KR102474245B1 - 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법 - Google Patents

스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법 Download PDF

Info

Publication number
KR102474245B1
KR102474245B1 KR1020170113345A KR20170113345A KR102474245B1 KR 102474245 B1 KR102474245 B1 KR 102474245B1 KR 1020170113345 A KR1020170113345 A KR 1020170113345A KR 20170113345 A KR20170113345 A KR 20170113345A KR 102474245 B1 KR102474245 B1 KR 102474245B1
Authority
KR
South Korea
Prior art keywords
trajectory
virtual keyboard
keyboard
input
learning model
Prior art date
Application number
KR1020170113345A
Other languages
English (en)
Other versions
KR20180132493A (ko
Inventor
김정욱
윤희원
이해준
정호진
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US15/995,841 priority Critical patent/US11188158B2/en
Priority to PCT/KR2018/006984 priority patent/WO2019050137A1/en
Priority to CN201880057497.7A priority patent/CN111108468A/zh
Priority to EP20179847.7A priority patent/EP3734436A1/en
Priority to EP18853823.5A priority patent/EP3652631A4/en
Publication of KR20180132493A publication Critical patent/KR20180132493A/ko
Priority to US17/536,167 priority patent/US20220083153A1/en
Application granted granted Critical
Publication of KR102474245B1 publication Critical patent/KR102474245B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
    • G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
    • G06F3/0233—Character input methods
    • G06F3/0237—Character input methods using prediction or retrieval techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G06F3/04886—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures by partitioning the display area of the touch-screen or the surface of the digitising tablet into independently controllable areas, e.g. virtual keyboards or menus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/0482—Interaction with lists of selectable items, e.g. menus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G06F3/04883—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures for inputting data by handwriting, e.g. gesture or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/22—Character recognition characterised by the type of writing
    • G06V30/226—Character recognition characterised by the type of writing of cursive writing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/32—Digital ink
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 학습에 기초하여 키보드 입력을 처리하는 디바이스는, 적어도 하나의 프로그램이 저장되는 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 상기 디바이스가 상기 키보드 입력을 처리하도록 하는 프로세서를 포함하고, 상기 적어도 하나의 프로그램은, 상기 디바이스의 화면 상에 키보드를 디스플레이하는 동작; 상기 디스플레이된 키보드 상의 복수의 키들을 연결하는 사용자의 스와이프 입력을 수신하는 동작; 상기 스와이프 입력에 기초하여 상기 복수의 키들을 연결하는 궤적을 추출하는 동작; 및 상기 궤적의 모양 및 상기 키보드에 대한 상기 궤적의 상대적인 위치를 나타내는 정보를, 상기 궤적에 기초한 키보드 입력을 위한 학습 모델에 적용하는 동작; 상기 적용 결과에 기초하여, 상기 궤적에 대응되는 적어도 하나의 문자를 결정하는 동작;을 실행하는 명령어들을 포함한다.

Description

스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법{SYSTEM AND METHOD FOR DETERMINIG INPUT CHARACTER BASED ON SWIPE INPUT}
본 개시는 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법에 관한 것으로서, 키보드 내의 복수의 키들을 경유하는 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 네트워크 기술이 발전함에 따라, 사용자는 디바이스를 이용하여 언제 어디서든 편리하게 원하는 서비스를 이용할 수 있게 되었으며, 이에 따라, 디바이스를 통해 제공되는 사용자 인터페이스의 중요성이 크게 부각되고 있다.
특히, 디바이스는 터치 기반의 소프트웨어 키보드를 제공하고 있으며, 사용자는 소프트웨어 키보드에 대한 스와이프 입력을 통하여 편리하게 문자를 입력할 수 있게 되었다.
하지만, 사용자에 의해 입력되는 스와이프 입력의 궤적이 일정하지 못하기 때문에, 사용자가 스와이프 입력을 통하여 디바이스에 문자 입력을 하는 경우에 디바이스에 사용자가 의도하지 않은 문자가 입력되는 불편함이 있었다.
일부 실시예는, 스와이프 입력에 기초하여 키보드 상에 형성되는 궤적을 분석하여 입력 문자를 판단하는 시스템 및 방법을 제공할 수 있다.
또한, 일부 실시예는, 키보드 및 키보드 상의 궤적을 정규화함으로써, 스와이프 입력에 따른 입력 문자 판단을 위한 학습 모델을 효과적으로 이용하는 입력 문자 판단 시스템 및 방법을 제공할 수 있다.
또한, 일부 실시예는, 정보의 양을 조절할 수 있는 학습 모델을 이용하여, 입력 문자를 판단하는 시스템 및 방법을 제공할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제 1 측면은, 적어도 하나의 프로그램이 저장되는 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 상기 디바이스가 상기 키보드 입력을 처리하도록 하는 프로세서를 포함하고, 상기 적어도 하나의 프로그램은, 상기 디바이스의 화면 상에 키보드를 디스플레이하는 동작; 상기 디스플레이된 키보드 상의 복수의 키들을 연결하는 사용자의 스와이프 입력을 수신하는 동작; 상기 스와이프 입력에 기초하여 상기 복수의 키들을 연결하는 궤적을 추출하는 동작; 상기 궤적의 모양 및 상기 키보드에 대한 상기 궤적의 상대적인 위치를 나타내는 정보를, 상기 궤적에 기초한 키보드 입력을 위한 학습 모델에 적용하는 동작; 상기 적용 결과에 기초하여, 상기 궤적에 대응되는 적어도 하나의 문자를 결정하는 동작;을 실행하는 명령어들을 포함하는, 학습에 기초하여 키보드 입력을 처리하는 디바이스를 제공할 수 있다.
또한, 본 개시의 제 2 측면은, 상기 디바이스의 화면 상에 키보드를 디스플레이하는 동작; 상기 디스플레이된 키보드 상의 복수의 키들을 연결하는 사용자의 스와이프 입력을 수신하는 동작; 상기 스와이프 입력에 기초하여 상기 복수의 키들을 연결하는 궤적을 추출하는 동작; 상기 궤적의 모양 및 상기 키보드에 대한 상기 궤적의 상대적인 위치를 나타내는 정보를, 상기 궤적에 기초한 키보드 입력을 위한 학습 모델에 적용하는 동작; 및 상기 적용 결과에 기초하여, 상기 궤적에 대응되는 적어도 하나의 문자를 결정하는 동작;을 포함하는, 디바이스가 학습에 기초하여 키보드 입력을 처리하는 방법을 제공할 수 있다.
또한, 본 개시의 제 3 측면은, 제 2 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
도 1은 일부 실시예에 따른 디바이스(1000)가 키보드 상의 사용자의 스와이프 입력에 대응되는 문자를 결정하는 예시를 나타내는 도면이다.
도 2는 일부 실시예에 따른 디바이스가 사용자의 스와이프 입력에 기초하여 문자를 결정하는 방법의 흐름도이다.
도 3은 일부 실시예에 따른 디바이스(1000)가 스와이프 입력으로부터 추출되는 궤적을 정규화함으로써, 스와이프 입력에 대응되는 문자를 결정하는 예시를 나타내는 도면이다.
도 4는 일부 실시예에 따른 디바이스(1000)가 스와이프 입력으로부터 추출되는 궤적을 정규화하고, 정규화된 궤적에 기초하여 스와이프 입력에 대응되는 문자를 결정하는 방법의 흐름도이다.
도 5는 일부 실시예에 따른 상이한 키보드 상의 스와이프 입력들, 및 스와이프 입력들에 따른 궤적들을 정규화하는 예시를 나타내는 도면이다.
도 6은 일부 실시예에 따른 디바이스(1000)가 사용자의 스와이프 입력에 대응되는 문자를 추천하고, 추천된 문자에 대한 사용자의 선택에 기초하여 학습 모델의 업데이트에 이용되는 데이터를 생성하는 예시를 나타내는 도면이다.
도 7은 일부 실시예에 따른 소정의 문자에 대응되는 복수의 궤적들의 예시를 나타내는 도면이다.
도 8은 일부 실시예에 따른 디바이스(1000)가 사용자에 관련된 정보를 이용하여 스와이프 입력에 대응되는 문자를 결정하고 학습 모델을 갱신하는 방법의 흐름도이다.
도 9는 일부 실시예에 따른 디바이스(1000)가 사용자 데이터를 추가적으로 고려하여 키워드 입력을 위한 학습을 수행하는 예시를 나타내는 도면이다.
도 10 및 도 11은 일부 실시예에 따른 디바이스(1000)의 블록도이다.
도 12는 일부 실시예에 따른 프로세서(1300)의 블록도이다.
도 13은 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 14는 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 15는 일부 실시예에 따른 디바이스(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 일부 실시예에 따른 디바이스(1000)가 키보드 상의 사용자의 스와이프 입력에 대응되는 문자를 결정하는 예시를 나타내는 도면이다.
도 1을 참조하면, 디바이스(1000)는 소정의 문자에 대응되는 궤적에 기반하여 학습된 학습 모델을 이용하여, 키보드 상에 입력되는 사용자의 스와이프 입력에 대응되는 적어도 하나의 문자를 결정할 수 있다. 학습 모델은 키보드 상의 복수의 키를 지나가는 궤적에 대응되는 적어도 하나의 문자를 결정하기 위하여 이용되는 데이터 인식 모델일 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 학습 모델은, 예를 들어, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다. 또한, 적어도 하나의 문자는, 예를 들어, 단어 또는 이모티콘을 구성할 수 있으나, 이에 한정되지 않는다.
디바이스(1000)의 화면 상에 표시된 키보드에 대한 사용자의 스와이프 입력에 기초하여, 디바이스(1000)는 키보드 상의 복수의 키들을 지나가는 궤적을 검출할 수 있으며, 검출된 궤적에 관한 정보를 기설정된 학습 모델에 적용할 수 있다.
또한, 디바이스(1000)는 키보드 상의 복수의 키들을 지나가는 궤적을 정규화하고, 정규화된 궤적을 학습 모델에 적용함으로써, 다양한 형태로 디스플레이되는 키보드 상에 형성되는 궤적을 학습 모델에 적용할 수 있다.
학습 모델은 디바이스(1000) 내에 저장될 수 있으나, 이에 제한되지 않는다. 학습 모델은 서버(2000)에 저장될 수 있으며, 이 경우, 디바이스(1000)는 검출된 궤적에 관한 정보를 서버(2000)로 제공할 수 있으며, 서버(2000)가 디바이스(1000)로부터 수신된 궤적에 관한 정보를 학습 모델에 적용할 수 있다.
또한, 디바이스(1000)는 검출된 궤적에 대응되는 적어도 하나의 문자를 학습 모델을 통하여 판단하고, 판단된 적어도 하나의 문자를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 디바이스(1000)는 사용자의 스와이프 입력 및 스와이프 입력의 궤적에 대응되는 단어를 학습 모델에 적용함으로써, 학습 모델을 업데이트시킬 수 있다.
도 2는 일부 실시예에 따른 디바이스가 사용자의 스와이프 입력에 기초하여 문자를 결정하는 방법의 흐름도이다.
동작 S210에서 디바이스(1000)는 디바이스(1000)의 화면 상에 키보드를 디스플레이할 수 있다. 디바이스(1000)의 사용자가 디바이스(1000)에 문자를 입력하고자 하는 경우에, 디바이스(1000)는 디바이스(1000)의 화면 상에 소프트웨어 키보드를 디스플레이할 수 있다.
키보드는 다양한 언어의 키보드 레이아웃으로 구성될 수 있으며, 예를 들어, 한글 자판, 영어 자판, 중국어 자판 및 일본어 자판 등일 수 있다. 또한, 키보드는, 예를 들어, QWERTY 키보드, QWERTZ 키보드, AZERTY 키보드, QZERTY 키보드, DVORAK 키보드 및 COLEMAK 키보드 등을 포함할 수 있다. 또한, 키보드는 다양한 형태로 구현될 수 있다. 이 경우, 키보드 내의 키들의 모양, 키들의 크기, 키들 간의 간격, 키들의 배치 등이 다양하게 설정될 수 있다.
동작 S220에서 디바이스(1000)는 키보드 내의 복수의 키들을 연결하는 사용자의 스와이프 입력을 수신할 수 있다.
예를 들어, 사용자는 소정의 단어를 입력하기 위하여, 터치&드래그&드롭 입력을 통하여 복수의 문자를 선택할 수 있다. 예를 들어, 사용자가 3개의 문자를 포함하는 단어를 입력하기 위하여, 사용자는 손가락을 첫번째 키에 터치하고, 터치된 손가락을 두번째 키 및 세번째 키로 드래그한 후에 세번째 키 상의 손가락을 키보드로부터 뗄 수 있다.
동작 S230에서 디바이스(1000)는 사용자의 스와이프 입력에 기초하여, 복수의 키들을 연결하는 궤적을 추출할 수 있다. 디바이스(1000)는 사용자의 스와이프 입력에 기초하여, 키보드를 터치하고 있는 사용자의 손가락이 이동하는 궤적을 검출할 수 있다.
동작 S240에서 디바이스(1000)는 궤적의 모양 및 키보드에 대한 궤적의 상대적인 위치를 나타내는 궤적 정보를 생성할 수 있다.
디바이스(1000)는, 예를 들어, 키보드의 좌표 정보 및 궤적의 좌표 정보를 생성할 수 있다. 키보드의 좌표 정보는 키보드의 형상 및 크기를 나타낼 수 있으며. 예를 들어, 키보드의 테두리를 나타내는 좌표 값들일 수 있다. 또한, 궤적의 좌표 정보는, 키보드 내에 형성된 궤적의 모양 및 크기를 나타낼 수 있으며, 예를 들어, 궤적을 형성하는 점들의 좌표 값들일 수 있다.
또한, 디바이스(1000)는, 예를 들어, 키보드 및 키보드 상에 형성된 궤적을 캡쳐한 이미지를 생성할 수 있다. 이 경우, 캡쳐된 이미지는 키보드의 형상 및 크기, 궤적의 형상 및 크기를 나타낼 수 있다.
또한, 궤적 정보는, 궤적이 형성되는 방향을 나타내는 정보를 포함할 수 있다. 예를 들어, 사용자의 스와이프 입력이 ‘b’, ‘o’, ‘y’를 순차적으로 지나갔을 경우, 스와이프 입력에 따른 궤적이 ‘b’에서 시작하여 ‘o’를 경유하여 ‘y’를 향하는 방향으로 형성되었음을 나타내는 정보가 궤적 정보에 포함될 수 있다.
그러나, 디바이스(1000)가 생성하는 궤적 정보는 이에 한정되지 않으며, 궤적의 모양 및 키보드에 대한 궤적의 상대적인 위치를 나타내기 위하여, 디바이스(1000)는 다양한 정보를 생성하고 가공할 수 있다.
동작 S250에서 디바이스(1000)는 생성된 궤적 정보를, 궤적에 기초한 키보드 입력을 위한 학습 모델에 적용할 수 있다.
학습 모델은 미리 설정되어 디바이스(1000)에 저장된 것일 수 있다. 이 경우, 학습 모델을 생성 운영하는 서버(2000)가 디바이스(1000)에게 학습 모델을 제공할 수 있으며, 디바이스(1000)는 서버(2000)로부터 수신된 학습 모델을 디바이스(1000) 내에 저장하고 관리할 수 있다.
또한, 미리 설정된 학습 모델은 서버(2000)에 저장될 수 있다. 이 경우, 디바이스(1000)는 서버에게 궤적 정보를 제공하고, 궤적 정보에 기초하여 결정된 단어 정보를 서버(2000)로부터 수신할 수 있다. 또한, 이 경우에는, 서버(2000)에 의해 학습 모델이 사용자 별로 관리될 수 있다.
미리 설정된 학습 모델은 여러 궤적에 대응되는 문자 정보를 이용하여 미리 학습된 것일 수 있다. 예를 들어, 단어 사전에 포함된 다양한 단어에 대응되는 궤적이 생성될 수 있으며, 생성된 궤적에 관한 궤적 정보 및 생성된 궤적에 대응되는 단어 정보를 이용하여 미리 설정된 학습 모델이 학습될 수 있다.
또한, 단어 사전 내의 특정 단어에 대응되는 여러 궤적이 미리 생성될 수 있다. 이 경우, 여러 궤적은 다양한 알고리즘을 통해 생성될 수 있다. 예를 들어, 직선 가장자리(Straight Edges), 곡선 가장자리(Curved Edges), 퍼거슨 곡선(Ferguson curves), 베지어 곡선(Bezier Curve), B-스플라인 곡선(B-spline curve) 등이 궤적 생성에 이용될 수 있다.
또한, 학습 모델은, 예를 들어, 복수의 게이트를 이용하여 정보의 양을 조절하는 GRU(Gated Recurrent Unit) 알고리즘을 이용하여 학습될 수 있다. 또한, 학습 모델은, 예를 들어, CTC (Gated Recurrent Unit) 알고리즘을 이용하여 학습될 수 있으며, CTC (Connectionist Temporal Classification) 알고리즘을 이용하여 단어를 구성하는 글자의 배열 및 누락 등이 보완될 수 있다. 그러나, 학습 모델을 학습시키는 데 이용되는 알고리즘은 이에 한정되지 않으며, 다양한 종류의 알고리즘이 학습 모델의 학습에 이용될 수 있다.
동작 S260에서 디바이스(1000)는 적용 결과에 기초하여, 추출된 궤적에 대응되는 적어도 하나의 문자를 결정할 수 있다. 디바이스(1000)는 궤적 정보를 학습 모델에 적용시킴으로써 학습 모델로부터 궤적에 대응되는 단어를 획득할 수 있다. 또한, 디바이스(1000)는 획득된 단어를 디바이스(1000)의 화면에 디스플레이할 수 있다. 또한, 학습 모델은, 적용된 궤적 정보 및 적용 결과에 기초하여 업데이트될 수 있다.
동작 S210 내지 동작 S260 중 적어도 하나는, 디바이스(1000)에 설치된 키보드 애플리케이션에 의해 수행되거나, 키보드 애플리케이션과 연동하는 별개의 애플리케이션에 의해 수행될 수 있으나, 이에 한정되지 않는다.
도 3은 일부 실시예에 따른 디바이스(1000)가 스와이프 입력으로부터 추출되는 궤적을 정규화함으로써, 스와이프 입력에 대응되는 문자를 결정하는 예시를 나타내는 도면이다.
식별 번호 310에서와 같이, 사용자는 디바이스(1000)의 화면 상에 디스플레이된 키보드 상의 ‘t’를 터치하고 터치된 손가락을 ‘h’, ‘i’, ‘s’로 순차적으로 드래그할 수 있다. 이 경우, 디바이스(1000)는 사용자의 손가락이 지나간 궤적(30)을 추출할 수 있다.
식별 번호 320에서 디바이스(1000)는 추출된 궤적으로부터 궤적 정보를 생성하고, 생성된 궤적 정보를 정규화할 수 있다. 디바이스(1000)는 디바이스(1000)의 화면 상에 디스플레이된 키보드의 크기를 기 설정된 크기로 확대 또는 축소함으로써, 궤적 정보를 정규화할 수 있다. 이 경우, 키보드 내의 궤적의 크기는 키보드와 같은 비율로 확대 또는 축소될 수 있다.
식별 번호 330 및 식별 번호 340에서 디바이스(1000)는 정규화된 궤적에 관한 궤적 정보를 학습 모델에 적용함으로써, 궤적(30)에 대응되는 단어가 “this”임을 결정할 수 있다. 이 경우, 예를 들어, 궤적 정보는 GRU 기반의 학습 모델에 적용될 수 있으며, GRU 기반의 학습 모델로부터 출력되는 결과 값이 CTC 기반의 학습 모델에 적용될 수 있다.
도 4는 일부 실시예에 따른 디바이스(1000)가 스와이프 입력으로부터 추출되는 궤적을 정규화하고, 정규화된 궤적에 기초하여 스와이프 입력에 대응되는 문자를 결정하는 방법의 흐름도이다.
동작 410에서 디바이스(1000)는 키보드 내의 복수의 키들을 연결하는 사용자의 스와이프 입력을 수신할 수 있으며, 동작 S420에서 디바이스(1000)는 키보드 내의 복수의 키들을 연결하는 사용자의 스와이프 입력에 기초하여, 복수의 키들을 연결하는 궤적을 추출할 수 있다.
도 4의 동작 S410 및 동작 S420은, 도 2의 동작 S220 및 동작 230에 대응되므로, 동작 S410 및 동작 S420에 대한 설명은 편의상 생략하기로 한다.
동작 S430에서 디바이스(1000)는 키보드의 모양 및 크기에 기초하여, 추출된 궤적을 정규화할 수 있다. 디바이스(1000)는 디바이스(1000)의 화면 상에 디스플레이된 키보드의 크기를 기 설정된 크기로 확대 또는 축소함으로써, 궤적 정보를 정규화할 수 있다. 이 경우, 키보드 내의 궤적의 크기는 키보드와 같은 비율로 확대 또는 축소될 수 있다.
예를 들어, 디바이스(1000)가 궤적 정보로서 키보드의 좌표 정보 및 궤적의 좌표 정보를 생성한 경우에, 키보드의 테두리를 나타내는 좌표 값들 및 키보드 내에 형성된 궤적을 나타내는 좌표 값들을 동일한 비율로 확대 또는 축소할 수 있다. 이 경우, 키보드에 대한 궤적의 상대적인 위치는 계속하여 유지될 수 있다.
또한, 예를 들어, 디바이스(1000)가 키보드 및 키보드 내에 형성된 궤적을 캡쳐한 이미지를 생성한 경우, 디바이스(1000)는 캡쳐된 이미지를 확대 또는 축소할 수 있다. 이 경우, 키보드에 대한 궤적의 상대적인 위치는 계속하여 유지될 수 있다.
동작 S440에서 디바이스(1000)는 정규화된 궤적의 모양 및 정규화된 궤적의 상대적인 위치를 나타내는 정보를 생성할 수 있다. 디바이스(1000)는 키보드 및 키보드 내의 궤적을 정규화함으로써, 정규화된 궤적의 정규화된 키보드에 대한 상대적인 위치 및 정규화된 궤적의 모양을 나타내는 정보를 획득할 수 있다.
동작 S450에서 디바이스(1000)는 생성된 정보를 학습 모델에 적용할 수 있다. 디바이스(1000)는 정규화된 궤적에 관한 궤적 정보를 학습 모델에 적용할 수 있다. 예를 들어, 디바이스(1000)는 정규화된 궤적의 정규화된 키보드에 대한 상대적인 위치 및 정규화된 궤적의 모양을 나타내는 정보를 학습 모델에 적용할 수 있다.
동작 S460에서 디바이스(1000)는 적용 결과에 기초하여, 추출된 궤적에 대응되는 적어도 하나의 문자를 결정할 수 있다. 디바이스(1000)는 학습 모델로부터 출력되는 단어를 획득하고 획득된 단어를 디바이스(1000)의 화면 상에 디스플레이할 수 있다.
도 5는 일부 실시예에 따른 상이한 키보드 상의 스와이프 입력들, 및 스와이프 입력들에 따른 궤적들을 정규화하는 예시를 나타내는 도면이다.
도 5에서는 디바이스(1000)가 세로 모드인 경우와 가로 모드인 경우에, 키보드 상의 스와이프 입력에 따른 궤적을 정규화하는 예시를 나타내고 있다.
식별 번호 510에서, 디바이스(1000)가 세로 모드인 경우에 디바이스(1000)의 화면 상에 키보드 A가 디스플레이되고, 사용자는 스와이프 입력을 통해 키보드 A 상에 궤적(50)을 형성할 수 있다.
식별 번호 520에서 디바이스(1000)는 키보드 A의 크기를 기 설정된 크기로 정규화할 수 있으며, 이에 따라 키보드 A 에 대한 스와이프 입력의 궤적(50)도 함께 정규화할 수 있다. 키보드 A 에 대한 스와이프 입력의 궤적(50)의 크기는 키보드 A와 같은 비율로 확대 또는 축소될 수 있다.
이에 따라, 정규화된 키보드 A 및 정규화된 궤적(52)은 식별 번호 530에서와 같이 나타날 수 있다. 또한, 디바이스(1000)는 정규화된 궤적(52)이 정규화된 키보드 A 내에서 어느 위치에 어떤 모양 및 어떤 크기로 표시되는 지에 관한 정보를 획득할 수 있다.
식별 번호 540에서, 디바이스(1000)가 가로 모드인 경우에 디바이스(1000)의 화면 상에 키보드 B가 디스플레이되고, 사용자는 스와이프 입력을 통해 키보드 B 상에 궤적(54)를 형성할 수 있다. 키보드 B는 키보드 A와 상이한 디자인의 키보드일 수 있다. 키보드 내의 키들 사이의 간격, 키들의 크기, 모양, 키 배열이 서로 상이할 수 있다.
식별 번호 550에서 디바이스(1000)는 키보드 B의 크기를 기 설정된 크기로 정규화할 수 있으며, 이에 따라 키보드 B 에 대한 스와이프 입력의 궤적(54)도 함께 정규화할 수 있다. 정규화된 키보드 B의 모양 및 크기는 정규화된 키보드 A의 모양 및 크기와 동일할 수 있다. 또한, 키보드 B 에 대한 스와이프 입력의 궤적(54)의 크기는 키보드 B와 같은 비율로 확대 또는 축소될 수 있다.
이에 따라, 정규화된 키보드 B 및 정규화된 궤적(54)은 식별 번호 560에서와 같이 나타날 수 있다. 또한, 디바이스(1000)는 정규화된 궤적(54)이 정규화된 키보드 B 내에서 어느 위치에 어떤 모양 및 어떤 크기로 표시되는 지에 관한 정보를 획득할 수 있다.
도 5에서와 같이, 키보드 및 키보드 상의 궤적은 키보드의 종류에 무관하게 정규화될 수 있으며, 정규화된 궤적 정보는, 다양한 키보드 및 다양한 입력 모드를 커버할 수 있다. 또한, 디바이스(1000)는 키보드의 종류 및 크기와 무관하게, 키보드에 대한 스와이프 입력의 궤적에 대응되는 문자를 결정하는 기준을 통합적으로 학습할 수 있다.
도 6은 일부 실시예에 따른 디바이스(1000)가 사용자의 스와이프 입력에 대응되는 문자를 추천하고, 추천된 문자에 대한 사용자의 선택에 기초하여 학습 모델의 업데이트에 이용되는 데이터를 생성하는 예시를 나타내는 도면이다.
식별 번호 610을 참조하면, 예를 들어, boy를 입력하고자 하는 사용자가 ‘b’, ‘p,’ ‘y’의 순서로 궤적(625)이 형성되도록 스와이프 입력을 잘못 입력하면, 디바이스(1000)는 키 입력 창에 ‘bpy’(640)를 표시할 수 있다. 또한, 디바이스(1000)는 사용자가 의도하는 입력이라고 판단되는 추천 단어들 ‘boy’, ‘biy’, ‘buy’를 영역(630) 내에 표시할 수 있다. 또한, 사용자가 추천 단어들 중에서 ‘boy’를 선택하면, 디바이스(1000)는 ‘boy’를 사용자에 의해 입력된 단어로 결정할 수 있다.
식별 번호 620을 참조하면, 디바이스(1000)는 입력된 궤적(625)를 정규화하고, 정규화된 궤적(650) 및 정규화된 키보드(660)에 관한 정보를 입력 단어 ‘boy’ (670)에 대응시킬 수 있다. 또한, 디바이스(1000)는 정규화된 궤적(650) 및 정규화된 키보드(660)에 관한 정보와 함께, 입력 단어 ‘boy’ (670)를 학습 모델에 적용함으로써 학습 모델을 업데이트할 수 있다.
이에 따라, 추후에 사용자가 ‘b’, ‘p,’ ‘y’의 순서로 궤적이 형성되도록 스와이프 입력을 하는 경우에, 디바이스(1000)는 업데이트된 학습 모델을 이용하여 사용자가 입력하고자 하는 단어가 boy라고 판단할 수 있다.
도 7은 일부 실시예에 따른 소정의 문자에 대응되는 복수의 궤적들의 예시를 나타내는 도면이다.
식별 번호 710을 참조하면, boy를 입력하고자 하는 사용자가 ‘b’, ‘o,’ ‘y’의 순서로 궤적이 형성되도록 스와이프 입력을 할 수 있다.
또한, boy를 입력하고자 하는 사용자가 스와이프 입력을 잘못 입력하여, 스와이프 입력의 궤적이 ‘b’, ‘o,’ ‘y’를 정확하게 지나가지 않을 수도 있다. 예를 들어, 식별 번호 720을 참조하면, boy를 입력하고자 하는 사용자가 ‘b’, ‘p,’ ‘y’의 순서로 궤적이 형성되도록 스와이프 입력을 할 수 있다. 또한, 예를 들어, 식별 번호 730을 참조하면, boy를 입력하고자 하는 사용자가 ‘b’, ‘i,’ ‘y’의 순서로 궤적(625)이 형성되도록 스와이프 입력을 할 수 있다.
일부 실시예에 따른 디바이스(1000)는 잘못 그려진 스와이프 입력의 궤적을 사용자가 의도한 단어에 대응시켜 학습 모델을 업데이트시킬 수 있기 때문에, 디바이스(1000)는 식별 번호 720 및 식별 번호 730에서의 스와이프 입력을 수신하더라도, 수신된 스와이프 입력에 대응되는 단어가 boy임을 판단할 수 있다.
도 8은 일부 실시예에 따른 디바이스(1000)가 사용자에 관련된 정보를 이용하여 스와이프 입력에 대응되는 문자를 결정하고 학습 모델을 갱신하는 방법의 흐름도이다.
동작 S810에서 디바이스(1000)는 키보드 내의 복수의 키를 연결하는 사용자의 스와이프 입력에 기초하여, 복수의 키를 연결하는 궤적을 추출할 수 있다.
동작 S820에서 디바이스(1000)는 디바이스(1000)에 기 저장된 학습 모델을 호출할 수 있다. 디바이스(1000)에 기 저장된 학습 모델은 서버(2000)에 의해 생성되어 디바이스(1000)에게 미리 제공된 것일 수 있다. 또한, 기 저장된 학습 모델은, 다양한 사용자의 스와이프 입력 및 이에 대응되는 단어에 기초하여 생성되고 업데이트된 것일 수 있다.
동작 S830에서 디바이스(1000)는 추출된 궤적에 관한 정보를 생성할 수 있다. 또한, 디바이스(1000)는 스와이프 입력으로부터 추출된 궤적을 정규화할 수 있다.
동작 S840에서 디바이스(1000)는 사용자 데이터를 획득할 수 있다.
사용자 데이터는, 예를 들어, 사용자가 SNS 서비스를 통해 업로드한 텍스트, 디바이스(1000)에 저장된 연락처 정보, 디바이스(1000)를 통해 송수신된 문자 메시지, 사용자의 문자 입력 이력에 관한 정보 및 디바이스(1000)에 저장된 사용자의 메모 정보를 포함할 수 있으나, 이에 제한되지 않는다.
디바이스(1000)는 사용자 입력에 의해 디바이스(1000) 내의 다양한 애플리케이션을 통하여 입력되는 텍스트를 획득할 수 있다. 이 경우, 스와이프 입력의 궤적 및 이에 대응되는 문자를 결정하기 위한 애플리케이션(예를 들어, 키보드 애플리케이션)은, 다른 애플리케이션으로부터 입력 텍스트를 획득하기 위한 권한을 미리 가질 수 있다.
만약, 키보드 애플리케이션이 디바이스(1000)에 설치된 이후에, 다른 애플리케이션이 디바이스(1000)에 설치된다면, 디바이스(1000)는 다른 애플리케이션으로부터 입력 텍스트를 획득하기 위한 권한을 키보드 애플리케이션에게 부여할 지를 선택하는 사용자 입력을 수신하기 위한 GUI를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 또한, 사용자의 선택 입력에 기초하여, 다른 애플리케이션으로부터 텍스트를 획득하기 위한 권한을 키보드 애플리케이션에게 부여할 지를 결정할 수 있다.
동작 S850에서 디바이스(1000)는 사용자 데이터로부터 고유 명사를 추출할 수 있다. 고유 명사는, 예를 들어, 이름, 상호명, 상품명, 지역명 등을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 디바이스(1000)는 반복하여 추출되는 고유 명사에 대하여 높은 가중치를 부여할 수도 있다.
동작 S860에서 디바이스(1000)는 추출된 궤적에 관한 정보, 사용자 데이터, 및 고유 명사를 호출된 학습 모델에 적용할 수 있으며, 동작 S870에서 디바이스(1000)는 적용 결과에 기초하여, 추출된 궤적에 대응되는 적어도 하나의 문자를 결정할 수 있다.
동작 S880에서 디바이스(1000)는 추출된 궤적, 결정된 문자에 관한 정보를 이용하여, 호출된 학습 모델을 갱신할 수 있다.
도 9는 일부 실시예에 따른 디바이스(1000)가 사용자 데이터를 추가적으로 고려하여 키워드 입력을 위한 학습을 수행하는 예시를 나타내는 도면이다.
도 9를 참조하면, 사용자가 키보드를 이용하여 입력한 궤적 및 궤적에 대응되는 단어에 관한 정보(910)를 이용하여 학습 모델이 업데이트될 수 있다. 또한, 사용자가 SNS 서비스를 통하여 업로드한 텍스트에 관한 정보(920), 디바이스(1000)에 저장된 주소록에 포함된 연락처 정보(930), 디바이스(1000)를 통해 송수신된 메시지에 관한 정보(940), 디바이스(1000)에서 실행된 메모 애플리케이션을 통하여 입력된 텍스트에 관한 정보(950)와 같은 사용자 데이터가 학습 모델에 입력될 수 있으며, 학습 모델은 입력된 사용자 데이터를 함께 고려하여 업데이트될 수 있다.
도 10 및 도 11은 일부 실시예에 따른 디바이스(1000)의 블록도이다.
도 10에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 사용자 입력부(1100), 디스플레이부(1210), 프로세서(1300), 및 통신부(1500)를 포함할 수 있다. 그러나, 도 10에 도시된 구성 요소 모두가 디바이스(1000)의 필수 구성 요소인 것은 아니다. 도 10에 도시된 구성 요소보다 많은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있고, 도 10에 도시된 구성 요소보다 적은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있다.
예를 들어, 도 11에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 사용자 입력부(1100), 출력부(1200), 프로세서(1300) 및 통신부(1500) 이외에 센싱부(1400), A/V 입력부(1600), 및 메모리(1700)를 더 포함할 수도 있다.
사용자 입력부(1100)는, 사용자가 디바이스(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
사용자 입력부(1100)는, 소프트웨어 키보드 내의 복수의 키들을 선택하는 사용자의 스와이프 입력을 수신할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 디바이스(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부(1210)는, 소프트웨어 키보드를 디스플레이할 수 있다. 또한, 디스플레이부(1210)는, 키보드에 대한 스와이프 입력에 기초한 사용자의 입력 문자를 결정하기 위한 사용자 인터페이스, 및 키보드에 대한 스와이프 입력에 관한 학습 모델을 학습시키기 위한 사용자 인터페이스를 디스플레이할 수 있다.
한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 디바이스(1000)의 구현 형태에 따라 디바이스(1000)는 디스플레이부(1210)를 2개 이상 포함할 수도 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다.
진동 모터(1230)는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.
프로세서(1300)는, 통상적으로 디바이스(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다.
구체적으로, 프로세서(1300)는 디바이스(1000)의 화면 상에 키보드를 디스플레이할 수 있다. 디바이스(1000)의 사용자가 디바이스(1000)에 문자를 입력하고자 하는 경우에, 프로세서(1300)는 디바이스(1000)의 화면 상에 소프트웨어 키보드를 디스플레이할 수 있다. 키보드는 다양한 언어의 키보드 레이아웃으로 구성될 수 있으며, 예를 들어, 한글 자판, 영어 자판, 중국어 자판 및 일본어 자판 등일 수 있다. 또한, 키보드는, 예를 들어, QWERTY 키보드, QWERTZ 키보드, AZERTY 키보드, QZERTY 키보드, DVORAK 키보드 및 COLEMAK 키보드 등을 포함할 수 있다.
프로세서(1300)는 키보드 내의 복수의 키들을 연결하는 사용자의 스와이프 입력을 수신할 수 있으며, 프로세서(1300)는 사용자의 스와이프 입력에 기초하여, 복수의 키들을 연결하는 궤적을 추출할 수 있다.
프로세서(1300)는 궤적의 모양 및 키보드에 대한 궤적의 상대적인 위치를 나타내는 궤적 정보를 생성할 수 있다. 프로세서(1300)는, 예를 들어, 키보드의 좌표 정보 및 궤적의 좌표 정보를 생성할 수 있다. 키보드의 좌표 정보는 키보드의 형상 및 크기를 나타낼 수 있으며. 예를 들어, 키보드의 테두리를 나타내는 좌표 값들일 수 있다. 또한, 궤적의 좌표 정보는, 키보드 내에 형성된 궤적의 모양 및 크기를 나타낼 수 있으며, 예를 들어, 궤적을 형성하는 점들의 좌표 값들일 수 있다.
또한, 프로세서(1300)는, 예를 들어, 키보드 및 키보드 상에 형성된 궤적을 캡쳐한 이미지를 생성할 수 있다. 이 경우, 캡쳐된 이미지는 키보드의 형상 및 크기, 궤적의 형상 및 크기를 나타낼 수 있다.
그러나, 프로세서(1300)는 생성하는 궤적 정보는 이에 한정되지 않으며, 궤적의 모양 및 키보드에 대한 궤적의 상대적인 위치를 나타내기 위하여, 프로세서(1300)는 다양한 정보를 생성하고 가공할 수 있다.
또한, 프로세서(1300)는 키보드의 모양 및 크기에 기초하여, 추출된 궤적을 정규화할 수 있다. 프로세서(1300)는 디바이스(1000)의 화면 상에 디스플레이된 키보드의 크기를 기 설정된 크기로 확대 또는 축소함으로써, 궤적 정보를 정규화할 수 있다. 이 경우, 키보드 내의 궤적의 크기는 키보드와 같은 비율로 확대 또는 축소될 수 있다.
프로세서(1300)는 정규화된 궤적의 모양 및 정규화된 궤적의 상대적인 위치를 나타내는 정보를 생성할 수 있다. 프로세서(1300)는 키보드 및 키보드 내의 궤적을 정규화함으로써, 정규화된 궤적의 정규화된 키보드에 대한 상대적인 위치 및 정규화된 궤적의 모양을 나타내는 정보를 획득할 수 있다.
프로세서(1300)는 궤적 정보를, 궤적에 기초한 키보드 입력을 위한 학습 모델에 적용할 수 있다. 학습 모델에 적용되는 궤적 정보는 정규화된 궤적에 관한 정보일 수 있으나, 이에 한정되지 않는다. 정규화되기 이전의 궤적 정보가 학습 모델에 적용될 수도 있다.
학습 모델은 미리 설정되어 디바이스(1000)에 저장된 것일 수 있다. 이 경우, 학습 모델을 생성 운영하는 서버(2000)가 디바이스(1000)에게 학습 모델을 제공할 수 있으며, 프로세서(1300)는 서버(2000)로부터 수신된 학습 모델을 디바이스(1000) 내에 저장하고 관리할 수 있다.
또한, 미리 설정된 학습 모델은 서버(2000)에 저장될 수 있다. 이 경우, 프로세서(1300)는 서버에게 궤적 정보를 제공하고, 궤적 정보에 기초하여 결정된 단어 정보를 서버(2000)로부터 수신할 수 있다. 또한, 이 경우에는, 서버(2000)에 의해 학습 모델이 사용자 별로 관리될 수 있다.
프로세서(1300)는 추출된 궤적에 대응되는 적어도 하나의 문자를 결정할 수 있다. 프로세서(1300)는 궤적 정보를 학습 모델에 적용시킴으로써 학습 모델로부터 궤적에 대응되는 단어를 획득할 수 있다. 또한, 프로세서(1300)는 획득된 단어를 디바이스(1000)의 화면에 디스플레이할 수 있다. 또한, 학습 모델은, 적용된 궤적 정보 및 적용 결과에 기초하여 업데이트될 수 있다.
프로세서(1300)는 디바이스(1000)에 설치된 키보드 애플리케이션을 실행함으로써 상기 기재된 동작을 수행할 수 있다. 또는 프로세서(1300)는 키보드 애플리케이션과 연동하는 별개의 애플리케이션을 실행함으로써 상기 기재된 동작들을 수행할 수 있으나, 이에 한정되지 않는다.
한편, 프로세서(1300)는 사용자 데이터를 획득할 수 있다. 사용자 데이터는, 예를 들어, 사용자가 SNS 서비스를 통해 업로드한 텍스트, 디바이스(1000)에 저장된 연락처 정보, 디바이스(1000)를 통해 송수신된 문자 메시지, 및 디바이스(1000)에 저장된 사용자의 메모 정보를 포함할 수 있으나, 이에 제한되지 않는다.
프로세서(1300)는 사용자 입력에 의해 디바이스(1000) 내의 다양한 애플리케이션을 통하여 입력되는 텍스트를 획득할 수 있다. 이 경우, 스와이프 입력의 궤적 및 이에 대응되는 문자를 결정하기 위한 애플리케이션(예를 들어, 키보드 애플리케이션)은, 다른 애플리케이션으로부터 입력 텍스트를 획득하기 위한 권한을 미리 가질 수 있다. 애플리케이션의 기능에 관한 권한은 프로세서(1300)에 의해 관리될 수 있다.
만약, 키보드 애플리케이션이 디바이스(1000)에 설치된 이후에, 다른 애플리케이션이 디바이스(1000)에 설치된다면, 프로세서(1300)는 다른 애플리케이션으로부터 입력 텍스트를 획득하기 위한 권한을 키보드 애플리케이션에게 부여할 지를 선택하는 사용자 입력을 수신하기 위한 GUI를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 또한, 사용자의 선택 입력에 기초하여, 다른 애플리케이션으로부터 텍스트를 획득하기 위한 권한을 키보드 애플리케이션에게 부여할 지를 결정할 수 있다.
프로세서(1300)는 사용자 데이터로부터 고유 명사를 추출할 수 있다. 고유 명사는, 예를 들어, 이름, 상호명, 상품명, 지역명 등을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 프로세서(1300)는 반복하여 추출되는 고유 명사에 대하여 높은 가중치를 부여할 수도 있다.
프로세서(1300)는 추출된 궤적에 관한 정보, 사용자 데이터, 및 고유 명사를 학습 모델에 적용할 수 있으며, 프로세서(1300)는 적용 결과에 기초하여, 스와이프 입력의 궤적에 대응되는 적어도 하나의 문자를 결정할 수 있다.
프로세서(1300)는 스와이프 입력의 궤적, 결정된 문자에 관한 정보를 이용하여, 학습 모델을 갱신할 수 있다.
센싱부(1400)는, 디바이스(1000)의 상태 또는 디바이스(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
통신부(1500)는, 디바이스(1000)가 서버(2000) 또는 외부 디바이스(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 디바이스(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
또한, 통신부(1500)는, 키보드에 대한 스와이프 입력에 대응되는 사용자의 입력 문자를 결정하기 위하여 필요한 정보를, 서버(4000) 및 외부 디바이스(미도시)와 송수신할 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 디바이스(1000)로 입력되거나 디바이스(1000)로부터 출력되는 데이터를 저장할 수도 있다. 메모리(1700)는 스와이프 입력에 대응되는 사용자의 문자 입력을 결정하는데 이용되는 학습 모델을 저장할 수 있다. 또한, 학습 모델을 학습시키고 업데이트시키기 위한 다양한 사용자 데이터를 저장할 수 있다.
메모리(1700)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(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), 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.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 디바이스(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.
사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.
알림 모듈(1730)은 디바이스(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다.
도 12는 일부 실시예에 따른 프로세서(1300)의 블록도이다.
도 12를 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 스와이프 입력의 궤적에 대응되는 적어도 하나의 문자를 판단하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 스와이프 입력을 통해 키보드에 입력된 문자를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 입력 문자를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초하여 입력 문자를 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 입력 문자를 인식할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초한 소정의 입력 문자를 판단할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 13은 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 13을 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 스와이프 입력에 기초한 입력 문자의 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 스와이프 입력에 기초한 입력 문자의 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.
데이터 획득부(1310-1)는 여러 궤적에 대응되는 문자 정보를 획득할 수 있다. 예를 들어, 단어 사전에 포함된 다양한 단어에 대응되는 궤적이 생성될 수 있으며, 데이터 획득부(1310-1)는 생성된 궤적에 관한 궤적 정보 및 생성된 궤적에 대응되는 단어 정보를 획득할 수 있다.
또한, 단어 사전 내의 특정 단어에 대응되는 여러 궤적이 생성될 수 있다. 이 경우, 여러 궤적은 다양한 알고리즘을 통해 생성될 수 있다. 예를 들어, 직선 가장자리(Straight Edges), 곡선 가장자리(Curved Edges), 퍼거슨 곡선(Ferguson curves), 베지어 곡선(Bezier Curve), B-스플라인 곡선(B-spline curve) 등이 궤적 생성에 이용될 수 있다. 이 경우, 궤적은 다양한 종류의 키보드에 대하여 생성될 수 있다.
또한, 데이터 획득부(1310-1)는 다양한 사용자 데이터를 획득할 수 있다. 사용자 데이터는, 예를 들어, 사용자가 SNS 서비스를 통해 업로드한 텍스트, 디바이스(1000)에 저장된 연락처 정보, 디바이스(1000)를 통해 송수신된 문자 메시지, 및 디바이스(1000)에 저장된 사용자의 메모 정보를 포함할 수 있으나, 이에 제한되지 않는다.
전처리부(1310-2)는 입력 문자의 판단을 위한 학습을 위하여, 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 전처리부(1310-2)는 키보드의 모양 및 크기에 기초하여, 궤적을 정규화할 수 있다. 전처리부(1310-2)는 키보드의 크기를 기 설정된 크기로 확대 또는 축소함으로써, 키보드 상의 궤적에 관한 궤적 정보를 정규화할 수 있다. 이 경우, 키보드 내의 궤적의 크기는 키보드와 같은 비율로 확대 또는 축소될 수 있다.
예를 들어, 궤적 정보가 키보드의 좌표 정보 및 궤적의 좌표 정보인 경우에, 전처리부(1310-2)는 키보드의 테두리를 나타내는 좌표 값들 및 키보드 내에 형성된 궤적을 나타내는 좌표 값들을 동일한 비율로 확대 또는 축소할 수 있다. 이 경우, 키보드에 대한 궤적의 상대적인 위치는 계속하여 유지될 수 있다.
또한, 예를 들어, 궤적 정보가, 키보드 및 키보드 내에 형성된 궤적을 캡쳐한 이미지인 경우에, 전처리부(1310-2)는 캡쳐된 이미지를 확대 또는 축소할 수 있다. 이 경우, 키보드에 대한 궤적의 상대적인 위치는 계속하여 유지될 수 있다. 또한, 전처리부(1310-2)는 사용자 데이터를 기 설정된 포맷으로 전처리할 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 입력 문자 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 스와이프 입력에 따른 입력 문자를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 입력 문자 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 입력 문자 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델은, 예를 들어, 복수의 게이트를 이용하여 정보의 양을 조절하는 GRU(Gated Recurrent Unit) 알고리즘을 이용하여 학습될 수 있다. 또한, 데이터 인식 모델은, 예를 들어, CTC (Gated Recurrent Unit) 알고리즘을 이용하여 학습될 수 있으며, CTC (Connectionist Temporal Classification) 알고리즘을 이용하여 단어를 구성하는 글자의 배열 및 누락 등이 보완될 수 있다. 그러나, 데이터 인식 모델을 학습시키는 데 이용되는 알고리즘은 이에 한정되지 않으며, 다양한 종류의 알고리즘이 학습 모델의 학습에 이용될 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 디바이스(1000)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 디바이스(1000)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 디바이스(1000)와 유선 또는 무선 네트워크로 연결되는 서버(2000)의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 디바이스(1000)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 데이터 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 14는 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 14를 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 스와이프 입력에 기초한 입력 문자의 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 입력 문자 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 입력 문자 판단을 위하여, 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 입력 문자 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 입력 문자를 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
인식 결과 제공부(1320-4)는 정규화된 궤적에 관한 궤적 정보를 데이터 인식 모델의 입력 값으로 이용함으로써, 스와이프 입력에 따른 입력 문자를 결정할 수 있다. 또한, 인식 결과 제공부(1320-4)는 사용자가 SNS 서비스를 통하여 업로드한 텍스트에 관한 정보(920), 디바이스(1000)에 저장된 주소록에 포함된 연락처 정보(930), 디바이스(1000)를 통해 송수신된 메시지에 관한 정보(940), 디바이스(1000)에서 실행된 메모 애플리케이션을 통하여 입력된 텍스트에 관한 정보(950) 중 적어도 일부를 데이터 인식 모델에 입력함으로써, 스와이프 입력에 따른 입력 문자를 결정할 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 15는 일부 실시예에 따른 디바이스(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 15를 참조하면, 서버(2000)는 스와이프 입력에 따른 입력 문자 판단을 위한 기준을 학습할 수 있으며, 디바이스(1000)는 서버(2000)에 의한 학습 결과에 기초하여 스와이프 입력에 따른 입력 문자를 판단할 수 있다.
이 경우, 서버(2000)의 모델 학습부(2340)는 도 13에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 입력 문자를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 입력 문자를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 입력 문자의 판단을 위한 기준을 학습할 수 있다.
또한, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 입력 문자를 판단할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 입력 문자를 판단할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 입력 문자에 관한 정보를 서버(2000)로부터 수신할 수 있다.
또는, 디바이스(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 입력 문자를 판단할 수 있다. 이 경우, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 입력 문자를 판단할 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (38)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
  21. 전자 디바이스에 있어서,
    디스플레이;
    머신 러닝 모델을 저장하는 메모리; 및
    적어도 하나의 프로세서를 포함하며, 상기 적어도 하나의 프로세서는,
    제1 가상 키보드를 상기 디스플레이 상에 출력하도록 제어하고,
    상기 출력된 제1 가상 키보드 상의 제1 드로잉 입력을 획득하고,
    상기 머신 러닝 모델에 적용하기 위하여 상기 제1 드로잉 입력을 정규화하고,
    상기 머신 러닝 모델에 상기 정규화된 제1 드로잉 입력을 적용함으로써 상기 정규화된 제1 드로잉 입력에 대응되는 제1 워드를 획득하고,
    상기 제1 가상 키보드를 제2 가상 키보드로 대체하기 위한 사용자 입력을 수신하고,
    상기 수신된 사용자 입력에 기초하여, 상기 제1 가상 키보드를 상기 제2 가상 키보드로 대체하며, 상기 제2 가상 키보드는 상기 제1 가상 키보드와 상이하게 상기 디스플레이 상에 디스플레이되며,
    상기 출력된 제2 가상 키보드 상의 제2 드로잉 입력을 획득하고,
    상기 정규화된 제1 드로잉 입력을 위해 이용된 상기 머신 러닝 모델에 적용하기 위하여, 상기 제2 드로잉 입력을 정규화하고,
    상기 정규화된 제2 드로잉 입력을 상기 정규화된 제1 드로잉 입력을 위해 이용된 상기 머신 러닝 모델에 적용함으로써 상기 정규화된 제2 드로잉 입력에 대응되는 제2 워드를 획득하며,
    상기 제1 가상 키보드 상의 상기 제1 드로잉 입력은, 상기 제1 가상 키보드와 상이하게 디스플레이된 상기 제2 가상 키보드 상의 상기 제2 드로잉 입력과 상이하며, 상기 머신 러닝 모델을 통해 획득된 상기 제1 워드는, 상기 머신 러닝 모델을 통해 획득된 상기 제2 워드와 동일하며,
    상기 머신 러닝 모델은 상기 제1 가상 키보드 및 상기 제2 가상 키보드를 포함하는 복수 타입의 가상 키보드에 관련되며, 동일한 단어에 대응되는 상이한 드로잉 입력들의 궤적 정보를 인식하기 위하여 훈련된 것인, 전자 디바이스.
  22. 제21 항에 있어서,
    상기 제1 드로잉 입력은, 상기 제1 가상 키보드 내의 복수의 키들을 지나가는 제1 궤적을 형성하는 것인, 전자 디바이스.
  23. 제22 항에 있어서,
    상기 프로세서는, 상기 제1 궤적의 정규화된 좌표 정보 및 상기 제1 가상 키보드의 정규화된 좌표 정보를 상기 머신 러닝 모델에 적용함으로써, 상기 제1 워드를 획득하는 것인, 전자 디바이스.
  24. 제23 항에 있어서,
    상기 프로세서는, 상기 제1 궤적의 형성 방향을 나타내는 정보를 상기 머신 러닝 모델에 적용함으로써, 상기 제1 워드를 획득하는 것인, 전자 디바이스.
  25. 제22 항에 있어서,
    상기 프로세서는, 상기 제1 궤적을 정규화함으로써 상기 제1 드로잉 입력을 정규화하며, 상기 정규화된 제1 궤적을 상기 머신 러닝 모델에 적용함으로써 상기 정규화된 드로잉 입력을 상기 머신 러닝 모델에 적용하는 것인, 전자 디바이스.
  26. 제25 항에 있어서,
    상기 프로세서는, 상기 제1 궤적을 정규화하기 위하여 상기 제1 가상 키보드 및 상기 제1 궤적을 기설정된 크기 및 기설정된 모양으로 리사이즈하는 것인, 전자 디바이스.
  27. 제21 항에 있어서,
    상기 프로세서는,
    상기 제1 드로잉 입력으로부터 획득되는 복수의 추천 문자들을 상기 제1 가상 키보드 상에 디스플레이하고, 상기 복수의 추천 문자들 중 하나를 선택하는 사용자 선택을 수신하고,
    상기 사용자 선택에 따라 선택된 추천 문자를 상기 제1 워드로 식별하는 것인, 전자 디바이스.
  28. 제21 항에 있어서,
    상기 머신 러닝 모델은, CTC (Connectionist Temporal Classification) 알고리즘 또는GRU(Gated Recurrent Unit) 알고리즘 중 적어도 하나를 이용하여 학습된 것인, 전자 디바이스.
  29. 제21 항에 있어서,
    상기 제1 가상 키보드 및 상기 제2 가상 키보드의 키들의 모양, 크기, 또는 배치 중 적어도 하나가 서로 상이한 것인, 전자 디바이스.
  30. 전자 디바이스가 키보드에 대한 입력을 처리하는 방법에 있어서,
    제1 가상 키보드를 디스플레이 상에 출력하는 동작;
    상기 출력된 제1 가상 키보드 상의 제1 드로잉 입력을 획득하는 동작;
    머신 러닝 모델에 적용하기 위하여 상기 제1 드로잉 입력을 정규화하는 동작;
    상기 머신 러닝 모델에 상기 정규화된 제1 드로잉 입력을 적용함으로써 상기 정규화된 제1 드로잉 입력에 대응되는 제1 워드를 획득하는 동작;
    상기 제1 가상 키보드를 제2 가상 키보드로 대체하기 위한 사용자 입력을 수신하는 동작;
    상기 수신된 사용자 입력에 기초하여, 상기 제1 가상 키보드를 상기 제2 가상 키보드로 대체하되, 상기 제2 가상 키보드는 상기 제1 가상 키보드와 상이하게 상기 디스플레이 상에 디스플레이되는, 동작;
    상기 출력된 제2 가상 키보드 상의 제2 드로잉 입력을 획득하는 동작;
    상기 정규화된 제1 드로잉 입력을 위해 이용된 상기 머신 러닝 모델에 적용하기 위하여, 상기 제2 드로잉 입력을 정규화하는 동작; 및
    상기 정규화된 제2 드로잉 입력을 상기 정규화된 제1 드로잉 입력을 위해 이용된 상기 머신 러닝 모델에 적용함으로써 상기 정규화된 제2 드로잉 입력에 대응되는 제2 워드를 획득하는 동작;
    을 포함하며,
    상기 제1 가상 키보드 상의 상기 제1 드로잉 입력은, 상기 제1 가상 키보드와 상이하게 디스플레이된 상기 제2 가상 키보드 상의 상기 제2 드로잉 입력과 상이하며, 상기 머신 러닝 모델을 통해 획득된 상기 제1 워드는, 상기 머신 러닝 모델을 통해 획득된 상기 제2 워드와 동일하며,
    상기 머신 러닝 모델은 상기 제1 가상 키보드 및 상기 제2 가상 키보드를 포함하는 복수 타입의 가상 키보드에 관련되며, 동일한 단어에 대응되는 상이한 드로잉 입력들의 궤적 정보를 인식하기 위하여 훈련된 것인, 방법.
  31. 제30 항에 있어서,
    상기 제1 드로잉 입력은, 상기 제1 가상 키보드 내의 복수의 키들을 지나가는 제1 궤적을 형성하는 것인, 방법.
  32. 제31 항에 있어서,
    상기 제1 워드를 획득하는 동작은, 상기 제1 궤적의 정규화된 좌표 정보 및 상기 제1 가상 키보드의 정규화된 좌표 정보를 상기 머신 러닝 모델에 적용함으로써, 상기 제1 워드를 획득하는 것인, 방법.
  33. 제32 항에 있어서,
    상기 제1 워드를 획득하는 동작는, 상기 제1 궤적의 형성 방향을 나타내는 정보를 상기 머신 러닝 모델에 적용함으로써, 상기 제1 워드를 획득하는 것인, 방법.
  34. 제31 항에 있어서,
    상기 제1 궤적을 정규화함으로써 상기 제1 드로잉 입력이 정규화되며, 상기 정규화된 제1 궤적을 상기 머신 러닝 모델에 적용함으로써 상기 정규화된 드로잉 입력이 상기 머신 러닝 모델에 적용되는 것인, , 방법.
  35. 제34 항에 있어서,
    상기 제1 궤적을 정규화하는 동작은, 상기 제1 궤적을 정규화하기 위하여 상기 제1 가상 키보드 및 상기 제1 궤적을 기설정된 크기 및 기설정된 모양으로 리사이즈하는 동작을 포함하는 것인, 방법.
  36. 제30 항에 있어서,
    상기 제1 드로잉 입력으로부터 획득되는 복수의 추천 문자들을 상기 제1 가상 키보드 상에 디스플레이하는 동작;
    상기 복수의 추천 문자들 중 하나를 선택하는 사용자 선택을 수신하는 동작; 및
    상기 사용자 선택에 따라 선택된 추천 문자를 상기 제1 워드로 식별하는 동작;
    을 포함하는, 방법.
  37. 제30 항에 있어서, 상기 머신 러닝 모델은, CTC (Connectionist Temporal Classification) 알고리즘 또는GRU(Gated Recurrent Unit) 알고리즘 중 적어도 하나를 이용하여 학습된 것인, 방법.
  38. 제30 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020170113345A 2017-06-02 2017-09-05 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법 KR102474245B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
US15/995,841 US11188158B2 (en) 2017-06-02 2018-06-01 System and method of determining input characters based on swipe input
PCT/KR2018/006984 WO2019050137A1 (en) 2017-06-02 2018-06-20 SYSTEM AND METHOD FOR DETERMINING INPUT CHARACTERS BASED ON SCAN INPUT
CN201880057497.7A CN111108468A (zh) 2017-06-02 2018-06-20 基于滑动输入来确定输入字符的系统和方法
EP20179847.7A EP3734436A1 (en) 2017-06-02 2018-06-20 System and method of determining input characters based on swipe input
EP18853823.5A EP3652631A4 (en) 2017-06-02 2018-06-20 SYSTEM AND METHOD FOR DETERMINING INPUT CHARACTERS BASED ON SWIPE INPUT
US17/536,167 US20220083153A1 (en) 2017-06-02 2021-11-29 System and method of determining input characters based on swipe input

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762514136P 2017-06-02 2017-06-02
US62/514,136 2017-06-02

Publications (2)

Publication Number Publication Date
KR20180132493A KR20180132493A (ko) 2018-12-12
KR102474245B1 true KR102474245B1 (ko) 2022-12-05

Family

ID=64669931

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170113345A KR102474245B1 (ko) 2017-06-02 2017-09-05 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법

Country Status (5)

Country Link
US (1) US20220083153A1 (ko)
EP (2) EP3734436A1 (ko)
KR (1) KR102474245B1 (ko)
CN (1) CN111108468A (ko)
WO (1) WO2019050137A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210333962A1 (en) * 2018-08-21 2021-10-28 Sage Senses Inc. Method, system and apparatus for touch gesture recognition
CN116075838A (zh) * 2019-10-15 2023-05-05 爱思唯尔股份有限公司 用于在saas应用程序中对用户情感进行预测的系统和方法
KR20210087335A (ko) * 2020-01-02 2021-07-12 엘지전자 주식회사 로컬 장치의 성능 향상
KR20220015831A (ko) * 2020-07-31 2022-02-08 삼성전자주식회사 전자 장치 및 이의 제어 방법
CN114546102B (zh) * 2020-11-26 2024-02-27 幻蝎科技(武汉)有限公司 眼动追踪滑行输入方法、系统、智能终端及眼动追踪装置
KR102443304B1 (ko) * 2020-11-27 2022-09-15 한림대학교 산학협력단 기계학습을 통한 입력 언어의 인식장치 및 인식방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014010688A (ja) * 2012-06-29 2014-01-20 Kddi Corp 入力文字推定装置およびプログラム
US20140071055A1 (en) * 2012-09-12 2014-03-13 Google Inc. Multi-directional calibration of touch screens
KR101426937B1 (ko) * 2013-03-08 2014-08-07 구글 인코포레이티드 제스쳐 기반 키보드를 위한 제스쳐 컴플리션 경로 표시
US20160299685A1 (en) * 2015-04-10 2016-10-13 Google Inc. Neural network for keyboard input decoding
JP2016201071A (ja) * 2015-04-14 2016-12-01 京セラドキュメントソリューションズ株式会社 表示入力装置、画像形成装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5570462A (en) * 1995-05-05 1996-10-29 Apple Computer, Inc. System and method for object placement and sizing in a dynamic display environment
EP2698692B1 (en) * 2011-04-09 2019-10-30 Shanghai Chule (Cootek) Information Technology Co., Ltd. System and method for implementing sliding input of text based upon on-screen soft keyboard on electronic equipment
US8843858B2 (en) * 2012-05-31 2014-09-23 Microsoft Corporation Optimization schemes for controlling user interfaces through gesture or touch
CN108710406B (zh) * 2012-09-18 2021-10-08 谷歌有限责任公司 姿势适应选择
US9304595B2 (en) * 2012-10-19 2016-04-05 Google Inc. Gesture-keyboard decoding using gesture path deviation
KR20140110356A (ko) * 2013-03-07 2014-09-17 삼성전자주식회사 입력 장치, 디스플레이 장치 및 그 제어 방법
KR102347064B1 (ko) * 2013-06-09 2022-01-04 애플 인크. 실시간 필기 인식 관리
US9785630B2 (en) * 2014-05-30 2017-10-10 Apple Inc. Text prediction using combined word N-gram and unigram language models
US10671275B2 (en) * 2014-09-04 2020-06-02 Apple Inc. User interfaces for improving single-handed operation of devices
KR101653906B1 (ko) * 2015-01-29 2016-09-02 이효원 터치스크린을 가진 기기에서 스와이프를 이용한 한글입력장치 및 한글입력방법
US9703394B2 (en) * 2015-03-24 2017-07-11 Google Inc. Unlearning techniques for adaptive language models in text entry
US11237691B2 (en) * 2017-07-26 2022-02-01 Microsoft Technology Licensing, Llc Intelligent response using eye gaze

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014010688A (ja) * 2012-06-29 2014-01-20 Kddi Corp 入力文字推定装置およびプログラム
US20140071055A1 (en) * 2012-09-12 2014-03-13 Google Inc. Multi-directional calibration of touch screens
KR101426937B1 (ko) * 2013-03-08 2014-08-07 구글 인코포레이티드 제스쳐 기반 키보드를 위한 제스쳐 컴플리션 경로 표시
US20160299685A1 (en) * 2015-04-10 2016-10-13 Google Inc. Neural network for keyboard input decoding
JP2016201071A (ja) * 2015-04-14 2016-12-01 京セラドキュメントソリューションズ株式会社 表示入力装置、画像形成装置

Also Published As

Publication number Publication date
WO2019050137A1 (en) 2019-03-14
EP3734436A1 (en) 2020-11-04
EP3652631A4 (en) 2020-07-08
CN111108468A (zh) 2020-05-05
US20220083153A1 (en) 2022-03-17
EP3652631A1 (en) 2020-05-20
KR20180132493A (ko) 2018-12-12

Similar Documents

Publication Publication Date Title
KR102474245B1 (ko) 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법
US11042728B2 (en) Electronic apparatus for recognition of a user and operation method thereof
US11470385B2 (en) Method and apparatus for filtering video
KR102520627B1 (ko) 상품을 추천하는 디바이스 및 방법
KR102556492B1 (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
KR102606287B1 (ko) 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법
CN112805743A (zh) 用于基于知识图谱来提供内容的系统和方法
EP3690644B1 (en) Electronic device and operation method therefor
KR102474246B1 (ko) 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템
KR102530045B1 (ko) 전자 장치 및 그 동작 방법
US11508364B2 (en) Electronic device for outputting response to speech input by using application and operation method thereof
US20160224591A1 (en) Method and Device for Searching for Image
KR102595790B1 (ko) 전자 장치 및 그의 제어방법
KR102430567B1 (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
KR20190105403A (ko) 전자 장치, 전자 장치와 결합 가능한 외부 디바이스 및 이의 디스플레이 방법
KR102384878B1 (ko) 동영상을 필터링하는 방법 및 장치
KR102630820B1 (ko) 메신저 피싱 또는 보이스 피싱을 감지하는 전자 장치 및 그 동작 방법
KR102464906B1 (ko) 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법
US11188158B2 (en) System and method of determining input characters based on swipe input
KR20200084395A (ko) 영상에서 오브젝트를 인식하는 전자 장치 및 그 동작 방법
KR20190096752A (ko) 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치
KR20200016174A (ko) 사용자 인터페이스를 제공하는 방법 및 시스템
US11308279B2 (en) Method and system simplifying the input of symbols used as a pair within a user interface
KR20180102987A (ko) 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체
KR20190046472A (ko) 전자 장치에서 발생된 트러블에 관한 가이드 정보를 제공하는 전자 장치, 서버 및 그 동작 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant