JP2018041443A - ディープラーニング人工神経網基盤のタスク提供プラットフォーム - Google Patents

Abstract

【課題】ディープラーニング人工神経網基盤のタスク提供プラットフォームを提供する。
【解決手段】ディープラーニング人工神経網基盤のタスク提供プラットフォームを提供するサーバ１５０は、電子機器１１０にインストールされた少なくとも１つのメッセージアプリケーション１０から会話情報を抽出する会話抽出部３０１、自然語処理のためのＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルと文章生成のためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルを利用して会話情報からタスク（ｔａｓｋ）情報を抽出するタスク抽出部３０３および電子機器１１０にインストールされたタスク提供アプリケーション２０にタスク情報を提供するタスク提供部３０５を含む。
【選択図】図３

Description

以下の説明は、ディープラーニング人工神経網基盤のプラットフォームサービスに関する。

今日、インターネットなどのような通信網の急激な発展に伴い、通信網を介したメッセンジャサービスが一般化している。

インターネットを利用することで、ユーザは、いつどこにいても他のユーザと容易にメッセージをやり取りすることができるが、このようなメッセンジャサービスは、我々の生活全般に多くの変化をもたらしている。

メッセンジャサービスは、移動通信の発達に伴い、モバイルメッセンジャとして国境を越えた大衆的な会話手段として利用されているが、そのユーザ数は増え続けている。これに付随して、メッセンジャを基盤としたサービスも増加傾向にある。

このようなメッセンジャサービスは、ユーザ間で会話形式によって情報を伝達できるようにしたサービスである。

メッセンジャサービスの関連技術の一例として、特許文献１（公開日２００４年０６月２６日）には、携帯用端末機においてメッセンジャ機能を実現する技術が開示されている。

韓国公開特許第１０−２００４−００５５０２７号公報

ＤＮＮ（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を基盤としてユーザがやり取りした会話内容からタスク（ｔａｓｋ、すべきこと）を抽出して提供することができる、タスク提供プラットフォームを提供する。

ＤＮＮによる自然語処理（ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓ）によってタスクを抽出することができる、タスク提供プラットフォームを提供する。

会話内容でタスク関連単語とタスク外単語を正確かつ効果的に区分することができる、学習アルゴリズムを提供する。

ユーザがやり取りした会話内容から抽出されたタスクをユーザが確認可能な形態に可視化することができる、タスク可視化方法を提供する。

コンピュータで実現される方法であって、電子機器にインストールされた少なくとも１つのメッセージアプリケーションから会話情報を抽出する段階、自然語処理のためのＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルと文章生成のためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルを利用して前記会話情報からタスク（ｔａｓｋ）情報を抽出する段階、および前記電子機器にインストールされたタスク提供アプリケーションで前記タスク情報を提供する段階を含む方法を提供する。

一側面によると、前記タスク情報を抽出する段階は、タスク関連単語が学習された前記ＣＮＮ学習モデルに基づいて前記会話情報に含まれた文章から前記タスク関連単語に該当する核心単語を抽出する段階、および前記ＲＮＮ学習モデルに基づいて前記核心単語を利用してタスク文章を生成する段階を含んでよい。

他の側面によると、前記タスク情報を抽出する段階は、感性分析特化学習モデルを含む前記ＲＮＮ学習モデルに基づいて前記会話情報に含まれた文章で肯定表現と否定表現を分析し、前記否定表現を除いた確定文章を生成する段階、およびタスク関連単語が学習された前記ＣＮＮ学習モデルに基づき、前記確定文章から前記タスク関連単語に該当する核心単語を抽出する段階を含んでよい。

また他の側面によると、前記タスク情報を抽出する段階は、タスク関連単語が学習された前記ＣＮＮ学習モデルに基づき、前記会話情報に含まれた文章からタスクを５Ｗ１Ｈ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ、Ｈｏｗ）の属性で抽出する段階を含んでよい。

また他の側面によると、前記タスク情報を抽出する段階は、感性分析特化学習モデルに基づいて前記会話情報に含まれた文章で肯定／否定を分析し、肯定／否定分析結果をタスク抽出に反映してよい。

また他の側面によると、前記ＣＮＮ学習モデルは、ワードエンベディング（ｗｏｒｄ ｅｍｂｅｄｄｉｎｇ）方法によって学習データの単語をワードベクトルで表現した後、前記タスク関連単語を目的関数として定義し、前記タスク関連単語とタスク外単語の区分のためにエンベディングベクトルの距離を調整して学習してよい。

また他の側面によると、前記ＣＮＮ学習モデルは、前記タスク関連単語として場所と時間および目的に該当する単語を目的関数として定義して学習してよい。

また他の側面によると、前記ＣＮＮ学習モデルと前記ＲＮＮ学習モデルは、学習データが追加される場合、追加された学習データに対してキャッシュ（ｃａｃｈｅ）モデルが生成された後、既存の学習モデルとの併合によって補強学習モデルが生成されてよい。

タスク提供方法を実行させるためにコンピュータで読み取り可能な記録媒体に記録されたコンピュータプログラムであって、前記タスク提供方法は、電子機器にインストールされた少なくとも１つのメッセージアプリケーションから会話情報を抽出する段階、自然語処理のためのＣＮＮ学習モデルと文章生成のためのＲＮＮ学習モデルを利用して前記会話情報からタスク情報を抽出する段階、および前記電子機器にインストールされたタスク提供アプリケーションで前記タスク情報を提供する段階を含む、コンピュータプログラムを提供する。

コンピュータで実現されるシステムであって、コンピュータが読み取り可能な命令を実行するように実現される少なくとも１つのプロセッサを含み、前記少なくとも１つのプロセッサは、電子機器にインストールされた少なくとも１つのメッセージアプリケーションから会話情報を抽出する会話抽出部、自然語処理のためのＣＮＮ学習モデルと文章生成のためのＲＮＮ学習モデルを利用して前記会話情報からタスク情報を抽出するタスク抽出部、および前記電子機器にインストールされたタスク提供アプリケーションで前記タスク情報を提供するタスク提供部を含む、システムを提供する。

本発明の実施形態によると、ＤＮＮを基盤としてユーザがやり取りした会話内容からタスクを抽出して提供することができる。

本発明の実施形態によると、ＤＮＮによる高い信頼度のある自然語処理によってタスクを正確に抽出することができる。

本発明の実施形態によると、会話内容でタスク関連単語とタスク外単語を正確かつ効果的に区分することができる。

本発明の実施形態によると、感性分析特化学習モデルを適用して会話内の肯定／否定判断結果をタスク抽出に反映することにより、有効なタスクを正確に抽出することができる。

本発明の実施形態によると、タスク抽出のための学習モデルに学習データが追加される場合、キャッシュ（ｃａｃｈｅ）モデルを生成して既存のモデルと併合する方法により、リアルタイム（ｒｅａｌ−ｔｉｍｅ）学習処理の実現が可能となる。

本発明の実施形態によると、多様な会話内容からタスクを５Ｗ１Ｈ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ、Ｈｏｗ）の属性で抽出して提供することができる。

本発明の実施形態によると、ユーザがやり取りした会話内容から抽出されたタスクを、最適化したＵＩ（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）／ＵＸ（ｕｓｅｒ ｅｘｐｅｒｉｅｎｃｅ）に合うように可視化することができる。

本発明の実施形態によると、会話内容からタスクを自動抽出して提供することにより、会話に起因されるべきことを別途管理したり記憶したりしなくても、ユーザがスケジュールを判断あるいは記録するための思考と行動の時間を短縮することができる。

本発明の一実施形態における、ネットワーク環境の例を示した図である。 本発明の一実施形態における、電子機器およびサーバの内部構成を説明するためのブロック図である。 本発明の一実施形態における、ＤＮＮ基盤のプラットフォームサービスを提供するサーバが含むことのできる構成要素の例を示した構成図である。 本発明の一実施形態における、ＤＮＮ基盤のプラットフォームサービスを提供するサーバが実行することのできる方法の例を示したフローチャートである。 本発明の一実施形態における、タスク処理のためのＬＳＴＭ学習モデルの例を示した図である。 一般的なディープラーニング補強学習処理プロセスを説明するための例示図である。 本発明の一実施形態における、リアルタイム補強学習処理プロセスを説明するための例示図である。 本発明の一実施形態における、タスク関連単語を抽出するためのＣＮＮ学習モデルの例を示した図である。 本発明の一実施形態における、ＬＳＴＭモデルを利用したタスク文章生成過程を説明するための例示図である。 本発明の一実施形態における、肯定／否定分析結果を反映したタスク抽出過程を説明するための例示図である。 本発明の一実施形態における、５Ｗ１Ｈ属性のタスクを抽出する過程を説明するための例示図である。

以下、本発明の実施形態について、添付の図面を参照しながら詳細に説明する。

本発明の実施形態は、ディープラーニング人工神経網基盤のプラットフォームサービスを提供する技術に関し、より詳細には、ＤＮＮを基盤として会話メッセージからタスクを抽出して可視化することのできるタスク提供プラットフォームに関する。

本明細書で具体的に開示されるものを含む実施形態は、ディープラーニング人工神経網基盤のプラットフォームサービスを実現してよく、これによって混雑とする会話内容からタスクを抽出して可視化することができ、さらに効率性、合理性、実効性、費用節減などの側面において相当な長所を達成することができる。

図１は、本発明の一実施形態における、ネットワーク環境の例を示した図である。図１のネットワーク環境は、複数の電子機器１１０、１２０、１３０、１４０、複数のサーバ１５０、１６０、およびネットワーク１７０を含む例を示している。このような図１は、発明の説明のための一例に過ぎず、電子機器の数やサーバの数が図１のように限定されることはない。

複数の電子機器１１０、１２０、１３０、１４０は、コンピュータ装置によって実現される固定端末や移動端末であってよい。複数の電子機器１１０、１２０、１３０、１４０の例としては、スマートフォン、携帯電話、ナビゲーション、コンピュータ、ノート型パソコン、デジタル放送用端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）、タブレットなどがある。一例として、電子機器１（１１０）は、無線または有線通信方式を利用し、ネットワーク１７０を介して他の電子機器１２０、１３０、１４０および／またはサーバ１５０、１６０と通信してよい。

通信方式が限定されることはなく、ネットワーク１７０が含むことのできる通信網（一例として、移動通信網、有線インターネット、無線インターネット、放送網）を活用する通信方式だけではなく、機器間の近距離無線通信が含まれてもよい。例えば、ネットワーク１７０は、ＰＡＮ（ｐｅｒｓｏｎａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＣＡＮ（ｃａｍｐｕｓ ａｒｅａ ｎｅｔｗｏｒｋ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、ＢＢＮ（ｂｒｏａｄｂａｎｄ ｎｅｔｗｏｒｋ）、インターネットなどのネットワークのうちの１つ以上の任意のネットワークを含んでよい。さらに、ネットワーク１７０は、バスネットワーク、スターネットワーク、リングネットワーク、メッシュネットワーク、スター−バスネットワーク、ツリーまたは階層的（ｈｉｅｒａｒｃｈｉｃａｌ）ネットワークなどを含むネットワークトポロジのうちの任意の１つ以上を含んでもよいが、これらに限定されることはない。

サーバ１５０、１６０それぞれは、電子機器１１０、１２０、１３０、１４０とネットワーク１７０を介して通信して命令、コード、ファイル、コンテンツ、サービスなどを提供するコンピュータ装置または複数のコンピュータ装置によって実現されてよい。一例として、サーバ１６０は、ネットワーク１７０を介して接続した電子機器１（１１０）にアプリケーションのインストールのためのファイルを提供してよい。この場合、電子機器１（１１０）は、サーバ１６０から提供されたファイルを利用してアプリケーションをインストールしてよい。また、電子機器１（１１０）が含むオペレーティングシステム（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ：ＯＳ）や少なくとも１つのプログラム（一例として、ブラウザや前記インストールされたアプリケーション）の制御にしたがってサーバ１５０に接続してサーバ１５０が提供するサービスやコンテンツの提供を受けてもよい。例えば、電子機器１（１１０）がアプリケーションの制御にしたがってネットワーク１７０を介してサービス要請メッセージをサーバ１５０に送信すると、サーバ１５０は、サービス要請メッセージに対応するコードを電子機器１（１１０）に送信してよく、電子機器１（１１０）は、アプリケーションの制御にしたがってコードに基づいた画面を構成して表示することによってユーザにコンテンツを提供してよい。

図２は、本発明の一実施形態における、電子機器およびサーバの内部構成を説明するためのブロック図である。図２では、１つの電子機器に対する例として電子機器１（１１０）の内部構成を、１つのサーバに対する例としてサーバ１５０の内部構成を説明する。他の電子機器１２０、１３０、１４０やサーバ１６０も同一または類似の内部構成を備えてよい。

電子機器１（１１０）とサーバ１５０は、メモリ２１１、２２１、プロセッサ２１２、２２２、通信モジュール２１３、２２３、および入力／出力インタフェース２１４、２２４を含んでよい。メモリ２１１、２２１は、コンピュータで読み取り可能な記録媒体であって、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、およびディスクドライブのような永久大容量記憶装置（ｐｅｒｍａｎｅｎｔ ｍａｓｓ ｓｔｏｒａｇｅ ｄｅｖｉｃｅ）を含んでよい。また、メモリ２１１、２２１には、オペレーティングシステムと、少なくとも１つのプログラムコード（一例として、電気機器１（１１０）にインストールされ駆動するブラウザや専用アプリケーションなどのためのコード）が格納されてよい。このようなソフトウェア構成要素は、メモリ２１１、２２１とは別のコンピュータで読み取り可能な記録媒体からロードされてよい。このような別のコンピュータで読み取り可能な記録媒体は、フロッピー（登録商標）ドライブ、ディスク、テープ、ＤＶＤ／ＣＤ−ＲＯＭドライブ、メモリカードなどのコンピュータで読み取り可能な記録媒体を含んでよい。他の実施形態において、ソフトウェア構成要素は、コンピュータで読み取り可能な記録媒体ではない通信モジュール２１３、２２３を通じてメモリ２１１、２２１にロードされてもよい。例えば、少なくとも１つのプログラムは、開発者またはアプリケーションのインストールファイルを配布するファイル配布システム（一例として、上述したサーバ１６０）がネットワーク１７０を介して提供するファイルによってインストールされるプログラム（一例として、上述したアプリケーション）に基づいてメモリ２１１、２２１にロードされてよい。

プロセッサ２１２、２２２は、基本的な算術、ロジック、および入出力演算を実行することにより、コンピュータプログラムの命令を処理するように構成されてよい。命令は、メモリ２１１、２２１または通信モジュール２１３、２２３によって、プロセッサ２１２、２２２に提供されてよい。例えば、プロセッサ２１２、２２２は、メモリ２１１、２２１のような記録装置に格納されたプログラムコードにしたがって受信される命令を実行するように構成されてよい。

通信モジュール２１３、２２３は、ネットワーク１７０を介して電子機器１（１１０）とサーバ１５０とが互いに通信するための機能を提供してもよいし、他の電子機器（一例として、電子機器２（１２０））または他のサーバ（一例として、サーバ１６０）と通信するための機能を提供してもよい。一例として、電子機器１（１１０）のプロセッサ２１２がメモリ２１１のような記録装置に格納されたプログラムコードにしたがって生成した要求が、通信モジュール２１３の制御にしたがってネットワーク１７０を介してサーバ１５０に伝達されてよい。これとは逆に、サーバ１５０のプロセッサ２２２の制御にしたがって提供される制御信号や命令、コンテンツ、ファイルなどが、通信モジュール２２３とネットワーク１７０を経て電子機器１（１１０）の通信モジュール２１３を通じて電子機器１（１１０）に受信されてもよい。例えば、通信モジュール２１３を通じて受信したサーバ１５０の制御信号や命令などは、プロセッサ２１２やメモリ２１１に伝達されてよく、コンテンツやファイルなどは、電子機器１（１１０）がさらに含むことのできる格納媒体に格納されてよい。

入力／出力インタフェース２１４は、入力／出力装置２１５とのインタフェースのための手段であってよい。例えば、入力装置は、キーボードまたはマウスなどの装置を、出力装置は、アプリケーションの通信セッションを表示するためのディスプレイのような装置を含んでよい。他の例として、入力／出力インタフェース２１４は、タッチスクリーンのように入力と出力のための機能が１つに統合された装置とのインタフェースのための手段であってもよい。より具体的な例として、電子機器１（１１０）のプロセッサ２１２は、メモリ２１１にロードされたコンピュータプログラムの命令を処理するにあたり、サーバ１５０や電子機器２（１２０）が提供するデータを利用して構成されるサービス画面やコンテンツが入力／出力インタフェース２１４を通じてディスプレイに表示されてよい。

また、他の実施形態において、電子機器１（１１０）およびサーバ１５０は、図２の構成要素よりも多くの構成要素を含んでもよい。しかし、大部分の従来技術的構成要素を明確に図に示す必要はない。例えば、電子機器１（１１０）は、上述した入力／出力装置２１５のうちの少なくとも一部を含むように実現されてもよいし、トランシーバ、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）モジュール、カメラ、各種センサ、データベースなどのような他の構成要素をさらに含んでもよい。より具体的な例として、電子機器１（１１０）がスマートフォンである場合、一般的にスマートフォンが含んでいる加速度センサやジャイロセンサ、カメラ、物理的な各種ボタン、タッチパネルを利用したボタン、入力／出力ポート、振動のための振動器などの多様な構成要素が電子機器１（１１０）にさらに含まれるように実現されてもよいことが理解できるであろう。

以下では、ＤＮＮ基盤のプラットフォームサービス方法およびシステムの具体的な実施形態について説明する。

図３は、本発明の一実施形態における、ＤＮＮ基盤のプラットフォームサービスを提供するサーバが含むことのできる構成要素の例を示した構成図であり、図４は、ＤＮＮ基盤のプラットフォームサービスを提供するサーバが実行することのできる方法の例を示したフローチャートである。

サーバ１５０は、ＤＮＮを基盤として会話メッセージからタスクを自動抽出して可視化することが可能なプラットフォームの役割をする。

図３に示すように、サーバ１５０のプロセッサ２２２は、構成要素として、会話抽出部３０１、タスク抽出部３０３、およびタスク提供部３０５を含んでよい。サーバ１５０は、図２を参照しながら説明した構成要素を基本的に含み、さらにＤＮＮ基盤のプラットフォームサービスを提供するためのビックデータプラットフォームの役割を担うものであって、会話抽出部３０１から抽出された会話情報を格納するための会話情報データベース３０２、およびタスク抽出部３０３から抽出されたタスク情報を格納するためのタスク情報データベース３０４をさらに含んでよい。

このようなプロセッサ２２２およびプロセッサ２２２の構成要素は、図４の方法が含む段階Ｓ４１０〜Ｓ４３０を実行するようにサーバ１５０を制御してよい。このとき、プロセッサ２２２およびプロセッサ２２２の構成要素は、メモリ２２１が含むオペレーティングシステムのコードと少なくとも１つのプログラムのコードによる命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行するように実現されてよい。また、プロセッサ２２２の構成要素は、オペレーティングシステムや少なくとも１つのプログラムが提供する制御命令にしたがってプロセッサ２２２によって実行される互いに異なる機能（ｄｉｆｆｅｒｅｎｔ ｆｕｎｃｔｉｏｎｓ）の表現であってよい。例えば、プロセッサ２２２が上述した制御命令にしたがって会話情報を抽出する機能的表現として会話抽出部３０１が使用されてよい。

図３に示すように、サーバ１５０で提供するプラットフォームサービスは、インターネットを介してユーザ間で会話をやり取りする媒体と連動して実施される。ここで、媒体とは、テキスト、音声、動画などのような多様な形式でメッセージをやり取りするサービスを提供するメッセージアプリケーション１０を意味し、インスタントメッセンジャ、ＳＮＳ（ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｓｅｒｖｉｃｅ）、電子メール（Ｅ−ｍａｉｌ）、ＳＭＳ（ｓｈｏｒｔ ｍｅｓｓａｇｅ ｓｅｒｖｉｃｅ）、ＭＭＳ（ｍｕｌｔｉ−ｍｅｄｉａ ｍｅｓｓａｇｅ ｓｅｒｖｉｃｅ）などを含んでよい。例えば、メッセージアプリケーション１０が、カカオトーク、ＬＩＮＥ、ＮＡＴＥ ＯＮ、ＦＡＣＥ ＢＯＯＫ、ＬＩＮＫＥＤ ＩＮなどのような多様なアプリケーションであってよいことは言うまでもない。サーバ１５０は、メッセージアプリケーション１０と密接に情報をやり取りし、これと関連してユーザに別途のサービスを提供してよいが、言い換えれば、メッセージアプリケーション１０から抽出したタスクを要約し、これに合った情報を提供することができる。

段階Ｓ４１０で、会話抽出部３０１は、電子機器１（１１０）にインストールされた少なくとも１つのメッセージアプリケーション（例えば、メッセンジャＡ、メッセンジャＢ、ＳＮＳＣなど）１０から電子機器１（１１０）のユーザの会話情報を抽出して会話情報データベース３０２に格納してよい。言い換えれば、会話抽出部３０１は、メッセージアプリケーション１０から、該当のアプリケーションの製造社で提供する開発者ツール（ＳＤＫ）を利用して、ユーザと会話をやり取りする会話者の情報、会話内容に関する情報などを含む会話情報を抽出してよい。このとき、メッセージアプリケーションから抽出された会話情報は、異質的かつ広大な分散処理システム（ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｄｉｓｔｒｉｂｕｔｅ ｓｙｓｔｅｍ）のビックデータプラットフォームである会話情報データベース３０２に追跡してよい。

段階Ｓ４２０で、タスク抽出部３０３は、自然語処理のためのＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルと文章生成のためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルを利用して、会話情報データベース３０２に格納された会話情報からタスク情報を抽出してタスク情報データベース３０４に格納してよい。タスク抽出部３０３は、自然語処理によって会話内容からタスクと関連する単語（以下、「タスク関連単語」と称する）を抽出するためのＣＮＮアルゴリズムと、会話内容でタスク文章を生成するためのＲＮＮアルゴリズムとを組み合わせて会話情報からタスク情報を抽出してよい。タスク抽出部３０３は、ＣＮＮ学習モデルに基づいて先学習した後、ＲＮＮ学習モデルに基づいてタスク文章を生成する形態のアルゴリズムを適用してもよいし、ＲＮＮ学習モデルに基づいてタスク関連単語を抽出した後、ＣＮＮ学習モデルに基づいてタスク文章を生成する形態のアルゴリズムを適用してもよい。本発明では、タスク情報抽出に特化して学習されたＤＮＮアルゴリズムがタスクを５Ｗ１Ｈ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ、Ｈｏｗ）の属性で抽出および整理する。会話情報から抽出されたタスク情報は、異質的かる広大な分散処理システム（ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｄｉｓｔｒｉｂｕｔｅ ｓｙｓｔｅｍ）のビックデータプラットフォームであるタスク情報データベース３０４に追跡してよい。タスク情報抽出に特化した学習モデルと具体的なタスク情報抽出過程については、以下で説明する。

段階Ｓ４３０で、タスク提供部３０５は、電子機器１（１１０）にインストールされたタスク提供アプリケーションでタスク情報を可視化することによって電子機器１（１１０）のユーザにタスク情報を提供してよい。タスク提供部３０５は、タスク情報データベース３０４に追跡されたタスクとリアルタイムでメッセージアプリケーションから抽出される会話情報を学習させ、タスク提供アプリケーションでタスクをリアルタイムで示すための処理を実施してよい。このとき、タスク提供アプリケーションは、ＰＣ基盤のプログラムまたはモバイル端末専用のアプリケーションで構成されてよい。また、タスク提供アプリケーションは、独立的に動作するプログラム形態で実現されてもよいし、特定のアプリケーション（例えば、メッセージアプリケーション）のイン−アプリ（ｉｎ−ａｐｐ）形態で構成されて前記特定のアプリケーション上で動作が可能なように実現されてもよい。言い換えれば、タスク提供部３０５は、ウェブサービスまたはモバイル端末専用アプリケーションの形態で提供されるタスク提供アプリケーションで、リアルタイムで処理されるタスクを最適化されたＵＩ／ＵＸに合うように表示することができる。

本発明では、人間と同じように思考することが可能なディープラーニング基盤に独自の汎用人工知能（ｇｅｎｅｒａｌ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）アルゴリズムで実現される特徴を有し、自然語処理技術とタスク抽出アルゴリズムを適用してよい。自然語処理技術とは、単語表現の分析技術を活用して単語間の関係をＤＮＮによって学習し、文章と句を分析して感性分析アルゴリズムを組み合わせることにより、文章の肯定／否定分析はもちろん、新造語および打ち間違えまでも探知および予測可能な独自のアルゴリズムである。感性分析アルゴリズムであるオピニオンマイニング（ｏｐｉｎｉｏｎ ｍｉｎｉｎｇ）は、会話内容を分析して有用な情報を提供する技術であって、テキストを分析してテキストを作成したユーザの感性と意見を統計／数値化して客観的な情報に変えることができる技術である。このような感性分析アルゴリズムを適用することにより、メッセージアプリケーションでやり取りする会話内容から肯定表現と否定表現を分析してタスク抽出に反映することができる。また、タスク抽出アルゴリズムは、膨大かつ良質のデータを独自の自然語処理技術に基づいて学習させ、会話内容でのタスク成立確率を機械が自ら判断して自主的にタスク辞書を自動で構築して学習していくアルゴリズムである。

タスク情報抽出に特化した学習モデルの構築過程を説明すると、次のとおりとなる。

サーバ１５０は、タスク抽出のための学習モデルを構築するために、複数の電子機器１１０、１２０、１３０、１４０にインストールされたメッセージアプリケーションを利用して電子機器１１０、１２０、１３０、１４０のユーザそれぞれがやり取りした会話メッセージを学習データとして収集してよく、サーバ１５０のプロセッサ２２２に含まれることのできる構成要素である学習モジュール（図示せず）で多くのユーザが利用するメッセージアプリケーションから収集した学習データを利用してタスク情報抽出に特化した学習モデルを構築してよい。

１．学習モジュールは、学習データで単語をワードベクトルによって表現することで単語のベクトル化を実行してよい。

い．学習モジュールは、機械学習モデルであるｗｏｒｄ２ｖｅｃのｓｋｉｐ−ｇｒａｍ（Ｎ−ｇｒａｍ）モデルを利用してタスク分散に特化したワードエンベディング（ｗｏｒｄ ｅｍｂｅｄｄｉｎｇ）方法を適用してよく、例えば、学習文章でタスク関連単語として場所に該当する単語、時間に該当する単語、目的に該当する単語などを学習してよい。

先ず、学習文章で場所を分散化する過程を説明すると、次のとおりとなる。

（１）一例として＜江南でビール１杯飲みましょう＞という文章を学習文章に設定した後に学習する。

（２）ユニグラム（１単語）分布（ｕｎｉｇｒａｍ ｄｉｓｔｒｉｂｕｔｉｏｎ）であるＰ（ｗ）分布に該当する雑音分布から予め設定した個数だけの雑音（ｎｏｉｓｅ）サンプルと対照する。

（３）設定雑音の個数を１に設定するとき、学習文章で「で」という単語がノイズ単語として選択されたと仮定する。

（４）学習段階ｔで目的関数を数式（１）のように定義した後に１次学習を行う。

・・・（１）

ここで、ｌｏｇＱ_θ（Ｄ＝１｜ｗ、ｈ）は、エンベディングベクトルθを学習しながらデータセットＤにおいてコンテクストｈで単語ｗが出る確率を計算する二陣ロジスティック回帰分析確率（ｂｉｎａｒｙ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ）モデルを意味し、ｋＥ_{ｗ〜Ｐｎｏｉｓｅ}は、雑音分布でｋ個のノイズ単語を意味する。

（５）目的関数を最大化するために、エンベディング因子θを更新する。

（６）エンベディング因子θの損失に対する勾配（ｇｒａｄｉｅｎｔ）を誘導するために（∂/∂θ）Ｊ_ＮＥＧ（θ値に該当する目的関数の微分値）を算出する。

（７）タスク関連単語（学習文章で場所に該当する単語である「江南」）とタスク外単語（学習文章で「で」）の区分が成功的になされるまでエンベディングベクトル（ｅｍｂｅｄｄｉｎｇ ｖｅｃｔｏｒｓ）の距離を調整する。エンベディングベクトルの距離を調整することにより、「場所」に近づいたベクトルが得られるようになる。

上述した（１）〜（７）過程により、学習文章から目的と時間を分散化してよい。

ろ．学習モジュールは、タスク関連単語の群集範囲および勾配を調整してよい。表１は、タスク関連単語の群集範囲および勾配調整の例を示している。

２．学習アルゴリズム

い．学習モジュールは、自然語処理のためのＣＮＮアルゴリズムを適用してよく、ＣＮＮ学習モデルは、次のような構造からなる。

（１）ＣＮＮ学習モデルの入力レイヤ（ｉｎｐｕｔ ｌａｙｅｒ）に学習文章内の単語のベクトル値（ｗｏｒｄ２ｖｅｃ）を行列で並べる。

（２）多重フィルタ（ｍｕｌｔｉｐｌｅ ｆｉｌｔｅｒｓ）を有するコンボリューションレイヤ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｌａｙｅｒ）とプーリングレイヤ（ｍａｘ−ｐｏｏｌｉｎｇ ｌａｙｅｒ）を連結する。

（３）分類層（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｌａｙｅｒ）でｓｏｆｔｍａｘ分類機を選択する。

ろ．学習モジュールは、文章生成のための次の構造のＲＮＮアルゴリズムを適用してよく、ＲＮＮ学習モデルは、次のような構造からなる。

（１）ＲＮＮ学習モデルは、タスク処理のためのＬＳＴＭ（ｌｏｎｇ−ｔｅｒｍ ｓｈｏｒｔ−ｔｅｒｍ ｍｅｍｏｒｙ）モデル（図５参照）を利用する。

（２）ＲＮＮ学習モデルは、学習文章が有する文脈の流れから肯定／否定を判断してよく、肯定／否定判断のためのアルゴリズム数式は、数式（２）のとおりとなる。

・・・（２）

ここで、ｈはヒドゥンレイヤ（ｈｉｄｄｅｎ ｌａｙｅｒ）の出力を示すベクトル値、Ｗはアテンション（ａｔｔｅｎｔｉｏｎ）を求めるための加重値ベクトル値、ｂはバイアス（ｂｉａｓ）、ｅは指数関数、ａは肯定／否定加重値、すなわち、ｃ（ｃｏｎｔｅｘｔ ｖｅｃｔｏｒ）を求めるときにｈに対する加重値を意味する。

は．学習モジュールは、学習データに対するリアルタイム補強学習処理を適用してよい

（１）一般的なディープラーニング補強学習処理プロセスは、図６に示すように、学習データを学習して学習モデル６１（ＣＮＮ学習モデル、ＲＮＮ学習モデル）を生成するようになるが、この後に学習データが追加される場合には既存の学習モデル６１を破棄し、新たなデータを含む全体学習データを再び学習して新たな学習モデル６３を生成する構造である。

（２）リアルタイム補強学習処理プロセスは、キャッシュモデルを生成して既存の学習モデルと併合（ｍｅｒｇｅ）する方法であって、リアルタイム学習処理が実現可能である。図７を参照すると、学習データを学習して学習モデル７１を生成した後に学習データが追加される場合、追加された学習データに対してキャッシュモデル７３を生成し、既存の学習モデル７１と併合して補強学習モデル７５を生成する。したがって、キャッシュモデルを活用して学習モデルに対するリアルタイム学習処理と補強学習処理を実現することにより、学習モデルを構築するのに必要となるリソースと費用を節減することができる。

具体的なタスク情報抽出過程として、タスク情報を抽出するための学習アルゴリズムは、次のとおりとなる。

１．タスク抽出部３０３は、ＣＮＮ学習モデルを利用して先学習した後、ＲＮＮ学習モデルを利用してタスク文章を生成する形態のアルゴリズム（ＣＮＮ＋ＲＮＮ学習アルゴリズム）を適用してよい。

い．タスク抽出部３０３は、ＣＮＮ学習モデルを利用して文章内から核心単語であるタスク関連単語を抽出してよい（図８参照）。

（１）文章に含まれた単語をベクトル値によってエンベディングする。

（２）３個のフィルタ（行の長さをそれぞれ２、３、４に設定）を合計６個の文章マトリックス合成積を実行して特徴マップを生成する。

（３）各マップのｍａｘ−ｐｏｏｌｉｎｇを行って最大値を抽出する。

（４）６個の単変量特徴ベクトル（ｍａｘ−ｐｏｏｌｉｎｇ結果値）を分類レイヤ（ｓｏｆｔｍａｘ分類機）の特徴ベクトルに連結する。

（５）分類レイヤ（ｓｏｆｔｍａｘ分類機）を利用してタスク関連単語（場所、目的、時間別単語）を抽出する。

ろ．タスク抽出部３０３は、ＲＮＮ学習モデルであるＬＳＴＭを利用してタスク文章を生成してよい。タスク抽出部３０３は、ＣＮＮ学習モデルに基づいて選別された単語をＲＮＮ学習モデルの入力データとして学習してよいが、このとき、口語や隠語などの単語校正処理も可能である。図９は、ＣＮＮ学習モデルに基づいて選別された単語を入力データとするＲＮＮ学習モデルを図式化したものでさる。

（１）単語表現（ｗｏｒｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）層：ＣＮＮによって選別された単語のベクトル値を時系列に配置する（口語や隠語などを含む）。

（２）文章構成（ｓｅｎｔｅｎｃｅ ｃｏｍｐｏｓｉｔｉｏｎ）層：単語表現層で入力されたベクトル値をＬＳＴＭアルゴリズムによって文章を再生成する。

（３）文章表現（ｓｅｎｔｅｎｃｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）層：文章構成層で生成された文章を配置する。

（４）文書構成（ｄｏｃｕｍｅｎｔ ｃｏｍｐｏｓｉｔｉｏｎ）層：生成された文章で非学習データ（口語や隠語など）を学習された会話の文章で最も近い意味の単語（類似文章のベクトル値の組み合わせによって判別）に代替する。

（５）文書表現（ｄｏｃｕｍｅｎｔ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）層：代替された単語が含まれた文章を、ｓｏｆｔｍａｘ関数を利用して最終文章を選択する。

２．タスク抽出部３０３は、あるいはＲＮＮ学習モデルを利用してタスク関連単語を抽出した後にＣＮＮ学習モデルによってタスク文章を生成する形態のアルゴリズム（ＲＮＮ＋ＣＮＮ学習アルゴリズム）を適用してよい。

い．タスク抽出部３０３は、ＲＮＮ学習モデルを利用して会話の流れを要約してよい。

（１）タスク抽出部３０３は、感性分析特化学習モデルを適用して文章内の肯定／否定を把握してよい。感性分析特化学習モデルは、数式（３）のように定義されてよい。

・・・（３）

ここで、σはシグモイド（ｓｉｇｍｏｉｄ）関数、ｘ_ｔは以前シーケンスの入力、ｈ_ｔ−１は以前シーケンスの出力、Ｗ_ｚ、Ｕ_ｚ、Ｗ_ｒ、Ｕ_ｒ、Ｗ_ｍ、Ｕ_ｍはそれぞれゲート（ｇａｔｅ）とセルメモリ（ｃｅｌｌ ｍｅｍｏｒｙ）のための加重値行列、ｒは以前状態をユニットの入力に反映する比率を決定するリセットゲート（ｒｅｓｅｔ ｇａｔｅ）、ｚは以前状態を格納して反映する程度を決定するアップデートゲート（ｕｐｄａｔｅ ｇａｔｅ）、ａｃｔは活性化（ａｃｔｉｖａｔｉｏｎ）関数、∇は要素別の積（ｅｌｅｍｅｎｔ−ｗｉｓｅ ｐｒｏｄｕｃｔ）を意味する。

（２）タスク抽出部３０３は、文脈で否定単語が影響を与える範囲を判断してよい。

（３）タスク抽出部３０３は、図１０を参照すると、タスク関連単語から否定表現単語は除いて肯定表現単語は含んだタスク関連単語を組み合わせてタスク確定文章を生成してよい。言い換えれば、肯定表現単語の場合はタスク関連単語として成立するが、否定表現単語の場合はタスク関連単語から除かれる。

ろ．タスク抽出部３０３は、ＣＮＮ学習モデルを利用してタスク関連単語を５Ｗ１Ｈ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ、Ｈｏｗ）の属性で抽出した後、タスク確率を算出して最終タスク文章を決定してよい。図１１は、５Ｗ１Ｈの属性でタスクを抽出するＣＮＮ学習モデルを図式化したものである。

（１）文章で各単語のベクトル値を行列で並べる。図１１では、６次元形態で示したが、これは説明の便宜のためであり、実際には１００次元以上の形態を有する。

（２）多重フィルタ（ｍｕｌｔｉｐｌｅ ｆｉｌｔｅｒｓ）を利用して合成積変換を実行する。

（３）合成積レイヤの結果を５Ｗ１Ｈ特徴マップとしてｍａｘ−ｐｏｏｌｉｎｇを実行する。

（４）ｍａｘ−ｐｏｏｌｉｎｇによってタスク確率を算出する。

一例として、タスク抽出部３０３は、ＲＮＮ学習モデルを利用して生成されたタスク確定文章それぞれに対して上述したＣＮＮ学習モデルを適用し、タスク確定文章のうちでタスク確率が設定値以上である文章を最終タスク文章として決定してよい。

本発明で適用しようとする学習アルゴリズムの例としては、Ｈａｄｏｏｐ＋Ｈｂａｓｅ、Ｓｐａｒｋ＋Ｗｏｒｄ２ｖｅｃ、Ｔｅｎｓｏｒｆｌｏｗ＋Ｔｈｅａｎｏ＋Ｋｅｒａｒなどによって実現可能である。

要するに、本発明に係るＤＮＮ基盤のプラットフォームサービスのためのタスク抽出方法は、データ収集段階、データ正規化段階、データ分類段階、およびパターンマイニング段階を含んでよい。

データ収集段階は、ユーザが利用するメッセージアプリケーションにアクセスし、メッセージアプリケーションでやり取りした会話内容を含むすべての活用可能なデータを収集する過程である。

データ正規化段階は、収集されたデータでテキストをＳｐａｒｋ ＭＬｌｉｂの機能の１つであるＷｏｒｄ２Ｖｅｃを利用して定量化し、定量化されたデータをベクトル値（数値）に変換する過程である。言い換えれば、単語表現を、人工神経網を利用してベクトル空間上に示すことのできる値に変換する過程である。Ｗｏｒｄ２Ｖｅｃは、各単語間の前後関係を見て接近度を定めるアルゴリズムであって、ディープラーニングに基づく教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）により単語辞書が必要ないという点と、新造語、口語、隠語などの抽出が容易であるという点などにおいて利点がある。

データ分類化段階は、共通するデータ群集と類似するベクトル性向を示すデータを分類する過程である。すなわち、類似のパターンと性向を有するデータを群集化して分類化するのである。例えば、文章において、場所、目的、時間に該当する単語に対する群集化が可能である。

パターンマイニング段階は、共通するデータ群集で頻繁に発生する同じベクトルパターンを認識する過程である。このように認識されたパターンに基づき、会話内容からタスク抽出のための情報を学習することができる。

上述したアルゴリズムに自然語処理技術を組み合わせることにより、会話内容からタスクを抽出してよい。先ず、膨大なデータを自然語処理技術に基づいて学習させる。次に、会話内容でタスク成立確率を自らが判断し、自主的にタスク辞書を自動で構築して学習していく。このような学習モデルにより、ユーザが利用する多様なメッセージアプリケーション上での会話内容からタスクを抽出することができる。自然語処理部分は、ｗｏｒｄ２ｖｅｃでタスク単語の調整段階を省略し、ＲＮＮを利用してすべての単語に対する非学習データ（隠語や口語など）の校正段階を経るアルゴリズムに該当する。

このように、本発明の実施形態によると、ＤＮＮを基盤としてユーザがやり取りした会話内容からタスクを抽出して可視化することにより、会話に起因したすべきことを別途で管理したり記憶したりしなくても、ユーザがスケジュールを判断あるいは記録するための思考や行動の時間を短縮することができる。また、本発明の実施形態によると、高い信頼度をもつ自然語処理技術を適用して会話内容からタスクを抽出することにより、タスク関連単語とタスク外単語を正確かつ効果的に区分することができる。また、本発明の実施形態によると、感性分析特化学習モデルを適用して会話内の肯定／否定判断結果をタスク抽出に反映することにより、有効なタスクを正確に抽出することができる。さらに、本発明の実施形態によると、タスク抽出のための学習モデルに学習データが追加される場合、キャッシュ（ｃａｃｈｅ）モデルを生成して既存のモデルと併合する方法でリアルタイム（ｒｅａｌ−ｔｉｍｅ）学習処理を実現することにより、学習モデルを構築するのに必要となるリソースと費用を節減することができる。

上述した装置は、ハードウェア構成要素、ソフトウェア構成要素、および／またはハードウェア構成要素とソフトウェア構成要素との組み合わせによって実現されてよい。例えば、実施形態で説明された装置および構成要素は、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ、マイクロコンピュータ、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサ、または命令を実行して応答することができる様々な装置のように、１つ以上の汎用コンピュータまたは特殊目的コンピュータを利用して実現されてよい。処理装置は、オペレーティングシステム（ＯＳ）および前記ＯＳ上で実行される１つ以上のソフトウェアアプリケーションを実行してよい。また、処理装置は、ソフトウェアの実行に応答し、データにアクセスし、データを格納、操作、処理、および生成してよい。理解の便宜のために、１つの処理装置が使用されるとして説明される場合もあるが、当業者は、処理装置が複数個の処理要素および／または複数種類の処理要素を含んでもよいことが理解できるであろう。例えば、処理装置は、複数個のプロセッサまたは１つのプロセッサおよび１つのコントローラを含んでよい。また、並列プロセッサのような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、またはこれらのうちの１つ以上の組み合わせを含んでもよく、思うままに動作するように処理装置を構成したり、独立的または集合的に処理装置に命令したりしてよい。ソフトウェアおよび／またはデータは、処理装置に基づいて解釈されたり、処理装置に命令またはデータを提供したりするために、いかなる種類の機械、コンポーネント、物理装置、仮想装置、コンピュータ格納媒体または装置、または伝送される信号波に永久的または一時的に具現化されてもよい。ソフトウェアは、ネットワークによって接続されたコンピュータシステム上に分散され、分散された状態で格納されても実行されてもよい。ソフトウェアおよびデータは、１つ以上のコンピュータで読み取り可能な記録媒体に格納されてもよい。

実施形態に係る方法は、多様なコンピュータ手段によって実行可能なプログラム命令の形態で実現されてコンピュータで読み取り可能な媒体に記録されてよい。前記コンピュータで読み取り可能な媒体は、プログラム命令、データファイル、データ構造などを単独でまたは組み合わせて含んでもよい。前記媒体に記録されるプログラム命令は、実施形態のために特別に設計されて構成されたものであってもよいし、コンピュータソフトウェア当業者に公知な使用可能なものであってもよい。コンピュータで読み取り可能な記録媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク、および磁気テープのような磁気媒体、ＣＤ−ＲＯＭ、ＤＶＤのような光媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような光磁気媒体、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を格納して実行するように特別に構成されたハードウェア装置が含まれる。プログラム命令の例は、コンパイラによって生成されるもののような機械語コードだけではなく、インタプリタなどを使用してコンピュータによって実行される高級言語コードを含む。上述したハードウェア装置は、実施形態の動作を実行するために１つ以上のソフトウェアモジュールとして動作するように構成されてもよく、その逆も同じである。

以上のように、実施形態を、限定された実施形態と図面に基づいて説明したが、当業者であれば、上述した記載から多様な修正および変形が可能であろう。例えば、説明された技術が、説明された方法とは異なる順序で実行されたり、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態で結合されたりまたは組み合わされたり、他の構成要素または均等物によって対置されたり置換されたとしても、適切な結果を達成することができる。

したがって、異なる実施形態であっても、特許請求の範囲と均等なものであれば、添付される特許請求の範囲に属する。

１０：メッセージアプリケーション
２０：タスク提供アプリケーション
１１０：電子機器
１５０：サーバ
３０１：会話抽出部
３０２：会話情報データベース
３０３：タスク抽出部
３０４：タスク情報データベース
３０５：タスク提供部

Claims (10)

1. コンピュータで実現される方法であって、
   電子機器にインストールされた少なくとも１つのメッセージアプリケーションから会話情報を抽出する段階、
   自然語処理のためのＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルと文章生成のためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルを利用して前記会話情報からタスク（ｔａｓｋ）情報を抽出する段階、および
   前記電子機器にインストールされたタスク提供アプリケーションで前記タスク情報を提供する段階
   を含む、方法。
2. 前記タスク情報を抽出する段階は、
   タスク関連単語が学習された前記ＣＮＮ学習モデルに基づき、前記会話情報に含まれた文章から前記タスク関連単語に該当する核心単語を抽出する段階、および
   前記ＲＮＮ学習モデルに基づき、前記核心単語を利用してタスク文章を生成する段階
   を含む、請求項１に記載の方法。
3. 前記タスク情報を抽出する段階は、
   感性分析特化学習モデルを含む前記ＲＮＮ学習モデルに基づいて前記会話情報に含まれた文章で肯定表現と否定表現を分析し、前記否定表現を除いた確定文章を生成する段階、および
   タスク関連単語が学習された前記ＣＮＮ学習モデルに基づき、前記確定文章から前記タスク関連単語に該当する核心単語を抽出する段階
   を含む、請求項１に記載の方法。
4. 前記タスク情報を抽出する段階は、
   タスク関連単語が学習された前記ＣＮＮ学習モデルに基づき、前記会話情報に含まれた文章からタスクを５Ｗ１Ｈ（Ｗｈｅｎ、Ｗｈｅｒｅ、Ｗｈｏ、Ｗｈａｔ、Ｗｈｙ、Ｈｏｗ）の属性で抽出する段階
   を含む、請求項１に記載の方法。
5. 前記タスク情報を抽出する段階は、
   感性分析特化学習モデルに基づいて前記会話情報に含まれた文章で肯定／否定を分析し、肯定／否定分析結果をタスク抽出に反映すること
   を特徴とする、請求項１に記載の方法。
6. 前記ＣＮＮ学習モデルは、
   ワードエンベディング（ｗｏｒｄ ｅｍｂｅｄｄｉｎｇ）方法によって学習データの単語をワードベクトルで表現した後、前記タスク関連単語を目的関数として定義して前記タスク関連単語とタスク外単語の区分のためにエンベディングベクトルの距離を調整して学習すること
   を特徴とする、請求項１に記載の方法。
7. 前記ＣＮＮ学習モデルは、
   前記タスク関連単語として場所と時間および目的に該当する単語を目的関数として定義して学習すること
   を特徴とする、請求項６に記載の方法。
8. 前記ＣＮＮ学習モデルと前記ＲＮＮ学習モデルは、
   学習データが追加される場合、追加された学習データに対してキャッシュ（ｃａｃｈｅ）モデルが生成された後、既存の学習モデルとの併合によって補強学習モデルが生成されること
   を特徴とする、請求項１に記載の方法。
9. タスク提供方法を実行させるためにコンピュータで読み取り可能な記録媒体に記録されたコンピュータプログラムであって、
   前記タスク提供方法は、
   電子機器にインストールされた少なくとも１つのメッセージアプリケーションから会話情報を抽出する段階、
   自然語処理のためのＣＮＮ学習モデルと文章生成のためのＲＮＮ学習モデルを利用して前記会話情報からタスク情報を抽出する段階、および
   前記電子機器にインストールされたタスク提供アプリケーションで前記タスク情報を提供する段階
   を含む、コンピュータプログラム。
10. コンピュータで実現されるシステムであって、
    コンピュータが読み取り可能な命令を実行するように実現される少なくとも１つのプロセッサ
    を含み、
    前記少なくとも１つのプロセッサは、
    電子機器にインストールされた少なくとも１つのメッセージアプリケーションから会話情報を抽出する会話抽出部、
    自然語処理のためのＣＮＮ学習モデルと文章生成のためのＲＮＮ学習モデルを利用して前記会話情報からタスク情報を抽出するタスク抽出部、および
    前記電子機器にインストールされたタスク提供アプリケーションで前記タスク情報を提供するタスク提供部
    を含む、システム。