特表 2023-554664 購買品目情報を用いた商品推奨サービス提供サーバーおよびその方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-12-28

(54)【発明の名称】購買品目情報を用いた商品推奨サービス提供サーバーおよびその方法

(51)【国際特許分類】

   G06Q 30/0601 20230101AFI20231221BHJP

【ＦＩ】

G06Q30/0601 330

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023537457

(86)(22)【出願日】2021-12-17

(85)【翻訳文提出日】2023-06-19

(86)【国際出願番号】 KR2021019344

(87)【国際公開番号】W WO2022131875

(87)【国際公開日】2022-06-23

(31)【優先権主張番号】10-2020-0177068

(32)【優先日】2020-12-17

(33)【優先権主張国・地域又は機関】KR

(31)【優先権主張番号】10-2021-0180916

(32)【優先日】2021-12-16

(33)【優先権主張国・地域又は機関】KR

(81)【指定国・地域】

(71)【出願人】

【識別番号】519418536

【氏名又は名称】ハレックス、インフォテック、インコーポレーテッド

【氏名又は名称原語表記】ＨＡＲＥＸ ＩＮＦＯＴＥＣＨ ＩＮＣ．

(74)【代理人】

【識別番号】100120031

【弁理士】

【氏名又は名称】宮嶋 学

(74)【代理人】

【識別番号】100107582

【弁理士】

【氏名又は名称】関根 毅

(74)【代理人】

【識別番号】100118843

【弁理士】

【氏名又は名称】赤岡 明

(74)【代理人】

【識別番号】100217940

【弁理士】

【氏名又は名称】三並 大悟

(72)【発明者】

【氏名】パク、キョンヤン

(72)【発明者】

【氏名】パク、ジョンイル

(72)【発明者】

【氏名】リー、キョンジュン

(72)【発明者】

【氏名】ファンボ、ユジョン

(72)【発明者】

【氏名】ジョン、ベク

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049BB44

(57)【要約】

本発明は、購買品目情報を用いて商品推奨サービスを提供するサーバーおよびその方法に関する。
本発明に係る購買品目情報を用いた商品推奨サービス提供サーバーは、ユーザー別購買情報を収集する入力部と、ユーザー別購買情報を用いて、ターゲット顧客に対する推奨商品情報を生成するプログラムが格納されたメモリおよびプログラムを実行させるプロセッサと、を含み、プロセッサは、ターゲット顧客と購買性向が類似している他の顧客を照会し、他の顧客の購買品目を考慮して、ターゲット顧客に推奨する推奨商品情報を生成することを特徴とする。

【特許請求の範囲】

【請求項1】

ユーザー別購買情報を収集する入力部と、
前記ユーザー別購買情報を用いて、ターゲット顧客に対する推奨商品情報を生成するプログラムが格納されたメモリと、
前記プログラムを実行させるプロセッサと、を含み、
前記プロセッサは、前記ターゲット顧客と購買性向が類似している他の顧客を照会し、前記他の顧客の購買品目を考慮して、前記ターゲット顧客に推奨する前記推奨商品情報を生成すること
である、購買品目情報を用いた商品推奨サービス提供サーバー。

【請求項2】

前記ユーザー別購買情報は、購買商品、購買先、購買時間および購買場所の情報を含むこと
である、請求項１に記載の購買品目情報を用いた商品推奨サービス提供サーバー。

【請求項3】

前記プロセッサは、複数のマーチャントでの前記購買情報に対して外挿協調フィルタリングアルゴリズムを用いて、前記購買性向が類似している他の顧客を照会すること
である、請求項１に記載の購買品目情報を用いた商品推奨サービス提供サーバー。

【請求項4】

前記プロセッサは、前記ユーザー別購買情報に対してマトリックスを構築し、前記ターゲット顧客を基準にコサイン類似度を通じて前記他の顧客を照会し、前記他の顧客が購買した商品を推奨すること
である、請求項３に記載の購買品目情報を用いた商品推奨サービス提供サーバー。

【請求項5】

前記プロセッサは、ベクトル基盤の外挿協調フィルタリングを用いて類似度を検出し、前記推奨商品情報を生成すること
である、請求項３に記載の購買品目情報を用いた商品推奨サービス提供サーバー。

【請求項6】

前記プロセッサは、前記ユーザー別購買情報を文章で学習し、購買商品内訳をベクトル化したプロダクトトゥーベクトルを求め、製品ベクトルを乗算してユーザー購買性向ベクトルを生成し、前記購買性向が類似している他の顧客を照会すること
である、請求項５に記載の購買品目情報を用いた商品推奨サービス提供サーバー。

【請求項7】

（ａ）複数のマーチャントで購買完了したことによる購買データを収集するステップ、
（ｂ）前記購買データを用いて、ターゲット顧客と購買性向に関する類似度が高い他の顧客を探索するステップ、
（ｃ）前記他の顧客の購買品目情報を用いて、前記ターゲットユーザーに商品を推奨するステップ、
を含む、購買品目情報を用いた商品推奨サービス提供方法。

【請求項8】

前記（ａ）ステップは、購買商品、購買先、購買時間および購買場所の情報を含む前記購買データを収集すること
である、請求項７に記載の購買品目情報を用いた商品推奨サービス提供方法。

【請求項9】

前記ステップ（ｂ）は、外挿協調フィルタリングアルゴリズムを用いて前記他の顧客を探索すること
である、請求項７に記載の購買品目情報を用いた商品推奨サービス提供方法。

【請求項10】

前記ステップ（ｂ）は、前記ユーザー別購買情報に対してマトリックスを構築し、前記ターゲット顧客を基準に前記購買性向に関する類似度が高い他の顧客を探索すること
である、請求項９に記載の購買品目情報を用いた商品推奨サービス提供方法。

【請求項11】

前記ステップ（ｂ）は、ベクトル基盤の外挿協調フィルタリングアルゴリズムを用いて前記他の顧客を探索すること
である、請求項９に記載の購買品目情報を用いた商品推奨サービス提供方法。

【請求項12】

前記（ｂ）ステップは、前記購買データを文章で学習し、購買商品内訳をベクトル化したプロダクトトゥーベクトルを求め、製品ベクトルを乗算してユーザー購買性向ベクトルを生成し、前記他の顧客を探索すること
である、請求項１１に記載の購買品目情報を用いた商品推奨サービス提供方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、購買品目情報を用いて商品推奨サービスを提供するサーバーおよびその方法に関する。

【背景技術】

【0002】

従来の技術に係る人工知能システムの性能を確保するためには、多くのデータを用いた学習過程が必須に要請される。

【0003】

例えば、人工知能システムを用いて顧客に商品推奨サービスを提供するにおいて、顧客の人的情報（性別、年齢、職業など）を活用して商品を推奨する場合、顧客のユーザー情報を取得する過程で個人プライバシーが保護されないという問題点がある。

【0004】

また、決済サービス事業者が顧客の決済ヒストリーに基づいて商品を推奨しようとする場合、各マーチャント別に異なる製品コード情報を定義しているので、適切な商品推奨のためには、マーチャント間のコード情報を統合しなければならないため、現実性が低い問題点があり、さらに、グローバル市場で決済サービスを提供する場合、各国別に特異な商品がある環境要素に対応して適切な推奨サービスを提供することが難しいという問題点がある。

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明は、前述の問題点を解決するために提案されたものであり、顧客の人的情報を活用することなく、ターゲット顧客と購買類似度の高い他の顧客の購買情報を用いて、ターゲット顧客に適切な商品推奨サービスを提供することが可能なサーバーおよび方法を提供することにその目的がある。

【課題を解決するための手段】

【0006】

本発明に係る購買品目情報を用いた商品推奨サービス提供サーバーは、ユーザー別購買情報を収集する入力部と、ユーザー別購買情報を用いて、ターゲット顧客に対する推奨商品情報を生成するプログラムが格納されたメモリおよびプログラムを実行させるプロセッサと、を含み、プロセッサは、ターゲット顧客と購買性向が類似している他の顧客を照会し、他の顧客の購買品目を考慮して、ターゲット顧客に推奨する推奨商品情報を生成することを特徴とする。

【0007】

ユーザー別購買情報は、購買商品、購買先、購買時間および購買場所の情報を含む。

【0008】

プロセッサは、複数のマーチャントでの購買情報に対して外挿協調フィルタリングアルゴリズムを用いて、購買性向が類似している他の顧客を照会する。

【0009】

プロセッサは、ユーザー別購買情報に対してマトリックスを構築し、ターゲット顧客を基準にコサイン類似度を通じて他の顧客を照会し、他の顧客が購買した商品を推奨する。

【0010】

プロセッサは、ベクトル基盤の外挿協調フィルタリングを用いて類似度を検出し、推奨商品情報を生成する。

【0011】

プロセッサは、ユーザー別購買情報を文章で学習し、購買商品内訳をベクトル化したプロダクトトゥーベクトルを求め、製品ベクトルを乗算してユーザー購買性向ベクトルを生成し、購買性向が類似している他の顧客を照会する。

【0012】

本発明に係る購買品目情報を用いた商品推奨サービス提供方法は、（ａ）複数のマーチャントで購買完了したことによる購買データを収集するステップと、（ｂ）購買データを用いてターゲット顧客と購買性向に関する類似度が高い他の顧客を探索するステップと、（ｃ）他の顧客の購買品目情報を用いて、ターゲット顧客に商品を推奨するステップと、を含む。

【0013】

（ａ）ステップは、購買商品、購買先、購買時間および購買場所の情報を含む購買データを収集する。

【0014】

（ｂ）ステップは、外挿協調フィルタリングアルゴリズムを用いて他の顧客を探索する。

【0015】

（ｂ）ステップは、ユーザー別購買情報に対してマトリックスを構築し、ターゲット顧客を基準に購買性向に関する類似度が高い他の顧客を探索する。

【0016】

（ｂ）ステップは、ベクトル基盤の外挿協調フィルタリングアルゴリズムを用いて他の顧客を探索する。

【0017】

（ｂ）ステップは、購買データを文章で学習し、購買商品内訳をベクトル化したプロダクトトゥーベクトルを求め、製品ベクトルを乗算してユーザー購買性向ベクトルを生成し、他の顧客を探索する。

【発明の効果】

【0018】

本発明によると、顧客の人的情報を活用することなく、既存の顧客のうち、ターゲットと類似している顧客を探索し、ターゲット顧客に適切な商品推奨サービスを提供することが可能な効果がある。

【0019】

本発明によると、顧客に関する最小限の情報のみを収集して、サービスを提供することによって、個人ユーザーのプライバシーを保護し、ユーザー（企業ユーザー）のデータを相互共有または統合することなく、事業者間で安全かつ公平に協力をする過程で、ユーザーに適切でかつ新しさを与え、恩恵を与えることが可能な効果がある。

【0020】

本発明の効果は、以上で言及したものに限定されず、言及されていない他の効果は、以下の説明から当業者には明確に理解できるであろう。

【図面の簡単な説明】

【0021】

【図1】従来の技術に係る決済モデルおよびユーザー中心の決済モデルを示す図である。

【図2】従来の技術に係る人工知能モデルと本発明の実施例に係る人工知能モデルを示す図である。

【図3】本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供サーバーを示す図である。

【図4】従来の技術に係るシングルマーチャント（ｓｉｎｇｌｅ ｍｅｒｃｈａｎｔ）およびユーザーを示す図である。

【図5】本発明の実施例に係るマルチマーチャント（ｍｕｌｔｉ ｍｅｒｃｈａｎｔ）およびユーザーを示す図である。

【図6】本発明の実施例に係るユーザー中心の人工知能構造を示す図である。

【図7】本発明の実施例に係るユーザー中心の人工知能構造に基盤する商品推奨サービスシナリオを示す図である。

【図8】本発明の実施例に係る決済データを活用した推奨サービス提供を示す図である。

【図9】本発明の実施例に係る推奨アルゴリズムの性能比較結果を示す図である。

【図10】本発明の実施例に係る推奨アルゴリズムの性能比較結果を示す図である。

【図11】本発明の実施例に係るマトリックス基盤のＥＣＦ（Ｍ－ＥＣＦ）の性能結果を示す図である。

【図12】本発明の実施例に係るベクトル基盤のＥＣＦ（Ｖ－ＥＣＦ）の性能結果を示す図である。

【図13】本発明の実施例に係る前処理完了データを示す図である。

【図14】本発明の実施例に係るプロダクトトゥーベクトル（Ｐｒｏｄｕｃｔ２ｖｅｃ）およびユーザー性向ベクトル生成を示す図である。

【図15】本発明の実施例に係る商品推奨結果を示す図である。

【図16】本発明の実施例に係る推奨評価シナリオを示す図である。

【図17】本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供方法を示す図である。

【発明を実施するための形態】

【0022】

本発明の前述の目的およびそれ以外の目的、利点および特徴、ならびにそれらを達成する方法は、添付の図面とともに詳細に後述する実施例を参照すれば明らかになるであろう。

【0023】

しかし、本発明は、以下に開示される実施例に限定されるものではなく、互いに異なる様々な形態で具現することができ、だだし、以下の実施例は、本発明の属する技術分野における通常の知識を有する者に発明の目的、構成および効果を容易に知らせるために提供されるものに過ぎず、本発明の権利範囲は、特許請求の範囲の記載によって定義される。

【0024】

一方、本明細書で使用される用語は、実施例を説明するためのものであって、本発明を制限しようとするものではない。本明細書において、単数形は文脈で特に言及しない限り、複数形も含む。本明細書で使用される「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成要素、ステップ、動作および／または要素が１つ以上の他の構成要素、ステップ、動作および／または要素の存在または追加されることを排除しない 。

【0025】

以下では、当業者の理解のために本発明が提案された背景について先に説明し、本発明の実施例について述べることにする。

【0026】

人工知能システムが優れた性能を奏するためには、多くのデータを通じた学習が必須的に求められる。

【0027】

人工知能サービスを提供する多くの企業は、大量のデータを収集するために音声データ、テキストデータなど個人の重要な個人情報をクラウドサーバーに伝送し、このように伝送されたデータは人工知能モデルの性能を改善するために使用される。

【0028】

国内企業で開発されたＡＩスピーカーサービスの場合、ＡＩサービスの性能改善を目的にユーザーの会話を録音してテキストに変える作業を進めている。

【0029】

これは音声認識率を高めるためにユーザーの音声データを活用したものであるが、録音内容をテキストに変換する作業を子会社に任せることによって、第３社の職員がユーザーの音声データを聴取することによって、個人プライバシーに深刻な脅威を与えた問題点があり、これと同様に人工知能秘書サービスも、個人情報侵害の恐れがある。

【0030】

ユーザーデータの取得と個人プライバシーの保護間のトレードオフ関係を解決するための様々な研究が進められているが、本発明の実施例によると、個人ユーザーのプライバシーを守るとともに、企業（組織）ユーザーの情報保護を最大化する協業を可能にしながらも、意図した成果を達成できる人工知能サービスをユーザー中心（Ｕｓｅｒ－Ｃｅｎｔｒｉｃ）の人工知能サービスと定義する。

【0031】

本発明の実施例に係るユーザー中心の人工知能サービスの具体例として、顧客の人的情報を活用することなく、ターゲット顧客と購買類似度の高い他の顧客の購買情報を用いて、ターゲット顧客に適切な商品推奨サービスを提供することが可能なサーバーおよび方法を提案する。

【0032】

本発明の実施例によると、ユーザーの人的情報を活用することなく、購買情報のみを活用し、単一商店の観点では不足したデータ状況を補うために、他の商店の購買情報を反映して推奨する外挿協調フィルタリング（Ｅｘｔｒａｐｏｌａｔｉｖｅ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ； ＥＣＦ）を用いて商品推奨サービスを提供する。

【0033】

以下で詳述する検証結果によると、人的情報を使用することなく決済サービスの遂行のために維持する購買情報のみを用いて、個人プライバシーに関する情報および各商店の情報を露出せず、適切な商品推奨が可能であることを確認した。

【0034】

また、本発明の実施例に係る決済サービス事業者のデータで検証を行った結果、商品名をカテゴリー化することなく、自然 言語そのまま購買情報を活用した場合でも、適切な推奨が可能であることを確認した。

【0035】

図１は、従来の技術に係る決済モデルおよびユーザー中心の決済モデルを示す。

【0036】

本発明の一実施例に係る決済サービス事業者サーバーは、ユーザー中心の決済共有プラットフォーム基盤のサービスを提供し、支払う個人の金融情報が加盟店に伝達されないことが主な特徴である。

【0037】

つまり、従来のように、ユーザーの金融情報が加盟店に伝達され、加盟店のシステムから金融機関につながる仕組みではなく、加盟店のＩＤがユーザーシステムに伝達され、ユーザーのシステム（例えば、スマートフォン）で決済サービスが処理されるので、決済するユーザーと金融機関間の中間者の介入なしに決済が行えるようになり、ユーザーの個人情報が不要に事業者に伝達されず、むしろユーザーのシステムに事業者の情報が蓄積され、ユーザー中心のサービス可能な基盤が作られる。

【0038】

このようなユーザー中心の決済サービスは中間者の介入がないため、事業者の立場ではＶＡＮ社手数料およびＰＧ社手数料を減らすだけでなく、顧客は個人情報の流出リスクを減らすことが可能である。

【0039】

また、事業者の立場では手数料の負担を減らすことができ、顧客の立場では決済、メンバーシップなどを一度に処理できる複合決済が可能になることで利便性が増大する。

【0040】

図２は、従来の技術に係る人工知能モデルと本発明の実施例に係る人工知能モデルを示す。

【0041】

本発明の実施例に係る決済サービス事業者は、前述のユーザー中心の決済から拡張し、ユーザー中心の人工知能構造を提案する。

【0042】

本発明の実施例によると、ユーザーの情報を企業が最小限に蓄積し（人的情報を蓄積ぜずに、商品推奨サービスの提供のため、商品購買内訳情報のみを蓄積して、個人プライバシー侵害の所持をなくす）、企業それぞれが自社の顧客情報を他の企業と直接共有しなくても、成果の高い人工知能基盤のサービスを提供できるように支援する。

【0043】

つまり、図２に示しているように、従来の技術に係る人工知能モデル構造は、企業にユーザーの全データを伝達し、企業は全データを通じてアルゴリズムを高度化してサービスを提供するのに対し、本発明の実施例に係るユーザー中心の人工知能モデル構造は、最小限のデータのみを活用してユーザーに適したサービス（例えば、商品推奨サービス）を提供することが可能である。

【0044】

言い換えると、本発明の実施例によると、最小限の情報のみを有しても個人ユーザーのプライバシーを保護し（Ｐｒｉｖａｃｙ Ｐｒｅｓｅｒｖｉｎｇ）、事業者（企業ユーザー）のデータを安全に相互活用しながらも（Ｓｅｃｕｒｅ Ｃｏｌｌａｂｏｒａｔｉｏｎ）、適切かつ新しさを与えながら、恩恵を与える（Ｒｅｌｅｖａｎｔ、Ｎｏｖｅｌ ＆ Ｂｅｎｅｆｉｃｉａｌ）サービスを提供することが可能である。

【0045】

事業者（企業ユーザー）の立場では、企業間データを直接共有することなく個別のユーザーにサービスを提供することができ、一般のユーザーはサービスを提供されるが、プライバシーを守りながら個人に適切な（Ｒｅｌｅｖａｎｔ）サービスを提供することができる。

【0046】

図３は、本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供サーバーを示す。

【0047】

本発明の実施例によると、たとえば、顧客Ａがショッピングモールで購買しようとする場合、ショッピングモールは顧客Ａに新しい物を推奨する過程において、顧客Ａの人的情報（性別、年齢、職業など）を活用せず、購買情報のみを活用して顧客Ａと類似している顧客を探索する。

【0048】

このとき、顧客Ａが購買した商品と回数、購買日と場所などを統合的に考慮して、購買パターンが類似している顧客Ｂを照会し、顧客Ｂが購買した商品のうち、顧客Ａが購買しなかった商品を推奨する。

【0049】

本発明の実施例によると、外挿協調フィルタリング（Ｅｘｔｒａｐｏｌａｔｉｖｅ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ： ＥＣＦ）を通じて、ユーザー（一般のユーザー）の人的情報を活用せず、購買情報のみを活用して推奨サービスを提供する。

【0050】

本発明の実施例によると、現在、ターゲット顧客が位置した場所情報と時間情報を用いて、商品推奨情報を提供する。

【0051】

例えば、ターゲット顧客が初めて訪ねるＡ社コーヒー専門店の場合、ターゲット顧客が既存に用いた他のコーヒー専門店（Ｂ社、Ｃ社など）での購買情報および他のコーヒー専門店での他の顧客の購買情報を用いて、ターゲット顧客の性向と類似している他の顧客の購買ヒストリーを考慮することによって、ターゲット顧客にＡ社コーヒー専門店での満足度が高いものと予想される商品を推奨する。

【0052】

また、類似度の算出において、ターゲット顧客の購買時間情報を考慮して、ターゲット顧客だけのための性向を把握することが可能である。

【0053】

例えば、ターゲット顧客は、平日には会社に出退勤しており、コーヒー専門店で主にアイスアメリカーノ１杯を購買した履歴があり、週末には配偶者とともにコーヒー専門店で主にアイスアメリカーノ１杯とアイスグリーンティーラテ１杯を購買した履歴があると仮定する。

【0054】

もしそうなら、アイスアメリカーノはターゲット顧客が主に摂取する飲み物であり、アイスグリーンティーラテは、ターゲット顧客ではなく同行する一行（例：配偶者、友人など）が主に摂取する飲み物であると推定される。

【0055】

したがって、ターゲット顧客が現在注文しようとする時間情報（日付を含む）を考慮すると、平日の場合、前述の場合によると、Ａ社のコーヒー専門店でコーヒー類（例：アイスアメリカーノ）を推奨商品として提案し、週末の場合、Ａ社コーヒー専門店でターゲット顧客のための推奨商品（コーヒー類、アイスアメリカーノ）および同行者の顧客のための推奨商品（コーヒーではない種類、グリーンティーラテ、さつま芋ラテなど）を提案することが可能である。

【0056】

つまり、購買情報にはターゲット顧客の性向が含まれているとみられるが、購買品目のすべてがターゲット顧客が使用するとは限らないため、購買ヒストリーを用いて類似している顧客を照会し、推奨商品を提案する過程において、日付、時間、場所を総合的に考慮して、ターゲット顧客のみのための推奨商品だけでなく、ターゲット顧客と同行する一行のための推奨商品を区別して提案することができる。

【0057】

本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供サーバーは、ユーザー別購買情報を収集する入力部１１０と、ユーザー別購買情報を用いて、ターゲット顧客に対する推奨商品情報を生成するプログラムが格納されたメモリ１２０と、プログラムを実行させるプロセッサ１３０と、を含み、プロセッサ１３０はターゲット顧客と購買性向が類似している他の顧客を照会し、他の顧客の購買品目を考慮して、ターゲット顧客に推奨する推奨商品情報を生成することを特徴とする。

【0058】

ユーザー別購買情報は、購買商品、購買先、購買時間および購買場所の情報を含む。

【0059】

プロセッサ１３０は、複数のマーチャントでの購買情報に対して外挿協調フィルタリングアルゴリズムを用いて、購買性向が類似している他の顧客を照会する。

【0060】

プロセッサ１３０は、ユーザー別購買情報に対してマトリックスを構築し、ターゲット顧客を基準にコサイン類似度を通じて他の顧客を照会し、他の顧客が購買した商品を推奨する。

【0061】

プロセッサ１３０は、ベクトル基盤の外挿協調フィルタリングを用いて類似度を検出し、推奨商品情報を生成する。

【0062】

プロセッサ１３０は、ユーザー別購買情報を文章で学習し、購買商品内訳をベクトル化したプロダクトトゥーベクトルを求め、製品ベクトルを乗算してユーザー購買性向ベクトルを生成し、購買性向が類似している他の顧客を照会する。

【0063】

図４は、従来の技術に係るシングルマーチャント（ｓｉｎｇｌｅ ｍｅｒｃｈａｎｔ）およびユーザーを示し、図５は、本発明の実施例に係るマルチマーチャント（ｍｕｌｔｉ ｍｅｒｃｈａｎｔ）およびユーザーを示す。

【0064】

図４を参照すると、シングルマーチャントの観点からは、当社の購買情報のみを有して推奨サービスを提供し、当社に初めて訪れたユーザーの場合、適切な推奨サービスの提供が難しく、推奨サービスを提供するためには、ユーザーの人的情報を活用して類似しているユーザーを検索し、検索されたユーザーの購買ヒストリーを用いて推奨サービスを提供しなければならない。

【0065】

一方、図５のマルチマーチャントの観点からは、当社に初めて訪れたユーザーであっても、他の商店の購買情報を反映して、人的情報を活用しなくても他の商店で類似しているユーザーを探索して推奨サービスを提供することが可能である。

【0066】

図６は、本発明の実施例に係るユーザー中心の人工知能構造を示す。

【0067】

前述のように、ビジネスデータ、すなわち事業者（企業ユーザー）のデータは安全に相互活用され、個人ユーザーの人的情報を活用することなく購買情報のみを活用することによってプライバシーを保護し、適切でかつ新しさを与えながら、恩恵を与える（Ｒｅｌｅｖａｎｔ、Ｎｏｖｅｌ、＆ Ｂｅｎｅｆｉｃｉａｌ）サービス提供が可能である。

【0068】

図７は、本発明の実施例に係るユーザー中心の人工知能構造に基盤する商品推奨サービスシナリオを示す。

【0069】

本発明の実施例によると、たとえば、顧客甲がショッピングモールで購買しようとする場合、ショッピングモールは顧客甲に新しい物を推奨する過程において、顧客甲の人的情報（性別、年齢、職業など）を活用せず、購買情報のみを活用して顧客甲と類似している顧客を探索する。

【0070】

このとき、顧客甲が購買した商品と回数、購買日と場所などを統合的に考慮して、購買パターンが類似している顧客「乙」を照会し、顧客乙が購買した商品のうち、顧客Ａが購買しなかった商品を推奨する。

【0071】

図８は、本発明の実施例に係る決済データ（購買情報）を活用した推奨サービス提供を示す。

【0072】

本発明の実施例によると、ユーザー（一般のユーザー）のプライバシー保護のため、個人の人的情報（性別、年齢など）を活用せず、最小限の情報として購買情報のみを活用する。

【0073】

購買情報には、購買商品、購買先、購買時間および購買場所の情報が含まれ、購買情報をマトリックス（ｍａｔｒｉｘ）で構築して類似ユーザーを探索し、類似ユーザーが購買した商品を活用して推奨リストを生成する（このとき、推奨リストは、ｔｏｐ ５、ｔｏｐ １０、ｔｏｐ ２０の商品が含まれてもよい）。

【0074】

本発明の実施例によると、単一商店で不足しているデータ状況を補うために、他の商店の購買情報を活用して推奨する方式を提案し、新しいユーザー問題（ｃｏｌｄ－ｓｔａｒ）などシングルマーチャントの制限点を解決し、様々なマーチャント群を用いるユーザー（一般のユーザー）のマーチャント選好度パターン分析ができるように、外挿協調フィルタリング（Ｅｘｔｒａｐｏｌａｔｉｖｅ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ：ＥＣＦ）を通じて購買情報を活用する。

【0075】

図９および図１０は、本発明の実施例に係る推奨アルゴリズムの性能比較結果を示し、図１１は、本発明の実施例に係るマトリックス基盤のＥＣＦ（Ｍ－ＥＣＦ）の性能結果を示す。

【0076】

マルチマーチャントの観点から様々な商店での購買情報を把握することが可能な決済データを実験データとして活用し、前述の外挿協調フィルタリングアルゴリズムの性能を検証した。

【0077】

公開されたＲａｗ－Ｄａｔａからアルゴリズム開発のために様々なマーチャント購買履歴が存在するユーザーを抽出し、購買、交換および払い戻しのための必須情報であるユーザー別購買情報（購買物品、購買商店、購買時間および場所）を活用してデータセットを構築し、その他の個人情報を使用しない。

【0078】

外挿協調フィルタリングアルゴリズムの性能検証のために、各マーチャントが取り扱う商品に対して標準化したカテゴリーが存在すると仮定し、標準化したコードに基づいて具現されたＭ－ＥＣＦ（Ｍａｔｒｉｘ ＥＣＦ）で推奨性能を評価した。

【0079】

図１１を参照すると、ユーザー購買情報データセットを標準化した商品カテゴリーが１つの列（Ｃｏｌｕｍｎ）となるマトリックスで構築した後、ユーザーを基準にコサイン類似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）を通じて他のユーザーとの類似度を導出して類似ユーザーを探索し、類似ユーザーが購買した商品を推奨する。
推奨された商品に対する予測正確度を評価する方法は、各ユーザーが購買した商品リストから事前に最後の商品をラベル値に分離し、最終的に推奨された商品と比較して予測正確度を評価し、予測正確度（Ａｃｃｕｒａｃｙ）の計算方法は式１の通りである。

【0080】

【数1】

公開された決済データを通じて開発された外挿協調フィルタリングアルゴリズムを実際の決済内訳データに適用し、外挿協調フィルタリングアルゴリズムが適切な推奨結果を有するのか実証的に検証した。

【0081】

図９および図１０は、マトリックス基盤の外挿協調フィルタリングアルゴリズムをシングルマーチャント観点とマルチマーチャント観点とで比較評価した結果を示し、シングルマーチャントの観点からは、各マーチャントＡ、Ｂ、Ｃ、Ｄの当社のユーザー購買情報のみを活用して推奨し、マルチマーチャントの観点からは、マーチャントＡ、Ｂ、Ｃ、Ｄにすべてのユーザー購買情報を通じて推奨を行った。

【0082】

その結果、商品の種類が多く購買データが多いマーチャントＡおよびＢでは大きな相違が見られなかったのに対し、購買データが少ないマーチャントＣおよびＤでは、外挿協調フィルタリングアルゴリズムがシングルマーチャントに比べて高い予測正確度を示すことが確認できる。

【0083】

つまり、購買情報の多い大企業は、当社のデータだけでも十分な推奨成果を見せるが、小規模の中小企業は推奨をするにはデータが不足して他の商店の購買情報を活用した結果、外挿協調フィルタリングアルゴリズムが効果を見せていることが確認された。

【0084】

図１２は、本発明の実施例に係るベクトル基盤のＥＣＦ（Ｖ－ＥＣＦ）の性能結果を示し、図１３は、本発明の実施例に係る前処理完了データを示しており、図１４は、本発明の実施例に係るプロダクトトゥーベクトル（Ｐｒｏｄｕｃｔ２ｖｅｃ）およびユーザー性向ベクトル生成を示す。

【0085】

図１３を参照すると、商品名で空いている（ＮＵＬＬ）値を除き（商品名１、商品名２、商品名３ともに考慮）、たった１回のみ購買した商品の場合、モデルの学習がきちんと行われないので除外する。

【0086】

推奨結果を確認するために、最後の商品は性能評価のためのラベル値であるため、最小購買回数は２回以上でなければならない。

【0087】

各ユーザー別に商品リスト（ユーザー購買商品識別キーの束）を生成する。

【0088】

図１２を参照すると、自然言語そのままを活用して処理することができるように、ベクトル（Ｖｅｃｔｏｒ）基盤のＶ－ＥＣＦ（ベクトル基盤の外挿協調フィルタリング）を用いる。

【0089】

本発明の実施例によると、ワードトゥーベクトル（Ｗｏｒｄ２ｖｅｃ）モデルを活用して、Ｓｋｉｐ－ｇｒａｍ技法を通じてユーザーが購買した商品を単語にして、購買した商品リストを文章で学習する。

【0090】

つまり、実際の購買商品内訳をベクトル化したもので、これをＰｒｏｄｕｃｔ２Ｖｅｃ（Ｐｕｒｃｈａｓｅｄ Ｐｒｏｄｕｃｔ ｔｏ Ｖｅｃ）と定義する。

【0091】

このような方式で生成されたプロダクトトゥーベクトルにユーザーが購買した各製品ベクトルを乗算して、ユーザー購買性向ベクトルを生成し、類似度の計算により類似ユーザーを探索する。

【0092】

本発明の実施例によると、ユーザーの商品購買情報をカテゴリー化することなく、自然言語そのままの推奨アルゴリズムを用いることで、新たに生じる商品に対する別途の分類過程なく、すぐに推奨アルゴリズムに反映することが可能である。

【0093】

また、マルチマーチャントの観点から、マーチャント別に一致しない商品名に対してカテゴリー化する過程が不要であり、さらに、他の言語で使用されるグローバルマーチャントの商品も、自動的に推奨アルゴリズムに反映することが可能である。

【0094】

以下、表１でマトリックスを基盤にした外挿協調フィルタリングとベクトル基盤の外挿協調フィルタリングとの比較結果を確認してみると、類似する推奨予測正確度が確認される。

【0095】

【表1】

ベクトル基盤の外挿協調フィルタリングの場合、商品購買情報を加工することなく自然言語そのまま処理する方式であるので、人の判断および介入なしに推奨アルゴリズムに反映することが可能である。

【0096】

また、前述のように、様々な商品が新たに生じるマルチマーチャントの場合、他のマーチャント間の商品名が一致しないこともあるが、商品情報に対する別途の処理が必要なマトリックス基盤の外挿協調フィルタリングに対し、ベクトル基盤の外挿協調フィルタリングの性能が確保されることを確認することができる。

【0097】

図１５は、本発明の実施例に係る商品推奨結果を示す。

【0098】

Ｐ_１を類似しているユーザーが購買した商品、Ｐ_２をターゲット顧客（前述の顧客甲、顧客Ａ）が購買したばかりの商品と類似度の高い商品、Ｐ_０をターゲット顧客（前述の顧客甲、顧客Ａ）が以前購買した商品と定義すると、Ｐ_１とＰ_２の和集合からＰ_０を差集合した結果を推奨する。

【0099】

図１６は、本発明の実施例に係る推奨評価シナリオを示す。

【0100】

購買回数はユーザー別に異なるが、実際のユーザー購買商品のうち最後の商品を除去してテストユーザーを作成し、類似度の計算により、新しいユーザー（ターゲットユーザー）と最も類似しているユーザーを検索する。

【0101】

ターゲットユーザーと類似しているユーザーの共通の購買商品を除き、類似しているユーザーが最も多く購買した物品をｔｏｐ ５、１０、２０個として推奨し、推奨された商品のうちターゲットユーザーが購買した場合、適切な推奨であると判断する。

【0102】

図１７は、本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供方法を示す。

【0103】

本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供方法は、複数のマーチャントで購買完了したことによる購買データを収集するステップＳ１７１０と、購買データを用いて、ターゲット顧客と購買性向に関する類似度が高い他の顧客を探索するステップＳ１７２０と、他の顧客の購買品目情報を用いて、ターゲット顧客に商品を推奨するステップＳ１７３０と、を含む。

【0104】

Ｓ１７１０ステップは、購買商品、購買先、購買時間および購買場所の情報を含む購買データを収集する。

【0105】

Ｓ１７２０ステップは、外挿協調フィルタリングアルゴリズムを用いて他の顧客を探索する。

【0106】

Ｓ１７２０ステップは、ユーザー別購買情報に対してマトリックスを構築し、ターゲット顧客を基準に購買性向に関する類似度が高い他の顧客を探索する。

【0107】

Ｓ１７２０ステップは、ベクトル基盤の外挿協調フィルタリングアルゴリズムを用いて他の顧客を探索する。

【0108】

Ｓ１７２０ステップは、購買データを文章で学習し、購買商品内訳をベクトル化したプロダクトトゥーベクトルを求め、製品ベクトルを乗算してユーザー購買性向ベクトルを生成し、他の顧客を探索する。

【0109】

一方、本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供方法は、コンピュータシステムで具現されるか、または記録媒体に記録されてもよい。コンピュータシステムは、少なくとも１つ以上のプロセッサと、メモリと、ユーザー入力装置と、データ通信バスと、ユーザー出力装置と、記憶装置と、を含んでもよい。前述の各構成要素は、データ通信バスを通じてデータ通信を行う。

【0110】

コンピュータシステムは、ネットワークにカップリングされたネットワークインタフェースをさらに含んでもよい。プロセッサは、中央処理装置 （ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ （ＣＰＵ））であるか、またはメモリおよび／または記憶装置に記憶された命令語を処理する半導体装置であってもよい。

【0111】

メモリおよび記憶装置は、様々な形態の揮発性または不揮発性記憶媒体を含んでもよい。例えば、メモリは、ＲＯＭおよびＲＡＭを含んでもよい。

【0112】

したがって、本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供方法は、コンピュータで実行可能な方法で具現することができる。本発明の実施例に係る購買品目情報を用いた商品推奨サービス提供方法がコンピュータ装置で行われるとき、コンピュータで読み取り可能な命令語が、本発明に係る購買品目情報を用いた商品推奨サービス提供方法を行うことができる。

【0113】

一方、前述の本発明に係る購買品目情報を用いた商品推奨サービス提供方法は、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で読み取り可能なコードとして具現されることが可能である。コンピュータで読み取り可能な記録媒体には、コンピュータシステムによって復号化可能なデータが格納されたあらゆる種類の記録媒体を含む。例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、磁気テープ、磁気ディスク、フラッシュメモリ、光データ記憶装置などがある。また、コンピュータで読み取り可能な記録媒体は、コンピュータ通信網に連結されたコンピュータシステムに分散され、分散方式で読み取り可能なコードとして記憶され実行できる。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【国際調査報告】