KR102113663B1 - 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치 - Google Patents

디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치 Download PDF

Info

Publication number
KR102113663B1
KR102113663B1 KR1020180124477A KR20180124477A KR102113663B1 KR 102113663 B1 KR102113663 B1 KR 102113663B1 KR 1020180124477 A KR1020180124477 A KR 1020180124477A KR 20180124477 A KR20180124477 A KR 20180124477A KR 102113663 B1 KR102113663 B1 KR 102113663B1
Authority
KR
South Korea
Prior art keywords
input
module
artmap
layer
information
Prior art date
Application number
KR1020180124477A
Other languages
English (en)
Other versions
KR20200043725A (ko
Inventor
김종환
박주연
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020180124477A priority Critical patent/KR102113663B1/ko
Publication of KR20200043725A publication Critical patent/KR20200043725A/ko
Application granted granted Critical
Publication of KR102113663B1 publication Critical patent/KR102113663B1/ko

Links

Images

Classifications

    • 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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 적절한 멀티미디어 또는 서비스를 추천 시 증분 클래스 학습이 가능한 계층적 분류 모델을 제안하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치에 관한 것이다.
이와 같은 본 발명의 특징은 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 이루어진 분류 모듈을 이용하여 계층적 분류가 가능하도록 하는 증분 클래스 학습 방법에 있어서, (a) 서로 다른 채널의 입력 정보가 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 각각 입력되는 단계; (b) 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 차단 ARTMAP 모듈로 입력되어 다음 임의의 계층으로의 증분 정보가 출력되고, 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 분류 ARTMAP 모듈로 입력되어 여기서 이 임의의 계층의 클래스 벡터가 출력되는 단계; 및 (c) 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터가 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가되는 단계를 포함한다.

Description

디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치{Hierarchical classification-based incremental class learning method and computing device for digital storytelling}
본 발명은 적절한 멀티미디어 또는 서비스를 추천 시 증분 클래스 학습이 가능한 계층적 분류 모델을 제안하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치에 관한 것이다.
추천 기술은 추천 대상을 분류하는 기술을 내포한다. 하나의 분류 모델을 기반으로 멀티미디어를 추천하기 위해서는 멀티미디어의 종류(예를 들어; 음악, 사진, 영상 등)를 우선적으로 분류하고 해당 종류에 대한 장르 등 상세한 종류(예를 들어; 여행과 관련된 음악, 음식과 관련된 사진 등)를 분류하여야 하고, 이렇게 하나의 데이터를 계층 구조를 이루는 클래스로 분류하는 것을 계층적 분류라고 한다. 이때 클래스 계층 간의 의존도를 고려하여 계층적 분류를 수행하는 모델을 계층적 분류 모델이라고 하며, 도 6은 일반적인 계층적 분류를 보여주는 도면이다.
사용자와의 상호작용에서 적용될 수 있는 멀티미디어의 추천 기술의 경우 새로운 사용자의 상황 정보와 대화를 반영하여 계속적으로 학습할 수 있다면 변화하는 환경에 대해 지속적으로 대응 가능하고 보다 적절한 멀티미디어 또는 서비스 추천이 가능할 것이다. 하지만 기존 기술에는 새로운 클래스에 대해서 기존 모델을 유지한 채 학습하는 증분 학습이 가능한 계층적 분류 모델이 없다. 또한 기존에는 전체 데이터의 사전 정보를 이용하여 정규화를 진행하여 실시간으로 유입되는 데이터에 대해 대응이 불가능하였다.
KR 10-1738142 B1
본 발명은 이와 같은 문제점을 해결하기 위하여 창안된 것으로서, 실시간으로 제공되는 입력 데이터에 대해서 학습이 가능하도록 적절한 멀티미디어 또는 서비스를 추천 시 실시간으로 제공되는 입력 데이터에 대해서 증분 클래스 학습이 가능하도록 계층적 분류 모델을 제안하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 시스템에 관한 것이다.
이와 같은 목적을 달성하기 위하여 본 발명에 따른 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 이루어진 분류 모듈을 이용하여 계층적 분류가 가능하도록 하는 증분 클래스 학습 방법에 있어서, (a) 서로 다른 채널의 입력 정보가 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 각각 입력되는 단계; (b) 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 차단 ARTMAP 모듈로 입력되어 다음 임의의 계층으로의 증분 정보가 출력되고, 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 분류 ARTMAP 모듈로 입력되어 여기서 이 임의의 계층의 클래스 벡터가 출력되는 단계; 및 (c) 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터가 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가되는 단계를 포함한다.
상기 서로 다른 채널의 입력 정보는 키워드와 상황정보이다.
상기 키워드는 사용자의 대화문장이다.
상기 상황정보는 사용자의 위치, 시간, 상태 중 적어도 하나 이상이다.
상기 단계 (c) 이후에, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 차단 ARTMAP 모듈로 입력되어 또 다음 임의의 계층의 증분 정보가 출력되고, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 다음 임의의 계층의 클래스 벡터가 출력되는 단계를 더 포함하는 것이다.
상기 단계 (c)에서 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터는 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가될 때 실시간으로 정규화 되는 것이다.
상기 차단 ARTMAP 모듈을 통하여 다음 임의의 계층 또는 또 다음 임의의 계층으로의 차단 정보가 출력될 경우, 상기 차단 ARTMAP 모듈과 분류 ARTMAP 모듈을 통한 분류 학습을 마치는 것이다.
상기 다음 임의의 계층 또는 또 다음 임의의 계층으로의 증분 정보는 사용자로부터 입력되는 것이다.
이와 같은 목적을 달성하기 위한 본 발명의 다른 측면은 적어도 하나의 프로세서; 및 컴퓨터로 실행가능한 명령을 저장하는 메모리를 포함하되, 상기 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에, (a) 서로 다른 채널의 입력 정보가 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 각각 입력되는 단계; (b) 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 차단 ARTMAP 모듈로 입력되어 다음 임의의 계층으로의 증분 정보가 출력되고, 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 분류 ARTMAP 모듈로 입력되어 여기서 이 임의의 계층의 클래스 벡터가 출력되는 단계; 및 (c) 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터가 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가되는 단계를 포함하는 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 이루어진 분류 모듈을 이용하여 계층적 분류가 가능하도록 하는 증분 클래스 학습 방법을 실행하는 컴퓨팅 장치이다.
상기 서로 다른 채널의 입력 정보는 키워드와 상황정보이다.
상기 키워드는 사용자의 대화문장이다.
상기 상황정보는 사용자의 위치, 시간, 상태 중 적어도 하나 이상인 것이다.
상기 단계 (c) 이후에, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 차단 ARTMAP 모듈로 입력되어 또 다음 임의의 계층의 증분 정보가 출력되고, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 다음 임의의 계층의 클래스 벡터가 출력되는 단계를 더 포함하는 것이다.
상기 단계 (c)에서 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터는 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가될 때 실시간으로 정규화 되는 것이다.
상기 차단 ARTMAP 모듈을 통하여 다음 임의의 계층 또는 또 다음 임의의 계층으로의 차단 정보가 출력될 경우, 상기 차단 ARTMAP 모듈과 분류 ARTMAP 모듈을 통한 분류 학습을 마치는 것이다.
상기 다음 임의의 계층 또는 또 다음 임의의 계층으로의 증분 정보는 사용자로부터 입력되는 것이다.
이와 같은 목적을 달성하기 위한 본 발명의 또 다른 측면은 컴퓨팅 장치에, (a) 서로 다른 채널의 입력 정보가 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 각각 입력되는 단계; (b) 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 차단 ARTMAP 모듈로 입력되어 다음 임의의 계층으로의 증분 정보가 출력되고, 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 임의의 계층의 클래스 벡터가 출력되는 단계; 및 (c) 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터가 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가되는 단계로 이루어진 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 이루어진 분류 모듈을 이용하여 계층적 분류가 가능하도록 하는 증분 클래스 학습 방법을 실행시키기 위한 비일시적 저장매체에 저장된 컴퓨터 프로그램이다.
상기 서로 다른 채널의 입력 정보는 키워드와 상황정보이다.
상기 키워드는 사용자의 대화문장이다.
상기 상황정보는 사용자의 위치, 시간, 상태 중 적어도 하나 이상인 것이다.
상기 단계 (c) 이후에, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 차단 ARTMAP 모듈로 입력되어 또 다음 임의의 계층의 증분 정보가 출력되고, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 다음 임의의 계층의 클래스 벡터가 출력되는 단계를 더 포함하는 것이다.
상기 단계 (c)에서 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터는 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가될 때 실시간으로 정규화 되는 것이다.
상기 차단 ARTMAP 모듈을 통하여 다음 임의의 계층 또는 또 다음 임의의 계층으로의 차단 정보가 출력될 경우, 상기 차단 ARTMAP 모듈과 분류 ARTMAP 모듈을 통한 분류 학습을 마치는 것이다.
상기 다음 임의의 계층 또는 또 다음 임의의 계층으로의 증분 정보는 사용자로부터 입력되는 것이다.
본 발명에 의하면, 최근에 인공지능 스피커, 인공지능 티브이 등이 상용화되어 수요가 점차 늘고 있다. 이렇게 사용자와의 대화를 통해 서비스를 제공하는 기술에 본 기술이 추가적으로 적용될 수 있다.
또한, 대화 외에도 거의 모든 영역에서 추천하는 기술에 적용이 될 수 있는 계층적 분류 모델을 기반으로 하고 있으며 기존 모델을 유지한 채 새로운 데이터에 대해 실시간으로 증분 학습이 가능하고 스마트 기기에서도 학습이 가능할 만큼 모델의 크기가 작아 시장성이 크다고 할 수 있고, 사용자와의 상호작용을 포함하여 사용자에게 서비스를 제공하는 분야에서 적용되면 멀티미디어 등이 가미된 풍성한 서비스 제공을 기대할 수 있는 효과가 있다.
도 1은 본 발명에 따른 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법을 나타낸 순서도.
도 2는 본 발명의 증분 클래스 학습이 계층적 분류 모듈을 통해 계층적 분류가 이루어지는 예시적 모델.
도 3은 본 발명의 네트워크 환경의 예를 도시한 도면.
도 4는 도 3의 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도.
도 5는 본 발명에 따른 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법이 적용된 디지털 생명체와의 대화에 적용된 사례를 도시한 사진.
도 6은 일반적인 계층적 분류를 보여주는 도면.
이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명에 따른 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법을 나타낸 순서도이고, 도 2는 본 발명의 증분 클래스 학습이 계층적 분류 모듈을 통해 계층적 분류가 이루어지는 예시적 모델이다.
먼저 본 발명에서 제안하는 증분 클래스 학습이 가능한 계층적 분류 모델의 이름은 ARTMAP-HC(ARTMAP for Hierarchical Classification)으로 두 종류의 Fuzzy ARTMAP 모델이 형성하는 계층적 구조로 이루어져 있다. 각 계층마다 차단 ARTMAP(ARTMAPB; ARTMAP for blocking)과 분류 ARTMAP(ARTMAPC; ARTMAP for classification)이 하나의 모듈을 이루고 있고, 차단 ARTMAP(ARTMAPB)은 다음 계층으로 확장하여 분류를 진행할지 결정하며 분류 ARTMAP(ARTMAPC)는 각 계층에서의 분류를 수행한다. 여기서 기본 모델인 Fuzzy ARTMAP은 증분 클래스 학습이 가능한 분류 모델이고 이를 계층적으로 쌓아 계층적 분류가 가능하도록 하였다. 또한, 다양한 계층의 데이터가 주어지더라도 차단 ARTMAP(ARTMAPB)에 의해 모델의 계층 증가가 유동적으로 가능하다.
그리고 클래스 계층간의 의존도를 반영하기 위해 새로운 prior labels appending 기법을 사용하였다. 이전 계층 분류 결과인 레이블을 현재 계층 분류의 입력으로 사용하여 의존도를 반영하였고, 이 때 레이블의 역수 값을 사용하여 추가적인 정규화 과정이 불필요하도록 하였고, 해당 계층의 클래스 숫자가 많더라도 입력 벡터의 차원이 1만 증가하고 이를 통해 이전 계층 레벨 정보와 분류 결과를 포함할 수 있도록 하였다.
도 1 내지 도 2에 도시된 바와 같이 본 발명에 따른 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법은 서로 다른 채널의 정보가 1계층의 차단 ARTMAP(ARTMAPB; ARTMAP for blocking) 모듈과 1계층의 분류 ARTMAP(ARTMAPC; ARTMAP for classification) 모듈로 각각 입력된다(S110). 여기서 서로 다른 채널의 정보는 키워드(Keyword)와 상황 정보(context)로서, 키워드는 사용자의 대화문장이며, 상황정보는 사용자의 위치, 시간, 상태 중 적어도 어느 하나의 정보이며 본 발명에서는 이로써 한정하는 것은 아니다. 한편, 사용자는 클래스 증분 정보를 서로 다른 채널을 정보와 함께 제공한다.
이후 단계 S110에서 입력된 서로 다른 채널의 정보가 반영된 입력벡터가 1계층의 차단 ARTMAP 모듈로 입력되어 다음 계층으로의 증분 정보가 출력되고, 단계 S110에서 입력된 서로 다른 채널의 정보가 반영된 입력벡터가 1계층의 분류 ARTMAP 모듈로 입력되어 1계층의 클래스 벡터가 출력된다(S110).
그리고 단계 S110에서 출력된 1계층의 클래스 벡터가 단계 S110의 서로 다른 채널의 정보가 반영된 입력 벡터에 추가된다(S120). 이때 계층 클래스 벡터는 실시간으로 정규화가 이루어진다. 정규화 과정은 다음의 [식 1]과 같다.
[식 1]
Figure 112018102860279-pat00001
이후 단계 S120에서 계층 클래스 벡터가 추가된 입력벡터가 2계층의 차단 ARTMAP 모듈로 입력되어 또 다음 계층으로의 증분 정보가 출력되고, 단계 S120의 1계층의 클래스 벡터가 추가된 입력벡터가 2계층의 분류 ARTMAP 모듈로 입력되어 2계층의 클래스 벡터가 출력된다(S130).
도 2에 도시된 바와 같이 3계층에서 다음 계층으로의 차단 ARTMAP 모듈을 통하여 계층 차단 정보가 출력될 경우, 차단 ARTMAP 모듈과 분류 ARTMAP 모듈을 통한 분류 학습을 마친다. 도 2는 3계층을 이루는 입력 데이터에 대해 형성된 예시 모델이다. 예시 모델과 기존의 증분 클래스 학습이 가능하지 않은 계층적 분류 모델과의 비교 실험을 진행한 결과 기교가 가능하거나 오히려 좋은 분류 성분을 보였으며 새로운 클래스에 해당하는 데이터가 계속 유입되더라도 기존 모델을 유지한 채 증분 학습이 가능함도 실험으로 보였으며, [표 1] 및 [표 2]는 계층적 정밀도, 계층적 리콜 및 마이크로 평균화를 사용한 성능 평가표이다.
[표 1]
Figure 112018102860279-pat00002
[표 2]
Figure 112018102860279-pat00003
그리고 본 발명에서는 실시간으로 제공되는 입력 데이터에 대해서 학습이 가능하도록 실시간 정규화를 수행하는데 이는 도 1의 단계 S120에서 이루어진다. 기존에는 전체 데이터의 최대값을 이용하여 0, 1 사이의 값으로 정규화를 진행하여 실시간으로 유입되는 데이터에 대해 대응이 불가능하였다. 입력 벡터의 차원을 증가하여 해당 벡터의 크기로 정규화 하는 기법을 새로이 제안하여 전체 데이터의 사전 정보 없이도 크기 정보를 보존하는 실시간 정규화가 가능해진 것이다. 기존 전체 데이터에 대한 정규화를 진행한 결과와 제안한 실시간 정규화 비교 실험을 진행한 결과 성능은 비교가능한 정도로 나왔고 학습 시간을 오히려 단축되었다. 이는 차원 증가로 입력 데이터의 크기라는 특징도 입력에 반영된 결과이다.
도 3은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(100a. 100b, 100c, 100d), 복수의 서버들(200a, 200b) 및 네트워크(300)를 포함하는 예를 나타내고 있다. 이는 도 1에 따른 본 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 3과 같이 한정되는 것은 아니다. 복수의 전자 기기들(100a. 100b, 100c, 100d)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다.
복수의 전자 기기들(100a. 100b, 100c, 100d)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 전자 기기(100a)는 무선 또는 유선 통신방식을 이용하여 네트워크(300)를 통해 다른 전자기기들(10b, 100c, 100d) 및/또는 서버(200a, 200b)와 통신할 수 있다.
통신 방식은 제한되지 않으며, 네트워크(300)가 포함할 수 있는 통신망을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(300)는 PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(300)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(200a, 200b) 각각은 복수의 전자 기기들(100a, 100b, 100c, 100d)과 네트워크(300)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 일례로, 전자 기기 1(100a)은 전자 기기 1(100a)에 설치된 어플리케이션을 통해 서버(200a)에 접근하여 기 설정된 서비스(일례로, 게임 서비스, 채팅 서비스, SNS(Social Network Service) 서비스, 금융 서비스 등)를 제공받을 수 있다.
도 4는 본 발명의 일실시예에 있어서, 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 도 4에서는 하나의 전자 기기에 대한 예로서 전자 기기 1(100a), 그리고 하나의 서버에 대한 예로서 서버(200a)의 내부 구성을 설명한다. 다른 전자 기기들(100b, 100c, 100d)이나 서버(200b) 역시 동일한 또는 유사한 내부 구성을 가질 수 있다.
전자 기기 1(110)과 서버(210)는 메모리(111, 211), 프로세서(112, 212), 통신 모듈(113, 213) 그리고 입출력 인터페이스(114, 214)를 포함할 수 있다. 메모리(111, 211)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 비소멸성 대용량 기록장치는 메모리(111, 211)와 분리되어 별도의 영구 저장 장치로서 포함될 수도 있다. 또한, 메모리(111, 211)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 전자 기기 1(100a)에 설치되어 구동되는 브라우저나 특정 서비스의 제공을 위한 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(111, 211)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신 모듈(113, 213)을 통해 메모리(111, 211)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로 상술한 서버(210) 또는 네트워크(300)를 통해 통신 가능한 다른 서버 장치)이 네트워크(300)를 통해 제공하는 파일들에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(111, 211)에 로딩될 수 있다.
프로세서(112, 212)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(111, 211) 또는 통신 모듈(113, 213)에 의해 프로세서(112, 212)로 제공될 수 있다. 예를 들어 프로세서(112, 212)는 메모리(111, 211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(113, 213)은 네트워크(300)를 통해 전자 기기 1(110)과 서버(210)가 서로 통신하기 위한 기능을 제공할 수 있으며, 다른 전자 기기 또는 다른 서버와 통신하기 위한 기능을 제공할 수 있다. 일례로, 전자 기기 1(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청(일례로 영상 통화 서비스를 위한 요청)이 통신 모듈(213)의 제어에 따라 네트워크(300)를 통해 서버(210)로 전달될 수 있다. 역으로, 서버(210)의 프로세서(212)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(213)과 네트워크(300)를 거쳐 전자 기기 1(110)의 통신 모듈(113)을 통해 전자 기기 1(110)로 수신될 수 있다. 예를 들어 통신 모듈(113)을 통해 수신된 서버(210)의 제어신호나 명령 등은 프로세서(112)나 메모리(111)로 전달될 수 있고, 컨텐츠나 파일 등은 전자 기기 1(110)가 더 포함할 수 있는 저장 매체로 저장될 수 있다.
입출력 인터페이스(114, 214)는 입출력 장치(115)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(114)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 보다 구체적인 예로, 전자 기기1(110)의 프로세서(112)는 메모리(111)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(210)나 전자기기 2(100b)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(114)를 통해 디스플레이에 표시될 수 있다.
또한, 다른 실시예들에서 전자 기기 1(110) 및 서버(210)는 도 4의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 예를 들어, 전자기기 1(110)은 상술한 입출력 장치(115) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 전자 기기 1(110)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 전자 기기 1(110)에 더 포함되도록 구현될 수 있음을 알 수 있다.
도 5는 본 발명에 따른 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법이 적용된 디지털 생명체와의 대화에 적용된 사례를 도시한 사진으로, 실제 스마트 기기 상에 탑재된 디지털 생명체와의 대화에 적용하여 테스트하였으며 사용자와의 대화 도중 주제에 디지털 생명체가 적절한 멀티미디어를 제공하여 사용자의 효과적인 의미 습득에 도움을 줌을 확인할 수 있었다. 기반이 된 증분 클래스 학습이 가능한 계층 분류 모델의 크기가 작아 스마트 기기에서도 학습 및 작동이 가능한 강점이 있다.
이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
100a, 10b, 100c, 100d: 전자 기기
110: 전자 기기
111: 메모리
112: 프로세서
113: 통신모듈
114: 입출력 인터페이스
115: 입출력 장치
200a, 200b: 서버
210: 서버
211: 메모리
212: 프로세서
213: 통신모듈
214: 입출력 인터페이스
300: 네트워크

Claims (24)

  1. 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 이루어진 분류 모듈을 이용하여 계층적 분류가 가능하도록 하는 증분 클래스 학습 방법에 있어서,
    (a) 서로 다른 채널의 입력 정보가 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 각각 입력되는 단계;
    (b) 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 차단 ARTMAP 모듈로 입력되어 다음 임의의 계층으로의 증분 정보가 출력되고, 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 분류 ARTMAP 모듈로 입력되어 여기서 이 임의의 계층의 클래스 벡터가 출력되는 단계; 및
    (c) 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터가 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가되는 단계
    를 포함하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  2. 청구항 1에 있어서,
    상기 서로 다른 채널의 입력 정보는 키워드와 상황정보 인
    것을 특징으로 하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  3. 청구항 2에 있어서,
    상기 키워드는 사용자의 대화문장 인 것
    을 특징으로 하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  4. 청구항 2에 있어서,
    상기 상황정보는 사용자의 위치, 시간, 상태 중 적어도 하나 이상인 것
    을 특징으로 하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  5. 청구항 1에 있어서,
    상기 단계 (c) 이후에, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 차단 ARTMAP 모듈로 입력되어 또 다음 임의의 계층의 증분 정보가 출력되고, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 다음 임의의 계층의 클래스 벡터가 출력되는 단계
    를 포함하는 것을 특징으로 하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  6. 청구항 1에 있어서,
    상기 단계 (c)에서 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터는 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가될 때 실시간으로 정규화 되는 것
    을 특징으로 하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  7. 청구항 1에 있어서,
    상기 차단 ARTMAP 모듈을 통하여 다음 임의의 계층 또는 또 다음 임의의 계층으로의 차단 정보가 출력될 경우, 상기 차단 ARTMAP 모듈과 분류 ARTMAP 모듈을 통한 분류 학습을 마치는 것
    을 특징으로 하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  8. 청구항 1에 있어서,
    상기 다음 임의의 계층 또는 또 다음 임의의 계층으로의 증분 정보는 사용자로부터 입력되는 것
    을 특징으로 하는 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법.
  9. 적어도 하나의 프로세서; 및
    컴퓨터로 실행가능한 명령을 저장하는 메모리
    를 포함하되,
    상기 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에,
    (a) 서로 다른 채널의 입력 정보가 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 각각 입력되는 단계;
    (b) 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 차단 ARTMAP 모듈로 입력되어 다음 임의의 계층으로의 증분 정보가 출력되고, 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 분류 ARTMAP 모듈로 입력되어 여기서 이 임의의 계층의 클래스 벡터가 출력되는 단계; 및
    (c) 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터가 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가되는 단계
    를 포함하는 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 이루어진 분류 모듈을 이용하여 계층적 분류가 가능하도록 하는 증분 클래스 학습 방법을 실행시키기 위한 컴퓨팅 장치.
  10. 청구항 9에 있어서,
    상기 서로 다른 채널의 입력 정보는 키워드와 상황정보 인
    것을 특징으로 하는 컴퓨팅 장치.
  11. 청구항 10에 있어서,
    상기 키워드는 사용자의 대화문장 인 것
    을 특징으로 하는 컴퓨팅 장치.
  12. 청구항 10에 있어서,
    상기 상황정보는 사용자의 위치, 시간, 상태 중 적어도 하나 이상인 것
    을 특징으로 하는 컴퓨팅 장치.
  13. 청구항 9에 있어서,
    상기 단계 (c) 이후에, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 차단 ARTMAP 모듈로 입력되어 또 다음 임의의 계층의 증분 정보가 출력되고, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 다음 임의의 계층의 클래스 벡터가 출력되는 단계
    를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
  14. 청구항 9에 있어서,
    상기 단계 (c)에서 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터는 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가될 때 실시간으로 정규화 되는 것
    을 특징으로 하는 컴퓨팅 장치.
  15. 청구항 9에 있어서,
    상기 차단 ARTMAP 모듈을 통하여 다음 임의의 계층 또는 또 다음 임의의 계층으로의 차단 정보가 출력될 경우, 상기 차단 ARTMAP 모듈과 분류 ARTMAP 모듈을 통한 분류 학습을 마치는 것
    을 특징으로 하는 컴퓨팅 장치.
  16. 청구항 9에 있어서,
    상기 다음 임의의 계층 또는 또 다음 임의의 계층으로의 증분 정보는 사용자로부터 입력되는 것
    을 특징으로 하는 컴퓨팅 장치.
  17. 컴퓨팅 장치에,
    (a) 서로 다른 채널의 입력 정보가 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 각각 입력되는 단계;
    (b) 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 차단 ARTMAP 모듈로 입력되어 다음 임의의 계층으로의 증분 정보가 출력되고, 상기 단계 (a)에서 입력된 서로 다른 채널의 입력 정보가 반영된 입력벡터가 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 임의의 계층의 클래스 벡터가 출력되는 단계; 및
    (c) 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터가 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가되는 단계
    로 이루어진 차단 ARTMAP 모듈과 분류 ARTMAP 모듈로 이루어진 분류 모듈을 이용하여 계층적 분류가 가능하도록 하는 증분 클래스 학습 방법을 실행시키기 위한 비일시적 저장매체에 저장된 컴퓨터 프로그램.
  18. 청구항 17에 있어서,
    상기 서로 다른 채널의 입력 정보는 키워드와 상황정보 인
    것을 특징으로 하는 비일시적 저장매체에 저장된 컴퓨터 프로그램.
  19. 청구항 18에 있어서,
    상기 키워드는 사용자의 대화문장 인 것
    을 특징으로 하는 비일시적 저장매체에 저장된 컴퓨터 프로그램.
  20. 청구항 18에 있어서,
    상기 상황정보는 사용자의 위치, 시간, 상태 중 적어도 하나 이상인 것
    을 특징으로 하는 비일시적 저장매체에 저장된 컴퓨터 프로그램.
  21. 청구항 17에 있어서,
    상기 단계 (c) 이후에, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 차단 ARTMAP 모듈로 입력되어 또 다음 임의의 계층의 증분 정보가 출력되고, 상기 단계 (c)에서 임의의 계층의 클래스 벡터가 추가된 상기 단계 (b)의 입력벡터가 다음 임의의 계층의 분류 ARTMAP 모듈로 입력되어 이 다음 임의의 계층의 클래스 벡터가 출력되는 단계
    를 포함하는 것을 특징으로 하는 비일시적 저장매체에 저장된 컴퓨터 프로그램.
  22. 청구항 17에 있어서,
    상기 단계 (c)에서 상기 단계 (b)에서 출력된 임의의 계층의 클래스 벡터는 상기 단계 (b)의 서로 다른 채널의 입력 정보가 반영된 입력벡터에 추가될 때 실시간으로 정규화 되는 것
    을 특징으로 하는 비일시적 저장매체에 저장된 컴퓨터 프로그램.
  23. 청구항 17에 있어서,
    상기 차단 ARTMAP 모듈을 통하여 다음 임의의 계층 또는 또 다음 임의의 계층으로의 차단 정보가 출력될 경우, 상기 차단 ARTMAP 모듈과 분류 ARTMAP 모듈을 통한 분류 학습을 마치는 것
    을 특징으로 하는 비일시적 저장매체에 저장된 컴퓨터 프로그램.
  24. 청구항 17에 있어서,
    상기 다음 임의의 계층 또는 또 다음 임의의 계층으로의 증분 정보는 사용자로부터 입력되는 것
    을 특징으로 하는 비일시적 저장매체에 저장된 컴퓨터 프로그램.
KR1020180124477A 2018-10-18 2018-10-18 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치 KR102113663B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180124477A KR102113663B1 (ko) 2018-10-18 2018-10-18 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180124477A KR102113663B1 (ko) 2018-10-18 2018-10-18 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치

Publications (2)

Publication Number Publication Date
KR20200043725A KR20200043725A (ko) 2020-04-28
KR102113663B1 true KR102113663B1 (ko) 2020-05-22

Family

ID=70456128

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180124477A KR102113663B1 (ko) 2018-10-18 2018-10-18 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치

Country Status (1)

Country Link
KR (1) KR102113663B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114567512B (zh) * 2022-04-26 2022-08-23 深圳市永达电子信息股份有限公司 基于改进art2的网络入侵检测方法、装置及终端

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013001893A1 (ja) 2011-06-28 2013-01-03 インターナショナル・ビジネス・マシーンズ・コーポレーション 主観的な階層クラスタリングにおける特徴量ごとの重みを求める情報処理装置、方法、およびプログラム
US20170235848A1 (en) 2012-08-29 2017-08-17 Dennis Van Dusen System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7664819B2 (en) * 2004-06-29 2010-02-16 Microsoft Corporation Incremental anti-spam lookup and update service
KR101738142B1 (ko) 2016-04-11 2017-05-22 한국과학기술원 감성 기반의 대화가 가능한 디지털 생명체 생성 시스템 및 그 제어방법
CN108288470B (zh) * 2017-01-10 2021-12-21 富士通株式会社 基于声纹的身份验证方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013001893A1 (ja) 2011-06-28 2013-01-03 インターナショナル・ビジネス・マシーンズ・コーポレーション 主観的な階層クラスタリングにおける特徴量ごとの重みを求める情報処理装置、方法、およびプログラム
US20170235848A1 (en) 2012-08-29 2017-08-17 Dennis Van Dusen System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Mutlu Uysal et. al., A Hierarchical Classification System Based on Adaptive Resonance Theory, in 2006 international conference on Image Precessing, IEEE, Oct. 2006. DOI: 10.1109/ICIP.2006.313128

Also Published As

Publication number Publication date
KR20200043725A (ko) 2020-04-28

Similar Documents

Publication Publication Date Title
KR102318884B1 (ko) 터치 감응형 디바이스 상의 관련 콘텐츠를 사전행동적으로 식별 및 표면화하기 위한 시스템 및 방법
US11803564B2 (en) Method and system for keyword search using messaging service
US11093711B2 (en) Entity-specific conversational artificial intelligence
US20190324780A1 (en) Contextual Auto-Completion for Assistant Systems
CN114556355A (zh) 抑制助理系统的提醒
CN111602147A (zh) 基于非局部神经网络的机器学习模型
US11861319B2 (en) Chatbot conducting a virtual social dialogue
CN107004020B (zh) 终端设备及其数据处理方法
US20210126806A1 (en) Method for recognizing and utilizing user face based on profile picture in chatroom created using group album
KR20140113436A (ko) 관계 모델 매커니즘을 구현한 컴퓨팅 시스템 및 그 작동 방법
US20220358727A1 (en) Systems and Methods for Providing User Experiences in AR/VR Environments by Assistant Systems
CN116018791A (zh) 在助手系统中使用单个请求进行多人呼叫
EP3566196A1 (en) Identification of documents based on location, usage patterns and content
TW202301081A (zh) 輔助系統之基於真實世界文字偵測的任務執行
TW202301080A (zh) 輔助系統的多裝置調解
KR102113663B1 (ko) 디지털 스토리텔링을 위한 계층적 분류 기반의 증분 클래스 학습 방법 및 컴퓨팅 장치
US11373057B2 (en) Artificial intelligence driven image retrieval
US20220284319A1 (en) Intelligent guidance using machine learning for user navigation of multiple web pages
US11227122B1 (en) Methods, mediums, and systems for representing a model in a memory of device
KR20210052912A (ko) 앱 사용 패턴과 대화 분석을 통한 앱 기능 바로가기 추천 방법 및 장치
US20230236555A1 (en) Event-Based Reasoning for Assistant Systems
US20230353652A1 (en) Presenting Personalized Content during Idle Time for Assistant Systems
KR20230113991A (ko) 친구 그룹 설정 방법 및 시스템
KR20170078088A (ko) 차량정보시스템
CN117396837A (zh) 助理系统的多设备调解

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right