KR102523160B1

KR102523160B1 - 딥러닝 기반의 문서 유사도 측정 모델을 이용한 중복 문서 탐지 방법 및 시스템

Info

Publication number: KR102523160B1
Application number: KR1020220059733A
Authority: KR
Inventors: 김성민; 한병훈
Original assignee: 네이버 주식회사
Priority date: 2019-12-11
Filing date: 2022-05-16
Publication date: 2023-04-18
Also published as: KR20210074023A; EP3835997A1; US20210182551A1; KR20220070181A; US11631270B2; JP2021093163A; KR102448061B1; JP6987209B2

Abstract

딥러닝 기반의 문서 유사도 측정 모델을 이용한 중복 문서 탐지 방법 및 시스템을 개시한다. 일실시예에 따른 중복 문서 탐지 방법은 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하는 단계, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산하는 단계, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산하는 단계, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍 및 상기 의미적 유사도를 이용하여 유사도 모델을 학습시키는 단계 및 상기 적어도 하나의 프로세서에 의해, 상기 유사도 모델을 이용하여 중복 문서를 탐지하는 단계를 포함할 수 있다.

Description

딥러닝 기반의 문서 유사도 측정 모델을 이용한 중복 문서 탐지 방법 및 시스템{METHOD AND SYSTEM FOR DETECTING DUPLICATED DOCUMENT USING DOCUMENT SIMILARITY MEASURING MODEL BASED ON DEEP LEARNING}

아래의 설명은 딥러닝 기반의 문서 유사도 측정 모델을 이용한 중복 문서 탐지 방법 및 시스템에 관한 것이다.

텍스트간의 유사도를 측정하는 방법에서는 일반적으로 텍스트를 형태소, 문자, N-그램(N-gram) 등의 토큰 단위로 나눈 후, 코사인 유사도(Cosine Similarity), 유클리드 거리(Euclidean Distance), 자카드 유사도(Jaccard Similarity) 등의 수학적 척도(measure)를 이용하여 유사도를 측정한다. 예를 들어, 한국등록특허 제10-1626247호는 온라인 서비스 가능한 유의어 사전 기반의 표절문서 탐색 시스템에 관한 것으로, 원본 문서와 검사대상 문서를 각각 단어 단위로 분할하여 유의어 사전에서 검색된 대표 유의어와 함께 데이터베이스에 저장하는 전처리 과정, 상기 원본 문서 중에서 자카드 계수(Jaccard Coefficient) 기반의 유사도를 기준으로 상기 검사대상 문서와 유사한 제1 문서를 선별하는 과정; 및 상기 제1 문서 중에서 코사인(cosine) 거리 기반의 유사도를 기준으로 상기 검사대상 문서와 유사한 제2 문서를 선별하는 과정을 개시하고 있다.

그러나, 이러한 수학적 척도를 이용한 유사도의 측정은 의미하는 바가 다르지만 텍스트의 중요하지 않은 부분들간의 우연적 일치로 유사도가 과대평가되거나 또는 의미하는 바가 유사하지만 텍스트의 중요하지 않은 부분의 불일치로 유사도가 과소평가되는 문제점이 발생한다. 예를 들어, 제1 텍스트 "ha ha ha ha Let's hang on"과 제2 텍스트 "ha ha ha ha Let's hang out"간의 의미적 유사도는 매우 낮지만, 수학적 척도에서는 중요하지 않은 부분 "ha ha ha ha ha Let's hang"의 우연적 일치로 유사도가 과대평가될 수 있다. 다른 예로, 제3 텍스트 "ha ha ha ha ha ha ha ha, Cheer up"과 제4 텍스트 "Cheer up"간의 의미적 유사도는 매우 높지만, 수학적 척도에서는 중요하지 않은 부분 "ha ha ha ha ha ha ha ha,"의 불일치로 유사도가 과소평가될 수 있다.

다시 말해, 수학적 척도에 따라 측정되는 유사도는 두 텍스트들이 얼마나 유사한 문자들이 포함되어 있는가에 대한 값을 제공할 뿐, 두 텍스트들간의 의미적 유사도에 대해서는 무차별적인 값을 산출한다는 문제점이 있다.

문서들간의 의미적 유사도에 기초하여 문서들간의 중복 여부를 결정할 수 있는 중복 문서 탐지 방법 및 시스템을 제공한다.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 중복 문서 탐지 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍 및 상기 의미적 유사도를 이용하여 유사도 모델을 학습시키는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 유사도 모델을 이용하여 중복 문서를 탐지하는 단계를 포함하는 중복 문서 탐지 방법을 제공한다.

일측에 따르면, 상기 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다.

다른 측면에 따르면, 상기 의미적 유사도를 계산하는 단계는, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시키고, 상기 제1 비선형 함수 및 상기 제2 비선형 함수는 상기 제1 비선형 함수가 동일한 모든 입력 값에 대해 상기 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수인 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 유사도 모델을 학습시키는 단계는, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각을 순차적으로 상기 유사도 모델에 입력하여 상기 유사도 모델의 출력값과 입력된 문서쌍에 대응하는 의미적 유사도간의 평균 제곱 오차(Mean Squared Error, MSE)가 최소화되도록 상기 유사도 모델을 학습시키는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 중복 문서를 탐지하는 단계는, 중복을 탐지하고자 하는 문서 집합으로부터 문서쌍들을 추출하는 단계; 상기 추출된 문서쌍들을 상기 유사도 모델에 순차적으로 입력하여 상기 추출된 문서쌍들 각각의 의미적 유사도를 계산하는 단계; 및 상기 계산된 의미적 유사도가 기설정된 임계값 이상인 문서쌍들을 중복 문서들로서 결정하는 단계를 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 문서쌍들을 추출하는 단계는, 상기 문서 집합의 부분집합들 중 원소의 수가 2인 부분집합들을 문서쌍들로서 추출하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 중복 문서를 탐지하는 단계는, 새로운 문서에 대한 등록 요청에 따라 기 등록된 문서들을 포함하는 문서 집합의 문서들 어느 하나와 상기 새로운 문서를 포함하는 문서쌍을 상기 문서 집합의 문서들 각각에 대해 추출하는 단계; 상기 추출된 문서쌍들을 상기 유사도 모델에 순차적으로 입력하여 상기 추출된 문서쌍들 각각의 의미적 유사도를 계산하는 단계; 상기 계산된 의미적 유사도가 기설정된 제1 임계값 이상인 문서쌍들을 중복 문서들로서 결정하는 단계; 및 상기 중복 문서들로서 결정된 문서쌍들의 수가 기설정된 제2 임계값 이상인 경우, 상기 새로운 문서를 중복 문서로 결정하는 단계를 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 중복 문서를 탐지하는 단계는, 상기 새로운 문서가 중복 문서로 결정된 경우, 상기 새로운 문서를 등록하는 대신 캡차(Captcha)를 노출하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 수학적 유사도를 계산하는 단계는, 상기 수학적 척도로서 코사인 유사도(Cosine Similarity), 유클리드 거리(Euclidean Distance) 및 자카드 유사도(Jaccard Similarity) 중 적어도 하나를 이용하여 상기 수학적 유사도를 계산하는 것을 특징으로 할 수 있다.

컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하고, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산하고, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산하고, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍 및 상기 의미적 유사도를 이용하여 유사도 모델을 학습시키고, 상기 유사도 모델을 이용하여 중복 문서를 탐지하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

문서들간의 의미적 유사도에 기초하여 문서들간의 중복 여부를 결정할 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 있어서, 유사도 모델의 학습 과정의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 중복 문서 탐지 과정의 예를 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 중복 문서 탐지 방법의 예를 도시한 흐름도이다.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

본 발명의 실시예들에 따른 중복 문서 탐지 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 중복 문서 탐지 방법은 중복 문서 탐지 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 중복 문서 탐지 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 중복 문서 탐지 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 컨텐츠 제공 서비스, 그룹 통화 서비스(또는 음성 컨퍼런스 서비스), 메시징 서비스, 메일 서비스, 소셜 네트워크 서비스, 지도 서비스, 번역 서비스, 금융 서비스, 결제 서비스, 검색 서비스 등)를 제공하는 시스템일 수 있다.

도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.

이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(230)은 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다.

또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

본 발명의 실시예들에서 "문서"는 블로그 리스팅이나 뉴스 기사, 댓글 등과 같이 임의의 작성자에 의해 웹상에 업로드된 게시물을 포함할 수 있다. 또한, "속성"은 문서에 대해 미리 정의되는 특징으로서, 일례로 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나에 기반하여 결정될 수 있다. 여기서, 문서의 게시 섹션은 하나의 서비스에서 문서들이 노출되는 섹션들에 기반할 수 있다. 일례로, 두 문서의 게시 섹션이 동일하다는 것은 하나의 서비스에서 문서들이 노출되는 복수의 게시 세션들 중 두 문서가 게시된 게시 세션이 동일한 경우를 의미할 수 있다. 작성자가 속성으로 정의되는 경우, 동일한 작성자의 두 개의 서로 다른 블로그 리스팅들은 동일 속성의 문서들로서 인식될 수 있다. 다른 예로, 작성자, 게시 섹션 및 1시간 범위가 속성으로 정의되는 경우, 동일 작성자에 의해 동일 게시 섹션에 1시간 이내에 등록된 두 개의 댓글들은 동일한 속성의 문서들로 인식될 수 있다. 또한, 본 발명의 실시예들에서 문서들간의 "중복"은 두 문서가 임계값 이상의 의미적 유사도를 갖는 것을 의미할 수 있다. 예를 들어, 문서들간의 의미적 유사도의 값을 0.00 내지 1.00의 범위로 표현하고 중복을 위한 임계값이 0.95라 가정할 때, 문서 1과 문서 2간의 의미적 유사도의 값의 0.97이라면, 문서 1과 문서 2는 중복된 문서들로 결정될 수 있다.

도 3은 본 발명의 일실시예에 있어서, 유사도 모델의 학습 과정의 예를 도시한 도면이다. 중복 문서 탐지 시스템(300)은 앞서 설명한 컴퓨터 장치(200)에 의해 구현될 수 있으며, 컴퓨터 장치(200)가 포함하는 프로세서(220)의 제어에 따라 이후 설명되는 유사도 모델의 학습 과정을 처리할 수 있다.

중복 문서 탐지 시스템(300)은 문서 DB(310)에 포함된 문서들간의 중복 여부를 결정할 수 있다. 이를 위해, 중복 문서 탐지 시스템(300)은 유사도 모델(320)을 학습시킬 수 있다.

문서 DB(310)는 중복 문서 탐지 시스템(300)을 구현하는 물리적인 장치(제1 장치)에 포함되어 문서들을 제공하도록 구현될 수도 있으나, 중복 문서 탐지 시스템(300) 외부의 다른 물리적인 장치(제2 장치)에 구현되어 제1 장치와 제2 장치가 네트워크(170)를 통해 서로 통신하는 형태로 문서들을 제공하도록 구현될 수도 있다.

중복 문서 탐지 시스템(300)은 문서 DB(310)로부터 유사 문서쌍 집합(330)과 비유사 문서쌍 집합(340)을 추출할 수 있다. 여기서, 유사 문서쌍 집합(330)은 미리 정의된 속성이 동일한 문서쌍들의 집합을 의미할 수 있으며, 비유사 문서쌍 집합(340)은 속성을 고려하지 않고 임의로(랜덤하게) 추출된 문서쌍들의 집합을 의미할 수 있다. 실시예에 따라 비유사 문서쌍 집합(340)은 미리 정의된 속성이 동일하지 않은 문서쌍들의 집합을 의미할 수도 있다.

일 실험예에서는 1억 4천만 건의 댓글들 중 미리 정의된 속성의 문서쌍인 "동일 작성자가 동일 게시 섹션에서 1시간 이내에 작성한 문서쌍" 3500만건을 유사 문서쌍 집합(330)으로서 추출하고, 임의의 두 댓글들로 이루어진 3500만건의 문서쌍들을 비유사 문서쌍 집합(340)으로서 추출하였다. 여기서 가설 1은 두 댓글의 추출횟수가 무한대로 증가함에 따라 동일한 속성의 두 댓글의 의미가 유사할 확률 α가 임의로 추출된 두 댓글의 의미가 유사할 확률 β보다 크다는 것이고, 가설 2는 수학적 척도를 이용한 유사도(이하, 수학적 유사도)의 값이 동일하다는 가정하에, 동일한 속성의 두 댓글간의 수학적 유사도는 수학적 척도에 의해 과소평가될 확률이 높고, 임의로 추출된 두 댓글간의 수학적 유사도는 수학적 척도에 의해 과대평가될 확률이 높다는 것이다. 이러한 가설 1 및 가설 2는 일 실험예를 통해 얻어진 수학적 유사도별로 댓글들을 비교하여 확인되었다. 예를 들어, 수학적 유사도가 0.2 이하로 낮은 동일한 두 댓글들간에 의미적/주제적 유사성이 존재하는 경우의 비중이 높았으며, 역으로 수학적 유사도가 0.7 이상으로 높은 임의로 추출된 두 댓글들간에 의미적/주제적 유사성이 보이지 않는 경우의 비중이 높았다.

이러한 확인된 가설에 기반하여 본 실시예에 따른 중복 문서 탐지 시스템(300)은 먼저 유사 문서쌍 집합(330)의 유사 문서쌍 각각과 비유사 문서쌍 집합(340)의 비유사 문서쌍 각각에 대해 수학적 척도를 이용하여 수학적 유사도를 계산할 수 있다. 이때, 중복 문서 탐지 시스템(300)은 계산된 수학적 유사도를 속성의 동일 여부에 따라 증가시키거나 감소시켜 문서쌍들 각각에 대한 의미적 유사도를 결정할 수 있다. 예를 들어, 유사 문서쌍 집합(330)의 유사 문서쌍 각각에 대해 계산된 수학적 유사도는 수학적 유사도의 값이 과소평가된 것으로 간주될 수 있으며, 계산된 수학적 유사도의 값을 적절하게 증가시킴으로써 의미적 유사도를 계산할 수 있다. 역으로, 비유사 문서쌍 집합(340)의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도는 수학적 유사도의 값이 과대평가된 것으로 간주될 수 있으며, 계산된 수학적 유사도의 값을 적절하게 감소시킴으로써 의미적 유사도를 계산할 수 있다.

보다 구체적인 예로, 중복 문서 탐지 시스템(300)은 유사 문서쌍의 수학적 유사도의 값을 제1 비선형 함수에 입력하여 유사 문서쌍의 수학적 유사도의 값을 증가시킬 수 있으며, 비유사 문서쌍의 수학적 유사도의 값을 제2 비선형 함수에 입력하여 비유사 문서쌍의 수학적 유사도의 값을 감소시킬 수 있다. 제1 비선형 함수는 유사 문서쌍에 대해서는 과소평가된 수학적 유사도의 값을 증가시키기 위한 것이고, 제2 비선형 함수는 비유사 문서쌍에 대해서는 과대평가된 수학적 유사도의 값을 감소시키기 위한 것으로, 제1 비선형 함수가 동일한 모든 입력 값에 대해 제2 비선형 함수보다 높은 값을 산출한다는 조건을 만족하는 두 개의 비선형 함수들이라면 제1 비선형 함수 및 제2 비선형 함수로 활용될 수 있다.

문서쌍들에 대해 계산된 의미적 유사도는 유사도 모델(320)을 위한 정답 스코어로 간주될 수 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 유사 문서쌍 집합(330), 비유사 문서쌍 집합(340), 그리고 정답 스코어를 학습 데이터로 활용하여 유사도 모델(320)을 학습시킬 수 있다. 예를 들어, 유사도 모델(320)은 입력되는 문서쌍에 대해 의미적 유사도를 산출하도록 학습될 수 있다.

보다 구체적인 예로, 유사도 모델(320)은 입력되는 문서쌍들에 대해 출력값이 정답 스코어와의 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하도록 학습될 수 있다. 예를 들어, 유사도 모델(320)은 평균 제곱 오차를 이용한 손실함수에 출력값과 정답 스코어를 입력하여 손실이 최소화되도록 학습될 수 있다. 한편, 유사도 모델(320)로는 이미 잘 알려진 딥 러닝 모델들 중 적어도 하나가 활용될 수 있다. 예를 들어, CNN(Convolutional Neural Network)나 RNN(Recurrent Neural Network) 등이 유사도 모델(320)을 구현하기 위해 활용될 수 있다. 이 경우, 유사도 모델(320)은 문서쌍을 입력받아 0 내지 1 범위의 실수(의미적 유사도)를 출력하도록 구현될 수 있다. 출력되는 값의 범위는 하나의 예시일 뿐, 0 내지 1의 범위로 한정되는 것은 아니다.

학습된 유사도 모델(320)은 문서들간의 중복 여부를 탐지하기 위해 활용될 수 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 다수의 댓글들이 등록된 상태에서 작성자가 새로운 댓글의 등록을 요청하였을 때, 작성자의 새로운 댓글과 중복되는 댓글들을 탐지할 수 있다. 이때, 중복 문서 탐지 시스템(300)은 중복되는 댓글들이 N건 이상 탐지되는 경우, 캡차(Captcha)를 노출하여 중복되는 새로운 댓글의 무분별한 등록을 방지할 수 있다.

도 4는 본 발명의 일실시예에 있어서, 중복 문서 탐지 과정의 예를 도시한 도면이다. 중복 문서 탐지 시스템(300)은 앞서 설명한 컴퓨터 장치(200)에 의해 구현될 수 있으며, 컴퓨터 장치(200)가 포함하는 프로세서(220)의 제어에 따라 이후 설명되는 중복 문서 탐지 과정을 처리할 수 있다.

중복 문서 탐지 시스템(300)은 기 등록된 문서 집합(410)들을 관리할 수 있다. 이때, 문서 집합(410)은 일례로 특정한 서비스를 제공하는 서버(일례로, 서버(150))에 기 등록된 문서들의 집합일 수 있다. 여기서, 중복 문서 탐지 시스템(300)은 서버에 포함되어 서버를 위한 중복 문서 탐지 서비스를 제공하거나 또는 별도의 물리적인 장치에 의해 구현된 중복 문서 탐지 시스템(300)이 네트워크(170)를 통해 서버와 통신하면서 서버로 중복 문서 탐지 서비스를 제공할 수 있다. 이때, 새로운 문서 a에 대한 등록이 요청되면, 중복 문서 탐지 시스템(300)은 새로운 문서 a의 기 등록된 문서들 각각에 대한 중복 여부를 탐지할 수 있다. 예를 들어, 문서 집합(410)이 문서 1부터 문서 N까지 N 개의 기 등록된 문서들을 포함한다고 가정한다. 이 경우, 중복 문서 탐지 시스템(300)은 문서 a에 대한 문서 집합(410)의 문서들 각각에 대한 문서쌍들(420)을 생성할 수 있다. 이후, 중복 문서 탐지 시스템(300)은 문서쌍들(420) 각각을 순차적으로 유사도 모델(320)에 입력할 수 있으며, 유사도 모델(320)은 문서쌍들(420) 각각에 대한 의미적 유사도를 결정하여 출력할 수 있다. 이 경우, 중복 문서 탐지 시스템(300)은 의미적 유사도가 임계값 이상인 문서쌍들(430)을 중복 문서쌍들로서 결정하고, 중복 문서쌍들의 수에 기초하여 새로운 문서 a의 등록 여부를 결정할 수 있다. 예를 들어, 중복 문서 탐지 시스템(300)은 중복 문서쌍들의 수가 M건 미만인 경우에 새로운 문서 a의 등록 요청에 따라 새로운 문서 a를 등록하는 반면, 중복 문서쌍들의 수가 M건 이상인 경우에는 새로운 문서 a의 등록 요청에 대해 캡차를 노출하여 중복 문서의 무분별한 등록을 방지할 수 있다. 이때, 새로운 문서 a의 등록이나 캡차의 노출 등은 새로운 문서 a의 등록 요청에 응답하여 이루어져야 한다. 다시 말해, 새로운 문서들에 대한 중복 문서 탐지가 실시간으로 이루어질 수 있다. 이는 본 발명의 실시예들에 따른 중복 문서 탐지 방법이 문서들에 대한 클러스터링과 같은 군집화 알고리즘을 활용하는 것이 아니라, 두 문서간의 유사도를 학습하는 딥 러닝을 활용함에 따라 가능해질 수 있다.

한편, 도 2의 실시예는 중복 문서 탐지에 기반하여 새로운 문서의 등록 여부를 결정하는 과정을 설명하고 있으나, 위 설명을 통해 기 등록된 문서들 중에서 중복 문서들을 탐지하는 과정을 쉽게 이해할 수 있을 것이다. 예를 들어, 중복 문서 탐지 시스템(300)은 문서 집합(410)에 포함된 문서들 전체에 대한 문서쌍들을 생성할 수 있다. 이때, 생성되는 문서쌍들은 문서 집합(410)의 부분집합 중 원소의 수가 2인 부분집합들일 수 있다. 생성된 문서쌍들 각각을 유사도 모델(320)에 입력하여 문서쌍들 각각에 대한 의미적 유사도를 계산할 수 있으며, 의미적 유사도가 임계값 이상인 문서쌍들을 중복 문서들로서 확인할 수 있게 된다.

다른 실시예로, 오탐률을 최소화하기 위해, 수학적 척도를 이용하여 계산된 수학적 유사도와 본 발명의 실시예들에 따른 의미적 유사도가 결합된 조건에 따라 문서들간의 중복 여부가 결정될 수도 있다. 예를 들어, 계산된 수학적 유사도와 의미적 유사도에 대한 가중합이 두 문서들간의 최종 유사도로서 활용될 수 있다.

도 5는 본 발명의 일실시예에 따른 중복 문서 탐지 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 중복 문서 탐지 방법은 앞서 설명한 중복 문서 탐지 시스템(300)을 구현하는 컴퓨터 장치(200)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(200)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 5의 방법이 포함하는 단계들(510 내지 550)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.

단계(510)에서 컴퓨터 장치(200)는 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출할 수 있다. 일례로, 문서 데이터베이스는 앞서 도 3을 통해 설명한 문서 DB(310)에 대응할 수 있으며, 유사 문서쌍 집합과 비유사 문서쌍 집합은 각각 도 3을 통해 설명한 유사 문서쌍 집합(330) 및 비유사 문서쌍 집합(340)에 대응할 수 있다. 여기서, 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함할 수 있다. 일례로, 작성자가 속성으로 정의되는 경우, 동일한 작성자의 두 개의 서로 다른 문서들은 동일한 속성을 갖는 문서들로서 인식될 수 있다. 다른 예로, 작성자, 게시 섹션 및 1시간 범위가 속성으로 정의되는 경우, 동일 작성자에 의해 동일 게시 섹션에 1시간 이내에 등록한 두 개의 문서들이 동일한 속성의 문서들로 인식될 수 있다. 비유사 문서쌍은 랜덤하게 추출되는 두 개의 문서들을 포함할 수 있으나, 실시예에 따라 랜덤하게 추출된 문서쌍들 중 동일한 속성을 갖는 문서쌍들은 비유사 문서쌍에서 제외될 수도 있다.

단계(520)에서 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산할 수 있다. 일례로, 컴퓨터 장치(200)는 수학적 척도로서 코사인 유사도(Cosine Similarity), 유클리드 거리(Euclidean Distance) 및 자카드 유사도(Jaccard Similarity) 중 적어도 하나를 이용하여 수학적 유사도를 계산할 수 있다.

단계(530)에서 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산할 수 있다. 예를 들어, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시킬 수 있다. 이 경우, 제1 비선형 함수 및 제2 비선형 함수는 제1 비선형 함수가 동일한 모든 입력 값에 대해 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수들일 수 있다. 유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과소평가되고, 비유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과대평가됨에 대해서는 이미 자세히 설명한 바 있다. 컴퓨터 장치(200)는 과소평가된 수학적 유사도는 증가시키고, 과대평가된 수학적 유사도는 감소시켜 의미적 유사도를 계산할 수 있다. 수학적 유사도를 증가 또는 감소시키는 정도는 선택되는 제1 비선형 함수 및 제2 비선형 함수에 따라 결정될 수 있다.

단계(540)에서 컴퓨터 장치(200)는 복수의 유사 문서쌍, 복수의 비유사 문서쌍 및 의미적 유사도를 이용하여 유사도 모델을 학습시킬 수 있다. 예를 들어, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각을 순차적으로 유사도 모델에 입력하여 유사도 모델의 출력값과 입력된 문서쌍에 대응하는 의미적 유사도간의 평균 제곱 오차(Mean Squared Error, MSE)가 최소화되도록 유사도 모델을 학습시킬 수 있다. 이는 평균 제곱 오차를 이용한 손실함수에 유사도 모델의 출력값과 대응하는 의미적 유사도를 정답 스코어로서 입력하여 손실이 최소화되도록 유사도 모델을 학습시키는 것에 대응될 수 있다. 이러한 유사도 모델에 대해서는 도 3 및 도 4를 통해 설명한 유사도 모델(320)을 통해 이미 자세히 설명한 바 있다.

단계(550)에서 컴퓨터 장치(200)는 유사도 모델을 이용하여 중복 문서를 탐지할 수 있다.

일실시예로, 컴퓨터 장치(200)는 단계(550)에서 중복을 탐지하고자 하는 문서 집합으로부터 문서쌍들을 추출할 수 있으며, 추출된 문서쌍들을 유사도 모델에 순차적으로 입력하여 추출된 문서쌍들 각각의 의미적 유사도를 계산할 수 있다. 여기서, 문서 집합으로부터 문서쌍들을 추출하기 위해, 컴퓨터 장치(200)는 문서 집합의 부분집합들 중 원소의 수가 2인 부분집합들을 문서쌍들로서 추출할 수 있다. 이 경우, 컴퓨터 장치(200)는 계산된 의미적 유사도가 기설정된 임계값 이상인 문서쌍들을 중복 문서들로서 결정할 수 있다. 이 경우, 문서 집합의 모든 문서쌍들에 대해 중복 문서 여부가 결정될 수 있다.

다른 실시예로, 컴퓨터 장치(200)는 단계(550)에서 새로운 문서에 대한 등록 요청에 따라 기 등록된 문서들을 포함하는 문서 집합의 문서들 어느 하나와 새로운 문서를 포함하는 문서쌍을 문서 집합의 문서들 각각에 대해 추출하고, 추출된 문서쌍들을 유사도 모델에 순차적으로 입력하여 추출된 문서쌍들 각각의 의미적 유사도를 계산하고, 계산된 의미적 유사도가 기설정된 제1 임계값 이상인 문서쌍들을 중복 문서들로서 결정할 수 있다. 이때, 컴퓨터 장치(200)는 중복 문서들로서 결정된 문서쌍들의 수가 기설정된 제2 임계값 이상인 경우, 새로운 문서를 중복 문서로 결정할 수 있다. 예를 들어, 컴퓨터 장치(200)는 새로운 문서가 등록되는 시점에 새로운 문서와 중복되는 문서들을 확인하여 중복되는 문서들의 수가 기설정된 제2 임계값 이상인 경우, 새로운 문서를 중복 문서로서 결정할 수 있다. 이 경우, 컴퓨터 장치(200)는 새로운 문서를 등록하는 대신 캡차(Captcha)를 노출함으로써, 중복되는 문서들의 무분별한 등록을 방지할 수 있다.

이와 같이, 본 발명의 실시예들에 따르면, 문서들간의 의미적 유사도에 기초하여 문서들간의 중복 여부를 결정할 수 있다.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 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 어플리케이션을 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 장치에 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 기록매체에 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. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 중복 문서 탐지 방법에 있어서,
상기 적어도 하나의 프로세서에 의해, 문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각에 대해 수학적 척도를 이용하여 제1 수학적 유사도를 계산하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용하여 제2 수학적 유사도를 계산하는 단계;
상기 적어도 하나의 프로세서에 의해, 유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과소평가된다는 가정에 따라 상기 제1 수학적 유사도를 증가시켜, 상기 복수의 유사 문서쌍 각각에 대한 제1 의미적 유사도를 계산하는 단계;
상기 적어도 하나의 프로세서에 의해, 비유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과대평가된다는 가정에 따라 상기 제2 수학적 유사도를 감소시켜, 상기 복수의 비유사 문서쌍 각각에 대한 제2 의미적 유사도를 계산하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍, 상기 제1 의미적 유사도 및 상기 제2 의미적 유사도를 이용하여 유사도 모델을 학습시키는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 유사도 모델을 이용하여 중복 문서를 탐지하는 단계
를 포함하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함하는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 제1 의미적 유사도를 계산하는 단계는,
상기 제1 수학적 유사도를 제1 비선형 함수에 입력하여 증가시켜 상기 제1 의미적 유사도를 계산하고,
상기 제2 의미적 유사도를 계산하는 단계는,
상기 제2 수학적 유사도를 제2 비선형 함수에 입력하여 감소시켜 상기 제2 의미적 유사도를 계산하고,
상기 제1 비선형 함수 및 상기 제2 비선형 함수는 상기 제1 비선형 함수가 동일한 모든 입력 값에 대해 상기 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수인 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 유사도 모델을 학습시키는 단계는,
상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각을 순차적으로 상기 유사도 모델에 입력하여 상기 유사도 모델의 출력값과 입력된 문서쌍에 대응하는 의미적 유사도간의 평균 제곱 오차(Mean Squared Error, MSE)가 최소화되도록 상기 유사도 모델을 학습시키는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 중복 문서를 탐지하는 단계는,
중복을 탐지하고자 하는 문서 집합으로부터 문서쌍들을 추출하는 단계;
상기 추출된 문서쌍들을 상기 유사도 모델에 순차적으로 입력하여 상기 추출된 문서쌍들 각각의 의미적 유사도를 계산하는 단계; 및
상기 계산된 의미적 유사도가 기설정된 임계값 이상인 문서쌍들을 중복 문서들로서 결정하는 단계
를 포함하는 것을 특징으로 하는 중복 문서 탐지 방법.
제5항에 있어서,
상기 문서쌍들을 추출하는 단계는,
상기 문서 집합의 부분집합들 중 원소의 수가 2인 부분집합들을 문서쌍들로서 추출하는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 중복 문서를 탐지하는 단계는,
새로운 문서에 대한 등록 요청에 따라 기 등록된 문서들을 포함하는 문서 집합의 문서들 어느 하나와 상기 새로운 문서를 포함하는 문서쌍을 상기 문서 집합의 문서들 각각에 대해 추출하는 단계;
상기 추출된 문서쌍들을 상기 유사도 모델에 순차적으로 입력하여 상기 추출된 문서쌍들 각각의 의미적 유사도를 계산하는 단계;
상기 계산된 의미적 유사도가 기설정된 제1 임계값 이상인 문서쌍들을 중복 문서들로서 결정하는 단계; 및
상기 중복 문서들로서 결정된 문서쌍들의 수가 기설정된 제2 임계값 이상인 경우, 상기 새로운 문서를 중복 문서로 결정하는 단계
를 포함하는 것을 특징으로 하는 중복 문서 탐지 방법.
제7항에 있어서,
상기 중복 문서를 탐지하는 단계는,
상기 새로운 문서가 중복 문서로 결정된 경우, 상기 새로운 문서를 등록하는 대신 캡차(Captcha)를 노출하는 것을 특징으로 하는 중복 문서 탐지 방법.
제1항에 있어서,
상기 제1 수학적 유사도를 계산하는 단계 및 상기 제2 수학적 유사도를 계산하는 단계 중 적어도 하나의 단계는,
상기 수학적 척도로서 코사인 유사도(Cosine Similarity), 유클리드 거리(Euclidean Distance) 및 자카드 유사도(Jaccard Similarity) 중 적어도 하나를 이용하여 수학적 유사도를 계산하는 것을 특징으로 하는 중복 문서 탐지 방법.
컴퓨터 장치와 결합되어 제1항 내지 제9항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
제1항 내지 제9항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.
컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서에 의해,
문서 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하고,
상기 복수의 유사 문서쌍 각각에 대해 수학적 척도를 이용하여 제1 수학적 유사도를 계산하고,
상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용하여 제2 수학적 유사도를 계산하고,
유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과소평가된다는 가정에 따라 상기 제1 수학적 유사도를 증가시켜, 상기 복수의 유사 문서쌍 각각에 대한 제1 의미적 유사도를 계산하고,
비유사 문서쌍에 대한 수학적 유사도가 수학적 척도에 의해 과대평가된다는 가정에 따라 상기 제2 수학적 유사도를 감소시켜, 상기 복수의 비유사 문서쌍 각각에 대한 제2 의미적 유사도를 계산하고,
상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍, 상기 제1 의미적 유사도 및 상기 제2 의미적 유사도를 이용하여 유사도 모델을 학습시키고,
상기 유사도 모델을 이용하여 중복 문서를 탐지하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서에 의해,
상기 제1 수학적 유사도를 제1 비선형 함수에 입력하여 증가시켜 상기 제1 의미적 유사도를 계산하고,
상기 제2 수학적 유사도를 제2 비선형 함수에 입력하여 감소시켜 상기 제2 의미적 유사도를 계산하고,
상기 제1 비선형 함수 및 상기 제2 비선형 함수는 상기 제1 비선형 함수가 동일한 모든 입력 값에 대해 상기 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수인 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서에 의해,
상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각을 순차적으로 상기 유사도 모델에 입력하여 상기 유사도 모델의 출력값과 입력된 문서쌍에 대응하는 의미적 유사도간의 평균 제곱 오차(Mean Squared Error, MSE)가 최소화되도록 상기 유사도 모델을 학습시키는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서에 의해,
중복을 탐지하고자 하는 문서 집합으로부터 문서쌍들을 추출하고,
상기 추출된 문서쌍들을 상기 유사도 모델에 순차적으로 입력하여 상기 추출된 문서쌍들 각각의 의미적 유사도를 계산하고,
상기 계산된 의미적 유사도가 기설정된 임계값 이상인 문서쌍들을 중복 문서들로서 결정하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서에 의해,
새로운 문서에 대한 등록 요청에 따라 기 등록된 문서들을 포함하는 문서 집합의 문서들 어느 하나와 상기 새로운 문서를 포함하는 문서쌍을 상기 문서 집합의 문서들 각각에 대해 추출하고,
상기 추출된 문서쌍들을 상기 유사도 모델에 순차적으로 입력하여 상기 추출된 문서쌍들 각각의 의미적 유사도를 계산하고,
상기 계산된 의미적 유사도가 기설정된 제1 임계값 이상인 문서쌍들을 중복 문서들로서 결정하고,
상기 중복 문서들로서 결정된 문서쌍들의 수가 기설정된 제2 임계값 이상인 경우, 상기 새로운 문서를 중복 문서로 결정하는 것
을 특징으로 하는 컴퓨터 장치.