KR102193228B1 - 딥러닝 기반 비재무정보 평가 장치 및 그 방법 - Google Patents

딥러닝 기반 비재무정보 평가 장치 및 그 방법 Download PDF

Info

Publication number
KR102193228B1
KR102193228B1 KR1020200020358A KR20200020358A KR102193228B1 KR 102193228 B1 KR102193228 B1 KR 102193228B1 KR 1020200020358 A KR1020200020358 A KR 1020200020358A KR 20200020358 A KR20200020358 A KR 20200020358A KR 102193228 B1 KR102193228 B1 KR 102193228B1
Authority
KR
South Korea
Prior art keywords
text data
word
embedded
control unit
function
Prior art date
Application number
KR1020200020358A
Other languages
English (en)
Inventor
손종진
Original Assignee
주식회사 페어랩스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 페어랩스 filed Critical 주식회사 페어랩스
Priority to KR1020200020358A priority Critical patent/KR102193228B1/ko
Application granted granted Critical
Publication of KR102193228B1 publication Critical patent/KR102193228B1/ko

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • G06K9/00456—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Multimedia (AREA)

Abstract

본 발명은 딥러닝 기반 비재무정보 평가 장치 및 그 방법을 개시한다. 즉, 본 발명은 크롤링 등의 방식을 통해 텍스트 데이터를 수집하고, 상기 수집된 텍스트 데이터에 대해 전처리 및 세그먼테이션 기능을 수행하고, 상기 전처리된 텍스트 데이터를 번역 모델에 적용하여 미리 설정된 언어로 번역하고, 상기 번역된 텍스트 데이터에 대해 2차로 전처리 및 워드 임베딩 기능을 수행하고, 2차로 전처리 및 워드 임베딩된 번역된 텍스트 데이터를 추론 모델에 적용하여 추론 기능을 수행하고, 추론된 텍스트 데이터를 복수의 텍스트 분류 모델 중 어느 하나의 텍스트 분류 모델에 적용하여 해당 추론된 텍스트 데이터를 분류하고, 분류된 추론된 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 산출된 피처 센티먼트 스코어 및 관련 재무 데이터를 결합하여 상관관계를 포함하는 리스크 매트릭스 스코어를 산출함으로써, 재무정보와 비재무정보의 상관관계에 대한 정확한 평가 및 두 정보의 통합적 의사결정에 필요한 정보의 고도화를 제공하며, 방대한 정보수집 및 분석에 소요되는 시간을 절약하여 전체 시스템 운영 효율을 극대화할 수 있다.

Description

딥러닝 기반 비재무정보 평가 장치 및 그 방법{Apparatus for evaluating non-financial information based on deep learning and method thereof}
본 발명은 딥러닝 기반 비재무정보 평가 장치 및 그 방법에 관한 것으로서, 특히 크롤링 등의 방식을 통해 텍스트 데이터를 수집하고, 상기 수집된 텍스트 데이터에 대해 전처리 및 세그먼테이션 기능을 수행하고, 상기 전처리된 텍스트 데이터를 번역 모델에 적용하여 미리 설정된 언어로 번역하고, 상기 번역된 텍스트 데이터에 대해 2차로 전처리 및 워드 임베딩 기능을 수행하고, 2차로 전처리 및 워드 임베딩된 번역된 텍스트 데이터를 추론 모델에 적용하여 추론 기능을 수행하고, 추론된 텍스트 데이터를 복수의 텍스트 분류 모델 중 어느 하나의 텍스트 분류 모델에 적용하여 해당 추론된 텍스트 데이터를 분류하고, 분류된 추론된 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 산출된 피처 센티먼트 스코어 및 관련 재무 데이터를 결합하여 상관관계를 포함하는 리스크 매트릭스 스코어를 산출하는 딥러닝 기반 비재무정보 평가 장치 및 그 방법에 관한 것이다.
기존의 기업 투자의사결정은 대부분 투자상품에 대한 투자수익률과 같은 재무정보를 기반으로 결정된다. 이러한 기업 투자의사결정은 이론적으로 기업의 내부현황 및 외부환경에 대한 다양한 정보를 수치로 변환하여, 기업가치에 충실히 반영하고 있다는 가정하에 주주의 이익을 극대화하는 가장 합리적인 투자의사결정으로 받아들여졌다.
그러나 자본주의의 성장으로 기업이 사회에 미치는 영향력이 확대됨에 따라, 사회 또한 기업 활동에 적극적으로 영향력을 미치고 있다. 이에 따라, 기업은 기존 재무정보에 반영되지 못한 기업관련 정보들을 환경(Environmental), 사회(Social), 지배구조(Governance)로 구분하여 자발적으로 정보를 공시하고 있다. 하지만 기업이 자발적으로 공시한 ESG 정보는 기업 호의적 정보의 선택 편향(selection bias) 등의 신뢰성 문제를 내포하고 있다.
따라서, 비재무정보 공시 확대에 대한 투자자 및 사회적 요구를 반영하기 위하여 기업 외부 정보를 ESG 정보로 분류하고, 이를 ESG 정보에 통합하는 정보의 고도화가 필요하다. 또한, 재무정보와 비재무정보의 상관관계에 대한 정확한 평가 및 두 정보의 통합적 의사결정에 필요한 정보의 고도화가 필요한 상태이다.
한국공개특허 제10-2018-0061458호 [제목: 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템]
본 발명의 목적은 크롤링 등의 방식을 통해 텍스트 데이터를 수집하고, 상기 수집된 텍스트 데이터에 대해 전처리 및 세그먼테이션 기능을 수행하고, 상기 전처리된 텍스트 데이터를 번역 모델에 적용하여 미리 설정된 언어로 번역하고, 상기 번역된 텍스트 데이터에 대해 2차로 전처리 및 워드 임베딩 기능을 수행하고, 2차로 전처리 및 워드 임베딩된 번역된 텍스트 데이터를 추론 모델에 적용하여 추론 기능을 수행하고, 추론된 텍스트 데이터를 복수의 텍스트 분류 모델 중 어느 하나의 텍스트 분류 모델에 적용하여 해당 추론된 텍스트 데이터를 분류하고, 분류된 추론된 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 산출된 피처 센티먼트 스코어 및 관련 재무 데이터를 결합하여 상관관계를 포함하는 리스크 매트릭스 스코어를 산출하는 딥러닝 기반 비재무정보 평가 장치 및 그 방법을 제공하는 데 있다.
본 발명의 실시예에 따른 딥러닝 기반 비재무정보 평가 장치는 언론사 서버, SNS 서버 및 공공기관 서버 중 적어도 하나에 접속하는 통신부; 및 상기 접속된 언론사 서버, SNS 서버 및 공공기관 서버 중 적어도 하나에 등록된 복수의 정보 중에서 미리 설정된 키워드에 대응하는 하나 이상의 텍스트 데이터를 수집하고, 상기 수집된 하나 이상의 텍스트 데이터에 대해 전처리 및 세그먼테이션을 수행하고, 상기 전처리된 하나 이상의 텍스트 데이터에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역하고, 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩 기능을 수행하고, 상기 전처리 및 워드 임베딩 수행에 따른 워드 임베딩된 하나 이상의 텍스트 데이터에 추론 모델을 적용하여 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하고, 상기 분류된 하나 이상의 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 상기 산출된 피처 센티먼트 스코어 및 미리 수집된 상기 키워드에 대응하는 하나 이상의 재무 데이터를 결합하여, 상관관계를 포함하는 통계적 분석을 통해 리스크 매트릭스 스코어를 산출하는 제어부를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 수집된 하나 이상의 텍스트 데이터 각각에 대해 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수를 이용해서 상기 워드 임베딩된 하나 이상의 텍스트 데이터에 대해 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 분류된 하나 이상의 텍스트 데이터를 근거로 객체명 및 특성에 기초한 센티먼트 분석을 수행하여, 상기 텍스트 데이터에 포함된 객체에 대한 피처 센티먼트 스코어를 산출할 수 있다.
본 발명의 실시예에 따른 딥러닝 기반 비재무정보 평가 방법은 제어부에 의해, 통신부를 통해 연결된 언론사 서버, SNS 서버 및 공공기관 서버 중 적어도 하나에 등록된 복수의 정보 중에서 미리 설정된 키워드에 대응하는 하나 이상의 텍스트 데이터를 수집하는 단계; 상기 제어부에 의해, 상기 수집된 하나 이상의 텍스트 데이터에 대해 전처리 및 세그먼테이션을 수행하는 단계; 상기 제어부에 의해, 상기 전처리된 하나 이상의 텍스트 데이터에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역하는 단계; 상기 제어부에 의해, 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩 기능을 수행하는 단계; 상기 제어부에 의해, 상기 전처리 및 워드 임베딩 수행에 따른 워드 임베딩된 하나 이상의 텍스트 데이터에 추론 모델을 적용하여 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하는 단계; 상기 제어부에 의해, 상기 분류된 하나 이상의 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하는 단계; 및 상기 제어부에 의해, 상기 산출된 피처 센티먼트 스코어 및 미리 수집된 상기 키워드에 대응하는 하나 이상의 재무 데이터를 결합하여, 상관관계를 포함하는 통계적 분석을 통해 리스크 매트릭스 스코어를 산출하는 단계를 포함할 수 있다.
본 발명의 실시예에 따른 상기 하나 이상의 텍스트 데이터를 수집하는 단계는, 상기 키워드에 대응하는 텍스트 데이터를 포함하는 이미지 파일을 수집할 때, 상기 이미지 파일에서 OCR(optical character reader) 기능을 통해 상기 텍스트 데이터를 추출하는 과정; 및 상기 키워드에 대응하는 텍스트 데이터를 포함하는 문서 파일에서 상기 텍스트 데이터를 추출하는 과정 중 적어도 하나의 과정을 포함할 수 있다.
본 발명의 실시예에 따른 상기 전처리된 하나 이상의 텍스트 데이터에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역하는 단계는, 미리 설정된 언어를 감지하는 함수를 이용해서 상기 전처리된 하나 이상의 텍스트 데이터 각각의 언어를 감지하는 과정; 저장부에 미리 저장된 복수의 번역용 네트워크 함수 중에서, 상기 감지된 각각의 언어에 최적화된 하이퍼파라미터 값들을 포함하는 특정 번역용 네트워크 함수를 각각 로딩하는 과정; 및 상기 전처리된 하나 이상의 텍스트 데이터에 상기 로딩된 특정 번역용 네트워크 함수를 각각 적용하여 상기 미리 설정된 기준 언어로 각각 번역하는 과정을 포함할 수 있다.
본 발명의 실시예에 따른 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩 기능을 수행하는 단계는, 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해 2차로 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행하는 과정; 상기 2차로 전처리된 하나 이상의 번역된 텍스트 데이터에 대해 워드 임베딩 기능을 수행하는 과정; 및 상기 워드 임베딩된 하나 이상의 텍스트 데이터를 미리 설정된 기준 길이에 따라 분할하는 과정을 포함할 수 있다.
본 발명의 실시예에 따른 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하는 단계는, 상기 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수를 이용해서 상기 워드 임베딩된 하나 이상의 텍스트 데이터에 대해 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류할 수 있다.
본 발명의 실시예에 따른 상기 분류된 하나 이상의 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하는 단계는, 상기 분류된 하나 이상의 텍스트 데이터를 근거로 객체명 및 특성에 기초한 센티먼트 분석을 수행하여, 상기 텍스트 데이터에 포함된 객체에 대한 피처 센티먼트 스코어를 산출할 수 있다.
본 발명은 크롤링 등의 방식을 통해 텍스트 데이터를 수집하고, 상기 수집된 텍스트 데이터에 대해 전처리 및 세그먼테이션 기능을 수행하고, 상기 전처리된 텍스트 데이터를 번역 모델에 적용하여 미리 설정된 언어로 번역하고, 상기 번역된 텍스트 데이터에 대해 2차로 전처리 및 워드 임베딩 기능을 수행하고, 2차로 전처리 및 워드 임베딩된 번역된 텍스트 데이터를 추론 모델에 적용하여 추론 기능을 수행하고, 추론된 텍스트 데이터를 복수의 텍스트 분류 모델 중 어느 하나의 텍스트 분류 모델에 적용하여 해당 추론된 텍스트 데이터를 분류하고, 분류된 추론된 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 산출된 피처 센티먼트 스코어 및 관련 재무 데이터를 결합하여 상관관계를 포함하는 리스크 매트릭스 스코어를 산출함으로써, 재무정보와 비재무정보의 상관관계에 대한 정확한 평가 및 두 정보의 통합적 의사결정에 필요한 정보의 고도화를 제공하며, 방대한 정보수집 및 분석에 소요되는 시간을 절약하여 전체 시스템 운영 효율을 극대화할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 비재무정보 평가 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 딥러닝 기반 비재무정보 평가 방법을 나타낸 흐름도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 비재무정보 평가 장치(100)의 구성을 나타낸 블록도이다.
도 1에 도시한 바와 같이, 딥러닝 기반 비재무정보 평가 장치(100)는 통신부(110), 저장부(120), 표시부(130), 음성 출력부(140) 및 제어부(150)로 구성된다. 도 1에 도시된 딥러닝 기반 비재무정보 평가 장치(100)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 딥러닝 기반 비재무정보 평가 장치(100)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 딥러닝 기반 비재무정보 평가 장치(100)가 구현될 수도 있다.
상기 딥러닝 기반 비재무정보 평가 장치(100)는 스마트폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 폴더블 단말기(Foldable Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 내비게이션(Navigation) 단말기, 개인용 컴퓨터(Personal Computer), 노트북 컴퓨터, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display) 등 포함), 와이브로(Wibro) 단말기, IPTV(Internet Protocol Television) 단말기, 스마트 TV, 디지털방송용 단말기, AVN(Audio Video Navigation) 단말기, A/V(Audio/Video) 시스템, 플렉시블 단말기(Flexible Terminal), 디지털 사이니지 장치 등과 같은 다양한 단말기에 적용될 수 있다.
상기 통신부(110)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 서버(미도시), 다른 단말(미도시), 언론사 서버(미도시), SNS 서버(미도시), 공공기관 서버(미도시) 등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부(110)는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.
또한, 상기 통신부(110)는 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.
또한, 상기 통신부(110)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 상기 서버, 상기 다른 단말, 상기 언론사 서버, 상기 SNS 서버, 상기 공공기관 서버 등과 무선 신호를 송수신한다.
또한, 상기 통신부(110)는 상기 제어부(150)의 제어에 의해, 공공 정보를 제공하는 상기 언론사 서버, 상기 SNS 서버, 상기 공공기관 서버 등에 접속한다.
또한, 상기 통신부(110)는 상기 제어부(150)의 제어에 의해, 상기 접속된 언론사 서버, SNS 서버, 공공기관 서버 등에 등록된 복수의 정보 중에서 미리 설정된 키워드(또는 검색어)에 대응하는 하나 이상의 텍스트 데이터(또는 정보)를 크롤링(crawling) 방식 등을 통해 수집(또는 수신/다운로드)한다.
상기 저장부(120)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.
또한, 상기 저장부(120)는 상기 딥러닝 기반 비재무정보 평가 장치(100)가 동작하는데 필요한 데이터와 프로그램 등을 저장한다.
즉, 상기 저장부(120)는 상기 딥러닝 기반 비재무정보 평가 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 딥러닝 기반 비재무정보 평가 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 딥러닝 기반 비재무정보 평가 장치(100)의 기본적인 기능을 위하여 출고 당시부터 딥러닝 기반 비재무정보 평가 장치(100) 상에 존재할 수 있다. 한편, 응용 프로그램은 상기 저장부(120)에 저장되고, 딥러닝 기반 비재무정보 평가 장치(100)에 설치되어, 제어부(150)에 의하여 상기 딥러닝 기반 비재무정보 평가 장치(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
또한, 상기 저장부(120)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 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) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 딥러닝 기반 비재무정보 평가 장치(100)는 인터넷(internet)상에서 저장부(120)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 동작할 수도 있다.
또한, 상기 저장부(120)는 상기 제어부(150)의 제어에 의해 상기 수집된 미리 설정된 키워드(또는 검색어)에 대응하는 하나 이상의 텍스트 데이터(또는 정보) 등을 저장한다.
상기 표시부(또는 디스플레이부)(130)는 상기 제어부(150)의 제어에 의해 상기 저장부(120)에 저장된 사용자 인터페이스 및/또는 그래픽 사용자 인터페이스를 이용하여 다양한 메뉴 화면 등과 같은 다양한 콘텐츠를 표시할 수 있다. 여기서, 상기 표시부(130)에 표시되는 콘텐츠는 다양한 텍스트 또는 이미지 데이터(각종 정보 데이터 포함)와 아이콘, 리스트 메뉴, 콤보 박스 등의 데이터를 포함하는 메뉴 화면 등을 포함한다. 또한, 상기 표시부(130)는 터치 스크린 일 수 있다.
또한, 상기 표시부(130)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 표시부(130)는 상기 제어부(150)의 제어에 의해 상기 수집된 미리 설정된 키워드(또는 검색어)에 대응하는 하나 이상의 텍스트 데이터(또는 정보) 등을 표시한다.
상기 음성 출력부(140)는 상기 제어부(150)에 의해 소정 신호 처리된 신호에 포함된 음성 정보를 출력한다. 여기서, 상기 음성 출력부(140)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
또한, 상기 음성 출력부(140)는 상기 제어부(150)에 의해 생성된 안내 음성을 출력한다.
또한, 상기 음성 출력부(140)는 상기 제어부(150)의 제어에 의해 상기 수집된 미리 설정된 키워드(또는 검색어)에 대응하는 하나 이상의 텍스트 데이터(또는 정보) 등에 대응하는 음성 정보(또는 음향 효과)를 출력한다.
상기 제어부(controller, 또는 MCU(microcontroller unit)(150)는 상기 딥러닝 기반 비재무정보 평가 장치(100)의 전반적인 제어 기능을 실행한다.
또한, 상기 제어부(150)는 상기 저장부(120)에 저장된 프로그램 및 데이터를 이용하여 딥러닝 기반 비재무정보 평가 장치(100)의 전반적인 제어 기능을 실행한다. 상기 제어부(150)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 저장부(120)에 액세스하여, 상기 저장부(120)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 저장부(120)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 동작을 수행할 수 있다.
또한, 상기 제어부(150)는 상기 통신부(110)를 통해 공공 정보를 제공하는 상기 언론사 서버, 상기 SNS 서버, 상기 공공기관 서버 등에 접속한다.
또한, 상기 제어부(150)는 상기 접속된 언론사 서버, SNS 서버, 공공기관 서버 등에 등록된 복수의 정보 중에서 미리 설정된 키워드(또는 검색어)에 대응하는 하나 이상의 텍스트 데이터(또는 정보)를 크롤링 방식 등을 통해 수집한다.
이때, 상기 키워드에 대응하는 텍스트 데이터를 포함하는 이미지 파일(예를 들어 png, gif, jpg 등의 형태) 또는 문서 파일(예를 들어 pdf, docx, hwp 등의 형태)을 수집(또는 다운로드)하는 경우, 상기 제어부(150)는 해당 이미지 파일에서 OCR(optical character reader) 기능을 통해 상기 텍스트 데이터를 추출하거나 또는, 문서 파일에서 상기 텍스트 데이터를 추출할 수 있다.
또한, 상기 제어부(150)는 상기 수집된 하나 이상의 텍스트 데이터에 대해 전처리(preprocessing) 및/또는 세그먼테이션(segmentation)을 수행한다.
즉, 상기 제어부(150)는 상기 수집된 하나 이상의 텍스트 데이터 각각에 대해 정규화(normalization) 과정을 수행한다. 이때, 상기 정규화 과정은 정제(cleaning)(또는 노이즈 제거(de-nosing)) 과정, 문장 토큰화(sentence tokenization) 과정, 토큰화(tokenization) 과정 및 단어 분리(subword segmentation) 과정 중 적어도 하나의 과정을 포함한다. 여기서, 상기 제어부(150)는 해외로부터 수집된 텍스트 데이터에 있어서, 기존의 사전에 등록되지 않은 형태소의 경우 인식되지 않는 경우가 발생할 수 있기 때문에, 바이트 페어 인코딩(Byte Pare Encoding: BPE) 방식을 통해 가장 확률적으로 높은 단어를 매칭하여 출력함에 따라 띄어쓰기 오류로 인한 알려지지 않은 토큰(unknown token) 발생을 차단할 수 있다.
또한, 상기 제어부(150)는 상기 전처리된 하나 이상의 텍스트 데이터(또는 상기 전처리 및/또는 세그먼테이션된 하나 이상의 텍스트 데이터)에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역한다. 여기서, 상기 번역 모델은 시퀀스 투 시퀀스 모델(sequence-to-sequence model), 주의 모델(attention model) 등을 포함한다.
즉, 상기 제어부(150)는 미리 설정된 언어를 감지하는 함수를 이용해서 상기 전처리된 하나 이상의 텍스트 데이터 각각의 언어를 감지한다.
또한, 상기 제어부(150)는 저장부(120)에 미리 저장된 복수의 번역용 네트워크 함수 중에서, 상기 감지된 각각의 언어에 최적화된 하이퍼파라미터(hyperparameter) 값들을 포함하는 특정 번역용 네트워크 함수를 각각 로딩(loading)(또는 호출)한다.
또한, 상기 제어부(150)는 상기 전처리된 하나 이상의 텍스트 데이터에 상기 로딩된 특정 번역용 네트워크 함수를 각각 적용하여 상기 미리 설정된 기준 언어로 각각 번역한다. 이때, 해당 전처리된 텍스트 데이터의 언어가 상기 기준 언어인 경우, 상기 제어부(150)는 해당 전처리된 텍스트 데이터에 대한 번역 과정을 생략할 수 있다.
또한, 상기 제어부(150)는 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터 및 상기 수집된 원본 형태의 하나 이상의 텍스트 데이터를 상기 저장부(120)에 저장한다.
이에 따라, 상기 제어부(150)는 이와 같은 번역으로 텍스트 분류의 언어 모델을 따로 만드는 것이 아니라, 하나의 분류 모델로 일관성 있게 분류 기능을 수행할 수 있다.
또한, 상기 제어부(150)는 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩(word embedding) 기능을 수행한다.
즉, 상기 제어부(150)는 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해 2차로 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행하여, 상기 기준 언어로 번역된 텍스트 데이터에서 필요한 데이터는 유지하고 불필요한 데이터는 삭제 처리한다.
또한, 상기 제어부(150)는 상기 2차로 전처리된 하나 이상의 번역된 텍스트 데이터(또는 2차로 전처리된 하나 이상의 텍스트 데이터)에 대해 워드 임베딩 기능을 수행한다.
또한, 상기 제어부(150)는 상기 워드 임베딩된 하나 이상의 텍스트 데이터(또는 임베딩된 2차로 전처리된 번역된 하나 이상의 텍스트 데이터)를 미리 설정된 기준 길이(또는 기준 단어수)에 따라 분할한다. 이때, 상기 제어부(150)는 상기 워드 임베딩된 텍스트 데이터의 길이(또는 단어수)가 상기 미리 설정된 기준 길이보다 작은 경우 해당 워드 임베딩된 텍스트 데이터를 그대로 사용하고, 상기 워드 임베딩된 텍스트 데이터의 길이가 상기 미리 설정된 기준 길이보다 큰 경우 해당 워드 임베딩된 텍스트 데이터를 상기 기준 길이를 근거로 복수로 분할한다.
또한, 상기 제어부(150)는 상기 전처리 및 워드 임베딩 수행에 따른 워드 임베딩된 하나 이상의 텍스트 데이터(또는 워드 임베딩된 2차로 전처리된 하나 이상의 번역된 텍스트 데이터)에 추론 모델을 적용하여 추론 기능을 수행하여, 해당 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류(또는 확인)한다. 이때, 상기 추론 모델은 바이너리 분류 모델(binary classification model), 멀티-라벨 분류 모델(multi-label classification model), 멀티-클래스 분류 모델(multi-class classification model) 등을 포함한다.
즉, 상기 제어부(150)는 상기 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수 또는 상기 저장부(120)에 저장된 추론 모델(또는 미학습된 추론 모델)에 포함된 네트워크 함수를 이용해서 상기 워드 임베딩된 하나 이상의 텍스트 데이터(또는 워드 임베딩된 2차로 전처리된 하나 이상의 번역된 텍스트 데이터)에 대해 추론 기능을 수행하여, 해당 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류한다. 이때, 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수를 사용하는 경우, 상기 제어부(150)는 사전학습된 네트워크 함수의 지식(또는 해당 사전학습된 네트워크 함수에 포함된 변수별 가중치)을 활용할 수 있기 때문에, 새로운 입력 텍스트 데이터 학습시 새로운 입력 텍스트 데이터의 특징에 대해서만 학습하면 학습이 완료될 수 있으므로, 전체 학습에 필요한 시간 및 연산량을 줄일 수 있다.
또한, 상기 사전 학습된 추론 모델에 포함된 네트워크 함수는 다음의 과정을 통해 학습될 수 있다.
즉, 상기 제어부(150)는 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터(또는 트레이닝 데이터/기준 언어로 번역된 사전 수집된 복수의 이전 텍스트 데이터)에 대해서 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행하여, 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터에서 필요한 데이터는 유지하고 불필요한 데이터는 삭제 처리하는 전처리 과정을 수행한다.
또한, 상기 제어부(150)는 상기 2차로 전처리된 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터에 대해 워드 임베딩 기능을 수행한다.
또한, 상기 제어부(150)는 상기 워드 임베딩된 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터를 상기 미리 설정된 기준 길이(또는 기준 단어수)에 따라 분할한다. 이때, 상기 제어부(150)는 상기 워드 임베딩된 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터의 길이(또는 단어수)가 상기 미리 설정된 기준 길이보다 작은 경우 해당 워드 임베딩된 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터를 그대로 사용하고, 상기 워드 임베딩된 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터의 길이가 상기 미리 설정된 기준 길이보다 큰 경우 해당 워드 임베딩된 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터를 상기 기준 길이를 근거로 복수로 분할한다.
또한, 상기 제어부(150)는 상기 전처리 및 워드 임베딩 수행에 따른 워드 임베딩된 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터에 상기 추론 모델을 적용하여 학습 기능을 수행한다.
이와 같이, 상기 제어부(150)는 상기 키워드와 관련해서 사전에 수집된 복수의 이전 텍스트 데이터에 대한 학습 과정을 통해 해당 학습 과정에 이용되는 네트워크 함수를 학습시키고, 상기 학습된 네트워크 함수(또는 상기 사전학습된 네트워크 함수)의 가중치를 다음 단계들(예를 들어 학습 기능, 추론 기능, 번역 기능 등 포함)에 활용하여, 새로운 입력 텍스트 데이터 학습시 새로운 입력 텍스트 데이터의 특징에 대해서만 학습하면 학습이 완료될 수 있으므로, 전체 학습에 필요한 시간 및 연산량을 줄일 수 있다.
여기서, 상기 추론 모델에 포함된 바이너리 분류 모델을 사용하는 경우, 상기 제어부(150)는 상기 워드 임베딩된 텍스트 데이터에 미리 설정된 복수의 서브 추론 모델을 각각 적용하여, 각각의 서브 추론 모델에 포함된 카테고리(또는 이슈)와 관련해서 ESG 뉴스(또는 ESG 정보) 여부에 대한 적합성 평가를 실시한다. 이때, 상기 바이너리 분류 모델은 필터링 기능을 제공하는 반면, 카테고리별 확률을 제공하지 않는다.
또한, 상기 추론 모델에 포함된 멀티-라벨 분류 모델을 사용하는 경우, 상기 제어부(150)는 상기 워드 임베딩된 텍스트 데이터에 미리 설정된 단일 추론 모델을 적용하여, 해당 단일 추론 모델에 포함된 복수의 카테고리별로 확률을 산출하고, 산출된 복수의 카테고리별 확률 중에서 가장 큰 확률값을 가지는 카테고리와 관련해서 ESG 뉴스에 대해 분류된 레이블 태깅을 수행한다. 이때, 상기 멀티-라벨 분류 모델은 카테고리별 확률을 제공하는 반면, 필터링 기능을 제공하지 않는다.
또한, 상기 제어부(150)는 상기 추론 모델에 포함된 바이너리 분류 모델과 상기 멀티-라벨 분류 모델을 결합한 교차 검증을 통해 ESG 뉴스 여부에 대한 적합성 판별 성능을 높일 수 있다.
또한, 상기 추론 모델에 포함된 멀티-클래스 분류 모델을 사용하는 경우, 상기 제어부(150)는 상기 바이너리 분류 모델을 적용한 결과, 상기 멀티-라벨 분류 모델을 적용한 결과 및 상기 바이너리 분류 모델과 멀티-라벨 분류 모델을 결합한 교차 검증 결과에 멀티-클래스 분류 과정을 추가 수행하여 텍스트 데이터가 사전결정된 카테고리로 분류될 확률을 계산할 수 있으며, 이 확률값이 사전결정된 임계치 이상인지 여부에 따라 추가적인 교차검증을 진행할 수도 있다.
이와 같이, 텍스트(또는 텍스트 데이터)와 같은 비정형 데이터의 경우, 노이즈 정보를 제거하는 과정이 매우 중요하다. GIGO(garbage-in garbage-out)와 같이 노이즈 정보가 제거되지 않은 데이터는 출력되는 결과물 또한 신뢰성이 낮다. 이를 극복하기 위해서는 노이즈 정보가 최대한 반영되지 않도록 인간의 제한된 사고의 범위를 가정하여 학습 데이터를 구축하는 과정이 필요하며, 이렇게 만들어진 학습 데이터의 최적 모델을 사용하는 것이 필요한다.
이에 따라 본 발명이 제시하는 방법은 최적 모델의 결합이며, 이 모델의 결합은 신뢰 가능한 학습 데이터 구조를 기반하기 때문에 텍스트 데이터 분류의 성능을 향상시킬 수 있다.
즉, 뉴스 및 소셜 미디어와 같은 방대한 비정형 데이터가 정보로서의 실질적 가치를 가지기 위해서는 좋은 모델도 필요하지만 좋은 학습 데이터 또한 필요하다.
하지만, 기존 기술들은 학습 데이터가 주어진 상태로 모델링을 하거나 또는, 반대로 주어진 모델링에 적합한 학습 데이터를 찾는 방법을 취한다.
이에 반해, 본 발명은 학습 데이터 생성 과정을 모델링 최적화와 동시에 고려하여 텍스트 데이터 분류 성능을 향상시킬 수 있다.
또한, 본 발명은 실질적 정보의 속성(예를 들어 높은 복잡성, 정보 범위의 지속적 변화 등 포함)이 반영될 수 있는 학습 데이터 구조를 고려하여, 해당 학습 데이터 구조를 최대로 활용할 수 있는 2개의 분류 모델(또는 텍스트 분류 모델)(예를 들어 학습 모델 및 추론 모델)을 결합하는 방법을 활용한다.
또한, 상기 제어부(150)는 상기 분류된 하나 이상의 텍스트 데이터(또는 분류된/추론된 하나 이상의 워드 임베딩된 텍스트 데이터)를 근거로 피처 센티먼트 스코어(feature sentiment score)를 산출(또는 계산)한다.
즉, 상기 제어부(150)는 상기 분류된 하나 이상의 텍스트 데이터를 근거로 객체명(entity) 및/또는 특성(aspect)에 기초한 센티먼트 분석을 수행하여, 텍스트 데이터 전반의 센티먼트 값뿐만 아니라, 상기 텍스트 데이터에 포함된 해당 객체(또는 피처)에 대한 센티먼트 스코어(또는 피처 센티먼트 스코어)를 산출한다. 여기서, 상기 피처 센티먼트 스코어는 미리 설정된 범위(예를 들어 -1 ~ +1) 중 어느 하나의 실수값일 수 있다.
또한, 상기 제어부(150)는 상기 산출된 하나 이상의 텍스트 데이터(또는 상기 산출된 상기 분류된 하나 이상의 텍스트 데이터)에 대한 피처 센티먼트 스코어를 표시부(130) 및/또는 음성 출력부(140)를 통해 출력한다.
또한, 상기 제어부(150)는 상기 산출된 피처 센티먼트 스코어 및 미리 수집된 해당 키워드에 대응하는 하나 이상의 재무 데이터를 결합하여, 상관관계를 포함하는 통계적 분석을 통해 리스크 매트릭스 스코어를 산출한다.
또한, 상기 제어부(150)는 해당 키워드와 관련해서 산출되는 리스크 매트릭스 스코어를 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력한다.
또한, 상기 제어부(150)는 상기 수집된 하나 이상의 텍스트 데이터, 상기 수집된 텍스트 데이터별로 산출된 피처 센티먼트 스코어, 상기 산출된 리스크 매트릭스 스코어, 상기 하나 이상의 재무 데이터 등을 상기 통신부(110)를 통해 자산 운용을 위해 데이터를 필요한 하는 서버(또는 디바이스)(미도시)에 제공한다.
이와 같이, 크롤링 등의 방식을 통해 텍스트 데이터를 수집하고, 상기 수집된 텍스트 데이터에 대해 전처리 및 세그먼테이션 기능을 수행하고, 상기 전처리된 텍스트 데이터를 번역 모델에 적용하여 미리 설정된 언어로 번역하고, 상기 번역된 텍스트 데이터에 대해 2차로 전처리 및 워드 임베딩 기능을 수행하고, 2차로 전처리 및 워드 임베딩된 번역된 텍스트 데이터를 추론 모델에 적용하여 추론 기능을 수행하고, 추론된 텍스트 데이터를 복수의 텍스트 분류 모델 중 어느 하나의 텍스트 분류 모델에 적용하여 해당 추론된 텍스트 데이터를 분류하고, 분류된 추론된 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 산출된 피처 센티먼트 스코어 및 관련 재무 데이터를 결합하여 상관관계를 포함하는 리스크 매트릭스 스코어를 산출할 수 있다.
이하에서는, 본 발명에 따른 딥러닝 기반 비재무정보 평가 방법을 도 1 내지 도 2를 참조하여 상세히 설명한다.
도 2는 본 발명의 실시예에 따른 딥러닝 기반 비재무정보 평가 방법을 나타낸 흐름도이다.
먼저, 제어부(150)는 통신부(110)를 통해 공공 정보를 제공하는 언론사 서버(미도시), SNS 서버(미도시), 공공기관 서버(미도시) 등에 접속한다.
또한, 상기 제어부(150)는 상기 접속된 언론사 서버, SNS 서버, 공공기관 서버 등에 등록된 복수의 정보 중에서 미리 설정된 키워드(또는 검색어)에 대응하는 하나 이상의 텍스트 데이터(또는 정보)를 크롤링 방식 등을 통해 수집한다.
이때, 상기 키워드에 대응하는 텍스트 데이터를 포함하는 이미지 파일(예를 들어 png, gif, jpg 등의 형태) 또는 문서 파일(예를 들어 pdf, docx, hwp 등의 형태)을 수집(또는 다운로드)하는 경우, 상기 제어부(150)는 해당 이미지 파일에서 OCR(optical character reader) 기능을 통해 상기 텍스트 데이터를 추출하거나 또는, 문서 파일에서 상기 텍스트 데이터를 추출할 수 있다.
일 예로, 상기 제어부(150)는 상기 통신부(110)를 통해 접속된 국가별 언론사 서버, 국가별 공공기관 서버, 트위터 서버, 페이스북 서버 등으로부터 미리 설정된 제 1 검색어(예를 들어 ABCD 회사명)와 관련한 한글 형태의 제 1 텍스트 데이터, 영어 형태의 제 2 텍스트 데이터, 중국어 형태의 제 3 텍스트 데이터, 프랑스어 형태의 제 4 텍스트 데이터 및 러시아어 형태의 제 5 텍스트 데이터를 각각 수집한다(S210).
이후, 상기 제어부(150)는 상기 수집된 하나 이상의 텍스트 데이터에 대해 전처리 및/또는 세그먼테이션을 수행한다.
즉, 상기 제어부(150)는 상기 수집된 하나 이상의 텍스트 데이터 각각에 대해 정규화 과정을 수행한다. 이때, 상기 정규화 과정은 정제(또는 노이즈 제거) 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 포함한다.
일 예로, 상기 제어부(150)는 상기 수집된 제 1 텍스트 데이터 내지 제 5 텍스트 데이터 각각에 상기 정제 과정, 상기 문장 토큰화 과정 및 상기 단어 분리 과정을 각각 수행한다(S220).
이후, 상기 제어부(150)는 상기 전처리된 하나 이상의 텍스트 데이터(또는 상기 전처리 및/또는 세그먼테이션된 하나 이상의 텍스트 데이터)에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역한다. 여기서, 상기 번역 모델은 시퀀스 투 시퀀스 모델, 주의 모델 등을 포함한다.
즉, 상기 제어부(150)는 미리 설정된 언어를 감지하는 함수를 이용해서 상기 전처리된 하나 이상의 텍스트 데이터 각각의 언어를 감지한다.
또한, 상기 제어부(150)는 저장부(120)에 미리 저장된 복수의 번역용 네트워크 함수 중에서, 상기 감지된 각각의 언어에 최적화된 하이퍼파라미터 값들을 포함하는 특정 번역용 네트워크 함수를 각각 로딩(또는 호출)한다.
또한, 상기 제어부(150)는 상기 전처리된 하나 이상의 텍스트 데이터에 상기 로딩된 특정 번역용 네트워크 함수를 각각 적용하여 상기 미리 설정된 기준 언어로 각각 번역한다. 이때, 해당 전처리된 텍스트 데이터의 언어가 상기 기준 언어인 경우, 상기 제어부(150)는 해당 전처리된 텍스트 데이터에 대한 번역 과정을 생략할 수 있다.
또한, 상기 제어부(150)는 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터 및 상기 수집된 원본 형태의 하나 이상의 텍스트 데이터를 상기 저장부(120)에 저장한다.
이에 따라, 상기 제어부(150)는 이와 같은 번역으로 텍스트 분류의 언어 모델을 따로 만드는 것이 아니라, 하나의 분류 모델로 일관성 있게 분류 기능을 수행할 수 있다.
일 예로, 상기 제어부(150)는 미리 설정된 언어를 감지하는 함수를 이용해서 상기 제 1 텍스트 데이터의 언어(예를 들어 한국어), 상기 제 2 텍스트 데이터의 언어(예를 들어 영어), 상기 제 3 텍스트 데이터의 언어(예를 들어 중국어), 상기 제 4 텍스트 데이터의 언어(예를 들어 프랑스어) 및 상기 제 5 텍스트 데이터의 언어(예를 들어 러시아어)를 각각 감지한다.
또한, 상기 제어부(150)는 상기 저장부(120)에 미리 저장된 복수의 번역용 네트워크 함수 중에서 상기 감지된 한국어에 최적화된 하이퍼파라미터 값들을 포함하는 제 1 번역용 네트워크 함수, 상기 감지된 중국어에 최적화된 하이퍼파라미터 값들을 포함하는 제 2 번역용 네트워크 함수, 상기 감지된 프랑스어에 최적화된 하이퍼파라미터 값들을 포함하는 제 3 번역용 네트워크 함수 및 상기 감지된 러시아어에 최적화된 하이퍼파라미터 값들을 포함하는 제 4 번역용 네트워크 함수를 각각 로딩한다.
또한, 상기 제어부(150)는 상기 로딩된 제 1 번역용 네트워크 함수를 이용해서 상기 한국어 형태의 제 1 텍스트 데이터를 미리 설정된 기준 언어인 영어 형태의 제 1 텍스트 데이터로 번역하고, 상기 로딩된 제 2 번역용 네트워크 함수를 이용해서 상기 중국어 형태의 제 3 텍스트 데이터를 영어 형태의 제 3 텍스트 데이터로 번역하고, 상기 로딩된 제 3 번역용 네트워크 함수를 이용해서 상기 프랑스어 형태의 제 4 텍스트 데이터를 영어 형태의 제 4 텍스트 데이터로 번역하고, 상기 로딩된 제 4 번역용 네트워크 함수를 이용해서 상기 러시아어 형태의 제 5 텍스트 데이터를 영어 형태의 제 5 텍스트 데이터로 번역한다(S230).
이후, 상기 제어부(150)는 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩 기능을 수행한다.
즉, 상기 제어부(150)는 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해 2차로 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행하여, 상기 기준 언어로 번역된 텍스트 데이터에서 필요한 데이터는 유지하고 불필요한 데이터는 삭제 처리한다.
또한, 상기 제어부(150)는 상기 2차로 전처리된 하나 이상의 번역된 텍스트 데이터(또는 2차로 전처리된 하나 이상의 텍스트 데이터)에 대해 워드 임베딩 기능을 수행한다.
또한, 상기 제어부(150)는 상기 워드 임베딩된 하나 이상의 텍스트 데이터(또는 임베딩된 2차로 전처리된 번역된 하나 이상의 텍스트 데이터)를 미리 설정된 기준 길이(또는 기준 단어수)에 따라 분할한다. 이때, 상기 제어부(150)는 상기 워드 임베딩된 텍스트 데이터의 길이(또는 단어수)가 상기 미리 설정된 기준 길이보다 작은 경우 해당 워드 임베딩된 텍스트 데이터를 그대로 사용하고, 상기 워드 임베딩된 텍스트 데이터의 길이가 상기 미리 설정된 기준 길이보다 큰 경우 해당 워드 임베딩된 텍스트 데이터를 상기 기준 길이를 근거로 복수로 분할한다.
일 예로, 상기 제어부(150)는 상기 기준 언어인 영어로 번역되거나 또는 상기 수집된 텍스트 데이터가 영어인 상기 번역된 제 1 텍스트 데이터 내지 상기 번역된 제 5 텍스트 데이터에 대해서 정제 과정 및 토큰화 과정을 추가로 수행한다.
또한, 상기 제어부(150)는 2차로 정제 과정 및 토큰화 과정을 수행한 상기 번역된 제 1 텍스트 데이터 내지 상기 번역된 제 5 텍스트 데이터에 대해서 워드 임베딩 기능을 각각 수행한다.
또한, 상기 제어부(150)는 상기 워드 임베딩된 제 1 텍스트 데이터의 단어수 내지 상기 워드 임베딩된 제 4 텍스트 데이터의 단어수가 상기 미리 설정된 기준 길이의 단어수(예를 들어 1천 단어)보다 작음에 따라 해당 워드 임베딩된 제 1 텍스트 데이터 내지 해당 워드 임베딩된 제 4 텍스트 데이터를 그대로 유지하고, 상기 워드 임베딩된 제 5 텍스트 데이터의 단어수(예를 들어 1300개의 단어)가 상기 기준 단어수(예를 들어 1천 단어)보다 큼에 따라 상기 워드 임베딩된 제 5 텍스트 데이터를 앞선 1000개의 단어에 해당하는 제 5-1 텍스트 데이터와 나머지 300개의 단어에 해당하는 제 5-2 텍스트 데이터로 분할한다(S240).
이후, 상기 제어부(150)는 상기 전처리 및 워드 임베딩 수행에 따른 워드 임베딩된 하나 이상의 텍스트 데이터(또는 워드 임베딩된 2차로 전처리된 하나 이상의 번역된 텍스트 데이터)에 추론 모델을 적용하여 추론 기능을 수행하여, 해당 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류(또는 확인)한다. 이때, 상기 추론 모델은 바이너리 분류 모델, 멀티-라벨 분류 모델, 멀티-클래스 분류 모델 등을 포함한다.
즉, 상기 제어부(150)는 상기 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수 또는 상기 저장부(120)에 저장된 추론 모델(또는 미학습된 추론 모델)에 포함된 네트워크 함수를 이용해서 상기 워드 임베딩된 하나 이상의 텍스트 데이터(또는 워드 임베딩된 2차로 전처리된 하나 이상의 번역된 텍스트 데이터)에 대해 추론 기능을 수행하여, 해당 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류한다. 이때, 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수를 사용하는 경우, 상기 제어부(150)는 사전학습된 네트워크 함수의 지식(또는 해당 사전학습된 네트워크 함수에 포함된 변수별 가중치)을 활용할 수 있기 때문에, 새로운 입력 텍스트 데이터 학습시 새로운 입력 텍스트 데이터의 특징에 대해서만 학습하면 학습이 완료될 수 있으므로, 전체 학습에 필요한 시간 및 연산량을 줄일 수 있다.
여기서, 상기 추론 모델에 포함된 바이너리 분류 모델을 사용하는 경우, 상기 제어부(150)는 상기 워드 임베딩된 텍스트 데이터에 미리 설정된 복수의 서브 추론 모델을 각각 적용하여, 각각의 서브 추론 모델에 포함된 카테고리(또는 이슈)와 관련해서 ESG 뉴스(또는 ESG 정보) 여부에 대한 적합성 평가를 실시한다.
또한, 상기 추론 모델에 포함된 멀티-라벨 분류 모델을 사용하는 경우, 상기 제어부(150)는 상기 워드 임베딩된 텍스트 데이터에 미리 설정된 단일 추론 모델을 적용하여, 해당 단일 추론 모델에 포함된 복수의 카테고리별로 확률을 산출하고, 산출된 복수의 카테고리별 확률 중에서 가장 큰 확률값을 가지는 카테고리와 관련해서 ESG 뉴스에 대해 분류된 레이블 태깅을 수행한다.
또한, 상기 제어부(150)는 상기 추론 모델에 포함된 바이너리 분류 모델과 상기 멀티-라벨 분류 모델을 결합한 교차 검증을 통해 ESG 뉴스 여부에 대한 적합성 판별 성능을 높일 수 있다.
또한, 상기 추론 모델에 포함된 멀티-클래스 분류 모델을 사용하는 경우, 상기 제어부(150)는 상기 바이너리 분류 모델을 적용한 결과, 상기 멀티-라벨 분류 모델을 적용한 결과 및 상기 바이너리 분류 모델과 멀티-라벨 분류 모델을 결합한 교차 검증 결과에 멀티-클래스 분류 과정을 추가 수행하여 텍스트 데이터가 사전결정된 카테고리로 분류될 확률을 계산할 수 있으며, 이 확률값이 사전결정된 임계치 이상인지 여부에 따라 추가적인 교차검증을 진행할 수도 있다.
일 예로, 상기 추론 모델에 포함된 바이너리 분류 모델을 사용할 때, 상기 제어부(150)는 상기 워드 임베딩된 제 1 텍스트 데이터에 상기 저장부(120)에 저장된 제 1 추론 모델(예를 들어 해당 텍스트 데이터가 화재와 관련한 텍스트 데이터인지를 확인하기 위한 네트워크 함수를 포함), 제 2 추론 모델(예를 들어 해당 텍스트 데이터가 노사문제와 관련한 텍스트 데이터인지를 확인하기 위한 네트워크 함수를 포함), 제 3 추론 모델(예를 들어 해당 텍스트 데이터가 기부와 관련한 텍스트 데이터인지를 확인하기 위한 네트워크 함수를 포함), 제 4 추론 모델(예를 들어 해당 텍스트 데이터가 상생과 관련한 텍스트 데이터인지를 확인하기 위한 네트워크 함수를 포함), 제 5 추론 모델(예를 들어 해당 텍스트 데이터가 재무회계와 관련한 텍스트 데이터인지를 확인하기 위한 네트워크 함수를 포함) 및 제 6 추론 모델(예를 들어 해당 텍스트 데이터가 주식/주가와 관련한 텍스트 데이터인지를 확인하기 위한 네트워크 함수를 포함)을 각각 적용하여, 각 추론 모델에 포함된 카테고리와 관련한 결과값(예를 들어 101000)을 출력하고, 상기 출력되는 결과값(예를 들어 101000)을 근거로 해당 워드 임베딩된 제 1 텍스트 데이터가 화재 및 기부와 관련한 것으로 추론한다.
또한, 상기 제어부(150)는 상기 워드 임베딩된 제 2 텍스트 데이터 내지 상기 워드 임베딩된 제 5-2 텍스트 데이터 각각에 상기 제 1 추론 모델 내지 제 6 추론 모델을 각각 적용하여, 상기 워드 임베딩된 제 2 텍스트 데이터가 노사문제와 관련한 것으로 추론하고, 상기 워드 임베딩된 제 3 텍스트 데이터가 기부 및 상생과 관련한 것으로 추론하고, 상기 워드 임베딩된 제 4 텍스트 데이터가 재무 회계와 관련한 것으로 추론하고, 상기 워드 임베딩된 제 5-1 텍스트 데이터와 상기 워드 임베딩된 제 5-2 텍스트 데이터가 주식/주가와 관련한 것으로 추론한다.
다른 일 예로, 상기 추론 모델에 포함된 멀티-라벨 분류 모델을 사용할 때, 상기 제어부(150)는 상기 워드 임베딩된 제 1 텍스트 데이터에 대해서 미리 설정된 복수의 카테고리별로 확률을 산출(예를 들어 화재와 관련한 확률값 13%, 노사문제와 상생과 재무회계와 주가와 관련한 확률값 0% 및, 기부와 관련한 확률값 87%)한다. 또한, 상기 제어부(150)는 상기 산출된 복수의 카테고리별 확률 중에서 가장 높은 확률값을 가지는 카테고리(예를 들어 기부)를 확인하고, 해당 워드 임베딩된 제 1 텍스트 데이터가 상기 확인된 가장 높은 확률값을 가지는 카테고리(예를 들어 기부)와 관련한 것으로 추론(또는 분류)한다.
또한, 상기 제어부(150)는 상기 워드 임베딩된 제 2 텍스트 데이터 내지 상기 워드 임베딩된 제 5-2 텍스트 데이터 각각에 상기 멀티-라벨 분류 모델을 적용하여, 상기 워드 임베딩된 제 2 텍스트 데이터가 노사문제와 관련한 것으로 추론하고, 상기 워드 임베딩된 제 3 텍스트 데이터가 상생과 관련한 것으로 추론하고, 상기 워드 임베딩된 제 4 텍스트 데이터가 재무 회계와 관련한 것으로 추론하고, 상기 워드 임베딩된 제 5-1 텍스트 데이터와 상기 워드 임베딩된 제 5-2 텍스트 데이터가 주식/주가와 관련한 것으로 추론한다(S250).
이후, 상기 제어부(150)는 상기 분류된 하나 이상의 텍스트 데이터(또는 분류된/추론된 하나 이상의 워드 임베딩된 텍스트 데이터)를 근거로 피처 센티먼트 스코어를 산출(또는 계산)한다.
즉, 상기 제어부(150)는 상기 분류된 하나 이상의 텍스트 데이터를 근거로 객체명(entity) 및/또는 특성(aspect)에 기초한 센티먼트 분석을 수행하여, 텍스트 데이터 전반의 센티먼트 값뿐만 아니라, 상기 텍스트 데이터에 포함된 해당 객체(또는 피처)에 대한 센티먼트 스코어(또는 피처 센티먼트 스코어)를 산출한다. 여기서, 상기 피처 센티먼트 스코어는 미리 설정된 범위(예를 들어 -1 ~ +1) 중 어느 하나의 실수값일 수 있다.
또한, 상기 제어부(150)는 상기 산출된 하나 이상의 텍스트 데이터(또는 상기 산출된 상기 분류된 하나 이상의 텍스트 데이터)에 대한 피처 센티먼트 스코어를 표시부(130) 및/또는 음성 출력부(140)를 통해 출력한다.
일 예로, 상기 제어부(150)는 상기 화재 및 기부와 관련한 것으로 분류된 제 1 텍스트 데이터에 대해 제 1 피처 센티먼트 스코어(예를 들어 0.91)를 산출하고, 상기 노사문제와 관련한 것으로 분류된 제 2 텍스트 데이터에 대해 제 2 피처 센티먼트 스코어(예를 들어 -0.53)를 산출하고, 상기 기부 및 상생과 관련한 것으로 분류된 제 3 텍스트 데이터에 대해 제 3 피처 센티먼트 스코어(예를 들어 0.37)를 산출하고, 상기 재무 회계와 관련한 것으로 분류된 제 4 텍스트 데이터에 대해 제 4 피처 센티먼트 스코어(예를 들어 -0.19)를 산출하고, 상기 주가와 관련한 것으로 분류된 제 5-1 텍스트 데이터에 대해 제 5 피처 센티먼트 스코어(예를 들어 0.33)를 산출하고, 상기 주식/주가와 관련한 것으로 분류된 제 5-2 텍스트 데이터에 대해 제 6 피처 센티먼트 스코어(예를 들어 0.28)를 산출한다.
또한, 상기 제어부(150)는 상기 제 1 텍스트 데이터 내지 제 5-2 텍스트 데이터에 대응하여 각각 산출된 제 1 피처 센티먼트 스코어 내지 제 6 피처 센티먼트 스코어를 상기 표시부(130)에 표시한다(S260).
이후, 상기 제어부(150)는 상기 산출된 피처 센티먼트 스코어 및 미리 수집된 해당 키워드에 대응하는 하나 이상의 재무 데이터를 결합하여, 상관관계를 포함하는 통계적 분석을 통해 리스크 매트릭스 스코어를 산출한다.
또한, 상기 제어부(150)는 해당 키워드와 관련해서 산출되는 리스크 매트릭스 스코어를 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력한다.
또한, 상기 제어부(150)는 상기 수집된 하나 이상의 텍스트 데이터, 상기 수집된 텍스트 데이터별로 산출된 피처 센티먼트 스코어, 상기 산출된 리스크 매트릭스 스코어, 상기 하나 이상의 재무 데이터 등을 상기 통신부(110)를 통해 자산 운용을 위해 데이터를 필요한 하는 서버(또는 디바이스)(미도시)에 제공한다.
일 예로, 상기 제어부(150)는 상기 산출된 제 1 피처 센티먼트 스코어 내지 제 6 피처 센티먼트 스코어 및 미리 수집된 상기 키워드(예를 들어 ABCD 회사)에 대응하는 제 101 재무 데이터 내지 제 109 재무 데이터를 결합하여, 통계적 분석을 통해 제 201 리스크 매트릭스 스코어를 산출하고, 상기 산출된 제 201 리스크 매트릭스 스코어를 상기 표시부(130)에 표시한다(S270).
본 발명의 실시예는 앞서 설명된 바와 같이, 크롤링 등의 방식을 통해 텍스트 데이터를 수집하고, 상기 수집된 텍스트 데이터에 대해 전처리 및 세그먼테이션 기능을 수행하고, 상기 전처리된 텍스트 데이터를 번역 모델에 적용하여 미리 설정된 언어로 번역하고, 상기 번역된 텍스트 데이터에 대해 2차로 전처리 및 워드 임베딩 기능을 수행하고, 2차로 전처리 및 워드 임베딩된 번역된 텍스트 데이터를 추론 모델에 적용하여 추론 기능을 수행하고, 추론된 텍스트 데이터를 복수의 텍스트 분류 모델 중 어느 하나의 텍스트 분류 모델에 적용하여 해당 추론된 텍스트 데이터를 분류하고, 분류된 추론된 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 산출된 피처 센티먼트 스코어 및 관련 재무 데이터를 결합하여 상관관계를 포함하는 리스크 매트릭스 스코어를 산출하여, 재무정보와 비재무정보의 상관관계에 대한 정확한 평가 및 두 정보의 통합적 의사결정에 필요한 정보의 고도화를 제공하며, 방대한 정보수집 및 분석에 소요되는 시간을 절약하여 전체 시스템 운영 효율을 극대화할 수 있다.
전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 딥러닝 기반 비재무정보 평가 장치 110: 통신부
120: 저장부 130: 표시부
140: 음성 출력부 150: 제어부

Claims (10)

  1. 언론사 서버, SNS 서버 및 공공기관 서버 중 적어도 하나에 접속하는 통신부; 및
    상기 접속된 언론사 서버, SNS 서버 및 공공기관 서버 중 적어도 하나에 등록된 복수의 정보 중에서 미리 설정된 키워드에 대응하는 하나 이상의 텍스트 데이터를 수집하고, 상기 수집된 하나 이상의 텍스트 데이터에 대해 전처리 및 세그먼테이션을 수행하고, 상기 전처리된 하나 이상의 텍스트 데이터에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역하고, 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩 기능을 수행하고, 상기 전처리 및 워드 임베딩 수행에 따른 워드 임베딩된 하나 이상의 텍스트 데이터에 추론 모델을 적용하여 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하고, 상기 분류된 하나 이상의 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하고, 상기 산출된 피처 센티먼트 스코어 및 미리 수집된 상기 키워드에 대응하는 하나 이상의 재무 데이터를 결합하여, 상관관계를 포함하는 통계적 분석을 통해 리스크 매트릭스 스코어를 산출하는 제어부를 포함하며,
    상기 제어부는,
    상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해 2차로 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행하여 상기 기준 언어로 번역된 텍스트 데이터에서 필요한 데이터는 유지하고 불필요한 데이터는 삭제 처리하고, 상기 2차로 전처리된 하나 이상의 번역된 텍스트 데이터에 대해 워드 임베딩 기능을 수행하고, 상기 워드 임베딩된 하나 이상의 텍스트 데이터를 미리 설정된 기준 길이에 따라 분할하며,
    상기 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수를 이용해서 상기 워드 임베딩된 하나 이상의 텍스트 데이터에 대해 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 장치.
  2. 제 1 항에 있어서,
    상기 제어부는,
    상기 수집된 하나 이상의 텍스트 데이터 각각에 대해 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 장치.
  3. 제 1 항에 있어서,
    상기 제어부는,
    상기 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수를 이용해서 상기 워드 임베딩된 하나 이상의 텍스트 데이터에 대해 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 장치.
  4. 제 1 항에 있어서,
    상기 제어부는,
    상기 분류된 하나 이상의 텍스트 데이터를 근거로 객체명 및 특성에 기초한 센티먼트 분석을 수행하여, 상기 텍스트 데이터에 포함된 객체에 대한 피처 센티먼트 스코어를 산출하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 장치.
  5. 제어부에 의해, 통신부를 통해 연결된 언론사 서버, SNS 서버 및 공공기관 서버 중 적어도 하나에 등록된 복수의 정보 중에서 미리 설정된 키워드에 대응하는 하나 이상의 텍스트 데이터를 수집하는 단계;
    상기 제어부에 의해, 상기 수집된 하나 이상의 텍스트 데이터에 대해 전처리 및 세그먼테이션을 수행하는 단계;
    상기 제어부에 의해, 상기 전처리된 하나 이상의 텍스트 데이터에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역하는 단계;
    상기 제어부에 의해, 상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩 기능을 수행하는 단계;
    상기 제어부에 의해, 상기 전처리 및 워드 임베딩 수행에 따른 워드 임베딩된 하나 이상의 텍스트 데이터에 추론 모델을 적용하여 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하는 단계;
    상기 제어부에 의해, 상기 분류된 하나 이상의 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하는 단계; 및
    상기 제어부에 의해, 상기 산출된 피처 센티먼트 스코어 및 미리 수집된 상기 키워드에 대응하는 하나 이상의 재무 데이터를 결합하여, 상관관계를 포함하는 통계적 분석을 통해 리스크 매트릭스 스코어를 산출하는 단계를 포함하며,
    상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해서 2차로 전처리 및 워드 임베딩 기능을 수행하는 단계는,
    상기 기준 언어로 번역된 하나 이상의 텍스트 데이터에 대해 2차로 정제 과정, 문장 토큰화 과정, 토큰화 과정 및 단어 분리 과정 중 적어도 하나의 과정을 수행하여, 상기 기준 언어로 번역된 텍스트 데이터에서 필요한 데이터는 유지하고 불필요한 데이터는 삭제 처리하는 과정;
    상기 2차로 전처리된 하나 이상의 번역된 텍스트 데이터에 대해 워드 임베딩 기능을 수행하는 과정; 및
    상기 워드 임베딩된 하나 이상의 텍스트 데이터를 미리 설정된 기준 길이에 따라 분할하는 과정을 포함하며,
    상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하는 단계는,
    상기 키워드에 따른 텍스트 데이터를 수집하기 이전에 상기 키워드와 관련해서 수집된 복수의 이전 텍스트 데이터에 대한 학습에 사용된 사전 학습된 추론 모델에 포함된 네트워크 함수를 이용해서 상기 워드 임베딩된 하나 이상의 텍스트 데이터에 대해 추론 기능을 수행하여, 상기 워드 임베딩된 텍스트 데이터가 미리 분류된 복수의 카테고리 중에서 어느 카테고리에 해당하는지 분류하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 방법.
  6. 제 5 항에 있어서,
    상기 하나 이상의 텍스트 데이터를 수집하는 단계는,
    상기 키워드에 대응하는 텍스트 데이터를 포함하는 이미지 파일을 수집할 때, 상기 이미지 파일에서 OCR(optical character reader) 기능을 통해 상기 텍스트 데이터를 추출하는 과정; 및
    상기 키워드에 대응하는 텍스트 데이터를 포함하는 문서 파일에서 상기 텍스트 데이터를 추출하는 과정 중 적어도 하나의 과정을 포함하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 방법.
  7. 제 5 항에 있어서,
    상기 전처리된 하나 이상의 텍스트 데이터에 미리 설정된 번역 모델을 적용하여 미리 설정된 기준 언어로 번역하는 단계는,
    미리 설정된 언어를 감지하는 함수를 이용해서 상기 전처리된 하나 이상의 텍스트 데이터 각각의 언어를 감지하는 과정;
    저장부에 미리 저장된 복수의 번역용 네트워크 함수 중에서, 상기 감지된 각각의 언어에 최적화된 하이퍼파라미터 값들을 포함하는 특정 번역용 네트워크 함수를 각각 로딩하는 과정; 및
    상기 전처리된 하나 이상의 텍스트 데이터에 상기 로딩된 특정 번역용 네트워크 함수를 각각 적용하여 상기 미리 설정된 기준 언어로 각각 번역하는 과정을 포함하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 방법.
  8. 삭제
  9. 삭제
  10. 제 5 항에 있어서,
    상기 분류된 하나 이상의 텍스트 데이터를 근거로 피처 센티먼트 스코어를 산출하는 단계는,
    상기 분류된 하나 이상의 텍스트 데이터를 근거로 객체명 및 특성에 기초한 센티먼트 분석을 수행하여, 상기 텍스트 데이터에 포함된 객체에 대한 피처 센티먼트 스코어를 산출하는 것을 특징으로 하는 딥러닝 기반 비재무정보 평가 방법.
KR1020200020358A 2020-02-19 2020-02-19 딥러닝 기반 비재무정보 평가 장치 및 그 방법 KR102193228B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200020358A KR102193228B1 (ko) 2020-02-19 2020-02-19 딥러닝 기반 비재무정보 평가 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200020358A KR102193228B1 (ko) 2020-02-19 2020-02-19 딥러닝 기반 비재무정보 평가 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102193228B1 true KR102193228B1 (ko) 2020-12-18

Family

ID=74041636

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200020358A KR102193228B1 (ko) 2020-02-19 2020-02-19 딥러닝 기반 비재무정보 평가 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102193228B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230053485A (ko) * 2021-10-14 2023-04-21 주식회사 엑스퀀트 인공지능 알고리즘을 이용한 프레임워크별 평가문장 의미 중심 ｅｓｇ 평가 방법 및 시스템
KR102535522B1 (ko) 2022-08-05 2023-05-26 김종웅 소프트웨어 기반 기업 esg 경영 관리 장치 및 그 수행 방법
KR102590575B1 (ko) * 2023-04-19 2023-10-17 주식회사 에이오디컨설팅 컬럼 의미 분류 기반의 데이터 구조 분석을 통한 동적 데이터 분류 방법
KR102590576B1 (ko) * 2023-04-19 2023-10-24 주식회사 에이오디컨설팅 데이터 의미론적 분류를 이용한 동적 데이터 구조 검색 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090090840A (ko) * 2008-02-22 2009-08-26 주식회사 솔트룩스 사용자 맞춤형 정보 제공 시스템 및 그 방법
KR20160149050A (ko) * 2015-06-17 2016-12-27 한국과학기술정보연구원 텍스트 마이닝을 활용한 순수 기업 선정 장치 및 방법
KR20180061458A (ko) 2016-11-28 2018-06-08 전자부품연구원 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템
KR20190064749A (ko) * 2017-12-01 2019-06-11 신한금융투자 주식회사 지능형 증권 투자 의사결정 지원 방법 및 그 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090090840A (ko) * 2008-02-22 2009-08-26 주식회사 솔트룩스 사용자 맞춤형 정보 제공 시스템 및 그 방법
KR20160149050A (ko) * 2015-06-17 2016-12-27 한국과학기술정보연구원 텍스트 마이닝을 활용한 순수 기업 선정 장치 및 방법
KR20180061458A (ko) 2016-11-28 2018-06-08 전자부품연구원 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템
KR20190064749A (ko) * 2017-12-01 2019-06-11 신한금융투자 주식회사 지능형 증권 투자 의사결정 지원 방법 및 그 장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230053485A (ko) * 2021-10-14 2023-04-21 주식회사 엑스퀀트 인공지능 알고리즘을 이용한 프레임워크별 평가문장 의미 중심 ｅｓｇ 평가 방법 및 시스템
KR102692520B1 (ko) * 2021-10-14 2024-08-08 (주)이든티앤에스 인공지능 알고리즘을 이용한 프레임워크별 평가문장 의미 중심 ｅｓｇ 평가 방법 및 시스템
KR102535522B1 (ko) 2022-08-05 2023-05-26 김종웅 소프트웨어 기반 기업 esg 경영 관리 장치 및 그 수행 방법
KR20240020168A (ko) 2022-08-05 2024-02-14 주식회사 아이이에스지 대내외 esg 요구에 대한 대응을 용이하게 하는 기업 esg 경영 관리 장치 및 그 수행 방법
KR20240020167A (ko) 2022-08-05 2024-02-14 주식회사 아이이에스지 평가 대상 기업의 esg 수준을 판단하고 미래 전략 수립에 도움을 줄 수 있는 기업 esg 경영 관리 장치 및 그 수행 방법
KR102590575B1 (ko) * 2023-04-19 2023-10-17 주식회사 에이오디컨설팅 컬럼 의미 분류 기반의 데이터 구조 분석을 통한 동적 데이터 분류 방법
KR102590576B1 (ko) * 2023-04-19 2023-10-24 주식회사 에이오디컨설팅 데이터 의미론적 분류를 이용한 동적 데이터 구조 검색 방법

Similar Documents

Publication Publication Date Title
KR102193228B1 (ko) 딥러닝 기반 비재무정보 평가 장치 및 그 방법
CN112685565B (zh) 基于多模态信息融合的文本分类方法、及其相关设备
US10664504B2 (en) Interaction method and apparatus based on artificial intelligence
US20190163742A1 (en) Method and apparatus for generating information
CN113807098A (zh) 模型训练方法和装置、电子设备以及存储介质
KR102155739B1 (ko) 질의응답 데이터 셋을 적응적으로 재사용하는 챗봇 서비스 제공 방법, 서버, 및 시스템
CN111753087B (zh) 舆情文本分类方法、装置、计算机设备和存储介质
US20220121668A1 (en) Method for recommending document, electronic device and storage medium
CN111783471B (zh) 自然语言的语义识别方法、装置、设备及存储介质
CN110580308A (zh) 信息审核方法及装置、电子设备、存储介质
CN111753082A (zh) 基于评论数据的文本分类方法及装置、设备和介质
CN107239447B (zh) 垃圾信息识别方法及装置、系统
CN109582788A (zh) 垃圾评论训练、识别方法、装置、设备及可读存储介质
CN112926308B (zh) 匹配正文的方法、装置、设备、存储介质以及程序产品
CN112052424B (zh) 一种内容审核方法及装置
KR20220115482A (ko) 딥러닝 기반 특허 잠재가치 평가 장치 및 그 방법
CN111782793A (zh) 智能客服处理方法和系统及设备
CN113051911A (zh) 提取敏感词的方法、装置、设备、介质及程序产品
CN114429633A (zh) 文本识别方法、模型的训练方法、装置、电子设备及介质
CN111144102A (zh) 用于识别语句中实体的方法、装置和电子设备
CN115757991A (zh) 一种网页识别方法、装置、电子设备和存储介质
CN113220999A (zh) 用户特征的生成方法、装置、电子设备和存储介质
CN114417871B (zh) 模型训练及命名实体识别方法、装置、电子设备及介质
CN114970540A (zh) 训练文本审核模型的方法和装置
CN114461806A (zh) 广告识别模型的训练方法及装置、广告屏蔽方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
N231 Notification of change of applicant
GRNT Written decision to grant