KR20220152778A - 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 장치 및 방법 - Google Patents
쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 장치 및 방법 Download PDFInfo
- Publication number
- KR20220152778A KR20220152778A KR1020210060127A KR20210060127A KR20220152778A KR 20220152778 A KR20220152778 A KR 20220152778A KR 1020210060127 A KR1020210060127 A KR 1020210060127A KR 20210060127 A KR20210060127 A KR 20210060127A KR 20220152778 A KR20220152778 A KR 20220152778A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- feature vector
- verification
- image
- shopping mall
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012552 review Methods 0.000 claims abstract description 97
- 238000012795 verification Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims description 42
- 238000013461 design Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 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]
- G06Q30/0641—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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0217—Discounts or incentives, e.g. coupons or rebates involving input on products or services in exchange for incentives or rewards
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
Abstract
본 발명의 실시 예에 따른 방법은, 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목에 액세스하되, 리뷰 항목은 이미지와 텍스트를 포함하는, 단계; 리뷰 항목의 이미지로부터 적어도 하나의 타겟 오브젝트를 감지하는 단계; 감지된 타겟 오브젝트를 프로세싱하여 제 1 특징 데이터를 생성하는 단계; 쇼핑몰 웹 페이지에 포함된 기준 오브젝트를 프로세싱하여 기준 오브젝트에 대응하는 제 2 특징 데이터를 생성하는 단계; 및 제 1 특징 데이터를 제 2 특징 데이터와 비교함으로써 리뷰 항목에 대한 검증의 결과를 나타내는 검증 데이터를 제공하는 단계를 포함한다.
Description
본 발명은 쇼핑몰 웹 페이지에 관한 것으로, 좀 더 구체적으로는 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 장치 및 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 목적하는 결과를 도출하거나 목적하는 동작을 수행하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 딥러닝 등의 기계학습 알고리즘을 활용하여, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술은 다양한 방면들에서 활발히 연구되고 있다. 예를 들면, 인공지능 기술을 구현하기 위한 요소 기술들은, 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함할 수 있다.
위 기재된 내용은 오직 본 발명의 기술적 사상들에 대한 배경 기술의 이해를 돕기 위한 것이며, 따라서 그것은 본 발명의 기술 분야의 당업자에게 알려진 선행 기술에 해당하는 내용으로 이해될 수 없다.
본 발명의 실시 예들은 쇼핑몰 웹 페이지와 연관된 데이터를 향상된 신뢰성으로 검증하는 장치 및 방법을 제공하기 위한 것이다.
본 발명의 실시 예에 따른 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 방법은, 상기 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목에 액세스하되, 상기 리뷰 항목은 이미지와 텍스트를 포함하는, 단계; 상기 리뷰 항목의 상기 이미지로부터 적어도 하나의 타겟 오브젝트를 감지하는 단계; 상기 감지된 타겟 오브젝트를 프로세싱하여 제 1 특징 데이터를 생성하는 단계; 상기 쇼핑몰 웹 페이지에 포함된 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트에 대응하는 제 2 특징 데이터를 생성하는 단계; 및 상기 제 1 특징 데이터를 상기 제 2 특징 데이터와 비교함으로써 상기 리뷰 항목에 대한 검증의 결과를 나타내는 검증 데이터를 제공하는 단계를 포함한다.
상기 제 1 특징 데이터를 생성하는 단계는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트의 디자인과 연관된 적어도 하나의 제 1 특징 벡터를 생성하는 단계를 포함할 수 있으며, 상기 제 2 특징 데이터를 생성하는 단계는 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트의 디자인과 연관된 적어도 하나의 제 2 특징 벡터를 생성하는 단계를 포함할 수 있으며, 상기 제 1 특징 데이터는 상기 제 1 특징 벡터를 포함하고, 상기 제 2 특징 데이터는 상기 제 2 특징 벡터를 포함할 수 있다.
상기 검증 데이터를 제공하는 단계에서, 상기 제 1 특징 벡터가 상기 제 2 특징 벡터와 매치되는지 여부에 따라, 상기 검증 데이터는 상기 리뷰 항목에 대한 상기 검증이 패스됨을 나타낼 수 있다.
상기 제 1 특징 벡터 및 상기 제 2 특징 벡터 각각은, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트의 디자인과 연관된 적어도 하나의 특징 벡터를 출력하도록 학습된 인공지능 모델을 이용하여 생성될 수 있다.
상기 제 1 특징 데이터를 생성하는 단계는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트에 대응하는 상품의 속성과 연관된 제 1 속성 태그들을 생성하는 단계를 포함할 수 있으며, 상기 제 2 특징 데이터를 생성하는 단계는 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트에 대응하는 상품의 속성과 연관된 제 2 속성 태그들을 생성하는 단계를 포함할 수 있으며, 상기 제 1 특징 데이터는 상기 제 1 속성 태그들을 포함하며, 상기 제 2 특징 데이터는 상기 제 2 속성 태그들을 포함할 수 있다.
상기 검증 데이터를 제공하는 단계에서, 상기 제 1 속성 태그들이 상기 제 2 속성 태그들과 매치되는지 여부에 따라, 상기 검증 데이터는 상기 리뷰 항목에 대한 검증이 패스됨을 나타낼 수 있다.
상기 제 1 속성 태그들 및 상기 제 2 속성 태그들 각각은, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트에 대응하는 상품의 속성을 나타내는 속성 태그들을 출력하도록 학습된 인공지능 모델을 이용하여 생성될 수 있다.
상기 방법은 상기 검증 데이터에 기반하여 상기 사용자 아이디에 보상을 제공하는 단계를 더 포함할 수 있다.
본 발명의 다른 일면은 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 컴퓨터 장치에 관한 것이다. 상기 컴퓨터 장치는, 상기 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목에 액세스하도록 구성되는 제 1 인터페이스; 및 상기 제 1 인터페이스를 통해 상기 리뷰 항목을 획득하도록 구성되는 프로세서를 포함하며, 상기 리뷰 항목은 이미지와 텍스트를 포함하고, 상기 프로세서는, 상기 리뷰 항목의 상기 이미지로부터 적어도 하나의 타겟 오브젝트를 감지하고, 상기 감지된 타겟 오브젝트를 프로세싱하여 제 1 특징 데이터를 생성하고, 상기 제 1 특징 데이터를 상기 쇼핑몰 웹 페이지에 포함된 기준 오브젝트에 대응하는 제 2 특징 데이터와 비교함으로써 상기 리뷰 항목을 검증하고, 상기 검증의 결과를 나타내는 검증 데이터를 제공하도록 구성된다.
상기 프로세서는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트의 디자인과 연관된 적어도 하나의 제 1 특징 벡터를 생성하고, 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트의 디자인과 연관된 적어도 하나의 제 2 특징 벡터를 생성하도록 구성될 수 있다. 상기 제 1 특징 데이터는 상기 제 1 특징 벡터를 포함할 수 있고, 상기 제 2 특징 데이터는 상기 제 2 특징 벡터를 포함할 수 있다.
상기 프로세서는 상기 제 1 특징 벡터가 상기 제 2 특징 벡터와 매치되는지 여부에 따라 상기 검증 데이터가 상기 리뷰 항목에 대한 상기 검증이 패스됨을 나타내도록 제공할 수 있다.
상기 프로세서는 상기 제 1 특징 벡터 및 상기 제 2 특징 벡터 각각을, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트의 디자인과 연관된 적어도 하나의 특징 벡터를 출력하도록 학습된 인공지능 모델을 이용하여 생성하도록 구성될 수 있다.
상기 프로세서는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트에 대응하는 상품의 속성과 연관된 제 1 속성 태그들을 생성하고, 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트에 대응하는 상품의 속성과 연관된 제 2 속성 태그들을 생성하도록 구성될 수 있고, 상기 제 1 특징 데이터는 상기 제 1 속성 태그들을 포함할 수 있으며, 상기 제 2 특징 데이터는 상기 제 2 속성 태그들을 포함할 수 있다.
상기 프로세서는 상기 제 1 속성 태그들이 상기 제 2 속성 태그들과 매치되는지 여부에 따라 상기 검증 데이터가 상기 리뷰 항목에 대한 검증이 패스됨을 나타내도록 제공할 수 있다.
상기 프로세서는 상기 제 1 속성 태그들 및 상기 제 2 속성 태그들 각각을, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트에 대응하는 상품의 속성을 나타내는 속성 태그들을 출력하도록 학습된 인공지능 모델을 이용하여 생성하도록 구성될 수 있다.
본 발명의 또 다른 일면은 컴퓨터 프로그램을 저장하는, 컴퓨터 장치에 의해 판독 가능한 저장 매체에 관한 것이다. 상기 저장 매체는, 상기 컴퓨터 장치는 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목에 액세스하도록 구성되고, 상기 리뷰 항목은 이미지와 텍스트를 포함하며, 상기 컴퓨터 프로그램은 상기 컴퓨터 장치에 의해 실행될 때, 상기 리뷰 항목의 상기 이미지로부터 적어도 하나의 타겟 오브젝트를 감지하고; 상기 감지된 타겟 오브젝트를 프로세싱하여 제 1 특징 데이터를 생성하고; 상기 제 1 특징 데이터를 상기 쇼핑몰 웹 페이지에 포함된 기준 오브젝트에 대응하는 제 2 특징 데이터와 비교함으로써 상기 리뷰 항목을 검증하고, 상기 검증의 결과를 나타내는 검증 데이터를 제공하기 위한 명령어들을 포함할 수 있다.
본 발명의 실시 예들에 따르면 쇼핑몰 웹 페이지와 연관된 데이터를 향상된 신뢰성으로 검증하는 장치 및 방법을 제공하기 위한 것이다. 예를 들면, 컴퓨터 장치는 쇼핑몰 웹 페이지와 연관하여 사용자에 의해 작성된 리뷰 항목을, 그 리뷰 항목에 포함된 타겟 오브젝트와 쇼핑몰 웹 페이지에 포함된 기준 오브젝트를 비교함으로써 검증할 수 있으며, 이에 따라 리뷰 항목에 대한 검증의 신뢰성이 향상될 수 있다.
도 1은 본 발명의 실시 예에 따른 네트워크 시스템을 보여주는 블록도이다.
도 2는 도 1의 쇼핑몰 서버에 의해 제공되는 웹 페이지의 일 예를 보여주는 도면이다.
도 3은 도 1의 쇼핑몰 서버에 의해 제공되는 리뷰 항목의 일 예를 보여주는 도면이다.
도 4는 본 발명의 실시 예에 따른 도 1의 쇼핑몰 서버의 실시 예를 보여주는 블록도이다.
도 5는 도 4의 특징 데이터 생성부의 실시 예를 보여주는 블록도이다.
도 6은 도 4의 특징 데이터 생성부의 다른 실시 예를 보여주는 블록도이다.
도 7은 도 4의 제 1 특징 데이터 및 제 2 특징 데이터를 보여주는 개념도이다.
도 8은 본 발명의 실시 예에 따른 쇼핑몰 웹 페이지와 연관된 검증 데이터를 제공하는 방법을 보여주는 순서도이다.
도 9는 도 8의 S130단계 내지 S150단계의 실시 예를 보여주는 순서도이다.
도 10은 도 8의 S130단계 내지 S150단계의 다른 실시 예를 보여주는 순서도이다.
도 11은 도 4의 검증 데이터 제공 장치를 구현하기에 적합한 컴퓨터 장치의 실시 예를 보여주는 블록도이다.
도 12는 도 11의 컴퓨터 장치와 통신할 수 있는 클라이언트 서버를 보여주는 블록도이다.
도 2는 도 1의 쇼핑몰 서버에 의해 제공되는 웹 페이지의 일 예를 보여주는 도면이다.
도 3은 도 1의 쇼핑몰 서버에 의해 제공되는 리뷰 항목의 일 예를 보여주는 도면이다.
도 4는 본 발명의 실시 예에 따른 도 1의 쇼핑몰 서버의 실시 예를 보여주는 블록도이다.
도 5는 도 4의 특징 데이터 생성부의 실시 예를 보여주는 블록도이다.
도 6은 도 4의 특징 데이터 생성부의 다른 실시 예를 보여주는 블록도이다.
도 7은 도 4의 제 1 특징 데이터 및 제 2 특징 데이터를 보여주는 개념도이다.
도 8은 본 발명의 실시 예에 따른 쇼핑몰 웹 페이지와 연관된 검증 데이터를 제공하는 방법을 보여주는 순서도이다.
도 9는 도 8의 S130단계 내지 S150단계의 실시 예를 보여주는 순서도이다.
도 10은 도 8의 S130단계 내지 S150단계의 다른 실시 예를 보여주는 순서도이다.
도 11은 도 4의 검증 데이터 제공 장치를 구현하기에 적합한 컴퓨터 장치의 실시 예를 보여주는 블록도이다.
도 12는 도 11의 컴퓨터 장치와 통신할 수 있는 클라이언트 서버를 보여주는 블록도이다.
이하, 본 발명에 따른 바람직한 실시 예를 첨부한 도면을 참조하여 상세히 설명한다. 하기의 설명에서는 본 발명에 따른 동작을 이해하는데 필요한 부분만이 설명되며 그 이외 부분의 설명은 본 발명의 요지를 모호하지 않도록 하기 위해 생략될 것이라는 것을 유의하여야 한다. 또한 본 발명은 여기에서 설명되는 실시 예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 단지, 여기에서 설명되는 실시 예는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여 제공되는 것이다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 여기에서 사용된 용어는 특정한 실시예들을 설명하기 위한 것이며 본 발명을 한정하기 위한 것이 아니다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. "X, Y, 및 Z 중 적어도 어느 하나", 그리고 "X, Y, 및 Z로 구성된 그룹으로부터 선택된 적어도 어느 하나"는 X 하나, Y 하나, Z 하나, 또는 X, Y, 및 Z 중 둘 또는 그 이상의 어떤 조합 (예를 들면, XYZ, XYY, YZ, ZZ) 으로 해석될 수 있다. 여기에서, "및/또는"은 해당 구성들 중 하나 또는 그 이상의 모든 조합을 포함한다.
도 1은 본 발명의 실시 예에 따른 네트워크 시스템을 보여주는 블록도이다. 도 2는 도 1의 쇼핑몰 서버에 의해 제공되는 웹 페이지의 일 예를 보여주는 도면이다. 도 3은 도 1의 쇼핑몰 서버에 의해 제공되는 리뷰 항목의 일 예를 보여주는 도면이다.
도 1을 참조하면, 네트워크 시스템(100)은 네트워크(50), 제 1 내지 제 k 사용자 단말기들(111~11k), 및 쇼핑몰 서버(120)를 포함할 수 있다.
네트워크 시스템(100)은 여기에 설명된 본 발명의 실시 예들에 따른 다양한 방법들을 수행하도록 동작하는 복수의 장치들, 서버들, 및/또는 소프트웨어 구성들을 포함할 수 있다. 도 1에 도시된 장치들 및/또는 서버들은 다른 방식들로 구성될 수 있으며, 장치들 및/또는 서버들에 의해 제공되는 동작들 및 서비스들은 여기에 설명된 실시 예들을 위해 결합되거나 분리될 수 있으며, 더 많은 수 혹은 더 적은 수의 장치들 및/또는 서버들에 의해 수행될 수 있다. 하나 또는 그 이상의 장치들 및/또는 서버들은 동일 혹은 상이한 기업체들에 의해 구동 및/또는 유지될 수 있다.
네트워크(50)는 네트워크(50), 제 1 내지 제 k 사용자 단말기들(111~11k), 및 쇼핑몰 서버(120)와 같은 네트워크 시스템(100) 내 구성 요소들을 연결한다. 네트워크(50)는 공용 네트워크(public network), 적어도 하나의 사설 네트워크(private network), 유선 네트워크, 무선 네트워크, 다른 적절한 타입의 네트워크, 및 그것들의 조합들 중 적어도 하나를 포함할 수 있다. 네트워크 시스템(100) 내 구성 요소들 각각은 유선 통신 기능 및 무선 통신 기능 중 적어도 하나를 포함할 수 있으며, 그에 따라 네트워크(50)를 통해 상호 간 통신할 수 있다.
제 1 내지 제 k 사용자 단말기들(111~11k) 각각은 네트워크(50)를 통해 쇼핑몰 서버(120)와 통신할 수 있다. 실시 예들에서, 제 1 내지 제 k 사용자 단말기들(111~11k) 각각은 웹 브라우저와 같은 응용 애플리케이션을 포함하며, 응용 애플리케이션은 쇼핑몰 서버(120)에 액세스하여 사용자 아이디를 개설하고, 개설된 사용자 아이디 하에 웹 페이지에 액세스하고, 상품을 구매하고, 상품에 대한 리뷰를 작성하는 등 다양한 액션들을 수행할 수 있다.
실시 예로서, 제 1 내지 제 k 사용자 단말기들(111~11k) 각각은 컴퓨터, UMPC(Ultra Mobile PC), 워크스테이션, 넷북(net-book), PDA(Personal Digital Assistants), 포터블(portable) 컴퓨터, 웹 타블렛(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 스마트폰(smart phone), e-북(e-book), PMP(portable multimedia player), 휴대용 게임기 등과 같은 정보를 유선 및/또는 무선 환경에서 송수신할 수 있는 장치 등을 포함할 수 있다.
쇼핑몰 서버(120)는 네트워크(50)를 통해 제 1 내지 제 k 사용자 단말기들(111~11k)과 통신하며, 제 1 내지 제 k 사용자 단말기들(111~11k) 각각으로부터의 요청에 응답하여 웹 페이지를 해당 사용자 단말기에 제공할 수 있다. 도 2를 참조하면, 쇼핑몰 서버(120)에 의해 제공되는 웹 페이지는 판매하고자 하는 상품의 이미지(PIMG), 상품의 정보(PI), 구매를 위한 웹 페이지로 이동하기 위한 제 1 아이콘(IC1), 및 상품에 대한 리뷰를 작성하는 웹 페이지(혹은 그래픽 인터페이스)로 이동하기 위한 제 2 아이콘(IC2)을 포함할 수 있다. 이 밖에도, 쇼핑몰 서버(120)는 “장바구니 담기”, “상세설명”, “문의” 등 필요에 따라 다양한 아이콘들을 더 포함할 수 있다.
제 2 아이콘(IC2)을 선택하는 사용자 입력에 응답하여 사용자 단말기는 제 2 아이콘(IC2)에 포함된 링크를 쇼핑몰 서버(120)에 호출하며, 이에 응답하여 쇼핑몰 서버(120)는 리뷰 항목을 작성할 수 있는 웹 페이지(혹은 그래픽 인터페이스)를 해당 사용자 단말기에 제공할 수 있다. 도 3에 임의의 사용자 아이디(UID)에 의해 작성된 리뷰 항목(RI)이 도시되어 있다. 리뷰 항목(RI)은 사용자 아이디(UID), 구매한 상품의 정보(PI, 도 2 참조)의 적어도 일부, 사용자 아이디(UID)에 의해 작성된 텍스트(TXT)와 리뷰 이미지(RIMG)를 포함할 수 있다. 도 3에서, 리뷰 항목(RI)은 “끼우기 조금 힘든데 그래도 만족하고 추천합니다 딱 맞아요”와 같은 텍스트(TXT), 그리고 구매한 상품을 촬영한 적어도 하나의 리뷰 이미지(RIMG)를 포함하고 있다.
쇼핑몰 서버(120)는 리뷰 항목(RI)을 작성한 사용자 아이디에 보상(예를 들면, 결제 포인트)을 제공할 수 있다. 이를 위해, 리뷰 항목(RI)이 해당 상품에 대한 리뷰가 맞는지 검증되고, 검증 결과에 따라 해당 사용자 아이디(UID)에 보상이 제공될 수 있다. 사람이 직접 리뷰 항목(RI)을 검증할 수 있으나, 경제성 향상을 위해 리뷰 항목(RI)을 검증하기 위한 다양한 알고리즘들이 제안되고 있다. 그러나, 이러한 알고리즘들은 낮은 신뢰성의 검증 결과를 제공할 수 있으며, 낮은 신뢰성의 검증 결과는 사용자 아이디(UID)에 의도치 않게 보상이 제공 혹은 미제공되게 하고, 이는 해당 쇼핑몰 서비스에 악영향을 미칠 수 있다. 예를 들면, 도 3에 도시된 바와 같이 상품이 이어폰임에도 불구하고 검증 패스를 위해 리뷰 항목(RI)의 검증 이미지(RIMG)가 전신 이미지인 것을 요구할 수 있으며, 이에 따른 부적절한 검증 결과는 사용자 아이디(UID)에 보상이 제공되지 못하게 하여 해당 쇼핑몰 서비스에 악영향을 미칠 수 있다.
도 4는 본 발명의 실시 예에 따른 도 1의 쇼핑몰 서버의 실시 예를 보여주는 블록도이다.
도 4를 참조하면, 쇼핑몰 서버(200)는 검증 데이터 제공 장치(210), 메모리(220), 및 사용자 포인트 관리기(230)를 포함할 수 있다.
검증 데이터 제공 장치(210)는 사용자 포인트 관리기(230)에 연결된다. 검증 데이터 제공 장치(210)는 메모리(220)를 워킹 메모리로서 사용할 수 있다. 검증 데이터 제공 장치(210)는 웹 페이지 인터페이스(I/F)(211), 리뷰 항목 인터페이스(212), 및 리뷰 검증기(213)를 포함할 수 있다.
웹 페이지 인터페이스(211)는 쇼핑몰 웹 페이지에 대한 인터페이스를 리뷰 검증기(213)에 제공할 수 있다. 리뷰 항목 인터페이스(212)는 쇼핑몰 웹 페이지와 연관된 리뷰 항목에 대한 인터페이스를 리뷰 검증기(213)에 제공할 수 있다. 이와 같이, 리뷰 검증기(213)는 웹 페이지 인터페이스(211)를 통해 쇼핑몰 웹 페이지의 데이터에 액세스하고, 리뷰 항목 인터페이스(212)를 통해 리뷰 항목의 데이터에 액세스할 수 있다.
리뷰 검증기(213)는 쇼핑몰 웹 페이지와 연관된 리뷰 항목들 각각을 검증하고, 각 리뷰 항목에 대한 검증의 결과를 사용자 포인트 관리기(230)에 제공하도록 구성된다. 리뷰 검증기(213)는 상품 영역 검출부(214), 특징 데이터 생성부(215), 및 이미지 검증부(216)를 포함할 수 있다.
상품 영역 검출부(214)는 리뷰 항목 인터페이스(212)를 통해 리뷰 항목에 액세스하고, 리뷰 항목의 리뷰 이미지(RIMG, 도 3 참조)로부터 타겟 오브젝트(TOBJ, 도 3 참조)를 감지 혹은 추출하도록 구성된다.
특징 데이터 생성부(215)는 감지된 타겟 오브젝트(TOBJ)를 프로세싱하여 타겟 오브젝트(TOBJ)의 디자인과 연관된 특징 및/또는 타겟 오브젝트(TOBJ)와 연관된 상품 속성과 같이 타겟 오브젝트(TOBJ)의 특징을 나타내는 제 1 특징 데이터(FD1)를 생성하도록 구성된다. 제 1 특징 데이터(FD1)는 메모리(220)에 임시 저장될 수 있다.
이미지 검증부(216)는 제 1 특징 데이터(FD1)를 쇼핑몰 웹 페이지의 기준 오브젝트(ROBJ, 도 2 참조)에 대응하는 제 2 특징 데이터(FD2)와 비교함으로써 해당 리뷰 항목을 검증하고, 그 검증의 결과를 나타내는 검증 데이터를 생성하도록 구성된다. 검증 데이터는 해당 리뷰 항목에 대한 검증이 패스됨을 나타내거나, 해당 리뷰 항목에 대한 검증이 실패됨을 나타낼 수 있다.
실시 예들에서, 상품 영역 검출부(215) 및 특징 데이터 생성부(215)는 리뷰 이미지(RIMG)를 처리하는 위 설명된 동작들과 마찬가지의 동작들을 상품 이미지(PIMG, 도 2 참조)에 대해 수행할 수 있다. 상품 영역 검출부(215)는 웹 페이지 인터페이스(211)를 통해 쇼핑몰 웹 페이지의 상품 이미지(PIMG)를 획득하고, 상품 이미지(PIMG)로부터 기준 오브젝트(ROBJ, 도 2 참조)를 감지 혹은 추출할 수 있다. 또한 특징 데이터 생성부(215)는 기준 오브젝트(ROBJ)를 프로세싱하여 기준 오브젝트(ROBJ)의 디자인과 연관된 특징 및/또는 기준 오브젝트(ROBJ)와 연관된 상품 속성과 같이 기준 오브젝트(ROBJ)의 특징을 나타내는 제 2 특징 데이터(FD2)를 생성하도록 구성된다. 제 2 특징 데이터(FD2)는 메모리(220)에 임시 저장될 수 있으며, 이미지 검증부(216)는 메모리(220)에 저장된 제 1 특징 데이터(FD1)가 제 2 특징 데이터(FD2)와 매치되는지 여부를 검증하여 검증 데이터를 생성할 수 있다.
이와 같이, 리뷰 검증기(213)는 타겟 오브젝트(TOBJ)에 따른 제 1 특징 데이터(FD1)를 기준 오브젝트(ROBJ)에 따른 제 2 특징 데이터(FD2)와 비교함으로써 각 리뷰 항목을 검증할 수 있다. 제 1 특징 데이터(FD1)와 제 2 특징 데이터(FD2)는 타겟 오브젝트(TOBJ) 및 기준 오브젝트(ROBJ)의 시각적 특징들을 각각 반영하는 점을 고려할 때, 제 1 특징 데이터(FD1)와 제 2 특징 데이터(FD2)의 비교에 따른 검증은 상품에 대해 적응적으로 수행될 수 있으며, 이에 따라 검증의 결과는 높은 신뢰성을 가질 수 있다.
사용자 포인트 관리기(230)는 이미지 검증부(216)로부터의 검증 데이터에 기반하여 사용자 아이디(UID, 도 3 참조)에 보상을 제공할 수 있다. 실시 예들에서, 사용자 포인트 관리기(230)는 각 사용자 아이디에 대응하는 포인트를 관리하도록 구성되며, 검증 데이터에 따라 사용자 아이디(UID)에 대응하는 포인트를 증가시킬 수 있다.
도 2에 도시되지는 않으나, 쇼핑몰 서버(120)는 도 2에 예시된 바와 같은 쇼핑몰 웹 페이지, 리뷰 항목들, 그것들과 연관된 데이터를 제공 및 관리하기 위한 웹 페이지 제공기를 더 포함할 수 있다.
실시 예들에서, 검증 데이터 제공 장치(210) 및 메모리(220)는 도 1의 쇼핑몰 서버(120)의 구성 요소로서 제공될 수 있다. 다른 실시 예들에서, 검증 데이터 제공 장치(210) 및 메모리(220)는 도 1의 쇼핑몰 서버(120)와 분리된 구성 요소로서 제공되며, 이러한 경우 검증 데이터 제공 장치(210)는 네트워크(50)를 통해 쇼핑몰 서버(120), 예를 들면 쇼핑몰 서버(120)에 의해 제공되는 웹 페이지들 및 리뷰 항목들에 액세스할 수 있다.
도 5는 도 4의 특징 데이터 생성부의 실시 예를 보여주는 블록도이다.
도 5를 참조하면, 특징 데이터 생성부(300)는 특징 벡터 추출부(310) 및 속성 태그 추출부(320)를 포함할 수 있다. 특징 벡터 추출부(310) 및 속성 태그 추출부(320) 각각은 이미지 프로세싱을 수행하여 해당 오브젝트 혹은 이미지와 연관된 데이터를 생성할 수 있다.
특징 벡터 추출부(310)는 입력되는 이미지(IMG_IN, 혹은 오브젝트)를 프로세싱하여 입력 이미지(IMG_IN)의 오브젝트의 디자인과 연관된 적어도 하나의 특징 벡터(FV)를 생성하도록 구성된다. 실시 예들에서, 특징 벡터 추출부(310)는 오브젝트의 적어도 일부의 컬러를 나타내는 특징 벡터 및 오브젝트의 특징점들을 나타내는 특징 벡터를 생성할 수 있다. 입력 이미지(IMG_IN)는 타겟 오브젝트(TOBJ, 도 3 참조) 혹은 리뷰 이미지(RIMG, 도 3 참조)일 수 있다. 또한, 입력 이미지(IMG_IN)는 기준 오브젝트(ROBJ, 도 2 참조) 혹은 상품 이미지(PIMG, 도 2 참조)일 수 있다.
속성 태그 추출부(320)는 입력 이미지(IMG_IN, 혹은 오브젝트)를 프로세싱하여 입력 이미지(IMG_IN)의 오브젝트에 대응하는 상품 속성을 나타내는 적어도 하나의 속성 태그(PT)를 생성하도록 구성된다. 실시 예들에서, 속성 태그 추출부(320)는 오브젝트에 대응하는 상품의 종류(혹은 카테고리)(예를 들면 하의)를 나타내는 속성 태그, 오브젝트에 대응하는 상품의 대표 컬러(예를 들면 파랑)을 나타내는 속성 태그, 오브젝트에 대응하는 상품의 재질(예를 들면 면)을 나타내는 속성 태그, 오브젝트에 대응하는 상품의 소매 길이(예를 들면 반바지)를 나타내는 속성 태그와 같은 다양한 속성 태그들을 생성할 수 있다.
도 6은 도 4의 특징 데이터 생성부의 다른 실시 예를 보여주는 블록도이다. 도 7은 도 4의 제 1 특징 데이터 및 제 2 특징 데이터를 보여주는 개념도이다.
도 6을 참조하면, 특징 데이터 생성부(400)는 제 1 인공지능 모델(410), 제 2 인공지능 모델(420), 및 인공지능 프로세서(430)를 포함할 수 있다.
제 1 인공지능 모델(410)은 도 5의 특징 벡터 추출부(310)로서 제공될 수 있다. 제 1 인공지능 모델(410)은 입력 이미지(IMG_IN)를 입력하면 특징 벡터(FV)를 출력하도록 사전에 학습될 수 있다. 실시 예들에서, 제 1 인공지능 모델(410)은 하나 또는 그 이상의 뉴럴 네트워크들(L1, L2, ... , L_m-1, L_m)을 포함할 수 있으며, 그것들은 이미지(IMG_IN)를 입력하면 특징 벡터(FV)를 출력하도록 학습될 수 있다. 예를 들면, 뉴럴 네트워크들(L1, L2, ... , L_m-1, L_m)은 학습된 방식으로 이미지(IMG_IN)로부터 특징을 추출하기 위한 인코더에 해당하는 뉴럴 네트워크들, 그리고 추출된 특징을 특징 벡터(FV)로 변환하기 위한 디코더에 해당하는 뉴럴 네트워크들을 포함할 수 있다.
제 2 인공지능 모델(420)은 도 5의 속성 태그 추출부(320)로서 제공될 수 있다. 제 2 인공지능 모델(420)은 입력 이미지(IMG_IN)를 입력하면 속성 태그(PT)를 출력하도록 사전에 학습될 수 있다. 실시 예들에서, 제 2 인공지능 모델(420)은 하나 또는 그 이상의 뉴럴 네트워크들(L1, L2, ... , L_n-1, L_n)을 포함할 수 있으며, 그것들은 이미지(IMG_IN)를 입력하면 속성 태그(PT)를 출력하도록 학습될 수 있다. 예를 들면, 뉴럴 네트워크들(L1, L2, ... , L_n-1, L_n)은 학습된 방식으로 이미지(IMG_IN)로부터 특징을 추출하기 위한 인코더에 해당하는 뉴럴 네트워크들, 그리고 추출된 특징을 속성 태그(PT)로 변환하기 위한 디코더에 해당하는 뉴럴 네트워크들을 포함할 수 있다.
인공지능 프로세서(430)는 제 1 및 제 2 인공지능 모델들(410, 420)을 제어하도록 구성된다. 인공지능 프로세서(430)는 데이터 학습부(431) 및 데이터 처리부(432)를 포함할 수 있다. 데이터 학습부(431)는 이미지 및 그에 대응하는 특징 벡터를 포함하는 학습 데이터를 이용하여, 이미지(IMG_IN)가 제 1 인공지능 모델(410)에 입력되면 특징 벡터(FV)가 출력되도록 제 1 인공지능 모델(410)을 학습시킬 수 있다. 또한, 데이터 학습부(431)는 이미지 및 그에 대응하는 속성 태그를 포함하는 학습 데이터를 이용하여, 이미지(IMG_IN)가 제 2 인공지능 모델(420)에 입력되면 속성 태그(PT)가 출력되도록 제 2 인공지능 모델(420)를 학습시킬 수 있다. 그러한 학습을 위한 데이터는 네트워크(50, 도 1 참조)를 통해 임의의 데이터베이스 서버로부터 획득될 수 있다.
데이터 처리부(432)는 학습된 제 1 인공지능 모델(410)에 이미지(IMG_IN)로서 도 3의 타겟 오브젝트(TOBJ) 혹은 리뷰 이미지(RIMG)를 입력함으로써 결과값으로서 도 7의 제 1 특징 벡터(FV1)를 생성하는 한편, 학습된 제 2 인공지능 모델(420)에 이미지(IMG_IN)로서 타겟 오브젝트(TOBJ) 혹은 리뷰 이미지(RIMG)를 입력함으로써 결과값으로서 도 7의 제 1 속성 태그(PT1)를 생성할 수 있다. 제 1 특징 벡터(FV1)와 제 1 속성 태그(PT1)는 도 7에 도식화된 바와 같이 도 4의 제 1 특징 데이터(FD1)에 포함될 수 있다. 또한, 데이터 처리부(432)는 제 1 인공지능 모델(410)에 이미지(IMG_IN)로서 도 2의 기준 오브젝트(ROBJ) 혹은 상품 이미지(PIMG)를 입력함으로써 결과값으로서 도 7의 제 2 특징 벡터(FV2)를 생성하는 한편, 제 2 인공지능 모델(420)에 이미지(IMG_IN)로서 기준 오브젝트(ROBJ) 혹은 상품 이미지(PIMG)를 입력함으로써 결과값으로서 도 7의 제 2 속성 태그(PT2)를 생성할 수 있다. 제 2 특징 벡터(FV2)와 제 2 속성 태그(PT2)는 도 7에 도식화된 바와 같이 도 4의 제 2 특징 데이터(FD2)에 포함될 수 있다.
도 4의 이미지 검증부(216)는 제 1 특징 벡터(FV1)가 제 2 특징 벡터(FV2)와 매치되는지 여부 및/또는 제 1 속성 태그(PT1)가 제 2 속성 태그(PT2)와 매치되는지 여부를 판별함으로써 리뷰 항목(RI, 도 3 참조)을 검증할 수 있다. 실시 예들에서, 제 1 특징 벡터(FV1)가 제 2 특징 벡터(FV2)와 매치되는지 여부, 그리고 제 1 속성 태그(PT1)가 제 2 속성 태그(PT2)와 매치되는지 여부는 두 값들의 차이가 설정된 임계값의 범위 내인지 여부에 따라 결정될 수 있다.
실시 예들에서, 제 1 인공지능 모델(410), 제 2 인공지능 모델(420), 및 인공지능 프로세서(430)는 프로세서 및 메모리로 구현될 수 있다. 프로세서는 싱글 코어, 듀얼 코어, 쿼드 코어 등과 같이 하나 또는 그 이상의 코어들을 포함할 수 있다. 프로세서는 프로그램 및/또는 명령어들을 메모리에 로드하고, 로드된 프로그램 및/또는 명령어들을 실행함으로써 제 1 인공지능 모델(410), 제 2 인공지능 모델(420), 및 인공지능 프로세서(430) 각각을 제공할 수 있다.
도 8은 본 발명의 실시 예에 따른 쇼핑몰 웹 페이지와 연관된 검증 데이터를 제공하는 방법을 보여주는 순서도이다.
도 8을 참조하면, S110단계에서, 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목(도 3의 RI 참조)에 액세스한다. S120단계에서, 리뷰 항목의 이미지로부터 적어도 하나의 타겟 오브젝트(도 3의 TOBJ 참조)를 감지한다.
S130단계에서, 타겟 오브젝트가 프로세싱되어 제 1 특징 데이터를 생성한다. 또한, S140단계에서, 쇼핑몰 웹 페이지에 포함된 이미지(도 2의 PIMG 참조)의 기준 오브젝트(도 2의 ROBJ 참조)가 프로세싱되어 제 2 특징 데이터를 생성한다.
S150단계에서, 제 1 특징 데이터와 제 2 특징 데이터를 비교함으로써 리뷰 항목에 대한 검증이 수행되고, 검증의 결과를 나타내는 검증 데이터가 생성된다.
이와 같이, 타겟 오브젝트에 따른 제 1 특징 데이터를 기준 오브젝트에 따른 제 2 특징 데이터와 비교함으로써 리뷰 항목을 검증할 수 다. 제 1 특징 데이터와 제 2 특징 데이터는 타겟 오브젝트 및 기준 오브젝트의 시각적 특징들을 각각 반영하는 점을 고려할 때, 제 1 특징 데이터와 제 2 특징 데이터의 비교에 따른 검증은 상품에 대해 적응적으로 수행될 수 있으며, 이에 따라 검증 데이터는 높은 신뢰성을 가질 수 있다.
S160단계에서, 생성된 검증 데이터에 기반하여 리뷰 항목을 작성한 사용자 아이디에 보상을 제공한다. 예를 들면, 검증 데이터에 따라 사용자 아이디에 대응하는 포인트가 증가할 수 있다.
도 9는 도 8의 S130단계 내지 S150단계의 실시 예를 보여주는 순서도이다.
도 9를 참조하면, S210단계에서, 타겟 오브젝트의 디자인과 연관된 적어도 하나의 제 1 특징 벡터가 생성된다. S210단계는 도 8의 S130단계로서 수행될 수 있다. S220단계에서, 기준 오브젝트의 디자인과 연관된 적어도 하나의 제 2 특징 벡터가 생성된다. S220단계는 도 8의 S140단계로서 수행될 수 있다.
S210단계 및 S220단계는 이미지 혹은 오브젝트를 입력하면 그에 따른 특징 벡터(예를 들면, 오브젝트의 적어도 부분적인 컬러를 나타내는 특징 벡터 및/또는 오브젝트의 특징점들을 나타내는 특징 벡터)를 출력하도록 학습된 인공지능 모델(도 6의 410 참조)을 이용하여 수행될 수 있다.
S230단계 내지 S250단계는 도 8의 S150단계로서 수행될 수 있다. S230단계에서, 제 1 특징 벡터가 제 2 특징 벡터와 매치되는지 여부가 판별된다. 만약 그렇다면, S240단계가 수행된다. 만약 그렇지 않다면, S250단계가 수행된다.
S240단계에서, 리뷰 항목에 대한 검증이 패스되었음을 나타내는 검증 데이터가 생성된다. S250단계에서, 리뷰 항목에 대한 검증이 실패하였음(혹은, 리뷰 항목이 해당 상품과 연관되지 않음)을 나타내는 검증 데이터가 생성된다.
도 10은 도 8의 S130단계 내지 S150단계의 다른 실시 예를 보여주는 순서도이다.
도 10을 참조하면, S310단계에서, 타겟 오브젝트에 대응하는 상품의 속성과 연관된 제 1 속성 태그들이 생성된다. S310단계는 도 8의 S130단계로서 수행될 수 있다. S320단계에서, 기준 오브젝트에 대응하는 상품의 속성과 연관된 제 2 속성 태그들이 생성된다. S320단계는 도 8의 S140단계로서 수행될 수 있다.
S310단계 및 S320단계는 이미지 혹은 오브젝트를 입력하면 그에 따른 속성 태그들을 출력하도록 학습된 인공지능 모델(도 6의 420 참조)을 이용하여 수행될 수 있다. 예를 들면, 인공지능 모델은 오브젝트에 대응하는 상품의 종류(혹은 카테고리)를 나타내는 속성 태그, 오브젝트에 대응하는 상품의 대표 컬러을 나타내는 속성 태그, 오브젝트에 대응하는 상품의 재질을 나타내는 속성 태그, 및/또는 오브젝트에 대응하는 상품의 소매 길이를 나타내는 속성 태그를 출력하도록 학습된 것일 수 있다.
S330단계 내지 S350단계는 도 8의 S150단계로서 수행될 수 있다. S330단계에서, 제 1 속성 태그들이 제 2 속성 태그들과 각각 매치되는지 여부가 판별된다. 만약 그렇다면 S340단계가 수행된다. 만약 그렇지 않다면 S350단계가 수행된다. S340단계 및 S350단계는 도 9의 S240단계 및 S250단계와 각각 마찬가지로 수행된다.
도 11은 도 4의 검증 데이터 제공 장치를 구현하기에 적합한 컴퓨터 장치의 실시 예를 보여주는 블록도이다.
도 11을 참조하면, 컴퓨터 장치(1000)는 버스(1100), 적어도 하나의 프로세서(1200), 시스템 메모리(1300), 스토리지 인터페이스(I/F)(1400), 통신 인터페이스(1500), 저장 매체(1600), 및 통신기(1700)를 포함한다.
버스(1100)는 컴퓨터 장치(1000)의 다양한 구성 요소들에 연결되어 데이터, 신호, 및 정보를 전달한다. 프로세서(1200)는 범용 혹은 전용 프로세서 중 어느 하나일 수 있으며, 컴퓨터 장치(1000)의 제반 동작들을 제어할 수 있다.
프로세서(1200)는 실행될 때 다양한 기능들을 제공하는 프로그램 코드들 및 명령어들을 시스템 메모리(1300)에 로딩하고, 로딩된 프로그램 코드들 및 명령어들을 처리하도록 구성된다. 시스템 메모리(1300)는 프로세서(1200)의 워킹 메모리로서 제공될 수 있다. 실시 예로서, 시스템 메모리(1300)는 램(Random Access Memory, RAM), 롬(Read Only Memory, ROM), 및 다른 타입의 컴퓨터에 의해 판독 가능한 매체 중 적어도 하나를 포함할 수 있다.
프로세서(1200)는 프로세서(1200)에 의해 실행될 때 도 4의 검증 데이터 제공 장치(210)의 기능들을 제공하는 검증 데이터 제공 모듈(1310)을 시스템 메모리(1300)에 로딩할 수 있다. 그러한 프로그램 코드들 및/또는 명령어들은 프로세서(1200)에 의해 실행되어 도 4를 참조하여 설명된 검증 데이터 제공 장치(210)의 기능들 및/또는 동작들을 수행할 수 있다. 그러한 기능들 및/또는 동작들을 수행하기 위해, 프로세서(1200)에 의해 실행되는 검증 데이터 제공 모듈(1310)은 스토리지 인터페이스(1400) 및 통신 인터페이스(1500)와 같은 컴퓨터 장치(1000)의 구성 요소들을 이용할 수 있다. 예를 들면, 검증 데이터 제공 모듈(1310) 중 도 4의 웹 페이지 인터페이스(211) 및 리뷰 항목 인터페이스(212)의 기능들을 수행하는 모듈들은 통신 인터페이스(1500) 및 통신기(1700)를 통해 도 1의 네트워크(50) 상 구성 요소들과 통신할 수 있다.
프로그램 코드들 및/또는 명령어들은 별도의 컴퓨터에 의해 판독 가능한 기록 매체인 저장 매체(1600)로부터 시스템 메모리(1300)에 로딩될 수 있다. 또는, 프로그램 코드들 및/또는 명령어들은 컴퓨터 장치(1000)의 외부로부터 통신기(1700)을 통해 시스템 메모리(1300)에 로딩될 수도 있다. 이 밖에도, 시스템 메모리(1300)는 검증 데이터 제공 모듈(1310)를 위한 버퍼 메모리로서 기능할 수 있다. 예를 들면, 시스템 메모리(1300)는 도 4의 메모리(220)로서 제공될 수 있다.
도 11에서, 시스템 메모리(1300)는 프로세서(1200)와 구분된 구성으로 도시되어 있으나, 시스템 메모리(1300)의 적어도 일부는 프로세서(1200)에 포함될 수도 있다. 시스템 메모리(1300)는 실시 예들에 따라 물리적 및/또는 논리적으로 서로 분리된 복수의 메모리들로서 제공될 수 있다.
스토리지 인터페이스(1400)는 저장 매체(1600)에 연결된다. 스토리지 인터페이스(1400)는 버스(1100)에 연결된 프로세서(1200) 및 시스템 메모리(1300)와 같은 구성 요소들과 저장 매체(1600) 사이를 인터페이싱할 수 있다. 통신 인터페이스(1500)는 통신기(1700)에 연결된다. 통신 인터페이스(1500)는 버스(1100)에 연결된 구성 요소들과 통신기(1700) 사이를 인터페이싱할 수 있다.
실시 예들에서, 버스(1100), 프로세서(1200), 및 시스템 메모리(1300)는 하나의 보드(1050)에 통합될 수 있다. 예를 들면, 버스(1100), 프로세서(1200), 및 시스템 메모리(1300)는 하나의 반도체 칩에 실장될 수 있다. 실시 예들에서, 보드(1050)는 스토리지 인터페이스(1400) 및 통신 인터페이스(1500)를 더 포함할 수 있다.
저장 매체(1600)는 전원이 차단되더라도 저장된 데이터를 유지하는 다양한 타입들의 불휘발성 저장 매체들, 예를 들면 플래시 메모리(flash memory), 하드 디스크(hard disk) 등을 포함할 수 있다.
통신기(1700, 혹은 트랜시버)는 네트워크(50)를 통해 컴퓨터 장치(1000)와 네트워크 시스템(100, 도 1 참조) 내 다른 장치들 및/또는 서버들 사이의 신호들을 송수신할 수 있다.
도 12는 도 11의 컴퓨터 장치와 통신할 수 있는 클라이언트 서버를 보여주는 블록도이다.
도 12를 참조하면, 클라이언트 서버(2000)는 도 11의 컴퓨터 장치(1000)와 네트워크(50, 도 1 참조)를 통해 연결될 수 있다. 컴퓨터 장치(1000)에 의해 실행되는, 응용 애플리케이션과 같은 컴퓨터 프로그램은 클라이언트 서버(2000)로부터 제공될 수 있다. 도 12를 참조하면, 클라이언트 서버(2000)는 통신기(2100), 프로세서(2200), 및 데이터베이스(2300)를 포함할 수 있다. 통신기(2100)는 네트워크(50)를 통해 컴퓨터 장치(1000)와 통신할 수 있다. 데이터베이스(2300)는 컴퓨터 장치(1000) 및/또는 도 11의 프로세서(1200)에 의해 실행될 수 있는 컴퓨터 프로그램, 예를 들면 도 11의 검증 데이터 제공 모듈(1310) 혹은 그 설치 파일을 저장할 수 있다. 데이터베이스(2300)는 플래시 메모리, 하드 디스크, 멀티미디어 카드 등과 같은 불휘발성 저장 매체들 중 적어도 하나로 구현될 수 있다.
프로세서(2200)는 컴퓨터 장치(1000)로부터의 요청에 응답하여, 데이터베이스(2300)에 저장된 컴퓨터 프로그램을 통신기(2100)를 통해 컴퓨터 장치(1000)에 제공할 수 있다. 컴퓨터 프로그램은 컴퓨터 장치(1000)에 설치되어 실행될 수 있다.
비록 특정 실시 예들 및 적용 례들이 여기에 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정들 및 변형들이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
111~11k: 제 1 내지 제 k 사용자 단말기
120: 쇼핑몰 서버
210: 검증 데이터 제공 장치
213: 리뷰 검증기
214: 상품 영역 검출부
215: 특징 데이터 생성부
216: 이미지 검증부
220: 메모리
230: 사용자 포인트 관리기
120: 쇼핑몰 서버
210: 검증 데이터 제공 장치
213: 리뷰 검증기
214: 상품 영역 검출부
215: 특징 데이터 생성부
216: 이미지 검증부
220: 메모리
230: 사용자 포인트 관리기
Claims (16)
- 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 방법에 있어서:
상기 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목에 액세스하되, 상기 리뷰 항목은 이미지와 텍스트를 포함하는, 단계;
상기 리뷰 항목의 상기 이미지로부터 적어도 하나의 타겟 오브젝트를 감지하는 단계;
상기 감지된 타겟 오브젝트를 프로세싱하여 제 1 특징 데이터를 생성하는 단계;
상기 쇼핑몰 웹 페이지에 포함된 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트에 대응하는 제 2 특징 데이터를 생성하는 단계; 및
상기 제 1 특징 데이터를 상기 제 2 특징 데이터와 비교함으로써 상기 리뷰 항목에 대한 검증의 결과를 나타내는 검증 데이터를 제공하는 단계를 포함하는 방법. - 제 1 항에 있어서,
상기 제 1 특징 데이터를 생성하는 단계는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트의 디자인과 연관된 적어도 하나의 제 1 특징 벡터를 생성하는 단계를 포함하며,
상기 제 2 특징 데이터를 생성하는 단계는 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트의 디자인과 연관된 적어도 하나의 제 2 특징 벡터를 생성하는 단계를 포함하고,
상기 제 1 특징 데이터는 상기 제 1 특징 벡터를 포함하고, 상기 제 2 특징 데이터는 상기 제 2 특징 벡터를 포함하는 방법. - 제 2 항에 있어서,
상기 검증 데이터를 제공하는 단계에서, 상기 제 1 특징 벡터가 상기 제 2 특징 벡터와 매치되는지 여부에 따라, 상기 검증 데이터는 상기 리뷰 항목에 대한 상기 검증이 패스됨을 나타내는 방법. - 제 2 항에 있어서,
상기 제 1 특징 벡터 및 상기 제 2 특징 벡터 각각은, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트의 디자인과 연관된 적어도 하나의 특징 벡터를 출력하도록 학습된 인공지능 모델을 이용하여 생성되는 방법. - 제 1 항에 있어서,
상기 제 1 특징 데이터를 생성하는 단계는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트에 대응하는 상품의 속성과 연관된 제 1 속성 태그들을 생성하는 단계를 포함하며,
상기 제 2 특징 데이터를 생성하는 단계는 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트에 대응하는 상품의 속성과 연관된 제 2 속성 태그들을 생성하는 단계를 포함하고,
상기 제 1 특징 데이터는 상기 제 1 속성 태그들을 포함하며, 상기 제 2 특징 데이터는 상기 제 2 속성 태그들을 포함하는 방법. - 제 5 항에 있어서,
상기 검증 데이터를 제공하는 단계에서, 상기 제 1 속성 태그들이 상기 제 2 속성 태그들과 매치되는지 여부에 따라, 상기 검증 데이터는 상기 리뷰 항목에 대한 검증이 패스됨을 나타내는 방법. - 제 5 항에 있어서,
상기 제 1 속성 태그들 및 상기 제 2 속성 태그들 각각은, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트에 대응하는 상품의 속성을 나타내는 속성 태그들을 출력하도록 학습된 인공지능 모델을 이용하여 생성되는 방법. - 제 1 항에 있어서,
상기 검증 데이터에 기반하여 상기 사용자 아이디에 보상을 제공하는 단계를 더 포함하는 방법. - 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 컴퓨터 장치에 있어서:
상기 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목에 액세스하도록 구성되는 제 1 인터페이스; 및
상기 제 1 인터페이스를 통해 상기 리뷰 항목을 획득하도록 구성되는 프로세서를 포함하며,
상기 리뷰 항목은 이미지와 텍스트를 포함하고,
상기 프로세서는,
상기 리뷰 항목의 상기 이미지로부터 적어도 하나의 타겟 오브젝트를 감지하고,
상기 감지된 타겟 오브젝트를 프로세싱하여 제 1 특징 데이터를 생성하고,
상기 제 1 특징 데이터를 상기 쇼핑몰 웹 페이지에 포함된 기준 오브젝트에 대응하는 제 2 특징 데이터와 비교함으로써 상기 리뷰 항목을 검증하고, 상기 검증의 결과를 나타내는 검증 데이터를 제공하도록 구성되는 컴퓨터 장치. - 제 9 항에 있어서,
상기 프로세서는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트의 디자인과 연관된 적어도 하나의 제 1 특징 벡터를 생성하고, 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트의 디자인과 연관된 적어도 하나의 제 2 특징 벡터를 생성하도록 구성되며,
상기 제 1 특징 데이터는 상기 제 1 특징 벡터를 포함하고, 상기 제 2 특징 데이터는 상기 제 2 특징 벡터를 포함하는 컴퓨터 장치. - 제 10 항에 있어서,
상기 프로세서는 상기 제 1 특징 벡터가 상기 제 2 특징 벡터와 매치되는지 여부에 따라 상기 검증 데이터가 상기 리뷰 항목에 대한 상기 검증이 패스됨을 나타내도록 제공하는 컴퓨터 장치. - 제 10 항에 있어서,
상기 프로세서는 상기 제 1 특징 벡터 및 상기 제 2 특징 벡터 각각을, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트의 디자인과 연관된 적어도 하나의 특징 벡터를 출력하도록 학습된 인공지능 모델을 이용하여 생성하도록 구성되는 컴퓨터 장치. - 제 9 항에 있어서,
상기 프로세서는 상기 타겟 오브젝트를 프로세싱하여 상기 타겟 오브젝트에 대응하는 상품의 속성과 연관된 제 1 속성 태그들을 생성하고, 상기 기준 오브젝트를 프로세싱하여 상기 기준 오브젝트에 대응하는 상품의 속성과 연관된 제 2 속성 태그들을 생성하도록 구성되며,
상기 제 1 특징 데이터는 상기 제 1 속성 태그들을 포함하며, 상기 제 2 특징 데이터는 상기 제 2 속성 태그들을 포함하는 컴퓨터 장치. - 제 13 항에 있어서,
상기 프로세서는 상기 제 1 속성 태그들이 상기 제 2 속성 태그들과 매치되는지 여부에 따라 상기 검증 데이터가 상기 리뷰 항목에 대한 검증이 패스됨을 나타내도록 제공하는 컴퓨터 장치. - 제 13 항에 있어서,
상기 프로세서는 상기 제 1 속성 태그들 및 상기 제 2 속성 태그들 각각을, 이미지가 입력되면 상기 입력된 이미지 내 오브젝트에 대응하는 상품의 속성을 나타내는 속성 태그들을 출력하도록 학습된 인공지능 모델을 이용하여 생성하도록 구성되는 컴퓨터 장치. - 컴퓨터 프로그램을 저장하는, 컴퓨터 장치에 의해 판독 가능한 저장 매체에 있어서:
상기 컴퓨터 장치는 쇼핑몰 웹 페이지와 연관하여 사용자 아이디에 의해 작성된 리뷰 항목에 액세스하도록 구성되고,
상기 리뷰 항목은 이미지와 텍스트를 포함하며,
상기 컴퓨터 프로그램은 상기 컴퓨터 장치에 의해 실행될 때,
상기 리뷰 항목의 상기 이미지로부터 적어도 하나의 타겟 오브젝트를 감지하고;
상기 감지된 타겟 오브젝트를 프로세싱하여 제 1 특징 데이터를 생성하고;
상기 제 1 특징 데이터를 상기 쇼핑몰 웹 페이지에 포함된 기준 오브젝트에 대응하는 제 2 특징 데이터와 비교함으로써 상기 리뷰 항목을 검증하고, 상기 검증의 결과를 나타내는 검증 데이터를 제공하기 위한 명령어들을 포함하는 저장 매체.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210060127A KR20220152778A (ko) | 2021-05-10 | 2021-05-10 | 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 장치 및 방법 |
| JP2022076701A JP2022174013A (ja) | 2021-05-10 | 2022-05-06 | ショッピングモールウェブページに関連づけられたデータを提供する装置、記録媒体、プログラムおよび方法 |
| US17/740,359 US20220358572A1 (en) | 2021-05-10 | 2022-05-10 | Device and method to provide data associated with shopping mall web page |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210060127A KR20220152778A (ko) | 2021-05-10 | 2021-05-10 | 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220152778A true KR20220152778A (ko) | 2022-11-17 |
Family
ID=83901458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210060127A KR20220152778A (ko) | 2021-05-10 | 2021-05-10 | 쇼핑몰 웹 페이지와 연관된 데이터를 제공하는 장치 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220358572A1 (ko) |
| JP (1) | JP2022174013A (ko) |
| KR (1) | KR20220152778A (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454142B (zh) * | 2023-12-26 | 2024-04-16 | 北京奇虎科技有限公司 | 数据生成方法、装置、存储介质以及电子设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014081770A (ja) * | 2012-10-16 | 2014-05-08 | Sony Corp | 端末装置、端末制御方法、情報処理装置、情報処理方法、およびプログラム |
| CN105095181B (zh) * | 2014-05-19 | 2017-12-29 | 株式会社理光 | 垃圾评论检测方法及设备 |
| CA2985892A1 (en) * | 2015-05-12 | 2016-11-17 | Pinterest, Inc. | Matching user provided representations of items with sellers of those items |
| JP2019109709A (ja) * | 2017-12-18 | 2019-07-04 | 株式会社東芝 | 画像処理装置、画像処理方法およびプログラム |
| JP2020126539A (ja) * | 2019-02-06 | 2020-08-20 | フリュー株式会社 | 管理装置、管理装置の制御方法、プログラムおよび記録媒体 |
| KR20200120493A (ko) * | 2019-04-11 | 2020-10-21 | 주식회사 인덴트코퍼레이션 | 제휴 쇼핑몰 연동 기반 인공지능 챗봇을 이용한 리뷰 관리 서비스 제공 방법 및 시스템 |
| WO2020240834A1 (ja) * | 2019-05-31 | 2020-12-03 | 楽天株式会社 | 不正推定システム、不正推定方法、及びプログラム |
| JP6909544B2 (ja) * | 2019-09-27 | 2021-07-28 | 株式会社ファーストリテイリング | コーディネート支援サーバ及びコーディネート支援システム |
-
2021
- 2021-05-10 KR KR1020210060127A patent/KR20220152778A/ko not_active Application Discontinuation
-
2022
- 2022-05-06 JP JP2022076701A patent/JP2022174013A/ja active Pending
- 2022-05-10 US US17/740,359 patent/US20220358572A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20220358572A1 (en) | 2022-11-10 |
| JP2022174013A (ja) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200302340A1 (en) | Systems and methods for learning user representations for open vocabulary data sets | |
| CN111353091A (zh) | 信息处理方法、装置、电子设备及可读存储介质 | |
| CN112732911A (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
| CN111368789B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| KR20190048004A (ko) | 기계 학습 기반의 이상 행위 탐지 방법 및 그 장치 | |
| CN112541124A (zh) | 生成多任务模型的方法、装置、设备、介质及程序产品 | |
| CN110473042B (zh) | 用于获取信息的方法及装置 | |
| CN115841366B (zh) | 物品推荐模型训练方法、装置、电子设备及存储介质 | |
| CN110598084A (zh) | 对象排序方法、商品排序方法、装置及电子设备 | |
| KR20190075277A (ko) | 콘텐트 검색을 위한 방법 및 그 전자 장치 | |
| US20220358572A1 (en) | Device and method to provide data associated with shopping mall web page | |
| CN113240177B (zh) | 训练预测模型的方法、预测方法、装置、电子设备及介质 | |
| CN110909768A (zh) | 一种标注数据获取方法及装置 | |
| US20240144278A1 (en) | Systems and methods for fraud monitoring | |
| KR102152081B1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
| CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
| CN116862580A (zh) | 短信触达时间预测方法、装置、计算机设备及存储介质 | |
| US20230169364A1 (en) | Systems and methods for classifying a webpage or a webpage element | |
| CN115994331A (zh) | 基于决策树的报文分拣方法及装置 | |
| US20230004988A1 (en) | Systems and methods for utilizing feedback data | |
| KR20220151488A (ko) | 패션 트랜드와 연관된 데이터를 제공하기 위한 네트워크 서버 및 방법 | |
| CN116205700A (zh) | 目标产品的推荐方法、装置、计算机设备和存储介质 | |
| Khademi et al. | Dynamic gated graph neural networks for scene graph generation | |
| JP2021077206A (ja) | 学習方法、評価装置、及び評価システム | |
| CN115062230B (zh) | 数据处理方法、装置、设备、介质和程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |