KR102476499B1 - 유사 컨텐츠 제공 기법 - Google Patents

Abstract

본 개시의 몇몇 실시예에 따른, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 유사 컨텐츠 제공 방법이 개시된다. 상기 유사 컨텐츠 제공 방법은, 컨텐츠에 포함된 텍스트 데이터 및 이미지 데이터를 추출하는 단계; 적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하는 단계; 상기 제 1 임베딩 벡터 및 상기 제 2 임베딩 벡터를 연결(concatenate)하여 컨텐츠 임베딩 벡터를 결정하는 단계; 및상기 컨텐츠 임베딩 벡터를 이용하여 상기 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정하는 단계;를 포함할 수 있다.

Description

유사 컨텐츠 제공 기법{TECHNIQUES FOR PROVIDING SIMILAR CONTENT}

본 개시는 유사 컨텐츠 제공 기법에 관한 것으로, 구체적으로 딥러닝 기반 수학 교과 컨텐츠 임베딩을 이용하여 컨텐츠 유사도를 분석하여 유사 컨텐츠를 제공하는 방법에 관한 것이다.

컨텐츠는 해당 컨텐츠의 생성 당시 지정한 여러 카테고리별로 분류하여 관리되고 있다. 따라서, 동일한 카테고리의 컨텐츠를 서로 유사한 컨텐츠로 가정하고 유사 컨텐츠 추천 시 활용하고 있다. 다만, 이와 같이 유사 컨텐츠를 추천하는 경우, 컨텐츠가 갖고 있는 본연의 텍스트 데이터와 이미지 데이터의 특성과 정보를 전혀 고려하지 않기 때문에 새로운 카테고리가 생성되거나 기준의 변경이 발생하는 경우 모든 컨텐츠의 카테고리를 재설정해야 하는 문제점이 존재한다.

한편, 상술한 유사 컨텐츠 추천 방법은 새로운 컨텐츠가 끊임없이 생성되고 변화하는 서비스에서는 사용하기에 적절하지 않다. 따라서, 컨텐츠에 포함된 텍스트 데이터와 이미지 데이터를 활용하여 유사성을 직접 비교하여 유사한 컨텐츠를 추천해주는 알고리즘에 대한 필요성이 대두되고 있다.

대한민국 공개특허 제10-2020-0087977호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 새로운 컨텐츠에 대한 즉각적인 분석과 분류가 가능한 방법을 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 유사 컨텐츠 제공 방법에 있어서, 컨텐츠에 포함된 텍스트 데이터 및 이미지 데이터를 추출하는 단계; 적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하는 단계; 상기 제 1 임베딩 벡터 및 상기 제 2 임베딩 벡터를 연결(concatenate)하여 컨텐츠 임베딩 벡터를 결정하는 단계; 및 상기 컨텐츠 임베딩 벡터를 이용하여 상기 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정하는 단계;를 포함할 수 있다.

또한, 상기 컨텐츠 임베딩 벡터를 이용하여 상기 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정하는 단계는, 상기 컴퓨팅 장치의 저장부에 저장된 복수의 컨텐츠와 관련된 복수의 기존 컨텐츠 임베딩 벡터와 상기 컨텐츠 임베딩 벡터를 비교하여 상기 복수의 컨텐츠 각각에 대한 유사도 값을 결정하는 단계; 및 상기 복수의 컨텐츠 각각에 대한 상기 유사도 값에 기초하여 상기 적어도 하나의 유사 컨텐츠를 결정하는 단계;를 포함할 수 있다.

또한, 상기 유사도 값이 높은 순서대로 상기 적어도 하나의 유사 컨텐츠를 정렬하여 제공하는 단계;를 더 포함할 수 있다.

또한, 상기 복수의 컨텐츠 각각에 대한 유사도 값은, 상기 복수의 기존 컨텐츠 임베딩 벡터 및 상기 컨텐츠 임베딩 벡터 각각의 벡터 공간 내에서의 방향들의 유사도에 기초하여 생성된 값일 수 있다.

또한, 상기 제 1 임베딩 벡터는, 텍스트 및 교과 카테고리 정보에 기초하여 사전 학습된(pre-trained) 상기 적어도 하나의 네트워크 모델에 의해 임베딩된 임베딩 벡터일 수 있다.

또한, 상기 적어도 하나의 네트워크 모델은, 대용량 텍스트 코퍼스를 이용하여 사전 학습된 제 1 초기 네트워크 모델의 적어도 하나의 파라미터를 미세 조정하여 생성된 제 1 네트워크 모델; 및 복수의 영상 데이터로부터 피쳐(feature)를 추출할 수 있도록 사전 학습된 제 2 초기 네트워크 모델을 복수의 수학 도형 이미지 데이터를 이용하여 재학습시켜 생성된 제 2 네트워크 모델;을 포함할 수 있다.

또한, 상기 미세 조정은, 상기 사전 학습된 제 1 초기 네트워크 모델에 카테고리 정보가 라벨링된 수학 교과 컨텐츠의 텍스트 데이터를 입력하여 재학습시키는 과정을 통해 수행될 수 있다.

또한, 상기 제 2 네트워크 모델은, 생성 모델에서 생성된 가짜 수학 도형 이미지 데이터와 상기 복수의 수학 도형 이미지 데이터에 포함된 진짜 수학 도형 이미지 데이터를 판별 모델에 입력하여 상기 판별 모델이 상기 가짜 수학 도형 이미지 데이터와 상기 진짜 수학 도형 이미지 데이터를 판별할 수 없는 상태로 학습이 수행된 경우의 상기 판별 모델의 적어도 하나의 파라미터를 포함할 수 있다.

또한, 상기 판별 모델과 상기 생성 모델은, 적대적 학습(adversarial learning)을 통해 파라미터 값들을 조정하는 방법으로 학습될 수 있다.

또한, 상기 컨텐츠는, 수학 교과 강의와 관련된 컨텐츠, 수학 문제와 관련된 컨텐츠 및 수학 문제 해설과 관련된 컨텐츠 중 적어도 하나를 포함할 수 있다.

또한, 상기 적어도 하나의 유사 컨텐츠는, 상기 유사도 값이 기 설정된 값 이상인 컨텐츠일 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시의 몇몇 실시예에 따르면, 사용자에게 알맞은 학습 컨텐츠를 추천할 수 있도록 사용자의 문제 풀이에 대한 이해도를 모델링하는 방법을 제공하고자 한다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다.
도 1은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 일례를 설명하기 위한 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따라 유사 컨텐츠를 추천하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따라 컨텐츠 임베딩 벡터를 결정하는 방법의 일례를 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따라 적대적 학습을 통해 제 2 네트워크 모델을 학습시키는 방법의 일례를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따라 적어도 하나의 유사 컨텐츠를 결정하는 방법의 일례를 설명하기 위한 도면이다.
도 6은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.

이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.

비록 제 1, 제 2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 소자나 구성요소는 본 발명의 기술적 사상 내에서 제 2 소자나 구성요소 일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

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 의미하지만, 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.

더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어"있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하의 설명에서 사용되는 구성 요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 개시에서 컴퓨팅 장치는 입력된 컨텐츠와 유사한 컨텐츠를 제공할 수 있다. 여기서, 컨텐츠는 수학 교과 강의와 관련된 컨텐츠, 수학 문제와 관련된 컨텐츠 및 수학 문제 해설과 관련된 컨텐츠 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니고, 다양한 컨텐츠와 관련하여 유사한 컨텐츠를 제공할 수 있다.

이하, 도 1 내지 도 5를 통해 본 개시에 따른 컴퓨팅 장치가 유사 컨텐츠를 제공하는 방법에 대해 설명한다.

도 1은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 일례를 설명하기 위한 블록 구성도이다.

도 1을 참조하면, 컴퓨팅 장치(100)는 프로세서(110) 및 저장부(120)를 포함할 수 있다. 다만, 상술한 구성 요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

컴퓨팅 장치(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 또는 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 저장부(120)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 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. 다만, 이에 한정되는 것은 아니다.

프로세서(110)는 저장부(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 몇몇 실시예에 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.

한편, 본 명세서 전반에서 연산 모델, 신경망, 네트워크 함수 및 신경망(neural network)은 상호 교환 가능한 의미로 사용될 수 있다. 즉, 본 개시에서 연산 모델, (인공)신경망, 네트워크 함수 및 신경망은 상호 교환 가능하게 사용될 수 있다. 이하에서는 설명의 편의를 위해 신경망으로 통일하여 기술한다.

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.

심층 신경망(DNN: deep neural network)은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 심층 신경망을 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. 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network), 리커런트 신경망(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 심층 신경망의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

신경망은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 신경망의 학습은 신경망이 특정한 동작을 수행하기 위한 지식을 신경망에 적용하는 과정일 수 있다.

신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 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 신경망에 입력되고, 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 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 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

신경망의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망을 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 신경망이 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.

본 개시에서, 프로세서(110)는 입력된 컨텐츠에 포함된 텍스트 데이터 및 이미지 데이터를 추출할 수 있다. 프로세서(110)는 적어도 하나의 네트워크 모델에 텍스트 데이터 및 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정할 수 있다. 프로세서(110)는 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 연결(concatenate)하여 컨텐츠 임베딩 벡터를 결정할 수 있다. 그리고, 프로세서(110)는 컨텐츠 임베딩 벡터를 이용하여 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정할 수 있다.

컨텐츠 임베딩 벡터는 제 1 임베딩 벡터와 제 2 임베딩 벡터를 연결하여 생성되는 벡터로 유사 컨텐츠를 결정할 때 사용될 수 있다.

구체적으로, 프로세서(110)는 컨텐츠 임베딩 벡터와 저장부(120)에 기록된 복수의 컨텐츠 각각에 대한 기존 컨텐츠 임베딩 벡터를 비교할 수 있다. 그리고, 프로세서(110)는 복수의 컨텐츠 각각에 대한 유사도 값을 결정할 수 있다. 이에 대해서는 도 2에서 좀더 자세히 후술한다.

한편, 저장부(120)는 메모리 및/또는 영구저장매체를 포함할 수 있다. 메모리는 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.

본 개시에서, 저장부(120)에는 복수의 컨텐츠가 데이터베이스 형태로 저장되어 있을 수 있다. 여기서 복수의 컨텐츠는 수학 교과 강의와 관련된 컨텐츠, 수학 문제와 관련된 컨텐츠 및 수학 문제 해설과 관련된 컨텐츠 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 저장부(120)에는 복수의 컨텐츠 각각과 관련된 임베딩 벡터가 복수의 컨텐츠 각각에 매핑되어 데이터베이스에 기록되어 있을 수 있다. 본 개시에서 복수의 컨텐츠 각각과 관련된 임베딩 벡터는 기존 컨텐츠 임베딩 벡터라고 정의한다.

도 2는 본 개시의 몇몇 실시예에 따라 유사 컨텐츠를 추천하는 방법의 일례를 설명하기 위한 흐름도이다.

도 2를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 컨텐츠에 포함된 텍스트 데이터 및 이미지 데이터를 추출할 수 있다(S110).

본 개시에서 컨텐츠는, 수학 교과 강의와 관련된 컨텐츠, 수학 문제와 관련된 컨텐츠 및 수학 문제 해설과 관련된 컨텐츠 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

컨텐츠 내에는 적어도 하나의 이미지 데이터 또는 적어도 하나의 텍스트 데이터 중 적어도 하나가 포함되어 있을 수 있다. 다만, 이에 한정되는 것은 아니다.

예를 들어, 컨텐츠가 수학 문제와 관련된 컨텐츠인 경우, 하나의 수학 문제 내에 수학 문제의 내용을 설명하는 적어도 하나의 텍스트 데이터가 포함되어 있을 수 있고, 그래프나 수학 도형과 같은 이미지 데이터가 포함되어 있을 수도 있다. 다만, 이에 한정되는 것은 아니다.

본 개시에서 프로세서(110)는 텍스트 추출 알고리즘 및 이미지 추출 알고리즘을 이용하여 컨텐츠 내에 포함된 적어도 하나의 이미지 데이터 및 적어도 하나의 텍스트 데이터를 추출할 수 있다. 텍스트 추출 알고리즘 및 이미지 추출 알고리즘은 공지의 룰기반 알고리즘 및/또는 머신러닝 기반 알고리즘을 포함할 수 있다.

한편, 단계(S110)에서 이미지 데이터 및 텍스트 데이터가 추출된 경우, 프로세서(110)는 적어도 하나의 네트워크 모델에 텍스트 데이터 및 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정할 수 있다(S120).

본 개시에서 적어도 하나의 네트워크 모델은 텍스트 데이터를 입력으로 받아 임베딩 벡터를 생성해내는 제 1 네트워크 모델과 이미지 데이터를 입력으로 받아 임베딩 벡터를 생성해내는 제 2 네트워크 모델을 포함할 수 있다. 여기서, 임베딩 벡터는 사람이 쓰는 자연어 또는 사람이 볼 수 있는 이미지를 기계가 이해할 수 있는 숫자 형태인 벡터로 변경한 것을 의미할 수 있다. 다만, 이에 한정되는 것은 아니다.

제 1 네트워크 모델은 자연어 처리에 사용되는 다양한 임베딩 기법을 사용하여 텍스트 데이터를 임베딩 하는 네트워크 모델일 수 있다. 제 1 네트워크 모델을 예를 들어, 원-핫 인코딩(One Hot Encoding), TF-IDF(Term Frequency - Inverse Document Frequency), LSA(Latent Semantic Analysis), Word2Vec, FastText와 같은 임베딩 모델을 이용하여 구성될 수 있다.

제 1 네트워크 모델은 또한, 트랜스포머(transformer) 기반의 임베딩 네트워크 모듈을 이용하여 구성될 수 있다. 트랜스포머(transformer)는 어텐션(attention)에 기초하여 텍스트, 이미지, 및/또는 다양한 도메인의 데이터를 인코딩하는 인코딩 모듈을 의미한다. 제 1 네트워크 모델이 트랜스포머 기반의 임베딩 네트워크 모듈을 포함하여 구성되는 경우, 트랜스포머 기반의 임베딩 네트워크 모듈은 예를 들어, BERT(Bidirectional Encoder Representations form Transformers) 모델, GPT(Generative Pre-trained Transformer) 모델, T5(Text-to-Text Transfer Transformer) 모델과 같은 다양한 종류의 자연어 처리 모델을 포함할 수 있으나, 이에 제한되지 않는다.

제 1 네트워크 모델로 트랜스포머 모델이 사용되는 경우, 트랜스포머 모델은 대용량 코퍼스 데이터를 이용하여 학습될 수 있다. 트랜스포머 모델은 문장안에 포함된 단어들 사이의 어텐션을 계산하고, 이를 기초로 하여 임베딩 벡터를 인코딩할 수 있다. 예를 들어, 단어들 사이의 어텐션은 각 단어의 쿼리(Query), 키(Key), 밸류(Value) 벡터들을 인코딩하고, 인코딩된 쿼리 벡터들과 문장 내의 모든 단어들의 키 벡터들 사이의 어텐션 스코어를 구한 뒤, 각 단어들의 밸류 벡터를 이용하여 계산될 수 있다. 그러나, 이는 트랜스포머 내에서 어텐션을 계산하는 일 예이며, 다양한 형태의 어텐션 들이 활용될 수 있다.

제 1 네트워크 모델을 학습시키는 방법은 임의의 두 문장이 연속하는 문장인지 아니면 연속하지 않은 문장인지를 맞추는 NSP(Next Sentence Prediction) 학습 방법과 문장 내 임의의 단어를 마스킹(masking)하고 마스킹된 단어를 맞추는 MLM(Masked Language Model) 학습 방법을 통해 진행될 수 있다. MSP 및 MLM 기법은 사전 학습된(pretrained)된 트랜스포머 기반의 네트워크 모듈을 미세 조정(fine-tune)하기 위해 추가적으로 수행될 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 제 1 네트워크 모델은 대용량 텍스트 코퍼스를 이용하여 사전 학습된 제 1 초기 네트워크 모델의 적어도 하나의 파라미터를 미세 조정하여 생성될 수 있다. 여기서, 제 1 초기 네트워크 모델은 대용량 텍스트 코퍼스를 이용하여 사전 학습되어 있기 때문에 텍스트 데이터가 입력되는 경우 언어적 특성을 잘 이해한 임베딩 벡터를 출력할 수 있다. 다만, 제 1 초기 네트워크 모델을 그대로 활용하는 경우 특정 도메인에 사용하기는 적합하지 않을 수 있다. 따라서, 제 1 초기 네트워크 모델의 적어도 하나의 파라미터를 미세 조정을 통해 조절하는 작업을 거쳐야한다. 다른 일 실시예에서, 미세 조정 프로세스는, 사전 학습된 네트워크 모델을 기초로 추가적인 학습을 수행하는 전이학습(Transfer Learning) 프로세스와 실질적으로 동일할 수 있다. 전술한 NSP, MLM 기법 외에도, 자연어 처리에서 활용되는 임의의 전이 학습 프로세스가 사전 학습된 제1 네트워크 모델의 미세 조정을 위해 활용될 수 있다.

제 1 초기 네트워크 모델의 적어도 하나의 파라미터의 미세 조정은, 사전 학습된 제 1 초기 네트워크 모델에 카테고리 정보가 라벨링된 수학 교과 컨텐츠의 텍스트 데이터를 입력하여 재학습시키는 과정을 통해 이루어질 수 있다. 즉, 프로세서(110)는 대용량 코퍼스 데이터를 이용하여 1차 학습된 제 1 초기 네트워크 모델(예를 들어, 트랜스포머 모델)을 카테고리 정보가 라벨링된 수학 교과 컨텐츠의 텍스트 데이터 셋을 포함하는 학습용 데이터 셋을 이용하여 재학습시켜 제 1 초기 네트워크 모델의 적어도 하나의 파라미터를 미세 조정할 수 있다.

프로세서(110)는 제 1 초기 네트워크 모델에 수학 교과 컨텐츠의 텍스트를 입력하고, 해당 텍스트가 속하는 카테고리를 맞추는 방식으로 학습을 수행할 수 있다. 최종적으로 학습이 완료된 제 1 네트워크 모델은 텍스트 데이터가 입력되었을 때 텍스트의 의미적 내용 정보 뿐만 아니라 수학 교과 카테고리 정보가 반영된 임베딩 벡터를 출력할 수 있다.

본 개시의 몇몇 실시예에 따르면, 하나의 컨텐츠에서 추출된 텍스트 데이터지만 데이터 길이가 길어 제 1 네트워크 모델에 한 번에 입력되기 어려운 텍스트 데이터의 경우 제 1 네트워크 모델의 허용량 만큼 분할되어 제 1 네트워크 모델에 입력될 수 있다. 이 경우, 제 1 네트워크 모델에서 출력된 여러 개의 임베딩 벡터는 덴스 레이어(dense layer)에 입력될 수 있고, 덴스 레이어에서 출력되는 출력값이 본 개시에서의 임베딩 벡터가 될 수 있다. 이 경우, 인공 신경망의 feed-forward neural network를 덴스 레이어로 사용할 수 있다. 다만 이에 한정되는 것은 아니다.

제 2 네트워크 모델로는 다양한 종류의 이미지 분석 모델이 활용될 수 있다. 예를 들어, 제 2 네트워크 모델은 컨벌루션 뉴럴 네트워크(Convolution Neural Network: CNN) 모델, 리커런트 신경망(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) 등이 사용될 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예에 따르면, 제 2 네트워크 모델은 다량의 영상 데이터를 이용하여 영상 데이터의 피쳐(feature)를 추출하도록 사전 학습된 제 2 초기 네트워크 모델을 복수의 수학 도형 이미지 데이터를 이용하여 재학습시켜서 생성될 수 있다.

한편, 본 개시의 몇몇 실시예에 따르면 제 2 네트워크 모델은 적대적 학습을 통해서 학습이 진행될 수도 있다. 이는 도 4를 참조하여 좀더 자세히 후술한다.

단계(S120)에서 적어도 하나의 네트워크 모델에 텍스트 데이터 및 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정한 경우, 프로세서(110)는 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 연결(concatenate)하여 컨텐츠 임베딩 벡터를 결정할 수 있다. 여기서, 컨텐츠 임베딩 벡터는 제 1 임베딩 벡터와 제 2 임베딩 벡터를 연결하여 생성되는 컨텐츠와 관련된 정보가 포함되어 있는 임베딩 벡터라고 정의될 수 있다.

프로세서(110)는 다양한 방법을 통해 제 1 임베딩 벡터와 제 2 임베딩 벡터를 연결하여 컨텐츠 임베딩 벡터를 결정할 수 있다. 이는 도 3에서 좀더 자세히 후술한다.

한편, 프로세서(110)는 단계(S130)에서 컨텐츠 임베딩 벡터를 결정한 경우, 컨텐츠 임베딩 벡터를 이용하여 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정할 수 있다(S140).

구체적으로, 프로세서(110)는 컴퓨팅 장치의 저장부(120)에 저장된 복수의 컨텐츠와 관련된 복수의 기존 컨텐츠 임베딩 벡터와 단계(S130)에서 생성된 컨텐츠 임베딩 벡터를 비교하여 복수의 컨텐츠 각각의 유사도 값을 결정할 수 있다. 그리고, 프로세서(110)는 복수의 컨텐츠 각각에 대한 유사도 값에 기초하여 적어도 하나의 유사 컨텐츠를 결정할 수 있다. 여기서, 프로세서(110)는 복수의 컨텐츠 중 유사도 값이 기 설정된 값을 초과하는 컨텐츠를 적어도 하나의 유사 컨텐츠로 결정할 수 있다. 유사도 값은 복수의 기존 컨텐츠 임베딩 벡터와 컨텐츠 임베딩 벡터 사이의 각도를 이용하여 생성된 값일 수 잇다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예에 따르면, 적어도 하나의 유사 컨텐츠를 결정할 때 사용되는 기 설정된 값은 컨텐츠의 종류에 따라 상이하게 설정될 수 있다. 구체적으로, 컨텐츠가 교과 컨텐츠로 수학 교과 강의와 관련된 컨텐츠인지, 수학 문제와 관련된 컨텐츠인지, 수학 문제 해설과 관련된 컨텐츠인지에 따라서 기 설정된 값이 다르게 설정되어 있을 수 있다.

저장부(120)에 저장되어 있는 복수의 컨텐츠 각각에 대한 기존 컨텐츠 임베딩 벡터는 도 2의 단계들(S110, S120, S130)을 통해서 사전 결정되어 저장부(120)에 기록되어 있을 수 있다. 즉, 복수의 컨텐츠 각각에 그와 관련된 기존 컨텐츠 임베딩 벡터가 매핑되어 데이터 베이스 형태로 저장부(120)에 기록되어 있을 수 있다.

프로세서(110)는 복수의 컨텐츠와 관련된 복수의 기존 컨텐츠 임베딩 벡터와 단계(S130)에서 생성된 컨텐츠 임베딩 벡터의 상호 유사도를 판단할 수 있다. 상기 벡터의 상호 유사도를 판단하기 위하여, 두 벡터 사이의 코사인 유사도(cosine similarity), 유클리드 거리(Euclidean Distance), 자카드 유사도(Jaccard similarity), 레벤슈타인 거리(Levenshtein distance) 등 다양한 척도를 사용할 수 있다.

일 실시예로서, 예를 들어, 프로세서(110)는 둘 이상의 임베딩 벡터들 사이의 코사인 유사도를 계산할 수 있다. 코사인 유사도는 벡터 공간내에서 임베딩된 벡터들의 방향성의 유사도에 기초하여 계산될 수 있다.

코사인 유사도를 계산하는 방식은 이하 수학식 1 및 수학식 2와 같다.

여기서, Similarity는 유사도 값을 의미하며,

는 두 벡터 사이의 각도를 의미하며 A는 컨텐츠 임베딩 벡터를 의미하며 B는 기존 컨텐츠 임베딩 벡터를 의미할 수 있다.

한편, 벡터의 개수가 복수개인 경우 유사도 값은 이하 수학식 2를 통해 산출될 수 있다.

본 개시에서 입력 컨텐츠의 임베딩 벡터인 컨텐츠 임베딩 벡터와 저장부(120)에 사전 저장되어 있는 기존 컨텐츠의 임베딩 벡터인 기존 컨텐츠 임베딩 벡터 간 유사도를 코사인 유사도 기법으로 측정 한 결과 값이 일정 수준 이상의 기 설정된 값(threshold 값)을 넘기면, 저장부(120)에 저장되어 있던 해당 기존 컨텐츠는 입력 컨텐츠와 유사하다고 결정될 수 있다.

한편, 본 개시의 몇몇 실시예에 따르면, 단계(S140)에서 적어도 하나의 유사 컨텐츠가 결정된 경우, 유사도 값이 높은 순서대로 적어도 하나의 유사 컨텐츠를 정렬하여 제공할 수 있다. 이와 같이 유사도 값이 높은 순서대로 적어도 하나의 유사 컨텐츠를 정렬하여 제공하는 경우, 사용자 편의성이 증대될 수 있다.

도 3은 본 개시의 몇몇 실시예에 따라 컨텐츠 임베딩 벡터를 결정하는 방법의 일례를 설명하기 위한 도면이다.

도 3을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 컨텐츠(210)에 포함된 텍스트 데이터(221) 및 이미지 데이터(231)를 추출할 수 있다.

본 개시에서 컨텐츠(210)는, 수학 교과 강의와 관련된 컨텐츠, 수학 문제와 관련된 컨텐츠 및 수학 문제 해설과 관련된 컨텐츠 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 컨텐츠(210) 내에는 적어도 하나의 이미지 데이터(231) 또는 적어도 하나의 텍스트 데이터(221) 중 적어도 하나가 포함되어 있을 수 있다. 다만, 이에 한정되는 것은 아니다.

예를 들어, 컨텐츠가 수학 문제와 관련된 컨텐츠인 경우, 하나의 수학 문제 내에 수학 문제의 내용을 설명하는 적어도 하나의 텍스트 데이터가 포함되어 있을 수 있고, 그래프나 수학 도형과 같은 이미지 데이터가 포함되어 있을 수도 있다. 다만, 이에 한정되는 것은 아니다.

본 개시에서 프로세서(110)는 텍스트 추출 알고리즘 및 이미지 추출 알고리즘을 이용하여 컨텐츠(210) 내에 포함된 적어도 하나의 이미지 데이터(231) 및 적어도 하나의 텍스트 데이터(221)를 추출할 수 있다.

텍스트 추출 알고리즘은 컨텐츠(210) 내에 포함되어 있는 여러 종류의 데이터 중에서 텍스트 데이터(221)만 추출해내는 알고리즘을 의미할 수 있다. 광학식 문자 판독(Optical Character Recognition) 기법, 딥러닝을 활용한 텍스트 인식 기법 등과 같이 다양한 종래 알고리즘이 텍스트 추출 알고리즘으로 이용될 수 있다.

한편, 이미지 추출 알고리즘은 컨텐츠 내에 포함되어 있는 여러 종류의 데이터 중 이미지 데이터(231)만 추출해내는 알고리즘을 의미할 수 있다. 딥러닝을 활용한 이미지 인식 기법 등과 같이 다양한 종래 알고리즘이 이미지 추출 알고리즘으로 이용될 수 있다.

한편, 이미지 데이터 및 텍스트 데이터가 추출된 경우, 프로세서(110)는 적어도 하나의 네트워크 모델(310, 320)에 텍스트 데이터(221) 및 이미지 데이터(231)를 입력하여 제 1 임베딩 벡터(222) 및 제 2 임베딩 벡터(232)를 결정할 수 있다.

본 개시에서 적어도 하나의 네트워크 모델은 텍스트 데이터(221)를 입력으로 받아 제 1 임베딩 벡터(222)를 생성해내는 제 1 네트워크 모델(310)과 이미지 데이터(231)를 입력으로 받아 제 2 임베딩 벡터(232)를 생성해내는 제 2 네트워크 모델(320)을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

적어도 하나의 네트워크 모델(310, 320)에 텍스트 데이터(221) 및 이미지 데이터(231)를 입력하여 제 1 임베딩 벡터(222) 및 제 2 임베딩 벡터(232)를 결정한 경우, 프로세서(110)는 제 1 임베딩 벡터(222) 및 제 2 임베딩 벡터(232)를 연결(concatenate)하여 컨텐츠 임베딩 벡터(240)를 결정할 수 있다. 여기서, 컨텐츠 임베딩 벡터(240)는 제 1 임베딩 벡터(222)와 제 2 임베딩 벡터(232)를 연결하여 생성되는 컨텐츠와 관련된 정보가 포함되어 있는 임베딩 벡터라고 정의될 수 있다.

프로세서(110)는 다양한 방법을 통해 제 1 임베딩 벡터(222)와 제 2 임베딩 벡터(232)를 연결하여 컨텐츠 임베딩 벡터(240)를 결정할 수 있다.

일례로, 프로세서(110)는 제 1 임베딩 벡터(222) 뒤에 제 2 임베딩 벡터(232)를 연결하는 방법으로 컨텐츠 임베딩 벡터(240)를 결정할 수 있다.

다른 일례로, 프로세서(110)는 제 2 임베딩 벡터(232) 뒤에 제 1 임베딩 벡터(222)를 연결하는 방법으로 컨텐츠 임베딩 벡터(240)를 결정할 수 있다.

다만, 상술한 예시들은 본 개시의 몇몇 실시예에 해당할 뿐이며, 다양한 방법을 통해 제 1 임베딩 벡터(222)와 제 2 임베딩 벡터(232)가 연결되어 컨텐츠 임베딩 벡터(240)가 결정될 수 있다.

도 4는 본 개시의 몇몇 실시예에 따라 적대적 학습을 통해 제 2 네트워크 모델을 학습시키는 방법의 일례를 설명하기 위한 도면이다.

본 개시의 몇몇 실시예에 따르면, 제 2 네트워크 모델은 다량의 영상 데이터를 이용하여 영상 데이터의 피쳐(feature)를 추출하도록 사전 학습된 제 2 초기 네트워크 모델을 전이 학습을 통해 미세 조정 프로세스를 수행하여 학습될 수 있다. 일 예에서, 제 2 네트워크 모델은 이미지 데이터를 이용하여 사전 학습된 상태에서, 본 발명의 일 실시예에 따른 수학 도형 이미지 데이터를 이용하여 전이 학습을 수행하여 학습될 수 있다.

일 실시예에서, 제 2 네트워크 모델의 전이 학습을 통한 미세 조정을 위해서, 적대적 기계 학습(Adversarial Machine Learning)방법이 수행될 수 있다. 그러나 이는 전이 학습을 위한 일 예에 불과하며, 공지의 다양한 전이학습 방법이 제 2 네트워크 모듈의 미세 조정을 위해서 수행될 수 있다.

도 4는 제 2 네트워크 모델을 생성적 적대 신경망(Generative Adversarial Networks)을 이용하여 재학습하는 경우를 도시한 것이다.

모델(400)은 생성 모델(410)과 판별 모델(420)을 포함할 수 있다. 다만, 상술한 구성 요소들은 모델(400)을 구현하는데 있어서 필수적인 것은 아니어서, 모델(400)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

생성 모델(410)은 랜덤 값인 Latent Vector가 입력된 경우 가짜 이미지 데이터를 생성하는 모델일 수 있다. 여기서, 가짜 이미지 데이터는 카메라를 통해 실제로 촬영된 이미지가 포함된 데이터 또는 실존하는 이미지와 관련된 데이터가 아니고 컴퓨팅 장치를 통해 자체적으로 생성된 이미지 데이터를 의미할 수 잇다.

구체적으로, 생성 모델(410)은 Latent Vector를 입력 받은 경우, 가짜 수학 도형 이미지 데이터(520)를 출력할 수 있다. 여기서, 가짜 수학 도형 이미지 데이터(520)는 카메라를 통해 촬영된 수학 도형 이미지 데이터가 아닌 컴퓨팅 장치가 자체적으로 생성한 수학 도형 이미지 데이터를 의미할 수 있다.

한편, 판별 모델(420)은 입력된 데이터가 가짜 이미지 데이터인지 아니면 진짜 이미지 데이터인지를 판별해내는 모델일 수 있다.

구체적으로, 판별 모델(420)은 가짜 수학 도형 이미지 데이터(520) 또는 진짜 수학 도형 이미지 데이터(510)를 입력 받아, 입력된 데이터가 가짜인지 아니면 진짜인지를 판별하는 방법으로 학습될 수 있다.

만약, 입력된 데이터가 가짜 수학 도형 이미지 데이터(520)인데 판별 모델(420)이 진짜 수학 도형 이미지라고 판별한 경우, 프로세서(110)는 로스 값(540)을 역전파하여 판별 모델(420) 및 생성 모델(410)에 포함된 적어도 하나의 파라미터를 업데이트할 수 있다. 또한, 입력된 데이터가 진짜 수학 도형 이미지 데이터(510)인데 판별 모델(420)이 가짜 수학 도형 이미지라고 판별한 경우, 프로세서(110)는 로스 값(540)을 역전파하여 판별 모델(420) 및 생성 모델(410)에 포함된 적어도 하나의 파라미터가 업데이트할 수 있다.

상술한 바와 같이 생성 모델(410)과 판별 모델(420)이 학습을 수행하는 경우, 생성 모델(410)과 판별 모델(420)은 적대적 학습(adversarial learning)을 통해 파라미터 값들을 조정할 수 있다.

한편, 제 2 네트워크 모델은, 생성 모델(410)에서 생성된 가짜 수학 도형 이미지 데이터(520)와 저장부(220)에 사전 저장되어 있는 복수의 수학 도형 이미지 데이터에 포함된 진짜 수학 도형 이미지 데이터(510)를 판별 모델(420)에 입력하여 판별 모델(420)이 가짜 수학 도형 이미지 데이터(520)와 진짜 수학 도형 이미지 데이터(510)를 판별할 수 없는 상태로 학습이 수행된 경우의 판별 모델(420)의 적어도 하나의 파라미터를 포함할 수 있다.

본 발명의 일 실시예에 따른 미세 조정을 위한 전이 학습을 위해, 판별 모델(420)의 초기 파라미터는 이미지 데이터를 이용하여 사전학습된 네트워크 모듈의 파라미터들을 적어도 일부분 포함하도록 설정될 수 있다. 상기 적대적 기계 학습을 통하여, 수학 도형 이미지에 부합하는 특징들을 학습하도록 파라미터가 업데이트 됨으로서, 상기 사전학습된 네트워크 모듈은 수학 도형 이미지 도메인에 더 적합한 네트워크 모듈로 도메인 적응(domain adaptation)될 수 있다.

상술한 바와 같이 가짜 이미지와 실제 이미지를 판별하여 확률분포로부터 실제 이미지와 유사한 이미지를 추출할 수 있도록 학습되는 방법을 이용하여 학습이 이루어질 수 있다. 이 경우, 판별 모델(420)의 적어도 하나의 파라미터를 제 2 네트워크 모델이 포함할 수 있기 때문에 수학 도형 이미지를 표현할 수 있는 피쳐(feature)를 제 2 네트워크 모델이 학습할 수 있다. 따라서, 학습이 완료된 제 2 네트워크 모델은 수학 도형 이미지 데이터의 특징을 잘 나타내는 임베딩 벡터를 출력해낼 수 있다.

도 5는 본 개시의 몇몇 실시예에 따라 적어도 하나의 유사 컨텐츠를 결정하는 방법의 일례를 설명하기 위한 도면이다.

도 5를 참조하면, 프로세서(110)는 입력된 컨텐츠(210)에 포함된 텍스트 데이터 및 이미지 데이터를 적어도 하나의 네트워크 모델에 입력하여 제 1 임베딩 벡터와 제 2 임베딩 벡터를 생성 및 연결하여 컨텐츠 임베딩 벡터(240)를 결정할 수 있다.

한편, 프로세서(110)는 컨텐츠 임베딩 벡터(240)를 결정한 경우, 컨텐츠 임베딩 벡터(240)를 이용하여 입력된 컨텐츠(210)와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정할 수 있다.

구체적으로, 프로세서(110)는 컴퓨팅 장치의 저장부(120)의 컨텐츠 데이터베이스(610)에 기록된 복수의 컨텐츠와 관련된 복수의 기존 컨텐츠 임베딩 벡터(620)와 컨텐츠 임베딩 벡터(240)를 비교하여 복수의 컨텐츠 각각의 유사도 값을 결정할 수 있다. 그리고, 프로세서(110)는 복수의 컨텐츠 각각에 대한 유사도 값에 기초하여 적어도 하나의 유사 컨텐츠를 결정할 수 있다. 여기서, 프로세서(110)는 복수의 컨텐츠 중 유사도 값이 기 설정된 값을 초과하는 컨텐츠를 적어도 하나의 유사 컨텐츠로 결정할 수 있다. 유사도 값은 복수의 기존 컨텐츠 임베딩 벡터(620)와 컨텐츠 임베딩 벡터 사이의 각도를 이용하여 생성된 값일 수 잇다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예에 따르면, 적어도 하나의 유사 컨텐츠를 결정할 때 사용되는 기 설정된 값은 컨텐츠의 종류에 따라 상이하게 설정될 수 있다. 구체적으로, 컨텐츠가 교과 컨텐츠로 수학 교과 강의와 관련된 컨텐츠인지, 수학 문제와 관련된 컨텐츠인지, 수학 문제 해설과 관련된 컨텐츠인지에 따라서 기 설정된 값이 다르게 설정되어 있을 수 있다. 다만 이에 한정되는 것은 아니다.

저장부(120)에 저장되어 있는 복수의 컨텐츠 각각에 대한 기존 컨텐츠 임베딩 벡터(620)는 사전 결정되어 저장부(120)에 기록되어 있을 수 있다. 즉, 복수의 컨텐츠 각각에 그와 관련된 기존 컨텐츠 임베딩 벡터(620)가 매핑되어 데이터 베이스 형태로 저장부(120)에 기록되어 있을 수 있다.

프로세서(110)가 복수의 컨텐츠와 관련된 복수의 기존 컨텐츠 임베딩 벡터(620)와 입력된 컨텐츠(210)의 컨텐츠 임베딩 벡터(240)를 비교할 때는 코사인 유사도(Cosine Similarity) 기법을 이용할 수 있다. 즉, 두 벡터 간의 유사도를 코사인 유사도 기법을 이용하여 측정할 수 있다. 여기서, 코사인 유사도 기법은 기존 컨텐츠 임베딩 벡터(620)와 컨텐츠 임베딩 벡터(240) 사이의 각도를 구해서 얼마나 유사한지를 수치로 나타내는 기법일 수 있다. 코사인 유사도 기법은 벡터 방향이 비슷할수록 두 벡터가 유사하다고 판단할 수 있으며 벡터 사이의 각이 90도일 경우 전혀 관련성이 없다고 판단할 수 있으며, 벡터 사이의 각이 180도일 경우 반대 관계에 있다고 판단할 수 있다.

본 개시에서 입력 컨텐츠의 임베딩 벡터인 컨텐츠 임베딩 벡터와 저장부(120)에 사전 저장되어 있는 기존 컨텐츠의 임베딩 벡터인 기존 컨텐츠 임베딩 벡터 간 유사도를 코사인 유사도 기법으로 측정 한 결과 값이 일정 수준 이상의 값(threshold 값)을 넘기면, 저장부(120)에 저장되어 있던 해당 기존 컨텐츠는 입력 컨텐츠와 유사하다고 결정될 수 있다.

상술한 본 개시의 몇몇 실시예들에 따르면 실시간으로 추가되는 새로운 컨텐츠에 대한 즉각적인 분석과 분류가 가능할 수 있다.

도 6은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.

본 개시내용이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시내용 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 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 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 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체로서, 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 데이터등을 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 예를 들어, 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 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 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, 서버 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 서버에 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 5 GHz 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 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 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 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 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. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

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. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 유사 컨텐츠 제공 방법에 있어서,
   컨텐츠에 포함된 텍스트 데이터 및 이미지 데이터를 추출하는 단계;
   적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하는 단계;
   상기 제 1 임베딩 벡터 및 상기 제 2 임베딩 벡터를 연결(concatenate)하여 컨텐츠 임베딩 벡터를 결정하는 단계; 및
   상기 컨텐츠 임베딩 벡터를 이용하여 상기 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정하는 단계;
   를 포함하고,
   상기 적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하는 단계는:
   제 1 네트워크 모델을 이용하여 상기 텍스트 데이터에 기초하여 제 1 임베딩 벡터를 생성하는 단계 - 상기 제 1 네트워크 모델은 대용량 텍스트 코퍼스를 이용하여 사전 학습된 제 1 초기 네트워크 모델의 적어도 하나의 파라미터를 미세 조정하여 생성되고, 상기 미세 조정은 상기 사전 학습된 제 1 초기 네트워크 모델에 카테고리 정보가 라벨링된 수학 교과 컨텐츠의 텍스트 데이터를 입력하여 재학습시키는 과정을 통해 수행됨 -; 및
   제 2 네트워크 모델을 이용하여 상기 이미지 데이터에 기초하여 제 2 임베딩 벡터를 생성하는 단계 - 상기 제 2 네트워크 모델은 복수의 영상 데이터로부터 피쳐(feature)를 추출할 수 있도록 사전 학습된 제 2 초기 네트워크 모델을 복수의 수학 도형 이미지 데이터를 이용하여 재학습시켜 생성되고, 상기 제 2 네트워크 모델은 생성 모델에서 생성된 가짜 수학 도형 이미지 데이터와 상기 복수의 수학 도형 이미지 데이터에 포함된 진짜 수학 도형 이미지 데이터를 판별 모델에 입력하여 상기 판별 모델이 상기 가짜 수학 도형 이미지 데이터와 상기 진짜 수학 도형 이미지 데이터를 판별할 수 없는 상태로 학습이 수행된 경우의 상기 판별 모델의 적어도 하나의 파라미터를 포함함 -;
   를 포함하는,
   유사 컨텐츠 제공 방법.
2. 제 1 항에 있어서,
   상기 컨텐츠 임베딩 벡터를 이용하여 상기 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정하는 단계는,
   상기 컴퓨팅 장치의 저장부에 저장된 복수의 컨텐츠와 관련된 복수의 기존 컨텐츠 임베딩 벡터와 상기 컨텐츠 임베딩 벡터를 비교하여 상기 복수의 컨텐츠 각각에 대한 유사도 값을 결정하는 단계; 및
   상기 복수의 컨텐츠 각각에 대한 상기 유사도 값에 기초하여 상기 적어도 하나의 유사 컨텐츠를 결정하는 단계;
   를 포함하는,
   유사 컨텐츠 제공 방법.
3. 제 2 항에 있어서,
   상기 유사도 값이 높은 순서대로 상기 적어도 하나의 유사 컨텐츠를 정렬하여 제공하는 단계;
   를 더 포함하는,
   유사 컨텐츠 제공 방법.
4. 제 2 항에 있어서,
   상기 복수의 컨텐츠 각각에 대한 유사도 값은,
   상기 복수의 기존 컨텐츠 임베딩 벡터 및 상기 컨텐츠 임베딩 벡터 각각의 벡터 공간 내에서의 방향들의 유사도에 기초하여 생성된 값인,
   유사 컨텐츠 제공 방법.
5. 제 1 항에 있어서,
   상기 제 1 임베딩 벡터는,
   텍스트 및 교과 카테고리 정보에 기초하여 사전 학습된(pre-trained) 상기 적어도 하나의 네트워크 모델에 의해 임베딩된 임베딩 벡터인,
   유사 컨텐츠 제공 방법.
6. 삭제
7. 삭제
8. 삭제
9. 제 1 항에 있어서,
   상기 판별 모델과 상기 생성 모델은,
   적대적 학습(adversarial learning)을 통해 파라미터 값들을 조정하는 방법으로 학습되는,
   유사 컨텐츠 제공 방법.
10. 제 1 항에 있어서,
    상기 컨텐츠는,
    수학 교과 강의와 관련된 컨텐츠, 수학 문제와 관련된 컨텐츠 및 수학 문제 해설과 관련된 컨텐츠 중 적어도 하나를 포함하는,
    유사 컨텐츠 제공 방법.
11. 제 2 항에 있어서,
    상기 적어도 하나의 유사 컨텐츠는,
    상기 유사도 값이 기 설정된 값 이상인 컨텐츠인,
    유사 컨텐츠 제공 방법.
12. 유사 컨텐츠를 제공하는 컴퓨팅 장치에 있어서,
    적어도 하나의 네트워크 모델을 저장하는 저장부; 및
    적어도 하나의 프로세서;
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    컨텐츠에 포함된 텍스트 데이터 및 이미지 데이터를 추출하고,
    적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하고,
    상기 제 1 임베딩 벡터 및 상기 제 2 임베딩 벡터를 연결(concatenate)하여 컨텐츠 임베딩 벡터를 결정하고,
    상기 컨텐츠 임베딩 벡터를 이용하여 상기 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정하고,
    상기 적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하는 경우에:
    제 1 네트워크 모델을 이용하여 상기 텍스트 데이터에 기초하여 제 1 임베딩 벡터를 생성하고 - 상기 제 1 네트워크 모델은 대용량 텍스트 코퍼스를 이용하여 사전 학습된 제 1 초기 네트워크 모델의 적어도 하나의 파라미터를 미세 조정하여 생성되고, 상기 미세 조정은 상기 사전 학습된 제 1 초기 네트워크 모델에 카테고리 정보가 라벨링된 수학 교과 컨텐츠의 텍스트 데이터를 입력하여 재학습시키는 과정을 통해 수행됨 -, 그리고
    제 2 네트워크 모델을 이용하여 상기 이미지 데이터에 기초하여 제 2 임베딩 벡터를 생성하는 - 상기 제 2 네트워크 모델은 복수의 영상 데이터로부터 피쳐(feature)를 추출할 수 있도록 사전 학습된 제 2 초기 네트워크 모델을 복수의 수학 도형 이미지 데이터를 이용하여 재학습시켜 생성되고, 상기 제 2 네트워크 모델은 생성 모델에서 생성된 가짜 수학 도형 이미지 데이터와 상기 복수의 수학 도형 이미지 데이터에 포함된 진짜 수학 도형 이미지 데이터를 판별 모델에 입력하여 상기 판별 모델이 상기 가짜 수학 도형 이미지 데이터와 상기 진짜 수학 도형 이미지 데이터를 판별할 수 없는 상태로 학습이 수행된 경우의 상기 판별 모델의 적어도 하나의 파라미터를 포함함 -;
    컴퓨팅 장치.
13. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 적어도 하나의 프로세서로 하여금 유사 컨텐츠를 제공하기 위한 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
    컨텐츠에 포함된 텍스트 데이터 및 이미지 데이터를 추출하는 단계;
    적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하는 단계;
    상기 제 1 임베딩 벡터 및 상기 제 2 임베딩 벡터를 연결(concatenate)하여 컨텐츠 임베딩 벡터를 결정하는 단계; 및
    상기 컨텐츠 임베딩 벡터를 이용하여 상기 컨텐츠와 기 설정된 정도만큼 유사한 적어도 하나의 유사 컨텐츠를 결정하는 단계;
    를 포함하고,
    상기 적어도 하나의 네트워크 모델에 상기 텍스트 데이터 및 상기 이미지 데이터를 입력하여 제 1 임베딩 벡터 및 제 2 임베딩 벡터를 결정하는 단계는:
    제 1 네트워크 모델을 이용하여 상기 텍스트 데이터에 기초하여 제 1 임베딩 벡터를 생성하는 단계 - 상기 제 1 네트워크 모델은 대용량 텍스트 코퍼스를 이용하여 사전 학습된 제 1 초기 네트워크 모델의 적어도 하나의 파라미터를 미세 조정하여 생성되고, 상기 미세 조정은 상기 사전 학습된 제 1 초기 네트워크 모델에 카테고리 정보가 라벨링된 수학 교과 컨텐츠의 텍스트 데이터를 입력하여 재학습시키는 과정을 통해 수행됨 -; 및
    제 2 네트워크 모델을 이용하여 상기 이미지 데이터에 기초하여 제 2 임베딩 벡터를 생성하는 단계 - 상기 제 2 네트워크 모델은 복수의 영상 데이터로부터 피쳐(feature)를 추출할 수 있도록 사전 학습된 제 2 초기 네트워크 모델을 복수의 수학 도형 이미지 데이터를 이용하여 재학습시켜 생성되고, 상기 제 2 네트워크 모델은 생성 모델에서 생성된 가짜 수학 도형 이미지 데이터와 상기 복수의 수학 도형 이미지 데이터에 포함된 진짜 수학 도형 이미지 데이터를 판별 모델에 입력하여 상기 판별 모델이 상기 가짜 수학 도형 이미지 데이터와 상기 진짜 수학 도형 이미지 데이터를 판별할 수 없는 상태로 학습이 수행된 경우의 상기 판별 모델의 적어도 하나의 파라미터를 포함함 -;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.

Images