KR102264232B1 - 단어, 문장 특징값 및 단어 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법 - Google Patents

단어, 문장 특징값 및 단어 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법 Download PDF

Info

Publication number
KR102264232B1
KR102264232B1 KR1020190064066A KR20190064066A KR102264232B1 KR 102264232 B1 KR102264232 B1 KR 102264232B1 KR 1020190064066 A KR1020190064066 A KR 1020190064066A KR 20190064066 A KR20190064066 A KR 20190064066A KR 102264232 B1 KR102264232 B1 KR 102264232B1
Authority
KR
South Korea
Prior art keywords
sentence
document
weight
neural network
word
Prior art date
Application number
KR1020190064066A
Other languages
English (en)
Other versions
KR20190137008A (ko
Inventor
유태준
황이규
조면철
손동원
최홍섭
Original Assignee
주식회사 마인즈랩
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 마인즈랩 filed Critical 주식회사 마인즈랩
Publication of KR20190137008A publication Critical patent/KR20190137008A/ko
Priority to KR1020200144584A priority Critical patent/KR102264234B1/ko
Priority to KR1020200144583A priority patent/KR102264233B1/ko
Application granted granted Critical
Publication of KR102264232B1 publication Critical patent/KR102264232B1/ko

Links

Images

Classifications

    • 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
    • G06F16/93—Document management systems
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 일 실시예에 따른 설명이 부가된 문서 분류 방법은, 단어, 문장 특징값 및 단어 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 가중치에 근거하여 문서 분류의 이유 및/또는 근거를 제시할 수 있다.

Description

단어, 문장 특징값 및 단어 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법{An explanation-added document classification method by an artificial neural network that learns the correlation between words, sentence feature values, and word weights}
본 발명의 실시예들은 문서 분류 방법에 관한 것으로, 보다 상세하게는 단어, 문장 특징값 및 단어 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 가중치에 근거하여 문서 분류의 이유 및/또는 근거를 제시하는 문서 분류 방법에 관한 것이다.
종래기술에 따른 문서 분류 엔진들은 다음과 같은 문제점 및/또는 한계점을 갖는다.
1) 분류한 결과를 설명해주지 않음
딥러닝 기반 엔진들이 비판받는 가장 큰 이유 중 하나는 딥러닝 네트워크가 추론 결과에 대해 아무런 근거를 제시해주지 않는 블랙박스라는 인식이 있기 때문이다.
IBM CEO 지니 로메티가 "설명할 수 없는 AI라면 퇴출되어야 한다"고 까지 말할 정도로 설명 가능한 AI에 대한 요구는 지금의 인공지능 열풍에 대한 중대한 도전이라 할 수 있다.
대부분의 딥러닝 기반 엔진들이 그렇듯 딥러닝 기반 텍스트 분류기들 역시 분류 결과에 대한 이유나 근거를 전혀 설명해주지 않는다.
물론 딥러닝 기반 텍스트 분류기들이 좋은 성능을 보이고 있지만, 실제로 텍스트 분석 영역에서는 결과에 대한 영감을 얻거나 모델을 개선하기 위해 데이터를 분석해보는 관점에서 볼 때 매우 제약이 크다.
2) 문장 단위가 아닌 문서 단위 분류가 어려움
기존 딥러닝 기반 텍스트 분류 엔진들은 대부분 RNN 기반으로 작동하는데, LSTM이나 GRU 등 대표적인 RNN 기반 인공신경망이 긴 sequence를 잘 처리하지 못해서 문장 분류에는 문제가 없지만, 문서 분류에는 약점을 가지고 있다.
이는 연속된 Sequence의 길이가 길어질수록 앞쪽 sequence의 정보가 뒤쪽으로 잘 전파되지 않기 때문이며, 따라서 문서를 이어 붙여 하나의 문장으로 처리해서 인코딩하는 방식의 RNN 기반 텍스트 분류기들이 긴 문서를 제대로 분류하지 못하는 원인이 된다.
3) 분류 카테고리의 개수에 제약이 있음
딥러닝 기반 텍스트 분류 엔진들의 또 다른 문제점으로 지적되는 점은 한 번에 분류하고자 하는 카테고리가 많을 경우 학습이 제대로 되지 않는 현상이다. 단 10개의 카테고리만 넘어가도 분류가 어려운 경우가 있는데, 이는 소위 말하는 Exploding Gradient 현상 때문이다. Gradient signal은 모든 Hidden state를 거치면서 시간/시퀀스 상 앞쪽으로 전달되게 되는데, parameter matrix를 계속해서 곱해가는 과정에서 가중치 행렬의 element가 1보다 큰 경우 gradient는 계속해서 커지게 되어 Exploding Gradient 현상이 나타나게 된다. 이는 기본적으로 많은 time step을 가지는 RNN 구조에서 흔히 나타날 수 있는 현상인데 특히 카테고리가 많을 경우 초기오차가 커 이런 현상이 일어날 가능성이 매우 높아진다.
본 발명은 기계 학습의 한계로 지적되는 문제점인 결과에 대한 해석이 어렵다는 점을 극복하기 위해 텍스트 분류 결과의 이유 혹은 근거를 제시하고자 한다.
또한 본 발명은 단문이 아닌, 긴 문서를 보다 정확하게 분류하고자 한다.
본 발명의 일 실시예에 따른 설명이 부가된 문서 분류 방법은, 입력 문서를 적어도 하나의 문장으로 분리하는 단계; 상기 적어도 하나의 문장 각각을 적어도 하나의 단어로 분리하는 단계; 학습된 제1 인공 신경망을 이용하여, 상기 적어도 하나의 문장 각각에 대한 상기 적어도 하나의 단어로부터 상기 적어도 하나의 문장 각각에 대응되는 문장 특징값 및 상기 적어도 하나의 문장 각각에 포함된 적어도 하나의 단어 각각의 가중치인 제1 가중치를 생성하는 단계; 학습된 제2 인공 신경망을 이용하여, 상기 적어도 하나의 문장 각각에 대한 문장 특징값으로부터 상기 입력 문서에 대응되는 문서 특징값 및 상기 적어도 하나의 문장 각각의 가중치인 제2 가중치를 생성하는 단계; 상기 문서 특징값에 기초하여 상기 입력 문서의 분류에 관한 분류 정보를 생성하는 단계; 및 상기 제1 가중치 및 상기 제2 가중치 중 적어도 하나를 참조하여, 상기 분류의 이유를 포함하는 설명 정보를 생성하는 단계;를 포함할 수 있다.
상기 제1 인공 신경망은 문장 특징값이 표지된 적어도 하나의 제1 학습 데이터에 기반하여, 상기 제1 학습 데이터에 포함되는 학습 문장에 포함된 적어도 하나의 단어와 상기 문장 특징값 간의 상관관계 및 상기 학습 문장에 포함되는 적어도 하나의 단어와 상기 적어도 하나의 단어 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다.
상기 제2 인공 신경망은 문서 특징값이 표지된 적어도 하나의 제2 학습 데이터에 기반하여, 상기 제2 학습 데이터에 포함되는 학습 문서에 포함된 적어도 하나의 문장과 상기 문서 특징값 간의 상관관계 및 상기 학습 문서에 포함되는 적어도 하나의 문장과 상기 적어도 하나의 문장 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다.
상기 분류 정보를 생성하는 단계는 상기 입력 문서를 복수의 분류 항목 중 어느 하나의 항목인 제1 항목으로 분류하고, 상기 설명 정보를 생성하는 단계는 상기 입력 문서를 상기 제1 항목으로 분류하는데 기여도가 높은 하나 이상의 단어를 결정하는 단계; 상기 입력 문서를 상기 제1 항목으로 분류하는데 기여도가 높은 하나 이상의 문장을 결정하는 단계;를 포함할 수 있다.
상기 기여도가 높은 하나 이상의 단어를 결정하는 단계는 상기 제1 가중치를 참조하여, 제1 단어의 가중치를 결정하는 단계; 상기 제2 가중치를 참조하여, 상기 제1 단어가 포함된 문장의 가중치를 결정하는 단계; 및 상기 제1 단어의 가중치 및 상기 제1 단어가 포함된 문장의 가중치에 기초하여 상기 제1 단어의 기여도를 산출하는 단계;를 포함할 수 있다.
기여도가 높은 하나 이상의 문장을 결정하는 단계는 제1 문장에 포함된 하나 이상의 단어들의 제1 가중치를 참조하여, 상기 제1 문장의 제3 가중치를 결정하는 단계; 상기 제2 가중치를 참조하여, 제1 문장의 제4 가중치를 결정하는 단계; 및 제3 가중치 및 상기 제4 가중치에 기초하여 상기 제1 문장의 기여도를 산출하는 단계;를 포함할 수 있다.
상기 설명이 부가된 문서 분류 방법은 상기 설명 정보를 생성하는 단계 이후에 상기 분류 정보와 함께 상기 설명 정보를 제공하는 단계;를 포함할 수 있다.
본 발명에 따르면 문서의 분류의 이유 혹은 근거를 제시할 수 있다.
또한 단문이 아닌, 긴 문서를 보다 정확하게 분류할 수 있다.
도 1은 본 발명의 일 실시예에 따른 문서 분류 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버(100)에 구비되는 문서 분류 장치(110)의 구성을 개략적으로 도시한 도면이다.
도 3은 본 발명의 문서 분류 장치(110)에 의해 학습되는 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 제어부(112)가 입력 문서(510)로부터 적어도 하나의 문장(520) 및 적어도 하나의 단어(530)를 분리하는 과정을 설명하기 위한 도면이다.
도 5는 제어부(112)가 도 4의 첫 번째 문장(521)의 특징값(S_Feature_1) 및 제1 가중치(W1_1)를 생성하는 과정을 설명하기 위한 도면이다.
도 6은 제어부(112)가 입력 문서의 특징값(D_Feature) 및 제2 가중치(W2)를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 제어부(112)가 설명 정보를 생성하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 문서 분류 장치(110)에 의해 수행되는 문서 분류 방법을 설명하기 위한 흐름도이다.
도 9은 본 발명의 일 실시예에 따라 분류 정보 및 설명 정보가 사용자 단말(200)에 표시된 화면(610)의 예시이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 문서 분류 시스템의 구성을 개략적으로 도시한 도면이다.
도 1을 참조하면 본 발명의 일 실시예에 따른 문서 분류 시스템은 서버(100), 사용자 단말(200) 및 통신망(400)을 포함할 수 있다.
본 발명의 일 실시예에 따른 문서 분류 시스템은 학습된 인공 신경망을 이용하여 문서를 분류하고, 문서를 분류의 이유(또는 설명)를 포함하는 설명 정보를 제공할 수 있다.
본 발명에서 제1 인공 신경망 및 제2 인공 신경망과 같은 '인공 신경망'은 문서의 분류를 위해 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법으로 학습된 신경망을 의미할 수 있다. 이와 같은 인공 신경망의 구조에 대해서는 도 3을 참조하여 후술한다.
본 발명의 일 실시예에 따른 사용자 단말(200)은 사용자가 서버(100)에 의해 제공되는 다양한 서비스를 이용할 수 있도록 사용자와 서버(100)를 매개하는 다양한 형태의 장치를 의미할 수 있다.
바꾸어 말하면, 본 발명의 일 실시예에 따른 사용자 단말(200)은 서버(100)와 데이터를 송수신 하는 다양한 장치를 의미할 수 있다.
이와 같은 사용자 단말(200)은 도 1에 도시된 바와 같이, 휴대용 단말(201, 202, 203)을 의미할 수도 있고, 컴퓨터(204)를 의미할 수도 있다.
한편 사용자 단말(200)은 상술한 기능을 수행하기 위해 콘텐츠 등을 표시하기 위한 표시수단, 이러한 콘텐츠에 대한 사용자의 입력을 획득하기 위한 입력수단을 구비할 수 있다. 이 때 입력수단 및 표시수단은 다양하게 구성될 수 있다. 가령 입력수단은 키보드, 마우스, 트랙볼, 마이크, 버튼, 터치패널 등을 포함할 수 있으나 이에 한정되지 않는다.
본 발명의 일 실시예에 따른 통신망(400)은 문서 분류 시스템의 각 구성 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 통신망(400)은 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 서버(100)는 학습된 인공 신경망을 이용하여 문서를 분류하고, 문서를 분류의 이유를 포함하는 설명 정보를 제공할 수 있다. 이를 위해 서버(100)는 본 발명의 일 실시예에 따른 문서 분류 장치를 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 서버(100)에 구비되는 문서 분류 장치(110)의 구성을 개략적으로 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 문서 분류 장치(110)는 통신부(111), 제어부(112) 및 메모리(113)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 실시예에 따른 문서 분류 장치(110)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다.
통신부(111)는 문서 분류 장치(110)가 사용자 단말(200)과 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
제어부(112)는 프로세서(Processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(Processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(113)는 문서 분류 장치(110)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 가령 메모리(113)는 제1 신경망 및 제2 신경망을 구성하는 데이터들(가령 계수들)을 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(113)는 제1 신경망과 제2 신경망을 학습하기 위한 학습 데이터도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 3은 본 발명의 문서 분류 장치(110)에 의해 학습되는 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 인공 신경망은 도 3에 도시된 바와 같은 순환 인공 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망에 가중치를 생성하기 위한 가중치 레이어(L4)를 더 포함하는 구조일 수 있다.
도 3을 참조하면 순환 인공 신경망 모델에 따른 인공 신경망은 적어도 하나의 입력 노드(N1)를 포함하는 입력 레이어(L1), 복수의 히든 노드(N2)를 포함하는 히든 레이어(L2) 및 적어도 하나의 출력 노드(N3)를 포함하는 출력 레이어(L3)를 포함할 수 있다.
이때 입력 레이어(L1)의 적어도 하나의 입력 노드(N1)에는 제어부(112)가 획득한 입력 데이터에 대응되는 값들이 입력될 수 있다. 가령 입력 노드(N1)에는 하나의 문장으로부터 생성된 적어도 하나의 단어에 대응되는 값(또는 벡터)이 입력될 수도 있고, 하나의 입력 문서로부터 생성된 적어도 하나의 문장들에 대응되는 문장 특징값(또는 벡터)이 입력될 수도 있다.
히든 레이어(L2)는 도시된 바와 같이 전체적으로 연결된(Fully Connected) 하나 이상의 레이어를 포함할 수 있다. 히든 레이어(L2)가 복수의 레이어를 포함하는 경우, 인공 신경망은 각각의 히든 레이어 사이의 관계를 정의하는 함수(미도시)를 포함할 수 있다.
출력 레이어(L3)의 적어도 하나의 출력 노드(N3)는 제어부(112)의 제어에 따라 인공 신경망이 입력 레이어(L1)의 입력 값으로부터 생성한 출력 값을 포함할 수 있다. 가령 입력 레이어(L1)에 하나의 문장으로부터 생성된 적어도 하나의 단어들에 대응되는 값이 입력된 경우, 출력 레이어(L3)에는 문장 특징값이 포함될 수 있다. 물론 입력 레이어(L1)에 하나의 입력 문서로부터 생성된 적어도 하나의 문장들에 대응되는 문장 특징값(또는 벡터)이 입력된 경우, 출력 레이어(L3)에는 문서 특징값이 포함될 수 있다.
가중치 레이어(L4)의 적어도 하나의 출력 노드(N4)는 제어부(112)의 제어에 따라 인공 신경망이 입력 레이어에 입력된 복수의 항목들 각각에 대해 산출한 가중치를 포함할 수 있다. 가령 입력 레이어(L1)에 하나의 문장으로부터 생성된 적어도 하나의 단어들에 대응되는 값이 입력된 경우, 가중치 레이어(L4)에는 적어도 하나의 단어들 각각의 가중치가 포함될 수 있다. 이때 가중치 레이어(L4)에 포함되는 가중치는 적어도 하나의 단어 각각이 출력 레이어(L3)의 문장 특징값을 생성하는데 기여한 정도를 의미할 수 있다.
물론 입력 레이어(L1)에 하나의 입력 문서로부터 생성된 적어도 하나의 문장들에 대응되는 문장 특징값이 입력된 경우, 가중치 레이어(L4)에는 적어도 하나의 문장들 각각의 가중치가 포함될 수 있다. 이때 가중치 레이어(L4)에 포함되는 가중치는 적어도 하나의 문장 각각이 출력 레이어(L3)의 문서 특징값을 생성하는데 기여한 정도를 의미할 수 있다.
도 3에서는 이와 같은 가중치 레이어(L4)가 출력 레이어(L3) 이후에 배치되는 것으로 되시되었지만, 이는 예시적인것으로 가중치 레이어(L4)의 위치는 이에 한정되는 것이 아니다.
가중치 레이어(L4)는 하나 이상의 레이어로 구성될 수도 있고, 도 3에 도시된 바와 같이 단일 레이어로 구성될 수도 있다.
한편 각 레이어의 각 노드에 포함되는 값은 벡터일 수 있다. 또한 각 노드는 해당 노드의 중요도에 대응되는 가중치를 포함할 수도 있다.
인공 신경망은 입력 레이어(L1)와 히든 레이어(L2)의 관계를 정의하는 제1 함수(F1) 및 히든 레이어(L2)와 출력 레이어(L3)의 관계를 정의하는 제2 함수(F2)를 포함할 수 있다. 물론 인공 신경망은 출력 레이어(L3)와 가중치 레이어(L4)의 관계를 정의하는 함수(미도시)를 더 포함할 수도 있다.
제1 함수(F1)는 입력 레이어(L1)에 포함되는 입력 노드(N1)와 히든 레이어(L2)에 포함되는 히든 노드(N2)간의 연결관계를 정의할 수 있다. 이와 유사하게, 제2 함수(F2)는 히든 레이어(L2)에 포함되는 히든 노드(N2)와 출력 레이어(L2)에 포함되는 출력 노드(N2)간의 연결관계를 정의할 수 있다.
이와 같은 제1 함수(F1), 제2 함수(F2), 히든 레이어 사이의 함수들 및 출력 레이어(L3)와 가중치 레이어(L4)의 관계를 정의하는 함수들은 이전 노드의 입력에 기초하여 결과물을 출력하는 순환 인공 신경망 모델을 포함할 수 있다.
제어부(112)에 의해 인공 신경망이 학습되는 과정에서, 복수의 학습 데이터(또는 전처리된 학습 데이터)에 기초하여 상술한 함수들이 학습될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망은 표지(Labeled)된 학습 데이터를 기반으로 지도학습(Supervised Learning) 방식으로 학습될 수 있다. 이때 가중치 레이어(L4)에 출력되는 가중치들은 비지도 방식으로 학습될 수도 있다.
본 발명의 일 실시예에 따른 제어부(112)는 복수의 학습 데이터를 이용하여, 어느 하나의 입력 데이터를 인공 신경망에 입력하여 생성된 출력 값이 해당 학습 데이터에 표지된 값에 근접하도록 전술한 함수들을 갱신하는 과정을 반복하여 수행함으로써 인공 신경망을 학습시킬 수 있다.
이때 본 발명의 일 실시예에 따른 제어부(112)는 역전파(Back Propagation) 알고리즘에 따라 전술한 함수들을 갱신할 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
한편 도 3 및 도 4에서 설명한 인공 신경망의 종류 및/또는 구조는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 다양한 종류의 모델의 인공 신경망이 명세서를 통하여 설명하는 '인공 신경망'에 해당할 수 있다.
본 발명에서 '제1 인공 신경망'은 하나의 문장을 구성하는 하나 이상의 단어들로부터 해당 문장의 특징값을 생성하고, 각 단어들의 가중치를 생성하도록 학습된 신경망일 수 있다. 이와 같은 제1 인공 신경망은 문장 특징값이 표지된 적어도 하나의 제1 학습 데이터에 기반하여, 제1 학습 데이터에 포함되는 학습 문장에 포함된 적어도 하나의 단어와 문장 특징값 간의 상관관계를 학습한 신경망일 수 있다. 또한 제1 인공 신경망은 학습 문장에 포함되는 적어도 하나의 단어와 적어도 하나의 단어 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다.
본 발명에서 '제2 인공 신경망'은 하나의 문서를 구성하는 하나 이상의 문장들로부터 해당 문서의 특징값을 생성하고, 각 문장들의 가중치를 생성하도록 학습된 신경망일 수 있다. 이와 같은 제2 인공 신경망은 문서 특징값이 표지된 적어도 하나의 제2 학습 데이터에 기반하여, 제2 학습 데이터에 포함되는 학습 문서에 포함된 적어도 하나의 문장과 상기 문서 특징값 간의 상관관계를 학습한 신경망일 수 있다. 또한 제2 인공 신경망은 학습 문서에 포함되는 적어도 하나의 문장과 적어도 하나의 문장 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다.
한편 본 발명에서 '문서'는 텍스트를 포함하는 콘텐츠를 의미할 수 있다. 이때 문서는 텍스트만을 포함할 수도 있고, 텍스트 이외에 다른 유형의 개체(예를 들어 이미지, 영상 등)를 더 포함할 수도 있다. 문서가 텍스트 외에 다른 유형의 개체를 포함하는 경우, 제어부(112)는 문서에 포함된 텍스트만을 고려하여 문서를 분류할 수 있다.
이하에서는 제1 인공 신경망이 제1 학습 데이터로, 제2 인공 신경망이 제2 학습 데이터로 학습이 되어 있음을 전제로, 도 4 내지 도 6을 함께 참조하여 제어부(112)의 동작을 설명한다.
본 발명의 일 실시예에 따른 제어부(112)는 입력 문서를 문장 단위로 분리하여 적어도 하나의 문장을 생성할 수 있다. 또한 제어부(112)는 생성된 적어도 하나의 문장 각각을 단어 단위로 분리하여 적어도 하나의 단어를 생성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 제어부(112)가 입력 문서(510)로부터 적어도 하나의 문장(520) 및 적어도 하나의 단어(530)를 분리하는 과정을 설명하기 위한 도면이다.
설명의 편의를 위해서 입력 문서(510)는 영화 후기에 관한 것으로, 도 4에 도시된 바와 같이 3개의 문장으로 구성되는 것을 전제로 설명한다.
상술한 전제 하에 본 발명의 일 실시예에 따른 제어부(112)는 입력 문서(510)를 첫 번째 문장(521), 두 번째 문장(522) 및 세 번째 문장(523)으로 분리할 수 있다.
이어서 본 발명의 일 실시예에 따른 제어부(112)는 첫 번째 문장(521)을 하나 이상의 단어(531)로 분리할 수 있고, 나머지 문장(522, 523)도 이와 유사하게 단어(532, 533)로 분리할 수 있다.
본 발명의 일 실시예에 따른 제어부(112)는 학습된 제1 인공 신경망을 이용하여, 개별 문장 마다 문장 특징값 및 문장에 포함되는 단어 각각의 가중치인 제1 가중치를 생성할 수 있다.
전술한 바와 같이 제1 인공 신경망은 문장 특징값이 표지된 적어도 하나의 제1 학습 데이터에 기반하여, 제1 학습 데이터에 포함되는 학습 문장에 포함된 적어도 하나의 단어와 문장 특징값 간의 상관관계를 학습한 신경망일 수 있다. 또한 제1 인공 신경망은 학습 문장에 포함되는 적어도 하나의 단어와 적어도 하나의 단어 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다. 따라서 제1 인공 신경망에 문장을 구성하는 적어도 하나의 단어를 입력하고, 이에 대한 응답으로 문장 특징값 및 각각의 단어에 대한 가중치를 획득할 수 있다.
도 5는 제어부(112)가 도 4의 첫 번째 문장(521)의 특징값(S_Feature_1) 및 제1 가중치(W1_1)를 생성하는 과정을 설명하기 위한 도면이다.
제어부(112)는 제1 인공 신경망(NN1)에 첫 번째 문장(521)으로부터 분리된 하나 이상의 단어(531)를 입력하고, 이에 대한 응답으로 특징값(S_Feature_1) 및 제1 가중치(W1_1)를 획득할 수 있다. 이때 특징값(S_Feature_1)은 문장의 특징을 반영한 값을 포함할 수 있고, 제1 가중치(W1_1)는 특징값(S_Feature_1)의 결정에 각 단어가 기여한 정도를 포함할 수 있다.
이와 유사하게 제어부(112)는 나머지 문장(522, 523)에 대해서도 특징값(S_Feature_2, S_Feature_3) 및 제1 가중치(미도시)를 산출할 수 있다.
본 발명의 일 실시예에 따른 제어부(112)는 학습된 제2 인공 신경망(NN2)을 이용하여, 입력 문서의 문서 특징값(D_Feature) 및 문서(510)에 포함되는 문장(521, 522, 523) 각각의 가중치인 제2 가중치(W2)를 생성할 수 있다.
이때 제2 인공 신경망(NN2)은 전술한 바와 같이 문서 특징값이 표지된 적어도 하나의 제2 학습 데이터에 기반하여, 제2 학습 데이터에 포함되는 학습 문서에 포함된 적어도 하나의 문장과 상기 문서 특징값 간의 상관관계를 학습한 신경망일 수 있다. 또한 제2 인공 신경망(NN2)은 학습 문서에 포함되는 적어도 하나의 문장과 적어도 하나의 문장 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다.
도 6은 제어부(112)가 입력 문서의 특징값(D_Feature) 및 제2 가중치(W2)를 생성하는 과정을 설명하기 위한 도면이다.
제어부(112)는 제2 인공 신경망(NN2)에 각 문장의 특징값(S_Feature_1, S_Feature_2, S_Feature_3)을 입력하고, 이에 대한 응답으로 문서 특징값(D_Feature) 및 제2 가중치(W2)를 획득할 수 있다. 이때 문서 특징값(D_Feature)은 문서의 특징을 반영한 값을 포함할 수 있고, 제2 가중치(W2)는 문서 특징값(D_Feature)의 결정에 각 문장이 기여한 정도를 포함할 수 있다.
본 발명의 일 실시예에 따른 제어부(112)는 제2 인공 신경망(NN2)에 의해 생성된 문서 특징값(D_Feature)에 기초하여 입력 문서의 분류에 관한 분류 정보(Class)를 생성할 수 있다.
가령 도 4에 도시된 바와 같이 입력 문서(510)가 영화 후기에 관한 것인 경우 제어부(112)는 입력 문서(510)가 해당 영화에 대한 긍적적인 후기인지 또는 부정적인 후기인지에 관한 정보를 포함하는 분류 정보(Class)를 생성할 수 있다. 예를 들어 제어부(112)는 도 4의 입력 문서(510)를 긍정적 후기로 분류하는 분류 정보를 생성할 수 있다.
물론 제어부(112)는 문서 작성자의 성별, 문서 작성자의 연령대와 같은 다양한 기준에 따라 입력 문서(510)를 분류하여 분류 정보를 생성할 수도 있다. 다만 이와 같은 분류기준은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 제어부(112)는 전술한 과정에 의해 산출된 제1 가중치(W1_1 등)와 제2 가중치(W2) 중 적어도 하나를 참조하여, 분류 정보의 생성 이유(또는 분류 정보의 생성 근거)를 포함하는 설명 정보를 생성할 수 있다.
도 7은 본 발명의 일 실시예에 따른 제어부(112)가 설명 정보를 생성하는 과정을 설명하기 위한 도면이다.
설명의 편의를 위해서, 제어부(112)가 도 4에 도시된 입력 문서(510)에 대해서 제1 가중치(W1) 및 제2 가중치(W2)를 산출한 결과가 도 7에 도시된 바와 같으며, 제어부(112)가 입력 문서(510)를 '긍정적 후기'(또는 제1 항목)로 분류하였음을 전제로 설명한다.
상술한 가정 하에 본 발명의 일 실시예에 따른 제어부(112)는 입력 문서(510)를 제1 항목(긍정적 후기)으로 분류하는데 기여도가 높은 하나 이상의 단어를 결정할 수 있다. 이를 위해 제어부(112)는 제1 가중치(W1)를 참조하여, 각 단어의 가중치를 결정할 수 있다. 또한 제어부(112)는 제2 가중치(W2)를 참조하여, 각 단어가 포함된 문장의 가중치를 결정할 수 있다. 제어부(112)는 각 단어의 가중치 및 각 단어가 포함된 문장의 가중치에 기초하여 각 단어의 기여도(Wtot)를 산출할 수 있다. 제어부(112)는 산출된 기여도를 참조하여 입력 문서(510)를 제1 항목으로 분류하는데 기여도가 높은 하나 이상의 단어를 결정할 수 있다.
가령 제어부(112)는 'delightful'이라는 단어에 대해서, 제1 가중치(W1)를 참조하여 '단어의 가중치'를 결정하고, 제2 가중치(W2)를 참조하여 해당 단어가 포함된 '문장의 가중치'를 결정할 수 있다. 또한 제어부(112)는 산출된 '단어의 가중치' 및 '문장의 가중치'에 기초하여 'delightful'이라는 단어가 '긍정적 후기'라는 분류 정보를 생성하는데 기여한 기여도(0.318014)를 산출할 수 있다.
본 발명의 일 실시예에서, 제어부(112)는 기여도가 높은 상위 n개(n은 자연수)의 단어가 포함되도록 설명 정보를 생성할 수 있다.
한편 제어부(112)는 입력 문서(510)를 제1 항목(긍정적 후기)으로 분류하는데 기여도가 높은 하나 이상의 문장을 결정할 수도 있다. 이를 위해 제어부(112)는 각 문장에 포함된 하나 이상의 단어들의 제1 가중치(W1)를 참조하여 각 문장의 제3 가중치를 결정할 수 있다. 즉 제어부(112)는 포함된 단어들의 가중치에 기반하여 각 문장 전체의 가중치인 제3 가중치를 결정할 수 있다.
또한 제어부(112)는 제2 가중치(W2)를 참조하여, 각 문장의 제4 가중치를 결정할 수 있다. 제어부(112)는 상술한 과정에 의해 산출된 제3 가중치 및 상기 제4 가중치에 기초하여 각 문장의 기여도를 산출할 수 있다. 제어부(112)는 산출된 기여도를 참조하여 입력 문서(510)를 제1 항목으로 분류하는데 기여도가 높은 하나 이상의 문장을 결정할 수 있다.
가령 제어부(112)는 'This is a delightful film.'이라는 문장에 대해서, 문장에 포함된 단어들의 제1 가중치(W1)를 참조하여 '구성 단어에 기반한 가중치'인 제3 가중치를 결정할 수 있다. 또한 제어부(112)는 '문장 자체의 가중치'인 제2 가중치(W2)를 참조하여, 해당 문장의 제4 가중치를 결정할 수 있다.
제어부(112)는 산출된 제3 가중치 및 제4 가중치에 기초하여, 'This is a delightful film.'이라는 문장이 '긍정적 후기'라는 분류 정보를 생성하는데 기여한 기여도를 산출할 수 있다.
본 발명의 일 실시예에서, 제어부(112)는 기여도가 높은 상위 m개(m은 자연수)의 문장이 포함되도록 설명 정보를 생성할 수 있다.
본 발명의 일 실시예에 따른 제어부(112)는 생성된 분류 정보와 함께 생성된 설명정보를 제공할 수 있다.
이로써 본 발명은 입력 분서에 대한 분류 정보뿐만 아니라, 분류의 근거를 명확하게 제시할 수 있다.
도 8은 본 발명의 일 실시예에 따른 문서 분류 장치(110)에 의해 수행되는 문서 분류 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 7에서 설명한 내용과 중복하는 내용의 설명은 생략하되, 도 1 내지 도 7을 함께 참조하여 설명한다.
본 발명의 일 실시예에 따른 문서 분류 장치(110)는 입력 문서를 문장 단위로 분리하여 적어도 하나의 문장을 생성할 수 있다.(S81) 또한 문서 분류 장치(110)는 생성된 적어도 하나의 문장 각각을 단어 단위로 분리하여 적어도 하나의 단어를 생성할 수 있다.(S82)
다시 도 4를 참조하여, 본 발명의 일 실시예에 따른 문서 분류 장치(110)가 입력 문서(510)로부터 적어도 하나의 문장(520) 및 적어도 하나의 단어(530)를 분리하는 과정을 설명한다. 설명의 편의를 위해서 입력 문서(510)는 영화 후기에 관한 것으로, 도 4에 도시된 바와 같이 3개의 문장으로 구성되는 것을 전제로 설명한다.
상술한 전제 하에 본 발명의 일 실시예에 따른 문서 분류 장치(110)는 입력 문서(510)를 첫 번째 문장(521), 두 번째 문장(522) 및 세 번째 문장(523)으로 분리할 수 있다.
이어서 본 발명의 일 실시예에 따른 문서 분류 장치(110)는 첫 번째 문장(521)을 하나 이상의 단어(531)로 분리할 수 있고, 나머지 문장(522, 523)도 이와 유사하게 단어(532, 533)로 분리할 수 있다.
본 발명의 일 실시예에 따른 문서 분류 장치(110)는 학습된 제1 인공 신경망을 이용하여, 개별 문장 마다 문장 특징값 및 문장에 포함되는 단어 각각의 가중치인 제1 가중치를 생성할 수 있다.(S83)
전술한 바와 같이 제1 인공 신경망은 문장 특징값이 표지된 적어도 하나의 제1 학습 데이터에 기반하여, 제1 학습 데이터에 포함되는 학습 문장에 포함된 적어도 하나의 단어와 문장 특징값 간의 상관관계를 학습한 신경망일 수 있다. 또한 제1 인공 신경망은 학습 문장에 포함되는 적어도 하나의 단어와 적어도 하나의 단어 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다. 따라서 제1 인공 신경망에 문장을 구성하는 적어도 하나의 단어를 입력하고, 이에 대한 응답으로 문장 특징값 및 각각의 단어에 대한 가중치를 획득할 수 있다.
다시 도 5를 참조하면, 문서 분류 장치(110)는 제1 인공 신경망(NN1)에 첫 번째 문장(521)으로부터 분리된 하나 이상의 단어(531)를 입력하고, 이에 대한 응답으로 특징값(S_Feature_1) 및 제1 가중치(W1_1)를 획득할 수 있다. 이때 특징값(S_Feature_1)은 문장의 특징을 반영한 값을 포함할 수 있고, 제1 가중치(W1_1)는 특징값(S_Feature_1)의 결정에 각 단어가 기여한 정도를 포함할 수 있다. 이와 유사하게 문서 분류 장치(110)는 나머지 문장(522, 523)에 대해서도 특징값(S_Feature_2, S_Feature_3) 및 제1 가중치(미도시)를 산출할 수 있다.
본 발명의 일 실시예에 따른 문서 분류 장치(110)는 학습된 제2 인공 신경망(NN2)을 이용하여, 입력 문서의 문서 특징값(D_Feature) 및 문서(510)에 포함되는 문장(521, 522, 523) 각각의 가중치인 제2 가중치(W2)를 생성할 수 있다.(S84)
이때 제2 인공 신경망(NN2)은 전술한 바와 같이 문서 특징값이 표지된 적어도 하나의 제2 학습 데이터에 기반하여, 제2 학습 데이터에 포함되는 학습 문서에 포함된 적어도 하나의 문장과 상기 문서 특징값 간의 상관관계를 학습한 신경망일 수 있다. 또한 제2 인공 신경망(NN2)은 학습 문서에 포함되는 적어도 하나의 문장과 적어도 하나의 문장 각각의 가중치 간의 상관관계를 학습한 신경망일 수 있다.
도 6을 참조하면, 문서 분류 장치(110)는 제2 인공 신경망(NN2)에 각 문장의 특징값(S_Feature_1, S_Feature_2, S_Feature_3)을 입력하고, 이에 대한 응답으로 문서 특징값(D_Feature) 및 제2 가중치(W2)를 획득할 수 있다. 이때 문서 특징값(D_Feature)은 문서의 특징을 반영한 값을 포함할 수 있고, 제2 가중치(W2)는 문서 특징값(D_Feature)의 결정에 각 문장이 기여한 정도를 포함할 수 있다.
본 발명의 일 실시예에 따른 문서 분류 장치(110)는 제2 인공 신경망(NN2)에 의해 생성된 문서 특징값(D_Feature)에 기초하여 입력 문서의 분류에 관한 분류 정보(Class)를 생성할 수 있다.(S85)
가령 도 4에 도시된 바와 같이 입력 문서(510)가 영화 후기에 관한 것인 경우 문서 분류 장치(110)는 입력 문서(510)가 해당 영화에 대한 긍적적인 후기인지 또는 부정적인 후기인지에 관한 정보를 포함하는 분류 정보(Class)를 생성할 수 있다. 예를 들어 문서 분류 장치(110)는 도 4의 입력 문서(510)를 긍정적 후기로 분류하는 분류 정보를 생성할 수 있다.
물론 문서 분류 장치(110)는 문서 작성자의 성별, 문서 작성자의 연령대와 같은 다양한 기준에 따라 입력 문서(510)를 분류하여 분류 정보를 생성할 수도 있다. 다만 이와 같은 분류기준은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 문서 분류 장치(110)는 전술한 과정에 의해 산출된 제1 가중치(W1_1 등)와 제2 가중치(W2) 중 적어도 하나를 참조하여, 분류 정보의 생성 이유(또는 분류 정보의 생성 근거)를 포함하는 설명 정보를 생성할 수 있다.(S86)
다시 도 7을 참조하여, 본 발명의 일 실시예에 따른 문서 분류 장치(110)가 설명 정보를 생성하는 과정을 설명한다. 설명의 편의를 위해서, 문서 분류 장치(110)가 도 4에 도시된 입력 문서(510)에 대해서 제1 가중치(W1) 및 제2 가중치(W2)를 산출한 결과가 도 7에 도시된 바와 같으며, 문서 분류 장치(110)가 입력 문서(510)를 '긍정적 후기'(또는 제1 항목)로 분류하였음을 전제로 설명한다.
상술한 가정 하에 본 발명의 일 실시예에 따른 문서 분류 장치(110)는 입력 문서(510)를 제1 항목(긍정적 후기)으로 분류하는데 기여도가 높은 하나 이상의 단어를 결정할 수 있다. 이를 위해 문서 분류 장치(110)는 제1 가중치(W1)를 참조하여, 각 단어의 가중치를 결정할 수 있다. 또한 문서 분류 장치(110)는 제2 가중치(W2)를 참조하여, 각 단어가 포함된 문장의 가중치를 결정할 수 있다. 문서 분류 장치(110)는 각 단어의 가중치 및 각 단어가 포함된 문장의 가중치에 기초하여 각 단어의 기여도(Wtot)를 산출할 수 있다. 문서 분류 장치(110)는 산출된 기여도를 참조하여 입력 문서(510)를 제1 항목으로 분류하는데 기여도가 높은 하나 이상의 단어를 결정할 수 있다.
가령 문서 분류 장치(110)는 'delightful'이라는 단어에 대해서, 제1 가중치(W1)를 참조하여 '단어의 가중치'를 결정하고, 제2 가중치(W2)를 참조하여 해당 단어가 포함된 '문장의 가중치'를 결정할 수 있다. 또한 문서 분류 장치(110)는 산출된 '단어의 가중치' 및 '문장의 가중치'에 기초하여 'delightful'이라는 단어가 '긍정적 후기'라는 분류 정보를 생성하는데 기여한 기여도(0.318014)를 산출할 수 있다.
본 발명의 일 실시예에서, 문서 분류 장치(110)는 기여도가 높은 상위 n개(n은 자연수)의 단어가 포함되도록 설명 정보를 생성할 수 있다.
한편 문서 분류 장치(110)는 입력 문서(510)를 제1 항목(긍정적 후기)으로 분류하는데 기여도가 높은 하나 이상의 문장을 결정할 수도 있다. 이를 위해 문서 분류 장치(110)는 각 문장에 포함된 하나 이상의 단어들의 제1 가중치(W1)를 참조하여 각 문장의 제3 가중치를 결정할 수 있다. 즉 문서 분류 장치(110)는 포함된 단어들의 가중치에 기반하여 각 문장 전체의 가중치인 제3 가중치를 결정할 수 있다.
또한 문서 분류 장치(110)는 제2 가중치(W2)를 참조하여, 각 문장의 제4 가중치를 결정할 수 있다. 문서 분류 장치(110)는 상술한 과정에 의해 산출된 제3 가중치 및 상기 제4 가중치에 기초하여 각 문장의 기여도를 산출할 수 있다. 문서 분류 장치(110)는 산출된 기여도를 참조하여 입력 문서(510)를 제1 항목으로 분류하는데 기여도가 높은 하나 이상의 문장을 결정할 수 있다.
가령 문서 분류 장치(110)는 'This is a delightful film.'이라는 문장에 대해서, 문장에 포함된 단어들의 제1 가중치(W1)를 참조하여 '구성 단어에 기반한 가중치'인 제3 가중치를 결정할 수 있다. 또한 문서 분류 장치(110)는 '문장 자체의 가중치'인 제2 가중치(W2)를 참조하여, 해당 문장의 제4 가중치를 결정할 수 있다.
문서 분류 장치(110)는 산출된 제3 가중치 및 제4 가중치에 기초하여, 'This is a delightful film.'이라는 문장이 '긍정적 후기'라는 분류 정보를 생성하는데 기여한 기여도를 산출할 수 있다.
본 발명의 일 실시예에서, 문서 분류 장치(110)는 기여도가 높은 상위 m개(m은 자연수)의 문장이 포함되도록 설명 정보를 생성할 수 있다.
본 발명의 일 실시예에 따른 문서 분류 장치(110)는 생성된 분류 정보와 함께 생성된 설명정보를 제공할 수 있다.(S87)
이로써 본 발명은 입력 분서에 대한 분류 정보뿐만 아니라, 분류의 근거를 명확하게 제시할 수 있다.
도 9은 본 발명의 일 실시예에 따라 분류 정보 및 설명 정보가 사용자 단말(200)에 표시된 화면(610)의 예시이다.
전술한 바와 같이 본 발명의 일 실시예에 따른 문서 분류 장치(110)는 문서의 분류 결과(621, 622)와 함께 설명 정보(가령 기여도가 높은 단어(612) 및 기여도가 높은 문장(611))를 제공할 수 있다.
본 발명의 일 실시예에 따른 문서 분류 장치(110)는 입력 문서를 제1 항목으로 분류하는데 기여도가 높은 단어(612)를 제1 표시 방식으로 표시되도록 제공할 수 있다.
또한 본 발명의 일 실시예에 따른 문서 분류 장치(110)는 입력 문서를 제1 항목으로 분류하는데 기여도가 높은 문장(611)을 제2 표시 방식으로 표시되도록 제공할 수 있다.
이때 제1 표시 방식 및 제2 표시 방식은 서로 구분되는 표시 방식으로, 입력 문서의 나머지 내용과 구분되도록 표시하는방식일 수 있다.
한편 본 발명의 일 실시예에 따른 문서 분류 장치(110)는 문서의 분류 결과(621)와 함께, 해당 결과의 신뢰도(622)를 함께 제공할 수 있다. 이때 신뢰도(622)는 전술한 제1 가중치(W1) 및 제2 가중치(W2)에 기초하여 산출되는 값일 수 있다.
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 서버
110: 문서 분류 장치
111: 통신부
112: 제어부
113: 메모리
200: 사용자 단말
400: 통신망

Claims (8)

  1. 설명이 부가된 문서 분류 방법에 있어서,
    입력 문서를 적어도 하나의 문장으로 분리하는 단계;
    상기 적어도 하나의 문장 각각을 적어도 하나의 단어로 분리하는 단계;
    학습된 제1 인공 신경망을 이용하여, 상기 적어도 하나의 문장 각각에 대한 상기 적어도 하나의 단어로부터 상기 적어도 하나의 문장 각각에 대응되는 문장 특징값 및 상기 적어도 하나의 문장 각각에 포함된 적어도 하나의 단어 각각의 가중치인 제1 가중치를 생성하는 단계;
    학습된 제2 인공 신경망을 이용하여, 상기 적어도 하나의 문장 각각에 대한 문장 특징값으로부터 상기 입력 문서에 대응되는 문서 특징값 및 상기 적어도 하나의 문장 각각의 가중치인 제2 가중치를 생성하는 단계;
    상기 문서 특징값에 기초하여 상기 입력 문서의 분류에 관한 분류 정보를 생성하는 단계; 및
    상기 제1 가중치 및 상기 제2 가중치 중 적어도 하나를 참조하여, 상기 분류의 이유를 포함하는 설명 정보를 생성하는 단계;를 포함하고,
    상기 제1 인공 신경망은 문장 특징값이 표지된 적어도 하나의 제1 학습 데이터에 기반하여, 상기 제1 학습 데이터에 포함되는 학습 문장에 포함된 적어도 하나의 단어와 상기 문장 특징값 간의 상관관계 및 상기 학습 문장에 포함되는 적어도 하나의 단어와 상기 적어도 하나의 단어 각각의 가중치 간의 상관관계를 학습한 신경망인, 설명이 부가된 문서 분류 방법.
  2. 청구항 1에 있어서
    상기 제2 인공 신경망은 문서 특징값이 표지된 적어도 하나의 제2 학습 데이터에 기반하여, 상기 제2 학습 데이터에 포함되는 학습 문서에 포함된 적어도 하나의 문장과 상기 문서 특징값 간의 상관관계 및 상기 학습 문서에 포함되는 적어도 하나의 문장과 상기 적어도 하나의 문장 각각의 가중치 간의 상관관계를 학습한 신경망인, 설명이 부가된 문서 분류 방법.
  3. 컴퓨터를 이용하여
    청구항 1 내지 청구항 2 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
KR1020190064066A 2018-05-31 2019-05-30 단어, 문장 특징값 및 단어 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법 KR102264232B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200144584A KR102264234B1 (ko) 2018-05-31 2020-11-02 문서 분류에 있어서 기여도가 높은 단어 및 문장을 제공하는 설명이 부가된 문서 분류 방법
KR1020200144583A KR102264233B1 (ko) 2018-05-31 2020-11-02 문장, 문서 특징값 및 문장 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180062903 2018-05-31
KR20180062903 2018-05-31

Related Child Applications (3)

Application Number Title Priority Date Filing Date
KR1020200144583A Division KR102264233B1 (ko) 2018-05-31 2020-11-02 문장, 문서 특징값 및 문장 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법
KR1020200144584A Division KR102264234B1 (ko) 2018-05-31 2020-11-02 문서 분류에 있어서 기여도가 높은 단어 및 문장을 제공하는 설명이 부가된 문서 분류 방법
KR1020200144585A Division KR20200127948A (ko) 2018-05-31 2020-11-02 설명이 부가된 문서 분류 정보를 제공하는 방법

Publications (2)

Publication Number Publication Date
KR20190137008A KR20190137008A (ko) 2019-12-10
KR102264232B1 true KR102264232B1 (ko) 2021-06-14

Family

ID=69003231

Family Applications (4)

Application Number Title Priority Date Filing Date
KR1020190064066A KR102264232B1 (ko) 2018-05-31 2019-05-30 단어, 문장 특징값 및 단어 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법
KR1020200144585A KR20200127948A (ko) 2018-05-31 2020-11-02 설명이 부가된 문서 분류 정보를 제공하는 방법
KR1020200144584A KR102264234B1 (ko) 2018-05-31 2020-11-02 문서 분류에 있어서 기여도가 높은 단어 및 문장을 제공하는 설명이 부가된 문서 분류 방법
KR1020200144583A KR102264233B1 (ko) 2018-05-31 2020-11-02 문장, 문서 특징값 및 문장 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법

Family Applications After (3)

Application Number Title Priority Date Filing Date
KR1020200144585A KR20200127948A (ko) 2018-05-31 2020-11-02 설명이 부가된 문서 분류 정보를 제공하는 방법
KR1020200144584A KR102264234B1 (ko) 2018-05-31 2020-11-02 문서 분류에 있어서 기여도가 높은 단어 및 문장을 제공하는 설명이 부가된 문서 분류 방법
KR1020200144583A KR102264233B1 (ko) 2018-05-31 2020-11-02 문장, 문서 특징값 및 문장 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법

Country Status (1)

Country Link
KR (4) KR102264232B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102456409B1 (ko) * 2019-12-23 2022-10-19 주식회사 제로원에이아이 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법
KR102418260B1 (ko) * 2020-05-27 2022-07-06 삼성생명보험주식회사 고객 상담 기록 분석 방법
KR102456646B1 (ko) * 2020-09-28 2022-10-21 주식회사 마인즈랩 문자열의 의도 분류 방법 및 컴퓨터 프로그램
KR102217213B1 (ko) * 2020-10-27 2021-02-18 장경애 딥러닝 기반 컨텐츠 관리를 위한 서비스 제공 장치 및 방법
KR102342580B1 (ko) * 2021-07-16 2021-12-24 주식회사 애자일소다 딥러닝 알고리즘을 이용한 정형 데이터 처리 장치 및 방법
KR102607387B1 (ko) * 2021-09-15 2023-11-30 중소기업은행 메시지 검증 방법, 장치 및 컴퓨터 프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256441A (ja) * 2002-03-01 2003-09-12 Hewlett Packard Co <Hp> 文書分類方法及び装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101864401B1 (ko) * 2017-11-29 2018-06-04 주식회사 피씨엔 전통문화 융복합 지원을 위한 디지털 연표 표출 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256441A (ja) * 2002-03-01 2003-09-12 Hewlett Packard Co <Hp> 文書分類方法及び装置

Also Published As

Publication number Publication date
KR20200127948A (ko) 2020-11-11
KR102264234B1 (ko) 2021-06-14
KR20190137008A (ko) 2019-12-10
KR20200127947A (ko) 2020-11-11
KR20200127946A (ko) 2020-11-11
KR102264233B1 (ko) 2021-06-14

Similar Documents

Publication Publication Date Title
KR102264233B1 (ko) 문장, 문서 특징값 및 문장 가중치 간의 상관관계를 학습한 인공 신경망에 의해 생성된 설명이 부가된 문서 분류 방법
US10410111B2 (en) Automated evaluation of neural networks using trained classifier
US11144831B2 (en) Regularized neural network architecture search
EP3754549B1 (en) A computer vision method for recognizing an object category in a digital image
US10936950B1 (en) Processing sequential interaction data
AU2016256753A1 (en) Image captioning using weak supervision and semantic natural language vector space
JP2022529863A (ja) アイデンティティ検証方法、アイデンティティ検証装置、コンピュータ機器、及びコンピュータプログラム
CN110555469A (zh) 处理交互序列数据的方法及装置
CN112085041B (zh) 神经网络的训练方法、训练装置和电子设备
CN115129848B (zh) 一种视觉问答任务的处理方法、装置、设备和介质
KR102570278B1 (ko) 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법
CN115658955B (zh) 跨媒体检索及模型训练方法、装置、设备、菜谱检索系统
CN115455171B (zh) 文本视频的互检索以及模型训练方法、装置、设备及介质
WO2023179429A1 (zh) 一种视频数据的处理方法、装置、电子设备及存储介质
CN114443899A (zh) 视频分类方法、装置、设备及介质
CN111831826A (zh) 跨领域的文本分类模型的训练方法、分类方法以及装置
CN114511023B (zh) 分类模型训练方法以及分类方法
CN112000803B (zh) 文本分类方法及装置、电子设备及计算机可读存储介质
JP6725194B2 (ja) 学習済みモデルを生成する方法、データを分類する方法、コンピュータおよびプログラム
US20210174910A1 (en) Method and apparatus for generating new chemical structure using neural network
KR102408188B1 (ko) 의도 분류기 생성 인터페이스 제공 방법 및 컴퓨터 프로그램
KR102456646B1 (ko) 문자열의 의도 분류 방법 및 컴퓨터 프로그램
US9928442B2 (en) Joint photo stream and blog post summarization and exploration
US20240046068A1 (en) Information processing device for improving quality of generator of generative adversarial network (gan)
CN117557811A (zh) 图像处理方法、装置、设备以及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
A107 Divisional application of patent
E701 Decision to grant or registration of patent right
GRNT Written decision to grant