KR20210084155A - 주제 특화 챗봇 서비스 제공 방법 및 장치 - Google Patents

주제 특화 챗봇 서비스 제공 방법 및 장치 Download PDF

Info

Publication number
KR20210084155A
KR20210084155A KR1020190177173A KR20190177173A KR20210084155A KR 20210084155 A KR20210084155 A KR 20210084155A KR 1020190177173 A KR1020190177173 A KR 1020190177173A KR 20190177173 A KR20190177173 A KR 20190177173A KR 20210084155 A KR20210084155 A KR 20210084155A
Authority
KR
South Korea
Prior art keywords
time series
series vector
specific
vector
time
Prior art date
Application number
KR1020190177173A
Other languages
English (en)
Other versions
KR102362717B1 (ko
Inventor
조영환
Original Assignee
주식회사 투블럭에이아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 투블럭에이아이 filed Critical 주식회사 투블럭에이아이
Priority to KR1020190177173A priority Critical patent/KR102362717B1/ko
Publication of KR20210084155A publication Critical patent/KR20210084155A/ko
Application granted granted Critical
Publication of KR102362717B1 publication Critical patent/KR102362717B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06Q50/30—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Information Transfer Between Computers (AREA)
  • Machine Translation (AREA)

Abstract

주제 특화 챗봇 서비스 제공 방법이 개시된다. 즉, (a) 컴퓨팅 장치가, 제1 시점 내지 제N 시점 - N은 1 이상의 정수임 - 에 대응하는 시간 범위 동안 특정 사용자와 채팅을 수행하는 챗봇 유닛으로 하여금, 제K 시점 - K는 1 이상 N 이하의 정수임 - 에 수행된 특정 사용자와의 제K 대화 로그를 분석함으로써, 상기 제K 시점에 대응하는 제K 주제 정보를 도출한 후 저장하도록 하는 단계; (b) 상기 컴퓨팅 장치가, 상기 제N 시점보다 이후인 소정 제N+1 시점에 상기 특정 사용자로부터 상기 채팅을 재시작하고자 하는 제1 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 제K 주제 정보를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보를 참조로 하여, 소정 디스플레이 장치를 통해 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 시계열 벡터 내지 제M 시계열 벡터 - M은 1 이상 N 이하의 정수임 - 를 상기 특정 사용자에게 제공하는 단계; 및 (c) 상기 컴퓨팅 장치가, 제1 시계열 벡터 내지 제M 시계열 벡터 중 적어도 하나인 특정 시계열 벡터가 선택되었음을 나타내는 제2 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 특정 시계열 벡터를 참조로 하여, 상기 제K 대화 로그를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 대화 로그 내지 제N 대화 로그 중 상기 특정 시계열 벡터에 대응하는 적어도 하나의 특정 대화 로그를 상기 특정 사용자에게 제공하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.

Description

주제 특화 챗봇 서비스 제공 방법 및 장치{METHOD FOR PROVIDING TOPIC-SPECIFIC CHATBOT SERVICE AND DEVICE USING THE SAME}
본 발명은 주제 특화 챗봇 서비스 제공 방법 및 장치에 관한 것이다.
최근 인공지능이 발달함에 따라, 인공지능을 이용한 챗봇 서비스도 많이 개발되고 있다. 챗봇은 사람처럼 대화할 수 있는 인공지능을 사용하는 서비스로서, 사람과 주제 별로 대화할 수 있도록 설계된다.
이와 같이 주제 별로 대화할 수 있도록 설계된 챗봇과 대화를 할 경우, 다소 불편한 경우가 생기곤 한다. 즉, 일반적인 메신저 형태로 개발된 챗봇과 대화를 하면, 챗봇과 어떤 주제로 대화를 했었는지가 잘 확인되지 않고, 챗봇과 예전에 했던 대화 주제를 이어나는 것도 어렵다. 하지만, 이에 대한 연구는 다소 부족한 것이 사실이다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
또한 본 발명은 주제 특화 챗봇 서비스를 제공하는 것을 목적으로 한다.
또한 본 발명은 주제 특화 챗봇 서비스를 제공함으로써 사용자가 챗봇과 이야기했던 주제를 잘 파악할 수 있도록 하는 것을 목적으로 한다.
또한 본 발명은 주제 특화 챗봇 서비스를 제공함으로써 사용자가 챗봇과 이야기했던 주제를 다시 이어나갈 수 있도록 하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 주제 특화 챗봇 서비스 제공 방법에 있어서, (a) 컴퓨팅 장치가, 제1 시점 내지 제N 시점 - N은 1 이상의 정수임 - 에 대응하는 시간 범위 동안 특정 사용자와 채팅을 수행하는 챗봇 유닛으로 하여금, 제K 시점 - K는 1 이상 N 이하의 정수임 - 에 수행된 특정 사용자와의 제K 대화 로그를 분석함으로써, 상기 제K 시점에 대응하는 제K 주제 정보를 도출한 후 저장하도록 하는 단계; (b) 상기 컴퓨팅 장치가, 상기 제N 시점보다 이후인 소정 제N+1 시점에 상기 특정 사용자로부터 상기 채팅을 재시작하고자 하는 제1 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 제K 주제 정보를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보를 참조로 하여, 소정 디스플레이 장치를 통해 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 시계열 벡터 내지 제M 시계열 벡터 - M은 1 이상 N 이하의 정수임 - 를 상기 특정 사용자에게 제공하는 단계; 및 (c) 상기 컴퓨팅 장치가, 제1 시계열 벡터 내지 제M 시계열 벡터 중 적어도 하나인 특정 시계열 벡터가 선택되었음을 나타내는 제2 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 특정 시계열 벡터를 참조로 하여, 상기 제K 대화 로그를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 대화 로그 내지 제N 대화 로그 중 상기 특정 시계열 벡터에 대응하는 적어도 하나의 특정 대화 로그를 상기 특정 사용자에게 제공하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 (b) 단계는, 상기 컴퓨팅 장치가, 상기 제1 시점 내지 상기 제N 시점 중 연속적인 제X1 시점 내지 제X2 시점에 각각 대응하는 제X1 주제 정보 내지 제X2 주제 정보가 동일한 주제 정보를 가리킬 경우, 상기 제X1 주제 정보 내지 상기 제X2 주제 정보를 참조로 하여, 상기 제X1 시점 내지 상기 제X2 시점에 대응하는, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터 중 하나인 제X 시계열 벡터 - X는 1 이상 M 이하의 정수임 - 를 생성하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 (a) 단계는, 상기 컴퓨팅 장치가, 상기 챗봇 유닛과 연동하여 동작하는 분석 신경망으로 하여금, 상기 제K 대화 로그에 적어도 하나의 분석 연산을 가하여 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 (a) 단계는, 상기 컴퓨팅 장치가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 제K 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 제K 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 제K 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 (a) 단계 이전에, (a0) 상기 컴퓨팅 장치가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 학습용 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 학습용 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 학습용 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 학습용 주제 정보를 도출하도록 하는 단계; 및 (a1) 상기 컴퓨팅 장치가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 로스 레이어를 사용하여, 상기 학습용 주제 정보 및 이에 대응하는 정답 주제 정보를 참조로 한 연산을 수행함으로써 로스를 생성한 후, 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 분석 신경망의 파라미터들 중 적어도 일부를 학습하도록 하는 단계를 더 포함하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 (a) 단계는, 상기 컴퓨팅 장치가, 상기 제K 시점에 상기 특정 사용자와 상기 제K 대화 로그에 대응하는 대화를 수행하기 위해 사용한 대화 데이터베이스 쿼리 정보를 참조로 하여 상기 제K 주제 정보를 도출하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 (b) 단계는, 상기 컴퓨팅 장치가, 상기 챗봇 유닛으로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 이에 대응하는 시간이 최근인 순으로 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 순차적으로 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 (b) 단계는, 상기 컴퓨팅 장치가, 소정 강화 학습 에이전트로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 참조로 하여, 각각의 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터에 대응하는 적합도를 그 성분으로 가지는 적합도 벡터를 생성하도록 한 후, 상기 챗봇 유닛으로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 나누어 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 컴퓨팅 장치는, 상기 강화 학습 에이전트로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제N+1 시점에 상기 특정 사용자가 선택한 상기 특정 시계열 벡터에 대응하는 특정 적합도를 찾은 후, 상기 특정 적합도를 참조로 하여 리워드를 생성하고, 상기 리워드를 참조로 하여 자신의 파라미터들 중 적어도 일부를 학습하도록 하는 것을 특징으로 하는 방법이 개시된다.
