KR102472447B1 - 머신러닝을 이용한 복합 문서내 특정 콘텐츠 자동 차단 시스템 및 방법 - Google Patents

Abstract

본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템은 사용자로부터 입력된 이미지 데이터를 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정하고, 상기 이미지 데이터가 특정 콘텐츠를 포함하면 텍스트 영역을 추출하지 않는 것으로 결정하는 이미지판단모듈; 상기 이미지판단모듈이 상기 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 상기 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성하는 텍스트추출모듈; 상기 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단하는 텍스트판단모듈을 포함할 수 있다.

Description

머신러닝을 이용한 복합 문서내 특정 콘텐츠 자동 차단 시스템 및 방법{A SYSTEM AND METHOD FOR AUTOMATICALLY BLOCKING SPECIFIC CONTENT IN COMPLEX DOCUMENTS USING MACHINE LEARNING}

본 발명은 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템 및 방법에 관한 것이다.

지능형 문서 시스템을 구성함에 있어서, 사용자에 의하여 입력되는 문서상에는 스팸, 광고성 콘텐츠가 포함되어 있을 수 있다.

이러한 특정 콘텐츠를 수작업으로 검열하기에는 방대한 데이터가 취급되는 바 시간과 비용이 과다하게 투입된다.

이에 기계 학습 알고리즘, 심층 신경망 자동분류 알고리즘이 제안되어 지능형 문서 시스템에 부적절한 불법 콘텐츠, 불법광고, 스팸 등을 필터링하는 기술이 개발되고 있으나 데이터 양이 방대한 만큼 리소스 소모를 효율적으로 개선할 수 있는 기술개발의 필요성이 대두되고 있다.

본 발명은 광고, 스팸 등 특정 콘텐츠가 포함된 데이터를 자동으로 처리함에 있어서, 이미지 데이터 분석만으로 처리가 가능할 경우 리소스 감소를 위하여 이미지 데이터로부터 텍스트를 추출하지 않는 방법을 제공하고자 한다.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템은 사용자로부터 입력된 이미지 데이터를 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정하고, 상기 이미지 데이터가 특정 콘텐츠를 포함하면 텍스트 영역을 추출하지 않는 것으로 결정하는 이미지판단모듈; 상기 이미지판단모듈이 상기 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 상기 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성하는 텍스트추출모듈; 상기 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단하는 텍스트판단모듈을 포함할 수 있다.

본문 데이터 또는 첨부파일 데이터를 포함하는 포스팅을 사용자로부터 입력받으면, 상기 첨부파일 데이터로부터 상기 이미지 데이터를 추출하여 상기 이미지판단모듈에 입력시키고, 상기 본문 데이터와 첨부파일 데이터로부터 텍스트 데이터를 추출하여 상기 텍스트판단모듈에 입력시키는 데이터추출모듈을 더 포함할 수 있다.

상기 이미지판단모듈은, 머신러닝 모델로 상기 이미지 데이터에 관한 학습 데이터를 생성하고, 생성된 학습 데이터로 상기 머신러닝 모델을 학습시켜 상기 이미지 데이터의 특정 콘텐츠 포함 확률을 산출할 수 있다.

상기 이미지판단모듈은, 상기 이미지 데이터에 대응하도록 특정 콘텐츠의 포함여부에 대한 신고 데이터가 라벨링된 학습 데이터를 생성하고, 상기 머신러닝 모델은 이미지 데이터 중에서 특정 콘텐츠가 포함된 이미지 데이터와 유사도를 산출하여 특정 콘텐츠 포함 확률을 산출할 수 있다.

상기 머신러닝 모델은 컨볼루션 신경망, Mask-R-CNN, openCV 중 어느 하나 이상을 이용할 수 있다.

상기 이미지판단모듈은, 상기 텍스트판단모듈의 판단 결과를 반영하여 상기 머신러닝 모델을 수정할 수 있다.

상기 이미지판단모듈은, 이미지 데이터에 포함된 특정 콘텐츠에 대한 종류별로 분류된 신고 데이터를 라벨링하여 학습 데이터를 생성할 수 있다.

상기 텍스트판단모듈은, 상기 텍스트 데이터를 레벤슈타인 거리 알고리즘을 통해 오류를 교정하고 특정 콘텐츠 포함여부를 판단할 수 있다.

상기 텍스트판단모듈은, 상기 텍스트 데이터의 문장을 구성하는 형태소를 분석하여 벡터화하고, 형태소 벡터를 인공신경망에 입력하여 형태소 벡터를 이진 분류하여 상기 텍스트 데이터를 분석하는 형태소분석모듈;을 포함하고, 상기 형태소분석모듈의 분석결과에 따라 상기 특정 콘텐츠의 포함여부를 판단할 수 있다.

상기 이미지판단모듈은, 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함할 확률이 특정 콘텐츠를 포함하지 않을 확률보다 40% 미만일 경우 텍스트 영역을 추출하는 것으로 결정할 수 있다.

본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 방법은 이미지판단모듈이 사용자로부터 입력된 이미지 데이터를 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정하는 단계; 및 상기 이미지판단모듈이 상기 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 텍스트추출모듈이 상기 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성하는 단계; 텍스트판단모듈이 상기 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템은 다음과 같은 효과가 있다.

먼저, 특정 콘텐츠가 포함되어 있을 가능성이 높은 텍스트가 포함된 이미지를 이중으로 분석하여 오판정을 방지할 수 있다.

또한, 이미지 데이터로부터 텍스트를 추출하는 과정을 수행할지 여부를 선택할 수 있어 불필요한 리소스 소모를 줄여 분류 속도를 향상시킬 수 있다.

다만, 본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들도 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야 에서 통상의 지식을 가진 자에게는 명확히 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 방법의 전체적인 시계열적 흐름을 나타내는 흐름도이다.

본 발명의 바람직한 실시예에 대하여 더 구체적으로 설명하되, 이미 주지된 기술적 부분에 대해서는 설명의 간결함을 위해 생략하거나 압축하기로 한다.

도 1은 본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템의 개념도이다.

이하에서는 본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템을 설명한다.

본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템은 외부 서버로부터 사용자가 통합포털 UI를 이용하여 포스팅한 전자 문서나 그 데이터를 입력받을 수 있다.

일례로, 외부 서버는 공공 기관 서버, 기업 서버 및/또는 개인 서버 일 수 있다.

다만, 이에 한정하지 않고, 상기 외부 서버의 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.

일례로, 외부 서버는 문서를 수집하고, 데이터 처리를 하여 가공 정보를 산출하는 서버를 의미할 수 있다.

본 발명에서 언급하는 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다.

일례로, 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.

일례로, 서버는 웹 서버일 수 있다. 다만, 이에 한정하지 않고, 서버의 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변경 가능하다.

사용자가 업로드하는 포스팅 내지 전자 문서에는 각종 텍스트 등 자료가 포함된 문서들일 수 있고, 각종 행정 문서, 보고서, 논문 및 평가서 등 다양한 포맷일 수 있고, odt, pdf, ppt, pptx, xls, xlsx, doc, docx, hwp 및 hwpx 등 파일형식을 갖출 수 있으며 데이터베이스 상에 저장되어 있을 수 있다.

다만, 이에 한정하지 않고, 상기 문서의 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.

본 발명의 일 실시예인 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템은 통신부를 포함할 수 있으며, 상기 통신부를 통해 외부 서버와 네트워크 망에 의해 정보 통신 가능하게 연결될 수 있다.

일례로, 통신부는 셀룰러 모듈, WiFi 모듈, 블루투스 모듈, GNSS 모듈, NFC 모듈, RF 모듈, 5G 모듈, LTE 모듈, NB-IOT 모듈 및/또는 LoRa 모듈을 포함할 수 있다.

다만, 이에 한정하지 않고, 통신부가 포함하는 모듈은 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.

본 발명에서 언급하는 온라인 네트워크라 함은 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수도 있고, TCP/IP 프로토콜 및 그 상위 계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), HTTPS(Hyper Text Transfer Protocol Secure), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 이러한 예에 한정하지 않고 다양한 형태로 데이터를 송수신할 수 있는 데이터 통신망을 포괄적으로 의미하는 것이다.

본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템은 이미지판단모듈(100), 텍스트추출모듈(200) 및 텍스트분석모듈(300)을 포함할 수 있다.

이미지판단모듈(100)은 사용자로부터 입력된 이미지 데이터를 분석하여 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정할 수 있다.

여기서 이미지 데이터는 이미지 자체일 수 있고, 다양한 형식(jpg, png, bmp, gif, tiff, raw 등)을 가질 수 있다. 문서 스캔 이미지 pdf 파일과 같이 텍스트를 직접 포함하지 않는 경우 이미지 데이터로 취급할 수 있다.

이러한 이미지 데이터는 일종의 전자 문서의 일부일 수 있고, 사용자에 의하여 포스팅 되는 전자 문서일 경우, 본문 데이터와 첨부파일 데이터로 구성되어 있을 수 있다.

데이터추출모듈(400)은 이러한 본문 데이터 또는 첨부파일 데이터를 포함하는 포스팅을 사용자로부터 입력받았다면, 첨부파일 데이터로부터 이미지 데이터를 추출할 수 있고, 본문 데이터와 첨부파일 데이터로부터 텍스트 데이터를 추출할 수 있다.

여기서 텍스트 데이터는 텍스트 정보를 포함하는 문서 자체일 수 있고, 다양한 파일 형식((hwp, doc, pdf, ppt, xlsx, html, xml 등)을 갖추었을 수 있다. 즉, 텍스트를 크롤링 내지 스크래핑이 가능하다면 텍스트 데이터로 취급할 수 있다.

이미지판단모듈(100)은 이미지 데이터가 특정 콘텐츠를 포함한다면 텍스트 영역을 추출하지 않는 것으로 결정할 수 있다.

이미지판단모듈(100)은 특정 콘텐츠를 포함하지 않는데도 필터링되는 오류를 줄이기 위해서 일정한 확률을 기준으로 텍스트 영역을 추출할지 말지를 결정할 수 있다.

예를 들어서, 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 이미지 데이터가 특정 콘텐츠를 포함할 확률이 특정 콘텐츠를 포함하지 않을 확률보다 40%이상 초과하지 않을 경우 텍스트 영역을 추출하는 것으로 결정할 수 있다. 즉, 특정 콘텐츠를 포함할 확률이 70%인 경우 텍스트 영역을 추출하지 않을 수 있다.

이미지판단모듈(100)은, 머신러닝 모델로 이미지 데이터에 관한 학습 데이터를 생성하고, 생성된 학습 데이터로 머신러닝 모델을 학습시켜 이미지 데이터의 특정 콘텐츠 포함 확률을 산출할 수 있다.

여기서 지도학습을 이용한다면 이미지판단모듈(100)은, 외부에 저장된 신고 데이터를 입력받아 특정 콘텐츠가 포함된 이미지 데이터에 대응하도록 특정 콘텐츠의 포함여부에 대한 신고 데이터가 라벨링된 학습 데이터를 생성하고, 머신러닝 모델은 이미지 데이터 중에서 특정 콘텐츠가 포함된 이미지 데이터와 유사도를 산출하여 특정 콘텐츠 포함 확률을 산출할 수 있다.

바람직하게는 위 특정 콘텐츠의 특징이 다양하여 특징 추출이 부적합할 경우에 이미지판단모듈(100)은, 이미지 데이터에 포함된 특정 콘텐츠에 대한 종류별로 분류된 신고 데이터를 라벨링하여 학습 데이터를 생성할 수 있다.

예를 들어서, 광고 콘텐츠라면 금융 광고, 상품 광고, 종교 광고 등 콘텐츠 종류별로 세분화하여 라벨링된 학습 데이터를 생성할 수 있다.

머신러닝 모델은 컨볼루션 신경망, Mask-R-CNN, openCV 중 어느 하나 이상을 이용할 수 있으나 이에 한정되지 아니한다. 바람직하게는 이미지 데이터로부터 특정 객체인식까지 필요할 경우에 Mask-R-CNN, openCV(Open Source Computer Vision), PSENet(Progressive Scale Expansion Network))를 이용할 수 있다.

객체인식은 이미지 데이터를 학습 데이터로 하여 문자, 숫자, 표 등 객체의그 객체영역을 인식할 수 있다.

이미지판단모듈(100)은, 이후 텍스트판단모듈(300)의 판단 결과인 특정 콘텐츠 포함 여부로 라벨링된 학습 데이터를 생성하여 머신러닝 모델을 재학습 및 검증하며 수정할 수 있다.

텍스트추출모듈(200)은 이미지판단모듈(100)이 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성할 수 있다.

텍스트 영역을 추출하는 방법으로는 광학 문자 인식(OCR, Optical Character Recognition) 기술의 일종인 Tasseract, openOCR 등 과 같은 오픈소스 OCR 기술을 이용할 수 있으나 이에 제한하지 아니한다.

텍스트 데이터가 불완전하게 추출될 것을 고려할 수 있는데 예를 들어 오인식으로 인한 개행문자, 불용문자, 오타, 띄어쓰기 오류, 들여쓰기 및 줄바꿈, 특수문자 인식 문제를 등이 있다.

이에 텍스트추출모듈(200)은 텍스트 데이터 추출 전, 띄어쓰기 제거, 개행문자 제거, 공백 제거, 특수문자를 전부 미리 제거하거나 레벤슈타인 거리를 이용하여 오류를 정정하는 방식 등을 먼저 수행한 뒤 텍스트 영역으로부터 텍스트 데이터를 추출할 수 있다.

또는 텍스트추출모듈(200)은 텍스트 영역을 코너 검출기(corner detector)를 통해 검출하여 정확도를 높일 수 있다.

텍스트판단모듈(300)은 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단할 수 있다.

텍스트판단모듈(300)은, 텍스트 데이터를 전처리한 뒤 머신러닝 모델을 통해 이진 분류할 수 있다.

해당 텍스트 데이터 전처리 방식에는 텍스트 데이터 전체를 의미 단위로 여기거나, 문장, 단어, 형태소로 작게 나누어 의미 단위를 삼을 수 있으며 이는 데이터 크기, 종류 등에 따라 달리할 수 있다.

텍스트판단모듈(300)은 텍스트 데이터 전체를 의미 단위 구조로 여길 경우에는 Doc2vec 을 이용하여 전체인 텍스트 데이터를 분석할 수 있다.

즉, 텍스트 데이터 그 자체를 Doc2vec으로 벡터화할 수 있다.

문장 단위로 판단한다면 뉴스 기사 제목 정도의 압축된 내용이라면 2문장 이내, 서론에서 결론으로 형식을 갖춘 분량이면 5문장 내외로 끊어 벡터화한 뒤 머신러닝 모델에 학습시킬 수 있을 것이다.

또한, 텍스트판단모듈(300)은 LDA(Latent Dirichlet Allocation) 토픽 모델링 또는 각 단어를 n차원 공간 벡터로 매핑하는 Word2vec을 이용할 수 있을 것이다.

더욱 작게 의미 단위를 삼는다면 텍스트판단모듈(300)은 텍스트 데이터의 문장을 구성하는 형태소를 분석하여 벡터화하고, 형태소 벡터를 인공신경망에 입력하여 머신러닝 모델을 통해 형태소 벡터를 이진 분류하여 상기 텍스트 데이터를 분석하는 형태소분석모듈을 포함할 수 있다.

바람직하게는 텍스트 데이터 내 문장 개수가 많을 경우를 대비하여 미리 정하여진 문장 개수만큼 최소로 추출하여 형태소분석모듈로 형태소 분석할 수 있을 것이다.

형태소 벡터를 이진 분류하는 방식은 형태소 벡터 개수, 형태소 벡터와 특정 콘텐츠 내 빈번하게 포함되는 형태소와 유사도 판단 등이 있을 수 있다.

예를 들어서, 특정 콘텐츠가 상품 광고 콘텐츠라면 "이벤트""광고", "할인" 등의 형태소 리스트를 상품 광고 콘텐츠와 연관시켜 라벨링하여 인공신경망을 훈련할 수 있을 것이다. 이를 통해 형태소 벡터들의 유사도를 판단하면 전체 텍스트 데이터를 상품 광고 콘텐츠 포함 여부로 이진 분류할 수 있다.

구체적으로 인공신경망은 여러 형태소 벡터와 해당 형태소 벡터의 특정 콘텐츠의 종류에 대해 라벨링된 학습 데이터로 학습되고, 새롭게 입력된 형태소 벡터와 관련된 특정 콘텐츠 종류에 대한 확률로 결과를 도출할 수 있다.

위와 같이 의미 단위를 구성하는 방법은 동시에 여러 방법을 선택할 수도 있고, 작은 단위부터 큰 단위로 단계적으로 실행할 수 있을 것이다.

즉, 텍스트판단모듈(300)은 위와 같은 형태소분석모듈의 분석결과에 따라 특정 콘텐츠의 포함여부를 판단하게 된다.

본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 방법은 이미지판단모듈이 사용자로부터 입력된 이미지 데이터를 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정하고, 상기 이미지 데이터가 특정 콘텐츠를 포함하면 텍스트 영역을 추출하지 않는 것으로 결정하는 단계; 및 상기 이미지판단모듈이 상기 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 텍스트추출모듈이 상기 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성하는 단계; 텍스트판단모듈이 상기 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단하는 단계를 포함할 수 있다.

위와 같은 본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템에 의하면 사용자가 입력하는 포스팅 내 문서 등에 광고, 스팸 등 특정 콘텐츠가 포함되어 있을 경우 이를 필터링하고 정상 문서만 데이터베이스에 저장해둘 수 있을 것이다. 특히 본 발명의 일 실시예에 따르면 특정 콘텐츠가 포함되어 있을 가능성이 높은 텍스트가 포함된 이미지를 이중으로 분석하여 오판정을 방지할 수 있고, 이미지 데이터로부터 텍스트를 추출하는 과정을 수행할지 여부를 선택할 수 있어 불필요한 리소스 소모를 줄여 분류 속도를 향상시킬 수 있다.

도 2는 본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 방법의 전체적인 시계열적 흐름을 나타내는 흐름도이다.

본 발명의 일 실시예에 따른 머신러닝을 이용한 특정 콘텐츠 자동 차단 방법은 이미지판단모듈이 사용자로부터 입력된 이미지 데이터를 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정하고, 상기 이미지 데이터가 특정 콘텐츠를 포함하면 텍스트 영역을 추출하지 않는 것으로 결정하는 단계; 및 상기 이미지판단모듈이 상기 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 텍스트추출모듈이 상기 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성하는 단계; 텍스트판단모듈이 상기 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단하는 단계를 포함할 수 있다.

본 명세서에 걸쳐, 머신러닝 모델, 딥러닝 기반 모델, 연산 모델, 인공신경망, 신경망, 네트워크 함수, 심층신경망, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 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 사 진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네 트워크는 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 히 든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어 의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이 어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감 소를 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 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정 일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학 습 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 레이 어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가 중치가 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 하 여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하 고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해 서는 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 다양 한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션 (regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레 이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이 상의 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, 당업자라면 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, 일시 적(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, 이동 식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메 모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자 기 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.

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 장 치(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 제한되 는 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 제시 된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

100 : 이미지추출모듈
200 : 텍스트추출모듈
300 : 텍스트판단모듈
400 : 데이터추출모듈

Claims (11)

1. 사용자로부터 입력된 이미지 데이터를 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정하고, 상기 이미지 데이터가 특정 콘텐츠를 포함하면 텍스트 영역을 추출하지 않는 것으로 결정하는 이미지판단모듈;
   상기 이미지판단모듈이 상기 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 상기 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성하는 텍스트추출모듈; 및
   상기 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단하는 텍스트판단모듈을 포함하며,
   상기 이미지판단모듈은,
   상기 이미지 데이터가 상기 특정 콘텐츠를 포함할 확률이 상기 특정 콘텐츠를 포함하지 않을 확률보다 40% 미만일 경우 텍스트 영역을 추출하는 것으로 결정하는 것을 특징으로 하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
2. 제1항에 있어서,
   본문 데이터 또는 첨부파일 데이터를 포함하는 포스팅을 사용자로부터 입력받으면, 상기 첨부파일 데이터로부터 상기 이미지 데이터를 추출하여 상기 이미지판단모듈에 입력시키고, 상기 본문 데이터와 첨부파일 데이터로부터 텍스트 데이터를 추출하여 상기 텍스트판단모듈에 입력시키는 데이터추출모듈을 더 포함하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
3. 제2항에 있어서,
   상기 이미지판단모듈은,
   머신러닝 모델로 상기 이미지 데이터에 관한 학습 데이터를 생성하고, 생성된 학습 데이터로 상기 머신러닝 모델을 학습시켜 상기 이미지 데이터의 특정 콘텐츠 포함 확률을 산출하는 것을 특징으로 하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
   
4. 제3항에 있어서,
   상기 이미지판단모듈은,
   상기 이미지 데이터에 대응하도록 특정 콘텐츠의 포함여부에 대한 신고 데이터가 라벨링된 학습 데이터를 생성하고,
   상기 머신러닝 모델은 이미지 데이터 중에서 특정 콘텐츠가 포함된 이미지 데이터와 유사도를 산출하여 특정 콘텐츠 포함 확률을 산출하는 것을 특징으로 하는,
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
5. 제4항에 있어서,
   상기 머신러닝 모델은 컨볼루션 신경망, Mask-R-CNN, openCV 중 어느 하나 이상을 이용하는 것을 특징으로 하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
6. 제5항에 있어서,
   상기 이미지판단모듈은,
   상기 텍스트판단모듈의 판단 결과를 반영하여 상기 머신러닝 모델을 수정하는 것을 특징으로 하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
7. 제6항에 있어서,
   상기 이미지판단모듈은,
   이미지 데이터에 포함된 특정 콘텐츠에 대한 종류별로 분류된 신고 데이터를 라벨링하여 학습 데이터를 생성하는 것을 특징으로 하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
8. 제7항에 있어서,
   상기 텍스트판단모듈은,
   상기 텍스트 데이터를 레벤슈타인 거리 알고리즘을 통해 오류를 교정하고 특정 콘텐츠 포함여부를 판단하는 것을 특징으로 하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
9. 제8항에 있어서,
   상기 텍스트판단모듈은,
   상기 텍스트 데이터의 문장을 구성하는 형태소를 분석하여 벡터화하고, 형태소 벡터를 인공신경망에 입력하여 형태소 벡터를 이진 분류하여 상기 텍스트 데이터를 분석하는 형태소분석모듈;을 포함하고,
   상기 형태소분석모듈의 분석결과에 따라 상기 특정 콘텐츠의 포함여부를 판단하는 것을 특징으로 하는
   머신러닝을 이용한 특정 콘텐츠 자동 차단 시스템.
   
10. 삭제
11. 이미지판단모듈이 사용자로부터 입력된 이미지 데이터를 분석하여 상기 이미지 데이터가 특정 콘텐츠를 포함하는지 분석하여 상기 이미지 데이터로부터 텍스트 영역을 추출할지 여부를 결정하는 단계;
    상기 이미지판단모듈이 상기 이미지 데이터가 특정 콘텐츠를 포함하지 않는 것으로 분석하여 텍스트 영역을 추출하는 것으로 결정하면, 텍스트추출모듈이 상기 이미지 데이터로부터 텍스트 영역을 추출하여 텍스트 데이터를 생성하는 단계; 및
    텍스트판단모듈이 상기 텍스트 데이터를 분석하여 특정 콘텐츠를 포함하는지 판단하는 단계를 포함하며,
    상기 텍스트 영역을 추출할지 여부를 결정하는 단계는,
    상기 이미지 데이터가 상기 특정 콘텐츠를 포함할 확률이 상기 특정 콘텐츠를 포함하지 않을 확률보다 40% 미만일 경우 텍스트 영역을 추출하는 것으로 결정하는 것을 특징으로하는
    머신러닝을 이용한 특정 콘텐츠 자동 차단 방법.
    

Images