KR20200135607A - 학습 네트워크 모델 기반의 언어 처리 방법 및 장치 - Google Patents

학습 네트워크 모델 기반의 언어 처리 방법 및 장치 Download PDF

Info

Publication number
KR20200135607A
KR20200135607A KR1020190060219A KR20190060219A KR20200135607A KR 20200135607 A KR20200135607 A KR 20200135607A KR 1020190060219 A KR1020190060219 A KR 1020190060219A KR 20190060219 A KR20190060219 A KR 20190060219A KR 20200135607 A KR20200135607 A KR 20200135607A
Authority
KR
South Korea
Prior art keywords
sentences
source sentence
sentence
network model
learning network
Prior art date
Application number
KR1020190060219A
Other languages
English (en)
Inventor
자말 아부아마르 아넬
바샘 탈라파 바샤르
웨일드 제이캇 루바
무히 에딘 자터
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 KR1020190060219A priority Critical patent/KR20200135607A/ko
Priority to US15/929,824 priority patent/US20200372217A1/en
Publication of KR20200135607A publication Critical patent/KR20200135607A/ko

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • 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
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G06F40/53—Processing of non-Latin text
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Machine Translation (AREA)

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 본 개시의 일 실시예에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 복수의 단어로 구성된 소스 문장(source sentence)을 획득하는 단계; 상기 소스 문장을 구성하는 복수의 단어를 나타내는 컨텍스트 벡터(context vector)를 획득하는 단계; 학습 네트워크 모델을 이용하여, 상기 컨텍스트 벡터를 기초로 상기 소스 문장을 구성하는 복수의 단어 각각에 대한 유의어(paraphrased word)로 구성된 복수의 의역 문장(paraphrased sentence) 및 상기 복수의 의역 문장 각각과 상기 소스 문장 간의 유사도를 결정하는 단계; 및 상기 유사도를 기초로 복수의 의역 문장 중 기 설정된 개수의 의역 문장을 획득하는 단계를 포함한다.

Description

학습 네트워크 모델 기반의 언어 처리 방법 및 장치 {METHOD AND APPARATUS FOR PROCESSING LANGUAGE BASED ON TRAINED NETWORK MODEL}
본 개시의 실시예들은 학습 네트워크 모델 기반의 언어 처리 방법에 관한 것으로서, 보다 구체적으로는 학습 네트워크 모델을 이용하여, 소스 문장에 대응되는 복수의 의역 문장들을 생성하는 방법, 디바이스 및 서버에 관한 것이다.
또한 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 언어 처리에 관한 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용 기술에 관련된 것이다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(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 규칙 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.
NMT(Neural machine translation, 인공신경망 기계번역)는 머신러닝 기술이 적용된 엔진을 통해 전체 문장을 파악한 다음 문장 내에 단어, 순서, 의미, 문맥에서의 의미차이 등을 반영하여 번역결과를 제공할 수 있는 번역 기술이다. 하지만, 기존의 NMT는 자원이 부족한 희귀 언어나 희귀 용어를 오역하거나, 문장 단위로 파악하여 문단 또는 문맥을 고려하지 않은 문장 번역 결과를 제공하는 문제점이 존재하여 번역 성능의 향상이 제한된다.
따라서, 상술한 단점 또는 다른 단점을 해소하거나 적어도 유용한 대안을 제공할 수 있는 언어 처리 기술에 대한 연구가 필요한 실정이다.
본 개시가 해결하고자 하는 과제는 전술한 문제를 해결하기 위한 것으로서, 학습 네트워크 모델을 이용하여 소스 문장에 대응되는 복수의 의역 문장을 결정하는 방법, 디바이스 및 시스템을 제공하기 위한 것이다.
또한, 학습 네트워크 모델을 사용하여 소스 문장을 소스 문장과 다른 언어로 번역하여 복수의 번역 문장을 결정하는 방법, 디바이스 및 시스템을 제공하기 위한 것이다.
또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 포함하는 컴퓨터 프로그램 제품을 제공하는 데 있다. 해결하려는 기술적 과제는 상기에 기재된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 개시의 일 실시예에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 일 실시예에 따른 제1 측면은, 복수의 단어로 구성된 소스 문장(source sentence)을 획득하는 단계; 소스 문장을 구성하는 복수의 단어를 획득하는 단계; 학습네트워크 모델을 이용하여 소스 문장을 구성하는 복수의 단어 각각에 대한 유의어(paraphrased word)로 구성된 복수의 의역 문장(paraphrased sentence) 및 복수의 의역 문장 각각과 상기 소스 문장 간의 유사도를 결정하는 단계; 유사도를 기초로 복수의 의역 문장 중 기 설정된 개수의 의역 문장을 획득하는 단계를 포함할 수 있다.
또한, 제1 측면에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 영상을 수신하는 단계를 더 포함할 수 있고, 소스 문장을 획득하는 단계는 수신된 영상에 포함된 텍스트를 인식하는 단계; 인식된 텍스트로부터 소스 문장을 획득하는 단계를 더 포함할 수 있다.
또한, 제1 측면에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 학습 네트워크 모델은 컨텍스트 벡터가 각각 입력 및 출력으로 적용되는 인코더 및 디코더를 포함하는 시퀀스 투 시퀀스 모델을 포함할 수 있고, 유사도는 디코더에서 산출되는 유의어와 소스 문장의 단어가 일치할 확률을 기초로 결정될 수 있다.
또한, 제1 측면에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 소스 문장을 구성하는 복수의 단어들에 대해, 토크나이징(tokenizing) 프로세스 및 정규화 프로세스 중 적어도 하나의 프로세스를 수행하는 단계를 더 포함할 수 있고, 컨텍스트 벡터를 획득하는 단계는 위 프로세스 수행 결과 획득된 단어를 나타내는 컨텍스트 벡터를 획득할 수 있다.
또한, 제1 측면에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 기 설정된 개수의 의역 문장을 획득하는 단계는, 유사도, 복수의 의역 문장 각각을 구성하는 단어의 개수 및 복수의 의역 문장 각각의 길이를 기초로 복수의 의역 문장의 순위(rank)를 결정하는 단계; 결정된 순위에 기초하여 복수의 의역 문장 중 기 설정된 개수의 의역 문장을 선택하는 단계를 포함할 수 있다.
또한, 제1 측면에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 복수의 의역 문장의 순위를 결정하는 단계는, 빔 서치(beam search)를 이용할 수 있다.
또한, 제1 측면에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 복수의 의역 문장은 획득된 소스 문장과 다른 언어로 작성된 의역 문장을 포함할 수 있다.
또한, 제1 측면에 따른 학습 네트워크 모델 기반의 언어 처리 방법은, 복수의 의역 문장은 획득된 소스 문장과 동일한 언어 및 소스 문장과 다른 언어로 작성된 의역 문장을 포함할 수 있다.
또한, 본 개시의 일 실시예에 따른 제2 측면은, 하나 이상의 인스트럭션을 저장하는 메모리; 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 복수의 단어로 구성된 소스 문장을 획득하고, 소스 문장을 구성하는 복수의 단어를 획득하고, 학습 네트워크 모델을 이용하여, 소스 문장을 구성하는 복수의 단어 각각에 대한 유의어(paraphrased word)로 구성된 복수의 의역 문장(paraphrased sentence) 및 상기 복수의 의역 문장 각각과 상기 소스 문장간의 유사도를 결정하고, 유사도를 기초로 복수의 의역 문장 중 기 설정된 개수의 의역 문장을 획득하는 전자 디바이스를 제공할 수 있다.
또한, 본 개시의 일 실시예에 따른 제3 측면은, 제1 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공할 수 있다.
또한, 본 개시의 일 실시예에 따른 제4 측면은, 하나 이상의 위치들에서 하나 이상의 컴퓨터 프로그램으로서 구현되는 제1 측면의 방법을 컴퓨터에서 실행시키기 위한 학습 네트워크 모델 기반의 언어 처리 시스템을 제공할 수 있다.
본 개시의 실시예들에 따르면, 학습 네트워크 모델을 학습시키기 위한 데이터를 획득하는데 걸리는 시간과 비용을 절감시킬 수 있다.
또한, 본 개시의 실시예들에 따르면, 가상 어시스턴스의 언어 이해를 증가시킬 수 있고 자원이 부족한 언어에 대하여 더 정확한 번역 및 명령 이해를 가능하게 할 수 있다.
본 개시의 다른 특징들 및 이점들은 다음의 상세한 설명 및 첨부된 도면들로부터 명백해질 것이다.
도 1은 일 실시예에 따른 소스 문장에 대한 복수의 의역 문장을 결정하는 예시를 나타내는 개략도이다.
도 2는 일 실시예에 따른 소스 문장에 대한 복수의 의역 문장을 획득하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 시퀀스 투 시퀀스 인코더-디코더 모델을 사용하는 학습 네트워크 모델을 도시한 블록도이다.
도 4는 일 실시예에 따른 복수의 단어를 워드 임베딩(word embedding)하는 방법의 흐름도이다.
도 5는 일 실시예에 따른 복수의 유의어를 토크나이징 프로세스 및 정규화 프로세스를 통해 전처리 프로세스를 진행하는 방법의 흐름도이다.
도 6은 일 실시예에 따른 시퀀스 투 시퀀스 인코더-디코더 어텐션(attention) 모델로 이루어진 학습 네트워크 모델을 나타내는 블록도이다.
도 7은 일 실시예에 따른 복수의 의역 문장에서 상위 임의 개 문장을 선택하는 방법의 흐름도이다.
도 8은 일 실시예에 따른 소스 문장에 대한 데이터를 증가시키는 비지도의 접근 방법을 나타내는 흐름도이다.
도 9a는 일 실시예에 따른 디바이스 상에 소스 문장의 복수 의역 문장을 출력하는 시스템의 예시도이다.
도 9b는 일 실시예에 따른 디바이스 상에 소스 문장과 다른 언어의 복수 의역 문장을 출력하는 시스템의 예시도이다.
도 10은 일 실시예에 따른 영상에서 텍스트를 추출해내 복수 의역 문장을 출력하는 방법을 나타낸 예시도이다.
도 11은 일 실시예에 따른 서버의 구성을 도시한 도면이다.
도 12는 일 실시예에 따른 프로세서의 구성을 도시한 도면이다.
도 13은 일 실시예에 따른 디바이스 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 14는 일 실시예에 따른 프로세서를 설명하기 위한 도면이다.
도 15는 일 실시예에 따른 데이터 학습부의 블록도이다.
도 16는 일 실시예에 따른 데이터 인식부의 블록도이다.
본 개시에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되지는 않는다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 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 항목들의 조합 또는 복수의 관련된 항목들 중의 어느 하나의 항목을 포함한다.
또한, 본 개시에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 특성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
본 개시 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
"예시적인"이라는 단어는 본 개시에서 "예시 또는 예증으로서 사용된"의 의미로 사용된다. 본 개시에서 "예시적인"것으로 설명된 임의의 실시예는 반드시 바람직한 것으로서 해석되거나 다른 실시예들보다 이점을 갖는 것으로 해석되어서는 안된다.
또한, 본 개시에서 학습 네트워크 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델일 수 있다.
시퀀스 투 시퀀스 모델은, 2개의 RNN(Recurrent Neural Networks) 모델을 합쳐놓아 입력 시퀀스를 넣어 출력 시퀀스를 획득하는 것으로서, 시퀀스 투 시퀀스 인코더-디코더 모델, 시퀀스 투 시퀀스 어텐션 모델, 시퀀스 투 시퀀스 인코더-디코더 어텐션 모델 중 적어도 하나를 포함할 수 있다. 인코더 및 디코더로 구성된 시퀀스 투 시퀀스 모델은 인코더가 입력 시퀀스를 하나의 컨텍스트 벡터로 출력하고, 디코더가 컨텍스트 벡터를 입력으로 하여 출력 시퀀스를 획득하는 학습 네트워크 모델이다.
어텐션 메커니즘은, 해당 시점에서 예측해야 할 단어와 연관이 있는 입력 단어 부분을 더 집중(attention)해서 학습 네트워크 모델을 학습시키는 기법으로, 닷-프로덕트 어텐션(Dot-Product Attention), 컨텍스트 기반 어텐션(Context-Base attention), 글로벌 어텐션(Global Attention), 로컬 어텐션(Local Attention), MLP 어텐션 중 적어도 하나를 이용하여 학습 네트워크 모델을 학습시키는 기법일 수 있다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 개시 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일 실시예에 따른 소스 문장에 대한 복수의 의역 문장을 결정하는 예시를 나타내는 개략도이다.
도 1을 참조하면, 복수의 의역 문장을 결정하기 위한 프로세스는 서버(100)에 구비된 학습 네트워크 모델(110)을 이용하여 복수의 의역 문장을 결정할 수 있다. 학습 네트워크 모델(110)은 소스 문장의 의역 문장을 결정하는 알고리즘의 집합일 수 있다. 또한, 학습 네트워크 모델(110)은 전술한 알고리즘 집합을 실행하기 위한 소프트웨어 또는 엔진 등으로 구현될 수 있다. 소프트웨어 또는 엔진으로 구현된 학습 네트워크 모델(110)은 서버(100)의 프로세서 또는 디바이스 내의 프로세서에 의해 실행될 수 있다.
일 실시예에 따라 서버(100)는 외부의 디바이스로부터 소스 문장(source sentence)을 획득할 수 있고, 학습 네트워크 모델(110)을 이용하여 획득된 소스 문장과 동일하거나 비슷한 의미를 가지는 복수의 의역 문장(paraphrased sentence)을 결정할 수 있다. 또한, 서버(100)는 결정된 복수의 의역 문장 전부 또는 기 설정된 개수에 따라 적어도 일부의 의역 문장을 디바이스로 전송할 수 있다.
일 실시예에 따른 서버(100)는 소스 문장과의 유사도에 따라 기 설정된 개수의 복수의 의역 문장을 결정할 수 있다. 유사도는 학습 네트워크 모델(110)을 구성하는 디코더에서 산출되는 유의어와 소스 문장의 단어가 일치할 확률을 기초로 결정될 수 있다.
예를 들어, 서버(100)가 소스 문장으로 "Every year, thousands of tourists visit Niagara Falls(이하 제1 문장, 10)"을 획득하면, 학습 네트워크 모델(110)은 제1 문장(10)의 복수의 의역 문장으로서, "Niagara Falls is visited by thousands of tourists of tourists every year.(이하 제2a 문장, 22)", "Thousands of tourists visit Niagara Falls every year.(이하 제2b 문장, 24)", "Thousands of people visit Niagara Falls every year.(이하 제2c 문장, 26)" 등을 결정할 수 있다. 제2a 문장(22)은 제1 문장(10)을 수동태에서 능동태로 변경한 의역 문장에 해당하고, 제2b 문장(24)은 제1 문장의 단어 순서를 바꾼 의역 문장에 해당하며, 제2c 문장(26)은 제2b 문장(24)과 단어 배열 순서는 동일하나 'tourists'를 유의어인 'people'로 치환한 의역 문장에 해당한다. 따라서, 복수의 의역 문장은 소스 문장의 어순을 바꾸거나, 문장 형태를 변경하거나, 유의어로 치환한 문장일 수 있고 복수의 의역 문장은 소스 문장과 동일한 문장이 포함할 수 있다.
서버(100)는 디바이스와 네트워크를 통해 연결될 수 있다. 서버(100)는 네트워크를 통해 디바이스로부터 소스 문장을 획득할 수 있다. 이 경우, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함할 수 있다. 다만, 이는 일 예일뿐, 네트워크는 디바이스 및 서버(100)가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.
도 2는 일 실시예에 따른 서버가 학습 네트워크 모델을 이용하여 소스 문장에 대한 복수의 의역 문장을 획득하는 방법을 설명하기 위한 흐름도이다.
단계 S210에서, 서버는 소스 문장을 획득할 수 있다. 일 실시예에 따른 서버는 서버 내의 메모리로부터 소스 문장을 획득하거나 디바이스로부터 소스 문장을 수신하여 소스 문장을 획득할 수 있으나, 서버가 소스 문장을 획득하는 방법이 이에 제한되는 것은 아니다.
단계 S220에서, 서버는 소스 문장 내의 복수의 단어를 획득할 수 있다. 일 실시예에 따른 서버는 학습 네트워크 모델을 이용하여 소스 문장으로부터 소스 문장을 구성하는 복수의 단어를 획득할 수 있다. 여기에서 학습 네트워크 모델은 하나 이상의 뉴럴 네트워크(Neural Network)로 구성될 수 있다. 예를 들어, 서버는 제1 문장에 대하여 단어 "Every", "year", "thousands", "of", "tourists", "visit", "Niagara", "Falls"을 획득할 수 있다.
또한, 서버는 단계 S220에서 획득된 단어들을 나타내는 임의의 벡터를 획득할 수 있다. 임의의 벡터는 소스문장을 구성하는 각 단어들의 정보를 나타내기 위해, 문자, 숫자, 기호 중 적어도 하나로 표현될 수 있다. 임의의 벡터의 원소들은 워드 임베딩(word embedding)에 의해 문자, 숫자, 기호 중 적어도 하나에 해당하는 값이 결정될 수 있다. 또한, 임의의 벡터는 소스 문장을 워드 임베딩(word embedding) 한 결과 얻어진 임베딩 벡터일 수 있다.
예를 들어, 한국과 서울, 미국과 워싱턴, 스페인과 마드리드, 이탈리아와 로마, 독일과 베를린, 일본과 도쿄, 중국과 베이징은 워드 임베딩에 의해 유사한 문자, 숫자, 기호 중 적어도 하나가 할당될 수 있다.
단계 S230에서, 서버는 학습 네트워크 모델을 이용하여 복수의 단어 각각에 대한 유의어로 구성된 복수의 의역 문장 및 의역 문장 각각과 소스 문장 간의 유사도를 결정할 수 있다. 유사도는 소스 문장 내의 복수의 단어의 임의의 벡터와 복수의 의역 문장내의 복수의 단어의 임의의 벡터 간의 유사한 정도를 나타내는 정보로서, 예를 들어 평균 제곱 오차(mean square error), 유클리디안 거리(Euclidean distance), Kullback-Leibler divergence 등 다양한 기법을 통해 결정될 수 있다.
일 실시예에 따른 서버는 임의의 의역 문장이 소스 문장과 문장 길이, 확률 값, 문장을 구성하는 단어의 품사, 존칭 표현 여부 등이 유사하다면 그렇지 않은 의역 문장보다 유사도를 높게 측정할 수 있다.
단계 S240에서, 서버는 결정된 유사도를 기초로, 생성된 복수의 의역 문장 중에서 기 설정된 개수의 문장을 획득할 수 있다. 예를 들어, 서버는 유사도를 기초로, 생성된 N개의 의역 문장 중에서 유사도가 높은 순서대로 기 설정된 개수인 K개의 의역 문장을 획득할 수 있다. 또한, 서버는 이를 요청한 사용자 디바이스에게 획득한 K개의 의역 문장을 전송할 수 있다. 전송된 K개의 의역 문장은 사용자 디바이스에 디스플레이 될 수 있다.
도 3은 일 실시예에 따른 시퀀스 투 시퀀스 인코더-디코더 모델을 사용하는 학습 네트워크 모델을 도시한 블록도이다.
도 3을 참조하면, 일 실시예에 따른 학습 네트워크 모델은 특정 언어에 대한 인코더(310) 및 디코더(330)를 포함할 수 있다. 인코더(310) 및 디코더(330) 각각은 뉴럴 네트워크(neural network)로 구성될 수 있다. 더 나아가, 인코더(310) 및 디코더(330) 각각은 하나 이상의 LSTM 레이어로 구성될 수 있다.
인코더(310)는 해당 언어로 표현된 문장을 인코딩하여 소스 문장에 대응하는 컨텍스트 벡터(320)로 변환할 수 있다. 문장은 텍스트 형태의 언어 데이터일 수 있다. 예를 들어, 인코더(310)는 인코딩을 통해 소스 문장으로부터 추상화된 정보(예컨대, 특징 벡터)를 추출하고, 추상화된 정보에 매핑된 컨텍스트 벡터(320)를 생성할 수 있다.
또한, 디코더(330)는 컨텍스트 벡터(320)를 디코딩하여 소스 문장에 대응하는 복수의 의역 문장으로 변환할 수 있다. 예를 들어, 디코더(330)는 디코딩을 통해 컨텍스트 벡터(320)로부터 추상화된 정보(예컨대, 특징 벡터)를 추출하고, 추상화된 정보에 매핑된 해당 언어로 표현된 복수의 의역 문장을 생성할 수 있다.
예를 들어, 서버가 인코더(310)에 시퀀스(sequence) A, B, C 및 문장의 종결을 알리는 종결 코드 <eos>를 입력하면 인코더(310)는 시퀀스 A, B, C에 대한 컨텍스트 벡터(320)를 생성하고, 서버가 A, B, C에 대한 컨텍스트 벡터(320)와 문장의 시작을 알리는 <go> 코드 및 A, B, C의 시퀀스를 디코더(330)에 입력하면 디코더(330)은 디코딩하여 A, B, C 및 종결 코드 <eos>를 출력할 수 있다.
일 실시예에 따라, 복수의 의역 문장은 소스 문장과 동일한 문장, 소스 문장과 동일한 언어로 작성된 복수의 의역 문장 및 소스 문장과 다른 언어로 작성된 복수의 의역 문장 중 적어도 하나로 구성될 수 있다. 또한, 복수의 의역 문장은 소스 문장과 동일한 언어로 작성된 복수의 의역 문장 및 소스 문장과 다른 언어로 작성된 복수의 의역 문장 모두를 포함할 수 있다. 또한, 학습 네트워크 모델은 각 언어 별로 소스 문장에 대응되는 의역 문장들을 보다 효과적으로 증가시킬 수 있다.
예를 들어, 서버가 소스 문장으로 제1 문장을 획득하였을 때, 서버는 소스 문장과 동일한 언어인 영어로 제2a문장, 제2b문장 및 제2c문장을 결정할 수 있고, 소스 문장과 다른 언어인 한국어로 "매년, 수천만 명의 방문객들이 나이아가라 폭포를 방문한다."의 문장, "수천만 명의 여행객들이 매년 나이아가라 폭포를 방문한다."의 문장, 및 "수천만 명의 사람들이 매년 나이아가라 폭포를 방문한다."의 문장을 동시에 결정할 수 있다. 이에 따라, 서버는 두 언어에 대해서 데이터를 동시에 증가시킬 수 있다.
도 4는 일 실시예에 따른 복수의 단어를 워드 임베딩(word embedding)하는 프로세스의 흐름도이다.
워드 임베딩(word embedding)이란, 단어들을 다차원 벡터 공간 상에 각각의 차원이 실수 값을 갖는 다차원 벡터 형태로 나타내는 것을 의미한다. 벡터의 특정 차원은 하나 이상의 다양한 속성이 대응될 수 있으며, 특정 속성은 하나 이상의 차원으로 나뉘어 표현될 수 있다. 워드 임베딩 결과 생성되는 벡터는 단어들 간의 거리 행렬에 다중 차원 스케일링 기법(Multi-Dimensional Scaling, MDS)을 적용하여 다차원 임베딩 벡터 공간상에 하나의 점으로 배치될 수 있다.
단계 S410에서, 서버는 소스 문장을 구성하는 복수의 단어를 획득할 수 있다. 일 실시예에 따른 서버는 서버 내의 메모리로부터 소스 문장을 획득하거나 디바이스로부터 소스 문장을 수신하여 소스 문장을 획득할 수 있다. 일 실시예에 따른 서버는 학습 네트워크 모델을 이용하여 소스 문장으로부터 복수의 단어 를 획득할 수 있다. 여기에서 학습 네트워크 모델은 하나 이상의 뉴럴 네트워크(Neural Network)로 구성될 수 있다.
단계 S420에서, 서버는 획득한 소스 문장을 구성하는 복수의 단어를 하나 이상의 뉴럴 네트워크에 입력할 수 있다. 하나 이상의 뉴럴 네트워크는 획득한 소스 문장을 구성하는 복수의 단어에 대한 비지도 워드 임베딩(unsupervised word embedding) 학습을 할 수 있다.
단계 S430에서, 뉴럴 네트워크는 비지도 워드 임베딩 결과 각 단어들로부터 임베딩 벡터를 생성할 수 있다. 임베딩 벡터는 각 단어들을 다차원 벡터 공간 상에 각각의 차원이 실수 값을 갖는 다차원 벡터를 의미할 수 있다. 벡터의 특정 차원은 하나 이상의 다양한 속성이 대응될 수 있으며, 특정 속성은 하나 이상의 차원으로 나뉘어 표현될 수 있다. 따라서, 유의어는 각 차원 상에서 가까운 거리에 위치할 수 있다.
도 5는 일 실시예에 따른 복수의 유의어에 대해 토크나이징 프로세스 및 정규화 프로세스 등의 전처리 프로세스를 진행하는 방법을 설명하기 위한 흐름도이다.
토크나이징 프로세스(tokenizing Process)는 문장을 분석하기 용이하도록 문자열을 하나 이상의 조각(token)으로 쪼개는 것을 의미한다. 토큰은 의미를 가지는 문자열의 한 조각으로, 단어, 문장, 형태소, 음절, 기 설정된 글자수에 해당하는 텍스트 등이 하나의 토큰이 될 수 있으나 이에 제한되는 것은 아니다.
단계 S510에서, 서버는 복수의 단어로 구성된 소스 문장을 획득할 수 있다. 단계 S510은 도 2를 참조하여 전술한 단계 S210과 대응될 수 있다.
단계 S520에서, 서버는 소스 문장에 대해 전처리 프로세스로서 토크나이징 프로세스 또는 정규화 프로세스 중 적어도 하나를 진행할 수 있다. 서버는 전처리 프로세스를 진행하여 학습 네트워크 모델에 입력하는 단어 등의 수를 줄여 분석의 효율성을 높일 수 있다. 또한, 서버는 전처리 프로세스 수행 결과 획득된 단어를 나타내는 임의의 벡터를 획득할 수 있다.
단계 S530에서, 서버(100)는 단계 S530의 전처리 프로세스를 통해 토큰화 및 정규화 된 단어 등을 학습 네트워크 모델에 입력하여 소스 문장에 대한 복수의 의역 문장을 획득할 수 있다. 소스 문장으로부터 복수의 의역 문장들을 결정하는 방법은 도 1을 참조하여 전술한 바와 대응될 수 있다.
도 6은 일 실시예에 따른 시퀀스 투 시퀀스 인코더-디코더 어텐션(attention) 모델로 구성된 학습 네트워크 모델(600)을 나타내는 블록도이다.
도 6을 참조하면, 학습 네트워크 모델(600)은 하나의 뉴럴 네트워크를 포함하거나 인코더 뉴럴 네트워크(610), 어텐션(attention) 모델(620), 및 디코더 뉴럴 네트워크(630) 중 적어도 하나를 포함하는 복수 개의 뉴럴 네트워크를 포함할 수 있다. 각 뉴럴 네트워크 각각은 하나 이상의 장단기 메모리(LSTM) 레이어(612, 616, 632)를 포함할 수 있다. 인코더 뉴럴 네트워크(610)는 포워드(forward) LSTM 레이어, 백워드(backward) LSTM 레이어, 및 양 방향 LSTM 레이어(612) 중 적어도 하나를 포함할 수 있다. 또한, 인코더 뉴럴 네트워크(610)는 복수의 LSTM 레이어의 스택(616) 및 가산기(614) 중 적어도 하나를 포함할 수 있다. 디코더 뉴럴 네트워크(630)는 하나 이상의 LSTM 레이어(632), 가산기(634) 및 빔 서치 디코더(636) 중 적어도 하나를 포함할 수 있다.
일 실시예에 따라, 학습 네트워크 모델(600)은 소스 문장(640)을 입력 받아 출력 문장(650)를 출력할 수 있다. 인코더 뉴럴 네트워크(610)는 소스 문장(640)을 토크나이징하여 얻어진 입력 토큰 시퀀스(604)를 입력으로 획득할 수 있다. 또한, 인코더 뉴럴 네트워크(610)는 입력 토큰 시퀀스(604)를 하나 이상의 레이어에 통과시켜 소스 문장(640)에 대응하는 컨텍스트 벡터(618)를 생성할 수 있다. 생성된 컨텍스트 벡터(618)는 어텐션 모델(620)으로 입력될 수 있다.
일 실시예에 따라, 어텐션 모델(620)은 컨텍스트 벡터(618)를 인코더 뉴럴 네트워크(610)로부터 수신하여, 이를 기초로 가중치 값(622)을 계산할 수 있다. 어텐션 모델(620)은 디코더 뉴럴 네트워크(630)에게 가중치 값(622)을 전송할 수 있다.
일 실시예에 따라, 디코더 뉴럴 네트워크(630)는 서버로부터 최종 출력 토큰 시퀀스(608)의 선행 출력 토큰 시퀀스(606)를 수신할 수 있다. 선행 출력 토큰 시퀀스(606)는 입력 토큰 시퀀스(604)와 동일하거나 입력 토큰 시퀀스(604)의 유의 시퀀스에 해당할 수 있지만, 이에 제한되는 것은 아니다. 디코더 뉴럴 네트워크(630)는 선행 출력 토큰 시퀀스(606)를 하나 이상의 레이어에 통과시킬 수 있다. 또한, 디코더 뉴럴 네트워크(630)는 레이어를 통과한 시퀀스를 가산기(634)를 이용하여 더할 수 있다. 최종 시퀀스는 빔 서치 디코더(636)에게 전송될 수 있다. 빔 서치 디코더(636)는 빔 서치(beam search)를 사용하여 최종 출력 토큰 시퀀스(608)를 결정할 수 있다. 학습 네트워크 모델(600)은 결정된 최종 출력 시퀀스(608)를 이용하여 출력 문장(650)을 결정할 수 있다.
도 7은 일 실시예에 따른 복수의 의역 문장에서 기 설정된 개수의 문장을 선택하는 방법을 설명하기 위한 흐름도이다.
단계 S710에서, 서버는 소스 문장에 대한 복수의 의역 문장을 획득할 수 있다. 단계 S710은 도 5를 참조하여 전술한 단계 S530과 대응될 수 있다.
단계 S720에서, 서버는 언어 모델을 사용하여 소스 문장에 대응되는 복수의 의역 문장 각각에 스코어(score)를 할당할 수 있다. 서버는 복수의 의역 문장 각각을 구성하는 단어의 개수 및 복수의 의역 문장 각각의 길이를 기초로 복수의 의역 문장에 스코어를 할당하여 순위를 결정할 수 있다. 언어 모델은 학습 네트워크 모델을 사용하여 문장의 확률을 계산하는 모델을 의미할 수 있다. 언어 모델은 기계 번역, 오타 교정, 음성 인식 중 적어도 하나를 위해 사용될 수 있으나 이에 제한되는 것은 아니다.
예를 들어, 언어 모델을 기계 번역을 위해 사용할 때, 학습 네트워크 모델이 제 1문장을 한국어로 번역할 때, 언어 모델은 "매년 수천만의 방문객들이 나이아가라 폭포를 방문한다"의 자연스러운 능동태 문장을 "매년 수천만의 방문객들이 나이아가라 폭포에 방문됐다."의 부자연스러운 수동태 문장보다 높은 스코어로 판단할 수 있다.
또한, 언어 모델을 오타 교정을 위해 사용할 때, 언어 모델은 제1 문장을 문법 오기가 존재하는 "Every year, thousands of tourists visits Niagara Falls."의 문장보다 높은 스코어로 판단할 수 있다.
또한, 언어 모델을 음성 인식을 위해 사용할 때, 언어 모델은 "나는 배를 먹는다"의 문장을 "나는 베를 먹는다"의 문장보다 높은 스코어로 판단할 수 있다.
단계 S730에서, 학습 네트워크 모델은 스코어가 할당된 복수의 의역 문장 중에서 결정된 순위에 따라 상위 K개의 문장을 선택할 수 있다. K는 학습 네트워크 모델 내 기 설정될 수도 있고, 사용자 입력에 의해 결정될 수 있고, 사용자 디바이스로부터 수신 받은 개수, 또는 학습 네트워크 모델에 의해 적합하다고 판단된 개수일 수 있으나 이에 제한되는 것은 아니다.
도 8은 일 실시예에 따른 소스 문장에 대한 데이터를 증가시키는 비지도의 접근 방법을 나타내는 흐름도이다.
단계 S810에서, 서버는 복수의 단어로 구성된 소스 문장을 획득할 수 있다. 단계 S810은 도 2를 참조하여 전술한 단계 S210과 대응될 수 있다.
단계 S820에서, 서버는 전처리 과정으로써 토크나이징 프로세스 및 정규화 프로세스를 수행할 수 있다. 단계 S820은 도 5를 참조하여 전술한 단계 S520과 대응될 수 있다.
단계 S830에서, 서버는 워드 임베딩 프로세스를 수행할 수 있다. 단계 S830은 도 4를 참조하여 전술한 워드 임베딩 프로세스와 대응될 수 있다. 서버는 워드 임베딩 프로세스를 수행한 결과 하나 이상의 시퀀스를 생성할 수 있다. 서버는 생성된 하나 이상의 시퀀스를 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크에게 전송할 수 있다.
단계 S840 및 단계 S850에서, 서버는 인코더 뉴럴 네트워크를 이용하여 하나 이상의 시퀀스를 입력으로 하여 각 시퀀스 마다 컨텍스트 벡터를 생성할 수 있다. 또한, 서버는 디코더 뉴럴 네트워크를 이용하여 하나 이상의 시퀀스 및 컨텍스트 벡터를 입력으로 하여 하나 이상의 출력 시퀀스를 생성할 수 있다. 디코더 뉴럴 네트워크를 이용하여 입력하는 하나 이상의 시퀀스는 인코더의 하나 이상의 입력 시퀀스와 동일한 시퀀스이거나 또는 인코더의 하나 이상의 입력 시퀀스와 유사한 의미의 시퀀스를 포함할 수 있으나 이에 제한되는 것은 아니다.
단계 S860에서, 서버는 학습 네트워크 모델을 이용하여 하나 이상의 출력 시퀀스들을 학습시킬 수 있다. 학습 네트워크 모델은 인코더 뉴럴 네트워크, 어텐션 모델, 디코더 뉴럴 네트워크 및 빔 서치 디코더 중 적어도 하나를 포함할 수 있다.
단계 S870에서, 서버는 소스 문장으로부터 N개의 변형된 문장을 생성할 수 있다. N은 학습 네트워크 모델 내 생성할 수 있는 문장의 최대 개수, 학습 네트워크 모델 내 기 설정된 개수, 사용자 디바이스로부터 수신 받은 개수, 또는 학습 네트워크 모델에 의해 적합하다고 판단된 개수일 수 있으나 이에 제한되는 것은 아니다.
단계 S880에서, 서버는 빔 서치 디코더를 이용하여 N개의 변형 문장 중에서 상위 K개의 문장의 변형을 선택할 수 있다. 단계 S890은 도 7를 참조하여 전술한 단계 S730과 대응될 수 있다.
도 9a는 일 실시예에 따른 소스 문장과 동일한 언어로 작성된 복수 의역 문장을 출력하는 디바이스의 예시도이다.
일 실시예에 따라, 디바이스(900)의 사용자는 소스 문장의 복수의 의역 문장을 획득하기 위해 네트워크를 통해 서버와 통신할 수 있다. 예를 들어, 사용자가 디바이스(900)에 소스 문장을 입력함에 따라, 디바이스(900)는 소스 문장의 언어와 동일한 언어로 작성된 복수의 의역 문장을 생성하도록 하는 요청을 네트워크를 통해 서버에 전송할 수 있다. 서버는 학습 네트워크 모델을 통해 결정된 복수의 의역 문장을 디바이스(900)에 전송할 수 있다.
일 실시예에 따라, 서버(100)는 복수의 의역 문장을 디바이스(900)에 전송함과 동시에 소스 문장과 복수의 의역 문장 중 하나 이상의 문장을 사용자에게 추천할 수 있다. 디바이스(900)는 추천 문장을 강조하여 디스플레이 장치에 디스플레이 할 수 있다. 예를 들어, 추천 문장은 음영, 부가적인 도형 표시, 하이라이트 등으로 강조될 수 있으나 이에 제한되는 것은 아니다. 서버는 추천 문장을 결정함에 있어서, 소스 문장과의 유사도, 소스 문장의 문맥, 소스 문장의 형태, 유사한 문장의 빈도 수 등을 고려할 수 있으나 이에 제한되는 것은 아니다.
예를 들어, 추천 문장을 결정함에 있어서 학습 네트워크 모델이 소스 문장의 문맥을 고려하는 경우, 학습 네트워크 모델은 제1 문장(10)이 학술적인 글의 문맥을 가지는 것을 파악하여 통상의 글의 문맥을 가지는 제2b 문장 및 제2c 문장(24, 26)보다 학술적인 글의 문맥을 가지는 제2a 문장(22)을 추천문장으로 결정할 수 있다.
또한, 추천 문장을 결정함에 있어서 학습 네트워크 모델이 소스 문장의 형태를 고려하는 경우, 학습 네트워크 모델은 제1 문장(10)이 능동태로 구성되어 있는 것을 파악하여 수동태로 구성된 제2a 문장(22)보다 능동태로 구성된 제2b 문장(24)을 추천 문장으로 결정할 수 있다.
또한, 추천 문장을 결정함에 있어서 학습 네트워크 모델이 유사한 문장의 빈도 수를 고려하는 경우, 서버는 단어 "people"을 사용한 제2c 문장(26)보다 단어 "tourist"를 사용한 제2b 문장(24)을 추천 문장으로 결정할 수 있다.
디바이스(900)는 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 디바이스(900)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다.
도 9b는 일 실시예에 따른 소스 문장과 다른 언어로 작성된 복수 의역 문장을 출력하는 디바이스의 예시도이다.
일 실시예에 따라, 디바이스(900)의 사용자는 소스 문장과 다른 언어로 작성된 복수의 의역 문장을 획득하기 위해 네트워크를 통해 서버와 통신할 수 있다. 예를 들어, 사용자가 소스 문장을 디바이스(900)에 입력함에 따라, 디바이스(900)는 소스 문장의 언어와 다른 언어로 작성된 복수의 의역 문장을 생성하도록 하는 요청을 네트워크를 통해 서버에 전송할 수 있다. 서버는 학습 네트워크 모델을 통해 결정된 복수의 의역 문장을 디바이스(900)에 전송할 수 있다.
일 실시예에 따라, 서버가 복수의 의역 문장을 디바이스(900)에 전송함과 동시에 소스 문장과 복수의 의역 문장 중 하나 이상의 문장을 사용자에게 추천할 수 있다. 디바이스(900)는 추천 문장을 강조하여 디스플레이 장치에 디스플레이 할 수 있다. 예를 들어, 추천 문장은 음영, 부가적인 도형 표시, 하이라이트 등으로 강조될 수 있으나 이에 제한되는 것은 아니다. 서버는 추천 문장을 결정함에 있어서, 소스 문장과의 유사도, 소스 문장의 문맥, 소스 문장의 형태, 유사한 문장의 빈도 수 등을 고려할 수 있으나 이에 제한되는 것은 아니다.
예를 들어, 사용자는, 디바이스(900)를 통해, 반복적으로 이메일(e-mail)을 보내야 하는 상황 또는 반복적으로 감사의 인사를 드려야 하는 상황에서 한국어로 작성된 소스문장인 "도움 주셔서 감사합니다.(이하 제3 문장, 30)"을 영어로 작성된 복수의 의역 문장으로 번역할 수 있다. 또한 사용자는 이메일을 작성할 때마다 다른 문장을 사용할 수 있다. 이는 종전 기술과 달리, 다양한 번역 문장의 형태를 추출하여 사용자가 외국어를 사용함에 있어서 자연스러운 외국어 구사를 가능하게 할 수 있다.
도 10은 일 실시예에 따른 서버가 디바이스로부터 실시간으로 이미지 내 텍스트를 추출해내 복수의 의역 문장 및 추천 문장을 결정하는 방법을 나타낸 예시도이다.
일 실시예에 따라, 하나 이상의 프로세서를 가지고 있는 서버는 디바이스(1000)로부터 텍스트(1012)를 포함하는 이미지(1010)를 수신할 수 있다. 이미지(1010)는 동적인 영상 내 이미지 또는 정적인 이미지를 포함할 수 있다. 서버는 광학 문자 인식을 수행하여 텍스트(1020)를 획득할 수 있고, 광학 문자 인식 프로세스는 OCR을 이용할 수 있으나 이에 제한되는 것은 아니다.
일 실시예에 따라, 서버는 획득한 텍스트(1020)에 대한 복수의 의역 문장(1060)을 학습 네트워크 모델을 이용하여 결정할 수 있다. 학습 네트워크 모델은 인코더 뉴럴 네트워크(1030) 및 디코더 뉴럴 네트워크(1050)를 포함할 수 있으며 인코더 뉴럴 네트워크(1030) 및 디코더 뉴럴 네트워크(1050)는 LSTM 레이어로 구성될 수 있다. 인코더 뉴럴 네트워크(1030)와 디코더 뉴럴 네트워크(1050)는 획득한 텍스트(1020)를 수신할 수 있으며, 인코더 뉴럴 네트워크(1030)은 텍스트(1020)에 대응하는 컨텍스트 벡터(1040)를 출력할 수 있다. 디코더 뉴럴 네트워크(1050)는 출력된 컨텍스트 벡터(1040)를 수신하여 복수의 의역 문장(1060)을 결정할 수 있다.
일 실시예에 따라, 서버는 결정된 복수의 의역 문장(1060) 중에서 추천 문장(1070)을 결정할 수 있다. 서버는 추천 문장(1070)을 결정함에 있어서, 획득한 텍스트(1020)와의 유사도, 영상 내 다른 텍스트들과의 관계, 텍스트의 형태, 유사한 문장의 빈도 수 등을 고려할 수 있으나, 서버가 추천 문장을 결정하는 방법이 이에 제한되는 것은 아니다. 예를 들어, 도 10을 참조하면, 서버는 추천 문장으로서 이미지(1010) 내 텍스트(1012)를 추출하여 획득된 텍스트(1012)의 오기를 정정한 문장(1070)을 결정할 수 있다. 그러므로, 본 개시는 일 실시예로, 자막의 오타 교정을 위해 사용될 수 있다.
예를 들어, 서버는 영상에서 "You get put your past behind you."(이하 제4 문장)을 추출할 수 있다. 제4 문장은 문맥을 고려할 때 과거 형인 'got'으로 표현되어야 할 단어가 현재형인 'get'으로 표현되어 오기가 존재하는 문장에 해당한다. 서버는 학습 네트워크 모델을 이용하여 제4 문장을 입력으로 하여 복수의 의역 문장 "You got to put your past behind you."(이하 제5a 문장), "You need to put the past behind you."(이하 제5b 문장), 및 "You must put your past behind you."(이하 제5c 문장)을 결정할 수 있다. 더 나아가, 서버는 제5a 문장을 추천 문장으로 결정할 수 있다.
일 실시예에 따라, 획득된 텍스트(1020)에 대응하는 복수의 의역 문장(1060)은 텍스트(1020)와 동일한 언어로 작성된 복수의 의역 문장 및 텍스트(1020)와 다른 언어로 작성된 복수의 의역 문장 중 적어도 하나를 포함할 수 있다.
도 11은 일 실시예에 따른 서버의 구성을 도시한 도면이다.
도 11을 참조하면, 서버(1100)는 메모리(1110) 및 프로세서(1120)를 포함할 수 있다.
메모리(1110)는 서버(1100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(1110)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(1110)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 애플리케이션은 프로세서(1120)에 의해 실행될 수 있다.
일 실시예에 따른 메모리(1110)는 뉴럴 네트워크를 구성하는 하나 이상의 인스트럭션들을 포함할 수 있다. 또한, 메모리(1110)는 뉴럴 네트워크를 제어하는 하나 이상의 인스트럭션들을 포함할 수 있다. 뉴럴 네트워크는, 소스 문장으로부터 소스 문장을 구성하는 복수의 단어들을 식별 및/또는 판단하는 하나 이상의 인스트럭션들을 포함하는 복수의 레이어들, 소스 문장으로부터 식별된 단어들 각각에 대응되는 하나 이상의 유의어들을 결정하는 하나 이상의 인스트럭션들을 포함하는 복수의 레이어들, 및 결정된 하나 이상의 유의어들로 복수의 의역 문장을 결정하는 하나 이상의 인스트럭션들을 포함하는 복수의 레이어들로 구성될 수 있다.
프로세서(1120)는 메모리(1110)에 저장된 OS(Operation System) 및 다양한 애플리케이션들을 실행할 수 있다. 프로세서(1120)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함하는 하나 이상의 프로세서(processor)를 포함할 수 있다. 또한, 예를 들어, 프로세서(1120)는 메인 프로세서(main processor, 미도시) 및 슬립 모드(sleep mode)에서 동작하는 서브 프로세서(sub processor, 미도시)로 구현될 수 있다.
일 실시예에 따른 프로세서(1120)는 메모리에 저장된 소스 문장을 획득할 수 있다. 또한, 프로세서(1120)는 통신부(미도시)를 통해 디바이스로부터 소스 문장을 수신할 수 있다. 프로세서(1120)는 메모리(1110)에 저장된 뉴럴 네트워크를 구성하는 명령어들을 이용하여 소스 문장 내 복수의 단어들을 식별하고, 복수의 단어들 각각에 대응되는 하나 이상의 유의어를 결정할 수 있다. 이를 통해, 프로세서(1120)는 소스 문장에 대응되는 복수의 의역 문장들을 결정할 수 있다.
한편, 프로세서(1120)가 도 1 내지 도 10을 참조하여 전술한 소스 문장 내의 복수의 단어들을 식별하고, 식별된 복수의 단어들에 대한 하나 이상의 유의어를 결정하고, 결정된 하나 이상의 유의어를 이용하여 복수의 의역 문장을 결정하는 동작을 수행할 수 있다. 또한, 프로세서(1120)는 결정된 복수의 의역 문장들이 저장되도록 메모리(1110)를 제어할 수 있다.
도 12는 일 실시예에 따른 디바이스의 구조를 나타낸 블록도이다.
도 12를 참조하면, 디바이스(1200)는 메모리(1210), 프로세서(1220), I/O(1230), 통신 인터페이스(1240) 및 디스플레이(1250)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 디바이스(1200)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 디바이스(1200)는 구현될 수 있다. 다른 예에 따라, 디바이스(1200)는 복수의 프로세서를 포함할 수 있다.
메모리(1210)는 디바이스(1200)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(1210)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(1210)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(1220)에 의해 실행될 수 있다.
일 실시예에 따른 메모리(1210)는 뉴럴 네트워크를 구성하는 하나 이상의 인스트럭션들을 포함할 수 있다. 또한, 메모리(1210)는 뉴럴 네트워크를 제어하는 하나 이상의 인스트럭션들을 포함할 수 있다. 뉴럴 네트워크는, 소스 문장으로부터 소스 문장 내의 복수의 단어들을 식별 및/또는 판단하는 하나 이상의 인스트럭션들을 포함하는 복수의 레이어들, 소스 문장으로부터 식별된 복수의 단어들 각각에 대응되는 하나 이상의 유의어를 결정하는 하나 이상의 인스트럭션들을 포함하는 복수의 레이어들, 및 하나 이상의 유의어로부터 복수의 의역 문장을 결정하는 인스트럭션들을 포함하는 복수의 레이어들로 구성될 수 있다.
프로세서(1220)는 메모리(1210)에 저장된 저장된 OS(Operation System) 및 다양한 어플리케이션들을 실행할 수 있다. 프로세서(1220)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함하는 하나 이상의 프로세서(processor)를 포함할 수 있다. 또한, 예를 들어, 프로세서(1220)는 메인 프로세서(main processor, 미도시) 및 슬립 모드(sleep mode)에서 동작하는 서브 프로세서(sub processor, 미도시)로 구현될 수 있다.
일 실시예에 따른 프로세서(1220)는 소스 문장을 획득할 수 있다. 예를 들어, 프로세서(1220)는 메모리(1210)에 저장된 소스 문장을 획득할 수 있다. 또한, 프로세서(1220)는 통신 인터페이스(1240)를 통해 외부 서버(예를 들어, SNS 서버, 클라우드 서버, 컨텐츠 제공 서버 등)로부터 소스 문장을 수신할 수 있다.
일 실시예에 따른 프로세서(1220)는 메모리(1210)에 저장된 뉴럴 네트워크를 구성하는 명령어들을 이용하여 소스 문장 내의 복수의 단어들을 식별하고, 복수의 단어들 각각에 대응되는 하나 이상의 유의어들을 결정하고, 하나 이상의 유의어들을 사용하여 복수의 의역 문장을 결정할 수 있다. 이를 통해, 프로세서(1220)는 소스 문장의 복수의 의역 문장을 결정할 수 있다.
한편, 프로세서(1120)가 소스 문장 내의 복수의 단어들을 식별하고, 식별된 복수의 단어들에 대한 하나 이상의 유의어를 결정하고, 결정된 하나 이상의 유의어를 이용하여 복수의 의역 문장을 결정하는 방법은 도 2를 참조하여 전술한 단계 S210 내지 S240과 대응될 수 있다. 또한, 프로세서(1220)는 결정된 복수의 의역 문장들이 저장되도록 메모리(1210)를 제어할 수 있다.
통신 인터페이스(1240)는 다른 디바이스(미도시) 또는 서버(100)와 통신할 수 있다. 통신 인터페이스는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 통신 인터페이스는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩 중 적어도 하나를 포함할 수 있다. 와이파이 칩, 블루투스 칩은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행할 수 있다.
와이파이 칩 또는 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 동작하는 칩을 의미한다.
디스플레이(1250)는 프로세서(1220)의 제어에 의해, 프로세서(1220)에서 처리되는 정보를 디스플레이 할 수 있다. 또한, 디스플레이(1250)는 디바이스(1200)에서 동작하는 모든 UI 정보를 포함하여, 서버(100)로 부터 수신된 모든 데이터 정보를 표시할 수 있다. 일 실시예에 따라, 디스플레이(1250)는 프로세서(1220)에 의해 결정된 복수의 의역 문장 및 추천 문장을 디바이스(1200)의 화면에 출력할 수 있다.
도 13은 일 실시예에 따른 디바이스(1300) 및 서버(1350)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 13을 참조하면, 서버(1350)는 소스 문장 내에 포함된 복수의 단어 및 하나 이상의 유의어를 식별하기 위한 기준을 학습할 수 있다. 예를 들어, 서버(1350)는 복수의 단어 및 하나 이상의 유의어를 식별하기 위해 사용되는 문장의 속성과 단어의 속성을 학습할 수 있다. 또한, 서버(1350)는 소스 문장에 대응되는 복수의 의역 문장을 결정하는데 기준이 되는 문장의 속성을 학습할 수 있다. 서버(1350)는 학습에 이용될 데이터를 획득하고, 획득한 데이터를 후술할 데이터 인식 모델에 적용함으로써, 문장 내 단어의 식별 또는 의역 문장의 결정을 위한 기준을 학습할 수 있다.
한편, 서버(1350)의 데이터 획득부(1370), 전처리부(1372), 학습 데이터 선택부(1374), 모델 학습부(1376) 및 모델 평가부(1378)는 후술할 도 15에 도시된 데이터 획득부(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550) 의 기능을 수행할 수 있다.
데이터 획득부(1370)는 소스 문장 내 복수 단어의 식별 또는 유의어의 결정에 필요한 데이터를 획득할 수 있다. 전처리부(1372)는 소스 문장 내 복수 단어의 식별 또는 유의어의 결정을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리 할 수 있다. 학습 데이터 선택부(1374)는 전처리 된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1376)에 제공될 수 있다.
모델 학습부(1376)는 복수의 단어를 식별하거나 유의어를 결정하기 위해 입력된 소스 문장 내에서 어떤 소스 문장의 속성 또는 문맥의 속성을 이용할지, 소스 문장의 속성 또는 문맥의 속성을 이용하여 복수의 의역 문장을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(1376)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 객체의 식별 또는 보정 필터의 결정을 위한 기준을 학습할 수 있다.
모델 평가부(1378)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1376)로 하여금 다시 학습하도록 할 수 있다.
서버(1350)는 생성된 인식 모델을 디바이스(1300)에 제공할 수 있다. 이 경우, 디바이스(1300)는 수신된 인식 모델을 이용하여 복수의 단어를 식별하거나 하나 이상의 유의어 및 복수의 의역 문장을 결정할 수 있다.
한편, 다른 실시예에 따라, 서버(1350)는 디바이스(1300)로부터 수신된 데이터를 생성된 데이터 인식 모델에 적용하여, 복수의 단어를 식별하거나 하나 이상의 유의어 및 복수의 의역 문장을 결정할 수 있다. 예를 들어, 디바이스(1300)는 인식 데이터 선택부(1324)에 의해 선택된 데이터를 서버(1350)에 전송하고, 서버(1350)가 선택된 데이터를 인식 모델에 적용하여 복수의 단어를 식별하거나 하나 이상의 유의어 및 복수의 의역 문장을 결정할 수 있다.
또한, 서버(1350)는 서버(1350)에 의해 식별된 복수의 단어, 결정된 하나 이상의 유의어, 및 복수의 의역 문장에 관한 정보를 디바이스(1300)에 제공할 수 있다. 이에 따라, 디바이스(1300)는 서버(1350)로부터 복수의 단어, 하나 이상의 유의어, 및 복수의 의역 문장에 관한 정보를 수신할 수 있다.
도 14는 일 실시예에 따른 서버 또는 디바이스의 프로세서를 설명하기 위한 도면이다.
도 14을 참조하면, 일부 실시예에 따른 프로세서(1400)는 데이터 학습부(1410) 및 데이터 인식부(1420)를 포함할 수 있다.
데이터 학습부(1410)는 소스 문장에 대응되는 복수의 의역 문장을 획득하기 위한 기준을 학습할 수 있다. 데이터 학습부(1410)는 복수의 의역 문장을 획득하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 소스 문장을 어떻게 처리할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1410)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 소스 문장에 대응되는 복수의 의역 문장을 획득하기 위한 기준을 학습할 수 있다.
데이터 인식부(1420)는 데이터에 기초한 소스 문장을 판단할 수 있다. 데이터 인식부(1420)는 학습된 데이터 인식 모델을 이용하여, 소스 문장에 대응되는 복수의 의역 문장을 획득할 수 있다. 데이터 인식부(1420)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초한 소스 문장에 대응되는 복수의 의역 문장을 획득할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1410) 및 데이터 인식부(1420) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1410) 및 데이터 인식부(1420) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또한 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1410) 및 데이터 인식부(1420)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1410) 및 데이터 인식부(1420) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1410) 및 데이터 인식부(1420)는 유선 또는 무선으로 통하여, 데이터 학습부(1410)가 구축한 모델 정보를 데이터 인식부(1420)로 제공할 수도 있고, 데이터 인식부(1420)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1410)로 제공될 수도 있다.
한편, 데이터 학습부(1410) 및 데이터 인식부(1420) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1410) 및 데이터 인식부(1420) 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. 또한, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 15는 일 실시예에 따른 데이터 학습부(1500)의 블록도이다.
도 15를 참조하면, 일 실시예에 따른 데이터 학습부(1500)는 데이터 획득부(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550)를 포함할 수 있다. 다만, 이는 일 실시예일 뿐, 전술한 구성 들 보다 적은 구성 요소로 데이터 학습부(1500)가 구성되거나, 전술한 구성들 이외에 다른 구성 요소가 추가적으로 데이터 학습부(1500)에 포함될 수 있다.
데이터 획득부(1510)는 소스 문장 내 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정에 필요한 데이터를 획득할 수 있다. 예를 들어, 데이터 획득부(1510)는 디바이스의 메모리에 저장된 데이터를 획득할 수 있다. 다른 예에 따라, 데이터 획득부(1510)는 데이터 획득부(1510)는 소셜 네트워크 서버(social network server), 클라우드 서버(cloud server) 또는 콘텐트 제공 서버 등의 외부 서버로부터 데이터를 획득할 수 있다.
전처리부(1520)는 소스 문장 내 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 일 실시예에 따라, 전처리부(1520)는 도 5를 참조하여 전술한 토크나이징 프로세스 및 정규화 프로세스 중 적어도 하나를 수행할 수 있다. 전처리부(1520)는 후술할 모델 학습부(1540)가 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득한 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(1530)는 전처리 된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1540)에 제공될 수 있다. 학습 데이터 선택부(1530)는 복수의 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위한 기 설정된 선별 기준에 따라, 전처리 된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 일 실시예에 따라, 학습에 필요한 단어를 선택할 수 있고 학습에 필요한 단어를 선택하는 방법에 있어서 빔 서치를 이용할 수 있다. 또한, 학습 데이터 선택부(1530)는 후술할 모델 학습부(1540)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
예를 들어, 학습 데이터 선택부(1530)는 전처리 된 데이터를 기초로, 소스 문장에 대응되는 카테고리에 대하여, 연관성이 상대적으로 높은(예를 들어, 확률 분포의 밀도가 높은) 단어의 종류, 단어의 형태 또는 문장 구성 등을 유의어를 결정하기 위한 기준에 포함되는 데이터로 결정할 수 있다.
모델 학습부(1540)는 데이터 인식 모델이 학습 데이터에 기초하여 복수의 단어 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 어떻게 판단할 지에 관한 판단 기준을 갖도록 학습할 수 있다. 또한, 모델 학습부(1540)는 복수의 단어 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 선별 기준을 학습할 수도 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 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 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1540)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 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(1540)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1540)는, 예를 들어, 판단 기준의 학습을 위한 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(2940)는, 예를 들어, 별다른 지도 없이 복수의 단어 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위해 필요한 데이터를 이용하여 스스로 학습함으로써, 복수의 단어 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1540)는, 예를 들어, 학습에 따른 복수의 단어 식별 또는 하나 이상의 유의어 및 복수의 의역 문장 결정의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1540)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1540)는 학습된 데이터 인식 모델을 데이터 학습부(1500)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1540)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1600)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또한, 모델 학습부(1540)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 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, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1550)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(2940)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다. 여기에서, 평가 데이터는 데이터 인식 모델을 기반으로 식별된 복수의 단어와 소스 문장과의 유사도 등을 포함할 수 있다.
예를 들어, 모델 평가부(1550)는 평가 데이터에 대한 학습된 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 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1550)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 데이터 학습부(1500) 내의 데이터 획득부(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550) 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(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1510), 전처리부(1520), 학습 데이터 선택부(1530), 모델 학습부(1540) 및 모델 평가부(1550) 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 어플리케이션에 의해 제공될 수 있다. 또한, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
도 16는 일 실시예에 따른 데이터 인식부의 블록도이다.
도 16을 참조하면, 일 실시예에 따른 데이터 인식부(1600)는 데이터 획득부(1610), 전처리부(1620), 인식 데이터 선택부(1630), 인식 결과 제공부(1640) 및 모델 갱신부(1650)를 포함할 수 있다. 다만, 이는 일 실시예일 뿐, 데이터 인식부(1600)는 전술한 구성 요소들 중 일부를 포함하거나, 전술한 구성 요소들 이외에 다른 구성 요소를 더 포함할 수도 있다.
데이터 획득부(1610)는 소스 문장 내 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정에 필요한 데이터를 획득할 수 있으며, 전처리부(1620)는 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리 할 수 있다. 전처리부(1620)는 인식 결과 제공부(1640)가 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1630)는 전처리 된 데이터 중에서 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정에 필요한 인식 데이터를 선택할 수 있다. 선택된 인식 데이터는 인식 결과 제공부(1640)에게 제공될 수 있다. 인식 데이터 선택부(1630)는 복수 단어의 식별 또는 하나 이상의 유의어 및 복수의 의역 문장의 결정을 위한 기 설정된 선별 기준에 따라, 전처리 된 인식 데이터 중에서 일부 또는 전부를 선택할 수 있다.
인식 결과 제공부(1640)는 선택된 데이터를 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1640)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1640)는 인식 데이터 선택부(1630)에 의해 선택된 인식 데이터를 입력 값으로 이용함으로써, 선택된 인식 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
모델 갱신부(1650)는 인식 결과 제공부(1640)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(1650)는 인식 결과 제공부(1640)에 의해 제공되는 인식 결과를 모델 학습부(1540)에게 제공함으로써, 모델 학습부(1540)가 데이터 인식 모델을 갱신하도록 제어할 수 있다.
한편, 데이터 인식부(1600) 내의 데이터 획득부(1610), 전처리부(1620), 인식 데이터 선택부(1630), 인식 결과 제공부(1640) 및 모델 갱신부(1650) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1610), 전처리부(1620), 인식 데이터 선택부(1630), 인식 결과 제공부(1640) 및 모델 갱신부(1650) 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(1610), 전처리부(1620), 인식 데이터 선택부(1630), 인식 결과 제공부(1640) 및 모델 갱신부(1650)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1610), 전처리부(1620), 인식 데이터 선택부(1630), 인식 결과 제공부(1640) 및 모델 갱신부(1650) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1610), 전처리부(1620), 인식 데이터 선택부(1630), 인식 결과 제공부(1640) 및 모델 갱신부(1650) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1610), 전처리부(1620), 인식 데이터 선택부(1630), 인식 결과 제공부(1640) 및 모델 갱신부(1650) 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 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
개시된 실시예들은 컴퓨터로 읽을 수 있는 저장 매체(computer-readable storage media)에 저장된 명령어를 포함하는 S/W 프로그램으로 구현될 수 있다.
컴퓨터는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 개시된 실시예에 따른 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치를 포함할 수 있다.
컴퓨터로 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.
또한, 개시된 실시예들에 따른 제어 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 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 디바이스의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 디바이스로 구성되는 시스템에서, 서버의 저장매체 또는 디바이스의 저장매체를 포함할 수 있다. 또는, 서버 또는 디바이스와 통신 연결되는 제 3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제 3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 디바이스 또는 제 3 장치로 전송되거나, 제 3 장치로부터 디바이스로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 디바이스 및 제 3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 디바이스 및 제 3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 디바이스가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
또 다른 예로, 제 3 장치가 컴퓨터 프로그램 제품을 실행하여, 제 3 장치와 통신 연결된 디바이스가 개시된 실시예에 따른 방법을 수행하도록 제어할 수 있다. 제 3 장치가 컴퓨터 프로그램 제품을 실행하는 경우, 제 3 장치는 서버로부터 컴퓨터 프로그램 제품을 다운로드하고, 다운로드 된 컴퓨터 프로그램 제품을 실행할 수 있다. 또는, 제 3 장치는 프리로드 된 상태로 제공된 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수도 있다.
또한, 본 개시에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (20)

  1. 소스 문장(source sentence)을 획득하는 단계;
    상기 소스 문장을 구성하는 복수의 단어를 획득하는 단계;
    학습 네트워크 모델을 이용하여, 상기 소스 문장을 구성하는 복수의 단어 각각에 대한 유의어(paraphrased word)로 구성된 복수의 의역 문장(paraphrased sentence) 및 상기 복수의 의역 문장 각각과 상기 소스 문장 간의 유사도를 결정하는 단계; 및
    상기 유사도를 기초로 상기 복수의 의역 문장 중 기 설정된 개수의 의역 문장을 획득하는 단계를 포함하는, 학습 네트워크 모델 기반의 언어 처리 방법.
  2. 제 1 항에 있어서,
    영상을 수신하는 단계를 더 포함하고,
    상기 소스 문장을 획득하는 단계는,
    상기 수신된 영상에 포함된 텍스트를 인식하는 단계; 및
    상기 인식된 텍스트로부터 상기 소스 문장을 획득하는 단계를 포함하는, 학습 네트워크 모델 기반의 언어 처리 방법.
  3. 제 1 항에 있어서, 상기 학습 네트워크 모델은,
    컨텍스트 벡터가 각각 입력 및 출력으로 적용되는 인코더 및 디코더를 포함하는 시퀀스 투 시퀀스 모델을 포함하며,
    상기 유사도는,
    상기 디코더에서 산출되는 유의어와 상기 소스 문장의 단어가 일치할 확률을 기초로 결정되는, 학습 네트워크 모델 기반의 언어 처리 방법.
  4. 제 1 항에 있어서,
    상기 소스 문장을 구성하는 복수의 단어들에 대해, 토크나이징(tokenizing) 프로세스 및 정규화 프로세스 중 적어도 하나의 프로세스를 수행하는 단계를 더 포함하는, 학습 네트워크 모델 기반의 언어 처리 방법.
  5. 제 1 항에 있어서, 상기 기 설정된 개수의 의역 문장을 획득하는 단계는,
    상기 유사도, 상기 복수의 의역 문장 각각을 구성하는 단어의 개수 및 상기 복수의 의역 문장 각각의 길이를 기초로 상기 복수의 의역 문장의 순위(rank)를 결정하는 단계; 및
    상기 결정된 순위에 기초하여 상기 복수의 의역 문장 중 상기 기 설정된 개수의 의역 문장을 선택하는 단계를 포함하는, 학습 네트워크 모델 기반의 언어 처리 방법.
  6. 제 5 항에 있어서, 상기 복수의 의역 문장의 순위를 결정하는 단계는,
    빔 서치(beam search)를 이용하여, 상기 복수의 의역 문장의 순위를 결정하는 학습 네트워크 모델 기반의 언어 처리 방법.
  7. 제 1 항에 있어서, 상기 복수의 의역 문장은,
    상기 획득된 소스 문장과 다른 언어로 작성된 의역 문장인, 학습 네트워크 모델 기반의 언어 처리 방법.
  8. 제 7 항에 있어서, 상기 복수의 의역 문장은,
    상기 소스 문장과 동일한 언어로 작성된 복수의 의역 문장을 더 포함하는, 학습 네트워크 모델 기반의 언어 처리 방법.
  9. 제 1 항에 있어서, 상기 복수의 의역 문장 중에서 추천 문장을 결정하는 단계를 더 포함하는, 학습 네트워크 모델 기반의 언어 처리 방법.
  10. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    소스 문장(source sentence)을 획득하고,
    상기 소스 문장을 구성하는 복수의 단어를 획득하며,
    학습 네트워크 모델을 이용하여, 상기 소스 문장을 구성하는 복수의 단어 각각에 대한 유의어(paraphrased word)로 구성된 복수의 의역 문장(paraphrased sentence) 및 상기 복수의 의역 문장 각각과 상기 소스 문장간의 유사도를 결정하고,
    상기 유사도를 기초로 상기 복수의 의역 문장 중 기 설정된 개수의 의역 문장을 획득하는, 학습 네트워크 모델 기반의 언어 처리 장치.
  11. 제 10 항에 있어서, 상기 적어도 하나의 프로세서는,
    영상을 수신하고,
    상기 수신된 영상에 포함된 텍스트를 인식하며,
    상기 인식된 텍스트로부터 상기 소스 문장을 획득하는, 학습 네트워크 모델 기반의 언어 처리 장치.
  12. 제 10 항에 있어서, 상기 학습 네트워크 모델은,
    컨텍스트 벡터가 각각 입력 및 출력으로 적용되는 인코더 및 디코더를 포함하는 시퀀스 투 시퀀스 모델을 포함하며,
    상기 유사도는,
    상기 디코더에서 산출되는 유의어와 상기 소스 문장의 단어가 일치할 확률을 기초로 결정되는, 학습 네트워크 모델 기반의 언어 처리 장치.
  13. 제 10 항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 소스 문장을 구성하는 복수의 단어들에 대해, 토크나이징(tokenizing) 프로세스 및 정규화 프로세스 중 적어도 하나의 프로세스를 수행하는, 학습 네트워크 모델 기반의 언어 처리 장치.
  14. 제 10 항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 유사도, 상기 복수의 의역 문장 각각을 구성하는 단어의 개수 및 상기 복수의 의역 문장 각각의 길이를 기초로 상기 복수의 의역 문장의 순위(rank)를 결정하고,
    상기 결정된 순위에 기초하여 상기 복수의 의역 문장 중 기 설정된 개수의 의역 문장을 선택하는, 학습 네트워크 모델 기반의 언어 처리 장치.
  15. 제 14 항에 있어서, 상기 적어도 하나의 프로세서는,
    빔 서치(beam search)를 이용하여, 상기 복수의 의역 문장의 순위를 결정하는, 학습 네트워크 모델 기반의 언어 처리 장치.
  16. 제 10 항에 있어서, 상기 복수의 의역 문장은,
    상기 획득한 소스 문장과 다른 언어로 작성된 의역 문장인, 학습 네트워크 모델 기반의 언어 처리 장치.
  17. 제 16 항에 있어서, 상기 복수의 의역 문장은,
    상기 소스 문장과 동일한 언어로 작성된 복수의 의역 문장을 더 포함하는, 학습 네트워크 모델 기반의 언어 처리 장치.
  18. 제 10 항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 복수의 의역 문장 중에서 추천 문장을 결정하는, 학습 네트워크 모델 기반의 언어 처리 장치.
  19. 명령어들이 인코딩 된 하나 이상의 컴퓨터 저장 매체로서, 상기 명령어들은 하나 이상의 컴퓨터들에 의해 실행될 때, 상기 하나 이상의 컴퓨터들로 하여금 청구항 1 내지 9 중 어느 한 항의 각각의 방법들의 동작들을 수행하게 하는 것을 특징으로 하는 컴퓨터 저장 매체.
  20. 하나 이상의 명령어들과 명령어들이 저장된 하나 이상의 저장 디바이스를 포함하는 시스템으로서, 상기 명령어들은 하나 이상의 컴퓨터들에 의해 실행될 때, 상기 하나 이상의 컴퓨터들로 하여금 청구항 1 내지 9 중 어느 한 항의 각각의 방법들의 동작들을 수행하게 하는 것을 특징으로 하는 시스템.
KR1020190060219A 2019-05-22 2019-05-22 학습 네트워크 모델 기반의 언어 처리 방법 및 장치 KR20200135607A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190060219A KR20200135607A (ko) 2019-05-22 2019-05-22 학습 네트워크 모델 기반의 언어 처리 방법 및 장치
US15/929,824 US20200372217A1 (en) 2019-05-22 2020-05-22 Method and apparatus for processing language based on trained network model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190060219A KR20200135607A (ko) 2019-05-22 2019-05-22 학습 네트워크 모델 기반의 언어 처리 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200135607A true KR20200135607A (ko) 2020-12-03

Family

ID=73457214

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190060219A KR20200135607A (ko) 2019-05-22 2019-05-22 학습 네트워크 모델 기반의 언어 처리 방법 및 장치

Country Status (2)

Country Link
US (1) US20200372217A1 (ko)
KR (1) KR20200135607A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022169054A1 (ko) * 2021-02-04 2022-08-11 삼성전자주식회사 전자 장치 및 그 제어 방법
WO2022191368A1 (ko) * 2021-03-09 2022-09-15 주식회사 마이데이터랩 자연어 의도를 분류하는 뉴럴 네트워크 훈련을 위한 데이터 처리 방법 및 장치
KR20230093797A (ko) 2021-12-20 2023-06-27 성균관대학교산학협력단 분류 모델에 기반하여 바꿔 쓰기 모델을 학습하는 방법, 바꿔 쓰기 모델을 이용한 텍스트 데이터의 증강 방법 및 이를 이용한 텍스트 처리 장치
KR102574784B1 (ko) * 2022-08-05 2023-09-06 주식회사 아이이에스지 Esg 문서를 자동 완성하는데 적합한 텍스트를 추천하는 방법 및 이를 수행하는 esg 서비스 제공 시스템

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11106873B2 (en) * 2019-01-22 2021-08-31 Sap Se Context-based translation retrieval via multilingual space
CN111177355B (zh) * 2019-12-30 2021-05-28 北京百度网讯科技有限公司 基于搜索数据的人机对话交互方法、装置和电子设备
CN111859982B (zh) * 2020-06-19 2024-04-26 北京百度网讯科技有限公司 语言模型的训练方法、装置、电子设备及可读存储介质
US11687808B2 (en) * 2020-09-03 2023-06-27 International Business Machines Corporation Artificial intelligence explaining for natural language processing
US11829721B2 (en) * 2020-10-23 2023-11-28 Salesforce.Com, Inc. Systems and methods for unsupervised paraphrase generation
US20220180060A1 (en) * 2020-12-09 2022-06-09 International Business Machines Corporation Content driven predictive auto completion of it queries
CN114065784B (zh) * 2021-11-16 2023-03-10 北京百度网讯科技有限公司 训练方法、译文方法、装置、电子设备以及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070060114A1 (en) * 2005-09-14 2007-03-15 Jorey Ramer Predictive text completion for a mobile communication facility
US7991609B2 (en) * 2007-02-28 2011-08-02 Microsoft Corporation Web-based proofing and usage guidance
US9383973B2 (en) * 2011-06-29 2016-07-05 Microsoft Technology Licensing, Llc Code suggestions
US10387529B2 (en) * 2017-02-16 2019-08-20 International Businesss Machines Corporation Paraphrasing text in a webpage
US10423665B2 (en) * 2017-08-02 2019-09-24 Oath Inc. Method and system for generating a conversational agent by automatic paraphrase generation based on machine translation

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022169054A1 (ko) * 2021-02-04 2022-08-11 삼성전자주식회사 전자 장치 및 그 제어 방법
WO2022191368A1 (ko) * 2021-03-09 2022-09-15 주식회사 마이데이터랩 자연어 의도를 분류하는 뉴럴 네트워크 훈련을 위한 데이터 처리 방법 및 장치
KR20230093797A (ko) 2021-12-20 2023-06-27 성균관대학교산학협력단 분류 모델에 기반하여 바꿔 쓰기 모델을 학습하는 방법, 바꿔 쓰기 모델을 이용한 텍스트 데이터의 증강 방법 및 이를 이용한 텍스트 처리 장치
KR102574784B1 (ko) * 2022-08-05 2023-09-06 주식회사 아이이에스지 Esg 문서를 자동 완성하는데 적합한 텍스트를 추천하는 방법 및 이를 수행하는 esg 서비스 제공 시스템

Also Published As

Publication number Publication date
US20200372217A1 (en) 2020-11-26

Similar Documents

Publication Publication Date Title
KR20200135607A (ko) 학습 네트워크 모델 기반의 언어 처리 방법 및 장치
CN112487182B (zh) 文本处理模型的训练方法、文本处理方法及装置
US10977452B2 (en) Multi-lingual virtual personal assistant
US20230401839A1 (en) Intelligent online personal assistant with offline visual search database
US11593558B2 (en) Deep hybrid neural network for named entity recognition
CN110692048B (zh) 会话中任务改变的检测
JP6806879B2 (ja) 次のユーザプロンプトタイプの選択
JP6923332B2 (ja) 自動通訳方法及び装置
US11392598B2 (en) Applying a quantitative range for qualitative terms
US11721335B2 (en) Hierarchical self-attention for machine comprehension
US10970768B2 (en) Method, medium, and system for image text localization and comparison
US11004131B2 (en) Intelligent online personal assistant with multi-turn dialog based on visual search
US20180068031A1 (en) Enhancing user queries using implicit indicators
US11024300B2 (en) Electronic device and control method therefor
US20200135213A1 (en) Electronic device and control method thereof
US11847168B2 (en) Training model with model-provided candidate action
WO2023241410A1 (zh) 数据处理方法、装置、设备及计算机介质
EP3885966A1 (en) Method and device for generating natural language description information
US11514916B2 (en) Server that supports speech recognition of device, and operation method of the server
KR20200040097A (ko) 전자 장치 및 그 제어 방법
US20220059088A1 (en) Electronic device and control method therefor
KR20200095947A (ko) 전자 장치 및 이의 제어 방법
US20230385547A1 (en) Event extraction method and apparatus, computer program product, storage medium, and device
KR20200140171A (ko) 전자 장치 및 이의 제어 방법
KR20220111570A (ko) 사용자의 질의를 처리하는 디바이스 및 그 동작 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal