KR20210029410A - Method and server for recommending user customized hs code - Google Patents

Method and server for recommending user customized hs code Download PDF

Info

Publication number
KR20210029410A
KR20210029410A KR1020190110586A KR20190110586A KR20210029410A KR 20210029410 A KR20210029410 A KR 20210029410A KR 1020190110586 A KR1020190110586 A KR 1020190110586A KR 20190110586 A KR20190110586 A KR 20190110586A KR 20210029410 A KR20210029410 A KR 20210029410A
Authority
KR
South Korea
Prior art keywords
code
user
recommendation
matrix
user information
Prior art date
Application number
KR1020190110586A
Other languages
Korean (ko)
Other versions
KR102242587B1 (en
Inventor
김용환
최문섭
Original Assignee
주식회사 한국무역정보통신
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 주식회사 한국무역정보통신 filed Critical 주식회사 한국무역정보통신
Priority to KR1020190110586A priority Critical patent/KR102242587B1/en
Publication of KR20210029410A publication Critical patent/KR20210029410A/en
Application granted granted Critical
Publication of KR102242587B1 publication Critical patent/KR102242587B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06F16/3322—Query formulation using system suggestions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

According to one embodiment of the present invention, provided is a method for recommending a user-customized HS code by an HS code recommendation server, which comprises the steps of: receiving user information; converting the user information into a user information matrix; generating an HS code prediction ratio by calculating the user information matrix and the weight matrix; and recommending an HS code to a user based on the HS code prediction ratio. According to the present invention, by generating HS code search information for each user using personal information of the user and items of interest of the user, it is possible to recommend the most suitable HS code to the user.

Description

사용자 맞춤형 HS 코드 추천 방법 및 서버{METHOD AND SERVER FOR RECOMMENDING USER CUSTOMIZED HS CODE}User-customized HS code recommendation method and server {METHOD AND SERVER FOR RECOMMENDING USER CUSTOMIZED HS CODE}

본 발명은 사용자 맞춤형 HS 코드 추천 방법 및 서버에 관한 것으로, 기 저장된 사용자 정보와 사용자가 선택하는 품목명 이미지를 기초로 생성된 알고리즘을 이용하여 HS 코드를 추천하거나, HS 코드 간 상관 관계를 분석하여 HS 코드를 추천할 수 있는 방법 및 이를 수행하는 서버에 관한 것이다.The present invention relates to a user-customized HS code recommendation method and a server. The HS code is recommended by using an algorithm generated based on pre-stored user information and an item name image selected by the user, or by analyzing the correlation between HS codes. It relates to a method for recommending code and a server that performs it.

HS 코드란 전 세계에서 거래되는 각종 물품을 세계관세기구(WCO가 정한 국제통일상품분류체계(HS, Harmonized Commodity Description and Coding System, Harmonized System)에 의거하여 분류한 숫자 코드이다. 국제통상-상품분류체계에 관한 국제협약(The International Convention on the Harmonized Commodity Description and Coding System, HS 협약)에 의해 체약국은 HS체계에서 정한 원칙에 따라 각종 물품에 대하여 HS코드 분류를 수행해야 한다. HS 코드는 물품의 주요 특성, 용도, 재질 등 다양한 요소에 따라 나누어진 총 10자리의 숫자 조합으로 이루어져 있으며, 각 나라 간에 물품을 교역하는데 있어 세금을 부과하기 위해 사용된다. The HS code is a numeric code that classifies various goods traded around the world in accordance with the World Customs Organization (HS, Harmonized Commodity Description and Coding System, Harmonized System) established by WCO. International Trade-Commodity Classification Under the International Convention on the Harmonized Commodity Description and Coding System (HS Convention), Contracting States are required to carry out HS code classification for various goods in accordance with the principles set out in the HS system. It is a combination of a total of 10 digits divided according to various factors such as characteristics, uses, and materials, and is used to impose taxes on the trade of goods between countries.

한편, 물품 별로 지정된 과세율이 상이하기 때문에 올바른 HS 코드를 찾는 것이 무엇보다도 중요하며, 관세청 등 물품 수출입과 관련된 각종 전문 기관에서 HS 코드 검색 사이트를 제공하여 사용자가 직접 검색할 수 있도록 지원하고 있다.On the other hand, since the specified tax rate for each product is different, it is of utmost importance to find the correct HS code, and various specialized agencies related to the import and export of goods, such as the Customs Service, provide HS code search sites so that users can search directly.

그러나 사용자가 HS 코드 검색 사이트를 통해서 HS 코드를 검색하기 위해서는 사이트가 제공하는 각종 물품 특성들에 대한 정보를 입력해야 하며, 검색된 결과 내에서 다양한 HS 코드 분류 사례를 읽어내고 그 중 사용자가 원하는 HS 코드를 추려내야 하는 등의 불편함이 존재한다. 특히, 무역에 대한 기본 지식이나 HS 코드 분류에 대해 정확한 지식이 없는 사용자는 검색 결과 내에서 유효한 검색 결과를 추려내기에 무리가 있다. However, in order for a user to search for HS code through the HS code search site, it is necessary to input information on the characteristics of various products provided by the site, and the HS code that the user wants among them is read out various examples of HS code classification within the search results. There are discomforts, such as having to sort out. In particular, users who do not have basic knowledge about trade or accurate knowledge about HS code classification have difficulty in selecting valid search results from within the search results.

따라서 HS 코드 검색 사이트를 이용하는 사용자에게 사용자 특성에 맞는 물품의 HS 코드를 정확하게 추천해 줄 수 있는 기술의 개발이 요구되며, 본 발명은 이에 관한 것이다.Therefore, it is required to develop a technology capable of accurately recommending an HS code of an item suitable for user characteristics to a user who uses an HS code search site, and the present invention relates to this.

한국등록특허 제10-1571041호(2015.11.17.)Korean Patent Registration No. 10-1571041 (November 17, 2015)

본 발명이 해결하고자 하는 기술적 과제는 사용자 정보와 품목명을 기초로 HS 코드를 정확하게 추천해줄 수 있는 HS 코드 추천 방법을 제공하는 것을 목적으로 한다.An object of the present invention is to provide an HS code recommendation method capable of accurately recommending HS codes based on user information and item names.

본 발명이 해결하고자 하는 또 다른 기술적 과제는 HS 코드 검색 사이트를 이용하는 사용자에게 사용자의 개인 정보와 HS 코드 간의 상관 관계를 기초로, HS 코드를 추천해 줄 수 있는 방법을 제공하는 것을 목적으로 한다.Another technical problem to be solved by the present invention is to provide a method for recommending an HS code to a user who uses an HS code search site based on the correlation between the user's personal information and the HS code.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems that are not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시 예에 따른 사용자 맞춤형 HS 코드 추천 방법으로서, 사용자 정보를 입력 받는 단계, 상기 사용자 정보를 사용자 정보 매트릭스로 전환하는 단계, 상기 사용자 정보 매트릭스와 가중치 매트릭스를 연산하여 HS 코드 예측 비율을 생성하는 단계 및 상기 HS 코드 예측 비율을 기초로 사용자에게 HS 코드를 추천하는 단계를 포함한다.A method for recommending a customizable HS code according to an embodiment of the present invention, comprising: receiving user information, converting the user information to a user information matrix, calculating the user information matrix and weight matrix to determine an HS code prediction ratio. Generating and recommending an HS code to a user based on the prediction rate of the HS code.

일 실시 예에 따르면, 상기 사용자 정보는, 기업의 경우, 업종, 매출 규모, 지역, 사업 기간 중 적어도 하나를 포함하고, 개인의 경우, 직업 또는 관심 분야를 포함할 수 있다.According to an embodiment, the user information may include at least one of a business type, a sales scale, a region, and a business period in the case of a company, and may include a job or a field of interest in the case of an individual.

일 실시 예에 따르면, 상기 사용자 정보를 입력 받는 단계는, 상기 사용자 정보를 기초로 복수의 물품 이미지를 제공하여, 사용자로부터 하나의 물품 이미지를 선택 받는 단계 및 선택 받은 물품 이미지에 대응되는 HS 코드를 확인하여, 사용자의 HS 코드 선택 비율을 생성하는 단계를 포함할 수 있다.According to an embodiment, the receiving of the user information includes providing a plurality of product images based on the user information, receiving a selection of one product image from the user, and an HS code corresponding to the selected product image. By checking, it may include the step of generating a user's HS code selection ratio.

일 실시 예에 따르면, 상기 HS 코드 선택 비율을 생성하는 단계는, 상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 횟수를 기초로 생성한 HS 코드 클릭 비율을 상기 사용자의 HS 코드 선택 비율에 반영하는 단계를 더 포함할 수 있다.According to an embodiment, the generating of the HS code selection rate includes the HS code click rate generated based on the number of clicks of the HS code of the user in the HS code search page provided by the HS code recommendation server. It may further include reflecting the code selection ratio.

일 실시 예에 따르면, 상기 물품 이미지를 선택 받는 단계는, 상기 복수의 물품 이미지를 사용자 선택에 따라 부, 류, 호, 소호 단위 순으로 제공할 수 있다.According to an embodiment, in the step of receiving the product image selection, the plurality of product images may be provided in the order of a category, a category, a number, and a sub number according to a user selection.

일 실시 예에 따르면, 상기 HS 코드를 추천하는 단계는, 상기 HS 코드 예측 비율이 상기 사용자의 HS 코드 선택 비율과 동일한 값을 가지도록 상기 사용자 정보 매트릭스 또는 상기 가중치 매트릭스를 최적화하는 단계 및 최적화된 사용자 정보 매트릭스 또는 가중치 매트릭스를 기초로 상기 HS 코드 예측 비율을 조정하는 단계를 포함할 수 있다.According to an embodiment, the recommending of the HS code includes optimizing the user information matrix or the weight matrix so that the HS code prediction rate has the same value as the user's HS code selection rate, and the optimized user It may include adjusting the HS code prediction ratio based on the information matrix or the weight matrix.

일 실시 예에 따르면, 상기 HS 코드 예측 비율을 조정하는 단계 이후에, 사용자로부터 물품의 상품명을 입력 받는 경우, 복수의 알고리즘을 이용하여 상기 상품명에 대한 HS 코드 별 추론 점수를 산출하는 단계 및 상기 HS 코드 별 추론 점수와 조정된 HS 코드 예측 비율을 조합하여 상기 상품명에 대한 HS 코드를 추천하는 단계를 포함할 수 있다.According to an embodiment, after the step of adjusting the HS code prediction ratio, when receiving a product name from a user, calculating an inference score for each HS code for the product name using a plurality of algorithms, and the HS It may include the step of recommending the HS code for the product name by combining the inference score for each code and the adjusted HS code prediction ratio.

본 발명의 또 다른 실시 예에 따른 사용자 맞춤형 HS 코드 추천 방법은 상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자들의 HS 코드 클릭 빈도를 카운트하는 단계, 카운트된 HS 코드 클릭 빈도를 이용하여 HS 코드 간 상관 관계 값(Correlation Value)을 획득하는 단계 및 상기 상관 관계 값을 기초로 사용자에게 HS 코드를 추천하는 단계를 포함한다.According to another embodiment of the present invention, a user-customized HS code recommendation method includes the steps of counting the HS code click frequency of users in the HS code search page provided by the HS code recommendation server, and using the counted HS code click frequency. And obtaining a correlation value between codes and recommending an HS code to a user based on the correlation value.

일 실시 예에 따르면, 상기 상관 관계 값을 획득하는 단계는, 하기 [수학식 1]에 따라 상관 관계 값을 획득하는 단계일 수 있다.According to an embodiment, the step of obtaining the correlation value may be a step of obtaining a correlation value according to the following [Equation 1].

[수학식 1][Equation 1]

Figure pat00001
Figure pat00001

여기서, x, y는 각각 HS 코드 x, HS 코드 y를 의미하고, n은 사용자 숫자를 의미하며, xi, yi는 각각 사용자 i의 HS 코드 x, y 클릭 빈도를 의미하고,

Figure pat00002
,
Figure pat00003
는 각각 전체 사용자의 HS 코드 x, y 클릭 빈도 평균을 의미함.Here, x and y denote HS code x and HS code y, respectively, n denote user number, xi and yi denote user i's HS code x and y click frequency, respectively,
Figure pat00002
,
Figure pat00003
Means the average of the HS code x and y click frequency of all users, respectively.

일 실시 예에 따르면, 상기 HS 코드를 추천하는 단계는, 상기 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 신호를 확인하는 경우, 해당 HS 코드와 상관 관계 값이 높은 HS 코드를 추천하는 단계일 수 있다.According to an embodiment, the step of recommending the HS code may be a step of recommending an HS code having a high correlation value with the corresponding HS code when checking a user's HS code click signal in the HS code search page. .

일 실시 예에 따르면, 상기 HS 코드를 추천하는 단계는, 사용자의 상기 HS 코드 검색 페이지 접속 신호를 확인하는 경우, 사용자 정보를 기초로 생성한 HS 코드 예측 비율에서 상위 N개(N은 2이상의 자연수)의 제1 HS 코드를 추출하는 단계 및 추출한 N개의 제1 HS 코드와 상관 관계 값이 높은 제2 HS 코드를 확인하고, 상기 HS 코드 예측 비율과 상기 상관 관계 값을 조합하여 제2 HS 코드의 HS 코드 추천 점수를 획득하는 단계를 포함할 수 있다.According to an embodiment, in the step of recommending the HS code, when the user checks the HS code search page access signal, the highest N number (N is a natural number of 2 or more) in the HS code prediction ratio generated based on the user information. ) Extracting the first HS code and identifying the second HS code having a high correlation value with the extracted N first HS codes, and combining the predicted HS code with the correlation value to determine the second HS code. It may include the step of obtaining the HS code recommendation score.

본 발명의 또 다른 실시 예에 따른 HS 코드 추천 서버는, 사용자 정보를 입력 받는 입력부, 상기 입력부가 입력 받은 사용자 정보를 사용자 정보 매트릭스로 전환하는 매트릭스 생성부, 상기 매트릭스 생성부가 전환시킨 상기 사용자 정보 매트릭스와 가중치 매트릭스를 연산하여 HS 코드 예측 비율을 생성하는 HS 코드 예측부 및 상기 HS 코드 예측부가 생성한 상기 HS 코드 예측 비율을 기초로 사용자에게 HS 코드를 추천하는 HS 코드 추천부를 포함한다.The HS code recommendation server according to another embodiment of the present invention includes an input unit for receiving user information, a matrix generation unit for converting user information inputted by the input unit to a user information matrix, and the user information matrix converted by the matrix generation unit. And an HS code prediction unit for generating an HS code prediction ratio by calculating a weight matrix and an HS code recommendation unit for recommending an HS code to a user based on the HS code prediction ratio generated by the HS code prediction unit.

일 실시 예에 따르면, 상기 HS 코드 예측부는, 상기 입력부가 입력 받은 사용자 정보를 기초로 복수의 물품 이미지를 제공하여, 사용자로부터 하나의 물품 이미지를 선택 받고, 선택 받은 물품 이미지에 대응되는 HS 코드를 확인하여, 사용자의 HS 코드 선택 비율을 생성할 수 있다.According to an embodiment, the HS code prediction unit provides a plurality of product images based on user information input by the input unit, receives a selection of one product image from the user, and generates an HS code corresponding to the selected product image. By checking, it is possible to generate the user's HS code selection rate.

일 실시 예에 따르면, 상기 HS 코드 예측부는, 상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 횟수를 기초로 HS 코드 클릭 비율을 생성하고, 상기 HS 코드 클릭 비율을 상기 사용자의 HS 코드 선택 비율에 반영할 수 있다.According to an embodiment, the HS code prediction unit generates an HS code click rate based on the number of HS code clicks of a user in the HS code search page provided by the HS code recommendation server, and determines the HS code click rate to the user. It can be reflected in the rate of HS code selection.

일 실시 예에 따르면, 상기 매트릭스 생성부는, 상기 HS 코드 예측 비율이 상기 사용자의 HS 코드 선택 비율과 동일한 값을 가지도록 상기 사용자 정보 매트릭스 또는 상기 가중치 매트릭스를 최적화하는 매트릭스 최적화부를 더 포함하고, 상기 매트릭스 생성부는, 최적화된 사용자 정보 매트릭스 또는 가중치 매트릭스를 기초로 상기 HS 코드 예측 비율을 조정할 수 있다.According to an embodiment, the matrix generator further comprises a matrix optimizer for optimizing the user information matrix or the weight matrix so that the HS code prediction rate has the same value as the HS code selection rate of the user, and the matrix The generator may adjust the HS code prediction ratio based on the optimized user information matrix or the weight matrix.

일 실시 예에 따르면, 상기 HS 코드 추천부는, 상기 입력부가 물품의 상품명을 입력 받는 경우, 복수의 알고리즘을 이용하여 상기 상품명에 대한 HS 코드 별 추론 점수를 산출하는 HS 코드 추론부를 더 포함하고, 상기 HS 코드 추천부는, 상기 HS 코드 별 추론 점수와 조정된 HS 코드 예측 비율을 조합하여 상기 상품명에 대한 HS 코드를 추천할 수 있다.According to an embodiment, the HS code recommendation unit further includes an HS code inference unit for calculating an inference score for each HS code for the product name using a plurality of algorithms when the input unit receives the product name of the product, and the The HS code recommendation unit may recommend an HS code for the product name by combining the inference score for each HS code and the adjusted HS code prediction ratio.

일 실시 예에 따르면, 상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자들의 HS 코드 클릭 빈도를 카운트하는 카운트부 및 카운트된 HS 코드 클릭 빈도를 이용하여 HS 코드 간 상관 관계 값(Correlation Value)을 획득하는 상관 관계 계산부를 더 포함할 수 있다.According to an embodiment, a correlation value between HS codes using a count unit for counting the HS code click frequency of users in the HS code search page provided by the HS code recommendation server and the counted HS code click frequency It may further include a correlation calculation unit for obtaining.

일 실시 예에 따르면, 상기 HS 코드 추천부는, 상기 입력부가 상기 HS 코드 검색 페이지 내에서 HS 코드 클릭 신호를 입력 받는 경우, 해당 HS 코드와 상관 관계 값이 높은 HS 코드를 추천할 수 있다.According to an embodiment, when the input unit receives an HS code click signal in the HS code search page, the HS code recommendation unit may recommend an HS code having a high correlation value with the corresponding HS code.

일 실시 예에 따르면, 상기 HS 코드 추천부는, 상기 입력부로부터 사용자의 상기 HS 코드 검색 페이지 접속 신호를 입력 받는 경우, 상기 사용자 정보를 기초로 생성한 HS 코드 예측 비율에서 상위 N개(N은 2이상의 자연수)의 제1 HS 코드를 추출하여, 추출한 N개의 제1 HS 코드와 상관 관계 값이 높은 제2 HS 코드를 확인하고, 상기 HS 코드 예측 비율과 상기 상관 관계 값을 조합하여, 제2 HS 코드의 HS 코드 추천 점수를 획득할 수 있다.According to an embodiment, when the HS code recommendation unit receives a signal for accessing the HS code search page from the user from the input unit, the highest N number (N is 2 or more) in the HS code prediction ratio generated based on the user information. A natural number) of the first HS code is extracted, the extracted N first HS codes and a second HS code having a high correlation value are identified, the HS code prediction ratio and the correlation value are combined, and a second HS code HS code recommendation score can be obtained.

본 발명에 의하면, 사용자의 개인 정보와 사용자의 관심 품목을 이용하여 사용자 별로 HS 코드 검색 정보를 생성함으로써, 사용자에게 가장 적합한 HS 코드를 추천해줄 수 있다. According to the present invention, by generating HS code search information for each user using the user's personal information and the user's interest item, it is possible to recommend the most suitable HS code to the user.

또한, HS 코드 간의 상관 관계를 계산하고 이를 사용자 정보와 조합하여, HS 코드를 검색 중인 사용자에게 HS 코드를 추천해 줄 수 있다.In addition, by calculating the correlation between HS codes and combining them with user information, it is possible to recommend HS codes to users searching for HS codes.

또한, 전체 사용자의 HS 코드 검색 추세 및 개인 사용자의 HS 코드 검색 이력을 기초로 HS 코드 간의 상관 관계를 실시간으로 갱신하기 때문에, 현재 무역 거래 트렌드에 맞는 HS 코드를 추천해 줄 수 있다. In addition, since the correlation between HS codes is updated in real time based on the HS code search trend of all users and the HS code search history of individual users, it is possible to recommend HS codes that fit the current trade transaction trend.

또한, 사용자는 본인의 개인 정보 및 관심 물품의 이미지를 선택하는 것만으로도 사용자가 의도한 바에 맞는 HS 코드를 추천 받을 수 있어, 서비스 이용의 편의성이 증대될 수 있다.In addition, the user can receive a recommendation of an HS code suitable for the user's intention simply by selecting the image of the user's personal information and the item of interest, thereby increasing the convenience of using the service.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.The effects of the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.

도 1은 본 발명의 일 실시 예에 따른 HS 코드 추천 서버의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 HS 코드 예측 비율을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 HS 코드 선택 비율을 설명하기 위한 도면이다.
도 4는 본 발명의 제1 실시 예에 따른 HS 코드 추천 서버가 사용자 정보를 기초로 HS 코드를 추천하는 방법의 흐름을 나타낸 도면이다.
도 5는 도 4에 도시된 S140 단계를 구체화한 순서도이다.
도 6은 본 발명의 제2 실시 예에 따른 HS 코드 추천 서버가 HS 코드 간의 상관 관계를 기초로 HS 코드를 추천하는 방법의 흐름을 나타낸 도면이다.1 is a diagram schematically showing the configuration of an HS code recommendation server according to an embodiment of the present invention.
2 is a diagram illustrating an HS code prediction ratio according to an embodiment of the present invention.
3 is a diagram illustrating an HS code selection ratio according to an embodiment of the present invention.
4 is a diagram illustrating a flow of a method for recommending an HS code based on user information by an HS code recommendation server according to the first embodiment of the present invention.
FIG. 5 is a flowchart illustrating step S140 shown in FIG. 4.
6 is a diagram illustrating a flow of a method for recommending an HS code based on a correlation between HS codes by an HS code recommendation server according to a second embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments to be posted below, but may be implemented in various different forms, and only these embodiments make the posting of the present invention complete, and common knowledge in the technical field to which the present invention pertains. It is provided to completely inform the scope of the invention to the possessor, and the invention is only defined by the scope of the claims. The same reference numerals refer to the same elements throughout the specification.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.Unless otherwise defined, all terms (including technical and scientific terms) used in the present specification may be used with meanings that can be commonly understood by those of ordinary skill in the art to which the present invention belongs. In addition, terms defined in a commonly used dictionary are not interpreted ideally or excessively unless explicitly defined specifically. The terms used in this specification are for describing exemplary embodiments and are not intended to limit the present invention. In this specification, the singular form also includes the plural form unless specifically stated in the phrase.

본 명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.As used herein, "comprises" and/or "comprising" refers to the recited component, step, operation, and/or element. It does not exclude presence or addition.

도 1은 본 발명의 일 실시 예에 따른 HS 코드 추천 서버(100)의 구성을 개략적으로 나타낸 도면이다.1 is a diagram schematically showing the configuration of an HS code recommendation server 100 according to an embodiment of the present invention.

도 1을 참조하면, HS 코드 추천 서버(100)는 다양한 HS 코드 검색 사이트를 이용하는 사용자에게 HS 코드를 추천해주거나, 사용자의 물품 문의에 따라 사용자 정보를 기초로 HS 코드를 추론하여 추천해주는 서비스 서버로서, 입력부(110), 매트릭스 생성부(120), HS 코드 예측부(130), HS 코드 추천부(140), 카운트부(150), 상관 관계 계산부(160) 및 데이터베이스(170)를 기타 본 발명의 목적을 달성하기 위한 부가적인 구성 역시 포함할 수 있다. Referring to FIG. 1, the HS code recommendation server 100 recommends the HS code to users who use various HS code search sites, or infers and recommends the HS code based on user information according to the user's product inquiry. As such, the input unit 110, the matrix generation unit 120, the HS code prediction unit 130, the HS code recommendation unit 140, the count unit 150, the correlation calculation unit 160, and the database 170 Additional configurations for achieving the object of the present invention may also be included.

한편, 입력부(110), 매트릭스 생성부(120), HS 코드 예측부(130), HS 코드 추천부(140), 카운트부(150) 및 상관 관계 계산부(160)는 본 발명의 일 실시 예에 따른 HS 코드 추천 서버(100)가 수행하는 기능을 기준으로 분류한 임시 또는 가상적인 구성일 뿐이며, 어느 한 구성이 수행하는 기능을 다른 구성이 함께 수행할 수 있으며, 하나의 구성이 전체 구성의 기능을 모두 수행할 수도 있다. 예를 들어, 하나의 프로세서(미도시)가 입력부(110), 매트릭스 생성부(120), HS 코드 예측부(130), HS 코드 추천부(140), 카운트부(150) 및 상관 관계 계산부(160)의 기능을 모두 수행할 수도 있다.Meanwhile, the input unit 110, the matrix generator 120, the HS code prediction unit 130, the HS code recommendation unit 140, the count unit 150, and the correlation calculation unit 160 are an embodiment of the present invention. It is only a temporary or virtual configuration classified based on the function performed by the HS code recommendation server 100 according to the following, and the function performed by one configuration can be performed by another configuration, and one configuration is It can also perform all of its functions. For example, one processor (not shown) is an input unit 110, a matrix generator 120, an HS code prediction unit 130, an HS code recommendation unit 140, a count unit 150, and a correlation calculation unit. All of the functions of 160 may be performed.

입력부(110)는 사용자로부터 사용자에 대한 정보를 입력 받고, 사용자의 HS 코드 추천 문의를 입력 받을 수 있다. 여기서, 사용자 정보는 HS 코드 추천을 위한 물품, 물품 판매, 구입과 연관되어 있는 정보일 수 있다. 그에 따라, 사용자가 기업일 경우, 입력부(110)는 기업의 업종, 매출 규모, 지역(예. 용인 가구 단지, 파주 가구 단지), 사업 기간 등을 사용자 정보로 입력 받을 수 있으며, 개인의 경우 직업, 관심 분야 등을 사용자 정보로 입력 받을 수 있다. 아울러, 기업의 매출 규모와 사업 기간은 업종을 기초로 수입하고자 하는 물품이 얼만큼 세분화되어 있는지 가늠하기 위한 사용자 정보로서, 입력부(110)는 해당 사용자 정보 이외에도 기업이 취급하고 있는 물품의 종류나 물품의 정식 명칭 등을 사용자 정보로 입력 받을 수 있다.The input unit 110 may receive information about the user from the user and may receive the user's HS code recommendation inquiry. Here, the user information may be information related to goods for recommending the HS code, product sales, or purchase. Accordingly, when the user is a company, the input unit 110 can receive input of the company's business type, sales scale, region (eg Yongin furniture complex, Paju furniture complex), and business period as user information, and in the case of an individual, occupation , Fields of interest, etc. can be input as user information. In addition, the company's sales scale and business period are user information for determining how subdivided the product to be imported is based on the business type, and the input unit 110 is the type or product of the product handled by the company in addition to the corresponding user information. The official name of the user can be entered as user information.

또한, 입력부(110)는 사용자로부터 물품에 대한 상품명을 입력 받을 수 있으며, 상품명이란 물품 판매를 위해 지정된 정식 명칭을 의미한다. 예를 들어, 'philips sonic care diamond clean smart', 'philips sonic care plexcare platinum connected'(전동 칫솔) 등이 상품명으로 간주될 수 있다. In addition, the input unit 110 may receive a product name for a product from a user, and the product name means a formal name designated for selling the product. For example,'philips sonic care diamond clean smart','philips sonic care plexcare platinum connected' (electric toothbrush), etc. may be considered as brand names.

매트릭스 생성부(120)는 입력부(110)가 입력 받은 사용자 정보를 사용자 정보 매트릭스로 전환할 수 있다. 이를 위해, 매트릭스 생성부(120)는 사용자 정보를 카테고리 별로 구분하고, 구분된 정보들을 벡터 값으로 전환할 수 있다. The matrix generator 120 may convert user information input by the input unit 110 into a user information matrix. To this end, the matrix generator 120 may classify user information by category and convert the classified information into vector values.

예를 들어, 매트릭스 생성부(120)는 사용자 정보 중 업종과 매출 규모에 관한 정보를 다음과 같이 벡터로 전환할 수 있다.For example, the matrix generator 120 may convert information on a business type and sales size among user information into a vector as follows.

업종(의료) =

Figure pat00004
업종(제빵) =
Figure pat00005
업종(건설) =
Figure pat00006
Industry (medical) =
Figure pat00004
Industry (bakery) =
Figure pat00005
Business type (construction) =
Figure pat00006

매출규모(5천~1억) =

Figure pat00007
매출규모(2억~3억) =
Figure pat00008
Sales scale (500~100 million) =
Figure pat00007
Sales scale (200 million ~ 300 million) =
Figure pat00008

매트릭스 생성부(120)는 사용자 정보에 대한 카테고리 구분 및 이에 대한 벡터 값을 기초로 사용자 정보를 사용자 정보 매트릭스로 최종 전환할 수 있으며, 아래의 예시와 같이 사용자 정보가 매트릭스로 전환될 수 있다.The matrix generator 120 may finally convert user information into a user information matrix based on a category classification of user information and a vector value thereof, and user information may be converted into a matrix as shown in the following example.

예. 사용자 정보: 업종(의료), 매출규모(5천~1억)Yes. User information: Industry (medical), sales scale (500 to 100 million)

USER1 =

Figure pat00009
USER1 =
Figure pat00009

아울러, 카테고리 구분과 관련하여, 매트릭스 생성부(120)는 객관적인 자료가 존재하는 업종, 직업에 대한 카테고리를 한국표준산업분류, 한국표준 직업분류를 기초로 설정할 수 있으며, 지역, 매출 규모, 관심 분야 등의 카테고리 임의로 지정한 기준을 이용하여 설정할 수 있다. 또한, 구분할 수 있는 객관적인 자료가 존재하지 않는 사용자 정보에 대한 카테고리와 이에 대응되는 벡터 값은 추후 매트릭스 생성부(120)에 의해 세분화될 수도 있다.In addition, with regard to category classification, the matrix generator 120 may set categories for industries and occupations in which objective data exist, based on the Korean standard industry classification and the Korean standard occupation classification, and the region, the size of sales, and the field of interest. It can be set using the criteria arbitrarily designated for categories such as. In addition, a category for user information for which there is no objective data that can be distinguished and a vector value corresponding thereto may be further subdivided by the matrix generator 120.

HS 코드 예측부(130)는 매트릭스 생성부(120)가 전환시킨 사용자 정보 매트릭스(USER)와 가중치 매트릭스(W)를 연산하여 HS 코드 예측 비율(En)을 생성할 수 있다. 여기서, HS 코드 예측 비율(En)은 수많은 HS 코드 각각에 대한 사용자의 선택 확률을 수치적으로 나타낸 것으로서, HS 코드 개수(n)만큼의 값을 가질 수 있다. The HS code prediction unit 130 may generate the HS code prediction ratio E n by calculating the user information matrix USER and the weight matrix W converted by the matrix generator 120. Here, the HS code prediction ratio (E n ) is a numerical representation of the user's selection probability for each of a number of HS codes, and may have a value equal to the number of HS codes (n).

즉, HS 코드 예측부(130)는 사용자 매트릭스(USER)를 n개의 HS 코드에 대한 예측 비율로 생성하기 위해, 사용자 매트릭스(USER)의 크기와 대응되는 가중치 매트릭스(W)를 곱하여, HS 코드 예측 비율(En)을 도출해 낼 수 있다.That is, the HS code prediction unit 130 multiplies the size of the user matrix USER and the corresponding weight matrix W in order to generate the user matrix USER as a prediction ratio for n HS codes, and predicts the HS code. You can derive the ratio (E n ).

예를 들어, 사용자 매트릭스(USER)가 3X2로 이루어져 있을 경우, HS 코드 예측부(130)는 2개의 가중치(W12, 100), (W2300, n)를 순차적으로 곱하여 HS 코드 예측 비율(En)을 도출해 낼 수 있다.For example, when the user matrix (USER) consists of 3X2, the HS code prediction unit 130 sequentially multiplies the two weights (W1 2, 100 ) and (W2 300, n ) to determine the HS code prediction ratio (E). n ) can be derived.

USER3 , 2 X W12, 100 = H3, 100 = H1, 300 USER 3 , 2 X W1 2, 100 = H 3, 100 = H 1, 300

H1, 300 X W2300, n = E1, n = En H 1, 300 X W2 300, n = E 1, n = E n

이와 관련하여, 도 2는 본 발명의 일 실시 예에 따른 HS 코드 예측 비율(En)을 설명하기 위한 도면으로서, 도 2를 참조하면, HS 코드 예측부(130)는 (a)와 같이 m, n행렬로 이루어져 있는 가중치 매트릭스(W)를 사용자 매트릭스(USER)에 곱할 수 있으며, 가중치 매트릭스(W)는 HS 코드 추천 서버(100)의 설정에 따라 복수 개일 수 있으며, 행렬의 크기도 임의로 지정될 수 있다. 즉, HS 코드 예측부(130)는 (b)와 같이 n개의 HS 코드 별 사용자의 예측 비율을 생성할 수 있다. In this regard, FIG. 2 is a diagram for explaining an HS code prediction ratio (E n ) according to an embodiment of the present invention. Referring to FIG. 2, the HS code prediction unit 130 is , The weight matrix (W) consisting of n matrices can be multiplied by the user matrix (USER), and the weight matrix (W) can be plural according to the setting of the HS code recommendation server 100, and the size of the matrix can be arbitrarily specified. Can be. That is, as shown in (b), the HS code prediction unit 130 may generate a prediction ratio of users for each of n HS codes.

다시 도 1을 참조하면, HS 코드 예측부(130)는 정확한 예측을 위해, 사용자가 상품명을 통한 HS 코드 추천 요청을 하기 전, 사용자의 HS 코드 선택 비율(Tn)을 생성할 수 있다. 여기서, HS 코드 선택 비율(Tn)이란 사용자의 HS 코드 검색 사이트 회원 가입 과정에서 선택한 이미지를 기초로 생성된 비율로서, HS 코드를 예측하기 위한 기준이 될 수 있다.Referring back to FIG. 1, for accurate prediction, the HS code prediction unit 130 may generate a user's HS code selection ratio T n before the user makes a request for recommending an HS code through a product name. Here, the HS code selection rate (T n ) is a rate generated based on the image selected in the process of signing up for a user's HS code search site and may be a criterion for predicting the HS code.

구체적으로, HS 코드 예측부(130)는 입력부(110)가 입력 받은 사용자 정보를 기초로 각각의 HS 코드에 대응되는 다수의 물품의 이미지를 제공할 수 있으며, 사용자로부터 다수의 물품 이미지 중 하나의 이미지를 선택 받고, 이에 대한 HS 코드를 확인할 수 있다.Specifically, the HS code prediction unit 130 may provide images of a plurality of products corresponding to each HS code based on user information input by the input unit 110, and may provide an image of a plurality of product images from the user. You can select an image and check the HS code for it.

이와 관련하여, 도 3은 본 발명의 일 실시 예에 따른 HS 코드 선택 비율을 설명하기 위한 도면으로서, 도 3을 참조하면, HS 코드 예측부(130)는 사용자가 업종이 운수업인 경우, (a)와 같은 부 단위의 이미지에서 17부에 해당하는 차량, 항공기, 선박과 수송기기 관련 물품 중 철도, 선박과 같은 이미지를 먼저 제공할 수 있으며, (b)와 같이 86류, 87류, 88류, 89류에 해당하는 철도, 차량, 항공기, 선박의 이미지를 제공할 수 있다. 사용자는 이 중 하나의 이미지를 클릭할 수 있으며, HS 코드 예측부(130)는 이를 사용자의 선택으로 간주하고, n개의 HS 코드 각각에 대한 HS 코드 선택 비율(Tn)을 생성할 수 있다.In this regard, FIG. 3 is a diagram for explaining an HS code selection ratio according to an embodiment of the present invention, and referring to FIG. 3, when the user is in a transportation industry, (a In the sub-unit images such as ), the image such as railroad and ship among the 17 parts related to vehicles, aircraft, ships and transport equipment can be provided first, and as in (b), Class 86, Class 87, and Class 88 In addition, images of railroads, vehicles, aircraft, and ships corresponding to Class 89 can be provided. The user may click one of the images, and the HS code prediction unit 130 may regard this as the user's selection, and may generate an HS code selection ratio T n for each of the n HS codes.

뿐만 아니라, HS 코드 예측부(130)는 회원 가입 이후, 사용자가 HS 코드 검색 사이트를 이용하는 동안, 사용자의 HS 코드 클릭 수를 확인하고, HS 코드 선택 비율(Tn)에 이를 반영할 수 있다. 구체적으로, HS 코드 예측부(130)는 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 횟수를 기초로 n개의 HS 코드 각각에 대한 HS 코드 클릭 비율(Cn)을 실시간으로 생성하고, 이를 HS 코드 선택 비율(Tn)에 더할 수 있다. In addition, the HS code prediction unit 130 may check the number of HS code clicks of the user after membership registration, while the user uses the HS code search site, and reflect this in the HS code selection ratio T n. Specifically, the HS code prediction unit 130 generates an HS code click rate (C n ) for each of n HS codes in real time based on the number of clicks of the HS code in the HS code search page, and selects the HS code. It can be added to the ratio (T n ).

즉, HS 코드 예측부(130)가 사용자에게 물품명을 기반으로 하는 HS 코드를 추천하기 전, 사용자의 HS 코드 선택 비율(Tn)을 생성하여 정확한 예측을 위한 기준 값을 설정할 수 있으며, 이는 사용자의 HS 코드 검색 사이트 이용에 따라 주기적으로 갱신될 수 있다. That is, before the HS code prediction unit 130 recommends the HS code based on the product name to the user, the HS code selection ratio (T n ) of the user may be generated to set a reference value for accurate prediction. It may be updated periodically according to the use of the HS code search site.

다시 도 1을 참조하면, 매트릭스 생성부(120)는 HS 코드 예측 비율(En)이 HS 코드 선택 비율(Tn)과 동일한 값을 가질 수 있도록 사용자 정보 매트릭스(USER) 또는 가중치 매트릭스(W)를 최적화하는 매트릭스 최적화부(125)를 포함할 수 있다. 구체적으로, 사용자 정보 매트릭스(USER)와 가중치 매트릭스(W)는 매트릭스 생성부(120)가 초기에 임의로 설정한 값인 바, 해당 매트릭스를 개별 사용자에 대한 HS 코드 예측을 위해 최적화할 수 있다. 예를 들어, 매트릭스 최적화부(125)는 역전파 알고리즘(back propagation algorithm)을 이용하여 사용자 정보 매트릭스(USER)와 가중치 매트릭스(W)를 최적화할 수 있으며, 이외에도 다양한 알고리즘을 이용하여 임의의 값으로 설정해 둔 매트릭스를 최적화할 수 있다. Referring back to FIG. 1, the matrix generator 120 includes a user information matrix (USER) or a weight matrix (W) so that the HS code prediction ratio E n has the same value as the HS code selection ratio T n. It may include a matrix optimization unit 125 for optimizing. Specifically, since the user information matrix USER and the weight matrix W are values initially arbitrarily set by the matrix generator 120, the corresponding matrix may be optimized for predicting the HS code for an individual user. For example, the matrix optimizer 125 may optimize the user information matrix (USER) and the weight matrix (W) using a back propagation algorithm. You can optimize the matrix you have set up.

이와 같이, 매트릭스 최적화부(125)가 최적화한 사용자 정보 매트릭스(USER)와 가중치 매트릭스(W)를 기초로 매트릭스 생성부(120)는 HS 코드 예측 비율(En)을 조정할 수 있다.In this way, the matrix generator 120 may adjust the HS code prediction ratio E n based on the user information matrix USER and the weight matrix W optimized by the matrix optimizer 125.

HS 코드 추천부(140)는 HS 코드 예측부(130)가 생성한 HS 코드 예측 비율(En)을 기초로 사용자에게 HS 코드를 추천할 수 있다. 이를 위해, HS 코드 추천부(140)는 HS 코드 추론부(145)를 포함할 수 있으며, HS 코드 추론부(145)는 입력부(110)를 통해 사용자로부터 상품명을 입력 받을 시에 이를 기초로 HS 코드 별 추론 점수를 산출할 수 있다. The HS code recommendation unit 140 may recommend an HS code to a user based on the HS code prediction ratio E n generated by the HS code prediction unit 130. To this end, the HS code recommendation unit 140 may include an HS code inference unit 145, and the HS code inference unit 145 receives the product name from the user through the input unit 110 based on the HS code. Inference scores for each code can be calculated.

HS 코드 추론부(145)는 복수의 알고리즘에 사용자가 제시한 상품명을 입력하여 HS 코드 별 추론 점수를 도출하고, 추론 점수를 조합하여 사용자가 입력한 상품명에 대한 HS 코드를 추천할 수 있다. 이를 위해, HS 코드 추론부(145)는 복수의 알고리즘 각각이 얼마나 정확한 추론을 하는지 확인할 수 있으며, 추론의 유효성/정확성을 수치적으로 표현하여, 복수의 알고리즘이 출력한 추론 점수에 해당 수치를 반영할 수 있다. 여기서, 추론의 정확성을 수치적으로 나타낸 것을 '가중치'라고 하며, 설명의 편의를 위해 복수의 알고리즘 각각에 적용되는 가중치를 '제1 추론 가중치'라고 한다.The HS code inference unit 145 may input a product name suggested by a user to a plurality of algorithms to derive an inference score for each HS code, and combine the inference scores to recommend an HS code for the product name input by the user. To this end, the HS code inference unit 145 can check how accurate each of the plurality of algorithms infers, and numerically expresses the validity/accuracy of the inference, and reflects the corresponding number in the inference score output by the plurality of algorithms. can do. Here, a numerical representation of the accuracy of inference is referred to as a'weight', and for convenience of explanation, a weight applied to each of the plurality of algorithms is referred to as a'first inference weight'.

한편, 제1 추론 가중치를 결정하기 위한 알고리즘에 대한 정의와, 알고리즘에 이용되는 학습 데이터는 다음과 같을 수 있다.Meanwhile, the definition of an algorithm for determining the first inference weight and learning data used in the algorithm may be as follows.

- n 개의 학습 데이터-n training data

{x1, y1}, ?? ,{xn, yn} for i = 1, 2, ??, n{x 1 , y 1 }, ?? ,{x n , y n } for i = 1, 2, ??, n

{xi: 상품명, yi: HS CODE}{x i : product name, y i : HS CODE}

- K개의 HS CODE-K HS codes

k= 1, 2, ??, Kk= 1, 2, ??, K

- 알고리즘 at -Algorithm a t

at(xi)=ka t (x i )=k

HS 코드 추론부(145)는 각각의 알고리즘에 n개의 학습 데이터를 입력하고, 알고리즘이 몇 번의 오류를 발생시켰는지 확인함으로써 제1 추론 가중치를 결정할 수 있다. 아울러, 각각의 알고리즘에 대한 제1 추론 가중치는 상호 밀접하게 연관되어 있어, HS 코드 추천 서버(100)는 사용자에게 보다 정확도 높은 HS 코드를 추천할 수 있다. The HS code inference unit 145 may determine the first inference weight by inputting n pieces of training data to each algorithm and checking how many times the algorithm has generated errors. In addition, since the first inference weights for each algorithm are closely related to each other, the HS code recommendation server 100 may recommend an HS code with higher accuracy to the user.

구체적으로, HS 코드 추론부(145)는 복수의 알고리즘을 임의의 순서대로 나열하고, 첫 번째 알고리즘에 대한 HS 코드 출력 오류 횟수를 [수학식 1]에 따라 확인할 수 있다. Specifically, the HS code inference unit 145 may arrange a plurality of algorithms in an arbitrary order, and check the number of HS code output errors for the first algorithm according to [Equation 1].

[수학식 1][Equation 1]

Figure pat00010
Figure pat00010

Figure pat00011
Figure pat00011

Figure pat00012
Figure pat00012

즉, HS 코드 추론부(145)는 알고리즘(at)에 n개의 상품명(xi)을 입력하여, 올바른 HS CODE(yi)가 나온 경우를 0으로, 틀린 HS CODE(yi)가 나온 경우를 1로 카운트한 후, 학습 데이터에 대한 가중치(w i )를 곱하여 HS 코드 출력 오류 횟수(err t)를 구할 수 있다. That is, the HS code inference unit 145 inputs n product names (x i ) in the algorithm (a t ), and the correct HS CODE (y i ) is 0, and the wrong HS CODE (y i ) is returned. After counting the case as 1, the number of HS code output errors ( err t ) can be obtained by multiplying the weight (w i) for the training data.

여기서, w i 는 학습 데이터에 대한 제2 추론 가중치로서, n개의 (상품명, HS 코드) 쌍 각각에 가중치가 부여되어 있을 수 있다. 다만, 첫 번째 알고리즘에 대한 제1 추론 가중치를 결정하는 과정에서는 제2 추론 가중치가 다음과 같은 초기 상태로 적용될 수 있다.Here, w i is a second inference weight for the training data, and a weight may be assigned to each of n pairs of (brand names, HS codes). However, in the process of determining the first inference weight for the first algorithm, the second inference weight may be applied in the following initial state.

-학습 데이터에 대한 제2 추론 가중치-Second inference weight for training data

Figure pat00013
Figure pat00013

상술한 바와 같이, HS 코드 추론부(145)는 첫 번째 알고리즘(a1)에 대한 HS 코드 출력 오류 횟수(err 1)를 확인할 수 있으며, [수학식 2]에 따라 오류 횟수(err 1)를 기초로 하는 제1 추론 가중치(a1) 를 결정할 수 있다.As described above, HS code inference section 145 is a first algorithm (a 1) the number of errors (err 1) according to to check the HS code output error count (err 1), [Equation 2] for A first inference weight (a 1 ) to be based may be determined.

[수학식 2][Equation 2]

Figure pat00014
Figure pat00014

즉, 오류 횟수(err t)가 많을수록 알고리즘에 대한 제1 추론 가중치(at)는 감소하게 되며, 반대로 오류 횟수(err t)가 적을수록 알고리즘에 대한 제1 추론 가중치(at)는 증가하게 된다.That is, as the number of errors ( err t ) increases, the first inference weight (a t ) for the algorithm decreases. Conversely, as the number of errors ( err t ) decreases, the first inference weight (a t ) for the algorithm increases. do.

HS 코드 추론부(145)는 n개의 학습 데이터를 이용하여 첫 번째 알고리즘(a1)이 얼마나 정확한 추론을 수행하고 있는지 수치적으로 확인할 수 있으며, 첫 번째 알고리즘(a1)이 맞추지 못한 학습 데이터에 대해서 보다 큰 제2 추론 가중치(w i ' )를 부여할 수 있다. 이는 곧 [수학식 3]과 같이 결정될 수 있다.A first algorithm (a 1), the training data is not how to check numerically whether perform accurate inference, synching the first algorithm (a 1) to HS code inference unit 145 by using the n number of training data A larger second inference weight w i ' may be assigned to each other. This can be soon determined as in [Equation 3].

[수학식 3][Equation 3]

Figure pat00015
Figure pat00015

[수학식 3]에 따라 변경된 제2 추론 가중치(w i ' )는 두 번째 알고리즘(a2)에 대한 제1 추론 가중치(a2)를 결정하기 위해 사용되어, 복수의 알고리즘에 대한 제1 추론 가중치가 순차적으로 다음 알고리즘에 반영될 수 있다. The second inference weight (w i ' ) changed according to [Equation 3] is used to determine the first inference weight (a 2 ) for the second algorithm (a 2 ), and the first inference weight for a plurality of algorithms The weights can be sequentially reflected in the next algorithm.

즉, HS 코드 추론부(145)는 두 번째 알고리즘(a2)의 오류 횟수를 확인하는 과정에서 변경된 제2 추론 가중치(w i ' )를 적용시킴으로써, 첫 번째 알고리즘(a1)이 맞추지 못한 학습 데이터를 두 번째 알고리즘(a2)이 맞추게 될 경우에 해당 학습 데이터에 대한 두 번째 알고리즘(a2)의 제1 추론 가중치(a2)를 보다 크게 부여할 수 있다.That is, the HS code inference unit 145 applies the changed second inference weight (w i ' ) in the process of checking the number of errors in the second algorithm (a 2 ), thereby learning that the first algorithm (a 1 ) did not match. When the second algorithm (a 2 ) fits the data, the first inference weight (a 2 ) of the second algorithm (a 2 ) for the corresponding training data may be given to a larger value.

HS 코드 추론부(145)는 알고리즘이 나열된 순서에 따라 상술한 과정을 반복 수행할 수 있으며, 복수의 알고리즘이 출력한 추론 점수에 제1, 2 추론 가중치를 반영하여 HS 코드 별 최종 추론 점수를 산출하고, [수학식 4]에 따른 결과 값을 도출할 수 있다.The HS code inference unit 145 may repeat the above-described process according to the order in which the algorithms are listed, and calculate the final inference score for each HS code by reflecting the first and second inference weights to the inference scores output by a plurality of algorithms. And, it is possible to derive a result value according to [Equation 4].

[수학식 4][Equation 4]

Figure pat00016
Figure pat00016

여기서, t는 복수의 알고리즘에 대한 순번을 의미하며, 본 발명에서는 3개의 알고리즘을 사용하는 것으로 가정하였다.Here, t denotes a sequence number for a plurality of algorithms, and it is assumed that three algorithms are used in the present invention.

즉, HS 코드 추론부(145)는 복수의 알고리즘이 출력한 추론 점수에 제1 추론 가중치(at)를 반영하고, 최종적으로 가장 높은 점수를 가지는 HS 코드를 상품명에 대한 HS 코드로 추천할 수 있다. That is, the HS code inference unit 145 may reflect the first inference weight (a t ) to the inference score output from the plurality of algorithms, and finally recommend the HS code with the highest score as the HS code for the product name. have.

이와 같이, HS 코드 추론부(145)가 HS 코드 별 추론 점수를 산출한 이후, HS 코드 추천부(140)는 HS 코드 별 추론 점수와 조정이 완료된 HS 코드 예측 비율(En)을 합산하여 최종적으로 사용자에게 품목명에 대한 HS 코드를 추천할 수 있다. In this way, after the HS code inference unit 145 calculates the inference score for each HS code, the HS code recommendation unit 140 adds the inference score for each HS code and the adjusted HS code prediction ratio (E n ) You can recommend the HS code for the item name to the user.

예를 들어, HS 코드 추천부(140)는 [표1]과 같이 HS 코드 03을 추천할 수 있다.For example, the HS code recommendation unit 140 may recommend HS code 03 as shown in [Table 1].

품목명 기반 점수Item name-based score En E n 최종 추천 점수Final recommendation score HS_05(제빵용 칼)HS_05(Bakery knife) 0.80.8 0.10.1 1One HS_03(의료용 칼)HS_03 (medical knife) 0.80.8 0.90.9 1.11.1

카운트부(150)는 HS 코드 추천 서버(100)가 제공하는 복수의 HS 코드 검색 페이지 내 사용자들의 HS 코드 클릭 빈도를 카운트할 수 있다. 카운트부(150)는 사용자의 HS 코드를 카운트함과 동시에 이를 매트릭스화할 수 있으며, 다음과 같이 표현될 수 있다.The counting unit 150 may count the HS code click frequency of users in a plurality of HS code search pages provided by the HS code recommendation server 100. The counting unit 150 may count the user's HS code and form a matrix thereof at the same time, and may be expressed as follows.

Figure pat00017
Figure pat00017

상관 관계 계산부(160)는 카운트부(150)를 이용하여 카운트된 HS 코드 클릭 빈도를 이용하여 HS 코드 간 상관 관계 값(Correlation Value)을 획득할 수 있으며, 이는 [수학식 5]와 같이 획득될 수 있다.The correlation calculation unit 160 may obtain a correlation value between HS codes by using the counted HS code click frequency using the count unit 150, which is obtained as shown in [Equation 5]. Can be.

[수학식 5][Equation 5]

Figure pat00018
Figure pat00018

여기서, x, y는 각각 HS 코드 x, HS 코드 y를 의미하고, n은 사용자 숫자를 의미하며, xi, yi는 각각 사용자 i의 HS 코드 x, y 클릭 빈도를 의미하고,

Figure pat00019
,
Figure pat00020
는 각각 전체 사용자의 HS 코드 x, y 클릭 빈도 평균을 의미한다.Here, x and y denote HS code x and HS code y, respectively, n denote user number, xi and yi denote user i's HS code x and y click frequency, respectively,
Figure pat00019
,
Figure pat00020
Denotes the average of the HS code x and y click frequency of all users, respectively.

그에 따라, HS 코드 추천부(140)는 입력부(110)로부터 물품명을 입력 받지 않더라도, HS 코드 검색 페이지 내에서 HS 코드 클릭 신호를 기초로 해당 HS 코드와 상관 관계 값이 높은 HS 코드를 추천할 수 있다. 아울러, 사용자는 HS 코드 클릭 시, 상관관계가 가장 높은 K개의 HS 코드를 추천 받을 수 있도록 설정할 수 있다.Accordingly, the HS code recommendation unit 140 may recommend an HS code having a high correlation value with the corresponding HS code based on the HS code click signal in the HS code search page, even if the product name is not input from the input unit 110. have. In addition, when the user clicks on the HS code, the user can set the K HS codes having the highest correlation to be recommended.

예. 사용자 클릭 HS 코드 = HS_01, K=2Yes. User click HS code = HS_01, K=2

Figure pat00021
Figure pat00021

> HS 코드 추천부(140)가 HS_02, HS_04 추천> HS code recommendation department (140) recommends HS_02, HS_04

뿐만 아니라, HS 코드 추천부(140)는 HS 코드 검색 페이지에 접속한 사용자가 검색할 만한 HS 코드를 첫 화면에 띄워 추천할 수 있다. 이를 위해, HS 코드 추천부(140)는 입력부(110)로부터 사용자의 HS 코드 검색 페이지 접속 신호를 입력 받는 경우, 사용자 정보를 기초로 생성한 HS 코드 예측 비율(En)에서 다음과 같이 상위 N개(N은 2 이상의 자연수)의 제1 HS 코드를 추출할 수 있다.In addition, the HS code recommendation unit 140 may recommend an HS code to be searched by a user accessing the HS code search page by displaying the HS code on the first screen. To this end, when the HS code recommendation unit 140 receives the user's HS code search page access signal from the input unit 110, the HS code prediction ratio E n generated based on the user information is the highest N as follows. It is possible to extract the first HS code of dogs (N is a natural number of 2 or more).

Figure pat00022
Figure pat00022

그 다음, HS 코드 추천부(140)는 추출한 N개의 제1 HS 코드 각각과 상관 관계 값이 가장 높은 제2 HS 코드를 확인하고, HS 코드 예측 비율(En)과 상관 관계 값을 조합하여, 다음과 같은 제2 HS 코드의 HS 코드 추천 점수를 획득할 수 있다.Then, the HS code recommendation unit 140 identifies each of the extracted N first HS codes and a second HS code having the highest correlation value, and combines the HS code prediction ratio (E n ) and the correlation value, The HS code recommendation score of the second HS code as follows may be obtained.

Figure pat00023
+
Figure pat00024
=
Figure pat00023
+
Figure pat00024
=

Figure pat00025
Figure pat00025

즉, HS 코드 추천부(140)는 [첫화면 추천 HS 코드 점수]를 정렬하여 사용자에게 적합한 HS 코드를 추천해줄 수 있다.That is, the HS code recommendation unit 140 may recommend a suitable HS code to a user by arranging the [first screen recommended HS code score].

데이터베이스(170)는 사용자 정보, 사용자 정보 별 카테고리, 벡터 값, HS 코드 검색 사이트 별 사용자 이용 현황, HS 코드, HS 코드 내 포함된 물품명, 물품명에 대응되는 서비스 분류 정보를 저장할 수 있으며, 데이터의 특성과 처리 현황에 따라 다양하게 분류 저장할 수 있다. 구체적으로, 데이터베이스(170)는 서비스 제공 전 내, 외부에 존재하는 데이터를 수집한 RAW DB(171), 학습, 검색, 추론에 사용되는 Training DB(173), HS 코드에 따른 부가 정보를 관리하고 있는 Extra Info DB(175)를 포함할 수 있다.The database 170 may store user information, categories for each user information, vector values, user usage status for each HS code search site, HS code, product name included in the HS code, service classification information corresponding to the product name, and characteristics of the data. It can be classified and stored in a variety of ways according to the status and processing status. Specifically, the database 170 manages the RAW DB 171 that collects data existing inside and outside the service before providing the service, the Training DB 173 used for learning, search, and inference, and additional information according to the HS code. It may include an Extra Info DB(175).

지금까지 본 발명의 일 실시 예에 따른 HS 코드 추천 서버(100)에 대하여 설명하였다. 본 발명에 따르면, HS 코드 추천 서버(100)는 사용자 정보를 기초로 각각의 사용자에게 적합한 HS 코드 예측 자료를 생성할 수 있다. 그에 따라, 사용자가 품목명을 입력하는 것만으로도 사용자의 요구 사항에 적합한 HS 코드를 추천해 줄 수 있다. So far, the HS code recommendation server 100 according to an embodiment of the present invention has been described. According to the present invention, the HS code recommendation server 100 may generate HS code prediction data suitable for each user based on user information. Accordingly, it is possible to recommend an HS code suitable for the user's requirements simply by entering the item name by the user.

이하에서는 상술한 HS 코드 추천 서버(100)를 이용하여 사용자 정보 기반의 HS 코드를 추천해주는 방법에 대하여 설명하도록 한다.Hereinafter, a method of recommending an HS code based on user information using the above-described HS code recommendation server 100 will be described.

도 4는 본 발명의 제1 실시 예에 따른 HS 코드 추천 서버(100)가 사용자 정보를 기초로 HS 코드를 추천하는 방법의 흐름을 나타낸 도면이다.4 is a diagram illustrating a flow of a method for recommending an HS code based on user information by the HS code recommendation server 100 according to the first embodiment of the present invention.

도 4를 참조하면, HS 코드 추천 서버(100)는 사용자 정보를 입력 받는다(S110). 여기서, 사용자 정보는 HS 코드 추천을 위한 물품, 물품 판매, 구입과 연관되어 있는 정보일 수 있다. 그에 따라, 사용자가 기업일 경우, HS 코드 추천 서버(100)는 기업의 업종, 매출 규모, 지역, 사업 기간 등을 사용자 정보로 입력 받을 수 있으며, 개인의 경우 직업, 관심 분야 등을 사용자 정보로 입력 받을 수 있다. 아울러, 기업의 매출 규모와 사업 기간은 업종을 기초로 수입하고자 하는 물품이 얼만큼 세분화되어 있는지 가늠하기 위한 사용자 정보로서, HS 코드 추천 서버(100)는 해당 사용자 정보 이외에도 기업이 취급하고 있는 물품의 종류나 물품의 정식 명칭 등을 사용자 정보로 입력 받을 수 있다.4, the HS code recommendation server 100 receives user information (S110). Here, the user information may be information related to goods for recommending the HS code, product sales, or purchase. Accordingly, when the user is a company, the HS code recommendation server 100 can receive input of the business type, sales scale, region, and business period of the company as user information, and in the case of an individual, occupation, field of interest, etc. can be input as user information. Input can be received. In addition, a company's sales scale and business period are user information for determining how subdivided the product to be imported is based on the type of business, and the HS code recommendation server 100 provides information on the products handled by the company in addition to the corresponding user information. The type or the official name of the product can be entered as user information.

아울러, HS 코드 추천 서버(100)는 사용자 정보를 입력 받는 동시에, 사용자에게 적합한 HS 코드를 추천하기 위해 사용자의 HS 코드 선택 비율(Tn)을 생성할 수 있다. 구체적으로, HS 코드 추천 서버(100)는 HS 코드 선택 비율(Tn)을 생성하기 위해, 복수의 물품 이미지를 사용자 선택에 따라 부, 류, 호, 소호 단위 순으로 제공할 수 있으며, 각각의 단계에서 사용자로부터 하나의 물품 이미지를 선택 받을 수 있다. HS 코드 추천 서버(100)는 사용자로부터 선택 받은 물품 이미지에 해당하는 HS 코드를 기초로 n개의 HS 코드에 대한 HS 코드 선택 비율(Tn)을 생성할 수 있다. In addition, the HS code recommendation server 100 may receive user information and generate a user's HS code selection ratio (T n) in order to recommend a suitable HS code to the user. Specifically, the HS code recommendation server 100 may provide a plurality of product images in the order of category, category, issue, and subho according to user selection in order to generate the HS code selection ratio (T n ), and each In step, a user may select an image of an article. The HS code recommendation server 100 may generate an HS code selection ratio T n for n HS codes based on the HS code corresponding to the product image selected by the user.

뿐만 아니라, HS 코드 추천 서버(100)는 회원 가입 이후, 사용자가 HS 코드 검색 사이트를 이용하는 동안, 사용자의 HS 코드 클릭 수를 확인하고, HS 코드 선택 비율(Tn)에 이를 반영할 수 있다. 구체적으로, HS 코드 추천 서버(100)는 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 횟수를 기초로 n개의 HS 코드 각각에 대한 HS 코드 클릭 비율(Cn)을 실시간으로 생성할 수 있으며, 이를 HS 코드 선택 비율(Tn)에 더할 수 있다. In addition, the HS code recommendation server 100 may check the number of HS code clicks of the user after membership registration, while the user uses the HS code search site, and reflect this in the HS code selection ratio T n. Specifically, the HS code recommendation server 100 may generate an HS code click rate (C n ) for each of n HS codes in real time based on the number of HS code clicks of a user in the HS code search page, and this It can be added to the code selection ratio (T n ).

즉, HS 코드 추천 서버(100)가 사용자에게 물품명을 기반으로 하는 HS 코드를 추천하기 전, 사용자의 HS 코드 선택 비율(Tn)을 생성하여 정확한 예측을 위한 기준 값을 설정할 수 있으며, 이는 사용자의 HS 코드 검색 사이트 이용에 따라 주기적으로 갱신될 수 있다.That is, before the HS code recommendation server 100 recommends the HS code based on the product name to the user, the user's HS code selection ratio (T n ) can be generated and a reference value for accurate prediction can be set. It may be updated periodically according to the use of the HS code search site.

S110 단계 이후, HS 코드 추천 서버(100)는 사용자 정보를 사용자 정보 매트릭스로 전환한다(S120). 이를 위해, HS 코드 추천 서버(100)는 사용자 정보를 카테고리 별로 구분하고, 구분된 정보들을 벡터 값으로 전환할 수 있으며, 벡터 값을 취합하여 사용자 정보를 2이상의 행렬로 구성된 사용자 정보 매트릭스(USER)로 전환할 수 있다.After step S110, the HS code recommendation server 100 converts the user information into a user information matrix (S120). To this end, the HS code recommendation server 100 divides user information into categories, converts the classified information into vector values, and collects vector values and converts user information into a user information matrix consisting of two or more matrices. Can be switched to.

S120 단계 이후, HS 코드 추천 서버(100)는 사용자 정보 매트릭스(USER)와 가중치 매트릭스(W)를 연산하여 HS 코드 예측 비율(En)을 생성한다(S130). 여기서, HS 코드 예측 비율(En)은 수많은 HS 코드 각각에 대한 사용자의 선택 확률을 수치적으로 나타낸 것으로서, HS 코드 개수(n)만큼의 값을 가질 수 있다. 또한, 가중치 매트릭스(W)는 HS 코드 예측 비율(En)을 생성하기 위해 임의로 설정한 값으로서 이후 그 값이 조정될 수 있다.After step S120, the HS code recommendation server 100 generates an HS code prediction ratio E n by calculating the user information matrix USER and the weight matrix W (S130). Here, the HS code prediction ratio (E n ) is a numerical representation of the user's selection probability for each of a number of HS codes, and may have a value equal to the number of HS codes (n). In addition, the weight matrix W is a value arbitrarily set to generate the HS code prediction ratio E n , and the value may be adjusted thereafter.

즉, HS 코드 추천 서버(100)는 사용자 매트릭스(USER)를 n개의 HS 코드에 대한 예측 비율로 생성하기 위해, 사용자 매트릭스(USER)의 크기와 대응되는 가중치 매트릭스(W)를 곱하여, HS 코드 예측 비율(En)을 도출해 낼 수 있다.That is, the HS code recommendation server 100 predicts the HS code by multiplying the size of the user matrix (USER) by the weight matrix (W) corresponding to the size of the user matrix (USER) in order to generate a prediction ratio for n HS codes. You can derive the ratio (E n ).

예를 들어, 사용자 매트릭스(USER)가 4X5로 이루어져 있을 경우, HS 코드 예측부(130)는 2개의 가중치(W14, 100), (W2400, n)를 순차적으로 곱하여 HS 코드 예측 비율(En)을 도출해 낼 수 있다.For example, when the user matrix (USER) consists of 4X5, the HS code prediction unit 130 sequentially multiplies two weights (W1 4, 100 ) and (W2 400, n ) to determine the HS code prediction ratio (E). n ) can be derived.

USER4, 5 X W15, 100 = H4, 100 = H1, 400 USER 4, 5 X W1 5, 100 = H 4, 100 = H 1, 400

H1, 400 X W2400, n = E1, n = En H 1, 400 X W2 400, n = E 1, n = E n

S130 단계 이후, HS 코드 추천 서버(100)는 HS 코드 예측 비율(En)을 기초로 사용자에게 HS 코드를 추천한다(S140).After step S130, the HS code recommendation server 100 recommends the HS code to the user based on the HS code prediction ratio E n (S140).

다만, HS 코드를 추천하기 전에, HS 코드 추천 서버(100)는 임의로 설정한 가중치 매트릭스(W)를 최적화할 수 있다.However, before recommending the HS code, the HS code recommendation server 100 may optimize the arbitrarily set weight matrix W.

이와 관련하여, 도 5는 도 4에 도시된 S140 단계를 구체화한 순서도로서, 도 5를 참조하면, HS 코드 추천 서버(100)는 HS 코드 예측 비율이 사용자의 HS 코드 선택 비율과 동일한 값을 가지도록 사용자 정보 매트릭스(USER) 또는 가중치 매트릭스(W)를 최적화할 수 있다(S141). 예를 들어, 매트릭스 최적화부(125)는 역전파 알고리즘(back propagation algorithm)을 이용하여 사용자 정보 매트릭스(USER)와 가중치 매트릭스(W)를 최적화할 수 있으며, 이외에도 다양한 알고리즘을 이용하여 임의의 값으로 설정해 둔 매트릭스를 최적화할 수 있다. In this regard, FIG. 5 is a flow chart embodied in step S140 shown in FIG. 4. Referring to FIG. 5, the HS code recommendation server 100 has the same value as the HS code prediction rate of the user. It is possible to optimize the user information matrix (USER) or the weight matrix (W) so that (S141). For example, the matrix optimizer 125 may optimize the user information matrix (USER) and the weight matrix (W) using a back propagation algorithm. You can optimize the matrix you have set up.

S141 단계 이후, HS 코드 추천 서버(100)는 최적화된 사용자 정보 매트릭스(USER) 또는 가중치 매트릭스(W)를 기초로 HS 코드 예측 비율(En)을 조정할 수 있다(S143). After step S141, the HS code recommendation server 100 may adjust the HS code prediction ratio E n based on the optimized user information matrix USER or the weight matrix W (S143).

다시, 도 4를 참조하면, HS 코드 추천 서버(100)는 사용자로부터 물품의 상품명을 입력 받는 경우, 복수의 알고리즘을 이용하여 상품명에 대한 HS 코드 별 추론 점수를 산출하고, 이를 조정된 HS 코드 예측 비율(En)과 조합하여, 상품명에 대한 HS 코드를 추천할 수 있다.Again, referring to FIG. 4, when the HS code recommendation server 100 receives the product name of the product from the user, the HS code recommendation server 100 calculates an inference score for each HS code for the product name using a plurality of algorithms, and predicts the adjusted HS code. In combination with the ratio (E n ), it is possible to recommend the HS code for the product name.

지금까지 본 발명의 제1 실시 예에 따른 HS 코드 추천 서버(100)의 HS 코드 추천 방법에 대하여 설명하였다. 본 발명에 따르면, HS 코드 추천 서버(100)는 사용자 정보를 기초로 사용자의 HS 코드 선택 비율(Tn)과 HS 코드 예측 비율(En)을 생성하고, 사용자의 상품명 입력 시, 사용자에게 가장 적합한 HS 코드를 추천해줄 수 있다. 또한, 사용자는 본인의 개인 정보 및 관심 물품의 이미지를 선택하는 것만으로도 사용자가 의도한 바에 맞는 HS 코드를 추천 받을 수 있어, 서비스 이용의 편의성이 증대될 수 있다.So far, the HS code recommendation method of the HS code recommendation server 100 according to the first embodiment of the present invention has been described. According to the present invention, the HS code recommendation server 100 generates the user's HS code selection ratio (T n ) and the HS code prediction ratio (E n ) based on user information, and when entering the user's product name, the I can recommend a suitable HS code. In addition, the user can receive a recommendation of an HS code suitable for the user's intention simply by selecting the image of the user's personal information and the item of interest, thereby increasing the convenience of using the service.

도 6은 본 발명의 제2 실시 예에 따른 HS 코드 추천 서버(100)가 HS 코드 간의 상관 관계를 기초로 HS 코드를 추천하는 방법의 흐름을 나타낸 도면이다.6 is a diagram illustrating a flow of a method for recommending an HS code based on a correlation between HS codes by the HS code recommendation server 100 according to the second embodiment of the present invention.

도 6을 참조하면, HS 코드 추천 서버(100)는 HS 코드 추천 서버(100)가 제공하는 HS 코드 검색 페이지 내 사용자들의 HS 코드 클릭 빈도를 카운트한다(S210). 즉, HS 코드와 사용자 별로 HS 코드 클릭 빈도를 카운트할 수 있으며, 이는 다음과 같이 표현될 수 있다.6, the HS code recommendation server 100 counts the HS code click frequency of users in the HS code search page provided by the HS code recommendation server 100 (S210). That is, the HS code and the frequency of clicking the HS code for each user can be counted, which can be expressed as follows.

Figure pat00026
Figure pat00026

S210 단계 이후, HS 코드 추천 서버(100)는 카운트된 HS 코드 클릭 빈도를 기초로 [수학식 6]과 같이 HS 코드 간 상관 관계 값(Correlation Value)을 획득한다(S220). 즉, 하나의 HS 코드와 (n-1)개의 HS 코드 간의 상관 관계 값이 계산될 수 있다. After step S210, the HS code recommendation server 100 acquires a correlation value between HS codes as shown in [Equation 6] based on the counted HS code click frequency (S220). That is, a correlation value between one HS code and (n-1) HS codes may be calculated.

[수학식 6][Equation 6]

Figure pat00027
Figure pat00027

여기서, x, y는 각각 HS 코드 x, HS 코드 y를 의미하고, n은 사용자 숫자를 의미하며, xi, yi는 각각 사용자 i의 HS 코드 x, y 클릭 빈도를 의미하고,

Figure pat00028
,
Figure pat00029
는 각각 전체 사용자의 HS 코드 x, y 클릭 빈도 평균을 의미한다. Here, x and y denote HS code x and HS code y, respectively, n denote user number, xi and yi denote user i's HS code x and y click frequency, respectively,
Figure pat00028
,
Figure pat00029
Denotes the average of the HS code x and y click frequency of all users, respectively.

S220 단계 이후, HS 코드 추천 서버(100)는 상관 관계 값을 기초로 사용자에게 HS 코드를 추천한다(S230). 대표적으로, HS 코드 추천 서버(100)는 사용자가 사이트 내 어떠한 HS 코드를 클릭하는 경우에 HS코드를 추천해주거나, 사이트를 처음 방문할 시에 사용자에게 적합한 HS 코드를 첫 화면으로 출력하여 추천해 줄 수 있다. 여기서, 첫 화면 추천의 경우, HS 코드 추천 서버(100)는 상관 관계 값에 HS 코드 예측 비율(En)을 조합할 수 있다. 다시 말해서, HS 코드 추천 서버(100)는 N개의 상위 HS 코드 예측 비율(En)과 상관 관계 값이 높은 HS 코드를 확인하고, HS 코드 예측 비율(En) 값과 상관 관계 값을 조합하여 HS 추천 점수가 가장 높은 HS 코드를 추천해 줄 수 있다.After step S220, the HS code recommendation server 100 recommends the HS code to the user based on the correlation value (S230). Typically, the HS code recommendation server 100 recommends the HS code when the user clicks on any HS code in the site, or outputs and recommends the HS code suitable for the user on the first screen when visiting the site for the first time. Can give. Here, in the case of the first screen recommendation, the HS code recommendation server 100 may combine the HS code prediction ratio E n with the correlation value. In other words, the HS code recommendation server 100 identifies the HS code with a high correlation value with the N top HS code prediction ratio (E n ), and combines the HS code prediction ratio (E n ) value and the correlation value. The HS code with the highest HS recommendation score can be recommended.

지금까지 본 발명의 제2 실시 예에 따른 HS 코드 추천 방법에 대하여 설명하였다. 본 발명에 따르면, HS 코드 간의 상관 관계를 계산하고 이를 사용자 정보와 조합하여, HS 코드를 검색 중인 사용자에게 HS 코드를 추천해 줄 수 있으며, 전체 사용자의 HS 코드 검색 추세 및 개인 사용자의 HS 코드 검색 이력을 기초로 HS 코드 간의 상관 관계를 실시간으로 갱신하기 때문에, 현재 무역 거래 트렌드에 맞는 HS 코드를 추천해 줄 수 있다.So far, the HS code recommendation method according to the second embodiment of the present invention has been described. According to the present invention, by calculating the correlation between HS codes and combining it with user information, it is possible to recommend HS codes to users who are searching for HS codes, and HS code search trend of all users and HS code search of individual users. Since the correlation between HS codes is updated in real time based on history, it is possible to recommend HS codes that fit the current trade transaction trend.

한편, 본 발명은 또한 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 마그네틱 저장 매체, 광학적 판독 매체 등 모든 저장매체를 포함한다. 또한, 본 발명에서 사용되는 메시지의 데이터 포맷을 기록 매체에 기록하는 것이 가능하다.On the other hand, the present invention can also be implemented as a computer-readable code on a computer-readable recording medium. Computer-readable recording media include all storage media such as magnetic storage media and optical reading media. In addition, it is possible to record the data format of the message used in the present invention on a recording medium.

이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.Although the embodiments of the present invention have been described with reference to the accompanying drawings, those of ordinary skill in the art to which the present invention pertains can be implemented in other specific forms without changing the technical spirit or essential features. You will be able to understand. Therefore, it should be understood that the embodiments described above are illustrative and non-limiting in all respects.

100: HS 코드 추천 서버
110: 입력부
120: 매트릭스 생성부
125: 매트릭스 최적화부
130: HS 코드 예측부
140: HS 코드 추천부
145: HS 코드 추론부
150: 카운트부
160: 상관 관계 계산부
170: 데이터베이스
171: Raw DB
173: Training DB
175: Extra Info DB100: HS code recommendation server
110: input unit
120: matrix generation unit
125: matrix optimizer
130: HS code prediction unit
140: HS code recommendation section
145: HS code reasoning unit
150: count unit
160: correlation calculation unit
170: database
171: Raw DB
173: Training DB
175: Extra Info DB

Claims (20)

HS 코드 추천 서버가 사용자 맞춤형 HS 코드를 추천하는 방법으로서,
사용자 정보를 입력 받는 단계;
상기 사용자 정보를 사용자 정보 매트릭스로 전환하는 단계;
상기 사용자 정보 매트릭스와 가중치 매트릭스를 연산하여 HS 코드 예측 비율을 생성하는 단계; 및
상기 HS 코드 예측 비율을 기초로 사용자에게 HS 코드를 추천하는 단계;
를 포함하는 사용자 맞춤형 HS 코드 추천 방법.As a method for the HS code recommendation server to recommend user-customized HS codes,
Receiving user information;
Converting the user information into a user information matrix;
Generating an HS code prediction ratio by calculating the user information matrix and the weight matrix; And
Recommending an HS code to a user based on the HS code prediction rate;
User-customized HS code recommendation method including a. 제1항에 있어서,
상기 사용자 정보는,
기업의 경우, 업종, 매출 규모, 지역, 사업 기간 중 적어도 하나를 포함하고,
개인의 경우, 직업 또는 관심 분야를 포함하는,
사용자 맞춤형 HS 코드 추천 방법.The method of claim 1,
The user information,
In the case of a company, it includes at least one of industry, sales volume, region, and business period,
For individuals, including occupations or areas of interest,
How to recommend custom HS codes. 제1항에 있어서,
상기 사용자 정보를 입력 받는 단계는,
상기 사용자 정보를 기초로 복수의 물품 이미지를 제공하여, 사용자로부터 하나의 물품 이미지를 선택 받는 단계; 및
선택 받은 물품 이미지에 대응되는 HS 코드를 확인하여, 사용자의 HS 코드 선택 비율을 생성하는 단계;
를 포함하는 사용자 맞춤형 HS 코드 추천 방법.The method of claim 1,
The step of receiving the user information,
Providing a plurality of product images based on the user information, and receiving a selection of one product image from a user; And
Generating an HS code selection ratio of a user by checking the HS code corresponding to the selected product image;
User-customized HS code recommendation method including a. 제1항에 있어서,
상기 HS 코드 선택 비율을 생성하는 단계는,
상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 횟수를 기초로 생성한 HS 코드 클릭 비율을 상기 사용자의 HS 코드 선택 비율에 반영하는 단계;
를 더 포함하는 사용자 맞춤형 HS 코드 추천 방법.The method of claim 1,
Generating the HS code selection ratio,
Reflecting the HS code click rate generated based on the number of times the user clicks the HS code in the HS code search page provided by the HS code recommendation server to the HS code selection rate of the user;
User-customized HS code recommendation method further comprising. 제3항에 있어서,
상기 물품 이미지를 선택 받는 단계는,
상기 복수의 물품 이미지를 사용자 선택에 따라 부, 류, 호, 소호 단위 순으로 제공하는,
사용자 맞춤형 HS 코드 추천 방법.The method of claim 3,
The step of selecting the product image,
Providing the plurality of product images in the order of division, category, issue, and sub-ho according to user selection,
How to recommend custom HS codes. 제3항에 있어서,
상기 HS 코드를 추천하는 단계는,
상기 HS 코드 예측 비율이 상기 사용자의 HS 코드 선택 비율과 동일한 값을 가지도록 상기 사용자 정보 매트릭스 또는 상기 가중치 매트릭스를 최적화하는 단계; 및
최적화된 사용자 정보 매트릭스 또는 가중치 매트릭스를 기초로 상기 HS 코드 예측 비율을 조정하는 단계;
를 포함하는 사용자 맞춤형 HS 코드 추천 방법.The method of claim 3,
The step of recommending the HS code,
Optimizing the user information matrix or the weight matrix so that the HS code prediction ratio has the same value as the HS code selection ratio of the user; And
Adjusting the HS code prediction ratio based on the optimized user information matrix or weight matrix;
User-customized HS code recommendation method including a. 제6항에 있어서,
상기 HS 코드 예측 비율을 조정하는 단계 이후에,
사용자로부터 물품의 상품명을 입력 받는 경우, 복수의 알고리즘을 이용하여 상기 상품명에 대한 HS 코드 별 추론 점수를 산출하는 단계; 및
상기 HS 코드 별 추론 점수와 조정된 HS 코드 예측 비율을 조합하여 상기 상품명에 대한 HS 코드를 추천하는 단계;
를 더 포함하는 사용자 맞춤형 HS 코드 추천 방법.The method of claim 6,
After adjusting the HS code prediction ratio,
When receiving a product name of a product from a user, calculating an inference score for each HS code for the product name using a plurality of algorithms; And
Recommending an HS code for the product name by combining the inference score for each HS code and an adjusted HS code prediction ratio;
User-customized HS code recommendation method further comprising. HS 코드 추천 서버가 사용자 맞춤형 HS 코드를 추천하는 방법으로서,
상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자들의 HS 코드 클릭 빈도를 카운트하는 단계;
카운트된 HS 코드 클릭 빈도를 이용하여 HS 코드 간 상관 관계 값(Correlation Value)을 획득하는 단계; 및
상기 상관 관계 값을 기초로 사용자에게 HS 코드를 추천하는 단계;
를 포함하는 사용자 맞춤형 HS 코드 추천 방법.As a method for the HS code recommendation server to recommend user-customized HS codes,
Counting the HS code click frequency of users in the HS code search page provided by the HS code recommendation server;
Obtaining a correlation value between HS codes using the counted HS code click frequency; And
Recommending an HS code to a user based on the correlation value;
User-customized HS code recommendation method including a. 제8항에 있어서,
상기 상관 관계 값을 획득하는 단계는,
하기 [수학식 1]에 따라 상관 관계 값을 획득하는 단계인,
사용자 맞춤형 HS 코드 추천 방법.
[수학식 1]
Figure pat00030

여기서, x, y는 각각 HS 코드 x, HS 코드 y를 의미하고, n은 사용자 숫자를 의미하며, xi, yi는 각각 사용자 i의 HS 코드 x, y 클릭 빈도를 의미하고,
Figure pat00031
,
Figure pat00032
는 각각 전체 사용자의 HS 코드 x, y 클릭 빈도 평균을 의미함.The method of claim 8,
Obtaining the correlation value,
The step of obtaining a correlation value according to the following [Equation 1],
How to recommend custom HS codes.
[Equation 1]
Figure pat00030

Here, x and y denote HS code x and HS code y, respectively, n denote user number, xi and yi denote user i's HS code x and y click frequency, respectively,
Figure pat00031
,
Figure pat00032
Means the average of the HS code x and y click frequency of all users, respectively. 제8항에 있어서,
상기 HS 코드를 추천하는 단계는,
상기 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 신호를 확인하는 경우,
해당 HS 코드와 상관 관계 값이 높은 HS 코드를 추천하는 단계인,
사용자 맞춤형 HS 코드 추천 방법.The method of claim 8,
The step of recommending the HS code,
In the case of checking the HS code click signal of the user in the HS code search page above,
This is the step of recommending an HS code with a high correlation value with the corresponding HS code.
How to recommend custom HS codes. 제8항에 있어서,
상기 HS 코드를 추천하는 단계는,
사용자의 상기 HS 코드 검색 페이지 접속 신호를 확인하는 경우,
사용자 정보를 기초로 생성한 HS 코드 예측 비율에서 상위 N개(N은 2이상의 자연수)의 제1 HS 코드를 추출하는 단계; 및
추출한 N개의 제1 HS 코드와 상관 관계 값이 높은 제2 HS 코드를 확인하고, 상기 HS 코드 예측 비율과 상기 상관 관계 값을 조합하여 제2 HS 코드의 HS 코드 추천 점수를 획득하는 단계;
를 포함하는 사용자 맞춤형 HS 코드 추천 방법.The method of claim 8,
The step of recommending the HS code,
In the case of checking the user's access signal to the HS code search page,
Extracting top N first HS codes (N is a natural number greater than or equal to 2) from the HS code prediction ratio generated based on user information; And
Identifying the extracted N first HS codes and a second HS code having a high correlation value, and obtaining an HS code recommendation score of the second HS code by combining the prediction ratio of the HS code and the correlation value;
User-customized HS code recommendation method including a. 사용자 정보를 입력 받는 입력부;
상기 입력부가 입력 받은 사용자 정보를 사용자 정보 매트릭스로 전환하는 매트릭스 생성부;
상기 매트릭스 생성부가 전환시킨 상기 사용자 정보 매트릭스와 가중치 매트릭스를 연산하여 HS 코드 예측 비율을 생성하는 HS 코드 예측부; 및
상기 HS 코드 예측부가 생성한 상기 HS 코드 예측 비율을 기초로 사용자에게 HS 코드를 추천하는 HS 코드 추천부;
를 포함하는 HS 코드 추천 서버.An input unit for receiving user information;
A matrix generator for converting user information received by the input unit into a user information matrix;
An HS code prediction unit for generating an HS code prediction ratio by calculating the user information matrix and the weight matrix converted by the matrix generation unit; And
An HS code recommendation unit for recommending an HS code to a user based on the HS code prediction ratio generated by the HS code prediction unit;
HS code recommendation server comprising a. 제12항에 있어서,
상기 HS 코드 예측부는,
상기 입력부가 입력 받은 사용자 정보를 기초로 복수의 물품 이미지를 제공하여, 사용자로부터 하나의 물품 이미지를 선택 받고, 선택 받은 물품 이미지에 대응되는 HS 코드를 확인하여, 사용자의 HS 코드 선택 비율을 생성하는,
HS 코드 추천 서버.The method of claim 12,
The HS code prediction unit,
Provides a plurality of product images based on the user information received by the input unit, selects one product image from the user, checks the HS code corresponding to the selected product image, and generates the user's HS code selection ratio. ,
HS code recommendation server. 제13항에 있어서,
상기 HS 코드 예측부는,
상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자의 HS 코드 클릭 횟수를 기초로 HS 코드 클릭 비율을 생성하고, 상기 HS 코드 클릭 비율을 상기 사용자의 HS 코드 선택 비율에 반영하는,
HS 코드 추천 서버.The method of claim 13,
The HS code prediction unit,
Generating an HS code click rate based on the user's HS code click count in the HS code search page provided by the HS code recommendation server, and reflecting the HS code click rate to the user's HS code selection rate,
HS code recommendation server. 제13항에 있어서,
상기 매트릭스 생성부는,
상기 HS 코드 예측 비율이 상기 사용자의 HS 코드 선택 비율과 동일한 값을 가지도록 상기 사용자 정보 매트릭스 또는 상기 가중치 매트릭스를 최적화하는 매트릭스 최적화부; 를 더 포함하고,
상기 매트릭스 생성부는, 최적화된 사용자 정보 매트릭스 또는 가중치 매트릭스를 기초로 상기 HS 코드 예측 비율을 조정하는,
HS 코드 추천 서버.The method of claim 13,
The matrix generator,
A matrix optimization unit optimizing the user information matrix or the weight matrix so that the HS code prediction rate has the same value as the user's HS code selection rate; Including more,
The matrix generator adjusts the HS code prediction ratio based on an optimized user information matrix or a weight matrix,
HS code recommendation server. 제15항에 있어서,
상기 HS 코드 추천부는,
상기 입력부가 물품의 상품명을 입력 받는 경우, 복수의 알고리즘을 이용하여 상기 상품명에 대한 HS 코드 별 추론 점수를 산출하는 HS 코드 추론부; 를 더 포함하고,
상기 HS 코드 추천부는, 상기 HS 코드 별 추론 점수와 조정된 HS 코드 예측 비율을 조합하여 상기 상품명에 대한 HS 코드를 추천하는,
HS 코드 추천 서버.The method of claim 15,
The HS code recommendation unit,
An HS code inference unit for calculating an inference score for each HS code for the product name by using a plurality of algorithms when the input unit receives the product name of the product; Including more,
The HS code recommendation unit recommends an HS code for the product name by combining the inference score for each HS code and an adjusted HS code prediction ratio,
HS code recommendation server. 제12항에 있어서,
상기 HS 코드 추천 서버가 제공하는 HS 코드 검색 페이지 내 사용자들의 HS 코드 클릭 빈도를 카운트하는 카운트부; 및
카운트된 HS 코드 클릭 빈도를 이용하여 HS 코드 간 상관 관계 값(Correlation Value)을 획득하는 상관 관계 계산부;
를 더 포함하는 HS 코드 추천 서버.The method of claim 12,
A counting unit for counting the frequency of clicking the HS code of users in the HS code search page provided by the HS code recommendation server; And
A correlation calculator that obtains a correlation value between HS codes by using the counted HS code click frequency;
HS code recommendation server further comprising. 제17항에 있어서,
상기 HS 코드 추천부는,
상기 입력부가 상기 HS 코드 검색 페이지 내에서 HS 코드 클릭 신호를 입력 받는 경우, 해당 HS 코드와 상관 관계 값이 높은 HS 코드를 추천하는,
HS 코드 추천 서버.The method of claim 17,
The HS code recommendation unit,
When the input unit receives an HS code click signal in the HS code search page, recommending an HS code having a high correlation value with the HS code,
HS code recommendation server. 제17항에 있어서,
상기 HS 코드 추천부는,
상기 입력부로부터 사용자의 상기 HS 코드 검색 페이지 접속 신호를 입력 받는 경우, 상기 사용자 정보를 기초로 생성한 HS 코드 예측 비율에서 상위 N개(N은 2이상의 자연수)의 제1 HS 코드를 추출하여, 추출한 N개의 제1 HS 코드와 상관 관계 값이 높은 제2 HS 코드를 확인하고, 상기 HS 코드 예측 비율과 상기 상관 관계 값을 조합하여, 제2 HS 코드의 HS 코드 추천 점수를 획득하는,
HS 코드 추천 서버.The method of claim 17,
The HS code recommendation unit,
When receiving the HS code search page access signal of the user from the input unit, the first HS codes of the top N (N is a natural number of 2 or more) are extracted from the HS code prediction ratio generated based on the user information, and then extracted. Identifying the N first HS codes and a second HS code having a high correlation value, and combining the HS code prediction ratio and the correlation value to obtain an HS code recommendation score of the second HS code,
HS code recommendation server. 제1항 내지 제7항 중 어느 한 항에 기재된 HS 코드 추천 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.A computer-readable recording medium in which a program for executing the HS code recommendation method according to any one of claims 1 to 7 on a computer is recorded.
KR1020190110586A 2019-09-06 2019-09-06 Method and server for recommending user customized hs code KR102242587B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190110586A KR102242587B1 (en) 2019-09-06 2019-09-06 Method and server for recommending user customized hs code

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190110586A KR102242587B1 (en) 2019-09-06 2019-09-06 Method and server for recommending user customized hs code

Publications (2)

Publication Number Publication Date
KR20210029410A true KR20210029410A (en) 2021-03-16
KR102242587B1 KR102242587B1 (en) 2021-04-21

Family

ID=75223873

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190110586A KR102242587B1 (en) 2019-09-06 2019-09-06 Method and server for recommending user customized hs code

Country Status (1)

Country Link
KR (1) KR102242587B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120052636A (en) * 2010-11-16 2012-05-24 한국전자통신연구원 A hscode recommendation service system and method using ontology
KR101571041B1 (en) 2013-12-10 2015-11-23 주식회사 한국무역정보통신 System for determining Harmonized System(HS) classification
KR101596353B1 (en) * 2015-03-16 2016-02-22 주식회사 한국무역정보통신 Device and method for determining HS code
US20190251501A1 (en) * 2018-02-13 2019-08-15 Clint Reid System and method for dynamic hs code classification through image analysis and machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120052636A (en) * 2010-11-16 2012-05-24 한국전자통신연구원 A hscode recommendation service system and method using ontology
KR101571041B1 (en) 2013-12-10 2015-11-23 주식회사 한국무역정보통신 System for determining Harmonized System(HS) classification
KR101596353B1 (en) * 2015-03-16 2016-02-22 주식회사 한국무역정보통신 Device and method for determining HS code
US20190251501A1 (en) * 2018-02-13 2019-08-15 Clint Reid System and method for dynamic hs code classification through image analysis and machine learning

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Ding, Liya, ZhenZhen Fan, and DongLiang Chen. "Auto-categorization of HS code using background net approach." Procedia Computer Science 60 1462-1471 (2015.09.09. 공개)* *

Also Published As

Publication number Publication date
KR102242587B1 (en) 2021-04-21

Similar Documents

Publication Publication Date Title
Jiao et al. Tourism forecasting: A review of methodological developments over the last decade
CN108885624B (en) Information recommendation system and method
Singh et al. Picture fuzzy set and quality function deployment approach based novel framework for multi-criteria group decision making method
US8024218B2 (en) Method and apparatus for determining the product marketability utilizing a percent coverage
US20050210025A1 (en) System and method for predicting the ranking of items
JP2002092305A (en) Score calculating method, and score providing method
US9251527B2 (en) System and method for providing personalized recommendations
Ocampo Decision modeling for manufacturing sustainability with fuzzy analytic hierarchy process
JP2021523486A (en) Product sort
CN113742492A (en) Insurance scheme generation method and device, electronic equipment and storage medium
CN113139769B (en) Intelligent purchasing scheme recommending method and device, computer equipment and storage medium
Vilakone et al. Movie recommendation system based on users’ personal information and movies rated using the method of k-clique and normalized discounted cumulative gain
Lin et al. A new method of storage management based on ABC classification: A case study in Chinese supermarkets’ distribution center
CN109615504A (en) Products Show method, apparatus, electronic equipment and computer readable storage medium
Hu et al. Tourism demand forecasting using nonadditive forecast combinations
KR20150113644A (en) Method for selecting recommendation type in product recommeding system
Besharati et al. Multi-objective selection and structural optimization of the gantry in a gantry machine tool for improving static, dynamic, and weight and cost performance
CN115712780A (en) Information pushing method and device based on cloud computing and big data
Zheng et al. Graph-convolved factorization machines for personalized recommendation
Hülle et al. Analytic network process–an overview of applications in research and practice
KR102242587B1 (en) Method and server for recommending user customized hs code
CN115206450B (en) Synthetic route recommendation method and terminal
Yang et al. Sequential clustering and classification approach to analyze sales performance of retail stores based on point-of-sale data
Punniyamoorthy et al. A Method to Select Best Among Multi-Nash Equilibria
CN115660902A (en) Big data-based intelligent tourism evaluation system

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant