KR20220127780A - 상품 추천 장치, 방법 및 기록매체 - Google Patents

상품 추천 장치, 방법 및 기록매체 Download PDF

Info

Publication number
KR20220127780A
KR20220127780A KR1020220111494A KR20220111494A KR20220127780A KR 20220127780 A KR20220127780 A KR 20220127780A KR 1020220111494 A KR1020220111494 A KR 1020220111494A KR 20220111494 A KR20220111494 A KR 20220111494A KR 20220127780 A KR20220127780 A KR 20220127780A
Authority
KR
South Korea
Prior art keywords
product
logic
product recommendation
specific
distribution
Prior art date
Application number
KR1020220111494A
Other languages
English (en)
Other versions
KR102529698B1 (ko
Inventor
이봉교
이상훈
유민수
박재홍
Original Assignee
(주)플래티어
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)플래티어 filed Critical (주)플래티어
Priority to KR1020220111494A priority Critical patent/KR102529698B1/ko
Publication of KR20220127780A publication Critical patent/KR20220127780A/ko
Application granted granted Critical
Publication of KR102529698B1 publication Critical patent/KR102529698B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Packaging For Recording Disks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 상품 추천 장치, 방법 및 기록매체에 관한 것으로써, 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하여 상품을 추천함으로써, 최적의 상품 추천 로직으로 상품을 추천하는 상품 추천 장치, 방법 및 기록매체를 제공할 수 있다. 특히 실시간으로 가장 성과가 좋은 상품 추천 로직에 의한 상품 노출을 증가시킴으로써 탐색을 최소화하면서 수익이 최대화될 수 있는 상품 추천 장치를 제공할 수 있다.

Description

상품 추천 장치, 방법 및 기록매체{USER EQUIPMENT, METHOD, AND RECORDING MEDIUM FOR CREATING RECOMMENDATION PRODUCTS}
본 실시 예들은 상품 추천 장치, 방법 및 기록매체를 제공한다.
정보 통신 기술 발전과 스마트 폰의 보급 확산, 안전하고 편리한 결제 시스템 발달 등을 통해 이커머스 서비스(온라인 쇼핑몰) 시장의 규모도 점차 확대되고 있다. 이에 따라 이커머스 서비스가 취급하는 상품과 정보량이 급증하면서 이로 인해 사용자가 상품 선택에 어려움을 겪거나 피곤함을 느끼는 문제점이 있다. 또한, 상품을 판매하는 운영자 역시 고객들의 구매 전환을 유도하여 상품 판매 확률을 향상시키려는 노력을 하고 있다. 이에 따라, 이커머스 서비스 시장의 운영자들은 고객이 특정 사이트에 접속하면, "상품 추천" 기능을 통해 상품을 제시하고 있다.
다만, 이커머스 서비스 시장의 고객 점유율 확대 경쟁이 더욱 치열해짐에 따라 "상품 추천" 기능을 제공하기 위한 상품 추천 알고리즘에는 룰(Rule) 기반의 간단한 알고리즘부터 복잡한 수식으로 최적화된 알고리즘까지 다양한 형태의 알고리즘이 있다. 따라서, 고객들의 구매 전환 손실의 최소화, 전환 기회의 최대화를 실현하기 위해 다양한 상품 추천 알고리즘 중에서 높은 성과가 예상되는 상품 추천 알고리즘을 선택하여 제공하는 기술을 필요로하고 있다.
이러한 배경에서, 본 실시 예들은 다양한 상품 추천 로직 중에서 최적의 상품 추천 로직을 선택하여 상품을 추천하는 상품 추천 장치, 방법 및 기록매체를 제공할 수 있다.
전술한 목적을 달성하기 위하여, 일 측면에서, 본 실시 예는, 상품 추천 장치에 있어서, 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하는 로직 선택부, 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시키는 상품 노출부 및 상품의 노출 횟수 정보 및 상품의 컨버전(conversion) 횟수 정보를 포함하는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트하는 업데이트부를 포함하는 것을 특징으로 하는 상품 추천 장치를 제공한다.
다른 측면에서, 본 실시 예는 상품 추천 방법에 있어서, 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하는 로직 선택 단계, 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시키는 상품 노출 단계 및 상품의 노출 횟수 정보 및 상품의 컨버전 횟수 정보를 포함하는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트하는 업데이트 단계를 포함하는 것을 특징으로 하는 상품 추천 방법을 제공한다.
또 다른 측면에서, 본 실시 예는 상품 추천 방법을 실행시키기 위한 프로그램을 기록한 기록 매체에 있어서, 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하는 로직 선택 기능, 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시키는 상품 노출 기능 및 상품의 노출 횟수 정보 및 상품의 컨버전 횟수 정보를 포함하는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트하는 업데이트 기능을 구현하는 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
본 실시 예들에 의하면, 다양한 상품 추천 로직 중에서 최적의 상품 추천 로직을 선택하여 상품을 추천하는 상품 추천 장치, 방법 및 기록매체를 제공할 수 있다.
도 1은 본 개시가 적용될 수 있는 시스템 구성을 예시적으로 도시한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 상품 추천 장치의 구성을 도시한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 흐름도이다.
도 4는 본 개시의 일 실시 예에 따른 상품 추천 장치에서 복수의 상품 추천 로직을 설명하기 위한 예시를 도시한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘의 초기 동작을 설명하기 위한 예시를 도시한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘의 샘플링 동작을 설명하기 위한 예시를 도시한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘이 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 예시를 도시한 도면이다.
도 8은 본 개시의 다른 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘이 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 예시를 도시한 도면이다.
도 9는 본 개시의 또 다른 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘이 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 예시를 도시한 도면이다.
도 10은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 특정 상품 추천 로직을 선택하고 상품을 노출시키는 동작을 설명하기 위한 예시를 도시한 도면이다.
도 11은 본 개시의 다른 실시 예에 따른 상품 추천 방법의 흐름도이다.
본 개시는 상품 추천 장치, 방법 및 기록매체에 관한 것이다.
이하, 본 개시의 일부 실시 예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 실시 예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 기술 사상의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. 본 명세서 상에서 언급된 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "~만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별한 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함할 수 있다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다.
구성 요소들의 위치 관계에 대한 설명에 있어서, 둘 이상의 구성 요소가 "연결", "결합" 또는 "접속" 등이 된다고 기재된 경우, 둘 이상의 구성 요소가 직접적으로 "연결", "결합" 또는 "접속" 될 수 있지만, 둘 이상의 구성 요소와 다른 구성 요소가 더 "개재"되어 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. 여기서, 다른 구성 요소는 서로 "연결", "결합" 또는 "접속" 되는 둘 이상의 구성 요소 중 하나 이상에 포함될 수도 있다.
구성 요소들이나, 동작 방법이나 제작 방법 등과 관련한 시간적 흐름 관계에 대한 설명에 있어서, 예를 들어, "~후에", "~에 이어서", "~다음에", "~전에" 등으로 시간적 선후 관계 또는 흐름적 선후 관계가 설명되는 경우, "바로" 또는 "직접"이 사용되지 않는 이상 연속적이지 않은 경우도 포함할 수 있다.
한편, 구성 요소에 대한 수치 또는 그 대응 정보(예: 레벨 등)가 언급된 경우, 별도의 명시적 기재가 없더라도, 수치 또는 그 대응 정보는 각종 요인(예: 공정상의 요인, 내부 또는 외부 충격, 노이즈 등)에 의해 발생할 수 있는 오차 범위를 포함하는 것으로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 본 개시가 적용될 수 있는 시스템 구성을 예시적으로 도시한 도면이다.
도 1을 참조하면, 본 개시는 상품 추천 방법을 제공하는 시스템에 관한 것으로, 상품 추천 장치(110) 및 데이터베이스(100)에 구현될 수 있다.
상품 추천 장치(110)는, 일반적인 데스크 탑이나 노트북 등의 일반 PC를 포함하고, 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기 등을 포함할 수 있으며, 이에 제한되지 않고, 데이터베이스(100)와 통신 가능한 어떠한 전자 기기로 폭넓게 해석되어야 할 것이다.
상품 추천 장치(110)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 웹 어플리케이션 서버(Web Application Server) 또는 웹 서버(WAP Server)와 동일한 구성을 하고 있다. 그러나, 소프트웨어적으로는, 아래에서 상세하게 설명할 바와 같이, C, C++, Java, PHP, .Net, Python, Ruby 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다.
또한, 상품 추천 장치(110)는 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹 사이트(Website), IIS(Internet Information Server)와 유닉스 환경에서 사용되는 Apache, Nginx, Light HTTP 등이 이용될 수 있다.
데이터베이스(100)는 네트워크를 통하여 불특정 다수 클라이언트 (장치(110)를 포함) 및/또는 다른 서버와 연결될 수 있는데, 이에 따라, 데이터베이스(100)는 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 또는 이러한 컴퓨터 시스템을 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것일 수도 있다.
또한, 데이터베이스(100)는 전술한 서버 프로그램 이외에도, 데이터베이스(100) 상에서 동작하는 일련의 응용 프로그램(Application Program)과, 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스를 포함하는 넓은 개념으로 이해되어야 할 것이다.
여기서, 데이터베이스(100)는, 서버 또는 다른 장치 등에 의해 사용될 목적으로 정보나 자료 등의 데이터가 구조화되어 관리되는 데이터의 집합체를 의미할 수 있으며, 이러한 데이터의 집합체를 저장하는 저장매체를 의미할 수도 있다.
또한, 이러한 데이터베이스(100)는 데이터의 구조화 방식, 관리 방식, 종류 등에 따라 분류된 복수의 데이터베이스를 포함하는 것일 수도 있다. 경우에 따라서, 데이터베이스(100)는 정보나 자료 등을 추가, 수정, 삭제 등을 할 수 있도록 해주는 소프트웨어인 데이터베이스 관리시스템(Database Management System, DBMS)을 포함할 수도 있다.
한편, 네트워크(120)는 데이터베이스(100)와 상품 추천 장치(110)를 연결해주는 망(Network)으로서, LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크(120)일 수도 있으나, 인터넷(Internet)과 같은 개방형 네트워크(120)일 수도 있다. 여기서, 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미한다.
간략하게 전술한 본 개시의 일 실시 예에 따른 상품 추천 장치, 방법 및 기록매체에 대하여, 이하에서 더욱 상세하게 설명한다.
도 2는 본 개시의 일 실시 예에 따른 상품 추천 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 개시의 일 실시 예에 따른 상품 추천 방법을 제공하는 상품 추천 장치(110)는 서버에 구현되는 경우를 전제로 기재되었으나, 상품 추천 장치(110)는 서버 또는 단말일 수 있으며, 상품 추천 장치(110)에 대한 하드웨어는 제한될 수 없다. 일 예로, 상품 추천 장치(110)는 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하는 로직 선택부(210), 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시키는 상품 노출부(220), 상품의 노출 횟수 정보 및 상품의 컨버전(conversion) 횟수 정보를 포함하는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트하는 업데이트부(230)를 포함할 수 있다.
로직 선택부(210)는 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택할 수 있다. 일 예로, 로직 선택부(210)는 로직 선택 알고리즘을 이용하여 탐색(Exploration)과 활용(Exploitation) 과정을 통해 복수의 상품 추천 로직에 대한 탐색을 최소화하면서 최대한의 컨버전이 나오는 특정 상품 추천 로직을 선택하여 활용할 수 있다. 여기서, 미리 설정되는 복수의 상품 추천 로직에 관한 상세한 내용은 도 5를 참조하여 후술한다.
로직 선택 알고리즘은 노출 횟수 정보 및 컨버전(Conversion) 횟수 정보에 기초하여 확률 변수를 가진 분포를 형성하고, 분포에 의한 샘플링(Sampling)을 통해 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택할 수 있다. 예를 들면, 노출 횟수 정보는 화면의 특정 위치에 미리 설정된 개수의 추천 상품을 개시하여 노출되면, 노출된 상품 각각을 추천한 특정 상품 추천 로직들의 노출 횟수로 카운트한 것을 의미할 수 있다. 또한, 컨버전 횟수 정보는 미리 설정된 컨버전 목표에 따라 지정된 특정 행동을 사용자의 행동과 일치하면, 특정 행동이 발생된 횟수를 카운트한 것을 의미할 수 있다. 구체적인 예를 들어, 로직 선택 알고리즘은 노출 횟수 정보와 컨버전 횟수 정보를 이용하여 이항의 확률 변수를 가진 분포를 형성할 수 있다. 분포는 노출 횟수 정보와 컨버전 횟수 정보를 통해 분포의 형태가 변경될 수 있고, 확률 변수가 0에서 1사이의 실수 값이므로 컨버전 비율(Conversion rate)의 신뢰도를 나타낼 수 있는 분포가 될 수 있다. 다만, 형성된 분포는 t 분포(t distribution), x2 분포(chi-squared distribution), F 분포(F distribution), 베타 분포(beta distribution), 감마 분포(Gamma distribution) 등의 확률 변수를 가진 분포이면, 이에 한정되지 않는다.
로직 선택 알고리즘은 분포에 의한 샘플링(Sampling)을 통해 복수의 상품 추천 로직 중에서 최대의 컨버전 비율이 발생되는 특정 상품 추천 로직을 선택할 수 있다. 다만, 선택된 특정 상품 추천 로직이 복수 개이면 분포의 통계 값에 비례하여 각각의 특정 상품 추천 로직에 의한 노출 비율을 결정할 수 있다.
또한, 로직 선택 알고리즘은 분포에 의한 샘플링 결과에서 노출 횟수 정보 대비 컨버전 횟수 정보의 증가 폭을 비교하여 특정 상품 추천 로직을 선택할 수 있다. 예를 들어, 로직 선택 알고리즘은 수렴 수준에 해당하는 상품 추천 로직이 있다고 하더라도, 탐색 과정에서 다른 특정 상품 추천 로직의 노출 횟수 정보 대비 컨버전 횟수 정보의 증가 폭이 더 크다면 특정 상품 추천 로직이 변경되어 선택될 수도 있다.
또한, 로직 선택 알고리즘은 트래픽 증가에 따라 노출 횟수 정보 및 컨버전 횟수 정보가 누적되면, 분포에 의한 샘플링 결과가 특정 값으로 수렴되는 상품 추천 로직을 특정 상품 추천 로직으로 선택할 수 있다. 예를 들어, 로직 선택 알고리즘은 사용자의 행동 값이 많아질수록 분포가 명확하게 형성되며, 특정 상품 추천 로직에 대해서 분포의 형태가 수렴될 가능성이 높아질 수 있다. 로직 선택 알고리즘에 관한 상세한 내용은 도 5 내지 9를 참조하여 후술한다.
상품 노출부(220)는 선택된 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시킬 수 있다. 일 예로, 상품 노출부(220)는 사용자로부터 상품 추천을 제공하는 특정 페이지의 접근을 요청하는 접근 요청 신호가 입력되면 선택된 특정 상품 추천 로직을 이용하여 선별된 상품을 노출시킬 수 있다. 예를 들면, 접근 요청 신호는 해당 웹 사이트에 접속된 장치의 브라우저를 통해 특정 웹 페이지를 요청하는 요청 신호일 수 있다. 이는, 미리 설정된 특정 페이지에 접근하는 사용자에게는 사용자의 별도의 요청 없이도 상품 추천 기능을 제공하기 위함이다. 또는 상품 노출부(220)는 사용자로부터 상품 추천을 요청하는 추천 요청 신호가 입력되면, 선택된 특정 상품 추천 로직을 이용하여 선별된 상품을 노출시킬 수 있다. 예를 들면, 추천 요청 신호는 상품 추천을 요청하는 특정 메뉴에 접속하거나 버튼을 클릭함으로써 발생되는 신호일 수 있다. 이는 사용자의 상품 추천 요청에 따라 상품 추천 기능을 제공하기 위함이다.
업데이트부(230)는 상품의 노출 횟수 정보 및 상품의 컨버전 횟수 정보를 포함하는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트할 수 있다. 예를 들어, 업데이트부(230)는 미리 설정된 컨버전 목표에 따라 노출된 상품을 클릭 또는 주문하는 행위를 컨버전 기준으로 지정하고, 지정된 클릭 또는 주문 행위가 발생되면 컨버전된 것으로 판단할 수 있다. 따라서, 업데이트부(230)는 노출된 상품이 클릭 또는 주문되면, 해당 상품을 추천한 상품 추천 로직이 컨버전된 것으로 판단할 수 있다.
다만, 업데이트부(230)는 상품 추천을 통해 얻고자 하는 성과에 따라 컨버전 목표를 다르게 설정할 수 있고, 미리 설정된 컨버전 목표에 따라서 지정되는 컨버전 기준도 다르게 설정할 수 있다. 예를 들어, 업데이트부(230)는 운영자가 상품 추천을 통해 얻고자 하는 성과가 상품 뷰를 늘리는 것(상품 노출, 클릭)인지, 구매 전환인지 등에 따라 컨버전 목표를 설정할 수 있다. 즉, 컨버전된 것으로 판단하는 기준은 클릭 또는 주문 행위 이외에도 컨버전 목표에 따라 회원 가입 전환, 장바구니 담기 행위 등 다양하게 설정할 수 있다. 이를 통해, 미리 설정된 컨버전 목표에 맞는 상품 추천 로직의 자동 최적화가 진행될 수 있다.
업데이트부(230)는 상품이 노출되면 노출된 상품을 추천한 특정 상품 추천 로직의 노출 횟수를 1증가시켜 노출 횟수 정보를 업데이트할 수 있다. 또한, 업데이트부(230)는 노출된 상품이 컨버전되면 컨버전된 상품을 추천한 특정 상품 추천 로직의 컨버전 횟수를 1증가시켜 컨버전 횟수 정보를 업데이트할 수 있다. 다만, 업데이트부(230)는 컨버전 목표에 따라서 노출 횟수와 컨버전 횟수의 증가 크기를 다르게 설정할 수 있고, 클릭과 주문 행위에 따른 컨버전 횟수의 증가 크기도 각각 다르게 설정할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 흐름도이다.
도 3을 참조하면, 본 개시의 일 실시 예에 따른 상품 추천 장치의 로직 선택부(210)는 특정 상품 추천 로직을 선택할 수 있다(S310). 일 예로, 로직 선택부(210)는 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하여 실시간 최적화를 진행할 수 있다. 여기서 로직 선택 알고리즘은 상품 추천 결과를 확률 변수를 가진 분포에 적용하여 샘플링을 통해 특정 상품 추천 로직을 선택하는 것일 수 있다.
상품 노출부(220)는 선택된 특정 상품 추천 로직을 이용하여 상품을 선별하고 선별된 상품을 노출시킬 수 있다(S320). 일 예로, 상품 노출부(220)는 화면의 지정 영역에 미리 설정된 상품 수만큼 상품을 선별하여 노출시킬 수 있다. 또한, 상품 노출부(220)는 미리 설정된 상품 수만큼 추천 상품을 노출시키기 위해서 미리 설정된 상품 수만큼 특정 상품 추천 로직을 선택하여 상품을 선별하고 노출시킬 수 있다. 다만, 상품 노출부(220)는 선택된 특정 상품 추천 로직이 복수일 경우에는 미리 설정된 상품 수를 기준으로 각각의 특정 상품 추천 로직에 의해 선별되는 상품 개수를 조정하거나, 각각의 상품 게시 시간을 조정하는 방식 등으로 결정된 노출 비율을 적용하여 선별된 상품을 노출시킬 수 있다.
업데이트부(230)는 노출 횟수 정보 및 컨버전 횟수 정보를 포함하는 피드백 정보를 업데이트할 수 있다(S330). 일 예로, 업데이트부(230)는 선택된 상품 추천 로직의 추천 결과를 반영하기 위하여 노출 횟수 정보 및 컨버전 횟수 정보를 포함하는 피드백 정보를 업데이트할 수 있다. 예를 들어, 업데이트부(230)는 사용자가 특정 페이지로 접근하면, 특정 상품 추천 로직을 이용하여 추천된 상품을 노출하고, 해당 특정 상품 추천 알고리즘에 대한 노출 횟수를 1증가시켜 노출 횟수 정보를 업데이트할 수 있다. 또한, 업데이트부(230)는 노출된 상품에 대해서 클릭이 발생되면 클릭된 상품을 추천한 특정 상품 추천 로직의 컨버전 횟수를 1증가시켜 컨버전 횟수 정보를 업데이트할 수 있다. 물론, 업데이트부(230)는 클릭된 상품에 대해서 주문이 발생되면, 주문된 상품을 추천한 특정 상품 추천 로직의 컨버전 횟수를 다시 1증가시켜 컨버전 횟수 정보를 업데이트할 수 있다.
업데이트부(230)는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트할 수 있다(S340). 일 예로, 업데이트부(230)는 업데이트된 노출 횟수 정보 및 컨버전 횟수 정보에 따라 확률 변수를 가진 분포를 재형성함으로써 로직 선택 알고리즘을 업데이트할 수 있다. 따라서 업데이트부(230)는 계속적으로 선택된 상품 추천 로직을 이용하여 상품을 노출하고 결과를 관측하여 로직 선택 알고리즘을 업데이트하여 사용하기 때문에 온라인상의 반응을 빠르게 적용할 수 있는 효과를 제공할 수 있다.
로직 선택부(210)는 업데이트된 로직 선택 알고리즘을 이용하여 특정 상품 추천 로직을 재선택할 수 있다(S350). 예를 들어, 로직 선택부(210)는 로직 선택 알고리즘을 이용하여 복수의 상품 추천 로직 중에서 선택된 특정 상품 추천 로직으로 추천된 상품을 노출하고, 노출에 따라 컨버전 전환율이 가장 좋은 상품 추천 로직을 특정 상품 추천 로직으로 재선택할 수 있다. 이는, 노출과 컨버전 결과를 반영하여 상품을 추천하는 특정 상품 추천 로직을 자동으로 최적의 상품 추천 로직으로 변경하는 효과를 제공할 수 있다.
일 예로, 로직 선택부(210)는 특정 상품 추천 로직으로 선별한 상품 추천 결과를 반영하여 로직 선택 알고리즘을 업데이트하고 다시 특정 상품 추천 로직을 재선택하는 과정을 반복하여 진행할 수 있다. 또한, 로직 선택부(210)는 베이지안(Bayesian) 방법을 이용하여 추정한 신뢰도가 95%에 해당되거나 미리 설정된 조건에 만족하는 경우에는 특정 상품 추천 로직을 재선택하는 과정을 종료할 수도 있다.
도 4는 본 개시의 일 실시 예에 따른 상품 추천 장치에서 복수의 상품 추천 로직을 설명하기 위한 예시를 도시한 도면이다.
도 4를 참조하면, 로직 선택부(210)에서 사용자에게 상품을 추천하기 위해 사용될 수 있는 복수의 상품 추천 로직들을 설명할 수 있다.
일 예로, 로직 선택부(210)의 상품 추천 로직은 인공 지능 추천 방식과 통계형 추천 방식으로 구성될 수 있다. 예를 들어, 인공 지능 추천 방식의 상품 추천 로직은 딥러닝 기반의 상품 추천, 협업 필터링 추천, 클러스터링 추천, 자연어 처리에 기반한 클리스터링 추천, 개인화 추천 또는 검색어 추천 로직일 수 있다. 여기서 딥러닝 기반의 상품 추천 로직은 다층의 네트워크로 이루어진 심층 신경망(deep neural network)에서 다량의 데이터를 학습시킴으로써 입력값에 대한 특성(feature)을 자동으로 학습하고, 이를 통해 목적 함수, 즉 예측 정확도의 에러를 최소화하도록 네트워크를 학습시켜 나아가는 형태로 구성될 수 있다. 구체적인 예를 들면, CNN(Convolutional Neural Network), DHN(Deep Hierachical Network), CDBN(Convolutional Deep Belief Network), DDN(Deconvolutional Deep Network), RNN(Recurrent Neural Network), GAN(Generative Adversarial Network) 등 일 수 있으며, 본 개시는 이에 제한되지 않고 현재 또는 장래에 사용될 수 있는 다양한 딥러닝 알고리즘으로 구성될 수 있다.
다른 예를 들어, 통계형 추천 방식의 상품 추천 로직은 데이터 조회 기간을 기준으로 구분될 수 있다. 예를 들어, 로직 선택부(210)는 일 별(24h) 사용자들의 상품 열람, 클릭 또는 구매 등의 빈도를 기준으로 한 통계 데이터를 이용하여 상품을 추천하는 통계형 추천 방식의 상품 추천 로직을 선택할 수 있다. 구체적인 예를 들면, 로직 선택부(210)의 상품 추천 로직은 일 별(24h) 사용자들의 많이 본 상품, 많이 담은 상품, 많이 구매한 상품, 주문 전환율, 추천 유입률, 추천 클릭률 또는 할인율 높은 상품을 기준으로 한 통계 데이터를 이용할 수 있다. 다른 예를 들어, 로직 선택부(210)는 최근 1시간 동안의 집계 결과를 반영하여 사용자들이 실시간 많이 구매한 상품 또는 실시간 많이 본 상품을 이용하여 상품을 추천하는 통계형 추천 방식의 상품 추천 로직을 사용할 수 있다. 다만, 집계 결과를 반영하는 최근 1시간은 일 예로, 이에 한정되지 않는다.
또한, 로직 선택부(210)는 별도의 로직 선택 알고리즘을 이용하여 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택할 수 있다. 여기서 로직 선택 알고리즘은 복수의 상품 추천 로직 별 고객 성과를 분석하고 테스트하여 특정 상품 추천 로직을 선택하는 별도의 알고리즘일 수 있다.
도 5는 본 개시의 일 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘의 초기 동작을 설명하기 위한 예시를 도시한 도면이다.
도 5를 참조하면, 로직 선택부(210)가 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하기 위한 로직 선택 알고리즘의 초기 동작을 설명할 수 있다. 일 예로, 로직 선택 알고리즘은 특정 상품 추천 로직을 선택하기 위해 매개 변수에 따라 [0,1] 구간에서 정의되는 연속 확률 분포를 형성하고, 분포에 의한 샘플링을 할 수 있다. 이 때, 매개 변수는 노출 횟수 정보와 컨버전 횟수 정보를 이용하여 설정될 수 있다. 또한, 형성된 분포의 X축은 컨버전 비율(Conversion rate), Y축은 우도(Likelihood)일 수 있고, Recommendation 1,2,3은 상품 추천 로직 1,2,3을 의미할 수 있다.
로직 선택 알고리즘의 초기 동작은 기존의 누적된 결과 데이터가 없는 초기 상태에서 특정 상품 추천 로직을 선택할 수 있다. 예를 들어, 초기 상태의 로직 선택 알고리즘은 두 매개 변수가 1인 경우 0에서 1까지 모든 확률이 균일한 균일 분포를 형성할 수 있다. 이는 노출 횟수 정보와 컨버전 횟수 정보가 모두 0임을 의미할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘의 샘플링 동작을 설명하기 위한 예시를 도시한 도면이다.
도 6을 참조하면, 로직 선택부(210)에서 로직 선택 알고리즘의 분포에 의한 샘플링 동작을 설명할 수 있다. 일 예로, 로직 선택 알고리즘은 매번 실행될 때마다 변경된 값으로 분포에 의한 샘플링 값을 추출될 수 있다. 이는 샘플링 값이 계속하여 결과가 반영되는 분포로부터 추출된 값이기 때문이다. 따라서, 로직 선택 알고리즘은 분포가 특정 값으로 수렴하기 전에는 샘플링에 의해 선택된 상품 추천 로직을 변경할 수 있다. 예를 들어, 형성된 분포의 형태는 컨버전 비율(conversion rate)의 기대값에서 최대값을 가질 수 있다. 또한, 샘플링 값은 분포의 평균값 근처에서 추출될 가능성이 높음을 확인할 수 있다. 따라서, 로직 선택 알고리즘은 컨버전 비율(conversion rate)의 기대값을 이용하여 추출된 샘플링 값을 기준으로 상품 추천 로직을 선택할 수 있다.
구체적인 예를 들면, 로직 선택 알고리즘은 노출 횟수 정보 및 컨버전 횟수 정보에 기초하여 분포를 형성할 수 있다. 그리고 로직 선택 알고리즘은 형성된 분포로부터 상품 추천 로직 1(recommendation 1)의 샘플링 값이 다른 상품 추천 로직 2,3(recommendation 2,3)보다 큰 값임을 확인할 수 있다. 따라서 로직 선택 알고리즘은 가장 큰 샘플링 값을 가지는 상품 추천 로직 1을 특정 상품 추천 로직으로 선택할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘이 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 예시를 도시한 도면이다.
도 7을 참조하면, 로직 선택부(210)에서 로직 선택 알고리즘이 분포에 의한 샘플링을 통해 특정 상품 추천 로직을 선택하는 동작을 설명할 수 있다. 일 예로, 로직 선택 알고리즘은 각각의 복수의 상품 추천 로직을 이용하여 선별한 상품의 노출 횟수 정보와 컨버전 횟수 정보를 계속 업데이트하는 방식으로, 탐색(Exploration)과 활용(Exploitation) 과정을 진행을 통해 최적의 상품 추천 로직을 선택할 수 있다. 또한, 로직 선택 알고리즘은 반복하여 탐색(Exploration)과 활용(Exploitation) 과정을 진행하면 특정 값으로 수렴하는 형태의 분포를 형성할 수 있다. 이 경우, 로직 선택 알고리즘은 반복하여 샘플링 값을 추출해도 확률 분포가 우세한 상품 추천 로직만을 특정 상품 추천 로직으로 선택하는 것을 확인할 수 있다.
로직 선택부(210)의 로직 선택 알고리즘은 특정 상품 추천 로직을 복수로 선택하면, 형성된 분포에서 추출한 샘플링 결과에 비례하여 각각 상품 추천 로직들의 노출 비율을 결정할 수 있다. 구체적인 예를 들면, 로직 선택 알고리즘은 형성된 분포로부터 상품 추천 로직 3(recommendation 3)의 샘플링 값이 가장 큰 값이고, 각각의 상품 추천 로직의 샘플링 값의 비율도 함께 확인할 수 있다. 따라서 로직 선택 알고리즘은 상품 추천 로직 3을 최적의 상품 추천 로직으로 선택하지만, 상품 추천 로직 1과 2도 함께 선택할 수 있다. 이 경우, 로직 선택 알고리즘은 샘플링 값의 비율을 이용하여 각각의 상품 추천 로직으로 선별한 상품의 노출 비율을 결정할 수 있다.
도 8은 본 개시의 다른 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘이 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 예시를 도시한 도면이다.
도 8을 참조하면, 로직 선택부(210)에서 로직 선택 알고리즘이 분포에 의한 샘플링을 통해 특정 상품 추천 로직을 선택하는 동작을 설명할 수 있다. 일 예로, 로직 선택 알고리즘은 컨버전 비율(conversion rate)의 기대값을 이용하여 추출된 샘플링 값을 기준으로 특정 상품 추천 로직을 선택할 수 있다. 다만, 로직 선택 알고리즘은 이외에도 노출 횟수 정보 대비 컨버전 횟수 정보의 증가 폭을 비교하여 특정 상품 추천 로직을 선택할 수 있다.
구체적인 예를 들면, 로직 선택 알고리즘은 형성된 분포로부터 상품 추천 로직 3(recommendation 3)의 샘플링 값이 다른 상품 추천 로직 1,2(recommendation 1,2)보다 큰 값임을 확인할 수 있다. 따라서 로직 선택 알고리즘은 가장 큰 샘플링 값을 가지는 상품 추천 로직 3을 특정 상품 추천 로직으로 선택할 수 있다. 다만, 로직 선택 알고리즘은 상품 추천 로직 2(recommendation 2)의 분포에서 컨버전 비율(conversion rate)의 기대값이 크게 변경된 것을 확인할 수 있다. 따라서, 로직 선택 알고리즘은 상품 추천 로직 3 이외에 상품 추천 로직 2를 특정 상품 추천 로직으로 선택할 수도 있다.
도 9는 본 개시의 또 다른 실시 예에 따른 상품 추천 장치에서 로직 선택 알고리즘이 특정 상품 추천 로직을 선택하는 동작을 설명하기 위한 예시를 도시한 도면이다.
*도 9를 참조하면, 로직 선택부(210)에서 로직 선택 알고리즘이 분포에 의한 샘플링을 통해 특정 상품 추천 로직을 선택하는 동작을 설명할 수 있다. 일 예로, 로직 선택 알고리즘은 트래픽 증가에 따라 노출 횟수 정보와 컨버전 횟수 정보가 누적되면, 분포에 의한 샘플링 결과가 특정 값으로 수렴되는 상품 추천 로직을 특정 상품 추천 로직으로 선택할 수 있다. 예를 들면, 형성된 분포의 형태는 노출 횟수 정보와 컨버전 횟수 정보가 커질 수록 분포의 분산이 감소될 수 있다. 그리고 형성된 분포는 컨버전 비율(conversion rate)의 기대값은 동일하더라도 분산의 차이가 있음을 확인할 수 있다. 따라서, 로직 선택 알고리즘은 트래픽 증가로 사용자의 행동에 대한 결과가 더 많이 반영되면, 특정 상품 추천 로직을 선택하는 기준이 명확해질 수 있다.
구체적인 예를 들면, 로직 선택 알고리즘은 형성된 분포로부터 가장 반응이 좋은 상품 추천 로직이 상품 추천 로직 3 임을 명확하게 확인할 수 있고, 상품 추천 로직 3을 특정 상품 추천 로직으로 선택할 수 있다.
도 10은 본 개시의 일 실시 예에 따른 상품 추천 장치에서 특정 상품 추천 로직을 선택하고 상품을 노출시키는 동작을 설명하기 위한 예시를 도시한 도면이다.
도 10을 참조하면, 본 개시의 일 실시 예에 따른 상품 추천 장치의 로직 선택부(210)는 사용자로부터 특정 페이지의 접근을 요청하는 신호가 입력되면 추천 상품을 제공하기 위해 특정 상품 추천 로직을 선택할 수 있다(S1010). 예를 들어, 로직 선택부(210)는 처음 노출 상품을 선별하기 위해서 특정 함수를 이용하여 생성한 샘플링 값이 가장 높은 특정 상품 추천 로직을 선택할 수 있다. 또한, 로직 선택부(210)는 상품 노출 결과가 발생되기 전 다음 추천 상품을 제공해야 하는 상황이 발생되는 경우에도 결과 적용 전 상태에서 샘플링 값이 가장 높은 특정 상품 추천 로직을 선택할 수 있다. 여기서, 특정 함수는 베타 함수(Beta function), 감마 함수(Gamma function), 베이불 함수(Weibull function) 등 분포로부터 샘플링 값을 추출하기 위한 함수이면, 이에 한정되지 않는다.
상품 노출부(220)는 특정 상품 추천 로직을 이용하여 선별된 상품을 노출시킬 수 있다(S1020). 예를 들어, 상품 노출부(220)는 샘플링 값이 가장 높은 특정 상품 추천 로직을 이용하여 선별된 상품을 노출시킬 수 있다.
업데이트부(230)는 선별된 상품을 노출시킴에 따라 결과가 발생되면 상품의 노출 횟수 정보와 컨버전(conversion) 횟수 정보를 포함하는 피드백 정보를 업데이트할 수 있다(S1030). 예를 들어, 업데이트부(230)는 상품 노출 및 노출 결과가 반영된 상태에서 특정 함수를 이용하여 생성한 샘플링 값으로 상품 추천 로직을 선택할 수 있도록 피드백 정보를 업데이트할 수 있다.
로직 선택부(210)는 분포에 의한 샘플링을 통해 특정 상품 추천 로직을 선택할 수 있다(S1040). 예를 들어, 로직 선택부(210)는 업데이트된 피드백 정보를 이용하여 분포를 형성하고 샘플링하여 특정 상품 추천 로직을 선택할 수 있다. 또한, 로직 선택부(210)는 상품 노출 및 노출 결과가 반영된 상태에서 샘플링 값으로 특정 상품 추천 로직을 재선택할 수 있다. 그리고 상품 노출부(220)는 재선택된 특정 상품 추천 로직으로 선별된 상품을 노출시킴으로써 사용자에게 제공할 수 있다.
이하에서는 도 1 내지 도 10를 참조하여 설명한 상품 추천 장치가 수행할 수 있는 상품 추천 방법에 대해서 설명한다.
도 11은 본 개시의 다른 실시 예에 따른 상품 추천 방법의 흐름도이다.
도 11를 참조하면, 본 개시의 상품 추천 방법은 특정 상품 추천 로직을 선택하는 로직 선택 단계를 포함할 수 있다(S1110). 일 예로, 상품 추천 장치는 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택할 수 있다. 예를 들어, 상품 추천 장치는 로직 선택 알고리즘을 이용하여 탐색(Exploration)과 활용(Exploitation) 과정을 통해 복수의 상품 추천 로직에 대한 탐색을 최소화하면서 최대한의 컨버전이 나오는 특정 상품 추천 로직을 선택할 수 있다.
상품 추천 장치에서 이용되는 로직 선택 알고리즘은 노출 횟수 정보 및 컨버전(Conversion) 횟수 정보에 기초하여 확률 변수를 가진 분포를 형성하고, 분포에 의한 샘플링(Sampling)을 통해 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택할 수 있다. 예를 들면, 노출 횟수 정보는 화면의 특정 위치에 미리 설정된 개수의 추천 상품이 노출되면, 노출된 상품 각각을 추천한 특정 상품 추천 로직들의 노출 횟수로 카운트한 것을 의미할 수 있다. 또한, 컨버전 횟수 정보는 미리 설정된 컨버전 목표에 따라 지정된 사용자의 행동이 발생된 횟수를 카운트한 것을 의미할 수 있다. 구체적인 예를 들어, 로직 선택 알고리즘은 노출 횟수 정보와 컨버전 횟수 정보를 이용하여 이항의 확률 변수를 가진 분포를 형성할 수 있다. 여기서, 분포는 노출 횟수 정보와 컨버전 횟수 정보를 통해 분포의 모양을 변경할 수 있고, 확률 변수가 0에서 1사이의 실수 값이므로 컨버전 비율(Conversion rate)의 신뢰도를 나타낼 수 있는 분포가 될 수 있다.
로직 선택 알고리즘은 분포에 의한 샘플링(Sampling)을 통해 복수의 상품 추천 로직 중에서 최대의 컨버전 비율이 발생되는 특정 상품 추천 로직을 선택할 수 있다. 다만, 선택된 특정 상품 추천 로직이 복수 개이면 분포에 의한 샘플링 결과에 비례하여 각각의 특정 상품 추천 로직에 의한 노출 비율을 결정할 수 있다.
또한, 로직 선택 알고리즘은 분포에 의한 샘플링 결과에서 노출 횟수 정보 대비 컨버전 횟수 정보의 증가 폭을 비교하여 특정 상품 추천 로직을 선택할 수 있다. 예를 들어, 로직 선택 알고리즘은 수렴 수준에 해당하는 상품 추천 로직이 있다고 하더라도, 탐색 과정에서 다른 특정 상품 추천 로직의 노출 횟수 정보 대비 컨버전 횟수 정보의 증가 폭이 더 크다면 특정 상품 추천 로직이 변경되어 선택될 수도 있다.
또한, 로직 선택 알고리즘은 트래픽 증가에 따라 노출 횟수 정보 및 컨버전 횟수 정보가 누적되면, 분포에 의한 샘플링 결과가 특정 값으로 수렴되는 상품 추천 로직을 특정 상품 추천 로직으로 선택할 수 있다. 예를 들어, 로직 선택 알고리즘은 사용자의 행동 값이 많아질 수록 분포가 명확하게 형성되며, 특정 상품 추천 로직에 대해서 분포의 형태가 수렴될 가능성이 높아질 수 있다.
상품 추천 방법은 추천 상품을 노출시키는 상품 노출 단계를 포함할 수 있다(S1120). 일 예로, 상품 추천 장치는 선택된 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시킬 수 있다. 예를 들어, 상품 추천 장치는 사용자로부터 상품 추천을 제공하는 특정 페이지의 접근을 요청하는 접근 요청 신호가 입력되면 선택된 특정 상품 추천 로직을 이용하여 선별된 상품을 노출시킬 수 있다. 여기서, 접근 요청 신호는 해당 웹 사이트에 접속된 장치의 브라우저를 통해 특정 웹 페이지를 요청하는 요청 신호일 수 있다. 이는, 미리 설정된 특정 페이지에 접근하는 사용자에게는 사용자의 별도의 요청 없이도 상품 추천을 제공하기 위함이다. 다른 예를 들어, 상품 추천 장치는 사용자로부터 상품 추천을 요청하는 추천 요청 신호가 입력되면, 선택된 특정 상품 추천 로직을 이용하여 선별된 상품을 노출시킬 수 있다. 여기서, 추천 요청 신호는 상품 추천을 요청하는 특정 메뉴에 접속하거나 버튼을 클릭함으로써 발생되는 신호일 수 있다. 이는 사용자의 상품 추천 요청에 따라 상품 추천을 제공하기 위함이다.
상품 추천 방법은 로직 선택 알고리즘을 업데이트하는 업데이트 단계를 포함할 수 있다(S1130). 일 예로, 상품 추천 장치는 상품의 노출 횟수 정보 및 상품의 컨버전 횟수 정보를 포함하는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트할 수 있다. 예를 들어, 상품 추천 장치는 미리 설정된 컨버전 목표에 따라 노출된 상품을 클릭 또는 주문되는 행위를 컨버전으로 지정하고, 지정된 클릭 또는 주문 행위가 발생되면 컨버전된 것으로 판단할 수 있다. 즉, 상품 추천 장치는 노출된 상품이 클릭 또는 주문되면, 해당 상품을 추천한 상품 추천 로직이 컨버전된 것으로 판단할 수 있다. 다만, 상품 추천 장치는 컨버전 목표에 따라서 지정되는 컨버전이 다르게 설정할 수 있고, 클릭 또는 주문 행위 이외에도 회원 가입 전환, 장바구니 담기 행위 등 다양하게 설정할 수 있다.
다른 예를 들어, 상품 추천 장치는 상품이 노출되면 노출된 상품을 추천한 특정 상품 추천 로직의 노출 횟수를 1증가시켜 노출 횟수 정보를 업데이트할 수 있다. 또한, 상품 추천 장치는 노출된 상품이 컨버전되면 컨버전된 상품을 추천한 특정 상품 추천 로직의 컨버전 횟수를 1증가시켜 컨버전 횟수 정보를 업데이트할 수 있다. 구체적인 예를 들면, 상품 추천 장치는 사용자가 특정 페이지로 접근하면, 특정 상품 추천 로직을 이용하여 추천된 상품을 노출하며 해당 특정 상품 추천 알고리즘에 대한 노출 횟수가 1 증가시킬 수 있다. 또한, 상품 추천 장치는 노출된 상품에 대해서 클릭이 발생되면 클릭된 상품을 추천한 특정 상품 추천 로직의 컨버전 횟수를 1 증가시킬 수 있다. 그리고 상품 추천 장치는 클릭된 상품에 대해서 주문이 발생되면 주문된 상품을 추천한 특정 상품 추천 로직의 컨버전 횟수를 다시 1 증가시킬 수 있다.
이상에서는 본 개시의 실시 예에 따른 상품 추천 방법이 도11 에서와 같은 절차로 수행되는 것으로 설명되었으나, 이는 설명의 편의를 위한 것일 뿐, 본 개시의 본질적인 개념을 벗어나지 않는 범위 내에서, 구현 방식에 따라 각 단계의 수행 절차가 바뀌거나 둘 이상의 단계가 통합되거나 하나의 단계가 둘 이상의 단계로 분리되어 수행될 수도 있다. 또한, 상품 추천 방법은 서버 또는 단말에서 수행될 수 있으며, 서버와 단말에 각각 임의의 단계가 분리되어 수행될 수도 있다.
전술한 상품 추천 방법은, 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 또한, 전술한 상품 추천 방법을 실행시키기 위한 프로그램은, 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하는 로직 선택 기능, 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시키는 상품 노출 기능 및 상품의 노출 횟수 정보 및 상품의 컨버전 횟수 정보를 포함하는 피드백 정보를 이용하여 로직 선택 알고리즘을 업데이트하는 업데이트 기능을 실행한다.
이상에서 전술한 본 개시의 실시 예에 따른 상품 추천 방법은, 상품 추천 장치(110)에 기본적으로 설치된 애플리케이션(이는 단말에 기본적으로 탑재된 플랫폼에 포함되거나 운영체제 등에 포함되거나 호환되는 프로그램일 수 있음)에 의해 실행될 수 있고, 또한, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 상품 추천 장치(110)의 운영체제와 호환 가능하고 상품 추천 장치(110)에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 여기서, 상품 추천 장치(110)의 운영체제는, 데스크 탑 등의 일반 PC에 설치되는 윈도우(Window), 매킨토시(Macintosh), 리눅스(Linux) 등의 운영체제이거나, 스마트폰, 태블릿 PC 등의 모바일 단말기에 설치되는 iOS, 안드로이드(Android), 윈도우 모바일 등의 모바일 전용 운영체제 등일 수도 있다.
이러한 의미에서, 전술한 본 개시의 실시 예에 따른 상품 추천 방법은 상품 추천 장치(110)에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고, 상품 추천 장치(110) 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
본 개시의 실시 예에 따른 상품 추천 방법을 구현한 프로그램은, 로직 선택 기능, 상품 노출 기능과 업데이트 기능 등을 실행한다. 이뿐만 아니라, 도1 내지 도11을 참조하여 전술한 본 개시의 실시 예에 따른 상품 추천 방법에 대응되는 모든 기능을 실행할 수 있다.
이러한 프로그램은 컴퓨터에 의해 읽힐 수 있는 기록매체에 기록되고 컴퓨터에 의해 실행됨으로써 전술한 기능들이 실행될 수 있다.
이와 같이, 컴퓨터가 기록매체에 기록된 프로그램을 읽어 들여 프로그램으로 구현된 상품 추천 방법을 실행시키기 위하여, 전술한 프로그램은 컴퓨터의 프로세서(CPU)가 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다.
이러한 코드는 전술한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Function Code)를 포함할 수 있고, 전술한 기능들을 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수도 있다.
또한, 이러한 코드는 전술한 기능들을 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조 되어야 하는지에 대한 메모리 참조 관련 코드를 더 포함할 수 있다.
또한, 컴퓨터의 프로세서가 전술한 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 데이터베이스 등과 통신이 필요한 경우, 코드는 컴퓨터의 프로세서가 컴퓨터의 통신 모듈(예: 유선 및/또는 무선 통신 모듈)을 이용하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 데이터베이스 등과 어떻게 통신해야만 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수도 있다.
그리고, 본 개시를 구현하기 위한 기능적인(Functional) 프로그램과 이와 관련된 코드 및 코드 세그먼트 등은, 기록매체를 읽어서 프로그램을 실행시키는 컴퓨터의 시스템 환경 등을 고려하여, 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론되거나 변경될 수도 있다.
또한 전술한 바와 같은 프로그램을 기록한 컴퓨터로 읽힐 수 있는 기록매체는 네트워크로 커넥션된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 이 경우, 다수의 분산된 컴퓨터 중 어느 하나 이상의 컴퓨터는 상기에 제시된 기능들 중 일부를 실행하고, 그 결과를 다른 분산된 컴퓨터들 중 하나 이상에 그 실행 결과를 전송할 수 있으며, 그 결과를 전송 받은 컴퓨터 역시 상기에 제시된 기능들 중 일부를 실행하여, 그 결과를 역시 다른 분산된 컴퓨터들에 제공할 수 있다.
이상에서 전술한 바와 같은, 본 개시의 실시 예에 따른 상품 추천 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽힐 수 있는 기록매체는, 일 예로, ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 미디어 저장장치 등이 있다.
또한, 본 개시의 실시 예에 따른 상품 추천 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 컴퓨터로 읽을 수 있는 기록매체는, 애플리케이션 스토어 서버(Application Store Server), 애플리케이션 또는 해당 서비스와 관련된 웹 서버(Web Server) 등을 포함하는 애플리케이션 제공 서버(Application Provider Server)에 포함된 저장매체(예: 하드디스크 등)이거나, 애플리케이션 제공 서버 그 자체일 수도 있으며, 프로그램을 기록한 다른 컴퓨터 또는 그 저장매체일 수도 있다.
본 개시의 일 실시 예에 따른 상품 추천 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 기록매체를 읽을 수 있는 컴퓨터는, 일반적인 데스크 탑이나 노트북 등의 일반 PC 뿐만 아니라, 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기를 포함할 수 있으며, 이뿐만 아니라, 컴퓨팅(Computing) 가능한 모든 기기로 해석되어야 할 것이다.
만약, 본 개시의 일 실시 예에 따른 상품 추천 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 기록매체를 읽을 수 있는 컴퓨터가 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기인 경우, 모바일 단말기는 애플리케이션 스토어 서버, 웹 서버 등을 포함하는 애플리케이션 제공 서버로부터 해당 애플리케이션을 다운로드 받아 설치할 수 있고, 경우에 따라서는, 애플리케이션 제공 서버에서 일반 PC로 다운로드 된 이후, 동기화 프로그램을 통해 모바일 단말기에 설치될 수도 있다.
이상에서, 본 개시의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시가 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 개시의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 개시의 실시 예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 개시에 개시된 실시 예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

  1. 상품 추천 장치에 의해 수행되는 상품 추천 방법에 있어서,
    상기 상품 추천 장치가 로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하는 로직 선택 단계;
    상기 상품 추천 장치가 상기 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시키는 상품 노출 단계; 및
    상기 상품 추천 장치가 상기 상품의 노출 횟수 정보 및 상기 상품의 컨버전(conversion) 횟수 정보를 포함하는 피드백 정보를 이용하여 상기 로직 선택 알고리즘을 업데이트하는 업데이트 단계를 포함하되,
    상기 로직 선택 알고리즘은,
    상기 노출 횟수 정보 및 상기 컨버전 횟수 정보에 기초하여 확률 변수를 가진 분포를 형성하고, 상기 분포에 의한 샘플링(Sampling)을 통해 추출된 샘플링 값을 기준으로 상기 복수의 상품 추천 로직 중에서 상기 특정 상품 로직을 선택하며,
    상기 분포는,
    노출 횟수 정보와 컨버전 횟수 정보를 통해 분포의 형태가 변경되며, 상기 분포가 특정 값으로 수렴하기 전에는 컨버전 비율의 기대값에서 최대값을 가지는 형태인 것을 특징으로 하는 상품 추천 방법.
  2. 제 1 항에 있어서,
    상기 로직 선택 알고리즘은,
    선택된 상기 특정 상품 추천 로직이 복수이면, 상기 분포에 의한 샘플링 결과에 비례하여 각각의 상기 특정 상품 추천 로직에 의한 노출 비율을 결정하는 것을 특징으로 하는 상품 추천 방법.
  3. 제 1 항에 있어서,
    상기 로직 선택 알고리즘은,
    상기 분포에 의한 샘플링 결과에서 상기 노출 횟수 정보 대비 상기 컨버전 횟수 정보의 증가 폭을 비교하여 상기 특정 상품 추천 로직을 선택하는 것을 특징으로 하는 상품 추천 방법.
  4. 제 1 항에 있어서,
    상기 로직 선택 알고리즘은,
    트래픽 증가에 따라 상기 노출 횟수 정보 및 상기 컨버전 횟수 정보가 누적되면, 상기 분포에 의한 샘플링 결과가 특정 값으로 수렴되는 상기 상품 추천 로직을 상기 특정 상품 추천 로직으로 선택하는 것을 특징으로 하는 상품 추천 방법.
  5. 제 1 항에 있어서,
    상기 상품 노출 단계는,
    사용자로부터 상품 추천을 제공하는 특정 페이지의 접근을 요청하는 접근 요청 신호 또는 상기 상품 추천을 요청하는 추천 요청 신호가 입력되면, 상기 특정 상품 추천 로직을 이용하여 선별된 상기 상품을 노출시키는 것을 특징으로 하는 상품 추천 방법.
  6. 제 1 항에 있어서,
    상기 업데이트 단계는,
    미리 설정된 컨버전 목표에 따라 노출된 상기 상품이 클릭 또는 주문되면, 상기 상품이 컨버전된 것으로 판단하는 것을 특징으로 하는 상품 추천 방법.
  7. 제 6 항에 있어서,
    상기 업데이트 단계는,
    상기 상품이 노출되면 상기 특정 상품 추천 로직의 노출 횟수를 1 증가시켜 상기 노출 횟수 정보를 업데이트하고, 상기 상품이 컨버전되면 상기 특정 상품 추천 로직의 컨버전 횟수를 1 증가시켜 상기 컨버전 횟수 정보를 업데이트하는 것을 특징으로 하는 상품 추천 방법.
  8. 상품 추천 방법을 실행시키기 위한 프로그램을 기록한 기록 매체에 있어서,
    로직 선택 알고리즘을 이용하여 미리 설정되는 복수의 상품 추천 로직 중에서 특정 상품 추천 로직을 선택하는 로직 선택 기능,
    상기 특정 상품 추천 로직을 이용하여 상품을 선별하고, 선별된 상품을 노출시키는 상품 노출 기능 및
    상기 상품의 노출 횟수 정보 및 상기 상품의 컨버전 횟수 정보를 포함하는 피드백 정보를 이용하여 상기 로직 선택 알고리즘을 업데이트하는 업데이트 기능을 구현하되,
    상기 로직 선택 알고리즘은,
    상기 노출 횟수 정보 및 상기 컨버전 횟수 정보에 기초하여 확률 변수를 가진 분포를 형성하고, 상기 분포에 의한 샘플링(Sampling)을 통해 추출된 샘플링 값을 기준으로 상기 복수의 상품 추천 로직 중에서 상기 특정 상품 로직을 선택하며,
    상기 분포는,
    노출 횟수 정보와 컨버전 횟수 정보를 통해 분포의 형태가 변경되며, 상기 분포가 특정 값으로 수렴하기 전에는 컨버전 비율의 기대값에서 최대값을 가지는 형태인 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록 매체.
  9. 제 8 항에 있어서,
    상기 업데이트 기능은,
    미리 설정된 컨버전 목표에 따라 노출된 상기 상품이 클릭 또는 주문되면, 상기 상품이 컨버전된 것으로 판단하는 것을 특징으로 하는 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록 매체.
  10. 제 9 항에 있어서,
    상기 업데이트 기능은,
    상기 상품이 노출되면 상기 특정 상품 추천 로직의 노출 횟수를 1 증가시켜 상기 노출 횟수 정보를 업데이트하고, 상기 상품이 컨버전되면 상기 특정 상품 추천 로직의 컨버전 횟수를 1 증가시켜 상기 컨버전 횟수 정보를 업데이트하는 것을 특징으로 하는 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록 매체.

KR1020220111494A 2021-01-19 2022-09-02 상품 추천 장치, 방법 및 기록매체 KR102529698B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220111494A KR102529698B1 (ko) 2021-01-19 2022-09-02 상품 추천 장치, 방법 및 기록매체

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210007148A KR102442097B1 (ko) 2021-01-19 2021-01-19 상품 추천 장치, 방법 및 기록매체
KR1020220111494A KR102529698B1 (ko) 2021-01-19 2022-09-02 상품 추천 장치, 방법 및 기록매체

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210007148A Division KR102442097B1 (ko) 2021-01-19 2021-01-19 상품 추천 장치, 방법 및 기록매체

Publications (2)

Publication Number Publication Date
KR20220127780A true KR20220127780A (ko) 2022-09-20
KR102529698B1 KR102529698B1 (ko) 2023-05-10

Family

ID=82701437

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020210007148A KR102442097B1 (ko) 2021-01-19 2021-01-19 상품 추천 장치, 방법 및 기록매체
KR1020220111508A KR102529703B1 (ko) 2021-01-19 2022-09-02 상품 추천 장치, 방법 및 기록매체
KR1020220111494A KR102529698B1 (ko) 2021-01-19 2022-09-02 상품 추천 장치, 방법 및 기록매체

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020210007148A KR102442097B1 (ko) 2021-01-19 2021-01-19 상품 추천 장치, 방법 및 기록매체
KR1020220111508A KR102529703B1 (ko) 2021-01-19 2022-09-02 상품 추천 장치, 방법 및 기록매체

Country Status (1)

Country Link
KR (3) KR102442097B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170107865A (ko) * 2016-03-16 2017-09-26 김진섭 빅 데이터를 활용한 지능형 관광정보시스템
KR20180002122A (ko) * 2016-06-28 2018-01-08 엔에이치엔페이코 주식회사 광고 상품 제공 방법 및 시스템
KR20200088134A (ko) * 2019-01-14 2020-07-22 카페24 주식회사 상품 추천 방식 개선 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170107865A (ko) * 2016-03-16 2017-09-26 김진섭 빅 데이터를 활용한 지능형 관광정보시스템
KR20180002122A (ko) * 2016-06-28 2018-01-08 엔에이치엔페이코 주식회사 광고 상품 제공 방법 및 시스템
KR20200088134A (ko) * 2019-01-14 2020-07-22 카페24 주식회사 상품 추천 방식 개선 방법 및 장치

Also Published As

Publication number Publication date
KR20220105219A (ko) 2022-07-27
KR20220127203A (ko) 2022-09-19
KR102529703B1 (ko) 2023-05-10
KR102529698B1 (ko) 2023-05-10
KR102442097B1 (ko) 2022-09-14

Similar Documents

Publication Publication Date Title
US11531906B2 (en) Machine-learning-based processing of de-obfuscated data for data enrichment
US11361211B2 (en) Artificial intelligence (AI) based chatbot creation and communication system
US9053436B2 (en) Methods and system for providing simultaneous multi-task ensemble learning
US8843427B1 (en) Predictive modeling accuracy
US9876751B2 (en) System and method for analyzing messages in a network or across networks
US8521664B1 (en) Predictive analytical model matching
US8909569B2 (en) System and method for revealing correlations between data streams
US20180063265A1 (en) Machine learning techniques for processing tag-based representations of sequential interaction events
US20180115464A1 (en) Systems and methods for monitoring and analyzing computer and network activity
US12045843B2 (en) Systems and methods for tracking data shared with third parties using artificial intelligence-machine learning
US20220171873A1 (en) Apparatuses, methods, and computer program products for privacy-preserving personalized data searching and privacy-preserving personalized data search training
US11126785B1 (en) Artificial intelligence system for optimizing network-accessible content
US10922495B2 (en) Computerized environment for human expert analysts
US20220171874A1 (en) Apparatuses, methods, and computer program products for privacy-preserving personalized data searching and privacy-preserving personalized data search training
CN114119123A (zh) 信息推送的方法和装置
KR102442097B1 (ko) 상품 추천 장치, 방법 및 기록매체
WO2006054276A1 (en) Mobile device internet access
CN116975425A (zh) 视频推荐方法、装置、电子设备及计算机可读存储介质
US12099558B2 (en) Method and apparatus for providing content based on user activity
US20220067115A1 (en) Information processing method, apparatus, electrical device and readable storage medium
KR102639021B1 (ko) 오픈마켓 게시 제품 평점 개선을 위한 방법 및 시스템
CN117709923A (zh) 网络管理功能推荐方法、装置、设备及计算机存储介质
CN117633391A (zh) 页面布局方法、装置、电子设备和介质
CN110968768A (zh) 信息生成方法和装置
IES20050764A2 (en) Mobile device internet access

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant