KR102501576B1 - 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치 - Google Patents

Abstract

실시예들은 뉴럴 네트워크(neural network)를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 복수의 웹 페이지에 대한 웹 크롤링을 통해 복수의 도표 이미지를 획득하고, 상기 복수의 도표 이미지를 기반으로 분류 모델을 통해 복수의 도표 유형을 결정하고, 상기 분류 모델은 오토 인코더 모델, UMAP(uniform manifold approximation and projection) 모델 및 가우시안 혼합(gaussian mixture) 모델을 포함하고, 상기 오토 인코더 모델을 통해 상기 복수의 도표 이미지 각각에 대한 특징점이 추출되고, 상기 추출된 특징점을 기반으로 상기 UMAP 모델 및 가우시안 혼합 모델을 통해 상기 복수의 도표 이미지가 상기 복수의 도표 유형 별로 분류되고, 상기 복수의 도표 유형 별로 분류된 도표 이미지에 대해 뉴럴 네트워크를 이용한 CRNN(convolutional recurrent neural network) 모델을 통해 상기 도표 이미지에 포함된 텍스트를 인식하고, 상기 서버가 상기 사용자 단말로부터 제1 검색 요청 메시지를 수신하는 것에 기반하여, 상기 제1 검색 요청 메시지에 매칭되는 적어도 하나의 제1 도표 이미지 및 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 결정하고, 상기 제1 검색 요청 메시지는 도표 유형에 대한 정보 및 키워드에 대한 정보를 포함하고, 상기 적어도 하나의 제1 도표 이미지는 상기 도표 유형과 상기 키워드에 매칭되고, 상기 적어도 하나의 제1 도표 이미지와 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 포함하는 도표에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치{METHOD AND APPARATUS FOR TRANSMITTING INFORMATION ABOUT DIAGRAM TO A USER TERMINAL USING A NEURAL NETWORK}

본 개시의 실시예들은 도표에 대한 정보를 사용자 단말에게 전송하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 도표에 대한 정보를 서버가 사용자 단말에게 전송하는 기술에 대한 것이다.

한편, 인터넷의 발달로 인해, 기존의 문서들이 전자 문서로 디지털화되어 주로 인터넷 상에서 관리되고 있다. 일반인들은 웹 검색 또는 포털 사이트에 자신이 원하는 정보와 관련된 검색어를 입력하고, 검색된 결과에서 자신이 원하는 자료를 획득한다.

특히, 대학생들이 보고서 또는 논문에 필요한 도표 자료를 찾기 위해 웹 검색 또는 포털 사이트를 이용하는 경우, 도표 자료와 관련된 검색어를 웹 검색 또는 포털 사이트에 입력하는 것만으로, 자신이 원하는 도표 자료를 수집하기가 어려울 수 있다.

이에, 뉴럴 네트워크를 이용하여 수집된 도표 이미지를 도표 유형에 따라 분류하고, 분류된 도표 유형 중에서 사용자가 요청한 도표 유형과 키워드에 매칭되는 도표 이미지를 추출하고, 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치가 필요하다.

본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치를 제공할 수 있다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 도표에 대한 정보를 사용자 단말에게 전송하는 방법은, 복수의 웹 페이지에 대한 웹 크롤링을 통해 복수의 도표 이미지를 획득하고, 상기 복수의 도표 이미지를 기반으로 분류 모델을 통해 복수의 도표 유형을 결정하고, 상기 분류 모델은 오토 인코더 모델, UMAP(uniform manifold approximation and projection) 모델 및 가우시안 혼합(gaussian mixture) 모델을 포함하고, 상기 오토 인코더 모델을 통해 상기 복수의 도표 이미지 각각에 대한 특징점이 추출되고, 상기 추출된 특징점을 기반으로 상기 UMAP 모델 및 가우시안 혼합 모델을 통해 상기 복수의 도표 이미지가 상기 복수의 도표 유형 별로 분류되고, 상기 복수의 도표 유형 별로 분류된 도표 이미지에 대해 뉴럴 네트워크를 이용한 CRNN(convolutional recurrent neural network) 모델을 통해 상기 도표 이미지에 포함된 텍스트를 인식하고, 상기 서버가 상기 사용자 단말로부터 제1 검색 요청 메시지를 수신하는 것에 기반하여, 상기 제1 검색 요청 메시지에 매칭되는 적어도 하나의 제1 도표 이미지 및 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 결정하고, 상기 제1 검색 요청 메시지는 도표 유형에 대한 정보 및 키워드에 대한 정보를 포함하고, 상기 적어도 하나의 제1 도표 이미지는 상기 도표 유형과 상기 키워드에 매칭되고, 상기 적어도 하나의 제1 도표 이미지와 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 포함하는 도표에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다.

예를 들어, 상기 방법은, 사용자 단말에게 음성 전환 메시지를 전송하고, 상기 사용자 단말로부터 음성 전환 승인 메시지를 수신하고, 상기 도표에 대한 정보에 기반하여 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 음성 데이터로 변환하고, 상기 음성 데이터를 상기 사용자 단말에게 전송하는 단계를 더 포함할 수 있다.

일 실시예에 따르면, 상기 복수의 도표 유형 별로 분류된 도표 이미지는 복수의 제1 영역으로 분할되고, 상기 복수의 제1 영역 각각에 대해 중요도가 결정되고, 상기 복수의 제1 영역 중에서 상기 중요도가 사전 설정된 점수 이상인 적어도 하나의 제2 영역이 결정되고, 상기 적어도 하나의 제2 영역에 포함된 텍스트가 인식되고, 상기 복수의 제1 영역으로 분할하는 축의 개수는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 n_a는 상기 축의 개수이고, 상기 z는 상기 복수의 도표 유형의 개수이고, 상기 n_j는 j번째 도표 유형에 포함된 도표 이미지의 개수이고, 상기 n은 해당 도표 유형에 포함된 도표 이미지의 개수이고, 상기 v_i는 해당 도표 유형에 포함된 i번째 도표 이미지에 대한 RGB 값의 분포와 관련된 값이고, 상기 t_p는 상기 서버가 설정된 개수의 도표 이미지에 포함된 전체 텍스트를 인식하는 시간이고, 상기 n_d는 상기 축의 개수에 대한 기본 값일 수 있다.

예를 들어, 상기 방법은, 서버가 상기 사용자 단말로부터 제2 검색 요청 메시지를 수신하는 것에 기반하여, 상기 제2 검색 요청 메시지에 매칭되는 적어도 하나의 제2 도표 이미지 및 상기 적어도 하나의 제2 도표 이미지에 대한 요약 텍스트를 결정하고, 상기 제2 검색 요청 메시지는 도표 유형에 대한 정보, 키워드에 대한 정보, 도표의 출처에 대한 정보 및 도표가 작성된 연도에 대한 정보를 포함하고, 상기 적어도 하나의 제2 도표 이미지는 상기 도표 유형, 상기 키워드, 상기 도표의 출처 및 상기 도표가 작성된 연도에 매칭되고, 상기 적어도 하나의 제2 도표 이미지와 상기 적어도 하나의 제2 도표 이미지에 대한 요약 텍스트를 포함하는 도표에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 더 포함할 수 있다. 예를 들어, 상기 도표 이미지에 포함된 숫자 텍스트를 기반으로 상기 복수의 도표 유형별로 분류된 도표 이미지가 상기 도표가 작성된 연도별로 분류될 수 있다. 상기 도표 이미지가 수집된 웹 사이트 주소를 기반으로 상기 복수의 도표 유형별로 분류된 도표 이미지에 대한 상기 도표 이미지의 출처가 결정될 수 있다.

예를 들어, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 도표 이미지 및 복수의 정답 텍스트로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되고, 상기 하나 이상의 히든 레이어 및 상기 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실값이 작아지는 방향으로 학습될 수 있다.

부가적으로, 예를 들어, 복수의 도표 이미지 각각에 대해 이미지의 크기가 동일하도록 복수의 도표 이미지에 대한 데이터 전처리가 수행될 수 있다. 이때, 이미지의 크기는 상기 서버에 설정된 최소 크기 이상으로 결정될 수 있다. 최소 크기는 수집된 도표 이미지의 개수, 클러스터 수, 학습 주기 및 배치 크기에 따라 상이하게 결정될 수 있다. 예를 들어, 최소 크기는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 S_min은 상기 최소 크기이고, 상기 ni_d는 도표 이미지의 개수에 대한 기본 값이고, 상기 ni_total은 도표 이미지의 개수이고, 상기 b_s는 상기 오토 인코더 모델에 설정된 배치 크기에 대한 값이고, 상기 e_p는 상기 오토 인코더 모델에 설정된 학습 주기에 대한 값이고, 상기 c는 상기 오토 인코더 모델에 설정된 클러스터 수이고, 상기 Sd₁은 상기 최소 크기의 가로 길이에 대한 기본 값이고, 상기 Sd₂는 상기 최소 크기의 세로 길이에 대한 기본 값일 수 있다.

부가적으로, 예를 들어, 음성 데이터의 재생 속도는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 p_v는 상기 음성 데이터의 재생 속도이고, 상기 t_n은 상기 요약 텍스트의 개수이고, 상기 m_n은 매칭된 도표 이미지의 개수이고, 상기 t_r은 상기 요약 텍스트의 개수에 대한 기본 값이고, 상기 m_r은 상기 매칭된 도표 이미지의 개수에 대한 기본 값이고, 상기 α는 해당 도표 유형에 대한 가중치이고, 상기 p_d는 상기 음성 데이터의 기본 재생 속도일 수 있다.

실시예들에 따르면, 서버는 오토 인코더 모델, UMAP(uniform manifold approximation and projection) 모델 및 가우시안 혼합(gaussian mixture) 모델을 포함하는 분류 모델을 통해 복수의 도표 이미지를 복수의 도표 유형으로 분류함으로써, 사용자 단말이 도표 유형에 따라 도표 이미지를 용이하게 검색할 수 있다.

또한, 서버는 복수의 도표 유형 별로 분류된 도표 이미지에 대해 뉴럴 네트워크를 이용한 CRNN(convolutional recurrent neural network) 모델을 통해 상기 도표 이미지에 포함된 텍스트를 인식함으로써, 도표 이미지로부터 효과적으로 텍스트를 추출할 수 있다.

실시예들에 따르면, 서버는 제1 검색 요청 메시지에 매칭되는 적어도 하나의 제1 도표 이미지 및 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 결정함으로써, 사용자 단말이 원하는 도표를 정확하게 검색하고, 사용자의 편의를 위해 해당 도표에 대한 내용을 요약하여 제공할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 도표에 대한 정보를 사용자 단말에게 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 분류 모델에 대한 도면이다.
도 5는 일 실시예에 따른 서버가 도표에 대한 정보를 사용자 단말에게 전송하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.

인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM 또는 TizenTM 를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 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. 전술한 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 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 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.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

도 3은 일 실시예에 따른 서버가 도표에 대한 정보를 사용자 단말에게 전송하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 3을 참조하면, 단계 S301에서, 서버는 복수의 웹 페이지에 대한 웹 크롤링을 통해 복수의 도표 이미지를 획득할 수 있다.

서버는 웹 크롤링을 통해 도표 이미지를 포함하는 복수의 웹 사이트들로부터 수집된 정보를 관리하고, 수집된 정보를 기반으로 사용자 단말에게 서비스를 제공하는 서버일 수 있다. 여기서, 웹 크롤링은 다양한 컴퓨터 소프트웨어 기술을 통해 웹 사이트들에게 필요한 정보를 추출하는 동작을 의미한다. 예를 들어, 서버 및 외부 서버는 도 1의 서버(108)일 수 있다.

예를 들어, 하나의 파일(예를 들어, 문서 파일 또는 이미지 파일)에 복수의 도표 이미지가 포함된 경우, 서버는 하나의 파일에 포함된 복수의 도표 이미지를 각각의 도표 이미지로 분할할 수 있다. 예를 들어, 특정 문서 파일에 도표 이미지가 4개가 포함된 경우, 서버는 상기 특정 문서 파일에서 4개의 도표 이미지를 추출할 수 있다.

단계 S302에서, 서버는 상기 복수의 도표 이미지를 기반으로 분류 모델을 통해 복수의 도표 유형을 결정할 수 있다.

상기 분류 모델은 오토 인코더(auto encoder) 모델, UMAP(uniform manifold approximation and projection) 모델 및 가우시안 혼합(gaussian mixture) 모델(이하, GMM 모델이라 지칭함)을 포함할 수 있다.

오토 인코더 모델은 비지도 학습 알고리즘으로써 데이터들 사이의 선형 및 비선형적인 관계를 표현하고, 데이터의 노이즈를 제거하고 패턴을 추론하는 데에 강점을 가진다. 예를 들어, 오토 인코더 모델은 뉴럴 네트워크 레이어 2 개를 대칭 형태로 결합한 구조이며, 입력 레이어를 통해 입력된 데이터에 대해 인코딩 레이어를 거쳐 특징 값을 결정하고, 디코딩 레이어에서 특징 값을 복원할 수 있다. 이때, 오토 인코더 모델은 인코딩 레이어 및 디코딩 레이어를 거치면서 발생하는 손실을 최소화하는 방향으로 학습될 수 있다.

예를 들어, 서버는 상기 복수의 도표 이미지를 인코딩 레이어에 통과시켜 특징 값을 결정하고, 디코딩 레이어에서 특징 값을 복원하면서, 오토 인코더 모델을 학습시키고, 대칭으로 결정된 인코더 레이어의 가중치와 디코더 레이어의 가중치를 UMAP 모델의 입력 값으로 전달할 수 있다.

매니폴드(manifold) 학습은 고차원 데이터를 더 작은 차원으로 축소할 때 해당 데이터를 더 낮은 오류로 표현할 수 있는 데이터 공간이 존재할 것이라고 전제하는 학습법이다. 매니폴드 학습 알고리즘은 다양한 학습 알고리즘이 존재하며, UMAP 모델을 매니폴드 학습 알고리즘 중 하나이다. UMAP 모델은 차원 축소 알고리즘으로, 고차원의 데이터를 작은 차원의 데이터로 축소하고 시각하기 위해 사용되는 매니폴드 학습 알고리즘이다.

UMAP 모델은 확장성이 뛰어나고, 전체적인 데이터 구조를 잘 보전하면서도, 근접 이웃과의 거리를 유지하는 데 특성화되어 있으므로, 전체와 지역적인 이점을 둘 다 가진 상태로 차원을 축소할 수 있다. UMAP 모델은 k-이웃 기반 그래프 알고리즘을 사용하며, 고차원에서 먼저 가중 k-이웃 그래프를 구성하고, 가중 k-이웃 그래프에서 저차원 레이아웃을 계산할 수 있다. k-이웃 기간 그래프 알고리즘은 새로운 데이터를 입력 받았을 때, 해당 데이터와 가장 가까이에 있는 k개의 데이터를 확인하여, 새로운 데이터의 특성을 파악하고, 파악된 특성에 따라 분류하는 방법이다. UMAP 모델은 저차원 레이아웃이 교차 엔트로피를 기반으로 원본에 대한 퍼지 토폴러지(fuzzy topology) 표현과 가깝게 되도록 최적화할 수 있다. 여기서, 교차 엔트로피는 하나의 변수가 가질 수 있는 서로 다른 분포를 가질 경우, 해당 분포들의 차이를 의미한다. 퍼지 토폴러지는 자연 언어 등의 애매함을 정량적으로 표현하기 위해 도입된 퍼지 집합을 기반으로 한다. 퍼지 집합은 각 대상이 어떤 모임에 속한다 또는 속하지 않는다는 이진법 논리로부터 벗어나, 각 대상이 그 모임에 속하는 정도를 소속함수(membership function)로 나타내고 그 소속함수를 대응되는 대상과 함께 표기하는 집합이다.

GMM 모델은 다수의 가우시안 분포가 혼합된 클러스터링 알고리즘이다. 즉, GMM 모델은 주어진 데이터 x에 대해 x가 K개의 가우시안 분포 중에서 어떠한 가우시안 분포에서 생성되었는지를 결정하는 알고리즘이다. 주어진 데이터 x에 대해 x가 발행할 확률은 하기 수학식 1에 의해 가우시안 확률 밀도의 합으로 표현될 수 있다.

상기 수학식 1에서, 상기 π_k는 혼합계수(mixing coefficient)로 k번째 가우시안 분포가 선택될 확률을 나타내고, 상기 μ_k는 k번째 가우시안 분포에 대한 데이터의 평균 값이고, 상기 Σ_k는 k번째 가우시안 분포에 대한 공분산 행렬일 수 있다. 상기 ð_k는 0에서 1사이의 값이고, K개의 가우시안 분포에 대한 π_k를 모두 합한 값은 1이다.

UMAP 모델을 통해 출력된 값은 GMM 모델을 통해 명확하게 구분되도록 클러스터링이 진행될 수 있다. GMM 모델 알고리즘에서 각각의 고유한 공분산 행렬을 가진 구성요소를 c라고 할 때, c는 클러스터의 수로 설정될 수 있다.

예를 들어, 상기 오토 인코더 모델을 통해 상기 복수의 도표 이미지 각각에 대한 특징점이 추출될 수 있다. 예를 들어, 상기 추출된 특징점을 기반으로 상기 UMAP 모델 및 GMM 모델을 통해 상기 복수의 도표 이미지가 상기 복수의 도표 유형 별로 분류될 수 있다.

여기서, 복수의 도표 유형은 직교표 유형, 선 그래프 유형, 막대 그래프 유형, 원 그래프 유형, 점 그래프 유형, 층별 그래프 유형 및 방사형 그래프 유형을 포함할 수 있다. 직교표 유형은 각 열이 직교하도록 만들어진 표이며, 첫번째 행 또는 첫번째 열 중 적어도 하나가 독립 변수를 포함할 수 있다. 선 그래프 유형은 시계열적 변화에 따른 값을 선으로 나타내는 유형으로, 예를 들어, 연도별 매출액 추이 변화 등을 나타내는 도표 유형일 수 있다. 막대 그래프 유형은 비교하고자 하는 수량을 막대 길이로 표시하고, 그 길이를 비교하여 각 수량 사이의 대소 관계를 나타내는 유형으로, 예를 들어, 영업소별 매출액 등을 나타내는 도표 유형일 수 있다. 막대 그래프는 가로 막대 그래프와 세로 막대 그래프를 포함할 수 있다. 원 그래프 유형은 특정 내용의 구성비를 분할하여 나타내는 도표 유형으로, 예를 들어, 제품별 매출액 구성비 등을 나타내는 도표 유형일 수 있다. 원 그래프는 반원 그래프를 포함할 수 있다. 점 그래프 유형은 지역분포, 도시, 기업, 상품 등에 대한 평가, 위치 또는 성격을 표시하기 위한 도표 유형으로, 예를 들어, 광고비율과 이익률의 관계 등을 나타내는 도표 유형일 수 있다. 층별 그래프 유형은 합계와 각 부분의 크기를 백분율로 나타내고 시간적 변화를 나타내는 도표 유형으로, 예를 들어, 상품별 매출액 추이 등을 나타내는 도표 유형일 수 있다. 방사형 그래프 유형은 다양한 요소를 비교하거나 경과를 나타내는 도표 유형으로, 예를 들어, 매출액의 계절변동 등을 나타내는 도표 유형일 수 있다. 또한, 복수의 도표 유형은 상술한 예에 한정되지 않고, 복수의 도표 이미지에 기반하여 기타 다른 유형의 도표 유형을 더 포함할 수도 있다.

단계 S303에서, 서버는 상기 복수의 도표 유형 별로 분류된 도표 이미지에 대해 뉴럴 네트워크를 이용한 CRNN(convolutional recurrent neural network) 모델을 통해 상기 도표 이미지에 포함된 텍스트를 인식할 수 있다.

CRNN 모델은 이미지로부터 시계열적 데이터를 인식하도록 설계된 신경망 모델이다. 일반적으로 텍스트 데이터의 길이가 상이하기 때문에 일반적인 알고리즘으로 정확한 인식률을 기대하는 것이 어려우나, 이러한 문제를 해결하기 위해 고안된 알고리즘이 CRNN 모델이다. CRNN 모델은 CNN 모델과 RNN 모델을 결합함으로써, CNN 모델을 통해 이미지로부터 특징을 추출하고, 추출한 특징을 기반으로 RNN 모델을 통해 시퀀스별 글자를 예측하는 모델일 수 있다. CRNN 모델은 CNN 모델과 RNN 모델로 구성되지만 하나의 손실 함수를 통해 공동으로 학습될 수 있다.

예를 들어, CRNN 모델에 사용되는 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 도표 이미지 및 정답 복수의 텍스트로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 뉴럴 네트워크의 입력 레이어에 입력되고, 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력되고, 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, CRNN 모델에 사용되는 뉴럴 네트워크의 파라미터가 손실값이 작아지는 방향으로 학습되는, 상기 CRNN 모델이 생성될 수 있다.

이때, 상기 복수의 도표 유형 별로 분류된 도표 이미지에 대해 데이터 전처리가 수행될 수 있다. 예를 들어, 상기 복수의 도표 유형 별로 분류된 도표 이미지는 복수의 제1 영역으로 분할될 수 있다. 상기 복수의 제1 영역 각각에 대해 중요도가 결정될 수 있다. 여기서, 중요도는 해당 영역에 대한 RGB(red green blue) 값의 표준 편차와 해당 도표 유형에서 해당 영역에 포함된 텍스트가 인식된 빈도 수에 따라 결정될 수 있다. 상기 복수의 제1 영역 중에서 상기 중요도가 사전 설정된 점수 이상인 적어도 하나의 제2 영역이 결정될 수 있다. 상기 적어도 하나의 제2 영역에 포함된 텍스트가 인식될 수 있다. 즉, 서버는 상기 CRNN 모델을 통해 상기 적어도 하나의 제2 영역에 포함된 텍스트를 인식할 수 있다.

예를 들어, 해당 도표 유형에서 해당 영역에 포함된 텍스트가 인식된 빈도 수는 상기 서버에 사전 저장될 수 있다.

예를 들어, 상기 복수의 제1 영역으로 분할하는 축의 개수는 하기 수학식 2에 의해 결정될 수 있다.

상기 수학식 2에서, 상기 n_a는 상기 축의 개수이고, 상기 z는 상기 복수의 도표 유형의 개수이고, 상기 n_j는 j번째 도표 유형에 포함된 도표 이미지의 개수이고, 상기 n은 해당 도표 유형에 포함된 도표 이미지의 개수이고, 상기 v_i는 해당 도표 유형에 포함된 i번째 도표 이미지에 대한 RGB 값의 분포와 관련된 값이고, 상기 t_p는 상기 서버가 설정된 개수의 도표 이미지에 포함된 전체 텍스트를 인식하는 시간이고, 상기 n_d는 상기 축의 개수에 대한 기본 값일 수 있다.

예를 들어, 서버는 도표 이미지에 포함된 각 픽셀에 대한 RGB 값들에 기반하여 상기 도표 이미지에 대한 RGB 값의 분포와 관련된 값을 결정할 수 있다. 여기서, RGB는 빨강, 초록, 파랑 세 종류의 색상에 대한 좌표 값으로 나타내는 방식으로, x 좌표, y좌표, z좌표는 0에서 255 사이의 값을 가질 수 있다. 예를 들어, 상기 도표 이미지에 대한 RGB 값의 분포와 관련된 값은 도표 이미지에 포함된 각 픽셀에 대한 RGB 값들의 표준 편차일 수 있다. 예를 들어, 상기 서버가 설정된 개수의 도표 이미지에 포함된 전체 텍스트를 인식하는 시간은 상기 서버에 사전 저장될 수 있다. 설정된 개수의 도표 이미지는 서버의 텍스트 인식 속도를 측정하기 위한 샘플 이미지로서, 10개일 수 있다. 상기 설정된 개수는 특정 값으로 한정되지 않으며, 다양한 값으로 설정될 수 있다.

예를 들어, 해당 도표 유형에 포함된 도표 이미지의 개수가 많거나, 도표 이미지에 포함된 전체 텍스트를 인식하는 시간이 길수록 축의 개수를 감소시켜, 제1 영역의 개수를 감소시킬 수 있다. 이를 통해, 서버가 처리할 데이터가 많은 상황이나 서버의 성능을 고려하여 이미지 처리 속도를 적절하게 유지할 수 있다. 예를 들어, 도표 이미지에 대한 RGB 값의 분포와 관련된 값이 클수록 축의 개수를 증가시켜, 제1 영역의 개수를 증가시킬 수 있다. 이를 통해, 도표 이미지의 RGB 값 분포에 따라 도표 이미지에 포함된 텍스트를 인식하는 성능을 조절시킬 수 있다.

일 실시예에 따르면, CRNN 모델에 사용되는 뉴럴 네트워크에 포함된 하나 이상의 히든 레이어는 컨벌루션(convolution) 레이어, 리커런트(recurrent) 레이어 및 트랜스크립션(transcription) 레이어를 포함할 수 있다.

구체적으로, 서버는 복수의 도표 이미지에 대해 데이터 전처리를 통해 복수의 도표 이미지를 동일한 크기로 조정시킨 입력 벡터를 생성할 수 있다.

컨벌루션 레이어는 1차원 배열의 형태로 평탄화된 행렬을 통해 이미지를 분류하는데 사용되는 계층인 완전 연결 레이어(fully connected layer)가 제외된, 컨벌루션 및 맥스-풀링 레이어(max-pooling layer)로 구성될 수 있다. 예를 들어, 컨벌루션 레이어는 입력 벡터로부터 특징 맵을 통해 특징 벡터의 시퀀스를 추출할 수 있다. 이때, 특징 벡터의 시퀀스는 리커런트 레이어에 대한 입력 값일 수 있다. 특징 벡터는 특징 맵의 좌측에서 우측으로 생성되기 때문에, i번째 특징 벡터가 모든 특징 맵의 i번째 열의 집합일 수 있고, 각 열의 너비는 단일 픽셀로 고정될 수 있다. 즉, 특징 벡터의 시퀀스에 포함된 각각의 특징 벡터는 정지 화면 이미지의 특정 영역에 대한 특징을 나타낼 수 있다. 여기서, 특정 영역을 프레임이라 지칭할 수 있다. 이때, 학습의 효율을 높이기 위해 정규화 기법 중 하나인 배치 정규화 레이어(batch normalization layer)를 추가함으로써, 과적합의 위험을 감소시킬 수 있다. 여기서, 배치 정규화 레이어는 학습 과정에서 각 배치 단위 별로 데이터가 다양한 분포를 가져도, 각 배치 별로 평균과 분산을 이용해 정규화하는 동작을 수행할 수 있다. 배치는 모델의 가중치를 한번 업데이트시킬 때 사용되는 샘플들의 묶음을 지칭한다.

리커런트 레이어는 하나 이상의 정방향 LSTM 블록 및 하나 이상의 역방향 LSTM을 포함하고, 각 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.

예를 들어, 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(C_t) 값과 히든 스테이트(h_t) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(C_t-1) 및 히든 스테이트 값(h_t-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.

예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수(

)가 활성화 함수인 레이어일 수 있다. 입력 게이트, 삭제 게이트 및 출력 게이트를 통해 셀 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.

예를 들어, 컨벌루션 레이어로부터 특징 벡터의 시퀀스가 입력 게이트에 입력되고, 상기 삭제 게이트는 상기 특징 벡터의 시퀀스를 기반으로 생성된 h_t-1(t-1 시점의 히든 스테이트)과 x_t(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 C_t-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다.

예를 들어, 입력 게이트는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 C_t 벡터를 생성하고, 셀 스테이트에 저장시킬 수 있다. 과거 셀 스테이트인 C_t-1가 업데이트됨으로써, 새로운 셀 스테이트인 C_t가 생성될 수 있다. 즉, 셀 스테이트에 대해 상기 f_t를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.

예를 들어, 출력 게이트는 시그모이드 레이어에서 특징 벡터의 시퀀스에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다.

이러한 과정을 통해, 리커런트 레이어는 특징 벡터의 시퀀스와 관련된 값을 컨벌루션 레이어로 역전파시키고, 컨벌루션 레이어의 특징 맵을 특징 벡터의 시퀀스로 변화하는 동작을 업데이트시킴으로써, 컨벌루션 레이어로 피드백을 줄 수 있다. 여기서, 특징 벡터의 시퀀스와 관련된 값은 특징 벡터의 시퀀스에 대한 미분 값일 수 있다. 또한, 리커런트 레이어는 특징 벡터의 시퀀스에 대해 프레임 별 예측 값들을 트랜스크립션 레이어로 전송할 수 있다.

부가적으로, 예를 들어, 상기 삭제 게이트와 상기 입력 게이트가 합쳐진 LSTM 모델이 사용될 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.

트랜스크립션 레이어는 CTC(connectionist temporal classification) 기법을 통해 리커런트 레이어에서 생성된 프레임 별 예측 값을 레이블 시퀀스(label sequence)로 변환시키고, 레이블 시퀀스를 정렬된 형태로 출력할 수 있다. CTC 기법은 학습 데이터에 클래스 라벨만 순서대로 있고, 각 클래스의 위치를 알 수 없는 시퀀스 데이터의 학습을 위해 사용되는 알고리즘이다.

예를 들어, 트랜스크립션 레이어는 프레임 별 예측 값에 따라 가장 높은 확률을 가진 레이블 시퀀스를 검출할 수 있다. 트랜스크립션 레이어는 프레임 별 예측 값에 포함된 중첩 레이블(문자)를 제거하고, 제거된 예측 값에 1을 매칭할 수 있다. 또한, 트랜스크립션 레이어는 프레임 별 예측 값에 포함된 공백을 제거할 수 있다. 예를 들어, "강강-아-지지-"에 대한 프레임 별 예측 값의 경우, "-"는 공백을 의미하고, 트랜스크립션 레이어는 CTC 기법를 통해 중첩된 문자와 공백을 제외한 "강아지"로 결정될 수 있다. 즉, 트랜스크립션 레이어는 CTC 기법을 통해 프레임 별 예측 값에 대한 차원의 수를 기반으로 손실을 계산하고 그에 따른 그래디언트를 계산할 수 있다.

단계 S304에서, 상기 서버가 상기 사용자 단말로부터 제1 검색 요청 메시지를 수신하는 것에 기반하여, 서버는 상기 제1 검색 요청 메시지에 매칭되는 적어도 하나의 제1 도표 이미지 및 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 결정할 수 있다.

예를 들어, 상기 제1 검색 요청 메시지는 도표 유형에 대한 정보 및 키워드에 대한 정보를 포함할 수 있다. 상기 적어도 하나의 제1 도표 이미지는 상기 도표 유형과 상기 키워드에 매칭될 수 있다. 도표 유형에 대한 정보는 복수의 도표 유형 중에서 상기 사용자 단말에 의해 선택된 도표 유형을 포함할 수 있다. 예를 들어, 도표 유형에 대한 정보는 상기 사용자 단말에 의해 선택된 도표 유형에 대응되는 값을 포함할 수 있다. 키워드에 대한 정보는 상기 사용자 단말에 의해 입력된 검색 키워드에 대한 텍스트를 포함할 수 있다. 서버는 상기 사용자 단말에 의해 선택된 도표 유형에 포함된 복수의 도표 이미지 중에서 상기 사용자 단말에 의해 입력된 검색 키워드를 포함하는 적어도 하나의 제1 도표 이미지를 결정할 수 있다.

단계 S305에서, 서버는 상기 적어도 하나의 제1 도표 이미지와 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 포함하는 도표에 대한 정보를 상기 사용자 단말에게 전송할 수 있다.

예를 들어, 서버는 상기 적어도 하나의 제1 도표 이미지를 기반으로 인식된 복수의 텍스트 중에서 텍스트의 크기 및 굵기가 사전 설정된 값 이상인 적어도 하나의 텍스트를 요약 텍스트로 결정할 수 있다.

일 실시예에 따르면, 서버는 상기 사용자 단말에게 음성 전환 메시지를 전송할 수 있다. 서버는 상기 사용자 단말로부터 음성 전환 승인 메시지를 수신할 수 있다. 여기서, 음성 전환 메시지는 상기 요약 텍스트를 음성 데이터로 전환할지 여부를 확인하기 위해 서버가 사용자 단말에게 전송하는 메시지이다. 음성 전환 승인 메시지는 상기 요약 텍스트를 음성 데이터로 전화하는 것에 대한 승인을 나타내는 메시지이다. 예를 들어, 음성 전환 승인 메시지를 수신한 것에 기반하여, 서버는 상기 도표에 대한 정보에 기반하여 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 음성 데이터로 변환할 수 있다. 서버는 상기 음성 데이터를 상기 사용자 단말에게 전송할 수 있다. 예를 들어, 서버는 다양한 TTS(text to speech) 프로그램을 통해 상기 요약 텍스트를 음성 데이터로 변환할 수 있다. 이때, 상기 음성 데이터의 재생 속도는 요약 텍스트의 개수, 도표 유형 및 도표 이미지의 개수에 기반하여 결정될 수 있다.

일 실시예에 따르면, 상기 서버가 상기 사용자 단말로부터 제2 검색 요청 메시지를 수신하는 것에 기반하여, 서버는 상기 제2 검색 요청 메시지에 매칭되는 적어도 하나의 제2 도표 이미지 및 상기 적어도 하나의 제2 도표 이미지에 대한 요약 텍스트를 결정할 수 있다. 상기 제2 검색 요청 메시지는 도표 유형에 대한 정보, 키워드에 대한 정보, 도표의 출처에 대한 정보 및 도표가 작성된 연도에 대한 정보를 포함할 수 있다. 적어도 하나의 제2 도표 이미지는 복수의 도표 이미지 중에서 도표 유형, 키워드, 도표의 출처 및 도표가 작성된 연도에 매칭되는 이미지일 수 있다. 서버는 상기 적어도 하나의 제2 도표 이미지와 상기 적어도 하나의 제2 도표 이미지에 대한 요약 텍스트를 포함하는 도표에 대한 정보를 상기 사용자 단말에게 전송할 수 있다. 상기 도표 이미지에 포함된 숫자 텍스트를 기반으로 상기 복수의 도표 유형별로 분류된 도표 이미지가 상기 도표가 작성된 연도별로 분류될 수 있다. 상기 도표 이미지가 수집된 웹 사이트 주소를 기반으로 상기 복수의 도표 유형별로 분류된 도표 이미지에 대한 상기 도표 이미지의 출처가 결정될 수 있다.

여기서, 도표의 출처에 대한 정보는 도표 이미지가 수집된 출처를 나타내는 정보일 수 있다. 예를 들어, 서버는 도표 이미지가 수집된 웹 사이트 주소에 매칭된 출처를 상기 도표의 출처로 결정할 수 있다. 도표 이미지가 논문을 제공하는 웹 사이트 주소로부터 수집된 경우, 서버는 해당 웹 사이트 주소와 매칭된 "논문"으로 도표의 출처를 결정할 수 있다. 또는, 도표 이미지가 뉴스와 관련된 웹 사이트 주소로부터 수집된 경우, 서버는 해당 웹 사이트 주소와 매칭된 "뉴스"로 도표의 출처를 결정할 수 있다. 도표 이미지가 수집된 웹 사이트 주소에 매칭되는 출처는 상기 서버에 사전 저장될 수 있다.

도표가 작성된 연도에 대한 정보는 해당 도표가 작성된 연도를 나타내는 정보일 수 있다. 도표가 작성된 연도에 대한 정보는 도표 이미지에 포함된 숫자 텍스트를 기반으로 결정될 수 있다. 예를 들어, 도표 이미지에 포함된 숫자 텍스트가 2019, 2020 및 2021를 포함하는 경우, 가장 큰 값의 숫자 텍스트가 도표가 작성된 연도로 결정될 수 있다. 서버는 도표 이미지에 포함된 복수의 숫자 텍스트 중에서 사전 설정된 연도에 매칭되는 적어도 하나의 숫자 텍스트를 결정하고, 상기 적어도 하나의 숫자 텍스트 중에서 가장 큰 값을 도표가 작성된 연도로 결정할 수 있다.

도 4는 일 실시예에 따른 분류 모델에 대한 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 4를 참조하면, 분류 모델(400)은 오토 인코더 모델(410), UMAP 모델(420) 및 GMM 모델(430)을 포함할 수 있다.

오토 인코더 모델(410)은 컨벌루션 뉴럴 네트워크를 기반으로 구성될 수 있고, 입력 레이어(411), 인코딩 레이어(412) 2개와 디코딩 레이어(413) 2개및 출력 레이어(414)를 포함할 수 있다. 인코딩 레이어(412)와 디코딩 레이어(413)의 활성화 함수로 ReLU(Rectified Linear Unit) 함수가 사용될 수 있고, 출력 레이어(414)의 활성화 함수는 선형 함수가 사용될 수 있다. 여기서, ReLU 함수는 음수 값에 대해 0 값을 반환하고, 양수 값에 대해 해당 값을 반환하는 함수이다. 이때, 오토 인코더 모델(410)은 인코딩 레이어(411)의 가중치와 디코딩 레이어(412)의 가중치를 대칭으로 결정할 수 있다. 이를 통해, 오토 인코더 모델(410)에 대한 학습량을 절반으로 줄임으로써, 학습 속도를 향상시키고 오버피팅의 위험을 감소시킬 수 있다.

예를 들어, 복수의 도표 이미지 각각에 대해 이미지의 크기가 동일하도록 복수의 도표 이미지에 대한 데이터 전처리가 수행될 수 있다. 이때, 이미지의 크기는 상기 서버에 설정된 최소 크기 이상으로 결정될 수 있다. 최소 크기는 수집된 도표 이미지의 개수, 클러스터 수, 학습 주기 및 배치 크기에 따라 상이하게 결정될 수 있다. 예를 들어, 최소 크기는 하기 수학식 3에 의해 결정될 수 있다.

상기 수학식 3에서, 상기 S_min은 상기 최소 크기이고, 상기 ni_d는 도표 이미지의 개수에 대한 기본 값이고, 상기 ni_total은 도표 이미지의 개수이고, 상기 b_s는 상기 오토 인코더 모델에 설정된 배치 크기에 대한 값이고, 상기 e_p는 상기 오토 인코더 모델에 설정된 학습 주기에 대한 값이고, 상기 c는 상기 오토 인코더 모델에 설정된 클러스터 수이고, 상기 Sd₁은 상기 최소 크기의 가로 길이에 대한 기본 값이고, 상기 Sd₂는 상기 최소 크기의 세로 길이에 대한 기본 값일 수 있다.

여기서, 도표 이미지의 개수에 대한 기본 값은 상기 서버의 이미지 처리 속도에 따라 상이하게 설정될 수 있다. 예를 들어, 도표 이미지의 개수에 대한 기본 값은 1000 내지 10000 사이의 값으로 결정될 수 있다. 배치 크기는 상기 오토 인코더 모델에서 한번에 연산하는 데이터의 크기이다. 학습 주기는 오토 인코더 모델을 학습 데이터가 통과하는 횟수이다.

예를 들어, 상기 클러스터 수가 크게 설정되고, 수집된 도표 이미지의 개수가 많을수록, 상기 최소 크기가 작게 결정됨으로써, 서버가 많은 데이터를 처리하는 경우, 도표 이미지를 처리하는 속도를 안정시킬 수 있다. 또한, 예를 들어, 상기 학습 주기가 짧고, 상기 배치 크기가 작을 수록, 상기 최소 크기가 작게 결정됨으로써, 서버가 많은 데이터를 처리하는 경우, 도표 이미지를 처리하는 속도를 안정시킬 수 있다.

서버는 복수의 도표 이미지에 대해 데이터 전처리를 수행하여 최소 크기 이상의 도표 이미지를 기반으로 입력 벡터를 생성할 수 있다.

예를 들어, 서버는 최소 크기로 상기 복수의 도표 이미지의 크기를 조정할 수 있다. 서버는 최소 크기로 조정된 복수의 도표 이미지로부터 생성된 입력 벡터를 입력 레이어(411)에 입력시킬 수 있다.

예를 들어, 서버는 복수의 도표 이미지에 대한 이미지 크기의 평균 값을 기준으로 상기 복수의 도표 이미지의 크기를 조정할 수 있다. 서버는 복수의 도표 이미지에 대한 이미지 크기의 평균 값으로 조정된 복수의 도표 이미지로부터 생성된 입력 벡터를 입력 레이어(411)에 입력시킬 수 있다.

예를 들어, 서버는 최소 크기 이상의 이미지 크기 중에서 가장 빈도 수가 많은 크기를 기준으로 상기 복수의 도표 이미지의 크기를 조정할 수 있다. 서버는 가장 빈도 수가 많은 크기로 조정된 복수의 도표 이미지로부터 생성된 입력 벡터를 입력 레이어(411)에 입력시킬 수 있다.

서버는 상기 입력 벡터를 인코딩 레이어(412)에 통과시켜 특징 값을 결정하고, 디코딩 레이어(413)에서 특징 값을 복원하면서 대칭으로 결정된 인코딩 레이어(412)의 가중치와 디코딩 레이어(413)의 가중치를 출력 레이어(414)에서 UMAP 모델(420)로 전달할 수 있다.

UMAP 모델(420)은 초기 고차원 그래프가 생성될 때 사용되는 이웃의 수 및 저차원 공간에서 포인트 사이의 최소 거리에 대한 값을 통해 지역적인 구조와 전체 구조의 균형을 조정할 수 있다. 여기서, 초기 고차원 그래프가 생성될 때 사용되는 이웃의 수는 지역적으로 고려할 이웃의 수일 수 있다. 이를 통해, 얼마나 많은 지역적인 구조가 보존되는지와 전체 구조가 얼마나 많이 수집되는지의 세분화 방법 사이의 균형을 표현할 수 있다. 예를 들어, 초기 고차원 그래프가 생성될 때 사용되는 이웃의 수가 작으면, 지역적인 구조에 집중되며, 초기 고차원 그래프가 생성될 때 사용되는 이웃의 수가 크면, 전체 구조에 집중될 수 있다.

예를 들어, UMAP 모델(420)은 지역적인 구조를 통합하기 위해 이웃의 수를 작은 값(예: 20)으로 선택할 수 있다. 저차원 공간에서 포인트 사이의 최소 거리에 대한 값이 작을수록 매니폴드 구조를 정확하게 포착할 수 있으나, 시각화는 어려울 수 있다. UMAP 모델(420)은 대상 임베딩의 차원을 고려한 클러스터 수를 설정할 수 있다.

구체적으로, UMAP 모델(420)은 고차원 데이터 포인트에 대해 심플렉스(simplex) 복합체로 구성함으로써, 고차원 데이터 포인트를 이용한 그래프를 구성하고, 그래프 내 각 노드로부터 최근접 이웃 n개를 포함하도록 길이 k의 반경을 생성하고, 이때 k의 반경을 가진 클러스터가 겹치는 정도에 따라 가중치를 결정하고, 클러스터 사이의 결합도(strength)를 저차원으로 변환할 수 있다. 이때, UMAP 모델(420)에 설정되는 클러스터의 수는 8개 이상으로 설정될 수 있다. 예를 들어, 클러스터의 수는 상기 서버에 사전 설정된 도표 유형의 개수에 따라 상이하게 결정될 수 있다. 분류 모델에 사용되는 UMAP 모델(420)은 시각적 확인에 목적이 있는 것이 아니므로, 저차원 공간에서 포인트 사이의 최소 거리에 대한 값은 0으로 설정될 수 있다. 최근접 이웃 n개는 수집된 도표 이미지의 개수에 따라 20 내지 200 사이의 값으로 설정될 수 있다. 즉, 최근접 이웃 n개는 도표 이미지의 개수가 많을수록 큰 값으로 설정될 수 있다.

UMAP 모델(420)을 통해 출력된 값은 GMM 모델(430)을 통해 명확하게 구분되도록 클러스터링이 진행될 수 있다. GMM 모델 알고리즘에서 각각의 고유한 공분산 행렬을 가진 구성요소를 c라고 할 때, c는 클러스터의 수로 설정될 수 있다.

분류 모델(400)은 복수의 도표 이미지에 대한 데이터 전처리를 수행함으로써, 입력 벡터를 생성하고, 상기 입력 벡터를 오토 인코더 모델(410)에 입력시켜 1차 클러스터링 정보(인코딩 레이어와 디코딩 레이어에 대한 가중치)를 추출하고, 추출된 1차 클러스터링 정보를 UMAP 모델(420)에 입력시켜 2차 클러스터링을 수행하고, 수행된 2차 클러스터링을 GMM 모델(430)을 통해 명확하게 표현할 수 있다. 이를 통해, 분류 모델(400)은 복수의 도표 이미지를 클러스터의 수에 대응하는 복수의 도표 유형으로 분류할 수 있다.

도 5는 일 실시예에 따른 서버가 도표에 대한 정보를 사용자 단말에게 전송하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 5를 참조하면, 단계 S501에서, 서버는 복수의 웹 페이지에 대한 웹 크롤링을 통해 복수의 도표 이미지를 획득할 수 있다.

단계 S502에서, 서버는 복수의 도표 이미지 각각에 대해 이미지 크기가 최소 크기 이상인지 여부를 결정할 수 있다.

예를 들어, 최소 크기는 수집된 도표 이미지의 개수, 클러스터 수, 학습 주기 및 배치 크기에 따라 상이하게 결정될 수 있다. 최소 크기는 상술한 수학식 3에 의해 결정될 수 있다.

단계 S503에서, 이미지 크기가 최소 크기보다 작은 제1 도표 이미지의 경우, 서버는 제1 도표 이미지의 이미지 크기를 최소 크기로 확대할 수 있다.

예를 들어, 서버는 복수의 도표 이미지 각각에 대해 이미지의 크기가 최소 크기로 동일하도록 복수의 도표 이미지에 대한 데이터 전처리를 수행할 수 있다. 이때, 이미지의 크기가 최소 크기보다 큰 도표 이미지는 최소 크기로 축소될 수 있다. 예를 들어, 서버는 복수의 도표 이미지 각각에 대해 다양한 이미지 압축 방식을 통해 이미지의 크기가 최소 크기로 동일하도록 복수의 도표 이미지에 대한 데이터 전처리를 수행할 수 있다.

또는, 예를 들어, 서버는 복수의 도표 이미지 각각에 대해 이미지의 크기가 상기 복수의 도표 이미지에 대한 이미지 크기의 평균 값으로 동일하도록 복수의 도표 이미지에 대한 데이터 전처리를 수행할 수 있다.

또는, 예를 들어, 서버는 복수의 도표 이미지 각각에 대해 이미지의 크기가 상기 복수의 도표 이미지에 대한 이미지 크기 중에서 가장 빈도 수가 많은 이미지 크기로 동일하도록 상기 복수의 도표 이미지에 대한 데이터 전처리를 수행할 수 있다.

단계 S504에서, 서버는 복수의 도표 이미지를 기반으로 분류 모델을 통해 복수의 도표 유형을 결정할 수 있다. 예를 들어, 복수의 도표 유형은 8가지 유형을 포함할 수 있다. 제1 도표 유형은 직교표 유형, 제2 도표 유형은 선 그래프 유형, 제3 도표 유형은 막대 그래프 유형, 제4 도표 유형은 원 그래프 유형, 제5 도표 유형은 점 그래프 유형, 제6 도표 유형은 층별 그래프 유형, 제7 도표 유형은 방사형 그래프 유형 및 제8 도표 유형은 기타 그래프 유형일 수 있다.

단계 S505에서, 서버는 복수의 도표 유형 별로 분류된 도표 이미지를 분할하기 위한 축의 개수를 결정할 수 있다. 예를 들어, 서버는 상술한 수학식 2에 의해 도표 이미지를 복수의 제1 영역으로 분할할 수 있다.

예를 들어, 축의 개수가 3개로 결정된 경우, 서버는 3개의 축을 기반으로 도표 이미지를 6개의 제1 영역으로 분할할 수 있다. 각 축의 각도는 복수의 도표 유형마다 상이하게 결정될 수 있다. 예를 들어, 도표의 유형이 원 그래프인 경우, 3개의 축은 원점을 중심으로 동일한 각도로 이격되어 도표 이미지를 6개의 제1 영역으로 분할될 수 있다. 예를 들어, 도표의 유형이 막대 그래프인 경우, 3개의 축은 하나의 축에 대해 나머지 두 축이 직교하는 형태로 도표 이미지를 6개의 제1 영역으로 분할될 수 있다.

단계 S506에서, 서버는 복수의 제1 영역 각각에 대한 중요도를 결정할 수 있다.

중요도는 해당 제1 영역에 대한 RGB 값의 표준 편차와 해당 도표 유형에서 해당 제1 영역에 포함된 텍스트가 인식된 빈도 수에 따라 결정될 수 있다. 예를 들어, 해당 제1 영역에 대한 RGB 값의 표준 편차가 작고, 해당 도표 유형에서 해당 제1 영역에 포함된 텍스트가 인식된 빈도 수가 클수록, 중요도가 큰 값으로 결정될 수 있다. 해당 도표 유형에서 해당 제1 영역에 포함된 텍스트가 인식된 빈도 수는 상기 서버에 사전 저장된 값일 수 있다.

단계 S507에서, 서버는 제1 영역에 대한 중요도가 사전 설정된 점수 이상인 인지 여부를 결정할 수 있다. 예를 들어, 사전 설정된 점수는 도표 유형에 따라 상이하게 설정될 수 있다.

단계 S508에서, 서버는 중요도가 사전 설정된 점수 이상인 제1 영역을 제2 영역으로 결정할 수 있다.

단계 S509에서, 서버는 중요도가 사전 설정된 점수 미만인 제1 영역을 제2 영역에서 제외할 수 있다.

단계 S510에서, 서버는 상기 복수의 도표 유형 별로 분류된 도표 이미지에 대해 뉴럴 네트워크를 이용한 CRNN 모델을 통해 상기 도표 이미지의 제2 영역에 포함된 텍스트를 인식할 수 있다.

단계 S511에서, 서버는 사용자 단말로부터 검색 요청 메시지를 수신할 수 있다. 예를 들어, 검색 요청 메시지는 제1 검색 요청 메시지 또는 제2 검색 요청 메시지일 수 있다.

단계 S512에서, 서버는 검색 요청 메시지에 기반하여 도표 이미지 및 요약 텍스트를 결정할 수 있다.

예를 들어, 검색 요청 메시지가 제1 검색 요청 메시지인 경우, 서버는 제1 검색 요청 메시지에 포함된 도표 유형에 대한 정보 및 키워드에 대한 정보에 기반하여 복수의 도표 이미지 중에서 적어도 하나의 제1 도표 이미지 및 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 결정할 수 있다. 서버는 상기 적어도 하나의 제1 도표 이미지에 대해 인식된 복수의 텍스트 중에서 텍스트의 크기 및 굵기가 사전 설정된 기준 값 이상인 적어도 하나의 텍스트를 요약 텍스트로 결정할 수 있다. 예를 들어, 텍스트의 크기 및 굵기에 대한 기준 값은 도표의 유형에 따라 상이하게 설정될 수 있다.

예를 들어, 검색 요청 메시지가 제2 검색 요청 메시지인 경우, 서버는 제2 검색 요청 메시지에 포함된 도표 유형에 대한 정보, 키워드에 대한 정보, 도표의 출처에 대한 정보 및 도표가 작성된 연도에 대한 정보에 기반하여 복수의 도표 이미지 중에서 적어도 하나의 제2 도표 이미지 및 상기 적어도 하나의 제2 도표 이미지에 대한 요약 텍스트를 결정할 수 있다. 서버는 상기 적어도 하나의 제2 도표 이미지에 대해 인식된 복수의 텍스트 중에서 텍스트의 크기 및 굵기가 사전 설정된 기준 값 이상인 적어도 하나의 텍스트를 요약 텍스트로 결정할 수 있다.

단계 S513에서, 서버는 사용자 단말에게 도표에 대한 정보를 전송할 수 있다. 도표에 대한 정보는 검색 요청 메시지에 매칭된 도표 이미지와 해당 도표 이미지에 대한 요약 텍스트를 포함할 수 있다. 예를 들어, 도표에 대한 정보는 제1 검색 요청 메시지에 매칭된 도표 이미지와 해당 도표 이미지에 대한 요약 텍스트를 포함할 수 있다. 도표에 대한 정보는 제2 검색 요청 메시지에 매칭된 도표 이미지와 해당 도표 이미지에 대한 요약 텍스트를 포함할 수 있다.

단계 S514에서, 서버는 사용자 단말로부터 음성 전환 승인 메시지를 수신하였는지 여부를 결정할 수 있다.

예를 들어, 서버는 사용자 단말에게 도표에 대한 정보를 전송하면서, 음성 전환 메시지도 함께 전송할 수 있다.

단계 S515에서, 사용자 단말로부터 음성 전환 승인 메시지를 수신한 경우, 서버는 도표에 대한 정보에 기반하여 요약 텍스트를 음성 데이터로 변환할 수 있다. 이때, 음성 데이터의 재생 속도는 요약 텍스트의 개수, 도표 이미지의 도표 유형 및 매칭된 도표 이미지의 개수에 기반하여 결정될 수 있다.

예를 들어, 음성 데이터의 재생 속도는 하기 수학식 4에 의해 결정될 수 있다.

상기 수학식 4에서, 상기 p_v는 상기 음성 데이터의 재생 속도이고, 상기 t_n은 상기 요약 텍스트의 개수이고, 상기 m_n은 매칭된 도표 이미지의 개수이고, 상기 tr은 상기 요약 텍스트의 개수에 대한 기본 값이고, 상기 m_r은 상기 매칭된 도표 이미지의 개수에 대한 기본 값이고, 상기 α는 해당 도표 유형에 대한 가중치이고, 상기 p_d는 상기 음성 데이터의 기본 재생 속도일 수 있다.

예를 들어, 요약 텍스트의 개수가 기본 값보다 큰 경우, 상기 음성 데이터의 재생 속도는 더 큰 값으로 결정될 수 있다. 매칭된 도표 이미지의 개수가 기본 값보다 큰 경우, 상기 음성 데이터의 재생 속도는 더 큰 값으로 결정될 수 있다. 예를 들어, 도표 유형에 따라 상기 α는 상이하게 설정될 수 있다. 또한, 요약 텍스트의 개수에 대한 기본 값, 매칭된 도표 이미지의 개수에 대한 기본 값 및 음성 데이터의 기본 재생 속도는 상기 서버에 사전 설정될 수 있다. 이를 통해, 서버는 요약 텍스트의 개수, 매칭된 도표 이미지의 개수 및 도표 유형의 특성을 반영하여 음성 데이터의 재생 속도를 조절할 수 있다.

예를 들어, 음성 데이터에 대한 음의 높낮이는 도표 유형에 따라 상이하게 결정될 수 있다. 이를 통해, 사용자는 음의 높낮이에 따라 도표 유형을 구분할 수 있다.

단계 S516에서, 서버는 음성 데이터를 사용자 단말에게 전송할 수 있다.

도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.

프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.

통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.

메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.

메모리(630)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.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

1. 뉴럴 네트워크(neural network)를 이용하여 서버가 도표에 대한 정보를 사용자 단말에게 전송하는 방법에 있어서,
   복수의 웹 페이지에 대한 웹 크롤링을 통해 복수의 도표 이미지를 획득하는 단계;
   상기 복수의 도표 이미지를 기반으로 분류 모델을 통해 복수의 도표 유형을 결정하는 단계;
   상기 분류 모델은 오토 인코더 모델, UMAP(uniform manifold approximation and projection) 모델 및 가우시안 혼합(gaussian mixture) 모델을 포함하고,
   상기 오토 인코더 모델을 통해 상기 복수의 도표 이미지 각각에 대한 특징점이 추출되고,
   상기 추출된 특징점을 기반으로 상기 UMAP 모델 및 가우시안 혼합 모델을 통해 상기 복수의 도표 이미지가 상기 복수의 도표 유형 별로 분류되고,
   상기 복수의 도표 유형 별로 분류된 도표 이미지에 대해 뉴럴 네트워크를 이용한 CRNN(convolutional recurrent neural network) 모델을 통해 상기 도표 이미지에 포함된 텍스트를 인식하는 단계;
   상기 서버가 상기 사용자 단말로부터 제1 검색 요청 메시지를 수신하는 것에 기반하여, 상기 제1 검색 요청 메시지에 매칭되는 적어도 하나의 제1 도표 이미지 및 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 결정하는 단계; 및
   상기 제1 검색 요청 메시지는 도표 유형에 대한 정보 및 키워드에 대한 정보를 포함하고,
   상기 적어도 하나의 제1 도표 이미지는 상기 도표 유형과 상기 키워드에 매칭되고,
   상기 적어도 하나의 제1 도표 이미지와 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 포함하는 도표에 대한 정보를 상기 사용자 단말에게 전송하는 단계;를 포함하되,
   상기 복수의 도표 유형 별로 분류된 도표 이미지는 복수의 제1 영역으로 분할되고,
   상기 복수의 제1 영역 각각에 대해 중요도가 결정되고,
   상기 복수의 제1 영역 중에서 상기 중요도가 사전 설정된 점수 이상인 적어도 하나의 제2 영역이 결정되고,
   상기 적어도 하나의 제2 영역에 포함된 텍스트가 인식되고,
   상기 복수의 제1 영역으로 분할하는 축의 개수는 하기 수학식에 의해 결정되고,
   

   

   
   상기 수학식에서, 상기 n_a는 상기 축의 개수이고, 상기 z는 상기 복수의 도표 유형의 개수이고, 상기 n_j는 j번째 도표 유형에 포함된 도표 이미지의 개수이고, 상기 n은 해당 도표 유형에 포함된 도표 이미지의 개수이고, 상기 v_i는 해당 도표 유형에 포함된 i번째 도표 이미지에 대한 RGB 값의 분포와 관련된 값이고, 상기 t_p는 상기 서버가 설정된 개수의 도표 이미지에 포함된 전체 텍스트를 인식하는 시간이고, 상기 n_d는 상기 축의 개수에 대한 기본 값인,
   방법.
   
2. 제 1항에 있어서,
   상기 사용자 단말에게 음성 전환 메시지를 전송하는 단계;
   상기 사용자 단말로부터 음성 전환 승인 메시지를 수신하는 단계;
   상기 도표에 대한 정보에 기반하여 상기 적어도 하나의 제1 도표 이미지에 대한 요약 텍스트를 음성 데이터로 변환하는 단계; 및
   상기 음성 데이터를 상기 사용자 단말에게 전송하는 단계;를 더 포함하는,
   방법.
   
3. 삭제
4. 제 1항에 있어서,
   상기 서버가 상기 사용자 단말로부터 제2 검색 요청 메시지를 수신하는 것에 기반하여, 상기 제2 검색 요청 메시지에 매칭되는 적어도 하나의 제2 도표 이미지 및 상기 적어도 하나의 제2 도표 이미지에 대한 요약 텍스트를 결정하는 단계; 및
   상기 제2 검색 요청 메시지는 도표 유형에 대한 정보, 키워드에 대한 정보, 도표의 출처에 대한 정보 및 도표가 작성된 연도에 대한 정보를 포함하고,
   상기 적어도 하나의 제2 도표 이미지는 상기 도표 유형, 상기 키워드, 상기 도표의 출처 및 상기 도표가 작성된 연도에 매칭되고,
   상기 적어도 하나의 제2 도표 이미지와 상기 적어도 하나의 제2 도표 이미지에 대한 요약 텍스트를 포함하는 도표에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 더 포함하되,
   상기 도표 이미지에 포함된 숫자 텍스트를 기반으로 상기 복수의 도표 유형 별로 분류된 도표 이미지가 상기 도표가 작성된 연도별로 분류되고,
   상기 도표 이미지가 수집된 웹 사이트 주소를 기반으로 상기 복수의 도표 유형별로 분류된 도표 이미지에 대한 상기 도표 이미지의 출처가 결정되는,
   방법.
   
5. 제 1항에 있어서,
   상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
   복수의 도표 이미지 및 복수의 정답 텍스트로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되고, 상기 하나 이상의 히든 레이어 및 상기 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실값이 작아지는 방향으로 학습되는,
   방법.
   

Images