,
상기 딥 러닝 엔진(340)은,
고객 선호도 스타일을 연산함에 있어서, 상기 인공지능 관리서버(30)에 축적된 패션 코디네이션 스타일 추천 정보에 외부에서 수집되는 복수의 패션 데이터를 패션 스타일 속성 가중치로 맵핑함으로써 고객의 선호도에 매칭되는 패션 코디네이션 스타일 추천 정보를 자동으로 생성하여 출력하는 것을 특징으로 하는 패션 코디네이션 스타일 추천 시스템.
- 청구항 1에 있어서,
딥 러닝 엔진(340)은,
사용자 단말기(10)의 패션 스타일 추천 요청에 따라 패션 트렌드 데이터와 고객 행동 데이터 및 패션 스타일 속성 가중치 데이터베이스(344)에서 업데이트 되어 저장되는 패션 스타일 속성값을 소정 연산을 통해 고객 선호도가 높을 것으로 예측되는 패션 스타일 이미지를 생성하는 패션 스타일 이미지 생성 모듈(342)과;
최근의 패션 트렌드 데이터와 고객의 쇼핑몰 웹 페이지 행동 데이터에 따르는 패션 스타일 속성의 가중치를 달리 부여하여 저장하는 데이터베이스 테이블을 구비하여 고객 선호도를 업데이트하는 패션 스타일 이미지 속성 가중치 데이터베이스(344)와;
상기 패션 스타일 이미지 생성 모듈(342)을 통해 생성된 패션 이미지 스타일을 하나의 데이터로 취합한 패션 이미지 스타일 세트를 생성하는 패션 스타일 이미지 통합 모듈(346)과;
상기 패션 스타일 이미지 통합 모듈(346)에서 생성된 고객별 패션 이미지 스타일 세트를 저장하는 패션 스타일 이미지 저장부(348)를 포함하는 것을 특징으로 하는 패션 코디네이션 스타일 추천 시스템.
- 청구항 2에 있어서,
상기 패션 스타일 속성 가중치는,
컨텍스트 인식 그래프 컨볼루션 네트워크(GCN)를 기반으로 유형 인식을 임베딩하는 상황 인식 시각적 호환성 예측으로 호환성 있는 패션 트렌드를 반영할 수 있게 되어 고객 선호도 호환 패션 스타일 아이템을 얻을 수 있게 되는 것을 특징으로 하는 패션 코디네이션 스타일 추천 시스템.
- 청구항 1에 있어서,
딥 러닝 엔진(340)은,
고객의 선호도 학습을 위한 매트릭스에 맵핑하기 위한 정보로 개인의 고객등록정보를 더 포함할 수 있으며, 쇼핑몰 서버(20)에서 사용자 단말기(10)의 접속을 인증하기 위한 사용자 등록 과정에서 입력되는 고객정보를 고객 선호도를 매칭하는 딥 러닝 엔진(340)의 매트릭스 파라미터로 사용하는 것을 포함하는 패션 코디네이션 스타일 추천 시스템.
- 청구항 1에 있어서,
상기 쇼핑몰 서버(20)는,
웹 페이지에서 패션 스타일 추천 아이템 세트를 선택했을 경우 할인소식을 포함하는 상품에 관한 정보를 SMS, 또는 푸쉬알림으로 제공할 수 있게 되는 것을 특징으로 하는 패션 코디네이션 스타일 추천 시스템.
- 본 발명의 패션 코디네이션 스타일 추천 방법은,
고객의 선호도와 트렌드를 반영한 패션 스타일 아이템을 제공하는 패션 코디네이션 스타일 추천 방법에 있어서,
최신 트렌드의 상품과 쇼핑몰 웹 페이지에 계시되는 상품 이미지를 수집하여 전처리 과정을 수행하고, 전처리된 이미지의 영역에 대해 패션 스타일 속성정보를 부여하여 저장하는 단계(S100)와;
고객의 쇼핑몰 웹 페이지 방문에 따르는 고객 행동 데이터를 수집하고, 행동 데이터별로 속성을 부여하여 고객별 데이터베이스에 저장하는 단계(S200)와;
딥 러닝 엔진이 데이터 학습과정을 통해 일정 이상의 패션 상품과 최신 트렌드에 맞는 패션 스타일 속성 정보를 학습하는 단계(S300)와;
쇼핑몰 웹 페이지에 인증 접속된 고객의 서비스 요청에 따라, 상기 단계(S300)에서 학습된 패션 스타일 속성정보와, 상기 단계(S200)에서 수집된 웹 페이지에서의 고객 행동 데이터의 속성정보를 비교연산하여 추론되는 고객 선호도에 따라 이용자의 스타일에 적합할 것으로 예측되는 특정 수의 패션 품목을 출력하는 단계(S400)와;
상기 단계(S400)에서 예측된 특정 수의 패션 품목 중에서 고객의 선호도와 가장 호환이 잘될 것 같은 패션 스타일의 분석 리포트를 생성하여 계시하는 단계(S500)를 포함하는 것을 특징을 하는 인공지능에 의한 패션 코디네이션 스타일 추천 방법.
- 청구항 7에 있서,
상기 수집된 이미지의 전처리 과정은,
스튜디오 데이터세트와 스트리트 데이터세트가 사용되며,
세그먼테이션 기법을 사용하여 이미지에서 패션 품목별로 영역을 잘라내고, 잘라낸 각 카테고리별로 나타나는 영역에 대해 속성을 부여할 수 있게 되는 것을 특징으로 하는 인공지능에 의한 패션 코디네이션 스타일 추천 방법.
- 청구항 7에 있어서,
상기 고객 선호도는,
의류 품목 이미지를 인접 매트릭스를 사용하여 유형 인식 공간에 매핑하여 결정된 인접 이미지의 임베딩을 포함하도록 수정되고, 항목의 호환성 점수를 나타내기 위해 디코딩되며, 데이터 속성을 임베딩한 매트릭스를 바탕으로 데이터가 공유하는 속성을 그래프 합성 곱 신경망(GCN, Graph Convolutional Neural Network)에 공급하여 패션 품목들의 구조적 유사성을 학습함으로써 새로운 선호도와 트랜드의 합성 가능성을 추론할 수 있게 되는 것을 특징으로 하는 인공지능에 의한 패션 코디네이션 스타일 추천 방법.
- 청구항 7에 있어서,
상기 인공지능의 패션 스타일 속성 정보를 학습하는 단계는,
최근의 패션 트렌드에 의한 패션 상품의 데이터 분류 작업과, 쇼핑몰 웹페이지를 재방문하는 고객들의 누적되는 행동 데이터를 통해 고객 선호도의 가중치를 재학습하는 과정을 통해 업데이트되는 것을 특징으로 하는 인공지능에 의한 패션 코디네이션 스타일 추천 방법.
- 청구항 7에 있어서,
상기 패션 스타일 분석 리포트를 생성하는 단계는,
가장 호환이 잘 될 것으로 예측된 특정 수의 의류 품목을 이미징 라이브러리를 사용하여 각 항목 이미지를 단일 의상 이미지로 합성하는 것을 특징으로 하는 인공지능에 의한 패션 코디네이션 스타일 추천 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210015029A KR102565310B1 (ko) | 2021-02-02 | 2021-02-02 | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210015029A KR102565310B1 (ko) | 2021-02-02 | 2021-02-02 | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220111592A true KR20220111592A (ko) | 2022-08-09 |
| KR102565310B1 KR102565310B1 (ko) | 2023-08-09 |
Family
ID=82844507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210015029A KR102565310B1 (ko) | 2021-02-02 | 2021-02-02 | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102565310B1 (ko) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114997473A (zh) * | 2022-05-16 | 2022-09-02 | 温州鞋革产业研究院 | 一种基于大数据的鞋类录取智能预测系统和方法 |
| CN115982474A (zh) * | 2022-12-27 | 2023-04-18 | 苏州大学 | 基于社交网络的时尚人格预测和服装推荐方法及装置 |
| KR102534837B1 (ko) * | 2022-11-14 | 2023-05-26 | 이민혁 | 온라인 상품에 대한 마케팅 방법 및 시스템 |
| CN116402590A (zh) * | 2023-06-06 | 2023-07-07 | 武汉纺织大学 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
| CN116823361A (zh) * | 2023-08-31 | 2023-09-29 | 博洛尼智能科技（青岛）有限公司 | 基于人工智能的首饰搭配检测及推送方法 |
| CN116912039A (zh) * | 2023-07-10 | 2023-10-20 | 深圳市盈河世纪科技有限公司 | 一种服务平台的管理方法及系统 |
| WO2024043380A1 (ko) * | 2022-08-25 | 2024-02-29 | 선석민 | 마이데이터에 기반한 사용자 단말기 상에서 아이템 데이터를 수집, 관리, 공유, 소셜 미디어 제공, 및 거래가 가능한 시스템 |
| WO2024049322A1 (ru) * | 2022-09-01 | 2024-03-07 | Общество С Ограниченной Ответственностью "М16.Тех" | Система определения краткосрочных интересов в2в пользователей |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160120674A (ko) * | 2015-04-08 | 2016-10-18 | 주식회사 컴퍼니원헌드레드 | 그래픽 처리 장치를 이용한 의류 추천 시스템 |
| KR20190135271A (ko) * | 2018-05-28 | 2019-12-06 | 주식회사 로코식스 | 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법 |
| KR20200069796A (ko) | 2018-12-07 | 2020-06-17 | 성인철 | 맞춤형 의류 코디네이션 및 구매 시스템 및 방법 |
| KR20200102009A (ko) * | 2019-01-31 | 2020-08-31 | 주식회사 비즈모델라인 | 스타일 코디 제공 방법 |
| KR20200103202A (ko) * | 2019-02-20 | 2020-09-02 | 동의대학교 산학협력단 | 딥러닝 뉴럴 네트워크 기반의 상품 추천 서비스 제공방법 |
-
2021
- 2021-02-02 KR KR1020210015029A patent/KR102565310B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160120674A (ko) * | 2015-04-08 | 2016-10-18 | 주식회사 컴퍼니원헌드레드 | 그래픽 처리 장치를 이용한 의류 추천 시스템 |
| KR20190135271A (ko) * | 2018-05-28 | 2019-12-06 | 주식회사 로코식스 | 의류 쇼핑몰을 위한 코디 서비스 제공 장치 및 방법 |
| KR20200069796A (ko) | 2018-12-07 | 2020-06-17 | 성인철 | 맞춤형 의류 코디네이션 및 구매 시스템 및 방법 |
| KR20200102009A (ko) * | 2019-01-31 | 2020-08-31 | 주식회사 비즈모델라인 | 스타일 코디 제공 방법 |
| KR20200103202A (ko) * | 2019-02-20 | 2020-09-02 | 동의대학교 산학협력단 | 딥러닝 뉴럴 네트워크 기반의 상품 추천 서비스 제공방법 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114997473A (zh) * | 2022-05-16 | 2022-09-02 | 温州鞋革产业研究院 | 一种基于大数据的鞋类录取智能预测系统和方法 |
| WO2024043380A1 (ko) * | 2022-08-25 | 2024-02-29 | 선석민 | 마이데이터에 기반한 사용자 단말기 상에서 아이템 데이터를 수집, 관리, 공유, 소셜 미디어 제공, 및 거래가 가능한 시스템 |
| WO2024049322A1 (ru) * | 2022-09-01 | 2024-03-07 | Общество С Ограниченной Ответственностью "М16.Тех" | Система определения краткосрочных интересов в2в пользователей |
| KR102534837B1 (ko) * | 2022-11-14 | 2023-05-26 | 이민혁 | 온라인 상품에 대한 마케팅 방법 및 시스템 |
| CN115982474A (zh) * | 2022-12-27 | 2023-04-18 | 苏州大学 | 基于社交网络的时尚人格预测和服装推荐方法及装置 |
| CN115982474B (zh) * | 2022-12-27 | 2024-05-14 | 苏州大学 | 基于社交网络的时尚人格预测和服装推荐方法及装置 |
| CN116402590A (zh) * | 2023-06-06 | 2023-07-07 | 武汉纺织大学 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
| CN116402590B (zh) * | 2023-06-06 | 2023-09-15 | 武汉纺织大学 | 一种基于人工智能的个性化服装商城系统及推荐方法 |
| CN116912039A (zh) * | 2023-07-10 | 2023-10-20 | 深圳市盈河世纪科技有限公司 | 一种服务平台的管理方法及系统 |
| CN116823361A (zh) * | 2023-08-31 | 2023-09-29 | 博洛尼智能科技（青岛）有限公司 | 基于人工智能的首饰搭配检测及推送方法 |
| CN116823361B (zh) * | 2023-08-31 | 2023-12-12 | 博洛尼智能科技（青岛）有限公司 | 基于人工智能的首饰搭配检测及推送方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102565310B1 (ko) | 2023-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102565310B1 (ko) | 인공지능에 의한 패션 코디네이션 스타일 추천 시스템 및 방법 | |
| US11308541B2 (en) | Next generation improvements in recommendation systems | |
| Guan et al. | Apparel recommendation system evolution: an empirical review | |
| US20210342917A1 (en) | Extending machine learning training data to generate an artificial intelligence recommendation engine | |
| US10963744B2 (en) | Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data | |
| US20020045959A1 (en) | Method and system for generating a recommendation for a selection of a piece of clothing | |
| US20210241321A1 (en) | Method and system for requesting and transmitting marketing images or video | |
| JP2012529122A (ja) | ユーザーのジャンル及びスタイルを学習すると共に製品をユーザーの好みにマッチングさせるシステム及び方法 | |
| WO2010014599A1 (en) | A distributed matching system for comparing garment information and buyer information | |
| US20210326913A1 (en) | Global optimization of inventory allocation | |
| US20210350391A1 (en) | Methods and systems for providing a personalized user interface | |
| KR20210031223A (ko) | 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템 | |
| CN105580006A (zh) | 基于颜色进行识别、搜索和匹配产品的系统和方法 | |
| Liao et al. | Big data analysis on the business process and management for the store layout and bundling sales | |
| WO2020090054A1 (ja) | 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法 | |
| US11544768B2 (en) | System and method for fashion recommendations | |
| KR20230137861A (ko) | 고객 맞춤 준비로 구매 편의성을 제공하는 오프라인 구매 서비스 제공 방법 및 장치 | |
| Wang et al. | Artificial intelligence in clothing fashion | |
| KR20210127464A (ko) | 딥러닝을 통한 코디 및 스타일링 방법 및 시스템 | |
| KR20210131198A (ko) | 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램 | |
| US11526925B2 (en) | System and method for fashion recommendations | |
| US20230069541A1 (en) | System and method for providing an automated virtual closet | |
| US20220188898A1 (en) | System and Method for Fashion Recommendations | |
| US11328339B2 (en) | System and method for fashion recommendations | |
| US11790429B2 (en) | Systems and methods for interpreting colors and backgrounds of maps |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |