KR102285142B1 - 챗봇을 위한 학습 데이터 추천 장치 및 방법 - Google Patents

Abstract

본 발명은 챗봇을 위한 학습 데이터 추천 장치 및 방법에 관한 것으로, 학습 데이터 추천 장치는 복수의 챗봇(chatbot)들로부터 주기적으로 수집되어 갱신되는 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정하는 데이터 전처리부, 사용자 단말로부터 학습 데이터에 관한 추천 요청을 수신하는 추천 요청 수신부, 상기 추천 요청에 관한 학습 유형을 결정하고 상기 유사도 순위를 기초로 상기 학습 유형에 대한 추천 데이터를 생성하는 추천 데이터 생성부 및 상기 추천 데이터를 상기 추천 요청에 대한 응답으로서 상기 사용자 단말에게 제공하는 데이터 추천부를 포함한다.

Description

챗봇을 위한 학습 데이터 추천 장치 및 방법{APPARATUS AND METHOD FOR RECOMMENDING LEARNING DATA FOR CHATBOTS}

본 발명은 챗봇을 위한 학습 데이터 추천 기술에 관한 것으로, 보다 상세하게는 챗봇이 사용하는 데이터에서 사용자의 입력에 가장 적합한 학습 데이터를 추천할 수 있는 챗봇을 위한 학습 데이터 추천 장치 및 방법에 관한 것이다.

챗봇(chatbot)은 사용자의 의도를 파악하여 답변/접수를 대화로 진행할 수 있는 Bot서비스에 해당할 수 있다. 챗봇은 ARS처럼 명확하게 의도를 알아내고 처리하는 룰(rule) 기반 챗봇과 자연어처리를 통해 의도를 인식하고 답변하는 지능형 챗봇으로 분류될 수 있다. 챗봇은 채팅의 텍스트나 음성으로 구성된 언어적 입력을 자연어 처리 프로세서(NPL, Natural Language Processor)를 통해 컴퓨터 상에서 처리될 수 있는 형태로 변환하고, 변환된 자연어의 대화 의도에 따라 적절한 답변을 제공하는 방식으로 구현될 수 있다.

또한, 챗봇은 머신 러닝(machine learning)을 적용하여 기존의 많은 요소들을 대체할 수 있다. 특히, 챗봇은 자연어 처리 프로세서에 딥러닝 모델을 적용하여 사용자가 입력한 텍스트 또는 음성의 의도를 보다 정확히 파악할 수 있다. 다만, 이러한 딥러닝 모델이 일정 수준 이상의 정확도를 제공하기 위해서는 사전에 많은 데이터를 학습할 필요가 있으며, 챗봇의 운용 초기와 같이 학습 데이터를 확보하기 어려운 상황에서 학습 데이터를 효과적으로 제공할 수 있는 기술이 필요하다.

한국등록특허 제10-1840420(2018.03.14)호는 챗봇 플랫폼 제공 방법 및 장치에 관한 것으로, 복수의 챗봇을 하나의 플랫폼을 통해 이용함으로써 개별적인 응답을 얻기 위해 복수의 챗봇을 별도로 호출하는 것이 아니라, 하나의 챗봇 플랫폼 상에서 복수의 챗봇을 호출하여 서비스를 받을 수 있는 기술을 개시하고 있다.

한국공개특허 제10-2018-0003417(2018.01.09)호는 챗봇을 이용한 콘텐트 제공 방법 및 장치에 관한 것으로, 챗봇을 이용하여 콘텐트를 제공함으로써 사용자가 콘텐트를 이용하기 위해 별도의 앱을 설치하거나 웹사이트에 접속할 필요가 없는 기술을 개시하고 있다.

한국등록특허 제10-1840420(2018.03.14)호 한국공개특허 제10-2018-0003417(2018.01.09)호

본 발명의 일 실시예는 챗봇이 사용하는 데이터에서 사용자의 입력에 가장 적합한 학습 데이터를 추천할 수 있는 챗봇을 위한 학습 데이터 추천 장치 및 방법을 제공하고자 한다.

본 발명의 일 실시예는 다른 챗봇이 사용하는 사전과 의도별 예문을 분석하여 유사도를 기초로 순위화된 단어 또는 문장을 학습 데이터로서 추천할 수 있는 챗봇을 위한 학습 데이터 추천 장치 및 방법을 제공하고자 한다.

본 발명의 일 실시예는 자연어 이해를 통한 의도추론을 통해 단어 뿐만 아니라 문장에 관한 사용자 입력에 대해서도 학습 유형에 적합한 학습 데이터를 추천할 수 있는 챗봇을 위한 학습 데이터 추천 장치 및 방법을 제공하고자 한다.

실시예들 중에서, 챗봇을 위한 학습 데이터 추천 장치는 복수의 챗봇(chatbot)들로부터 주기적으로 수집되어 갱신되는 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정하는 데이터 전처리부, 사용자 단말로부터 학습 데이터에 관한 추천 요청을 수신하는 추천 요청 수신부, 상기 추천 요청에 관한 학습 유형을 결정하고 상기 유사도 순위를 기초로 상기 학습 유형에 대한 추천 데이터를 생성하는 추천 데이터 생성부 및 상기 추천 데이터를 상기 추천 요청에 대한 응답으로서 상기 사용자 단말에게 제공하는 데이터 추천부를 포함한다.

상기 데이터 전처리부는 상기 학습 모집단을 챗봇 사전(dictionary) 집합과 의도(intent)별 예문 집합으로 분류하고 단어-단어 및 단어-문장 형식의 학습 데이터를 각각 학습한 결과로서 학습 모델을 생성할 수 있다.

상기 데이터 전처리부는 상기 학습 모델을 기초로 상기 챗봇 사전 집합과 상기 의도별 예문 집합에서 도출되는 모든 단어-단어 및 단어-문장 조합들에 대한 유사도를 산출할 수 있다.

상기 추천 데이터 생성부는 입력된 의도(intent)와 예문을 기초로 학습예문을 학습하는 의도별 예문 학습 및 입력된 대표어를 기초로 유의어를 학습하는 유의어 학습 중 어느 하나를 상기 학습 유형으로서 결정할 수 있다.

상기 추천 데이터 생성부는 입력된 예문에 대해 자연어 이해(NLU)를 통한 의도추론을 수행하고 추론된 의도에 관한 단어-문장 간의 유사도 순위에 따라 정렬된 예문 리스트를 상기 의도별 예문 학습에 대한 추천 데이터로서 생성할 수 있다.

상기 추천 데이터 생성부는 상기 학습 모집단 내에 상기 추론된 의도와 동일한 의도가 존재하지 않는 경우 상기 추론된 의도와 유사한 적어도 하나의 의도를 결정하고, 상기 적어도 하나의 의도와 연관된 의도별 예문을 기초로 상기 의도별 예문 학습에 대한 추천 데이터를 생성할 수 있다.

상기 데이터 추천부는 상기 사용자 단말로부터 상기 추천 데이터에 대한 사용자 응답을 수신하여 상기 학습 모델을 갱신할 수 있다.

실시예들 중에서, 챗봇을 위한 학습 데이터 추천 방법은 복수의 챗봇들에 의해 관리되는 챗봇 데이터를 주기적으로 수집하여 학습 모집단을 갱신하는 단계, 상기 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정하는 단계, 사용자 단말로부터 학습 데이터에 관한 추천 요청을 수신하는 단계, 상기 추천 요청에 관한 학습 유형을 결정하는 단계, 상기 유사도 순위를 기초로 상기 학습 유형에 대한 추천 데이터를 생성하는 단계 및 상기 추천 데이터를 상기 추천 요청에 대한 응답으로서 상기 사용자 단말에게 제공하는 단계를 포함한다.

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

본 발명의 일 실시예에 따른 챗봇을 위한 학습 데이터 추천 장치 및 방법은 다른 챗봇이 사용하는 사전과 의도별 예문을 분석하여 유사도를 기초로 순위화된 단어 또는 문장을 학습 데이터로서 추천할 수 있다.

본 발명의 일 실시예에 따른 챗봇을 위한 학습 데이터 추천 장치 및 방법은 자연어 이해를 통한 의도추론을 통해 단어 뿐만 아니라 문장에 관한 사용자 입력에 대해서도 학습 유형에 적합한 학습 데이터를 추천할 수 있다.

도 1은 본 발명의 일 실시예에 따른 챗봇을 위한 학습 데이터 추천 시스템을 설명하는 도면이다.
도 2는 도 1에 있는 학습 데이터 추천 장치의 물리적 구성을 설명하는 블록도이다.
도 3은 도 1에 있는 학습 데이터 추천 장치의 기능적 구성을 설명하는 블록도이다.
도 4는 도 1에 있는 학습 데이터 추천 장치에서 수행되는 학습 데이터 추천 과정을 설명하는 순서도이다.
도 5는 본 발명의 일 실시예에 따른 학습 데이터 추천 장치의 전체적인 동작을 설명하는 도면이다.

본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.

본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

도 1은 본 발명의 일 실시예에 따른 챗봇을 위한 학습 데이터 추천 시스템을 설명하는 도면이다.

도 1을 참조하면, 챗봇을 위한 학습 데이터 추천 시스템(100)은 사용자 단말(110), 학습 데이터 추천 장치(130) 및 데이터베이스(150)를 포함할 수 있다.

사용자 단말(110)은 데이터 추천을 요청하고 추천된 학습 데이터를 확인할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 학습 데이터 추천 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 학습 데이터 추천 장치(130)와 동시에 연결될 수 있다.

학습 데이터 추천 장치(130)는 복수의 챗봇들에 의해 수집되어 관리되는 학습 데이터를 활용하여 사용자의 요청에 대한 응답으로서 학습 데이터를 생성하여 제공할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 학습 데이터 추천 장치(130)는 사용자 단말(110)과 블루투스, WiFi 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 주고 받을 수 있다.

일 실시예에서, 학습 데이터 추천 장치(130)는 데이터베이스(150)와 연동하여 학습 데이터 추천에 필요한 정보를 저장할 수 있다. 한편, 학습 데이터 추천 장치(130)는 도 1과 달리, 데이터베이스(150)를 내부에 포함하여 구현될 수 있다. 또한, 학습 데이터 추천 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.

데이터베이스(150)는 챗봇의 학습 데이터를 기초로 추천 데이터를 생성하고 제공하는 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(150)는 복수의 챗봇들이 수집하는 사전(dictionary), 의도별 예문에 관한 정보를 저장할 수 있고, 반드시 이에 한정되지 않고, 학습 데이터 추천 장치(130)가 유사도를 이용하여 학습 데이터를 생성하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.

일 실시예에서, 각 챗봇은 독립적인 장치에 의해 운용될 수 있고, 해당 챗봇에 의해 수집된 데이터는 해당 장치에 포함된 내부 저장장치에 저장될 수 있다. 이 경우, 데이터베이스(150)는 복수의 챗봇들 각각과 연관되고 독립적으로 관리되는 저장장치들이 서로 연결되어 동작하는 논리적인 데이터베이스로서 구현될 수 있다.

도 2는 도 1에 있는 학습 데이터 추천 장치의 물리적 구성을 설명하는 블록도이다.

도 2를 참조하면, 학습 데이터 추천 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.

프로세서(210)는 사용자의 요청에 따라 학습 데이터를 생성하여 제공하는 과정에서의 동작들을 처리하는 각 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 학습 데이터 추천 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 학습 데이터 추천 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.

메모리(230)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 학습 데이터 추천 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.

사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 학습 데이터 추천 장치(130)는 서버로서 수행될 수 있다.

네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.

도 3은 도 1에 있는 학습 데이터 추천 장치의 기능적 구성을 설명하는 블록도이다.

도 3을 참조하면, 학습 데이터 추천 장치(130)는 데이터 전처리부(310), 추천 요청 수신부(330), 추천 데이터 생성부(350), 데이터 추천부(370) 및 제어부(390)를 포함할 수 있다.

데이터 전처리부(310)는 복수의 챗봇들로부터 주기적으로 수집되어 갱신되는 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정할 수 있다. 여기에서, 학습 모집단은 추천 데이터를 생성하기 위하여 사용하는 데이터 집합에 해당할 수 있고, 복수의 챗봇들 각각이 관리하는 사전(dictionary)과 의도별 예문 및 대화 기록을 포함할 수 있다.

사전(dictionary)은 단어별 유의어 또는 동의어에 관한 정보로 구성될 수 있고, 경우에 따라 유의어의 대표 단어인 대표어에 관한 정보를 추가로 포함할 수 있다. 유의어는 특정 단어로 인식되는 비슷한 단어의 집합에 해당할 수 있고, 동의어는 동일한 단어의 집합에 해당할 수 있다.

데이터 전처리부(310)는 일정한 시간 간격, 예를 들어 1주, 30일마다 복수의 챗봇들로부터 수집된 데이터를 기초로 학습 모집단을 갱신할 수 있다. 이 때, 학습 모집단의 갱신은 챗봇에 의해 수집된 대화 기록에 대한 분석을 포함할 수 있으며, 대화 기록의 분석은 대화 기록에 포함된 대화 문장에 대한 자연어 처리(Natural Language Processing)를 포함할 수 있다.

자연어 처리는 형태소 분석과 패턴 매칭(pattern matching)을 포함할 수 있으며, 대화 기록의 각 문장에 대한 의도추론과 키워드 추출을 수행할 수 있다. 데이터 전처리부(310)는 대화기록 분석을 통해 유의어 집합, 의도별 예문 집합 등을 생성하여 학습 모집단에 추가함으로써 갱신 동작을 수행할 수 있다.

또한, 데이터 전처리부(310)는 분류 기준에 따른 유사도를 기초로 데이터들을 순위화할 수 있다. 여기에서, 분류 기준은 학습 데이터 추천에 활용되는 파라미터에 해당할 수 있고, 사용자가 학습을 위하여 입력하는 단어 또는 문장에 매칭되어 학습 데이터 추천을 위한 연결고리 역할을 수행할 수 있다. 즉, 데이터 전처리부(310)는 분류기준과 학습 모집단에 속한 데이터 간의 유사도를 산출하여 유사도에 따른 순위를 결정할 수 있다.

일 실시예에서, 데이터 전처리부(310)는 유사도에 따른 순위를 결정하여 유사도 테이블을 구축할 수 있다. 즉, 데이터 전처리부(310)는 데이터 전처리를 수행한 결과로서 단어-단어 간의 유사도 테이블 또는 단어-문장 간의 유사도 테이블을 생성할 수 있다. 예를 들어, 유사도 테이블은 학습 모집단에 속한 단어들 간의 유사도 매트릭스(matrix) 또는 단어와 문장 간의 유사도 매트릭스에 해당할 수 있다.

일 실시예에서, 데이터 전처리부(310)는 학습 모집단을 챗봇 사전(dictionary) 집합과 의도(intent)별 예문 집합으로 분류하고 단어-단어 및 단어-문장 형식의 학습 데이터를 각각 학습한 결과로서 학습 모델을 생성할 수 있다. 챗봇 사전(dictionary) 집합은 챗봇들에서 수집된 사전들을 통합한 것으로서 동의어 또는 유의어 집합으로 구성될 수 있다. 경우에 따라서, 유의어 집합은 동일한 의미를 가진 유의어들과 함께 해당 유의어들을 대표하는 대표어에 관한 정보를 추가적으로 포함할 수 있다. 의도(intent)별 예문 집합은 특정 의도와 해당 특정 의도에 관한 예문 집합으로 구성될 수 있다. 즉, 예문 집합에 포함된 예문들은 해당 특정 의도를 위한 것으로 분류될 수 있다.

데이터 전처리부(310)는 챗봇 사전 집합에 대해 동의어, 유의어 및 대표어에 대한 분석을 통해 단어-단어 형식의 학습 데이터를 학습할 수 있고, 의도별 예문 집합에 대해 의도와 예문, 즉 단어-문장 형식의 학습 데이터를 학습할 수 있다. 데이터 전처리부(310)는 각각의 학습에 의해 생성되는 학습 모델을 독립적으로 유지 및 관리할 수 있고, 학습 결과로서 생성된 학습 모델은 특정 단어-단어 또는 단어-문장 쌍으로 구성된 입력에 대해 해당 단어-단어 또는 단어-문장 간의 유사도를 출력으로서 제공할 수 있다.

일 실시예에서, 데이터 전처리부(310)는 학습 모델을 기초로 챗봇 사전 집합과 의도별 예문 집합에서 도출되는 모든 단어-단어 및 단어-문장 조합들에 대한 유사도를 산출할 수 있다. 데이터 전처리부(310)는 학습 데이터 추천을 위하여 전처리 단계에서 학습 모델을 활용하여 유사도에 관한 순위화 정보를 생성할 수 있다. 즉, 데이터 전처리부(310)는 챗봇 사전 집합에 있는 각 단어 별로 단어들과의 유사도를 측정하여 순위화할 수 있고, 의도별 예문 집합에 있는 각 의도 별로 예문들과의 유사도를 측정하여 순위화할 수 있다.

추천 요청 수신부(330)는 사용자 단말(110)로부터 학습 데이터에 관한 추천 요청을 수신할 수 있다. 사용자는 사용자 단말(110)을 통해 자신이 사용하고자 하는 챗봇에 대한 학습을 위해 학습 데이터를 요청할 수 있다. 예를 들어, 유의어 학습의 경우 사용자는 학습 대상이 되는 특정 단어를 입력할 수 있고 사용자 단말(110)은 해당 단어의 유의어로서 학습 가능한 추천 데이터를 학습 데이터 추천 장치(130)에 요청할 수 있다. 의도별 예문 학습의 경우 사용자는 학습 대상이 되는 의도를 입력할 수 있고 사용자 단말(110)은 해당 의도의 예문으로서 학습 가능한 추천 데이터를 학습 데이터 추천 장치(130)에 요청할 수 있다.

추천 데이터 생성부(350)는 추천 요청에 관한 학습 유형을 결정하고 유사도 순위를 기초로 해당 학습 유형에 대한 추천 데이터를 생성할 수 있다. 추천 데이터 생성부(350)는 추천 요청과 함께 제공되는 정보, 즉 사용자가 입력한 단어 또는 문장을 기초로 학습 유형을 결정할 수 있다.

일 실시예에서, 추천 데이터 생성부(350)는 입력된 의도(intent)와 예문을 기초로 학습예문을 학습하는 의도별 예문 학습 및 입력된 대표어를 기초로 유의어를 학습하는 유의어 학습 중 어느 하나를 학습 유형으로서 결정할 수 있다. 즉, 사용자가 입력한 단어가 의도(intent)에 해당하거나 또는 사용자가 문장을 입력한 경우 특정 의도(intent)에 관한 예문을 학습하기 위한 의도별 예문 학습에 해당할 수 있다. 만약 사용자가 입력한 단어가 의도(intent)에 해당하지 않는 경우 해당 단어의 유의어를 학습하기 위한 유의어 학습에 해당할 수 있다. 추천 데이터 생성부(350)는 사용자의 입력을 기초로 학습 유형을 분류한 후 해당 학습 유형에 맞는 학습 데이터를 응답으로서 제공할 수 있다.

일 실시예에서, 추천 데이터 생성부(350)는 입력된 예문에 대해 자연어 이해(NLU)를 통한 의도추론을 수행하고 추론된 의도에 관한 단어-문장 간의 유사도 순위에 따라 정렬된 예문 리스트를 의도별 예문 학습에 대한 추천 데이터로서 생성할 수 있다.

추천 데이터 생성부(350)는 사용자의 입력이 단어가 아닌 문장인 경우 의도별 예문 학습에 해당할 수 있고, 학습 데이터 생성을 위하여 해당 문장에 대한 의도를 결정해야 한다. 따라서, 추천 데이터 생성부(350)는 자연어 처리(NLP)에 딥러닝이 결합된 자연어 이해(NLU)를 통해 입력된 문장에 대한 의도를 추론할 수 있다.

또한, 추천 데이터 생성부(350)는 자연어 이해(NLU)를 위하여 독립적인 학습 모델을 구축할 수 있다. 다른 실시예에서, 추천 데이터 생성부(350)는 자연어 이해(NLU)를 위하여 다른 챗봇에 의해 학습된 학습 모델을 활용할 수 있다. 이를 위하여, 추천 데이터 생성부(350)는 복수의 챗봇들 중에서 자연어 이해(NLU)를 위한 챗봇을 결정하는 별도의 모듈을 포함할 수 있다.

추천 데이터 생성부(350)는 입력된 예문에 대해 추론된 의도를 기초로 데이터 전처리부(310)에 의해 처리된 결과인 단어-문장 간의 유사도 순위에 따라 상위 특정 순위까지의 예문만을 선별하여 추천 데이터로서 생성할 수 있다. 다른 예에서, 추천 데이터 생성부(350)는 추론된 의도와 유사한 후보 의도들을 선정할 수 있고, 추론된 의도에 관한 예문 집합과 후보 의도들에 관한 예문 집합을 대상으로 추천 데이터를 생성할 수 있으며, 경우에 따라서 해당 예문 집합을 대상으로 유사도를 재산출할 수 있다.

일 실시예에서, 추천 데이터 생성부(350)는 학습 모집단 내에 추론된 의도와 동일한 의도가 존재하지 않는 경우 추론된 의도와 유사한 적어도 하나의 의도를 결정하고, 적어도 하나의 의도와 연관된 의도별 예문을 기초로 의도별 예문 학습에 대한 추천 데이터를 생성할 수 있다.

예를 들어, 추천 데이터 생성부(350)는 추론된 의도와 가장 유사한 의도를 결정하고 해당 의도에 관한 예문 집합(즉, 의도별 예문)을 대상으로 유사도 순위에 따른 추천 데이터를 생성할 수 있다. 또한, 추천 데이터 생성부(350)는 추론된 의도와의 유사도를 기초로 적어도 하나의 의도를 결정할 수 있고, 적어도 하나의 의도에 관한 예문 집합을 통합한 후 유사도 순위에 따른 추천 데이터를 생성할 수 있다.

데이터 추천부(370)는 추천 데이터를 추천 요청에 대한 응답으로서 사용자 단말(110)에게 제공할 수 있다. 데이터 추천부(370)는 추천 데이터 생성부(350)에 의해 생성된 추천 데이터를 사용자 단말(110)에게 그대로 제공할 수 있고, 필요한 경우 추천 데이터의 일부만을 제공할 수 있다.

일 실시예에서, 데이터 추천부(370)는 사용자 단말(110)로부터 추천 데이터에 대한 사용자 응답을 수신하여 학습 모델을 갱신할 수 있다. 이를 위해, 데이터 추천부(370)는 추천 데이터를 제공하면서 사용자 응답을 입력할 수 있는 인터페이스를 함께 제공할 수 있고, 사용자는 해당 인터페이스를 통해 추천된 데이터 각각에 대해 적용 또는 제외를 선택할 수 있다.

제어부(390)는 학습 데이터 추천 장치(130)의 전체적인 동작을 제어하고, 데이터 전처리부(310), 추천 요청 수신부(330), 추천 데이터 생성부(350) 및 데이터 추천부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.

도 4는 도 1에 있는 학습 데이터 추천 장치에서 수행되는 학습 데이터 추천 과정을 설명하는 순서도이다.

도 4를 참조하면, 학습 데이터 추천 장치(130)는 데이터 전처리부(310)를 통해 복수의 챗봇들로부터 주기적으로 수집되어 갱신되는 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정할 수 있다(단계 S410). 학습 데이터 추천 장치(130)는 추천 요청 수신부(330)를 통해 사용자 단말(110)로부터 학습 데이터에 관한 추천 요청을 수신할 수 있다(단계 S430).

학습 데이터 추천 장치(130)는 추천 데이터 생성부(350)를 통해 추천 요청에 관한 학습 유형을 결정하고 유사도 순위를 기초로 해당 학습 유형에 대한 추천 데이터를 생성할 수 있다(단계 S450). 학습 데이터 추천 장치(130)는 데이터 추천부(370)를 통해 추천 데이터를 추천 요청에 대한 응답으로서 사용자 단말(110)에게 제공할 수 있다(단계 S470).

도 5는 본 발명의 일 실시예에 따른 학습 데이터 추천 장치의 전체적인 동작을 설명하는 도면이다.

도 5를 참조하면, 학습 데이터 추천 장치(130)는 사용자 입력을 수신함으로써 학습 데이터에 관한 추천 요청을 확인할 수 있다. 학습 데이터 추천 장치(130)는 사용자 입력에 관한 학습 유형을 결정할 수 있고, 특정 단어의 유의어를 학습하는 유의어 학습 유형과 특정 의도(intent)에 관한 예문들을 학습하는 의도별 예문 학습 유형 중 어느 하나를 결정할 수 있다.

즉, 학습 데이터 추천 장치(130)는 학습 유형에 따라 독립적인 프로세스를 통해 각각의 학습 데이터를 생성하여 추천할 수 있다. 이를 위하여 학습 데이터 추천 장치(130)는 데이터 전처리부(310)를 통해 데이터 전처리 과정을 수행할 수 있다.

데이터 전처리 과정은 복수의 챗봇들에 대한 데이터를 수집하여 단어-단어 및 단어-문장 간의 유사도를 측정하고 순위화하는 과정으로 진행될 수 있다. 일 실시예에서, 데이터 전처리부(310)는 한글에 적합하도록 변경된 Word2Vec 알고리즘을 사용할 수 있다. 또한, 데이터 전처리부(310)는 편집 거리(Levenshtein Distance)를 활용한 가중 퍼지(weighted fuzzy) 알고리즘을 사용하여 유사도 산출 결과를 개선할 수 있다.

도 5에서, 학습 데이터 추천 장치(130)는 사용자 입력이 문장인 경우 해당 문장에 대한 의도를 추론한 후 추론된 의도를 기초로 추천 데이터를 생성할 수 있다. 의도추론은 입력 문장이 어떤 의도인지 분류하는 과정으로 자연어 이해(Natural Language Understanding)를 통해 수행될 수 있으며, 학습 데이터 추천 장치(130)는 자연어 이해를 위해 독립적으로 동작하는 모듈을 포함하여 구현될 수 있다.

여기에서, 자연어 이해(NLU)는 입력된 문장의 의도를 파악하기 위해 어떤 순서로 추론을 진행할 것인지에 따라 형태소 분석 우선 추론과 머신러닝(machin learning) 우선 추론으로 구분될 수 있다.

형태소 분석 우선 추론은 패턴 매칭(이하, A패턴) 추론에서 적합한 의도(intent)를 찾지 못할 경우 형태소 분석 추론(이하, B패턴) 방식으로 의도를 재추론할 수 있다. B패턴 추론 결과 의도를 찾지 못한 경우, 혹은 적합한 의도를 찾았지만 추론율이 설정한 형태소 분석 추론 성공범위의 임계값 미만일 경우 머신러닝 추론(이하, C패턴)을 수행할 수 있다. C패턴 추론 결과 역시 설정한 머신러닝 추론 성공범위 이상일 경우 찾은 의도를 반환하지만 설정값 이하일 경우 최종적으로 디폴트 결과(default fallback)를 반환할 수 있다. 추론 성공범위는 추론된 데이터를 얼마나 신뢰할 것인지를 결정하는 기준으로서 각 패턴 별로 설정될 수 있다.

머신러닝 우선 추론은 형태소 분석 우선 추론과 반대로 A패턴에서 의도(intent)를 찾지 못하면 C패턴 방식으로 먼저 의도를 추론할 수 있다. 순서를 제외한 각 추론의 내용은 형태소 분석 우선 추론과 동일하게 수행될 수 있다.

패턴 매칭(A패턴) 추론은 의도에 등록된 예문을 기준으로 완벽히 동일한 패턴을 가진 문장을 찾는 방법에 해당할 수 있다. A패턴 추론은 완벽하게 동일한 문장이나 파라미터(parameter) 등록시 해당 파라미터를 치환할 수 있는 문장을 찾을 수 있으며, 예문의 표준 문장이 정의된 경우 동일한 표준 문장이 들어왔을 때 이를 인식할 수 있다.

형태소 분석(B패턴) 추론은 입력 문장의 형태소 분석 결과와 가장 유사한 형태소 분석 결과를 보이는 예문을 가진 의도를 추론하는 방법에 해당할 수 있다. B패턴 추론은 명사와 동사, 그리고 키워드를 중심으로 유사도를 평가할 수 있다. 머신러닝(C패턴) 추론은 머신러닝으로 자동 학습된 결과를 기초로 의도를 추론하는 방법에 해당할 수 있다.

도 5에서, 학습 데이터 추천 장치(130)는 의도별 예문 학습 유형에 대한 추천 데이터를 생성하기 위하여 사용자 입력이 단어에 해당하는지를 결정할 수 있다. 만약 사용자 입력이 단어에 해당하고 동일한 의도(intent)가 존재하는 경우 학습 데이터 추천 장치(130)는 단어-문장 간의 유사도 순위를 기초로 학습 데이터를 생성하여 추천할 수 있다.

그러나, 사용자 입력이 단어에 해당함에도 불구하고 동일한 의도(intent)가 존재하지 않는 경우 학습 데이터 추천 장치(130)는 의도별 예문 집합에 포함된 복수의 의도(intent)들 중에서 특정 유사도 이상의 복수의 유사 의도들을 선정할 수 있다. 학습 데이터 추천 장치(130)는 유사 의도에 관한 의도별 예문 집합을 대상으로 단어-문장 간의 유사도 순위를 기초로 학습 데이터를 생성할 수 있다.

일 실시예에서, 학습 데이터 추천 장치(130)는 복수의 챗봇들에 의해 관리되는 챗봇 데이터를 주기적으로 수집하여 학습 모집단을 갱신하는 단계, 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정하는 단계, 사용자 단말(110)로부터 학습 데이터에 관한 추천 요청을 수신하는 단계, 추천 요청에 관한 학습 유형을 결정하는 단계, 유사도 순위를 기초로 학습 유형에 대한 추천 데이터를 생성하는 단계 및 추천 데이터를 추천 요청에 대한 응답으로서 사용자 단말(110)에게 제공하는 단계를 포함하는 학습 데이터 추천 방법을 수행할 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 챗봇을 위한 학습 데이터 추천 시스템
110: 사용자 단말 130: 학습 데이터 추천 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 전처리부 330: 추천 요청 수신부
350: 추천 데이터 생성부 370: 데이터 추천부

Claims (8)

1. 복수의 챗봇(chatbot)들로부터 주기적으로 수집되어 갱신되는 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정하는 데이터 전처리부;
   사용자 단말로부터 학습 데이터에 관한 추천 요청을 수신하는 추천 요청 수신부;
   상기 추천 요청에 관한 학습 유형을 결정하고 상기 유사도 순위를 기초로 상기 학습 유형에 대한 추천 데이터를 생성하는 추천 데이터 생성부; 및
   상기 추천 데이터를 상기 추천 요청에 대한 응답으로서 상기 사용자 단말에게 제공하는 데이터 추천부를 포함하는 챗봇을 위한 학습 데이터 추천 장치.
   
2. 제1항에 있어서, 상기 데이터 전처리부는
   상기 학습 모집단을 챗봇 사전(dictionary) 집합과 의도(intent)별 예문 집합으로 분류하고 단어-단어 및 단어-문장 형식의 학습 데이터를 각각 학습한 결과로서 학습 모델을 생성하는 것을 특징으로 하는 챗봇을 위한 학습 데이터 추천 장치.
   
3. 제2항에 있어서, 상기 데이터 전처리부는
   상기 학습 모델을 기초로 상기 챗봇 사전 집합과 상기 의도별 예문 집합에서 도출되는 모든 단어-단어 및 단어-문장 조합들에 대한 유사도를 산출하는 것을 특징으로 하는 챗봇을 위한 학습 데이터 추천 장치.
   
4. 제1항에 있어서, 상기 추천 데이터 생성부는
   입력된 의도(intent)와 예문을 기초로 학습예문을 학습하는 의도별 예문 학습 및 입력된 대표어를 기초로 유의어를 학습하는 유의어 학습 중 어느 하나를 상기 학습 유형으로서 결정하는 것을 특징으로 하는 챗봇을 위한 학습 데이터 추천 장치.
   
5. 제4항에 있어서, 상기 추천 데이터 생성부는
   입력된 예문에 대해 자연어 이해(NLU, Natural Language Understanding)를 통한 의도추론을 수행하고 추론된 의도에 관한 단어-문장 간의 유사도 순위에 따라 정렬된 예문 리스트를 상기 의도별 예문 학습에 대한 추천 데이터로서 생성하는 것을 특징으로 하는 챗봇을 위한 학습 데이터 추천 장치.
   
6. 제5항에 있어서, 상기 추천 데이터 생성부는
   상기 학습 모집단 내에 상기 추론된 의도와 동일한 의도가 존재하지 않는 경우 상기 추론된 의도와 유사한 적어도 하나의 의도를 결정하고, 상기 적어도 하나의 의도와 연관된 의도별 예문을 기초로 상기 의도별 예문 학습에 대한 추천 데이터를 생성하는 것을 특징으로 하는 챗봇을 위한 학습 데이터 추천 장치.
   
7. 제2항에 있어서, 상기 데이터 추천부는
   상기 사용자 단말로부터 상기 추천 데이터에 대한 사용자 응답을 수신하여 상기 학습 모델을 갱신하는 것을 특징으로 하는 챗봇을 위한 학습 데이터 추천 장치.
   
8. 학습 데이터 추천 장치에서 수행되는 학습 데이터 추천 방법에 있어서,
   복수의 챗봇들에 의해 관리되는 챗봇 데이터를 주기적으로 수집하여 학습 모집단을 갱신하는 단계;
   상기 학습 모집단을 분석하여 적어도 하나의 분류 기준별 유사도 순위를 결정하는 단계;
   사용자 단말로부터 학습 데이터에 관한 추천 요청을 수신하는 단계;
   상기 추천 요청에 관한 학습 유형을 결정하는 단계;
   상기 유사도 순위를 기초로 상기 학습 유형에 대한 추천 데이터를 생성하는 단계; 및
   상기 추천 데이터를 상기 추천 요청에 대한 응답으로서 상기 사용자 단말에게 제공하는 단계를 포함하는 챗봇을 위한 학습 데이터 추천 방법.
   

Images