일례로서, 상기 컴퓨팅 장치는, 상기 강화 학습 에이전트로 하여금, 상기 리워드가 커지는 방향으로 자신의 상기 파라미터들을 학습하도록 하되, 상기 리워드가 상기 특정 적합도의 크기에 비례하여 생성되도록 학습함으로써, 상기 제N+1 시점 이후인 제N+2 시점에 상기 특정 사용자가 선택할 확률이 높은 소정 주제 정보에 대응하는 소정 시계열 벡터가 상기 제1 영역 내지 상기 제M 영역 중 상위 영역에 해당하는 영역에 표시될 수 있도록 하는 것을 특징으로 하는 방법이 개시된다.
본 발명의 다른 태양에 따르면, 주제 특화 챗봇 서비스 제공 장치에 있어서, 인스트럭션들을 저장하는 하나 이상의 메모리; 및 상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되, 상기 프로세서는, (I) 제1 시점 내지 제N 시점 - N은 1 이상의 정수임 - 에 대응하는 시간 범위 동안 특정 사용자와 채팅을 수행하는 챗봇 유닛으로 하여금, 제K 시점 - K는 1 이상 N 이하의 정수임 - 에 수행된 특정 사용자와의 제K 대화 로그를 분석함으로써, 상기 제K 시점에 대응하는 제K 주제 정보를 도출한 후 저장하도록 하는 프로세스; (II) 상기 제N 시점보다 이후인 소정 제N+1 시점에 상기 특정 사용자로부터 상기 채팅을 재시작하고자 하는 제1 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 제K 주제 정보를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보를 참조로 하여, 소정 디스플레이 장치를 통해 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 시계열 벡터 내지 제M 시계열 벡터 - M은 1 이상 N 이하의 정수임 - 를 상기 특정 사용자에게 제공하는 프로세스; 및 (III) 제1 시계열 벡터 내지 제M 시계열 벡터 중 적어도 하나인 특정 시계열 벡터가 선택되었음을 나타내는 제2 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 특정 시계열 벡터를 참조로 하여, 상기 제K 대화 로그를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 대화 로그 내지 제N 대화 로그 중 상기 특정 시계열 벡터에 대응하는 적어도 하나의 특정 대화 로그를 상기 특정 사용자에게 제공하는 프로세스를 수행하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 (II) 프로세스는, 상기 프로세서가, 상기 제1 시점 내지 상기 제N 시점 중 연속적인 제X1 시점 내지 제X2 시점에 각각 대응하는 제X1 주제 정보 내지 제X2 주제 정보가 동일한 주제 정보를 가리킬 경우, 상기 제X1 주제 정보 내지 상기 제X2 주제 정보를 참조로 하여, 상기 제X1 시점 내지 상기 제X2 시점에 대응하는, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터 중 하나인 제X 시계열 벡터 - X는 1 이상 M 이하의 정수임 - 를 생성하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 (I) 프로세스는, 상기 프로세서가, 상기 챗봇 유닛과 연동하여 동작하는 분석 신경망으로 하여금, 상기 제K 대화 로그에 적어도 하나의 분석 연산을 가하여 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 (I) 프로세스는, 상기 프로세서가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 제K 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 제K 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 제K 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 (I) 프로세스 이전에, 상기 프로세서가, (I0) 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 학습용 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 학습용 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 학습용 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 학습용 주제 정보를 도출하도록 하는 프로세스; 및 (I1) 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 로스 레이어를 사용하여, 상기 학습용 주제 정보 및 이에 대응하는 정답 주제 정보를 참조로 한 연산을 수행함으로써 로스를 생성한 후, 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 분석 신경망의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 더 수행하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 (I) 프로세스는, 상기 프로세서가, 상기 제K 시점에 상기 특정 사용자와 상기 제K 대화 로그에 대응하는 대화를 수행하기 위해 사용한 대화 데이터베이스 쿼리 정보를 참조로 하여 상기 제K 주제 정보를 도출하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 (II) 프로세스는, 상기 프로세서가, 상기 챗봇 유닛으로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 이에 대응하는 시간이 최근인 순으로 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 순차적으로 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 (II) 프로세스는, 상기 프로세서가, 소정 강화 학습 에이전트로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 참조로 하여, 각각의 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터에 대응하는 적합도를 그 성분으로 가지는 적합도 벡터를 생성하도록 한 후, 상기 챗봇 유닛으로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 나누어 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 프로세서는, 상기 강화 학습 에이전트로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제N+1 시점에 상기 특정 사용자가 선택한 상기 특정 시계열 벡터에 대응하는 특정 적합도를 찾은 후, 상기 특정 적합도를 참조로 하여 리워드를 생성하고, 상기 리워드를 참조로 하여 자신의 파라미터들 중 적어도 일부를 학습하도록 하는 것을 특징으로 하는 장치가 개시된다.
일례로서, 상기 프로세서는, 상기 강화 학습 에이전트로 하여금, 상기 리워드가 커지는 방향으로 자신의 상기 파라미터들을 학습하도록 하되, 상기 리워드가 상기 특정 적합도의 크기에 비례하여 생성되도록 학습함으로써, 상기 제N+1 시점 이후인 제N+2 시점에 상기 특정 사용자가 선택할 확률이 높은 소정 주제 정보에 대응하는 소정 시계열 벡터가 상기 제1 영역 내지 상기 제M 영역 중 상위 영역에 해당하는 영역에 표시될 수 있도록 하는 것을 특징으로 하는 장치가 개시된다.
본 발명은 주제 특화 챗봇 서비스를 제공할 수 있는 효과가 있다.
또한 본 발명은 주제 특화 챗봇 서비스를 제공함으로써 사용자가 챗봇과 이야기했던 주제를 잘 파악할 수 있도록 할 수 있는 효과가 있다.
또한 본 발명은 주제 특화 챗봇 서비스를 제공함으로써 사용자가 챗봇과 이야기했던 주제를 다시 이어나갈 수 있도록 할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따라 주제 특화 챗봇 서비스를 제공하는 컴퓨팅 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따라 주제 특화 챗봇 서비스를 제공하는 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 제1 시점 내지 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보 중 적어도 일부를 참조로 하여 제1 시계열 벡터 내지 제M 시계열 벡터 중 하나인 제X 시계열 벡터를 생성하는 일 예시를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 제1 시계열 벡터 내지 제M 시계열 벡터를 특정 사용자에게 제공하는 일 예시를 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따라 주제 특화 챗봇 서비스를 제공하는 컴퓨팅 장치의 구성을 나타낸 도면이다.
도 1을 참조하면, 컴퓨팅 장치(100)는 챗봇 유닛(130)을 포함할 수 있다. 이 때, 챗봇 유닛(130)의 입출력 및 연산 과정은 각각 통신부(110) 및 프로세서(120)에 의해 이루어질 수 있다. 다만 도 1에서는 통신부(110) 및 프로세서(120)의 구체적인 연결 관계를 생략하였다. 이 때, 메모리(115)는 후술할 여러 가지 지시들을 저장한 상태일 수 있고, 프로세서(120)는 메모리(115)에 저장된 지시들을 수행하도록 설정되되, 프로세서(120)는 추후 설명할 프로세스들을 수행함으로써 본 발명을 수행할 수 있다. 이와 같이 컴퓨팅 장치(100)가 묘사되었다고 하여, 컴퓨팅 장치(100)가 본 발명을 실시하기 위한 미디엄, 프로세서 및 메모리가 통합된 형태인 integrated 프로세서를 포함하는 경우를 배제하는 것은 아니다.
이상 본 발명의 일 실시예에 따라 주제 특화 챗봇 서비스를 제공하는 컴퓨팅 장치의 구성에 대해 설명한 바, 이하 본 발명의 일 실시예에 따른 주제 특화 챗봇 서비스 제공 방법에 대해 설명하도록 한다. 이를 위해 도 2를 참조하도록 한다.
도 2는 본 발명의 일 실시예에 따라 주제 특화 챗봇 서비스를 제공하는 방법을 나타낸 흐름도이다.
도 2를 참조로 하면, 컴퓨팅 장치(100)는, 제1 시점 내지 제N 시점 - N은 1 이상의 정수임 - 동안 특정 사용자와 채팅을 수행하는 챗봇 유닛(130)으로 하여금, 제K 시점 - K는 1 이상 N 이하의 정수임 - 에 수행된 특정 사용자와의 제K 대화 로그를 분석함으로써, 상기 제K 시점에 대응하는 제K 주제 정보를 도출한 후 저장하도록 할 수 있다(S01). 이후, 컴퓨팅 장치(100)는, 제N 시점보다 이후인 소정 제N+1 시점에 특정 사용자로부터 채팅을 재시작하고자 하는 제1 트리거 정보가 획득되면, 챗봇 유닛(130)으로 하여금, 제K 주제 정보를 포함하는, 제1 시점 내지 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보를 참조로 하여, 소정 디스플레이 장치를 통해 제1 시점 내지 제N 시점에 대응하는 제1 시계열 벡터 내지 제M 시계열 벡터 - M은 1 이상 N 이하의 정수임 - 를 특정 사용자에게 제공하도록 할 수 있다(S02). 그리고, 컴퓨팅 장치(100)는, 제1 시계열 벡터 내지 제M 시계열 벡터 중 적어도 하나인 특정 시계열 벡터가 선택되었음을 나타내는 제2 트리거 정보가 획득되면, 챗봇 유닛(130)으로 하여금, 특정 시계열 벡터를 참조로 하여, 제K 대화 로그를 포함하는, 제1 시점 내지 제N 시점에 대응하는 제1 대화 로그 내지 제N 대화 로그 중 특정 시계열 벡터에 대응하는 적어도 하나의 특정 대화 로그를 상기 특정 사용자에게 제공하도록 할 수 있다(S03).
이하 각각의 프로세스에 대해 더욱 자세히 설명하도록 한다.
먼저, 컴퓨팅 장치(100)는, 챗봇 유닛(130)으로 하여금, 각각의 시점마다 특정 사용자와의 대화 로그를 분석하여, 이에 대응하는 주제 정보를 도출한 후, 소정 데이터베이스에 저장해 두도록 할 수 있다. 여기서, 주제 정보는 여러 가지 방법을 통해 획득될 수 있는데, 먼저 챗봇 유닛(130)이 주제별 데이터베이스를 사용하여 특정 사용자와 대화하는 경우에는, 챗봇 유닛(130)이 해당 시점에 어떤 데이터베이스를 사용하는지를 찾음으로써 획득될 수 있다. 즉, 컴퓨팅 장치(100)는, 제K 시점에 특정 사용자와 제K 대화 로그에 대응하는 대화를 수행하기 위해 사용한 대화 데이터베이스 쿼리 정보를 참조로 하여 제K 주제 정보를 도출할 수 있을 것이다. 이와 달리, 챗봇 유닛(130)이 추가적인 데이터베이스를 사용하지 않고 대화를 수행하는 경우, 컴퓨팅 장치(100)는 분석 신경망을 사용할 수 있다.
즉, 컴퓨팅 장치(100)가, 챗봇 유닛(130)과 연동하여 동작하는 분석 신경망으로 하여금, 제K 대화 로그에 적어도 하나의 분석 연산을 가하여 상기 제K 주제 정보를 도출하도록 할 수 있다. 더욱 구체적으로는, 컴퓨팅 장치(100)는, 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 제K 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 제K 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 제K 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 제K 주제 정보를 도출하도록 할 수 있다. 즉, 분석 신경망은 적어도 하나의 컨벌루션 레이어 및 적어도 하나의 FC 레이어를 포함하는 것일 수 있다.
