KR20210144332A - Method and system for managing personal review shop on commerce platform connected with social network service - Google Patents
Method and system for managing personal review shop on commerce platform connected with social network service Download PDFInfo
- Publication number
- KR20210144332A KR20210144332A KR1020200061544A KR20200061544A KR20210144332A KR 20210144332 A KR20210144332 A KR 20210144332A KR 1020200061544 A KR1020200061544 A KR 1020200061544A KR 20200061544 A KR20200061544 A KR 20200061544A KR 20210144332 A KR20210144332 A KR 20210144332A
- Authority
- KR
- South Korea
- Prior art keywords
- seller
- product
- review
- shop
- buyer
- Prior art date
Links
- 238000012552 review Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000007726 management method Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 31
- 230000003993 interaction Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 184
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000015654 memory Effects 0.000 description 14
- 238000003062 neural network model Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 241000862969 Stella Species 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013322 soy milk Nutrition 0.000 description 2
- 235000009499 Vanilla fragrans Nutrition 0.000 description 1
- 244000263375 Vanilla tahitensis Species 0.000 description 1
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- CRQQGFGUEAVUIL-UHFFFAOYSA-N chlorothalonil Chemical compound ClC1=C(Cl)C(C#N)=C(Cl)C(C#N)=C1Cl CRQQGFGUEAVUIL-UHFFFAOYSA-N 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- 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]
- G06Q30/0641—Shopping interfaces
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 커머스 플랫폼에 대한 것으로, 더 구체적으로는 협업 필터링 및 인공 신경망 기술을 이용하여 온라인 쇼핑몰의 판매자들 각각에 맞는 판매 상품을 추천하고 판매자의 개인 리뷰샵을 제공 및 관리하는 방법 및 시스템에 대한 것이다.The present invention relates to a commerce platform, and more specifically, to a method and system for recommending a sale product suitable for each seller of an online shopping mall and providing and managing a seller's personal review shop using collaborative filtering and artificial neural network technology. will be.
정보 폭발의 시대에, 전자 상거래, 온라인 뉴스 및 소셜 미디어 사이트 등 많은 온라인 서비스에서 널리 채택되고 있는 추천 시스템은 정보 과부하를 완화하는 데 중추적인 역할을 한다.In the age of information explosion, recommendation systems, which are widely adopted in many online services such as e-commerce, online news and social media sites, play a pivotal role in alleviating information overload.
추천 알고리즘이란 사용자 및 상품의 프로필 정보나 사용자의 행동(클릭, 장바구니 담기, 구매 등) 정보를 통해 사용자가 어떤 상품을 좋아할지 예측하는 알고리즘으로, 크게 콘텐츠 기반 필터링(Contents Based Filtering) 알고리즘 계열과 협업 필터링(Collaborative Filtering) 알고리즘 계열로 나뉜다.The recommendation algorithm is an algorithm that predicts which product a user will like based on user and product profile information or user behavior (click, add to cart, purchase, etc.) It is divided into a family of collaborative filtering algorithms.
콘텐츠 기반 필터링은 프로필(메타 데이터)을 이용하는 방식이다. 특정 사용자와 프로필이 비슷한 사용자가 좋아한 상품을 추천하거나, 어떤 사용자가 좋아한 특정 아이템과 프로필이 유사한 아이템을 추천해준다.Content-based filtering is a method of using profiles (metadata). It recommends products liked by users with a profile similar to that of a specific user, or items with a profile similar to a specific item liked by a specific user.
그에 비해 협업 필터링은 사용자가 남긴 행동을 바탕으로 사용자들 간의 유사 관계도나 아이템들 간의 유사 관계도를 계산하는 방식이다. 협업 필터링은 사용자 행동, 활동 또는 선호도에 대한 많은 정보를 분석 및 수집하고 다른 사용자와의 비슷함에 기초를 두고 사용자들이 무엇을 좋아할 지를 예측한다. 흔히 협업 필터링은 콘텐츠 기반 필터링보다 정확하다고 알려져 있다. 아마존 같은 대형 이커머스 회사에서는 협업 필터링을 사용하여 소비자에게 구매할만한 상품을 추천한다.On the other hand, collaborative filtering is a method of calculating a degree of similarity between users or a degree of similarity between items based on actions left by the user. Collaborative filtering analyzes and gathers a lot of information about user behavior, activity or preferences and predicts what users will like based on their similarity to other users. Collaborative filtering is often known to be more accurate than content-based filtering. Large e-commerce companies like Amazon use collaborative filtering to recommend products to consumers to buy.
다양한 협업 필터링 기술 중 행렬 분해(Matrix Factorization, MF)는 가장 널리 사용되며, 사용자 또는 아이템(상품)을 나타내는 잠재 특징(latent features)의 벡터를 사용하여 사용자와 아이템을 공유된 잠재 공간(shared latent space)에 투영시킨다. 이에 따라 아이템에 대한 사용자의 상호작용이 잠재 벡터의 내적으로 모델링된다. 그러나, 협업 필터링을 위한 MF의 효과에도 불구하고, 인터랙션 함수(interaction function) ― 내적(inner product)의 단순한 선택에 의해 MF의 성능이 저하되는 문제가 있다.Among various collaborative filtering techniques, matrix factorization (MF) is the most widely used and uses vectors of latent features representing users or items (products) to share items with users in a shared latent space. ) is projected on Accordingly, the user's interaction with the item is modeled as the dot product of the latent vector. However, despite the effect of MF for collaborative filtering, there is a problem in that the performance of the MF is degraded by the simple selection of an interaction function - an inner product.
최근 딥 러닝(Deep Learning)이 주목을 받으며 추천 시스템에 DNN(Deep Neural Network)을 사용하고 있지만, 주로 상품에 대한 텍스트 설명, 음악의 오디오 기능 및 이미지의 시각적 콘텐츠와 같은 보조 정보를 모델링하기 위한 사용에 그치고 있다.Although deep learning has recently attracted attention and is using deep neural networks (DNNs) for recommendation systems, it is mainly used for modeling auxiliary information such as text descriptions of products, audio features of music, and visual content of images. is ending at
한편, 상품 구매, 항목 클릭, 동영상 시청 등과 같은 행동을 통해 사용자의 선호도를 간접적으로 반영하는 암시적 피드백(implicit feedback)에 중점을 둔 추천 시스템의 개발이 진행되고 있다. 사용자가 리뷰를 남기거나 평점을 매기는 명시적 피드백(explicit feedback)에 비해 암시적 피드백은 자동으로 추적할 수 있으므로 콘텐츠 공급자가 데이터를 수집하는 것이 훨씬 쉽다. 그러나 사용자 만족도가 관찰되지 않고 부정적인 피드백이 부족하기 때문에 활용하기는 더 어렵다는 문제가 있다.Meanwhile, development of a recommendation system focusing on implicit feedback that indirectly reflects a user's preference through actions such as purchasing a product, clicking an item, watching a video, etc. is in progress. Compared to explicit feedback, where users leave a review or rate, implicit feedback can be tracked automatically, making it much easier for content providers to collect data. However, the problem is that it is more difficult to utilize because user satisfaction is not observed and there is a lack of negative feedback.
종래 전자상거래에서 추천 알고리즘은 구매자의 취향을 예측하여 구매자에게 어떤 상품을 구매할지 추천하는 것이 대부분인데, 판매자가 개인 마켓을 운영하면서 큰 어려움을 겪는 부분은 본인에게 알맞은 판매 상품이 무엇인지 알아내는 과정이다.In conventional e-commerce, the recommendation algorithm predicts the taste of the buyer and recommends which product to purchase to the buyer. am.
단순하게 판매량이나 매출액 순으로 판매 상품을 선택 또는 추천하게 되면 대부분의 판매자가 비슷한 인기 상품만을 팔게 되는 상황에 놓일 수도 있다. 이는 판매자들의 출혈 경쟁을 야기하고 때로는 자극적인 과장 광고로 소비자를 눈속임하는 전략이 사용된다. 결과적으로 쇼핑몰 전체의 발전에 악영향을 끼치게 된다.If you simply select or recommend products for sale in the order of sales or sales, you may be in a situation where most sellers will only sell similarly popular products. This leads to bleeding competition among sellers, and sometimes a strategy is used to deceive consumers with provocative exaggerated advertisements. As a result, it adversely affects the development of the entire shopping mall.
사용자가 구매 활동을 하면서 동시에 상품을 판매할 수 있도록 하는 온라인 쇼핑몰 서비스 역시 판매 활동을 하는 사용자 개개인의 수익을 극대화할 수 있도록 맞춤형으로 판매 상품을 추천해주는 기술이 부족하다. 특히, 판매자와 소비자가 밀접하게 상호작용하는 소셜 네트워크 서비스(Social Network Service, SNS)형 커머스의 경우, 각 판매자에게 적합한 판매 상품은 해당 판매자에게서 구매하는 소비자의 패턴에 따라 각자 다른 양상을 보인다. 하지만 개인 판매자로서는 본인의 고객들의 특징을 분석하여 적합한 판매 상품을 선택하기 어렵다.The online shopping mall service, which allows users to sell products while making purchases, also lacks the technology to recommend products for sale in a customized way to maximize the profits of individual users who engage in sales activities. In particular, in the case of social network service (SNS)-type commerce where sellers and consumers interact closely, products suitable for each seller show different aspects depending on the pattern of consumers who purchase from the seller. However, as an individual seller, it is difficult to select a suitable product for sale by analyzing the characteristics of their customers.
본 발명은 상기와 같은 종래 기술의 문제점을 해소하기 위한 것으로, 소셜 네트워크의 형태로 구매자와 판매자가 상호작용하도록 인터페이스를 제공하는 온라인 쇼핑몰의 거래 데이터에서 인터랙션 함수(interaction function)를 학습하기 위한 심층 신경망(deep neural network)을 기반으로 판매자가 판매할 상품을 자동으로 추천해주는 리뷰샵 관리 방법 및 시스템을 제공하는 것을 목적으로 한다.The present invention is to solve the problems of the prior art as described above, and a deep neural network for learning an interaction function from transaction data of an online shopping mall that provides an interface for interaction between buyers and sellers in the form of a social network. An object of the present invention is to provide a review shop management method and system that automatically recommends products to be sold by a seller based on a deep neural network.
또한, 본 발명은 소셜 네트워크와 연동되는 커머스 플랫폼에서 개인 판매자를 위해 판매 페이지를 자동 생성해주는 리뷰샵 관리 방법 및 시스템을 제공하는 것을 목적으로 한다.Another object of the present invention is to provide a review shop management method and system for automatically generating a sales page for an individual seller on a commerce platform linked with a social network.
상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 소셜 네트워크와 연동되는 커머스 플랫폼에서의 리뷰샵 관리 방법은, 온라인 쇼핑몰의 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고 학습하는 단계; 상기 학습된 협업 필터링 신경망을 이용해 판매자에 대한 상품별 예측 수익을 산출하고, 상기 예측 수익을 기초로 상기 판매자에게 추천할 하나 이상의 상품에 대한 정보를 제공하는 단계; 상기 거래 데이터로부터 상기 판매자에 의한 상품 구매가 완료되었음을 확인하면, 상기 판매자에게 리뷰 작성 인터페이스를 제공하는 단계; 상기 리뷰 작성 인터페이스를 통해 구매 상품에 대한 리뷰 작성이 완료되면, 해당 구매 상품에 대한 판매 페이지를 생성하고 상기 판매자의 개인 리뷰샵에 추가하는 단계; 및 상기 작성된 리뷰를 포함하는 소셜 네트워크 메시지를 상기 판매자의 팔로워에게 전달하는 단계;를 포함할 수 있다.In order to achieve the above object, a review shop management method in a commerce platform linked with a social network according to an embodiment of the present invention provides identification information of buyers, sellers, and products and corresponding transactions from transaction data of an online shopping mall. modeling and learning a collaborative filtering neural network that extracts revenue information due to the result, and learns the relationship between the buyer and the product, the relationship between the product and the seller, and the relationship between the buyer and the seller by inputting the extracted information; calculating a predicted profit for each product for the seller using the learned collaborative filtering neural network, and providing information on one or more products to be recommended to the seller based on the predicted profit; providing a review writing interface to the seller when it is confirmed from the transaction data that the product purchase by the seller is completed; upon completion of writing a review for the purchased product through the review writing interface, creating a sales page for the purchased product and adding it to the seller's personal review shop; and delivering a social network message including the written review to the seller's followers.
상기 리뷰샵 관리 방법은, 상기 온라인 쇼핑몰에 접속한 사용자가 판매자 모드인 경우, 해당 판매자의 판매 상품을 보여주는 적어도 하나의 판매 페이지를 포함하는 개인 리뷰샵을 운영할 수 있는 리뷰샵 관리 인터페이스를 제공하는 단계; 및 상기 개인 리뷰샵을 통해 판매된 상품에 대해 소정의 수익을 해당 판매자에게 배정하는 단계;를 더 포함할 수 있다.The review shop management method includes providing a review shop management interface capable of operating a personal review shop including at least one sales page showing products sold by the seller when a user accessing the online shopping mall is in a seller mode step; and allocating a predetermined profit for the product sold through the personal review shop to the corresponding seller.
리뷰샵 관리 방법은, 상기 온라인 쇼핑몰의 사용자가 상기 판매자의 개인 리뷰샵에 대한 팔로잉을 요청하면, 상기 판매자의 팔로워 리스트에 상기 사용자를 추가하는 단계;를 더 포함할 수 있다.The review shop management method may further include, when the user of the online shopping mall requests to follow the seller's personal review shop, adding the user to the seller's follower list.
상기 판매 페이지를 생성하는 단계는, 상기 구매 상품을 다른 사용자에게 판매하기 위한 판매 인터페이스, 상기 판매자가 상기 구매 상품에 대해 작성한 리뷰, 및 상기 판매자에 의한 실제 구매 내역을 포함하는 페이지를 생성하는 단계;를 포함할 수 있다.The generating of the sales page may include: generating a page including a sales interface for selling the purchased product to another user, a review written by the seller on the purchased product, and actual purchase details by the seller; may include.
상기 협업 필터링 신경망은, 잠재 특징 인터랙션(latent feature interaction)을 모델링하기 위해 선형 커널을 적용하는 복수의 GMF(Generalized Matrix Factorization) 레이어, 인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 복수의 MLP(Multi-Layer Perceptron) 레이어, 및 상기 GMF 레이어와 상기 MLP 레이어의 출력을 결합하는 NeuMF(Neural Matrix Factorization) 레이어를 포함하고, 상기 신경망 학습 단계는, 상기 데이터 수집 단계에서 추출한 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩(one-hot encoding)하여 이진화된 스파스 벡터(sparse vector)로 변환하는 단계; 상기 이진화된 스파스 벡터를 저차원의 임베딩 벡터로 변환하는 단계; 상기 구매자에 대한 잠재 벡터(latent vector)와 상기 상품에 대한 잠재 벡터에 대해 요소별 곱(element-wise product)을 적용한 구매자-상품 GMF 레이어, 상기 상품에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 상품-판매자 GMF 레이어, 및 상기 구매자에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 구매자-판매자 GMF 레이어;를 통해 상기 임베딩 벡터를 학습하는 단계; 상기 복수의 MLP 레이어를 통해 상기 임베딩 벡터를 학습하는 단계; 및 상기 구매자-상품 GMF 레이어, 상기 상품-판매자 GMF 레이어, 상기 구매자-판매자 GMF 레이어 및 상기 복수의 MLP 레이어의 출력을 결합하여 상기 NeuMF 레이어를 통해 학습하는 단계;를 포함할 수 있다.The collaborative filtering neural network includes a plurality of Generalized Matrix Factorization (GMF) layers that apply a linear kernel to model latent feature interaction, and a plurality of nonlinear kernels using a nonlinear kernel to learn an interaction function. A Multi-Layer Perceptron (MLP) layer, and a NeuMF (Neural Matrix Factorization) layer that combines the output of the GMF layer and the MLP layer, wherein the neural network learning step includes buyers, sellers and products extracted in the data collection step. Converting the identification information of the one-hot encoding (one-hot encoding) into a binarized sparse vector (sparse vector); converting the binarized sparse vector into a low-dimensional embedding vector; In the buyer-product GMF layer, which applies an element-wise product to the latent vector for the buyer and the latent vector for the product, the latent vector for the product and the latent vector for the seller Learning the embedding vector through a product-seller GMF layer to which a product-by-element product is applied, and a buyer-seller GMF layer to which a product-by-element product is applied to the latent vector for the buyer and the latent vector for the seller; learning the embedding vector through the plurality of MLP layers; and combining outputs of the buyer-product GMF layer, the product-seller GMF layer, the buyer-seller GMF layer, and the plurality of MLP layers to learn through the NeuMF layer.
본 발명의 일 실시예에 따라 컴퓨터로 구현되는 소셜 네트워크와 연동되는 커머스 플랫폼에서의 리뷰샵 관리 시스템은 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 온라인 쇼핑몰의 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고, 상기 학습된 협업 필터링 신경망을 이용해 판매자에 대한 각 상품별 예측 수익을 산출하는 신경망 모듈; 상기 신경망 모듈에 의해 산출된 예측 수익을 기초로 상기 판매자에게 추천할 하나 이상의 상품에 대한 정보를 제공하는 상품 추천 모듈; 상기 거래 데이터로부터 상기 판매자의 상품 구매가 완료되었음을 확인하면, 상기 판매자에게 리뷰 작성 인터페이스를 제공하는 사용자 관리 모듈; 상기 리뷰 작성 인터페이스를 통해 구매 상품에 대한 리뷰 작성이 완료되면, 해당 구매 상품에 대한 판매 페이지를 생성하고 상기 판매자의 개인 리뷰샵에 추가하는 리뷰샵 관리 모듈; 및 상기 작성된 리뷰를 포함하는 소셜 네트워크 메시지를 상기 판매자의 팔로워에게 전달하는 SNS 모듈;을 포함할 수 있다.According to an embodiment of the present invention, a review shop management system in a commerce platform linked to a social network implemented by a computer includes at least one processor implemented to execute a computer-readable instruction, the at least one processor comprising: , extracts identification information of buyers, sellers, and products and revenue information from the transactions from the transaction data of the online shopping mall, and inputs the extracted information to determine the relationship between the buyer and the product, the relationship between the product and the seller, and the relationship between the buyer and the seller a neural network module for modeling a learning collaborative filtering neural network and calculating a predicted profit for each product for a seller using the learned collaborative filtering neural network; a product recommendation module for providing information on one or more products to be recommended to the seller based on the predicted revenue calculated by the neural network module; a user management module configured to provide a review writing interface to the seller when it is confirmed from the transaction data that the seller's product purchase is complete; a review shop management module for creating a sales page for the purchased product and adding it to the seller's personal review shop when the review of the purchased product is completed through the review writing interface; and an SNS module for delivering a social network message including the written review to the seller's followers.
본 발명에 의하면, 소셜 네트워크의 형태로 구매자와 판매자가 상호작용하도록 인터페이스를 제공하는 온라인 쇼핑몰의 거래 데이터에서 인터랙션 함수(interaction function)를 학습하기 위한 심층 신경망(deep neural network)을 기반으로 판매자가 판매할 상품을 자동으로 추천해주는 리뷰샵 관리 방법 및 시스템을 제공할 수 있다.According to the present invention, a seller sells based on a deep neural network for learning an interaction function from transaction data of an online shopping mall that provides an interface for interaction between a buyer and a seller in the form of a social network. It is possible to provide a review shop management method and system that automatically recommends products to be used.
또한, 본 발명에 의하면 소셜 네트워크와 연동되는 커머스 플랫폼에서 개인 판매자를 위해 판매 페이지를 자동 생성해주는 리뷰샵 관리 방법 및 시스템을 제공할 수 있다.In addition, according to the present invention, it is possible to provide a review shop management method and system for automatically generating a sales page for an individual seller on a commerce platform linked with a social network.
도 1 및 도 2는 본 발명의 일 실시예에 따른 리뷰샵 관리 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 리뷰샵 관리 방법을 설명하기 위한 순서도이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 협업 필터링 신경망의 모델을 설명하기 위한 도면이다.
도 6 내지 도 8은 본 발명의 일 실시예에 따른 협업 필터링 신경망의 학습 및 예측 원리를 설명하기 위한 도면이다.
도 9 내지 도 17은 본 발명의 일 실시예에 따른 리뷰샵 관리 방법이 적용되는 온라인 쇼핑몰 서비스의 사용자 인터페이스를 예시한 도면이다.1 and 2 are block diagrams for explaining the configuration of a review shop management system according to an embodiment of the present invention.
3 is a flowchart illustrating a review shop management method according to an embodiment of the present invention.
4 and 5 are diagrams for explaining a model of a collaborative filtering neural network according to an embodiment of the present invention.
6 to 8 are diagrams for explaining a learning and prediction principle of a collaborative filtering neural network according to an embodiment of the present invention.
9 to 17 are diagrams illustrating a user interface of an online shopping mall service to which a review shop management method according to an embodiment of the present invention is applied.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다. 본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다. Terms used in this specification will be briefly described, and the present invention will be described in detail. The terms used in the present invention have been selected as currently widely used general terms as possible while considering the functions in the present invention, but these may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, and the like. In addition, in a specific case, there is a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the corresponding invention. Therefore, the term used in the present invention should be defined based on the meaning of the term and the overall content of the present invention, rather than the name of a simple term.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...수단", "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.When a part "includes" a certain element throughout the specification, this means that other elements may be further included, rather than excluding other elements, unless otherwise stated. In addition, terms such as "...means", "...unit", and "module" described in the specification mean a unit that processes at least one function or operation, which is implemented in hardware or software, or is implemented in hardware and software. It can be implemented by combining
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art can easily carry out the embodiments of the present invention. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
도 1 및 도 2는 본 발명의 일 실시예에 따른 리뷰샵 관리 시스템의 구성을 설명하기 위한 블록도이다.1 and 2 are block diagrams for explaining the configuration of a review shop management system according to an embodiment of the present invention.
도 1을 참조하면, 리뷰샵 관리 시스템은 온라인 쇼핑몰의 사용자가 사용하는 구매자 단말(110)과 판매자 단말(120), 그리고 리뷰샵 관리 장치(100)를 포함하여 구성될 수 있으며, 이들 전자기기는 컴퓨터 장치로 구현되는 고정형 단말이거나 또는 이동형 단말일 수 있다. 전자기기의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다.Referring to FIG. 1 , the review shop management system may include a
전자기기들(100, 110, 120) 간의 통신 방식은 제한되지 않으며, 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다.The communication method between the
리뷰샵 관리 장치(100)는 하나 이상의 물리적인 컴퓨팅 장치로 구현될 수 있으며, 상품을 판매하는 온라인 쇼핑몰 서비스 뿐만 아니라 협업 필터링 신경망의 학습 및 수익 예측, 판매 상품 추천, 개인 리뷰샵 관리, 사용자의 모드 전환 등 사용자 관리, 구매자와 사용자의 상호작용을 위한 소셜 네트워크 서비스 등을 제공할 수 있다.The review
본 발명에서 사용자는 구매자 모드 또는 판매자 모드로 서비스를 이용할 수 있다. 편의상 구매자 모드로 이용하는 사용자의 단말을 구매자 단말(110)로 구매자 모드뿐만 아니라 판매자 모드로도 이용하는 사용자의 단말을 판매자 단말(120)로 구분하여 사용하였지만, 구매자 단말(110)과 판매자 단말(120)은 하드웨어 구성상 서로 다르지 않으며 소프트웨어 구성상으로도 동일한 애플리케이션을 통해 온라인 쇼핑몰에 접속하여 본 발명에 의해 제공되는 판매 상품 추천 및 리뷰샵 관리 서비스를 이용하게 된다. In the present invention, a user may use the service in a buyer mode or a seller mode. For convenience, the user's terminal used in the buyer mode is used as the
본 발명에서 각 판매자는 스스로 온라인 쇼핑몰의 상품을 구매할 수도 있고 자신이 선택한 상품을 판매할 수 있는 별도의 샵(shop)을 온라인 쇼핑몰 내에 가지고 있으며, 자신의 상품을 구매하거나 자신을 팔로우(follow)하는 구매자를 보유하고 있다.In the present invention, each seller has a separate shop in the online shopping mall where he or she can purchase the product of the online shopping mall or sell the product selected by him/herself, and purchases his/her own product or follows him/herself. have buyers.
본 발명은 사용자가 전용 애플리케이션에서 구매자로서 운영업체가 소싱한 상품을 구매한 후 상품에 대한 리뷰(review)를 남기면, 그 리뷰를 통해 본인의 샵을 개설할 수 있도록 하는 커머스 서비스를 제공한다. 이러한 개인 리뷰샵(review shop)을 개설한 후에는 동일 애플리케이션 내에서 판매자 모드로 전환하여 개인 리뷰샵의 운영도 가능하다.The present invention provides a commerce service that allows a user to open his/her own shop through a review after a user purchases a product sourced by an operator as a purchaser in a dedicated application and leaves a review on the product. After opening such a personal review shop, it is also possible to operate the personal review shop by switching to the seller mode within the same application.
또한, 구매자가 특정 판매자의 개인 리뷰샵의 스타일, 리뷰의 품질 등이 마음에 든다면 해당 리뷰샵을 팔로우할 수 있다. 리뷰샵을 팔로우하면 구매자의 피드에 팔로우한 리뷰샵의 리뷰들이 나열되므로 쉽게 해당 리뷰샵에 접근할 수 있다.In addition, if a buyer likes a specific seller's personal review shop's style, review quality, etc., they can follow the review shop. If you follow a review shop, the reviews of the review shop you follow are listed in the buyer's feed, so you can easily access the review shop.
또한, 구매자와 판매자는 피드에 올라오는 리뷰들에 '좋아요' 버튼, 점수 입력 등을 통해 평가를 입력하거나 댓글을 달면서 SNS(Social Network Service)와 같이 서로 상호작용을 할 수 있다In addition, buyers and sellers can interact with each other like SNS (Social Network Service) by entering ratings or commenting on reviews posted on the feed through the 'Like' button and score input.
도 1을 참조하면, 구매자 단말(110)을 통해 리뷰샵 관리 장치(100)에 접속한 구매자의 상품 보기, 장바구니 담기, 결제 등 행동이 발생하면, 해당 행동에 대한 로그 데이터가 소비자 행동 로그 저장소(111)에 저장된다.Referring to FIG. 1 , when an action such as viewing a product, adding to a shopping cart, or payment of a buyer accessing the review
리뷰샵 관리 장치(100)는 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 프로세서는 사용자 관리 모듈(101), 리뷰샵 관리 모듈(102), SNS 모듈(103), 상품 추천 모듈(104) 및 신경망 모듈(105)을 포함하여 실행할 수 있다The review
상품 추천 모듈(104)의 학습 작업 및 예측 작업 지시에 따라, 신경망 모듈(105)은 학습 및 예측에 필요한 데이터를 추출하여 필요 데이터 저장소(112)에 저장한다. 필요 데이터에는 상품 구매에 따른 결제 데이터로부터 획득할 수 있는 구매자, 상품, 판매자 및 해당 거래에 따른 매출 또는 수익에 대한 정보가 포함될 수 있다.According to the instruction of the
신경망 모듈(105)의 학습을 위해 데이터 전처리가 필요하다. 전처리 단계에서는 필요 데이터 저장소(112)로부터 구매자 ID, 상품 ID 및 판매자 ID가 독출되어 입력 벡터로 변환된다. 전처리된 데이터는 전처리 데이터 저장소(113)에 저장되어 신경망 모듈(105)에 입력된다.Data preprocessing is required for learning of the
협업 필터링 신경망 모듈(105)은 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 딥 러닝(deep learning)한다. 이를 위해, 협업 필터링 신경망(105)은 판매자, 구매자, 상품이라는 3개의 엔터티(entity)를 가지고 머신 러닝(machine learning)을 수행하여 확률값을 계산한다. 판매자와 구매자는 모두 해당 온라인 쇼핑몰의 사용자로 인플루언서(influencer)와 팔로워(follower)라는 밀접한 특정 관계가 있으며, 구매자와 상품 사이에는 구매 여부라는 특정 관계가 있다.The collaborative filtering
학습된 신경망(105)은 모든 판매자에 대해, 각 판매자를 팔로우하는 구매자들에 대해, 그리고 모든 상품에 대해 수익을 예측한다. 즉, 모든 판매자-팔로워-상품 쌍에 대한 수익을 예측한다. 상품 추천 모듈(104)은 이 예측 결과를 기초로 각 판매자의 수익을 극대화할 수 있는 상품 리스트를 추천한다. 추천 결과는 추천 결과 저장소(114)에 저장되어 판매자 단말(120)에 제공될 수 있다. 추천 모듈(104)은 모든 판매자에 대해 일별 배치로 학습 및 예측을 수행할 수 있다.The trained
본 발명의 다양한 실시예에 따른 신경망 모델의 구조와 그에 의한 학습 및 예측에 대해서는 도 4 내지 도 8를 참조하여 상세히 후술하기로 한다.The structure of a neural network model according to various embodiments of the present invention and learning and prediction thereof will be described later in detail with reference to FIGS. 4 to 8 .
사용자 관리 모듈(101)은 사용자들의 개인 정보, 모드 정보, 권한 정보, 접속 정보, 구매 정보, 판매 정보 등을 저장 및 관리하고 그에 따라 아래와 같은 사용자 관리 기능을 수행한다.The
사용자 관리 모듈(101)은 온라인 쇼핑몰에 접속한 사용자의 모드를 확인하고 관리하는데, 확인된 모드에 따라 구매자 모드 인터페이스 또는 개인 리뷰샵을 포함하는 판매자 모드 인터페이스를 제공한다.The
구매자로만 이용할 권한이 있는 사용자는 구매자 모드로만 서비스에 접속할 수 있고 구매자 모드 인터페이스를 통해 상품의 구매, 타 사용자의 리뷰샵에 대한 방문 및 팔로우, 구매 상품의 리뷰 작성 등 구매에 관련된 기능을 이용할 수 있다.Users who have the right to use only as a buyer can access the service only in buyer mode, and through the buyer mode interface, can use functions related to purchase, such as purchasing products, visiting and following other users’ review shops, and writing reviews of purchased products. .
판매자로 이용할 권한이 있는 사용자는 구매자 모드 및 판매자 모드 모두를 이용하여 서비스에 접속할 수 있다. 판매자 권한이 있는 사용자 즉 판매자 모드가 활성화되어 있는 사용자는 특정 시점에 구매자 모드 또는 판매자 모드로 서비스를 이용한다. 구매자 모드로 이용할 때는 구매자 모드 인터페이스를 통해 구매에 관련된 기능의 이용이 가능하고, 판매자 모드로 이용할 때는 판매자 모드 인터페이를 통해 자신의 개인 리뷰샵 관리, 판매 페이지 생성을 위한 리뷰 작성, 팔로워 관리, 판매 수익 확인 및 지급 요청 등 판매에 관련된 기능을 이용할 수 있다.A user authorized to use as a seller can access the service using both buyer mode and seller mode. A user with seller authority, that is, a user whose seller mode is activated, uses the service in buyer mode or seller mode at a specific point in time. When using in buyer mode, purchase-related functions can be used through the buyer mode interface. When using in seller mode, through the seller mode interface, you can manage your own personal review shop, write a review to create a sales page, manage followers, and sell revenue. You can use functions related to sales, such as confirmation and payment request.
사용자 관리 모듈(101)은 온라인 쇼핑몰의 사용자들에 대해 방문 횟수, 상품 구매량 및 상품 리뷰수 중 적어도 하나를 기준으로 쇼퍼 등급을 산정하여 관리할 수 있다. 쇼퍼 등급은 상품 구매시 할인율 등 각 사용자의 상품 구매 조건을 결정하는데 사용될 수 있다. 또한, 쇼퍼 등급은 판매자 모드 활성화 여부를 결정하는데 사용될 수 있다. 쇼퍼 등급이 미리 설정된 소정의 등급 이상이면 판매자 권한을 부여하여 판매자 모드로 서비스를 이용할 수 있도록 사용자 설정을 변경할 수 있다. 이 경우, 해당 사용자가 계좌 번호 등을 입력하고 판매자 권한을 신청하면 판매자 모드가 활성화되며 자신의 개인 리뷰샵을 가질 수 있게 된다.The
사용자 관리 모듈(101)은 판매자 모드 사용자의 팔로워 수, 상품 판매량, 팔로워들의 평가 및 상품 리뷰 수 중 적어도 하나를 기준으로 인플루언싱 등급을 산정하여 관리할 수 있다. 인플루언싱 등급은 판매자 권한이 부여된 사용자들의 판매 활동을 평가한 것이라 볼 수 있다.The
산정된 인플루언싱 등급에 따라 해당 사용자의 상품 판매 조건 및 상품 판매에 따른 수익 지급 조건을 결정할 수 있다. 상품 판매 조건은 상품 판매시 가격 조정에 대한 것으로, 판매자의 인플루언싱 등급에 따라 상품 판매시 소정의 할인율을 적용하도록 할 수 있다. 판매 실적이 우수한 판매자는 상품을 더 할인해 판매할 수 있도록 인센티브를 주는 것이다. 수익 지급 조건은 판매량에 따른 보상 지급에 대한 것으로, 판매자의 인플루언싱 등급에 따라 상품 판매에 따른 수익금 지급을 다르게 적용할 수 있다. 예컨대 매출 실적이 높은 판매자에게 더 높은 비율의 수익금을 지급하도록 설정할 수 있다.According to the calculated influencer rating, it is possible to determine the product sales condition of the corresponding user and the profit payment condition according to the product sales. The product sale condition relates to price adjustment when selling a product, and a predetermined discount rate may be applied when selling the product according to the seller's influencer level. Sellers with good sales performance are incentivized to sell their products at a further discount. The conditions for payment of revenue are for compensation according to sales volume, and depending on the seller's influencer rating, the payment of profits from product sales can be applied differently. For example, it can be set to pay a higher percentage of profits to sellers with high sales performance.
리뷰샵 관리 모듈(102)은 판매자 모드 사용자별로 리뷰, 판매 페이지 및 리뷰샵을 생성하고 관리하는 기능을 수행한다.The review
리뷰샵 관리 모듈(102)은, 판매자 모드 사용자가 추천된 상품에 대한 리뷰를 작성하면, 해당 추천 상품에 대한 판매 페이지를 생성하여 개인 리뷰샵에 추가한다. 판매자 권한이 있는 사용자는 자신이 실제로 구매한 상품에 대해 판매 페이지를 추가할 수 있으며, 해당 상품에 대한 리뷰를 작성하면 판매 페이지가 자동으로 생성되어 리뷰샵에 추가된다.When the seller mode user writes a review on a recommended product, the review
리뷰샵에 추가되는 리뷰와 판매 페이지에 대한 정보는 SNS 모듈(103)을 통해 다른 사용자들에게 전달된다. 구체적으로 SNS 모듈(103)은 판매자 모드 사용자가 작성한 리뷰 정보 및 해당 판매 페이지에 접근할 수 있는 링크 정보를 포함하는 SNS 메시지를 해당 판매자 모드 사용자의 팔로워들에게 전달할 수 있다.Information on reviews and sales pages added to the review shop is transmitted to other users through the
도 2를 참조하면, 구매자와 판매자의 사용자 단말(110, 120)과 리뷰샵 관리 장치(100)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함하는 컴퓨팅 장치이다. 사용자 단말(110, 120)은 리뷰샵 관리 서비스를 포함하는 온라인 쇼핑몰 서비스를 이용하는 사용자의 전자 기기이다.Referring to FIG. 2 , the
메모리(211, 221)는 비-일시적인 컴퓨터 판독 가능한 기록매체로서, RAM(Random Access Memory), ROM(Read Only Memory), 디스크 드라이브, SSD(Solid State Drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치를 포함할 수 있다. 여기서 ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(211, 221)와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(110, 120)이나 리뷰샵 관리 장치(100)에 포함될 수도 있다. 또한, 메모리(211, 221)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 온라인 쇼핑몰 서비스 이용을 위해 사용자 단말(110, 120)에 설치된 어플리케이션, 판매 상품 추천 및 리뷰샵 관리 서비스 제공을 위해 리뷰샵 관리 장치(100)에 설치된 프로그램을 위한 코드 등)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수도 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(320)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(211, 221)에 로딩될 수 있다.The
프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.The
통신 모듈(213, 223)은 네트워크(320)를 통해 사용자 단말(110, 120)과 리뷰샵 관리 장치(100)가 서로 통신하기 위한 기능을 제공할 수 있으며, 사용자 단말(110, 120) 및/또는 리뷰샵 관리 장치(100)가 다른 전자 기기 또는 다른 서버와 통신하기 위한 기능을 제공할 수 있다.The
입출력 인터페이스(214)는 입출력 장치(311)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드, 마우스, 마이크로폰, 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 사용자 단말(110, 120)의 프로세서(212)가 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 리뷰샵 관리 장치(100)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다. 입출력 장치(311)는 사용자 단말(110, 120)과 하나의 장치로 구성될 수도 있다.The input/
또한, 리뷰샵 관리 장치(100)의 입출력 인터페이스(224)는 리뷰샵 관리 장치(100)와 연결되거나 리뷰샵 관리 장치(100)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다.In addition, the input/
또한, 다른 실시예에서 사용자 단말(110, 120) 및 리뷰샵 관리 장치(100)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 사용자 단말(110, 120)은 상술한 입출력 장치(311) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 보다 구체적인 예로, 사용자 단말(110, 120)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(110, 120)에 더 포함되도록 구현될 수 있다.Also, in another embodiment, the
도 3은 본 발명의 일 실시예에 따른 리뷰샵 관리 방법을 설명하기 위한 순서도이다.3 is a flowchart illustrating a review shop management method according to an embodiment of the present invention.
단계 S31에서는, 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고 학습한다.In step S31, identification information of a buyer, a seller, and a product and revenue information from the transaction are extracted from the transaction data, and the relationship between the buyer and the product, the relationship between the product and the seller, and the relationship between the buyer and the seller by inputting the extracted information Model and train a learning collaborative filtering neural network.
도 4 및 도 5는 본 발명의 일 실시예에 따른 협업 필터링 신경망의 모델을 설명하기 위한 도면이다.4 and 5 are diagrams for explaining a model of a collaborative filtering neural network according to an embodiment of the present invention.
본 발명은 인공신경망 모델에서 행렬 분해(MF)를 표현하고 일반화하는 동시에 인공신경망 모델의 비선형성을 증대시키기 위해 다층 퍼셉트론(Multi-Layer Perceptron)을 활용하여 사용자와 상품 간의 인터랙션 함수를 학습함으로써, 더 효율적인 판매 상품 추천 성능을 가지는 리뷰샵 관리 방법 및 시스템을 제안한다.The present invention uses a multi-layer perceptron to express and generalize matrix decomposition (MF) in an artificial neural network model and at the same time increase the non-linearity of the artificial neural network model by learning the interaction function between the user and the product. We propose a review shop management method and system with efficient product recommendation performance.
도 4에 도시된 바와 같이, 본 발명에서는 암시적 피드백 데이터의 이진 속성을 강조하는 확률적 모델로 협업 필터링 신경망을 학습한다. 본원에서는 협업 필터링에 중점을 두므로, 입력 특징(input feature)으로 사용자(user)와 상품(item)의 식별자(identity)만을 사용한다.As shown in FIG. 4 , in the present invention, a collaborative filtering neural network is trained with a probabilistic model that emphasizes the binary properties of implicit feedback data. Since the focus is on collaborative filtering in this application, only the identities of the user and the item are used as input features.
도 4를 참조하면, 협업 필터링 신경망의 입력 레이어(Input Layer)는 사용자(판매자)와 제품 식별자를 원-핫 인코딩(one-hot-encoding)한 이진화된 스파스 벡터(sparse vector, 411, 412)를 포함할 수 있다.Referring to FIG. 4, the input layer of the collaborative filtering neural network is a binarized sparse vector (sparse vector, 411, 412) obtained by one-hot-encoding a user (seller) and a product identifier. may include.
임베딩 레이어(Embedding Layer)는 아래 계층인 입력 레이어의 입력 벡터들(411, 412)을 임베딩한 것으로 입력 벡터를 차원을 축소시켜 표현한 밀집 벡터(421, 422, 423, 424)를 포함한다.The embedding layer embeds the
타겟 데이터 
우도 함수(likelihood function)는 다음과 같이 정의할 수 있다.The likelihood function can be defined as follows.
상기 함수의 네거티브 로그화로 다음과 같이 함수를 완성할 수 있다.With the negative logarithm of the above function, the function can be completed as follows.
GMF 레이어(Generalized Matrix Factorization Layer, 431)는 잠재 특징 인터랙션(latent feature interactions)을 모델링하기 위해 선형 커널(linear kernel)을 적용하는 레이어이다. GMF 레이어(431)에서는 사용자의 잠재 공간과 상품의 잠재 공간 간의 관계를 요소별 연산으로 학습하여 사용자와 상품의 관계를 파악한다. The GMF layer (Generalized Matrix Factorization Layer, 431) is a layer that applies a linear kernel to model latent feature interactions. The
임베딩 레이어의 임베딩 벡터는 사용자의 잠재 벡터(421, 422)와 상품의 잠재 벡터(423, 424)로 표현되는데 사용자 잠재 벡터 
이 벡터를 출력 레이어에 투영하면 다음과 같다. 여기서, aout은 활성화 함수(activation function)를 h는 출력 레이어의 에지 웨이트(edge weights)를 나타낸다.Projecting this vector onto the output layer looks like this: Here, a out denotes an activation function and h denotes edge weights of the output layer.
MLP(Multi-Layer Perceptron) 레이어(432)는 입력 데이터로부터 인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 레이어이다. MLP 레이어(432)에서는 사용자의 잠재 공간과 상품의 잠재 공간 간의 관계를 DNN으로 학습하는데, 사용자의 잠재 공간과 상품의 잠재 공간을 하나의 잠재 공간으로 이어 이들 간의 관계를 GMF와 다른 형태의 네트워크로 학습할 수 있다.The Multi-Layer Perceptron (MLP)
MLP 모델은 다음과 같이 정의할 수 있다. 여기서, Wx, Bx, ax는 각각 x 번째 MLP 레이어의 웨이트 매트릭스(weight matrix), 바이어스 벡터(vias vector), 활성화 함수를 나타낸다. 이 예에서 활성화 함수로 Rectifier(ReLU)를 사용하고 있음을 알 수 있으나, 실시예에 따라서는 다른 함수를 사용할 수도 있다.The MLP model can be defined as follows. Here, W x , B x , and a x represent a weight matrix, a bias vector, and an activation function of the x-th MLP layer, respectively. Although it can be seen that Rectifier (ReLU) is used as the activation function in this example, another function may be used depending on the embodiment.
NeuMF(Neural Matrix Factorization) 레이어(441)는 다음 수식과 같이 GMF 레이어(431)와 MLP 레이어(432)를 concatenation으로 합친다. 임베딩 벡터는 MF 사용자 벡터(421)과 MLP 사용자 벡터(422)와 같이 2 종류로 나뉜다. GMF와 MLP에서 최적의 임베딩 개수가 각각 다를 것이므로 모델별로 각각 임베딩을 한 것이다.The NeuMF (Neural Matrix Factorization)
NeuMF 레이어(441)의 입력으로 들어갈 GMF 레이어(431)와 MLP 레이어(432) 파트를 합칠 때 가중치(weight)를 사용해서 상황에 따라 각 파트에 대한 중요도를 조절할 수 있다. GMF와 MLP를 각각 사전 훈련(pre-training)한 다음에 사전 훈련된 파라미터를 이용해 NeuMF 파라미터의 연관 부분을 초기화시키고 vanilla SGD(stochastic gradient descent)로 NeuMF를 최적화할 수 있다.When combining parts of the
상술한 바와 같이 도 4의 실시예에서는 사용자 u가 상품 i를 좋아할 확률을 예측할 수 있다. 이에 비해 도 5의 실시예에서는 구매자 b가 상품 i로 판매자 s에게 일으킬 수익을 예측할 수 있다.As described above, in the embodiment of FIG. 4 , the probability that user u likes product i can be predicted. In contrast, in the embodiment of FIG. 5 , it is possible to predict the profit that the buyer b will generate to the seller s with the product i.
본 발명에서는 SNS의 형태로 구매자와 판매자 간의 상호작용이 활발히 발생하는 SNS와 연동하는 온라인 쇼핑몰 서비스를 제공하는 커머스 플랫폼을 제안한다. 이에 따라, 온라인 쇼핑몰 서비스의 사용자를 구매자와 판매자로 구분하고, 구매자의 상품에 대한 선호도뿐만 아니라 상품과 판매자 간의 관계 그리고 구매자와 판매자 간의 상호작용까지 신경망 모델이 학습하도록 함으로써, 어떤 상품이 판매자가 판매하기에 좋은 상품인지 정확히 예측할 수 있다. 즉, 구매자가 판매자에게 상품을 구매한 이력을 바탕으로 구매자-판매자-상품 간의 상호작용을 학습하여 판매자가 어떤 상품에 의해 수익을 극대화시킬지 예측할 수 있다.The present invention proposes a commerce platform that provides an online shopping mall service in the form of an SNS that is linked with an SNS where interaction between a buyer and a seller actively occurs. Accordingly, by classifying users of the online shopping mall service into buyers and sellers, and allowing the neural network model to learn not only the buyer's preference for the product, but also the relationship between the product and the seller and the interaction between the buyer and the seller, which product is sold by the seller You can accurately predict whether it is a good product to do. In other words, the buyer-seller-product interaction can be learned based on the purchase history of the buyer from the seller, so that the seller can predict which product will maximize the profit.
도 5의 실시예에 따르면, 온라인 쇼핑몰 서비스의 거래 로그로부터 구매자, 판매자, 거래 상품에 대한 식별 정보와 해당 거래에 의한 수익 정보를 수집하고, 수집된 데이터를 협업 필터링 신경망 모델의 입력으로 하여 구매자와 상품 간의 관계, 판매자와 구매자 간의 관계 및 판매자와 상품 간의 관계를 학습시킨다. 학습된 협업 필터링 신경망을 통해 어떤 판매자가 어떤 구매자로부터 어떤 상품으로 인해 얼마만큼의 수익이 발생할 것인지 예측할 수 있다. 판매자에게 예측되는 수익이 가장 높은 상품 또는 소정의 수익 이상이 예측되는 상품을 추천함으로써 판매자의 수익을 극대화할 수 있다. 이로써 인기 상품만 추천하는 형태가 아니라 판매자에게 개인화된 맞춤형 상품 추천 서비스가 가능하다.According to the embodiment of Fig. 5, identification information on buyers, sellers, and transaction products and revenue information from the transaction are collected from the transaction log of the online shopping mall service, and the collected data is used as an input to the collaborative filtering neural network model to communicate with the buyer. Students learn the relationship between products, the relationship between the seller and the buyer, and the relationship between the seller and the product. A trained collaborative filtering neural network can predict which sellers will generate how much revenue from which products from which buyers. The seller's profit can be maximized by recommending a product with the highest expected profit to the seller or a product for which a predetermined profit or more is predicted. This makes it possible to provide personalized product recommendation service to sellers rather than recommending only popular products.
도 6 내지 도 8은 본 발명의 일 실시예에 따른 협업 필터링 신경망의 학습 및 예측 원리를 설명하기 위한 도면이다.6 to 8 are diagrams for explaining a learning and prediction principle of a collaborative filtering neural network according to an embodiment of the present invention.
도 5의 실시예에서 협업 필터링 신경망은, 거래 로그로부터 추출되는 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩하여 이진화된 스파스 벡터(511, 512, 513)로 변환하는 입력 레이어, 이진화된 스파스 벡터를 저차원의 임베딩 벡터(521, 522, 523, 524, 525, 526)로 변환하는 임베딩 레이어, 잠재 특징 인터랙션(latent feature interaction)을 모델링하기 위해 선형 커널을 적용하는 복수의 GMF 레이어(531, 532, 533), 인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 복수의 MLP 레이어(534), 그리고 GMF 레이어(531, 532, 533) 및 MLP 레이어(534)의 출력을 결합하는 NeuMF 레이어(541)를 포함하여 모델링된다. 또한, 도 4의 타겟데이터 y(u,i) 가 도 5의 실시예에서는 y(b,i,s)로 변경되고, 해당 데이터가 1과 0 사이값을 가지는 확률값에서 '수익'으로 확장된다.In the embodiment of Figure 5, the collaborative filtering neural network is an input layer that converts the identification information of buyers, sellers, and products extracted from the transaction log into one-hot encoding and binarized
입력 데이터를 이용해 신경망을 학습시키기 위해서는 데이터 전처리가 필요하다. 이를 위해, 거래 데이터에서 추출한 구매자, 판매자 및 상품의 식별 정보를 1과 0으로 이루어진 원-핫 벡터(511, 512, 513)로 변환하여 입력 벡터를 생성한다.In order to train a neural network using input data, data preprocessing is required. To this end, an input vector is generated by converting identification information of a buyer, a seller, and a product extracted from the transaction data into one-
도 6은 도 5에 도시된 협업 필터링 신경망 모델의 입력 레이어에서 구매자 ID, 상품 ID 및 판매자 ID를 원-핫 벡터로 변환하는 과정을 예시한 도면이다.6 is a diagram illustrating a process of converting a buyer ID, a product ID, and a seller ID into a one-hot vector in the input layer of the collaborative filtering neural network model shown in FIG. 5 .
도 6(a)의 결제 로그는 결제#1(Alena가 Roy의 샵에서 비타500을 샀고, Roy에게 100원의 수익 발생), 결제#2(Victoria가 Alena의 샵에서 비타800을 샀고, Alena에게 250원의 수익 발생), 결제#3(Jay가 Roy의 샵에서 비타1000을 샀고, Roy에게 500원의 수익 발생), 결제#4(Stella가 Jay의 샵에서 비타500을 샀고, Jay에게 100원의 수익 발생)를 포함하고 있다.The payment log in Fig. 6(a) shows payment #1 (Alena bought
도 6(b)는 (a)의 구매자 ID, 판매자 ID 및 상품 ID를 각각 원-핫 인코딩하여 생성한 입력 벡터로, 해당하는 번호를 제외하고는 전부 0으로 처리한 것을 알 수 있다.6(b) is an input vector generated by one-hot encoding each of the buyer ID, the seller ID, and the product ID of (a), and it can be seen that all of them are 0 except for the corresponding number.
도 5에 도시된 협업 필터링 신경망 모델의 임베딩 레이어는 1과 0으로 이루어진 입력 레이어의 원-핫 벡터들(511, 512, 513)을 저차원 벡터로 임베딩한 임베딩 벡터(521 내지 526)를 포함한다.The embedding layer of the collaborative filtering neural network model shown in FIG. 5 includes embedding
도 7은 도 5의 신경망 모델에서 임베딩 벡터를 생성하는 과정을 예시한 것이다.7 illustrates a process of generating an embedding vector in the neural network model of FIG. 5 .
도 7의 (b)는 (a)의 1과 0으로 이루어진 원-핫 벡터를 저차원 벡터로 임베딩한 예이다. 임베딩 레이어에서는 구매자 ID, 판매자 ID 및 상품 ID를 모두 n 차원으로 변환하며, 도 7은 잠재 차원(latent dimansion)을 2로 설정하여 임베딩 벡터로 변환한 예이다.7 (b) is an example of embedding the one-hot vector composed of 1 and 0 of (a) as a low-dimensional vector. In the embedding layer, all of the buyer ID, the seller ID, and the product ID are converted into n dimensions, and FIG. 7 is an example in which the latent dimension is set to 2 and converted into an embedding vector.
일 실시예에서 GMF 레이어(531, 532, 533) 및 MLP 레이어(534) 각각을 위해 잠재 벡터의 원소 개수가 상이한 별개의 임베딩 벡터를 생성하여 제공할 수 있다.In an embodiment, a separate embedding vector having a different number of elements of a latent vector may be generated and provided for each of the GMF layers 531 , 532 , 533 and the
도 5를 참조하면, 협업 필터링 신경망 모델의 GMF 레이어는 구매자, 판매자 및 상품의 임베딩 벡터들(521 내지 526)을 학습한다. 구체적으로, GMF 레이어는 구매자의 임베딩 벡터(521) 및 상품의 임베딩 벡터(523)를 학습하는 구매자-상품(B-I) GMF 레이어(531), 상품의 임베딩 벡터(523) 및 판매자의 임베딩 벡터(525)를 학습하는 상품-판매자(I-S) GMF 레이어(532), 그리고 구매자의 임베딩 벡터(521) 및 판매자의 임베딩 벡터(525)를 학습하는 구매자-판매자(B-S) GMF 레이어(533)를 포함한다. Referring to FIG. 5 , the GMF layer of the collaborative filtering neural network model learns embedding
B-I GMF 레이어(531)는 구매자에 대한 잠재 벡터(latent vector)와 상품에 대한 잠재 벡터에 대해 요소별 곱(element-wise product)을 적용하고, I-S GMF 레이어(532)는 상품에 대한 잠재 벡터와 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용하고, B-S GMF 레이어(533)는 구매자에 대한 잠재 벡터와 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용할 수 있다.The
다음 식은 도 7의 1번 거래를 학습하였을 때 각 GMF 레이어의 출력을 예시한 것이다. 여기서, 
협업 필터링 신경망 모델의 MLP 레이어(534)에서는 구매자, 판매자 및 상품의 임베딩 벡터들(521 내지 526)을 학습한다. 아래의 수식은 MLP 레이어(534)의 개수를 2, 차원의 크기를 각각 4차원, 2차원이라고 가정했을 때의 예시이다. 여기서, 모든 ω는 학습 파라미터이다.The
B-I GMF 레이어(531), I-S GMF 레이어(532) 및 B-S GMF 레이어(533)의 출력과 복수의 MLP 레이어(534)의 출력을 결합하여 NeuMF 레이어(541)를 통해 학습한다. 즉, 협업 필터링 신경망 모델의 NeuMF 레이어(541)에서는 구매자, 판매자 및 상품에 대한 GML 레이어(531, 532, 533)의 출력과 MLP 레이어(534)의 출력이 한꺼번에 학습된다. 아래는 상술한 GMF 및 MLP 결과를 이용한 NeuMF 레이어의 학습 단계를 기술한 수식이다.The output of the
NeuMF 레이어(541)의 출력과 데이터 수집 단계에서 추출한 수익 정보를 이용하여 손실(loss)을 계산한다.A loss is calculated using the output of the
아래 수식은 NeuMF 레이어(541)의 출력에 대해 손실(loss)을 계산한 것이다.The following equation calculates a loss for the output of the
단계 S32에서, 상기와 같이 학습된 협업 필터링 신경망을 이용해 온라인 쇼핑몰의 각 판매자-구매자-상품 쌍에 대한 예측 수익을 산출한다. 또한, 산출된 예측 수익을 기초로 각 판매자에게 추천할 상품 정보를 포함하는 추천 결과 정보를 생성하고, 접속한 판매 모드 사용자에게 추천 상품 리스트를 제공한다. 각 판매자의 수익을 최대화할 것으로 예측되는 상품부터 소정 수의 상품을 추천 상품 리스트에 포함시킬 수 있다. In step S32, the predicted revenue for each seller-buyer-product pair of the online shopping mall is calculated using the cooperative filtering neural network learned as described above. Also, based on the calculated predicted revenue, recommendation result information including product information to be recommended to each seller is generated, and a recommended product list is provided to the connected sales mode user. A predetermined number of products may be included in the recommended product list starting with products predicted to maximize the profit of each seller.
신경망 모델에서 Target(552)은 판매자 s가 상품 i로 인해 구매자 b로부터 발생한 수익을 나타내며, Score(551)는 판매자 s가 상품 i로 인해 구매자 b로부터 얻을 수 있는 예측 수익을 나타낸다.In the neural network model,
예측 단계에서는 모든 판매자에 대해 상품별 수익을 예측할 수 있다. 각 판매자는 자신을 팔로우하는 등 연관성이 있는 구매자를 보유하고 있다. 각 판매자에 대한 수익 예측은, 해당 판매자와 관계 있는 구매자들과 모든 상품에 대한 수익 예측이 될 것이다.In the forecasting stage, it is possible to predict the profit by product for all sellers. Each seller has relevant buyers, such as following them. The revenue forecast for each seller will be the revenue forecast for all products and buyers associated with that seller.
예측 단계에서도 학습 단계에서와 마찬가지로 전처리한 데이터가 필요하다. 거래 정보를 저장한 데이터베이스에서 필요 데이터인 구매자 ID, 판매자 ID, 상품 ID를 추출하고 원-핫 인코딩과 임베딩 단계를 거쳐서 생성된 임베딩 벡터를 입력으로 하여 예측 단계를 수행한다.In the prediction stage, as in the learning stage, preprocessed data is required. The prediction step is performed by extracting necessary data such as buyer ID, seller ID, and product ID from the database storing transaction information, and inputting the embedding vector generated through one-hot encoding and embedding steps.
도 8은 본 발명의 일 실시예에 따라 판매자의 수익을 예측하는 과정을 설명하기 위한 도면이다.8 is a view for explaining a process of predicting a seller's profit according to an embodiment of the present invention.
온라인 쇼핑몰의 전체 상품이 '비타 500', '비타 800', '비타 1000'이고, 사용자 'Alena', 'Victoria', 'Jay'가 'Roy'의 샵을 팔로우하고, 'Alena', 'Stella'가 'Jay'의 샵을 팔로우하고, 'Victoria', 'Stella'가 'Alena'의 샵을 팔로우한다고 가정하면, 도 8은 'Jay'의 샵을 팔로우하는 구매자들과 각 상품에 대한 수익을 예측한 상황을 예시로 든 것이다.All products in the online shopping mall are 'Vita 500', 'Vita 800', and 'Vita 1000', users 'Alena', 'Victoria', and 'Jay' follow 'Roy''s shop, 'Alena', 'Stella' Assuming that ' follows 'Jay''s shop and 'Victoria' and 'Stella' follow 'Alena''s shop, FIG. This is an example of a predicted situation.
도 8의 (a)는 데이터베이스에서 추출한 판매자 'Jay', 팔로워들(followers) 및 상품에 대한 데이터이고, (b)는 (a)의 각 레코드에 대해 예측한 수익 정보이다. 판매자 'Jay'와 'Jay'를 팔로우하는 모든 구매자 'Alena', 'Stella'에 대해 모든 상품에 대한 수입을 예측하고, 상품별로 예측 수입을 합했을 때, 판매자 'Jay'에겐 상품 '비타 500'의 예측 수익이 가장 높음을 알 수 있다. 따라서, 'Jay'에게 판매 상품으로 '비타 500'이 추천될 것이다.Figure 8 (a) is data about the seller 'Jay', followers and products extracted from the database, (b) is the predicted profit information for each record of (a). When the revenue for all products is predicted for all buyers 'Alena' and 'Stella' following the seller 'Jay' and 'Jay', and the predicted income for each product is added up, the product 'Vita 500' for the seller 'Jay' It can be seen that the predicted return of Therefore, 'Vita 500' will be recommended to 'Jay' as a sale product.
판매자가 추천 상품 리스트에서 원하는 상품을 구매하고 사용 후기를 포함하는 리뷰를 작성하기만 하면 해당 상품에 대한 판매 페이지가 자동으로 자신의 개인 리뷰샵에 추가되어 해당 상품을 판매할 수 있다.When a seller purchases a desired product from the recommended product list and writes a review including user reviews, the sales page for the product is automatically added to his or her personal review shop to sell the product.
단계 S33에서는, 거래 데이터를 기반으로 판매자의 상품 구매가 완료되었음이 확인되면, 판매자의 단말(120)로 리뷰 작성 인터페이스를 제공한다.In step S33, when it is confirmed that the seller's product purchase is complete based on the transaction data, a review writing interface is provided to the seller's
단계 S34에서, 판매자가 구매 상품에 대한 리뷰 작성을 완료하면 해당 상품에 대한 판매 페이지를 생성한다. 판매 페이지는, 해당 상품을 다른 사용자에게 판매하기 위한 판매 인터페이스, 판매자가 작성한 리뷰 및 판매자에 의한 실제 구매 내역을 포함할 수 있다.In step S34, when the seller completes writing a review on the purchased product, a sales page for the corresponding product is created. The sales page may include a sales interface for selling the corresponding product to other users, a review written by the seller, and actual purchase history by the seller.
단계 S35에서는, 판매자의 개인 리뷰샵에 상기 단계 S34에서 생성한 판매 페이지를 추가한다.In step S35, the sales page generated in step S34 is added to the seller's personal review shop.
단계 S36에서는, 추가된 상품 리뷰를 포함하는 SNS 메시지를 판매자의 팔로워들에게 전달한다. 이에 따라 판매자의 실제 구매 후기가 팔로워들에게 자동 전달되어 팔로워들의 구매를 유도할 수 있다.In step S36, the SNS message including the added product review is delivered to the seller's followers. Accordingly, the seller's actual purchase reviews are automatically delivered to the followers, thereby inducing the followers to purchase.
도 9 내지 도 17은 본 발명의 일 실시예에 따른 리뷰샵 관리 서비스에 관련된 사용자 인터페이스를 설명하기 위한 도면이다.9 to 17 are diagrams for explaining a user interface related to a review shop management service according to an embodiment of the present invention.
도 9는 사용자가 구매자 모드로 로그인한 홈 화면을 예시한 것이다. 사용자 '김혜민'이 일반 구매자로써 로그인하고 있으며, 제공되는 구매자 모드 인터페이스에서 일반 쇼퍼로 활동할 수 있다. 9 exemplifies a home screen where a user logs in in a buyer mode. User 'Kim Hye-min' is logged in as a general shopper and can act as a general shopper in the provided shopper mode interface.
구매자 모드 화면의 하단(901)에 홈 화면으로의 이동을 위한 '홈' 탭, 나에게 전달되는, 즉 내가 팔로잉한 리뷰샵에 추가되는 리뷰를 확인할 수 있는 '피드' 탭, 내가 쓴 리뷰를 관리할 수 있는 '리뷰' 탭, 팔로잉하고 있는 리뷰샵으로의 이동을 위한 '리뷰샵' 탭, 내 프로필 정보를 관리하기 위한 '프로필' 탭 등이 포함될 수 있다. 구매자 모드에서는 자신이 구매한 상품에 대한 리뷰를 작성해도 판매 페이지가 생성되지 않는다.At the bottom (901) of the buyer mode screen, the 'Home' tab for moving to the home screen, the 'Feed' tab where you can check the reviews delivered to you, that is, added to the review shops you follow, and the reviews you wrote. A 'review' tab for managing, a 'review shop' tab for moving to a review shop you are following, a 'profile' tab for managing my profile information, etc. may be included. In Buyer mode, a sales page is not created even if you write a review for a product you have purchased.
도 10은 구매자 모드로 상품을 구매하는 화면을 예시한 것이다. 도 10의 (a)에서 원하는 상품(1001)을 클릭하면 (b)와 같이 상품의 판매 페이지로 이동할 수 있다. 10 illustrates a screen for purchasing a product in a buyer mode. When a desired
일 실시예에 따르면, 사용자의 구매 실적 등에 따라 쇼퍼 등급을 매기고 관리하며, 쇼퍼 등급에 따라 다른 할인율이 적용된 가격으로 상품을 구매하도록 제어할 수 있다. 이에 따라, 사용자의 쇼퍼 등급이 높을 수록 싼 가격에 물건 구매가 가능하도록 하여 구매 실적이 높은 회원에 혜택을 줄 수 있다. 도 10의 (b)를 참조하면, 상품의 가격으로 사용자 '김혜민'의 쇼퍼 등급에 따라 'S0 회원 가격'(1002)이 표시됨을 알 수 있다. According to an embodiment, a shopper rating may be assigned and managed according to a user's purchasing performance, and the like, and a product may be controlled to be purchased at a price to which a different discount rate is applied according to the shopper rating. Accordingly, the higher the user's shopper level, the cheaper the product can be purchased, thereby providing a benefit to the member with high purchasing performance. Referring to (b) of FIG. 10 , it can be seen that the 'S0 member price' 1002 is displayed according to the shopper grade of the user 'Kim Hye-min' as the price of the product.
도 11은 프로필 화면에서 사용자 모드를 전환하는 과정을 예시한 것이다. 도11의 (a)를 참조하면, 구매자 모드로 서비스 이용중인 사용자가 '페이버 모드로 전환' 버튼(1101)을 클릭하여 판매자 모드로 변환할 수 있다. 도 11의 (b)는 판매자 모드로 변환되어 제공된 판매자 모드 인터페이스를 예시한 것이며, 사용자 모드가 변경됨에 따라 화면 아래에서 제공되던 탭 버튼 세트(1103)도 '홈' 탭, '수익' 탭, '리뷰' 탭, '내 리뷰샵' 탭, '프로필' 탭으로 바뀌어 수행 가능한 기능이 달라짐을 알 수 있다. 11 illustrates a process of switching a user mode on a profile screen. Referring to (a) of FIG. 11 , a user who is using the service in the buyer mode may click the 'switch to the payer mode'
'수익' 탭과 '내 리뷰샵' 탭은 판매자 모드에서 고유하게 실행할 수 있는 기능에 대응하는 것이다. '수익' 탭에서는 내 판매 실적과 내게 배정되는 수익을 확인할 수 있다. '내 리뷰샵' 탭에서는 내 개인 리뷰샵으로 이동할 수 있으며, 리뷰샵 관리 인터페이스가 제공될 것이다. 리뷰샵 관리 인터페이스는 해당 판매자의 판매 상품을 보여주는 하나 이상의 판매 페이지를 포함하며, 이를 통해 판매자는 자신의 리뷰샵을 관리하고 운영할 수 있다.The 'Revenue' tab and the 'My Review Shop' tab correspond to the uniquely executable functions in Merchant Mode. In the 'Revenue' tab, you can see your sales performance and the revenue allocated to you. In the 'My Review Shop' tab, you can go to your personal review shop, and a review shop management interface will be provided. The review shop management interface includes one or more sales pages showing products sold by the seller, through which the seller can manage and operate his/her own review shop.
판매자 모드 인터페이스에는 협업 필터링 신경망을 통해 예측한 수익을 기초로 해당 판매자에게 매출을 최대화할 수 있는 판매 상품 리스트를 제공할 수 있다. 또한, 판매자 모드 인터페이스에는 '쇼퍼 모드로 변환' 버튼(1102)이 표시되어 다시 구매자 모드로 변환 가능토록 한다.In the seller mode interface, based on the revenue predicted through the collaborative filtering neural network, the seller may be provided with a list of items for sale that can maximize sales. In addition, the 'convert to shopper mode'
도 12는 사용자가 판매자 모드에서 리뷰 작성 또는 수정이 가능한 구매 상품 리스트를 확인하는 화면을 예시한 것이다. 판매자가 추천 상품 리스트를 보고 상품을 구입하여 결제를 수행하고 해당 상품의 발송이 완료되는 등 상품 구매가 완료되었음이 확인되면, 해당 판매자의 구매 상품 리스트에 해당 상품이 추가될 것이다.12 exemplifies a screen in which a user confirms a list of purchased products in which a user can write or modify a review in the seller mode. When it is confirmed that the product purchase has been completed, such as when the seller views the recommended product list, purchases a product, performs payment, and the shipment of the product is completed, the product will be added to the purchase product list of the corresponding seller.
도 12를 참조하면, 사용자 '김혜민'이 판매자 모드의 '리뷰' 탭에서 가장 최근에 구매한 '총각네 두유'(1201)가 추가된 리스트를 볼 수 있다. 이 리스트를 통해 리뷰를 작성함으로써 리뷰 셀링이 가능하다.Referring to FIG. 12 , a list to which 'Bachelor's Soymilk' 1201 most recently purchased by user 'Kim Hye-min' in the 'Review' tab of the seller mode is added can be viewed. Review selling is possible by writing a review through this list.
도 12의 실시예에서는, 사용자의 인플루언싱 등급(페이버 등급)이 최근 3개월 간의 평균 판매 금액에 따라 결정되고, 결정된 인플루언싱 등급에 따라 지급 받을 수 있는 수익률이 결정됨을 알 수 있다.In the embodiment of FIG. 12 , it can be seen that the user's influence rating (favor rating) is determined according to the average sales amount for the last three months, and the rate of return that can be paid is determined according to the determined influence rating.
도 13은 사용자가 판매자 모드 인터페이스 내의 구매 내역에서 하나의 상품을 선택하고 해당 상품에 대한 리뷰를 작성하는 화면을 예시한 것이다.13 illustrates a screen in which the user selects one product from the purchase history in the seller mode interface and writes a review for the product.
도 13의 (a)에서 리뷰 내용을 입력하고 (b)에서 사진을 업로드한 후 '등록하기' 버튼(1301)을 클릭하여 리뷰를 새로 등록할 수 있다.After inputting review contents in (a) of FIG. 13 and uploading a photo in (b), a new review can be registered by clicking the 'Register'
도 14는 판매자 모드의 사용자가 새로 올린 리뷰가 개인 리뷰샵에 등록된 화면을 예시한 것이다.14 illustrates a screen in which a review newly uploaded by a user in seller mode is registered in a personal review shop.
도 14의 예에서는, '내 리뷰샵' 탭을 통해 개인 리뷰샵을 확인하고 있으며, 별명이 '워너비페이버'인 사용자 '김혜민'의 리뷰샵에 도 13에서 등록한 상품 리뷰에 해당하는 판매 페이지(1401)가 추가로 등록되었음을 알 수 있다. 해당 리뷰를 통해 상품 '총각네 두유'가 다른 사용자에게 판매될 경우, 판매자 '김혜민'은 병당 470원의 수익을 지급 받을 수 있다. 상술한 바와 같이 인플루언싱 등급이 높을 수록 같은 상품을 판매해도 더 많은 수익이 지급될 것이다.In the example of FIG. 14, a personal review shop is checked through the 'My Review Shop' tab, and a sales page (1401) corresponding to the product review registered in FIG. ) has been additionally registered. If the product 'Bachelor's Soymilk' is sold to other users through the review, the seller 'Hyemin Kim' can receive a profit of 470 won per bottle. As mentioned above, the higher the influencer rating, the more profit will be paid even if the same product is sold.
이와 같이 리뷰 작성만으로 자동 생성되는 판매 페이지는, 해당 상품을 다른 사용자에게 판매하기 위한 판매 인터페이스와 함께 판매자가 작성한 리뷰를 포함할 수 있다. 또한, 판매자가 해당 상품을 구매한 상세 내역을 포함하여 판매자가 언제 어디서 얼마에 그 물건을 샀는지 팔로워가 볼 수 있도록 할 수 있다. 팔로워들에게 리뷰샵의 리뷰가 실제 구매에 따른 리얼 리뷰임을 알려 상품 리뷰에 대한 신뢰를 높이고 사용자의 구매 의욕을 높이기 위한 것이다.As described above, the sales page automatically generated only by writing a review may include a review written by the seller together with a sales interface for selling the corresponding product to other users. In addition, it is possible to allow followers to see when, where, and how much the seller bought the item, including details of the seller's purchase of the item. This is to increase trust in product reviews and increase users' motivation to purchase by notifying followers that the reviews in the review shop are real reviews based on actual purchases.
도 15는 판매자 모드의 사용자가 '수익' 탭에서 자신의 수익 잔고를 확인하는 화면을 예시한 것이다. 이 화면에서 사용자는 출금 신청, 출금 신청 내역 조회, 판매 내역 조회, 수익금 사용 내역 조회 등이 가능하다. '출금 신청'을 클릭하면 현재까지의 수익금에 대해 현금화가 가능하며, 판매자 모드 활성화시 입력한 계좌번호로 수익금이 입금될 것이다.15 is an example of a screen in which the user of the seller mode checks his/her profit balance in the 'Revenue' tab. On this screen, the user can apply for withdrawal, search for withdrawal request history, search for sales history, and view profit usage history. If you click 'Apply for withdrawal', you can cash out the proceeds so far, and the proceeds will be deposited into the account number entered when the seller mode is activated.
도 16은 사용자가 특정 판매자의 리뷰샵을 팔로잉하는 화면을 예시한 것이다.16 illustrates a screen in which a user follows a review shop of a specific seller.
사용자는 본 발명에 따른 전용 애플리케이션에서 제공하는 리뷰샵 리스트에서 맘에 드는 판매자의 리뷰샵을 팔로우하거나 팔로우를 취소할 수 있다. 팔로우한 리뷰샵에 리뷰가 추가되면 해당 리뷰가 사용자에게 피드되며 '피드' 탭에서 피드된 리뷰들을 확인할 수 있다.The user may follow or unfollow the review shop of the seller he likes in the review shop list provided by the dedicated application according to the present invention. When a review is added to the review shop you follow, the review is fed to the user, and you can check the fed reviews in the 'Feed' tab.
도 16의 예에서는 사용자 '김영채'가 '워너비페이버'의 리뷰샵을 팔로우하고 있다. 사용자가 특정 리뷰샵에 대한 팔로잉 요청을 하면 해당 판매자의 팔로워 리스트에 사용자가 추가되며, 그 결과로 판매자 '워너비페이버'가 남긴 상품 리뷰들이 팔로워 '김영채'의 피드에 뜨게 된다. 또한, '팔로우 취소' 버튼(1601)을 클릭하여 팔로우 신청을 취소하게 되면, 판매자의 팔로워 리스트에서 해당 사용자가 삭제될 것이다.In the example of FIG. 16 , the user 'Youngchae Kim' follows the review shop of 'Wannabe Faber'. When a user requests to follow a specific review shop, the user is added to the seller's follower list, and as a result, product reviews left by the seller 'Wannabe Payer' appear in the follower's feed, 'Kim Young-chae'. In addition, if the follow application is canceled by clicking the 'cancel follow'
도 17은 사용자의 피드에 올라온 판매자의 리뷰를 통해 구매자와 판매자가 상호작용을 하는 화면을 예시한 것이다.17 exemplifies a screen in which a buyer and a seller interact through a review of a seller uploaded to a user's feed.
도 17을 참조하면, 사용자는 판매자의 리뷰에 '좋아요' 버튼(1701)을 누르거나 댓글 달기(1702)가 가능하며, 이 기능을 통해 판매자와 팔로워가 소셜 네트워크 서비스에서와 같이 서로 커뮤니케이션할 수 있게 된다. 또한, 리뷰을 보다가 바로 구매 버튼을 클릭하여 동일 상품을 구매할 수 있다. 이처럼 팔로워가 판매자의 리뷰를 통해 상품을 구입하면 해당 거래에 따른 수익의 적어도 일부가 판매자에게 배정될 것이다.Referring to FIG. 17 , the user can press the 'Like'
본 발명의 일 실시예에 따른 방법은 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 본 발명을 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. The method according to an embodiment of the present invention 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 present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and carry out program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improved forms of the present invention are also provided by those skilled in the art using the basic concept of the present invention as defined in the following claims. belong to the scope of the right.
Claims (10)
온라인 쇼핑몰의 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고 학습하는 단계;
상기 학습된 협업 필터링 신경망을 이용해 판매자에 대한 상품별 예측 수익을 산출하고, 상기 예측 수익을 기초로 상기 판매자에게 추천할 하나 이상의 상품에 대한 정보를 제공하는 단계;
상기 거래 데이터로부터 상기 판매자에 의한 상품 구매가 완료되었음을 확인하면, 상기 판매자에게 리뷰 작성 인터페이스를 제공하는 단계;
상기 리뷰 작성 인터페이스를 통해 구매 상품에 대한 리뷰 작성이 완료되면, 해당 구매 상품에 대한 판매 페이지를 생성하고 상기 판매자의 개인 리뷰샵에 추가하는 단계; 및
상기 작성된 리뷰를 포함하는 소셜 네트워크 메시지를 상기 판매자의 팔로워에게 전달하는 단계;를 포함하는 것을 특징으로 하는 방법.In a review shop management method in a commerce platform linked with a social network,
It extracts the identification information of buyers, sellers, and products from the transaction data of the online shopping mall and the revenue information from the corresponding transactions, and learns the relationship between the buyer and the product, the relationship between the product and the seller, and the relationship between the buyer and the seller by inputting the extracted information. modeling and learning a collaborative filtering neural network;
calculating a predicted profit for each product for the seller using the learned collaborative filtering neural network, and providing information on one or more products to be recommended to the seller based on the predicted profit;
providing a review writing interface to the seller when it is confirmed from the transaction data that the product purchase by the seller is completed;
upon completion of writing a review for the purchased product through the review writing interface, creating a sales page for the purchased product and adding it to the seller's personal review shop; and
and transmitting a social network message including the written review to followers of the seller.
상기 온라인 쇼핑몰에 접속한 사용자가 판매자 모드인 경우, 해당 판매자의 판매 상품을 보여주는 적어도 하나의 판매 페이지를 포함하는 개인 리뷰샵을 운영할 수 있는 리뷰샵 관리 인터페이스를 제공하는 단계; 및
상기 개인 리뷰샵을 통해 판매된 상품에 대해 소정의 수익을 해당 판매자에게 배정하는 단계;를 더 포함하는 것을 특징으로 하는 방법.According to claim 1,
providing a review shop management interface capable of operating a personal review shop including at least one sale page showing products sold by the seller when the user accessing the online shopping mall is in a seller mode; and
Allocating a predetermined profit for the product sold through the personal review shop to the seller;
상기 온라인 쇼핑몰의 사용자가 상기 판매자의 개인 리뷰샵에 대한 팔로잉을 요청하면, 상기 판매자의 팔로워 리스트에 상기 사용자를 추가하는 단계;를 더 포함하는 것을 특징으로 하는 방법.According to claim 1,
and adding the user to the seller's follower list when the user of the online shopping mall requests to follow the seller's personal review shop.
상기 판매 페이지를 생성하는 단계는,
상기 구매 상품을 다른 사용자에게 판매하기 위한 판매 인터페이스, 상기 판매자가 상기 구매 상품에 대해 작성한 리뷰, 및 상기 판매자에 의한 실제 구매 내역을 포함하는 페이지를 생성하는 단계;를 포함하는 것을 특징으로 하는 방법.According to claim 1,
The step of creating the sales page includes:
and generating a page including a sales interface for selling the purchased product to another user, a review written by the seller on the purchased product, and actual purchase details by the seller.
상기 협업 필터링 신경망은,
잠재 특징 인터랙션(latent feature interaction)을 모델링하기 위해 선형 커널을 적용하는 복수의 GMF(Generalized Matrix Factorization) 레이어, 인터랙션 함수(interaction function)를 러닝하기 위해 비선형 커널을 사용하는 복수의 MLP(Multi-Layer Perceptron) 레이어, 및 상기 GMF 레이어와 상기 MLP 레이어의 출력을 결합하는 NeuMF(Neural Matrix Factorization) 레이어를 포함하고,
상기 신경망 학습 단계는,
상기 데이터 수집 단계에서 추출한 구매자, 판매자 및 상품의 식별 정보를 원-핫 인코딩(one-hot encoding)하여 이진화된 스파스 벡터(sparse vector)로 변환하는 단계;
상기 이진화된 스파스 벡터를 저차원의 임베딩 벡터로 변환하는 단계;
상기 구매자에 대한 잠재 벡터(latent vector)와 상기 상품에 대한 잠재 벡터에 대해 요소별 곱(element-wise product)을 적용한 구매자-상품 GMF 레이어, 상기 상품에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 상품-판매자 GMF 레이어, 및 상기 구매자에 대한 잠재 벡터와 상기 판매자에 대한 잠재 벡터에 대해 요소별 곱을 적용한 구매자-판매자 GMF 레이어;를 통해 상기 임베딩 벡터를 학습하는 단계;
상기 복수의 MLP 레이어를 통해 상기 임베딩 벡터를 학습하는 단계; 및
상기 구매자-상품 GMF 레이어, 상기 상품-판매자 GMF 레이어, 상기 구매자-판매자 GMF 레이어 및 상기 복수의 MLP 레이어의 출력을 결합하여 상기 NeuMF 레이어를 통해 학습하는 단계;를 포함하는 것을 특징으로 하는 방법.According to claim 1,
The collaborative filtering neural network is
Multiple Generalized Matrix Factorization (GMF) layers applying a linear kernel to model latent feature interactions, Multiple Multi-Layer Perceptrons (MLP) using nonlinear kernels to learn interaction functions ) layer, and a NeuMF (Neural Matrix Factorization) layer that combines the output of the GMF layer and the MLP layer,
The neural network learning step is
converting the identification information of the buyer, the seller, and the product extracted in the data collection step into a binary sparse vector by one-hot encoding;
converting the binarized sparse vector into a low-dimensional embedding vector;
In the buyer-product GMF layer, which applies an element-wise product to the latent vector for the buyer and the latent vector for the product, the latent vector for the product and the latent vector for the seller Learning the embedding vector through a product-seller GMF layer to which a product-by-element product is applied, and a buyer-seller GMF layer to which a product-by-element product is applied to the latent vector for the buyer and the latent vector for the seller;
learning the embedding vector through the plurality of MLP layers; and
The method comprising: combining outputs of the buyer-product GMF layer, the product-seller GMF layer, the buyer-seller GMF layer, and the plurality of MLP layers to learn through the NeuMF layer.
상기 적어도 하나의 프로세서는,
온라인 쇼핑몰의 거래 데이터로부터 구매자, 판매자 및 상품의 식별 정보와 해당 거래로 인한 수익 정보를 추출하고, 추출된 정보를 입력으로 구매자와 상품의 관계, 상품과 판매자의 관계 및 구매자와 판매자의 관계를 학습하는 협업 필터링 신경망을 모델링하고, 상기 학습된 협업 필터링 신경망을 이용해 판매자에 대한 각 상품별 예측 수익을 산출하는 신경망 모듈;
상기 신경망 모듈에 의해 산출된 예측 수익을 기초로 상기 판매자에게 추천할 하나 이상의 상품에 대한 정보를 제공하는 상품 추천 모듈;
상기 거래 데이터로부터 상기 판매자의 상품 구매가 완료되었음을 확인하면, 상기 판매자에게 리뷰 작성 인터페이스를 제공하는 사용자 관리 모듈;
상기 리뷰 작성 인터페이스를 통해 구매 상품에 대한 리뷰 작성이 완료되면, 해당 구매 상품에 대한 판매 페이지를 생성하고 상기 판매자의 개인 리뷰샵에 추가하는 리뷰샵 관리 모듈; 및
상기 작성된 리뷰를 포함하는 소셜 네트워크 메시지를 상기 판매자의 팔로워에게 전달하는 SNS 모듈;을 포함하는 것을 특징으로 하는 시스템.A review shop management system in a commerce platform linked to a computer-implemented social network, the review shop management system comprising at least one processor implemented to execute computer-readable instructions,
the at least one processor,
It extracts the identification information of buyers, sellers, and products from the transaction data of the online shopping mall and the revenue information from the corresponding transactions, and learns the relationship between the buyer and the product, the relationship between the product and the seller, and the relationship between the buyer and the seller by inputting the extracted information. a neural network module for modeling a collaborative filtering neural network and calculating a predicted profit for each product for a seller using the learned collaborative filtering neural network;
a product recommendation module for providing information on one or more products to be recommended to the seller based on the predicted revenue calculated by the neural network module;
a user management module configured to provide a review writing interface to the seller when it is confirmed from the transaction data that the seller's product purchase is complete;
a review shop management module for creating a sales page for the purchased product and adding it to the seller's personal review shop when the review of the purchased product is completed through the review writing interface; and
and an SNS module for delivering a social network message including the written review to the seller's followers.
상기 사용자 관리 모듈은, 상기 온라인 쇼핑몰에 접속한 사용자가 판매자 모드인 경우, 해당 판매자의 판매 상품을 보여주는 적어도 하나의 판매 페이지를 포함하는 개인 리뷰샵을 운영할 수 있는 리뷰샵 관리 인터페이스를 제공하고, 상기 개인 리뷰샵을 통해 판매된 상품에 대해 소정의 수익을 상기 판매자에게 배정하는 것을 특징으로 하는 시스템.8. The method of claim 7,
The user management module provides a review shop management interface capable of operating a personal review shop including at least one sales page showing products sold by the corresponding seller, when a user accessing the online shopping mall is in a seller mode; A system, characterized in that for allocating a predetermined profit for the product sold through the personal review shop to the seller.
상기 사용자 관리 모듈은, 상기 온라인 쇼핑몰의 사용자가 상기 판매자의 개인 리뷰샵에 대한 팔로잉을 요청하면, 상기 판매자의 팔로워 리스트에 상기 사용자를 추가하는 것을 특징으로 하는 시스템.8. The method of claim 7,
wherein the user management module adds the user to the seller's follower list when the user of the online shopping mall requests to follow the seller's personal review shop.
상기 리뷰샵 관리 모듈은, 상기 구매 상품을 다른 사용자에게 판매하기 위한 판매 인터페이스, 상기 판매자가 상기 구매 상품에 대해 작성한 리뷰, 및 상기 판매자에 의한 실제 구매 내역을 포함하는 판매 페이지를 생성하는 것을 특징으로 하는 시스템.
8. The method of claim 7,
The review shop management module generates a sales page including a sales interface for selling the purchased product to another user, a review written by the seller on the purchased product, and actual purchase details by the seller system that does.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200061544A KR102409718B1 (en) | 2020-05-22 | 2020-05-22 | Method and system for managing personal review shop on commerce platform connected with social network service |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200061544A KR102409718B1 (en) | 2020-05-22 | 2020-05-22 | Method and system for managing personal review shop on commerce platform connected with social network service |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210144332A true KR20210144332A (en) | 2021-11-30 |
| KR102409718B1 KR102409718B1 (en) | 2022-06-16 |
Family
ID=78722524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200061544A KR102409718B1 (en) | 2020-05-22 | 2020-05-22 | Method and system for managing personal review shop on commerce platform connected with social network service |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102409718B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023200058A1 (en) * | 2022-04-12 | 2023-10-19 | 주식회사 샵팬픽 | Method for providing product-related recommendation information and apparatus therefor |
| KR20230151719A (en) * | 2022-04-26 | 2023-11-02 | 주식회사 샵팬픽 | A method and system for recommending to a seller the type of intellectual property right holder related product suitable for sale |
| CN117333233A (en) * | 2023-10-16 | 2024-01-02 | 广州航海学院 | AI-based target-oriented e-commerce advertisement pushing method |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102538748B1 (en) * | 2022-10-11 | 2023-06-01 | 민태운 | System for providing photo reward service |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160002761A (en) * | 2013-03-12 | 2016-01-08 | 스트라쓰페이 크라운 엘엘씨 | Systems and methods for market analysis and automated business decisioning |
| KR102015024B1 (en) * | 2019-01-18 | 2019-08-27 | 김다현 | Seller shopping mall integrated management system |
| KR20190143775A (en) * | 2018-06-21 | 2019-12-31 | 김근호 | Method for managing reward platform |
| KR102064615B1 (en) * | 2018-11-01 | 2020-01-09 | (주)포비즈코리아 | Method for providing shopping mall integrated platform service based on big data |
-
2020
- 2020-05-22 KR KR1020200061544A patent/KR102409718B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160002761A (en) * | 2013-03-12 | 2016-01-08 | 스트라쓰페이 크라운 엘엘씨 | Systems and methods for market analysis and automated business decisioning |
| KR20190143775A (en) * | 2018-06-21 | 2019-12-31 | 김근호 | Method for managing reward platform |
| KR102064615B1 (en) * | 2018-11-01 | 2020-01-09 | (주)포비즈코리아 | Method for providing shopping mall integrated platform service based on big data |
| KR102015024B1 (en) * | 2019-01-18 | 2019-08-27 | 김다현 | Seller shopping mall integrated management system |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023200058A1 (en) * | 2022-04-12 | 2023-10-19 | 주식회사 샵팬픽 | Method for providing product-related recommendation information and apparatus therefor |
| KR20230151719A (en) * | 2022-04-26 | 2023-11-02 | 주식회사 샵팬픽 | A method and system for recommending to a seller the type of intellectual property right holder related product suitable for sale |
| CN117333233A (en) * | 2023-10-16 | 2024-01-02 | 广州航海学院 | AI-based target-oriented e-commerce advertisement pushing method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102409718B1 (en) | 2022-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200258119A1 (en) | System and method for personalized add-on purchase | |
| KR102409718B1 (en) | Method and system for managing personal review shop on commerce platform connected with social network service | |
| KR102409717B1 (en) | Method and apparatus for recommending selling item to seller of on-line shopping mall | |
| US20110295722A1 (en) | Methods, Apparatus, and Systems for Enabling Feedback-Dependent Transactions | |
| Sharma et al. | Study of E-Commerce and Impact of Machine Learning in E-Commerce | |
| US11341558B2 (en) | Systems and methods for recommending a product based on an image of a scene | |
| KR102422408B1 (en) | Method and apparatus for recommending item based on collaborative filtering neural network | |
| EP3822902A1 (en) | Systems and methods for customization of reviews | |
| US20210182730A1 (en) | Systems and methods for detecting non-causal dependencies in machine learning models | |
| US20220207589A1 (en) | Methods and systems for providing a vehicle recommendation | |
| CA3038126A1 (en) | Courier shopping system | |
| Agustin | Evaluation of Factors influencing the Shopee PayLater adoption in Indonesia | |
| KR102485355B1 (en) | Method, device and system for providing online and offline sales event mediation platform service based on artificial intelligence | |
| US11983763B1 (en) | Modeling to generate dynamic electronic representations | |
| KR102570758B1 (en) | Method for recommending financial product automatically based on artificial intelligence using linkage of subscribing mall and financial corporation | |
| Long | Factors influencing consumers intention towards online food purchasing in Phnom Penh | |
| JP7093400B1 (en) | Selection device, selection method and selection program | |
| US20220058731A1 (en) | Methods and systems for updating a user interface based on level of user interest | |
| CA3098792A1 (en) | Systems and methods for customization of reviews | |
| Thobani | Improving e-Commerce sales using machine learning | |
| US12002082B2 (en) | Method, medium, and system for providing trait-focused recommendations of computer applications | |
| US20230080396A1 (en) | Systems and methods for providing trait-focused recommendations of computer applications | |
| KR102625227B1 (en) | Method, device and system for providing license distribution platform | |
| US20230078260A1 (en) | Systems and methods for providing recommendations of computer applications based on similarity | |
| JP7495034B2 (en) | System and method for generating augmented reality scenes relating to physical items - Patents.com |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |