KR102540562B1 - 상담 데이터 분석 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 상담 데이터에 관한 유형 코드를 결정하는 동작; 사전 저장된 유형 코드 별 형식을 이용하여 상기 상담 데이터에 대응되는 형식을 결정하는 동작; 상기 상담 데이터로부터 상기 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 동작; 및 하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성하는 동작을 포함할 수 있다.

Description

상담 데이터 분석 방법 {METHOD TO ANALYZE CONSULTATION DATA}

본 발명은 상담 데이터를 분석하는 방법으로서, 보다 구체적으로 고객 상담 데이터를 분석하여 상담 요약 결과를 생성하는 방법에 관한 발명이다.

인터넷 및 모바일 산업의 성장으로 인하여 기존 데이터베이스 관리 도구로 수집, 관리, 저장 및 분석할 수 있는 규모를 넘어서는 대용량의 정형 또는 비정형 데이터를 의미하는 빅데이터(big data) 환경이 도래하고 있다. 이러한 빅데이터는 디지털 환경에서 생성되는 다양한 형태의 방대한 규모의 데이터로서, 기업 등의 미래의 경쟁력 확보를 좌우할 수 있는 핵심 자원으로 여겨지고 있다.

또한, 빅데이터로부터 경제적으로 필요한 가치를 추출하는 것은 빅데이터 기술이라 지칭될 수 있다. 빅데이터를 활용하는 것은, 마케팅 전략의 수립, 프로세스 최적화, 생산성 향상 및 부정행위에 대한 방지 등과 같은 다양한 형태의 가치를 창출할 수 있다. 따라서, 이러한 빅데이터를 효과적으로 활용하기 위한 빅데이터 기술은, 기업의 종류를 불문하고 무한경쟁 시대에서 우선적으로 고려해야할 기업 경쟁력 확보 수단이라 할 수 있다.

보험업계도 빅데이터를 해당 기업의 경쟁력 확보를 위해 활용할 수 있다. 예를 들어, 보험 회사는 콜센터에서 고객을 응대하기 위하여 빅데이터를 활용할 수 있다. 콜센터에서 이루어지는 전화상담의 경우 상담원이 고객 응대 후 직접 고객과의 상담 내용을 요약하거나 또는 상담 내용의 유형을 분류해야 한다. 상담원이 고객 응대 후 상담 내용을 요약하거나 상담 내용의 유형을 수기로 분류하다 보면 많은 시간이 소요되게 되고, 그러한 후 작업을 수행하는 동안 다른 고객의 응대가 불가능할 수 있다. 따라서, 상담원의 업무 효율화를 위하여 고객과의 상담 내용을 요약하거나 유형을 분류하기 위한 편리한 방법에 관한 요구가 당업계에 존재한다.

대한민국 등록특허 제10-1949427호는 상담내용 자동 평가 시스템에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 상담 데이터를 분석하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 상담 데이터에 관한 유형 코드를 결정하는 동작; 사전 저장된 유형 코드 별 형식을 이용하여 상기 상담 데이터에 대응되는 형식을 결정하는 동작; 상기 상담 데이터로부터 상기 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 동작; 및 하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성하는 동작을 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상담 요약 결과에 관한 피드백을 수신하는 동작; 및 상기 피드백에 기초하여 유형 코드 결정 방법 또는 요약 정보 추출 방법 중 적어도 하나를 업데이트 하거나, 또는 상기 상담 요약 결과를 저장하는 동작; 을 더 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 피드백은: 상기 상담 요약 결과의 적어도 일부에 관한 평가 또는 상기 상담 요약 결과의 적어도 일부에 관한 정정 중 적어도 하나를 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 피드백에 기초하여 유형 코드 결정 방법 또는 요약 정보 추출 방법 중 적어도 하나를 업데이트 하거나, 또는 상기 상담 요약 결과를 저장하는 동작은: 부정적 피드백이 임계 값 이상인 경우, 유형 코드 결정 방법을 업데이트 할 것으로 결정하는 동작; 또는 상기 부정적 피드백이 임계 값 미만인 경우, 요약 정보 추출 방법을 업데이트 할 것으로 결정하는 동작을 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 피드백에 기초하여 유형 코드 결정 방법 또는 요약 정보 추출 방법 중 적어도 하나를 업데이트 하거나, 또는 상기 상담 요약 결과를 저장하는 동작은: 사전 결정된 시간 단위 또는 사전 결정된 피드백 정도 중 적어도 하나에 기초하여 상기 유형 코드 결정 방법 또는 상기 요약 정보 추출 방법 중 적어도 하나를 업데이트하는 동작을 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상담 데이터에 관한 유형 코드를 결정하는 동작은: 고객 단말 또는 상담원 단말 중 적어도 하나의 유형 코드 입력에 기초하여 상기 유형 코드를 결정하는 동작; 하나 이상의 사전 학습된 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 상기 유형 코드를 결정하는 동작; 또는 상기 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나와 사전 저장된 유형 코드 별 단어 또는 문장을 비교하여 상기 유형 코드를 결정하는 동작; 중 적어도 하나의 동작을 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 유형 코드 결정 모델은: 상기 상담 데이터에 포함된 둘 이상의 의미 단위들 간의 관계를 파악하기 위한 제 1 서브 모델 및 상기 둘 이상의 의미 단위들 간의 관계에 기초하여 상기 유형 코드를 출력하기 위한 제 2 서브 모델을 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 주요 단어는: 상기 상담 데이터에 포함된 둘 이상의 단어들의 동시 출현 정도에 기초하여 결정될 수 있고, 그리고 상기 주요 문장은: 상기 상담 데이터에 포함된 문장들의 다른 문장들과의 유사도가 높은 정도에 기초하여 결정될 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상담 데이터로부터 상기 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 동작은: 상기 상담 데이터 및 항목 정보를 하나 이상의 사전 학습된 네트워크 함수를 포함하는 요약 정보 결정 모델을 이용하여 연산하여, 상기 요약 정보를 추출하는 동작; 또는 상기 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나와 사전 저장된 항목 별 요약 정보들을 비교하여, 상기 요약 정보를 추출하는 동작 중 적어도 하나의 동작을 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 요약 정보 결정 모델은: 상기 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나, 및 상기 항목 정보를 연산하여 상기 요약 정보를 출력하도록 학습된 모델일 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상담 데이터로부터 상기 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 동작은: 상기 상담 데이터에 포함된 문장들 중 사전 저장된 항목 별 문장 형식과 대응되는 문장을 이용하여 상기 요약 정보를 추출하는 동작; 또는 상기 상담 데이터에 포함된 의미 단위 중 사전 저장된 항목 별 키워드와 대응되는 의미 단위를 포함하는 문장을 이용하여 상기 요약 정보를 추출하는 동작 중 적어도 하나의 동작을 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 하나 이상의 항목은: 고객 기본 정보 관련 항목, 고객 문의 관련 항목, 상담원 응대 관련 항목, 상담 대상 관련 항목 또는 비용 관련 항목 중 적어도 하나를 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 둘 이상의 상이한 시간 구간에 대응되는 상담 요약 결과에 기초한 분석 결과를 출력하는 동작을 더 포함할 수 있다.

상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 결과는 유형 코드, 항목 또는 요약 정보 중 적어도 하나에 관한 분석 정보를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 상담 데이터를 분석하기 위한 방법으로서, 상담 데이터에 관한 유형 코드를 결정하는 단계; 사전 저장된 유형 코드 별 형식을 이용하여 상기 상담 데이터에 대응되는 형식을 결정하는 단계; 상기 상담 데이터로부터 상기 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 단계; 및 하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 상담 데이터를 분석하기 위한 서버로서, 하나 이상의 코어를 포함하는 프로세서; 및 메모리;를 포함하고, 상기 프로세서는, 상담 데이터에 관한 유형 코드를 결정하고, 사전 저장된 유형 코드 별 형식을 이용하여 상기 상담 데이터에 대응되는 형식을 결정하고, 상기 상담 데이터로부터 상기 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하고, 그리고 하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성할 수 있다.

본 개시는 상담 데이터 분석 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따라 상담 데이터를 분석하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따라 상담 데이터를 분석하는 방법을 예시적으로 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따라 상담 데이터를 분석하는 방법을 예시적으로 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따라 상담 데이터를 분석하는 방법을 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따라 상담 데이터 분석 방법의 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 1은 본 개시의 일 실시예에 따라 상담 데이터 분석을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.

본 개시의 일 실시예에 따른 상담 데이터 분석을 위한 동작을 수행하는 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

이하에서는 상담 데이터를 분석하는 방법에 관하여 설명한다.

프로세서(120)는 네트워크부(110)를 통해 상담 데이터를 수신할 수 있다.

상담 데이터는 상담원과 고객이 상담한 내용을 포함하는 데이터일 수 있다. 상담 데이터는 고객 상담 시작 시점부터 고객 상담 종료 시점까지 수집 또는 생성된 데이터를 의미할 수 있다. 예를 들어, 상담 데이터는 고객이 상담 요청을 한 경우에 고객이 상담 요청을 한 시점부터 고객 상담이 종료된 시점 사이의 시간 구간 동안 수집 또는 생성된 데이터를 의미할 수 있다. 예를 들어, 상담 데이터는 콜센터에서 상담원과 고객의 통화 내용을 녹음한 데이터, 채팅을 통해 상담원과 고객이 주고받은 메시지 데이터, VOC(Voice of Customer) 게시판에 업로드 된 고객의 질문 및 상담원의 답변 데이터 등을 포함할 수 있다. 전술한 상담 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

상담 데이터는 음성 데이터 또는 문자 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 고객과 상담원이 전화를 통해 상담을 수행하는 경우 상담 데이터는 음성 데이터를 포함할 수 있고, 고객과 상담원이 채팅을 통해 상담을 수행하는 경우 상담 데이터는 문자 데이터를 포함할 수 있다. 전술한 상담 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상담 데이터가 음성 데이터를 포함하는 경우, 음성 데이터를 문자 데이터로 변환할 수 있다. 예를 들어, 프로세서(120)는 콜센터 서버로부터 수집되는 음성 데이터를 STT(Speech to text) 엔진을 통해 문자 데이터로 변환할 수 있다. 예를 들어, STT 엔진은 음성 데이터를 문자 데이터로 변환하도록 학습된 인공 신경망 모델일 수 있다. 전술한 상담 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 수신한 상담 데이터 또는 상담 데이터를 변환한 데이터를 메모리(130)에 저장할 수 있다.

프로세서(120)는 상담 데이터를 이용하여 상담 요약 결과를 생성할 수 있다.

상담 요약 결과는 상담 데이터를 요약한 데이터일 수 있다. 상담 요약 결과는 상담 데이터에 포함된 데이터들 중 적어도 일부의 중요 데이터만을 포함하도록 요약한 데이터일 수 있다. 본 개시의 일 실시예에 따른 상담 요약 결과는 상담 데이터에 포함된 적어도 일부의 단어들의 조합을 포함할 수 있다. 예를 들어, 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장을 포함하는 경우, 상담 요약 결과는 적어도 일부의 단어들의 조합인 "뼈 부러졌을 때 보험료" 또는 "입원 시 보험료"일 수 있다. 본 개시의 일 실시예에 따른 상담 요약 결과는 고객 상담 데이터에 포함된 적어도 일부의 문장들의 조합을 포함할 수 있다. 전술한 예시에서 요약 정보는 고객 상담 데이터에 포함된 적어도 일부의 문장들의 조합인 "왼팔 뼈가 부러졌더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"일 수 있다. 전술한 상담 요약 결과에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 프로세서(120)가 상담 데이터에 관한 유형 코드를 결정하는 방법에 관하여 설명한다.

유형 코드는 상담 데이터에 포함된 상담의 의도를 분류하기 위한 정보일 수 있다. 메모리(130)에는 상담 데이터에 포함된 상담 의도들 각각에 대응되는 유형 코드가 저장되어 있을 수 있다. 즉, 특정 서비스에 대해서 상담원과 고객의 상담 수행 시 수집되는 상담 데이터는 사전 결정된 유형으로 분류가 가능할 수 있다. 상담 데이터는 메모리(130)에 저장된 적어도 하나의 유형 코드로 분류될 수 있다. 예를 들어, 상담 데이터는 3개의 뎁스(depth)에 기초하여 하나 이상의 유형 코드로 분류될 수 있다. 3개의 뎁스는 상담 데이터에 대한 대분류, 중분류 및 소분류를 포함할 수 있다. 예를 들어, 대분류는 보험, 연금, 지점 찾기, 계약 조회, 보험금 청구일 수 있고, 보험 대분류에 포함된 중분류는 건강 보장, 노후 대비, 목돈 마련 등일 수 있고, 건강 보장 중분류에 포함된 소분류는 암 보험, 실비 보험 등일 수 있다. 유형 코드는 예를 들어, 키워드, 숫자, 문자 등을 포함할 수 있다. 예를 들어, 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장을 포함하는 경우, 유형 코드 정보는 "보험금 청구 - 보험 종류 - 보장 범위"에 관한 유형 코드를 포함할 수 있다. 전술한 유형 코드에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 상담 데이터에 관한 유형 코드를 결정하는 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라 프로세서(120)는 고객 단말 또는 상담원 단말 중 적어도 하나의 유형 코드 입력에 기초하여 유형 코드를 결정할 수 있다. 프로세서(120)는 고객 단말 또는 상담원 단말 중 적어도 하나로부터 유형 코드를 수신할 수 있다. 예를 들어, 고객이 상담원과의 전화 상담 시작 전, 자동응답시스템에서의 안내에 따라 유형 코드를 입력할 수 있다. 예를 들어, 유형 코드들에 대해 자동응답시스템을 통해 고객에게 음성 안내를 실시할 수 있다. 고객은 음성 안내된 유형 코드들 중 자신의 상담 의도에 대응되는 유형 코드를 말하거나 또는 입력할 수 있다. 또는, 예를 들어, 고객이 상담원과의 문자(예를 들어, 채팅 등)를 이용한 상담 시작 전, 자동 입력 안내 시스템에서의 안내에 따라 유형 코드를 입력하거나 또는 클릭할 수 있다. 프로세서(120)는 유형 코드들에 대한 사용자 입력을 수신할 수 있는 디스플레이 객체(예를 들어, 아이콘)를 사용자 인터페이스에 디스플레이 할 수 있다. 사용자들은 채팅창에 디스플레이 된 복수의 유형 코드들 중 자신의 상담 의도에 대응되는 유형 코드의 디스플레이 객체를 클릭할 수 있다. 예를 들어, 상담원은 고객과의 상담 중 유형 코드를 선택할 수 있다. 전술한 유형 코드에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 하나 이상의 사전 학습된 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 상기 유형 코드를 결정할 수 있다.

유형 코드 결정 모델은 상담 데이터를 입력으로 하여 연산할 수 있다. 유형 코드 결정 모델은 상담 데이터에 대응되는 유형 코드를 출력할 수 있다. 유형 코드 결정 모델은 과거 상담 데이터를 이용하여, 유형 코드를 출력하도록 학습된 모델일 수 있다. 유형 코드 결정 모델은 과거의 상담 데이터를 입력으로 하고, 그리고 과거의 상담 데이터에 대응되어 저장된 유형 코드를 라벨로 하는 학습 데이터를 이용하여 학습된 모델일 수 있다.

유형 코드 결정 모델은 상담 데이터에 포함된 둘 이상의 의미 단위들 간의 관계를 파악함으로써, 상담 데이터에 관한 유형 코드를 출력할 수 있다.

유형 코드 결정 모델은 상담 데이터에 포함된 둘 이상의 의미 단위들 간의 관계를 파악하기 위한 제 1 서브 모델을 포함할 수 있다. 의미 단위는 의미를 가질 수 있는 문장의 적어도 일부를 의미할 수 있다. 예를 들어, 의미 단위는 음소, 음절, 단어, 어구 등일 수 있다. 제 1 서브 모델에 포함된 히든 레이어의 노드에서 활성화(active)된 함수를 통해 출력된 출력 값은 히든 레이어의 다음 레이어에 포함된 노드로 입력되고, 그리고 또한 해당 히든 레이어의 노드에서 수행되는 다음 연산의 입력으로 다시 입력될 수 있다. 히든 레이어에 포함된 노드는 바로 이전 시점에서의 연산에 따라 히든 레이어에 포함된 노드에서 출력된 출력 값을 자신의 입력으로 사용하는 재귀적인 연산을 수행할 수 있다. 제 1 서브 모델은 상담 데이터에 포함된 의미 단위에 대한 연산을 재귀적으로 수행하여 둘 이상의 의미 단위들 간의 관계를 파악할 수 있다. 프로세서(120)는 상담 데이터에 포함된 둘 이상의 의미 단위들을 제 1 서브 모델의 입력으로 하여 연산할 수 있다. 프로세서(120)는 둘 이상의 의미 단위들 중 관련성이 있는 의미 단위들을 제 1 서브 모델을 이용하여 출력할 수 있다. 즉, 프로세서(120)는 제 1 서브 모델을 이용하여 상담 데이터에 포함된 복수의 의미 단위들 중 연관성이 있어, 상담 데이터에 관한 의미를 파악할 수 있는 둘 이상의 의미 단위들 간의 관계를 출력할 수 있다. 제 1 서브 모델은 예를 들어, 리커런트 뉴럴 네트워크(RNN, recurrent neural network), 매니-투-매니 리커런트 뉴럴 네트워크(many-to-many RNN)를 포함할 수 있다. 리커런트 뉴럴 네트워크는 하나의 스텝이 수행될 때 마다, 예측 결과를 출력하고, 그리고 다음 스텝을 수행할 때, 해당 예측 결과를 다시 업데이트하는 네트워크 모델일 수 있다. 매니-투-매니 리커런트 뉴럴 네트워크는 복수의 입력을 수신하고, 그리고 복수의 출력을 출력하는 리커런트 뉴럴 네트워크 모델일 수 있다. 예를 들어, 상담 데이터에 포함된 둘 이상의 의미 단위는 매니-투-매니 리커런트 뉴럴 네트워크에 입력될 수 있다. 그리고, 관계를 가지는 둘 이상의 의미 단위가 매니-투-매니 리커런트 뉴럴 네트워크에서 출력될 수 있다. 전술한 리커런트 뉴럴 네트워크 및 매니-투-매니 리커런트 뉴럴 네트워크에 관한 구체적인 설명은 본 출원에서 전체가 참조로서 통합되는 D. N. T. How, K. S. M. Sahari, Hu Yuhuang and Loo Chu Kiong, "Multiple sequence behavior recognition on humanoid robot using long short-term memory (LSTM)," 2014 IEEE International Symposium on Robotics and Manufacturing Automation (ROMA), Kuala Lumpur, 2014, pp. 109-114. 에서 보다 구체적으로 논의된다. 전술한 제 1 서브 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

유형 코드 결정 모델은 둘 이상의 의미 단위들 간의 관계에 기초하여 유형 코드를 출력하기 위한 제 2 서브 모델을 포함할 수 있다. 제 2 서브 모델은 제 1 서브 모델에서 출력된 둘 이상의 의미 단위들 간의 관계에 기초하여 유형 코드를 출력할 수 있다. 제 2 서브 모델은 관계를 가지는 둘 이상의 의미 단위들의 입력을 연산하여, 유형 코드를 출력할 수 있다. 즉, 제 2 서브 모델은 상담 데이터에 포함된 의미 관계를 가지는 둘 이상의 의미 단위들을 분석하여, 상담 데이터의 유형을 결정할 수 있다. 프로세서(120)는 입력 레이어에 포함된 복수의 입력 노드에 둘 이상의 의미 단위들을 입력으로 하여 연산할 수 있다. 또는, 제 2 서브 모델은 둘 이상의 의미 단위들의 관계를 벡터화 한 입력을 연산하여, 유형 코드를 출력할 수 있다. 프로세서(120)는 둘 이상의 의미 단위를 워드 투 벡터(Word2Vec)로 변환할 수 있다. 프로세서(120)는 변환된 둘 이상의 벡터 간의 관계를 나타내는 보조 벡터를 생성하여 제 2 서브 모델에 추가적으로 입력시킬 수 있다. 예를 들어, 보조 벡터는 의미 단위들 간의 유사도, 주어 - 술어 관계 등을 나타낼 수 있다. 제 2 서브 모델은 예를 들어, 컨벌루셔널 뉴럴 네트워크(CNN, Convolutional Neural Network)를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 입력 데이터에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 입력 데이터의 글로벌 피쳐를 추출할 수 있다. 컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다. 전술한 제 2 서브 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나와 사전 저장된 유형 코드 별 단어 또는 문장을 비교하여 상기 유형 코드를 결정할 수 있다.

주요 단어는 상담 데이터에 포함된 둘 이상의 단어들 중 고객의 상담 의도를 분류하는데, 중요도가 높은 단어일 수 있다. 예를 들어, 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장을 포함하는 경우, 주요 단어는 "뼈", "부러짐", "보험료", "보험", "가입"일 수 있다. 전술한 주요 단어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

주요 문장은 상담 데이터에 포함된 둘 이상의 문장들 중 고객의 상담 의도를 분류하기 위한 중요도가 높은 문장일 수 있다. 예를 들어, 프로세서(120)는 상담 데이터에 포함된 둘 이상의 문장들 중 유사도가 높은 문장들이 있을 경우, 하나의 대표 문장만을 주요 문장으로 결정할 수도 있다. 예를 들어, 프로세서(120)는 상담 데이터에 포함된 둘 이상의 문장들 중 유형 코드에 매칭되는 단어들을 다수 포함하고 있는 문장을 주요 문장으로 결정할 수도 있다. 전술한 예시에서 주요 문장은 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"일 수 있다. 전술한 주요 문장에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 상담 데이터를 전처리 하는 방법에 관하여 설명한다.

프로세서(120)는 상담 데이터에 대해 전처리(pre-processing)를 수행할 수 있다. 전처리는 상담 데이터에 관한 주요 단어를 결정하기 위하여, 상담 데이터에 포함된 음절들 중 고객 의도를 도출해 낼 수 없는 음절을 제거하는 동작을 포함할 수 있다. 프로세서(120)는 자연어 처리를 이용하여 상담 데이터의 전처리를 수행할 수 있다. 구체적으로 프로세서(120)는 상담 데이터에 관한 형태소 분석을 통해 전처리를 수행할 수 있다. 프로세서(120)는 형태소 분석된 상담 데이터에서 고객 의도를 도출해 낼 수 없는 음절을 제거할 수 있다. 고객 의도를 도출해 낼 수 없는 음절은 예를 들어, 조사, 어미 등에 대응되는 음절일 수 있다. 프로세서(120)는 상담 데이터에 관하여 고객 상담 의도를 도출해 낼 수 있는 음절을 포함하도록 전처리를 수행할 수 있다. 고객 상담 의도를 도출해 낼 수 있는 음절은 예를 들어, 명사, 동사, 형용사 등에 대응되는 음절일 수 있다. 예를 들어, 고객 상담 데이터가 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"인 경우, 프로세서(120)는 "저도", "보험", "같이", "가입", "저도", "보험료", "받을"만을 포함하도록 전처리를 수행할 수 있다. 전술한 전처리에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 상담 데이터에 포함된 단어의 사용 빈도에 기초하여 주요 단어를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 상담 데이터에 포함된 단어들의 사용 빈도를 결정할 수 있다. 프로세서(120)는 전처리 된 상담 데이터에 포함된 단어들의 사용 빈도를 결정할 수 있다.

프로세서(120)는 상담 데이터에 동일한 단어가 포함된 횟수에 기초하여 사용 빈도를 결정할 수 있다. 프로세서(120)는 상담 데이터에 동일한 단어가 포함된 횟수가 사전 결정된 임계 값 이상인 경우, 사용 빈도가 높은 것으로 결정할 수도 있고, 또는 상담 데이터에 포함된 단어들의 사용 횟수들 중 상위 사용 횟수에 대응되는 단어들을 사용 빈도가 높은 것으로 결정할 수도 있다. 예를 들어, 프로세서(120)는 사용 빈도를 높다, 낮다 등으로 분류할 수도 있고, 또는 사용 빈도를 사용 횟수에 대응하는 값으로 결정할 수도 있다. 사용 빈도(420)에 관하여 도 4를 참조하여 설명하면, 상담 데이터에 단어 "보험"이 80회 사용되었고, 단어 "치료비"가 24회 사용되었고, 단어 "교통사고"가 13회 사용되었고, "상해"가 18회 사용되었을 수 있다. 본 개시의 일 실시예에 따라 사용 빈도가 20회 이상인 단어들에 대하여 사용 빈도가 높은 것으로 결정하는 경우, 프로세서(120)는 "보험" 및 "치료비"단어들에 대한 사용 빈도를 높은 것으로 결정할 수 있다. 본 개시의 다른 일 실시예에 다라 사용 빈도가 상위 3개에 속하는 단어들에 대하여 사용 빈도가 높은 것으로 결정하는 경우, 프로세서(120)는 "보험", "치료비" 및 "상해"단어들에 대한 사용 빈도를 높은 것으로 결정할 수도 있다. 전술한 단어의 사용 빈도에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 동일한 단어 또는 유사한 의미의 단어가 변형된 형태로 상담 데이터에 포함된 경우라도, 동일한 단어가 언급된 것으로 판단하여 사용 빈도를 결정할 수 있다. 변형된 단어는 예를 들어, 띄어쓰기가 다른 단어, 어미가 다른 단어 등일 수 있다. 예를 들어, 프로세서(120)는 "입원 료"와 "입원료"를 동일한 단어로 판단하여 사용 빈도를 결정할 수 있다. 또한, 예를 들어, 프로세서(120)는 입원료와 병원비를 유사한 단어로 판단하여 사용 빈도를 결정할 수 있다. 전술한 단어의 사용 빈도에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 단어들의 사용 빈도에 기초하여 상기 상담 데이터에 관한 주요 단어를 결정할 수 있다. 프로세서(120)는 사용 빈도가 높은 단어들에 기초하여 주요 단어를 결정할 수 있다. 프로세서(120)는 상위 사용 빈도를 가지는 단어들을 주요 단어로 결정할 수 있다. 예를 들어, 상담 데이터에 포함된 단어들 각각에 대한 사용 횟수가 24, 25, 1, 6, 14, 5, 4인 경우, 프로세서(120)는 사용 횟수가 24, 25에 대응하는 단어들의 사용 빈도가 높은 것으로 결정할 수 있고, 사용 횟수가 24, 25에 대응하는 단어들을 주요 단어로 결정할 수 있다. 전술한 주요 단어 결정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 상담 데이터에 포함된 단어들의 동시 출현 정도에 기초하여 주요 단어를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 전술한 바와 같이 상담 데이터에 대해 전처리를 수행할 수 있다. 프로세서(120)는 전처리된 상담 데이터에 포함된 단어들의 동시 출현 정도에 기초하여 주요 단어를 결정할 수 있다.

프로세서(120)는 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인 경우 단어들의 동시 출현 관계를 결정할 수 있다. 프로세서(120)는 전처리된 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인 경우 단어들의 동시 출현 관계를 결정할 수 있다. 동시 출현 관계는 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인지 여부에 관한 정보일 수 있다. 예를 들어, 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요."이고, 사전 결정된 값이 3인 경우, "다쳐서"와 "입원" 단어들의 거리는 2이므로, 프로세서(120)는 "다쳐서"와 "입원"은 동시 출현 관계에 있는 것으로 결정할 수 있고, 그리고 "다쳐서"와 "뼈" 단어들의 거리는 5이므로, 프로세서(120)는 "다쳐서"와 "뼈"는 동시 출현 관계에 있지 않은 것으로 결정할 수 있다. 전술한 동시 출현 관계에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 단어들의 동시 출현 정도에 기초하여 단어들에 대해 후처리(post-processing)를 수행할 수 있다. 후처리는 단어들의 동시 출현 정도에 따라 단어들을 변형하는 동작을 의미할 수 있다. 후처리는 단어들의 동시 출현 정도가 높은 경우 하나의 단어로 그룹핑(grouping)하는 동작을 포함할 수 있다. 프로세서(120)는 단어들 간의 거리가 1인 경우 인접 단어 관계로 결정할 수 있다. 프로세서(120)는 사전 결정된 임계 횟수 이상 인접 단어 관계로 결정된 단어들의 경우 단어들을 그룹핑하여 하나의 단어로 재 정의할 수 있다. 예를 들어, 단어 "실비"와 "보험"간의 거리가 1인 경우가 상담 데이터에서 5회 발견된 경우, 프로세서(120)는 인접 단어 관계로 5번 결정된 것으로 연산할 수 있다. 프로세서(120)는 단어 "실비"와 "보험"에 대하여 사전 결정된 임계 횟수 이상 인접 단어 관계로 결정된 것으로 판단하여, "실비 보험"으로 그룹핑하여 하나의 단어로 재 정의할 수 있다. 전술한 후처리 동작에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 단어들의 동시 출현 정도에 기초하여 상담 데이터에 관한 주요 단어를 결정할 수 있다. 이하에서는 단어들의 동시 출현 정도에 기초하여 상담 데이터에 관한 주요 단어를 결정하는 방법에 관하여 도 3 및 도 4를 참조하여 설명한다.

프로세서(120)는 상담 데이터에 포함된 둘 이상의 단어 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 프로세서(120)는 상담 데이터에 대한 후처리 동작을 고려하여 둘 이상의 단어 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 프로세서(120)는 후처리 동작에 기초하여 하나의 단어로 재 정의된 단어는 하나의 노드로 생성할 수 있다. 도 3 (a)에서 A, B, C 및 D 각각에 대응되는 원형이 노드일 수 있다. A, B, C 및 D 각각이 상담 데이터에 포함된 단어들 각각에 대응될 수 있다. 예를 들어, 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요."인 경우, 프로세서(120)는 "어제", "다쳐서", "병원", "입원", "왼팔", "뼈", "부러졌" 각각에 대응되는 노드를 생성할 수 있다. 전술한 노드에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 동시 출현 관계를 가지는 단어들의 노드를 연결하는 엣지를 생성할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(120)는 동시 출현 관계를 가지는 단어들 각각에 대응되는 노드를 연결하는 엣지를 생성할 수 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(120)는 동시 출현 관계를 사전 결정된 횟수 이상 가지는 단어들에 대해서만 엣지를 생성할 수도 있다. 도 3 (a)에서 A, B 노드 사이를 연결하는 선이 엣지일 수 있다. 본 예시에서 A-B, A-D, B-D, C-D 각각에 대한 단어들이 동시 출현 관계를 가지는 단어들이거나, 또는 사전 결정된 횟수 이상의 동시 출현이 있는 단어들일 수 있다. 전술한 엣지에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 둘 이상의 노드들 각각에 대하여 1의 가중치를 균등하게 분배할 수 있다. 도 3 (a)에서 프로세서(120)는 A, B, C, D 각각의 노드에 1의 가중치를 균등하게 분배하여 노드들 각각은 0.25의 가중치를 분배 받았을 수 있다. 전술한 가중치에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 각각의 엣지에 대한 가중치를 연산할 수 있다. 프로세서(120)는 각 노드가 가지고 있는 가중치를 노드와 연결된 엣지에 균등하게 분배하도록 연산할 수 있다. 도 3 (b)에서 프로세서(120)는 A 노드에 대한 가중치 0.25를 B 노드 및 D 노드와 연결된 두개의 엣지 각각에 균등하게 분배하도록 연산할 수 있다. 프로세서(120)는 A 노드의 가중치 0.25를 각각의 엣지에 0.125만큼씩 분배하도록 연산할 수 있다. 프로세서(120)는 D 노드에 대한 가중치 0.25를 A, B, C 노드 각각과 연결된 세개의 엣지 각각에 균등하게 분배하도록 연산할 수 있다. 프로세서(120)는 D 노드의 가중치 0.25를 각각의 엣지에 0.083만큼씩 분배하도록 연산할 수 있다. 도 3 (b)에서 B 노드 및 C 노드에 관한 엣지 가중치 연산은 생략되어 도시되었다. 전술한 엣지 가중치 연산에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 엣지의 가중치에 기초하여 둘 이상의 노드 각각에 대한 중요도를 연산할 수 있다. 프로세서(120)는 노드의 가중치에 사전 결정된 제 1 확률을 곱하고, 그리고 노드와 연결된 엣지의 가중치에 사전 결정된 제 2 확률을 곱한 값 각각을 합하여 노드에 대한 중요도를 연산할 수 있다. 사전 결정된 제 1 확률 및 사전 결정된 제 2 확률의 합은 100 퍼센트일 수 있다. B 노드에 대한 초기 중요도 값은, B 노드의 가중치(0.25)에 사전 결정된 제 1 확률(0.15)을 곱하고, B 노드 및 A 노드 사이의 엣지 가중치(0.125)와 B 노드 및 D 노드 사이의 엣지 가중치(0.083)를 더한 값에 사전 결정된 제 2 확률(0.85)을 곱한 값 각각의 총합((0.125+0.083)*0.85 + (0.25)*0.15 = 0.214)일 수 있다. 도 3 (c)에서 각각의 노드에 대하여 동일한 방법으로 연산을 수행한 초기 중요도 값은 A 노드는 0.214, B 노드는 0.214, C 노드는 0.108, D 노드는 0.463일 수 있다. 프로세서(120)는 각 노드의 초기 중요도 값을 기초로 엣지의 가중치를 연산하고, 중요도를 다시 연산하는 과정을 반복하여 수행할 수 있다. 여러 번 중요도 값을 반복해서 연산하면, 각각의 노드에 대하여 하나의 값으로 중요도 값이 수렴할 수 있다. 프로세서(120)는 각각의 노드에 대하여 하나의 값으로 중요도 값이 수렴하는 경우, 해당 값을 노드에 대한 중요도 값으로 최종적으로 결정할 수 있다. 전술한 중요도 값에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 단어를 결정할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 노드들 중 중요도가 사전 결정된 임계 값 이상인 노드들에 대응하는 단어를 주요 단어로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)는 노드들 중 상위 중요도 값을 가지는 노드들에 대응하는 단어를 주요 단어로 결정할 수 있다. 도 4의 중요도(410)를 참조하면, 단어 "보험"에 대응하는 노드의 중요도 값은 0.089849이고, 단어 "치료비"에 대응하는 노드의 중요도 값은 0.026183이고, 단어 "교통사고"에 대응하는 노드의 중요도 값은 0.017231일 수 있다. 본 개시의 일 실시예에 따라, 중요도 값이 사전 결정된 임계 값인 0.02 이상인 단어를 주요 단어로 결정하는 경우, 프로세서(120)는 "보험" 및 "치료비"단어들을 주요 단어로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라, 중요도 값이 상위 3개인 단어들을 주요 단어로 결정하는 경우, 프로세서(120)는 "보험", "치료비" 및 "교통사고"단어들을 주요 단어로 결정할 수 있다. 전술한 주요 단어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 상담 데이터에 포함된 문장들의 유사도에 기초하여 주요 문장을 결정하는 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라 프로세서(120)는 상담 데이터에 포함된 유사도가 높은 둘 이상의 문장들 중 하나의 문장을 대표 문장으로 결정할 수 있다. 프로세서(120)는 대표 문장에 기초하여 상담 데이터에 관한 주요 문장을 결정할 수 있다. 대표 문장은 유사도가 높은 둘 이상의 문장들을 대표할 수 있는 하나의 문장을 의미할 수 있다. 예를 들어, 프로세서(120)는 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요." 문장과 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장에 포함된 단어들의 매칭률이 높으므로, 두 문장 간의 유사도가 높은 것으로 결정할 수 있다. 프로세서(120)는 두개의 문장에 대하여 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요." 문장을 대표 문장으로 결정할 수 있다. 문장들 간의 유사도 판단에 관하여 후술하여 구체적으로 설명한다. 프로세서(120)는 대표 문장들 중 적어도 일부의 대표 문장을 주요 문장으로 결정할 수 있다. 전술한 주요 문장에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상담 데이터에 포함된 둘 이상의 문장들 간의 유사도를 연산할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 문장들 각각이 포함하고 있는 하나 이상의 단어의 의미, 배열 및 각 단어 간의 관계에 기초한 분석을 수행하여 유사도를 산출할 수 있다. 프로세서(120)는 문장들 각각이 포함하고 있는 하나 이상의 단어의 의미 및 배열의 매칭률에 기초하여 유사도를 산출할 수 있다. 프로세서(120)는 매칭률이 높을수록 유사도가 높은 것으로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)는 자연어 처리를 이용하여 두 문장 간의 유사도를 산출할 수 있다. 프로세서(120)는 두 문장 각각에 대한 문장 벡터를 연산하여 문장 벡터들 간의 유사도를 연산하여, 두 문장 간의 유사도를 산출할 수 있다. 예를 들어 상담 데이터가 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요. 어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장들을 포함하는 경우, 프로세서(120)는 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요." 문장과 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장에 포함된 단어들의 매칭률이 높으므로, 두 문장 간의 유사도가 높은 것으로 결정할 수 있다. 전술한 문장 유사도에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상담 데이터에 포함된 둘 이상의 문장 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 이하에서는 도 3을 참조하여 설명한다. 도 3 (a)에서 A, B, C 및 D 각각에 대응되는 원형이 노드일 수 있다. A, B, C 및 D 각각이 상담 데이터에 포함된 문장들 각각에 대응될 수 있다. 전술한 노드에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 유사 관계를 가지는 문장들의 노드를 연결하는 엣지를 생성할 수 있다. 프로세서(120)는 유사도가 사전 결정된 임계 값 이상인 문장들 각각에 대응되는 노드들에 대해서만 엣지를 생성할 수 있다. 도 3 (a)에서 A, B 노드 사이를 연결하는 선이 엣지일 수 있다. 본 예시에서 A-B, A-D, B-D, C-D 각각에 대한 문장들이 유사 관계(예를 들어, 유사도가 사전 결정된 임계 값 이상인 두개의 문장들)를 가지는 문장들일 수 있다. 전술한 엣지에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 둘 이상의 노드들 각각에 대하여 1의 가중치를 균등하게 분배할 수 있다. 프로세서(120)는 각각의 엣지에 대한 가중치를 연산할 수 있다. 프로세서(120)는 엣지의 가중치에 기초하여 둘 이상의 노드 각각에 대한 중요도를 연산할 수 있다. 가중치를 분배하고, 엣지에 대한 가중치를 연산하고, 그리고 노드 각각에 대한 중요도를 연산하는 방법은 전술한 바와 같다.

프로세서(120)는 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 문장을 결정할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 노드들 중 중요도가 사전 결정된 임계 값 이상인 노드들에 대응하는 문장을 주요 문장으로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)는 노드들 중 상위 중요도 값을 가지는 노드들에 대응하는 문장을 주요 문장으로 결정할 수 있다. 예를 들어, "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요" 문장에 대응되는 노드의 중요도 값이 0.24이고, "어제 다쳐서 병원에 입원을 했는데" 문장에 대응되는 노드의 중요도 값이 0.01이고, "왼팔 뼈가 부러졌더라고요" 문장에 대응되는 노드의 중요도 값이 0.18인 경우, 중요도 값이 높은 노드에 대응되는 문장인 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요"를 주요 문장으로 결정할 수 있다. 전술한 주요 문장에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

메모리(130)에는 유형 코드 별 하나 이상의 단어 또는 문장이 저장되어 있을 수 있다. 예를 들어, '보험료 할인 문의' 유형에 대해서 '할인', '비흡연 기간', '혈당' 등의 단어가 매칭되어 저장되어 있을 수 있다. 또는, 예를 들어, '보험료 할인 문의' 유형에 대해서 '할인 받으려면 어떻게 해야 하나요?', '보험료 할인 받을 수 있나요?' 등의 문장이 매칭되어 저장되어 있을 수 있다. 전술한 유형 코드 별 단어 또는 문장에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상담 데이터에 기초하여 추출된 주요 단어 또는 주요 문장과, 유형 코드 별 매칭되어 저장된 단어 또는 문장을 비교할 수 있다. 프로세서(120)는 주요 단어 또는 주요 문장과, 동일한 단어 또는 동일한 문장이 가장 많은 유형 코드를, 상담 데이터에 대한 유형 코드로 결정할 수 있다. 프로세서(120)는 주요 단어 또는 주요 문장과, 메모리(130)에 저장된 단어 또는 문장의 의미 유사도를 비교하여, 단어 또는 문장의 의미 유사도가 가장 높은 유형 코드를, 상담 데이터에 대한 유형 코드로 결정할 수 있다. 의미 유사도는 문장 또는 단어들을 벡터화하고, 그리고 벡터화 한 문장 또는 단어들 간의 거리 연산을 통해 결정될 수 있다. 전술한 유형 코드 결정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 사전 저장된 유형 코드 별 형식을 이용하여 상담 데이터에 대응되는 형식을 결정할 수 있다.

유형 코드 별 형식은 유형 코드 별로 자주 나오는 항목을 정리한 데이터일 수 있다. 프로세서(120)는 유형 코드 별 형식을 이용하여 상담 요약 결과를 출력할 수 있다. 특정 분야에 대해 상담이 수행되는 경우, 상담 유형 별로 상담 내용을 정형화 할 수 있다. 메모리(130)에는 정형화 된 형식이 저장되어 있을 수 있다. 프로세서(120)는 형식에 대응되게 상담 데이터를 요약하여 정리할 수 있다. 유형 코드 별 형식에 관하여 이하에서는 도 2를 참조하여 설명한다.

유형 코드 별 형식은 하나 이상의 항목을 포함할 수 있다. 둘 이상의 형식들 각각에는 해당 형식에 대응되는 상담 수행 시 자주 나오는 항목들이 저장되어 있을 수 있다. 둘 이상의 형식들에 공통되는 항목들이 있을 수 있고, 또는 상이한 항목들이 있을 수 있다.

항목은 관련이 있는 상담 내용들의 상위 집합일 수 있다. 상담 내용은 상담 데이터의 적어도 일부를 의미할 수 있다. 하나 이상의 항목은 고객 기본 정보 관련 항목, 고객 문의 관련 항목, 상담원 응대 관련 항목, 상담 대상 관련 항목 또는 비용 관련 항목 중 적어도 하나를 포함할 수 있다. 고객 기본 정보 관련 항목은 고객과 다른 고객을 구별하기 위한 상담 내용일 수 있다. 예를 들어, 고객 기본 정보 관련 항목은 고객 나이 항목, 고객 이름 항목, 고객 질병 항목 등일 수 있다. 고객 질병 항목에 대한 요약 정보는 심장병 이력 무, 간질환 유, 가족 치매 이력 유 등일 수 있다. 고객 문의 관련 항목은 고객의 주요 문의 사항일 수 있다. 예를 들어, 고객 문의 관련 항목은 보험료 할인 적용 가능 여부, 보험료 할인 적용을 위한 필요 서류 등의 요약 정보와 매칭될 수 있다. 상담원 응대 관련 항목은 고객 문의 사항에 대한 응답으로 상담원이 수행한 추가 동작과 연관될 수 있다. 예를 들어, 상담원 응대 관련 항목은 고객 요청에 따른 고객 정보 변경, 보험료 할인을 위한 필요 서류 안내 등의 요약 정보와 매칭될 수 있다. 상담 대상 관련 항목은 상담 대상에 관한 항목일 수 있다. 상담 대상은 서비스에서 제공하는 상품 관련 내용일 수 있다. 예를 들어, 상담 대상 관련 항목은 상품 카테고리, 상품명 등일 수 있다. 예를 들어, 상담 대상 관련 항목은 보장성 보험, 실비 보험, A형 실비 보험 등의 요약 정보와 매칭될 수 있다. 전술한 항목에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 2를 참조하여 예를 들어 유형 및 항목에 관하여 설명한다. 도 2(a)는 보험료 할인 문의 유형 코드에 대한 형식일 수 있다. 보험료 할인 문의에 대한 상담을 수행할 때, 자주 질의 되는 내용은 보험 가입일, 비흡연 기간, 혈압, 혈당, 체질량(BMI)일 수 있으며, 그에 관한 항목들이 보험료 할인 문의 형식에 포함되어 있을 수 있다. 도 2(b)는 특정 뇌졸중 해당 질병 문의에 대한 형식일 수 있다. 보험 약관에 기재되어 있는 '특정 뇌졸중'에 어떤 질병이 포함되는지에 관한 상담을 수행할 때, 자주 질의 되는 내용은 상품명, 무배당형 또는 무해지환급형인지 여부, 질병명일 수 있고, 각각에 관한 항목이 포함되어 있을 수 있다. 예를 들어, 둘 이상의 유형 코드에 대한 형식들은 공통적으로 고객 문의 항목, 상담원 응대 항목을 포함할 수 있다. 전술한 형식 및 항목에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상담 데이터로부터 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출할 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 상담 데이터 및 항목 정보를 하나 이상의 사전 학습된 네트워크 함수를 포함하는 요약 정보 결정 모델을 이용하여 연산하여, 요약 정보를 추출할 수 있다. 요약 정보 결정 모델은 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나, 및 항목 정보를 연산하여 요약 정보를 출력하도록 학습된 모델일 수 있다. 주요 단어 또는 주요 문장은 전술한 바와 같이 추출될 수 있다. 요약 정보 결정 모델은 상담 데이터로부터 추출된 주요 단어 또는 주요 문장과 항목 정보를 이용하여, 항목 정보에 대응되는 내용이 어떤 것인지 결정할 수 있다. 항목 정보는 항목에 관한 정보로, 항목에 관한 설명을 벡터화 한 데이터이거나, 또는 항목 각각에 대해 매칭된 코드 등일 수 있다. 즉, 요약 정보 결정 모델은 벡터화된 주요 단어 또는 주요 문장과, 주요 단어 또는 주요 문장으로부터 추출하고자 하는 내용의 상위 집합인 항목 정보를 연산할 수 있다. 요약 정보 결정 모델은 전술한 바와 같은 리커런트 뉴럴 네트워크일 수 있다. 요약 정보 결정 모델은 주요 단어 또는 주요 문장들 중 항목 정보에 대응되는 내용을 출력하도록 할 수 있다. 전술한 요약 정보 결정 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나와 사전 저장된 항목 별 요약 정보들을 비교하여, 요약 정보를 추출할 수 있다. 프로세서(120)는 상담 데이터에 관한 주요 단어 또는 주요 문장을 전술한 바와 같이 추출할 수 있다. 메모리(130)에는 사전에 항목 별 요약 정보들이 저장되어 있을 수 있다. 프로세서(120)는 메모리(130)에 저장된 요약 정보들 중에서 주요 단어 또는 주요 문장과 대응도가 높은 요약 정보를 해당 상담 데이터의 요약 정보로 결정할 수 있다. 하나의 서비스에 대한 상담을 수행하는 경우, 하나의 항목에서 도출될 수 있는 요약 정보의 가짓수는 제한적일 수 있다. 예를 들어, 상품명 항목에 대해서 도출될 수 있는 요약 정보는 서비스에서 제공하는 상품의 개수만큼 존재할 수 있다. 예를 들어, 메모리(130)에는 상품명 항목에 매칭된 A 상품, B 상품 그리고 C 상품이 있을 수 있다. 그리고 상담 데이터로부터 추출된 주요 단어는 B일 수 있다. 프로세서(120)는 주요 단어 B와 대응도가 높은 B 상품을, 상품명 항목에 대한 요약 정보로 결정할 수 있다. 전술한 요약 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 상담 데이터에 포함된 문장들 중 사전 저장된 항목 별 문장 형식과 대응되는 문장을 이용하여 요약 정보를 추출할 수 있다. 메모리(130)에는 항목 별로 사용될 수 있는 문장 형식이 저장되어 있을 수 있다. 문장 형식은 예를 들어, 의문문, 평서문, 부정문 등을 포함할 수 있다. 예를 들어, 고객 문의 항목은 고객 발화 문장 중에서, 의문문 문장 형식이 매칭되어 저장되어 있을 수 있다. 프로세서(120)는 고객의 발화 문장 중에서 의문문 문장 형식에 대응되는 발화 문장을 이용하여, 고객 문의 항목에 대한 요약 정보를 추출할 수 있다. 예를 들어, 보험료 할인이 되는지 확인하기 위하여 상담원이 고객에게 혈당 수치를 물어보고, 고객은 자신의 혈당 수치를 답할 수 있다. 메모리(130)에는 혈당 항목에 매칭되어, 상담원의 의문문 문장 형식 발화 이후 발화되는, 고객의 평서문 문장 형식이 저장되어 있을 수 있다. 프로세서(120)는 상담원의 의문문 문장 형식의 발화 이후 고객의 평서문 문장 형식 발화가 있을 경우, 해당 평서문 문장 형식의 고객 발화 문장을 이용하여 혈당 항목에 대한 요약 정보를 추출할 수 있다. 전술한 문장 형식에 따른 요약 정보 추출에 관한 구체적인 내용은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 상담 데이터에 포함된 의미 단위 중 사전 저장된 항목 별 키워드와 대응되는 의미 단위를 포함하는 문장을 이용하여 요약 정보를 추출할 수 있다. 메모리(130)에는 항목 별로 하나 이상의 키워드들이 사전에 저장되어 있을 수 있다. 예를 들어, 메모리(130)에 보험금 지급 관련 항목에 매칭되는 키워드로 '얼마', '원', '금액'이 저장되어 있을 수 있다. 예를 들어, 키워드 '원'이 포함된 문장 “100만원이 지급될 예정입니다”에 기초해서 보험금 지급 관련 항목에 대한 요약 정보를 추출할 수 있다. 프로세서(120)는 키워드를 그대로 포함하고 있는 문장을 분석하여 요약 정보를 추출할 수 있다. 또는, 프로세서(120)는 키워드와 대응되는 의미 단위를 포함하는 문장을 분석하여 요약 정보를 추출할 수 있다. 즉, 메모리(130)에 저장된 키워드와 고객의 발화에 포함된 키워드가 일치하지 않더라도, 문맥 상 내용이 동일한 의미 단위인 경우, 해당 문장을 이용하여 요약 정보를 추출할 수 있다. 전술한 요약 정보 추출에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성할 수 있다. 형식에 포함된 하나 이상의 항목 각각에 대한 요약 정보가 추출되면, 프로세서(120)는 추출된 요약 정보들을 이용하여 상담 요약 결과를 생성할 수 있다. 프로세서(120)는 형식의 빈칸에 해당하는 부분을 요약 정보로 채워 넣음으로써, 상담 요약 결과를 생성할 수 있다. 예를 들어, 도 2(a)의 형식에서, 프로세서(120)는 항목 각각에 대응되는 빈칸 부분을 요약 정보로 기재하여, 상담 요약 결과를 생성할 수 있다. 전술한 상담 요약 결과에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상담 요약 결과를 고객 단말에 전달할 것을 결정할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 상담 요약 결과를 고객 단말에 전송할 수 있다. 프로세서(120)는 예를 들어, 전화 상담이 끝난 후, 메신저를 이용하여 고객 단말에 상담 요약 결과를 전송할 수 있다. 또는, 채팅 상담이 끝난 후, 해당 채팅 채널을 이용하여 고객 단말에 상담 요약 결과를 전송할 수 있다. 전술한 상담 요약 결과의 전달에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

고객은 상담원과의 상담 이후 상담 요약 결과를 수신할 수 있다. 고객은 상담 요약 결과를 수신함으로써, 상담 내용을 일일이 기억하지 않아도 된다. 또한, 추후 어떤 내용으로 상담을 수행했는지, 또는 어떤 내용의 답변을 수신했는지 확인이 가능하다. 상담 요약 결과를 고객에게 전달함으로써 고객의 통화 중 메모 등의 불편함을 해소할 수 있다. 또한, 동일 내용으로 고객이 반복적으로 문의하는 것을 방지하여 콜센터의 업무 가중을 해소할 수 있다.

이하는 상담 요약 결과에 대응되는 고객 피드백에 관한 설명이다.

프로세서(120)는 상담 요약 결과에 관한 피드백을 수신할 수 있다. 프로세서(120)는 고객 단말로부터 상담 요약 결과에 관한 피드백을 수신할 수 있다.

피드백은 상담 요약 결과의 적어도 일부에 관한 평가를 포함할 수 있다. 피드백은 상담 요약 결과에 대한 만족도를 포함할 수 있다. 예를 들어, 만족도는 정량적인 척도(예를 들어, 점수, 등급 등)로 표시될 수 있다. 피드백은 상담 요약 결과 중 일부에 대한 만족도를 포함할 수 있다. 예를 들어, 상담 요약 결과 중 제 1 항목과 제 2 항목 각각에 대해 만족도를 상이하게 평가하거나, 또는 어느 하나의 항목에 대해서만 만족도를 평가할 수도 있다. 또는, 예를 들어 만족도는 고객의 만족도에 관한 서술을 포함할 수 있다. 예를 들어, 프로세서(120)는 '좋아요', '별로네요' 등의 고객 입력을 피드백으로 수신할 수 있다. 전술한 피드백에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 부정적 피드백이 임계 값 이상인 경우, 유형 코드 결정 방법을 업데이트 할 것으로 결정할 수 있다. 프로세서(120)는 부정적인 피드백이 너무 높은 경우 유형 코드 자체를 잘 못 결정한 것으로 판단할 수 있다. 프로세서(120)는 유형 코드 결정 방법을 업데이트할 수 있다. 또는, 프로세서(120)는 유형 코드 결정 방법 및 요약 정보 추출 방법 두가지 모두 업데이트할 수 있다.

프로세서(120)는 부정적 피드백이 임계 값 미만인 경우, 요약 정보 추출 방법을 업데이트 할 것으로 결정할 수 있다. 프로세서(120)는 부정적인 피드백이 일부 있었으나, 정도가 너무 심하지 않을 경우, 유형 코드는 제대로 결정되었으나, 유형 코드에 들어가는 일부 내용(즉, 요약 정보)가 잘 못 추출된 것으로 결정할 수 있다. 프로세서(120)는 요약 정보 추출 방법을 업데이트할 수 있다.

피드백은 상담 요약 결과의 적어도 일부에 관한 정정을 포함할 수 있다. 피드백은 상담 요약 결과에 포함된 적어도 일부의 요약 정보에 관한 정정을 포함할 수 있다. 고객은 상담 요약 결과를 확인하고, 일부 잘못 기재된 부분이 있을 경우, 해당 부분을 정정할 수 있다. 프로세서(120)는 고객 단말로부터 요약 정보 중 적어도 일부에 대한 정정을 수신할 수 있다. 프로세서(120)는 정정된 정보를 이용하여 요약 정보 추출 방법을 업데이트할 수 있다.

이하는 프로세서(120)가 고객 피드백에 기초하여 상담 데이터 분석 방법을 업데이트하는 방법에 관한 설명이다.

프로세서(120)는 피드백에 기초하여 유형 코드 결정 방법 또는 요약 정보 추출 방법 중 적어도 하나를 업데이트 할 수 있다. 프로세서(120)는 사전 결정된 시간 단위 또는 사전 결정된 피드백 정도 중 적어도 하나에 기초하여 유형 코드 결정 방법 또는 요약 정보 추출 방법 중 적어도 하나를 업데이트할 수 있다. 프로세서(120)는 일정 주기 마다 유형 코드 결정 방법 또는 요약 정보 추출 방법을 업데이트할 수 있다. 프로세서(120)는 부정적인 피드백이 임계 수치 이상 수신되거나, 또는 고객의 정정 정보가 임계 수치 이상 수신되는 경우, 유형 코드 결정 방법 또는 요약 정보 추출 방법을 업데이트할 수 있다. 즉, 고객의 피드백을 이용하여 새로운 학습 데이터를 생성하기에 충분한 양이 되었을 때, 새로운 학습 데이터를 생성하고, 그리고 유형 코드 결정 방법 또는 요약 정보 추출 방법을 업데이트할 수 있다. 전술한 피드백에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상담 요약 결과를 메모리(130)에 저장할 수 있다. 프로세서(120)는 상담 요약 결과에 대한 피드백에 따라, 상담 요약 결과를 다른 용도로 사용하기 위하여, 메모리(130)에 상담 요약 결과를 저장할 수 있다. 예를 들어, 피드백이 긍정적인 경우, 상담 요약 결과를 저장하여, 프로세서(120)는 추후 학습 데이터로 사용하거나, 트렌드 분석에 사용할 수 있다. 또는, 예를 들어, 피드백이 부정적인 경우, 상담 요약 결과를 저장하여, 프로세서(120)는 추후 정정 결과를 포함하는 학습 데이터로 사용할 수 있다. 즉, 상담 요약 결과가 정상인 경우, 추후 상담 요약 결과를 추출하기 위한 모델을 학습시키기 위해서 메모리(130)에 저장할 수 있고, 그리고 상담 요약 결과가 비정상인 경우, 추후 정정된 데이터를 새로운 라벨로 이용하여 상담 요약 결과를 추출하기 위한 모델을 학습시키기 위해서 메모리(130)에 저장할 수 있다.

이하는 상담 데이터를 이용한 트렌드(trend) 파악 방법에 관하여 설명한다.

프로세서(120)는 둘 이상의 상이한 시간 구간에 대응되는 상담 요약 결과에 기초한 분석 결과를 출력할 수 있다. 프로세서(120)는 시계열적인 상담 요약 결과들을 분석하여, 분석 결과를 출력할 수 있다. 프로세서(120)는 과거의 상담 요약 결과와 최근의 상담 요약 결과를 비교하여, 분석 결과를 출력할 수 있다. 분석 결과는 유형 코드, 항목 또는 요약 정보 중 적어도 하나에 관한 분석 정보를 포함할 수 있다. 분석 결과는 과거 데이터와 비교하였을 때, 최근 데이터에서의 증감 정보를 포함할 수 있다. 예를 들어, 분석 결과는 최근에 고객 문의가 증가한 유형 또는 항목에 관한 분석을 포함할 수 있다. 분석 결과는 사전 결정된 기준으로 그룹핑된 내용을 포함할 수 있다. 예를 들어, 분석 결과는 요약 정보에 포함된 고객 정보를 이용한, 고객 군 분석을 포함할 수 있다. 전술한 트렌드 파악에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

네트워크부(110)는 본 개시의 일 실시예에 따른 상담 데이터 분석을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 상담 데이터 분석을 수행하기 위하여 고객 상담 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 분석 자료 생성을 분산 처리할 수 있도록 할 수 있다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 상담 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 상담 데이터 분석을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 상담 데이터 분석을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 상담 데이터 분석을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 5는 본 개시의 일 실시예에 따라 상담 데이터 분석 방법의 순서도이다.

컴퓨팅 장치(100)는 상담 데이터에 관한 유형 코드를 결정(510)할 수 있다.

컴퓨팅 장치(100)는 사전 저장된 유형 코드 별 형식을 이용하여 상담 데이터에 대응되는 형식을 결정(520)할 수 있다.

컴퓨팅 장치(100)는 상담 데이터로부터 상기 형식에 포함된 하나 이상의 항목 각각에 대응되는 요약 정보를 추출(530)할 수 있다. 하나 이상의 항목은 고객 기본 정보 관련 항목, 고객 문의 관련 항목, 상담원 응대 관련 항목, 상담 대상 관련 항목 또는 비용 관련 항목 중 적어도 하나를 포함할 수 있다.

컴퓨팅 장치(100)는 하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성(540)할 수 있다.

컴퓨팅 장치(100)는 상담 요약 결과에 관한 피드백을 수신할 수 있다. 피드백은 상담 요약 결과의 적어도 일부에 관한 평가 또는 상담 요약 결과의 적어도 일부에 관한 정정 중 적어도 하나를 포함할 수 있다.

컴퓨팅 장치(100)는 피드백에 기초하여 유형 코드 결정 방법 또는 요약 정보 추출 방법 중 적어도 하나를 업데이트 하거나, 또는 상담 요약 결과를 저장할 수 있다. 컴퓨팅 장치(100)는 사전 결정된 시간 단위 또는 사전 결정된 피드백 정도 중 적어도 하나에 기초하여 유형 코드 결정 방법 또는 요약 정보 추출 방법 중 적어도 하나를 업데이트할 수 있다.

컴퓨팅 장치(100)는 둘 이상의 상이한 시간 구간에 대응되는 상담 요약 결과에 기초한 분석 결과를 출력할 수 있다. 분석 결과는 형 코드, 항목 또는 요약 정보 중 적어도 하나에 관한 분석 정보를 포함할 수 있다.

도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화 된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

1. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 상담 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
   상담 데이터에 관한 유형 코드를 결정하는 동작;
   사전 저장된, 유형 코드 별로 정형화된 하나 이상의 항목을 포함하는 형식들 중 상기 상담 데이터와 부합하는 형식을 결정하는 동작;
   상기 상담 데이터로부터 상기 형식에 포함된 상기 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 동작; 및
   하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성하는 동작;
   을 포함하되,
   상기 상담 데이터에 관한 유형 코드를 결정하는 동작은:
   상기 상담 데이터에 포함된 단어들 중 2개의 특정 단어들 사이에 존재하는 다른 단어들의 수가 기설정된 수준 이하인 경우 상기 2개의 특정 단어들이 동시 출현 관계에 있다고 결정하는 동작;
   상기 상담 데이터에 포함된 단어들에 대응되는 노드들을 결정하는 동작;
   상기 동시 출현 관계를 기초로 상기 노드들 사이를 연결하는 엣지를 결정하는 동작;
   각각의 노드에 가중치를 분배하는 동작;
   상기 각각의 노드에 분배된 가중치를 기초로 상기 엣지에 가중치를 분배하는 동작;
   상기 각각의 노드에 분배된 가중치 및 상기 엣지에 분배된 가중치에 사전 결정된 확률을 각각 곱하는 것을 기초로, 상기 각각의 노드의 중요도를 연산하는 동작;
   상기 중요도가 임계값 이상인 노드에 대응되는 단어를 주요 단어로 결정하는 동작; 및
   상기 주요 단어와 사전 저장된 유형 코드 별 단어를 비교하여 상기 유형 코드를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 제 1 항에 있어서,
   상기 상담 데이터에 관한 유형 코드를 결정하는 동작은:
   고객 단말 또는 상담원 단말 중 적어도 하나의 유형 코드 입력에 기초하여 상기 유형 코드를 결정하는 동작; 또는
   하나 이상의 사전 학습된 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 상기 유형 코드를 결정하는 동작;
   중 적어도 하나의 동작을 더 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
7. 제 6 항에 있어서,
   상기 유형 코드 결정 모델은:
   상기 상담 데이터에 포함된 둘 이상의 의미 단위들 간의 관계를 파악하기 위한 제 1 서브 모델 및 상기 둘 이상의 의미 단위들 간의 관계에 기초하여 상기 유형 코드를 출력하기 위한 제 2 서브 모델을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
8. 삭제
9. 제 1 항에 있어서,
   상기 상담 데이터로부터 상기 형식에 포함된 상기 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 동작은:
   상기 상담 데이터 및 항목 정보를 하나 이상의 사전 학습된 네트워크 함수를 포함하는 요약 정보 결정 모델을 이용하여 연산하여, 상기 요약 정보를 추출하는 동작;
   상기 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나와 사전 저장된 항목 별 요약 정보들을 비교하여, 상기 요약 정보를 추출하는 동작;
   상기 상담 데이터에 포함된 문장들 중 사전 저장된 항목 별 문장 형식과 대응되는 문장을 이용하여 상기 요약 정보를 추출하는 동작; 또는
   상기 상담 데이터에 포함된 의미 단위 중 사전 저장된 항목 별 키워드와 대응되는 의미 단위를 포함하는 문장을 이용하여 상기 요약 정보를 추출하는 동작;
   중 적어도 하나의 동작을 포함하되,
   상기 요약 정보 결정 모델은:
   상기 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나, 및 상기 항목 정보를 연산하여 상기 요약 정보를 출력하도록 학습된 모델인,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
10. 삭제
11. 제 1 항에 있어서,
    둘 이상의 상이한 시간 구간에 대응되는 상담 요약 결과에 기초한 분석 결과를 출력하는 동작;
    을 더 포함하고,
    상기 분석 결과는,
    유형 코드, 항목 또는 요약 정보 중 적어도 하나에 관한 분석 정보를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램
    
12. 제 1 항에 있어서,
    상기 하나 이상의 항목은:
    고객 기본 정보 관련 항목, 고객 문의 관련 항목, 상담원 응대 관련 항목, 상담 대상 관련 항목 또는 비용 관련 항목 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
13. 삭제
14. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 상담 데이터를 분석하기 위한 방법으로서,
    상담 데이터에 관한 유형 코드를 결정하는 단계;
    사전 저장된, 유형 코드 별로 정형화된 하나 이상의 항목을 포함하는 형식들 중 상기 상담 데이터와 부합하는 형식을 결정하는 단계;
    상기 상담 데이터로부터 상기 형식에 포함된 상기 하나 이상의 항목 각각에 대응되는 요약 정보를 추출하는 단계; 및
    하나 이상의 요약 정보를 포함하는 상담 요약 결과를 생성하는 단계;
    를 포함하되,
    상기 상담 데이터에 관한 유형 코드를 결정하는 단계는:
    상기 상담 데이터에 포함된 단어들 중 2개의 특정 단어들 사이에 존재하는 다른 단어들의 수가 기설정된 수준 이하인 경우 상기 2개의 특정 단어들이 동시 출현 관계에 있다고 결정하는 단계;
    상기 상담 데이터에 포함된 단어들에 대응되는 노드들을 결정하는 단계;
    상기 동시 출현 관계를 기초로 상기 노드들 사이를 연결하는 엣지를 결정하는 단계;
    각각의 노드에 가중치를 분배하는 단계;
    상기 각각의 노드에 분배된 가중치를 기초로 상기 엣지에 가중치를 분배하는 단계;
    상기 각각의 노드에 분배된 가중치 및 상기 엣지에 분배된 가중치에 사전 결정된 확률을 각각 곱하는 것을 기초로, 상기 각각의 노드의 중요도를 연산하는 단계;
    상기 중요도가 임계값 이상인 노드에 대응되는 단어를 주요 단어로 결정하는 단계; 및
    상기 주요 단어와 사전 저장된 유형 코드 별 단어를 비교하여 상기 유형 코드를 결정하는 단계;
    를 포함하는,
    상담 데이터를 분석하기 위한 방법.
    
15. 삭제
16. 삭제

Images