KR20200141419A - 동의어 추출 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 동의어 추출을 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장에 대하여 워드 임베딩을 수행하는 동작; 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하는 동작; 상기 연관 관계의 분석에 기초하여 대상 단어 및 유사 후보 단어를 결정하는 동작; 및 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 동작을 포함할 수 있다.

Description

동의어 추출 방법 {MEHTOD FOR EXTRACTING SYNONYMS}

본 발명은 자연어 처리 기술에 관한 것으로써 보다 구체적으로는 동의어를 추출하기 위한 방법에 관한 것이다.

인터넷이 발전함에 따라, 사람들은 인터넷 상에 존재하는 다양한 정보를 검색엔진을 이용해 검색한다. 이 때 사용자의 검색은 관심 있는 단어와 관련된 쿼리를 다양하게 입력함으로써 수행될 수 있다. 즉 사용자가 자신이 관심 있는 단어를 입력하면, 검색 시스템은 사용자가 입력한 쿼리와 관련된 적어도 하나의 검색 결과를 포함하는 검색 결과 목록을 사용자에게 제공한다.

이와 같은 검색 성능을 발휘하기 위해서는, 사용자가 입력하는 쿼리에 사용자가 생각한 단어와 사용자가 생각한 단어 뿐만 아니라 유사한 의미를 가진 동의어도 포함시킬 필요가 있다. 검색 시스템이 쿼리에 동의어도 포함시켜 검색 결과를 반환함으로써, 검색 품질을 향상시킬 수 있다.

대한민국 등록특허 2017-0025424 호는 한글 문장에 대한 의역 문장 생성 방법을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 동의어를 추출하는 방법을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 상기 동작들은, 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장에 대하여 워드 임베딩을 수행하는 동작; 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하는 동작; 상기 연관 관계의 분석에 기초하여 대상 단어 및 유사 후보 단어를 결정하는 동작; 및 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 하나 이상의 문장은, 의미를 가지는 단어와 관련된 변형된 단어를 포함할 수 있다.

대안적 실시예에서, 상기 워드 임베딩은, 하나 이상의 문장에 포함된 각각의 단어를 원 핫 인코딩(one-hot-encoding) 방식으로 변환하여 입력 레이어에 입력시키고, 상기 입력 레이어(Input Layer)에서 제 1 행렬을 이용하여 히든 레이어(Hidden Layer)의 입력 값을 구하고, 상기 히든 레이어(Hidden Layer)의 입력 값과 제 2 행렬을 이용하여 출력 레이어(Output Layer)를 구하여, 상기 출력 레이어(Output Layer)가 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터를 저장하고, 상기 제 1 행렬 및 상기 제 2 행렬은 상기 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터와 목표 벡터―상기 목표 벡터는 단어의 원 핫 인코딩 방식(one-hot-encoding)으로 표현된 벡터인―를 비교하여 학습 비율만큼 차이를 줄여가는 역전파(Backporpagation)를 통해 상기 제 1 행렬 및 상기 제 2 행렬의 가중치 값을 조정하여 결정된 행렬을 포함할 수 있다.

대안적 실시예에서, 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하는 동작은, 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들 중 사전 결정된 수 이상 반복된 단어에 대하여 수행되는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하는 동작은, 상기 하나 이상의 단어 각각을 대상 단어로 결정하고, 상기 대상 단어 각각에 대하여, 상기 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값을 기준으로 다른 단어들을 식별하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 연관 관계의 분석에 기초하여 대상 단어 및 유사 후보 단어를 결정하는 동작은, 상기 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값 기준으로 다른 단어들을 유사 후보 단어로 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 동작은, 상기 대상 단어 및 상기 유사 후보 단어 각각을 단어를 구성하는 최소 단위로 분리하는 동작; 상기 분리 결과에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하는 동작; 및 상기 유사도 점수가 사전 결정된 유사도 점수 이상인 경우, 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 분리 결과에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하는 동작은, 상기 대상 단어 및 상기 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 대상 단어 및 상기 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하는 동작은, 상기 대상 단어 및 상기 유사 후보 단어 각각에 대하여 각각의 단어를 구성하는 최소 단위 요소의 수를 결정하는 동작; 상기 각각의 단어에 대한 최소 단위 요소 중 공통 요소의 수를 결정하는 동작; 및 상기 공통 요소의 수와 상기 최소 단위 요소의 수가 많은 단어의 상기 최소 단위 요소의 수의 비율에 기초하여 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 사전 결정된 유사도 점수는, 동의어 사전을 기초로 하여 결정된 유사도 점수의 평균값을 포함할 수 있다.

대안적 실시예에서, 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 동작에서, 상기 유사 후보 단어 중 동의 관계가 있는 것으로 결정된 단어를 동의어 사전에 추가하는 동작을 더 포함할 수 있다.

본 개시의 일 실시예에서, 커뮤니티 게시글 줄임말 기반 동의어 추출 방법이 개시된다. 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장에 대하여 워드 임베딩을 수행하는 단계; 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하는 단계; 상기 연관 관계의 분석에 기초하여 대상 단어 및 유사 후보 단어를 결정하는 단계; 및 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장에 대하여 워드 임베딩을 수행하고, 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하고, 상기 연관 관계의 분석에 기초하여 대상 단어 및 유사 후보 단어를 결정하고, 그리고 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정할 수 있다.

본 개시는 동의어 추출 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 동의어 추출 방법을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 워드 임베딩의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 커뮤니티 게시판에서 동의어 추출 동작을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 워드 임베딩 결과 벡터 공간에 단어가 벡터로 표현된 결과를 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 유사도 점수를 산출하는 수식을 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따라 대상 단어와 유사 후보 단어의 유사도 점수를 산출하는 동작을 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따라 동의어를 추출하는 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라 동의어를 추출하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 동의어 추출 방법을 수행하는 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 동의어 자동 추출을 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

프로세서(110)는 동의어를 추출할 수 있다. 동의어를 추출하기 위해, 네트워크부(150)는 커뮤니티로부터 수집된 하나 이상의 문장을 수신할 수 있다. 프로세서(110)는 동의어를 추출하여, 추출한 동의어를 메모리(130)에 저장할 수 있다. 본 개시의 일 실시예에서 커뮤니티는 다중의 사용자가 접속가능한 네트워크 상의 접속점으로서, 다중의 사용자가 접속하여 정보를 공유할 수 있는 임의의 접속점, 접속 플랫폼, 게시판 등을 포함할 수 있으며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 하나 이상의 문장은, 의미를 가지는 단어와 관련된 변형된 단어를 포함하는 문장을 포함할 수 있다. 변형된 단어는 의미를 가지는 단어와 형태만 다를 뿐 의미는 유사한 단어일 수 있다. 변형된 단어는 예를 들어, 동의어, 유사어, 줄임말, 신조어 등과 같이 형태는 다르지만 의미를 가지는 단어와 유사한 의미를 가지는 단어를 포함할 수 있다. 줄임말은 단어 또는 문장의 길이를 줄이기 위하여 정상적인 표기의 일부분을 생략하거나 변형시킨 형태의 표기일 수 있다. 예를 들어, 결투장을 결장으로, 업데이트를 업뎃으로, 개인전을 갠전으로, 서울대학교를 설대로, 고속터미널을 고터로, As soon as possible을 ASAP로, Direct Damage를 DD, 姐姐 jiμjiμ를 JJ로 줄여서 표현한 임의의 줄임말들을 포함할 수 있다. 전술한 줄임말은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. 신조어는 새로 만들어진 단어 및 용어 가운데 표준어로 등재되지 않는 말을 포함할 수 있다. 예를 들어, 신조어는 가자를 길게 발음한 가즈아, 게임 상 방탄모를 뜻하는 뚝배기 등과 같은 단어를 포함할 수 있다. 전술한 신조어는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 워드 임베딩은 하나 이상의 문장에 포함된 각각의 단어를 원 핫 인코딩(one-hot-encoding) 방식으로 변환하여 입력 레이어에 입력할 수 있다. 원 핫 인코딩(one-hot-encoding)은 입력된 텍스트에 기재된 단어들을 벡터의 성분으로 변환하여, 해당 단어의 벡터 성분은 1, 나머지 벡터 성분은 0으로 변환하는 방식이다. 예를 들어, 단어의 집합에는 개구리, 숲, 자동이라는 단어가 포함되어 있는 상황에서 개구리의 벡터 표현은 (1,0,0) 숲의 벡터 표현은 (0,1,0) 자동의 벡터 표현은 (0,0,1)일 수 있다. 전술한 원 핫 인코딩(one-hot-encoding)은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 워드 임베딩은 입력 레이어(Input Layer)에서 제 1 행렬을 이용하여 히든 레이어(Hidden Layer)의 입력 값을 구하고, 히든 레이어(Hidden Layer)의 입력 값과 제 2 행렬을 이용하여 출력 레이어(Output Layer)를 구하여, 출력 레이어(Output Layer)가 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터를 생성하기 위한 모델일 수 있다. 워드 임베딩은 적어도 하나 이상의 히든 레이어(Hidden Layer)를 포함할 수 있다. 전술한 워드 임베딩의 신경망(neural network) 구조는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 있어서, 제 1 행렬 및 제 2 행렬은 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터와 목표 벡터를 비교하여 학습률(learning rate)만큼 차이를 줄여가는 역전파(Backporpagation)를 통해 제 1 행렬 및 제 2 행렬의 가중치 값이 조정되어 결정된 행렬일 수 있다. 목표 벡터는 단어의 원 핫 인코딩 방식(one-hot-encoding)으로 표현된 벡터일 수 있다. 학습률은 학습의 반복에서 가중치 값이 조정되는 비율일 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석할 수 있다. 단어들의 연관 관계는 단어 간의 의미 유사도일 수 있다. 예를 들어, 한국, 일본, 미국, 중국, 북한이라는 단어는 국가라는 카테코리에 속하므로 연관 관계가 높을 수 있다. 전술한 단어들의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 나아가 단어들의 연관 관계는 단어 간의 동의 관계를 포함할 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 수집된 문장에 포함된 단어 중 사전 결정된 수 이상 반복된 단어에 대하여 단어들의 연관 관계를 분석할 수 있다. 사전 결정된 수는 수집된 하나 이상의 문장에서 나타나는 단어의 빈도 수일 수 있다. 즉, 프로세서(110)는 커뮤니티에서 수집된 문장에서 자주 사용되는 단어들에 대해서만 연관 관계를 분석할 수 있다. 예를 들어, 수집된 하나 이상의 문장에서 업데이트 단어가 57번 포함되었으면, 업데이트라는 단어의 빈도 수는 57일 수 있다. 따라서 프로세서(110)가 수집된 하나 이상의 문장에서 자주 포함된 단어에 대해서만 연관 관계 분석을 수행할 수 있다. 예를 들어, 프로세서(110)는 빈도수 100이상인 단어에 대해서만 연관 관계 분석을 수행할 수 있다. 이를 통해, 프로세서(110)의 연관 관계 분석 대상이 되는 데이터 량을 감소시켜 빠른 분석 결과를 도출할 수 있으며, 출현 빈도수가 낮은 단어에 대해서는 연관 관계 분석을 수행하지 않아 빈도수가 낮은 단어(infrequent word)에 대해 발생할 수 있는 문제를 제거할 수 있다. 빈도수가 낮은 단어(infrequent word)에 대해 발생할 수 있는 문제는 예를 들어, 신경밍이라는(신경망의 오타) 단어의 빈도수가 1로 매우 낮은 상황인 경우, 충분히 신경밍라는 단어에 대해 학습이 수행되지 않아 신경밍라는 단어와 신경망이라는 단어가 동의 관계 있는 단어라는 결론이 도출될 수 없는 문제일 수 있다. 전술한 연관 관계 분석은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 하나 이상의 단어 각각을 대상 단어로 결정하고, 대상 단어 각각에 대하여, 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값을 기준으로 사전 결정된 임계값 보다 가까운 다른 단어들을 식별할 수 있다. 벡터 공간은 수집된 하나 이상의 문장의 단어들을 워드 임베딩할 수 있는 공간 일 수 있다. 워드 임베딩 된 결과 단어는 각각 벡터로 표현될 수 있다. 예를 들어, 업데이트라는 단어는 (2.3, 1.2, 3.7, 4.3)인 벡터 값을 가질 수 있다. 대상 단어와 벡터 공간에서의 거리는 예를 들어, 유클리디안 거리(Euclidean distance), 코사인 유사도(Cosine Similarity)등에 의해 정의될 수 있다. 유클리디안 거리(Euclidean distance)는 벡터 공간에서 두 점 사이의 거리일 수 있다. 코사인 유사도(Cosine Similarity)는 두 벡터 간의 코사인 각도를 구하여 유사도를 결정하는 값일 수 있다. 임계값은 특정 단어와 대상 단어와의 벡터 거리를 기준으로 결정될 수 있다. 예를 들어, 업데이트라는 단어와 벡터 거리 0.55인 단어 업뎃, 벡터 거리 0.49인 단어 update, 벡터 거리 3.93인 단어 게임이 있는 상황에서 동의 관계 있는 단어 산출을 위해 임계값은 0.6으로 정해질 수 있다. 따라서 프로세서(110)는 임계값 0.6 이하인 단어 업뎃, update를 동의 관계 있는 단어로 판단할 수 있다. 전술한 벡터 거리는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 벡터 거리는 대상 단어를 입력 레이어(Input Layer)에 입력하여 얻어진 출력 레이어(Output Layer)에 포함된 결과값을 기초로 결정될 수 있다. 출력 레이어(Output Layer)에 포함된 결과값들은 대상 단어와 의미 관련도가 높을수록 상대적으로 의미 관련도가 낮은 단어에 비해 높은 값을 가지게 될 수 있다. 벡터 거리는 출력 레이어(Output Layer)에 포함된 결과값을 softmax 방식을 이용하여 확률 값으로 변환된 값일 수 있다. 예를 들어, 대상 단어가 업데이트인 경우, 업뎃은 벡터 거리가 0.40, update는 벡터거리가 0.45, 게임은 0.10일 수 있다. 따라서 동의 관계 있는 단어 산출을 위해 임계값은 0.40으로 정해질 수 있다. 전술한 벡터 거리는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값 기준으로 다른 단어들을 유사 후보 단어로 결정할 수 있다. 유사 후보 단어는 대상 단어와 동의 관계에 있을 가능성이 높은 단어일 수 있다. 워드 임베딩 결과 대상 단어와 의미 관련도가 낮은 단어도 학습 오류에 의해 벡터거리가 가까운 수치로 표현될 수 있으므로, 1차적으로 동의 관계 판단에 앞서 유사 후보 단어를 결정할 수 있다. 대상 단어와의 동의 관계 판단함에 있어 유사 후보 단어를 선정하는 단계를 추가함으로써, 동의 관계 있는 단어를 높은 정확도로 추출해 낼 수 있다. 전술한 유사 후보 단어 결정은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 대상 단어 및 유사 후보 단어에 대한 유사도 점수를 연산하고, 유사도 점수에 기초하여 대상 단어 및 유사 후보 단어에 대한 동의 관계를 결정할 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 대상 단어 및 유사 후보 단어 각각을 단어를 구성하는 최소 단위로 분리할 수 있다. 단어의 최소 단위는 예를 들어, 음소일 수 있다. 음소는 더 이상 작게 나눌 수 없는 음운론상의 최소 단위일 수 있다. 예를 들어, 단어가 한글인 경우 단어의 최소단위는 ㄱ, ㄴ, ㄷ, ㄹ, ㅏ, ㅑ, ㅓ, ㅕ 와 같은 자음, 모음일 수 있다. 단어가 영어인 경우 단어의 최소 단위는 a, b, c, d, e, f, g와 같은 알파벳일 수 있다. 예를 들어, 단어가 472과 같은 숫자인 경우 단어의 최소 단위는 1, 2, 3, 4 와 같은 숫자일 수 있다. 프로세서(110)가 단어를 최소 단위로 분리하는 동작은 예를 들어, 단어가 한글인 경우, 한글 자모 분리를 이용하여 수행될 수 있다. 한글 자모 분리는 예를 들어 결장이라는 단어를 ㄱ, ㅕ, ㄹ, ㅈ, ㅏ, ㅇ 으로 분리하는 것일 수 있다. 프로세서(110)가 단어를 최소 단위로 분리함으로써 의미를 가지는 단어와 관련된 변형된 단어의 동의 관계 판단을 정확하게 할 수 있다. 변형된 단어는 예를 들어, 의미를 가지는 단어의 형태를 변형한 것일 수 있으므로, 의미를 가지는 단어를 최소 단위로 분리하여 형태적 유사성을 더 정확하게 파악할 수 있다. 예를 들어 줄임말의 경우, 의미를 가진 단어에서 적어도 하나 이상의 음절만 결합하여 형태를 변형한 단어이므로, 최소 단위 분리를 통해 공통 요소를 쉽게 파악하여 형태적 유사성을 판단할 수 있다. 변형된 단어는 예를 들어, 의미를 가지는 단어에서 적어도 하나 이상의 음소를 포함하고 있을 수 있으므로, 단어를 최소 단위로 분리함으로써 정확도 높은 동의 관계 판단을 수행할 수 있다. 전술한 단어의 최소 단위 분리는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 분리 결과에 기초하여 대상 단어 및 유사 후보 단어에 대한 유사도 점수를 연산할 수 있다. 프로세서(110)는 대상 단어와 유사 후보 단어의 형태적 유사성을 중심으로 유사도 점수를 연산할 수 있다. 프로세서(110)는 대상 단어와 유사 후보 단어의 단어를 구성하는 최소 단위의 일치 비율에 따라서, 유사도 점수를 연산할 수 있다. 예를 들어, 커엽다는 귀엽다와 동의 관계에 있는 변형된 단어로써, 1음절을 제외한 2,3음절은 동일하므로 형태적 유사성이 높을 수 있다. 프로세서(110)는 신경망(neural network)를 이용하여 형태적 유사성을 판단할 수 있다. 프로세서(110)는 의미를 가진 단어와 변형된 단어 중 의미를 가진 단어와 형태적 유사성이 높은 단어를 학습 데이터 세트로 구성할 수 있다. 예를 들어, 단어 귀엽다를 학습 입력 데이터로 하고 단어 커엽다를 학습 결과 데이터로 하여 단어 귀엽다와 형태적 유사성이 높은 단어로써 커엽다를 학습시킬 수 있다. 따라서 프로세서(110)는 단어 귀엽다와 단어 커엽다가 형태적 유사성이 높다고 판단할 수 있다. 또한 프로세서(110)는 사전 결정된 규칙에 기초하여 형태적 유사성을 판단할 수 있다. 사전 결정된 규칙은 예를 들어, 단어의 공통된 음소의 개수에 기초하여 결정된 규칙일 수 있다. 또한 프로세서(110)는 대상 단어와 유사 후보 단어의 의미 관련도를 기준으로 유사도 점수를 환산할 수 있다. 예를 들어, 머리와 두상이라는 단어는 동의 관계에 있으므로, 높은 유사도 점수를 갖는 반면에 머리와 머리카락이라는 단어는 동의 관계에 있지 않으므로 낮은 유사도 점수를 가질 수 있다. 전술한 유사도 점수 연산은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 대상 단어 및 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정할 수 있다. 프로세서(110)는 유사도 점수를 산출하기 위해 대상 단어 및 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정할 수 있다. 따라서 프로세서(110)는 대상 단어 및 유사 후보 단어 각각에 대하여 각각의 단어를 구성하는 최소 단위 요소의 수를 결정할 수 있다. 예를 들어 인터넷이라는 단어의 최소 단위는 ㅇ, ㅣ, ㄴ, ㅌ, ㅓ, ㄴ, ㅔ, ㅅ 이고 최소 단위 요소의 수는 10일 수 있다. 전술한 최소 단위 요소 수 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 제 1 실시예에 있어서, 프로세서(110)는 각각의 단어에 대한 최소 단위 요소 중 공통 요소의 수를 결정할 수 있다. 프로세서(110)는 최소 단위 요소 중 공통 요소의 수를 결정하는 경우, 각각의 최소 단위 요소의 단어에서의 위치를 고려하지 않고 판단할 수 있다. 예를 들어 단어 물통의 최소 단위 요소는 ㅁ, ㅜ, ㄹ, ㅌ, ㅗ, ㅇ 이고, 단어 물병의 최소 단위 요소는 ㅁ, ㅜ, ㄹ, ㅂ, ㅕ, ㅇ 인 경우, 공통 요소는 ㅁ, ㅜ, ㄹ, ㅇ 이므로 공통 요소의 수는 4일 수 있다. 즉, 공통 요소 ㅇ 은 ㅌ,ㅗ 과 ㅂ,ㅕ 이후에 위치하는 최소 단위 요소이나 프로세서(110)는 공통 요소 위치를 고려하지 않으므로 공통 요소의 수는 4로 판단할 수 있다. 전술한 공통 요소의 수를 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

또한 본 개시의 제 2 실시예에서 프로세서(110)는 최소 단위 요소 중 공통 요소의 수를 결정하는 경우, 각각의 최소 단위 요소의 단어에서의 위치를 고려하여 판단할 수도 있다. 전술한 예시에서, 예를 들어 단어 물통의 최소 단위 요소는 ㅁ, ㅜ, ㄹ, ㅌ, ㅗ, ㅇ이고, 단어 물병의 최소 단위 요소는 ㅁ, ㅜ, ㄹ, ㅂ, ㅕ, ㅇ 인 경우, 공통 요소는 ㅁ, ㅜ, ㄹ, ㅇ 가 될 수 있으나, ㅇ은 ㅌ, ㅗ 와 ㅂ, ㅕ 이후에 위치하므로, 공통 요소에서 제외될 수도 있다. 전술한 공통 요소의 수를 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 제 3 실시예에서 프로세서(110)는 최소 단위 요소 중 공통 요소의 수를 결정하는 경우, 각각의 최소 단위 요소의 단어에서의 위치를 고려할 수 있으며 이 경우 프로세서(110)는 처음 최소 단위 요소부터 마지막 최소 단위 요소로 비교하거나 또는 마지막 최소 단위 요소부터 처음 단위 요소로 비교하여 공통되는 최소 단위 요소 수를 결정할 수 있다. 전술한 예시에서, 예를 들어 단어 물통의 최소 단위 요소는 ㅁ, ㅜ, ㄹ, ㅌ, ㅗ, ㅇ이고, 단어 물병의 최소 단위 요소는 ㅁ, ㅜ, ㄹ, ㅂ, ㅕ, ㅇ 인 경우, 프로세서(110)는 처음 최소 단위 요소부터 마지막 최소 단위 요소로 비교하여 공통 요소인 ㅁ, ㅜ, ㄹ을 추출하고, 마지막 최소 단위 요소부터 처음 최소 단위 요소로 비교하여 공통요소인 ㅇ를 추가로 추출할 수 있다. 제 3 실시예에서 프로세서(110)는 공통요소를 ㅁ, ㅜ, ㄹ, ㅇ로 결정할 수 있다. 전술한 공통 요소의 수를 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 공통 요소의 수와 최소 단위 요소의 수가 많은 단어의 최소 단위 요소의 수의 비율에 기초하여 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정할 수 있다. 예를 들어, 단어 종특의 최소 단위 요소는 ㅈ, ㅗ, ㅇ, ㅌ, ㅡ, ㄱ 이고, 단어 종족 특성의 최소 단위 요소는 ㅈ, ㅗ, ㅇ, ㅈ, ㅗ, ㄱ, ㅌ, ㅡ, ㄱ, ㅅ, ㅓ, ㅇ 인 경우 최소 단위 요소의 수가 많은 단어는 종족 특성일 수 있다. 따라서 종족특성이라는 단어의 최소 단위 요소 수 12는 종특이라는 단어의 최소 단위 요소 수 6에 비해 크므로, 최소 단위 요소의 수가 많은 단어의 최소 단위 요소의 수는 12일 수 있다. 프로세서(110)는 단어의 공통 요소 수를 결정하는 제 1 실시예에 따라, 단어 종족과 단어 종족특성의 최소 단위를 순차적으로 비교하여, 공통된 단어의 최소 단위 요소는 ㅈ, ㅗ, ㅇ, ㅌ, ㅡ, ㄱ을 도출할 수 있으며, 이 경우, 공통된 단어의 최소 단위 요소의 수는 6일 수 있다. 따라서 종특과 종족특성의 단어의 최소 단위 요소 공통 비율은 6/12 일 수 있다. 또한 본 개시의 다른 일 실시예에서, 프로세서(110)는 단어의 공통 요소 수를 결정하는 제 2 실시예에 따라 단어 종족과 단어 종족특성의 최소 단위를 순차적으로 비교하여 공통된 단어의 최소 단위 요소 ㅈ, ㅗ, ㅇ을 도출할 수 있으며, 이 경우, 공통된 단어의 최소 단위 요소의 수는 3 일 수 있다. 따라서, 본 개시의 다른 일 실시예에서, 종특과 종족특성의 단어의 최소 단위 공통 비율은 3/12일 수 있다. 전술한 공통 요소의 비율을 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

프로세서(110)는 대상 단어 및 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율에 기초하여, 유사도 점수를 결정할 수 있다.

본 개시의 제 4 실시예에서, 프로세서(110)가 대상 단어 및 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하는 경우, 공통 요소인 최소 단위 요소에 동일한 값을 부여하여 공통 비율을 결정할 수 있다. 예를 들어, 프로세서(110)는 단어의 공통 요소 수를 결정하는 제 1 실시예에 따라 단어 종특과 단어 종족 특성의 최소 단위의 공통 비율을 결정하는 경우, 공통 요소 ㅈ, ㅗ, ㅇ, ㅌ, ㅡ, ㄱ 각각에 대하여 동일한 값 1을 부여하여 공통 비율을 결정할 수 있다. 단어의 공통 요소 수를 결정하는 제 1 실시예는 최소 단위 요소의 위치를 고려하지 않으므로, 종족 특성에서 ㅈ, ㅗ, ㄱ 다음에 나타나는 3번째 음절의 최소 단위 요소인 ㅌ, ㅡ, ㄱ 도 공통 요소에 포함될 수 있다. 따라서 프로세서(110)는 단어 종특과 단어 종족 특성의 최소 단위의 공통 비율이 6/12인 것으로 결정할 수 있다. 전술한 공통 비율을 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 제 5 실시예에서, 프로세서(110)가 대상 단어 및 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하는 경우, 공통 요소인 최소 단위 요소의 위치에 기초한 가중치(weight)를 부여하여 공통 비율을 결정할 수 있다. 프로세서(110)는 예를 들어, 대상 단어와 유사 후보 단어에서 공통되는 최소 단위 요소가 첫 음절 및/또는 끝 음절인 경우 가중치를 부여할 수 있다. 프로세서(110)는 단어 텔과 단어 텔레포트의 최소 단위의 공통 비율을 결정하는 경우, 공통 요소 ㅌ, ㅔ, ㄹ 은 첫 음절에 포함된 최소 단위 요소이므로 가중치를 3으로 부여할 수 있다. 따라서 프로세서(110)는 단어 텔과 단어 텔레포트의 최소 단위의 공통 비율이 (3+3+3)/12=9/12인 것으로 결정할 수 있다. 본 개시의 제 5 실시예에 의하면 단어 텔과 단어 텔레포트와의 관계처럼, 동의어인 변형 단어가 단어와 일부 음절만을 공유하는 줄임말인 경우에도 동의 관계를 올바르게 판단할 수 있다. 즉, 동의어이나 원래 단어가 길어 동의어가 원래 단어를 매우 축약한 줄임말인 경우에도 동의 관계를 결정할 수 있다. 사전 결정된 유사도 점수는 동의어 사전을 기초로 하여 결정된 유사도 점수의 평균값일 수 있다. 프로세서(110)가 본 개시의 제 5 실시예와 같이, 첫 음절 및/또는 끝 음절에 포함된 최소 단위 요소에 가중치를 부여하는 경우, 단어 텔과 단어 텔레포트의 최소 단위의 공통 비율이 9/12 로 높게 결정될 수 있다. 따라서 프로세서(110)는 대상 단어와 유사 후보 단어의 첫 음절에 포함된 최소 단위 요소가 동일한 경우, 본 개시의 제 5 실시예와 같이 첫 음절에 포함된 최소 단위 요소에 가중치를 부여함으로써 정확도 높은 동의 관계 판단을 할 수 있다. 전술한 최소 단위의 공통 비율을 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 유사도 점수가 사전 결정된 유사도 점수 이상인 경우, 대상 단어 및 유사 후보 단어에 대한 동의 관계를 결정할 수 있다. 사전 결정된 유사도 점수는 동의어 사전을 기초로 하여 결정된 유사도 점수의 평균값일 수 있다. 예를 들어, 프로세서(110)는 동의어 사전의 각각의 동의어들을 단어를 구성하는 최소 단위로 분리하고, 최소 단위의 공통 비율을 연산할 수 있다. 본 개시의 사전 결정된 유사도 점수는 동의어 사전의 각각의 동의어들의 단어를 구성하는 최소 단위의 공통 비율의 평균일 수 있다. 예를 들어, 동의어 사전을 기초로 하여 결정된 유사도 점수의 평균값이 0.5인 상황에서, 유사 후보 단어의 유사도 점수가 0.7인 경우 프로세서(110)는 유사 후보 단어를 대상 단어와 동의 관계 있는 단어라고 판단할 수 있다. 하지만 유사 후보 단어의 유사도 점수가 0.3인 경우 프로세서(110)는 유사 후보 단어를 대상 단어와 동의 관계에 있지 않은 단어로 판단할 수 있다. 전술한 동의 관계를 결정하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 동의어 추출 방법은 워드 임베딩을 통해 대상 단어와 유사 후보 단어를 산출하는 단계와 유사 후보 단어에 대해서만 최소 단위 요소로 분리하여 동의 관계 판단하는 단계를 나눔으로써, 높은 정확도로 동의 관계 있는 단어인지 여부를 판단할 수 있다. 또한, 동의 관계 추출하는 단계를 두 단계로 나눔으로써, 수집된 하나 이상의 문장에 포함된 모든 단어에 대해서 최소 단위 요소 분리하여 신경망(neural network)학습을 진행하는 방법에 비해, 수집된 하나 이상의 문장에 대해 학습하는 시간을 감소시킬 수 있다. 즉, 워드 임베딩을 통해 먼저 유사 후보군을 산출한 후, 단어의 최소 단위 요소 비교를 통하여 유사 여부에 대한 결론을 산출하여, 학습 시간을 감소시키고 처리 속도를 증가시킬 수 있다. 나아가 프로세서(110)가 검색어와 동의 관계에 있는 변형된 단어가 포함된 검색 결과까지 반환함으로써 커뮤니티 게시글 모니터링 및 유저의 동향 파악을 효율적으로 진행할 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 유사 후보 단어 중 동의 관계가 있는 것으로 결정된 단어를 동의어 사전에 추가할 수 있다. 동의어 사전은 메모리(130)에 저장된 데이터일 수 있다. 프로세서(110)는 대상 단어와 유사 후보 단어 중 동의 관계 있는 단어라고 결정된 단어를 메모리(130)에 저장할 수 있다. 예를 들어, 프로세서(110)는 대상 단어 개인톡과 동의 관계 있는 단어라고 결정된 갠톡을 메모리(130)에 추가할 수 있다. 전술한 단어를 동의어 사전에 추가하는 동작은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예의 동의어 추출 방법에 의하여 동의 관계가 결정된 단어들이 추가된 동의어 사전에 대하여 프로세서(110)는 유사도 점수의 평균값을 재 산출하여, 동의 관계를 결정하기 위한 유사도 점수의 사전 결정된 임계값을 재설정할 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(110)가 자동으로 동의 관계가 있는 것으로 결정된 단어를 동의어 사전에 추가함으로써 동의어 사전 구축 및 업데이트에 소비되는 시간, 인력 및 비용이 절약될 수 있다. 나아가 프로세서(110)는 단어와 동의 관계에 있는 변형된 단어를 동의어 사전에 자동으로 추가함으로써 유저가 입력한 검색어와 동의 관계에 있는 변형된 단어가 포함된 검색 결과를 반환함으로써 검색의 질을 높일 수 있다.

도 2는 본 개시의 일 실시예에 따라 워드 임베딩의 기반이 되는 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분 집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따라 커뮤니티 게시판에서 동의어 추출 동작을 설명하기 위한 예시도이다.

본 개시의 일 실시예에 따라, 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장은 도 3에 도시된 바와 같이 커뮤니티 게시글일 수 있다. 커뮤니티는 게임 커뮤니티, 부동산 커뮤니티, 아파트 커뮤니티, 취미 커뮤니티와 같이 적어도 하나 이상의 사람이 공통된 흥미를 가지고 정보를 공유하는 네트워크 상에 구현된 공간일 수 있다. 도 3에 도시된 자유 게시판에 예를 들어, 결투장 및 던전 업데이트 게시글이 존재할 수 있다. 상기 커뮤니티 게시글은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 도 3에 도시된 게시글에 대해 워드 임베딩을 수행할 수 있다. 워드 임베딩을 수행한 결과 결투장(410), 결장(411), 및 던전(412)은 벡터 공간에서 벡터 거리가 가까운 벡터들로 표현될 수 있다. 프로세서(110)가 워드 임베딩을 수행하면, 예를 들어 결투장(410), 결장(411) 및 던전(412)은 플레이어의 캐릭터가 게임 플레이하는 장소를 의미하므로, 세 단어의 벡터표현은 벡터 공간에서의 위치가 인접할 수 있다. 전술한 워드 임베딩 결과는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 대상 단어 결투장(410)에 대해 결장(411) 및 던전(412)은 유사 후보 단어일 수 있다. 프로세서(110)는 대상 단어 결투장(410)과 유사 후보 단어 결장(411)의 유사도 점수 및 대상 단어 결투장(410)과 유사 후보 단어 던전(412)의 유사도 점수를 산출할 수 있다. 프로세서(110)는 산출된 유사도 점수 값을 기초로 유사 후보 단어 결장(411)이 사전 결정된 유사도 점수 이상인 경우, 결장(411)은 결투장(410)과 동의 관계에 있는 단어로 판단할 수 있다. 프로세서(110)는 산출된 유사도 점수 값을 기초로 유사 후보 단어 던전(412)이 사전 결정된 유사도 점수 이하인 경우, 던전(412)은 결투장(410)과 동의 관계에 있지 않은 단어로 판단할 수 있다. 전술한 동의 관계 판단 동작은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 도 3에 도시된 업데이트(430) 및 업뎃(431)은, 표준 단어와 해당 표준 단어와 동의 관계에 있으면서 표준 단어의 길이를 줄인 줄임말 관계에 있을 수 있다. 예를 들어, 프로세서(110)가 참조 번호 400의 게시글을 워드 임베딩한 경우, 벡터 공간에서 업데이트(430)와 업뎃(431)은 벡터 공간에서 인접한 벡터로 표현될 수 있다. 프로세서(110)가 워드 임베딩을 수행하면, 예를 들어 업데이트(430) 및 업뎃(431)이라는 단어에 후속하여 진행이라는 단어가 존재하므로, 벡터 공간에서의 벡터 위치가 인접할 수 있다. 프로세서(110)가 대상 단어 업데이트(430)와 업뎃(431)이 벡터 공간에서 사전 결정된 기준을 충족하는 벡터 거리에 해당하여 유사 후보 단어로 결정할 수 있다. 프로세서(110)는 대상 단어 업데이트(430)와 업뎃(431)의 유사도 점수를 산출하여 동의 관계를 판단할 수 있다. 전술한 동의 관계 판단하는 동작은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

*도 4는 본 개시의 일 실시예에 따라 워드 임베딩 결과 벡터 공간에 단어가 벡터로 표현된 결과를 설명하기 위한 예시도이다.

도 4에 도시된 바와 같이 단어는 벡터 공간에 벡터로 수치화 되어 표현될 수 있다. 단어의 벡터는 프로세서(110)가 단어를 원-핫-인코딩(one-hot-encoding) 방식으로 표현된 경우, 수집된 텍스트 데이터에 포함된 단어들의 수일 수 있다. 따라서 벡터의 성분 개수는 수집된 텍스트 데이터에 포함된 단어의 수일 수 있다. 나아가 벡터의 성분은 벡터 공간의 차원일 수 있다. 예를 들어, 벡터의 성분이 n개 존재하는 경우, 벡터 공간은 n차원 공간일 수 있다.

본 개시의 일 실시예에 따라, 참조번호 450의 벡터 공간은, 프로세서(110)가 도 3에 도시된 게시글을 포함한 하나 이상의 문장을 워드 임베딩 하여 표현된 벡터 공간일 수 있다. 프로세서(110)가 워드 임베딩한 결과 도 4에 도시된 바와 같이 대상 단어 결투장(410)에 대하여 결장(411) 벡터 및 던전(412) 벡터가 벡터 공간 상에 표현될 수 있다. 프로세서(110)는 대상 단어 결투장(410)을 중심으로 일정 벡터 거리 내에 있는 단어를 유사 후보 단어로 결정할 수 있다. 도 4에 도시된 참조 번호 470은, 대상 단어 결투장(410)에 대해 일정 벡터 거리 이내에 있는 영역을 표시할 수 있다. 일정 벡터 거리는 사전 결정된 임계값일 수 있다. 도 4에 도시된 바와 같이 대상 단어 결투장(410) 벡터를 중심으로 일정 벡터 거리 이내에 있는 단어는, 대상 단어 결투장(410)과 의미 관련도가 클 수 있다. 의미 관련도가 큰 단어는 예를 들어, 대상 단어가 결투장일 경우, 결장과 같은 동의어 및 던전과 같이 게임 플레이하는 맵으로써 카테고리가 동일한 단어일 수 있다. 전술한 벡터 공간의 단어 벡터 표현은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

도 5는 본 개시의 일 실시예에 따라 유사도 점수를 산출하는 수식을 설명하기 위한 예시도이다.

본 개시의 일 실시예에 따라, 참조번호 500은 대상 단어와 유사 후보 단어간 유사도 점수를 산출하는 식일 수 있다. 유사도 점수는 대상 단어 및 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율에 기초하여 결정될 수 있다. 유사도 점수의 분모는 대상 단어의 최소 단위 요소 수와 유사 후보 단어의 최소 단위 요소 수 중 큰 값일 수 있다. W_a 는 대상 단어 a의 최소 단위 요소의 집합일 수 있다. 예를 들어, 대상 단어a가 미국이라는 단어인 경우, 집합 W_a는 미국이라는 단어의 최소 단위 요소인 ㅁ, ㅣ, ㄱ, ㅜ, ㄱ 을 포함할 수 있다. 마찬가지로 유사 후보 단어 b에 대한 W_b 는 유사 후보 단어의 최소 단위 요소를 포함하는 집합일 수 있다. L(W_a)는 대상 단어a를 최소 단위 요소로 분리한 길이를 나타낼 수 있다. 예를 들어, 대상 단어 a가 블러드인 경우, 단어의 최소 단위 요소는 ㅂ, ㅡ, ㄹ, ㄹ, ㅓ, ㄷ, ㅡ 일 수 있다. 따라서 L(W_a)는 단어 블러드의 최소 단위 요소 길이인 7일 수 있다. 전술한 유사도 점수 산출은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 유사도 점수의 분자는 대상 단어 최소 단위 요소와 유사 후보 단어의 최소 단위 요소 중 공통되는 최소 단위 요소 수일 수 있다. 프로세서(110)는 공통되는 최소 단위 요소 수를 결정할 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 본 개시의 제 2 실시예와 같이, 대상 단어와 유사 후보 단어의 최소 단위 요소를 처음 최소 단위 요소에서부터 마지막 최소 단위 요소로 순차적으로 비교하면서, 공통되지 않는 최소 단위 요소가 나오는 경우 탐색을 종료하고, 공통되는 최소 단위 요소 수를 결정할 수 있다. 본 개시의 제 2 실시예에서 프로세서(110)는 단어의 공통 요소 수를 결정함에 있어, 각각의 최소 단위 요소의 단어에서의 위치를 고려하여 판단할 수 있다. 예를 들어, 대상 단어 결투장(410)과 유사 후보 단어 결장(411)의 최소 단위 요소는 각각 ㄱ, ㅕ, ㄹ, ㅌ, ㅜ, ㅈ, ㅏ, ㅇ이고 ㄱ, ㅕ, ㄹ, ㅈ, ㅏ, ㅇ이다. 프로세서(110)는 처음 최소 단위 요소부터 최소 단위 요소를 비교하므로, ㄱ, ㅕ, ㄹ 만 공통되는 최소 단위 요소이므로, 공통되는 최소 단위 요소 수는 3이다. 전술한 공통되는 최소 단위 요소 수를 결정하는 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 단어의 공통 요소 수를 결정하는 제 1 실시예에 따라 결정할 수 있다. 본 개시의 제 1 실시예는 프로세서(110)는 단어의 공통 요소 수를 결정함에 있어, 각각의 최소 단위 요소의 단어에서의 위치를 고려하지 않고 판단할 수 있다. 예를 들어, 대상 단어가 텔레포트이고, 유사 후보 단어가 텔포인 경우, 단어의 최소 단위 요소는 각각 ㅌ, ㅔ, ㄹ, ㄹ, ㅔ, ㅍ, ㅗ, ㅌ, ㅡ 및 ㅌ, ㅔ, ㄹ, ㅍ, ㅗ 일 수 있다. 프로세서(110)는 처음 최소 단위 요소부터 최소 단위 요소를 비교하다가 대상 단어의 4번째 최소 단위 요소 ㄹ 과 유사 후보 단어의 4번째 최소 단위 요소 ㅍ 가 서로 상이한 최소 단위 요소임을 판단할 수 있다. 프로세서(110)는 대상 단어의 5번째 최소 단위 요소와 유사 후보 단어의 4번째 최소 단위 요소를 비교하여 상이한 최소 단위 요소로 판단할 수 있다. 프로세서(110)는 유사 후보 단어의 4번째 최소 단위 요소와 일치하는 최소 단위 요소를 찾을 때까지 대상 단어의 최소 단위 요소를 마지막 최소 단위 요소 방향으로 탐색의 범위를 하나의 최소 단위 요소씩 이동하며 비교할 수 있다. 프로세서(110)는 대상 단어의 6번째 최소 단위 요소 ㅍ 과 유사 후보 단어의 4번째 최소 단위 요소 ㅍ 이 일치함을 판단할 수 있다. 따라서 프로세서(110)는 최소 단위 요소 ㅍ 부터 ㅗ 까지 공통 최소 단위 요소로 판단할 수 있다. 이를 통해 프로세서(110)는 텔레포트와 텔포의 공통 요소의 수를 5로 결정할 수 있다. 전술한 공통되는 최소 단위 요소 수를 결정하는 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에서 프로세서(110)는 최소 단위 공통 비율을 결정하는 본 개시의 제 4 실시예를 통해 텔레포트와 텔포의 유사도 점수를 5/9로 결정할 수 있다. 프로세서(110)는 본 개시의 제 4 실시예는 공통 최소 단위 요소에 동일한 값을 부여하여 공통 비율을 결정할 수 있다. 따라서 프로세서(110)는 본 개시의 제 5 실시예를 통해 공통 요소에 가중치(weight)를 부여하여 유사도 점수를 산출할 수 있다. 예를 들어, 프로세서(110)는 대상 단어와 유사 후보 단어의 첫 음절 및/또는 끝 음절에 공통되는 최소 단어 요소가 있는 경우 가중치를 부여할 수 있다. 따라서 프로세서(110)는 첫 음절에 포함된 최소 단위 요소 ㅌ, ㅔ, ㄹ 이 공통 요소이므로, 공통 요소 ㅌ, ㅔ, ㄹ 에 가중치 2을 부여하고 나머지 공통 요소 ㅍ, ㅗ 는 1을 부여하여 9/9 라는 높은 유사도 점수를 산출할 수 있다. 따라서 본 개시의 제 5 실시예와 같이 특정 음절에 가중치를 부여함으로써, 동의 관계 판단의 정확도를 높일 수 있다. 전술한 유사도 점수 산출은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

도 6은 본 개시의 일 실시예에 따라 대상 단어와 유사 후보 단어의 유사도 점수를 산출하는 동작을 설명하기 위한 예시도이다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 대상 단어와 유사 후보 단어의 최소 단위 요소를 각각 일치하는 것끼리 비교하여 공통되는 최소 단위 요소 수를 결정할 수 있다. 또한 프로세서(110)는 대상 단어와 유사 후보 단어의 최소 단위 요소를 처음 최소 단위 요소부터 마지막 최소 단위 요소로 비교하거나 또는 마지막 최소 단위 요소부터 처음 단위 요소로 비교하여 공통되는 최소 단위 요소 수를 결정할 수 있다.

본 개시의 일 실시예에 있어서, 참조 번호 501은 대상 단어 결투장과 유사 후보 단어 결장의 유사도 점수 산출 예시를 도시할 수 있다. 프로세서(110)는 대상 단어 결투장의 최소 단위 요소 중 처음 최소 단위 요소 및 마지막 최소 단위 요소에서 시작하여 가운데로 진행하면서 공통되는 최소 단위 요소 수를 결정할 수 있다. 따라서 프로세서(110) 처음 최소 단위 요소부터 최소 단위 요소를 비교한 경우에 ㄱ, ㅕ, ㄹ 이 순서대로, 마지막 최소 단위 요소부터 최소 단위 요소를 비교한 경우에는 ㅇ, ㅏ, ㅈ 을 순서대로 공통되는 최소 단위 요소로 판단한다. 따라서 프로세서(110)는 대상 단어 결투장과 유사 후보 단어 결장의 유사도 점수(510)를 0.75로 결정할 수 있다. 줄임말의 경우에는 첫 음절과 끝 음절로 구성되는 경우가 많으므로 이와 같은 비교 방식을 통해 단어들 사이의 동의 관계를 결정할 수 있다.

본 개시의 일 실시예에 있어서, 참조 번호 502는 대상 단어 결투장과 유사 후보 단어 던전의 유사도 점수 산출 예시를 도시할 수 있다. 프로세서(110)는 본 개시의 제 3 실시예와 같이 프로세서(110)는 최소 단위 요소 중 공통 요소의 수를 결정하는 경우, 각각의 최소 단위 요소의 단어에서의 위치를 고려할 수 있으며 이 경우 프로세서(110)는 처음 최소 단위 요소부터 마지막 최소 단위 요소로 비교하거나 또는 마지막 최소 단위 요소부터 처음 최소 단위 요소로 비교하여 공통되는 최소 단위 요소 수를 결정할 수 있다. 대상 단어 결투장의 최소 단위 요소 중 처음 최소 단위 요소 및 마지막 최소 단위 요소에서 시작하여 처음 최소 단위 요소와 마지막 최소 단위 요소의 가운데로 진행하면서 공통되는 최소 단위 요소 수를 결정할 수 있다. 따라서 프로세서(110) 처음 최소 단위 요소 및 마지막 최소 단위 요소로부터 최소 단위 요소를 비교한 경우에, 대상 단어의 6번째 최소 단위 요소가 일치함을 판단할 수 있다. 프로세서(110)는 대상 단어 결투장과 유사 후보 단어 던전의 유사도 점수(530)를 0.125로 결정할 수 있다.

전술한 유사도 점수 산출하는 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 대상 단어와 유사 후보 단어의 유사도 점수가 사전 결정된 유사도 점수 이하인 경우, 동의 관계 여부를 판단하기 위하여 유사 후보 단어에 대해 대상 단어와 유사 후보 단어의 워드 임베딩을 통한 연관 관계 분석 결과를 추가적으로 참조할 수 있다. 프로세서(110)는 대상 단어와 유사 후보 단어의 연관 관계 분석 결과가 사전 결정된 제 2 임계값에 기초하여, 대상 단어와 유사 후보 단어를 유사도 점수 결과에도 불구하고 동의 관계에 있는 단어로 결정할 수 있다. 사전 결정된 제 2 임계값은 벡터 공간에서 거리가 유사 후보 단어를 판단하기 위한 사전 결정된 임계값보다 작은 값일 수 있다. 사전 결정된 임계값은 워드 임베딩을 통해 산출된 벡터 거리에 기초하여 산출된 단어 간 의미 유사도일 수 있다. 사전 결정된 임계값은 대상 단어에 대한 유사 후보 단어를 산출하는 과정에서 기준이 될 수 있다. 사전 결정된 제 2 임계값은 사전 결정된 임계값과 비교하여 더 높은 단어 간 의미 유사도를 나타낼 수 있다. 예를 들어, 대상 단어는 빠른무한이고 유사 후보 단어는 빨무인 상황에서, 유사도 점수는 0.5 이고 사전 결정된 유사도 점수가 0.7 인 경우, 프로세서(110)는 빠른무한과 빨무가 동의 관계에 있는 단어임에도 동의 관계가 아니라고 결정할 수 있다. 이 경우, 프로세서(110)는 예를 들어, 빠른무한과 빨무의 벡터 거리를 추가적으로 참조하여, 벡터 공간에서의 거리가 제 2 임계값 이하인 경우 동의 관계에 있는 단어로 결정할 수 있다. 따라서 프로세서(110)가 다시 연관 관계 분석 결과를 기초로 다시 동의 관계 판단을 함으로써, 동의 관계 판단의 정확도를 높일 수 있다. 전술한 동의 관계 판단 방법은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예에 따라 동의어를 추출하는 방법의 순서도이다.

컴퓨팅 장치(100)는 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장에 대하여 워드 임베딩을 수행할 수 있다(610). 본 개시의 일 실시예에 있어서, 상기 하나 이상의 문장은, 의미를 가지는 단어와 관련된 변형된 단어를 포함하는 문장일 수 있다. 본 개시의 일 실시예에 있어서, 상기 워드 임베딩은, 하나 이상의 문장에 포함된 각각의 단어를 원 핫 인코딩(one-hot-encoding) 방식으로 변환하여 입력 레이어에 입력시키고, 상기 입력 레이어(Input Layer)에서 제 1 행렬을 이용하여 히든 레이어(Hidden Layer)의 입력 값을 구하고, 상기 히든 레이어(Hidden Layer)의 입력 값과 제 2 행렬을 이용하여 출력 레이어(Output Layer)를 구하여, 상기 출력 레이어(Output Layer)가 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터를 저장하고, 상기 제 1 행렬 및 상기 제 2 행렬은 상기 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터와 목표 벡터―상기 목표 벡터는 단어의 원 핫 인코딩 방식(one-hot-encoding)으로 표현된 벡터인―를 비교하여 학습 비율만큼 차이를 줄여가는 역전파(Backporpagation)를 통해 상기 제 1 행렬 및 상기 제 2 행렬의 가중치 값을 조정하여 결정된 행렬을 생성할 수 있다.

컴퓨팅 장치(100)는 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석할 수 있다(620). 본 개시의 일 실시예에 있어서, 컴퓨팅 장치(100)는 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들 중 사전 결정된 수 이상 반복된 단어에 대하여 수행될 수 있다.

컴퓨팅 장치(100)는 상기 하나 이상의 단어 각각을 대상 단어로 결정하고, 상기 대상 단어 각각에 대하여, 상기 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값을 기준으로 다른 단어들을 식별할 수 있다.

컴퓨팅 장치(100)는 상기 연관 관계 분석에 기초하여 대상 단어 및 유사 후보 단어 결정할 수 있다(630). 컴퓨팅 장치(100)는 상기 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값 기준으로 다른 단어들을 유사 후보 단어로 결정할 수 있다.

컴퓨팅 장치(100)는 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정할 수 있다(640). 본 개시의 일 실시예에 있어서, 프로세서(110)가 상기 대상 단어 및 상기 유사 후보 단어 각각을 단어를 구성하는 최소 단위로 분리하는 동작; 상기 분리 결과에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하는 동작; 및 상기 유사도 점수가 사전 결정된 유사도 점수 이상인 경우, 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 동작을 포함할 수도 있다. 본 개시의 일 실시예에 있어서, 컴퓨팅 장치(100)는 상기 대상 단어 및 상기 유사 후보 단어 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하는 동작을 포함할 수도 있다.

본 개시의 일 실시예에 있어서, 컴퓨팅 장치(100)가 비율을 결정하는 동작은, 상기 대상 단어 및 상기 유사 후보 단어 각각에 대하여 각각의 단어를 구성하는 최소 단위 요소의 수를 결정하는 동작; 상기 각각의 단어에 대한 최소 단위 요소 중 공통 요소의 수를 결정하는 동작; 및 상기 공통 요소의 수와 상기 최소 단위 요소의 수가 많은 단어의 상기 최소 단위 요소의 수의 비율에 기초하여 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하는 동작을 포함할 수도 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 상기 유사 후보 단어 중 동의 관계가 있는 것으로 결정된 단어를 동의어 사전에 추가하는 동작을 포함할 수도 있다.

도 8은 본 개시의 일 실시예에 따라 동의어를 추출하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 동의어 추출은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라, 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장에 대하여 워드 임베딩을 수행하기 위한 모듈(710); 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하기 위한 모듈(720); 상기 연관 관계의 분석에 기초하여 대상 단어 및 유사 후보 단어를 결정하기 위한 모듈(730); 및 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하기 위한 모듈(740)에 의하여 구현될 수 있다.

동의어 추출의 대안적 실시예에서, 네트워크를 통하여 커뮤니티로부터 수집된 하나 이상의 문장에 대하여 워드 임베딩을 수행하기 위한 모듈(710)은, 하나 이상의 문장에 포함된 각각의 단어를 원 핫 인코딩(one-hot-encoding) 방식으로 변환하여 입력 레이어에 입력시키기 위한 모듈; 상기 입력 레이어(Input Layer)에서 제 1 행렬을 이용하여 히든 레이어(Hidden Layer)의 입력 값을 구하기 위한 모듈; 상기 히든 레이어(Hidden Layer)의 입력 값과 제 2 행렬을 이용하여 출력 레이어(Output Layer)를 구하기 위한 모듈; 및 상기 출력 레이어(Output Layer)가 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터를 저장하기 위한 모듈을 포함할 수 있다. 상기 제 1 행렬 및 상기 제 2 행렬은 상기 단어사전에 포함된 각각의 단어와의 거리를 성분으로 가지는 벡터와 목표 벡터―상기 목표 벡터는 단어의 원 핫 인코딩 방식(one-hot-encoding)으로 표현된 벡터인―를 비교하여 학습 비율만큼 차이를 줄여가는 역전파(Backporpagation)를 통해 상기 제 1 행렬 및 상기 제 2 행렬의 가중치 값을 조정하여 결정된 행렬일 수 있다.

동의어 추출의 대안적 실시예에서, 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하기 위한 모듈(720)은 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들 중 사전 결정된 수 이상 반복된 단어에 대하여 수행되기 위한 모듈을 포함할 수 있다.

동의어 추출의 대안적 실시예에서, 상기 워드 임베딩을 통해 산출된 하나 이상의 단어들의 연관 관계를 분석하기 위한 모듈(720)은 상기 하나 이상의 단어 각각을 대상 단어로 결정하고, 상기 대상 단어 각각에 대하여, 상기 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값을 기준으로 다른 단어들을 식별하기 위한 모듈을 포함할 수 있다.

동의어 추출의 대안적 실시예에서, 상기 연관 관계의 분석에 기초하여 대상 단어 및 유사 후보 단어를 결정하기 위한 모듈(730)은, 상기 대상 단어와 벡터 공간에서 거리가 사전 결정된 임계값 기준으로 다른 단어들을 유사 후보 단어로 결정하기 위한 모델을 포함할 수 있다.

동의어 추출의 대안적 실시예에서, 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하기 위한 모듈(740)은, 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하기 위한 모듈; 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하기 위한 모듈; 상기 대상 단어 및 상기 유사 후보 단어 각각을 단어를 구성하는 최소 단위로 분리하기 위한 모듈; 상기 분리 결과에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하기 위한 모듈; 및 상기 유사도 점수가 사전 결정된 유사도 점수 이상인 경우, 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하기 위한 모듈을 포함할 수도 있다.

동의어 추출의 대안적 실시예에서, 상기 대상 단어 및 상기 유사 후보 단어 각각에 대하여 각각의 단어를 구성하는 최소 단위 요소의 수를 결정하기 위한 모델; 상기 각각의 단어에 대한 최소 단위 요소 중 공통 요소의 수를 결정하기 모델; 및 상기 공통 요소의 수와 상기 최소 단위 요소의 수가 많은 단어의 상기 최소 단위 요소의 수의 비율에 기초하여 각각의 단어를 구성하는 최소 단위의 공통 비율을 결정하기 위한 모듈을 포함할 수도 있다.

동의어 추출의 대안적 실시예에서, 상기 대상 단어 및 상기 유사 후보 단어에 대한 유사도 점수를 연산하고, 상기 유사도 점수에 기초하여 상기 대상 단어 및 상기 유사 후보 단어에 대한 동의 관계를 결정하는 동작에서, 상기 유사 후보 단어 중 동의 관계가 있는 것으로 결정된 단어를 동의어 사전에 추가하기 위한 모델을 더 포함할 수도 있다.

본 개시의 일 실시예에 따르면 동의어 추출을 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시 내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로　컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

1. 동의어 추출 방법.
   
   

Images