KR20240003772A - 미술품 거래 관련 데이터 처리 방법 - Google Patents
미술품 거래 관련 데이터 처리 방법 Download PDFInfo
- Publication number
- KR20240003772A KR20240003772A KR1020220081054A KR20220081054A KR20240003772A KR 20240003772 A KR20240003772 A KR 20240003772A KR 1020220081054 A KR1020220081054 A KR 1020220081054A KR 20220081054 A KR20220081054 A KR 20220081054A KR 20240003772 A KR20240003772 A KR 20240003772A
- Authority
- KR
- South Korea
- Prior art keywords
- work
- data
- price
- calculating
- works
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 59
- 238000012545 processing Methods 0.000 title claims description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 2
- 230000007115 recruitment Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 8
- 238000011551 log transformation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 235000019640 taste Nutrition 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
-
- 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
-
- 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]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- G06Q30/08—Auctions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Library & Information Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명의 미술품 거래 관련 데이터 처리 방법은 복수의 작품에 대한 정보를 포함하는 로데이터에 대한 텍스트 유사도 및 이미지 유사도를 산출하는 데이터 전처리를 통해, 상기 복수의 작품에 대한 분류 또는 유사 정보를 포함하는 작품 데이터를 생성하는 단계; 작품명, 작가명, 이미지, 카테고리, 사이즈, 가격 및 제작년도 중 적어도 하나 이상을 포함하는 검색 조건을 획득하는 단계; 상기 작품 데이터 및 상기 검색 조건에 기초하여, 적어도 하나 이상의 작품에 대한 정보를 포함하는 선별 데이터를 제공하는 단계; 및 시간에 따른 가격 정보를 포함하는 제1 가격 데이터를 기반으로 머신 러닝을 이용하여 상기 선별 데이터에 포함된 제1 작품에 대한 제1 예측 구매가를 산출하는 단계를 포함할 수 있다.
Description
본 발명은 미술품 거래 관련 데이터 처리 방법에 관한 것으로, 보다 상세하게는, 머신 러닝을 이용하여 작품의 예측 구매가를 산출하는 방법에 관한 것이다.
최근, 미술품에 대한 투자 관심도가 높아지면서, 미술품 거래 또는 미술품 경매에 대한 관심도 증가하였다. 또한, 미술품을 조각 단위로 나누어, 다수의 인원이 작품을 소유하는 거래 형태도 빈번해지고 있다. 최근에는 미술품 거래 또는 경매에 '온라인 경매'플랫폼을 적용되어, 온라인 상의 미술품 거래 서비스도 제공되고 있다.
그러나, 미술품 거래 데이터가 온라인 및 오프라인상에 혼재되어 있어, 가치가 얼마인지, 얼마만큼의 구매가가 적당한지에 대해 개인적으로 알기에는 쉽지 않다. 또한, 현재 구매가로 미래에 어느 정도의 수익률을 낼 수 있는지, 매각 시기는 언제가 적당한지에 대해서도 개인적으로 알기가 어렵다. 따라서, 혼재되어 있는 거래 데이터를 수집하여 정리 및 분석을 통해 예측 구매가 및 수익률을 제공하는 플랫폼이 필요하다.
본 발명의 일 과제는 머신 러닝을 이용하여 작품의 예측 구매가를 산출하는 미술품 거래 관련 데이터 처리 방법에 관한 것이다.
일 실시예에 따른 미술품 거래 관련 데이터 처리 방법은 적어도 하나 이상의 프로세서에 의해 수행되는 미술품 거래 관련 데이터 처리 방법에 있어서, 복수의 작품에 대한 정보를 포함하는 로데이터에 대한 텍스트 유사도 및 이미지 유사도를 산출하는 데이터 전처리를 통해, 상기 복수의 작품에 대한 분류 또는 유사 정보를 포함하는 작품 데이터를 생성하는 단계; 작품명, 작가명, 이미지, 카테고리, 사이즈, 가격 및 제작년도 중 적어도 하나 이상을 포함하는 검색 조건을 획득하는 단계; 상기 작품 데이터 및 상기 검색 조건에 기초하여, 적어도 하나 이상의 작품에 대한 정보를 포함하는 선별 데이터를 제공하는 단계; 및 시간에 따른 가격 정보를 포함하는 제1 가격 데이터를 기반으로 머신 러닝을 이용하여 상기 선별 데이터에 포함된 제1 작품에 대한 제1 예측 구매가를 산출하는 단계를 포함할 수 있다.
여기서, 상기 작품 데이터를 생성하는 단계는, 상기 로데이터에 포함된 텍스트를 벡터화하는 단계; 벡터화된 텍스트에 기초하여 항목마다 텍스트 유사도를 산출하는 단계; 및 상기 텍스트 유사도에 기초하여 항목마다 작품들을 그룹화하는 단계를 포함할 수 있다.
여기서, 상기 작품 데이터를 생성하는 단계는, 상기 로데이터에 포함된 이미지의 특징점을 추출하는 단계; 상기 특징점에 기초하여 이미지 유사도를 산출하는 단계; 및 상기 이미지 유사도에 기초하여 작품들을 그룹화하는 단계를 포함할 수 있다.
여기서, 상기 작품 데이터를 생성하는 단계는, 상기 로데이터에 포함된 이미지의 픽셀값을 기초로 히스토그램을 생성하는 단계; 상기 히스토그램에 기초하여 이미지 유사도를 산출하는 단계; 및 상기 이미지 유사도에 기초하여 작품들을 그룹화하는 단계를 포함할 수 있다.
여기서, 상기 작품 데이터를 생성하는 단계는, 상기 로데이터에 포함된 이미지의 픽셀값을 기초로 밀도 분포를 추출하는 단계; 상기 밀도 분포에 기초하여 이미지 유사도를 산출하는 단계; 및 상기 이미지 유사도에 기초하여 작품들을 그룹화하는 단계를 포함할 수 있다.
여기서, 상기 선별 데이터를 제공하는 단계는, 상기 검색 조건에 매칭되는 작품이 없는 경우, 상기 검색 조건에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품을 선별하는 단계를 포함할 수 있다.
여기서, 상기 제1 예측 구매가를 산출하는 단계는, 상기 제1 가격 데이터에 기초하여 제1 자기상관함수 및 제1 편자기상관함수를 추출하는 단계; 상기 제1 가격 데이터, 상기 제1 자기상관함수 및 상기 제1 편자기상관함수에 기초하여, 자기회귀 차수, 차분 차수 및 이동평균 차수를 설정하는 단계; 상기 자기회귀 차수, 상기 차분 차수 및 상기 이동평균 차수를 이용하여 상기 제1 가격 데이터를 로그 변환 또는 차분하여 제2 가격 데이터를 산출하는 단계; 상기 제2 가격 데이터의 정상성을 확인하여, 상기 자기회귀 차수, 상기 차분 차수 및 상기 이동평균 차수를 조정하는 단계; 및 조정된 자기회귀 차수, 차분 차수 및 이동평균 차수에 기초하여, 상기 제1 작품에 대한 상기 제1 예측 구매가를 산출하는 단계를 포함할 수 있다.
여기서, 상기 제1 작품에 대한 가격 데이터가 없는 경우, 상기 제1 가격 데이터는 상기 제1 작품의 정보에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품인 제2 작품에 대한 가격 데이터일 수 있다.
여기서, 상기 제1 가격 데이터를 망각 게이트 및 업데이트 게이트에 입력시키는 단계; 상기 망각 게이트의 출력 결과에 기초하여 후보군을 산출하는 단계; 상기 업데이트 게이트의 출력 결과 및 산출된 후보군에 기초하여 은닉층을 산출하는 단계; 및 산출된 은닉층에 기초하여, 상기 제1 작품에 대한 상기 제1 예측 구매가를 산출하는 단계를 포함할 수 있다.
여기서, 상기 제1 작품에 대한 가격 데이터가 없는 경우, 상기 제1 가격 데이터는 상기 제1 작품의 정보에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품인 제2 작품에 대한 가격 데이터일 수 있다.
여기서, 과거에 상기 검색 조건을 입력했던 사용자 또는 상기 검색 조건에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품을 구매한 이력이 있는 사용자를 추출하는 단계; 및 상기 제1 작품의 공동 구매를 위해, 상기 사용자의 단말기에 상기 제1 작품에 대한 정보, 상기 제1 예측 구매가 및 공동 구매자 모집 현황에 대한 정보를 포함하는 공동 구매 제안 데이터를 전송하는 단계를 포함할 수 있다.
여기서, 조정된 자기회귀 차수, 차분 차수, 이동평균 차수 및 상기 제1 예측 구매가에 기초하여, 상기 제1 작품에 대한 미래 가격 추이 및 수익률을 산출하는 단계를 더 포함할 수 있다.
여기서, 산출된 은닉층 및 상기 제1 예측 구매가에 기초하여, 상기 제1 작품에 대한 미래 가격 추이 및 수익률을 산출하는 단계를 더 포함할 수 있다.
여기서, 상기 미술품 거래 관련 데이터 처리 방법을 실행시키도록 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공될 수 있다.
본 발명의 일 실시예에 따르면 머신 러닝을 이용하여 작품의 예측 구매가를 산출하는 미술품 거래 관련 데이터 처리 방법이 제공될 수 있다.
도 1은 일 실시예에 따른 미술품 거래 서비스 제공 시스템의 환경도이다.
도 2는 일 실시예에 따른 미술 거래 서비스를 제공하는 서버의 블록도이다.
도 3은 일 실시예에 따른 미술품 거래 관련 데이터 처리 방법의 순서도이다.
도 4는 일 실시예에 따른 로데이터 전처리 방법의 순서도이다.
도 5는 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다.
도 6은 다른 일 실시예에 따른 로데이터 전처리 방법의 순서도이다.
도 7은 다른 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다.
도 8은 또 다른 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다.
도 9는 일 실시예에 따른 작품을 선별 및 제공하는 방법의 순서도이다.
도 10은 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법의 순서도이다.
도 11은 다른 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법의 순서도이다.
도 12는 일 실시예에 따른 공동 구매자를 모집하는 방법의 순서도이다.
도 13은 일 실시예에 따른 미술품 거래 서비스의 화면 예시를 나타낸 도면이다.
도 2는 일 실시예에 따른 미술 거래 서비스를 제공하는 서버의 블록도이다.
도 3은 일 실시예에 따른 미술품 거래 관련 데이터 처리 방법의 순서도이다.
도 4는 일 실시예에 따른 로데이터 전처리 방법의 순서도이다.
도 5는 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다.
도 6은 다른 일 실시예에 따른 로데이터 전처리 방법의 순서도이다.
도 7은 다른 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다.
도 8은 또 다른 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다.
도 9는 일 실시예에 따른 작품을 선별 및 제공하는 방법의 순서도이다.
도 10은 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법의 순서도이다.
도 11은 다른 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법의 순서도이다.
도 12는 일 실시예에 따른 공동 구매자를 모집하는 방법의 순서도이다.
도 13은 일 실시예에 따른 미술품 거래 서비스의 화면 예시를 나타낸 도면이다.
본 명세서에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 명세서에 기재된 실시예에 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 판례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다.
본 명세서에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.
본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다.
도 1은 일 실시예에 따른 미술품 거래 서비스 제공 시스템의 환경도이다.
도 1을 참조하면, 일 실시예에 따른 미술품 거래 서비스 제공 시스템은 서버(1000) 및 적어도 하나 이상의 사용자 단말기(2000)를 포함할 수 있다.
서버(1000)는 미술품 거래 서비스 제공 시스템의 중심적인 구성으로, 미술품 거래 서비스 제공 시스템의 전체적인 제어부 역할을 수행할 수 있다.
서버(1000)는 적어도 하나 이상의 사용자 단말기(2000)와 연결되어 데이터를 송수신할 수 있다. 일 실시예에 따르면, 서버(1000)는 미술품 거래 플랫폼의 서버로서, 미술품에 대한 정보, 미술품 경매에 대한 정보, 미술품 공동 구매에 대한 정보 등을 사용자 단말기(2000)에 제공할 수 있다.
사용자 단말기(2000)는 미술품 거래 플랫폼을 이용하는 수요자의 디바이스일 수 있다. 구체적으로, 사용자 단말기(2000)는 수요자의 모바일이거나 수요자의 컴퓨터의 서버일 수 있다.
사용자 단말기(2000)의 사용자인 수요자는 사용자 단말기(2000)를 통해 서버(1000)가 제공하는 서비스를 이용할 수 있다. 구체적으로, 사용자는 사용자 단말기(2000)를 통해 미술품을 검색하고, 미술품에 대한 정보를 획득하고, 미술품을 구매하고, 미술품을 추천받고, 미술품에 대한 예측 구매가를 제공받을 수 있다.
위에서 본원 발명의 일 실시예에 따른 미술품 거래 서비스 제공 시스템에 대해서 개략적으로 설명하였으나, 각 구성 요소간의 연결 관계는 변형되어 실시될 수 있다.
예를 들어, 제1 단말기와 제2 단말기가 직접 통신하고, 제1 단말기 또는 제2 단말기는 각각 서버(1000)로부터 정보를 수신할 수 있다. 또한 예를 들어, 서버(1000)는 제1 단말기 또는 제2 단말기에 설치된 프로그램(예, 어플리케이션)의 형태로 구현되어, 제1 단말기 및 제2 단말기간의 양자간 통신만 수행되는 미술품 거래 플랫폼이 구현될 수 있다.
또한, 도 1에는 서버(1000)의 개수가 하나인 것으로 도시되었으나, 이에 한정되지 않고, 각 역할에 따라 복수의 서버들이 존재할 수도 있다.
도 2는 일 실시예에 따른 미술 거래 서비스를 제공하는 서버의 블록도이다.
도 2를 참조하면, 서버(1000)는 제어부(1100), 통신부(1200), 분석부(1300), 저장부(1400) 및 디스플레이부(1500)를 포함할 수 있다.
도 2는 서버(1000)에 포함되는 다섯 가지 구성 요소를 도시하고 있으나, 도시된 구성 요소들이 필수적인 것은 아니고, 서버(1000)는 그보다 많은 구성 요소를 갖거나 그보다 적은 구성 요소를 가질 수 있다. 또한, 서버(1000)의 각 구성 요소는 물리적으로 하나의 서버에 포함될 수도 있고, 각각의 기능 별로 분산된 분산 서버일 수 있다.
제어부(1100)는 서버(1000)의 동작을 총괄할 수 있다. 구체적으로, 제어부(1100)는 적어도 하나 이상의 프로세서를 포함하여, 통신부(1200), 분석부(1300), 저장부(1400) 및 디스플레이부(1500)에 제어 명령을 보내 각 부서의 동작을 실행할 수 있다. 제어부(1100)는 컴퓨터 장치에 의해 실행되는 프로그램 명령(program instruction)일 수 있다.
이하에서 특별한 언급이 없는 경우에는, 서버(1000)의 동작은 제어부(1100)의 제어에 의해 수행되는 것으로 해석될 수 있다. 또한 본원 발명의 명세서에서 제어부(1100)의 수행은 프로세서를 주체로 하여 서술될 수 있다.
통신부(1200)는 서버(1000)와 외부 기기를 연결하여 통신하도록 할 수 있다. 즉, 통신부(1200)는 외부 기기와 데이터를 송수신할 수 있다. 예를 들어, 통신부(1200)는 사용자 단말기(2000)와 데이터를 주고받을 수 있다. 통신부(1200)는 컴퓨터 장치에 의해 실행되는 프로그램 명령(program instruction)일 수 있다.
일 실시예에 따르면, 통신부(1200)는 사용자 단말기(2000)로부터 미술품에 대한 정보를 수신할 수 있다. 또한, 통신부(1200)는 사용자 단말기(2000)로부터 사용자에 의해 선별된 또는 선택된 미술품에 대한 정보를 수신할 수 있다.
일 실시예에 따르면, 통신부(1200)는 사용자 단말기(2000)로부터 미술품을 검색하기 위해 사용자가 검색창에 입력한 검색 조건을 포함하는 데이터를 수신할 수 있다. 또한, 통신부(1200)는 사용자 단말기(2000)로부터 사용자의 성별, 나이, 관심있는 작가, 좋아하는 화풍, 취향 등에 대한 사용자 정보를 수신할 수 있다.
통신부(1200)는 유선 통신 방식 및 무선 통신 방식 중 적어도 하나의 통신 방식을 지원하는 통신 모듈일 수 있다. 예를 들어, 통신부(1200)는 블루투스(Bluetooth), 지그비(Zigbee), BLE(Bluetooth Low Energy) 및 알에프아이디(RFID) 등의 통신 방식으로 외부 장치로부터 데이터를 획득할 수 있다.
분석부(1300)는 사용자 단말기(2000)로부터 수신한 데이터에 기초하여, 미술품을 검색하거나 미술품의 예상 구매가를 계산하는 등의 연산을 수행할 수 있다. 또한, 분석부(1300)는 미술품의 가격에 대한 정보를 포함하는 가격 데이터에 기초하여, 미술품의 예상 수익률에 따른 매각가 및 매각 시기를 예측할 수 있다. 분석부(1100)는 컴퓨터 장치에 의해 실행되는 프로그램 명령(program instruction)일 수 있다.
분석부(1300)는 도 3에 도시된 미술품 거래 관련 데이터 처리 방법에 포함된 각 단계들을 수행할 수 있다. 이에 대한 자세한 내용은 후술한다.
저장부(1400)는 서버(1000)가 동작하는데 필요한 각종 데이터 및 프로그램을 저장할 수 있다. 저장부(1400)는 서버(1000)가 획득하는 정보를 저장할 수 있다. 저장부(1400)는 컴퓨터 장치에 의해 실행되는 프로그램 명령(program instruction)일 수 있다.
예를 들어, 저장부(1400)는 통신부(1200)가 획득한 사용자 단말기(2000)로부터 수신한 데이터를 저장할 수 있다. 구체적으로, 저장부(1400)는 사용자의 정보 및 취향을 포함하는 사용자 데이터를 저장할 수 있다. 또한, 저장부(1400)는 사용자의 검색 조건과 사용자의 구매 내역을 기반으로 사용자의 검색 이력 및 구매 이력에 대한 정보를 저장할 수 있다.
또한 예를 들어, 저장부(1400)는 서버(1000)가 서비스를 제공하기 위해 필요한 과거 미술품 거래 내역을 포함하는 데이터를 저장할 수 있다. 이때, 저장부(1400)에 저장된 과거 미술품 거래 내역 데이터는 통신부(1200)에 의해 수신되는 정보에 의해 또는 서버(1000) 자체적으로 계속 추가/수정되도록 업데이트될 수 있다.
저장부(1400)는 데이터를 임시적으로 또는 반영구적으로 저장할 수 있다. 저장부(1400)의 예로는 하드디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 또는 클라우드 스토리지(Cloud Storage) 등이 있을 수 있다. 다만, 이에 한정되지 않고, 저장부(1400)는 데이터를 저장하기 위한 다양한 모듈로 구현될 수 있다.
디스플레이부(1500)는 시각적인 정보를 출력할 수 있다. 예를 들어, 디스플레이부(1500)는 모바일 어플리케이션의 디스플레이나, 컴퓨터의 디스플레이와 연결되어, 미술품 거래 서비스와 관련된 시각적인 정보를 출력할 수 있다. 디스플레이부(1500)는 컴퓨터 장치에 의해 실행되는 프로그램 명령(program instruction)일 수 있다.
예를 들어, 디스플레이부(1500)는 사용자 단말기(2000)의 디스플레이와 연결되어, 미술품에 대한 정보 및 미술품에 대한 분석 내용을 출력할 수 있다. 또한, 디스플레이부(1500)는 미술품의 공동 구매에 대한 정보를 담은 화면을 출력할 수 있다.
도 3은 일 실시예에 따른 미술품 거래 관련 데이터 처리 방법의 순서도이다.
도 3을 참조하면, 일 실시예에 따른 미술품 거래 관련 데이터 처리 방법은 로데이터를 전처리하는 단계(S100), 미술품을 검색하기 위해 사용자가 입력한 검색 조건을 획득하는 단계(S200), 검색 조건에 기초하여 작품을 선별하고 작품에 대한 정보를 제공하는 단계(S300), 선별된 작품에 대한 예측 구매가 및 수익률을 산출하는 단계(S400) 및 미술품의 공동 구매를 위한 공동 구매자를 모집하는 단계(S500)를 포함할 수 있다.
로데이터를 전처리하는 단계(S100)는 과거 미술품의 거래 데이터(raw data, 로데이터)들을 일정한 기준에 따라 정리하는 단계일 수 있다. 이때, 로데이터는 복수의 미술품에 대한 오프라인/온라인 상의 거래 내역 또는 경매 내역일 수 있다.
복수의 미술품에 대한 거래 내역 또는 경매 내역은 거래처마다 다르게 정렬 또는 정리되어 있을 수 있다. 예를 들어, 특정 작가의 이름 또는 작품 명이 영문명으로 기재되어 있거나, 국문으로 기재되어 있을 수 있다. 따라서, 일정 기준을 가지고 로데이터를 정리하는 전처리 단계가 필요할 수 있다.
로데이터의 전처리는 텍스트를 기반으로 할 수도 있고, 작품의 이미지를 기반으로 할 수 있다. 이때, 텍스트는 작품에 대한 작가명, 작가의 생년, 작품명, 제작년도, 카테고리, 사이즈(가로, 세로), 추정 하한가, 추정 상한가, 거래가/낙찰가, 거래일 및 거래처 중 적어도 하나를 포함할 수 있다.
로데이터의 전처리에 대해서는 도 4 내지 도 8을 참조하여 후술한다.
미술품을 검색하기 위해 사용자가 입력한 검색 조건을 획득하는 단계(S200)는 사용자가 사용자 단말기(2000)에 입력한 검색 키워드를 획득하는 단계일 수 있다. 검색 조건은 텍스트 기반일 수도 있고, 이미지 기반일 수도 있고, 텍스트와 이미지를 모두 포함할 수도 있다.
이때, 검색 조건이 텍스트일 경우, 검색 조건은 작가명, 작가의 생년, 작품명, 제작년도, 카테고리, 사이즈(가로, 세로), 추정 하한가, 추정 상한가, 거래가/낙찰가, 거래일 및 거래처 중 적어도 하나를 포함할 수 있다. 검색 조건이 이미지일 경우, 검색 조건은 작품 이미지이거나, 작품 이미지 중 적어도 일부를 포함할 수 있다.
검색 조건에 기초하여 작품을 선별하고 작품에 대한 정보를 제공하는 단계(S300)는 단계 S200에서 획득한 검색 조건과 매칭되는 작품을 선별하고, 선별된 작품에 대해 사용자에게 작품의 정보를 제공하는 단계일 수 있다.
단계 S300에서, 프로세서는 검색 조건과 매칭되는 작품이 있는 경우, 매칭되는 작품에 대한 정보를 사용자에게 제공할 수 있다. 그러나, 검색 조건과 매칭되는 작품이 없는 경우, 프로세서는 검색 조건과 유사한 작품을 선별하여 선별된 작품에 대한 정보를 사용자에게 제공할 수 있다.
예를 들어, 단계 S200에서 획득한 검색 조건이 작가-Alena Shymchonak, 제작년도-2020년일 경우, 프로세서는 로데이터를 전처리하여 생성된 작품 데이터에서 상기 검색 조건과 매칭되는 작품을 적어도 하나 이상 선별하여 사용자에게 정보를 제공할 수 있다. 그러나, 프로세서는 작품 데이터에서 상기 검색 조건과 매칭되는 작품이 없는 경우, 상기 검색 조건과 유사한 작품을 적어도 하나 이상 선별하여 사용자에게 정보를 제공할 수 있다.
검색 조건과 유사한 작품을 선별하는 과정은 도 9를 참조하여 후술한다.
선별된 작품에 대한 예측 구매가 및 수익률을 산출하는 단계(S400)는 과거의 가격 정보를 포함하는 가격 데이터를 기반으로 머신 러닝을 이용하여 선별된 작품에 대한 예측 구매가 및 수익률을 산출하는 단계일 수 있다. 이때, 선별된 작품의 과거 가격 데이터가 있는 경우 상기 가격 데이터는 선별된 작품의 가격 데이터이다. 그러나, 선별된 작품의 과거 가격 데이터가 없는 경우, 상기 가격 데이터는 선별된 작품과 유사한 작품의 가격 데이터일 수 있다.
단계 S400에서, 프로세서는 머신러닝을 이용한 시계열적인 분석을 통해, 작품의 예측 구매가를 산출할 수 있다. 또한, 예측 구매가를 기반으로, 시간에 따른 수익률과 매각시기를 예측하여 사용자에게 정보를 제공할 수 있다.
머신러닝을 이용하여 작품에 대한 예측 구매가 및 수익률을 산출하는 단계는 도 10 및 도 11을 참조하여 후술한다.
미술품의 공동 구매를 위한 공동 구매자를 모집하는 단계(S500)는 단계 S400 이후, 사용자가 작품을 구매하는 과정에서 수행되는 단계일 수 있다. 구체적으로, 작품가가 사용자의 예산보다 클 경우 또는 사용자가 공동 구매를 원할 경우 프로세서는 단계 S500을 수행할 수 있다.
공동 구매자를 모집하는 단계(S500)는 사용자가 선택한 작품에 대해 공동 구매를 원하는 다른 사용자를 모집하는 단계일 수 있다. 일 실시예에 따르면, 프로세서는 미술품 거래 플랫폼에 배너 등을 이용하여 상기 작품에 대한 정보를 광고할 수 있다. 다른 일 실시예에 따르면, 사용자의 작품 취향과 유사한 다른 사용자를 선별하여, 상기 다른 사용자에게 상기 작품에 대한 정보를 제공할 수도 있다.
다른 사용자를 선별하는 내용에 대해서는 도 12를 참조하여 후술한다.
도 4는 일 실시예에 따른 로데이터 전처리 방법의 순서도이다. 구체적으로, 도 4는 텍스트를 기반으로 로데이터를 전처리하는 방법의 순서도이다.
도 4를 참조하면, 일 실시예에 따른 로데이터 전처리 방법은 텍스트를 벡터화하는 단계(S110), 텍스트 유사도를 산출하는 단계(S120) 및 텍스트 유사도에 기초하여 작품들을 그룹화하는 단계(S130)를 포함할 수 있다.
텍스트를 벡터화하는 단계(S110)는 로데이터에 포함된 텍스트인 작가명, 작가의 생년, 작품명, 제작년도, 카테고리, 사이즈(가로, 세로), 추정 하한가, 추정 상한가, 거래가/낙찰가, 거래일 및 거래처 중 적어도 하나를 벡터화하는 단계일 수 있다. 텍스트를 벡터화하는 단계(S110)가 수행되기 전, 텍스트의 형태소 분석이 수행될 수도 있다.
구체적으로, 프로세서는 로데이터에 포함된 문자들 각각에 대응되는 원-핫 벡터(One-Hot Vector)를 모두 합산함으로써, 텍스트에 대응되는 텍스트 벡터를 생성할 수 있다. 또는 프로세서는 워드투벡터(Word2Vec)를 이용하여, 텍스트에 대응되는 텍스트 벡터를 생성할 수 있다. 프로세서는 로데이터의 항목(작가명, 작품명, 제작년도 등)마다 항목에 포함된 텍스트 벡터를 생성할 수 있다.
텍스트 유사도를 산출하는 단계(S120)는 단계 S110에서 생성한 텍스트 벡터에 기초하여, 텍스트 유사도를 산출하는 단계일 수 있다. 구체적으로, 프로세는 벡터의 코사인 유사도 또는 특잇값 분해(Singular Value Decomposition)에 기초하여, 텍스트간의 유사도를 산출할 수 있다.
구체적으로, 프로세서는 항목마다 항목에 포함된 텍스트간의 유사도를 산출할 수 있다. 이때, 프로세서는 텍스트 유사도를 산출함으로써, 띄어쓰기, 대소문자 등에 의해 상이하게 기재된 작가명, 작품명 등을 동일한 텍스트인 것으로 확인할 수 있다.
텍스트 유사도에 기초하여 작품들을 그룹화하는 단계(S130)는 단계 S120에서 산출한 텍스트 유사도에 기초하여, 텍스트 유사도가 일정값 이상인 텍스트에 대응되는 작품끼리 하나의 그룹으로 분류하는 단계일 수 있다.
예를 들어, 제1 작가명 및 제2 작가명 간의 텍스트 유사도는 90% 이상일 수 있다. 이때, 프로세서는 제1 작가명 및 제2 작가명이 동일한 작가에 대한 작가명인 것으로 확인하고, 제1 작가명에 대응되는 제1 작품과 제2 작가명에 대응되는 제2 작품을 동일한 그룹으로 분류할 수 있다.
프로세서가 작품을 그룹화하는 이유는, 검색 조건에 매칭되는 작품이 없는 경우, 유사한 작품을 선별하기 위해서일 수도 있고, 공동 구매자를 모집하기 위해서일 수도 있다.
구체적으로, 제1 검색 조건에 매칭되는 작품이 없는 경우, 제1 검색 조건에 포함된 제1 작가의 작품을 선별할 수 있다. 이때, 프로세서는 제1 작가의 작품으로 분류된 그룹의 작품들에 대한 정보를 사용자에게 제공할 수 있다. 또한, 제1 작품에 대한 공동 구매자를 모집하기 위해, 프로세서는 제1 작품의 제1 작가의 작품을 구매한 이력이 있는 사용자를 선별할 수도 있다.
위와 같이, 프로세서는 텍스트를 기반으로 텍스트 유사도가 일정값 이상인 작품들을 그룹화할 수 있다. 이때, 프로세서는 작품들을 항목(작가명, 작품명, 제작 년도 등)별로 그룹화할 수 있다.
도 5는 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다.
도 5를 참조하면, 프로세서가 항목(거래일, 작가, 작가 생년, 제목, 제작년도 등)에 따라 로데이터를 전처리하여 생성한 작품 데이터를 확인할 수 있다. 도 5에서는 '작가'로 분류된 그룹에 대한 데이터를 나타낸 것일 수도 있다. 그러나, 도 5에서도, 제작 년도, 사이즈 또는 거래처 등으로 다시 작품을 재분류/재그룹화할 수도 있다.
도 5와 같이, 프로세서는 데이터 전처리를 통해, 오프라인/온라인에 산재되어 있는 거래 데이터들을 수집하고 정리함으로써 복수의 작품에 대한 분류 또는 유사 정보를 포함하는 작품 데이터를 생성할 수 있다. 이때, 유사 정보란 작품이 속한 그룹 정보를 포함할 수 있다. 구체적으로, 유사 정보는 항목(작가, 작품명, 제작 년도 등)이 유사한 작품끼리 분류된 그룹에 대한 정보를 포함할 수 있다.
도 6은 다른 일 실시예에 따른 로데이터 전처리 방법의 순서도이다. 도 6은 작품 이미지를 기반으로 로데이터를 전처리하는 방법의 순서도이다.
도 6을 참조하면, 다른 일 실시예에 따른 로데이터 전처리 방법은 이미지의 특징점, 히스토그램 또는 밀도 분포를 추출하는 단계(S140), 이미지 유사도를 산출하는 단계(S150) 및 이미지 유사도에 기초하여 작품들을 그룹화하는 단계(S160)를 포함할 수 있다.
이미지의 특징점, 히스토그램 또는 밀도 분포를 추출하는 단계(S140)는 이미지의 픽셀값을 분석하는 단계일 수 있다. 프로세서는 이미지의 픽셀값 차이에 기초하여, 이미지의 특징점이 될 수 있는 엣지를 추출할 수 있다. 또한, 프로세서는 이미지의 픽셀값을 이용하여 히스토그램을 생성할 수 있다. 또한, 프로세서는 이미지의 픽셀값 및 픽셀값의 밀도에 기초하여, 밀도 분포를 추출할 수 있다.
구체적으로, 프로세서는 이미지의 이웃한 픽셀간의 픽셀값 차이에 기초하여, 이미지의 엣지를 추출할 수 있다. 또한, 프로세서는 이미지의 밝기에 따른 히스토그램 또는 RGB에 따른 히스토그램을 생성할 수 있다. 또한, 프로세서는 Mean-shift 알고리즘 등을 이용하여, 이미지의 특징점, 코너 및 색상을 기반으로 밀도 분포를 생성할 수 있다.
이미지 유사도를 산출하는 단계(S150)는 단계 S140에서 추출한 특징점, 히스토그램 또는 밀도 분포에 기초하여, 이미지간의 유사도를 산출하는 단계일 수 있다.
프로세서는 단계 S140에서 추출한 특징점에 기초하여 제1 이미지 및 제2 이미지간의 이미지 유사도를 산출할 수 있다. 구체적으로, 프로세서는 특정 위치에 있는 제1 이미지의 특징점과 제2 위치의 상기 특정 위치의 픽셀을 비교하여, 특징점을 서로 대비함으로써 이미지 유사도를 산출할 수 있다. 또한, 프로세서는 제1 이미지에 포함된 제1 특징점 및 제2 특징점간의 거리와, 제2 이미지에 포함된 제3 특징점 및 제4 특징점간의 거리에 기초하여, 이미지 유사도를 산출할 수 있다.
프로세서는 단계 S140에서 생성한 히스토그램에 기초하여, 제1 이미지 및 제2 이미지간의 이미지 유사도를 산출할 수 있다. 구체적으로, 프로세서는 제1 이미지 및 제2 이미지에서 밝기 및 RGB에 기초하여 생성된 히스토그램의 분포와 값을 대비하여 이미지 유사도를 산출할 수 있다. 이때, 프로세서는 밝기, R, G 및 B를 기반으로 생성된 히스토그램을 모두 고려하여, 히스토그램이 픽셀 위치와 무관할 수 있다는 점을 보완할 수 있다.
프로세서는 단계 S140에서 생성한 밀도 분포에 기초하여, 제1 이미지 및 제2 이미지간의 이미지 유사도를 산출할 수 있다. 구체적으로, 프로세서는 제1 이미지의 특징점의 밀도 분포와 제2 이미지의 특징점의 밀도 분포를 비교할 수 있다. 또한, 프로세서는 제1 이미지의 색상 기반 밀도 분포와 제2 이미지의 색상 기반 밀도 분포를 비교할 수 있다.
프로세서는 특징점, 히스토그램 및 밀도 분포 각각을 기반으로 이미지 유사도를 산출할 수도 있고, 특징점, 히스토그램 및 밀도 분포 중 2개 이상의 조합을 기반으로 이미지 유사도를 산출할 수도 있다.
이미지 유사도에 기초하여 작품들을 그룹화하는 단계(S160)는 단계 S150에서 산출한 이미지 유사도에 기초하여, 이미지 유사도가 일정값 이상인 이미지끼리 하나의 그룹으로 분류하는 단계일 수 있다.
예를 들어, 제1 이미지 및 제2 이미지의 이미지 유사도는 90% 이상일 수 있다. 이때, 프로세서는 제1 이미지 및 제2 이미지가 동일한 작품의 이미지인 것으로 확인하고, 제1 이미지에 대응되는 제1 작품과 제2 이미지에 대응되는 제2 작품을 동일한 그룹으로 분류할 수 있다.
위와 같이, 프로세서는 이미지를 기반으로 이미지 유사도가 일정값 이상인 작품들을 그룹화할 수 있다. 이때, 프로세서는 작품들을 항목(작가명, 작품명, 제작 년도 등)별로 그룹화할 수 있다.
도 7은 다른 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다. 도 7은 이미지의 특징점을 기반으로 이미지 유사도를 산출하는 방법의 예시이다.
도 7을 참조하면, 프로세서는 두 이미지의 특징점(110)을 추출할 수 있다. 프로세서는 추출된 특징점을 서로 대비하여, 이미지의 유사도를 판단할 수 있다. 도 7에서, 특징점 추출을 기반으로, 샘플 작품(120)과 유사한 작품(130)과 비유사한 작품(140)을 선별할 수 있다.
도 8은 또 다른 일 실시예에 따른 로데이터 전처리를 설명하기 위한 예시이다. 도 8은 히스토그램을 기반으로 이미지 유사도를 산출하는 방법의 예시이다.
도 8을 참조하면, 프로세서는 샘플 이미지(210)의 밝기 히스토그램(220), R 히스토그램(230), G 히스토그램(240) 및 B 히스토그램(250)을 각각 생성할 수 있다. 프로세서는 복수의 히스토그램(220, 230, 240, 250)에 기초하여, 샘플 이미지(210)와 유사한 이미지를 선별할 수 있다.
도 9는 일 실시예에 따른 작품을 선별 및 제공하는 방법의 순서도이다. 도 9는 검색 조건에 매칭되는 작품이 없는 경우, 유사한 작품을 추천하는 방법에 대한 순서도이다.
도 9를 참조하면, 일 실시예에 따른 작품을 선별 및 제공하는 방법은 검색 조건에 포함된 항목을 구분하는 단계(S310), 제1 항목에 대한 제1 검색 조건과 매칭되는 그룹을 선별하는 단계(S320), 선별된 그룹 중 제2 항목에 대한 제2 검색 조건과 매칭되는 작품을 선별하는 단계(S330) 및 선별된 작품에 대한 정보를 제공하는 단계(S340)를 포함할 수 있다.
검색 조건에 포함된 항목을 구분하는 단계(S310)는 단계 S130 또는 단계 S160에서 분류된 그룹들을 검색하기 위해, 검색 조건의 항목들을 구분하는 단계일 수 있다. 예를 들어, 검색 조건이 작가-Alena Shymchonak, 제작년도-2020년, 사이즈(가로)-40 이상, 사이즈(세로)-60 이상, 카테고리-Oil인 경우, 프로세서는 작품을 선별하기 위해 필요한 항목이 작가, 제작년도, 사이즈(가로), 사이즈(세로), 카테고리인 것으로 확인할 수 있다.
제1 항목에 대한 제1 검색 조건과 매칭되는 그룹을 선별하는 단계(S320)는 단계 S310에서 구분된 항목에 대한 검색 조건과 매칭되는 그룹을 확인하는 단계일 수 있다. 위 예시에서, 제1 항목이 작가인 경우, 프로세서는 작가 'Alena Shymchonak'의 기준으로 분류된 그룹을 선별할 수 있다.
선별된 그룹 중 제2 항목에 대한 제2 검색 조건과 매칭되는 작품을 선별하는 단계(S330)는 단계 S320에서 선별된 그룹에 포함된 작품들 중에서, 제2 항목에 대한 검색 조건과 매칭되는 작품을 선별하는 단계일 수 있다.
위 예시에서, 프로세서는 작가 'Alena Shymchonak'의 기준으로 분류된 그룹에서, 제2 항목이 카테고리인 경우, 프로세서는 카테고리 'Oil'인 작품을 선별할 수 있다. 또는 제2 항목이 제작년도인 경우, 프로세서는 작가 'Alena Shymchonak'의 기준으로 분류된 그룹에서 제작년도가 2020년인 작품을 선별할 수 있다.
선별된 작품에 대한 정보를 제공하는 단계(S340)는 프로세서가 단계 S330에서 선별된 작품에 대한 작가명, 작가의 생년, 작품명, 제작년도, 카테고리, 사이즈(가로, 세로), 추정 하한가, 추정 상한가, 예측 구매가, 수익률, 거래가/낙찰가, 거래일 및 거래처 중 적어도 하나를 포함하는 데이터를 사용자 단말기(2000)로 전송하는 단계일 수 있다.
위와 같이, 프로세서는 검색 조건에 매칭되는 작품이 있는 경우, 매칭된 작품에 대한 정보를 사용자에게 제공하거나, 매칭되는 작품이 없는 경우, 검색 조건의 일부를 만족하는 유사한 작품에 대한 정보를 사용자에게 제공(작품 추천)할 수 있다.
도 10은 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법의 순서도이다. 도 10은 ARIMA 모델을 이용한 머신 러닝에 의해 예측 구매가 및 수익률을 산출하는 방법에 대한 순서도이다.
도 10을 참조하면, 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법은 가격 데이터 획득 및 분석하는 단계(S411), 자기상관함수 및 편자기상관함수를 추출하는 단계(S412), 자기회귀 차수, 차분 차수 및 이동평균 차수를 설정하는 단계(S413), 로그 변환 또는 차분을 수행하는 단계(S414), 자기회귀 차수, 차분 차수 및 이동평균 차수를 조정하는 단계(S415), 예측 구매가를 산출하는 단계(S416) 및 미래 가격 추이 및 수익률을 산출하는 단계(S417)를 포함할 수 있다.
가격 데이터 획득 및 분석하는 단계(S411)는 작품에 대한 과거 거래 내역에 기반하여 시계열적인 가격 변동 추이를 포함하는 가격 데이터를 획득하고 이를 전처리 및/또는 분석하는 단계일 수 있다. 제1 작품에 대한 예측 구매가 및 수익률을 산출할 때, 제1 작품의 과거 가격 데이터를 분석할 수 있다.
그러나, 제1 작품에 대한 과거 가격 데이터가 없는 경우, 제1 작품과 유사한 제2 작품의 과거 가격 데이터를 이용하여 제1 작품의 예측 구매가 및 수익률을 산출할 수 있다. 예를 들어, A작가의 제1 작품에 대한 과거 가격 데이터가 없는 경우, 프로세서는 A작가의 제1 작품과 동일한 년도에 제작된 제2 작품의 과거 가격 데이터를 이용할 수 있다.
자기상관함수 및 편자기상관함수를 추출하는 단계(S412)는 단계 S411에서 획득한 가격 데이터에 기초하여, ARIMA(Autoregressive Integrated Moving Average) 모델을 이용하기 위한 함수를 추출하는 단계일 수 있다.
자기상관함수(AutoCorrelation Function, ACF)는 시차에 따른 일련의 자기상관을 의미하는 것으로, 아래의 [수학식 1]에 의해 산출될 수 있다.
프로세서는 자기상관함수에 의해 가격 데이터의 정상성을 판단할 수 있다. 이때, 정상성(Stationary)은 평균, 분산이 시간에 따라 일정한 성질을 의미하는 것일 수 있다. 정상성을 나타내지 않는 데이터는 분석하기 어렵기 때문에, 프로세서는 가격 데이터가 정상성을 갖도록 로그 변환 및/또는 차분을 수행할 수 있다.
편자기상관함수(Partial AutoCorrelation Function, PACF)는 시차에 따른 일련의 편자기상관을 의미하는 것으로, 아래의 [식 2] 및 [식 3]에 의해서 산출될 수 있다.
프로세서는 편자기상관함수를 산출함으로써, 제1 시점의 제1 가격과 제2 시점의 제2 가격 사이의 다른 시점의 가격으로부터의 영향을 제거하여 제1 가격 및 제2 가격 사이의 상관관계만을 파악할 수 있다.
자기회귀 차수, 차분 차수 및 이동평균 차수를 설정하는 단계(S413)는 로그 변환 또는 차분을 수행하기 위해, 파라미터를 설정하는 단계일 수 있다. 구체적으로, 자기회귀 차수(p)는 시간 지연 수를 의미하고, 차분 차수(d)는 데이터가 과거 값을 뺀 횟수를 의미하고, 이동평균 차수(q)는 이동 평균 모델의 순서를 의미하는 것일 수 있다. 이때, 차분 차수는 가격 데이터의 정상성 정도에 의해 정해질 수 있다.
로그 변환 또는 차분을 수행하는 단계(S414)는 가격 데이터의 정상성을 위해, 프로세서가 설정된 자기회귀 차수, 차분 차수 및 이동평균 차수를 기반으로 단계 S414에서 획득한 가격 데이터를 로그 변환하거나, 차분(differential)하거나, 로그 변환과 차분을 모두 수행하는 단계일 수 있다. 로그 변환 또는 차분이 수행된 가격 데이터는 정상성을 나타낼 수 있다. 구체적으로, 프로세서는 로그 변환 또는 차분이 수행된 가격 데이터의 자기상관함수 및 편자기상관함수를 다시 산출함으로써, 정상성을 확인할 수 있다.
자기회귀 차수, 차분 차수 및 이동평균 차수를 조정하는 단계(S415)는 단계 S414에서 로그 변환 또는 차분이 수행된 가격 데이터의 정상성이 확인되지 않는 경우, 파라미터인 자기회귀 차수, 차분 차수 및 이동평균 차수를 단계 S413의 수치와 다르게 설정하는 단계일 수 있다. 예를 들어, 단계 S414에서 가격 데이터의 정상성이 확인되지 않는 경우, 프로세서는 차분 차수를 늘려, 로그 변환 또는 차분을 수행하는 횟수를 증가시킬 수 있다.
예측 구매가를 산출하는 단계(S416)는 단계 S414 및/또는 단계 S415에 의해 가격 데이터의 정상성이 확인되는 경우, 변환 또는 차분된 가격 데이터를 이용하여 작품의 예측 구매가를 산출하는 단계일 수 있다. 구체적으로, 프로세서는 조정된 수치를 가지는 자귀회귀 차수, 차분 차수 및 이동평균 차수에 의해 모델링된 머신 러닝 모델에 가격 데이터를 입력하여, 예측 구매가를 출력할 수 있다.
미래 가격 추이 및 수익률을 산출하는 단계(S417)는 단계 S416에서 사용한 머신 러닝 모델에 기초하여, 미래 시점에 대한 예측 구매가와 그 시점에서의 수익률을 산출하는 단계일 수 있다. 이때, 프로세서는 단계 S416에서 출력한 예측 구매가를 다시 모델에 반영하여 재모델링한 후, 미래 시점에서의 구매가와 수익률을 예측할 수도 있다. 이때, 프로세서는 재모델링을 위해, 단계 S416에서 출력한 예측 구매가를 포함한 새로운 가격 데이터의 정상성을 위한 새로운 자기회귀 차수, 차분 차수 및 이동평균 차수를 설정할 수 있다.
도 11은 다른 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법의 순서도이다. 도 11은 GRU 모델을 이용한 머신 러닝에 의해 예측 구매가 및 수익률을 산출하는 방법에 대한 순서도이다.
도 11을 참조하면, 다른 일 실시예에 따른 예측 구매가 및 수익률을 산출하는 방법은 가격 데이터 획득 및 분석하는 단계(S421), 가격 데이터를 망각 게이트 및 업데이트 게이트에 입력하는 단계(S422), 망각 게이트의 출력 결과에 기초하여 후보군을 산출하는 단계(S423), 업데이트 게이트의 출력 결과 및 산출한 후보군에 기초하여 은닉층을 산출하는 단계(S424), 산출한 은닉층에 기초하여 예측 구매가를 산출하는 단계(S425) 및 미래 가격 추이 및 수익률을 산출하는 단계(S426)를 포함할 수 있다.
가격 데이터 획득 및 분석하는 단계(S421)는 도 10의 단계 S411에서와 마찬가지로 작품에 대한 과거 거래 내역에 기반하여 시계열적인 가격 변동 추이를 포함하는 가격 데이터를 획득하고 이를 전처리 및/또는 분석하는 단계일 수 있다. 그러나, 특정 작품에 대한 과거 가격 데이터가 없는 경우, 상기 특정 작품과 유사한 작품의 과거 가격 데이터를 이용할 수도 있다.
가격 데이터를 망각 게이트 및 업데이트 게이트에 입력하는 단계(S422)는 가격 데이터를 일정 부분 초기화시키기 위해 망각 게이트에 입력하고, 과거 가격 정보와 현재 가격 정보의 반영 비율을 결정하기 위해 업데이트 게이트에 입력하는 단계일 수 있다.
구체적으로, 프로세서는 망각 게이트에서, 시그모이드 함수의 출력을 이용해 0 또는 1 값을 이전 은닉층에 곱함으로써, 가격 데이터의 일정 부분을 초기화시킬 수 있다. 또한, 프로세서는 업데이트 게이트에서, 시그모이드의 출력을 현재 가격 정보에 곱하고, 1에서 시그모이드의 출력을 뺀 값을 과거 가격 정보에 곱함으로써, 과거와 현재의 정보 반영 비율을 결정할 수 있다.
망각 게이트의 출력 결과에 기초하여 후보군을 산출하는 단계(S423)는 망각 게이트에 의해 일정 부분이 초기화된 가격 데이터를 이용하여 예측 구매가의 후보군을 산출하는 단계일 수 있다. 프로세서는 과거 은닉층 정보를 그대로 이용하지 않고, 망각 게이트의 출력 결과를 이용함으로써, 후보군을 계산한다.
업데이트 게이트의 출력 결과 및 산출한 후보군에 기초하여 은닉층을 산출하는 단계(S424)는 과거와 현재의 반영 비율을 고려한 가격 데이터와 단계 S423에서 산출한 후보군에 기초하여, 은닉층을 계산하는 단계일 수 있다.
산출한 은닉층에 기초하여 예측 구매가를 산출하는 단계(S425)는 단계 S424에서 산출한 은닉층으로 모델링된 머신 러닝 모델에 가격 데이터를 입력하여, 예측 구매가를 출력하는 단계일 수 있다.
미래 가격 추이 및 수익률을 산출하는 단계(S426)는 단계 S425에서 사용한 머신 러닝 모델에 기초하여, 미래 시점에 대한 예측 구매가와 그 시점에서의 수익률을 산출하는 단계일 수 있다. 이때, 프로세서는 단계 S425에서 출력한 예측 구매가를 다시 모델에 반영하여 재모델링한 후, 미래 시점에서의 구매가와 수익률을 예측할 수도 있다. 이때, 프로세서는 재모델링을 위해, 단계 S425에서 출력한 예측 구매가를 포함한 새로운 가격 데이터를 활용하기 위해, 단계 S424 및 S425에서 산출한 후보군과 은닉층을 다시 산출할 수 있다.
프로세서는 도 10의 ARIMA 모델과 도 11의 GRU 모델을 모두 사용하여 예측 구매가를 산출한 후, 두 모델의 정확도를 측정할 수 있다. 이때, 정확도는 과거 데이터의 확인, 전문가의 의견, 실제 거래 또는 경매 호가 등에 의해 측정될 수 있다. 프로세서는 두 모델 중 정확도가 높은 모델에서 출력된 예측 구매가를 사용자에게 제공할 수 있다.
도 12는 일 실시예에 따른 공동 구매자를 모집하는 방법의 순서도이다.
도 12를 참조하면, 일 실시예에 따른 공동 구매자를 모집하는 방법은 사용자를 추출하는 단계(S510) 및 추출된 사용자에게 공동 구매와 관련된 정보를 제공하는 단계(S520)를 포함할 수 있다.
사용자를 추출하는 단계(S510)는 특정 작품에 대해 구매 의사가 있을 가능성이 높은 사용자를 추출하는 단계일 수 있다. 구체적으로, 프로세서는 제1 사용자가 제1 검색 조건을 입력하여 제1 작품을 구매하기로 선택한 경우, 상기 제1 검색 조건을 과거에 입력한 적이 있는 제2 사용자를 추출할 수 있다. 또는 프로세서는 상기 제1 검색 조건에 포함되는 항목들 중 적어도 하나 이상의 항목의 세부 검색 조건이 동일한 검색 조건을 과거에 입력한 적이 있는 제2 사용자를 추출할 수 있다. 또는 검색뿐만 아니라, 프로세서는 구매/경매 이력이 있는 사용자도 추출할 수 있다.
예를 들어, 검색 조건이 작가-Alena Shymchonak, 제작년도-2020년, 사이즈(가로)-40 이상, 사이즈(세로)-60 이상, 카테고리-Oil인 경우, 프로세서는 상기 검색 조건과 동일한 검색 조건을 과거에 검색한 이력이 있는 사용자를 추출할 수 있다.
또한 위 예시에서, 프로세서는 작가-Alena Shymchonak, 제작년도-2020년의 검색 조건을 과거에 검색한 이력이 있는 사용자를 추출할 수 있다. 즉, 프로세서는 제1 사용자가 검색한 검색 조건의 일부만 일치하는 제2 검색 조건을 과거에 입력한 이력이 있는 제2 사용자를 추출할 수도 있다.
또는, 프로세서는 통신부(1200)에 의해 획득된 사용자 정보(성별, 나이, 관심있는 작가, 좋아하는 화풍, 취향 등을 포함함)를 기초로, 상기 사용자 정보의 일부가 일치하는 다른 사용자를 추출할 수도 있다.
추출된 사용자에게 공동 구매와 관련된 정보를 제공하는 단계(S520)는 단계 S510에서 추출된 사용자에게 공동 구매를 제안하는 정보를 제공하는 단계일 수 있다. 구체적으로, 프로세서는 추출된 사용자의 단말기에 작품의 예측 구매가, 수익률, 매각 시기, 공동 구매 모집 현황에 관한 정보를 포함하는 데이터를 전송할 수 있다.
위와 같이, 프로세서는 사용자가 특정 작품의 공동 구매를 원할 경우, 사용자의 취향이 유사하거나, 상기 특정 작품의 구매 가능성이 높은 사용자를 추출하여, 상기 추출된 사용자에게 공동 구매를 위한 데이터를 제공할 수 있다.
도 13은 일 실시예에 따른 미술품 거래 서비스의 화면 예시를 나타낸 도면이다.
도 13을 참조하면, 본원 발명의 미술품 거래 플랫폼은 작품 또는 작가를 검색하면 작품에 대한 정보(제작년도, 카테고리, 사이즈 등)뿐만 아니라, 미래 가격 추이, 예측 구매가 및 수익률을 제공할 수 있다. 플랫폼이 제공하는 정보는 표나 그래프 형태로 사용자에게 제공될 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 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 (14)
- 적어도 하나 이상의 프로세서에 의해 수행되는 미술품 거래 관련 데이터 처리 방법에 있어서,
복수의 작품에 대한 정보를 포함하는 로데이터에 대한 텍스트 유사도 및 이미지 유사도를 산출하는 데이터 전처리를 통해, 상기 복수의 작품에 대한 분류 또는 유사 정보를 포함하는 작품 데이터를 생성하는 단계;
작품명, 작가명, 이미지, 카테고리, 사이즈, 가격 및 제작년도 중 적어도 하나 이상을 포함하는 검색 조건을 획득하는 단계;
상기 작품 데이터 및 상기 검색 조건에 기초하여, 적어도 하나 이상의 작품에 대한 정보를 포함하는 선별 데이터를 제공하는 단계; 및
시간에 따른 가격 정보를 포함하는 제1 가격 데이터를 기반으로 머신 러닝을 이용하여 상기 선별 데이터에 포함된 제1 작품에 대한 제1 예측 구매가를 산출하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제1항에 있어서,
상기 작품 데이터를 생성하는 단계는,
상기 로데이터에 포함된 텍스트를 벡터화하는 단계;
벡터화된 텍스트에 기초하여 항목마다 텍스트 유사도를 산출하는 단계; 및
상기 텍스트 유사도에 기초하여 항목마다 작품들을 그룹화하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제1항에 있어서,
상기 작품 데이터를 생성하는 단계는,
상기 로데이터에 포함된 이미지의 특징점을 추출하는 단계;
상기 특징점에 기초하여 이미지 유사도를 산출하는 단계; 및
상기 이미지 유사도에 기초하여 작품들을 그룹화하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제1항에 있어서,
상기 작품 데이터를 생성하는 단계는,
상기 로데이터에 포함된 이미지의 픽셀값을 기초로 히스토그램을 생성하는 단계;
상기 히스토그램에 기초하여 이미지 유사도를 산출하는 단계; 및
상기 이미지 유사도에 기초하여 작품들을 그룹화하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제1항에 있어서,
상기 작품 데이터를 생성하는 단계는,
상기 로데이터에 포함된 이미지의 픽셀값을 기초로 밀도 분포를 추출하는 단계;
상기 밀도 분포에 기초하여 이미지 유사도를 산출하는 단계; 및
상기 이미지 유사도에 기초하여 작품들을 그룹화하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법
- 제1항에 있어서,
상기 선별 데이터를 제공하는 단계는,
상기 검색 조건에 매칭되는 작품이 없는 경우, 상기 검색 조건에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품을 선별하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제1항에 있어서,
상기 제1 예측 구매가를 산출하는 단계는,
상기 제1 가격 데이터에 기초하여 제1 자기상관함수 및 제1 편자기상관함수를 추출하는 단계;
상기 제1 가격 데이터, 상기 제1 자기상관함수 및 상기 제1 편자기상관함수에 기초하여, 자기회귀 차수, 차분 차수 및 이동평균 차수를 설정하는 단계;
상기 자기회귀 차수, 상기 차분 차수 및 상기 이동평균 차수를 이용하여 상기 제1 가격 데이터를 로그 변환 또는 차분하여 제2 가격 데이터를 산출하는 단계;
상기 제2 가격 데이터의 정상성을 확인하여, 상기 자기회귀 차수, 상기 차분 차수 및 상기 이동평균 차수를 조정하는 단계; 및
조정된 자기회귀 차수, 차분 차수 및 이동평균 차수에 기초하여, 상기 제1 작품에 대한 상기 제1 예측 구매가를 산출하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제7항에 있어서,
상기 제1 작품에 대한 가격 데이터가 없는 경우, 상기 제1 가격 데이터는 상기 제1 작품의 정보에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품인 제2 작품에 대한 가격 데이터인
미술품 거래 관련 데이터 처리 방법.
- 제1항에 있어서,
상기 제1 가격 데이터를 망각 게이트 및 업데이트 게이트에 입력시키는 단계;
상기 망각 게이트의 출력 결과에 기초하여 후보군을 산출하는 단계;
상기 업데이트 게이트의 출력 결과 및 산출된 후보군에 기초하여 은닉층을 산출하는 단계; 및
산출된 은닉층에 기초하여, 상기 제1 작품에 대한 상기 제1 예측 구매가를 산출하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제9항에 있어서,
상기 제1 작품에 대한 가격 데이터가 없는 경우, 상기 제1 가격 데이터는 상기 제1 작품의 정보에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품인 제2 작품에 대한 가격 데이터인
미술품 거래 관련 데이터 처리 방법.
- 제1항에 있어서,
과거에 상기 검색 조건을 입력했던 사용자 또는 상기 검색 조건에 포함된 항목들 중 적어도 하나 이상의 항목이 매칭되는 유사한 작품을 구매한 이력이 있는 사용자를 추출하는 단계; 및
상기 제1 작품의 공동 구매를 위해, 상기 사용자의 단말기에 상기 제1 작품에 대한 정보, 상기 제1 예측 구매가 및 공동 구매자 모집 현황에 대한 정보를 포함하는 공동 구매 제안 데이터를 전송하는 단계를 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제7항에 있어서,
조정된 자기회귀 차수, 차분 차수, 이동평균 차수 및 상기 제1 예측 구매가에 기초하여, 상기 제1 작품에 대한 미래 가격 추이 및 수익률을 산출하는 단계를 더 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제9항에 있어서,
산출된 은닉층 및 상기 제1 예측 구매가에 기초하여, 상기 제1 작품에 대한 미래 가격 추이 및 수익률을 산출하는 단계를 더 포함하는
미술품 거래 관련 데이터 처리 방법.
- 제1항 내지 제13항에 기재된 미술품 거래 관련 데이터 처리 방법을 실행시키도록 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/009501 WO2024005242A1 (ko) | 2022-07-01 | 2022-07-01 | 미술품 거래 관련 데이터 처리 방법 |
| KR1020220081054A KR20240003772A (ko) | 2022-07-01 | 2022-07-01 | 미술품 거래 관련 데이터 처리 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220081054A KR20240003772A (ko) | 2022-07-01 | 2022-07-01 | 미술품 거래 관련 데이터 처리 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240003772A true KR20240003772A (ko) | 2024-01-10 |
Family
ID=89380768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220081054A KR20240003772A (ko) | 2022-07-01 | 2022-07-01 | 미술품 거래 관련 데이터 처리 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240003772A (ko) |
| WO (1) | WO2024005242A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101451097B1 (ko) * | 2012-12-23 | 2014-10-15 | 전남대학교산학협력단 | 색상 히스토그램을 이용한 이미지 분류 시스템 및 방법 |
| KR102444498B1 (ko) * | 2019-06-07 | 2022-09-20 | 한국과학기술연구원 | 이미지 기반 제품 매매 서비스 제공 시스템 및 방법 |
| KR102091417B1 (ko) * | 2019-07-04 | 2020-03-20 | (주)크래프트테크놀로지스 | 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 |
| KR20210042709A (ko) * | 2019-10-10 | 2021-04-20 | 고려대학교 산학협력단 | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 |
| KR102293923B1 (ko) * | 2019-11-08 | 2021-08-26 | (주)투데이칩스 | 스마트 공동 구매 중계 서버, 시스템 및 그 방법 |
-
2022
- 2022-07-01 WO PCT/KR2022/009501 patent/WO2024005242A1/ko unknown
- 2022-07-01 KR KR1020220081054A patent/KR20240003772A/ko not_active Application Discontinuation
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024005242A1 (ko) | 2024-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633007B (zh) | 一种基于层次化ap聚类的商品评论数据标签化系统和方法 | |
| JP6134444B2 (ja) | 情報を推薦するための方法およびシステム | |
| Adams | Virtual retail in the metaverse: Customer behavior analytics, extended reality technologies, and immersive visualization systems | |
| US20200043022A1 (en) | Artificial intelligence system and method for generating a hierarchical data structure | |
| CN109542916A (zh) | 平台商品入驻方法、装置、计算机设备及存储介质 | |
| US20160132908A1 (en) | Methods And Apparatus For Transaction Prediction | |
| Dzyabura et al. | Leveraging the power of images in managing product return rates | |
| Anderson | Business statistics for dummies | |
| US20160343004A1 (en) | Process journey sentiment analysis | |
| CN110400058A (zh) | 基于rx法则的零售管理方法及装置 | |
| CN110738553A (zh) | 一种将不同商城的商品链接进行相互映射的方法及系统 | |
| CN113935774A (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
| Yudhistyra et al. | Using big data analytics for decision making: analyzing customer behavior using association rule mining in a gold, silver, and precious metal trading company in Indonesia | |
| JPH06119309A (ja) | 購入見込み度合予測方法及び顧客管理システム | |
| CN111340782A (zh) | 一种图像打标方法、装置及系统 | |
| Perkins | Extended reality and geospatial mapping technologies, behavioral predictive and mobile location analytics, and motion planning and object recognition algorithms in immersive hyper-connected virtual spaces | |
| JP7487732B2 (ja) | 情報処理装置、表示システム、情報処理方法およびプログラム | |
| Sykes | A deep learning computer vision iPad application for Sales Rep optimization in the field | |
| KR101764361B1 (ko) | 소셜 네트워크 서비스 기반 쇼핑몰 서비스 제공 방법 및 이를 위한 장치 | |
| JP2016024596A (ja) | 情報処理装置 | |
| CN108416611B (zh) | 一种超市路径推荐系统及其方法 | |
| KR20240003772A (ko) | 미술품 거래 관련 데이터 처리 방법 | |
| CN110889716A (zh) | 识别潜在注册用户的方法及装置 | |
| KR20050053674A (ko) | 부동산공동구입 매칭시스템 | |
| CN115470705A (zh) | 基于ai算法的智能业务建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |