KR102444457B1 - 단어 그래프를 이용한 대화의 요약 생성 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 단어 그래프를 이용한 대화의 요약 생성 방법이 개시된다. 상기 방법은 요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하는 단계; 상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 단계; 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계; 및 상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하는 단계를 포함할 수 있다.

Description

단어 그래프를 이용한 대화의 요약 생성 방법{METHOD FOR DIALOGUE SUMMARIZATION WITH WORD GRAPHS}

본 개시는 단어 그래프를 이용한 대화의 요약 생성 방법에 관한 것으로, 보다 구체적으로 대화 기반으로 생성된 단어 그래프에서 요약 문장을 추출하는 방법에 관한 것이다.

기존의 지도 학습으로 훈련되는 요약 아키텍처는 학습 데이터가 없는 도메인에서 사용이 불가한 문제가 있었다.

또한, 기존 단어 그래프 기반의 요약 시스템에선, 중요한 단어를 골라내는 데에 외부 시스템이 필요했다. 예를 들어, WordNet, TF- IDF와 같이 단어 중요도 판별 알고리즘이 필요하였고, 단어 그래프에서 문장을 추출할 때, 서브 모듈성 최대화(submodularity maximization) 혹은 함의 레이블링(entailment labeling)과 같은 추가적인 작업이 필요하였다.

또한, 기존 대화 요약 시스템들은 화자 정보를 최종 요약본에 직접적으로 사용하지 않았다. 대화 요약은 기존 텍스트 요약과 다르게 화자 정보가 문맥에서 중요하지만, 기존의 대화 시스템들은 발화 속에 녹아 있는 화자 정보를 간접적으로만 이용하였다.

추가적으로, 기존 대화 요약 시스템에선 긴 텍스트를 요약하기 위해서 외부 시스템이 필요하였다.

따라서, 이러한 문제점 또는 단점을 해결할 수 있는 새로운 요약 기술이 요구되고 있다.

한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.

본 개시는 대화 기반으로 생성된 단어 그래프에서 요약 문장을 추출하는 방법을 제공하는 것을 해결 과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하는 단계; 상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 단계; 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계; 및 상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하는 단계를 포함할 수 있다.

대안적으로, 상기 단어 그래프를 생성하는 단계는, 상기 대화에 대한 정보를 토큰 단위로 분절하는 단계; 각 문장의 앞뒤에 시작과 끝을 나타내는 추가적인 토큰을 부가하는 단계; 및 각 토큰을 순서에 맞춰 노드로 추가하는 단계를 포함할 수 있다.

대안적으로, 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계는, 상기 단어 그래프에서, 각 문장의 시작을 나타내는 노드로부터 각 문장의 끝을 나타내는 노드로 연결되는 복수의 경로들을 추출하는 단계; 및 상기 추출된 복수의 경로들에 기초하여 상기 복수의 후보 요약 문장들을 생성하는 단계를 포함할 수 있다.

대안적으로, 상기 추출된 복수의 경로들에 기초하여 상기 복수의 후보 요약 문장들을 생성하는 단계는, 상기 추출된 복수의 경로들에 k-최단 경로(shortest path) 알고리즘을 적용하여, 상기 복수의 후보 요약 문장들을 생성하는 단계를 포함할 수 있다.

대안적으로, 상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 단계는, 상기 단어 그래프에서, 적어도 하나의 k-코어(core) 노드를 결정하는 단계; 및 상기 결정된 적어도 하나의 노드에 기초하여, 상기 적어도 하나의 키워드를 추출하는 단계를 포함할 수 있다.

대안적으로, 상기 점수는 상기 복수의 후보 요약 문장들 각각에 대하여 연산되고, 특정 후보 요약 문장에 대한 점수는, 상기 특정 후보 요약 문장의 경로에 속하는 모든 노드들의 노드 집합; 및 상기 대화와 관련된 전체 키워드에 대한 키워드 집합에 기초하여 연산될 수 있다.

대안적으로, 상기 특정 후보 요약 문장에 대한 점수는, 상기 특정 후보 요약 문장에 대한 노드 집합 및 상기 키워드 집합의 교집합의 크기; 및 상기 키워드 집합의 크기에 기초하여 연산될 수 있다.

대안적으로, 상기 컴퓨팅 장치에 의해 수행되는 방법은, 상기 선택된 적어도 하나의 후보 요약 문장에 대한 인칭을 변환하는 단계를 더 포함할 수 있다.

대안적으로, 상기 선택된 적어도 하나의 후보 요약 문장에 대한 인칭을 변환하는 단계는, 상기 선택된 적어도 하나의 후보 요약 문장의 1 인칭 또는 2 인칭 표현을 3 인칭 표현으로 변환하는 단계를 포함할 수 있다.

