KR102595384B1 - 문서 유사도 학습에 기반한 딥러닝 모델의 전이 학습 방법 및 시스템 - Google Patents

Abstract

문서 유사도 학습에 기반한 딥러닝 모델의 전이 학습 방법 및 시스템을 개시한다. 일실시예에 따른 전이 학습 방법은 문서들간의 유사도를 출력하도록 유사도 모델을 사전 학습시키는 단계, 사전 학습된 유사도 모델의 제1 출력함수를 본 학습을 위한 제2 출력함수로 교체하여 본 학습 모델을 생성하는 단계 및 본 학습 모델이 입력되는 문서에 대해 적어도 하나의 스코어를 출력하도록 본 학습 모델을 학습시키는 단계를 포함할 수 있다.

Description

문서 유사도 학습에 기반한 딥러닝 모델의 전이 학습 방법 및 시스템{METHOD AND SYSTEM FOR TRANSFER LEARNING OF DEEP LEARNING MODEL BASED ON DOCUMENT SIMILARITY LEARNING}

아래의 설명은 문서 유사도 학습에 기반한 딥러닝 모델의 전이 학습 방법 및 시스템에 관한 것이다.

머신러닝 모델 구축 시에 품질에 영향을 주는 큰 요소가 학습데이터의 양과 질이다. 편향되지 않고 이상치, 결측치가 없는 풍부한 데이터를 바탕으로 한 학습모델은 좋은 성능을 보여줄 가능성이 높다. 하지만 모든 분야에서 학습 데이터가 풍부한 것은 아니다. 학습 데이터의 부족은 곧 완전하지 않은 모델(Incomplete Model)로 이어질 수 밖에 없다. 이러한 제약을 극복하기 위해 학습 방법 자체에 대한 연구, 즉 메타-학습에 관한 연구도 활발히 이뤄지고 있다. 학습에 사용할만한 양질의 데이터가 충분히 확보되지 못한다면 다른 분야의 풍부한 데이터를 바탕으로 한 좋은 성능의 모델에서 일부 계층을 재활용하여 모델을 구축하는 방법을 고려해 볼 수 있다. 이러한 학습 기법이 바로 전이 학습(Transfer Learning)이다.

일반적으로 문서 분류 모델의 성능을 향상 시키기 위한 전이 학습 방법론에서는 문장의 일부분만 입력으로 주어진 상태에서 주어지지 않은 토큰을 예측하는 언어 모델링, 한 모델에 대하여 관련성 있는 다른 분류 문제를 동시에 학습시키는 멀티 태스크 러닝, 주어진 두 문장이 연속된 두 문장인지의 여부를 분류하는 태스크 등을 수행한다. 두 문장 사이 유사도가 사람에 의해서 매겨진 데이터를 이용한 유사도 학습 방법 또한 사용되고 있다.

이러한 종래기술들의 공통적인 한계점은, 분류하고자 하는 문서 집합 내에서 두 문서의 특정 속성이 서로 일치하는지 여부가 매우 중요한 의미를 갖는 경우에도 이를 적절히 활용할 수 없다는 점이다. 언어 모델링 방법론은 문장을 구성하는 토큰의 수의 비례하여 모델의 계산 비용이 매우 늘어나는 단점이 있으며, 멀티 태스크 러닝 방법론은 태스크의 수만큼 레이블링된 문서 집합들이 요구된다. 두 문장이 연속된 문장인지의 여부에 대한 판별은 각 문서 집합 내의 각 문서가 단문으로 이루어져 있거나 문장 분리에 용이하지 않은 유형일 경우 적용하기에 어려움이 따른다. 현재 두 문서 사이에 유사도를 학습하는 방법론은 유사도가 사람에 의해서 매겨진 데이터를 이용하고 있으므로 데이터 구축에 인력의 동원을 전제로 하고 있다는 문제점이 있다.

[선행기술문헌]

한국공개특허 제10-2020-0048474호

전이 학습을 위한 새로운 사전 학습(pre-training) 방법과 이를 본 학습(fine tuning) 과정으로 이어가기 위한 절차를 제공한다.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 전이 학습 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 문서들간의 유사도를 출력하도록 유사도 모델을 사전 학습시키는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 사전 학습된 유사도 모델의 제1 출력함수를 본 학습을 위한 제2 출력함수로 교체하여 본 학습 모델을 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 본 학습 모델이 입력되는 문서에 대해 적어도 하나의 스코어를 출력하도록 상기 본 학습 모델을 학습시키는 단계를 포함하는 전이 학습 방법을 제공한다.

일측에 따르면, 상기 제1 출력함수는 N Х M의 크기를 가지는 행렬을 곱하는 연산을 포함하고, 상기 제2 출력함수는 K Х M의 크기를 가지는 행렬을 곱하는 연산을 포함하고, 상기 N, 상기 M 및 상기 K는 자연수인 것을 특징으로 할 수 있다.

다른 측면에 따르면, 상기 본 학습 모델을 학습시키는 단계는, 입력되는 문서마다 K개의 항목별로 확률값을 산출하는 K 분류 모델을 상기 본 학습 모델로서 학습시키고, 상기 K는 자연수인 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 본 학습 모델을 학습시키는 단계는, 입력되는 문서의 스코어와 정답 레이블간의 CEE(Cross Entropy Error)를 최소화하는 상기 스코어를 출력하도록 상기 본 학습 모델을 학습시키는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 정답 레이블은 상기 입력되는 문서에 대해 미리 결정된 상기 입력되는 문서의 악성댓글 여부에 대한 값을 포함하고, 상기 본 학습 모델은 상기 입력되는 문서의 악성댓글 여부를 상기 스코어로서 출력하도록 학습되는 악성댓글 탐지 모델인 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 사전 학습시키는 단계는, 상기 적어도 하나의 프로세서에 의해, 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각 및 상기 비유사 문서쌍 각각에 대한 의미적 유사도를 획득하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍, 상기 복수의 비유사 문서쌍 및 상기 의미적 유사도를 이용하여 유사도 모델을 학습시키는 단계를 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 의미적 유사도를 획득하는 단계는, 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 상기 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 상기 복수의 유사 문서쌍 각각 및 상기 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산하는 단계를 포함하는 것을 특징으로 할 수 있다.

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

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

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

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

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 문서들간의 유사도를 출력하도록 유사도 모델을 사전 학습시키고, 상기 사전 학습된 유사도 모델의 제1 출력함수를 본 학습을 위한 제2 출력함수로 교체하여 본 학습 모델을 생성하고, 상기 본 학습 모델이 입력되는 문서에 대해 적어도 하나의 스코어를 출력하도록 상기 본 학습 모델을 학습시키는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

분류하고자 하는 문서 집합 내 각 문서가 가지고 있는 유의미한 속성들을 전이 학습 과정에서 활용할 수 있고, 사전 학습에 필요한 데이터를 구축하는 데 있어서 인력을 필요로 하지 않는 완전 자동화가 가능해진다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 있어서, 사전 학습을 위한 전이 학습 시스템의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 사전 학습을 위한 유사도 모델의 학습 과정의 예를 도시한 도면이다.
도 5는 본 발명의 일실시예에 있어서, 본 학습 모델의 학습 과정의 예를 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 전이 학습 방법의 예를 도시한 흐름도이다.
도 7은 본 발명의 일실시예에 따른 악성댓글 탐지 모델의 예를 도시한 도면이다.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

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

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

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

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

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

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

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

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

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

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

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

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

먼저 사전 학습에 필요한 데이터를 구축하기 위해서 다수의 문서를 보존하고 있는 데이터베이스 상에서 두 문서로 구성된 쌍을 임의 추출 방식으로 다수 추출할 수 있다. 추출한 문서 쌍들 가운데 두 문서가 특정 속성(attribute)에 대하여 동일한 값을 가지고 있는 것을 유사 문서쌍이라 하고, 그렇지 않은 것을 비유사 문서쌍이라 한다. 일관된 규칙을 적용하여 유사 문서 쌍들에 대해서는 전반적으로 높은 유사도를, 비유사 문서 쌍들에 대해서는 전반적으로 낮은 유사도를 갖도록 목표 유사도를 부여할 수 있다. 이후 전이 학습 과정을 수행하고자 하는 모델이 문서 쌍들을 입력받아 산출하는 값과 각 문서 쌍에 부여된 목표 유사도와의 오차를 최소화하는 것을 목표로 하는 사전 학습을 진행할 수 있다.

이후, 사전 학습 과정을 마친 모델을 이용하여 본래 목표로 했던 문서 분류 학습을 위해 본 학습이 진행될 수 있다.

전이 학습을 위한 상세한 데이터 구축 과정은 다음과 같다.

다수의 문서를 보존하고 있는 데이터베이스 상에서 문서의 속성들 중 어떤 속성이 두 문서 사이에 공통된 값일 때 두 문서의 내용 간의 유의미한 연관성을 가질 것인지 판단한다. 그러한 속성이 정해지면, 해당 속성이 공통인 두 문서로 이루어진 다수의 문서 쌍을 데이터베이스로부터 추출하고 이들을 유사 문서쌍이라 한다. 그리고 이와 반대로 해당 속성이 공통이 아닌 두 문서로 이루어진 다수의 문서 쌍 또한 추출하고 이들을 비유사 문서쌍이라 한다. 그 다음 적절한 두 개의 함수를 고안해야 하는데, 한 함수는 유사도를 정의하고자 하는 범위, 예를 들어, 0부터 1사이의 실수 값을 해당 범위 내에서 적절히 상향 시키도록 하여 이를 유사도 상향 함수라 하고, 다른 한 함수는 같은 범위의 실수 값을 해당 범위 내에서 적절히 하향시키도록 하여 이를 유사도 하향 함수라 부른다. 그리고 앞서 수집된 모든 문서 쌍들에 대하여 각 쌍을 구성하는 두 문서 간의 유사도를 전통적인 문서 유사도 측정 방법을 이용해 산출하는데, 유사 문서쌍에 대해서는 전통적인 문서 유사도 측정 방법을 이용해 산출된 유사도 값에 대해 유사도 상향 함수를 적용하여 이를 해당 문서 쌍의 목표 유사도로 삼고, 비유사 문서쌍에 대해서는 마찬가지 방법으로 산출된 유사도 값에 대해 유사도 하향 함수를 적용하여 이를 해당 문서 쌍의 목표 유사도로 삼는다.

위와 같이 구축된 학습 데이터를 이용해 사전 학습을 수행하는 과정은 다음과 같다.

먼저, 사전 학습을 수행할 모델은 두 문서를 입력 받아 하나의 실수 값을 산출할 수 있는 형태로 구성되어야 한다. 앞에서 기술한 형태의 연산을 수행하기 위해서는 모델을 한 문서에 대하여 하나의 벡터 표현(vector representation)을 산출하는 형태로 구성하고, 같은 모델로 두 문서를 각각 벡터 표현으로 추상화한 뒤, 두 벡터 표현 간의 적절한 연산을 통해 유사도를 산출할 수 있다. 예를 들면, 두 문서 벡터 간의 코사인 유사도를 산출하는 방법이 있을 수 있다. 이러한 연산 구조 하에서 모델이 학습 데이터 상의 각 문서 쌍의 유사도를 산출할 때, 산출된 유사도와 해당 문서 쌍에 부여된 목표 유사도간의 오차가 최소화되도록 학습시킬 수 있다.

도 3은 본 발명의 일실시예에 있어서, 사전 학습을 위한 전이 학습 시스템의 예를 도시한 도면이다. 본 실시예에 따른 전이 학습 시스템(300)은 앞서 설명한 컴퓨터 장치(200)에 의해 구현될 수 있으며, 컴퓨터 장치(200)가 포함하는 프로세서(220)의 제어에 따라 이후 설명되는 사전 학습을 위한 유사도 모델의 학습 과정을 처리할 수 있다.

전이 학습 시스템(300)은 문서 DB(310)에 포함된 문서들간의 유사도와 문서들간에 부여된 목표 유사도(또는 정답 유사도)간의 오차가 최소화되도록 유사도 모델(320)을 학습시킬 수 있다.

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

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

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

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

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

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

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

도 4는 본 발명의 일실시예에 있어서, 사전 학습을 위한 유사도 모델의 학습 과정의 예를 도시한 도면이다. 도 3에서 설명한 유사도 모델(320)은 공통 모델 구조(410)와 출력함수(420)를 포함할 수 있다. 공통 모델 구조(410)는 특징 학습을 위한 행렬의 형태를 가질 수 있으며, 출력함수는 N차원 벡터를 출력하기 위해 N Х M 의 크기를 가지는 행렬을 곱하는 연산일 수 있다. 이러한 유사도 모델(320)의 구조 자체는 CNN, RNN 등의 딥러닝 모델을 통해 쉽게 이해될 수 있을 것이다.

이러한 도 4의 실시예에서는 유사도 모델(320)이 문서쌍으로서의 댓글 A(431)와 댓글 B(432)를 유사도 모델(320)이 댓글 A(431)에 대한 N차원 벡터 v1(441) 및 댓글 B(432)에 대한 N차원 벡터 v2(442)를 각각 출력하고, 출력된 v1(441) 및 v2(442)간의 유사도(450)를 계산하는 예를 나타내고 있다. 이때, 유사도 모델(320)은 유사도(450)와 댓글 A(431)와 댓글 B(432)에 대해 미리 얻어진 정답 유사도(460)간의 MSE(470)를 최소화시키는 유사도(450)가 출력되도록 학습될 수 있다.

이때, 학습된 유사도 모델(320)의 공통 모델 구조(410)가 본 학습을 위해 활용될 수 있다.

도 5는 본 발명의 일실시예에 있어서, 본 학습 모델의 학습 과정의 예를 도시한 도면이다. 본 실시예에 따른 본 학습 모델은 도 4에서 학습된 공통 모델 구조(410)와 본 학습을 위한 출력함수(510)를 포함할 수 있다.

이미 설명한 바와 같이 사전 학습의 출력함수(420)는 N차원 벡터를 산출하기 위한 N Х M의 크기를 가지는 행렬을 곱하는 연산일 수 있으며, 일례로, 64차원(N이 64인 경우)의 완전하게 연결된 계층(64D fully connected layer)으로 구현될 수 있다. 이러한 출력함수(420)는 본 학습에서 요구하는 적절한 크기의 다른 행렬로 교체될 수 있다. 예를 들어, 문서 마다 K개의 항목별로 0부터 1사이 확률값을 산출해야 하는 K 분류 모델(K-Binary Classification Model)을 학습시키는 것이 사전 학습 이후 수행해야 할 단계라고 한다면 본 학습 모델의 출력함수(510)는 K차원 벡터를 산출하기 위한 K Х M의 크기를 가지는 행렬을 곱하는 연산일 수 있다. 일례로, 출력함수(510)는 1차원(K가 1인 경우)의 완전하게 연결된 계층(1D fully connected layer)으로 구현될 수 있다. 출력함수(510)의 행렬은 사전 학습된 적이 없는 새로운 행렬이므로 임의의 값들로 초기화(random initialization)될 수 있다. 이처럼, 사전 학습에서 학습된 공통 모델 구조(410)와 교체된 출력함수(510)를 활용하여 본 학습 모델을 학습함에 따라 전이 학습이 이루어질 수 있다.

이때, 도 5의 실시예에 따른 본 학습에서는 댓글(520)에 대한 스코어(530)를 출력하도록 본 학습 모델이 학습되는 예를 나타내고 있다. 이때, 도 5의 실시예에 따른 본 학습 모델은 스코어(530)와 정답 레이블(540)간의 CEE(Cross Entropy Error, 550)를 최소화하는 스코어(530)를 출력하도록 학습될 수 있다. 정답 레이블(540)은 댓글(520)이 악성댓글인지 여부에 따라 미리 결정될 수 있다.

본 학습의 목표에 따라서 사전 학습 단계에서는 다양한 속성들이 유사 문서쌍을 구성하는 데에 활용될 수 있다. 예를 들어, 문서의 종류 중 하나로 인터넷 커뮤니티의 댓글이 악성댓글인지 여부에 대한 확률 모델을 학습시키는 것이 본 학습의 목표라고 한다면, 악성댓글을 빈번하게 작성하는 사용자들이 별도로 존재한다는 가정을 해볼 수 있다. 이러한 가정 하에 서로 다른 댓글들 간의 작성자가 일치하는 지 여부에 대한 지식(knowledge)을 본 학습 모델이 알고 있다면, 본 학습 모델은 악성댓글을 분류하는 과정에서 해당 악성댓글을 쓴 사용자가 쓸 법한 다른 유사한 댓글에 등장하는 표현 또한 악성댓글일 확률이 높다는 추론을 가능하게 함으로써 본 학습 모델의 악성댓글 탐지 성능을 향상시킬 수 있다. 이외에도 해결하고자 하는 본 학습에 따른 문제의 특성에 따라 댓글이 달린 컨텐츠의 일치 여부, 작성 시간, 그리고 이러한 속성들의 조합 등도 유사 문서쌍을 구성하기 위한 조건으로 활용될 수 있다.

도 6은 본 발명의 일실시예에 따른 전이 학습 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 전이 학습 방법은 컴퓨터 장치(200)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(200)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 6의 방법이 포함하는 단계들(610 내지 630)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.

단계(610)에서 컴퓨터 장치(200)는 문서들간의 유사도를 출력하도록 유사도 모델을 사전 학습시킬 수 있다. 일례로, 컴퓨터 장치(200)는 데이터베이스로부터 동일한 속성을 갖는 복수의 유사 문서쌍을 포함하는 유사 문서쌍 집합 및 랜덤하게 추출된 복수의 비유사 문서쌍을 포함하는 비유사 문서쌍 집합을 추출할 수 있다. 여기서, 속성은 문서의 작성자, 문서의 게시 섹션 및 문서의 등록 시간 범위 중 적어도 하나를 포함할 수 있다. 이러한 속성에 따른 문서간 유사도에 대한 지식은 유사도 모델에 학습될 수 있으며, 추후 유사도 모델을 통해 생성되는 본 학습 모델로 계승될 수 있다.

우선, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 비유사 문서쌍 각각에 대한 의미적 유사도를 획득할 수 있다. 이를 위해, 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대해 수학적 척도를 이용한 수학적 유사도를 계산할 수 있으며, 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 증가시키고 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 감소시켜, 복수의 유사 문서쌍 각각 및 복수의 비유사 문서쌍 각각에 대한 의미적 유사도를 계산할 수 있다. 보다 구체적으로 컴퓨터 장치(200)는 복수의 유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제1 비선형 함수에 입력하여 증가시키고, 복수의 비유사 문서쌍 각각에 대해 계산된 수학적 유사도를 제2 비선형 함수에 입력하여 감소시킬 수 있다. 이 경우, 제1 비선형 함수 및 제2 비선형 함수는 제1 비선형 함수가 동일한 모든 입력 값에 대해 제2 비선형 함수보다 높은 값을 산출하는 조건을 만족하는 두 개의 비선형 함수일 수 있다.

이처럼, 의미적 유사도가 계산된 후, 컴퓨터 장치(200)는 복수의 유사 문서쌍, 복수의 비유사 문서쌍 및 의미적 유사도를 이용하여 유사도 모델을 학습시킬 수 있다. 일례로, 컴퓨터 장치(200)는 입력되는 문서쌍들에 대해, 출력값이 정답 유사도와의 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하도록 유사도 모델을 학습할 수 있다.

단계(620)에서 컴퓨터 장치(200)는 사전 학습된 유사도 모델의 제1 출력함수를 본 학습을 위한 제2 출력함수로 교체하여 본 학습 모델을 생성할 수 있다. 여기서, 제1 출력함수는 N Х M의 크기를 가지는 행렬을 곱하는 연산을 포함할 수 있고, 제2 출력함수는 K Х M의 크기를 가지는 행렬을 곱하는 연산을 포함할 수 있다. 이때, N, M, K는 각각 자연수일 수 있으며, 사전 학습과 본 학습은 서로 다른 목적을 위한 학습인 관계로 N, M, K는 각각 서로 다른 자연수일 수도 있다.

단계(630)에서 컴퓨터 장치(200)는 본 학습 모델이 입력되는 문서에 대해 적어도 하나의 스코어를 출력하도록 본 학습 모델을 학습시킬 수 있다. 일실시예로, 컴퓨터 장치(200)는 입력되는 문서마다 K(K는 자연수)개의 항목별로 확률값을 산출하는 K 분류 모델을 본 학습 모델로서 학습시킬 수 있다. 예를 들어, 입력되는 문서가 복수의 항목들 중 어느 항목에 속하는 문서인가를 구분하도록 본 학습 모델을 학습시키는 경우, 이러한 K 분류 모델이 활용될 수 있다. 다른 실시예로, 컴퓨터 장치(200)는 입력되는 문서의 스코어와 정답 레이블간의 CEE(Cross Entropy Error)를 최소화하는 스코어를 출력하도록 본 학습 모델을 학습시킬 수 있다. 이때, 정답 레이블은 입력되는 문서에 대해 미리 결정된 입력되는 문서의 악성댓글 여부에 대한 값을 포함할 수 있으며, 이 경우 본 학습 모델은 입력되는 문서의 악성댓글 여부를 스코어로서 출력하도록 학습되는 악성댓글 탐지 모델일 수 있다. 이러한 악성댓글 탐지 모델은 K가 1인 경우의 K 분류 모델일 수 있으며, 입력되는 문서가 하나의 항목(악성댓글)에 속하는지 아닌지에 대한 스코어를 출력할 수 있다.

이미 설명한 바와 같이, 본 학습 모델은 사전 학습 모델로서의 유사도 모델을 계승하기 때문에 본 학습 모델은 유사도 모델이 학습한 문서들간의 유의미한 속성들에 대한 지식을 활용할 수 있게 된다. 뿐만 아니라, 사전 학습 모델로서의 유사도 모델은 문서들의 데이터베이스로부터 동일 속성을 포함하는지 여부에 따라 유사 문서쌍과 비유사 문서쌍을 자동으로 추출하여 학습 데이터를 구축하기 때문에 사전 학습에 필요한 데이터를 구축하는 데 있어서 인력을 필요로 하지 않는 완전 자동화가 가능해진다.

도 7은 본 발명의 일실시예에 따른 악성댓글 탐지 모델의 예를 도시한 도면이다. 도 7은 댓글에 대한 1억건의 데이터를 학습한 유사도 모델을 갖는 사전 학습(710)과 댓글에 대한 33만건의 데이터를 학습한 본 학습 모델을 갖는 본 학습(720)을 나타내고 있다. 이때, 본 학습 모델은 유사도 모델의 공통 모델 구조(730)를 계승할 수 있다. 악성댓글 탐지를 위한 본 학습(720)에서는 댓글이 악성댓글인지 여부에 대한 정답 레이블을 갖는 학습 데이터의 생성을 위해 인력이 동원될 필요성이 있기 때문에 많은 수의 학습 데이터를 생성하기 어려움이 있다. 반면, 사전 학습(710)에서는 데이터베이스의 댓글들이 동일한 속성을 갖는지 여부에 따라 학습 데이터를 자동으로 생성할 수 있기 때문에, 상대적으로 매우 많은 수의 데이터를 학습하는 것이 가능하다.

따라서, 본 학습(720)에서는 사전 학습(710)을 통해 학습된 유사도 모델의 공통 모델 구조(730)를 계승하여 악성댓글 탐지를 위해 생성된 학습 데이터를 추가로 학습함으로써, 악성댓글 탐지를 위한 성능을 크게 향상시킬 수 있다. 본 학습(720)에서는 유사도 모델의 출력함수(Fully Connected Layer)를 본 학습을 위한 출력함수로 교체함으로써, 본 학습 모델을 생성할 수 있다. 이때, 공통 모델 구조(730)에서는 실제 실험예에서 사용된 구조로서 임베딩 매트릭스(Embedding matrix), CNN(Convolutional Neural Network), LSTM(Long short term memory), BiLSTM(bidirectional LSTM), 풀링 레이어(Pooling Layer)를 나타내고 있으나, 이에 한정되는 것은 아니며, 각 구성요소들은 딥러닝 모델에 대해 이미 잘 알려진 기술들을 통해 쉽게 이해될 수 있을 것이다.

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

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

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

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

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (7)

1. 적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 전이 학습 방법에 있어서,
   상기 적어도 하나의 프로세서에 의해, 문서들간의 유사도를 출력하도록 공통 모델 구조 및 제1 출력함수를 포함하는 유사도 모델을 사전 학습시키는 단계;
   상기 적어도 하나의 프로세서에 의해, 상기 사전 학습된 유사도 모델의 상기 제1 출력함수를 본 학습을 위한 제2 출력함수로 교체하여 상기 공통 모델 구조 및 상기 제2 출력함수를 포함하는 본 학습 모델을 생성하는 단계; 및
   상기 적어도 하나의 프로세서에 의해, 상기 본 학습 모델이 입력되는 문서에 대해 적어도 하나의 스코어를 출력하도록 상기 본 학습 모델을 학습시키는 단계
   를 포함하는 전이 학습 방법.
2. 제1항에 있어서,
   상기 본 학습 모델을 학습시키는 단계는,
   입력되는 문서의 스코어와 정답 레이블간의 CEE(Cross Entropy Error)를 최소화하는 상기 스코어를 출력하도록 상기 본 학습 모델을 학습시키는 것을 특징으로 하는 전이 학습 방법.
3. 제2항에 있어서,
   상기 정답 레이블은 상기 입력되는 문서에 대해 미리 결정된 상기 입력되는 문서의 악성댓글 여부에 대한 값을 포함하고,
   상기 본 학습 모델은 상기 입력되는 문서의 악성댓글 여부를 상기 스코어로서 출력하도록 학습되는 악성댓글 탐지 모델인 것
   을 특징으로 하는 전이 학습 방법.
4. 컴퓨터 장치와 결합되어 제1항 내지 제3항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
5. 제1항 내지 제3항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.
6. 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
   를 포함하고,
   상기 적어도 하나의 프로세서에 의해,
   문서들간의 유사도를 출력하도록 공통 모델 구조 및 제1 출력함수를 포함하는 유사도 모델을 사전 학습시키고,
   상기 사전 학습된 유사도 모델의 상기 제1 출력함수를 본 학습을 위한 제2 출력함수로 교체하여 상기 공통 모델 구조 및 상기 제2 출력함수를 포함하는 본 학습 모델을 생성하고,
   상기 본 학습 모델이 입력되는 문서에 대해 적어도 하나의 스코어를 출력하도록 상기 본 학습 모델을 학습시키는 것
   을 특징으로 하는 컴퓨터 장치.
7. 제6항에 있어서,
   상기 적어도 하나의 프로세서에 의해,
   입력되는 문서의 스코어와 정답 레이블간의 CEE(Cross Entropy Error)를 최소화하는 상기 스코어를 출력하도록 상기 본 학습 모델을 학습시키는 것
   을 특징으로 하는 컴퓨터 장치.

Images