또한, 분석 신경망은 본 발명의 주제 특화 챗봇 서비스 제공 방법을 수행하기 전에 학습된 것일 수 있다. 예를 들어, 컴퓨팅 장치(100)가, 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 학습용 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 학습용 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 학습용 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 학습용 주제 정보를 도출하도록 할 수 있다. 이후, 컴퓨팅 장치(100)가, 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 로스 레이어를 사용하여, 학습용 주제 정보 및 이에 대응하는 정답 주제 정보를 참조로 한 연산을 수행함으로써 로스를 생성한 후, 로스를 이용하여 백프로퍼게이션을 수행함으로써 분석 신경망의 파라미터들 중 적어도 일부를 학습하도록 할 수 있다.
이와 같은 분석 신경망의 구조, 분석 신경망의 연산 및 분석 신경망의 학습 방법은 딥러닝 분야에 일반적으로 알려진 인공 신경망들의 그것과 유사한 바, 통상의 기술자는 상기의 설명을 본 발명의 주제 특화 챗봇 서비스 제공 방법을 용이하게 이해할 수 있을 것이므로, 더 이상의 자세한 설명은 생략하도록 한다.
이와 같이 각각의 시점 별로 주제 정보가 도출된 상태에서, 컴퓨팅 장치(100)는, 특정 사용자가 확인하기 편하도록, 이들을 분류하고 통합할 수 있다. 즉, 일반적으로 특정 사용자는 소정의 연속된 시점 동안 챗봇 유닛(130)과 같은 주제로 대화할 것이 예상되므로, 이와 같은 경우를 통합함으로써 특정 사용자에게 보여 주는 정보를 다소 단순화하겠다는 것이다.
예를 들어, 컴퓨팅 장치(100)가, 제1 시점 내지 제N 시점 중 연속적인 제X1 시점 내지 제X2 시점에 각각 대응하는 제X1 주제 정보 내지 제X2 주제 정보가 동일한 주제 정보를 가리킬 경우, 제X1 주제 정보 내지 제X2 주제 정보를 참조로 하여, 제X1 시점 내지 제X2 시점에 대응하는, 제1 시계열 벡터 내지 제M 시계열 벡터 중 하나인 제X 시계열 벡터 - X는 1 이상 M 이하의 정수임 - 를 생성할 수 있다. 이에 대한 일 예시를 살피기 위해 도 3을 참조하도록 한다.
도 3은 본 발명의 일 실시예에 따라 제1 시점 내지 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보 중 적어도 일부를 참조로 하여 제1 시계열 벡터 내지 제M 시계열 벡터 중 하나인 제X 시계열 벡터를 생성하는 일 예시를 나타낸 도면이다.
도 3을 참조로 하면, 연속된 시점인 제X1 시점 내지 제X2 시점에 해당하는 시간 범위 동안 특정 사용자가 챗봇 유닛(130)과 유럽 여행에 대한 대화를 나눈 것을 확인할 수 있다. 이와 같이 연속된 시점 동안 지속적으로 특정 사용자가 같은 주제로 챗봇 유닛(130)과 대화를 나눈 경우, 각각의 시점 별로 정보를 보여주기보다는 이들을 통째로 하나의 정보로서, 즉 제X 시계열 벡터로서 보여 주는 것이 더욱 간편할 것이다.
이와 같이 제1 시점 내지 제N 시점에 대한 각각의 제1 주제 정보 내지 제N 주제 정보를 압축한 결과물인 제1 시계열 벡터 내지 제M 시계열 벡터가 생성되면, 컴퓨팅 장치(100)는, 이를 디스플레이 장치를 통해 특정 사용자에게 제공할 수 있을 것이다. 이에 대한 일 예시를 살피기 위해 도 4를 참조하도록 한다.
도 4는 본 발명의 일 실시예에 따라 제1 시계열 벡터 내지 제M 시계열 벡터를 특정 사용자에게 제공하는 일 예시를 나타낸 도면이다.
도 4를 참조로 하면, 컴퓨팅 장치(100)는, 챗봇 유닛(130)으로 하여금, 제1 시계열 벡터 내지 제M 시계열 벡터를 이에 대응하는 시간이 최근인 순으로 소정 디스플레이 장치의 제1 영역 내지 제M 영역에 순차적으로 표시함으로써 특정 사용자에게 제공한 일 예시를 살필 수 있다. 이와 같이 특정 사용자가 최근에 한 대화 주제부터 과거에 한 대화 주제까지 시간 순서의 역순으로 살필 수 있도록 함으로써, 특정 사용자의 편의성을 제고할 수 있다.
이와 같이 제1 시계열 벡터 내지 제M 시계열 벡터가 제공되면, 특정 사용자는, 이들 중 적어도 하나의 특정 시계열 벡터를 선택할 수 있다. 이 경우, 컴퓨팅 장치(100)는, 챗봇 유닛(130)으로 하여금, 특정 시계열 벡터를 참조로 하여, 제K 대화 로그를 포함하는, 제1 시점 내지 제N 시점에 대응하는 제1 대화 로그 내지 제N 대화 로그 중 특정 시계열 벡터에 대응하는 적어도 하나의 특정 대화 로그를 상기 특정 사용자에게 제공할 수 있을 것이다. 이에 따라, 특정 사용자는 자신이 과거에 챗봇 유닛(130)과 나누었던 대화를, 그 주제별로 나누어 확인할 수 있을 것이다.
단순히 시간 순서를 사용하는 것이 아니라, 인공 지능을 사용하여 특정 사용자가 대화 주제를 잘 살필 수 있도록 하는 실시예도 존재하므로, 이에 대하여 본다. 이 경우, 컴퓨팅 장치가, 소정 강화 학습 에이전트로 하여금, 제1 시계열 벡터 내지 제M 시계열 벡터를 참조로 하여, 각각의 제1 시계열 벡터 내지 제M 시계열 벡터에 대응하는 적합도를 그 성분으로 가지는 적합도 벡터를 생성하도록 한 후, 챗봇 유닛(130)으로 하여금, 적합도 벡터를 참조로 하여, 제1 시계열 벡터 내지 제M 시계열 벡터를 디스플레이 장치의 제1 영역 내지 제M 영역에 나누어 표시함으로써 특정 사용자에게 제공하도록 할 수 있다. 여기서 적합도란, 각각의 제1 시계열 벡터 내지 제M 시계열 벡터가 디스플레이 장치의 상단에, 즉 특정 사용자가 더 먼저 볼 수 있는 위치에 표시되는 것이 적합한지 여부를 나타내는 값일 수 있다. 강화 학습 에이전트는, 이와 같은 적합도들을 정확하게 출력하기 위해, 특정 사용자가 어떤 시계열 벡터를 선택하였는지에 대한 정보를 이용하여 학습될 수 있다. 이에 대해 이하 본다.
즉, 전술한 제N+1 시점에, 특정 사용자가 제1 시계열 벡터 내지 제M 시계열 벡터 중 전술한 특정 시계열 벡터를 선택한 경우, 컴퓨팅 장치(100)는, 강화 학습 에이전트로 하여금, 특정 시계열 벡터에 대응하는 특정 적합도를 찾은 후 특정 적합도를 참조로 하여 리워드를 생성하고, 리워드를 참조로 하여 자신의 파라미터들 중 적어도 일부를 학습하도록 할 수 있다. 여기서, 강화 학습 에이전트는, 리워드가 커지는 방향으로 자신의 파라미터들을 학습할 수 있고, 리워드는 특정 적합도의 크기에 비례하여 생성될 수 있다. 즉, 특정 사용자가 선택할 특정 시계열 벡터를 더욱 정확하게 예측할 수 있도록 학습될 수 있다는 것이다. 이에 따라, 강화 학습 에이전트는, 챗봇 유닛(130)이, 제N+1 시점 이후인 제N+2 시점에 상기 특정 사용자가 선택할 확률이 높은 소정 주제 정보에 대응하는 소정 시계열 벡터가 상기 제1 영역 내지 상기 제M 영역 중 상위 영역, 즉 특정 사용자가 잘 확인할 수 있는 영역에 표시될 수 있도록 지원할 수 있다. 이와 같은 강화 학습 에이전트의 학습 과정은 딥 러닝 분야의 통상의 기술자에게 자명한 것이므로 이상의 설명은 생략하도록 한다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (20)

  1. 주제 특화 챗봇 서비스 제공 방법에 있어서,
    (a) 컴퓨팅 장치가, 제1 시점 내지 제N 시점 - N은 1 이상의 정수임 - 에 대응하는 시간 범위 동안 특정 사용자와 채팅을 수행하는 챗봇 유닛으로 하여금, 제K 시점 - K는 1 이상 N 이하의 정수임 - 에 수행된 특정 사용자와의 제K 대화 로그를 분석함으로써, 상기 제K 시점에 대응하는 제K 주제 정보를 도출한 후 저장하도록 하는 단계;
    (b) 상기 컴퓨팅 장치가, 상기 제N 시점보다 이후인 소정 제N+1 시점에 상기 특정 사용자로부터 상기 채팅을 재시작하고자 하는 제1 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 제K 주제 정보를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보를 참조로 하여, 소정 디스플레이 장치를 통해 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 시계열 벡터 내지 제M 시계열 벡터 - M은 1 이상 N 이하의 정수임 - 를 상기 특정 사용자에게 제공하는 단계; 및
    (c) 상기 컴퓨팅 장치가, 제1 시계열 벡터 내지 제M 시계열 벡터 중 적어도 하나인 특정 시계열 벡터가 선택되었음을 나타내는 제2 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 특정 시계열 벡터를 참조로 하여, 상기 제K 대화 로그를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 대화 로그 내지 제N 대화 로그 중 상기 특정 시계열 벡터에 대응하는 적어도 하나의 특정 대화 로그를 상기 특정 사용자에게 제공하는 단계
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    상기 (b) 단계는,
    상기 컴퓨팅 장치가, 상기 제1 시점 내지 상기 제N 시점 중 연속적인 제X1 시점 내지 제X2 시점에 각각 대응하는 제X1 주제 정보 내지 제X2 주제 정보가 동일한 주제 정보를 가리킬 경우, 상기 제X1 주제 정보 내지 상기 제X2 주제 정보를 참조로 하여, 상기 제X1 시점 내지 상기 제X2 시점에 대응하는, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터 중 하나인 제X 시계열 벡터 - X는 1 이상 M 이하의 정수임 - 를 생성하는 것을 특징으로 하는 방법.
  3. 제 1항에 있어서,
    상기 (a) 단계는,
    상기 컴퓨팅 장치가, 상기 챗봇 유닛과 연동하여 동작하는 분석 신경망으로 하여금, 상기 제K 대화 로그에 적어도 하나의 분석 연산을 가하여 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 방법.
  4. 제 3항에 있어서,
    상기 (a) 단계는,
    상기 컴퓨팅 장치가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 제K 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 제K 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 제K 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 방법.
  5. 제 4항에 있어서,
    상기 (a) 단계 이전에,
    (a0) 상기 컴퓨팅 장치가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 학습용 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 학습용 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 학습용 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 학습용 주제 정보를 도출하도록 하는 단계; 및
    (a1) 상기 컴퓨팅 장치가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 로스 레이어를 사용하여, 상기 학습용 주제 정보 및 이에 대응하는 정답 주제 정보를 참조로 한 연산을 수행함으로써 로스를 생성한 후, 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 분석 신경망의 파라미터들 중 적어도 일부를 학습하도록 하는 단계
    를 더 포함하는 것을 특징으로 하는 방법.
  6. 제 1항에 있어서,
    상기 (a) 단계는,
    상기 컴퓨팅 장치가, 상기 제K 시점에 상기 특정 사용자와 상기 제K 대화 로그에 대응하는 대화를 수행하기 위해 사용한 대화 데이터베이스 쿼리 정보를 참조로 하여 상기 제K 주제 정보를 도출하는 것을 특징으로 하는 방법.
  7. 제 1항에 있어서,
    상기 (b) 단계는,
    상기 컴퓨팅 장치가, 상기 챗봇 유닛으로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 이에 대응하는 시간이 최근인 순으로 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 순차적으로 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 방법.
  8. 제 1항에 있어서,
    상기 (b) 단계는,
    상기 컴퓨팅 장치가, 소정 강화 학습 에이전트로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 참조로 하여, 각각의 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터에 대응하는 적합도를 그 성분으로 가지는 적합도 벡터를 생성하도록 한 후, 상기 챗봇 유닛으로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 나누어 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 방법.
  9. 제 8항에 있어서,
    상기 컴퓨팅 장치는, 상기 강화 학습 에이전트로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제N+1 시점에 상기 특정 사용자가 선택한 상기 특정 시계열 벡터에 대응하는 특정 적합도를 찾은 후, 상기 특정 적합도를 참조로 하여 리워드를 생성하고, 상기 리워드를 참조로 하여 자신의 파라미터들 중 적어도 일부를 학습하도록 하는 것을 특징으로 하는 방법.
  10. 제 9항에 있어서,
    상기 컴퓨팅 장치는, 상기 강화 학습 에이전트로 하여금, 상기 리워드가 커지는 방향으로 자신의 상기 파라미터들을 학습하도록 하되, 상기 리워드가 상기 특정 적합도의 크기에 비례하여 생성되도록 학습함으로써, 상기 제N+1 시점 이후인 제N+2 시점에 상기 특정 사용자가 선택할 확률이 높은 소정 주제 정보에 대응하는 소정 시계열 벡터가 상기 제1 영역 내지 상기 제M 영역 중 상위 영역에 해당하는 영역에 표시될 수 있도록 하는 것을 특징으로 하는 방법.
  11. 주제 특화 챗봇 서비스 제공 장치에 있어서,
    인스트럭션들을 저장하는 하나 이상의 메모리; 및
    상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되, 상기 프로세서는, (I) 제1 시점 내지 제N 시점 - N은 1 이상의 정수임 - 에 대응하는 시간 범위 동안 특정 사용자와 채팅을 수행하는 챗봇 유닛으로 하여금, 제K 시점 - K는 1 이상 N 이하의 정수임 - 에 수행된 특정 사용자와의 제K 대화 로그를 분석함으로써, 상기 제K 시점에 대응하는 제K 주제 정보를 도출한 후 저장하도록 하는 프로세스; (II) 상기 제N 시점보다 이후인 소정 제N+1 시점에 상기 특정 사용자로부터 상기 채팅을 재시작하고자 하는 제1 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 제K 주제 정보를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 주제 정보 내지 제N 주제 정보를 참조로 하여, 소정 디스플레이 장치를 통해 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 시계열 벡터 내지 제M 시계열 벡터 - M은 1 이상 N 이하의 정수임 - 를 상기 특정 사용자에게 제공하는 프로세스; 및 (III) 제1 시계열 벡터 내지 제M 시계열 벡터 중 적어도 하나인 특정 시계열 벡터가 선택되었음을 나타내는 제2 트리거 정보가 획득되면, 상기 챗봇 유닛으로 하여금, 상기 특정 시계열 벡터를 참조로 하여, 상기 제K 대화 로그를 포함하는, 상기 제1 시점 내지 상기 제N 시점에 대응하는 제1 대화 로그 내지 제N 대화 로그 중 상기 특정 시계열 벡터에 대응하는 적어도 하나의 특정 대화 로그를 상기 특정 사용자에게 제공하는 프로세스를 수행하는 것을 특징으로 하는 장치.
  12. 제 11항에 있어서,
    상기 (II) 프로세스는,
    상기 프로세서가, 상기 제1 시점 내지 상기 제N 시점 중 연속적인 제X1 시점 내지 제X2 시점에 각각 대응하는 제X1 주제 정보 내지 제X2 주제 정보가 동일한 주제 정보를 가리킬 경우, 상기 제X1 주제 정보 내지 상기 제X2 주제 정보를 참조로 하여, 상기 제X1 시점 내지 상기 제X2 시점에 대응하는, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터 중 하나인 제X 시계열 벡터 - X는 1 이상 M 이하의 정수임 - 를 생성하는 것을 특징으로 하는 장치.
  13. 제 11항에 있어서,
    상기 (I) 프로세스는,
    상기 프로세서가, 상기 챗봇 유닛과 연동하여 동작하는 분석 신경망으로 하여금, 상기 제K 대화 로그에 적어도 하나의 분석 연산을 가하여 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 장치.
  14. 제 13항에 있어서,
    상기 (I) 프로세스는,
    상기 프로세서가, 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 제K 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 제K 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 제K 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 제K 주제 정보를 도출하도록 하는 것을 특징으로 하는 장치.
  15. 제 14항에 있어서,
    상기 (I) 프로세스 이전에,
    상기 프로세서가, (I0) 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 컨벌루션 레이어를 사용하여 상기 학습용 대화 로그에 적어도 하나의 컨벌루션 연산을 가함으로써 적어도 하나의 학습용 대화 피처 벡터를 생성하도록 한 후, 자신에 포함된 적어도 하나의 Fully-Connected(FC) 레이어를 사용하여 상기 학습용 대화 피처 벡터에 적어도 하나의 FC 연산을 가함으로써 상기 학습용 주제 정보를 도출하도록 하는 프로세스; 및 (I1) 상기 분석 신경망으로 하여금, 자신에 포함된 적어도 하나의 로스 레이어를 사용하여, 상기 학습용 주제 정보 및 이에 대응하는 정답 주제 정보를 참조로 한 연산을 수행함으로써 로스를 생성한 후, 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 분석 신경망의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 더 수행하는 것을 특징으로 하는 장치.
  16. 제 11항에 있어서,
    상기 (I) 프로세스는,
    상기 프로세서가, 상기 제K 시점에 상기 특정 사용자와 상기 제K 대화 로그에 대응하는 대화를 수행하기 위해 사용한 대화 데이터베이스 쿼리 정보를 참조로 하여 상기 제K 주제 정보를 도출하는 것을 특징으로 하는 장치.
  17. 제 11항에 있어서,
    상기 (II) 프로세스는,
    상기 프로세서가, 상기 챗봇 유닛으로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 이에 대응하는 시간이 최근인 순으로 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 순차적으로 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 장치.
  18. 제 11항에 있어서,
    상기 (II) 프로세스는,
    상기 프로세서가, 소정 강화 학습 에이전트로 하여금, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 참조로 하여, 각각의 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터에 대응하는 적합도를 그 성분으로 가지는 적합도 벡터를 생성하도록 한 후, 상기 챗봇 유닛으로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제1 시계열 벡터 내지 상기 제M 시계열 벡터를 상기 디스플레이 장치의 제1 영역 내지 제M 영역에 나누어 표시함으로써 상기 특정 사용자에게 제공하도록 하는 것을 특징으로 하는 장치.
  19. 제 18항에 있어서,
    상기 프로세서는, 상기 강화 학습 에이전트로 하여금, 상기 적합도 벡터를 참조로 하여, 상기 제N+1 시점에 상기 특정 사용자가 선택한 상기 특정 시계열 벡터에 대응하는 특정 적합도를 찾은 후, 상기 특정 적합도를 참조로 하여 리워드를 생성하고, 상기 리워드를 참조로 하여 자신의 파라미터들 중 적어도 일부를 학습하도록 하는 것을 특징으로 하는 장치.
  20. 제 19항에 있어서,
    상기 프로세서는, 상기 강화 학습 에이전트로 하여금, 상기 리워드가 커지는 방향으로 자신의 상기 파라미터들을 학습하도록 하되, 상기 리워드가 상기 특정 적합도의 크기에 비례하여 생성되도록 학습함으로써, 상기 제N+1 시점 이후인 제N+2 시점에 상기 특정 사용자가 선택할 확률이 높은 소정 주제 정보에 대응하는 소정 시계열 벡터가 상기 제1 영역 내지 상기 제M 영역 중 상위 영역에 해당하는 영역에 표시될 수 있도록 하는 것을 특징으로 하는 장치.
KR1020190177173A 2019-12-27 2019-12-27 주제 특화 챗봇 서비스 제공 방법 및 장치 KR102362717B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190177173A KR102362717B1 (ko) 2019-12-27 2019-12-27 주제 특화 챗봇 서비스 제공 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190177173A KR102362717B1 (ko) 2019-12-27 2019-12-27 주제 특화 챗봇 서비스 제공 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210084155A true KR20210084155A (ko) 2021-07-07
KR102362717B1 KR102362717B1 (ko) 2022-02-15

Family

ID=76862393

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190177173A KR102362717B1 (ko) 2019-12-27 2019-12-27 주제 특화 챗봇 서비스 제공 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102362717B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050085244A (ko) * 2002-12-02 2005-08-29 소니 가부시끼 가이샤 대화 제어 장치 및 방법 및 로봇 장치
JP2008158697A (ja) * 2006-12-21 2008-07-10 Nec Corp ロボット制御装置
JP2017059205A (ja) * 2015-09-17 2017-03-23 パナソニックＩｐマネジメント株式会社 主題推定システム、主題推定方法およびプログラム
KR20180098453A (ko) * 2017-02-24 2018-09-04 주식회사 원더풀플랫폼 주제별 챗봇 제공 방법 및 이를 이용한 주제별 챗봇 제공 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050085244A (ko) * 2002-12-02 2005-08-29 소니 가부시끼 가이샤 대화 제어 장치 및 방법 및 로봇 장치
JP2008158697A (ja) * 2006-12-21 2008-07-10 Nec Corp ロボット制御装置
JP2017059205A (ja) * 2015-09-17 2017-03-23 パナソニックＩｐマネジメント株式会社 主題推定システム、主題推定方法およびプログラム
KR20180098453A (ko) * 2017-02-24 2018-09-04 주식회사 원더풀플랫폼 주제별 챗봇 제공 방법 및 이를 이용한 주제별 챗봇 제공 시스템

Also Published As

Publication number Publication date
KR102362717B1 (ko) 2022-02-15

Similar Documents

Publication Publication Date Title
US11074454B1 (en) Classifying videos using neural networks
US11093813B2 (en) Answer to question neural networks
US10332507B2 (en) Method and device for waking up via speech based on artificial intelligence
US10043512B2 (en) Generating target sequences from input sequences using partial conditioning
US11308671B2 (en) Method and apparatus for controlling mouth shape changes of three-dimensional virtual portrait
US10204097B2 (en) Efficient dialogue policy learning
US9818409B2 (en) Context-dependent modeling of phonemes
US9400955B2 (en) Reducing dynamic range of low-rank decomposition matrices
US10395646B2 (en) Two-stage training of a spoken dialogue system
CN109241268B (zh) 一种相似信息推荐方法、装置、设备及存储介质
CN111862987B (zh) 语音识别方法和装置
CN110148212B (zh) 一种动作序列生成方法及装置、电子设备和存储介质
CN116137673A (zh) 数字人表情驱动方法及其装置、设备、介质
CN117688386A (zh) 大模型的参数调整方法、装置、电子设备和存储介质
CN113379874B (zh) 一种人脸动画生成方法、智能终端及存储介质
KR102362717B1 (ko) 주제 특화 챗봇 서비스 제공 방법 및 장치
CN110610697B (zh) 一种语音识别方法及装置
KR102663654B1 (ko) 적응형 시각적 스피치 인식
US20240020854A1 (en) Bilateral attention transformer in motion-appearance neighboring space for video object segmentation
US20230215174A1 (en) Dynamic network quantization for efficient video inference
CN112434629B (zh) 一种在线时序动作检测方法及设备
CN114999532A (zh) 模型获取方法、装置、系统、电子设备及存储介质
US20220398437A1 (en) Depth-Parallel Training of Neural Networks
CN112685996A (zh) 文本标点预测方法、装置、可读介质和电子设备
Liu et al. Mobile real-time facial expression tracking with the assistant of public AI-as-a-service

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant