KR20180072534A - 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 - Google Patents

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.
텍스트를 획득하는 단계; 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하는 단계; 및 결정된 적어도 하나의 이미지를 사용자에게 디스플레이하는 단계를 포함하는 텍스트와 연관된 이미지를 제공하는 방법이 개시된다.

Description

텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치{ELECTRONIC DEVICE AND METHOD FOR PROVIDING IMAGE ASSOCIATED WITH TEXT}

텍스트와 연관된 이미지를 제공하는 방법 및 이를 위한 전자 장치에 관한 것이다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

이미지를 제공할 때에도 인공지능 기술이 이용될 수 있는데, 별도의 키워드 입력이나 이미지 태그 없이도, 텍스트의 컨텍스트(context)를 고려하여 연관된 이미지를 제공할 수 있다.

텍스트와 연관된 이미지를 사용자에게 제공함에 있어서, 데이터 학습 결과를 이용하여, 텍스트에 보다 적합하게 대응되는 이미지를 제공하는 장치 및 방법을 제공하고자 한다.

제 1측면에 따른 전자 장치는 텍스트를 획득하는 사용자 입력부; 컴퓨터 실행가능 명령어가 저장되는 메모리; 컴퓨터 실행가능 명렁어를 실행함으로써, 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 적어도 하나의 프로세서; 및 결정된 적어도 하나의 이미지를 디스플레이하는 디스플레이부를 포함할 수 있다.

제 2측면에 따른 전자 장치는, 텍스트를 획득하는 사용자 입력부; 획득된 텍스트와 연관된 적어도 하나의 이미지를 검색하는 적어도 하나의 프로세서; 적어도 하나의 프로세서의 제어에 따라, 획득된 텍스트와 연관된 적어도 하나의 이미지를 서버에 요청하고, 요청에 대한 응답으로, 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여 결정된, 획득된 텍스트와 연관된 적어도 하나의 이미지를 수신하는 통신부; 및 수신된 적어도 하나의 이미지를 디스플레이하는 디스플레이부를 포함할 수 있다,

제 3 측면에 따른 텍스트와 연관된 이미지를 제공하는 방법은, 텍스트를 획득하는 단계; 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하는 단계; 및 결정된 적어도 하나의 이미지를 사용자에게 디스플레이하는 단계를 포함할 수 있다.

제 4 측면에 따른 텍스트와 연관된 이미지를 제공하는 방법은, 텍스트 획득하는 단계; 획득된 텍스트 및 획득된 텍스트와 연관된 적어도 하나의 이미지에 대한 요청을 서버에 전송하는 단계; 요청에 대한 응답으로, 전송한 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여 결정된, 전송한 텍스트와 연관된 적어도 하나의 이미지를 수신하는 단계; 및 수신된 적어도 하나의 이미지를 디스플레이하는 단계를 포함할 수 있다.

또한, 본 개시의 제 5 측면은, 제 3 측면 및 제 4측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공할 수 있다.

도 1 은 일 실시예에 따른 텍스트와 연관된 이미지를 제공하는 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따라, 전자 장치가 텍스트와 연관된 이미지를 제공하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따라, 전자 장치가 텍스트와 연관된 이미지를 제공하는 예시를 나타내는 도면이다.
도 4는 일 실시예에 따라, 전자 장치가 서버를 통해 텍스트와 연관된 이미지를 제공하는 방법을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따라, 전자 장치가 서버를 통해 텍스트와 연관된 이미지를 제공하는 예시를 나타내는 도면이다.
도 6은 일 실시예에 따라 인공지능 데이터 인식 모델을 적용한 결과들 간의 관련도에 기초하여, 텍스트와 연관된 이미지를 결정하는 방법을 설명하기 위한 도면이다.
도 7 내지 도 9는 은 일부 실시예에 따른 전자 장치의 구성을 도시한 블록도이다.
도 10은 일 실시예에 따른 제어부를 상세히 도시한 블록도이다.
도 11은 일 실시예에 따른 데이터 학습부를 상세히 도시한 블록도이다.
도 12는 일 실시예에 따른 데이터 인식부를 상세히 도시한 블록도이다.
도 13은 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

본 명세서는 본 발명의 권리범위를 명확히 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 실시할 수 있도록, 본 발명의 원리를 설명하고, 실시예들을 개시한다. 개시된 실시예들은 다양한 형태로 구현될 수 있다.

한편, 본 명세서에서 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 다른 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들 더 포함할 수도 있다는 것을 의미한다.

또한, 본 명세서에서 사용되는 '제 1' 또는 '제 2' 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.

명세서 전체에서 "애플리케이션"은 특정한 업무를 수행하기 위해 고안된 일련의 컴퓨터 프로그램 집합을 의미할 수 있다. 본 명세서에 기술되는 애플리케이션은 다양할 수 있다. 예를 들어, 애플리케이션에는 웹 브라우저, 카메라 애플리케이션, 데이터 전송 애플리케이션, 음악 재생 애플리케이션, 동영상 재생 애플리케이션, 메일 애플리케이션, 메시지 애플리케이션, 소셜 커뮤니케이터 애플리케이션, 소셜 미디어 애플리케이션, 소셜 네트워킹 서비스(SNS) 애플리케이션, 갤러리 애플리케이션, 메모 애플리케이션, 캘린더 애플리케이션, 및 폰 북 애플리케이션 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

명세서 전체에서, "사용자 인터페이스(user interface)"는 전자 장치와 사용자가 상호 작용할 수 있도록 만들어진 매개체를 의미할 수 있다. 사용자는 사용자 인터페이스를 통해 전자 장치에 텍스트를 입력할 수 있고, 전자 장치는 사용자 인터페이스를 통해, 입력에 따른 결과를 표시할 수 있다.

명세서 전체에서, "사용자 입력"은, 터치 입력, 벤딩 입력, 음성 입력, 키 입력 및 다중(multimodal) 입력 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.

명세서 전체에서, "텍스트"라는 용어는, 상대방에게 의미를 전달하는 것을 목적으로 하는 데이터를 의미할 수 있다. “텍스트”는, 문자, 기호, 단어, 구, 문장, 다이어그램, 도표 등의 자연 언어 형태의 데이터, 인공 언어 문자 배열 형태의 데이터 또는 음성 데이터를 포함할 수 있다.

명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부' (part, portion)라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부' 가 하나의 요소(unit, element)로 구현되거나, 하나의 '부' 가 복수의 요소들을 포함하는 것도 가능하다.

본 명세서(특히, 특허 청구 범위에서)에서 사용된 “상기” 및 이와 유사한 지시어는 단수 및 복수 모두를 지시하는 것일 수 있다. 또한, 본 개시에 따른 방법을 설명하는 단계들의 순서를 명백하게 지정하는 기재가 없다면, 기재된 단계들은 적당한 순서로 행해질 수 있다. 기재된 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다. 이하 첨부된 도면들을 참고하여 본 발명의 작동 원리 및 실시예들에 대해 설명한다.

도 1 은 일 실시예에 따라 텍스트와 연관된 이미지를 제공하는 시스템을 설명하기 위한 도면이다.

도 1을 참조하면, 일 실시예에 따른 텍스트와 연관된 이미지 제공 시스템은 전자 장치(1000)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 텍스트와 연관된 이미지 제공 시스템이 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 텍스트와 연관된 이미지 제공 시스템이 구현될 수 있다. 예를 들어, 텍스트와 연관된 이미지 제공 시스템은 전자 장치(1000) 및 서버(미도시)를 포함할 수 있다.

일 실시예에 따른 전자 장치(1000)는 다양한 형태로 구현될 수 있다. 예를 들어, 전자 장치(1000)는, 스마트 폰(smart phone), 스마트 TV, 디지털 카메라, 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어 등이 있을 수 있으나, 이에 한정되는 것은 아니다. 본 명세서에서 기술되는 전자 장치(1000)는 사용자에 의해 착용될 수 있는 장치(wearable device)일 수 있다. 웨어러블 디바이스는 액세서리형 장치(예컨대, 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈), 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형 장치(예: 전자 의복), 신체 부착형 장치(예컨대, 스킨 패드(skin pad)), 또는 생체 이식형 장치(예: implantable circuit) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 하지만, 이하에서는, 설명의 편의상 전자 장치(1000)가 모바일 단말인 경우를 예로 들어 설명하기로 한다.

일 실시예에서, 전자 장치(1000)는 사용자에게 적어도 하나의 애플리케이션을 제공할 수 있다. 이때, 전자 장치(1000)에서 제공되는 애플리케이션에 사용자 인터페이스를 통해 텍스트를 입력할 수 있다. 예를 들어, 사용자는 문자 애플리케이션을 이용하며, "황금 연휴를 맞아 가족과 함께 파주로 드라이브를 가서 기분이 좋았다"는 내용의 텍스트를 입력할 수 있다.

일 실시예에서, 사용자는 텍스트를 입력하는 도중에, 사용자가 입력한 텍스트의 전체 문맥을 고려한 컨텐트(content)에 대응하는 적합한 이미지를 삽입하고자 할 수 있다.

일 실시예에서, 사용자가 텍스트를 입력하는 애플리케이션에서 이미지를 저장하고 있지 않은 경우, 사용자는 이미지에 접근하기 위해, 웹 브라우저, 카메라 애플리케이션, 갤러리 애플리케이션 등의 이미지를 포함하는 다른 애플리케이션 또는 애플리케이션의 기능을 호출할 수 있다. 예를 들어, 전자 장치(1000)는 사용자 입력에 대한 응답으로, 다른 애플리케이션에 이미지 브라우징(browsing) 요청을 전송할 수 있다.

일 실시예에서, 전자 장치(1000)는 별도로 다른 애플리케이션에 이미지 브라우징 요청을 전송하지 않고, 해당 애플리케이션에서 이미지 브라우징 기능을 수행하여 이미지에 접근할 수 있다.

예를 들어, 전자 장치(1000)는 사용자가 입력한 텍스트인 "황금 연휴 가족 나들이~ 황금 연휴를 맞아 파주로 드라이브 가서 헤이리마을을 구경했어요! 오랜만의 드라이브로 기분도 업업!"의 문맥을 고려하여, 황금 연휴라고 불릴만한 긴 휴일 중에 촬영된 이미지, 파주로 가는 길에 촬영된 이미지, 파주 자유로에 대한 이미지, 및 드라이브로 기분이 좋은 상태임을 반영하는 화창한 날씨의 이미지 중 적어도 하나를 포함하는 사진을 우선적으로 사용자에게 제공할 수 있다.

일 실시예에 의하면, 사용자가 별도의 검색어를 입력하지 않아도, 전자 장치(1000)는 텍스트를 입력한 사용자의 의도를 파악하여, 텍스트의 문맥에 부합하는 이미지를 획득하고, 사용자에게 우선적으로 제공함으로써, 사용자가 일일이 적합한 이미지를 찾아서 선별하지 않고도, 전자 장치(1000)에 의해 제공된 적어도 하나의 이미지 중에서 적합한 하나 이상의 이미지를 선택할 수 있다. 이는, 이미지의 개수가 많아질수록 더욱 사용자의 검색 부담을 덜어 효과적일 수 있다. 또한, 키워드를 이용한 검색과는 달리, 사용자가 지정한 키워드에 대응시켜 저장된 이미지들만이 검색되지 않고, 전자 장치(1000)가 텍스트의 전체 맥락을 고려함으로써, 텍스트를 입력한 사용자에 의도에 보다 부합하는 이미지를 제공할 수 있다.

도 2는 일 실시예에 따라, 전자 장치가 텍스트와 연관된 이미지를 제공하는 방법을 설명하기 위한 흐름도이다.

단계 S210에서, 전자 장치(1000)는 텍스트를 획득할 수 있다. 일 실시예에서, 전자 장치(1000)는 사용자의 텍스트 입력을 입력 받을 수 있고, 다른 애플리케이션을 실행하여, 다른 애플리케이션에 저장된 텍스트를 불러올 수도 있고, 네트워크를 통하여, 외부 기기 또는 웹 서버에서 텍스트를 수신할 수도 있다. 예를 들어, 전자 장치(1000)는 사용자가 메시지 애플리케이션을 사용하는 경우에, 사용자 입력에 따라 메모 애플리케이션을 실행하여, 사용자가 메모 애플리케이션에 기 입력한 텍스트를 수신할 수 있다.

단계 S220에서, 전자 장치(1000)는 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 텍스트와 연관된 적어도 하나의 이미지를 결정할 수 있다.

일 실시예에서, 전자 장치(1000)는 사용자가 접근 가능한 이미지를 획득할 수 있다. 일 실시예에 따른 사용자가 접근 가능한 이미지란, 전자 장치(1000)에 기 저장된 이미지, 상기 전자 장치와 통신하는 외부 장치로부터 수신 가능한 이미지, 및 서버로부터 수신 가능한 이미지 중 적어도 하나를 포함하는 이미지일 수 있다. 예를 들어, 전자 장치(1000)는 갤러리 애플리케이션 등을 실행하여, 기 저장된 이미지를 획득할 수 있다. 또는, 전자 장치(1000)는 외부 서버로부터 이미지를 수신할 수 있다. 예를 들어, 전자 장치(1000)는 소셜 네트워크 서버(social network server), 클라우드 서버(cloud server) 또는 콘텐트 제공 서버 등에 접근하여, 이미지를 다운로드 할 수 있다. 또는, 전자 장치(1000)는 전자 장치(1000)에 구비된 카메라를 이용하여, 이미지를 캡쳐(capture)할 수 있다. 전자 장치(1000)는 카메라 애플리케이션을 실행하여, 이미지를 캡쳐할 수 있다.

일 실시예에서, 텍스트와 연관된 이미지의 결정은 학습에 의해 수행될 수 있고, 적어도 하나 이상의 학습 모델에 의해 수행될 수 있다. 예를 들어, 제 1 인공지능 데이터 인식 모델은 텍스트에 대한 모델일 수 있고, 제 2 인공지능 데이터 인식 모델은 이미지에 대한 모델일 수 있다. 또한, 일 실시예에서, 제 1 인공지능 데이터 인식 모델과 제 2 인공지능 데이터 인식 모델은 같을 수도 있고, 다를 수도 있다. 또한, 예를 들어, 제 1 인공지능 데이터 인식 모델 및 제 2 인공지능 데이터 인식 모델은 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 구축될 수 있다.

일 실시예에서, 텍스트에 제 1 인공지능 데이터 인식 모델을 적용하면, 적용한 텍스트로부터 유추 가능한 상황들을 고려한 결과가 도출될 수 있고, 이미지에 제 2 인공지능 데이터 인식 모델을 적용하면 적용한 이미지로부터 유추 가능한 상황들을 고려한 결과가 도출될 수 있어, 두 결과를 비교하여 관련도를 결정할 수 있다. 예를 들어, 인공지능 데이터 인식 모델을 적용한 결과는 하나의 수치일 수 있고, 벡터 값 일 수도 있다. 이 때, 예를 들어, 관련도는 수치의 차이 값 또는 벡터 값 간의 거리 등을 포함할 수 있다. 예를 들어, 전자 장치(1000)는 수치의 차이 값 또는 벡터 값 간의 거리가 미리 결정된 임계 값 이하인 이미지를 텍스트와 연관된 이미지라고 결정할 수 있다. 예를 들어, 전자 장치(1000)는 관련도가 높을수록 더 텍스트와 이미지의 연관성이 높다고 결정할 수 있다. 인공지능 데이터 인식 모델에 대해서는, 도 6에서 보다 자세히 살펴보기로 한다.

일 실시예에서, 전자 장치(1000)는 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과를 전자 장치(1000)에 저장해 놓은 후, 단계 S210에서 텍스트를 획득하면, 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과를 도출해 내어, 이미지에 대한 기 저장된 결과와 비교하여 곧바로 텍스트와 연관된 이미지를 결정할 수 있다.

단계 S230에서, 전자 장치(1000)는 결정된 적어도 하나의 이미지를 사용자에게 디스플레이할 수 있다.

일 실시예에서, 전자 장치(1000)는 결정된 적어도 하나의 이미지를 관련도에 따라 디스플레이할 수 있다. 예를 들어, 전자 장치(1000)는 텍스트와 연관된 복수의 이미지들을 관련도가 높은 순서 또는 관련도가 낮은 순서로 디스플레이할 수 있다. 예를 들어, 전자 장치(1000)가 어떤 순서대로 이미지를 디스플레이할 지는 사용자가 미리 설정할 수 있다. 예를 들어, 전자 장치(1000)는 사용자가 용이하게 텍스트에 부합하는 이미지를 선택할 수 있도록, 관련도가 높은 순으로 디스플레이하는 것을 기본 값(default)으로 설정할 수 있다.

일 실시예에서, 이하에서는, 도 3을 참조하여, 전자 장치(1000)가 디스플레이한 적어도 하나의 이미지 중 하나 이상의 이미지를 사용자가 선택하고, 사용자의 선택에 따라 인공지능 데이터 인식 모델을 새로 학습하는 동작에 대해서 자세히 살펴보기로 한다.

도 3은 일 실시예에 따라, 전자 장치가 텍스트와 연관된 이미지를 제공하는 예시를 나타내는 도면이다.

도 3의 300-1을 참조하면, 일 실시예에 따른 전자 장치(1000)는 사용자에게 제 1 애플리케이션(예를 들어, SNS 애플리케이션)을 제공할 수 있고, 사용자는 사용자 인터페이스(user interface, UI)를 통해 텍스트를 입력할 수 있다. 이 때, 예를 들어, 전자 장치(1000)는 사용자의 타이핑(typing) 입력을 수신하여, 텍스트를 획득할 수 있다.

일 실시예에서, 사용자가 제 1 애플리케이션에 텍스트를 입력하는 도중에, 입력한 텍스트와 연관된 이미지를 삽입하고자 할 수 있다. 예를 들어, 전자 장치(1000)는 이미지에 접근하기 위해, 사용자가 갤러리(gallery) UI(312)를 터치 또는 클릭하는 입력을 수신함으로써, 제 2 애플리케이션(예를 들어, 갤러리 애플리케이션)을 호출하는 명령을 제 2 애플리케이션에 전송할 수 있고, 그에 따라 제 2 애플리케이션을 실행할 수 있다. 일 실시예에서, 터치 입력이란 사용자가 전자 장치(1000)를 제어하기 위해 터치 스크린에 행하는 제스처 등을 의미한다. 예를 들어, 본 명세서에서 기술되는 터치 입력에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭 등이 있을 수 있다.

도 3의 300-2를 참조하면, 사용자가 이미지에 접근하기 위해 실행하는 제 2 애플리케이션의 실행에 대한 응답으로, 전자 장치(1000)는 텍스트와 연관된 제 1 이미지(322), 제 2 이미지(324), 제 3 이미지(326), 및 제 4 이미지(328)를 디스플레이할 수 있다. 일 실시예에 따르면, 제 1 애플리케이션이 제 2 애플리케이션으로 텍스트와 연관된 이미지 브라우징 요청과 함께 텍스트를 전송할 수 있다.

일 실시예에 따르면, 제 2 애플리케이션은 요청에 대한 응답으로, 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 제 2 애플리케이션에 저장된 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하여, 디스플레이할 수 있다.

일 실시예에서, 전자 장치 (1000)는 "황금 연휴 가족 나들이~ 황금 연휴를 맞아 파주로 드라이브 가서 헤이리 마을을 구경했어요! 오랜만의 드라이브로 기분도 업업!"라는 내용의 텍스트와 연관된 이미지를 결정하기 위해, 가족과 함께 드라이브하는 상황을 포함하는 이미지, 기분이 좋은 상태임을 반영하는 화창한 날씨의 이미지 등을 고려할 수 있다.

일 실시예에서, 전자 장치(1000)는 이미지에 대한 메타데이터를 더 고려할 수 있다. 일 실시예에서, 이미지에 대한 메타데이터는 이미지가 촬영된 위치 정보(예를 들어, GPS를 이용), 이미지가 촬영된 시간 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, 전자 장치(1000)는 또한 이미지에 대한 메타데이터를 이용하여, 황금 연휴라고 불릴만한 긴 휴일 중에 촬영된 이미지, 파주로 가는 길에 촬영된 이미지, 파주의 드라이브 장소로 유명한 자유로에 대한 이미지를 더 고려할 수 있다.

일 실시예에서, 전자 장치(1000)는 황금 연휴 중에 촬영된, 화창한 날씨 배경의 파주로 드라이브 가는 상황을 포함하는 제 1 이미지(322)를 텍스트와 가장 관련도가 높은 이미지라고 결정할 수 있다. 또한, 예를 들어 전자 장치는(1000) 제 1 이미지(322), 제 2 이미지(324), 제 3 이미지(326), 제 4 이미지(328) 순으로 텍스트와 관련도가 높다고 결정하여, 관련도가 높은 순서대로 이미지들을 배치하여 사용자에게 제공할 수 있다.

일 실시예에서, 전자 장치(1000)는 디스플레이된 이미지들(322, 324, 326, 328) 중에서 하나 이상의 이미지를 선택하기 위해, 선택 버튼(330)을 선택하는 사용자 입력을 수신할 수 있다. 선택 버튼(330)은 전자 장치(1000)에 부착된 물리적인 버튼일 수도 있고, GUI(Graphical User Interface) 형태의 가상의 버튼일 수도 있다. 예를 들어, 사용자가 제 1 이미지(322)를 누르거나(press), 터치(touch)한 후, 선택(330) 버튼을 누르거나, 터치함으로써, 전자 장치(1000)는 디스플레이된 제 1 이미지(322), 제 2 이미지(324), 제 3 이미지(326), 및 제 4 이미지(328) 중 제 1 이미지(322)를 선택하는 입력을 수신할 수 있다. 제 1 이미지(322)를 선택함에 따라, 전자 장치(1000)는 제 1 이미지(322)를 텍스트와 함께 디스플레이할 수 있다.

일 실시예에서, 전자 장치(1000)는 사용자가 선택한 결과에 따라, 인공지능 데이터 인식 모델을 학습할 수 있다. 또한, 일 실시예에서, 전자 장치(1000)는 새로 학습된 인공지능 데이터 인식 모델에 기초하여, 추후 획득되는 텍스트와 연관된 이미지를 결정할 수 있다. 예를 들어, 전자 장치(1000)는 이미지에 새로 학습하여 갱신(update)된 인공지능 데이터 인식 모델을 적용한 결과를 새로 저장할 수 있다. 또한, 예를 들어, 전자 장치(1000)는 추후 텍스트가 입력되면, 새로 학습된 인공지능 데이터 인식 모델을 적용한 결과와 기 저장된 이미지에 새로 학습된 인공지능 데이터 인식 모델을 적용한 결과의 연관도에 기초하여, 텍스트와 연관된 이미지를 결정할 수 있다.

도 3의 300-3를 참조하면, 일 실시예에 따라, 전자 장치(1000)는 제 1 애플리케이션에 제 1 텍스트(334)를 입력하는 사용자 입력을 수신하고, 사용자에 의해 선택된 제 1 텍스트와 연관된 이미지(338)를 삽입하여 함께 디스플레이한 후에, 제 2 텍스트(336)를 입력하는 사용자 입력을 수신할 수 있다.

일 실시예에 따르면, 사용자가 제 2 텍스트(336)와 연관된 이미지를 삽입하고자 할 경우, 전자 장치(1000)는 이미지에 접근하기 위해, 사용자가 갤러리(gallery) UI(332)를 터치 또는 클릭하는 입력을 수신함으로써, 제 2 애플리케이션을 호출하는 명령을 제 2 애플리케이션에 전송할 수 있고, 그에 따라 제 2 애플리케이션을 실행할 수 있다.

도 3의 300-4를 참조하면, 일 실시예에 따라, 사용자가 이미지에 접근하기 위해 실행하는 제 2 애플리케이션의 실행에 대한 응답으로, 전자 장치(1000)는 제 2 텍스트와 연관된 제 5 이미지(342), 제 6 이미지(344), 제 7 이미지(346), 및 제 8 이미지(348)를 디스플레이할 수 있다.

일 실시예에 따르면, 제 2 텍스트와 연관된 이미지를 제공하기 위해, 제 1 애플리케이션은 제 2 애플리케이션으로 텍스트와 연관된 이미지 브라우징 요청과 함께 제 1 텍스트(334) 및/또는 제 2 텍스트(336)를 전송할 수 있다. 예를 들어, 제 1 텍스트(344)는 이미 제 2 애플리케이션으로 전송되었던 텍스트이기 때문에, 다시 전송하지 않고, 제 2 텍스트(366)만을 제 2 애플리케이션으로 전송할 수 있다.

일 실시예에 따르면, 제 2 애플리케이션은 요청에 대한 응답으로, 제 1 텍스트(334) 및 제 2 텍스트(366)에 새로 학습된 제 1 인공지능 데이터 인식 모델을 적용한 결과들과 제 2 애플리케이션에 저장된 이미지에 새로 학습된 제 2 인공지능 데이터 인식 모델을 적용한 결과들 간의 관련도에 기초하여, 제 2 텍스트(336)와 연관된 적어도 하나의 이미지를 결정할 수 있다.

일 실시예에서, 제 2 텍스트(336)와 연관된 이미지를 결정하기 위해, 전자 장치(1000)는 제 1 텍스트(334) 및 제 1 텍스트와 연관된 이미지(338)을 고려할 수 있다. 예를 들어, 제 2 텍스트(336)에는 "도착하자마자 먹었던 맛있는 브런치(>_<b)"라는 내용만이 기재되어 있지만, 전자 장치(1000)는 제 1 텍스트(334)의 내용을 고려하여 유추할 수 있는, "황금 연휴를 맞아 가족과 함께 차를 타고 파주에 가서, 헤이리 마을에 도착하자마자 맛있는 브런치를 먹었다."는 텍스트를 분석함으로써 유추된 상황들을 모두 고려하여, 제 2 텍스트(336)와 연관된 이미지를 결정할 수 있다. 예를 들어, 전자 장치(1000)는 황금 연휴라고 불릴만한 긴 휴일 중에 촬영된 이미지, 파주로 가는 길에 촬영된 이미지, 파주의 드라이브 장소로 유명한 자유로에 대한 이미지, 드라이브로 기분이 좋은 상태임을 반영하는 화창한 날씨의 이미지, 가족과 함께 촬영된 이미지, 헤이리 마을에 대한 이미지, 및 브런치와 관련된 이미지를 고려할 수 있지만, 제 2 텍스트(336)에 기재된 내용에 가중치를 두어, 브런치에 대한 이미지과, 헤이리 마을에 도착하자마자 촬영된 이미지에 가중치를 높게 두어, 제 2 텍스트(336)와 사용자가 접근 가능한 이미지의 관련도를 결정할 수 있다.

예를 들어, 제 2 텍스트(336)와 연관된 이미지를 결정하기 위해, 제 1 텍스트(334)와 연관된 이미지(338)도 고려할 수 있는데, 사용자는 이미 파주로 드라이브 가는 상황을 포함한 이미지를 제 1 텍스트(344)와 연관된 이미지(338)로 선택하였으므로, 전자 장치(1000)는 재차 사용자가 해당 이미지를 선택할 가능성이 낮다고 판단하여, 파주로 드라이브 가는 길에 촬영된 이미지는 가중치를 낮게 두어, 제 2 텍스트(336)와 사용자가 접근 가능한 이미지의 관련도를 결정할 수 있다.

일 실시예에 따르면, 제 1 텍스트(334)를 입력하고 제 1 텍스트(334)와 연관된 이미지(388)을 선택한 후, 이어서 제 2 텍스트(336)을 입력하는 경우, 전자 장치(1000)는 아직 인공지능 데이터 인식 모델을 새로 학습하지 않은 상태일 수 있다. 이때, 전자 장치(1000)는 새로 학습하지 않은 인공지능 데이터 인식 모델을 적용하여 제 2 텍스트(336)와 연관된 이미지를 결정할 수 있다.

일 실시예에서, 전자 장치(1000)는 제 5 이미지(342), 제 6 이미지(344), 제 7 이미지(346), 제 8 이미지(348) 순으로 텍스트와 관련도가 높다고 결정하여, 관련도가 높은 순서대로 이미지들을 배치하여 사용자에게 제공할 수 있다.

하지만, 일 실시예에서, 사용자는 디스플레이된 이미지들(342, 344, 346, 348) 중에서 제 6 이미지(344)를 선택한 후, 선택 버튼(350)을 누르거나, 터치함으로써, 전자 장치(1000)는 제 6 이미지(344)를 제 2 텍스트(366)와 가장 관련도가 높은 이미지로 선택하는 사용자 입력을 수신할 수 있다. 이에 따라, 전자 장치(1000)는 제 6 이미지(344)를 제 2 텍스트(366)와 함께 디스플레이할 수 있다.

위의 실시예에서와 같이, 전자 장치(1000)가 인공지능 데이터 인식 모델을 적용한 결과로써 결정한 텍스트와 관련도가 높은 이미지와 사용자의 선택한 이미지가 다를 경우, 전자 장치(1000)가 사용자 선택 결과에 따라 인공지능 데이터 인식 모델을 학습하는 것은 더욱 의미가 있을 수 있다. 사용자 선택 결과를 통해 인공지능 데이터 인식 모델을 계속 새로 학습함으로써, 전자 장치(1000)는 보다 사용자의 의도에 적합하게 텍스트와 연관된 이미지를 결정할 수 있다.

도 4는 일 실시예에 따라, 전자 장치가 서버와 통신하여 텍스트와 연관된 이미지를 제공하는 방법을 설명하기 위한 흐름도이다.

단계 S410에서, 전자 장치(1000)는 텍스트를 획득할 수 있다. 단계 S410에서 텍스트를 획득하는 동작은 도 2의 단계 S210에서 수행되는 동작에 대응되므로 구체적인 설명은 생략하기로 한다.

단계 S420에서, 전자 장치(1000)는 서버(2000)로 획득된 텍스트를 전송할 수 있다. 예를 들어, 전자 장치(1000)는, 네트워크를 통해 획득된 텍스트를 서버에 전송할 수 있다. 여기서, 네트워크는, Wi-Fi(Wireless Fidelity), 홈RF, 블루투스, HR WPAN, UWB, LR WPAN, IEEE 1394 등과 같은 무선 통신 기술 또는 이동 통신 기술로 구현될 수 있으나, 이에 한정되는 것은 아니다.

일 실시예에서, 텍스트가 서버(2000)로부터 획득되었거나, 전자 장치(1000)가 이미 서버(2000)에 업로드 하였으면, 서버(2000)로 다시 전송하지 않을 수 있다. 예를 들어, 전자 장치(1000)가 텍스트를 서버(2000)로부터 획득한 경우, 텍스트를 다시 서버(2000)로 전송하는 단계를 생략하고, 서버(2000)로부터 획득한 텍스트와 연관된 적어도 하나의 이미지를 요청하는 데이터만을 전송할 수 있다.

단계 S430에서, 전자 장치(1000)는 서버(2000)에 획득한 텍스트와 연관된 적어도 하나의 이미지를 요청할 수 있다. 예를 들어, 전자 장치(1000)는, 상술한 네트워크를 통해 요청을 서버로 전송할 수 있다.

단계 S440에서, 서버(2000)는 수신된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 수신된 텍스트와 연관된 적어도 하나의 이미지를 결정할 수 있다.

일 실시예에서, 서버(2000)는 사용자가 접근 가능한 이미지를 획득할 수 있다. 일 실시예에 따른 사용자가 접근 가능한 이미지란, 서버(2000)에 기 저장된 이미지, 서버(2000)와 통신하는 외부 장치로부터 수신 가능한 이미지, 및 전자 장치(1000)로부터 수신 가능한 이미지 중 적어도 하나를 포함하는 이미지일 수 있다. 예를 들어, 서버(2000)는 클라우드 서버에 기 저장된 이미지를 획득할 수 있다. 예를 들어, 클라우드 서버에 기 저장된 이미지는 클라우드 서버의 사용자 계정에 할당된 공간에 저장된 이미지일 수 있다.

일 실시예에서, 텍스트에 제 1 인공지능 데이터 인식 모델을 적용하면, 적용한 텍스트로부터 유추 가능한 상황들을 모두 고려한 결과가 도출될 수 있고, 이미지에 제 2 인공지능 데이터 인식 모델을 적용하면 적용한 이미지로부터 유추 가능한 상황들을모두 고려한 결과가 도출될 수 있어, 두 결과를 비교하여 관련도를 결정할 수 있다. 예를 들어, 인공지능 데이터 인식 모델을 적용한 결과는 하나의 수치일 수 있고, 벡터 값 일 수도 있다. 이 때, 예를 들어, 관련도는 수치의 차이 값 또는 벡터 값 간의 거리 등을 포함할 수 있다. 예를 들어, 서버(2000)는 수치의 차이 값 또는 벡터 값 간의 거리가 미리 결정된 임계 값 이하인 이미지를 텍스트와 연관된 이미지라고 결정할 수 있다. 인공지능 데이터 인식 모델에 대해서는, 도 6에서 보다 자세히 살펴보기로 한다.

단계 S450에서, 서버(2000)는 전자 장치(1000)로 결정된 적어도 하나의 이미지를 전송할 수 있다.

예를 들어, 서버(2000)는, 상술한 네트워크를 통해 결정된 적어도 하나의 이미지를 전자 장치(1000)로 전송할 수 있다.

일 실시예에 따르면, 데이터 전송 부담을 줄이기 위해, 서버(2000)는 전자 장치(1000)로 결정된 적어도 하나의 이미지가 아닌, 결정된 적어도 하나의 이미지의 부가 정보만을 전송할 수도 있다. 이미지의 부가정보는, 주제, 크기, 생성 일자, 해상도, 포커싱, JPEG 품질, GPS 정보, 고유 ID, 썸네일 이미지, 서버(2000)에 저장된 이미지의 위치(예를 들어, URL(Uniform Resource Locator)) 등을 포함할 수 있다. 일 실시예에서, 전자 장치(1000)는 서버(2000)로부터 수신된 부가 정보를 이용하여, 부가 정보에 해당하는 이미지를 획득할 수 있다. 예를 들어, 전자 장치(1000)는 이미지의 고유 ID를 수신하여, 부가 정보에 해당하는 이미지가 전자 장치(1000)에 기 저장된 이미지임을 확인하고, 기 저장된 이미지를 디스플레이할 수 있다. 예를 들어, 전자 장치(1000)에 이미지가 미리 저장되지 않았을 경우, 썸네일 이미지를 사용자에게 디스플레이하고, 필요에 따라 서버(2000)에 저장된 이미지의 위치를 참조하여, 서버(2000)에서 이미지를 다운로드 받을 수 있다.

단계 S460에서, 전자 장치(1000)는 수신된 적어도 하나의 이미지를 디스플레이할 수 있다. 단계 S460에서 적어도 하나의 이미지를 디스플레이하는 동작은 도 2의 단계 S230에서 수행되는 동작에 대응되므로 구체적인 설명은 생략하기로 한다.

도 5는 일 실시예에 따라, 전자 장치가 서버를 통해 텍스트와 연관된 이미지를 제공하는 예시를 나타내는 도면이다.

도 5에 대해서는, 도 4와 중복되는 설명 부분은 생략하기로 한다.

일 실시예에서, 서버(2000)는 먼저 범용 데이터를 이용하여 텍스트에 대한 제 1 인공지능 데이터 인식 모델 및 이미지에 대한 제 2 인공지능 데이터 인식 모델(520)을 구축할 수 있다.

이후, 일 실시예에 따른 서버(2000)는 제 1 이미지(530) 및 제 2 이미지(540)을 포함하는 사용자가 접근할 수 있는 이미지들에 제 2 인공지능 데이터 인식 모델(520)을 적용한 결과를 저장해 놓을 수 있다. 일 실시예에서, 서버(2000)가 전자 장치(1000)로부터 텍스트(510)을 수신하면, 수신된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과를 도출해 내어, 사용자가 접근할 수 이미지들에 대한 기 저장된 결과와 비교하여, 곧바로 텍스트와 연관된 이미지를 결정할 수 있다.

일 실시예에서, 서버(2000)는 텍스트와 연관된 이미지뿐만 아니라, 제 1 인공지능 데이터 인식 모델 및 제 2 인공지능 데이터 인식 모델(520)을 전자 장치(1000)로 전송할 수 있다. 예를 들어, 일 실시예에 따르면, 서버(2000)에서 인공지능 데이터 인식 모델들을 구축하고, 일정 기간 동안 전자 장치(1000)로부터 텍스트(510)와 같은 데이터들을 수신하여 인공지능 데이터 인식 모델들을 사용자에 맞게 커스터마이징(customizing)한 후에는, 인공지능 데이터 인식 모델들 자체를 전자 장치(1000)로 전송하여, 전자 장치(1000) 내에서 텍스트와 연관된 이미지를 결정하도록 할 수 있다.

도 6은 일 실시예에 따라 인공지능 데이터 인식 모델을 적용한 결과들 간의 관련도에 기초하여, 텍스트와 연관된 이미지를 결정하는 방법을 설명하기 위한 도면이다.

일 실시예에서, 전자 장치(1000)는 텍스트(610)에 제 1 인공지능 데이터 인식 모델(630)을 적용하여 도출된, 텍스트의 벡터 값과 이미지(620)에 제 2 인공지능 데이터 인식 모델(640)을 적용하여 도출된, 이미지의 벡터 값 사이의 벡터 공간(650) 상의 거리(660)가 미리 결정된 값 이하인 적어도 하나의 이미지를, 텍스트와 연관된 이미지로 결정할 수 있다.

개시된 실시예에서, "텍스트의 벡터 값"은 인공지능 데이터 인식 모델을 통해 텍스트가 나타내는 정보를 m차원(m은 임의의 자연수) 벡터 공간 상의 특정 위치에 대응하는 벡터로 표현한 것을 의미하며, "이미지의 벡터 값"은 이미지의 메타데이터를 이용하여 파악된 컨텍스트 정보를 선택적으로 반영하여, 이미지가 나타내는 정보를 n차원(n은 임의의 자연수) 벡터 공간 상의 특정 위치에 대응하는 벡터로 표현한 것을 의미한다. 여기서, m과 n은 같은 값일 수 있다.

일 실시예에서, 텍스트(610)는 단어 또는 구 단위 등으로 파싱(parsing)되지 않고, 전체 텍스트가 제 1 인공지능 데이터 인식 모델(630)의 입력될 수 있고, 제 1 인공지능 데이터 인식 모델(630)은 텍스트(610)로부터 유추 가능한 모든 상황들을 고려한 하나의 벡터 값을 출력할 수 있다. 또한, 이미지(620)는 이미지(620)에 포함된 오브젝트(object)들 단위가 아닌 이미지(620) 전체가 제 2 인공지능 데이터 인식 모델(640)에 입력될 수 있고, 제 2 인공지능 데이터 인식 모델(640)은 이미지(620)로부터 유추 가능한 모든 상황들을 고려한 하나의 벡터 값을 출력할 수 있다.

일 실시예에서, 텍스트의 벡터 값과 이미지의 벡터 값이 동일한 벡터 공간(650) 상에 맵핑(mapping)되기 위해, 제 1 인공지능 데이터 인식 모델(630)과 제 2 인공지능 데이터 인식 모델(640)은 함께 학습될 수 있다. 또는, 일 실시예에서, 제 1 인공지능 데이터 인식 모델(630)과 제 2 인공지능 데이터 인식 모델(640)은 동일한 모델일 수 있다.

일 실시예에서, 전자 장치(1000)는 동일한 벡터 공간(650)상에 맵핑된 벡터 값들의 거리(660)가 가까울수록 텍스트와 이미지의 관련도가 높다고 결정할 수 있다.

일 실시예에서, 이미지의 메타데이터는 이미지의 벡터 값을 도출하기 위한 인공지능 데이터 인식 모델에 입력으로 이용되지 않을 수도 있다. 이 때, 이미지의 메타데이터는 다른 방식으로 텍스트와 연관된 이미지를 제공하는 데 이용될 수 있다. 예를 들어, 전자 장치(1000)가 인공지능 데이터 인식 모델을 이용하여 도출된 텍스트와 이미지의 관련도에 관계 없이, 텍스트에 나타난 장소와 일치하는 GPS 정보를 갖는 이미지는 높은 우선순위로 디스플레이될 수 있다.

위에서는 설명의 편의에 따라, 전자 장치(1000)에서 제 1 인공지능 데이터 인식 모델(630) 및 제 2 인공지능 데이터 인식 모델(640)의 학습이 수행되는 것으로 설명하였으나, 이는 제한적인 것이 아니고, 서버(2000) 또는 외부 장치에서 학습이 수행될 수도 있다. 또한, 예를 들어, 서버(2000) 또는 외부 장치에서 학습된 적어도 하나의 인공지능 데이터 인식 모델을 네트워크를 통해 전자 장치(1000)가 수신하여, 전자 장치 내에서 텍스트와 연관된 이미지를 결정하기 위해 이용할 수 있다.

도 7 내지 9는 일부 실시예에 따라 전자 장치의 구성을 도시한 블록도이다.

도 7에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전자 장치(1000)는, 사용자 입력부(1100), 디스플레이부(1210), 제어부(1300), 메모리(1700)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 전자 장치(1000)는 구현될 수 있다.

도 8에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전자 장치(1000)는, 사용자 입력부(1100), 디스플레이부(1210), 제어부(1300), 통신부(1500)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 전자 장치(1000)는 구현될 수 있다.

예를 들어, 도 9에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전자 장치(1000)는, 사용자 입력부(1100), 제어부(1300), 통신부(1500), 메모리(1700) 이외에 출력부(1200), 센싱부(1400), A/V 입력부(1600)를 더 포함할 수도 있다.

이하 상기 구성요소들에 대해 차례로 살펴본다.

사용자 입력부(1100)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.

사용자 입력부(1100)는, 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 입력부(100)는 텍스트를 획득하기 위한 사용자 입력, 및 애플리케이션을 실행하기 위한 사용자 입력 등을 수신할 수 있다. 또한, 사용자 입력부(1100)는 디스플레이된 적어도 하나의 이미지 중 하나 이상의 이미지를 선택하는 사용자의 입력을 수신할 수 있다.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호의 출력을 위한 것으로, 이에는 디스플레이부(1210)와 음향 출력부(1220), 진동 모터(1230) 등이 포함될 수 있다.

디스플레이부(1210)는 후술할 제어부(1300)에 의해 제어됨으로써, 전자 장치(1000)에서 처리되는 정보를 디스플레이한다. 디스플레이부(1210)는 텍스트와 연관된 적어도 하나의 이미지를 디스플레이할 수 있다.

한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 전자 장치(1000)의 구현 형태에 따라 전자 장치(1000)는 디스플레이부(1210)를 2개 이상 포함할 수도 있다. 이때, 2개 이상의 디스플레이부(1210)는 힌지(hinge)를 이용하여 마주보게 배치될 수 있다.

음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(1220)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

진동 모터(1230)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(1230)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.

제어부(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 제어부(1300)는 적어도 하나의 프로세서를 구비할 수 있다. 제어부(1300)는 그 기능 및 역할에 따라, 복수의 프로세서들을 포함하거나, 통합된 형태의 하나의 프로세서를 포함할 수 있다.

예를 들어, 제어부(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 또한, 제어부(1300)는 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500) 및 A/V 입력부(1600)를 제어함으로써, 전자 장치(1000)가 텍스트와 연관된 적어도 하나의 이미지를 결정할 수 있도록 할 수 있다.

구체적으로, 제어부(1300)는 텍스트와 연관된 적어도 하나의 이미지를 결정하기 위하여, 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도를 도출할 수 있다. 예를 들어, 제어부(1300)는 텍스트에 상기 제 1 인공지능 데이터 인식 모델을 적용하여 도출된, 텍스트의 벡터 값과 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용하여 도출된, 이미지의 벡터 값 사이의 거리가 미리 결정된 값 이하인 적어도 하나의 이미지를, 텍스트와 연관된 적어도 하나의 이미지로 결정할 수 있다. 또한, 제어부(1300)는 사용자가 접근 가능한 이미지에 관한 메타데이터를 획득하고, 메타데이터로부터 파악된 컨텍스트 정보를 반영한 관련도에 기초하여 텍스트와 연관된 적어도 하나의 이미지를 결정할 수 있다.

또한, 제어부(1300)는 이미지를 선택하는 사용자 입력에 따라 새로 학습된 인공지능 데이터 인식 모델에 기초하여 추후 획득되는 텍스트와 연관된 이미지를 결정할 수 있다. 또한, 일 실시예에서, 제어부(1300)는 이미지 선택 전후에 각각 획득된 텍스트들과 사용자가 접근 가능한 이미지에 새로 학습된 인공지능 데이터 인식 모델을 각각 적용한 결과들 간의 관련도에 기초하여 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정할 수 있다.

또한, 제어부(1300)는, 통신부(1500)를 제어함으로써, 텍스트, 사용자가 접근 가능한 이미지, 및 텍스트와 연관된 적어도 하나의 이미지를 다른 전자 장치 및 서버(2000)와 송수신할 수 있다.

센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 제어부(1300)로 전달할 수 있다.

센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

통신부(1500)는, 전자 장치(1000)와 다른 전자 장치 또는 전자 장치(1000)와 서버(2000) 간의 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.

통신부(1500)는, 제어부(1300)에 의해 제어됨으로써 다른 전자 장치 및 서버(2000)와 데이터를 송수신한다. 통신부(1500)는 다른 전자 장치에게 직접 데이터를 전송하거나 서버(2000)를 경유하여 데이터를 전송할 수 있다. 또한, 통신부(1500)는 다른 전자 장치로부터 직접 데이터를 수신하거나 서버(2000)를 경유하여 데이터를 수신할 수 있다.

A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.

카메라(1610)에서 처리된 화상 프레임은 메모리(1700)에 저장되거나 통신부(1500)를 통하여 외부로 전송될 수 있다. 카메라(161)는 단말기의 구성 태양에 따라 2개 이상이 구비될 수도 있다.

마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 전자 장치 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.

메모리(1700)는, 제어부(1300)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들(예컨대, 텍스트, 텍스트와 연관된 이미지, 사용자의 텍스트와 연관된 이미지 선택 결과 등)을 저장할 수도 있다. 메모리(1700)는 컴퓨터 실행가능 명령어(computer executable instruction)를 저장할 수 있다.

메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 전자 장치(1000)는 인터넷(internet)상에서 메모리(1700)의 저장 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버를 운영할 수도 있다.

메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720) 등으로 분류될 수 있다.

UI 모듈(171)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(1300)로 전달할 수 있다. 일 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.

또한, 터치스크린의 터치를 감지하기 위한 센서의 일례로 근접 센서가 있다.

근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다.

한편, 도 7 내지 9에 도시된 전자 장치(1000)의 구성은 일 실시예이며, 전자 장치(1000)의 각 구성요소는 구현되는 전자 장치(1000)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 구성(또는, 모듈)에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.

도 10은 일 실시예에 따른 프로세서(1300)의 블록도이다.

도 10을 참조하면, 일 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.

데이터 학습부(1310)는 이미지를 분석하고, 텍스트의 내용을 파악하여, 이미지와 텍스트의 관련도 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 이미지와 텍스트의 관련도를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 어떻게 관련도를 결정할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 인공지능 데이터 인식 모델에 적용함으로써, 이미지와 텍스트의 관련도를 결정하기 위한 기준을 학습할 수 있다.

데이터 인식부(1320)는 데이터에 기초하여 이미지와 텍스트의 관련도를 판단할 수 있다. 데이터 인식부(1320)는 학습된 인공지능 데이터 인식 모델을 이용하여, 소정의 데이터로부터 텍스트로부터 유추 가능한 내용과 이미지로부터 유추 가능한 내용을 인식할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 인공지능 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초하여 텍스트와 이미지의 관련도를 판단할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 인공지능 데이터 인식 모델에 의해 출력된 결과 값은, 인공지능 데이터 인식 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(1000)에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 서버에 탑재될 수도 있고, 또는 별개의 전자 장치들 또는 서버에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치(1000)에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.

한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 11는 일 실시예에 따른 데이터 학습부(1310)의 블록도이다.

도 11를 참조하면, 일 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.

데이터 획득부(1310-1)는 텍스트와 이미지의 관련도 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 텍스트와 이미지의 관련도 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

예를 들어, 데이터 획득부(1310-1)는 음성 데이터, 영상 데이터(예를 들어, 이미지, 동영상), 텍스트 데이터, 또는 생체신호 데이터 등을 획득할 수 있다. 예를 들어, 데이터 획득부(1310-1)는 전자 장치(1000)의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치(1000)와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다.

또한, 예를 들어, 데이터 획득부(1310-1)는 사용자로부터 데이터를 입력 받을 수도 있고, 전자 장치(1000)에 기 저장된 데이터를 불러올 수도 있고, 또는 서버로부터 데이터를 수신할 수도 있으나, 이에 제한되지 않는다. 예를 들어, 전자 장치(1000)에 기 저장된 데이터, 전자 장치(1000)에서 센싱한 데이터, 사용자로부터 입력 받은 데이터 및 서버로부터 획득한 데이터를 조합하여 필요한 데이터를 획득할 수도 있다. 데이터는 텍스트, 이미지, 동영상, 이미지의 메타데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 데이터 획득부(1310-1)는 이미지를 입력 받을 수 있다. 예를 들어, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 전자 장치(1000)의 카메라, 또는 데이터 학습부(1310)를 포함하는 전자 장치(1000)와 통신 가능한 외부의 카메라를 통하여 이미지를 입력 받을 수 있다. 여기서, 카메라는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다.

예를 들어, 데이터 획득부(1310-1)는 텍스트를 획득할 수 있다. 예를 들어, 데이터 획득부(1310-1)는 전자 장치(1000)의 사용자 입력부를 통하여, 사용자로부터 텍스트를 입력 받을 수 있다. 또한, 예를 들어, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 전자 장치(1000)와 통신 가능한 웹 서버를 통하여 텍스트를 수신할 수 있다. 또한, 예를 들어, 데이터 획득부(1310-1)는 전자 장치(1000)의 다른 애플리케이션으로부터 텍스트를 획득할 수 있다.

전처리부(1310-2)는 텍스트와 이미지의 연관도 결정을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 텍스트와 이미지의 연관도 결정을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

예를 들어, 전처리부(1310-2)는 입력된 복수의 이미지(또는 프레임(frame))들 각각에 포함된 공통 영역을 기초로, 복수의 이미지들의 적어도 일부를 중첩하여 하나의 합성 이미지를 생성할 수 있다. 공통 영역은, 복수의 이미지들 각각에서 동일 또는 유사한 공통 오브젝트(예로, 물체, 동식물 또는 사람 등)를 포함한 영역이 될 수 있다. 또는, 공통 영역은, 복수의 이미지들 각각에서 색, 음영, RGB 값 또는 CMYK 값 등이 동일 또는 유사한 영역이 될 수 있다.)

학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 텍스트와 이미지의 관련도 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

예를 들어, 텍스트와 이미지의 관련도 판단의 학습을 위하여, 전자 장치(1000)의 사용자가 텍스트의 입력과 함께 삽입한 이미지가 학습에 필요한 데이터로 선택될 수 있다.

모델 학습부(1310-4)는 학습 데이터에 기초하여 텍스트와 이미지의 관련도를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 텍스트와 이미지의 관련도의 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 모델 학습부(1310-4)는 텍스트와 이미지의 관련도의 판단을 위하여, 텍스트에 대한 모델과 이미지에 대한 모델을 함께 학습할 수 있다.또한, 모델 학습부(1310-4)는 텍스트와 이미지의 연관도 결정에 이용되는 인공지능 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 인공지능 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 인공지능 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.

인공지능 데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 인공지능 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공지능 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 인공지능 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 데이터 인식 모델을 학습할 인공지능 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 인공지능 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 데이터 인식 모델을 학습시킬 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 인공지능 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도 없이 텍스트와 이미지의 연관도 결정을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 텍스트와 이미지의 연관도 결정을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공지능 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 텍스트와 이미지의 연관도 결정의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 데이터 인식 모델을 학습시킬 수 있다.

또한, 인공지능 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 인공지능 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 인공지능 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 전자 장치(1000)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 인공지능 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치(1000)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 인공지능 데이터 인식 모델을 전자 장치(1000)와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 인공지능 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치(1000)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 애플리케이션 프로그래밍 인터페이스(API) 및/또는 애플리케이션 프로그램(또는 "애플리케이션") 등을 포함할 수 있다.

모델 평가부(1310-5)는 인공지능 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 사용자에 의해 텍스트와 연관된 이미지로 선택된 이미지를 제 2 인공지능 데이터 인식 모델에 입력하고, 상기 텍스트를 제 1 인공지능 데이터 인식 모델에 입력하여, 두 출력 값의 차이가 미리 결정된 값을 초과하는 경우, 모델 학습부(1310-4)는 다시 학습되어야 하는 것으로 평가될 수 있다.

예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 인공지능 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 인공지능 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 인공지능 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 인공지능 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 인공지능 데이터 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 데이터 인식 모델로서 결정할 수 있다.

한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 서버에 탑재될 수도 있고, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치(1000)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 12은 일 실시예에 따른 데이터 인식부(1320)의 블록도이다.

도 12을 참조하면, 일 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.

데이터 획득부(1320-1)는 텍스트와 이미지의 관련도 결정에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 텍스트와 이미지의 관련도 결정을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 텍스트와 이미지의 관련도 결정을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 텍스트와 이미지의 관련도 결정에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 텍스트와 이미지의 관련도 결정을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1320-4)는 선택된 데이터를 인공지능 데이터 인식 모델에 적용하여 텍스트와 이미지의 관련도를 결정할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 인공지능 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 인공지능 데이터 인식 모델에 의해 결정될 수 있다.

예를 들어, 이미지의 인식 결과는 텍스트, 음성, 동영상, 이미지 또는 명령어(예를 들어, 애플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다. 인식 결과 제공부(1320-4)는 복수의 이미지들로부터 생성된 합성 이미지를 인공지능 데이터 인식 모델에 적용하여 이미지의 인식 결과를 제공할 수 있다. 일 예로, 인식 결과 제공부(1320-4)는 이미지에 포함된 오브젝트의 인식 결과를 제공 할 수 있다. 인식 결과는, 예로, 이미지에 포함된 오브젝트의 상태 정보, 오브젝트의 주변 상태 정보 등이 될 수 있다. 인식 결과 제공부(1320-4)는 오브젝트의 상태 정보로서 '운동 중','긴급 상황','쉬는 중', '식사 중'또는'수면 중' 등의 이미지에 포함된 사람의 상태 정보를 텍스트, 음성, 동영상, 이미지 또는 명령어 등으로 제공할 수 있다.

모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 인공지능 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 인공지능 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치(1000)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 13은 일 실시예에 따른 전자 장치(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 13을 참조하면, 서버(2000)는 텍스트와 이미지의 관련도 판단을 위한 기준을 학습할 수 있으며, 전자 장치(1000)는 서버(2000)에 의한 학습 결과에 기초하여 텍스트와 이미지의 관련도를 판단할 수 있다.

이 경우, 서버(2000)의 모델 학습부(2340)는 도 11에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 텍스트와 이미지의 관련도를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 텍스트와 이미지의 관련도를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 인공지능 데이터 인식 모델에 적용함으로써, 텍스트와 이미지의 관련도 판단을 위한 기준을 학습할 수 있다.

또한, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 인공지능 데이터 인식 모델에 적용하여 텍스트와 이미지의 관련도를 판단할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 텍스트와 이미지의 관련도를 판단할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 텍스트와 이미지의 관련도에 관한 정보를 서버(2000)로부터 수신할 수 있다.

또는, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 텍스트와 이미지의 관련도를 판단할 수 있다. 이 경우, 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에의해 선택된 데이터를 서버(2000)로부터 수신된 인공지능 데이터 인식 모델에 적용하여 텍스트와 이미지의 관련도를 판단할 수 있다.

한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.

상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 및 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (19)

1. 텍스트를 획득하는 사용자 입력부;
   컴퓨터 실행가능 명령어가 저장되는 메모리;
   상기 컴퓨터 실행가능 명령어를 실행함으로써, 상기 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 적어도 하나의 프로세서; 및
   상기 결정된 적어도 하나의 이미지를 디스플레이하는 디스플레이부;
   를 포함하는, 전자 장치.
   
2. 제 1항에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 획득된 텍스트에 상기 제 1 인공지능 데이터 인식 모델을 적용하여 도출된, 상기 획득된 텍스트의 벡터 값과 상기 사용자가 접근 가능한 이미지에 상기 제 2 인공지능 데이터 인식 모델을 적용하여 도출된, 상기 이미지의 벡터 값 사이의 거리가 미리 결정된 값 이하인 적어도 하나의 이미지를, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지로 결정하는, 전자 장치.
   
3. 제 1항에 있어서,
   상기 디스플레이부는,
   상기 결정된 적어도 하나의 이미지를 상기 관련도 순으로 사용자에게 디스플레이하는, 전자 장치.
   
4. 제 1 항에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 이미지에 관한 메타데이터를 획득하고, 상기 획득된 메타데이터로부터 파악된 컨텍스트(context) 정보를 반영한 상기 관련도에 기초하여, 상기 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 전자 장치.
   
5. 제 1항에 있어서,
   상기 사용자 입력부는,
   상기 디스플레이된 적어도 하나의 이미지 중 이미지를 선택하는 사용자 입력을 수신하고,
   상기 적어도 하나의 프로세서는,
   상기 선택 결과에 따라 새로 학습된 인공지능 데이터 인식 모델에 기초하여, 추후 획득되는 텍스트와 연관된 이미지를 결정하는, 전자 장치.
   
6. 제 5항에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 이미지 선택 전후에 각각 획득된 텍스트들과 사용자가 접근 가능한 이미지에 상기 새로 학습된 인공지능 데이터 인식 모델을 각각 적용한 결과들 간의 관련도에 기초하여, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 전자 장치.
   
7. 제 1항에 있어서, 상기 사용자가 접근 가능한 이미지는,
   전자 장치에 기 저장된 이미지, 상기 전자 장치와 통신하는 외부 장치로부터 수신 가능한 이미지, 및 서버로부터 수신 가능한 이미지 중 적어도 하나를 포함하는, 전자 장치.
   
8. 제 1항에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 사용자가 이미지에 접근하기 위해 실행하는 애플리케이션의 실행에 대한 응답으로, 상기 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 전자 장치.
   
9. 텍스트를 획득하는 사용자 입력부;
   상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 검색하는 적어도 하나의 프로세서;
   상기 적어도 하나의 프로세서의 제어에 따라, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 서버에 요청하고, 상기 요청에 대한 응답으로, 상기 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여 결정된, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 수신하는 통신부;
   상기 수신된 적어도 하나의 이미지를 디스플레이하는 디스플레이부;
   를 포함하는, 전자 장치.
   
10. 텍스트를 획득하는 단계;
    상기 획득된 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하는 단계; 및
    상기 결정된 적어도 하나의 이미지를 사용자에게 디스플레이하는 단계;
    를 포함하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
11. 제 10항에 있어서,
    상기 결정하는 단계는,
    상기 획득된 텍스트에 상기 제 1 인공지능 데이터 인식 모델을 적용하여 도출된, 상기 획득된 텍스트의 벡터 값과 상기 사용자가 접근 가능한 이미지에 상기 제 2 인공지능 데이터 인식 모델을 적용하여 도출된, 상기 사용자가 접근 가능한 이미지의 벡터 값 사이의 거리가 미리 결정된 값 이하인 적어도 하나의 이미지를, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지로 결정하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
12. 제 10항에 있어서,
    상기 디스플레이하는 단계는,
    상기 결정된 적어도 하나의 이미지를 상기 관련도 순으로 사용자에게 디스플레이하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
13. 제 10 항에 있어서,
    상기 결정하는 단계는,
    상기 이미지에 관한 메타데이터를 획득하는 단계를 더 포함하고,
    상기 획득된 메타데이터로부터 파악된 컨텍스트 정보를 반영한 상기 관련도에 기초하여, 상기 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
14. 제 10항에 있어서,
    상기 사용자로부터 상기 디스플레이된 적어도 하나의 이미지 중 이미지를 선택하는 입력을 수신하는 단계를 더 포함하고,
    상기 결정하는 단계는,
    상기 선택 결과에 따라 새로 학습된 인공지능 데이터 인식 모델에 기초하여, 추후 획득되는 텍스트와 연관된 이미지를 결정하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
15. 제 14 항에 있어서,
    상기 결정하는 단계는,
    상기 이미지 선택 전후에 각각 획득된 텍스트들과 사용자가 접근 가능한 이미지에 상기 새로 학습된 인공지능 데이터 인식 모델을 각각 적용한 결과들 간의 관련도에 기초하여, 상기 획득된 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
16. 제 10항에 있어서, 상기 사용자가 접근 가능한 이미지는,
    전자 장치에 기 저장된 이미지, 상기 전자 장치와 통신하는 외부 장치로부터 수신 가능한 이미지, 및 서버로부터 수신 가능한 이미지 중 적어도 하나를 포함하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
17. 제 10항에 있어서,
    상기 결정하는 단계는,
    상기 사용자가 이미지에 접근하기 위해 실행하는 애플리케이션의 실행에 대한 응답으로, 상기 텍스트와 연관된 적어도 하나의 이미지를 결정하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
18. 텍스트 획득하는 단계;
    상기 획득된 텍스트 및 상기 획득된 텍스트와 연관된 적어도 하나의 이미지에 대한 요청을 서버에 전송하는 단계;
    상기 요청에 대한 응답으로, 상기 전송한 텍스트에 제 1 인공지능 데이터 인식 모델을 적용한 결과와 사용자가 접근 가능한 이미지에 제 2 인공지능 데이터 인식 모델을 적용한 결과의 관련도에 기초하여 결정된, 상기 전송한 텍스트와 연관된 적어도 하나의 이미지를 수신하는 단계; 및
    상기 수신된 적어도 하나의 이미지를 디스플레이하는 단계;
    를 포함하는, 텍스트와 연관된 이미지를 제공하는 방법.
    
19. 제 10항 내지 제 18항 중에 적어도 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.

Images