KR20180008247A - 딥러닝 인공신경망 기반의 타스크 제공 플랫폼 - Google Patents

딥러닝 인공신경망 기반의 타스크 제공 플랫폼 Download PDF

Info

Publication number
KR20180008247A
KR20180008247A KR1020170009236A KR20170009236A KR20180008247A KR 20180008247 A KR20180008247 A KR 20180008247A KR 1020170009236 A KR1020170009236 A KR 1020170009236A KR 20170009236 A KR20170009236 A KR 20170009236A KR 20180008247 A KR20180008247 A KR 20180008247A
Authority
KR
South Korea
Prior art keywords
task
learning model
extracting
information
sentence
Prior art date
Application number
KR1020170009236A
Other languages
English (en)
Other versions
KR101886373B1 (ko
Inventor
정진연
Original Assignee
김경호
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 김경호 filed Critical 김경호
Priority to US15/488,082 priority Critical patent/US20180018562A1/en
Priority to JP2017137802A priority patent/JP2018041443A/ja
Publication of KR20180008247A publication Critical patent/KR20180008247A/ko
Application granted granted Critical
Publication of KR101886373B1 publication Critical patent/KR101886373B1/ko

Links

Images

Classifications

    • G06F17/27—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2219—Large Object storage; Management thereof
    • G06F17/30318—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

딥러닝 인공신경망 기반의 타스크 제공 플랫폼을 제공한다. 컴퓨터로 구현되는 방법은, 전자 기기에 설치된 적어도 하나의 메시지 어플리케이션에서 대화 정보를 추출하는 단계; 자연어 처리를 위한 CNN(convolutional neural network) 학습 모델과 문장 생성을 위한 RNN(recurrent neural network) 학습 모델을 이용하여 상기 대화 정보에서 타스크(task) 정보를 추출하는 단계; 및 상기 전자 기기에 설치된 타스크 제공 어플리케이션을 통해 상기 타스크 정보를 제공하는 단계를 포함할 수 있다.

Description

딥러닝 인공신경망 기반의 타스크 제공 플랫폼{PLATFORM FOR PROVIDING TASK BASED ON DEEP LEARNING}
아래의 설명은 딥러닝 인공신경망 기반의 플랫폼 서비스에 관한 것이다.
오늘날 인터넷 등 통신망의 급격한 발전과 더불어 통신망을 통한 메신저 서비스가 일반화되고 있다.
인터넷을 이용하여 사용자는 다른 사용자들과 언제 어디서나 용이하게 메시지를 주고 받을 수 있으며, 이러한 메신저 서비스는 우리 생활 전반에 걸쳐 많은 변화를 가져다 주고 있다.
메신저 서비스는 이동통신의 발전에 따라 모바일 메신저로서 국경을 초월하는 대중적인 대화 수단으로 이용되고 있고, 그 사용자의 수는 점차 늘어나고 있으며, 이에 발맞추어 메신저를 기반으로 한 서비스가 점차 늘어나고 있다.
이와 같이 메신저 서비스는 사용자들 간 대화형식으로 정보를 전달할 수 있게끔 해주는 서비스이다
메신저 서비스의 관련 기술의 일례로서, 한국공개특허공보 제10-2004-0055027호(공개일 2004년 06월 26일)에는 휴대용 단말기에 있어서 메신저 기능을 구현하는 기술이 개시되어 있다.
DNN(deep neural network)을 기반으로 사용자가 주고 받은 대화 내용 중에서 타스크(task, 해야 할 일)를 추출하여 제공할 수 있는 타스크 제공 플랫폼을 제공한다.
DNN으로 인한 자연어 처리(natural language process)를 통해 타스크를 추출할 수 있는 타스크 제공 플랫폼을 제공한다.
대화 내용에서 타스크 관련 단어와 타스크 외 단어를 정확하고 효과적으로 구분할 수 있는 학습 알고리즘을 제공한다.
사용자가 주고 받은 대화 내용으로부터 추출된 타스크들을 사용자가 확인 가능한 형태로 가시화 할 수 있는 타스크 가시화 방법을 제공한다.
컴퓨터로 구현되는 방법에 있어서, 전자 기기에 설치된 적어도 하나의 메시지 어플리케이션에서 대화 정보를 추출하는 단계; 자연어 처리를 위한 CNN(convolutional neural network) 학습 모델과 문장 생성을 위한 RNN(recurrent neural network) 학습 모델을 이용하여 상기 대화 정보에서 타스크(task) 정보를 추출하는 단계; 및 상기 전자 기기에 설치된 타스크 제공 어플리케이션을 통해 상기 타스크 정보를 제공하는 단계를 포함하는 방법을 제공한다.
일 측면에 따르면, 상기 타스크 정보를 추출하는 단계는, 타스크 관련 단어가 학습된 상기 CNN 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 상기 타스크 관련 단어에 해당되는 핵심 단어를 추출하는 단계; 및 상기 RNN 학습 모델을 통해 상기 핵심 단어를 이용하여 타스크 문장을 생성하는 단계를 포함할 수 있다.
다른 측면에 따르면, 상기 타스크 정보를 추출하는 단계는, 감성분석 특화 학습 모델을 포함하는 상기 RNN 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 긍정 표현과 부정 표현을 분석하여 상기 부정 표현을 제외한 확정 문장을 생성하는 단계; 및 타스크 관련 단어가 학습된 상기 CNN 학습 모델을 통해 상기 확정 문장에서 상기 타스크 관련 단어에 해당되는 핵심 단어를 추출하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 타스크 정보를 추출하는 단계는, 타스크 관련 단어가 학습된 상기 CNN 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 타스크를 5W1H(When, Where, Who, What, Why, How)의 속성으로 추출하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 타스크 정보를 추출하는 단계는, 감성분석 특화 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 긍부정을 분석하여 긍부정 분석 결과를 타스크 추출에 반영할 수 있다.
또 다른 측면에 따르면, 상기 CNN 학습 모델은, 워드 임베딩(word embedding) 방법을 통해 학습 데이터의 단어들을 워드 벡터로 표현한 후 상기 타스크 관련 단어를 목적 함수로 정의하고 상기 타스크 관련 단어와 타스크 외 단어의 구분을 위해 임베딩 벡터의 거리를 조정하여 학습할 수 있다.
또 다른 측면에 따르면, 상기 CNN 학습 모델은, 상기 타스크 관련 단어로서 장소와 시간 및 목적에 해당되는 단어를 목적 함수로 정의하여 학습할 수 있다.
또 다른 측면에 따르면, 상기 CNN 학습 모델과 상기 RNN 학습 모델은, 학습 데이터가 추가되는 경우 추가된 학습 데이터에 대하여 캐시(cache) 모델이 생성된 후 기존 학습 모델과의 병합을 통해 보강 학습 모델이 생성될 수 있다.
타스크 제공 방법을 실행시키기 위해 컴퓨터 판독 가능한 기록 매체에 기록된 컴퓨터 프로그램에 있어서, 상기 타스크 제공 방법은, 전자 기기에 설치된 적어도 하나의 메시지 어플리케이션에서 대화 정보를 추출하는 단계; 자연어 처리를 위한 CNN 학습 모델과 문장 생성을 위한 RNN 학습 모델을 이용하여 상기 대화 정보에서 타스크 정보를 추출하는 단계; 및 상기 전자 기기에 설치된 타스크 제공 어플리케이션을 통해 상기 타스크 정보를 제공하는 단계를 포함하는, 컴퓨터 프로그램을 제공한다.
컴퓨터로 구현되는 시스템에 있어서, 컴퓨터가 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 전자 기기에 설치된 적어도 하나의 메시지 어플리케이션에서 대화 정보를 추출하는 대화 추출부; 자연어 처리를 위한 CNN 학습 모델과 문장 생성을 위한 RNN 학습 모델을 이용하여 상기 대화 정보에서 타스크 정보를 추출하는 타스크 추출부; 및 상기 전자 기기에 설치된 타스크 제공 어플리케이션을 통해 상기 타스크 정보를 제공하는 타스크 제공부를 포함하는 시스템을 제공한다.
본 발명의 실시예들에 따르면, DNN을 기반으로 사용자가 주고 받은 대화 내용 중에서 타스크를 추출하여 제공할 수 있다.
본 발명의 실시예들에 따르면, DNN으로 인한 높은 신뢰도를 갖는 자연어 처리를 통해 타스크를 정확히 추출할 수 있다.
본 발명의 실시예들에 따르면, 대화 내용에서 타스크 관련 단어와 타스크 외 단어를 정확하고 효과적으로 구분할 수 있다.
본 발명의 실시예들에 따르면, 감성분석 특화학습 모델을 적용하여 대화 속 긍부정 판단 결과를 타스크 추출에 반영함으로써 유효한 타스크를 정확히 추출할 수 있다.
본 발명의 실시예들에 따르면, 타스크 추출을 위한 학습 모델에 학습 데이터에 추가되는 경우 캐쉬(cache) 모델을 생성하여 기존 모델과 병합하는 방법으로 리얼타임(real-time) 학습 처리가 구현 가능하다.
본 발명의 실시예들에 따르면, 다양한 대화 내용 중에서 타스크를 5W1H(When, Where, Who, What, Why, How)의 속성으로 추출하여 제공할 수 있다.
본 발명의 실시예들에 따르면, 사용자가 주고 받은 대화 내용으로부터 추출된 타스크들을 최적화 된 UI(user interface)/UX(user experience)에 맞게 가시화 할 수 있다.
본 발명의 실시예들에 따르면, 대화 내용에서 타스크를 자동 추출하여 제공함으로써 대화로 기인된 해야 할 일들을 별도로 관리하거나 기억하지 않아도 사용자가 스케줄을 판단 내지 기록하기 위한 생각과 행동의 시간을 단축할 수 있다.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서, 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일실시예에 있어서 DNN 기반의 플랫폼 서비스를 제공하는 서버가 포함할 수 있는 구성요소의 예를 도시한 구성도이다.
도 4는 본 발명의 일실시예에 있어서 DNN 기반의 플랫폼 서비스를 제공하는 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
도 5는 본 발명의 일실시예에 있어서 타스크 처리를 위한 LSTM 학습 모델의 예시를 도시한 도면이다.
도 6은 일반적인 딥러닝 보강학습 처리 프로세스를 설명하기 위한 예시 도면이다.
도 7은 본 발명의 일실시예에 있어서 리얼 타임 보강학습 처리 프로세스를 설명하기 위한 예시 도면이다.
도 8은 본 발명의 일실시예에 있어서 타스크 관련 단어를 추출하기 위한 CNN 학습 모델의 예시를 도시한 도면이다.
도 9는 본 발명의 일실시예에 있어서 LSTM 모델을 이용한 타스크 문장 생성 과정을 설명하기 위한 예시 도면이다.
도 10은 본 발명의 일실시예에 있어서 긍부정 분석 결과를 반영한 타스크 추출 과정을 설명하기 위한 예시 도면이다.
도 11은 본 발명의 일실시예에 있어서 5W1H 속성의 타스크를 추출하는 과정을 설명하기 위한 예시 도면이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 딥러닝 인공신경망 기반의 플랫폼 서비스를 제공하는 기술에 관한 것으로, 상세하게는 DNN을 기반으로 대화 메시지로부터 타스크를 추출하여 가시화 할 수 있는 타스크 제공 플랫폼에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 딥러닝 인공신경망 기반의 플랫폼 서비스를 구현할 수 있고, 이를 통해 번잡한 대화 내용에서 타스크를 추출하여 가시화 할 수 있고, 더 나아가 효율성, 합리성, 실효성, 비용 절감 등의 측면에 있어서 상당한 장점들을 달성한다.
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.
복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 전자 기기 1(110)은 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 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. 일례로, 서버(160)는 네트워크(170)를 통해 접속한 전자 기기 1(110)로 어플리케이션의 설치를 위한 파일을 제공할 수 있다. 이 경우 전자 기기 1(110)은 서버(160)로부터 제공된 파일을 이용하여 어플리케이션을 설치할 수 있다. 또한 전자 기기 1(110)이 포함하는 운영체제(Operating System, OS)나 적어도 하나의 프로그램(일례로 브라우저나 상기 설치된 어플리케이션)의 제어에 따라 서버(150)에 접속하여 서버(150)가 제공하는 서비스나 컨텐츠를 제공받을 수 있다. 예를 들어, 전자 기기 1(110)이 어플리케이션의 제어에 따라 네트워크(170)를 통해 서비스 요청 메시지를 서버(150)로 전송하면, 서버(150)는 서비스 요청 메시지에 대응하는 코드를 전자 기기 1(110)로 전송할 수 있고, 전자 기기 1(110)은 어플리케이션의 제어에 따라 코드에 따른 화면을 구성하여 표시함으로써 사용자에게 컨텐츠를 제공할 수 있다.
도 2는 본 발명의 일실시예에 있어서, 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 도 2에서는 하나의 전자 기기에 대한 예로서 전자 기기 1(110), 그리고 하나의 서버에 대한 예로서 서버(150)의 내부 구성을 설명한다. 다른 전자 기기들(120, 130, 140)이나 서버(160) 역시 동일한 또는 유사한 내부 구성을 가질 수 있다.
전자 기기 1(110)과 서버(150)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함할 수 있다. 메모리(211, 221)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(211, 221)에는 운영체제나 적어도 하나의 프로그램 코드(일례로 전자 기기 1(110)에 설치되어 구동되는 브라우저나 전용 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로 상술한 서버(160))이 네트워크(170)를 통해 제공하는 파일들에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(211, 221)에 로딩될 수 있다.
프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(213, 223)은 네트워크(170)를 통해 전자 기기 1(110)과 서버(150)가 서로 통신하기 위한 기능을 제공할 수 있으며, 다른 전자 기기(일례로 전자 기기 2(120)) 또는 다른 서버(일례로 서버(160))와 통신하기 위한 기능을 제공할 수 있다. 일례로, 전자 기기 1(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(213)의 제어에 따라 네트워크(170)를 통해 서버(150)로 전달될 수 있다. 역으로, 서버(150)의 프로세서(222)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(223)과 네트워크(170)를 거쳐 전자 기기 1(110)의 통신 모듈(213)을 통해 전자 기기 1(110)로 수신될 수 있다. 예를 들어 통신 모듈(213)을 통해 수신된 서버(150)의 제어 신호나 명령 등은 프로세서(212)나 메모리(211)로 전달될 수 있고, 컨텐츠나 파일 등은 전자 기기 1(110)가 더 포함할 수 있는 저장 매체로 저장될 수 있다.
입출력 인터페이스(214)는 입출력 장치(215)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 보다 구체적인 예로, 전자 기기 1(110)의 프로세서(212)는 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(150)나 전자 기기 2(120)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다.
또한, 다른 실시예들에서 전자 기기 1(110) 및 서버(150)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 전자 기기 1(110)은 상술한 입출력 장치(215) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 전자 기기 1(110)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 가속도 센서나 자이로 센서, 카메라, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 전자 기기 1(110)에 더 포함되도록 구현될 수 있음을 알 수 있다.
이하에서는 DNN 기반의 플랫폼 서비스 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.
도 3은 본 발명의 일실시예에 있어서 DNN 기반의 플랫폼 서비스를 제공하는 서버가 포함할 수 있는 구성요소의 예를 도시한 구성도이고, 도 4는 DNN 기반의 플랫폼 서비스를 제공하는 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
서버(150)는 DNN을 기반으로 대화 메시지로부터 타스크를 자동 추출하여 가시화 할 수 있는 플랫폼 역할을 한다.
도 3에 도시된 바와 같이, 서버(150)의 프로세서(222)는 구성요소들로서 대화 추출부(301), 타스크 추출부(303), 및 타스크 제공부(305)를 포함할 수 있다. 서버(150)는 도 2를 통해 설명한 구성요소를 기본적으로 포함하며, 더 나아가 DNN 기반의 플랫폼 서비스를 제공하기 위한 빅데이터 플랫폼 역할을 하는 것으로, 대화 추출부(301)로부터 추출된 대화 정보를 저장하기 위한 대화 정보 데이터베이스(302), 및 타스크 추출부(303)로부터 추출된 타스크 정보를 저장하기 위한 타스크 정보 데이터베이스(304)를 더 포함할 수 있다.
이러한 프로세서(222) 및 프로세서(222)의 구성요소들은 도 4의 방법이 포함하는 단계들(S410 내지 S430)을 수행하도록 서버(150)를 제어할 수 있다. 이때, 프로세서(222) 및 프로세서(222)의 구성요소들은 메모리(221)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 또한, 프로세서(222)의 구성요소들은 운영체제나 적어도 하나의 프로그램이 제공하는 제어 명령에 따라 프로세서(222)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 프로세서(222)가 상술한 제어 명령에 따라 대화 정보를 추출하는 기능적 표현으로서 대화 추출부(301)가 사용될 수 있다.
도 3에 도시된 바와 같이, 서버(150)에서 제공하는 플랫폼 서비스는 인터넷을 통해 사용자 간에 대화를 주고 받는 매체와 연동되어 실시된다. 이때, 매체는 텍스트, 음성, 동영상 등 다양한 형식으로 메시지를 주고 받는 서비스를 제공하는 메시지 어플리케이션(10)을 의미하고, 인스턴트 메신저, SNS(social network service), 이메일(E-mail), SMS(short message service), MMS(multi-media message service) 등을 포함할 수 있다. 예를 들어, 메시지 어플리케이션(10)은 카카오톡, LINE, NATE ON, FACE BOOK, LINKED IN 등 다양한 어플리케이션일 수 있음은 당연하다. 서버(150)는 메시지 어플리케이션(10)과 밀접하게 정보를 주고 받으며 이와 관련하여 사용자에게 별도의 서비스를 제공할 수 있으며, 다시 말해 메시지 어플리케이션(10)에서 추출한 타스크를 요약하여 그에 부합하는 정보를 제공할 수 있다.
단계(S410)에서 대화 추출부(301)는 전자 기기 1(110)에 설치된 적어도 하나의 메시지 어플리케이션(예컨대, 메신저 A, 메신저 B, SNS C 등)(10)으로부터 전자 기기 1(110)의 사용자의 대화 정보를 추출하여 대화 정보 데이터베이스(302)에 저장할 수 있다. 다시 말해, 대화 추출부(301)는 메시지 어플리케이션(10)으로부터 해당 어플리케이션의 제조사에서 제공하는 개발자 툴(SDK)을 이용하여 사용자와 대화를 주고 받는 대화자의 정보, 대화 내용에 대한 정보 등을 포함하는 대화 정보를 추출할 수 있다. 이때, 메시지 어플리케이션에서 추출된 대화 정보는 이질적이며 광대한 분산 처리 시스템(heterogeneous distribute system)의 빅데이터 플랫폼인 대화 정보 데이터베이스(302)에 추적할 수 있다.
단계(S420)에서 타스크 추출부(303)는 자연어 처리를 위한 CNN(convolutional neural network) 학습 모델과 문장 생성을 위한 RNN(recurrent neural network) 학습 모델을 이용하여 대화 정보 데이터베이스(302)에 저장된 대화 정보에서 타스크 정보를 추출하여 타스크 정보 데이터베이스(304)에 저장할 수 있다. 타스크 추출부(303)는 자연어 처리를 통해 대화 내용에서 타스크와 관련된 단어(이하, '타스크 관련 단어'라 칭함)를 추출하기 위한 CNN 알고리즘과, 대화 내용으로부터 타스크 문장을 생성하기 위한 RNN 알고리즘을 조합하여 대화 정보로부터 타스크 정보를 추출할 수 있다. 타스크 추출부(303)는 CNN 학습 모델을 통해 선학습 후 RNN 학습 모델을 통해 타스크 문장을 생성하는 형태의 알고리즘, 혹은 RNN 학습 모델을 통해 타스크 관련 단어를 추출한 후에 CNN 학습 모델로 타스크 문장을 생성하는 형태의 알고리즘을 적용할 수 있다. 본 발명에서는 타스크 정보 추출에 특화되어 학습된 DNN 알고리즘이 타스크를 5W1H(When, Where, Who, What, Why, How)의 속성으로 추출 및 정리할 수 있다. 대화 정보에서 추출된 타스크 정보는 다시 이질적이며 광대한 분산 처리 시스템(heterogeneous distribute system)의 빅데이터 플랫폼인 타스크 정보 데이터베이스(304)에 추적할 수 있다. 타스크 정보 추출에 특화된 학습 모델과 구체적인 타스크 정보 추출 과정은 이하에서 설명하기로 한다.
단계(S430)에서 타스크 제공부(305)는 전자 기기 1(110)에 설치된 타스크 제공 어플리케이션을 통해 타스크 정보를 가시화 함으로써 전자 기기 1(110)의 사용자에게 타스크 정보를 제공할 수 있다. 타스크 제공부(305)는 타스크 정보 데이터베이스(304)에 추적된 타스크들과 실시간으로 메시지 어플리케이션으로부터 추출되는 대화 정보를 학습시켜 타스크 제공 어플리케이션에서 타스크를 리얼타임으로 보여주기 위한 처리를 실시할 수 있다. 이때, 타스크 제공 어플리케이션은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 또한, 타스크 제공 어플리케이션은 독립적으로 동작하는 프로그램 형태로 구현되거나, 혹은 특정 어플리케이션(예컨대, 메시지 어플리케이션)의 인-앱(in-app) 형태로 구성되어 상기 특정 어플리케이션 상에서 동작이 가능하도록 구현될 수 있다. 다시 말해, 타스크 제공부(305)는 웹 서비스 또는 모바일 단말 전용 어플리케이션의 형태로 제공되는 타스크 제공 어플리케이션을 통해 실시간으로 처리되는 타스크들을 최적화 된 UI/UX에 맞게 보여줄 수 있다.
본 발명에서는 인간과 똑 같은 사고를 할 수 있는 딥러닝 기반에 독자적인 범용인공지능(general artificial intelligence) 알고리즘으로 구현되는 특징을 가지며, 자연어 처리 기술과 타스크 추출 알고리즘을 적용할 수 있다. 자연어 처리 기술은 단어 표현의 분석 기술을 활용하여 단어들 사이의 관계를 DNN으로 학습하여 문장과 구를 분석하고 감성분석 알고리즘을 접목시켜 문장의 긍부정 분석은 물론, 신조어 및 오타까지 탐지 및 예측 가능한 독자적인 알고리즘이다. 감성분석 알고리즘인 오피니언 마이닝(opinion mining)은 대화 내용을 분석하여 유용한 정보를 제공하는 기술로, 텍스트를 분석하여 텍스트를 작성한 사용자의 감성과 의견을 통계/수치화 하여 객관적인 정보로 바꿀 수 있는 기술이다. 이러한 감성분석 알고리즘을 적용함으로써 메시지 어플리케이션을 통해 주고 받는 대화 내용에서 긍정 표현과 부정 표현을 분석하여 타스크 추출에 반영할 수 있다. 그리고, 타스크 추출 알고리즘은 방대한 양질의 데이터를 독자적인 자연어 처리 기술을 바탕으로 학습시키고 대화 내용에서의 타스크 성립 확률을 기계가 스스로 판단하여 자체적으로 타스크 사전을 자동으로 구축하며 학습해가는 알고리즘이다.
타스크 정보 추출에 특화된 학습 모델의 구축 과정을 설명하면 다음과 같다.
서버(150)는 타스크 추출을 위한 학습 모델을 구축하기 위해 복수의 전자 기기들(110, 120, 130, 140)에 설치된 메시지 어플리케이션을 통해 전자 기기(110, 120, 130, 140) 각각의 사용자들이 주고 받은 대화 메시지를 학습 데이터로서 수집할 수 있으며, 서버(150)의 프로세서(222)에 포함 가능한 구성요소인 학습 모듈(미도시)에서 여러 사용자가 이용하는 메시지 어플리케이션으로부터 수집한 학습 데이터를 이용하여 타스크 정보 추출에 특화된 학습 모델을 구축할 수 있다.
1. 학습 모듈은 학습 데이터에서 단어들을 워드 벡터로 표현함으로써 단어들의 벡터화를 수행할 수 있다.
가. 학습 모듈은 기계 학습 모델인 word2vec의 skip-gram(N-gram) 모델을 이용하여 타스크 분산에 특화된 워드 임베딩(word embedding) 방법을 적용할 수 있으며, 예를 들어 학습 문장에서 타스크 관련 단어로서 장소에 해당되는 단어, 시간에 해당되는 단어, 목적에 해당되는 단어 등을 학습할 수 있다.
먼저, 학습 문장에서 장소를 분산화 하는 과정을 설명하면 다음과 같다.
(1) 하나의 예시로서 <강남에서 맥주 한잔 합시다>라는 문장을 학습 문장으로 설정한 후 학습한다.
(2) 유니그램(1단어) 분포(unigram distribution)인 P(w) 분포에 해당되는 잡음 분포로부터 미리 설정한 개수만큼의 잡음(noise) 샘플들과 대조한다.
(3) 설정 잡음 개수를 1로 설정할 때 학습 문장에서 '에서'라는 단어가 노이즈 단어로 선택되었다고 가정한다.
(4) 학습 단계 t에서 목적 함수를 수학식 1과 같이 정의한 후 1차 학습을 진행한다.
[수학식 1]
Figure pat00001
여기서,
Figure pat00002
는 임베딩 벡터 θ를 학습하면서 데이터셋 D에서 컨텍스트 h에서 단어 w가 나올 확률을 계산하는 이진 로지스틱 회귀분석 확률(binary logistic regression probability) 모델을 의미하고,
Figure pat00003
는 잡음분포에서 k개의 노이즈 단어를 의미한다.
(5) 목적 함수를 최대화 하기 위해 임베딩 인자 θ를 갱신한다.
(6) 임베딩 인자 θ의 손실에 대한 기울기(gradient)를 유도하기 위해
Figure pat00004
(θ값에 해당하는 목적함수의 미분값)를 산출한다.
(7) 타스크 관련 단어(학습 문장에서 장소에 해당되는 단어인 '강남')와 타스크 외 단어(학습 문장에서 '에서')의 구분이 성공적으로 이루어질 때까지 임베딩 벡터(embedding vectors)의 거리를 조정한다. 임베딩 벡터의 거리를 조정함으로써 '장소'에 근접한 벡터를 획득할 수 있다.
상기한 (1) 내지 (7) 과정으로 학습 문장에서 목적과 시간을 분산화 할 수 있다.
나. 학습 모듈은 타스크 관련 단어들의 군집 범위 및 기울기를 조정할 수 있다. 표 1은 타스크 관련 단어들의 군집 범위 및 기울기 조정 예시를 나타내고 있다.
class TaskPredictor
def _init_(self):
self.vectorizer=Tfidvectorizer()

def tran(self, data):
self.vectorizer.fit(np.append(data.context.values, data.Utterance.values))

def predict(self, context, utterances):
vector_context=self.vectorizer.transform([context])
vector_doc=self f.vectorizer.transform(utterances)

result=np.dot(vector_doc, vector_context.T).todense()
result=np.asarray(result).flatten()

return np.argsort(result, axis=0) [::-1}
2. 학습 알고리즘
가. 학습 모듈은 자연어 처리를 위한 CNN 알고리즘을 적용할 수 있으며, CNN 학습 모델은 다음과 같은 구조로 이루어진다.
(1) CNN 학습 모델의 입력 레이어(input layer)에 학습 문장 속 단어들의 벡터값(word2vec)을 행렬로 나열한다.
(2) 다중 필터(multiple filters)를 가진 컨볼루션 레이어(convolutional layer)와 풀링 레이어(max-pooling layer)를 연결한다.
(3) 분류 층(classification layer)으로 softmax 분류기를 선택한다.
나. 학습 모듈은 문장 생성을 위한 다음 구조의 RNN 알고리즘을 적용할 수 있으며, RNN 학습 모델은 다음과 같은 구조로 이루어진다.
(1) RNN 학습 모델은 타스크 처리를 위한 LSTM(long-term short-term memory) 모델(도 5 참조)을 이용한다.
(2) RNN 학습 모델은 학습 문장이 가진 문맥의 흐름에서 긍부정을 판단할 수 있으며, 긍부정 판단을 위한 알고리즘 수식은 수학식 2와 같다.
[수학식 2]
Figure pat00005
여기서, h는 히든 레이어(hidden layer)의 출력을 나타내는 벡터값, W는 어텐션(attention)을 구하기 위한 가중치 벡터값, b는 바이어스(bias), e는 지수 함수, a는 긍부정 가중치 즉, c(context vector)를 구할 때 h에 대한 가중치를 의미한다.
다. 학습 모듈은 학습 데이터에 대한 리얼타임 보강학습 처리를 적용할 수 있다.
(1) 일반적인 딥러닝 보강학습 처리 프로세스는 도 6에 도시한 바와 같이 학습 데이터를 학습하여 학습 모델(61)(CNN 학습 모델, RNN 학습 모델)을 생성하게 되는데, 이후 학습 데이터가 추가되는 경우 기존 학습 모델(61)을 파기하고 새로 데이터를 포함한 전체 학습 데이터를 다시 학습하여 새로운 학습 모델(63)을 생성하는 구조이다.
(2) 리얼타임 보강학습 처리 프로세스는 캐쉬 모델을 생성하여 기존 학습 모델과 병합(merge)하는 방법으로 리얼타임 학습 처리가 구현 가능하다. 도 7을 참조하면, 학습 데이터를 학습하여 학습 모델(71)을 생성한 후 학습 데이터가 추가되는 경우 추가된 학습 데이터에 대하여 캐시 모델(73)을 생성하고 기존 학습 모델(71)과 병합하여 보강 학습 모델(75)을 생성할 수 있다. 따라서, 캐쉬 모델을 활용하여 학습 모델에 대한 리얼타임학습 처리와 보강학습 처리를 구현함으로써 학습 모델을 구축하는데 필요한 리소스와 비용을 절감할 수 있다.
구체적인 타스크 정보 추출 과정으로서, 타스크 정보를 추출하기 위한 학습 알고리즘은 다음과 같다.
1. 타스크 추출부(303)는 CNN 학습 모델을 통해 선학습 후 RNN 학습 모델을 통해 타스크 문장을 생성하는 형태의 알고리즘(CNN+RNN 학습 알고리즘)을 적용할 수 있다.
가. 타스크 추출부(303)는 CNN 학습 모델을 이용하여 문장 속에서 핵심 단어인 타스크 관련 단어를 추출할 수 있다(도 8 참조).
(1) 문장에 포함된 단어를 벡터 값으로 임베딩 한다.
(2) 3개의 필터(행의 길이를 각각 2, 3, 4로 설정)를 총 6개의 문장 매트릭스에 합성 곱을 수행하여 특징 맵을 생성한다.
(3) 각 맵의 max-pooling을 진행하여 최대값을 추출한다.
(4) 6개의 단변량 특징 벡터(max-pooling 결과 값)를 분류 레이어(softmax 분류기)의 특징 벡터로 연결한다.
(5) 분류 레이어(softmax 분류기)를 통해 타스크 관련 단어(장소, 목적, 시간 별 단어)를 추출한다.
나. 타스크 추출부(303)는 RNN 학습 모델인 LSTM을 이용하여 타스크 문장을 생성할 수 있다. 타스크 추출부(303)는 CNN 학습 모델을 통해 선별된 단어들을 RNN 학습 모델의 입력 데이터로 학습할 수 있으며, 이때 구어나 은어 등의 단어 교정 처리 또한 가능하다. 도 9는 CNN 학습 모델을 통해 선별된 단어들을 입력 데이터로 하는 RNN 학습 모델을 도식화 한 것이다.
(1) 단어 표현(word representation) 층: CNN으로 선별된 단어들의 벡터 값을 시계열로 배치한다(구어나 은어 등을 포함).
(2) 문장 구성(sentence composition) 층: 단어 표현 층에서 입력된 벡터 값을 LSTM 알고리즘으로 문장을 재생성한다.
(3) 문장 표현(sentence representation) 층: 문장 구성 층에서 생성된 문장을 배치한다.
(4) 문서 구성(document composition) 층: 생성된 문장에서 비학습 데이터(구어나 은어 등)를 학습된 대화의 문장에서 가장 근접한 의미의 단어들(유사 문장의 벡터 값 조합으로 판별)로 대체한다.
(5) 문서 표현(document representation) 층: 대체된 단어가 포함된 문장들을 softmax 함수를 이용하여 최종 문장을 선택한다.
2. 타스크 추출부(303)는 혹은 RNN 학습 모델을 통해 타스크 관련 단어를 추출한 후에 CNN 학습 모델로 타스크 문장을 생성하는 형태의 알고리즘(RNN+CNN 학습 알고리즘)을 적용할 수 있다.
가. 타스크 추출부(303)는 RNN 학습 모델을 이용하여 대화의 흐름을 요약할 수 있다.
(1) 타스크 추출부(303)는 감성분석 특화학습 모델을 적용하여 문장 속 긍부정을 파악할 수 있다. 감성분석 특화학습 모델은 수학식 3과 같이 정의될 수 있다.
[수학식 3]
Figure pat00006
여기서,
Figure pat00007
는 시그모이드(sigmoid) 함수, xt는 이전 시퀀스의 입력, ht-1은 이전 시퀀스의 출력, Wz, Uz, Wr, Ur, Wm, Um은 각각 게이트(gate)와 셀 메모리(cell memory)를 위한 가중치 행렬, r은 이전 상태를 유닛의 입력에 반영하는 비율을 결정하는 리셋 게이트(reset gate), z는 이전 상태를 보존하여 반영하는 정도를 결정하는 업데이트 게이트(update gate), act는 활성화(activation) 함수,
Figure pat00008
는 요소별 결과물(element-wise product)을 의미한다.
(2) 타스크 추출부(303)는 문맥에서 부정 단어가 영향을 주는 범위를 판단할 수 있다.
(3) 타스크 추출부(303)는 도 10을 참조하면 타스크 관련 단어 중 부정 표현 단어를 제외하고 긍정 표현 단어를 포함한 타스크 관련 단어를 조합하여 타스크 확정 문장을 생성할 수 있다. 다시 말해, 긍정 표현 단어의 경우 타스크 관련 단어로 성립되나 부정 표현 단어의 경우 타스크 관련 단어에서 제외된다.
나. 타스크 추출부(303)는 CNN 학습 모델을 이용하여 타스크 관련 단어를 5W1H(When, Where, Who, What, Why, How)의 속성으로 추출한 후 타스크 확률을 산출하여 최종 타스크 문장을 결정할 수 있다. 도 11은 5W1H의 속성으로 타스크를 추출하는 CNN 학습 모델을 도식화 한 것이다.
(1) 문장에서 각 단어의 벡터 값을 행렬로 나열한다. 도 11에서는 6차원 형태로 도시하였으나, 이는 도시의 편의를 위한 것으로 실제로는 100차원 이상의 형태를 가진다.
(2) 다중 필터(multiple filters)를 이용하여 합성곱 변환을 수행한다.
(3) 합성곱 레이어의 경과를 5W1H 특징 맵으로 max-pooling을 수행한다.
(4) max-pooling를 통해 타스크 확률을 산출한다.
일례로, 타스크 추출부(303)는 RNN 학습 모델을 통해 생성된 타스크 확정 문장 각각에 대하여 상기한 CNN 학습 모델을 적용하여 타스크 확정 문장 중 타스크 확률이 설정 값 이상인 문장을 최종 타스크 문장으로 결정할 수 있다.
본 발명에서 적용하고자 하는 학습 알고리즘의 예로는 Hadoop+Hbase, Spark+Word2vec, Tensorflow+Theano+Kerar 등으로 구현 가능하다.
요컨대, 본 발명에 따른 DNN 기반의 플랫폼 서비스를 위한 타스크 추출 방법은 데이터 수집 단계, 데이터 정규화 단계, 데이터 분류 단계 및 패턴 마이닝 단계를 포함할 수 있다.
데이터 수집 단계는 사용자가 이용하는 메시지 어플리케이션에 접근하여 메시지 어플리케이션을 통해 주고 받은 대화 내용을 포함한 모든 활용 가능한 데이터를 수집하는 과정이다.
데이터 정규화 단계는 수집된 데이터에서 텍스트를 Spark MLlib의 기능 중 하나인 Word2Vec를 이용하여 정량화 하고 정량화된 데이터를 벡터값(수치)으로 변환하는 과정이다. 다시 말해, 단어 표현을 인공 신경망을 이용하여 벡터 공간 상에 나타낼 수 있는 값으로 변환하는 것이다. Word2Vec은 각 단어 간의 앞뒤 관계를 보고 근접도를 정하는 알고리즘으로 딥러닝을 통한 비지도 학습 알고리즘으로, 딥러닝을 통한 비지도 학습으로 단어 사전이 필요 없다는 점과 신조어, 구어, 은어 등의 추출이 용이하다는 점 등에서 이점이 있다.
데이터 분류화 단계는 공통된 데이터 군집과 비슷한 벡터 성향을 보이는 데이터들을 분류하는 과정이다. 즉, 유사한 패턴과 성향을 갖는 데이터들을 군집화 하여 분류화 하는 것이다. 예를 들어, 문장에서 장소, 목적, 시간에 해당되는 단어들에 대한 군집화가 가능하다.
패턴 마이닝 단계는 공통된 데이터 군집에서 빈번히 발생하는 동일한 벡터 패턴을 인식하는 과정이다. 이와 같이 인식된 패턴을 토대로 대화 내용에서 타스크 추출을 위한 정보를 학습할 수 있다.
상기한 알고리즘에 자연어 처리 기술을 접목시켜 대화 내용에서 타스크를 추출할 수 있다. 먼저, 방대한 데이터를 자연어 처리 기술을 바탕으로 학습시킨다. 다음, 대화 내용에서 타스크 성립 확률을 스스로 판단하여 자체적으로 타스크 사전을 자동으로 구축하여 학습해 가는 것이다. 이러한 학습 모델을 통하여, 사용자가 이용하는 다양한 메시지 어플리케이션 상에서의 대화 내용으로부터 타스크를 추출할 수 있다. 자연어 처리 부분은 word2vec 에서 타스크 단어들의 조정 단계를 생략하고 RNN을 통해 모든 단어들에 대한 비학습 데이터(은어나 구어 등)의 교정 단계를 거치는 알고리즘에 해당될 수 있다.
이처럼 본 발명의 실시예들에 따르면, DNN을 기반으로 사용자가 주고 받은 대화 내용 중에서 타스크를 추출하여 가시화 함으로써 대화로 기인된 해야 할 일들을 별도로 관리하거나 기억하지 않아도 사용자가 스케줄을 판단 내지 기록하기 위한 생각과 행동의 시간을 단축할 수 있다. 그리고, 본 발명의 실시예들에 따르면, 높은 신뢰도를 가진 자연어 처리 기술을 적용하여 대화 내용에서 타스크를 추출함으로써 타스크 관련 단어와 타스크 외 단어를 정확하고 효과적으로 구분할 수 있다. 또한, 본 발명의 실시예들에 따르면, 감성분석 특화학습 모델을 적용하여 대화 속 긍부정 판단 결과를 타스크 추출에 반영함으로써 유효한 타스크를 정확히 추출할 수 있다. 더 나아가, 본 발명의 실시예들에 따르면, 타스크 추출을 위한 학습 모델에 학습 데이터에 추가되는 경우 캐쉬(cache) 모델을 생성하여 기존 모델과 병합하는 방법으로 리얼타임(real-time) 학습 처리를 구현함으로써 학습 모델을 구축하는데 필요한 리소스와 비용을 절감할 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 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 컴퓨터로 구현되는 방법에 있어서,
    전자 기기에 설치된 적어도 하나의 메시지 어플리케이션에서 대화 정보를 추출하는 단계;
    자연어 처리를 위한 CNN(convolutional neural network) 학습 모델과 문장 생성을 위한 RNN(recurrent neural network) 학습 모델을 이용하여 상기 대화 정보에서 타스크(task) 정보를 추출하는 단계; 및
    상기 전자 기기에 설치된 타스크 제공 어플리케이션을 통해 상기 타스크 정보를 제공하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서,
    상기 타스크 정보를 추출하는 단계는,
    타스크 관련 단어가 학습된 상기 CNN 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 상기 타스크 관련 단어에 해당되는 핵심 단어를 추출하는 단계; 및
    상기 RNN 학습 모델을 통해 상기 핵심 단어를 이용하여 타스크 문장을 생성하는 단계
    를 포함하는 방법.
  3. 제1항에 있어서,
    상기 타스크 정보를 추출하는 단계는,
    감성분석 특화 학습 모델을 포함하는 상기 RNN 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 긍정 표현과 부정 표현을 분석하여 상기 부정 표현을 제외한 확정 문장을 생성하는 단계; 및
    타스크 관련 단어가 학습된 상기 CNN 학습 모델을 통해 상기 확정 문장에서 상기 타스크 관련 단어에 해당되는 핵심 단어를 추출하는 단계
    를 포함하는 방법.
  4. 제1항에 있어서,
    상기 타스크 정보를 추출하는 단계는,
    타스크 관련 단어가 학습된 상기 CNN 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 타스크를 5W1H(When, Where, Who, What, Why, How)의 속성으로 추출하는 단계
    를 포함하는 방법.
  5. 제1항에 있어서,
    상기 타스크 정보를 추출하는 단계는,
    감성분석 특화 학습 모델을 통해 상기 대화 정보에 포함된 문장에서 긍부정을 분석하여 긍부정 분석 결과를 타스크 추출에 반영하는 것
    을 특징으로 하는 방법.
  6. 제1항에 있어서,
    상기 CNN 학습 모델은,
    워드 임베딩(word embedding) 방법을 통해 학습 데이터의 단어들을 워드 벡터로 표현한 후 상기 타스크 관련 단어를 목적 함수로 정의하고 상기 타스크 관련 단어와 타스크 외 단어의 구분을 위해 임베딩 벡터의 거리를 조정하여 학습하는 것
    을 특징으로 방법.
  7. 제6항에 있어서,
    상기 CNN 학습 모델은,
    상기 타스크 관련 단어로서 장소와 시간 및 목적에 해당되는 단어를 목적 함수로 정의하여 학습하는 것
    을 특징으로 하는 방법.
  8. 제1항에 있어서,
    상기 CNN 학습 모델과 상기 RNN 학습 모델은,
    학습 데이터가 추가되는 경우 추가된 학습 데이터에 대하여 캐시(cache) 모델이 생성된 후 기존 학습 모델과의 병합을 통해 보강 학습 모델이 생성되는 것
    을 특징으로 하는 방법.
  9. 타스크 제공 방법을 실행시키기 위해 컴퓨터 판독 가능한 기록 매체에 기록된 컴퓨터 프로그램에 있어서,
    상기 타스크 제공 방법은,
    전자 기기에 설치된 적어도 하나의 메시지 어플리케이션에서 대화 정보를 추출하는 단계;
    자연어 처리를 위한 CNN 학습 모델과 문장 생성을 위한 RNN 학습 모델을 이용하여 상기 대화 정보에서 타스크 정보를 추출하는 단계; 및
    상기 전자 기기에 설치된 타스크 제공 어플리케이션을 통해 상기 타스크 정보를 제공하는 단계
    를 포함하는, 컴퓨터 프로그램.
  10. 컴퓨터로 구현되는 시스템에 있어서,
    컴퓨터가 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    전자 기기에 설치된 적어도 하나의 메시지 어플리케이션에서 대화 정보를 추출하는 대화 추출부;
    자연어 처리를 위한 CNN 학습 모델과 문장 생성을 위한 RNN 학습 모델을 이용하여 상기 대화 정보에서 타스크 정보를 추출하는 타스크 추출부; 및
    상기 전자 기기에 설치된 타스크 제공 어플리케이션을 통해 상기 타스크 정보를 제공하는 타스크 제공부
    를 포함하는 시스템.
KR1020170009236A 2016-07-14 2017-01-19 딥러닝 인공신경망 기반의 타스크 제공 플랫폼 KR101886373B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/488,082 US20180018562A1 (en) 2016-07-14 2017-04-14 Platform for providing task based on deep learning
JP2017137802A JP2018041443A (ja) 2016-07-14 2017-07-14 ディープラーニング人工神経網基盤のタスク提供プラットフォーム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160089289 2016-07-14
KR20160089289 2016-07-14

Publications (2)

Publication Number Publication Date
KR20180008247A true KR20180008247A (ko) 2018-01-24
KR101886373B1 KR101886373B1 (ko) 2018-08-09

Family

ID=61029408

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170009236A KR101886373B1 (ko) 2016-07-14 2017-01-19 딥러닝 인공신경망 기반의 타스크 제공 플랫폼

Country Status (2)

Country Link
JP (1) JP2018041443A (ko)
KR (1) KR101886373B1 (ko)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109783817A (zh) * 2019-01-15 2019-05-21 浙江大学城市学院 一种基于深度强化学习的文本语义相似计算模型
KR20190110174A (ko) 2018-03-20 2019-09-30 (주)에어사운드 딥러닝 알고리즘 기반의 핵심문장 추출 방법
WO2019216551A1 (ko) * 2018-05-11 2019-11-14 경북대학교 산학협력단 대화문장 생성 장치, 이를 포함하는 대화로봇 및 대화문장 생성 방법
CN110569984A (zh) * 2019-09-10 2019-12-13 Oppo广东移动通信有限公司 配置信息生成方法、装置、设备及存储介质
KR102116353B1 (ko) 2018-11-27 2020-05-29 주식회사 크라우드웍스 진료 및 처방 인공지능을 위한 표제어-질문-답변 데이터 셋 자동 구축 방법 및 시스템
KR20200063067A (ko) * 2018-11-27 2020-06-04 연세대학교 산학협력단 자가 증식된 비윤리 텍스트의 유효성 검증 장치 및 방법
WO2020171281A1 (ko) * 2019-02-22 2020-08-27 써모아이 주식회사 가시광 및 적외선 융합 영상 기반 객체 검출 방법 및 장치
KR20200105589A (ko) * 2019-02-28 2020-09-08 전남대학교산학협력단 음성 감정 인식 방법 및 시스템
KR102254827B1 (ko) * 2020-08-13 2021-05-21 정진연 딥러닝을 통한 패턴마이닝 이후 레코멘데이션 서비스
KR20210080762A (ko) * 2019-12-23 2021-07-01 주식회사 제로원에이아이 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법
KR20210118566A (ko) * 2020-03-23 2021-10-01 윤종식 동영상을 추천하기 위한 방법 및 시스템
KR102307598B1 (ko) * 2020-04-27 2021-10-05 주식회사 엔스마트 딥러닝을 활용한 상품 가격 비교 방법 및 시스템
WO2023287132A1 (ko) * 2021-07-12 2023-01-19 주식회사 카카오뱅크 딥러닝 기반의 자연어 처리를 통한 메시지 내 이체 정보 판단 방법 및 장치
US11829861B2 (en) 2019-07-17 2023-11-28 Unist (Ulsan National Institute Of Science And Technology) Methods and apparatus for extracting data in deep neural networks

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018083804A1 (ja) * 2016-11-07 2018-05-11 富士通株式会社 分析プログラム、情報処理装置および分析方法
CN109241287B (zh) * 2018-09-21 2021-10-15 中山大学 基于强化学习和胶囊网络的文本分类模型及方法
KR102178427B1 (ko) * 2018-10-30 2020-11-18 주식회사 알스피릿 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치
KR102146546B1 (ko) * 2018-10-31 2020-08-21 주식회사 알스피릿 상황인지 기반의 기업주가예측 알고리즘 제공 방법
KR102216768B1 (ko) * 2019-07-31 2021-02-17 주식회사 휴마트컴퍼니 심리상담 데이터를 이용한 텍스트 내 감정분석을 위한 시스템 및 방법
KR102517835B1 (ko) * 2021-01-06 2023-04-05 (주)지엔에이컴퍼니 Ａｉ 기반의 사용자 게임 플레이 예측 시스템
WO2023157994A1 (ko) * 2022-02-21 2023-08-24 (주)지엔에이컴퍼니 Ａｉ 기반의 사용자 게임 플레이 예측 시스템

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011117593A1 (en) * 2010-03-26 2011-09-29 British Telecommunications Public Limited Company Text classifier system
US20110301942A1 (en) * 2010-06-02 2011-12-08 Nec Laboratories America, Inc. Method and Apparatus for Full Natural Language Parsing
US20120066220A1 (en) * 2000-04-04 2012-03-15 Aol Inc. Filtering system for providing personalized information in the absence of negative data
US20120078834A1 (en) * 2010-09-24 2012-03-29 Nuance Communications, Inc. Sparse Representations for Text Classification
US20150095017A1 (en) * 2013-09-27 2015-04-02 Google Inc. System and method for learning word embeddings using neural language models
US20150205782A1 (en) * 2014-01-22 2015-07-23 Google Inc. Identifying tasks in messages
KR20150089693A (ko) * 2014-01-28 2015-08-05 한국전자통신연구원 빅 데이터 플랫폼 기반 데이터 저장 시스템 확장 장치 및 방법
US20150220833A1 (en) * 2014-01-31 2015-08-06 Google Inc. Generating vector representations of documents
KR20160058531A (ko) * 2014-11-17 2016-05-25 포항공과대학교 산학협력단 딥 러닝을 이용하는 구문 분석 모델 구축 방법 및 이를 수행하는 장치
KR20160066926A (ko) * 2014-12-03 2016-06-13 삼성전자주식회사 데이터 분류 방법 및 장치와 관심영역 세그멘테이션 방법 및 장치

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004295837A (ja) * 2003-03-28 2004-10-21 Nippon Telegr & Teleph Corp <Ntt> 音声制御方法、音声制御装置、音声制御プログラム
JP6085149B2 (ja) * 2012-11-16 2017-02-22 株式会社Ｎｔｔドコモ 機能実行指示システム、機能実行指示方法及び機能実行指示プログラム
JP6284121B2 (ja) * 2013-09-30 2018-02-28 株式会社日本総合研究所 外出スケジュール自動作成装置及びその方法
WO2016077797A1 (en) * 2014-11-14 2016-05-19 Google Inc. Generating natural language descriptions of images
KR102047500B1 (ko) * 2014-11-27 2019-11-21 삼성전자주식회사 사용자의 할일 목록을 제공하는 시스템 및 방법
JP2016126596A (ja) * 2015-01-06 2016-07-11 富士通株式会社 差分学習管理プログラム、差分学習管理装置及び差分学習管理方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120066220A1 (en) * 2000-04-04 2012-03-15 Aol Inc. Filtering system for providing personalized information in the absence of negative data
WO2011117593A1 (en) * 2010-03-26 2011-09-29 British Telecommunications Public Limited Company Text classifier system
US20110301942A1 (en) * 2010-06-02 2011-12-08 Nec Laboratories America, Inc. Method and Apparatus for Full Natural Language Parsing
US20120078834A1 (en) * 2010-09-24 2012-03-29 Nuance Communications, Inc. Sparse Representations for Text Classification
US20150095017A1 (en) * 2013-09-27 2015-04-02 Google Inc. System and method for learning word embeddings using neural language models
US20150205782A1 (en) * 2014-01-22 2015-07-23 Google Inc. Identifying tasks in messages
KR20150089693A (ko) * 2014-01-28 2015-08-05 한국전자통신연구원 빅 데이터 플랫폼 기반 데이터 저장 시스템 확장 장치 및 방법
US20150220833A1 (en) * 2014-01-31 2015-08-06 Google Inc. Generating vector representations of documents
KR20160058531A (ko) * 2014-11-17 2016-05-25 포항공과대학교 산학협력단 딥 러닝을 이용하는 구문 분석 모델 구축 방법 및 이를 수행하는 장치
KR20160066926A (ko) * 2014-12-03 2016-06-13 삼성전자주식회사 데이터 분류 방법 및 장치와 관심영역 세그멘테이션 방법 및 장치

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190110174A (ko) 2018-03-20 2019-09-30 (주)에어사운드 딥러닝 알고리즘 기반의 핵심문장 추출 방법
WO2019216551A1 (ko) * 2018-05-11 2019-11-14 경북대학교 산학협력단 대화문장 생성 장치, 이를 포함하는 대화로봇 및 대화문장 생성 방법
KR20190129490A (ko) * 2018-05-11 2019-11-20 경북대학교 산학협력단 대화문장 생성 장치, 이를 포함하는 대화로봇 및 대화문장 생성 방법
KR102116353B1 (ko) 2018-11-27 2020-05-29 주식회사 크라우드웍스 진료 및 처방 인공지능을 위한 표제어-질문-답변 데이터 셋 자동 구축 방법 및 시스템
KR20200063067A (ko) * 2018-11-27 2020-06-04 연세대학교 산학협력단 자가 증식된 비윤리 텍스트의 유효성 검증 장치 및 방법
CN109783817B (zh) * 2019-01-15 2022-12-06 浙江大学城市学院 一种基于深度强化学习的文本语义相似计算模型
CN109783817A (zh) * 2019-01-15 2019-05-21 浙江大学城市学院 一种基于深度强化学习的文本语义相似计算模型
WO2020171281A1 (ko) * 2019-02-22 2020-08-27 써모아이 주식회사 가시광 및 적외선 융합 영상 기반 객체 검출 방법 및 장치
KR20200105589A (ko) * 2019-02-28 2020-09-08 전남대학교산학협력단 음성 감정 인식 방법 및 시스템
US11829861B2 (en) 2019-07-17 2023-11-28 Unist (Ulsan National Institute Of Science And Technology) Methods and apparatus for extracting data in deep neural networks
CN110569984A (zh) * 2019-09-10 2019-12-13 Oppo广东移动通信有限公司 配置信息生成方法、装置、设备及存储介质
KR20210080762A (ko) * 2019-12-23 2021-07-01 주식회사 제로원에이아이 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법
KR20210118566A (ko) * 2020-03-23 2021-10-01 윤종식 동영상을 추천하기 위한 방법 및 시스템
KR102307598B1 (ko) * 2020-04-27 2021-10-05 주식회사 엔스마트 딥러닝을 활용한 상품 가격 비교 방법 및 시스템
KR102254827B1 (ko) * 2020-08-13 2021-05-21 정진연 딥러닝을 통한 패턴마이닝 이후 레코멘데이션 서비스
WO2023287132A1 (ko) * 2021-07-12 2023-01-19 주식회사 카카오뱅크 딥러닝 기반의 자연어 처리를 통한 메시지 내 이체 정보 판단 방법 및 장치

Also Published As

Publication number Publication date
JP2018041443A (ja) 2018-03-15
KR101886373B1 (ko) 2018-08-09

Similar Documents

Publication Publication Date Title
KR101886373B1 (ko) 딥러닝 인공신경망 기반의 타스크 제공 플랫폼
US20180018562A1 (en) Platform for providing task based on deep learning
JP7387714B2 (ja) 限られた知識ドメイン内でナレッジグラフを構築するための技術
WO2021066910A1 (en) Generating enriched action items
US20200125967A1 (en) Electronic device and method for controlling the electronic device
CN112106056A (zh) 构造虚构的话语树来提高回答聚敛性问题的能力
CN110807566A (zh) 人工智能模型评测方法、装置、设备及存储介质
US20210209289A1 (en) Method and apparatus for generating customized content based on user intent
CN111368059B (zh) 群聊机器人自主应答的方法和系统
Windiatmoko et al. Developing facebook chatbot based on deep learning using rasa framework for university enquiries
CN110162771A (zh) 事件触发词的识别方法、装置、电子设备
KR20190088086A (ko) 전자 장치 및 이의 제어 방법
US20200051559A1 (en) Electronic device and method for providing one or more items in response to user speech
CN112579733A (zh) 规则匹配方法、规则匹配装置、存储介质及电子设备
US20220414689A1 (en) Method and apparatus for training path representation model
US20230385778A1 (en) Meeting thread builder
KR102254827B1 (ko) 딥러닝을 통한 패턴마이닝 이후 레코멘데이션 서비스
KR20180049791A (ko) 복수 개의 메시지들을 필터링하는 방법 및 이를 위한 장치
CN112861474B (zh) 一种信息标注方法、装置、设备及计算机可读存储介质
KR20200115695A (ko) 전자 장치 및 이의 제어 방법
JP2022006166A (ja) 地図上の目的地の決定方法、機器、及び記憶媒体
CN117520497A (zh) 大模型交互处理方法、系统、终端、设备及介质
CN116563034A (zh) 基于人工智能的购买预测方法、装置、设备及存储介质
CN114490986B (zh) 计算机实施的数据挖掘方法、装置、电子设备及存储介质
KR102319013B1 (ko) 대화문 발화 성격 인식 방법 및 시스템

Legal Events

Date Code Title Description
A201 Request for examination
N231 Notification of change of applicant
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right