特許 7150090 ショッピング検索のための商品属性抽出方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-09-29

(45)【発行日】2022-10-07

(54)【発明の名称】ショッピング検索のための商品属性抽出方法

(51)【国際特許分類】

   G06F 16/906 20190101AFI20220930BHJP

   G06F 16/903 20190101ALI20220930BHJP

   G06Q 30/06 20120101ALI20220930BHJP

【ＦＩ】

G06F16/906

G06F16/903

G06Q30/06 300

【請求項の数】 15

(21)【出願番号】P 2021075589

(22)【出願日】2021-04-28

(65)【公開番号】P2021179979

(43)【公開日】2021-11-18

【審査請求日】2021-04-28

(31)【優先権主張番号】10-2020-0055675

(32)【優先日】2020-05-11

(33)【優先権主張国・地域又は機関】KR

(73)【特許権者】

【識別番号】505205812

【氏名又は名称】ネイバー コーポレーション

【氏名又は名称原語表記】ＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(74)【代理人】

【識別番号】100135079

【弁理士】

【氏名又は名称】宮崎 修

(72)【発明者】

【氏名】イ ウンキ

(72)【発明者】

【氏名】イ ジェヒ

(72)【発明者】

【氏名】イ ジョンヒョン

(72)【発明者】

【氏名】イ ジョンテ

【審査官】森田 充功

(56)【参考文献】

【文献】特開２０２０－０４２４０２（ＪＰ，Ａ）

【文献】特開２０１８－１５６４２９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １６／９０６

Ｇ０６Ｆ １６／９０３

Ｇ０６Ｑ ３０／０６

(57)【特許請求の範囲】

【請求項1】

コンピュータシステムで実行されるショッピング検索のための商品属性抽出方法において、
ユーザクエリを受信するステップ；
商品データベースから前記ユーザクエリに対する商品検索結果を抽出するステップ；
統計基盤分類モデルにより、前記ユーザクエリ及び複数の商品属性の関連点数を算出するステップ；及び、
前記算出された関連点数に基づき、前記商品検索結果による商品検索順位を調整するステップを含み、
前記統計基盤分類モデルにより、前記ユーザクエリ及び前記複数の商品属性の関連点数を算出するステップは、
前記ユーザクエリを音節及び形態素の単位に分割するステップ；
第１の統計基盤分類モデルにより、前記音節の単位に分割された前記ユーザクエリが前記複数の商品属性と関連する第１の確率を算出するステップ；
第２の統計基盤分類モデルにより、前記形態素の単位に分割された前記ユーザクエリが前記複数の商品属性と関連する第２の確率を算出するステップ；及び、
前記第１の確率及び前記第２の確率に基づいて、前記複数の商品属性の関連点数として算出するステップを含む、
ショッピング検索のための商品属性抽出方法。

【請求項2】

前記統計基盤分類モデルにより、前記ユーザクエリ及び前記複数の商品属性の関連点数を算出するステップは、
前記統計基盤分類モデルにより、前記ユーザクエリが各々商品属性コードで表示された前記複数の商品属性と関連する確率を算出するステップを含む、請求項１に記載のショッピング検索のための商品属性抽出方法。

【請求項3】

前記統計基盤分類モデルにより、前記ユーザクエリ及び前記複数の商品属性の関連点数を算出するステップは、
前記ユーザクエリを音節及び形態素の単位の少なくとも一つに分割するステップ；及び、
前記統計基盤分類モデルにより、前記音節及び前記形態素の単位の少なくとも一つに分割された前記ユーザクエリが前記複数の商品属性と関連する確率を算出するステップを含む、請求項１又は２に記載のショッピング検索のための商品属性抽出方法。

【請求項4】

前記算出された関連点数に基づき、前記商品検索結果による商品検索順位を調整するステップは、
前記算出された関連点数のうち、最も高い関連点数である第１の関連点数と関連する第１の商品属性を抽出するステップ；
前記商品データベースから前記抽出された第１の商品属性を含む第１の商品を検索するステップ；及び、
前記第１の関連点数によって前記検索された第１の商品の前記商品検索順位を調整するステップを含む、請求項１乃至３の何れか一項に記載のショッピング検索のための商品属性抽出方法。

【請求項5】

前記算出された関連点数に基づき、前記商品検索結果による商品検索順位を調整するステップは、
前記算出された関連点数のうち、関連点数が既定の閾値以上である第１の関連点数群と関連する第１の商品属性群を抽出するステップ；
前記商品データベースから前記抽出された第１の商品属性群に含まれた少なくとも一つの商品属性を含む商品を検索するステップ；及び、
前記第１の関連点数群によって前記検索された商品の前記商品検索順位を調整するステップを含む、請求項１乃至３の何れか一項に記載のショッピング検索のための商品属性抽出方法。

【請求項6】

前記算出された関連点数に基づき、前記商品検索結果による商品検索順位を調整するステップは、
前記第１の商品属性の重要度を決定する商品属性加重値及び前記第１の関連点数に基づいて前記第１の商品の検索順位を調整するステップをさらに含む、請求項４に記載のショッピング検索のための商品属性抽出方法。

【請求項7】

前記検索順位の調整により前記第１の商品が表示される検索結果画面を出力するステップ；
前記出力された検索結果画面で前記第１の商品のクリック数を受信するステップ；及び、
前記第１の商品のクリック数が既定の閾値以上である場合、前記商品属性加重値を変更するステップをさらに含む、請求項６に記載のショッピング検索のための商品属性抽出方法。

【請求項8】

請求項１乃至７の何れか一項に係るショッピング検索のための商品属性抽出方法をコンピュータで実行するためのコンピュータプログラム。

【請求項9】

コンピュータシステムで実行されるショッピング検索のための商品属性抽出の学習方法において、
複数の第１のユーザクエリ及び前記複数の第１のユーザクエリと関連する複数の第１の商品属性を含む複数の第１の学習データを生成するステップ；及び、
前記複数の第１の学習データに基づき、第２のユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように統計基盤分類モデルを学習するステップを含み、
前記統計基盤分類モデルを学習するステップは、
前記複数の第１のユーザクエリを形態素の単位に分割するステップ；
前記複数の第１のユーザクエリを音節の単位に分割するステップ；
前記形態素の単位に分割された前記複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように第１の統計基盤分類モデルを学習するステップ；及び、
前記音節の単位に分割された前記複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように第２の統計基盤分類モデルを学習するステップを含む、
ショッピング検索のための商品属性抽出の学習方法。

【請求項10】

前記複数の第１の学習データを生成するステップは、
前記複数の第１のユーザクエリと関連する統合検索クリック情報、ショッピングクリック情報又は商品データベースの少なくとも一つから前記複数の第１の商品属性を抽出するステップを含む、請求項９に記載のショッピング検索のための商品属性抽出の学習方法。

【請求項11】

前記複数の第１の学習データを生成するステップは、
前記複数の第１の商品属性を両義的商品属性に対応できる複数の第１の商品属性コードに変換するステップを含む、請求項９又は１０に記載のショッピング検索のための商品属性抽出の学習方法。

【請求項12】

前記統計基盤分類モデルを学習するステップは、
前記複数の第１のユーザクエリを形態素の単位に分割するステップ；及び、
前記形態素の単位に分割された前記複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように前記統計基盤分類モデルを学習するステップを含む、請求項９乃至１１の何れか一項に記載のショッピング検索のための商品属性抽出の学習方法。

【請求項13】

前記統計基盤分類モデルを学習するステップは、
前記複数の第１のユーザクエリを音節の単位に分割するステップ；及び、
前記音節の単位に分割された前記複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように前記統計基盤分類モデルを学習するステップを含む、請求項９乃至１１の何れか一項に記載のショッピング検索のための商品属性抽出の学習方法。

【請求項14】

請求項９乃至１３の何れか一項に係るショッピング検索のための商品属性抽出の学習方法をコンピュータで実行するためのコンピュータプログラム。

【請求項15】

ショッピング検索のための商品属性抽出システムにおいて、
ユーザクエリを受信する通信モジュール；
メモリ；及び、
前記メモリと連結し、前記メモリに含まれたコンピュータ読み取り可能な命令を実行するように構成された少なくとも一つのプロセッサを含み、
前記少なくとも一つのプロセッサは、
商品データベースから前記ユーザクエリに対する商品検索結果を抽出し、統計基盤分類モデルを用いて、前記ユーザクエリ及び複数の商品属性の関連点数を算出し、前記算出された関連点数に基づいて前記商品検索結果による商品検索順位を調整し、
前記統計基盤分類モデルにより、前記ユーザクエリ及び前記複数の商品属性の関連点数の算出は、
前記ユーザクエリを音節及び形態素の単位に分割し、
第１の統計基盤分類モデルにより、前記音節の単位に分割された前記ユーザクエリが前記複数の商品属性と関連する第１の確率を算出し、
第２の統計基盤分類モデルにより、前記形態素の単位に分割された前記ユーザクエリが前記複数の商品属性と関連する第２の確率を算出し、
前記第１の確率及び前記第２の確率に基づいて、前記複数の商品属性の関連点数として算出することにより行われる、
ショッピング検索のための商品属性抽出システム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、ショッピング検索のための商品属性抽出方法及びシステムに関し、具体的には、ショッピング検索のために入力されたユーザクエリ（user query）又は検索クエリから商品属性を抽出して、商品検索順位に反映できる方法及びシステムに関する。

【背景技術】

【0002】

最近、インターネットやモバイル環境においてショッピング、ゲーム、映画及び音楽などのような多様なサービスがオンラインで提供されている。特に、オンラインショッピングは、商品購買時間に対する制約がなく、直接的に商品販売店に訪問しなくても、商品の選択及び購買が可能であるため、多数のユーザにより利用されている。

【0003】

このようなオンラインショッピングの便宜により、オンラインショッピングを利用するユーザが増加することで、オンライン上で販売又は取り扱う商品の数や種類も幾何級数的に増加している。これにより、ユーザは、オンライン上で販売される多様な商品のうち、自分の意図と一致する商品を検索し難いという問題がある。

【0004】

一方、ユーザが、オンラインショッピングシステムに接続して、所望の商品を検索するためのクエリ（query）を入力すれば、当該クエリと関連する商品情報や購買先に関する接続情報などを含む商品検索結果のリストが提供できる。このようなオンラインショッピングシステムは、単にユーザクエリを商品データベースの商品情報と比較して検索結果を抽出するため、クエリに含まれたユーザの意図と一致する商品検索結果を導出し難い。

【先行技術文献】

【特許文献】

【0005】

【文献】韓国登録特許第１０－１０１７０１６号

【発明の概要】

【発明が解決しようとする課題】

【0006】

本開示は、前記問題点を解決するためになされたもので、ショッピング検索のための商品属性抽出方法、コンピュータプログラム及び装置（システム）を提供する。

【0007】

また、本開示は、ショッピング検索のための商品属性抽出のために、統計基盤分類モデルを利用することで、より正確な商品属性抽出が可能な方法及び装置（システム）を提供する。

【課題を解決するための手段】

【0008】

本開示は、方法、装置（システム）又はコンピュータプログラムを含む多様な方式により具現できる。

【0009】

本開示の一実施例によれば、コンピュータシステムで実行されるショッピング検索のための商品属性抽出方法は、ユーザクエリを受信するステップ、商品データベースからユーザクエリに対する商品検索結果を抽出するステップ、統計基盤分類モデルにより、ユーザクエリ及び複数の商品属性の関連点数を算出するステップ、及び、算出された関連点数に基づいて前記商品検索結果による商品検索順位を調整するステップを含む。

【0010】

本開示の他の実施例によれば、ユーザ端末で実行されるショッピング検索のための商品属性抽出方法は、ユーザクエリを受信するステップ、ユーザクエリに基づき、統計基盤分類モデルにより算出された複数の商品属性の関連点数を受信するステップ、及び、算出された関連点数に基づき、ユーザクエリに対する商品検索順位を調整するステップを含む。

【0011】

本開示のまた他の実施例によれば、前述したショッピング検索のための商品属性抽出方法をコンピュータで実行するためのコンピュータプログラムが提供される。

【0012】

本開示のまた他の実施例によれば、コンピュータシステムで実行されるショッピング検索のための商品属性抽出の学習方法は、複数の第１のユーザクエリ及び複数の第１のユーザクエリと関連する複数の第１の商品属性を含む複数の第１の学習データを生成するステップ、及び、複数の第１の学習データに基づき、第２のユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように統計基盤分類モデルを学習するステップを含む。

【0013】

本開示のまた他の実施例によれば、前述したショッピング検索のための商品属性抽出の学習方法をコンピュータで実行するためのコンピュータプログラムが提供される。

【0014】

本開示のまた他の実施例によれば、ショッピング検索のための商品属性抽出システムは、ユーザクエリを受信する通信モジュール、メモリ、及び、メモリと連結し、メモリに含まれたコンピュータ読み取り可能な命令を実行するように構成された少なくとも一つのプロセッサを含む。少なくとも一つのプロセッサは、商品データベースからユーザクエリに対する商品検索結果を抽出し、統計基盤分類モデルを用いて、ユーザクエリ及び複数の商品属性の関連点数を算出し、算出された関連点数に基づいて前記商品検索結果による商品検索順位を調整する。

【発明の効果】

【0015】

本開示の多様な実施例によれば、ユーザクエリからユーザの意図した商品属性が反映された検索結果をユーザ端末に出力できる。また、本開示の多様な実施例によれば、ユーザクエリと関連する商品属性を持つ商品を検索結果の上部に表示することで、当該商品に対するユーザらのクリック率及び購買率を向上させることができる。

【0016】

本開示の多様な実施例によれば、ユーザクエリに対する複数の商品属性の関連点数を算出するために、統計基盤分類モデルを使用することで、ユーザクエリに対する商品属性の関連性の正確度を改善させることができる。

【0017】

本開示の多様な実施例によれば、ユーザクエリを音節及び／又は形態素の単位に分割して、統計基盤分類モデルにより商品属性に対する関連点数を算出することで、タイプミス又は学習データにないユーザクエリに対しても、商品属性の関連点数の算出の正確性を向上させることができる。また、統計基盤分類モデルの学習データのマッチングカバレッジ（matching coverage）が極大化し、ユーザクエリ及び複数の商品属性の関連点数の算出の正確度を一層向上させることができる。

【0018】

本開示の多様な実施例によれば、ユーザクエリに対する複数の商品属性の関連点数を算出する統計基盤分類モデルの学習に使用される学習データを、統合検索ログデータやショッピング又は商品検索ログデータなどのような多様な検索ログデータから生成できる。また、学習データは、検索ログデータのうちでユーザが入力したユーザクエリ、検索結果及び検索結果に応答するユーザの動作に基づいて自動生成できるので、統計基盤分類モデルの学習データを効率よく確保できる。

【0019】

本開示の多様な実施例によれば、商品属性を商品属性コードで表示することで、同一又は類似の商品属性が互いに異なる商品類型又はユーザクエリと関連することにより、商品属性抽出の結果の正確性を低下させるのを防止できる。すなわち、商品属性を商品属性コードで表示して統計基盤分類モデルを学習させることで、両義的商品属性及び範囲型商品属性に対しても関連点数の算出の正確性を向上させることができる。

【図面の簡単な説明】

【0020】

本開示の実施例は、以下の添付図面に基づいて説明する。ここで、類似の参照番号は類似の要素を示すが、これに限定されるものではない。

【図1】本開示の一実施例に係るショッピング検索のための商品属性抽出方法によりユーザクエリから抽出された商品属性を反映した検索結果を表示する画面を例示する図である。

【図2】本開示の一実施例に係るショッピング検索のための商品属性抽出サービスを提供するために、複数のユーザ端末及び商品属性抽出サーバが通信可能に連結したシステムを示す概要図である。

【図3】本開示の一実施例に係るユーザ端末及び商品属性抽出サーバの内部構成を示すブロック図である。

【図4】本開示の一実施例に係る統計基盤分類モデルを用いてユーザクエリに対する商品属性の関連点数を算出する構成を示す図である。

【図5】本開示の一実施例に係る前処理器及び統計基盤分類モデルを含む分類器を用いて関連点数を算出する構成を示す図である。

【図6】本開示の一実施例に係る多様な検索結果から商品属性抽出のための統計基盤分類モデルの学習データを生成する例示を示す図である。

【図7】本開示の一実施例に係る商品属性を商品属性コードで表現して学習データを生成する方法を例示する図である。

【図8】本開示の一実施例に係る商品属性抽出サーバにより遂行されるショッピング検索のための商品属性抽出方法を示すフローチャートである。

【図9】本開示の一実施例に係るショッピング検索のための商品検索順位調整方法を示すフローチャートである。

【図10】本開示の一実施例に係るユーザ端末により遂行されるショッピング検索のための商品属性抽出方法を示すフローチャートである。

【図11】本開示の一実施例に係る商品属性抽出のための統計基盤分類モデルの学習方法を示すフローチャートである。

【発明を実施するための形態】

【0021】

以下、本開示の実施のための具体的な内容を添付図面に基づいて詳細に説明する。ただし、
以下の説明では、本開示の要旨を不要にぼやかす恐れがある場合、公知の機能や構成に関する具体的な説明は省略する。

【0022】

添付図面において、同一又は対応する構成要素には同一の参照符号が付与される。また、以下の実施例の説明において、同一又は対応する構成要素の重複記述は省略され得る。しかしながら、構成要素に関する記述が省略されても、そのような構成要素がある実施例に含まれないものと解してはならない。

【0023】

開示の実施例の利点及び特徴、そしてそれらを達成する方法は、添付図面に基づいて後述する実施例を参照すれば明確になる。しかしながら、本開示は、以下で開示される実施例に限定されず、互いに異なる多様な形態で具現され得る。但し、本実施例は、本開示が完全になるようにし、本開示が通常の技術者に発明のカテゴリを正確に認識させるために提供されるだけである。

【0024】

本明細書で使用される用語について簡略に説明し、開示の実施例について具体的に説明する。本明細書で使用される用語は、本開示での機能を考慮しつつ、可能な限り現在広く使用される一般的な用語を選択したが、これは関連分野に従事する技術者の意図又は判例、新技術の出現などにより変化し得る。また、特定の場合は出願人が任意で選定した用語もあり得るが、これらの意味は当該発明の説明の部分において詳細に記載する。よって、本開示で使用される用語は、単純な用語の名称ではなく、その用語が持つ意味と本開示の全般にわたった内容に基づいて定義されるべきである。

【0025】

本明細書では、文脈上において明確に特定しない限り、単数の表現は複数の表現を含み、複数の表現は単数の表現を含むことができる。

【0026】

明細書の全般に渡り、ある部分がある構成要素を「含む」とする際、これは特に反対の記載がない限り、他の構成要素を除くものではなく、他の構成要素をさらに含むこともできることを意味する。

【0027】

また、明細書で使用される「モジュール」又は「部」という用語は、ソフトウェアやハードウェア構成要素を意味し、「モジュール」又は「部」はある役割を遂行する。しかしながら、「モジュール」又は「部」はソフトウェアやハードウェアに限定される意味ではない。「モジュール」又は「部」は、アドレッシング可能な保存媒体にあるように構成してもよく、一つ又はそれ以上のプロセッサを再生させるように構成してもよい。したがって、一例として、「モジュール」又は「部」は、ソフトウェア構成要素、オブジェクト指向ソフトウェア構成要素、クラス構成要素、タスク構成要素のような構成要素、並びに、プロセス、関数、属性、プロシーザー、サブルーチン、プログラムコードのセグメント、ドライバー、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイ又は変数のうちで少なくとも一つを含むことができる。構成要素と「モジュール」又は「部」は、内部で提供される機能はさらに小さい数の構成要素及び「モジュール」又は「部」で結合されたり、追加的な構成要素と「モジュール」又は「部」にさらに分離されたりできる。

【0028】

本開示の一実施例によれば、「モジュール」又は「部」はプロセッサ及びメモリで具現され得る。「プロセッサ」は汎用プロセッサ、中央処理装置（ＣＰＵ）、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、制御器、マイクロ制御器、状態マシンなどを含むように広く解釈されるべきである。いくつかの環境では、「プロセッサ」は特定用途向け半導体（ＡＳＩＣ）、プログラム可能なロジックデバイス（ＰＬＤ）、フィールドプログラム可能なゲートアレイ（ＦＰＧＡ）等を指すこともできる。「プロセッサ」は、例えば、ＤＳＰとマイクロプロセッサの組合せ、複数のマイクロプロセッサの組合せ、ＤＳＰコアと結合した一つ以上のマイクロプロセッサの組合せ、若しくは、任意の他のそのような構成等の組合せのような処理デバイスの組合せを指すこともできる。また、「メモリ」は電子情報を保存可能な任意の電子コンポーネントを含むように広く解釈されるべきである。「メモリ」は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＮＶＲＡＭ（Non-Volatile Random Access Memory）、ＰＲＯＭ（Programmable Read-Only Memory）、ＥＰＲＯＭ（Erasable Programmable Read-Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Reda-Only Memory）、フラッシュメモリ、磁気又は光学データ保存装置、レジスターなどのようなプロセッサ－読み取り可能な媒体の多様な類型を指すこともできる。プロセッサがメモリから情報を読み取り／読み取ったりメモリに情報を記録できる場合、メモリはプロセッサと電子通信状態にあると言われる。プロセッサに集積されたメモリはプロセッサと電子通信状態にある。

【0029】

本開示において、「ユーザクエリ」は、検索エンジンを用いて入力及び検索できるテキスト(例えば、単語、文句、文章等)を含むことのできるが、これに限定されるものではない。例えば、ユーザクエリは、ユーザがウェブブラウザ、検索アプリケーション又はショッピングアプリケーションのような検索プログラムの入力ＵＩを介して入力するテキストを含んだり、ユーザが検索プログラムで提供するクエリリストからクリックにより選択できるテキストを含んだりできる。他の例において、ユーザクエリは、テキストに限定されず、イメージ、映像、音声、声などのようなマルチメディアコンテンツから抽出できるテキスト又は情報を含むことができる。

【0030】

本開示において、「商品属性」は、商品名、製品番号、規格又はサイズ、形態、色相、材質、性能、価格などを含む商品に関する多様な情報を示すことができる。例えば、商品属性は、ショッピング検索又は商品検索の結果として当該商品の購買先に関する接続情報（例えば、商品購買ウェブページに関するリンク情報）と共にユーザに提供され得る。

【0031】

本開示において、「統計基盤分類モデル」は、公知のラベル付き（labeling）データに対する関連性（relevance）に基づき、ラベル付きにならない新しい情報を分類するように学習さされた分類器（classifier）又は分類モデルを一般的に示すことができる。例えば、統計基盤分類モデルは、言語モデル（language model）、ＳＶＭ（support vector machine）、最大エントロピーモデル（maximum entropy model）、ＣＲＦモデル（conditional random field model）、ＦＦＮＮ（feed-forward neural network）、ＲＮＮ（recurrent neural network）、ＧＲＵ（gated recurrent unit）、ＬＳＴＭ（long short-term memory）、トランスフォーマーモデル（transformer model）、ＢＥＲＴモデル（bidirectional encoder representations from transformers model）などのような多様な機械学習又は人工ニューラルネットワーク（neural network）モデルの何れか一つであり得る。

【0032】

本開示において、「埋め込み（embedding）」は、カテゴリ変数又は離散変数（categorical or discrete variable）を連続ベクトル（continuous vector）に変換する技法を示すことができる。埋め込みは、ユーザクエリのようなカテゴリ変数を連続ベクトルに変換することにより、その情報の次元を縮小し、意味を導出するのに使用できる。また、ユーザクエリが埋め込みベクトル空間でベクトルとして表現される場合、そのベクトル空間上における近所のベクトル等は類似又は関連した特性を共有できる。例えば、ユーザクエリをベクトル空間に埋め込む方法は、人工ニューラルネットワークの学習により具現できる。

【0033】

図１は、本開示の一実施例に係るショッピング検索のための商品属性抽出方法によりユーザクエリ１１０から抽出された商品属性を反映した検索結果１３０を表示する画面１００を例示する図である。同図に示すように、ユーザがショッピングサイトの検索窓にユーザクエリ１１０を入力する場合、当該ユーザクエリ１１０から抽出した商品属性１３４、１３８を反映した検索結果１３０が表示され得る。検索結果１３０には、検索の商品を示すイメージや名称１３２、１３６及び商品属性１３４、１３８などが含まれる。例えば、ユーザが「ミニノートブック」を検索クエリとして入力した場合、当該クエリに含まれた商品である「ノートブック」コンピュータのサイズ又は規格に関する表現である「ミニ」と関連する商品１３２、１３６が、検索結果１３０の上部に表示されるように検索結果の順位が調整され得る。すなわち、検索結果１３０には、多様なノートブック(又はラップトップ)コンピュータ商品のうち、画面サイズが「１０インチ」及び「１１インチ」である商品１３２、１３６が、検索結果１３０の上部に優先的に表示され得る。したがって、ユーザは、検索結果１３０を介して、本人が入力した商品検索クエリから抽出できる商品属性１３４、１３８と関連する商品１３２、１３６の情報を容易且つ迅速に確認できる。また、ユーザは、必要に応じて、当該商品１３２、１３６の何れか一つを選択又はクリックすることで、選択の商品に関するより具体的な情報を取得したり、オンライン購買を実行したりできる。

【0034】

さらに、画面１００において、検索結果１３０の上部には、商品属性をフィルタリング又は選択できるユーザインタフェース１２０が表示され得る。したがって、ユーザは、ユーザインタフェース１２０から、商品カテゴリや製造社や画面サイズなどのように、ユーザクエリ１１０と関連する商品属性の一つ以上を選択して、検索結果１３０に表示された商品１３２、１３６の順序又は順位をさらに調整できる。例えば、ユーザが、ユーザインタフェース１２０から製造社フィルタリング項目のうちで「Ａ社」を選択する場合、検索結果１３０には「Ａ社」の生産商品等の情報が上部に表示され得る。

【0035】

一実施例において、ユーザクエリ１１０が入力された場合、商品属性抽出方法によりユーザクエリ１１０に対する複数の商品属性の関連性又は関連確率が算出できる。例えば、ノートブックコンピュータの商品属性は、色相、ケースの材質、ＣＰＵの性能、メモリの容量、画面サイズ及び解像度などを含むことができる。他の例として、家庭用ＴＶの商品属性は、色相、ディスプレイの種類、サイズ、解像度及びインターネット接続機能可否などを含むことができる。商品属性抽出方法は、ユーザクエリ１１０が「ミニノートブック」である場合、ノートブックコンピュータの複数の商品属性だけでなく、家庭用ＴＶ、ファッション雑貨及び生活健康用品などの異なる種類の商品の複数の商品属性に対しても関連性が算出できる。ユーザクエリ１１０が「ミニノートブック」である場合、ノートブックコンピュータの商品属性のうち、小型の画面サイズ属性(例えば、「１０インチ」)に対する関連性が最も高く算出されるのに対し、ノートブックコンピュータの異なる商品属性や異なる種類の商品の商品属性に対する関連性は低く算出され得る。

【0036】

一方、ユーザクエリ１１０に対する商品検索結果１３０を商品データベースから得られる。ユーザクエリ１１０による商品検索は、商品データベースに保存された商品情報のうち、ユーザクエリ１１０と関連性が高い商品情報を抽出することにより実行できる。このように抽出された商品検索結果１３０には、ユーザクエリ１１０との関連性の高い商品情報の方が、関連性の低い商品情報よりも上位に表示され得る。また、前述したように算出されたユーザクエリ１１０に対する商品属性の関連性（又は関連点数）に基づき、商品検索結果１３０による商品検索順位が調整できる。これによれば、ユーザクエリ１１０が「ミニノートブック」である場合、商品検索結果１３０には、画面サイズが小さいノートブックコンピュータに関する商品１３２、１３６情報が上位に表示され得る。

【0037】

また、ユーザクエリ１１０に対する商品属性抽出方法によれば、ユーザクエリ１１０を音節（syllable）及び／又は形態素（morpheme）の単位に分割して分析することで、ユーザクエリ１１０に対する複数の商品属性の関連点数が算出できる。一実施例において、商品属性抽出方法は、ユーザクエリ１１０を音節の単位に分割して分析することで、ユーザクエリ１１０に対する複数の商品属性の関連点数が算出できる。また、商品属性抽出方法は、ユーザクエリ１１０を形態素の単位に分割して分析することで、ユーザクエリ１１０に対する複数の商品属性の関連点数が算出できる。以上のように抽出された２つの関連点数は、合算又は結合により最終の関連点数として用いられる。

【0038】

ユーザクエリ１１０に対する商品属性抽出方法は、統計基盤分類モデルにより商品属性の関連点数が算出できる。統計基盤分類モデルは、ユーザクエリ１１０が複数の商品属性と関連する確率を算出するように学習できる。一実施例において、統計基盤分類モデルは、音節及び／又は形態素の単位に分割されたユーザクエリ１１０を入力として、可能な全ての商品属性と関連する確率（又は関連点数）を算出するように学習できる。例えば、ユーザクエリ１１０として「ミニノートブック」が入力された場合、画面サイズが小さい「１０インチ」又は「１１インチ」の商品属性１３４、１３８に該当する確率値が、画面サイズが大きい「１７インチ」の商品属性に該当する確率値よりも大きく算出され得る。

【0039】

以上で説明した方法により、統計基盤分類モデルにより算出された商品属性の関連点数に基づき、検索結果１３０に含まれた商品１３２、１３６の検索順位が調整できる。商品検索順位（又は商品検索順位点数）は、ユーザクエリ１１０に対する商品名又は商品属性の語彙類似度、商品に対するユーザ人気度等に基づいて決定され得る。このとき、各商品１３２、１３６の検索順位点数に対して商品属性の関連点数が合算又は加重値として適用されて、最終の商品１３２、１３６の検索順位点数が決定され得る。一実施例において、ユーザクエリ１１０に対して算出された商品属性の関連点数のうち、最も高い関連点数に基づいて商品１３２、１３６の検索順位が調整できる。代案として、ユーザクエリ１１０に対して算出された商品属性の関連点数のうち、上位ｎ個（ｎは１より大きい整数）の関連点数に基づいて商品１３２、１３６の検索順位が調整できる。

【0040】

他の実施例において、ユーザクエリ１１０に対する商品属性抽出方法は、商品データベースから商品情報の商品属性を生成又はアップデートするのに使用される。例えば、商品属性抽出方法は、商品データベースに保存された商品情報の商品名に基づき、可能な全ての商品属性の関連点数を算出し、最も高い関連点数と関連する商品属性を当該商品情報の商品属性として保存又はアップデートできる。

【0041】

図１に示す例は、本開示のショッピング検索のための商品属性抽出方法によって決定された商品検索結果１３０又は商品検索順位が、商品検索又はショッピングのためのウェブサイトやアプリケーションを介して提供されることを示しているが、これに限定されるものではない。本開示の多様な実施例による方法は、統合検索サイトの検索サービス又はユーザ端末により実行される検索アプリケーションを介して提供されることもできる。

【0042】

図２は、本開示の一実施例に係るショッピング検索のための商品属性抽出サービスを提供するために、複数のユーザ端末２１０＿１、２１０＿２、２１０＿３及び商品属性抽出サーバ２３０が通信可能に連結したシステム２００を示す概要図である。同図に示すように、システム２００は、ショッピング検索のための商品属性抽出サービスを提供する商品属性抽出サーバ２３０と、商品属性抽出サーバ２３０にネットワーク２２０を介して連結した複数のユーザ端末２１０＿１、２１０＿２、２１０＿３と、検索ログデータベース２４０とを含むことができる。一実施例によれば、商品属性抽出サーバ２３０は、商品属性抽出サービスを提供するためのコンピュータ実行可能なプログラム（例えば、ダウンロード可能なアプリケーション）や、データを保存、提供及び実行できる一つ以上のサーバ装置及び／又はデータベースや、クラウドコンピューティング（cloud computing）サービス基盤の一つ以上の分散コンピュータ装置及び／又は分散データベースを含むことができる。商品属性抽出サーバ２３０により提供される商品属性抽出サービスは、複数のユーザ端末２１０＿１、２１０＿２、２１０＿３の各々に設置された検索アプリケーション又はウェブブラウザを介してユーザに提供され得る。

【0043】

複数のユーザ端末２１０＿１、２１０＿２、２１０＿３は、ネットワーク２２０を介して商品属性抽出サーバ２３０と通信できる。ネットワーク２２０は、複数のユーザ端末２１０及び商品属性抽出サーバ２３０間の通信が可能であるように構成できる。ネットワーク２２０は、設置環境に応じて、例えば、イーサネット（Ethernet）、ＰＬＣ（Power Line Communication）、電話線通信装置及びＲＳ－ｓｅｒｉａｌ通信などのような有線ネットワーク２２０、移動通信網、ＷＬＡＮ（Wireless LAN）、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ及びＺｉｇＢｅｅなどのような無線ネットワーク２２０又はその組合せからなることができる。通信方式は制限されず、ネットワーク２２０を含むことができる通信網（例えば、移動通信網、有線インターネット、無線インターネット、放送網、衛星網等）を活用する通信方式だけでなく、ユーザ端末２１０＿１、２１０＿２、２１０＿３間の近距離無線通信も含まれる。例えば、ネットワーク２２０は、ＰＡＮ（personal area network）、ＬＡＮ（local area network）、ＣＡＮ（campus area network）、ＭＡＮ（metropolitan area network）、ＷＡＮ（wide area network）、ＢＢＮ（broadband network）、インターネットなどのネットワークの何れか一つ以上を含むことができる。また、ネットワーク２２０は、バスネットワーク、スターネットワーク、リングネットワーク、メッシュネットワーク、スター－バスネットワーク、ツリー又は階層ネットワークなどを含むネットワークトポロジー（network topology）の何れかの一つ以上を含むことができるが、これに制限されるものではない。

【0044】

図２では、携帯電話やスマートフォン２１０＿１、タブレットコンピュータ２１０＿２及びラップトップ又はデスクトップコンピュータ２１０＿３をユーザ端末の例として示したが、これに限定されず、ユーザ端末２１０＿１、２１０＿２、２１０＿３は、有線及び／又は無線通信が可能であり、検索アプリケーション、モバイルブラウザアプリケーション又はウェブブラウザが設置されて実行できる任意のコンピュータ装置であり得る。例えば、ユーザ端末２１０は、スマートフォン、携帯電話、ナビゲーション端末機、デスクトップコンピュータ、ラップトップコンピュータ、デジタル放送用端末機、ＰＤＡ（Personal Digital Assistants）、ＰＭＰ（Portable Multimedia Player）、タブレットコンピュータ、ゲームコンソール（game console）、ウェアラブルデバイス（wearable device）、ＩｏＴ（internet of things）デバイス、ＶＲ（virtual reality）デバイス及びＡＲ（augmented reality）デバイスなどを含むことができる。また、図２では、３つのユーザ端末２１０＿１、２１０＿２、２１０＿３がネットワーク２２０を介して商品属性抽出サーバ２３０と通信するものと示したが、これに限定されず、異なる数のユーザ端末がネットワーク２２０を介して商品属性抽出サーバ２３０と通信するように構成されることもできる。

【0045】

一実施例によれば、商品属性抽出サーバ２３０は、複数のユーザ端末２１０＿１、２１０＿２、２１０＿３から入力された一つ以上のユーザクエリが受信できる。一実施例によれば、商品属性抽出サーバ２３０は、複数のデスクトップ又はラップトップコンピュータ２１０＿３で実行中であるウェブブラウザにより表示された検索サイトの検索エンジンに入力されたユーザクエリが受信できる。他の実施例によれば、商品属性抽出サーバ２３０は、複数の携帯電話やスマートフォン及びタブレットコンピュータ２１０＿１、２１０＿２で実行中であるモバイルブラウザアプリケーションにより表示された検索サイトの検索エンジンに入力されたユーザクエリが受信できる。他の実施例によれば、商品属性抽出サーバ２３０は、商品を販売するオンラインショッピングサイトの検索エンジンに入力されたユーザクエリが受信できる。

【0046】

また、商品属性抽出サーバ２３０は、受信したユーザクエリに対する複数の商品属性の関連点数が算出できる。一実施例において、商品属性抽出サーバ２３０は、商品属性の関連点数を算出するように学習された統計基盤分類モデルを含むことができる。商品属性抽出サーバ２３０は、受信したユーザクエリを音節及び／又は形態素の単位に分割し、分割した音節及び／又は形態素の単位のユーザクエリを、関連点数を算出する統計基盤分類モデルの入力として使用できる。また、商品属性抽出サーバ２３０は、ネットワーク２２０を介して連結した検索ログデータベース２４０から統計基盤分類モデルを学習するための学習データが受信できる。例えば、検索ログデータベース２４０から受信された学習データは、ユーザクエリ及び当該ユーザクエリに対する商品検索結果のうち、ユーザが選択した商品情報（例えば、特定商品の属性情報）の対（pair）を含むことができる。

【0047】

商品属性抽出サーバ２３０は、複数の商品属性の一つ以上の上位関連点数と関連する商品属性を抽出し、商品データベース（図示せず）から当該商品属性を含む商品情報が検索できる。このように検索された商品情報の順位は、商品属性の関連点数に基づいて再調整できる。また、商品属性抽出サーバ２３０は、上位関連点数と関連する商品属性の重要度を決定する商品属性加重値及び当該関連点数に基づいて商品検索順位が調整できる。ここで、商品属性加重値は、商品検索結果に対するユーザの応答（例えば、上位商品検索結果に対するユーザの選択回数）によって変更できる。

【0048】

図３は、本開示の一実施例に係るユーザ端末２１０及び商品属性抽出サーバ２３０の内部構成を示すブロック図である。ユーザ端末２１０は、ウェブブラウザ又はアプリケーションが実行可能であり、有／無線通信が可能な任意のコンピュータ装置を示すことができ、例えば、ユーザ端末２１０は、図２に示す携帯電話やスマートフォン２１０＿１、タブレットコンピュータ２１０＿２、ラップトップ又はデスクトップコンピュータ２１０＿３などを含むことができる。図３に示すように、ユーザ端末２１０は、メモリ３１２、プロセッサ３１４、通信モジュール３１６及び入出力インタフェース３１８を含むことができる。これと同様に、商品属性抽出サーバ２３０は、メモリ３３２、プロセッサ３３４、通信モジュール３３６及び入出力インタフェース３３８を含むことができる。図３に示すように、ユーザ端末２１０及び商品属性抽出サーバ２３０は、各々の通信モジュール３１６、３３６を用いて、ネットワーク２２０を介して情報及び／又はデータが通信できるように構成できる。また、入出力装置３２０は、入出力インタフェース３１８を介して、ユーザ端末２１０に情報及び／又はデータを入力したり、ユーザ端末２１０から生成された情報及び／又はデータを出力したりするように構成できる。

【0049】

メモリ３１２、３３２は、非一時的な任意のコンピュータ読取り可能な記録媒体を含むことができる。一実施例によれば、メモリ３１２、３３２は、ＲＡＭ（random access memory）、ＲＯＭ（read only memory）、ディスクドライブ、ＳＳＤ（solid state drive）及びフラッシュメモリ（flash memory）などのような永久的な大容量記憶装置（permanent mass storage device）を含むことができる。他の例として、ＲＯＭ、ＳＳＤ、フラッシュメモリ及びディスクドライブなどのような永久的な大容量保存装置は、メモリ３１２、３３２とは区分される別途の永久保存装置としてユーザ端末２１０又は商品属性抽出サーバ２３０に含まれることができる。また、メモリ３１２、３３２には、運営体制と少なくとも一つのプログラムコード（例えば、ユーザ端末２１０又は商品属性抽出サーバ２３０に設置されて駆動される商品属性抽出方法を実行するためのコード）が保存され得る。

【0050】

このようなソフトウェア構成要素は、メモリ３１２、３３２とは別途のコンピュータで読み取り可能な記録媒体からローディングできる。このような別途のコンピュータで読み取り可能な記録媒体は、このようなユーザ端末２１０及び商品属性抽出サーバ２３０に直接連結可能な記録媒体を含むことのできるが、例えば、フロッピードライブ、ディスク、テープ、ＤＶＤ／ＣＤ－ＲＯＭドライブ及びメモリカードなどのようなコンピュータで読み取り可能な記録媒体を含むことができる。他の例として、ソフトウェア構成要素等は、コンピュータで読み取り可能な記録媒体でない、通信モジュール３１６、３３６を介してメモリ３１２、３３２にローディングできる。例えば、少なくとも一つのプログラムは、開発者又はアプリケーションの設置ファイルを配信するファイル配信システムが、ネットワーク２２０を介して提供するファイルにより設置されるコンピュータプログラム（例えば、ショッピング検索のための商品属性抽出サービスを提供するアプリケーション）に基づいてメモリ３１２、３３２にローディングできる。

【0051】

プロセッサ３１４、３３４は、基本的な算術、ロジック及び入出力演算を遂行することで、コンピュータプログラムの命令を処理するように構成できる。命令は、メモリ３１２、３３２又は通信モジュール３１６、３３６によりプロセッサ３１４、３３４に提供され得る。例えば、プロセッサ３１４、３３４は、メモリ３１２、３３２のような記録装置に保存されたプログラムコードによって受信される命令を実行するように構成できる。

【0052】

通信モジュール３１６、３３６は、ネットワーク２２０を介して、ユーザ端末２１０と商品属性抽出サーバ２３０とが互いに通信するための構成や機能が提供でき、ユーザ端末２１０及び／又は商品属性抽出サーバ２３０が、他のユーザ端末又は他のシステム（例えば、別途の検索エンジンシステム等）と通信するための構成や機能が提供できる。一例として、ユーザ端末２１０のプロセッサ３１４がメモリ３１２などのような記録装置に保存されたプログラムコードによって生成した要請やデータ（例えば、ユーザクエリに対する商品属性を考慮した検索結果出力要請）は、通信モジュール３１６の制御により、ネットワーク２２０を介して商品属性抽出サーバ２３０に伝達され得る。反対に、商品属性抽出サーバ２３０のプロセッサ３３４の制御により提供される制御信号や命令が、通信モジュール３３６及びネットワーク２２０を経て、ユーザ端末２１０の通信モジュール３１６を介してユーザ端末２１０に受信され得る。例えば、ユーザ端末２１０は、商品属性抽出サーバ２３０から通信モジュール３１６を介してユーザクエリに対する商品検索結果、複数の商品属性の関連点数、算出された関連点数が反映された商品検索結果などが受信できる。

【0053】

入出力インタフェース３１８は、入出力装置３２０とのインタフェースのための手段であり得る。一例として、入力装置はイメージセンサを含むカメラ、キーボード、マイクロホン、マウスなどのような装置を含み、出力装置はディスプレイ、スピーカ、ハプティックフィードバックデバイス（haptic feedback device）などのような装置を含むことができる。他の例として、入出力インタフェース３１８は、タッチスクリーンなどのように入力及び出力を遂行するための構成及び機能が一つで統合された装置とのインタフェースのための手段であり得る。例えば、ユーザ端末２１０のプロセッサ３１４がメモリ３１２にローディングされたコンピュータプログラムの命令を処理する際に、商品属性抽出サーバ２３０や他のユーザ端末２１０が提供する情報及び／又はデータを用いて構成されるサービス画面や商品検索結果が、入出力インタフェース３１８を介してディスプレイに表示され得る。図３では、入出力装置３２０がユーザ端末２１０に含まれないように示したが、これに限定されず、ユーザ端末２１０と一体に構成することもできる。また、商品属性抽出サーバ２３０の入出力インタフェース３３８は、商品属性抽出サーバ２３０と連結するか、又は、商品属性抽出サーバ２３０が含むことができる入力や出力のための装置（図示せず）とのインタフェースのための手段であり得る。図３では、入出力インタフェース３１８、３３８をプロセッサ３１４、３３４と別途に構成された要素として示したが、これに限定されず、入出力インタフェース３１８、３３８をプロセッサ３１４、３３４に含まれるように構成することもできる。

【0054】

ユーザ端末２１０及び商品属性抽出サーバ２３０は、図３に示す構成要素よりも多くの構成要素を含むことができる。しかしながら、大部分の従来技術的構成要素を明確に示す必要はない。一実施例によれば、ユーザ端末２１０は、前述した入出力装置３２０の少なくとも一部を含むように具現できる。また、ユーザ端末２１０は、トランシーバー（transceiver）、ＧＰＳ（Global Positioning system）モジュール、カメラ、各種センサ及びデータベースなどのような他の構成要素をさらに含むことができる。例えば、ユーザ端末２１０がスマートフォンである場合、一般にスマートフォンが持つ構成要素を含むことができ、例えば、加速度センサ、ジャイロセンサ、カメラモジュール、各種物理的なボタン、タッチパネルを用いたボタン、入出力ポート及び振動のための振動器などのような多様な構成要素がユーザ端末２１０にさらに含まれるように具現できる。

【0055】

一実施例によれば、ユーザ端末２１０のプロセッサ３１４は、商品検索又はショッピングサイトに接続可能な検索アプリケーション、モバイルブラウザアプリケーション又はウェブブラウザが動作するように構成できる。このとき、当該アプリケーション又はウェブブラウザと関連するプログラムコードがユーザ端末２１０のメモリ３１２にローディングできる。

【0056】

ユーザ端末２１０のプロセッサ３１４は、入出力装置３２０から提供された情報及び／又はデータを入出力インタフェース３１８を介して受信したり、通信モジュール３１６を介して商品属性抽出サーバ２３０から情報及び／又はデータを受信したりでき、受信された情報及び／又はデータを処理してメモリ３１２に保存できる。また、このような情報及び／又はデータは、通信モジュール３１６を介して商品属性抽出サーバ２３０に提供できる。

【0057】

一実施例によれば、プロセッサ３１４は、入出力インタフェース３１８と連結したタッチスクリーンやキーボードなどの入出力装置３２０により入力されたり、選択されたテキスト、イメージ及び動作などが受信したりできる。受信されたテキスト、イメージ及び／又は動作をメモリ３１２に保存したり、通信モジュール３１６及びネットワーク２２０を介して商品属性抽出サーバ２３０に提供したりできる。例えば、プロセッサ３１４は、タッチスクリーンやキーボードなどのような入出力装置により、一つ以上のユーザクエリ及び／又はユーザクエリに対応する商品属性などが受信でき、受信されたユーザクエリ及び／又は商品属性に対する入力などは、通信モジュール３１６及びネットワーク２２０を介して商品属性抽出サーバ２３０に提供できる。

【0058】

一実施例によれば、プロセッサ３１４は、入力装置により受信されたユーザクエリ又はユーザクエリに対する検索結果要請を、ネットワーク２２０及び通信モジュール３１６を介して商品属性抽出サーバ２３０に提供できる。ユーザクエリを受信した商品属性抽出サーバ２３０は、ユーザクエリから複数の商品属性の関連点数が算出できる。また、商品属性抽出サーバ２３０は、算出された商品属性の関連点数が反映された商品検索結果又は商品検索順位に関する情報が提供できる。

【0059】

他の実施例によれば、プロセッサ３１４は、入力装置により受信されたユーザクエリ又はユーザクエリに対する検索結果要請を、ネットワーク２２０及び通信モジュール３１６を介して商品属性抽出サーバ２３０に提供できる。また、プロセッサ３１４は、ネットワーク２２０及び通信モジュール３１６を介して、商品属性抽出サーバ２３０又は商品データベースからユーザクエリによる商品検索結果が受信できる。プロセッサ３３４は、ユーザクエリ又はユーザクエリに対する検索結果要請に応じて、ユーザクエリに対する複数の商品属性の関連点数を算出し、算出された関連点数を商品検索結果に適用して商品検索順位が調整できる。

【0060】

他の実施例によれば、商品属性抽出サーバ２３０は、ユーザ端末２１０からユーザクエリ及びユーザにより選択された商品属性を、ネットワーク２２０及び通信モジュール３１６を介して受信できる。代案として、商品属性抽出サーバ２３０は、検索ログデータベース（図２の２４０）からユーザクエリ及びユーザにより選択された商品属性のデータ対を、ネットワーク２２０を介して受信できる。商品属性抽出サーバ２３０は、受信したユーザクエリ及び商品属性のデータ対から学習データを生成し、生成された学習データを用いて、ユーザクエリ及び商品属性の関連点数を算出するための統計基盤分類モデルを学習させることができる。

【0061】

図４は、本開示の一実施例に係る統計基盤分類モデル４２０を用いてユーザクエリ４１０に対する商品属性の関連点数４３４、４４４、４５４を算出する構成を示す図である。統計基盤分類モデル４２０は、図２及び図３に示す商品属性抽出サーバ２３０又はユーザ端末２１０により生成、保存又は実行され得る。図４に示すように、統計基盤分類モデル４２０は、ユーザクエリ４１０を入力として、複数の商品属性４３０、４４０、４５０に対する関連点数４３４、４４４、４５４が出力できる。ここで、複数の商品属性４３０、４４０、４５０は、対応する複数の商品属性コード４３２、４４２、４５２で表現され得る。このとき、商品属性コード４３２、４４２、４５２は、両義的商品属性又は範囲型商品属性に対応するために既定されることができる。例えば、商品属性のうち、ノートブックの画面サイズを示す「１０インチ」（４３０）と、家庭用ＴＶの画面サイズを示す「１０インチ」とは、互いに異なる商品属性を示すことができるので、互いに異なる商品コードで表現されることができる。また、関連点数４３４、４４４、４５４は、ユーザクエリ４１０が複数の商品属性４３０、４４０、４５０の各々と関連する確率値であり得る。例えば、ユーザクエリ４１０が「ミニノートブック」である場合、画面サイズが小さい「１０インチ」（４３０）の商品属性と関連する確率値は「０．７」であり、画面サイズが中間である「１２インチ」（４４０）の商品属性と関連する確率値は「０．１７」であり、画面サイズが大きい「１５インチ」（４５０）の商品属性と関連する確率値は「０．０１」であり得る。

【0062】

各々の商品属性４３０、４４０、４５０に対する関連点数４３４、４４４、４５４は、統計基盤分類モデル４２０により算出できる。統計基盤分類モデル４２０は、入力されたユーザクエリ４１０から複数の商品属性と関連する確率値を算出するように学習できる。この場合、商品属性抽出サーバ又はユーザ端末は、検索ログデータベース（例えば、図２の２４０）から統計基盤分類モデル４２０を学習するための学習データが受信できる。例えば、検索ログデータベースから受信された学習データは、ユーザクエリ４１０及び当該ユーザクエリ４１０に対する商品検索結果のうち、ユーザが選択した商品情報（例えば、特定商品の属性情報）の対を含むことができる。また、統計基盤分類モデル４２０は、ユーザクエリ４１０に対する複数の商品属性の関連性を決定するための機械学習又は人工ニューラルネットワークモデルであり得る。

【0063】

図４では、１つの統計基盤分類モデル４２０を用いて、ユーザクエリ４１０に対する３つの商品属性４３０、４４０、４５０の関連点数４３４、４４４、４５４が算出されることを示したが、これに限定されるものではない。多様な具現方式により、統計基盤分類モデル４２０は、ユーザクエリ４１０に対して３つ未満又は４つ以上の商品属性の関連点数が算出されるように構成できる。また、ユーザクエリ４１０を前処理又は分析する方法により、２つ以上の統計基盤分類モデルが使用できる。一実施例において、ユーザクエリ４１０は、より小さな単位の複数のデータ（例えば、形態素及び／又は音節の単位のデータ）に分割され、分割されたデータは、対応する複数の統計基盤分類モデルに入力され得る。この場合、複数の統計基盤分類モデルから算出された関連点数を合算又は結合して、最終の関連点数が算出できる。

【0064】

図５は、本開示の一実施例に係る前処理器５１０及び統計基盤分類モデ５２２、５２４を含む分類器５２０を用いて関連点数５３４、５４４、５５４を算出する構成を示す図である。前処理器５１０及び分類器５２０は、図２及び図３に示す商品属性抽出サーバ２３０又はユーザ端末２１０により生成、保存又は実行できる。図５に示すように、商品属性抽出サーバ又はユーザ端末は、ユーザクエリ４１０を分析して統計基盤分類モデル５２２、５２４の入力データを生成する前処理器５１０と、前処理器５１０から生成された入力データを用いて複数の商品属性に対する関連点数を算出する分類器５２０とを含むことができる。

【0065】

前処理器５１０は、ユーザクエリ４１０を音節の単位に分割する音節単位分割部５１２と、ユーザクエリ４１０を形態素の単位に分割する形態素単位分割部５１４とを含むことができる。一実施例において、音節単位分割部５１２及び形態素単位分割部５１４は、ユーザクエリ４１０のテキストを各々音節埋め込みベクトル及び形態素埋め込みベクトルに変換できる。音節単位分割部５１２及び形態素単位分割部５１４の各々は、ユーザクエリ４１０を連続ベクトル空間に埋め込むように学習された人工ニューラルネットワークで具現できる。

【0066】

また、分類器５２０は、音節の単位に分割されたユーザクエリ４１０を入力とする第１の統計基盤分類モデル５２２と、形態素の単位に分割されたユーザクエリ４１０を入力とする第２の統計基盤分類モデル５２４と、各々の統計基盤分類モデル５２２、５２４から算出された関連点数を合算又は結合して、最終の関連点数５３４、５４４、５５４を算出する結合部５２６とを含むことができる。

【0067】

一実施例において、商品属性抽出サーバ又はユーザ端末は、音節の単位に分割されたユーザクエリ４１０を入力とする第１の統計基盤分類モデル５２２と、形態素の単位に分割されたユーザクエリ４１０を入力とする第２の統計基盤分類モデル５２４とを用いて、関連点数５３４、５４４、５５４が算出できる。

【0068】

分類器５２０に含まれた統計基盤分類モデル５２２、５２４は、音節及び形態素の単位に分割されたユーザクエリ４１０を入力として、複数の商品属性５３０、５４０、５５０に対する関連点数５３４、５４４、５５４が算出できる。統計基盤分類モデル５２２、５２４の各々は、検索ログデータベースから抽出された学習データを用いて、ユーザクエリ４１０に対する複数の商品属性５３０、５４０、５５０の関連点数５３４、５４４、５５４を算出するように学習できる。検索ログデータベースから抽出された学習データは、ユーザクエリ及び当該ユーザクエリに対する商品検索結果のうち、ユーザが選択した商品情報（例えば、特定商品の属性情報）の対を含むことができる。

【0069】

統計基盤分類モデル５２２、５２４は、ユーザクエリ４１０を構成するテキスト(例えば、文章、文句、単語等)をそのまま使用することなく、音節又は形態素の単位に分割して使用することで、ユーザクエリ４１０に誤字脱字が含まれた場合や、ユーザクエリ４１０が学習データになくて見慣れない場合にも対応できる。例えば、ユーザクエリ４１０が「ミニノートブック」である場合、「ミニノートブック」を音節の単位に分割した「ミ」、「ニ」、「ノー」、「ト」、「ブック」を統計基盤分類モデル５２２の入力として算出された関連点数と、ユーザクエリ４１０が「ミニナトブック」のように誤字脱字を含む場合、音節の単位に分割した「ミ」、「ニ」、「ナ」、「ト」、「ブック」を統計基盤分類モデル５２２の入力として算出された関連点数とは、同一又は類似する。他の例として、ユーザクエリ４１０が「ミニノートブック」である場合、「ミニノートブック」を形態素の単位に分割した「ミニ」、「ノートブック」を統計基盤分類モデル５２４の入力として算出された関連点数と、ユーザクエリ４１０が「ノートブックミニ」のように形態素の順序が変更された場合、形態素の単位に分割した「ノートブック」、「ミニ」を統計基盤分類モデル５２２の入力として算出された関連点数とは、同一又は類似する。

【0070】

統計基盤分類モデル５２２、５２４により算出された関連点数は、結合部５２６により合算又は結合できる。その結果、１つの統計基盤分類モデルを使用した場合よりも、正確度が高い最終の関連点数５３４、５４４、５５４が算出できる。前記のような構成により、統計基盤分類モデル５２２、５２４により使用される学習データのマッチングカバレッジを極大化し、ユーザクエリ及び複数の商品属性の関連点数の算出の正確度を向上させることができる。

【0071】

図６は、本開示の一実施例に係る多様な検索結果から商品属性抽出のための統計基盤分類モデルの学習データを生成する例を示す図である。統計基盤分類モデルの学習のために使用される学習データは、検索ログデータベース６５０から抽出できる。検索ログデータベース６５０は、例えば、ユーザがショッピング検索サービスを使用しながら入力したユーザクエリ（例えば、検索対象の商品名が含まれた文章、文句、単語等）、当該ユーザクエリによるショッピング検索結果（例えば、商品名や商品属性などが含まれた検索結果）、及び、ショッピング検索結果に対するユーザの応答（例えば、特定の商品名や商品属性などに対するユーザのクリック可否又は回数等）が保存できる。統計基盤分類モデルの学習データは、検索ログデータベース６５０から抽出されたユーザクエリ及び当該ユーザクエリと関連する商品属性の対を含むことができる。

【0072】

同図に示すように、例えば、ユーザがショッピングサイト又は統合検索サイトの検索窓にユーザクエリ１１０を入力した場合、入力されたユーザクエリ１１０と関連する検索結果１３０が出力され得る。検索結果画面１００は、ユーザクエリ１１０が入力された検索窓と、商品属性をフィルタリングするためのユーザインタフェース１２０と、検索の商品１３２、１３６及び検索の商品１３２、１３６と関連する商品属性１３４、１３８等を含む検索結果１３０とを含むことができる。

【0073】

一実施例において、ユーザクエリ１１０を入力したユーザが、ユーザインタフェース１２０に含まれた画面サイズ属性６１０をクリックする場合、当該ユーザクエリ１１０及びクリックされた画面サイズ属性６１０の対の学習データ６４０が検索ログデータベース６５０に保存できる。商品属性抽出サーバのプロセッサは、このようなユーザクエリ１１０及びクリックログ情報が保存された検索ログデータベース６５０からユーザクエリ１１０及び商品属性の対を含む学習データが抽出できる。例えば、ユーザが「ミニノートブック」をユーザクエリ１１０として入力し、ユーザインタフェース１２０を介して商品属性のうちで「１２インチ」をクリックして検索ログデータが生成された場合、「ミニノートブック－１２インチ」の対の学習データ６４０が生成できる。

【0074】

他の実施例として、ユーザクエリ１１０を入力したユーザが、検索結果１３０として出力された商品１３２、１３６をクリックする場合、当該ユーザクエリ１１０及び当該商品１３２、１３６と関連する商品属性１３４、１３８の対の学習データ６２０、６３０が検索ログデータベース６５０に保存され得る。例えば、ユーザが「ミニノートブック」をユーザクエリ１１０として入力した後、検索結果１３０のうちで商品１３２、１３６をクリックした場合、クリックされた商品１３２と関連する商品属性である「１０インチ」（１３４）及びユーザクエリ１１０の対の学習データ６２０と、クリックされた商品１３６と関連する商品属性である「１１インチ」（１３８）及びユーザクエリ１１０の対の学習データ６３０とが生成され得る。追加又は代案として、ユーザクエリ１１０を入力したユーザが、商品と関連する商品属性１３４、１３８をクリックする場合、クリックされた商品属性１３４、１３８及びユーザクエリ１１０の対の学習データ６２０、６３０が生成され得る。

【0075】

図７は、本開示の一実施例に係る商品属性７１４、７２４、７３４を商品属性コード７１６、７２６、７３６で表現して学習データ７１０、７２０、７３０を生成する方法を例示する図である。同図に示すように、統計基盤分類モデルの学習のために使用される学習データは、ユーザクエリ７１２、７２２、７３２と、これに対応する商品属性７１４、７２４、７３４と、各々の商品属性７１４、７２４、７３４を表現した商品属性コード７１６、７２６、７３６とを含むことができる。一実施例において、ユーザクエリ７１２、７２２、７３２及び商品属性７１４、７２４、７３４は、図６に基づいて説明したように、ショッピングサイト又は統合検索サイトの検索窓にユーザクエリ７１２、７２２、７３２を入力したユーザが、検索結果に表示された商品又は商品属性をクリックする場合、生成される検索ログデータベースから抽出できる。また、商品属性７１４、７２４、７３４の各々は、これに対応する商品属性コード７１６、７２６、７３６で表現できる。このように、学習データに含まれる商品属性を商品属性コードで表現することで、異なる類型の商品が同一又は類似の商品属性を持つ場合（すなわち、両義的商品属性及び範囲型商品属性の場合)に対しても、統計基盤分類モデルが正確な関連点数が算出できる。

【0076】

例えば、ユーザがショッピングサイトの検索窓に「ミニノートブック」（７１２）を入力し、「１０インチ」（７１４）の商品属性をクリックする場合、入力された「ミニノートブック」（７１２）のユーザクエリと、クリックされた「１０インチ」（７１４）の商品属性と、「１０インチ」（７１４）の商品属性コード「Ｍ１０８３４７２６」（７１６）とを含む学習データ７１０が生成できる。また、ユーザがショッピングサイトの検索窓に「ミニノートブック」（７２２）を入力し、「１２インチ」（７２４）の商品属性をクリックする場合、入力された「ミニノートブック」（７２２）のユーザクエリと、クリックされた「１２インチ」（７２４）の商品属性と、「１２インチ」（７２４）の商品属性コード「Ｍ１０７０６６８９」（７２６）とを含む学習データ７２０が生成できる。

【0077】

他の実施例において、ユーザクエリを入力したユーザが、検索結果において２つ以上の商品属性をクリックする場合、入力されたユーザクエリ及びクリックされた商品属性を全部含む学習データが生成できる。例えば、ユーザがショッピングサイトの検索窓に「ミニノートブック」（７３２）を入力し、「１３インチ及び１２インチ」（７３４）の商品属性を各々クリックする場合、入力された「ミニノートブック」（７３２）のユーザクエリと、クリックされた「１３インチ及び１２インチ」（７３４）の商品属性と、これに対応する商品属性コード「Ｍ１０８３５０１５及びＭ１０７０６６８９」（７３６）とを含む学習データ７３０が生成できる。

【0078】

図８は、本開示の一実施例に係る商品属性抽出サーバにより遂行されるショッピング検索のための商品属性抽出方法８００を示すフローチャートである。一実施例において、ショッピング検索のための商品属性抽出方法８００は、ユーザクエリの受信により開始できる（Ｓ８１０）。一実施例において、ユーザクエリは、ユーザ端末に表示されるショッピングサイト又は統合検索サイトの検索窓から受信され、商品属性抽出サーバのプロセッサに転送できる。

【0079】

受信されたユーザクエリに基づき、商品データベースからユーザクエリに対する商品検索結果が抽出される（Ｓ８２０）。一実施例において、商品属性抽出サーバのプロセッサは、商品データベースからユーザクエリに対する商品検索結果が抽出できる。このとき、商品検索結果は、ユーザクエリ及び商品データベースに保存された商品名の語彙類似度、商品のユーザ人気度などの情報に基づいて決定された商品検索順位情報を含むことができる。例えば、ユーザクエリが「ミニノートブック」である場合、「ミニノートブック」の少なくとも一部を含む商品名を持つ商品のうち、ユーザによる購買率が高い商品、若しくは、ユーザによるクリック率が高い商品が、高順位を持つ商品検索結果として抽出できる。

【0080】

ユーザクエリは音節及び／又は形態素の単位に分割できる（Ｓ８３０）。一実施例において、商品属性抽出サーバのプロセッサは、ユーザクエリを音節及び／又は形態素の単位に分割して統計基盤分類モデルに入力できる。例えば、ユーザクエリは、音節埋め込みベクトル及び／又は形態素埋め込みベクトルに変換されて統計基盤分類モデルに入力できる。

【0081】

また、統計基盤分類モデルにより、ユーザクエリに対する複数の商品属性の関連点数が算出できる（Ｓ８４０）。一実施例において、商品属性抽出サーバのプロセッサは、統計基盤分類モデルを用いて、ユーザクエリが商品属性コードで表示された商品属性と関連する確率が算出できる。このように、商品属性を商品属性コードで表示することで、統計基盤分類モデルが両義的商品属性及び範囲型商品属性に対応して正確な関連点数が算出できる。ユーザクエリが音節又は形態素の単位に分割された場合、統計基盤分類モデルは、音節又は形態素の単位に分割されたユーザクエリが複数の商品属性と関連する確率値が算出できる。

【0082】

他の実施例において、商品属性抽出サーバのプロセッサは、ユーザクエリを音節及び形態素の単位に各々分割できる。プロセッサは、第１の統計基盤分類モデルを用いて、音節の単位に分割されたユーザクエリが複数の商品属性と関連する第１の確率を算出し、第２の統計基盤分類モデルを用いて、形態素の単位に分割されたユーザクエリが商品属性と関連する第２の確率が算出できる。その後、プロセッサは、第１の確率及び第２の確率を合算又は結合して、最終の商品属性の関連点数として算出できる。前述したように、ユーザクエリを音節及び／又は形態素の単位に分割して統計基盤分類モデルにより商品属性に対する関連点数を算出することで、タイプミスまたは学習データにないユーザクエリに対しても、商品属性の関連点数の算出の正確性を向上させることができる。

【0083】

算出された関連点数に基づき、ユーザクエリに対する商品検索結果による商品検索順位が調整できる（Ｓ８５０）。一実施例において、商品属性抽出サーバのプロセッサは、算出された一つ以上の関連点数を商品検索結果に反映して商品検索順位が調整できる。これにより、関連点数の高い商品属性を含む商品が検索結果の上部に表示され得る。ユーザクエリと関連する商品属性を持つ商品を検索結果の上部に表示することで、当該商品に対するユーザらのクリック率及び購買率を向上させることができる。

【0084】

図９は、本開示の一実施例に係るショッピング検索のための商品検索順位調整方法９００を示すフローチャートである。一実施例において、商品検索順位調整方法９００は、ユーザクエリに対する複数の商品属性の関連点数の算出により開始できる（Ｓ９１０）。ユーザクエリに対する複数の商品属性の関連点数を算出する方法は、図８に基づいて説明した方法と同様に遂行できる。

【0085】

次に、算出された関連点数のうち、最も高い関連点数である第１の関連点数と関連する第１の商品属性が抽出できる（Ｓ９２０）。一実施例において、商品属性抽出サーバ又はユーザ端末のプロセッサが、算出された関連点数のうち、最も高い関連点数である第１の関連点数と関連する第１の商品属性が抽出できる。また、抽出された第１の商品属性に基づき、商品データベースから第１の商品属性を含む第１の商品が検索できる（Ｓ９３０）。

【0086】

代案として、算出された関連点数のうち、関連点数が既定の閾値以上である第１の関連点数群（すなわち、一つ以上の第１の関連点数）と関連する第１の商品属性群（すなわち、一つ以上の第１の商品属性）が抽出できる。その後、商品データベースから第１の商品属性群に含まれた少なくとも一つの商品属性を含む商品が検索できる。

【0087】

第１の商品属性の重要度を決定する商品属性加重値が決定できる（Ｓ９４０）。商品属性加重値は、抽出された商品属性がこれと関連する商品の検索順位の調整に及ぼす影響の程度を示すことができる。一実施例において、商品属性加重値は商品属性別に既定の値であり得る。代案として、商品属性加重値は、商品検索結果に対するユーザの応答によって動的に変動できる。具体的に、商品属性抽出サーバ又はユーザ端末のプロセッサは、既定の商品属性加重値及び関連点数に基づいて調整された第１の商品が表示された検索結果画面を出力し、出力された商品検索結果画面でユーザによる第１の商品のクリック数が受信できる。第１の商品のクリック数が既定の閾値以上である場合、プロセッサは商品属性加重値が変更できる。

【0088】

第１の関連点数及び商品属性加重値に基づいて第１の商品の検索順位が調整できる（Ｓ９５０）。商品検索順位が調整された結果、抽出された第１の商品属性と関連する第１の商品の方が、抽出された第１の商品属性と関連しない他の商品よりも、商品検索結果の上部に表示され得る。これにより、ユーザクエリに基づいてユーザの意図した商品属性が反映された検索結果をユーザ端末に出力できる。

【0089】

図１０は、本開示の一実施例に係るユーザ端末により遂行されるショッピング検索のための商品属性抽出方法１０００を示すフローチャートである。一実施例において、ユーザ端末により遂行されるショッピング検索のための商品属性抽出方法１０００は、ユーザ端末のプロセッサがユーザクエリを受信することにより開始できる（Ｓ１０１０）。ユーザクエリは、ユーザ端末に表示されたショッピングサイト又は統合検索サイトの検索窓から受信できる。

【0090】

ユーザ端末のプロセッサは、ユーザクエリに基づいて統計基盤分類モデルにより算出された複数の商品属性の関連点数が受信できる（Ｓ１０２０）。このとき、統計基盤分類モデルは、ユーザクエリに対する複数の商品属性の関連点数を算出するように予め学習できる。また、正確度の高い関連点数を算出するために、統計基盤分類モデルは、音節及び／又は形態素の単位に分割されたユーザクエリを受信して商品属性の関連点数を算出する２つ以上の統計基盤分類モデルを含むことができる。

【0091】

ユーザ端末のプロセッサは、算出された関連点数に基づいてユーザクエリに対する商品検索順位を調整できる（Ｓ１０３０）。具体的に、プロセッサは、算出された関連点数のうち、最も高い関連点数である第１の関連点数と関連する第１の商品属性が抽出できる。その後、プロセッサは、商品データベースから検索された第１の商品属性を含む第１の商品を受信し、第１の関連点数によって検索された第１の商品の商品検索順位が調整できる。このとき、第１の商品の検索順位は、第１の商品属性の重要度を決定する商品属性加重値及び第１の関連点数に基づいて調整できる。

【0092】

図１１は、本開示の一実施例に係る商品属性抽出のための統計基盤分類モデルの学習方法１１００を示すフローチャートである。同図に示すように、学習方法１１００は、プロセッサが複数の第１のユーザクエリ及び複数の第１のユーザクエリと関連する複数の第１の商品属性に基づいて第１の学習データを生成するステップ（Ｓ１１１０）により開始できる。プロセッサは、複数の第１のユーザクエリと関連する検索ログデータベースから複数の第１の商品属性が抽出できる。検索ログデータベースは、ユーザクエリ及びこれにより抽出された商品検索結果からユーザが選択又はクリックした商品属性情報を含むことができる。例えば、プロセッサは、統合検索ログデータベース、ショッピング又は商品検索ログデータベースの少なくとも一つから複数のユーザクエリと関連する商品属性が抽出できる。また、プロセッサは、統計基盤分類モデルが両義的商品属性又は範囲型商品属性に対応できるように、複数の第１の商品属性を対応する複数の商品属性コードに変換できる。前記構成により、学習データは、ユーザが入力したユーザクエリ及びユーザクエリによって抽出された商品検索結果に対するユーザの動作（例えば、商品属性のフィルタリング、商品や商品属性の選択又はクリック等）によって生成された検索ログデータベースから得られるので、統計基盤分類モデルの学習データを効率よく確保できる。

【0093】

プロセッサは、複数の第１の学習データに基づき、第２のユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように統計基盤分類モデルが学習できる（Ｓ１１２０）。一実施例において、プロセッサは、複数の第１のユーザクエリを形態素の単位に分割して統計基盤分類モデルが学習できる。具体的に、プロセッサは、形態素の単位に分割された複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように統計基盤分類モデルが学習できる。追加又は代案として、プロセッサは、複数の第１のユーザクエリを音節の単位に分割して統計基盤分類モデルが学習できる。プロセッサは、音節の単位に分割された複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように統計基盤分類モデルが学習できる。

【0094】

他の実施例において、プロセッサは、複数の第１のユーザクエリを音節及び形態素の単位に分割して統計基盤分類モデルが学習できる。具体的に、プロセッサは、複数の第１のユーザクエリを形態素及び音節の単位に分割できる。その後、プロセッサは、形態素の単位に分割された複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように第１の統計基盤分類モデルが学習できる。また、プロセッサは、音節の単位に分割された複数の第１のユーザクエリに基づき、ユーザクエリに対応する一つ以上の商品属性の関連点数を算出するように第２の統計基盤分類モデルが学習できる。前述したように、プロセッサは、ユーザクエリを分割する方式によって２つ以上の統計基盤分類モデルを使用することで、ユーザクエリ及び商品属性の関連点数をより正確に算出できる。

【0095】

前述したショッピング検索のための商品属性抽出方法及び商品属性抽出の学習方法は、コンピュータで読み取り可能な記録媒体にコンピュータが読み取り可能なコードとして具現されることもできる。記録媒体は、コンピュータで実行可能なプログラムを継続的に保存したり、実行又はダウンロードのために一時保存したりするものであり得る。また、媒体は、単一又は多数のハードウェアが結合された形態の多様な記録手段又は保存手段であり得るが、あるコンピュータシステムに直接接続される媒体に限定されず、ネットワーク上に分散存在するものであり得る。媒体の例としては、ハードディスク、フロッピーディスク及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭやＤＶＤのような光記録媒体、フロプティカルディスク（floptical disk）のような磁気－光媒体（magneto-optical medium）、及び、ＲＯＭ、ＲＡＭ、フラッシュメモリなどを含み、プログラム命令語が保存されるように構成されたものが挙げられる。また、他の媒体の例としては、アプリケーションを流通するアプリストアやその他の多様なソフトウェアを供給乃至流通するサイト、サーバなどで管理する記録媒体乃至保存媒体も挙げられる。

【0096】

本開示の方法、動作又は技法は多様な手段により具現できる。例えば、このような技法は、ハードウェア、ファームウェア、ソフトウェア、若しくはこれらの組合せで具現できる。本願の開示により説明された多様な例示的な論理的ブロック、モジュール、回路及びアルゴリズムステップは、電子ハードウェア、コンピュータソフトウェア、若しくは両方の組合せで具現できることを、通常の技術者であれば理解できるはずである。ハードウェア及びソフトウェアのこのような相互の代替を明確に説明するために、多様な例示的な構成要素、ブロック、モジュール、回路及びステップが、それらの機能的観点から一般的に前述された。そのような機能が、ハードウェアとして具現されるか、若しくは、ソフトウェアとして具現されるかは、特定アプリケーション及び全体システムに付加される設計要求事項によって変化する。通常の技術者は、各々の特定アプリケーションのために多様な方式により説明された機能を具現することもできるが、そのような具現は本開示の範囲から逸脱するものと解釈してはならない。

【0097】

ハードウェアの具現において、技法の遂行に利用されるプロセッシングユニットは、一つ以上のＡＳＩＣ、ＤＳＰ、デジタル信号処理デバイス（digital signal processing devices ; DSPD）、プログラム可能な論理デバイス（programmable logic devices ; PLD）、フィールドプログラム可能なゲートアレイ（field programmable gate arrays ; FPGA）、プロセッサ、制御器、マイクロ制御器、マイクロプロセッサ、電子デバイス、本開示に説明された機能を遂行するように設計された他の電子ユニット、コンピュータ、若しくはこれらの組合せ内で具現されることもできる。

【0098】

したがって、本開示により説明された多様な例示的な論理ブロック、モジュール及び回路は、汎用プロセッサ、ＤＳＰ、ＡＳＩＣ、ＦＰＧＡや他のプログラム可能な論理デバイス、離散ゲートやトランジスタロジック、離散ハードウェアコンポーネント、若しくは、本願に説明された機能を遂行するように設計されたもの等の任意の組合せで具現又は遂行されることもできる。汎用プロセッサはマイクロプロセッサであり得るが、代案として、プロセッサは、任意の従来のプロセッサ、制御器、マイクロ制御器、若しくは状態マシンであり得る。プロセッサは、また、コンピューティングデバイスの組合せ、例えば、ＤＳＰとマイクロプロセッサ、複数のマイクロプロセッサ、ＤＳＰコアと関連する一つ以上のマイクロプロセッサ、若しくは任意の他の構成の組合せで具現されることもできる。

【0099】

ファームウェア及び／又はソフトウェアの具現において、技法は、ＲＡＭ（random access memory）、ＲＯＭ（read-only memory）、ＮＶＲＡＭ（non-volatile random access memory）、ＰＲＯＭ（programmable read-only memory）、ＥＰＲＯＭ（erasable programmable read-only memory）、ＥＥＰＲＯＭ（electrically erasable PROM）、フラッシュメモリ、ＣＤ（compact disc）、磁気又は光学データストレージデバイスなどのようなコンピュータ読み取り可能な媒体上に保存された命令で具現できる。命令は、一つ以上のプロセッサによって実行可能であり得、プロセッサが本開示に説明された機能の特定様態を遂行するようにできる。

【0100】

ソフトウェアで具現される場合、前記技法は、一つ以上の命令又はコードとしてコンピュータ読み取り可能な媒体上に保存されたり、コンピュータ読み取り可能な媒体を介して転送されたりできる。コンピュータ読み取り可能な媒体は、ある場所から他の場所にコンピュータプログラムの転送を容易にする任意の媒体を含み、コンピュータ保存媒体及び通信媒体の両方を含む。保存媒体は、コンピュータによってアクセスできる任意の利用可能な媒体であり得る。非制限的な例として、このようなコンピュータ読み取り可能な媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ－ＲＯＭや他の光学ディスクストレージ、磁気ディスクストレージや他の磁気ストレージデバイス、若しくは、所望のプログラムコードを命令又はデータ構造の形態に移送又は保存するために使用されることができ、コンピュータによってアクセスできる任意の他の媒体を含むことができる。また、任意の接続をコンピュータ読み取り可能な媒体として含むことができる。

【0101】

例えば、ソフトウェアが同軸ケーブル、光繊維ケーブル、リード線、デジタル加入者回線（ＤＳＬ）、又は、赤外線、無線及びマイクロ波のような無線技術を用いて、ウェブサイト、サーバ又は他の遠隔ソースから転送される場合、同軸ケーブル、光繊維ケーブル、リード線、デジタル加入者回線、又は、赤外線、無線及びマイクロ波のような無線技術は、媒体の定義内に含まれる。本願で使用されたディスク（disk）及びディスク（disc）は、ＣＤ、レーザーディスク、光ディスク、ＤＶＤ（digital versatile disc）、フロッピーディスク及びブルーレイディスクを含み、ここで、通常、ディスク（disk）は磁気的にデータを再生するのに対し、ディスク（disc）はレーザーを用いて光学的にデータを再生する。前記組合せ等も、コンピュータ読み取り可能な媒体等の範囲内に含まれなければならない。

【0102】

ソフトウェアモジュールは、ＲＡＭメモリ、フラッシュメモリ、ＲＯＭメモリ、ＥＰＲＯＭメモリ、ＥＥＰＲＯＭメモリ、レジスタ、ハードディスク、移動式ディスク、ＣＤ－ＲＯＭ、又は、公知の任意の異なる形態の保存媒体内に常駐することもできる。例示的な保存媒体は、プロセッサが保存媒体から情報を読み取る、或いは、保存媒体に情報を書き込むように、プロセッサに連結することができる。代案として、保存媒体はプロセッサに統合されることもできる。プロセッサ及び保存媒体はＡＳＩＣ内に存在することもできる。ＡＳＩＣはユーザ端末内に存在することもできる。代案として、プロセッサ及び保存媒体はユーザ端末で個別構成要素として存在することもできる。

【0103】

前述した実施例が一つ以上の独立型コンピュータシステムで現在開示された主題の様態を活用するものとして記述しているが、本開示はこれに限定されず、ネットワークや分散コンピューティング環境のような任意のコンピューティング環境によって具現できる。さらには、本開示における主題の様態は複数のプロセッシングチップや装置で具現されることもでき、ストレージは複数の装置に亘って類似に影響を受けることもできる。このような装置は、ＰＣ、ネットワークサーバ及び携帯用装置を含むこともできる。

【0104】

本明細書では、本開示が一部の実施例によって説明されたが、本開示の発明が属する技術分野における通常の技術者が理解し得る本開示から逸脱しない範囲内で多様な変形や変更が可能である。また、そのような変形や変更は、本明細書に添付された特許請求の範囲内に属するものと理解されるべきである。

【符号の説明】

【0105】

１００ 画面
１１０ ユーザクエリ
１２０ ユーザインタフェース
１３０ 検索結果
１３２、１３６ 商品
１３４、１３８ 商品属性
２１０ ユーザ端末
２２０ ネットワーク
２３０ 商品属性抽出サーバ
２４０ 検索ログデータベース
４２０ 統計基盤分類モデル
５１０ 前処理器
５２０ 分類器

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】