[네이버]네이버 쇼핑에서 상품들이 추천되는 방식

출원번호10-2021-0012262
출원일자2021년01월28일
출원인네이버 주식회사
공개번호(일자)10-2021-0016593 (2021년02월16일)
발명의 명칭인공지능 기반 상품 추천 방법 및 그 시스템


쇼핑 시스템에서 상품 추천 서비스, 예를 들어 패션 코디네이터 시스템은 사용자가 착용하기 원하는 의복을 하나 선택하면 그에 적합한 다른 의복을 선택하도록 도와주는 시스템으로 상품이나 서비스를 추천하기 위한 시스템의 일종이다. 상품이나 서비스를 추천하기 위한 시스템은 크게 사용자들 간의 유사도를 활용한 협력적 필터링(Collaborative filtering) 방식과 상품 및 사용자의 특성 값을 활용하는 내용기반 필터링(Content-based filtering) 방식 등으로 구분된다.


도 1 네이버 쇼핑 메인


네이버에서는 본 발명을 통해 인공지능(artificial intelligence) 기반 상품 코디네이터 기능을 제공할 수 있는 두가지 방법 및 시스템을 제공한다. 첫 번째는 어울리는 상품 세트와 어울리지 않는 상품 세트를 이용한 DNN(deep neural network) 학습 모델을 통해 상품 간 어울림 정도에 기초하여 주어진 상품과 어울리는 상품을 추천하는 방식이며 두 번째는 생성 모델(generative model)을 기반으로 주어진 상품에 대해 실제 코디 세트와 유사한 코디 세트의 상품을 추천하는 방법이다.


도 2 제1 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법


도 2는 본 발명의 제1 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법을 도시한 흐름도이다. 단계(S410)에서 서버 내 프로세서는 서버의 제어와 관련된 명령이 로딩된 메모리로부터 필요한 명령을 읽어들인다. 단계(S420)에서 프로세서 내 이미지 수집부는 입력된 이미지로부터 개체 인식 기술을 이용해 이미지 내 복수의 상품들을 인식하고, 해당 상품들과 어울리는 상품 이미지 세트(이하, '정답 이미지 세트'라 칭함)를 수집하고 오답 학습 데이터로서 어울리지 않는 상품 이미지 세트(이하, '오답 이미지 세트'라 칭함)를 수집한다. 해당 수집 프로세스는 여러 코디 이미지에서 인식되는 복수의 상품 세트를 어울리는 상품 세트로 수집하고 해당 상품들과 유사한 상품들 또한 정답 이미지에 포함시키며 이외의 상품은 오답으로 판단한다.


도 3 제1 실시예에 따른 DNN 기반의 상품 추천 모델을 도시한 예시 도면


단계(S430)에서 프로세서 내 학습 처리부는 정답 이미지 세트와 오답 이미지 세트를 함께 이용하여 기계학습을 수행함으로써 이미지 간 어울림 학습 결과를 포함한 상품 추천 모델을 구축한다(도 3). 학습 처리부는 상의 이미지 (701)와 하의 이미지(702)를 입력으로 하고 각 이미지(701, 702)에서 추출된 특성(feature)을 벡터화하여 상의 이미지 벡터와 하의 이미지 벡터를 다차원 벡터 공간의 벡터로 매핑하되 정답 이미지 세트의 경우 두 이미지 벡터의 거리를 가까워지게, 오답 이미지 세트의 경우 두 이미지 벡터의 거리를 멀어지게 DNN 모델(700)을 학습시킨다. 이후, 단계(S440)에서 프로세서 내 상품 추천부는 주어진 상품에 대해 DNN 기반의 상품 추천 모델을 통해 해당 상품과 어울리는 상품을 자동 추천한다.


도 4 제2 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법


도 4는 본 발명의 제2 실시예에 따른 서버의 프로세서가 수행할 수 있는 상품 추천 방법을 도시한 흐름도이다. 마찬가지로 프로세서는 서버로부터 상품 추천 명령을 읽어 들인 후(S810), 이미지 수집부에서 수집된 어울리는 상품 이미지 세트를(S820) 생성 모델 기반의 상품 추천 모델 학습에 이용한다(S830). 학습되는 GAN(Generative Adversarial Networks) 기반 추천 모델은 도 5와 같다. 학습 처리부는 상의 이미지 (901)에 해당하는 벡터를 입력 받아 생성 모델(900)을 통해 어울릴만한 하의 이미지(902)의 벡터를 생성하여 이들 벡터들이 벡터 공간에서 가장 가까운 거리를 갖도록 학습한다. 특히 해당 데이터가 축적된 DB(1010)에서 기인한 것인지 생성 모델의 결과로 생성된 것인지 판별하는 판별 모델(1000)을 학습하여 추천 모델의 성능을 향상시킨다. 이후, 단계(S840)에서 상품 추천부는 주어진 상품에 대해 생성 모델 기반의 상품 추천 모델을 통해 해당 상품과 어울리는 상품을 자동 추천한다.


도 5 제2 실시예에 따른 GAN 기반의 상품 추천 모델을 도시한 예시 도면


전자 상거래의 기술 개발과 코로나에 따른 많은 사람들의 전자 상거래 유입에 따라 수요 및 공급이 급속도로 증가하고 있다. 해당 산업의 유통량 증가에 따른 데이터 확보를 통해 본 발명의 기술의 더 높은 활용성을 기대할 수 있다.


특허법인ECM

변리사 김시우

swkim@ecmpatent.com

02-568-2670

 

0

ECM IP&LAW FIRM

3F, 13, Teheran-ro 70-gil, Gangnam-gu, Seoul, Republic of Korea