KR102258989B1

KR102258989B1 - 제스쳐 추천 방법 및 이를 수행하기 위한 장치

Info

Publication number: KR102258989B1
Application number: KR1020190069740A
Authority: KR
Inventors: 변증현; 이충희
Original assignee: 주식회사 엔씨소프트
Priority date: 2019-06-13
Filing date: 2019-06-13
Publication date: 2021-06-01
Also published as: KR20200142677A

Abstract

제스쳐 추천 방법 및 이를 수행하기 위한 장치가 개시된다. 개시되는 일 실시예에 따른 제스처 추천 방법은, 하나 이상의 프로세서들, 및 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 게임 내 캐릭터의 대사를 입력 받는 동작, 캐릭터의 대사에 대해 자연어 처리를 수행하여 대사 연관 벡터를 산출하는 동작, 캐릭터의 대사로부터 산출한 대사 연관 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 대사 연관 벡터를 비교하여 유사도를 측정하는 동작, 측정한 유사도에 기반하여 대사 그룹들 중 일부 대사 그룹을 추출하는 동작, 및 추출한 일부 대사 그룹과 매칭된 제스쳐를 캐릭터의 대사에 대한 제스쳐로 추천하는 동작을 포함한다.

Description

제스쳐 추천 방법 및 이를 수행하기 위한 장치{METHOD FOR RECOMMENDING GESTURE AND APPARATUS FOR EXECUTING THE METHOD}

개시되는 실시예는 제스쳐 추천 기술과 관련된다.

최근 게임은 게이밍 디바이스 내에서만 실행되는 로컬 게임에서 네트워크를 통해 다른 게이밍 디바이스나 서버와의 연동을 통해 실행되는 온라인 게임 등 다양한 방식으로 진화하고 있다. 또한, 하드웨어 성능 및 네트워크 기술의 향상에 따라 개인용 컴퓨터나 게임 콘솔뿐 아니라 스마트폰(Smart Phone), 타블렛(Tablet) PC 등과 같은 모바일 장치에서도 게임이 실행 가능하도록 진화하고 있다. 한편, 게임 개발 과정에서 중요한 캐릭터는 대사에 맞도록 제스쳐를 별도로 만들지만, 별로 중요하지 않은 캐릭터의 대사는 기 저장된 제스쳐들 중에서 어느 하나를 수작업을 통해 선택하여 매칭시키는 바, 시간과 노력이 많이 소모되게 된다.

개시되는 실시예들은 제스쳐 추천 기술과 관련된 새로운 기법을 제공하기 위한 것이다.

개시되는 일 실시예에 따른 제스처 추천 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 게임 내 캐릭터의 대사를 입력 받는 동작; 상기 캐릭터의 대사에 대해 자연어 처리를 수행하여 대사 연관 벡터를 산출하는 동작; 상기 캐릭터의 대사로부터 산출한 대사 연관 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 대사 연관 벡터를 비교하여 유사도를 측정하는 동작; 상기 측정한 유사도에 기반하여 상기 대사 그룹들 중 일부 대사 그룹을 추출하는 동작; 및 상기 추출한 일부 대사 그룹과 매칭된 제스쳐를 상기 캐릭터의 대사에 대한 제스쳐로 추천하는 동작을 포함한다.

상기 대사 연관 벡터를 산출하는 동작은, 상기 캐릭터의 대사에 대해 단어 벡터를 산출하는 동작; 및 상기 캐릭터의 대사에 대해 문장 임베딩을 수행하여 임베딩 벡터를 산출하는 동작을 포함할 수 있다.

상기 단어 벡터를 산출하는 동작은, 상기 캐릭터의 대사에서 의미를 가지는 단어를 추출하는 동작; 상기 추출한 각 단어에 고유한 인덱스를 부여하는 동작; 및 상기 인덱스가 부여된 각 단어에 대해 단어의 빈도수에 따라 빈도 값을 부여하여 단어 벡터를 산출하는 동작을 포함할 수 있다.

상기 유사도를 측정하는 동작은, 상기 캐릭터의 대사로부터 산출한 단어 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 단어 벡터를 비교하여 제1 유사도를 측정하는 동작; 및 상기 캐릭터의 대사로부터 산출한 임베딩 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 임베딩 벡터를 비교하여 제2 유사도를 측정하는 동작을 포함할 수 있다.

상기 일부 대사 그룹을 추출하는 동작은, 상기 제1 유사도 및 상기 제2 유사도 중 하나 이상을 기반으로 각 대사 그룹들에 대해 그룹 유사도 점수를 산출하는 동작; 및 기 저장된 대사 그룹들 중 상기 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹들을 추출하는 동작을 포함할 수 있다.

상기 그룹 유사도 점수를 산출하는 동작은, 상기 제1 유사도에 기반하여 각 대사 그룹들의 제1 그룹 유사도 점수를 산출하는 동작; 상기 제2 유사도에 기반하여 각 대사 그룹들의 제2 그룹 유사도 점수를 산출하는 동작; 및 상기 제1 그룹 유사도 점수와 상기 제2 그룹 유사도 점수에 기반하여 각 대사 그룹들에 대해 총 그룹 유사도 점수를 산출하는 동작을 포함할 수 있다.

상기 총 그룹 유사도 점수를 산출하는 동작은, 각 대사 그룹들에 대해 상기 제1 그룹 유사도 점수에 제1 가중치를 부여하고, 상기 제2 그룹 유사도 점수에 제2 가중치를 부여하며, 상기 제1 가중치가 부여된 제1 그룹 유사도 점수와 상기 제2 가중치가 부여된 제2 그룹 유사도 점수를 합산하여 총 그룹 유사도 점수를 산출할 수 있다.

개시되는 다른 실시예에 따른 제스쳐 추천 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 게임 내 캐릭터의 대사를 입력 받는 동작; 상기 캐릭터의 대사에 대해 자연어 처리를 수행하여 단어 벡터를 산출하는 동작; 상기 캐릭터의 대사로부터 산출한 단어 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 단어 벡터를 비교하여 유사도를 측정하는 동작; 상기 유사도에 기반하여 각 대사 그룹들에 대해 그룹 유사도 점수를 산출하는 동작; 상기 그룹 유사도 점수에 기반하여 상기 대사 그룹들 중 일부 대사 그룹을 추출하는 동작; 및 상기 추출한 일부 대사 그룹과 매칭된 제스쳐를 상기 캐릭터의 대사에 대한 제스쳐로 추천하는 동작을 포함한다.

개시되는 또 다른 실시예에 따른 제스처 추천 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 게임 내 캐릭터의 대사를 입력 받는 동작; 상기 캐릭터의 대사에 대해 문장 임베딩을 수행하여 임베딩 벡터를 산출하는 동작; 상기 캐릭터의 대사로부터 산출한 임베딩 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 임베딩 벡터를 비교하여 유사도를 측정하는 동작; 상기 유사도에 기반하여 각 대사 그룹들에 대해 그룹 유사도 점수를 산출하는 동작; 상기 그룹 유사도 점수에 기반하여 상기 대사 그룹들 중 일부 대사 그룹을 추출하는 동작; 및 상기 추출한 일부 대사 그룹과 매칭된 제스쳐를 상기 캐릭터의 대사에 대한 제스쳐로 추천하는 동작을 포함한다.

개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 게임 내 캐릭터의 대사를 입력 받고, 상기 캐릭터의 대사에 대해 자연어 처리를 수행하여 대사 연관 벡터를 산출하는 전처리 모듈; 상기 캐릭터의 대사로부터 산출한 대사 연관 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 대사 연관 벡터를 비교하여 유사도를 측정하는 유사도 판단 모듈; 및 상기 측정한 유사도에 기반하여 상기 대사 그룹들 중 일부 대사 그룹을 추출하고, 상기 추출한 일부 대사 그룹과 매칭된 제스쳐를 상기 캐릭터의 대사에 대한 제스쳐로 추천하는 추천 모듈을 포함한다.

상기 전처리 모듈은, 상기 캐릭터의 대사에 대해 단어 벡터를 산출하고, 상기 캐릭터의 대사에 대해 문장 임베딩을 수행하여 임베딩 벡터를 산출할 수 있다.

상기 전처리 모듈은, 상기 캐릭터의 대사에서 의미를 가지는 단어를 추출하고, 상기 추출한 각 단어에 고유한 인덱스를 부여하며, 상기 인덱스가 부여된 각 단어에 대해 단어의 빈도수에 따라 빈도 값을 부여하여 상기 단어 벡터를 산출할 수 있다.

상기 유사도 판단 모듈은, 상기 캐릭터의 대사로부터 산출한 단어 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 단어 벡터를 비교하여 제1 유사도를 측정하고, 상기 캐릭터의 대사로부터 산출한 임베딩 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 임베딩 벡터를 비교하여 제2 유사도를 측정할 수 있다.

상기 추천 모듈은, 상기 제1 유사도 및 상기 제2 유사도 중 하나 이상을 기반으로 각 대사 그룹들에 대해 그룹 유사도 점수를 산출하고, 기 저장된 대사 그룹들 중 상기 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹들을 추출할 수 있다.

상기 추천 모듈은, 상기 제1 유사도에 기반하여 각 대사 그룹들의 제1 그룹 유사도 점수를 산출하고, 상기 제2 유사도에 기반하여 각 대사 그룹들의 제2 그룹 유사도 점수를 산출하며, 상기 제1 그룹 유사도 점수와 상기 제2 그룹 유사도 점수에 기반하여 각 대사 그룹들에 대해 총 그룹 유사도 점수를 산출할 수 있다.

상기 추천 모듈은, 각 대사 그룹들에 대해 상기 제1 그룹 유사도 점수에 제1 가중치를 부여하고, 상기 제2 그룹 유사도 점수에 제2 가중치를 부여하며, 상기 제1 가중치가 부여된 제1 그룹 유사도 점수와 상기 제2 가중치가 부여된 제2 그룹 유사도 점수를 합산하여 총 그룹 유사도 점수를 산출할 수 있다.

개시되는 실시예에 의하면, 입력되는 캐릭터의 대사에 대해 자연어 처리를 통해 단어 벡터 및 임베딩 벡터를 산출하고, 이를 각 제스쳐와 매칭되어 저장된 대사 그룹들과 비교하여 유사도를 산출하며, 산출된 유사도에 기반하여 제스쳐를 추천해줌으로써, 캐릭터의 대사마다 일일이 수작업으로 그에 대응하는 제스쳐를 매칭시켜야 하는 번거로움을 줄일 수 있으며, 캐릭터의 대사와 제스쳐를 매칭시키는데 소요되는 시간과 노력을 줄일 수 있게 된다.

도 1은 일 실시예에 따른 제스쳐 추천 장치의 구성을 나타낸 도면이다.
도 2는 일 실시예에 따른 제스쳐 추천 장치에서 전처리 모듈 및 유사도 판단 모듈의 세부 구성을 나타낸 도면이다.
도 3은 일 실시예에서 추천 모듈이 입력되는 캐릭터의 대사에 대응하는 제스쳐를 추천하는 상태를 나타낸 도면이다.
도 4는 일 실시예에서 입력되는 캐릭터의 대사에 대해 추천되는 제스쳐들을 나타낸 도면이다.
도 5는 일 실시예에 따른 제스쳐 추천 방법을 설명하기 위한 흐름도이다.
도 6은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.

이하, 도면을 참조하여 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 이에 제한되지 않는다.

상세한 설명에서 사용되는 용어는 단지 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 명세서에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.

이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.

이하에서 "게임"이란, 한 명 또는 그 이상의 게이머들이 게이밍 디바이스에 탑재되거나 연결된 입력장치를 이용하여 즐길 수 있는 소프트웨어를 의미한다. 통상 플레이어 캐릭터를 직접 조작하거나, 게임 내 오브젝트의 움직임을 조작하는 등의 방식으로 진행되며, 롤플레잉, 어드벤쳐, 아케이드 등으로 장르가 구분되기도 한다.

이하에서 "게이밍 디바이스"란 게임 소프트웨어를 실행하되 입력장치를 통한 사용자의 입력에 따라 연산을 수행하며, 출력장치를 통해 결과를 출력하는 하드웨어를 의미한다. 예컨대, 개인용 컴퓨터(Personal Computer), 랩탑(Laptop Computer), 게임 콘솔(Game Console), 스마트폰(Smart Phone), 타블렛(Tablet) PC, 스마트 밴드(Smart Band)나 스마트 와치(Smart Watch) 등의 웨어러블 디바이스(Wearable Device)의 형태일 수 있다. 이외에도 상기 정의를 만족하는 하드웨어라면 게이밍 디바이스에 속하는 것으로 해석된다.

이하에서 "온라인 게임"이란, 게임의 플레이를 위하여 네트워크를 경유하여야 하는 게임을 의미한다. 통상 원격지의 둘 이상의 게이밍 디바이스가 네트워크를 통해 서로 연결되거나, 서버를 통해 동기화되어 즐기는 게임을 의미한다. 상기의 정의를 만족하는 것이라면 게임을 실행하는 게이밍 디바이스의 형태에 제한을 두지 아니한다. 개인용 컴퓨터나 게임 콘솔에서 실행되는 게임뿐만 아니라, 스마트폰과 같은 모바일에서 실행되는 게임, 또는 서로 다른 복수개의 게이밍 디바이스(서로 다른 종류의 게이밍 디바이스도 포함한다)가 연동되거나 클라우드에서 실행되는 게임 또한 상기 정의를 만족하는 것이라면 온라인 게임에 속하는 것으로 해석된다.

이하에서 "입력장치(Input Device)"란, 게이밍 디바이스에 데이터를 입력하기 위한 장치를 의미한다. 예컨대, 조이스틱, 마우스, 키보드, 터치스크린, 하드웨어 버튼 또는 스티어링 휠, 악기, 총, 장갑, 발판 등의 형태로 제조된 게임 조작 전용 입력장치를 들 수 있다. 이외에도 게이밍 디바이스에 탑재되거나 연동되는 각종 센서(온도 센서, 적외선 센서, 모션센서, 자이로센서, 가속도 센서, 중력 센서 등)나 글로벌 포지셔닝 시스템(GPS; Global Positioning System), 실내 위치 확인 시스템(Indoor Positioning System) 등의 위치 확인 수단 또한 입력장치의 일 예로 들 수 있다.

도 1은 일 실시예에 따른 제스쳐 추천 장치의 구성을 나타낸 도면이고, 도 2는 일 실시예에 따른 제스쳐 추천 장치에서 전처리 모듈 및 유사도 판단 모듈의 세부 구성을 나타낸 도면이다.

도 1 및 도 2를 참조하면, 제스쳐 추천 장치(100)는 전처리 모듈(102), 유사도 판단 모듈(104), 및 추천 모듈(106)을 포함할 수 있다. 제스쳐 추천 장치(100)는 게임 내 소정 캐릭터의 대사와 관련하여 해당 대사에 어울리는 제스쳐를 추천하기 위한 장치이다.

일 실시예에서, 전처리 모듈(102), 유사도 판단 모듈(104), 및 추천 모듈(106)은 물리적으로 구분된 하나 이상의 장치를 이용하여 구현되거나, 하나 이상의 프로세서 또는 하나 이상의 프로세서 및 소프트웨어의 결합에 의해 구현될 수 있으며, 도시된 예와 달리 구체적 동작에 있어 명확히 구분되지 않을 수 있다.

전처리 모듈(102)은 입력되는 캐릭터의 대사에 대해 전처리 작업을 수행할 수 있다. 예시적인 실시예에서, 전처리 모듈(102)은 입력되는 캐릭터의 대사에 대해 자연어 처리를 수행하여 대사 연관 벡터(예를 들어, 단어 벡터 및 임베딩 벡터)를 산출할 수 있다. 예시적인 실시예에서, 전처리 모듈(102)은 단어 벡터 산출부(111) 및 임베딩 벡터 산출부(113)를 포함할 수 있다.

단어 벡터 산출부(111)는 입력되는 캐릭터의 대사에서 단어를 추출할 수 있다. 구체적으로, 단어 벡터 산출부(111)는 입력되는 캐릭터의 대사에서 의미가 없는 단어(예를 들어, 을, 를, 까지, 에서, 에 등과 같은 조사 및 온점(.), 콤마(,), 물음표(?), 세미콜론(;), 느낌표(!) 등과 같은 구두점 등)를 제외하고 의미를 가지는 단어(예를 들어, 명사, 형용사, 동사 등)를 추출할 수 있다.

예를 들어, 입력되는 캐릭터의 대사가 "우리도 데려가 사부 우리도 서연이를 찾고 싶어"인 경우, 단어 벡터 산출부(111)는 "우리", "데려가", "사부", "서연이", "찾고", "싶어" 등의 단어를 추출할 수 있다.

단어 벡터 산출부(111)는 추출한 단어를 기반으로 캐릭터의 대사에 대한 단어 벡터를 산출할 수 있다. 예시적인 실시예에서, 단어 벡터 산출부(111)는 캐릭터의 대사에서 추출한 각 단어에 고유한 인덱스를 부여할 수 있다. 예를 들어, 위의 예에서, "우리", "데려가", "사부", "서연이", "찾고", "싶어" 라는 단어에 대해 {"우리" : 0, "데려가" : 1, "사부" : 2, "서연이" : 3, "찾고" : 4, "싶어" : 5}와 같이 인덱스를 부여할 수 있다. 이 경우, 캐릭터의 대사에서 추출한 단어들은 6차원의 벡터로 표현할 수 있게 된다.

단어 벡터 산출부(111)는 인덱스가 부여된 각 단어에 대해 단어의 빈도수에 따라 빈도 값을 부여하여 단어 벡터를 산출할 수 있다. 캐릭터의 대사가 "우리도 데려가 사부 우리도 서연이를 찾고 싶어"인 경우, 단어 벡터는 {2, 1, 1, 1, 1, 1}이 된다. 즉, "우리"라는 단어는 인덱스가 0이고 빈도수가 2이며, "데려가"라는 단어는 인덱스가 1이고 빈도수가 1이고, "사부"라는 단어는 인덱스가 2이고 빈도수가 1이며, "서연이"라는 단어는 인덱스가 3이고 빈도수가 1이고, "찾고"라는 단어는 인덱스가 4이고 빈도수가 1이고, "싶어"라는 단어는 인덱스가 5이고 빈도수가 1인 바, 캐릭터의 대사에 대한 단어 벡터는 {2, 1, 1, 1, 1, 1}이 된다.

임베딩 벡터 산출부(113)는 입력되는 캐릭터의 대사에 대해 문장 임베딩을 수행하여 임베딩 벡터(Embedding Vector)를 산출할 수 있다. 문장 임베딩은 워드 임베딩을 문장 단위의 임베딩으로 확장한 형태로, 문장을 밀집 벡터의 형태로 표현하는 방식이다. 밀집 벡터에서 각 벡터 차원의 값은 실수값으로 표현될 수 있다. 그리고, 이러한 밀집 형태의 벡터를 문장 임베딩 과정을 통해 나온 결과라고 하여 임베딩 벡터라고 한다. 이와 같이, 문장 임베딩에서는 문장의 의미를 벡터화하게 된다.

예시적인 실시예에서, 임베딩 벡터 산출부(113)는 Sent2Vec 모델을 이용하여 입력되는 캐릭터의 대사에 대해 문장 임베딩을 수행할 수 있다. 문장 임베딩 기술은 이미 공지된 기술이므로 이에 대한 자세한 설명은 생략하기로 한다.

유사도 판단 모듈(104)은 전처리 모듈(102)에서 산출한 벡터(즉, 입력되는 캐릭터의 대사로부터 산출한 벡터)(예를 들어, 단어 벡터 및 임베딩 벡터)와 기 저장된 대사 그룹들과 비교하여 유사도를 판단할 수 있다. 즉, 유사도 판단 모듈(104)은 입력되는 캐릭터의 대사로부터 산출한 벡터와 기 저장된 대사 그룹들 내의 대사들로부터 산출한 벡터를 비교하여 유사도를 판단할 수 있다. 여기서, 기 저장된 대사 그룹들은 각각 기 설정된 제스쳐와 매칭되어 저장될 수 있다. 즉, 복수 개의 대사를 포함하는 하나의 대사 그룹이 하나의 제스쳐와 매칭되어 저장될 수 있다.

표 1은 개시되는 일 실시예에서 대사 그룹과 제스쳐가 매칭되어 저장된 상태를 나타낸 표이다.

대사 그룹	제스쳐	동작 설명	대사
대사 그룹 1	제스쳐 1	한 손을 앞으로 뻗는 동작	대사 1 : 감정적으로 대응해서는 안됩니다 대사 2 : 거 장군 괜찮소 이제까지 무엇을 하고 있었던 거요
대사 그룹 2	제스쳐 2	어깨를 움츠리며 긴장하는 표정	대사 1 : 다시 나타나지 말아야 할텐데 대사 2 : 대체 그 조미료가 뭐길래 크으으 궁금해 죽겠다
대사 그룹 3	제스쳐 3	한 손을 들고 가라는 손짓을 하는 동작	대사 1 : 뭐 하고 있어 알았으면 잽싸게 다녀와 대사 2 : 그걸 제가 어떻게 알겠어요 볼 일 끝나셨으면 여기서 나가 주세요 대사 3 : 경천맹주에 대해서는 전혀 모를 뿐더러 알고 싶지도 않아요 가요 가
...	...		...

유사도 판단 모듈(104)은 제1 유사도 판단부(121) 및 제2 유사도 판단부(123)을 포함할 수 있다. 제1 유사도 판단부(121)는 전처리 모듈(102)에서 산출한 단어 벡터(즉, 입력되는 캐릭터의 대사로부터 산출한 단어 벡터)와 기 저장된 대사 그룹들 내의 대사들로부터 산출한 단어 벡터를 비교하여 제1 유사도를 측정할 수 있다. 여기서, 기 저장된 대사 그룹들 내의 각 대사들에 대해서는 단어 벡터가 기 산출되어 저장되어 있을 수 있다.

표 1을 참조하여 설명하면, 제1 유사도 판단부(121)는 전처리 모듈(102)에서 산출한 단어 벡터와 대사 그룹 1의 대사 1 및 대사 2에서 각각 산출한 단어 벡터를 비교하여 각각 제1 유사도를 측정할 수 있다. 또한, 제1 유사도 판단부(121)는 전처리 모듈(102)에서 산출한 단어 벡터와 대사 그룹 2의 대사 1 및 대사 2에서 각각 산출한 단어 벡터를 비교하여 각각 제1 유사도를 측정할 수 있다. 또한, 제1 유사도 판단부(121)는 전처리 모듈(102)에서 산출한 단어 벡터와 대사 그룹 3의 대사 1, 대사 2, 및 대사 3에서 각각 산출한 단어 벡터를 비교하여 각각 제1 유사도를 측정할 수 있다.

제2 유사도 판단부(123)는 전처리 모듈(102)에서 산출한 임베딩 벡터(즉, 입력되는 캐릭터의 대사로부터 산출한 임베딩 벡터)와 기 저장된 대사 그룹들 내의 대사들로부터 산출한 임베딩 벡터를 비교하여 제2 유사도를 측정할 수 있다. 여기서, 기 저장된 대사 그룹들 내의 각 대사들에 대해서는 임베딩 벡터가 기 산출되어 저장되어 있을 수 있다.

표 1을 참조하여 설명하면, 제2 유사도 판단부(123)는 전처리 모듈(102)에서 산출한 임베딩 벡터와 대사 그룹 1의 대사 1 및 대사 2에서 각각 산출한 임베딩 벡터를 비교하여 각각 제2 유사도를 측정할 수 있다. 또한, 제2 유사도 판단부(123)는 전처리 모듈(102)에서 산출한 임베딩 벡터와 대사 그룹 2의 대사 1 및 대사 2에서 각각 산출한 임베딩 벡터를 비교하여 각각 제2 유사도를 측정할 수 있다. 또한, 제2 유사도 판단부(123)는 전처리 모듈(102)에서 산출한 임베딩 벡터와 대사 그룹 3의 대사 1, 대사 2, 및 대사 3에서 각각 산출한 임베딩 벡터를 비교하여 각각 제2 유사도를 측정할 수 있다.

예시적인 실시예에서, 제1 유사도 및 제2 유사도는 코사인 유사도를 이용하여 측정할 수 있으나, 이에 한정되는 것은 아니며 그 이외에 다양한 유사도 측정 기법(예를 들어, 유클리드 거리 또는 자카드 유사도 등)을 이용하여 측정할 수 있다.

추천 모듈(106)은 유사도 판단 모듈(104)의 결과에 따라 입력되는 캐릭터의 대사에 대해 복수 개의 제스쳐를 추천할 수 있다. 예시적인 실시예에서, 추천 모듈(106)은 제1 유사도 및 제2 유사도 중 하나 이상을 기반으로 각 대사 그룹들에 대해 그룹 유사도 점수를 산출하고, 산출한 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹들과 매칭된 제스쳐들을 추천할 수 있다.

추천 모듈(106)은 제1 유사도에 기반하여 각 대사 그룹들의 제1 그룹 유사도 점수를 산출할 수 있다. 예를 들어, 추천 모듈(106)은 소정 대사 그룹에 포함된 각 대사들의 제1 유사도를 평균하여 해당 대사 그룹의 제1 그룹 유사도 점수를 산출할 수 있다. 그러나, 이에 한정되는 것은 아니며 소정 대사 그룹에 포함된 각 대사들의 제1 유사도 중 가장 높은 것을 해당 대사 그룹의 제1 그룹 유사도 점수로 설정할 수도 있다.

추천 모듈(106)은 제2 유사도에 기반하여 각 대사 그룹들의 제2 그룹 유사도 점수를 산출할 수 있다. 예를 들어, 추천 모듈(106)은 소정 대사 그룹에 포함된 각 대사들의 제2 유사도를 평균하여 해당 대사 그룹의 제2 그룹 유사도 점수를 산출할 수 있다. 그러나, 이에 한정되는 것은 아니며 소정 대사 그룹에 포함된 각 대사들의 제2 유사도 중 가장 높은 것을 해당 대사 그룹의 제2 그룹 유사도 점수로 설정할 수도 있다.

예시적인 실시예에서, 추천 모듈(106)은 각 대사 그룹에 대해 제1 그룹 유사도 점수에 제1 가중치를 부여하고, 제2 그룹 유사도 점수에 제2 가중치를 부여한 후 이를 합산하여 다음의 수학식 1과 같이 총 그룹 유사도 점수를 산출할 수 있다. 여기서, 제1 가중치와 제2 가중치의 합은 1이 되도록 설정할 수 있다.

(수학식 1)

총 그룹 유사도 점수 = (제1 그룹 유사도 점수×제1 가중치) + (제2 그룹 유사도 점수×제2 가중치)

추천 모듈(106)은 대사 그룹들 중 총 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹을 추출하고, 추출한 대사 그룹들과 매칭되어 저장된 제스쳐들을 추출하여 입력되는 캐릭터의 대사에 대한 제스쳐로 추천할 수 있다. 예시적인 실시예에서, 추천 모듈(106)은 추출된 제스쳐의 이미지를 화면에 표시하여 추천할 수 있다. 이 경우, 게임 개발자 또는 게임 관리자는 추천된 제스쳐들 중 어느 하나를 선택하여 해당 제스쳐를 해당 캐릭터의 대사에 매칭시킬 수 있다.

도 3은 일 실시예에서 추천 모듈이 입력되는 캐릭터의 대사에 대응하는 제스쳐를 추천하는 상태를 나타낸 도면이다. 도 3을 참조하면, 추천 모듈(106)은 각 대사 그룹(대사 그룹 1 ~ 대사 그룹 N)에 대해 제1 그룹 유사도 점수 및 제2 그룹 유사도 점수를 산출할 수 있다.

그리고, 각 대사 그룹(대사 그룹 1 ~ 대사 그룹 N)의 제1 그룹 유사도 점수에는 제1 가중치(예를 들어, 0.3)을 부여하고, 제2 그룹 유사도 점수에는 제2 가중치(예를 들어, 0.7)을 부여하여 총 그룹 유사도 점수를 산출할 수 있다. 추천 모듈(106)은 총 그룹 유사도 점수가 3위 이내인 대사 그룹을 추출하고, 추출한 대사 그룹과 매칭되어 저장된 제스쳐들을 입력되는 캐릭터의 대사에 대한 제스쳐로 추천할 수 있다. 도 3에서는 대사 그룹 6, 대사 그룹 4, 및 대사 그룹 3이 각각 총 그룹 유사도 점수가 88, 85.5, 85로 1위, 2위, 3위에 해당하는 바, 추천 모듈(106)은 대사 그룹 6, 대사 그룹 4, 및 대사 그룹 3과 각각 매칭되어 저장된 제스쳐 6, 제스쳐 4, 및 제스쳐 3을 입력되는 캐릭터의 대사에 대한 제스처로 추천할 수 있다.

도 4는 일 실시예에서 입력되는 캐릭터의 대사에 대해 추천되는 제스쳐들을 나타낸 도면이다. 도 4를 참조하면, 입력되는 캐릭터의 대사가 "대협 어서 서둘러 주셔야 합니다"인 경우, 추천 모듈(106)은 총 그룹 유사도 점수가 가장 높은 3개의 제스쳐(제스쳐3, 제스쳐 4, 제스쳐 6)을 추천할 수 있다.

한편, 여기서는 대사 그룹들 중 총 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹을 추출하는 것으로 설명하였으나, 이에 한정되는 것은 아니며 대사 그룹들 중 제1 그룹 유사도 점수 또는 제2 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹을 추출할 수도 있다.

본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예건대, 상기 "모듈"은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아니다.

도 5는 일 실시예에 따른 제스쳐 추천 방법을 설명하기 위한 흐름도이다. 도 5에 도시된 방법은 예를 들어, 전술한 제스쳐 추천 장치(100)에 의해 수행될 수 있다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.

도 5를 참조하면, 제스쳐 추천 장치(100)는 입력되는 캐릭터의 대사에 대한 단어 벡터를 산출한다(502). 다음으로, 제스쳐 추천 장치(100)는 입력되는 캐릭터의 대사에 대한 임베딩 벡터를 산출한다(504).

다음으로, 제스쳐 추천 장치(100)는 입력되는 캐릭터의 대사에서 산출한 단어 벡터와 기 저장된 대사 그룹들 내의 대사들로부터 산출한 단어 벡터를 비교하여 제1 유사도를 측정한다(506). 다음으로, 제스쳐 추천 장치(100)는 제1 유사도에 기반하여 각 대사 그룹들의 제1 그룹 유사도 점수를 산출한다(508).

다음으로, 제스쳐 추천 장치(100)는 입력되는 캐릭터의 대사에서 산출한 임베딩 벡터와 기 저장된 대사 그룹들 내의 대사들로부터 산출한 임베딩 벡터를 비교하여 제2 유사도를 측정한다(510). 다음으로, 제스쳐 추천 장치(100)는 제2 유사도에 기반하여 각 대사 그룹들의 제2 그룹 유사도 점수를 산출한다(512).

다음으로, 제스쳐 추천 장치(100)는 각 대사 그룹에 대해 제1 그룹 유사도 점수에 제1 가중치를 부여하고, 제2 그룹 유사도 점수에 제2 가중치를 부여한 후 합산하여 총 그룹 유사도 점수를 산출한다(514).

다음으로, 제스쳐 추천 장치(100)는 대사 그룹들 중 총 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹을 추출하고, 추출한 대사 그룹들과 매칭되어 저장된 제스쳐들을 추출하여 입력되는 캐릭터의 대사에 대한 제스쳐로 추천한다(516).

도 6은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 제스쳐 추천 장치(100)일 수 있다.

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.

이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100 : 제스쳐 추천 장치
102 : 전처리 모듈
104 : 유사도 판단 모듈
106 : 추천 모듈
111 : 단어 벡터 산출부
113 : 임베딩 벡터 산출부
121 : 제1 유사도 판단부
123 : 제2 유사도 판단부

Claims

하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
게임 내 캐릭터의 대사를 입력 받는 동작;
상기 캐릭터의 대사에 대해 자연어 처리를 수행하여 대사 연관 벡터를 산출하는 동작;
상기 캐릭터의 대사로부터 산출한 대사 연관 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 대사 연관 벡터를 비교하여 유사도를 측정하는 동작;
상기 측정한 유사도에 기반하여 상기 대사 그룹들 중 일부 대사 그룹을 추출하는 동작; 및
상기 추출한 일부 대사 그룹과 매칭된 제스쳐를 상기 캐릭터의 대사에 대한 제스쳐로 추천하는 동작을 포함하고,
상기 각 대사 그룹은, 복수 개의 대사를 포함하고 하나의 제스쳐와 매칭되어 저장되며,
상기 유사도를 측정하는 동작은,
상기 캐릭터의 대사로부터 산출한 단어 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 단어 벡터를 비교하여 제1 유사도를 측정하는 동작; 및
상기 캐릭터의 대사로부터 산출한 문장 임베딩 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 문장 임베딩 벡터를 비교하여 제2 유사도를 측정하는 동작을 포함하며,
상기 일부 대사 그룹을 추출하는 동작은,
상기 제1 유사도 및 상기 제2 유사도 중 하나 이상을 기반으로 각 대사 그룹들에 대해 그룹 유사도 점수를 산출하는 동작; 및
기 저장된 대사 그룹들 중 상기 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹들을 추출하는 동작을 포함하는, 제스쳐 추천 방법.
삭제
청구항 1에 있어서,
상기 단어 벡터를 산출하는 동작은,
상기 캐릭터의 대사에서 의미를 가지는 단어를 추출하는 동작;
상기 추출한 각 단어에 고유한 인덱스를 부여하는 동작; 및
상기 인덱스가 부여된 각 단어에 대해 단어의 빈도수에 따라 빈도 값을 부여하여 단어 벡터를 산출하는 동작을 포함하는, 제스쳐 추천 방법.
삭제
삭제
청구항 1에 있어서,
상기 그룹 유사도 점수를 산출하는 동작은,
상기 제1 유사도에 기반하여 각 대사 그룹들의 제1 그룹 유사도 점수를 산출하는 동작;
상기 제2 유사도에 기반하여 각 대사 그룹들의 제2 그룹 유사도 점수를 산출하는 동작; 및
상기 제1 그룹 유사도 점수와 상기 제2 그룹 유사도 점수에 기반하여 각 대사 그룹들에 대해 총 그룹 유사도 점수를 산출하는 동작을 포함하는, 제스쳐 추천 방법.
청구항 6에 있어서,
상기 총 그룹 유사도 점수를 산출하는 동작은,
각 대사 그룹들에 대해 상기 제1 그룹 유사도 점수에 제1 가중치를 부여하고, 상기 제2 그룹 유사도 점수에 제2 가중치를 부여하며, 상기 제1 가중치가 부여된 제1 그룹 유사도 점수와 상기 제2 가중치가 부여된 제2 그룹 유사도 점수를 합산하여 총 그룹 유사도 점수를 산출하는, 제스쳐 추천 방법.
삭제
삭제
하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서,
게임 내 캐릭터의 대사를 입력 받고, 상기 캐릭터의 대사에 대해 자연어 처리를 수행하여 대사 연관 벡터를 산출하는 전처리 모듈;
상기 캐릭터의 대사로부터 산출한 대사 연관 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 대사 연관 벡터를 비교하여 유사도를 측정하는 유사도 판단 모듈; 및
상기 측정한 유사도에 기반하여 상기 대사 그룹들 중 일부 대사 그룹을 추출하고, 상기 추출한 일부 대사 그룹과 매칭된 제스쳐를 상기 캐릭터의 대사에 대한 제스쳐로 추천하는 추천 모듈을 포함하고,
상기 각 대사 그룹은, 복수 개의 대사를 포함하고 하나의 제스쳐와 매칭되어 저장되며,
상기 유사도 판단 모듈은, 상기 캐릭터의 대사로부터 산출한 단어 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 단어 벡터를 비교하여 제1 유사도를 측정하고, 상기 캐릭터의 대사로부터 산출한 문장 임베딩 벡터와 기 저장된 대사 그룹들 내의 각 대사로부터 산출한 문장 임베딩 벡터를 비교하여 제2 유사도를 측정하며,
상기 추천 모듈은, 상기 제1 유사도 및 상기 제2 유사도 중 하나 이상을 기반으로 각 대사 그룹들에 대해 그룹 유사도 점수를 산출하고, 기 저장된 대사 그룹들 중 상기 그룹 유사도 점수가 기 설정된 순위 이내에 있는 대사 그룹들을 추출하는, 컴퓨팅 장치.
삭제
청구항 10에 있어서,
상기 전처리 모듈은,
상기 캐릭터의 대사에서 의미를 가지는 단어를 추출하고, 상기 추출한 각 단어에 고유한 인덱스를 부여하며, 상기 인덱스가 부여된 각 단어에 대해 단어의 빈도수에 따라 빈도 값을 부여하여 상기 단어 벡터를 산출하는, 컴퓨팅 장치.
삭제
삭제
청구항 10에 있어서,
상기 추천 모듈은,
상기 제1 유사도에 기반하여 각 대사 그룹들의 제1 그룹 유사도 점수를 산출하고, 상기 제2 유사도에 기반하여 각 대사 그룹들의 제2 그룹 유사도 점수를 산출하며, 상기 제1 그룹 유사도 점수와 상기 제2 그룹 유사도 점수에 기반하여 각 대사 그룹들에 대해 총 그룹 유사도 점수를 산출하는, 컴퓨팅 장치.
청구항 15에 있어서,
상기 추천 모듈은,
각 대사 그룹들에 대해 상기 제1 그룹 유사도 점수에 제1 가중치를 부여하고, 상기 제2 그룹 유사도 점수에 제2 가중치를 부여하며, 상기 제1 가중치가 부여된 제1 그룹 유사도 점수와 상기 제2 가중치가 부여된 제2 그룹 유사도 점수를 합산하여 총 그룹 유사도 점수를 산출하는, 컴퓨팅 장치.