KR102585901B1 - 오픈마켓 게시 제품 컨텐츠 개선을 위한 방법 및 시스템 - Google Patents

Abstract

오픈마켓 게시 제품 컨텐츠 개선을 위한 방법 및 시스템이 개시된다. 적어도 하나의 서버에 의해 수행되는 오픈마켓 게시 제품 컨텐츠 개선을 위한 방법은, 타겟 게시 제품의 타겟 카테고리를 획득하는 단계; 오픈마켓 게시 제품들 중 타겟 카테고리에 속하는 게시 제품들의 리뷰들과 평점들을 획득하는 단계; 리뷰들을 형태소 단위로 분해하는 단계; 형태소들을 기초로, 평점별 형태소 분포들을 생성하는 단계; 평점별 형태소 분포들에서 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 단계; 및 미리 정의된 평점 이하의 평점별 형태소 분포들을 기초로, 타겟 게시 제품의 컨텐츠 개선안을 추천하는 단계를 포함한다.

Description

오픈마켓 게시 제품 컨텐츠 개선을 위한 방법 및 시스템{METHOD AND SYSTEM FOR IMPROVING OPEN MARKET PUBLISHED PRODUCT CONTENT}

아래 실시예들은 오픈마켓 판매자를 위한 오픈마켓 게시 제품의 키워드 마케팅, 리뷰, 컨텐츠 등을 개선하는 기술에 관한 것이다. 구체적으로, 실시예들은 오픈마켓 게시 제품 컨텐츠 개선을 위한 방법 및 시스템에 관한 것이다.

오픈마켓의 참여 주체로는 판매자와 소비자가 있다. 판매자는 오픈마켓에 제품을 게시하여 판매한다. 오픈마켓 게시 제품 정보는 제품명, 제품 카테고리, 이미지/영상/텍스트를 포함한 컨텐츠, 가격 등을 포함한다. 소비자는 오픈마켓 게시 제품의 컨텐츠를 참고하여 제품을 구매한다. 특히, 게시 제품의 텍스트 컨텐츠를 통해 구매 의사결정을 위한 사실들을 확인할 수 있다.

게시 제품의 텍스트 컨텐츠는 게시 제품의 매출에 큰 영향을 미치므로, 판매자들은 새로운 게시 제품의 텍스트 컨텐츠 작성을 위해 공들인다. 또한, 대표 평점이 낮은 게시 제품의 컨텐츠를 개선하기 위한 작업도 많은 노력을 투입한다. 종래에는 판매자의 제품 판매 경험 내지 마케팅 감각에 의존하여 새로운 게시 제품의 텍스트 컨텐츠를 작성하였다. 또한, 판매자의 인력을 통해 대표 평점이 낮은 게시 제품의 리뷰들을 검토하고, 소비자들의 불만을 도출하여 컨텐츠 개선안 작업을 일일이 수행했다. 이처럼 게시 제품 컨텐츠 작성/수정 작업은 인력, 경험, 감각 등에 의존하므로, 비용, 시간 및 주관성이 발생하는 문제가 있었다.

한편, 실시예들과 관련된 배경기술로, 대한민국 등록특허공보 KR 10-2147649 B1은 상품 정보 제공 방법 및 장치를 개시한다. 선행문헌의 방법은 복수개의 쇼핑몰에서 판매하는 상품들의 정보를 수집하여, 각각의 쇼핑몰 마다 미리 정해진 수의 엑티브 상품들을 선정하는 단계; 각각의 상품에 대한 제품 설명 자연어를 분석하여 각각의 상품마다 상품의 특징을 분류하기 위한 분류식별자를 부여하는 단계; 각각의 상품의 카테고리별로 관련된 게시글을 수집하여, 시간, 지역, 사이트, 성향을 분석하여 카테고리별 트렌드 정보를 생성하는 단계; 사용자의 정보를 수집하여 사용자 정보를 분석하는 단계; 분석된 사용자 정보 및 트렌드 정보에 기초하여, 복수개의 맞춤형 상품을 선정하는 단계; 및 선정된 맞춤형 상품의 상품정보를 제공하는 단계를 포함한다. 이를 통해, 실시간으로 구매 이력 등의 단편적인 정보에 의존하지 않고 변화하는 사용자의 쇼핑목적 및 기분을 반영하여 사용자의 맞춤 상품 정보를 제공할 수 있다.

또한, 대한민국 등록특허공보 KR 10-2084623 B1은 다차원 데이터 분석을 통한 제품 개선 시스템 및 방법을 개시한다. 선행문헌에 따르면 제품 분석 및 제품과 관련된 지표 추출을 통해 설정된 평가 항목을 이용하여 정성적 평가 결과 및 정량적 평가 결과를 도출함으로써, 다양한 제품에 대한 체계적인 제품 개선이 가능한 플랫폼을 구축할 수 있다. 또한, 제품에 대한 정량적 평가를 할 때, 인지, 동작 및 감각의 카테고리로 나누어 제품을 정량적으로 평가 및 분석함으로써, 제품을 사용하는 사용자의 신체적, 심리적 변화 상태를 정량적으로 데이터화하여 분석할 수 있다.

그러나 선행문헌들은 판매자의 제품 판매 경험 내지 마케팅 감각에 의존하여 새로운 게시 제품의 텍스트 컨텐츠를 작성하던 방식을 기술적으로 지원하는 방법 및 시스템을 개시하지 않는다. 즉, 선행문헌들은 오픈마켓 리뷰들로부터 게시 제품의 컨텐츠 개선안을 도출함으로써, 게시 제품의 컨텐츠 작성/수정 시 발생하는 비용, 시간 및 주관성을 줄이고, 데이터 기반의 컨텐츠 개선안을 제공받는 방법 및 시스템을 개시하지 않는다. 이에 따라, 상기 선행문헌들에 개시·시사·암시되지 않은 기술적 과제를 해결하기 위한 기술의 구현이 요청된다.

실시예들은 판매자의 제품 판매 경험 내지 마케팅 감각에 의존하여 새로운 게시 제품의 텍스트 컨텐츠를 작성하던 방식을 기술적으로 지원하는 방법 및 시스템을 제공하고자 한다.

실시예들은 오픈마켓 리뷰들로부터 게시 제품의 컨텐츠 개선안을 도출함으로써, 게시 제품의 컨텐츠 작성/수정 시 발생하는 비용, 시간 및 주관성을 줄이고, 데이터 기반의 컨텐츠 개선안을 제공받는 방법 및 시스템을 제공하고자 한다.

이외에도, 실시예들은 본 명세서에서 드러나는 기술분야의 과제들을 해결하기 위한 방법 및 장치를 제공하고자 한다.

일실시예에 따른 적어도 하나의 서버에 의해 수행되는 오픈마켓 게시 제품 컨텐츠 개선을 위한 방법은, 타겟 게시 제품의 타겟 카테고리를 획득하는 단계; 오픈마켓 게시 제품들 중 상기 타겟 카테고리에 속하는 게시 제품들의 리뷰들과 평점들을 획득하는 단계; 상기 리뷰들을 형태소 단위로 분해하는 단계; 상기 형태소들을 기초로, 평점별 형태소 분포들을 생성하는 단계; 상기 평점별 형태소 분포들에서 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 단계; 및 미리 정의된 평점 이하의 평점별 형태소 분포들을 기초로, 상기 타겟 게시 제품의 컨텐츠 개선안을 추천하는 단계를 포함할 수 있다.

일실시예에 따르면, 상기 평점별 형태소 분포들을 생성하는 단계는, 리뷰들을 평점별로 분류하는 단계; 각각의 평점의 각각의 리뷰의 각각의 형태소에 대하여, 형태소가 상기 평점에 대응하는 형태소 분포에 포함되어 있지 않으면, 상기 평점에 대응하는 형태소 분포에 상기 형태소를 추가하고, 상기 형태소의 카운트를 1로 초기화하는 단계; 및 상기 형태소가 상기 평점에 대응하는 형태소 분포에 포함되어 있으면, 상기 평점에 대응하는 형태소 분포에서 상기 형태소의 카운트에 1을 더하는 단계를 포함한다.

일실시예에 따르면, 상기 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 단계는, 상기 타겟 카테고리 및 상기 평점별 형태소 분포들을 기초로 제1 입력을 생성하는 단계; 미리 학습된 제1 인공 신경망에 상기 제1 입력을 적용하여 출력을 획득하는 단계; 상기 출력을 기초로, 각각의 평점별 형태소 분포에 포함된 형태소들의 제품 관련성을 판별하는 단계; 및 제품과 관련 없는 것으로 판별된 형태소들을 상기 각각의 평점별 형태소 분포에서 삭제하는 단계를 포함한다.

일실시예에 따르면, 상기 타겟 게시 제품의 컨텐츠 개선안을 추천하는 단계는, 상기 미리 정의된 평점 이하의 평점별 형태소 분포들에서 미리 정의된 방식으로 주요 형태소들을 구분하는 단계; 상기 타겟 카테고리 및 상기 주요 형태소들을 기초로 제2 입력을 생성하는 단계; 및 미리 학습된 제2 인공 신경망에 상기 제2 입력을 적용하여 출력을 획득하는 단계를 포함하고, 상기 출력은 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 문장이다.

일실시예에 따른 오픈마켓 게시 제품 컨텐츠 개선을 위한 시스템은 타겟 게시 제품의 타겟 카테고리를 획득하고, 오픈마켓 게시 제품들 중 상기 타겟 카테고리에 속하는 게시 제품들의 리뷰들과 평점들을 획득하고, 상기 리뷰들을 형태소 단위로 분해하고, 상기 형태소들을 기초로, 평점별 형태소 분포들을 생성하고, 상기 평점별 형태소 분포들에서 제품과 관련 없는 것으로 판별된 형태소들을 삭제하고, 미리 정의된 평점 이하의 평점별 형태소 분포들을 기초로, 상기 타겟 게시 제품의 컨텐츠 개선안을 추천하는 동작을 포함한다.

실시예들은 판매자의 제품 판매 경험 내지 마케팅 감각에 의존하여 새로운 게시 제품의 텍스트 컨텐츠를 작성하던 방식을 기술적으로 지원하는 방법 및 시스템을 제공할 수 있다.

실시예들은 오픈마켓 리뷰들로부터 게시 제품의 컨텐츠 개선안을 도출함으로써, 게시 제품의 컨텐츠 작성/수정 시 발생하는 비용, 시간 및 주관성을 줄이고, 데이터 기반의 컨텐츠 개선안을 제공받는 방법 및 시스템을 제공할 수 있다.

한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성의 예시도이다.
도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 평점별 형태소 분포들을 생성하는 동작을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 동작을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 타겟 게시 제품의 컨텐츠 개선안 추천 동작을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 인공 신경망 학습을 설명하기 위한 도면이다.
도 7은 일실시예 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 일실시예에 따른 시스템의 구성의 예시도이다.

일실시예에 따른 시스템은 오픈마켓 서버(101), 제1 단말(111), 제2 단말(112) 및 적어도 하나의 서버(131)를 포함할 수 있다. 오픈마켓 서버(101), 적어도 하나의 서버(131) 및 단말들(111, 112)은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다.

오픈마켓 서버(101)는 오픈마켓 운영자에 의해 운영될 수 있다. 오픈마켓 서버(131)는 단말들(111, 112) 및 적어도 하나의 서버(131)와 유무선으로 통신하도록 구성될 수 있다. 오픈마켓 서버(101)는 오픈마켓 운영을 위한 통상의 기능을 수행할 수 있다.

오픈마켓 서버(101)는 오픈마켓 웹사이트 또는 어플리케이션(102)과 연동될 수 있다. 오픈마켓 웹사이트 또는 어플리케이션(102)은 판매자 계정이 업로드한 게시 제품 및 그에 대한 리뷰와 평점을 표시할 수 있다. 오픈마켓 웹사이트 또는 어플리케이션(102)은 게시 제품 검색, 제품 구매 및 구매 제품 배송 조회 등을 위한 통상의 기능을 포함할 수 있다. 오픈마켓 웹사이트 또는 어플리케이션(102)은 리뷰 및 평점 작성 기능을 포함할 수 있다.

적어도 하나의 서버(131)는 일실시예 따른 방법을 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 적어도 하나의 서버(131)는 단일한 물리적 장치가 아닐 수 있으며, 복수의 물리적 장치로 구성되어 있을 수 있다. 이하에서는 설명의 편의를 위해 적어도 하나의 서버(131)를 서버(131)로 약칭한다.

서버(131)는 통상의 컴퓨터가 가지는 연산 기능, 저장/조회 기능, 입출력 기능, 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버(131)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망 또는 머신러닝 모델을 구비할 수 있다. 서버(131)는 오픈마켓 서버(101) 및 제2 단말(112)과 유무선으로 통신하도록 구성될 수 있다.

서버(131)는 웹사이트 또는 어플리케이션(132)과 연동될 수 있다. 판매자 계정은 웹사이트 또는 어플리케이션(132)을 통해 오픈마켓 게시 제품의 키워드 마케팅, 리뷰, 컨텐츠 등을 개선하기 위한 기능을 제공받을 수 있다. 서버(131) 및 웹사이트 또는 어플리케이션(132)을 통해 이루어지는 구체적인 동작은 도 2 내지 6을 참조하여 후술된다.

단말들(111, 112)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 가령, 도 1과 같이, 제1 단말(111)은 스마트폰일 수 있고, 제2 단말(112)은 데스크탑일 수 있다. 그러나 이는 예시일 뿐이며, 단말들(111, 112)의 종류는 실시예에 따라 얼마든지 달라질 수 있다.

사용자들(121, 122)은 사람 또는 단체가 사용하는 계정을 의미한다. 제1 사용자(121)는 오픈마켓 웹사이트 또는 어플리케이션(102)을 이용하는 소비자 계정일 수 있다. 제2 사용자(122)는 오픈마켓 웹사이트 또는 어플리케이션(102)에 제품을 게재하고, 웹사이트 또는 어플리케이션(132)에서 제공하는 서비스를 이용하는 판매자 계정일 수 있다.

이하, 제1 사용자(121)가 로그인한 단말을 제1 단말(111), 제2 사용자(122)가 로그인한 단말을 제2 단말(112)이라고 부른다. 제1 단말(111)과 제2 단말(112)은 어떤 종류의 계정이 로그인해 있는지에 따라 단말들을 구분하는 것일 뿐이며, 서로 구분되는 하드웨어적 구성을 가질 필요는 없다. 제1 단말(111)과 제2 단말(112)의 하드웨어 종류는 동일하여도 무방하다.

단말들(111, 112)은 각 서버(101, 131)와 연동된 웹사이트에 접속하거나, 각 서버(101, 131)와 연동된 어플리케이션이 설치될 수 있다. 사용자들(121, 122)은 각 웹사이트 또는 어플리케이션(102, 132)에 회원가입 및 로그인할 수 있다. 로그인 상태의 사용자들(121, 122)은 각 웹사이트 또는 어플리케이션(102, 132)에서 각 사용자별로 제공하는 기능 및 각 서버(101, 131)에 저장된 사용자 고유 정보에 접근할 권한을 가진다. 단말들(111, 112)은 각 웹사이트 또는 어플리케이션(102, 132)을 거치지 않고도, 알림 설정 또는 API 등의 수단을 통해 각 서버(101, 131)로부터 데이터를 받을 수 있다.

제1 사용자(121)는 오픈마켓에서 제품을 구매할 수 있다. 제1 사용자(121)는 구매한 제품에 대한 리뷰를 작성하고 평점을 매길 수 있다. 리뷰 및 평점은 오픈마켓 웹사이트 또는 어플리케이션(102)에 표시될 수 있다. 오픈마켓 서버(101)는 소비자 계정들의 평점을 집계하여 게시 제품의 대표 평점을 산정할 수 있다.

제2 사용자(122)는 오픈마켓 웹사이트 또는 어플리케이션(102)을 통해 오픈마켓에 제품을 게시할 수 있다. 오픈마켓 게시 제품 정보는 오픈마켓 서버(101)에 저장될 수 있다. 오픈마켓 게시 제품 정보는 제품명, 제품 카테고리, 이미지/영상/텍스트를 포함한 컨텐츠, 가격 등의 정보를 포함할 수 있다. 또한, 제2 사용자(122)는 게시 제품들의 마케팅 캠페인을 진행할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 두 단말(111, 112) 및 사용자(121, 122)만을 도시했으나, 단말 및 사용자의 수는 얼마든지 많아질 수 있다. 각 서버(101, 131)의 처리 용량이 허용하는 한, 단말 및 사용자의 수는 특별한 제한이 없다.

이하에서, 서버(131)의 동작을 중심으로 실시예가 기술되며, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다. 도 2를 참조하여, 시스템의 동작과 관련된 실시예가 설명된다. 도 3을 참조하여, 평점별 형태소 분포들을 생성하는 동작과 관련된 실시예가 설명된다. 도 4를 참조하여, 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 동작과 관련된 실시예가 설명된다. 도 5를 참조하여, 타겟 게시 제품의 컨텐츠 개선안 추천 동작과 관련된 실시예가 설명된다. 도 6을 참조하여, 인공 신경망의 학습 동작과 관련된 실시예가 설명된다.

도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.

우선, 서버(131)는 타겟 게시 제품의 컨텐츠 개선안 추천 요청을 획득할 수 있다(210).

제2 사용자(122)는 오픈마켓 웹사이트 또는 어플리케이션(102)을 통해 오픈마켓에 제품을 게시할 수 있다. 오픈마켓 게시 제품 정보는 오픈마켓 서버(101)에 저장될 수 있다. 오픈마켓 게시 제품 정보는 제품명, 제품 카테고리, 이미지/영상/텍스트를 포함한 컨텐츠, 가격 등의 정보를 포함할 수 있다.

제1 사용자(121)는 오픈마켓 게시 제품의 컨텐츠를 참고하여 제품을 구매할 수 있다. 특히, 텍스트 컨텐츠를 통해 구매 의사결정을 위한 사실들을 확인할 수 있다. 제1 사용자(121)는 구매한 제품에 대한 리뷰를 작성하고 평점을 매길 수 있다. 리뷰 및 평점은 오픈마켓 웹사이트 또는 어플리케이션(102)에 표시될 수 있다.

게시 제품의 텍스트 컨텐츠는 게시 제품의 매출에 큰 영향을 미치므로, 판매자들은 새로운 게시 제품의 텍스트 컨텐츠 작성을 위해 공들인다. 또한, 대표 평점이 낮은 게시 제품의 컨텐츠를 개선하기 위한 작업도 많은 노력을 투입한다. 종래에는 판매자의 제품 판매 경험 내지 마케팅 감각에 의존하여 새로운 게시 제품의 텍스트 컨텐츠를 작성하였다. 또한, 판매자의 인력을 통해 대표 평점이 낮은 게시 제품의 리뷰들을 검토하고, 소비자들의 불만을 도출하여 컨텐츠 개선안 작업을 일일이 수행했다.

서버(131)는 종래 인력으로 이루어지던 작업에 대한 기술적 지원을 제공할 수 있다. 제2 사용자(122)는 웹사이트 또는 어플리케이션(132)를 통해 타겟 게시 제품의 텍스트 컨텐츠 추천을 요청할 수 있다. 서버(131)는 제2 사용자(122)가 입력한 타겟 게시 제품 관련 정보를 획득할 수 있다. 이하, “텍스트 컨텐츠”는 “컨텐츠”로 약칭한다.

이어서, 서버(131)는 타겟 게시 제품의 타겟 카테고리를 획득할 수 있다(220).

타겟 카테고리는 타겟 게시 제품이 속하는 제품군일 수 있다. 가령, 남성 구두 제품 및 여성 구두 제품의 카테고리는 신발류이고, 원피스 제품의 카테고리는 의류일 수 있다. 또는, 타겟 카테고리는 주 사용자의 성별일 수 있다. 가령, 남성 구두 제품의 카테고리는 남성일 수 있고, 여성 구두 제품 및 원피스 제품의 카테고리는 여성일 수 있다.

타겟 카테고리들은 반드시 하나의 속성만 가질 필요는 없다. 타겟 카테고리는 복수의 “세부 속성 카테고리 집합”으로부터 선택한 원소를 조합하여 이루어질 수 있다. 가령, 세부 속성 카테고리 집합으로 성별 집합과 제품군 집합이 있을 수 있다. 성별 세부 카테고리 집합은 {남성, 여성}으로 이루어지고, 제품군 세부 카테고리 집합은 {신발, 의류}으로 이루어질 수 있다. 타겟 카테고리는 성별 집합과 제품군 집합으로부터 선택한 원소의 조합으로 이루어질 수 있다. 이 경우, 타겟 카테고리들은 {남성 신발, 남성 의류, 여성 신발, 여성 의류}와 같이 4개가 될 수도 있다.

서버(131)는 타겟 게시 제품을 카테고리별로 분류하는 룰(rule), 머신러닝 모델, 인공 신경망 등 통상의 기술을 통해 타겟 게시 제품에 대한 카테고리를 획득할 수 있다. 또는, 서버(131)는 제2 사용자(122)가 컨텐츠 개선안 추천 요청 시 입력한 타겟 게시 제품 관련 정보로부터 타겟 게시 제품의 제품 카테고리를 획득할 수 있다.

다음으로, 서버(131)는 오픈마켓 게시 제품들 중 타겟 카테고리에 속하는 게시 제품들의 리뷰들과 평점들을 획득할 수 있다(230).

서버(131)는 오픈마켓 서버(101)에서 제공하는 API 등을 통해 타겟 카테고리에 속하는 게시 제품의 리뷰 및 평점을 획득할 수 있다. 또는, 서버(131)는 오픈마켓 웹사이트 또는 어플리케이션(102)을 크롤링하여 타겟 카테고리에 속하는 게시 제품의 리뷰 및 평점을 획득할 수 있다.

이어서, 서버(131)는 리뷰들을 형태소 단위로 분해할 수 있다(240).

서버(131)는 리뷰 문장 또는 문단을 형태소 단위로 분해하는 룰(rule), 머신러닝 모델, 인공 신경망 등 통상의 기술을 통해 리뷰들을 형태소 단위로 분해할 수 있다. 서버(131)는 각각의 리뷰를 형태소 리스트로 정리할 수 있다.

이어지는 순서로, 서버(131)는 형태소들을 기초로, 평점별 형태소 분포들을 생성할 수 있다(250).

이를 위해, 서버(131)는 각각의 평점에 대하여, 리뷰들을 평점별로 분류할 수 있다. 서버(131)는 각각의 선별된 리뷰의 각각의 형태소에 대하여, 형태소가 평점에 대응하는 형태소 분포에 포함되어 있지 않으면, 평점에 대응하는 형태소 분포에 형태소를 추가하고, 형태소의 카운트를 1로 초기화할 수 있다. 한편, 형태소가 평점에 대응하는 형태소 분포에 포함되어 있으면, 평점에 대응하는 형태소 분포에서 형태소의 카운트에 1을 더할 수 있다.

이러한 과정을 반복하여 평점별 형태소 분포들을 생성할 수 있다. 보다 구체적인 형태소 분포 생성 동작은 도 3을 참조하여 후술된다.

다음으로, 서버(131)는 평점별 형태소 분포들에서 타겟 게시 제품과 관련 없는 것으로 판별된 형태소들을 삭제할 수 있다(260).

이를 위해, 서버(131)는 타겟 카테고리 및 평점별 형태소 분포들을 기초로 제1 인공 신경망에 적용할 입력을 생성할 수 있다. 서버(131)는 미리 학습된 제1 인공 신경망에 입력을 적용하여 출력을 획득할 수 있다. 출력은 평점별 형태소 분포에 포함된 형태소와 타겟 카테고리의 연관성을 수치로 표현한 값일 수 있다. 서버(131)는 출력을 기초로, 각각의 평점별 형태소 분포에 포함된 형태소들의 제품 관련성을 판별할 수 있다. 가령, 출력이 미리 정의된 임계값보다 낮으면 제품과 관련 없는 것으로 판별할 수 있다. 서버(131)는 제품과 관련 없는 것으로 판별된 형태소들을 각각의 평점별 형태소 분포에서 삭제할 수 있다. 보다 구체적인 형태소 삭제 동작은 도 4를 참조하여 후술된다.

이어서, 서버(131)는 미리 정의된 평점 이하의 평점별 형태소 분포들을 기초로, 타겟 게시 제품의 컨텐츠 개선안을 추천할 수 있다(270).

이를 위해, 서버(131)는 미리 정의된 평점 이하의 평점별 형태소 분포들에서 미리 정의된 방식으로 주요 형태소들을 구분할 수 있다. 주요 형태소들은 출력은 미리 정의된 평점 이하의 리뷰들에서 자주 등장하는 형태소로, 타겟 카테고리 제품에서 빈번히 발생하는 문제점으로 해석될 수 있다. 서버(131)는 타겟 카테고리 및 주요 형태소들을 기초로 제2 인공 신경망에 적용할 입력을 생성할 수 있다. 서버(131) 미리 학습된 제2 인공 신경망에 입력을 적용하여 출력을 획득할 수 있다. 출력은 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 문장을 포함할 수 있다. 구체적으로, 출력된 문장은 미리 정의된 평점 이하의 리뷰들에서 자주 등장하는 타겟 카테고리 제품에서 빈번히 발생하는 문제점들(주요 형태소들)에 대한 개선안일 수 있다.

서버(131)는 출력을 그대로 컨텐츠 개선안으로 추천하거나, 사람이 읽기 편한 텍스트가 되도록 수정하는 통상의 가공 과정을 거쳐 컨텐츠 개선안으로 추천할 수 있다. 보다 구체적인 컨텐츠 개선안 추천 동작은 도 5를 참조하여 후술된다.

이상을 통해, 종래에는 판매자의 제품 판매 경험 내지 마케팅 감각에 의존하여 새로운 게시 제품의 텍스트 컨텐츠를 작성하던 방식을 기술적으로 지원할 수 있다. 또한, 판매자의 인력을 통해 대표 평점이 낮은 게시 제품의 리뷰들을 검토하고, 소비자들의 불만을 도출하여 컨텐츠 개선안 작업을 일일이 수행하던 작업을 기술적으로 지원할 수 있다.

서버(131)는 컨텐츠 추천을 요청받은 타겟 게시 제품의 타겟 카테고리를 획득하고, 오픈마켓 게시 제품들 중 타겟 카테고리에 속하는 게시 제품들의 리뷰들과 평점들을 획득할 수 있다. 평점별 형태소 분포들을 생성하고 불필요한 자료를 삭제한 후, 평점이 낮은 형태소 분포에서 주요 형태소들을 추려낼 수 있다. 주요 형태소들은 미리 정의된 평점 이하의 리뷰들에서 자주 등장하는 형태소로, 타겟 카테고리 제품에서 빈번히 발생하는 문제점으로 해석될 수 있다. 주요 형태소들을 기초로 생성된 입력을 인공 신경망에 적용하여 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 문장을 출력할 수 있다. 출력된 문장은 미리 정의된 평점 이하의 리뷰들에서 자주 등장하는 타겟 카테고리 제품에서 빈번히 발생하는 문제점들(주요 형태소들)에 대한 개선안일 수 있다.

이를 통해, 판매자는 개선안을 이용하여 오픈마켓 게시 제품의 컨텐츠를 개선할 수 있다. 게시 제품의 컨텐츠 작성/수정 시 발생하는 비용, 시간 및 주관성을 줄이고, 데이터 기반의 컨텐츠 개선안을 제공받을 수 있다. 이처럼, 서버(131)는 종래 인력, 경험, 감각 등을 동원해야 하는 컨텐츠 작성 영역에 대한 기술적 지원을 제공할 수 있다.

도 3은 일실시예에 따른 평점별 형태소 분포들을 생성하는 동작을 설명하기 위한 도면이다.

단말(111, 112)에 표시되는 오픈마켓 웹사이트 또는 어플리케이션(102) 화면(310)은 제품 설명 영역(311)과 사용자 리뷰 영역(316)를 포함할 수 있다.

제품 설명 영역(311)은 제품 이미지 및 영상 영역(312), 제목 및 대표 평점 영역(313), 텍스트 컨텐츠 영역(315)을 포함할 수 있다. 제목 및 대표 평점 영역(313)은 오픈마켓 게시 제품의 대표 평점(314)을 포함할 수 있다. 사용자 리뷰 영역(316)은 사용자 리뷰들을 표시할 수 있다. 각각의 사용자 리뷰는 리뷰 게시 사용자(317), 리뷰 평점(318) 및 리뷰(319)를 포함할 수 있다. 리뷰(319)는 텍스트를 포함할 수 있다.

서버(131)는 오픈마켓 게시 제품들 중 타겟 카테고리에 속하는 게시 제품들의 리뷰(319)들과 평점(318)들을 획득할 수 있다. 획득은 오픈마켓 서버(101)에서 제공하는 API 또는 크롤링 등을 통해 이루어질 수 있다. 서버(131)는 리뷰(319)들을 형태소 단위로 분해할 수 있다. 형태소 분해는 룰(rule), 머신러닝 모델, 인공 신경망 등 통상의 기술을 통해 이루어질 수 있다. 그 후, 서버(131)는 형태소들을 기초로, 평점별 형태소 분포들을 생성할 수 있다.

이를 위해, 서버(131)는 리뷰들을 평점별로 분류할 수 있다(321).

서버(131)는 리뷰(319)와 평점(318)은 함께 획득하므로, 리뷰(319) 획득 시 리뷰(319)가 어떤 평점(318)을 가지는지 파악할 수 있다. 서버(131)는 리뷰(319)를 형태소 리스트로 변환한 후, 형태소 리스트를 평점(318)을 가지는 리뷰 그룹으로 분류할 수 있다. 서버(131)는 획득하는 모든 리뷰(319)에 대해 위 프로세스를 수행할 수 있다.

다음으로, 서버(131)는 각각의 평점의 각각의 리뷰의 각각의 형태소에 대하여, 형태소가 평점에 대응하는 형태소 분포에 포함되어 있지 않으면, 평점에 대응하는 형태소 분포에 형태소를 추가하고, 형태소의 카운트를 1로 초기화할 수 있다(322).

가령, 서버(131)는 각각의 평점별 형태소 분포를 비어 있는 딕셔너리(dictionary)로 생성할 수 있다. 딕셔너리의 키(key) 형태소, 각각의 키에 대응하는 벨류(value)는 형태소의 카운트 수 일 수 있다. 평점별 형태소 분포는 형태소들 및 각각의 형태소의 카운트 내지 비율을 저장할 수만 있다면, 딕셔너리 외 다양한 데이터 구조가 채용될 수 있다.

서버(131)는 형태소가 평점별 형태소 분포에 포함되어 있지 않으면, 형태소 분포 딕셔너리에 형태소를 키로 생성하고, 키에 대응하는 벨류를 1로 초기화할 수 있다.

한편, 서버(131)는 형태소가 평점에 대응하는 형태소 분포에 포함되어 있으면, 평점에 대응하는 형태소 분포에서 형태소의 카운트에 1을 더할 수 있다(323).

구체적으로, 형태소 분포가 딕셔너리 데이터 구조를 가진다면, 서버(131)는 형태소가 평점별 형태소 분포에 포함되어 있으면, 형태소 분포 딕셔너리 내 기 생성된 형태소 키의 벨류에 1을 더할 수 있다.

가령, 서버(131)는 평점 2점의 제1 리뷰 및 제2 리뷰의 각각의 형태소를 검토할 수 있다. 서버(131)는 제1 리뷰의 “착용”, “불편”이라는 형태소가 평점 2에 대응하는 형태소 분포에 없음을 확인하고, 평점 2 형태소 분포 딕셔너리에 “착용: 1”“불편: 1”이라는 키-벨류를 생성 및 초기화할 수 있다. 이어서, 서버(131)는 제2 리뷰의 “착용”, “물집”이라는 형태소를 확인하고, 평점 2 형태소 분포 딕셔너리의 “착용” 키의 벨류에 1을 더하여 “착용: 2”로 만들고, “물집: 1”이라는 키-벨류를 생성 및 초기화할 수 있다. 평점 2 형태소 분포 딕셔너리는 “착용: 2”“불편: 1”“물집: 1”이 된다. 서버(131)는 각각의 평점의 각각의 리뷰의 각각의 형태소에 대해 앞선 예시의 프로세스를 진행함으로써, 평점별 형태소 분포들을 생성할 수 있다.

도 4는 일실시예에 따른 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 동작을 설명하기 위한 순서도이다.

우선, 서버(131)는 타겟 카테고리 및 평점별 형태소 분포들을 기초로 제1 입력을 생성할 수 있다(410).

제1 입력은 타겟 카테고리 및 형태소 분포에 포함된 각각의 형태소일 수 있다. 제1 입력은 제1 인공 신경망에 적용하기 위한 입력일 수 있다. 제1 인공 신경망은 타겟 게시 제품의 타겟 카테고리 및 타겟 카테고리에 속하는 게시 제품들의 리뷰들을 정리한 평점별 형태소 분포를 입력받아, 형태소 분포에 포함된 각각의 형태소와 타겟 카테고리의 연관성을 추론하여 출력할 수 있다. 보다 구체적인 인공 신경망 학습 동작은 도 6을 참조하여 후술된다.

다음으로, 서버(131)는 미리 학습된 제1 인공 신경망에 입력을 적용하여 출력을 획득할 수 있다(420).

서버(131)는 제1 인공 신경망에 제1 입력을 적용할 수 있다. 제1 입력의 형태소들은 순차적으로 입력될 수도 있고, 한꺼번에 입력될 수도 있다. 제1 인공 신경망은 형태소 분포에 포함된 각각의 형태소와 타겟 카테고리의 연관성을 추론한 리스트를 출력할 수 있다. 출력된 리스트의 특정 인덱스(index) 값이 클수록, 해당 인덱스에 대응하는 형태소와 타겟 카테고리의 연관성이 클 수 있다.

이어서, 서버(131)는 출력을 기초로, 각각의 평점별 형태소 분포에 포함된 형태소들의 제품 관련성을 판별할 수 있다(430).

예를 들어, 서버(131)는 제1 인공 신경망이 출력한 리스트의 각각의 인덱스에 대하여, 인덱스에 대응하는 값이 미리 정의된 임계 이상이면, 인덱스에 대응하는 형태소와 타겟 카테고리가 연관을 가지는 것으로 판별할 수 있다. 반면, 인덱스에 대응하는 값이 미리 정의된 임계 미만이면, 인덱스에 대응하는 형태소와 타겟 카테고리가 연관을 가지지 않는 것으로 판별할 수 있다.

이어지는 순서로, 서버(131)는 제품과 관련 없는 것으로 판별된 형태소들을 각각의 평점별 형태소 분포에서 삭제할 수 있다(440).

이를 통해, 서버(131)는 일반적으로 리뷰에 자주 등장하는 형태소들이지만, 특정 제품 카테고리와의 관련성이 떨어지는 형태소들은 형태소 분포에서 삭제할 수 있다. 예를 들어, “좋아요“, “별로“, “배송” 등의 형태소들을 형태소 분포에서 삭제할 수 있다. 이를 통해, 타겟 게시 제품의 제품 카테고리와 관련성을 가지는 형태소들만 형태소 분포에 남길 수 있다. 이를 통해, 형태소 분포에서 빈도 내지 카운트 수가 높은 단어들은 타겟 카테고리와 관련성을 가지는 형태소들일 것으로 기대할 수 있다. 이를 통해, 형태소 분포를 이용하여 타겟 게시 제품의 컨텐츠 개선안을 추천하는 동작 수행 시 보다 개선된 추천안을 기대할 수 있다.

도 5는 일실시예에 따른 타겟 게시 제품의 컨텐츠 개선안 추천 동작을 설명하기 위한 순서도이다.

우선, 서버(131)는 미리 정의된 평점 이하의 평점별 형태소 분포들에서 미리 정의된 방식으로 주요 형태소들을 구분할 수 있다(510).

예를 들어, 미리 정의된 평점은 5점 만점 중 3점일 수 있다. 미리 정의된 방식은 빈도가 높은 형태소 상위 10개를 선별하는 방식일 수 있다. 미리 정의된 평점 및 미리 정의된 방식은 실시예에 따라 적절히 채용될 수 있다.

서버(131)는 3점 이하의 평점에 대응하는 각각의 형태소 분포에서 빈도가 높은 형태소 상위 10개를 선별하여 주요 형태소들로 구분할 수 있다. 평점별 형태소 분포들은 도 4를 참조하여 전술한 동작을 통해 제품과 관련 없는 것으로 판별된 형태소들은 삭제되어 있을 수 있다. 따라서, 형태소 분포에서 빈도 내지 카운트 수가 높은 단어들은 타겟 카테고리와 관련성을 가지는 형태소들일 것으로 기대할 수 있다.

다음으로, 서버(131)는 타겟 카테고리 및 주요 형태소들을 기초로 제2 입력을 생성할 수 있다(520).

제2 입력은 타겟 카테고리 및 형태소 분포에 포함된 각각의 형태소일 수 있다. 제2 입력은 제2 인공 신경망에 적용하기 위한 입력일 수 있다. 제2 인공 신경망은 타겟 게시 제품의 타겟 카테고리 및 낮은 평점의 리뷰들에서 빈번히 등장하며 동시에 타겟 카테고리와 관련성을 가지는 형태소(주요 형태소)들을 입력받아, 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 문장을 타겟 게시 제품 컨텐츠 추천안으로 출력할 수 있다. 보다 구체적인 인공 신경망 학습 동작은 도 6을 참조하여 후술된다.

이어서, 서버(131)는 미리 학습된 제2 인공 신경망에 제2 입력을 적용하여 출력을 획득할 수 있다(530).

서버(131)는 제2 인공 신경망에 제2 입력을 적용할 수 있다. 제2 입력의 형태소들은 순차적으로 입력될 수도 있고, 한꺼번에 입력될 수도 있다. 제2 인공 신경망은 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 문장을 타겟 게시 제품 컨텐츠 추천안을 출력할 수 있다. 추천안은 자연어로 이루어진 적어도 하나 이상의 문장일 수 있다.

예를 들어, 타겟 게시 제품은 “여성 구두 제품”일 수 있다. 타겟 카테고리는 “여성 구두”일 수 있고, 주요 형태소들은 “착용”, “불편”, “물집”일 수 있다. 타겟 카테고리와 주요 형태소를 입력 받은 제2 인공 신경망은 “이 제품은 착용이 불편하지 않습니다” 또는 “이 제품은 오래 착용해도 물집이 생기지 않습니다”와 같은 추천안을 출력할 수 있다.

판매자는 타겟 게시 제품의 컨텐츠에 추천안을 반영할 수 있다. 이를 통해, 소비자들은 타겟 게시 제품이 타겟 카테고리의 제품 구매 시 자주 느끼는 불만사항이 없는 제품임을 알 수 있다. 이를 통해, 타겟 게시 제품의 매출이 증가할 수 있다.

또한, 판매자는 평점이 낮은 제품에 대한 소비자들의 불만이 무엇인지 파악할 수 있다. 이를 통해, 추천안을 만족시키는 제품을 역으로 새롭게 발굴하고, 발굴된 제품의 컨텐츠에 추천안을 반영할 수 있다. 소비자들은 신제품이 타겟 카테고리의 제품 구매 시 자주 느끼는 불만사항이 없는 제품임을 알 수 있다. 신제품을 게시한 판매자는 기존제품 대비 매출 향상을 기대할 수 있다.

도 6은 일실시예에 따른 인공 신경망 학습을 설명하기 위한 도면이다.

인공 신경망은 학습 장치를 통해서 학습될 수 있다. 학습 장치는 적어도 하나의 서버(131) 내 구성일 수도 있고, 서버(131)와 별도의 장치일 수도 있다. 학습을 마친 인공 신경망은 서버(131)에 포함될 수 있다.

제1 인공 신경망은 형태소 분포에 포함된 각각의 형태소와 타겟 카테고리의 연관성을 추론한 리스트를 출력할 수 있다. 출력된 리스트의 특정 인덱스(index) 값이 클수록, 해당 인덱스에 대응하는 형태소와 타겟 카테고리의 연관성이 클 수 있다.

제2 인공 신경망은 타겟 게시 제품의 타겟 카테고리 및 낮은 평점의 리뷰들에서 빈번히 등장하며 동시에 타겟 카테고리와 관련성을 가지는 형태소(주요 형태소)들을 입력받아, 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 문장을 타겟 게시 제품 컨텐츠 추천안으로 출력할 수 있다.

제1 인공 신경망은 지도 학습(supervised learning)을 통해 학습될 수 있다. 제2 인공 신경망은 강화 학습(reinforcement learning)을 통해 학습될 수 있다. 제2 인공 신경망은 사전 학습된 거대언어모델을 트랜스퍼 러닝(transfer learning)하는 방식으로 학습이 이루어질 수 있다. 이 경우, 일부 노드에 대해서만 업데이트가 이루어질 수 있다.

이하에서는 학습 장치를 통해 인공 신경망이 학습되는 과정을 설명한다.

우선, 학습 장치는 트레이닝 데이터(training data)와 레이블(label)을 획득할 수 있다(610).

제1 인공 신경망 학습을 위해, 학습 장치는 “타겟 카테고리의 리뷰들의 형태소들”과 “타겟 카테고리와 관련성이 적은 카테고리들의 리뷰들의 형태소들”을 트레이닝 데이터로 획득할 수 있다. “타겟 카테고리와 관련성이 적은 카테고리들의 리뷰들의 형태소들”은 미리 정의된 빈도 이상 등장하는 것들만 트레이닝 데이터로 사용하는 것으로 할 수 있다.

학습 장치는 “타겟 카테고리인 리뷰들의 형태소들”에 레이블 1을 대응시킬 수 있다. 또한, “타겟 카테고리와 관련성이 적은 카테고리들의 리뷰들의 형태소들”에 레이블 0을 대응시킬 수 있다. 레이블 1과 0을 모두 가지는 형태소들은 레이블 0으로 통일시킬 수 있다. 따라서, 레이블 1인 형태소들 중 리뷰 등장 빈도가 높은 형태소들은 타겟 카테고리 또는 타겟 카테고리와 연관성이 높은 카테고리들의 리뷰들에 자주 등장하는 형태소들로 해석할 수 있다.

제2 인공 신경망 학습을 위해, 학습 장치는 제2 인공 신경망의 출력을 입력으로 사용하는 제3 인공 신경망을 구비할 수 있다. 학습 장치는 제3 인공 신경망을 미리 학습시킬 수 있다. 제3 인공 신경망은 제품 카테고리 및 제품을 소개하는 문장 또는 문단을 입력 받아, 해당 문장 또는 문단이 제품의 텍스트 컨텐츠로 적합하다면 1, 아니면 0을 출력하도록 학습될 수 있다. 제3 인공 신경망의 트레이닝 데이터는 오픈마켓에서 게시 제품 텍스트 컨텐츠를 크롤링하여 획득할 수 있다. 제3 인공 신경망의 레이블은 크롤링한 제품 텍스트 컨텐츠에 대한 카피라이터 등 전문가들의 평가로 할 수 있다. 제품 설명이 적절히 작성되었다면 레이블은 1, 그렇지 않다면 0일 수 있다.

이어서, 학습 장치는 미리 정의된 기준에 따라 오픈마켓에서 크롤링한 게시 제품 중 평점이 낮은 제품들을 구분할 수 있다. 학습 장치는 평점이 낮은 제품들의 리뷰들에 자주 등장하는 형태소들을 제2 인공 신경망의 트레이닝 데이터로 획득할 수 있다. 평점이 낮은 제품들의 리뷰들에 자주 등장하지만, 해당 제품과 관련성이 떨어지는 형태소들(예: “좋아요”, “별로”, “배송” 등)은 트레이닝 데이터에서 제외할 수 있다. 제2 인공 신경망은 강화 학습을 통해 학습되므로, 트레이닝 데이터에 대응하는 명시적인 레이블은 없을 수 있다.

이제, 학습 장치는 인공 신경망에 트레이닝 데이터를 적용할 수 있다(620).

제1 인공 신경망 학습을 위해, 학습 장치는 트레이닝 데이터를 인공 신경망의 입력으로 그대로 사용하거나, 인공 신경망이 받아들일 수 있는 입력 형태에 맞추어 트레이닝 데이터를 보다 작은 단위로 구분하는 등의 통상의 프로세스를 거칠 수 있다. 학습 장치는 학습 효율을 위해 인공 신경망 최적화 단계(650)에서 확률론적 경사하위법(stochastic gradient descent)을 사용할 수 있으며, 이를 위해 배치(batch)별로 트레이닝 데이터를 나누어 인공 신경망의 입력을 생성할 수 있다. 트레이닝 데이터들은 학습 에포크(epoch)마다 배치 내 재분배가 이루어질 수 있다.

제2 인공 신경망 학습을 위해, 학습 장치는 매 라운드(round)마다 평점이 낮은 제품들의 리뷰들에 자주 등장하는 형태소들을 거대언어모델에 적용하고, 적어도 하나의 형태소를 포함한 개선안을 적어도 하나의 문장으로 출력하도록 요청할 수 있다

이어서, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다(630).

제1 인공 신경망의 출력은 형태소 분포에 포함된 각각의 형태소와 타겟 카테고리의 연관성을 추론한 리스트일 수 있다. 제1 인공 신경망이 출력한 리스트의 각각의 인덱스에 대하여, 인덱스에 대응하는 값이 클수록, 해당 인덱스에 대응하는 형태소와 타겟 카테고리의 연관성이 클 수 있다.

제2 인공 신경망의 출력은 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 문장을 포함하는 타겟 게시 제품 컨텐츠 추천안일 수 있다.

이후, 학습 장치는 출력과 레이블을 비교하거나, 리워드를 제공할 수 있다(640).

제1 인공 신경망의 학습을 위해, 학습 장치는 출력과 레이블을 직접 비교할 수 있다. 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 비교하는 과정은 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.

제2 인공 신경망의 학습을 위해, 학습 장치는 거대언어모델이 출력한 적어도 하나의 문장을 제3 인공 신경망에 입력할 수 있다. 제3 인공 신경망의 출력이 1인 경우, 제2 인공 신경망에 리워드를 지급할 수 있다.

다음으로, 학습 장치는 인공 신경망을 최적화할 수 있다(650).

제1 인공 신경망의 학습을 위해, 학습 장치는 출력과 레이블의 비교값이 점점 작아지도록 제1 인공 신경망 모델의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 확률론적 경사하위법(stochastic gradient descent), 역전파(backpropagation) 알고리즘 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 인공 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

제2 인공 신경망 학습을 위해, 학습 장치는 매 라운드를 통해 획득하는 리워드들의 총합이 최대가 되도록, 매 라운드마다 리워드 획득여부를 반영하여 제2 인공 신경망 모델의 노드들의 웨이트를 갱신할 수 있다. 이를 통해, 제2 인공 신경망은 리워드를 최대로 획득할 수 있는 방향으로 출력이 강화될 수 있다. 한편, 제2 인공 신경망은 거대언어모델에 기초하므로, 트랜스퍼 러닝을 위해 선택된 일부 노드들에 대한 갱신만 이루어질 수 있다.

학습 장치는 이와 같은 과정을 반복함으로써 제1 및 2 인공 신경망을 학습시킬 수 있다. 제1 인공 신경망의 출력은 도 2 및 4를 참조하여 전술한 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 동작에 사용될 수 있다. 제2 인공 신경망의 출력은 도 2 및 5를 참조하여 전술한 타겟 게시 제품의 컨텐츠 개선안 추천 동작에 사용될 수 있다.

도 7은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 장치(701)는 도 1 내지 6을 참조하여 전술된 장치이거나, 도 1 내지 6을 참조하여 전술된 동작 중 적어도 하나 이상을 수행할 수 있는 장치일 수 있다. 구체적으로, 장치(701)는 적어도 하나의 서버(131)를 구성하는 하나의 장치 또는 도 6을 참조하여 설명한 학습 장치 등일 수 있다. 장치(701)를 이용하는 자 또는 단체는 도 1 내지 도 6을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도시 생략)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(701)는 인공 신경망 또는 머신러닝 모델을 학습시키거나, 학습된 인공 신경망 또는 머신러닝 모델을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공 신경망 또는 머신러닝 모델을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공 신경망 또는 머신러닝 모델 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망 또는 머신러닝 모델을 학습시키는 장치(701)와 학습된 인공 신경망 또는 머신러닝 모델을 이용하는 장치(701)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate 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 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) 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.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

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 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 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 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 청구범위의 범위에 속한다.

101: 오픈마켓 서버
102: 오픈마켓 웹사이트 또는 어플리케이션
111, 112: 단말
121, 122: 사용자
131: 서버
132: 웹사이트 또는 어플리케이션

Claims (5)

1. 적어도 하나의 서버에 의해 수행되는 오픈마켓 게시 제품 컨텐츠 개선을 위한 방법은,
   타겟 게시 제품의 타겟 카테고리를 획득하는 단계;
   오픈마켓 게시 제품들 중 상기 타겟 카테고리에 속하는 게시 제품들의 리뷰들과 평점들을 획득하는 단계;
   상기 리뷰들을 형태소 단위로 분해하는 단계;
   상기 형태소들을 기초로, 평점별 형태소 분포들을 생성하는 단계;
   상기 평점별 형태소 분포들에서 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 단계; 및
   미리 정의된 평점 이하의 평점별 형태소 분포들을 기초로, 상기 타겟 게시 제품의 컨텐츠 개선안을 추천하는 단계
   를 포함하고,
   상기 타겟 게시 제품의 컨텐츠 개선안을 추천하는 단계는,
   상기 미리 정의된 평점 이하의 평점별 형태소 분포들에서 빈도가 높은 형태소를 미리 정의된 개수만큼 선별하여 주요 형태소들로 구분하는 단계;
   상기 타겟 카테고리 및 상기 주요 형태소들을 기초로 제2 입력을 생성하는 단계; 및
   미리 학습된 제2 인공 신경망에 상기 제2 입력을 적용하여 출력을 획득하는 단계
   를 포함하고,
   상기 출력은 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 자연어 문장이고,
   상기 자연어 문장에는 서로 다른 리뷰에 포함된 주요 형태소들이 포함될 수 있는
   오픈마켓 게시 제품 컨텐츠 개선을 위한 방법.
   
2. 제1항에 있어서,
   상기 평점별 형태소 분포들을 생성하는 단계는,
   리뷰들을 평점별로 분류하는 단계;
   각각의 평점의 각각의 리뷰의 각각의 형태소에 대하여,
   형태소가 상기 평점에 대응하는 형태소 분포에 포함되어 있지 않으면, 상기 평점에 대응하는 형태소 분포에 상기 형태소를 추가하고, 상기 형태소의 카운트를 1로 초기화하는 단계; 및
   상기 형태소가 상기 평점에 대응하는 형태소 분포에 포함되어 있으면, 상기 평점에 대응하는 형태소 분포에서 상기 형태소의 카운트에 1을 더하는 단계
   를 포함하는
   오픈마켓 게시 제품 컨텐츠 개선을 위한 방법.
   
3. 제1항에 있어서,
   상기 제품과 관련 없는 것으로 판별된 형태소들을 삭제하는 단계는,
   상기 타겟 카테고리 및 상기 평점별 형태소 분포들을 기초로 제1 입력을 생성하는 단계;
   미리 학습된 제1 인공 신경망에 상기 제1 입력을 적용하여 출력을 획득하는 단계;
   상기 출력을 기초로, 각각의 평점별 형태소 분포에 포함된 형태소들의 제품 관련성을 판별하는 단계; 및
   제품과 관련 없는 것으로 판별된 형태소들을 상기 각각의 평점별 형태소 분포에서 삭제하는 단계
   를 포함하는
   오픈마켓 게시 제품 컨텐츠 개선을 위한 방법.
   
4. 삭제
5. 오픈마켓 게시 제품 컨텐츠 개선을 위한 시스템은 적어도 하나의 서버를 포함하고,
   상기 적어도 하나의 서버가 수행하는 동작은,
   타겟 게시 제품의 타겟 카테고리를 획득하고,
   오픈마켓 게시 제품들 중 상기 타겟 카테고리에 속하는 게시 제품들의 리뷰들과 평점들을 획득하고,
   상기 리뷰들을 형태소 단위로 분해하고,
   상기 형태소들을 기초로, 평점별 형태소 분포들을 생성하고,
   상기 평점별 형태소 분포들에서 제품과 관련 없는 것으로 판별된 형태소들을 삭제하고,
   미리 정의된 평점 이하의 평점별 형태소 분포들을 기초로, 상기 타겟 게시 제품의 컨텐츠 개선안을 추천하는
   동작을 포함하고,
   상기 타겟 게시 제품의 컨텐츠 개선안을 추천하는 동작은,
   상기 미리 정의된 평점 이하의 평점별 형태소 분포들에서 빈도가 높은 형태소를 미리 정의된 개수만큼 선별하여 주요 형태소들로 구분하고,
   상기 타겟 카테고리 및 상기 주요 형태소들을 기초로 제2 입력을 생성하고,
   미리 학습된 제2 인공 신경망에 상기 제2 입력을 적용하여 출력을 획득하는
   동작을 포함하고,
   상기 출력은 적어도 하나 이상의 주요 형태소를 포함하는 적어도 하나 이상의 자연어 문장이고,
   상기 자연어 문장에는 서로 다른 리뷰에 포함된 주요 형태소들이 포함될 수 있는
   오픈마켓 게시 제품 컨텐츠 개선을 위한 시스템.