KR20230110451A - 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에대한 정보를 전송하는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에대한 정보를 전송하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20230110451A KR20230110451A KR1020230086388A KR20230086388A KR20230110451A KR 20230110451 A KR20230110451 A KR 20230110451A KR 1020230086388 A KR1020230086388 A KR 1020230086388A KR 20230086388 A KR20230086388 A KR 20230086388A KR 20230110451 A KR20230110451 A KR 20230110451A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- information
- accessory
- value
- server
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 71
- 238000013075 data extraction Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 61
- 238000004891 communication Methods 0.000 claims description 58
- 230000009471 action Effects 0.000 claims description 53
- 230000015654 memory Effects 0.000 claims description 42
- 210000004209 hair Anatomy 0.000 claims description 25
- 230000037308 hair color Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000037237 body shape Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 210000005069 ears Anatomy 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 33
- 230000000875 corresponding effect Effects 0.000 description 31
- 230000005021 gait Effects 0.000 description 29
- 210000004027 cell Anatomy 0.000 description 25
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 210000001061 forehead Anatomy 0.000 description 13
- 238000007726 management method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000001815 facial effect Effects 0.000 description 7
- 235000019640 taste Nutrition 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012217 deletion Methods 0.000 description 6
- 230000037430 deletion Effects 0.000 description 6
- 210000003128 head Anatomy 0.000 description 6
- 210000004197 pelvis Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 108091006146 Channels Proteins 0.000 description 5
- 210000000544 articulatio talocruralis Anatomy 0.000 description 5
- 210000004394 hip joint Anatomy 0.000 description 5
- 210000000629 knee joint Anatomy 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 3
- 239000010432 diamond Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000002414 leg Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 235000014443 Pyrus communis Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 210000000624 ear auricle Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- -1 wool Polymers 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q30/0218—Discounts or incentives, e.g. coupons or rebates involving input on products or services in exchange for incentives or rewards based on score
-
- 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
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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
- G06Q30/0235—Discounts or incentives, e.g. coupons or rebates constrained by time limit or expiration date
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
실시예들은 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지를 포함하는 사용자의 외형 정보 및 사용자의 기본 정보를 상기 사용자 단말로부터 수신하고, 상기 사용자의 외형 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 데이터 추출 모델을 통해 사용자의 특징 정보를 결정하고, 상기 사용자의 특징 정보 및 상기 사용자의 기본 정보를 기반으로 상기 서버에 사전 저장된 액세서리 정보로부터 액세서리 후보 리스트를 결정하고, 상기 액세서리 후보 리스트가 결정된 것에 기반하여, 수집 요청 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 사용자의 구매 이력 정보 및 사용자의 SNS(social network service) 활동 정보를 수집하고, 상기 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 선호도 분석 모델을 통해 사용자의 액세서리 상품별 선호도를 결정하고, 상기 사용자의 액세서리 상품별 선호도 및 액세서리 상품별 트렌드 점수에 기반하여 상기 액세서리 후보 리스트 중에서 추천 액세서리를 결정하고, 상기 추천 액세서리에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 액세서리 상품별 트렌드 점수는 사전 설정된 주기동안 복수의 SNS에서 생성된 복수의 게시글 중에서 액세서리와 관련된 키워드가 포함된 게시글의 개수에 따라 결정될 수 있다.
Description
본 개시의 실시예들은 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치에 대한 것이다.
한편, 인터넷과 무선 통신 기술이 발달하면서 현재 인터넷을 이용한 온라인 쇼핑몰에서 상품을 사고 파는 전자 상거래가 보편화되어 있다. 종래 전자 상거래에서 상품을 추천하는 알고리즘은 고객의 취향을 예측하고, 고객의 취향에 따라 추천 상품을 제공하는 방식이 대부분이며, 고객의 취향을 예측하는 과정이 중요하다.
특히, 빅데이터와 AI(artificial intelligence)가 추천 알고리즘에 도입되면서, 고객에 대한 데이터가 확보된다면 고객의 취향을 예측하기가 보다 용이할 수 있다. 그러나, 고객의 데이터는 개인 정보로 고객이 개인 정보에 대한 수집을 허가한 경우에만 활용할 수 있기 때문에, 고객이 개인 정보에 대한 수집을 허가하지 않은 경우에는 고객의 취향을 예측하기 어려울 수 있다. 또한, 고객이 개인 정보에 대한 수집을 허가한 경우라도, 고객이 온라인 상에서 활동한 데이터가 부족한 경우에는 고객의 취향을 예측하기 어려울 수 있다.
한편, 액세서리 상품의 경우, 고객의 체형, 얼굴형, 패션 스타일, 헤어 스타일 등에 따라 고객마다 어울리는 액세서리 상품이 상이할 수 있다. 대부분의 고객은 자신의 전체적인 외형이나 얼굴형을 고려하지 않고, 본인이 선호하는 액세서리 상품을 구매하고 착용하기 때문에, 액세서리 상품의 구매 시 고객의 만족도가 낮을 수 있다.
이에, 사용자 단말로부터 사용자가 의류를 착용하고 촬영한 이미지와 사용자의 얼굴을 촬영한 이미지를 수신하여, 뉴럴 네트워크를 통해 사용자에게 적합한 액세서리 후보를 결정함으로써, 사용자가 개인 정보에 대한 수집을 허용하지 않은 경우에는 SNS(social network service) 정보에 따른 트렌드에 기반하여 액세서리 후보 중에서 결정된 추천 액세서리에 대한 정보를 전송하고, 사용자가 개인 정보에 대한 수집을 허용한 경우에는 사용자의 온라인 활동에 대한 정보 및 SNS 정보에 따른 트렌드에 기반하여 액세서리 후보 중에서 결정된 추천 액세서리에 대한 정보를 사용자 단말에게 전송하는 방법이 필요하다. 또한, 사용자가 개인 정보에 대한 수집을 허용한 경우라도, 추천 액세서리를 결정하기 위한 개인 정보가 부족하면, 사용자의 취향을 파악하기 위한 정보를 수신함으로써, 추천 액세서리에 대한 정보를 사용자 단말에게 전송하는 방법이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법은, 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지를 포함하는 사용자의 외형 정보 및 사용자의 기본 정보를 상기 사용자 단말로부터 수신하고, 상기 사용자의 외형 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 데이터 추출 모델을 통해 사용자의 특징 정보를 결정하고, 상기 사용자의 특징 정보 및 상기 사용자의 기본 정보를 기반으로 상기 서버에 사전 저장된 액세서리 정보로부터 액세서리 후보 리스트를 결정하고, 상기 액세서리 후보 리스트가 결정된 것에 기반하여, 수집 요청 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 사용자의 구매 이력 정보 및 사용자의 SNS(social network service) 활동 정보를 수집하고, 상기 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 선호도 분석 모델을 통해 사용자의 액세서리 상품별 선호도를 결정하고, 상기 사용자의 액세서리 상품별 선호도 및 액세서리 상품별 트렌드 점수에 기반하여 상기 액세서리 후보 리스트 중에서 추천 액세서리를 결정하고, 상기 추천 액세서리에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 액세서리 상품별 트렌드 점수는 사전 설정된 주기동안 복수의 SNS에서 생성된 복수의 게시글 중에서 액세서리와 관련된 키워드가 포함된 게시글의 개수에 따라 결정될 수 있다.
일 실시 예에 따라, 상기 데이터 추출 모델은 패스터 R-CNN(faster regions with convolutional neural network) 모델이 사용될 수 있다. 상기 제1 이미지에 대한 데이터 전처리를 통해 복수의 제1 관심 영역으로 구성된 제1 입력 벡터가 생성될 수 있다. 상기 복수의 제1 관심 영역은 사용자의 헤어 컬러와 관련된 관심 영역, 사용자의 헤어 스타일과 관련된 관심 영역, 사용자의 체형과 관련된 관심 영역, 사용자의 목과 관련된 관심 영역 및 사용자의 패션 스타일과 관련된 관심 영역을 포함할 수 있다. 상기 제2 이미지에 대한 데이터 전처리를 통해 복수의 제2 관심 영역으로 구성된 제2 입력 벡터가 생성될 수 있다. 상기 복수의 제2 관심 영역은 사용자의 피부 톤과 관련된 관심 영역, 사용자의 귀와 관련된 관심 영역 및 사용자의 얼굴형과 관련된 관심 영역을 포함할 수 있다. 상기 제1 입력 벡터와 상기 제2 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되는 것에 기반하여 상기 사용자의 특징 정보가 결정될 수 있다. 상기 사용자의 특징 정보는 사용자의 피부 톤에 대한 값, 사용자의 헤어 컬러에 대한 값, 사용자의 헤어 스타일과 관련된 값, 사용자의 체형에 대한 값, 사용자의 패션 스타일에 대한 값, 사용자의 얼굴형에 대한 값, 사용자의 귀와 관련된 값 및 사용자의 목과 관련된 값을 포함할 수 있다.
일 실시 예에 따라, 상기 선호도 분석 모델은 다변량 LSTM(long short term memory networks) 모델이 사용될 수 있다. 상기 사용자의 구매 이력 정보는 사용자의 구매 상품에 대한 정보, 사용자의 구매 상품에 대한 평점 정보, 사용자의 구매 상품에 대한 클릭 횟수, 사용자의 구매 상품에 대한 찜하기 여부, 사용자의 구매 상품에 대한 링크 공유 횟수 및 사용자의 구매 상품 페이지에 대한 체류 시간을 포함할 수 있다. 상기 사용자의 SNS 활동 정보는 사용자가 구매 상품과 관련된 게시글을 SNS에 업로드한 횟수를 포함할 수 있다. 상기 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 구매 활동 벡터가 생성될 수 있다. 상기 시간 가중치는 사용자가 최근 구매한 상품에 대해 더 큰 값으로 설정될 수 있다. 상기 행위 가중치는 사용자의 정규화된 행위 값에 기반하여 구매와 관련된 행위에 대한 비율이 클수록 더 큰 값으로 설정될 수 있다. 상기 구매 활동 벡터는 구매 상품별 평점과 관련된 값, 구매 상품별 클릭 회수와 관련된 값, 구매 상품별 찜하기 여부와 관련된 값, 구매 상품별 링크 공유 횟수와 관련된 값, 구매 상품별 체류 시간과 관련된 값 및 구매 상품별 SNS 업로드 횟수와 관련된 값으로 구성될 수 있다. 상기 구매 활동 벡터가 상기 제2 뉴럴 네트워크에 입력되는 것에 기반하여 상기 사용자의 액세서리 상품별 선호도가 결정될 수 있다.
예를 들어, 상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 크거나 같은 것에 기반하여, 상기 사용자의 액세서리 상품별 선호도가 결정될 수 있다. 상기 사전 설정된 기준 값은 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 Bth는 상기 사전 설정된 기준 값이고, 상기 nallow는 상기 수집 허용 메시지를 수신한 횟수이고, 상기 nref는 상기 서버에 설정된 기준 횟수이고, 상기 ndef는 상기 사용자의 선호도 정보를 결정하기 위한 기본 구매 횟수이고, 상기 k는 액세러리의 종류의 개수이고, 상기 l은 구매와 관련된 행위의 종류의 개수이고, 상기 bij는 i번째 액세서리 종류에 대해 j번째 구매와 관련된 행위를 상기 서버에 저장하기 위한 용량일 수 있다.
예를 들어, 상기 수집 허용 메시지를 수신한 것에 기반하여 상기 추천 액세서리에 대한 정보에 할인 정보가 추가될 수 있다. 상기 할인 정보는 상기 추천 액세서리에 대한 할인율과 할인기간을 포함할 수 있다. 상기 추천 액세서리에 대한 할인율은 상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량의 크기에 기반하여 상이하게 결정될 수 있다. 상기 추천 액세서리에 대한 할인기간은 상기 사용자의 액세서리 상품별 선호도에 따라 상이하게 결정될 수 있다.
부가적으로, 예를 들어, 트렌드 점수는 하기 수학식에 의해 결정될 수 있다.
수학식에서, 상기 T는 트렌드 점수이고, 상기 m은 복수의 SNS의 개수이고, 상기 는 s번째 SNS에 대한 가중치이고, 상기 nt는 s번째 SNS에서 사전 설정된 주기동안 액세서리와 관련된 키워드가 포함된 게시글이 생성된 개수이고, 상기 nt-1은 s번째 SNS에서 사전 설정된 주기의 이전 주기동안 액세서리와 관련된 키워드가 포함된 게시글이 생성된 개수일 수 있다.
실시예들에 따르면, 서버는 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지를 포함하는 사용자의 외형 정보 및 사용자의 기본 정보를 반영하여 패스터 R-CNN(faster regions with convolutional neural network) 모델을 통해 추천 액세서리를 결정할 수 있다. 따라서, 서버는 사용자의 신체적 특징 및 패션 스타일을 보다 정확하게 추출하고, 사용자에게 어울리는 액세서리를 추천함으로써, 사용자의 구매 만족도를 높일 수 있다.
실시예들에 따르면, 서버는 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 사용자의 구매 이력 정보 및 사용자의 SNS(social network service) 활동 정보를 수집하고, 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 기반하여 뉴럴 네트워크를 이용하는 선호도 분석 모델을 통해 시간 가중치와 행위 가중치를 반영한 사용자의 액세서리 상품별 선호도를 결정할 수 있다. 이로 인해, 서버는 무단으로 개인 정보를 이용하지 않고, 사용자의 허용 하에 사용자의 액세서리 상품에 대한 선호도를 안전하고 정확하게 파악할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 제1 이미지의 제1 특징점들을 나타낸 도면이다.
도 5는 일 실시예에 따른 제2 이미지의 제2 특징점들을 나타낸 도면이다.
도 6은 일 실시예에 따른 데이터 추출 모델에 대한 예이다.
도 7은 일 실시예에 따른 선호도 분석 모델에 대한 예이다.
도 8은 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸 흐름도이다.
도 9는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 복수의 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸 신호 교환도이다.
도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 제1 이미지의 제1 특징점들을 나타낸 도면이다.
도 5는 일 실시예에 따른 제2 이미지의 제2 특징점들을 나타낸 도면이다.
도 6은 일 실시예에 따른 데이터 추출 모델에 대한 예이다.
도 7은 일 실시예에 따른 선호도 분석 모델에 대한 예이다.
도 8은 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸 흐름도이다.
도 9는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 복수의 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸 신호 교환도이다.
도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 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 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 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, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸다. 도 4는 일 실시예에 따른 제1 이미지의 제1 특징점들을 나타낸 도면이다. 도 5는 일 실시예에 따른 제2 이미지의 제2 특징점들을 나타낸 도면이다. 도 3 내지 도 5의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버(예: 도 1의 서버(108))는 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지를 포함하는 사용자의 외형 정보 및 사용자의 기본 정보를 사용자 단말(예: 도 1의 전자 장치(101))로부터 수신할 수 있다.
서버는 사용자 단말과 관련된 다양한 정보를 수집하고, 수집된 정보를 기반으로 뉴럴 네트워크를 활용하여 현재 트렌드와 사용자의 체형 및 취향에 적합한 액세서리 상품을 추천하는 서버일 수 있다. 사용자 단말은 사용자의 외형 정보, 구매 이력 정보 등 다양한 정보를 사용자 단말에 설치된 사용자 인터페이스를 통해 서버에게 제공하고, 서버로부터 추천 액세서리에 대한 정보를 수신하는 단말일 수 있다.
사용자의 외형 정보는 사용자의 외형을 판단하기 위한 정보이다. 사용자가 의류를 착용한 제1 이미지는 사용자의 체형 및 사용자의 패션 스타일을 파악할 수 있는 이미지로서, 복수의 이미지를 포함할 수 있다. 사용자의 얼굴에 대한 제2 이미지는 사용자의 얼굴형 및 헤어 스타일을 파악할 수 있는 이미지로서, 복수의 이미지를 포함할 수 있다. 예를 들어, 사용자의 얼굴에 대한 제2 이미지는 사용자의 귀가 나타나는 이미지일 수 있다.
사용자의 기본 정보는 사용자에 대한 기본적인 정보로서, 예를 들어, 사용자의 ID, 사용자의 나이, 사용자의 성별, 사용자의 주소 및 사용자의 예산을 포함할 수 있다. 여기서, 사용자의 ID는 온라인 쇼핑몰에 대한 ID 또는 SNS(social network service) ID 중 적어도 하나를 포함할 수 있다. 사용자의 예산은 사용자가 구매를 원하는 액세서리 상품 가격의 범위를 포함할 수 있다.
일 실시예에 따르면, 사용자 단말로부터 수신한 제1 이미지 또는 제2 이미지가 사전 설정된 기준을 만족시키지 못한 경우, 서버는 사용자 단말에게 제1 이미지 또는 제2 이미지를 재요청할 수 있다. 예를 들어, 사용자 단말은 상기 사용자 단말에 설치된 사용자 인터페이스를 통해 사전 설정된 기준을 만족하는 제1 이미지 또는 제2 이미지를 촬영하고, 촬영된 제1 이미지 또는 제2 이미지를 서버에게 전송할 수 있다.
단계 S320에서, 서버는 사용자의 외형 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 데이터 추출 모델을 통해 사용자의 특징 정보를 결정할 수 있다.
예를 들어, 데이터 추출 모델은 패스터 R-CNN(faster regions with convolutional neural network) 모델이 사용될 수 있다.
R-CNN(Regions with Convolutional Neural Network)은 설정한 영역을 CNN의 입력 값으로 활용하여 객체 탐지를 수행하는 뉴럴 네트워크를 의미한다. R-CNN은 영역을 추정하고, 영역을 분류하는 두 동작을 수행할 수 있다. 예를 들어, R-CNN은 이미지에 있는 데이터와 레이블을 투입하여 카테고리에 무관하게 물체의 영역을 탐색하는 영역 제안(Region Proposal), 제안된 영역으로부터 고정된 크기의 특징 벡터를 워핑/크롭(warping/crop)하여 CNN의 인풋으로 사용할 수 있다. 여기서, CNN은 사전 훈련된 네트워크가 사용되고, CNN을 통해 나온 특징 맵을 활용하여 선형 지도학습 모델인 SVM(Support Vector Machine)을 통한 분류를 수행하고, 레그레서(Regressor)를 통한 경계 박스 회귀(bounding box regression)을 진행할 수 있다. 이때, R-CNN은 한 이미지당 2천번의 CNN을 수행하므로 매우 느린 단점이 있으며, 이를 해결하기 위해 패스트(Fast) R-CNN은 해당 영역의 특징을 원본 이미지에서 추출(Crop)하는 것이 아니라, 특징 맵에서 추출함으로써, 1번의 CNN을 통과시킬 수 있다. 즉, 패스트 R-CNN은 관심 영역(ROI)(region of interest)에 대한 풀링을 수행함으로써, 각각의 영역을 고정 크기의 벡터로 변환시키고, 각각의 벡터를 FC(fully connected) 레이어를 통과시켜 속도를 개선시킬 수 있다. 다만, 패스트 R-CNN에서 영역을 제안하기 위해 사용되는 알고리즘의 병목 현상으로 인해 여전히 속도가 느린 문제가 있었고, 패스터 R-CNN은 영역 제안에 대한 알고리즘 대신 RPN(region proposal network)을 사용하여 영역 제안 속도를 향상시켰다.
예를 들어, 서버는 제1 이미지에 대한 데이터 전처리를 통해 복수의 제1 관심 영역으로 구성된 제1 입력 벡터를 생성할 수 있다. 복수의 제1 관심 영역은 사용자의 헤어 컬러와 관련된 관심 영역, 사용자의 헤어 스타일과 관련된 관심 영역, 사용자의 체형과 관련된 관심 영역, 사용자의 목과 관련된 관심 영역 및 사용자의 패션 스타일과 관련된 관심 영역을 포함할 수 있다.
사용자의 헤어 컬러와 관련된 관심 영역은 제1 이미지에서 사용자의 머리카락이 위치한 영역일 수 있다. 사용자의 헤어 스타일과 관련된 관심 영역은 제1 이미지에서 사용자의 머리가 위치한 영역 중에서 사용자의 얼굴 영역을 제외한 영역일 수 있다. 사용자의 체형과 관련된 관심 영역은 제1 이미지에서 사용자의 신체 윤곽선을 포함하는 영역일 수 있다. 사용자의 목과 관련된 관심 영역은 제1 이미지에서 사용자의 얼굴의 밑부분부터 사용자의 팔꿈치 윗부분까지의 영역일 수 있다. 사용자의 패션 스타일과 관련된 관심 영역은 제1 이미지에서 사용자의 머리 영역을 제외한 영역일 수 있다. 예를 들어, 복수의 제1 관심 영역 각각은 하나 이상의 제1 특징점을 포함할 수 있다.
예를 들어, 서버는 제2 이미지에 대한 데이터 전처리를 통해 복수의 제2 관심 영역으로 구성된 제2 입력 벡터를 생성할 수 있다. 복수의 제2 관심 영역은 사용자의 피부 톤과 관련된 관심 영역, 사용자의 귀와 관련된 관심 영역 및 사용자의 얼굴형과 관련된 관심 영역을 포함할 수 있다. 예를 들어, 복수의 제2 관심 영역 각각은 하나 이상의 제2 특징점을 포함할 수 있다.
사용자의 피부 톤과 관련된 관심 영역은 제2 이미지에서 사용자의 얼굴에 대한 영역 중 특정 영역일 수 있다. 사용자의 귀와 관련된 관심 영역은 제2 이미지에서 사용자의 얼굴을 기준으로 얼굴 라인의 바깥 양 측면의 영역일 수 있다. 사용자의 얼굴형과 관련된 관심 영역은 제2 이미지에서 사용자의 얼굴 라인을 포함하는 영역일 수 있다.
예를 들어, 서버는 제1 입력 벡터와 상기 제2 입력 벡터가 제1 뉴럴 네트워크에 입력되는 것에 기반하여 사용자의 특징 정보를 결정할 수 있다.
사용자의 특징 정보는 사용자의 피부 톤에 대한 값, 사용자의 헤어 컬러에 대한 값, 사용자의 헤어 스타일과 관련된 값, 사용자의 체형에 대한 값, 사용자의 패션 스타일에 대한 값, 사용자의 얼굴형에 대한 값, 사용자의 귀와 관련된 값 및 사용자의 목과 관련된 값을 포함할 수 있다.
예를 들어, 사용자의 피부 톤에 대한 값은 RGB(red green blue) 값에 따라 분류된 복수의 피부 톤 유형 중 하나의 피부 톤 유형을 나타내는 값으로, 예를 들어, 12가지 피부 톤 유형 중 하나의 피부 톤 유형을 나타내는 값일 수 있다. 예를 들어, 서버는 사용자의 피부 톤과 관련된 관심 영역에 대한 RGB 값을 HSV(hue, saturation, value) 값으로 변환할 수 있다. 예를 들어, 서버는 데이터 추출 모델을 통해 복수의 사전 분류된 HSV 값의 범위 중에서 변환된 HSV 값이 포함되는 범위를 결정하고, 사용자의 피부 톤에 대한 값을 해당 범위에 대응하는 유형을 나타내는 값으로 결정할 수 있다. 예를 들어, 12가지 유형은 색상, 채도 및 명도에 따라 분류될 수 있고, 예를 들어, 저채도에서 명도가 높아짐에 따라 페일(pale), 라이트, 라이트 그레이시, 다크 그레이시로 분류될 수 있다. 예를 들어, 중간 채도에서 명도가 높아짐에 따라 라이트, 소프트, 덜(dull) 및 다크로 분류될 수 있다. 예를 들어, 고채도에서 명도가 높아짐에 따라 브라이트, 스트롱 및 딥으로 분류될 수 있다. 예를 들어, 채도가 사전 설정된 채도 값 이상이면 비비드로 분류될 수 있다. 여기서, 사전 설정된 채도 값은 고채도에 해당하는 값보다 큰 값일 수 있다.
예를 들어, 사용자의 헤어 컬러에 대한 값은 RGB(red green blue) 값에 따라 분류된 복수의 헤어 컬러 유형 중 하나의 유형을 나타내는 값으로, 예를 들어, 6가지 헤어 컬러 유형 중 하나의 유형을 나타낼 수 있다. 예를 들어, 6가지 헤어 컬러 유형은 검은색, 갈색, 금색, 빨간색, 회색 및 흰색을 포함할 수 있다. 예를 들어, 서버는 데이터 추출 모델을 통해 사용자의 헤어 컬러와 관련된 관심 영역에 대한 RGB 값이 복수의 사전 분류된 RGB 값의 범위 중에서 포함되는 범위를 결정하고, 사용자의 헤어 컬러에 대한 값을 해당 범위에 대응하는 유형을 나타내는 값으로 결정할 수 있다.
예를 들어, 사용자의 헤어 스타일과 관련된 값은 사용자의 헤어 스타일을 표현하기 위한 값으로, 예를 들어, 앞 머리카락의 길이와 관련된 값, 뒷 머리카락의 길이와 관련된 값 및 펌의 정도를 나타내는 값을 포함할 수 있다. 예를 들어, 앞 머리카락의 길이와 관련된 값은 앞 머리카락의 길이와 얼굴 길이에 대한 비율일 수 있고, 뒷 머리카락의 길이와 관련된 값은 뒷 머리카락의 길이와 얼굴 길이에 대한 비율일 수 있고, 펌의 정도를 나타내는 값은 머리카락의 곡률에 대한 값일 수 있다. 예를 들어, 서버는 데이터 추출 모델을 통해 사용자의 헤어 스타일과 관련된 관심 영역에서 앞 머리카락의 길이와 얼굴 길이에 대한 비율, 뒷 머리카락의 길이와 얼굴 길이에 대한 비율 및 머리카락의 곡률에 대한 값을 결정할 수 있다.
예를 들어, 사용자의 체형에 대한 값은 복수의 체형 중 하나의 체형을 나타내는 값으로, 예를 들어, 5가지 체형 중 하나의 체형을 나타내는 값일 수 있다. 예를 들어, 5가지 체형은 제1 이미지에서 사용자의 제1 영역(410)에 대한 폭, 사용자의 제2 영역(420)에 대한 폭 및 사용자의 제3 영역(430)에 대한 폭을 기준으로 분류될 수 있고, 모래시계형, 배형, 사과형, 직사각형, 역삼각형을 포함할 수 있다. 도 4를 참조하면, 예를 들어, 제1 영역(410)은 사용자의 가슴 영역이고, 제2 영역(420)은 사용자의 허리 영역이고, 제3 영역(430)은 사용자의 엉덩이 영역일 수 있다.
예를 들어, 서버는 데이터 추출 모델을 통해 사용자의 체형과 관련된 관심 영역에 포함된 제1 특징점으로부터 제1 영역(410) 내지 제3 영역(430)의 폭을 결정할 수 있다. 예를 들어, 제1 영역(410)의 폭에서 제2 영역(420)의 폭을 뺀 값이 특정 값보다 크고, 제3 영역(430)의 폭에서 제2 영역(420)의 폭을 뺀 값이 특정 값보다 큰 경우, 사용자의 체형에 대한 값은 모래시계형을 나타내는 값으로 결정될 수 있다. 예를 들어, 제3 영역(430)의 폭이 제1 영역(410)의 폭과 제2 영역(420)의 폭보다 특정 값 이상 큰 경우, 사용자의 체형에 대한 값은 배형을 나타내는 값으로 결정될 수 있다. 예를 들어, 제2 영역(420)의 폭 및 제3 영역(430)의 폭보다 제1 영역(410)의 폭이 특정 값 이하인 경우, 사용자의 체형에 대한 값은 사과형을 나타내는 값으로 결정될 수 있다. 예를 들어, 제1 영역(410)의 폭, 제2 영역(420)의 폭 및 제3 영역(430)의 폭 사이의 차이 값이 특정 값보다 작은 경우, 사용자의 체형에 대한 값은 직사각형을 나타내는 값으로 결정될 수 있다. 제1 영역(410)의 폭과 제2 영역(420)의 폭이 제3 영역(430)의 폭보다 특정 값 이상으로 큰 경우, 사용자의 체형에 대한 값은 역삼각형을 나타내는 값으로 결정될 수 있다.
예를 들어, 사용자의 패션 스타일에 대한 값은 복수의 패션 스타일 중에서 하나의 패션 스타일을 나타내는 값으로, 예를 들어, 5가지 패션 스타일 중에서 하나의 패션 스타일을 나타내는 값일 수 있다. 예를 들어, 5가지 패션 스타일은 캐주얼 스타일, 스트릿 스타일, 스포티 스타일, 클래식 스타일 및 세미 클래식 스타일로 분류될 수 있다. 그리고, 각각의 스타일을 나타내는 값이 서버에 대해 사전 설정될 수 있다. 예를 들어, 사용자가 청바지에 셔츠를 착용한 경우, 서버는 제1 이미지에 기반하여 가벼운 옷차림에 해당하는 패션 스타일(예를 들어, 캐주얼 스타일)에 대한 값으로 결정할 수 있다. 예를 들어, 5가지 패션 스타일은 의상 이미지에 대한 메타 데이터를 기반으로 뉴럴 네트워크를 통해 미리 학습될 수 있다. 즉, 서버는 뉴럴 네트워크를 통해 의상 이미지에 대한 메타 데이터를 기반으로 가장 빈도가 높은 상위 8위까지의 특성(예: 색상, 톤, 배색, 무늬, 소재 등과 같은 특성들)을 결정할 수 있다. 여기서, 예를 들어, 색상은 자연색 계열 그룹, 빨간색 계열 그룹, 초록색 계열 그룹, 노란색 계열 그룹 및 파란색 계열 그룹과 같이 복수의 제1 그룹으로 분류될 수 있고, 톤은 가벼운 톤 그룹, 밝은 톤 그룹, 회색 톤 그룹 및 검정 톤 그룹과 같이 복수의 제2 그룹으로 분류될 수 있다. 예를 들어, 배색은 동일한 색상 계열 그룹, 유사한 색상 계열 그룹 및 반대 색상 그룹과 같이 복수의 제3 그룹으로 분류될 수 있다. 예를 들어, 무늬는 기하학적인 무늬, 동물 무늬, 스트라이프 무늬, 체크 무늬, 도트 무늬, 꽃 무늬, 추상 무늬 및 로고 무늬과 같은 복수의 제4 그룹으로 분류될 수 있다. 예를 들어, 소재는 면, 모, 폴리에스테르, 나일론, 실크 및 시폰과 같은 복수의 제5 그룹으로 분류될 수 있다. 예를 들어, 서버는 뉴럴 네트워크를 통해 복수의 특성들에 따라 분류된 상기 복수의 그룹들을 기반으로 유사한 값을 가지는 의상 이미지들을 클러스터링함으로써, 상기 5가지 패션 스타일을 생성할 수 있다. 여기서, 클러스터링 동작은 비지도 학습에 대한 다양한 머신 러닝 기법을 통해 수행될 수 있다. 예를 들어, 서버는 데이터 추출 모델을 통해 제1 이미지에서 가장 유사도가 높은 패션 스타일을 결정하고, 사용자의 패션 스타일에 대한 값을 해당 패션 스타일을 나타내는 값으로 결정할 수 있다.
예를 들어, 사용자의 목과 관련된 값은 사용자의 목의 크기 및 형태를 표현하기 위한 값으로, 예를 들어, 어깨의 길이와 목의 두께의 비율과 관련된 값 및 키와 목의 길이의 비율과 관련된 값을 포함할 수 있다. 예를 들어, 서버는 데이터 추출 모델을 통해 사용자의 목과 관련된 관심 영역(440)에 포함된 제1 특징점을 기반으로 어깨의 길이와 목의 두께의 비율과 관련된 값 및 키와 목의 길이의 비율과 관련된 값을 결정할 수 있다.
예를 들어, 사용자의 얼굴형에 대한 값은 복수의 얼굴형 중 하나의 얼굴형을 나타내는 값으로, 예를 들어, 6가지 얼굴형 중 하나의 얼굴형을 나타내는 값일 수 있다. 도 5를 참조하면, 예를 들어, 서버는 사용자의 얼굴형과 관련된 관심 영역에 포함된 제2 특징점을 기반으로 턱 끝점과 얼굴 외곽선 사이의 각도(), 이마 시작점과 얼굴 외곽선 사이의 각도(), 얼굴의 길이(501)에서 얼굴의 폭(502)을 나눈 값, 이마 시작점에서 미간 점까지의 수직 거리(503) 및 턱 양쪽의 맨 바깥 끝점 사이의 수평거리(504)를 결정할 수 있다. 예를 들어, 6가지 얼굴형은 턱 끝점과 얼굴 외곽선 사이의 각도, 이마 시작점과 얼굴 외곽선 사이의 각도, 얼굴의 길이에서 얼굴의 폭을 나눈 값, 이마 시작점에서 미간 점까지의 수직 거리 및 턱 양쪽의 맨 바깥 끝점 사이의 수평거리를 기반으로 분류될 수 있다. 예를 들어, 6가지 얼굴형은 계란형, 둥근형, 정사각형, 다이아몬드형, 역삼각형 및 직사각형을 포함할 수 있다. 예를 들어, 먼저 제2 이미지에서 턱 끝점과 얼굴 외곽선 사이의 각도가 특정 값 이상이면, 계란형, 다이아몬드형, 역삼각형을 포함하는 제1 그룹으로 분류될 수 있고, 제2 이미지에서 턱 끝점과 얼굴 외곽선 사이의 각도가 특정 값보다 작으면, 둥근형, 정사각형, 직사각형을 포함하는 제2 그룹으로 분류될 수 있다. 이후, 제1 그룹에서 이마 시작점과 얼굴 외곽선 사이의 각도가 특정 값과 턱 양쪽의 맨 바깥 끝점 사이의 수평거리에 따라 계란형, 다이아몬드형 및 역삼각형으로 분류될 수 있다. 예를 들어, 이마 시작점과 얼굴 외곽선 사이의 각도가 특정 값보다 크고, 턱 양쪽의 맨 바깥 끝점 사이의 수평거리가 특정 값보다 작은 경우에는 역삼각형으로 결정될 수 있다. 또한, 제2 그룹에서, 이마 시작점에서 미간 점까지의 수직 거리, 얼굴의 길이에서 얼굴의 폭을 나눈 값과 턱 양쪽의 맨 바깥 끝점 사이의 수평거리에 따라 둥근형, 정사각형, 직사각형으로 분류될 수 있다. 예를 들어, 이마 시작점에서 미간 점까지의 수직 거리가 특정 값 이하이고, 얼굴의 길이에서 얼굴의 폭을 나눈 값이 특정 값 이하이고, 턱 양쪽의 맨 바깥 끝점 사이의 수평거리가 특정 값 이하인 경우에는 둥근형으로 결정될 수 있다. 예를 들어, 서버는 데이터 추출 모델을 통해 제2 이미지에서 사용자의 얼굴형과 관련된 관심 영역으로부터 턱 끝점과 얼굴 외곽선 사이의 각도, 이마 시작점과 얼굴 외곽선 사이의 각도, 얼굴의 길이에서 얼굴의 폭을 나눈 값, 이마 시작점에서 미간 점까지의 수직 거리 및 턱 양쪽의 맨 바깥 끝점 사이의 수평거리가 추출되고, 추출된 값들을 기반으로 사용자의 얼굴형에 대한 값을 사용자의 얼굴형을 나타내는 값으로 결정할 수 있다.
예를 들어, 사용자의 귀와 관련된 값은 사용자의 귀의 크기 및 형태를 표현하기 위한 값으로, 예를 들어, 귀의 크기와 얼굴의 크기에 대한 비율을 나타낸 값, 귀가 둥그런 정도를 나타내는 값 및 귓불의 크기에 대한 값을 포함할 수 있다. 귀가 둥그런 정도를 나타내는 값은 귀의 외곽선에 대한 곡률일 수 있다. 예를 들어, 서버는 데이터 추출 모델을 통해 사용자의 귀와 관련된 관심 영역에 포함된 제2 특징점을 기반으로 사용자의 귀와 관련된 관심 영역에서 귀의 크기(505)와 얼굴의 크기에 대한 비율을 나타낸 값, 귀의 외곽선에 대한 곡률 및 귓불의 크기(506)에 대한 값을 결정할 수 있다.
단계 S330에서, 서버는 사용자의 특징 정보 및 사용자의 기본 정보를 기반으로 서버에 사전 저장된 액세서리 정보로부터 액세서리 후보 리스트를 결정할 수 있다.
사전 저장된 액세서리 정보는 복수의 액세서리에 대한 정보를 포함할 수 있다. 예를 들어, 사전 저장된 액세서리 정보는 제1 액세서리에 대한 정보, 제2 액세서리에 대한 정보, 제3 액세서리에 대한 정보 및 제4 액세서리에 대한 정보를 포함할 수 있다. 예를 들어, 액세서리에 대한 정보는 액세서리의 종류, 액세서리의 종류에 따른 복수의 액세서리 상품명, 복수의 액세서리 상품 각각에 대한 가격, 복수의 액세서리 상품 각각에 대한 매칭 정보를 포함할 수 있다. 예를 들어, 제1 액세서리는 귀걸이일 수 있고, 제2 액세서리는 목걸이일 수 있고, 제3 액세서리는 팔찌일 수 있고, 제4 액세서리는 벨트일 수 있다. 제1 액세서리에 대한 정보는 귀걸이의 종류, 귀걸이의 종류에 따른 복수의 귀걸이 상품명, 복수의 귀걸이 상품 각각에 대한 가격, 복수의 귀걸이 상품 각각에 대한 매칭 정보를 포함할 수 있다. 예를 들어, 귀걸이의 종류는 스터드 귀걸이, 버튼 귀걸이, 드롭 귀걸이, 언발란스 귀걸이, 링 귀걸이, 태슬 귀걸이, 이어커프 귀걸이, 피어스드 귀걸이, 샹들리에 귀걸이 등과 같이 다양한 종류를 포함할 수 있고, 새로운 종류의 귀걸이가 추가될 수 있다. 마찬가지로, 다른 액세서리에 대한 정보 또한 새로운 종류의 액세서리가 추가될 수 있다. 예를 들어, 매칭 정보는 해당 액세서리 상품이 어울리는 사용자의 특징을 나타낸 정보이다. 예를 들어, 매칭 정보는 사용자의 피부 톤에 대한 값, 사용자의 헤어 컬러에 대한 값, 사용자의 헤어 스타일과 관련된 값, 사용자의 체형에 대한 값, 사용자의 패션 스타일에 대한 값, 사용자의 얼굴형에 대한 값, 사용자의 귀와 관련된 값, 사용자의 목과 관련된 값, 사용자의 나이에 대한 범위, 사용자의 성별, 사용자의 예산 범위를 포함할 수 있다. 여기서, 상술한 복수의 액세서리는 실시 예에 한정되지 않고 다양한 액세서리 종류를 포함할 수 있다.
예를 들어, 서버는 사전 저장된 액세서리 정보에서 사용자의 특징 정보와 사용자의 기본 정보에 대응하는 매칭 정보를 포함한 액세서리 상품을 결정하고, 액세서리 후보 리스트에 결정된 액세서리 상품을 포함시킬 수 있다. 예를 들어, 서버는 사용자의 특징 정보와 사용자의 기본 정보로부터 사용자의 피부 톤에 대한 값, 사용자의 헤어 컬러에 대한 값, 사용자의 헤어 스타일과 관련된 값, 사용자의 체형에 대한 값, 사용자의 패션 스타일에 대한 값, 사용자의 얼굴형에 대한 값, 사용자의 귀와 관련된 값, 사용자의 목과 관련된 값, 사용자의 나이에 대한 값, 사용자의 성별 및 사용자의 예산 값으로 구성된 검색 벡터를 생성할 수 있다. 이후, 서버는 검색 벡터와 매칭되는 매칭 정보를 결정하고, 매칭 정보가 설정된 액세서리 상품을 액세서리 후보 리스트에 포함시킬 수 있다.
단계 S340에서, 서버는 액세서리 후보 리스트가 결정된 것에 기반하여, 수집 요청 메시지를 사용자 단말에게 전송할 수 있다.
수집 요청 메시지는 사용자 단말이 온라인 쇼핑몰을 통해 액세서리 상품을 구매한 이력 및 사용자 단말이 SNS(social network service)에서 활동한 내역을 수집하기 위한 허용을 요청하는 메시지이다.
단계 S350에서, 서버는 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 사용자의 구매 이력 정보 및 사용자의 SNS 활동 정보를 수집할 수 있다.
수집 허용 메시지는 사용자 단말이 온라인 쇼핑몰을 통해 액세서리 상품을 구매한 이력 및 사용자 단말이 SNS에서 활동한 내역을 수집하는 것을 허락하는 메시지이다. 예를 들어, 수집 허용 메시지는 사용자 단말의 식별 정보 및 사용자 단말의 인증 정보를 포함할 수 있다. 사용자 단말의 식별 정보는 온라인 쇼핑몰에서 사용자 단말이 구매한 이력을 수집하기 위해 필요한 식별 정보 및 사용자 단말이 ㅈSNS에서 활동한 내역을 수집하기 위해 필요한 식별 정보일 수 있다. 예를 들어, 사용자 단말의 식별 정보는 사용자 단말의 온라인 쇼핑몰의 웹 사이트 주소, 사용자 단말의 온라인 쇼핑몰 ID, 사용자 단말이 사용하는 SNS에 대한 정보, 사용자 단말의 SNS ID를 포함할 수 있다. 사용자 단말의 인증 정보는 온라인 쇼핑몰에서 사용자 단말이 구매한 이력에 접근하기 위한 인증 정보 및 사용자 단말이 SNS에서 활동한 내역을 수집하기 위한 인증 정보일 수 있다.
사용자의 구매 이력 정보는 사용자의 구매 상품에 대한 정보, 사용자의 구매 상품에 대한 평점 정보, 사용자의 구매 상품에 대한 클릭 횟수, 사용자의 구매 상품에 대한 찜하기 여부, 사용자의 구매 상품에 대한 링크 공유 횟수 및 사용자의 구매 상품 페이지에 대한 체류 시간을 포함할 수 있다. 사용자의 구매 상품에 대한 정보는 사용자가 구매한 상품에 대한 상품명, 상품 가격, 상품을 구매한 시간을 포함할 수 있다.
사용자의 SNS 활동 정보는 사용자가 구매 상품과 관련된 게시글을 SNS에 업로드한 횟수를 포함할 수 있다.
단계 S360에서, 서버는 사용자의 구매 이력 정보 및 사용자의 SNS 활동 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 선호도 분석 모델을 통해 사용자의 액세서리 상품별 선호도를 결정할 수 있다.
예를 들어, 선호도 분석 모델은 다변량 LSTM(long short term memory networks) 모델이 사용될 수 있다.
예를 들어, 서버는 사용자의 구매 이력 정보 및 사용자의 SNS 활동 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 구매 활동 벡터를 생성할 수 있다. 상기 시간 가중치는 사용자가 최근 구매한 상품에 대해 더 큰 값으로 설정될 수 있다. 상기 행위 가중치는 사용자의 정규화된 행위 값에 기반하여 구매와 관련된 행위에 대한 비율이 클수록 더 큰 값으로 설정될 수 있다. 상기 구매 활동 벡터는 구매 상품별 평점과 관련된 값, 구매 상품별 클릭 회수와 관련된 값, 구매 상품별 찜하기 여부와 관련된 값, 구매 상품별 링크 공유 횟수와 관련된 값, 구매 상품별 체류 시간과 관련된 값 및 구매 상품별 SNS 업로드 횟수와 관련된 값으로 구성될 수 있다.
예를 들어, 상기 구매 활동 벡터가 상기 제2 뉴럴 네트워크에 입력되는 것에 기반하여 상기 사용자의 액세서리 상품별 선호도가 결정될 수 있다.
일 실시 예에 따르면, 사용자의 구매 이력 정보에 대한 용량과 사용자의 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 크거나 같은 것에 기반하여, 상기 사용자의 액세서리 상품별 선호도가 결정될 수 있다.
예를 들어, 사전 설정된 기준 값은 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Bth는 상기 사전 설정된 기준 값이고, 상기 nallow는 상기 수집 허용 메시지를 수신한 횟수이고, 상기 nref는 상기 서버에 설정된 기준 횟수이고, 상기 ndef는 상기 사용자의 선호도 정보를 결정하기 위한 기본 구매 횟수이고, 상기 k는 액세서리의 종류의 개수이고, 상기 l은 구매와 관련된 행위의 종류의 개수이고, 상기 bij는 i번째 액세서리 종류에 대해 j번째 구매와 관련된 행위를 상기 서버에 저장하기 위한 용량이고, 상기 bref는 상기 서버에 설정된 기본 용량일 수 있다.
예를 들어, 기준 횟수 및 사용자의 선호도 정보를 결정하기 위한 기본 구매 횟수, 기본 용량은 상기 서버에 사전 설정될 수 있다. 여기서, 액세서리의 종류는 상기 사전 저장된 액세서리에 대한 정보에 포함된 액세서리의 종류이며, 제1 액세서리의 종류, 제2 액세서리의 종류, 제3 액세서리의 종류 및 제4 액세서리의 종류를 포함할 수 있다. 구매와 관련된 행위의 종류는 구매 상품에 대한 평점을 제공하는 행위, 구매 상품을 클릭하는 행위, 구매 상품에 대해 찜하기 기능을 수행하는 행위, 구매 상품 페이지에 체류하는 행위, 구매 상품에 대한 링크를 공유하는 행위, 구매 상품에 대한 게시글을 SNS에 업로드하는 행위를 포함할 수 있다. i번째 액세서리 종류에 대해 j번째 구매와 관련된 행위를 상기 서버에 저장하기 위한 용량은 상기 서버에 사전 설정될 수 있다.
예를 들어, 수집 허용 메시지를 수신한 횟수가 많을수록, 사용자의 구매 활동 및 SNS 활동에 대한 정보가 증가하므로, 선호도 분석 모델이 충분히 학습될 수 있다. 따라서, 수집 허용 메시지를 수신한 횟수가 많으면, 사용자의 구매 이력 정보에 대한 용량과 사용자의 SNS 활동 정보에 대한 용량이 작더라도, 서버는 사용자의 액세서리 상품별 선호도를 결정할 수 있기 때문에, 상기 사전 설정된 기준 값이 작게 결정될 수 있다.
이를 통해, 서버는 항상 고정된 값으로 사전 설정된 기준 값을 사용하지 않고, 수집 허용 메시지를 수신한 횟수와 액세서리의 종류 및 사용자 단말의 행위의 종류를 고려하여 사전 설정된 기준 값을 적응적으로 조정할 수 있다.
단계 S370에서, 서버는 사용자의 액세서리 상품별 선호도 및 액세서리 상품별 트렌드 점수에 기반하여 액세서리 후보 리스트 중에서 추천 액세서리를 결정할 수 있다.
액세서리 상품별 트렌드 점수는 사전 설정된 주기동안 복수의 SNS에서 생성된 복수의 게시글 중에서 액세서리와 관련된 키워드가 포함된 게시글의 개수에 따라 결정될 수 있다.
예를 들어, 복수의 SNS는 제1 SNS 및 제2 SNS를 포함할 수 있다. 예를 들어, 상기 액세서리와 관련된 키워드는 액세서리 상품명 또는 브랜드명 중 적어도 하나를 포함할 수 있다.
예를 들어, 서버는 사전 설정된 주기의 이전 주기동안 제1 SNS에서 생성된 복수의 제1 게시글 중에서 액세서리와 관련된 키워드가 포함된 제1 게시글의 개수를 제1 개수로 결정할 수 있다. 서버는 사전 설정된 주기동안 제1 SNS에서 생성된 복수의 제1 게시글 중에서 액세서리와 관련된 키워드가 포함된 제1 게시글의 개수를 제2 개수로 결정할 수 있다.
예를 들어, 서버는 사전 설정된 주기의 이전 주기동안 제2 SNS에서 생성된 복수의 제2 게시글 중에서 액세서리와 관련된 키워드가 포함된 제2 게시글의 개수를 제3 개수로 결정할 수 있다. 서버는 사전 설정된 주기동안 제2 SNS에서 생성된 복수의 제2 게시글 중에서 액세서리와 관련된 키워드가 포함된 제2 게시글의 개수를 제4 개수로 결정할 수 있다.
예를 들어, 서버는 제1 개수에 대한 제2 개수의 비율에 제1 SNS의 영향력에 따른 가중치를 적용한 제1 값과 제3 개수에 대한 제4 개수의 배율에 제2 SNS의 영향력에 따른 가중치를 적용 제2 값을 평균한 값을 해당 액세서리 상품에 대한 트렌드 점수로 결정할 수 있다.
부가적으로, 예를 들어, 트렌드 점수는 하기 수학식 2에 의해 결정될 수 있다.
수학식 2에서, 상기 T는 트렌드 점수이고, 상기 m은 복수의 SNS의 개수이고, 상기 는 s번째 SNS에 대한 가중치이고, 상기 nt는 s번째 SNS에서 사전 설정된 주기동안 액세서리와 관련된 키워드가 포함된 게시글이 생성된 개수이고, 상기 nt-1은 s번째 SNS에서 사전 설정된 주기의 이전 주기동안 액세서리와 관련된 키워드가 포함된 게시글이 생성된 개수일 수 있다.
예를 들어, SNS에 대한 가중치는 해당 SNS에 가입한 회원 수가 많을수록 큰 값을 가질 수 있고, 0보다 크고 1보다 작은 값일 수 있다.
이를 통해, 서버는 주기별로 변하는 트렌드에 맞추어 이슈가 되는 액세서리를 결정하고, 해당 액세서리에 대한 트렌드 점수를 결정할 수 있다.
예를 들어, 서버는 액세서리 후보 리스트에 포함된 액세서리 상품마다 선호도 및 트렌드 점수를 합산하고, 선호도 및 트렌드 점수를 합산한 값이 큰 순서대로 사전 설정된 개수만큼 액세서리 상품을 추천 액세서리로 결정할 수 있다.
단계 S380에서, 서버는 추천 액세서리에 대한 정보를 사용자 단말에게 전송할 수 있다.
추천 액세서리에 대한 정보는 추천 액세서리의 상품명, 상품 가격, 추천 액세서리의 상품 이미지를 포함할 수 있다. 예를 들어, 액세서리의 상품 이미지는 액세서리의 상품명에 매칭되어 상기 서버에 사전 저장될 수 있다.
일 실시 예에 따라, 서버가 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 서버는 추천 액세서리에 대한 정보에 할인 정보를 더 추가할 수 있다. 상기 할인 정보는 상기 추천 액세서리에 대한 할인율과 할인기간을 포함할 수 있다. 상기 추천 액세서리에 대한 할인율은 상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량의 크기에 기반하여 상이하게 결정될 수 있다. 상기 추천 액세서리에 대한 할인기간은 상기 사용자의 액세서리 상품별 선호도에 따라 상이하게 결정될 수 있다.
도 6은 일 실시예에 따른 데이터 추출 모델에 대한 예이다. 도 6의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6을 참조하면, 데이터 추출 모델에 사용되는 뉴럴 네트워크는 패스터(faster) R-CNN 기반의 뉴럴 네트워크일 수 있다. 뉴럴 네트워크는 제1 입력 레이어(610), 하나 이상의 제1 히든 레이어(620) 및 제1 출력 레이어(630)을 포함할 수 있다.
예를 들어, 서버는 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지에 대해 데이터 전처리를 수행함으로써, 제1 입력 벡터 및 제2 입력 벡터를 생성할 수 있다. 예를 들어, 서버는 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지에 대해 이진화(thresholding), 블러링(blurring), 배경 제거 및 모양 인식을 수행하여, 제1 입력 벡터 및 제2 입력 벡터를 생성할 수 있다. 예를 들어, 서버는 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지에 대해 적응형 이진화를 수행하고, 이진화된 이미지에 슬라이딩 윈도우 기법을 사용하여 임계 값 이상이고, 특정 픽셀 이상의 크기인 복수의 관심 영역을 검출함으로써, 제1 입력 벡터 및 제2 입력 벡터를 생성할 수 있다.
예를 들어, 복수의 제1 입력 벡터, 복수의 제2 입력 벡터 및 복수의 정답 사용자의 특징 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어(610)에 입력되어 상기 하나 이상의 제1 히든 레이어(620) 및 제1 출력 레이어(630)를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어(630)에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다. 여기서, 복수의 정답 사용자의 특징 정보는 복수의 사용자 단말로부터 수집되어 상기 서버에 사전 저장될 수 있다.
하나 이상의 제1 히든 레이어(620)는 패스트 R-CNN과 RPN(Region Proposal Network)을 포함할 수 있다. RPN은 컨벌루션 레이어, 영역 제안(region proposal) 레이어 및 분류(classification) 레이어, 회귀(regression) 레이어를 포함할 수 있다. 구체적으로, 예를 들어, 서버는 영역 제안을 위해 종단간(end-to-end) 러닝을 통해 RPN을 학습시킬 수 있고, 학습된 RPN에서 기본적인 CNN을 제외한 영역 제안 레이어만을 사용하여 패스트(Fast) R-CNN을 학습시킬 수 있다. 이후, 서버는 첫 번째 특징 맵을 추출하는 CNN을 미세 조정하고, 학습시킨 패스트 R-CNN과 RPN을 사용하여 다른 가중치들을 고정시키고, RPN에 해당하는 레이어들만 미세 조정할 수 있다. 이후, 서버는 공유된 컨벌루션 레이어를 고정시키고, 패스트 R-CNN에 해당하는 레이어를 미세 조정함으로써, 패스터 R-CNN을 학습시킬 수 있다.
예를 들어, 제1 입력 벡터 및 제2 입력 벡터가 제1 입력 레이어(610)에 입력되고, 컨벌루션 레이어를 통해 특징 맵이 추출될 수 있다. 특징 맵은 RPN과 패스트 R-CNN에 전달되고, RPN은 특징 맵을 기반으로 영역 제안 레이어를 통해 복수의 영역을 탐색할 수 있고, 복수의 영역을 복수의 제1 관심 영역 및 복수의 제2 관심 영역으로 풀링할 수 있다. 최종적으로, 서버는 특징 맵과 영역 제안 경계 박스를 활용해 복수의 제1 관심 영역 및 복수의 제2 관심 영역과 관련된 값들을 계산할 수 있다.
예를 들어, RPN(Region Proposal Networks)은 크기에 상관없이 이미지 전체를 입력받을 수 있고, 영역 제안 경계 박스를 반환할 수 있다. 각 경계 박스는 객체가 존재하는 여부를 점수로 나타낼 수 있다. 각 슬라이딩 윈도우는 작은 차원의 피처로 매핑될 수 있고, 슬라이딩 윈도우로 구한 피처는 분류 레이어와 회귀 레이어로 전달될 수 있다. 각 슬라이딩 윈도우의 중심 위치마다 여러 경계 박스 영역이 예측될 수 있다. 각 슬라이딩 윈도우 위치마다 최대로 예측할 수 있는 경계 박스 영역 개수는 k개인 경우, 회귀 레이어는 좌표 값을 4k개 가질 수 있으며, 분류 레이어는 2k개의 점수 값을 가질 수 있다.
예를 들어, 7x7 크기의 특징 맵이 존재하는 경우, 3x3 크기의 커널 크기로 슬라이딩 윈도우 방식으로 모든 격자 셀마다 서로 다른 크기의 9개의 앵커 박스가 정의될 수 있다. RPN은 특징 맵을 3x3 컨벌루션에 패딩을 1로 하여, (256, 7, 7) 크기로 변환시키고, 이후 물체가 존재하는지 하지 않는지를 예측하는 분류을 수행하기 위해 1x1 컨벌루션으로 2(배경/전경) * 9(앵커) = 18 채널로 변환시키고, 경계 박스의 좌표를 예측하는 회귀를 수행하기 위해 1x1 컨벌루션으로 4(x,y,x,h) * 9(앵커) = 36채널로 변환시킬 수 있다. 이를 통해, 각 그리드 (7x7) 별로 9개 앵커의 클래스와 좌표 값 예측이 수행될 수 있다.
도 7은 일 실시예에 따른 선호도 분석 모델에 대한 예이다. 도 7의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 7을 참조하면, 예를 들어, 선호도 분석 모델에 사용되는 상기 제2 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델일 수 있다. 일반적으로 RNN(recurrent neural network)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어(710), 하나 이상의 제2 히든 레이어(720), 제2 출력 레이어(730)를 포함할 수 있다.
예를 들어, 서버는 사용자의 구매 이력 정보 및 사용자의 SNS 활동 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 구매 활동 벡터를 생성할 수 있다. 상기 시간 가중치는 사용자가 최근 구매한 액세서리 상품에 대해 더 큰 값으로 설정될 수 있다. 예를 들어, 시간 가중치는 0에서 1 사이의 값을 가질 수 있다.
상기 행위 가중치는 사용자의 정규화된 행위 값에 기반하여 구매와 관련된 행위에 대한 비율이 클수록 더 큰 값으로 설정될 수 있다. 예를 들어, 구매와 관련된 행위는 구매 상품에 대한 평점을 제공하는 행위, 구매 상품을 클릭하는 행위, 구매 상품에 대해 찜하기 기능을 수행하는 행위, 구매 상품 페이지에 체류하는 행위, 구매 상품에 대한 링크를 공유하는 행위, 구매 상품에 대한 게시글을 SNS에 업로드하는 행위를 포함할 수 있다. 사용자의 구매와 관련된 행위에 대하여, 평점은 0점에서 5점으로 표현되고, 클릭 수는 최솟값이 0 값이고, 최댓값이 사용자마다 상이하며, 찜하기는 상품에 대한 찜하기 기능을 수행했는지 여부를 나타내기 때문에 값의 범위가 존재하지 않을 수 있다. 따라서, 최댓값과 최솟값을 갖는 행위 및 불린(boolean) 값을 갖는 행위를 0에서 1 사이의 값으로 정규화하는 작업이 필요할 수 있다. 여기서, 불린 값은 0 또는 1 값을 갖는 값을 지칭할 수 있다. 이때, 최댓값과 최솟값을 갖는 행위가 정규화된 행위 값은 실제 행위 값에서 최솟값을 뺀 값을 최댓값에서 최솟값을 뺀 값으로 나눈 값일 수 있다. 불린(boolean) 값을 갖는 행위는 구매 상품에 대해 해당 행위를 수행한 확률로 정규화된 행위 값이 결정될 수 있다. 이후, 정규화된 행위 값들을 모두 합산한 값에서 해당 정규화된 값을 나눈 비율로 해당 구매와 관련된 행위에 대한 행위 가중치가 도출될 수 있다.
예를 들어, 최댓값과 최솟값을 갖는 행위에 대한 행위 가중치는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 wa는 상기 최댓값과 최솟값을 갖는 행위에 대한 행위 가중치이고, 상기 x는 사용자의 구매 상품의 개수이고, 상기 y는 구매와 관련된 행위의 개수이고, 상기 VRb는 b번째 구매 상품에 대한 사용자의 해당 행위의 실제 값이고, 상기 Vminb는 b번째 구매 상품에 대한 사용자의 해당 행위에 대한 최솟값이고, 상기 Vmaxb는 b번째 구매 상품에 대한 사용자의 해당 행위에 대한 최댓값이고, 상기 Nb,c는 b번째 구매 상품에 대한 사용자의 c번째 행위에 대한 정규화된 행위 값일 수 있다.
예를 들어, 불린 값을 갖는 행위에 대한 행위 가중치는 하기 수학식 4에 의해 결정될 수 있다.
상기 수학식 4에서, 상기 wb는 상기 불린 값을 갖는 행위에 대한 행위 가중치이고, 상기 x는 사용자의 구매 상품의 개수이고, 상기 y는 구매와 관련된 행위의 개수이고, 상기 nc는 사용자가 해당 행위를 수행한 구매 상품의 개수이고, 상기 Nb,c는 b번째 구매 상품에 대한 사용자의 c번째 행위에 대한 정규화된 행위 값일 수 있다.
상기 구매 활동 벡터는 구매 상품별 평점과 관련된 값, 구매 상품별 클릭 회수와 관련된 값, 구매 상품별 찜하기 여부와 관련된 값, 구매 상품별 링크 공유 횟수와 관련된 값, 구매 상품별 체류 시간과 관련된 값 및 구매 상품별 SNS 업로드 횟수와 관련된 값으로 구성될 수 있다.
복수의 구매 활동 벡터 및 복수의 정답 액세서리 상품별 선호도로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어(710)에 입력되어 상기 하나 이상의 제2 히든 레이어(720) 및 제2 출력 레이어(730)를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어(730)에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 사용자에 대해 각각의 사용자의 액세서리 상품별 선호도가 상기 서버에 사전 저장될 수 있고, 각각의 사용자에 대한 구매 활동 벡터가 상기 서버에 사전 저장될 수 있다. 이때, 각각의 사용자에 대한 구매 활동 벡터에 상술한 시간 가중치 및 행위 가중치가 적용되고, 구매 활동 벡터 각각의 요소를 합산한 값이 큰 구매 상품일수록 해당 사용자의 해당 액세서리 상품에 대한 선호도가 큰 값으로 결정될 수 있다.
예를 들어, 상기 하나 이상의 제2 히든 레이어(720)는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.
예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.
예를 들어, 입력 게이트(722), 삭제 게이트(721) 및 출력 게이트(723)는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트(722), 삭제 게이트(721) 및 출력 게이트(723)를 통해 셀 스테이트(724)가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 구매 활동 벡터가 상기 제2 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 구매 활동 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다.
예를 들어, 상기 입력 게이트(722)는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트(724)에 저장시킬 수 있다. tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 셀 스테이트(724)에 대해 상기 ft를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다.
예를 들어, 출력 게이트(723)는 시그모이드 레이어에서 구매 활동 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트(723)는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다.
예를 들어, 예측 모델은 상기 삭제 게이트(721)와 상기 입력 게이트(722)가 합쳐진 LSTM 모델일 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.
따라서, 서버는 상기 선호도 분석 모델을 통해 학습된 제2 뉴럴 네트워크의 파라미터를 사용할 수 있고, 서버는 사용자의 구매 이력 및 SNS 활동 내역을 고려하여 액세서리 상품별 선호도를 결정할 수 있다.
도 8은 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸 흐름도이다. 도 8의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 8을 참조하면, 단계 S801에서, 서버는 사용자의 특징 정보 및 사용자의 기본 정보를 기반으로 서버에 사전 저장된 액세서리 정보로부터 액세서리 후보 리스트를 결정할 수 있다.
예를 들어, 서버는 사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지를 포함하는 사용자의 외형 정보를 기반으로 상술한 데이터 추출 모델을 통해 사용자의 특징 정보를 결정할 수 있다.
단계 S802에서, 서버는 사용자 단말에게 수집 요청 메시지를 전송할 수 있다.
예를 들어, 서버는 사용자의 기본 정보에 포함된 사용자의 ID를 기반으로 사용자 단말에게 수집 요청 메시지를 전송할 수 있다. 이때, 서버는 액세서리 후보 리스트를 결정한 것에 기반하여, 사용자 단말에게 수집 요청 메시지를 전송할 수 있다.
단계 S803에서, 서버는 사전 설정된 시간 이내에 수집 허용 메시지를 사용자 단말로부터 수신하였는지 여부를 결정할 수 있다.
예를 들어, 사전 설정된 시간은 사용자 단말에게 수집 요청 메시지를 전송한 이후부터 사용자 단말로부터 수집 허용 메시지를 수신하는 평균적인 시간일 수 있다.
일 실시예에 따르면, 사전 설정된 시간 이내에 사용자 단말로부터 수집 허용 메시지가 수신되지 않은 경우, 서버는 수집 요청 메시지를 재전송할 수 있다.
단계 S804에서, 사전 설정된 시간 이내에 서버가 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 서버는 사용자의 구매 이력 정보 및 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 크거나 같은 지 여부를 결정할 수 있다.
예를 들어, 서버는 사전 설정된 기준 값을 상술한 수학식 1에 의해 결정할 수 있다.
단계 S805에서, 사용자의 구매 이력 정보 및 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 크거나 같은 것에 기반하여, 서버는 추천 액세서리에 대한 정보를 사용자 단말에게 전송할 수 있다.
예를 들어, 단계 S805에서, 추천 액세서리에 대한 정보는 사용자의 액세서리 상품별 선호도 및 액세서리 상품별 트렌드 점수에 따라 액세서리 후보 리스트 중에서 결정된 추천 액세서리에 대한 정보일 수 있다.
또한, 예를 들어, 단계 S805에서, 추천 액세서리에 대한 정보는 제1 할인 정보를 더 포함할 수 있다. 여기서, 제1 할인 정보는 상기 추천 액세서리에 대한 제1 할인율과 제1 할인기간을 포함할 수 있다. 추천 액세서리에 대한 제1 할인율은 상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량의 크기에 기반하여 상이하게 결정될 수 있다. 예를 들어, 상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량의 크기가 클수록 제1 할인율이 크게 결정될 수 있다. 이때, 제1 할인율은 사전 설정된 범위 내에서 변경될 수 있다. 추천 액세서리에 대한 제1 할인기간은 상기 사용자의 액세서리 상품별 선호도에 따라 상이하게 결정될 수 있다. 예를 들어, 선호도가 큰 값을 갖는 액세서리 상품에 대해 제1 할인 기간이 짧게 결정될 수 있다. 이때, 제1 할인기간은 사전 설정된 범위 내에서 변경될 수 있다. 이를 통해, 사용자의 정보를 수집한 것에 대한 보상을 제공하면서, 액세서리 상품에 대한 사용자의 구매 욕구를 증가시킬 수 있다.
단계 S806에서, 사용자의 구매 이력 정보 및 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 작은 것에 기반하여, 서버는 걸음걸이 영상 정보를 사용자 단말에게 요청할 수 있다.
여기서, 걸음걸이 영상 정보는 사용자가 걷는 모습을 촬영한 동영상이며, 사전 설정된 재생 시간동안 사용자가 걷는 모습을 촬영한 동영상일 수 있다. 예를 들어, 서버는 걸음걸이 영상 정보를 분석하여 사용자의 성향을 파악할 수 있다.
단계 S807에서, 서버는 사전 설정된 시간 이내에 사용자 단말로부터 걸음걸이 영상 정보에 대한 수신 여부를 결정할 수 있다.
일 실시예에 따르면, 사전 설정된 시간 이내에 사용자 단말로부터 걸음걸이 영상 정보가 수신되지 않은 경우, 서버는 걸음걸이 영상 정보를 사용자 단말에게 재요청할 수 있다.
단계 S808에서, 사전 설정된 시간 이내에 사용자 단말로부터 걸음걸이 영상 정보를 수신한 것에 기반하여, 서버는 추천 액세서리에 대한 정보를 사용자 단말에게 전송할 수 있다.
예를 들어, 단계 S808에서, 추천 액세서리에 대한 정보는 사용자의 액세서리 상품별 예상 선호도 및 액세서리 상품별 트렌드 점수에 따라 액세서리 후보 리스트 중에서 결정된 추천 액세서리에 대한 정보일 수 있다.
예를 들어, 서버는 액세서리 후보 리스트에 포함된 액세서리 상품마다 예상 선호도 및 트렌드 점수를 합산하고, 예상 선호도 및 트렌드 점수를 합산한 값이 큰 순서대로 사전 설정된 개수만큼 액세서리 상품을 추천 액세서리로 결정할 수 있다.
부가적으로, 예를 들어, 서버는 사용자 단말로부터 수신한 걸음걸이 영상 정보에 기반하여 사용자의 보행 유형 및 사용자의 보행속도, 사용자의 보폭을 결정할 수 있다.
예를 들어, 서버는 걸음걸이 영상 정보로부터 사용자의 걸음걸이를 파악하기 위한 복수의 특징점을 결정한다. 여기서, 복수의 특징점은 사용자의 어깨 영역, 사용자의 오른팔 영역, 사용자의 왼팔 영역, 사용자의 오른다리 영역, 사용자의 왼다리 영역, 사용자의 골반 영역에 각각 설정될 수 있다. 이때, 복수의 특징점이 설정된 위치는 사용자의 팔 길이, 사용자의 다리 길이, 사용자의 키에 따라 사용자마다 상이할 수 있다. 서버는 사용자에 대한 복수의 특징점의 위치 변화량을 획득하고, 사용자에 대한 복수의 특징점의 위치 변화량에 따라 보행속도, 보폭, 어깨에 대한 얼굴의 각도, 골반에 대한 어깨의 각도, 엉덩이 관절의 각도, 무릎 관절의 각도 및 발목 관절의 각도를 결정할 수 있다.
예를 들어, 서버는 보행 속도와 보폭에 따라 사용자의 외향성 점수를 결정할 수 있다. 보행 속도가 높고, 보폭이 클수록 사용자의 외향성 점수는 높은 점수로 결정될 수 있다.
예를 들어, 서버는 어깨에 대한 머리의 각도, 골반에 대한 어깨의 각도, 엉덩이 관절의 각도, 무릎 관절의 각도 및 발목 관절의 각도에 따라 복수의 보행 유행 중 어느 하나의 유형으로 결정할 수 있다. 예를 들어, 보행 유형별로 어깨에 대한 머리의 각도, 골반에 대한 어깨의 각도, 엉덩이 관절의 각도, 무릎 관절의 각도 및 발목 관절의 각도 각각에 대한 설정된 범위가 상이할 수 있다. 즉, 서버는 걸음걸이 영상 정보로부터 어깨에 대한 머리의 각도, 골반에 대한 어깨의 각도, 엉덩이 관절의 각도, 무릎 관절의 각도 및 발목 관절의 각도를 계산하고, 복수의 보행 유형 중에서 어깨에 대한 머리의 각도, 골반에 대한 어깨의 각도, 엉덩이 관절의 각도, 무릎 관절의 각도 및 발목 관절의 각도에 매칭되는 보행 유형을 사용자에 대한 보행 유형으로 결정할 수 있다.
예를 들어, 서버는 사용자의 보행 유형을 나타내는 값 및 사용자의 외향성 점수에 따라 사용자 단말을 복수의 그룹 중 어느 하나의 그룹으로 분류할 수 있다.
예를 들어, 서버는 복수의 사용자 단말에 대해 보행 유형을 나타내는 값 및 외향성 점수를 기반으로 사전 설정된 n개의 그룹을 결정할 수 있다. 예를 들어, n개의 그룹은, 보행 유형을 나타내는 값 및 외향성 점수를 기반으로 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 사전 결정될 수 있다. 복수의 사용자 단말은 사전에 액세서리 상품별 선호도가 결정된 사용자 단말일 수 있다. 예를 들어, 복수의 사용자 단말은 사전에 상술한 선호도 분석 모델을 통해 액세서리 상품별 선호도가 결정된 사용자 단말일 수 있다. 예를 들어, 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다. 이때, 예를 들어, 서버는 복수의 사용자 단말 각각에 대한 보행 유형을 나타내는 값 및 외향성 점수를 기반으로 벡터 데이터를 생성할 수 있다. 예를 들어, 복수의 그룹은 복수의 벡터 데이터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 n개의 그룹으로 결정될 수 있다. 예를 들어, DBSCAN은 특정 요소(point)가 클러스터에 속하는 경우, 해당 클러스터 내 다른 많은 요소와 가까운 위치에 있어야 하는 것을 전제로 하며, 이러한 계산을 위해 직경(radius)과 최소 요소(minimum points)가 사용될 수 있다. 예를 들어, 직경은 특정 데이터 요소를 기준으로 하는 반경일 수 있고, 이를 밀도 영역(dense area)이라 지칭할 수 있다. 예를 들어, 최소 요소는 핵심 요소(core point)를 지정하기 위해 핵심 요소 주변으로 요소가 몇 개 필요한 지를 나타낼 수 있다. 또한, 데이터 세트의 각 요소는 핵심(core), 경계(border), 이상치 요소(outlier point)로 구분될 수 있다.
예를 들어, 뉴럴 네트워크를 통해, 서버는 요소별로 직경의 크기를 체크하고, 주변의 요소가 몇 개 있는지를 탐색할 수 있다. 이후, 서버는 직경의 범위 내에 m개 이상의 요소가 존재하면, 해당 요소를 핵심 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함된 요소를 경계 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함되지 않은 요소는 이상치 요소로 결정할 수 있고, 상기 이상치 요소는 해당 클러스터에서 제외될 수 있다. 또한, 서버는 핵심 요소들 사이의 거리가 직경보다 작을 경우, 해당 요소들을 동일한 클러스터로 분류할 수 있다.
이를 통해, 서버는 복수의 사용자 단말에 대해 보행 유형을 나타내는 값 및 외향성 점수를 고려하여, 복수의 그룹으로 분류할 수 있다. 이후, 서버는 복수의 그룹마다 액세서리 상품별 선호도를 평균한 값을 액세서리 상품별 예상 선호도로 결정할 수 있다. 즉, 서버는 사용자의 보행 유형을 나타내는 값 및 사용자의 외향성 점수에 따라 사용자 단말을 복수의 그룹 중 어느 하나의 그룹으로 분류하고, 해당 그룹의 액세서리 상품별 예상 선호도를 사용자의 액세서리 상품별 예상 선호도로 결정할 수 있다.
또한, 예를 들어, 단계 S808에서, 추천 액세서리에 대한 정보는 제2 할인 정보를 더 포함할 수 있다. 여기서, 제2 할인 정보는 상기 추천 액세서리에 대한 제2 할인율과 제2 할인기간을 포함할 수 있다. 추천 액세서리에 대한 제2 할인율은 사전 설정된 값일 수 있다. 예를 들어, 제2 할인율은 제1 할인율에 대해 사전 설정된 범위 중에서 가장 큰 값일 수 있다. 추천 액세서리에 대한 제2 할인기간은 상기 사용자의 액세서리 상품별 예상 선호도에 따라 상이하게 결정될 수 있다. 예를 들어, 예상 선호도가 큰 값을 갖는 액세서리 상품에 대해 제2 할인 기간이 짧게 결정될 수 있다. 이때, 제2 할인기간은 사전 설정된 범위 내에서 변경될 수 있다. 이를 통해, 사용자의 정보를 수집한 것에 대한 보상을 제공하면서, 액세서리 상품에 대한 사용자의 구매 욕구를 증가시킬 수 있다.
단계 S809에서, 사전 설정된 시간 이내에 수집 허용 메시지가 수신되지 않거나 걸음걸이 영상 정보가 수신되지 않은 것에 기반하여, 서버는 추천 액세서리에 대한 정보를 사용자 단말에게 전송할 수 있다.
예를 들어, 단계 S809에서, 추천 액세서리에 대한 정보는 액세서리 상품별 트렌드 점수에 따라 액세서리 후보 리스트 중에서 결정된 추천 액세서리에 대한 정보일 수 있다.
예를 들어, 서버는 액세서리 후보 리스트에 포함된 액세서리 상품에 대해 트렌드 점수가 큰 순서대로 사전 설정된 개수만큼 액세서리 상품을 추천 액세서리로 결정할 수 있다.
도 9는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 복수의 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법을 나타낸 신호 교환도이다. 도 9의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 9를 참조하면, 단계 S901에서, 서버는 제1 사용자 단말, 제2 사용자 단말 및 제3 사용자 단말 각각으로부터 사용자의 외형 정보 및 사용자의 기본 정보를 수신할 수 있다.
단계 S902에서, 서버는 제1 사용자 단말, 제2 사용자 단말 및 제3 사용자 단말 각각에 대한 액세서리 후보 리스트를 결정할 수 있다.
예를 들어, 서버는 사용자의 외형 정보를 기반으로 제1 사용자 단말, 제2 사용자 단말 및 제3 사용자 단말 각각에 대해 상술한 데이터 추출 모델을 통해 사용자의 특징 정보를 결정하고, 사용자의 특징 정보 및 사용자의 기본 정보를 기반으로 서버에 사전 저장된 액세서리 정보로부터 액세서리 후보 리스트를 결정할 수 있다.
단계 S903에서, 서버는 제1 사용자 단말, 제2 사용자 단말 및 제3 사용자 단말 각각에게 수집 요청 메시지를 전송할 수 있다.
예를 들어, 서버가 제1 사용자 단말, 제2 사용자 단말 및 제3 사용자 단말 각각에 대한 액세서리 후보 리스트를 결정한 것에 기반하여, 서버는 제1 사용자 단말, 제2 사용자 단말 및 제3 사용자 단말 각각에게 수집 요청 메시지를 전송할 수 있다.
단계 S904에서, 서버는 제1 사용자 단말 및 제2 사용자 단말로부터 수집 허용 메시지를 수신할 수 있다.
예를 들어, 서버는 사전 설정된 시간 이내에 제1 사용자 단말 및 제2 사용자 단말로부터 수집 허용 메시지를 수신할 수 있다.
단계 S905에서, 서버는 제3 사용자 단말에게 수집 요청 메시지를 재전송할 수 있다.
예를 들어, 사전 설정된 시간 이내에 제3 사용자 단말로부터 수집 요청 메시지를 수신하지 못한 것에 기반하여, 서버는 제3 사용자 단말에게 수집 허용 메시지를 재전송할 수 있다.
단계 S906에서, 서버는 추천 액세서리에 대한 정보를 제3 사용자 단말에게 전송할 수 있다.
예를 들어, 수집 요청 메시지를 재전송한 후 사전 설정된 시간동안 제3 사용자 단말로부터 수집 허용 메시지를 수신하지 못한 것에 기반하여, 서버는 추천 액세서리에 대한 정보를 제3 사용자 단말에게 전송할 수 있다. 예를 들어, 서버는 제3 사용자 단말에 대한 액세서리 후보 리스트에 포함된 액세서리 상품에 대해 트렌드 점수가 큰 순서대로 사전 설정된 개수만큼 액세서리 상품을 추천 액세서리로 결정하고, 추천 액세서리에 대한 정보를 제3 사용자 단말에게 전송할 수 있다.
예를 들어, 액세서리 상품별 트렌드 점수는 사전 설정된 주기동안 복수의 SNS에서 생성된 복수의 게시글 중에서 액세서리와 관련된 키워드가 포함된 게시글의 개수에 따라 결정될 수 있다.
단계 S907에서, 서버는 제1 사용자 단말 및 제2 사용자 단말에 대한 사용자의 구매 이력 정보 및 사용자의 SNS 활동 정보를 수집할 수 있다.
단계 S908에서, 서버는 추천 액세서리에 대한 정보를 제1 사용자 단말에게 전송할 수 있다.
예를 들어, 서버는 제1 사용자 단말에 대해 사용자의 구매 이력 정보에 대한 용량과 사용자의 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 크거나 같은 것에 기반하여, 추천 액세서리에 대한 정보를 제1 사용자 단말에게 전송할 수 있다.
예를 들어, 서버는 상술한 선호도 분석 모델을 통해 제1 사용자 단말에 대해 사용자의 액세서리 상품별 선호도를 결정하고, 사용자의 액세서리 상품별 선호도 및 액세서리 상품별 트렌드 점수에 따라 액세서리 후보 리스트 중에서 추천 액세서리를 결정할 수 있다. 예를 들어, 서버는 제1 사용자 단말에 대한 액세서리 후보 리스트에 포함된 액세서리 상품마다 선호도 및 트렌드 점수를 합산하고, 선호도 및 트렌드 점수를 합산한 값이 큰 순서대로 사전 설정된 개수만큼 액세서리 상품을 추천 액세서리로 결정할 수 있다.
단계 S909에서, 서버는 걸음걸이 영상 정보를 제2 사용자 단말에게 요청할 수 있다.
예를 들어, 서버는 제2 사용자 단말에 대해 사용자의 구매 이력 정보에 대한 용량과 사용자의 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 작은 것에 기반하여, 걸음걸이 영상 정보를 제2 사용자 단말에게 요청할 수 있다.
단계 S910에서, 서버는 걸음걸이 영상 정보를 제2 사용자 단말로부터 수신할 수 있다.
단계 S911에서, 서버는 추천 액세서리에 대한 정보를 제2 사용자 단말에게 전송할 수 있다.
예를 들어, 서버는 제2 사용자 단말에 대한 사용자의 액세서리 상품별 예상 선호도 및 액세서리 상품별 트렌드 점수에 따라 액세서리 후보 리스트 중에서 추천 액세서리를 결정할 수 있다.
예를 들어, 서버는 제2 사용자 단말에 대한 액세서리 후보 리스트에 포함된 액세서리 상품마다 예상 선호도 및 트렌드 점수를 합산하고, 예상 선호도 및 트렌드 점수를 합산한 값이 큰 순서대로 사전 설정된 개수만큼 액세서리 상품을 추천 액세서리로 결정할 수 있다.
예를 들어, 서버는 걸음걸이 영상 정보를 분석하여 획득된 사용자의 보행 유형 및 사용자의 외향성 점수를 기반으로 서버에 사전 저장된 복수의 그룹 중에서 제2 사용자 단말이 포함되는 그룹을 결정할 수 있다. 예를 들어, 서버는 제2 사용자 단말이 포함된 그룹의 액세서리 상품별 선호도를 평균한 값을 제2 사용자 단말에 대한 액세서리 상품별 예상 선호도로 결정할 수 있다.
도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 10의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 10에 도시된 바와 같이, 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030)를 포함할 수 있다. 그러나, 도 10에 도시된 구성 요소 모두가 서버(1000)의 필수 구성 요소인 것은 아니다. 도 10에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(1000)가 구현될 수도 있고, 도 10에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(1000)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(1010)는, 통상적으로 서버(1000)의 전반적인 동작을 제어한다. 프로세서(1010)는 하나 이상의 프로세서를 구비하여, 서버(1000)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(1010)는, 메모리(1030)에 저장된 프로그램들을 실행함으로써, 통신부(1020) 및 메모리(1030) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1010)는 메모리(1030)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 9에 기재된 서버(1000)의 기능을 수행할 수 있다.
통신부(1020)는, 서버(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(1020)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(1020)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(1020)는 프로세서(1010)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(1020)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(1020)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(1030)는, 프로세서(1010)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(1030)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(1030)는 프로세서(1010)에서 생성된 데이터를 저장할 수 있다. 메모리(1030)는 서버(1000)로 입력되거나 서버(1000)로부터 출력되는 정보를 저장할 수도 있다.
메모리(1030)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(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), 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.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (12)
- 서버가 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법에 있어서,
사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지를 포함하는 사용자의 외형 정보 및 사용자의 기본 정보를 상기 사용자 단말로부터 수신하는 단계;
상기 사용자의 외형 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 데이터 추출 모델을 통해 사용자의 특징 정보를 결정하는 단계;
상기 사용자의 특징 정보 및 상기 사용자의 기본 정보를 기반으로 상기 서버에 사전 저장된 액세서리 정보로부터 액세서리 후보 리스트를 결정하는 단계;
상기 액세서리 후보 리스트가 결정된 것에 기반하여, 수집 요청 메시지를 상기 사용자 단말에게 전송하는 단계;
상기 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 사용자의 구매 이력 정보 및 사용자의 SNS(social network service) 활동 정보를 수집하는 단계;
상기 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 선호도 분석 모델을 통해 사용자의 액세서리 상품별 선호도를 결정하는 단계;
상기 사용자의 액세서리 상품별 선호도 및 액세서리 상품별 트렌드 점수에 기반하여 상기 액세서리 후보 리스트 중에서 추천 액세서리를 결정하는 단계;
상기 추천 액세서리에 대한 정보를 상기 사용자 단말에게 전송하는 단계;를 포함하되,
상기 액세서리 상품별 트렌드 점수는 사전 설정된 주기동안 복수의 SNS에서 생성된 복수의 게시글 중에서 액세서리와 관련된 키워드가 포함된 게시글의 개수에 따라 결정되는,
방법.
- 제 1항에 있어서,
상기 데이터 추출 모델은 패스터 R-CNN(faster regions with convolutional neural network) 모델이 사용되고
상기 제1 이미지에 대한 데이터 전처리를 통해 복수의 제1 관심 영역으로 구성된 제1 입력 벡터가 생성되고,
상기 복수의 제1 관심 영역은 사용자의 헤어 컬러와 관련된 관심 영역, 사용자의 헤어 스타일과 관련된 관심 영역, 사용자의 체형과 관련된 관심 영역, 사용자의 목과 관련된 관심 영역 및 사용자의 패션 스타일과 관련된 관심 영역을 포함하고,
상기 제2 이미지에 대한 데이터 전처리를 통해 복수의 제2 관심 영역으로 구성된 제2 입력 벡터가 생성되고,
상기 복수의 제2 관심 영역은 사용자의 피부 톤과 관련된 관심 영역, 사용자의 귀와 관련된 관심 영역 및 사용자의 얼굴형과 관련된 관심 영역을 포함하고,
상기 제1 입력 벡터와 상기 제2 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되는 것에 기반하여 상기 사용자의 특징 정보가 결정되고,
상기 사용자의 특징 정보는 사용자의 피부 톤에 대한 값, 사용자의 헤어 컬러에 대한 값, 사용자의 헤어 스타일과 관련된 값, 사용자의 체형에 대한 값, 사용자의 패션 스타일에 대한 값, 사용자의 얼굴형에 대한 값, 사용자의 귀와 관련된 값 및 사용자의 목과 관련된 값을 포함하는,
방법.
- 제 2항에 있어서,
상기 선호도 분석 모델은 다변량 LSTM(long short term memory networks) 모델이 사용되고,
상기 사용자의 구매 이력 정보는 사용자의 구매 상품에 대한 정보, 사용자의 구매 상품에 대한 평점 정보, 사용자의 구매 상품에 대한 클릭 횟수, 사용자의 구매 상품에 대한 찜하기 여부, 사용자의 구매 상품에 대한 링크 공유 횟수 및 사용자의 구매 상품 페이지에 대한 체류 시간을 포함하고,
상기 사용자의 SNS 활동 정보는 사용자가 구매 상품과 관련된 게시글을 SNS에 업로드한 횟수를 포함하고,
상기 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 구매 활동 벡터가 생성되고,
상기 시간 가중치는 사용자가 최근 구매한 상품에 대해 더 큰 값으로 설정되고,
상기 행위 가중치는 사용자의 정규화된 행위 값에 기반하여 구매와 관련된 행위에 대한 비율이 클수록 더 큰 값으로 설정되고,
상기 구매 활동 벡터는 구매 상품별 평점과 관련된 값, 구매 상품별 클릭 회수와 관련된 값, 구매 상품별 찜하기 여부와 관련된 값, 구매 상품별 링크 공유 횟수와 관련된 값, 구매 상품별 체류 시간과 관련된 값 및 구매 상품별 SNS 업로드 횟수와 관련된 값으로 구성되고,
상기 구매 활동 벡터가 상기 제2 뉴럴 네트워크에 입력되는 것에 기반하여 상기 사용자의 액세서리 상품별 선호도가 결정되는,
방법.
- 제 3항에 있어서,
상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 크거나 같은 것에 기반하여, 상기 사용자의 액세서리 상품별 선호도가 결정되고,
상기 사전 설정된 기준 값은 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 Bth는 상기 사전 설정된 기준 값이고, 상기 nallow는 상기 수집 허용 메시지를 수신한 횟수이고, 상기 nref는 상기 서버에 설정된 기준 횟수이고, 상기 ndef는 상기 사용자의 선호도 정보를 결정하기 위한 기본 구매 횟수이고, 상기 k는 액세러리의 종류의 개수이고, 상기 l은 구매와 관련된 행위의 종류의 개수이고, 상기 bij는 i번째 액세서리 종류에 대해 j번째 구매와 관련된 행위를 상기 서버에 저장하기 위한 용량이고, 상기 bref는 상기 서버에 설정된 기본 용량인,
방법.
- 제 3항에 있어서,
상기 수집 허용 메시지를 수신한 것에 기반하여 상기 추천 액세서리에 대한 정보에 할인 정보가 추가되고,
상기 할인 정보는 상기 추천 액세서리에 대한 할인율과 할인기간을 포함하고,
상기 추천 액세서리에 대한 할인율은 상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량의 크기에 기반하여 상이하게 결정되고,
상기 추천 액세서리에 대한 할인기간은 상기 사용자의 액세서리 상품별 선호도에 따라 상이하게 결정되는,
방법.
- 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 서버에 있어서,
상기 서버는 적어도 하나의 프로세서, 적어도 하나의 메모리 및 통신부를 포함하되,
상기 적어도 하나의 프로세서는:
사용자가 의류를 착용한 제1 이미지 및 사용자의 얼굴에 대한 제2 이미지를 포함하는 사용자의 외형 정보 및 사용자의 기본 정보를 상기 사용자 단말로부터 수신하고,
상기 사용자의 외형 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 데이터 추출 모델을 통해 사용자의 특징 정보를 결정하고,
상기 사용자의 특징 정보 및 상기 사용자의 기본 정보를 기반으로 상기 서버에 사전 저장된 액세서리 정보로부터 액세서리 후보 리스트를 결정하고,
상기 액세서리 후보 리스트가 결정된 것에 기반하여, 수집 요청 메시지를 상기 사용자 단말에게 전송하고,
상기 사용자 단말로부터 수집 허용 메시지를 수신한 것에 기반하여, 사용자의 구매 이력 정보 및 사용자의 SNS(social network service) 활동 정보를 수집하고,
상기 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 선호도 분석 모델을 통해 사용자의 액세서리 상품별 선호도를 결정하고,
상기 사용자의 액세서리 상품별 선호도 및 액세서리 상품별 트렌드 점수에 기반하여 상기 액세서리 후보 리스트 중에서 추천 액세서리를 결정하고,
상기 추천 액세서리에 대한 정보를 상기 사용자 단말에게 전송하고,
상기 액세서리 상품별 트렌드 점수는 사전 설정된 주기동안 복수의 SNS에서 생성된 복수의 게시글 중에서 액세서리와 관련된 키워드가 포함된 게시글의 개수에 따라 결정되는,
서버.
- 제 6항에 있어서,
상기 데이터 추출 모델은 패스터 R-CNN(faster regions with convolutional neural network) 모델이 사용되고
상기 제1 이미지에 대한 데이터 전처리를 통해 복수의 제1 관심 영역으로 구성된 제1 입력 벡터가 생성되고,
상기 복수의 제1 관심 영역은 사용자의 헤어 컬러와 관련된 관심 영역, 사용자의 헤어 스타일과 관련된 관심 영역, 사용자의 체형과 관련된 관심 영역, 사용자의 목과 관련된 관심 영역 및 사용자의 패션 스타일과 관련된 관심 영역을 포함하고,
상기 제2 이미지에 대한 데이터 전처리를 통해 복수의 제2 관심 영역으로 구성된 제2 입력 벡터가 생성되고,
상기 복수의 제2 관심 영역은 사용자의 피부 톤과 관련된 관심 영역, 사용자의 귀와 관련된 관심 영역 및 사용자의 얼굴형과 관련된 관심 영역을 포함하고,
상기 제1 입력 벡터와 상기 제2 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되는 것에 기반하여 상기 사용자의 특징 정보가 결정되고,
상기 사용자의 특징 정보는 사용자의 피부 톤에 대한 값, 사용자의 헤어 컬러에 대한 값, 사용자의 헤어 스타일과 관련된 값, 사용자의 체형에 대한 값, 사용자의 패션 스타일에 대한 값, 사용자의 얼굴형에 대한 값, 사용자의 귀와 관련된 값 및 사용자의 목과 관련된 값을 포함하는,
서버.
- 제 7항에 있어서,
상기 선호도 분석 모델은 다변량 LSTM(long short term memory networks) 모델이 사용되고,
상기 사용자의 구매 이력 정보는 사용자의 구매 상품에 대한 정보, 사용자의 구매 상품에 대한 평점 정보, 사용자의 구매 상품에 대한 클릭 횟수, 사용자의 구매 상품에 대한 찜하기 여부, 사용자의 구매 상품에 대한 링크 공유 횟수 및 사용자의 구매 상품 페이지에 대한 체류 시간을 포함하고,
상기 사용자의 SNS 활동 정보는 사용자가 구매 상품과 관련된 게시글을 SNS에 업로드한 횟수를 포함하고,
상기 사용자의 구매 이력 정보 및 상기 사용자의 SNS 활동 정보에 대한 데이터 전처리를 통해 시간 가중치와 행위 가중치를 반영한 구매 활동 벡터가 생성되고,
상기 시간 가중치는 사용자가 최근 구매한 상품에 대해 더 큰 값으로 설정되고,
상기 행위 가중치는 사용자의 정규화된 행위 값에 기반하여 구매와 관련된 행위를 수행한 빈도 수가 클수록 더 큰 값으로 설정되고,
상기 구매 활동 벡터는 구매 상품별 평점과 관련된 값, 구매 상품별 클릭 회수와 관련된 값, 구매 상품별 찜하기 여부와 관련된 값, 구매 상품별 링크 공유 횟수와 관련된 값, 구매 상품별 체류 시간과 관련된 값 및 구매 상품별 SNS 업로드 횟수와 관련된 값으로 구성되고,
상기 구매 활동 벡터가 상기 제2 뉴럴 네트워크에 입력되는 것에 기반하여 상기 사용자의 액세서리 상품별 선호도가 결정되는,
서버.
- 제 8항에 있어서,
상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량이 사전 설정된 기준 값보다 크거나 같은 것에 기반하여, 상기 사용자의 액세서리 상품별 선호도가 결정되고,
상기 사전 설정된 기준 값은 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 Bth는 상기 사전 설정된 기준 값이고, 상기 nallow는 상기 수집 허용 메시지를 수신한 횟수이고, 상기 nref는 상기 서버에 설정된 기준 횟수이고, 상기 ndef는 상기 사용자의 선호도 정보를 결정하기 위한 기본 구매 횟수이고, 상기 k는 액세러리의 종류의 개수이고, 상기 l은 구매와 관련된 행위의 종류의 개수이고, 상기 bij는 i번째 액세서리 종류에 대해 j번째 구매와 관련된 행위를 상기 서버에 저장하기 위한 용량인,
서버.
- 제 8항에 있어서,
상기 수집 허용 메시지를 수신한 것에 기반하여 상기 추천 액세서리에 대한 정보에 할인 정보가 추가되고,
상기 할인 정보는 상기 추천 액세서리에 대한 할인율과 할인기간을 포함하고,
상기 추천 액세서리에 대한 할인율은 상기 사용자의 구매 이력 정보에 대한 용량과 상기 사용자의 SNS 활동 정보에 대한 용량의 크기에 기반하여 상이하게 결정되고,
상기 추천 액세서리에 대한 할인기간은 상기 사용자의 액세서리 상품별 선호도에 따라 상이하게 결정되는,
서버.
- 하드웨어와 결합되어 제1항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 하드웨어와 결합되어 제1항의 방법을 실행시키기는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230040366 | 2023-03-28 | ||
| KR20230040366 | 2023-03-28 | ||
| KR1020230042033 | 2023-03-30 | ||
| KR20230042033 | 2023-03-30 | ||
| KR1020230044171A KR102553152B1 (ko) | 2023-03-28 | 2023-04-04 | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230044171A Division KR102553152B1 (ko) | 2023-03-28 | 2023-04-04 | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230110451A true KR20230110451A (ko) | 2023-07-24 |
Family
ID=87155902
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230044171A KR102553152B1 (ko) | 2023-03-28 | 2023-04-04 | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치 |
| KR1020230086388A KR20230110451A (ko) | 2023-03-28 | 2023-07-04 | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에대한 정보를 전송하는 방법 및 장치 |
| KR1020230086387A KR20230110450A (ko) | 2023-03-28 | 2023-07-04 | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에대한 정보를 전송하는 방법 및 장치 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230044171A KR102553152B1 (ko) | 2023-03-28 | 2023-04-04 | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230086387A KR20230110450A (ko) | 2023-03-28 | 2023-07-04 | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에대한 정보를 전송하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (3) | KR102553152B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102622114B1 (ko) * | 2023-10-11 | 2024-01-05 | 양소영 | 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 |
| KR102653508B1 (ko) * | 2023-10-16 | 2024-04-01 | 주식회사 엠에스그룹 | 개인의 취향을 반영하여 팬시 제품을 추천해주고 이를 추적하여 재구매를 유도하는 방법 및 시스템 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102655761B1 (ko) * | 2023-08-29 | 2024-04-08 | 주식회사 넥스트페이먼츠 | 사람의 특성을 인식하고 제품을 추천하는 전자 장치 및 전자 장치의 동작 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180026155A (ko) * | 2016-09-02 | 2018-03-12 | 에스케이플래닛 주식회사 | 사용자 이미지를 이용한 대여 아이템 선호도 자동 분석 장치 및 이를 이용한 방법 |
| KR102174206B1 (ko) * | 2018-10-29 | 2020-11-04 | 주식회사 케이에스씨 | 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치 |
| KR20220015177A (ko) * | 2020-07-30 | 2022-02-08 | 주식회사 룩코 | 코디 조합 생성 시스템 및 코디 조합 생성 방법 |
| KR102612004B1 (ko) * | 2020-11-10 | 2023-12-08 | 다겸 주식회사 | 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치 |
| KR102323861B1 (ko) * | 2021-01-15 | 2021-11-09 | 주식회사 쪼이 | 온라인 의류 판매 시스템 |
-
2023
- 2023-04-04 KR KR1020230044171A patent/KR102553152B1/ko active IP Right Grant
- 2023-07-04 KR KR1020230086388A patent/KR20230110451A/ko active Application Filing
- 2023-07-04 KR KR1020230086387A patent/KR20230110450A/ko active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102622114B1 (ko) * | 2023-10-11 | 2024-01-05 | 양소영 | 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 |
| KR102653508B1 (ko) * | 2023-10-16 | 2024-04-01 | 주식회사 엠에스그룹 | 개인의 취향을 반영하여 팬시 제품을 추천해주고 이를 추적하여 재구매를 유도하는 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230110450A (ko) | 2023-07-24 |
| KR102553152B1 (ko) | 2023-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102553152B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치 | |
| US11151453B2 (en) | Device and method for recommending product | |
| US11222413B2 (en) | Method for correcting image by device and device therefor | |
| KR102530045B1 (ko) | 전자 장치 및 그 동작 방법 | |
| KR102408462B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR102457277B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 | |
| KR20230110221A (ko) | 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치 | |
| KR102468206B1 (ko) | 뉴럴 네트워크를 이용한 크리에이팅 보조 방법, 그 방법을 수행하는 서버 및 단말기 | |
| KR102474122B1 (ko) | 사용자의 유형 및 사용자와 관련된 정보를 기초로 증강현실을 이용하여 상품을 추천하는 방법 및 장치 | |
| KR102642567B1 (ko) | 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치 | |
| KR102622114B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 | |
| KR102591113B1 (ko) | 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치 | |
| KR102561611B1 (ko) | 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치 | |
| KR102584699B1 (ko) | 뉴럴 네트워크를 이용하여 무인 카페를 관리하는 방법 및 장치 | |
| KR102536395B1 (ko) | 뉴럴 네트워크를 이용한 화장품 추천 방법 및 장치 | |
| KR102493412B1 (ko) | 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버 | |
| KR102465106B1 (ko) | 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치 | |
| KR102528407B1 (ko) | 뉴럴 네트워크를 이용하여 인플루언서와 광고 대상의 분야에 대한 연관도에 따른 마케팅 비용에 대한 정보를 결정하는 방법 및 장치 | |
| KR102497016B1 (ko) | 농산물 추천 방법 및 장치 | |
| KR102573285B1 (ko) | 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치 | |
| KR102573319B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 가상 공간에 생성된 추모 공간을 제공하는 방법 및 장치 | |
| KR102568752B1 (ko) | 뉴럴 네트워크를 이용하여 특정 데이터에 대해 리밸런싱을 수행하는 방법 및 장치 | |
| KR102493490B1 (ko) | 인공 지능을 이용한 데이터 크롤링 시스템 | |
| KR102501576B1 (ko) | 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치 | |
| KR102644779B1 (ko) | 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent |