KR20210032691A - Method and apparatus of recommending goods based on network - Google Patents
Method and apparatus of recommending goods based on network Download PDFInfo
- Publication number
- KR20210032691A KR20210032691A KR1020190114032A KR20190114032A KR20210032691A KR 20210032691 A KR20210032691 A KR 20210032691A KR 1020190114032 A KR1020190114032 A KR 1020190114032A KR 20190114032 A KR20190114032 A KR 20190114032A KR 20210032691 A KR20210032691 A KR 20210032691A
- Authority
- KR
- South Korea
- Prior art keywords
- product
- similar
- group
- interest
- network
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06K9/6267—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
본 발명은 상품 추천 방법 및 장치에 관한 것으로, 보다 상세하게는 네트워크에 접속 가능한 컴퓨팅 디바이스에 의해 제공되는 상품 추천 방법 및 장치에 관한 것이다.The present invention relates to a product recommendation method and apparatus, and more particularly, to a product recommendation method and apparatus provided by a computing device capable of connecting to a network.
최근, 시간에 상관없이 쇼핑할 수 있고, 쇼핑 시간을 절감할 수 있으며, 또한 오프라인을 통해 구매할 경우보다 싼 가격으로 구매할 수 있는 전자상거래 시스템이 널리 보급되어 많은 사용자들이 원하는 사이트에 접속하여 쇼핑하고, 전시된 상품을 구매한다. 전자상거래 시스템은 각 상품을 제조하는 제조업체나 상품을 판매하는 판매업체들에 의해 제공될 뿐만 아니라, 일반 오프라인에서의 상점과 같이 여러 사람에 의해 다양하게 꾸며진 전자상거래 사이트가 많이 구축 및 보급되었다.Recently, the e-commerce system, which allows you to shop regardless of time, saves shopping time, and allows you to purchase at a lower price than if you purchase offline, so many users access to the desired site to shop. Buy the displayed product. The e-commerce system is not only provided by manufacturers that manufacture each product or sellers that sell products, but also a lot of e-commerce sites that are decorated in various ways by various people, such as a general offline store, have been built and spread.
이러한 전자상거래 시스템은 인터넷을 통해 접속하는 방문자 또는 구매자에게 상품 구매를 유도하기 위하여 방문자 또는 구매자에게 적합한 추천상품을 결정하여 추천하는 상품 추천 서비스를 다양한 방식으로 제공하고 있다.Such an e-commerce system provides a product recommendation service that determines and recommends a product suitable for a visitor or purchaser in order to induce product purchase to a visitor or purchaser connected through the Internet.
그러나, 기존 전자상거래 기업이 사용하고 있는 추천 기술인 협업적 필터링(Collaboration Filtering)이나 빅데이터(Big Data) 기술은 추천의 정확도에 대한 불확실성과 방대한 데이터의 분석으로 인해 실시간 서비스의 한계가 있었다.However, collaboration filtering and big data technologies, which are recommendation technologies used by existing e-commerce companies, have limitations in real-time services due to uncertainty about the accuracy of recommendations and analysis of vast amounts of data.
한편, 기존의 온라인 상품 추천 서비스의 범위를 넘어서 오프라인과 온라인 환경에 적합한 추천 서비스에 대한 수요가 증가하고 있다.Meanwhile, the demand for a recommendation service suitable for offline and online environments is increasing beyond the scope of the existing online product recommendation service.
따라서, O2O(Offline to Online) 기술을 적용하려는 전자상거래 기업에서 온라인과 오프라인 환경에서 상품 추천 서비스를 제공할 수 있는 기술이 요구되고 있다.Accordingly, there is a need for a technology capable of providing product recommendation services in an online and offline environment in an e-commerce company that intends to apply O2O (Offline to Online) technology.
본 발명은 온라인 환경 및 오프라인 환경 모두에서 구매자에게 상품 추천 서비스의 제공이 가능하며, 인공지능 기술을 통해 생성되는 지능형 학습모델을 이용하여 사용자의 관심상품 또는 주문상품과 관련성이 높은 추천상품을 결정하는 네트워크 기반 상품 추천 방법 및 장치를 제공하기 위한 것이다.The present invention enables product recommendation services to be provided to buyers in both online and offline environments, and uses an intelligent learning model generated through artificial intelligence technology to determine recommended products that are highly relevant to the user's interest product or order product. It is to provide a network-based product recommendation method and apparatus.
본 발명의 일 측면에 따르면, 네트워크에 접속 가능한 컴퓨팅 디바이스에 의해 수행되는 네트워크 기반 상품 추천 방법이 개시된다.According to an aspect of the present invention, a network-based product recommendation method performed by a computing device capable of accessing a network is disclosed.
본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법은, 상품별 상품속성값을 이용하여 상품 간 유사도를 산출하고, 상기 산출된 유사도에 따라 유사상품 그룹을 생성하는 단계, 상기 생성된 유사상품 그룹을 이용하여 학습 모델을 생성하는 단계, 사용자 단말로부터 사용자의 관심상품 정보를 수신하는 단계 및 상기 관심상품 정보의 수신에 따라 상기 학습모델을 이용하여 상기 사용자의 관심상품과 유사도가 가장 높은 유사상품 그룹을 산출하고, 상기 산출된 유사상품 그룹의 상품을 추천 상품으로 결정하는 단계를 포함한다.In the network-based product recommendation method according to an embodiment of the present invention, the similarity between products is calculated using product attribute values for each product, and a similar product group is generated according to the calculated similarity, and the generated similar product group is used. Calculating a similar product group with the highest similarity to the user's interest product using the learning model according to the step of generating a learning model, receiving information about the user's interest product from the user terminal, and receiving the product information of interest. And determining the calculated product of the similar product group as a recommended product.
상기 관심상품 정보는, 상기 사용자의 상품정보 검색, 상품 구매예약 또는 상품구매 중 적어도 하나의 사용자 행위에 따라 상기 사용자 단말에 의하여 획득되거나, 상기 사용자가 관심을 가진 상품에 구비된 센서로 상기 사용자 단말을 근접시키면, 상기 센서로부터 상기 사용자 단말에 의하여 획득된다.The interest product information may be obtained by the user terminal according to at least one user behavior of the user's product information search, product purchase reservation, or product purchase, or the user terminal is a sensor provided in a product of interest to the user. Is obtained by the user terminal from the sensor.
상기 유사상품 그룹을 생성하는 단계는, 전체 상품 중 어느 하나의 상품과 나머지 상품 각각에 대하여 상품속성 항목별 상품속성값 차이의 평균을 산출하는 단계, 상기 산출된 평균이 가장 작은 나머지 상품을 유사도가 가장 높은 대표유사상품으로 결정하는 단계 및 각 상품을 상기 대표유사상품으로 매핑한 후, 상기 대표유사상품을 기준으로 매핑된 적어도 하나의 상품과 상기 대표유사상품을 하나의 유사상품 그룹으로 그룹핑하는 단계를 포함한다.The generating of the similar product group includes calculating an average of the difference in product attribute values for each product attribute item with respect to any one product among all products and each of the remaining products. Determining the highest representative similar product, and after mapping each product to the representative similar product, grouping at least one product mapped based on the representative similar product and the representative similar product into one similar product group Includes.
상기 생성된 유사상품 그룹은 추천대상이 되는 상품그룹이며, 상기 학습 모델의 입력데이터는 상기 유사상품 그룹이고, 상기 학습모델의 출력데이터는 상기 유사상품 그룹의 각 상품을 대표하여 나타내는 식별자이다.The generated similar product group is a product group to be recommended, the input data of the learning model is the similar product group, and the output data of the learning model is an identifier representing each product of the similar product group.
상기 산출된 유사상품 그룹의 상품을 추천 상품으로 결정하는 단계는, 상기 관심상품의 상품속성 항목별 상품속성값을 추출하는 단계, 상기 추출된 관심상품의 상품속성값을 학습모델에 입력하여 유사도가 가장 높은 유사상품 그룹의 식별자를 산출하는 단계, 상기 산출된 유사상품 그룹의 식별자를 이용하여, 유사상품 그룹의 각 상품의 정보와 식별자를 매핑한 테이블로부터 상기 산출된 유사상품 그룹의 각 상품의 상품 정보를 추출하는 단계 및 상기 상품 정보를 상기 사용자 단말로 전송하는 단계를 포함한다.The determining of the calculated product of the similar product group as a recommended product includes: extracting a product attribute value for each product attribute item of the interest product, and inputting the extracted product attribute value of the interest product into a learning model to achieve a similarity level. Calculating the highest identifier of the similar product group, the product of each product of the similar product group calculated from a table in which information and the identifier of each product of the similar product group are mapped using the calculated identifier of the similar product group And extracting information and transmitting the product information to the user terminal.
본 발명의 다른 측면에 따르면, 네트워크 기반 상품 추천 장치가 개시된다.According to another aspect of the present invention, a network-based product recommendation device is disclosed.
본 발명의 실시예에 따른 네트워크 기반 상품 추천 장치는, 명령어를 저장하는 메모리 및 상기 명령어를 실행하는 프로세서를 포함하되, 상기 명령어는, 상품별 상품속성값을 이용하여 상품 간 유사도를 산출하고, 산출된 유사도에 따라 유사상품 그룹을 생성하는 단계, 상기 생성된 유사상품 그룹을 이용하여 학습 모델을 생성하는 단계, 사용자 단말로부터 사용자의 관심상품 정보를 수신하는 단계 및 상기 관심상품 정보의 수신에 따라 상기 학습모델을 이용하여 상기 사용자의 관심상품과 유사도가 가장 높은 유사상품 그룹을 산출하고, 산출된 유사상품 그룹의 상품을 추천 상품으로 결정하는 단계를 포함하는 네트워크 기반 상품 추천 방법을 수행한다.A network-based product recommendation device according to an embodiment of the present invention includes a memory storing an instruction and a processor executing the instruction, wherein the instruction calculates a degree of similarity between products using product attribute values for each product, and the calculated Generating a similar product group according to similarity, generating a learning model using the generated similar product group, receiving information on a user's interest product from a user terminal, and learning according to the reception of the product information of interest A network-based product recommendation method including the step of calculating a similar product group having the highest similarity to the user's interest product and determining the calculated product of the similar product group as a recommended product is performed using a model.
본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법 및 장치는, 온라인 환경 및 오프라인 환경 모두에서 구매자에게 상품 추천 서비스의 제공이 가능하며, 인공지능 기술을 통해 생성되는 지능형 학습모델을 이용하여 사용자의 관심상품 또는 주문상품과 관련성이 높은 추천상품을 결정함으로써, 추천상품의 정확도 향상으로 상품 추천 서비스에 대한 사용자 만족도를 향상시키고, 오프라인 상품매장에서 사용자 상품 추천을 통해 매출을 증대시킬 수 있다.A network-based product recommendation method and apparatus according to an embodiment of the present invention can provide a product recommendation service to a buyer in both an online environment and an offline environment, and the user's interest using an intelligent learning model generated through artificial intelligence technology. By determining a recommended product that is highly related to a product or order product, user satisfaction for a product recommendation service may be improved by improving the accuracy of the recommended product, and sales may be increased through user product recommendation at an offline product store.
도 1은 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법이 구현될 수 있는 시스템 환경을 개략적으로 예시하여 나타낸 도면.
도 2는 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 나타낸 흐름도.
도 3 내지 도 5는 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 설명하기 위한 도면.
도 6은 본 발명의 실시예에 따른 네트워크 기반 상품 추천 장치의 구성을 개략적으로 예시한 도면.1 is a diagram schematically illustrating a system environment in which a network-based product recommendation method according to an embodiment of the present invention can be implemented.
2 is a flowchart illustrating a network-based product recommendation method according to an embodiment of the present invention.
3 to 5 are diagrams for explaining a network-based product recommendation method according to an embodiment of the present invention.
6 is a diagram schematically illustrating a configuration of a network-based product recommendation device according to an embodiment of the present invention.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.Singular expressions used in the present specification include plural expressions unless the context clearly indicates otherwise. In the present specification, terms such as “consisting of” or “comprising” should not be construed as necessarily including all of the various elements or various steps described in the specification, and some of the elements or some steps It may not be included, or it should be interpreted that it may further include additional components or steps. In addition, terms such as "... unit" and "module" described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software. .
이하, 본 발명의 다양한 실시예들을 첨부된 도면을 참조하여 상술하겠다. Hereinafter, various embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법이 구현될 수 있는 시스템 환경을 개략적으로 예시하여 나타낸 도면이다.1 is a diagram schematically illustrating a system environment in which a network-based product recommendation method according to an embodiment of the present invention can be implemented.
본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법은 네트워크 연결 가능한 사용자 단말 및 서버를 통해 구현될 수 있다.The network-based product recommendation method according to an embodiment of the present invention may be implemented through a user terminal and a server capable of connecting to a network.
도 1에서, 모바일 디바이스(10) 및 데스크탑(20)은 네트워크 접속 가능한 사용자 단말의 일례이다. 예시된 모바일 디바이스(10) 및 데스크탑(20) 이외에도 네트워크에 접속하여 네트워크를 통하여 정보를 전송하고 수신할 수 있는 컴퓨팅 디바이스라면 모두 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법의 사용자 단말이 될 수 있다. 사용자는 오프라인 매장에서 또는 온라인 매장을 통해 재화 또는 용역을 구매하고자 하는 구매자로서, 사용자 단말을 통해 정보를 제공하거나 획득할 수 있다.In FIG. 1, the
본 명세서에서 '서버'란 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법에 의한 상품 추천 서비스를 제공하는 컴퓨팅 디바이스로서, 하나 또는 둘 이상의 물리적 개체일 수 있다. 서버가 복수의 물리적 개체로 나뉘어 구현될 때, 각각의 물리적 개체의 관리 주체는 서로 상이할 수 있다. '서버'에는 각각의 데이터베이스에 대응되는 정보를 저장하는 소프트웨어 및 하드웨어의 기능적 구조적 결합을 의미하는 DB가 포함될 수 있으며, DB는 적어도 하나의 테이블로 구현될 수도 있으며, 데이터베이스에 저장된 정보를 검색, 저장, 및 관리하기 위한 별도의 DBMS(Database Management System)을 더 포함할 수도 있다. 또한, 링크드 리스트(linked-list), 트리(Tree), 관계형 데이터베이스의 형태 등 다양한 방식으로 구현될 수 있으며, 데이터베이스에 대응되는 정보를 저장할 수 있는 모든 데이터 저장매체 및 데이터 구조를 포함한다.In the present specification, a'server' is a computing device that provides a product recommendation service by a network-based product recommendation method according to an embodiment of the present invention, and may be one or two or more physical entities. When the server is divided into a plurality of physical entities and implemented, the management subject of each physical entity may be different from each other. The'server' may include a DB that refers to a functional and structural combination of software and hardware that stores information corresponding to each database, and the DB may be implemented as at least one table, and searches and stores information stored in the database. , And a separate DBMS (Database Management System) for management may be further included. In addition, it can be implemented in various ways such as a linked-list, a tree, and a relational database, and includes all data storage media and data structures capable of storing information corresponding to the database.
도 1에서, 전자상거래 서버(e-Commerce Server)(40)와 AI 서버(Artificial Intelligence Server)(50)는, 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 수행하는 네트워크 접속 가능한 디바이스의 일례로 제시된 것이다. 도 1의 전자상거래 서버(40)와 AI 서버(50)는 물리적으로 분리된 개체로 도시되어 있으나, 이는 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 구현하는 장치 구성의 수 많은 실시예 중 하나에 불과하다. 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 구현하는 장치는 상술한 바와 같이 하나의 물리적 개체에 서로 다른 논리적 개체로 구성되거나 하나의 물리적 개체로 구현될 수 있다.In FIG. 1, an
도 1에 도시된 바와 같이, 상품 추천을 받는 사용자는 사용자 단말(10, 20)을 통해 네트워크를 통해 서버(40, 50)에 정보를 전송하거나 서버(40, 50)로부터 상품 추천 정보를 수신할 수 있다. 사용자는 오프라인 환경(가령, 상품을 전시 판매하는 오프라인 매장)이나 온라인 환경(가령, 네트워크상의 쇼핑몰)에서 관심상품 정보를 서버(40, 50)에 제공할 수 있다.As shown in Fig. 1, a user receiving product recommendation may transmit information to the
여기서, 사용자 단말(10, 20)에 의해 서버(40, 50)에 제공되는 관심상품 정보는 서버(40, 50)에 의해 사용자의 관심상품으로 인식될 수 있는 상품 식별자일 수 있다. 예를 들어, 상품 식별자는 상품 아이디, 상품의 이미지, 상품명, 1차원 또는 2차원의 상품 코드 등 다양한 형태로 제공될 수 있다.Here, the interest product information provided to the
상품 식별자는 사용자의 상품정보 검색, 상품 구매예약 또는 상품구매 중 적어도 하나의 사용자 행위에 따라 사용자 단말(10, 20)에 의하여 획득될 수 있다.The product identifier may be obtained by the
도 1의 예에서, 사용자는 사용자 단말(10, 20)을 통해 전자상거래 서버(40)에 접속하여 관심상품을 검색하거나 상품 관련 정보를 확인하거나, 구매 예약을 하거나 구매를 하는 행위를 할 수 있는데, 이러한 사용자의 행위로부터 사용자의 관심상품을 파악하여 관심상품의 상품 식별자를 획득할 수 있다. 즉, 온라인 환경에서는, 사용자가 관심상품을 특정하여 제공하는 별도의 절차 없이, 사용자가 전자상거래 서버(40)에 접속하여 쇼핑을 하는 과정을 통해 사용자의 관심상품 정보를 획득하도록 하여 사용자의 번거로움을 피할 수 있다.In the example of FIG. 1, the user may access the
한편, 도 1의 오프라인 환경에서, 사용자가 오프라인 매장에서 쇼핑하며 관심을 가진 상품에 구비된 센서(30)로 모바일 디바이스(10)를 근접시키면, 모바일 디바이스(10)는 센서(30)로부터 센서 아이디를 수신함으로써, 사용자의 관심상품의 상품 식별자를 획득할 수 있다. 여기서, 센서 아이디는 해당 상품의 상품 식별자를 포함할 수 있으며, 모바일 디바이스(10)는 수신한 센서 아이디로부터 상품 식별자를 추출할 수 있다.On the other hand, in the offline environment of FIG. 1, when a user shopping in an offline store and proximity to the
예를 들어, 센서(30)는 능동태그 또는 수동태그로서, 사용자가 모바일 디바이스(10)를 상품의 태그에 태깅하거나 상품의 태그 부착 부분에 근접시키면, 모바일 디바이스(10)는 NFC 모듈 또는 비콘(Beacon) 모듈을 이용하여 태그로부터 해당 상품의 상품 식별자를 획득할 수 있다.For example, the
사용자 단말(10, 20)로부터 관심상품 식별자를 수신한 전자상거래 서버(40)는 상품정보 DB(41)를 참조하여 상품을 검색할 수 있다. 그리고, 전자상거래 서버(40)는 AI 서버(50)로 상품 식별자를 제공하여 AI 서버(50)가 학습할 수 있도록 하고, AI 서버(50)로부터 상품 추천 정보를 받아 사용자 단말(10, 20)로 제공할 수 있다. 앞서 설명한 바와 같이 전자상거래 서버(40)와 AI 서버(50)는 물리적으로 하나의 개체일 수 있으며, 실시예에 따라서는 수개의 서버로 구성될 수 있다.The
도 2는 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 나타낸 흐름도이고, 도 3 내지 도 5는 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 설명하기 위한 도면이다. 이하에서는, 도 2를 중심으로 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 설명하되, 도 3 내지 도 5를 참조하기로 한다. 또한, 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 수행하는 주체로서, 전자상거래 서버(40) 및 AI 서버(50)와 같은 네트워크 접속 가능한 디바이스를 네트워크 기반 상품 추천 장치로 통칭하여 설명하기로 한다.2 is a flowchart illustrating a network-based product recommendation method according to an embodiment of the present invention, and FIGS. 3 to 5 are diagrams for explaining a network-based product recommendation method according to an embodiment of the present invention. Hereinafter, a network-based product recommendation method according to an embodiment of the present invention will be described with reference to FIG. 2, but with reference to FIGS. 3 to 5. In addition, as a subject performing the network-based product recommendation method according to an embodiment of the present invention, a network-accessible device such as the
S210 단계에서, 네트워크 기반 상품 추천 장치는 상품별 상품속성값을 이용하여 상품 간 유사도를 산출하고, 산출된 유사도에 따라 유사상품 그룹을 생성한다.In step S210, the network-based product recommendation device calculates a similarity between products using product attribute values for each product, and generates a similar product group according to the calculated similarity.
예를 들어, 네트워크 기반 상품 추천 장치는 도 3의 (a)에 도시된 바와 같은 분류화된 상품 거래 목록을 데이터베이스(상품정보 DB(41))에 구비할 수 있다. 도 3의 (a)를 참조하면, 분류화된 상품 거래 목록은 거래된 상품별로 스타일(style), 브랜드(brand), 카테고리(category) 등에 대한 상품속성값이 매핑되어 있다. 각 상품속성 항목의 상품속성값은 정량화하여 전처리한 데이터로, 미리 설정된 기준에 따라 상품별로 정의될 수 있다.For example, the network-based product recommendation device may include a classified product transaction list as shown in FIG. 3A in a database (product information DB 41). Referring to FIG. 3A, in the classified product transaction list, product attribute values for style, brand, and category are mapped for each product traded. The product attribute value of each product attribute item is quantified and pre-processed data, and may be defined for each product according to a preset criterion.
그리고, 상품 간 유사도는 도 3의 (b)에 도시된 바와 같이 산출될 수 있다. 즉, 도 3의 (b)를 참조하면, 상품 P1부터 상품 P5까지 순차적으로 상품 간 유사도가 산출될 수 있다.In addition, the degree of similarity between products may be calculated as shown in (b) of FIG. 3. That is, referring to FIG. 3B, the degree of similarity between products may be sequentially calculated from product P1 to product P5.
우선, 상품 P1과 상품 P2 ~ P6 각각에 대하여 상품속성 항목별로 상품속성값 차이가 산출되고, 상품속성 항목별 상품속성값 차이의 평균이 산출되며, 산출된 평균을 비교하여 상품 P2 ~ P6 중에서, 상품속성값 차이의 평균이 가장 작은 상품 P5가 상품 P1과 유사도가 가장 높은 상품으로 결정될 수 있다.First, for each of the product P1 and the product P2 to P6, the product attribute value difference is calculated for each product attribute item, the average of the product attribute value difference for each product attribute item is calculated, and among products P2 to P6 by comparing the calculated average, The product P5 having the smallest average difference in product attribute values may be determined as the product having the highest similarity to the product P1.
다음으로, 동일한 방식으로, 상품 P2와 상품 P3 ~ P6 각각에 대하여 상품속성 항목별 상품속성값 차이의 평균이 산출되며, 산출된 평균을 비교하여 상품 P3 ~ P6 중에서, 상품속성값 차이의 평균이 가장 작은 상품 P5가 상품 P1과 유사도가 가장 높은 상품으로 결정될 수 있다.Next, in the same way, the average of the difference between the product attribute values for each product attribute item is calculated for each of the product P2 and the product P3 to P6, and the average of the difference between the product attribute values among products P3 to P6 is calculated by comparing the calculated average. The smallest product P5 may be determined as the product having the highest similarity to the product P1.
이와 같은 방식으로 전체 상품에 대하여 상품 간 유사도가 산출되어 각 상품의 유사도가 가장 높은 상품이 결정될 수 있다.In this way, the similarity between products is calculated for all products, so that the product with the highest similarity of each product can be determined.
즉, 본 발명의 실시예에 따른 네트워크 기반 상품 추천 장치는, 전체 상품 중 어느 하나의 상품과 나머지 상품 각각에 대하여 상품속성 항목별 상품속성값 차이의 평균을 산출하고, 산출된 평균이 가장 작은 나머지 상품을 유사도가 가장 높은 유사상품으로 결정할 수 있다.That is, the network-based product recommendation apparatus according to an embodiment of the present invention calculates an average of the difference in product attribute values for each product attribute item for any one product among all products and the remaining products, and the calculated average is the smallest remaining. The product can be determined as the similar product with the highest similarity.
그리고, 네트워크 기반 상품 추천 장치는, 도 3의 (c)에 도시된 바와 같이, 각 상품을 유사도가 가장 높은 대표유사상품으로 매핑한 후, 대표유사상품을 기준으로 매핑된 적어도 하나의 상품과 대표유사상품을 하나의 유사상품 그룹으로 그룹핑할 수 있다.In addition, the network-based product recommendation device maps each product to a representative similar product with the highest similarity, as shown in (c) of FIG. 3, and then maps at least one product and a representative based on the representative similar product. Similar products can be grouped into one similar product group.
S220 단계에서, 네트워크 기반 상품 추천 장치는 생성된 유사상품 그룹을 이용하여 학습 모델을 생성한다.In step S220, the network-based product recommendation device generates a learning model using the generated similar product group.
생성된 유사상품 그룹은 추천대상이 되는 상품그룹으로서, 학습 모델의 입력데이터가 되며, 학습모델의 출력데이터는 해당 유사상품 그룹의 각 상품을 대표하여 나타내는 식별자(id)이다.The generated similar product group is a product group to be recommended, and becomes input data of the learning model, and the output data of the learning model is an identifier (id) representing each product of the similar product group.
예를 들어, 도 4의 (a) 도시된 바와 같이, 유상상품 그룹의 각 상품의 상품속성값인 P1의 (2, 3, 6), P2의 (3, 4, 5), P4의 (1, 4, 7), P5의 (2, 4, 5)가 인공지능 학습을 위한 입력데이터가 될 수 있다. 이러한 입력데이터에 대응되는 출력데이터는 유상상품 그룹의 각 상품의 정보인 P1, P2, P4, P5로서, 이를 하나의 정보로 관리하기 위하여 도 4의 (b) 도시된 바와 같이, R1_2_4_5와 같은 식별자로 나타내어 질 수 있다. 그리고, 도 4의 (c) 도시된 바와 같이, 유상상품 그룹의 각 상품의 정보와 해당 식별자를 매핑한 테이블이 데이터베이스에 저장되어 관리될 수 있으며, 도 4의 (d)에 도시된 바와 같은 형식으로 학습모델이 생성될 수 있다.For example, as shown in (a) of FIG. 4, (2, 3, 6) of P1, (3, 4, 5) of P2, (1 of P4), which are the product attribute values of each product of the paid product group. , 4, 7), and (2, 4, 5) of P5 can be input data for artificial intelligence learning. The output data corresponding to this input data is P1, P2, P4, P5, which are information on each product of the paid product group, and in order to manage it as one piece of information, as shown in (b) of FIG. 4, R 1_2_4_5 It can be represented by an identifier. In addition, as shown in (c) of FIG. 4, a table in which information of each product of a paid product group and a corresponding identifier is mapped may be stored and managed in a database, and the format as shown in (d) of FIG. 4 A learning model can be created.
S230 단계에서, 네트워크 기반 상품 추천 장치는 사용자 단말(10, 20)로부터 사용자의 관심상품 정보를 수신한다. 여기서, 관심상품 정보는 네트워크 기반 상품 추천 장치가 사용자의 관심상품으로 인식할 수 있는 상품 식별자일 수 있다.In step S230, the network-based product recommendation device receives information about the user's interest product from the
예를 들어, 관심상품의 상품 식별자는 사용자의 상품정보 검색, 상품 구매예약 또는 상품구매 중 적어도 하나의 사용자 행위에 따라 사용자 단말(10, 20)에 의하여 획득되며, 사용자 단말(10, 20)은 획득한 관심상품의 상품 식별자를 네트워크 기반 상품 추천 장치로 전송할 수 있다.For example, the product identifier of the product of interest is obtained by the
또는, 관심상품의 식별자는 사용자가 관심을 가진 상품에 구비된 센서(30)로부터 사용자 단말(10)에 의하여 획득되며, 이때, 사용자 단말(10)은 센서(30)로부터 해당 상품의 상품 식별자를 포함하는 센서 아이디를 수신할 수 있다.Alternatively, the identifier of the product of interest is obtained by the
S240 단계에서, 네트워크 기반 상품 추천 장치는 사용자의 관심상품 정보의 수신에 따라 학습모델을 이용하여 관심상품과 유사도가 가장 높은 유사상품 그룹을 산출하고, 산출된 유사상품 그룹의 상품을 추천 상품으로 결정한다. 그리고, 네트워크 기반 상품 추천 장치는 결정된 추천 상품의 상품 정보를 관심상품 정보를 전송한 사용자 단말(10, 20)로 전송할 수 있다.In step S240, the network-based product recommendation device calculates the similar product group with the highest similarity to the interest product using the learning model according to the reception of the user's interest product information, and determines the calculated product of the similar product group as the recommended product. do. In addition, the network-based product recommendation device may transmit product information of the determined recommended product to the
예를 들어, 도 5에 도시된 바와 같이, 네트워크 기반 상품 추천 장치는 온라인 행위 또는 오프라인 행위에 의하여 생성된 관심상품 정보를 수신하면, 관심상품 정보를 이용하여 데이터베이스에서 관심상품의 상품속성 항목별 상품속성값을 추출하고, 추출된 관심상품의 상품속성값을 학습모델에 입력하여 유사도가 가장 높은 유사상품 그룹의 식별자를 산출할 수 있다. 이어, 네트워크 기반 상품 추천 장치는 산출된 유사상품 그룹의 식별자를 이용하여, 유사상품 그룹의 각 상품의 정보와 식별자를 매핑한 테이블로부터 유사상품 그룹의 각 상품의 상품 정보를 추출할 수 있다.For example, as shown in FIG. 5, when the network-based product recommendation device receives information on a product of interest generated by an online or offline activity, the product by product attribute item of the product of interest is used in the database by using the product information of interest. By extracting the attribute value and inputting the extracted product attribute value of the interested product into the learning model, the identifier of the similar product group with the highest similarity can be calculated. Subsequently, the network-based product recommendation apparatus may extract product information of each product of the similar product group from a table in which the information of each product of the similar product group and the identifier are mapped using the calculated identifier of the similar product group.
이때, 유사도가 가장 높은 유사상품 그룹은 전술한 상품속성 항목별 상품속성값 차이의 평균을 비교하는 방식으로 산출될 수 있다. 즉, 관심상품과 각 유사상품 그룹의 상품속성값 차이의 평균을 산출하여 비교하여, 평균이 가장 작은 유사상품 그룹이 유사도가 가장 높은 유사상품 그룹으로 결정될 수 있다. 여기서, 상품속성값 차이의 평균은 유사상품 그룹을 대표하는 대표유사상품과 관심상품에 대해서 산출될 수 있다. 대표유사상품은 전술한 바와 같이, 적어도 하나의 상품으로부터 유사도가 가장 높은 상품으로 매핑된 상품이다.In this case, the similar product group having the highest similarity may be calculated by comparing the average of differences in product attribute values for each product attribute item described above. That is, by calculating and comparing the average of the difference between the interest product and the product attribute values of each similar product group, the similar product group having the smallest average may be determined as the similar product group having the highest similarity. Here, the average of the difference in product attribute values may be calculated for a representative similar product representing a group of similar products and a product of interest. As described above, the representative similar product is a product mapped from at least one product to a product having the highest similarity.
또는, 유사도가 가장 높은 유사상품 그룹은 상품 추천의 정확도를 높이기 위하여, 하기 수학식으로 산출되는 추천 정확도(Accuracyrecommend)를 이용하여 산출될 수 있다.Or a similar group, the highest degree of similarity is, to be calculated by using the recommendation accuracy (Accuracy recommend) that is calculated by the following equation in order to increase the accuracy of the recommendation items.
여기서, Attrtarget은 관심상품의 상품속성값이고, Attrsource은 유사상품 그룹의 상품 중 적어도 하나의 상품의 상품속성값이다. 예를 들어, Attrsource은 유사상품 그룹을 대표하는 대표유사상품의 상품속성값일 수 있다.Here, Attr target is a product attribute value of a product of interest, and Attr source is a product attribute value of at least one product among products of a similar product group. For example, Attr source may be a product attribute value of a representative similar product representing a group of similar products.
즉, 추천 정확도는 관심상품과 유사상품 그룹의 유사도를 나타내는 것으로, 상품속성값 차이의 평균을 비교하는 방식보다 더 정확히 유사도가 가장 높은 유사상품 그룹을 산출하게 할 수 있다.That is, the recommendation accuracy indicates the degree of similarity between the product of interest and the group of similar products, and it is possible to calculate a group of similar products with the highest similarity more accurately than a method of comparing the average of differences in product attribute values.
한편, 네트워크 기반 상품 추천 장치는 미리 설정된 기준에 따라 다수의 유사상품 그룹을 추천 정확도에 따라 정확도 수준을 부여하여 분류할 수도 있다.Meanwhile, the network-based product recommendation apparatus may classify a plurality of similar product groups by assigning an accuracy level according to the recommendation accuracy according to a preset criterion.
예를 들어, 네트워크 기반 상품 추천 장치는 추천 정확도가 0.8 ~ 1인 유사상품 그룹들을 높음(High), 추천 정확도가 0.5 ~ 0.79인 유사상품 그룹들을 중간(Medium), 추천 정확도가 0.49이하인 유사상품 그룹들을 낮음(Low)으로 분류할 수 있다.For example, the network-based product recommendation device uses high (High) similar product groups with a recommendation accuracy of 0.8 to 1, medium similar product groups with a recommendation accuracy of 0.5 to 0.79, and similar product groups with a recommendation accuracy of 0.49 or less. Can be classified as low.
도 6은 본 발명의 실시예에 따른 네트워크 기반 상품 추천 장치의 구성을 개략적으로 예시한 도면이다.6 is a diagram schematically illustrating a configuration of a network-based product recommendation device according to an embodiment of the present invention.
도 6을 참조하면, 본 발명의 실시예에 따른 네트워크 기반 상품 추천 장치는 프로세서(610), 메모리(620), 통신부(630) 및 인터페이스부(640)를 포함한다.Referring to FIG. 6, a network-based product recommendation apparatus according to an embodiment of the present invention includes a
프로세서(610)는 메모리(620)에 저장된 처리 명령어를 실행시키는 CPU 또는 반도체 소자일 수 있다.The
메모리(620)는 다양한 유형의 휘발성 또는 비휘발성 기억 매체를 포함할 수 있다. 예를 들어, 메모리(620)는 ROM, RAM 등을 포함할 수 있다.The
예를 들어, 메모리(620)는 본 발명의 실시예에 따른 네트워크 기반 상품 추천 방법을 수행하는 명령어들을 저장할 수 있다.For example, the
통신부(630)는 통신망을 통해 다른 장치들과 데이터를 송수신하기 위한 수단이다.The
인터페이스부(640)는 네트워크에 접속하기 위한 네트워크 인터페이스 및 사용자 인터페이스를 포함할 수 있다.The
한편, 전술된 실시예의 구성 요소는 프로세스적인 관점에서 용이하게 파악될 수 있다. 즉, 각각의 구성 요소는 각각의 프로세스로 파악될 수 있다. 또한 전술된 실시예의 프로세스는 장치의 구성 요소 관점에서 용이하게 파악될 수 있다.Meanwhile, the constituent elements of the above-described embodiment can be easily grasped from a process point of view. That is, each component can be identified as a respective process. Also, the process of the above-described embodiment can be easily grasped from the viewpoint of the components of the device.
또한 앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 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. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.In addition, the above-described technical contents may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiments, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.The above-described embodiments of the present invention are disclosed for the purpose of illustration, and those skilled in the art who have ordinary knowledge of the present invention will be able to make various modifications, changes, and additions within the spirit and scope of the present invention, and such modifications, changes and additions It should be seen as falling within the scope of the following claims.
10: 프로세서
20: 메모리
30: 통신부
40: 인터페이스부10: processor
20: memory
30: communication department
40: interface unit
Claims (6)
상품별 상품속성값을 이용하여 상품 간 유사도를 산출하고, 상기 산출된 유사도에 따라 유사상품 그룹을 생성하는 단계;
상기 생성된 유사상품 그룹을 이용하여 학습 모델을 생성하는 단계;
사용자 단말로부터 사용자의 관심상품 정보를 수신하는 단계; 및
상기 관심상품 정보의 수신에 따라 상기 학습모델을 이용하여 상기 사용자의 관심상품과 유사도가 가장 높은 유사상품 그룹을 산출하고, 상기 산출된 유사상품 그룹의 상품을 추천 상품으로 결정하는 단계를 포함하는 네트워크 기반 상품 추천 방법.
In the network-based product recommendation method performed by a computing device accessible to a network,
Calculating a similarity between products using product attribute values for each product, and generating a similar product group according to the calculated similarity;
Generating a learning model using the generated similar product group;
Receiving information on a user's interest product from a user terminal; And
And calculating a similar product group having the highest similarity with the user's interest product using the learning model upon receipt of the interest product information, and determining a product of the calculated similar product group as a recommended product How to recommend based products.
상기 관심상품 정보는,
상기 사용자의 상품정보 검색, 상품 구매예약 또는 상품구매 중 적어도 하나의 사용자 행위에 따라 상기 사용자 단말에 의하여 획득되거나,
상기 사용자가 관심을 가진 상품에 구비된 센서로 상기 사용자 단말을 근접시키면, 상기 센서로부터 상기 사용자 단말에 의하여 획득되는 것을 특징으로 하는 네트워크 기반 상품 추천 방법.
The method of claim 1,
The above interest product information,
Obtained by the user terminal according to at least one user action of the user's product information search, product purchase reservation, or product purchase, or
The network-based product recommendation method, characterized in that when the user approaches the user terminal with a sensor provided in a product of interest, it is obtained by the user terminal from the sensor.
상기 유사상품 그룹을 생성하는 단계는,
전체 상품 중 어느 하나의 상품과 나머지 상품 각각에 대하여 상품속성 항목별 상품속성값 차이의 평균을 산출하는 단계;
상기 산출된 평균이 가장 작은 나머지 상품을 유사도가 가장 높은 대표유사상품으로 결정하는 단계; 및
각 상품을 상기 대표유사상품으로 매핑한 후, 상기 대표유사상품을 기준으로 매핑된 적어도 하나의 상품과 상기 대표유사상품을 하나의 유사상품 그룹으로 그룹핑하는 단계를 포함하는 것을 특징으로 하는 네트워크 기반 상품 추천 방법.
The method of claim 1,
The step of creating the similar product group,
Calculating an average of differences in product attribute values for each product attribute item for any one product among all products and each of the remaining products;
Determining the remaining products having the lowest calculated average as the representative similar products having the highest similarity; And
After mapping each product to the representative similar product, grouping at least one product mapped based on the representative similar product and the representative similar product into one similar product group. Recommended way.
상기 생성된 유사상품 그룹은 추천대상이 되는 상품그룹이며,
상기 학습 모델의 입력데이터는 상기 유사상품 그룹이고, 상기 학습모델의 출력데이터는 상기 유사상품 그룹의 각 상품을 대표하여 나타내는 식별자인 것을 특징으로 하는 네트워크 기반 상품 추천 방법.
The method of claim 1,
The created similar product group is a product group subject to recommendation,
The input data of the learning model is the similar product group, and the output data of the learning model is an identifier representing each product of the similar product group.
상기 산출된 유사상품 그룹의 상품을 추천 상품으로 결정하는 단계는,
상기 관심상품의 상품속성 항목별 상품속성값을 추출하는 단계;
상기 추출된 관심상품의 상품속성값을 학습모델에 입력하여 유사도가 가장 높은 유사상품 그룹의 식별자를 산출하는 단계;
상기 산출된 유사상품 그룹의 식별자를 이용하여, 유사상품 그룹의 각 상품의 정보와 식별자를 매핑한 테이블로부터 상기 산출된 유사상품 그룹의 각 상품의 상품 정보를 추출하는 단계; 및
상기 상품 정보를 상기 사용자 단말로 전송하는 단계를 포함하는 것을 특징으로 하는 네트워크 기반 상품 추천 방법.
The method of claim 1,
The step of determining the calculated product of the similar product group as a recommended product,
Extracting a product attribute value for each product attribute item of the interest product;
Calculating an identifier of a group of similar products with the highest similarity by inputting the extracted product attribute values of the products of interest into a learning model;
Extracting product information of each product of the calculated similar product group from a table in which information and identifiers of each product of the similar product group are mapped using the calculated identifier of the similar product group; And
And transmitting the product information to the user terminal.
명령어를 저장하는 메모리; 및
상기 명령어를 실행하는 프로세서를 포함하되,
상기 명령어는,
상품별 상품속성값을 이용하여 상품 간 유사도를 산출하고, 산출된 유사도에 따라 유사상품 그룹을 생성하는 단계;
상기 생성된 유사상품 그룹을 이용하여 학습 모델을 생성하는 단계;
사용자 단말로부터 사용자의 관심상품 정보를 수신하는 단계; 및
상기 관심상품 정보의 수신에 따라 상기 학습모델을 이용하여 상기 사용자의 관심상품과 유사도가 가장 높은 유사상품 그룹을 산출하고, 산출된 유사상품 그룹의 상품을 추천 상품으로 결정하는 단계를 포함하는 네트워크 기반 상품 추천 방법을 수행하는 것을 특징으로 하는 네트워크 기반 상품 추천 장치.
In the network-based product recommendation device,
A memory for storing an instruction; And
Including a processor that executes the instruction,
The above command is:
Calculating a similarity between products using product attribute values for each product, and generating a similar product group according to the calculated similarity;
Generating a learning model using the generated similar product group;
Receiving information on a user's interest product from a user terminal; And
A network-based network comprising the step of calculating a similar product group having the highest similarity to the user's interest product using the learning model according to the reception of the interest product information, and determining a product of the calculated similar product group as a recommended product A network-based product recommendation device, characterized in that it performs a product recommendation method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190114032A KR102307517B1 (en) | 2019-09-17 | 2019-09-17 | Method and apparatus of recommending goods based on network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190114032A KR102307517B1 (en) | 2019-09-17 | 2019-09-17 | Method and apparatus of recommending goods based on network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210032691A true KR20210032691A (en) | 2021-03-25 |
| KR102307517B1 KR102307517B1 (en) | 2021-09-30 |
Family
ID=75222623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190114032A KR102307517B1 (en) | 2019-09-17 | 2019-09-17 | Method and apparatus of recommending goods based on network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102307517B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202395A (en) * | 2022-01-21 | 2022-03-18 | 福州大学 | Online commodity recommendation method and system based on key commodity identification |
| KR102402931B1 (en) * | 2022-03-14 | 2022-05-30 | 주식회사 제이엠지티 | Server providing an online product sale platform and a method for recommending product to customer by the server |
| KR102534837B1 (en) * | 2022-11-14 | 2023-05-26 | 이민혁 | Methods and systems for marketing online goods and services |
| KR20240007044A (en) * | 2022-07-07 | 2024-01-16 | 주식회사 바람 | System for providing cooperation service for multiple workers performing a poject |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100433242B1 (en) | 2001-08-20 | 2004-05-24 | 이상기 | Goods recommendation system and method using artificial intelligence reasoning engine, a storage medea |
| KR20150027441A (en) | 2013-09-03 | 2015-03-12 | 에스케이플래닛 주식회사 | System and method for products recommendation service, and apparatus applied to the same |
| KR20150121281A (en) * | 2014-04-17 | 2015-10-29 | 이형석 | A method for recommending an item based on a comstomer's preference to the item and a computer readable recording medium to store instructions to perform the method |
| KR20160043528A (en) * | 2016-04-01 | 2016-04-21 | 주식회사 포워드벤처스 | Item recommend system and method for recommending item |
| KR101806169B1 (en) * | 2016-07-25 | 2017-12-07 | 오드컨셉 주식회사 | Method, apparatus, system and computer program for offering a shopping information |
| KR20180047794A (en) * | 2016-11-01 | 2018-05-10 | 주식회사 케이티 | O2o marketing platform system based on behavior pattern of visitor of offline store and building method thereof |
-
2019
- 2019-09-17 KR KR1020190114032A patent/KR102307517B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100433242B1 (en) | 2001-08-20 | 2004-05-24 | 이상기 | Goods recommendation system and method using artificial intelligence reasoning engine, a storage medea |
| KR20150027441A (en) | 2013-09-03 | 2015-03-12 | 에스케이플래닛 주식회사 | System and method for products recommendation service, and apparatus applied to the same |
| KR20150121281A (en) * | 2014-04-17 | 2015-10-29 | 이형석 | A method for recommending an item based on a comstomer's preference to the item and a computer readable recording medium to store instructions to perform the method |
| KR20160043528A (en) * | 2016-04-01 | 2016-04-21 | 주식회사 포워드벤처스 | Item recommend system and method for recommending item |
| KR101806169B1 (en) * | 2016-07-25 | 2017-12-07 | 오드컨셉 주식회사 | Method, apparatus, system and computer program for offering a shopping information |
| KR20180047794A (en) * | 2016-11-01 | 2018-05-10 | 주식회사 케이티 | O2o marketing platform system based on behavior pattern of visitor of offline store and building method thereof |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202395A (en) * | 2022-01-21 | 2022-03-18 | 福州大学 | Online commodity recommendation method and system based on key commodity identification |
| KR102402931B1 (en) * | 2022-03-14 | 2022-05-30 | 주식회사 제이엠지티 | Server providing an online product sale platform and a method for recommending product to customer by the server |
| KR20240007044A (en) * | 2022-07-07 | 2024-01-16 | 주식회사 바람 | System for providing cooperation service for multiple workers performing a poject |
| KR102534837B1 (en) * | 2022-11-14 | 2023-05-26 | 이민혁 | Methods and systems for marketing online goods and services |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102307517B1 (en) | 2021-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107424043B (en) | Product recommendation method and device and electronic equipment | |
| KR102307517B1 (en) | Method and apparatus of recommending goods based on network | |
| JP5897019B2 (en) | Method and apparatus for determining linked list of candidate products | |
| US9569499B2 (en) | Method and apparatus for recommending content on the internet by evaluating users having similar preference tendencies | |
| US9082086B2 (en) | Adaptively learning a similarity model | |
| US9846885B1 (en) | Method and system for comparing commercial entities based on purchase patterns | |
| US20120296776A1 (en) | Adaptive interactive search | |
| KR20180052489A (en) | method of providing goods recommendation for cross-border E-commerce based on user experience analysis and environmental factors | |
| KR101740148B1 (en) | Method of recommending items at online shopping malls, based on clients' offline activity data | |
| CN116308684B (en) | Online shopping platform store information pushing method and system | |
| CN114817746A (en) | Insurance product recommendation method, device, equipment and storage medium | |
| CN109711917A (en) | Information-pushing method and device | |
| CN113032668A (en) | Product recommendation method, device and equipment based on user portrait and storage medium | |
| CN112740228A (en) | Visual search engine | |
| KR20220001616A (en) | Method, Apparatus and System for Constructing Bigdata Based on Generating United Identifier of Customer | |
| CN106600360B (en) | Method and device for sorting recommended objects | |
| CN111428100A (en) | Data retrieval method and device, electronic equipment and computer-readable storage medium | |
| CN116739626A (en) | Commodity data mining processing method and device, electronic equipment and readable medium | |
| CN112783468A (en) | Target object sorting method and device | |
| KR101764361B1 (en) | Method of providing shopping mall service based sns and apparatus for the same | |
| KR20220001617A (en) | Method, Apparatus and System for Item Recommendation Using Consumer Bigdata | |
| KR20220001618A (en) | Method, Apparatus and System for Recommendation in Groups Using Bigdata | |
| CN114219589B (en) | Virtual entity object generation and page display method and device and electronic equipment | |
| CN111833085A (en) | Method and device for calculating price of article | |
| CN110827101A (en) | Shop recommendation method and device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |