KR102586580B1 - 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템 - Google Patents
자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템 Download PDFInfo
- Publication number
- KR102586580B1 KR102586580B1 KR1020220047012A KR20220047012A KR102586580B1 KR 102586580 B1 KR102586580 B1 KR 102586580B1 KR 1020220047012 A KR1020220047012 A KR 1020220047012A KR 20220047012 A KR20220047012 A KR 20220047012A KR 102586580 B1 KR102586580 B1 KR 102586580B1
- Authority
- KR
- South Korea
- Prior art keywords
- news
- draft
- editing
- artificial intelligence
- article
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 70
- 238000003058 natural language processing Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 239000000284 extract Substances 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims description 44
- 230000014509 gene expression Effects 0.000 claims description 33
- 230000002996 emotional effect Effects 0.000 claims description 29
- 230000008451 emotion Effects 0.000 claims description 16
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 27
- 238000000034 method Methods 0.000 description 11
- 238000013075 data extraction Methods 0.000 description 9
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 8
- 101710096214 Alanine aminotransferase 1 Proteins 0.000 description 8
- 230000008520 organization Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 102100033814 Alanine aminotransferase 2 Human genes 0.000 description 3
- 101710096000 Alanine aminotransferase 2 Proteins 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템에 관한 것으로, 해결하고자 하는 과제는 자연어처리 인공지능 언어 모델을 기반으로 뉴스기사초안에 대한 개체 추출 및 관련 정보 제공, 독자 관심도 파악(또는 뉴스 검색 트렌드 분석), 카테고리 분류, 핵심 키워드 추출, 제목 추천, 관련 기사 제공, 요약문 작성 등 편집자가 뉴스기사초안을 편집하는데 필요한 서비스를 제공하여 뉴스 편집을 위한 업무를 위한 다양한 서비스를 지원하여 뉴스 편집을 위한 시간과 노력을 최소화시켜 노동 생산성을 향상시키는데 있다.
일례로, 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 개체를 추출하여 제공하고, 상기 개체에 대한 검색 트렌드 데이터를 분석하는 뉴스 편집 방향 결정 업무 지원부; 뉴스기사초안의 내용분석을 통해 뉴스 헤더 부분에 적용될 제목 및 요약문을 생성하여 추천하는 뉴스 편집 및 가공 업무 지원부; 및 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 핵심 키워드를 추출하고 뉴스 카테고리를 분류하고, 상기 핵심 키워드 분류된 및 상기 뉴스 카테고리에 대한 정보를 뉴스기사초안에 자동 입력하는 뉴스 정보 자동 입력부를 포함하는 뉴스 편집 업무 지원 시스템을 개시한다.
일례로, 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 개체를 추출하여 제공하고, 상기 개체에 대한 검색 트렌드 데이터를 분석하는 뉴스 편집 방향 결정 업무 지원부; 뉴스기사초안의 내용분석을 통해 뉴스 헤더 부분에 적용될 제목 및 요약문을 생성하여 추천하는 뉴스 편집 및 가공 업무 지원부; 및 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 핵심 키워드를 추출하고 뉴스 카테고리를 분류하고, 상기 핵심 키워드 분류된 및 상기 뉴스 카테고리에 대한 정보를 뉴스기사초안에 자동 입력하는 뉴스 정보 자동 입력부를 포함하는 뉴스 편집 업무 지원 시스템을 개시한다.
Description
본 발명의 실시예는 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템에 관한 것이다.
최근 들어 스마트 기기(또는 스마트 장치)의 증가로 인터넷 포털 뉴스의 이용률이 증가되고 있다. 스마트 기기가 우리사회 전반적으로 퍼져나가면서 사용자들은 정치, 경제, 사회, 문화 등에 관련한 인터넷 포털 뉴스를 언제 어디서나 스마트 기기를 사용하여 바로 접할 수 있게 되었다. 따라서, 인터넷 포털 뉴스의 영향력은 증가되고, 기존의 미디어 업계에 많은 변동이 발생하고 있다.
많은 인터넷 포털 뉴스 업체는 보다 많은 사용자들의 클릭을 유도하기 위해 다양한 방법으로 웹 사이트 상에 뉴스 기사를 배치하여 사용자의 관심을 유도하고 있다. 많은 인터넷 포털 뉴스 업체는 기존의 활자 신문과 다른 방법, 다른 인터페이스로 다양한 양질의 뉴스를 사용자에게 효과적으로 전달하기 위해 많은 노력을 하고 있다.
이와 같이 다양한 양질의 뉴스를 사용자에게 효과적으로 전달하기 위해서는 뉴스기사초안에 대한 편집 작업 또한 중요한 과정이라 할 수 있다. 뉴스의 편집 작업 과정에서는 뉴스가 어떠한 사람이나 기관 혹은 단체에 대한 이야기를 하는지, 현재 뉴스기사초안의 내용으로 얼마나 독자의 관심을 끌 수 있을지, 뉴스기사초안의 내용이 지나치게 긍정적인지 아니면 부정적인지 등에 대한 파악 과정과, 뉴스의 제목과 부제목 작성, 요약문 작성 등 부가적인 작업 등 본문 편집 및 수정을 위한 편집자의 다양한 고민이 필요하다.
현재 하루에도 수 많은 인터넷 뉴스 기사가 쏟아지고 있으나, 편집자는 모든 뉴스 편집을 수작업으로 처리해야 하기 때문에 그에 따른 상당한 시간과 노력, 그리고 인력이 요구될 수 밖에 없다. 이러한 단점은 뉴스의 질적 수준을 저하시키는 요인이 될 뿐만 아니라 이로 인해 독자가 뉴스의 관심도를 떨어뜨릴 수 밖에 없는 요인이 될 수 있다.
본 발명의 실시예는, 자연어처리 인공지능 언어 모델을 기반으로 뉴스기사초안에 대한 개체 추출 및 관련 정보 제공, 독자 관심도 파악(또는 뉴스 검색 트렌드 분석), 카테고리 분류, 핵심 키워드 추출, 제목 추천, 관련 기사 제공, 요약문 작성 등 편집자가 뉴스기사초안을 편집하는데 필요한 서비스를 제공하여 뉴스 편집을 위한 업무를 위한 다양한 서비스를 지원하여 뉴스 편집을 위한 시간과 노력을 최소화시켜 노동 생산성을 향상시킬 수 있는 뉴스 편집 업무 지원 시스템을 제공한다.
