KR102595235B1

KR102595235B1 - 재구성된 질의를 생성하기 위한 방법, 시스템, 및 컴퓨터 판독가능한 기록 매체

Info

Publication number: KR102595235B1
Application number: KR1020210010757A
Authority: KR
Inventors: 한경민; 김태일; 유홍연; 송영길
Original assignee: 네이버 주식회사
Priority date: 2021-01-26
Filing date: 2021-01-26
Publication date: 2023-10-30
Also published as: KR20230152629A; KR20220107737A

Abstract

재구성된 질의를 생성하기 위한 방법, 시스템, 및 컴퓨터 판독가능한 기록 매체가 개시된다. 질의 생성 방법은, 원본 질의에 대하여 BERT(Bidirectional Encoder Representations from Transformer) 기반 기계번역 모델을 이용한 질의 재구성(query reformulation)을 통해 제1 질의 후보를 생성하는 단계; 및 상기 제1 질의 후보 중 적어도 일부를 검색 질의로 선정하는 단계를 포함한다.

Description

재구성된 질의를 생성하기 위한 방법, 시스템, 및 컴퓨터 판독가능한 기록 매체{METHOD, SYSTEM, AND COMPUTER READABLE RECORD MEDIUM FOR GENERATING REFORMULATED QUERY}

아래의 설명은 최적의 검색 결과를 제공하기 위한 질의 재구성(query reformulation, 'QR'이라 칭함) 기술에 관한 것이다.

사용자는 검색 엔진과 같은 사이트를 통해 소기의 정보를 얻기 위해 검색을 수행할 수 있다. 사용자는 사용자 단말을 통해 검색 엔진의 질의 입력창에 질의를 입력하고 질의에 대해 출력되는 검색 결과를 확인함으로써 소기의 정보를 획득할 수 있다.

질의-텀(term) 매칭 기반 검색 시스템에서는 사용자의 질의와 유사한 의미의 재구성된(reformulated) 질의들을 추가하여 최적의 검색 결과를 제공할 수 있는 질의 재구성 기술이 사용되고 있다.

예컨대, 한국공개특허 제10-2011-0007743호(공개일 2011년 01월 25일)에는 통계 데이터에 기초하여 오탈자 질의로 판단된 사용자 질의에 대해 전체 질의 단위 또는 단어 단위에 따라 교정할 수 있는 기술이 개시되어 있다.

SMT(statistical machine translation) 모델과 함께 BERT(Bidirectional Encoder Representations from Transformer) 모델을 추가로 이용하여 사용자 질의에 대한 QR 후보를 생성할 수 있는 방법과 시스템을 제공한다.

컴퓨터 장치에서 실행되는 질의 생성 방법에 있어서, 상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 질의 생성 방법은, 상기 적어도 하나의 프로세서에 의해, 원본 질의에 대하여 BERT(Bidirectional Encoder Representations from Transformer) 기반 기계번역 모델을 이용한 질의 재구성(query reformulation)을 통해 제1 질의 후보를 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 제1 질의 후보 중 적어도 일부를 검색 질의로 선정하는 단계를 포함하는 질의 생성 방법을 제공한다.

일 측면에 따르면, 상기 생성하는 단계는, 트랜스포머(transformer) 모델의 인코더 부분을 BERT 모델로 교체한 기계번역 모델인 상기 BERT 기반 기계번역 모델을 통해 상기 제1 질의 후보를 생성할 수 있다.

다른 측면에 따르면, 상기 질의 생성 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 BERT 기반 기계번역 모델을 이용하여 인퍼런스된 질의 후보를 캐시(cache)에 저장하는 단계를 더 포함하고, 상기 생성하는 단계는, 상기 캐시에서 상기 원본 질의에 대응되는 상기 제1 질의 후보를 찾아 서빙하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 단위 시간 당 최대 인퍼런스 수와 최대 UQPS(unique query per second) 중 적어도 하나에 기초하여 실시간으로 질의를 처리하기 위한 서빙 장비 수가 산정될 수 있다.

또 다른 측면에 따르면, 상기 생성하는 단계는, MLM(masked language model)과 NSP(next sentence prediction)를 이용한 사전-훈련(pre-training) 기법으로 학습된 상기 BERT 기반 기계번역 모델을 통해 상기 제1 질의 후보를 생성할 수 있다.

