KR20240013690A - electronic device for generating list of recommended information and method thereof - Google Patents
electronic device for generating list of recommended information and method thereof Download PDFInfo
- Publication number
- KR20240013690A KR20240013690A KR1020230094436A KR20230094436A KR20240013690A KR 20240013690 A KR20240013690 A KR 20240013690A KR 1020230094436 A KR1020230094436 A KR 1020230094436A KR 20230094436 A KR20230094436 A KR 20230094436A KR 20240013690 A KR20240013690 A KR 20240013690A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- product
- data
- processor
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000004044 response Effects 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000004891 communication Methods 0.000 claims abstract description 33
- 230000015654 memory Effects 0.000 claims description 23
- 239000000047 product Substances 0.000 description 576
- 230000006870 function Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 22
- 238000005406 washing Methods 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000009469 supplementation Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
-
- 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
Abstract
전자 장치에 있어서, 전자 장치는, 통신부 및 상기 빅데이터를 처리하는 프로세서를 포함하되, 상기 프로세서는, 판매자 단말로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 상기 빅데이터를 업데이트하고, 사용자 단말로부터 사용자 정보를 수신한 것에 응답하여, 상기 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성할 수 있다.In the electronic device, the electronic device includes a communication unit and a processor that processes the big data, wherein the processor, in response to receiving quotation information and buyer information corresponding to the quotation information from a seller terminal, collects the big data may be updated, and in response to receiving user information from the user terminal, recommendation list information may be generated based on processing the big data and the user information.
Description
개시된 발명은, 추천 정보 리스트 생성 전자 장치 및 그 방법에 관한 것으로서, 보다 구체적으로, 가전 정보에 관한 빅데이터 누적을 통해 추천 정보 리스트를 생성하는 전자 장치 및 그 방법에 관한 것이다.The disclosed invention relates to an electronic device and method for generating a recommendation information list, and more specifically, to an electronic device and method for generating a recommendation information list through accumulation of big data regarding home appliance information.
최근 인터넷 이용자가 급속히 늘어나면서 다양한 종류의 제품 판매 사이트를 통해 제공되는 쇼핑몰 제품을 비롯해 각종 행사 및 홍보에 관한 온라인 제품이 주를 이루고 있으며 이에 따른, 온라인 쇼핑몰을 통한 구매가 활발해지고 있다. Recently, as the number of Internet users has rapidly increased, online products related to various events and promotions, including shopping mall products provided through various types of product sales sites, have become the mainstay, and as a result, purchases through online shopping malls are becoming more active.
즉, 유통채널이 '기업-소비자'로 단축되고, 거래지역 및 거래시간에 제한을 받지 않으며, 판매거점이 가상공간으로 옮겨짐으로써 판매 공간이 없이도 정상적인 상거래가 가능해졌다. 이러한 전자상거래를 위하여 인터넷이나 PC 통신망을 통해 대단위의 쇼핑몰이 성행하고 있다. In other words, the distribution channel was shortened to 'business-consumer', there were no restrictions on transaction area and transaction time, and the sales base was moved to a virtual space, making normal commerce possible without a sales space. For such e-commerce, large-scale shopping malls are thriving through the Internet or PC communication networks.
다만, 가전 제품과 같은 다품목 시장의 경우, 다양한 종류의 세트구매가 중심적으로 이루어지는 오프라인 중심 시장이며, 최종 판매자가 가격을 결정하는 구조로 인하여, 소비자는 정보수급의 제한으로 인한 효율적 소비의 한계를 직면하고 있다. 이에 따라서, 제품 종류, 가격, 기본 제품 정보, 상세 제품 정보 등에 대한 데이터의 누적은 매우 중요하다.However, in the case of multi-item markets such as home appliances, it is an offline market where various types of set purchases are made, and due to the structure in which the final seller determines the price, consumers face limitations in efficient consumption due to limitations in information supply and demand. are facing Accordingly, accumulation of data on product type, price, basic product information, detailed product information, etc. is very important.
그러나, 이러한 특정된 제품 및 이에 따른 제품에 관한 데이터는 수작업으로 일일이 구분하여 입력하거나, 수작업에 의한 검색 결과를 파싱(parsing)하여 정보를 분류하는 방법으로 이루어지고 있다. 즉, 종래 제품 데이터 등을 관리하는 방식은 사람이 수작업으로 분리 입력한 후, 복수의 사이트를 직접 방문 및 검색하여 식별자를 매칭하는 것으로 비효율적이며, 작업을 처리하는 데 많은 비용과 시간이 소요될 뿐만 아니라, 수작업 입력에 의한 실수의 개연성은 언제나 상존한다는 문제점이 있다.However, these specific products and the data related to them are manually entered separately or by manually parsing search results to classify the information. In other words, the conventional method of managing product data, etc. is that people manually input it separately and then manually visit and search multiple sites to match identifiers. This is inefficient, and not only does it cost a lot of money and time to process the work. , there is a problem that the possibility of mistakes due to manual input is always present.
또한, 가전 제품의 특성상 동일한 형상 및 제품명을 갖고 있는 경우라도, 기능이 다른 버전이 존재하게 된다. 이러한 기능에 대한 정보를 비교하기 위해서 소비자들은 일일이 각각의 기능들의 유무 및 차이에 대하여 판단할 필요가 생기며, 기능 차이 및 상기 기능 차이로부터 발생하는 가격차이를 알아보기 위해서는 직접적 알아봐야 하는 소모적인 문제점이 있다.Additionally, due to the nature of home appliances, even if they have the same shape and product name, there are versions with different functions. In order to compare information about these functions, consumers need to judge the presence or absence and difference of each function one by one, and there is a wasteful problem of having to directly find out the difference in function and the price difference arising from the difference in function. .
또한, 다양한 종류의 세트구매가 중심적으로 이루어지는 가전 제품 시장에서, 어떤 종류의 가전 제품을 구매하는 것이 적합한지에 대한 경험이 다소 부족한 사용자들이 존재하므로, 이러한 사용자들을 위한 가전 제품들의 추천 시스템의 개발이 요구되는 상황이다.In addition, in the home appliance market where various types of set purchases are centered, there are users who lack experience in knowing what type of home appliances are appropriate to purchase, so the development of a recommendation system for home appliances for these users is required. It's a situation.
개시된 발명의 일 측면은 가전 정보 제공 전자 장치 및 그 방법을 제공하고자 한다.One aspect of the disclosed invention seeks to provide an electronic device and method for providing home appliance information.
또한, 개시된 발명의 일 측면은, 제품 판매사에 개시된 제품에 관한 정보를 식별하고, 메타데이터를 추출하여 빅데이터를 생성함으로써, 가전 정보를 제공하는 전자 장치 및 그 방법을 제공하고자 한다.Additionally, one aspect of the disclosed invention seeks to provide an electronic device and method for providing home appliance information by identifying information about a product disclosed to a product seller, extracting metadata, and generating big data.
개시된 발명의 일 측면에 따른 빅데이터 생성 전자 장치에 있어서, 상기 전자 장치는 메모리, 외부 서버와 데이터를 송수신하는 통신부 및 상기 데이터를 처리하는 프로세서를 포함하되, 상기 프로세서는, 상기 외부 서버로부터 수신된 데이터를 처리한 것에 기초하여, 제품 정보를 식별하고, 상기 식별된 제품 정보에 포함된 제품 종류에 따라 적어도 하나의 제품 그룹 정보를 생성하고, 상기 제품 그룹 정보를 기초로 빅데이터를 생성할 수 있다.In the electronic device for generating big data according to one aspect of the disclosed invention, the electronic device includes a memory, a communication unit for transmitting and receiving data to and from an external server, and a processor for processing the data, wherein the processor includes information received from the external server. Based on processing the data, product information can be identified, at least one product group information can be generated according to the product type included in the identified product information, and big data can be generated based on the product group information. .
또한, 상기 제품 정보를 식별하는 것은, 상기 외부 서버로부터 수신된 데이터를 처리한 것에 기초하여, 고유제품번호, 제품 종류, 가격, 기본 제품 정보 및 상세 제품 정보를 식별할 수 있다.Additionally, identifying the product information can identify a unique product number, product type, price, basic product information, and detailed product information based on processing data received from the external server.
또한, 상기 제품 정보를 식별하는 것은, 이미지 또는 텍스트 중 적어도 하나를 기초로 제품 정보를 식별하도록 학습된 제품 정보 식별 모델을 기초로 제품 정보를 식별할 수 있다.Additionally, identifying the product information may identify the product information based on a product information identification model learned to identify product information based on at least one of an image or text.
또한, 상기 프로세서는, 상기 제품 정보를 식별한 것에 응답하여, 상기 제품 정보 중 미식별 데이터 항목의 존재 여부를 판단하고, 상기 미식별 데이터 항목이 존재하는 것에 응답하여, 데이터 보충 프로세스를 구동할 수 있다.Additionally, the processor may, in response to identifying the product information, determine whether an unidentified data item is present in the product information and, in response to the presence of the identified data item, drive a data replenishment process. there is.
또한, 상기 데이터 보충 프로세스는, 상기 식별된 제품 정보 및 상기 미식별 데이터 항목을 외부 서버로 송신하는 단계 및Additionally, the data replenishment process may include transmitting the identified product information and the de-identified data item to an external server, and
상기 외부 서버로부터 상기 미식별 데이터 항목에 대응되는 미식별 데이터를 수신하는 단계를 포함할 수 있다.It may include receiving unidentified data corresponding to the unidentified data item from the external server.
또한, 상기 외부 서버는, 상기 식별된 제품 정보 및 상기 미식별 데이터 항목을 입력으로 상기 미식별 데이터를 출력하도록 학습된 정보 보충 모델을 실행할 수 있다.Additionally, the external server may execute a learned information supplementation model to output the identified data by taking the identified product information and the identified data item as input.
또한, 상기 프로세서는, 상기 수신된 미식별 데이터를 기초로 상기 빅데이터를 업데이트할 수 있다.Additionally, the processor may update the big data based on the received unidentified data.
또한, 상기 외부 서버는, 제품 판매자가 운영하는 제1 서버, 키워드에 관한 메타데이터를 출력하는 제2 서버 및 미식별 데이터를 출력하도록 학습된 정보 보충 모델을 실행하는 제3 서버를 포함할 수 있다.Additionally, the external server may include a first server operated by a product seller, a second server that outputs metadata about keywords, and a third server that executes an information supplementation model learned to output unidentified data. .
또한, 상기 데이터 보충 프로세스는, 상기 제품 정보를 상기 제2 서버로 송신하는 단계, 상기 제2 서버로부터 키워드에 관한 메타데이터를 획득하는 단계, 상기 메타데이터 및 상기 미식별 데이터 항목을 상기 제3 서버로 송신하는 단계 및 상기 제3 서버로부터 상기 미식별 데이터 항목에 대응되는 미식별 데이터를 수신하는 단계를 포함할 수 있다.Additionally, the data replenishment process may include sending the product information to the second server, obtaining metadata about a keyword from the second server, and transmitting the metadata and the identifying data item to the third server. It may include transmitting to and receiving unidentified data corresponding to the unidentified data item from the third server.
또한, 상기 프로세서는, 상기 미식별 데이터가 수신된 것에 응답하여, 상기 미식별 데이터를 관리자 단말로 송신하도록 상기 통신부를 제어하고, 상기 관리자 단말로부터 승인 메시지를 수신한 것에 응답하여, 상기 수신된 미식별 데이터를 기초로 상기 빅데이터를 업데이트할 수 있다.Additionally, in response to receiving the identification data, the processor controls the communication unit to transmit the identification data to an administrator terminal, and in response to receiving an approval message from the administrator terminal, the processor controls the communication unit to transmit the identification data to the administrator terminal. The big data can be updated based on identification data.
또한, 상기 프로세서는, 상기 제품 정보를 식별한 것에 응답하여, 상기 제품 정보에 대응하는 가격이 상기 빅데이터에 저장된 상기 제품 정보에 대응하는 가격보다 작은 것에 응답하여, 상기 제품 정보에 대응하는 제품의 최저가 정보를 식별하여 상기 빅데이터를 업데이트할 수 있다.In addition, the processor, in response to identifying the product information, in response to the price corresponding to the product information being less than the price corresponding to the product information stored in the big data, selects the product corresponding to the product information. The big data can be updated by identifying the lowest price information.
또한, 상기 프로세서는, 상기 사용자 단말로부터 견적서 정보를 수신한 것에 응답하여, 상기 견적서 정보에 포함된 적어도 하나의 고유제품번호 및 상기 빅데이터를 처리하여 최저가 견적 정보를 생성할 수 있다.Additionally, in response to receiving quotation information from the user terminal, the processor may process at least one unique product number and the big data included in the quotation information to generate lowest price quotation information.
또한, 상기 프로세서는, 상기 견적서 정보 및 상기 최저가 견적 정보를 처리한 것에 기초하여, 상기 사용자 단말로 상기 견적서 정보의 비정상 가격 여부를 포함하는 알림 메시지를 송신하도록 상기 통신부를 제어할 수 있다.Additionally, the processor may control the communication unit to transmit a notification message including whether the quotation information is at an abnormal price to the user terminal based on processing the quotation information and the lowest price quotation information.
또한, 상기 프로세서는, 판매자 단말로부터 판매 정보를 수신한 것에 응답하여, 상기 판매 정보에 포함된 적어도 하나의 고유제품번호 및 상기 빅데이터를 처리하여, 상기 판매자 단말에 대응하는 고유제품번호 별 가격 정보를 생성할 수 있다. Additionally, in response to receiving sales information from a seller terminal, the processor processes at least one unique product number included in the sales information and the big data to generate price information for each unique product number corresponding to the seller terminal. can be created.
또한, 상기 프로세서는, 상기 제품 정보를 식별한 것에 응답하여, 상기 제품 정보에 대응하는 고유식별번호의 가격을 누적하여 상기 고유식별번호에 대응되는 평균 가격을 식별하고, 상기 식별된 평균 가격 및 상기 식별된 제품 정보에 대응되는 가격 차이가 미리 정해진 값보다 큰 것에 응답하여, 관리자 단말로 알림 메시지를 송신할 수 있다.In addition, in response to identifying the product information, the processor accumulates prices of unique identification numbers corresponding to the product information to identify an average price corresponding to the unique identification number, and identifies the identified average price and the In response to the fact that the price difference corresponding to the identified product information is greater than a predetermined value, a notification message may be transmitted to the manager terminal.
개시된 발명의 일 측면에 따른 빅데이터 생성 방법에 있어서, 외부 서버로부터 데이터를 수신하는 단계, 상기 수신된 데이터를 처리한 것에 기초하여, 제품 정보를 식별하는 단계, 상기 식별된 제품 정보에 포함된 제품 종류에 따라 적어도 하나의 제품 그룹 정보를 생성하는 단계 및 상기 제품 그룹 정보를 기초로 빅데이터를 생성하는 단계를 포함할 수 있다.In the big data generation method according to one aspect of the disclosed invention, receiving data from an external server, identifying product information based on processing the received data, and products included in the identified product information. It may include generating at least one product group information depending on the type and generating big data based on the product group information.
개시된 발명의 일 측면에 따른 전자 장치의 요청에 따라 데이터를 송신하는 외부 서버 및 상기 외부 서버로부터 데이터를 수신하고 처리하여 빅데이터를 생성하는 전자 장치를 포함하는 빅데이터 생성 시스템에 있어서, 상기 전자 장치는, 상기 외부 서버로부터 수신된 데이터를 처리한 것에 기초하여, 제품 정보를 식별하고, 상기 식별된 제품 정보에 포함된 제품 종류에 따라 적어도 하나의 제품 그룹 정보를 생성하고, 상기 제품 그룹 정보를 기초로 빅데이터를 생성할 수 있다.A big data generation system comprising an external server that transmits data according to a request from an electronic device according to an aspect of the disclosed invention, and an electronic device that receives and processes data from the external server to generate big data, the electronic device identifies product information based on processing data received from the external server, generates at least one product group information according to the product type included in the identified product information, and based on the product group information Big data can be created.
개시된 발명의 일 측면에 따른 비교 정보 생성 전자 장치에 있어서, 전자 장치는, 메모리, 통신부 및 데이터를 처리하는 프로세서를 포함하되, 상기 프로세서는, 사용자 단말로부터 고유제품번호를 포함하는 제1 입력을 수신한 것에 응답하여, 빅데이터를 처리하고, 상기 빅데이터를 처리한 것에 기초하여, 상기 제1 입력에 대응되는 제품 종류에 관한 제품 그룹 정보를 식별하고, 상기 식별된 제품 그룹 정보에 포함된 적어도 하나의 제품과 상기 제1 입력에 대응되는 제품 간의 유사도를 결정하고, 상기 제1 입력에 대응되는 제1 제품과 상기 결정된 유사도가 가장 높은 제품 간의 비교 정보를 생성할 수 있다.In the electronic device for generating comparison information according to one aspect of the disclosed invention, the electronic device includes a memory, a communication unit, and a processor for processing data, wherein the processor receives a first input including a unique product number from a user terminal. In response to processing the big data, and based on processing the big data, identify product group information regarding the product type corresponding to the first input, and at least one product group information included in the identified product group information. The similarity between the product and the product corresponding to the first input may be determined, and comparison information may be generated between the first product corresponding to the first input and the product with the highest determined similarity.
또한, 상기 유사도는,제품 간 가격 차이에 관한 제1 값, 기본 제품 정보 중 다른 정보의 개수에 관한 제2 값 또는 상세 제품 정보 중 다른 정보의 개수에 관한 제3 값 중 적어도 하나를 기초로 결정될 수 있다.In addition, the similarity may be determined based on at least one of a first value related to the price difference between products, a second value related to the number of different information among basic product information, or a third value related to the number of different information among detailed product information. You can.
또한, 상기 유사도는, 상기 제1 값, 상기 제2 값 및 상기 제3 값에 상이한 가중치를 부여하여 결정하되, 상기 상이한 가중치는, 상기 제3 값, 제2 값 및 제1 값의 순서로 크기가 작아지는 기설정된 가중치에 기초하여 결정될 수 있다.In addition, the similarity is determined by assigning different weights to the first value, the second value, and the third value, and the different weights are scaled in the order of the third value, the second value, and the first value. may be determined based on a preset weight that becomes smaller.
또한, 상기 프로세서는, 상기 사용자 단말로부터 상기 제1 입력과 상이한 고유제품번호를 포함하는 제2 입력을 수신한 것에 응답하여, 빅데이터를 처리하여 상기 제1 제품과 상기 제2 입력에 대응되는 제2 제품 간의 비교 정보를 생성할 수 있다.In addition, the processor, in response to receiving a second input including a unique product number different from the first input from the user terminal, processes big data to create a product corresponding to the first product and the second input. 2 Comparison information between products can be created.
또한, 상기 비교 정보는, 상기 제1 제품과 상기 제2 제품 간의 가격 차이, 기본 제품 정보 중 다른 정보 및 상세 제품 정보 중 다른 정보를 기초로 생성될 수 있다.Additionally, the comparison information may be generated based on a price difference between the first product and the second product, other information among basic product information, and other information among detailed product information.
또한, 상기 프로세서는 상기 제1 제품과 상기 제2 제품 간의 가격 차이, 기본 제품 중 다른 정보 및 상세 제품 정보 중 다른 정보를 입력으로 설명 문구를 출력하는 자연어 처리 모델을 기초로 상기 비교 정보를 생성할 수 있다.In addition, the processor generates the comparison information based on a natural language processing model that outputs a description phrase by inputting the price difference between the first product and the second product, other information among the basic products, and other information among the detailed product information. You can.
또한, 상기 프로세서는 상기 사용자 단말로부터 적어도 하나의 고유제품번호를 포함하는 위시 리스트 정보를 수신한 것에 응답하여, 판매자 단말로 상기 위시 리스트 정보를 송신하되, 상기 판매자 단말로부터 상기 위시 리스트 정보에 대응하는 견적서 정보를 수신한 것에 응답하여, 상기 사용자 단말로 상기 견적서 정보를 송신할 수 있다.In addition, the processor transmits the wish list information to the seller terminal in response to receiving wish list information including at least one unique product number from the user terminal, and sends a message corresponding to the wish list information from the seller terminal. In response to receiving the quotation information, the quotation information may be transmitted to the user terminal.
또한, 상기 프로세서는, 상기 위시 리스트 정보에 대응하는 적어도 하나의 고유제품번호 및 상기 견적서 정보에 대응하는 적어도 하나의 고유제품번호 간의 매칭 여부를 식별할 수 있다.Additionally, the processor may identify whether there is a match between at least one unique product number corresponding to the wish list information and at least one unique product number corresponding to the quotation information.
또한, 상기 매칭 여부를 식별하는 것은, 상기 위시 리스트 정보 및 상기 견적서 정보에 대응하는 제품 종류에 따라서, 상기 고유식별번호의 매칭 여부를 식별할 수 있다.In addition, identifying whether the unique identification number matches can be identified depending on the product type corresponding to the wish list information and the quotation information.
또한, 상기 프로세서는, 상기 위시 리스트 정보 및 상기 견적서 정보에 대응하는 제품 종류에 따라 상기 고유식별번호가 매칭되지 않는 것에 응답하여, 상기 매칭되지 않는 고유식별번호에 대응되는 비교 정보를 생성할 수 있다.In addition, the processor may respond to the fact that the unique identification number does not match according to the product type corresponding to the wish list information and the quotation information, and generate comparison information corresponding to the unmatched unique identification number. .
또한, 상기 비교 정보는 상기 제1 제품과 상기 제2 제품 간의 기본 제품 정보 또는 상세 제품 정보 중 적어도 하나에 관한 비교 리스트 정보를 포함할 수 있다.Additionally, the comparison information may include comparison list information regarding at least one of basic product information or detailed product information between the first product and the second product.
또한, 상기 프로세서는, 상기 결정된 유사도 및 상기 식별된 제품 그룹 정보를 처리한 것을 기초로, 유사도에 따른 리스트 정보를 상기 사용자 단말로 송신하고 상기 사용자 단말로부터 상기 유사도에 따른 리스트 정보 중 하나의 제품 관한 제2 입력을 수신한 것에 응답하여, 빅데이터를 처리하여 상기 제1 제품과 상기 제2 입력에 대응되는 제2 제품 간의 비교 정보를 생성할 수 있다.In addition, the processor transmits list information according to the similarity to the user terminal based on processing the determined similarity and the identified product group information, and receives from the user terminal a product related to one of the list information according to the similarity. In response to receiving the second input, big data may be processed to generate comparison information between the first product and the second product corresponding to the second input.
또한, 상기 프로세서는, 상기 사용자 단말로부터 적어도 하나의 고유제품번호를 포함하는 위시리스트 정보를 수신한 것에 응답하여, 상기 각각의 고유제품번호에 대응되는 제품과 유사도가 가장 높은 각각의 제품들 간의 비교 정보를 포함하는 비교 정보 리스트를 생성할 수 있다.In addition, in response to receiving wish list information including at least one unique product number from the user terminal, the processor performs a comparison between the products corresponding to each unique product number and the products with the highest degree of similarity. A comparison information list containing information can be created.
개시된 발명의 일 측면에 따른 비교 정보 생성 방법에 있어서, 사용자 단말로부터 고유제품번호를 포함하는 제1 입력이 수신된 것에 응답하여, 빅데이터를 처리하는 단계, 상기 빅데이터를 처리한 것에 기초하여, 상기 제1 입력에 대응되는 제품 종류에 관한 제품 그룹 정보를 식별하는 단계 상기 식별된 제품 그룹 정보에 포함된 적어도 하나의 제품과 상기 제1 입력에 대응되는 제품 간의 유사도를 결정하는 단계 및 상기 제1 입력에 대응되는 제1 제품과 상기 결정된 유사도가 가장 높은 제품 간의 비교 정보를 생성하는 단계를 포함할 수 있다.In a method for generating comparative information according to an aspect of the disclosed invention, in response to receiving a first input including a unique product number from a user terminal, processing big data, based on processing the big data, Identifying product group information regarding the product type corresponding to the first input; Determining a degree of similarity between at least one product included in the identified product group information and the product corresponding to the first input; and It may include generating comparison information between the first product corresponding to the input and the product with the determined highest similarity.
개시된 발명의 일 측면에 따른 전자 장치의 요청에 따라 데이터를 송신하는 외부 서버 및 상기 외부 서버로부터 데이터를 수신하고 처리하여 비교 정보를 생성하는 전자 장치를 포함하는 비교 정보 생성 시스템에 있어서, 상기 전자 장치는, 사용자 단말로부터 고유제품번호를 포함하는 제1 입력을 수신한 것에 응답하여, 빅데이터를 처리하고, 상기 빅데이터를 처리한 것에 기초하여, 상기 제1 입력에 대응되는 제품 종류에 관한 제품 그룹 정보를 식별하고, 상기 식별된 제품 그룹 정보에 포함된 적어도 하나의 제품과 상기 제1 입력에 대응되는 제품 간의 유사도를 결정하고, 상기 제1 입력에 대응되는 제1 제품과 상기 결정된 유사도가 가장 높은 제품 간의 비교 정보를 생성할 수 있다.A comparison information generating system comprising an external server that transmits data according to a request from an electronic device according to an aspect of the disclosed invention, and an electronic device that receives and processes data from the external server to generate comparison information, the electronic device Processes big data in response to receiving a first input including a unique product number from a user terminal, and based on processing the big data, a product group related to the product type corresponding to the first input. Identifying information, determining a degree of similarity between at least one product included in the identified product group information and a product corresponding to the first input, and determining the degree of similarity between the first product corresponding to the first input and the determined degree of similarity is the highest. Comparison information between products can be created.
개시된 발명의 일 측면에 따른 추천 리스트 정보를 생성하는 전자 장치에 있어서, 빅데이터를 저장하는 메모리, 통신부 및 상기 빅데이터를 처리하는 프로세서를 포함하되 상기 프로세서는, 판매자 단말로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 상기 빅데이터를 업데이트하고, 사용자 단말로부터 사용자 정보를 수신한 것에 응답하여, 상기 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성할 수 있다.An electronic device for generating recommendation list information according to an aspect of the disclosed invention includes a memory for storing big data, a communication unit, and a processor for processing the big data, wherein the processor receives quotation information and the quotation information from a seller terminal. In response to receiving buyer information corresponding to, update the big data, and in response to receiving user information from a user terminal, generate recommendation list information based on processing the big data and the user information. You can.
또한, 상기 빅데이터를 업데이트하는 것은, 상기 견적서 정보를 처리한 것에 기초하여, 상기 견적서 정보에 포함된 적어도 하나의 고유제품번호를 식별하고, 상기 식별된 고유제품번호 각각에 상기 구매자 정보를 업데이트할 수 있다.In addition, updating the big data includes, based on processing the quotation information, identifying at least one unique product number included in the quotation information, and updating the buyer information for each of the identified unique product numbers. You can.
또한, 상기 추천 리스트 정보를 생성하는 것은, 상기 사용자 정보를 입력으로 상기 사용자 정보에 대응되는 추천 리스트 정보를 출력하도록 학습된 추천 모델을 기초로 생성될 수 있다.Additionally, the recommendation list information may be generated based on a recommendation model learned to input the user information and output recommendation list information corresponding to the user information.
또한, 상기 추천 모델은, 상기 견적서 정보에 포함된 적어도 하나의 고유제품번호 및 상기 고유제품번호에 대응되는 상기 구매자 정보를 입력으로 학습될 수 있다.Additionally, the recommendation model may be learned by inputting at least one unique product number included in the quotation information and the buyer information corresponding to the unique product number.
또한, 상기 프로세서는, 상기 사용자 단말로부터 상기 사용자 정보를 수신한 것에 응답하여, 상기 사용자 정보의 널값 존재 여부를 판단하되, 상기 널값이 존재하는 것에 응답하여, 상기 널값에 대한 대체값을 산출할 수 있다.In addition, the processor may, in response to receiving the user information from the user terminal, determine whether a null value exists in the user information, and calculate a replacement value for the null value in response to the presence of the null value. there is.
또한, 상기 추천 리스트 정보를 생성하는 것은, 상기 추천 모델에 상기 사용자 정보 및 상기 대체값을 입력하여, 상기 추천 리스트 정보를 생성할 수 있다.Additionally, the recommendation list information may be generated by inputting the user information and the replacement value into the recommendation model.
상기 대체값을 산출하는 것은, 상기 구매자 정보를 기초로, 상기 구매자 정보의 항목 간의 상관 관계를 분석하고, 상기 널값을 갖는 항목에 대한 상관 관계 영향도가 가장 높은 항목을 선택하고, 상기 선택된 항목에 기초하여, 제1 대체값을 산출할 수 있다.Calculating the replacement value includes analyzing the correlation between items of the buyer information based on the buyer information, selecting the item with the highest correlation influence with respect to the item having the null value, and adding to the selected item. Based on this, the first replacement value can be calculated.
또한, 상기 프로세서는 상기 널값을 갖는 항목에 대한 상관 관계 영향도가 두 번째로 높은 항목을 선택하고, 상기 선택된 항목에 기초하여, 제2 대체값을 산출할 수 있다.Additionally, the processor may select an item with the second highest correlation influence with respect to the item having the null value, and calculate a second replacement value based on the selected item.
또한, 상기 프로세서는, 상기 추천 모델에 상기 사용자 정보 및 상기 제1 대체값을 입력하여, 제1 추천 리스트 정보를 생성하고, 상기 추천 모델에 상기 사용자 정보 및 상기 제2 대체값을 입력하여, 제2 추천 리스트 정보를 생성할 수 있다.Additionally, the processor inputs the user information and the first replacement value into the recommendation model to generate first recommendation list information, and inputs the user information and the second replacement value into the recommendation model to create a first recommendation list. 2 Recommended list information can be created.
또한, 상기 프로세서는, 상기 제1 추천 리스트 정보, 상기 제2 추천 리스트 정보 및 빅데이터를 처리한 것에 기초하여, 상기 제1 추천 리스트 정보와 상기 제2 추천 리스트 정보에 포함된 적어도 하나의 동일한 제품 종류에 따른 비교 정보를 포함하는 비교 리스트 정보를 생성할 수 있다.In addition, the processor, based on processing the first recommendation list information, the second recommendation list information, and big data, selects at least one same product included in the first recommendation list information and the second recommendation list information. Comparison list information including comparison information according to type can be created.
또한, 상기 구매자 정보 또는 상기 사용자 정보는, 구매 이유 항목, 거주지 형태 항목, 거주 환경 항목, 선호 브랜드 항목, 구매 제품 종류 항목, 생활 습관 항목 및 가족 항목에 관한 데이터 중 적어도 하나를 포함할 수 있다.Additionally, the buyer information or the user information may include at least one of data on purchase reason items, residence type items, living environment items, preferred brand items, purchased product type items, lifestyle habits, and family items.
개시된 발명의 일 측면에 따른 추천 리스트 정보를 생성하는 방법에 있어서, 판매자 단말로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 빅데이터를 업데이트하는 단계 및 사용자 단말로부터 사용자 정보를 수신한 것에 응답하여, 상기 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성하는 단계를 포함할 수 있다.In the method of generating recommendation list information according to one aspect of the disclosed invention, in response to receiving quotation information and buyer information corresponding to the quotation information from a seller terminal, updating big data and user information from a user terminal. In response to receiving, it may include generating recommendation list information based on processing the big data and the user information.
개시된 발명의 일 측면에 따른 전자 장치의 요청에 따라 데이터를 송신하는 외부 서버 및 상기 외부 서버로부터 데이터를 수신하고 처리하여 추천 리스트 정보를 생성하는 전자 장치를 포함하는 추천 리스트 정보 생성 시스템에 있어서, 상기 전자 장치는, 판매자 단말로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 상기 빅데이터를 업데이트하고, 사용자 단말로부터 사용자 정보를 수신한 것에 응답하여, 상기 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성할 수 있다.In the recommendation list information generating system including an external server that transmits data according to a request from an electronic device according to an aspect of the disclosed invention, and an electronic device that receives and processes data from the external server to generate recommendation list information, The electronic device updates the big data in response to receiving quotation information and buyer information corresponding to the quotation information from a seller terminal, and in response to receiving user information from a user terminal, updates the big data and the user. Recommended list information can be created based on the information processed.
개시된 발명의 일 측면에 따르면, 가전 정보 제공 전자 장치 및 그 방법을 제공할 수 있다.According to one aspect of the disclosed invention, an electronic device and method for providing home appliance information can be provided.
또한, 개시된 발명의 일 측면에 따르면, 제품 판매사에 개시된 제품에 관한 정보를 식별하고, 메타데이터를 추출하여 빅데이터를 생성함으로써, 가전 정보를 제공하는 전자 장치 및 그 방법을 제공을 제공할 수 있다.In addition, according to one aspect of the disclosed invention, an electronic device and method for providing home appliance information can be provided by identifying information about a product disclosed to a product seller, extracting metadata, and generating big data. .
도 1은 일 실시예에 의한 가전 정보 제공 시스템의 전체 구성을 개략적으로 나타낸 도면이다.
도 2는 일 실시예에 의한 가전 정보 제공 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 의한 기본 제품 정보를 설명하기 위한 표이다..
도 4는 일 실시예에 의한 상세 제품 정보를 설명하기 위한 표이다.
도 5는 일 실시예에 의한 전자 장치가 제품 정보를 식별하는 것을 설명하기 위한 개념도이다.
도 6은 일 실시예에 의한 전자 장치의 유사도에 따른 리스트 정보를 출력하는 것을 설명하기 위한 개념도이다.
도 7은 일 실시예에 의한 전자 장치가 생성하는 비교 정보를 설명하기 위한 개념도이다.
도 8은 일 실시예에 의한 전자 장치가 비교 정보를 생성하는 것을 설명하기 위한 개념도이다.
도 9는 일 실시예에 의한 전자 장치가 비교 정보를 생성하는 것을 설명하기 위한 개념도이다.
도 10은 일 실시예에 의한 전자 장치가 생성하는 비교 리스트 정보를 설명하기 위한 개념도이다.
도 11은 일 실시예에 의한 전자 장치가 사용자 정보를 수신하기 위하여 출력하는 UI를 설명하기 위한 개념도이다.
도 12는 일 실시예에 의한 전자 장치가 사용자 정보를 수신하기 위하여 출력하는 UI를 설명하기 위한 개념도이다.
도 13은 일 실시예에 의한 전자 장치가 사용자 정보를 수신하기 위하여 출력하는 UI를 설명하기 위한 개념도이다.
도 14는 일 실시예에 의한 전자 장치를 이용한 빅데이터 생성 방법을 설명하기 위한 순서도이다.
도 15는 일 실시예에 의한 전자 장치를 이용한 빅데이터 생산 방법을 설명하기 위한 순서도이다.
도 16는 일 실시예에 의한 전자 장치를 이용한 빅데이터 업데이트 방법을 설명하기 위한 순서도이다.
도 17는 일 실시예에 의한 전자 장치를 이용한 빅데이터 업데이트 방법을 설명하기 위한 순서도이다.
도 18는 일 실시예에 의한 전자 장치를 이용한 비교 정보 생성 방법을 설명하기 위한 순서도이다.
도 19는 일 실시예에 의한 전자 장치를 이용한 비교 정보 생성 방법을 설명하기 위한 순서도이다.
도 20는 일 실시예에 의한 전자 장치를 이용한 비교 정보 생성 방법을 설명하기 위한 순서도이다.
도 21는 일 실시예에 의한 전자 장치를 이용한 추천 모델 학습 방법을 설명하기 위한 순서도이다.
도 22는 일 실시예에 의한 전자 장치를 이용한 추천 리스트 정보 생성 방법을 설명하기 위한 순서도이다.Figure 1 is a diagram schematically showing the overall configuration of a home appliance information provision system according to an embodiment.
Figure 2 is a block diagram for explaining the configuration of a home appliance information providing system according to an embodiment.
Figure 3 is a table explaining basic product information according to one embodiment.
Figure 4 is a table explaining detailed product information according to an embodiment.
FIG. 5 is a conceptual diagram illustrating how an electronic device identifies product information according to an embodiment.
FIG. 6 is a conceptual diagram illustrating output of list information according to the similarity of electronic devices according to an embodiment.
FIG. 7 is a conceptual diagram illustrating comparison information generated by an electronic device according to an embodiment.
FIG. 8 is a conceptual diagram explaining how an electronic device generates comparison information according to an embodiment.
FIG. 9 is a conceptual diagram explaining how an electronic device generates comparison information according to an embodiment.
FIG. 10 is a conceptual diagram illustrating comparison list information generated by an electronic device according to an embodiment.
FIG. 11 is a conceptual diagram illustrating a UI output by an electronic device to receive user information, according to an embodiment.
FIG. 12 is a conceptual diagram illustrating a UI output by an electronic device to receive user information, according to an embodiment.
FIG. 13 is a conceptual diagram illustrating a UI output by an electronic device to receive user information, according to an embodiment.
Figure 14 is a flowchart explaining a method of generating big data using an electronic device according to an embodiment.
Figure 15 is a flowchart explaining a method of producing big data using an electronic device according to an embodiment.
Figure 16 is a flowchart explaining a big data update method using an electronic device according to an embodiment.
Figure 17 is a flow chart to explain a big data update method using an electronic device according to an embodiment.
Figure 18 is a flow chart to explain a method of generating comparison information using an electronic device according to an embodiment.
Figure 19 is a flow chart to explain a method of generating comparison information using an electronic device according to an embodiment.
Figure 20 is a flow chart to explain a method of generating comparison information using an electronic device according to an embodiment.
Figure 21 is a flowchart for explaining a method of learning a recommendation model using an electronic device according to an embodiment.
Figure 22 is a flow chart to explain a method of generating recommendation list information using an electronic device according to an embodiment.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 개시된 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.Like reference numerals refer to like elements throughout the specification. This specification does not describe all elements of the embodiments, and general content or overlapping content between the embodiments in the technical field to which the disclosed invention pertains is omitted. The term 'unit, module, member, block' used in the specification may be implemented as software or hardware, and depending on the embodiment, a plurality of 'unit, module, member, block' may be implemented as a single component, or It is also possible for one 'part, module, member, or block' to include multiple components.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.Throughout the specification, when a part is said to be “connected” to another part, this includes not only direct connection but also indirect connection, and indirect connection includes connection through a wireless communication network. do.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Additionally, when a part "includes" a certain component, this means that it may further include other components rather than excluding other components, unless specifically stated to the contrary.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.Throughout the specification, when a member is said to be located “on” another member, this includes not only cases where a member is in contact with another member, but also cases where another member exists between the two members.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다. Terms such as first and second are used to distinguish one component from another component, and the components are not limited by the above-mentioned terms.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.Singular expressions include plural expressions unless the context clearly makes an exception.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.The identification code for each step is used for convenience of explanation. The identification code does not explain the order of each step, and each step may be performed differently from the specified order unless a specific order is clearly stated in the context. there is.
이하 첨부된 도면들을 참고하여 개시된 발명의 작용 원리 및 실시예들에 대해 설명한다.Hereinafter, the operating principle and embodiments of the disclosed invention will be described with reference to the attached drawings.
최근 인터넷 이용자가 급속히 늘어나면서 다양한 종류의 제품 판매 사이트를 통해 제공되는 쇼핑몰 제품을 비롯해 각종 행사 및 홍보에 관한 온라인 제품이 주를 이루고 있으며 이에 따른, 온라인 쇼핑몰을 통한 구매가 활발해지고 있다. Recently, as the number of Internet users has rapidly increased, online products related to various events and promotions, including shopping mall products provided through various types of product sales sites, have become the mainstay, and as a result, purchases through online shopping malls are becoming more active.
즉, 유통채널이 '기업-소비자'로 단축되고, 거래지역 및 거래시간에 제한을 받지 않으며, 판매거점이 가상공간으로 옮겨짐으로써 판매 공간이 없이도 정상적인 상거래가 가능해졌다. 이러한 전자상거래를 위하여 인터넷이나 PC 통신망을 통해 대단위의 쇼핑몰이 성행하고 있다. In other words, the distribution channel was shortened to 'business-consumer', there were no restrictions on transaction area and transaction time, and the sales base was moved to a virtual space, making normal commerce possible without a sales space. For such e-commerce, large-scale shopping malls are thriving through the Internet or PC communication networks.
다만, 가전 제품과 같은 다품목 시장의 경우, 다양한 종류의 세트구매가 중심적으로 이루어지는 오프라인 중심 시장이며, 최종 판매자가 가격을 결정하는 구조로 인하여, 소비자는 정보수급의 제한으로 인한 효율적 소비의 한계를 직면하고 있다. 이에 따라서, 제품 종류, 가격, 기본 제품 정보, 상세 제품 정보 등에 대한 데이터의 누적은 매우 중요하다.However, in the case of multi-item markets such as home appliances, it is an offline market where various types of set purchases are made, and due to the structure in which the final seller determines the price, consumers face limitations in efficient consumption due to limitations in information supply and demand. are facing Accordingly, accumulation of data on product type, price, basic product information, detailed product information, etc. is very important.
그러나, 이러한 특정된 제품 및 이에 따른 제품에 관한 데이터는 수작업으로 일일이 구분하여 입력하거나, 수작업에 의한 검색 결과를 파싱(parsing)하여 정보를 분류하는 방법으로 이루어지고 있다. 즉, 종래 제품 데이터 등을 관리하는 방식은 사람이 수작업으로 분리 입력한 후, 복수의 사이트를 직접 방문 및 검색하여 식별자를 매칭하는 것으로 비효율적이며, 작업을 처리하는 데 많은 비용과 시간이 소요될 뿐만 아니라, 수작업 입력에 의한 실수의 개연성은 언제나 상존한다는 문제점이 있다.However, these specific products and the data related to them are manually entered separately or by manually parsing search results to classify the information. In other words, the conventional method of managing product data, etc. is that people manually input it separately and then manually visit and search multiple sites to match identifiers. This is inefficient, and not only does it cost a lot of money and time to process the work. , there is a problem that the possibility of mistakes due to manual input is always present.
또한, 가전 제품의 특성상 동일한 형상 및 제품명을 갖고 있는 경우라도, 기능이 다른 버전이 존재하게 된다. 이러한 기능에 대한 정보를 비교하기 위해서 소비자들은 일일이 각각의 기능들의 유무 및 차이에 대하여 판단할 필요가 생기며, 기능 차이 및 상기 기능 차이로부터 발생하는 가격차이를 알아보기 위해서는 직접적 알아봐야 하는 소모적인 문제점이 있다.Additionally, due to the nature of home appliances, even if they have the same shape and product name, there are versions with different functions. In order to compare information about these functions, consumers need to judge the presence or absence and difference of each function one by one, and there is a wasteful problem of having to directly find out the difference in function and the price difference arising from the difference in function. .
또한, 다양한 종류의 세트구매가 중심적으로 이루어지는 가전 제품 시장에서, 어떤 종류의 가전 제품을 구매하는 것이 적합한지에 대한 경험이 다소 부족한 사용자들이 존재하므로, 이러한 사용자들을 위한 가전 제품들의 추천 시스템의 개발이 요구되는 상황이다.In addition, in the home appliance market where various types of set purchases are centered, there are users who lack experience in knowing what type of home appliances are appropriate to purchase, so the development of a recommendation system for home appliances for these users is required. It's a situation.
본 발명은, 상술한 문제점을 해결할 수 있는 전자 장치 및 그 제어 방법을 제공하기 위한 것일 수 있다.The present invention may be intended to provide an electronic device and a control method thereof that can solve the above-described problems.
도 1은 본 개시의 일 실시예에 의한 가전 정보 제공 시스템(이하, '본 시스템'이라 함)의 전체 구성을 개략적으로 나타낸 도면이다.Figure 1 is a diagram schematically showing the overall configuration of a home appliance information providing system (hereinafter referred to as 'this system') according to an embodiment of the present disclosure.
도 1을 참조하면, 본 시스템(1000)은 가전 정보 제공 전자 장치(100)(이하, '본 장치'라 함), 서버(200), 사용자 단말(300), 판매자 단말(400) 및 관리자 단말(500)을 포함할 수 있다.Referring to Figure 1, this
본 개시의 일 실시예에 의한 본 시스템(1000)은, 서버(200)에 존재하는 데이터를 획득하고 처리할 수 있다. 즉, 본 시스템(1000)은 서버(200) 내에 계속적으로 및/또는 주기적으로 업데이트되는 데이터를 획득할 수 있도록, 서버(200)에 데이터를 요청하고 요청한 데이터를 획득하여 처리할 수 있다. The
이 경우, 본 시스템(1000)은 획득된 데이터를 처리한 것에 기초하여, 제품 정보를 식별할 수 있다. 여기에서 제품 정보는 예를 들어, 고유제품번호, 제품 종류, 제품의 가격, 기본 제품 정보 및 상세 제품 정보 등을 포함할 수 있다. 보다 상세하게, 고유제품번호는, 개별 하드웨어 또는 소프트웨어에 할당 된 고유하고 식별가능한 제품의 번호를 의미할 수 있다. 또한, 제품 종류는 제품을 구분하는 가장 큰 카테고리를 의미할 수 있다. 예를 들어, 제품 종류는, 세탁기, 건조기, 냉장고 등과 같은 제품 카테고리를 의미할 수 있으나, 이에 한정되는 것은 아니다.In this case, the
한편, 이하에서 자세히 서술하겠으나, 기본 제품 정보는, 가전 제품들이 공통적으로 가질 수 있는 정격 전압 등과 같은 적어도 하나의 항목에 관한 정보를 포함하는 정보일 수 있다. 즉, 기본 제품 정보는, 제품의 무게, 정격 전압 등을 포함하는 정보일 수 있다. 또한, 상세 제품 정보는, 제품의 종류(카테고리)에 따라 상기 종류의 특징에 따라 존재할 수 있는 적어도 하나의 항목에 관한 정보를 포함하는 정보일 수 있다. 예시적으로, 세탁기의 상세 제품 정보는 세탁 용량, 버블 유무 등을 포함할 수 있다. 즉, 상세 제품 정보는 제품적 특징에 따라 존재하는 항목에 관한 정보를 포함할 수 있다. Meanwhile, as will be described in detail below, basic product information may be information that includes information about at least one item that home appliances may have in common, such as a rated voltage. That is, basic product information may be information including the weight of the product, rated voltage, etc. Additionally, the detailed product information may be information that includes information about at least one item that may exist depending on the characteristics of the type (category) of the product. By way of example, the detailed product information of the washing machine may include washing capacity, presence of bubbles, etc. In other words, detailed product information may include information about items that exist according to product characteristics.
또한, 본 시스템(1000)은 서버(200)로부터 획득한 데이터를 처리하여 제품 정보를 식별한 것에 응답하여, 제품 정보를 기초로 데이터 보충 프로세스를 구동할 수 있다. 데이터 보충 프로세스는 예를 들어, 식별된 제품 정보 중 미식별된 데이터 즉, 널값이 존재하는 경우, 상기 미식별 데이터를 획득하는 프로세스일 수 있다. 다만, 데이터 보충 프로세스의 명명에 한정되는 것은 아니고 다른 실시예로, 데이터 보충 프로세스는, 제품 정보에 대응되는 메타데이터를 획득하는 프로세스일 수 있다.Additionally, in response to processing data obtained from
또한, 본 시스템(1000)은 식별한 제품 정보를 기초로 적어도 하나의 제품 그룹 정보를 생성하고, 상기 제품 그룹 정보를 기초로 빅데이터를 생성할 수 있다. 여기에서 제품 그룹 정보는 예를 들어, 식별된 제품 정보를 상기 제품 정보에 대응되는 제품 종류에 따라 구분하여 생성된 데이터일 수 있으며, 제품 종류의 개수에 따라 여러 개의 제품 그룹 정보가 생성될 수 있다.Additionally, the
또한, 본 시스템(1000)은, 사용자의 고유제품번호를 포함하는 제1 입력을 획득한 것에 응답하여, 상기 제1 입력에 대응하는 제1 제품과 유사도가 가장 높은 제품 간의 비교 정보를 생성할 수 있다.Additionally, in response to obtaining a first input including the user's unique product number, the
또한, 본 시스템(1000)은, 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신하고 저장하여, 구매자 정보에 따른 구매자의 구매 이력을 누적하여, 사용자 정보에 맞추어 제품 추천 리스트 정보를 생성할 수 있다.In addition, the
본 개시의 일 실시예에 의한 본 시스템(1000)의 본 장치(100), 서버(200), 사용자 단말(300), 판매자 단말(400) 및 관리자 단말(500)은 네트워크(1)로 연결될 수 있다. 여기서 네트워크(1)로 연결될 수 있다는 의미는 전기적으로, 또는 통신적으로 연결될 수 있는 것으로 이해할 수 있다.The
네트워크(1)의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크(3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크, 5G 또는 NR(New Radio) 네트워크, 또는 6G 네트워크 등), WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.An example of a
본 장치(100)는, 서버(200)로 데이터를 송신 및/또는 수신할 수 있다. 보다 상세하게, 본 장치(100)는 서버(200)로 데이터 송신을 요청하는 요청 메시지를 송신하고, 상기 서버(200)로부터 요청 메시지에 대응되는 데이터를 수신할 수 있다. 이에 본 장치(100)는 수신된 데이터를 처리한 것에 기초하여, 제품 정보를 식별할 수 있다.The
한편, 본 장치(100)가 서버(200)로 요청하는 데이터는 예를 들어, 웹 페이지 데이터 및/또는 이미지 데이터 및/또는 텍스트 데이터 등을 포함할 수 있다. 다른 실시예로, 데이터는 예를 들어, 특정 키워드에 대응되는 검색 결과를 포함하는 메타 데이터 및/또는 인공지능 모델의 출력 데이터일 수 있다. 다만, 이에 한정되는 것은 아니다.Meanwhile, the data that the
본 개시의 일 실시예에 의한 서버(200)는, 각종 데이터를 처리하고 저장하며, 처리한 데이터를 송신 및/또는 수신할 수 있다. 보다 구체적으로, 서버(200)는 네트워크(1)로 본 장치(100), 사용자 단말(300), 판매자 단말(400) 및 관리자 단말(500)과 상호간 연결될 수 있다. 이에 따라서, 서버(2000)는 상호간 데이터를 연동하기 위한 데이터를 상기 네트워크(1)를 기초로 송신 및/또는 수신할 수 있다. 서버(200)는 예시적으로, 플랫폼(Platform) 및/또는 웹페이지 클라우드 서버 등 일 수 있으나, 이에 한정되는 것은 아니다.The
서버(200)는 예를 들어, 데이터베이스와 일체로 구성될 수 있으며 본 장치(100)의 요청에 따라 요청에 대응되는 데이터를 검색하고, 검색된 정보에 기초하여 요청된 특정 정보를 생성하고, 생성된 특정 정보를 본 장치(100) 에 다시 송신할 수 있다.For example, the
서버(200)는 단일 서버로 존재할 수 있으며, 복수의 서버로 구성될 수 있다. 예를 들어, 서버(200)는 제품 판매사가 운영하는 웹페이지 및/또는, 온라인 쇼핑몰 웹페이지 등을 실행하는 제1 서버(201), 키워드에 관한 메타데이터(예를 들어, 검색 결과)를 제공(출력)하는 제2 서버(202) 및 인공지능 모델을 실행하는 제3 서버(203) 등을 포함할 수 있다. 즉, 서버(200)는, 운영하는 주체에 따라 복수의 서버로 구성될 수 있다. 한편, 설명의 편의상 이하에서는 제1 서버(201)는 제품 판매사가 운영하는 웹페이지를 실행하는 서버로 설명하나, 이에 한정되는 것은 아니고, 온라인 쇼핑몰 웹페이지 등을 포함하는 제품을 판매하거나 제품의 판매를 중개하는 플랫폼을 실행하는 서버를 포함할 수 있다. 예시적으로, 제3 서버(203)는, GPT-3, BERT, Transformer-based chatbot 등과 같은 대화형 인공지능 모델을 실행하는 서버일 수 있다. The
한편, 서버(200)는 각종 데이터를 처리하는 적어도 하나의 프로세서를 포함할 수 있다. 보다 상세하게, 본 개시의 일 실시예에 의한 인공지능 모델을 실행하는 제3 서버(203)의 프로세서는, 특정 키워드에 관한 메타데이터(예를 들어, 검색 결과) 및 미식별 데이터 항목의 입력으로 제품 정보의 미식별 데이터 항목에 관한 미식별 데이터를 출력하도록 학습된 분류 모델을 실행할 수 있다.Meanwhile, the
본 개시의 일 실시예에 의한 사용자 단말(300), 판매자 단말(400) 및 관리자 단말(500)은, 예를 들어, PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(WCode Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC, 노트북, 웨어러블 디바이스, 디지털 사이니지(Digital Signage) 등과 같은 모든 종류의 입출력 가능한 유무선 통신 장치를 포함할 수 있으며, 이에 한정되는 것은 아니다.The
한편, 본 개시에서 사용자라는 용어는, 본 장치(100)를 이용하는 사용자 즉, 본 장치(100)를 통해 서비스를 받는 고객(예를 들어, 제품을 구매하거나 제품의 가격을 알아보고자 하는 소비자)를 의미하는 것으로서, 본 개시가 의도하는 맥락에 따라 바르게 해석되어야 한다. 한편, 본 개시에서 관리자라는 용어는, 본 장치(100)를 관리하거나, 사용하는 사용자(기관/사업체, 또는 이의 운영자나 직접 사용자를 지칭할 수 있음)를 의미하는 것으로 해석될 수 있다. 따라서, 본 개시에서의 사용자 단말(300)은, 고객의 단말기를 의미하는 것으로 해석될 수 있다.Meanwhile, in this disclosure, the term user refers to a user who uses the
도 2는 일 실시예에 의한 본 시스템(1000)의 구성을 설명하기 위한 블록도이다.Figure 2 is a block diagram for explaining the configuration of the
도 2를 참조하면, 본 개시의 일 실시예에 의한 본 장치(100)의 통신부(110)는, 서버(200)와 데이터를 송수신할 수 있다. 예를 들어, 통신부(110)는 제어부(120)의 요청에 따라 서버(200)로 데이터를 요청하는 요청 메시지를 송신할 수 있으며, 서버(200)로부터 수신되는 데이터를 수신할 수 있다.Referring to FIG. 2, the communication unit 110 of the
통신부(110)는 네트워크(1)를 통해 서버(200) 및/또는 사용자 단말(300) 및/또는 판매자 단말(400) 및/또는 관리자 단말(500)과 통신을 수행할 수 있으며, 기공지된 유형의 무선 통신 모듈로 구성될 수 있다.The communication unit 110 may communicate with the
제어부(120)는 프로세서(121) 및 메모리(122)를 포함할 수 있다.The control unit 120 may include a processor 121 and a memory 122.
프로세서(121)는, 제품 판매사가 운영하는 제1 서버(201)로 데이터를 요청하는 메시지를 송신하도록 통신부(110)를 제어하는 신호를 생성할 수 있다. 이 경우, 프로세서(121)는 제1 서버(201)로부터 수신된 데이터를 처리한 것에 기초하여, 제품 정보를 식별할 수 있다. 보다 상세하게, 제1 서버(201)로부터 수신된 데이터는 제품이 개시될 수 있는 웹페이지에 대한 이미지 데이터 및/또는 텍스트 데이터(이하 '웹페이지 데이터'라 함)를 포함할 수 있다.The processor 121 may generate a signal that controls the communication unit 110 to transmit a message requesting data to the first server 201 operated by the product seller. In this case, the processor 121 may identify product information based on processing data received from the first server 201. More specifically, the data received from the first server 201 may include image data and/or text data (hereinafter referred to as 'web page data') about a web page on which a product can be launched.
다른 실시예로, 프로세서(121)는 제1 서버(201)에 접속하여, 웹페이지를 탐색하고, 해당 페이지의 데이터를 추출하는 크롤링을 수행할 수 있다. 보다 구체적으로, 프로세서(121)는, 인터넷 환경에서 웹페이지를 탐색하기 위한 URL을 통해 접속하여, 상기 웹페이지의 내용을 다운로드 할 수 있다. 이를 위하여, 프로세서(121)는 제1 서버(201)에 HTTP 요청을 송신하고, 제1 서버(201)로부터 응답을 받아, HTML 형식의 웹페이지를 수신할 수 있다. 다만, 이에 한정되는 것은 아니다.In another embodiment, the processor 121 may connect to the first server 201, search a web page, and perform crawling to extract data from the page. More specifically, the processor 121 can access the web page through a URL for searching the web page in an Internet environment and download the contents of the web page. To this end, the processor 121 may transmit an HTTP request to the first server 201, receive a response from the first server 201, and receive a web page in HTML format. However, it is not limited to this.
이에 따라, 프로세서(121)는, 다운로드된 웹페이지에서 필요한 정보를 추출할 수 있으며, 이러한 추출은 다양한 방식이 사용될 수 있다. 즉, 이하에서 자세히 서술할 광고 정보 식별 모델을 통해 습득할 수 있으며, 파싱 기술을 이용하여, 웹페이지의 구조를 분석하여 제품 정보를 식별하는 것일 수 있다.Accordingly, the processor 121 can extract necessary information from the downloaded web page, and various methods can be used for such extraction. In other words, it can be acquired through an advertising information identification model, which will be described in detail below, and product information can be identified by analyzing the structure of the web page using parsing technology.
도 3 및 도 4는 각각 일 실시예에 의한 기본 제품 정보 및 상세 제품 정보를 설명하기 위한 표이다.Figures 3 and 4 are tables for explaining basic product information and detailed product information, respectively, according to one embodiment.
본 개시의 일 실시예에 의한 프로세서(121)는 웹페이지 데이터를 수신한 것에 응답하여, 상기 웹페이지 데이터를 처리하고, 처리된 결과에 기초하여, 제품 정보를 식별할 수 있다. 제품 정보는 예를 들어, 고유제품번호, 제품 종류, 가격, 기본 제품 정보(31) 및 상세 제품 정보(41) 등을 포함할 수 있다.The processor 121 according to an embodiment of the present disclosure may process the web page data in response to receiving the web page data, and identify product information based on the processed results. Product information may include, for example, a unique product number, product type, price, basic product information (31), and detailed product information (41).
보다 상세하게, 도 3을 참조하면, 프로세서(121)가 웹페이지 데이터를 처리한 것에 기초하여, 식별하는 기본 제품 정보는 예를 들어, 제품의 무게, 제품의 크기, 제품의 색상, 제품의 에너지 소비 효율, 제품의 전원, 제품의 제조국가, 제품의 출시 연도 등을 포함할 수 있다. 기본 제품 정보는 제품의 종류(카테고리, 예를 들어, 세탁기, 건조기, 에어컨 등)에 따라 널값(null)이 생기는 데이터가 아닌 데이터들의 항목을 의미할 수 있다. 즉, 기본 제품 정보는, 상기 기본 제품 정보에 포함된 데이터의 항목이 제품의 종류에 따라 달라지는 것이 아닐 수 있다.More specifically, referring to FIG. 3, the basic product information that the processor 121 identifies based on processing the web page data includes, for example, the weight of the product, the size of the product, the color of the product, and the energy of the product. This may include consumption efficiency, power of the product, country of manufacture of the product, year of release of the product, etc. Basic product information may refer to data items other than data that have null values depending on the type of product (category, for example, washing machine, dryer, air conditioner, etc.). That is, as for basic product information, data items included in the basic product information may not vary depending on the type of product.
한편, 도 4를 참조하면, 프로세서(121)는 웹페이지 데이터를 처리한 것에 기초하여, 식별하는 상세 제품 정보는 제품 종류에 따라 널값(null)이 생기는 데이터들의 항목 및 상기 항목에 대응되는 정보를 의미할 수 있다. 예시적으로, 도 4의 (a)를 참조하면, 제품 종류가 세탁기인 경우에 있어서, 상세 제품 정보는, 세탁 용량, 버블 기능 유무, 예약 기능 유무, 버블 불림 기능 유무, 라이트 기능 유무, 헹굼 횟수 조절 기능 유무, 탈수 세기 조절 기능 유무, 세탁물 추가 기능 유무, 버튼 잠금 기능 유무 등과 같은 정보를 포함할 수 있다. 즉, 상기 세탁기에 대한 상세 제품 항목인 세탁물 추가 기능 유무의 경우, 제품 종류가 에어컨인 경우, 상기 항목에 대한 널값이 생길 수 밖에 없으므로, 상기 항목은 세탁기에 대한 상세 제품 정보에 포함된 항목일 수 있다. Meanwhile, referring to FIG. 4, the detailed product information identified by the processor 121 based on processing the web page data includes items of data in which null values occur depending on the product type and information corresponding to the items. It can mean. For example, referring to (a) of FIG. 4, when the product type is a washing machine, detailed product information includes washing capacity, presence or absence of a bubble function, presence or absence of a reservation function, presence or absence of a bubble soaking function, presence or absence of a light function, and number of rinses. It may include information such as the presence or absence of an adjustment function, the presence or absence of the spin speed control function, the presence or absence of the laundry add function, the presence or absence of the button lock function, etc. That is, in the case of the presence or absence of additional laundry functions, which is a detailed product item for the washing machine, if the product type is an air conditioner, a null value for the item is inevitable, so the item may be an item included in the detailed product information for the washing machine. there is.
예시적으로, 도 4의 (b)를 참조하면, 제품 종류가 건조기인 경우에 있어서, 상세 제품 정보는, 건조 용량, 건조 방식, 공간 제습 기능 유무, 마이크로 안심필터 유무, 오토 오픈 도어 기능 유무, 라이트 기능 유무 등과 같은 항목의 정보들을 포함할 수 있다. 다만, 적어도 둘의 제품 종류에 대응되는 상세 제품 정보는 동일한 항목이 포함될 수 있다. 즉, 건조기와 세탁기는 서로 다른 제품 종류임에도 라이트 기능 유무와 같은 항목이 중복될 수 있으나, 예시적으로, 다른 제품 종류인 에어컨인 경우, 라이트 기능 유무와 같은 항목이 포함되지 않을 수 있으므로, 라이트 기능 유무에 대한 항목은 건조기 및/또는 세탁기의 상세 제품 정보의 항목일 수 있다.For example, referring to (b) of FIG. 4, when the product type is a dryer, detailed product information includes drying capacity, drying method, presence or absence of space dehumidification function, presence or absence of micro safety filter, presence or absence of auto-open door function, It may include information such as the presence or absence of a light function. However, detailed product information corresponding to at least two product types may include the same item. In other words, although dryers and washing machines are different product types, items such as the presence or absence of a light function may overlap. However, for example, in the case of an air conditioner, which is a different product type, items such as the presence or absence of a light function may not be included, so the light function may not be included. The item about presence or absence may be an item of detailed product information for the dryer and/or washing machine.
한편, 본 개시의 일 실시예에 의한 상세 제품 정보는 예를 들어, 필수적인 데이터 항목을 포함할 수 있다. 예시적으로, 제품 종류가 세탁기인 경우에 있어서, 상기 세탁기의 스마트 컨트롤 기능 유무와 같은 항목과 상이하게 세탁 용량에 관한 항목은 세탁기라는 제품 종류에 있어서, 중요한 데이터 항목일 수 있으므로 필수 상세 정보로 구분될 수 있다. 이하에서 자세히 서술 하겠으나, 상술한 필수 상세 정보의 항목은 예를 들어, 널값(null)으로 존재하는 경우 프로세서(121)는, 데이터 보충 프로세스를 구동할 수 있다.Meanwhile, detailed product information according to an embodiment of the present disclosure may include essential data items, for example. For example, in the case where the product type is a washing machine, unlike items such as the presence or absence of the smart control function of the washing machine, the items related to washing capacity may be important data items in the product type called washing machine, so they are classified as essential detailed information. It can be. As will be described in detail below, if the above-mentioned essential detailed information item exists as a null value, for example, the processor 121 may drive a data supplementation process.
도 5는 일 실시예에 의한 본 장치가 제품 정보를 식별하는 것을 설명하기 위한 개념도이다.Figure 5 is a conceptual diagram to explain how the device identifies product information according to an embodiment.
도 5를 참조하면, 프로세서(121)는 머신러닝을 위한 러닝 프로세서를 포함하여, 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서 학습된 인공신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.Referring to FIG. 5, the processor 121 includes a learning processor for machine learning and can train a model composed of an artificial neural network using training data. The artificial neural network learned here can be referred to as a learning model. A learning model can be used to infer a result value for new input data other than learning data, and the inferred value can be used as the basis for a decision to perform an operation.
보다 상세하게, 본 장치(100)의 프로세서(121)는 웹페이지에 대한 이미지 데이터 및/또는 텍스트 데이터를 포함하는 로우 데이터(여기에서 로우 데이터는 학습 데이터로 이해할 수 있음)을 기반으로 데이터를 분석 및 처리하여 머신 러닝 모델을 구축할 수 있다. 이에 대한 신뢰성을 확보하기 위해 기존의 웹페이지 데이터들을 로우 데이터로 활용하여 머신 러닝 모델을 구축할 수 있다. 이렇게 구축된 머신 러닝 모델은 예를 들어, 제품 정보 식별 모델이라고 명명될 수 있다. 다만, 이는 예시로서, 이에 한정되는 것은 아니다.More specifically, the processor 121 of the
제품 정보 식별 모델은, 웹페이지에 대한 이미지 데이터 및/또는 텍스트 데이터 및 이에 포함된 제품 정보를 입력으로 학습된 모델일 수 있다. 한편, 여기에서 웹페이지에 포함된 제품 정보는 예를 들어, 웹페이지 데이터에 포함된 제품에 대한 설명 위치의 텍스트에 대한 텍스트 마이닝을 통하여, 형태소 분석 및 데이터 전처리를 수행하여 나온 결과일 수 있다. 다른 실시예로, 제품 정보 식별 모델은 예를 들어, 웹페이지 데이터를 입력으로, 상기 웹페이지 데이터에 포함된 이미지 또는 텍스트 데이터를 추출하고, 상기 추출된 이미지 또는 텍스트 데이터를 재입력하여 제품 정보를 출력하도록 학습된 모델일 수 있다.The product information identification model may be a model learned by inputting image data and/or text data for a web page and product information included therein. Meanwhile, here, the product information included in the web page may be the result of performing morphological analysis and data preprocessing, for example, through text mining of the text at the description position for the product included in the web page data. In another embodiment, the product information identification model, for example, takes web page data as input, extracts image or text data included in the web page data, and re-enters the extracted image or text data to provide product information. It may be a model trained to output.
프로세서(121)는 획득한 데이터를 기초로 보다 효율적인 학습을 수행하기 위하여 웹페이지 데이터에 대한 전처리를 수행할 수 있다. 여기서 전처리는 관리자가 데이터를 기 결정된 카테고리 별로 분류하는 것일 수 있다. 보다 상세하게, 기 결정된 카테고리를 분류하는 것은 제품 브랜드 별로 분류하는 것일 수 있으며, 제품 종류 별로 분류하는 것일 수 있다. 이렇게 분류된 카테고리 별 웹페이지 데이터는 본 장치(100)의 신경망을 학습하는 데에 이용될 수 있다.The processor 121 may perform preprocessing on web page data to perform more efficient learning based on the acquired data. Here, preprocessing may involve the manager classifying data into predetermined categories. More specifically, classifying a predetermined category may mean classifying by product brand or product type. Web page data for each category classified in this way can be used to learn the neural network of the
예시적으로, 제품 브랜드 마다 제품이 게시되는 웹페이지의 위치 및/또는 크기가 상이하므로, 제품 정보를 보다 정확도 높게 식별하기 위하여 제품 브랜드 별로 분류하는 것은, 웹페이지 데이터 중 특정 제품 브랜드에 대한 웹페이지 데이터만으로 분류하는 것일 수 있다. 이 경우, 제품 정보 식별 모델은, 제품 브랜드의 종류에 따라 각각 학습될 수 있다. 다만, 이에 한정되는 것은 아니다.For example, since the location and/or size of the web page on which the product is posted is different for each product brand, classifying product information by product brand in order to identify product information with greater accuracy is to select the web page for a specific product brand among the web page data. It may be classification based on data alone. In this case, the product information identification model can be learned separately according to the type of product brand. However, it is not limited to this.
한편 본 장치(100)는 신경망 모델의 인코더 및 디코더를 이용할 수 있다. 본 장치(100)는 학습 데이터를 적어도 하나의 인코더로 입력하여 인코딩된 결과값으로서 적어도 하나의 벡터값을 획득할 수 있다. 인코더와 디코더는 신경망 모델의 일 종류로서, 각각은 DNN(Deep Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory models), BRDNN(Bidirectional Recurrent Deep Neural Network), CNN(Convolutional Neural Networks) 등으로 구성될 수 있으나, 이에 한정되지 않는다.Meanwhile, the
다른 실시예로, 본 장치(100)의 프로세서는 딥 러닝 (deep learning) 알고리즘을 통해 학습 모델을 학습시킬 수 있다. In another embodiment, the processor of the
딥 러닝 (deep learning) 알고리즘은 머신 러닝(Machine learning) 알고리즘의 하나로 인간의 신경망을 본딴 인공 신경망에서 발전된 모델링 기법을 의미한다. 인공 신경망은 다층 계층 구조로 구성될 수 있다.Deep learning algorithm is one of the machine learning algorithms and refers to a modeling technique developed from artificial neural networks modeled after human neural networks. Artificial neural networks can be composed of multi-layered hierarchical structures.
인공 신경망(Artifical Neural Network; ANN)은 입력 층, 출력 층, 그리고 상기 입력 층과 출력 층 사이에 적어도 하나 이상의 중간 층 (또는 은닉 층, Hidden layer)(예를 들어 커널(Kernel))을 포함하는 계층 구조로 구성될 수 있다. 딥러닝 알고리즘은, 이와 같은 다중 계층 구조에 기반하여, 층간 활성화 함수(Activation function)의 가중치를 최적화(Optimization)하는 학습을 통해 결과적으로 신뢰성 높은 결과를 도출할 수 있다.An artificial neural network (ANN) includes an input layer, an output layer, and at least one intermediate layer (or hidden layer) (e.g., a kernel) between the input layer and the output layer. It may be structured in a hierarchical structure. Deep learning algorithms can ultimately produce highly reliable results through learning to optimize the weights of the activation function between layers based on this multi-layer structure.
본 개시의 일 실시예에 의한 본 장치(100)의 프로세서에 적용 가능한 딥러닝 알고리즘은 예를 들어, 합성곱 신경망(Convolutional Neural Network; CNN)을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다. 실시예에 따라 다른 딥러닝 알고리즘이 적용될 수 있음을 이해할 수 있다.A deep learning algorithm applicable to the processor of the
합성곱 신경망(Convolutional Neural Network; CNN)은 기존의 데이터에서 지식을 추출하여 학습 과정이 수행되는 기법과 달리, 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조를 갖는 것을 특징으로 한다. 상기 합성곱 신경망(Convolutional Neural Network; CNN)은 콘볼루션(Convolution) 과정과 풀링(Pooling) 과정을 통해 수행될 수 있다. 다시 말해, 상기 합성곱 신경망(Convolutional Neural Network; CNN)은 콘볼루션 층과 풀링 층이 복합적으로 구성된 알고리즘을 포함할 수 있다. 여기서, 콘볼루션 층에서는 데이터의 특징을 추출하는 과정(에를 들어, 합성곱 과정(콘볼루션 과정))이 수행된다. 상기 콘볼루션 과정은 데이터에 각 성분의 인접 성분들을 조사해 특징을 파악하고 파악한 특징을 한장으로 도출하는 과정으로써, 하나의 압축 과정으로써 파라미터의 개수를 효과적으로 줄일 수 있다. 풀링 층에서는 콘볼루션 과정을 거친 레이어의 사이즈를 줄여주는 과정(예를 들어, 풀링 과정)이 수행된다. 상기 풀링 과정은 데이터의 사이즈를 줄이고 노이즈를 상쇄시키고 미세한 부분에서 일관적인 특징을 제공할 수 있다. 일 예로, 상기 합성곱 신경망(Convolutional Neural Network; CNN)은 정보 추출, 문장 분류, 얼굴 인식 등 여러 분야에 활용될 수 있다. 한편, 합성곱 신경망(Convolutional Neural Network; CNN)은 기 공지된 기술이므로, 자세한 설명은 이하 생략한다.Unlike techniques in which a learning process is performed by extracting knowledge from existing data, Convolutional Neural Network (CNN) is characterized by having a structure that extracts features of data and identifies patterns of features. The convolutional neural network (CNN) can be performed through a convolution process and a pooling process. In other words, the convolutional neural network (CNN) may include an algorithm composed of a complex convolutional layer and a pooling layer. Here, a process of extracting features of data (eg, a convolution process (convolution process)) is performed in the convolution layer. The convolution process is a process of identifying features by examining adjacent components of each component in the data and deriving the identified features into one piece. As a compression process, the number of parameters can be effectively reduced. In the pooling layer, a process (for example, a pooling process) is performed to reduce the size of the layer that has undergone the convolution process. The pooling process can reduce the size of data, cancel out noise, and provide consistent features in fine details. For example, the convolutional neural network (CNN) can be used in various fields such as information extraction, sentence classification, and face recognition. Meanwhile, since the Convolutional Neural Network (CNN) is a known technology, detailed description will be omitted below.
도 5을 참조하면, 프로세서(121)는, 학습된 제품 정보 식별 모델 및 웹페이지 데이터(51)를 기초로 기본 제품 정보(31), 상세 제품 정보(41), 고유제품번호 및 가격을 식별할 수 있다. 보다 상세하게, 프로세서(121)는 통신부(110)를 통해 획득한 웹페이지 데이터(51)를 제품 정보 식별 모델(52)에 입력하여, 제품 정보(31)를 식별할 수 있다. 제품 정보(31)는 예를 들어, 고유제품번호, 제품 종류, 가격, 기본 제품 정보(31) 및 상세 제품 정보(41)를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.Referring to FIG. 5, the processor 121 identifies
정리하면, 프로세서(121)는 이미지 또는 텍스트 중 적어도 하나를 기초로 제품 정보를 식별하도록 학습된 제품 정보 식별 모델(52)에 이미지 또는 텍스트 중 적어도 하나를 포함하는 웹페이지 데이터(51)를 입력하여, 제품 정보에 관한 정보를 식별할 수 있다.In summary, the processor 121 inputs web page data 51 including at least one of an image or text into the product information identification model 52, which is learned to identify product information based on at least one of an image or text. , information about product information can be identified.
한편, 본 개시의 일 실시예에 의한 프로세서(121)는 제품 정보를 식별한 것에 응답하여, 식별된 제품 정보에 포함된 제품 종류에 따라 적어도 하나의 제품 그룹 정보를 생성할 수 있다. 즉, 프로세서(121)는 웹페이지 데이터를 처리한 것에 기초하여, 식별된 제품 정보를 누적하고, 상기 제품 정보에 포함된 제품 종류에 따라서, 동일한 제품 종류에 따른 메타데이터의 형태로, 제품 종류의 수에 따라 제품 그룹 정보를 생성할 수 있다.Meanwhile, the processor 121 according to an embodiment of the present disclosure may generate at least one product group information according to the product type included in the identified product information in response to identifying product information. That is, the processor 121 accumulates identified product information based on processing web page data, and according to the product type included in the product information, in the form of metadata according to the same product type, the product type Product group information can be created depending on the number.
즉, 프로세서(121)는 적어도 하나의 제품 그룹 정보를 기초로 생성된 빅데이터는, 동일한 제품 종류에 따라, 고유제품번호, 가격, 기본 제품 정보 및 상세 제품 정보의 형태로 저장될 수 있다. 다만, 이에 한정되는 것은 아니다.That is, the processor 121 may store big data generated based on at least one product group information in the form of a unique product number, price, basic product information, and detailed product information according to the same product type. However, it is not limited to this.
한편, 프로세서(121)는 제품 정보를 식별한 것에 응답하여, 상기 제품 정보 중 미식별 데이터 항목의 존재 여부를 판단할 수 있다. 보다 상세하게, 프로세서(121)는 웹페이지 데이터를 광고 정보 식별 모델에 입력하여 출력된 제품 정보를 처리한 것에 기초하여, 제품 정보에 포함된, 고유제품번호, 제품 종류, 가격, 기본 제품 정보 및 상세 제품 정보 중 적어도 하나의 미식별 데이터 항목의 존재 여부를 판단할 수 있다.Meanwhile, in response to identifying product information, the processor 121 may determine whether an unidentified data item exists among the product information. In more detail, the processor 121 inputs web page data into an advertising information identification model and processes the output product information, including unique product number, product type, price, basic product information, and It is possible to determine whether at least one unidentified data item exists among detailed product information.
보다 상세하게, 프로세서(121)는 제품 정보에 포함된, 고유제품번호, 제품 종류, 가격, 기본 제품 정보 및 상세 제품 정보 중 필수 상세 제품 정보 중 확보되지 않은 데이터 항목을 미식별 데이터 항목으로 식별할 수 있다. 이 경우, 프로세서(121)는 미식별 데이터 항목이 존재하는 것에 응답하여, 데이터 보충 프로세스를 구동할 수 있다.More specifically, the processor 121 identifies data items that are not secured among required detailed product information among the unique product number, product type, price, basic product information, and detailed product information included in the product information as unidentified data items. You can. In this case, processor 121 may drive a data replenishment process in response to the presence of an unidentified data item.
프로세서(121)는 데이터 보충 프로세스를 통해 획득한 미식별 데이터 항목에 대응되는 미식별 데이터를 획득하고, 획득된 미식별데이터를 기초로 빅데이터를 업데이트할 수 있다. 즉, 프로세서(121)는 미식별 데이터 항목에 대하여 획득한 미식별 데이터를 업데이트하여, 미식별 데이터 항목에 대한 데이터를 저장할 수 있다.The processor 121 may obtain unidentified data corresponding to the unidentified data item obtained through the data supplementation process and update the big data based on the obtained unidentified data. That is, the processor 121 may update the identified data obtained for the unidentified data item and store the data for the unidentified data item.
한편, 보다 구체적으로, 본 개시의 일 실시예에 의한 프로세서(121)가 구동하는 데이터 보충 프로세스는, 식별된 제품 정보 및 상기 식별된 제품 정보에 대응되는 미식별 데이터 항목을 서버(200)로 송신하는 단계 및 상기 서버(200)로부터 상기 미식별 데이터 항목에 대응되는 미식별 데이터를 수신하는 단계를 포함할 수 있다.Meanwhile, more specifically, the data supplementation process driven by the processor 121 according to an embodiment of the present disclosure transmits identified product information and an unidentified data item corresponding to the identified product information to the
여기에서, 서버(200)는 예를 들어, 인공지능 모델을 실행하는 제3 서버(203)를 의미할 수 있다. 제3 서버(203)는 미식별 데이터 항목 및 상기 미식별 데이터 항목을 제외한 제품 정보를 입력으로 상기 미식별 데이터 항목에 대응되는 미식별 데이터를 출력하도록 학습된 정보 보충 모델 또는, 미식별 데이터 항목 및 메타데이터를 입력으로 상기 미식별 데이터 항목에 대응되는 미식별 데이터를 출력하도록 학습된 정보 보충 모델을 실행하는 서버일 수 있다.Here, the
다른 실시예로, 프로세서(121)는 식별된 제품 정보, 보다 구체적으로, 미식별 데이터 항목에 대한 데이터가 존재하지 않는 제품 정보를 키워드에 관한 메타 데이터(예를 들어, 검색 결과)를 제공하는 제2 서버(202)에 송신할 수 있다. 이 경우, 프로세서(121)는 제2 서버(202)로부터 상기 제품 정보에 대응되는 검색 결과에 관한 메타데이터를 수신(획득)할 수 있다.In another embodiment, processor 121 may provide identified product information, more specifically, product information for which no data exists for an unidentified data item, and metadata about keywords (e.g., search results). 2 Can be transmitted to the server 202. In this case, the processor 121 may receive (obtain) metadata about search results corresponding to the product information from the second server 202.
이 경우, 프로세서(121)는 획득한 메타데이터 및 광고 정보에 데이터가 존재하지 않는 미식별 데이터 항목을 제3 서버(203)로 송신할 수 있다. 이에 따라, 프로세서(121)는 제3 서버(203)로부터 상기 미식별 데이터 항목에 대응되는 미식별 데이터를 수신(획득)할 수 있다. In this case, the processor 121 may transmit an unidentified data item for which no data exists in the obtained metadata and advertisement information to the third server 203. Accordingly, the processor 121 may receive (obtain) unidentified data corresponding to the unidentified data item from the third server 203.
한편, 프로세서(121)는 제3 서버(203)로부터 미식별 데이터가 수신(획득)된 것에 응답하여, 상기 미식별 데이터를 관리자 단말(500)로 송신하도록 통신부(110)를 제어할 수 있다. 즉, 프로세서(121)는, 제3 서버(203)가 송신하는 미식별 데이터에 대한 검증을 위하여, 관리자 단말(500)로 상기 미식별 데이터를 송신하고, 상기 관리자 단말(500)로부터 상기 미식별 데이터에 대한 빅데이터에 대한 업데이트 승인 메시지를 수신한 것에 응답하여, 상기 미식별 데이터를 기초로 빅데이터를 업데이트할 수 있다. 다만, 이에 한정되는 것은 아니다.Meanwhile, the processor 121 may control the communication unit 110 to transmit the unidentified data to the
프로세서(121)는 미리 정해진 주기마다 서버(200)에 웹페이지 데이터를 요청하고, 상기 요청한 웹페이지 데이터를 처리한 것에 기초하여, 제품 정보를 식별할 수 있다. 이 경우, 프로세서(121)는 제품 정보가 식별된 것에 응답하여 데이터 보충 프로세스를 구동하여 빅데이터를 생성할 수 있다. 여기에서 미리 정해진 주기는 예를 들어, 1분에 30회 가량의 데이터 처리 주기를 의미할 수 있으나, 이에 한정되는 것은 아니다.The processor 121 may request web page data from the
본 개시의 일 실시예에 의한 프로세서(121)는, 제품 정보를 식별한 것에 응답하여, 상기 제품 정보에 포함된 가격이 빅데이터에 기저장된 제품 정보에 포함된 가격보다 작은 것에 응답하여, 상기 제품 정보에 대응하는 제품의 최저가 정보를 식별하여 상기 빅데이터를 업데이트할 수 있다.The processor 121 according to an embodiment of the present disclosure, in response to identifying product information, determines that the price included in the product information is smaller than the price included in product information previously stored in big data, and determines that the product The big data can be updated by identifying the lowest price information for the product corresponding to the information.
보다 구체적으로, 프로세서(121)는 미리 정해진 주기마다 서버(200)에 웹페이지 데이터를 요청하고, 상기 요청한 웹페이지 데이터를 처리한 것에 기초하여, 제품 정보를 식별할 수 있다. 이 경우, 프로세서(121)는 식별된 제품 정보에 포함된 고유제품번호와 빅데이터에 기저장된 제품정보의 고유제품번호가 동일하고, 상기 식별된 제품 정보의 가격이 상기 빅데이터에 기저장된 제품 정보의 가격보다 낮은 것에 응답하여, 상기 식별된 제품 정보의 가격으로 상기 빅데이터를 업데이트하여, 웹페이지상에서 고유제품번호에 대응되는 가격을 최저가로 업데이트하는 것일 수 있다.More specifically, the processor 121 may request web page data from the
한편, 프로세서(121)는 제품 정보를 식별한 것에 응답하여, 상기 제품 정보에 대응하는 고유식별번호 및 상기 고유식별번호에 대응되는 가격에 관한 정보를 누적하여 데이터를 저장할 수 있다. 이에 따라, 상기 고유식별번호에 대응되는 평균 가격을 식별할 수 있다. 이에 따라, 프로세서(121)는 고유식별번호에 대응되는 평균 가격 및 상기 식별된 제품 정보에 대응하는 가격 차이가 미리 정해진 값보다 큰 것에 응답하여, 관리자 단말(500)로 알림 메시지를 송신할 수 있다.Meanwhile, in response to identifying product information, the processor 121 may store data by accumulating a unique identification number corresponding to the product information and information about the price corresponding to the unique identification number. Accordingly, the average price corresponding to the unique identification number can be identified. Accordingly, the processor 121 may transmit a notification message to the
즉, 동일한 고유식별번호를 갖는 제품의 평균 가격과 최근에 식별된 제품 정보에 대응되는 가격의 차이가 미리 정해진 값보다 큰 것은, 상기 제품 정보를 식별한 웹페이지 데이터가 잘못 되어있는 경우 및/또는 광고 정보의 식별이 잘못 이루어진 가능성이 존재하므로, 이에 대한 알람을 관리자 단말에 제공하기 위함 일 수 있다. 다만, 이에 한정되는 것은 아니다. 한편, 여기에서 미리 정해진 값은, 경험적 또는 실험적으로, 오류의 발생가능성이 가장 높은 오차 및/또는 관리자가 설정한 값일 수 있다.In other words, the difference between the average price of products with the same unique identification number and the price corresponding to the recently identified product information is greater than a predetermined value when the web page data that identified the product information is incorrect and/or Since there is a possibility that advertising information has been incorrectly identified, this may be to provide an alarm about this to the administrator terminal. However, it is not limited to this. Meanwhile, the predetermined value here may be an error with the highest probability of occurrence of an error empirically or experimentally and/or a value set by an administrator.
이에 따라, 프로세서(121)는 관리자 단말(500)로부터 상기 알림 메시지에 대한 응답을 기초로, 상기 식별된 광고 정보에 대한 저장 또는 삭제를 수행할 수 있다.Accordingly, the processor 121 may store or delete the identified advertising information based on the response to the notification message from the
한편, 프로세서(121)는 판매자 단말(400)로부터 판매 정보를 수신할 수 있다. 여기에서 판매 정보는 실제로 판매한 적어도 하나의 고유제품번호 및 상기 고유제품번호에 대응되는 가격을 포함할 수 있다. 즉, 판매 정보는 예를 들어, 판매자가 구매자를 위해 생성한 견적서 정보 중 구매자가 구매한 정보를 의미할 수 있다.Meanwhile, the processor 121 may receive sales information from the
이 경우, 프로세서(121)는, 상기 판매 정보에 포함된 적어도 하나의 고유제품번호 및 빅데이터를 처리한 것을 기초로, 상기 판매자 단말(500)에 대응하는 고유제품번호 별 가격 정보를 생성할 수 있다. 즉, 프로세서(121)는 웹페이지 데이터를 처리한 것에 따라 획득하는 제품 정보 외의 실제로 판매자가 판매한 고유제품번호에 대응되는 가격을 획득하여 저장할 수 있다. 이에 따라서, 프로세서(121)는, 실제 오프라인 매장에서 판매되는 판매점(판매자 단말)에 따라 고유제품번호에 대응되는 가격에 관한 정보를 획득함으로써, 판매점 별 실제 이루어지는 할인 비율에 관한 정보를 획득하여 누적할 수 있다.In this case, the processor 121 may generate price information for each unique product number corresponding to the
한편, 본 개시의 일 실시예에 의한 프로세서(121)는 통신부(110)를 통해 사용자 단말(300)로부터 견적서 정보를 수신할 수 있다. 여기서 견적서 정보는 예를 들어, 가전 제품 목록들에 대응되는 가격 견적에 관한 정보를 포함할 수 있으며, 보다 구체적으로, 적어도 하나의 고유제품번호 및 상기 고유제품번호에 대응되는 가격에 관한 정보를 포함할 수 있다.Meanwhile, the processor 121 according to an embodiment of the present disclosure may receive quotation information from the
이 경우, 프로세서(121)는 사용자 단말(300)로부터 견적서 정보를 수신한 것에 응답하여, 상기 견적서 정보에 포함된 적어도 하나의 고유제품번호 및 빅데이터를 처리하여, 최저가 견적 정보를 생성할 수 있다. 메모리(122)에 저장된 빅데이터는 프로세서(121)에 의하여 미리 정해진 주기에 따라 가격이 최저가로 업데이트되므로, 프로세서(121)는 빅데이터에 포함된 고유제품번호에 대응되는 가격을 기초로 견적서 정보에 포함된 적어도 하나의 고유제품번호에 대응되는 최저가 견적 정보를 생성할 수 있다.In this case, the processor 121 may process at least one unique product number and big data included in the quotation information in response to receiving quotation information from the
본 개시의 일 실시예에 의한 프로세서(121)는 사용자 단말(300)로부터 수신된 견적서 정보 및 상기 견적서 정보 및 빅데이터를 처리한 것에 기초로 생성된 최저가 견적 정보를 처리한 것에 기초하여, 사용자 단말(300)로 알림 메시지를 송신하도록 통신부(110)를 제어할 수 있다. 여기에서 알림 메시지는, 예를 들어, 견적서 정보에 포함된 고유제품번호 및 상기 고유제품번호에 대응되는 가격이 비정상 가격인지 여부에 대한 정보를 포함하는 메시지일 수 있다.The processor 121 according to an embodiment of the present disclosure processes the quotation information received from the
보다 상세하게, 프로세서(121)는 상기 견적서 정보에 포함된 적어도 하나의 고유제품정보에 대응되는 가격들의 총 합과 최저가 견적 정보에 포함된 적어도 하나의 고유제품정보에 대응되는 가격들의 총합이 미리 정해진 값보다 큰 것에 응답하여, 상기 견적서 정보가 비정상적인 가격으로 판단할 수 있다. 즉, 프로세서(121)는 견적서 정보에 포함된 가격이 최저가 견적 정보에 포함된 가격 보다 미리 정해진 값보다 큰 경우, 상기 견적서 정보가 업계의 실체적인 최저 가격보다 높은 거품 가격인지 여부를 판단하는 것일 수 있다. More specifically, the processor 121 determines that the total sum of prices corresponding to at least one unique product information included in the quotation information and the sum of prices corresponding to at least one unique product information included in the lowest price quotation information are predetermined. In response to being greater than the value, the quotation information may be determined to be an abnormal price. In other words, if the price included in the quotation information is greater than a predetermined value than the price included in the lowest price quotation information, the processor 121 may determine whether the quotation information is a bubble price that is higher than the actual lowest price in the industry. there is.
다만, 이에 한정되는 것은 아니고, 다른 실시예로, 프로세서(121)는 견적서 정보에 포함된 가격이 최저가 견적 정보에 포함된 가격 보다 미리 정해진 값보다 작은 경우, 알림 메시지를 송신하도록 통신부(110)를 제어할 수 있다. 즉, 프로세서(121)는 최저가 가격 보다 적은 견적 정보의 가격이 식별되는 경우, 상기 견적서 정보가 업계의 실체적인 최저 가격보다 작은 특가 가격인지 여부를 판단하는 것일 수 있다. 여기에서 알림 메시지는, 예를 들어, 견적서 정보에 포함된 고유제품번호 및 상기 고유제품번호에 대응되는 가격이 특가인지 여부에 대한 정보를 포함하는 메시지일 수 있다However, it is not limited to this, and in another embodiment, the processor 121 configures the communication unit 110 to send a notification message when the price included in the quotation information is less than a predetermined value than the price included in the lowest price quotation information. You can control it. That is, when a price in the quotation information that is less than the lowest price is identified, the processor 121 may determine whether the quotation information is a special price that is less than the industry's actual minimum price. Here, the notification message may be, for example, a message that includes a unique product number included in the quotation information and information about whether the price corresponding to the unique product number is a special price.
본 개시의 일 실시예에 의한 프로세서(121)는 식별된 제품 정보에 대응하는 고유제품번호가 빅데이터에 저장되어 있지 않는 경우에 응답하여, 상기 고유제품번호에 대응되는 제품 정보가 저장될 메모리(122)의 사용 영역을 설정할 수 있다. 보다 상세하게, 프로세서(121)는, 메모리(122)의 상태를 체크하는 기능을 위하여 할당된 볼륨에 대하여 하나 또는 복수의 사용 영역을 설정할 수 있다.In response to the case where the unique product number corresponding to the identified product information is not stored in big data, the processor 121 according to an embodiment of the present disclosure provides a memory (memory) in which the product information corresponding to the unique product number is stored. 122) You can set the usage area. In more detail, the processor 121 may set one or more use areas for the allocated volume for the function of checking the status of the memory 122.
또한, 본 개시의 일 실시예에 의한 프로세서(121)는, 메모리(122)의 총 사용 영역과 미사용 영역의 볼륨 크기를 비교하여 진단 대상을 결정하고, 상기 결정된 진단 대상에 대하여 주기적인 진단을 실행할 수 있다.In addition, the processor 121 according to an embodiment of the present disclosure determines a diagnosis target by comparing the volume size of the total used area and the unused area of the memory 122, and performs periodic diagnosis on the determined diagnosis target. You can.
프로세서(121)는 예를 들어, 설정한 사용 영역을 포함하는 총 사용 영역과 미사용 영역을 비교하여, 총 사용 영역이 미사용 영역보다 큰 경우 영역 모두를 진단 대상으로 결정할 수 있으며, 설정한 사용 영역을 포함하는 총 사용 영역이 미사용 영역보다 작은 경우 사용 영역만을 진단 대상으로 결정할 수 있다. 다만, 이에 한정되는 것은 아니다.For example, the processor 121 may compare the total used area including the set used area with the unused area, and if the total used area is greater than the unused area, determine all areas to be diagnosed, and select the set used area. If the total used area included is smaller than the unused area, only the used area can be determined as the diagnosis target. However, it is not limited to this.
총 사용 영역이 미사용 영역보다 작은 경우는 예를 들어, 미사용 영역의 사이즈가 최소의 볼륨 사이즈보다 큰 경우 미사용 영역에 추가로 볼륨을 등록할(사용 설정할) 가능성이 높기 때문에 미리 미사용 영역에 데이터 체크를 해 두어 언제 미사용 영역에 볼륨이 설정(사용 영역 설정)되어도 장애 발생을 회피할 수 있도록 하는 것일 수 있다.If the total used area is smaller than the unused area, for example, if the size of the unused area is larger than the minimum volume size, there is a high possibility that additional volumes will be registered (set to use) in the unused area, so check data in the unused area in advance. This may be done so that failures can be avoided even if a volume is set in an unused area (set in a used area).
한편, 반대의 경우인 총 사용 영역이 미사용 영역보다 큰 경우에는 미사용 영역에 추가로 볼륨을 등록할 가능성이 반대의 경우 보다 낮기 때문에 신속한 데이터 체크 및 부하의 경감을 위하여 미사용 영역은 데이터 체크의 대상으로 하지 않고 사용 중인 볼륨의 영역만을 데이터 체크의 대상으로 하는 것일 수 있다. 한편, 본 개시의 일 실시예에 의한 프로세서(121) 예를 들어, 본 장치(100)의 관리자가 최소의 사용 영역 볼륨을 설정하여, 상기 최소의 사용 영역 볼륨과 미사용 영역을 비교하여 진단 대상을 결정하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.On the other hand, in the opposite case, if the total used area is larger than the unused area, the possibility of registering additional volumes in the unused area is lower than in the opposite case, so for quick data check and load reduction, the unused area is subject to data check. Instead, only the area of the volume in use may be subject to data check. Meanwhile, in the processor 121 according to an embodiment of the present disclosure, for example, the administrator of the
즉, 본 개시의 일 실시예에 따른 프로세서(121)는 주기적으로 데이터 체크의 대상 영역을 결정하고 그 결정한 대상 영역에 대하여 주기적으로 데이터 체크를 할 수 있다. 주기적으로 데이터 체크를 함으로써, 미사용 영역이 사용되는 경우 메모리(122) 고장 발생을 경감시키는 것일 수 있다.That is, the processor 121 according to an embodiment of the present disclosure may periodically determine a target area for data check and periodically check data on the determined target area. By periodically checking data, the occurrence of a failure of the memory 122 when an unused area is used may be reduced.
도 6은 일 실시예에 의한 전자 장치의 유사도에 따른 리스트 정보를 출력하는 것을 설명하기 위한 개념도이다.FIG. 6 is a conceptual diagram illustrating output of list information according to the similarity of electronic devices according to an embodiment.
도 6을 참조하면, 본 개시의 일 실시예에 의한 프로세서(121)는, 사용자 단말(300)로부터 고유제품번호를 포함하는 제1 입력을 수신한 것에 응답하여, 빅데이터를 처리할 수 있다. 이에 따라, 프로세서(121)는 빅데이터를 처리한 것에 기초하여, 상기 제1 입력에 대응되는 제품 종류에 관한 제품 그룹 정보를 식별할 수 있다. 즉, 프로세서(121)는 제1 입력에 대응되는 고유제품번호의 제품 종류를 식별하고, 상기 식별된 제품 종류와 동일한 제품 종류에 관한 제품 그룹 정보를 식별할 수 있다. 한편, 여기에서, 제1 입력에 대응되는 고유제품번호의 제품을 제1 제품(61)으로 설명의 편의상 명명하도록 한다.Referring to FIG. 6, the processor 121 according to an embodiment of the present disclosure may process big data in response to receiving a first input including a unique product number from the
이 경우, 프로세서(121)는 식별된 제품 그룹 정보에 포함된 적어도 하나의 제품 정보와 상기 제1 입력에 대응되는 제1 제품(61) 간의 유사도를 결정하고, 상기 제1 입력에 대응되는 제1 제품과 상기 결정된 유사도가 가장 높은 제품 간의 비교 정보를 생성할 수 있다. 즉, 본 개시의 일 실시예에 의한 프로세서(121)는 빅데이터를 처리한 것에 기초하여, 상기 제1 입력에 대응되는 제1 제품의(61) 제품 종류와 동일한 제품 종류에 관한 제품 그룹 정보를 식별하고, 상기 제품 그룹 정보 내에 상기 제1 입력에 대응되는 제1 제품과 유사도가 가장 높은 제품과의 비교 정보를 생성할 수 있다.In this case, the processor 121 determines the degree of similarity between at least one product information included in the identified product group information and the
본 개시의 일 실시예에 의한 프로세서(121)는, 빅데이터를 처리한 것에 기초하여, 동일한 제품 종류를 갖는 제품 간 가격 차이에 관한 제1 값, 기본 제품 정보 중 다른 정보의 개수에 관한 제2 값 또는 상세 제품 정보 중 다른 정보의 개수에 관한 제3 값 중 적어도 하나를 기초로 유사도를 결정할 수 있다.The processor 121 according to an embodiment of the present disclosure, based on processing big data, provides a first value regarding the price difference between products of the same product type and a second value regarding the number of other information among basic product information. The similarity may be determined based on at least one of a value or a third value related to the number of other information among detailed product information.
즉, 프로세서(121)는, 사용자 단말(300)로부터 획득한 제1 입력에 기초하여, 제1 입력에 포함된 고유제품번호 및 빅데이터를 기초로, 상기 고유제품번호에 대응되는 제품 종류, 가격, 기본 제품 정보 및 상세 제품 정보를 식별하고, 상기 제1 입력에 대응되는 제1 제품(62)과 제품 종류가 동일한 제품 그룹 정보를 식별하되, 상기 제품 그룹 정보에 포함된 적어도 하나의 제품과 상기 제1 제품(62) 간의 유사도를 결정할 수 있다.That is, based on the first input obtained from the
보다 구체적으로, 프로세서(121)는 제1 제품(61)과 동일한 제품 종류를 갖는 제품 그룹 정보에 포함된 적어도 하나의 제품 간의 유사도를 각각 결정할 수 있다. 프로세서(121)는 유사도를 상기 제1 제품(61) 및 상기 적어도 하나의 제품 간 가격 차이에 관한 제1 값, 기본 제품 정보 중 다른 정보의 개수에 관한 제2 값 및 상세 제품 정보 중 다른 정보의 개수에 관한 제3 값에 상이한 가중치를 부여하여 결정하되, 상기 상이한 가중치는, 상기 제3 값, 제2 값 및 제1 값의 순서로 크기가 작아지도록 기설정된 가중치에 기초하여 결정될 수 있다.More specifically, the processor 121 may determine the degree of similarity between at least one product included in product group information having the same product type as the
예시적으로, 제1 제품(61)과 비교 대상 제품의 가격 차이가 크면 클수록, 제1 값에 부여되는 가중치가 작게 부여될 수 있으며, 제1 제품(61)과 비교 대상 제품 간의 기본 제품 정보 항목에 관한 데이터가 상이한 항목의 개수가 많을수록 가중치가 작게 부여될 수 있으며, 제1 제품(61)과 비교 대상 제품 간의 상세 제품 정보 항목에 관한 데이터가 상이한 항목의 개수가 많을수록 가중치가 작게 부여될 수 있다.As an example, the greater the price difference between the
다른 예시로, 프로세서(121)는, 제1 제품(61)과 비교 대상 제품 간의 기본 제품 정보 항목이 상이한 개수가 두 개이고, 상세 제품 정보 항목이 상이한 개수가 두 개인 경우에 있어서, 제2 값에 부여되는 가중치는 제3 값에 부여되는 가중치와 비교하여 더 작을 수 있다. 즉, 가격 차이가 큰 경우 일수록 제1 제품(61)과 비교 대상 제품 간의 유사도가 더 작아지며, 소비자는 가전 제품의 기본 제품 정보에 대하여 중요도가 높으므로 제2 값에 부여되는 가중치가 제3 값보다 작게 부여됨으로써, 유사도가 결정되는 것일 수 있다. 즉, 제1 값, 제2 값 및 제3 값은 크기가 클수록 유사도가 작아지는 반비례 관계일 수 있다.As another example, in the case where there are two different basic product information items and two different detailed product information items between the
다만, 이에 한정되는 것은 아니고, 다른 실시예로, 제2 값과 제3 값에 부여되는 상이한 가중치의 크기는 같거나 순서가 변경될 수 있다.However, it is not limited to this, and in another embodiment, the sizes of different weights assigned to the second value and the third value may be the same or the order may be changed.
이에 따라, 도 6의 (b)를 참조하면, 본 개시의 일 실시예에 의한 프로세서(121)는 제1 제품(61) 및 상기 제1 제품(61)의 제품 종류에 대응되는 제품 그룹 정보에 포함된 적어도 하나의 제품 간의 유사도를 결정하고, 제품 그룹 정보에 포함된 적어도 하나의 제품들 중 유사도가 높은 순서대로 유사도 리스트(63)를 출력할 수 있다. 유사도 리스트(63)는 예시적으로, 제1 제품(61)의 제품 종류와 동일한 제품의 고유제품번호와 상기 고유제품번호에 대응되는 유사도에 따른 리스트 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.Accordingly, referring to (b) of FIG. 6, the processor 121 according to an embodiment of the present disclosure includes the
보다 상세하게, 도 6의 (a)를 참조하면, 본 개시의 일 실시예에 의한 프로세서(121)는, 사용자 단말(300)로부터 제1 입력을 획득한 것에 응답하여, 상기 사용자 단말(300)로 상기 제1 입력에 대응되는 제1 제품(61)과 제품 그룹 정보 중 유사도가 가장 높은 제품 간의 비교 정보를 송신할 수 있다. 다른 실시예로, 프로세서(121)는, 사용자 단말(300)로부터 제1 입력을 획득한 것에 응답하여, 사용자 단말(300)로 비교 대상 제품을 선택할 수 있는 UI(62)를 출력하도록 통신부(110)를 제어하는 신호를 생성할 수 있다. 이에 따라서, 프로세서(121)는 사용자 단말(300)로부터 UI(62)의 선택을 획득한 것에 응답하여, 유사도 리스트(63)를 사용자 단말(300)에서 출력하도록 통신부(110)를 제어하는 신호를 생성할 수 있다.In more detail, referring to (a) of FIG. 6, the processor 121 according to an embodiment of the present disclosure, in response to obtaining the first input from the
이 경우, 프로세서(121)는, 사용자 단말(300)로부터 유사도 리스트(63)에 포함된 하나의 제품에 관한 제2 입력을 수신한 것에 응답하여, 상기 제1 제품과 제2 입력에 대응되는 제2 제품 간의 비교 정보를 생성할 수 있다.In this case, in response to receiving a second input regarding one product included in the
도 7은 일 실시예에 의한 전자 장치가 생성하는 비교 정보를 설명하기 위한 개념도이다.FIG. 7 is a conceptual diagram illustrating comparison information generated by an electronic device according to an embodiment.
도 7을 참조하면, 본 개시의 일 실시예에 의한 프로세서(121)는 사용자 단말(300)로부터, 제1 입력과 상이한 고유제품번호를 포함하는 제2 입력을 수신한 것에 응답하여, 빅데이터를 처리하고, 제1 입력에 대응되는 제1 제품 및 상기 제2 입력에 대응되는 제2 제품(71) 간의 비교 정보(72)를 생성할 수 있다.Referring to FIG. 7, the processor 121 according to an embodiment of the present disclosure generates big data in response to receiving a second input including a unique product number different from the first input from the
보다 구체적으로, 상기 비교 정보(72)는 예를 들어, 프로세서(121)가 제1 제품과 제2 제품에 관한 데이터를 처리한 것에 기초하여, 상기 제1 제품과 제2 제품 간의 가격 차이, 기본 제품 정보 중 다른 정보 및 상세 제품 정보 중 다른 정보를 기초로 생성할 수 있다.More specifically, the
예시적으로, 프로세서(121)는, 제1 제품과 제2 제품 간의 가격 차이, 기본 제품 정보 중 다른 정보 및 상세 제품 정보 중 다른 정보를 입력으로, 상기 제1 제품과 제2 제품 간의 가격 차이에 따른 다른 정보들을 요약하여 한 문장으로 출력하도록 학습된 자연어 처리 모델을 기초로 비교 정보를 생성할 수 있다.Exemplarily, the processor 121 inputs the price difference between the first product and the second product, other information among the basic product information, and other information among the detailed product information, and determines the price difference between the first product and the second product. Comparison information can be generated based on a natural language processing model that has been learned to summarize other information and output it in one sentence.
보다 상세하게, 도 7의(b)를 참조하면, 프로세서(121)는 제1 제품에 관한 고유제품번호, 제2 제품에 관한 고유제품번호 및 빅데이터를 처리한 것에 기초하여, 비교 리스트 정보(74)를 생성할 수 있다. 비교 리스트 정보(74)는, 예를 들어, 가격, 기본 제품 정보에 포함된 항목 및 상세 제품 정보에 포함된 항목에 관한 데이터를 비교할 수 있도록 생성된 정보일 수 있다. 도시된 예시를 살펴보면, 제1 제품(좌측)과 제2 제품(우측) 간의 A, B 및 C에 관한 항목을 동일한 데이터를 갖고 있는 것을 확인할 수 있으며, 용량의 차이가 1.5L 및 소비전력의 차이가 100W인 것을 확인할 수 있다. In more detail, referring to (b) of FIG. 7, the processor 121 produces comparison list information (based on processing the unique product number for the first product, the unique product number for the second product, and big data) 74) can be created. The
이 경우, 프로세서(121)는 제1 제품에 관한 제품 정보 및 제2 제품에 관한 제품 정보를 자연어 처리 모델에 입력하여, 한줄 요약에 관한 비교 정보(72)를 출력할 수 있다. 상술한 예시에 따르면, 프로세서(121)는, 제1 제품에 관한 제품 정보 및 제2 제품에 관한 제품정보를 자연어 처리 모델에 입력하여 출력된 "1.5L의 용량, 100W의 소비전력 차이에 따른 금액차이는 45,000원 입니다"와 같은 한줄 요약을 포함하는 비교 정보(72)를 획득할 수 있으며, 상기 비교 정보(72)를 출력하도록 사용자 단말(300)로 송신할 수 있다.In this case, the processor 121 may input product information about the first product and product information about the second product into a natural language processing model and
한편, 프로세서(121)는, 제1 제품에 관한 이미지 및 제2 제품에 관한 이미지를 함께 출력하도록 이미지에 관한 정보를 사용자 단말(300)로 송신할 수 있다.Meanwhile, the processor 121 may transmit information about the image to the
또한, 프로세서(121)는 사용자의 편의를 위해, 도 7의 (a)에 도시된 바와 같이, 한줄 요약을 포함하는 비교 정보(72)에서 비교 리스트 정보(74)를 확인할 수 있도록 상세 보기 UI(73)을 사용자 단말(300)에 출력하도록 통신부(110)를 제어할 수 있다. 또한, 도 7의 (b)에 도시된 바와 같이, 비교 리스트 정보(74)에서 한줄 요약을 포함하는 비교 정보(72)를 확인할 수 있도록 한줄 요약 보기 UI를 사용자 단말(300)에 출력하도록 통신부(110)를 제어할 수 있다.In addition, for the user's convenience, the processor 121 provides a detailed view UI (UI) so that the
도 8은 일 실시예에 의한 전자 장치가 비교 정보를 생성하는 것을 설명하기 위한 개념도이다. 도 9는 일 실시예에 의한 전자 장치가 비교 정보를 생성하는 것을 설명하기 위한 개념도이다.FIG. 8 is a conceptual diagram explaining how an electronic device generates comparison information according to an embodiment. FIG. 9 is a conceptual diagram explaining how an electronic device generates comparison information according to an embodiment.
도 8을 참조하면, 본 개시의 일 실시예에 의한 프로세서(121)는, 사용자 단말(300)로부터 제1 입력이 수신되지 않은 경우에도, 제품 간의 비교 정보를 제공하기 위하여, 제품을 선택할 수 있도록, 제품 종류를 선택하는 UI(81), 상기 제품 종류에 따라 리스트를 선택할 수 있는 UI를 출력하도록 통신부(110)를 제어할 수 있다. 이에 따라, 소비자는 사용자 단말(300)을 통해, 제품 간의 스펙을 비교하기 위하여 제품 종류를 선택하는 입력을 본 장치(100)로 송신할 수 있다.Referring to FIG. 8, the processor 121 according to an embodiment of the present disclosure allows a product to be selected in order to provide comparison information between products even when the first input is not received from the
이 경우, 프로세서(121)는 도 8에 도시된 바와 같은 UI를 통해 사용자 단말(300)로부터 비교할 제품의 선택을 입력 받는 경우, 비교 대상 제품들 간의 비교 정보를 생성하여 출력할 수 있다.In this case, when the processor 121 receives the selection of a product to be compared from the
보다 상세하게, 도 9를 참조하면, 프로세서(121)는 사용자 단말(300)로 제품 간의 비교 정보를 제공하기 위하여 제품 종류를 선택하는 UI(81)를 통해 제품 종류 및 상기 제품 종류에 대응되는 두 개의 고유제품번호를 수신한 것에 응답하여, 상기 두 개의 고유제품번호 간의 비교 정보를 생성하여 출력할 수 있다. 도 9는 프로세서(121)가 사용자 단말(300)로부터 식기세척기에 대한 제품 종류의 선택을 수신한 것에 응답하여 출력하는 비교 정보 UI를 도시한다. 다만, 이는 예시적인 것으로서 이에 한정되는 것은 아니다.In more detail, referring to FIG. 9, the processor 121 selects a product type and two corresponding product types through the
한편, 본 개시의 일 실시예에 의한 프로세서(121)는, 사용자 단말(300)로부터 적어도 하나의 고유제품번호를 포함하는 위시 리스트 정보를 수신한 것에 응답하여, 판매자 단말(400)로 상기 위시 리스트 정보를 송신할 수 있다. 여기에서 위시 리스트 정보는, 예를 들어, 소비자(사용자)가 구매하고 싶은 가전 제품들의 고유제품번호를 포함할 수 있다.Meanwhile, the processor 121 according to an embodiment of the present disclosure, in response to receiving wish list information including at least one unique product number from the
이 경우, 프로세서(121)는 판매자 단말(400)로부터 상기 위시 리스트 정보에 대응하는 견적서 정보를 수신할 수 있다. 즉, 판매자는 본 장치(100)로부터 수신한 구매자의 위시 리스트 정보에 기초하여, 상기 위시 리스트에 대응되는 고유식별번호의 제품들의 가격을 포함하는 견적서 정보를 판매자 단말(400)을 통해 본 장치(100)로 송신할 수 있다. 이 경우, 프로세서(121)는 판매자 단말(400)로부터 위시 리스트 정보에 대응하는 견적서 정보를 수신한 것에 응답하여, 사용자 단말(300)로 상기 견적서 정보를 송신할 수 있다.In this case, the processor 121 may receive quotation information corresponding to the wish list information from the
한편, 판매자 단말(400)이 송신하는 견적서 정보 및 사용자 단말(300)이 송신한 위시 리스트 정보가 포함하고 있는 적어도 하나의 고유식별번호에 대응하는 제품 종류는 동일할 수 있으나, 견적서 정보가 포함하는 고유식별번호 및 위시 리스트 정보가 포함하는 고유식별번호는 상이할 수 있다. 이는, 판매자가 판매하고 있는 제품들 중 소비자가 구매하고자 하는 제품이 포함되지 않을 가능성이 존재하므로, 판매자는 제품 종류(카테고리)는 동일하되, 위시 리스트에 포함된 제품과 대체가 가능한 제품으로 임의적으로 변경하여 적어도 하나의 고유제품번호가 상이한 견적서 정보를 송신할 수 있다.Meanwhile, the product type corresponding to at least one unique identification number included in the quotation information transmitted by the
이에 따라, 본 개시의 일 실시예에 의한 프로세서(121)는, 사용자 단말(300)이 송신한 위시 리스트 정보에 대응하는 적어도 하나의 고유제품번호 및 판매자 단말(400)이 송신한 견적서 정보에 대응하는 적어도 하나의 고유제품번호 간의 매칭 여부를 식별할 수 있다. 즉, 매칭 여부를 식별하는 것은, 프로세서(121)가 위시 리스트 정보 및 견적서 정보에 대응하는 제품 종류에 따라 고유식별번호의 매칭 여부를 식별하는 것일 수 있다.Accordingly, the processor 121 according to an embodiment of the present disclosure corresponds to at least one unique product number corresponding to the wish list information transmitted by the
예시적으로, 사용자 단말(300)이 송신한 위시 리스트 정보에는 식기 세척기에 관한 A제품의 고유제품번호와 세탁기에 관한 B제품의 고유제품번호를 포함하고, 판매자 단말(400)이 송신한 견적서 정보에는 식기 세척기에 관한 A제품의 고유제품번호와 세탁기에 관한 C제품의 고유제품번호를 포함하는 경우, 프로세서(121)는, 위시 리스트 정보 및 견적서 정보를 처리한 것에 기초하여, 동일한 제품 종류인 식기 세척기의 매칭 여부 및 세탁기의 매칭 여부를 식별할 수 있다. 이에 따라서, 프로세서(121)는, 세탁기에 관한 고유식별번호가 매칭되지 않는 것으로 식별할 수 있다. 다만, 이는 예시적인 것으로서, 이에 한정되는 것은 아니다.By way of example, the wish list information transmitted by the
프로세서(121)는, 위시 리스트 정보 및 견적서 정보에 대응되는 제품 종류에 따라 고유식별번호가 매칭되지 않는 것에 응답하여, 상기 매칭되지 않는 고유식별번호에 대응되는 제품 간의 비교 정보를 생성할 수 있다.In response to the fact that the unique identification number does not match the product type corresponding to the wish list information and the quotation information, the processor 121 may generate comparison information between products corresponding to the unmatched unique identification number.
도 10은 일 실시예에 의한 전자 장치가 생성하는 비교 리스트 정보를 설명하기 위한 개념도이다.FIG. 10 is a conceptual diagram illustrating comparison list information generated by an electronic device according to an embodiment.
도 10을 참조하면, 다른 실시예로, 프로세서(121)는 사용자 단말(300)로부터 적어도 하나의 고유제품번호를 포함하는 위시 리스트 정보를 수신한 것에 응답하여, 상기 위시 리스트 정보에 포함된 각각의 고유제품번호에 대응되는 제품과 빅데이터를 처리한 것을 기초로, 상기 각각의 고유제품번호와 유사도가 가장 높은 제품들을 식별할 수 있다.Referring to FIG. 10, in another embodiment, the processor 121 responds to receiving wish list information including at least one unique product number from the
즉, 프로세서(121)는 복수의 고유제품번호를 포함하는 위시 리스트 정보를 수신한 것에 응답하여, 상기 복수의 고유제품번호 각각의 제품 종류에 대응되는 제품 그룹 정보를 식별하고, 상기 복수의 고유제품번호 각각의 유사도가 가장 높은 복수의 제품들을 식별할 수 있다. 예시적으로, 프로세서(121)는 사용자 단말(300)로부터 A제품의 고유식별번호 및 B제품의 고유식별번호를 포함하는 위시 리스트 정보를 수신한 것에 응답하여, A제품의 제품 종류와 동일한 제품 종류에 대응되는 제품 그룹 정보 및 B제품의 제품 종류와 동일한 제품 종류에 대응되는 제품 그룹 정보를 식별할 수 있다. 이에 따라서, 프로세서(121)는 A제품과 유사도가 가장 높은 A'제품 및 B제품과 유사도가 가장 높은 B'제품을 식별할 수 있다.That is, in response to receiving wish list information including a plurality of unique product numbers, the processor 121 identifies product group information corresponding to the product type of each of the plurality of unique product numbers, and identifies the plurality of unique products. Multiple products with the highest similarity between numbers can be identified. Illustratively, the processor 121 responds to receiving wish list information including the unique identification number of product A and the unique identification number of product B from the
이 경우, 프로세서(121)는, A제품과 유사도가 가장 높은 A'제품 간의 비교 정보 및 B제품과 유사도가 가장 높은 B'제품 간의 비교 정보를 포함하는 비교 정보 리스트를 생성하고, 사용자 단말(300)로 송신할 수 있다. 이에 따라, 소비자는 자신이 선택한 고유제품번호에 대응되는 제품과 유사도가 높은 제품들의 비교 정보를 획득하고, 보다 합리적인 의사선택을 수행할 수 있다.In this case, the processor 121 generates a comparison information list including comparison information between product A and product A' with the highest similarity and comparison information between product B and product B' with the highest similarity, and generates a comparison information list containing comparison information between product A and product A' with the highest similarity, and ) can be sent. Accordingly, consumers can obtain comparative information between products with high similarity to the product corresponding to the unique product number they have selected and make a more rational decision.
본 개시의 일 실시예에 의한 프로세서(121)는, 판매자 단말(400)로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 빅데이터를 업데이트할 수 있다.The processor 121 according to an embodiment of the present disclosure may update big data in response to receiving quotation information and buyer information corresponding to the quotation information from the
보다 구체적으로, 프로세서(121)는 판매자가 구매자에게 판매한 적어도 하나의 고유제품번호 및 그에 대응되는 가격에 관한 정보를 포함하는 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 판매자 단말(400)로부터 수신할 수 있다. 구매자 정보는 예를 들어, 판매자가 구매자와 상담을 통해 획득한 정보 및/또는 구매자가 직접 기입한 정보를 포함할 수 있으며, 구체적으로, 구매자 정보는, 구매 이유 항목, 거주지 형태 항목, 거주 환경 항목, 선호 브랜드 항목, 구매 제품 종류 항목, 생활 습관 항목 및 가족 항목에 관한 데이터 중 적어도 하나를 포함할 수 있다.More specifically, the processor 121 receives quotation information including information on at least one unique product number sold by the seller to the buyer and the corresponding price and buyer information corresponding to the quotation information from the
도 11은 일 실시예에 의한 전자 장치가 사용자 정보를 수신하기 위하여 출력하는 UI를 설명하기 위한 개념도이다. 도 12는 일 실시예에 의한 전자 장치가 사용자 정보를 수신하기 위하여 출력하는 UI를 설명하기 위한 개념도이다. 도 13은 일 실시예에 의한 전자 장치가 사용자 정보를 수신하기 위하여 출력하는 UI를 설명하기 위한 개념도이다.FIG. 11 is a conceptual diagram illustrating a UI output by an electronic device to receive user information, according to an embodiment. FIG. 12 is a conceptual diagram illustrating a UI output by an electronic device to receive user information according to an embodiment. FIG. 13 is a conceptual diagram illustrating a UI output by an electronic device to receive user information, according to an embodiment.
본 개시의 일 실시예에 의한 프로세서(121)는, 판매자 단말(400)로부터 수신한 견적서 정보를 처리한 것에 기초하여, 상기 견적서 정보에 포함된 적어도 하나의 고유제품번호를 식별하고, 상기 식별된 고유제품번호 각각에 상기 구매자 정보를 업데이트할 수 있다. 즉, 빅데이터는, 실제로 거래가 이루어진 견적서 정보를 기반으로 생성된 구매자 정보가 고유제품번호에 각각 업데이트됨으로써, 업데이트될 수 있다. 한편, 여기에서, 구매자 정보는 예를 들어, 사용자 정보와 항목이 동일하나, 이미 적어도 하나의 제품에 대한 구매가 이루어졌는지 구분하기 위하여, 명명한 것이나, 데이터의 내용 측면에서 동일하므로, 혼용하여 사용될 수 있다.The processor 121 according to an embodiment of the present disclosure identifies at least one unique product number included in the quotation information based on processing the quotation information received from the
이에 따라, 프로세서(121)는 사용자 단말(300)로부터 사용자 정보를 수신한 것에 응답하여, 상기 업데이트된 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성할 수 있다.Accordingly, the processor 121 may generate recommendation list information based on processing the updated big data and the user information in response to receiving user information from the
도 11 내지 13을 참조하면, 프로세서(121)는 사용자 단말(300)에 사용자 정보를 획득할 수 있도록 선택 UI를 출력할 수 있다.Referring to FIGS. 11 to 13 , the processor 121 may output a selection UI to the
사용자 정보는 예를 들어, 상술한 구매자 정보의 항목들과 마찬가지로 구매 이유 항목(예를 들어, 이사, 인테리어 등), 거주지 형태 항목(예를 들어, 아파트, 빌라 등), 거주 환경 항목(예를 들어, 평수), 선호 브랜드 항목(예를 들어, 제품 브랜드), 구매 제품 종류 항목(예를 들어, 적어도 하나의 제품 종류), 생활 습관 항목(예를 들어, 집 상주 시간) 및 가족 항목(예를 들어, 4인 가구 등)에 관한 데이터 중 적어도 하나를 포함할 수 있다.For example, user information, like the above-mentioned purchaser information items, includes purchase reason items (e.g., moving, interior design, etc.), residence type items (e.g., apartment, villa, etc.), and living environment items (e.g. (e.g., square footage), preferred brand items (e.g., product brands), product type items purchased (e.g., at least one product type), lifestyle items (e.g., residence time at home), and family items (e.g. For example, it may include at least one of data about a four-person household, etc.).
보다 상세하게, 프로세서(121)는 사용자 단말(300)에 사용자 정보 중 구매 이유 항목에 대한 선택 UI(도 11의 (a))를 출력하도록 통신부(110)를 제어할 수 있다. 이에 따라, 사용자는 사용자 단말(300)을 통해, 제품의 구매 이유를 선택함으로써, 본 장치(100)로 구매 이유 항목에 대한 데이터를 송신할 수 있다.In more detail, the processor 121 may control the communication unit 110 to output a selection UI ((a) of FIG. 11) for the purchase reason item among the user information to the
또한, 프로세서(121)는, 사용자 단말(300)에 사용자 정보 중 거주지 형태 항목에 대한 선택 UI(도 11의 (b))를 출력하도록 통신부(110)를 제어할 수 있다. 이에 따라, 사용자는 사용자 단말(300)을 통해 거주지 형태를 선택함으로써, 본 장치(100)로 주지 형태 항목에 대한 데이터를 송신할 수 있다.Additionally, the processor 121 may control the communication unit 110 to output a selection UI ((b) in FIG. 11) for the residence type item among the user information to the
상술한 바와 같이, 프로세서(121)는 사용자 단말(300) 사용자 정보에 해당하는 항목에 대한 선택 UI(도 11 내지 도 13)를 출력하도록 통신부(110)를 제어할 수 있다. 이에 따라, 사용자는 사용자 단말(300)을 통해 거주지 형태를 선택함으로써, 본 장치(100)로 사용자 정보에 해당하는 항목에 대한 데이터를 송신할 수 있다.As described above, the processor 121 may control the communication unit 110 to output a selection UI (FIGS. 11 to 13) for items corresponding to user information of the
프로세서(121)는, 사용자 단말(300)로부터 사용자 정보를 수신한 것에 응답하여, 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성할 수 있다. 보다 구체적으로, 프로세서(121)는, 판매자 단말(400)로부터 수신된 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 입력으로 학습된 추천모델을 기초로 추천 리스트 정보를 생성하는 것일 수 있다.In response to receiving user information from the
본 개시의 일 실시예에 의한 프로세서(121)는 판매자 단말(400)로부터 수신한 견적서 정보 및 상기 견적서 정보에 대응하는 구매자 정보를 포함하는 로우 데이터(여기에서 로우 데이터는 학습 데이터로 이해할 수 있음)를 기반으로 데이터를 분석 및 처리하여 머신 러닝 모델을 구축할 수 있다. 이에 대한 신뢰성을 확보하기 위해 견적서 정보 및/또는 상기 견적서 정보에 대응되는 구매자 정보들을 로우 데이터로 활용하여 머신 러닝 모델을 구축할 수 있다. 이렇게 구축된 머신 러닝 모델은 예를 들어, 추천 모델이라고 명명될 수 있다. 다만, 이는 예시로서, 이에 한정되는 것은 아니다.The processor 121 according to an embodiment of the present disclosure provides raw data including quotation information received from the
추천 모델은, 견적서 정보에 포함된 적어도 하나의 고유제품번호 및 상기 고유제품번호에 대응되는 상기 구매자 정보를 입력으로 학습된 모델일 수 있다. 즉, 추천 모델은, 구매자 정보를 입력으로 소비자에게 추천할 제품에 관한 고유제품번호를 출력하도록 학습된 인공지능 모델일 수 있다. 이에 따라, 프로세서(121)는 추천 모델에 구매자 정보와 실질적으로 동일한 사용자 정보를 입력으로, 상기 사용자 정보에 대응되는 적어도 하나의 고유제품번호를 출력할 수 있다. 이 경우, 프로세서(121)는 출력된 적어도 하나의 고유제품번호 및 그에 대응되는 적어도 하나의 제품 정보(예를 들어, 가격, 제품 종류, 기본 제품 정보, 상세 제품 정보 등)를 포함하는 추천 리스트 정보를 생성할 수 있다.The recommendation model may be a model learned by inputting at least one unique product number included in the quotation information and the buyer information corresponding to the unique product number. In other words, the recommendation model may be an artificial intelligence model learned to output a unique product number for a product to be recommended to a consumer by inputting buyer information. Accordingly, the processor 121 may input user information substantially the same as buyer information to the recommendation model and output at least one unique product number corresponding to the user information. In this case, the processor 121 recommends list information including at least one output unique product number and at least one product information corresponding thereto (e.g., price, product type, basic product information, detailed product information, etc.). can be created.
프로세서(121)는 획득한 데이터를 기초로 보다 효율적인 학습을 수행하기 위하여 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보에 대한 전처리를 수행할 수 있다. 여기서 전처리는 관리자가 데이터를 기 결정된 카테고리 별로 분류하는 것일 수 있다. 보다 상세하게, 기 결정된 카테고리를 분류하는 것은 구매자 정보에 포함된 특정 항목에 대한 데이터가 동일한 데이터끼리 분류하는 것일 수 있다. 이렇게 분류된 카테고리 별 데이터는 본 장치(100)의 신경망을 학습하는 데에 이용될 수 있다.The processor 121 may perform preprocessing on quotation information and buyer information corresponding to the quotation information in order to perform more efficient learning based on the acquired data. Here, preprocessing may involve the manager classifying data into predetermined categories. More specifically, classifying a predetermined category may mean classifying data with the same data for a specific item included in the buyer information. Data for each category classified in this way can be used to learn the neural network of the
정리하면, 본 개시의 일 실시예에 의한 프로세서(121)는, 견적서 정보 및 이에 대응되는 구매자 정보를 기반으로 학습된 추천 모델에 사용자 단말(300)로부터 수신된 사용자 정보를 추천 모델에 입력하여, 출력된 추천 리스트 정보를 획득할 수 있다.In summary, the processor 121 according to an embodiment of the present disclosure inputs user information received from the
한편, 본 개시의 일 실시예에 의한 프로세서(121)는 사용자 단말(300)로부터 사용자 정보를 수신한 것에 응답하여, 상기 사용자 정보의 널(null)값 존재 여부를 판단할 수 있다. 여기에서 사용자 정보의 널값이 존재한다는 의미는, 사용자가 사용자 단말(300)을 통해 선택하지 않고 건너뛰어, 해당하는 항목에 대한 데이터가 존재하지 않는다는 것을 의미할 수 있다.Meanwhile, the processor 121 according to an embodiment of the present disclosure may determine whether a null value exists in the user information in response to receiving user information from the
보다 구체적으로, 데이터에 대한 전처리 과정은 머신 러닝 및 딥러닝을 활용한 예측 모델의 성능을 높이는데 지대한 영향을 미치며, 만약 데이터의 정보가 정확하지 않거나 값이 누락되고 중의적인 경우 데이터 양이 아무리 많아도 활용가치가 전무하기 때문에 다음과 같은 일련의 정제 및 변환 작업을 필요로 한다. 예시적으로, 데이터 전처리 과정은 데이터 정제, 데이터 변환 및 변형, 데이터 축소 및 데이터 정리 과정을 거치게 된다. 즉, 사용자 정보에 널값이 포함되어 있는 경우, 널값이 포함된 사용자 정보를 추천 모델에 입력하는 경우, 출력되는 데이터는 그 정확도가 다소 떨어지게 될 가능성이 없으므로, 이러한 널값의 대체값을 구하는 것은 인공지능 모델의 정확도를 향상시킨 수 있다. 이러한 대체값을 구하는 전처리 과정은 예를 들어, 데이터 정제의 일환이라고 볼 수 있다.More specifically, the preprocessing process for data has a significant impact on improving the performance of prediction models using machine learning and deep learning. If the information in the data is inaccurate or the values are missing or ambiguous, no matter how large the amount of data is, Since it has no utility value, it requires the following series of purification and conversion operations. By way of example, the data preprocessing process includes data purification, data conversion and transformation, data reduction, and data cleaning. In other words, if the user information contains a null value and the user information containing the null value is input into the recommendation model, the accuracy of the output data is unlikely to be somewhat reduced, so artificial intelligence is used to find a replacement value for this null value. The accuracy of the model can be improved. This preprocessing process of obtaining replacement values can be seen as a part of data cleaning, for example.
본 개시의 일 실시예에 의한 프로세서(121)는 널값이 존재하는 데이터 항목에 대하여 대체값을 산출할 수 있다. The processor 121 according to an embodiment of the present disclosure can calculate a replacement value for a data item in which a null value exists.
예시적으로, 널값에 대한 대체값을 산출하는 것은, 선택된 항목에 대한 평균, 분산, 표준 편차, 최대값, 최소값, 4분위수 등의 대푯값을 이용하는 것이다. 이 경우, 본 개시의 일 실시예에 따른 프로세서(121)는, 빅데이터를 처리한 것에 기초하여, 사용자 정보 및 구매자 정보의 특정 항목에 대한 데이터의 최빈값을 대체값으로 식별하고, 상기 최대값을 대체값으로 산출할 수 있다. Illustratively, calculating a replacement value for a null value uses representative values such as mean, variance, standard deviation, maximum value, minimum value, and quartile for the selected item. In this case, the processor 121 according to an embodiment of the present disclosure identifies the data mode for specific items of user information and buyer information as a replacement value based on processing big data, and sets the maximum value to It can be calculated as a replacement value.
예를 들어, 프로세서(121)는, 사용자 단말(300)로부터 수신한 사용자 정보 중 구매 이유 항목에 대하여 널값이 존재하는 것으로 식별한 경우, 빅데이터를 처리한 것에 기초하여, 사용자 정보 및 구매자 정보의 구매 이유항목에 대한 데이터 값의 최빈값을 널값의 대체값으로 산출할 수 있다. 이에 따라, 프로세서(121)는 추천 모델에 사용자 정보 및 상기 대체값을 입력하여, 추천 리스트 정보를 생성할 수 있다. 즉, 최빈값이 신혼인 경우에 있어서, 상기 구매 이유 항목에 대한 널값은 신혼으로 대체되어 추천 모델에 입력될 수 있다.For example, when the processor 121 identifies that a null value exists for the purchase reason item among the user information received from the
한편, 다른 실시예로, 프로세서(121)는, 구매자 정보(사용자 정보와 동일하되, 구매가 이루어진 기저장된 이력 정보)를 기초로, 상기 구매자 정보의 항목 간의 상관 관계를 분석하고, 널값을 갖는 항목에 대한 상관 관계 영향도가 가장 높은 항목을 선택하고, 상기 선택된 항목에 기초하여, 제1 대체값을 산출할 수 있다. 한편, 데이터 값 및/또는 항목 간의 상관 관계를 평가하는 방법은 복수의 방법이 이용될 수 있다. 예시적으로, 본 개시의 일 실시예에 의한 프로세서(121)는 피어슨 상관 계수, 스피어만 상관 계수, 켄달의 순위 상관 계수, 상관 행렬 등 중 적어도 하나를 이용하여, 상관 관계를 분석할 수 있다. 한편, 상관 관계 분석 방법은 공지된 기술로서, 자세한 설명은 이하 생략하도록 한다.Meanwhile, in another embodiment, the processor 121 analyzes the correlation between items of the buyer information based on buyer information (same as user information, but pre-stored history information where purchases have been made), and selects items with null values. The item with the highest correlation influence can be selected, and a first replacement value can be calculated based on the selected item. Meanwhile, a plurality of methods may be used to evaluate the correlation between data values and/or items. Exemplarily, the processor 121 according to an embodiment of the present disclosure may analyze the correlation using at least one of a Pearson correlation coefficient, Spearman correlation coefficient, Kendall's rank correlation coefficient, and a correlation matrix. Meanwhile, the correlation analysis method is a known technique, and detailed description will be omitted below.
예시적으로, 프로세서(121)는 상술한 상관 관계 분석 방법들 중 적어도 하나를 이용하여, 구매자 정보에 포함된 항목들 간의 상관 관계를 분석할 수 있다. Exemplarily, the processor 121 may analyze the correlation between items included in the buyer information using at least one of the correlation analysis methods described above.
이 경우, 프로세서(121)는, 구매자 정보의 항목 간 상관 관계 분석을 통해 널값을 갖는 항목에 대한 상관 관계 영향도가 가장 높은 항목을 선택하고, 상기 선택된 항목의 데이터에 기초하여, 제1 대체값을 산출할 수 있다.In this case, the processor 121 selects the item with the highest correlation influence with respect to the item with a null value through correlation analysis between items of the buyer information, and based on the data of the selected item, creates a first replacement value. can be calculated.
예시적으로, 구매 제품 종류 항목의 경우, 세 개 이상의 제품이 선택된 경우, 구매 이유 항목에서, 이사 보다는 신혼이 보다 적합성이 높다. 즉, 이러한 구매 제품 종류 및 구매 이유 항목은 상호간의 상관 관계가 존재하므로, 프로세서(121)는, 각 항목 및 해당하는 항목의 데이터 종류 각각 간의 상관 관계를 분석할 수 있다.For example, in the case of the purchase product type item, when three or more products are selected, in the reason for purchase item, newlyweds are more suitable than moving. That is, since there is a correlation between the purchase product type and purchase reason items, the processor 121 can analyze the correlation between each item and each data type of the corresponding item.
한편, 다른 실시예로, 프로세서(121)는, 널값을 갖는 항목에 대한 상관 관계 영향도가 두 번째로 높은 항목을 선택하고, 상기 선택된 항목에 기초하여, 제2 대체값을 산출할 수 있다.Meanwhile, in another embodiment, the processor 121 may select an item with the second highest correlation influence with respect to an item with a null value and calculate a second replacement value based on the selected item.
이에 따라, 프로세서(121)는 널값을 제1 대체값으로 대체하여 추천 모델에 입력하여 제1 추천 리스트 정보를 생성하고, 상기 널값을 제2 대체값으로 대체하여 추천모델에 입력하여 제2 추천 리스트 정보를 생성할 수 있다. 보다 소비자의 사용자 정보에 대응된 추천 리스트 정보를 제공하기 위하여, 상관 관계 영향도가 가장 높은 항목과 두 번째로 높은 항목에 기초하여 대체값을 결정함으로써, 보다 다양한 상품군에 대하여 소비자에게 추천할 수 있다.Accordingly, the processor 121 replaces the null value with a first replacement value and inputs it into the recommendation model to generate first recommendation list information, and replaces the null value with a second replacement value and inputs it into the recommendation model to create a second recommendation list. Information can be generated. In order to provide recommendation list information that corresponds to the consumer's user information, a wider range of product groups can be recommended to the consumer by determining replacement values based on the item with the highest correlation influence and the item with the second highest correlation influence. .
한편, 제1 대체값을 기초로 생성된 제1 추천 리스트 정보 및 제2 대체값을 기초로 생성된 제2 추천 리스트 정보는 동일할 수 있다. 이 경우, 프로세서(121)는, 제1 추천 리스트 정보에 대한 정보만 사용자 단말(300)을 통해 사용자에게 제공하도록 통신부(110)를 제어할 수 있다.Meanwhile, first recommendation list information generated based on the first replacement value and second recommendation list information generated based on the second replacement value may be the same. In this case, the processor 121 may control the communication unit 110 to provide only information about the first recommendation list information to the user through the
다른 실시예로, 도 10을 참조하면, 제1 추천 리스트 정보와 제2 추천 리스트 정보가 상이한 경우, 프로세서(121)는, 제1 추천 리스트 정보, 제2 추천 리스트 정보 및 빅데이터를 처리한 것에 기초하여, 제1 추천 리스트 정보에 포함된 제품 종류와 제2 추천 리스트 정보에 포함된 제품 종류가 동일하고 서로 다른 고유제품번호를 갖는 두 제품에 관한 비교 정보를 포함하는 비교 리스트 정보를 생성할 수 있다. 도 10에 도시된 바와 같이, 제1 추천 리스트 정보와 제2 추천 리스트 정보는 TV, 냉장고, 세탁기 모두에 대하여 서로 다른 고유제품번호를 갖는 제품을 포함하여 비교 정보가 모두 포함되었으나, 이에 한정되는 것은 아니고, 하나의 제품 종류에 대한 비교 정보만을 포함하는 비교 리스트 정보를 생성할 수도 있다.In another embodiment, referring to FIG. 10, when the first recommendation list information and the second recommendation list information are different, the processor 121 processes the first recommendation list information, the second recommendation list information, and big data. Based on this, comparison list information can be generated that includes comparative information about two products where the product type included in the first recommendation list information and the product type included in the second recommendation list information are the same and have different unique product numbers. there is. As shown in FIG. 10, the first recommendation list information and the second recommendation list information include comparative information including products with different unique product numbers for all TVs, refrigerators, and washing machines, but are not limited to this. Alternatively, comparison list information containing only comparison information for one product type can be created.
프로세서(121)는 디지털 시그널 프로세서(DSP, Digital Signal Processor) 및/또는 마이크로 컨트롤 유닛(MCU, Micro Control Unit)을 포함할 수 있다.The processor 121 may include a digital signal processor (DSP) and/or a micro control unit (MCU).
메모리(122)는 전술한 동작 및 후술하는 동작을 수행하는 프로그램을 저장할 수 있으며, 프로세서는 저장된 프로그램을 실행시킬 수 있다. 메모리와 프로세서가 복수인 경우에, 이들이 하나의 칩에 집적되는 것도 가능하고, 물리적으로 분리된 위치에 마련되는 것도 가능하다. 메모리는 데이터를 일시적으로 기억하기 위한 S램(Static Random Access Memory, S-RAM), D랩(Dynamic Random Access Memory) 등의 휘발성 메모리를 포함할 수 있다. 또한, 메모리(122)는 제어 프로그램 및 제어 데이터를 장기간 저장하기 위한 롬(Read Only Memory), 이피롬(Erasable Programmable Read Only Memory: EPROM), 이이피롬(Electrically Erasable Programmable Read Only Memory: EEPROM) 등의 비휘발성 메모리를 포함할 수 있다. 프로세서는 각종 논리 회로와 연산 회로를 포함할 수 있으며, 메모리로부터 제공된 프로그램에 따라 데이터를 처리하고, 처리 결과에 따라 제어 신호를 생성할 수 있다.The memory 122 can store programs that perform the above-described operations and the operations described later, and the processor can execute the stored programs. In the case where there are multiple memories and processors, it is possible for them to be integrated into one chip, or they can be provided in physically separate locations. The memory may include volatile memory such as SRAM (Static Random Access Memory, S-RAM) and D-Lab (Dynamic Random Access Memory) for temporarily storing data. In addition, the memory 122 includes read only memory (ROM), erasable programmable read only memory (EPROM), and electrically erasable programmable read only memory (EEPROM) for long-term storage of control programs and control data. May include non-volatile memory. The processor may include various logic circuits and operation circuits, process data according to a program provided from memory, and generate control signals according to the processing results.
방법은 앞서 설명된 본 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도, 본 시스템(1000) 및 본 장치(100)에 대하여 설명된 내용은 방법에 대한 설명에도 동일하게 적용될 수 있다.The method may be performed by the
도 14는 일 실시예에 의한 전자 장치를 이용한 빅데이터 생성 방법을 설명하기 위한 순서도이다.Figure 14 is a flowchart explaining a method of generating big data using an electronic device according to an embodiment.
도 14를 참조하면, 본 장치(100)는, 외부 서버(200)로부터 수신된 데이터를 처리한 것에 기초하여, 제품 정보를 식별할 수 있다(S100).Referring to FIG. 14, the
또한, 본 장치(100)는 식별된 제품 정보에 포함된 제품 종류에 따라 적어도 하나의 제품 그룹 정보를 생성할 수 있다(S110).Additionally, the
또한, 본 장치(100)는 단계 S110에서 생성된 제품 그룹 정보를 기초로 빅데이터를 생성할 수 있다(S120).Additionally, the
도 15는 일 실시예에 의한 전자 장치를 이용한 빅데이터 생산 방법을 설명하기 위한 순서도이다.Figure 15 is a flowchart explaining a method of producing big data using an electronic device according to an embodiment.
도 15를 참조하면, 본 장치(100)는, 외부 서버(200)로부터 수신된 데이터를 처리한 것에 기초하여, 제품 정보를 식별할 수 있다(S100).Referring to FIG. 15, the
또한, 본 장치(100)는 단계 S100에서 식별된 제품 정보 중 미식별 데이터 존재 여부를 판단할 수 있다(S101).Additionally, the
이 경우, 본 장치(100)는 단계 S101에서 미식별 데이터가 존재하는 것으로 식별된 것에 응답하여, 데이터 보충 프로세스를 구동할 수 있다(S102).In this case, the
한편, 본 장치(100)는, 단계 S101에서 미식별 데이터가 존재하지 않는 것으로 식별된 것에 응답하여, 식별된 제품 정보에 포함된 제품 종류에 따라 적어도 하나의 제품 그룹 정보를 생성할 수 있다(S110).Meanwhile, the
또한, 본 장치(100)는 단계 S102에서 데이터 보충이 완료된 것에 응답하여, 식별된 제품 정보에 포함된 제품 종류에 따라 적어도 하나의 제품 그룹 정보를 생성할 수 있다(S110).Additionally, in response to data supplementation being completed in step S102, the
또한, 본 장치(100)는, 제품 그룹 정보를 기초로 빅데이터를 생성할 수 있다(S120).Additionally, the
도 16는 일 실시예에 의한 전자 장치를 이용한 빅데이터 업데이트 방법을 설명하기 위한 순서도이다.Figure 16 is a flowchart explaining a big data update method using an electronic device according to an embodiment.
도 16을 참조하면, 본 장치(100)는, 제품 정보를 외부 서버(200)로 송신할 수 있다(S200).Referring to FIG. 16, the
또한, 본 장치(100)는, 외부 서버(200)로부터 제품 정보에 관한 메타데이터를 수신할 수 있다(S210).Additionally, the
또한, 본 장치(100)는, 단계 S210에서 수신된 메타 데이터 및 미식별 데이터 항목을 외부 서버(200)로 송신할 수 있다(S220).Additionally, the
또한, 본 장치(100)는, 외부 서버(200)로부터 미식별 데이터 항목에 대응되는 미식별 데이터를 수신할 수 있다(S230).Additionally, the
또한, 본 장치(100)는 단계 S230에서 수신된 미식별 데이터를 기초로 빅데이터를 업데이트할 수 있다(S240).Additionally, the
도 17는 일 실시예에 의한 전자 장치를 이용한 빅데이터 업데이트 방법을 설명하기 위한 순서도이다.Figure 17 is a flow chart to explain a big data update method using an electronic device according to an embodiment.
도 17을 참조하면, 본 장치(100)는, 미식별 데이터를 수신한 것에 응답하여, 상기 미식별 데이터를 관리자 단말(500)로 송신할 수 있다(S231).Referring to FIG. 17, the
또한, 본 장치(100)는, 관리자 단말(500)로부터 승인 메시지를 수신할 수 있다(S232).Additionally, the
또한, 본 장치(100)는, 관리자 단말(500)로부터 승인 메시지를 수신한 것에 응답하여, 상기 미식별 데이터를 기초로 빅데이터를 업데이트할 수 있다(S240).Additionally, the
도 18는 일 실시예에 의한 전자 장치를 이용한 비교 정보 생성 방법을 설명하기 위한 순서도이다.Figure 18 is a flow chart to explain a method of generating comparison information using an electronic device according to an embodiment.
도 18을 참조하면, 본 장치(100)는 사용자 단말(300)로부터 고유제품번호를 포함하는 제1 입력을 수신할 수 있다(S300).Referring to FIG. 18, the
또한, 본 장치(100)는, 상기 제1 입력에 대응되는 제품 종류에 관한 제품 그룹 정보를 식별할 수 있다(S310).Additionally, the
또한, 본 장치(100)는, 식별된 제품 그룹 정보에 포함된 적어도 하나의 제품과 상기 제1 입력에 대응되는 제품 간의 유사도를 결정할 수 있다(S320).Additionally, the
또한, 본 장치(100)는, 상기 제1 입력에 대응되는 제1 제품과 상기 결정된 유사도가 가장 높은 제품 간의 비교 정보 생성할 수 있다(S330).Additionally, the
도 19는 일 실시예에 의한 전자 장치를 이용한 비교 정보 생성 방법을 설명하기 위한 순서도이다.Figure 19 is a flow chart to explain a method of generating comparison information using an electronic device according to an embodiment.
도 19를 참조하면, 본 장치(100)는 사용자 단말로부터 고유제품번호를 포함하는 제1 입력을 수신할 수 있다(S300).Referring to FIG. 19, the
또한, 본 장치(100)는, 상기 사용자 단말로부터 상기 제1 입력과 상이한 고유제품번호를 포함하는 제2 입력을 수신할 수 있다(S340).Additionally, the
또한, 본 장치(100)는, 상기 제1 입력에 대응되는 제1 제품과 상기 제2 입력에 대응되는 제2 제품 간의 비교 정보 생성할 수 있다(S350).Additionally, the
도 20는 일 실시예에 의한 전자 장치를 이용한 비교 정보 생성 방법을 설명하기 위한 순서도이다.Figure 20 is a flow chart to explain a method of generating comparison information using an electronic device according to an embodiment.
도 20을 참조하면, 본 장치(100)는, 사용자 단말로부터 적어도 하나의 고유제품정보를 포함하는 위시 리스트 정보를 수신할 수 있다(S400).Referring to FIG. 20, the
또한, 본 장치(100)는, 상기 위시 리스트 정보를 판매자 단말로 송신할 수 있다(S410).Additionally, the
또한, 본 장치(100)는, 상기 판매자 단말로부터 상기 위시 리스트 정보에 대응하는 견적서 정보를 수신할 수 있다(S420).Additionally, the
또한, 본 장치(100)는, 상기 견적서 정보 및 상기 위시 리스트 정보의 제품 종류 별 비매칭 존재 여부를 식별할 수 있다(S430).Additionally, the
또한, 본 장치(100)는, 매칭되지 않는 제품 종류에 대응되는 고유식별번호 간 비교 정보를 생성할 수 있다(S440).Additionally, the
도 21는 일 실시예에 의한 전자 장치를 이용한 추천 모델 학습 방법을 설명하기 위한 순서도이다.Figure 21 is a flowchart for explaining a method of learning a recommendation model using an electronic device according to an embodiment.
도 21을 참조하면, 본 장치(100)는, 판매자 단말로부터 견적서 정보 및 구매자 정보 수신할 수 있다(S500).Referring to FIG. 21, the
또한, 본 장치(100)는, 견적서 정보에 포함된 적어도 하나의 고유제품번호를 식별할 수 있다(S510).Additionally, the
또한, 본 장치(100)는, 상기 식별된 고유제품번호에 상기 구매자 정보를 업데이트할 수 있다(S520).Additionally, the
또한 본 장치(100)는, 상기 식별된 고유제품번호 및 상기 고유제품번호에 대응되는 구매자 정보를 입력으로 추천 모델 학습시킬 수 있다(S530).Additionally, the
도 22는 일 실시예에 의한 전자 장치를 이용한 추천 리스트 정보 생성 방법을 설명하기 위한 순서도이다.Figure 22 is a flow chart to explain a method of generating recommendation list information using an electronic device according to an embodiment.
도 22를 참조하면, 본 장치(100)는 사용자 단말로부터 사용자 정보를 수신할 수 있다(S600).Referring to FIG. 22, the
또한, 본 장치(100)는, 사용자 정보의 널값의 존재 여부를 식별할 수 있다(S610).Additionally, the
이 경우, 본 장치(100)는, 단계 S610에서 사용자 정보의 널값이 존재하는 것으로 식별된 것에 응답하여, 널값에 대한 대체값을 산출할 수 있다(S620).In this case, the
또한, 본 장치(100)는 단계 S620)에서 대체값이 산출된 것에 응답하여, 사용자 정보 및 상기 대체값을 추천 모델에 입력할 수 있다(S630).Additionally, in response to the replacement value being calculated in step S620, the
한편, 본 장치(100)는, 단계 610에서 사용자 정보의 널값이 존재하지 않는 것으로 식별된 것에 응답하여, 사용자 정보를 추천 모델에 입력할 수 있다(S640).Meanwhile, the
이에 따라, 본 장치(100)는, 단계 S630 또는 단계 S640에서 출력된 추천 리스트 정보를 생성할 수 있다(S650).Accordingly, the
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.Meanwhile, the disclosed embodiments may be implemented in the form of a recording medium that stores instructions executable by a computer. Instructions may be stored in the form of program code, and when executed by a processor, may create program modules to perform operations of the disclosed embodiments. The recording medium may be implemented as a computer-readable recording medium.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. Computer-readable recording media include all types of recording media storing instructions that can be decoded by a computer. For example, there may be read only memory (ROM), random access memory (RAM), magnetic tape, magnetic disk, flash memory, and optical data storage devices.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.As described above, the disclosed embodiments have been described with reference to the attached drawings. A person skilled in the art to which the present invention pertains will understand that the present invention can be practiced in forms different from the disclosed embodiments without changing the technical idea or essential features of the present invention. The disclosed embodiments are illustrative and should not be construed as limiting.
1000: 본 시스템
100: 본 장치
110: 통신부
120: 제어부
200: 서버
300: 사용자 단말
400: 판매자 단말
500: 관리자 단말1000: main system
100: This device
110: communication unit 120: control unit
200: server
300: User terminal 400: Seller terminal
500: Administrator terminal
Claims (20)
통신부; 및
상기 빅데이터를 처리하는 프로세서;를 포함하되,
상기 프로세서는,
판매자 단말로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 상기 빅데이터를 업데이트하고,
사용자 단말로부터 사용자 정보를 수신한 것에 응답하여, 상기 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성하는,
전자 장치.Memory that stores big data;
Ministry of Communications; and
Including a processor that processes the big data,
The processor,
In response to receiving quotation information and buyer information corresponding to the quotation information from the seller terminal, updating the big data,
In response to receiving user information from a user terminal, generating recommended list information based on processing the big data and the user information,
Electronic devices.
상기 빅데이터를 업데이트하는 것은,
상기 견적서 정보를 처리한 것에 기초하여, 상기 견적서 정보에 포함된 적어도 하나의 고유제품번호를 식별하고, 상기 식별된 고유제품번호 각각에 상기 구매자 정보를 업데이트하는 것인,
전자 장치.According to paragraph 1,
Updating the big data is,
Based on processing the quotation information, identifying at least one unique product number included in the quotation information, and updating the buyer information for each of the identified unique product numbers,
Electronic devices.
상기 추천 리스트 정보를 생성하는 것은,
상기 사용자 정보를 입력으로 상기 사용자 정보에 대응되는 추천 리스트 정보를 출력하도록 학습된 추천 모델을 기초로 생성되는 것인,
전자 장치.According to paragraph 1,
Creating the recommended list information is,
Generated based on a recommendation model learned to input the user information and output recommendation list information corresponding to the user information,
Electronic devices.
상기 추천 모델은,
상기 견적서 정보에 포함된 적어도 하나의 고유제품번호 및 상기 고유제품번호에 대응되는 상기 구매자 정보를 입력으로 학습되는,
전자 장치.According to paragraph 3,
The recommended model is,
Learned by inputting at least one unique product number included in the quotation information and the buyer information corresponding to the unique product number,
Electronic devices.
상기 프로세서는,
상기 사용자 단말로부터 상기 사용자 정보를 수신한 것에 응답하여, 상기 사용자 정보의 널값 존재 여부를 판단하되,
상기 널값이 존재하는 것에 응답하여, 상기 널값에 대한 대체값을 산출하는,
전자 장치.According to paragraph 3,
The processor,
In response to receiving the user information from the user terminal, determine whether a null value exists in the user information,
In response to the presence of the null value, calculating a replacement value for the null value,
Electronic devices.
상기 추천 리스트 정보를 생성하는 것은,
상기 추천 모델에 상기 사용자 정보 및 상기 대체값을 입력하여, 상기 추천 리스트 정보를 생성하는,
전자 장치.According to clause 5,
Creating the recommended list information is,
Inputting the user information and the replacement value into the recommendation model to generate the recommendation list information,
Electronic devices.
상기 대체값을 산출하는 것은,
상기 구매자 정보를 기초로, 상기 구매자 정보의 항목 간의 상관 관계를 분석하고, 상기 널값을 갖는 항목에 대한 상관 관계 영향도가 가장 높은 항목을 선택하고,
상기 선택된 항목에 기초하여, 제1 대체값을 산출하는,
전자 장치.According to clause 5,
Calculating the replacement value is,
Based on the buyer information, the correlation between items of the buyer information is analyzed, and the item with the highest correlation influence with respect to the item with the null value is selected,
Calculating a first replacement value based on the selected item,
Electronic devices.
상기 프로세서는,
상기 널값을 갖는 항목에 대한 상관 관계 영향도가 두 번째로 높은 항목을 선택하고,
상기 선택된 항목에 기초하여, 제2 대체값을 산출하는,
전자 장치.In clause 7,
The processor,
Select the item with the second highest correlation influence with respect to the item with the null value,
Calculating a second replacement value based on the selected item,
Electronic devices.
상기 프로세서는,
상기 추천 모델에 상기 사용자 정보 및 상기 제1 대체값을 입력하여, 제1 추천 리스트 정보를 생성하고,
상기 추천 모델에 상기 사용자 정보 및 상기 제2 대체값을 입력하여, 제2 추천 리스트 정보를 생성하는,
전자 장치.According to clause 8,
The processor,
Input the user information and the first replacement value into the recommendation model to generate first recommendation list information,
Inputting the user information and the second replacement value into the recommendation model to generate second recommendation list information,
Electronic devices.
상기 프로세서는,
상기 제1 추천 리스트 정보, 상기 제2 추천 리스트 정보 및 빅데이터를 처리한 것에 기초하여, 상기 제1 추천 리스트 정보와 상기 제2 추천 리스트 정보에 포함된 적어도 하나의 동일한 제품 종류에 따른 비교 정보를 포함하는 비교 리스트 정보를 생성하는,
전자 장치.According to clause 9,
The processor,
Based on processing the first recommendation list information, the second recommendation list information, and big data, comparison information according to at least one same product type included in the first recommendation list information and the second recommendation list information is provided. Generating comparison list information containing,
Electronic devices.
상기 구매자 정보 또는 상기 사용자 정보는,
구매 이유 항목, 거주지 형태 항목, 거주 환경 항목, 선호 브랜드 항목, 구매 제품 종류 항목, 생활 습관 항목 및 가족 항목에 관한 데이터 중 적어도 하나를 포함하는,
전자 장치.According to paragraph 1,
The buyer information or the user information,
Containing at least one of data on purchase reason items, residence type items, living environment items, preferred brand items, purchase product type items, lifestyle items, and family items,
Electronic devices.
판매자 단말로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 빅데이터를 업데이트하는 단계; 및
사용자 단말로부터 사용자 정보를 수신한 것에 응답하여, 상기 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성하는 단계;를 포함하는,
방법.In the method of generating recommendation list information,
Updating big data in response to receiving quotation information and buyer information corresponding to the quotation information from a seller terminal; and
In response to receiving user information from a user terminal, generating recommendation list information based on processing the big data and the user information; including;
method.
상기 빅데이터를 업데이트하는 단계는,
상기 견적서 정보를 처리한 것에 기초하여, 상기 견적서 정보에 포함된 적어도 하나의 고유제품번호를 식별하고, 상기 식별된 고유제품번호 각각에 상기 구매자 정보를 업데이트하는 것인,
방법.According to clause 12,
The step of updating the big data is,
Based on processing the quotation information, identifying at least one unique product number included in the quotation information, and updating the buyer information for each of the identified unique product numbers,
method.
상기 추천 리스트 정보를 생성하는 단계는,
상기 사용자 정보를 입력으로 상기 사용자 정보에 대응되는 추천 리스트 정보를 출력하도록 학습된 추천 모델을 기초로 생성되는 것인,
방법.According to clause 12,
The step of generating the recommended list information is,
Generated based on a recommendation model learned to input the user information and output recommendation list information corresponding to the user information,
method.
상기 추천 모델은,
상기 견적서 정보에 포함된 적어도 하나의 고유제품번호 및 상기 고유제품번호에 대응되는 상기 구매자 정보를 입력으로 학습되는,
방법.According to clause 14,
The recommended model is,
Learned by inputting at least one unique product number included in the quotation information and the buyer information corresponding to the unique product number,
method.
상기 방법은,
상기 사용자 단말로부터 상기 사용자 정보를 수신한 것에 응답하여, 상기 사용자 정보의 널값 존재 여부를 판단하는 단계; 및
상기 널값이 존재하는 것에 응답하여, 상기 널값에 대한 대체값을 산출하는 단계;를 더 포함하는,
방법.According to clause 14,
The above method is,
In response to receiving the user information from the user terminal, determining whether a null value exists in the user information; and
In response to the null value existing, calculating a replacement value for the null value,
method.
상기 추천 리스트 정보를 생성하는 단계는,
상기 추천 모델에 상기 사용자 정보 및 상기 대체값을 입력하여, 상기 추천 리스트 정보를 생성하는,
방법.According to clause 16,
The step of generating the recommended list information is,
Inputting the user information and the replacement value into the recommendation model to generate the recommendation list information,
method.
상기 대체값을 산출하는 단계는,
상기 구매자 정보를 기초로, 상기 구매자 정보의 항목 간의 상관 관계를 분석하고, 상기 널값을 갖는 항목에 대한 상관 관계 영향도가 가장 높은 항목을 선택하고,
상기 선택된 항목에 기초하여, 제1 대체값을 산출하는,
방법.According to clause 16,
The step of calculating the replacement value is,
Based on the buyer information, the correlation between items of the buyer information is analyzed, and the item with the highest correlation influence with respect to the item with the null value is selected,
Calculating a first replacement value based on the selected item,
method.
상기 전자 장치는,
판매자 단말로부터 견적서 정보 및 상기 견적서 정보에 대응되는 구매자 정보를 수신한 것에 응답하여, 빅데이터를 업데이트하고,
사용자 단말로부터 사용자 정보를 수신한 것에 응답하여, 상기 빅데이터 및 상기 사용자 정보를 처리한 것을 기초로 추천 리스트 정보를 생성하는,
시스템.In a recommendation list information generating system including an external server that transmits data according to a request from an electronic device and an electronic device that receives and processes data from the external server to generate recommendation list information,
The electronic device is,
In response to receiving quotation information and buyer information corresponding to the quotation information from the seller terminal, big data is updated,
In response to receiving user information from a user terminal, generating recommended list information based on processing the big data and the user information,
system.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220090941 | 2022-07-22 | ||
KR20220090941 | 2022-07-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240013690A true KR20240013690A (en) | 2024-01-30 |
Family
ID=89715471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230094436A KR20240013690A (en) | 2022-07-22 | 2023-07-20 | electronic device for generating list of recommended information and method thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240013690A (en) |
-
2023
- 2023-07-20 KR KR1020230094436A patent/KR20240013690A/en unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10825046B2 (en) | Predictive recommendation system | |
CN108205768B (en) | Database establishing method, data recommending device, equipment and storage medium | |
US20230023201A1 (en) | Dynamic predictive similarity grouping based on vectorization of merchant data | |
KR102472572B1 (en) | Method for profiling user's intention and apparatus therefor | |
KR20180121466A (en) | Personalized product recommendation using deep learning | |
KR102396803B1 (en) | Method for providing marketing management data for optimization of distribution and logistic and apparatus therefor | |
TW201822104A (en) | Intelligent recommendation method and system | |
KR102259358B1 (en) | New Brand Creating System and New Brand Creating method | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
Yan et al. | Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm | |
KR20210066513A (en) | Customer Needs Analysis System and Customer Needs Analysis method | |
KR101639656B1 (en) | Method and server apparatus for advertising | |
WO2024002167A1 (en) | Operation prediction method and related apparatus | |
CN114511374A (en) | Processing method and device for set of customized household appliances, electronic equipment and storage medium | |
CN116089745A (en) | Information recommendation method, device, electronic equipment and computer readable storage medium | |
WO2024041483A1 (en) | Recommendation method and related device | |
Zheng et al. | Incorporating price into recommendation with graph convolutional networks | |
Hong et al. | CPIN: Comprehensive present-interest network for CTR prediction | |
CN117010992A (en) | Training method and recommendation method for recommendation model for multitasking and multi-scene recommendation | |
CN112036987A (en) | Method and device for determining recommended commodities | |
KR20240013690A (en) | electronic device for generating list of recommended information and method thereof | |
KR20240013689A (en) | electronic device for generating comparative information and method thereof | |
KR20240013688A (en) | electronic device for generating big data and method thereof | |
CN115409579A (en) | Meta-learning-based responsive recommendation method, system and equipment | |
KR102349825B1 (en) | Product purchase recommendation time calculation method for member of shopping mall related to e-commerce, apparatus and system using said method |