KR20210026206A - 상담 분석 자료 생성 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 상담 분석 자료를 생성하기 위한 동작들을 수행하도록 하며 상기 동작들은, 고객 상담 데이터를 수신하는 동작; 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작; 상기 분석 자료에 관한 피드백을 수신하는 동작; 및 상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는 동작을 포함할 수 있다.

Description

상담 분석 자료 생성 방법{METHOD TO GENERATE CONSULTATION ANALYSIS DATA}

본 발명은 상담 분석 자료를 생성하는 방법에 관련된 방법으로서, 보다 구체적으로 고객 상담 데이터에 기초하여 분석 자료를 생성하는 방법에 관한 발명이다.

인터넷 및 모바일 산업의 성장으로 인하여 기존 데이터베이스 관리 도구로 수집, 관리, 저장 및 분석할 수 있는 규모를 넘어서는 대용량의 정형 또는 비정형 데이터를 의미하는 빅데이터(big data) 환경이 도래하고 있다. 이러한 빅데이터는 디지털 환경에서 생성되는 다양한 형태의 방대한 규모의 데이터로서, 기업 등의 미래의 경쟁력 확보를 좌우할 수 있는 핵심 자원으로 여겨지고 있다.

또한, 빅데이터로부터 경제적으로 필요한 가치를 추출하는 것은 빅데이터 기술이라 지칭될 수 있다. 빅데이터를 활용하는 것은, 마케팅 전략의 수립, 프로세스 최적화, 생산성 향상 및 부정행위에 대한 방지 등과 같은 다양한 형태의 가치를 창출할 수 있다. 따라서, 이러한 빅데이터를 효과적으로 활용하기 위한 빅데이터 기술은, 기업의 종류를 불문하고 무한경쟁 시대에서 우선적으로 고려해야할 기업 경쟁력 확보 수단이라 할 수 있다.

보험업계도 빅데이터를 해당 기업의 경쟁력 확보를 위해 활용할 수 있다. 예를 들어, 보험 회사는 콜센터에서 고객을 응대하기 위하여 빅데이터를 활용할 수 있다. 콜센터에서 이루어지는 전화상담의 경우 상담원이 고객 응대 후 직접 고객과의 상담 내용을 요약하거나 또는 상담 내용의 유형을 분류해야 한다. 상담원이 고객 응대 후 상담 내용을 요약하거나 상담 내용의 유형을 수기로 분류하다 보면 많은 시간이 소요되게 되고, 그러한 후 작업을 수행하는 동안 다른 고객의 응대가 불가능할 수 있다. 따라서, 상담원의 업무 효율화를 위하여 고객과의 상담 내용을 요약하거나 유형을 분류하기 위한 편리한 방법에 관한 요구가 당업계에 존재한다.

대한민국 등록특허 제10-1949427호는 상담내용 자동 평가 시스템에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 상담 분석 자료를 생성하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 상담 분석 자료를 생성하기 위한 동작들을 수행하도록 하며 상기 동작들은, 고객 상담 데이터를 수신하는 동작; 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작; 상기 분석 자료에 관한 피드백을 수신하는 동작; 및 상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료는, 상기 고객 상담 데이터를 요약한 요약 정보 또는 상기 고객 상담 데이터를 사전 결정된 적어도 하나의 유형 코드로 분류한 유형 코드 정보 중 적어도 하나를 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은, 상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정하는 동작; 및 상기 주요 단어 또는 상기 주요 문장 중 적어도 하나에 기초하여 상기 고객 상담 데이터에 관한 요약 정보 또는 유형 코드 정보 중 적어도 하나를 생성하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은, 상기 고객 상담 데이터에 포함된 단어들의 사용 빈도를 결정하는 동작; 및 상기 단어들의 사용 빈도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은, 상기 고객 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인 경우 상기 단어들의 동시 출현 관계를 결정하는 동작; 상기 단어들의 동시 출현 정도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 단어들의 동시 출현 정도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정하는 동작은, 상기 고객 상담 데이터에 포함된 둘 이상의 단어 각각에 대응되는 둘 이상의 노드를 생성하는 동작; 상기 동시 출현 관계를 가지는 단어들의 노드를 연결하는 엣지를 생성하는 동작; 각각의 상기 엣지에 대한 가중치를 연산하는 동작; 상기 엣지의 가중치에 기초하여 상기 둘 이상의 노드 각각에 대한 중요도를 연산하는 동작; 및 상기 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 단어를 결정하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은, 상기 고객 상담 데이터에 포함된 유사도가 높은 둘 이상의 문장들 중 하나의 문장을 대표 문장으로 결정하는 동작; 및 상기 대표 문장에 기초하여 상기 고객 상담 데이터에 관한 주요 문장을 결정하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 고객 상담 데이터에 포함된 유사도가 높은 둘 이상의 문장들 중 하나의 문장을 대표 문장으로 결정하는 동작은, 상기 고객 상담 데이터에 포함된 둘 이상의 문장 각각에 대응되는 둘 이상의 노드를 생성하는 동작; 유사 관계를 가지는 문장들의 노드를 연결하는 엣지를 생성하는 동작; 각각의 상기 엣지에 대한 가중치를 연산하는 동작; 상기 엣지의 가중치에 기초하여 상기 둘 이상의 노드 각각에 대한 중요도를 연산하는 동작; 및 상기 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 문장을 결정하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은, 상기 고객 상담 데이터를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 자료 생성 모델을 이용하여 연산하는 동작; 및 상기 분석 자료 생성 모델을 이용하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력하는 동작을 포함할 수 있고, 그리고 상기 분석 자료 생성 모델은, 과거의 고객 상담 데이터를 입력으로 하고, 상기 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 주요 단어 또는 주요 문장 중 적어도 하나를 라벨로 하는 학습 데이터로 학습된 모델일 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 모델은, 상기 고객 상담 데이터에 포함된 둘 이상의 단어들 간의 관계를 파악하기 위한 제 1 서브 모델 및 상기 둘 이상의 단어들 간의 관계에 기초하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력하기 위한 제 2 서브 모델을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은, 상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정하는 동작; 및 사전 결정된 둘 이상의 유형 코드들 각각에 매칭되어 저장된 단어 또는 문장 중 적어도 하나와 상기 주요 단어 또는 상기 주요 문장 중 적어도 하나를 비교하여 매칭률이 높은 유형 코드에 기초하여 유형 코드 정보를 생성하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은, 상기 고객 상담 데이터, 상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 연산하는 동작; 및 상기 유형 코드 결정 모델을 이용하여 유형 코드 정보를 출력하는 동작을 포함할 수 있고, 그리고 상기 유형 코드 결정 모델은, 과거의 고객 상담 데이터, 과거의 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 입력으로 하고, 상기 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 유형 코드 정보를 라벨로 하는 학습 데이터로 학습된 모델일 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는 동작은, 상기 피드백이 상기 분석 자료에 대한 오류 정보를 포함하는 경우, 상기 오류 정보에 기초하여 상기 분석 자료 생성 방법을 업데이트하는 동작; 또는 상기 피드백이 상기 분석 자료에 대한 정상 정보를 포함하는 경우, 상기 고객 상담 데이터와 상기 분석 자료를 매칭하여 저장하는 동작 중 적어도 하나의 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 피드백이 상기 분석 자료에 대한 오류 정보를 포함하는 경우, 상기 오류 정보에 기초하여 상기 분석 자료 생성 방법을 업데이트하는 동작은, 상기 고객 상담 데이터 및 상기 오류 정보에 기초하여 재 학습 데이터를 생성하는 동작; 및 상기 분석 자료 생성 방법을 상기 재 학습 데이터를 이용하여 업데이트 하는 동작을 포함할 수 있다.

상담 분석 자료를 생성하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 고객 단말로부터 상담 요청을 수신하는 동작; 상기 고객 단말에 대응되는 고객 정보를 식별하는 동작; 및 상기 고객 정보에 매칭되어 저장된 과거 고객 상담 데이터 또는 상기 과거 고객 상담 데이터에 대응하는 분석 자료 중 적어도 하나를 상담원 단말에 전송하는 동작을 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 상담 분석 자료를 생성하기 위한 방법으로서, 고객 상담 데이터를 수신하는 단계; 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 단계; 상기 분석 자료에 관한 피드백을 수신하는 단계; 및 상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 상담 분석 자료를 생성하기 위한 서버로서, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 고객 상담 데이터를 수신하고, 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하고, 상기 분석 자료에 관한 피드백을 수신하고, 그리고 상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장할 수 있다.

본 개시는 상담 분석 자료 생성 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따라 상담 분석 자료 생성을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법을 예시적으로 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법을 예시적으로 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법을 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법의 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

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 예시 적 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 예시 적 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 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 1은 본 개시의 일 실시예에 따라 상담 분석 자료 생성을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.

본 개시의 일 실시예에 따른 상담 분석 자료 생성을 위한 동작을 수행하는 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

네트워크부(110)는 본 개시의 일 실시예에 따른 상담 분석 자료 생성을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 상담 분석 자료 생성을 수행하기 위하여 고객 상담 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 분석 자료 생성을 분산 처리할 수 있도록 할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망 (PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

프로세서(120)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 상담 분석 자료 생성, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 상담 분석 자료 생성을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)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 상담 분석 자료 생성을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 상담 분석 자료 생성을 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 따르면, 메모리(130)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

프로세서(120)는 네트워크부(110)를 통해 고객 상담 데이터를 수신할 수 있다.

고객 상담 데이터는 상담원과 고객이 상담한 내용을 포함하는 데이터일 수 있다. 고객 상담 데이터는 고객 상담 시작 시점부터 고객 상담 종료 시점까지 수집 또는 생성된 데이터를 의미할 수 있다. 예를 들어, 고객 상담 데이터는 고객이 상담 요청을 한 경우에 고객이 상담 요청을 한 시점부터 고객 상담이 종료된 시점 사이의 시간 구간 동안 수집 또는 생성된 데이터를 의미할 수 있다. 예를 들어, 고객 상담 데이터는 콜센터에서 상담원과 고객의 통화 내용을 녹음한 데이터, 채팅을 통해 상담원과 고객이 주고받은 메시지 데이터, VOC(Voice of Customer) 게시판에 업로드 된 고객의 질문 및 상담원의 답변 데이터 등을 포함할 수 있다. 전술한 고객 상담 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

고객 상담 데이터는 음성 데이터 또는 문자 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 고객과 상담원이 전화를 통해 상담을 수행하는 경우 고객 상담 데이터는 음성 데이터를 포함할 수 있고, 고객과 상담원이 채팅을 통해 상담을 수행하는 경우 고객 상담 데이터는 문자 데이터를 포함할 수 있다. 전술한 고객 상담 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 고객 상담 데이터가 음성 데이터를 포함하는 경우, 음성 데이터를 문자 데이터로 변환할 수 있다. 예를 들어, 프로세서(120)는 콜센터 서버로부터 수집되는 음성 데이터를 STT(Speech to text) 엔진을 통해 문자 데이터로 변환할 수 있다. 예를 들어, STT 엔진은 음성 데이터를 문자 데이터로 변환하도록 학습된 인공 신경망 모델일 수 있다. 전술한 고객 상담 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 수신한 고객 상담 데이터 또는 고객 상담 데이터를 변환한 데이터를 메모리(130)에 저장할 수 있다.

프로세서(120)는 분석 자료 생성 방법을 이용하여 고객 상담 데이터에 관한 분석 자료를 생성할 수 있다. 분석 자료 생성 방법에 관하여 후술하여 자세하게 설명한다.

분석 자료는 고객 상담 데이터를 분석한 데이터일 수 있다. 분석 자료는 고객 상담 데이터를 요약한 요약 정보 또는 고객 상담 데이터를 사전 결정된 적어도 하나의 유형 코드로 분류한 유형 코드 정보 중 적어도 하나를 포함할 수 있다.

분석 자료는 고객 상담 데이터를 요약한 요약 정보를 포함할 수 있다. 요약 정보는 많은 양의 데이터를 포함하는 고객 상담 데이터를 적어도 일부의 중요 데이터만을 포함하도록 요약한 정보일 수 있다. 본 개시의 일 실시예에 따른 요약 정보는 고객 상담 데이터에 포함된 적어도 일부의 단어들의 조합을 포함할 수 있다. 예를 들어, 고객 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장을 포함하는 경우, 요약 정보는 적어도 일부의 단어들의 조합인 "뼈 부러졌을 때 보험료" 또는 "입원 시 보험료"일 수 있다. 본 개시의 일 실시예에 따른 요약 정보는 고객 상담 데이터에 포함된 적어도 일부의 문장들의 조합을 포함할 수 있다. 전술한 예시에서 요약 정보는 고객 상담 데이터에 포함된 적어도 일부의 문장들의 조합인 "왼팔 뼈가 부러졌더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"일 수 있다. 전술한 분석 자료에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

분석 자료는 고객 상담 데이터를 사전 결정된 적어도 하나의 유형 코드로 분류한 유형 코드 정보를 포함할 수 있다. 유형 코드 정보는 고객 상담 데이터에 포함된 상담의 의도를 분류하기 위한 정보일 수 있다. 메모리(130)에는 고객 상담 데이터에 포함된 상담 의도들 각각에 대응되는 유형 코드가 저장되어 있을 수 있다. 고객 상담 데이터는 메모리(130)에 저장된 적어도 하나의 유형 코드로 분류될 수 있다. 예를 들어, 고객 상담 데이터는 3개의 뎁스(depth)에 기초하여 하나 이상의 유형 코드로 분류될 수 있다. 3개의 뎁스는 고객 상담 데이터에 대한 대분류, 중분류 및 소분류를 포함할 수 있다. 예를 들어, 대분류는 보험, 연금, 지점 찾기, 계약 조회, 보험금 청구일 수 있고, 보험 대분류에 포함된 중분류는 건강 보장, 노후 대비, 목돈 마련 등일 수 있고, 건강 보장 중분류에 포함된 소분류는 암 보험, 실비 보험 등일 수 있다. 유형 코드는 예를 들어, 키워드, 숫자, 문자 등을 포함할 수 있다. 예를 들어, 고객 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장을 포함하는 경우, 유형 코드 정보는 "보험금 청구 - 보험 종류 - 보장 범위"에 관한 유형 코드를 포함할 수 있다. 전술한 분석 자료에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정할 수 있다. 프로세서(120)는 주요 단어 또는 주요 문장 중 적어도 하나에 기초하여 고객 상담 데이터에 관한 요약 정보 또는 유형 코드 정보 중 적어도 하나를 생성할 수 있다. 고객 상담 데이터에 관한 주요 단어 또는 주요 문장을 결정하고, 결정된 주요 단어 또는 주요 문장에 기초하여 요약 정보 또는 유형 코드를 생성하는 방법에 관하여는 후술하여 자세하게 설명한다.

주요 단어는 고객 상담 데이터에 포함된 둘 이상의 단어들 중 고객의 상담 의도를 분류하기 위한 중요도가 높은 단어일 수 있다. 예를 들어, 고객 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장을 포함하는 경우, 주요 단어는 "뼈", "부러짐", "보험료", "보험", "가입"일 수 있다. 전술한 주요 단어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

주요 문장은 고객 상담 데이터에 포함된 둘 이상의 문장들 중 고객의 상담 의도를 분류하기 위한 중요도가 높은 문장일 수 있다. 예를 들어, 프로세서(120)는 고객 상담 데이터에 포함된 둘 이상의 문장들 중 유사도가 높은 문장들이 있을 경우, 하나의 대표 문장만을 주요 문장으로 결정할 수도 있다. 예를 들어, 프로세서(120)는 고객 상담 데이터에 포함된 둘 이상의 문장들 중 유형 코드에 매칭되는 단어들을 다수 포함하고 있는 문장을 주요 문장으로 결정할 수도 있다. 전술한 예시에서 주요 문장은 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"일 수 있다. 전술한 주요 문장에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 분석 자료 생성 방법에 관하여 설명한다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 고객 상담 데이터를 전처리하는 방법에 관하여 설명한다.

프로세서(120)는 고객 상담 데이터에 대해 전처리(pre-processing)를 수행할 수 있다. 전처리는 고객 상담 데이터에 관한 주요 단어를 결정하기 위하여, 고객 상담 데이터에 포함된 음절들 중 고객 의도를 도출해 낼 수 없는 음절을 제거하는 동작을 포함할 수 있다. 프로세서(120)는 자연어 처리를 이용하여 고객 상담 데이터의 전처리를 수행할 수 있다. 구체적으로 프로세서(120)는 고객 상담 데이터에 관한 형태소 분석을 통해 전처리를 수행할 수 있다. 프로세서(120)는 형태소 분석된 고객 상담 데이터에서 고객 의도를 도출해 낼 수 없는 음절을 제거할 수 있다. 고객 의도를 도출해 낼 수 없는 음절은 예를 들어, 조사, 어미 등에 대응되는 음절일 수 있다. 프로세서(120)는 고객 상담 데이터에 관하여 고객 상담 의도를 도출해 낼 수 있는 음절을 포함하도록 전처리를 수행할 수 있다. 고객 상담 의도를 도출해 낼 수 있는 음절은 예를 들어, 명사, 동사, 형용사 등에 대응되는 음절일 수 있다. 예를 들어, 고객 상담 데이터가 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"인 경우, 프로세서(120)는 "저도", "보험", "같이", "가입", "저도", "보험료", "받을"만을 포함하도록 전처리를 수행할 수 있다. 전술한 전처리에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 고객 상담 데이터에 포함된 단어의 사용 빈도에 기초하여 주요 단어를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 고객 상담 데이터에 포함된 단어들의 사용 빈도를 결정할 수 있다. 프로세서(120)는 전처리된 고객 상담 데이터에 포함된 단어들의 사용 빈도를 결정할 수 있다.

프로세서(120)는 고객 상담 데이터에 동일한 단어가 포함된 횟수에 기초하여 사용 빈도를 결정할 수 있다. 프로세서(120)는 고객 상담 데이터에 동일한 단어가 포함된 횟수가 사전결정된 임계 값 이상인 경우, 사용 빈도가 높은 것으로 결정할 수도 있고, 또는 고객 상담 데이터에 포함된 단어들의 사용 횟수들 중 상위 사용 횟수에 대응되는 단어들을 사용 빈도가 높은 것으로 결정할 수도 있다. 예를 들어, 프로세서(120)는 사용 빈도를 높다, 낮다 등으로 분류할 수도 있고, 또는 사용 빈도를 사용 횟수에 대응하는 값으로 결정할 수도 있다. 사용 빈도(420)에 관하여 도 4를 참조하여 설명하면, 고객 상담 데이터에 단어 "보험"이 80회 사용되었고, 단어 "치료비"가 24회 사용되었고, 단어 "교통사고"가 13회 사용되었고, "상해"가 18회 사용되었을 수 있다. 본 개시의 일 실시예에 따라 사용 빈도가 20회 이상인 단어들에 대하여 사용 빈도가 높은 것으로 결정하는 경우, 프로세서(120)는 "보험" 및 "치료비"단어들에 대한 사용 빈도를 높은 것으로 결정할 수 있다. 본 개시의 다른 일 실시예에 다라 사용 빈도가 상위 3개에 속하는 단어들에 대하여 사용 빈도가 높은 것으로 결정하는 경우, 프로세서(120)는 "보험", "치료비" 및 "상해"단어들에 대한 사용 빈도를 높은 것으로 결정할 수도 있다. 전술한 단어의 사용 빈도에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 동일한 단어가 변형된 형태로 고객 상담 데이터에 포함된 경우라도, 동일한 단어가 언급된 것으로 판단하여 사용 빈도를 결정할 수 있다. 변형된 단어는 예를 들어, 띄어쓰기가 다른 단어, 어미가 다른 단어 등일 수 있다. 예를 들어, 프로세서(120)는 "입원 료"와 "입원료"를 동일한 단어로 판단하여 사용 빈도를 결정할 수 있다. 전술한 단어의 사용 빈도에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 단어들의 사용 빈도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정할 수 있다. 프로세서(120)는 사용 빈도가 높은 단어들에 기초하여 주요 단어를 결정할 수 있다. 프로세서(120)는 상위 사용 빈도를 가지는 단어들을 주요 단어로 결정할 수 있다. 예를 들어, 고객 상담 데이터에 포함된 단어들 각각에 대한 사용 횟수가 24, 25, 1, 6, 14, 5, 4인 경우, 프로세서(120)는 사용 횟수가 24, 25에 대응하는 단어들의 사용 빈도가 높은 것으로 결정할 수 있고, 사용 횟수가 24, 25에 대응하는 단어들을 주요 단어로 결정할 수 있다. 전술한 주요 단어 결정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 고객 상담 데이터에 포함된 단어들의 동시 출현 정도에 기초하여 주요 단어를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 전술한 바와 같이 고객 상담 데이터에 대해 전처리를 수행할 수 있다. 프로세서(120)는 전처리된 고객 상담 데이터에 포함된 단어들의 동시 출현 정도에 기초하여 주요 단어를 결정할 수 있다.

프로세서(120)는 고객 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인 경우 단어들의 동시 출현 관계를 결정할 수 있다. 프로세서(120)는 전처리된 고객 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인 경우 단어들의 동시 출현 관계를 결정할 수 있다. 동시 출현 관계는 고객 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인지 여부에 관한 정보일 수 있다. 예를 들어, 고객 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요."이고, 사전 결정된 값이 3인 경우, "다쳐서"와 "입원" 단어들의 거리는 2이므로, 프로세서(120)는 "다쳐서"와 "입원"은 동시 출현 관계에 있는 것으로 결정할 수 있고, 그리고 "다쳐서"와 "뼈" 단어들의 거리는 5이므로, 프로세서(120)는 "다쳐서"와 "뼈"는 동시 출현 관계에 있지 않은 것으로 결정할 수 있다. 전술한 동시 출현 관계에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 단어들의 동시 출현 정도에 기초하여 단어들에 대해 후처리(post-processing)를 수행할 수 있다. 후처리는 단어들의 동시 출현 정도에 따라 단어들을 변형하는 동작을 의미할 수 있다. 후처리는 단어들의 동시 출현 정도가 높은 경우 하나의 단어로 그룹핑(grouping)하는 동작을 포함할 수 있다. 프로세서(120)는 단어들 간의 거리가 1인 경우 인접 단어 관계로 결정할 수 있다. 프로세서(120)는 사전 결정된 임계 횟수 이상 인접 단어 관계로 결정된 단어들의 경우 단어들을 그룹핑하여 하나의 단어로 재 정의할 수 있다. 예를 들어, 단어 "실비"와 "보험"간의 거리가 1인 경우가 고객 상담 데이터에서 5회 발견된 경우, 프로세서(120)는 인접 단어 관계로 5번 결정된 것으로 연산할 수 있다. 프로세서(120)는 단어 "실비"와 "보험"에 대하여 사전 결정된 임계 횟수 이상 인접 단어 관계로 결정된 것으로 판단하여, "실비 보험"으로 그룹핑하여 하나의 단어로 재 정의할 수 있다. 전술한 후처리 동작에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 단어들의 동시 출현 정도에 기초하여 고객 상담 데이터에 관한 주요 단어를 결정할 수 있다. 이하에서는 단어들의 동시 출현 정도에 기초하여 고객 상담 데이터에 관한 주요 단어를 결정하는 방법에 관하여 도 3 및 도 4를 참조하여 설명한다. 도 3은 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법을 예시적으로 도시한 도면이다. 도 4는 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법을 예시적으로 도시한 도면이다.

프로세서(120)는 고객 상담 데이터에 포함된 둘 이상의 단어 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 프로세서(120)는 고객 상담 데이터에 대한 후처리 동작을 고려하여 둘 이상의 단어 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 프로세서(120)는 후처리 동작에 기초하여 하나의 단어로 재 정의된 단어는 하나의 노드로 생성할 수 있다. 도 3 (a)에서 A, B, C 및 D 각각에 대응되는 원형이 노드일 수 있다. A, B, C 및 D 각각이 고객 상담 데이터에 포함된 단어들 각각에 대응될 수 있다. 예를 들어, 고객 상담 데이터가 "어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요."인 경우, 프로세서(120)는 "어제", "다쳐서", "병원", "입원", "왼팔", "뼈", "부러졌" 각각에 대응되는 노드를 생성할 수 있다. 전술한 노드에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 동시 출현 관계를 가지는 단어들의 노드를 연결하는 엣지를 생성할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(120)는 동시 출현 관계를 가지는 단어들 각각에 대응되는 노드를 연결하는 엣지를 생성할 수 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(120)는 동시 출현 관계를 사전 결정된 횟수 이상 가지는 단어들에 대해서만 엣지를 생성할 수도 있다. 도 3 (a)에서 A, B 노드 사이를 연결하는 선이 엣지일 수 있다. 본 예시에서 A-B, A-D, B-D, C-D 각각에 대한 단어들이 동시 출현 관계를 가지는 단어들이거나, 또는 사전 결정된 횟수 이상의 동시 출현이 있는 단어들일 수 있다. 전술한 엣지에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 둘 이상의 노드들 각각에 대하여 1의 가중치를 균등하게 분배할 수 있다. 도 3 (a)에서 프로세서(120)는 A, B, C, D 각각의 노드에 1의 가중치를 균등하게 분배하여 노드들 각각은 0.25의 가중치를 분배 받았을 수 있다. 전술한 가중치에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 각각의 엣지에 대한 가중치를 연산할 수 있다. 프로세서(120)는 각 노드가 가지고 있는 가중치를 노드와 연결된 엣지에 균등하게 분배하도록 연산할 수 있다. 도 3 (b)에서 프로세서(120)는 A 노드에 대한 가중치 0.25를 B 노드 및 D 노드와 연결된 두개의 엣지 각각에 균등하게 분배하도록 연산할 수 있다. 프로세서(120)는 A 노드의 가중치 0.25를 각각의 엣지에 0.125만큼씩 분배하도록 연산할 수 있다. 프로세서(120)는 D 노드에 대한 가중치 0.25를 A, B, C 노드 각각과 연결된 세개의 엣지 각각에 균등하게 분배하도록 연산할 수 있다. 프로세서(120)는 D 노드의 가중치 0.25를 각각의 엣지에 0.083만큼씩 분배하도록 연산할 수 있다. 도 3 (b)에서 B 노드 및 C 노드에 관한 엣지 가중치 연산은 생략되어 도시되었다. 전술한 엣지 가중치 연산에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 엣지의 가중치에 기초하여 둘 이상의 노드 각각에 대한 중요도를 연산할 수 있다. 프로세서(120)는 노드의 가중치에 사전결정된 제 1 확률을 곱하고, 그리고 노드와 연결된 엣지의 가중치에 사전결정된 제 2 확률을 곱한 값 각각을 합하여 노드에 대한 중요도를 연산할 수 있다. 사전결정된 제 1 확률 및 사전결정된 제 2 확률의 합은 100 퍼센트일 수 있다. B 노드에 대한 초기 중요도 값은, B 노드의 가중치(0.25)에 사전결정된 제 1 확률(0.15)을 곱하고, B 노드 및 A 노드 사이의 엣지 가중치(0.125)와 B 노드 및 D 노드 사이의 엣지 가중치(0.083)를 더한 값에 사전결정된 제 2 확률(0.85)을 곱한 값 각각의 총합((0.125+0.083)*0.85 + (0.25)*0.15 = 0.214)일 수 있다. 도 3 (c)에서 각각의 노드에 대하여 동일한 방법으로 연산을 수행한 초기 중요도 값은 A 노드는 0.214, B 노드는 0.214, C 노드는 0.108, D 노드는 0.463일 수 있다. 프로세서(120)는 각 노드의 초기 중요도 값을 기초로 엣지의 가중치를 연산하고, 중요도를 다시 연산하는 과정을 반복하여 수행할 수 있다. 여러 번 중요도 값을 반복해서 연산하면, 각각의 노드에 대하여 하나의 값으로 중요도 값이 수렴할 수 있다. 프로세서(120)는 각각의 노드에 대하여 하나의 값으로 중요도 값이 수렴하는 경우, 해당 값을 노드에 대한 중요도 값으로 최종적으로 결정할 수 있다. 전술한 중요도 값에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 단어를 결정할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 노드들 중 중요도가 사전 결정된 임계 값 이상인 노드들에 대응하는 단어를 주요 단어로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)는 노드들 중 상위 중요도 값을 가지는 노드들에 대응하는 단어를 주요 단어로 결정할 수 있다. 도 4의 중요도(410)를 참조하면, 단어 "보험"에 대응하는 노드의 중요도 값은 0.089849이고, 단어 "치료비"에 대응하는 노드의 중요도 값은 0.026183이고, 단어 "교통사고"에 대응하는 노드의 중요도 값은 0.017231일 수 있다. 본 개시의 일 실시예에 따라, 중요도 값이 사전 결정된 임계 값인 0.02 이상인 단어를 주요 단어로 결정하는 경우, 프로세서(120)는 "보험" 및 "치료비"단어들을 주요 단어로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라, 중요도 값이 상위 3개인 단어들을 주요 단어로 결정하는 경우, 프로세서(120)는 "보험", "치료비" 및 "교통사고"단어들을 주요 단어로 결정할 수 있다. 전술한 주요 단어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 고객 상담 데이터에 포함된 문장들의 유사도에 기초하여 주요 문장을 결정하는 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라 프로세서(120)는 고객 상담 데이터에 포함된 유사도가 높은 둘 이상의 문장들 중 하나의 문장을 대표 문장으로 결정할 수 있다. 프로세서(120)는 대표 문장에 기초하여 고객 상담 데이터에 관한 주요 문장을 결정할 수 있다. 대표 문장은 유사도가 높은 둘 이상의 문장들을 대표할 수 있는 하나의 문장을 의미할 수 있다. 예를 들어, 프로세서(120)는 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요." 문장과 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장에 포함된 단어들의 매칭률이 높으므로, 두 문장 간의 유사도가 높은 것으로 결정할 수 있다. 프로세서(120)는 두개의 문장에 대하여 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요." 문장을 대표 문장으로 결정할 수 있다. 문장들 간의 유사도 판단에 관하여 후술하여 구체적으로 설명한다. 프로세서(120)는 대표 문장들 중 적어도 일부의 대표 문장을 주요 문장으로 결정할 수 있다. 전술한 주요 문장에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 고객 상담 데이터에 포함된 둘 이상의 문장들 간의 유사도를 연산할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 문장들 각각이 포함하고 있는 하나 이상의 단어의 의미, 배열 및 각 단어 간의 관계에 기초한 분석을 수행하여 유사도를 산출할 수 있다. 프로세서(120)는 문장들 각각이 포함하고 있는 하나 이상의 단어의 의미 및 배열의 매칭률에 기초하여 유사도를 산출할 수 있다. 프로세서(120)는 매칭률이 높을수록 유사도가 높은 것으로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)는 자연어 처리를 이용하여 두 문장 간의 유사도를 산출할 수 있다. 프로세서(120)는 두 문장 각각에 대한 문장 벡터를 연산하여 문장 벡터들 간의 유사도를 연산하여, 두 문장 간의 유사도를 산출할 수 있다. 예를 들어 고객 상담 데이터가 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요. 어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장들을 포함하는 경우, 프로세서(120)는 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요." 문장과 "저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장에 포함된 단어들의 매칭률이 높으므로, 두 문장 간의 유사도가 높은 것으로 결정할 수 있다. 전술한 문장 유사도에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 고객 상담 데이터에 포함된 둘 이상의 문장 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 이하에서는 도 3을 참조하여 설명한다. 도 3 (a)에서 A, B, C 및 D 각각에 대응되는 원형이 노드일 수 있다. A, B, C 및 D 각각이 고객 상담 데이터에 포함된 문장들 각각에 대응될 수 있다. 전술한 노드에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 유사 관계를 가지는 문장들의 노드를 연결하는 엣지를 생성할 수 있다. 프로세서(120)는 유사도가 사전 결정된 임계 값 이상인 문장들 각각에 대응되는 노드들에 대해서만 엣지를 생성할 수 있다. 도 3 (a)에서 A, B 노드 사이를 연결하는 선이 엣지일 수 있다. 본 예시에서 A-B, A-D, B-D, C-D 각각에 대한 문장들이 유사 관계(예를 들어, 유사도가 사전 결정된 임계 값 이상인 두개의 문장들)를 가지는 문장들일 수 있다. 전술한 엣지에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 둘 이상의 노드들 각각에 대하여 1의 가중치를 균등하게 분배할 수 있다. 프로세서(120)는 각각의 엣지에 대한 가중치를 연산할 수 있다. 프로세서(120)는 엣지의 가중치에 기초하여 둘 이상의 노드 각각에 대한 중요도를 연산할 수 있다. 가중치를 분배하고, 엣지에 대한 가중치를 연산하고, 그리고 노드 각각에 대한 중요도를 연산하는 방법은 전술한 바와 같다.

프로세서(120)는 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 문장을 결정할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 노드들 중 중요도가 사전 결정된 임계 값 이상인 노드들에 대응하는 문장을 주요 문장으로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)는 노드들 중 상위 중요도 값을 가지는 노드들에 대응하는 문장을 주요 문장으로 결정할 수 있다. 예를 들어, "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요" 문장에 대응되는 노드의 중요도 값이 0.24이고, "어제 다쳐서 병원에 입원을 했는데" 문장에 대응되는 노드의 중요도 값이 0.01이고, "왼팔 뼈가 부러졌더라고요" 문장에 대응되는 노드의 중요도 값이 0.18인 경우, 중요도 값이 높은 노드에 대응되는 문장인 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요"를 주요 문장으로 결정할 수 있다. 전술한 주요 문장에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 사전학습된 하나 이상의 네트워크 함수를 포함하는 분석 자료 생성 모델을 이용하여 주요 단어 또는 주요 문장을 결정하는 방법에 관하여 설명한다.

분석 자료 생성 모델은, 고객 상담 데이터에 포함된 둘 이상의 단어들 간의 관계를 파악하기 위한 제 1 서브 모델 및 둘 이상의 단어들 간의 관계에 기초하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력하기 위한 제 2 서브 모델을 포함할 수 있다.

제 1 서브 모델은 고객 상담 데이터에 포함된 둘 이상의 단어들 간의 관계를 파악할 수 있다. 제 1 서브 모델에 포함된 히든 레이어의 노드에서 활성화(active)된 함수를 통해 출력된 출력 값은 히든 레이어의 다음 레이어에 포함된 노드로 입력되고, 그리고 또한 해당 히든 레이어의 노드에서 수행되는 다음 연산의 입력으로 다시 입력될 수 있다. 히든 레이어에 포함된 노드는 바로 이전 시점에서의 연산에 따라 히든 레이어에 포함된 노드에서 출력된 출력 값을 자신의 입력으로 사용하는 재귀적인 연산을 수행할 수 있다. 제 1 서브 모델은은 고객 상담 데이터에 포함된 음소, 음절 또는 단어들에 대한 연산을 재귀적으로 수행하여 둘 이상의 단어들 간의 관계를 파악할 수 있다. 제 1 서브 모델은 예를 들어, 리커런트 뉴럴 네트워크(RNN, recurrent neural network)를 포함할 수 있다. 전술한 제 1 서브 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

제 2 서브 모델은 둘 이상의 단어들 간의 관계에 기초하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력할 수 있다. 제 2 서브 모델은 예를 들어, 컨벌루셔널 뉴럴 네트워크(CNN, Convolutional Neural Network)를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 입력 데이터에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 입력 데이터의 글로벌 피쳐를 추출할 수 있다. 컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다. 전술한 제 2 서브 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 분석 자료 생성 모델을 학습시키는 방법에 관하여 설명한다.

분석 자료 생성 모델을 학습시키기 위한 학습 데이터는 과거에 상담원이 고객과 상담을 진행하면서 메모리(130)에 저장해 둔 히스토리에 기초하여 생성될 수 있다. 학습 데이터는 과거에 상담원과 고객이 상담을 수행한 과거의 고객 상담 데이터를 입력으로 포함할 수 있다. 학습 데이터는 상담원이 고객과 상담을 수행한 이후 작성하여 저장한 주요 단어 또는 주요 문장 중 적어도 하나를 라벨로 포함할 수 있다.

본 개시의 일 실시예에 따른 분석 자료 생성 모델은 고객 상담 데이터를 입력시켜 주요 단어 또는 주요 문장 중 적어도 하나가 출력되도록 교사 학습된 모델일 수 있다. 분석 자료 생성 모델은 과거의 고객 상담 데이터를 입력으로 하고, 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 주요 단어 또는 주요 문장 중 적어도 하나를 라벨로 하는 학습 데이터로 학습된 모델일 수 있다.

프로세서(120)는 학습 데이터에 포함된 입력인 과거의 고객 상담 데이터를 분석 자료 생성 모델에 입력시키고, 분석 자료 생성 모델의 출력인 주요 단어 또는 주요 문장 중 적어도 하나와 학습 데이터의 라벨(즉, 정답)인 주요 단어 또는 주요 문장 중 적어도 하나를 비교하여 오차를 계산할 수 있다. 프로세서(120)는 계산된 오차에 기초하여 분석 자료 생성 모델에 포함된 네트워크 함수에서 역방향인 출력 레이어에서 입력 레이어 방향으로 역전파 시킬 수 있다. 프로세서(120)는 출력 레이어에서 입력 레이어 방향으로 역전파 된 역전파에 따라 각 레이어의 각 노드들의 연결 가중치가 업데이트 되도록 할 수 있다.

프로세서(120)는 고객 상담 데이터를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 자료 생성 모델을 이용하여 연산할 수 있다. 프로세서(120)는 분석 자료 생성 모델을 이용하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력할 수 있다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 고객 상담 데이터에 관한 주요 단어 또는 주요 문장에 기초하여 요약 정보를 생성하는 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라 프로세서(120)는 고객 상담 데이터에 관한 주요 단어 또는 주요 문장을 요약 정보로 결정할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)는 고객 상담 데이터에 관한 둘 이상의 주요 단어 또는 둘 이상의 주요 문장이 있을 경우, 둘 이상의 주요 단어를 조합하거나 또는 둘 이상의 주요 문장을 조합하여 요약 정보를 생성할 수 있다. 프로세서(120)는 고객 상담 데이터에서의 주요 단어들 또는 주요 문장들의 순서에 기초하여, 주요 단어들 또는 주요 문장들을 배열하여 요약 정보를 생성할 수 있다. 예를 들어, 고객 상담 데이터가 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요. 어제 다쳐서 병원에 입원을 했는데, 왼팔 뼈가 부러졌더라고요. 근데 보니까 희연이 엄마는 예전에 뼈 부러졌을 때 보험료를 받았더라고요. 저도 그때 그 보험 같이 가입했는데 저도 보험료 받을 수 있나요?"문장들을 포함하고, "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요" 문장과 "왼팔 뼈가 부러졌더라고요" 문장이 각각 주요 문장일 수 있다. 고객 상담 데이터에서 "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요" 문장이 "왼팔 뼈가 부러졌더라고요" 문장보다 먼저 나오는 문장이므로, "제가 가입한 보험으로 보험료를 받을 수 있는지 문의하려고 전화했는데요, 왼팔 뼈가 부러졌더라고요" 순서로 요약 정보를 생성할 수 있다. 전술한 요약 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 고객 상담 데이터에 관한 주요 단어 또는 주요 문장에 기초하여 유형 코드 정보를 생성하는 방법에 관하여 설명한다.

프로세서(120)는 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정할 수 있다. 프로세서(120)는 사전 결정된 둘 이상의 유형 코드들 각각에 매칭되어 저장된 단어 또는 문장 중 적어도 하나와 주요 단어 또는 주요 문장 중 적어도 하나를 비교하여 매칭률이 높은 유형 코드에 기초하여 유형 코드 정보를 생성할 수 있다.

메모리(130)에는 둘 이상의 유형 코드들이 저장되어 있을 수 있다. 메모리(130)에는 둘 이상의 유형 코드들 각각에 대하여 하나 이상의 단어가 매칭되어 저장되어 있을 수 있다. 예를 들어, 메모리(130)에 "보험금 청구 - 보험 종류 - 보장 범위" 유형 코드에 대하여, "청구", "보장", "보상액", "지급액" 단어들이 매칭되어 저장되어 있을 수 있다. 메모리(130)에는 둘 이상의 유형 코드들 각각에 대한여 하나 이상의 문장이 매칭되어 저장되어 있을 수 있다. 예를 들어, 메모리(130)에 "보험금 청구 - 보험 종류 - 보장 범위" 유형 코드에 대하여, "보험금 청구했을 때, 보상액을 알고 싶어요" 문장을 포함한 복수의 문장들이 저장되어 있을 수 있다. 전술한 유형 코드에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 고객 상담 데이터에 관한 주요 단어와 유형 코드에 매칭되어 저장된 단어의 매칭률을 연산할 수 있다. 프로세서(120)는 고객 상담 데이터에 관한 주요 단어와 유형 코드에 매칭되어 저장된 단어의 일치 여부 또는 단어의 유사 여부에 기초하여 매칭률을 연산할 수 있다. 프로세서(120)는 주요 단어와 일치하는 단어들이 사전 결정된 임계 값 이상 존재하거나, 또는 주요 단어와 유사한 단어들이 사전 결정된 임계 값 이상 존재하는 유형 코드를 고객 상담 데이터에 관한 유형 코드로 결정할 수 있다.

본 개시의 일 실시예에 프로세서(120)는 고객 상담 데이터에 관한 주요 단어와 유형 코드에 매칭되어 저장된 문장의 매칭률을 연산할 수 있다. 프로세서(120)는 고객 상담 데이터에 관한 주요 단어와 유형 코드에 매칭되어 저장된 문장에 포함된 단어의 일치 여부 또는 단어의 유사 여부에 기초하여 매칭률을 연산할 수 있다. 프로세서(120)는 주요 단어와 일치하는 단어들이 사전 결정된 임계 값 이상 존재하거나, 또는 주요 단어와 유사한 단어들이 사전 결정된 임계 값 이상 존재하는 문장에 대응되는 유형 코드를 고객 상담 데이터에 관한 유형 코드로 결정할 수 있다.

본 개시의 일 실시예에 프로세서(120)는 고객 상담 데이터에 관한 주요 문장과 유형 코드에 매칭되어 저장된 단어의 매칭률을 연산할 수 있다. 프로세서(120)는 고객 상담 데이터에 관한 주요 문장에 포함된 단어와 유형 코드에 매칭되어 저장된 단어의 일치 여부 또는 단어의 유사 여부에 기초하여 매칭률을 연산할 수 있다. 프로세서(120)는 주요 문장에 포함된 단어와 일치하는 단어들이 사전 결정된 임계 값 이상 존재하거나, 또는 주요 단어와 유사한 단어들이 사전 결정된 임계 값 이상 존재하는 유형 코드를 고객 상담 데이터에 관한 유형 코드로 결정할 수 있다.

본 개시의 일 실시예에 프로세서(120)는 고객 상담 데이터에 관한 주요 문장과 유형 코드에 매칭되어 저장된 문장의 매칭률을 연산할 수 있다. 프로세서(120)는 고객 상담 데이터에 관한 주요 문장에 포함된 단어와 유형 코드에 매칭되어 저장된 문장에 포함된 단어의 일치 여부 또는 단어의 유사 여부에 기초하여 매칭률을 연산할 수 있다. 프로세서(120)는 주요 문장에 포함된 단어와 일치하는 단어들이 사전 결정된 임계 값 이상 존재하거나, 또는 주요 단어와 유사한 단어들이 사전 결정된 임계 값 이상 존재하는 문장에 대응되는 유형 코드를 고객 상담 데이터에 관한 유형 코드로 결정할 수 있다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 사전학습된 하나 이상의 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 유형 코드 정보를 결정하는 방법에 관하여 설명한다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 유형 코드 결정 모델을 학습시키는 방법에 관하여 설명한다.

유형 코드 결정 모델을 학습시키기 위한 학습 데이터는 과거에 상담원이 고객과 상담을 진행하면서 메모리(130)에 저장해 둔 히스토리에 기초하여 생성될 수 있다. 상담원이 고객과 상담을 한 이후, 고객과의 상담 내용을 요약하기 위하여 주요 단어 또는 주요 문장을 작성하고, 그리고 고객과의 상담 내용을 분류하기 위하여 유형 코드를 작성해 두었을 수 있다. 메모리(130)에 저장된 히스토리는 과거 상담원들이 상담 수행에 따라 작성한 주요 단어 또는 주요 문장, 그리고 유형 코드에 관한 정보를 포함하고 있을 수 있다. 학습 데이터는 과거에 상담원과 고객이 상담을 수행한 이후 작성하여 저장한 주요 단어 또는 주요 문장 중 적어도 하나를 입력으로 포함할 수 있다. 학습 데이터는 과거에 상담원과 고객이 상담을 수행한 이후 작성하여 저장한 유형 코드 정보를 라벨로 포함할 수 있다.

본 개시의 일 실시예에 따른 유형 코드 결정 모델은 주요 단어 또는 주요 문장 중 적어도 하나를 입력시켜 유형 코드 정보가 출력되도록 교사 학습된 모델일 수 있다. 유형 코드 결정 모델은, 과거의 고객 상담 데이터, 과거의 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 입력으로 하고, 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 유형 코드 정보를 라벨로 하는 학습 데이터로 학습된 모델일 수 있다.

프로세서(120)는 학습 데이터에 포함된 입력인 주요 단어 또는 주요 문장 중 적어도 하나를 유형 코드 결정 모델에 입력시키고, 유형 코드 결정 모델의 출력인 유형 코드 정보와 학습 데이터의 라벨(즉, 정답)인 유형 코드 정보를 비교하여 오차를 계산할 수 있다. 프로세서(120)는 계산된 오차에 기초하여 분석 자료 생성 모델에 포함된 네트워크 함수에서 역방향인 출력 레이어에서 입력 레이어 방향으로 역전파 시킬 수 있다. 프로세서(120)는 출력 레이어에서 입력 레이어 방향으로 역전파 된 역전파에 따라 각 레이어의 각 노드들의 연결 가중치가 업데이트 되도록 할 수 있다.

프로세서(120)는 고객 상담 데이터, 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 연산할 수 있다. 프로세서(120)는 유형 코드 결정 모델을 이용하여 유형 코드 정보를 출력할 수 있다.

콜 센터에서 상담원이 고객과의 상담을 진행하는 경우, 상담원이 직접 수백개의 유형 코드들 중 하나를 선택하고, 그리고 상담 내용을 요약해서 작성해야 하는 번거로움이 있었다. 상담원의 역량에 따라 상담 내용 요약에 편차가 있으며, 계속해서 다음 고객과의 상담이 들어오는 상황이기에 정확한 요약 내용을 기재하지 못하는 경우도 많이 발생하였다. 또한, 수백개의 유형 코드들 중 하나의 유형 코드를 상담원이 선택함으로써 정확하지 않은 유형 코드를 지정하는 경우도 다수 발생하였다. 본 발명에 따른 분석 자료 생성 방법을 이용하는 경우 상담원과 고객이 상담을 진행하는 중에 요약 정보 또는 유형 코드를 포함하는 분석 자료가 생성되므로, 상담원의 업무 효율성 및 업무 정확성을 향상시킬 수 있다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 피드백에 기초하여 분석 자료를 저장하거나 또는 분석 자료 생성 방법을 업데이트하는 방법에 관하여 설명한다.

프로세서(120)는 네트워크부(110)를 통해 상담원 단말에 분석 자료에 관한 정보를 전송할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 상담원 단말로부터 분석 자료에 관한 피드백을 수신할 수 있다.

피드백은 고객 상담 데이터에 기초하여 도출된 분석 자료에 대한 평가 정보일 수 있다. 피드백은 분석 자료에 대한 오류 정보 또는 정상 정보를 포함할 수 있다.

오류 정보는 분석 자료에 대한 부정적인 평가 정보일 수 있다. 오류 정보는 분석 자료에 정상적이지 않는 정보(즉, 오답)가 포함되어 있는 경우, 정상적이지 않은 정보에 대한 정정 정보를 포함할 수 있다. 예를 들어, “보험금”, “청구”, “연금”을 포함하는 요약 정보에서, “연금”이 틀린 요약이고, “병원비”가 맞는 요약인 경우, 오류 정보는 “연금”을 “병원비”로 정정한 정보를 포함할 수 있다. 전술한 오류 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

정상 정보는 분석 자료에 대한 긍정적인 평가 정보일 수 있다. 정상 정보는 분석 자료에 포함된 정보들이 모두 정상적인 정보(즉, 정답)인 경우, 분석 자료가 맞다는 정보를 포함할 수 있다.

상담원 단말은 컴퓨팅 장치(100) 또는 사용자 단말과의 통신을 수행할 수 있다. 또한, 상담원 단말은 전술한 컴퓨팅 장치(100)에서 수행되는 동작들을 수행할 수도 있다. 예를 들어, 상담원 단말은 전화중인 고객의 음성을 문자열로 변환하여 고객 상담 데이터를 생성하고, 고객 상담 데이터에서 단어들을 식별하고, 식별된 단어들 중 주요 단어를 결정하고, 주요 단어에 기초하여 유형 코드 정보를 결정하는 등의 동작을 수행할 수 있다. 또한, 상담원 단말은 컴퓨팅 장치(100)로부터 분석 자료를 수신하고, 분석 자료에 대한 피드백을 생성하여, 컴퓨팅 장치(100)에 피드백을 전송할 수 있다. 전술한 상담원 단말에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 피드백에 기초하여 분석 자료를 메모리(130)에 저장할 수 있다. 프로세서(120)는 고객 상담 데이터, 분석 자료 및 피드백을 매칭시켜 메모리(130)에 저장할 수 있다.

피드백이 분석 자료에 대한 정상 정보를 포함하는 경우, 프로세서(120)는 고객 상담 데이터와 분석 자료를 매칭시켜 메모리(130)에 저장할 수 있다. 피드백이 정상 정보를 포함하는 경우 분석 자료가 정확한 정보를 포함하므로, 분석 자료 그 자체를 메모리(130)에 저장할 수 있다.

본 개시의 일 실시예에 따라 피드백이 분석 자료에 대한 오류 정보를 포함하는 경우, 프로세서(120)는 고객 상담 데이터와 피드백을 매칭시켜 메모리(130)에 저장할 수 있다. 피드백이 오류 정보를 포함하는 경우 분석 자료는 부정확한 정보를 포함할 수 있므로, 분석 자료는 저장하지 않고, 분석 자료에 관한 정정 정보인 피드백 만을 메모리(130)에 저장할 수 있다.

본 개시의 일 실시예에 따라 피드백이 분석 자료에 대한 오류 정보를 포함하는 경우, 프로세서(120)는 고객 상담 데이터와 분석 자료 및 피드백을 매칭시켜 메모리(130)에 저장할 수 있다. 오류 정보는 분석 자료에 포함된 데이터들 중 일부의 정상적이지 않은 정보에 대한 정정 정보만을 포함하고 있을 수 있다. 따라서, 분석 자료에 포함된 데이터들 중 다른 일부의 정상적인 정보에 대해서는 오류 정보에 포함되어 있지 않을 수 있다. 프로세서(120)는 고객 상담 데이터와 피드백에 포함된, 분석 자료에 포함된 일부의 정상적이지 않은 정보에 대한 정정 정보 및 분석 자료에 포함된 다른 일부의 정상적인 정보를 매칭시켜 메모리(130)에 저장할 수 있다.

본 개시의 다른 일 실시예에 따라 피드백이 분석 자료에 대한 오류 정보를 포함하는 경우, 프로세서(120)는 고객 상담 데이터와 피드백에 기초하여 정정한 분석 자료를 매칭시켜 메모리(130)에 저장할 수 있다. 피드백에 기초하여 정정한 분석 자료는, 분석 자료에 포함된 정보들 중 정상적이지 않은 일부 정보를 정정 정보에 기초하여 변경한 분석 자료일 수 있다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 분석 자료 생성 방법을 업데이트하는 방법에 관하여 설명한다.

프로세서(120)는 피드백에 기초하여 분석 자료 생성 방법을 업데이트할 수 있다. 피드백은 모델을 학습시키기 위한 학습 데이터의 정확한 라벨로 해석될 수 있으므로, 피드백에 기초하여 모델을 재 학습시키거나 또는 업데이트하는 경우, 모델의 성능이 향상될 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 오류 정보에 기초하여 재 학습 데이터를 생성할 수 있다. 프로세서(120)는 오류 정보에 기초하여 분석 자료 생성 방법을 업데이트할 수 있다. 프로세서(120)는 고객 상담 데이터를 재 학습 데이터의 입력으로 하고, 그리고 오류 정보에 기초하여 변경된 분석 자료를 라벨로 하는 재 학습 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따라 분석 자료 생성 모델을 재 학습시키기 위하여 프로세서(120)는 고객 상담 데이터를 재 학습 데이터의 입력으로 하고, 그리고 오류 정보에 기초하여 변경된 주요 단어 또는 주요 문장 중 적어도 하나를 라벨로 하는 재 학습 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따라 유형 코드 결정 모델을 재 학습시키기 위하여 프로세서(120)는 고객 상담 데이터, 고객 상담 데이터에 관한 주요 단어 또는 주요 문장을 재 학습 데이터의 입력으로 하고, 그리고 오류 정보에 기초하여 변경된 유형 코드 정보를 라벨로 하는 재 학습 데이터를 생성할 수 있다.

본 개시의 다른 일 실시예에 따라 프로세서(120)는 정상 정보 및 오류 정보에 기초하여 재 학습 데이터를 생성할 수도 있다. 프로세서(120)는 정상 정보 및 오류 정보에 기초하여 분석 자료 생성 방법을 업데이트할 수 있다.

프로세서(120)는 기존에 학습된 분석 자료 생성 모델 또는 유형 코드 결정 모델 중 적어도 하나를 재 학습시킬 수 있다. 프로세서(120)는 기존에 학습된 모델의 가중치의 적어도 일부를 공유하도록 재 학습 모델의 초기 가중치를 설정하고, 그리고 재 학습 모델을 재 학습 데이터를 이용하여 학습시킬 수 있다.

이하에서는 고객으로부터 상담 요청을 수신하는 경우 고객 상담 데이터를 이용하는 방법에 관하여 설명한다.

프로세서(120)는 상담원 단말이 고객 단말로부터 상담 요청을 수신하였다는 정보를 상담원 단말로부터 수신할 수도 있다.

프로세서(120)는 고객 단말에 대응되는 고객 정보를 식별할 수 있다. 고객 정보는 고객을 다른 고객과 구별하여 식별하기 위한 정보를 포함할 수 있다. 예를 들면 A 고객과 B 고객을 구분하기 위해 각 고객의 성명, 생년월일, 성별 등의 개인 정보를 포함할 수 있다. 이러한 고객 정보는 관련 법규에 따라 암호화되어 저장될 수 있다.

프로세서(120)는 메모리(130)에 고객 정보에 매칭되어 저장된 과거 고객 상담 데이터 또는 과거 고객 상담 데이터에 대응하는 분석 자료 중 적어도 하나를 상담원 단말에 전송할 수 있다.

상담원에게 현재 상담 요청을 한 고객의 과거 고객 상담 데이터에 관한 분석 자료를 제공함으로써, 고객이 상담원에게 상담을 위해 다시 전화를 했을 경우에, 상담원은 기존의 상담 내용을 다 들어볼 필요 없이 분석 자료(즉, 고객 상담 데이터를 요약한 요약 정보 또는 고객 상담 데이터를 사전 결정된 적어도 하나의 유형 코드로 분류한 유형 코드 정보를 포함)만 보고 빠르게 고객 응대를 수행할 수 있어, 상담원의 업무 효율성을 증대 시킬 수 있다.

도 2는 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법을 예시적으로 도시한 도면이다.

분석 자료 생성 프로세서(202)는 컴퓨팅 장치(100)에 포함된 프로세서(120)와 대응될 수 있다. 콜센터 상담원 단말(204)은 컴퓨팅 장치(100)와 대응될 수도 있고, 또는 별개의 컴퓨팅 장치일 수도 있다. 데이터베이스(206)는 컴퓨팅 장치(100)에 포함된 메모리(130)에 대응될 수 있다.

콜센터 상담원 단말(204)은 고객 단말로부터 상담 요청을 수신 받고, 고객과 상담을 수행(212)할 수 있다. 콜센터 상담원 단말(204)의 상담에 따라 고객 상담 데이터가 생성될 수 있다.

분석 자료 생성 프로세서(202)는 고객 상담 데이터에 기초하여 주요 단어 또는 주요 문장을 분석할 수 있고, 그리고 주요 단어 또는 주요 문장에 기초하여 요약 정보를 생성(214)할 수 있다.

분석 자료 생성 프로세서(202)는 주요 단어, 주요 문장 또는 요약 정보 중 적어도 하나에 기초하여 유형 코드 정보를 생성(216)할 수 있다.

콜센터 상담원 단말(204)은 생성된 요약 정보 및 유형 코드 정보를 수신(218)할 수 있다. 콜센터 상담원 단말(204)은 요약 정보 및 유형 코드 정보에 대한 피드백을 생성할 수 있다. 콜센터 상담원 단말(204)은 요약 정보 및 유형 코드 정보가 정상인 경우, 긍정적인 피드백을 생성할 수 있고, 그리고 요약 정보 및 유형 코드 정보가 정상적이지 않은 데이터를 적어도 일부 포함하는 경우, 부정적인 피드백을 생성할 수 있다.

콜센터 상담원 단말(204)이 생성한 피드백이 긍정적인 피드백인 경우, 상담 데이터, 요약 정보 및 유형 코드 정보를 데이터베이스(206)에 저장(220)할 수 있다.

콜센터 상담원 단말(204)은 요약 정보 및 유형 코드 정보가 정상적이지 않은 데이터를 적어도 일부 포함하는 경우, 요약 정보 또는 유형 코드 정보에 대한 정정 정보를 포함하는 오류 정보를 생성(222)할 수 있다.

콜센터 상담원 단말(204)이 생성한 피드백이 부정적인 피드백인 경우, 상담 데이터 및 오류 정보를 데이터베이스(206)에 저장(224)할 수 있다.

분석 자료 생성 프로세서(202)는 요약 정보 또는 유형 코드 정보에 대한 정정 정보를 포함하는 오류 정보에 기초하여 분석 자료 생성 방법을 업데이트(226)할 수 있다.

도 5는 본 개시의 일 실시예에 따라 상담 분석 자료 생성 방법의 순서도이다.

컴퓨팅 장치(100)는 고객 상담 데이터를 수신(510)할 수 있다.

컴퓨팅 장치(100)는 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성(520)할 수 있다.

분석 자료는, 상기 고객 상담 데이터를 요약한 요약 정보 또는 상기 고객 상담 데이터를 사전 결정된 적어도 하나의 유형 코드로 분류한 유형 코드 정보 중 적어도 하나를 포함할 수 있다. 요약 정보는 많은 양의 데이터를 포함하는 고객 상담 데이터를 적어도 일부의 중요 데이터만을 포함하도록 요약한 정보일 수 있다. 유형 코드 정보는 고객 상담 데이터에 포함된 상담의 의도를 분류하기 위한 정보일 수 있다.

컴퓨팅 장치(100)는 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정할 수 있다. 컴퓨팅 장치(100)는 주요 단어 또는 주요 문장 중 적어도 하나에 기초하여 상기 고객 상담 데이터에 관한 요약 정보 또는 유형 코드 정보 중 적어도 하나를 생성할 수 있다. 주요 단어는 고객 상담 데이터에 포함된 둘 이상의 단어들 중 고객의 상담 의도를 분류하기 위한 중요도가 높은 단어일 수 있다. 주요 문장은 고객 상담 데이터에 포함된 둘 이상의 문장들 중 고객의 상담 의도를 분류하기 위한 중요도가 높은 문장일 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 고객 상담 데이터에 포함된 단어들의 사용 빈도를 결정할 수 있다. 컴퓨팅 장치(100)는 상기 단어들의 사용 빈도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 고객 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인 경우 상기 단어들의 동시 출현 관계를 결정할 수 있다. 컴퓨팅 장치(100)는 상기 고객 상담 데이터에 포함된 둘 이상의 단어 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 컴퓨팅 장치(100)는 상기 동시 출현 관계를 가지는 단어들의 노드를 연결하는 엣지를 생성할 수 있다. 컴퓨팅 장치(100)는 각각의 상기 엣지에 대한 가중치를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 엣지의 가중치에 기초하여 상기 둘 이상의 노드 각각에 대한 중요도를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 단어를 결정할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 고객 상담 데이터에 포함된 유사도가 높은 둘 이상의 문장들 중 하나의 문장을 대표 문장으로 결정할 수 있다. 컴퓨팅 장치(100)는 상기 대표 문장에 기초하여 상기 고객 상담 데이터에 관한 주요 문장을 결정할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 고객 상담 데이터에 포함된 둘 이상의 문장 각각에 대응되는 둘 이상의 노드를 생성할 수 있다. 컴퓨팅 장치(100)는 유사 관계를 가지는 문장들의 노드를 연결하는 엣지를 생성할 수 있다. 컴퓨팅 장치(100)는 각각의 상기 엣지에 대한 가중치를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 엣지의 가중치에 기초하여 상기 둘 이상의 노드 각각에 대한 중요도를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 문장을 결정할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 고객 상담 데이터를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 자료 생성 모델을 이용하여 연산할 수 있다. 컴퓨팅 장치(100)는 상기 분석 자료 생성 모델을 이용하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력할 수 있다. 상기 분석 자료 생성 모델은, 과거의 고객 상담 데이터를 입력으로 하고, 상기 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 주요 단어 또는 주요 문장 중 적어도 하나를 라벨로 하는 학습 데이터로 학습된 모델일 수 있다. 상기 분석 자료 생성 모델은, 상기 고객 상담 데이터에 포함된 둘 이상의 단어들 간의 관계를 파악하기 위한 제 1 서브 모델 및 상기 둘 이상의 단어들 간의 관계에 기초하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력하기 위한 제 2 서브 모델을 포함할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정할 수 있다. 컴퓨팅 장치(100)는 사전 결정된 둘 이상의 유형 코드들 각각에 매칭되어 저장된 단어 또는 문장 중 적어도 하나와 상기 주요 단어 또는 상기 주요 문장 중 적어도 하나를 비교하여 매칭률이 높은 유형 코드에 기초하여 유형 코드 정보를 생성할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 고객 상담 데이터, 상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 연산할 수 있다. 컴퓨팅 장치(100)는 상기 유형 코드 결정 모델을 이용하여 유형 코드 정보를 출력할 수 있다. 유형 코드 결정 모델은, 과거의 고객 상담 데이터, 과거의 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 입력으로 하고, 상기 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 유형 코드 정보를 라벨로 하는 학습 데이터로 학습된 모델일 수 있다.

컴퓨팅 장치(100)는 상기 분석 자료에 관한 피드백을 수신(530)할 수 있다. 피드백은 고객 상담 데이터에 기초하여 도출된 분석 자료에 대한 평가 정보일 수 있다. 피드백은 분석 자료에 대한 오류 정보 또는 정상 정보를 포함할 수 있다.

컴퓨팅 장치(100)는 상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장(540)할 수 있다.

컴퓨팅 장치(100)는 상기 피드백이 상기 분석 자료에 대한 오류 정보를 포함하는 경우, 상기 오류 정보에 기초하여 상기 분석 자료 생성 방법을 업데이트할 수 있다. 컴퓨팅 장치(100)는 상기 고객 상담 데이터 및 상기 오류 정보에 기초하여 재 학습 데이터를 생성할 수 있다. 오류 정보는 분석 자료에 대한 부정적인 평가 정보일 수 있다. 오류 정보는 분석 자료에 정상적이지 않는 정보(즉, 오답)가 포함되어 있는 경우, 정상적이지 않은 정보에 대한 정정 정보를 포함할 수 있다. 컴퓨팅 장치(100)는 상기 분석 자료 생성 방법을 상기 재 학습 데이터를 이용하여 업데이트 할 수 있다.

컴퓨팅 장치(100)는 상기 피드백이 상기 분석 자료에 대한 정상 정보를 포함하는 경우, 상기 고객 상담 데이터와 상기 분석 자료를 매칭하여 저장할 수 있다. 정상 정보는 분석 자료에 대한 긍정적인 평가 정보일 수 있다. 정상 정보는 분석 자료에 포함된 정보들이 모두 정상적인 정보(즉, 정답)인 경우, 분석 자료가 맞다는 정보를 포함할 수 있다.

컴퓨팅 장치(100)는 상담원 단말이 고객 단말로부터 상담 요청을 수신하였다는 정보를 상기 상담원 단말로부터 수신할 수 있다. 컴퓨팅 장치(100)는 상기 고객 단말에 대응되는 고객 정보를 식별할 수 있다. 컴퓨팅 장치(100) 상기 고객 정보에 매칭되어 저장된 과거 고객 상담 데이터 또는 상기 과거 고객 상담 데이터에 대응하는 분석 자료 중 적어도 하나를 상기 상담원 단말에 전송할 수 있다.

도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 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, 핸드 헬드 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 있다. 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 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 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 비 휘발성 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 예시 적인 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 네트워크화 된 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. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 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 5 GHz 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 "소프트웨어"로 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 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 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 것이다. 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 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 상담 분석 자료를 생성하기 위한 동작들을 수행하도록 하며 상기 동작들은,
   고객 상담 데이터를 수신하는 동작;
   분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작;
   상기 분석 자료에 관한 피드백을 수신하는 동작; 및
   상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 분석 자료는, 상기 고객 상담 데이터를 요약한 요약 정보 또는 상기 고객 상담 데이터를 사전 결정된 적어도 하나의 유형 코드로 분류한 유형 코드 정보 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
   상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정하는 동작; 및
   상기 주요 단어 또는 상기 주요 문장 중 적어도 하나에 기초하여 상기 고객 상담 데이터에 관한 요약 정보 또는 유형 코드 정보 중 적어도 하나를 생성하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
   상기 고객 상담 데이터에 포함된 단어들의 사용 빈도를 결정하는 동작; 및
   상기 단어들의 사용 빈도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 1 항에 있어서,
   상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
   상기 고객 상담 데이터에 포함된 단어들 간의 거리가 사전 결정된 값 이하인 경우 상기 단어들의 동시 출현 관계를 결정하는 동작; 및
   상기 단어들의 동시 출현 정도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 5 항에 있어서,
   상기 단어들의 동시 출현 정도에 기초하여 상기 고객 상담 데이터에 관한 주요 단어를 결정하는 동작은,
   상기 고객 상담 데이터에 포함된 둘 이상의 단어 각각에 대응되는 둘 이상의 노드를 생성하는 동작;
   상기 동시 출현 관계를 가지는 단어들의 노드를 연결하는 엣지를 생성하는 동작;
   각각의 상기 엣지에 대한 가중치를 연산하는 동작;
   상기 엣지의 가중치에 기초하여 상기 둘 이상의 노드 각각에 대한 중요도를 연산하는 동작; 및
   상기 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 단어를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
   상기 고객 상담 데이터에 포함된 유사도가 높은 둘 이상의 문장들 중 하나의 문장을 대표 문장으로 결정하는 동작; 및
   상기 대표 문장에 기초하여 상기 고객 상담 데이터에 관한 주요 문장을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
   상기 고객 상담 데이터에 포함된 둘 이상의 문장 각각에 대응되는 둘 이상의 노드를 생성하는 동작;
   유사 관계를 가지는 문장들의 노드를 연결하는 엣지를 생성하는 동작;
   각각의 상기 엣지에 대한 가중치를 연산하는 동작;
   상기 엣지의 가중치에 기초하여 상기 둘 이상의 노드 각각에 대한 중요도를 연산하는 동작; 및
   상기 둘 이상의 노드 각각에 대한 중요도에 기초하여 주요 문장을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
   상기 고객 상담 데이터를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 자료 생성 모델을 이용하여 연산하는 동작; 및
   상기 분석 자료 생성 모델을 이용하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력하는 동작;
   을 포함하고, 그리고
   상기 분석 자료 생성 모델은, 과거의 고객 상담 데이터를 입력으로 하고, 상기 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 주요 단어 또는 주요 문장 중 적어도 하나를 라벨로 하는 학습 데이터로 학습된 모델인,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 제 9 항에 있어서,
    상기 분석 자료 생성 모델은, 상기 고객 상담 데이터에 포함된 둘 이상의 단어들 간의 관계를 파악하기 위한 제 1 서브 모델 및 상기 둘 이상의 단어들 간의 관계에 기초하여 주요 단어 또는 주요 문장 중 적어도 하나를 출력하기 위한 제 2 서브 모델을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
    상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 결정하는 동작; 및
    사전 결정된 둘 이상의 유형 코드들 각각에 매칭되어 저장된 단어 또는 문장 중 적어도 하나와 상기 주요 단어 또는 상기 주요 문장 중 적어도 하나를 비교하여 매칭률이 높은 유형 코드에 기초하여 유형 코드 정보를 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    상기 분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 동작은,
    상기 고객 상담 데이터, 상기 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 유형 코드 결정 모델을 이용하여 연산하는 동작; 및
    상기 유형 코드 결정 모델을 이용하여 유형 코드 정보를 출력하는 동작;
    을 포함하고, 그리고
    상기 유형 코드 결정 모델은, 과거의 고객 상담 데이터, 과거의 고객 상담 데이터에 관한 주요 단어 또는 주요 문장 중 적어도 하나를 입력으로 하고, 상기 과거의 고객 상담 데이터에 대하여 매칭되어 저장된 유형 코드 정보를 라벨로 하는 학습 데이터로 학습된 모델인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 제 1 항에 있어서,
    상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는 동작은,
    상기 피드백이 상기 분석 자료에 대한 오류 정보를 포함하는 경우, 상기 오류 정보에 기초하여 상기 분석 자료 생성 방법을 업데이트하는 동작; 또는
    상기 피드백이 상기 분석 자료에 대한 정상 정보를 포함하는 경우, 상기 고객 상담 데이터와 상기 분석 자료를 매칭하여 저장하는 동작;
    중 적어도 하나의 동작을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
14. 제 13 항에 있어서,
    상기 피드백이 상기 분석 자료에 대한 오류 정보를 포함하는 경우, 상기 오류 정보에 기초하여 상기 분석 자료 생성 방법을 업데이트하는 동작은,
    상기 고객 상담 데이터 및 상기 오류 정보에 기초하여 재 학습 데이터를 생성하는 동작; 및
    상기 분석 자료 생성 방법을 상기 재 학습 데이터를 이용하여 업데이트 하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
15. 제 1 항에 있어서,
    상담원 단말이 고객 단말로부터 상담 요청을 수신하였다는 정보를 상기 상담원 단말로부터 수신하는 동작;
    상기 고객 단말에 대응되는 고객 정보를 식별하는 동작; 및
    상기 고객 정보에 매칭되어 저장된 과거 고객 상담 데이터 또는 상기 과거 고객 상담 데이터에 대응하는 분석 자료 중 적어도 하나를 상기 상담원 단말에 전송하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
16. 상담 분석 자료를 생성하기 위한 방법으로서,
    고객 상담 데이터를 수신하는 단계;
    분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하는 단계;
    상기 분석 자료에 관한 피드백을 수신하는 단계; 및
    상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는 단계;
    를 포함하는,
    상담 분석 자료를 생성하기 위한 방법.
    
17. 상담 분석 자료를 생성하기 위한 서버로서,
    하나 이상의 코어를 포함하는 프로세서; 및
    메모리;
    를 포함하고,
    상기 프로세서는,
    고객 상담 데이터를 수신하고,
    분석 자료 생성 방법을 이용하여 상기 고객 상담 데이터에 관한 분석 자료를 생성하고,
    상기 분석 자료에 관한 피드백을 수신하고, 그리고
    상기 피드백에 기초하여 상기 분석 자료 생성 방법을 업데이트하거나 또는 상기 분석 자료를 저장하는,
    상담 분석 자료를 생성하기 위한 서버.
    

Images