KR20200094853A - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20200094853A
KR20200094853A KR1020190009833A KR20190009833A KR20200094853A KR 20200094853 A KR20200094853 A KR 20200094853A KR 1020190009833 A KR1020190009833 A KR 1020190009833A KR 20190009833 A KR20190009833 A KR 20190009833A KR 20200094853 A KR20200094853 A KR 20200094853A
Authority
KR
South Korea
Prior art keywords
response
databases
query
data
electronic device
Prior art date
Application number
KR1020190009833A
Other languages
English (en)
Inventor
이재훈
이윤수
황태호
강승수
강지영
곽세진
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190009833A priority Critical patent/KR20200094853A/ko
Priority to EP20152977.3A priority patent/EP3686753A1/en
Priority to PCT/KR2020/001019 priority patent/WO2020153715A1/en
Priority to US16/750,662 priority patent/US11328719B2/en
Publication of KR20200094853A publication Critical patent/KR20200094853A/ko

Links

Images

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/243—Natural language query formulation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • G06F16/2228—Indexing structures
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2452—Query translation
    • G06F16/24522—Translation of natural language queries to structured queries
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2452—Query translation
    • G06F16/24526—Internal representations for queries
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • 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
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using 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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90332—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L2015/088—Word spotting
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

전자 장치 및 이의 제어 방법이 제공된다. 본 전자 장치는 마이크, 적어도 하나의 인스트럭션(instruction)을 포함하는 메모리, 적어도 하나의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 마이크를 통해 사용자 질의가 입력되면, 사용자 질의에 대한 음성 인식을 수행하여 사용자 질의에 대한 텍스트를 획득하고, 획득된 텍스트 및 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 복수의 데이터베이스로부터 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성하고, 복수의 데이터베이스 각각으로부터 복수의 쿼리 각각에 대응되는 응답 데이터를 획득하고, 복수의 데이터베이스 각각으로부터 획득된 응답 데이터를 바탕으로 사용자 질의에 대한 응답을 생성하여 출력할 수 있다.

Description

전자 장치 및 이의 제어 방법{Electronic device and Method for controlling the electronic device thereof}
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로서, 더욱 상세하게는 복수의 데이터베이스로부터 사용자 질의에 대한 응답 데이터를 획득하여 사용자 질의에 대한 응답을 제공할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.
근래에는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습시키고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습시키는 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. 특히, 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다.
한편, 근래에는 사용자 질의에 대한 응답을 제공하는 대화형 서비스가 제공되고 있다. 이러한 대화형 서비스는 사용자 질의에 대한 응답을 제공할 수 있는 데이터를 저장하는 데이터베이스로부터 응답 데이터를 수신하여 응답을 제공하고 있다.
이때, 종래에는 사용자 질의에 대한 응답을 제공하기 위한 데이터베이스들이 다양하게 존재한다. 이러한 데이터베이스들은 데이터를 저장하고 관리하는 방식이 상이하다. 따라서, 복수의 데이터베이스를 통해 사용자 질의에 대한 응답을 제공하기 위해서는 복수의 데이터베이스를 통합하는 별도의 데이터베이스를 생성하거나, 복수의 데이터베이스의 데이터를 저장하고 관리하는 방식을 통합하거나, 사용자 질의 양식에 대한 규약이 맺어져야 하는 한계가 존재하였다.
또한, 전자 장치가 사용자 음성에 대한 동작을 수행하기 위해서, 사용자 음성 명령에 맵핑되는 의도(intent)와 파라미터(또는, 슬롯, 엔티티)를 개발자가 미리 기술해야만 한다. 즉, 샘플 질의에 대한 사전 정의가 필요하다. 그러나, 이러한 방법은 다양한 제조사의 장치를 제어하는데에 어려움이 있을뿐더러 새로운 데이터 타입에 대해 유기적으로 연동이 어려운 문제가 있다.
본 개시의 목적은 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 복수의 데이터베이스로부터 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.
또한, 본 개시의 다른 목적은 이종의 장치 또는 어플리케이션에 저장되어 있는 데이터베이스를 관계 그래프로 관리하여, 관리 그래프 기반 음성 명령 처리를 위한 샘플 질의 및 샘플 응답을 생성하는 방법을 제공함에 있다.
본 개시의 일 실시예에 따른, 전자 장치는, 마이크; 적어도 하나의 인스트럭션(instruction)을 포함하는 메모리; 상기 적어도 하나의 인스트럭션을 실행하는 프로세서;를 포함하고, 상기 프로세서는, 상기 마이크를 통해 사용자 질의가 입력되면, 상기 사용자 질의에 대한 음성 인식을 수행하여 상기 사용자 질의에 대한 텍스트를 획득하고, 상기 획득된 텍스트 및 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 상기 복수의 데이터베이스로부터 상기 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성하고, 상기 복수의 데이터베이스 각각으로부터 상기 복수의 쿼리 각각에 대응되는 응답 데이터를 획득하고, 상기 복수의 데이터베이스 각각으로부터 획득된 상기 응답 데이터를 바탕으로 상기 사용자 질의에 대한 응답을 생성하여 출력할 수 있다.
한편, 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은, 마이크를 통해 사용자 질의가 입력되면, 상기 사용자 질의에 대한 음성 인식을 수행하여 상기 사용자 질의에 대한 텍스트를 획득하는 단계; 상기 획득된 텍스트 및 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 상기 복수의 데이터베이스로부터 상기 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성하는 단계; 상기 복수의 데이터베이스 각각으로부터 상기 복수의 쿼리 각각에 대응되는 응답 데이터를 획득하는 단계; 및 상기 복수의 데이터베이스 각각으로부터 획득된 상기 응답 데이터를 바탕으로 상기 사용자 질의에 대한 응답을 생성하여 출력하는 단계;를 포함한다.
상술한 바와 같이, 복수의 데이터베이스들에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 사용자 질의에 대한 응답을 제공함으로써, 별도의 데이터베이스 통합 과정없이도 사용자에게 더욱 정확한 응답을 제공할 수 있게 된다. 또한, 전자 장치는 이종 데이터베이스 간의 유기적인 연계를 통해 사용자 질의에 대한 더욱 정확한 응답을 제공할 수 있게 된다.
도 1은 본 개시의 일 실시예에 따른, 사용자 질의에 대한 응답을 제공하는 시스템을 도시한 도면,
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 3은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 4a는 본 개시의 일 실시예에 따른, 전자 장치가 지식 그래프 및 샘플 질의/응답을 생성하기 위한 구성을 설명하기 위한 블록도,
도 4b는 본 개시의 일 실시예에 따른, 전자 장치가 지식 그래프를 이용하여 사용자 질의에 대한 응답을 제공하는 구성을 설명하기 위한 블록도,
도 5는 본 개시의 일 실시예에 따른, 복수의 데이터베이스의 데이터 필드 및 데이터 필드에 포함된 데이터를 도시한 도면,
도 6은 본 개시의 일 실시예에 따른, 복수의 데이터베이스의 데이터 필드를 바탕으로 복수의 노드를 추출하는 방법을 설명하기 위한 도면,
도 7은 본 개시의 일 실시예에 따른, 상위 노드 및 하위 노드를 바탕으로 지식 그래프를 생성하는 방법을 설명하기 위한 도면,
도 8a는 본 개시의 일 실시예에 따른, 제품 상위 노드에 대한 지식 그래프를 도시한 도면,
도 8b는 본 개시의 일 실시예에 따른, 국가 상위 노드에 대한 지식 그래프를 도시한 도면,
도 9는 본 개시의 일 실시예에 따른, 사용자 질의에 따라 생성된 복수의 쿼리를 도시한 도면,
도 10은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명한 도면, 그리고,
도 11은 본 개시의 다른 실시예에 따른, 외부 서버를 이용하여 사용자 질의에 대한 응답을 제공받는 시스템을 도시한 도면이다.
이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
본 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
이하에서는 도 1을 참조하여 본 개시의 일 실시예에 따른, 사용자 질의에 대한 응답을 제공하는 시스템을 도시한 도면이다. 도 1에 도시된 바와 같이, 시스템(은 전자 장치(100) 및 제1 내지 제n 데이터베이스(200-1,200-2,..,200-n)을 포함할 수 있다. 한편, 도 1에서 설명하는 복수의 데이터베이스(200-1,200-2,..,200-n)는 데이터를 저장하는 장치로서, 전자 장치(100) 외부에 적어도 하나의 장치로 구현될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100) 내부에 포함될 수 있다. 전자 장치(100) 내부에 구비되는 경우, 프로그램 또는 어플리케이션에 따라 데이터베이스가 구분될 수 있다. 예로, 제1 어플리케이션에 대한 데이터를 저장하는 영역을 제1 데이터베이스, 제2 어플리케이션에 대한 데이터를 저장하는 영역을 제2 데이터베이스로 명명할 수 있다.
특히, 전자 장치(100)는 사용자 질의를 수신하기 전에 복수의 데이터베이스(200-1,200-2,..,200-n)에 저장된 데이터들의 관계를 나타내는 관계 그래프를 생성하여 저장할 수 있다. 이때, 관계 그래프는 데이터들의 관계를 복수의 노드의 연결 관계로 표현하는 그래프일 수 있다.
구체적으로, 전자 장치(100)는 복수의 데이터베이스들(200-1,200-2,..,200-n)에 저장된 데이터 필드를 분석하여 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 획득할 수 있다. 이때, 전자 장치(100)는 복수의 데이터베이스들(200-1,200-2,..,200-n)에 포함된 데이터 필드의 이름, 데이터 필드에 포함된 데이터의 이름 및 데이터의 분포 중 적어도 하나를 분석하여 복수의 데이터베이스들(200-1,200-2,..,200-n) 간에 유사한 데이터 필드를 판단할 수 있다. 그리고, 전자 장치(100)는 판단된 유사한 데이터 필드들의 상위 개념을 판단하고, 판단된 상위 개념을 상위 노드로 지정하고, 유사한 데이터 필드들을 상위 노드의 하위 노드로 지정하여 관계 그래프를 획득할 수 있다. 예로, 전자 장치(100)는 건강과 관련된 복수의 데이터베이스들에 대한 상위 노드로 "사용자", "기간", "운동 유형", "운동량"를 지정하고, 각각의 상위 노드에 대응되는 하위 노드를 지정하여 건강과 관련된 복수의 데이터베이드들에 대한 관계 그래프를 생성할 수 있다.
또한, 전자 장치(100)는 관계 그래프를 바탕으로 샘플 질의 및 샘플 응답을 생성할 수 있다. 구체적으로, 전자 장치(100)는 관계 그래프의 상위 노드를 바탕으로 샘플 질의 및 샘플 응답을 구성하는 요소를 판단할 수 있으며, 판단된 요소를 바탕으로 샘플 질의 및 샘플 응답을 구성할 수 있다. 예로, 전자 장치는 건강과 관련된 샘플 질의로서 "사용자", "기간", "운동 유형", "운동량" 중 적어도 하나의 질의 요소를 포함하는 샘플 질의를 생성할 수 있으며, "사용자", "기간", "운동 유형", "운동량" 중 적어도 하나의 응답 요소에 대한 정보가 포함된 샘플 응답을 생성할 수 있다. 전자 장치(100)는 관계 그래프, 샘플 질의 및 샘플 응답에 대한 정보를 저장할 수 있다.
전자 장치(100)는 마이크를 통해 사용자 질의를 입력받을 수 있다. 이때, 전자 장치(100)는 전자 장치(100) 내부에 존재하는 마이크를 통해 사용자 질의를 입력받을 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)와 전기적으로 연결된 마이크를 통해 사용자 질의를 입력받을 수 있다. 한편, 상술한 실시예에서는, 전자 장치(100)가 마이크를 통해 사용자 질의를 입력받는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 다양한 방법(예로, 사용자 터치 입력 등)으로 사용자 질의를 입력받을 수 있다. 예로, 전자 장치(100)는 "지난 달에 내가 얼마나 운동을 했지"라는 사용자 질의를 입력받을 수 있다.
전자 장치(100)는 마이크를 통해 입력된 사용자 질의에 대한 음성 인식을 수행하여 사용자 질의에 대한 텍스트를 획득할 수 있다. 이때, 전자 장치(100)는 자동 음성 인식(automatic speech recognition, ASR) 모듈을 이용하여 음성 인식을 수행할 수 있다. 이때, 전자 장치(100)는 전자 장치(100) 내에 구비된 ASR 모듈을 이용하여 음성 인식을 수행할 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)와 연결된 외부 서버를 통해 음성 인식을 수행할 수 있다. 즉, 전자 장치(100)는 외부 서버로 사용자 질의를 전송하고, 외부 서버가 사용자 질의에 대한 음성 인식을 수행하여 사용자 질의에 대한 텍스트를 획득하고 획득한 텍스트를 전자 장치(100)로 전송할 수 있다.
전자 장치(100)는 획득한 텍스트를 바탕으로 사용자 질의에 대한 의도(Intend) 및 파라미터(parameter)(또는 슬롯, 엔티티)를 판단할 수 있다. 이때, 전자 장치(100)는 자연어 이해 (Natural language understanding) 모듈을 이용하여 사용자 질의에 대한 의도 및 파라미터를 획득할 수 있다.
전자 장치(100)는 획득된 텍스트 및 복수의 데이터베이스(200-1,200-2,..,200-n)에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 복수의 데이터베이스(200-1,200-2,..,200-n)로부터 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성할 수 있다. 구체적으로, 전자 장치(100)는 획득된 텍스트가 샘플 질의에 대응되는지 여부를 판단할 수 있다. 이때, 전자 장치(100)는 획득된 텍스트에 포함된 파라미터가 샘플 질의에 포함된 파라미터를 포함하는지 여부를 판단하여 획득된 텍스트가 샘플 질의에 대응되는지 여부를 판단할 수 있다. 획득된 텍스트가 상기 샘플 질의에 대응되는 것으로 판단된 경우, 전자 장치(100)는 획득된 텍스트 및 관계 그래프를 이용하여 복수의 쿼리를 생성할 수 있다. 구체적으로, 전자 장치(100)는 획득된 텍스트에 포함된 파라미터에 대응되는 상위 노드를 판단하고 복수의 데이터베이스(200-1,200-2,..,200-n) 각각에 대응되는 상위 노드에 포함된 하위 노드를 판단하여, 복수의 데이터베이스(200-1,200-2,..,200-n) 각각에 대한 쿼리를 생성할 수 있다. 즉, 전자 장치(100)는 제1 데이터베이스(200-1)에 대응되는 제1 쿼리를 생성할 수 있으며, 제2 데이터베이스(200-2)에 대응되는 제2 쿼리를 생성할 수 있다. 이와 같은 방식으로 전자 장치(100)는 제n 데이터베이스(200-n)에 대응되는 제n 쿼리를 생성할 수 있다.
전자 장치(100)는 생성된 복수의 쿼리 각각을 대응되는 복수의 데이터베이스(200-1,200-2,..,200-n)로 전송할 수 있다. 복수의 데이터베이스(200-1,200-2,..,200-n) 각각은 쿼리에 응답하여 사용자 질의에 대한 응답 데이터를 획득할 수 있으며, 획득된 응답 데이터를 전자 장치(100)로 전송할 수 있다.
전자 장치(100)는 획득된 응답 데이터를 바탕으로 사용자 질의에 대한 응답을 생성할 수 있다. 이때, 전자 장치(100)는 저장된 샘플 응답을 바탕으로 사용자 질의에 대한 응답을 생성할 수 있다. 특히, 샘플 응답은 복수의 데이터베이스(200-1,200-2,..,200-n)로부터 수신된 응답 데이터를 통합한 형태일 수 있다. 예로, 건강과 관련된 데이터베이스들에 대한 샘플 응답은 복수의 데이터베이스(200-1,200-2,...,200-n)들로부터 수신된 운동량의 총합을 제공할 수 있다. 또한, 전자 장치(100)는 획득된 응답을 자연어 생성(Natural Language Generation, NLG) 모듈을 통해 자연어 형태로 제공될 수 있다. 예로, 전자 장치(100)는 "ooo님이 지난 달 운동하신 총량은 3만 5천 칼로리입니다."라는 응답을 생성하여 출력할 수 있다. 또 다른 실시예로, 전자 장치(100)는 복수의 데이터베이스 각각에 대응되는 응답 데이터를 바탕으로 응답을 생성하여 출력할 수 있다. 예로, 전자 장치(100)는 "ooo님은 A 어플리케이션을 이용하여 1만 칼로리의 양을 운동하셨고, B 어플리케이션을 이용하여 2만 칼로리의 양을 운동하셨고, C 어플리케이션을 이용하여 5천 칼로리의 양을 운동하셨으며, 지난달 운동하신 총량은 3만 5천 칼로리입니다."라는 응답을 생성하여 출력할 수 있다.
한편, 전자 장치(100)는 상술한 바와 같이 복수의 데이터베이스(200-1,200-2,...,200-n)를 이용하여 사용자 질의에 대한 응답을 제공하기 위하여 인공지능 에이전트(Artificial intelligence agent)를 이용할 수 있다. 이때, 인공지능 에이전트는 AI(Artificial Intelligence) 기반의 서비스(예를 들어, 음성 인식 서비스, 비서 서비스, 번역 서비스, 검색 서비스 등)를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다. 특히, 인공지능 에이전트는 후술할 다양한 모듈(예로, 대화 시스템)을 제어할 수 있다.
구체적으로, 기설정된 사용자 음성(예를 들어, "빅스비" 등)가 입력되거나 전자 장치(100)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러진 경우, 인공지능 에이전트가 동작할 수 있다. 그리고, 인공지능 에이전트는 입력된 사용자 질의에 대한 응답을 제공할 수 있다. 한편, 인공지능 에이전트는 후술할 다양한 장치 또는 모듈을 제어할 수 있다. 이에 대해서는 추후 상세히 설명하기로 한다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도이다. 도 2에 도시된 바와 같이, 전자 장치(100)는 마이크(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 그러나 상술한 구성에 한정되는 것은 아니며, 전자 장치의 유형에 따라 일부 구성이 추가되거나 생략될 수 있음은 물론이다.
마이크(110)는 사용자 음성을 입력받을 수 있다. 이때, 마이크(110)는 음성 인식의 개시를 나타내는 트리거 음성(또는 웨이크업 음성)을 수신할 수 있으며, 특정 정보를 요청하는 사용자 질의를 수신할 수 있다. 특히, 마이크(110)는 전자 장치(100) 내부에 구비될 수 있으나, 외부에 구비되어 전자 장치(100)와 전기적으로 연결될 수 있다.
메모리(120)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 특히, 메모리(130)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(120), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(120)에는 디스플레이의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
또한, 메모리(120)는 사용자 질의에 대한 응답을 제공하는 대화 시스템을 동작하기 위한 인공지능 에이전트를 저장할 수 있다. 구체적으로, 전자 장치(100)는 복수의 데이터베이스를 이용하여 사용자 질의에 대한 응답을 제공하기 위하여 인공지능 에이전트(Artificial intelligence agent)를 이용할 수 있다. 이때, 인공지능 에이전트는 AI(Artificial Intelligence) 기반의 서비스(예를 들어, 음성 인식 서비스, 비서 서비스, 번역 서비스, 검색 서비스 등)를 제공하기 위한 전용 프로그램이다. 특히, 인공지능 에이전트는 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU, NPU 등)에 의해 실행될 수 있다.
또한, 메모리(120)는 도 4a에 도시된 바와 같이, 전자 장치(100)가 관계 그래프 및 샘플 질의/응답을 생성하기 위한 구성들 및 도 4b에 도시된 바와 같이, 전자 장치(100)가 사용자 질의에 대한 응답을 제공하기 위한 구성들을 저장할 수 있다. 이에 대해서는 도 4a 및 도 4b를 참조하여 상세히 설명하기로 한다.
또한, 메모리(120)는 복수의 데이터베이스들에 저장된 데이터들의 관계를 나타내는 관계 그래프 및 관계 그래프를 통해 생성된 샘플 질의 및 샘플 응답을 저장할 수 있다.
프로세서(130)는 메모리(120)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 특히, 마이크(110)를 통해 사용자 질의가 입력되면, 프로세서(130)는 사용자 질의에 대한 음성 인식을 수행하여 사용자 질의에 대한 텍스트를 획득하고, 획득된 텍스트 및 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 복수의 데이터베이스로부터 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성하고, 복수의 데이터베이스 각각으로부터 복수의 쿼리 각각에 대응되는 응답 데이터를 획득하고, 복수의 데이터베이스 각각으로부터 획득된 응답 데이터를 바탕으로 사용자 질의에 대한 응답을 생성하여 출력할 수 있다.
특히, 프로세서(130)는 복수의 데이터베이스를 분석하여 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 생성하여 메모리(120)에 저장할 수 있다. 구체적으로, 프로세서(130)는 복수의 데이터베이스들에 저장된 데이터 필드를 분석하여 상기 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 획득할 수 있다. 더욱 구체적으로, 프로세서(130)는 복수의 데이터베이스들에 포함된 데이터 필드의 이름, 데이터 필드에 포함된 데이터의 이름 및 데이터의 분포 중 적어도 하나를 분석하여 복수의 데이터베이스들 간에 유사한 데이터 필드를 판단하고, 판단된 유사한 데이터 필드들의 상위 개념을 판단하며, 상위 개념을 상위 노드로 지정하고, 유사한 데이터 필드들을 상위 노드의 하위 노드로 지정하여 관계 그래프를 획득할 수 있다.
또한, 프로세서(130)는 관계 그래프에 포함된 상위 노드를 바탕으로 샘플 질의 및 샘플 응답을 생성하여 메모리(120)에 저장할 수 있다. 즉, 프로세서(130)는 복수의 데이터베이스에 포함된 데이터 필드들의 상위 개념들을 바탕으로 획득된 상위 노드를 바탕으로 샘플 질의 및 샘플 응답을 획득하여 저장할 수 있다.
한편, 프로세서(130)는 마이크(120)를 통해 사용자 질의를 입력받을 수 있다. 이때, 프로세서(130)는 획득된 텍스트가 메모리(120)에 저장된 샘플 질의에 대응되는지 여부를 판단할 수 있다. 획득된 텍스트가 샘플 질의에 대응되는 것으로 판단된 경우, 프로세서(130)는 획득된 텍스트 및 메모리(120)에 저장된 관계 그래프를 이용하여 복수의 쿼리를 생성할 수 있다. 구체적으로, 프로세서(130)는 사용자 질의에 대응되는 텍스트에 포함된 복수의 질의 요소 각각에 대응되는 상위 노드를 판단하고, 상위 노드에 포함된 복수의 하위 노드들을 바탕으로 복수의 쿼리를 생성할 수 있다. 즉, 프로세서(130)는 상위 노드에 포함된 제1 데이터베이스에 대응되는 하위 노드를 바탕으로 복수의 질의 요소 각각에 대응되는 제1 복수의 키워드를 획득하고, 제1 복수의 키워드를 바탕으로 제1 데이터베이스에 대한 제1 쿼리를 생성하며, 상위 노드에 포함된 제2 데이터베이스에 대응되는 하위 노드를 바탕으로 복수의 질의 요소 각각에 대응되는 제2 복수의 키워드를 획득하고, 제2 복수의 키워드를 바탕으로 제2 데이터베이스에 대한 제2 쿼리를 생성할 수 있다.
그리고, 프로세서(130)는 복수의 데이터베이스 각각에 대응되는 쿼리를 전송하고, 복수의 데이터베이스로부터 쿼리에 응답한 응답 데이터를 획득할 수 있다. 복수의 데이터베이스 각각으로부터 응답 데이터가 획득되면, 프로세서(130)는 메모리(120)에 저장된 샘플 응답을 바탕으로 응답을 생성하여 출력할 수 있다. 이때, 프로세서(130)는 복수의 응답 데이터를 개별적으로 제공하지 않고, 통합하여 응답을 생성하여 제공할 수 있다.
도 3은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도이다. 도 3에 도시된 바와 같이, 전자 장치(100)는 마이크(110), 메모리(120), 통신부(140), 디스플레이(150), 스피커(160), 입력부(170), 센서(180) 및 프로세서(140)를 포함할 수 있다. 한편, 도 3에 도시된 마이크(110), 메모리(120) 및 프로세서(130)는 도 2에서 설명하였으므로, 중복되는 설명은 생략하기로 한다.
통신부(140)는 외부 장치와 통신을 수행할 수 있다. 이때, 통신부(140)가 외부 장치와 통신 연결되는 것은 제3 기기(예로, 중계기, 허브, 엑세스 포인트, 서버 또는 게이트웨이 등)를 거쳐서 통신하는 것을 포함할 수 있다.
한편, 통신부(140)는 외부 장치와 통신을 수행하기 위해 다양한 통신 모듈을 포함할 수 있다. 일 예로, 통신부(140)는 무선 통신 모듈을 포함할 수 있으며, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신 모듈을 포함할 수 있다. 또 다른 예로, 무선 통신 모듈은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 또한, 통신부(140)는 유선 통신 모듈을 포함할 수 있으며, , 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 무선 통신 또는 유선 통신이 수행되는 네트워크는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.
특히, 통신부(140)는 복수의 데이터베이스로 응답 데이터를 획득하기 위한 쿼리를 전송할 수 있으며, 복수의 데이터베이스로부터 쿼리에 응답한 응답 데이터를 수신할 수 있다. 또한, 통신부(140)는 음성 인식을 위한 외부 서버로 사용자 질의에 대응되는 음성 데이터를 전송할 수 있으며, 음성 인식 결과인 사용자 질의에 대응되는 텍스트 데이터를 수신할 수 있다.
디스플레이(150)는 프로세서(130)의 제어에 따라 다양한 정보를 표시할 수 있다. 특히, 디스플레이(150)는 사용자 음성에 대한 응답을 제공하기 위한 메시지를 표시할 수 있다. 디스플레이(150)는 터치 패널과 함께 터치 스크린으로 구현될 수 있다.
스피커(160)는 오디오 처리부에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 스피커(160)는 사용자 음성에 대한 응답을 자연어 형태의 음성 메시지로 출력할 수 있다. 한편, 오디오를 출력하기 위한 구성은 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.
입력부(170)는 전자 장치(100)를 제어하기 위한 사용자 입력을 수신할 수 있다. 특히, 입력부(170)는 사용자 손 또는 스타일러스 펜 등을 이용한 사용자 터치를 입력받기 위한 터치 패널, 사용자 조작을 입력받기 위한 버튼 등이 포함될 수 있다. 그 밖에, 입력부(170)는 다른 입력 장치(예로, 키보드, 마우스, 모션 입력부 등)로 구현될 수 있다.
센서(180)는 전자 장치(100)의 다양한 상태 정보를 감지할 수 있다. 예로, 센서(180)는 전자 장치(100)의 움직임 정보를 감지할 수 있는 움직임 센서(예로, 자이로 센서, 가속도 센서 등)를 포함할 수 있으며, 위치 정보를 감지할 수 있는 센서(예로, GPS(Global Positioning System) 센서), 전자 장치(100) 주위의 환경 정보를 감지할 수 있는 센서(예로, 온도 센서, 습도 센서, 기압 센서 등), 전자 장치(100)의 사용자 정보를 감지할 수 있는 센서(예로, 혈압 센서, 혈당 센서, 맥박수 센서 등), 사용자의 존재를 감지할 수 있는 센서(예로, 카메라, UWB 센서, IR 센서, 근접 센서, 광센서 등) 등을 포함할 수 있다. 그 밖에, 센서(180)는 전자 장치(100)의 외부를 촬영하기 위한 이미지 센서 등을 더 포함할 수 있다.
프로세서(130)는 디지털 신호를 처리하는 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(130)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다. 프로세서(130)는 메모리(120)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 다양한 기능을 수행할 수 있다. 뿐만 아니라, 프로세서(130)는 인공지능 기능을 수행하기 위하여, 별도의 AI 전용 프로세서인 GPU(graphics-processing unit), NPU(Neural Processing Unit), VPU(Visual Processing UniT) 중 적어도 하나를 포함할 수 있다.
도 4a는 본 개시의 일 실시예에 따른, 전자 장치가 지식 그래프 및 샘플 질의/응답을 생성하기 위한 구성을 설명하기 위한 블록도이다. 도 4a에 도시된 바와 같이, 전자 장치(100)는 지식 그래프 및 샘플 질의/응답을 생성하기 위하여, 데이터베이스 분석부(410), 가상 그래프 생성부(420) 및 샘플 질의/응답 생성부(430)를 포함한다. 이때, 전자 장치(100)가 지식 그래프 및 샘플 질의/응답을 생성하는 방법을 도 5 내지 도 8b를 참고해서 설명하기로 한다.
데이터베이스 분석부(410)는 전자 장치(100)에 응답 데이터를 제공하기 위한 복수의 데이터베이스를 분석할 수 있다. 특히, 데이터베이스 분석부(410)는 복수의 데이터베이스를 논리적으로 통합하여 관계 그래프를 생성하기 위하여 데이터베이스의 데이터 구조, 데이터 필드들을 분석할 수 있다. 예로, 도 5에 도시된 바와 같은 제1 내지 제3 데이터베이스(510,520,530)가 존재하는 경우, 데이터베이스 분석부(410)는 제1 내지 제3 데이터베이스(510,520,530)의 구조 및 데이터 필드를 분석할 수 있다. 구체적으로, 데이터베이스 분석부(410)는 제1 데이터베이스(510)에 최상위 데이터 필드가 "act_030.to30_tcso_prty_anl"을 포함하고, 상위 데이터 필드가 "user_id", "anl dvce lst reg nm", "cnty_cd"를 포함함을 분석할 수 있다. 또한, 데이터베이스 분석부(420)는 제2 데이터베이스(520)의 최상위 데이터 필드가 "acm_601.to601_ztcdb0040" 및 "acm_601.to601_ztcdb0231"을 포함하고, "acm_601.to601_ztcdb0040" 데이터 필드가 상위 필드인 "zzsaquid"를 포함하고 "acm_601.to601_ztcdb0231" 데이터 필드가 상위 필드인 "cust_no","model","prod_name","sell date"를 포함함을 분석할 수 있다. 또한, 데이터베이스 분석부(420)는 제3 데이터베이스(530)의 최상위 데이터 필드가 "rbn_795.to795_rs_devices" 및 "rbn_795.log_app_usage_hist"를 포함하고, "rbn_795.to795_rs_devices" 데이터 필드가 상위 필드인 "samsung_account_id" 및 "rubin_id"를 포함하고, "rbn_795.log_app_usage_hist" 데이터 필드가 상위 필드인 "app_id" 및 "crt_dd"를 포함함을 분석할 수 있다.
관계 그래프 생성부(420)는 분석 결과를 바탕으로 복수의 데이터베이스들에 저장된 데이터들의 관계를 나타내는 관계 그래프를 생성할 수 있다.
특히, 관계 그래프 생성부(420)는 복수의 데이터베이스들에 저장된 데이터 필드를 분석하여 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 획득할 수 있다. 구체적으로, 관계 그래프 생성부(420)는 복수의 데이터베이스들에 포함된 데이터 필드의 이름, 데이터 필드에 포함된 데이터의 이름 및 데이터의 분포 중 적어도 하나를 분석하여 복수의 데이터베이스들 간에 유사한 데이터 필드를 판단할 수 있다. 예로, 관계 그래프 생성부(420)는 제1 데이터베이스(510)의 "user_id"라는 데이터 필드, 제2 데이터베이스(520)의 "zzsaquid"라는 데이터 필드 및 제3 데이터베이스(530)의 "samsung_account_id"라는 데이터 필드의 필드 이름에 공통적으로 id가 포함됨을 판단하고 데이터 필드에 포함된 데이터의 이름이 일부 일치함을 판단하여, 제1 데이터베이스(510)의 "user_id"라는 데이터 필드, 제2 데이터베이스(520)의 "zzsaquid"라는 데이터 필드 및 제3 데이터베이스(530)의 "samsung_account_id"라는 데이터 필드가 유사한 데이터 필드임을 판단할 수 있다. 또 다른 예로, 관계 그래프 생성부(420)는 제2 데이터베이스(520)의 "sell date"라는 데이터 필드와 제3 데이터베이스(530)의 "crt_dd"라는 데이터 필드에 포함된 데이터가 날짜를 나타내는 구조라고 판단하고 데이터의 분포가 유사하다고 판단하여 제2 데이터베이스(520)의 "sell date"라는 데이터 필드와 제3 데이터베이스(530)의 "crt_dd"라는 데이터 필드가 유사한 데이터 필드임을 판단할 수 있다. 또 다른 예로, 관계 그래프 생성부(420)는 제1 데이터베이스(510)의 "anl dvce lst reg nm"라는 데이터 필드와 제2 데이터베이스(520)의 "model"라는 데이터 필드에 포함된 데이터가 제품 모델에 대한 데이터라고 판단하고 데이터의 분포가 유사하다고 판단하여 제1 데이터베이스(510)의 "anl dvce lst reg nm"라는 데이터 필드와 제2 데이터베이스(520)의 "model"라는 데이터 필드가 유사한 데이터 필드임을 판단할 수 있다.
관계 그래프 생성부(420)는 데이터 필드에 포함된 데이터를 바탕으로 판단된 유사한 데이터 필드들의 상위 개념을 판단할 수 있다. 예를 들어, 관계 그래프 생성부(420)는 제1 데이터베이스(510)의 "user_id"라는 데이터 필드, 제2 데이터베이스(520)의 "zzsaquid"라는 데이터 필드 및 제3 데이터베이스(530)의 "samsung_account_id"라는 데이터 필드에 포함된 데이터를 분석하여 세 필드의 상위 개념이 "사용자 ID"임을 판단할 수 있다. 또 다른 예로, 관계 그래프 생성부(420)는 제2 데이터베이스(520)의 "sell date"라는 데이터 필드와 제3 데이터베이스(530)의 "crt_dd"라는 데이터 필드에 포함된 데이터를 분석하여 두 필드의 상위 개념이 "날짜"임을 판단할 수 있다. 또 다른 예로, 관계 그래프 생성부(420)는 제1 데이터베이스(510)의 "anl dvce lst reg nm"라는 데이터 필드와 제2 데이터베이스(520)의 "model"라는 데이터 필드에 포함된 데이터를 분석하여 두 데이터 필드의 상위 개념이 "모델"임을 판단할 수 있다. 그 밖에, 관계 그래프 생성부(420)는 제1 데이터베이스(510)에 포함된 "cntv cd" 데이터 필드에 포함된 데이터를 분석하여 "cntv cd" 데이터 필드의 상위 개념을 "국가"로 판단할 수 있으며, 제3 데이터베이스(520)에 포함된 "app_id" 데이터 필드에 포함된 데이터를 분석하여 "app_id" 데이터 필드의 상위 개념을 "매출"로 판단할 수 있다. 즉, 관계 그래프 생성부(420)는 상술한 바와 같은 방법으로, 도 6에 도시된 바와 같이 복수의 데이터베이스(510,520,530)에 포함된 데이터 필드와 상위 개념을 판단할 수 있다.
그리고, 관계 그래프 생성부(420)는 판단된 상위 개념을 상위 노드로 지정하고, 유사한 데이터 필드들을 상기 상위 노드의 하위 노드로 지정하여 관계 그래프를 획득할 수 있다. 예를 들어, 관계 그래프 생성부(420)는 도 7에 도시된 바와 같이, 상위 개념인 "사용자 ID" 를 상위 노드(710)로 지정하고, 상위 노드에 포함된 하위 노드로 "사용자 ID"에 포함된 데이터 필드인 "user id"(720), "zzsaquid"(730), "samsung_account_id"(740)를 하위 노드로 지정하여 관계 그래프를 생성할 수 있다.
이때, 관계 그래프 생성부(420)는 보편적인 지식을 저장하고 있는 기존의 지식 그래프를 이용하여 상술한 바와 같이 생성된 관계 그래프를 확장시킬 수 있다.
예를 들어, 상위 개념이 "제품" 에 대응되는 제품 상위 노드에 대한 관계 그래프를 생성할 때, 관계 그래프 생성부(420)는 도 8a에 도시된 바와 같이, 기존의 지식 그래프를 이용하여 "UHD" 노드 와 "S9" 노드가 "플래그쉽 제품"으로 관련되며 "Y" 노드와 "A9" 노드가 "보급형 제품"으로 관련됨을 판단하여 "UHD"노드와 "S9" 노드의 상위 노드로 "플래그쉽" 노드를 생성하고 "Y"노드와 "A9"노드의 상위 노드로 "보급형" 노드를 생성하여 관계 그래프를 확장시킬 수 있다.
또 다른 예로, 상위 개념이 "국가"에 대응되는 국가 상위 노드에 대한 관계 그래프를 생성할 때, 관계 그래프 생성부(420)는 도 8b에 도시된 바와 같이, 기존의 지식 그래프를 이용하여 "인도" 노드 와 "브라질" 노드가 "개발 도상국"으로 관련되며 "중국" 노드와 "프랑스" 노드가 "신흥 시장"으로 관련됨을 판단하여 "인도" 노드와 "브라질" 노드의 상위 노드로 "개발 도상국" 노드를 생성하고 "중국" 노드와 "프랑스" 노드의 상위 노드로 "신흥 시장" 노드를 생성하여 관계 그래프를 확장시킬 수 있다. 뿐만 아니라, 관계 그래프 생성부(420)는 기존의 지식 그래프를 이용하여 인도의 국각 코드로서, "IND"와 "INDIA"가 서로 동일함을 판단하여 "IND" 노드와 "INDIA" 노드의 상위 노드로 "인도" 노드를 생성하여 관계 그래프를 확장시킬 수 있다.
상술한 바와 같은 방법으로, 관계 그래프 생성부(420)는 상위 개념 각각에 대한 관계 그래프 또는 복수의 연관된 상위 개념에 대한 관계 그래프를 생성하여 메모리(120)에 저장할 수 있다 .
샘플 질의/응답 생성부(430)는 관계 그래프에 포함된 상위 노드를 바탕으로 샘플 질의 및 샘플 응답을 생성할 수 있다. 구체적으로, 샘플 질의/응답 생성부(430)는 관계 그래프의 상위 노드를 바탕으로 샘플 질의 및 샘플 응답을 구성하는 요소를 판단할 수 있으며, 판단된 요소를 바탕으로 샘플 질의 및 샘플 응답을 구성할 수 있다. 일 예로, 샘플 질의/응답 생성부(430)는 도 5에 도시된 데이베이스들에 대한 관계 그래프 중 상위 노드인 ""국가", "모델", "매출", "날짜", "사용자 ID"를 중 적어도 하나의 질의 요소를 포함하는 샘플 질의를 생성할 수 있다. 즉, 샘플 질의 응답 생성부(430)는 ""국가"에서 "기간"동안 팔린 "제품"의 판매량에 대해 알려줘"와 같이 "국가", "기간", "제품"이라는 질의 요소가 포함된 샘플 질의를 생성할 수 있다. 또 다른 예로, 샘플 질의/응답 생성부(430)는 생성된 샘플 질의에 대한 샘플 응답을 생성할 수 있다. 즉, 샘플 질의 응답 생성부(430)는 ""국가"에서 "기간"동안 팔린 "제품"의 "판매량"만큼 팔렸어"와 같이 "국가", "기간", "제품"이라는 응답 요소가 포함된 샘플 응답을 생성할 수 있다. 그리고, 샘플 질의/응답 생성부(430)는 생성된 샘플 질의 및 샘플 응답을 메모리(120)에 저장할 수 있다.
도 4b는 본 개시의 일 실시예에 따른, 전자 장치가 지식 그래프를 이용하여 사용자 질의에 대한 응답을 제공하는 구성을 설명하기 위한 블록도이다. 특히, 전자 장치(100)는 도 4b에 도시된 바와 같이, 음성 입력부(440), 음성 인식부(450), 자연어 처리부(460), 쿼리 생성부(470), 응답 생성부(480)를 포함할 수 있다. 이때, 전자 장치가 지식 그래프를 이용하여 사용자 질의에 대한 응답을 제공하는 방법을 도 9를 참고해서 설명하기로 한다.
음성 입력부(440)는 오디오 형태의 사용자 질의를 입력받을 수 있다. 이때, 음성 입력부(440)는 마이크로 구현될 수 있으나, 이는 일 실시예에 불과할 뿐, 외부 장치로부터 오디오 형태의 사용자 질의를 수신하는 통신부로도 구현될 수 있다. 예를 들어, 음성 입력부(440)는 마이크를 통해 "신흥국에서 작년에 판매된 플래그쉽 제품 판매량을 알려줘"라는 사용자 질의를 입력받을 수 있다.
음성 인식부(450)는 사용자 음성을 인식할 수 있다. 구체적으로, 음성 인식부(450)는 자동 음성 인식(automatic speech recognition)(ASR) 모듈을 이용하여 전자 장치(100)가 획득한 사용자 음성(특히, 사용자 질의)을 텍스트 데이터로 변환할 수 있다. 예를 들어, 음성 인식부(450)는 발화 인식 모듈을 포함할 수 있다. 상기 발화 인식 모듈은 음향(acoustic) 모델 및 언어(language) 모델을 포함할 수 있다. 예를 들어, 음향 모델은 발성에 관련된 정보를 포함할 수 있고, 언어 모델은 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 포함할 수 있다. 발화 인식 모듈은 발성에 관련된 정보 및 단위 음소 정보에 대한 정보를 이용하여 사용자 발화를 텍스트 데이터로 변환할 수 있다. 음향 모델 및 언어 모델에 대한 정보는, 예를 들어, 자동 음성 인식 데이터베이스(automatic speech recognition database)(ASR DB)에 저장될 수 있다. 예를 들어, 음성 인식부(450)는 도 9에 도시된 바와 같이, 마이크를 통해 획득된 사용자 질의인 "신흥국에서 작년에 판매된 플래그쉽 제품 판매량을 알려줘"를 텍스트 데이터로 획득할 수 있다.
자연어 처리부(460)는 획득된 자연어 형태의 텍스트 데이터를 처리하여 사용자 음성에 대한 의미 분석을 수행할 수 있다. 구체적으로, 자연어 처리부(460)는 획득된 텍스트를 바탕으로 사용자 질의에 포함된 질의 요소를 획득할 수 있다. 특히, 자연어 처리부(460)는 사용자 질의에 대해 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자 의도를 파악할 수 있는 자연어 이해(natural language understanding)(NLU) 모듈을 포함할 수 있다. 이때, 문법적 분석은 사용자 입력을 문법적 단위(예: 단어, 구, 형태소 등)로 나누고, 나누어진 단위가 어떤 문법적인 요소를 갖는지 파악할 수 있다. 의미적 분석은 의미(semantic) 매칭, 룰(rule) 매칭, 포뮬러(formula) 매칭 등을 이용하여 수행할 수 있다. 이에 따라, 자연어 이해 모듈은 사용자 입력이 어느 도메인(domain), 의도(intent) 또는 의도를 표현하는데 필요한 요소(element)(또는, 파라미터(parameter), 슬롯(slot))를 획득할 수 있다. 특히, 자연어 처리부(460)는 자연어 이해 모듈을 통해 사용자 질의에 포함된 질의 요소를 획득할 수 있다. 예로, 획득된 텍스트가 "신흥국에서 작년에 판매된 플래그쉽 제품 판매량을 알려줘"인 경우, 자연어 처리부(460)는 의도를 "판매량 검색"으로 판단하고, 질의 요소를 "신흥국, 작년, 플래그쉽 제품"으로 판단할 수 있다.
또한, 자연어 처리부(460)는 획득된 질의 요소를 바탕으로 사용자 질의가 적어도 하나의 샘플 질의를 저장하고 있는 샘플 질의 DB(465)에 저장된 샘플 질의에 해당하는지 여부를 판단할 수 있다. 즉, 자연어 처리부(460)는 획득된 질의 요소를 포함하는 샘플 질문이 있는지 여부를 판단할 수 있다. 예로, 질의 요소가 "신흥국, 작년, 플래그쉽 제품"인 경우, 자연어 처리부(460)는 질의 요소를 바탕으로 "국가", "기간", "제품"을 포함하는 샘플 질의가 있는지 여부를 판단할 수 있다.
쿼리 생성부(470)는 자연어 처리부(460)를 통해 처리된 질의 요소를 바탕으로 복수의 데이터베이스에 전송할 쿼리를 생성할 수 있다. 특히, 사용자 질의가 샘플 DB(465)에 저장된 샘플 질의에 대응되면, 쿼리 생성부(470)는 획득된 텍스트(특히, 질의 요소) 및 관계 그래프 DB(475)에 저장된 관계 그래프를 이용하여 복수의 데이터베이스로부터 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성할 수 있다.
특히, 쿼리 생성부(470)는 관계 그래프를 이용하여 복수의 데이터베이스 각각에 대응되는 복수의 쿼리를 생성할 수 있다. 예로, 쿼리 생성부(470)는 도 9에 도시된 바와 같이, 제1 데이터베이스(200-1)에 대응되는 쿼리로 "select net sales EPR"을 생성할 수 있고, 제2 데이터베이스(200-2)에 대응되는 쿼리로 "select cost from SCM"을 생성할 수 있고, 제3 데이터 베이스(200-n)에 대응되는 쿼리로 "select S9_sales from bdp.sales"를 생성할 수 있다. 즉, 쿼리 생성부(470)는 관계 그래프에 포함된 데이터베이스의 데이터 필드를 바탕으로 각 데이터베이스에 대응되는 쿼리를 생성할 수 있다. 쿼리 생성부(470)는 획득된 쿼리를 대응되는 데이터베이스에 전송할 수 있다.
응답 생성부(480)는 복수의 데이터베이스로부터 쿼리에 응답한 응답 데이터를 획득하여 사용자 질의에 대한 응답을 생성할 수 있다. 이때, 응답 데이터에는 질의 요소에 대응되는 응답 요소를 포함할 수 있다.
특히, 응답 생성부(480)는 샘플 응답 DB(485)에 저장된 샘플 응답을 바탕으로 사용자 질의에 대한 응답을 생성할 수 있다. 이때, 생성된 응답은 응답 데이터를 통합한 형태로 제공할 수 있다. 예로, 응답 생성부(480)는 "신흥국에서 판매된 플래그 쉽 제품의 판매량은 총 XXXX야"라는 응답을 생성할 수 있다. 즉, 응답 생성부(460)는 복수의 데이터베이스로부터 수신한 모든 판매량을 통합하여 응답을 제공할 수 있다. 이때, 응답 생성부(480)는 자연어 발화 형태의 응답을 제공하기 위한 자연어 생성(natural language generator)(NLG)을 포함할 수 있다.
그 밖에 전자 장치(100)는 도 4b에 도시하지 않았으나, 사용자 질의에 포함된 의도가 명확한지 여부를 판단하는 대화 매니저(dialogue manager)(DM) 모듈, 응답을 음성 형태로 변환하기 위한 텍스트 음성 변환(text to speech)(TTS) 모듈 등을 더 포함할 수 있다.
한편, 도 4b에 모든 구성이 전자 장치(100)에 포함되는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 도 4b의 적어도 일부의 구성(예로, 음성 인식부(450))이 외부 서버에 포함될 수 있다.
또한, 도 4a 및 도 4b에 도시된 구성들은 소프트웨어 모듈로 구현되어 메모리(120)에 저장되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다.
또한, 도 4a에 도시된 구성들과 도 4b에 도시된 구성들이 모두 하나의 전자 장치(100)에 의해 포함되는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 도 4a에 포함된 구성은 제1 전자 장치(예로, 서버)에 포함될 수 있으며, 도 4b에 도시된 구성들이 제2 전자 장치(예로, 사용자 단말 등)에 포함될 수 있다.
한편, 도 9에서는 복수의 데이터베이스가 전자 장치(100) 외부에 존재하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 복수의 데이터베이스가 전자 장치(100) 내부에 존재할 수 있으며, 복수의 데이터베이스 중 일부가 전자 장치(100) 내부에 존재하고 나머지 일부가 외부에 존재할 수 있다.
도 10은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명한 도면이다.
우선, 전자 장치(100)는 마이크를 통해 사용자 질의를 입력받을 수 있다(S1010). 이때, 전자 장치(100)는 마이크 이외에 다른 전자 장치로부터 사용자 질의를 입력받을 수 있다. 또한, 전자 장치(100)는 오디오 형태의 사용자 질의를 입력받을 수 있으나, 이는 일 실시예에 불과할 뿐, 텍스트 형태의 사용자 질의를 입력받을 수 있다. 텍스트 형태의 사용자 질의가 입력되면, S1020 단계는 생략될 수 있다.
전자 장치(100)는 사용자 질의에 대한 음성 인식을 수행하여 사용자 질의에 대한 텍스트를 획득할 수 있다(S1020). 구체적으로, 전자 장치(100)는 ASR 모듈을 이용하여 사용자 질의에 대한 음성 인식을 수행하여 텍스트 데이터를 획득할 수 있다. 이때, 전자 장치(100)는 외부의 서버를 통해 사용자 질의에 대한 음성 인식을 수행할 수 있다.
전자 장치(100)는 획득된 텍스트 및 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 복수의 데이터베이스로부터 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성할 수 있다(S1030). 즉, 전자 장치(100)는 도 4a 및 도 5 내지 도 8b에서 설명한 바와 같은 방법으로 생성한 관계 그래프를 이용하여 복수의 데이터베이스에 대한 복수의 쿼리를 생성할 수 있다. 이때, 생성된 복수의 쿼리 각각은 대응되는 데이터베이스에 포함된 데이터 필드를 바탕으로 생성될 수 있다.
전자 장치(100)는 복수의 쿼리를 대응되는 데이터베이스 각각에 전송할 수 있으며(S1040), 전자 장치(100)는 복수의 데이터베이스로부터 쿼리에 응답한 응답 데이터를 획득할 수 있다(S1050).
전자 장치(100)는 복수의 데이터베이스 각각으로부터 획득된 응답 데이터를 바탕으로 사용자 질의에 대응되는 응답을 생성하여 출력할 수 있다(S1060). 이때, 생성된 응답은 복수의 데이터베이스 각각으로부터 수신된 응답 데이터를 통합한 응답일 수 있다.
한편, 상술한 실시예에서는 전자 장치(100)가 사용자 질의를 입력받아 응답을 제공하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 외부 서버를 이용하여 사용자 질의에 대한 응답을 제공할 수 있다. 구체적으로, 도 11에 도시된 바와 같이, 전자 장치(100)는 사용자 질의를 입력받을 수 있으며, 입력된 사용자 질의를 서버(1100)로 전송할 수 있다. 이때, 서버(1100)는 도 4a 및 도 5 내지 도 8b에서 설명한 바와 같은 방법으로 관계 그래프, 샘플 질의 및 샘플 응답을 저장할 수 있다. 서버(1100)는 관계 그래프를 이용하여 복수의 데이터베이스(200-1,200-2,..,200-n)에 대응되는 복수의 쿼리를 생성하고, 복수의 쿼리 각각을 복수의 데이터베이스(200-1,200-2,..,200-n)에 전송할 수 있다. 그리고, 서버(1100)는 쿼리에 응답한 응답 데이터를 복수의 데이터베이스(200-1,200-2,..,200-n)으로부터 획득하여 사용자 질의에 대한 응답을 생성할 수 있다. 그리고, 서버(1100)는 생성된 응답을 전자 장치(100)로 출력할 수 있으며, 전자 장치(100)는 수신된 사용자 질의에 대한 응답을 출력할 수 있다.
한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
110: 마이크 120: 메모리
130: 프로세서 140: 통신부
150: 디스플레이 160: 스피커
170: 입력부 180: 센서

Claims (18)

  1. 전자 장치에 있어서,
    마이크;
    적어도 하나의 인스트럭션(instruction)을 포함하는 메모리;
    상기 적어도 하나의 인스트럭션을 실행하는 프로세서;를 포함하고,
    상기 프로세서는,
    상기 마이크를 통해 사용자 질의가 입력되면, 상기 사용자 질의에 대한 음성 인식을 수행하여 상기 사용자 질의에 대한 텍스트를 획득하고,
    상기 획득된 텍스트 및 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 상기 복수의 데이터베이스로부터 상기 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성하고,
    상기 복수의 데이터베이스 각각으로부터 상기 복수의 쿼리 각각에 대응되는 응답 데이터를 획득하고,
    상기 복수의 데이터베이스 각각으로부터 획득된 상기 응답 데이터를 바탕으로 상기 사용자 질의에 대한 응답을 생성하여 출력하는 전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 복수의 데이터베이스들에 저장된 데이터 필드를 분석하여 상기 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 획득하는 전자 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    상기 복수의 데이터베이스들에 포함된 데이터 필드의 이름, 데이터 필드에 포함된 데이터의 이름 및 데이터의 분포 중 적어도 하나를 분석하여 상기 복수의 데이터베이스들 간에 유사한 데이터 필드를 판단하고,
    상기 판단된 유사한 데이터 필드들의 상위 개념을 판단하며,
    상기 상위 개념을 상위 노드로 지정하고, 상기 유사한 데이터 필드들을 상기 상위 노드의 하위 노드로 지정하여 상기 관계 그래프를 획득하는 전자 장치.
  4. 제3항에 있어서,
    상기 프로세서는,
    상기 상위 노드를 바탕으로 샘플 질의 및 샘플 응답을 생성하여 상기 메모리에 저장하는 전자 장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    상기 획득된 텍스트가 상기 샘플 질의에 대응되는지 여부를 판단하고,
    상기 획득된 텍스트가 상기 샘플 질의에 대응되는 것으로 판단된 경우, 상기 획득된 텍스트 및 상기 관계 그래프를 이용하여 상기 복수의 쿼리를 생성하는 전자 장치.
  6. 제4항에 있어서,
    상기 프로세서는,
    상기 복수의 데이터베이스 각각으로부터 응답 데이터가 획득되면, 상기 샘플 응답을 바탕으로 상기 응답을 생성하여 출력하는 전자 장치.
  7. 제3항에 있어서,
    상기 프로세서는,
    상기 획득된 텍스트에 포함된 복수의 질의 요소 각각에 대응되는 상기 상위 노드를 판단하고,
    상기 상위 노드에 포함된 복수의 하위 노드들을 바탕으로 상기 복수의 쿼리를 생성하는 전자 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 상위 노드에 포함된 제1 데이터베이스에 대응되는 하위 노드를 바탕으로 상기 복수의 질의 요소 각각에 대응되는 제1 복수의 키워드를 획득하고, 제1 복수의 키워드를 바탕으로 상기 제1 데이터베이스에 대한 제1 쿼리를 생성하며,
    상기 상위 노드에 포함된 제2 데이터베이스에 대응되는 하위 노드를 바탕으로 상기 복수의 질의 요소 각각에 대응되는 제2 복수의 키워드를 획득하고, 제2 복수의 키워드를 바탕으로 상기 제2 데이터베이스에 대한 제2 쿼리를 생성하는 전자 장치.
  9. 제1항에 있어서,
    상기 응답은,
    상기 복수의 응답 데이터를 통합하여 생성된 응답인 것을 특징으로 하는 전자 장치.
  10. 전자 장치의 제어 방법에 있어서,
    마이크를 통해 사용자 질의가 입력되면, 상기 사용자 질의에 대한 음성 인식을 수행하여 상기 사용자 질의에 대한 텍스트를 획득하는 단계;
    상기 획득된 텍스트 및 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 이용하여 상기 복수의 데이터베이스로부터 상기 사용자 질의에 대한 응답 데이터를 획득하기 위한 복수의 쿼리를 생성하는 단계;
    상기 복수의 데이터베이스 각각으로부터 상기 복수의 쿼리 각각에 대응되는 응답 데이터를 획득하는 단계; 및
    상기 복수의 데이터베이스 각각으로부터 획득된 상기 응답 데이터를 바탕으로 상기 사용자 질의에 대한 응답을 생성하여 출력하는 단계;를 포함하는 제어 방법.
  11. 제10항에 있어서,
    상기 복수의 데이터베이스들에 저장된 데이터 필드를 분석하여 상기 복수의 데이터베이스에 저장된 데이터들의 관계를 나타내는 관계 그래프를 획득하는 단계;를 포함하는 제어 방법.
  12. 제11항에 있어서,
    상기 관계 그래프를 획득하는 단계는,
    상기 복수의 데이터베이스들에 포함된 데이터 필드의 이름, 데이터 필드에 포함된 데이터의 이름 및 데이터의 분포 중 적어도 하나를 분석하여 상기 복수의 데이터베이스들 간에 유사한 데이터 필드를 판단하는 단계;
    상기 판단된 유사한 데이터 필드들의 상위 개념을 판단하는 단계; 및
    상기 상위 개념을 상위 노드로 지정하고, 상기 유사한 데이터 필드들을 상기 상위 노드의 하위 노드로 지정하여 상기 관계 그래프를 획득하는 단계;를 포함하는 제어 방법.
  13. 제12항에 있어서,
    상기 상위 노드를 바탕으로 샘플 질의 및 샘플 응답을 생성하여 상기 전자 장치의 메모리에 저장하는 단계;를 포함하는 제어 방법.
  14. 제13항에 있어서,
    상기 생성하는 단계는,
    상기 획득된 텍스트가 상기 샘플 질의에 대응되는지 여부를 판단하는 단계; 및
    상기 획득된 텍스트가 상기 샘플 질의에 대응되는 것으로 판단된 경우, 상기 획득된 텍스트 및 상기 관계 그래프를 이용하여 상기 복수의 쿼리를 생성하는 단계;를 포함하는 제어 방법.
  15. 제13항에 있어서,
    상기 출력하는 단계는,
    상기 복수의 데이터베이스 각각으로부터 응답 데이터가 획득되면, 상기 샘플 응답을 바탕으로 상기 응답을 생성하여 출력하는 제어 방법.
  16. 제12에 있어서,
    상기 생성하는 단계는,
    상기 획득된 텍스트에 포함된 복수의 질의 요소 각각에 대응되는 상기 상위 노드를 판단하는 단계; 및
    상기 상위 노드에 포함된 복수의 하위 노드들을 바탕으로 상기 복수의 쿼리를 생성하는 단계;를 포함하는 제어 방법.
  17. 제16항에 있어서,
    상기 생성하는 단계는,
    상기 상위 노드에 포함된 제1 데이터베이스에 대응되는 하위 노드를 바탕으로 상기 복수의 질의 요소 각각에 대응되는 제1 복수의 키워드를 획득하고, 제1 복수의 키워드를 바탕으로 상기 제1 데이터베이스에 대한 제1 쿼리를 생성하고,
    상기 상위 노드에 포함된 제2 데이터베이스에 대응되는 하위 노드를 바탕으로 상기 복수의 질의 요소 각각에 대응되는 제2 복수의 키워드를 획득하고, 제2 복수의 키워드를 바탕으로 상기 제2 데이터베이스에 대한 제2 쿼리를 생성하는 제어 방법.
  18. 제10항에 있어서,
    상기 응답은,
    상기 복수의 응답 데이터를 통합하여 생성된 응답인 것을 특징으로 하는 제어 방법.

KR1020190009833A 2019-01-25 2019-01-25 전자 장치 및 이의 제어 방법 KR20200094853A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190009833A KR20200094853A (ko) 2019-01-25 2019-01-25 전자 장치 및 이의 제어 방법
EP20152977.3A EP3686753A1 (en) 2019-01-25 2020-01-21 Electronic device and method for controlling the electronic device
PCT/KR2020/001019 WO2020153715A1 (en) 2019-01-25 2020-01-21 Electronic device and method for controlling the electronic device
US16/750,662 US11328719B2 (en) 2019-01-25 2020-01-23 Electronic device and method for controlling the electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190009833A KR20200094853A (ko) 2019-01-25 2019-01-25 전자 장치 및 이의 제어 방법

Publications (1)

Publication Number Publication Date
KR20200094853A true KR20200094853A (ko) 2020-08-10

Family

ID=69232754

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190009833A KR20200094853A (ko) 2019-01-25 2019-01-25 전자 장치 및 이의 제어 방법

Country Status (4)

Country Link
US (1) US11328719B2 (ko)
EP (1) EP3686753A1 (ko)
KR (1) KR20200094853A (ko)
WO (1) WO2020153715A1 (ko)

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087310A1 (en) 2000-12-29 2002-07-04 Lee Victor Wai Leung Computer-implemented intelligent dialogue control method and system
US6823333B2 (en) * 2001-03-02 2004-11-23 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System, method and apparatus for conducting a keyterm search
US7406459B2 (en) 2003-05-01 2008-07-29 Microsoft Corporation Concept network
KR20140050217A (ko) 2012-10-18 2014-04-29 에스케이플래닛 주식회사 키워드 연관 관계 시각화 제공 시스템 및 방법과, 이를 지원하는 장치
US9899021B1 (en) 2013-12-20 2018-02-20 Amazon Technologies, Inc. Stochastic modeling of user interactions with a detection system
US20170200455A1 (en) 2014-01-23 2017-07-13 Google Inc. Suggested query constructor for voice actions
US20160171122A1 (en) * 2014-12-10 2016-06-16 Ford Global Technologies, Llc Multimodal search response
US10303798B2 (en) * 2014-12-18 2019-05-28 Nuance Communications, Inc. Question answering from structured and unstructured data sources
US9600231B1 (en) 2015-03-13 2017-03-21 Amazon Technologies, Inc. Model shrinking for embedded keyword spotting
CN106205608A (zh) 2015-05-29 2016-12-07 微软技术许可有限责任公司 利用知识图的用于语音识别的语言建模
US20170024375A1 (en) 2015-07-26 2017-01-26 Microsoft Technology Licensing, Llc Personal knowledge graph population from declarative user utterances
KR20170033722A (ko) 2015-09-17 2017-03-27 삼성전자주식회사 사용자의 발화 처리 장치 및 방법과, 음성 대화 관리 장치
US20170236229A1 (en) * 2016-02-12 2017-08-17 Intellicheck Mobilisa, Inc. System and methods for analyzing information from identification documents
US20190317938A1 (en) 2016-03-31 2019-10-17 Smart Insight Corporation Method, program, and system for automatic discovery of relationship between fields in environment where different types of data sources coexist
US11321759B2 (en) * 2016-06-30 2022-05-03 International Business Machines Corporation Method, computer program product and system for enabling personalized recommendations using intelligent dialog
JP6719082B2 (ja) * 2016-07-04 2020-07-08 パナソニックＩｐマネジメント株式会社 決定木生成装置、決定木生成方法、決定木生成プログラム及び質問システム
US20180052913A1 (en) 2016-08-16 2018-02-22 Ebay Inc. Selecting next user prompt types in an intelligent online personal assistant multi-turn dialog
KR101828328B1 (ko) * 2016-10-26 2018-03-22 주식회사 리얼타임테크 내장형 데이터베이스 시스템의 다중 데이터베이스 운용 장치 및 그 방법
US10839017B2 (en) * 2017-04-06 2020-11-17 AIBrain Corporation Adaptive, interactive, and cognitive reasoner of an autonomous robotic system utilizing an advanced memory graph structure
US10482393B2 (en) * 2017-05-10 2019-11-19 The Travelers Indemnity Company Machine-based learning systems, methods, and apparatus for interactively mapping raw data objects to recognized data objects

Also Published As

Publication number Publication date
WO2020153715A1 (en) 2020-07-30
EP3686753A1 (en) 2020-07-29
US11328719B2 (en) 2022-05-10
US20200243089A1 (en) 2020-07-30

Similar Documents

Publication Publication Date Title
US11157704B2 (en) Constrained natural language processing
US11810557B2 (en) Dynamic and/or context-specific hot words to invoke automated assistant
CN108829235A (zh) 语音数据处理方法和支持该方法的电子设备
US11586689B2 (en) Electronic apparatus and controlling method thereof
US20200125967A1 (en) Electronic device and method for controlling the electronic device
WO2017112813A1 (en) Multi-lingual virtual personal assistant
CN108735204A (zh) 用于执行与用户话语相对应的任务的设备
JP2016532942A (ja) イベント知識データベースの構築方法および装置
US20190019509A1 (en) Voice data processing method and electronic device for supporting the same
US20210217409A1 (en) Electronic device and control method therefor
CN108701127A (zh) 电子设备及其操作方法
CN112487790B (zh) 包括粗略语义解析器和精细语义解析器的改进语义解析器
CN111587419A (zh) 电子装置及其控制方法
KR20210042523A (ko) 전자 장치 및 이의 제어 방법
CN117591650A (zh) 计算机实施的方法、训练系统和计算机程序产品
CN106471493A (zh) 用于管理数据的方法和装置
KR20200115695A (ko) 전자 장치 및 이의 제어 방법
CA3188880A1 (en) Conversational syntax using constrained natural language processing for accessing datasets
CN112398952A (zh) 电子资源推送方法、系统、设备及存储介质
CN108231074A (zh) 一种数据处理方法、语音助手设备及计算机可读存储介质
JP2023078411A (ja) 情報処理方法、モデルトレーニング方法、装置、機器、媒体及びプログラム製品
KR20200094853A (ko) 전자 장치 및 이의 제어 방법
JP2021512384A (ja) 社会的感情および自然言語生成の量子重ね合せおよび量子もつれ
Nikam et al. Covid-19 Android chatbot using RASA
JP2022547998A (ja) 対話システムのセマンティックパーサを訓練するための敵対的生成ネットワークの使用

Legal Events

Date Code Title Description
E902 Notification of reason for refusal