대안적으로, 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계는, 상기 단어 그래프를 분할(segmentation)하여 복수의 단어 서브-그래프들을 생성하는 단계; 및 상기 복수의 단어 서브-그래프들 각각에 대하여, 복수의 후보 서브-요약 문장들을 생성하는 단계를 포함할 수 있다,

대안적으로, 상기 단어 그래프를 분할하여 복수의 단어 서브-그래프들을 생성하는 단계는, 상기 단어 그래프에 포함된 문장들 각각에 대하여, 각 문장이 상기 적어도 하나의 키워드를 포함하는지 여부를 나타내는 벡터를 생성하는 단계; 및 생성된 벡터들 사이의 거리 또는 유사도에 기초하여, 복수의 단어 서브-그래프들을 생성하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 대화의 요약을 생성하기 위한 동작들을 수행하도록 하며, 상기 동작들은: 요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하는 동작; 상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 동작; 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 동작; 및 상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하고; 상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하고, 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하고; 그리고 상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하도록 구성될 수 있다.

본 개시는 대화의 요약을 생성하기 위한 방법을 제공할 수 있으며, 이를 통해 대화 기반으로 생성된 단어 그래프에서 요약 문장을 추출하는 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 대화의 요약을 생성하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 단어 그래프에서 요약 문장을 추출하기 위한 방법을 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따라 대화에 대한 정보를 토큰 단위로 분절하는 단계를 설명하기 위한 개략도이다.
도 5는 본 개시의 일 실시예에 따른 단어 그래프에 기초하여 대화의 요약을 생성하기 위한 방법을 나타낸 개략도이다.
도 6은 본 개시의 일 실시예에 따라 후보 요약 문장에 대하여 키워드와 연관된 점수를 연산하는 방법을 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따라 후보 요약 문장에 대한 인칭을 변환하는 단계를 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따라 단어 그래프를 분할하여 복수의 단어 서브-그래프들을 생성하기 위해 이용되는 과정을 나타낸 개략도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

통상의 기술자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환 가능하게 사용될 수 있다.

도 1은 본 개시의 일 실시예에 따른 대화의 요약을 생성하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)에는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따른 프로세서(110)는 대화의 요약을 생성하기 위해 대화에 대한 정보를 인식하고, 대화에 대한 정보에 기초하여 단어 그래프를 생성할 수 있으며, 생성된 단어 그래프에서 적어도 하나의 키워드를 추출하는 동작들을 수행할 수 있다. 이때, 대화에 대한 정보는 일상, 인터뷰, 시나리오, 또는 토론 요약 데이터에 대한 정보일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성할 수 있다. 또한, 상기 프로세서(110)는 상기 복수의 후보 요약 문장들 각각에 대하여, 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하여 대화에 대한 요약을 수행할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.

예를 들어, 네트워크부(150)는 대화에 대한 정보를 외부 시스템으로부터 수신할 수 있다. 이때, 데이터베이스로부터 수신되는 정보는, 단어 그래프를 생성하여 요약 문장을 추출하기 위한 학습용 데이터 또는 추론용 데이터일 수 있다. 대화에 대한 정보는 상술한 예시의 정보들을 포함할 수 있으나, 상술한 예시에 제한되지 않고, 통상의 기술자가 이해할 수 있는 범위 내에서 다양하게 구성될 수 있다.

또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.

한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스(access)할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 외부 데이터베이스로부터 단어 그래프를 생성하여 요약 문장을 추출하기 위한 정보를 수신하여 대화에 대한 요약 결과를 생성하고, 대화에 대한 요약 결과에 관한 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력 받거나 처리할 수 있다.

추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화 학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따른 단어 그래프에서 요약 문장을 추출하기 위한 방법을 나타낸 순서도이다.

도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 외부 시스템으로부터 대화의 요약을 실행하기 위해 요약 대상 대화에 대한 정보를 수신할 수 있다(S110). 요약 대상 대화는 본 개시의 실시예에 따라 요약이 실행되는 대상이 되는 대화로써 요약의 대상이 되는 대화이다. 외부 시스템은 대화의 요약을 위한 정보들을 저장하고 관리하는 서버, 데이터베이스 등일 수 있다. 컴퓨팅 장치(100)는 외부 시스템으로부터 수신된 대화 정보들을 요약 문장을 추출하기 위한 입력 데이터로 사용할 수 있다.

컴퓨팅 장치(100)는 요약 대상 대화에 대한 정보를 기초로, 대화에 포함된 단어들을 그래프 형태로 표현하여 단어 그래프를 생성할 수 있다(S120). 예를 들어, 컴퓨팅 장치(100)는 요약 대상 대화에 관한 정보를 텍스트로 변환하고, 변환된 텍스트를 토큰 단위로 분절하는 과정을 수행할 수 있으며, 각 토큰을 순서에 맞춰 노드에 추가함으로써 단어 그래프를 생성할 수 있다.

컴퓨팅 장치(100)는 S120 단계를 통해 생성된 단어 그래프에 기초하여, 적어도 하나의 키워드를 추출하고, 복수의 후보 요약 문장들을 생성할 수 있다(S130).

컴퓨팅 장치(100)는 S130 단계를 통해 생성된 복수의 후보 요약 문장들 각각에 대하여, 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 복수의 후보 요약 문장들 중 적어도 하나를 선택함으로써 요약 대상 대화에 대한 요약을 수행할 수 있다(S140).

도 4는 본 개시의 일 실시예에 따라 대화에 대한 정보를 토큰 단위로 분절하는 단계를 설명하기 위한 개략도이다.

도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 단어 그래프를 생성하기 위해 외부 시스템으로부터 대화에 대한 정보(11)를 수신할 수 있다.

이때, 대화에 대한 정보(11)는 일상 대화에 관한 텍스트 정보, 인터뷰에 관한 텍스트 정보, 시나리오에 관한 텍스트 정보, 토론 요약 데이터에 관한 텍스트 정보 등을 포함할 수 있으며, 이러한 예시들 이외에도 다양한 대화들이 포함될 수 있다. 상기 대화에 대한 텍스트 정보는 음성 인식(ASR: Automatic Speech Recognition 또는 STT: Speech-to-Text)를 통해 획득될 수 있다. 이와 같이, 상기 대화에 대한 정보는, 특정 도메인에 한정되지 않고 요약이 필요한 다양한 도메인의 대화 정보들을 포함할 수 있다.

컴퓨팅 장치(100)는 외부 시스템으로부터 수신된 대화에 대한 정보들을 단어 그래프 생성을 위한 입력 데이터로 사용할 수 있다. 예를 들어, 도 4의 예시는 P1과 P2의 화자가 푸들에 관한 일상 대화를 나눈 텍스트 정보를 개시하고 있고, 상기 일상 대화의 텍스트 정보를 요약하기 위해 본 개시의 실시예들이 수행될 수 있다.

컴퓨팅 장치(100)는 수신된 대화에 대한 정보를 토큰 단위로 분절하는 과정(21)을 수행할 수 있다. 대화에 대한 입력 텍스트를 토큰 단위로 분절하는 과정에는 외부 품사 태거(tagger)가 이용될 수 있다. 또한 상기 입력 텍스트가 한국어인 경우에는 형태소 태거가 이용될 수 있다. 예를 들어, 외부 품사 태거를 이용하여 입력 텍스트에 품사를 태깅하고, 품사가 태깅된 토큰 단위로 입력 테스트를 분절하는 과정을 수행할 수 있다.

컴퓨팅 장치(100)는 상기 분절하는 과정(21)을 통해 입력 텍스트의 분절된 토큰들을 획득할 수 있다(31). 예를 들어, 컴퓨팅 장치(100)는, 도 3의 예시에서 확인할 수 있듯이, 상기 분절하는 과정(21)을 통해, P1, P2, Yeah, adopted, two, Poodles, read, they, are, very, intelligent, smarter, than, am, these 등과 같은 분절된 토큰들을 획득할 수 있다. 여기서, 상기 분절된 토큰들은 외부 품사 태거 또는 형태소 태거에 따라 각각에 품사 또는 형태소가 태깅된 토큰일 수 있다.

도 5는 본 개시의 일 실시예에 따른 단어 그래프에 기초하여 대화의 요약을 생성하기 위한 방법을 나타낸 개략도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치는 입력되는 대화에 포함된 문장들을 토큰 단위로 분절할 수 있다. 또한, 컴퓨팅 장치(100)는 단어 그래프에 입력되는 각 문장들 앞뒤에 시작과 끝을 나타내는 추가적인 토큰을 부가할 수 있다. 구체적으로, 컴퓨팅 장치(100)는, 각 문장들 앞에 시작을 나타내는 <BOS>토큰(41)을 추가하고, 각 문장들 마지막에 끝을 나타내는 <EOS>토큰(44)을 추가할 수 있다. 예를 들어, “철수가 밥을 먹는다”의 문장은 [<BOS>, 철수, 가, 밥, 을, 먹는, 다, <EOS>]의 토큰들로 분절될 수 있다. 또한, 컴퓨팅 장치(100)는 겹치는 토큰들을 단어 그래프상의 동일한 노드로 구성할 수 있다. 이에 따라 입력된 대화 정보의 모든 문장을 단어 그래프에 추가하면 단어 그래프에는 <BOS>토큰(41)과 <EOS>토큰(44)이 각각 하나씩 존재할 수 있다. 또한, 토큰 단위로 분절된 입력 텍스트를 단어 그래프에 입력하여 상기 분절된 각 토큰을 순서에 맞춰 노드에 추가하는 행동(42)을 수행할 수 있다. 이때, 이전 단어는 다음 단어로 향하는 엣지(edge)를 포함할 수 있으며, 단어 그래프에 상기 분절된 각 토큰을 순서에 맞춰 노드에 추가하는 행동은, 태깅된 품사와 단어가 겹치는 단어들이 같은 노드에 추가되는 과정을 포함할 수 있다. 이와 같이 상기 분절된 각 토큰을 순서에 맞춰 노드에 추가하는 행동(42)을 수행함으로써 요약 대상 대화에 대한 단어 그래프를 생성할 수 있다. 이러한 단어 그래프 구성을 통해, 화자의 발화와 관련된 노드만을 포함하는 하위 그래프를 빠르게 추출하는 것이 가능하다.

추가적으로, 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출할 수 있다. 기존에 단어 그래프에서 키워드를 추출하는 방식은 중심성 측정(Centrality measure)을 통하여 단어 그래프에서 중요한 노드를 식별하는 방식이 주로 사용되었다. 다만, 본 개시의 일 실시예에 따르면 그래프 축퇴(degeneracy)를 이용하여 키워드 노드를 추출하는 방식이 활용될 수 있다. 상기 단어 그래프에서 입력된 대화에 대한 정보는 노드들 간의 경로로 표현될 수 있다. 이때, 대화의 문장 간에 단어가 겹쳐지면 교차경로가 생성될 수 있다. 이와 같은 교차경로에 따라 노드들 간에 새로운 연결관계가 생성될 수 있으면 많은 정보를 포함하면서 길이가 짧아지는 경로가 생성될 수 있다. 따라서, 키워드를 추출하기 위해 그래프의 축퇴성을 이용할 수 있다. 상기 방법을 통해 키워드 노드를 추출함으로써, 외부 시스템을 이용하지 않고도 키워드 추출이 가능한 효과를 얻을수 있다.

또한, 상기 키워드 노드를 추출하기 위해 그래프 축퇴를 이용할 때 k-축퇴 단어 그래프를 활용할 수 있다. 이때, 상기 그래프의 k-코어(core)노드에 속하는 단어가 키워드로 간주될 수 있다. 또한, k-코어 노드들의 집합으로 전체 키워드의 집합을 얻을 수 있다. 이에 따라 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 단어 그래프에서, 적어도 하나의 k-코어(core) 노드를 결정하고, 결정된 적어도 하나의 노드에 기초하여, 적어도 하나의 키워드를 추출할 수 있다. 여기서 k-코어는 최소 k 이상의 차수(예를 들어, 단어 그래프에서 연결된 노드의 수)를 갖는 최대로 축퇴된 하위그래프를 의미할 수 있다.

도 5를 참조하면, 단어 그래프에서 중요도가 떨어지는 노드들, 예를 들어 'I'에 대응하는 P1 노드 또는 P2 노드, 'are' 노드, 구두점(PUNCT) 노드를 제외하면, Poodles 노드(43)와 연결된 노드의 수가 유일하게 '4'로 가장 높다는 것을 알 수 있다. 즉 도 4를 참조하여 전술한 대화(11)에 대한 도 5의 단어 그래프에서, Poodles노드(43)가 k-코어 노드로 결정되고, “Poodles”가 대화(11)의 유일한 키워드로 결정될 수 있다.

또한, 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성할 수 있다. 상기 생성된 단어 그래프에 입력된 단어들은 이전단어에서 다음단어로 향하는 엣지가 존재하므로, 컴퓨팅 장치(100)는 단어 그래프에서 각 문장의 시작을 나타내는 노드로부터 각 문장의 끝을 나타내는 노드로 연결되는 복수의 경로들을 추출할 수 있다. 또한 추출된 경로들에 기초하여 복수의 후보 요약 문장들을 생성할 수 있다. 추가적으로, 컴퓨팅 장치(100)는 상기 복수의 후보 요약 문장들을 생성하기 위해 복수의 경로들을 추출함에 있어, k-최단 경로(shortest path) 알고리즘을 적용할 수 있다. k-최단 경로 알고리즘은, 단어 그래프 상의 한 노드로부터 다른 노드로의 k개의 최단 경로를 결정하는 알고리즘으로, 예를 들어 다익스트라(Dijkstra) 알고리즘이 있다. 단어 그래프에 존재하는 모든 경로의 개수가 k보다 작다면, 단어 그래프의 모든 경로가 최단 경로로 결정될 수 있다. k-최단 경로 알고리즘에서 “최단 경로(shortest path)”는 단순히 노드의 개수에 따라 결정되는 것이 아니고, 노드 사이의 엣지(edge)에 대한 가중치(weight)에 기초하여 결정된다. 본 개시의 일 실시 예에 따르면, 엣지 양 끝의 두 노드의 단어 각각이 원문에 많이, 또는 두 노드의 단어가 원문에 함께 포함될수록 해당 엣지의 중요도가 높게 결정될 수 있다. 구체적으로, k-최단 경로 알고리즘을 이용하여 k개의 후보 요약 문장들을 생성할 때 다음과 같은 과정이 수행될 수 있다.

1) 단어 그래프에 k-최단 경로 알고리즘을 사용하여 <BOS>노드부터 <EOS>노드 까지의 최단경로가 획득될 수 있다.

2)최단 경로 알고리즘이 반복 수행됨으로써 k개의 경로들이 획득될 수 있다.

3)최단 경로 알고리즘이 반복 수행됨에 있어, 전체 키워드 집합에 대응하는 키워드의 집합이 추적되어, 전체 키워드 집합의 모든 키워드가 발견되거나, 사전 정의된 반복 횟수가 도달될 시 경로 추적이 종료될 수 있다.

예를 들어, <BOS>노드에서부터 시작하여 <EOS>노드에서 끝나는 k 개의 최단 경로에 대응하는 k개의 후보 요약 문장들이 생성되고, k개의 후보 요약 문장들 중 “유일한 키워드인 Poodles(43) 노드를 지나는 최단 경로에 대응하는 요약 문장(45)”이 최종적인 요약 문장으로 결정될 수 있다.

이에 따라 최종 요약 문장인 “These Poodles are very intelligent.”가 획득될 수 있으며, 상기 최종 요약 문장은 대화(11)에 대한 요약을 표현할 수 있다.

도 5를 참조하여 단어 그래프 생성 과정 및 k-최단거리 알고리즘에 기초하여 후보 요약 문장을 획득하는 과정을 상세히 설명하였다. 도 5를 참조하여 전술한 실시 예에서는 키워드가 “Poodles”로 유일하였으나, 다른 실시 예에 따르면 k-코어 노드에 대응하는 키워드가 복수 개일 수 있다. 이하 도 6을 참조하여, 키워드가 복수인 경우 후보 요약 문장들 각각에 대해 키워드와 연관된 점수를 연산하는 방법을 설명한다.

도 6은 본 개시의 일 실시예에 따라 후보 요약 문장에 대하여 키워드와 연관된 점수를 연산하는 방법을 나타낸 순서도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 전체 키워드의 집합을 추출하고, 상기 생성된 복수의 후보 요약 문장 각각에 대하여 키워드와 연관된 점수를 연산할 수 있다. 또한, 컴퓨팅 장치(100)는 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택할 수 있다. 기존에는 단어 그래프의 경로 점수 연산을 위해 다양성(diversity) 보상 함수가 활용되었으나, 본 개시의 점수는 다양성 대신에 커버리지(coverage)를 측정하기 위한 함수를 활용하여 연산될 수 있다. 또한, 특정 후보 요약 문장에 대한 점수는, “상기 특정 후보 요약 문장의 경로에 속하는 모든 노드들의 노드 집합” 및 “상기 대화와 관련된 전체 키워드에 대한 키워드 집합”에 기초하여 연산될 수 있다. 구체적으로, 상기 점수는 “특정 후보 요약 문장에 대한 노드 집합과 상기 키워드 집합의 교집합의 크기(

” 및 “상기 키워드 집합의 크기(

”에 기초하여 연산될 수 있다. 예를 들어, 본 개시의 일 실시예에서 후보 요약 문장에 대해 연산되는 점수에 관한 수학식(52)은 다음과 같이 계산될 수 있다.

상기 수학식(52)에서 Vi는 문장 i(=경로 i)에 속한 모든 노드들의 집합, KW는 전체 키워드의 집합을 의미하며, 컴퓨팅 장치(100)는 상기 후보 요약 문장 각각에 대하여 위의 식으로 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나의 후보 요약 문장을 선택할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 k-최단 경로 알고리즘을 이용하여 k개의 후보 요약 문장들을 추출하고, 추출된 후보 요약 문장들 중에 상기 점수가 가장 높은 문장을 선택할 수 있다. 만약 점수가 가장 높은 문장이 2개 이상 존재하는 경우 2개이상이 선택될 수 있다. 또한, 후보 요약 문장들의 개수 k가 증가하면 과정의 수행속도가 늘어나지만 요약의 정확도가 높아질 수 있다.

도 6을 참조하면, 점수를 계산할 후보 요약 문장(51)의 예시가 개시된다. 예를 들어, 후보 요약 문장은 [<BOS>, Poodles, are, cute, <EOS>]로 구성될 수 있으며, 전체 키워드 집합인 KW는 [Poodles, cute, intelligent]로 구성될 수 있다. 컴퓨팅 장치(100)는 상기 개시된 수학식(52)에 따라 상기 후보 요약 문장(51)에 대한 점수를 연산할 수 있다(53). 전체 키워드 집합의 원소의 개수는 3개이며, 상기 후보 요약 문장(51)은 전체 키워드 집합과 대응하는 키워드 중 Poodles와 cute 2개를 포함하고 있다. 따라서 상기 후보 요약 문장(51)의 점수(54)는 2/3로 연산될 수 있다.

도 5를 참조하여 전술한 실시 예의 경우에도 수학식(52)에 기초하여 후보 요약 문장에 대한 점수가 연산될 수 있다. 도 5를 참조하여 전술한 실시 예에서는 k-코어 노드가 Poodles(43) 하나뿐이므로 키워드는 “Poodles”, 전체 키워드 집합 KW는 [Poodles]로 구성된다. k-최단거리 알고리즘에 따라 결정된 k개의 후보 요약 문장들 중 하나인 요약 문장(45)(“These Poodles are very intelligent”)에는 키워드 “Poodles”가 포함되므로 수학식(52)에 따른 점수는 1/1로 연산될 수 있다. k개의 후보 요약 문장들 중 요약 문장(45)을 제외한 나머지 후보 요약 문장들에는 키워드 “Poodles”가 포함되지 않으므로, 수학식(52)에 따른 점수는 0/1로 연산될 수 있고, 이에 따라 k개의 후보 요약 문장들 중 점수가 높은 요약 문장(45)이 최종 요약 문장으로 결정될 수 있다.

기존에는 문장 별로 외부 언어모델, 단어에 대한 외부 통계 모델 등을 이용하여 문장이 자연스러운지 여부/여러가지 단어를 쓰는지 등에 따라 최적의 경로가 결정되었다. 본 개시는 키워드 포함 여부라는 간단한 기준으로 점수를 계산함으로써, 스코어링 방식이 간단하여 처리속도가 개선될 수 있고, 요약문을 평가하는 ROUGE score와 같은 지표가 개선될 수 있는 기술적 효과가 있다.

도 7은 본 개시의 일 실시예에 따라 후보 요약 문장에 대한 인칭을 변환하는 단계를 나타낸 순서도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 선택된 하나의 후보 요약 문장에 대해 인칭을 변환할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 선택된 적어도 하나의 후보 요약 문장의 1 인칭 또는 2 인칭 표현을 3 인칭 표현으로 변환할 수 있다.

도 7을 참조하면, 4단계를 통해 후보 요약 문장에 대한 인칭 변환이 적용된다. 먼저, 요약 문장의 대명사가 1인칭 또는 2인칭에서 3인칭으로 변경될 수 있다(S210). 예를 들어, 사전 정해진 규칙에 기반한 POV(point of view) 변환 모듈을 이용하여 대화의 인칭이 변환될 수 있다. 상기 변환 모듈은 디코더를 이용하여 지정된 각 어조에 적합한 대명사를 생성함으로써, 목표한 스타일로 문장을 생성하도록 조건을 설정할 수 있다.

그리고, 상기 S210단계를 통해 인칭이 변경된 문장에 포함된 조동사의 시제가 변경될 수 있다(S220). 예를 들어, 대화가 영어인 경우에 조동사 can, may, must의 시제가 각각 could, might, had to로 변경되는 경우가 포함될 수 있다.

그 다음에, 사전 정해진 템플릿이 상기 요약 문장에 적용될 수 있다(S230). 예를 들어, P1의 화자가 “I adopted two Poodles.”의 발화를 하였을 때, <화자>가 <발화>를 묻는 템플릿이 사전에 정해지고, 상기 템플릿이 상기 예시 문장에 적용됨으로써 “P1 adopted two Poodles.”의 인칭이 변환된 문장이 얻어질 수 있다.

마지막으로, 컴퓨팅 장치(100)는 S230단계가 적용된 문장이 주어-동사가 수 일치하는지 여부를 판단한 후, 일치하지 않는 경우 주어-동사가 수 일치하도록 수정할 수 있다.

이와 같이, 상기 인칭 변환 방법은 화자 정보를 최종 요약에 직접적으로 사용함으로써, 여러 인칭의 발화가 섞여 있는 대화 요약에서 일관성 있는 3인칭으로 변환된 요약을 제공할 수 있고, 인칭 변환을 내부 요약과정에서 수행할 수 있는 기술적 효과가 존재한다.

<기존 요약 모델과 인칭 변환을 추가로 적용하였을 경우의 ROUGE score 비교표>

추가적으로 상기 표를 참조하면, 인칭 변환 방법을 이용함으로써, 인칭 변환을 하지 않았던 요약과 비교하여 요약본의 평가 지표인 ROUGE score지표가 개선되는 효과를 얻을 수 있음을 알 수 있다.

도 8은 본 개시의 일 실시예에 따라 단어 그래프를 분할하여 복수의 단어 서브-그래프들을 생성하기 위해 이용되는 과정을 나타낸 개략도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 S130단계에서 복수의 후보 요약 문장들을 생성하는 경우 단어 그래프를 분할(segmentation)하여 복수의 단어 서브-그래프들을 생성할 수 있고, 상기 복수의 단어 서브-그래프들 각각에 대하여, 복수의 후보 서브-요약 문장들을 생성할 수 있다. 또한, 컴퓨팅 장치(100)는, 이러한 복수의 단어 서브-그래프들 각각에 대한 복수의 후보 서브-요약 문장들에 기초하여 대화의 요약을 생성할 수 있다.

예를 들어, 컴퓨팅 장치(100)는, ① 전체 대화에 대한 단어 그래프(G)를 분할하여, 복수의 부분 대화들에 대한 복수의 단어 서브-그래프들(G-sub1, G-sub2, ... G-subN)을 생성할 수 있고, ② 각각의 단어 서브-그래프(예컨대, G-sub1)에 대하여 복수의 후보 서브-요약 문장들(예컨대, G-sub1-후보1, G-sub1-후보2, ... G-sub1-후보K)을 생성할 수 있다. ③ 또한, 컴퓨팅 장치(100)는, 각각의 단어 서브-그래프(예컨대, G-sub1)에 대한 적어도 하나의 키워드(예컨대, G-sub1-키워드)를 추출한 뒤에, 각각의 단어 서브-그래프(예컨대, G-sub1)의 복수의 후보 서브-요약 문장들(예컨대, G-sub1-후보1, G-sub1-후보2, ... G-sub1-후보K)의 점수들을 연산할 수 있으며, ④ 연산된 점수들에 기초하여 각각의 단어 서브-그래프(예컨대, G-sub1)에 대한 최종 서브-요약 문장(예컨대, G-sub1-최종요약)을 선택할 수 있다. ⑤ 또한, 컴퓨팅 장치(100)는, 이러한 방식으로 선택된, 복수의 단어 서브-그래프들(G-sub1, G-sub2, ... G-subN)에 대한 복수의 최종 서브-요약 문장들(G-sub1-최종요약, G-sub2-최종요약, ... G-subN-최종요약)에 기초하여 대화 전체에 대한 요약 정보를 생성할 수 있다.

특히, 컴퓨팅 장치(100)는 수신된 요약 대상 대화가 긴 경우에 이러한 추가적인 프로세스를 적용할 수 있다.

또한, 컴퓨팅 장치(100)는 단어 그래프를 분할하여 복수의 서브-그래프들을 생성할 때, 단어 그래프에 포함된 문장들 각각에 대하여, 각 문장이 상기 적어도 하나의 키워드를 포함하는지 여부를 나타내는 벡터를 생성하고, 생성된 벡터들 사이의 거리 또는 유사도에 기초하여, 복수의 단어 서브-그래프들을 생성할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 상기 단어 그래프를 복수의 단어 서브-그래프로 분할하는 과정에서 도 8의 그래프(61)를 참조하여 분할하는 기준을 정할 수 있다. 먼저, 컴퓨팅 장치(100)는 입력된 대화의 각 문장이 키워드를 포함하는 지 여부를 토픽 벡터로 나타낼 수 있다. 예를 들면, 입력된 대화 전체의 키워드 목록이 [철수, 밥]이라고 했을 때, 문장마다의 토픽 벡터의 길이는 키워드의 개수인 2가 될 수 있다. 벡터의 첫 인덱스는 문장이 "철수"를 포함하는지 여부, 두 번째 인덱스는 문장이 "밥"을 포함하는지 여부를 나타낼 수 있다. 문장 1이 "철수 안녕", 문장 2가 "밥 먹었니"라면 문장 1의 토픽 벡터는 [1,0], 문장 2의 토픽 벡터는 [0,1]로 표현될 수 있다. 이때, 토픽 벡터들 사이의 거리는 d로 수치화 될 수 있고, 이를 통해 문장과 문장 사이의 토픽 거리가 측정될 수 있다. 상기 거리 d가 측정되는 데에는 예시적으로 다음과 같은 수학식이 활용될 수 있다.

상기 수학식 2는 토픽 벡터i와 토픽 벡터i+1 사이의 거리를 음의 코사인 유사도를 이용하여 표현한 것이다. 단어 그래프 분할의 경계를 토픽 경계(topic boundary)(62)라고 할 때, 컴퓨팅 장치(100)는 토픽 벡터 사이의 거리를 각각 측정하여 가장 먼 거리 내에서 토픽 경계(62)를 정할 수 있다. P가 총 토픽의 수를 나타내는 하이퍼 파라미터라면, 컴퓨팅 장치(100)는 토픽 경계 내에서 P-1개 이하의 토픽 경계로 단어 그래프를 분할하여 복수의 단어 서브-그래프들을 생성할 수 있다. 이때, 문장 사이의 모든 교차점인 키워드 노드는 잠재적인 토픽 경계(62)가 될 수 있다. 컴퓨팅 장치(100)는 필요한 경우 단어 서브-그래프들을 생성하고 각각의 서브-후보 요약 문장들을 생성함으로써, 긴 텍스트에 대한 요약을 수행할 수 있다. 또한, 본 개시는 단어 그래프 자체를 분할하는 방법을 제시함으로써, 외부 토픽 분할 시스템 없이도 텍스트를 분할하여 요약을 진행할 수 있는 기술적 효과를 얻을 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (13)

1. 컴퓨팅 장치에 의해 수행되는, 대화의 요약을 생성하기 위한 방법으로서,
   요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하는 단계;
   상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 단계;
   상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계; 및
   상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하는 단계;
   를 포함하고,
   상기 점수는 상기 복수의 후보 요약 문장들 각각에 대하여 연산되고,
   특정 후보 요약 문장에 대한 점수는,
   상기 특정 후보 요약 문장의 경로에 속하는 모든 노드들의 노드 집합; 및
   상기 대화와 관련된 전체 키워드에 대한 키워드 집합;
   에 기초하여 연산되는,
   방법.
   
2. 제 1 항에 있어서,
   상기 단어 그래프를 생성하는 단계는,
   상기 대화에 대한 정보를 토큰 단위로 분절하는 단계;
   각 문장의 앞뒤에 시작과 끝을 나타내는 추가적인 토큰을 부가하는 단계; 및
   각 토큰을 순서에 맞춰 노드로 추가하는 단계;
   를 포함하는,
   방법.
   
3. 제 2 항에 있어서,
   상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계는,
   상기 단어 그래프에서, 각 문장의 시작을 나타내는 노드로부터 각 문장의 끝을 나타내는 노드로 연결되는 복수의 경로들을 추출하는 단계; 및
   상기 추출된 복수의 경로들에 기초하여 상기 복수의 후보 요약 문장들을 생성하는 단계;
   를 포함하는,
   방법.
   
4. 제 3 항에 있어서,
   상기 추출된 복수의 경로들에 기초하여 상기 복수의 후보 요약 문장들을 생성하는 단계는,
   상기 추출된 복수의 경로들에 k-최단 경로(shortest path) 알고리즘을 적용하여, 상기 복수의 후보 요약 문장들을 생성하는 단계;
   를 포함하는,
   방법.
   
5. 제 1 항에 있어서,
   상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 단계는,
   상기 단어 그래프에서, 적어도 하나의 k-코어(core) 노드를 결정하는 단계; 및
   상기 결정된 적어도 하나의 k-코어 노드에 기초하여, 상기 적어도 하나의 키워드를 추출하는 단계;
   를 포함하는,
   방법.
   
   
6. 삭제
7. 제 1 항에 있어서,
   상기 특정 후보 요약 문장에 대한 점수는,
   상기 특정 후보 요약 문장에 대한 노드 집합 및 상기 키워드 집합의 교집합의 크기; 및
   상기 키워드 집합의 크기;
   에 기초하여 연산되는,
   방법.
   
8. 제 1 항에 있어서,
   상기 선택된 적어도 하나의 후보 요약 문장에 대한 인칭을 변환하는 단계;
   를 더 포함하는,
   방법.
   
9. 제 8 항에 있어서,
   상기 선택된 적어도 하나의 후보 요약 문장에 대한 인칭을 변환하는 단계는,
   상기 선택된 적어도 하나의 후보 요약 문장의 1 인칭 또는 2 인칭 표현을 3 인칭 표현으로 변환하는 단계
   를 포함하는,
   방법.
   
10. 제 1 항에 있어서,
    상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계는,
    상기 단어 그래프를 분할(segmentation)하여 복수의 단어 서브-그래프들을 생성하는 단계; 및
    상기 복수의 단어 서브-그래프들 각각에 대하여, 복수의 후보 서브-요약 문장들을 생성하는 단계
    를 포함하는,
    방법.
    
11. 제 10 항에 있어서,
    상기 단어 그래프를 분할하여 복수의 단어 서브-그래프들을 생성하는 단계는,
    상기 단어 그래프에 포함된 문장들 각각에 대하여, 각 문장이 상기 적어도 하나의 키워드를 포함하는지 여부를 나타내는 벡터를 생성하는 단계; 및
    생성된 벡터들 사이의 거리 또는 유사도에 기초하여, 복수의 단어 서브-그래프들을 생성하는 단계;
    를 포함하는,
    방법.
    
12. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 대화의 요약을 생성하기 위한 동작들을 수행하도록 하며, 상기 동작들은:
    요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하는 동작;
    상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 동작;
    상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 동작; 및
    상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하는 동작;
    을 포함하고,
    상기 점수는 상기 복수의 후보 요약 문장들 각각에 대하여 연산되고,
    특정 후보 요약 문장에 대한 점수는,
    상기 특정 후보 요약 문장의 경로에 속하는 모든 노드들의 노드 집합; 및
    상기 대화와 관련된 전체 키워드에 대한 키워드 집합;
    에 기초하여 연산되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 컴퓨팅 장치로서,
    적어도 하나의 프로세서; 및
    메모리
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하고;
    상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하고, 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하고; 그리고
    상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하도록 구성되고,
    상기 점수는 상기 복수의 후보 요약 문장들 각각에 대하여 연산되고,
    특정 후보 요약 문장에 대한 점수는,
    상기 특정 후보 요약 문장의 경로에 속하는 모든 노드들의 노드 집합; 및
    상기 대화와 관련된 전체 키워드에 대한 키워드 집합;
    에 기초하여 연산되는,
    컴퓨팅 장치
    
    

Images