KR20230144455A - 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 - Google Patents
인공지능 기반 온라인 위조상품 단속 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230144455A KR20230144455A KR1020220184381A KR20220184381A KR20230144455A KR 20230144455 A KR20230144455 A KR 20230144455A KR 1020220184381 A KR1020220184381 A KR 1020220184381A KR 20220184381 A KR20220184381 A KR 20220184381A KR 20230144455 A KR20230144455 A KR 20230144455A
- Authority
- KR
- South Korea
- Prior art keywords
- counterfeit
- seller
- product
- products
- sellers
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- OWZREIFADZCYQD-NSHGMRRFSA-N deltamethrin Chemical compound CC1(C)[C@@H](C=C(Br)Br)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 OWZREIFADZCYQD-NSHGMRRFSA-N 0.000 title claims abstract description 32
- 230000004044 response Effects 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims 4
- 229910052709 silver Inorganic materials 0.000 claims 4
- 239000004332 silver Substances 0.000 claims 4
- 230000011218 segmentation Effects 0.000 claims 2
- 239000000284 extract Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000005336 cracking Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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]
- G06Q30/0623—Item investigation
-
- 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
- G06Q50/10—Services
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19013—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예에 따른 인공지능 기반 온라인 위조상품 단속 시스템 및 방법은 가품을 취급하는 온라인 판매 그룹인 가품 셀러 그룹을 고유 키값에 따라 생성하고, 가품 셀러 그룹에서 취급하는 가품이 지속적으로 노출될 경우, 각 셀러 그룹에서 취급하는 가품 및 셀러에 대한 자동화된 대응 절차를 제공한다.
또한, 실시예에서는 가품지수(Counterfeit Rating) 및 셀러의 위협 레벨(Seller threat level)을 산출하여 가품지수과 개별 셀러의 위험도에 따른 대응 정책 및 프로세스를 제공한다.
또한, 실시예에서는 관리자 단말로부터 신고된 가품 셀러에 해당하는 셀러 그룹을 추출하고, 추출된 셀러 그룹에 매칭된 정책 및 프로세스에 따라 신고된 가품 셀러를 처리할 수 있도록 한다.
또한, 실시예에서는 가품지수(Counterfeit Rating) 및 셀러의 위협 레벨(Seller threat level)을 산출하여 가품지수과 개별 셀러의 위험도에 따른 대응 정책 및 프로세스를 제공한다.
또한, 실시예에서는 관리자 단말로부터 신고된 가품 셀러에 해당하는 셀러 그룹을 추출하고, 추출된 셀러 그룹에 매칭된 정책 및 프로세스에 따라 신고된 가품 셀러를 처리할 수 있도록 한다.
Description
본 개시는 인공지능 기술에 기반한 온라인 위조상품 단속 시스템 및 방법에 관한 것으로 구체적으로, 가품을 취급하는 온라인 판매(seller) 그룹을 생성하여 온라인에서 유통되는 가품 및 가품 판매처를 단속하는 시스템 및 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
2017년 기준 전세계 위조상품 판매 규모는 26조원으로 매년 지속적으로 성장하고 있다. 특히, 코로나 바이러스 대유행으로 온라인 쇼핑이 급증함에 따라 가품의 판매 유형도 온라인 판매로 급변하고 있다. 하지만, 온라인상 가품의 실제 단속 실적은 전체 시장의 0.26%에 불과하다. 위조 상품 시장 규모는 브랜드의 위조품을 역수입하는 방식으로 커지는 추세이다. 또한, SNS를 이용한 오픈마켓을 통해 생계형 레플리카 형태로 조직화되고 있다. 뿐만 아니라 오픈마켓의 자동 등록 기능을 이용해 대량의 위조품 개별 상점을 운영하거나 새벽 시간대 판매, 폐쇄형 상점 운영 등으로 위조상품의 지능화된 판매 행태가 지속으로 확장되고 있다. 최근에는 위조품 제작 사이클이 단축되고, 구매력이 약한 젊은 층의 위조품 이용에 대한 문제 의식이 무뎌는 추세이다.
온라인 판매는 물리적인 장소를 필요로 하지 않으므로, 단속이 어렵기 때문에 최근에는 온라인 가품 판매의 형태가 오픈 마켓, 해외 직구, 소셜 미디어, 라이브 커머스 등의 다양한 형태로 진화하고 있다. 또한, 온라인 가품 판매 업체는 판매 게시글을 삭제하고 그 계정을 삭제하더라도 새로운 계정으로 온라인 판매를 반복하고 있고, 판매자가 해외에 거주하는 경우에는 판매자에 대한 법적 조치가 쉽지 않다.
지식산업사회에 있어 브랜드라는 무형 자산은 기업의 가장 큰 가치이지만, 가품 판매는 정상 제품의 판매를 감소시키고, 기업이 수년간 쌓아 올린 브랜드 이미지를 희석하여(brand dilution) 기업의 유, 무형적 가치를 훼손한다. 특히, 소비자가 가품을 정품으로 오인하여 구매하는 경우 소비자는 직접적인 손해를 입게 되고, 이를 회복하기 위한 절차도 용이하지 않은 실정이다.
중소기업의 경우 소비자가 온라인에서 가품을 구매하더라도 이를 인지하기 어렵기 때문에, 소비자의 신뢰를 잃게 되어 사용자 이탈이 가속화되어 매출이 감소함으로써, 기업에 큰 타격을 입을 수 있다. 이 때문에, 중소기업 및 온라인 스토어 입장에서 온라인 상의 가품 셀러 및 가품 탐지는 매우 중요한 이슈이다.
실시예에 따른 인공지능 기반 온라인 위조상품 단속 시스템 및 방법은 가품을 취급하는 온라인 판매 그룹인 가품 셀러 그룹을 고유 키값에 따라 생성하고, 가품 셀러 그룹에서 취급하는 가품이 지속적으로 노출될 경우, 각 셀러 그룹에서 취급하는 가품 및 셀러에 대한 자동화된 대응 절차를 제공한다.
또한, 실시예에서는 가품지수(Counterfeit Rating) 및 셀러의 위협 레벨(Seller threat level)을 산출하여 가품지수과 개별 셀러의 위험도에 따른 대응 정책 및 프로세스를 제공한다.
또한, 실시예에서는 관리자 단말로부터 신고된 가품 셀러에 해당하는 셀러 그룹을 추출하고, 추출된 셀러 그룹에 매칭된 정책 및 프로세스에 따라 신고된 가품 셀러를 처리할 수 있도록 한다.
실시예에 따른 인공지능 기반 온라인 위조상품 단속 시스템은 가품 판매 셀러가 이용하는 이미지, 가품 판매 셀러 이름, 셀러 웹페이지, URL, 아웃링크, 아이디, 오픈채팅데이터를 포함하는 가품 셀러 정보를 수집하는 가품 셀러 정보 수집 모듈; 수집된 가품 셀러 정보를 기반으로 가품 셀러를 그룹핑(grouping)하여, 가품 셀러 그룹을 생성하는 셀러 그룹 생성 모듈; 개별 가품의 위험도 및 개별 가품 셀러의 위협도를 산출하는 산출모듈; 및 생성된 가품 셀러 그룹에 매칭된 대응 절차에 따라 상기 가품 셀러 그룹 및 상기 가품 셀러 그룹에서 취급하는 가품이 온라인에서 삭제되도록 처리하는 대응 모듈; 을 포함한다.
다른 실시예에 따른 인공지능 기반 온라인 위조상품 단속 방법은 (A) 가품 셀러 정보 수집 모듈에서 가품 판매 셀러가 이용하는 이미지, 가품 판매 셀러 이름, 셀러 웹페이지, URL, 아웃링크, 아이디, 오픈채팅데이터를 포함하는 가품 셀러 정보를 수집하는 단계; (B) 셀러 그룹 생성 모듈에서 수집된 가품 셀러 정보를 기반으로 가품 셀러를 그룹핑(grouping)하여, 가품 셀러 그룹을 생성하는 단계; (C) 산출모듈에서 개별 가품의 위험도 및 개별 가품 셀러의 위협도를 산출하는 단계; 및 (D) 대응 모듈에서 생성된 가품 셀러 그룹에 매칭된 대응 절차에 따라 상기 가품 셀러 그룹 및 상기 가품 셀러 그룹에서 취급하는 가품이 온라인에서 삭제되도록 처리하는 단계; 를 포함한다.
이상에서와 같은 인공지능 기반 온라인 위조상품 단속 시스템 및 방법은 가품 탐지, 가품 확인, 후속 절차 진행의 개별 과정 없이 셀러 그룹에 매칭된 하나의 대응 과정을 통해 가품을 단속함으로써, 온라인에서 유통되는 가품 단속 시 번거로움을 해소할 수 있도록 한다.
또한, 셀러 그룹에 매칭된 자동화된 대응 절차를 통해, 온라인 상 가품 셀러 및 가품 노출을 신속하게 중단시켜 업체의 손실을 최소화한다.
또한, 가품을 판매하는 온라인 셀러(Seller) 그룹을 고유 키값에 따라 생성하고 생성된 셀러 그룹 별 대응 프로세스를 제공하여 해당 셀러가 취급하는 가품에 신속하게 대응할 수 있도록 한다.
또한, 각 셀러 그룹에서 취급하는 가품 및 셀러에 대한 자동화된 대응 절차를 제공함으로써, 온라인상 가품 단속 효율을 향상시킬 수 있다.
또한, 셀러 그룹 별 자동화된 대응 절차를 통해 온라인상 가품 셀러 및 가품 노출을 신속하게 중단시켜 업체의 손실을 최소화할 수 있다.
또한, 셀러 그룹을 생성에 이용하는 셀러의 고유 키 값을 통해 가품 셀러를 정확하게 판별하고, 가품 셀러에 신속하게 대응하여 중소기업의 브랜드 보호 및 기업경쟁력의 확보에 기여할 수 있도록 한다.
또한, 브랜드 기준에서의 가품 판매 데이터와 플랫폼 기준에서의 가품 판매 데이터를 동시에 확보하여, 크로스 탐지에 의한 가품 탐지 효율 및 신뢰도를 향상시킬 수 있도록 한다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 실시예에 따른 인공지능 기반 온라인 위조상품 단속 시스템 구성을 나타낸 도면
도 2는 실시예에 따른 가품 단속 서버의 데이터 처리 구성을 나타낸 도면
도 3은 인공지능 기반 온라인 위조상품 단속 시스템의 가품 및 가품 셀러 탐지 통계를 나타내는 사용자 인터페이스 실시예를 나타낸 도면
도 4는 셀러의 위협 레벨 정보를 제공하는 사용자 인터페이스 실시예를 나타낸 도면
도 5는 가품의 위험도인 가품지수 정보를 제공하는 사용자 인터페이스 실시예를 나타낸 도면
도 6은 실시예에 따른 가품 단속 서버의 데이터 처리 과정을 나타낸 도면
도 2는 실시예에 따른 가품 단속 서버의 데이터 처리 구성을 나타낸 도면
도 3은 인공지능 기반 온라인 위조상품 단속 시스템의 가품 및 가품 셀러 탐지 통계를 나타내는 사용자 인터페이스 실시예를 나타낸 도면
도 4는 셀러의 위협 레벨 정보를 제공하는 사용자 인터페이스 실시예를 나타낸 도면
도 5는 가품의 위험도인 가품지수 정보를 제공하는 사용자 인터페이스 실시예를 나타낸 도면
도 6은 실시예에 따른 가품 단속 서버의 데이터 처리 과정을 나타낸 도면
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 실시예에 따른 인공지능 기반 온라인 위조상품 단속 시스템 구성을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 인공지능 기반 온라인 위조상품 단속 시스템은 가품 단속 서버(100), 정품 생산 업체(200) 및 관리자 단말(300)을 포함하여 구성될 수 있다.
실시예에서 가품 단속 서버(100)는 가품을 취급하는 온라인 셀러 그룹을 생성하여 해당 셀러 그룹이 취급하는 가품 및 셀러 그룹을 단속하기 위한 대응 프로세스를 제공한다. 또한, 가품 단속 서버(100)는 상품 별 가품지수(Counterfeit Rating) 및 셀러의 위협도(Seller threat level)을 산출하여 가품지수과 개별 셀러의 위협도에 따른 정책과 대응 프로세스를 제공한다.
정품 생산 업체(200)는 가품 단속 서버(100)로부터 가품 취급 셀러 그룹 정보 및 온라인상 불법 유통되는 가품 정보를 전달받아 확인하고, 이에 대한 법적 조치 및 노출 삭제 조치를 수행한다.
실시예에서 관리자 단말(300)은 웹 서핑 중 가품 셀러 또는 가품 판매 페이지에 접속한 경우, 접속한 페이지 정보를 가품 단속 서버(100)로 전송하여 온라인상 가품 판매를 관리자가 직접 단속할 수 있다.
실시예에서는 가품을 취급하는 온라인 판매 그룹인 가품 셀러 그룹을 고유한 키값에 따라 생성하고, 각 셀러 그룹에서 취급되는 상품들이 온라인상에 지속적으로 노출되는 경우, 셀러 그룹에서 취급하는 가품에 자동화된 대응 절차를 제공한다. 실시예에서는 가품 탐지, 가품 확인, 후속 절차 진행의 개별 과정 없이 셀러 그룹에 매칭된 하나의 대응 과정을 통해 가품을 단속함으로써, 온라인에서 유통되는 가품 단속 시 번거로움을 해소할 수 있도록 한다. 또한, 셀러 그룹에 매칭된 자동화된 대응 절차를 통해, 온라인 상 가품 셀러 및 가품 노출을 신속하게 중단시켜 업체의 손실을 최소화한다.
도 2는 실시예에 따른 가품 단속 서버의 데이터 처리 구성을 나타낸 도면이다.
도 2를 참조하면, 실시예에 따른 가품 단속 서버(100)는 가품 셀러 정보 수집 모듈(110), 셀러 그룹 생성 모듈(120), 산출 모듈(130), 대응 모듈(140)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
가품 셀러 정보 수집 모듈(110)은 가품 판매 셀러가 이용하는 이미지, 가품 판매 셀러 이름, 셀러 URL, 아웃링크, 아이디, 오픈채팅데이터를 포함하는 가품 셀러 정보를 수집한다. 실시예에서 아웃링크는 상품 결재 및 구매를 유도하기 위해 검색 포털 외부에서 연결되는 브라우저 정보를 포함할 수 있다. 아이디 및 오픈 채팅 데이터는 인스턴트 메신저 플랫폼(예컨대, 카카오톡)에서 제공하는 실시간 텍스트 통신 서비스를 이용하기 위해 필요한 인증 데이터 및 채팅방 링크 정보를 포함할 수 있다.
셀러 그룹 생성 모듈(120)은 수집된 가품 셀러 정보를 기반으로 가품 셀러 그룹을 정의하고 가품 셀러 그룹을 생성한다. 실시예에서 셀러 그룹 생성 모듈(120)은 가품 판매 셀러가 이용하는 이미지, 셀러 URL, 구매를 유도하는 아웃링크, 플랫폼 별 아이디 및 오픈채팅데이터 등 셀러 별 고유 키값(unique key)을 정의하고, 정의된 고유 키값에 따라 셀러 그룹을 생성할 수 있다. 예컨대, 특정 이미지를 셀러 1,2,3이 가품 판매에 이용하는 경우, 셀러 그룹 생성 모듈(120)은 특정 이미지를 고유 키값으로 정의하고, 고유 키값에 해당하는 이미지를 이용하는 셀러 1,2,3을 그룹핑(Grouping)하여 셀러 그룹을 생성할 수 있다. 또한, 실시예에서는 인스턴트 메신저 플랫폼에 동일한 아이디로 로그인 하거나, 동일한 오픈 채팅방 링크를 사용하는 하나 이상의 셀러를 그룹핑하여 셀러 그룹을 생성할 수 있다. 예컨대, 셀러 그룹 생성 모듈(120)은 아이디 또는 채팅방 링크를 고유 키값으로 정의하고, 고유 키 값에 해당하는 아이디 또는 채팅방 링크를 사용하는 하나 이상의 셀러를 그룹핑하여 셀러 그룹을 생성할 수 있다.
실시예에서 셀러 그룹 생성 모듈(120)은 정의된 고유 키 값이 이미지인 경우 인공지능 머신러닝을 통한 이미지 인식을 통해 고유 키 값을 확장하고, 해당 이미지를 이용하는 셀러 그룹을 생성할 수 있다. 실시예에서 셀러 그룹 생성 모듈(120)은 인공지능 머신러닝을 통한 이미지 인식(image recognition)과정을 통해 가품 셀러가 이용하는 이미지를 파악하고, 이미지에 포함된 객체 및 배경을 인식하여 가품 셀러 별 고유 이미지 정보를 파악할 수 있다. 실시예에서는 이미지 인식을 위해, 이미지에 포함된 가품 객체와 배경을 분류(classification), 검출(detection)하고, 객체를 픽셀 단위로 식별하여 분할(segmentation)하는 데이터 처리 과정을 수행할 수 있다. 또한, 실시예에서 셀러 그룹 생성 모듈(120)은 노이즈 대응 외 학습하지 못한 패턴 처리를 위해 학습 외 분포 데이터 탐지(out of distribution detection)과정을 수행할 수 있다. 학습 외 분포 데이터 탐지는 인공지능에 입력된 이미지가 학습된 확률분포 데이터 인지 아닌지 식별하는 것이다. 실시예에서는 학습 외 분포 데이터 탐지를 통해 인공 신경망이 판단하기 어려운 이미지를 걸러내거나 예외 처리하여 안정성과 신뢰성을 높일 수 있도록 한다. 또한, 실시예에서는 학습 외 분포 데이터 탐지를 위해서 딥러닝 판정에 대해 얼마나 확신(confidence)하는지를 나타내는 확률 값을 보정(calibration)하거나 학습 외 분포 데이터를 생성적 대립 신경망(GAN, Generative Adversarial Network)으로 생성하고 학습하여 탐지 정확도를 향상시킬 수 있도록 한다.
또한, 실시예에서는 가품 셀러 별 이미지 인식 정확도를 유지하면서 모델의 크기를 줄이기 위해, 연산을 간소화하는 경량 딥러닝 기술을 이용하여 가품 셀러 별 고유 이미지를 확정하고 이를 확장할 수 있도록 한다. 실시예에서는 이미지 인식을 위해 콘볼루션 신경망(CNN, Convolution Neural Network)에서 콘볼루션 필터를 변형하여 연산 차원을 축소(Reduction)하거나 큰 영향이 없는 신경망의 가중치(weight)를 삭제하는 가지치기, 가중치 값의 부동 소수점을 줄여 연산을 간소화하는 양자화 과정을 수행하여 데이터 경량화를 가능하도록 한다. 또한, 실시예에서는 미리 학습시킨 큰 신경망의 출력을 작은 신경망에서 모방 학습하도록 하여 연산을 간소화하며 정확도를 유지할 수 있도록 한다.
산출모듈(130)은 온라인상에서 수집된 가품 각각의 가품지수 및 개별 셀러 위협도를 산출한다. 실시예에서 가품지수(Counterfeit Rating)란 개별 상품 단위에서 측정되는 위험도로서, 온라인상 유통되는 가품이 정품으로 인식될 가능성 및 정품 판매에 미치는 위협도를 정량화 한 수치이다.
실시예에서 가품지수는 정품위협요소에 따라 산출할 수 있다. 정품위협요소는 온라인상에서 판매되는 가품의 팩터(factor) 정보로서, 가품의 가격, 노출기간, 누적판매횟수, 침해유형, 가품의 가시성, 가품 판매 기간, 정품과의 가격 차이 등의 세부정보가 포함될 수 있다. 실시예에서 침해 유형은 가품의 종류 및 침해 정보로서, 위조여부, 모조여부, 저작권침해여부, 부정경쟁방지법 위반 여부 등을 포함할 수 있다. 침해 상품의 가시성은 검색 엔진에서의 가품 검색 가능 여부, 검색 노출 비율, 가품의 노출 빈도 등을 포함할 수 있다.
실시예에서 가품지수는 가품 가격과 정품 가격의 차이에 반비례하고, 노출기간과 누적 판매 횟수에 비례하도록 산출될 수 있다. 또한, 실시예에서는 정품 위협 요소 각각에 가중치를 부여하여 가품지수를 산출할 수 있다.
가품을 대단위로 리스팅(listing)하는 경우 실제로 대응이 시급한 가품을 판별하고 이에 대해 효율적인 대처를 수행하기 어려우므로, 실시예에서는 정품위협요소를 반영한 가품지수를 통해, 정품에 큰 위협을 주는 가품을 신속하게 파악하고, 이에 대한 대응 정책과 절차를 효율적으로 제공할 수 있다.
또한, 산출모듈(130)은 브랜드 세부 정보에 따라 정품위협요소 각각의 가중치를 산출하고 산출된 가중치를 이용하여 가품지수를 파악할 수 있다. 실시예에서 브랜드 세부 정보는 브랜드 판매 실적, 홍보 및 마케팅 상황 정보로서, 정품 판매 기간, 정품의 기간별 매출액, 정품가격, 주요 소비자 정보 등을 포함할 수 있다.
예컨대, 산출모듈(130)은 정품가격이 일정 수준을 초과하는 고가 상품을 위조한 가품의 경우 정품 위협 요소 중 해당 정품과의 가격 차이에 가장 높은 가중치를 부여하여 가품지수를 산출하고, 스테디셀러인 상품을 위조한 가품의 경우 정품 위협 요소 중 가품의 판매 기간에 가장 높은 가중치를 부여하여 가품지수를 산출할 수 있다.
또한, 실시예에서 산출모듈(130)은 브랜드 세부 정보 변화에 따라 정품 위협 지수 각각의 가중치를 조정하여 가품지수를 산출함으로써, 시장과 상품 변화에 따라 가장 위협이 되는 가품을 정확하게 파악하여 신속하게 대응할 수 있도록 한다.
또한, 산출 모듈(130)은 셀러의 위협 레벨(Seller threat level)을 산출한다. 실시예에서 셀러의 위협 레벨은 개별 셀러의 위험도로서, 온라인 상에서 가품을 취급하는 셀러의 영향력을 등급화 한 것이다. 실시예에서 셀러의 위협 레벨은 개별 셀러의 판매 기간, 오인구매(Misleading) 유도요인, 판매 수, 판매가격을 포함하는 위협요소에 따라 산출될 수 있다. 예컨대, 셀러의 위협 레벨은 셀러가 가품을 판매한 기간, 판매가격, 오인구매 유도요인 및 누적 판매 수에 비례하여 결정될 수 있다. 실시예에서 오인구매 유도요인은 정품과의 가격차이 및 제품 상세 설명의 정품 주장 횟수에 따라 측정될 수 있다. 실시예에서 산출 모듈(130)은 제품 상세 페이지에 기재된 텍스트 함의 인식(Text-entailment Recognition)을 통해 정품 주장 횟수를 파악하고 이에 따라 오인구매 유도요인을 측정할 수 있다. 또한, 실시예에서 산출모듈(130)은 인공지능 기반의 텍스트 마이닝(Text mining)을 통해 제품 상세 페이지에서 정보 추출(Information Extraction)을 수행하여 정품 주장 횟수를 측정할 수 있다. 정보추출은 텍스트에서 중요한 의미를 가지는 정보들을 자동으로 추출하는 과정으로서, 실시예에서는 '정품', '진짜', '인증', '확실' 등의 정품 주장 표현에 포함되는 단어를 키워드로 설정하고 키워드 관련 정보추출을 통해, 가품을 설명하는 비정형 문서 내의 정품 주장 횟수를 측정할 수 있다.
또한, 실시예에서 산출모듈(130)은 위협요소에 기반한 셀러 그룹 별 특징을 추출하여, 셀러 그룹의 위협 레벨을 결정할 수 있다. 예컨대, 산출모듈(130)은 셀러 그룹에 포함된 셀러의 가품 판매 기간이 일정 기간을 초과하는 장기간 판매한 셀러(long term seller)이고, 오인구매를 일정 횟수 이상 유도(Misleading)하고, 누적 판매수가 일정 수준을 초과하는 다수 판매자(Heavy seller)인 경우 해당 셀러가 포함된 셀러 그룹의 위협레벨을 최고 등급으로 부여할 수 있다.
또한, 산출모듈(130)은 각 셀러가 취급하는 상품의 가품지수를 산출하고, 산출된 가품지수에 따라 셀러의 위협 레벨을 결정할 수 있다. 실시예에서 셀러의 위협 레벨은 산출된 가품 지수의 범위에 따라 A, B, C, D, E의 등급으로 결정될 수 있다.
대응 모듈(140)은 생성된 가품 셀러 그룹 각각에 매칭된 대응 절차에 따라 가품 셀러 그룹 및 가품 셀러 그룹에서 취급하는 가품을 온라인상에서 삭제하도록 처리한다. 또한, 실시예에 대응 모듈(140)은 등록된 관리자 단말에 의한 가품 셀러 및 가품 신고 정보를 수집하고, 수집된 가품 셀러 및 가품 신고 정보에 해당하는 가품 셀러 그룹을 추출한다. 이후, 실시예에서는 추출된 가품 셀러 그룹에 매칭된 대응 정보에 따라 신고 정보에 포함된 가품 셀러 또는 가품을 처리할 수 있도록 한다.
도 3은 인공지능 기반 온라인 위조상품 단속 시스템의 가품 및 가품 셀러 탐지 통계를 나타내는 사용자 인터페이스 실시예를 나타낸 도면이다.
도 3을 참조하면, 실시예에 따른 위조상품 단속 시스템은 탐지된 가품 및 가품 셀러의 수, 소셜 미디어에서 탐지된 가품 및 셀러 수를 날자 별로 업데이트 하고, 탐지된 가품의 침해 종류(infringement type) 정보를 파악하여 그래프로 나타낼 수 있다. 침해 종류는 위조(counterfeit), 상표침해(trademark infringement), 불공정경쟁(unfair competition), 디자인 침해(design infringement) 등으로 구분될 수 있다. 또한, 실시예에서는 탐지된 가품들의 유통 채널(distribution channel)을 파악하여 채널 별 분포 및 비율에 대한 그래프를 제공할 수 있다.
도 4는 셀러의 위협 레벨 정보를 제공하는 사용자 인터페이스 실시예를 나타낸 도면이다.
도 4를 참조하면, 실시예에 따른 가품 단속 서버는 가품을 유통시키는 셀러를 탐지하고, 셀러의 고유 키 값을 기반으로 셀러 그룹을 생성한다. 실시예에서는 각 셀러 그룹에 포함된 셀러의 수, 전체 가품 수, 업데이트 날짜, 셀러 그룹의 위협레벨(10) 및 게시물 삭제 조치 여부를 파악하여 표 및 그래프 등으로 시각화 하고, 이를 관리자에게 제공할 수 있다. 도 4에 도시된 바와 같이, 셀러 그룹의 위협 레벨(10)은 A 내지 E 등급으로 결정될 수 있다.
도 5는 가품의 위험도인 가품지수 정보를 제공하는 사용자 인터페이스 실시예를 나타낸 도면이다.
도 5를 참조하면, 실시예에 따른 가품 단속 서버는 가품을 유통시키는 웹페이지의 썸네일, 타이틀, 가품 가격, 유통 채널, 셀러, 포스팅 날자, 업데이트 날자, 카테고리, 침해 종류, 가품지수(20), 셀러의 위협레벨, 셀러 그룹, 웹페이지 상태, 삭제 여부 등의 정보를 파악하여 그래프와 표 등의 자료로 시각화 하여 관리자에게 제공할 수 있다. 실시예예서 가품지수는 0점 내지 100 점으로 산출될 수 있고, 가품지수(20)가 일정 수치를 초과하는 경우 가품지수를 색, 폰트, 밑줄 등으로 강조하여 디스플레이 할 수 있다.
이하에서는 인공지능 기반 온라인 위조상품 단속 방법에 대해서 차례로 설명한다. 실시예에 따른 인공지능 기반 온라인 위조상품 단속 방법의 작용(기능)은 인공지능 기반 온라인 위조상품 단속 시스템의 기능과 본질적으로 같은 것이므로 도 1 내지 도 5와 중복되는 설명은 생략하도록 한다.
도 6은 실시예에 따른 가품 단속 서버의 데이터 처리 과정을 나타낸 도면이다.
도 6을 참조하면, S100 단계에서는 가품 셀러 정보 수집 모듈에서 가품 판매 셀러가 이용하는 이미지, 가품 판매 셀러 이름, 셀러 웹페이지, URL, 아웃링크, 아이디, 오픈채팅데이터를 포함하는 가품 셀러 정보를 수집한다.
S200 단계에서는 셀러 그룹 생성 모듈에서 수집된 가품 셀러 정보를 기반으로 가품 셀러를 그룹핑(grouping)하여, 가품 셀러 그룹을 생성한다. 실시예에서는 가품 판매 셀러가 이용하는 이미지, 셀러 웹페이지, URL, 구매를 유도하는 아웃링크, 플랫폼 별 아이디, 및 오픈채팅데이터를 포함하는 고유 키값(unique key)을 정의하고, 정의된 고유 키값에 따라 복수의 셀러를 그룹핑하여 셀러 그룹을 생성할 수 있다.
S300 단계에서는 산출모듈에서 개별 가품의 위험도 및 개별 가품 셀러의 위협도를 산출한다. S300 단계에서는 온라인에서 판매되는 가품의 가격, 검색 포털 노출기간, 누적판매횟수, 정품가격과의 차이, 판매기간을 포함하는 정품위협요소에 따라 가품 별 가품지수(Counterfeit Rating)를 산출한다. 또한, S300 단계에서는 정품과의 가격차이 및 가품 상세 설명 페이지의 정품 주장 횟수에 따라 오인구매 유도요인을 산출한다. 이후, 개별 셀러의 판매 기간, 오인구매 유도요인, 판매 수를 포함하는 셀러위협요소에 따라 셀러의 위협 레벨(Seller threat level)을 결정할 수 있다.
S400 단계에서는 대응 모듈에서 생성된 가품 셀러 그룹에 매칭된 대응 절차에 따라 상기 가품 셀러 그룹 및 상기 가품 셀러 그룹에서 취급하는 가품이 온라인에서 삭제되도록 처리한다. 실시예에서 S400 단계에서는 등록된 관리자 단말로부터 가품 셀러 및 가품 신고 정보를 수집하고, 수집된 신고 정보를 포함하는 가품 셀러 그룹을 추출한다. 이후 추출된 가품 셀러 그룹에 매칭된 대응정보에 따라 가품 셀러 또는 가품이 삭제되도록 처리할 수 있다.
이상에서와 같은 인공지능 기반 온라인 위조상품 단속 시스템 및 방법은 가품 탐지, 가품 확인, 후속 절차 진행의 개별 과정 없이 셀러 그룹에 매칭된 하나의 대응 과정을 통해 가품을 단속함으로써, 온라인에서 유통되는 가품 단속 시 번거로움을 해소할 수 있도록 한다. 또한, 셀러 그룹에 매칭된 자동화된 대응 절차를 통해, 온라인 상 가품 셀러 및 가품 노출을 신속하게 중단시켜 업체의 손실을 최소화할 수 있다. 또한, 각 셀러 그룹에서 취급하는 가품 및 셀러에 대한 자동화된 대응 절차를 제공함으로써, 온라인상 가품 단속 효율을 향상시킬 수 있다. 또한, 셀러 그룹 별 자동화된 대응 절차를 통해 온라인상 가품 셀러 및 가품 노출을 신속하게 중단시켜 업체의 손실을 최소화할 수 있다. 뿐만 아니라, 셀러 그룹을 생성에 이용하는 셀러의 고유 키 값을 통해 가품 셀러를 정확하게 판별하고, 가품 셀러에 신속하게 대응하여 중소기업의 브랜드 보호 및 기업경쟁력의 확보에 기여할 수 있도록 한다. 또한, 브랜드 기준에서의 가품 판매 데이터와 플랫폼 기준에서의 가품 판매 데이터를 동시에 확보하여, 크로스 탐지에 의한 가품 탐지 효율 및 신뢰도를 향상시킬 수 있다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
Claims (6)
- 인공지능 기반 온라인 위조상품 단속 시스템에 있어서,
가품 판매 셀러가 이용하는 이미지, 가품 판매 셀러 이름, 셀러 웹페이지, URL, 아웃링크, 아이디, 오픈채팅데이터를 포함하는 가품 셀러 정보를 수집하는 가품 셀러 정보 수집 모듈;
상기 수집된 가품 셀러 정보를 기반으로 가품 셀러를 그룹핑(grouping)하여, 가품 셀러 그룹을 생성하는 셀러 그룹 생성 모듈;
개별 가품의 위험도 및 개별 가품 셀러의 위협도를 산출하는 산출모듈; 및
상기 생성된 가품 셀러 그룹에 매칭된 대응 절차에 따라 상기 가품 셀러 그룹 및 상기 가품 셀러 그룹에서 취급하는 가품이 온라인에서 삭제되도록 처리하는 대응 모듈; 을 포함하고
상기 셀러 그룹 생성 모듈; 은
가품 판매 셀러가 이용하는 이미지, 셀러 웹페이지, URL, 구매를 유도하는 아웃링크, 플랫폼 별 아이디, 및 오픈채팅데이터를 포함하는 고유 키값(unique key)을 정의하고, 정의된 고유 키값에 따라 복수의 셀러를 그룹핑하여 셀러 그룹을 생성하고,
상기 셀러 그룹 생성 모듈은
정의된 고유 키 값이 이미지인 경우 인공지능 머신러닝을 통한 이미지 인식을 통해 고유 키 값을 확장하고, 이미지에 포함된 가품 객체와 배경을 분류(classification) 및 검출(detection)하고, 객체를 픽셀 단위로 식별하여 분할(segmentation)하는 이미지 인식(image recognition)과정을 통해 가품 셀러가 이용하는 이미지를 파악하고,
상기 셀러 그룹 생성 모듈은
학습하지 못한 패턴의 데이터 처리를 위해, 인공지능신경망에 입력된 이미지가 학습된 확률분포 데이터인지 식별하는 학습 외 분포 데이터 탐지(out of distribution detection)과정을 수행하고,
상기 산출모듈; 은
온라인에서 판매되는 가품의 가격, 검색 포털 노출기간, 누적판매횟수, 정품 가격과의 차이, 판매기간을 포함하는 정품위협요소 각각의 가중치를 산출하고, 산출된 정품위협요소 각각의 가중치를 반영하여, 가품 가격과 정품 가격의 차이에 반비례하고, 노출기간과 누적 판매 횟수에 비례하도록 가품 별 가품지수(Counterfeit Rating)를 산출하고,
상기 산출모듈은
정품가격이 일정 수준을 초과하는 고가 상품을 위조한 가품의 경우 정품 위협 요소 중 정품과의 가격 차이에 가장 높은 가중치를 부여하여 가품지수를 산출하고,
판매기간이 일정 수준을 초과하는 스테디셀러인 상품을 위조한 가품의 경우 정품 위협 요소 중 판매 기간에 가장 높은 가중치를 부여하여 가품지수를 산출하는 것을 특징으로 하는 인공지능 기반 온라인 위조상품 단속 시스템.
- 제1항에 있어서, 상기 산출모듈; 은
개별 셀러의 판매 기간, 오인구매 유도요인, 판매 수를 포함하는 셀러위협요소에 따라 셀러의 위협 레벨(Seller threat level)을 결정하고,
상기 오인구매 유도요인은
정품과의 가격차이 및 가품 상세 설명 페이지의 정품 주장 횟수에 따라 측정되는 것을 특징으로 하는 인공지능 기반 온라인 위조상품 단속 시스템.
- 제1항에 있어서, 상기 대응모듈; 은
등록된 관리자 단말로부터 가품 셀러 및 가품 신고 정보를 수집하고, 수집된 신고 정보를 포함하는 가품 셀러 그룹을 추출하고, 추출된 가품 셀러 그룹에 매칭된 대응정보에 따라 가품 셀러 또는 가품을 처리하는 것을 특징으로 하는 인공지능 기반 온라인 위조상품 단속 시스템.
- 인공지능 기반 온라인 위조상품 단속 방법에 있어서,
(A) 가품 셀러 정보 수집 모듈에서 가품 판매 셀러가 이용하는 이미지, 가품 판매 셀러 이름, 셀러 웹페이지, URL, 아웃링크, 아이디, 오픈채팅데이터를 포함하는 가품 셀러 정보를 수집하는 단계;
(B) 셀러 그룹 생성 모듈에서 상기 수집된 가품 셀러 정보를 기반으로 가품 셀러를 그룹핑(grouping)하여, 가품 셀러 그룹을 생성하는 단계;
(C) 산출모듈에서 개별 가품의 위험도 및 개별 가품 셀러의 위협도를 산출하는 단계; 및
(D) 대응 모듈에서 상기 생성된 가품 셀러 그룹에 매칭된 대응 절차에 따라 상기 가품 셀러 그룹 및 상기 가품 셀러 그룹에서 취급하는 가품이 온라인에서 삭제되도록 처리하는 단계; 를 포함하고
상기 (B)의 단계; 는
가품 판매 셀러가 이용하는 이미지, 셀러 웹페이지, URL, 구매를 유도하는 아웃링크, 플랫폼 별 아이디, 및 오픈채팅데이터를 포함하는 고유 키값(unique key)을 정의하는 단계;
정의된 고유 키값에 따라 복수의 셀러를 그룹핑하여 셀러 그룹을 생성하는 단계;
정의된 고유 키 값이 이미지인 경우 인공지능 머신러닝을 통한 이미지 인식을 통해 고유 키 값을 확장하고, 이미지에 포함된 가품 객체와 배경을 분류(classification) 및 검출(detection)하고, 객체를 픽셀 단위로 식별하여 분할(segmentation)하는 이미지 인식(image recognition)과정을 통해 가품 셀러가 이용하는 이미지를 파악하는 단계; 를 포함하고, 및
학습하지 못한 패턴의 데이터 처리를 위해, 인공지능신경망에 입력된 이미지가 학습된 확률분포 데이터인지 식별하는 학습 외 분포 데이터 탐지(out of distribution detection)과정을 수행하는 단계; 를 포함하고
상기 (C)의 단계; 는
(C-1) 온라인에서 판매되는 가품의 가격, 검색 포털 노출기간, 누적판매횟수, 정품 가격과의 차이, 판매기간을 포함하는 정품위협요소 각각의 가중치를 산출하고, 산출된 정품위협요소 각각의 가중치를 반영하여, 가품 가격과 정품 가격의 차이에 반비례하고, 노출기간과 누적 판매 횟수에 비례하도록 가품 별 가품지수(Counterfeit Rating)를 산출하는 단계; 를 포함하고,
상기 (C-1); 의 단계; 는
정품가격이 일정 수준을 초과하는 고가 상품을 위조한 가품의 경우 정품 위협 요소 중 정품과의 가격 차이에 가장 높은 가중치를 부여하여 가품지수를 산출하는 단계; 및
판매기간이 일정 수준을 초과하는 스테디셀러인 상품을 위조한 가품의 경우 정품 위협 요소 중 판매 기간에 가장 높은 가중치를 부여하여 가품지수를 산출하는 단계; 를 포함하는 것을 특징으로 하는 인공지능 기반 온라인 위조상품 단속 방법.
- 제4항에 있어서, 상기 (C)의 단계; 는
(C-2)정품과의 가격차이 및 가품 상세 설명 페이지의 정품 주장 횟수에 따라 오인구매 유도요인을 산출하는 단계; 및
(C-3)개별 셀러의 판매 기간, 오인구매 유도요인, 판매 수를 포함하는 셀러위협요소에 따라 셀러의 위협 레벨(Seller threat level)을 결정하는 단계; 를 포함하는 것을 특징으로 하는 인공지능 기반 온라인 위조상품 단속 방법.
- 제4항에 있어서, 상기 (D)의 단계; 는
등록된 관리자 단말로부터 가품 셀러 및 가품 신고 정보를 수집하는 단계;
수집된 신고 정보를 포함하는 가품 셀러 그룹을 추출하는 단계; 및
추출된 가품 셀러 그룹에 매칭된 대응정보에 따라 가품 셀러 또는 가품을 처리하는 단계; 를 포함하는 것을 특징으로 하는 인공지능 기반 온라인 위조상품 단속 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220184381A KR102650139B1 (ko) | 2022-04-07 | 2022-12-26 | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220043250A KR102482969B1 (ko) | 2022-04-07 | 2022-04-07 | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 |
| KR1020220184381A KR102650139B1 (ko) | 2022-04-07 | 2022-12-26 | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220043250A Division KR102482969B1 (ko) | 2022-04-07 | 2022-04-07 | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230144455A true KR20230144455A (ko) | 2023-10-16 |
| KR102650139B1 KR102650139B1 (ko) | 2024-03-22 |
Family
ID=84539461
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220043250A KR102482969B1 (ko) | 2022-04-07 | 2022-04-07 | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 |
| KR1020220184381A KR102650139B1 (ko) | 2022-04-07 | 2022-12-26 | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220043250A KR102482969B1 (ko) | 2022-04-07 | 2022-04-07 | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102482969B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102476785B1 (ko) * | 2022-04-11 | 2022-12-14 | 주식회사 페이커즈 | 인공지능 기반 위조 상품 탐지를 위한 이미지 라이브러리 시스템 및 가품 탐지 방법 |
| CN117993935A (zh) * | 2024-02-26 | 2024-05-07 | 广东汇乔科技有限公司 | 一种基于区块链的电商大数据平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090000359A (ko) * | 2007-06-28 | 2009-01-07 | 한국신용정보 주식회사 | 대표자 개인신용과, 쇼핑몰 매출실적 및 민원/분쟁사실의종합적 평가를 통한 판매자 신용 공개 시스템 |
| KR101333748B1 (ko) * | 2013-02-28 | 2013-11-28 | 더치트 주식회사 | 사기 방지 및 범죄 용의자 실시간 추적 방법 및 그 장치 |
| KR101420361B1 (ko) | 2012-07-17 | 2014-07-21 | 석인수 | 큐알코드를 이용한 정품인증시스템과 방법 및 그를 실행하기 위한 프로그램이 기록되는 컴퓨터로 읽을 수 있는 기록매체 |
| KR101795697B1 (ko) | 2016-04-01 | 2017-11-09 | 주식회사 코인플러그 | 진품 관리를 위하여 제품별 주소 및 인덱스를 생성하고 위조품을 검출하는 방법 및 서버 |
| KR102202788B1 (ko) * | 2020-05-04 | 2021-01-14 | 주식회사 아우라제이 | 모조품 판별을 위한 인공지능 장치 및 방법 |
| KR20210009051A (ko) * | 2019-07-16 | 2021-01-26 | 주식회사 구하다 | 블록체인 기반의 쇼핑몰에서 제품을 사전에 검증하는 방법 및 그 시스템 |
-
2022
- 2022-04-07 KR KR1020220043250A patent/KR102482969B1/ko active IP Right Grant
- 2022-12-26 KR KR1020220184381A patent/KR102650139B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090000359A (ko) * | 2007-06-28 | 2009-01-07 | 한국신용정보 주식회사 | 대표자 개인신용과, 쇼핑몰 매출실적 및 민원/분쟁사실의종합적 평가를 통한 판매자 신용 공개 시스템 |
| KR101420361B1 (ko) | 2012-07-17 | 2014-07-21 | 석인수 | 큐알코드를 이용한 정품인증시스템과 방법 및 그를 실행하기 위한 프로그램이 기록되는 컴퓨터로 읽을 수 있는 기록매체 |
| KR101333748B1 (ko) * | 2013-02-28 | 2013-11-28 | 더치트 주식회사 | 사기 방지 및 범죄 용의자 실시간 추적 방법 및 그 장치 |
| KR101795697B1 (ko) | 2016-04-01 | 2017-11-09 | 주식회사 코인플러그 | 진품 관리를 위하여 제품별 주소 및 인덱스를 생성하고 위조품을 검출하는 방법 및 서버 |
| KR20210009051A (ko) * | 2019-07-16 | 2021-01-26 | 주식회사 구하다 | 블록체인 기반의 쇼핑몰에서 제품을 사전에 검증하는 방법 및 그 시스템 |
| KR102202788B1 (ko) * | 2020-05-04 | 2021-01-14 | 주식회사 아우라제이 | 모조품 판별을 위한 인공지능 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102650139B1 (ko) | 2024-03-22 |
| KR102482969B1 (ko) | 2022-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102650139B1 (ko) | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 | |
| CN107437038B (zh) | 一种网页篡改的检测方法及装置 | |
| CN108734184B (zh) | 一种对敏感图像进行分析的方法及装置 | |
| CN103544436A (zh) | 一种钓鱼网站鉴别系统和方法 | |
| CN104156490A (zh) | 基于文字识别检测可疑钓鱼网页的方法及装置 | |
| CN104158828B (zh) | 基于云端内容规则库识别可疑钓鱼网页的方法及系统 | |
| CN105005594A (zh) | 异常微博用户识别方法 | |
| CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
| CN110427628A (zh) | 基于神经网络算法的web资产分类检测方法及装置 | |
| CN108846441A (zh) | 一种图像相似检测方法和装置、计算机可读存储介质 | |
| CN115378629A (zh) | 基于图神经网络的以太坊网络异常检测方法、系统和存储介质 | |
| KR102533239B1 (ko) | 인공지능 기반 위조 상품 탐지를 위한 이미지 라이브러리 시스템 및 가품 탐지 방법 | |
| CN112200196A (zh) | 钓鱼网站检测方法、装置、设备及计算机可读存储介质 | |
| CN114444863A (zh) | 一种企业生产安全评估方法、系统、装置及存储介质 | |
| KR101784559B1 (ko) | 사용자의 소비 패턴/관심사 분석 방법 및 장치 | |
| CN110688455A (zh) | 基于人工智能过滤无效评论的方法、介质及计算机设备 | |
| CN110781497B (zh) | 网页链接的检测方法及存储介质 | |
| CN115953021A (zh) | 一种基于机器学习的供应商风险分析方法及装置 | |
| CN111988327B (zh) | 威胁行为检测和模型建立方法、装置、电子设备及存储介质 | |
| KR102576231B1 (ko) | 위조품 식별을 위한 자연어 처리 방법 및 위조품 탐지 시스템 | |
| CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
| WO2023045535A1 (zh) | 识别图片的方法和装置 | |
| KR102462728B1 (ko) | Esg경영 중요 이슈 선정 방법 | |
| Soldner et al. | Trends in online consumer fraud:: A data science perspective | |
| Khoo et al. | Fraudulent e-commerce website detection model using HTML, text and image features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |