KR102649675B1 - 그래프 자료 구조 및 벡터 데이터가 통합된 풀 텍스트 인덱스를 이용한 정보 제공 방법 및 시스템 - Google Patents

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는, 풀 텍스트 인덱스(full-text index)를 이용한 정보 제공 방법을 제공한다. 이 방법은, 자연어 쿼리를 수신하는 단계, 자연어 쿼리에 기초하여, 그래프 구조로 형성된 제1 인덱스 데이터베이스에 저장된 제1 엔티티(entity) 노드를 결정하는 단계, 원천 데이터베이스로부터 제1 엔티티 노드와 연관된 데이터를 추출하는 단계 및 제1 엔티티와 연관된 데이터를 이용하여 수신된 자연어 쿼리에 대한 결과를 출력하는 단계를 포함한다.

Description

그래프 자료 구조 및 벡터 데이터가 통합된 풀 텍스트 인덱스를 이용한 정보 제공 방법 및 시스템{METHOD AND SYSTEM FOR PROVIDING INFORMATION USING FULL-TEXT INDEX INTEGRATED GRAPH DATA STRUCTURE AND VECTOR DATA}

본 개시는 정보 제공 방법 및 시스템에 관한 것으로, 구체적으로, 수신된 자연어 쿼리에 기초하여 그래프 구조로 형성된 제1 인덱스 데이터베이스에 저장된 제1 엔티티 노드를 결정하고, 자연어 쿼리에 대한 결과로서 제1 엔티티 노드와 연관된 데이터를 제공하는 방법 및 시스템에 관한 것이다.

네트워크 및 정보 처리 기술이 발전함에 따라, 사용자에게 다양한 서비스를 제공하기 위하여 다양한 데이터가 수집 및 이용될 수 있다. 이러한 데이터를 활용하기 위해서는 사용자가 찾고자 하는 데이터를 효과적으로 제공하는 것이 중요하다.

한편, 인덱스(index)는 축적된 데이터 중 주요 항목에 대응되는 데이터를 일부 저장하여 미리 정렬함으로써, 검색의 효율성을 높이는 방법 중 하나이다. 그러나, 이러한 인덱스를 통한 검색은 단순히 검색어와 유사한 데이터를 제공한다는 한계가 있다.

본 개시는 상기와 같은 문제점을 해결하기 위한 그래프 자료 구조 및 벡터 데이터가 통합된 풀 텍스트 인덱스를 이용한 정보 제공 방법 및 시스템(장치)을 제공한다.

본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따른 정보 제공 방법은, 자연어 쿼리를 수신하는 단계, 자연어 쿼리에 기초하여, 그래프 구조로 형성된 제1 인덱스 데이터베이스에 저장된 제1 엔티티(entity) 노드를 결정하는 단계, 원천 데이터베이스로부터 제1 엔티티 노드와 연관된 데이터를 추출하는 단계 및 제1 엔티티와 연관된 데이터를 이용하여 수신된 자연어 쿼리에 대한 결과를 출력하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 제1 엔티티 노드를 결정하는 단계는, 기계 학습 모델을 이용하여 자연어 쿼리로부터 엔티티를 추출하는 단계 및 추출된 엔티티 및 제1 인덱스 데이터베이스에 포함된 엔티티 노드의 엔티티 간의 유사도에 기초하여, 제1 엔티티 노드를 결정하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 제1 인덱스 데이터베이스는 원천 데이터베이스에 저장된 원천 데이터와 연관된 데이터 노드 및 기계 학습 모델을 이용하여 원천 데이터로부터 생성된 적어도 하나의 엔티티 노드를 포함하고, 데이터 노드 및 엔티티 노드는 논리적 데이터 모델(logical data model)을 이용하여 엣지(edge)로 연결될 수 있다.

본 개시의 일 실시예에 따르면, 데이터 노드는 원천 데이터와 연관된 식별자 및 원천 데이터와 연관된 텍스트 임베딩 벡터 정보를 포함하고, 엔티티 노드는 엔티티 및 그래프 임베딩 벡터 정보를 포함하고, 원천 데이터를 변환한 텍스트 임베딩 벡터 및 데이터 노드 및 엔티티 노드를 변환한 그래프 임베딩 벡터는 제2 인덱스 데이터베이스에 저장될 수 있다.

본 개시의 일 실시예에 따르면, 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는, 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정하는 단계 및 원천 데이터베이스로부터 제1 데이터 노드와 연관된 데이터를 추출하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는, 제1 엔티티 노드의 그래프 임베딩 벡터 정보에 기초하여, 제2 엔티티 노드를 결정하는 단계, 제2 엔티티 노드와 연결된 제2 데이터 노드를 결정하는 단계 및 원천 데이터베이스로부터 제2 데이터 노드와 연관된 데이터를 추출하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는, 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정하는 단계, 제1 데이터 노드의 텍스트 임베딩 벡터 정보에 기초하여, 제2 데이터 노드를 결정하는 단계 및 원천 데이터베이스로부터 제2 데이터 노드와 연관된 데이터를 추출하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 엔티티 노드는, 논리적 데이터 모델에 의해, 제1 인덱스 데이터베이스에 저장된 복수의 데이터 노드 또는 복수의 엔티티 노드 중 적어도 하나의 노드와 엣지로 연결되고, 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는, 제1 엔티티 노드와 연결된 제2 엔티티 노드를 결정하는 단계, 제2 엔티티 노드와 연결된 제1 데이터 노드를 결정하는 단계 및 원천 데이터베이스로부터 제1 데이터 노드와 연관된 데이터를 추출하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공될 수 있다.

본 개시의 일 실시예에 따른 시스템으로서, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은 자연어 쿼리를 수신하고, 자연어 쿼리에 기초하여, 그래프 구조로 형성된 제1 인덱스 데이터베이스에 저장된 제1 엔티티(entity) 노드를 결정하고, 원천 데이터베이스로부터 제1 엔티티 노드와 연관된 데이터를 추출하고, 제1 엔티티와 연관된 데이터를 이용하여 수신된 자연어 쿼리에 대한 결과를 출력하기 위한 명령어들을 포함할 수 있다.

본 개시의 일부 실시예에 따르면, 수신된 자연어 쿼리와 연관된 엔티티 노드가 인덱스로서 결정될 수 있다. 이러한 엔티티 노드를 통해 자연어 쿼리와 유사한 데이터 뿐만 아니라 그래프 상에서 논리적 데이터 모델에 의해 연결된 데이터가 함께 제공될 수 있다. 이에 따라, 사용자는 보다 풍부한 검색 결과를 제공받을 수 있다.

본 개시의 일부 실시예에 따르면, 풀 텍스트 데이터에 대한 인덱스로서 텍스트 임베딩 벡터 뿐만 아니라 그래프 내의 노드 및 그래프 임베딩 벡터가 생성될 수 있다. 이에 따라, 입력된 텍스트 데이터가 의미론적 관점 뿐만 아니라 구조론적 관점에서도 체계적으로 저장될 수 있다.

본 개시의 일부 실시예에 따르면, 두 종류의 인덱스를 통해 자연어 쿼리에 대해 의미론적 관점 뿐만 아니라 구조론적 관점에서의 정보가 제공될 수 있다. 이에 따라, 사용자는 보다 풍부한 검색 결과를 제공받을 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 정보 제공 방법의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른 정보를 제공하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 인덱스를 생성하는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 자연어 쿼리에 대한 쿼리 결과가 제공되는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 데이터베이스에 저장된 데이터의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 그래프 구조의 인덱스 데이터베이스에 저장된 데이터 구성의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 방법의 예시를 나타내는 흐름도이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 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 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.

본 개시에서, '디스플레이'는 컴퓨팅 장치와 연관된 임의의 디스플레이 장치를 지칭할 수 있는데, 예를 들어, 컴퓨팅 장치에 의해 제어되거나 컴퓨팅 장치로부터 제공된 임의의 정보/데이터를 표시할 수 있는 임의의 디스플레이 장치를 지칭할 수 있다.

본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.

본 개시에서, '데이터'는 정보의 형태를 가진 사실이나 숫자, 문자, 이미지, 소리 등의 형태로 나타낼 수 있는 모든 것을 나타낼 수 있다. 또한, 데이터는 원시적이거나 가공된 형태로 시스템 상에 존재할 수 있다. 본 개시에서, 데이터와 데이터 아이템이라는 용어들은 동일 또는 유사한 정보를 나타내도록 상호 교환적으로 사용될 수 있다. 또한, 본 개시에서 데이터는 복수의 데이터 아이템을 포함할 수 있다.

본 개시에서, '기계 학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계 학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 본 개시에서, 복수의 기계 학습 모델 각각을 별도의 기계 학습 모델로서 설명하나, 이에 한정되지 않으며, 복수의 기계 학습 모델의 일부 또는 전체는 하나의 기계 학습 모델로 구현될 수 있다. 또한, 하나의 기계 학습 모델은 복수의 기계 학습 모델을 포함할 수 있다. 본 개시에서, 기계 학습 모델과 인공신경망 모델이라는 용어들은 동일 또는 유사한 모델을 나타내도록 상호 교환적으로 사용될 수 있다.

본 개시에서, '초대형 언어 모델(Large Language Model; LLM)'은 퓨샷 러닝(few-shot learning) 등과 같은 방식을 이용하여 파인 튜닝(fine-tuning) 없이 추론이 가능한 언어 모델을 지칭할 수 있으며, 기존의 일반 언어 모델에 비해 10배 이상 많은 매개 변수(예를 들어, 1000억 개 이상의 매개 변수 등)를 가질 수 있다. 본 개시에서, '언어 모델'은 초대형 언어 모델을 포함할 수 있다.

도 1은 본 개시의 일 실시예에 따른 정보 제공 방법의 예시를 나타낸다. 일 실시예에서, 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)는 자연어 쿼리(110)를 수신할 수 있다. 여기서, 자연어 쿼리(110)는 사용자가 특정 정보를 검색하기 위해 입력하는 자연어로 구성된 풀 텍스트(full-text)를 의미할 수 있다.

일 실시예에서, 프로세서는 자연어 쿼리(110)에 기초하여, 그래프 구조로 형성된 인덱스 데이터베이스(120)에 저장된 엔티티(entity) 노드를 결정할 수 있다. 구체적으로, 프로세서는 기계 학습 모델을 이용하여 자연어 쿼리(110)로부터 엔티티를 추출할 수 있다. 이 경우, 프로세서는 인덱스 데이터베이스(120)를 탐색하여, 추출된 엔티티와 유사한 엔티티를 포함하는 엔티티 노드를 인덱스로서 결정할 수 있다.

일 실시예에서, 인덱스 데이터베이스(120)는 원천 데이터베이스에 저장된 원천 데이터와 연관된 데이터 노드(124) 및 기계 학습 모델을 이용하여 원천 데이터로부터 생성된 적어도 하나의 엔티티 노드(122)를 포함할 수 있다. 또한, 데이터 노드(124) 및 엔티티 노드(122)는 논리적 데이터 모델(logical data model)을 이용하여 엣지(edge)(126)로 연결될 수 있다. 노드가 엣지로 연결된 그래프의 예시는 도 7을 참조하여 자세히 후술된다.

일 실시예에서, 프로세서는 원천 데이터베이스로부터 엔티티 노드와 연관된 데이터를 추출할 수 있다. 또한, 프로세서는 엔티티 노드와 연관된 데이터를 이용하여 자연어 쿼리(110)에 대한 쿼리 결과(130)를 출력할 수 있다. 여기서, 엔티티 노드와 연관된 데이터는 그래프에 포함된 노드, 노드와 연관된 벡터 등에 기초하여 결정될 수 있다. 엔티티 노드와 연관된 데이터를 추출하는 예시는 도 7을 참조하여 자세히 후술된다.

이러한 구성에 의해, 수신된 자연어 쿼리와 연관된 엔티티 노드가 인덱스로서 결정될 수 있다. 이러한 엔티티 노드를 통해 자연어 쿼리와 유사한 데이터 뿐만 아니라 그래프 상에서 논리적 데이터 모델에 의해 연결된 데이터가 함께 제공될 수 있다. 이에 따라, 사용자는 보다 풍부한 검색 결과를 제공받을 수 있다.

도 2는 본 개시의 일 실시예에 따른 정보를 제공하기 위해, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 제공 서비스를 제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 정보 제공 서비스를 제공받는 사용자의 단말을 포함할 수 있다.

일 실시예에서, 정보 처리 시스템(230)은 정보 제공 서비스 제공 등과 연관된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.

정보 처리 시스템(230)에 의해 제공되는 정보 제공 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 정보 제공 서비스 애플리케이션, 웹 브라우저, 웹 브라우저 확장 프로그램 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 정보 제공 서비스 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 자연어 쿼리에 대한 검색 요청에 대응하는 정보를 제공하거나 대응하는 처리를 수행할 수 있다.

복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.

도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 정보 제공 서비스 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.

도 2에서는 사용자의 요청이 사용자 단말(210_1, 210_2, 210_3)을 통해 정보 처리 시스템(230)에 전달되는 구성이 예시적으로 도시되어 있으나, 이에 한정되지 않으며, 사용자의 요청이 사용자 단말(210_1, 210_2, 210_3)을 거치지 않고 정보 처리 시스템(230)과 연관된 입력 장치를 통해 정보 처리 시스템(230)에 제공될 수 있으며, 사용자의 요청을 처리한 결과가 정보 처리 시스템(230)과 연관된 출력 장치(예를 들어, 디스플레이 등)를 통해 사용자에게 제공될 수도 있다.

도 2에는 사용자 단말(210_1, 210_2, 210_3)이 정보 처리 시스템(230)으로부터 정보 제공 서비스를 제공받는 것으로 도시되었으나, 이에 한정되지 않는다. 예를 들어, 정보 처리 시스템(230)과의 통신 없이, 사용자 단말(210_1, 210_2, 210_3)에 설치된 정보 제공 프로그램/애플리케이션을 통해 정보 제공 서비스가 제공될 수 있다. 또한, 정보 처리 시스템(230)이 단일 장치로 도시되었으나, 이에 한정되지 않으며, 정보 처리 시스템(230)은 복수의 장치로 구성될 수 있다.

도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 애플리케이션, 웹 브라우저 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.

메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다.

이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.

프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 자연어 쿼리에 대한 검색 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.

입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.

사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 마이크 모듈, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.

정보 제공 서비스 등을 위한 프로그램 또는 애플리케이션이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.

사용자 단말(210)의 프로세서(314)는 입출력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여, 출력할 수 있다. 예를 들면, 프로세서(314)는 수신한 정보 및/또는 데이터를 사용자 단말(210)과 연관된 화면에 출력 또는 디스플레이할 수 있다.

정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다.

도 4는 본 개시의 일 실시예에 따라 인덱스를 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에서, 프로세서(334)는 풀 텍스트 인덱스를 생성할 수 있다. 여기서, 풀 텍스트 인덱스는 정형화되지 않은 텍스트(또는, 자연어) 데이터에 대한 색인 정보로서, 노드 및/또는 벡터 형태로 저장될 수 있다. 또한, 프로세서(334)는 데이터 변경 관리부(430), 그래프 변환부(440) 및 벡터 변환부(450)를 포함할 수 있다.

데이터 변경 관리부(430)는 원천 데이터베이스(420) 내의 데이터 변경을 탐지하여 인덱스 생성을 요청할 수 있다. 예를 들어, 새로운 텍스트 데이터(410)가 원천 데이터베이스(420)에 저장된 경우, 데이터 변경 관리부(430)는 원천 데이터베이스(420)에 저장된 텍스트 데이터(410)에 대한 인덱스 생성을 그래프 변환부(440) 및 벡터 변환부(450)에 요청할 수 있다.

그래프 변환부(440)는 텍스트 데이터(410)를 그래프 구조로 변환할 수 있다. 구체적으로, 그래프 변환부(440)는 텍스트 데이터(410)와 연관된 데이터 노드를 생성할 수 있다. 또한, 그래프 변환부(440)는 사전 학습된 기계 학습 모델(예를 들어, 초대형 언어 모델 등)을 이용하여 텍스트 데이터(410)로부터 엔티티를 추출함으로써, 엔티티 노드를 생성할 수 있다. 추가적으로, 그래프 변환부(440)는 생성된 데이터 노드 및 엔티티 노드를 논리적 데이터 모델(logical data model)을 이용하여 엣지로 연결할 수 있다. 여기서, 논리적 데이터 모델은 사전 정의된 스키마(예컨대, 포함 관계, 유의어 관계, 연결 관계, 의존 관계 등)에 따라 노드 간의 관계를 표현하는 모델을 지칭할 수 있다. 예를 들어, 그래프 변환부(440)는 생성된 데이터 노드 및 엔티티 노드를 "포함 관계"를 표시하여 엣지로 연결할 수 있다.

일 실시예에서, 그래프 변환부(440)는 생성된 데이터 노드 및 엔티티 노드를 제1 인덱스 데이터베이스(442)에 저장할 수 있다. 여기서, 제1 인덱스 데이터베이스(442)는 그래프 구조로 형성될 수 있다. 이 경우, 그래프 변환부(440)는 데이터 노드, 엔티티 노드 및 데이터 노드와 엔티티 노드를 연결하는 엣지를 함께 제1 인덱스 데이터베이스(442)에 저장할 수 있다.

일 실시예에서, 그래프 변환부(440)는 제1 인덱스 데이터베이스(442)의 기존에 저장된 그래프와 새로 생성된 데이터 노드 및 엔티티 노드를 병합할 수 있다. 이 경우, 그래프 변환부(440)는 논리적 데이터 모델을 이용하여 새로 저장된 엔티티 노드와 기존에 저장된 그래프 내의 데이터 노드 및/또는 엔티티 노드를 엣지로 연결할 수 있다. 이와 유사하게, 그래프 변환부(440)는 논리적 데이터 모델을 이용하여 새로 저장된 데이터 노드와 기존에 저장된 그래프 내의 엔티티 노드를 엣지로 연결할 수 있다.

일 실시예에서, 데이터 노드는 데이터 노드의 식별자, 텍스트 데이터(410)와 연관된 식별자(또는, 기본 키(primary key)), 텍스트 데이터(410)와 연관된 텍스트 임베딩 벡터(text embedding vector) 정보 등을 포함할 수 있다. 여기서, 텍스트 데이터(410)와 연관된 식별자는 원천 데이터베이스(420)에 저장된 텍스트 데이터(410)에 접근하기 위한 식별자를 의미할 수 있다. 또한, 텍스트 데이터(410)와 연관된 텍스트 임베딩 벡터 정보는 제2 인덱스 데이터베이스(452)에 저장된 텍스트 데이터(410)가 변환된 텍스트 임베딩 벡터를 나타내는 포인터를 포함할 수 있다.

일 실시예에서, 엔티티 노드는 엔티티 노드의 식별자, 텍스트 데이터(410)로부터 추출한 엔티티, 그래프 임베딩 벡터(graph embedding vector) 정보 등을 포함할 수 있다. 여기서, 엔티티는 사전 학습된 기계 학습 모델(예를 들어, 초대형 언어 모델 등)을 이용하여 텍스트 데이터(410)로부터 추출된 엔티티를 의미할 수 있다. 또한, 그래프 임베딩 벡터 정보는 제2 인덱스 데이터베이스(452)에 저장된 엔티티 노드가 변환된 그래프 임베딩 벡터를 나타내는 포인터를 포함할 수 있다.

벡터 변환부(450)는 텍스트 데이터(410)를 텍스트 임베딩 벡터로 변환할 수 있다. 구체적으로, 벡터 변환부(450)는 사전 학습된 텍스트 임베딩 모델을 이용하여 텍스트 데이터(410)를 벡터로 변환할 수 있다. 여기서, 사전 학습된 텍스트 임베딩 모델은 입력받은 텍스트를 임베딩 벡터로 변환하도록 학습된 임의의 기계 학습 모델을 지칭할 수 있다.

일 실시예에서, 벡터 변환부(450)는 변환된 텍스트 임베딩 벡터를 제2 인덱스 데이터베이스(452)에 저장할 수 있다. 또한, 벡터 변환부(450)는 변환된 텍스트 임베딩 벡터를 유사도에 기초하여 정렬할 수 있다. 이 경우, 벡터 변환부(450) 유클리드 거리(Euclidean distance), 코사인 유사도(Cosine similarity) 등을 통해 벡터 간의 유사도를 산출할 수 있으나, 이에 한정되지 않는다.

일 실시예에서, 벡터 변환부(450)는 그래프 변환부(440)에 의해 생성된 데이터 노드 및 엔티티 노드를 그래프 임베딩 벡터로 변환할 수 있다. 구체적으로, 벡터 변환부(450)는 사전 학습된 그래프 임베딩 모델을 이용하여 데이터 노드 및 엔티티 노드를 벡터로 변환할 수 있다. 여기서, 사전 학습된 그래프 임베딩 모델은 입력받은 그래프를 임베딩 벡터로 변환하도록 학습된 임의의 기계 학습 모델을 지칭할 수 있다. 그래프를 임베딩 벡터로 변환하기 위해 "Node2Vec" 알고리즘이 사용될 수 있으나, 이에 한정되지 않는다. 이에 따라, 벡터 변환부(450)는 변환된 그래프 임베딩 벡터를 유사도에 기초하여 정렬할 수 있다. 즉, 그래프 상에서 연결된 노드들은 벡터 공간에서도 가까운 위치로 매핑될 수 있다.

일 실시예에서, 원천 데이터베이스(420)에서 특정 텍스트 데이터가 삭제되는 경우, 데이터 변경 관리부(430)는 원천 데이터베이스(420), 제1 인덱스 데이터베이스(442) 및 제2 인덱스 데이터베이스(452)를 동기화할 수 있다. 예를 들어, 데이터 변경 관리부(430)는 제1 인덱스 데이터베이스(442)에 접근하여 삭제된 텍스트 데이터에 대응하는 데이터 노드 및 데이터 노드와 연결된 엣지를 제거할 수 있다. 또한, 데이터 변경 관리부(430)는 제2 인덱스 데이터베이스(452)에 접근하여 해당 삭제된 데이터 노드의 그래프 임베딩 벡터 및 삭제된 텍스트 데이터가 변환된 텍스트 임베딩 벡터를 삭제할 수 있다.

일 실시예에서, 데이터 변경 관리부(430)는 제1 인덱스 데이터베이스(442) 내의 엔티티 노드를 순회하여 특정 엔티티 노드를 제거할 수 있다. 구체적으로, 데이터 변경 관리부(430)는 제2 인덱스 데이터베이스(452)의 그래프 임베딩 벡터를 참조하여 제1 인덱스 데이터베이스(442)의 엔티티 노드에 접근할 수 있다. 대안적으로, 데이터 변경 관리부(430)는 제1 인덱스 데이터베이스(442)의 엔티티 노드에 직접 접근할 수도 있다. 이 경우, 데이터 변경 관리부(430)는 제2 인덱스 데이터베이스(452)의 엔티티 노드 중 적어도 하나의 데이터 노드 및 적어도 하나의 엔티티 노드와 엣지로 연결되지 않은 특정 엔티티 노드를 제거할 수 있다. 추가적으로, 데이터 변경 관리부(430)는 제2 인덱스 데이터베이스(452)에 접근하여 제거된 엔티티 노드가 변환된 그래프 임베딩 벡터를 삭제할 수 있다. 이러한 엔티티 노드의 제거는 동기적/비동기적으로 또는 주기적으로 수행될 수 있다.

이러한 구성에 의해, 풀 텍스트 데이터에 대한 인덱스로서 텍스트 임베딩 벡터 뿐만 아니라 그래프 내의 노드 및 그래프 임베딩 벡터가 생성될 수 있다. 이에 따라, 입력된 텍스트 데이터가 의미론적 관점 뿐만 아니라 구조론적 관점에서도 체계적으로 저장될 수 있다.

도 5는 본 개시의 일 실시예에 따라 자연어 쿼리(510)에 대한 쿼리 결과(540)가 제공되는 방법의 예시를 나타내는 도면이다. 일 실시예에서, 프로세서(334)는 자연어 쿼리(510)에 대한 쿼리 결과(540)를 제공할 수 있다. 여기서, 자연어 쿼리(510)는 사용자가 특정 정보를 얻기 위해 검색하는 자연어 형태(예를 들어, 단어, 문장, 질의 등의 형태)의 텍스트를 의미할 수 있다. 또한, 프로세서(334)는 인덱스 탐색부(520) 및 정보 제공부(530)를 포함할 수 있다.

자연어 쿼리(510)가 수신된 경우, 인덱스 탐색부(520)는 사전 학습된 기계 학습 모델(예를 들어, 초대형 언어 모델 등)을 이용하여 자연어 쿼리(510)로부터 엔티티를 추출할 수 있다. 또한, 인덱스 탐색부(520)는 제1 인덱스 데이터베이스(522)에서 그래프 순회 등을 통해 추출된 엔티티와 유사한 엔티티를 포함하는 제1 엔티티 노드를 결정할 수 있다. 인덱스 탐색부(520)는 추출한 제1 엔티티 노드와 연관된 인덱스를 정보 제공부(530)로 전송할 수 있다.

일 실시예에서, 인덱스 탐색부(520)는 제1 인덱스 데이터베이스(522)에서 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정할 수 있다. 이 경우, 인덱스 탐색부(520)는 제1 데이터 노드와 연관된 인덱스를 정보 제공부(530)로 전송할 수 있다.

일 실시예에서, 인덱스 탐색부(520)는 제1 엔티티 노드의 그래프 임베딩 벡터 정보에 기초하여, 제2 엔티티 노드를 결정할 수 있다. 구체적으로, 인덱스 탐색부(520)는 제1 엔티티 노드의 제1 그래프 임베딩 벡터와 유사한 제2 그래프 임베딩 벡터를 제2 인덱스 데이터베이스(524)에서 결정할 수 있다. 이 경우, 인덱스 탐색부(520)는 결정된 제2 그래프 임베딩 벡터와 연관된 제2 엔티티 노드를 결정할 수 있다. 또한, 인덱스 탐색부(520)는 제1 인덱스 데이터베이스(522)에서 제2 엔티티 노드와 연결된 제2 데이터 노드를 결정할 수 있다. 이에 따라, 인덱스 탐색부(520)는 제2 데이터 노드와 연관된 인덱스를 정보 제공부(530)로 전송할 수 있다.

일 실시예에서, 인덱스 탐색부(520)는 제1 인덱스 데이터베이스(522)에서 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정할 수 있다. 또한, 인덱스 탐색부(520)는 제1 데이터 노드의 텍스트 임베딩 벡터 정보에 기초하여, 제2 데이터 노드를 결정할 수 있다. 구체적으로, 인덱스 탐색부(520)는 제1 데이터 노드의 제1 텍스트 임베딩 벡터와 유사한 제2 텍스트 임베딩 벡터를 제2 인덱스 데이터베이스(524)에서 결정할 수 있다. 이 경우, 인덱스 탐색부(520)는 결정된 제2 텍스트 임베딩 벡터와 연관된 제2 데이터 노드를 결정할 수 있다. 이에 따라, 인덱스 탐색부(520)는 제2 데이터 노드와 연관된 인덱스를 정보 제공부(530)로 전송할 수 있다.

일 실시예에서, 인덱스 탐색부(520)는 제1 인덱스 데이터베이스(522)에서 제1 엔티티 노드와 연결된 제2 엔티티 노드를 결정할 수 있다. 또한, 인덱스 탐색부(520)는 제1 인덱스 데이터베이스(522)에서 제2 엔티티 노드와 연결된 제1 데이터 노드를 결정할 수 있다. 이에 따라, 인덱스 탐색부(520)는 제1 데이터 노드와 연관된 인덱스를 정보 제공부(530)로 전송할 수 있다.

정보 제공부(530)는 자연어 쿼리(510)에 대한 쿼리 결과(540)를 제공할 수 있다. 구체적으로, 정보 제공부(530)는 인덱스 탐색부(520)로부터 인덱스를 수신할 수 있다. 이 경우, 정보 제공부(530)는 원천 데이터베이스(532)로부터 인덱스와 연관된 데이터를 추출할 수 있다. 이에 따라, 정보 제공부(530)는 추출한 데이터를 이용하여 쿼리 결과(540)로 출력할 수 있다.

이러한 구성에 의해, 두 종류의 인덱스를 통해 자연어 쿼리에 대해 의미론적 관점 뿐만 아니라 구조론적 관점에서의 정보가 제공될 수 있다. 이에 따라, 사용자는 보다 풍부한 검색 결과를 제공받을 수 있다.

도 6은 본 개시의 일 실시예에 따라 데이터베이스에 저장된 데이터의 예시를 나타내는 도면이다. 제1 데이터 예시(610)는 원천 데이터베이스에 저장된 데이터의 예시를 나타낸다. 일 실시예에서, 원천 데이터베이스는 원천 데이터(614) 및 원천 데이터(614)의 식별자(612)를 포함할 수 있다. 예를 들어, 식별자(612)는 "111-aaa"이고, 원천 데이터(614)는 "이 제품은 자연어를 기계적으로 처리할 수 있는..."일 수 있다.

제2 데이터 예시(630)는 제1 인덱스 데이터베이스(예를 들어, 도 4의 442)에 저장된 데이터의 예시를 나타낸다. 일 실시예에서, 제1 인덱스 데이터베이스는 원천 데이터(614)와 연관된 데이터 노드(632) 및 기계 학습 모델을 이용하여 원천 데이터(614)로부터 추출된 엔티티를 포함하는 엔티티 노드(634)를 포함할 수 있다. 또한, 제1 인덱스 데이터베이스는 논리적 데이터 모델을 이용하여 데이터 노드(632) 및 엔티티 노드(634)를 연결하는 엣지(636)를 포함할 수 있다.

제3 데이터 예시(620)는 제2 인덱스 데이터베이스(예를 들어, 도 4의 452)에 저장된 데이터의 예시를 나타낸다. 일 실시예에서, 제2 인덱스 데이터베이스는 텍스트 임베딩 벡터(622) 및 그래프 임베딩 벡터(624)를 포함할 수 있다. 여기서, 사전 학습된 텍스트 임베딩 모델을 이용하여 원천 데이터(614)를 변환함으로써, 텍스트 임베딩 벡터(622)가 생성 및 저장될 수 있다. 예를 들어, 원천 데이터(614)가 변환된 텍스트 임베딩 벡터(622)는 n 차원의 벡터로서, "[0.234, 0.255, ...]"일 수 있다. 또한, 사전 학습된 그래프 임베딩 모델을 이용하여 제1 인덱스 데이터베이스에 저장된 데이터 노드 및/또는 엔티티 노드를 변환함으로써, 그래프 임베딩 벡터(624)가 생성 및 저장될 수 있다. 예를 들어, 엔티티 노드(634)가 변환된 그래프 임베딩 벡터(624)는 m 차원의 벡터로서, "[0.123, 0.124, ...]"일 수 있다. 텍스트 임베딩 벡터는 원천 데이터(614)의 의미론적 관점에서의 표현(예를 들어, 데이터 간의 유사도)을 나타내고, 그래프 임베딩 벡터는 구조론적 관점에서의 표현(예를 들어, 데이터 간의 구조 및 관계)을 나타낼 수 있다.

일 실시예에서, 데이터 노드(632)는 노드 식별자, 원천 데이터(614)와 연관된 식별자 및 텍스트 임베딩 벡터 정보를 포함할 수 있다. 예를 들어, 데이터 노드(632)의 노드 식별자(또는, Node ID)는 "abc"이고, 원천 데이터(614)와 연관된 식별자(또는, Data ID)는 원천 데이터(614)의 식별자(612)로서 "111-aaa"일 수 있다. 또한, 텍스트 임베딩 벡터 정보(또는, txt embedding)는 제2 인덱스 데이터베이스에 저장된 원천 데이터(614)가 변환된 텍스트 임베딩 벡터인 "[0.234, 0.255, ...]"를 나타내는 포인터일 수 있다.

일 실시예에서, 엔티티 노드(634)는 노드 식별자, 원천 데이터(614)로부터 추출한 엔티티 정보 및 그래프 임베딩 벡터 정보를 포함할 수 있다. 예를 들어, 엔티티 노드(634)의 노드 식별자(또는, Node ID)는 "abcd"이고, 원천 데이터(614)로부터 추출한 엔티티 정보(또는, Name)은 "자연어"일 수 있다. 여기서, 엔티티 정보는 원천 데이터(614)와 연관된 단어, 문구 등을 포함할 수 있다. 또한, 그래프 임베딩 벡터 정보(또는, graph embedding)는 제2 인덱스 데이터베이스에 저장된 엔티티 노드(634)가 변환된 그래프 임베딩 벡터인 "[0.123, 0.124, ...]"를 나타내는 포인터일 수 있다.

도 6에서는 데이터 노드(632)가 그래프 임베딩 벡터와 연관된 인덱스 정보를 포함하지 않은 것으로 도시되어 있으나, 이에 한정되지 않는다. 예를 들어, 데이터 노드(632)도 엔티티 노드(634)와 같이 그래프 임베딩 벡터 정보를 포함할 수도 있다.

도 7은 본 개시의 일 실시예에 따른 그래프 구조의 인덱스 데이터베이스에 저장된 데이터 구성의 예시를 나타내는 도면이다. 일 실시예에서, 그래프 구조의 인덱스 데이터베이스(예를 들어, 도 5의 522)는 복수의 데이터 노드(710, 720, 730) 및 복수의 엔티티 노드(717, 716, 724, 734)를 포함할 수 있다. 여기서, 복수의 데이터 노드(710, 720, 730) 각각은 원천 데이터와 연관된 식별자를 통해 복수의 원천 데이터(712, 722, 732)와 연결될 수 있다. 예를 들어, 제1 데이터 노드(710)는 제1 원천 데이터(712)와 연결되고, 제2 데이터 노드(720)는 제2 원천 데이터(722)와 연결되고, 제3 데이터 노드(730)는 제3 원천 데이터(732)와 연결될 수 있다. 이와 같이, 하나의 데이터 노드는 하나의 원천 데이터와 1 대 1로 연결될 수 있다.

일 실시예에서, 복수의 데이터 노드(710, 720, 730) 각각은 적어도 하나의 엔티티 노드와 연결될 수 있다. 예를 들어, 제1 데이터 노드(710)는 논리적 데이터 모델에 의해 제1 엔티티 노드(714) 및 제2 엔티티 노드(716)와 엣지로 연결되고, 제2 데이터 노드(720)는 제2 엔티티 노드(716) 및 제3 엔티티 노드(724)와 연결되고, 제3 데이터 노드(730)는 제4 엔티티 노드(734)와 연결될 수 있다.

일 실시예에서, 사전 정의된 스키마(schema)(예컨대, 포함 관계, 유의어 관계, 연결 관계, 의존 관계 등)에 따라 노드 간의 관계를 표현하는 논리적 데이터 모델에 의해, 두 노드가 엣지로 연결될 수 있다. 예를 들어, 제1 엔티티 노드(714) 및 제2 엔티티 노드(716)는 제1 데이터 노드(710)에 "포함 관계"로서 엣지로 연결될 수 있다. 다른 예로, 제2 엔티티 노드(716)는 제4 엔티티 노드(734)와 "유의어 관계"로서 엣지로 연결될 수 있다.

일 실시예에서, 사용자가 입력한 자연어 쿼리에 기초하여 정보를 제공하기 위해, 인덱스 데이터베이스에서 인덱스가 결정될 수 있다. 예를 들어, 제2 엔티티 노드(716)가 자연어 쿼리로부터 추출한 엔티티와 가장 유사한 엔티티를 포함하는 경우, 제2 엔티티 노드(716)와 연결된 제1 데이터 노드(710) 및 제2 데이터 노드(720)가 인덱스로 결정될 수 있다. 이에 따라, 제1 데이터 노드(710) 및 제2 데이터 노드(720)와 연결된 제1 원천 데이터(712) 및 제2 원천 데이터(722)가 쿼리 결과로 제공될 수 있다.

다른 예로, 제1 엔티티 노드(714)가 자연어 쿼리로부터 추출한 엔티티와 가장 유사한 엔티티를 포함하는 경우, 제1 엔티티 노드(714)의 그래프 임베딩 벡터와 유사한 그래프 임베딩 벡터를 포함하는 제2 엔티티 노드(716)가 선택될 수 있다. 이 경우, 제2 엔티티 노드(716)와 연결된 제1 데이터 노드(710) 및 제2 데이터 노드(720)가 인덱스로 결정될 수 있다. 이에 따라, 제1 데이터 노드(710) 및 제2 데이터 노드(720)와 연결된 제1 원천 데이터(712) 및 제2 원천 데이터(722)가 쿼리 결과로 제공될 수 있다.

또 다른 예로, 제1 엔티티 노드(714)가 자연어 쿼리로부터 추출한 엔티티와 가장 유사한 엔티티를 포함하는 경우, 제1 엔티티 노드(714)와 연결된 제1 데이터 노드(710)가 선택될 수 있다. 이 경우, 제1 데이터 노드(710)의 텍스트 임베딩 벡터와 유사한 텍스트 임베딩 벡터를 포함하는 제2 데이터 노드(720)가 인덱스로 결정될 수 있다. 이에 따라, 제1 데이터 노드(710) 및 제2 데이터 노드(720)와 연결된 제1 원천 데이터(712) 및/또는 제2 원천 데이터(722)가 쿼리 결과로 제공될 수 있다.

또 다른 예로, 제2 엔티티 노드(716)가 자연어 쿼리로부터 추출한 엔티티와 가장 유사한 엔티티를 포함하는 경우, 제2 엔티티 노드(716)와 연결된 제4 엔티티 노드(734)가 선택될 수 있다. 이 경우, 제4 엔티티 노드(734)와 연결된 제3 데이터 노드(730)가 인덱스로 결정될 수 있다. 이에 따라, 제3 데이터 노드(730)와 연결된 제3 원천 데이터(732)가 쿼리 결과로 제공될 수 있다.

일 실시예에서, 제공되는 쿼리 결과는 그래프 순회를 통해 먼저 도달하는 노드 순서로 결정될 수 있다. 예를 들어, 그래프 순회를 통해 제3 데이터 노드(730)보다 제2 데이터 노드(720)가 먼저 인덱스로 결정된 경우, 제3 원천 데이터(732)보다 제2 원천 데이터(722)가 먼저 쿼리 결과로 제공될 수 있다.

일 실시예에서, 그래프 구조로 형성된 인덱스 데이터베이스에서 엣지로 연결되지 않은 엔티티 노드는 제거될 수 있다. 구체적으로, 원천 데이터가 삭제됨에 따라 삭제된 원천 데이터에 대응하는 데이터 노드 및 데이터 노드와 연결된 엣지가 제거될 수 있다. 또한, 엔티티 노드의 순회를 통해 그래프 내의 엔티티 노드 중 적어도 하나의 데이터 노드 및 적어도 하나의 엔티티 노드와 엣지로 연결되지 않은 엔티티 노드가 제거될 수 있다. 이러한 엔티티 노드의 제거는 동기적/비동기적으로 또는 주기적으로 수행될 수 있다.

도 7에서는 데이터 노드 및 엔티티 노드가 "포함 관계" 또는 "유의어 관계"를 표시하여 엣지로 연결된다고 설명하였으나, 이에 한정되지 않으며, "의존 관계" 등과 같이 다양한 관계를 표시하여 엣지로 연결될 수도 있다.

도 8은 본 개시의 일 실시예에 따른 방법(800)의 예시를 나타내는 흐름도이다. 일 실시예에서, 방법(800)은 적어도 하나의 프로세서에 의해 수행될 수 있다. 방법(800)은 프로세서가 자연어 쿼리를 수신하는 것으로 개시될 수 있다(S810).

그 후, 프로세서는 자연어 쿼리에 기초하여, 그래프 구조로 형성된 제1 인덱스 데이터베이스에 저장된 제1 엔티티(entity) 노드를 결정할 수 있다(S820). 구체적으로, 프로세서는 기계 학습 모델을 이용하여 자연어 쿼리로부터 엔티티를 추출할 수 있다. 또한, 프로세서는 추출된 엔티티 및 제1 인덱스 데이터베이스에 포함된 엔티티 노드의 엔티티 간의 유사도에 기초하여, 제1 엔티티 노드를 결정할 수 있다.

그 후, 프로세서는 원천 데이터베이스로부터 제1 엔티티 노드와 연관된 데이터를 추출할 수 있다(S830). 또한, 프로세서는 제1 엔티티와 연관된 데이터를 이용하여 수신된 자연어 쿼리에 대한 결과를 출력할 수 있다(S840).

일 실시예에서, 제1 인덱스 데이터베이스는 원천 데이터베이스에 저장된 원천 데이터와 연관된 데이터 노드 및 기계 학습 모델을 이용하여 원천 데이터로부터 생성된 적어도 하나의 엔티티 노드를 포함할 수 있다. 여기서, 데이터 노드 및 엔티티 노드는 논리적 데이터 모델(logical data model)을 이용하여 엣지(edge)로 연결될 수 있다. 또한, 데이터 노드는 원천 데이터와 연관된 식별자 및 원천 데이터와 연관된 텍스트 임베딩 벡터 정보를 포함하고, 엔티티 노드는 엔티티 및 그래프 임베딩 벡터 정보를 포함할 수 있다. 이 경우, 원천 데이터를 변환한 텍스트 임베딩 벡터 및 데이터 노드 및 엔티티 노드를 변환한 그래프 임베딩 벡터는 제2 인덱스 데이터베이스에 저장될 수 있다.

일 실시예에서, 프로세서는 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정할 수 있다. 또한, 프로세서는 원천 데이터베이스로부터 제1 데이터 노드와 연관된 데이터를 추출할 수 있다.

일 실시예에서, 프로세서는 제1 엔티티 노드의 그래프 임베딩 벡터 정보에 기초하여, 제2 엔티티 노드를 결정할 수 있다. 또한, 프로세서는 제2 엔티티 노드와 연결된 제2 데이터 노드를 결정할 수 있다. 추가적으로, 프로세서는 원천 데이터베이스로부터 제2 데이터 노드와 연관된 데이터를 추출할 수 있다.

일 실시예에서, 프로세서는 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정할 수 있다. 또한, 프로세서는 제1 데이터 노드의 텍스트 임베딩 벡터 정보에 기초하여, 제2 데이터 노드를 결정할 수 있다. 추가적으로, 프로세서는 원천 데이터베이스로부터 제2 데이터 노드와 연관된 데이터를 추출할 수 있다.

일 실시예에서, 엔티티 노드는, 논리적 데이터 모델에 의해, 제1 인덱스 데이터베이스에 저장된 복수의 데이터 노드 또는 복수의 엔티티 노드 중 적어도 하나의 노드와 엣지로 연결될 수 있다. 이 경우, 프로세서는 제1 엔티티 노드와 연결된 제2 엔티티 노드를 결정할 수 있다. 또한, 프로세서는 제2 엔티티 노드와 연결된 제1 데이터 노드를 결정할 수 있다. 추가적으로, 프로세서는 원천 데이터베이스로부터 제1 데이터 노드와 연관된 데이터를 추출할 수 있다.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 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 DVD 와 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.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, GPU들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 행해진다.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.

소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세서가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

110: 자연어 쿼리
120: 인덱스 데이터베이스
122: 엔티티 노드
124: 데이터 노드
126: 엣지
130: 쿼리 결과

Claims (10)

1. 적어도 하나의 프로세서에 의해 수행되는, 풀 텍스트 인덱스(full-text index)를 이용한 정보 제공 방법에 있어서,
   자연어 쿼리를 수신하는 단계;
   상기 자연어 쿼리에 기초하여, 그래프 구조로 형성된 제1 인덱스 데이터베이스에 저장된 제1 엔티티(entity) 노드를 결정하는 단계;
   원천 데이터베이스로부터 상기 제1 엔티티 노드와 연관된 데이터를 추출하는 단계; 및
   상기 제1 엔티티와 연관된 데이터를 이용하여 상기 수신된 자연어 쿼리에 대한 결과를 출력하는 단계
   를 포함하고,
   상기 제1 인덱스 데이터베이스는 상기 원천 데이터베이스에 저장된 원천 데이터와 연관된 데이터 노드 및 기계 학습 모델을 이용하여 상기 원천 데이터로부터 생성된 적어도 하나의 엔티티 노드를 포함하고,
   상기 데이터 노드 및 상기 엔티티 노드는 논리적 데이터 모델(logical data model)을 이용하여 엣지(edge)로 연결되고,
   상기 데이터 노드는 상기 원천 데이터와 연관된 식별자 및 상기 원천 데이터와 연관된 텍스트 임베딩 벡터 정보를 포함하고,
   상기 엔티티 노드는 엔티티 및 그래프 임베딩 벡터 정보를 포함하고,
   상기 원천 데이터를 변환한 텍스트 임베딩 벡터 및 상기 데이터 노드 및 상기 엔티티 노드를 변환한 그래프 임베딩 벡터는 제2 인덱스 데이터베이스에 저장되고,
   상기 그래프 임베딩 벡터는 상기 제2 인덱스 데이터베이스에서 유사도에 기초하여 정렬되고,
   상기 그래프 임베딩 벡터는 데이터 간의 구조 및 관계를 나타내는, 정보 제공 방법.
   
2. 제1항에 있어서,
   상기 제1 엔티티 노드를 결정하는 단계는,
   기계 학습 모델을 이용하여 상기 자연어 쿼리로부터 엔티티를 추출하는 단계; 및
   상기 추출된 엔티티 및 상기 제1 인덱스 데이터베이스에 포함된 엔티티 노드의 엔티티 간의 유사도에 기초하여, 상기 제1 엔티티 노드를 결정하는 단계
   를 포함하는, 정보 제공 방법.
   
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는,
   상기 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정하는 단계; 및
   상기 원천 데이터베이스로부터 상기 제1 데이터 노드와 연관된 데이터를 추출하는 단계
   를 포함하는, 정보 제공 방법.
   
6. 제1항에 있어서,
   상기 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는,
   상기 제1 엔티티 노드의 그래프 임베딩 벡터 정보에 기초하여, 제2 엔티티 노드를 결정하는 단계;
   상기 제2 엔티티 노드와 연결된 제2 데이터 노드를 결정하는 단계; 및
   상기 원천 데이터베이스로부터 상기 제2 데이터 노드와 연관된 데이터를 추출하는 단계;
   를 포함하는, 정보 제공 방법.
   
7. 제1항에 있어서,
   상기 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는,
   상기 제1 엔티티 노드와 연결된 제1 데이터 노드를 결정하는 단계;
   상기 제1 데이터 노드의 텍스트 임베딩 벡터 정보에 기초하여, 제2 데이터 노드를 결정하는 단계; 및
   상기 원천 데이터베이스로부터 상기 제2 데이터 노드와 연관된 데이터를 추출하는 단계
   를 포함하는, 정보 제공 방법.
   
8. 제1항에 있어서,
   상기 엔티티 노드는, 상기 논리적 데이터 모델에 의해, 상기 제1 인덱스 데이터베이스에 저장된 복수의 데이터 노드 또는 복수의 엔티티 노드 중 적어도 하나의 노드와 엣지로 연결되고,
   상기 제1 엔티티 노드와 연관된 데이터를 추출하는 단계는,
   상기 제1 엔티티 노드와 연결된 제2 엔티티 노드를 결정하는 단계;
   상기 제2 엔티티 노드와 연결된 제1 데이터 노드를 결정하는 단계; 및
   상기 원천 데이터베이스로부터 상기 제1 데이터 노드와 연관된 데이터를 추출하는 단계
   를 포함하는, 정보 제공 방법.
   
9. 제1항, 제2항, 제5항 내지 제8항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
   
10. 시스템으로서,
    통신 모듈;
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로그램은,
    자연어 쿼리를 수신하고,
    상기 자연어 쿼리에 기초하여, 그래프 구조로 형성된 제1 인덱스 데이터베이스에 저장된 제1 엔티티(entity) 노드를 결정하고,
    원천 데이터베이스로부터 상기 제1 엔티티 노드와 연관된 데이터를 추출하고,
    상기 제1 엔티티와 연관된 데이터를 이용하여 상기 수신된 자연어 쿼리에 대한 결과를 출력하기 위한 명령어들을 포함하고,
    상기 제1 인덱스 데이터베이스는 상기 원천 데이터베이스에 저장된 원천 데이터와 연관된 데이터 노드 및 기계 학습 모델을 이용하여 상기 원천 데이터로부터 생성된 적어도 하나의 엔티티 노드를 포함하고,
    상기 데이터 노드 및 상기 엔티티 노드는 논리적 데이터 모델(logical data model)을 이용하여 엣지(edge)로 연결되고,
    상기 데이터 노드는 상기 원천 데이터와 연관된 식별자 및 상기 원천 데이터와 연관된 텍스트 임베딩 벡터 정보를 포함하고,
    상기 엔티티 노드는 엔티티 및 그래프 임베딩 벡터 정보를 포함하고,
    상기 원천 데이터를 변환한 텍스트 임베딩 벡터 및 상기 데이터 노드 및 상기 엔티티 노드를 변환한 그래프 임베딩 벡터는 제2 인덱스 데이터베이스에 저장되고,
    상기 그래프 임베딩 벡터는 상기 제2 인덱스 데이터베이스에서 유사도에 기초하여 정렬되고,
    상기 그래프 임베딩 벡터는 데이터 간의 구조 및 관계를 나타내는, 시스템.