WO2025150653A1 - 쇼핑 검색 결과 확장 방법 및 시스템 - Google Patents

쇼핑 검색 결과 확장 방법 및 시스템

Info

Publication number
WO2025150653A1
WO2025150653A1 PCT/KR2024/013794 KR2024013794W WO2025150653A1 WO 2025150653 A1 WO2025150653 A1 WO 2025150653A1 KR 2024013794 W KR2024013794 W KR 2024013794W WO 2025150653 A1 WO2025150653 A1 WO 2025150653A1
Authority
WO
WIPO (PCT)
Prior art keywords
query
shopping search
candidate
shopping
search results
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/KR2024/013794
Other languages
English (en)
French (fr)
Inventor
송일현
손대능
이정태
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naver Corp
Original Assignee
Naver Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Naver Corp filed Critical Naver Corp
Publication of WO2025150653A1 publication Critical patent/WO2025150653A1/ko
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3338—Query expansion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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—Electronic shopping [e-shopping] by investigating goods or services
    • G06Q30/0625—Electronic shopping [e-shopping] by investigating goods or services by formulating product or service queries, e.g. using keywords or predefined options
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/81—Threshold

Definitions

  • the present disclosure relates to a method and system for expanding shopping search results, and more particularly, to a method and system for generating shopping search results based on at least one of a shopping search query received from a user terminal or an expanded query extracted based on a vector converted from the shopping search query.
  • the present disclosure provides a method for expanding shopping search results, a computer program stored in a recording medium, and a system (device) for solving the above problems.
  • the present disclosure can be implemented in various ways, including as a method, an apparatus (system), or a computer program stored in a readable storage medium.
  • a method for expanding shopping search results performed by at least one processor includes the steps of receiving a shopping search query from a user terminal, converting the shopping search query into a first vector using an artificial intelligence model, determining an expanded query based on the first vector, and generating a shopping search result based on at least one of the shopping search query and the expanded query.
  • a computer program stored in a computer-readable recording medium is provided to execute the above-described method according to one embodiment of the present disclosure on a computer.
  • an information processing system includes a communication module, a memory, and at least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory, wherein the at least one program includes instructions for receiving a shopping search query from a user terminal, converting the shopping search query into a first vector using an artificial intelligence model, determining an extended query based on the first vector, and generating a shopping search result based on at least one of the shopping search query or the extended query.
  • an extended query may be extracted based on a vector generated based on a shopping search query input by a user, and a shopping search result may be generated using the vector. Accordingly, even if the query input by the user is somewhat different from a query suitable for product search, a shopping search result including a product that the user wishes to purchase may be generated and provided.
  • an extended query utilized for generating shopping search results can be determined using a plurality of candidate queries stored in a candidate query database. Accordingly, the time required for determining an extended query for generating shopping search results can be shortened, and the use of computing resources related to determining an extended query can be minimized.
  • a similarity between a plurality of candidate queries and a shopping search query input by a user can be calculated, and queries having a similarity higher than a predetermined threshold or a predetermined number of queries having the highest similarity can be extracted as candidate queries of the extended query. Accordingly, an extended query can be determined for a query having no search history/search result, and a corresponding range of the extended query determination can be expanded.
  • the processor in response to determining that the number of products searched by a shopping search query entered by a user is less than or equal to a predetermined number, the processor may generate shopping search results based on the shopping search query and/or the extended query. Accordingly, the problem of the extended query being used even when the user accurately enters the shopping search query may be prevented.
  • products searched by an extended query are placed below products searched by a shopping search query entered by a user, so that shopping search results for the query entered by the user can be provided preferentially. Accordingly, while expanding the coverage of shopping search results, shopping search results that better match the user's intention can be provided.
  • the shopping search result expansion system (140) can receive a shopping search query (130) input by a user, and determine an expansion query based on a vector converted from the shopping search query (130). In addition, the shopping search result expansion system (140) can generate a shopping search result (150) based on the expansion query. Accordingly, the shopping search result expansion system (140) can generate a shopping search result (150) including a product that the user wants to purchase and provide it to the user terminal even if the query input by the user is partially different from a query suitable for product search.
  • FIG. 2 is a schematic diagram showing a configuration in which an information processing system (230) is connected to a plurality of user terminals (210_1, 210_2, 210_3) so as to be able to communicate with each other in order to provide a shopping search result expansion method according to one embodiment of the present disclosure.
  • the plurality of user terminals (210_1, 210_2, 210_3) may be connected to an information processing system (230) capable of generating/providing shopping search results via a network (220).
  • the plurality of user terminals (210_1, 210_2, 210_3) may be terminals of users that receive shopping search queries from users and receive shopping search results from the information processing system (230).
  • the information processing system (230) may include the shopping search result expansion system (140) of FIG. 1.
  • a plurality of user terminals (210_1, 210_2, 210_3) can communicate with an information processing system (230) via a network (220).
  • the network (220) can be configured to enable communication between a plurality of user terminals (210_1, 210_2, 210_3) and the information processing system (230).
  • the network (220) can be configured as, for example, a wired network such as Ethernet, a wired home network (Power Line Communication), a telephone line communication device, and RS-serial communication, a wireless network such as a mobile communication network, WLAN (Wireless LAN), Wi-Fi, Bluetooth, and ZigBee, or a combination thereof.
  • the communication method is not limited, and may include not only a communication method utilizing a communication network (e.g., a mobile communication network, wired Internet, wireless Internet, broadcasting network, satellite network, etc.) that the network (220) may include, but also short-range wireless communication between user terminals (210_1, 210_2, 210_3).
  • a communication network e.g., a mobile communication network, wired Internet, wireless Internet, broadcasting network, satellite network, etc.
  • the network (220) may include, but also short-range wireless communication between user terminals (210_1, 210_2, 210_3).
  • the user terminal (210) and the information processing system (230) may be configured to communicate information and/or data via the network (220) using their respective communication modules (316, 336).
  • the input/output device (320) may be configured to input information and/or data to the user terminal (210) or output information and/or data generated from the user terminal (210) via the input/output interface (318).
  • the memory (312, 332) may include any non-transitory computer-readable recording medium.
  • the memory (312, 332) may include a permanent mass storage device such as a read only memory (ROM), a disk drive, a solid state drive (SSD), a flash memory, etc.
  • a permanent mass storage device such as a ROM, an SSD, a flash memory, a disk drive, etc. may be included in the user terminal (210) or the information processing system (230) as a separate permanent storage device distinct from the memory.
  • the memory (312, 332) may store an operating system and at least one program code (e.g., code associated with generating/providing shopping search results, etc.).
  • These software components may be loaded from a computer-readable recording medium separate from the memory (312, 332).
  • This separate computer-readable recording medium may include a recording medium directly connectable to the user terminal (210) and the information processing system (230), and may include, for example, a computer-readable recording medium such as a floppy drive, a disk, a tape, a DVD/CD-ROM drive, a memory card, etc.
  • the software components may be loaded into the memory (312, 332) through a communication module (316, 336) other than a computer-readable recording medium.
  • At least one program may be loaded into the memory (312, 332) based on a computer program (e.g., a program for generating/providing shopping search results) that is installed by files provided by developers or a file distribution system that distributes installation files of applications through a network (220).
  • a computer program e.g., a program for generating/providing shopping search results
  • files provided by developers or a file distribution system that distributes installation files of applications through a network (220).
  • the input/output interface (318) may be a means for interfacing with an input/output device (320).
  • the input device may include a device such as a camera, a keyboard, a microphone, a mouse, etc., including an audio sensor and/or an image sensor
  • the output device may include a device such as a display, a speaker, a haptic feedback device, etc.
  • the input/output interface (318) may be a means for interfacing with a device that has a configuration or function integrated into one for performing input and output, such as a touch screen.
  • the input/output interfaces (318, 338) are illustrated as elements configured separately from the processor (314, 334), but are not limited thereto, and the input/output interfaces (318, 338) may be configured to be included in the processor (314, 334).
  • the user terminal (210) and the information processing system (230) may include more components than the components of FIG. 3. However, there is no need to clearly illustrate most of the conventional components.
  • the user terminal (210) may be implemented to include at least some of the input/output devices (320) described above.
  • the user terminal (210) may further include other components such as a transceiver, a Global Positioning System (GPS) module, a camera, various sensors, a database, etc.
  • GPS Global Positioning System
  • the user terminal (210) when the user terminal (210) is a smart phone, it may include components that a smart phone generally includes, and for example, various components such as an acceleration sensor, a gyro sensor, a microphone module, a camera module, various physical buttons, buttons using a touch panel, input/output ports, and a vibrator for vibration may be implemented to be further included in the user terminal (210).
  • a smart phone generally includes, and for example, various components such as an acceleration sensor, a gyro sensor, a microphone module, a camera module, various physical buttons, buttons using a touch panel, input/output ports, and a vibrator for vibration may be implemented to be further included in the user terminal (210).
  • the processor (314) can receive text, images, video, voice and/or motion, etc. input or selected through an input device such as a camera, microphone, including a touch screen, keyboard, audio sensor and/or image sensor connected to an input/output interface (318), and can store the received text, images, video, voice and/or motion, etc. in a memory (312) or provide it to an information processing system (230) through a communication module (316) and a network (220).
  • an input device such as a camera, microphone, including a touch screen, keyboard, audio sensor and/or image sensor connected to an input/output interface (318)
  • an information processing system (230) through a communication module (316) and a network (220).
  • the processor (314) of the user terminal (210) may be configured to manage, process and/or store information and/or data received from an input/output device (320), another user terminal, an information processing system (230) and/or a plurality of external systems.
  • the information and/or data processed by the processor (314) may be provided to the information processing system (230) via a communication module (316) and a network (220).
  • the processor (314) of the user terminal (210) may output the information and/or data by transmitting it to the input/output device (320) via an input/output interface (318).
  • the received shopping search results may be displayed or shown on the screen of the user terminal (210).
  • FIG. 4 is a block diagram showing the internal configuration of a processor (334) of an information processing system according to one embodiment of the present disclosure.
  • the information processing system may include a shopping search result expansion system (140) of FIG. 1.
  • the processor (334) may include an encoder learning unit (410), an encoder (420), a database construction unit (430), a query analysis unit (440), an expanded query determination unit (450), and a search result generation unit (460).
  • the encoder learning unit (410) can train an encoder (420) that converts text (e.g., a query) into a vector.
  • the encoder learning unit (410) can use a plurality of learning query-learning extended query pairs.
  • the encoder learning unit (410) can train the encoder (420) using a first query-second query pair that is input during one search session and has a text similarity greater than or equal to a predetermined threshold.
  • the encoder learning unit (410) can train the encoder (420) using a first query-second query pair that has a similarity between clicked products greater than or equal to a predetermined threshold. Details thereof will be described later with reference to FIG. 5.
  • the encoder (420) can convert a shopping search query received from a user terminal into a vector.
  • the vector converted by the encoder (420) can be an embedding vector that converts the shopping search query into a multidimensional real number
  • the encoder can be an encoder of an artificial neural network model (e.g., a natural language processing model) that can convert the shopping search query into an embedding vector.
  • the encoder (420) can transmit the converted vector to the expanded query determination unit (450), and the expanded query determination unit (450) can determine the expanded query based on the vector.
  • the extended query determination unit (450) may determine an extended query based on a shopping search query received from a user terminal. To this end, the extended query determination unit (450) may extract a plurality of candidate queries from the candidate query database (490). For example, the extended query determination unit (450) may calculate a similarity between a vector converted from a shopping search query and a query vector stored in the candidate query database (490), and extract a plurality of candidate queries having a similarity higher than a predetermined standard and/or a predetermined number of candidate queries having the highest similarity as the plurality of candidate queries. In addition, the extended query determination unit (450) may determine a ranking of the extracted plurality of candidate queries and determine an extended query based on the ranking.
  • the search result generation unit (460) may search for a product in the product database (480) based on at least one of a shopping search query or an extended query, and generate a shopping search result including information about the corresponding product.
  • the search result generation unit (460) may determine whether to use an extended query and/or whether to generate a shopping search result based on the extended query in order to prevent excessive expansion of the search result.
  • the search result generation unit (460) may cause the extended query determination unit (450) to determine an extended query only when the number of products searched by the shopping search query is less than or equal to a predetermined number, and may use the determined extended query to generate the shopping search result. Details thereof will be described later with reference to FIG. 10.
  • FIG. 5 is a diagram showing an example of an encoder (420) being trained according to one embodiment of the present disclosure.
  • the encoder (420) may be trained by the encoder training unit (410) of FIG. 4.
  • the encoder (420) may be trained using a training data set consisting of a plurality of training query-training extension query pairs.
  • the first query-second query pair can be included in the second learning data set (520).
  • the second training data set (520) may include a predetermined number of first query-second query pairs having a high similarity between clicked products.
  • the encoder (420) may be an encoder of an artificial neural network model including an encoder and a decoder.
  • the artificial neural network model including an encoder and a decoder may be a Seq2Seq generation model.
  • the artificial neural network model may be trained using a first learning data set (510) and a second learning data set (520).
  • the artificial neural network model may be trained to receive a first query included in the learning data sets (510, 520) and generate a second query.
  • the encoder (420) may be an encoder of an artificial neural network model trained in the above-described manner.
  • the encoder (420) can be trained in a manner of learning by using the above-described learning methods together (multi task learning).
  • the loss in learning the encoder (420) can be a weighted sum of the first loss that occurred during the learning process according to the first example and the second loss that occurred during the learning process according to the second example, and the encoder (420) can be trained to minimize the loss.
  • the above-described learning data sets (510, 520) are only examples of encoder (420) learning data and are not limited thereto, and learning data sets selected in other ways may be used in the learning process of the encoder (420). In addition, some learning data sets may be omitted or other learning data sets may be added in the learning process of the encoder (420). For example, a pair of learning queries-learning extension queries as shown in the table below may be used for encoder learning.
  • FIG. 6 is a diagram showing an example of a database construction unit (430) constructing a candidate query database (490) according to one embodiment of the present disclosure.
  • the database construction unit (430) may construct a candidate query database (490) based on a search log database (470) and/or a product database (480).
  • the database construction unit (430) may select a category, a product name, a brand, a shopping mall name, and the like for a product having a number of clicks and/or reviews exceeding a predetermined threshold as a candidate query to be stored in the candidate query database (490). Additionally or alternatively, the database construction unit (430) may select categories, product names, brands, shopping mall names, etc. for a predetermined number of products with a high number of clicks and/or reviews as candidate queries to be stored in the candidate query database (490). Alternatively, the database construction unit (430) may select categories, product names, brands, shopping mall names, etc. for all products as candidate queries to be stored in the candidate query database (490).
  • the database construction unit (430) may extract data (630) associated with the candidate query along with the selection of the candidate query, and may store the extracted data in the candidate query database (490).
  • the data (630) associated with the candidate query may include not only the candidate query text but also a source, vector, meta information, popularity, etc. Details thereof will be described later with reference to FIG. 8.
  • FIG. 7 is a block diagram illustrating an example of a candidate query stored in a candidate query database (490) according to one embodiment of the present disclosure.
  • the candidate query database (490) may store candidate queries that do not include typos and in which shopping search results exist.
  • the candidate query database (490) may include a search log candidate query (710), a product meta information candidate query (720), and/or a keyword candidate query (730).
  • the search log candidate query (710) may refer to a candidate query extracted from the search log data.
  • the search log candidate query (710) may include search terms recorded in the search log data, such as search terms with a high search frequency, search terms with a high CTR, search terms with a good user response, etc.
  • the search log candidate query (710) may be a query for which there is a shopping search result.
  • each candidate query stored in the candidate query database (490) represents examples of candidate queries classified by type, and multiple candidate queries can be implemented in a form in which they are integrated and stored.
  • the candidate query database (490) is illustrated as being divided into search log candidate queries (710), product meta information candidate queries (720), and keyword candidate queries (730), but is not limited thereto, and some candidate queries may be omitted or other candidate queries may be added.
  • the source (820) may refer to the source from which the candidate query is extracted. For example, if the candidate query is extracted from search log data, the source (820) may be recorded as 'search log'. As another example, if the candidate query is extracted from a product name among product meta information, the source (820) may be recorded as 'product database (product name)'.
  • the vector (830) may refer to a vector in which a candidate query is converted by an encoder.
  • the vector (830) may be recorded and stored as an embedding vector expressed by converting the candidate query into a multidimensional real number, and for this purpose, an encoder of a natural language processing model may be used.
  • the encoder used to convert the candidate query into a vector may be the same as the encoder used to convert a shopping search query into a vector (e.g., the encoder (420) of FIG. 4).
  • the meta information (840) may refer to meta information derived by analyzing the candidate query.
  • the meta information (840) may include a brand included in the candidate query text, a category included in the candidate query text, a keyword included in the candidate query text, a brand, category, etc. of a product most frequently selected by a user through the candidate query.
  • the meta information (840) may include meta data of a product associated with the candidate query.
  • FIG. 9 is a diagram illustrating an example of determining an extended query (960) according to one embodiment of the present disclosure.
  • an extended query (960) may be determined based on a shopping search query (910) received from a user terminal.
  • an encoder (420), a query analysis unit (440), and an extended query determination unit (450) may be used.
  • the query analysis unit (440) may receive a shopping search query (910) and generate a shopping search query analysis result (930). For example, the query analysis unit (440) may receive and analyze the shopping search query (910), 'Nike air maxx', and may recognize 'Nike' in the shopping search query text, 'Nike air maxx', and extract the brand name as 'Nike'. In addition, the query analysis unit (440) may extract that the category of the product included in the shopping search query text is 'sneakers' from 'Nike' and 'air' in 'Nike air maxx'. In addition, the query analysis unit (440) may extract keywords, such as 'Nike' and 'air', included in 'Nike air maxx' through an artificial neural network model (e.g., a question response model, etc.).
  • an artificial neural network model e.g., a question response model, etc.
  • the extended query decision unit (450) may receive data (940) associated with a plurality of extracted candidate queries from the candidate query database (490).
  • the data (940) associated with a plurality of candidate queries may include sources of the candidate queries, vectors associated with the candidate queries generated by the encoder, meta information of products directly associated with the candidate queries or searched by the candidate queries, popularity of the candidate queries, etc.
  • the extended query determination unit (450) may determine the ranking of a plurality of candidate queries.
  • the extended query determination unit (450) may receive a vector (920) converted from a shopping search query, a shopping search query analysis result (930), and data (940) associated with the candidate queries, and may calculate reference data (950) for determining the ranking of the candidate queries based thereon.
  • the reference data (950) may include vector similarity (951), text similarity (953), meta information consistency (955), popularity (957), and total score (959) for each of the plurality of candidate queries.
  • the vector similarity (951) may be a similarity calculated based on the vector (920) converted from the shopping search query and the vector converted from the candidate query.
  • the text similarity (953) may be a similarity calculated based on the text of the shopping search query (910) and the text of the candidate query.
  • the meta information consistency (955) may be a value calculated based on whether the meta information included in the shopping search query analysis result (930) and the meta information of the candidate query are consistent or have an inclusion relationship.
  • the popularity (957) may be a value calculated based on the search frequency, number of clicks, CTR, number of clicks of products searched by the candidate query, etc. of each candidate query. In addition, the popularity (957) may be a value obtained by scaling the popularity stored in the data (940) associated with the candidate query.
  • the total score (959) may refer to a value obtained by applying weights to and adding up each of the vector similarity (951), text similarity (953), meta information consistency (955), and popularity (957).
  • the extended query decision unit (450) can determine the extended query (960) by using multiple candidate queries stored in the candidate query database (490). Accordingly, the time required for determining the extended query for generating shopping search results can be shortened, and the use of computing resources related to determining the extended query can be minimized.
  • the extended query decision unit (450) can extract queries having a similarity between multiple candidate queries and a shopping search query (910) input by the user that is higher than a predetermined threshold or a predetermined number of queries having the highest similarity as candidate queries of the extended query. Accordingly, an extended query can be determined for a query without a search history/search result, and the corresponding range of the extended query decision can be expanded.
  • FIG. 10 is a flow diagram illustrating an example of generating shopping search results based on at least one of a shopping search query or an expansion query according to one embodiment of the present disclosure.
  • the shopping search results may be generated by at least one processor of a shopping search result expansion system (e.g., the shopping search result expansion system (140) of FIG. 1).
  • a shopping search result expansion system e.g., the shopping search result expansion system (140) of FIG. 1).
  • the shopping search result expansion system can receive a shopping search query from a user terminal (S1010). Then, the shopping search result expansion system can determine the number of products searched from the shopping search query (S1020). If the number of products searched from the shopping search query exceeds a predetermined number, the shopping search result expansion system can perform a shopping search based on the shopping search query without using the expansion query (S1030).
  • the shopping search result expansion system can determine an expansion query based on the shopping search query (S1040). Then, the shopping search result expansion system can perform a shopping search based on the shopping search query and the expansion query (S1050).
  • the shopping search result expansion system can generate shopping search results (S1060).
  • the shopping search result expansion system can arrange for products searched from shopping search queries to be preferentially displayed.
  • the shopping search result expansion system can transmit the generated shopping search results to the user terminal (S1070).
  • step S1020 may be performed after step S1040.
  • FIG. 11 is a diagram illustrating an example of a shopping search result generated based on a shopping search query and an extended query according to one embodiment of the present disclosure.
  • the shopping search result may include a shopping search query display area (1110), a first product search result (1120) searched by the shopping search query, and a second product search result (1130) searched by the extended query.
  • the shopping search query display area (1110) may display a shopping search query entered by a user. For example, if a user enters 'berberry' for a shopping search, the shopping search query entered by the user, 'berberry', may be displayed.
  • products searched by an extended query are placed below products searched by a shopping search query entered by a user, so that shopping search results for the query entered by the user can be provided preferentially. Accordingly, while expanding the coverage of shopping search results, shopping search results that better match the user's intention can be provided.
  • FIG. 12 is a flowchart illustrating an example of a method for expanding shopping search results according to one embodiment of the present disclosure.
  • the method (1200) may be performed by at least one processor (e.g., processor (334)) of an information processing system and/or at least one processor (e.g., processor (314)) of a user terminal.
  • the method (1200) may be initiated by receiving a shopping search query from a user terminal (S1210).
  • the processor can determine an extended query based on the first vector (S1230).
  • the processor can extract a plurality of candidate queries from the candidate query database based on the first vector, determine the ranking of the plurality of candidate queries, and determine the candidate query with the highest ranking as the extended query.
  • the processor may calculate a similarity between the first vector and the second vector, and determine a query of a particular candidate as one of a plurality of candidate queries based on the similarity.
  • the second vector may be a transformation of a particular candidate query stored in a candidate query database using an encoder.
  • the candidate query stored in the candidate query database may include at least one of a query selected based on a shopping search log or a query associated with meta information of a product.
  • the candidate query stored in the candidate query database may include a keyword extracted from a product name using an artificial neural network model.
  • the candidate query stored in the candidate query database may not include typos and may have shopping search results.
  • the processor may calculate a similarity between the first vector and a plurality of candidate vectors, and rank the plurality of candidate queries based on the similarity.
  • the plurality of candidate vectors may be obtained by transforming the plurality of candidate queries using an encoder.
  • the processor may calculate a degree of consistency between the meta information of a shopping search query and the meta information of a plurality of candidate queries, and determine a ranking of the plurality of candidate queries based on the degree of consistency of the meta information.
  • the meta information may include at least one of a category of a product associated with the query, a brand of a product associated with the query, or a keyword included in the query.
  • the processor may generate shopping search results based on at least one of the shopping search query or the extended query (S1240).
  • the processor may generate shopping search results based on the extended query in response to determining that the number of products searched by the shopping search query is less than or equal to a predetermined number.
  • the processor may generate a first shopping search result based on a shopping search query, generate a second shopping search result based on an extended query, and place the second shopping search result below the first shopping search result.
  • FIG. 12 The flow chart and the above description illustrated in FIG. 12 are only examples, and may be implemented differently in some embodiments. For example, in some embodiments, the order of each step may be changed, some steps may be performed repeatedly, some steps may be omitted, or some steps may be added.
  • the above-described method may be provided as a computer program stored on a computer-readable recording medium for execution on a computer.
  • the medium may be a computer-executable program that is continuously stored or temporarily stored for execution or download.
  • the medium may be various recording means or storage means in the form of a single or multiple hardware combinations, and is not limited to a medium directly connected to a computer system, and may be distributed on a network. Examples of the medium may include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, and ROMs, RAMs, flash memories, etc., configured to store program instructions.
  • examples of other media may include recording media or storage media managed by app stores that distribute applications or other sites, servers, etc. that supply or distribute various software.
  • processing units utilized to perform the techniques may be implemented within one or more ASICs, DSPs, digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, electronic devices, other electronic units designed to perform the functions described herein, a computer, or a combination thereof.
  • ASICs application specific integrated circuits
  • DSPs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • processors controllers, microcontrollers, microprocessors, electronic devices, other electronic units designed to perform the functions described herein, a computer, or a combination thereof.
  • a general-purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine.
  • the processor may also be implemented as a combination of computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration.
  • the techniques may be implemented as instructions stored on a computer-readable medium, such as random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), programmable read-only memory (PROM), erasable programmable read-only memory (EPROM), electrically erasable PROM (EEPROM), flash memory, a compact disc (CD), a magnetic or optical data storage device, etc.
  • RAM random access memory
  • ROM read-only memory
  • NVRAM non-volatile random access memory
  • PROM programmable read-only memory
  • EPROM erasable programmable read-only memory
  • EEPROM electrically erasable PROM
  • flash memory such as compact disc (CD), a magnetic or optical data storage device, etc.
  • CD compact disc
  • magnetic or optical data storage device such as compact disc (CD), a magnetic or optical data storage device, etc.
  • the instructions may be executable by one or more processors and may cause the processor(s) to perform certain aspects of the functionality described herein.
  • Computer-readable media includes both computer storage media and communication media, including any medium that facilitates transfer of a computer program from one place to another.
  • Storage media may be any available media that can be accessed by a computer.
  • such computer-readable media may include RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other medium that can be used to carry or store desired program code in the form of instructions or data structures and that can be accessed by a computer.
  • any connection is properly termed a computer-readable medium.
  • Disk and disc includes compact disc, laser disc, optical disc, digital versatile disc (DVD), floppy disk, and Blu-ray disc, where disks usually reproduce data magnetically, whereas discs reproduce data optically using lasers. Combinations of the above should also be included within the scope of computer-readable media.
  • a software module may reside in RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, a hard disk, a removable disk, a CD-ROM, or any other form of storage medium known in the art.
  • An exemplary storage medium may be coupled to the processor such that the processor can read information from, and write information to, the storage medium.
  • the storage medium may be integral to the processor.
  • the processor and the storage medium may reside in an ASIC.
  • the ASIC may reside in a user terminal.
  • the processor and the storage medium may reside as discrete components in the user terminal.
  • While the embodiments described above have been described as utilizing aspects of the presently disclosed subject matter in one or more standalone computer systems, the present disclosure is not limited thereto, and may be implemented in conjunction with any computing environment, such as a network or distributed computing environment. Furthermore, aspects of the subject matter in the present disclosure may be implemented in multiple processing chips or devices, and storage may be similarly affected across multiple devices. Such devices may include PCs, network servers, and portable devices.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는 쇼핑 검색 결과 확장 방법에 관한 것이다. 쇼핑 검색 결과 확장 방법은 사용자 단말로부터 쇼핑 검색 질의를 수신하는 단계, 인공지능 모델을 이용하여 쇼핑 검색 질의를 제1 벡터로 변환하는 단계, 제1 벡터에 기초하여, 확장 질의를 결정하는 단계 및 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하는 단계를 포함한다.

Description

쇼핑 검색 결과 확장 방법 및 시스템
본 개시는 쇼핑 검색 결과 확장 방법 및 시스템에 관한 것으로, 구체적으로, 사용자 단말로부터 수신된 쇼핑 검색 질의 또는 쇼핑 검색 질의로부터 변환된 벡터에 기초하여 추출된 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하는 방법 및 시스템에 관한 것이다.
정보화 시대에서 검색 기술은 정보 검색의 필수 도구로 자리잡고 있다. 검색 기술은 사용자가 웹 상에서 원하는 정보를 효과적으로 찾을 수 있도록 보조하는 역할을 하며, 검색 질의와 관련성 높은 정보를 제공하기 위하여 인공지능 기술과 같이 다양한 기술을 적용하려는 시도가 이루어지고 있다.
한편, 인터넷 및 모바일 통신 기술의 발전에 따라 시간과 장소의 제약 없이 상품을 구매할 수 있는 온라인 쇼핑 시장의 수요가 증가하고 있다. 온라인 쇼핑 서비스를 제공하는 지역적 범위가 해외까지 확장됨에 따라 판매되는 상품의 종류 및 수량이 기하급수적으로 증가하고 있으며, 사용자가 원하는 상품을 제공하기 위한 검색 기술을 적용하려는 시도가 이루어지고 있다.
그럼에도 불구하고, 종래의 온라인 쇼핑 서비스는 상품 검색 결과 제공에 있어 사용자가 입력한 질의가 상품 검색에 적합한 질의와 일부 상이한 경우 사용자의 의도에 맞는 상품 검색 결과를 제공하지 못한다는 문제가 있다. 특히, 사용자가 입력한 질의가 기존에 한번도 입력되지 않은 질의인 경우 이러한 문제가 빈번하게 발생한다.
본 개시는 상기와 같은 문제를 해결하기 위한 쇼핑 검색 결과 확장 방법, 기록 매체에 저장된 컴퓨터 프로그램 및 시스템(장치)을 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 쇼핑 검색 결과 확장 방법은, 사용자 단말로부터 쇼핑 검색 질의(query)를 수신하는 단계, 인공지능 모델을 이용하여 쇼핑 검색 질의를 제1 벡터로 변환하는 단계, 제1 벡터에 기초하여, 확장 질의를 결정하는 단계 및 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따른 상술한 방법을 컴퓨터에서 실행하기 위해 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따르면, 정보 처리 시스템은, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 사용자 단말로부터 쇼핑 검색 질의를 수신하고, 인공지능 모델을 이용하여 쇼핑 검색 질의를 제1 벡터로 변환하고, 제1 벡터에 기초하여 확장 질의를 결정하고, 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하기 위한 명령어들을 포함한다.
본 개시의 다양한 실시예에 따르면, 사용자가 입력한 쇼핑 검색 질의에 기초하여 생성된 벡터에 기초하여 확장 질의가 추출되고, 이를 이용한 쇼핑 검색 결과가 생성될 수 있다. 이에 따라, 사용자가 입력한 질의가 상품 검색에 적합한 질의와 일부 상이한 경우에도 사용자가 구매하기를 원하는 상품을 포함한 쇼핑 검색 결과가 생성되어 제공될 수 있다.
본 개시의 다양한 실시예에 따르면, 쇼핑 검색 결과 생성에 활용되는 확장 질의는 후보 질의 데이터베이스에 저장된 복수의 후보 질의를 이용하여 결정될 수 있다. 이에 따라, 쇼핑 검색 결과 생성을 위한 확장 질의 결정에 있어 소요 시간이 단축될 수 있으며, 확장 질의 결정과 관련한 컴퓨팅 리소스 사용이 최소화될 수 있다.
본 개시의 다양한 실시예에 따르면, 확장 질의 결정에 있어 복수의 후보 질의와 사용자가 입력한 쇼핑 검색 질의 사이의 유사도가 산출될 수 있고, 유사도가 미리 결정된 임계값 이상인 질의 또는 유사도가 가장 높은 미리 정해진 수의 질의가 확장 질의의 후보 질의로 추출될 수 있다. 이에 따라, 검색 이력/검색 결과가 없는 질의에 대한 확장 질의가 결정될 수 있으며, 확장 질의 결정의 대응 범위가 확장될 수 있다.
본 개시의 다양한 실시예에 따르면, 사용자가 입력한 쇼핑 검색 질의에 의해 검색되는 상품이 미리 결정된 개수 이하인 것으로 판정하는 것에 응답하여, 프로세서는 쇼핑 검색 질의 및/또는 확장 질의에 기초하여 쇼핑 검색 결과를 생성할 수 있다. 이에 따라, 사용자가 쇼핑 검색 질의를 정확하게 입력된 경우에도 확장 질의가 사용되는 문제가 예방될 수 있다.
본 개시의 다양한 실시예에 따르면, 확장 질의에 의해 검색되는 상품은 사용자가 입력한 쇼핑 검색 질의에 의해 검색되는 상품의 하위에 배치됨으로써 사용자가 입력한 질의에 대한 쇼핑 검색 결과가 우선적으로 제공될 수 있다. 이에 따라, 쇼핑 검색 결과의 커버리지를 확장하면서도 사용자의 의도에 보다 부합한 쇼핑 검색 결과가 제공될 수 있다
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따라 사용자가 쇼핑 검색 질의를 입력하고 쇼핑 검색 결과를 제공받는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 방법을 제공하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따라 인코더가 학습되는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 데이터베이스 구축부가 후보 질의 데이터베이스를 구축하는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 후보 질의 데이터베이스에 저장된 후보 질의의 예시를 나타내는 블록도이다.
도 8은 본 개시의 일 실시예에 따라 후보 질의 데이터베이스에 저장된 후보 질의와 연관된 데이터터의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따라 확장 질의를 결정하는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하는 예시를 나타내는 흐름도이다.
도 11은 본 개시의 일 실시예에 따라 쇼핑 검색 질의 및 확장 질의에 기초하여 생성된 쇼핑 검색 결과의 예시를 나타내는 도면이다.
도 12는 본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 후보 질의 각각은, 복수의 후보 질의에 포함된 모든 후보 질의 각각을 지칭하거나 복수의 후보 질의에 포함된 일부 후보 질의 각각을 지칭할 수 있다.
본 개시에서, '쇼핑 검색'은 쇼핑 검색 질의 또는 확장 질의와 연관된 상품들을 상품 데이터베이스에서 추출하는 것을 지칭할 수 있다. 쇼핑 검색의 결과로서, 추출된 상품들이 사용자 단말의 디스플레이 상에 순위에 따라 표시될 수 있다.
본 개시에서, '클릭 상품'은 특정 검색 질의에 의해 검색된 상품(예, 쇼핑 검색 결과) 중 사용자가 클릭하여 해당 상품 관련 페이지로 이동한 상품을 지칭할 수 있다. 예를 들어, 특정 검색 질의에 의해 제1 상품 내지 제4 상품이 검색되고, 사용자가 그 중에서 제3 상품을 선택하여 제3 상품 관련 페이지로 이동한 경우, 제3 상품이 '클릭 상품'으로 지칭될 수 있다.
본 개시에서, 'CTR'(Click-Through Rate)은 검색 횟수 대비 클릭되는 횟수를 지칭할 수 있다. 예를 들어, 쇼핑 검색 질의에 대한 CTR은 질의의 입력 횟수 대비 검색 결과 클릭수(검색 결과 클릭수/질의의 입력 횟수)로 계산할 수 있다. CTR이 낮은 질의는 사용자가 원하는 상품이 검색되지 않았을 확률이 높다는 것을 의미할 수 있다. 다른 예로서, 상품에 대한 CTR은, 상품이 검색 결과로서 노출되는 횟수 대비 해당 상품의 클릭수(상품의 클릭수/상품이 검색 결과로서 노출되는 횟수)로 계산할 수 있다. CTR이 낮은 상품은 상품의 인기도가 낮다는 것을 의미할 수 있다.
도 1은 본 개시의 일 실시예에 따라 사용자가 쇼핑 검색 질의를 입력하고 쇼핑 검색 결과를 제공받는 예시를 나타내는 도면이다. 예를 들어, 사용자는 사용자 단말(예: 스마트폰 등)의 쇼핑 애플리케이션, 웹 브라우저 등을 실행하여 쇼핑 검색을 수행할 수 있다.
일 실시예에 따르면, 사용자는 사용자 단말의 디스플레이(110) 상에 출력된 쇼핑 검색 질의 입력 영역(120)에 쇼핑 검색 질의(130)를 입력할 수 있다. 쇼핑 검색 결과 확장 시스템(140)은 사용자 단말로부터 쇼핑 검색 질의(130)를 수신할 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 사용자는 쇼핑 검색 질의 입력 영역(120)에 '닭 레버 도미 3색'이라는 쇼핑 검색 질의(130)를 입력할 수 있으며, 쇼핑 검색 결과 확장 시스템(140)은 '닭 레버 도미 3색'이라는 쇼핑 검색 질의(130)를 사용자 단말로부터 수신할 수 있다.
일 실시예에 따르면, 쇼핑 검색 결과 확장 시스템(140)은 쇼핑 검색 질의에 기초하여 확장 질의를 결정할 수 있다. 예를 들어, 쇼핑 검색 결과 확장 시스템(140)은 쇼핑 검색 질의인 '닭 레버 도미 3색'으로부터 확장 질의인 '닭 레버 도미 3종'을 결정할 수 있다. 이를 위해, 쇼핑 검색 결과 확장 시스템(140)은 인공지능 모델(예를 들어, 인코더 모델)을 이용하여 쇼핑 검색 질의를 벡터로 변환하고, 이에 기초하여 후보 질의 데이터베이스로부터 복수의 후보 질의를 추출할 수 있다. 그리고 나서, 쇼핑 검색 결과 확장 시스템(140)은 복수의 후보 질의의 순위를 결정하고, 가장 높은 순위의 후보 질의를 확장 질의로 결정할 수 있다. 이에 대한 세부적인 내용은 도 4 및 도 9를 참조하여 후술된다. 또한, 쇼핑 검색 결과 확장 시스템(140)이 쇼핑 검색 질의에 기초하여 확장 질의를 결정하는 것은 질의 변환(query reformulation)으로 지칭될 수 있다.
일 실시예에 따르면, 쇼핑 검색 결과 확장 시스템(140)은 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과(150)를 생성할 수 있다. 쇼핑 검색 결과 확장 시스템(140)은 쇼핑 검색 질의에 의해 검색되는 상품의 개수에 따라 확장 질의 사용 여부 및/또는 확장 질의에 기초한 쇼핑 검색 결과 생성 여부를 결정할 수 있다. 예를 들어, 쇼핑 검색 결과 확장 시스템(140)은 '닭 레버 도미 3색'에 기초하여 검색된 상품이 없거나 적은 경우(예를 들어, 검색 결과 10건 이하), 확장 질의인 '닭 레버 도미 3종'에 기초하여 검색된 상품이 노출되는 쇼핑 검색 결과를 생성할 수 있다. 이에 대한 세부적인 내용은 도 10 및 도 11을 참조하여 후술된다.
일 실시예에 따르면, 쇼핑 검색 결과 확장 시스템(140)은 생성된 쇼핑 검색 결과(150)를 사용자 단말로 전송할 수 있다. 이 경우, 사용자 단말은 디스플레이의 쇼핑 검색 결과 출력 영역(160)에 쇼핑 검색 결과(150)를 출력할 수 있다. 예를 들어, 사용자 단말은 확장 질의인 '닭 레버 도미 3종'에 의해 검색된 상품의 명칭, 가격 등이 포함된 쇼핑 검색 결과(150)를 디스플레이(110) 상의 쇼핑 검색 결과 출력 영역(160)에 출력할 수 있다.
상술한 구성에 따르면, 쇼핑 검색 결과 확장 시스템(140)은 사용자가 입력한 쇼핑 검색 질의(130)를 수신하고, 쇼핑 검색 질의(130)로부터 변환된 벡터에 기초하여 확장 질의를 결정할 수 있다. 또한, 쇼핑 검색 결과 확장 시스템(140)은 확장 질의에 기초하여 쇼핑 검색 결과(150)를 생성할 수 있다. 이에 따라, 쇼핑 검색 결과 확장 시스템(140)은 사용자가 입력한 질의가 상품 검색에 적합한 질의와 일부 상이한 경우에도 사용자가 구매하기를 원하는 상품을 포함하는 쇼핑 검색 결과(150)를 생성하여 사용자 단말에 제공할 수 있다.
도 2는 본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 방법을 제공하기 위해, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 쇼핑 검색 결과를 생성/제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 사용자로부터 쇼핑 검색 질의를 입력 받고, 정보 처리 시스템(230)으로부터 쇼핑 검색 결과를 제공받는 사용자의 단말일 수 있다. 또한, 정보 처리 시스템(230)은 도 1의 쇼핑 검색 결과 확장 시스템(140)을 포함할 수 있다.
일 실시예에서, 정보 처리 시스템(230)은 쇼핑 검색 결과 생성/제공과 연관된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.
정보 처리 시스템(230)에 의해 제공되는 쇼핑 검색 결과는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 쇼핑 애플리케이션, 웹 브라우저 또는 웹 브라우저 확장 프로그램 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 쇼핑 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 쇼핑 검색 질의에 대응하여, 쇼핑 검색 결과를 제공하는 등 대응하는 정보를 제공하거나 대응하는 처리를 수행할 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 쇼핑 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 애플리케이션, 웹 브라우저 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 쇼핑 검색 결과 생성/제공과 연관된 코드 등)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예: 쇼핑 검색 결과 생성/제공을 위한 프로그램)에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 쇼핑 검색 결과 제공 요청, 쇼핑 검색 질의 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 마이크 모듈, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
쇼핑 애플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.
사용자 단말(210)의 프로세서(314)는 입출력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송함으로써 출력할 수 있다. 예를 들면, 수신된 쇼핑 검색 결과는 사용자 단말(210)의 화면에 디스플레이 또는 표시될 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다. 일 실시예에서, 프로세서(334)는 사용자 단말(210)로부터 수신한 쇼핑 검색 질의로부터 확장 질의를 결정하고, 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하기 위한 명령어들을 실행할 수 있다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 정보 처리 시스템은 도 1의 쇼핑 검색 결과 확장 시스템(140)을 포함할 수 있다. 도 4에 도시된 바와 같이, 프로세서(334)는 인코더 학습부(410), 인코더(420), 데이터베이스 구축부(430), 질의 분석부(440), 확장 질의 결정부(450) 및 검색 결과 생성부(460)를 포함할 수 있다.
일 실시예에 따르면, 인코더 학습부(410)는 텍스트(예를 들어, 질의)를 벡터로 변환하는 인코더(420)를 학습시킬 수 있다. 이를 위해, 인코더 학습부(410)는 복수의 학습 질의-학습 확장 질의 쌍을 이용할 수 있다. 예를 들어, 인코더 학습부(410)는 하나의 검색 세션 동안 입력되고, 텍스트 유사도가 미리 결정된 임계치 이상인 제1 질의-제2 질의 쌍을 이용하여 인코더(420)를 학습시킬 수 있다. 다른 예로서, 인코더 학습부(410)는 클릭 상품 사이의 유사도가 미리 결정된 임계치 이상인 제1 질의-제2 질의 쌍을 이용하여 인코더(420)를 학습시킬 수 있다. 이에 대한 세부적인 내용은 도 5를 참조하여 후술된다.
일 실시예에 따르면, 인코더(420)는 사용자 단말로부터 수신된 쇼핑 검색 질의를 벡터로 변환할 수 있다. 예를 들어, 인코더(420)에 의해 변환된 벡터는 쇼핑 검색 질의를 다차원 실수로 변환한 임베딩 벡터일 수 있으며, 인코더는 쇼핑 검색 질의를 임베딩 벡터로 변환할 수 있는 인공 신경망 모델(예를 들어, 자연어 처리 모델)의 인코더일 수 있다. 인코더(420)는 변환된 벡터를 확장 질의 결정부(450)에 전송할 수 있으며, 확장 질의 결정부(450)는 해당 벡터에 기초하여 확장 질의를 결정할 수 있다.
일 실시예에 따르면, 인코더(420)는 후보 질의 데이터베이스(490)에 저장된 후보 질의를 벡터로 변환할 수 있다. 후보 질의로부터 변환된 벡터는 후보 질의를 다차원 실수로 변환한 임베딩 벡터일 수 있다. 인코더(420)는 변환된 벡터를 후보 질의 데이터베이스(490)로 전송할 수 있으며, 후보 질의 데이터베이스(490)는 해당 벡터를 후보 질의와 연관하여 저장할 수 있다.
일 실시예에 따르면, 데이터베이스 구축부(430)는 검색 로그 데이터베이스(470) 및/또는 상품 데이터베이스(480)에 기초하여 후보 질의 데이터베이스(490)를 구축할 수 있다. 예를 들어, 데이터베이스 구축부(430)는 검색 로그 데이터베이스(470)에 저장된 검색 로그 데이터 및/또는 상품 데이터베이스에 저장된 상품 메타 정보에 기초하여 후보 질의와 연관된 데이터를 추출할 수 있으며, 후보 질의 데이터베이스(490)는 데이터베이스 구축부(430)에 의해 추출된 데이터를 저장할 수 있다. 후보 질의 데이터베이스를 구축하는 세부적인 내용은 도 6을 참조하여 후술된다. 또한, 후보 질의 데이터베이스에 저장된 후보 질의 및 후보 질의와 연관된 데이터는 도 7 및 도 8을 참조하여 후술된다.
일 실시예에 따르면, 질의 분석부(440)는 사용자 단말로부터 수신된 쇼핑 검색 질의를 분석할 수 있다. 예를 들어, 질의 분석부(440)는 사용자 단말로부터 수신된 쇼핑 검색 질의를 분석하고, 쇼핑 검색 질의와 연관된 상품의 카테고리, 메타정보, 키워드 등 분석 데이터를 생성할 수 있다. 이를 위해, 질의 분석부(440)는 검색 로그 데이터베이스(470) 및/또는 상품 데이터베이스(480)와 통신하여 데이터를 수신할 수 있다. 질의 분석부(440)는 생성된 분석 데이터를 확장 질의 결정부(450)에 전송할 수 있으며, 확장 질의 결정부(450)는 수신된 분석 데이터에 기초하여 확장 질의를 결정할 수 있다.
일 실시예에 따르면, 확장 질의 결정부(450)는 사용자 단말로부터 수신된 쇼핑 검색 질의에 기초하여 확장 질의를 결정할 수 있다. 이를 위해, 확장 질의 결정부(450)는 후보 질의 데이터베이스(490)로부터 복수의 후보 질의를 추출할 수 있다. 예를 들어, 확장 질의 결정부(450)는 쇼핑 검색 질의로부터 변환된 벡터와 후보 질의 데이터베이스(490)에 저장된 질의 벡터 사이의 유사도를 산출하고, 유사도가 미리 결정된 기준 이상인 복수의 후보 질의 및/또는 유사도가 가장 높은 미리 결정된 수의 후보 질의를 복수의 후보 질의로 추출할 수 있다. 또한, 확장 질의 결정부(450)는 추출된 복수의 후보 질의의 순위를 결정하고, 이에 기초하여 확장 질의를 결정할 수 있다. 예를 들어, 확장 질의 결정부(450)는 벡터 유사도, 텍스트 유사도, 메타 정보 일치도, 인기도 등을 이용하여 추출된 복수의 후보 질의의 순위를 결정할 수 있으며, 가장 높은 순위의 후보 질의를 확장 질의로 결정할 수 있다. 이에 대한 세부적인 내용은 도 9를 참조하여 후술된다.
일 실시예에 따르면, 검색 결과 생성부(460)는 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 상품 데이터베이스(480)에서 상품을 검색하고, 해당 상품의 정보가 포함된 쇼핑 검색 결과를 생성할 수 있다. 이 경우, 검색 결과 생성부(460)는 검색 결과의 과도한 확장을 방지하기 위해 확장 질의 사용 여부 및/또는 확장 질의에 기초하여 쇼핑 검색 결과 생성 여부를 결정할 수 있다. 예를 들어, 검색 결과 생성부(460)는 쇼핑 검색 질의에 의해 검색되는 상품이 미리 결정된 개수 이하인 경우에만, 확장 질의 결정부(450)가 확장 질의를 결정하도록 하고, 결정된 확장 질의를 쇼핑 검색 결과 생성에 이용할 수 있다. 이에 대한 세부적인 내용은 도 10을 참조하여 후술된다.
일 실시예에 따르면, 검색 결과 생성부(460)는 쇼핑 검색 결과 생성에 있어 사용자의 의도를 고려하여 상품을 배치할 수 있다. 예를 들어, 쇼핑 검색 질의에 의해 검색된 상품 및 확장 질의에 의해 검색된 상품이 모두 존재하는 경우, 검색 결과 생성부(460)는 쇼핑 검색 질의에 의해 검색된 상품을 상위에 배치할 수 있다. 이에 대한 구체적인 예시는 도 11을 참조하여 후술된다.
도 4에서 프로세서(334) 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다. 대안적으로, 프로세서(334) 각각의 구성 요소들은 실제 물리적 환경에서 서로 별도로 구현될 수 있다. 또한, 도 4에서 프로세서(334)의 내부 구성은 인코더 학습부(410), 인코더(420), 데이터베이스 구축부(430), 질의 분석부(440), 확장 질의 결정부(450) 및 검색 결과 생성부(460)로 나누어서 도시되었으나, 이에 한정되지 않으며, 일부 구성이 생략되거나 다른 구성이 추가될 수 있다. 예를 들어, 후보 질의 데이터베이스(490)는 외부 시스템에 존재하는 데이터베이스로서 외부 시스템에 의해 구축될 수 있으며, 이 경우 데이터베이스 구축부(430)는 생략될 수 있다. 다른 예로서, 인코더(420)는 인공지능 모델 또는 인공지능 모델에 포함된 다른 일부 구성을 대체될 수 있다. 이 경우, 인코더 학습부(410)는 대체된 구성을 학습하는 구성으로 대체될 수 있다.
도 5는 본 개시의 일 실시예에 따라 인코더(420)가 학습되는 예시를 나타내는 도면이다. 인코더(420)는 도 4의 인코더 학습부(410)에 의해 학습될 수 있다. 또한 인코더(420)는 복수의 학습 질의-학습 확장 질의 쌍으로 이루어진 학습 데이터 세트를 이용하여 학습될 수 있다.
일 실시예에 따르면, 인코더(420)는 제1 학습 데이터 세트(510)에 기초하여 학습될 수 있다. 제1 학습 데이터 세트(510)는 하나의 검색 세션 동안 입력되고, 텍스트 유사도가 미리 결정된 임계치 이상인 제1 질의-제2 질의 쌍을 포함할 수 있다. 예를 들어, 제1 질의가 입력된 후 사용자가 상품을 클릭하지 않고 미리 정해진 시간 이내에 제2 질의가 입력되고, 사용자가 상품을 클릭하고 제1 질의 및 제2 질의 사이의 텍스트 유사도가 미리 결정된 임계치(예: 0.5 등) 이상인 경우, 제1 질의-제2 질의 쌍은 제1 학습 데이터 세트(510)에 포함될 수 있다. 추가적으로 또는 대안적으로, 제1 학습 데이터 세트(510)는 하나의 검색 세션 동안 입력되고, 텍스트 유사도가 높은 미리 결정된 수의 제1 질의-제2 질의 쌍을 학습 데이터로서 포함할 수 있다.
일 실시예에 따르면, 인코더(420)는 제2 학습 데이터 세트(520)에 기초하여 학습될 수 있다. 제2 학습 데이터 세트(520)는 클릭 상품 사이의 유사도가 미리 결정된 임계치 이상인 제1 질의-제2 질의 쌍을 포함할 수 있다. 예를 들어, 제1 질의에 의해 검색된 상품 중 사용자가 클릭한 상품과 제2 질의에 의해 검색된 상품 중 사용자가 클릭한 상품의 유사도가 미리 결정된 임계치(예: 0.5 등) 이상인 경우 제1 질의-제2 질의 쌍은 제2 학습 데이터 세트(520)에 포함될 수 있다. 다른 예로서, 제1 질의에 의해 검색된 상품 중 사용자가 클릭한 상품의 카테고리와 제2 질의에 의해 검색된 상품 중 사용자가 클릭한 상품의 카테고리 사이의 유사도가 미리 결정된 임계치(예: 0.7 등) 이상인 경우 제1 질의-제2 질의 쌍은 제2 학습 데이터 세트(520)에 포함될 수 있다. 추가적으로 또는 대안적으로, 제2 학습 데이터 세트(520)는 클릭 상품 사이의 유사도가 높은 미리 결정된 수의 제1 질의-제2 질의 쌍을 포함할 수 있다.
상술한 학습 데이터 세트(510, 520)는 인코더(420) 학습 데이터의 일 예시로서 이에 한정되지 않으며 다른 방식으로 선별된 학습 데이터 세트가 인코더(420)의 학습 과정에서 이용될 수 있다. 또한, 인코더(420)의 학습 과정에서 일부 학습 데이터 세트가 생략되거나 다른 학습 데이터 세트가 추가될 수 있다.
일 실시예에서, 인코더(420)는 인코더와 디코더를 포함하는 인공신경망 모델의 인코더일 수 있다. 예를 들어, 인코더와 디코더를 포함하는 인공신경망 모델은 Seq2Seq 생성 모델일 수 있다. 이 경우, 인공신경망 모델은 제1 학습 데이터 세트(510) 및 제2 학습 데이터 세트(520)를 이용하여 학습될 수 있다. 예를 들어, 인공신경망 모델은 학습 데이터 세트(510, 520)에 포함된 제1 질의를 입력 받아 제2 질의를 생성하도록 학습될 수 있다. 인코더(420)는 상술한 방식으로 학습된 인공신경망 모델의 인코더일 수 있다.
다른 실시예에서, 인코더(420)는 학습 데이터 세트(510, 520)의 인코딩된 벡터 간의 유사도에 기초하여 학습될 수 있다. 예를 들어, 학습 데이터 세트(510, 520)에 포함된 제1 질의-제2 질의 쌍에 대하여, 제1 질의의 인코딩된 제1 벡터와 제2 질의의 인코딩된 제2 벡터 간의 유사도가 높아지도록 인코더(420)가 학습될 수 있다. 추가적으로 또는 병렬적으로, 제1 질의와 학습 데이터 세트(510, 520)에 포함된 임의의 다른 질의(제2 질의 제외)와의 유사도가 낮아지도록 인코더(420)가 학습될 수 있다. 추가적으로 또는 병렬적으로, 제2 질의와 학습 데이터 세트(510, 520)에 포함된 임의의 다른 질의(제1 질의 제외)와의 유사도가 낮아지도록 인코더(420)가 학습될 수 있다. 이 경우, 벡터 간 유사도는 실수 벡터의 코사인 유사도(cosine similarity), 유클리드 거리(Euclidean distance)의 역수 등이 이용될 수 있다.
인코더(420)의 학습 방법으로서, 학습 데이터 세트(510, 520)에 포함된 제1 질의-제2 질의 쌍에 대하여, 제1 질의를 입력 받아 제2 질의를 생성하도록 학습되는 제1 예시 및 벡터 간의 유사도에 기초하여 학습되는 제2 예시를 별개의 예시로서 설명했으나 이에 한정되지 않으며, 상술한 학습 방법을 함께 이용하여 학습하는 방식(multi task learning)으로 인코더(420)를 학습시킬 수 있다. 이 경우, 인코더(420) 학습에 있어 손실(loss)은 제1 예시에 따른 학습 과정 중 발생한 제1 손실 및 제2 예시에 따른 학습 과정 중 발생한 제2 손실의 가중합(weighted sum)일 수 있으며, 손실을 최소화하도록 인코더(420)를 학습시킬 수 있다.
상술한 학습 데이터 세트(510, 520)는 인코더(420) 학습 데이터의 일 예시로서 이에 한정되지 않으며 다른 방식으로 선별된 학습 데이터 세트가 인코더(420)의 학습 과정에서 이용될 수 있다. 또한, 인코더(420)의 학습 과정에서 일부 학습 데이터 세트가 생략되거나 다른 학습 데이터 세트가 추가될 수 있다. 예를 들어, 인코더 학습을 위해 하기 표와 같은 학습 질의-학습 확장 질의 쌍이 이용될 수 있다.
유형 학습 질의 (Q1) 학습 확장 질의 (Q2)
유사 단어 추천 욕실 물때 oxyclean 욕실 청소 oxyclean
사용자 오류 Yotsuba 우유 드링킹 요거트 Yotsuba 유업 드링킹 요거트
오카야마 과일 천국 오카야마 과일 왕국
부분 질의 작은 분재 느티나무를 키우는 법 분재 느티나무
띄어쓰기 truckcamper truck camper
도 6은 본 개시의 일 실시예에 따라 데이터베이스 구축부(430)가 후보 질의 데이터베이스(490)를 구축하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 데이터베이스 구축부(430)는 검색 로그 데이터베이스(470) 및/또는 상품 데이터베이스(480)에 기초하여 후보 질의 데이터베이스(490)를 구축할 수 있다.
일 실시예에 따르면, 데이터베이스 구축부(430)는 검색 로그 데이터베이스(470)로부터 검색 로그 데이터(610)를 수신할 수 있다. 검색 로그 데이터(610)는 검색어, 검색 빈도, CTR, 사용자 반응도 등을 포함할 수 있다. 데이터베이스 구축부(430)는 검색 로그 데이터(610)에 기초하여 후보 질의 데이터베이스(490)에 저장될 후보 질의인 일부 검색어를 선정할 수 있다. 예를 들어, 데이터베이스 구축부(430)는 검색 빈도, CTR, 사용자 반응도 각각에 가중치를 부여하여 점수를 산출할 수 있으며 산출된 점수가 기준치 이상인 검색어를 후보 질의 데이터베이스(490)에 저장될 후보 질의로서 선정할 수 있다. 추가적으로 또는 대안적으로, 데이터베이스 구축부(430)는 산출된 점수가 높은 미리 결정된 개수의 검색어를 후보 질의 데이터베이스(490)에 저장될 후보 질의로서 선정할 수 있다. 일 예시에서, 데이터베이스 구축부(430)는 선정된 후보 질의 중 검색되는 상품이 있는 후보 질의만 후보 질의 데이터베이스(490)에 저장할 수 있다.
일 실시예에 따르면, 데이터베이스 구축부(430)는 상품 데이터베이스(480)로부터 상품의 메타 정보(620)를 수신할 수 있다. 상품의 메타 정보(620)는 상품의 속성과 연관된 정보로서 상품에 대한 카테고리, 상품의 명칭, 상품의 브랜드, 상품을 판매하는 쇼핑몰 명칭, 상품에 대한 클릭 수, 상품에 대한 리뷰 수 등을 포함할 수 있다. 데이터베이스 구축부(430)는 상품의 메타 정보(620)에 기초하여 후보 질의 데이터베이스(490)에 저장될 후보 질의를 선정할 수 있다. 예를 들어, 데이터베이스 구축부(430)는 클릭 수 및/또는 리뷰 수가 미리 결정된 임계치 이상인 상품에 대한 카테고리, 상품명, 브랜드, 쇼핑몰 명칭 등을 후보 질의 데이터베이스(490)에 저장될 후보 질의로서 선정할 수 있다. 추가적으로 또는 대안적으로, 데이터베이스 구축부(430)는 클릭 수 및/또는 리뷰 수가 높은 미리 결정된 수의 상품에 대한 카테고리, 상품명, 브랜드, 쇼핑몰 명칭 등을 후보 질의 데이터베이스(490)에 저장될 후보 질의로서 선정할 수 있다. 대안적으로, 데이터베이스 구축부(430)는 모든 상품에 대한 카테고리, 상품명, 브랜드, 쇼핑몰 명칭 등을 후보 질의 데이터베이스(490)에 저장될 후보 질의로서 선정할 수 있다.
일 실시예에 따르면, 데이터베이스 구축부(430)는 후보 질의 선정과 함께 후보 질의와 연관된 데이터(630)를 추출할 수 있으며, 추출된 데이터를 후보 질의 데이터베이스(490)에 저장할 수 있다. 후보 질의와 연관된 데이터(630)는 후보 질의 텍스트 뿐만 아니라 출처, 벡터, 메타 정보, 인기도 등을 포함할 수 있다. 이에 대한 세부적인 내용은 도 8을 참조하여 후술된다.
도 7은 본 개시의 일 실시예에 따라 후보 질의 데이터베이스(490)에 저장된 후보 질의의 예시를 나타내는 블록도이다. 후보 질의 데이터베이스(490)는 오탈자를 포함하지 않고, 쇼핑 검색 결과가 존재하는 후보 질의를 저장할 수 있다. 도 7에 도시된 바와 같이, 후보 질의 데이터베이스(490)는 검색 로그 후보 질의(710), 상품 메타 정보 후보 질의(720) 및/또는 키워드 후보 질의(730)를 포함할 수 있다.
일 실시예에 따르면, 검색 로그 후보 질의(710)는 검색 로그 데이터로부터 추출된 후보 질의를 지칭할 수 있다. 예를 들어, 검색 로그 후보 질의(710)는 검색 로그 데이터에 기록된 검색어로서 검색 빈도가 높은 검색어, CTR이 높은 검색어, 사용자 반응이 좋은 검색어 등을 포함할 수 있다. 또한, 검색 로그 후보 질의(710)는 쇼핑 검색 결과가 존재하는 질의일 수 있다.
일 실시예에 따르면, 상품 메타 정보 후보 질의(720)는 상품의 메타 정보로부터 추출된 후보 질의를 지칭할 수 있다. 예를 들어, 상품 메타 정보 후보 질의(720)는 인기도 있는 상품(예: 리뷰 수가 많은 상품 등, 클릭 수가 높은 상품 등)의 상품명, 브랜드, 쇼핑몰 명칭 등을 포함할 수 있다. 대안적으로, 상품 메타 정보 후보 질의(720)는 모든 상품의 상품명, 브랜드, 쇼핑몰 명칭 등을 포함할 수 있다.
일 실시예에 따르면, 키워드 후보 질의(730)는 상품명으로부터 추출된 키워드를 지칭할 수 있다. 상품명으로부터 키워드 후보 질의를 추출하기 위하여 인공 신경망 모델이 이용될 수 있다. 예를 들어, 주어진 텍스트를 이해하고 핵심 내용을 추출하는 질의 응답 모델(question answering model)을 이용하여 상품명으로부터 상품명의 일부인 키워드 후보 질의를 추출할 수 있다. 예를 들어, 상품명이 "1년 보증 크레인 게임 ufo catcher 가정용 장난감"인 경우, "크레인 게임" 및 "ufo catcher"가 키워드로 추출될 수 있다.
도 7에서 후보 질의 데이터베이스(490)에 저장된 각각의 후보 질의들은 타입별로 구분되는 후보 질의의 예시들을 나타낸 것으로, 복수의 후보 질의는 서로 통합되어 저장되는 형태로 구현될 수 있다. 또한, 도 7에서 후보 질의 데이터베이스(490)는 검색 로그 후보 질의(710), 상품 메타 정보 후보 질의(720) 및 키워드 후보 질의(730)로 나누어서 도시되었으나, 이에 한정되지 않으며, 일부 후보 질의가 생략되거나 다른 후보 질의가 추가될 수 있다.
도 8은 본 개시의 일 실시예에 따라 후보 질의 데이터베이스에 저장된 후보 질의와 연관된 데이터(800)의 예시를 나타내는 도면이다. 일 실시예에서, 후보 질의 데이터베이스는 후보 질의와 연관된 데이터(800)로서 후보 질의 텍스트(810)와 출처(820), 인코더에 의해 변환된 벡터(830), 메타 정보(840) 및 인기도(850)를 함께 저장될 수 있다.
일 실시예에 따르면, 출처(820)는 후보 질의가 추출된 출처를 지칭할 수 있다. 예를 들어, 후보 질의가 검색 로그 데이터로부터 추출된 경우 출처(820)는 '검색 로그'로 기록될 수 있다. 다른 예로서, 후보 질의가 상품 메타 정보 중 상품명으로부터 추출된 경우 출처(820)는 '상품 데이터베이스(상품명)'으로 기록될 수 있다.
일 실시예에 따르면, 벡터(830)는 후보 질의가 인코더에 의해 변환된 벡터를 지칭할 수 있다. 예를 들어, 벡터(830)는 후보 질의를 다차원 실수로 변환하여 표현된 임베딩 벡터가 기록되어 저장될 수 있으며, 이를 위해, 자연어 처리 모델의 인코더가 이용될 수 있다. 또한, 후보 질의를 벡터로 변환하기 위하여 이용된 인코더는 쇼핑 검색 질의를 벡터로 변환하기 위하여 이용된 인코더(예: 도 4의 인코더(420))와 동일할 수 있다.
일 실시예에 따르면, 메타 정보(840)는 후보 질의를 분석하여 도출된 메타 정보를 지칭할 수 있다. 예를 들어, 메타 정보(840)는 후보 질의 텍스트에 포함된 브랜드, 후보 질의 텍스트에 포함된 카테고리, 후보 질의 텍스트에 포함된 키워드, 사용자가 해당 후보 질의를 통해 가장 많이 선택한 상품의 브랜드, 카테고리 등을 포함할 수 있다. 다른 예로, 메타 정보(840)는 후보 질의와 연관된 상품의 메타 데이터를 포함할 수 있다.
일 실시예에 따르면, 인기도(850)는 후보 질의에 대한 사용자의 선호 정도를 수치화한 것을 지칭할 수 있다. 예를 들어, 인기도(850)는 일정 기간 동안 후보 질의가 검색된 횟수인 검색 빈도, 후보 질의의 CTR, 후보 질의로부터 검색된 상품이 클릭된 횟수 중 적어도 하나에 기초하여 산출된 것일 수 있다. 다른 예로서, 후보 질의는 키워드 후보 질의(예를 들어, 도 7의 730)를 포함할 수 있으며, 키워드 후보 질의에 대한 인기도는 해당 키워드가 추출된 상품의 인기도, 상품 데이터베이스(예를 들어, 도 6의 480)에서 키워드가 추출된 빈도, 키워드 추출 모델(예를 들어, question answering model)에 의해 산출된 키워드 추출 신뢰도 점수(confidence score) 등에 기초하여 산출될 수 있다.
도 9는 본 개시의 일 실시예에 따라 확장 질의(960)를 결정하는 예시를 나타내는 도면이다. 일 실시예에서, 사용자 단말로부터 수신된 쇼핑 검색 질의(910)에 기초하여 확장 질의(960)가 결정될 수 있다. 이를 위해 인코더(420), 질의 분석부(440) 및 확장 질의 결정부(450)가 이용될 수 있다.
일 실시예에 따르면, 인코더(420)는 쇼핑 검색 질의(910)를 수신하여 벡터(920)로 변환할 수 있다. 예를 들어, 인코더(420)는 쇼핑 검색 질의(910)인 'Nike air maxx'를 수신할 수 있으며, 다차원의 실수로 표현된 임베딩 벡터인 '[0.10, -0.22, 쪋]'로 변환할 수 있다.
일 실시예에 따르면, 질의 분석부(440)는 쇼핑 검색 질의(910)를 수신하여 쇼핑 검색 질의 분석 결과(930)를 생성할 수 있다. 예를 들어, 질의 분석부(440)는 쇼핑 검색 질의(910)인 'Nike air maxx'를 수신하여 분석할 수 있으며, 쇼핑 검색 질의 텍스트인 'Nike air maxx'에 'Nike'를 인식하여 브랜드 명칭을 'Nike'로 추출할 수 있다. 또한, 질의 분석부(440)는 'Nike air maxx'에 'Nike' 및 'air'로부터 쇼핑 검색 질의 텍스트에 포함된 상품의 카테고리가 '운동화'임을 추출할 수 있다. 또한, 질의 분석부(440)는 인공 신경망 모델(예: 질의 응답 모델 등)을 통해 'Nike air maxx'에 포함된 키워드인 'Nike', 'air' 등을 추출할 수 있다.
일 실시예에 따르면, 확장 질의 결정부(450)는 쇼핑 검색 질의로부터 변환된 벡터(920)를 수신하고, 벡터(920)에 기초하여 후보 질의 데이터베이스(490)로부터 복수의 후보 질의를 추출할 수 있다. 예를 들어, 확장 질의 결정부(450)는 쇼핑 검색 질의로부터 변환된 벡터(920)와 후보 질의 데이터베이스(490)에 저장된 특정 후보 질의로부터 변환된 벡터 사이의 유사도를 산출하고, 유사도에 기초하여 특정 후보 질의(예: 유사도가 미리 결정된 임계치 이상인 후보 질의, 유사도가 상위 N개인 후보 질의 등)를 복수의 후보 질의 중 하나로 결정할 수 있다.
일 실시예에 따르면, 확장 질의 결정부(450)는 추출된 복수의 후보 질의와 연관된 데이터(940)를 후보 질의 데이터베이스(490)로부터 수신할 수 있다. 복수의 후보 질의와 연관된 데이터(940)는 후보 질의의 출처, 인코더에 의해 생성된 후보 질의와 연관된 벡터, 후보 질의와 직접 연관되거나 후보 질의에 의해 검색된 상품의 메타 정보, 후보 질의의 인기도 등을 포함할 수 있다.
일 실시예에 따르면, 확장 질의 결정부(450)는 복수의 후보 질의의 순위를 결정할 수 있다. 이를 위해, 확장 질의 결정부(450)는 쇼핑 검색 질의로부터 변환된 벡터(920), 쇼핑 검색 질의 분석 결과(930) 및 후보 질의와 연관된 데이터(940)를 수신하고, 이에 기초하여 후보 질의 순위 결정을 위한 기준 데이터(950)를 산출할 수 있다. 예를 들어, 기준 데이터(950)는 복수의 후보 질의 각각에 대한 벡터 유사도(951), 텍스트 유사도(953), 메타 정보 일치도(955), 인기도(957), 총점(959) 등을 포함할 수 있다. 벡터 유사도(951)는 쇼핑 검색 질의로부터 변환된 벡터(920) 및 후보 질의로부터 변환된 벡터에 기초하여 산출된 유사도일 수 있다. 텍스트 유사도(953)는 쇼핑 검색 질의(910)의 텍스트 및 후보 질의의 텍스트에 기초하여 산출된 유사도일 수 있다. 메타 정보 일치도(955)는 쇼핑 검색 질의 분석 결과(930)에 포함된 메타 정보 및 후보 질의의 메타 정보가 일치하거나 포함 관계인지 여부에 기초하여 산출된 값일 수 있다. 인기도(957)는 후보 질의 각각의 검색 빈도, 클릭 수, CTR, 후보 질의에 의해 검색된 상품의 클릭 수 등에 기초하여 산출된 값일 수 있다. 또한, 인기도(957)는 후보 질의와 연관된 데이터(940)에 저장된 인기도를 스케일링한 값일 수 있다. 총점(959)은 벡터 유사도(951), 텍스트 유사도(953), 메타 정보 일치도(955), 인기도(957) 각각에 가중치를 부여하고 합산한 값을 지칭할 수 있다.
일 실시예에 따르면, 확장 질의 결정부(450)는 복수의 후보 질의 중 적어도 하나를 확장 질의(960)로 결정할 수 있다. 예를 들어, 확장 질의 결정부(450)는 총점(959)이 가장 높은 후보 질의인 'Nike air max'를 확장 질의(960)로 결정할 수 있다.
상술한 바와 같이, 확장 질의 결정부(450)는 후보 질의 데이터베이스(490)에 저장된 복수의 후보 질의를 이용하여 확장 질의(960)를 결정할 수 있다. 이에 따라, 쇼핑 검색 결과 생성을 위한 확장 질의 결정에 있어 소요 시간이 단축될 수 있으며, 확장 질의 결정과 관련한 컴퓨팅 리소스 사용이 최소화될 수 있다.
또한, 확장 질의 결정부(450)는 복수의 후보 질의와 사용자가 입력한 쇼핑 검색 질의(910) 사이의 유사도가 미리 결정된 임계값 이상인 질의 또는 유사도가 가장 높은 미리 정해진 수의 질의를 확장 질의의 후보 질의로 추출할 수 있다. 이에 따라, 검색 이력/검색 결과가 없는 질의에 대한 확장 질의가 결정될 수 있으며, 확장 질의 결정의 대응 범위가 확장될 수 있다.
도 10은 본 개시의 일 실시예에 따라 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하는 예시를 나타내는 흐름도이다. 일 실시예에서, 쇼핑 검색 결과는 쇼핑 검색 결과 확장 시스템(예: 도 1의 쇼핑 검색 결과 확장 시스템(140))의 적어도 하나의 프로세서에 의해 생성될 수 있다.
일 실시예에 따르면, 쇼핑 검색 결과 확장 시스템은 사용자 단말로부터 쇼핑 검색 질의를 수신할 수 있다(S1010). 그리고 나서, 쇼핑 검색 결과 확장 시스템은 쇼핑 검색 질의로부터 검색된 상품의 개수를 판정할 수 있다(S1020). 쇼핑 검색 질의로부터 검색된 상품의 개수가 미리 결정된 개수를 초과하는 경우, 쇼핑 검색 결과 확장 시스템은 확장 질의를 사용하지 않고 쇼핑 검색 질의에 기초하여 쇼핑 검색을 수행할 수 있다(S1030).
반면, 쇼핑 검색 질의로부터 검색된 상품의 개수가 미리 결정된 개수 이하인 경우, 쇼핑 검색 결과 확장 시스템은 쇼핑 검색 질의에 기초하여 확장 질의를 결정할 수 있다(S1040). 그리고 나서, 쇼핑 검색 결과 확장 시스템은 쇼핑 검색 질의 및 확장 질의에 기초하여 쇼핑 검색을 수행할 수 있다(S1050).
그리고 나서, 쇼핑 검색 결과 확장 시스템은 쇼핑 검색 결과를 생성할 수 있다(S1060). 이 경우, 쇼핑 검색 결과 확장 시스템은 쇼핑 검색 질의로부터 검색된 상품이 우선적으로 노출되도록 배치할 수 있다. 마지막으로, 쇼핑 검색 결과 확장 시스템은 생성한 쇼핑 검색 결과를 사용자 단말에 전송할 수 있다(S1070).
도 10에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다. 예를 들어, S1020 단계는 S1040 단계 이후에 수행될 수 있다.
도 11은 본 개시의 일 실시예에 따라 쇼핑 검색 질의 및 확장 질의에 기초하여 생성된 쇼핑 검색 결과의 예시를 나타내는 도면이다. 일 실시예에서, 쇼핑 검색 결과는 쇼핑 검색 질의 표시 영역(1110), 쇼핑 검색 질의에 의해 검색된 제1 상품 검색 결과(1120), 확장 질의에 의해 검색된 제2 상품 검색 결과(1130)를 포함할 수 있다.
일 실시예에 따르면, 쇼핑 검색 질의 표시 영역(1110)은 사용자에 의해 입력된 쇼핑 검색 질의를 표시할 수 있다. 예를 들어, 사용자가 쇼핑 검색을 위해 'berberry'를 입력한 경우, 사용자가 입력한 쇼핑 검색 질의인 'berberry'가 표시될 수 있다.
일 실시예에 따르면, 제1 상품 검색 결과(1120)는 쇼핑 검색 질의에 의해 검색된 상품을 포함할 수 있다. 예를 들어, 사용자가 입력한 쇼핑 검색 질의인 'berberry'와 연관된 상품들이 상품 데이터베이스로부터 검색되어 디스플레이 상에 출력될 수 있다.
일 실시예에 따르면, 제2 상품 검색 결과(1130)는 확장 질의에 의해 검색된 상품을 포함할 수 있다. 예를 들어, 사용자가 입력한 쇼핑 검색 질의인 'berberry'로부터 확장 질의인 'burberry'가 결정될 수 있으며, 'burberry'와 연관된 상품들이 상품 데이터베이스로부터 검색되어 디스플레이 상에 출력될 수 있다.
일 실시예에 따르면, 쇼핑 검색 질의에 의해 검색된 상품이 우선적으로 노출되도록 제2 상품 검색 결과(1130)는 제1 상품 검색 결과(1120)의 하위에 배치될 수 있다. 도 11에 도시된 바와 같이, 제1 상품 검색 결과(1120)에 포함된 상품이 우선적으로 노출될 수 있으며, 제1 상품 검색 결과(1120)에 포함된 상품이 전부 또는 일부 노출된 후에 제2 상품 검색 결과(1130)에 포함된 상품이 노출될 수 있다.
상술한 구성과 같이, 확장 질의에 의해 검색되는 상품은 사용자가 입력한 쇼핑 검색 질의에 의해 검색되는 상품의 하위에 배치됨으로써 사용자가 입력한 질의에 대한 쇼핑 검색 결과가 우선적으로 제공될 수 있다. 이에 따라, 쇼핑 검색 결과의 커버리지를 확장하면서도 사용자의 의도에 보다 부합한 쇼핑 검색 결과가 제공될 수 있다
도 12은 본 개시의 일 실시예에 따른 쇼핑 검색 결과 확장 방법의 예시를 나타내는 흐름도이다. 일 실시예에서, 방법(1200)은 정보 처리 시스템의 적어도 하나의 프로세서(예: 프로세서(334)) 및/또는 사용자 단말의 적어도 하나의 프로세서(예: 프로세서(314))에 의해 수행될 수 있다. 방법(1200)은 사용자 단말로부터 쇼핑 검색 질의를 수신함으로써 개시될 수 있다(S1210).
그리고 나서, 프로세서는 인공지능 모델을 이용하여 쇼핑 검색 질의를 제1 벡터로 변환할 수 있다(S1220). 이 경우, 인공지능 모델은 인코더를 포함할 수 있으며, 인코더는 복수의 학습 질의-학습 확장 질의 쌍에 의해 학습될 수 있다. 일 실시예에서, 복수의 학습 질의-학습 확장 질의 쌍은 하나의 검색 세션 동안 입력된 제1 질의-제2 질의 쌍을 포함하고, 제1 질의 및 제2 질의 사이의 텍스트 유사도가 미리 결정된 임계치 이상일 수 있다. 다른 예로서, 복수의 학습 질의-학습 확장 질의 쌍은 제1 질의-제2 질의 쌍을 포함하고, 제1 질의와 연관된 클릭 상품 및 제2 질의와 연관된 클릭 상품 사이의 유사도가 미리 결정된 임계치 이상일 수 있다.
그리고 나서, 프로세서는 제1 벡터에 기초하여, 확장 질의를 결정할 수 있다(S1230). 일 실시예에서, 프로세서는 제1 벡터에 기초하여, 후보 질의 데이터 베이스로부터 복수의 후보 질의를 추출하고, 복수의 후보 질의의 순위를 결정하고, 가장 높은 순위의 후보 질의를 확장 질의로 결정할 수 있다.
일 실시예에서, 프로세서는 제1 벡터와 제2 벡터 사이의 유사도를 산출하고, 유사도에 기초하여 특정 후보의 질의를 복수의 후보 질의 중 하나로 결정할 수 있다. 이 경우, 제2 벡터는 인코더를 이용하여 후보 질의 데이터베이스에 저장된 특정 후보 질의를 변환한 것일 수 있다.
일 실시예에서, 후보 질의 데이터베이스에 저장된 후보 질의는 쇼핑 검색 로그에 기초하여 선정된 질의 또는 상품의 메타 정보와 연관된 질의 중 적어도 하나를 포함할 수 있다. 또한, 후보 질의 데이터베이스에 저장된 후보 질의는 인공 신경망 모델을 이용하여 상품명으로부터 추출된 키워드를 포함할 수 있다. 또한, 후보 질의 데이터베이스에 저장된 후보 질의는 오탈자를 포함하지 않고, 쇼핑 검색 결과가 존재할 수 있다.
일 실시예에서, 프로세서는 제1 벡터와 복수의 후보 벡터 사이의 유사도를 산출하고, 유사도에 기초하여 복수의 후보 질의의 순위를 결정할 수 있다. 이 경우, 복수의 후보 벡터는 인코더를 이용하여 복수의 후보 질의를 변환한 것일 수 있다.
일 실시예에서, 프로세서는 쇼핑 검색 질의와 복수의 후보 질의 사이의 텍스트 유사도를 산출하고, 텍스트 유사도에 기초하여 복수의 후보 질의의 순위를 결정할 수 있다.
일 실시예에서, 프로세서는 쇼핑 검색 질의의 메타 정보와 복수의 후보 질의의 메타 정보 사이의 메타 정보 일치도를 산출하고, 메타 정보 일치도에 기초하여, 복수의 후보 질의의 순위를 결정할 수 있다. 이 경우, 메타 정보는 질의와 연관된 상품의 카테고리, 질의와 연관된 상품의 브랜드 또는 질의에 포함된 키워드 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 프로세서는 복수의 후보 질의의 인기도를 산출하고, 인기도에 기초하여, 복수의 후보 질의의 순위를 결정할 수 있다. 이 경우, 프로세서는 복수의 후보 질의의 검색 빈도, 클릭 수, CTR 또는 연관된 상품의 클릭 수 중 적어도 하나에 기초하여, 복수의 후보 질의의 인기도를 산출할 수 있다.
마지막으로, 프로세서는 쇼핑 검색 질의 또는 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성할 수 있다(S1240). 일 실시예에서, 프로세서는 쇼핑 검색 질의에 의해 검색되는 상품이 미리 결정된 개수 이하인 것으로 판정하는 것에 응답하여, 확장 질의에 기초하여 쇼핑 검색 결과를 생성할 수 있다.
일 실시예에서, 프로세서는 쇼핑 검색 질의에 기초하여 제1 쇼핑 검색 결과를 생성하고, 확장 질의에 기초하여 제2 쇼핑 검색 결과를 생성하고, 제2 쇼핑 검색 결과를 제1 쇼핑 검색 결과의 하위에 배치할 수 있다.
도 12에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안 된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세서가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

Claims (19)

  1. 적어도 하나의 프로세서에 의해 수행되는 쇼핑 검색 결과 확장 방법으로서,
    사용자 단말로부터 쇼핑 검색 질의(query)를 수신하는 단계;
    인공지능 모델을 이용하여 상기 쇼핑 검색 질의를 제1 벡터로 변환하는 단계;
    상기 제1 벡터에 기초하여, 확장 질의를 결정하는 단계; 및
    상기 쇼핑 검색 질의 또는 상기 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  2. 제1항에 있어서,
    상기 인공지능 모델은 인코더를 포함하고,
    상기 인코더는 복수의 학습 질의-학습 확장 질의 쌍에 의해 학습되는, 쇼핑 검색 결과 확장 방법.
  3. 제2항에 있어서,
    상기 복수의 학습 질의-학습 확장 질의 쌍은,
    하나의 검색 세션 동안 입력된 제1 질의-제2 질의 쌍을 포함하고,
    상기 제1 질의 및 상기 제2 질의 사이의 텍스트 유사도가 미리 결정된 임계치 이상인, 쇼핑 검색 결과 확장 방법.
  4. 제2항에 있어서,
    상기 복수의 학습 질의-학습 확장 질의 쌍은,
    제1 질의-제2 질의 쌍을 포함하고,
    상기 제1 질의와 연관된 클릭 상품 및 상기 제2 질의와 연관된 클릭 상품 사이의 유사도가 미리 결정된 임계치 이상인, 쇼핑 검색 결과 확장 방법.
  5. 제1항에 있어서,
    상기 확장 질의를 결정하는 단계는,
    상기 제1 벡터에 기초하여, 후보 질의 데이터베이스로부터 복수의 후보 질의를 추출하는 단계;
    상기 복수의 후보 질의의 순위를 결정하는 단계; 및
    가장 높은 순위의 후보 질의를 상기 확장 질의로 결정하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  6. 제5항에 있어서,
    상기 인공지능 모델은 인코더를 포함하고,
    상기 복수의 후보 질의를 추출하는 단계는,
    상기 제1 벡터와 제2 벡터 사이의 유사도를 산출하는 단계 - 상기 제2 벡터는 상기 인코더를 이용하여 상기 후보 질의 데이터베이스에 저장된 특정 후보 질의를 변환한 것임 -; 및
    상기 유사도에 기초하여, 상기 특정 후보 질의를 상기 복수의 후보 질의 중 하나로 결정하는 단계
    쇼핑 검색 결과 확장 방법.
  7. 제5항에 있어서,
    상기 후보 질의 데이터베이스에 저장된 후보 질의는,
    쇼핑 검색 로그에 기초하여 선정된 질의 또는 상품의 메타 정보와 연관된 질의 중 적어도 하나를 포함하는, 쇼핑 검색 결과 확장 방법.
  8. 제5항에 있어서,
    상기 후보 질의 데이터베이스에 저장된 후보 질의는 인공 신경망 모델을 이용하여 상품명으로부터 추출된 키워드를 포함하는, 쇼핑 검색 결과 확장 방법.
  9. 제5항에 있어서,
    상기 후보 질의 데이터베이스에 저장된 후보 질의는,
    이탈자를 포함하지 않고, 쇼핑 검색 결과가 존재하는, 쇼핑 검색 결과 확장 방법
  10. 제5항에 있어서,
    상기 인공지능 모델은 인코더를 포함하고,
    상기 순위를 결정하는 단계는,
    상기 제1 벡터와 복수의 후보 벡터 사이의 유사도를 산출하는 단계 - 상기 복수의 후보 벡터는 상기 인코더를 이용하여 상기 복수의 후보 질의를 변환한 것임 -; 및
    상기 유사도에 기초하여, 상기 복수의 후보 질의의 순위를 결정하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  11. 제5항에 있어서,
    상기 순위를 결정하는 단계는,
    상기 쇼핑 검색 질의와 상기 복수의 후보 질의 사이의 텍스트 유사도를 산출하는 단계; 및
    상기 텍스트 유사도에 기초하여, 상기 복수의 후보 질의의 순위를 결정하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  12. 제5항에 있어서,
    상기 복수의 후보 질의의 순위를 결정하는 단계는,
    상기 쇼핑 검색 질의의 메타 정보와 상기 복수의 후보 질의의 메타 정보 사이의 메타 정보 일치도를 산출하는 단계; 및
    상기 메타 정보 일치도에 기초하여, 상기 복수의 후보 질의의 순위를 결정하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  13. 제12항에 있어서,
    상기 메타 정보는 질의와 연관된 상품의 카테고리, 질의와 연관된 상품의 브랜드 또는 질의에 포함된 키워드 중 적어도 하나를 포함하는, 쇼핑 검색 결과 확장 방법.
  14. 제5항에 있어서,
    상기 순위를 결정하는 단계는,
    상기 복수의 후보 질의의 인기도를 산출하는 단계; 및
    상기 인기도에 기초하여, 상기 복수의 후보 질의의 순위를 결정하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  15. 제14항에 있어서,
    상기 인기도를 산출하는 단계는,
    상기 복수의 후보 질의의 검색 빈도, 클릭 수, CTR(Click-Through Rate) 또는 연관된 상품의 클릭 수 중 적어도 하나에 기초하여, 상기 복수의 후보 질의의 인기도를 산출하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  16. 제1항에 있어서,
    상기 쇼핑 검색 결과를 생성하는 단계는,
    상기 쇼핑 검색 질의에 의해 검색되는 상품이 미리 결정된 개수 이하인 것으로 판정하는 것에 응답하여, 상기 확장 질의에 기초하여 쇼핑 검색 결과를 생성하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  17. 제1항에 있어서,
    상기 쇼핑 검색 결과를 생성하는 단계는,
    상기 쇼핑 검색 질의에 기초하여 제1 쇼핑 검색 결과를 생성하는 단계;
    상기 확장 질의에 기초하여 제2 쇼핑 검색 결과를 생성하는 단계; 및
    상기 제2 쇼핑 검색 결과를 상기 제1 쇼핑 검색 결과의 하위에 배치하는 단계
    를 포함하는, 쇼핑 검색 결과 확장 방법.
  18. 제1항 내지 제17항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  19. 정보 처리 시스템으로서,
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    사용자 단말로부터 쇼핑 검색 질의를 수신하고,
    인공지능 모델을 이용하여 상기 쇼핑 검색 질의를 제1 벡터로 변환하고,
    상기 제1 벡터에 기초하여 확장 질의를 결정하고,
    상기 쇼핑 검색 질의 또는 상기 확장 질의 중 적어도 하나에 기초하여 쇼핑 검색 결과를 생성하기 위한 명령어들을 포함하는, 정보 처리 시스템.
PCT/KR2024/013794 2024-01-10 2024-09-11 쇼핑 검색 결과 확장 방법 및 시스템 Pending WO2025150653A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2024-0004484 2024-01-10
KR1020240004484A KR20250109543A (ko) 2024-01-10 2024-01-10 쇼핑 검색 결과 확장 방법 및 시스템

Publications (1)

Publication Number Publication Date
WO2025150653A1 true WO2025150653A1 (ko) 2025-07-17

Family

ID=96387241

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/013794 Pending WO2025150653A1 (ko) 2024-01-10 2024-09-11 쇼핑 검색 결과 확장 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR20250109543A (ko)
WO (1) WO2025150653A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101483433B1 (ko) * 2013-03-28 2015-01-16 (주)이스트소프트 오타 교정 시스템 및 오타 교정 방법
KR20200046185A (ko) * 2018-10-18 2020-05-07 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR20220037064A (ko) * 2020-09-17 2022-03-24 주식회사 포티투마루 페러프레이저 모델을 이용한 질의 응답 검색 방법 및 검색 장치
KR20220081398A (ko) * 2020-12-08 2022-06-16 (주)플래티어 검색어 추천 장치, 방법 및 기록매체
KR102418953B1 (ko) * 2020-05-11 2022-07-11 네이버 주식회사 쇼핑 검색 결과 확장 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101483433B1 (ko) * 2013-03-28 2015-01-16 (주)이스트소프트 오타 교정 시스템 및 오타 교정 방법
KR20200046185A (ko) * 2018-10-18 2020-05-07 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR102418953B1 (ko) * 2020-05-11 2022-07-11 네이버 주식회사 쇼핑 검색 결과 확장 방법 및 시스템
KR20220037064A (ko) * 2020-09-17 2022-03-24 주식회사 포티투마루 페러프레이저 모델을 이용한 질의 응답 검색 방법 및 검색 장치
KR20220081398A (ko) * 2020-12-08 2022-06-16 (주)플래티어 검색어 추천 장치, 방법 및 기록매체

Also Published As

Publication number Publication date
KR20250109543A (ko) 2025-07-17

Similar Documents

Publication Publication Date Title
US11822890B2 (en) Method, system, and computer program for artificial intelligence answer
WO2025048073A1 (ko) 지식 그래프 자동 생성 방법 및 시스템
WO2021025397A1 (en) Method and electronic device for quantifying user interest
US20170109435A1 (en) Apparatus and method for searching for information
KR102689594B1 (ko) 검색 결과 제공 방법 및 시스템
WO2025135415A1 (ko) 그래프 자료 구조 및 벡터 데이터가 통합된 풀 텍스트 인덱스를 이용한 정보 제공 방법 및 시스템
CN111078986A (zh) 数据检索方法、装置及计算机可读存储介质
WO2023273596A1 (zh) 确定文本相关性的方法、装置、可读介质及电子设备
WO2022177150A1 (en) Method of personalized image and video searching based on a natural language query, and an apparatus for the same
WO2025018681A1 (ko) 인공 지능을 통해 수집한 데이터를 기반으로 숏폼을 자동으로 생성하는 전자 장치 및 이를 이용한 방법
CN115061679A (zh) 离线rpa元素拾取方法及系统
WO2025116179A1 (ko) 블록체인 기반의 챗봇 평가 방법 및 시스템
WO2022196973A1 (ko) 음악 컨텐츠를 추천하는 방법 및 장치
KR20250034834A (ko) 이미지 이해 향상 방법 및 시스템
WO2022244997A1 (en) Method and apparatus for processing data
WO2018182072A1 (ko) 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 시스템 및 방법
WO2025150653A1 (ko) 쇼핑 검색 결과 확장 방법 및 시스템
JP2025171955A (ja) メタデータ抽出と検索エンジンの混合による高度化した検索拡張生成方法およびシステム
WO2024186051A1 (ko) 언어 모델 기반 상품 리뷰 키워드 추출 방법 및 시스템
KR20200097949A (ko) 키워드 관계 구조를 이용한 동의어 추출 방법 및 시스템
KR20240043524A (ko) 인스턴트 메시징 서비스에서 이미지 검색 방법 및 시스템
CN114159797A (zh) 一种文本处理方法、装置、计算机设备及存储介质
WO2022010303A1 (ko) 법률 컨텐츠 제공을 위한 클라이언트 단말과 프로바이더 단말 간의 매칭 방법
WO2021149923A1 (ko) 영상 검색 제공 방법 및 장치
WO2025053326A1 (ko) 상품을 검색하는 방법, 장치 및 기록 매체

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24917412

Country of ref document: EP

Kind code of ref document: A1