KR102441854B1 - 범용적인 감정 분석 서비스를 위한 방법 및 장치 - Google Patents

Abstract

범용적인 감정 분석 서비스를 위한 방법 및 장치가 개시된다. 감정 분석 방법은, 데이터 확장(data expansion)이 가능한 모델 구조로 앙상블 학습(ensemble learning)과 전이 학습(transfer learning)에 기반한 인공지능 언어모델을 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 주어진 문서에 대해 상기 인공지능 언어모델을 이용하여 감정 분석을 수행하는 단계를 포함한다.

Description

범용적인 감정 분석 서비스를 위한 방법 및 장치{METHOD AND APPARATUS FOR GENERAL SENTIMENT ANALYSIS SERVICE}

아래의 설명은 감정을 분석하는 기술에 관한 것이다.

최근 빅데이터를 분석하여 분석 결과로부터 다양한 인사이트(insight)를 얻기 위한 노력들이 확대되고 있다. 빅데이터 분석 방법의 핵심 기술 중 하나는 감정 분석(sentiment analysis) 기술이라 할 수 있다.

감정 분석이란, 목표가 되는 사건이나 인물, 상품 등에 대한 대중들의 감정을 분석하는 기술이며, 통계 방식에 따라 사람들의 여론을 다양한 관점으로 분석할 수 있다.

감정 분석 기술의 일례로, 한국공개특허 제10-2012-0109943호(공개일 2012년 10월 09일)에는 문장에 내재된 감정 분석을 위한 기술이 개시되어 있다.

감정 분석을 위한 인공지능 모델을 정확도와 처리 속도(inference time)를 충분히 만족시키기 위한 적정 규모의 모델로 압축 구현할 수 있는 방법 및 장치를 제공한다.

데이터 확장(data expansion) 기술 및 전이 학습(transfer learning) 기술을 활용하여 신규 도메인의 확장이 가능한 범용적인 감정 분석 서비스를 구축할 수 있는 방법 및 장치를 제공한다.

컴퓨터 장치에서 실행되는 감정 분석 방법에 있어서, 상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 감정 분석 방법은, 상기 적어도 하나의 프로세서에 의해, 데이터 확장(data expansion)이 가능한 모델 구조로 앙상블 학습(ensemble learning)과 전이 학습(transfer learning)에 기반한 인공지능 언어모델을 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 주어진 문서에 대해 상기 인공지능 언어모델을 이용하여 감정 분석을 수행하는 단계를 포함하는 감정 분석 방법을 제공한다.

일 측면에 따르면, 상기 인공지능 언어모델을 생성하는 단계는, 정답 데이터 셋을 분할하여 복수 개의 데이터 그룹을 구축하는 단계; 및 복수 개의 도메인으로 학습된 모델에 대해 상기 정답 데이터 셋의 전체 데이터로 전이 학습한 제1 모델과 상기 데이터 그룹 각각으로 전이 학습한 복수 개의 제2 모델을 생성하는 단계를 포함할 수 있다.

다른 측면에 따르면, 상기 제1 모델과 상기 제2 모델을 생성하는 단계는, 상기 복수 개의 도메인으로 학습된 모델의 전체 파라미터를 재학습하는 전이 학습을 이용하여 상기 제1 모델과 상기 제2 모델을 생성할 수 있다.

또 다른 측면에 따르면, 상기 제1 모델과 상기 제2 모델을 생성하는 단계는, 상기 복수 개의 도메인으로 학습된 모델의 일부 파라미터를 고정시키고 나머지 파라미터를 재학습하는 전이 학습을 이용하여 상기 제1 모델과 상기 제2 모델을 생성할 수 있다.

또 다른 측면에 따르면, 상기 인공지능 언어모델을 생성하는 단계는, 새로운 도메인의 데이터에 대해 상기 제1 모델과 상기 제2 모델을 이용한 앙상블 학습을 통해 해당 도메인의 정답 데이터를 생성하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 정답 데이터를 생성하는 단계는, 상기 새로운 도메인의 데이터에 대해 상기 제1 모델과 상기 제2 모델을 이용하여 정답을 예측하는 단계; 및 상기 제1 모델과 상기 제2 모델 간의 예측 결과를 비교하여 정답을 예측한 데이터 중 적어도 일부를 상기 정답 데이터로 선정하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 인공지능 언어모델은 BERT(Bidirectional Encoder Representations from Transformer) 언어모델로 구성될 수 있다.

또 다른 측면에 따르면, 상기 인공지능 언어모델은 감정 분석의 정확도와 처리 속도를 고려하여 레이어 수를 축소한 쉘로우(shallow) BERT 모델로 구성될 수 있다.

또 다른 측면에 따르면, 상기 인공지능 언어모델은 PKD(Patient Knowledge Distillation) 기법을 적용한 BERT 모델로 구성될 수 있다.

상기 감정 분석 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.

상기 감정 분석 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록 매체를 제공한다.

컴퓨터 장치에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 데이터 확장이 가능한 모델 구조로 앙상블 학습과 전이 학습에 기반한 인공지능 언어모델을 생성하고, 주어진 문서에 대해 상기 인공지능 언어모델을 이용하여 감정 분석을 수행하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

본 발명의 실시예들에 따르면, BERT(Bidirectional Encoder Representations from Transformer) 언어모델을 이용하여 감정 분석을 위한 인공지능 모델을 압축함으로써 정확도와 처리 속도를 충분히 만족시키면서 감정 분석 서비스에 최적화된 모델을 구현할 수 있다.

본 발명의 실시예들에 따르면, 데이터 확장 기술과 전이 학습 기술을 활용하여 효율적으로 신규 도메인을 확장할 수 있도록 설계함으로써 다양한 도메인에서 범용적으로 활용 가능한 감정 분석 서비스를 제공할 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 따른 컴퓨터 장치가 수행할 수 있는 방법의 예를 도시한 순서도이다.
도 4는 본 발명의 일실시예에 있어서 BERT 모델 구조를 설명하기 위한 예시 도면이다.
도 5는 본 발명의 일실시예에 있어서 KD(Knowledge Distillation) 방법론을 설명하기 위한 예시 도면이다.
도 6은 본 발명의 일실시예에 있어서 감정 분석 모델 구축 과정의 예를 도시한 순서도이다.
도 7은 본 발명의 일실시예에 있어서 앙상블 방법을 이용한 데이터 확장 프로세스를 설명하기 위한 예시 도면이다.
도 8 내지 도 10은 본 발명의 일실시예에 있어서 전이 학습을 이용한 데이터 확장 프로세스를 설명하기 위한 예시 도면이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들에 따른 감정 분석 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 감정 분석 방법은 감정 분석 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 감정 분석 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 감정 분석 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, 내비게이션, 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, 감정 분석 서비스, 검색 서비스, 소셜 네트워크 서비스, 컨텐츠 제공 서비스, 영상/음성 통화 서비스, 메시징 서비스, 메일 서비스, 지도 서비스, 번역 서비스, 금융 서비스, 결제 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)는 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.

이하에서는 범용적인 감정 분석 서비스를 위한 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.

본 실시예에서는 감정 분석 서비스의 처리 속도를 만족하기 위해 모델 사이즈를 줄이면서 품질을 유지할 수 있는 감정 분석 모델을 제안한다.

감정 분석 기술은 텍스트의 형태적인 요소를 분석하는 것이 아닌, 텍스트의 의미적인 요소를 분석하는 것이다.

CNN(Convolutional Neural Network)이나 LSTM(Long Short Term Memory Models)과 같은 모델은 학습 데이터에서 존재하는 특성만 학습하는 것으로, 학습 데이터에서 존재하지 않은 다양한 어휘의 의미적인 요소를 파악할 수 없어 감정 분석 시스템에 사용하기에는 다소 한계가 있다.

본 실시예에서는 BERT 언어모델과 KD(Knowledge Distillation) 기법을 적용하여 정확도와 처리 속도를 충분히 만족시킬 수 있는 적정 규모의 감정 분석 모델을 구현할 수 있다.

도 3은 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 방법의 예를 도시한 흐름도이다.

본 실시예에 따른 컴퓨터 장치(200)는 클라이언트를 대상으로 클라이언트 상에 설치된 전용 어플리케이션이나 컴퓨터 장치(200)와 관련된 웹/모바일 사이트 접속을 통해 감정 분석 서비스를 제공할 수 있다. 컴퓨터 장치(200)에는 컴퓨터로 구현된 감정 분석 시스템이 구성될 수 있다. 일례로, 감정 분석 시스템은 독립적으로 동작하는 프로그램 형태로 구현되거나, 혹은 특정 어플리케이션의 인-앱(in-app) 형태로 구성되어 상기 특정 어플리케이션 상에서 동작이 가능하도록 구현될 수 있다.

컴퓨터 장치(200)의 프로세서(220)는 도 3에 따른 감정 분석 방법을 수행하기 위한 구성요소로서 적어도 하나 이상의 구성요소를 포함할 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.

이러한 프로세서(220) 및 프로세서(220)의 구성요소들은 도 3의 감정 분석 방법이 포함하는 단계들(S310 내지 S320)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다. 예를 들어, 프로세서(220) 및 프로세서(220)의 구성요소들은 메모리(210)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.

여기서, 프로세서(220)의 구성요소들은 컴퓨터 장치(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.

프로세서(220)는 컴퓨터 장치(200)의 제어와 관련된 명령이 로딩된 메모리(210)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(220)가 이후 설명될 단계들(S310 내지 S320)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

이후 설명될 단계들(S310 내지 S320)은 도 3에 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들(S310 내지 S320) 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.

도 3을 참조하면, 단계(S310)에서 프로세서(220)는 인공지능 기반의 감정 분석 모델로서 PKD(Patient Knowledge Distillation) 기법을 적용한 BERT 언어모델을 구축할 수 있다.

단계(S320)에서 프로세서(220)는 주어진 문서를 입력 문서로 하여 단계(S310)에서 구축된 BERT 언어모델을 통해 입력 문서의 의미적인 요소를 분석하는 감정 분석을 수행할 수 있다.

본 실시예에서는 다음 두 가지 목표를 바탕으로 감정 분석 모델을 구현할 수 있다.

1. 실제 서비스 적용에 적합하면서 최고 품질을 가진 모델

2. 도메인 확장이 용이하여 다양한 도메인에서 범용적으로 활용할 수 있는 모델

BERT 언어모델은 트랜스포머(Transformer) 구조를 바탕으로 하는 언어모델 중 하나이며, 대용량의 데이터를 이용하여 사전 학습(pre-training)을 하는 방법으로 빅데이터에서 얻을 수 있는 다양한 형태적, 의미적 요소를 모델에 학습시킬 수 있는 모델이다. 다시 말해, BERT 언어모델은 사전 학습을 통해 학습 데이터에 존재하지 않는 다양한 어휘적 특성을 학습할 수 있어 모델의 파라미터를 조정하는 파인-튜닝(fine-tuning) 과정에서 학습 데이터에 나타나지 않은 이형의 문제도 해결할 수 있는 이점을 제공한다.

도 4는 BERT의 모델 구조를 도시한 것이다.

도 4를 참조하면, BERT 언어모델(400)은 주어진 문장을 입력으로 받아 입력 임베딩 레이어(input embedding layer)(401)를 통해 토큰 단위로 먼저 임베딩한 후 트랜스포머 레이어(transformer layer)(402)를 거쳐 토큰의 위치 정보를 고려한 인코딩으로 문맥을 표현하는(contextual representation) 구조로 이루어진다.

트랜스포머 레이어(402)는 CNN이나 RNN과 같은 모델 대신, 셀프-어텐션(self-attention) 모델로 이루어지며, BERT 언어모델(400)은 트랜스포머의 인코더와 디코더 중 인코더만 사용하여 언어를 임베딩한다.

이러한 BERT 언어모델(400)은 사전 학습을 수행하는 모델 구조로 구현됨에 따라 CNN이나 LSTM 등의 모델과 비교하여 성능이 우수하다.

BERT 언어모델(400)은 모델이 커지면 커질수록 높은 성능을 가지나, 서비스에 활용하기 위해서는 모델을 압축하거나 줄이는 것이 필수불가결한 상황에서 성능과 처리 속도의 임계값을 조절하며 모델을 최적화하는 것이 필요하다.

처리 속도를 향상시키기 위해서는 BERT 언어모델(400)을 작게 만드는 것이 중요하며, 일례로 BERT 언어모델(400)의 레이어 수를 줄이는 방법으로 최적화하여 쉘로우(shallow) BERT 모델로 구축할 수 있다. 최적의 파라미터를 찾아내는 것을 목표로 파라미터와 레이어를 줄여가며 성능(정확도)과 처리 속도의 임계값을 찾는 실험을 통해 파인-튜닝 과정에서의 데이터 학습에 따른 성능을 고려하여 BERT 언어모델(400)의 레이어 수를 축소할 수 있으며, 예를 들어 레이어 수를 3으로 결정할 수 있다.

BERT 언어모델(400)의 모델 사이즈를 줄임에 따라 성능이 저하되는 문제가 발생할 수 있고, 이를 해결하기 위해 본 실시예에서는 KD 기술을 모델에 적용할 수 있다.

KD 기법은 주로 큰 모델의 지식을 효율적으로 추출하여 작은 모델에 전달하는 방법론을 의미한다.

도 5를 참조하면, KD는 미리 학습된 큰 네트워크, 즉 교사 모델(51)의 지식을 실제로 사용하고자 하는 작은 네트워크, 즉 학생 모델(52)에게 전달하는 것이다. 다시 말해, 학생 모델(52)로도 교사 모델(51)의 성능을 낼 수 있도록 학습 과정에서 교사 모델(51)의 지식을 학생 모델(52)에게 전달하여 학생 모델(52)의 성능을 높이고자 하는 방법론이다.

학생 모델(52)의 분류 성능에 대한 손실로 학생 모델(52)의 분류 결과와 실측자료(스크립트) 간의 차이를 교차 엔트로피 손실 함수를 계산할 수 있다. 또한, 교사 모델(51)의 분류 결과와 학생 모델(52)의 분류 결과 간의 차이를 포함할 수 있으며, 다시 말해 교사 모델(51)과 학생 모델(52)의 출력 로짓을 소프트맥스로 변환한 값의 차이를 교차 엔트로피 손실로 계산할 수 있다.

교사 모델(51)과 학생 모델(52)의 분류 결과를 비교함에 있어 소프트 레벨을 적용함으로써 정보 손실 없이 교사 모델(51)의 분류 결과를 학생 모델(52)의 분류 결과와 비교하여 학생 모델(52)이 교사 모델(51)을 모방하도록 학습시킬 수 있다.

따라서, KD 기법은 교사 모델(51)의 출력을 학생 모델(52)이 모방하여 학습함으로써 학생 모델(52)이 상대적으로 적은 파라미터를 가지고 있더라도 모델의 성능을 높일 수 있다.

이러한 KD 기법은 주로 딥러닝의 처리 속도와 리소스 문제에 직면할 때 모델 사이즈를 줄이면서 품질 향상을 도모하기 위해 사용하는 방법 중 하나라 할 수 있다.

상기한 바와 같이, 모델에 KD을 적용하는 방법은 손실 함수를 수정하는 방식으로 적용이 가능하며, 본 실시예에서는 다양한 KD 기법 중 BERT 모델 압축에 최적화된 PKD 기법을 활용할 수 있다.

교사 모델(51)의 마지막 레이어의 출력만을 사용하는 기존 KD 방법과 달리, PKD 기법은 학생 모델(52)이 점진적 지식 추출을 위해 교사 모델(51)의 여러 중간 레이어에서 학습하는 방법론이다.

본 실시예에서는 BERT 언어모델(400)에 KD 기법을 적용하게 되는데, 이때 학습 데이터의 가중치 갱신 주기를 나타내는 에포크(epoch)를 모델 품질을 보장하는 수준으로 설정할 수 있으며, 예를 들어 에포크를 30으로 설정할 수 있다.

도 6은 본 발명의 일실시예에 있어서 감정 분석 모델 구축 과정의 예를 도시한 순서도이다.

본 실시예에 따른 감정 분석 모델을 구축하는 과정(S310)은 앙상블(Ensemble) 방법을 이용하여 BERT 언어모델(400)의 학습 데이터를 확장하는 프로세스(S601), 및 전이 학습 방법을 이용하여 BERT 언어모델(400)의 학습 데이터를 확장하는 프로세스(S602)를 포함할 수 있다.

앙상블 방법을 이용한 학습 데이터 확장 프로세스(S601)는 다음과 같다.

먼저, 기본 학습 데이터를 수집한다.

도메인에 의존하지 않는 감정 분석 모델을 구축하기 위해 일반적으로 감정 분석에 많이 사용되는 도메인, 예를 들어 쇼핑 리뷰, 뉴스, 댓글, SNS를 선정한다. 선정된 도메인 각각에 대해 정답이 정해진 학습 데이터로서 감정 유형(예를 들어, 긍정, 부정, 중립) 별 데이터 셋을 수집할 수 있다.

예를 들어, 쇼핑의 경우 매일 대량의 데이터가 생성되고 있는 상황에서 도메인 별로 수집된 데이터는 모집단을 대표하기에는 부족하기 때문에 합리적인 결과를 제공하기 어렵다.

본 실시예에서는 앙상블 기반의 방법을 이용하여 성능 개선과 더불어 커버리지 향상을 위한 고품질의 학습 데이터를 자동 추출할 수 있다.

앙상블 방법의 가장 큰 장점은 유사한 품질의 모델을 복수 개 만들어 활용함으로써 학습 데이터를 생성할 때 노이즈가 적은 대용량의 데이터를 생성할 수 있다는 점에 있다.

도 7은 본 발명의 일실시예에 있어서 앙상블 방법을 이용한 데이터 확장 프로세스를 설명하기 위한 예시 도면이다.

프로세서(220)는 소규모 데이터로 구축된 정답 데이터 셋(70) 전체를 학습하여 오리지널 모델(701)을 생성할 수 있다.

프로세서(220)는 정답 데이터 셋(70)을 N개의 데이터 그룹으로 분할할 수 있다.

프로세서(220)는 N개의 데이터 그룹 중 두 개의 데이터 그룹씩 학습하여 복수 개의 앙상블 모델(702 내지 704)을 생성할 수 있다. 일례로, 프로세서(220)는 N개의 데이터 그룹 중 하나의 그룹을 고정 입력으로 하고 나머지 N-1개의 데이터 그룹 각각을 더해 학습함으로써 N-1개의 앙상블 모델(702 내지 704)을 생성할 수 있다.

예를 들어, 프로세서(220)는 정답 데이터 셋(70)을 4개의 데이터 그룹(split 1 내지 split 4)으로 분할한 후, split 1과 split 4 데이터를 학습한 제1 앙상블 모델(702), split 2와 split 4 데이터를 학습한 제2 앙상블 모델(703), split31과 split 4 데이터를 학습한 제3 앙상블 모델(704)을 생성할 수 있다.

프로세서(220)는 전체 데이터로 학습된 오리지널 모델(701)과 분할 데이터로 학습된 N-1개의 앙상블 모델(702 내지 704)을 생성하여 총 N개의 모델을 생성할 수 있다.

프로세서(220)는 정답이 없는 대용량의 데이터에 대해 N개의 모델을 이용하여 정답을 예측한 정답 데이터를 생성할 수 있다. 이때, 프로세서(220)는 N개의 모델 간의 예측 결과를 비교하여 N개의 모델로 예측된 데이터 중 적어도 일부를 정답 데이터로 선정하여 활용할 수 있다.

일례로, 프로세서(220)는 N개의 모델에서 예측 결과를 나타내는 레이블이 모두 동일한 데이터를 정답 데이터로 선정할 수 있다. 다른 예로, 프로세서(220)는 N개의 모델 간에 확률이 가장 높은 레이블의 차이가 일정 비율 이하인 데이터를 정답 데이터로 선정할 수 있다. 또 다른 예로, 프로세서(220)는 N개의 모델 간에 소프트 레이블(soft label)(softmax 전 레이블)의 차이가 일정 비율 이하인 데이터를 정답 데이터로 선정할 수 있다. 또 다른 예로, 프로세서(220)는 N개의 모델로 예측된 데이터 중 소프트맥스를 tanh 함수나 sigmoid 함수로 변경한 후 가중치 차이가 일정 레벨 이내로 작은 데이터를 정답 데이터로 선정할 수 있다.

따라서, 프로세서(220)는 앙상블 방법을 이용하여 노이즈가 적은 대용량의 학습 데이터를 생성함으로써 효율적으로 감정 분석 데이터를 확장할 수 있다.

본 실시예에서의 최종 목표는 다양한 도메인에서 활용 가능한 범용적인 감정 분석 모델을 구축하는 것이다.

일반적으로 도메인을 확장하는 경우 학습 데이터 구축을 위한 비용과 시간이 많이 소요될 뿐 아니라, 신규 도메인의 추가로 인해 기존 도메인의 성능이 저하될 수 있다.

이러한 문제를 해결하기 위해서는 앞서 설명한 앙상블 방법을 이용한 학습 데이터 확장 프로세스(S601)를 적용할 수 있으며, 아울러 신규 도메인의 데이터 추가로 인한 기존 도메인의 성능 저하를 막기 위해 전이 학습 방법을 활용할 수 있다.

전이 학습은 이미 구축된 유사한 태스크의 모델을 이용하여 해당 모델의 특성을 전이시킴으로써 소규모 데이터를 이용하여 좋은 성능의 모델을 만들 수 있는 방법론이다.

전이 학습의 일례로는, 도 8에 도시한 바와 같이 이미 학습된 모델을 이용하여 새로운 태스크에 대해 전체 파라미터를 재학습시키는 방법이 있다. 다른 예로, 전이 학습 방법에는 도 9와 도 10에 도시한 바와 같이 일부 파라미터를 고정시키고(frozen) 나머지 파라미터만을 재학습시키는 방법이 있다. 일부 파라미터를 고정시켜 학습하는 전이 학습의 경우 텐서플로(Tensor Flow) 기반 BERT 모델을 사용한다면 최적화 파일을 변경하여 학습 가능한 변수를 지정하는 것 또한 가능하다.

본 실시예에서는 BERT 모델에 적합한 전이 학습 방법으로 전체 파라미터를 재학습시키는 전이 학습을 적용할 수 있으며, 전이 학습을 이용한 학습 데이터 확장 프로세스(S602)는 다음과 같다.

프로세서(220)는 사전에 선정된 M개의 도메인(예를 들어, 쇼핑 리뷰, 뉴스, 댓글, SNS)으로 학습된 모델에 대하여 소규모 데이터로 구축된 정답 데이터 셋의 전체 데이터로 전이 학습한 모델을 생성할 수 있다.

프로세서(220)는 정답 데이터 셋을 N개의 데이터 그룹으로 분할한 후 N개의 데이터 그룹 중 하나의 그룹을 고정 데이터 셋으로 하고 나머지 N-1개의 데이터 그룹 각각을 고정 데이터 셋과 더해 N-1개의 데이터 셋을 구축할 수 있다.

프로세서(220)는 M개의 도메인으로 학습된 모델에 대하여 N-1개의 데이터 셋을 전이 학습한 N-1개의 모델을 생성할 수 있다.

따라서, 프로세서(220)는 M개의 도메인으로 학습된 모델에 대해 전체 데이터로 전이 학습한 하나의 모델과 분할 데이터로 전이 학습한 N-1개의 모델을 생성하여 총 N개의 모델을 생성할 수 있다.

프로세서(220)는 새로운 도메인의 정답이 없는 데이터에 대해 앙상블 방법을 이용한 학습 데이터 확장 프로세스(S601)와 동일한 방법으로 데이터를 확장할 수 있다. 프로세서(220)는 새로운 도메인의 데이터에 대해 전이 학습으로 생성된 N개의 모델을 이용하여 정답을 예측한 정답 데이터를 생성할 수 있다. 이때, 프로세서(220)는 N개의 모델 간의 예측 결과를 비교하여 N개의 모델로 예측된 데이터 중 적어도 일부를 정답 데이터로 선정하여 활용할 수 있다.

프로세서(220)는 새로운 도메인의 데이터를 학습하는 경우 전이 학습을 기반으로 기존 도메인을 지원하는 N개의 모델을 이용하여 학습할 수 있다. 다시 말해, 전이 학습에 따라 기존 도메인을 지원하는 모델에 대해 새로운 도메인의 데이터로 해당 모델의 파라미터를 튜닝할 수 있다.

따라서, 본 실시예에서는 전이 학습과 앙상블 방법을 결합하여 신규 도메인의 데이터를 확장함으로써 기존 도메인을 포괄하는 데이터를 만들 수 있어 기존 도메인의 품질을 보장할 수 있다.

본 발명의 실시예에 따른 감정 분석 시스템은 상품(예를 들어, 쇼핑, 영화, 뮤직 등)에 대한 감정 분석, 업체(예를 들어, 맛집, 호텔, 회사 등)에 대한 감정 분석, 인물(예를 들어, 연예인, 정치인 등)에 대한 감정 분석, 화자 발언에 대한 감정 분석 등에 활용될 수 있다.

이처럼 본 발명의 실시예들에 따르면, BERT 언어모델과 PKD 기법을 이용하여 감정 분석을 위한 인공지능 모델을 압축함으로써 정확도와 처리 속도를 충분히 만족시키면서 감정 분석 서비스에 최적화된 모델을 구현할 수 있다. 특히, 본 발명의 실시예들에 따르면, 데이터 확장 기술과 전이 학습 기술을 활용하여 효율적으로 신규 도메인을 확장할 수 있도록 설계함으로써 다양한 도메인에서 범용적으로 활용 가능한 감정 분석 서비스를 제공할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 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, 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 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 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, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

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 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

1. 컴퓨터 장치에서 실행되는 감정 분석 방법에 있어서,
   상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
   상기 감정 분석 방법은,
   상기 적어도 하나의 프로세서에 의해, 데이터 확장(data expansion)이 가능한 모델 구조로 앙상블 학습(ensemble learning)과 전이 학습(transfer learning)에 기반한 인공지능 언어모델을 생성하는 단계; 및
   상기 적어도 하나의 프로세서에 의해, 주어진 문서에 대해 상기 인공지능 언어모델을 이용하여 감정 분석을 수행하는 단계
   를 포함하고,
   상기 인공지능 언어모델을 생성하는 단계는,
   복수 개의 도메인에 대해 도메인 별로 수집된 정답 데이터 셋을 기초로 상기 앙상블 학습으로 생성된 복수 개의 모델과 상기 전이 학습으로 생성된 복수 개의 모델을 이용하여 새로운 도메인의 정답이 없는 데이터에 대해 정답을 예측한 정답 데이터를 생성함으로써 상기 인공지능 언어모델의 학습 데이터를 확장하는 단계
   를 포함하는 감정 분석 방법.
2. 제1항에 있어서,
   상기 인공지능 언어모델의 학습 데이터를 확장하는 단계는,
   상기 정답 데이터 셋을 분할하여 복수 개의 데이터 그룹을 구축하는 단계; 및
   상기 복수 개의 도메인으로 학습된 모델에 대해 상기 정답 데이터 셋의 전체 데이터로 전이 학습한 제1 모델과 상기 데이터 그룹 각각으로 전이 학습한 복수 개의 제2 모델을 생성하는 단계
   를 포함하는 감정 분석 방법.
3. 제2항에 있어서,
   상기 제1 모델과 상기 제2 모델을 생성하는 단계는,
   상기 복수 개의 도메인으로 학습된 모델의 전체 파라미터를 재학습하는 전이 학습을 이용하여 상기 제1 모델과 상기 제2 모델을 생성하는 것
   을 특징으로 하는 감정 분석 방법.
4. 제2항에 있어서,
   상기 제1 모델과 상기 제2 모델을 생성하는 단계는,
   상기 복수 개의 도메인으로 학습된 모델의 일부 파라미터를 고정시키고 나머지 파라미터를 재학습하는 전이 학습을 이용하여 상기 제1 모델과 상기 제2 모델을 생성하는 것
   을 특징으로 하는 감정 분석 방법.
5. 삭제
6. 제1항에 있어서,
   상기 인공지능 언어모델의 학습 데이터를 확장하는 단계는,
   상기 새로운 도메인의 데이터에 대해 복수 개의 모델을 이용하여 정답을 예측하는 단계; 및
   모델 간의 예측 결과를 비교하여 정답을 예측한 데이터 중 적어도 일부를 정답 데이터로 선정하는 단계
   를 포함하는 감정 분석 방법.
7. 제1항에 있어서,
   상기 인공지능 언어모델은 BERT(Bidirectional Encoder Representations from Transformer) 언어모델로 구성되는 것
   을 특징으로 하는 감정 분석 방법.
8. 제7항에 있어서,
   상기 인공지능 언어모델은 감정 분석의 정확도와 처리 속도를 고려하여 레이어 수를 축소한 쉘로우(shallow) BERT 모델로 구성되는 것
   을 특징으로 하는 감정 분석 방법.
9. 제7항에 있어서,
   상기 인공지능 언어모델은 PKD(Patient Knowledge Distillation) 기법을 적용한 BERT 모델로 구성되는 것
   을 특징으로 하는 감정 분석 방법.
10. 제1항 내지 제4항, 제6항 내지 제9항 중 어느 한 항의 감정 분석 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
11. 제1항 내지 제4항, 제6항 내지 제9항 중 어느 한 항의 감정 분석 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록 매체.
12. 컴퓨터 장치에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    데이터 확장이 가능한 모델 구조로 앙상블 학습과 전이 학습에 기반한 인공지능 언어모델을 생성하고,
    주어진 문서에 대해 상기 인공지능 언어모델을 이용하여 감정 분석을 수행하고,
    상기 적어도 하나의 프로세서는,
    복수 개의 도메인에 대해 도메인 별로 수집된 정답 데이터 셋을 기초로 상기 앙상블 학습으로 생성된 복수 개의 모델과 상기 전이 학습으로 생성된 복수 개의 모델을 이용하여 새로운 도메인의 정답이 없는 데이터에 대해 정답을 예측한 정답 데이터를 생성함으로써 상기 인공지능 언어모델의 학습 데이터를 확장하는 것
    을 특징으로 하는 컴퓨터 장치.
13. 제12항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 정답 데이터 셋을 분할하여 복수 개의 데이터 그룹을 구축하고,
    상기 복수 개의 도메인으로 학습된 모델에 대해 상기 정답 데이터 셋의 전체 데이터로 전이 학습한 제1 모델과 상기 데이터 그룹 각각으로 전이 학습한 복수 개의 제2 모델을 생성하는 것
    을 특징으로 하는 컴퓨터 장치.
14. 제13항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수 개의 도메인으로 학습된 모델의 전체 파라미터를 재학습하는 전이 학습을 이용하여 상기 제1 모델과 상기 제2 모델을 생성하는 것
    을 특징으로 하는 컴퓨터 장치.
15. 제13항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수 개의 도메인으로 학습된 모델의 일부 파라미터를 고정시키고 나머지 파라미터를 재학습하는 전이 학습을 이용하여 상기 제1 모델과 상기 제2 모델을 생성하는 것
    을 특징으로 하는 컴퓨터 장치.
16. 삭제
17. 제12항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 새로운 도메인의 데이터에 대해 복수 개의 모델을 이용하여 정답을 예측하고,
    모델 간의 예측 결과를 비교하여 정답을 예측한 데이터 중 적어도 일부를 상기 정답 데이터로 선정하는 것
    을 특징으로 하는 컴퓨터 장치.

Images