또 다른 측면에 따르면, 상기 질의 생성 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 원본 질의에 대하여 통계적 기계번역(statistical machine translation) 모델을 이용한 질의 재구성을 통해 제2 질의 후보를 생성하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 선정하는 단계는, 번역 점수를 기준으로 상기 제1 질의 후보와 상기 제2 질의 후보 중 적어도 일부를 상기 검색 질의로 선정할 수 있다.

또 다른 측면에 따르면, 상기 선정하는 단계는, 번역 점수를 기준으로 상기 제1 질의 후보와 상기 제2 질의 후보 중 적어도 일부를 상기 검색 질의로 선정하고, 상기 제1 질의 후보의 번역 점수에 상기 제2 질의 후보보다 높은 가중치가 적용될 수 있다.

또 다른 측면에 따르면, 상기 선정하는 단계는, 번역 점수를 기준으로 상기 제1 질의 후보와 상기 제2 질의 후보 중 적어도 일부를 상기 검색 질의로 선정하고, 상기 제1 질의 후보에서 상기 제2 질의 후보보다 많은 개수나 비율로 상기 검색 질의가 선정될 수 있다.

또 다른 측면에 따르면, 상기 선정하는 단계는, 번역 점수를 기준으로 상기 제1 질의 후보와 상기 제2 질의 후보 중 적어도 일부를 상기 검색 질의로 선정하고, 상기 제1 질의 후보에 대응되는 검색 결과는 상기 제2 질의 후보에 대응되는 검색 결과보다 상위에 노출될 수 있다.

상기 질의 생성 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록 매체를 제공한다.

컴퓨터 장치에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 원본 질의에 대하여 BERT 기반 기계번역 모델을 이용한 질의 재구성을 통해 제1 질의 후보를 생성하고, 상기 제1 질의 후보 중 적어도 일부를 검색 질의로 선정하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

본 발명의 실시예들에 따르면, SMT 모델과 함께 BERT 모델을 추가로 이용하여 사용자 질의에 대한 QR 후보를 생성함으로써 QR 품질과 검색 품질을 향상시킬 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 따른 컴퓨터 장치가 수행할 수 있는 방법의 예를 도시한 순서도이다.
도 4는 본 발명의 일실시예에 있어서 QR 생성을 위한 멀티 QR 생성 모델의 예시를 도시한 것이다.
도 5 내지 도 9는 본 발명의 일실시예에 있어서 QR 생성을 위한 SMT 모델의 예시를 도시한 것이다.
도 10 내지 도 11은 본 발명의 일실시예에 있어서 QR 생성을 위한 BERT 기반 기계번역 모델의 예시를 도시한 것이다.
도 12는 본 발명의 일실시예에 있어서 실시간 서비스를 위한 BERT 서빙 시스템의 예시를 도시한 것이다.
도 13은 본 발명의 일실시예에 있어서 캐시 기반 BERT 서빙 시스템 구조의 예시를 도시한 것이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들에 따른 질의 생성 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 질의 생성 방법은 질의 생성 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 질의 생성 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 질의 생성 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, 내비게이션, 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 목적하는 서비스(일례로, 검색 서비스)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)는 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.

이하에서는 재구성된 질의를 생성하기 위한 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.

본 실시예들은 질의-텀 매칭 기반 검색 서비스에 적용하기 위한 QR 기술에 관한 것이다. QR을 번역 문제로 보고 기계번역 모델을 이용하여 검색에 적합한 질의로 변환하는 것이다. 특히, 본 실시예에서는 SMT 모델과 BERT 모델이 결합된 번역 모델을 통해 사용자 질의에 대하여 재구성된 질의(이하, 'QR 후보'라 칭함)를 생성할 수 있다.

도 3은 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 방법의 예를 도시한 흐름도이다.

본 실시예에 따른 컴퓨터 장치(200)는 클라이언트를 대상으로 클라이언트 상에 설치된 전용 어플리케이션이나 컴퓨터 장치(200)와 관련된 웹/모바일 사이트 접속을 통해 검색 서비스를 제공할 수 있다. 컴퓨터 장치(200)에는 컴퓨터로 구현된 질의 생성 시스템이 구성될 수 있다. 일례로, 질의 생성 시스템은 독립적으로 동작하는 프로그램 형태로 구현되거나, 혹은 특정 어플리케이션의 인-앱(in-app) 형태로 구성되어 상기 특정 어플리케이션 상에서 동작이 가능하도록 구현될 수 있다.

컴퓨터 장치(200)의 프로세서(220)는 도 3에 따른 질의 생성 방법을 수행하기 위한 구성요소로서 적어도 하나 이상의 구성요소를 포함할 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.

이러한 프로세서(220) 및 프로세서(220)의 구성요소들은 도 3의 질의 생성 방법이 포함하는 단계들(S310 내지 S330)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다. 예를 들어, 프로세서(220) 및 프로세서(220)의 구성요소들은 메모리(210)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.

여기서, 프로세서(220)의 구성요소들은 컴퓨터 장치(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.

프로세서(220)는 컴퓨터 장치(200)의 제어와 관련된 명령이 로딩된 메모리(210)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(220)가 이후 설명될 단계들(S310 내지 S330)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

이후 설명될 단계들(S310 내지 S330)은 도 3에 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들(S310 내지 S330) 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.

도 3을 참조하면, 단계(S310)에서 프로세서(220)는 기계번역 모델인 SMT 모델을 이용하여 사용자 질의를 재구성함으로써 제1 QR 후보군을 생성할 수 있다. 프로세서(220)는 병렬 말뭉치 학습 데이터로 학습된 SMT 모델을 통해 제1 QR 후보군을 생성할 수 있다.

단계(S320)에서 프로세서(220)는 BERT 기반 기계번역 모델을 이용하여 사용자 질의를 재구성함으로써 제2 QR 후보군을 생성할 수 있다. SMT 모델의 경우 빠른 번역 속도로 많은 QR 후보를 생성할 수 있는 반면에, 맥락을 고려하는 번역이 부족하다는 단점이 있다. 이를 보완하기 위해 BERT 모델을 QR에 적용하는 것으로, 분류 모델인 BERT 모델의 경우 SMT와 달리 단어의 의미를 이해하여 맥락을 반영한 자연스러운 번역이 가능하다. BERT 모델은 더 깊은 언어 이해를 위해 MLM(masked language model)과 NSP(next sentence prediction)를 이용한 사전-훈련(pre-training) 기법으로 학습될 수 있다.

단계(S330)에서 프로세서(220)는 사용자 질의에 대응되는 검색 결과를 제공하기 위해 SMT 모델과 BERT 기반 기계번역 모델을 통한 번역 점수에 기초하여 제1 QR 후보군과 제2 QR 후보군 중 적어도 일부를 검색 질의로 선정할 수 있다. 예를 들어, 프로세서(220)는 각 기계번역 모델을 통한 예측 확률을 기준으로 상위 일정 개수나 일정 비율의 QR 후보를 실제 검색 질의로 사용할 수 있다.

프로세서(220)는 검색 질의를 선정하는 과정에서 제2 QR 후보군의 번역 점수에 제1 QR 후보군보다 높은 가중치를 적용할 수 있다. 실시예에 따라서는 번역 점수를 기준으로 상위 일정 개수나 일정 비율의 QR 후보를 검색 질의로 선정할 때 제2 QR 후보군에서 제1 QR 후보군보다 많은 개수나 비율의 QR 후보를 선정하는 것 또한 가능하다. 또한, 프로세서(220)는 검색 결과를 제공함에 있어 제2 QR 후보군에 대응되는 검색 결과를 제1 QR 후보군의 검색 결과보다 상위에 노출시키는 것 또한 가능하다.

도 4에 도시한 바와 같이, 프로세서(220)는 멀티 모델 구조로서 SMT 모델(410)과 BERT 기반 기계번역 모델(420)을 포함할 수 있다. 프로세서(220)는 사용자 질의(40)에 대하여 SMT 모델(410)을 이용한 재구성을 통해 제1 QR 후보군(401)을 생성할 수 있고, 아울러 BERT 기반 기계번역 모델(420)을 이용한 재구성을 통해 제2 QR 후보군(402)을 생성할 수 있다.

SMT 모델(410)의 구조는 도 5와 같다.

도 5를 참조하면, SMT 모델(410)은 통계적인 확률로 번역 결과를 제공하는 것으로, 번역 모델(translation model)(501)과 언어 모델(language model)(502)을 포함한다.

번역 모델(501)은 소스 언어(source language)를 목적 언어(target language)로 변환하는 것으로, 소스 문장과 목적 문장이 쌍으로 구성된 병렬 말뭉치 학습 데이터가 필요하다.

번역 모델(501)은 얼라인먼트 모델(alignment model)과 어휘 번역 모델(lexical translation model)로 구성되며, 도 6에 도시한 바와 같이 얼라인먼트(601)를 추출할 수 있다.

언어 모델(502)은 문장의 확률을 예측하는 것으로, 목적 언어에 대한 학습 데이터가 필요하다. 도 7을 참조하면, 'where are we going'이라는 연속된 단어들이 주어질 때, 'where' 다음에 'are'이 올 확률, 'where are' 다음에 'we'가 올 확률 등을 계산하는 것이다.

SMT 모델(410)은 번역 모델(501)과 언어 모델(502)을 결합하여 통계적인 번역 결과를 만들 수 있다.

상기한 SMT 모델(410)을 적용한 QR 시스템은 도 8과 같다.

병렬 말뭉치 사전으로부터 얼라인먼트 모델과 어휘 번역 모델로 구성된 번역 모델(501), 그리고 언어 모델(502)을 학습할 수 있다.

도 8을 참조하면, SMT 모델(410)을 적용한 QR 시스템은 토큰화 과정(morphological tokenization), 디코딩 과정(SMT decoder), 결과 생성 과정(N best QR result), 휴리스틱 로직(heuristic logic)을 거쳐 원본 질의(original query)인 소스 질의를 목적 질의(target query)로 변환함으로써 재구성된 질의, 즉 제1 QR 후보군(401)을 생성할 수 있다.

예를 들어, 도 9에 도시한 바와 같이 SMT 모델(410)을 적용한 QR 시스템은 원본 질의인 사용자 질의(901)로 '네이버 무료 글씨체'가 주어지는 경우, '네이버', '무료', '글씨체'와 같이 토큰화한 다음, 디코딩 과정과 결과 생성 과정을 거쳐 사용자 질의(901)에 대한 QR 후보군(902)으로서 '네이버 무료 글꼴', '네이버 무료 서체', '네이버 공짜 폰트'를 생성할 수 있다.

SMT 모델(410)을 적용한 QR 시스템은 문맥을 언어 모델(502)에 의존하는 한계가 있어 딥러닝 대비 맥락을 고려하는 번역이 부족하다는 단점이 있다.

본 실시예에서는 SMT 모델(410)의 품질 한계를 개선하기 위해 BERT 기반 기계번역 모델(420)을 이용한 QR 시스템을 추가할 수 있다.

도 10은 BERT 모델 구조를 도시한 것이다.

도 10을 참조하면, BERT 모델(1000)은 주어진 문장을 입력으로 받아 입력 임베딩 레이어(input embedding layer)(1001)를 통해 토큰 단위로 먼저 임베딩한 후 트랜스포머 레이어(transformer layer)(1002)를 거쳐 토큰의 위치 정보를 고려한 인코딩으로 문맥을 표현하는(contextual representation) 구조로 이루어진다.

트랜스포머 레이어(1002)는 CNN이나 RNN과 같은 모델 대신, 셀프-어텐션(self-attention) 모델로 이루어지며, BERT 모델(1000)은 트랜스포머의 인코더와 디코더 중 인코더를 사용하여 언어를 임베딩한다.

트랜스포머 모델의 인코더 부분을 BERT 모델(1000)로 교체함으로써 QR 시스템에 적용하기 위한 BERT 기반 기계번역 모델(420)을 구축할 수 있다.

BERT 기반 기계번역 모델(420)을 적용한 QR 시스템은 도 11과 같다.

분류 모델인 BERT 모델은 다양한 언어 처리나 정보 검색 분야에 적용되면서 매우 높은 성능을 보여주고 있다. 번역 모델을 통해 QR 후보를 생성하기 위한 QR 시스템은 도 11에 도시한 바와 같이 트랜스포머 모델로서 입력 질의 이해를 위한 인코더(1110)와, QR 후보 생성을 위한 디코더(1120)로 구성될 수 있으며, 이때 인코더(1110) 부분을 BERT 모델(1000)로 교체할 수 있다.

인코더(1110)는 BERT 모델(1000)을 이용하여 원본 질의인 사용자 질의(1101)를 심도 깊게 이해할 수 있으며, 단어의 의미를 이해하여 맥락을 반영한 자연스러운 번역이 가능하다. 디코더(1120)는 트랜스포머 모델의 디코더로서 사용자 질의(1101)에 대한 QR 후보군(1102)을 생성할 수 있다.

예를 들어, 도 11에 도시한 바와 같이 BERT 기반 기계번역 모델(420)을 적용한 QR 시스템은 사용자 질의(1101)로 '10대 여성 음악 순위'가 주어지는 경우, BERT 모델(1000)을 이용한 더 깊은 언어 이해를 통해 사용자 질의(1101)에 대한 QR 후보군(1102)으로서 '10대 여자 음악 순위', '10대 여자 노래 순위', '10대 여자 음악 랭킹', '10대 여성 음악 랭킹'을 생성할 수 있다.

따라서, 프로세서(220)는 멀티 QR 생성 모델로서 SMT 모델(410)과 함께 BERT 기반 기계번역 모델(420)을 이용하여 최적의 검색 결과를 제공하기 위한 QR 후보를 생성할 수 있다.

BERT 기반 기계번역 모델(420)의 경우 모델 사이즈가 커서 실시간 서비스에서 성능을 보장하기 어려운 문제가 있다.

도 12를 참조하면, 프로세서(220)는 BERT 기반 기계번역 모델(420)의 응답속도 문제를 극복하기 위해 캐시(cache) 기반 BERT 서빙 시스템(1230)을 더 포함할 수 있다. BERT 서빙 시스템(1230)은 BERT 기반 기계번역 모델(420)의 인퍼런스된 QR 결과를 캐시에 저장하는 방식을 적용할 수 있다.

일반적으로 QR은 통합 검색에서 질의가 들어올 때 각 컬렉션 별 검색에 앞서 수행되기 때문에 QR의 응답속도가 느려지는 만큼 통합 검색의 응답 속도가 느려지게 된다. 이를 해결하기 위해 캐시 서버를 추가하여 BERT 기반 기계번역 모델(420)의 인퍼런스된 QR 결과를 캐시 서버에 저장하여 사용하는 방식을 적용할 수 있다.

도 13은 본 발명의 일실시예에 있어서 BERT 서빙 시스템 구조의 예시를 도시한 것이다.

도 13을 참조하면, BERT 서빙 시스템(1230)은 캐시 서버(1301), NMT(Neural Machine Translation) 프로듀서(1302), 큐(Queue)(1303), 및 NMT 컨슈머(1304)를 포함할 수 있다.

NMT 프로듀서(1302)는 사용자 질의가 입력될 때 캐시 서버(1301)를 참조하여 사용자 질의에 대응되는 QR 후보를 찾아 그 결과를 반환하는 역할을 한다.

한편, NMT 프로듀서(1302)는 캐시 서버(1301)에 사용자 질의에 대응되는 QR 결과가 없는 경우 큐(1303)에 사용자 질의를 삽입한다. 연속으로 동일 질의가 입력되는 경우 큐(1303)에 중복된 질의가 들어갈 수 있기 때문에 캐시 서버(1301)에 빈 값을 삽입한다. 캐시 서버(1301)에 삽입된 빈 값은 임시로 일정 시간(예를 들어, 1시간) 유지할 수 있다.

큐(1303)는 카프카(Kafka)와 같은 메시지 큐 역할을 하는 것으로, NMT 프로듀서(1302)로부터 수신된 질의를 유지하고 있다가 NMT 컨슈머(1304)로 전달할 수 있다.

NMT 컨슈머(1304)는 큐(1303)로부터 질의 목록을 받아서 BERT 기반 기계번역 모델(420)를 이용하여 QR 후보에 대한 인퍼런스를 수행할 수 있다. NMT 컨슈머(1304)는 BERT 기반 기계번역 모델(420)의 QR 후보에 대한 인퍼런스 결과를 캐시 서버(1301)에 삽입한다. 캐시 서버(1301) 상에 인퍼런스된 QR 결과는 일정 시간(예를 들어, 1일) 단위로 업데이트될 수 있다.

프로세서(220)는 실시간으로 쌓이는 질의를 처리하기 위해 필요한 서빙 장비 수를 산정할 수 있다. 프로세서(220)는 실시간으로 입력되는 질의들을 단위 시간(예를 들어, 1초) 내에 처리할 수 있도록 BERT 서빙 시스템(1230)을 구성하는 장비 수를 결정할 수 있다.

일례로, 프로세서(220)는 단위 시간 당 최대 인퍼런스 수와 최대 UQPS(unique query per second)에 기초하여 서빙 장비 수를 산정할 수 있다. 1개의 질의에 대한 인퍼런스를 n번 수행하는 것보다 n개의 질의를 배치(batch)로 묶어 처리하는 것이 유리하다. 예를 들어, 1초 처리량(16개의 질의)으로 UQPS 1,500을 처리하기 위해서는 대략 94개(1500/16=93.75)의 모델 서버 컨테이너가 필요하다.

따라서, 본 실시예에서는 모델 사이즈가 크고 응답 속도가 느린 BERT 모델을 QR 시스템에 적용하기 위해 캐시 기반 서빙 플랫폼을 사용함으로써 실시간 서비스를 보장할 수 있다.

캐시 기반 서빙 플랫폼을 사용하는 것 이외에도 BERT 모델의 파라미터를 줄이기 위해 레이어를 3개로 낮추고 모델 압축을 위한 지식 증류(knowledge distillation) 기법을 적용하여 성능을 최적화하는 것 또한 가능하다.

이처럼 본 발명의 실시예들에 따르면, SMT 모델과 함께 BERT 모델을 추가로 이용하여 사용자 질의에 대한 QR 후보를 생성함으로써 QR 품질과 검색 품질을 향상시킬 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 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, 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 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 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, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

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 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

컴퓨터 장치에서 실행되는 질의 생성 방법에 있어서,
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 질의 생성 방법은,
상기 적어도 하나의 프로세서에 의해, 원본 질의에 대하여 BERT(Bidirectional Encoder Representations from Transformer) 기반 기계번역 모델을 이용한 질의 재구성(query reformulation)을 통해 제1 질의 후보를 생성하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 원본 질의에 대하여 통계적 기계번역(statistical machine translation) 모델을 이용한 질의 재구성을 통해 제2 질의 후보를 생성하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 제1 질의 후보와 상기 제2 질의 후보에서 적어도 일부의 질의 후보를 검색 질의로 선정하는 단계
를 포함하고,
상기 제1 질의 후보를 생성하는 단계는,
인퍼런스된 질의 후보가 저장된 캐시(cache)를 참조하여 상기 캐시에서 상기 원본 질의에 대응되는 상기 제1 질의 후보를 찾는 단계; 및
상기 캐시에 상기 원본 질의에 대응되는 상기 제1 질의 후보가 없는 경우, 상기 원본 질의에 대해 상기 BERT 기반 기계번역 모델을 이용하여 인퍼런스를 수행하여 인퍼런스 결과를 상기 캐시에 삽입하는 단계
를 포함하는 질의 생성 방법.
제1항에 있어서,
상기 제1 질의 후보를 생성하는 단계는,
트랜스포머(transformer) 모델의 인코더 부분을 BERT 모델로 교체한 기계번역 모델인 상기 BERT 기반 기계번역 모델을 통해 상기 제1 질의 후보를 생성하는 것
을 특징으로 하는 질의 생성 방법.
삭제
제1항에 있어서,
단위 시간 당 최대 인퍼런스 수와 최대 UQPS(unique query per second) 중 적어도 하나에 기초하여 실시간으로 질의를 처리하기 위한 서빙 장비 수가 산정되는 것
을 특징으로 하는 질의 생성 방법.
제1항에 있어서,
상기 제1 질의 후보를 생성하는 단계는,
MLM(masked language model)과 NSP(next sentence prediction)를 이용한 사전-훈련(pre-training) 기법으로 학습된 상기 BERT 기반 기계번역 모델을 통해 상기 제1 질의 후보를 생성하는 것
을 특징으로 하는 질의 생성 방법.
삭제
제1항에 있어서,
상기 선정하는 단계는,
각 기계번역 모델을 통한 예측 확률을 기준으로 상기 제1 질의 후보와 상기 제2 질의 후보에서 일부를 상기 검색 질의로 선정하는 것
을 특징으로 하는 질의 생성 방법.
제1항에 있어서,
상기 제1 질의 후보와 상기 제2 질의 후보에서 상기 검색 질의를 선정함에 있어 상기 제1 질의 후보에 상기 제2 질의 후보보다 높은 가중치가 적용되는 것
을 특징으로 하는 질의 생성 방법.
제1항에 있어서,
상기 제1 질의 후보와 상기 제2 질의 후보에서 상기 검색 질의를 선정함에 있어 상기 제1 질의 후보에서 상기 제2 질의 후보보다 많은 개수나 비율로 상기 검색 질의가 선정되는 것
을 특징으로 하는 질의 생성 방법.
제1항에 있어서,
상기 제1 질의 후보에 대응되는 검색 결과는 상기 제2 질의 후보에 대응되는 검색 결과보다 상위에 노출되는 것
을 특징으로 하는 질의 생성 방법.
제1항, 제2항, 제4항, 제5항, 제7항 내지 제10항 중 어느 한 항의 질의 생성 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록 매체.
컴퓨터 장치에 있어서,
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
원본 질의에 대하여 BERT 기반 기계번역 모델을 이용한 질의 재구성을 통해 제1 질의 후보를 생성하고,
상기 원본 질의에 대하여 통계적 기계번역 모델을 이용한 질의 재구성을 통해 제2 질의 후보를 생성하고,
상기 제1 질의 후보와 상기 제2 질의 후보에서 적어도 일부의 질의 후보를 검색 질의로 선정하고,
상기 적어도 하나의 프로세서는,
인퍼런스된 질의 후보가 저장된 캐시(cache)를 참조하여 상기 캐시에서 상기 원본 질의에 대응되는 상기 제1 질의 후보를 찾고,
상기 캐시에 상기 원본 질의에 대응되는 상기 제1 질의 후보가 없는 경우, 상기 원본 질의에 대해 상기 BERT 기반 기계번역 모델을 이용하여 인퍼런스를 수행하여 인퍼런스 결과를 상기 캐시에 삽입하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서는,
트랜스포머 모델의 인코더 부분을 BERT 모델로 교체한 기계번역 모델인 상기 BERT 기반 기계번역 모델을 통해 상기 제1 질의 후보를 생성하는 것
을 특징으로 하는 컴퓨터 장치.
삭제
제12항에 있어서,
단위 시간 당 최대 인퍼런스 수와 최대 UQPS 중 적어도 하나에 기초하여 실시간으로 질의를 처리하기 위한 서빙 장비 수가 산정되는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서는,
MLM과 NSP를 이용한 사전-훈련 기법으로 학습된 상기 BERT 기반 기계번역 모델을 통해 상기 제1 질의 후보를 생성하는 것
을 특징으로 하는 컴퓨터 장치.
삭제
제12항에 있어서,
상기 적어도 하나의 프로세서는,
각 기계번역 모델을 통한 예측 확률을 기준으로 상기 제1 질의 후보와 상기 제2 질의 후보에서 일부를 상기 검색 질의로 선정하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 제1 질의 후보와 상기 제2 질의 후보에서 상기 검색 질의를 선정함에 있어 상기 제1 질의 후보에 상기 제2 질의 후보보다 높은 가중치가 적용되는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 제1 질의 후보와 상기 제2 질의 후보에서 상기 검색 질의를 선정함에 있어 상기 제1 질의 후보에서 상기 제2 질의 후보보다 많은 개수나 비율로 상기 검색 질의가 선정되는 것
을 특징으로 하는 컴퓨터 장치.