KR20220163196A - 인공지능 기반 향수 추천 서비스 제공 시스템 - Google Patents

Abstract

인공지능 기반 향수 추천 서비스 제공 시스템이 제공되며, 향기지속력, 향수용량, 향의 스타일, 좋아하는 향료 및 향수 가격대를 입력받은 후 향수찾기 테스트 결과를 출력하고, 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송받은 후, 배송된 시향지에 뿌려진 향수 중 원하는 향수를 구매 및 결제하는 사용자 단말 및 향기지속력, 향수용량, 향의 스타일, 향료 및 향수 가격대를 향수와 매핑하여 저장하는 데이터베이스화부, 사용자 단말에서 입력한 선택 데이터를 질의어로 생성하여 결과 데이터를 출력하는 테스트부, 사용자 단말에서 입력한 배송지로 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송처리하는 배송부, 사용자 단말에서 향수를 선택하여 구매 및 결제하는 경우 발주처리하는 발주부를 포함하는 추천 서비스 제공 서버를 포함한다.

Description

인공지능 기반 향수 추천 서비스 제공 시스템{SYSTEM FOR PROVIDING ARITICIAIL INTELLIGENCE BASED SCENT PROFILING SERVICE}

본 발명은 인공지능 기반 향수 추천 서비스 제공 시스템에 관한 것으로, 향수 테스트를 통한 향수를 시향지에 담아 배송하고, 리뷰를 통하여 추천 프로파일을 업데이트하는 플랫폼을 제공한다.

최근 향수 시장은 많은 변화를 나타내고 있다. 2010년 초반까지만 하여도 고급 수입 향수 브랜드가 유통시장의 큰 비중을 차지하지 못했지만 국민들의 생활패턴이 변화하면서 2015년을 전후로 해서 백화점을 선두로 유통 시장에서 다양한 고급 수입 향수가 입점하고 있다. 이전에는 값 비싼 제품과 저렴한 가격대 제품의 중간에 위치한 가격대 제품을 합리적인 소비라고 여기며 구매했지만 지금은 아예 값싼 제품을 구매하거나 최상의 고급 제품을 구매하는 등 극단적인 하이브리드 소비 패턴을 나타내고 있다. 이는 향수 시장 또한 마찬가지로 고급 수입 향수 브랜드의 국내 수입 증가는 국내 소비자의 소비 성향 변화와 더불어 크게 성장하고 있는 추세이다. 이러한 소비 성향은 최근 들어 글로벌 시장에서도 보편화된 현상이며, 다양한 글로벌 화장품 브랜드나 패션회사는 마진 및 이윤추구가 높은 고급 향수를 중요한 아이템으로 취급하고 있다.

이때, 향수를 검색하거나 시향을 위한 샘플을 제공함으로써 구매유도를 하는 플랫폼이 연구 및 개발되었는데, 이와 관련하여 선행기술인 한국공개특허 제2019-0013256호(2019년02월11일 공개) 및 한국공개특허 제2006-0051446호(2006년05월19일 공개)에는, 사용자에게 향수에 대한 정확한 정보를 제공할 수 있도록, 향분석 데이터, 알콜농도 데이터, 계절별 데이터, 상황별 데이터 및 제품별 데이터를 데이터베이스화하고 다양한 검색어를 넣어 원하는 향수를 검색할 수 있도록 하는 구성과, 사용자에게 다양한 향수의 샘플을 제공하고 사용자가 자신의 취향에 맞는 상품을 최종적으로 구매할 수 있도록 구매를 유도하고, 제조사는 소비자의 신상정보나 샘플 대비 실제 구매율을 분석함으로써 소비자별 상품선호도나 제품시장반응을 역으로 추적하여 새로운 신상품 개발 및 마케팅 전략 수립에 참조할 수 있는 데이터베이스를 구축하는 구성을 각각 개시하고 있다.

다만, 상술한 구성 중 전자의 경우 키워드 검색의 맹점 중 하나로 자신이 검색할 검색어를 모르는 경우 이에 대응하는 정확한 결과가 나오지 않으므로 검색을 하기 위해서는 향수 관련 용어를 정확히 알아야 한다. 후자의 경우에도 샘플을 선택한 후 막상 자신이 상상했던 향과 다를 경우에는 샘플도 사용자가 구매를 해야 하는 상품이기 때문에 구매결정을 위한 비용이 결코 무시할 정도의 것이 아니다. 이에, 사용자가 원하는 향을 찾을 수 있도록 테스트를 진행하고, 테스트 결과로 나온 향수를 뿌린 시향지를 배송하며, 시향지에 뿌린 향수 중 원하는 향을 선택 및 구매할 수 있도록 최저가·정품 판매점과 중개하는 플랫폼의 연구 및 개발이 요구된다.

본 발명의 일 실시예는, 사용자가 원하는 향을 찾을 수 있도록 테스트를 진행하고, 테스트 결과로 나온 향수를 뿌린 시향지를 배송하며, 시향지에 뿌린 향수 중 원하는 향을 선택 및 구매할 수 있도록 최저가·정품 판매점과 중개할 수 있고, 리뷰 데이터를 수집하여 사용자가 선택했던 향과 실제 구매한 향 간의 차이가 발생한 경우, 이를 다시 추천을 위한 데이터로 피드백 및 이용함으로써 사용자가 생각하는 자신이 좋아하는 향과 실제 자신이 좋아하는 향 간의 차이를 줄여나가고, 리뷰 데이터의 공감 버튼을 통하여 협업 필터링 기반으로 유사한 향수를 추천할 수 있도록 하는, 인공지능 기반 향수 추천 서비스 제공 방법을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 향기지속력, 향수용량, 향의 스타일, 좋아하는 향료 및 향수 가격대를 입력받은 후 향수찾기 테스트 결과를 출력하고, 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송받은 후, 배송된 시향지에 뿌려진 향수 중 원하는 향수를 구매 및 결제하는 사용자 단말 및 향기지속력, 향수용량, 향의 스타일, 향료 및 향수 가격대를 향수와 매핑하여 저장하는 데이터베이스화부, 사용자 단말에서 입력한 선택 데이터를 질의어로 생성하여 결과 데이터를 출력하는 테스트부, 사용자 단말에서 입력한 배송지로 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송처리하는 배송부, 사용자 단말에서 향수를 선택하여 구매 및 결제하는 경우 발주처리하는 발주부를 포함하는 추천 서비스 제공 서버를 포함한다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 사용자가 원하는 향을 찾을 수 있도록 테스트를 진행하고, 테스트 결과로 나온 향수를 뿌린 시향지를 배송하며, 시향지에 뿌린 향수 중 원하는 향을 선택 및 구매할 수 있도록 최저가·정품 판매점과 중개할 수 있고, 리뷰 데이터를 수집하여 사용자가 선택했던 향과 실제 구매한 향 간의 차이가 발생한 경우, 이를 다시 추천을 위한 데이터로 피드백 및 이용함으로써 사용자가 생각하는 자신이 좋아하는 향과 실제 자신이 좋아하는 향 간의 차이를 줄여나가고, 리뷰 데이터의 공감 버튼을 통하여 협업 필터링 기반으로 유사한 향수를 추천할 수 있도록 한다.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 향수 추천 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 추천 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 인공지능 기반 향수 추천 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반 향수 추천 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.

본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 향수 추천 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 인공지능 기반 향수 추천 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 추천 서비스 제공 서버(300), 적어도 하나의 판매자 단말(400)을 포함할 수 있다. 다만, 이러한 도 1의 인공지능 기반 향수 추천 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.

이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 추천 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 추천 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 판매자 단말(400)과 연결될 수 있다. 또한, 적어도 하나의 판매자 단말(400)은, 네트워크(200)를 통하여 추천 서비스 제공 서버(300)와 연결될 수 있다.

여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.

적어도 하나의 사용자 단말(100)은, 인공지능 기반 향수 추천 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 사용자에게 맞는 향수를 찾기 위한 테스트를 진행하는 단말일 수 있다. 그리고, 사용자 단말(100)은 테스트 결과로 추출된 적어도 하나의 향수가 뿌려진 시향지의 배송을 신청하는 단말일 수 있다. 또한, 사용자 단말(100)은, 시향지에 뿌려진 향수에 대한 리뷰 데이터를 남기는 단말일 수 있고, 시향지에 뿌려진 향수 중 원하는 향수를 주문 및 결제하는 단말일 수 있다.

여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

추천 서비스 제공 서버(300)는, 인공지능 기반 향수 추천 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 추천 서비스 제공 서버(300)는, 향기지속력, 향수용량, 향의 스타일, 향료 및 향수 가격대를 데이터베이스화하는 서버일 수 있다. 또한, 추천 서비스 제공 서버(300)는, 사용자 단말(100)에서 선택한 향기지속력, 향수용량, 향의 스타일, 좋아하는 향료 및 향수 가격대에 따라 추출된 향수를 사용자 단말(100)로 추천하는 서버일 수 있다. 그리고, 추천 서비스 제공 서버(300)는, 사용자 단말(100)에서 시향지를 신청하는 경우 사용자가 원하는 향수를 뿌린 시향지를 배송지로 배송시키고, 사용자 단말(100)에서 시향지에 뿌려진 향수에 대한 리뷰 데이터를 남기는 경우, 이를 반영하여 추천 결과를 재조정하거나 보정하는 서버일 수 있다. 또한, 추천 서비스 제공 서버(300)는, 사용자 단말(100)에서 향수를 구매하고자 하는 경우, 최저가 및 정품을 판매하는 적어도 하나의 판매자 단말(400)로 발주처리를 하거나 중개를 하는 서버일 수 있다.

여기서, 추천 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.

적어도 하나의 판매자 단말(400)은, 인공지능 기반 향수 추천 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하거나 이용하지 않고 추천 서비스 제공 서버(300)로부터 발주처리를 받아 배송 프로세스를 시작하는 판매자의 단말일 수 있다.

여기서, 적어도 하나의 판매자 단말(400)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 판매자 단말(400)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 판매자 단말(400)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

도 2는 도 1의 시스템에 포함된 추천 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 인공지능 기반 향수 추천 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.

도 2를 참조하면, 추천 서비스 제공 서버(300)는, 데이터베이스화부(310), 테스트부(320), 배송부(330), 발주부(340), 개인화부(350), 보정연결부(360), 인공지능부(370), 클라우드부(380), 말뭉치부(390) 및 클러스터부(391)를 포함할 수 있다.

본 발명의 일 실시예에 따른 추천 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100) 및 적어도 하나의 판매자 단말(400)로 인공지능 기반 향수 추천 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100) 및 적어도 하나의 판매자 단말(400)은, 인공지능 기반 향수 추천 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100) 및 적어도 하나의 판매자 단말(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.

도 2를 참조하면, 데이터베이스화부(310)는, 향기지속력, 향수용량, 향의 스타일, 향료 및 향수 가격대를 향수와 매핑하여 저장할 수 있다. 향기지속력은, 오데코롱(Eau de Cologne), 오드뚜왈렛(Eau de Toilette), 오드퍼퓸(Eau de Perfume), 퍼퓸(Perfume)을 포함하고, 향수용량은, 15ml, 30ml, 50ml, 75ml, 100ml 및 100ml 초과를 포함하고, 향의 스타일은, 포근한, 차분한, 따뜻한, 순수한, 관능적인, 화려한, 발랄한, 귀여운, 사랑스러운, 몽환적인, 황홀한, 환상적인, 신비로운, 젠틀한, 클래식한, 깊이있는, 세련된, 우아한, 도시적인, 모던한, 산뜻한, 시원한, 활기찬, 강렬한, 파워풀한, 존재감있는 및 대담한 스타일을 포함하고, 향료는, 프루티(Fruity), 플로럴(Floral), 알데하이드(Aldehyde), 우디(Woody), 애니멀(Animal), 발삼(Balsam), 스파이시(Spicy), 레더(Leather), 아로마틱(Aromatic), 아쿠아틱(Aquatic) 및 시프레(Chypre)를 포함할 수 있다. 물론, 항료나 스타일의 종류는 상술한 것들로 한정되지 않으며 나열되지 않은 이유로 배제되지 않는다.

테스트부(320)는, 사용자 단말(100)에서 입력한 선택 데이터를 질의어로 생성하여 결과 데이터를 출력할 수 있다. 사용자 단말(100)은, 향기지속력, 향수용량, 향의 스타일, 좋아하는 향료 및 향수 가격대를 입력받은 후 향수찾기 테스트 결과를 출력할 수 있다. 이미 데이터베이스화부(310)에서 각 파라미터와 향수가 매핑되어 있기 때문에 이를 찾는 과정은 간단히 이루어질 수 있다.

배송부(330)는, 사용자 단말(100)에서 입력한 배송지로 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송처리할 수 있다. 사용자 단말(100)은, 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송받은 후, 배송된 시향지에 뿌려진 향수 중 원하는 향수를 구매 및 결제할 수 있다. 이때 배송부(330)는 추천 테스트를 통해 나온 향수만을 시향지에 뿌려 배송하는 것이 아니라, 사용자가 원하는 향수를 시향지에 뿌려 배송하는 것도 가능하다.

이때, 시향지는 테스트 결과로 추출된 향수가 뿌려진 시향지 이외에도, 사용자가 향료와 향을 연결시킬 수 있도록 적어도 하나의 향료가 뿌려진 시향지를 포함할 수 있다. 후술하겠지만, 조향사와 같은 전문가가 아닌 한, 탑 노트, 미들 노트, 베이스 노트 등의 용어나, 각 향을 나타내는 단어나 다중감각어를 잘 알지 못한다. 만약 이 단어나 용어를 안다고 할지라도, 정확하게 [단어(키워드/검색어)-향]을 매칭시키는 경우는 드물다. 예를 들어, 사용자 A는 머스크 향을 좋아한다고 생각했는데, 실제로 맡아보니 자신이 생각했던 머스크 향과 실제 맡은 머스크 향은 서로 다를 수 있다. 이렇게 사용자가 인식한 [단어-향]이 실제의 [단어-향]이 일치하지 않는 경우가 많기 때문에, 시향지에 가장 베이스가 되는 향들과 단어를 사용자가 인지할 수 있도록 제공하는 것도 가능하다. 이렇게 사용자가 잘못 인지하여 실제 단어와 향이 일치하지 않는 경우를 보정연결부(360)에서 보정하는데, 이는 후술할 보정연결부(360)에서 설명한다.

발주부(340)는, 사용자 단말(100)에서 향수를 선택하여 구매 및 결제하는 경우 발주처리할 수 있다. 적어도 하나의 판매자 단말(400)은, 발주부(340)에서 발주처리한 향수를 사용자 단말(100)의 배송지로 배송처리할 수 있다.

개인화부(350)는, 사용자 단말(100)로 시향지를 배송한 후, 사용자 단말(100)로부터 봄, 여름, 가을 및 겨울을 포함하는 계절 태그 중 어느 하나를 선택하도록 하고, 시향지에 뿌려진 향수의 별점을 선택받으며, 적어도 하나의 향 스타일 태그 중 적어도 하나를 선택받고, 적어도 하나의 향료 중 사용자가 가장 많이 느낀 향을 선택하도록 할 수 있다. 이때에는 단순히 포함된 향료를 나열하는 것이 아니라 사용자가 어떠한 향이 가장 많이 느껴지는지를 파악하기 위함이다.

개인화부(350)는, 시향과 사용후기, 계절과 성별, 키워드, 공감 및 위시리스트를 최대한 활용할 수 있다. 계절과 성별은, 향수에 있어서 굉장히 유의미한 데이터이다. 향수는 실제로 향의 무게나 향의 전체적인 느낌에 따라 계절이나 성별에 대한 데이터가 유의미한 의미를 가지고 있다. 계절 데이터는, 리뷰 데이터에서 실제 향을 맡아본 사람들이 선택한 4 계절의 결과를 수치화하여 그래프로 보여주고, 사용자의 데이터를 바탕으로 인공지능 알고리즘에 계절 항목도 포함할 수 있다. 성별 데이터는, 가입자들의 성별을 토대로 리뷰를 남기면 자동으로 각 성별의 수치 데이터에 포함이 되어 그래프로 보여줄 수 있고, 이후 다른 사용자들이 참고할 수 있는 자료가 된다. 키워드는, 추천 항목 중, 스타일 부분에 있는 모든 키워드가 추천으로 출력될 수 있고, 사용자는 그 중에서 선택이 가능하며 기호에 따라 자신이 키워드를 생성하는 것 또한 가능하다. 이후, 데이터로 누적하여 각 향수에 대한 추천의 정확도를 높일 수 있다. 또, 사용자는 다른 사람의 후기에 공감 버튼을 누를 수 있으며, 공감 버튼을 누르면 후기 작성자 비슷한 취향을 가진 것으로 파악하여 후기 작성자의 관심 향수를 추천할 수 있다.

부가적으로, 다이어리 기능이 더 포함될 수 있는데, 사용자 입장에서는 자신이 작성한 리뷰를 한 번에 모아둘 수 있고, 개발자 입장에서는, 각 사용자의 취향을 한 번에 확인이 가능하므로 추천을 제공하기 용이하다. 프로세스는 첫 단계로 각 사용자가 자신이 맡아본 향수 및 구매해서 사용해본 향수를 마이페이지 내 다이어리에 전부 업로드한다. 두 번째 단계로, 업로드 된 향수 데이터를 확인하고 같은 향수나 비슷한 향수를 사용하는 사용자끼리 매칭을 시켜준다. 이때, 메인화면->다이어리 페이지 내에서 볼 수 있도록 한다. 세 번째 단계로, 서로가 사용하는 다른 향수들을 확인할 수 있고, 다른 사람의 실제 후기를 통해 자신에게 맞는 향수를 찾을 수 있다.

보정연결부(360)는, 사용자 단말(100)로부터 개인화부에서 선택받은 리뷰 데이터를 기반으로, 시향지에 뿌려진 향수에 기 저장된 계절 태그, 향 스타일 태그 및 향료와, 리뷰 데이터 내 사용자 단말(100)에서 선택한 계절 태그, 향 스타일 태그 및 향료가 다른 경우, 리뷰 데이터를 기 저장된 계절 태그, 향 스타일 태그 및 향료와 연결되도록 매핑하여 저장할 수 있다. 만약, 베이스노트(Middle Note)가 우디(Woody) 및 오리엔탈인데, 사용자는 베이스노트에서 오리엔탈이 많이 느껴졌다고 하면 사용자는 오리엔탈에 민감하다는 뜻이다. 또, B 향수의 C 향이 여름에 적합하다고 대중적으로 알려져있지만, 사용자는 C 향이 가을에 적합하다고 생각한다면, 사용자에게는 [C 향-가을]이 정답인 것이므로, 이후에 사용자가 가을 태그를 선택하면, C 향이 포함된 향수를 추천해주어야 한다. 이렇게 대중적으로 알려진 정보와 사용자가 후각적으로 다중감각을 느끼는 정보의 불일치를 바로잡아주어야 사용자에게 적합한 추천이 가능해진다. 이에 따라, [C 향 - (가을->여름)]와 같이 저장해두고, 이후 사용자가 잘못된 질의를 하더라도 보정을 통하여 제대로 된 검색 결과를 도출할 수 있도록 한다.

인공지능부(370)는, 복수의 사용자 단말(100)에서 기재한 향수의 리뷰 데이터를 평점, 계절 및 성별로 분류하여 시각화된 그래프로 제시하고, 사용자 단말(100)에서 리뷰 데이터 중 어느 하나의 리뷰 데이터에 공감 버튼을 선택한 경우, 어느 하나의 리뷰 데이터를 작성한 사용자와 공감 버튼을 선택한 사용자의 취향은 유사한 것으로 판단하는 협업 필터링 알고리즘을 적용하여 추천 향수를 리스트업할 수 있다. 이때, 사용자 단말(100)의 사용자는 서로 다른 주체에 귀속된 복수의 사용자 단말(100)일 수 있다.

협업 필터링(Collaborative Filtering) 알고리즘을 실행할 수 있다. 이때, 협업 필터링 알고리즘은, 사용자 기반(User-Based) 또는 아이템 기반(Item-Based)의 콘텐츠 기반(Contents-Based) 필터링으로 대체가능하다. 즉, 개인화 맞춤형 추천을 위해 아이템 기반 협업 필터링(Item-based Collaborat ive Filtering)을 사용할 수 있다. 아이템 기반 방식은 사용자 기반 협업 필터링(User-based Collaborative Filtering)의 개선된 방법이다. 두 방법은 잠재적 사용자 예측에 사용되는 유사도(Similarity)를 계산하는 부분이 사용자인가, 아이템인가에 따라 다르다. 단순히 사용자를 비교하는 사용자 기반 협업 필터링의 단점은 신규 유저에게 추천 정확도가 떨어지고 장기간 사용자의 경우 분산된 선호도를 갖는 경향이 있다는 것이다. 반면에 아이템 기반 협업 필터링은 사용자가 선택한 아이템과 비슷한 아이템을 참조하는 방법으로 사용자 기반 협업 필터링의 단점을 극복할 수 있다.

우선, 사용자는 본인의 선호도에 가장 적합한 클러스터를 찾기 위해 원하는 속성의 값 또는 범위를 시스템에 입력할 수 있다. 정보 기입이 끝난 속성들은 가공되지 않은 상태인데, 유사도 측정을 위해서는 표준화가 필요하다. 두 번째로, 속성(Attributes) 대조 및 표준화 과정이 필요한데, 시스템 내에는 다른 사용자들의 정보가 모두 저장되어 있다. 사용자의 요구사항과 각 다른 사용자들의 정보를 대조하여 유사도를 판단하는데, 이때 유클리디안 거리를 이용하여 각 속성의 값을 0과 1 사이의 값으로 표준화를 시행한 후 대조할 수 있다. 속성이 이산적인지 연속적인지에 따라 차등화 된 방법을 적용한다.

i) 이산적인 속성에는 나이, 성별 등이 있다. 이산적인 속성의 유사도(Similarity)는 사용자가 원하는 범위 내의 포함 유무에 따라 0 또는 1의 값으로 정해진다. 사용자가 원하는 범위 내에 포함이 된다면, 범위 내 값들은 수치적으로 구분할 필요가 없다. 그렇기에 범위 내의 포함 유무만을 고려하여 유사도를 측정한다. 측정된 이산적인 속성의 유사도는 연속적인 속성의 유사도 값과 표현의 통일을 위해 유클리디안 거리 형태로 표현한다. 예를 들어, 사용자 a와 다른 사용자 b가 속성(Attribute) n 개를 가지고 있고 이 속성은 모두 이산이라고 가정하자. 여기서의 목적은 0 또는 1로 구해지는 유사도를 통일성을 위해 유클리디안 거리로 표현하는 것이다. 각 이산 속성들의 값은 0 또는 1이기 때문에 유클리디안 거리는 일치 시 0, 그렇지 않으면 1이다. a와 b의 각 속성(at)들의 유클리디안 거리의 합은 이하 수학식 1과 같다.

ii) 연속적인 속성에는 거리 등이 있다. 연속적인 속성은 사용자가 원하는 범위 내에 포함되는 속성값끼리 동등하지 않다. 범위 내에 속한 값들을 수치적으로 구분해야 한다. 또한 이산적인 속성과의 형평성을 위해 연속적인 속성들은 0과 1사이의 값을 가져야 한다. 따라서 연속적인 속성의 사용자가 원하는 허용 범위 내에 포함되는 값들은 0과 1 사이의 차등 된 값을 가지게 한다. 연속적인 속성 값들을 표준화하기 위해 유클리디안 거리(Euclidean Distance)를 사용한다. 속성값 val을 가진 이산적인 속성의 유클리디안 거리는 다음 공식을 통해 구할 수 있다. 이때, D_ER의 값은 0 이상 1 이하의 값이다.

세 번째 단계로 다른 사용자-사용자의 유사도를 측정한다. 두 번째 단계에서 구한 유클리디안 거리를 이용하여 다른 사용자, 사용자의 각 속성 간 유사도를 측정한다. 유클리디안 거리는 0에 가까울수록 더욱 밀접한 유사도를 가진다. 따라서 각 속성의 유사도 점수는 1에서 유클리디안 거리를 뺀 값으로 한다. 만일 각 속성이 불균등한 가중치를 가질 경우, 가중치를 부여한 유사도 값의 합을 총 유사도 값으로 정한다. 이산 속성의 경우 간단히 전체 이산 속성의 개수에 이산 속성들의 유클리디안 거리를 더한 값을 뺀다. 이때, 유사도(Similarity)는 S로 표기하며 이를 정리하면 이하 수학식 3과 같다.

네 번째 단계는, 다른 사용자 추천인데, 사용자와 모든 다른 사용자 사이에서 얻은 총 유사도 값들을 비교하여 내림차순으로 정렬하여 사용자에게 출력한다. 사용자는 수 많은 다른 사용자들 사이에서 본인의 요구사항에 맞는 맞춤 개인화 다른 사용자를 추천 받을 수 있다. 다섯 번째로 다른 사용자-다른 사용자 유사도 측정인데, 사용자가 특정 다른 사용자를 선택할 경우, 아이템 기반(Item-based)한 유사도 값을 측정하여 사용자가 선택한 다른 사용자와 유사도 값이 높은 다른 다른 사용자들을 사용자에게 추천한다. 추가로, 기존 방식에 평점을 도입하여 다른 필터링 후 사용자의 만족도에 따라 차등화 된 점수를 반영하도록 할 수 있다. 이를 이용하면 단순히 다른 필터링 시행 여부만으로 유사도를 구하는 방법보다 높은 정확도로 다른 사용자를 추천할 수 있다. 즉, 사용자에게 선택된 다른 사용자와 다른 다른 사용자들 간의 유사도 값을 구하고, 이 유사도 값을 내림차순으로 정렬하여 유사도 값이 가장 높은 순서대로 사용자에게 출력할 수 있다.

클라우드부(380)는, 리뷰 데이터로부터 키워드를 추출하여 워드클라우드(Word Cloud)를 생성하여 시각화할 수 있다. 워드클라우드(Word cloud)는 빅데이터 분석방법 중에서 대표적인 텍스트 마이닝 기법 중 하나이다. 빅데이터는 데이터의 정형화 정도에 따라 정형, 반정형, 비정형으로 분류가 되는데 이 중 고정된 필드에 저장되어 있지 않은 비정형 데이터를 추출하는 것은 매우 어렵다. 하지만 워드 클라우드는 빈도에 따라 문자의 크기를 결정함으로써 텍스트에서의 해당 키워드의 빈도를 직관적으로 보여줄 수 있도록 한 것이 특징이다.

여기서, 클라우드부(380)는, 클라우드와 같이 시각화 하는 것 이외에도 리뷰 데이터를 요약한 결과를 제공할 수도 있다. 이때, 리뷰가 다수일 경우 최근순, 평점순, 사진있는 리뷰 등으로 정렬을 할 수 있지만 모든 리뷰를 다 볼 시간은 없다. 문서 요약 기법을 이용하여 리뷰를 요약하여 제공해줄 수 있다. 이때 일반적인 문서 요약 기법들은 대부분 완결된 문서나 뉴스같이 요약을 하는데 있어 별도의 추가 정보가 필요하지 않는 경우를 전제로 했기 때문에 바로 적용이 어렵다. 왜냐하면 현실의 데이터들은 이렇게 양이 많지도, 질이 좋지도 않기 때문이다. 이에 따라, 양과 질이 좋지 않은 현실의 데이터들에 대해서도 추가 정보를 이용하여 문서요약을 생성할 수 있도록 한다. 인터넷의 다양한 텍스트 데이터들 중, 시설 리뷰들은 해당 제품에 대한 사용자의 평가와 유의미한 정보를 제공할 뿐만 아니라 향수가나 유치원에 관심이 있는 잠재적 고객의 등록 여부를 결정할 중요한 정보를 제공한다. 이때 일반적인 상향식 생성 요약 모델에 추가 지식정보를 위한 구조를 추가함으로써 대상 문서만을 입력으로 사용한 문서 요약 모델에서 고려하지 못했던 지식정보들을 포함한 요약을 생성하도록 할 수 있다.

<추가 정보 인코더>

추가 지식정보가 어떠한 방식으로 인코딩되고 기존 모델에 결합되는지 알아보도록 한다. 대상 문서와 더불어 추가 정보를 학습하고 활용하기 위해, 먼저 대상 문서와 같이 입력으로 들어오는 추가 지식 정보의 형식에 대해 정의한다. 입력으로 들어오는 추가 지식 정보는 고정된 항목들과 그 항목에 대한 텍스트들이 나열되어 있다고 가정한다. 또한 추가 지식 정보의 항목 수는 모든 대상 문서에 대해 다 같은 크기를 가지는 것으로 가정한다. 각 항목의 추가 지식 정보는 키(Key)와 값(Value)의 쌍인 (K, V)로 정의한다. K는 추가 지식정보의 항목이 가지는 개별적인 키이고, {k1, ..., kn} ∈ K를 만족하는 개별 키 ki들을 정의할 수 있다. 여기서 n은 추가 지식정보 항목의 숫자이다. V는 각 항목이 가지고 있는 추가 지식 정보 토큰들의 집합으로, 각 키에 들어가 있는 값들을 표현한다. 또한 키 ki에 포함된 추가 지식 정보 토큰들은 {vi1, ..., vim}으로 표현할 수 있다.

일반적인 키-값 메모리 네트워크((Key-Value Memory Networks)와는 다르게 추가 지식 정보 항목의 크기가 고정되어 있으므로 별도의 키 임베딩을 사용하지 않는다. 추가 지식 정보들의 토큰들 {vi1, ..., vim}을 각각 BoW(Bag-of-Words) 기법을 이용해 원-핫 벡터(One-hot vector) {xi1, ..., xim} 로 만든다. 그리고 이 벡터들을 값 임베딩 행렬(Value embedding matrix)를 통해 인코딩한다. 여기서 요약 문서의 입력 토큰과 추가 지식 정보들의 토큰은 같은 단어라고 하더라도 시멘틱(Semantic)이 다르다고 생각해서 임베딩 공간을 공유하지 않는 것으로 설계한다. 또한 별도의 미리 학습된 임베딩을 사용하지 않고 랜덤하게 초기화된 임베딩 행렬을 사용한다. 이러한 과정을 식으로 표현하면 이하 수학식 4와 같다.

여기서 ki'는 키 ki의 메모리 벡터(Memory vector)를 의미하고, A는 값을 임베딩하기 위한 행렬이다. 이를 통해 각각의 키 ki에 대한 메모리 벡터들을 생성할 수 있다. 여기서 생성한 메모리 벡터는 각 키들에 대응되는 추가지식 정보의 컨텍스트를 포함한 임베딩으로 볼 수 있다.

<기존 모델과 결합>

최근 널리 쓰이는 상향식 요약 모델(Bottom-up Abstractive Summarization)의 구조는 기본적인 시퀀스-투-시퀀스 모델에 상향식 주의 집중(Bottom-up Attention) 메커니즘과 복사 메커니즘을 적용한 모델이다. 이때, 복사 메커니즘은, 대상 문서에서 필요한 단어를 가져오기 위한 방법론이다. 복사 메커니즘을 사용하는 경우 복사 확률 분포는 이하 수학식 5와 같은 결합 확률 분포로 표현할 수 있다.

위의 결합 확률 분포는 zj 의 값에 따라 각 단계별로 요약을 위한 단어를 생성할지 아니면 대상 문서에서 복사를 할지에 대한 확률 값을 표현한다.

<추가 지식 정보 별 가중치 설정>

대상 문서에서 요약을 생성하기 위해 필요한 추가 지식 정보의 종류는 다를 것이다. 예를 들면, 향수가 가진 특성에 대한 리뷰라면 향수의 카테고리와 제목이 상대적으로 더 많은 정보를 가질 것이고, 향수에 대한 긍정/부정 평가를 포함한 리뷰라면 향수의 평점이 더 많은 정보를 가질 것으로 추측할 수 있다. 그러므로 대상 문서마다 각 지식 정보들을 얼마만큼 반영할 지를 정하는 구조가 필요하다. 대상 문서의 모든 입력이 끝나면, 인코더의 마지막 은닉 상태가 디코더에 전달된다. 이 은닉 상태는 요약 문서가 인코딩을 거쳐간 후 생성된 결과물로 입력 시퀀스의 정보가 내재되어 있는 벡터로 볼 수 있다. 일반적인 시퀀스-투-시퀀스 모델에서는 이 벡터를 디코더에 전달해서 요약을 생성한다. 본 발명의 일 실시예의 모델도 디코더에 전달하는 부분은 동일하지만, 입력 시퀀스의 정보가 내재되어 있다는 점을 이용해서 각 추가 지식 정보들의 가중치를 구하기 위해 사용한다.

먼저 벡터를 [은닉 상태 차원 크기]*[추가 지식 정보 항목의 종류 수] 크기의 전연결층(Fully Connected Layer)을 통과시킨다. 여기서 전연결층도 학습에 포함시켜서, 대상 문서에 따라 각 항목마다 얼마만큼 가중치를 부여할 지 결정한다. 이렇게 통과한 벡터에 대해 소프트맥스(Softmax) 함수를 이용해 정규화한다. 그리고 마지막으로 이렇게 분포화된 벡터를 가중치로 삼아 미리 인코딩된 추가 지식 정보 항목 벡터들에 대해 가중치 합 연산을 수행함으로써 하나의 벡터로 만든다. 이러한 구조를 통해 대상 문서마다 필요한추가 지식 정보들을 반영할 수 있도록 설계할 수 있다.

<추가 지식 정보 임베딩 결합>

이전 단계에서 인코딩된 추가 지식 정보 임베딩을 디코더에 결합해준다. 디코더의 은닉 유닛에 추가 지식 정보 임베딩(벡터)를 접합시킨다. 그리고 주의 집중 벡터의 차원도 같이 증가시켜서 단어 생성 확률 분포에 추가 지식 정보가 반영될 수 있도록 모델을 수정한다. 이러한 구조를 통해 추가 지식정보가 요약 생성에 영향을 주도록 모델을 설계할 수 있다.

말뭉치부(390)는, 복수의 사용자 단말(100)로부터 입력된 향의 스타일을 표현하는 단어를 수집하여 말뭉치(Corpus)를 구축할 수 있다. 감성과 관련되는 형용사들은 주어의 의미에 따라서 경험주의, 대상(Theme), 처소(Location)의 경우로 나누어 볼 수 있다. 형용사 중에서 주어의 경험주의 의미는 주관형용사라고 할 수 있고 대상과 처소 경우는 객관형용사라고 할 수 있다. 주관형용사에는 경험주의의 심리 상태를 서술하는 심리형용사와 경험주의가 자신의 신체의 일부분에 느끼는 감각 상태를 서술한 감각 형용사, 그리고 명제에 대한 경험주의 판단을 나타내는 판단 형용사의 세 가지 경우이다. 감성과 관련된 형용사들을 중심으로 하고 현재의 향수제품에 설명되는 향을 수집하는 경우, 주관형용사의 큰 틀 안에 많은 다양한 후각에 관련한 형용사가 존재하는 것을 알 수 있다. 예를 들어, 신비스런 향, 상큼한 향, 깨끗한 향, 신선한향, 산뜻한 향, 짙은 향, 플로랄향, 부드러운 향, 프루티 플로랄 무스크 계열의 향, 신선한 과일향, 쉬프레 향, 섹시한 향, 투명한 향, 청담한 향, 매운향, 고소한향, 커피향, 청초한향, 액티브한향, 독특한 향, 관능적인 향, 차분한 향, 우아한향, 은은한 향, 아로마향, 아몬드향, 은은한 밀키향 등이 있다. 이때, 주관형용사라는 것은 모호하기 때문에 그 의미를 정확히 하는 것이 어려울 수 있다. 이를 위하여, 하나의 단어와 유사한 말뭉치를 수집하고 구축하는 것이다. 예를 들어, 깨끗한 향이라는 단어의 범주 내에 Clean Cotton과 같은 향이 유사하다고 함께 말뭉치를 구축하는 경우, 사용자들은 깨끗한 향을 떠올리면서 방금 빨래한 면에서 나는 향기와 같다고 연상작용을 할 수 있게 된다. 이러한 단어가 더 많아지고 구체화되는 경우 사용자들은 깨끗한 향이 무엇인지, 관능적인 향이 무엇인지 등을 직접 맡지 않아도 유추해볼 수 있게 된다.

클러스터부(391)는, 메인향료 및 적어도 하나의 추가향료의 클러스터(Cluster)를 생성하며, 메인향료 및 적어도 하나의 추가향료 이외의 향이 조합된 적어도 하나의 향수를 추출하여 리스트업할 수 있다. 이때, 사용자 단말(100)에서 선택한 향료는 메인향료 및 적어도 하나의 추가향료일 수 있다. 예를 들어, 메인향료로 플로럴을 선택했고, 추가향료로 시트러스, 아쿠아, 프루티를 선택했다고 하면, 플로럴+시트러스, 플로럴+시트러스+아쿠아, 플로럴+아쿠아+프루티 등 C!의 경우의 수가 나오게 된다. 이렇게 조합이 된 경우의 수에 대응하는 향수를 추천해줄 수 있다. 한 번에 한 가지 향료를 선택하는 것이 아닌, 두 가지 이상의 향료 묶음(Cluster)으로 선택을 할 수 있기 때문에, 더욱 많은 향료를 선택할 수 있고, 향료 묶음이 사용자가 선호하는 향수에 첨가된 향료 데이터에 따라 만들어지기 때문에 더욱 적합한 추천 결과를 제공할 수 있다.

덧붙여서, 본 발명의 일 실시예에서는 사용자가 긍정적으로 평가하는 향수의

노트(Note) 구성을 기반으로 향수들 간의 노트 구성 유사도를 직접 측정해 사용자의 취향에 부합하면서도 특정 브랜드나 향수제품의 인기도에 영향을 받지 않아 결과적으로 제품 사용자가 많지 않은 향수를 추천해줄 수 있는 방법을 더 제공할 수 있다. 사용자 평가에 의한 유사 향수 네트워크에서 서로 연결되지 않은 유사 향수를 찾을 수 있으며, 협업 필터링 등을 적용한 시스템에서 등장하는 초기 평가자 문제 (First-Rater Problem)나 콜드 스타트 문제(Cold-Start Problem) 에서 상대적으로 안전하다.

<데이터 수집>

향수는 휘발성이 다른 여러 발향 물질들을 조합해 제조하는데 이들을 노트(Note)라고 하며 각 노트의 휘발성에 따라 탑(Top), 미들(Middle), 베이스(Base) 노트로 나누어 향수의 조향을 진행하게 된다. 각 향수들에 대해 브랜드명, 향수명이 기본적으로 기재되어 있으며 전문가들에 의해 탑, 미들, 베이스 노트와 같은 노트 구성정보와 해당 향수가 속하는 분류되는 어코드(Accord; Citrus, Fruity, Woody 등 노트가 합쳐져서 나는 통합된 향의 인상)와 같은 내용들이 추가적으로 구축될 수 있다. 이 외에 개인화부(350)에서 사용자들이 각자 해당 향수에서 가장 강하게 인지하는 노트들에 대해서 투표를 실시한 결과를 수집할 수 있다. 또, 각 향수의 페이지상에서 사용자들이 느끼기에 해당 향수를 연상시키는 다른 향수를 등록하고 투표한 결과를 수집할 수 있다.

<노트 구성 유사도>

향수를 여러 종류 노트의 조합으로 취급하고 향수마다 노트의 구성 비율을 벡터로 나타내 향수 간 코사인 유사도(Cosine Similarity)로 유사도를 계산할 수 있다. 예를 들어 향수 j 와 향수 k 사이의 유사도는 이하 수학식 6과 같이 같이 계산한할 수 있다.

dj 는 향수 j 의 노트 벡터, dk 는 향수 k 의 노트 벡터를 나타낸다. 또 노트 벡터를 두 가지로 구분하여 코사인 유사도를 평가할 수 있다. 첫 번째는 공식 노트 피라미드에 포함된 노트들에 동일한 비중을 주어 계산한 방식이다. 두 번째는 사용자들이 해당 향수에서 인지한 노트의 투표 값에 따라 가중치를 준 방식이다. 코사인 유사도는 향수의 노트 벡터를 쌍별로 계산해야 하기 때문에 시간 단축을 위하여 N 개의 향수 중에서 M 개의 향수를 무작위 추출하여 평가할 수 있다.

<연상 향수 네트워크>

사용자들이 실제로 떠올리는 유사함과 상술한 유사도 점수를 비교하기 위해 연결된 향수들로 연상 향수 네트워크를 구성하고 그 특징을 분석할 수 있다. 데이터 정제를 거치고 남은 향수 노드의 수가 적을 수 있다. 또한 이 네트워크의 구조 분석을 통해 작은 커뮤니티로 분리시키는 커뮤니티 디텍션을 수행해 사용자들의 피드백에 따라 분류된 향수 집단을 관찰할 수 있다.

<향수 추천>

사용자들이 기존에 맡아본 향수 중에서 좋아하는 것을 입력하게 하고, 해당 향수들을 구성하는 노트가 등장할 때마다 가중치를 준 뒤 정규화한 벡터를 사용자의 선호도 벡터로 정의할 수 있다. 이 선호도 벡터와 유사도 점수가 높게 나오는 향수들을 추천하는 알고리즘을 이용할 수 있다. 노트 정보가 등록되어 있지 않은 향수는 거의 존재하지 않으므로 추천 시스템은 상술한 협업 필터링 등의 방법에서 등장하는 초기 평가자 문제(First-Rater Problem)나 콜드 스타트 문제(Cold-Start Problem)에서 상대적으로 안전하다. 또한 사용자 평가에 의존하지 않기 때문에 추천결과가 사용자들이 긍정적으로 평가한 향수들과 충분한 유사도를 유지하면서도 일부 유명 향수에 집중되지 않기 때문의 나만의 향수를 추천받을 수 있다.

추천 서비스 제공 서버(300)는, 사용자 단말(100)에서 테스트 또는 선택한 향수를 최저가로 중개할 때, 향수 제품을 카테고리에 따라 분류하여 최저가로 리스트화할 수 있다. 제품을 용량, 농도별로 완전하게 분류하여 최저가로 나열할 수 있다. 예를 들어, 기존의 검색 포털에서는 "브랜드명-제품명”을 검색했을 경우 원하는 검색결과만 나오지 않고,“브랜드명-제품명-용량”을 검색했을 경우에도, 원하는 용량만 검색 결과로 나오지 않으며 오히려 “브랜드명-제품명”을 검색했을 때에 비해 검색 결과가 좁혀지지 못하고 더 광범위한 결과가 나오는 등 검색 시스템이 제 기능을 못하고 있다. 이에, 본 발명의 일 실시예는, 제품을 용량, 농도별로 완전하게 분류하여 최저가로 나열할 수 있고, 향수 제품을 카테고리에 따라 분류하여 최저가로 리스트화할 수 있다.

이하, 상술한 도 2의 추천 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.

도 3a를 참조하면 사용자 단말(100)에서 나만의 향기를 찾기 위해 테스트를 진행하는 경우, 도 3b와 같이 향의 지속력은 어느 정도인지 향수 용량은 도 3b와 같이 어느 정도를 원하는지, 도 3c와 같이 향의 스타일은 어떠한 스타일을 원하는지, 도 3d에서 사용자가 가장 좋아하는 향료(메인향료)는 무엇인지, 도 3f 및 도 3g와 같이 메인향료에 더해질 향료는 무엇이 좋을지, 도 3h의 좌측과 같이 향수 가격대는 어느 정도를 원하는지를 입력하면 우측과 같이 결과가 리스트업된다.

도 4a를 참조하면 시향리뷰(시향지를 받아본 후 쓰는 리뷰)와 구매&사용후기(실제 본 제품을 구매하여 쓴 리뷰)가 나뉘어져 있고, 받아본 향수는 어땠는지 별점, 텍스트 리뷰 및 해시태그를 선택 및 입력한 후 사용자가 느끼는 메인향료는 무엇인지를 선택하도록 한다. 이러한 리뷰 데이터를 모아서 도 4b와 같이 리뷰 상단에 평점, 계절, 성별 데이터를 가시적으로 제시하고, 리뷰에 공감 버튼을 누른 경우 누른 사람과 리뷰를 쓴 사람의 취향이 유사하다고 판단하고 관련 제품을 추천해줄 수 있다.

이와 같은 도 2 내지 도 4의 인공지능 기반 향수 추천 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 인공지능 기반 향수 추천 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.

도 5는 본 발명의 일 실시예에 따른 도 1의 인공지능 기반 향수 추천 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.

도 5를 참조하면, 추천 서비스 제공 서버는, 향기지속력, 향수용량, 향의 스타일, 향료 및 향수 가격대를 매핑하여 저장한다(S5100).

그리고, 추천 서비스 제공 서버는, 사용자 단말에서 입력한 선택 데이터를 질의어로 생성하여 결과 데이터를 출력하고(S5200), 사용자 단말에서 입력한 배송지로 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송처리한다(S5300).

추천 서비스 제공 서버는, 사용자 단말에서 향수를 선택하여 구매 및 결제하는 경우 발주처리한다(S5400).

상술한 단계들(S5100~S5400)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5400)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.

이와 같은 도 5의 인공지능 기반 향수 추천 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 인공지능 기반 향수 추천 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.

도 5를 통해 설명된 일 실시예에 따른 인공지능 기반 향수 추천 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 본 발명의 일 실시예에 따른 인공지능 기반 향수 추천 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 인공지능 기반 향수 추천 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

1. 향기지속력, 향수용량, 향의 스타일, 좋아하는 향료 및 향수 가격대를 입력받은 후 향수찾기 테스트 결과를 출력하고, 상기 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송받은 후, 배송된 시향지에 뿌려진 향수 중 원하는 향수를 구매 및 결제하는 사용자 단말; 및
   향기지속력, 향수용량, 향의 스타일, 향료 및 향수 가격대를 향수와 매핑하여 저장하는 데이터베이스화부, 상기 사용자 단말에서 입력한 선택 데이터를 질의어로 생성하여 결과 데이터를 출력하는 테스트부, 상기 사용자 단말에서 입력한 배송지로 상기 테스트 결과에 포함된 적어도 하나의 향수의 시향지를 배송처리하는 배송부, 상기 사용자 단말에서 향수를 선택하여 구매 및 결제하는 경우 발주처리하는 발주부를 포함하는 추천 서비스 제공 서버;
   를 포함하는, 인공지능 기반 향수 추천 서비스 제공 시스템.
   
2. 제 1 항에 있어서,
   상기 향기지속력은, 오데코롱(Eau de Cologne), 오드뚜왈렛(Eau de Toilette), 오드퍼퓸(Eau de Perfume), 퍼퓸(Perfume)을 포함하고,
   상기 향수용량은, 15ml, 30ml, 50ml, 75ml, 100ml 및 100ml 초과를 포함하고,
   상기 향의 스타일은, 포근한, 차분한, 따뜻한, 순수한, 관능적인, 화려한, 발랄한, 귀여운, 사랑스러운, 몽환적인, 황홀한, 환상적인, 신비로운, 젠틀한, 클래식한, 깊이있는, 세련된, 우아한, 도시적인, 모던한, 산뜻한, 시원한, 활기찬, 강렬한, 파워풀한, 존재감있는 및 대담한 스타일을 포함하고,
   상기 향료는, 프루티(Fruity), 플로럴(Floral), 알데하이드(Aldehyde), 우디(Woody), 애니멀(Animal), 발삼(Balsam), 스파이시(Spicy), 레더(Leather), 아로마틱(Aromatic), 아쿠아틱(Aquatic) 및 시프레(Chypre)를 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
3. 제 1 항에 있어서,
   상기 인공지능 기반 향수 추천 서비스 제공 시스템은,
   상기 발주부에서 발주처리한 향수를 상기 사용자 단말의 배송지로 배송처리하는 적어도 하나의 판매자 단말;
   을 더 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
4. 제 1 항에 있어서,
   상기 추천 서비스 제공 서버는,
   상기 사용자 단말로 시향지를 배송한 후, 상기 사용자 단말로부터 봄, 여름, 가을 및 겨울을 포함하는 계절 태그 중 어느 하나를 선택하도록 하고, 시향지에 뿌려진 향수의 별점을 선택받으며, 적어도 하나의 향 스타일 태그 중 적어도 하나를 선택받고, 적어도 하나의 향료 중 사용자가 가장 많이 느낀 향을 선택하도록 하는 개인화부;
   를 더 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
5. 제 4 항에 있어서,
   상기 추천 서비스 제공 서버는,
   상기 사용자 단말로부터 상기 개인화부에서 선택받은 리뷰 데이터를 기반으로, 상기 시향지에 뿌려진 향수에 기 저장된 계절 태그, 향 스타일 태그 및 향료와, 상기 리뷰 데이터 내 상기 사용자 단말에서 선택한 계절 태그, 향 스타일 태그 및 향료가 다른 경우, 상기 리뷰 데이터를 기 저장된 계절 태그, 향 스타일 태그 및 향료와 연결되도록 매핑하여 저장하는 보정연결부;
   를 더 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
6. 제 1 항에 있어서,
   상기 사용자 단말의 사용자는 서로 다른 주체에 귀속된 복수의 사용자 단말이고,
   상기 추천 서비스 제공 서버는,
   상기 복수의 사용자 단말에서 기재한 향수의 리뷰 데이터를 평점, 계절 및 성별로 분류하여 시각화된 그래프로 제시하고, 상기 사용자 단말에서 리뷰 데이터 중 어느 하나의 리뷰 데이터에 공감 버튼을 선택한 경우, 상기 어느 하나의 리뷰 데이터를 작성한 사용자와 공감 버튼을 선택한 사용자의 취향은 유사한 것으로 판단하는 협업 필터링 알고리즘을 적용하여 추천 향수를 리스트업하는 인공지능부;
   를 더 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
7. 제 6 항에 있어서,
   상기 추천 서비스 제공 서버는,
   상기 리뷰 데이터로부터 키워드를 추출하여 워드클라우드(Word Cloud)를 생성하여 시각화하는 클라우드부;
   를 더 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
8. 제 6 항에 있어서,
   상기 추천 서비스 제공 서버는,
   상기 복수의 사용자 단말로부터 입력된 향의 스타일을 표현하는 단어를 수집하여 말뭉치(Corpus)를 구축하는 말뭉치부;
   를 더 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
9. 제 1 항에 있어서,
   상기 사용자 단말에서 선택한 향료는 메인향료 및 적어도 하나의 추가향료이고,
   상기 추천 서비스 제공 서버는,
   상기 메인향료 및 적어도 하나의 추가향료의 클러스터(Cluster)를 생성하며, 상기 메인향료 및 적어도 하나의 추가향료 이외의 향이 조합된 적어도 하나의 향수를 추출하여 리스트업하는 클러스터부;
   를 더 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
   
10. 제 1 항에 있어서,
    상기 시향지는 상기 테스트 결과로 추출된 향수가 뿌려진 시향지 이외에도, 상기 사용자가 상기 향료와 향을 연결시킬 수 있도록 적어도 하나의 향료가 뿌려진 시향지를 포함하는 것을 특징으로 하는 인공지능 기반 향수 추천 서비스 제공 시스템.
    
    
    

Images