KR20190007213A - 질문 배분 장치 및 질문 배분 방법 - Google Patents

질문 배분 장치 및 질문 배분 방법 Download PDF

Info

Publication number
KR20190007213A
KR20190007213A KR1020170088370A KR20170088370A KR20190007213A KR 20190007213 A KR20190007213 A KR 20190007213A KR 1020170088370 A KR1020170088370 A KR 1020170088370A KR 20170088370 A KR20170088370 A KR 20170088370A KR 20190007213 A KR20190007213 A KR 20190007213A
Authority
KR
South Korea
Prior art keywords
question
answer
current
engine
unit
Prior art date
Application number
KR1020170088370A
Other languages
English (en)
Inventor
황이규
박강우
유동현
홍수린
유태준
Original Assignee
주식회사 마인즈랩
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 주식회사 마인즈랩 filed Critical 주식회사 마인즈랩
Priority to KR1020170088370A priority Critical patent/KR20190007213A/ko
Priority to US16/034,327 priority patent/US20190019078A1/en
Publication of KR20190007213A publication Critical patent/KR20190007213A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G06F40/56—Natural language generation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

본 개시는, 질문 유형 또는 질문 특징에 따라, 질문을 배분하는 장치 및 방법에 관한 것이다. 이를 위한, 질문 배분 장치는, 현재 질문에 관한 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 생성하는 질문 분석부, 및 상기 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나에 기초하여, 복수의 답변 생성부 중 상기 현재 질문에 적합한 답변 생성부를 결정하고, 상기 결정된 답변 생성부 포함 적어도 하나 이상의 답변 생성부에 상기 현재 질문을 배분하는 질문 배분부를 포함할 수 있다.

Description

질문 배분 장치 및 질문 배분 방법{APPARUATUS AND METHOD FOR DISTRIBUTING A QUESTION}
본 개시는, 질문 유형 또는 질문 특징에 따라, 질문을 배분하는 장치 및 방법에 관한 것이다.
질의응답 기술은, 사용자의 질문을 분석하여, 질문의 의도에 맞는 정답을 사용자에게 제공하는 기술을 의미한다. 다만 종래의 질의응답 기술은, 단일의 QA(Question and Answer) 엔진을 이용하여 구현되는 것이 일반적이기 때문에, 응답이 가능한 질문의 범주에 한계가 있다는 문제점이 있다. 예컨대, 백과사전, 위키피디아 사전, 국어 사전등과 같은 데이터 베이스에 기초하여 질의응답 시스템이 구축된 경우, 전문 지식에 대해서는 적절한 답변이 가능하나, 사용자 일상에 관한 질문에 대해서는 적합한 답변을 출력하지 못하는 문제점이 있다.
이에 따라, QA 엔진을 다변화하여, 보다 넓은 범주까지 커버할 수 있는 질의응답 시스템을 구축할 것을 고려할 수 있다.
본 개시의 기술적 과제는, 질문에 대한 답변을 생성하기에 적합한 엔진에 질문을 분배하는 장치 및 방법을 제공하는 것이다.
본 개시의 기술적 과제는, 질문 배분에 앞서 질문에 대한 유형 및 특징을 분석할 수 있는 장치 및 방법을 제공하는 것이다.
본 개시의 기술적 과제는, 엔진 간 우선 순위에 고려하여 질문을 배분하는 장치 및 방법을 제공하는 것이다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법은, 현재 질문에 관한 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 생성하고, 상기 질문 유형 정보 또는 상기 질문 정보 중 적어도 하나에 기초하여, 복수의 답변 생성부 중 상기 현재 질문에 대한 답변을 생성하기에 적합한 답변 생성부를 결정하고, 상기 결정된 답변 생성부 포함 적어도 하나 이상의 답변 생성부에 상기 현재 질문을 배분할 수 있다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법에 있어서, 상기 답변 생성부는, 복수의 QA (Question and Answer) 엔진에 기초하여 작동하고, 상기 복수의 QA 엔진 사이의 우선 순위에 기초하여, 상기 현재 질문에 대한 답변을 생성할 QA 엔진이 결정될 수 있다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법에 있어서, 상기 답변 생성부는, 우선 순위가 N번째인 QA 엔진을 통해 상기 현재 질문에 대한 답변을 생성하지 못한 경우, 우선 순위가 N+1번?인 QA 엔진을 통해 상기 현재 질문에 대한 답변을 생성할 수 있다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법에 있어서, 상기 현재 질문에 대해 복수의 답변이 생성된 경우, 상기 복수의 답변 생성부 사이의 우선 순위에 기초하여, 출력될 답변이 선택될 수 있다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법에 있어서, 상기 답변 생성부의 결정은, 사용자 프로파일 정보 또는 이전 대화 기록 데이터 중 적어도 하나를 더 고려하여, 수행될 수 있다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법에 있어서, 상기 이전 대화 기록 데이터는, 상기 현재 질문보다 과거에 입력된 질문을 포함하고, 상기 답변 생성부의 결정은, 상기 과거 질문의 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 참조하여, 수행될 수 있다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법에 있어서, 상기 질문 유형 정보는, 상기 현재 질문이 속한 도메인, 상기 현재 질문에 대한 답변 유형, 상기 현재 질문의 담화 유형 또는 상기 현재 질문의 정서 중 적어도 하나에 대한 정보를 포함할 수 있다.
본 개시의 일 양상에 따른 질문 배분 장치 및 질문 배분 방법에 있어서, 상기 질문 특징 정보는, 상기 현재 질문에 포함된, 시간, 공간, 위치 또는 개체명 중 적어도 하나를 기초로 생성될 수 있다.
본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.
본 개시에 따르면, 질문에 대한 답변을 생성하기에 적합한 엔진에 질문을 분배함으로써, 답변의 신뢰성을 높일 수 있는 효과가 있다.
본 개시에 따르면, 질문에 적합한 엔진을 선택하기에 앞서, 효과적으로 질문에 대한 유형 및 특징을 분석할 수 있는 효과가 있다.
본 개시에 따르면, 본 개시의 기술적 과제는, 엔진 간 우선 순위에 고려하여 질문을 배분할 수 있는 효과가 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일실시예에 따른 질문 배분 시스템 장치를 도시한 도면이다.
도 2는 복수 답변 생성부들의 구성을 예시한 도면이다.
도 3은 본 발명에 따른, 질문 분석 및 질문 배분 과정을 나타낸 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다. 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다. 후술하는 예시적 실시예들에 대한 상세한 설명은, 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 실시예를 실시할 수 있기에 충분하도록 상세히 설명된다. 다양한 실시예들은 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 실시예의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 예시적 실시예들의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다.
본 발명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 발명의 어떤 구성 요소가 다른 구성 요소에 “연결되어” 있다거나 “접속되어” 있다고 언급 또는 표현된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있으나, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다거나 "직접 접속되어"있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들은, 하드웨어, 소프트웨어 또는 이들의 조합으로 구현될 수 있다. 일 예로, 각 구성부들은, 데이터 통신을 수행하기 위한 통신부, 데이터를 저장하는 메모리, 데이터 처리를 수행하는 제어부(또는 프로세서) 중 적어도 하나 이상의 조합으로 구현될 수 있다.
또는, 본 실시예에 나타난 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어져야 하는 것은 아니다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 포함한 것으로 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있고 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리범위에 포함될 수 있다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 즉, 본 발명에서 특정 구성을 “포함”한다고 기술하는 내용은 해당 구성 이외의 구성을 배제하는 것이 아니며, 추가적인 구성이 본 발명의 실시 또는 본 발명의 기술적 사상의 범위에 포함될 수 있음을 의미한다.
본 발명의 일부의 구성 요소는 본 발명에서 본질적인 기능을 수행하는 필수적인 구성 요소는 아니고 단지 성능을 향상시키기 위한 선택적 구성 요소일 수 있다. 본 발명은 단지 성능 향상을 위해 사용되는 구성 요소를 제외한 본 발명의 본질을 구현하는데 필수적인 구성부만을 포함하여 구현될 수 있고, 단지 성능 향상을 위해 사용되는 선택적 구성 요소를 제외한 필수 구성 요소만을 포함한 구조도 본 발명의 권리범위에 포함된다.
이하, 도면을 참조하여 본 발명의 실시 형태에 대하여 구체적으로 설명한다. 본 명세서의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 명세서의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략하고, 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일실시예에 따른 질문 배분 시스템 장치를 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른, 질문 배분 장치는, 질문 입력부(110), 질문 분석부(120), 질문 배분부(130), 답변 생성부(140) 및 답변 출력부(150)를 포함할수 있다.
질문 입력부(110)는, 사용자로부터 대화를 입력받고, 입력된 질문에 대한 자연어 처리를 수행한다. 일 예로, 사용자 음성이 입력되면, 대화 입력부는, 입력된 음성을 텍스트로 변환하고(STT, Speech to Text), 변환된 텍스트를 컴퓨터가 처리할 수 있도록 변환하기 위해 자연어 처리(Natural Language Processing, NLP)를 수행할 수 있다.
질문 분석부(120)는, 자연어 처리가 완료된 결과에 워드 임베딩을 적용하고, 워드 임베딩 결과를 기초로, 질문을 분석할 수 있다. 질문 분석의 결과, 질문의 유형을 나타내는 질문 유형 정보 및 질문의 특징을 나타내는 질문 특징 정보 중 적어도 하나가 생성될 수 있다.
질문 분석부(120)는, 질문의 유형을 판단하기 위한 DNN (Deep Learning Network) 분류부(122) 및 질문의 특징을 추출하는 특징 추출부(124)를 포함할 수 있다. DNN 분류부(122)는, 질문 도메인 분류, 질문 정답 유형 분류, 담화 유형(Dialog Act) 분석 또는 정서(Sentiment) 분석 중 적어도 하나를 수행하여, 질문의 유형을 결정할 수 있다. 이때, DNN 분류부(122)는 심층신경망을 통해 학습된 데이터에 기반하여 동작할 수 있다. 특징 추출부(124)는, 시간, 공간, 위치(Position) 또는 개체명(Named Entity) 등에 기초하여, 질문의 특징을 추출할 수 있다.
본 발명에서는, 상이한 QA (Question and Answer) 엔진에 기반하여 구동되는 복수의 답변 생성부(140)가 포함될 수 있다. 질문 배분부(130)는, 질문 분석 결과에 기초하여, 복수의 답변 생성부(140) 중, 질문에 대한 답변을 생성하기에 적합한 답변 생성부(140)에 질문을 배분하는 역할을 수행한다. 질문 배분부(130)는, 질문 분석 결과와 함께, 사용자 프로파일(User Profile) 정보 또는 이전 대화 기록(Log Data) 정보 중 적어도 하나를 참조하여, 질문을 배분할 수 있다. 또한, 질문 배분부(130)는, 답변 생성부(140) 간 우선 순위에 기초하여, 질문을 배분할 수 있다.
답변 생성부(140)는 질문에 대한 답변을 생성하는 역할을 수행한다. 답변 생성부(140)는 적어도 하나의 QA 엔진에 의해 구동될 수 있다. 이때, 답변 생성부(140)간에는 상이한 QA 엔진이 적용될 수 있다.
도 2는 복수 답변 생성부들의 구성을 예시한 도면이다.
도 2에서는, 제1 답변 생성부(141), 제2 답변 생성부(142) 및 제3 답변 생성부(143)가 예시되었다. 도 2에 도시된 제1 답변 생성부(141)는, 사전에 구축된 질문-답변 데이터 베이스를 이용하여, 입력된 질문에 대한 답변을 생성하는 역할을 수행하고, 제2 답변 생성부(142)는, 전문 지식 분야에 해당하는 질문에 대한 답변을 생성하는 역할을 수행한다. 제3 답변 생성부(143)는, 기계 학습에 기초하여, 입력된 질문에 대한 답변을 생성하는 역할을 수행한다.
제1 답변 생성부(141)는, 질문 매칭 기반 QA 엔진, 질문 검색 기반 QA 엔진, 문장 임베딩(Sentence Embedding) 기반 QA 엔진 또는 챗봇(Chatter robot) 기반 QA 엔진 중 적어도 하나에 기초하여, 답변을 생성할 수 있다.
질문 매칭 기반 QA 엔진은, 질문 및 답변을 매핑한 데이터 베이스에 기초하여, 질문에 대한 답변을 출력하는 QA 엔진을 의미한다. 일 예로, 질문 매칭 기반 QA 엔진은, 사용자가 입력한 질문과 동일 또는 유사한 질문이 데이터 베이스에 존재하는지 검색하고, 입력된 질문과 동일 또는 유사한 질문이 검색되면, 입력된 질문과 동일 또는 유사한 질문에 매핑되는 답변을 출력할 수 있다.
질문 검색 기반 QA 엔진은, 입력된 질문을 기초로 검색 쿼리(Query)를 설정하고, 설정된 검색 쿼리를 기초로 검색 쿼리에 대응하는 질문에 존재하는지 검색한 뒤, 검색된 질문에 매핑되는 답변을 출력하는 QA 엔진을 의미한다.
문장 임베딩은, 질문의 의미를 다차원 공간에서 벡터로 표현하는 것을 의미한다. 문장 임베딩 기반 QA 엔진은, 입력된 질문과 동일 또는 유사한 벡터를 갖는 질문을 검색한 뒤, 검색된 질문에 매핑되는 답변을 출력하는 QA 엔진을 의미한다.
챗봇은, 메신저에 채팅하듯 질문을 입력하면, 인공지능(Artificial Intelligence)이 빅데이터 분석을 바탕으로 일상 언어로 해답을 주는 대화형 메신저를 의미한다. 챗봇 기반 QA 엔진은 챗봇을 이용하여 입력된 질문에 대한 답변을 생성하는 QA 엔진을 의미한다.
제2 답변 생성부(142)는, 전문영역 QA 엔진 또는 위키피디아(Wikipedia) 기반 QA 엔진 중 적어도 하나에 기반하여, 답변을 생성할 수 있다.
전문영역 QA 엔진은, 스포츠, 역사, 의료, 건강, 과학, 법률, 부동산, 금융 등 특정 분야 질문에 대한 답변을 생성하는 QA 엔진을 의미한다.
위키피디아 기반 QA 엔진은 온라인 백과 사전인 위키피디아를 이용하여, 질문에 대한 답변을 생성하는 QA 엔진을 의미한다. 위키피디아 기반 QA 엔진은, 트리플(Triple) 분석을 기초로, 질문에 대한 답변을 생성할 수 있다. 트리플 분석은, 질문에, 특정 주제 및 특정 주제의 하부 목차가 포함되어 있으면, 해당 목차에 포함된 컨텐트를 답변으로 출력하는 것을 의미할 수 있다. 일 예로, 위키피디아는, 특정 주에 대한 목차를 구성하고, 각 목차에 알맞은 컨텐트를 매핑하여 구성될 수 있다. 일 예로, 'A'라는 인물에 대해, '국적', '출생일', '업적', '학력' 등의 목차를 구성하고, 각 목차에 알맞은 컨텐트(예컨대, 국적 - 대한민국, 출생일 - 2000년 1월 1일 등)가 매핑될 수 있다. 만약, 입력된 질문이, 'A의 국적은'이라는 질문이라면, 트리플 분석을 통해, 인물 'A' 및 목록 '국적'에 대응하는 컨텐트인 '대한민국'을 포함하는 답변이 위키피디아 기반 QA 엔진을 통해 출력될 수 있다.
제3 답변 생성부(143)는, 자율학습 QA 엔진 또는 MRC (Machine Reading Comprehension) 중 적어도 하나에 기반하여 답변을 생성할 수 있다.
자율학습 QA 엔진은, 자연어를 기초로 지식을 학습하고, 지식과 지능이 진화하는 소프트웨어를 의미한다. 일 예로, 미래창조과학부 주도로 개발된 엑소브레인(Exobrain), IBM사의 왓슨, 구글사의 알파고, MS사의 테이 등이 이에 해당할 수 있다.
MRC는 딥러닝 알고리즘을 기반으로 기기가 학습한 뒤 질의응답 형태의 대화가 가능하도록 한 것을 의미한다.
답변 생성부(140)는 QA 엔진 간 우선순위를 고려하여, 질문에 대한 답변을 생성할 수 있다. 도 2에 도시된 예에서는, 번호로 QA 엔진 간 우선순위를 표기하였다. 일 예로, 답변 생성부(140)는, 우선 순위가 높은 QA 엔진을 이용하여 질문에 대한 답변을 생성하되, 상기 QA 엔진을 통해 답변을 생성할 수 없는 경우, 차순위 QA 엔진을 이용하여 질문에 대한 답변을 생성할 수 있다. 일 예로, 제1 답변 생성부(141)에 질문이 배정된 경우, 제1 답변 생성부(141)는, 우선 순위가 가장 높은, 질문 매칭 기반 QA 엔진을 기초로 질문에 대한 답변을 생성할 수 있는지 판단할 수 있다. 질문 매칭 기반 QA 엔진을 기초로, 답변 생성이 가능한 경우, 생성된 답변을 출력할 수 있다. 반면, 질문 매칭 기반 QA 엔진을 기초로, 답변 생성이 불가능한 경우, 질문 검색 기반 QA 엔진을 기초로, 질문에 대한 답변을 생성할 수 있는지 판단할 수 있다.
또는, 답변 생성부(140)는, 복수 QA 엔진 각각을 통해 질문에 대한 답변 생성을 시도하고, 복수의 답변이 생성된 경우, QA 엔진 간 우선순위에 기초하여, 복수의 답변 중 어느 하나를 우선하여 출력할 수 있다. 일 예로, 제2 답변 생성부(142)에 질문이 배정된 경우, 제2 답변 생성부(142)는, 전문영역 QA 엔진 및 위키피디아 기반 QA 엔진을 기초로, 답변 생성을 시도할 수 있다. 만약, 전문영역 QA 엔진을 통해 제1 답변이 생성되고, 위키피디아 기반 QA 엔진을 통해 제2 답변이 생성되었다면, 답변 생성부(140)는 위키피디아 기반 QA 엔진에 비해 높은 우선 순위를 갖는 전문영역 QA 엔진을 통해 생성된 제1 답변을 출력할 수 있다.
답변 생성부(140) 간에도 우선순위가 설정될 수 있다. 일 예로, 제1 답변 생성부(141)는, 제2 답변 생성부(142)에 비해 높은 우선순위를 갖고, 제2 답변 생성부(142)는, 제3 답변 생성부(143)에 비해 높은 우선순위를 가질 수 있다. 복수 답변 생성부(140)를 통해 질문에 대한 복수의 답변이 출력된 경우, 답변 출력부는, 복수 답변 중 우선 순위가 높은 답변 생성부(140)를 통해 생성된 답변을 기초로, 답변을 출력할 수 있다. 일 예로, 특정 질문에 대해 제1 답변 생성부(141)에서 제1 답변이 생성되고, 제2 답변 생성부(142)를 통해 제2 답변이 생성되고, 제3 답변 생성부(143)에서 제3 답변이 생성되었다면, 답변 출력부(150)는, 우선 순위가 가장 높은 제1 답변 생성부(141)에서 생성된 제1 답변을 기초로 답변을 출력할 수 있다.
도 2에 도시된 답변 생성부(140)의 구성 및 동작은 본 발명이 적용될 수 있는 일 예를 나타난 것에 불과하고, 본 발명을 한정하는 것은 아니다. 도 2에 도시된 것 보다 더 많은 수의 답변 생성부(140)가 존재할 수도 있고, 이보다 더 적은 수의 답변 생성부(140)가 존재할 수도 있다. 또한, 각 답변 생성부(140)가 이용하는 QA 엔진은 도 2에 도시된 것과 다를 수도 있다. 일 예로, 답변 생성부(140)는, 적어도 하나 이상의 QA 엔진에 동작하여 동작할 수 있으나, 답변 생성부(140)의 동작 기반이 되는 QA 엔진이 도 2에 도시된 예에 한정되는 것은 아니다.
답변 출력부(150)는, 답변 생성부(140)를 통해 생성된 답변에 대응하는 자연어를 생성하고, 이에 대한 음성 합성(TTS, Text to Speech)을 수행할 수 있다.
도 3은 본 발명에 따른, 질문 분석 및 질문 배분 과정을 나타낸 흐름도이다. 도 3에서는, 질문 분석 및 질문 배분 과정을 일련의 순서로 설명하나, 도시된 일련의 순서와 상이한 순서로 질문 분석 및 질문 배분이 수행될 수 있다.
도 3을 참조하면, 먼저, 질문 분석부(120)는, 자연어 처리된 질문에 대해 워드 임베딩을 수행할 수 있다(S310). 워드 임베딩은, 질문에 포함된 단어 자체가 갖는 의미를, 다차원 공간에서 벡터로 표현하는 것을 의미한다.
DNN 분류부(122)는, 워드 임베딩 결과를 기초로, 입력된 질문의 유형을 판단할 수 있다(S320). 질문 유형은, 도메인 분류, 질문 정답 유형 분류, 담화 유형 분석 또는 정서 분석 중 적어도 하나에 기초하여 결정될 수 있다.
도메인 분류는, 입력된 질문을 사전에 정의되어 있던 도메인 중 어느 하나로 분류하는 것을 의미한다. 여기서, 도메인 분류는, 질문의 형태 또는 질문의 내용 중 적어도 하나에 기초하여 수행될 수 있다. 질문의 형태는, 질문이 '예/아니오'의 답변을 요구하는 것인지(Yes or No Question), 단답형 질문인지(short answer question), 복수의 후보 중 어느 하나의 선택을 요구하는 질문인지(Choose Question), 질문이 '왜/어떻게'에 대한 답변을 요구하는 것인지(Why/How Question) 등을 의미할 수 있다. 질문의 내용은, 스포츠, 역사, 연예, 건강 등 다양한 대화 주제를 의미할 수 있다.
질문 정답 유형 분류는 질문에 대한 정답 유형을 결정하는 것을 의미한다. 여기서, 정답 유형은, '도시', '높이', '인명', '시간', '날씨' 등 정답과 관련한 주제를 나타낼 수 있다. 일 예로, "A가 태어난 도시는?" 이라는 질문에 대한 정답 유형은 '도시'로 결정되고, "백두산의 높이는?"이라는 질문에 대한 정답 유형은 '높이'로 결정되며, "우리나라 최초의 대통령은 누구인가?"라는 질문에 대한 정답 유형은 '사람'으로 결정될 수 있다.
담화 유형 분석은, 입력된 질문의 유형을 판단하는 것을 의미한다. 담화 유형 분석을 통해, 예/아니오 질문, 단답형 질문, 선택형 질문, 왜/어떻게 질문 등의 질문 형태 또는 불평, 상담, 질의 등의 질문 의도 중 적어도 하나를 인지할 수 있다.
정서 분석은, 사용자 음성의 억양, 피치, 크기, 질문 내용, 어미 또는 문장 부호 등에 기초하여, 질문에 대한 정서를 분석하는 것을 의미한다. 일 예로, 정서 분석을 통해, 불만, 보통, 만족 등의 상태를 인지할 수 있다.
DNN 분류부(122)는, 도메인 분류 결과, 질문 정답 유형 분류 결과, 담화 유형 분석 결과 및 감정 분석 결과 중 적어도 하나에 기초하여, 질문의 유형을 나타내는 정보(이하, '질문 유형 정보'라 함)를 출력할 수 있다. 이때, 질문 유형 정보는, 질문이 사전에 정의된 질문 유형에 해당하지 않음을 나타내는 정보 또는 질문 유형을 결정할 수 없음을 나타내는 정보 등을 포함할 수도 있다.
이후, 특징 추출부(124)를 통해, 질문의 특징이 추출될 수 있다(S330). 여기서, 질문의 특징은, 시간, 공간, 위치(예컨대, 지명) 또는 개체명(예컨대, 인명, 단체명, 기관명, 단위 등)등을 포함할 수 있다. 특징 추출부(124)는, 질문에 포함된 시간, 공간, 위치 또는 개체명 등을 질문의 특징 정보(이하, 질문 특징 정보'라 함)로 추출할 수 있다. 이때, 질문 특징 정보는, 질문에 특징이 포함되어 있지 않음을 나타내는 정보 또는 질문의 특징을 추출하는데 실패했음을 나타내는 정보 등을 포함할 수도 있다.
질문 배분부(130)는, 질문 유형 정보 및 질문 특징 정보 중 적어도 하나에 기초하여, 입력된 질문에 적합한 답변 생성부(140)를 결정하고(S340), 결정된 답변 생성부(140)로 질문을 배분할 수 있다(S350). 이때, 답변 생성부(140)의 결정은, 질문 유형 정보, 질문 특징 정보 및 답변 생성부(140) 사이의 매핑 관계를 정의한 룩업 테이블에 기초하여 수행될 수 있다. 일 예로, 하기 표 1은, 질문 특징 정보 및 답변 생성부(140) 사이의 매핑 관계를 예시한 도표이다.
질문 특징 답변 생성부
X1 제1 답변 생성부
X2
X3 제2 답변 생성부
X4
X5 제3 답변 생성부
X6
일 예로, 질문 배분부(130)는, 질문에 X1 또는 X2의 특징이 포함된 경우, 제1 답변 생성부(141)로 질문을 배분하고, 질문에 X2 또는 X3의 특징이 포함된 경우, 제2 답변 생성부(142)로 질문을 배분할 수 있다. 또한, 질문에 X5 또는 X6의 특징이 포함된 경우, 질문 배분부(130)는 제3 답변 생성부(143)로 질문을 배분할 수 있다. 표 1에 나타나 있지는 않지만, 하나의 질문 유형 정보 또는 질문 특징 정보에 복수의 답변 생성부(140)를 매핑하는 것도 가능하다.
질문 배분부(130)는, 둘 이상의 답변 생성부(140)에 질문을 배분할 수도 있다. 일 예로, 질문에 특징 X1 및 X3가 포함되어 있다면, 질문 배분부(130)는, X1 특징에 매핑되는 제1 답변 생성부(141) 및 X3 특징에 매핑되는 제2 답변 생성부(142)에 질문을 배분할 수 있다. 이때, 제1 답변 생성부(141)를 통해 제1 답변이 생성되고, 제2 답변 생성부(142)를 통해 제2 답변이 생성되었다면, 답변 출력부(150)는, 제1 답변 생성부(141) 및 제2 답변 생성부(142)의 우선 순위에 기초하여, 출력할 답변을 선택할 수 있다. 일 예로, 제1 답변 생성부(141)가 제2 답변 생성부(142)보다 높은 우선순위를 갖는다면, 답변 출력부(150)는 제1 답변을 이용하여 답변을 출력할 수 있다. 질문에 대한 답변 출력 시간을 단축시키기 위해, 답변 출력부(150)는, 가장 빨리 출력되는 답변을 선택할 수도 있다. 일 예로, 제1 답변 생성부(141) 및 제2 답변 생성부(142)에 질문에 배분되었다면, 답변 출력부(150)는, 제1 답변 생성부(141)가 생성한 제1 답변 및 제2 답변 생성부(142)가 생성한 제2 답변 중 가장 최초 출력된 답변을 선택하여 출력할 수 있다.
또는, 질문 배분부(130)는, 둘 이상의 답변 생성부(140)에 순차적으로 질문을 배분할 수도 있다. 일 예로, 질문 배분부(130)는, 제1 답변 생성부(141)에 우선적으로 질분을 배분한 뒤, 제1 답변 생성부(141)에서 질문에 대한 답변을 생성할 수 없는 경우, 차후 제2 답변 생성부(142)로 질문을 배분할 수도 있다.
질문에 적합한 답변 생성부(140)를 나타내는 질문 배분 정보는, 답변 출력부(150)의 답변 선택 판단 기초로 이용될 수도 있다. 일 예로, 질문 배분부(130)는, 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 기초로, 질문에 대한 추천 답변 생성부(140)를 나타내는 질문 배분 정보를 출력할 수 있다. 아울러, 질문 배분부(130)는, 추천 답변 생성부(140)를 포함한 복수의 답변 생성부(140)에 질문을 배분할 수 있다. 복수의 답변 생성부(140)를 통해 복수의 답변이 생성되면, 답변 출력부(150)는, 질문 배분 정보를 기초로, 질문에 대한 답변을 선택할 수 있다. 일 예로, 질문 배분 정보가 제1 답변 생성부(141)를 나타내고, 제1 답변 생성부(141)를 통해 제1 답변, 제2 답변 생성부(142)를 통해 제2 답변이 생성된 상태라 가정한다. 이 경우, 답변 출력부(150)는, 질문 배분 정보가 가리키는 제1 답변 생성부(141)를 통해 생성된 제1 답변을 선택할 수 있다. 만약, 질문 배분 정보가 가리키는 답변 생성부(140)를 통해 답변이 생성되지 않았다면, 답변 출력부(150)는, 답변 생성부간 우선 순위에 기초하여, 출력해야 할 답변을 선택할 수 있다.
질문 배분부(130)는, 질문 분석 결과와 함께, 사용자 프로파일 정보 또는 이전 대화 기록 중 적어도 하나를 참조하여, 질문에 적합한 답변 생성부(140)를 결정할 수 있다. 예컨대, 질문 유형 정보가 질문의 유형을 결정할 수 없음을 나타내거나, 질문 특징 정보가 질문의 특징을 추출하는데 실패했음을 나타내는 경우, 질문 배분부(130)는, 사용자 프로파일 정보 또는 이전 대화 기록 중 적어도 하나를 참조하여, 질문에 적합한 답변 생성부(140)를 결정할 수 있다. 여기서, 사용자 프로파일 정보는, 질문을 입력한 사용자의 연령, 성별, 주소 또는 국적 등을 포함할 수 있다. 또한, 이전 대화 기록은, 과거 사용자가 입력한 적어도 하나 이상의 질문을 포함할 수 있다.
일 예로, 사용자의 연령 또는 지역에 따라, 동일한 단어도 다른 뜻을 갖는 경우가 존재할 수 있고, 사용자의 연령, 지역 또는 국적에 따라, 음성의 억양, 피치 또는 크기 등에 기초한 감정 분석 결과에 대한 평가가 달라질 수 있다. 이에 따라, 질문 분석부(120)는, 사용자 프로필 정보에 기초하여, 질문 유형 정보 또는 질문 특징 정보를 재평가하고, 재평가된 질문 유형 정보 또는 질문 특징 정보에 기초하여, 질문에 적합한 답변 생성부(140)를 결정할 수 있다.
일 예로, 질문 배분부(130)는, 과거 질문의 질문 유형 또는 특징 정보에 기초하여, 현재 질문에 적합한 답변 생성부(140)를 결정할 수 있다. 예컨대, 가장 최근의 질문이 '서울의 날씨는 어때?' 라는 질문이고, 현재 질문이 '대전은?' 이라는 질문이라면, 현재 질문은 이전 질문과 같이 '날씨'를 묻는 것으로 이해될 수 있다. 이에 따라, 질문 배분부(130)는, 이전 질문의 질문 유형 정보('how question') 또는 이전 질문의 질문 특징 정보('날씨')를 이용하여, 현재 질문에 적합한 답변 생성부(140)를 결정할 수 있다. 다만, 현재 입력된 질문이, 과거 입력된 질문에 비해 소정 시간이 경과한 이후, 현재 질문이 입력되었다면, 과거 입력된 질문과, 현재 입력된 질문 사이 연관성이 있다고 보기 힘들다. 이에 따라, 질문 배분부(130)는, 과거 입력된 질문 중 현재 시점 대비 소정 시간이 경과하기 전 질문의 질문 유형 정보 또는 질문 특징 정보를 이용하여, 현재 질문에 적합한 답변 생성부(140)를 결정할 수 있다. 또한, 질문 배분부(130)는, 과거 입력된 복수의 질문을 이용하여, 현재 질문에 적합한 답변 생성부(140)를 결정할 수도 있다.
질문 유형 정보 또는 질문 특징 정보를 출력할 수 없는 경우 또는 질문의 유형 또는 질문의 특징을 명확히 결정할 수 없는 경우, 질문 배분부(130)는 답변 생성부(140) 간의 우선 순위에 따라, 질문을 배분할 수 있다. 일 예로, 제1 답변 생성부(140)가 제2 답변 생성부(140)에 비해 높은 우선 순위를 갖고, 제2 답변 생성부(140)가 제3 답변 생성부(140)에 비해 높은 우선 순위를 갖는다면, 질문 배분부(130)는, 우선 제1 답변 생성부(140)에 질문을 배분할 수 있다. 만약, 제N 답변 생성부(140)가 질문에 대한 답변을 생성하는데 실패한 경우라면, 질문 배분부(130)는 제N 답변 생성부(140)의 차순위인 제N+1 답변 생성부(140)에 질문을 배분할 수 있다.
또는, 질문 생성부는, 복수의 답변 생성부(140)에 질문을 할당할 수도 있다. 이 경우, 답변 출력부(150)는, 답변 생성부(140) 간 우선 순위에 기초하여 출력할 답변을 결정할 수 있다. 일 예로, 제1 답변 생성부(140)를 통해 제1 답변이 생성되고, 제2 답변 생성부(140)를 통해 제2 답변이 생성되었다면, 답변 생성부(140)는, 제2 답변 생성부(140)보다 높은 우선 순위를 갖는 제1 답변 생성부(140)를 통해 생성된 제1 답변을 선택할 수 있다.
질문에 대한 답변 출력 시간을 단축시키기 위해, 답변 생성부(140)는, 가장 빨리 출력되는 답변을 선택할 수도 있다. 일 예로, 제1 답변 생성부(140) 내지 제3 답변 생성부(140) 중 어느 하나에서 답변이 생성되어 출력되었다면, 답변 출력부(150)는, 가장 최초 출력된 답변을 선택하여 출력할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
110 : 질문 입력부
120 : 질문 분석부
130 : 질문 배분부
140 : 답변 생성부
150 : 답변 출력부

Claims (14)

  1. 현재 질문에 관한 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 생성하는 질문 분석부; 및
    상기 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나에 기초하여, 복수의 답변 생성부 중 상기 현재 질문에 적합한 답변 생성부를 결정하고, 상기 결정된 답변 생성부 포함 적어도 하나 이상의 답변 생성부에 상기 현재 질문을 배분하는 질문 배분부를 포함하는, 질문 배분 장치.
  2. 제1 항에 있어서,
    상기 답변 생성부는, 복수의 QA (Question and Answer) 엔진에 기초하여 작동하고,
    상기 복수의 QA 엔진 사이의 우선 순위에 기초하여, 상기 현재 질문에 대한 답변을 생성할 QA 엔진이 결정되는 것을 특징으로 하는, 질문 배분 장치.
  3. 제2 항에 있어서,
    상기 답변 생성부는, 우선 순위가 N번째인 QA 엔진을 통해 상기 현재 질문에 대한 답변을 생성하지 못한 경우, 우선 순위가 N+1번?인 QA 엔진을 통해 상기 현재 질문에 대한 답변을 생성하는 것을 특징으로 하는, 질문 배분 장치.
  4. 제1 항에 있어서,
    상기 질문 배분 장치는, 답변 생성부를 통해 생성된 답변을 출력하는 답변 출력부를 더 포함하고,
    상기 답변 출력부는, 상기 현재 질문에 대해 복수의 답변이 생성된 경우 상기 복수의 답변 생성부 사이의 우선 순위에 기초하여, 상기 복수의 답변 중 출력될 답변을 선택하는 것을 특징으로 하는, 질문 배분 장치.
  5. 제1 항에 있어서,
    상기 질문 유형 정보는, 상기 현재 질문이 속한 도메인, 상기 현재 질문에 대한 답변 유형, 상기 현재 질문의 담화 유형 또는 상기 현재 질문의 정서 중 적어도 하나에 대한 정보를 포함하는 것을 특징으로 하는, 질문 배분 장치.
  6. 제1 항에 있어서,
    상기 질문 특징 정보는, 상기 현재 질문에 포함된, 시간, 공간, 위치 또는 개체명 중 적어도 하나를 기초로 생성되는 것을 특징으로 하는, 질문 배분 장치.
  7. 제1 항에 있어서,
    상기 질문 배분부는, 사용자 프로파일 정보 또는 이전 대화 기록 데이터 중 적어도 하나를 더 고려하여, 상기 답변 생성부를 결정하는 것을 특징으로 하는, 질문 배분 장치.
  8. 제7 항에 있어서,
    상기 이전 대화 기록 데이터는, 상기 현재 질문보다 과거에 입력된 질문을 포함하고, 상기 질문 배분부는, 상기 과거 질문의 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 참조하여, 상기 현재 질문에 적합한 답변 생성부를 결정하는 것을 특징으로 하는, 질문 배분 장치.
  9. 현재 질문에 관한 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 생성하는 단계;
    상기 질문 유형 정보 또는 상기 질문 정보 중 적어도 하나에 기초하여, 복수의 답변 생성부 중 상기 현재 질문에 대한 답변을 생성하기에 적합한 답변 생성부를 결정하는 단계; 및
    상기 결정된 답변 생성부 포함 적어도 하나 이상의 답변 생성부에 상기 현재 질문을 배분하는 단계를 포함하는 질문 배분 방법.
  10. 제9 항에 있어서,
    상기 답변 생성부는, 복수의 QA (Question and Answer) 엔진에 기초하여 작동하고,
    상기 복수의 QA 엔진 사이의 우선 순위에 기초하여, 상기 현재 질문에 대한 답변을 생성할 QA 엔진이 결정되는 것을 특징으로 하는, 질문 배분 방법.
  11. 제10 항에 있어서,
    상기 답변 생성부는, 우선 순위가 N번째인 QA 엔진을 통해 상기 현재 질문에 대한 답변을 생성하지 못한 경우, 우선 순위가 N+1번?인 QA 엔진을 통해 상기 현재 질문에 대한 답변을 생성하는 것을 특징으로 하는, 질문 배분 방법.
  12. 제9 항에 있어서,
    상기 적어도 하나 이상의 답변 생성부를 통해 생성된 답변을 출력하는 단계를 더 포함하되,
    상기 현재 질문에 대해 복수의 답변이 생성된 경우, 상기 복수의 답변 생성부 사이의 우선 순위에 기초하여, 상기 출력될 답변이 선택되는 것을 특징으로 하는, 질문 배분 방법.
  13. 제1 항에 있어서,
    상기 답변 생성부를 결정하는 단계는, 사용자 프로파일 정보 또는 이전 대화 기록 데이터 중 적어도 하나를 더 고려하여, 수행되는 것을 특징으로 하는, 질문 배분 방법.
  14. 제13 항에 있어서,
    상기 이전 대화 기록 데이터는, 상기 현재 질문보다 과거에 입력된 질문을 포함하고, 상기 답변 생성부를 결정하는 단계는, 상기 과거 질문의 질문 유형 정보 또는 질문 특징 정보 중 적어도 하나를 참조하여, 상기 현재 질문에 적합한 답변 생성부를 결정하는 것을 특징으로 하는, 질문 배분 방법.
KR1020170088370A 2017-07-12 2017-07-12 질문 배분 장치 및 질문 배분 방법 KR20190007213A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170088370A KR20190007213A (ko) 2017-07-12 2017-07-12 질문 배분 장치 및 질문 배분 방법
US16/034,327 US20190019078A1 (en) 2017-07-12 2018-07-12 Apparatus and method for distributing a question

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170088370A KR20190007213A (ko) 2017-07-12 2017-07-12 질문 배분 장치 및 질문 배분 방법

Publications (1)

Publication Number Publication Date
KR20190007213A true KR20190007213A (ko) 2019-01-22

Family

ID=65000184

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170088370A KR20190007213A (ko) 2017-07-12 2017-07-12 질문 배분 장치 및 질문 배분 방법

Country Status (2)

Country Link
US (1) US20190019078A1 (ko)
KR (1) KR20190007213A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220042941A (ko) * 2020-09-28 2022-04-05 주식회사 마인즈랩 의도 분류기 생성 인터페이스 제공 방법 및 컴퓨터 프로그램
KR20230046659A (ko) * 2021-09-30 2023-04-06 (주)듣는교과서 또래 학습 추천 방법 및 장치

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020010A (zh) * 2017-10-10 2019-07-16 阿里巴巴集团控股有限公司 数据处理方法、装置及电子设备
KR20200109467A (ko) * 2019-03-13 2020-09-23 삼성전자주식회사 전자 장치 및 그 제어 방법
CN110688491B (zh) * 2019-09-25 2022-05-10 暨南大学 基于深度学习的机器阅读理解方法、系统、设备及介质
US11531818B2 (en) * 2019-11-15 2022-12-20 42 Maru Inc. Device and method for machine reading comprehension question and answer
EP3926551A1 (de) * 2020-06-15 2021-12-22 Deutsche Telekom AG Verfahren zur unterstützung des verbesserten betriebs eines über ein telekommunikationsnetz einem telekommunikationsendgerät bereitgestellten frage-und-antwort-dienst, system, telekommunikationsnetz frage-und-antwort-dienst, computerprogramm und computerlesbares medium
CN112541052B (zh) * 2020-12-01 2023-11-03 北京百度网讯科技有限公司 确定问题的答案的方法、装置、设备及存储介质
CN112328777B (zh) * 2021-01-05 2021-04-23 北京金山数字娱乐科技有限公司 一种答案检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220042941A (ko) * 2020-09-28 2022-04-05 주식회사 마인즈랩 의도 분류기 생성 인터페이스 제공 방법 및 컴퓨터 프로그램
KR20230046659A (ko) * 2021-09-30 2023-04-06 (주)듣는교과서 또래 학습 추천 방법 및 장치

Also Published As

Publication number Publication date
US20190019078A1 (en) 2019-01-17

Similar Documents

Publication Publication Date Title
KR20190007213A (ko) 질문 배분 장치 및 질문 배분 방법
JP6980074B2 (ja) メッセージ分類に基づくメッセージ交換スレッドの自動的拡張
US10607188B2 (en) Systems and methods for assessing structured interview responses
US10061855B2 (en) User-specific pronunciations in a social networking system
CN110516791B (zh) 一种基于多重注意力的视觉问答方法及系统
CN106503236A (zh) 基于人工智能的问题分类方法以及装置
US20200183928A1 (en) System and Method for Rule-Based Conversational User Interface
An et al. Lexical and Acoustic Deep Learning Model for Personality Recognition.
Vijayakumar et al. AI based student bot for academic information system using machine learning
Santana et al. A Chatbot to Support Basic Students Questions.
Pandey et al. Interview bot with automatic question generation and answer evaluation
US20220138410A1 (en) Document auto-completion
Breuing et al. LET’S TALK TOPICALLY WITH ARTIFICIAL AGENTS!-Providing Agents with Humanlike Topic Awareness in Everyday Dialog Situations
El Azhari et al. An evolutive knowledge base for “AskBot” toward inclusive and smart learning-based NLP techniques
US20170011309A1 (en) System and method for layered, vector cluster pattern with trim
US20220084506A1 (en) Spoken sentence generation model learning device, spoken sentence collecting device, spoken sentence generation model learning method, spoken sentence collection method, and program
Nenciu et al. RASA Conversational Agent in Romanian for Predefined Microworlds.
Khullar et al. Early Results from Automating Voice-based Question-Answering Services Among Low-income Populations in India
US20220269947A1 (en) System and method for media selection based on class extraction from text
JP2019194759A (ja) 対話システム補強装置及びコンピュータプログラム
US20240015371A1 (en) Systems and methods for generating a video summary of a virtual event
Perdana et al. Knowledge-Enriched Domain Specific Chatbot on Low-resource Language
JP2023181684A (ja) 応対フロー作成支援装置、及び応対フロー作成支援方法
Zaid et al. Jewelry Shop Conversational Chatbot
Maalouly et al. Response Probability Distribution Acquisition for Autonomous Dialogue Generation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application