KR20230056239A - Ai 기반의 비건 화장품 추천 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용하여 사용자에게 화장품을 추천하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은 사용자에 관련된 사용자 정보를 생성하는 단계. 화장품 정보를 생성하는 단계 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계를 포함하고, 그리고 상기 화장품 정보를 생성하는 단계는 하나 이상의 화장품에 대한 제품명 정보, 가격 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계 및 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 단계를 포함할 수 있다.

Description

AI 기반의 비건 화장품 추천 방법{AI-BASED VEGAN COSMETIC RECOMMENDATION METHOD}

본 개시는 AI 기반의 비건 화장품 추천 방법에 관한 것으로, 보다 구체적으로 사용자와 화장품을 AI로 매칭하여 적절한 비건 화장품을 추천하는 방법에 관한 것이다.

최근 코로나-19에 대한 정책의 방향이 위드 코로나로 전환되면서 한동안 사람들의 관심에서 멀어진 화장품 산업이 다시 주목 받고 있다. 특히, MZ 세대 이상부터는 남자들 역시 화장에 관심을 보이며 남녀 모두의 수요가 증대되고 있는 상황이다.

이런한 뷰티 업계에서도 환경을 생각한 윤리 소비를 실천하려는 이들이 늘어나면서 '비건 열풍'이 불고 있다. 이에 따라 뷰티업체들도 동물성 원료를 사용하지 않고 동물실험을 하지 않는 '비건 화장품'을 내놓고 있다. 여기서 비건 화장품은 '동물실험을 거치지 않고 동물성 원료가 아닌 자연에서 나온 친환경 성분만을 사용하는 화장품'을 말한다.

또한, 인공지능의 활용이 증대되면서 개인 맞춤형 화장품을 구입하길 원하는 사용자들도 증대되고 있지만 아직까지 새로운 영역인 비건 화장품에서는 적절한 서비스가 없어, 사용자가 직접 인증 정보를 찾거나, 구입 후기에 있는 내용을 그대로 믿어야만 하는 불편함이 남아있다.

또한, 화장품 업체에서 역시 넓어지는 사용자들의 취향을 모두 반영하기가 어려워 자신들의 제품을 어떤 사람들이 선호하는지 확인하기 어려워, 신제품 개발에 난항을 겪고 있는 상황이다.

대한민국 등록특허 1692444(2016.12.28)에는 측정 장치를 통해 측정되는 측정값을 근거로 사용자의 피부의 수분, 유분, PH도, 각질 상태, 피지, 주름, 피부톤, 모공 상태 등을 분석하고, 해당 분석 결과를 근거로 맞춤화장품을 주문할 수 있는 시스템을 개시하고 있다.

하지만, 이와 같은 방식에서는 화장품 성분 데이터베이스가 없고 이에 따라, 개발되는 신제품과 인증 데이터들을 반영한 추천을 제공할 수 없다는 문제점이 존재한다.

따라서, 실시간 RPA 크롤링을 통해 화장품 성분 데이터를 업데이트하고 AI 기반으로 사용자에게 적절한 화장품을 추천할 수 있는 방법에 대한 당업계의 수요가 있을 수 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, AI 기반의 비건 화장품 추천하는 방법을 제공하기 위함이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 비건 화장품 추천하기 위한 방법을 수행하도록 하며, 상기 방법은 사용자에 관련된 사용자 정보를 생성하는 단계, 화장품 정보를 생성하는 단계 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계를 포함하고, 그리고 상기 화장품 정보를 생성하는 단계는 하나 이상의 화장품에 대한 제품명 정보, 가격 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계 및 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 단계를 포함할 수 있다.

대안적으로, 상기 사용자에 관련된 사용자 정보를 생성하는 단계는 상기 사용자에 대한 성별 정보, 연령 정보, 설문 정보 및 이전 제품 평가 정보 중 적어도 하나를 수집하는 단계 및 상기 성별 정보, 상기 연령 정보, 상기 설문 정보 및 상기 이전 제품 평가 정보 중 적어도 하나를 선호도 분석 모델을 통해 연산함으로써 사용자의 선호도 및 희망 가격대 중 적어도 하나를 포함하는 상기 사용자 정보를 생성하는 단계를 포함할 수 있다.

대안적으로, 상기 사용자에 관련된 사용자 정보를 생성하는 단계는 상기 사용자에 대한 얼굴 이미지를 수신하는 단계 및 상기 얼굴 이미지를 얼굴 이미지 분석 모델을 통해 연산함으로써 사용자의 피부 타입에 대한 정보를 포함하는 상기 사용자 정보를 생성하는 단계를 포함할 수 있다.

대안적으로, 상기 추천 화장품 정보는 비건 화장품 인증 정보를 포함하며, 그리고 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계는 비건 화장품 인증 기관으로부터 상기 비건 화장품 인증 정보를 수집하는 단계를 포함할 수 있다.

대안적으로, 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계는 사전 설정된 웹사이트에서 수행될 수 있다.

대안적으로, 상기 평가 정보는 텍스트로 구성된 리뷰 정보를 포함하고, 그리고 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 단계는 상기 리뷰 정보를 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 화장품에 대한 상기 평가 정보를 생성하는 단계를 포함할 수 있다.

대안적으로, 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계는 상기 사용자 정보와 상기 화장품 정보의 매칭에 기초하여 하나 이상의 추천 성분을 도출하는 단계 및 상기 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보를 생성하는 단계를 포함할 수 있다.

대안적으로, 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지를 수신하는 단계 및 상기 화장품 문의 이미지에 기초하여 매칭되는 상기 화장품 정보를 반환하는 단계를 더 포함할 수 있다.

본 개시의 다른 일 실예에 따른 하나 이상의 프로세서에서 수행되는 사용자에게 화장품을 추천하기 위한 방법이 개시될 수 있다. 상기 방법은 사용자에 관련된 사용자 정보를 생성하는 단계, 화장품 정보를 생성하는 단계 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계를 포함하고, 그리고 상기 화장품 정보를 생성하는 단계는 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계 및 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 단계를 포함할 수 있다.

또한, 다른 일 실시예에 따라 컴퓨팅 장치가 수행될 수 있다. 상기 컴퓨팅 장치는 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는 사용자에 관련된 사용자 정보를 생성하고, 화장품 정보를 생성하고, 그리고 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계를 포함하고, 그리고 상기 화장품 정보는 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하고, 그리고 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 할 수 있다.

본 개시는 AI 기반의 비건 화장품 추천하는 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따라 AI 기반의 비건 화장품 추천하기 위한 컴퓨팅 장치의 블록 구성도(block diagram)이다.
도 2는 본 개시의 일 실시예에 따른 다양한 정보들 간의 관계도다.
도 3은 본 개시의 일 실시예에 따른 이미지 인식과 관련된 동작의 예시도이다.
도 4는 본 개시의 일 실시예에 따른 비건 화장품 추천하는 방법의 순서도(flow-chart)다.
도 5는 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 8은 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도(Block diagram)이다.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정, 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

본 명세서에 걸쳐, 모델은 하나 이상의 네트워크 함수를 포함하는 의미로 사용될 수 있다. 모델은 다른 모델과 함께 데이터의 처리를 수행할 수 있다. 모델은 다른 모델과 직렬 또는 병렬로 상호 연결될 수 있다.

이하에서는 본 명세서에서 사용되는 용어에 대하여 정의한다.

여기서 비건 화장품이란 동물 유래 성분 및 부산물을 포함하지 않고, 제조 공정에서도 동물 유래 성분이나 부산물을 사용하지 않으며, 동물 실험을 거치지 않은 화장품을 의미할 수 있다. 이에 따라, 꿀벌 유래 성분을 활용한 립제품, 또는 동물성 단백질 유래의 콜라겐, 글리세린, 스쿠알렌을 포함하는 화장품의 경우, 비건 화장품에 포함되지 않을 수 있다. 하지만, 전술한 비건 화장품의 조건 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 1은 본 개시의 일 실시예에 따라 기초 상담을 통해 비건 화장품 추천하기 위한 컴퓨팅 장치(100)의 블록 구성도(block diagram)이다. 도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130) 및 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기초 상담을 통해 내원 소요 시간을 예측하는 방법을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)는 CPU, GPGPU 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치(100)의 프로세서(110)를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 네트워크 함수를 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 네트워크 함수를 분산하여 처리할 수도 있다. 컴퓨팅 장치(100)의 네트워크 함수 분산 처리에 관한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허 출원 US15/161080(출원일 2016.05.20) 및 US15/217475(출원일 2016.07.22)에서 구체적으로 논의된다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 학습 과정에서 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 잇는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network)는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptron)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있으며, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.

본 개시의 일 실시예에서 네트워크 함수를 이용하여 처리되는 데이터는 사용자, 즉, 화장품을 추천 받기 원하는 고객과 화장품 판매 업체에 관련된 사람으로부터 획득되는 모든 종류의 데이터를 포함할 수 있다. 예를 들어, 본 개시에서는 사용자에 대한 설문을 통해 수집되는 성별 정보(211), 연령 정보(212) 및 설문 정보(213)가 데이터로 네트워크 함수에 입력되어 처리될 수 있다. 또한, 다른 예시에서 사용자의 얼굴이 부분적으로 포함된 얼굴 이미지(215)가 네트워크 함수로 입력되는 데이터에 포함될 수 있다. 전술한 데이터의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

또한, 네트워크 함수를 이용하여 처리되는 데이터는 화장품 제품과 관련되는 모든 종류의 데이터를 포함할 수 있다. 예를 들어, 본 개시에서는 각 제품별로 수집되는 제품명 정보(231), 가격 정보(232), 성분 정보(233), 평가 정보(234) 및 리뷰 정보(235)를 포함하는 화장품 정보(230)를 데이터로 네트워크 함수에 입력되어 처리될 수 있다. 전술한 데이터의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 추가적으로 사용자 정보(210)와 화장품 정보(230)의 매칭 정보는 사용자별, 또는 화장품별로 기록하여 메모리(130)에 저장할 수 있다. 그리고, 저장된 사용자 및 화장품과 관련된 데이터를 이용하여 네트워크 함수를 학습하기 위한 학습 데이터 세트를 형성할 수 있다.

이하에서는 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 수행하기 위한 컴퓨팅 장치(100)의 동작에 관하여 설명한다.

프로세서(110)는 사용자에 관련된 사용자 정보(210)를 생성할 수 있다. 여기서 사용자는 화장품을 추천 받길 원하는 고객을 의미할 수 있다. 그리고, 사용자 정보(210)는 사용자를 식별하기 위한 개인식별정보 등을 포함할 수 있어, 각 사용자 별로 데이터베이스에 저장될 수 있다. 또한, 다른 실시예에서 사용자는 화장품 기업에 근무하는 직원일 수도 있다. 그리고, 사용자 정보(210)는 사용자가 일반 회원인지, 또는 기업 회원인지에 대한 구분 정보를 포함할 수 있다.

보다 구체적으로, 프로세서(110)는 사용자에 대한 성별 정보(211), 연령 정보(212), 설문 정보(213) 및 이전 제품 평가 정보(214) 중 적어도 하나를 수집할 수 있다. 그리고, 프로세서(110)는 성별 정보(211), 연령 정보(212), 설문 정보(213) 및 이전 제품 평가 정보(214) 중 적어도 하나를 선호도 분석 모델(330)을 통해 연산함으로써 사용자의 선호도(216) 및 희망 가격대(217) 중 적어도 하나를 포함하는 사용자 정보(210)를 생성할 수 있다. 여기서 설문 정보(213)는 사용자의 평소 구매 성향을 파악하기 위해 전문가에 의해 구성된 질문의 답변을 포함할 수 있다. 이에 따라, 선호도 분석 모델(330)은 사용자 정보(210)에 포함된 설문 정보(213) 중 일부를 입력 데이터로 할 수 있다. 그리고, 프로세서(110)는 입력 데이터를 선호도 분석 모델(330)을 이용하여 연결 가중치를 연산함으로써 개인식별정보에 각각 일대일 대응하는 설문 항목별 선호도를 출력할 수 있다. 여기서 선호도 분석 모델(330)의 출력 노드는 설문의 주요 구성 항목의 수와 대응될 수 있다. 또한, 연결 가중치는 LSTM 방식에서 사용되는 입력, 출력 및 망각 게이트의 가중치이거나, 또는 RNN에서 통용되는 게이트의 가중치일 수도 있다.

예를 들어, 네트워크부(150)는 사용자로부터 "가격 중요도 높음", "브랜드 인지도 중요도 낮음", "피부 타입 적합도 중요도 최고 높음"이라는 결과를 포함하는 설문 정보(213)를 수신할 수 있다. 그리고 프로세서(110)는 상기 설문 정보(213)를 선호도 분석 모델(330)을 통해 연산함으로써 사용자의 선호도 우선순위 "1순위 : 피부 타입 적합도", "2순위 : 가격", 그리고 "3순위 : 브랜드 인지도"라는 항목별 선호도를 출력할 수 있다. 또한, 프로세서(110)는 상기 항목별 선호도에 기반하여 화장품 추천 모델(310)을 통해 추천 화장품 정보(250)를 생성할 때, 피부 타입(218)과의 적합도를 우선시 하며 신생 기업, 또는 중소기업의 제품에 대해서도 긍정적으로 판단할 수 있다. 전술한 선호도 분석 모델(330)과 관련된 동작의 자세한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 프로세서(110)는 얼굴 이미지(215)를 얼굴 이미지 분석 모델(350)을 통해 연산함으로써 사용자의 피부 타입(218)에 대한 정보를 포함하는 사용자 정보(210)를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 네트워크부(150)를 통해 사용자의 얼굴 중 적어도 일부에 대한 얼굴 이미지(215)를 수신할 수 있다. 그리고, 프로세서(110)는 얼굴 이미지(215) 상에서 촬영된 사용자의 피부 표면 이미지를 추출할 수 있다. 또한, 프로세서(110)는 상기 피부 표면 이미지를 얼굴 이미지 분석 모델(350)을 통해 연산하여 피부 타입(218)을 결정할 수 있다. 그리고, 프로세서(110)는 피부 타입(218)을 사용자 정보(210)에 추가하여 저장될 수 있도록 결정할 수 있다.

보다 구체적으로, 프로세서(110)는 수신된 얼굴 이미지(215)에 대해서 영상 처리 알고리즘을 통해 사용자의 피부 표면 부분을 추출할 수 있다. 여기서 영상 처리 알고리즘은 캐니 엣지 디텍션(canny edge detection), 해리스 코너 디텍션(harris corner detection)등을 포함할 수 있으나, 본 개시는 이에 제한되지 않는다. 캐니 엣지 디텍션을 통해 프로세서(110)는 영상을 블러링(blurring) 처리하여 노이즈를 제거하고, 마스크 엣지를 이용하여 엣지를 검출하고, Non-Maximum Value를 제거하고, Double Threshold로 크기를 구분하여 엣지를 연결함으로써 엣지를 추출할 수 있다. 그리고, 프로세서(110)는 얼굴 이미지(215) 상에서 추출된 엣지와 각 피부 타입별 표준 이미지를 비교함으로써 피부 타입을 추출할 수 있다. 또한, 실시예에 따라 프로세서(110)는 얼굴 이미지 분석 모델(350)을 통해 피부 타입별 분류 스코어를 획득하고, 피부 타입별 분류 스코어에 기초하여 사용자의 피부 타입(218)을 결정할 수 있다. 즉, 프로세서(110)는 가장 높은 분류 스코어를 획득한 피부 타입(218)을 사용자의 피부 타입으로 결정할 수 있다.

프로세서(110)는 화장품 정보(230)를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 하나 이상의 화장품에 대한 제품명 정보(231), 가격 정보(232), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 크롤링 할 수 있다. 그리고, 프로세서(110)는 크롤링 된 정보에 기초하여 각각의 제품에 대한 화장품 정보(230)를 데이터베이스에 저장할 수 있다.

그리고, 본 개시의 일 실시예에 따라, 프로세서(110)는 하나 이상의 화장품에 대한 제품명 정보(231), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 사전에 설정된 웹사이트에서 크롤링 할 수 있다. 보다 구체적으로, 프로세서(110)는 네트워크부(150)를 통해 사전 설정된 웹사이트로부터 화장품 정보(230) 중 적어도 일부를 획득할 수 있다. 예를 들어, 프로세서(110)는 RPA 엔진을 통해 중국 CFDA(China Food & Drug Administration), 한국 식품의약품안전처 및 국가별 화장품 원료 통합 정보 시스템 중 적어도 하나를 실시간으로 크롤링하여 화장품 정보(230)를 지속적으로 획득할 수 있다. 그리고, 프로세서(110)는 획득된 화장품 정보(230)를 메모리(130) 또는, 가상의 서버에 저장함으로써 데이터베이스를 항상 최신 상태로 유지할 수 있다. 또한, 프로세서(110)는 RPA 엔진이 사전 설정된 시간(예컨대, 매일 아침 9시 등)이나, 주기 마다 각 웹사이트에 크롤링을 수행하도록 결정할 수도 있다.

그리고 본 개시의 일 실시예에 따라 프로세서(110)는 비건 화장품 인증 기관으로부터 비건 화장품 인증 정보(236)를 크롤링 할 수 있다. 여기서 비건 화장품 인증 기관은 한국비건인증원 등의 각 국가에서 비건 제품에 대해 전문적으로 인증하고 평가하는 기관을 의미할 수 있다. 이에 따라, 프로세서(110)는 네트워크부(150)를 통해 상기 비건 화장품 인증 기관의 서버로부터 제품별 비건 화장품 인증 정보(236)를 수신할 수 있다. 그리고, 프로세서(110)는 수신된 제품별 비건 화장품 인증 정보(236)에 기초하여 화장품 정보(230)를 저장하거나, 또는 업데이트 할 수 있다.

그리고, 일 실시예에 따라 화장품 정보(230)는 기업 회원으로 인증된 사용자로부터 수신한 입력에 기초하여 결정될 수 있다. 보다 구체적으로, 프로세서(110)는 네트워크부(150)를 통해 기업 회원으로 인증된 사용자로부터 화장품 정보 입력을 수신할 수 있다. 여기서 화장품 정보 입력은 사용자가 소속된 기업에서 생산하고 있는 화장품에 대한 다양한 정보를 포함할 수 있다. 그리고, 프로세서(110)는 상기 화장품 정보 입력에 기초하여 화장품 정보(230)를 결정하여 메모리(130)에 저장할 수 있다. 예를 들어, 네트워크부(150)는 A기업에 재직 중인 것으로 인증된 사용자로부터 "A기업 AA제품, 비건 화장품, 35,000원" 이라는 화장품 정보 입력을 수신할 수 있다. 이러한 경우, 프로세서(110)는 "AA제품"을 제품명 정보(231)로, "비건 화장품"을 비건 화장품 정보로, "35,000원"을 가격 정보(232)로 판단하고 이후의 동작을 진행할 수 있다. 전술한 화장품 정보(230)의 생성 동작 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

프로세서(110)는 제품명 정보(231), 가격 정보(232), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 분석하여 화장품 정보(230)를 업데이트할 수 있다. 보다 구체적으로, 본 개시의 일 실시예에 따른 평가 정보(234)는 텍스트로 구성된 리뷰 정보(235)를 포함할 수 있다. 그리고, 프로세서(110)는 제품명 정보(231),가격 정보(232), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 분석하여 화장품 정보(230)를 업데이트 하는 단계에 있어서, 리뷰 정보(235)를 하나 이상의 네트워크 함수를 포함하는 전처리 모델(370)을 통해 연산함으로써 하나 이상의 화장품에 대한 평가 정보(234)를 생성할 수 있다. 여기서 전처리 모델(370)은 하나 이상의 단어를 포함하는 문장의 데이터에 기초하여 패턴을 학습하기 위한 딥 러닝 모델 중 RNN 구조로 구성될 수 있다. 그리고 전처리 모델(370)은 리뷰 정보(235)에 포함된 단어 및 단어의 배열에 기초하여 평가 정보(234)를 생성할 수 있다. 즉, 프로세서(110)는 전처리 모델(370)에 기초하여 리뷰 정보(235)를 입력 데이터, 그리고 평가 정보(234)를 출력 데이터(즉 라벨)로써 반복 학습할 수 있다. 이에 따라, 프로세서(110)는 리뷰 정보(235)가 축적되고, 상기 리뷰 정보(235)에 대한 평가 정보(234)가 축적될수록 보다 정확한 평가 정보(234)를 생성할 수 있다.

그리고, 본 개시의 일 실시예에 따른 전처리 모델(370)은 LSTM(Long Short-Term Memory Units) 방식 및 GRU(Gated Recurrent Units) 방식 중 적어도 하나의 RNN 구조를 통해 연속 학습으로 인한 그라디언트 소실(Vanishing Gradient) 문제를 해결할 수 있다. 보다 구체적으로, 프로세서(110)는 기본적인 RNN 구조에 각각의 가중치를 지니고 있는 입력, 출력 및 망각 게이트를 추가하는 LSTM 방식을 사용하여 그라디언트 소실을 방지할 수 있다. 또한, 다른 일 실시예에서 프로세서(110)는 RNN 구조에 입력 및 망각 게이트만 추가적으로 포함하는 GRU 방식(예컨대, 다이나믹 GRU(Dynamic Gated Recurrent Units) 방식)으로 그라디언트 소실을 방지할 수 있다. 전술한 전처리 모델(370)의 구조에 대한 자세한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

추가적으로, 프로세서(110)는 사용자 정보(210)에 포함된 이전 제품 평가 정보(214)를 하나 이상의 네트워크 함수를 포함하는 전처리 모델(370)을 통해 연산함으로써 사용자 정보(210)와 화장품 정보(230)에 대한 매칭 관계를 생성할 수 있다. 여기서 이전 제품 평가 정보(214)는 별점 등의 정량적 지표와 텍스트로 구성된 정성적 지표 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 전처리 모델(370)에 이전 제품 평가 정보(214)에 포함된 정량적 지표와 정성적 지표에 기초하여 이전에 사용했던 제품에 대한 매칭 적합도(251)를 산출할 수 있다. 여기서 매칭 적합도(251)는 사용자 정보(210)에 해당하는 사용자가 해당 제품에 대해서 얼마나 긍정적인 반응을 보이는지를 정량적으로 평가한 점수일 수 있다.

예를 들어, 프로세서(110)가 네트워크부(150)를 통해 별점 5개라는 정량 지표와 "내 인생 화장품, 너무 잘 맞아요"라는 정성 지표를 포함하는 이전 제품 평가 정보(214)를 수신할 수 있다. 이러한 경우, 프로세서(110)는 전처리 모델(370)을 이용하여 이전 제품 평가 정보(214)에 포함된 정량적 지표 및 정성적 지표를 처리하여, 사용자와 해당 제품에 대해서 매칭 적합도(251)가 "10점 중 10점"으로 높게 판단할 수 있다. 또 다른 예로써, 프로세서(110)는 네트워크부(150)를 통해 "민감성 피부에게는 비추"라는 이전 제품 평가 정보(214)를 수신할 수 있다. 이러한 경우, 프로세서(110)는 전처리 모델(370)을 이용하여 "민감성 피부"라는 종류의 사용자에 대해서는 해당 제품에 대한 매칭 적합도(251)를 "10점 중 2점"으로 낮게 평가되도록 학습시킬 수 있다. 전술한 전처리 모델(370)의 동작은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 전처리 모델(370)은 이전 제품 평가 정보(214)에 포함된 정량적 지표 및 정성적 지표에 기초하여 사용자 정보(210)와 해당 제품과의 매칭 적합도(251)를 출력할 수 있도록 학습될 수 있다. 전처리 모델(370)은 이전 제품 평가 정보(214)를 학습 데이터의 입력으로 하고, 이전 제품 평가 정보(214)에 포함된 정량적 지표를 학습 데이터의 라벨로 하여 교사학습 방식으로 학습될 수 있다. 또한, 본 개시의 다른 일 실시예에서, 전처리 모델(370)은 네트워크부(150)를 통해 수신되는 사용자 정보(210) 중 신규 평가 정보를 학습 데이터의 입력으로 하고, 해당 신규 평가 정보에 포함된 정량 지표(예컨대, 별점 등)을 매칭 적합도(251)를 학습 데이터의 라벨로 하여 교사학습 방식으로 학습될 수도 있다.

프로세서(110)는 사용자 정보(210) 및 화장품 정보(230)를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델(310)을 통해 연산함으로써 추천 화장품 정보(250)를 생성할 수 있다. 여기서 추천 화장품 정보(250)는 제품별 매칭 적합도(251)를 포함할 수 있다. 또한, 실시예에 따라, 추천 화장품 정보(250)는 비건 화장품 인증 정보(236)를 포함할 수 있다.

보다 구체적으로, 프로세서(110)는 네트워크부(150)를 통해 각각의 데이터베이스에서 사용자 정보(210) 및 화장품 정보(230)를 수신할 수 있다. 또한, 프로세서(110)는 메모리(130)로부터 사용자 정보(210) 및 화장품 정보(230)를 획득할 수 있다. 그리고, 여기서 사용자 정보(210)는 사용자에 대한 성별 정보(211), 연령 정보(212), 설문 정보(213) 및 이전 제품 평가 정보(214) 중 적어도 하나에 기초하여 분류된 사용자 타입 정보를 포함할 수 있다. 또한, 화장품 정보(230)는 데이터베이스에 등록된 제품별 제품명 정보(231), 성분 정보(233) 및 평가 정보(234)를 포함할 수 있다. 이에 따라, 프로세서(110)는 사용자 정보(210) 및 화장품 정보(230)를 화장품 추천 모델(310)에 입력하여 추천 화장품 정보(250)를 생성할 수 있다. 여기서 추천 화장품 정보(250)는 매칭 적합도(251)를 포함할 수 있다. 또한, 여기서 화장품 추천 모델(310)은 사용자 정보(210)가 포함하는 사용자 타입 정보, 화장품 정보(230)가 포함하는 화장품 성분 정보(233)를 입력 데이터로 할 수 있다. 그리고, 프로세서(110)는 입력 데이터를 화장품 추천 모델(310)을 이용하여 연결 가중치를 연산함으로써 데이터베이스에 등록된 제품 각각에 일대일 대응하는 매칭 적합도를 출력할 수 있다. 여기서 화장품 추천 모델(310)의 출력 노드는 데이터베이스에 등록된 제품의 수와 대응될 수 있다. 그리고, 연결 가중치는 LSTM 방식에서 사용되는 입력, 출력 및 망각 게이트의 가중치이거나, 또는 RNN에서 통용되는 게이트의 가중치일 수도 있다.

예를 들어, 프로세서(110)는 화장품 추천 모델(310)에 사용자 타입 정보로 "민감성" 및 "건성", 그리고 화장품 정보(230)에서 제품명 정보(231) 및 성분 정보(233)로 구성된 "A제품", "알로에베라", "아줄렌" 및 "B제품", "알로에베라", "에탄올"을 각각 입력시킬 수 있다. 그리고, 프로세서(110)는 화장품 추천 모델(310)을 통해 A제품에 대해서 "10점 중 10점", 그리고 B제품에 대해서 "10점 중 6점"의 매칭 적합도(251)를 출력할 수 있다. 여기서 출력된 매칭 적합도(251)는 "알로에베라" 및 "아줄렌"은 민감성 피부에 적합하고, "에탄올"은 부적합하다는 이전의 학습 결과에서 기초하여 산출될 수 있다. 전술한 화장품 추천 모델(310)의 동작에 대한 자세한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 프로세서(110)는 제품별 매칭 적합도(251)에 기초하여 추천 화장품 정보(250)에 포함될 추천 제품을 결정할 수 있다. 프로세서(110)는 제품별 매칭 적합도(251)가 높은 사전 결정된 개수의 제품이나, 또는 상기 매칭 적합도(251)가 사전 결정된 기준값 이상인 제품을 추천 화장품 정보(250)에 포함시키도록 결정할 수 있다. 보다 구체적으로. 프로세서(110)는 화장품 추천 모델(310)에서 제품별로 출력된 매칭 적합도(251)를 내림차순으로 배열하고, 사전 설정된 순위까지의 제품을 추천 화장품 정보(250)에 포함하도록 결정할 수 있다. 또한, 다른 실시예에서 프로세서(110)는 화장품 추천 모델(310)에서 출력된 매칭 적합도(251)가 사전 결정된 기준값 이상인 제품에 대해서 추천 화장품 정보(250)에 포함하도록 결정할 수 있다.

프로세서(110)는 화장품 추천 모델(310)을 통해 비건 화장품 정보(253)를 포함하는 추천 화장품 정보(250)를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 사용자 정보(210) 및 화장품 정보(230)를 화장품 추천 모델(310)에 입력하여 제품별 매칭 적합도(251)를 출력할 수 있다. 그리고, 프로세서(110)는 매칭 적합도(251)가 높은 제품의 화장품 정보(230)의 성분 정보(233)에 기초하여 비건 화장품인지 여부를 판단하여 비건 화장품 정보(253)를 생성할 수 있다. 여기서 비건 화장품 정보(253)는 해당 제품이 비건 화장품에 등록된 제품인지에 대한 정보이거나, 또는 해당 제품의 성분 정보(233)와 비건 화장품에 들어가선 안 되는 성분 리스트를 비교한 정보 중 적어도 하나를 포함할 수 있다. 이에 따라, 프로세서(110)는 비건 화장품으로 인정되는 제품만으로 구성된 추천 화장품 정보(250)를 생성할 수 있다.

따라서, 사용자는 실시간으로 업데이트 되는 화장품 데이터베이스에서 간단하게 자신에게 적합한 화장품을 추천 받을 수 있다. 또한, 사용자는 각 제품이 비건 화장품인지를 찾아볼 필요 없이 비건 화장품으로 인증된 제품을 추천 받을 수 있다. 또한, 기업 회원의 입장에서도 자사의 제품에 대한 정보를 공개하면서도 홍보를 진행할 수 있으며, 각 개인 회원들의 선호도와 트렌드를 확인하며 신제품을 개발할 수 있어 위험 부담을 크게 줄일 수 있다.

또한, 서비스 제공자의 입장에서는 서비스를 제공할수록 사용자 정보(210), 화장품 정보(230) 및 추천 화장품 정보(250)를 통한 학습으로 사용자들에게 보다 질 높은 서비스를 제공할 수 있어, 사용자들을 만족시킬 수 있다.

본 개시의 일 실시예에 따른 프로세서(110)는 사용자 정보(210)와 화장품 정보(230)의 매칭에 기초하여 하나 이상의 추천 성분을 도출할 수 있다. 그리고, 프로세서(110)는 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보(255)를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 사용자 정보(210) 및 화장품 정보(230)를 화장품 추천 모델(310)을 통해 연산함으로써 화장품의 성분별 매칭 적합도를 포함하는 추천 화장품 정보(250)를 생성할 수 있다. 이에 따라, 프로세서(110)는 매칭 적합도(251)가 높은 하나 이상의 성분으로 구성된 맞춤 제작 정보(255)를 생성할 수 있다. 여기서 맞춤 제작 정보(255)는 각 성분의 이름, 적절한 비율, 각 성분을 구할 수 있는 구입처, 또는 맞춤 제작을 요청할 수 있는 기업의 리스트 등을 포함할 수 있다. 이에 따라, 사용자가 희귀한 피부 타입과 선호도를 지닌 경우, 적합한 추천 화장품을 직접 제작할 수 있는 방안을 제시함으로써 사용자의 만족을 이끌어 낼 수 있다.

또한, 본 개시의 일 실시예에 따른 네트워크부(150)는 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지(421)를 수신할 수 있다. 그리고 프로세서(110)는 화장품 문의 이미지(421)에 기초하여 매칭되는 화장품 정보(230)를 반환할 수 있다. 보다 구체적으로, 프로세서(110)는 화장품 문의 이미지(421)에서 화장품의 라벨, 로고, 성분 리스트 및 병의 외관 중 적어도 하나를 추출할 수 있다. 또한, 프로세서(110)는 화장품 문의 이미지(421)에서 추출된 상기 정보들을 화장품 성분 정보(233)와 비교하여 적어도 부분적으로 일치되는 화장품 정보(230)를 사용자에게 반환할 수 있다. 여기서 화장품 정보(230)는 비건 화장품 정보(253)를 포함하여, 사용자가 화장품 문의 이미지(421) 속의 제품이 비건 화장품인지 여부를 확인할 수 있다.

네트워크부(150)는 본 개시의 일 실시예에 따른 사용자 정보(210), 화장품 정보(230) 및 추천 화장품 정보(250) 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 예를 들어, 네트워크부(150)는 사용자로부터 설문 입력, 얼굴 이미지(215), 화장품 문의 이미지(421) 등을 수신할 수 있다. 또한, 네트워크부(150)는 다른 컴퓨팅 장치, 서버 등과 송수신하여 화장품 정보(230)에 포함되는 제품명 정보(231), 가격 정보(232), 성분 정보(233), 평가 정보(234) 및 리뷰 정보(235) 중 적어도 하나를 수신할 수 있으며, 상기 컴퓨팅 장치는 실시간 RPA 크롤링 엔진일 수 있다. 그리고, 네트워크부(150)는 화장품 추천 모델(310)을 통해 생성된 추천 화장품 정보(250)를 사용자의 컴퓨팅 장치로 송신할 수 있다. 또한, 네트워크부(150)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다.

메모리(130)는 본 개시의 일 실시예에 따른 사용자에 대한 비건 화장품 추천을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(130)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 시술 전 이미지, 시술 후 이미지 또는 시술 이미지 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

도 2는 본 개시의 일 실시예에 따른 다양한 정보들 간의 관계도다.

사용자 정보(210)는 사용자에 관련되어 생성된 정보를 의미할 수 있다. 그리고, 사용자 정보(210)는 사용자를 식별하기 위한 개인식별정보 등을 포함할 수 있어, 각 사용자 별로 데이터베이스에 저장될 수 있다. 또한, 실시예에 따라 사용자는 화장품을 추천 받길 원하는 고객이거나, 또는 화장품 기업에 근무하는 직원일 수도 있다. 그리고, 사용자 정보(210)는 사용자가 일반 회원인지, 또는 기업 회원인지에 대한 구분 정보를 포함할 수 있다.

보다 구체적으로, 사용자 정보(210)는 성별 정보(211), 연령 정보(212), 설문 정보(213) 및 이전 제품 평가 정보(214) 중 적어도 하나를 포함할 수 있다. 그리고, 실시예에 따라 사용자 정보(210)는 얼굴 이미지(215), 선호도(216), 희망 가격대(217) 및 피부 타입(218) 중 적어도 하나를 포함할 수 있다. 또한, 사용자 정보(210)는 선호도 분석 모델(330)을 통해 사용자 정보(210)를 생성할 수 있다. 예를 들어, 사용자 정보(210)는 개인식별정보와 설문 정보(213)를 포함할 수 있고, 여기서 설문 정보(213)는 사용자의 평소 구매 성향을 파악하기 위해 전문가에 의해 구성된 질문의 답변을 포함할 수 있다. 이에 따라, 사용자 정보(210)는 선호도 분석 모델(330)을 통해 지속적으로 업데이트 될 수 있다.

또한, 사용자 정보(210)는 얼굴 이미지 분석 모델(350)을 통해서 사용자 정보(210)를 생성할 수 있다. 보다 구체적으로, 사용자 정보(210)는 얼굴 이미지(215)를 포함할 수 있고, 상기 얼굴 이미지(215)는 얼굴 이미지 분석 모델(350)을 통해 연산됨으로써 피부 타입(218)에 관련한 사용자 정보(210)가 새로 생성될 수 있다.

즉, 사용자 정보(210)는 성별 정보(211), 연령 정보(212), 설문 정보(213), 이전 제품 평가 정보(214), 얼굴 이미지(215), 선호도(216), 희망 가격대(217) 및 피부 타입(218) 중 적어도 하나를 포함할 수 있으며, 선호도 분석 모델(330) 및 얼굴 이미지 분석 모델(350)을 통해 사용자별 사용자 정보(210)를 새로 생성할 수 있다.

화장품 정보(230)는 하나 이상의 화장품에 대한 제품명 정보(231), 가격 정보(232), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나가 크롤링 되어 생성될 수 있다. 그리고, 크롤링 된 화장품 정보(230)는 제품별로 사전결정된 위치에 저장될 수 있다. 또한, 화장품 정보는 사전에 설정된 웹사이트에서 크롤링 될 수 있다. 보다 구체적으로, 화장품 정보(230)는 사전 설정된 웹사이트로부터 화장품 정보(230) 중 적어도 일부를 획득할 수 있다. 예를 들어, 프로세서(110)는 RPA 엔진을 통해 중국 CFDA(China Food & Drug Administration), 한국 식품의약품안전처 및 국가별 화장품 원료 통합 정보 시스템 중 적어도 하나를 실시간으로 크롤링하여 화장품 정보(230)를 지속적으로 획득할 수 있다. 그리고, 화장품 정보(230)는 실시간으로 획득되는 데이터를 메모리(130) 또는, 가상의 서버에 저장함으로써 데이터베이스를 항상 최신 상태로 유지할 수 있다.

또한, 본 개시의 일 실시예에 따라 화장품 정보(230)는 비건 화장품 인증 기관으로부터 비건 화장품 인증 정보(236)를 크롤링하여 생성할 수 있다. 이에 따라, 화장품 정보(230)는 비건 화장품 인증 기관의 서버로부터 제품별 비건 화장품 인증 정보(236)를 수신할 수 있다. 그리고, 프로세서(110)는 수신된 제품별 비건 화장품 인증 정보(236)에 기초하여 화장품 정보(230)를 저장하거나, 또는 업데이트 할 수 있다.

그리고, 일 실시예에 따라 화장품 정보(230)는 기업 회원으로 인증된 사용자로부터 수신한 입력에 기초하여 결정될 수 있다. 보다 구체적으로, 기업 회원으로 인증된 사용자로부터 화장품 정보 입력을 수신할 수 있다. 여기서 화장품 정보 입력은 사용자가 소속된 기업에서 생산하고 있는 화장품에 대한 다양한 정보를 포함할 수 있다.

화장품 정보(230)는 제품명 정보(231), 가격 정보(232), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 분석하여 업데이트될 수 있다. 보다 구체적으로, 본 개시의 일 실시예에 따른 평가 정보(234)는 텍스트로 구성된 리뷰 정보(235)를 포함할 수 있다. 그리고, 화장품 정보(230) 중 리뷰 정보(235)를 전처리 모델(370)을 통해 연산함으로써 하나 이상의 화장품에 대한 평가 정보(234)를 생성할 수 있다. 여기서 전처리 모델(370)은 하나 이상의 단어를 포함하는 문장의 데이터에 기초하여 패턴을 학습하기 위한 딥 러닝 모델 중 RNN 구조로 구성될 수 있다. 그리고 전처리 모델(370)은 리뷰 정보(235)에 포함된 단어 및 단어의 배열에 기초하여 평가 정보(234)를 생성할 수 있다.

즉, 화장품 정보(230)는 제품명 정보(231), 가격 정보(232), 성분 정보(233), 평가 정보(234) 및 리뷰 정보(235) 중 적어도 하나를 포함할 수 있으며, 전처리 모델(370) 및 실시간 RPA 엔진을 통해서 제품별 화장품 정보(230)를 새로 생성할 수 있다.

추천 화장품 정보(250)는 매칭 적합도(251), 비건 화장품 정보(253) 및 맞춤 제작 정보(255) 중 적어도 하나를 포함할 수 있다. 보다 구체적으로, 화장품 추천 모델(310)은 사용자 정보(210) 및 화장품 정보(230)에 기초하여 추천 화장품 정보(250)를 생성할 수 있다. 여기서 매칭 적합도는 사용자 정보(210)의 이전 제품 평가 정보(214)를 입력 데이터로 하여 제품별, 또는 성분별 매칭 적합도가 산출될 수 있다. 또한, 비건 화장품 정보(253)는 사용자 정보(210)의 매칭 적합도(251)와 화장품 정보(230)의 성분 정보(233)에 기초하여 비건 화장품인지 여부를 판단한 비건 화장품 정보(253)를 포함할 수 있다. 여기서 비건 화장품 정보(253)는 해당 제품이 비건 화장품에 등록된 제품인지에 대한 정보이거나, 또는 해당 제품의 성분 정보(233)와 비건 화장품에 들어가선 안 되는 성분 리스트를 비교한 정보 중 적어도 하나를 포함할 수 있다. 또한, 추천 화장품 정보(250)는 화장품의 성분별 매칭 적합도(251)에 기초하여 매칭 적합도(251)가 높은 하나 이상의 성분으로 구성된 맞춤 제작 정보(255)를 생성할 수 있다. 여기서 맞춤 제작 정보(255)는 각 성분의 이름, 적절한 비율, 각 성분을 구할 수 있는 구입처, 또는 맞춤 제작을 요청할 수 있는 기업의 리스트 등을 포함할 수 있다

도 3은 본 개시의 일 실시예에 따른 이미지 인식과 관련된 동작의 예시도이다.

프로세서(110)는 네트워크부(150)를 통해 얼굴 이미지(215)를 수신할 수 있다. 그리고, 프로세서(110)는 얼굴 이미지(215)를 얼굴 이미지 분석 모델(350)을 통해 연산함으로써 사용자의 피부 타입(218)에 대한 정보를 포함하는 사용자 정보(210)를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 네트워크부(150)를 통해 사용자의 얼굴 중 적어도 일부에 대한 얼굴 이미지(215)를 수신할 수 있다. 그리고, 프로세서(110)는 얼굴 이미지(215) 상에서 촬영된 사용자의 피부 표면 이미지를 추출할 수 있다. 또한, 프로세서(110)는 상기 피부 표면 이미지를 얼굴 이미지 분석 모델(350)을 통해 연산하여 피부 타입(218)을 결정할 수 있다. 그리고, 프로세서(110)는 피부 타입(218)을 사용자 정보(210)에 추가하여 저장될 수 있도록 결정할 수 있다.

보다 구체적으로, 프로세서(110)는 수신된 얼굴 이미지(215)에 대해서 영상 처리 알고리즘을 통해 사용자의 피부 표면 부분을 추출할 수 있다. 그리고, 프로세서(110)는 얼굴 이미지(215) 상에서 추출된 엣지와 각 피부 타입별 표준 이미지를 비교함으로써 피부 타입(218)을 추출할 수 있다. 또한, 실시예에 따라 프로세서(110)는 얼굴 이미지 분석 모델(350)을 통해 피부 타입별 분류 스코어를 획득하고, 피부 타입별 분류 스코어에 기초하여 사용자의 피부 타입(218)을 결정할 수 있다. 즉, 프로세서(110)는 가장 높은 분류 스코어를 획득한 피부 타입(218)을 사용자의 피부 타입으로 결정할 수 있다.

또한, 본 개시의 일 실시예에 따른 네트워크부(150)는 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지(421)를 수신할 수 있다. 그리고 프로세서(110)는 화장품 문의 이미지(421)에 기초하여 매칭되는 화장품 정보(230)를 반환할 수 있다. 보다 구체적으로, 프로세서(110)는 화장품 문의 이미지(421)에서 화장품의 라벨, 로고, 성분 리스트 및 병의 외관 중 적어도 하나를 추출할 수 있다. 또한, 프로세서(110)는 화장품 문의 이미지(421)에서 추출된 상기 정보들을 화장품 성분 정보(233)와 비교하여 적어도 부분적으로 일치되는 화장품 정보(230)를 사용자에게 반환할 수 있다. 여기서 화장품 정보(230)는 비건 화장품 정보(253)를 포함하여, 사용자가 화장품 문의 이미지(421) 속의 제품이 비건 화장품인지 여부를 확인할 수 있다.

따라서, 사용자는 실시간으로 업데이트 되는 화장품 데이터베이스에서 간단하게 자신에게 적합한 화장품을 추천 받을 수 있다. 또한, 사용자는 각 제품이 비건 화장품인지를 찾아볼 필요 없이 비건 화장품으로 인증된 제품을 추천 받을 수 있다. 또한, 기업 회원의 입장에서도 자사의 제품에 대한 정보를 공개하면서도 홍보를 진행할 수 있으며, 각 개인 회원들의 선호도와 트렌드를 확인하며 신제품을 개발할 수 있어 위험 부담을 크게 줄일 수 있다.

또한, 서비스 제공자의 입장에서는 서비스를 제공할수록 사용자 정보(210), 화장품 정보(230) 및 추천 화장품 정보(250)를 통한 학습으로 사용자들에게 보다 질 높은 서비스를 제공할 수 있어, 사용자들을 만족시킬 수 있다.

도 4는 본 개시의 일 실시예에 따른 비건 화장품 추천하는 방법의 순서도(flow-chart)다.

컴퓨팅 장치(100)는 사용자에 관련된 사용자 정보(210)를 생성할 수 있다. 여기서 사용자는 화장품을 추천 받길 원하는 고객을 의미할 수 있다. 그리고, 사용자 정보(210)는 사용자를 식별하기 위한 개인식별정보 등을 포함할 수 있어, 각 사용자 별로 데이터베이스에 저장될 수 있다.

보다 구체적으로, 컴퓨팅 장치(100)는 사용자에 대한 성별 정보(211), 연령 정보(212), 설문 정보(213) 및 이전 제품 평가 정보(214) 중 적어도 하나를 수집할 수 있다. 그리고, 컴퓨팅 장치(100)는 성별 정보(211), 연령 정보(212), 설문 정보(213) 및 이전 제품 평가 정보(214) 중 적어도 하나를 선호도 분석 모델(330)을 통해 연산함으로써 사용자의 선호도(216) 및 희망 가격대(217) 중 적어도 하나를 포함하는 사용자 정보(210)를 생성할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 얼굴 이미지(215)를 얼굴 이미지 분석 모델(350)을 통해 연산함으로써 사용자의 피부 타입(218)에 대한 정보를 포함하는 사용자 정보(210)를 생성할 수 있다.

컴퓨팅 장치(100)는 화장품 정보(230)를 생성할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 하나 이상의 화장품에 대한 제품명 정보(231), 가격 정보(232), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 크롤링 할 수 있다. 그리고, 컴퓨팅 장치(100)는 크롤링 된 정보에 기초하여 각각의 제품에 대한 화장품 정보(230)를 데이터베이스에 저장할 수 있다.

그리고, 본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 하나 이상의 화장품에 대한 제품명 정보(231), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 사전에 설정된 웹사이트에서 크롤링 할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 네트워크부(150)를 통해 사전 설정된 웹사이트로부터 화장품 정보(230) 중 적어도 일부를 획득할 수 있다. 또한, 본 개시의 다른 일 실시예에 따라 프로세서(110)는 비건 화장품 인증 기관으로부터 비건 화장품 인증 정보(236)를 크롤링 할 수 있다.

그리고, 일 실시예에 따라 컴퓨팅 장치(100)는 기업 회원으로 인증된 사용자로부터 수신한 입력에 기초하여 화장품 정보(230)를 결정할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 네트워크부(150)를 통해 기업 회원으로 인증된 사용자로부터 화장품 정보 입력을 수신할 수 있다. 여기서 화장품 정보 입력은 사용자가 소속된 기업에서 생산하고 있는 화장품에 대한 다양한 정보를 포함할 수 있다.

본 개시의 일 실시예에 따른 평가 정보(234)는 텍스트로 구성된 리뷰 정보(235)를 포함하고, 컴퓨팅 장치(100)는 제품명 정보(231),가격 정보(232), 성분 정보(233) 및 평가 정보(234) 중 적어도 하나를 분석하여 화장품 정보(230)를 업데이트 하는 단계에 있어서, 리뷰 정보(235)를 하나 이상의 네트워크 함수를 포함하는 전처리 모델(370)을 통해 연산함으로써 하나 이상의 화장품에 대한 평가 정보(234)를 생성할 수 있다.

컴퓨팅 장치(100)는 사용자 정보(210) 및 화장품 정보(230)를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델(310)을 통해 연산함으로써 추천 화장품 정보(250)를 생성할 수 있다. 여기서 추천 화장품 정보(250)는 제품별 매칭 적합도(251)를 포함할 수 있다. 또한, 실시예에 따라, 추천 화장품 정보(250)는 비건 화장품 인증 정보(236)를 포함할 수 있다.

컴퓨팅 장치(100)는 사용자 정보(210) 및 화장품 정보(230)를 화장품 추천 모델(310)에 입력하여 제품별 매칭 적합도(251)를 출력할 수 있다. 그리고, 컴퓨팅 장치(100)는 매칭 적합도(251)가 높은 제품의 화장품 정보(230)의 성분 정보(233)에 기초하여 비건 화장품인지 여부를 판단하여 비건 화장품 정보(253)를 생성할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사용자 정보(210)와 화장품 정보(230)의 매칭에 기초하여 하나 이상의 추천 성분을 도출할 수 있다. 그리고, 프로세서(110)는 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보(255)를 생성할 수 있다.

또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지(421)를 수신할 수 있다. 그리고 컴퓨팅 장치(100)는 화장품 문의 이미지(421)에 기초하여 매칭되는 화장품 정보(230)를 반환할 수 있다.

도 5는 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법은 다음과 같은 수단에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 비건 화장품을 추천하는 방법은 사용자에 관련된 사용자 정보를 생성하는 수단(610), 화장품 정보를 생성하는 수단(630) 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 수단(630)을 포함하고, 그리고 상기 화장품 정보를 생성하는 수단은 하나 이상의 화장품에 대한 제품명 정보, 가격 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 수단(621) 및 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 수단(622)을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 수단은 상기 사용자에 대한 성별 정보, 연령 정보, 설문 정보 및 이전 제품 평가 정보 중 적어도 하나를 수집하는 수단 및 상기 성별 정보, 상기 연령 정보, 상기 설문 정보 및 상기 이전 제품 평가 정보 중 적어도 하나를 선호도 분석 모델을 통해 연산함으로써 사용자의 선호도 및 희망 가격대 중 적어도 하나를 포함하는 상기 사용자 정보를 생성하는 수단을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 수단은 상기 사용자에 대한 얼굴 이미지를 수신하는 수단 및 상기 얼굴 이미지를 얼굴 이미지 분석 모델을 통해 연산함으로써 사용자의 피부 타입에 대한 정보를 포함하는 상기 사용자 정보를 생성하는 수단을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 추천 화장품 정보는 비건 화장품 인증 정보를 포함하며, 그리고 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 수단은 비건 화장품 인증 기관으로부터 상기 비건 화장품 인증 정보를 수집하는 수단을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 수단은 사전 설정된 웹사이트에서 수행될 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 평가 정보는 텍스트로 구성된 리뷰 정보를 포함하고, 그리고 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 수단은 상기 리뷰 정보를 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 화장품에 대한 상기 평가 정보를 생성하는 수단을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 수단은 상기 사용자 정보와 상기 화장품 정보의 매칭에 기초하여 하나 이상의 추천 성분을 도출하는 수단 및 상기 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보를 생성하는 수단을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지를 수신하는 수단 및 상기 화장품 문의 이미지에 기초하여 매칭되는 상기 화장품 정보를 반환하는 수단을 더 포함할 수 있다.

본 개시의 다른 일 실예에 따른 하나 이상의 프로세서에서 수행되는 사용자에게 화장품을 추천하기 위한 방법이 개시될 수 있다. 상기 방법은 사용자에 관련된 사용자 정보를 생성하는 수단, 화장품 정보를 생성하는 수단 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 수단을 포함하고, 그리고 상기 화장품 정보를 생성하는 수단은 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 수단 및 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 수단을 포함할 수 있다.

또한, 다른 일 실시예에 따라 컴퓨팅 장치가 수행될 수 있다. 상기 컴퓨팅 장치는 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는 사용자에 관련된 사용자 정보를 생성하고, 화장품 정보를 생성하고, 그리고 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 수단을 포함하고, 그리고 상기 화장품 정보는 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하고, 그리고 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 할 수 있다.

도 6은 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법은 사용자에 관련된 사용자 정보를 생성하는 모듈(710), 화장품 정보를 생성하는 모듈(720) 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 모듈(730)을 포함하고, 그리고 상기 화장품 정보를 생성하는 모듈은 하나 이상의 화장품에 대한 제품명 정보, 가격 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 모듈(721) 및 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 모듈(722)을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 모듈은 상기 사용자에 대한 성별 정보, 연령 정보, 설문 정보 및 이전 제품 평가 정보 중 적어도 하나를 수집하는 모듈 및 상기 성별 정보, 상기 연령 정보, 상기 설문 정보 및 상기 이전 제품 평가 정보 중 적어도 하나를 선호도 분석 모델을 통해 연산함으로써 사용자의 선호도 및 희망 가격대 중 적어도 하나를 포함하는 상기 사용자 정보를 생성하는 모듈을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 모듈은 상기 사용자에 대한 얼굴 이미지를 수신하는 모듈 및 상기 얼굴 이미지를 얼굴 이미지 분석 모델을 통해 연산함으로써 사용자의 피부 타입에 대한 정보를 포함하는 상기 사용자 정보를 생성하는 모듈을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 추천 화장품 정보는 비건 화장품 인증 정보를 포함하며, 그리고 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 모듈은 비건 화장품 인증 기관으로부터 상기 비건 화장품 인증 정보를 수집하는 모듈을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 모듈은 사전 설정된 웹사이트에서 수행될 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 평가 정보는 텍스트로 구성된 리뷰 정보를 포함하고, 그리고 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 모듈은 상기 리뷰 정보를 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 화장품에 대한 상기 평가 정보를 생성하는 모듈을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 모듈은 상기 사용자 정보와 상기 화장품 정보의 매칭에 기초하여 하나 이상의 추천 성분을 도출하는 모듈 및 상기 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보를 생성하는 모듈을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지를 수신하는 모듈 및 상기 화장품 문의 이미지에 기초하여 매칭되는 상기 화장품 정보를 반환하는 모듈을 더 포함할 수 있다.

본 개시의 다른 일 실예에 따른 하나 이상의 프로세서에서 수행되는 사용자에게 화장품을 추천하기 위한 방법이 개시될 수 있다. 상기 방법은 사용자에 관련된 사용자 정보를 생성하는 모듈, 화장품 정보를 생성하는 모듈 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 모듈을 포함하고, 그리고 상기 화장품 정보를 생성하는 모듈은 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 모듈 및 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 모듈을 포함할 수 있다.

또한, 다른 일 실시예에 따라 컴퓨팅 장치가 수행될 수 있다. 상기 컴퓨팅 장치는 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는 사용자에 관련된 사용자 정보를 생성하고, 화장품 정보를 생성하고, 그리고 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 모듈을 포함하고, 그리고 상기 화장품 정보는 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하고, 그리고 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 할 수 있다.

도 7은 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 비건 화장품을 추천하는 방법은 사용자에 관련된 사용자 정보를 생성하는 로직(810), 화장품 정보를 생성하는 로직(820) 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 로직(830)을 포함하고, 그리고 상기 화장품 정보를 생성하는 로직은 하나 이상의 화장품에 대한 제품명 정보, 가격 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 로직(821) 및 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 로직(822)을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 로직은 상기 사용자에 대한 성별 정보, 연령 정보, 설문 정보 및 이전 제품 평가 정보 중 적어도 하나를 수집하는 로직 및 상기 성별 정보, 상기 연령 정보, 상기 설문 정보 및 상기 이전 제품 평가 정보 중 적어도 하나를 선호도 분석 모델을 통해 연산함으로써 사용자의 선호도 및 희망 가격대 중 적어도 하나를 포함하는 상기 사용자 정보를 생성하는 로직을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 로직은 상기 사용자에 대한 얼굴 이미지를 수신하는 로직 및 상기 얼굴 이미지를 얼굴 이미지 분석 모델을 통해 연산함으로써 사용자의 피부 타입에 대한 정보를 포함하는 상기 사용자 정보를 생성하는 로직을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 추천 화장품 정보는 비건 화장품 인증 정보를 포함하며, 그리고 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 로직은 비건 화장품 인증 기관으로부터 상기 비건 화장품 인증 정보를 수집하는 로직을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 로직은 사전 설정된 웹사이트에서 수행될 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 평가 정보는 텍스트로 구성된 리뷰 정보를 포함하고, 그리고 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 로직은 상기 리뷰 정보를 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 화장품에 대한 상기 평가 정보를 생성하는 로직을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 로직은 상기 사용자 정보와 상기 화장품 정보의 매칭에 기초하여 하나 이상의 추천 성분을 도출하는 로직 및 상기 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보를 생성하는 로직을 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지를 수신하는 로직 및 상기 화장품 문의 이미지에 기초하여 매칭되는 상기 화장품 정보를 반환하는 로직을 더 포함할 수 있다.

본 개시의 다른 일 실예에 따른 하나 이상의 프로세서에서 수행되는 사용자에게 화장품을 추천하기 위한 방법이 개시될 수 있다. 상기 방법은 사용자에 관련된 사용자 정보를 생성하는 로직, 화장품 정보를 생성하는 로직 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 로직을 포함하고, 그리고 상기 화장품 정보를 생성하는 로직은 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 로직 및 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 로직을 포함할 수 있다.

또한, 다른 일 실시예에 따라 컴퓨팅 장치가 수행될 수 있다. 상기 컴퓨팅 장치는 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는 사용자에 관련된 사용자 정보를 생성하고, 화장품 정보를 생성하고, 그리고 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 로직을 포함하고, 그리고 상기 화장품 정보는 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하고, 그리고 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 할 수 있다.

도 8은 본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 비건 화장품 추천하는 방법은 다음과 같은 회로에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 비건 화장품을 추천하는 방법은 사용자에 관련된 사용자 정보를 생성하는 회로(910), 화장품 정보를 생성하는 회로(920) 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 회로(930)를 포함하고, 그리고 상기 화장품 정보를 생성하는 회로는 하나 이상의 화장품에 대한 제품명 정보, 가격 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 회로(921) 및 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 회로(922)를 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 회로는 상기 사용자에 대한 성별 정보, 연령 정보, 설문 정보 및 이전 제품 평가 정보 중 적어도 하나를 수집하는 회로 및 상기 성별 정보, 상기 연령 정보, 상기 설문 정보 및 상기 이전 제품 평가 정보 중 적어도 하나를 선호도 분석 모델을 통해 연산함으로써 사용자의 선호도 및 희망 가격대 중 적어도 하나를 포함하는 상기 사용자 정보를 생성하는 회로를 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자에 관련된 사용자 정보를 생성하는 회로는 상기 사용자에 대한 얼굴 이미지를 수신하는 회로 및 상기 얼굴 이미지를 얼굴 이미지 분석 모델을 통해 연산함으로써 사용자의 피부 타입에 대한 정보를 포함하는 상기 사용자 정보를 생성하는 회로를 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 추천 화장품 정보는 비건 화장품 인증 정보를 포함하며, 그리고 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 회로는 비건 화장품 인증 기관으로부터 상기 비건 화장품 인증 정보를 수집하는 회로를 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 회로는 사전 설정된 웹사이트에서 수행될 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 평가 정보는 텍스트로 구성된 리뷰 정보를 포함하고, 그리고 상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 회로는 상기 리뷰 정보를 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 화장품에 대한 상기 평가 정보를 생성하는 회로를 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 회로는 상기 사용자 정보와 상기 화장품 정보의 매칭에 기초하여 하나 이상의 추천 성분을 도출하는 회로 및 상기 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보를 생성하는 회로를 포함할 수 있다.

비건 화장품을 추천하는 방법의 대안적인 실시예에서, 화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지를 수신하는 회로 및 상기 화장품 문의 이미지에 기초하여 매칭되는 상기 화장품 정보를 반환하는 회로를 더 포함할 수 있다.

본 개시의 다른 일 실예에 따른 하나 이상의 프로세서에서 수행되는 사용자에게 화장품을 추천하기 위한 방법이 개시될 수 있다. 상기 방법은 사용자에 관련된 사용자 정보를 생성하는 회로, 화장품 정보를 생성하는 회로 및 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 회로를 포함하고, 그리고 상기 화장품 정보를 생성하는 회로는 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 회로 및 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 회로를 포함할 수 있다.

또한, 다른 일 실시예에 따라 컴퓨팅 장치가 수행될 수 있다. 상기 컴퓨팅 장치는 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는 사용자에 관련된 사용자 정보를 생성하고, 화장품 정보를 생성하고, 그리고 상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 회로를 포함하고, 그리고 상기 화장품 정보는 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하고, 그리고 상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 할 수 있다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 여기서 매체는 저장 매체 및 전송 매체를 포함할 수 있다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 또한, 전송 매체는 명령(들) 및/또는 데이터를 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (10)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용하여 사용자에게 화장품을 추천하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은,
   사용자에 관련된 사용자 정보를 생성하는 단계;
   화장품 정보를 생성하는 단계; 및
   상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계;
   를 포함하고, 그리고
   상기 화장품 정보를 생성하는 단계는,
   하나 이상의 화장품에 대한 제품명 정보, 가격 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계; 및
   상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
   
2. 제 1항에 있어서,
   상기 사용자에 관련된 사용자 정보를 생성하는 단계는,
   상기 사용자에 대한 성별 정보, 연령 정보, 설문 정보 및 이전 제품 평가 정보 중 적어도 하나를 수집하는 단계; 및
   상기 성별 정보, 상기 연령 정보, 상기 설문 정보 및 상기 이전 제품 평가 정보 중 적어도 하나를 선호도 분석 모델을 통해 연산함으로써 사용자의 선호도 및 희망 가격대 중 적어도 하나를 포함하는 상기 사용자 정보를 생성하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1항에 있어서,
   상기 사용자에 관련된 사용자 정보를 생성하는 단계는,
   상기 사용자에 대한 얼굴 이미지를 수신하는 단계; 및
   상기 얼굴 이미지를 얼굴 이미지 분석 모델을 통해 연산함으로써 사용자의 피부 타입에 대한 정보를 포함하는 상기 사용자 정보를 생성하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
4. 제 1항에 있어서,
   상기 추천 화장품 정보는,
   비건 화장품 인증 정보를 포함하며, 그리고
   상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계는,
   비건 화장품 인증 기관으로부터 상기 비건 화장품 인증 정보를 수집하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 1항에 있어서,
   상기 하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계는,
   사전 설정된 웹사이트에서 수행되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
6. 제 1항에 있어서,
   상기 평가 정보는,
   텍스트로 구성된 리뷰 정보를 포함하고, 그리고
   상기 제품명 정보, 상기 가격 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 단계는,
   상기 리뷰 정보를 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 화장품에 대한 상기 평가 정보를 생성하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1항에 있어서,
   상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계는,
   상기 사용자 정보와 상기 화장품 정보의 매칭에 기초하여 하나 이상의 추천 성분을 도출하는 단계; 및
   상기 추천 성분으로 구성된 화장품의 제작과 관련된 맞춤 제작 정보를 생성하는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
8. 제 1항에 있어서,
   화장품의 로고, 용기 및 라벨 중 적어도 일부를 포함하는 화장품 문의 이미지를 수신하는 단계; 및
   상기 화장품 문의 이미지에 기초하여 매칭되는 상기 화장품 정보를 반환하는 단계;
   를 더 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 하나 이상의 프로세서에서 수행되는 사용자에게 화장품을 추천하기 위한 방법으로서,
   사용자에 관련된 사용자 정보를 생성하는 단계;
   화장품 정보를 생성하는 단계; 및
   상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계;
   를 포함하고, 그리고
   상기 화장품 정보를 생성하는 단계는,
   하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하는 단계; 및
   상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는 단계;
   를 포함하는,
   사용자에게 화장품을 추천하기 위한 방법.
   
   
10. 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    사용자에 관련된 사용자 정보를 생성하고,
    화장품 정보를 생성하고, 그리고
    상기 사용자 정보 및 상기 화장품 정보를 하나 이상의 네트워크 함수를 포함하는 화장품 추천 모델을 통해 연산함으로써 추천 화장품 정보를 생성하는 단계;
    를 포함하고, 그리고
    상기 화장품 정보는,
    하나 이상의 화장품에 대한 제품명 정보, 성분 정보 및 평가 정보 중 적어도 하나를 크롤링 하고, 그리고
    상기 제품명 정보, 상기 성분 정보 및 상기 평가 정보 중 적어도 하나를 분석하여 상기 화장품 정보를 업데이트 하는,
    컴퓨팅 장치.
    

Images