KR20170032084A - 사용자 질의 교정 시스템 및 방법 - Google Patents

사용자 질의 교정 시스템 및 방법 Download PDF

Info

Publication number
KR20170032084A
KR20170032084A KR1020150129880A KR20150129880A KR20170032084A KR 20170032084 A KR20170032084 A KR 20170032084A KR 1020150129880 A KR1020150129880 A KR 1020150129880A KR 20150129880 A KR20150129880 A KR 20150129880A KR 20170032084 A KR20170032084 A KR 20170032084A
Authority
KR
South Korea
Prior art keywords
calibration
query
candidate
candidates
probability
Prior art date
Application number
KR1020150129880A
Other languages
English (en)
Other versions
KR101839121B1 (ko
Inventor
김태일
김광현
손대능
Original Assignee
네이버 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 네이버 주식회사 filed Critical 네이버 주식회사
Priority to KR1020150129880A priority Critical patent/KR101839121B1/ko
Priority to JP2016134985A priority patent/JP6261669B2/ja
Publication of KR20170032084A publication Critical patent/KR20170032084A/ko
Application granted granted Critical
Publication of KR101839121B1 publication Critical patent/KR101839121B1/ko

Links

Images

Classifications

    • G06F17/30864—
    • G06F17/273—
    • G06F17/277—
    • G06F17/30967—

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

사용자 질의에 대한 교정 결과를 생성하기 위한 질의 교정 시스템이 제공된다. 질의 교정 시스템은 검색 결과의 로그 정보에 기반하여, 질의의 교정 후보에 관한 정보를 추출하고, 추출된 정보에 기반하여 질의의 교정 후보에의 변환에 관한 파라미터를 획득하고, 획득된 파라미터에 기반하여 질의의 교정 후보로의 변환과 연관된 확률을 계산하여, 계산된 확률에 따라 최적의 교정 후보를 교정 결과로서 추출할 수 있다.

Description

사용자 질의 교정 시스템 및 방법{SYSTEM AND METHOD FOR CORRECTING USER'S QUERY}
본 개시는 사용자가 입력한 질의에 대해 교정 결과를 제공하는 사용자 질의 교정 시스템 및 방법에 관한 것으로, 보다 자세하게는, 번역 모델에 기반하여 사용자의 질의에 대한 교정 결과를 제공하는 사용자 질의 교정 시스템 및 방법에 관한 것이다.
사용자는, 검색 엔진과 같은 사이트를 통해, 소기의 정보를 얻기 위해 검색을 수행할 수 있다. 사용자는 사용자의 단말을 통해 검색 엔진의 질의 입력창에 질의를 입력하고, 출력된 검색 결과를 확인함으로써 소기의 정보를 획득할 수 있다.
그러나, 사용자가 단말을 통해 이러한 질의를 입력함에 있어서, 단말의 키보드에의 오입력 및/또는 한영 변환 키의 오선택 등에 의해 본래의 의도와는 상이한 오탈자를 포함하는 질의가 입력되는 경우가 발생할 수 있다. 특히, 사용자의 단말이 터치 스크린을 포함하는 경우, 잘못된 터치 입력 등에 의해 오탈자를 포함하는 질의가 입력될 가능성이 더 높게 될 수 있다.
오탈자를 포함하는 질의가 검색 엔진으로 입력될 경우, 출력되는 검색 결과는 사용자가 의도했던 소기의 정보를 포함하지 않을 수 있고, 이는 검색 품질의 열화로 이어질 수 있다.
따라서, 사용자에 의해 오탈자를 포함하는 질의가 입력되더라도, 사용자가 본래 의도했던 소기의 정보가 검색 결과로서 획득될 수 있도록, 입력된 질의를 소기의 정자 질의로 변환하여 사용자에게 제공하는 방법이 요구된다.
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 교정을 수행하는 시스템 및 방법이 개시되어 있다.
상기에서 설명된 정보는 단지 이해를 돕기 위한 것이며, 종래 기술의 일부를 형성하지 않는 내용을 포함할 수 있으며, 종래 기술이 통상의 기술자에게 제시할 수 있는 것을 포함하지 않을 수 있다.
일 실시예는 번역 모델에 기반하여 사용자 질의의 교정 후보에의 변환에 관한 확률을 계산하고 최적의 교정 후보를 추출함으로써, 사용자의 질의 및 교정 후보 간의 편집 거리에 제한 없이, 최적의 교정 후보를 교정 결과로서 제공하는 사용자 질의 교정 시스템 및 방법을 제공할 수 있다.
일 실시예는 분산 시스템을 사용하여 사용자 질의에 대한 교정 후보들을 식별하고 사용자 질의의 교정 후보에의 변환에 관한 파라미터들을 획득함으로써 방대한 데이터를 고속으로 처리하는 사용자 질의 교정 시스템 및 방법을 제공할 수 있다.
일 측면에 있어서, 입력된 질의에 대한 검색 결과의 로그 정보에 기반하여, 상기 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출하는 교정 정보 추출부, 상기 추출된 정보에 기반하여 상기 질의의 상기 교정 후보에의 변환에 관한 적어도 하나의 파라미터를 획득하는 파라미터 획득부 및 상기 획득된 파라미터에 기반하여, 상기 질의의 상기 적어도 하나의 교정 후보의 각각으로의 변환과 연관된 확률을 계산하고, 상기 계산된 확률에 기반하여 상기 질의에 대한 교정 결과로서 상기 교정 후보 중 적어도 하나의 교정 후보를 추출하는 교정 결과 생성부를 포함하는, 질의 교정 시스템이 제공된다.
상기 교정 정보 추출부는 상기 로그 정보를 사용하여 상기 질의가 오탈자를 포함하는지를 판단할 수 있다.
상기 교정 정보 추출부는 상기 질의가 오탈자를 포함하는 경우, 상기 질의에 대한 적어도 하나의 교정 후보를 식별할 수 있다.
상기 로그 정보는 사용자에 의해 제1 질의가 입력된 후 제2 질의가 입력될 때까지의 시간, 상기 검색 결과에 대한 사용자의 클릭 정보, 상기 제1 질의 및 상기 제2 질의 간의 유사도에 관한 정보 및 상기 검색 결과의 속성 중 적어도 하나를 포함할 수 있다.
상기 검색 결과의 속성은 상기 검색 결과가 포함하는 컨텐츠의 카테고리일 수 있다.
상기 파라미터 획득부는 상기 질의에 포함된 요소가 상기 교정 후보 각각에 포함된 요소로 변환될 확률, 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치 및 상기 질의의 상기 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률 중 적어도 하나를 파라미터로서 획득할 수 있다.
상기 질의에 포함된 요소는 상기 질의를 포함하는 음절이고, 상기 교정 후보 각각에 포함된 요소는 상기 교정 후보 각각에 포함된 음절일 수 있다.
상기 교정 결과 생성부는 상기 교정 결과로서의 상기 적어도 하나의 교정 후보 중 교정 후보를 추출함에 있어서, 상기 질의에 포함된 요소들이 배열되는 순서 및 상기 적어도 하나의 교정 후보의 대응하는 요소들이 배열되는 순서를 동일한 것으로 가정할 수 있다.
상기 교정 결과로서 추출된 적어도 하나의 교정 후보는 사용자의 상기 질의 입력에 대한 검색 결과에 포함될 수 있다.
상기 획득된 파라미터는 복수일 수 있다.
상기 교정 결과 생성부는 상기 획득된 파라미터의 곱 또는 로그합에 기반하여 상기 확률을 계산할 수 있다.
상기 교정 후보는 복수일 수 있다.
상기 교정 결과 생성부는 상기 복수의 교정 후보들의 각각에 대해 계산된 상기 확률의 분포에 기반하여, 상기 복수의 교정 후보들 중 적어도 하나의 교정 후보를 상기 질의에 대한 교정 결과로서의 교정 후보 추출에서 배제할 수 있다.
상기 확률은 수학식에 의해 계산될 수 있다.
상기 수학식은,
Figure pat00001
일 수 있다.
l은 상기 교정 후보 각각의 길이이고, m은 상기 교정 후보 각각의 길이고, j는 상기 교정 후보의 인덱스이고, i는 상기 질의의 인덱스일 수 있다.
상기 TR은 상기 질의에 포함된 i번째 요소가 상기 교정 후보 각각에 포함된 j번째 요소로 변환될 확률을 나타내는 함수일 수 있다.
상기 AL은 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치를 나타내는 함수일 수 있다.
상기 PLM은 상기 질의의 상기 교정 후보 각각으로의 변환의 자연성의 정도의 확률을 나타내는 함수일 수 있다.
상기 교정 정보 추출부 및 상기 파라미터 획득부 중 적어도 하나는 분산 처리 시스템으로서 구현될 수 있다.
상기 교정 후보에 관한 정보는 상기 질의 및 각 교정 후보로 구성된 오탈자-정자 쌍을 포함할 수 있다.
상기 확률은 상기 질의가 입력될 때 각 교정 후보가 발생할 조건부 확률일 수 있다.
다른 일 측면에 있어서, 입력된 질의에 대한 검색 결과의 로그 정보에 기반하여, 상기 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출하는 단계, 상기 추출된 정보에 기반하여 상기 질의의 상기 교정 후보에의 변환에 관한 적어도 하나의 파라미터를 획득하는 단계, 상기 획득된 파라미터에 기반하여, 상기 질의의 상기 적어도 하나의 교정 후보의 각각으로의 변환과 연관된 확률을 계산하는 단계 및 상기 계산된 확률에 기반하여 상기 질의에 대한 교정 결과로서 상기 교정 후보들 중 적어도 하나의 교정 후보를 추출하는 단계를 포함하는, 질의 교정 방법이 제공된다.
상기 교정 후보에 관한 정보를 추출하는 단계는 상기 로그 정보를 사용하여 상기 질의가 오탈자를 포함하는지를 판단하는 단계를 포함할 수 있다.
상기 교정 후보에 관한 정보를 추출하는 단계는 상기 질의가 오탈자를 포함하는 경우, 상기 질의에 대한 적어도 하나의 교정 후보를 식별하는 단계를 포함할 수 있다.
상기 파라미터를 획득하는 단계는 상기 질의에 포함된 요소가 상기 교정 후보 각각에 포함된 요소로 변환될 확률, 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치 및 상기 질의의 상기 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률 중 적어도 하나를 파라미터로서 획득할 수 있다.
상기 질의 교정 방법은 상기 교정 결과로서 추출된 적어도 하나의 교정 후보를 사용자의 상기 질의 입력에 대한 검색 결과로서 출력하는 단계를 더 포함할 수 있다.
상기 교정 후보는 복수일 수 있다.
상기 적어도 하나의 교정 후보를 추출하는 단계는 상기 복수의 교정 후보들의 각각에 대해 계산된 상기 확률의 분포에 기반하여, 상기 복수의 교정 후보들 중 적어도 하나의 교정 후보를 상기 질의에 대한 교정 결과로서의 교정 후보 추출에서 배제하는 단계를 포함할 수 있다.
번역 모델에 기반하여 사용자 질의의 교정 후보에의 변환에 관한 확률을 계산하고 최적의 교정 후보를 추출함으로써, 사용자의 질의 및 교정 후보 간의 편집 거리에 제한 없이, 사용자의 질의에 대해 사용자의 의도에 부합하는 최적의 교정 후보가 교정 결과로서 제공될 수 있다.
번역 모델에 기반하여 사용자 질의의 교정 후보에의 변환에 관한 확률을 계산하고 최적의 교정 후보를 추출함으로써, 사용자의 질의에 대한 교정의 정확성을 타협하지 않으면서, 교정의 커버리지를 향상시킬 수 있다.
분산 시스템을 사용하여 사용자 질의에 대한 교정 후보들이 식별되고 사용자 질의의 교정 후보에의 변환에 관한 파라미터들이 획득됨으로써 방대한 로그 정보 및 질의-교정 후보(오탈자-정자 쌍) 데이터가 고속으로 처리될 수 있다.
도 1은 일 실시예에 따른 사용자 질의 교정 시스템의 동작 방법을 나타낸다.
도 2는 일 실시예에 따른 사용자 질의 교정 시스템을 나타낸다.
도 3은 일 예에 따른 사용자 질의의 교정 후보로의 변환에 관한 파라미터의 획득 방법을 개념적으로 나타낸다.
도 4a 및 4b는 일 예에 따른 사용자 질의의 교정 후보로의 변환에 관한 파라미터로서 대역 확률 및 정렬 확률의 획득 방법을 나타내는 슈도 코드(pseudo code)이다.
도 5는 도 4a 및 4b의 알고리즘에 따른 파라미터 획득 방법의 퍼포먼스를 나타낸다.
도 6은 일 예에 따른 사용자 질의의 교정 후보로의 변환에 관한 파라미터로서 LM 파라미터의 획득 방법을 나타낸다.
도 7은 일 예에 따른 사용자 질의에 대한 교정 결과로서의 교정 후보를 추출하는 방법을 나타내는 개념도이다.
도 8은 일 예에 따른 사용자 질의에 대한 교정 결과로서의 교정 후보를 추출하는 방법을 나타내는 슈도 코드이다.
도 9는 일 실시예에 따른 사용자 질의 교정 시스템의 동작 방법을 나타내는 흐름도이다.
도 10는 일 예에 따른 사용자 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출하는 방법을 나타내는 흐름도이다.
도 11는 일 예에 따른 사용자 질의에 대한 교정 후보들 중 불필요한 교정 후보를 제거함으로써 교정 결과로서의 교정 후보를 추출하는 방법을 나타내는 흐름도이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 사용자 질의 교정 시스템의 동작 방법을 나타낸다.
도시된 사용자 질의 교정 시스템(100)(이하, 질의 교정 시스템이라 함)은 사용자의 단말을 통해 입력된 사용자 질의(이하, 질의라 함)를 처리하여, 상기 질의에 대한 적절한 교정 결과를 제공하는 시스템일 수 있다. 예컨대, 사용자는 PC 또는 모바일 단말(예컨대, 휴대폰, 스마트폰, 태블릿 PDA 등)을 통해 질의를 입력할 수 있고, 질의 교정 시스템(100)은 사용자가 입력한 질의의 오탈자 존재 여부를 판단하고, 오탈자가 존재하는 것으로 판단된 경우 해당 질의에 대한 교정 결과로서의 교정 후보를 제공할 수 있다.
단말을 통해 입력된 사용자의 질의는, 예컨대, 컨텐츠의 검색 및/또는 조회 또는 정보의 획득과 같은 작업을 수행을 요청하기 위해, 검색 엔진 등으로 입력되는 키워드 또는 문자열일 수 있다. 질의는 적어도 하나의 요소로 구성될 수 있으며, 질의를 구성하는 각 요소는 단어 또는 음절일 수 있다.
교정 시스템(100)은 사용자에 의해 과거에 입력된 질의에 대한 검색 정보의 로그 정보에 기반하여 입력된 질의의 정자 여부를 판단하고, 해당 질의의 교정 결과가 될 수 있는 가능한 교정 후보(들)를 식별하고, 교정 후보(들) 중 가장 적합한 교정 후보를 교정 결과로서 제공할 수 있다.
교정 결과로서 결정된 교정 후보는 사용자 질의와 함께 혹은 따로, 사용자 질의에 대한 검색 결과로서 제공될 수 있다. 또는, 교정 결과로서 결정된 교정 후보는 사용자 질의에 대한 검색 결과에 포함될 수 있다. 또는, 교정 결과로서 결정된 교정 후보에 대한 검색 결과가 사용자 질의에 대한 검색 결과로서 제공될 수 있다.
교정 결과는 사용자의 질의 입력에 대해 실시간으로 제공될 수도 있다.
입력된 질의에 대해 교정 후보(들)을 식별하고, 교정 결과를 제공하는 방법에 대해서는 후술될 도 2 내지 도 7을 참조하여 더 자세하게 설명된다.
도 2는 일 실시예에 따른 사용자 질의 교정 시스템을 나타낸다.
도 2를 참조하여, 전술된 질의 교정 시스템(100)을 더 자세하게 설명한다. 질의 교정 시스템(100)은 프로세서(210)를 포함할 수 있다. 프로세서(210)은 사용자의 질의를 처리하여 질의에 대한 교정 결과를 제공하기 위해 요구되는 프로그램을 실행하거나 관련된 연산을 처리하기 위한 구성일 수 있다. 프로세서(210)는 교정 정보 추출부(220), 교정 결과 생성부(230) 및 파라미터 획득부(240)를 포함할 수 있다. 교정 정보 추출부(220), 교정 결과 생성부(230) 및 파라미터 획득부(240)의 각각은 프로세서(210) 내에서(또는, 도시된 것과는 달리 프로세서(210) 외부에서) 별도의 하드웨어 구성으로 구현될 수 있다. 프로세서(210)는 단수로 도시되었으나, 복수의 프로세서들일 수 있고, 프로세서 내의 적어도 하나의 코어를 의미하는 것일 수 있다. 말하자면, 교정 정보 추출부(220), 교정 결과 생성부(230) 및 파라미터 획득부(240) 중 적어도 일부는 프로세서(210) 와 는 다른 프로세서(210) 또는 상이한 하드웨어 구성 내에서 구현될 수 있다.
또는, 교정 정보 추출부(220), 교정 결과 생성부(230) 및 파라미터 획득부(240)는 프로세서(210)가 수행하는 기능을 나타내는 구성일 수 있다. 말하자면, 교정 정보 추출부(220), 교정 결과 생성부(230) 및 파라미터 획득부(240)의 각각은 소프트웨어 모듈로서 구성될 수도 있다.
교정 시스템(100)은 통신부(250)를 더 포함할 수 있다. 통신부(250)는 외부 서버 또는 기타 단말로부터 데이터 및 정보를 송수신할 수 있다. 예컨대, 통신부(250)는 사용자의 단말로부터 질의를 수신하거나, 검색 결과의 로그 정보를 획득하거나, 사용자 질의 및 사용자 질의에 대한 교정 결과를 출력하기 위한 구성일 수 있다.
교정 정보 추출부(220)는 기 입력된 질의에 대한 검색 결과의 로그 정보에 기반하여, 사용자의 단말로부터 입력되는 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출할 수 있다. 교정 정보 추출부(220)는 SVM 기반의 오탈자-정자 후보 검출기(SVM based Errata-Correct Candidate Detector)에 대응할 수 있다.
교정 정보 추출부(220)는 상기 로그 정보를 사용하여 상기 질의가 오탈자를 포함하는지를 판단하고, 상기 질의가 오탈자를 포함하는 경우, 상기 질의에 대한 적어도 하나의 교정 후보를 식별할 수 있다.
교정 후보에 관한 정보는 질의 및 각 교정 후보로 구성된 오탈자-정자 쌍을 포함할 수 있다. 말하자면, 식별된 질의-각 교정 후보는 오탈자-정자 쌍일 수 있고, 식별된 오탈자-정자 쌍은 도시되지 않은 데이터 베이스 내에 저장되어 관리될 수 있다.
로그 정보는 소정의 기간 동안 사용자(들)에 의해 입력된 질의(들) 및 해당 질의(들)에 의한 검색 결과(들)에 관한 로그 정보일 수 있다. 로그 정보는 사용자에 의해 제1 질의가 입력된 후 그 다음으로 입력되는 제2 질의가 입력될 때까지의 시간, 질의에 대한 검색 결과에 대한 사용자의 클릭 정보, 제1 질의 및 제2 질의 간의 유사도에 관한 정보 및 검색 결과의 속성 중 적어도 하나를 포함할 수 있다.
로그 정보가 사용자에 의해 제1 질의가 입력된 후 그 다음으로 입력되는 제2 질의가 입력되기 까지의 시간을 포함하는 경우, 예컨대, 제1 질의가 입력된 후 소정의 시간 이내에 제2 질의가 입력되는 경우, 교정 정보 추출부(220)는 제1 질의는 오탈자를 포함하는 것(또는 가능성이 높은 것)으로 판단할 수 있다. 제1 질의가 입력된 후 소정의 시간 이후 제2 질의가 입력되는 경우, 교정 정보 추출부(220)는 제1 질의 및 제2 질의를 서로 별개의 질의로 판단할 수 있다.
로그 정보가 질의에 대한 검색 결과에 대한 사용자의 클릭 정보를 포함하는 경우, 예컨대, 질의에 대한 검색 결과에 대해 사용자의 클릭이 존재하는 경우, 교정 정보 추출부(220)는 상기 질의는 오탈자를 포함하지 않는 것(또는 가능성이 높은 것)으로 판단할 수 있다.
로그 정보가 포함하는 상기 제1 질의 및 상기 제2 질의 간의 유사도에 관한 정보는 제1 질의 및 제2 질의 간의 편집 거리(edit distance)일 수 있다. 편집 거리는 리벤슈타인 거리(Levenshtein distance)일 수 있다. 사용자에 의해 제1 질의가 입력된 후 그 다음으로 제2 질의가 입력된 경우에 있어서, 제1 질의 및 제2 질의 간의 편집 거리가 소정의 값 이하이면, 교정 정보 추출부(220)는 제1 질의는 오탈자를 포함하는 것(또는 가능성이 높은 것)으로 판단할 수 있다. 또는, 제1 질의 및 제2 질의 간의 편집 거리가 소정의 값을 초과하면, 교정 정보 추출부(220)는 제1 질의 및 제2 질의를 서로 서로 별개의 질의로 판단할 수 있다.
로그 정보가 포함하는 검색 결과의 속성은 검색 결과가 포함하는 컨텐츠의 종류 또는 카테고리일 수 있다. 예컨대, 카테고리는 웹 문서, 음악, 이미지, 블로그, 뉴스 및 인물 정보 중 어느 하나일 수 있다. 교정 정보 추출부(220)는 질의에 대한 검색 결과에 포함된 컨텐츠가 웹문서 뿐인 경우, 해당 질의는 오탈자를 포함하는 것(또는 가능성이 높은 것)으로 판단할 수 있다.
질의에 대한 교정 후보를 식별함에 있어서, 전술된 실시예들과 같이 로그 정보를 고려함으로써, 질의가 오탈자를 포함하는지 여부가 더 정확하게 판단될 수 있고, 질의에 대한 더 정확한 교정 후보(들)이 식별될 수 있다.
교정 정보 추출부(220)는 분산 처리 시스템, 예컨대, 하둡 기반의 분산 처리 시스템을 사용하여 구현될 수 있다. 분산 처리 시스템에 의한 구현에 의해 교정 정보 추출부(220)는 방대한 양의 데이터를 고속으로 처리할 수 있다.
파라미터 획득부(240)는 교정 정보 추출부(220)에 의해 추출된 정보에 기반하여 입력된 질의의 교정 후보에의 변환에 관한 적어도 하나의 파라미터를 획득할 수 있다. 파라미터는 질의의 교정 후보의 각각으로의 변환과 연관된 확률을 계산하기 위해 사용될 수 있다.
파라미터 획득부(240)는 질의에 포함된 요소가 교정 후보 각각에 포함된 요소로 변환될 확률, 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치 및 질의의 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률 중 적어도 하나를 파라미터로서 획득할 수 있다. 질의에 포함된 요소는 상기 질의를 포함하는 음절이고, 상기 교정 후보 각각에 포함된 요소는 상기 교정 후보 각각에 포함된 음절일 수 있다.
파라미터 획득부(240)는, 예컨대, IBM MODEL2 기법을 사용하는 알고리즘에 의해 질의의 교정 후보의 각각으로의 변환과 연관된 확률을 계산하기 위해 필요한 파라미터들을 획득할 수 있고, 확률 및 정렬 파라미터 획득부(242) 및 언어 모델 파라미터 획득부(244)를 포함할 수 있다.
확률 및 정렬 파라미터 획득부(242)는 예컨대, 기대치 최대화(Expectation-Maximization; EM) 알고리즘을 사용하여 질의에 포함된 요소가 교정 후보 각각에 포함된 요소로 변환될 확률 및 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치를 계산하는 IBM MODEL2 파라미터 EM 학습기(IBM MODEL2 Parameter EM Learner)에 대응할 수 있다.
언어 모델 파라미터 획득부(244)는, 예컨대, 질의의 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률로서 언어 모델(Language Model; LM) 파라미터를 계산하는 LM 파라미터 학습기(LM Parameter Learner)일 수 있다. 확률 및 정렬 파라미터 획득부(242) 및 언어 모델 파라미터 획득부(244)는 분산 처리 시스템, 예컨대, 하둡 기반의 분산 처리 시스템을 사용하여 구현될 수 있다. 분산 처리 시스템에 의한 구현에 의해 파라미터 획득부(240)는 방대한 양의 데이터를 고속으로 처리할 수 있다.
확률 및 정렬 파라미터 획득부(242) 및 언어 모델 파라미터 획득부(244)의 자세한 동작에 대해서는 후술될 도 3 내지 6을 참조하여 더 자세하게 설명된다.
교정 결과 생성부(230)는 파라미터 획득부(240)에 의해 획득된 파라미터에 기반하여, 질의의 적어도 하나의 교정 후보의 각각으로의 변환과 연관된 확률을 계산할 수 있다. 예컨대, 교정 결과 생성부(230)는 파라미터 획득부(240)에 의해 획득된 파라미터들의 곱 또는 로그합에 기반하여 상기 확률을 계산할 수 있다. 질의의 교정 후보로의 변환과 연관된 확률은 질의가 입력될 때 각 교정 후보가 발생할 조건부 확률일 수 있다. 교정 결과 생성부(230)는 하기의 수학식 1을 사용하여, 질의가 적어도 하나의 교정 후보의 각각으로 변환될 확률을 계산할 수 있다.
Figure pat00002
여기서, l은 교정 후보 각각의 길이이고, m은 교정 후보 각각의 길이고, j는 교정 후보의 인덱스이고, i는 질의의 인덱스일 수 있다. TR은 상기 질의에 포함된 i번째 요소가 상기 교정 후보 각각에 포함된 j번째 요소로 변환될 확률을 나타내는 함수일 수 있다. 예컨대, TR은 대역 확률을 계산하기 위한 함수일 수 있다. AL은 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치를 나타내는 함수일 수 있다. 예컨대, AL은 정렬 확률을 계산하기 위한 함수일 수 있다. PLM은 질의의 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률을 나타내는 함수일 수 있다. 예컨대, PLM은 LM 파라미터를 계산하기 위한 함수일 수 있다.
교정 결과 생성부(230)는 각 교정 후보에 대해 계산된 확률에 기반하여, 질의에 대한 교정 결과로서 교정 후보들 중 적어도 하나의 교정 후보를 추출할 수 있다. 추출된 교정 후보는 소기의(최적의) 교정 후보로서 사용자 질의에 대한 정자 질의일 수 있다. 교정 결과 생성부(230)는 교정 결과로서의 적어도 하나의 교정 후보 중 교정 후보를 추출함에 있어서, 질의에 포함된 요소들이 배열되는 순서 및 상기 적어도 하나의 교정 후보의 대응하는 요소들이 배열되는 순서를 동일한 것으로 가정할 수 있다. 말하자면, 질의 및 교정 후보 간에는 모노토닉 얼라인먼트(monotonic alignment)가 가정될 수 있다.
또한 교정 결과 생성부(230)는 복수의 교정 후보들의 각각에 대해 계산된 상기 확률의 분포에 기반하여, 복수의 교정 후보들 중 적어도 하나의 교정 후보를 질의에 대한 교정 결과로서의 교정 후보 추출에서 배제할 수 있다.
교정 결과 생성부(230)는 예컨대, IBM MODEL2 기법을 사용하는 알고리즘 에 기반하여 질의에 대한 교정 결과를 생성하는 IBM MODEL2 디코더(IBM MODEL2 Decoder)에 대응할 수 있다.
교정 결과 생성부(230)의 자세한 동작에 대해서는 후술될 도 7 및 8을 참조하여 더 자세하게 설명된다.
도 1을 참조하여 전술된 기술적 특징에 대한 설명은, 도 2에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 3은 일 예에 따른 사용자 질의의 교정 후보로의 변환에 관한 파라미터의 획득 방법을 개념적으로 나타낸다.
도 3은 도 2를 참조하여 전술된 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치를 계산하는 방법을 개념적으로 나타낸다. 도 3에서는 사용자가 입력한 질의는 "뉴발란스 신ㅊㅎㄴ"이고, 교정 후보 "뉴발란스 신촌"인 것이 가정되었다. "요소"는 질의 및 교정 후보를 구성하는 음절을 나타낸다.
질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치는 질의의 각 요소가 교정 후보의 각 요소의 위치에 대응하게 될 확률을 의미할 수 있고, 도 3에서 각 화살표에 대응하는 값을 의미할 수 있다. 말하자면 각 화살표에 대응하는 값은 전술된 AL 함수에 의해 결정된 값(정렬 확률)일 수 있다.
도시된 것처럼, 확률 및 정렬 파라미터 획득부(242)는 분산 시스템 상에서 EM 알고리즘 사용하는 반복(iteration) 프로세스를 수행함으로써 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치를 계산할 수 있다.
도 1 및 2를 참조하여 전술된 기술적 특징에 대한 설명은, 도 2에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 4a 및 4b는 일 예에 따른 사용자 질의의 교정 후보로의 변환에 관한 파라미터로서 대역 확률 및 정렬 확률의 획득 방법을 나타내는 슈도 코드(pseudo code)이다. 도시된 알고리즘은 확률 및 정렬 파라미터 획득부(242)에 의해 수행될 수 있다.
확률 및 정렬 파라미터 획득부(242)는 맵퍼(mapper) 및 리듀서(reducer)로 구성될 수 있다.
맵퍼의 동작은 하기의 알고리즘으로 나타내어질 수 있다(도 4a 참조).
Figure pat00003
여기서, 음절trigram을 사용하여 계산된 score에 대한, 출력으로서의 esti_prob(k,i,j)는 TR(Erratai|Correctionj)를 계산하기 위해 사용될 수 있다. 또한, Len함수를 사용하여 계산된 score에 대한, 출력으로서의 esti_prob(k,i,j)는 AL(j|i,l,m)을 계산하기 위해 사용될 수 있다. 한편, esti_prob 값은 t-1 단계(step)에서의 리듀서의 출력일 수 있다. 초기 esti_prob 값은 1/Len(입력)일 수 있다. 전술된 알고리즘에 의한 계산은 disk memory mapped I/O 방식의 perfect hash 로서 저장된 데이터를 분산형 시스템을 구성하는 각 하둡 노드로 로드하는 것을 통해 이루어질 수 있다.
도 4에서 도시된 출력된 데이터에서처럼, 리듀서는 AL 및 TR의 계산에 필요한 인자를 각각 "C" 및 "M"으로 구별할 수 있다(1st key). 출력된 데이터 중 분모가 되어야 하는 정보(음절, 인덱스, 문자열 길이)가 구분될 수 있고, 분모인지 분자인지 여부는 "0", "1"로 구분될 수 있다(2nd, 3rd key). 또한, 분자가 되는 정보(음절, 인덱스)도 구분될 수 있다. 출력된 데이터 중 필드의 마지막 값은 score가 될 수 있다.
맵퍼의 출력이 정렬된 후 sum된 결과는, 리듀서의 동작을 나타내는 하기의 알고리즘으로 표현될 수 있다(도 4b 참조).
Figure pat00004
도 2 및 3을 참조하여 전술된 파라미터에 대응하는, TR(대역 확률) 및 AL(정렬 확률)은 상기 알고리즘에 의해 계산될 수 있다. 또한, 계산된esti_prob(k,i,j)는 t+1 단계에서 score 값을 업데이트하기 위해 사용될 수 있고, perfect hash 구조로 디스크 또는 데이터베이스에 저장되어 관리될 수 있다.
도 1 내지 3을 참조하여 전술된 기술적 특징에 대한 설명은, 여기에서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 5는 도 4a 및 4b의 알고리즘에 따른 파라미터 획득 방법의 퍼포먼스를 나타낸다.
도 5에서는 24개의 맵퍼 및 20개의 리듀서가 사용되었고, 총 15개의 노드(2.2 GHz, 48G RAM)가 사용되었다. 입력으로는 약 3천 7백만 쌍의 오탈자-정자 쌍 데이터가 사용되었고, 출력으로서 약 2억 5천 7백만개의 모델 파라미터들이 획득되었다.
결과를 살펴보면, 각 EM 단계 당 11 내지 14분이 소요되었음을 확인할 수 있다(총 9 내지 10회의 반복 프로세스가 수행됨).
도 6은 일 예에 따른 사용자 질의의 교정 후보로의 변환에 관한 파라미터로서 LM 파라미터의 획득 방법을 나타낸다.
도 6에서 도시된 알고리즘은 은 도 2를 참조하여 전술된 질의의 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률(LM 파라미터)를 계산하는 방법을 나타낸다. 도시된 알고리즘은 언어 모델 파라미터 획득부(244)에 의해 수행될 수 있다. LM 파라미터는 질의가 교정 후보로 변환되기 위해 필요한 문맥 및/또는 자연스러움의 정도를 확률로 나타낸 것일 수 있다.
언어 모델 파라미터 획득부(244)는 스무싱(Smoothing) 프로세스 및 선형 보간(linear interpolation) 프로세스를 수행함으로써 LM 파라미터를 획득할 수 있다. 다만, 스무싱(Smoothing) 프로세스는 처리되어야할 오탈자-정자 쌍의 수가 매우 많은 경우(예컨대, 10억개 이상)에만 수행될 수도 있다.
언어 모델 파라미터 획득부(242)는 맵퍼(mapper) 및 리듀서(reducer)로 구성될 수 있다. LM 파라미터를 획득함에 있어서, 분모 로컬 합(local sum) 계산은 예컨대, 리듀서 키(reducer key)에 분모가 되는 정보를 First-Priority-Key 로 생성하는 것에 의해 수행될 수 있다.
LM 파라미터를 획득함에 있어서, 분산 환경에서의 통계 학습은 스파크(Spark)를 사용하여 수행될 수 있다.
도시된 알고리즘에서, 입력된 질의 및 그 빈도는 각각 "가나다라마바사아", "99"와 "가나다라마바사카", "1"이 가정되었다. 추정된 10gram 확률이 LM 파라미터로서 계산될 수 있으며, 10gram 확률은 8gram 확률 및 9gram 확률을 계산한 후 보간(interpolation)을 통해 추정될 수 있다.
단계 1에서, 맵퍼는 8 내지 10 gram을 추출할 수 있고, 리듀서는 빈도 합을 계산할 수 있다. 상기 단계 1은 예컨대, 문자열 "abcd"에 대해 P(d|abc)를 계산하기 위한 전처리 과정일 수 있다. LM 파라미터의 계산은 "min(N)gram", "N-1gram", "Ngram" 형식의 키 구조 (N=8 내지 10)를 사용하여 수행될 수 있고, 따라서, 분모 우선 빈도 합 계산이 용이하게 수행될 수 있다.
단계 2에서, 단계 1의 결과를 사용하여(map='cat' & sort), 리듀서는 8 내지 10gram 각각의 확률 값을 계산할 수 있다. 여기서, 8gram의 분모는 sum(cnt_of_all(8gram))으로 할당될 수 있다.
단계 3에서, 단계 2에서 계산된 8 내지 10gram 확률 값들을 사용하여 10gram 확률이 선형 보간될 수 있다. 맵퍼는 단계 1과 동일한 키를 생성하고, 첫 번째 키(first key)를 문자열 역순으로 변환하여, "마지막"음절을 기준으로 8 내지 10gram이 분류(sort) 및 리듀서에 그룹핑(grouping)되도록 할 수 있다. 리듀서는 선형 보간을 수행함으로써 최종적인 LM 파라미터를 생성할 수 있다. 예컨대, "가나다라"의 문자열에 대해, LM 파라미터 PLM(라|다나가)는 a* PLM(라|다나가), b* PLM(라|다나) 및 c* PLM(라|다)의 합으로서 계산될 수 있다. 여기서, 가중치 a, b 및 c는 "A statistical Part-of-Speech Tagger, T. Brant et al, 2000"에서 제안된 방법에 기반하여 계산될 수 있다. unseen 확률은 1/sum(cnt_of_all(10gram)+cnt_of_dic(10gram))으로 계산될 수 있다.
하기의 표 1은 도시된 알고리즘에 따른 LM 파라미터 획득 방법의 퍼포먼스를 나타낸다. 표 1의 결과에 대해서는, 24개의 맵퍼 및 20개의 리듀서가 사용되었고, 총 15개의 노드(2.2 GHz, 48G RAM)가 사용되었다.
단계 맵퍼 입력 크기 리듀서 출력 크기 처리 시간
단계 1, 8 내지 10gram 추출, 빈도 합 계산 약 5억 4천만 약 57억 8천만 8분
단계 2, 8 내지 10gram 각각의 확률 값 계산 약 57억 8천만 약 57억 8천만 16분
단계 3, 10gram 선형 보간 수행, 최종 LM 파라미터 생성 약 57억 8천만 약 19억 5천만 28분
도 1 내지 5를 참조하여 전술된 기술적 특징에 대한 설명은, 여기에서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 7은 일 예에 따른 사용자 질의에 대한 교정 결과로서의 교정 후보를 추출하는 방법을 나타내는 개념도이다.
도 7은 예컨대, IBM MODEL2 기법을 사용하는 알고리즘에 기반하여 질의에 대한 교정 결과를 생성하는 IBM MODEL2 디코더(IBM MODEL2 Decoder)에 대응하는 교정 결과 생성부(230)의 질의에 대한 최적의 교정 후보를 추출하는 방법을 나타낸다.
최적의 교정 후보는 하기의 수학식 2에 의해 결정될 수 있다.
Figure pat00005
말하자면, 질의에 대한 복수의 교정 후보들 중 전술된 수학식 1에 의해 계산된 확률이 최대인 교정 후보가 최적의 교정 후보로 결정되어 추출될 수 있다.
질의 및 교정 후보 간에는 모노토닉 얼라인먼트(monotonic alignment)가 가정될 수 있다. 또한, 최적의 교정 후보는 다이내믹 알고리즘(dynamic algorithm)을 사용하여 결정될 수 있다. 또한, 복수의 교정 후보들의 각각에 대해 계산된 상기 확률의 분포에 기반하여, 복수의 교정 후보들 중 적어도 하나의 교정 후보가 질의에 대한 교정 결과로서의 교정 후보 추출에서 배제될 수 있다. 예컨대, 확률 분포에서 점 값으로 나타나는 중간 확률 값에 대응하는 교정 후보는 불필요한 교정 후보로서 교정 후보 추출 과정에서 배제될 수 있다. 상기의 과정들에 의해, 교정 후보들의 수가 많더라도 고속으로 최적의 교정 후보가 결정될 수 있다.
단계 1에서, 교정 결과 생성부(230)는 질의에 대한 가능한 교정 후보들에 대해, 계산된 TR 및 AL 파라미터를 사용하여, 최적의 교정 후보 결정을 위한 정보를 생성할 수 있다.
단계 2에서, 교정 결과 생성부(230)는 음절 단위로 질의를 디코드(decode)함으로써 최적의 교정 후보를 결정할 수 있다. 단계 2에서는, 예컨대, 대역 확률, 정렬 확률 및 LM 파라미터 중 적어도 하나에 의해 계산된 점수(score)에 기반하여 불필요한 교정 후보가 제거될 수 있다. 도시된 예시에서는, 질의 "뉴발란스 신ㅊㅎㄴ"에 대해 "뉴발란스 신촌"이 최적의 교정 후보로서 결정되었다.
교정 결과 생성부(230)는 1000 내지 1500TPS/core의 속도로 구현될 수 있다.
단계 1 및 2는 후술될 도 8의 알고리즘을 참조하여 더 자세하게 설명된다. 도 1 내지 6을 참조하여 전술된 기술적 특징에 대한 설명은, 여기에서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 8은 일 예에 따른 사용자 질의에 대한 교정 결과로서의 교정 후보를 추출하는 방법을 나타내는 슈도 코드이다.
도 8에서는, 도 7을 참조하여 전술된 최적의 교정 후보를 추출하기 위한 단계 1 및 2가 더 자세하게 설명된다.
단계 1에서, 교정 결과 생성부(230)는 질의에 대한 가능한 교정 후보들에 대해, 계산된 TR 및 AL 파라미터를 사용하여, 최적의 교정 후보 결정을 위한 정보를 생성할 수 있다. 질의는 음절 단위로 토큰화될 수 있고, 유한 상태 트랜스듀서(finite state transducer)에 의해 질의에 대해 모든 가능한 AL 및 TR 파라미터들이 추출될 수 있다. 추출된 AL 및 TR 파라미터들은 저장될 수 있고(데이터베이스 또는 메모리 등에) 질의의 음절 인덱스(syllable index)에 맵핑될 수 있다.
단계 2에서, 교정 결과 생성부(230)는 교정 후보들 중 최적의 교정 후보를 결정할 수 있다. 단계 1에서의 출력(입력 질의 및 그 AL 및 TR 파라미터들)은 단계 2에서의 입력이 될 수 있다. 하기의 알고리즘을 통해 입력의 교정 후보에 대한 점수가 계산될 수 있고, 점수에 기반하여 하나의 교정 후보가 최적의 교정 후보로서 결정될 수 있다.
Figure pat00006
대역 확률, 정렬 확률 및 LM 파라미터에 기반하여 계산된 점수에 따라 불필요한 교정 후보가 제거되고, 계산된 점수에 따라 교정 후보들 중 최적의 교정 후보가 결정될 수 있다. 결정된 최적의 교정 후보는 전술된 교정 결과로서 추출된 교정 후보에 대응할 수 있고, 사용자의 질의에 대한 검색 결과로서 제공될 수 있다.
도 1 내지 7을 참조하여 전술된 기술적 특징에 대한 설명은, 여기에서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 9는 일 실시예에 따른 사용자 질의 교정 시스템의 동작 방법을 나타내는 흐름도이다.
단계(910)에서, 교정 정보 추출부(220)는 기 입력된 질의에 대한 검색 결과의 로그 정보에 기반하여, 사용자 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출할 수 있다. 추출된 교정 후보에 관한 정보는 질의 및 교정 후보로 구성되는 오탈자-정자 쌍을 포함할 수 있다.
단계(920)에서, 파라미터 획득부(240)는 단계(910)에서 추출된 정보에 기반하여 질의의 교정 후보에의 변환에 관한 적어도 하나의 파라미터를 획득할 수 있다. 질의의 교정 후보에의 변환에 대한 대역 확률의 파라미터 및 정렬 확률의 파라미터는 파라미터 획득부(240)의 확률 및 정렬 파라미터 획득부(242)에 의해 계산 및 획득될 수 있다. 질의의 교정 후보에의 변환에 대한 LM 파라미터는 파라미터 획득부(240)의 언어 모델 파라미터 획득부(244)에 의해 계산 및 획득될 수 있다.
단계(930)에서, 교정 결과 생성부(230)는 단계(920)에서 획득된 파라미터에 기반하여, 질의의 교정 후보(들)의 각각으로의 변환과 연관된 확률을 계산할 수 있다. 예컨대, 교정 결과 생성부(230)는 전술된 수학식 1을 사용하여 상기 확률의 계산을 수행할 수 있다.
단계(940)에서, 교정 결과 생성부(230)는 단계(930)에서 계산된 확률에 기반하여 질의에 대한 교정 결과로서 교정 후보(들) 중 적어도 하나의 교정 후보를 추출할 수 있다. 예컨대, 교정 결과 생성부(230)는 전술된 수학식 2를 사용하여 교정 후보(들) 중 하나의 교정 후보를 교정 결과로서 추출할 수 있다.
단계(950)에서, 질의 교정 시스템(100)의 통신부(250)는 단계(940)에서 추출된 교정 결과로서의 교정 후보를 사용자의 질의 입력에 대한 검색 결과로서 출력할 수 있다. 또는, 사용자의 질의 입력에 대한 검색 결과에는 추출된 교정 결과가 포함될 수 있다.
도 1 내지 8을 참조하여 전술된 기술적 특징에 대한 설명은, 여기에서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 10는 일 예에 따른 사용자 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출하는 방법을 나타내는 흐름도이다.
후술될 단계들(1010 및 1020)은 도 9를 참조하여 전술된 단계(910)에 포함될 수 있다.
단계(1010)에서, 교정 정보 추출부(220)는 검색 결과의 로그 정보를 사용하여 질의가 오탈자를 포함하는지를 판단할 수 있다. 질의가 오탈자를 포함하지 않으면, 해당 질의는 정자 질의에 해당하는 것으로 판단될 수 있고, 별도의 교정 결과는 제공되지 않을 수 있다.
단계(1020)에서, 질의가 오탈자를 포함하는 경우, 교정 정보 추출부(220)는 질의에 대한 적어도 하나의 교정 후보를 식별할 수 있다. 예컨대, 교정 정보 추출부(220)는 교정 후보를 식별함으로써 질의-교정후보에 대한 적어도 하나의 오탈자-정자 쌍을 교정 후보에 관한 정보로서 식별할 수 있다.
도 1 내지 9를 참조하여 전술된 기술적 특징에 대한 설명은, 여기에서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 11는 일 예에 따른 사용자 질의에 대한 교정 후보들 중 불필요한 교정 후보를 제거함으로써 교정 결과로서의 교정 후보를 추출하는 방법을 나타내는 흐름도이다.
후술될 단계들(1110 및 1120)은 도 9를 참조하여 전술된 단계(940)에 포함될 수 있다.
단계(1110)에서, 교정 결과 생성부(230)는 복수의 교정 후보들의 각각에 대해 단계(930)에서 계산된 확률의 분포에 기반하여, 복수의 교정 후보들 중 적어도 하나의 교정 후보를 질의에 대한 교정 결과로서의 교정 후보 추출 과정에서 배제할 수 있다.
단계(1120)에서, 교정 결과 생성부(230)는 단계(1110)에 의해 불필요한 교정 후보가 배제된 복수의 교정 후보들 중 적어도 하나의 교정 후보를 질의에 대한 교정 결과로서 추출할 수 있다.
도 1 내지 10을 참조하여 전술된 기술적 특징에 대한 설명은, 여기에서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
하기에서는, 종래 기술과 비교한 본 실시예의 효과 및 기술적 개선 사항에 대해 설명한다.
효과 및 기술적 개선 사항의 평가에 있어서, IBM MODEL2의 학습을 위해 사용된 데이터는 IBM_SET-7 및 IBM_SET-21로 각각 나타내었다. IBM_SET-7는 7일 동안의 질의에 대한 오탈자-교정 후보의 데이터이고, IBM_SET-21은 21일 동안의 질의에 대한 오탈자-교정 후보의 데이터이다. 또한, LM 파라미터의 학습을 위해 사용된 데이터는 LM_SET-21_Q5 및 LM_SET-2015_Q30으로 각각 나타내었다. LM_SET-21_Q5는 21일 동안의 질의에 대해 누적 빈도가 5 이상인 질의에 대한 데이터를 나타내고, LM_SET-2015_Q30는 2015년 까지의 전체 질의에 대해, 누적 빈도가 30 이상인 질의에 대한 데이터를 나타낸다. 테스트 세트로는 unseen 랜덤 샘플링에 의한 21219건의 오탈자 -> 정자 데이터를 구축하였다. 실시예와의 비교를 위한 종래 기술은 최신의 학습 데이터를 사용하는 것이 가정된다.
하기 표 2 및 3는 IBM MODEL2의 학습 데이터 및 LM 학습 데이터를 증가시킨 경우, 커버리지 및 품질 향상의 여부를 나타낸다. 표 2에서는 LM_SET-2015_Q30의 사용이 고정되었다. 표 3에서는 IBM_SET-21의 사용이 고정되었다.
전체 TEST 케이스: 21,219 커버리지 정확도
교정된 것 (IBM_SET-7) 12,626 N/A N/A
교정된 것 (IBM_SET-21) 15,446 N/A N/A
정답 후보와 동일한 것 (IBM_SET-7) 11,311 53.3% 89.6%
정답 후보와 동일한 것 (IBM_SET-21) 14,748 69.5% 95.5%
전체 TEST 케이스: 21,219 커버리지 정확도
교정된 것 (LM_SET-21_Q5) 13,025 N/A N/A
교정된 것 (LM_SET-2015_Q30) 15,446 N/A N/A
정답 후보와 동일한 것 (LM_SET-21_Q5) 8,189 38.6% 62.9%
정답 후보와 동일한 것 (LM_SET-2015_Q30) 14,748 69.5% 95.5%
표 2 및 3의 경우 모두에서, 커버리지 증가 및 정확도의 증가가 확인되었다.
하기의 표 4는 종래 기술(AS-IS) 및 실시예(TO-BE) 간의 SEEN TEST의 결과를 나타낸다. 종래 기술의 시스템 및 실시예의 시스템 간의 모델링 파워(성능)를 비교하기 위해 학습에 기 사용된(SEEN) 데이터가 평가를 위해 사용되었다.
전체 SEEN TEST 케이스: 26,580 커버리지 정확도
교정된 것 (AS-IS) 9,604 N/A N/A
교정된 것 (TO-BE) 25,573 N/A N/A
정답 후보와 동일한 것 (AS-IS) 9,451 35.6% 98.4%
정답 후보와 동일한 것 (TO-BE) 25,370 95.4% 99.2%
상기와 같이, 커버리지 및 정확도에 있어서 실시예의 경우가 종래 기술보다 더 우수함이 확인되었다.
하기의 표 5는 종래 기술(AS-IS) 및 실시예(TO-BE) 간의 UNSEEN TEST의 결과를 나타낸다. 종래 기술의 시스템 및 실시예의 시스템 간의 모델링 파워(성능)를 비교하기 위해 학습 데이터에 존재하지 않는(UNSEEN) 데이터가 평가를 위해 사용되었다.
전체 TEST 케이스: 21,219 커버리지 정확도
교정된 것 (AS-IS) 6,837 N/A N/A
교정된 것 (TO-BE) 15,446 N/A N/A
정답 후보와 동일한 것 (AS-IS) 6,680 31.5% 97.7%
정답 후보와 동일한 것 (TO-BE) 14,748 69.5% 95.5%
상기와 같이, 실시예의 경우 종래 기술에 비해 커버리지가 대략 222%가 증가한 반면, 정확도의 감소는 2%에 불과함이 확인되었다.
하기의 표 6 및 7은 오탈자가 아닌 질의를 정자 질의로서 얼마나 잘 인식하는지에 대한 종래 기술 및 실시예 간의 비교 결과를 나타낸다. 표 6에서, 평가데이터 1은 정자로 간주된 쇼핑 도메인 QC top 5,000 건의 데이터이다. 표 7에서, 평가데이터 2는 정자로 간주된 UNSEEN & low QC 지도 음식점 이름 데이터 17,040 건의 데이터이다.
평가데이터1: 5,000 정자 인식률
AS-IS 4,967 99.3%
TO-BE 4,984 99.7%
평가데이터2: 17,040 정자 인식률
AS-IS 16,684 97.9%
TO-BE 16,786 98.5%
상기와 같이, 종래 기술에 비해 실시예의 정자 인식률이 더 높음이 확인되었다.
하기의 표 8은 오탈자 교정의 종래 기술 및 실시예 간의 비교 결과를 나타낸다.
오탈자 입력 AS-IS 결과 TO-BE 결과
힙합 니투 힙합 미투 힙합 니트
후라이팬 푸천 후라이팬 포천 후라이팬 추천
한효주 디크 한효주 디스크 한효주 디카
한샘아기책산 한샘아기책장 한샘아기책상
하리보 레몸 하리보 레몽 하리보 레몬
플루크반팔ㅊ 플루크반팔 플루크반팔티
플라스틱 아일랜드 야신ㅇ 플라스틱 아일랜드 야신 플라스틱 아일랜드 야상
프리미아타 믿 프리미아타 ale 프리미아타 믹
흑백모?? (교정 실패) 흑백모빌
캉골 백?h (교정 실패) 캉골 백팩
여주아울레ㅛ (교정 실패) 여주아울렛
압화케이흐 (교정 실패) 압화케이스
페퍼론ㅊㄱ (교정 실패) 페퍼론치노
ㅛㅇ하기스 프리미어 4단계공ㅇ (교정 실패) 하기스 프리미어 4단계공용
상기와 같이, 교정 커버리지에 있어서 실시예의 경우가 종래 기술보다 더 우수함이 확인되었다.
요컨대, 실시예의 시스템은 종래 기술의 시스템에 비해 2 내지 3배의 교정 커버리지의 향상의 효과가 있음에 반해, 교정 정확도의 열화는 거의 없거나 미미할 수 있음이 확인되었다.
또한, 실시예의 시스템에 의해서는, 교정 커버리지가 종래 기술에 비해 넓어짐에 따라 사용자가 오탈자 질의를 입력한 경우, 다시 정자 질의를 입력해야하는 빈도가 적어지게 되므로, 올바른 검색 결과의 출력을 위한 질의 입력(클라이언트의 관점) 및 검색 결과 처리(검색 서버의 관점)에 요구되는 데이터 처리량 및 계산량이 감소되는 효과가 있다. 또한, 사용자의 단말이 모바일 단말인 경우, 오탈자 질의를 입력한 경우, 다시 정자 질의를 입력해야하는 빈도가 적어지게 되므로 단말의 배터리 절감 효과 또한 달성될 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, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
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 (21)

  1. 입력된 질의에 대한 검색 결과의 로그 정보에 기반하여, 상기 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출하는 교정 정보 추출부;
    상기 추출된 정보에 기반하여 상기 질의의 상기 교정 후보에의 변환에 관한 적어도 하나의 파라미터를 획득하는 파라미터 획득부; 및
    상기 획득된 파라미터에 기반하여, 상기 질의의 상기 적어도 하나의 교정 후보의 각각으로의 변환과 연관된 확률을 계산하고, 상기 계산된 확률에 기반하여 상기 질의에 대한 교정 결과로서 상기 교정 후보 중 적어도 하나의 교정 후보를 추출하는 교정 결과 생성부
    를 포함하는, 질의 교정 시스템.
  2. 제1항에 있어서,
    상기 교정 정보 추출부는 상기 로그 정보를 사용하여 상기 질의가 오탈자를 포함하는지를 판단하고, 상기 질의가 오탈자를 포함하는 경우, 상기 질의에 대한 적어도 하나의 교정 후보를 식별하는, 질의 교정 시스템.
  3. 제1항에 있어서,
    상기 로그 정보는 사용자에 의해 제1 질의가 입력된 후 제2 질의가 입력될 때까지의 시간, 상기 검색 결과에 대한 사용자의 클릭 정보, 상기 제1 질의 및 상기 제2 질의 간의 유사도에 관한 정보 및 상기 검색 결과의 속성 중 적어도 하나를 포함하는, 질의 교정 시스템.
  4. 제3항에 있어서,
    상기 검색 결과의 속성은 상기 검색 결과가 포함하는 컨텐츠의 카테고리인, 질의 교정 시스템.
  5. 제1항에 있어서,
    상기 파라미터 획득부는 상기 질의에 포함된 요소가 상기 교정 후보 각각에 포함된 요소로 변환될 확률, 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치 및 상기 질의의 상기 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률 중 적어도 하나를 파라미터로서 획득하는, 질의 교정 시스템.
  6. 제5항에 있어서,
    상기 질의에 포함된 요소는 상기 질의를 포함하는 음절이고, 상기 교정 후보 각각에 포함된 요소는 상기 교정 후보 각각에 포함된 음절인, 질의 교정 시스템.
  7. 제1항에 있어서,
    상기 교정 결과 생성부는 상기 교정 결과로서의 상기 적어도 하나의 교정 후보 중 교정 후보를 추출함에 있어서, 상기 질의에 포함된 요소들이 배열되는 순서 및 상기 적어도 하나의 교정 후보의 대응하는 요소들이 배열되는 순서를 동일한 것으로 가정하는, 질의 교정 시스템.
  8. 제1항에 있어서,
    상기 교정 결과로서 추출된 적어도 하나의 교정 후보는 사용자의 상기 질의 입력에 대한 검색 결과에 포함되는, 질의 교정 시스템.
  9. 제1항에 있어서,
    상기 획득된 파라미터는 복수이고,
    상기 교정 결과 생성부는 상기 획득된 파라미터의 곱 또는 로그합에 기반하여 상기 확률을 계산하는, 질의 교정 시스템.
  10. 제1항에 있어서,
    상기 교정 후보는 복수이고,
    상기 교정 결과 생성부는,
    상기 복수의 교정 후보들의 각각에 대해 계산된 상기 확률의 분포에 기반하여, 상기 복수의 교정 후보들 중 적어도 하나의 교정 후보를 상기 질의에 대한 교정 결과로서의 교정 후보 추출에서 배제하는, 질의 교정 시스템.
  11. 제1항에 있어서,
    상기 확률은 수학식에 의해 계산되고,
    상기 수학식은,
    Figure pat00007

    이고,
    l은 상기 교정 후보 각각의 길이이고, m은 상기 교정 후보 각각의 길이고, j는 상기 교정 후보의 인덱스이고, i는 상기 질의의 인덱스이고,
    상기 TR은 상기 질의에 포함된 i번째 요소가 상기 교정 후보 각각에 포함된 j번째 요소로 변환될 확률을 나타내는 함수이고, 상기 AL은 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치를 나타내는 함수이고, 상기 PLM은 상기 질의의 상기 교정 후보 각각으로의 변환의 자연성의 정도의 확률을 나타내는 함수인, 질의 교정 시스템.
  12. 제1항에 있어서,
    상기 교정 정보 추출부 및 상기 파라미터 획득부 중 적어도 하나는 분산 처리 시스템으로서 구현되는, 질의 교정 시스템.
  13. 제1항에 있어서,
    상기 교정 후보에 관한 정보는 상기 질의 및 각 교정 후보로 구성된 오탈자-정자 쌍을 포함하는, 질의 교정 시스템.
  14. 제1항에 있어서,
    상기 확률은 상기 질의가 입력될 때 각 교정 후보가 발생할 조건부 확률인, 질의 교정 시스템.
  15. 입력된 질의에 대한 검색 결과의 로그 정보에 기반하여, 상기 질의에 대한 적어도 하나의 교정 후보에 관한 정보를 추출하는 단계;
    상기 추출된 정보에 기반하여 상기 질의의 상기 교정 후보에의 변환에 관한 적어도 하나의 파라미터를 획득하는 단계;
    상기 획득된 파라미터에 기반하여, 상기 질의의 상기 적어도 하나의 교정 후보의 각각으로의 변환과 연관된 확률을 계산하는 단계; 및
    상기 계산된 확률에 기반하여 상기 질의에 대한 교정 결과로서 상기 교정 후보 중 적어도 하나의 교정 후보를 추출하는 단계
    를 포함하는, 질의 교정 방법.
  16. 제15항에 있어서,
    상기 교정 후보에 관한 정보를 추출하는 단계는,
    상기 로그 정보를 사용하여 상기 질의가 오탈자를 포함하는지를 판단하는 단계; 및
    상기 질의가 오탈자를 포함하는 경우, 상기 질의에 대한 적어도 하나의 교정 후보를 식별하는 단계
    를 포함하는, 질의 교정 방법.
  17. 제15항에 있어서,
    상기 파라미터를 획득하는 단계는,
    상기 질의에 포함된 요소가 상기 교정 후보 각각에 포함된 요소로 변환될 확률, 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치 및 상기 질의의 상기 교정 후보 각각으로의 변환의 자연성의 정도를 나타내는 확률 중 적어도 하나를 파라미터로서 획득하는, 질의 교정 방법.
  18. 제15항에 있어서,
    상기 교정 결과로서 추출된 적어도 하나의 교정 후보를 사용자의 상기 질의 입력에 대한 검색 결과로서 출력하는 단계
    를 더 포함하는, 질의 교정 방법.
  19. 제15항에 있어서,
    상기 교정 후보는 복수이고,
    상기 적어도 하나의 교정 후보를 추출하는 단계는,
    상기 복수의 교정 후보들의 각각에 대해 계산된 상기 확률의 분포에 기반하여, 상기 복수의 교정 후보들 중 적어도 하나의 교정 후보를 상기 질의에 대한 교정 결과로서의 교정 후보 추출에서 배제하는 단계
    를 포함하는, 질의 교정 방법.
  20. 제15항에 있어서,
    상기 확률은 수학식에 의해 계산되고,
    상기 수학식은,
    Figure pat00008

    이고,
    l은 상기 교정 후보 각각의 길이이고, m은 상기 교정 후보 각각의 길이고, j는 상기 교정 후보의 인덱스이고, i는 상기 질의의 인덱스이고,
    상기 TR은 상기 질의에 포함된 i번째 요소가 상기 교정 후보 각각에 포함된 j번째 요소로 변환될 확률을 나타내는 함수이고, 상기 AL은 상기 질의에 포함된 요소의 각 교정 후보의 요소에 대한 위치 관계를 나타내는 수치를 나타내는 함수이고, 상기 PLM은 상기 질의의 상기 교정 후보 각각으로의 변환의 자연성의 정도의 확률을 나타내는 함수인, 질의 교정 방법.
  21. 제15항의 방법을 실행하기 위한 프로그램이 수록된, 컴퓨터 판독 가능 기록 매체.
KR1020150129880A 2015-09-14 2015-09-14 사용자 질의 교정 시스템 및 방법 KR101839121B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150129880A KR101839121B1 (ko) 2015-09-14 2015-09-14 사용자 질의 교정 시스템 및 방법
JP2016134985A JP6261669B2 (ja) 2015-09-14 2016-07-07 クエリ校正システムおよび方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150129880A KR101839121B1 (ko) 2015-09-14 2015-09-14 사용자 질의 교정 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20170032084A true KR20170032084A (ko) 2017-03-22
KR101839121B1 KR101839121B1 (ko) 2018-04-26

Family

ID=58390989

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150129880A KR101839121B1 (ko) 2015-09-14 2015-09-14 사용자 질의 교정 시스템 및 방법

Country Status (2)

Country Link
JP (1) JP6261669B2 (ko)
KR (1) KR101839121B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210049518A (ko) * 2019-10-25 2021-05-06 주식회사 케이티 질의 해석 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016018226A1 (en) 2014-07-28 2016-02-04 Crocco Guy The use of evaporative coolants to manufacture filled polyurethane composites

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7254774B2 (en) * 2004-03-16 2007-08-07 Microsoft Corporation Systems and methods for improved spell checking
US7321892B2 (en) * 2005-08-11 2008-01-22 Amazon Technologies, Inc. Identifying alternative spellings of search strings by analyzing self-corrective searching behaviors of users
US20110295897A1 (en) * 2010-06-01 2011-12-01 Microsoft Corporation Query correction probability based on query-correction pairs
US10176168B2 (en) * 2011-11-15 2019-01-08 Microsoft Technology Licensing, Llc Statistical machine translation based search query spelling correction
KR101509727B1 (ko) * 2013-10-02 2015-04-07 주식회사 시스트란인터내셔널 자율학습 정렬 기반의 정렬 코퍼스 생성 장치 및 그 방법과, 정렬 코퍼스를 사용한 파괴 표현 형태소 분석 장치 및 그 형태소 분석 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210049518A (ko) * 2019-10-25 2021-05-06 주식회사 케이티 질의 해석 방법 및 장치

Also Published As

Publication number Publication date
JP2017059216A (ja) 2017-03-23
KR101839121B1 (ko) 2018-04-26
JP6261669B2 (ja) 2018-01-17

Similar Documents

Publication Publication Date Title
US11640515B2 (en) Method and neural network system for human-computer interaction, and user equipment
CN106202153B (zh) 一种es搜索引擎的拼写纠错方法及系统
CN107729322B (zh) 分词方法及装置、建立句子向量生成模型方法及装置
JP5128629B2 (ja) 品詞タグ付けシステム、品詞タグ付けモデルのトレーニング装置および方法
CN110717034A (zh) 一种本体构建方法及装置
JP2019526142A (ja) 検索語句の誤り訂正方法および装置
US11113470B2 (en) Preserving and processing ambiguity in natural language
US8386238B2 (en) Systems and methods for evaluating a sequence of characters
CN111985228B (zh) 文本关键词提取方法、装置、计算机设备和存储介质
JP2009110513A (ja) ワードの類似性を用いたオントロジーの自動生成
CN108776673B (zh) 关系模式的自动转换方法、装置及存储介质
CN111680494A (zh) 相似文本的生成方法及装置
KR102292040B1 (ko) 기계 독해 기반 지식 추출을 위한 시스템 및 방법
JP7138467B2 (ja) 訳出完了判定装置、翻訳装置、訳出完了判定モデル学習装置、およびプログラム
CN112667780A (zh) 一种评论信息的生成方法、装置、电子设备及存储介质
CN111046659B (zh) 上下文信息生成方法、上下文信息生成装置及计算机可读记录介质
CN112447172B (zh) 一种语音识别文本的质量提升方法和装置
KR101839121B1 (ko) 사용자 질의 교정 시스템 및 방법
NL2031111B1 (en) Translation method, device, apparatus and medium for spanish geographical names
CN110795617A (zh) 一种搜索词的纠错方法及相关装置
US20220284188A1 (en) Machine based expansion of contractions in text in digital media
Ferreira et al. Evaluating human-machine translation with attention mechanisms for industry 4.0 environment SQL-based systems
CN113051896A (zh) 对文本进行纠错的方法、装置、电子设备和存储介质
CN107203512B (zh) 用于从用户的自然语言输入中提取关键元素的方法
JP4314271B2 (ja) 単語間関連度算出装置、単語間関連度算出方法及び単語間関連度算出プログラム並びにそのプログラムを記録した記録媒体

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant