KR102159220B1 - 효과적인 대화 관리를 위한 의료 시스템에서의 의도-컨텍스트 융합 방법 - Google Patents
효과적인 대화 관리를 위한 의료 시스템에서의 의도-컨텍스트 융합 방법 Download PDFInfo
- Publication number
- KR102159220B1 KR102159220B1 KR1020180039520A KR20180039520A KR102159220B1 KR 102159220 B1 KR102159220 B1 KR 102159220B1 KR 1020180039520 A KR1020180039520 A KR 1020180039520A KR 20180039520 A KR20180039520 A KR 20180039520A KR 102159220 B1 KR102159220 B1 KR 102159220B1
- Authority
- KR
- South Korea
- Prior art keywords
- conversation
- intention
- ontology
- context
- instance
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 22
- 230000004044 response Effects 0.000 claims abstract description 33
- 238000003058 natural language processing Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 206010019233 Headaches Diseases 0.000 description 7
- 231100000869 headache Toxicity 0.000 description 7
- 208000036071 Rhinorrhea Diseases 0.000 description 6
- 206010039101 Rhinorrhoea Diseases 0.000 description 6
- 206010037660 Pyrexia Diseases 0.000 description 5
- 235000013550 pizza Nutrition 0.000 description 5
- 208000014644 Brain disease Diseases 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 3
- 230000009118 appropriate response Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 206010016256 fatigue Diseases 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000013550 semantic technology Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/226—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics
- G10L2015/228—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics of application context
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명의 의료 시스템에서 이루어지는 대화를 관리하는 시스템에 있어서, 사용자로부터 대화가 입력되면, 자연어 처리를 통해 상기 대화에 포함된 하나 이상의 엔티티를 추출하는 자연어처리부, 상기 하나 이상의 엔티티를 포괄하는 온톨로지를 추출하고, 상기 온톨로지 중 유사한 의미를 갖는 유사 온톨로지를 추출하고, 상기 유사 온톨로지에 대응되는 하나 이상의 엔티티를 그룹화하여 대화 인스턴스를 생성하는 대화 생성부, 상기 대화 인스턴스에 대응되는 의도를 식별한 후, 상기 의도를 기반으로 컨텍스트를 식별하고 관리하는 의도 인식부, 상기 의도 또는 컨텍스트에 부합하는 응답을 생성하되, 딜레이가 발생하는 경우 다른 사용자를 참여시키는 의도-컨텍스트 지식 관리부, 상기 응답 생성에 필요한 지식을 제공하는 지식 제공부를 포함하는 것을 특징으로 한다.
Description
본 발명은 의도-컨텍스트의 융합 방법에 관한 것으로, 보다 구체적으로 효과적인 대화 관리를 위한 의료 시스템에서의 의도-컨텍스트 융합 방법에 관한 것이다.
디지털이 실생활에 도입됨에 따라, 대화 기반 시스템 또한 실생활에 다양한 형태로 도입되었다. 대화 기반 시스템은 가상 비서, 로봇 또는 채팅 봇과 같은 서비스를 포함할 수 있으며, 단순한 일상 생활에서 사용할 수 있을 뿐만 아니라 의료 분야와 같은 전문적인 분야에서도 적용할 수 있다. 대화 기반 시스템에서 가장 중요한 이슈가 되는 것은 근본적인 언어의 이해와 사용자와 상호 작용을 가능하게 하는 대화 서비스이다. 따라서 사용자의 의도를 인식하고 그 의도에 따라 응답을 생성하고 대화 문맥을 관리하는 것이 중요하다.
대화 기반 시스템이 사용자와 대화를 원활하게 진행하기 위해서는 사용자의 질문에 대한 효과적인 응답을 생성하기 위하여 적절한 지식을 활용할 수 있어야 한다. 대화 기반 시스템이 보다 높은 수준의 응답을 생성하기 위하여 사용자와 진행 중인 대화로부터 컨텍스트를 인식하고 그를 유지하는 것이 중요하다. 사용자와 대화를 진행하는 중에 인식된 의도는 시간, 위치 그리고 온도와 같은 외부 환경 컨텍스트 뿐만 아니라 일상 생활 컨텍스트를 모두 고려되어야 한다. 따라서 대화의 컨텍스트와 의도 사이의 관계는 매우 복잡하다.
대화의 컨텍스트는 하나 이상의 다양한 엔티티로 구성될 수 있기 때문에 컨텍스트에 대응되는 의도를 식별하는 것은 매우 어려우며 또한 사용자의 개인적인 상황에 따라 그 의도가 달라질 수 있기 때문에 의도와 상황의 관계를 정의하는 것에도 어려움이 있다. 이를 해결하기 위해 대화 컨텍스트의 히스토리를 고려하고 시멘틱 기술을 이용하여 추가적으로 수신된 정보를 컨텍스트화하여 정보를 보다 풍부하게 사용할 수 있도록 하는 전략이 도입되었다.
그러나 사용자가 하나 이상의 의도에 대한 대화를 진행하는 경우, 대화의 의도가 변경될 수 있다. 이 때 시스템은 사용자의 의도를 정확하게 판단하여 대화를 지속시켜야 하는데 이와 관련된 종래 특허에는 대한민국 등록특허 제10-1772152호의 디지털 어시스턴트의 둘 이상의 인스턴스들에 걸친 대화 지속성을 가능하게 하기 위한 발명이 있다. 이 발명은 특정 대화의 의도와 연관된 컨텍스트 데이터를 저장하고, 이를 호출하여 대화를 지속시킬 수 있으나, 의도가 누락될 경우 보다 정확한 응답을 생성하기 어렵다는 문제점이 있다.
본 발명은 전술한 문제를 해결하기 위한 것으로, 사용자와 의료 시스템에서, 대화를 원활하게 수행할 수 있는 대화 관리 시스템을 제공하는 것을 일 목적으로 한다.
또한, 수신된 대화로부터 엔티티를 추출하여 의도를 보다 용이하게 식별할 수 있도록 하는 것을 일 목적으로 한다.
또한, 대화 인스턴스가 대화 내에서 이미 존재하는 의도/컨텍스트와 대응되는 지 확인하여 대화의 지속성을 제공하는 것을 일 목적으로 한다.
또한, 의도/컨텍스트에 대응되는 적절한 응답을 생성하거나 추가 질문을 제공하여 대화의 수준을 향상시키는 것을 일 목적으로 한다.
이러한 목적을 달성하기 위한 본 발명은 의료 시스템에서 이루어지는 대화를 관리하는 시스템에 있어서, 사용자로부터 대화가 입력되면, 자연어 처리를 통해 상기 대화에 포함된 하나 이상의 엔티티를 추출하는 자연어처리부, 상기 하나 이상의 엔티티를 포괄하는 온톨로지를 추출하고, 상기 온톨로지 중 유사한 의미를 갖는 유사 온톨로지를 추출하고, 상기 유사 온톨로지에 대응되는 하나 이상의 엔티티를 그룹화하여 대화 인스턴스를 생성하는 대화 생성부, 상기 대화 인스턴스에 대응되는 의도 또는 컨텍스트를 식별하고 관리하는 의도 인식부, 상기 의도 또는 컨텍스트에 부합하는 응답을 생성하는 의도-컨텍스트 지식 관리부, 상기 응답 생성에 필요한 지식을 제공하는 지식 제공부를 포함하는 것을 일 특징으로 한다.
또한 상기 온톨로지는 CADO(Context Aware Dialogue Models)의 형식을 갖는 것을 일 특징으로 한다.
나아가 상기 대화 생성부는 상기 하나 이상의 엔티티를 포괄하는 온톨로지와 상기 사용자의 정보와 현재 시간에 대한 메타 데이터 온톨로지를 추출하는 온톨로지 추출부, 상기 유사 온톨로지를 추출하고, 상기 온톨로지에 대응되나 누락된 엔티티를 탐색하여 상기 대화를 완성하는 대화 결합부, 및 상기 유사 온톨로지를 그룹화하여 대화 인스턴스를 생성하는 인스턴스 생성부를 포함하는 것을 일 특징으로 한다.
또한 상기 의도 인식부는 상기 대화 인스턴스의 의미 및 문맥을 검증하는 대화 검증부, 상기 대화 인스턴스에 대응되는 상기 의도 및 컨텍스트가 이전에 입력된 대화에 존재하는 지 검색하는 의도 검색부를 포함하는 것을 일 특징으로 한다.
나아가 상기 의도-컨텍스트 지식 관리부는 상기 식별된 의도를 이용하여 상기 지식 제공부에서 지식 소스를 식별하여 상기 응답을 생성하는 것을 일 특징으로 한다.
또한 본 발명은 서버가 의료 시스템에서 이루어지는 대화를 관리하는 방법에 있어서, 사용자로부터 수신한 대화에 포함된 하나 이상의 엔티티를 추출하는 단계, 상기 하나 이상의 엔티티를 포괄하는 온톨로지를 추출하는 단계, 상기 온톨로지 중 유사한 의미를 갖는 유사 온톨로지를 추출하는 단계, 상기 유사 온톨로지에 대응되는 하나 이상의 엔티티를 그룹화하여 대화 인스턴스로 설정하는 단계, 상기 대화 인스턴스에 대응되는 의도를 식별하는 단계, 상기 식별된 의도로부터 컨텍스트를 식별하고, 상기 컨텍스트에 부합하는 응답을 생성하는 단계를 포함하는 것을 일 특징으로 한다.
나아가 상기 온톨로지를 추출하는 단계는 상기 사용자의 정보와 현재 시간에 대한 메타 데이터 온톨로지를 추출하는 단계, 및 상기 온톨로지에 대응되나 누락된 엔티티를 탐색하여 대화를 완성하는 단계를 더 포함하는 것을 일 특징으로 한다.
또한 상기 의도를 식별하는 단계는 상기 대화 인스턴스의 의미 및 문맥을 검증하는 단계, 상기 대화 인스턴스에 대응되는 상기 의도 및 컨텍스트가 이전에 입력된 대화에 존재하는 지 검색하는 단계를 더 포함하는 것을 일 특징으로 한다.
전술한 바와 같은 본 발명에 의하면, 사용자와 의료 시스템에서, 대화를 원활하게 수행할 수 있는 대화 관리 시스템을 제공할 수 있다.
또한, 수신된 대화로부터 엔티티를 추출하여 의도를 보다 용이하게 식별할 수 있다.
또한, 대화 인스턴스가 대화 내에서 이미 존재하는 의도/컨텍스트와 대응되는 지 확인하여 대화의 지속성을 제공할 수 있다.
또한, 의도/컨텍스트에 대응되는 적절한 응답을 생성하거나 추가 질문을 제공하여 대화의 수준을 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 의한 대화 관리 시스템의 구성을 도시한 도면이다.
도 2은 본 발명의 일 실시 예에 의한 엔티티를 추출하는 과정을 설명하기 위한 도면이다.
도 3는 본 발명의 일 실시 예에 의한 의도를 식별하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 의한 대화 인스턴스를 식별하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 의한 대화 관리 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 의한 온톨로지를 추출하는 방법을 더 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 의한 의도/컨텍스트를 식별하는 방법을 더 설명하기 위한 도면이다.
도 2은 본 발명의 일 실시 예에 의한 엔티티를 추출하는 과정을 설명하기 위한 도면이다.
도 3는 본 발명의 일 실시 예에 의한 의도를 식별하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 의한 대화 인스턴스를 식별하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 의한 대화 관리 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 의한 온톨로지를 추출하는 방법을 더 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 의한 의도/컨텍스트를 식별하는 방법을 더 설명하기 위한 도면이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다.
도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용되며, 명세서 및 특허청구의 범위에 기재된 모든 조합은 임의의 방식으로 조합될 수 있다. 그리고 다른 식으로 규정하지 않는 한, 단수에 대한 언급은 하나 이상을 포함할 수 있고, 단수 표현에 대한 언급은 또한 복수 표현을 포함할 수 있음이 이해되어야 한다.
본 명세서에서 사용되는 용어는 단지 특정 예시적 실시 예들을 설명할 목적을 가지고 있으며 한정할 의도로 사용되는 것이 아니다. 본 명세서에서 사용된 바와 같은 단수적 표현들은 또한, 해당 문장에서 명확하게 달리 표시하지 않는 한, 복수의 의미를 포함하도록 의도될 수 있다. 용어 "및/또는," "그리고/또는"은 그 관련되어 나열되는 항목들의 모든 조합들 및 어느 하나를 포함한다. 용어 "포함한다", "포함하는", "포함하고 있는", "구비하는", "갖는", "가지고 있는" 등은 내포적 의미를 갖는 바, 이에 따라 이러한 용어들은 그 기재된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트를 특정하며, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 이들의 그룹의 존재 혹은 추가를 배제하지 않는다. 본 명세서에서 설명되는 방법의 단계들, 프로세스들, 동작들은, 구체적으로 그 수행 순서가 확정되는 경우가 아니라면, 이들의 수행을 논의된 혹은 예시된 그러한 특정 순서로 반드시 해야 하는 것으로 해석돼서는 안 된다. 추가적인 혹은 대안적인 단계들이 사용될 수 있음을 또한 이해해야 한다.
또한, 각각의 구성요소는 각각 하드웨어 프로세서로 구현될 수 있고, 위 구성요소들이 통합되어 하나의 하드웨어 프로세서로 구현될 수 있으며, 또는 위 구성요소들이 서로 조합되어 복수 개의 하드웨어 프로세서로 구현될 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다.
도1은 본 발명의 일 실시 예에 의한 서버의 대화 관리 시스템의 구성을 도시한 도면이다.
도1을 참조하면, 대화 관리 시스템(10)은 자연어 처리부(100), 대화 생성부(200), 의도 인식부(300), 의도-컨텍스트 지식 관리부(400), 데이터베이스부(500) 그리고 지식 제공부(600)를 포함할 수 있다.
자연어 처리부(100)는 사용자로부터 대화가 입력되면 자연어 처리를 통해 대화에 포함된 하나 이상의 엔티티를 추출할 수 있다. 엔티티는 대화에서 의미를 가지고 있다고 판단되는 정보의 단위를 의미한다. 예를 들어 도 2를 참조하면 사용자가 '열이 나고, 콧물이 나고, 두통이 있어요. 어떻게 해야 할까요?', '피자가 먹고 싶어요.'의 대화를 입력하면, 자연어 처리부(100)는 '열, 콧물, 두통, 피자, 먹다'를 엔티티로 추출할 수 있다.
보다 구체적으로 자연어 처리부(100)는 사용자로부터 입력된 대화에 대해 자연어 처리를 할 수 있다. 자연어 처리란 사람이 실생활에서 사용하는 언어인 자연어를 컴퓨터가 이해할 수 있도록 하는 알고리즘을 의미한다. 자연어 처리부(100)는 입력된 대화에 포함된 문장에 대하여 형태소를 분석하고, 문장 내에서 각 형태소가 갖는 역할을 분석할 수 있다. 그 다음으로 자연어 처리부(100)는 문장이 가지는 의미를 분석할 수 있다. 즉 자연어 처리부(100)는 하나의 단어가 다수개의 의미를 내포하고 있을 때 문장에서 사용되는 의미가 무엇인지를 분석할 수 있다. 예를 들어 '배'는 이동 수단을 의미할 수도 있고 음식을 의미할 수도 있다. 따라서 문장의 의미를 분석하는 것은 사용자의 의도를 파악하는 데에 아주 중요하다. 또한 자연어 처리부(100)는 문장이 의미하는 것이 무엇인지 다시 해석할 수 있다. 예를 들어, 'Do you have a time?'과 'Do you have the time?'의 두 문장은 time 앞의 관사만이 다르지만 두 문장이 의미하는 것은 상이하다. 따라서 자연어 처리부(100)는 문장에 대한 보다 정확한 의미를 파악할 수 있다.
대화 생성부(200)는 하나 이상의 엔티티를 포괄하는 온톨로지를 추출하고, 온톨로지 중 유사한 의미를 갖는 유사 온톨로지를 추출하고, 유사 온톨로지에 대응되는 하나 이상의 엔티티를 그룹화하여 대화 인스턴스를 생성할 수 있다. 보다 구체적으로 대화 생성부(200)는 온톨로지 추출부(210), 대화 결합부(250) 그리고 인스턴스 생성부(230)를 포함할 수 있다.
보다 구체적으로 온톨로지 추출부(210)는 자연어 처리부(100)로부터 얻어진 엔티티를 CADO(Context-aware Dialogue Models)에 따른 온톨로지 형태로 변환하여 추출할 수 있다. 또한 온톨로지 추출부(210)는 사용자의 정보와 현재 시간에 대한 메타 데이터 온톨로지를 추출할 수 있다. 온톨로지는 특정 도메인에 관련된 개념들을 컴퓨터가 해석할 수 있는 의미론적으로 표현된 메타 데이터로, 클래스(Class), 인스턴스(Instance), 관계(Relation), 속성(Property)로 구분된다. 온톨로지 추출부(210)에서 생성된 온톨로지와 메타 데이터 온톨로지는 시맨틱 저장소(510)에 저장될 수 있다.
대화 결합부(250)는 온톨로지 추출부(210)에서 추출된 온톨로지 중 서로 유사한 온톨로지를 추출하여 유사 온톨로지로 설정할 수 있다. 또한 대화 결합부(250)는 온톨로지에 대응되나 지연되거나 누락된 엔티티를 탐색하여 사용자의 대화를 완성할 수 있다.
예를 들어 대화 결합부(250)는 자연어 처리부(100)에서 추출된 엔티티인 '열, 콧물, 두통, 피자, 먹다' 중 '열, 콧물, 두통'을 유사하다고 판단하고 제1 유사 온톨로지로 설정하고, '피자, 먹다'를 유사하다고 판단하고 제2 유사 온톨로지로 설정할 수 있다.
또한 대화 결합부(250)는 온톨로지에 대응되나 자연어 처리부(100)로부터 잘못 이해된 엔티티나 지연되어 아직 수신되지 않은 엔티티를 탐색하여 대화를 완성할 수 있다. 이러한 과정을 통해 대화 관리 시스템(10)은 사용자와의 대화에 있어서 보다 정확한 컨텍스트를 추출하여 의도를 파악할 수 있으며 그에 따라 보다 적절한 응답을 제공할 수 있다는 효과를 갖는다.
인스턴스 생성부(230)는 대화 결합부(250)에서 생성한 유사 온톨로지에 포함된 하나 이상의 엔티티를 그룹화하여 대화 인스턴스를 생성할 수 있다. 예를 들어 도 3를 참조하면, 대화 결합부(250)에서 추출된 제1 유사 온톨로지에 포함된 '열, 콧물, 두통, 기침, 피곤함'을 제1 대화 인스턴스로 설정하고, 제2 유사 온톨로지에 포함된 '피자, 먹다, 종류, 크기, 시간'을 제2 대화 인스턴스로 설정할 수 있다.
의도 인식부(300)는 대화 인스턴스에 대응되는 의도를 식별하고 의도를 관리할 수 있다. 보다 구체적으로 의도 인식부(300)는 대화 검증부(310), 의도 생성부(330), 의도 검색부(350), 그리고 의도 제어부(370)를 포함할 수 있다.
대화 검증부(310)는 인스턴스 생성부(230)로부터 생성된 대화 인스턴스를 검증할 수 있다. 보다 구체적으로 대화 검증부(310)는 컨텍스트 제어부(370)를 통해 대화 인스턴스를 의미론적 및 구문론적으로 검증할 수 있다. 이 때, 컨텍스트 제어부(370)는 CADO를 이용하여 대화 인스턴스를 검증할 수 있다.
의도 생성부(330)는 대화 검증부(310)로부터 검증된 대화 인스턴스의 의도를 식별할 수 있다. 이 때, 대화 인스턴스는 CADO에 속할 수 있다. CADO가 제공하는 추론 기능을 통하여, 의도 생성부(330)는 대화 인스턴스를 대화식 의도 즉, 컨텍스트로 분류할 수 있다.
또한, 의도 생성부(330)는 Pellet과 같은 존재론적 추론기를 이용하여 자동으로 대화 인스턴스의 의도를 식별 및 분류할 수 있다. 비유사 온톨로지를 기 저장된 대화 인스턴스의 정의와 비교할 수 있다. Pellet은 OWL-DL의 표현력과 DL 용어의 제한에 대하여 의사 결정 절차를 통합함에 따라 완전성을 보장한다.
보다 구체적으로 의도 생성부(330)는 미리 저장된 의도에 대한 정의와 대화 인스턴스를 각각 비교할 수 있다. 대화 인스턴스와 의도의 정의가 부합하다면, 의도 생성부(330)는 상기 의도를 대화 인스턴스의 의도에 대응시킬 수 있다. 예를 들어, 도 3을 참조하면 '열, 콧물, 두통, 기침, 피곤함'이 속한 제1 대화 인스턴스에 대한 의도를 식별할 경우, 의도 생성부(330)는 제1 대화 인스턴스가 '감기'의 의도에 대한 정의에 부합하는 지, 혹은 '뇌 질환'의 의도에 대한 정의에 부합하는 지 비교할 수 있다. 제1 대화 인스턴스는 감기의 증상이기 때문에, 의도 생성부(330)는 제1 대화 인스턴스에 대한 의도를 '감기'로 설정할 수 있다. 만약 제1 대화 인스턴스에 '두통, 손발마비'가 포함되어 있었다면, 의도 생성부는 '뇌 질환'의 의도에 더 부합한다고 판단하고, '뇌 질환'을 제1 대화 인스턴스에 대한 의도로 설정할 수 있다. 즉 의도 생성부(330)는 제1 대화 인스턴스에 포함된 모든 엔티티를 이용하여 의도를 식별할 수 있다.
의도 생성부(330)는 식별된 의도를 컨텍스트로 한번 더 분류할 수 있다. 예를 들어, 도 4를 참조하면, 의도 생성부(330)는 '독감'과 '약속 제안'의 의도를 갖는 대화 인스턴스가 유사한 주제임을 판단하고, '전염병'이라는 컨텍스트로 분류할 수 있다.
또한 의도 생성부(330)는 대화 검증부(310)가 대화 인스턴스를 검증할 때마다 실행될 수 있다. 이 과정이 생략될 경우, 대화 인스턴스에 대한 의도의 식별 없이 대화 인스턴스에 대한 응답이 생성되기 때문에, 정확하지 않은 응답이 사용자에게 제공될 수 있다.
의도 검색부(350)는 시맨틱 저장소(510)로부터 SPARQL 쿼리를 이용하여 의도의 현재 상태를 검색할 수 있다. SPARQL(Simple Protocol and RDF Query Language)은 시멘틱 웹의 근간이 되는 기술로, 자원 기술 프레임워크(RDF, Resource Description Framework) 기반의 데이터베이스에 사용되는 시멘틱 질의 언어이다. SPARQL은 개방형 연결 데이터를 활용하는 데 주로 사용된다. 대화 인스턴스의 현재 상태를 검색함으로써, 의도 검색부(350)는 대화 인스턴스에 대응되는 의도 또는 컨텍스트가 이미 존재하는 지 확인할 수 있으며, 존재한다면 대화 인스턴스의 의도를 확인된 의도로 설정할 수 있다. 반면에 존재하지 않는다면 새로운 의도 또는 컨텍스트를 지식 제어부(610)를 통하여 추가할 수 있다. 이러한 과정을 통해 데이터베이스에 저장된 지식 모델을 더욱 풍부하게 할 수 있다.
예를 들어 도 3 내지 도 4를 참조하면, 의도 생성부(330)는'요청, 방문, 내과, 시간'의 엔티티를 포함하는 대화 인스턴스에 대응되는 의도로 '약속 요청'과 '약속 승인'으로 설정할 수 있다. 나아가 의도 생성부(330)는 이전에 사용자와의 대화 이력 중, '독감'과 '약속 제안'의 의도를 포함하는 컨텍스트인 '전염병'이 존재하는 것으로 판단하고, 병원 예약을 목적으로 하는 대화 인스턴스에 대한 '약속 요청'과 '약속 승인'의 의도를 대화식 의도인 '전염병'으로 분류할 수 있다. 이와 같이 의도 생성부(330)는 이전에 입력된 대화에 대한 의도 및 컨텍스트와 대화 인스턴스에 대한 비교를 수행함으로써 대화의 확장성을 보장할 수 있게 된다.
또한 의도 검색부(350)는 사용자의 관심사 및 이전에 저장된 컨텍스트와 같이 현재의 컨텍스트에 대응되는 지식 소스를 인식하는 데 도움이 되는 프로필 데이터 저장소(550)에서 컨텍스트 정보를 검색할 수 있다. 이러한 과정을 통해 대화 관리 시스템(10)은 사용자와 관련된 정보를 기 저장된 지식 소스에 통합하여 지식 소스의 식별 기준을 수정할 수 있다. 따라서 지식 제어부(610)가 응답을 생성하거나 추가적인 질문을 수행할 수 있도록 하는 등의 대화의 확장성을 향상시킬 수 있다.
의도 제어부(370)는 대화 확장을 위한 지식 소스를 식별할 수 있다. 대화 관리 시스템(10)은 SPARQL 쿼리를 이용하기 때문에 SPARQL을 사용하여 의도 또는 컨텍스트에 따라 적절한 지식 소스를 식별할 수 있다. 그렇기 때문에 적절한 지식 소스를 식별하기 위하여 의도 또는 컨텍스트를 보다 정확하게 설정하는 것이 중요하다. 이 때 사용되는 지식 소스는 지식 모델 저장소(530)로부터 전달될 수 있다.
보다 구체적으로, 의도 제어부(370)는 지식 소스 제어부(350)에 대화 인스턴스, 그리고 의도 또는 컨텍스트에 대응되는 적절한 지식 소스를 요청할 수 있다. 즉, 의도 제어부(370)는 획득한 지식 소스, 즉 의도 또는 컨텍스트에 대응되는 지식 소스를 응답을 생성하기 위한 지식 소스로 참조할 수 있다. 또한, 의도 제어부(370)로부터 식별된 지식 소스는 지식 소스 제어부(350)로 전달되어 추가적인 질문 또는 사용자의 질문에 대한 응답을 생성하여 대화를 보다 확장 시킬 수 있다. 대화 관리 시스템(10)은 건강과 관련된 시스템에서 동작하기 때문에, 사용자의 대화로부터 사용자의 증상, 의도를 이용하여 우선 순위가 부여된 지식 소스를 식별할 수 있다.
의도-컨텍스트 지식 관리부(400)는 지식 제공부(600)로부터 식별된 지식 소스를 이용하여 식별된 의도 또는 컨텍스트에 대응되는 응답을 생성할 수 있다. 또한, 의도-컨텍스트 지식 관리부(400)는 사용자의 대화를 저장하고, 대화 인스턴스의 근간이 되는 CADO를 시스템에 로딩하고, 미리 저장된 지식 소스를 이용하여 대화를 지속시킬 수 있다. 보다 구체적으로 의도-컨텍스트 지식 관리부(400)는 컨텍스트 제어부(370), 지식 소스 제어부(350), 응답 제어부(310), 그리고 응답 전달부(330)를 포함할 수 있다.
컨텍스트 제어부(370)는 시맨틱 저장소(510)에 저장된 CADO의 형태를 갖는 지식 모델을 관리하여, 대화 관리 시스템(10)이 CADO를 보다 사용하기 용이하게 제어할 수 있다. 보다 구체적으로 컨텍스트 제어부(370)는 각 장치가 서로 상호 작용할 수 있도록 관리할 수 있다. 또한 컨텍스트 제어부(370)는 CADO를 메모리에 로드하여 대화 관리 시스템(10)이 CADO를 사용할 수 있도록 한다. 또한 컨텍스트 제어부(370)는 CADO와 관련된 용어 또는 매핑되는 의도 등의 업데이트를 자동으로 수행할 수 있다. 이러한 업데이트는 기존 의도에 대한 신규 대화 인스턴스 또는 새로 정의되는 정의 및 규칙에 따라 수행될 수 있다. 따라서 컨텍스트 제어부(370)는 CADO를 최신의 상태로 유지할 수 있다.
지식 소스 제어부(350)는 지식 모델 저장소(530)에 저장된 지식 모델에 대하여 우선 순위를 부여할 수 있다. 따라서 지식 소스 제어부(350)는 의도에 대응되는 지식 모델을 식별하는 데에 있어서, 우선 순위가 높은 지식 모델을 식별하여 의도에 대한 정확성을 더욱 증가시킨다.
또한 지식 소스 제어부(350)는 의도와 대응되는 지식 모델을 식별한 후에도 그 지식 모델을 지속적으로 관리하여 이후 발생하는 대화에 대한 지속성을 향상시킬 수 있다.
응답 제어부(310)는 컨텍스트 제어부(370)가 지식 모델을 수집하려는 시도를 하고, 지식 모델을 식별하고 응답을 생성하는 과정에 있어서 딜레이가 발생한 경우 실행될 수 있다. 보다 구체적으로 응답 제어부(310)는 컨텍스트 제어부(370)가 수집한 정보를 기반으로 지식 모델을 수집하여 응답을 생성할 수 있다. 또한 응답 제어부(310)는 딜레이가 발생한 경우, 딜레이를 최소화할 수 있도록 다른 사용자를 대화에 참여시킬 수 있다.
응답 전달부(330)는 응답 제어부(310)로부터 생성된 응답을 사용자에게 제공할 수 있다.
데이터베이스부(500)는 대화 관리 시스템(10)이 작동할 수 있도록 그 데이터를 저장하고 관리할 수 있다.
시맨틱 저장소(510)는 CADO가 지속적으로 제공되도록 할 수 있다. 대화 인스턴스는 CADO를 통해 모델링되어 대응되는 의도가 유추되기 때문에 CADO의 지속적인 제공은 매우 중요하다. 또한, 시맨틱 저장소(510)는 대화 온톨로지와 대응되는 트리플 스토리지 프레임 워크 매커니즘(Triple Storage Frame Work Mechanism)을 기반으로 할 수 있다. 대화 인스턴스의 판독 및 기록은 의도-컨텍스트 지식 관리부(400)의 컴포넌트로 지원될 수 있다.
지식 모델 저장소(530)는 지식 모델과 대화 인스턴스의 관계를 정의할 수 있다. 대화 관리 시스템(10)은 건강 관련 시스템으로, 건강 영역에 대한 정보의 중요성으로 인해, 지식 모델의 검증을 위해 대화 온톨로지 엔지니어 전문가가 개입할 수도 있다. 또한 지식 모델 저장소(530)에 저장된 지식 모델은 의도와 관계성이 있는 메타 데이터 정보의 형태일 수 있다.
또한 지식 모델 저장소(530)는 지식 제어부(610)를 통해 새로운 지식 소스가 추가되거나 일 지식 소스에 대응되는 의도가 요청될 때마다, 지식 소스 제어부(350)를 업데이트 하기 위해 해당 지식 소스를 응답 제어부(310)에게 전달할 수 있다.
또한 지식 모델 저장소(530)는 지식 소스를 모델링하여 저장할 수 있다.
프로필 데이터 저장소(550)는 사용자에 관한 정보가 저장될 수 있다. 보다 구체적으로 사용자의 과거 병력, 보유 알러지 질환 병력, 필요 영양소 등과 같은 정보가 저장될 수 있다. 프로필 데이터 저장소(550)에 저장되어 있는 사용자 정보는 대화 인스턴스가 아닌 외부 인스턴스를 통해 제공됨으로 인해 대화 인스턴스의 수준을 높일 수 있다.
API 접근 제어부(570)는 사용자의 위치를 포함하는 외부 정보, 날씨 및 온도를 포함하는 환경 정보가 요구되는 경우, 활성화되어 외부 액세스(630)를 통해 정보를 수집할 수 있다.
이하에서는 도 5 내지 도 7을 참조하여 본 발명의 일 실시 예에 의한 대화 관리 방법을 설명한다. 대화 관리 방법에 관한 설명에서 전술한 대화 관리 시스템과 중복되는 세부 실시 예는 생략될 수 있다.
도 5를 참조하면, 서버는 사용자로부터 대화를 수신할 수 있다(S100).
그리고 서버는 자연어 처리를 통해 수신한 대화에 포함된 하나 이상의 엔티티를 추출할 수 있다(S200).
엔티티 추출이 완료되면, 서버는 추출된 엔티티를 CADO의 형태인 온톨로지로 변환할 수 있다(S300).
단계 300에서, 도 6을 참조하면, 서버는 사용자의 정보와 현재 시간에 대한 메타 데이터 온톨로지를 추출할 수 있다(S310). 또한, 서버는 온톨로지에 대응되나 누락된 엔티티를 탐색(S320)하여 대화를 완성할 수 있다(S330).
다음으로 서버는 추출된 온톨로지 중 유사한 의미를 갖는 온톨로지를 포함하는 유사 온톨로지를 추출할 수 있다(S400).
서버는 유사 온톨로지에 대응되는 하나 이상의 엔티티를 그룹화하여 대화 인스턴스를 생성할 수 있다(S500).
서버는 대화 인스턴스와 기 저장된 의도 또는 컨텍스트의 정의를 비교하여 대화 인스턴스에 대응되는 의도 또는 컨텍스트를 식별할 수 있다(S600).
단계 600에서, 도 7을 참조하면, 서버는 대화 인스턴스의 의미 및 문맥을 먼저 검증할 수 있다(S610). 대화 인스턴스의 검증이 완료되면, 서버는 대화 인스턴스에 대응되는 의도 및 컨텍스트가 이전에 입력된 대화에 존재하는 지 검색할 수 있다(S620). 이 과정을 통해 대화의 지속성을 보다 향상시킬 수 있다.
의도 또는 컨텍스트가 식별되면, 서버는 식별된 의도 또는 컨텍스트와 대응되는 지식 소스를 식별할 수 있다. 서버는 식별된 지식 소스를 이용하여 대화 인스턴스와 의도/컨텍스트에 적합한 응답 또는 추가 질문을 생성하여 대화를 확장할 수 있다(S700).
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
Claims (8)
- 의료 시스템에서 이루어지는 대화를 관리하는 시스템에 있어서,
사용자로부터 대화가 입력되면, 자연어 처리를 통해 상기 대화에 포함된 하나 이상의 엔티티를 추출하는 자연어처리부;
상기 하나 이상의 엔티티를 포괄하는 온톨로지를 추출하고, 상기 온톨로지 중 유사한 의미를 갖는 유사 온톨로지를 추출하고, 상기 유사 온톨로지에 대응되는 하나 이상의 엔티티를 그룹화하여 대화 인스턴스를 생성하는 대화 생성부;
상기 대화 인스턴스에 대응되는 의도를 식별한 후, 상기 의도를 기반으로 컨텍스트를 식별하고 관리하는 의도 인식부;
상기 의도 또는 컨텍스트에 부합하는 응답을 생성하되, 딜레이가 발생하는 경우 다른 사용자를 참여시키는 의도-컨텍스트 지식 관리부;
상기 응답 생성에 필요한 지식을 제공하는 지식 제공부를 포함하는 대화 관리 시스템.
- 제1항에 있어서
상기 온톨로지는 CADO(Context Aware Dialogue Models)의 형식을 갖는 것을 특징으로 하는 대화 관리 시스템.
- 제1항에 있어서,
상기 대화 생성부는
상기 하나 이상의 엔티티를 포괄하는 온톨로지와 상기 사용자의 정보와 현재 시간에 대한 메타 데이터 온톨로지를 추출하는 온톨로지 추출부;
상기 유사 온톨로지를 추출하고, 상기 온톨로지에 대응되나 누락된 엔티티를 탐색하여 상기 대화를 완성하는 대화 결합부; 및
상기 유사 온톨로지를 그룹화하여 대화 인스턴스를 생성하는 인스턴스 생성부를 포함하는 대화 관리 시스템.
- 제1항에 있어서,
상기 의도 인식부는
상기 대화 인스턴스의 의미 및 문맥을 검증하는 대화 검증부;
상기 대화 인스턴스에 대응되는 상기 의도 및 컨텍스트가 이전에 입력된 대화에 존재하는 지 검색하는 의도 검색부를 포함하는 대화 관리 시스템.
- 제1항에 있어서,
상기 의도-컨텍스트 지식 관리부는
상기 식별된 의도를 이용하여 상기 지식 제공부에서 지식 소스를 식별하여 상기 응답을 생성하는 것을 특징으로 하는 대화 관리 시스템.
- 서버가 의료 시스템에서 이루어지는 대화를 관리하는 방법에 있어서,
사용자로부터 수신한 대화에 포함된 하나 이상의 엔티티를 추출하는 단계;
상기 하나 이상의 엔티티를 포괄하는 온톨로지를 추출하는 단계;
상기 온톨로지 중 유사한 의미를 갖는 유사 온톨로지를 추출하는 단계;
상기 유사 온톨로지에 대응되는 하나 이상의 엔티티를 그룹화하여 대화 인스턴스로 설정하는 단계;
상기 대화 인스턴스에 대응되는 의도를 식별하는 단계;
상기 식별된 의도를 기반으로 컨텍스트를 식별하고, 상기 컨텍스트에 부합하는 응답을 생성하되, 상기 응답의 생성에 딜레이가 발생하는 경우 다른 사용자를 참여시키는 단계를 포함하는 대화 관리 방법.
- 제6항에 있어서,
상기 온톨로지를 추출하는 단계는
상기 사용자의 정보와 현재 시간에 대한 메타 데이터 온톨로지를 추출하는 단계; 및
상기 온톨로지에 대응되나 누락된 엔티티를 탐색하여 대화를 완성하는 단계를 더 포함하는 것을 특징으로 하는 대화 관리 방법.
- 제6항에 있어서,
상기 의도를 식별하는 단계는
상기 대화 인스턴스의 의미 및 문맥을 검증하는 단계;
상기 대화 인스턴스에 대응되는 상기 의도 및 컨텍스트가 이전에 입력된 대화에 존재하는 지 검색하는 단계를 더 포함하는 것을 특징으로 하는 대화 관리 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20170058491 | 2017-05-11 | ||
| KR1020170058491 | 2017-05-11 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180124716A KR20180124716A (ko) | 2018-11-21 |
| KR102159220B1 true KR102159220B1 (ko) | 2020-09-23 |
Family
ID=64602558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180039520A KR102159220B1 (ko) | 2017-05-11 | 2018-04-05 | 효과적인 대화 관리를 위한 의료 시스템에서의 의도-컨텍스트 융합 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102159220B1 (ko) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102198295B1 (ko) * | 2018-12-27 | 2021-01-05 | 주식회사 솔트룩스 | 복수의 대화 도메인을 가지는 대화 시스템 |
| CN109902299B (zh) * | 2019-02-18 | 2022-11-11 | 北京明略软件系统有限公司 | 一种文本处理方法及装置 |
| KR102017229B1 (ko) * | 2019-04-15 | 2019-09-02 | 미디어젠(주) | 발화 패턴의 무한성 개선을 위한 딥러닝 기반의 텍스트 문장 자동 생성시스템 |
| CN110245224B (zh) * | 2019-06-20 | 2021-08-10 | 网易（杭州）网络有限公司 | 对话生成方法及装置 |
| KR20210076716A (ko) * | 2019-12-16 | 2021-06-24 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
| KR102368336B1 (ko) * | 2019-12-31 | 2022-02-25 | 주식회사 하나금융티아이 | 질의 패턴 일반화 방법 및 그 장치 |
| CN113157900A (zh) * | 2021-05-27 | 2021-07-23 | 中国平安人寿保险股份有限公司 | 意图识别方法、装置、计算机设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100786342B1 (ko) * | 2007-01-30 | 2007-12-17 | (주) 프람트 | 사용자 동적 정보를 이용한 콘텐츠의 검색 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101048546B1 (ko) * | 2009-03-05 | 2011-07-11 | 엔에이치엔(주) | 온톨로지를 이용한 컨텐츠 검색 시스템 및 방법 |
| KR20110036385A (ko) * | 2009-10-01 | 2011-04-07 | 삼성전자주식회사 | 사용자 의도 분석 장치 및 방법 |
| KR101401029B1 (ko) * | 2011-06-15 | 2014-05-29 | 성균관대학교산학협력단 | 맞춤 정보 추출 시스템 및 방법 |
| CN106663101A (zh) * | 2014-04-02 | 2017-05-10 | 西曼迪克技术私人有限公司 | 本体映射方法和设备 |
-
2018
- 2018-04-05 KR KR1020180039520A patent/KR102159220B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100786342B1 (ko) * | 2007-01-30 | 2007-12-17 | (주) 프람트 | 사용자 동적 정보를 이용한 콘텐츠의 검색 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180124716A (ko) | 2018-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102159220B1 (ko) | 효과적인 대화 관리를 위한 의료 시스템에서의 의도-컨텍스트 융합 방법 | |
| KR20160025007A (ko) | 헤드라인의 자동 생성 | |
| US11080073B2 (en) | Computerized task guidance across devices and applications | |
| KR101637504B1 (ko) | 비정형 데이터 처리 시스템 및 방법 | |
| Galitsky | Artificial intelligence for customer relationship management | |
| Chella et al. | Knowledge acquisition through introspection in human-robot cooperation | |
| Detwiler et al. | From frames to OWL2: converting the foundational model of anatomy | |
| Huang et al. | Developing context-aware dialoguing services for a cloud-based robotic system | |
| US9086824B1 (en) | Requirements factorization mechanism | |
| Hung et al. | Developing a dynamic inference expert system to support individual learning at work | |
| Galitsky et al. | Chatbots for CRM and dialogue management | |
| AU2019284618B2 (en) | Multi-source-type interoperability and/or information retrieval optimization | |
| Ma et al. | Research on the organization of user needs information in the big data environment | |
| Jin et al. | A domain knowledge based method on active and focused information service for decision support within big data environment | |
| Zhu et al. | Causality extraction model based on two-stage GCN | |
| Iorliam et al. | A comparative analysis of generative artificial intelligence tools for natural language processing | |
| Saint-Dizier et al. | Knowledge and reasoning for question answering: Research perspectives | |
| Razzaq et al. | Intent-context fusioning in healthcare dialogue-based systems using jdl model | |
| Sarkar et al. | Semantic aware answer sentence selection using self-learning based domain adaptation | |
| Besombes et al. | A semantic-based model to assess information for intelligence | |
| Baroni et al. | Architecture description leveraging model driven engineering and semantic wikis | |
| Meditskos et al. | Question answering over pattern-based user models | |
| Despotakis | Modelling viewpoints in user generated content | |
| Rodger et al. | Mobile speech and the armed services: making a case for adding siri-like features to vamta (voice-activated medical tracking application) | |
| Liu et al. | Generating Natural Language Responses in Robot-Mediated Referential Communication Tasks to Simulate Theory of Mind |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |