KR20230163611A

KR20230163611A - 딥러닝을 이용한 상가 임차인 추천 장치 및 방법

Info

Publication number: KR20230163611A
Application number: KR1020220062722A
Authority: KR
Inventors: 김정수
Original assignee: 주식회사 스위트스팟
Priority date: 2022-05-23
Filing date: 2022-05-23
Publication date: 2023-12-01

Abstract

본 발명은 딥러닝을 이용한 상가 임차인 추천 장치 및 방법에 관한 것이다. 이를 위하여, 매칭 스코어를 기초로 추천 임차인 정보를 출력하고, 매칭 스코어 생성 모듈의 학습 세션에서는, 크롤링 서버를 통해 크롤링하여 수집된 임차상가에 대한 바이럴 정보인 임차상가 바이럴 정보가 바이럴 스코어 모듈에 입력되어 생성되는 바이럴 스코어를 Ground Truth로 하고, 임차상가 바이럴 정보는, 네비게이션 서비스, 포탈 서비스 또는 소셜 네트워크 서비스에서의 각각의 임차상가에 대한 검색량, 즐겨찾기 수, 평점, 방문자 리뷰 수, 게시물 수, 실방문 또는 노출도를 의미하는 것으로 제공될 수 있다.

Description

딥러닝을 이용한 상가 임차인 추천 장치 및 방법{Apparatus and method for recommending commercial tenants using deep learning}

본 발명은 딥러닝을 이용한 상가 임차인 추천 장치 및 방법에 관한 것이다.

최근, 브랜드 프로모션, 라이브 커머스, 편집샵 및 팝업스토어에 이르기까지 다양한 영업 및 홍보방식을 통하여 최적의 홍보실적과 수익을 달성하기 위한 공간대여 서비스가 인기를 끌고 있다. 공간대여의 이익을 최적화하기 위해서는 영업 대상인 브랜드에 적합한 공간, 대여 기간등이 적절히 설정될 필요가 있다.

종래의 대여 공간 추천 서비스는, 기업 브랜드의 가치, 예상 영업 규모 등을 기초로 대여 공간의 규모 등을 적절히 설정하는 것이 일반적이고, 복합적인 요인을 종합적으로 분석할 수 있는 수단이나, 인공지능 등을 통한 자동화 서비스는 미비한 수준이다.

대한민국 등록특허 10-2345551, 공간 대여 플랫폼을 제공하기 위한 시스템 및 방법, 주식회사 임대문 대한민국 등록특허 10-2265553, 실시간 공간 대여 수수료 산출이 가능한 대여 공간 관리 시스템, 주식회사 가치공간

본 발명의 목적은 딥러닝을 이용한 상가 임차인 추천 장치 및 방법을 제공하는 데에 있다.

이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.

본 발명의 목적은, 임차 공간 정보 인코더의 추론 프로그램 코드 및 학습 프로그램 코드, 임차상가 브랜드 정보 인코더의 프로그램 코드 및 매칭 스코어 생성 모듈의 프로그램 코드를 저장하는 메모리 모듈; 및 상기 임차 공간 정보 인코더의 추론 프로그램 코드 및 학습 프로그램 코드, 상기 임차상가 브랜드 정보 인코더의 프로그램 코드 및 상기 매칭 스코어 생성 모듈의 프로그램 코드를 처리하는 처리 모듈;을 포함하고, 상기 임차 공간 정보 인코더의 추론 프로그램 코드는, 임차 공간 정보가 입력되는 임차 공간 정보 입력 단계; 및 임차 공간 특성 벡터가 출력되는 임차 공간 특성 벡터 추론 단계; 를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 임차 공간 정보 인코더의 학습 프로그램 코드는, 상기 임차 공간 정보 인코더이 동일한 구조를 갖는 student 모델과 teacher 모델을 포함하도록 구성하는 모델 구성 단계; 상기 임차 공간 정보의 특정 시간 구간(section)에 대해 무작위 조합(random concatenate)로 구성된 조합 데이터를 입력 데이터로 구성하고, 상기 임차 공간 정보 중 일부를 무작위로 샘플링하여 마스킹(masking)하여 마스킹 된 조합 데이터를 생성하는 마스킹 단계; 상기마스킹 된 조합 데이터를 상기 student 모델의 입력 데이터로 입력하고, 마스킹 되지 않은 원본인 상기 조합 데이터를 상기 teacher 모델의 입력 데이터로 입력하는 입력 데이터 입력 단계; 상기 student 모델의 출력 데이터인 student 임차 공간 특성 벡터 및 상기 teacher 모델의 출력 데이터인 teacher 임차 공간 특성 벡터를 획득하는 출력 데이터 출력 단계; 및 상기 student 임차 공간 특성 벡터와 상기 teacher 임차 공간 특성 벡터와의 차이를 기초로 하는 손실함수의 손실값을 최소화하는 방향으로 상기 student 모델의 파라미터를 업데이트하고, 상기 student 모델의 파라미터에 EMA(exponetially moving average)를 적용하여 상기 teacher 모델의 파라미터를 업데이트하는 파라미터 업데이트 단계; 를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 임차상가 브랜드 정보 인코더의 프로그램 코드는, 임차상가 브랜드 정보가 입력되는 임차상가 브랜드 정보 입력 단계; 및 브랜드 특성 벡터가 출력되는 브랜드 특성 벡터 출력 단계; 를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 매칭 스코어 생성 모듈의 프로그램 코드는, 상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터가 입력되는 특성 벡터 입력 단계; 및 상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터의 조합으로부터 추론되는 매출 또는 바이럴 지수에 관한 데이터인 매칭 스코어를 출력하는 매칭 스코어 출력 단계; 를 포함하여 컴퓨터 상에서 수행되도록 구성되는, 딥러닝을 이용한 상가 임차인 추천 장치를 제공하여 달성될 수 있다.

본 발명의 다른 목적은, 임차 공간 정보 인코더에 임차 공간 정보가 입력되는 임차 공간 정보 입력 단계; 임차 공간 특성 벡터가 출력되는 임차 공간 특성 벡터 추론 단계; 임차상가 브랜드 정보 인코더에 임차상가 브랜드 정보가 입력되는 임차상가 브랜드 정보 입력 단계; 브랜드 특성 벡터가 출력되는 브랜드 특성 벡터 출력 단계; 매칭 스코어 생성 모듈에 상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터가 입력되는 특성 벡터 입력 단계; 및 상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터의 조합으로부터 추론되는 매출 또는 바이럴 지수에 관한 데이터인 매칭 스코어를 출력하는 매칭 스코어 출력 단계; 를 포함하는, 인공신경망을 이용한 브랜드와 공간의 매칭 스코어 생성 방법을 제공함으로써 달성될 수 있다.

상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.

첫째, 본 발명의 일실시예에 따르면 특정 임대 상가에 최적인 우량 임차인을 추천해줄 수 있는 효과가 발생된다.

도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치의 추론 세션을 도시한 모식도,
도 2는 본 발명의 일실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치의 학습 세션을 도시한 모식도,
도 3은 본 발명의 일실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치의 구체적인 구성을 도시한 모식도이다.

이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 특정 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

딥러닝을 이용한 상가 임차인 추천 장치

도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치(1)의 추론 세션을 도시한 모식도, 도 2는 본 발명의 일실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치(1)의 학습 세션을 도시한 모식도, 도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치(1)의 구체적인 구성을 도시한 모식도이다. 도 1,2,3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치(1)는 추론 세션에서 임대인 측 클라이언트(101)로부터 임대임차 공간 정보를 수신하고, 추천 임차인 정보를 생성하여 임대인 측 클라이언트(101)에 상기 추천 임차인 정보를 송신하도록 구성된다. 또한, 본 발명의 일실시예에 따른 딥러닝을 이용한 상가 임차인 추천 장치(1)는 학습 세션에서 크롤링 서버(102)로부터 임차임차 공간 정보를 수신하고, 임차임차 공간 정보를 학습데이터로 하여 딥러닝을 이용한 상가 임차인 추천 장치(1)의 파라미터를 업데이트하도록 구성된다. 또한, 딥러닝을 이용한 상가 임차인 추천 장치(1)는 임차 공간 정보 인코더(11), 임차상가 브랜드 정보 인코더(12), 매칭 스코어 생성 모듈(13), 바이럴 스코어 모듈(14), 추천 모듈(15)를 포함하도록 구성될 수 있다.

이때, 딥러닝을 이용한 상가 임차인 추천 장치(1)는 메모리 모듈(미도시) 및 처리 모듈(미도시)를 포함할 수 있다. 메모리 모듈은 임차 공간 정보 인코더(11)의 프로그램 코드 및 학습 프로그램 코드, 임차상가 브랜드 정보 인코더(12)의 프로그램 코드 및 매칭 스코어 생성 모듈(13)의 프로그램 코드를 저장할 수 있다. 처리 모듈은 임차 공간 정보 인코더(11)의 프로그램 코드 및 학습 프로그램 코드, 임차상가 브랜드 정보 인코더(12)의 프로그램 코드 및 매칭 스코어 생성 모듈(13)의 프로그램 코드를 처리할 수 있다.

임차 공간 정보 인코더(11)의 추론 프로그램 코드는, 임차 공간 정보(100)가 입력되는 임차 공간 정보 입력 단계; 및 임차 공간 특성 벡터(110)가 출력되는 임차 공간 특성 벡터 추론 단계; 를 포함하여 컴퓨터 상에서 수행되도록 구성될 수 있다.

임차 공간 정보 인코더(11)는, 임차 공간 정보(100)를 입력데이터로 하고, 임차 공간 특성 벡터(110)를 출력 데이터로 출력하도록 기학습된 인공신경망 모듈일 수 있다. 여기서 임차 공간 정보(100)란, 임대상가 또는 임차상가에 대한 상가의 공간에 대한 특성을 나타낼 수 있는 데이터일 수 있다. 예를 들면, 해당 상가의 위치 정보, 층수 정보, 면적 정보, 임대료 정보 등을 포함할 수 있다. 또한, 임차 공간 특성 벡터(110)란, 임차 공간 정보(100)로부터 추출된 상가의 특성에 관한 데이터일 수 있다. 즉, 임차 공간 정보 인코더(11)는, 특정 상가의 위치 정보, 층수 정보, 면적 정보, 임대료 정보 등을 입력받아, 브랜드의 특성 벡터(110)를 출력할 수 있다.

임차 공간 정보 인코더(11)의 학습 프로그램 코드는, 임차 공간 정보 인코더(11)이 동일한 구조를 갖는 student 모델과 teacher 모델을 포함하도록 구성하는 모델 구성 단계; 임차 공간 정보가 연속으로 구성된 조합 데이터를 입력 데이터로 구성하고, 상기 임차 공간 정보 중 일부를 무작위로 샘플링하여 마스킹(masking)하여 마스킹 된 조합 데이터를 생성하는 마스킹 단계; 상기 마스킹 된 조합 데이터를 상기 student 모델의 입력 데이터로 입력하고, 마스킹 되지 않은 원본인 상기 조합 데이터를 상기 teacher 모델의 입력 데이터로 입력하는 입력 데이터 입력 단계; 상기 student 모델의 출력 데이터인 student 임차 공간 특성 벡터 및 상기 teacher 모델의 출력 데이터인 teacher 임차 공간 특성 벡터를 획득하는 출력 데이터 출력 단계; 및 상기 student 임차 공간 특성 벡터와 상기 teacher 임차 공간 특성 벡터와의 차이를 기초로 하는 손실함수의 손실값을 최소화하는 방향으로 상기 student 모델의 파라미터를 업데이트하고, 상기 student 모델의 파라미터에 EMA(exponetially moving average)를 적용하여 상기 teacher 모델의 파라미터를 업데이트하는 파라미터 업데이트 단계;를 포함하여 컴퓨터 상에서 수행되도록 구성될 수 있다. 임차 공간 정보 인코더(11)는 임차 공간 정보(100)를 입력 데이터로 하고 임차 공간 특성 벡터를 출력 데이터로 하는 인공신경망으로 구성될 수 있으며, CNN layer, Transformer layer를 포함하도록 구성될 수 있다.

CNN layer는 layer nomalization과 GELU activation function을 포함하고 temporal convolution network(TCN)를 포함하도록 구성될 수 있다. TCN(Temporal convolutional network)은 Temporal 컨볼루션과 Dilation을 사용하여 시퀀셜 데이터(Sequential data)에 맞게 시간성과 큰 수용 필드(receptive field)를 포함하는 프레임워크이다. CNN layer는 임차 공간 정보의 일부를 입력 데이터로 하고 차원 축소된 latent vector를 출력하도록 구성될 수 있다.

Transformer layer는 Multi-head Self Attention Layer - FFNN - softmax를 포함하도록 구성될 수 있다. 임차 공간 정보 인코더(11)의 Multi-head Self Attention Layer는 latent vector를 입력 데이터로 입력받고 임차 공간 정보의 카테고리(위치 정보, 층수 정보, 면적 정보, 임대료 정보 등)를 조합하는 categorical encoding을 수행하며, categorical encoding된 matrix에 병렬적으로 복수개의 Self Attention 연산(예를 들어, scaled dot product attention)을 수행하여 생성된 attention value matrix를 concatenate 하여 어텐션 정보를 생성하는 layer를 의미한다. 임차 공간 정보 인코더의 FFNN(Feed Forward Neural Network)은 Position-wise FFNN을 의미할 수 있으며, Fully-connected FFNN을 의미할 수 있다. 임차 공간 정보 인코더의 FFNN의 입력 데이터는 latent vector와 상기 어텐션 정보가 잔차연결(Residual Connection)된 matrix를 층 정규화(layer normalization) 한 값으로 구성될 수 있다. 임차 공간 정보 인코더의 softmax(예를 들어, ReLU, GELU 등)는 FFNN의 출력 matrix가 잔차연결(Residual Connection)된 matrix를 층 정규화(layer normalization) 한 값을 입력 데이터로 하고 임차 공간 특성 벡터를 출력 데이터로 하는 활성화 layer를 의미할 수 있다. 이에 따르면, categorical encoding에 의해 임차 공간 정보의 카테고리에 대한 특징도 상가의 공간 특성에 영향을 주게 되고, Multi-head self attention layer에 의해 병렬로 복수의 어텐션 연산이 수행되게 되므로 다양한 값의 어텐션이 활용되어 보다 정교한 상가의 공간 특성 추론이 가능해지는 효과가 발생된다.

임차 공간 정보 인코더(11)의 학습 세션과 관련하여, 임차 공간 정보 인코더(11)의 학습 세션에서 임차 공간 정보 인코더(11)는 동일한 구조를 갖는 student 모델과 teacher 모델을 포함하도록 구성될 수 있다. 이에 따르면, 임차 공간 정보 인코더에 대하여 별도의 레이블링 데이터(특정 상가 공간과 특정 브랜드의 매칭 스코어에 대한 ground truth)가 획득되지 않아도 self learning이 가능해지는 효과가 발생된다.

① 마스킹 단계와 관련하여, 일련의 임차 공간 정보가 연속으로 구성된 조합 데이터를 입력 데이터로 구성하고, 상기 임차 공간 정보 중 일부를 무작위로 샘플링하여 마스킹(masking)하여 마스킹 된 조합 데이터를 생성하고,

② 입력 데이터 입력 단계와 관련하여, 마스킹 된 조합 데이터를 상기 student 모델의 입력 데이터로 입력하고, 마스킹 되지 않은 원본인 상기 조합 데이터를 상기 teacher 모델의 입력 데이터로 입력하고,

③ 출력 데이터 출력 단계와 관련하여, student 모델의 출력 데이터인 student 임차 공간 특성 벡터 및 상기 teacher 모델의 출력 데이터인 teacher 임차 공간 특성 벡터를 획득하고,

④ 파라미터 업데이트 단계와 관련하여, student 브랜드 특성 벡터와 teacher 브랜드 특성 벡터와의 차이(손실)를 기초로 하는 손실함수의 손실값을 최소화하는 방향으로 student 모델인 임차 공간 정보 인코더의 파라미터를 업데이트하고, student 모델인 임차 공간 정보 인코더의 파라미터에 EMA(exponetially moving average)를 적용하여 teacher 모델인 임차 공간 정보 인코더의 파라미터를 업데이트할 수 있다.

파라미터 업데이트 단계에서, student 모델인 임차 공간 정보 인코더의 손실함수는 아래의 수학식과 같이 구성될 수 있다.

위 수학식에서 L은 손실함수, y_t는 teacher 브랜드 특성 벡터, f_t(x)는 student 브랜드 특성 벡터, β는 스무딩 조정 변수이다. 임차 공간 정보 인코더의 손실함수에 구성된 β에 의해 학습 세션에서의 스무딩 정도를 조정할 수 있다. 이에 따르면, student 모델인 임차 공간 정보 인코더의 과적합이 방지되고 레이블의 스무딩이 가능해지는 효과가 발생된다.

또한, 파라미터 업데이트 단계에서, teacher 모델인 브랜드 인코더 모델의 학습은 아래의 수학식과 같이 수행될 수 있다.

위 수학식에서 Δ는 teacher 모델인 브랜드 인코더 모델의 weight, θ는 student 모델인 브랜드 인코더 모델의 weight, τ는 조정 변수로서 τ가 1인 경우 teacher 모델의 weight만 사용하고 τ가 0인 경우 student 모델의 weight만 사용하여 teacher 모델인 브랜드 인코더 모델의 학습을 수행하도록 구성될 수 있다. 이에 따르면, teacher 모델의 학습에 대해 노이즈 제거 효과가 발생됨으로써 보다 안정적으로 student 모델의 학습이 가능해지는 효과가 발생된다.

임차상가 브랜드 정보 인코더(12)의 프로그램 코드는, 임차상가 브랜드 정보(200)가 입력되는 임차상가 브랜드 정보 입력 단계; 및 브랜드 특성 벡터(120)가 출력되는 브랜드 특성 벡터 출력 단계;를 포함하여 컴퓨터 상에서 수행되도록 구성될 수 있다. 임차상가 브랜드 정보 인코더(12)는 임차 공간 정보 인코더(11)과 유사한 방법으로 학습될 수 있다. 여기서 임차상가 브랜드 정보 인코더(12)의 프로그램 코드란, 임차 공간 정보 인코더(110)과 유사한 방법으로 학습된 임차상가 브랜드 정보 인코더(120)의 추론 프로그램 코드일 수 있다.

임차상가 브랜드 정보 인코더(12)는, 임차상가 브랜드 정보(200)를 입력 데이터로 하고, 브랜드 특성 벡터(120)를 출력 데이터로 출력하도록 기학습된 인공신경망 모듈일 수 있다. 여기서 임차상가 브랜드 정보(200)란, 상가 브랜드의 특성을 나타낼 수 있는 데이터일 수 있다. 예를 들면, 상가 네이밍, 상가 카테고리 등을 포함할 수 있다. 또한, 브랜드 특성 벡터란, 임차상가 브랜드 정보로부터 추출된 상가 브랜드의 특성에 관한 데이터일 수 있다. 즉, 임차상가 브랜드 정보 인코더(12)는, 특정 상가 브랜드의 상가 네이밍, 상가 카테고리 등을 입력받아, 상가 브랜드의 특성 벡터(210)를 출력할 수 있다.

매칭 스코어 생성 모듈(13)의 프로그램 코드는, 임차 공간 특성 벡터(110) 및 브랜드 특성 벡터(120)가 입력되는 특성 벡터 입력 단계; 및 임차 공간 특성 벡터(110) 및 브랜드 특성 벡터(120)의 조합으로부터 추론되는 매출 또는 바이럴 지수에 관한 데이터인 매칭 스코어(300)를 출력하는 매칭 스코어 출력 단계;를 포함하여 컴퓨터 상에서 수행되도록 구성될 수 있다. 매칭 스코어 생성 모듈(13)은, 임차 공간 특성 벡터(110) 및 브랜드 특성 벡터(120)를 입력 데이터로 하고, 매칭 스코어(300)를 출력 데이터로 출력하도록 기학습된 인공신경망 모듈일 수 있다. 여기서 매칭 스코어(300)란, 임차 공간 특성 벡터 및 브랜드 특성 벡터의 조합으로부터 예상되는 매출 또는 바이럴 지수에 관한 데이터일 수 있다. 예를 들면, B4 브랜드에 관한 데이터와 S4 공간에 관한 데이터는 예상 매출 또는 바이럴 지수이 높아, 매칭 스코어는 0.98의 값을 가질 수 있다.

매칭 스코어 생성 모듈(13)과 관련하여, 본 발명의 일실시예에 따른 매칭 스코어 생성 모듈(13)의 구체적인 구조와 관련하여, 본 발명의 일실시예에 따른 매칭 스코어 생성 모듈(13)의 다층 신경망 모델은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성된다. 입력층은 각 입력변수에 대응되는 노드로 구성되며, 노드의 수는 입력변수의 개수와 같다. 은닉층은 입력층으로부터 전달되는 변수값들의 선형 결합을 시그모이드 함수와 같은 비선형 함수로 처리하여 출력층 또는 다른 은닉층에 전달하는 역할을 한다(최근에는 Back propagation에서 chain rule을 적용하면서 error가 앞단의 layer에서 희석되는 vanishing gradient 문제가 발생되어 시그모이드 함수 대신, ReLU, GELU 등을 일반적으로 이용한다). 출력층은 출력 변수에 대응되는 노드로서 분류 모형에서는 클래스의 수만큼 출력 노드가 생성된다. 이때, 각각의 노드에서는 실제로 연산이 일어나는데, 이 연산 과정은 인간의 신경망을 구성하는 뉴런에서 일어나는 과정을 모사하도록 수학적으로 설계되어있다. 노드는 일정 크기 이상의 자극을 받으면 반응을 하는데, 그 반응의 크기는 바이어스(bias) 값을 제외하고 입력 값과 노드의 계수(또는 가중치, weights)를 곱한 값과 대략 비례한다. 일반적으로 노드는 여러 개의 입력을 받으며 입력의 개수만큼 계수를 가지고 있다. 따라서 이 계수를 조절함으로써 여러 입력에 다른 가중치를 부여할 수 있다. 최종적으로 곱한 값들은 전부 더해지고 그 합은 활성 함수(activation function)의 입력으로 들어가게 된다. 활성 함수의 결과가 노드의 출력에 해당하며 이 출력값이 궁극적으로 분류나 회귀 분석에 쓰이게 된다. 신경망 모델의 각 층은 적어도 하나의 노드로 이루어져 있으며 입력값에 따라 각 노드의 활성화/비활성화 여부가 결정된다. 입력 데이터는 첫 번째 층(입력층, input layer)의 입력이 되며 그 이후엔 각 층의 출력이 다시 다음 층의 입력이 된다. 모든 계수는 학습 과정에서 계속 조금씩 변하는데, 결과적으로 각 노드가 어떤 입력을 중요하게 여기는지를 반영한다. 그리고 신경망 모델의 '학습(training)'은 이 계수를 업데이트하는 과정이다.

다층 신경망 모델, 즉 딥러닝에서 가장 문제되는 것은 과적합(overfitting) 문제이다. 과적합(Overfitting)은 주어진 데이터의 양에 비해 모델의 복잡도(complexity)가 높으면 발생하게 된다. 안타깝게도 신경망(neural network)이 깊어질수록 모델의 복잡도는 exponential하게 증가하게 된다. 그렇기 때문에 거의 무한한 표현형을 학습할 수 있는 deep network가 좋다는 것을 다들 알고 있음에도 불구하고, 너무나 과적합(overfitting)이 심하게 발생하기 때문에 Marvin Minsky 교수의 1969년 Perceptrons 이론에 의해 neural network 연구가 멈추게 된 것이다. 하지만, 2007~2008년 즈음하여 과적합을 막기 위한 새로운 initialization 방법인 RBM(Restricted Boltzmann Machine)과 CNN(Convolutional Neural Network)이 제안되면서, 다시 딥러닝 연구가 활발하게 진행되었다.

특히, RBM은 DBN(Deep Belief Network)을 구성하는 요소로 이용되고, unsupervised RBM(restricted Boltzmann machine)을 통해 학습시킬 feedforward neural network의 각 층을 효과적으로 사전훈련(pre-training)하여 과적합(overfitting)을 방지할 수 있는 수준의 initialize point를 잡았고, 이를 다시 supervised back propagation를 사용하는 형태로 학습을 진행한다.

하지만, NIPS 2006에 발표된 Bengio 교수 연구팀의 Greedy layer-wise training of deep networks 연구와 NIPS 2007에 발표된 Hinton 교수 연구팀의 A fast learning algorithm for deep belief nets 두 논문을 통해 제안되었던 RBM과 DBN 같은 unsupervised pretraining method들은 최근 실무에서 사용되지는 않는다. 지금은 데이터가 충분히 많을 경우 이런 방식으로 weight를 initialization하는 것보다 random initialization의 성능이 훨씬 우수하다는 것이 알려져 있기 때문이다. Random initialization의 일환으로 Drop-out이라는 개념이 소개되었고, 최근에는 대부분이 Drop-out 방식을 이용하고 있다.

본 발명의 일실시예에 따른 매칭 스코어 생성 모듈(13)의 Drop-out 방식은 매 학습시 은닉층에서 모든 neuron을 사용하는 것이 아니라 50% 정도의 neuron을 사용한다. 하나의 딥러닝에서 여러 개의 작은 neural network이 앙상블(ensemble)되어진 효과가 있고, 앙상블은 과적합이 크게 줄어든다고 알려져 있다. 또한, 비슷한 weight를 갖는 뉴런들이 줄어들게 되어서 중복된 판단을 하는 뉴런들이 줄어들게 되어 뉴런을 효율적으로 사용가능한 장점이 있다.

또한, 최근에는 ReLU(Rectified Linear Unit)라는 활성함수(activation function)로 느린 학습시간과 과적합 문제 등을 해결하고 있다. 기존의 sigmoid 함수는 기울기 하강(Gradient Descent)를 여러 층으로 해나갈 때마다 error가 소멸되는 문제가 발생한다. 여러 층을 지나 극한으로 갈수록 sigmoid 함수는 Gradient(기울기)가 작아져서 weight가 업데이트되지 않는 문제가 발생하는 것이다. 그런데 활성함수로 ReLU 함수를 사용시, 기울기가 0 또는 1로 학습되는 경우에 100%로 error가 전파되어 이러한 문제가 해소되게 된다. ReLU 함수는 sigmoid 처럼 [0,1]로 제한되는 것이 아니고 그 범위가 무제한이기 때문에 좀 더 확실한 표현력을 가진다고 볼 수 있다. 또한, 각 노드의 출력값 중 필요 없는 값들이 많다. 이럴 때, sigmoid 함수 사용시 모든 값에 대한 계산을 해야하는데, ReLU 함수는 상당 부분의 연산량을 줄일 수 있어 컴퓨팅 속도가 개선되는 효과가 발생된다. ReLU 함수에 의해 정규화(Regularization)가 향상될 수 있다.

바이럴 스코어 모듈(14)은, 크롤링 서버(102)를 통해 크롤링하여 수집된 임차상가에 대한 바이럴 정보인 임차상가 바이럴 정보를 수신하고, 바이럴 스코어(140)를 출력하여 매칭 스코어 생성 모듈(13)의 학습 세션에서의 Ground truth로 활용하기 위한 모듈이다. 이때, 임차상가 바이럴 정보는, 네비게이션 서비스, 포탈 서비스, 소셜 네트워크 서비스 등에서의 각각의 임차상가에 대한 검색량, 즐겨찾기 수, 평점, 방문자 리뷰 수, 게시물 수, 실방문, 노출도 등을 의미할 수 있다.

추천 모듈(15)은, 매칭 스코어(300) 및 해당 매칭 스코어에 대응되는 임차상가를 입력 데이터로 하고, 임차상가를 리스트업 하여 가장 높은 매칭 스코어를 갖는 임차상가부터 추천 임차인 정보(400)로 출력하는 모듈이다.

이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.

본 명세서 내에 기술된 특징들 및 장점들은 모두를 포함하지 않으며, 특히 많은 추가적인 특징들 및 장점들이 도면들, 명세서, 및 청구항들을 고려하여 당업자에게 명백해질 것이다. 더욱이, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수도 있다는 것을 주의해야 한다.

본 발명의 실시예들의 상기한 설명은 예시의 목적으로 제시되었다. 이는 개시된 정확한 형태로 본 발명을 제한하거나, 빠뜨리는 것 없이 만들려고 의도한 것이 아니다. 당업자는 상기한 개시에 비추어 많은 수정 및 변형이 가능하다는 것을 이해할 수 있다.

그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않고, 이를 기반으로 하는 출원의 임의의 청구항들에 의해 한정된다. 따라서, 본 발명의 실시예들의 개시는 예시적인 것이며, 이하의 청구항에 기재된 본 발명의 범위를 제한하는 것은 아니다.

1 : 딥러닝을 이용한 상가 임차인 추천 장치
11 : 임차 공간 정보 인코더
12 : 임차상가 브랜드 정보 인코더
13 : 매칭 스코어 생성 모듈

Claims

임차 공간 정보 인코더의 추론 프로그램 코드 및 학습 프로그램 코드, 임차상가 브랜드 정보 인코더의 프로그램 코드 및 매칭 스코어 생성 모듈의 프로그램 코드를 저장하는 메모리 모듈; 및
상기 임차 공간 정보 인코더의 추론 프로그램 코드 및 학습 프로그램 코드, 상기임차상가 브랜드 정보 인코더의 프로그램 코드 및 상기 매칭 스코어 생성 모듈의 프로그램 코드를 처리하는 처리 모듈;을 포함하고,
상기 임차 공간 정보 인코더의 추론 프로그램 코드는,
임차 공간 정보가 입력되는 임차 공간 정보 입력 단계; 및
임차 공간 특성 벡터가 출력되는 임차 공간 특성 벡터 추론 단계;
를 포함하여 컴퓨터 상에서 수행되도록 구성되고,
상기 임차상가 브랜드 정보 인코더의 프로그램 코드는,
임차상가 브랜드 정보가 입력되는 임차상가 브랜드 정보 입력 단계; 및
브랜드 특성 벡터가 출력되는 브랜드 특성 벡터 출력 단계;
를 포함하여 컴퓨터 상에서 수행되도록 구성되고,
상기 매칭 스코어 생성 모듈의 프로그램 코드는,
상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터가 입력되는 특성 벡터 입력 단계; 및
상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터의 조합으로부터 추론되는 매출 또는 바이럴 지수에 관한 데이터인 매칭 스코어를 출력하는 매칭 스코어 출력 단계;
를 포함하여 컴퓨터 상에서 수행되도록 구성되며,
상기 매칭 스코어를 기초로 추천 임차인 정보를 출력하고,
상기 매칭 스코어 생성 모듈의 학습 세션에서는, 크롤링 서버를 통해 크롤링하여 수집된 임차상가에 대한 바이럴 정보인 임차상가 바이럴 정보가 바이럴 스코어 모듈에 입력되어 생성되는 바이럴 스코어를 Ground Truth로 하고,
상기 임차상가 바이럴 정보는, 네비게이션 서비스, 포탈 서비스 또는 소셜 네트워크 서비스에서의 각각의 임차상가에 대한 검색량, 즐겨찾기 수, 평점, 방문자 리뷰 수, 게시물 수, 실방문 또는 노출도를 의미하는 것을 특징으로 하는,
딥러닝을 이용한 상가 임차인 추천 장치.
제1항의 딥러닝을 이용한 상가 임차인 추천 장치를 이용한 상가 임차인 추천 방법에 있어서,
임차 공간 정보 인코더에 임차 공간 정보가 입력되는 임차 공간 정보 입력 단계;
임차 공간 특성 벡터가 출력되는 임차 공간 특성 벡터 추론 단계;
임차상가 브랜드 정보 인코더에 임차상가 브랜드 정보가 입력되는 임차상가 브랜드 정보 입력 단계;
브랜드 특성 벡터가 출력되는 브랜드 특성 벡터 출력 단계;
매칭 스코어 생성 모듈에 상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터가 입력되는 특성 벡터 입력 단계;
상기 임차 공간 특성 벡터 및 상기 브랜드 특성 벡터의 조합으로부터 추론되는 매출 또는 바이럴 지수에 관한 데이터인 매칭 스코어를 출력하는 매칭 스코어 출력 단계; 및
상기 매칭 스코어를 기초로 추천 임차인 정보를 출력하는 상가 임차인 추천 단계;
를 포함하는,
딥러닝을 이용한 상가 임차인 추천 방법.