본 발명의 실시예에 따른 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템은, 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 개체를 추출하여 제공하고, 상기 개체에 대한 검색 트렌드 데이터를 분석하는 뉴스 편집 방향 결정 업무 지원부; 뉴스기사초안의 내용분석을 통해 뉴스 헤더 부분에 적용될 제목 및 요약문을 생성하여 추천하는 뉴스 편집 및 가공 업무 지원부; 및 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 핵심 키워드를 추출하고 뉴스 카테고리를 분류하고, 상기 핵심 키워드 분류된 및 상기 뉴스 카테고리에 대한 정보를 뉴스기사초안에 자동 입력하는 뉴스 정보 자동 입력부를 포함한다.
또한, 상기 뉴스 편집 방향 결정 업무 지원부는, 뉴스기사초안에 등장하는 인물명, 기관명, 지명 및 단체명 중 적어도 하나의 개체를 추출하고, 포털 사이트 및 미리 구축된 데이터베이스를 이용하여 상기 개체 별 상세 정보를 추출하여 제공하는 인공지능 개체 정보 추출부; 및 포털 사이트를 통해 공개된 데이터 및 검색엔진을 이용하여 미리 설정된 기간 동안에 상기 개체에 대한 조회수를 분석하여 검색 트렌드 데이터로 제공하는 검색 트렌드 분석부를 포함할 수 있다.
또한, 상기 뉴스 편집 방향 결정 업무 지원부는, 포털 사이트를 통해 공개된 데이터 및 검색엔진을 이용해 상기 핵심 키워드와 관련된 참고뉴스자료를 추출하여 제공하는 관련 뉴스 자료 추출부를 더 포함할 수 있다.
또한, 상기 뉴스 편집 방향 결정 업무 지원부는, 뉴스기사초안에 포함된 감정적 표현을 추출하고, 추출된 감정적 표현의 출현 횟수를 기초로, 긍정적 감정 및 부정적 감정 중 어느 하나의 감정적 편향성을 판단하거나, 긍정적 감정과 부정적 감정 표현의 출현 횟수가 동률을 이루거나 존재하지 않는 경우 중립적 감정으로 판단하고, 그 판단 결과를 제공하는 인공지능 감성 분석부를 더 포함할 수 있다.
또한, 상기 뉴스 편집 및 가공 업무 지원부는, 뉴스기사초안의 내용분석을 통해 뉴스 헤더 부분에 적용될 제목 및 부제목을 각각 생성하고, 뉴스기사초안의 본문 내 특정 문장 또는 단락의 집합을 기준으로 본문 내 중간제목 중 적어도 하나를 생성하여 각각 제공하는 인공지능 제목 생성부; 및 뉴스기사초안의 내용분석을 통해 요약문을 생성하여 제공하는 인공지능 요약문 생성부를 포함할 수 있다.
또한, 상기 뉴스 정보 자동 입력부는, 뉴스기사초안의 내용분석을 통해 핵심 키워드를 추출하여 해시태그 형태로 제공하는 인공지능 키워드 추출부; 뉴스기사초안의 내용분석을 통해 뉴스기사초안의 본문내용을 기준으로 뉴스기사초안에 대한 뉴스 카테고리를 분류하는 인공지능 뉴스 카테고리 분류부; 및 상기 핵심 키워드와 상기 뉴스 카테고리에 대한 정보를 뉴스기사초안에 부가정보로서 자동 입력하는 뉴스 부가정보 입력부를 포함할 수 있다.
또한, 상기 뉴스 자료 추출부는, 편집 대상인 뉴스기사초안과 상기 참고뉴스자료에 각각에 대한 문맥을 비교 분석하고, 해당 문맥분석결과, 상기 핵심 키워드 및 상기 개체에 대한 정보를 기초로, 상기 참고뉴스자료 중 뉴스기사초안과 미리 설정된 유사도 이상의 참고뉴스자료를 선별하고, 추출된 참고뉴스자료가 둘 이상인 경우 각각의 참고뉴스자료에 대한 조회수를 비교하여 조회수와 댓글수의 총 합이 가장 높은 참고뉴스자료를 추출하되, 미리 설정된 제1 기간 이내의 뉴스자료인 경우 댓글수보다 조회수의 가중치를 상대적으로 높게 설정하고, 현재 기준으로 미리 설정된 제2 기간 이내의 뉴스자료인 경우 조회수보다 댓글수의 가중치를 상대적으로 높게 설정하여, 가중치를 적용한 조회수와 댓글수의 총 합이 가장 높은 참고뉴스자료를 유사참고뉴스자료로 최종 선별하여 제공하고, 상기 제1 기간은 현재 시점을 기준으로 상기 제2 기간보다 상대적으로 과거 기간으로 설정된 것일 수 있다.
본 발명에 따르면, 자연어처리 인공지능 언어 모델을 기반으로 뉴스기사초안에 대한 개체 추출 및 관련 정보 제공, 독자 관심도 파악(또는 뉴스 검색 트렌드 분석), 카테고리 분류, 핵심 키워드 추출, 제목 추천, 관련 기사 제공, 요약문 작성 등 편집자가 뉴스기사초안을 편집하는데 필요한 서비스를 제공하여 뉴스 편집을 위한 업무를 위한 다양한 서비스를 지원하여 뉴스 편집을 위한 시간과 노력을 최소화시켜 노동 생산성을 향상시킬 수 있는 뉴스 편집 업무 지원 시스템을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템의 전체 구성 형태에 대한 개요를 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템의 전체 구성을 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 뉴스 편집 방향 결정 업무 지원부의 구성을 나타낸 블록도이다.
도 4는 본 발명의 실시예에 따른 인공지능 개체 정보 추출부의 실행 결과 예시를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 검색 트렌드 분석부의 실행 결과 예시를 나타낸 도면이다.
도 6 및 도 7은 본 발명의 실시예에 따른 뉴스 자료 추출부의 실행 결과 예시를 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 뉴스 편집 및 가공 업무 지원부의 구성을 나타낸 블록도이다.
도 9는 본 발명의 실시예에 따른 인공지능 제목 생성부의 실행 결과 예시를 나타낸 도면이다.
도 10은 본 발명의 실시예에 따른 인공지능 요약문 생성부의 실행 결과 예시를 나타낸 도면이다
도 11은 본 발명의 실시예에 따른 뉴스 정보 자동 입력부의 구성을 나타낸 블록도이다.
도 12는 본 발명의 실시예에 따른 인공지능 키워드 추출부의 실행 화면 예시를 나타낸 도면이다.
도 13은 본 발명의 실시예에 따른 인공지능 뉴스 카테고리 분류부 및 뉴스 부가정보 입력부의 실행 화면 예시를 나타낸 도면이다.
도 14는 본 발명의 실시예에 따른 편집 도구부의 실행 방식을 설명하기 위해 예시적으로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템의 전체 구성을 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 뉴스 편집 방향 결정 업무 지원부의 구성을 나타낸 블록도이다.
도 4는 본 발명의 실시예에 따른 인공지능 개체 정보 추출부의 실행 결과 예시를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 검색 트렌드 분석부의 실행 결과 예시를 나타낸 도면이다.
도 6 및 도 7은 본 발명의 실시예에 따른 뉴스 자료 추출부의 실행 결과 예시를 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 뉴스 편집 및 가공 업무 지원부의 구성을 나타낸 블록도이다.
도 9는 본 발명의 실시예에 따른 인공지능 제목 생성부의 실행 결과 예시를 나타낸 도면이다.
도 10은 본 발명의 실시예에 따른 인공지능 요약문 생성부의 실행 결과 예시를 나타낸 도면이다
도 11은 본 발명의 실시예에 따른 뉴스 정보 자동 입력부의 구성을 나타낸 블록도이다.
도 12는 본 발명의 실시예에 따른 인공지능 키워드 추출부의 실행 화면 예시를 나타낸 도면이다.
도 13은 본 발명의 실시예에 따른 인공지능 뉴스 카테고리 분류부 및 뉴스 부가정보 입력부의 실행 화면 예시를 나타낸 도면이다.
도 14는 본 발명의 실시예에 따른 편집 도구부의 실행 방식을 설명하기 위해 예시적으로 나타낸 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 발명의 실시예에 따른 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템의 전체 구성 형태에 대한 개요를 나타낸 도면이다.
도 1에 도시된 본 발명의 실시예에 따른 뉴스 편집 업무 지원 시스템(1000)은, Open API, GPT(Generative Pre-Training), BERT(Bidirectional Encoder Representations from Transformers)등 자연어처리 인공지능 언어 모델을 활용하여 뉴스 편집과 제작 서비스를 지원할 수 있다.
상기 GPT(Generative Pre-Training)에는 GPT-1과 GPT-2 모델이 있다.
상기 GPT-1은 2018년 transformer의 디코더 구조를 참고하여 만든 자연어 처리 모델로서, Pre-Training을 Generative 방식으로 처리한다. 이러한 GPT-1은 Transformer의 디코더 부분을 기초로 하기 때문에 Transformer의 인코더의 아웃풋을 받는 Encoder-Decoder self-Attention 부분이 필요 없다. 이에 따라, GPT-1 모델은 기존의 Transformer의 인코더 부분과 거의 유사하나, 다만 Multi-Head Attention이 Masked되어 사용된다는 차이가 있다. 이로써, 단방향으로 이전 단어들만 학습을 할 때 참고하게 되어 다음 단어를 예측할 때 효과적인 모델이다.
GPT-2는 GPT-1의 Transformer의 내부 구성이 조금 변경된 모델로, GPT-1과의 차이점으로는 먼저 Normalization Layer의 위치가 변경되었고, 다음으로 어텐션 블록 이후 Normalization Layer가 추가되었으며, 초기화 매소드가 수정된 모델이다.
상기 BERT(Bidirectional Encoder Representations from Transformers)는 문맥을 양방향으로 이해하여 숫자로 바꿔주는 딥러닝 모델로, 구글이 2018년에 GPT-1을 발표한 이후 문맥을 파악함에 있어서 단방향은 이해 능력이 떨어질 수 있음을 보완하기 위해, 양방향이 있는 Transformer의 인코더 구조를 활용한 모델이다. 이러한 BERT 모델은 Pre-Training과 Fine-Tuning을 사용하여 기존의 GPT-1보다 더 좋은 성능을 내어 State of the art model로서 자연어 처리 모델로 많이 활용되고 있다.
본 실시예의 따른 뉴스 편집 업무 지원 시스템(1000)은 상술한 GPT-2와 BERT 등의 자연어처리 인공지능 언어 모델을 활용하고 있으며, 좀 더 구체적으로는 도 1에 도시된 바와 같이 개체 분석 모델, 감성 분석 모델, 제목 생성 모델, 요약문 생성 모델, 키워드 생성 모델, 기사 분류 모델 등을 적용할 수 있다.
또한, 본 실시예의 따른 뉴스 편집 업무 지원 시스템(1000)은 도 1에 도시된 바와 같이 자연어처리 인공지능 언어 모델뿐만 아니라, 인물정보 DB, 포털 사이트(인물정보, 기관/지역/단체정보, 검색 엔진(키워드 검색 트렌드), 배포 기사(관련 기사), 기타 공개 데이터(기타 부가정보) 등의 활용한 외부 데이터베이스와 연계하여 보다 다양한 부가 서비스를 제공할 수 있다.
도 2는 본 발명의 실시예에 따른 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템의 전체 구성을 나타낸 블록도이고, 도 3은 본 발명의 실시예에 따른 뉴스 편집 방향 결정 업무 지원부의 구성을 나타낸 블록도이고, 도 4는 본 발명의 실시예에 따른 인공지능 개체 정보 추출부의 실행 결과 예시를 나타낸 도면이고, 도 5는 본 발명의 실시예에 따른 검색 트렌드 분석부의 실행 결과 예시를 나타낸 도면이고, 도 6 및 도 7은 본 발명의 실시예에 따른 뉴스 자료 추출부의 실행 결과 예시를 나타낸 도면이고, 도 8은 본 발명의 실시예에 따른 뉴스 편집 및 가공 업무 지원부의 구성을 나타낸 블록도이고, 도 9는 본 발명의 실시예에 따른 인공지능 제목 생성부의 실행 결과 예시를 나타낸 도면이고, 도 10은 본 발명의 실시예에 따른 인공지능 요약문 생성부의 실행 결과 예시를 나타낸 도면이고, 도 11은 본 발명의 실시예에 따른 뉴스 정보 자동 입력부의 구성을 나타낸 블록도이고, 도 12는 본 발명의 실시예에 따른 인공지능 키워드 추출부의 실행 화면 예시를 나타낸 도면이고, 도 13은 본 발명의 실시예에 따른 인공지능 뉴스 카테고리 분류부 및 뉴스 부가정보 입력부의 실행 화면 예시를 나타낸 도면이며, 도 14는 본 발명의 실시예에 따른 편집 도구부의 실행 방식을 설명하기 위해 예시적으로 나타낸 도면이다.
도 2를 참조하면, 본 발명의 실시예에 따른 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템(1000)은 뉴스 편집 방향 결정 업무 지원부(100), 뉴스 편집 및 가공 업무 지원부(200), 뉴스 정보 자동 입력부(300) 및 편집 도구부(400) 중 적어도 하나를 포함할 수 있다.
상기 뉴스 편집 방향 결정 업무 지원부(100)는, 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 개체를 추출하여 제공하고, 각 개체에 대한 검색 트렌드 데이터를 분석할 수 있다. 이를 위해 뉴스 편집 방향 결정 업무 지원부(100)는 도 3에 도시된 바와 같이, 인공지능 개체 정보 추출부(110), 검색 트렌드 분석부(120), 뉴스 자료 추출부(130) 및 인공지능 감성 분석부(140) 중 적어도 하나를 포함할 수 있다.
상기 인공지능 개체 정보 추출부(110)는, 자연어처리 인공지능 언어 모델 중 개체 분석 모델을 이용하여, 뉴스기사초안에 등장하는 인물명, 기관명, 지명 및 단체명 등의 개체를 추출하고, 포털 사이트 및 미리 구축된 데이터베이스를 이용하여 개체(인물, 기관, 지명, 단체 등) 별 상세 정보를 추출하여 제공할 수 있다. 이러한 인공지능 개체 정보 추출부(110)는 자연어처리 인공지능 언어 모델 중 개체 분석 모델을 이용하여 뉴스기사초안에 등장하는 인물명, 기관명, 지명, 단체명 등에 대한 개체를 추출할 수 있으며, 외부 데이터베이스를 이용하여 개체 분석 모델에서 추출된 개체에 대한 보다 상세한 정보를 추출하여 개체 별로 제공할 수 있다.
예를 들어, 인물, 기관/단체/기업, 지역의 명칭에 대한 개체를 각각 추출한 후 외부 데이터베이스에 저장된 공개 데이터를 기반으로 도 4에 도시된 바와 같이 각 개체 별 상세정보(A)를 추출하여 뉴스기사 편집자 등에게 제공할 수 있다. 뉴스를 작성하면서 뉴스에 등장하는 인물, 기관, 단체 등에 대한 상세 정보가 필요할 수 있으므로, 인공지능 개체 정보 추출부(110)를 통해 개체 상세 정보를 자동으로 추출하여 참고 정보로서 제공함으로써 좀 더 정확하고 상세한 뉴스 기사 편집 또는 작성에 도움을 줄 수 있다.
상기 검색 트렌드 분석부(120)는, 포털 사이트(구글, 네이버, 다음, 네이트 등)를 통해 공개된 데이터 및 검색엔진을 이용하여 미리 설정된 기간 동안에 개체에 대한 조회수를 분석하여 검색 트렌드 데이터로 제공할 수 있다. 이러한 검색 트렌드 분석부(120)는 인공지능 개체 정보 추출부(110)를 통해 자동 추출된 각 개체(인물명, 기관명, 지명, 단체명 등)를 외부 데이터베이스 중 포털 사이트에 공개된 데이터 또는 검색엔진 등을 이용하여 도 5에 도시된 바와 같이 1년(2019년11월25일부터 2020년11월23일)동안 일정 기간마다 검색 조회수에 대한 통계 데이터(B)를 그래프로 제공할 수 있다. 물론, 기간은 1개월, 3개월 등 사용자가 정한 기간으로 설정되어 설정된 기간 내 개체 검색 조회수에 대한 통계 데이터를 제공할 수 있으며, 해당 데이터를 분석한 결과 또한 제공할 수 있다. 이러한 개체 별 검색 조회수에 대한 통계 데이터와 분석 결과는 검색 트렌드 데이터로서 해당 개체에 대한 독자의 관심도를 파악하는데 활용할 수 있다.
상기 뉴스 자료 추출부(130)는, 포털 사이트를 통해 공개된 데이터 및 검색엔진을 이용해 핵심 키워드와 관련된 참고뉴스자료를 추출하여 제공할 수 있다. 예를 들어, 도 6에 도시된 바와 같이 핵심 키워드가 '마라도나'의 경우, '마라도나'와 관련하여 타 언론사에서 공개한 뉴스기사(C)를 수집하여 제공함으로써, 뉴스 편집자가 보다 독자 친화적이고 타 언론사 대비 경쟁력 있는 뉴스를 만들 수 있도록 지원할 수 있다.
상기 뉴스 자료 추출부(130)는 타 언론사의 뉴스기사를 제공하는 방법에 있어 편집 대상인 뉴스기사초안의 본문내용과 유사한 내용을 좀 더 선별하여 제공할 수 있다. 이를 위해 뉴스 자료 추출부(130)는 편집 대상인 뉴스기사초안과 상기 참고뉴스자료에 각각에 대한 문맥을 비교 분석하고, 해당 문맥분석결과, 상기 핵심 키워드 및 상기 개체에 대한 정보를 기초로, 상기 참고뉴스자료 중 뉴스기사초안과 미리 설정된 유사도 이상의 참고뉴스자료를 선별하고, 추출된 참고뉴스자료가 둘 이상인 경우 각각의 참고뉴스자료에 대한 조회수를 비교하여 조회수와 댓글수의 총 합이 가장 높은 참고뉴스자료를 추출하되, 미리 설정된 제1 기간 이내의 뉴스자료인 경우 댓글수보다 조회수의 가중치를 상대적으로 높게 설정하고, 현재 기준으로 미리 설정된 제2 기간 이내의 뉴스자료인 경우 조회수보다 댓글수의 가중치를 상대적으로 높게 설정하여, 가중치를 적용한 조회수와 댓글수의 총 합이 가장 높은 참고뉴스자료를 유사참고뉴스자료로서 최종 선별하여 제공할 수 있다. 여기서, 제1 기간은 현재 시점을 기준으로 상기 제2 기간보다 상대적으로 과거 기간으로 설정된 기간일 수 있다.
예를 들어, 도 7에 도시된 바와 같이, 우선 편집 대상인 뉴스기사초안과 다양하게 수집된 참고뉴스자료 1, 2, ?? n 간에 대하여 각각 문맥을 비교 분석 과정을 수행할 수 있다.
다음, 해당 문맥분석결과, 핵심 키워드 및 개체에 대한 정보를 기초로, 기 참고뉴스자료 중 뉴스기사초안과 미리 설정된 유사도 이상의 참고뉴스자료를 선별할 수 있다(②). 예를 들어 동일 키워드, 유사 키워드, 동일 표현, 유사 표현 등으로 이루어져 최종 유사도 70% 이상의 참고뉴스자료 2, 5를 1차 선별하여 제공할 수 있다.
다음, 참고뉴스자료가 둘 이상인 경우(예를 들어, 참고뉴스자료 2, 5인 경우) 각각의 참고뉴스자료에 대한 조회수를 비교하여 조회수와 댓글수의 총 합이 가장 높은 유사참고뉴스자료를 추출할 수 있다(③).
이때, 미리 설정된 제1 기간 이내의 뉴스자료인 경우 댓글수보다 조회수의 가중치를 상대적으로 높게 설정하고, 현재 기준으로 미리 설정된 제2 기간 이내의 뉴스자료인 경우 조회수보다 댓글수의 가중치를 상대적으로 높게 설정할 수 있다. 예를 들어, 참고뉴스자료 5이 제1 기간(제2 기간보다 상대적으로 더 과거 뉴스임)에 속하고, 참고뉴스자료 2가 제2 기간(제1 기간보다 상대적으로 현재에 가까운 뉴스임)에 속하는 경우, 참고뉴스자료 5의 조회수에 곱해지는 가중치 k1이 댓글수에 곱해지는 가중치 k2보다 상대적으로 크게 적용되어 총합 A를 계산하고, 참고뉴스자료 2의 조회수에 곱해지는 가중치 k3이 댓글수에 곱해지는 가중치 k4보다 상대적으로 작게 적용되어 총합 B를 계산할 수 있으며, 총합 A, B를 비교하여 더 큰 총합으로 계산된 참고뉴스자료를 유사참고뉴스자료로서 최종 선별할 수 있다(④).
만약, 참고뉴스자료 모두 동일한 기간 내에 속하는 뉴스자료인 경우, 가중치를 모두 적용하지 않거나 모두 동일한 가중치를 적용하여 총합을 구한 후 유사참고뉴스자료를 최종적으로 선별할 수 있다.
상기 인공지능 감성 분석부(140)는, 자연어처리 인공지능 언어 모델 중 감성 분석 모델을 이용하여, 뉴스기사초안에 포함된 감정적 표현을 추출하고, 추출된 감정적 표현의 출현 횟수를 기초로, 긍정적 감정 및 부정적 감정 중 어느 하나의 감정적 편향성을 판단하거나, 긍정적 감정과 부정적 감정 표현의 출현 횟수가 동률을 이루거나 존재하지 않는 경우 중립적 감정으로 판단하고, 그 판단 결과를 제공할 수 있다.
예를 들어, 뉴스기사초안에 "좋다", "기쁘다", "화가 난", "매우 부적절" 등의 감정적 표현이 있어 이들이 추출되는 경우, "좋다"와 "기쁘다"라는 표현은 긍정적 표현으로 분류하고 이들의 총 출현 횟수(이하 긍정 표현 출현 횟수라고 함)를 산출하고, "화가 난"과 "매우 부적절" 등의 감정적 표현은 부정적 표현으로 분류하고 이들의 총 출현 횟수(이하 부정 표현 출현 횟수라고 함)를 산출한 후, 두 개의 총 출현 횟수를 비교해 결과적으로 뉴스기사초안에 대한 본문내용에 대한 감정적 편향성을 판단할 수 있는데, 긍정 표현 출현 횟수와 부정 표현 출현 횟수의 차이가 미리 설정된 기준 출현 횟수 이상으로 차이가 나지 않는 경우 중립적 감정으로 분류할 수 있으며, 기준 출현 횟수 이상으로 차이가 나는 경우 더 많이 출현된 감정적 표현에 대한 편향성이 있는 것으로 판단하여 그 분석 결과를 제공할 수 있다. 물론, 미리 설정된 감정적 표현 횟수(긍정, 부정)의 총합 자체가 미리 설정된 기준치 이하인 경우 긍정과 부정 표현 횟수 차이를 계산할 필요 없이 중립적 감정으로 분류할 수 있다.
상기 뉴스 편집 및 가공 업무 지원부(200)는, 뉴스기사초안의 내용분석을 통해 뉴스 헤더 부분에 적용될 제목 및 요약문을 생성하여 추천할 수 있다. 이를 위해 뉴스 편집 및 가공 업무 지원부(200)는 도 8에 도시된 바와 같이, 인공지능 제목 생성부(210) 및 인공지능 요약문 생성부(220) 중 적어도 하나를 포함할 수 있다.
상기 인공지능 제목 생성부(210)는, 뉴스기사초안의 전체 내용을 분석하여 뉴스 헤더 부분에 적용될 제목, 부제목을 생성하며, 본문 내 특정 문장 또는 단락의 집합을 기준으로 본문 내 제목(중간제목)을 생성하여 제공할 수 있다. 현재 뉴스 서비스에는 디지털 독자의 기사 내용에 대한 가독성을 높이기 위하여 "제목", "부제목", "본문 내 제목" 등을 활용하고 있는데, 인공지능 제목 생성부(210)는 자연어처리 인공지능 언어 모델 중 제목 생성 모델을 이용하여 도 9에 도시된 바와 같이 "농민기본소득 지급 시군 6곳 - 17곳 확대"라는 제목(D1)을 생성하고, "경기도 2022년 달라지는 것, 청소년 생리용품 지원 18곳으로 위기가구 긴급복지 대상 확대 노후 단독주택 수리비 지원도"라는 부제목(D2)을 생성하여 뉴스 편집자에게 제공할 수 있다. 이렇게 생성된 제목과 부제목 등은 뉴스초안자료에 바로 적용될 수 있으나, 뉴스 편집자가 뉴스 제목과 부제목 등을 결정할 때 참고사항으로 추천할 수 있으며, 뉴스 편집자의 판단에 따라 추천된 제목과 부제목을 뉴스기사에 직접 입력하여 적용할 수 있으며, 뉴스 편집자가 새로운 제목과 부제목을 직접 입력할 수도 있다.
상기 인공지능 요약문 생성부(220)는, 뉴스기사초안의 전체내용의 분석을 통해 뉴스기사초안을 기준으로 한 요약문을 생성하여 제공할 수 있다. 네이버, 다음 등의 포털 사이트는 물론 연합뉴스 등 대형 언론사는 홈페이지 뉴스 서비스에 뉴스 요약문 서비스를 제공하고 있으며, 중앙일보, 노컷뉴스 등은 뉴스 가독성 향상을 위해 본문 내 핵심 요약 서비스를 제공하고 있다. 이러한 인공지능 요약문 생성부(220)는 뉴스 요약문을 편집자나 뉴스기사 작성자가 직접 작업하는 것이 아니라, 자연어처리 인공지능 언어 모델 중 요약문 생성 모델을 통해 뉴스기사초안의 본문내용을 분석함으로써, 도 10에 도시된 바와 같이 1줄 내지 3줄 내외로 요약문(E)해서 제공할 수 있다. 이러한 요약문을 활용하여 본문 내 뉴스 요약을 추가할 수 있고, 홈페이지 등에서 요약문 서비스를 추가할 수도 있다.
상기 뉴스 정보 자동 입력부(300)는, 뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 핵심 키워드를 추출하고 뉴스 카테고리를 분류하고, 핵심 키워드 분류된 및 뉴스 카테고리에 대한 정보를 뉴스기사초안의 부가정보로서 자동 입력할 수 있다. 이를 위해 뉴스 정보 자동 입력부(300)는 도 11에 도시된 바와 같이, 인공지능 키워드 추출부(310), 인공지능 뉴스 카테고리 분류부(320) 및 뉴스 부가정보 입력부(330) 중 적어도 하나를 포함할 수 있다.
상기 인공지능 키워드 추출부(310)는, 자연어처리 인공지능 언어 모델 중 키워드 생성 모델을 이용하여, 뉴스기사초안의 내용분석을 통해 핵심 키워드를 추출하여 도 12에 도시된 바와 같이 해시태그(F) 형태로 제공함으로써, 뉴스 편집자가 더욱 풍성한 키워드를 쉽게 해당 뉴스 기사에 붙일 수 있도록 한다.
상기 인공지능 뉴스 카테고리 분류부(320)는 뉴스기사초안의 내용분석을 통해 뉴스 카테고리를 분류할 수 있다. 이러한 인공지능 뉴스 카테고리 분류부(320)는 자연어처리 인공지능 언어 모델 중 기사 분류 모델을 이용하여 뉴스기사초안이 정치, 사회, 문화, 연예, 생활, 과학 등의 카테고리를 분류하여 제공할 수 있으며, 더 나아가 도 13에 도시된 바와 같이 "전국 네트워크", "수도권", "지역사회"와 같은 어느 지역 단위의 뉴스인지에 대한 분류(G)도 가능하다.
상기 뉴스 부가정보 입력부(330)는 핵심 키워드와 뉴스 카테고리에 대한 정보를 뉴스기사초안에 부가정보로서 자동 입력할 수 있다. 이러한 뉴스 부가정보 입력부(330)는 도 13에 도시된 바와 같이 분류 항목에 전국 네트워크", "수도권", "지역사회"와 같은 어느 지역 단위의 뉴스인지에 대한 분류 항목(G')에 대한 수동 입력이 가능하며, 태그 항목을 추가하여 핵심 키워드(H)에 대한 수동 입력 또한 가능하다.
상기 편집 도구부(400)는 뉴스초안자료에 대한 개체 분석, 감성 분석, 제목 생성, 요약문 생성, 키워드 생성, 기사 분류 등에 대한 편집 지원 과정이 완료되면, 해당 편집 지원 과정의 결과물을 통대로 뉴스초안자료를 편집 및 수정할 수 있으며, 예를 들어 도 14에 도시된 바와 같이 "편집 도구" 메뉴를 선택하면 뉴스초안자료에 대한 본문 수정이 가능해져 해당 본문 내용을 편집 지원 정보를 바탕으로 수정할 수 있다.
이상에서 설명한 것은 본 발명에 의한 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템을 실시하기 위한 하나의 실시예에 불과한 것으로서, 본 발명은 상기 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 바와 같이 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능한 범위까지 본 발명의 기술적 정신이 있다고 할 것이다.
1000: 뉴스 편집 업무 지원 시스템
100: 뉴스 편집 방향 결정 업무 지원부
110: 인공지능 개체 정보 추출부
120: 검색 트렌드 분석부
130: 뉴스 자료 추출부
140: 인공지능 감성 분석부
200: 뉴스 편집 및 가공 업무 지원부
210: 인공지능 제목 생성부
220: 인공지능 요약문 생성부
300: 뉴스 정보 자동 입력부
310: 인공지능 키워드 추출부
320: 인공지능 뉴스 카테고리 분류부
330: 뉴스 부가정보 입력부
400: 편집 도구부
100: 뉴스 편집 방향 결정 업무 지원부
110: 인공지능 개체 정보 추출부
120: 검색 트렌드 분석부
130: 뉴스 자료 추출부
140: 인공지능 감성 분석부
200: 뉴스 편집 및 가공 업무 지원부
210: 인공지능 제목 생성부
220: 인공지능 요약문 생성부
300: 뉴스 정보 자동 입력부
310: 인공지능 키워드 추출부
320: 인공지능 뉴스 카테고리 분류부
330: 뉴스 부가정보 입력부
400: 편집 도구부
Claims (6)
- 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템에 관한 것으로,
뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 개체를 추출하여 제공하고, 상기 개체에 대한 검색 트렌드 데이터를 분석하는 뉴스 편집 방향 결정 업무 지원부;
뉴스기사초안의 내용분석을 통해 뉴스 헤더 부분에 적용될 제목 및 요약문을 생성하여 추천하는 뉴스 편집 및 가공 업무 지원부; 및
뉴스기사초안의 내용분석을 통해 뉴스기사초안에 등장하는 핵심 키워드를 추출하고 뉴스 카테고리를 분류하고, 추출된 상기 핵심 키워드 및 분류된 상기 뉴스 카테고리에 대한 정보를 뉴스기사초안에 자동 입력하는 뉴스 정보 자동 입력부를 포함하고,
상기 뉴스 편집 방향 결정 업무 지원부는,
포털 사이트를 통해 공개된 데이터 및 검색엔진을 이용해 상기 핵심 키워드와 관련된 참고뉴스자료를 각각 추출하여 제공하기 위하여, 편집 대상인 뉴스기사초안과 상기 참고뉴스자료에 각각에 대한 문맥을 비교 분석하고, 해당 문맥분석결과, 상기 핵심 키워드 및 상기 개체에 대한 정보를 기초로, 상기 참고뉴스자료 중 뉴스기사초안과 미리 설정된 유사도 이상의 참고뉴스자료를 선별하고, 추출된 참고뉴스자료가 둘 이상인 경우 각각의 참고뉴스자료에 대한 조회수를 비교하여 조회수와 댓글수의 총 합이 가장 높은 참고뉴스자료를 추출하되, 미리 설정된 제1 기간 이내의 뉴스자료인 경우 댓글수보다 조회수의 가중치를 상대적으로 높게 설정하고, 현재 기준으로 미리 설정된 제2 기간 이내의 뉴스자료인 경우 조회수보다 댓글수의 가중치를 상대적으로 높게 설정하여, 가중치를 적용한 조회수와 댓글수의 총 합이 가장 높은 참고뉴스자료를 유사참고뉴스자료로 최종 선별하여 제공하고,
상기 제1 기간은 현재 시점을 기준으로 상기 제2 기간보다 상대적으로 과거 기간으로 설정된 것을 특징으로 하는 뉴스 편집 업무 지원 시스템.
- 제1 항에 있어서,
상기 뉴스 편집 방향 결정 업무 지원부는,
뉴스기사초안에 등장하는 인물명, 기관명, 지명 및 단체명 중 적어도 하나의 개체를 추출하고, 포털 사이트 및 미리 구축된 데이터베이스를 이용하여 상기 개체 별 상세 정보를 추출하여 제공하는 인공지능 개체 정보 추출부; 및
포털 사이트를 통해 공개된 데이터 및 검색엔진을 이용하여 미리 설정된 기간 동안에 상기 개체에 대한 조회수를 분석하여 검색 트렌드 데이터로 제공하는 검색 트렌드 분석부를 포함하는 것을 특징으로 하는 뉴스 편집 업무 지원 시스템.
- 삭제
- 제2 항에 있어서,
상기 뉴스 편집 방향 결정 업무 지원부는,
긍정적 감정 표현에 해당하는 단어와 부정적 감정 표현에 해당하는 단어가 각각 미리 정의되어 있고, 뉴스기사초안에 포함된 긍정적 감정 표현에 해당하는 단어와 부정적 감정 표현에 해당하는 단어를 각각 추출하고, 추출된 긍정적 감정 표현에 해당하는 단어의 출현 횟수와 부정적 감정 표현에 해당하는 단어의 출현 횟수를 각각 산출하고, 산출된 출현 횟수 간을 비교하고, 그 비교 결과, 긍정적 감정 표현에 해당하는 단어의 출현 횟수가 부정적 감정 표현에 해당하는 단어의 출현 횟수보다 미리 설정된 기준 출현 횟수 이상으로 많을 경우 긍정적 감정으로 분류하고, 부정적 감정 표현에 해당하는 단어의 출현 횟수가 긍정적 감정 표현에 해당하는 단어의 출현 횟수보다 미리 설정된 기준 출현 횟수 이상으로 많을 경우 부정적 감정으로 분류하여, 뉴스기사초안에 대한 긍정적 감정 또는 부정적 감정을 판단하되, 긍정적 감정 표현에 해당하는 단어의 출현 횟수와 부정적 감정 표현에 속하는 단어의 출현 횟수가 동률을 이루거나 모두 존재하지 않는 경우 중립적 감정으로 판단하고, 그 판단 결과를 제공하는 인공지능 감성 분석부를 더 포함하는 것을 특징으로 하는 뉴스 편집 업무 지원 시스템.
- 제1 항에 있어서,
상기 뉴스 편집 및 가공 업무 지원부는,
뉴스기사초안의 내용분석을 통해 뉴스 헤더 부분에 적용될 제목 및 부제목을 각각 생성하고, 뉴스기사초안의 본문 내 특정 문장 또는 단락의 집합을 기준으로 본문 내 중간제목 중 적어도 하나를 생성하여 각각 제공하는 인공지능 제목 생성부; 및
뉴스기사초안의 내용분석을 통해 요약문을 생성하여 제공하는 인공지능 요약문 생성부를 포함하는 것을 특징으로 하는 뉴스 편집 업무 지원 시스템.
- 제1 항에 있어서,
상기 뉴스 정보 자동 입력부는,
뉴스기사초안의 내용분석을 통해 핵심 키워드를 추출하여 해시태그 형태로 제공하는 인공지능 키워드 추출부;
뉴스기사초안의 내용분석을 통해 뉴스기사초안의 본문내용을 기준으로 뉴스기사초안에 대한 뉴스 카테고리를 분류하는 인공지능 뉴스 카테고리 분류부; 및
상기 핵심 키워드와 상기 뉴스 카테고리에 대한 정보를 뉴스기사초안에 부가정보로서 자동 입력하는 뉴스 부가정보 입력부를 포함하는 것을 특징으로 하는 뉴스 편집 업무 지원 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220047012A KR102586580B1 (ko) | 2022-04-15 | 2022-04-15 | 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220047012A KR102586580B1 (ko) | 2022-04-15 | 2022-04-15 | 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102586580B1 true KR102586580B1 (ko) | 2023-10-10 |
Family
ID=88291914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220047012A KR102586580B1 (ko) | 2022-04-15 | 2022-04-15 | 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102586580B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102648137B1 (ko) * | 2023-10-25 | 2024-03-15 | 임학래 | 인터넷을 통하여 사용자 맞춤형 기사를 제공하는 서비스 제공 장치, 방법, 및 프로그램 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101503265B1 (ko) | 2013-11-04 | 2015-03-18 | 국립대학법인 울산과학기술대학교 산학협력단 | 한국뉴스 요약 시스템 및 방법 |
| KR20150076341A (ko) * | 2013-12-26 | 2015-07-07 | 주식회사 케이티 | 요약 뉴스를 생성하는 장치 및 방법 |
| KR20160107418A (ko) | 2015-03-03 | 2016-09-19 | 성균관대학교산학협력단 | 사용자 중심의 실시간 맞춤 뉴스 서비스 제공 장치 및 방법 |
| KR20200047990A (ko) * | 2018-10-29 | 2020-05-08 | 글로벌사이버대학교 산학협력단 | 뉴스 작성 지침 및 방송 보도 지침 기반의 인스턴트 메시지의 구문 분석을 통한 가짜 뉴스 알림 서비스 제공 방법 및 장치 |
| KR20210080000A (ko) | 2019-12-20 | 2021-06-30 | 정인정 | 딥러닝 기반 이미지 자동 태깅을 통한 사용자 맞춤형 뉴스 제공 방법 및 뉴스 제공 서버 |
| KR20210150789A (ko) | 2020-06-04 | 2021-12-13 | 주식회사 웨이커 | 딥러닝 nlp 모델을 활용한 뉴스 긍정도 분석 솔루션 및 시스템 |
| KR102460209B1 (ko) * | 2022-02-24 | 2022-10-31 | 권민영 | 정치버스 플랫폼 서비스 제공 시스템 |
| KR20220149624A (ko) * | 2018-05-18 | 2022-11-08 | 이베이 인크. | 거래 피드백의 처리 |
-
2022
- 2022-04-15 KR KR1020220047012A patent/KR102586580B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101503265B1 (ko) | 2013-11-04 | 2015-03-18 | 국립대학법인 울산과학기술대학교 산학협력단 | 한국뉴스 요약 시스템 및 방법 |
| KR20150076341A (ko) * | 2013-12-26 | 2015-07-07 | 주식회사 케이티 | 요약 뉴스를 생성하는 장치 및 방법 |
| KR20160107418A (ko) | 2015-03-03 | 2016-09-19 | 성균관대학교산학협력단 | 사용자 중심의 실시간 맞춤 뉴스 서비스 제공 장치 및 방법 |
| KR20220149624A (ko) * | 2018-05-18 | 2022-11-08 | 이베이 인크. | 거래 피드백의 처리 |
| KR20200047990A (ko) * | 2018-10-29 | 2020-05-08 | 글로벌사이버대학교 산학협력단 | 뉴스 작성 지침 및 방송 보도 지침 기반의 인스턴트 메시지의 구문 분석을 통한 가짜 뉴스 알림 서비스 제공 방법 및 장치 |
| KR20210080000A (ko) | 2019-12-20 | 2021-06-30 | 정인정 | 딥러닝 기반 이미지 자동 태깅을 통한 사용자 맞춤형 뉴스 제공 방법 및 뉴스 제공 서버 |
| KR20210150789A (ko) | 2020-06-04 | 2021-12-13 | 주식회사 웨이커 | 딥러닝 nlp 모델을 활용한 뉴스 긍정도 분석 솔루션 및 시스템 |
| KR102460209B1 (ko) * | 2022-02-24 | 2022-10-31 | 권민영 | 정치버스 플랫폼 서비스 제공 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102648137B1 (ko) * | 2023-10-25 | 2024-03-15 | 임학래 | 인터넷을 통하여 사용자 맞춤형 기사를 제공하는 서비스 제공 장치, 방법, 및 프로그램 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941692B (zh) | 互联网政治外交类新闻事件抽取方法 | |
| US8135669B2 (en) | Information access with usage-driven metadata feedback | |
| CN102207948B (zh) | 一种事件陈述句素材库的生成方法 | |
| US7849049B2 (en) | Schema and ETL tools for structured and unstructured data | |
| CN100595760C (zh) | 一种获取口语词条的方法、装置以及一种输入法系统 | |
| CN105844424A (zh) | 基于网络评论的产品质量问题发现及风险评估方法 | |
| CN111598702A (zh) | 一种基于知识图谱的风险投资语义搜索的方法 | |
| CN111967761A (zh) | 一种基于知识图谱的监控预警方法、装置及电子设备 | |
| CN111475625A (zh) | 基于知识图谱的新闻稿件生成方法及系统 | |
| CN112182148B (zh) | 一种基于全文检索的标准辅助编写方法 | |
| CN105718585A (zh) | 文档与标签词语义关联方法及其装置 | |
| CN112258061B (zh) | 一种项目全过程风险智能分析预警系统及预警方法 | |
| CN111353077B (zh) | 基于智能创作算法的融媒体采编发系统 | |
| CN116361487A (zh) | 一种多源异构政策知识图谱构建和存储方法及系统 | |
| KR102586580B1 (ko) | 자연어처리 인공지능 언어 모델을 이용한 뉴스 편집 업무 지원 시스템 | |
| CN112445894A (zh) | 基于人工智能的商务智能系统及其分析方法 | |
| Belcavello et al. | Charon: A FrameNet annotation tool for multimodal corpora | |
| Jiang et al. | Research on BIM-based Construction Domain Text Information Management. | |
| CN109543038A (zh) | 一种应用于文本数据的情感分析方法 | |
| CN111737498A (zh) | 一种应用于离散制造业生产过程的领域知识库建立方法 | |
| CN111859108A (zh) | 一种舆情系统搜索词推荐系统 | |
| CN115964533A (zh) | 一种全面描述材料产业的数据库系统 | |
| Corrigan et al. | Feature-based versus aggregate analyses of the DECTE corpus: Phonological and morphological variability in Tyneside English | |
| CN112347121B (zh) | 一种可配置的自然语言转sql的方法及系统 | |
| CN112488593B (zh) | 一种用于招标的辅助评标系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |