KR20210023385A - 신경망을 이용한 데이터 처리 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 신경망을 이용하여 기술 분야를 추출하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작을 포함할 수 있다.

Description

신경망을 이용한 데이터 처리 방법{METHOD FOR PROCESSING DATA BY USING NEURAL NETWORK}

본 개시는 컴퓨팅 장치를 이용한 데이터 처리에 관한 것으로써, 보다 구체적으로는 신경망을 이용하여 데이터를 처리하는 기술에 관한 것이다.

컴퓨터 및 인터넷 기술이 발전함에 따라, 많은 양의 데이터가 축적되고 있다. 많은 양의 데이터를 효율적으로 저장하고 원하는 검색 조건으로 쉽고 빠르게 데이터를 찾기 위한 기술의 중요도가 증가하고 있다. 현재 저장 매체는 수많은 정보를 저장 및 검색하는 것을 허용한다.

저장 매체가 수많은 양의 데이터를 포함하고 있는 경우, 사용자가 관심있어 하는 데이터를 획득하는 데 어려움이 존재할 수 있다. 또한 컴퓨팅 장치가 사용자가 관심 있어 하는 데이터를 검색하는데 있어서 상대적으로 긴 시간이 소요될 수 있다.

인공지능 기술에서도 특히 딥 러닝 분야는 데이터 자동화 처리에 대해 놀라운 발전을 이루었다. 최근 딥 러닝 기술이 발달하면서 데이터의 분류도 딥 러닝을 사용하는 추세이다.

대한민국 공개특허공보 제 2019-0061984호에서는 딥러닝을 이용한　분류코드 추천 시스템을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 데이터 처리를 위한 컴퓨팅 장치를 제공하기 위함이다.

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. 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작 이전에, 상기 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 분류 대상 데이터는, 상기 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 상기 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 엘리먼트는, 상기 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 분류 대상 데이터는, 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다.

대안적 실시예에서, 상기 제 1 모델은, 자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함할 수 있다.

대안적 실시예에서, 상기 제 1 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델; 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델; 상기 제 1 서브모델 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및 상기 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델을 포함할 수 있다.

대안적 실시예에서, 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력하는 동작 이전에, 상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 분류 대상 데이터에 대한 전처리는 상기 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 모델은, 상기 분류 대상 데이터를 학습 입력 데이터로 하고, 상기 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다.

대안적 실시예에서, 상기 제 2 모델은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작은, 컨볼루셔널 블록의 출력을 풀링 레이어에 입력하는 동작; 상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하는 동작; 및 상기 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 컨볼루셔널 블록은, 복수개의 컨볼루셔널 레이어를 포함하고, 상기 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고, 상기 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈를 포함할 수 있다.

다른 일 실시예에 따라 신경망을 이용한 데이터 처리 방법이 개시된다. 신경망을 이용하여 데이터를 처리하는 방법은, 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 단계; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 단계; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 단계; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 문서를 자연어 처리를 위한 제 1 모델에 입력시키고, 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하고, 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키고, 그리고 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득할 수 있다.

본 개시의 일 실시예에 따라, 신경망을 이용하여 데이터를 처리하기 위한 컴퓨팅 장치를 제공할 수 있다.

상기 언급된 본 개시내용의 피처들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 개시의 일 실시예에 따른 데이터 처리를 하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 데이터 처리를 위한 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 동작을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 문서를 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 분류 대상 데이터를 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 방법의 순서도이다.
도 7은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.
도 8은 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.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 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 데이터 처리를 하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1은 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 구성을 나타낸다. 도 1에 도시된 컴퓨팅 장치(100)는 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 간략화된 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 장 치의 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 기계 학습을 위한 데이터 처리를 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 피처 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.

본 개시의 일 실시예에 따라, 프로세서(110)는 문서를 자연어 처리를 위한 제 1 모델에 입력시킬 수 있다.

본 개시의 일 실시예에 따라, 문서는 의사소통을 위해 고안된 정보를 물리적으로 통합해 놓은 것을 포함할 수 있다. 문서는 사람의 생각을 상징적인 기호로 정보를 제공하여 텍스트로 표현한 것을 포함할 수 있다. 문서는 컴퓨터의 발달에 따라 특정 형식의 디지털 파일을 포함할 수 있다. 특정 형식의 디지털 파일은 예를 들어, 음악 파일, 이미지 파일, 텍스트 파일 등과 같은 파일을 포함할 수 있다. 전술한 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 발명의 일 실시예에 따른 문서는 둘 이상의 임의의 부분 문서를 포함할 수 있다. 둘 이상의 임의의 합집합은 통합하여 본 발명의 일 실시예에 따른 문서를 모두 포함할 수 있다. 다른 실시예에서, 둘 이상의 임의의 부분 문서의 합집합은 본 발명의 일 실시예에 따른 문서의 일 부분만을 포함할 수 있다. 둘 이상의 임의의 부분 문서는 공통되는 부분을 공유할 수 있다. 전술한 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 발명의 일 실시예에서, 문서에 포함된 둘 이상의 임의의 부분 문서를 제 1 부분 문서 및 제 2 부분 문서로 정의할 수 있다. 제 1 부분 문서와 제 2 부분 문서는 문서의 컨텐츠에 기초한 상관관계를 가질 수 있다. 예를 들어, 제 1 부분 문서의 적어도 일부는 제 2 부분 문서의 임의의 부분과 동일하거나 실질적으로 대응될 수 있다. 본 발명의 일 실시예에서, 제 1 부분 문서는 문서 또는 제 2 부분 문서의 전체 또는 일부에 기초하여 작성된 것일 수 있다. 예를 들어, 제 1 부분 문서는 특허 명세서의 청구항, 논문의 요약, 서적의 목차, 서적의 서평, 서적의 줄거리 요약 등일 수 있다.

본 발명의 일 실시예에서, 문서는 문서의 핵심 정보를 포함하는 제 1 부분 문서와 문서의 핵심 정보를 포함하는 제 1 부분 문서와 실질적 대응 관계가 있는 제 2 부분 문서를 포함할 수 있다. 문서의 핵심 정보는 문서가 전달하고자 하는 내용을 압축적으로 표현한 정보를 포함할 수 있다. 문서의 핵심 정보는 사람 또는 컴퓨팅 장치가 문서 전체를 판독하지 않더라도 문서가 전달하고자 하는 내용을 알 수 있도록 하는 정보를 포함할 수 있다. 문서의 핵심 정보는 예를 들어, 논문에서 abstract 또는 introduction의 내용을 포함하는 부분 문서, 판결문에서 판시사항, 판결 요지를 포함하는 부분 문서, 특허 명세서에서 청구범위의 내용을 포함하는 부분 문서, 디자인 등록 출원서에서 도면, 상표 등록 출원서에서 상표 및 지정상품, 서적(예를 들어, 잡지, 시, 소설, 학습지, 교재)에서의 목차 또는 줄거리 요약 등을 포함할 수 있다.

본 개시의 일 실시예에 있어서 제 2 부분 문서는 제 1 부분 문서와 실질적으로 대응될 수 있다. 제 2 부분 문서는 제 1 부분 문서와 상관관계를 가질 수 있다. 제 2 부분 문서는 제 1 부분 문서와 일정 수준 이상의 상관관계를 가질 수 있다. 제 2 부분 문서는 제 1 부분 문서를 뒷받침하는 내용 또는 구체적으로 설명하는 내용을 포함할 수 있다, 제 2 부분 문서는 예를 들어 논문에서 실험 방법, 실험 결과, 판결문에서 판결 이유, 특허 명세서에서 발명을 실시하기 위한 구체적인 설명, 디자인 등록 출원서에서 디자인을 설명하는 부분 문서, 상표 등록 출원서에서 상표를 설명하는 부분 문서, 서적에서 목차에 대응되는 내용, 또는 서적의 전부 일부를 포함할 수 있다.

문서는 구체적으로 도 4를 참조하여 후술하여 설명된다.

본 개시의 일 실시예에 따라, 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 권리주장을 위한 제 1 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 기재한 문서의 적어도 일부분을 포함할 수 있다. 권리는 특허권, 실용신안권, 디자인권, 상표권, 저작권을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장을 위한 제 1 부분 문서는 청구범위에 기재된 사항을 포함할 수 있다. 전술한 제 1 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 권리주장내용을 설명하기 위한 제 2 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 구체적으로 설명하기 위한 문서의 적어도 일부분을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장내용을 설명하기 위한 제 2 부분 문서는 발명의 명칭, 기술분야, 발명의 배경이 되는 기술, 발명의 내용, 도면의 간단한 설명, 발명을 실시하기 위한 구체적인 내용, 부호의 설명, 도면, 요약, 대표도를 포함할 수 있다. 발명의 명칭은 발명 내용을 고려하여 발명의 카테고리가 구분되도록 하는 명칭을 포함할 수 있다. 기술분야는 특허를 받으려는 발명의 기술 분야를 명확하고 간결하게 기재한 내용을 포함할 수 있다. 발명의 배경이 되는 기술은 발명의 이해, 조사에 유용하다고 생각되는 종래 기술을 기재한 내용을 포함할 수 있다. 발명의 내용은 해결하고자 하는 과제, 과제의 해결 수단, 발명의 효과를 포함할 수 있다. 도면의 간단한 설명은 도면이 구체적으로 나타내려는 것이 무엇인지를 쉽게 파악할 수 있도록 첨부도면의 도시상태, 종류 및 도시 부분에 대한 설명을 포함할 수 있다. 발명을 실시하기 위한 구체적인 내용은 통상의 기술자가 그 발명이 어떻게 실시되는지 쉽게 알 수 있도록 그 발명의 실시를 위한 구체적인 적어도 하나 이상 기재한 내용을 포함할 수 있다. 부호의 설명은 도면의 주요 부분을 나타내는 부호들에 대한 설명을 포함할 수 있다. 도면은 발명을 실시하기 위한 구체적인 내용을 설명하기 위한 이미지를 포함할 수 있다. 요약은 발명 내용을 간단하게 일정 글자 수 이내(예를 들어, 300자 이내)로 설명한 내용을 포함할 수 있다. 대표도는 적어도 하나 이상의 도면에서 발명의 내용을 대표하는 도면 번호를 포함할 수 있다. 전술한 제 2 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 문서를 분석하여 제 1 부분 문서와 제 2 부분 문서로 분할할 수 있다. 프로세서(110)는 제 1 부분 문서와 제 2 부분 문서를 일정 기준에 기초하여 분할할 수 있다. 일정 기준은 문서에 포함된 소제목을 기준으로 포함할 수 있다. 예를 들어, 문서가 특허 문서인 경우, 프로세서(110)는 소제목 [청구범위]를 인식하여 [청구범위]에 포함된 내용은 제 1 부분 문서로, 소제목 [발명의 내용], [도면의 간단한 설명], [발명을 실시하기 위한 구체적인 내용]에 포함된 내용은 제 2 부분 문서로 분할할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

문서를 분석하여 제 1 부분 문서와 제 2 부분 문서로 분할하는 동작은 도 4를 참조하여 후술하여 설명된다.

본 개시의 일 실시예에 따라, 분류 대상 데이터는 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함할 수 있다. 제 1 엘리먼트는 사전 결정된 기준에 따라 선택된 제 1 부분 문서의 일부일 수 있다. 사전 결정된 기준은 예를 들어, 문서가 특허 문서고 비밀유지의무가 없는 사람들에게 공개된 특허 문서인지 여부, 등록된 특허 문서인지 여부에 기초하여 결정된 기준을 포함할 수 있다. 문서가 특허 문서이고 비밀유지의무가 없는 사람들에게 공개된 특허 문서인 경우, 프로세서(110)는 독립항 1항 및 독립항 1항의 종속항을 제 1 엘리먼트에 포함시킬 수 있다. 예를 들어, 제 1 부분 문서에 독립항 1항, 독립항 1항의 종속항이 2항 내지 4항인 경우, 프로세서(110)는 청구항 1항 내지 4항을 제 1 엘리먼트에 포함시킬 수 있다. 문서가 특허 문서이고 등록된 특허 문서인 경우, 프로세서(110)는 독립항만 제 1 엘리먼트에 포함시킬 수 있다. 예를 들어 제 1 부분 문서에 독립항이 1항, 5항, 7항인 경우, 프로세서(110)는 청구항 1항, 5항, 7항만 제 1 엘리먼트에 포함시킬 수 있다. 문서가 특허 문서인 경우, 비밀유지의무가 없는 사람들에게 공개된 특허 문서는 발명의 핵심 내용이 독립항에 집약되어 있을 가능성이 높지 않은 반면(다시 말해, 발명의 핵심 내용이 종속항에 기재되어 있을 가능성이 높다), 등록된 특허 문서는 발명의 핵심 내용이 독립항에 집약되어 등록 받았을 가능성이 높아 프로세서(110)는 상기와 같은 사전 결정된 기준에 기초하여 제 1 엘리먼트에 포함되는 내용을 선택할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

분류 대상 데이터는 도 5를 참조하여 후술하여 설명된다.

본 개시의 일 실시예에 따라, 제 2 엘리먼트는, 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함할 수 있다. 제 2 엘리먼트와 제 1 엘리먼트의 상관관계는 프로세서(110)가 제 1 모델을 이용하여 획득한 결과를 기초로 결정된 상관관계를 포함할 수 있다. (프로세서(110)가 제 1 모델을 이용하여 제 1 엘리먼트와 제 2 엘리먼트의 상관관계를 도출하는 구체적인 과정은 후술하여 설명된다.) 프로세서(110)가 제 1 모델을 이용하여 획득한 결과는 0과 1 사이의 확률값으로 표현될 수 있다. 예를 들어, 프로세서(110)는 제 1 엘리먼트와 제 2 엘리먼트의 상관관계가 높을수록 큰 확률값을 획득할 수 있다. 따라서 제 1 엘리먼트와 제 2 엘리먼트1의 상관관계는 0.9, 제 1 엘리먼트와 제 2 엘리먼트2의 상관 관계는 0.8, 제 1 엘리먼트와 제 2 엘리먼트3의 상관 관계는 0.5인 경우, 프로세서(110)는 0.7 이상인 제 2 엘리먼트만 선택할 수 있으며, 최종적으로 분류 대상 데이터는 제 1 엘리먼트와 상관관계 높은 제 2 엘리먼트1 및 제 2 엘리먼트2를 포함할 수 있다. 텍스트는 예를 들어, 문서가 특허 문서인 경우, 발명을 실시하기 위한 구체적인 설명을 포함할 수 있다. 텍스트는 예를 들어, 문서가 특허 문서인 경우, 발명의 설명하기 위한 수식을 포함할 수 있다. 이미지는 예를 들어, 문서가 특허 문서인 경우, 도면을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

제 2 엘리먼트는 도 5를 참조하여 후술하여 설명된다.

본 개시의 일 실시예에 따라, 분류 대상 데이터는, 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다. 제 2 부분 문서의 사전 결정된 기준은 프로세서(110)가 제 2 모델을 이용하여 정확한 분류를 획득할 수 있는지 여부에 기초하여 결정된 기준을 포함할 수 있다. 예를 들어, 문서가 특허 문서인 경우, 기술 분야 및 발명의 배경이 되는 기술은 프로세서(110)가 특허 문서의 정확한 분류 결과를 획득할 수 있도록 도움을 줄 수 있는 내용을 포함할 수 있다. 기술 분야는 특허를 받으려는 발명의 기술분야가 명확하고 간결하게 기재된 내용 또는 기술 분류를 포함할 수 있으므로 프로세서(110)는 기술분야에 기재된 내용을 기초로 정확한 분류 결과를 획득할 수 있다. 따라서 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분은 정확한 분류 결과를 획득하기 위해 기술 분야 및 발명의 배경이 되는 기술을 포함할 수 있다. 프로세서(110)는 제 1 엘리먼트와의 상관관계와 무관하게 미리 선정된 일부분(예를 들어, 기술 분야, 발명의 배경이 되는 기술)을 분류 대상 데이터에 포함시킴으로써, 더 높은 정확도를 가지는 분류 결과를 획득할 수 있다. 전술한 분류 대상 데이터는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 1 모델은, 자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함할 수 있다. 순환 신경망은 시계열 데이터를 입력 데이터로 하는 신경망을 포함할 수 있다. 시계열 데이터는 일정 시간 간격으로 배치된 데이터들의 수열을 포함할 수 있다. 순환 신경망은 또한 자연어를 입력 데이터로 하는 신경망을 포함할 수 있다. 프로세서(110)는 자연어를 일정 간격으로 분할하여(예를 들어, 단어를 하나의 일정 간격으로 정할 수 있다.) 순환 신경망에 입력할 수 있다. 전술한 순환 신경망은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 순환 신경망은 장단기 기억 네트워크(Long Short Term Memory Network)를 포함할 수 있다. 장단기 기억 네트워크는 현재 시간에서 입력 받은 데이터의 영향력이 출력되는 입력 게이트(Input Gate), 및 현재 시간 이전에 입력 받은 데이터의 영향력이 출력되는 포겟 게이트(Forget Gate)를 포함하는 신경망을 포함할 수 있다. 이를 통해 현재 시간보다 먼 과거에 입력 받은 데이터의 정보가 시간이 경과함에 따라 잊지 않고 기억될 수 있으며, 먼 과거로 갈수록 데이터의 정보의 망각을 반영할 수 있다. 프로세서(110)는 장단기 기억 네트워크를 이용하여 현재 시간보다 이전의 데이터를 고려하여 예측 값을 출력할 수 있다. 전술한 순환 신경망은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 1 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델, 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델, 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델 및 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델을 포함할 수 있다. 전술한 제 1 모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 1 서브모델은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 프로세서(110)는 제 1 부분 문서를 장단기 기억 네트워크에 입력하여 제 1 부분 문서의 피처를 추출할 수 있다. 제 1 부분 문서의 피처는 제 1 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 1 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 요소로 하는 벡터를 포함할 수 있다. 프로세서(110)는 제 1 서브모델로부터 획득한 벡터를 이용하여 제 1 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 1 부분 문서에 포함된 단어의 집합이 (x1, x2, x3, x4, .... , xn)이고 각 단어에 대응되는 벡터(프로세서가 제 1 서브모델에 단어를 입력하여 획득한 벡터)가 (v1, v2, v3, v4, .... ,vn)인 경우, 제 1 서브모델 인코딩 매트릭스는 [v1, v2, v3, v4, ... ,vn]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 2 서브모델은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 제 2 서브모델의 장단기 기억 네트워크는 제 1 서브모델의 장단기 기억 네트워크와 동일한 네트워크를 포함할 수 있다. 즉, 제 2 서브모델의 장단기 기억 네트워크의 파라미터는 제 1 서브모델의 장단기 기억 네트워크의 파라미터와 동일할 수 있다. 제 1 서브모델 및 제 2 서브모델이 네트워크의 파라미터를 공유함으로써, 프로세서(110)는 동일한 단어 시퀀스(예를 들어, 문장)를 제 1 서브모델 및 제 2 서브모델에 입력하여 동일하거나 유사한 벡터 표현을 획득할 수 있다. 전술한 제 2 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 부분 문서를 장단기 기억 네트워크에 입력하여 제 2 부분 문서의 피처를 추출할 수 있다. 제 2 부분 문서의 피처는 제 2 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 2 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 성분으로 하는 벡터를 포함할 수 있다. 프로세서(110)는 제 2 서브모델로부터 획득한 벡터를 이용하여 제 2 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 2 부분 문서에 포함된 단어의 집합이 (y1, y2, y3, y4, ... , yn)이고 각 단어에 대응되는 벡터(프로세서가 제 2 서브모델에 단어를 입력하여 획득한 벡터)가 (v'1, v'2, v'3, v'4, ... ,v'n)인 경우, 제 2 서브모델 인코딩 매트릭스는 [v'1, v'2, v'3, v'4, ... ,v'n]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 3 서브모델을 이용하여 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 프로세서(110)는 제 1 서브모델 인코딩 매트릭스 및 제 2 서브모델 인코딩 매트릭스에 기초하여 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 프로세서(110)는 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산하여 획득한 결과를 softmax 함수에 입력하여, 제 1 부분 문서에 포함된 단어와 제 2 부분 문서에 포함된 단어의 상관관계를 획득할 수 있다. 전술한 제 3 서브모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 4 서브모델을 이용하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출할 수 있다. 프로세서(110)는 제 3 서브모델을 이용하여 제 1 엘리먼트와 적어도 하나 이상의 제 2 엘리먼트들 간의 상관관계를 획득할 수 있다. 프로세서(110)는 제 1 엘리먼트와 상관관계가 가장 높은 하나의 제 2 엘리먼트를 선택하여 분류 대상 데이터에 추가할 수 있다. 프로세서(110)는 제 1 엘리먼트와 상관관계가 가장 높은 상위 3%의 제 2 엘리먼트들을 선택하여 분류 대상 데이터에 추가할 수 있다. 프로세서(110)는 제 4 서브모델을 이용하여 선택한 제 2 엘리먼트의 위치 정보를 획득할 수 있다. 프로세서(110)는 제 2 엘리먼트가 문서의 10번째 문단에 있는 경우, 10번째 문단의 위치 정보를 획득할 수 있다. 프로세서(110)는 제 2 엘리먼트의 시작 위치 및 종료 위치를 획득할 수 있다. 예를 들어, 제 2 엘리먼트의 시작 위치는 10번이고 종료 위치는 20번인 경우, (시작 위치=10, 종료 위치=20) 정보를 획득할 수 있다. 프로세서(110)는 위치 정보를 이용하여 문서 내에서 제 2 엘리먼트를 효율적으로 탐색하여 분류 대상 데이터에 추가할 수 있다. 전술한 제 4 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

전술한 제 1 모델을 이용하여 분류 대상 데이터를 획득하는 방법에 관련한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 Dynamic Coattention Networks for using Question Answering (공개일: 2018.03.06, 작성자: Caiming Xiong, Victoor Zhong, Richard Socher)에서 구체적으로 논의된다.

본 개시의 일 실시예에 따라, 프로세서(110)는 상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행할 수 있다. 분류 대상 데이터에 대한 전처리는 제 2 모델에 분류 대상 데이터를 입력하기 위한 과정을 포함할 수 있다. 예를 들어 제 2 모델이 CNN(Convolutional Neural Network)인 경우, 입력 데이터의 크기는 제한되므로, 전처리는 입력 데이터의 크기를 CNN에 입력하기 위한 크기로 만드는 과정을 포함할 수 있다. 또한 제 2 모델이 텐서플로우(Tensorflow)를 기초로 구현된 경우, 제 2 모델에 입력되는 데이터는 TFRecord 형태로 입력될 수 있다. TFRecord 데이터 형태는, 텐서 플로우의 학습 데이터를 저장하기 위한 바이너리(Binary) 데이터 형태일 수 있다. 따라서 프로세서(110)는 제 2 모델에 분류 대상 데이터를 입력하기 위해 분류 대상 데이터를 TFRecord 형태로 변환할 수 있다. 이를 통해, 프로세서(110)는 전처리를 통하여 제 2 모델의 예측 정확도를 향상시키고 학습 시간을 감소시킬 수 있다. 전술한 전처리는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 분류 대상 데이터에 대한 전처리는 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다. 이미지 형태의 데이터는 테이블 형태로 표현된 데이터 형태를 포함할 수 있다. 이미지 형태의 데이터는 이미지에 포함된 적어도 하나 이상의 픽셀 정보를 포함할 수 있다. 전술한 전처리는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 이미지 형태의 데이터는 테이블 형태로 표현된 데이터 형태를 포함할 수 있다. 분류 대상 데이터가 텍스트인 경우, 프로세서(110)는 텍스트를 제 2 모델에 입력하기 위해 텍스트를 테이블 형태로 만들 수 있다. 테이블 형태에서 행은 텍스트에 포함된 단어를 포함할 수 있고, 열은 각 단어에 대응되는 워드 벡터의 각 성분을 포함할 수 있다. 프로세서(110)는 제 2 모델에 입력되는 입력 데이터의 크기가 500 단어인 경우, 분류 대상 데이터를 500 단어 이내로 생성할 수 있다. 예를 들어, 분류 대상 데이터가 600 단어이고, 제 1 엘리먼트와 상관관계가 상대적으로 높은 제 2 엘리먼트가 3개인 경우, 이 중 상관관계가 상대적으로 낮은 제 2 엘리먼트 2개를 제외시킴으로써, 분류대상 데이터의 단어 수를 500단어 이하로 만들 수 있다. 분류 대상 데이터가 460 단어 이하인 경우, 프로세서(110)는 500-460=40 단어의 벡터 성분을 0으로 표현하여 테이블 형태로 만들 수 있다. 프로세서(110)는 텍스트를 테이블 형태로 만드는 전처리를 통해 CNN에 이미지 뿐만 아니라 텍스트를 입력하여 분류 결과를 획득할 수 있다. 전술한 전처리는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 2 모델은, 분류 대상 데이터를 학습 입력 데이터로 하고, 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다. 학습 데이터 세트는 프로세서(110)가 분류 대상 데이터와 매칭되는 분류를 라벨링하여 생성된 데이터 세트를 포함할 수 있다. 프로세서(110)는 분류 대상 데이터를 제 2 모델에 입력하여 획득한 분류를 라벨링하여 학습데이터 세트를 생성할 수 있다. 프로세서(110)가 제 2 모델을 이용하여 잘못 분류된 분류 대상 데이터는 학습 데이터 세트에서 제외시킬 수 있다. (예를 들어 데이터 드롭 아웃 방식을 사용하여 잘못 라벨링된 분류 대상 데이터를 학습 데이터 세트에서 제외시킬 수 있다.) 본 개시의 다른 일 실시예에 따라, 학습 데이터 세트는 오퍼레이터가 분류 대상 데이터를 라벨링하는 과정을 통해 획득된 데이터 세트를 포함할 수 있다. 전술한 학습 데이터 세트는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 2 모델은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다. 풀링 레이어는 입력 데이터의 차원을 축소하여 이미지의 강한 특징만 추출하는 레이어를 포함할 수 있다. 완전 연결 레이어는 분류를 획득하기 위한 레이어를 포함할 수 있다. 전술한 제 2 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컨볼루셔널 블록은, 복수개의 컨볼루셔널 레이어를 포함할 수 있다. 컨볼루셔널 레이어는 합성곱 연산을 통해 입력 데이터의 피처를 추출하는 레이어를 포함할 수 있다. 컨볼루셔널 블록은, 예를 들어 2개의 컨볼루셔널 레이어를 포함할 수 있다. 프로세서(110)는 컨볼루셔널 레이어로부터 획득한 결과를 배치 정규화(batch normalization)할 수 있다. 프로세서(110)는 배치 정규화된 결과를 활성화 함수(activation function)에 입력하여 획득한 결과값을 다음 컨볼루셔널 레이어에 입력할 수 있다. 활성화 함수(activation function)는 ReLU activation function을 포함할 수 있다. 전술한 컨볼루셔널 블록은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고, 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈를 포함할 수 있다. 컨볼루셔널 레이어는 커널을 포함할 수 있다. 커널 사이즈는 3일 수 있다. 제 2 모델에 포함된 컨볼루셔널 레이어의 커널이 동일한 커널 사이즈 3을 가지는 경우, 프로세서(110)는 심층 구조(예를 들어, 컨볼루셔널 레이어가 26개인 구조)를 가지는 신경망을 이용하여 정확도 높은 분류를 획득할 수 있다. 본 개시의 다른 일 실시예에 따라, 컨볼루셔널 레이어의 커널 사이즈가 큰 경우(예를 들어 사이즈가 7인 경우), 프로세서(110)는 컨볼루셔널 레이어를 이용하여 얕은 층 구조(예를 들어, 컨볼루셔널 레이어가 5개인 구조)를 가지는 신경망을 이용하여 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 전처리된 분류 대상 데이터를 컨볼루셔널 블록에 입력할 수 있다. 프로세서(110)는 컨볼루셔널 블록에 전처리된 분류 대상 데이터를 입력하여 분류 대상 데이터에 대응되는 피처를 획득할 수 있다. 컨볼루셔널 블록은 적어도 하나 이상의 컨볼루셔널 레이어를 포함할 수 있다. 프로세서(110)는 전처리된 분류 대상 데이터를 컨볼루셔널 레이어에 입력하여 피처를 획득할 수 있다. 컨볼루셔널 레이어를 이용하여 획득한 피처를 배치 정규화(Batch Normalization) 과정을 거친 후 활성 함수(예를 들어, ReLU activation function)를 이용하여 컨볼루셔널 블록의 출력을 최종적으로 획득할 수 있다. 프로세서(110)는 컨볼루셔널 블록으로부터 획득한 출력을 풀링 레이어에 입력하여 강한 특징만을 추출할 수 있다. 풀링 레이어는 맥스 풀링 레이어를 포함할 수 있다. 프로세서(110)는 맥스 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

전술한 제 2 모델을 이용하여 분류를 획득하는 방법에 관련한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 Very Deep Convolutional Neural Networks for Text Classification(공개일: 2017.01.27, 작성자: Alexis Conneau, Holger Schwenk, Yann Le Cun, Loic Barrault)에서 구체적으로 논의된다.

본 개시의 일 실시예에 따라, 프로세서(110)는 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득할 수 있다. 프로세서(110)는 완전 연결 레이어를 이용하여 분류 대상 데이터의 특징에 라벨된 분류를 획득할 수 있다. 예를 들어, 문서가 특허 문서이고, 특허 문서가 전기전자 발명을 포함하고 있는 경우, 프로세서(110)는 완전 연결 레이어를 이용하여 전기전자 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 분류는 산업기술 분류에 기초하여 대분류, 중분류, 소분류로 나누어 질 수 있다. 대분류는 기계, 소재, 전기전자, 정보통신, 화학, 바이오, 의료, 에너지 자원, 지식 서비스, 세라믹 등을 포함할 수 있다. 대분류 정보통신의 중분류는 예를 들어, 이동통신, 디지털 방송, 위성전파, 홈 네트워크, 광대역 통합망, 소프트웨어, U-컴퓨팅, 디지털 콘텐츠, 지식정보보안, 정보통신모듈 및 부품, RFID를 포함할 수 있다. 중분류 소프트웨어는 예를 들어, 임베디드 소프트웨어, 소프트웨어 솔루션, 시스템 통합, 인터넷 소프트웨어를 포함할 수 있다. 전술한 분류는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 분류는 인공지능 분류를 포함할 수 있다. 인공지능 분류는 예를 들어, 인공지능 학습법, 인공지능 연구분야, 인공지능 도메인, 인공지능 적용분야를 포함할 수 있다. 인공지능 학습법은 교사학습, 비교사학습, 강화학습, 학습법에 제한이 없는 경우를 포함할 수 있다. 인공지능 연구 분야는 전처리, 트레이닝 방법, 네트워크 구조, 인공지능을 응용한 발명(예를 들어, 인공지능을 이용하여 특수한 목적을 달성하는 발명)을 포함할 수 있다. 인공지능 도메인은 인공지능을 이용하여 처리하고자 하는 데이터의 형태를 포함할 수 있다. 예를 들어, 이미지, 자연어, 시계열 데이터(예를 들어, 센서 데이터), 도메인 한정 없는 경우를 포함할 수 있다. 인공지능 적용 분야는 인공지능이 산업에서 인공지능 기술을 이용하여 수행하고자 하는 작업을 기준으로 분류한 것을 포함할 수 있다. 예를 들어, 의료, 보안, 경영, 게임, 자율주행, 번역, 스마트팩토리, 일반(예를 들어, 인공지능 활용 용도가 개시되어 있지 않는 경우)을 포함할 수 있다. 전술한 분류는 예시일 뿐 본 개시는 이에 제한되지 않는다.

최근에 산업이 발전함에 따라 다양한 분야의 기술들이 개발되고, 새로운 기술들을 법적으로 보호받고자 특허 출원하는 경우가 증가하는 추세이다. 이러한 수많은 특허들 중에서 관심 기술 분야에 해당하는 특허를 찾는 작업은 많은 비용과 인력 및 시간이 소모될 수 있다.

본 개시에 따라, 신경망을 이용하여 문서의 분류를 획득함으로써, 수많은 문서들 중에서 관심 기술 분야에 해당하는 문서를 적은 비용과 시간으로 획득할 수 있다. 관심 기술 분야에 해당하는 문서를 적은 비용으로 빠른 시간 내에 획득함으로써, 특허 동향 조사 관련 문서, 관심 기술 분야에 종사하는 기업들의 기술 개발 방향 조사 관련 문서, 연구 방향과 유사한 선행 기술 내용을 포함하는 문서 등을 단시간 내에 작성하여 개인 및/또는 기업이 자신이 활용하고자 하는 방향으로 방대한 양의 데이터를 유용하게 사용할 수 있다.

도 2는 본 개시의 일 실시예에 따라 데이터 처리를 위한 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 부분집합일 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.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 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.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 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 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 3은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 동작을 설명하기 위한 예시도이다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 문서(310)를 제 1 모델(330)에 입력시킬 수 있다. 본 개시의 일 실시예에 따라, 문서(310)는 권리 주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다. 권리주장을 위한 제 1 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 기재한 문서의 적어도 일부분을 포함할 수 있다. 권리주장내용을 설명하기 위한 제 2 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 구제적으로 설명하기 위한 문서의 적어도 일부분을 포함할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 1 모델(330)을 이용하여 분류 대상 데이터(350)를 획득할 수 있다. 제 1 모델(330)은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델, 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델, 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델 및 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델을 포함할 수 있다. 전술한 제 1 모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 1 부분 문서를 제 1 서브모델에 입력하여 제 1 부분 문서의 피처를 추출할 수 있다. 제 1 부분 문서의 피처는 제 1 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 1 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 성분으로 하는 벡터를 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 서브모델로부터 획득한 벡터를 이용하여 제 1 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 1 부분 문서에 포함된 단어의 집합이 (x1, x2, x3, x4, ... , xn)이고 각 단어에 대응되는 벡터(프로세서가 제 1 서브모델에 단어를 입력하여 획득한 벡터)가 (v1, v2, v3, v4, ... ,vn)인 경우, 제 1 서브모델 인코딩 매트릭스는 [v1, v2, v3, v4, ... ,vn]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 부분 문서를 제 2 서브모델에 입력하여 제 2 부분 문서의 피처를 추출할 수 있다. 제 2 부분 문서의 피처는 제 2 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 2 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 요소로 하는 벡터를 포함할 수 있다. 컴퓨팅 장치(100)는 제 2 서브모델로부터 획득한 벡터를 이용하여 제 2 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 2 부분 문서에 포함된 단어의 집합이 (y1, y2, y3, y4, ... , yn)이고 각 단어에 대응되는 벡터(프로세서가 제 2 서브모델에 단어를 입력하여 획득한 벡터)가 (v'1, v'2, v'3, v'4, ... ,v'n)인 경우, 제 2 서브모델 인코딩 매트릭스는 [v'1, v'2, v'3, v'4, ... ,v'n]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 3 서브모델을 이용하여 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 컴퓨팅 장치(100)는 제 1 서브모델 인코딩 매트릭스 및 제 2 서브모델 인코딩 매트릭스에 기초하여 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 컴퓨팅 장치(100)는 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산할 수 있다. 컴퓨팅 장치(100) 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산한 결과를 softmax 함수에 입력하여, 제 1 부분 문서에 포함된 단어와 제 2 부분 문서에 포함된 단어의 상관관계를 획득할 수 있다. 전술한 제 3 서브모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 4 서브모델을 이용하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출할 수 있다. 컴퓨팅 장치(100)는 제 3 서브모델을 이용하여 제 1 엘리먼트와 적어도 하나 이상의 제 2 엘리먼트들 간의 상관관계를 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 엘리먼트와 상관관계가 가장 높은 하나의 제 2 엘리먼트를 선택하여 분류 대상 데이터에 추가할 수 있다. 컴퓨팅 장치(100)는 제 1 엘리먼트와 상관관계가 가장 높은 상위 3%의 제 2 엘리먼트들을 선택하여 분류 대상 데이터에 추가할 수 있다. 컴퓨팅 장치(100)는 제 4 서브모델을 이용하여 선택한 제 2 엘리먼트의 위치 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 엘리먼트가 문서의 10번째 문단에 있는 경우, 10번째 문단의 위치 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 엘리먼트의 시작 위치 및 종료 위치를 획득할 수 있다. 예를 들어, 제 2 엘리먼트의 시작 위치는 10번이고 종료 위치는 20번인 경우, (시작 위치=10, 종료 위치=20) 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 위치 정보를 이용하여 문서 내에서 제 2 엘리먼트를 효율적으로 탐색하여 분류 대상 데이터에 추가할 수 있다. 전술한 제 4 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 분류 대상 데이터(350)를 전처리(360)할 수 있다. 분류 대상 데이터(350)에 대한 전처리(360)는 제 2 모델(370)에 입력하기 위한 과정을 포함할 수 있다. 분류 대상 데이터(350)에 대한 전처리(360)는 분류 대상 데이터(350)를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다. 이미지 형태의 데이터는 테이블 형태로 표현된 데이터 형태를 포함할 수 있다. 테이블 형태에서 행은 텍스트에 포함된 단어를 포함할 수 있고, 열은 각 단어에 대응되는 벡터의 성분을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 전처리(360)된 분류 대상 데이터(350)를 제 2 모델(370)에 입력시킬 수 있다. 제 2 모델(370)은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 전처리된 분류 대상 데이터를 컨볼루셔널 블록에 입력할 수 있다. 컴퓨팅 장치(100)는 컨볼루셔널 블록에 전처리된 분류 대상 데이터를 입력하여 분류 대상 데이터에 대응되는 피처를 획득할 수 있다. 컨볼루셔널 블록은 적어도 하나 이상의 컨볼루셔널 레이어를 포함할 수 있다. 컴퓨팅 장치(100)는 전처리된 분류 대상 데이터를 컨볼루셔널 레이어에 입력하여 피처를 획득할 수 있다. 컨볼루셔널 레이어를 이용하여 획득한 피처를 배치 정규화(Batch Normalization) 과정을 거친 후 활성 함수(예를 들어, ReLU activation function)를 이용하여 컨볼루셔널 블록의 출력을 최종적으로 획득할 수 있다. 컴퓨팅 장치(100)는 컨볼루셔널 블록으로부터 획득한 출력을 풀링 레이어에 입력하여 강한 특징만을 추출할 수 있다. 풀링 레이어는 맥스 풀링 레이어를 포함할 수 있다. 컴퓨팅 장치(100)는 맥스 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 분류(390)를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 반도체인 경우, "전기전자"라는 분류를 출력할 수 있다. 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 내연기관인 경우, "기계"라는 분류를 출력할 수 있다. 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 비료 제조 방법인 경우, "화학"이라는 분류를 출력할 수 있다. 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 태양광 에너지 생성 방법인 경우, "에너지 자원"이라는 분류를 출력할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 분류(390)를 획득할 수 있다. 예를 들어, 문서가 특허 문서이고 제 1 엘리먼트에 "컴퓨터 프로그램" 또는 "computer program"이라는 단어가 포함되어 있고, 제 1 엘리먼트에 기재된 내용이 "소프트웨어" 관련 발명인 경우, 컴퓨팅 장치(100)는 "소프트웨어"라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 문서가 특허 문서이고 기술 분야 및 발명의 배경에 관한 기술에 소프트웨어 관련 종래 기술(예를 들어, 소프트웨어 기술 개발 연혁, 과거 소프트웨어 기술)이 기재되어 있는 경우, 컴퓨팅 장치(100)는 "소프트웨어"라는 분류를 획득할 수 있다. 분류의 정확도를 향상시키기 위해 컴퓨팅 장치(100)는 제 1 부분 문서에 기재된 내용을 고려하여 최종적으로 "소프트웨어"라는 분류가 정확한지 검증하는 과정을 수행할 수 있다. 나아가 분류의 정확도를 향상시키기 위해 컴퓨팅 장치(100)는 제 1 엘리먼트와 상관관계가 높은 제 2 엘리먼트에 기재된 내용을 고려하여 최종적으로 "소프트웨어"라는 분류가 정확한지 검증하는 과정을 추가적으로 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 분류를 획득할 수 있다. 인공지능 분류는 예를 들어, 인공지능 학습법, 인공지능 연구분야, 인공지능 도메인, 인공지능 적용분야를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 학습법 분류를 획득할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "라벨을 포함하는 데이터를 이용한 학습 내용"이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "교사학습"이라는 인공지능 학습법 분류를 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 엘리먼트에서 인공지능 학습법 분류를 위한 내용을 찾지 못한 경우(예를 들어, 제 1 엘리먼트에서 교사학습, 비교사학습, 강화학습으로 판단될 근거가 존재하지 않는 경우), 제 1 엘리먼트와 상관관계가 높은 제 2 엘리먼트에서 인공지능 학습법 분류를 위한 내용을 탐색할 수 있다. 따라서 제 1 엘리먼트와 상관관계가 높은 제 2 엘리먼트에서 "라벨을 포함하는 데이터를 이용한 학습 내용"이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "교사학습"이라는 인공지능 학습법 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 연구분야를 출력할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "네트워크 학습에 관한 구체적인 방법 내용"(예를 들어, 학습 과정에서 네트워크 함수의 파라미터 업데이트하는 과정이 구체적으로 기재되어 있는 경우)이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "트레이닝 방법"이라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 도메인을 출력할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "입력 데이터가 이미지"라는 내용이 포함되어 있는 경우, 컴퓨팅 장치(100)는 인공지능 도메인이 "이미지"라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 적용분야를 출력할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "차량 자율 주행, 드론 자율 비행, 무인 이동체 관련 내용"이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "자율주행"이라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

문서가 특허 문서인 경우, 특허 문서의 분류를 획득하는 과정은 많은 인력과 시간 및 비용이 소모될 수 있다. 특허 문서의 분류를 획득하기 위해서는 방대한 텍스트 및 이미지를 포함하고 있는 특허 문서를 판독해야 할 수 있다. 하지만 본 개시에 따라 인공지능을 이용하여 특허 문서의 분류를 획득하는 경우, 시간 및 비용이 절감되고 이에 투입되는 인력도 감소시켜 빠른 시간 내에 작업을 수행할 수 있다. 빠른 시간 내에 특허 문서의 분류를 획득함으로써, 특허맵, 특허 동향 조사 보고서, 기술 발전 흐름도를 보다 많은 특허 문서를 기초로 하여 작성함으로써, 신뢰도 높은 데이터 분석 자료를 획득할 수 있다. 또한 인공지능을 이용함으로써 획일된 기준에 따라 분류를 수행하여 분류에 대한 정확도 및 분류 결과에 대한 신뢰도가 향상될 수 있다. 결과적으로 빠른 시간 내에 높은 정확도로 많은 문서를 분류함으로써, 방대한 양의 문서를 효율적으로 이용하여 원하는 데이터 분석 결과를 획득할 수 있다.

도 4는 본 개시의 일 실시예에 따라 문서를 설명하기 위한 예시도이다.

본 개시의 일 실시예에 따라, 문서(310)는 제 1 부분 문서(410) 또는 제 2 부분 문서(430) 중 적어도 하나를 포함할 수 있다. 문서(310)가 특허 문서인 경우, 제 1 부분 문서(410)는 청구범위를 포함할 수 있다. 청구범위는 적어도 하나 이상의 청구항을 포함할 수 있다. 청구항 1(411)은 다른 항을 인용하고 있지 않으므로 독립항일 수 있다. 청구항 2(413)는 청구항 1항을 인용하고 있으므로 종속항일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 문서(310)가 특허 문서인 경우, 제 2 부분 문서(430)는 발명의 명칭, 기술 분야(431), 발명의 배경이 되는 기술(433), 발명의 내용, 도면의 간단한 설명(435), 발명을 실시하기 위한 구체적인 내용(437), 부호의 설명, 도면, 요약, 대표도를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할할 수 있다. 컴퓨팅 장치(100)는 문서의 소제목을 기준으로 제 1 부분 문서와 제 2 부분 문서를 분할할 수 있다. 문서 소제목이 청구범위인 경우, 컴퓨팅 장치는 소제목인 청구범위를 인식하여 청구범위에 포함된 청구항 1(411), 청구항 2(413)를 제 1 부분 문서에 포함되는 내용으로 결정할 수 있다. 문서 소제목이 기술 분야(431), 발명의 배경이 되는 기술(433), 해결과제, 도면의 간단한 설명(435), 발명을 실시하기 위한 구체적인 내용(437)인 경우, 컴퓨팅 장치(100)는 소제목 기술 분야(431), 발명의 배경이 되는 기술(433), 해결과제, 도면의 간단한 설명(435), 발명을 실시하기 위한 구체적인 내용(437) 각각에 포함되는 내용이 제 2 부분 문서에 포함되는 내용으로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시에 따라, 권리주장을 위한 제 1 부분 문서(410)와 권리주장내용을 설명하기 위한 제 2 부분 문서(430)를 분할함으로써, 문서가 포함하는 내용에서 어떤 부분에 중요도를 부여할지 결정할 수 있다. 문서가 특허 문서인 경우, 제 1 부분 문서는 권리주장을 위한 내용을 포함하고 있으므로 권리범위를 결정함에 있어 핵심 부분(예를 들어, 발명이 선행 기술들과 차별화되는 부분)이 될 수 있다. 따라서 특허 문서를 제 1 부분 문서와 제 2 부분 문서로 분할함으로써, 컴퓨팅 장치(100)가 제 1 모델을 이용하여 분류 대상 데이터를 생성하는 과정에서 핵심 내용을 분류 대상 데이터에 포함시킬 수 있다. 핵심 내용을 분류 대상 데이터에 포함시킴으로써 컴퓨팅 장치(100)는 제 2 모델을 이용하여 더 높은 정확도의 분류 결과를 획득할 수 있다.

본 개시의 일 실시예에 따라, 기술 분야(431)에 "본 개시는 컴퓨팅 장치를 이용한 데이터 처리에 관한 것으로써, 보다 구체적으로는 신경망을 이용하여 데이터를 처리하는 기술에 관한 것이다"라는 기재가 있는 경우, 컴퓨팅 장치(100)는 제 1 모델 및 제 2 모델을 이용하여 인공지능 연구분야 중에서 "인공지능을 응용한 발명"이라는 분류를 획득할 수 있다. 인공지능을 응용한 발명은 예를 들어, 인공지능을 이용하여 특수한 목적을 달성하는 발명을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 발명의 배경이 되는 기술(433)에 "인공지능 기술에서도 특히 딥 러닝 분야는 데이터 자동화 처리에 대해 놀라운 발전을 이루었다. 최근 딥 러닝 기술이 발달하면서 데이터의 분류도 딥 러닝을 사용하는 추세이다."라는 기재가 있는 경우, 컴퓨팅 장치(100)는 제 1 모델 및 제 2 모델을 이용하여 문서(310)에 대해 "인공지능"이라는 분류를 획득할 수 있다. 컴퓨팅 장치(100)는 세부적인 인공지능 분류를 획득하기 위해 제 1 부분 문서(310) 또는 제 2 부분 문서(310)에 기재된 내용을 기초로 세부적인 인공지능 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 5는 본 개시의 일 실시예에 따라 분류 대상 데이터를 설명하기 위한 예시도이다.

도 5는 분류 대상 데이터(350)의 세부적인 항목을 예시적으로 도시하고 있다.

본 개시의 일 실시예에 따라, 분류 대상 데이터는, 제 2 부분 문서(430)의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다. 미리 선정된 일부분은 기술분야 및 발명의 배경이 되는 기술(550)을 포함할 수 있다. 기술분야는 특허를 받으려는 발명의 기술 분야를 명확하고 간결하게 기재한 내용을 포함할 수 있다. 발명의 배경이 되는 기술은 발명의 이해, 조사에 유용하다고 생각되는 종래 기술을 기재한 내용을 포함할 수 있다. 따라서 제 1 엘리먼트와의 상관관계와 무관하게 기술 분야 및 발명의 배경이 되는 기술(550)은 적은 정보로 분류를 획득하는데 도움이 될 수 있다. 따라서 컴퓨팅 장치(100)가 제 2 모델을 이용하여 정확도 높은 분류를 수행함에 있어 도움이 될 수 있다. 또한 오퍼레이터가 제 2 모델의 학습 데이터 세트를 생성하기 위해 분류 대상 데이터를 라벨링하는 경우, 기술 분야 및 발명의 배경이 되는 기술(550)을 이용하여 빠른 시간 내에 분류 대상 데이터를 라벨링할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 참조번호 510은 제 1 엘리먼트1(511) 및 제 1 엘리먼트1(511)과 상관관계가 일정수준 이상인 제 2 엘리먼트1(513)을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 분류 대상 데이터는 제 1 엘리먼트1(511) 및 제 1 엘리먼트1(511)과 상관관계가 일정수준 이상인 제 2 엘리먼트1(513)을 포함할 수 있다. 제 1 엘리먼트1(511)은 청구항 1(411)을 포함할 수 있다. 청구항 1(411)은 "문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작; "이라는 기재를 포함하고 있다. 발명을 실시하기 위한 구체적인 내용(515)은 "본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 모델을 이용하여 분류 대상 데이터를 획득할 수 있다."라는 기재를 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 모델을 이용하여 제 1 엘리먼트1(511)과 발명을 실시하기 위한 구체적인 내용(515)에 포함된 내용의 상관관계를 획득할 수 있다. 본 개시의 다른 일 실시예에 따라, 제 2 엘리먼트1(513)은 도면(517)을 포함할 수 있다. 컴퓨팅 장치(100)는 발명을 실시하기 위한 구체적인 내용(515)에 포함된 내용이 청구항 1(411)에 포함된 내용을 개시하고 있으므로, 발명을 실시하기 위한 구체적인 내용(515)에 포함된 내용이 청구항 1(411)에 포함된 내용과 높은 상관관계를 가지는 것으로 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 도면의 간단한 설명(435)은 도 3과 관련하여 "도 3은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 동작을 설명하기 위한 예시도이다"라는 기재를 포함할 수 있다. 컴퓨팅 장치(100)는 도면의 간단한 설명(435)에 기재된 내용과 제 1 엘리먼트1(511)의 상관관계를 제 1 모델을 이용하여 산출함으로써, 도면과 제 1 엘리먼트1(511)의 상관관계를 획득할 수 있다. 따라서 도면의 간단한 설명(435)에 기재된 내용과 제 1 엘리먼트1(511)의 상관관계가 높은 경우, 컴퓨팅 장치(100)는 청구항 1(411)과 도면(517)에 포함된 도 3은 높은 상관관계를 가지는 것으로 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 참조번호 530은 제 1 엘리먼트2(531) 및 제 1 엘리먼트2(531)과 상관관계가 일정수준 이상인 제 2 엘리먼트2(533)을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 분류 대상 데이터는 제 1 엘리먼트2(531) 및 제 1 엘리먼트2(531)와 상관관계가 일정수준 이상인 제 2 엘리먼트2(533)를 포함할 수 있다. 제 1 엘리먼트2(531)는 청구항 2(413)를 포함할 수 있다. 청구항 2(413)는 "제 1 항에 있어서, 상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함하는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램."이라는 기재를 포함할 수 있다. 제 2 엘리먼트2(533)는 발명을 실시하기 위한 구체적인 내용(151)을 포함할 수 있다. 발명을 실시하기 위한 구체적인 내용(535)은 "본 개시의 일 실시예에 따라, 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다. 권리주장을 위한 제 1 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 기재한 문서의 적어도 일부분을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장을 위한 제 1 부분 문서는 청구범위에 기재된 사항을 포함할 수 있다."라는 기재를 포함할 수 있다. 제 2 엘리먼트2(533)는 제 1 엘리먼트2(531)에 기재된 문장 "문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서"을 그대로 포함하고 있으므로, 컴퓨팅 장치(100)는 제 1 모델(330)을 이용하여 제 2 엘리먼트2(533)와 제 1 엘리먼트2(531)는 높은 상관관계를 가지는 것으로 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 6은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 방법의 순서도이다.

컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 문서를 자연어 처리를 위한 제 1 모델에 입력(610)할 수 있다.

본 개시의 일 실시예에서, 상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.

컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득(620)할 수 있다.

본 개시의 일 실시예에서, 상기 분류 대상 데이터는, 상기 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 상기 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에서, 상기 제 2 엘리먼트는, 상기 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에서, 상기 분류 대상 데이터는, 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다.

본 개시의 일 실시예에서, 상기 제 1 모델은, 자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함할 수 있다.

본 개시의 일 실시예에서, 상기 제 1 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델; 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델; 상기 제 1 서브모델 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및 상기 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델; 을 포함할 수 있다.

컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력(630)할 수 있다.

본 개시의 일 실시예에서, 상기 제 2 모델은, 상기 분류 대상 데이터를 학습 입력 데이터로 하고, 상기 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다.

본 개시의 일 실시예에서, 상기 제 2 모델은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에서, 상기 컨볼루셔널 블록은, 복수개의 컨볼루셔널 레이어를 포함하고, 상기 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고, 상기 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈를 포함할 수 있다.

컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득(640)할 수 있다.

본 개시에 따라, 인공지능을 이용하여 문서의 분류를 획득함으로써, 컴퓨팅 장치(100)는 인공지능이 가진 획일적인 기준에 따라 분류를 획득하므로 분류 결과에 대한 신뢰성 및 일관성이 높을 수 있다. (여러명의 오퍼레이터가 분류를 수행하는 경우, 동일한 기준을 가지고 분류하여도, 명확하게 분류하기 애매한 경우가 존재할 수 있다. 따라서 명확하게 분류하기 애매한 경우 여러명의 사람이 각기 다른 기준에 의하여 분류를 수행할 수 있으므로 분류의 일관성이 결여될 수 있다.) 또한 인공지능을 이용함으로써 과도한 인력 낭비를 줄일 수 있고, 비용 및 시간 면에서 비용 및 시간을 절약하는 효과를 기대할 수 있다.

도 7은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 신경망을 이용한 데이터 처리 방법은 다음과 같은 모듈에 의해 구현될 수 있다. 문서를 자연어 처리를 위한 제 1 모델에 입력시키기 위한 모듈(710); 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하기 위한 모듈(720); 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키기 위한 모듈(730); 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하기 위한 모듈(740)을 포함할 수 있다.

신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할하기 위한 모듈을 포함할 수 있다.

신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행하기 위한 모듈을 포함할 수 있다.

신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 분류 대상 데이터에 대한 전처리는 상기 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다.

신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하기 위한 모듈(740)은 컨볼루셔널 블록의 출력을 풀링 레이어에 입력하기 위한 모듈; 상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하기 위한 모듈; 및 상기 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득하기 위한 모듈을 포함할 수 있다.

본 개시의 일 실시예에 따르면 신경망을 이용하여 데이터를 처리하기 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 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 8은 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 (17)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 신경망을 이용하여 기술 분야를 추출하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은:
   문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작;
   상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작;
   상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및
   상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 문서는 문서의 핵심 정보를 포함하는 제 1 부분 문서 또는 제 1 부분 문서와 실질적 대응 관계가 있는 제 2 부분 문서 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
3. 제 1 항에 있어서,
   상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 3 항에 있어서,
   문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작 이전에,
   상기 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 3 항에 있어서,
   상기 분류 대상 데이터는,
   상기 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 상기 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
6. 제 5 항에 있어서,
   상기 제 2 엘리먼트는,
   상기 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
7. 제 1 항에 있어서,
   상기 분류 대상 데이터는,
   제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 제 1 모델은,
   자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
9. 제 1 항에 있어서,
   상기 제 1 모델은,
   제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델;
   제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델;
   상기 제 1 서브모델 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및
   상기 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력하는 동작 이전에,
    상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
    
11. 제 10 항에 있어서,
    상기 분류 대상 데이터에 대한 전처리는
    상기 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    상기 제 2 모델은,
    상기 분류 대상 데이터를 학습 입력 데이터로 하고, 상기 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 제 1 항에 있어서,
    상기 제 2 모델은,
    복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
    
14. 제 1 항에 있어서,
    상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작은,
    컨볼루셔널 블록의 출력을 풀링 레이어에 입력하는 동작;
    상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하는 동작; 및
    상기 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
15. 제 14 항에 있어서,
    상기 컨볼루셔널 블록은,
    복수개의 컨볼루셔널 레이어를 포함하고,
    상기 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고,
    상기 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
    
16. 신경망을 이용하여 기술 분야를 추출하는 방법은,
    문서를 자연어 처리를 위한 제 1 모델에 입력시키는 단계;
    상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 단계;
    상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 단계; 및
    상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 단계;
    를 포함하는,
    신경망을 이용하여 기술 분야를 추출하는 방법.
    
17. 신경망을 이용하여 기술 분야를 추출하기 위한 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    문서를 자연어 처리를 위한 제 1 모델에 입력시키고,
    상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하고,
    상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키고, 그리고
    상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는,
    신경망을 이용하여 기술 분야를 추출하기 위한 컴퓨팅 장치.

Images