KR102497436B1 - 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득방법이 개시된다. 상기 방법은, 상기 음성 신호에 대응되는 텍스트 정보를 생성하는 단계; 상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 단계; 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 단계; 상기 분석된 감정의 타입(type)에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계; 및 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 단계를 포함할 수 있다.

Description

음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법{METHOD FOR ACQUIRING INFORMATION RELATED TO A TARGET WORD BASED ON CONTENT INCLUDING A VOICE SIGNAL}

본 발명은 타겟 단어와 관련된 정보를 획득하는 방법에 관한 것으로, 보다 구체적으로 음성 신호를 포함하는 컨텐츠에서 타겟 단어와 관련된 정보를 획득하여 모니터링하는 기술에 관한 것이다.

최근 1인 미디어의 발달로 인해 기업 입장에서는 모니터링해야 하는 미디어의 개수가 기하급수적으로 증가하고 있다. 예를 들어, 예전에는 TV나 신문을 통해 관련 기사 등만 모니터링하면 되었지만, 이제는 기업과 관련된 각종 SNS(Social Networking Service)의 인플루언서(예컨대, 인스타그램 인플루언서, 대형 유튜버, 파워블로거, ...)등의 채널까지도 모니터링을 수행해야한다.

그러나 이러한 채널(channel)들에서 매번 기업(또는 그 상품)에 대한 내용이 컨텐츠에 포함되는 것은 아니기에, 모든 채널을 각각 확인하여 직접 모니터링하기에는 많은 노력과 시간이 소요된다는 문제점이 있다.

대한민국 등록특허 제 10-1297271호(2013.08.09)는 소셜 네트워크 분석 서비스 방법 및 장치에 관하여 개시한다.

본 개시는 타겟 단어(예컨대, 회사명 또는 상품명 등)에 대한 평판(reputation)을 모니터링할 수 있도록 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법을 제공하는 것을 목적으로 한다. 예를 들어, 본 개시는 검색 대상 채널의 영상에 대하여 음성 인식(STT)을 수행하여 타겟 단어가 포함된 타겟 문장을 추출하고, 타겟 문장의 감정을 분석한 뒤에, 분석된 감정이 부정적일수록, 채널 별로 최신 영상일수록, 조회수가 높을수록, 채널의 구독자 수가 높거나 영향력이 높을수록, 높은 점수를 부여하고, 해당 점수가 미리 설정된 기준값을 초과하는 경우 컨텐츠에 대한 리포트 정보를 생성할 수 있다.

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

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 상기 음성 신호에 대응되는 텍스트 정보를 생성하는 단계; 상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 단계; 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 단계; 상기 분석된 감정의 타입(type)에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계; 및 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 단계를 포함할 수 있다.

대안적으로, 상기 텍스트 정보를 생성하는 단계는, 검색 대상 채널을 결정하는 단계; 상기 결정된 검색 대상 채널을 통해 상기 음성 신호를 포함하는 컨텐츠를 획득하는 단계; 및 상기 획득된 컨텐츠의 음성 신호에 대하여 음성 인식을 수행하여 상기 텍스트 정보를 생성하는 단계를 포함할 수 있다.

대안적으로, 상기 검색 대상 채널을 결정하는 단계는, 제 1 검색 대상 채널을 결정하는 단계; 및 상기 제 1 검색 대상 채널의 속성 정보 또는 상기 제 1 검색 대상 채널의 구독자들의 활동 정보 중 적어도 하나에 기초하여, 상기 제 1 검색 대상 채널과 관련된 제 2 검색 대상 채널을 추가로 결정하는 단계를 포함할 수 있다.

대안적으로, 상기 타겟 단어와 관련된 타겟 문장을 추출하는 단계는, 편집 거리 분석에 기초하여 상기 타겟 단어와 관련된 단어를 식별하는 단계; 및 상기 식별된 단어를 포함하는 문장을 상기 타겟 문장으로서 추출하는 단계를 포함할 수 있다.

대안적으로, 상기 편집 거리 분석에 기초하여 상기 타겟 단어와 관련된 단어를 식별하는 단계는, 상기 타겟 단어와 연관된 편집 거리에 대한 임계치를 결정하는 단계; 및 상기 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 상기 임계치 이하인 단어를 식별하는 단계를 포함할 수 있다.

대안적으로, 상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계는, 상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출하는 단계; 또는 상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장이 포함된 문단의 다른 문장을 추가적인 타겟 문장으로서 추출하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

대안적으로, 상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계는, 상기 분석된 감정의 타입이 긍정 또는 중립과 관련된 타입인 경우, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계를 포함할 수 있다.

대안적으로, 상기 방법은, 상기 타겟 단어에 대해 분석된 감정 정보 또는 상기 타겟 단어에 대해 추가적으로 분석된 감정 정보에 기초하여, 상기 타겟 단어가 포함된 컨텐츠에 대한 점수를 부여하는 단계를 더 포함할 수 있다.

대안적으로, 상기 컨텐츠에 대한 점수를 부여하는 단계는, 업로드 시간이 최신일수록 가중치를 높게 설정하여 점수를 부여하는 단계; 상기 컨텐츠의 조회수가 높을수록 가중치를 높게 설정하여 점수를 부여하는 단계; 또는 상기 컨텐츠를 제공하는 검색 대상 채널의 구독자가 많을수록 가중치를 높게 설정하여 점수를 부여하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

대안적으로, 상기 방법은, 상기 컨텐츠에 부여된 점수가 미리 설정된 기준값을 초과하는 경우, 상기 컨텐츠에 대한 리포트 정보를 생성하는 단계를 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 상기 음성 신호에 대응되는 텍스트 정보를 생성하는 동작; 상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 동작; 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 동작; 상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 동작; 및 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 상기 음성 신호에 대응되는 텍스트 정보를 생성하고; 상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하고; 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하고; 상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하고; 그리고 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하도록 구성될 수 있다.

본 개시는 타겟 단어(예컨대, 회사명 또는 상품명 등)에 대한 평판(reputation)을 모니터링할 수 있도록 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법을 제공할 수 있다. 또한, 본 개시는 타겟 단어(예컨대, 회사명 또는 상품명 등)가 포함된 관련 채널을 모니터링하고 부정적 이슈(issue) 발생에 빠르게 대처할 수 있는 방법을 제공할 수 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 복수의 모듈의 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법에 대한 흐름도이다.
도 5는 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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

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

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

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

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

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

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

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

도 1은 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 컴퓨팅 장치의 블록 구성도이다.

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

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

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

본 개시의 일 실시예에 따르면, 프로세서(110)는 ① 사용자로부터 평판을 검색할 타겟 단어(예컨대, 회사명, 제품명 등)를 입력 받고, ② 대상 채널(channel)을 통해 제공되는 영상 데이터를 음성 인식(STT)을 통해 음성 신호를 텍스트로 변환하고, 텍스트 데이터 중 타겟 단어를 파싱(편집거리에 따른 알고리즘 이용하여 유사 단어까지 검색)하여 타겟 단어가 포함된 타겟 문장을 추출하고, ③ 타겟 문장에 대해 텍스트 감정 탐지(Text Sentiment Detection)를 수행하고, ④ 여러 가중치를 부여하여 최종적으로 대상 채널 별 타겟 단어에 대한 점수 연산(scoring)을 수행함으로써 타겟 단어(예컨대, 회사명, 제품명 등)에 대한 평판을 모니터링할 수 있다.

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

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

본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 개인 통신망(PAN: Personal Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

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

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

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

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

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

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

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

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

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

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

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

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

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

본 개시에 있어서 "강화학습 제어 모델"은 도 2를 참조하여 전술한 뉴럴 네트워크의 구성을 갖는 인공 신경망 모델이되, 강화학습(reinforcement learning) 방법으로 학습된 인공 신경망 모델일 수 있다.

강화학습(reinforcement learning)은 인공 신경망 모델이 입력된 상태(state)에 기초하여 보다 나은 행동(action)을 결정할 수 있도록, 인공 신경망 모델이 선택한 행동에 대해 산출되는 보상(reward)에 기초하여 인공 신경망 모델을 학습시키는 학습 방법의 일종이다. 강화학습 방법은 결정(즉, 행동)에 대해 보상이 주어진다는 점에서 "시행착오를 통한 학습 방법"으로 이해될 수 있다. 강화학습 과정에서 인공 신경망 모델에게 주어지는 보상은 여러 행동의 결과가 누적된 보상일 수 있다. 강화학습은 학습을 통해 여러가지 상태(State)와, 행동(Action)에 따른 보상(Reward)을 고려하여 보상 그 자체 또는 리턴(return, 보상의 총합)이 최대가 되도록 하는 인공 신경망 모델을 생성한다. 본 개시에 있어서 "강화학습 제어 모델"은 행동을 결정하는 주체로서, "에이전트(Agent)"라는 용어와 상호 교환되어 사용될 수 있다. 강화학습과 관련한 기술 분야에서 "환경(Environment, Env)" 또는 "환경 모델"이라는 용어는, "에이전트의 행동을 고려한 결과를 반환하는 모델"을 지칭하기 위한 용어로 사용된다. 환경 모델은 주어진 입력 데이터(e.g. 제어 정보)에 대하여 출력 데이터(e.g. 상태 정보)를 반환하는 모델일 수 있다. 환경 모델은 입력에서 출력에 이르기 위한 모델 구조 또는 입출력 데이터 사이의 인과 관계가 알려지지 않은 모델일 수 있다. 에이전트와 환경은 데이터를 상호 교환하며 작동할 수 있다.

도 3은 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 복수의 모듈의 블록 구성도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 대상 채널 결정 모듈(111), STT 추출 모듈(112), 타겟 문장 추출 모듈(113), 타겟 문장 감정 분석 모듈(114), Scoring 모듈(115), Report 모듈(116)을 포함할 수 있다. 한편, 이러한 컴퓨팅 장치(100)에 포함될 수 있는 복수의 모듈들은, 프로세서(110)에 의해 제어되거나, 또는 프로세서(110)의 동작에 의해 구현될 수 있다. 또한, 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득과 관련하여 컴퓨팅 장치(100)에 포함될 수 있는 모듈들은, 이상에서 살핀 복수의 모듈들로 한정되는 것이 아니며, 추가적인 모듈들이 포함될 수 있다. 이하에서 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 예시적인 복수의 모듈에 대해 보다 구체적으로 설명하기로 한다.

본 개시의 일 실시예에 따르면, 대상 채널 결정 모듈(111)은, 검색 대상 채널을 결정할 수 있다. 여기서, 검색 대상 채널이란 타겟 단어를 검색할 채널들을 의미하며, 예를 들어, 인스타그램 주소, 유튜브 채널 주소, 각종 미디어의 메인 홈페이지 주소 등이 포함될 수 있다. 또한, 대상 채널 결정 모듈(111)은 제 1 검색 대상 채널을 결정할 수 있다. 일례로, 대상 채널 결정 모듈(111)은 사용자 인터페이스를 통해 입력 받은 채널 정보를 기초로 제 1 검색 대상 채널을 결정할 수 있다. 또한, 대상 채널 결정 모듈(111)은 제 1 검색 대상 채널의 속성 정보 또는 제 1 검색 대상 채널의 구독자들의 활동 정보 중 적어도 하나에 기초하여, 상기 제 1 검색 대상 채널과 관련된 제 2 검색 대상 채널을 추가로 결정할 수 있다. 예를 들어, 대상 채널 결정 모듈(111)은 사용자 인터페이스를 통해 입력 받은 제 1 검색 대상 채널 정보가 건강기능식품을 판매하는 회사의 헬스 관련 유튜브 채널의 주소인 경우, 제 1 검색 대상 채널의 속성 정보를 고려한 유사한(비슷한) 주제의 다른 헬스 관련 유튜브 채널의 주소 또는 제 1 검색 대상 채널을 구독한 사람들이 많이 시청한 영상을 게시한 채널 중 적어도 하나에 기초하여, 제 2 검색 대상 채널을 추가로 결정할 수 있다. 또한, 대상 채널 결정 모듈(111)은 결정된 검색 채널을 통해 음성 신호를 포함하는 컨텐츠를 획득할 수 있다.

본 개시의 일 실시예에 따르면, STT 추출 모듈(112)은 음성 신호에 대응되는 텍스트 정보를 생성할 수 있다. STT 추출 모듈(120)은 획득된 컨텐츠의 음성 신호에 대하여 음성 인식을 수행하여 텍스트 정보를 생성할 수 있다. 일례로, STT 추출 모듈(120)은 획득된 컨텐츠가 텍스트가 아닌 경우(예컨대, 팟캐스트나 라디오의 경우 오디오, 유튜브나 인스타그램의 경우 영상 등) 음성 신호에 대하여 음성 인식을 수행하여 텍스트 정보를 생성할 수 있다. 참고로, 음성 인식(STT or ASR; Speech To Text, or Automatic Speech Recognition)은 음성을 텍스트로 바꾸는 받아쓰기 기술이다. 이러한 음성 인식(STT)의 입력(Input)은 음성 신호, 음성 신호를 변환한 스펙트로그램(spectrogram) 또는 음성 특징(feature) 중 적어도 어느 하나를 포함할 수 있다. 또한, 음성 인식(STT)의 출력(Output)은 문자열 형태의 텍스트이다. 한편, 음성 인식(STT) 모델은 위에서 살펴본 신경망 모델을 포함하는 다양한 형태의 모델로 구현될 수 있다. 또한, 음성 인식(STT) 모델은 구현된 방식에 따라 모듈화된 방식과 모듈화되지 않은 end-to-end(e2e) 방식으로 나누어질 수 있다. 여기서, 모듈화된 방식은 음향 모델(음성신호가 어떤 형태로 표현될 수 있는지를 나타내는 모델), 언어 모델(주어진 문장 및 단어를 바탕으로 단어에 발생 확률을 부여하는 모델), 발음사전 등으로 나누어 음성인식을 수행하는 전통적인 방식의 모델(예컨대, Kaldi toolkit 기반 ASR 중 일부 모델, Hybrid-ASR 모델 등) 등을 포함할 수 있으나 이에 한정되는 것은 아니다. 반면, 모듈화되지 않은 방식은 주로 e2e 모델(예컨대, transformer-based encoder decoder 모델 등)을 의미하며, 하위 모듈을 두지 않으면서 많은 데이터를 학습시켜 모델이 생성될 수 있다. 한편, 디코딩(Decoding) 기법에는 빔 서치(Beam Search) 기법이 대표적이며, 빔 서치 기법은, 상황에 맞춰 제일 정답에 가까운 단어 하나만 예측하는 것이 아니라, 다양한 가능성을 열어 두고 문장 전체를 고려하여 가장 최적의 정답을 찾아내는 방법이다.

본 개시의 일 실시예에 따르면, 타겟 문장 추출 모듈(113)은 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출할 수 있다. 여기서, "타겟 단어와 관련된 문장"은, "타겟 단어(예컨대, 사용자가 입력한 회사명 또는 상품명) 자체를 포함하는 문장" 및 "타겟 단어와 관련된 단어(예컨대, 유사 단어)를 포함하는 문장"을 포함할 수 있다.

또한, 타겟 문장 추출 모듈(113)은, 편집 거리 분석에 기초하여,"타겟 단어와 관련된 단어(예컨대, 유사 단어)"를 결정할 수 있다. 구체적으로, 타겟 문장 추출 모듈(113)은, 음성 신호에 기초하여 생성된 텍스트 정보에서, 타겟 단어와 편집 거리가 임계치 이하인 단어들을 식별할 수 있으며, 식별된 단어들을 "타겟 단어와 관련된 단어(예컨대, 유사 단어)"로서 결정할 수 있다. 예를 들어, 타겟 문장 추출 모듈(113)은, 타겟 단어가 "액션파워"라고 할 때, 음성 인식 결과 텍스트 정보 중에서 "액션파워"와의 편집 거리가 임계치 이하인 "액숀파워", "액션마워", "애션파워" 등의 단어들을 식별할 수 있으며, 식별된 단어들을 "타겟 단어와 관련된 단어(예컨대, 유사 단어)"로서 결정할 수 있다.

또한, 타겟 문장 추출 모듈(113)은, 편집 거리 분석에 기초하여 타겟 단어와 관련된 단어를 결정할 때, 동적인 임계치를 활용할 수 있다. 예를 들어, 타겟 문장 추출 모듈(113)은, 타겟 단어의 길이에 대응하여 상기 편집 거리에 대한 임계치를 동적으로 결정할 수 있다. 보다 구체적으로, 타겟 문장 추출 모듈(113)은, 타겟 단어의 길이 및 미리 결정된 비율 임계치 사이의 연산에 기초하여, 상기 편집 거리에 대한 임계치를 동적으로 결정할 수 있다. 예를 들어, 타겟 문장 추출 모듈(113)은 타겟 단어의 길이에 비율 임계치를 곱하고, 정수로 올림하여 타겟 단어마다 동적인 임계치를 결정할 수 있다. 여기서, 비율 임계치는 미리 설정되거나, 신경망 모델에 의해 결정될 수 있다. 추가로, 타겟 문장 추출 모듈(113)은, 복수의 타겟 단어들을 포함하는 타겟 단어 집합이 생성되는 경우, 타겟 단어 집합에 포함되는 타겟 단어들 각각의 길이에 따라 임계치를 동적으로 설정하여 리소스를 효율적으로 사용할 수도 있다.

또한, 타겟 문장 추출 모듈(113)은, 편집 거리 분석에 기초하여 타겟 단어와 관련된 단어를 결정할 때, "동적인 임계치(예컨대, 위에서 살펴본 비율 임계치에 기초한 동적인 임계치)" 및 "절대 임계치"를 모두 고려하여 타겟 단어와 관련된 단어를 검색할 수도 있다. 예를 들어, 타겟 문장 추출 모듈(113)은, 음성 인식 결과 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 상기 "동적으로 결정된 임계치" 이하이고 그리고 상기 "절대 임계치" 이하인 단어를 결정할 수 있다. 즉, 타겟 문장 추출 모듈(113)은, 타겟 단어와의 관계에서, 동적 임계치와 절대 임계치를 동시에 만족하는 단어들을 식별할 수도 있으며, 해당 단어들을 타겟 단어와 관련된 단어(예컨대, 유사 단어)들로서 결정할 수도 있다. 한편, 타겟 문장 추출 모듈(113)은, 타겟 단어가 복수 개인 경우, 복수의 타겟 단어들을 포함하는 타겟 단어 집합 Q' = {q₁, q₂, ..., q_n}을 생성할 수 있으며, 음성 인식 결과 텍스트 정보에서 타겟 단어 집합과 발음이 유사한 단어들을 추가로 검색할 수 있다. 또한, 타겟 문장 추출 모듈(113)은, 편집 거리 분석에 기초하여, 상기 타겟 단어 집합과 관련된 관련-단어 집합(예컨대, 유사 단어 집합)을 결정할 수 있다. 예를 들어, 타겟 문장 추출 모듈(113)은, 타겟 단어 집합에 포함된 복수의 타겟 단어들 각각에 대하여, 각각의 임계치를 동적으로 결정하고, 결정된 임계치에 기초하여 각각의 타겟 단어의 유사 단어들을 식별(즉, 각각의 타겟 단어와의 편집 거리가 상기 각각의 동적인 임계치 이하인 단어들을 식별)할 수 있으며, 식별된 단어들에 기초하여 상기 관련-단어 집합을 생성할 수도 있다.

한편, 이상에서 언급된 편집 거리(edit distance)는, 다양한 방식으로 결정될 수 있다. 예를 들어, 편집 거리는, 문자열 두 개가 있을 때, 둘 중 한 문자열을 다른 문자열로 변환시킬 때에 필요한 최소 편집 개수로서 정의될 수 있다. 또한, 여기서 편집의 종류는, 문자 삭제(deletion), 삽입(insertion), 교체(substitution) 등을 포함할 수 있다. 또한, 편집 거리는 발음 기준으로 연산 되거나, 텍스트 기준으로 연산 될 수 있다. 예를 들어, 편집 거리는, 텍스트를 발음 기호로 변환하는 것에 기초하여 연산 되거나, 텍스트 자체에 기초하여 연산(예컨대, 자소 단위로 연산) 될 수도 있다. 한편, 편집 거리 알고리즘은 Levenshtein distance, Longest common subsequence, Hamming distance 등을 포함할 수 있으며, 이러한 알고리즘 이외에도 다양한 알고리즘을 포함할 수 있다.

또한, 음성 인식 결과 텍스트 정보(T) 및 검색 대상 단어 집합 Q' = {q₁, q₂, ..., q_n}(이때, T와 q_i는 모두 길이 1 이상의 문자열)에 대해서, 상기 텍스트 정보(T) 중 타겟 단어(Q')의 임의의 요소(element)와의 편집 거리가 임계치 이하인 문자열 구간을 검색할 때, 나이브(naive)한 편집 거리 알고리즘 또는 단순한 편집 거리 연산 알고리즘이 이용되는 경우, 런타임이 기하급수적으로 늘어난다는 문제점이 존재한다. 본 개시의 일 실시예에 따른 타겟 문장 추출 모듈(113)은, 이를 해결하기 위해, 타겟 단어 집합 또는 텍스트 정보에 포함되는 복수의 문자열들에 대한 근사(approximate) 정보를 활용할 수 있으며, 근사화 된 정보를 활용하여 검색을 수행할 수도 있다. 예를 들어, 본 개시의 일 실시예에 따른 프로세서(110)는, 다중 문자열 근사 매칭 알고리즘(multi-string approximate (fuzzy) matching algorithm)을 이용하여 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 임계치 이하인 단어를 결정할 수 있다.

예시적으로, 타겟 문장 추출 모듈(113)은 탐색할 타겟 단어(Q)가 1개인 경우(예컨대, 타겟 단어 집합 Q의 크기가 1일 때) PEX 알고리즘(algorithm)을 이용하여 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 임계치 이하인 단어를 결정할 수 있다. 또한, 타겟 문장 추출 모듈(113)은 텍스트 정보(T)에서 타겟 단어(q, Q의 유일한 element)와의 편집 거리가 임계치(k) 이하인 구간을 결정할 수 있으며, 결정된 구간에 기초하여 단어들을 식별할 수 있다. 이 경우, 타겟 문장 추출 모듈(113)은, "텍스트 정보(T)에 정답 구간(즉, 타겟 단어와의 편집 거리가 임계치(k) 이하인 구간)이 존재할 경우, 타겟 단어를 k+1개의 요소들로 분할하면, k+1개의 요소들 중 최소 한 개는 그 정답 구간 속에 존재한다"라는 전제에 기초하여, 텍스트 정보(T)에서 타겟 단어와의 편집 거리가 임계치(k) 이하인 구간을 결정할 수 있다. 예를 들어, 타겟 문장 추출 모듈(113)은 타겟 단어(q)를 k+1개의 요소(element)들로 분할한 뒤에, Multi-string exact matching algorithm (예컨대, Aho-corasick 등)을 이용하여 텍스트 정보(T)에서 상기 k+1개의 요소들을 탐색할 수 있으며, 텍스트 정보(T)에서 상기 k+1개의 요소들 중 적어도 하나의 요소가 탐색되는 경우, 탐색된 요소 주변의 구간(예컨대, 검색된 요소의 양 쪽으로 타겟 단어(q)의 길이만큼의 구간)에서 편집 거리가 임계치(k) 이하인 단어를 식별할 수 있다. 또한, 타겟 문장 추출 모듈(113)은 텍스트 정보(T)에서 상기 k+1개의 요소들이 모두 탐색되지 않는 경우, "텍스트 정보(T) 내에, 타겟 단어(q)와의 편집 거리가 임계치(k) 이하인 단어가 존재하지 않는다"라고 결정할 수 있다.

다른 예를 들어, 타겟 문장 추출 모듈(113)은 탐색할 타겟 단어가 2개 이상인 경우(예컨대, 타겟 단어 집합 Q의 크기가 2 이상일 때) Multi-PEX algorithm을 이용하여 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 임계치 이하인 단어를 결정할 수 있다. 먼저, 타겟 문장 추출 모듈(113)은 타겟 단어 집합(Q)에 포함된 모든 타겟 단어들을 k+1개의 요소들로 분할할 수 있다. 또한, 타겟 문장 추출 모듈(113)은 모든 타겟 단어 집합(Q)의 요소들을 한 번에 같은 Multi-string exact matching algorithm에 적용하여 탐색할 수 있다. 일 예로, 타겟 문장 추출 모듈(113)은, 아호 코라식(Aho-corasick) 알고리즘을 이용할 경우, 한 개의 트리(trie)에 모든 타겟 단어 집합(Q)의 요소들을 포함하여 탐색할 수 있다. 또한, 타겟 문장 추출 모듈(113)은 텍스트 정보(T) 내에 타겟 단어 집합(Q)의 적어도 하나의 요소가 존재하는 경우, 해당 요소 주변의 텍스트(예컨대, 양 쪽으로 타겟 단어(Q)의 길이만큼) 구간에서 편집 거리가 임계치(k) 이하인 단어가 존재하는지 탐색할 수 있다. 또한, 타겟 문장 추출 모듈(113)은 텍스트 정보(T)에서 탐색된 타겟 단어(Q)의 요소가 존재하지 않은 경우, 텍스트 정보(T)에 "타겟 단어 집합(Q)과의 편집 거리가 임계치(k) 이하인 단어가 존재하지 않는다"라고 결정할 수 있다.

이상에서 살핀 타겟 문장 추출 모듈(113)은, 단순히 "타겟 단어"를 직접 포함하는 문장만을 타겟 문장으로서 추출하지 않고, "타겟 단어와 관련된 단어(예컨대, 타겟 단어와의 편집 거리가 임계치 이내인 유사 단어)"를 포함하는 문장도 타겟 문장으로 추출할 수 있다. 음성 인식(STT)으로 생성된 텍스트 정보는 불완전하므로, 단순히 타겟 단어만 검색하는 경우보다 유사 단어까지 검색함으로써 성능이 향상될 수 있다.

추가로, 타겟 문장 추출 모듈(113)은 타겟 단어 또는 유사 단어(즉, 앞서 설명한 타겟 단어와 관련된 단어)가 포함된 문장뿐만 아니라 다른 문장들도 추가적인 타겟 문장으로서 추출할 수 있다. 예를 들어, 타겟 문장 추출 모듈(113)은, 타겟 단어 또는 유사 단어가 포함된 문장을 기준으로 앞뒤로 일정 개수의 문장을 추가적인 타겟 문장으로서 결정할 수 있다. 또한, 타겟 문장 추출 모듈(113)은, 타겟 단어 또는 유사 단어가 포함된 문장이 속한 문단의 나머지 문장들을 추가적인 타겟 문장으로서 결정할 수도 있다. 한편, 타겟 문장 추출 모듈(113)은, 후술할 타겟 문장 감정 분석 모듈(114)과의 연동 동작에 기초하여, 일정한 조건 하에서만 상기 추가적인 타겟 문장들을 추출할 수도 있다. 추가로, 타겟 문장 추출 모듈(113)은, 텍스트 컨텐츠(예컨대, 유튜브 커뮤니티 글 또는 인스타그램의 글)의 경우 문장 단위가 아닌 문단 단위로 타겟 문단을 추출할 수도 있다.

본 개시의 일 실시예에 따르면, 타겟 문장 감정 분석 모듈(114)은 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석할 수 있다. 예를 들어, 타겟 문장 감정 분석 모듈(114)은 텍스트 감정 탐지(Text Sentiment Detection)와 같이 사전 학습된 텍스트 감정 판단 모델에 의해 상기 추출된 타겟 문장에 기초하여 상기 타겟 단어에 대한 감정을 분석할 수 있다. 또한, 타겟 문장 감정 분석 모듈(114)은 상기 분석된 감정의 타입(type)에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출할 수 있다. 이 경우, 감정의 타입은, 실시 예에 따라 또는 사전 학습된 모델의 종류에 따라 상이할 수 있다. 예를 들어, 감정의 타입은 [중립, 슬픔, 기쁨]과 같이 3가지의 타입으로 분류되거나, [매우 나쁨, 나쁨, 보통, 좋음, 매우 좋음]과 같이 5가지의 타입으로 분류될 수 있으며, 이러한 예시적인 타입들 이외에도 다양한 감정 타입들로 분류될 수 있다. 또한, 타겟 문장 감정 분석 모듈(114)은 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석할 수 있다. 실시예에 따르면, 타겟 문장 감정 분석 모듈(114)은 상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출할 수 있다. 또한, 타겟 문장 감정 분석 모듈(114)은 상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장이 포함된 문단의 다른 문장을 추가적인 타겟 문장으로서 추출할 수 있다. 또한, 타겟 문장 감정 분석 모듈(114)은 상기 분석된 감정의 타입이 긍정 또는 중립과 관련된 타입인 경우, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출할 수 있다. 일례로, 타겟 감정 분석 모듈(114)은 분석된 감정의 타입이 "중립(보통)"과 관련된 타입인 경우, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출할 수 있다. 다른 일례로, 기업에서는 '부정적인 이슈(issue)'에 보다 민감할 수 있으므로, 타겟 감정 분석 모듈(114)은 분석된 감정의 타입이 긍정 또는 중립과 관련된 타입인 경우, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출할 수 있다. 다시 말해, 타겟 감정 분석 모듈(114)은, 분석된 감정의 타입이 부정적인 감정이 아닌 경우(즉, 긍정이거나 중립인 경우), 분석 범위를 확대하여 부정적인 감정이 정말로 없는지는 더블 체크하며, 이를 통해, 부정적인 평판의 생성 여부를 보다 확실하게 점검할 수 있다.

본 개시의 일 실시예에 따르면, Scoring 모듈(115)은 상기 타겟 단어에 대해 분석된 감정 정보 또는 상기 타겟 단어에 대해 추가적으로 분석된 감정 정보에 기초하여, 상기 타겟 단어가 포함된 컨텐츠에 대한 점수를 부여할 수 있다. 이 경우, Scoring 모듈(115)은, 분석된 감정 정보가 (부정적인 평판을 확실하게 관리하는 것이 중요하므로) 부정적인 감정일수록 가중치를 높게 설정하여 더 높은 점수를 부여할 수 있다. 또한, Scoring 모듈(115)은, 부정적인 감정을 정량적으로 분석하여, 정량적으로 분석된 부정적인 감정의 정도가 더 높을수록, 가중치를 높게 설정하여 더 높은 점수를 부여할 수 있다. 또한, Scoring 모듈(115)은 업로드 시간이 최신일수록 가중치를 높게 설정하여 더 높은 점수를 부여할 수 있다. 예를 들어, 기업은 문제가 발생하는 경우 최대한 빠르게 대처하는 것이 필요하기 때문에 리소스 절약 측면에서 업로드일이 미리 설정된 기준(예컨대, 3일) 이내인 컨텐츠에 대해서만 모니터링을 수행할 수 있다. 또한, Scoring 모듈(115)은 타겟 단어가 포함된 컨텐츠 중 업로드 시간이 최신일수록 가중치를 높게 설정하여 더 높은 점수를 부여할 수 있다. 또한, Scoring 모듈(115)은 상기 컨텐츠의 조회수가 높을수록 가중치를 높게 설정하여 더 높은 점수를 부여할 수 있다. 또한, Scoring 모듈(115)은 상기 컨텐츠를 제공하는 검색 대상 채널의 구독자가 많을수록 가중치를 높게 설정하여 더 높은 점수를 부여할 수 있다. 일례로, 기업은 전파력이 높을수록 빠른 대처를 해야하므로, 컨텐츠의 조회수가 높을수록, 대상 채널의 영향력(예컨대, 구독자수, 팔로워(follower) 수)이 클수록 가중치를 높게 설정하여 점수를 부여할 수 있다. 즉, Scoring 모듈(115)은 여러 요인(factor)에 대해 각기 다른 가중치를 설정하여, 대상 채널 별로 대처가 필요한 정도의 이슈(issue)가 발생하였는지 여부를 정량화 할 수 있다. 또한, Scoring 모듈(115)을 통해 각각의 컨텐츠에 대한 점수가 정량화됨으로써, 대상 채널들 중 부정적 이슈가 언급된 컨텐츠를 게시한 채널들이 순위로 표현될 수 있다.

본 개시의 일 실시예에 따르면, Report 모듈(116)은 상기 컨텐츠에 부여된 점수가 미리 설정된 기준값을 초과하는 경우, 상기 컨텐츠에 대한 리포트 정보를 생성할 수 있다. 또한, Report 모듈(116)은 리포트 정보를 사용자 인터페이스로 제공할 수 있다. 사용자는, 제공된 리포트 정보를 고려하여 보다 편리하기 관련 채널을 모니터링하고 부정적 이슈 발생에 빠르게 대처할 수 있다. 실시예에 따르면, Report 모듈(116)은 컨텐츠에서 타겟 단어(또는 유사 단어)가 포함된 부분을 스포팅(spotting)하여 제공할 수 있다. 일례로, Report 모듈(116)은 사용자 인터페이스를 통해 동영상 컨텐츠의 재생 바를 타겟 단어가 언급된 영역에 위치시켜 제공할 수도 있다. 사용자는 이를 통해 컨텐츠에 포함된 타겟 단어가 언급된 부분을 확인할 수 있다.

도 4는 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법에 대한 흐름도이다.

도 4에 도시된 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법은 컴퓨팅 장치(100)에 의하여 수행될 수 있다. 이하 자세한 언급이 없다고 하더라도, 컴퓨팅 장치(100)에 대하여 상술한 내용은 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 3을 참조하면, 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득 방법은, 음성 신호에 대응되는 텍스트 정보를 생성하는 단계(S110), 상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 단계(S120), 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 단계(S130), 상기 분석된 감정의 타입(type)에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계(140) 및 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 단계(S150)들을 포함할 수 있다. 또한, 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법은, 컴퓨팅 장치(100)에 의해 수행될 수 있다.

상기 S110 단계는, 음성 신호에 대응되는 텍스트 정보를 생성하는 단계이다. 이러한 S110 단계는, 검색 대상 채널을 결정하는 단계, 상기 결정된 검색 대상 채널을 통해 상기 음성 신호를 포함하는 컨텐츠를 획득하는 단계 및 상기 획득된 컨텐츠의 음성 신호에 대하여 음성 인식을 수행하여 상기 텍스트 정보를 생성하는 단계를 포함할 수 있다. 또한, 검색 대상 채널을 결정하는 단계는, 제 1 검색 대상 채널을 결정하는 단계 및 상기 제 1 검색 대상 채널의 속성 정보 또는 상기 제 1 검색 대상 채널의 구독자들의 활동 정보 중 적어도 하나에 기초하여, 상기 제 1 검색 대상 채널과 관련된 제 2 검색 대상 채널을 추가로 결정하는 단계를 포함할 수 있다.

상기 S120 단계는, 상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 단계이다. 이러한 S120 단계는, 편집 거리 분석에 기초하여 상기 타겟 단어와 관련된 단어를 식별하는 단계 및 상기 식별된 단어를 포함하는 문장을 상기 타겟 문장으로서 추출하는 단계를 포함할 수 있다. 또한, 상기 편집 거리 분석에 기초하여 상기 타겟 단어와 관련된 단어를 식별하는 단계는, 상기 타겟 단어와 연관된 편집 거리에 대한 임계치를 결정하는 단계 및 상기 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 상기 임계치 이하인 단어를 식별하는 단계를 포함할 수 있다.

상기 S130 단계는, 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 단계이다.

상기 S140 단계는, 상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계이다. 이러한 상기 S140 단계는, 상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출하는 단계 또는 상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장이 포함된 문단의 다른 문장을 추가적인 타겟 문장으로서 추출하는 단계 중 적어도 하나의 단계를 포함할 수 있다. 또한, 상기 S140 단계는, 상기 분석된 감정의 타입이 긍정 또는 중립과 관련된 타입인 경우, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계를 포함할 수 있다.

상기 S150 단계는, 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 단계이다.

한편, 본 개시의 일 실시예에 따른 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법은, 상기 S110 내지 S150 단계에 추가하여, 상기 타겟 단어에 대해 분석된 감정 정보 또는 상기 타겟 단어에 대해 추가적으로 분석된 감정 정보에 기초하여, 상기 타겟 단어가 포함된 컨텐츠에 대한 점수를 부여하는 단계를 더 포함할 수 있다. 또한, 상기 컨텐츠에 대한 점수를 부여하는 단계는, 업로드 시간이 최신일수록 가중치를 높게 설정하여 점수를 부여하는 단계, 상기 컨텐츠의 조회수가 높을수록 가중치를 높게 설정하여 점수를 부여하는 단계 또는 상기 컨텐츠를 제공하는 검색 대상 채널의 구독자가 많을수록 가중치를 높게 설정하여 점수를 부여하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

또한, 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법은, 상기 컨텐츠에 부여된 점수가 미리 설정된 기준값을 초과하는 경우, 상기 컨텐츠에 대한 리포트 정보를 생성하는 단계를 더 포함할 수 있다.

상술한 설명에서 언급된 단계들은, 본 개시의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

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

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

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

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

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

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

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

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

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

도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Claims (12)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하는 방법으로서,
   상기 음성 신호에 대응되는 텍스트 정보를 생성하는 단계;
   상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 단계;
   상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 단계;
   상기 분석된 감정의 타입(type)에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계; 및
   상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 단계
   를 포함하고,
   상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계는,
   상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출하는 단계; 또는
   상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장이 포함된 문단의 다른 문장을 추가적인 타겟 문장으로서 추출하는 단계
   중 적어도 하나의 단계를 포함하는,
   방법.
   
2. 제 1 항에 있어서,
   상기 텍스트 정보를 생성하는 단계는,
   검색 대상 채널을 결정하는 단계;
   상기 결정된 검색 대상 채널을 통해 상기 음성 신호를 포함하는 컨텐츠를 획득하는 단계; 및
   상기 획득된 컨텐츠의 음성 신호에 대하여 음성 인식을 수행하여 상기 텍스트 정보를 생성하는 단계
   를 포함하는,
   방법.
   
3. 제 2 항에 있어서,
   상기 검색 대상 채널을 결정하는 단계는,
   제 1 검색 대상 채널을 결정하는 단계; 및
   상기 제 1 검색 대상 채널의 속성 정보 또는 상기 제 1 검색 대상 채널의 구독자들의 활동 정보 중 적어도 하나에 기초하여, 상기 제 1 검색 대상 채널과 관련된 제 2 검색 대상 채널을 추가로 결정하는 단계;
   를 포함하는,
   방법.
   
4. 제 1 항에 있어서,
   상기 타겟 단어와 관련된 타겟 문장을 추출하는 단계는,
   편집 거리 분석에 기초하여 상기 타겟 단어와 관련된 단어를 식별하는 단계; 및
   상기 식별된 단어를 포함하는 문장을 상기 타겟 문장으로서 추출하는 단계
   를 포함하는,
   방법.
   
5. 제 4 항에 있어서,
   상기 편집 거리 분석에 기초하여 상기 타겟 단어와 관련된 단어를 식별하는 단계는,
   상기 타겟 단어와 연관된 편집 거리에 대한 임계치를 결정하는 단계; 및
   상기 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 상기 임계치 이하인 단어를 식별하는 단계
   를 포함하는,
   방법.
   
6. 삭제
7. 제 1 항에 있어서,
   상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계는,
   상기 분석된 감정의 타입이 긍정 또는 중립과 관련된 타입인 경우, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계
   를 더 포함하는,
   방법.
   
8. 제 1 항에 있어서,
   상기 타겟 단어에 대해 분석된 감정 정보 또는 상기 타겟 단어에 대해 추가적으로 분석된 감정 정보에 기초하여, 상기 타겟 단어가 포함된 컨텐츠에 대한 점수를 부여하는 단계
   를 더 포함하는,
   방법.
   
9. 제 8 항에 있어서,
   상기 컨텐츠에 대한 점수를 부여하는 단계는,
   업로드 시간이 최신일수록 가중치를 높게 설정하여 점수를 부여하는 단계;
   상기 컨텐츠의 조회수가 높을수록 가중치를 높게 설정하여 점수를 부여하는 단계; 또는
   상기 컨텐츠를 제공하는 검색 대상 채널의 구독자가 많을수록 가중치를 높게 설정하여 점수를 부여하는 단계
   중 적어도 하나의 단계를 포함하는,
   방법.
   
10. 제 9 항에 있어서,
    상기 컨텐츠에 부여된 점수가 미리 설정된 기준값을 초과하는 경우, 상기 컨텐츠에 대한 리포트 정보를 생성하는 단계;
    를 더 포함하는,
    방법.
    
11. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    상기 음성 신호에 대응되는 텍스트 정보를 생성하는 동작;
    상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 동작;
    상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 동작;
    상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 동작; 및
    상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 동작
    을 포함하고,
    상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 동작은,
    상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출하는 동작; 또는
    상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장이 포함된 문단의 다른 문장을 추가적인 타겟 문장으로서 추출하는 동작
    중 적어도 하나의 동작을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
12. 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득하기 위한 컴퓨팅 장치로서,
    적어도 하나의 프로세서; 및
    메모리;
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 음성 신호에 대응되는 텍스트 정보를 생성하고;
    상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하고;
    상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하고;
    상기 분석된 감정의 타입에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하고; 그리고
    상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하도록 구성되고,
    상기 타겟 단어와 관련된 추가적인 타겟 문장은,
    상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장을 기준으로 선행 문장 및 후속 문장이 더 포함되도록 범위를 넓혀 추가적인 타겟 문장을 추출하는 것; 또는
    상기 분석된 감정의 타입에 기초하여, 상기 타겟 문장이 포함된 문단의 다른 문장을 추가적인 타겟 문장으로서 추출하는 것
    중 적어도 하나에 의해 추출되는,
    장치.
    

Images