KR102545892B1

KR102545892B1 - 텍스트 분류를 위한 학습 데이터를 생성하는 방법

Info

Publication number: KR102545892B1
Application number: KR1020220158998A
Authority: KR
Inventors: 박성민; 김경호; 이지화
Original assignee: 주식회사 액션파워
Priority date: 2022-11-24
Filing date: 2022-11-24
Publication date: 2023-06-21

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는 텍스트 분류를 위한 학습 데이터를 생성하는 방법이 개시된다. 상기 방법은 텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하는 단계; 상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계; 및 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계를 포함할 수 있다.

Description

텍스트 분류를 위한 학습 데이터를 생성하는 방법{METHOD FOR GENERATING TRAINING DATA FOR TEXT CLASSIFICATION}

본 발명은 텍스트 분류를 위한 학습 데이터를 생성하는 방법에 관한 것으로, 보다 구체적으로, 특정 텍스트가 어떤 카테고리에 관한 것인지 분류하는 텍스트 분류 모델을 학습시키기 위한 학습 데이터를 생성하는 방법에 관한 것이다.

텍스트 분류(Text Classification) 모델은 입력 받은 텍스트가 어떤 카테고리(category)에 속하는지 분류하는 모델이다. 하지만, 이러한 텍스트 분류 모델을 학습시키기 위한 학습 데이터가 부족한 경우가 많고, 특히, 텍스트(text)와 이를 분류할 후보 카테고리(category)에 대한 정보는 있으나, 텍스트(text)가 후보 카테고리(category)중 어느 카테고리(category)에 속하는지 레이블링(labeling)이 되어 있지 않은 경우가 많다.

따라서, 텍스트 분류 모델의 학습 데이터 생성과 관련하여, 시드-워드(Seed-word)를 활용하여 수도 레이블링(pseudo-labeling)을 수행하는 방법이 사용되고 있으나, 시드-워드를 활용하는 방식에도 여러 문제가 존재하였다. 예를 들어, 시드-워드를 활용하는 방식은, 시드-워드 결정과 관련하여 많은 하이퍼파라미터(hyperparameter)를 설정해야 하는 문제가 있었다. 구체적으로, 시드-워드를 활용하는 방식은, 레이블마다, 그리고 분류하는 문서마다 추출하는 시드-워드의 개수를 매번 임의로 정해주어야 하는 문제가 있었다. 따라서, 이러한 하이퍼파라미터 때문에, 데이터 셋마다 알고리즘의 성능이 일관적이지 못하고 확률 계산의 부정확성을 야기할 수 있었다. 또한, 시드-워드를 활용하는 방식은, 테스트 셋(test set)의 사이즈가 작을수록 성능이 급격하게 떨어진다는 문제가 있었다.

대한민국 등록특허 제10-2365875호(2022.02.17)는 언어 모델을 기초로 생성된 인공신경망을 이용한 텍스트 분류 및 분석 방법 및 이를 이용한 장치에 관하여 개시한다.

본 개시는, 새로운 방식의 수도 레이블링(pseudo-labeling)에 기초하여, 텍스트 분류 모델을 학습시키기 위한 학습 데이터를 생성하는 것을 해결 과제로 한다.

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, 텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하는 단계; 상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계; 및 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계는, 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계; 및 상기 복수의 후보 카테고리들 각각에 대한 연관도에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 텍스트 정보에 대한 학습용 카테고리 정보는, 상기 복수의 후보 카테고리들 중 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보; 또는 상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 관한 정보 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 상기 방법은, 상기 텍스트 정보에 대한 학습용 카테고리 정보에 기초하여, 상기 텍스트 정보에 대한 레이블링(labeling) 정보를 생성하는 단계를 더 포함하고, 상기 텍스트 정보에 대한 레이블링(labeling) 정보를 생성하는 단계는, 상기 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성하는 단계; 또는 상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

일 실시예에서, 상기 추가 텍스트 정보를 생성하는 단계는, 상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하는 제 1 추가 텍스트 정보를 생성하는 단계; 또는 질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 포함하는 제 2 추가 텍스트 정보를 생성하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

일 실시예에서, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계는, 텍스트 분류 과업(task)과는 상이한 과업을 수행하는 하나 이상의 보조 모델을 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 하나 이상의 보조 모델은, 분류 과업(classification) 이외의 과업을 수행하는 하나 이상의 단일-과업(single-task) 모델을 포함할 수 있다.

일 실시예에서, 상기 하나 이상의 보조 모델은, 텍스트 정보들 사이의 함의(entailment) 확률을 연산하는 과업을 수행하는 제 1 모델; 질의 문장과 보기들 사이의 정답 확률을 연산하는 과업을 수행하는 제 2 모델; 또는 텍스트 정보들이 이웃하여 배치될 확률을 연산하는 과업을 수행하는 제 3 모델 중 적어도 하나의 모델을 포함할 수 있다.

일 실시예에서, 상기 제 1 모델은 함의(Entailment) 분석 모델을 포함하고, 상기 제 2 모델은 QA(Question Answering) 모델을 포함하고, 상기 제 3 모델은 NSP(Next Sentence Prediction) 모델을 포함할 수 있다.

일 실시예에서, 상기 하나 이상의 보조 모델을 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계는, 상기 제 1 모델, 상기 제 2 모델 또는 상기 제 3 모델 중 적어도 하나를 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계; 및 상기 복수의 후보 카테고리들 각각에 대한 연관도에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 추가 텍스트 정보는, 상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하고, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계는, 상기 텍스트 정보와 상기 복수의 후보 문장들 각각 사이의 함의 확률을 연산하는 단계; 및 상기 연산된 함의 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계를 포함할 수 있다.

일 실시예에서, 상기 추가 텍스트 정보는, 상기 텍스트 정보와 관련된 질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 포함하고, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계는, 상기 질의 문장에 대하여, 상기 복수의 보기들 각각이 정답에 해당할 확률을 나타내는 정답 확률을 연산하는 단계; 및 상기 연산된 정답 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계를 포함할 수 있다.

일 실시예에서, 상기 추가 텍스트 정보는, 상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하고, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계는, 상기 텍스트 정보에 후속하여 상기 복수의 후보 문장들 각각이 나타날 배치 확률을 연산하는 단계; 및 상기 연산된 배치 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계를 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, 상기 하나 이상의 프로세서로 하여금 텍스트 분류를 위한 학습 데이터를 생성하는 이하의 동작들을 수행하도록 하며, 상기 동작들은: 텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하는 동작; 상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 동작; 및 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 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, 텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하고; 상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하고; 그리고 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하도록 구성될 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 텍스트 분류 모델을 학습시키기 위한 방법이 개시된다. 상기 방법은, 텍스트 정보와 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계; 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 레이블링(labeling) 정보를 생성하는 단계; 및 상기 텍스트 정보 및 상기 레이블링 정보에 기초하여 상기 텍스트 분류 모델을 학습시키는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 컴퓨팅 장치에 의해 수행되는, 텍스트 분류 방법이 개시된다. 상기 방법은, 신경망 모델에 텍스트 정보를 입력하는 단계; 및 상기 신경망 모델에 기초하여, 상기 텍스트 정보에 대한 카테고리를 예측하는 단계를 포함하고, 상기 신경망 모델은, 학습용 텍스트 정보 및 상기 학습용 텍스트 정보에 대한 레이블링(labeling) 정보에 기초하여 학습된 신경망 모델이고, 상기 학습용 텍스트 정보에 대한 레이블링(labeling) 정보는, 상기 학습용 텍스트 정보, 및 상기 학습용 텍스트 정보와 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보에 기초하여 산출된 레이블링 정보에 대응된다.

본 개시는, 새로운 방식의 수도 레이블링(pseudo-labeling)에 기초하여, 텍스트 분류 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다. 예를 들어, 본 개시는, 하나 이상의 단일-과업(single-task) 모델에 기초하여 특정 텍스트(text)에 대해 수도 레이블링(pseudo-labeling)을 수행하는 새로운 방식에 기초하여, 텍스트 분류 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다. 따라서, 본 개시는 학습 데이터가 부족한 EWS(Extremely Weak supervision) 환경에서도 텍스트 분류(Text Classification)를 위한 학습 데이터를 생성할 수 있다. 또한, 본 개시는, 시드-워드(seed-word) 기반으로 수도-레이블링(pseudo-labeling)하는 경우 발생하던 종래의 문제점을 해결할 수 있다.

또한, 본 개시는, 데이터 효율적이고 사용이 편리한 단일-과업 모델을 활용하여 텍스트 분류 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다. 예를 들어, 본 개시는, 데이터 효율적이고 사용이 편리한, 함의(Entailment) 분석 모델, QA(Question Answering) 모델, NSP(Next Sentence Prediction) 모델 등의 단일-과업 모델을 활용하여 수도-레이블링(pseudo-labeling)을 수행할 수 있으며, 이를 통해 레이블링의 정확도를 더욱 개선할 수 있다.

또한, 본 개시는, 분류(classification)와 관련된 학습 데이터가 거의 없는 상황에서도 텍스트 분류 모델을 학습시키기 위한 학습 데이터를 효율적으로 생성할 수 있다. 예를 들어, 본 개시는, 분류 이외의 다른 과업을 수행하는 모델을 활용하여 텍스트 분류를 위한 학습 데이터를 생성할 수 있으므로, 분류와 관련된 학습데이터가 거의 없는 상황에서도 텍스트 분류 모델을 학습시키기 위한 학습 데이터를 효율적으로 생성할 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 텍스트 분류를 위한 학습 데이터를 생성하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 텍스트 분류를 위한 학습 데이터를 생성하는 방법에 대한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 함의(Entailment) 분석 모델을 활용하여 연관도를 분석하는 동작에 대한 개략적인 순서도이다.
도 5는 본 개시의 일 실시예에 따른 QA(Question Answering) 모델을 활용하여 연관도를 분석하는 동작에 대한 개략적인 순서도이다.
도 6은 본 개시의 일 실시예에 따른 NSP(Next Sentence Prediction) 모델을 활용하여 연관도를 분석하는 동작에 대한 개략적인 순서도이다.
도 7은 본 개시의 일 실시예에 따라 학습 데이터를 생성하고, 생성된 학습 데이터에 기초하여 신경망 모델을 학습시키는 방법을 나타낸 순서도이다.
도 8은 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 판독 가능한 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 달려있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

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 상호교환가능하게 사용될 수 있다.

도 1은 본 개시의 일 실시예에 따른 텍스트 분류를 위한 학습 데이터를 생성하기 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, 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 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 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 개시의 일 실시예에 따르면, 이하에서 언급되는 텍스트 분류(Text Classification)란, 입력된 텍스트가 미리 결정된 후보 카테고리(category)들 중 어떤 카테고리(category)에 속하는지 분류하는 것을 의미한다. 또한, 텍스트 분류(Text Classification) 모델은 입력된 텍스트가 각 후보 카테고리(category)로 분류될 확률을 계산하여, 가장 높은 확률의 카테고리(category)를 결과값으로 출력한다. 일 실시예에서, 상기 텍스트 분류 모델은, 트랜스포머 인코더 모델을 이용할 수 있다. 여기서 상기 트랜스포머 인코더 모델은 비지도 학습(unsupervised learning)을 통해 훼손된 문장을 복원하는 훈련을 하고, 이 과정에서 언어의 특징에 대해 학습할 수 있다. 또한, 상기 트랜스포머 인코더 모델은, 텍스트를 입력 받은 뒤에, 상기 텍스트를 해석하여 상기 텍스트에 대한 은닉 상태(hidden state) 벡터를 출력할 수 있다. 또한, 상기 텍스트 분류 모델은, 상기 트랜스포머 인코더 모델에 의해 출력된 벡터를

(여기서, d는 인코더의 hidden state dimension, C는 카테고리 개수)로 매핑(mapping)해주는 뉴럴 네트워크 H_c에 입력할 수 있으며, 이러한 동작을 통해 상기 텍스트를 특정 카테고리로 분류할 수 있다. 한편, H_c는 인코더의 출력 벡터에서 한 개의 카테고리를 뽑아내는 네트워크이며, 학습시에는 H_c와 인코더가 같이 최적화될 수 있다.

또한, 텍스트 분류 모델을 학습시킬 수 있는 학습 데이터(텍스트-정답 카테고리 pair)가 많은 경우에는, 해당 학습 데이터로 지도 학습(supervised learning)을 수행하여 모델을 학습시키면 되지만, 텍스트 분류 분야에서는 현실적으로 완전한 학습 데이터가 부족하다. 예를 들어, 텍스트 분야에서는, 많은 텍스트가 존재하고, 그 많은 텍스트를 분류할 후보 카테고리들에 대한 정보(예를 들어, 시사/종교/과학/정치/사회 등)가 결정되어 있지만, 그 많은 텍스트들이 각각 어느 후보 카테고리에 속하는지에 대해서는 레이블링(labeling)되어 있지 않은 경우가 많다. 즉, 텍스트 분류(Text Classification) 분야에서는 매우 적은 학습 데이터만이 존재하므로, 매우 적은 정답 데이터로 학습하고 분류(classification)를 수행해야 한다(즉, 텍스트 분류 분야는 EWS(Extremely Weakly Supervision) 환경에 해당한다).

상기 문제를 극복하기 위한 기존 연구에는, 표 1에 도시된 바와 같이 카테고리 별 시드-워드(seed-word) 기반으로 각 텍스트에 시드-워드(seed-word)가 많이 포함되었는지 여부를 기준으로 카테고리(category)를 결정하고, 수도-레이블링(Pseudo-labeling)하여 학습 데이터를 생성하였다. 참고로, 표 1은 기존 수도-레이블링(Pseudo-labeling)을 위한 카테고리(category)별 시드-워드(=category vocabulary)이다. 이렇게 수도-레이블링(Pseudo-labeling)된 학습 데이터로 지도 학습(supervised learning)이 가능하다. 예컨대, 수도-레이블링(Pseudo-labeling)은 카테고리 후보 중 하나를 정답으로 간주하고 트레이닝 시키는 하드 라벨(hard label)과, 카테고리마다 예측 확률을 모두 학습시키는 소프트 라벨(soft label) 두 가지로 추출된다. 통상적으로 소프트 라벨(soft label)을 이용해서 불확실성 인식 훈련(uncertainty-aware training)을 할 때 학습된 모델의 분류 성능이 극대화될 수 있다.

[표 1]

본 개시는, 텍스트 분류(Text Classification) 모델의 학습과 관련하여, 학습 데이터가 부족한 경우가 많고, 특히 텍스트(text)와 이를 분류할 후보 카테고리(category)에 대한 정보는 있으나 텍스트(text)가 후보 카테고리(category) 중 어느 카테고리(category)에 속하는지 레이블링(labeling)이 되어 있지 않은 문제점을 해결하고자 한다.

예를 들어, 본 개시는, 텍스트 함의(Textual Entailment)모델, QA모델, NSP(Next Sentence Prediction) 모델 등에 기초하여, 해당 텍스트(text)에 대해 수도 레이블링(Pseudo-labeling)을 수행함으로써, 텍스트 분류와 관련된 학습 데이터를 생성할 수 있으며, 이를 통해 상기의 문제점들을 해결할 수 있다. 일 실시예에서, 본 개시는 ① "해당 텍스트(text)가 각 후보 카테고리(category)에 속한다(예컨대, Entailment 또는 NSP 모델을 사용하는 경우)"는 각 후보 문장을 생성하거나, "해당 텍스트(text)가 어떤 카테고리(category)에 속할까요(예컨대, QA모델을 사용하는 경우)"라는 질의문 및 각 후보 카테고리(category)보기들을 생성하고, ② 함의(Entailment) 모델 또는 NSP 모델을 이용하여 해당 텍스트(text)와 각 후보 문장 간의 연관도를 예측하거나, QA모델을 사용하여 각 후보 텍스트(text)보기들 중 질의문에 대한 정답일 가능성을 예측하고, ③ 연관도가 가장 높은 후보 문장의 카테고리(category) 또는 가능성이 가장 높은 보기의 카테고리(category)를 타겟 카테고리로 결정하여 해당 텍스트(text)를 타겟 카테고리로 수도-레이블링(pseudo-labeling)함으로써 텍스트 분류를 위한 학습 데이터를 생성할 수 있다. 또한, 본 개시는, 이러한 방식 이외에도 후술할 다양한 방식을 활용하여, 텍스트 분류를 위한 학습 데이터를 생성할 수 있다.

한편, 본 개시는 생성된 학습 데이터를 이용해 텍스트 분류 모델을 학습(예컨대, 수도-레이블링(pseudo-labeling)한 정답 데이터로 텍스트 분류 모델을 지도학습(supervised learning))시키고, 해당 모델로 수행대상 텍스트에 대해 카테고리(category)를 분류할 수 있다.

이하에서, 도 3을 참조하여, "텍스트 분류를 위한 학습 데이터를 생성하는 방법"에 대해 보다 자세히 설명하고자 한다.

도 3은 본 개시의 일 실시예에 따른 "텍스트 분류를 위한 학습 데이터를 생성하는 방법"에 대한 흐름도이다.

도 3을 참조하면, 본 개시의 일 실시예에 따른 "텍스트 분류를 위한 학습 데이터를 생성하는 방법"은, 텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하는 단계(S110), 상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계(S120), 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계(S130), 상기 텍스트 정보에 대한 학습용 카테고리 정보에 기초하여, 텍스트 정보에 대한 레이블링(labeling) 정보를 생성하는 단계(S140) 등을 포함할 수 있다. S110, S120, S130, S140 단계들과 관련된 세부 내용들은 이하에서 살펴본다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득할 수 있다(S110). 예를 들어, 텍스트 정보는 레이블링(labeling)을 수행할 대상 텍스트로서 신문, 뉴스, 논문 등에 포함된 텍스트일 수 있다. 또한, 복수의 후보 카테고리들은, 시사, 종교, 과학, 정치 사회 등 특정 범주, 부류에 포함될 수 있는 종류를 의미할 수 있다. 다만, 텍스트 정보 및 복수의 후보 카테고리들은 이에 한정되는 것은 아니며, 실시예에 따라 다양하게 구성될 수 있다. 한편, 컴퓨팅 장치(100)는 상기 텍스트 정보 또는 상기 복수의 후보 카테고리들을 직접 획득하거나 또는 외부 시스템으로부터 수신할 수 있다. 여기서 외부 시스템은 텍스트 정보들을 저장하고 관리하는 서버, 데이터베이스 등일 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성할 수 있다(S120). 보다 구체적으로, 컴퓨팅 장치(100)는 상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하는 제 1 추가 텍스트 정보" 또는 "질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 포함하는 제 2 추가 텍스트 정보 중 적어도 하나의 정보를 생성할 수 있다. 예시적으로, 컴퓨팅 장치(100)는 복수의 후보 카테고리(category) 각각에 대해, "텍스트 정보가 후보 카테고리에 관한 것이다."라는 제 1 추가 텍스트 정보를 생성할 수 있다. 달리 말해, 복수의 후보 카테고리에 정치, 종교, 과학 세 종류가 포함되어 있는 경우, 컴퓨팅 장치(100)는 "텍스트 정보는 정치에 관한 것이다."라는 제 1 후보 문장, "텍스트 정보는 종교에 관한 것이다."라는 제 2 후보 문장 및 "텍스트 정보는 과학에 관한 것이다."라는 제 3 후보 문장을 포함하는 제 1 추가 텍스트 정보를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 "텍스트 정보가 어떤 카테고리에 속할까요"라는 질의 문장 및 복수의 후보 카테고리들과 관련된 복수의 보기 "①정치, ②과학, ③종교"와 같은 제 2 추가 텍스트 정보를 생성할 수 있다. 이때, 제 2 추가 텍스트 정보에 포함된 보기는 주관식 또는 객관식으로 생성될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정할 수 있다(S130). 구체적으로, 컴퓨팅 장치(100)는 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석할 수 있다. 다음으로, 컴퓨팅 장치(100)는 상기 복수의 후보 카테고리들 각각에 대한 연관도에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정할 수 있다. 여기서, 텍스트 정보에 대한 학습용 카테고리 정보는, "상기 복수의 후보 카테고리들 중 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보" 또는 "상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 관한 정보" 중 적어도 하나를 포함할 수 있다. 연관도 분석을 통해 학습용 카테고리를 결정하는 동작은 이하 도 4 내지 도 6을 통해 보다 자세히 후술한다.

일 실시예에서, 컴퓨팅 장치(100)는 텍스트 분류 과업(task)과는 상이한 과업을 수행하는 하나 이상의 보조 모델을 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정할 수 있다. 여기서, 하나 이상의 보조 모델은, 분류 과업(classification) 이외의 과업을 수행하는 하나 이상의 단일-과업(single-task) 모델을 포함할 수 있다. 보다 구체적으로, 상기 하나 이상의 보조 모델은, 텍스트 정보들 사이의 함의(entailment) 확률을 연산하는 과업을 수행하는 제 1 모델, 질의 문장과 보기들 사이의 정답 확률을 연산하는 과업을 수행하는 제 2 모델, 또는 텍스트 정보들이 이웃하여 배치될 확률을 연산하는 과업을 수행하는 제 3 모델 중 적어도 하나의 모델을 포함할 수 있다. 또한, 상기 제 1 모델은 함의(Entailment) 분석 모델을 포함하고, 상기 제 2 모델은 QA(Question Answering) 모델을 포함하고, 상기 제 3 모델은 NSP(Next Sentence Prediction) 모델을 포함할 수 있다. 또한, 컴퓨팅 장치(100)는, 상기 제 1 모델, 상기 제 2 모델 또는 상기 제 3 모델 중 적어도 하나를 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석할 수 있다. 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 제 1 모델, 상기 제 2 모델 및 상기 제 3 모델 각각에서 도출된 확률의 총합을 고려하여 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 제 1 모델, 상기 제 2 모델 및 상기 제 3 모델 각각에서 도출된 확률에 차등하게 부여된 점수의 총합을 고려하여 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 복수의 후보 카테고리들 각각에 대한 연관도에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정할 수 있다. 일례로, 학습용 카테고리 정보는, 상기 텍스트 정보와 연관도가 가장 높은 카테고리(타겟 카테고리)일 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 텍스트 정보에 대한 학습용 카테고리 정보에 기초하여, 텍스트 정보에 대한 레이블링(labeling) 정보를 생성할 수 있다(S140). 예를 들어, 컴퓨팅 장치(100)는 가장 높은 연관도를 갖는다고 분석된 후보 카테고리(타겟 카테고리)에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 대안적으로, 컴퓨팅 장치(100)는, 상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는, 더 보편적으로 데이터를 효율적으로 사용할 수 있고, 사용하기 쉬우며, 단일-과업(single-task)을 수행하는 모델인, 함의(Entailment) 분석 모델, QA(Question Answering) 모델, NSP(Next Sentence Prediction) 모델 등을 사용하여 “분류(classification) 데이터"가 거의 없는 상황에서 레이블링(labeling)을 수행할 수 있다.

이하에서는, 도 4 내지 도 6을 참고하여, 복수의 보조 모델들(예컨대, 함의 분석 모델, QA 모델 및 NSP 모델) 중 적어도 하나를 활용하여 연관도를 분석하는 실시예를 보다 구체적으로 설명하고자 한다.

도 4는 본 개시의 일 실시예에 따른 함의(Entailment) 분석 모델을 활용하여 연관도를 분석하는 동작에 대한 개략적인 순서도이다.

본 개시의 일 실시예에 따르면, 텍스트 함의(Textual Entailment)란 문자열 간 함의 여부를 판단하는 것으로, 예를 들어 3단계(함의/중립/모순)의 출력을 생성할 수 있다. 구체적으로, 텍스트 함의 분석 모델은, A라는 문자열 이후 B라는 문자열이 나왔을 때, B가 충족되기 위해서 A가 충족 되어야만 한다면 A와 B의 관계를 함의(entailment)라고 출력하고, 모순 관계라면 모순(Contradiction)이라고, 중립이면 중립이라고 출력할 수 있다. 또한, 텍스트 함의(Textual Entailment) 모델은 분류(Classification) 모델과 비슷한 아키텍쳐를 포함할 수 있다. 예를 들어, 텍스트 함의 모델은, 언어 모델에 두 문장(전제(premise)와 가설(hypothesis))을 입력한 후, 언어 모델의 출력 벡터를

(여기서, d는 인코더의 hidden state dimension, n은 텍스트 간의 관계를 몇 단계로 나눌지에 대한 숫자)의 새로운 뉴럴 네트워크 H_e에 입력하는 아키텍처로 구성될 수 있다. 이 경우, 일반적으로 n은 3이고, H_e는 전제(premise)와 가설(hypothesis)이 함의, 모순, 혹은 중립인지 3단계로 나누어 평가한다. 즉, 텍스트 함의(Textual Entailment) 모델은 함의일 확률, 모순일 확률, 중립일 확률의 합이 1이 되도록 각 경우의 확률을 계산한다. 예를 들어, 텍스트 함의(Textual Entailment)모델은 아래 표 2와 같이 판단할 수 있다.

[표 2]

도 4를 참조하면, 컴퓨팅 장치는, 복수의 후보 카테고리들과 연관된 복수의 후보 문장들을 생성하는 단계(S10), 텍스트 정보와 상기 복수의 후보 문장들 각각 사이의 함의 확률을 연산하는 단계(S11), 상기 연산된 함의 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계(S12) 등을 수행할 수 있다. S10, S11, S12 단계들과 관련된 세부 내용들은 이하에서 살펴본다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 후보 카테고리들과 연관된 복수의 후보 문장들을 생성할 수 있다(S10). 예를 들어, 복수의 후보 카테고리에 정치, 종교, 과학 세 종류가 포함되어 있는 경우, 컴퓨팅 장치(100)는 "텍스트 정보는 정치에 관한 것이다."라는 제 1 후보 문장, "텍스트 정보는 종교에 관한 것이다."라는 제 2 후보 문장 및 "텍스트 정보는 과학에 관한 것이다."라는 제 3 후보 문장을 포함하는 제 1 추가 텍스트 정보를 생성할 수 있다.

또한, 컴퓨팅 장치(100)는, "함의(Entailment) 분석 모델"을 이용하여, 상기 텍스트 정보와 상기 복수의 후보 문장들 각각 사이의 함의 확률을 연산할 수 있다(S11). 예시적으로, 컴퓨팅 장치(100)는 분류할 텍스트 정보를 전제(premise)로 하고, 복수의 후보 문장을 가설(hypothesis)로 하여 함의(entailment) 확률을 연산할 수 있다. 일례로, 컴퓨팅 장치(100)는 분류가 5단계(예컨대, 매우 모순, 모순, 중립, 함의, 매우 함의)인 경우, 매우 함의일 확률을 계산하거나, 함의 또는 매우 함의일 확률의 합을 계산하여 연관도를 결정할 수도 있다. 다만, 이에 한정되는 것은 아니며 실시 예에 따라 다양하게 구현될 수 있다.

예를 들어, 컴퓨팅 장치(100)는 텍스트 정보와 "텍스트 정보는 정치에 관한 것이다."라는 제 1 후보 추가 텍스트 정보의 함의(entailment) 확률을 0.61로 연산하고, 텍스트 정보와 "텍스트 정보는 종교에 관한 것이다."라는 제 2 후보 추가 텍스트 정보의 함의(entailment) 확률을 0.32로 연산하고, 텍스트 정보와 "텍스트 정보는 과학에 관한 것이다."라는 제 3 후보 추가 텍스트 정보의 함의(entailment) 확률을 0.07로 연산할 수 있다.

또한, 컴퓨팅 장치(100)는 상기 연산된 함의 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출할 수 있다(S12). 예를 들어, 컴퓨팅 장치(100)는 연산된 함의 확률이 1에 가까울수록 상기 텍스트 정보와 가장 연관도가 높다고 산출할 수 있다. 달리 말해, 컴퓨팅 장치(100)는 함의 확률 0.61로 연산된 제 1 후보 문장과 연관된 후보 카테고리와 상기 텍스트 정보가 가장 높은 연관도를 나타낸다고 산출할 수 있다. 또한, 컴퓨팅 장치(100)는 함의 확률 0.61로 연산된 제 1 후보 문장과 연관된 후보 카테고리와 상기 텍스트 정보가 매우 함의인 것으로 연관도를 산출할 수도 있다. 또한, 컴퓨팅 장치(100)는, 연산된 함의 확률값 자체를 연관도의 값으로 활용할 수 있다. 또한, 컴퓨팅 장치(100)는, 연산된 함의 확률값에 추가적인 함수를 적용하거나 스케일링(scaling)을 적용하여 산출된 값을 연관도의 값으로 활용할 수도 있다.

일 실시예에 따르면, 컴퓨팅 장치(100)는 텍스트 정보에 대한 레이블링(labeling) 정보를 생성할 수 있다. 일 실시예에서, 컴퓨팅 장치(100)는 상기 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는, 앞서 가장 높은 연관도를 나타낸 상기 제 1 후보 문장과 연관된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 달리 말해, 컴퓨팅 장치(100)는 상기 제 1 후보 문장과 연관된 후보 카테고리인 "정치"를 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보로서 생성할 수 있다. 대안적으로, 컴퓨팅 장치(100)는, 상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수 있다. 일례로, 컴퓨팅 장치(100)는, 복수의 후보 카테고리들에 대해 산출된 함의 확률들(즉, 복수의 후보 카테고리들에 대응되는 복수의 후보 문장들에 대하여 산출된 함의 확률들)을 소프트맥스(softmax) 함수에 입력하여 생성된 출력 값들에 기초하여, 소프트 레이블링(soft labeling) 정보를 생성할 수 있다.

도 5는 본 개시의 일 실시예에 따른 QA(Question Answering) 모델을 활용하여 연관도를 분석하는 동작에 대한 개략적인 순서도이다.

본 개시의 일 실시예에 따르면, 질의 응답(Question answering)모델은, 본문 텍스트(C), 질문(Q)을 입력 받아 본문에서 질문에 대한 답을 찾는 모델이다. 정답 유형에 따라 시퀀스-투-시퀀스 질의 응답(Sequence-to-sequence;S2S QA) 모델 혹은 선다형 질의 응답(multiple choice; MCQA) 모델로 구분할 수 있다. 시퀀스-투-시퀀스 질의 응답(Sequence-to-sequence QA) 모델은 텍스트 생성 모델로, 질문에 대해서 열린 대답을 생성한다(주관식). 선다형 질의 응답(Multiple-choice) 모델은 정답 보기(answer choice) 중 가장 확률이 높은 정답을 고르는 것으로, 각 보기마다 정답일 확률을 부여한다(객관식).

도 5를 참조하면, 컴퓨팅 장치는, 질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 생성하는 단계(S20), 상기 질의 문장에 대하여, 상기 복수의 보기들 각각이 정답에 해당할 확률을 나타내는 정답 확률을 연산하는 단계(S21), 상기 연산된 정답 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계(S22) 등을 수행할 수 있다. S20, S21, S22 단계들과 관련된 세부 내용들은 이하에서 살펴본다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 텍스트 정보와 연관된 질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 생성할 수 있다(S20). 예를 들어, 텍스트 정보가 어떤 카테고리에 속할까요?"라는 질의 문장, 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기 "①정치(제 1 보기), ②과학(제 2 보기), ③종교(제 3 보기)"와 같은 제 2 추가 텍스트 정보를 생성할 수 있다.

또한, 컴퓨팅 장치(100)는 상기 질의 문장에 대하여, 상기 복수의 보기들 각각이 정답에 해당할 확률을 나타내는 정답 확률을 연산할 수 있다(S21). 예시적으로, 컴퓨팅 장치(100)는 상기 질의 문장에 대하여, 주관식 또는 객관식 보기들 각각이 정답에 해당할 확률을 나태내는 정답 확률을 연산할 수 있다.

먼저, 일 실시예에서, 컴퓨팅 장치(100)는, 질의 응답(Question answering)모델 중 시퀀스-투-시퀀스 질의 응답(Sequence-to-sequence QA) 모델을 기반으로 질문에 대해서 열린 대답인 주관식 보기를 생성하는 경우, "텍스트 정보가 어떤 카테고리에 속할까요"라는 질의 문장(Q) 및 텍스트 정보인 본문(C)이 입력되면, 시퀀스-투-시퀀스 질의 응답(S2S QA) 모델이 생성한 정답이 출력되고, 상기 제 2 추가 텍스트 정보에서 생성된 각 보기가 상기 정답과 동일할 확률이 도출될 수 있다. 일례로, 시퀀스-투-시퀀스 질의 응답(S2S QA) 모델은, 주관식 보기인 "정치"에 대하여 정답일 확률을 0.42, "과학"에 대하여 정답일 확률을 0.4, "종교"에 대하여 정답일 확률을 0.18로 연산할 수 있다.

또한, 일 실시예에서, 컴퓨팅 장치(100)는, 질의 응답(Question answering) 모델 중 선다형 질의 응답(multiple choice; MCQA) 모델을 기반으로, 질문에 대해서 객관식으로 생성된 보기(예컨대, 객관식 보기 "①정치, ②과학, ③종교") 각각에 대하여 정답일 확률을 연산할 수 있다. 일례로, 선다형 질의 응답(multiple choice; MCQA) 모델은, 객관식 보기인 ①정치에 대하여 정답일 확률을 0.42, ②과학에 대하여 정답일 확률을 0.4, ③종교에 대하여 정답일 확률을 0.18로 연산할 수 있다.

또한, 컴퓨팅 장치(100)는 상기 연산된 정답 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출할 수 있다(S22). 예를 들어, 컴퓨팅 장치(100)는 연산된 정답 확률이 1에 가까울수록 상기 텍스트 정보와 가장 연관도가 높다고 산출할 수 있다. 달리 말해, 컴퓨팅 장치(100)는 정답 확률이 0.42로 연산된 주관식 보기 또는 객관식 보기인 "①정치"가 상기 텍스트 정보와 가장 높은 연관도를 나타낸다고 산출할 수 있다. 또한, 컴퓨팅 장치(100)는, 연산된 정답 확률 자체를 연관도의 값으로 활용할 수 있다. 또한, 컴퓨팅 장치는, 연산된 정답 확률에 추가적인 함수를 적용하거나 스케일링(scaling)을 적용하여 산출된 값을 연관도의 값으로 활용할 수도 있다.

일 실시예에 따르면, 컴퓨팅 장치(100)는 텍스트 정보에 대한 레이블링(labeling) 정보를 생성할 수 있다. 일 실시예에서, 컴퓨팅 장치(100)는 상기 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는, 앞서 가장 높은 연관도를 나타낸 상기 제 1 보기와 연관된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 달리 말해, 컴퓨팅 장치(100)는 상기 제 1 보기와 연관된 후보 카테고리인 "정치"를 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보로서 생성할 수 있다. 대안적으로, 컴퓨팅 장치(100)는, 상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수 있다. 일례로, 컴퓨팅 장치(100)는, 복수의 후보 카테고리들에 대해 산출된 정답 확률들(즉, 복수의 후보 카테고리들에 대응되는 복수의 보기들에 대하여 산출된 정답 확률들)을 소프트맥스(softmax) 함수에 입력하여 생성된 출력 값들에 기초하여, 소프트 레이블링(soft labeling) 정보를 생성할 수 있다.

도 6은 본 개시의 일 실시예에 따른 NSP(Next Sentence Prediction) 모델을 활용하여 연관도를 분석하는 동작에 대한 개략적인 순서도이다.

NSP(Next Sentence Prediction)모델은 a, b 두 문자열을 입력받아, b가 a 다음에 나타날 확률을 구하는 모델이다. 본 개시에서는 텍스트 정보 전체가 a가 되고, 추가 텍스트 정보가 b가 될 수 있다.

도 6을 참조하면, 컴퓨팅 장치는, 복수의 후보 카테고리들과 연관된 복수의 후보 문장들을 생성하는 단계(S30), 텍스트 정보에 후속하여 상기 복수의 후보 문장들 각각이 나타날 배치 확률을 연산하는 단계(S31), 상기 연산된 배치 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계(S32) 등을 수행할 수 있다. S30, S31, S32 단계들과 관련된 세부 내용들은 이하에서 살펴본다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 후보 카테고리들과 연관된 복수의 후보 문장들을 생성할 수 있다(S30). 예를 들어, 복수의 후보 카테고리에 정치, 종교, 과학 세 종류가 포함되어 있는 경우, 컴퓨팅 장치(100)는 "텍스트 정보는 정치에 관한 것이다."라는 제 1 후보 문장, "텍스트 정보는 종교에 관한 것이다."라는 제 2 후보 문장 및 "텍스트 정보는 과학에 관한 것이다."라는 제 3 후보 문장을 포함하는 제 1 추가 텍스트 정보를 생성할 수 있다.

또한, 컴퓨팅 장치(100)는, 텍스트 정보에 후속하여 상기 복수의 후보 문장들 각각이 나타날 배치 확률을 연산할 수 있다(S31). 예시적으로, 컴퓨팅 장치(100)는 "텍스트 정보"에 후속하여 제 1 후보 문장이 배치될 확률을 0.53으로 연산하고, 제 2 후보 문장이 배치될 확률을 0.27로 연산하고, 제 3 후보 문장이 배치될 확률을 0.2로 연산할 수 있다.

또한, 컴퓨팅 장치(100)는 상기 연산된 배치 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출할 수 있다(S32). 예를 들어, 컴퓨팅 장치(100)는 연산된 배치 확률이 1에 가까울수록 상기 텍스트 정보와 가장 연관도가 높다고 산출할 수 있다. 달리 말해, 컴퓨팅 장치(100)는 배치 확률이 0.53으로 연산된 제 1 후보 문장에 대응되는 후보 카테고리와 상기 텍스트 정보가 가장 높은 연관도를 나타낸다고 산출할 수 있다. 또한, 컴퓨팅 장치(100)는, 연산된 배치 확률값 자체를 연관도의 값으로 활용할 수 있다. 또한, 컴퓨팅 장치는, 연산된 배치 확률값에 추가적인 함수를 적용하거나 스케일링(scaling)을 적용하여 산출된 값을 연관도의 값으로 활용할 수도 있다.

일 실시예에 따르면, 컴퓨팅 장치(100)는 텍스트 정보에 대한 레이블링(labeling) 정보를 생성할 수 있다. 일 실시예에서, 컴퓨팅 장치(100)는 상기 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는, 앞서 가장 높은 연관도를 나타낸 상기 제 1 후보 문장과 연관된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 달리 말해, 컴퓨팅 장치(100)는 상기 제 1 후보 문장과 연관된 후보 카테고리인 "정치"를 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보로서 생성할 수 있다. 대안적으로, 컴퓨팅 장치(100)는, 상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수 있다. 일례로, 컴퓨팅 장치(100)는, 복수의 후보 카테고리들에 대해 산출된 배치 확률들(즉, 복수의 후보 카테고리들에 대응되는 복수의 후보 문장들에 대하여 산출된 배치 확률들)을 소프트맥스(softmax) 함수에 입력하여 생성된 출력 값들에 기초하여, 소프트 레이블링(soft labeling) 정보를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 도 4 내지 도 6은, 복수의 보조 모델(예컨대, 함의 분석 모델, QA 모델, 및 NSP 모델) 중 적어도 하나를 활용하여 연관도를 분석하는 실시예에 대해서만 설명하였으나, 이에 한정되는 것은 아니며, 복수의 모델을 조합(예컨대, 앙상블)하여 연관도 분석하고, 분석된 연관도에 기초하여 텍스트 정보에 대한 레이블링(labeling) 정보를 생성할 수도 있다.

일 예로, 컴퓨팅 장치(100)는 복수의 보조 모델(예컨대, 함의 분석 모델, QA 모델 및 NSP 모델) 각각에서 도출된 확률의 총합을 기준으로 "텍스트 정보"와 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 표 3을 참조하면, 컴퓨팅 장치(100)는 복수의 모델 각각에서 도출된 확률의 총합이 가장 높은 "정치"를 텍스트 정보와 가장 높은 연관도를 갖는다고 판단하고, 해당 카테고리에 대한 정보에 기초하여 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 복수의 후보 카테고리들(예컨대, 정치, 과학, 종교)에 대해 복수의 모델 각각에서 도출된 확률의 총합을 고려하여 연관도를 분석하고, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수도 있다.

[표 3]

다른 일례로, 컴퓨팅 장치(100)는 복수의 보조 모델(예컨대, 함의 분석 모델, QA 모델 및 NSP 모델) 각각에서 도출된 확률에서 1등은 5점, 2등은 3점, 3등은 1점... 식으로 점수를 부여하고, 도출된 점수의 총합을 기준으로 "텍스트 정보"와 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 표 4를 참조하면, 컴퓨팅 장치(100)는, 후보 카테고리 중 “정치”는 1등 2번 2등 1번으로 총합 13점이고, “과학”은 1등 1번 2등 1번 3등 1번 총합 9점이며, “종교”는 3등 2번 2등 1번 총합 5점이라고 연산할 수 있으며, 이러한 결과에 기초하여, 후보 카테고리 중 "정치"를 타겟 카테고리로서 결정할 수 있다. 다시 말해, 컴퓨팅 장치(100)는 복수의 모델 각각에서 도출된 확률에 차등하여 부여된 점수의 총합이 가장 높은 "정치"를 텍스트 정보와 가장 높은 연관도를 갖는다고 판단하고, 해당 카테고리에 대한 정보에 기초하여 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 복수의 후보 카테고리들(예컨대, 정치, 과학, 종교)에 대해 복수의 모델 각각에서 도출된 확률에 차등하여 부여된 점수의 총합을 고려하여 연관도를 분석하고, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성할 수도 있다.

[표 4]

도 7은 본 개시의 일 실시예에 따라 학습 데이터를 생성하고, 생성된 학습 데이터에 기초하여 신경망 모델을 학습시키는 방법을 나타낸 순서도이다.

도 7을 참조하면, 본 개시의 일 실시예에 따른 텍스트 분류 모델을 학습시키기 위한 방법은, 텍스트 정보와 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계(S210), 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 레이블링(labeling) 정보를 생성하는 단계(S220), 및 상기 텍스트 정보 및 상기 레이블링 정보에 기초하여 상기 텍스트 분류 모델을 학습시키는 단계(S230)들을 포함할 수 있다. 상기 추가 텍스트 정보를 생성하는 과정 및 상기 텍스트 정보에 대한 레이블링 정보를 생성하는 과정은 도 3 내지 도 6의 설명을 통해 전술한 바와 같이 수행될 수 있다. 또한, 본 개시의 일 실시예에 따른 텍스트 분류 모델을 학습시키기 위한 방법은 컴퓨팅 장치(100)에 의해 수행될 수 있다.

상기 S210 단계는, 텍스트 정보와 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계이다. 이러한 S210 단계는 상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하는 제 1 추가 텍스트 정보를 생성하는 단계; 또는 질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 포함하는 제 2 추가 텍스트 정보를 생성하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

상기 S220 단계는, 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 레이블링(labeling) 정보를 생성하는 단계이다. 이러한, S220 단계는, 상기 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성하는 단계; 또는 상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

상기 S230 단계는, 상기 텍스트 정보 및 상기 레이블링 정보에 기초하여 상기 텍스트 분류 모델을 학습시키는 단계이다. 컴퓨팅 장치(100)는 상기 텍스트 정보 및 상기 S220 단계에서 생성된 레이블링 정보에 기초하여 텍스트 분류 모델을 학습시킬 수 있다. 이후, 컴퓨팅 장치(100)는 입력되는 텍스트 정보를 텍스트 분류 모델에 입력하고, 상기 텍스트 정보에 대한 카테고리 정보를 결정하도록 하여 상기 텍스트를 분류할 수 있다. 일 실시 예에 따르면, 컴퓨팅 장치(100)로 입력되는 텍스트 정보는 발화된 음성 데이터를 텍스트로 변환하는 ASR(Auto Speech Recognition)(또는, STT(Speech-To-Text)에 기초하여 생성된 것일 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.

참고로, 본 개시의 일 실시예에 따르면, 수도-레이블링(Pseudo-label)으로 학습된 텍스트 분류 모델의 성능은 micro-F1과 macro-F1 메트릭으로 평가할 수 있다. 상기 텍스트 분류 모델의 성능을 평가하기 위한 메트릭(Metric)은 하기와 같이 표현될 수 있다.

Class별 Precision (P_c) = (True Positive) / (True Positive + False Positive)

Class별 Recall (R_c) = (True Positive) / (True Positive + False Negative)

Class별 F-1 = (P_c * R_c) / (P_c + R_c)

macro-F1 = Class별 F-1 점수의 평균

micro-Precision (P_m) = (모든 클래스의 True Positive 수) / (모든 클래스의 True Positive 수 + 모든 클래스의 False Positive 수)

micro-Recall (R_m) = (모든 클래스의 True Positive 수) / (모든 클래스의 True Positive 수 + 모든 클래스의 True Negative 수)

micro-F1 = (P_m * R_m) / (P_m + R_m)

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 두 개의 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 8은 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

컴퓨팅 장치에 의해 수행되는, 텍스트 분류를 위한 학습 데이터를 생성하는 방법으로서,
텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하는 단계;
상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계;
상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계; 및
상기 텍스트 정보와 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링(hard labeling) 정보를 생성하거나, 또는 상기 복수의 후보 카테고리들 각각에 대하여 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링(soft labeling) 정보를 생성하는 단계
를 포함하는,
방법.
제 1 항에 있어서,
상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계는,
상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계; 및
상기 복수의 후보 카테고리들 각각에 대한 연관도에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계
를 포함하는,
방법.
제 2 항에 있어서,
상기 텍스트 정보에 대한 학습용 카테고리 정보는,
상기 복수의 후보 카테고리들 중 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보; 또는
상기 복수의 후보 카테고리들에 대해 분석된 복수의 연관도들에 관한 정보
중 적어도 하나를 포함하는,
방법.
삭제
제 1 항에 있어서,
상기 추가 텍스트 정보를 생성하는 단계는,
상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하는 제 1 추가 텍스트 정보를 생성하는 단계; 또는
질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 포함하는 제 2 추가 텍스트 정보를 생성하는 단계
중 적어도 하나의 단계를 포함하는,
방법.
제 1 항에 있어서,
상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계는,
텍스트 분류 과업(task)과는 상이한 과업을 수행하는 하나 이상의 보조 모델을 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계
를 포함하는,
방법.
제 6 항에 있어서,
상기 하나 이상의 보조 모델은,
분류 과업(classification) 이외의 과업을 수행하는 하나 이상의 단일-과업(single-task) 모델을 포함하는,
방법.
컴퓨팅 장치에 의해 수행되는, 텍스트 분류를 위한 학습 데이터를 생성하는 방법으로서,
텍스트 정보 및 복수의 후보 카테고리들을 획득하는 단계;
상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계; 및
텍스트 분류 과업(task)과는 상이한 과업을 수행하는 하나 이상의 보조 모델을 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계
를 포함하고,
상기 하나 이상의 보조 모델은,
텍스트 정보들 사이의 함의(entailment) 확률을 연산하는 과업을 수행하는 제 1 모델;
질의 문장과 보기들 사이의 정답 확률을 연산하는 과업을 수행하는 제 2 모델; 또는
텍스트 정보들이 이웃하여 배치될 확률을 연산하는 과업을 수행하는 제 3 모델
중 적어도 하나의 모델을 포함하는,
방법.
제 8 항에 있어서,
상기 제 1 모델은 함의(Entailment) 분석 모델을 포함하고,
상기 제 2 모델은 QA(Question Answering) 모델을 포함하고,
상기 제 3 모델은 NSP(Next Sentence Prediction) 모델을 포함하는,
방법.
제 8 항에 있어서,
상기 하나 이상의 보조 모델을 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계는,
상기 제 1 모델, 상기 제 2 모델 또는 상기 제 3 모델 중 적어도 하나를 활용하여, 상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계; 및
상기 복수의 후보 카테고리들 각각에 대한 연관도에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계
를 포함하는,
방법.
제 10 항에 있어서,
상기 추가 텍스트 정보는, 상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하고,
상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계는,
상기 텍스트 정보와 상기 복수의 후보 문장들 각각 사이의 함의 확률을 연산하는 단계; 및
상기 연산된 함의 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계
를 포함하는,
방법.
제 10 항에 있어서,
상기 추가 텍스트 정보는, 상기 텍스트 정보와 관련된 질의 문장 및 상기 복수의 후보 카테고리들과 관련된 복수의 보기들을 포함하고,
상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계는,
상기 질의 문장에 대하여, 상기 복수의 보기들 각각이 정답에 해당할 확률을 나타내는 정답 확률을 연산하는 단계; 및
상기 연산된 정답 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계
를 포함하는,
방법.
제 10 항에 있어서,
상기 추가 텍스트 정보는, 상기 복수의 후보 카테고리들에 대한 복수의 후보 문장들을 포함하고,
상기 텍스트 정보 및 상기 추가 텍스트 정보를 기초로, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 분석하는 단계는,
상기 텍스트 정보에 후속하여 상기 복수의 후보 문장들 각각이 나타날 배치 확률을 연산하는 단계; 및
상기 연산된 배치 확률에 기초하여, 상기 텍스트 정보와 상기 복수의 후보 카테고리들 각각 사이의 연관도를 산출하는 단계
를 포함하는,
방법.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 텍스트 분류를 위한 학습 데이터를 생성하는 이하의 동작들을 수행하도록 하며, 상기 동작들은:
텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하는 동작;
상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 동작;
상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 동작; 및
상기 텍스트 정보와 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링 정보를 생성하거나, 또는 상기 복수의 후보 카테고리들 각각에 대하여 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링 정보를 생성하는 동작
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
컴퓨팅 장치로서,
적어도 하나의 프로세서; 및
메모리
를 포함하고,
상기 적어도 하나의 프로세서는,
텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하고;
상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하고;
상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하고; 그리고
상기 텍스트 정보와 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링 정보를 생성하거나, 또는 상기 복수의 후보 카테고리들 각각에 대하여 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링 정보를 생성하도록 구성되는,
장치.
컴퓨팅 장치에 의해 수행되는, 텍스트 분류 모델을 학습시키기 위한 방법으로서,
텍스트 정보와 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계;
상기 텍스트 정보와 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대한 하드 레이블링 정보를 생성하거나, 또는 상기 복수의 후보 카테고리들 각각에 대하여 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대한 소프트 레이블링 정보를 생성하는 단계; 및
상기 텍스트 정보 및 상기 레이블링 정보에 기초하여 상기 텍스트 분류 모델을 학습시키는 단계
를 포함하는,
방법.
컴퓨팅 장치에 의해 수행되는, 텍스트 분류 방법으로서,
신경망 모델에 텍스트 정보를 입력하는 단계; 및
상기 신경망 모델에 기초하여, 상기 텍스트 정보에 대한 카테고리를 예측하는 단계
를 포함하고,
상기 신경망 모델은, 학습용 텍스트 정보 및 상기 학습용 텍스트 정보에 대한 레이블링(labeling) 정보에 기초하여 학습된 신경망 모델이고,
상기 학습용 텍스트 정보에 대한 레이블링(labeling) 정보는,
상기 학습용 텍스트 정보, 및
상기 학습용 텍스트 정보와 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보
에 기초하여 산출되고,
상기 텍스트 정보와 가장 높은 연관도를 갖는다고 분석된 후보 카테고리에 대한 정보에 기초하여, 상기 텍스트 정보에 대하여 생성된 하드 레이블링 정보; 또는
상기 복수의 후보 카테고리들 각각에 대하여 분석된 복수의 연관도들에 기초하여, 상기 텍스트 정보에 대하여 생성된 소프트 레이블링 정보
중 적어도 하나를 포함하는,
방법.