KR20230134394A - 온라인 서비스를 통해 제공될 추천 정보를 생성하는 방법 및 그 서버 - Google Patents

Abstract

본 발명은 온라인 서비스를 통해 제공될 추천 정보를 생성하는 방법 및 그 서버에 관한 것이다.
또한 본 발명은 온라인 상품 판매 플랫폼을 제공하는 서버 및 서버가 고객에게 상품을 추천하는 방법에 관한 것이다.

Description

온라인 서비스를 통해 제공될 추천 정보를 생성하는 방법 및 그 서버 {method and server for generating recommendation information to be provided through an online service}

본 발명은 온라인 서비스를 통해 제공될 추천 정보를 생성하는 방법 및 그 서버에 관한 것이다.

또한 본 발명은 온라인 상품 판매 플랫폼을 제공하는 서버 및 서버가 고객에게 상품을 추천하는 방법에 관한 것이다.

스마트 플랫폼의 발달에 따라, 상품, 즉 식재료, 생활필수품, 여가용품 등의 거래 중 온라인을 통한 거래의 비중이 증가하고 있는 추세이다.

다수의 고객을 유인하기 위해, 각 기업은 온라인 플랫폼을 통해 고객에게 차별적인 서비스를 제공하기 위한 방법에 대한 연구를 이어가고 있다.

국내공개특허 제10-2019-0067371호 (2019.06.17) 국내공개특허 제10-2019-0125200호 (2019.11.06)

본 발명의 다양한 실시예들은, 온라인 상품 판매 플랫폼을 제공하는 서버 및 서버가 고객에게 상품을 추천하는 방법을 제공한다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따르면, 온라인 상품 판매 플랫폼을 제공하는 서버가 고객에게 상품을 추천하는 방법이 제공된다. 상기 방법은, 상기 고객의 사용자 디바이스로부터, 상기 고객이 상기 온라인 상품 판매 플랫폼의 검색창에 입력한 검색 정보를 수신하는 단계, 상기 검색 정보가 지시하는 제1 상품 종류를 식별(identify)하는 단계, 상기 제1 상품 종류가 식별된 것을 기반으로, 제1 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼 내 상기 고객의 관심 리스트에 가장 많이 포함된 제2 상품 종류를 식별하는 단계, 상기 제1 상품 종류가 식별된 것을 기반으로, 제2 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼을 통해서 상기 고객이 가장 많이 구매한 제3 상품 종류를 식별하는 단계, 상기 제1 상품 종류가 식별된 것을 기반으로, 제3 상품 추천 후보 검출 방법을 통해서, 상기 고객이 상기 온라인 상품 판매 플랫폼의 상기 검색창을 통해서 가장 많이 검색한 제4 상품 종류를 식별하는 단계, 상기 제2 상품 종류, 상기 제3 상품 종류 및 상기 제4 상품 종류 중 적어도 하나의 상품 종류를 상기 고객에게 추천하기로 결정하는 단계 및 상기 사용자 디바이스로, 상기 적어도 하나의 상품 종류에 대한 추천 정보를 전송하는 단계를 포함하되, 상기 검색 정보는, 특정 상품 종류를 지시하는 텍스트 정보, 이미지 정보 또는 음성 정보이고, 상기 추천 정보는, 상기 추천하고자 하는 적어도 하나의 상품 종류의 상품 명칭 정보, 상품 가격 정보 및 상품 이미지 정보를 포함할 수 있다.

본 발명의 다양한 실시예들에 따르면, 서버는 고객에게 상품을 효과적으로 추천할 수 있다.

본 발명에 따른 효과는 상기 기재한 효과에 제한되지 않으며, 기재하지 않은 또 다른 효과들은 이하의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 특정한 바람직한 실시예들의 상기에서 설명한 바와 같은 또한 다른 측면들과, 특징들 및 이득들은 첨부 도면들과 함께 처리되는 하기의 설명으로부터 보다 명백하게 될 것이다.
도 1은 서버 및 사용자 디바이스 간의 통신 구조의 일 예시를 나타낸다.
도 2는 일 실시예에 따른 서버의 동작을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 서버가 상품을 추천하는 방법을 도시하는 흐름도이다.
도 4는 다른 일 실시예에 따른 서버가 상품을 추천하는 방법을 도시하는 흐름도이다.
도 5는 온라인 상품 판매 플랫폼이 제공하는 애플리케이션의 화면이 사용자 디바이스에 디스플레이 되는 일 예시를 나타내는 도면이다.
도 6은 일 실시예에 따른 서버의 구성을 도시하는 블록도이다.
도 7은 일 실시예에 따른 프로세서의 구성을 도시하는 블록도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면 상의 동일한 구성요소에 대해서는 동일한 참조 부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

도 1은 서버 및 사용자 디바이스 간의 통신 구조의 일 예시를 나타낸다.

본 발명에서 “서버”는 네트워크를 통해 외부 장치들(예를 들어, 사용자 디바이스) 또는 (자신 이외의) 외부 서버들과 통신하는 서버(server)의 일종으로서, 외부 장치들 또는 외부 서버들을 운용하기 위한 서버를 나타낼 수 있다. 일 예시에서, 상기 서버는, 일반적인 서버용 하드웨어에 도스, 윈도우, 리눅스, 유닉스, 매킨토시 등의 운영체제에 따라 다양하게 제공되고 있는 웹서버 프로그램을 이용하여 구현될 수 있다.

일 실시예에서, 서버(110)는 온라인 상품 판매 플랫폼을 제공하는 장치를 의미할 수 있다. 예를 들어, 서버(110)는 운영 서버, 온라인 상품 판매 플랫폼 제공 서버, 온라인 상품 판매 플랫폼 등 다양한 명칭으로 지칭될 수 있다.

본 발명에서 “사용자 디바이스”는 스마트폰, 핸드폰, 스마트 TV, 스마트 워치, 전자 손목 시계, 셋톱박스(set-top box), 태블릿 PC, 디지털 카메라, 캠코더, 노트북 컴퓨터(laptop computer), 데스크탑, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 착용형 기기(wearable device), 에어컨, 전자 레인지, 오디오, DVD 플레이어 등을 포함하는 다양한 기기로 구현될 수 있다.

본 발명에서 상기 서버(110) 및 사용자 디바이스(120)는, 통신망을 통해 상호 통신할 수 있다. 상기 통신망은, 예를 들어 무선 통신망 또는 유선 통신망일 수 있다. 상기 무선 통신망은, 예를 들어 LTE (Long Term Evolution) RAT(Radio Access Technology), NR(New Radio) RAT, WiFi 등에 기반한 통신망일 수 있다.

일 예시에서, 상기 서버(110) 및 사용자 디바이스(120)는, 상호 D2D(Device-to-Device) 통신을 수행할 수 있고, 기지국(예를 들어, gNB 및/또는 eNB)과 UU 통신을 수행할 수 있다. 상기 D2D 통신 또는 상기 UU 통신을 수행하기 위한 TDMA(time division multiple access) 및 FDMA(frequency division multiples access) 시스템에서, 정확한 시간 및 주파수 동기화가 요구될 수 있다. 시간 및 주파수 동기화가 정확하게 되지 않으면, 심볼 간 간섭(Inter Symbol Interference, ISI) 및 반송파 간 간섭(Inter Carrier Interference, ICI)으로 인해 시스템 성능이 저하될 수 있다. 일 예시에 따른 D2D 통신에서는 시간/주파수 동기화를 위해, 물리 계층에서는 동기 신호(synchronization signal)를 사용할 수 있고, RLC(radio link control) 계층에서는 MIB(master information block)를 사용할 수 있다.

D2D 통신 과정에서, 상기 서버(110) 및 사용자 디바이스(120)는 GNSS(global navigation satellite systems)에 직접적으로 동기화 되거나, 또는 GNSS에 직접적으로 동기화된 (네트워크 커버리지 내의 또는 네트워크 커버리지 밖의) 단말을 통해 비간접적으로 GNSS에 동기화 될 수 있다. GNSS가 동기화 소스로 설정된 경우, 상기 서버(110) 및 사용자 디바이스(120)는 UTC(Coordinated Universal Time) 및 (미리) 설정된 DFN(Direct Frame Number) 오프셋을 사용하여 DFN 및 서브프레임 번호를 계산할 수 있다.

또는, 상기 서버(110) 및 사용자 디바이스(120)는 기지국에 직접 동기화되거나, 기지국에 시간/주파수 동기화된 다른 단말에게 동기화될 수 있다. 예를 들어, 상기 기지국은 eNB 또는 gNB일 수 있다. 예를 들어, 상기 서버(110) 및 사용자 디바이스(120) 중 적어도 하나가 네트워크 커버리지 내에 있는 경우, 상기 서버(110) 및 사용자 디바이스(120)는 기지국이 제공하는 동기화 정보를 수신하고, 상기 기지국에 직접 동기화될 수 있다. 그 후, 상기 서버(110) 및 사용자 디바이스(120)는 동기화 정보를 인접한 다른 단말에게 제공할 수 있다. 기지국 타이밍이 동기화 기준으로 설정된 경우, 상기 서버(110) 및 사용자 디바이스(120)는 동기화 및 하향링크 측정을 위해 해당 주파수에 연관된 셀(상기 주파수에서 셀 커버리지 내에 있는 경우), 프라이머리 셀 또는 서빙 셀(상기 주파수에서 셀 커버리지 바깥에 있는 경우)을 따를 수 있다.

기지국(예를 들어, 서빙 셀)은 D2D 또는 SL(sidelink) 통신에 사용되는 반송파에 대한 동기화 설정을 제공할 수 있다. 이 경우, 상기 서버(110) 및 사용자 디바이스(120)는 상기 기지국으로부터 수신한 동기화 설정을 따를 수 있다. 만약, 상기 서버(110) 및 사용자 디바이스(120)가 상기 D2D 또는 SL 통신에 사용되는 반송파에서 어떤 셀도 검출하지 못했고, 서빙 셀로부터 동기화 설정도 수신하지 못했다면, 상기 서버(110) 및 사용자 디바이스(120)는 미리 설정된 동기화 설정을 따를 수 있다.

또는, 상기 서버(110) 및 사용자 디바이스(120)는 기지국이나 GNSS로부터 직접 또는 간접적으로 동기화 정보를 획득하지 못한 다른 단말에게 동기화될 수도 있다. 동기화 소스 및 선호도는 단말에게 미리 설정될 수 있다. 또는, 동기화 소스 및 선호도는 기지국에 의하여 제공되는 제어 메시지를 통해 설정될 수 있다.

일 실시예에서, 상기 서버(110) 및 사용자 디바이스(120)는 네트워크(100) (또는 통신망)를 통해서 상호 통신할 수 있다. 예를 들어, 서버(110)가 네트워크(100)로 데이터를 전송하면, 네트워크(100)는 상기 사용자 디바이스(120)로 상기 데이터를 전달(전송)할 수 있다. 또는, 상기 사용자 디바이스(120)가 상기 네트워크(100)로 데이터를 전송하면, 상기 네트워크(100)는 상기 서버(110)로 상기 데이터를 전달(전송)할 수 있다.

이하 도 2 내지 도 7에 대한 설명에서는, 상기 서버(110) 및 사용자 디바이스(120) 간의 신호 교환 또는 통신을 기반으로, 온라인 상품 판매 플랫폼을 제공하는 상기 서버(110)가 고객(사용자 디바이스(120))에게 상품을 추천하는 방법에 대하여 구체적으로 검토한다.

도 2는 일 실시예에 따른 서버의 동작을 나타내는 흐름도이다.

도 2의 흐름도에 개시된 동작들은, 본 발명의 다양한 실시예들과 결합하여 수행될 수 있다. 일 예시에서, 도 2에서 설명되는 서버는, 도 1에 개시된 서버(110) 또는 도 6에 개시된 서버(600)와 대응될 수 있다. 일 예시에서, 도 2의 흐름도에 개시된 동작들은, 도 1 및 도 3 내지 도 7에 개시된 (서버의) 동작들 중 일부와 대응될 수 있다.

단계 S210에서, 일 실시예에 따른 서버는, 상기 고객의 사용자 디바이스로부터, 상기 고객이 상기 온라인 상품 판매 플랫폼의 검색창에 입력한 검색 정보를 수신할 수 있다.

일 실시예에서, 상기 검색 정보는, 특정 상품 종류를 지시하는 텍스트 정보, 이미지 정보 또는 음성 정보일 수 있다.

일 실시예에서, 고객은 온라인 상품 판매 플랫폼을 통해서 구매하고자 하는 상품(product)의 상품 종류(product type) 또는 상품명을 검색창에 입력할 수 있다. 예를 들어, 고객이 사과 3개를 구매하고자 하는 경우, 상품 종류 또는 상품명은 '사과'일 수 있다. 또는, 예를 들어, 사과를 구매하고자 하는 고객은 사과 이미지를 검색창에 업로드 할 수 있다.

단계 S220에서, 일 실시예에 따른 서버는, 상기 검색 정보가 지시하는 제1 상품 종류를 식별(identify)할 수 있다.

일 실시예에서, 서버는 상기 검색 정보를 기반으로 상품 식별(identification) 정보 또는 코드(code)를 결정할 수 있고, 상기 상품 식별 정보 또는 상기 코드를 기반으로 상기 제1 상품 종류를 식별할 수 있다.

예를 들어, 서버는 고객이 입력한 '사과' 또는 'apple'이라는 키워드를 기반으로, 사과의 식별 정보인 FRUIT_APPLE_2022 또는 사과의 코드인 FA1234를 결정할 수 있고, 상기 식별 정보 또는 상기 코드를 기반으로 '사과'라는 상품 종류를 식별할 수 있다.

단계 S230에서, 일 실시예에 따른 서버는, 상기 제1 상품 종류가 식별된 것을 기반으로, 제1 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼 내 상기 고객의 관심 리스트에 가장 많이 포함된 제2 상품 종류를 식별할 수 있다.

다시 말해, 상기 제1 상품 추천 후보 검출 방법은, 상기 온라인 상품 판매 플랫폼 내 상기 고객의 관심 리스트에 가장 많이 포함된 상품 종류를 식별하는 방법을 나타낸다. 상기 관심 리스트는, 온라인 상품 판매 플랫폼 내 장바구니, 위시리스트(wishlist) 등을 지시할 수도 있다. 일 예시에서, 상기 고객의 관심 리스트에 'A업체 안동 사과 20kg 1박스', 'B업체 상주 곶감 5kg 1박스', 'C업체 안성 사과 10kg 1박스', 'D업체 사과 1개', 'E업체 횡성 한우 꽃등심 1근' 및 'F업체 이천 쌀 20kg'에 포함되어 있는 경우, 이 중 가장 많이 포함된 '상품 종류'는 '사과' (총 3개)이므로, 사과가 상기 제2 상품 종류로 식별될 수 있다.

단계 S240에서, 일 실시예에 따른 서버는, 상기 제1 상품 종류가 식별된 것을 기반으로, 제2 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼을 통해서 상기 고객이 가장 많이 구매한 제3 상품 종류를 식별할 수 있다.

다시 말해, 상기 제2 상품 추천 후보 검출 방법은, 상기 온라인 상품 판매 플랫폼을 통해서 상기 고객이 가장 많이 구매한 상품 종류를 식별하는 방법을 나타낸다. 일 예시에서, 상기 고객이 'A업체 안동 사과 20kg 1박스', 'B업체 상주 곶감 5kg 1박스', 'C업체 안성 사과 10kg 1박스', 'D업체 사과 1개', 'E업체 횡성 한우 꽃등심 1근' 및 'F업체 이천 쌀 20kg'을 구매한 이력이 있는 경우, 이 중 가장 많이 구매된 '상품 종류'는 '사과' (총 3개)이므로, 사과가 상기 제3 상품 종류로 식별될 수 있다.

단계 S250에서, 일 실시예에 따른 서버는, 상기 제1 상품 종류가 식별된 것을 기반으로, 제3 상품 추천 후보 검출 방법을 통해서, 상기 고객이 상기 온라인 상품 판매 플랫폼의 상기 검색창을 통해서 가장 많이 검색한 제4 상품 종류를 식별할 수 있다.

다시 말해, 상기 제3 상품 추천 후보 검출 방법은, 상기 고객이 상기 온라인 상품 판매 플랫폼의 상기 검색창을 통해서 가장 많이 검색한 상품 종류를 식별하는 방법을 나타낸다. 일 예시에서, 상기 고객이 상기 온라인 상품 판매 플랫폼의 검색창을 통해서 사과를 20번 검색하고, 배를 10번 검색하고, 참치를 8번 검색하고, 밤을 1번 검색한 이력이 있는 경우, 이 중 가장 많이 검색된 '상품 종류'는 사과이므로, 사과가 상기 제4 상품 종류로 식별될 수 있다.

단계 S260에서, 일 실시예에 따른 서버는, 상기 제2 상품 종류, 상기 제3 상품 종류 및 상기 제4 상품 종류 중 적어도 하나의 상품 종류를 상기 고객에게 추천하기로 결정할 수 있다.

고객에게 추천할 상기 적어도 하나의 상품 종류를 결정하는 방법의 예시 또는 실시예는, 도 2에 대한 설명의 하단 또는 도 3 및 도 4에 대한 설명에서 후술하기로 한다.

단계 S270에서, 일 실시예에 따른 서버는, 상기 사용자 디바이스로, 상기 적어도 하나의 상품 종류에 대한 추천 정보를 전송할 수 있다.

일 실시예에서, 상기 추천 정보는, 상기 추천하고자 하는 적어도 하나의 상품 종류의 상품 명칭 정보, 상품 가격 정보 및 상품 이미지 정보를 포함할 수 있다.

다른 일 실시예에서, 상기 추천 정보는, 상기 추천하고자 하는 적어도 하나의 상품 종류를 추천하는 리뷰를 포함하는 SNS(Social Network Service) 링크를 더 포함할 수 있다. 일 예시에서, 상기 SNS 링크를 통해서 연결되는 리뷰는, 상품 종류와 관련한 총 리뷰들 중 고객들로부터 받은 평점이 가장 높거나, 가장 많은 댓글이 달린 리뷰일 수 있다.

일 실시예에서, 상기 적어도 하나의 상품 종류를 상기 고객에게 추천하기로 결정하는 단계는, 상기 제2 상품 종류, 상기 제3 상품 종류 및 상기 제4 상품 종류 중 상기 제1 상품 종류와 상이한 상품 종류를 모두 상기 적어도 하나의 상품 종류로 결정하는 단계를 더 포함할 수 있다.

예를 들어, 상기 제2 상품 종류, 상기 제3 상품 종류 및 상기 제4 상품 종류 중 상기 제2 상품 종류와 상기 제4 상품 종류가 상기 제1 상품 종류와 상이하고, 상기 제3 상품 종류는 상기 제1 상품 종류와 동일한 경우 (즉, 상기 제3 상품 종류가 곧 상기 제1 상품 종류인 경우), 상기 고객에게 추천될 상기 적어도 하나의 상품 종류는, 상기 제2 상품 종류 및 상기 제4 상품 종류로 결정될 수 있다.

일 실시예에서, 상기 적어도 하나의 상품 종류를 상기 고객에게 추천하기로 결정하는 단계는, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 결정하는 단계, 상기 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한 것을 기반으로, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 차선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 결정하는 단계, 상기 차선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한 것을 기반으로, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 결정하는 단계 및 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 상이한 것을 기반으로, 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 상기 고객에게 추천하기로 결정하는 단계를 더 포함할 수 있다.

즉, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법에는 우선 순위가 차등적으로 부여될 수 있다. 세 가지 상품 추천 후보 검출 방법 중에서 최선 순위(1순위), 차순위(2순위) 및 최후 순위(3순위)가 결정될 수 있고, 상기 순위대로 상기 제1 상품 종류와의 동일성 비교가 수행될 수 있다. 순위대로 상기 제1 상품 종류와 동일성 비교가 수행되면서, 상기 제1 상품 종류와 상이한 상품 종류가 검출되면, 동일성 비교가 종료되면서 상기 상이한 상품 종류가 상기 고객에게 추천될 상기 적어도 하나의 상품 종류로 결정될 수 있다. 만약 상기 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일하면, 후순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류와 상기 제1 상품 종류 간의 동일성 판단이 수행될 수 있다. 보다 구체적인 플로우(flow)는, 도 4에 대한 설명에서 후술하기로 한다.

일 실시예에 따른 상기 방법은, 상기 사용자 디바이스로부터, 상기 고객이 상기 추천 정보를 포함하는 링크(link)에 접근하였음을 지시하는 정보 및 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하였음을 지시하는 구매 정보를 수신하는 단계 및 상기 최후 순위의 상품 추천 후보 검출 방법의 순위를 최선 순위로 변경하는 단계를 더 포함할 수 있다.

다시 말해, 상기 서버가 상기 고객에게 추천한 정보를 기반으로 고객이 추천 상품 종류를 구매하는 경우, 서버는 상기 추천 방법의 효율성을 인정하여 상기 추천 방법의 순위를 최선 순위로 변경할 수 있다. 본 실시예에서는 상기 추천 방법이 기존 최후 순위에서 최선 순위로 변경되는 것을 기재하였으나, 실시예는 이에 한정되지 않는다. 예를 들어, 상기 추천 방법의 기존 순위가 차순위(2순위) 였던 경우, 상기 고객이 상기 추천 상품 종류를 구매하면 상기 추천 방법의 순위가 차순위(2순위)에서 최선 순위(1순위)로 변경될 수 있다.

일 실시예에 따른 상기 방법은, 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하였음을 지시하는 상기 구매 정보를 수신한 것을 기반으로, 상기 온라인 상품 판매 플랫폼 내에서 상기 고객에게, 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류의 구매 가격에 사전에 정의된 임계치를 곱한 값만큼의 포인트를 제공하는 단계를 더 포함할 수 있다.

다시 말해, 상기 서버가 상기 고객에게 추천한 정보를 기반으로 고객이 추천 상품 종류를 구매하는 경우, 상기 서버는 상기 고객에게 소정의 리워드 (포인트)를 지급할 수 있다. 상기 사전에 정의된 임계치는, 0.03 (3%), 0.05 (5%), 0.1 (10%), 0.15 (15%) 등 다양할 수 있다.

일 실시예에 따른 상기 방법은, 상기 사용자 디바이스로부터, 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하지 않은 채 상기 온라인 상품 판매 플랫폼과의 접속 매개체가 되는 애플리케이션 또는 웹페이지를 종료하였음을 지시하는 정보를 수신하는 단계 및 상기 애플리케이션 또는 상기 웹페이지를 종료하였음을 지시하는 상기 정보를 수신한 것을 기반으로, 상기 최후 순위의 상품 추천 후보 검출 방법의 순위를 최후 순위로 유지하기로 결정하는 단계를 더 포함할 수 있다.

다시 말해, 상기 서버가 상기 고객에게 추천한 정보를 기반으로 고객이 추천 상품 종류를 구매하지 않은 경우, 서버는 추천 방법의 효율성을 인정하기 어려운 바 상기 추천 방법의 기존의 순위(예: 최후 순위)를 유지할 수 있다.

일 실시예에 따른 상기 방법은, 상기 서버에서 상기 사용자 디바이스로 서로 다른 검색 정보에 기반한 서로 다른 추천 정보가 사전에 정의된 제1 임계 횟수만큼 전송되는 동안, 상기 고객이 추천 정보를 포함하는 링크에 한 번도 접근(access)하지 않은 것을 기반으로, 상기 사용자 디바이스로 추천 정보를 전송하지 않기로 결정하는 단계를 더 포함하되, 상기 사전에 정의된 제1 임계 횟수는 자연수일 수 있다.

다시 말해, 특정 고객에게 여러 번 상품 추천을 수행하였지만 고객이 상기 추천 정보에 관한 이미지, 텍스트 등의 링크에 한 번도 접근 (예: 클릭) 하지 않는 경우, 상기 특정 고객은 상기 서버에 의한 상품 추천에 흥미를 갖지 않거나 거부감을 느끼고 있을 수 있으므로, 추천 횟수가 상기 제1 임계 횟수에 도달한 것을 기반으로 이후부터는 상품 추천을 수행하지 않기로 결정할 수 있다.

일 실시예에 따른 상기 방법은, 상기 서버에서 상기 사용자 디바이스로 서로 다른 검색 정보에 기반한 서로 다른 추천 정보가 전송되는 동안, 상기 고객이 추천 정보를 포함하는 링크로 접근 후 추천된 상품 종류를 구매하지 않는 횟수가 사전에 정의된 제2 임계 횟수에 도달한 것을 기반으로, 이후 생성될 추천 정보에 포함될 상품 이미지를 확대하기로 결정하는 단계, 상기 고객이 상기 추천 정보가 지시하는 상품 종류를 구매할 경우에 포인트를 제공받을 수 있음을 안내하는 안내 텍스트를 생성하는 단계 및 상기 안내 텍스트를 상기 사용자 디바이스로 전송하는 단계를 더 포함하되, 상기 사전에 정의된 제2 임계 횟수는 자연수일 수 있다.

다시 말해, 특정 고객이 서버가 제공한 추천 정보를 포함하는 링크에 복수의 횟수로 접근하였으나 결국 추천된 상품을 구매하지 않는 경우, 상기 고객에게 유인책을 더 제공하면 추천 상품을 구매하게 될 가능성이 있다고 해석할 수 있으므로, 추천 정보에 포함될 이미지를 확대하거나, 상기 안내 텍스트를 제공함으로써 상기 추천 정보를 기반으로 상품을 구매하도록 유인할 수 있다. 상기 안내 텍스트는, 예를 들어 '본 추천 상품 구매 시 포인트를 선물한다'는 내용의 텍스트를 포함할 수 있다.

일 실시예에서, 상기 적어도 하나의 상품 종류를 상기 고객에게 추천하기로 결정하는 단계는, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 결정하는 단계, 상기 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한 것을 기반으로, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 차선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 결정하는 단계, 상기 차선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한 것을 기반으로, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 결정하는 단계 및 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 상이한 것을 기반으로, 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 상기 고객에게 추천하기로 결정하는 단계를 더 포함하고, 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매한 것을 기반으로, 상기 사용자 디바이스로부터, 상기 고객이 상기 추천 정보를 포함하는 링크(link)에 접근하였음을 지시하는 정보 및 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하였음을 지시하는 구매 정보가 수신되고, 상기 최후 순위의 상품 추천 후보 검출 방법의 순위는 최선 순위로 변경되고, 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하였음을 지시하는 상기 구매 정보를 수신한 것을 기반으로, 상기 온라인 상품 판매 플랫폼 내에서 상기 고객에게, 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류의 구매 가격에 사전에 정의된 임계치를 곱한 값만큼의 포인트를 제공되고, 상기 사용자 디바이스로부터, 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하지 않은 채 상기 온라인 상품 판매 플랫폼과의 접속 매개체가 되는 애플리케이션 또는 웹페이지를 종료하였음을 지시하는 정보를 수신한 것을 기반으로, 상기 최후 순위의 상품 추천 후보 검출 방법의 순위를 최후 순위로 유지하기로 결정되고, 상기 서버에서 상기 사용자 디바이스로 서로 다른 검색 정보에 기반한 서로 다른 추천 정보가 사전에 정의된 제1 임계 횟수만큼 전송되는 동안, 상기 고객이 추천 정보를 포함하는 링크에 한 번도 접근(access)하지 않은 것을 기반으로, 상기 사용자 디바이스로 추천 정보를 전송하지 않기로 결정되고, 상기 사전에 정의된 제1 임계 횟수는 자연수이며, 상기 서버에서 상기 사용자 디바이스로 서로 다른 검색 정보에 기반한 서로 다른 추천 정보가 전송되는 동안, 상기 고객이 추천 정보를 포함하는 링크로 접근 후 추천된 상품 종류를 구매하지 않는 횟수가 사전에 정의된 제2 임계 횟수에 도달한 것을 기반으로, 이후 생성될 추천 정보에 포함될 상품 이미지를 확대하기로 결정되고, 상기 고객이 상기 추천 정보가 지시하는 상품 종류를 구매할 경우에 포인트를 제공 받을 수 있음을 안내하는 안내 텍스트가 생성되며, 상기 안내 텍스트는 상기 사용자 디바이스로 전송되고, 상기 사전에 정의된 제2 임계 횟수는 자연수일 수 있다.

도 3은 일 실시예에 따른 서버가 상품을 추천하는 방법을 도시하는 흐름도이다.

도 3의 흐름도에서, S310은 도 2의 S210 내지 S250과 대응되는 단계이고, S320 및 S330은 도 2의 S260과 대응되는 단계일 수 있다.

단계 S310에서, 일 실시예에 따른 서버는, 제1 상품 종류, 제2 상품 종류, 제3 상품 종류 및 제4 상품 종류를 식별할 수 있다.

단계 S320에서, 일 실시예에 따른 서버는, 제2 상품 종류 내지 제4 상품 종류 중 제1 상품 종류와 상이한 상품 종류가 존재하는지 여부를 판단할 수 있다.

제2 상품 종류 내지 제4 상품 종류 중 제1 상품 종류와 상이한 상품 종류가 존재하는 것으로 결정된 경우, 단계 S330에서, 서버는 제2 상품 종류, 제3 상품 종류 및 제4 상품 종류 중 제1 상품 종류와 상이한 상품 종류를 모두 적어도 하나의 상품 종류로 결정할 수 있다.

즉, 상기 제2 상품 종류, 상기 제3 상품 종류 및 상기 제4 상품 종류 중 상기 제1 상품 종류와 상이한 상품 종류가 복수로 존재하는 경우, 복수 개의 상품 종류들이 상기 고객에게 추천될 적어도 하나의 상품 종류로 결정될 수 있다.

도 4는 다른 일 실시예에 따른 서버가 상품을 추천하는 방법을 도시하는 흐름도이다.

도 4의 흐름도에서, S410은 도 2의 S210 내지 S250과 대응되는 단계이고, S420 내지 S470은 도 2의 S260과 대응되는 단계일 수 있다.

단계 S410에서, 일 실시예에 따른 서버는, 제1 상품 종류, 제2 상품 종류, 제3 상품 종류 및 제4 상품 종류를 식별할 수 있다.

단계 S420에서, 일 실시예에 따른 서버는, 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일한지 여부를 판단할 수 있다.

최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일하지 않은 것으로 결정된 경우, 단계 S430에서, 서버는 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 고객에게 추천하기로 결정할 수 있다.

최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일한 것으로 결정된 경우, 단계 S440에서, 일 실시예에 따른 서버는, 차순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일한지 여부를 판단할 수 있다.

차순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일하지 않은 것으로 결정된 경우, 단계 S450에서, 서버는 차순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 고객에게 추천하기로 결정할 수 있다.

차순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일한 것으로 결정된 경우, 단계 S460에서, 일 실시예에 따른 서버는, 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일한지 여부를 판단할 수 있다.

최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 제1 상품 종류와 동일하지 않은 것으로 결정된 경우, 단계 S470에서, 서버는 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 고객에게 추천하기로 결정할 수 있다.

도 5는 온라인 상품 판매 플랫폼이 제공하는 애플리케이션의 화면이 사용자 디바이스에 디스플레이 되는 일 예시를 나타내는 도면이다.

도 5에 도시된 사용자 디바이스(120) 내 애플리케이션 화면(520)의 일 예시에는, 검색창(510), 추천 정보(530) 및 고객이 상기 추천 정보(530)가 지시하는 상품 종류를 구매할 경우에 포인트를 제공받을 수 있음을 안내하는 안내 텍스트(540)가 포함되어 있다.

고객이 검색창(510)에 '사과'라는 상품 종류를 입력하자, 애플리케이션 화면(520)에 다양한 사과 상품들이 표시된다. 고객은 애플리케이션 화면(520)에 표시된 다양한 사과 상품들 (A농장 사과 1개 XXX원, B농장 사과 3개 YYY원)을 참고하여 온라인 쇼핑을 진행할 수 있다.

한편 고객이 검색한 '사과'라는 상품 종류 이외에도, 추천 정보(530)를 통해 다양한 상품 종류가 추천될 수 있다. 도 5의 예시에서는, 'C수산 참다랑어 대뱃살 500g ZZZ원'이라는 상품이 추천된 것을 확인할 수 있다. 도 5의 예시에서는, 상기 참다랑어 대뱃살을 추천하는 SNS 링크 (https://www.SNS......CsusanChamchi)도 함께 표시되어 있음을 확인할 수 있다. 상기 추천 정보가 생성되는 과정은, 도 2 내지 도 4에 대한 설명에서 전술된 바 있다.

상기 안내 텍스트(540)는, 고객이 상기 추천 정보(530)를 참고하여 상품을 구매하도록 유인하는 텍스트 정보를 포함할 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 안내 텍스트(540)는 '본 추천상품 구매 시 포인트를 선물'함을 가이드하는 텍스트를 포함할 수 있다.

도 6은 일 실시예에 따른 서버의 구성을 도시하는 블록도이다.

도 6에 도시된 바와 같이, 일 실시예에 따른 서버(600)는 데이터베이스(database, DB)(610), 송수신부(620) 및 프로세서(630)를 포함할 수 있다. 그러나, 경우에 따라서는 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소가 아닐 수 있고, 서버(600)는 도 6에 도시된 구성 요소보다 많거나 적은 구성 요소에 의해 구현될 수 있다.

일 실시예에 따른 서버(600)에서 데이터베이스(610), 송수신부(620) 및 프로세서(630)는 각각 별도의 칩(chip)으로 구현되거나, 적어도 둘 이상의 구성 요소가 하나의 칩을 통해 구현될 수도 있다.

데이터베이스(DB, 610)는 송수신부(620) 또는 프로세서(630)로부터 전달받은 데이터를 저장할 수 있다. 일 실시예에서, 데이터베이스는 적어도 하나의 프로그램을 저장할 수 있다. 일 예시에서, 상기 적어도 하나의 프로그램은, 프로세서(630)가 학습 모델을 실행할 때 이용될 수 있다.

송수신부(620)는 서버 내부의 모듈 간 통신 및/또는 데이터/신호의 송수신에 이용될 수 있고, 외부 장치와 통신을 수행할 수 있다. 일 예시에서, 송수신부(620)는 외부 장치(예를 들어, 외부 사용자 디바이스, 외부 서버 등)와 데이터를 송수신할 수 있다.

일 실시예에 따른 프로세서(630)는 서버(600)의 전반적인 동작을 제어할 수 있다. 일 예시에서, 프로세서(630)는 서버(600)의 데이터베이스(610)에 저장된 프로그램들을 실행함으로써, 데이터베이스(610) 및 송수신부(620) 등을 전반적으로 제어할 수 있다. 일 예시에서, 프로세서(630)는 서버(600)의 데이터베이스에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 5에서 서버(600)의 동작들의 일부를 수행할 수 있다.

일 실시예에 따른 프로세서(630)는, 상기 고객의 사용자 디바이스로부터, 상기 고객이 상기 온라인 상품 판매 플랫폼의 검색창에 입력한 검색 정보를 수신하도록 상기 송수신부(620)를 제어할 수 있다.

일 실시예에 따른 프로세서(630)는, 상기 검색 정보가 지시하는 제1 상품 종류를 식별(identify)할 수 있다.

일 실시예에 따른 프로세서(630)는, 상기 제1 상품 종류가 식별된 것을 기반으로, 제1 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼 내 상기 고객의 관심 리스트에 가장 많이 포함된 제2 상품 종류를 식별할 수 있다.

일 실시예에 따른 프로세서(630)는, 상기 제1 상품 종류가 식별된 것을 기반으로, 제2 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼을 통해서 상기 고객이 가장 많이 구매한 제3 상품 종류를 식별할 수 있다.

일 실시예에 따른 프로세서(630)는, 상기 제1 상품 종류가 식별된 것을 기반으로, 제3 상품 추천 후보 검출 방법을 통해서, 상기 고객이 상기 온라인 상품 판매 플랫폼의 상기 검색창을 통해서 가장 많이 검색한 제4 상품 종류를 식별할 수 있다.

일 실시예에 따른 프로세서(630)는, 상기 제2 상품 종류, 상기 제3 상품 종류 및 상기 제4 상품 종류 중 적어도 하나의 상품 종류를 상기 고객에게 추천하기로 결정할 수 있다.

일 실시예에 따른 프로세서(630)는, 상기 사용자 디바이스로, 상기 적어도 하나의 상품 종류에 대한 추천 정보를 전송하도록 송수신부(620)를 제어할 수 있다.

일 실시예에서, 상기 검색 정보는, 특정 상품 종류를 지시하는 텍스트 정보, 이미지 정보 또는 음성 정보일 수 있다.

일 실시예에서, 상기 추천 정보는, 상기 추천하고자 하는 적어도 하나의 상품 종류의 상품 명칭 정보, 상품 가격 정보 및 상품 이미지 정보를 포함할 수 있다.

일 예시에서, 프로세서(630)는 데이터베이스(610)에 저장된 적어도 하나의 프로그램을 기반으로 AI(Artificial Intelligence) 학습 모델을 실행할 수 있다. 이하 도 7에서는, 상기 AI 학습 모델을 실행하기 위한 상기 프로세서(630)의 구성의 일 예시에 대해 설명한다.

도 7은 일 실시예에 따른 프로세서의 구성을 도시하는 블록도이다.

도 7에 도시된 바와 같이, 일 실시예에 따른 프로세서(630)는 데이터획득부(632), 학습 데이터 선택부(634), 학습 모델 실행부(636) 및 학습 결과 제공부(638)를 포함할 수 있다. 그러나, 경우에 따라서는 도 7에 도시된 구성 요소 모두가 프로세서(630)의 필수 구성 요소가 아닐 수 있고, 프로세서(630)는 도 7에 도시된 구성 요소보다 많거나 적은 구성 요소에 의해 구현될 수 있다.

당해 기술 분야의 통상의 기술자는, 도 7에 도시된 프로세서(630)의 구성은 상기 서버(600)가 AI 학습 모델을 기반으로 기계 학습을 수행할 때 이용될 수 있는 프로세서(630)의 모듈들의 일 예시에 불과하고, 상기 서버(600)가 반드시 기계 학습을 수행하는 것은 아니므로, 따라서 도 7에 도시된 프로세서(630)의 모듈들의 일부 또는 전부가 상기 프로세서(630)에 포함되지 않을 수도 있음을 용이하게 이해할 것이다.

일 실시예에 따른 데이터 획득부(632)는, 사용자의 의도를 판단하고, 연관 정보를 제공하고, 대체 동작을 추천하기 위해 필요한 데이터를 획득할 수 있다. 또는, 데이터 획득부(632)는, 사용자의 의도를 판단하고, 연관 정보를 제공하고, 대체 동작을 추천하기 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

일 예시에서, 데이터 획득부(632)는, 예를 들어 사용자 음성, 이미지 정보, 소정의 컨텍스트 정보 중 적어도 하나를 획득할 수 있다. 일 예시에서, 데이터 획득부(632)는, 획득된 데이터를 기 정의된(pre-defined) 포맷으로 전환(convert)할 수 있다.

일 실시예에 따른 학습 데이터 선택부(634)는, 데이터 획득부(632)가 획득한 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 예를 들어, 학습 데이터 선택부(634)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기 정의된 기준에 따라, 데이터 획득부(632)가 획득한 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또는, 학습 데이터 선택부(634)는 학습 모델 실행부(636)에 의한 학습을 기반으로 기 정의된 기준에 따라 데이터를 선택할 수도 있다.

일 실시예에 따른 학습 모델 실행부(636)는, 학습 데이터를 기반으로 사용자의 의도를 어떻게 판단하고, 연관 정보를 어떻게 결정하고, 대체 동작을 어떻게 추천할 지에 관한 기준을 학습할 수 있다. 또한, 학습 모델 실행부(636)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 학습 모델 실행부(636)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천에 이용되는 AI 학습 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, AI 학습 모델은 미리 구축된 모델일 수 있다. 예를 들어, AI 학습 모델은 기본 학습 데이터(예를 들어, 샘플 데이터 등)을 입력 받아 미리 구축된 모델일 수 있다.

AI 학습 모델은, 학습 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. AI 학습 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 AI 학습 모델로서 사용될 수 있으나, 실시예는 이에 한정되지 않는다.

일 실시예에 따른 학습 모델 실행부(636)는, 미리 구축된 AI 학습 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 AI 학습 모델을 학습할 AI 학습 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, AI 학습 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

일 실시예에 따른 학습 모델 실행부(636)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 AI 학습 모델을 학습시킬 수 있다.

일 실시예에 따른 학습 모델 실행부(636)는, 예를 들어 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, AI 학습 모델을 학습시킬 수 있다. 또한, 학습 모델 실행부(636)는, 예를 들어 별다른 지도없이 사용자의 의도를 판단하고, 연관 정보를 제공하고, 대체 동작을 추천하기 위해 필요한 데이터의 종류를 스스로 학습함으로써, 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 수행할 수 있다. 상기 비지도 학습을 통하여, 학습 모델 실행부(636)는 AI 학습 모델을 학습시킬 수 있다. 또한, 학습 모델 실행부(636)는, 예를 들어, 학습에 따른 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, AI 학습 모델을 학습시킬 수 있다.

또한, AI 학습 모델이 학습되면, 학습 모델 실행부(636)는 학습된 AI 학습 모델을 저장할 수 있다. 이 경우, 학습 모델 실행부(636)는 학습된 AI 학습 모델을 서버(600)의 데이터베이스(610)에 저장할 수 있다. 또는, 학습 모델 실행부(636)는 학습된 AI 학습 모델을 서버(600)와 유선 또는 무선 네트워크로 연결되는 서버 또는 장치의 메모리 또는 데이터베이스에 저장할 수도 있다.

일 실시예에 따른 학습 모델 실행부(636)는, 온라인 상품 판매 플랫폼에 접근(access)한 고객의 히스토리 정보(historical data), 고객 검색 정보, 현재(최근) 고객들에게 많이 검색되는 정보 및 현재 제철 상품 정보 중 적어도 하나를 서버(600)의 데이터베이스(610)에 저장된 AI(Artificial Intelligence) 학습 모델(learning model)에 적용하여, 상기 고객에게 추천할 상품 종류에 대한 정보를 획득할 수 있다.

일 실시예에서, 상기 고객에게 추천할 상품 종류에 대한 정보는, 추천 상품 (종류)를 식별하기 위한 ID(identification)나 코드(code) 정보일 수 있다. 일 실시예에 따른 학습 모델 실행부(636)는, 상기 고객에게 추천할 상품 종류에 대한 정보 및 상기 추천 상품 (종류)에 관한 복수의 이미지 정보를 서버(600)의 데이터베이스(610)에 저장된 AI 학습 모델에 적용하여, 상기 추천 상품 (종류)을 고객에게 추천할 때 사용하기 위한 대표 이미지를 결정할 수 있다. 또한, 일 실시예에 따른 학습 모델 실행부(636)는, 상기 고객에게 추천할 상품 종류에 대한 정보 및 상기 추천 상품 (종류)에 관한 복수의 고객 리뷰 정보를 서버(600)의 데이터베이스(610)에 저장된 AI 학습 모델에 적용하여, 상기 추천 상품 (종류)을 고객에게 추천할 때 사용하기 위한 대표 (베스트) 리뷰를 결정할 수 있다.

일 실시예에 따른 학습 결과 제공부(638)는, 상기 학습 모델 실행부(636)에서 학습된 AI 학습 모델을 기반으로, (기계) 학습 결과를 도출 또는 획득할 수 있다. 학습 결과 제공부(638)는, 상기 (기계) 학습 결과를 데이터베이스(610) 또는 송수신부(620)로 제공할 수 있다.

일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 본 발명이 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (1)

1. 온라인 상품 판매 플랫폼을 제공하는 서버에 있어서,
   송수신부(transceiver); 및 프로세서(processor); 를 포함하되,
   상기 프로세서는:
   고객이 상기 온라인 상품 판매 플랫폼의 검색창에 입력한 검색 정보를 상기 고객의 사용자 디바이스로부터 수신하도록 상기 송수신부를 제어하고,
   상기 검색 정보가 지시하는 제1 상품 종류를 식별(identify)하고,
   상기 제1 상품 종류가 식별된 것을 기반으로, 제1 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼 내 상기 고객의 관심 리스트에 가장 많이 포함된 제2 상품 종류를 식별하고,
   상기 제1 상품 종류가 식별된 것을 기반으로, 제2 상품 추천 후보 검출 방법을 통해서, 상기 온라인 상품 판매 플랫폼을 통해서 상기 고객이 가장 많이 구매한 제3 상품 종류를 식별하고,
   상기 제1 상품 종류가 식별된 것을 기반으로, 제3 상품 추천 후보 검출 방법을 통해서, 상기 고객이 상기 온라인 상품 판매 플랫폼의 상기 검색창을 통해서 가장 많이 검색한 제4 상품 종류를 식별하고,
   상기 제2 상품 종류, 상기 제3 상품 종류 및 상기 제4 상품 종류 중 적어도 하나의 상품 종류를 상기 고객에게 추천하기로 결정하고,
   상기 적어도 하나의 상품 종류에 대한 추천 정보를 상기 사용자 디바이스에게 전송하도록 상기 송수신부를 제어하되,
   상기 검색 정보는, 특정 상품 종류를 지시하는 텍스트 정보, 이미지 정보 또는 음성 정보이고,
   상기 추천 정보는, 상기 추천하기로 결정된 적어도 하나의 상품 종류의 상품 명칭 정보, 상품 가격 정보 및 상품 이미지 정보를 포함하고,
   상기 프로세서는:
   상기 검색 정보를 토대로 상품 식별 정보 또는 코드(code)를 결정하고,
   상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 판단하고,
   상기 최선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일하면, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 차선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 판단하고,
   상기 차선 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일하면, 상기 제1 상품 추천 후보 검출 방법, 상기 제2 상품 추천 후보 검출 방법 및 상기 제3 상품 추천 후보 검출 방법 중 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 동일한지 여부를 판단하고,
   상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류가 상기 제1 상품 종류와 상이하면, 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 상기 고객에게 추천하도록 제어하고,
   상기 고객이 상기 추천 정보를 포함하는 링크(link)에 접근하였음을 지시하는 정보 및 상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하였음을 지시하는 구매 정보를 상기 사용자 디바이스로부터 수신하고,
   상기 최후 순위의 상품 추천 후보 검출 방법의 순위를 최선 순위로 변경하고,
   상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하였음을 지시하는 상기 구매 정보가 수신되면, 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류의 구매 가격에 사전에 정의된 임계치를 곱한 값만큼의 포인트를 상기 온라인 상품 판매 플랫폼 내에서 상기 고객에게 제공하고,
   상기 고객이 상기 최후 순위의 상품 추천 후보 검출 방법을 기반으로 식별된 상품 종류를 구매하지 않은 채 상기 온라인 상품 판매 플랫폼과의 접속 매개체가 되는 애플리케이션 또는 웹페이지를 종료하였음을 지시하는 정보가 상기 사용자 디바이스로부터 수신되면, 상기 최후 순위의 상품 추천 후보 검출 방법의 순위를 최후 순위로 유지하기로 결정되고,
   상기 사용자 디바이스에게 서로 다른 검색 정보에 기반한 서로 다른 추천 정보가 사전에 정의된 제1 임계 횟수만큼 전송되는 동안 상기 고객이 추천 정보를 포함하는 링크에 한 번도 접근(access)하지 않으면, 상기 사용자 디바이스에게 추천 정보를 전송하지 않도록 제어하고,
   상기 사용자 디바이스에게 서로 다른 검색 정보에 기반한 서로 다른 추천 정보가 전송되는 동안, 상기 고객이 추천 정보를 포함하는 링크로 접근 후 추천된 상품 종류를 구매하지 않는 횟수가 사전에 정의된 제2 임계 횟수에 도달하면: 이후 생성될 추천 정보에 포함될 상품 이미지를 확대하도록 제어하고, 상기 고객이 상기 추천 정보가 지시하는 상품 종류를 구매할 경우에 포인트를 제공받을 수 있음을 안내하는 안내 텍스트를 생성하고, 상기 안내 텍스트를 상기 사용자 디바이스에게 전송하고,
   상기 제1 임계 횟수 및 상기 제2 임계 횟수는 자연수로 설정되는, 서버.