KR20210070623A

KR20210070623A - 사용자의 관심사를 추출하는 인공 지능 장치 및 그 방법

Info

Publication number: KR20210070623A
Application number: KR1020190160595A
Authority: KR
Inventors: 정부순; 방수라; 정우철; 장보미
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-05
Filing date: 2019-12-05
Publication date: 2021-06-15
Also published as: US11200075B2; US20210173680A1

Abstract

본 발명은 사용자가 입력한 데이터 또는 인공 지능 장치로 수신된 데이터를 사용자 관심 데이터로 저장하는 메모리, 사용자 관심 데이터로부터 키워드를 추출하고, 키워드를 관심 분류 모델을 이용하여 키워드에 매칭되는 관심사로 분류하고, 관심사에 대한 관심 순위 가중치를 증가시키는 프로세서를 포함하는 인공 지능 장치를 제공한다.

Description

사용자의 관심사를 추출하는 인공 지능 장치 및 그 방법 {AN ARTIFICIAL INTELLIGENCE APPARATUS FOR EXTRACTING USER INTEREST AND METHOD FOR THE SAME}

본 개시는 사용자의 관심사를 추출하는 인공 지능 장치 및 그 방법에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.

한편, 최근 인공 지능 디바이스의 사용이 늘면서 인공 지능 디바이스에 축적되는 데이터의 양도 증가하고 있다.

그러나, 인공 지능 디바이스들이 인공 지능 디바이스의 사용으로 인해 생성되는 사용자의 데이터를 단순히 저장하거나 저장된 사용자 데이터를 검색할 수 있는 기능을 제공하는데 그치고 있다.

따라서, 인공 지능 디바이스가 방대한 사용자 데이터에 기반하여 제공할 수 있는 새로운 기능의 필요성이 증대하고 있다.

본 개시는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.

본 개시는 인공 지능 장치에 저장된 데이터를 기반으로 사용자 관심사를 추출하는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.

본 개시는 사용자가 입력한 데이터 또는 인공 지능 장치로 수신된 데이터를 기반으로 사용자 관심사를 파악하는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.

본 개시는 사용자 관심사를 추출하여 사용자의 관심사를 기반으로 콘텐츠를 그룹핑하여 표시할 수 있는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.

본 개시는 사용자의 관심 우선 순위를 파악하여 우선 순위가 높은 관심사와 관련된 서비스를 추천할 수 있는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.

본 개시의 일 실시 예는 사용자가 입력한 데이터 또는 인공 지능 장치로 수신된 데이터를 사용자 관심 데이터로 저장하는 메모리, 사용자 관심 데이터로부터 키워드를 추출하고, 키워드를 관심 분류 모델을 이용하여 키워드에 매칭되는 관심사로 분류하고, 관심사에 대한 관심 순위 가중치를 증가시키는 프로세서를 포함하는 인공 지능 장치를 제공한다.

또한, 본 개시의 일 실시 예는 사용자가 입력한 데이터 또는 인공 지능 장치로 수신된 데이터를 사용자 관심 데이터로 저장하는 단계, 사용자 관심 데이터로부터 키워드를 추출하는 단계, 키워드를 관심 분류 모델을 이용하여 키워드에 매칭되는 관심사로 분류하는 단계 및 관심사에 대한 관심 순위 가중치를 증가시키는 단계를 포함하는 사용자 관심사 추출 방법을 제공한다.

본 개시의 실시 예에 따르면, 사용자 관심 데이터를 기반으로 사용자 관심사를 추출하여 사용자의 관심사를 파악할 수 있다.

또한, 본 개시의 다양한 실시 예에 따르면, 사용자의 관심사를 기반으로 콘텐츠를 그룹핑하여 표시하여 인공 지능 장치의 사용 편리성을 증대시킬 수 있다.

또한, 본 개시의 다양한 실시 예에 따르면, 사용자가 입력한 데이터 또는 인공 지능 장치로 수신된 데이터를 기반으로 사용자 관심사를 파악함으로써 사용자의 관심사를 정확하게 파악할 수 있다.

또한, 본 개시의 다양한 실시 예에 따르면, 사용자의 관심 우선 순위를 파악하여 우선 순위가 높은 관심사와 관련된 서비스를 추천할 수 있어 인공 지능 장치의 사용 만족도를 높일 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 사용자 관심사를 추출하는 방법을 설명하기 위한 동작 흐름도이다.
도 5 및 도 6은 본 개시의 일 실시 예에 따른 텍스트 데이터로부터 사용자 관심사를 추출하는 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 에에 따른 이미지 데이터로부터 사용자 관심사를 추출하는 방법을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 애플리케이션 푸시 알림 데이터로부터 사용자 관심사를 추출하는 방법을 설명하기 위한 도면이다.
도 9 및 도 10은 본 개시의 일 실시 예에 따른 사용자 관심사별로 그룹핑하여 사용자 관심 데이터를 표시하는 방법을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 사용자 관심사를 추출하는 방법을 설명하기 위한 동작 흐름도이다.

메모리(170)는 사용자 관심 데이터를 저장할 수 있다(S401).

메모리(170)는 사용자가 입력한 데이터 또는 인공 지능 장치(100)로 수신된 데이터를 사용자 관심 데이터로 저장할 수 있다.

사용자 관심 데이터는 사용자의 관심사를 파악하는데 이용될 수 있는 데이터를 의미할 수 있다.

사용자 관심 데이터는 문자 메시지 데이터, 이미지 데이터, 일정 데이터, 메모 데이터, 검색 데이터, 애플리케이션 푸시 알림 데이터 중 적어도 하나를 포함할 수 있다.

사용자 관심 데이터는 사용자가 입력한 데이터 또는 인공 지능 장치(100)로 수신된 데이터를 포함할 수 있다.

사용자가 입력한 데이터는 사용자가 문자 메시지 발송을 위해 입력한 문자 메시지 데이터, 카메라를 통해 촬영한 사진 또는 동영상에 대한 이미지 데이터, 일정 관리를 위해 입력된 일정 데이터, 메모를 위해 입력한 메모 데이터 및 정보를 검색하기 위해 입력한 검색 데이터 중 적어도 하나를 포함할 수 있다.

또한, 사용자가 인공 지능 장치(100)를 통해 입력한 데이터는 사용자가 능동적으로 입력한 데이터인 능동 데이터를 포함할 수 있다.

한편, 인공 지능 장치(100)로 수신된 데이터는 외부 장치로부터 통신부(110)를 통해 수신된 데이터를 포함할 수 있다.

인공 지능 장치(100)로 수신된 데이터는 사용자가 인공 지능 장치(100)의 입력부(120)를 통해 입력하지 않은 수동 데이터를 포함할 수 있다.

예를 들어, 인공 지능 장치(100)로 수신된 데이터는 통신부(100)를 통해 수신된 문자 메시지 데이터 및 애플리케이션 푸시 알림 데이터 중 적어도 하나를 포함할 수 있다.

프로세서(180)는 사용자 관심 데이터로부터 키워드를 추출할 수 있다(S402).

프로세서(180)는 사용자 관심 데이터에서 사용자의 관심사를 파악하기 위한 키워드를 분리하여 추출할 수 있다.

프로세서(180)는 사용자 관심 데이터에 포함된 텍스트 데이터로부터 키워드를 추출할 수 있다.

프로세서(180)는 사용자 관심 데이터에 포함된 텍스트 데이터에 대하여 명사를 분리 추출하여 추출한 명사를 키워드로 추출할 수 있다.

예를 들어, 사용자 관심 데이터가 문자 메시지 데이터인 경우 문자 메시지 데이터에 포함된 텍스트 데이터에 대하여 형태소 분석 모듈을 이용하여 명사를 분리하여 추출할 수 있다.

형태소 분석 모듈은 머신 러닝에서 사용되는 인공 신경망(ANN: Artificial Neural Network) 모델을 포함할 수 있다. 인공 신경망 모델은 컨볼루션 신경망(Convolutional Neural Network, CNN) 또는 LSTM(Long-Short Term Memory)과 같은 순환 신경망(Recurrent Neural Network, RNN) 알고리즘으로 학습된 모델일 수 있으나 이에 한정되는 것은 아니다.

형태소 분석 모듈은 입력되는 텍스트 데이터에 대하여 각각의 음절별로 형태소 분석 결과가 태깅된 값을 출력할 수도 있다.

프로세서(180)는 음절별로 형태소 분석 결과가 태깅된 값에 기초하여 텍스트 데이터로부터 명사를 분리하여 추출할 수 있다.

도 5를 참고하면, 사용자 관심 데이터는 제1 문자 메시지 데이터(501), 제2 문자 메시지 데이터(502), 제3 문자 메시지 데이터(503) 및 제4 문자 메시지 데이터(504)를 포함할 수 있다.

프로세서(180)는 제1 문자 메시지 데이터(501), 제2 문자 메시지 데이터(502), 제3 문자 메시지 데이터(503) 및 제4 문자 메시지 데이터(504)로부터 키워드를 추출할 수 있다.

예를 들어, 프로세서(180)는 제1 문자 메시지 데이터(501)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '치과', '예약', '방문', '시간'을 분리하여 추출하고, 분리 추출한 명사 중 '치과'를 제1 키워드(505) '치과'로 추출할 수 있다. 나머지 명사 '예약', '방문' 또는 '시간'도 키워드로 추출될 수 있으나 설명의 편의를 위하여 명사'치과'가 키워드로 추출된 상황을 가정하여 설명한다.

또한, 프로세서(180)는 제2 문자 메시지 데이터(502)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '정형외과', '치료'를 분리하여 추출하고, 분리 추출한 명사 중 '정형외과', '치료'를 제2 키워드(506) '정형외과', '치료'로 추출할 수 있다.

또한, 프로세서(180)는 제3 문자 메시지 데이터(503)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '건강보험', '의료비', '접수', '심사'을 분리하여 추출하고, 분리 추출한 명사 '건강보험, '의료비'를 제3 키워드(507) '건강보험, '의료비'로 추출할 수 있다.

또한, 프로세서(180)는 제4 문자 메시지 데이터(504)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '대사증후군', '당신', '예외', '링크'를 분리하여 추출하고, 분리 추출한 명사 중 '대사증후군'을 제4 키워드(508) '대사 증후군'으로 추출할 수 있다.

또한, 도 6를 참고하면, 사용자 관심 데이터는 제1 문자 메시지 데이터(601), 제2 문자 메시지 데이터(602), 제3 문자 메시지 데이터(603) 및 제4 문자 메시지 데이터(604)를 포함할 수 있다.

프로세서(180)는 제1 문자 메시지 데이터(601), 제2 문자 메시지 데이터(602), 제3 문자 메시지 데이터(603) 및 제4 문자 메시지 데이터(604)로부터 키워드를 추출할 수 있다.

예를 들어, 프로세서(180)는 제1 문자 메시지 데이터(601)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '외투'를 분리하여 추출하고, 분리 추출한 명사 '외투'를 제1 키워드(605) '외투'로 추출할 수 있다.

또한, 프로세서(180)는 제2 문자 메시지 데이터(602)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '의류'를 분리하여 추출하고, 분리 추출한 명사 '의류'를 제2 키워드(606) '의류'로 추출할 수 있다.

또한, 프로세서(180)는 제3 문자 메시지 데이터(603)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '패션'을 분리하여 추출하고, 분리 추출한 명사 '패션'을 제3 키워드(607) '패션'으로 추출할 수 있다.

또한, 프로세서(180)는 제4 문자 메시지 데이터(504)의 텍스트 데이터로부터 형태소 분석 모듈을 이용하여 명사 '청바지'를 분리하여 추출하고, 분리 추출한 명사 '청바지'를 제4 키워드(508) '청바지'로 추출할 수 있다.

한편, 프로세서(180)는 사용자 관심 데이터에 포함된 이미지 데이터에서 인식되는 객체를 기초로 키워드를 추출할 수 있다.

이미지 데이터는 사진 또는 동영상 데이터를 포함할 수 있다.

프로세서(180)는 객체 인식 모델을 이용하여 이미지 데이터로부터 인식되는 객체를 기초로 키워드를 획득할 수 있다.

객체 인식 모델은 사진 또는 영상 데이터를 포함하는 이미지 데이터를 입력하면 사진 또는 영상에 포한된 객체들의 정보를 출력할 수 있는 인공 신경망 모델일 수 있다.

객체 인식 모델은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성될 수 있다. 객체 인식 모델은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

객체 인식 모델은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

객체 인식 모델은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 또는 강화 학습(Reinforcement Learning)을 통해 생성될 수 있다.

도 7를 참고하면, 프로세서(180)는 객체 인식 모델(708)을 이용하여 적어도 하나 이상의 사용자 관심 데이터에 포함된 이미지 데이터(701, 702, 703, 704, 705, 706)에서 인식되는 각각의 객체를 기초로 키워드(709, 710, 711, 712, 713, 714)를 획득할 수 있다.

예를 들어, 프로세서(180)는 객체 인식 모델(708)을 이용하여 제1 이미지 데이터(701)로부터 인식되는 강아지 동물 객체를 기초로 제1 키워드 '강아지'를 추출할 수 있다.

또한, 프로세서(180)는 객체 인식 모델(708)을 이용하여 제2 이미지 데이터(702)로부터 인식되는 치킨 음식 객체를 기초로 제2 키워드 '치킨'을 추출할 수 있다.

또한, 프로세서(180)는 객체 인식 모델(708)을 이용하여 제3 이미지 데이터(703)로부터 인식되는 피자 음식 객체를 기초로 제3 키워드 '피자'를 추출할 수 있다. 또한, 프로세서(180)는 객체 인식 모델(708)을 이용하여 제4 이미지 데이터(704)로부터 인식되는 강아지 동물 객체를 기초로 제4 키워드 '강아지'를 추출할 수 있다. 또한, 프로세서(180)는 객체 인식 모델(708)을 이용하여 제5 이미지 데이터(705)로부터 인식되는 강아지 동물 객체를 기초로 제5 키워드 '강아지'를 추출할 수 있다. 또한, 프로세서(180)는 객체 인식 모델(708)을 이용하여 제6 이미지 데이터(706)로부터 인식되는 강아지 동물 객체를 기초로 제6 키워드 '강아지'를 추출할 수 있다.

한편, 프로세서(180)는 애플리케이션 푸시 알림 데이터로부터 키워드를 추출할 수 있다.

애플리케이션 푸시 알림 데이터는 애플리케이션의 이름 데이터, 애플리케이션의 카테고리 데이터 및 푸시 메시지 데이터 중 적어도 하나를 포함할 수 있다.

애플리케이션 푸시 알림 데이터는 인공 지능 장치(100)에 설치되어 동작하는 애플리케이션에서 생성하는 알림 데이터일 수 있다. 애플리케이션은 외부 서버(미도시)로부터 수신한 데이터를 이용하여 알림 데이터를 생성할 수도 있다.

또한, 인공 지능 장치(100)에 설치된 애플리케이션 각각은 푸시 알림 허용 설정에 따라 푸시 알림을 제공할 수 있다.

예를 들어, 프로세서(180)는 애플리케이션에 대하여 푸시 알림을 중단하는 설정이 입력되는 경우 애플리케이션이 푸시 알림을 제공할 수 없도록 제어할 수 있다.

또한, 프로세서(180)는 애플리케이션에 대하여 푸시 알림이 허용된 것으로 설정된 경우에만 푸시 알림을 제공할 수 있도록 할 수 있다.

따라서, 애플리케이션의 푸시 알림 허용여부를 사용자가 직접 선택할 수 있으므로 애플리케이션의 푸시 알림 데이터는 사용자의 관심사를 정확하게 추출할 수 있는 데이터가 될 수 있다.

도 8을 참고하면, 애플리케이션 푸시 알림(801, 802, 803, 804)은 애플리케이션의 이름 데이터, 애플리케이션의 카테고리 데이터 및 애플리케이션 푸시 메시지 데이터를 포함하는 애플리케이션 푸시 알림 데이터를 포함할 수 있다.

제1 푸시 알림(801)은 애플리케이션의 이름 데이터 'SRIO', 애플리케이션의 카테고리 데이터 '쇼핑' 및 애플리케이션의 푸시 메시지 데이터 '셔츠 20% 할인'을 포함하는 제1 애플리케이션 푸시 알림 데이터(805)를 포함할 수 있다.

제2 푸시 알림(802)은 애플리케이션의 이름 데이터 'RELON', 애플리케이션의 카테고리 데이터 '부동산' 및 애플리케이션의 푸시 메시지 데이터 '아파트에 대한 새로운 이야기가 올라왔습니다'을 포함하는 제2 애플리케이션 푸시 알림 데이터(806)를 포함할 수 있다.

제3 푸시 알림(803)은 애플리케이션의 이름 데이터 '35st', 애플리케이션의 카테고리 데이터 '쇼핑' 및 애플리케이션의 푸시 메시지 데이터 '비타민 10% 할인'을 포함하는 제3 애플리케이션 푸시 알림 데이터(807)를 포함할 수 있다.

제4 푸시 알림 (804)은 애플리케이션의 이름 데이터 'REALBUCKS', 애플리케이션의 카테고리 데이터 '식음료' 및 애플리케이션의 푸시 메시지 데이터 '오늘 아메리카노를 무료로 드립니다'을 포함하는 제4 애플리케이션 푸시 알림 데이터(808)를 포함할 수 있다.

프로세서(180)는 제1 애플리케이션 푸시 알림 데이터(805)에 포함된 카데고리 데이터 '쇼핑' 및 푸시 메시지 데이터'셔츠 20% 할인'로부터 형태소 분석 모듈을 이용하여 제1 키워드 '쇼핑, 셔츠, 할인'(809)를 추출할 수 있다.

또한, 프로세서(180)는 제2 애플리케이션 푸시 알림 데이터(806)에 포함된 카데고리 데이터 '부동산' 및 푸시 메시지 데이터'아파트에 대한 새로운 이야기가 올라왔습니다'로부터 형태소 분석 모듈을 이용하여 제2 키워드 '부동산, 아파트'(810)를 추출할 수 있다.

또한, 프로세서(180)는 제3 애플리케이션 푸시 알림 데이터(807)에 포함된 카데고리 데이터 '쇼핑' 및 푸시 메시지 데이터'비타민 10% 할인'로부터 형태소 분석 모듈을 이용하여 제3 키워드 '쇼핑, 비타민, 할인'(811)를 추출할 수 있다.

또한, 프로세서(180)는 제4 애플리케이션 푸시 알림 데이터(808)에 포함된 카데고리 데이터 '식음료' 및 푸시 메시지 데이터'오늘 아메리카노를 무료로 드립니다'로부터 형태소 분석 모듈을 이용하여 제2 키워드 '식음료, 아메리카노'(812)를 추출할 수 있다.

프로세서(180)는 추출한 키워드를 관심 분류 모델을 이용하여 키워드에 매칭되는 관심사로 분류할 수 있다(S403).

프로세서(180)는 추출된 적어도 하나 이상의 키워드 각각에 대하여 관심 분류 모델을 이용하여 적어도 하나 이상의 키워드 각각에 매칭되는 관심사로 분류 할 수 있다.

관심 분류 모델은 머신 러닝에서 사용되는 인공 신경망 모델일 수 있다.

관심 분류 모델이 지도 학습을 통해 생성되는 경우 학습 데이터에 대한 레이블(label)이 주어진 상태에서 학습될 수 있다. 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

예를 들어, 관심 분류 모델은 적어도 하나 이상의 키워드 및 적어도 하나 이상의 키워드 각각에 매칭되는 관심사 정보를 레이블링한 학습데이터를 이용하여 학습된 모델일 수 있다.

예를 들어, 학습데이터에 레이블링되는 관심사 정보는 '건강', '패션', '쇼핑', '식음료', '애완동물', '음식', '부동산', '예술', '문화', '경제', '스포츠', '사회', '생활', '교육', '미용', '여행' 등과 같은 관심사 정보를 포함할 수 있다.

또한, 학습데이터는 각각의 관심사 별로 레이블링된 키워드 데이터를 포함할 수 있다. 예를 들어, 학습데이터는 키워드 '패션, 의류, 청바지, 셔츠, 외투'등에 대하여 관심사 정보 '패션'이 레이블링 데이터를 포함할 수 있다.

따라서, 관심 분류 모델은 새로운 키워드가 입력될 경우, 해당 키워드에 매칭되는 관심사를 출력할 수 있다.

도 5를 참고하면, 프로세서(180)는 제1 키워드 '치과'(505)를 관심 분류 모델을 이용하여 제1 키워드 '치과'(505)에 매칭되는 제1 관심사 '건강'(509)으로 분류할 수 있다.

또한, 프로세서(180)는 제2 키워드 '정형외과, 치료'(506)를 관심 분류 모델을 이용하여 제2 키워드 '정형외과, 치료'(506)에 매칭되는 제2 관심사 '건강, 건강'(510)으로 분류할 수 있다. 프로세서(180)는 사용자 관심 데이터로부터 추출된 키워드가 복수개인 경우, 복수의 키워드 각각을 관심 분류 모델을 이용하여 복수의 키워드 각각에 매칭되는 관심사로 분류할 수 있다.

또한, 프로세서(180)는 제3 키워드 '건강보험, 의료비'(507)를 관심 분류 모델을 이용하여 제3 키워드 '건강보험, 의료비'(507)에 매칭되는 제3 관심사 '건강, 건강'(511)으로 분류할 수 있다.

또한, 프로세서(180)는 제4 키워드 '대사증후군'(508)를 관심 분류 모델을 이용하여 제4 키워드 '대사증후군'(508)에 매칭되는 제4 관심사 '건강'(512)로 분류할 수 있다.

또한, 도 6을 참고하면, 프로세서(180)는 제1 키워드 '외투, 세일'(605)을 관심 분류 모델을 이용하여 제1 키워드 '외투, 세일'(605)에 매칭되는 제1 관심사 '패션, 쇼핑'(609)으로 분류할 수 있다.

또한, 프로세서(180)는 제2 키워드 '의류, 쇼핑몰'(606)을 관심 분류 모델을 이용하여 제2 키워드 '의류, 쇼핑몰'(606)에 매칭되는 제2 관심사 '패션, 쇼핑몰'(610)로 분류할 수 있다.

또한, 프로세서(180)는 제3 키워드 '커피'(607)를 관심 분류 모델을 이용하여 제3 키워드 '커피'(607)에 매칭되는 제3 관심사 '식음료'(611) 로 분류할 수 있다.

또한, 프로세서(180)는 제4 키워드 '청바지, 쇼핑몰, 쿠폰'(608)을 관심 분류 모델을 이용하여 제4 키워드 '청바지, 쇼핑몰, 쿠폰'(608)에 매칭되는 제4 관심사 '패션, 쇼핑, 쇼핑'(612)으로 분류할 수 있다.

또한, 도 7을 참고하면, 프로세서(180)는 제1 키워드 '강아지'(709), 제2 키워드 '치킨'(710), 제3 키워드 '피자'(711), 제4 키워드 '강아지'(712), 제5 키워드 '강아지'(713), 제6 키워드'714'각각을 관심 분류 모델을 이용하여 제 1 관심사 '애완동물'(715), 제2 관심사 '음식'(716), 제3 관심사 '음식'(717), 제 4 관심사 '애완동물'(718), 제 5 관심사 '애완동물'(719), 제 6 관심사 '애완동물'(720)로 각각 분류할 수 있다.

또한, 도 8을 참고하면, 프로세서(180)는 제1 키워드 '쇼핑, 셔츠, 할인'(809), 제2 키워드 '부동산, 아파트'(810), 제3 키워드 '쇼핑, 비타민, 할인'(811), 제4 키워드 '식음료, 아메리카노'(812) 각각을 관심 분류 모델을 이용하여 제 1 관심사 '쇼핑, 패션'(813), 제2 관심사 '부동산, 부동산'(814), 제3 관심사 '쇼핑, 건강, 쇼핑'(815), 제 4 관심사 '식음료, 식음료'(816) 로 각각 분류할 수 있다.

프로세서(180)는 분류된 관심사에 대한 관심 순위 가중치를 증가 시킬 수 있다(S404).

프로세서(180)는 적어도 하나 이상의 사용자 관심 데이터로부터 추출된 키워드에 매칭되는 관심사로 분류하고, 분류된 관심사에 대한 관심 순위 가중치를 증가시킬 수 있다. 따라서, 인공 지능 장치(100)는 사용자가 관심을 가지는 관심사를 순위별로 획득할 수 있다.

프로세서(180)는 추출된 키워드를 매칭되는 관심사로 분류하고, 관심사로 분류될 때마다 소정의 점수를 부여함으로써 관심 순위 가중치를 증가시킬 수 수 있으나, 이에 한정되는 것은 아니다.

예를 들어, 도 5를 참고하면, 프로세서(180)는 추출된 키워드가 관심사 '건강'으로 분류될 때마다 소정의 점수인 1점을 부여할 수 있다. 따라서, 프로세서(180)는 관심사 '건강'에 대하여 총 6점의 관심 순위 가중치를 부여할 수 있다. 또한, 도 6을 참고하면, 프로세서(180)는 추출된 키워드가 관심사 '패션, 쇼핑, 식음료'로 분류될 때마다 소정의 점수인 1점을 부여할 수 있다. 따라서, 프로세서(180)는 관심사 '패션'에 대하여 총 3점, 관심사 '쇼핑'에 대하여 총 4점, 관심사 '식음료'에 대하여 총 1점의 관심 순위 가중치를 부여할 수 있다.

또한, 프로세서(180)는 사용자 관심 데이터가 사용자가 입력한 능동 데이터에 해당하는지 또는 인공 지능 장치로 수신된 수동 데이터에 해당하는지 여부를 판별하고, 사용자 관심 데이터가 능동 데이터인 경우 관심 순위 가중치를 추가적으로 증가시킬 수 있다.

도 7을 참고하면, 프로세서(180)는 이미지 데이터(701, 702, 703, 704, 705, 706)가 사용자가 인공 지능 장치(100)의 카메라 등을 이용하여 촬영한 능동 데이터에 해당하는지 또는 인공 지능 장치(100)로 통신부(100)를 통해 수신된 수동 데이터에 해당하는지 여부를 판별할 수 있다.

예를 들어, 제1 이미지 데이터(701)이 인공 지능 장치(100)의 카메라를 통해 촬영된 능동 데이터인 경우, 사용자가 직접 촬영한 것이므로 사용자가 관심이 있는 객체를 촬영한 이미지일 가능성이 높다.

또한, 예를 들어, 제2 이미지 데이터(702)가 통신부(110)를 통해 수신된 수동 데이터인 경우, 사용자가 직접 촬영한 것이 아니므로 사용자의 관심도가 직접 촬영한 객체에 대한 관심도보다는 낮을 가능성이 있다.

따라서, 프로세서(180)는 능동 데이터인 제1 이미지 데이터(701)로부터 추출된 키워드 '강아지'(709)가 관심사 '애완동물'(715)로 분류되는 경우, 관심사 '애완동물'의 관심 순위 가중치를 수동 데이터로부터 관심사가 분류될 때보다 높은 가중치로 증가시킬 수 있다.

한편, 도 8을 참고하면, 프로세서(180)는 추출된 키워드가 관심사 '패션, 쇼핑, 식음료, 부동산, 건강'으로 분류될 때마다 소정의 점수인 1점을 부여할 수 있다. 따라서, 프로세서(180)는 관심사 '패션'에 대하여 총 1점, 관심사 '쇼핑'에 대하여 총 4점, 관심사 '식음료'에 대하여 총 2점, 관심사 '부동산'에 대하여 총 2점, 관심사 '건강'에 대하여 총 1점의 관심 순위 가중치를 부여할 수 있다.

또한, 프로세서(180)는 애플리케이션에 대하여 푸시 알림을 중단하는 설정이 입력되는 경우, 푸시 알림이 중단된 애플리케이션의 푸시 알림 데이터로부터 추출된 키워드에 매칭되는 관심사에 대한 관심 순위 가중치를 감소시킬 수 있다.

도 8을 참고하면, 애플리케이션 'RELON'에 대하여 푸시 알림을 중단하는 설정이 입력되는 경우, 푸시 알림이 중단된 애플리케이션 'RELON'의 푸시 알림 데이터(806)로부터 추출된 키워드(810)에 매칭되는 관심사(814)에 대한 관심 순위 가중치를 감소시킬 수 있다. 예를 들어, 프로세서(180)는 관심사 '부동산'에 대하여 총 2점의 관심 순위 가중치를 감소시킬 수 있다.

따라서, 인공 지능 장치(100)는 사용자의 관심사 변화에 따라 중단된 푸시 알림을 반영하여 사용자의 관심 순위 변화를 파악할 수 있다.

한편, 프로세서(180)는 사용자 관심 데이터를 분류된 관심사로 태깅할 수 있다(S405)

프로세서(180)는 적어도 하나 이상의 사용자 관심 데이터 각각에 대하여 매칭되는 관심사로 분류할 수 있다.

예를 들어, 도 5를 참고하면, 프로세서(180)는 사용자 관심 데이터(501, 502, 503, 504) 각각에 대하여 분류된 관심사 '건강'(509, 510, 511, 512)으로 태깅할 수 있다.

또한, 도7을 참고하면, 프로세서(180)는 이미지 데이터인 사용자 관심 데이터(701, 704, 705, 706) 각각에 대하여 분류된 관심사 '애완동물'(715, 718, 719, 720)로 태깅할 수 있다. 또한, 프로세서(180)는 이미지 데이터인 사용자 관심 데이터(702, 703) 각각에 대하여 분류된 관심사 '음식'(716, 717)로 태깅할 수 있다.

한편, 출력부(150)의 디스플레이부는 관심사별로 분류된 사용자 관심 데이터를 그룹핑하여 표시할 수 있다(S406).

디스플레이부(미도시)는 인공 지능 장치 (100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부는 인공 지능 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부는 적어도 하나의 관심사별로 분류된 적어도 하나의 사용자 관심 데이터 각각을 관심사별로 그룹핑하여 표시할 수 있다.

도 9를 참고하면, 사용자 관심 데이터가 문자 메시지 데이터인 경우 출력부(150)의 디스플레이부는 복수의 관심사 '건강, 패션, 애완동물, 금융, IT'(901, 902, 903, 904, 905) 각각을 표시할 수 있다. 또한, 디스플레이부는 복수의 사용자 관심 데이터(906, 907, 908) 각각을 관심사 '패션'(902)으로 그룹핑(909)하여 표시할 수 있다.

또한, 도 10을 참고하면, 사용자 관심 데이터가 이미지 메시지 데이터인 경우 출력부(150)의 디스플레이부는 복수의 강아지 객체에 대한 이미지 데이터 각각을 관심사 '애완동물'(1001)로 그룹핑(1002)하여 표시할 수 있다.

따라서, 인공 지능 장치(100)는 사용자 관심 데이터를 관심사별로 그룹핑하여 표시함으로써 사용자 편의성을 높일 수 있다.

한편, 프로세서(180)는 적어도 하나의 관심사 각각의 관심 순위 가중치에 기초하여 추천 서비스를 판별할 수 있다.

추천 서비스는 인공 지능 장치(100)에 설치된 애플리케이션 또는 통신부(110)를 통해 수신되는 광고 정보를 포함할 수 있다.

예를 들어, 가장 높은 관심 순위 가중치를 갖는 관심사가 '건강'인 경우, 프로세서(180)는 인공 지능 장치(100)에 설치된 애플리케이션 중 애플리케이션 카테고리 데이터가 '건강'인 애플리케이션을 추천 서비스로 판별할 수 있다.

또한, 예를 들어, 가장 높은 관심 순위 가중치를 갖는 관심사가 '식음료'인 경우, 통신부(110)를 통해 수신되는 광고 정보 중 '식음료'와 관련된 광고 정보를 추천 서비스로 판별하고, '식음료'와 관련된 광고 정보를 디스플레이를 통해 표시할 수 있다.

전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 인공 지능 장치의 프로세서(180)를 포함할 수도 있다.

Claims

사용자의 관심사를 추출하는 인공 지능 장치에 있어서,
상기 사용자가 입력한 데이터 또는 상기 인공 지능 장치로 수신된 데이터를 사용자 관심 데이터로 저장하는 메모리;
상기 사용자 관심 데이터로부터 키워드를 추출하고, 상기 키워드를 관심 분류 모델을 이용하여 상기 키워드에 매칭되는 관심사로 분류하고, 상기 관심사에 대한 관심 순위 가중치를 증가시키는 프로세서를 포함하는,
인공 지능 장치.
제1항에 있어서,
사용자 관심 근거 데이터는,
문자 메시지 데이터, 이미지 데이터, 일정 데이터, 메모 데이터, 검색 데이터, 애플리케이션 푸시 알림 데이터 중 적어도 하나를 포함하는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 사용자 관심 데이터에 포함된 텍스트 데이터에 대하여 명사를 분리추출하여 추출한 명사를 키워드로 추출하는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 사용자 관심 데이터에 포함된 이미지 데이터에서 인식되는 객체를 기초로 상기 키워드를 추출하는,
인공 지능 장치.
제2항에 있어서,
상기 애플리케이션 푸시 알림 데이터는,
상기 애플리케이션의 카테고리 데이터 및 푸시 메시지 데이터를 포함하고,
상기 프로세서는,
상기 애플리케이션 카데고리 데이터 및 푸시 메시지 데이터로부터 적어도 하나의 키워드를 추출하고, 상기 적어도 하나의 키워드를 관심 분류 모델을 이용하여 상기 적어도 하나의 키워드 각각에 매칭되는 관심사로 분류하는,
인공 지능 장치.
제5항에 있어서,
상기 프로세서는,
상기 애플리케이션에 대하여 푸시 알림을 중단하는 설정이 입력되는 경우, 상기 애플리케이션의 푸시 알림 데이터로부터 추출된 키워드에 매칭되는 관심사에 대한 관심 순위 가중치를 감소시키는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 사용자 관심 데이터가 상기 사용자가 입력한 능동 데이터에 해당하는지 또는 상기 인공 지능 장치로 수신된 수동 데이터에 해당하는지 여부를 판별하고, 상기 사용자 관심 데이터가 능동 데이터인 경우 상기 관심 순위 가중치를 추가적으로 증가시키는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 사용자 관심 데이터를 상기 관심사에 대한 데이터로 태깅하는,
인공 지능 장치.
제8항에 있어서,
적어도 하나의 관심사별로 분류된 적어도 하나의 사용자 관심 데이터 각각을 관심사별로 그룹핑하여 표시하는 디스플레이를 더 포함하는,
인공 지능 장치.
제1항에 있어서,
상기 프로세서는,
적어도 하나의 관심사 각각의 관심 순위 가중치에 기초하여 추천 서비스를 판별하는,
인공 지능 장치.
사용자가 입력한 데이터 또는 인공 지능 장치로 수신된 데이터를 사용자 관심 데이터로 저장하는 단계;
상기 사용자 관심 데이터로부터 키워드를 추출하는 단계;
상기 키워드를 관심 분류 모델을 이용하여 상기 키워드에 매칭되는 관심사로 분류하는 단계; 및
상기 관심사에 대한 관심 순위 가중치를 증가시키는 단계를 포함하는,
사용자 관심사 추출 방법.
제11항에 있어서,
사용자 관심 근거 데이터는,
문자 메시지 데이터, 이미지 데이터, 일정 데이터, 메모 데이터, 검색 데이터, 애플리케이션 푸시 알림 데이터 중 적어도 하나를 포함하는,
사용자 관심사 추출 방법.
제11항에 있어서,
상기 키워드를 추출하는 단계는,
상기 사용자 관심 데이터에 포함된 텍스트 데이터에 대하여 명사를 분리 추출하여 추출한 명사를 키워드로 추출하는,
사용자 관심사 추출 방법.
제11항에 있어서,
상기 키워드를 추출하는 단계는,
상기 사용자 관심 데이터에 포함된 이미지 데이터에서 인식되는 객체를 기초로 상기 키워드를 추출하는,
사용자 관심사 추출 방법.
제12항에 있어서,
상기 애플리케이션 푸시 알림 데이터는,
상기 애플리케이션의 이름 데이터, 카테고리 데이터 및 푸시 메시지 데이터 중 적어도 하나를 포함하고,
상기 키워드를 추출하는 단계는,
상기 애플리케이션 푸시 알림 데이터에 포함된 카테고리 데이터 및 푸시 메시지 데이터로부터 상기 키워드를 추출하는,
사용자 관심사 추출 방법.
제15항에 있어서,
상기 애플리케이션에 대하여 푸시 알림 수신을 중단하는 설정을 입력받는 단계; 및
상기 애플리케이션의 푸시 알림 데이터로부터 추출된 키워드에 매칭되는 관심사에 대한 관심 순위 가중치를 감소시키는 단계를 더 포함하는,
사용자 관심사 추출 방법.
제11항에 있어서,
상기 관심 순위 가중치를 증가시키는 단계는,
상기 사용자 관심 데이터가 상기 사용자가 입력한 능동 데이터에 해당하는지 또는 상기 인공 지능 장치로 수신된 수동 데이터에 해당하는지 여부를 판별하는 단계; 및
상기 사용자 관심 데이터가 능동 데이터인 경우 상기 관심 순위 가중치를 추가적으로 증가시키는 단계를 포함하는,
사용자 관심사 추출 방법.
제11항에 있어서,
상기 사용자 관심 데이터를 상기 관심사에 대한 데이터로 태깅하는 단계를 더 포함하는,
사용자 관심사 추출 방법.
제18항에 있어서,
적어도 하나의 관심사별로 분류된 적어도 하나의 사용자 관심 데이터 각각을 관심사별로 그룹핑하여 표시하는 단계를 더 포함하는,
사용자 관심사 추출 방법.
제11항에 있어서,
적어도 하나의 관심사 각각의 관심 순위 가중치에 기초하여 추천 서비스를 판별하는 단계를 더 포함하는,
사용자 관심사 추출 방법.