KR102432600B1

KR102432600B1 - 벡터 양자화를 이용한 중복 문서 탐지 방법 및 시스템

Info

Publication number: KR102432600B1
Application number: KR1020190169132A
Authority: KR
Inventors: 김성민; 한병훈
Original assignee: 네이버 주식회사
Priority date: 2019-12-17
Filing date: 2019-12-17
Publication date: 2022-08-16
Also published as: EP3839764A1; KR20210077464A; US11550996B2; JP2021096858A; US20210182479A1; JP7112475B2

Abstract

벡터 양자화를 이용한 중복 문서 탐지 방법 및 시스템을 개시한다. 일실시예에 따른 중복 문서 탐지 방법은 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 통해 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득하는 단계, 상기 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성하는 단계 및 상기 키를 통해 상기 문서 집합에 포함된 문서들 중 중복 문서를 탐지하는 단계를 포함할 수 있다.

Description

벡터 양자화를 이용한 중복 문서 탐지 방법 및 시스템{METHOD AND SYSTEM FOR DETECTING DUPLICATED DOCUMENT USING VECTOR QUANTIZATION}

아래의 설명은 벡터 양자화를 이용한 중복 문서 탐지 방법 및 시스템에 관한 것이다.

큰 문서 집합 내에서 유사한 문서들을 군집화하고자 할 때, 종래에는 k-평균(k-means) 클러스터링과 같은 군집화 알고리즘을 수행하거나, 군집화 알고리즘과 동일한 역할을 하는 모델에 대한 학습을 수행하거나 또는 문서 내용에 대한 MD5(Message-Digest algorithm 5)와 같은 암호화 알고리즘을 이용한 해시 알고리즘을 수행한다. 예를 들어, 한국공개특허 제10-2010-0008466호는 중복 웹페이지 제거 장치 및 방법에 관한 것으로, 입력된 웹페이지의 내용에 포함된 상대주소를 절대주소로 변환하고, 절대주소로 변환된 절대주소 웹페이지의 해시값을 계산하고, 계산된 해시값이 해시값 리스트에 존재하는지 여부를 판단하고, 해당 해시값이 존재하지 않을 경우, 해시값을 해시값 리스트에 추가하고, 수집된 웹페이지를 웹페이지 저장부에 저장하는 방식으로 중복 웹페이지를 제거할 수 있음을 개시하고 있다.

문서 군집화를 직접적으로 학습할 경우 문서의 수가 증가할수록 학습 시간이 증가한다는 단점을 가지며, k-means 클러스터링 등의 군집화 알고리즘은 학습 이후의 예측을 수행하는 경우에도 군집의 개수에 비례하는 계산 비용을 초래한다는 문제점이 있다. 또한, MD5와 같은 암호화 알고리즘은 많은 경우에 문서의 내용이 완전히 같을 경우에만 두 문서가 같은 키 값(해시값)을 갖도록 할 수 있기 때문에, 일부의 내용만 다르더라도 중복된 문서를 탐지하지 못한다는 문제점이 있다.

벡터 양자화에 기초하여 문서들간의 중복 여부를 빠르게 결정할 수 있는 중복 문서 탐지 방법 및 시스템을 제공한다.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 중복 문서 탐지 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 통해 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 키를 통해 상기 문서 집합에 포함된 문서들 중 중복 문서를 탐지하는 단계를 포함하는 중복 문서 탐지 방법을 제공한다.

일측에 따르면, 상기 벡터 표현은 N(상기 N은 2 이상의 자연수) 차원 실수 벡터의 형태를 갖는 것을 특징으로 할 수 있다.

다른 측면에 따르면, 상기 키를 생성하는 단계는, 상기 벡터 표현의 각 성분의 값이 0 이상인 경우에는 해당 성분의 값을 1로, 각 성분의 값이 음수인 경우에는 해당 성분의 값을 0으로 대체하여 상기 벡터 표현을 벡터 양자화하여 이진 문자열을 상기 키로서 생성하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 중복 문서를 탐지하는 단계는, 동일한 키를 갖는 문서들을 중복 문서들로서 탐지하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 벡터 표현을 생성하는 단계는, 상기 유사도 모델이 출력한 값과 실제 값간의 차이에 대해 부여되는 가중치를 통해 조정된 상기 유사도 모델의 손실함수를 이용하여 상기 벡터 표현을 생성하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 벡터 표현을 생성하는 단계는, 상기 가중치의 값을 조절함으로써 상기 벡터 표현간의 평균 거리를 조절하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 중복 문서 탐지 방법은, 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍 및 상기 의미적 유사도를 이용하여 유사도 모델을 학습시키는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 의미적 유사도를 계산하는 단계는, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시키고, 상기 제1 비선형 함수 및 상기 제2 비선형 함수는 상기 제1 비선형 함수가 동일한 모든 입력 값에 대해 상기 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수인 것을 특징으로 할 수 있다.

컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 통해 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득하고, 상기 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성하고, 상기 키를 통해 상기 문서 집합에 포함된 문서들 중 중복 문서를 탐지하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

벡터 양자화에 기초하여 문서들간의 중복 여부를 빠르게 결정할 수 있다.

모델이 군집화를 직접적으로 수행하도록 학습시키는 것이 아니라, 모델에 대한 문서쌍들에 대한 유사도 학습을 통해 각 문서에 대한 벡터 표현을 얻어내도록 학습한 뒤 벡터 양자화를 통해 각 문서들에 대한 해시값을 얻어냄으로써 계산 비용을 절감할 수 있다.

MD5와 같은 암호화 알고리즘보다 더 넓은 범위에서 유사한 문서들에 대하여 동일한 키 값을 얻을 수 있도록 함으로써 일부의 내용이 서로 상이한 문서들에 대해서도 중복 여부를 결정할 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 있어서, 유사도 모델의 학습 과정의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 문서 중복 탐지 과정의 예를 도시한 도면이다.
도 5는 본 발명의 일실시예에 있어서, 벡터 양자화의 예를 도시한 도면이다.
도 6은 본 발명의 일실시예에 있어서, 손실함수의 조정 예를 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 중복 문서 탐지 방법의 예를 도시한 흐름도이다.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

본 발명의 실시예들에 따른 중복 문서 탐지 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 중복 문서 탐지 방법은 중복 문서 탐지 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 중복 문서 탐지 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 중복 문서 탐지 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 컨텐츠 제공 서비스, 그룹 통화 서비스(또는 음성 컨퍼런스 서비스), 메시징 서비스, 메일 서비스, 소셜 네트워크 서비스, 지도 서비스, 번역 서비스, 금융 서비스, 결제 서비스, 검색 서비스 등)를 제공하는 시스템일 수 있다.

도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.

이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(230)은 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다.

또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

본 발명의 실시예들에서 "문서"는 블로그 리스팅이나 뉴스 기사, 댓글 등과 같이 임의의 작성자에 의해 웹상에 업로드된 게시물을 포함할 수 있다. 또한, "속성"은 문서에 대해 미리 정의되는 특징으로서, 일례로 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나에 기반하여 결정될 수 있다. 여기서, 문서의 게시 섹션은 하나의 서비스에서 문서들이 노출되는 섹션들에 기반할 수 있다. 일례로, 두 문서의 게시 섹션이 동일하다는 것은 하나의 서비스에서 문서들이 노출되는 복수의 게시 세션들 중 두 문서가 게시된 게시 세션이 동일한 경우를 의미할 수 있다. 작성자가 속성으로 정의되는 경우, 동일한 작성자의 두 개의 서로 다른 블로그 리스팅들은 동일 속성의 문서들로서 인식될 수 있다. 다른 예로, 작성자, 게시 섹션 및 1시간 범위가 속성으로 정의되는 경우, 동일 작성자에 의해 동일 게시 섹션에 1시간 이내에 등록된 두 개의 댓글들은 동일한 속성의 문서들로 인식될 수 있다. 또한, 문서들간의 "중복"은 두 문서가 임계값 이상의 유사도를 갖는 것을 의미할 수 있다. 예를 들어, 문서들간의 유사도의 값을 0.00 내지 1.00의 범위로 표현하고 중복을 위한 임계값이 0.95라 가정할 때, 문서 1과 문서 2간의 의미적 유사도의 값의 0.97이라면, 문서 1과 문서 2는 중복된 문서들로 결정될 수 있다. 다시 말해, 두 문서들의 내용이 서로 완전히 동일하지 않더라도 일정 이상의 유사한 내용들을 포함하는 문서들은 중복된 문서들로 결정될 수 있다.

도 3은 본 발명의 일실시예에 있어서, 유사도 모델의 학습 과정의 예를 도시한 도면이다. 중복 문서 탐지 시스템(300)은 앞서 설명한 컴퓨터 장치(200)에 의해 구현될 수 있으며, 컴퓨터 장치(200)가 포함하는 프로세서(220)의 제어에 따라 이후 설명되는 유사도 모델의 학습 과정을 처리할 수 있다.

중복 문서 탐지 시스템(300)은 문서 DB(310)에 포함된 문서들간의 중복 여부를 결정할 수 있다. 이를 위해, 중복 문서 탐지 시스템(300)은 유사도 모델(320)을 학습시킬 수 있다.

문서 DB(310)는 중복 문서 탐지 시스템(300)을 구현하는 물리적인 장치(제1 장치)에 포함되어 문서들을 제공하도록 구현될 수도 있으나, 중복 문서 탐지 시스템(300) 외부의 다른 물리적인 장치(제2 장치)에 구현되어 제1 장치와 제2 장치가 네트워크(170)를 통해 서로 통신하는 형태로 문서들을 제공하도록 구현될 수도 있다.

중복 문서 탐지 시스템(300)은 문서 DB(310)로부터 유사 문서쌍 집합(330)과 비유사 문서쌍 집합(340)을 추출할 수 있다. 여기서, 유사 문서쌍 집합(330)은 미리 정의된 속성이 동일한 문서쌍들의 집합을 의미할 수 있으며, 비유사 문서쌍 집합(340)은 속성을 고려하지 않고 임의로(랜덤하게) 추출된 문서쌍들의 집합을 의미할 수 있다. 실시예에 따라 비유사 문서쌍 집합(340)은 미리 정의된 속성이 동일하지 않은 문서쌍들의 집합을 의미할 수도 있다.

일 실험예에서는 1억 4천만 건의 댓글들 중 미리 정의된 속성의 문서쌍인 "동일 작성자가 동일 게시 섹션에서 1시간 이내에 작성한 문서쌍" 3500만건을 유사 문서쌍 집합(330)으로서 추출하고, 임의의 두 댓글들로 이루어진 3500만건의 문서쌍들을 비유사 문서쌍 집합(340)으로서 추출하였다. 여기서 가설 1은 두 댓글의 추출횟수가 무한대로 증가함에 따라 동일한 속성의 두 댓글의 의미가 유사할 확률 α가 임의로 추출된 두 댓글의 의미가 유사할 확률 β보다 크다는 것이고, 가설 2는 수학적 척도를 이용한 유사도(이하, 수학적 유사도)의 값이 동일하다는 가정하에, 동일한 속성의 두 댓글간의 수학적 유사도는 수학적 척도에 의해 과소평가될 확률이 높고, 임의로 추출된 두 댓글간의 수학적 유사도는 수학적 척도에 의해 과대평가될 확률이 높다는 것이다. 이러한 가설 1 및 가설 2는 일 실험예를 통해 얻어진 수학적 유사도별로 댓글들을 비교하여 확인되었다. 예를 들어, 수학적 유사도가 0.2 이하로 낮은 동일한 두 댓글들간에 의미적/주제적 유사성이 존재하는 경우의 비중이 높았으며, 역으로 수학적 유사도가 0.7 이상으로 높은 임의로 추출된 두 댓글들간에 의미적/주제적 유사성이 보이지 않는 경우의 비중이 높았다.

이러한 확인된 가설에 기반하여 본 실시예에 따른 중복 문서 탐지 시스템(300)은 먼저 유사 문서쌍 집합(330)의 유사 문서쌍 각각과 비유사 문서쌍 집합(340)의 비유사 문서쌍 각각에 대해 수학적 척도를 이용하여 수학적 유사도를 계산할 수 있다. 이때, 중복 문서 탐지 시스템(300)은 계산된 수학적 유사도를 속성의 동일 여부에 따라 증가시키거나 감소시켜 문서쌍들 각각에 대한 의미적 유사도를 결정할 수 있다. 예를 들어, 유사 문서쌍 집합(330)의 유사 문서쌍 각각에 대해 계산된 수학적 유사도는 수학적 유사도의 값이 과소평가된 것으로 간주될 수 있으며, 계산된 수학적 유사도의 값을 적절하게 증가시킴으로써 의미적 유사도를 계산할 수 있다. 역으로, 비유사 문서쌍 집합(340)의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도는 수학적 유사도의 값이 과대평가된 것으로 간주될 수 있으며, 계산된 수학적 유사도의 값을 적절하게 감소시킴으로써 의미적 유사도를 계산할 수 있다.

보다 구체적인 예로, 중복 문서 탐지 시스템(300)은 유사 문서쌍의 수학적 유사도의 값을 제1 비선형 함수에 입력하여 유사 문서쌍의 수학적 유사도의 값을 증가시킬 수 있으며, 비유사 문서쌍의 수학적 유사도의 값을 제2 비선형 함수에 입력하여 비유사 문서쌍의 수학적 유사도의 값을 감소시킬 수 있다. 제1 비선형 함수는 유사 문서쌍에 대해서는 과소평가된 수학적 유사도의 값을 증가시키기 위한 것이고, 제2 비선형 함수는 비유사 문서쌍에 대해서는 과대평가된 수학적 유사도의 값을 감소시키기 위한 것으로, 제1 비선형 함수가 동일한 모든 입력 값에 대해 제2 비선형 함수보다 높은 값을 산출한다는 조건을 만족하는 두 개의 비선형 함수들이라면 제1 비선형 함수 및 제2 비선형 함수로 활용될 수 있다.

문서쌍들에 대해 계산된 의미적 유사도는 유사도 모델(320)을 위한 정답 스코어로 간주될 수 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 유사 문서쌍 집합(330), 비유사 문서쌍 집합(340), 그리고 정답 스코어를 학습 데이터로 활용하여 유사도 모델(320)을 학습시킬 수 있다. 예를 들어, 유사도 모델(320)은 입력되는 문서쌍에 대해 의미적 유사도를 산출하도록 학습될 수 있다.

보다 구체적인 예로, 유사도 모델(320)은 입력되는 문서쌍들에 대해 출력값이 정답 스코어와의 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하도록 학습될 수 있다. 예를 들어, 유사도 모델(320)은 평균 제곱 오차를 이용한 손실함수에 출력값과 정답 스코어를 입력하여 손실이 최소화되도록 학습될 수 있다. 한편, 유사도 모델(320)로는 이미 잘 알려진 딥 러닝 모델들 중 적어도 하나가 활용될 수 있다. 예를 들어, CNN(Convolutional Neural Network)나 RNN(Recurrent Neural Network) 등이 유사도 모델(320)을 구현하기 위해 활용될 수 있다. 이 경우, 유사도 모델(320)은 문서쌍을 입력받아 0 내지 1 범위의 실수(의미적 유사도)를 출력하도록 구현될 수 있다. 출력되는 값의 범위는 하나의 예시일 뿐, 0 내지 1의 범위로 한정되는 것은 아니다.

학습된 유사도 모델(320)은 문서들간의 중복 여부를 탐지하기 위해 활용될 수 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 다수의 댓글들이 등록된 상태에서 작성자가 새로운 댓글의 등록을 요청하였을 때, 작성자의 새로운 댓글과 중복되는 댓글들을 탐지할 수 있다. 이때, 중복 문서 탐지 시스템(300)은 중복되는 댓글들이 N건 이상 탐지되는 경우, 캡차(Captcha)를 노출하여 중복되는 새로운 댓글의 무분별한 등록을 방지할 수 있다.

한편, 다른 실시예에서 유사도 모델(320)은 유사도 학습을 수행하여 앞서 설명한 의미적 유사도 대신, 각 문서에 대한 적절한 벡터 표현을 출력하도록 학습될 수 있다. 일례로, 딥러닝 기반의 문서 유사도를 측정하는 모델은 유사도를 출력하는 과정에서 양자화되기 이전의 벡터 표현을 얻어내고 두 벡터 표현 간의 거리에 의해 최종 유사도를 산출할 수 있다. 따라서 유사도 계산 과정을 함수로 보았을 때, 유사도는 종속 변수, 두 벡터 표현은 독립 변수가 될 수 있다. 결국 종속 변수를 원하는 값으로 조정하기 위해서는 독립변수인 두 벡터 표현을 적절하게 조정해야만 하며, 이에 유사도를 학습하는 과정이 곧 각 문서에 대한 적절한 벡터 표현을 얻어내는 과정과 같다고 볼 수 있다. 이에 이후 설명하는 실시예에서는 유사도 모델(320)이 의미적 유사도 대신, 각 문서에 대한 적절한 벡터 표현을 출력하도록 학습될 수 있다.

도 4는 본 발명의 일실시예에 있어서, 중복 문서 탐지 과정의 예를 도시한 도면이다. 중복 문서 탐지 시스템(300)은 앞서 설명한 컴퓨터 장치(200)에 의해 구현될 수 있으며, 컴퓨터 장치(200)가 포함하는 프로세서(220)의 제어에 따라 이후 설명되는 중복 문서 탐지 과정을 처리할 수 있다.

작성자가 하나의 문서를 작성할 때마다 다른 모든 작성자들의 문서들과 유사도를 비교하는 것은 매우 큰 계산 비용이 발생하게 된다. 이러한 문제를 해결하기 위한 도 3의 실시예에 따른 중복 문서 탐지 시스템(300)은 다음과 같은 방식으로 중복 문서를 탐지할 수 있다.

우선, 중복 문서 탐지 시스템(300)은 문서 집합(410)이 포함하는 문서들(420)을 입력받아 각 문서에 대응하는 벡터 표현을 출력하도록 유사도 모델(320)을 학습시킬 수 있다. 다시 말해, 유사도 모델(320)은 문서들간의 유사도를 산출하기 위한 학습 과정에서 각 문서들을 N 차원 실수 벡터(430)로 표상(represent)시켜 벡터 표현을 출력하도록 학습될 수 있다. 이러한 유사도 모델(320)은 문서가 포함하는 내용의 의미에 기반하여 벡터를 출력하기 때문에, 문서들의 내용이 일부 다르더라도 의미가 유사한 경우, 유사한 벡터 표현을 얻을 수게 된다.

또한, 중복 문서 탐지 시스템(300)은 유사도 모델(320)로부터 얻어지는 N 차원 실수 벡터(340)를 벡터 양자화(vector quantization)하여 이진 문자열을 생성할 수 있다. 생성되는 이진 문자열은 해당 문서의 키로서 활용될 수 있으며 키가 중복되는 문서들은 중복 문서로서 탐지될 수 있다. 예를 들어, 표(440)는 키와 해당 키에 대응하는 문서들이 서로 연계하여 저장된 모습을 나타내고 있다. 이때, 표(440)에서 동일한 키와 연계된 문서 1 및 문서 2는 중복 문서로 간주될 수 있다.

도 5는 본 발명의 일실시예에 있어서, 벡터 양자화의 예를 도시한 도면이다. 제1 점선박스(510)는 임의의 문서의 텍스트 내용의 예를 나타내고 있다. 이때, 유사도 모델(320)은 해당 문서를 입력받아 제2 점선박스(520)와 같은 N(도 5의 실시예에서 N=64) 차원 실수 벡터를 출력하는 예를 나타내고 있다. 이때, 제3 점선박스(530)는 N 차원 실수 벡터를 이진 문자열로 벡터 양자화한 예를 나타내고 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 N 차원 실수 벡터의 각 성분(component)의 값이 0 또는 양수인 경우에는 '1'로, 각 성분의 값이 음수인 경우에는 '0'으로 해당 성분의 값을 대체하는 벡터 양자화를 통해 이진 벡터를 생성할 수 있다. 이때, 이진 벡터의 성분을 일렬로 나열한 바이트열이 해당 문서의 키가 될 수 있다. 이 경우, 동일한 키 값을 갖는 모든 문서는 서로 중복된 것으로 간주될 수 있다.

한편, 벡터 양자화의 성능을 향상시키기 위해, 유사도 모델(320)을 위한 손실함수가 조정될 수 있다. 예를 들어, 손실함수는 아래 수학식 1에서 수학식 2와 같이 확장될 수 있다.

손실함수는 신경망이 출력한 값과 실제 값간의 오차에 대한 함수로, v1, v2는 두 문서의 벡터 표현들을 의미할 수 있으며, exp(-||v1-v2||)는 유사도 모델(320)에 의하여 계산된 유사도, y는 정답 유사도를 의미할 수 있다. MSE는 평균 제곱 오차(mean squared error)를 의미할 수 있다. 알파(alpha, α)는 0 내지 1의 범위에 포함되는 실수로 중복 문서 탐지 시스템(300)은 유사도 모델(320)의 손실함수에서 α의 조절을 통해 문서의 벡터 표현간 평균 거리를 조절할 수 있다. 이때, α의 값이 0에 가까워질수록 문서들에 대한 벡터 표현간의 평균 거리가 멀어질 수 있다.

도 6은 본 발명의 일실시예에 있어서, 손실함수의 조정 예를 도시한 도면이다. 도 6은 중복 문서 탐지 시스템(300)이 유사도 모델(320)의 손실함수에서 α의 값을 감소시킴에 따라 제1 그래프(610)에 나타난 점들간의 거리에서 제2 그래프(620)에 나타난 점들간의 거리와 같이 벡터 표현간의 평균 거리가 상대적으로 멀어지는 예를 나타내고 있다. α의 활용은 문서들에 대한 벡터 표현들이 충분히 퍼져 있는 상태에서 벡터 양자화를 통한 구획화를 진행함으로써, 실제 유사도가 높은 문서들간에 동일한 키를 갖도록 하기 위함이다.

도 7은 본 발명의 일실시예에 따른 중복 문서 탐지 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 중복 문서 탐지 방법은 앞서 설명한 중복 문서 탐지 시스템(300)을 구현하는 컴퓨터 장치(200)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(200)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 7의 방법이 포함하는 단계들(710 내지 730)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.

단계(710)에서 컴퓨터 장치(200)는 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 통해 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득할 수 있다. 일례로, 유사도 모델은 입력되는 문서의 의미에 기반하여 문서에 대한 벡터 표현을 출력하도록 학습될 수 있다. 다시 말해, 유사도 모델은 의미적 유사도가 큰 문서들에 대해 서로 비슷한 벡터 표현을 출력하도록 학습될 수 있다. 여기서 벡터 표현은 N(N은 2 이상의 자연수) 차원 실수 벡터의 형태를 가질 수 있다.

한편, 벡터 표현을 생성함에 있어서 컴퓨터 장치(200)는 유사도 모델이 출력한 값과 실제 값간의 차이에 대해 부여되는 가중치를 통해 조정된 유사도 모델의 손실함수를 이용하여 벡터 표현을 생성할 수 있다. 이러한 가중치는 앞서 수학식 2를 통해 설명한 α에 대응할 수 있다. 이때, 컴퓨터 장치(200)는 도 6을 통해 설명한 바와 같이, 가중치의 값 α를 조절함으로써 벡터 표현간의 평균 거리를 조절할 수 있다.

보다 구체적인 예로, 컴퓨터 장치(200)는 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출할 수 있다. 일례로, 문서 데이터베이스는 앞서 도 3을 통해 설명한 문서 DB(310)에 대응할 수 있으며, 유사 문서쌍 집합과 비유사 문서쌍 집합은 각각 도 3을 통해 설명한 유사 문서쌍 집합(330) 및 비유사 문서쌍 집합(340)에 대응할 수 있다. 여기서, 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함할 수 있다. 일례로, 작성자가 속성으로 정의되는 경우, 동일한 작성자의 두 개의 서로 다른 문서들은 동일한 속성을 갖는 문서들로서 인식될 수 있다. 다른 예로, 작성자, 게시 섹션 및 1시간 범위가 속성으로 정의되는 경우, 동일 작성자에 의해 동일 게시 섹션에 1시간 이내에 등록한 두 개의 문서들이 동일한 속성의 문서들로 인식될 수 있다. 비유사 문서쌍은 랜덤하게 추출되는 두 개의 문서들을 포함할 수 있으나, 실시예에 따라 랜덤하게 추출된 문서쌍들 중 동일한 속성을 갖는 문서쌍들은 비유사 문서쌍에서 제외될 수도 있다.

또한, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산할 수 있다. 일례로, 컴퓨터 장치(200)는 수학적 척도로서 코사인 유사도(Cosine Similarity), 유클리드 거리(Euclidean Distance) 및 자카드 유사도(Jaccard Similarity) 중 적어도 하나를 이용하여 수학적 유사도를 계산할 수 있다.

또한, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산할 수 있다. 예를 들어, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시킬 수 있다. 이 경우, 제1 비선형 함수 및 제2 비선형 함수는 제1 비선형 함수가 동일한 모든 입력 값에 대해 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수들일 수 있다. 유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과소평가되고, 비유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과대평가됨에 대해서는 이미 자세히 설명한 바 있다. 컴퓨터 장치(200)는 과소평가된 수학적 유사도는 증가시키고, 과대평가된 수학적 유사도는 감소시켜 의미적 유사도를 계산할 수 있다. 수학적 유사도를 증가 또는 감소시키는 정도는 선택되는 제1 비선형 함수 및 제2 비선형 함수에 따라 결정될 수 있다.

또한, 컴퓨터 장치(200)는 복수의 유사 문서쌍, 복수의 비유사 문서쌍 및 의미적 유사도를 이용하여 유사도 모델을 학습시킬 수 있다. 이미 설명한 바와 같이, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각을 순차적으로 유사도 모델에 입력하여 유사도 모델의 출력값과 입력된 문서쌍에 대응하는 의미적 유사도간의 평균 제곱 오차(Mean Squared Error, MSE)가 최소화되도록 유사도 모델을 학습시킬 수 있다. 이는 평균 제곱 오차를 이용한 손실함수에 유사도 모델의 출력값과 대응하는 의미적 유사도를 정답 스코어로서 입력하여 손실이 최소화되도록 유사도 모델을 학습시키는 것에 대응될 수 있다.

단계(720)에서 컴퓨터 장치(200)는 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성할 수 있다. 예를 들어, 컴퓨터 장치(200)는 벡터 표현의 각 성분의 값이 0 이상인 경우에는 해당 성분의 값을 1로, 각 성분의 값이 음수인 경우에는 해당 성분의 값을 0으로 대체하여 벡터 표현을 벡터 양자화하여 이진 문자열을 키로서 생성할 수 있다.

단계(730)에서 컴퓨터 장치(200)는 키를 통해 문서 집합에 포함된 문서들 중 중복 문서를 탐지할 수 있다. 문서 집합의 문서들 각각에 대해 키가 생성되면, 컴퓨터 장치(200)는 키와 해당 문서를 서로 연관하여 저장할 수 있다. 이 경우, 동일한 키를 가진 문서들은 동일한 하나의 키와 연관하여 저장될 수 있다. 따라서, 하나의 키에 대해 복수의 문서들이 연관하여 저장된 경우, 컴퓨터 장치(200)는 해당 복수의 문서들을 중복 문서들로서 탐지할 수 있다. 다시 말해, 컴퓨터 장치(200)는 동일한 키를 갖는 문서들을 중복 문서들로서 탐지할 수 있다.

MD5와 같은 암호화 알고리즘을 이용하는 종래기술에서는 문서의 내용이 완전히 같을 경우에만 두 문서가 같은 키 값(해시값)을 갖도록 할 수 있기 때문에, 두 문서의 내용이 일부만 다르고 나머지 대부분이 동일하더라도 중복된 문서를 탐지하지 못한다는 문제점이 있었다. 반면, 본 실시예들에 따른 중복 문서 탐지 방법에서는 문서의 내용에 대한 해시값이 아닌, 유사도 모델을 통해 문서들의 의미에 기반하여 출력되는 벡터 표현을 벡터 양자화하여 키로서 활용하기 때문에 문서의 내용이 일부 상이하더라도 의미가 유사한 문서들간에 동일한 키를 갖도록 키를 생성할 수 있게 된다. 실제 실험에서는 본 실시예들에 따른 중복 문서 탐지 방법이 MD5 대비 평균 20배 이상의 중복 댓글 탐지 건수를 기록하였으며, 99% 이상의 정확도를 달성하였다.

이와 같이, 본 발명의 실시예들에 따르면, 벡터 양자화에 기초하여 문서들간의 중복 여부를 빠르게 결정할 수 있다. 또한, 모델이 군집화를 직접적으로 수행하도록 학습시키는 것이 아니라, 모델에 대한 문서쌍들에 대한 유사도 학습을 통해 각 문서에 대한 벡터 표현을 얻어내도록 학습한 뒤 벡터 양자화를 통해 각 문서들에 대한 해시값을 얻어냄으로써 계산 비용을 절감할 수 있다. 또한, MD5와 같은 암호화 알고리즘보다 더 넓은 범위에서 유사한 문서들에 대하여 동일한 키 값을 얻을 수 있도록 함으로써 일부의 내용이 서로 상이한 문서들에 대해서도 중복 여부를 결정할 수 있다.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 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. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 중복 문서 탐지 방법에 있어서,
상기 적어도 하나의 프로세서에 의해, 문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 이용하여, 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 키를 통해 상기 문서 집합에 포함된 문서들 중 중복 문서를 탐지하는 단계
를 포함하고,
상기 문서들간의 의미적 유사도는 상기 문서들간에 계산되는 수학적 유사도를 상기 문서들간의 속성에 따라 증가 또는 감소시켜 얻어지는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 벡터 표현은 N(상기 N은 2 이상의 자연수) 차원 실수 벡터의 형태를 갖는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 키를 생성하는 단계는,
상기 벡터 표현의 각 성분의 값이 0 이상인 경우에는 해당 성분의 값을 1로, 각 성분의 값이 음수인 경우에는 해당 성분의 값을 0으로 대체하여 상기 벡터 표현을 벡터 양자화하여 이진 문자열을 상기 키로서 생성하는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 중복 문서를 탐지하는 단계는,
동일한 키를 갖는 문서들을 중복 문서들로서 탐지하는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 벡터 표현을 생성하는 단계는,
상기 유사도 모델이 출력한 값과 실제 값간의 차이에 대해 부여되는 가중치를 통해 조정된 상기 유사도 모델의 손실함수를 이용하여 상기 벡터 표현을 생성하는 것을 특징으로 하는 중복 문서 탐지 방법.
제5항에 있어서,
상기 벡터 표현을 생성하는 단계는,
상기 가중치의 값을 조절함으로써 상기 벡터 표현간의 평균 거리를 조절하는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍 및 상기 의미적 유사도를 이용하여 유사도 모델을 학습시키는 단계
를 더 포함하는 중복 문서 탐지 방법.
제7항에 있어서,
상기 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함하는 것을 특징으로 하는 중복 문서 탐지 방법.
제7항에 있어서,
상기 의미적 유사도를 계산하는 단계는,
상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시키고,
상기 제1 비선형 함수 및 상기 제2 비선형 함수는 상기 제1 비선형 함수가 동일한 모든 입력 값에 대해 상기 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수인 것을 특징으로 하는 중복 문서 탐지 방법.
컴퓨터 장치와 결합되어 제1항 내지 제9항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
제1항 내지 제9항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.
컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서에 의해,
문서들간의 의미적 유사도에 기반하여 문서들에 대한 벡터 표현을 출력하도록 학습된 유사도 모델을 이용하여, 문서 집합에 포함된 문서들 각각에 대한 벡터 표현을 획득하고,
상기 벡터 표현을 벡터 양자화하여 이진 문자열로 구현되는 키를 생성하고,
상기 키를 통해 상기 문서 집합에 포함된 문서들 중 중복 문서를 탐지하고,
상기 문서들간의 의미적 유사도는 상기 문서들간에 계산되는 수학적 유사도를 상기 문서들간의 속성에 따라 증가 또는 감소시켜 얻어지는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 벡터 표현은 N(상기 N은 2 이상의 자연수) 차원 실수 벡터의 형태를 갖는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서에 의해,
상기 벡터 표현의 각 성분의 값이 0 이상인 경우에는 해당 성분의 값을 1로, 각 성분의 값이 음수인 경우에는 해당 성분의 값을 0으로 대체하여 상기 벡터 표현을 벡터 양자화하여 이진 문자열을 상기 키로서 생성하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서에 의해,
동일한 키를 갖는 문서들을 중복 문서들로서 탐지하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 벡터 표현을 생성하는 단계는,
상기 유사도 모델이 출력한 값과 실제 값간의 차이에 대해 부여되는 가중치를 통해 조정된 상기 유사도 모델의 손실함수를 이용하여 상기 벡터 표현을 생성하는 것
을 특징으로 하는 컴퓨터 장치.