KR20240044684A - 아이웨어 추천 시스템 및 방법 - Google Patents
아이웨어 추천 시스템 및 방법 Download PDFInfo
- Publication number
- KR20240044684A KR20240044684A KR1020220124010A KR20220124010A KR20240044684A KR 20240044684 A KR20240044684 A KR 20240044684A KR 1020220124010 A KR1020220124010 A KR 1020220124010A KR 20220124010 A KR20220124010 A KR 20220124010A KR 20240044684 A KR20240044684 A KR 20240044684A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- recommendation
- eyewear
- score
- face
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 78
- 230000001815 facial effect Effects 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims description 40
- 230000009467 reduction Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 14
- 210000001061 forehead Anatomy 0.000 claims description 12
- 210000004373 mandible Anatomy 0.000 claims description 11
- 210000000216 zygoma Anatomy 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 210000000887 face Anatomy 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 74
- 210000001331 nose Anatomy 0.000 description 32
- 238000010586 diagram Methods 0.000 description 14
- 238000007637 random forest analysis Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 239000011521 glass Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하고, 기준정보와 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하며, 산출된 점수에 기반하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 기술에 관한 것으로, 본 발명의 일실시예에 따르면 아이웨어 추천 시스템은 복수의 아이웨어 모델 마다 아이웨어 모델을 구매한 고객들의 데이터를 호출하고, 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하고, 상기 구분된 그룹에서 상기 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하는 기준 정보 생성부, 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 상기 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성하는 추천 대상 고객 정보 생성부 및 상기 생성된 기준 정보, 상기 생성된 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하고, 상기 산출된 추천 점수에 기반하여 상기 복수의 아이웨어 모델 중 추천 모델을 결정하는 추천 모델 결정부를 포함할 수 있다.
Description
본 발명은 아이웨어(eyewear) 추천 시스템 및 방법에 관한 것으로, 보다 구체적으로, 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하고, 기준정보와 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하며, 산출된 점수에 기반하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 기술에 관한 것이다.
애플사에서 출시하는 아이폰은 적어도 3만여개의 적외선 도트를 사용자의 페이스에 조사한 후 적외선 센싱 카메라를 이용하여 조사된 적외선 도트의 좌표를 읽어 들이고, 이를 이용하여 페이스 메시(Face Mesh)를 생성할 수 있다.
이렇게 생성된 페이스 메시는 사용자의 페이스 데이터를 근거로 등록된 사용자가 맞는지 확인하는 보안 용도로 사용되는 등 다양한 용도로 활용될 수 있다.
특히, 페이스 메시는 페이스 크기 및 형태에 대한 절대적 정보를 가지고 있기 때문에 다양한 용도로 활용할 수 있다.
다시 말해, 고객들의 얼굴을 스캔하면 형태에 따라 얼굴 위에 여러 점들이 표시되고, 이러한 점들을 이으면 이마 너비도 되고, 눈동자 사이 너비가 되기도 한다.
얼굴 특성들을 이용하면 사람마다 아이웨어 모델이 얼마나 잘 어울리는지 알수 있는데, 기존 추천 방식은 고객들이 구매한 데이터와 얼굴 정보들을 이용해서 고객이 구매할 가능성이 가장 높은 모델을 추천하는 방식 이었다.
덕분에 고객들이 추천되는 모델 내에서 구매한 빈도가 높은데 이는 판매량이 높은 모델 위주로 추천됨에 따라서 특정 모델 만이 추천되는 경우가 많다는 단점이 존재한다.
본 발명은 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하고, 기준정보와 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하며, 산출된 점수에 기반하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명은 고객의 얼굴 크기, 성별 및 나이에 따라 고객 그룹을 세분화하고, 아이웨어 모델 별 판매량을 고려하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명은 복수의 아이웨어 모델 각각에 대하여 고객들의 평균적인 얼굴을 추정하고, 추천 고객 대상의 얼굴과 얼마나 비슷한지 점수를 산출하되 얼굴 크기, 성별, 나이 및 아이웨어 모델의 판매량까지 함께 고려하여 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 일실시예에 따르면 아이웨어 추천 시스템은 복수의 아이웨어 모델 마다 아이웨어 모델을 구매한 고객들의 데이터를 호출하고, 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하고, 상기 구분된 그룹에서 상기 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하는 기준 정보 생성부, 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 상기 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성하는 추천 대상 고객 정보 생성부 및 상기 생성된 기준 정보, 상기 생성된 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하고, 상기 산출된 추천 점수에 기반하여 상기 복수의 아이웨어 모델 중 추천 모델을 결정하는 추천 모델 결정부를 포함할 수 있다.
상기 기준 정보 생성부는 고객들의 얼굴을 스캔하여 형태에 따라 얼굴 위에 여러 점들이 표시되고, 표시된 점들을 이어서 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이, 및 코끝-턱끝 길이 중에서 적어도 하나를 산출하여 얼굴 크기를 결정하고, 상기 결정된 얼굴 크기에 따라 상기 호출된 데이터의 그룹을 구분할 수 있다.
상기 기준 정보 생성부는 상기 성별 정보에 따라 상기 호출된 데이터의 그룹을 남자 또는 여자로 구분하고, 상기 나이 정보에 따라 상기 호출된 데이터의 그룹을 연령대 별로 구분할 수 있다.
상기 기준 정보 생성부는 상기 얼굴 특징 정보와 상기 나이 정보 또는 상기 성별 정보를 X 변수로 결정하고, 아이웨어 모델의 사이즈를 Y 변수로 결정하며, 상기 Y 변수와 상기 X 변수에 대하여 차원축소기법을 적용하여 축소된 Z 변수를 산출하고, 상기 산출된 Z 변수에 대해 주어진 차원별 가중치로 가중합을 수행하여 점수를 계산하고, 상기 계산된 점수와 사이즈가 양의 상관 관계를 이루도록 부호를 조정하며, 상기 점수를 특정 개수의 그룹으로 구분하여 상기 호출된 데이터의 그룹을 구분할 수 있다.
상기 기준 정보 생성부는 상기 Z 변수 가중합으로 계산된 점수의 분위수(Quantile)를 이용하여 상기 호출된 데이터의 그룹을 미리 설정한 그룹의 개수로 구분할 수 있다.
상기 추천 대상 고객 정보 생성부는 상기 추천 대상 고객의 얼굴을 스캔하여 페이스 메시를 생성하고, 상기 생성된 페이스 메시로부터 상기 얼굴 특징 정보를 생성할 수 있다.
상기 얼굴 특징 정보는 상기 생성된 페이스 메시에 대한 크기 분석, 모양 분석, 모양 비율 분석 및 코 분석 처리에 기반하고, 상기 크기 분석에 따라 페이스 너비, 눈동자 사이 너비, 눈초리 사이 너비, 눈구석 사이 너비 및 코기둥 너비를 포함하며, 상기 모양 분석에 따라 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이 및 코끝-턱끝 길이를 포함하며, 모양 비율 분석을 통해 수직-수평비율, 하악-페이스너비 비율 및 페이스너비-광골 비율을 포함하고, 상기 코 분석에 따라 콧등 높이, 코끝 높이, 코 길이 및 코 각도를 포함하며, 얼굴 전체 면적과 관련된 얼굴 크기를 포함할 수 있다.
상기 추천 모델 결정부는 상기 생성된 기준 정보 및 상기 생성된 추천 대상 고객 정보에 대하여 차원축소기법을 적용하여 변수 개수를 줄이고, 상기 복수의 아이웨어 모델과 복수의 변수의 차원 별로 평균을 빼고, 표준편차로 나눠주는 표준화 과정을 수행한 후, 상기 복수의 아이웨어 모델과 상기 복수의 변수의 차원 별로 누적분포함수를 계산하고, 상기 계산된 누적분포함수에 따른 양단의 점수(p-value)를 계산하며, 상기 계산된 양단의 점수(p-value)를 차원에 대응되는 차원별 가중치를 이용해 가중평균을 수행하여 상기 복수의 아이웨어 모델 마다 적합도 점수를 계산함에 따라 상기 추천 점수를 산출할 수 있다.
상기 추천 모델 결정부는 상기 복수의 아이웨어 모델 각각의 판매량 및 상기 추천 대상 고객이 상기 복수의 아이웨어 모델 각각을 구매할 확률을 기계 학습 하여 상기 추가 학습 정보로 이용하고, 상기 적합도 점수와 상기 추가 학습 정보를 사전에 설정한 가중치에 따라 가중합하는 앙상블 기법에 따른 기계 학습에 기반하여 추천 점수를 산출할 수 있다.
상기 추천 모델 결정부는 상기 산출된 추천 점수와 관련하여 혼동 행렬(confusion matrix) 및 AUC(Area Under the Curve)를 도출하고, 상기 산출된 추천 점수에 대한 상기 결정된 추천 모델의 평가 지표로 이용할 수 있다.
본 발명의 일실시예에 따르면 아이웨어 추천 방법은 기준 정보 생성부에서, 복수의 아이웨어 모델 마다 아이웨어 모델을 구매한 고객들의 데이터를 호출하는 단계, 상기 기준 정보 생성부에서, 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하는 단계, 상기 기준 정보 생성부에서, 상기 구분된 그룹에서 상기 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하는 단계, 추천 대상 고객 정보 생성부에서, 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 상기 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성하는 단계, 천 모델 결정부에서, 상기 생성된 기준 정보, 상기 생성된 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하는 단계 및 기 추천 모델 결정부에서, 상기 산출된 추천 점수에 기반하여 상기 복수의 아이웨어 모델 중 추천 모델을 결정하는 단계를 포함할 수 있다.
상기 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하는 단계는, 고객들의 얼굴을 스캔하여 형태에 따라 얼굴 위에 여러 점들이 표시되고, 표시된 점들을 이어서 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이, 및 코끝-턱끝 길이 중에서 적어도 하나를 산출하여 얼굴 크기를 결정하고, 상기 결정된 얼굴 크기에 따라 상기 호출된 데이터의 그룹을 구분하는 단계를 포함할 수 있다.
상기 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하는 단계는, 상기 얼굴 특징 정보와 상기 나이 정보 또는 상기 성별 정보를 X 변수로 결정하고, 아이웨어 모델의 사이즈를 Y 변수로 결정하며, 상기 Y 변수와 상기 X 변수에 대하여 차원축소기법을 적용하여 축소된 Z 변수를 산출하고, 상기 산출된 Z 변수에 대해 주어진 차원별 가중치로 가중합을 수행하여 점수를 계산하고, 상기 계산된 점수와 사이즈가 양의 상관 관계를 이루도록 부호를 조정하며, 상기 점수를 특정 개수의 그룹으로 구분하여 상기 호출된 데이터의 그룹을 구분하는 단계를 포함할 수 있다.
상기 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 상기 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성하는 단계는,
상기 추천 대상 고객의 얼굴을 스캔하여 페이스 메시를 생성하고, 상기 생성된 페이스 메시로부터 상기 얼굴 특징 정보를 생성하는 단계를 포함하고,
상기 얼굴 특징 정보는 상기 생성된 페이스 메시에 대한 크기 분석, 모양 분석, 모양 비율 분석 및 코 분석 처리에 기반하고, 상기 크기 분석에 따라 페이스 너비, 눈동자 사이 너비, 눈초리 사이 너비, 눈구석 사이 너비 및 코기둥 너비를 포함하며, 상기 모양 분석에 따라 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이 및 코끝-턱끝 길이를 포함하며, 모양 비율 분석을 통해 수직-수평비율, 하악-페이스너비 비율 및 페이스너비-광골 비율을 포함하고, 상기 코 분석에 따라 콧등 높이, 코끝 높이, 코 길이 및 코 각도를 포함하며, 얼굴 전체 면적과 관련된 얼굴 크기를 포함할 수 있다.
상기 생성된 기준 정보, 상기 생성된 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하는 단계는, 상기 생성된 기준 정보 및 상기 생성된 추천 대상 고객 정보에 대하여 차원축소기법을 적용하여 변수 개수를 줄이고, 상기 복수의 아이웨어 모델과 복수의 변수의 차원 별로 평균을 빼고, 표준편차로 나눠주는 표준화 과정을 수행한 후, 상기 복수의 아이웨어 모델과 상기 복수의 변수의 차원 별로 누적분포함수를 계산하고, 상기 계산된 누적분포함수에 따른 양단의 점수(p-value)를 계산하며, 상기 계산된 양단의 점수(p-value)를 차원에 대응되는 차원별 가중치를 이용해 가중평균을 수행하여 상기 복수의 아이웨어 모델 마다 적합도 점수를 계산하는 단계 및 상기 복수의 아이웨어 모델 각각의 판매량 및 상기 추천 대상 고객이 상기 복수의 아이웨어 모델 각각을 구매할 확률을 기계 학습 하여 상기 추가 학습 정보로 이용하고, 상기 적합도 점수와 상기 추가 학습 정보를 사전에 설정한 가중치에 따라 가중합하는 앙상블 기법에 따른 기계 학습에 기반하여 추천 점수를 산출하는 단계를 포함할 수 있다.
본 발명은 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하고, 기준정보와 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하며, 산출된 점수에 기반하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공할 수 있다.
본 발명은 고객의 얼굴 크기, 성별 및 나이에 따라 고객 그룹을 세분화하고, 아이웨어 모델 별 판매량을 고려하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공할 수 있다.
본 발명은 복수의 아이웨어 모델 각각에 대하여 고객들의 평균적인 얼굴을 추정하고, 추천 고객 대상의 얼굴과 얼마나 비슷한지 점수를 산출하되 얼굴 크기, 성별, 나이 및 아이웨어 모델의 판매량까지 함께 고려하여 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공할 수 있다.
본 발명은 종래 기술에 따른 스코어링 알고리즘(예: 랜덤 포레스트 알고리즘 등)에서 충족할 수 없는 적합도 조건을 만족하여 p-value의 성질에 의해 적합도가 0과 1사이의 값을 가지고, 다른 모델 적합도 값에 독립적으로, 다른 모델 적합도 계산에 영향을 주지 않는 적합도 조건에 만족하는 기계 학습과 추천 점수 산출 알고리즘의 앙상블 기법이 적용된 앙상블 알고리즘을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 아이웨어 추천 시스템을 설명하는 도면이다.
도 2는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘을 설명하는 도면이다.
도 3은 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹 별 점수를 산출하는 알고리즘을 설명하는 도면이다.
도 4a 내지 도 4d는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘 및 고객 그룹 별 점수를 산출하는 알고리즘에 따른 시뮬레이션 데이터를 설명하는 도면이다.
도 5는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 기계 학습과 추천 점수 산출 알고리즘의 앙상블 기법이 적용된 앙상블 알고리즘을 설명하는 도면이다.
도 6a 및 도 6b는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 앙상블 알고리즘에 따른 시뮬레이션 데이터를 설명하는 도면이다.
도 7은 본 발명의 일실시예에 따른 아이웨어 추천 방법을 설명하는 도면이다.
도 2는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘을 설명하는 도면이다.
도 3은 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹 별 점수를 산출하는 알고리즘을 설명하는 도면이다.
도 4a 내지 도 4d는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘 및 고객 그룹 별 점수를 산출하는 알고리즘에 따른 시뮬레이션 데이터를 설명하는 도면이다.
도 5는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 기계 학습과 추천 점수 산출 알고리즘의 앙상블 기법이 적용된 앙상블 알고리즘을 설명하는 도면이다.
도 6a 및 도 6b는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 앙상블 알고리즘에 따른 시뮬레이션 데이터를 설명하는 도면이다.
도 7은 본 발명의 일실시예에 따른 아이웨어 추천 방법을 설명하는 도면이다.
이하, 본 문서의 다양한 실시 예들이 첨부된 도면을 참조하여 기재된다.
실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다.
하기에서 다양한 실시 예들을 설명에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 다양한 실시 예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다.
"제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다.
본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다.
어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
또한, '또는' 이라는 용어는 배타적 논리합 'exclusive or' 이기보다는 포함적인 논리합 'inclusive or' 를 의미한다.
즉, 달리 언급되지 않는 한 또는 문맥으로부터 명확하지 않는 한, 'x가 a 또는 b를 이용한다' 라는 표현은 포함적인 자연 순열들(natural inclusive permutations) 중 어느 하나를 의미한다.
이하 사용되는 '..부', '..기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일실시예에 따른 아이웨어 추천 시스템을 설명하는 도면이다.
도 1은 본 발명의 일실시예에 따른 아이웨어 추천 시스템의 구성 요소를 예시한다.
도 1을 참고하면, 본 발명의 일실시예에 따른 아이웨어 추천 시스템(100)은 기준 정보 생성부(110), 추천 대상 고객 정보 생성부(120) 및 추천 모델 결정부(130)를 포함한다.
제어부(140)는 기준 정보 생성부(110), 추천 대상 고객 정보 생성부(120) 및 추천 모델 결정부(130)의 동작을 제어한다.
제어부(140)는 기준 정보 생성부(110), 추천 대상 고객 정보 생성부(120) 및 추천 모델 결정부(130)가 저장부로부터 데이터를 호출하거나 저장하도록 지원한다.
본 발명의 일실시예에 따른 아이웨어 추천 시스템(100)은 복수의 아이웨어 모델 마다 아이웨어 모델 별로 고객들의 평균적인 얼굴을 추정하고, 추천 대상 고객이 유입되는 경우에 추천 대상 고객이 아이웨어 모델 별 평균적인 얼굴과 얼마나 비슷한지 추정하여 추천 점수를 산출하며, 산출된 추천 점수에 따른 모델을 높은 점수 순으로 정렬하여 추천하는 아이웨어 추천 기술을 수행한다.
본 발명의 일실시예에 따르면 기준 정보 생성부(110)는 복수의 아이웨어 모델 마다 아이웨어 모델을 구매한 고객들의 데이터를 호출하고, 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 호출된 데이터의 그룹을 구분할 수 있다.
또한, 기준 정보 생성부(110)는 구분된 그룹에서 상기 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성할 수 있다.
여기서, 기준 정보는 새로운 고객이 유입되는 경우에 새로 유입되는 고객을 추천 대상 고객으로 결정하고, 추천 대상 고객에게 새로운 아이웨어 모델을 추천하기 위한 기준 및 비교 대상 정보일 수 있다.
기준 정보 생성부(110)는 얼굴이 크더라도 이마가 좁거나 코가 작은 사람들이 존재하는데, 기존에 얼굴의 특징을 이용한 추천 기준을 보다 구체화하기 위해 얼굴 크기에 따라 고객들의 그룹을 구분하여 기준 정보를 생성할 수 있다.
일례로, 기준 정보 생성부(110)는 고객들의 얼굴을 스캔하여 형태에 따라 얼굴 위에 여러 점들이 표시되고, 표시된 점들을 이어서 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이, 및 코끝-턱끝 길이 중에서 적어도 하나를 산출하여 얼굴 크기를 결정하고, 결정된 얼굴 크기에 따라 상기 호출된 데이터의 그룹을 구분할 수 있다.
또한, 기준 정보 생성부(110)는 성별 및 나이에 따라 아이웨어를 추천하는 기준 정보를 구분하여 생성할 수 있다.
즉, 기준 정보 생성부(110)는 성별 정보에 따라 고객의 그룹을 남자 또는 여자로 구분하고, 나이 정보에 따라 고객의 그룹을 연령대 별로 구분하여 기준 정보를 생성할 수 있다.
예를 들어, 기준 정보는 아이웨어 추천과 관련된 평균적인 얼굴에 대한 정보로서, 특정 아이웨어를 구매 또는 사용하는 고객의 얼굴 특징 정보, 나이 및 성별을 고려하여 구분된 각 그룹 마다 결정될 수 있다.
본 발명의 일실시예에 따르면 기준 정보 생성부(110)는 얼굴 특징 정보와 나이 정보 또는 성별 정보를 X 변수로 결정하고, 아이웨어 모델의 사이즈를 Y 변수로 결정한다.
또한, 기준 정보 생성부(110)는 Y 변수와 X 변수에 대하여 차원축소기법을 적용하여 축소된 Z 변수를 산출하고, 산출된 Z 변수에 대해 주어진 차원별 가중치로 가중합을 수행하여 점수를 계산하고, 계산된 점수와 사이즈가 양의 상관 관계를 이루도록 부호를 조정한다.
또한, 기준 정보 생성부(110)는 점수를 특정 개수의 그룹으로 구분하여 호출된 데이터의 그룹을 구분할 수 있다.
일례로, 기준 정보 생성부(110)는 Z 변수 가중합으로 계산된 점수의 분위수(Quantile)를 이용하여 호출된 데이터의 그룹을 미리 설정한 그룹의 개수로 구분할 수 있다.
예를 들어, 기준 정보 생성부(110)는 미리 설정한 그룹 개수가 4개인 경우, 하위 0~24%는 제1 그룹, 25~49%는 제2 그룹, 50~74%는 제3 그룹 및 75~100%는 그룹 4로 배정할 수 있다.
본 발명의 일실시예에 따르면 추천 대상 고객 정보 생성부(120)는 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성할 수 있다.
일례로, 추천 대상 고객 정보 생성부(120)는 기준 정보 생성부(110)에서 세분화된 고객 그룹에 따라 추천 대상 고객 정보를 생성할 수 있다.
본 발명의 일실시예에 따르면 추천 대상 고객 정보 생성부(120)는 추천 대상 고객의 얼굴을 스캔하여 페이스 메시를 생성하고, 생성된 페이스 메시로부터 얼굴 특징 정보를 생성할 수 있다.
예를 들어, 기준 정보와 추천 대상 고객 정보에 활용되는 얼굴 특징 정보는 생성된 페이스 메시에 대한 크기 분석, 모양 분석, 모양 비율 분석 및 코 분석 처리에 기반한다.
얼굴 특징 정보는 크기 분석에 따라 페이스 너비, 눈동자 사이 너비, 눈초리 사이 너비, 눈구석 사이 너비 및 코기둥 너비를 포함한다.
또한, 얼굴 특징 정보는 모양 분석에 따라 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이 및 코끝-턱끝 길이를 포함한다.
또한, 얼굴 특징 정보는 모양 비율 분석을 통해 수직-수평비율, 하악-페이스너비 비율 및 페이스너비-광골 비율을 포함하고, 코 분석에 따라 콧등 높이, 코끝 높이, 코 길이 및 코 각도를 포함하며, 얼굴 전체 면적과 관련된 얼굴 크기를 포함한다.
본 발명의 일실시예에 따르면 추천 모델 결정부(130)는 기준 정보, 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하고, 산출된 추천 점수에 기반하여 복수의 아이웨어 모델 중 추천 모델을 결정한다.
일례로, 추천 모델 결정부(130)는 생성된 기준 정보 및 생성된 추천 대상 고객 정보에 대하여 차원축소기법을 적용하여 변수 개수를 줄이고, 복수의 아이웨어 모델과 복수의 변수의 차원 별로 평균을 빼고, 표준편차로 나눠주는 표준화 과정을 수행한 후, 복수의 아이웨어 모델과 상기 복수의 변수의 차원 별로 누적분포함수를 계산하고, 계산된 누적분포함수에 따른 양단의 점수(p-value)를 계산하며, 계산된 양단의 점수(p-value)를 차원에 대응되는 차원별 가중치를 이용해 가중평균을 수행하여 복수의 아이웨어 모델 마다 적합도 점수를 계산함에 따라 추천 점수를 산출할 수 있다.
본 발명의 일실시예에 따르면 추천 모델 결정부(130)는 복수의 아이웨어 모델 각각의 판매량 및 추천 대상 고객이 복수의 아이웨어 모델 각각을 구매할 확률을 기계 학습하여 추가 학습 정보로 이용하고, 적합도 점수와 추가 학습 정보를 가중합하는 앙상블(ensemble) 기법에 따른 기계 학습에 기반하여 추천 점수를 산출할 수 있다.
예를 들어, 추천 모델 결정부(130)는 판매량이 높은 아이웨어 모델에 대하여 가산점을 추가적으로 부여하고, 해당 아이웨어 모델을 고객이 구매할 확률을 증가하는 추가 학습 정보를 추가적으로 이용하여 추천 점수의 정확도를 높일 수 있다.
예를 들어, 추천 모델 결정부(130)는 산출된 추천 점수와 관련하여 혼동 행렬(confusion matrix) 및 AUC(Area Under the Curve)를 도출하고, 산출된 추천 점수에 대한 추천 모델의 평가 지표로 혼동 행렬과 AUC를 이용할 수 있다.
따라서, 본 발명은 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하고, 기준정보와 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하며, 산출된 점수에 기반하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공할 수 있다.
도 2는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘을 설명하는 도면이다.
도 2는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘을 예시한다.
도 2를 참고하면, 단계(201)에서 고객 그룹을 세분화하는 알고리즘은 복수의 X 변수에 대한 표준화를 수행한다.
예를 들어, X 변수는 고객의 나이 및 성별 그리고 얼굴의 특징일 수 있다.
단계(202)에서 고객 그룹을 세분화하는 알고리즘은 Y 변수와 X 변수에 대한 차원축소기법을 수행하여 차원을 축소한다.
예를 들어, Y 변수는 아이웨어 사이즈 일 수 있다. Y 변수와 X 변수에 대한 차원축소기법을 적용하여 차원별 가중치의 합이 0.9 이상이 되는 차원까지 축소를 한다.
고객 그룹을 세분화하는 알고리즘은 하기 수학식 1에 기반하여 차원을 축소한다.
[수학식 1]
수학식 1에서, bj는 차원축소기법으로 계산된 j번째 차원의 고유벡터를 나타낼 수 있고, d는 차원별 고유값 합이 0.9가 넘는 최소의 차원 개수를 나타낼 수 있으며, D는 데이터의 변수 개수를 나타낼 수 있고, zj는 변환된 데이터의 j번째 차원의 값을 나타낼 수 있으며, x는 새로운 데이터를 나타낼 수 있고, j는 차원축소기법으로 계산된 j번째 차원의 고유값을 나타낼 수 있으며, T는 벡터의 트랜스포즈(Transpose) 연산을 나타낼 수 있다.
단계(203)에서 고객 그룹을 세분화하는 알고리즘은 축소된 변수 Z를 각 차원 별로 표준화한다.
여기서, 축소된 변수 Z는 단계(202)에서 축소된 변수일 수 있다.
고객 그룹을 세분화하는 알고리즘은 하기 수학식 2에 기반하여 Z를 각 차원별로 표준화한다.
[수학식 2]
수학식 2에서, zj는 변환된 데이터의 j번째 차원의 값을 나타낼 수 있고, μz,j는 변환된 데이터 z의 j번째 차원의 평균을 나타낼 수 있으며, σz,j는 변환된 데이터 z의 j번째 차원의 표준편차를 나타낼 수 있고, 는 변환된 데이터를 표준화한 j번째 차원의 값을 나타낼 수 있다.
단계(204)에서 고객 그룹을 세분화하는 알고리즘은 표준화된 변수들의 차원에 대응되는 가중치로 가중합을 수행한다.
고객 그룹을 세분화하는 알고리즘은 하기 수학식 3에 기반하여 가중합을 수행하여 점수(Sg)를 산출할 수 있다.
[수학식 3]
수학식 3에서, Scoreg는 점수(Sg)를 나타낼 수 있고, d는 차원별 고유값 합이 0.9가 넘는 최소의 차원 개수를 나타낼 수 있으며, j는 차원축소기법으로 계산된 j번째 차원의 고유값을 나타낼 수 있고, 는 변환된 데이터를 표준화한 j번째 차원의 값을 나타낼 수 있다.
단계(205)에서 고객 그룹을 세분화하는 알고리즘은 점수(Sg)와 사이즈가 양의 상관을 이루도록 부호를 조정한다.
고객 그룹을 세분화하는 알고리즘은 하기 수학식 4에 기반하여 부호를 조정할 수 있다.
[수학식 4]
단계(206)에서 고객 그룹을 세분화하는 알고리즘은 점수를 g개의 그룹으로 구분한다.
예를 들어, g 개의 그룹은 점수를 g분위수로 일정하게 구간을 나눠 g개의 그룹으로 분리하여 결정될 수 있다.
기존 방법들은 유의한 변수들을 찾아내어 회귀 기법이나 군집 분석을 사용하는 방식이다. 그러나 회귀 기법은 범주형 종속 변수에 적용하기 어렵고, 군집 분석은 종속 변수 Y를 고려하지 않는 비지도학습인 경우가 많다.
고객 그룹을 세분화하는 알고리즘은 종속 변수가 범주형 변수여도 동일하게 사용 가능하며, 범주가 3개보다 많아도 적용할 수 있다.
예를 들어, 프리(Free) 사이즈라는 범주형 변수가 들어왔을 때, 기존 회귀 방법들은 프리를 숫자로 변환해야 하지만, 상술한 방법론은 범주형 변수에 대해서도 동일하게 적용 가능하다.
그 외에도 변수들을 변환해 임의로 점수를 환산하는 방법이 있지만, 고유벡터와 고유값을 이용해 임의성을 배제할 수 있다는 장점이 있다.
예를 들어, 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘을 이용하여 고객 그룹을 세분화하여 아이웨어 추천 정확도를 향상시킬 수 있다.
도 3은 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹 별 점수를 산출하는 알고리즘을 설명하는 도면이다.
도 3은 본 발명의 일실시예에 다른 고객 그룹 별 점수를 산출하는 알고리즘이 도 2에서 설명된 고객 그룹을 세분화하는 알고리즘에 기반하여 분리된 그룹별로 차원축소 기반의 스코어링(scoring)을 수행하여 복수의 아이웨어 모델이 추천 대상 고객에게 얼마나 잘 어울리는지 나타내는 적합도를 계산하는 실시예를 예시한다.
도 3을 참고하면, 단계(301)에서 고객 그룹 별 점수를 산출하는 알고리즘은 복수의 X 변수에 대한 표준화를 수행한다.
예를 들어, X 변수는 고객의 나이 및 성별 그리고 얼굴의 특징일 수 있다.
단계(302)에서 고객 그룹 별 점수를 산출하는 알고리즘은 Y 변수와 X 변수에 대한 차원축소기법을 수행하여 차원을 축소한다.
예를 들어, Y 변수는 아이웨어 사이즈 일 수 있다.
Y 변수와 X 변수에 대해 차원축소기법을 적용하여 가중치의 합이 0.9 이상이 되는 차원까지 축소를 한다.
고객 그룹 별 점수를 산출하는 알고리즘은 상기 수학식 1을 이용하여 차원을 축소한다.
단계(303)에서 고객 그룹 별 점수를 산출하는 알고리즘은 k 번째 모델 별 평균 및 합동 분산을 수행한다.
고객 그룹 별 점수를 산출하는 알고리즘은 평균을 각 차원과 모델별로 계산하고, 분산은 차원별로 계산하며 모델에 따른 차이를 두지 않도록 계산한다.
고객 그룹 별 점수를 산출하는 알고리즘은 하기 수학식 5에 기반하여 k 번째 모델 별 평균 및 합동 분산을 수행한다.
[수학식 5]
수학식 5에서, K는 종속변수 y의 전체 범주 개수를 나타낼 수 있고, d는 고유값 합이 0.9 이상이 되는 최소 차원 수를 나타낼 수 있으며, n은 전체 데이터 개수를 나타낼 수 있고, nk는 k번째 범주의 데이터 개수를 나타낼 수 있으며, i, j, k는 각각 데이터 번호(i), 차원 번호(j), 범주 번호(k)를 나타내는 기호를 나타낼 수 있고, zj는 변환된 데이터를 표준화한 j번째 차원의 값을 나타낼 수 있으며, I{yi=k}는 i번째 데이터의 종속변수 yi가 범주 k인 경우 1, 아니면 0인 지시 함수(Indicator function)를 나타낼 수 있고, 는 종속변수 y가 k인 데이터들의 j번째 차원의 평균 추정치를 나타낼 수 있으며, 는 j번째 차원의 합동 분산 추정치를 나타낼 수 있다.
단계(304)에서 고객 그룹 별 점수를 산출하는 알고리즘은 축소된 변수 z를 각 차원 별로 표준화한다.
고객 그룹 별 점수를 산출하는 알고리즘은 상기 수학식 2를 이용하여 표준화를 수행할 수 있다.
단계(305)에서 고객 그룹 별 점수를 산출하는 알고리즘은 표준화된 변수에 대한 절대값화를 수행한다.
단계(306)에서 고객 그룹 별 점수를 산출하는 알고리즘은 변환된 변수에 대한 누적분포함수를 계산한다.
단계(307)에서 고객 그룹 별 점수를 산출하는 알고리즘은 p 값을 계산하여 j 번째 차원의 스코어로 계산한다.
고객 그룹 별 점수를 산출하는 알고리즘은 대칭인 확률분포의 누적분포함수 값을 이용하여 양측 p-값을 계산하는데, 이때의 p-값을 j 번째 차원의 스코어로 계산한다.
단계(308)에서 고객 그룹 별 점수를 산출하는 알고리즘은 k개의 모델에 대해 j번째 차원에 대응되는 가중치로 가중 평균을 계산한다.
고객 그룹 별 점수를 산출하는 알고리즘은 하기 수학식 6에 기반하여 가중 평균을 계산한다.
[수학식 6]
수학식 6에서, K는 종속변수 y의 전체 범주 개수를 나타낼 수 있고, d는 고유값 합이 0.9 이상이 되는 최소 차원 수를 나타낼 수 있으며, j는 차원축소기법으로 계산된 j번째 차원의 고유값을 나타낼 수 있고, Sk,j는 k번째 범주의 j번째 차원 점수를 나타낼 수 있다.
고객 그룹 별 점수를 산출하는 알고리즘은 가중 평균을 계산하면서 다른 모델이 어떠한 값을 가지든 관계없이 0% 내지 100%의 값을 가져 적합도의 조건에 만족하도록 한다.
고객 그룹 별 점수를 산출하는 알고리즘은 각 아이웨어 모델 별 고객들의 평균적인 얼굴이 있다는 가정에서 평균적인 얼굴을 계산하되, 변수가 많으므로 차원축소기법을 통해 Y 변수에 대한 정보가 덜 손실되게 변수 개수를 줄인다.
줄어든 변수들의 모델 별 평균을 계산하고, 모델 별 평균과 고객의 데이터 간의 거리를 측정하고, 거리가 멀수록 덜 어울리는 모델이고, 평균에 가까울수록 어울리는 모델로 추천 점수를 산출하도록 한다.
도 4a 내지 도 4d는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 고객 그룹을 세분화하는 알고리즘 및 고객 그룹 별 점수를 산출하는 알고리즘에 따른 시뮬레이션 데이터를 설명하는 도면이다.
도 4a는 고객 그룹을 세분화하는 알고리즘 및 고객 그룹 별 점수를 산출하는 알고리즘에서 시뮬레이션을 통해 산출하는 변수 별 히스토그램에 대한 그래프(400)를 나타낸다.
그래프(400)의 히스토그램들은 X 변수에 따른 Z 변수 별로 히스토그램을 형성한 결과를 예시한다.
도 4b는 고객 그룹 별 점수를 산출하는 알고리즘에서 누적분포함수의 연산 결과를 나타낸다.
도 4b의 그래프(410)는 고객 그룹 별 점수를 산출하는 알고리즘에서 1차원의 변환된 변수 Z를 아이웨어 모델에 대하여 표준화한 결과를 나타낸다.
도 4c는 고객 그룹 별 점수를 산출하는 알고리즘에서 누적분포함수의 연산 결과에 따른 양측 p-값을 나타낸다.
도 4c의 그래프(420)는 고객 그룹 별 점수를 산출하는 알고리즘에서 p-값을 나타낸다.
p-값은 관측된 값보다 더 극단적인 값들을 얻을 확률을 의미한다.
따라서 대칭인 확률분포의 경우, 단측 p-값은 1-누적분포함수와 같다. 양측 p-값은 반대 방향으로도 더 극단적인 값들을 얻을 확률도 포함한다.
그래프(420)에서 단측 p-값은 0~0.5 사이의 값을 갖고, 양측 p-값은 0~1 사이의 값을 가지므로, 양측 p-값을 해당 차원의 스코어로 둘 수 있다.
도 4d는 고객 그룹 별 점수를 산출하는 알고리즘에 대한 평가 지표로서 혼동 행렬(confusion matrix)을 예시한다.
도 4d를 참고하면, 혼동 행렬(430)은 Y축이 실제 구매한 모델, X축이 Score 기준으로 가장 어울리는 모델을 의미한다.
혼동 행렬(430)은 그래프(410), 그래프(420) 및 그래프(430)과 관련된다.
대각선이 실제 구매 모델과 어울리는 모델이 같은 경우이며, 각 칸은 실제 구매 모델 별 정확도를 나타내고 있다.
추가적으로, 활용되는 평가 지표로는 AUC(Area Under the Curve)가 존재하며, 도 6a 및 도 6b를 이용하여 추가 설명한다.
도 5는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 기계 학습과 추천 점수 산출 알고리즘의 앙상블 기법이 적용된 앙상블 알고리즘을 설명하는 도면이다.
도 5는 아이웨어 추천 시스템에서 기계 학습과 추천 점수 산출 알고리즘의 앙상블 기법이 적용된 알고리즘을 예시한다. 이하, 설명의 편의를 위해 앙상블 알고리즘으로 지칭한다.
앙상블 알고리즘은 평균에 기반해 점수를 계산하기 때문에, 해당 모델이 얼마나 판매되었는지 고려하지 않는다.
많이 판매되는 모델과 그렇지 않은 모델을 추천함에 있어 차등을 두지 않는다.
그러나 매출이 높은 모델은 얼굴 변수로는 알기 어려운 차이가 있기 때문에, 이를 감안해 모델을 추천해야한다.
랜덤포레스트(random forest, RF) 등 분류 기계 학습 모델들은 "구매할 확률"을 계산한다.
따라서 레이블이 많을수록, 즉 매출이 높은 모델일수록 더 많이 추천하게 된다.
랜덤포레스트를 이용해 구매할 확률을 추정하고, 이를 추천 점수 산출 알고리즘의 적합도와 가중합하는 앙상블 기법을 적용하는 알고리즘이다.
도 5를 참고하면, 단계(501)에서 앙상블 알고리즘은 랜덤 포레스트 분류기에 데이터를 입력하여 학습한다.
단계(502)에서 앙상블 알고리즘은 추천 대상 고객에 대해 각 모델 별 구매할 확률을 계산한다.
단계(503)에서 앙상블 알고리즘은 추천 점수 산출 알고리즘의 적합도와 랜덤 포레스트 확률을 가중합하되, 확률 값이 1을 넘지 않도록 가중치 조절을 수행한다.
가중치는 미리 설정된 값으로 결정될 수 있고, RF의 가중치를 늘릴수록 매출을 더 많이 고려하여 추천을 하게 된다.
가중치가 너무 높아지면 매출 기준 상위 모델만 추천되는 문제가 발생하므로, 적절한 가중치를 선정한다.
예를 들어, 앙상블 알고리즘은 추천 점수 산출 알고리즘에 따른 적합도 값에 가중치 값과 구매확률 값을 곱한 값을 더하여 앙상블 기법 적용 결과(S*)를 도출할 수 있다.
앙상블 알고리즘은 추천 점수 산출 알고리즘에 기반한 적합도와 추가 학습 정보인 고객이 구매할 확률을 함께 고려하여 기계 학습함에 따라 추천 점수의 정확도를 증가시킬 수 있다.
도 6a 및 도 6b는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 앙상블 알고리즘에 따른 시뮬레이션 데이터를 설명하는 도면이다.
도 6a는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 앙상블 알고리즘이 가중치를 0.1로 적용한 경우에 AUC(600)와 혼동 행렬(601)을 예시한다.
도 6b는 본 발명의 일실시예에 따른 아이웨어 추천 시스템에서 앙상블 알고리즘이 가중치를 1로 적용한 경우에 AUC(610)와 혼동 행렬(611)을 예시한다.
가중치가 커질수록 평가지표가 랜덤 포레스트에 가까워진다.
AUC는 원래 분류 모델의 성능을 알려주는 그래프 ROC 곡선에 대해 사용하는 평가지표이다.
ROC(receiver operating characteristics) 곡선은 민감도와 특이도의 관계를 나타내는 곡선이고, AUC(Area Under the Curve) 이름과 같이 ROC 곡선 아래의 넓이를 나타낸다.
스코어의 성능을 평가하기 위해 AUC를 변형한 지표를 사용하였다.
AUC는 이 곡선의 넓이를 한 번에 모두 맞추는 검은 박스의 넓이로 나눈 값이다.
즉, 첫 번째 추천 모델을 항상 구매하는 이상적인 추천 알고리즘이 검은색 박스이다. AUC 값은 클수록 더 좋은 성능임을 나타낸다.
먼저, X축은 실제 구매한 모델이 샘플로 계산된 스코어 중 몇 번째로 추천되는지 나타낸다.
정확도가 상승하고, AUC가 상승한다. 그러나 현실에 적용할 때는 이러한 평가지표 외에도 다양성을 확인해야한다.
| N | A | B | C | D | E | F | 정확도 | |
| 샘플 | 255 | 28 | 40 | 38 | 44 | 50 | 55 | |
| 차원축소기법 | 39 | 29 | 43 | 46 | 43 | 55 | 62% | |
| 가중치=0.1 | 37 | 30 | 46 | 45 | 41 | 56 | 69.4.% | |
| 가중치=0.3 | 28 | 37 | 41 | 45 | 48 | 56 | 80% | |
| 가중치=1 | 26 | 36 | 37 | 48 | 49 | 59 | 85.5% | |
| RF(Random Forest) | 28 | 37 | 41 | 45 | 48 | 56 | 86.3% |
예시 시뮬레이션 결과를 정리한 표 1을 살펴보면 가중치가 커질수록 샘플 수가 작은 모델 A의 추천 빈도는 낮아진다.
이처럼 랜덤 포레스트는 매출량 기준 상위 모델을 더 많이 추천하기 때문에, 모델의 샘플 수가 불균형해질수록 더 극단적으로 추천한다.
예를 들어, 모델 F의 샘플 수가 1만 개로 급격히 증가할 경우, 랜덤 포레스트는 항상 모델 F만 추천하게 된다.
시뮬레이션 데이터의 경우 모델 간 샘플 수 차이는 존재하나, 샘플 수가 2배 이상이 되진 않는다.
그러나 현실 데이터에서는 100배 이상 차이나는 불균형 데이터가 흔하기 때문에, 가중치를 적절히 선택할 필요가 있다.
도 7은 본 발명의 일실시예에 따른 아이웨어 추천 방법을 설명하는 도면이다.
도 7을 참고하면, 단계(701)에서 본 발명의 일실시예에 따른 아이웨어 추천 방법은 구매 고객의 데이터를 호출한다.
즉, 아이웨어 추천 방법은 복수의 아이웨어 모델 마다 아이웨어 모델을 구매한 고객들의 데이터를 호출한다.
여기서, 고객들의 데이터는 얼굴 특징 정보, 성별 정보 및 나이 정보를 포함한다.
단계(702)에서 본 발명의 일실시예에 따른 아이웨어 추천 방법은 얼굴 특징, 성별 및 나이를 고려하여 구매 고객의 그룹을 구분한다.
즉, 아이웨어 추천 방법은 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 데이터의 그룹을 구분한다.
여기서, 얼굴 특징 정보는 얼굴 크기에 관한 것으로, 아이웨어 모델의 크기와 관련될 수 있다.
예를 들어, 아이웨어 추천 방법은 도 2에서 설명된 고객 그룹을 세분화하는 알고리즘을 이용하여 그룹을 구분할 수 있다.
단계(703)에서 본 발명의 일실시예에 따른 아이웨어 추천 방법은 구분된 그룹 각각에서 기준 정보를 생성한다.
즉, 아이웨어 추천 방법은 이전 단계에서 구분된 그룹 마다 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성할 수 있다.
단계(704)에서 본 발명의 일실시예에 따른 아이웨어 추천 방법은 추천 대상 고객 정보를 생성한다.
즉, 아이웨어 추천 방법은 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성한다.
단계(705)에서 본 발명의 일실시예에 따른 아이웨어 추천 방법은 기준 정보, 추천 대상 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출한다.
즉, 아이웨어 추천 방법은 기준 정보와 추천 대상 정보를 추가 학습 정보와 함께 고려하여 기계 학습하고, 기계 학습 결과에 따라 추천 점수를 산출한다.
예를 들어, 추가 학습 정보는 아이웨어 모델 별 판매량과 추천 대상 고객이 해당 아이웨어 모델을 구매할 확률일 수 있다.
단계(706)에서 본 발명의 일실시예에 따른 아이웨어 추천 방법은 추천 점수에 기반하여 추천 모델을 결정한다.
즉, 아이웨어 추천 방법은 추천 점수가 높은 순서에 따라 아이웨어 모델을 정렬하고, 정렬 결과에 따라 순차적으로 복수의 아이웨어 모델 중 추천 모델을 결정하여 추천 대상 고객에게 제공한다.
따라서, 본 발명은 고객의 얼굴 크기, 성별 및 나이에 따라 고객 그룹을 세분화하고, 아이웨어 모델 별 판매량을 고려하여 추천 대상 고객에 알맞은 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공할 수 있다.
또한, 본 발명은 복수의 아이웨어 모델 각각에 대하여 고객들의 평균적인 얼굴을 추정하고, 추천 고객 대상의 얼굴과 얼마나 비슷한지 점수를 산출하되 얼굴 크기, 성별, 나이 및 아이웨어 모델의 판매량까지 함께 고려하여 아이웨어를 추천하는 아이웨어 추천 시스템 및 방법을 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 아이웨어 추천 시스템
110: 기준 정보 생성부 120: 추천 대상 고객 정보 생성부
130: 추천 모델 결정부 140: 제어부
110: 기준 정보 생성부 120: 추천 대상 고객 정보 생성부
130: 추천 모델 결정부 140: 제어부
Claims (15)
- 복수의 아이웨어 모델 마다 아이웨어 모델을 구매한 고객들의 데이터를 호출하고, 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하고, 상기 구분된 그룹에서 상기 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하는 기준 정보 생성부;
추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 상기 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성하는 추천 대상 고객 정보 생성부; 및
상기 생성된 기준 정보, 상기 생성된 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하고, 상기 산출된 추천 점수에 기반하여 상기 복수의 아이웨어 모델 중 추천 모델을 결정하는 추천 모델 결정부를 포함하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제1항에 있어서,
상기 기준 정보 생성부는 고객들의 얼굴을 스캔하여 형태에 따라 얼굴 위에 여러 점들이 표시되고, 표시된 점들을 이어서 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이, 및 코끝-턱끝 길이 중에서 적어도 하나를 산출하여 얼굴 크기를 결정하고, 상기 결정된 얼굴 크기에 따라 상기 호출된 데이터의 그룹을 구분하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제1항에 있어서,
상기 기준 정보 생성부는 상기 성별에 따라 상기 호출된 데이터의 그룹을 남자 또는 여자로 구분하고, 상기 나이에 따라 상기 호출된 데이터의 그룹을 연령대 별로 구분하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제1항에 있어서,
상기 기준 정보 생성부는 상기 얼굴 특징 정보와 상기 나이 정보 또는 상기 성별 정보를 X 변수로 결정하고, 아이웨어 모델의 사이즈를 Y 변수로 결정하며, 상기 Y 변수와 상기 X 변수에 대하여 차원축소기법을 적용하여 축소된 Z 변수를 산출하고, 상기 산출된 Z 변수에 대해 주어진 차원별 가중치로 가중합을 수행하여 점수를 계산하고, 상기 계산된 점수와 사이즈가 양의 상관 관계를 이루도록 부호를 조정하며, 상기 점수를 특정 개수의 그룹으로 구분하여 상기 호출된 데이터의 그룹을 구분하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제4항에 있어서,
상기 기준 정보 생성부는 상기 Z 변수 가중합으로 계산된 점수의 분위수(Quantile)를 이용하여 상기 호출된 데이터의 그룹을 미리 설정한 그룹의 개수로 구분하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제1항에 있어서,
상기 추천 대상 고객 정보 생성부는 상기 추천 대상 고객의 얼굴을 스캔하여 페이스 메시를 생성하고, 상기 생성된 페이스 메시로부터 상기 얼굴 특징 정보를 생성하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제6항에 있어서,
상기 얼굴 특징 정보는 상기 생성된 페이스 메시에 대한 크기 분석, 모양 분석, 모양 비율 분석 및 코 분석 처리에 기반하고, 상기 크기 분석에 따라 페이스 너비, 눈동자 사이 너비, 눈초리 사이 너비, 눈구석 사이 너비 및 코기둥 너비를 포함하며, 상기 모양 분석에 따라 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이 및 코끝-턱끝 길이를 포함하며, 모양 비율 분석을 통해 수직-수평비율, 하악-페이스너비 비율 및 페이스너비-광골 비율을 포함하고, 상기 코 분석에 따라 콧등 높이, 코끝 높이, 코 길이 및 코 각도를 포함하며, 얼굴 전체 면적과 관련된 얼굴 크기를 포함하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제1항에 있어서,
상기 추천 모델 결정부는 상기 생성된 기준 정보 및 상기 생성된 추천 대상 고객 정보에 대하여 차원축소기법을 적용하여 변수 개수를 줄이고, 상기 복수의 아이웨어 모델과 복수의 변수의 차원 별로 평균을 빼고, 표준편차로 나눠주는 표준화 과정을 수행한 후, 상기 복수의 아이웨어 모델과 상기 복수의 변수의 차원 별로 누적분포함수를 계산하고, 상기 계산된 누적분포함수에 따른 양단의 점수(p-value)를 계산하며, 상기 계산된 양단의 점수(p-value)를 차원에 대응되는 차원별 가중치를 이용해 가중평균을 수행하여 상기 복수의 아이웨어 모델 마다 적합도 점수를 계산함에 따라 상기 추천 점수를 산출하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제8항에 있어서,
상기 추천 모델 결정부는 상기 복수의 아이웨어 모델 각각의 판매량 및 상기 추천 대상 고객이 상기 복수의 아이웨어 모델 각각을 구매할 확률을 기계 학습 하여 상기 추가 학습 정보로 이용하고, 상기 적합도 점수와 상기 추가 학습 정보를 사전에 설정한 가중치에 따라 가중합하는 앙상블 기법에 따른 기계 학습에 기반하여 추천 점수를 산출하는 것을 특징으로 하는
아이웨어 추천 시스템. - 제9항에 있어서,
상기 추천 모델 결정부는 상기 산출된 추천 점수와 관련하여 혼동 행렬(confusion matrix) 및 AUC(Area Under the Curve)를 도출하고, 상기 산출된 추천 점수에 대한 상기 결정된 추천 모델의 평가 지표로 이용하는 것을 특징으로 하는
아이웨어 추천 시스템. - 기준 정보 생성부에서, 복수의 아이웨어 모델 마다 아이웨어 모델을 구매한 고객들의 데이터를 호출하는 단계;
상기 기준 정보 생성부에서, 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하는 단계;
상기 기준 정보 생성부에서, 상기 구분된 그룹에서 상기 복수의 아이웨어 모델 각각에 대한 기준 정보를 생성하는 단계;
추천 대상 고객 정보 생성부에서, 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 상기 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성하는 단계;
추천 모델 결정부에서, 상기 생성된 기준 정보, 상기 생성된 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하는 단계; 및
상기 추천 모델 결정부에서, 상기 산출된 추천 점수에 기반하여 상기 복수의 아이웨어 모델 중 추천 모델을 결정하는 단계를 포함하는 것을 특징으로 하는
아이웨어 추천 방법. - 제11항에 있어서,
상기 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하는 단계는,
고객들의 얼굴을 스캔하여 형태에 따라 얼굴 위에 여러 점들이 표시되고, 표시된 점들을 이어서 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이, 및 코끝-턱끝 길이 중에서 적어도 하나를 산출하여 얼굴 크기를 결정하고, 상기 결정된 얼굴 크기에 따라 상기 호출된 데이터의 그룹을 구분하는 단계를 포함하는 것을 특징으로 하는
아이웨어 추천 방법. - 제11항에 있어서,
상기 얼굴 특징 정보, 성별 정보 및 나이 정보 중 적어도 하나를 고려하여 상기 호출된 데이터의 그룹을 구분하는 단계는,
상기 얼굴 특징 정보와 상기 나이 정보 또는 상기 성별 정보를 X 변수로 결정하고, 아이웨어 모델의 사이즈를 Y 변수로 결정하며, 상기 Y 변수와 상기 X 변수에 대하여 차원축소기법을 적용하여 축소된 Z 변수를 산출하고, 상기 산출된 Z 변수에 대해 주어진 차원별 가중치로 가중합을 수행하여 점수를 계산하고, 상기 계산된 점수와 사이즈가 양의 상관 관계를 이루도록 부호를 조정하며, 상기 점수를 특정 개수의 그룹으로 구분하여 상기 호출된 데이터의 그룹을 구분하는 단계를 포함하는 것을 특징으로 하는
아이웨어 추천 방법. - 제11항에 있어서,
상기 추천 대상 고객으로부터 성별 정보 및 나이 정보를 입력 받고, 상기 추천 대상 고객의 얼굴을 스캔하여 얼굴 특징 정보를 생성하여 추천 대상 고객 정보를 생성하는 단계는,
상기 추천 대상 고객의 얼굴을 스캔하여 페이스 메시를 생성하고, 상기 생성된 페이스 메시로부터 상기 얼굴 특징 정보를 생성하는 단계를 포함하고,
상기 얼굴 특징 정보는 상기 생성된 페이스 메시에 대한 크기 분석, 모양 분석, 모양 비율 분석 및 코 분석 처리에 기반하고, 상기 크기 분석에 따라 페이스 너비, 눈동자 사이 너비, 눈초리 사이 너비, 눈구석 사이 너비 및 코기둥 너비를 포함하며, 상기 모양 분석에 따라 코끝 너비, 광대 너비, 하악 너비, 수직 길이, 이마 길이, 이마-코끝 길이 및 코끝-턱끝 길이를 포함하며, 모양 비율 분석을 통해 수직-수평비율, 하악-페이스너비 비율 및 페이스너비-광골 비율을 포함하고, 상기 코 분석에 따라 콧등 높이, 코끝 높이, 코 길이 및 코 각도를 포함하며, 얼굴 전체 면적과 관련된 얼굴 크기를 포함하는 것을 특징으로 하는
아이웨어 추천 방법. - 제11항에 있어서,
상기 생성된 기준 정보, 상기 생성된 추천 대상 고객 정보 및 추가 학습 정보를 기계 학습하여 추천 점수를 산출하는 단계는,
상기 생성된 기준 정보 및 상기 생성된 추천 대상 고객 정보에 대하여 차원축소기법을 적용하여 변수 개수를 줄이고, 상기 복수의 아이웨어 모델과 복수의 변수의 차원 별로 평균을 빼고, 표준편차로 나눠주는 표준화 과정을 수행한 후, 상기 복수의 아이웨어 모델과 상기 복수의 변수의 차원 별로 누적분포함수를 계산하고, 상기 계산된 누적분포함수에 따른 양단의 점수(p-value)를 계산하며, 상기 계산된 양단의 점수(p-value)를 차원에 대응되는 차원별 가중치를 이용해 가중평균을 수행하여 상기 복수의 아이웨어 모델 마다 적합도 점수를 계산하는 단계; 및
상기 복수의 아이웨어 모델 각각의 판매량 및 상기 추천 대상 고객이 상기 복수의 아이웨어 모델 각각을 구매할 확률을 기계 학습 하여 상기 추가 학습 정보로 이용하고, 상기 적합도 점수와 상기 추가 학습 정보를 사전에 설정한 가중치에 따라 가중합하는 앙상블 기법에 따른 기계 학습에 기반하여 추천 점수를 산출하는 단계를 포함하는 것을 특징으로 하는
아이웨어 추천 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220124010A KR20240044684A (ko) | 2022-09-29 | 2022-09-29 | 아이웨어 추천 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220124010A KR20240044684A (ko) | 2022-09-29 | 2022-09-29 | 아이웨어 추천 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240044684A true KR20240044684A (ko) | 2024-04-05 |
Family
ID=90714441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220124010A KR20240044684A (ko) | 2022-09-29 | 2022-09-29 | 아이웨어 추천 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240044684A (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180089855A (ko) | 2017-02-01 | 2018-08-09 | 삼성전자주식회사 | 상품을 추천하는 디바이스 및 방법 |
| KR20220049600A (ko) | 2019-08-26 | 2022-04-21 | 와비 파커 인코포레이티드 | 안경용 가상 피팅 시스템 및 방법 |
| KR20220079274A (ko) | 2020-12-04 | 2022-06-13 | (주)인터비젼 | 인공 신경망을 이용한 안경 추천 기능이 포함된 안경 착용 시뮬레이션 방법 |
-
2022
- 2022-09-29 KR KR1020220124010A patent/KR20240044684A/ko not_active Application Discontinuation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180089855A (ko) | 2017-02-01 | 2018-08-09 | 삼성전자주식회사 | 상품을 추천하는 디바이스 및 방법 |
| KR20220049600A (ko) | 2019-08-26 | 2022-04-21 | 와비 파커 인코포레이티드 | 안경용 가상 피팅 시스템 및 방법 |
| KR20220079274A (ko) | 2020-12-04 | 2022-06-13 | (주)인터비젼 | 인공 신경망을 이용한 안경 추천 기능이 포함된 안경 착용 시뮬레이션 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310808B (zh) | 图片识别模型的训练方法、装置、计算机系统及存储介质 | |
| López-Pintado et al. | On the concept of depth for functional data | |
| CN104504055B (zh) | 基于图像相似度的商品相似计算方法及商品推荐系统 | |
| CN107679466B (zh) | 信息输出方法和装置 | |
| Tio | Face shape classification using inception v3 | |
| KR102649211B1 (ko) | 기계 학습에 기반한 시각 장비 선택을 위한 장치 | |
| CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
| CN110321473B (zh) | 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 | |
| WO2019205729A1 (zh) | 用于识别物体的方法、设备和计算机可读存储介质 | |
| CN114022176A (zh) | 一种电商平台上的商品销量预测的方法及电子设备 | |
| CN107992846A (zh) | 遮挡人脸识别方法及装置 | |
| KR101854258B1 (ko) | 딥러닝을 pc에 적용하기 위한 메모리 최적화 방법 | |
| CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
| CN114445268A (zh) | 一种基于深度学习的服装风格迁移方法及系统 | |
| Lizarraga-Morales et al. | Defect detection on patterned fabrics using texture periodicity and the coordinated clusters representation | |
| CN107194364B (zh) | 一种基于分治策略的Huffman-LBP多姿态人脸识别方法 | |
| Ren et al. | Sample weighting: An inherent approach for outlier suppressing discriminant analysis | |
| CN111723206B (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
| KR20240044684A (ko) | 아이웨어 추천 시스템 및 방법 | |
| Farazdaghi et al. | Backward face ageing model (B‐FAM) for digital face image rejuvenation | |
| JP5897745B2 (ja) | 加齢分析方法及び加齢分析装置 | |
| CN112651372A (zh) | 基于人脸图像的年龄判断方法及装置、电子设备、存储介质 | |
| Abbas et al. | Automatic classification of facial morphology for medical applications | |
| Zaorálek et al. | Recognition of face images with noise based on tucker decomposition | |
| Tsingalis et al. | A simple algorithm for non-negative sparse principal component analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |