패션 이커머스 시장이 빠르게 발전하면서 이커머스 플랫폼에 하루 수 만개의 상품이 등록되고 있다. 상품 등록은 개인 판매자가 패션 이커머스 플랫폼에 직접 상품 카테고리를 설정 후 등록한다. 하지만 개인 판매자가 상품에 적합한 카테고리를 찾지 못하고 잘못된 카테고리로 매칭해 등록하는 경우가 많다. 검색의 최적화와 상품의 정확한 노출을 통해 매출을 높이기 위해서는 올바른 카테고리 매칭이 중요하다. 하지만, 플랫폼의 관리자가 잘못 등록된 카테고리를 수동으로 올바른 카테고리로 매칭해주는 것은 많은 시간과 비용이 필요하다는 문제점이 있다. 이 문제를 해결하기 위해 본 연구에서는 ...
패션 이커머스 시장이 빠르게 발전하면서 이커머스 플랫폼에 하루 수 만개의 상품이 등록되고 있다. 상품 등록은 개인 판매자가 패션 이커머스 플랫폼에 직접 상품 카테고리를 설정 후 등록한다. 하지만 개인 판매자가 상품에 적합한 카테고리를 찾지 못하고 잘못된 카테고리로 매칭해 등록하는 경우가 많다. 검색의 최적화와 상품의 정확한 노출을 통해 매출을 높이기 위해서는 올바른 카테고리 매칭이 중요하다. 하지만, 플랫폼의 관리자가 잘못 등록된 카테고리를 수동으로 올바른 카테고리로 매칭해주는 것은 많은 시간과 비용이 필요하다는 문제점이 있다. 이 문제를 해결하기 위해 본 연구에서는 멀티모달과 전이학습 기반의 패션 이커머스 상품 분류 방법론을 제안한다. 제안하는 방법론을 통해, 패션 이커머스 상품 분류가 어려운 세 가지 이유를 해결했다. 첫째, 이커머스 데이터가 극도로 편향되어 있는 문제점을 언더샘플링을 활용해 해결했다. 둘째, 이커머스 데이터는 노이즈가 있는 저품질 데이터라는 문제점을 해결하기 위해, 서로 다른 양식의 데이터를 동시에 모델의 입력 데이터로 활용하는 멀티모달 딥러닝을 활용했다. 이를 통해 모델에 더 많은 정보를 제공하고 노이즈의 영향도를 줄였다. 마지막으로 이미지와 텍스트 같은 데이터를 동시에 활용해 딥러닝 모델을 훈련할 때 많은 컴퓨팅 자원과 오랜 학습시간이 필요한 문제점을 전이학습을 활용해 해결했다. 본 연구에서는 이미지와 텍스트 모듈의 전이학습 3가지 전략을 제시했다. 또한, 각 단일 모달에서 추출한 특징벡터를 하나로 융합(Fusion)하는 5가지 방법론과 멀티모달 모델의 파인튜닝(Fine-Tuning) 6가지 전략, 총 14가지 전략을 제시했다. 이 전략들을 참고해 패션 이커머스 실무자들이 각자의 비즈니스 환경에 최적화된 모델을 구성할 때 도움이 될 것으로 기대한다.
패션 이커머스 시장이 빠르게 발전하면서 이커머스 플랫폼에 하루 수 만개의 상품이 등록되고 있다. 상품 등록은 개인 판매자가 패션 이커머스 플랫폼에 직접 상품 카테고리를 설정 후 등록한다. 하지만 개인 판매자가 상품에 적합한 카테고리를 찾지 못하고 잘못된 카테고리로 매칭해 등록하는 경우가 많다. 검색의 최적화와 상품의 정확한 노출을 통해 매출을 높이기 위해서는 올바른 카테고리 매칭이 중요하다. 하지만, 플랫폼의 관리자가 잘못 등록된 카테고리를 수동으로 올바른 카테고리로 매칭해주는 것은 많은 시간과 비용이 필요하다는 문제점이 있다. 이 문제를 해결하기 위해 본 연구에서는 멀티모달과 전이학습 기반의 패션 이커머스 상품 분류 방법론을 제안한다. 제안하는 방법론을 통해, 패션 이커머스 상품 분류가 어려운 세 가지 이유를 해결했다. 첫째, 이커머스 데이터가 극도로 편향되어 있는 문제점을 언더샘플링을 활용해 해결했다. 둘째, 이커머스 데이터는 노이즈가 있는 저품질 데이터라는 문제점을 해결하기 위해, 서로 다른 양식의 데이터를 동시에 모델의 입력 데이터로 활용하는 멀티모달 딥러닝을 활용했다. 이를 통해 모델에 더 많은 정보를 제공하고 노이즈의 영향도를 줄였다. 마지막으로 이미지와 텍스트 같은 데이터를 동시에 활용해 딥러닝 모델을 훈련할 때 많은 컴퓨팅 자원과 오랜 학습시간이 필요한 문제점을 전이학습을 활용해 해결했다. 본 연구에서는 이미지와 텍스트 모듈의 전이학습 3가지 전략을 제시했다. 또한, 각 단일 모달에서 추출한 특징벡터를 하나로 융합(Fusion)하는 5가지 방법론과 멀티모달 모델의 파인튜닝(Fine-Tuning) 6가지 전략, 총 14가지 전략을 제시했다. 이 전략들을 참고해 패션 이커머스 실무자들이 각자의 비즈니스 환경에 최적화된 모델을 구성할 때 도움이 될 것으로 기대한다.
As the fashion e-commerce market rapidly develops, tens of thousands of products are registered on the e-commerce platform every day. Individual sellers register products after setting up a product category directly on the fashion e-commerce platform. However, there are many cases in whi...
As the fashion e-commerce market rapidly develops, tens of thousands of products are registered on the e-commerce platform every day. Individual sellers register products after setting up a product category directly on the fashion e-commerce platform. However, there are many cases in which individual sellers fail to find a suitable category for their product and register their products to the incorrect category. Precise category matching is important for increasing sales through search optimization and accurate product exposure. However, manually matching an incorrectly registered category to the correct category is time-consuming and costly for the platform managers. To resolve this problem, this study proposes a methodology for fashion e-commerce product classification based on multi-modal and transfer learning. Through the proposed methodology, three challenges in classifying fashion e-commerce products are addressed. First, the problem of extremely biased e-commerce data is resolved through using an under-sampling method. Second, multi-modal deep learning simultaneously uses data of different formats as input data for the model to solve the issue of low-quality data with noise in e-commerce data. This provides more information to the model and reduces the impact of noise. Finally, when training a deep learning model using data, such as images and text simultaneously, the requirement of significant computing resources and extensive training periods is addressed by utilizing transfer learning. In this study, three strategies for transfer learning to fine-tune image and text modules are presented. In addition, five methodologies to fuse feature vectors extracted from a single modal into one and six strategies for fine-tuning multi-modal models are presented, featuring a total of 14 strategies. By referring to these strategies, fashion e-commerce practitioners can more efficiently construct models optimized for their respective business environments.
As the fashion e-commerce market rapidly develops, tens of thousands of products are registered on the e-commerce platform every day. Individual sellers register products after setting up a product category directly on the fashion e-commerce platform. However, there are many cases in which individual sellers fail to find a suitable category for their product and register their products to the incorrect category. Precise category matching is important for increasing sales through search optimization and accurate product exposure. However, manually matching an incorrectly registered category to the correct category is time-consuming and costly for the platform managers. To resolve this problem, this study proposes a methodology for fashion e-commerce product classification based on multi-modal and transfer learning. Through the proposed methodology, three challenges in classifying fashion e-commerce products are addressed. First, the problem of extremely biased e-commerce data is resolved through using an under-sampling method. Second, multi-modal deep learning simultaneously uses data of different formats as input data for the model to solve the issue of low-quality data with noise in e-commerce data. This provides more information to the model and reduces the impact of noise. Finally, when training a deep learning model using data, such as images and text simultaneously, the requirement of significant computing resources and extensive training periods is addressed by utilizing transfer learning. In this study, three strategies for transfer learning to fine-tune image and text modules are presented. In addition, five methodologies to fuse feature vectors extracted from a single modal into one and six strategies for fine-tuning multi-modal models are presented, featuring a total of 14 strategies. By referring to these strategies, fashion e-commerce practitioners can more efficiently construct models optimized for their respective business environments.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.