特表 2024-507656 ＳＮＳテキスト基盤の使用者のインテリアースタイル分析モデル提供サーバー、使用者端末及び方法

(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】2024-02-21

(54)【発明の名称】ＳＮＳテキスト基盤の使用者のインテリアースタイル分析モデル提供サーバー、使用者端末及び方法

(51)【国際特許分類】

   G06F 16/33 20190101AFI20240214BHJP

【ＦＩ】

G06F16/33

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023542596

(86)(22)【出願日】2022-01-07

(85)【翻訳文提出日】2023-07-12

(86)【国際出願番号】 KR2022000277

(87)【国際公開番号】W WO2022154378

(87)【国際公開日】2022-07-21

(31)【優先権主張番号】10-2021-0003732

(32)【優先日】2021-01-12

(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】522276574

【氏名又は名称】アーバンベース インコーポレイテッド

【氏名又は名称原語表記】ＵＲＢＡＮＢＡＳＥ ＩＮＣ．

【住所又は居所原語表記】１１ｔｈ ｆｌｏｏｒ，１７，Ｓｅｏｃｈｏ－ｄａｅｒｏ ７７－ｇｉｌ，Ｓｅｏｃｈｏ－ｇｕ，Ｓｅｏｕｌ，Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】ペク、ユナ

(72)【発明者】

【氏名】ユン、デ ヒ

【テーマコード（参考）】

5B175

【Ｆターム（参考）】

5B175DA01

5B175HB03

(57)【要約】

【課題】本発明は、ＳＮＳテキスト基盤の使用者のインテリアースタイル分析モデル提供サーバー、使用者端末及び方法を提供する。
【解決手段】本発明の一実施例によるスタイル分析モデル提供方法は、インテリアーサービスの第１使用者が使用するＳＮＳで前記第１使用者が作成した文書を獲得する動作と、前記文書に含まれた第１テキストを判別する動作と、前記文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、前記文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、所定の特徴ベクターに対するインテリアースタイルを特定するクラスを導出するように相関関係が既学習されたマシンランニング基盤の神経網モデルに前記第１特徴ベクターを入力して前記第１使用者のスタイルを判別する動作と、及び前記第１使用者が前記インテリアーサービスで提供する所定の客体に対する情報を要請する場合、前記判別されたスタイルを基礎で前記スタイルのメタデータがマッピングされている客体情報を推薦する動作を含むことができる。
【選択図】図１

【特許請求の範囲】

【請求項1】

スタイル分析モデル提供装置において、
所定の動作を遂行するようにする命令語らを保存する一つ以上のメモリーと、及び前記一つ以上のメモリーと動作可能になるように連結されて前記命令語らを実行するように設定された一つ以上のプロセッサを含み、
前記プロセッサが遂行する動作は、
インテリアーサービスの第１使用者が使用するＳＮＳで前記第１使用者が作成した文書を獲得する動作と、
前記文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、
前記文書に含まれた単語数を基礎で前記文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、
前記文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、
所定の特徴ベクターに対するインテリアースタイルを特定するクラスを導出するように相関関係が既学習されたマシンランニング基盤の神経網モデルに前記第１特徴ベクターを入力して前記第１使用者のスタイルを判別する動作と、
前記第１使用者が前記インテリアーサービスで提供する所定の客体に対する情報を要請する場合、前記判別されたスタイルを基礎で前記スタイルのメタデータがマッピングされている客体情報を推薦する動作と、を含む、
スタイル分析モデル提供サーバー。

【請求項2】

前記インテリアーサービスは、
インターネットを通じてインテリアー関連用品を販売するショッピングモールサービスまたは３次元仮想空間にインテリアー要素を配置することができるインターネット仮想空間提供サービスを含む、
請求項１に記載のスタイル分析モデル提供サーバー。

【請求項3】

前記客体情報を推薦する動作は、
前記第１使用者が前記ショッピングモールサービスで所定商品のキーワードを入力する場合、前記キーワードにマッピングされている商品情報のうちで前記スタイルのメタデータがマッピングされている商品情報を優先的に出力する動作を含む、
請求項２に記載のスタイル分析モデル提供サーバー。

【請求項4】

前記客体情報を推薦する動作は、
前記第１使用者が前記インターネット仮想空間提供サービスで壁紙、底材料及び事物のうちで何れか一つのインテリアー要素に対する情報を要請する場合、前記要請したインテリアー要素のうちで前記スタイルのメタデータがマッピングされているインテリアー要素を優先的に出力する動作を含む、
請求項２に記載のスタイル分析モデル提供サーバー。

【請求項5】

前記第１テキストを判別する動作は、
正規表現式を利用して前記文書に含まれた特殊文字及びイモティコンを抽出し、前記文書に含まれた数字及び繰り返される文字列を除去する動作と、
既保存されたストップワード辞書を基礎で前記文書に含まれた助詞、冠詞、非文を除去する動作と、
所定の形態素分析アルゴリズムを基礎で前記文書に含まれた語幹単位を抽出して前記第１テキストを判別する動作と、を含む、
請求項１に記載のスタイル分析モデル提供サーバー。

【請求項6】

前記第２テキストを判別する動作は、
前記文書別単語数の統計を基礎で学習に使用する単語数を決めて、前記文書に含まれた第１テキストのうちで前記決まった単語数程度選定された第２テキストを判別する動作を含む、
請求項１に記載のスタイル分析モデル提供サーバー。

【請求項7】

前記第２テキストを判別する動作は、
全体文書に対して前記文書内に含まれた単語が多い手順で統計を集計した時、前記統計のうちで文書内に含まれた単語数の上位第３四分位が始まる支点の単語数を前記所定個数で決める動作と、
前記文書内に含まれた第１テキストのうちで前記所定個数程度の第２テキストで判別する動作と、を含む、
請求項６に記載のスタイル分析モデル提供サーバー。

【請求項8】

前記第１特徴ベクターを生成する動作は、
前記第１使用者が作成した文書のうちでそれぞれの第２テキストを含む文書の数を基礎に下記数学式１の

によって計算された値を元素で含む第１特徴ベクターを生成する動作を含む、

【数1】

(

,

、d:第１使用者が作成した文書、t:第２テキスト、D:前記神経網モデルの学習に使用されたすべての学習用文書、

:前記神経網モデルの学習に使用されたすべての学習用文書の数として既設定された値に保存されている、

:第１使用者が作成した文書dでtという第２テキストの登場回数、

:第１使用者が作成した文書のうちでtという第２テキストを含む文書の数)
請求項１に記載のスタイル分析モデル提供サーバー。

【請求項9】

前記神経網モデルは前記プロセッサが、
複数の使用者が作成したテキストデータを含む学習用文書を獲得する動作と、
前記学習用文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、
前記各使用者が作成した学習用文書に含まれた単語数を基礎で前記学習用文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、
前記各使用者別に、前記各使用者が作成した学習用文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、
インテリアースタイルを特定する複数のクラスと各クラスにマッピングされているスタイル特定テキストに対して既保存された情報を利用して前記各クラス別に、前記獲得されたすべての学習用文書のうちでそれぞれのスタイル特定テキストが含まれた頻度数を基礎で第２特徴ベクターを生成する動作と、
前記第１特徴ベクターと前記第２特徴ベクターの類似度を判別して前記第１特徴ベクターと一番類似な第２特徴ベクターのクラスを前記第１特徴ベクターにラベリングする動作と、
前記第１特徴ベクターと前記第１特徴ベクターにラベリングされたクラスとの相関関係を導出するマシンランニング基盤の神経網モデルを生成及び学習させる動作と、を遂行して生成される、
請求項１に記載のスタイル分析モデル提供サーバー。

【請求項10】

前記第２特徴ベクターを生成する動作は、
前記各クラス別に、前記獲得されたすべての学習用文書のうちでそれぞれのスタイル特定テキストを含む学習用文書の数を基礎に下記数学式２の

によって計算された値を元素で含む第２特徴ベクターを生成する動作を含む、

【数2】

(

,

、d:第１使用者が作成した文書、t:スタイル特定テキスト、D:前記神経網モデルの学習に使用されたすべての学習用文書、

:前記神経網モデルの学習に使用されたすべての学習用文書の数として既設定された値に保存されている、

:第１使用者が作成した文書dでtというスタイル特定テキストの登場回数、

:第１使用者が作成した文書のうちでtというスタイル特定テキストを含む学習用文書の数)
請求項９に記載のスタイル分析モデル提供サーバー。

【請求項11】

前記ラベリングする動作は、
前記第１特徴ベクターと前記第２特徴ベクターのコサイン類似度を計算して、前記第１特徴ベクターと計算された値が+１に一番近い第２特徴ベクターのクラスを前記第１特徴ベクターにラベリングする動作を含む、
請求項９に記載のスタイル分析モデル提供サーバー。

【請求項12】

前記神経網モデルを生成及び学習させる動作は、
所定のCNN(Convolutional Neural Network)を基礎に設計された神経網の入力レイヤードに前記第１特徴ベクターが入力されるように設定し、出力レイヤードに前記第１特徴ベクターそれぞれにラベリングされたクラスが入力されるように設定し、前記第１特徴ベクターと前記第１特徴ベクターにラベリングされたクラスとの相関関係を導出する神経網の加重値を学習させる動作を含む、
請求項９に記載のスタイル分析モデル提供サーバー。

【請求項13】

スタイル分析モデル提供サーバーによって遂行されるスタイル分析モデル提供方法において、
インテリアーサービスの第１使用者が使用するＳＮＳで前記第１使用者が作成した文書を獲得する動作と、
前記文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、
前記文書に含まれた単語数を基礎で前記文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、
前記文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、
所定の特徴ベクターに対するインテリアースタイルを特定するクラスを導出するように相関関係が既学習されたマシンランニング基盤の神経網モデルに前記第１特徴ベクターを入力して前記第１使用者のスタイルを判別する動作と、
前記第１使用者が前記インテリアーサービスで提供する所定の客体に対する情報を要請する場合、前記判別されたスタイルを基礎で前記スタイルのメタデータがマッピングされている客体情報を推薦する動作と、を含む、
スタイル分析モデル提供方法。

【請求項14】

請求項１３の方法をプロセッサが遂行するようにする命令語を含むコンピュータープログラムが記録されたコンピューター判読可能記録媒体。

【請求項15】

使用者端末において、
所定の動作を遂行するようにする命令語らを保存する一つ以上のメモリーと、及び前記一つ以上のメモリーと動作可能になるように連結されて前記命令語らを実行するように設定された一つ以上のプロセッサを含み、
前記プロセッサが遂行する動作は、
インテリアーサービスの第１使用者が使用するＳＮＳで前記第１使用者が作成した文書を獲得する動作と、
前記文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、
前記文書に含まれた単語数を基礎で前記文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、
前記文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、
所定の特徴ベクターに対するインテリアースタイルを特定するクラスを導出するように相関関係が既学習されたマシンランニング基盤の神経網モデルに前記第１特徴ベクターを入力して前記第１使用者のスタイルを判別する動作と、
前記第１使用者が前記インテリアーサービスで提供する所定の客体に対する情報を要請する場合、前記判別されたスタイルを基礎で前記スタイルのメタデータがマッピングされている客体情報を推薦する動作と、を含む、
使用者端末。

【発明の詳細な説明】

【技術分野】

【0001】

本発明はＳＮＳテキスト基盤の使用者のインテリアースタイル分析モデル提供サーバー、使用者端末及び方法に関するものである。

【背景技術】

【0002】

人々は生きて行きながら自分の個性に符合しながらより美しい住居環境を追い求めようとする欲求を持っている。このために、簡単に住居空間に新しい事物を配置してインテリアーを飾るか、ひいては壁紙や底材料を交替して空間の構造を変更するなどのインテリアー工事を進行したりする。

【0003】

従来にはインテリアー工事のために依頼人がインテリアー専門家に自分が願う空間を作ろうと住居環境などのインテリアー試案を依頼し、依頼されたインテリアー専門家は顧客が願うインテリアーを設計して顧客に提示する方式で進行した。

【0004】

これと異なり、最近にはインターネットを通じて多様なインテリアー情報が普及されることによってインターネットショッピングモールサイトに接続して自分が願うインテリアー小品やＤＩＹ商品を購入して直接自分の空間を飾ったりする。ひいては、３次元仮想空間に各種インテリアー要素を直接飾って見られるインテリアーサービス(ex．３D空間データプラットホームアーバンベース)が開発されることによって、インテリアーサービスの使用者が直接自分の住居環境を移植した仮想空間に自分の趣向どおり事物を配置して手軽く底材料/壁紙などを交替して見られる。

【0005】

これによって、使用者らは仮想空間のインテリアーを通じて実際インテリアーを間接的に体感することができるし、自分の気に入る実際インテリアー商品を注文するか、または実際施工と連動されたインテリアー発注を入れるなどのサービスの提供を受けている。

【発明の概要】

【発明が解決しようとする課題】

【0006】

インテリアーサービスは、インテリアー商品をショッピングモールで購入できるように商品情報を提供する形態のショッピングモールサービス、または壁紙/底材料/事物のようなインテリアー要素を使用者が願う形態で直接配置して見られるようにする３次元仮想空間を提供する形態のサービスなど多様な形態で開発されている。

【0007】

一方、前述したインテリアーサービスで提供する商品の情報は、数億個が超えるため、使用者が好むスタイルの商品を優先的に使用者に推薦して便宜性を提供することが大部分のインテリアーサービスで共通的に重要な意味を有する。

【0008】

これによって、本発明の実施例で解決しようとする課題は、使用者がＳＮＳに作成したテキストデータを基礎で使用者のスタイルを分析することができる神経網モデルを生成し、神経網モデルによって分析されたスタイルにマッチングされる商品を優先的に推薦することができる技術を提供することである。

【0009】

但し、本発明の実施例が成そうとする技術的課題は以上で言及した課題で制限されないし、以下で説明する内容から通常の技術者に自明な範囲内で多様な技術的課題が導出されることができる。

【課題を解決するための手段】

【0010】

本発明の一実施例によるスタイル分析モデル提供サーバーは、所定の動作を遂行するようにする命令語らを保存する一つ以上のメモリーと、及び前記一つ以上のメモリーと動作可能になるように連結されて前記命令語らを実行するように設定された一つ以上のプロセッサを含み、前記プロセッサが遂行する動作はインテリアーサービスの第１使用者が使用するＳＮＳで前記第１使用者が作成した文書を獲得する動作と、前記文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、前記文書に含まれた単語数を基礎で前記文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、前記文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、所定の特徴ベクターに対するインテリアースタイルを特定するクラスを導出するように相関関係が既学習されたマシンランニング基盤の神経網モデルに前記第１特徴ベクターを入力して前記第１使用者のスタイルを判別する動作と、及び前記第１使用者が前記インテリアーサービスで提供する所定の客体に対する情報を要請する場合、前記判別されたスタイルを基礎で前記スタイルのメタデータがマッピングされている客体情報を推薦する動作を含むことができる。

【0011】

また、前記インテリアーサービスはインターネットを通じてインテリアー関連用品を販売するショッピングモールサービスまたは３次元仮想空間にインテリアー要素を配置することができるインターネット仮想空間提供サービスを含むことができる。

【0012】

また、前記客体情報を推薦する動作は前記第１使用者が前記ショッピングモールサービスで所定商品のキーワードを入力する場合、前記キーワードにマッピングされている商品情報のうちで前記スタイルのメタデータがマッピングされている商品情報を優先的に出力する動作を含むことができる。

【0013】

また、前記客体情報を推薦する動作は前記第１使用者が前記インターネット仮想空間サービスで壁紙、底材料及び事物のうちで何れか一つのインテリアー要素に対する情報を要請する場合、前記要請したインテリアー要素のうちで前記スタイルのメタデータがマッピングされているインテリアー要素を優先的に出力する動作を含むことができる。

【0014】

また、前記第１テキストを判別する動作は正規表現式を利用して前記文書に含まれた特殊文字及びイモティコンを抽出し、前記文書に含まれた数字及び繰り返される文字列を除去する動作と、既保存されたストップワード辞書を基礎で前記文書に含まれた助詞、冠詞、非文を除去する動作と、及び所定の形態素分析アルゴリズムを基礎で前記文書に含まれた語幹単位を抽出して前記第１テキストを判別する動作を含むことができる。

【0015】

また、前記第２テキストを判別する動作は前記文書別に単語数の統計を基礎で学習に使用する単語数を決めて、前記文書に含まれた第１テキストのうちで前記決まった単語数程度選定された第２テキストを判別する動作を含むことができる。

【0016】

また、前記第２テキストを判別する動作は全体文書に対して前記文書内に含まれた単語が多い手順で統計を集計した時、前記統計のうちで文書内に含まれた単語数の上位第３四分位が始まる支点の単語数を前記所定個数で決める動作と、及び前記文書内に含まれた第１テキストのうちで前記所定個数位の第２テキストで判別する動作を含むことができる。

【0017】

また、前記第１特徴ベクターを生成する動作は前記第１使用者が作成した文書のうちでそれぞれの第２テキストを含む文書の数を基礎に下記数学式１の

によって計算された値を元素で含む第１特徴ベクターを生成する動作を含むことができる。

【0018】

【数1】

【0019】

(

,

、d:第１使用者が作成した文書、t:第２テキスト、D:スタイル分析モデルの学習に使用されたすべての学習用文書、

:スタイル分析モデルの学習に使用されたすべての学習用文書の数として既設定された値に保存されている、

:第１使用者が作成した文書dでtという第２テキストの登場回数、

:第１使用者が作成した文書のうちでtという第２テキストを含む文書の数)

【0020】

また、前記神経網モデルは前記プロセッサが複数の使用者が作成したテキストデータを含む学習用文書を獲得する動作と、前記学習用文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、前記各使用者が作成した学習用文書に含まれた単語数を基礎で前記学習用文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、前記各使用者別に、前記各使用者が作成した学習用文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、インテリアースタイルを特定する複数のクラスと各クラスにマッピングされているスタイル特定テキストに対して既保存された情報を利用して前記各クラス別に、前記獲得されたすべての学習用文書のうちでそれぞれのスタイル特定テキストが含まれた頻度数を基礎で第２特徴ベクターを生成する動作と、前記第１特徴ベクターと前記第２特徴ベクターの類似度を判別して前記第１特徴ベクターと一番類似な第２特徴ベクターのクラスを前記第１特徴ベクターにラベリングする動作と、及び前記第１特徴ベクターと前記第１特徴ベクターにラベリングされたクラスとの相関関係を導出するマシンランニング基盤の神経網モデルを生成及び学習させる動作を遂行して生成されることができる。

【0021】

また、前記第２特徴ベクターを生成する動作は前記各クラス別に、前記獲得されたすべての学習用文書のうちでそれぞれのスタイル特定テキストを含む学習用文書の数を基礎に下記数学式２の

によって計算された値を元素で含む第２特徴ベクターを生成する動作を含むことができる。

【0022】

【数2】

【0023】

(

,

、d:特定使用者が作成した学習用文書、t:スタイル特定テキスト、D:文書ＤＢに含まれたすべての学習用文書、

:文書ＤＢに含まれたすべての学習用文書の数、

:特定使用者が作成した学習用文書dでtというスタイル特定テキストの登場回数、

:特定使用者が作成した学習用文書のうちでtというスタイル特定テキストを含む学習用文書の数)

【0024】

また、前記ラベリングする動作は前記第１特徴ベクターと前記第２特徴ベクターのコサイン類似度を計算して、前記第１特徴ベクターと計算された値が+１に一番近い第２特徴ベクターのクラスを前記第１特徴ベクターにラベリングする動作を含むことができる。

【0025】

また、前記神経網モデルを生成及び学習させる動作は所定のCNN(Convolutional Neural Network)を基礎に設計された神経網の入力レイヤードに前記第１特徴ベクターが入力されるように設定し、出力レイヤードに前記第１特徴ベクターそれぞれにラベリングされたクラスが入力されるように設定し、前記第１特徴ベクターと前記第１特徴ベクターにラベリングされたクラスとの相関関係を導出する神経網の加重値を学習させる動作を含むことができる。

【0026】

本発明の一実施例によるスタイル分析モデル提供方法は、インテリアーサービスの第１使用者が使用するＳＮＳで前記第１使用者が作成した文書を獲得する動作と、前記文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、前記文書に含まれた単語数を基礎で前記文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、前記文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、所定の特徴ベクターに対するインテリアースタイルを特定するクラスを導出するように相関関係が既学習されたマシンランニング基盤の神経網モデルに前記第１特徴ベクターを入力して前記第１使用者のスタイルを判別する動作と、及び前記第１使用者が前記インテリアーサービスで提供する所定の客体に対する情報を要請する場合、前記判別されたスタイルを基礎で前記スタイルのメタデータがマッピングされている客体情報を推薦する動作を含むことができる。

【0027】

本発明の一実施例による使用者端末は所定の動作を遂行するようにする命令語らを保存する一つ以上のメモリーと、及び前記一つ以上のメモリーと動作可能になるように連結されて前記命令語らを実行するように設定された一つ以上のプロセッサを含み、前記プロセッサが遂行する動作はインテリアーサービスの第１使用者が使用するＳＮＳで前記第１使用者が作成した文書を獲得する動作と、前記文書を構成するテキストの意味が維持される既設定された単位を基準で前記文書に含まれた第１テキストを判別する動作と、前記文書に含まれた単語数を基礎で前記文書の第１テキストのうちで所定個数の第２テキストを判別する動作と、前記文書のうちでそれぞれの第２テキストが含まれた頻度数を基礎で構成された第１特徴ベクターを生成する動作と、所定の特徴ベクターに対するインテリアースタイルを特定するクラスを導出するように相関関係が既学習されたマシンランニング基盤の神経網モデルに前記第１特徴ベクターを入力して前記第１使用者のスタイルを判別する動作と、及び前記第１使用者が前記インテリアーサービスで提供する所定の客体に対する情報を要請する場合、前記判別されたスタイルを基礎で前記スタイルのメタデータがマッピングされている客体情報を推薦する動作を含むことができる。

【発明の効果】

【0028】

本発明の実施例によれば、使用者がＳＮＳに作成したテキストの内容と該当使用者が好むインテリアースタイルの間の相関関係を導出することができる神経網モデルを生成することができるし、このような神経網モデルを多様なインテリアーサービスに活用して使用者の選好スタイルに対応される商品を優先的に推薦することで使用者に便宜性を提供する。

【0029】

この外に、本文書を通じて直接的または間接的に把握される多様な効果らが提供されることができる。

【図面の簡単な説明】

【0030】

【図1】本発明の一実施例によるスタイル分析モデル提供装置の機能ブロック図である。

【図2】本発明の一実施例によるスタイル分析モデル提供装置がスタイル分析モデルを生成するスタイル分析モデル提供方法の動作流れ図である。

【図3】本発明の一実施例によって特定使用者がＳＮＳで作成したすべての掲示物のテキストデータ集合を文書と表現した時、全体データに対して文書に含まれた単語数によって文書の個数の統計を出した例示図である。

【図4A】本発明の一実施例によって使用者別に作成したすべての文書に含まれたそれぞれの第２テキストの頻度数を示した例示図である。

【図4B】本発明の一実施例によって使用者別にそれぞれの第２テキストの頻度数に対して重要度の加重値を付与して計算された第１特徴ベクターの元素値を示した例示図である。

【図5A】本発明の一実施例によって肯定と不正を表現する特殊文字/イモティコンを既保存した情報である。

【図5B】本発明の一実施例によって特殊文字/イモティコンと隣接した第２テキストから計算された第１特徴ベクターの元素値に加重値を加えた例示図である。

【図6A】本発明の一実施例によってインテリアースタイルを特定する複数のクラスと各クラスにマッピングされているスタイル特定テキストに対して既保存された情報に対する例示図である。

【図6B】本発明の一実施例によって各クラス別にそれぞれのスタイル特定テキストから計算された第２特徴ベクターの元素値を示した例示図である。

【図7】本発明の一実施例によるスタイル分析モデル提供装置が学習が完了されたスタイル分析モデルを使って使用者のスタイルに合う商品を推薦するスタイル分析モデル提供方法の動作流れ図である。

【発明を実施するための形態】

【0031】

本発明の利点及び特徴、そして、それらを達成する方法は添付される図面と共に詳細に後述されている実施例らを参照すれば明確になるであろう。しかし、本発明は以下で開示される実施例らに限定されるものではなく、多様な形態で具現されることができるし、単に、本実施例らは本発明の開示が完全になるようにして、本発明が属する技術分野で通常の知識を有した者に発明の範疇を完全に知らせてくれるために提供されるものであり、本発明の範疇は請求項によって定義されるだけである。

【0032】

本発明の実施例らを説明しながら公知機能または構成に対する具体的な説明は本発明の実施例らを説明しながら実際に必要な場合外には省略されるであろう。そして、後述される用語は本発明の実施例での機能を考慮して定義された用語であり、これは使用者、運用者の意図または慣例などによって変わることがある。それで、その定義は本明細書全般にわたった内容を土台で下ろされなければならないであろう。

【0033】

図面に表示されて下に説明される機能ブロックらは可能な具現の例らであるだけである。他の具現らでは詳細な説明の思想及び範囲を脱しない範囲で他の機能ブロックらが使用されることができる。また、本発明の一つ以上の機能ブロックが個別ブロックらに表示されるが、本発明の機能ブロックのうちで一つ以上は同一機能を実行する多様なハードウェア及びソフトウェア構成の組合であることができる。

【0034】

また、ある構成要素らを含むという表現は開放型の表現として該当構成要素らが存在することを単純に指称するだけであり、追加的な構成要素らを排除することで理解されてはいけない。

【0035】

ひいては、ある構成要素が異なる構成要素に連結されているか、または接続されていると言及される時には、その他の構成要素に直接的に連結または接続されていることもできるが、中間に他の構成要素が存在することもできると理解されなければならない。

【0036】

また「第１、第２」などのような表現は、複数の構成を区分するための用途だけで使用された表現であり、構成らの間の手順やその他特徴らを限定しない。

【0037】

以下では図面らを参照して本発明の実施例らに対して説明するようにする。

【0038】

図１は、本発明の一実施例によるスタイル分析モデル提供装置１００の機能ブロック図である。図１を参照すれば、一実施例によるスタイル分析モデル提供装置１００はメモリー１１０、プロセッサ１２０、入力インターフェース１３０、ディスプレイ部１４０及び通信インターフェース１５０を含むことができる。

【0039】

メモリー１１０は文書ＤＢ１１１、スタイル分析モデル１１３及び命令語ＤＢ１１５を含むことができる。

【0040】

文書ＤＢ１１１はテキストデータを含む学習用文書を保存することができる。学習用文書はインスタグラム、フェイスブック、ツイッター（登録商標）、ブログ、カカオページなど使用者がテキストを記載して掲示物を生成する形態のＳＮＳ(Social Network Service)に掲示されたテキストデータを含むことができる。文書ＤＢ１１１は使用者のＳＮＳ掲示物情報収集同意によって、所定のクローリングアルゴリズムを利用するか、またはＳＮＳが提供するAPIを通じて使用者がＳＮＳに掲示したテキストデータを獲得することができる。これによって、テキストデータは神経網モデルの学習に使用される学習用文書として保存されることができる。

【0041】

文書ＤＢ１１１はテキストデータを一つの掲示物または一つのコメントなどのようなテキストの区分単位を特定し、同じ単位で縛られたテキストデータを一つの文書単位で保存することができる。これによって、文書ＤＢ１１１は複数の使用者がＳＮＳにアップロードしたテキスト情報を文書単位で保存することができる。例えば、特定使用者を基準で該当使用者がＳＮＳにアップロードしたテキストデータの時間、種類、プラットホームによって区分される複数の文書が文書ＤＢ１１１に保存されることができる。

【0042】

スタイル分析モデル１１３は使用者がＳＮＳに作成したテキストの内容と該当使用者が好むインテリアースタイルの間の相関関係を導出する神経網モデルである。スタイル分析モデル１１３は図２と共に後述される実施例によって学習が遂行されてメモリー１１０に保存されることができる。

【0043】

命令語ＤＢ１１５はプロセッサ１２０の動作を遂行させることができる命令語らを保存することができる。例えば、命令語ＤＢ１１５は後述するプロセッサ１２０の動作らと対応される動作を遂行するようにするコンピューターコードを保存することができる。

【0044】

プロセッサ１２０はスタイル分析モデル提供装置１００が含む構成ら、メモリー１１０、入力インターフェース１３０、ディスプレイ部１４０及び通信インターフェース１５０の全般的な動作を制御することができる。プロセッサ１２０はテキストモジュール１２１、ベクターモジュール１２３、学習モジュール１２５及び制御モジュール１２７を含むことができる。プロセッサ１２０はメモリー１１０に保存された命令語らを実行してテキストモジュール１２１、ベクターモジュール１２３、学習モジュール１２５及び制御モジュール１２７を駆動させることができる。テキストモジュール１２１、ベクターモジュール１２３、学習モジュール１２５及び制御モジュール１２７によって遂行される動作はプロセッサ１２０によって遂行される動作で理解されることができる。

【0045】

テキストモジュール１２１は文書ＤＢ１１１が保存する学習用文書に対して、テキストの意味が維持される所定の単位を基準で分類されることができる第１テキストを判別することができる。テキストモジュール１２１は各使用者の学習用文書に含まれた単語数による文書数の統計を基礎で、各使用者が作成した学習用文書で実際学習に使用する単語の数を決めて、各文書単位に含まれた第１テキストのうちで前記決まった単語数程度の第２テキストを抽出することができる。

【0046】

ベクターモジュール１２３は文書ＤＢ１１１に保存された各使用者から抽出した第２テキストの情報を数学的表現で特定する第１特徴ベクターを生成することができる。ベクターモジュール１２３は複数のインテリアースタイルに対する情報を数学的表現で特定する第２特徴ベクターを生成することができる。ベクターモジュール１２３は第１特徴ベクターと第２特徴ベクターの類似度を比べる所定のアルゴリズムを通じて、第１特徴ベクターと類似度が高い第２特徴ベクターが特定するインテリアースタイルを該当使用者が好むスタイルのクラスでラベリングすることができる。

【0047】

学習モジュール１２５は所定のディープラーニングアルゴリズム基盤で設計されたモデルの入力層に第１特徴ベクターが入力されるように設定し、出力層には第１特徴ベクターに対してラベリングされたインテリアースタイルのクラスが入力されるように設定し、使用者が作成した文書の特徴を示す第１特徴ベクターと使用者に対してラベリングされたクラスとの相関関係を導出するように神経網の加重値を学習させることができる。前記学習が完了されることによってスタイル分析モデル１１３は新しい使用者のＳＮＳ文書から生成された第１特徴ベクターが入力されれば、該当使用者のインテリアースタイルを判別することができる。

【0048】

制御モジュール１２７は学習が完了されたスタイル分析モデル１１３にインテリアーサービスの新しい使用者である第１使用者が作成した文書を獲得して第１特徴ベクターを生成するようにベクターモジュール１２３を制御することができるし、第１使用者から生成された第１特徴ベクターをスタイル分析モデル１１３に入力して第１使用者が好むインテリアースタイルを特定することができる。制御モジュール１２７はスタイル分析モデル１１３によって第１使用者に対して特定されたスタイルを第１使用者情報とマッピングしてメモリー１１０または外部DBサーバーに保存することができる。以後、第１使用者が使用するインテリアーサービスで特定客体に対する情報を要請する場合、制御モジュール１２７は第１使用者に対してマッピングされたスタイルと対応するメタデータがマッピングされている客体情報を優先的に第１使用者に推薦することができる。

【0049】

入力インターフェース１３０は使用者の入力を受信することができる。例えば、使用者がインテリアーサービスで要請する客体情報などの入力を受信することができる。

【0050】

ディスプレイ部１４０はディスプレイパネルを含んで画像を出力するハードウェア構成を含むことができる。

【0051】

通信インターフェース１５０は外部装置(ex．外部DBサーバー、使用者端末など)と通信して情報を送受信できるようにする。このために、通信インターフェース１５０は無線通信モジュールまたは有線通信モジュールを含むことができる。

【0052】

以下、図２乃至図７を通じてスタイル分析モデル提供装置１００の構成要素らが連動してスタイル分析モデル１１３を学習させ、学習が完了されたスタイル分析モデル１１３をインテリアーサービスに利用する具体的な実施例に対して説明する。

【0053】

図２は、本発明の一実施例によるスタイル分析モデル提供装置１００がスタイル分析モデル１１３を生成するスタイル分析モデル提供方法の動作流れ図である。図２によるスタイル分析モデル提供方法の各段階は、図１を通じて説明されたスタイル分析モデル提供装置１００の構成らによって遂行されることができるし、各段階を説明すれば次のようである。

【0054】

文書ＤＢ１１０は複数の使用者が作成したテキストデータを含む学習用文書を獲得及び保存していて、呼び出しによって学習用文書に対する情報がローディングされることができる(Ｓ２１０)。

【0055】

テキストモジュール１２１は文書ＤＢ１１０に保存された学習用文書を構成するテキストの意味が維持される既設定された単位で分離された第１テキストを判別することができる(Ｓ２２０)。

【0056】

例えば、テキストモジュール１２１は特定の規則を有した文字列の集合を抽出することができる正規表現式(Regular expression)を利用して学習用文書のテキストに含まれた特殊文字及びイモティコン(ex．図５Ａ)を分類し、数字及び繰り返される文字列(ex．ククク、ハハハなど)を除去することができる。

【0057】

また、テキストモジュール１２１は文書の全体的な意味に影響を与えない文字または文字列に対する情報(ex．助詞、冠詞、非文)が既保存されたストップワード辞書を基礎で学習用文書でストップワード辞書に保存されたテキストと等しいテキストを除去することができる。

【0058】

以後、テキストモジュール１２１は意味を維持する最小単位である形態素を基準でテキストを分離して既指定された品詞の形態素を第１テキストで判別することができる。例えば、テキストモジュール１２１はオープンソースライブラリであるKoNLPy形態素分析機を使ってテキストの形態素を分離してそれぞれの品詞を判別して判別された形態素に品詞をタギングして、語幹に該当する形態素単位を第１テキストで判別することができる。

【0059】

一方、使用者ごとに掲示物の記載習慣が相異なことがあるため、文書ＤＢ１１１に保存された学習用文書はどのような使用者が作成したものであるかによって使用された単語数の範囲が相異なことがある。よって、すべての学習用文書に対して一律的な基準で単語数を抽出して学習に使用する場合、単語数が相対的に少ない文書に対して抽出した情報にはnull値が複数含まれて、神経網モデルの性能向上にむしろ邪魔になるデータで動作する可能性がある。

【0060】

これによって、神経網モデルの性能向上のための学習データを生成するため、テキストモジュール１２１は文書ＤＢ１１１に保存された各使用者が作成した学習用文書に含まれた単語数を基礎で学習用文書の第１テキストのうちで所定個数の第２テキストを判別することができる(Ｓ２３０)。例えば、テキストモジュール１２１は各使用者が作成した学習用文書別に単語数の統計を基礎で学習に使用する単語数を決めて、特定使用者が作成した各学習用文書に含まれた第１テキストのうちで前記決まった単語数程度の第２テキストを判別することができる。

【0061】

図３は、本発明の一実施例によって特定使用者がＳＮＳで作成したすべての掲示物のテキストデータ集合を文書であると表現した時、全体データに対して文書に含まれた単語数にしたがって文書の個数の統計を出した例示図である。

【0062】

図３を参照すれば、例示に使用された全体文書内の単語個数最大値は１９４、文書内の単語個数最小値は１、文書内の単語個数平均値は１２．７４、文書内の単語個数標準偏差は１６．８８、文書内の単語個数中間値は７．０、文書内の単語個数上位第１四分位は３．０、文書内の単語個数上位第３四分位は１６．０である。すなわち、図３の例示によれば、大部分の文書が単語個数２５個以下に分布されていて、最大値は１９４、最小値は１で文書内の単語個数の差が大きく発生することもある。

【0063】

これによって、テキストモジュール１２１は全体学習用文書に対して、単語個数がたくさん含まれた文書の順位で上位第３四分位の文書数が含まれ始める支点の単語数を基準で特定使用者の学習用文書で学習に使用する単語を決めることができる。仮に、図３の例示で上位第３四分位の文書数が含まれ始める支点の単語個数は１６である。この場合、テキストモジュール１２１はすべての文書に対して、各文書に含まれた第１テキストのうちで１６個の第２テキストを判別することができる。

【0064】

図４Ａは、本発明の一実施例によって使用者別に作成したすべての文書に含まれたそれぞれの第２テキストの頻度数を示した例示図であり、図４Ｂは本発明の一実施例によって使用者別にそれぞれの第２テキストの頻度数に対して重要度の加重値を付与して計算された第１特徴ベクターの元素値を示した例示図である。

【0065】

図４Ａを参照すれば、図４Ａの最上端行は学習に使用されるすべての学習用文書で選定された第２テキストであり、図４Ａの左側列は学習に使用されるすべての使用者それぞれの学習用文書を意味し、図４Ａの各元素値は特定使用者が作成したすべての文書のうちで最上端行の第２テキストが使用された頻度数を意味する。

【0066】

ベクターモジュール１２３は図４Ａのように第２テキストが使用された頻度数を元素値にする第１特徴ベクターを学習に使用することができるし、または各使用者別にそれぞれの第２テキストの頻度数から第２テキストに対する重要度の加重値を数学的計算を通じて付与する方式で図４Ｂのような第１特徴ベクターを生成して学習に使用することができる(Ｓ２４０)。

【0067】

図４Ｂを参照すれば、ベクターモジュール１２３は各使用者別に、各使用者が作成した学習用文書のうちでそれぞれの第２テキストの頻度数を基礎で下記数学式１によって計算された

の値を元素で含む第１特徴ベクターを生成することができる。

【0068】

【数1】

【0069】

(

,

、d:特定使用者が作成した学習用文書、t:第２テキスト、D:文書ＤＢに含まれたすべての学習用文書、

:文書ＤＢに含まれたすべての学習用文書の数、

:特定使用者が作成した学習用文書dでtという第２テキストの登場回数、

:特定使用者が作成した学習用文書のうちでtという第２テキストを含む学習用文書の数)

【0070】

加えて、ベクターモジュール１２３は前記数学式１によって計算された第１特徴ベクターの元素値に該当元素値に使用された第２テキストが特殊文字/イモティコンに隣接したかの如何によって加重値を付与して元素値を更新することができる。

【0071】

図５Ａは、本発明の一実施例によって肯定と不正を表現する特殊文字/イモティコンを既保存した情報であり、図５Ｂは本発明の一実施例によって特殊文字/イモティコンと隣接した第２テキストから計算された第１特徴ベクターの元素値に加重値を加えた例示図である。

【0072】

図５Ａを参照すれば、テキストモジュール１２１が正規表現式を利用する動作によって学習用文書のテキストに含まれた特殊文字/イモティコンを判別することができる。この時、特殊文字/イモティコンは図５Ａのように特定テキストに対する肯定または不定の意味を強くする要素で分類されることができる。

【0073】

これによって、ベクターモジュール１２３は第１特徴ベクターの元素値を計算することに使用された第２テキストが使用された学習用文書で特殊文字またはイモティコンが該当第２テキストから所定単位の語節の間に接して使用された場合、第２テキストに対して計算された前記第１特徴ベクターの元素値に既設定された加重値を加えて第１特徴ベクターの元素値を更新することができる。例えば、肯定の意味で分類された特殊文字/イモティコンに接して使ったら、数学式１によって計算された元素値に１以上の加重値を掛けて元素値を更新することができるし、不定の意味で分類された特殊文字/イモティコンに接して使ったら、数学式１によって計算された元素値に１以下の加重値を掛けて元素値を更新することができる。

【0074】

ベクターモジュール１２３は上述した過程によって生成された第１特徴ベクターが意味するスタイルのクラスをラベリングするために、複数のインテリアースタイルに対する情報を数学的表現で特定する第２特徴ベクターを生成することができる(Ｓ２５０)。

【0075】

図６Ａは、本発明の一実施例によってインテリアースタイルを特定する複数のクラスと各クラスにマッピングされているスタイル特定テキストに対して既保存された情報に対する例示図であり、図６Ｂは本発明の一実施例によって各クラス別にそれぞれのスタイル特定テキストから計算された第２特徴ベクターの元素値を示した例示図である。

【0076】

図６Ａ及び図６Ｂを参照すれば、ベクターモジュール１２３は図６Ａのようにスタイルの種類を特定するインテリアークラスごとに既マッピングされているスタイル特定単語を文書ＤＢ１１１に含まれたすべての学習用文書で抽出することができる。これによって、ベクターモジュール１２３は図６Ｂのように第１特徴ベクターのラベリングに使用される各インテリアークラス別に、すべての学習用文書のうちでそれぞれのスタイル特定テキストを含む頻度数を基礎で下記数学式２の

によって計算された値を元素で含む第２特徴ベクターを生成することができる。

【0077】

【数2】

【0078】

(

,

、d:特定使用者が作成した学習用文書、t:スタイル特定テキスト、D:文書ＤＢに含まれたすべての学習用文書、

:文書ＤＢに含まれたすべての学習用文書の数、

:特定使用者が作成した学習用文書dでtというスタイル特定テキストの登場回数、

:特定使用者が作成した学習用文書のうちでtというスタイル特定テキストを含む学習用文書の数)

【0079】

ベクターモジュール１２３は使用者ごとに導出された第１特徴ベクターと、インテリアークラスごとに導出された第２特徴ベクターの類似度を判別し、各使用者の第１特徴ベクターと一番類似な第２特徴ベクターのクラスを各使用者の第１特徴ベクターにラベリングすることができる(Ｓ２６０)。例えば、ベクターモジュール１２３は第１特徴ベクターと第２特徴ベクターのコサイン類似度(cosine similarity)を計算し、第１特徴ベクターと計算された値が+１に一番近い第２特徴ベクターのクラスを第１特徴ベクターにラベリングすることができる。

【0080】

学習モジュール１２５は第１特徴ベクターと第１特徴ベクターにラベリングされたクラスとの相関関係を導出するマシンランニング基盤の神経網モデルを生成して学習させることができる(Ｓ２７０)。例えば、学習モジュール１２５は所定のCNN(Convolutional Neural Network)を基礎で設計された神経網の入力レイヤードに第１特徴ベクターが入力されるように設定し、出力レイヤードに第１特徴ベクターそれぞれにラベリングされたクラスが入力されるように設定し、第１特徴ベクターと第１特徴ベクターにラベリングされたクラスとの相関関係を導出する神経網の加重値を学習させることができる。

【0081】

加えて、学習モジュール１２５は人工知能分野で扱う多様な問題を定義してそれを解決するマシンランニングアルゴリズム、仮に、ResNet、LeNet-５、AlexNet、VGG-F、VGG-M、VGG-S、VGG-１６、VGG-１９、GoogLeNet(inceptionv１、SENetなどのアルゴリズムによって設計された人工知能神経網モデルを通じて学習を進行することができるし、使用することができるアルゴリズムの例示は上述した種類に限定されない。

【0082】

人工知能モデルはシナプスの結合でネットワークを形成したノードらで構成される、問題解決能力を取り揃えるモデル全般を意味することができる。人工知能モデルはモデルを構成するレイヤードの間の加重値である、モデルパラメーターを更新する学習過程、出力値を生成する活性化関数(Activation Function)によって定義されることができる。モデルパラメーターは学習を通じて決まるパラメーターを意味し、レイヤード連結の加重値とニューロンの偏向などが含まれる。ハイパーパラメーターはマシンランニングアルゴリズムで学習前に設定されなければならないパラメーターを意味し、ネットワーク階層数(num_layer)、学習データ個数(num_training_samples)、クラス個数(num_classes)、学習率(LearningRate)、学習回数(epochs)、ミニ配置大きさ(mini_batch_size)、損失関数(optimizer)などが含まれる。このようなハイパーパラメーターの設定値らは学習設計によって変わることがあるし、特定数値に限定されるものではない。

【0083】

人工知能モデルの学習目的は損失関数を最小化するモデルパラメーターを決めることで見られる。損失関数は人工知能モデルの学習過程で最適のモデルパラメーターを決めるための指標で利用されることができる。

【0084】

学習が完了されたスタイル分析モデル１１３はメモリー１１０に保存することができる。メモリー１１０に保存されたスタイル分析モデル１１３は他の客体装置の有無線通信接続によって活用されるか、または他の客体の装置に配布されることができる。これによって、他の客体装置は図７の実施例のように多様なインテリアーサービスにスタイル分析モデル１１３を活用することができる。

【0085】

図７は、本発明の一実施例によるスタイル分析モデル提供装置１００がスタイル分析モデル１１３を使って使用者のスタイルに合う商品を推薦するスタイル分析モデル提供方法の動作流れ図である。図７によるスタイル分析モデル提供方法の各段階は図１を通じて説明されたスタイル分析モデル提供装置１００の構成らによって遂行されることができる。但し、図７によるスタイル分析モデル提供方法は図２によるスタイル分析提供方法と必ず等しい装置で遂行される必要がないし、図２の動作を遂行する装置と図７の動作を遂行する装置はお互いに異なる客体の装置であることができる。例えば、図７によるスタイル分析モデル提供方法を遂行するスタイル分析モデル提供装置１００は、インターネットを通じてインテリアーサービスを提供するコンピューターサーバーまたはインターネットを通じてインテリアーサービスの提供を受ける使用者端末であることができるし、別途の装置が生成したスタイル分析モデル１１３を保存してスタイル分析モデル１１３を活用してインテリアーサービスを提供するか、または提供を受けるコンピュータ装置であることができる。よって、本文書でスタイル分析モデル提供装置１００はインテリアーサービスを提供する“サーバー”またはインテリアーサービスに参加する“使用者端末”を含むことができる。

【0086】

図７によるスタイル分析モデル提供方法の各段階を説明すれば次のようである。

【0087】

図７を参照すれば、メモリー１１０はインテリアーサービスの第１使用者が使用するＳＮＳで第１使用者が作成した文書を獲得して保存することができる(Ｓ７１０)。“第１使用者”はスタイル分析モデル１１３を使用する観点の使用者を意味する。第１使用者が作成した文書はインスタグラム、フェイスブック、ツイッター（登録商標）、ブログ、カカオページなど使用者がテキストを記載して掲示物を生成する形態のＳＮＳ(Social Network Service)に掲示されたテキストデータを含むことができる。文書ＤＢ１１１は第１使用者のＳＮＳ掲示物情報収集同意によって、所定のクローリングアルゴリズムを利用するか、またはＳＮＳが提供するＡＰＩを通じて使用者がＳＮＳに掲示したテキストデータを獲得することができる。

【0088】

テキストモジュール１２１は第１使用者の文書を構成するテキストの意味が維持される既設定された単位を基準で文書に含まれた第１テキストを判別することができる(Ｓ７２０)。テキストモジュール１２１は第１使用者が作成した文書に含まれた単語数を基礎で第１使用者が作成した各文書の第１テキストのうちで所定個数の第２テキストを判別することができる(Ｓ７３０)。この時、Ｓ７２０及びＳ７３０段階の動作は図２のＳ２２０及びＳ２３０段階での説明した動作と等しい動作で遂行されることができるし、重複された説明は略する。

【0089】

ベクターモジュール１２３は第１使用者の文書のうちでそれぞれの第２テキストが含まれた頻度数に第２テキストに対する重要度の加重値を基礎で構成された第１特徴ベクターを生成することができる(Ｓ７４０)。例えば、ベクターモジュール１２３は第１使用者が作成したすべての文書のうちでそれぞれの第２テキストを含む文書の数を基礎で下記数学式３の

によって計算された値を元素で含む第１特徴ベクターを生成することができる。

【0090】

【数3】

【0091】

(

,

、d:特定使用者が作成した文書、t:第２テキスト、D:スタイル分析モデルの学習に使用されたすべての学習用文書、

:スタイル分析モデルの学習に使用されたすべての学習用文書の数として既設定された値で保存されている、

:特定使用者が作成した文書dでtという第２テキストの登場回数、

:特定使用者が作成した文書のうちでtという第２テキストを含む文書の数)

【0092】

制御モジュール１２７はメモリー１１０に保存されたスタイル分析モデル１１３に第１特徴ベクターを入力して第１使用者のスタイルのクラスを判別し、判別されたスタイルのクラスを第１使用者の情報にマッピングして保存することができる(Ｓ７５０)。

【0093】

制御モジュール１２７は第１使用者がインテリアーサービスで提供する所定の客体に対する情報を要請する場合、判別されたスタイルを基礎でスタイルのメタデータがマッピングされている客体情報を推薦することができる。インテリアーサービスはインターネットを通じてインテリアー関連用品を販売するショッピングモールサービスまたは３次元仮想空間にインテリアー要素を配置することができるインターネット仮想空間提供サービスを含むことができる。制御モジュール１２７は第１使用者がショッピングモールサービスで所定商品のキーワードを入力する場合、前記キーワードにマッピングされている商品情報のうちで第１使用者にマッピングされたスタイルのメタデータがマッピングされている商品情報を優先的に出力することができる。制御モジュール１２７は第１使用者がインターネット仮想空間サービスで壁紙、底材料及び事物のうちで何れか一つのインテリアー要素に対する情報を要請する場合、前記要請したインテリアー要素のうちで第１使用者にマッピングされたスタイルのメタデータがマッピングされているインテリアー要素を優先的に出力することができる。

【0094】

前述した実施例によると、使用者がＳＮＳに作成したテキストの内容と該当使用者が好むインテリアースタイルとの間の相関関係を導出することができる神経網モデルを生成することができるし、このような神経網モデルを多様なインテリアーサービスに活用して使用者の選好スタイルに対応される商品を優先的に推薦して使用者に便宜性を提供することができる。

【0095】

前述した本発明の実施例らは、多様な手段を通じて具現されることができる。例えば、本発明の実施例らはハードウェア、ファームウエア(firmware)、ソフトウェアまたはそれらの結合などによって具現されることができる。

【0096】

ハードウェアによる具現の場合、本発明の実施例らによる方法は一つまたはその以上のASICs(Application Specific Integrated Circuits)、DSPs(Digital Signal Processors)、DSPDs(Digital Signal Processing Devices)、PLDs(Programmable Logic Devices)、FPGAs(Field Programmable Gate Arrays)、プロセッサ、コントローラー、マイクロコントローラー、マイクロプロセッサーなどによって具現されることができる。

【0097】

ファームウエアやソフトウェアによる具現の場合、本発明の実施例らによる方法は、以上で説明された機能または動作を遂行するモジュール、手続きまたは関数などの形態で具現されることができる。ソフトウェアコードなどが記録されたコンピュータープログラムはコンピューター判読可能記録媒体またはメモリーユニットに保存されてプロセッサによって駆動されることができる。メモリーユニットはプロセッサ内部または外部に位置して、既に公知された多様な手段によってプロセッサとデータを取り交わすことができる。

【0098】

また、本発明に添付されたブロック図の各ブロックと流れ図の各段階の組合らはコンピュータープログラムインストラクションらによって遂行されることもできる。これらコンピュータープログラムインストラクションらは汎用コンピューター、特殊用コンピューターまたは、その他プログラム可能なデータプロセッシング装備のエンコードプロセッサに搭載されることができるので、コンピューターまたはその他のプログラム可能なデータプロセッシング装備のエンコードプロセッサを通じて遂行されるそのインストラクションらがブロック図の各ブロックまたは流れ図の各段階で説明された機能らを遂行する手段を生成するようになる。これらコンピュータープログラムインストラクションらは特定方法で機能を具現するためにコンピューターまたはその他のプログラム可能なデータプロセッシング装備を志向することができるコンピューター利用可能またはコンピューター判読可能メモリーに保存されることも可能であるので、そのコンピューター利用可能またはコンピューター判読可能メモリーに保存されたインストラクションらはブロック図の各ブロックまたは流れ図の各段階で説明された機能を遂行するインストラクション手段を内包する製造品目を生産することも可能である。コンピュータープログラムインストラクションらはコンピューターまたはその他のプログラム可能なデータプロセッシング装備上に搭載されることも可能であるので、コンピューターまたはその他のプログラム可能なデータプロセッシング装備上で一連の動作段階らが遂行されてコンピューターで実行されるプロセスを生成してコンピューターまたはその他のプログラム可能なデータプロセッシング装備を遂行するインストラクションらはブロック図の各ブロック及び流れ図の各段階で説明された機能らを実行するための段階らを提供することも可能である。

【0099】

併せて、各ブロックまたは各段階は特定された論理的機能を実行するための一つ以上の実行可能なインストラクションらを含むモジュール、セグメントまたはコードの一部を示すことができる。また、幾つかの代替実施例らではブロックらまたは段階らで言及された機能らが手順を脱して発生することも可能であることを注目しなければならない。例えば、相次いで図示されている二つのブロックらまたは段階らは実は実質的に同時に遂行されることも可能であり、またはそのブロックらまたは段階らが時々該当する機能によって逆順で遂行されることも可能である。

【0100】

このように、本発明が属する技術分野の当業者は本発明がその技術的思想や必須特徴を変更しなくても、他の具体的な形態で実施されることができるということを理解することができるであろう。それで、以上で記述した実施例らはすべての面で例示的で限定的ではないものとして理解しなければならない。本発明の範囲は詳細な説明よりは後述する特許請求範囲によって示され、特許請求範囲の意味及び範囲、そして、その等価概念から導出されるすべての変更または変形された形態が本発明の範囲に含まれることで解釈されなければならない。

【符号の説明】

【0101】

１００ スタイル分析モデル提供装置
１１０ メモリー
１２０ プロセッサ
１３０ 入力インターフェース
１４０ ディスプレイ部
１５０ 通信インターフェース

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図5A】

【図5B】

【図6A】

【図6B】

【図7】

【国際調査報告】