KR20210086849A - 문서를 생성하기 위한 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 문서를 생성하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하는 동작; 상기 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 상기 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하는 동작; 상기 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하는 동작; 및 상기 문서 템플릿, 상기 제 1 사용자 입력 데이터 또는 상기 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 상기 문서 템플릿에 대응되는 문서를 생성하는 동작을 포함할 수 있다.

Description

문서를 생성하기 위한 방법 {METHOD FOR GENERATING DOCUMENT}

본 개시는 컴퓨터를 활용한 정보 처리 방법에 관한 것으로서, 보다 구체적으로는 문서를 생성하기 위한 방법에 관한 것이다.

사람들은 다른 사람과 의사소통을 하고, 의사소통 기록을 남기기 위해 문서를 작성한다. 사람들은 다양한 종류의 문서를 작성하지만, 법률 문서를 작성할 기회는 흔하지 않다. 대부분의 사람들은 법률 문서는 법률적 지식이 있는 사람들의 도움을 받아 작성하는 것이 흔하다. 즉, 변호사, 법무사와 같이 법률적 지식이 있는 전문가들에게 사안을 설명하고 법률 문서 작성을 의뢰한다. 이 과정에서 법률적 지식이 없는 일반인들은 법률 서비스에 대한 대가로서 비용을 지불하게 된다.

일반적으로 법률 서비스는 높은 비용을 요구하는 서비스이다. 예를 들어, 소장 작성을 위해 변호사 등에게 지불해야할 금액은 100만원에서 200만원 사이일 수 있다. 하지만 청구 취지 금액이 1000만원으로 소액인 경우, 상기 금액은 일반인에게 매우 부담될 수 있다. 따라서 저비용으로 일반인에게 법률 서비스를 제공하여 다수의 일반인들이 법률 서비스를 제공받을 수 있는 환경을 조성할 필요가 있을 수 있다.

최근 딥러닝 기술의 눈부신 발전으로 법률 서비스 분야에서도 딥러닝 기술을 적용하려는 시도가 있다. 딥러닝 기술 중에서도 자연어 처리 기술은 방대한 양의 텍스트가 존재하는 법률 서비스 분야에서 적용되기 적합한 기술일 수 있다. 자연어 처리 기술을 통해, 컴퓨팅 장치는 법률 문서에 존재하는 내용을 파악할 수 있고, 나아가 법률 문서를 작성할 수도 있다.

따라서 딥러닝 기술을 이용하여 법률 문서를 자동으로 작성함으로써, 변호사와 같이 법률 전문가를 제공되는 서비스보다 저렴한 비용으로 법률 서비스를 제공하고자 하는 수요가 증가하고 있는 추세이다.

대한민국 등록 특허 10-2022412는 법률문서 자동작성 시스템 및 그 방법을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 문서를 생성하기 위한 방법을 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. 상기 동작들은, 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하는 동작; 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하는 동작; 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하는 동작; 및 문서 템플릿, 제 1 사용자 입력 데이터 또는 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 상기 문서 템플릿에 대응되는 문서를 생성하는 동작을 포함할 수 있다.

대안적 실시예에서, 문서는 법률 행위와 관련된 문서인 법률 문서를 포함하고, 법률 문서는, 당사자 간의 합의된 내용을 포함하는 문서, 국가 기관에 제출되는 문서 또는 국가 기관으로부터 발부되는 문서 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 제 1 사용자 입력 데이터는, 문서 템플릿 추천 모델의 추론을 위하여 필요한 데이터로서, 사실 관계 정보, 또는 법률 관계 정보 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하는 동작은, 사용자 단말에 제 1 질의를 전송하는 동작; 및 사용자 단말로부터 제 1 질의에 대응되는 제 1 사용자 입력 데이터를 수신하는 동작을 포함할 수 있다.

대안적 실시예에서, 제 1 질의는, 적어도 하나의 후보 문서 템플릿을 획득하기 위하여 필요한 정보를 사용자 단말로부터 획득하기 위한 질의로서, 사건에 대한 사실 관계 정보 또는 법률 관계 정보 중 적어도 하나에 대한 질의, 제 1 사용자 입력 데이터에 잘못된 법률 관계 정보가 포함된 경우, 잘못된 법률 관계 정보에 대한 수정 질의 또는 제 1 사용자 입력 데이터에 포함된 사실 관계 정보에 기초하여 추가 사실 관계 정보를 요청하는 질의 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 문서 템플릿 추천 모델은, 제 1 사용자 입력 데이터에 대응되는 적어도 하나의 후보 문서 템플릿을 획득하기 위한 자연어 처리 딥러닝 모델을 포함할 수 있다.

대안적 실시예에서, 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하는 동작은, 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득하는 동작; 적어도 하나의 후보 문서 템플릿에 대한 제 1 사용자 추가 입력 데이터를 수신하는 동작; 및 제 1 사용자 추가 입력 데이터에 기초하여 적어도 하나의 후보 문서 템플릿 중에서 문서 템플릿을 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득하는 동작은, 제 1 사용자 입력 데이터에 포함된 단어들의 중요도를 포함하는 제 1 중요도 벡터를 산출하는 동작; 문서에 포함된 법률 용어와 제 1 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도 행렬을 산출하는 동작; 제 1 중요도 벡터 및 상기 의미 유사도 행렬의 연산을 통해 제 2 중요도 벡터를 산출하는 동작; 적어도 하나의 문서 템플릿에 대응되는 문서 각각에 포함된 단어들의 중요도를 포함하는 제 3 중요도 벡터를 산출하는 동작; 제 2 중요도 벡터와 제 3 중요도 벡터를 비교하는 동작; 및 비교에 기초하여 제 1 사용자 입력 데이터에 대응되는 적어도 하나의 후보 문서 템플릿을 획득하는 동작을 포함할 수 있다.

대안적 실시예에서, 의미 유사도 행렬은, 문서에 포함된 법률 용어와 제 1 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도를 획득하기 위한 단어 유사도 모델을 이용하여 획득한 행렬을 포함할 수 있다.

대안적 실시예에서, 제 2 사용자 입력 데이터는, 특정 문서 템플릿에 대응되는 문서를 생성하기 위하여 필요한 데이터로서, 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터 또는 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하는 동작은, 사용자 단말에 문서 템플릿에 대한 제 2 질의를 전송하는 동작; 및 사용자 단말로부터 제 2 질의에 대한 제 2 사용자 입력 데이터를 획득하는 동작을 포함할 수 있다.

대안적 실시예에서, 제 2 질의는 문서 템플릿에 대응되는 문서를 생성하기 위하여 필요한 정보를 획득하기 위한 질의로서, 문서 템플릿의 항목을 채우기 위하여 필요한 데이터를 획득하기 위한 질의, 또는 사용자 정보에 기초하여 결정된 추가 내용에 대한 질의 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 사용자 정보에 기초하여 결정된 추가 내용에 대한 질의는 사용자 정보에 기초하여 문서 템플릿에 추가될 내용을 사용자에게 추천해주는 질의로서, 과거 사례에 기초하여 결정된 특약 사항 선택에 대한 질의 또는 사용자 패턴 정보에 기초하여 사용자가 선호하는 특약 사항 선택에 대한 질의 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 생성된 문서는, 문서 템플릿에 포함된 내용 또는 제 2 사용자 입력 데이터 또는 사용 기록 데이터 중 적어도 하나에 기초하여 추가된 내용 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 생성된 문서에 포함된 텍스트에 대하여 수정 작업을 수행하는 동작을 더 포함할 수 있다.

대안적 실시예에서, 수정 작업은, 생성된 문서에 포함된 텍스트를 교정하는 작업 또는 생성된 문서에 포함된 내용을 제 2 사용자 입력 데이터 또는 관리자 입력 데이터에 중 적어도 하나에 기초하여 변경하는 작업 중 적어도 하나를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라, 문서를 생성하기 위한 방법이 개시된다. 상기 방법은 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하는 단계; 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하는 단계; 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하는 단계; 및 문서 템플릿, 제 1 사용자 입력 데이터 또는 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 문서 템플릿에 대응되는 문서를 생성하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라, 문서를 생성하기 위한 컴퓨팅 장치가 개시된다. 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하고, 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하고, 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하고, 그리고 문서 템플릿, 제 1 사용자 입력 데이터 또는 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 상기 문서 템플릿에 대응되는 문서를 생성할 수 있다.

본 개시의 일 실시예에 따라, 문서를 생성하기 위한 방법을 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 따라 문서를 생성하기 위한 서버의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라, 문서를 생성하기 위한 방법에서의 신경망을 예시적으로 나타낸 개략도이다.
도 3은 문서 간 유사도를 산출하는 과정을 설명하기 위한 예시도이다.
도 4는 문서를 생성하기 위한 순서도이다.
도 5는 문서를 생성하기 위한 모듈을 도시한 블록 구성도이다.
도 6은 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 따라 문서를 생성하기 위한 서버의 블록 구성도이다.

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

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

본 개시의 일 실시예에 따라, 프로세서(110)는 문서를 생성할 수 있다. 프로세서(110)는 신경망을 이용하여 문서를 생성할 수 있다. 이하에서는 문서를 생성하기 위한 과정이 도 4를 참조하여 구체적으로 설명된다.

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 개시의 다른 일 실시예에 따라, 문서는 법률 행위와 관련된 문서인 법률 문서를 포함할 수 있다. 법률 문서는 당사자 간의 합의된 내용을 포함하는 문서, 국가 기관에 제출되는 문서 또는 국가 기관으로부터 발부되는 문서 중 적어도 하나를 포함할 수 있다. 본 개시의 일 실시예에 따라, 당사자 간의 합의된 내용을 포함하는 문서는 합의 내용을 구두가 아닌 서면으로 남긴 문서를 포함할 수 있다. 당사자 간의 합의된 내용을 포함하는 문서는 예를 들어, 계약서, 각서, 기밀유지 협약, 합의 각서 등을 포함할 수 있다. 본 개시의 일 실시예에 따라, 계약서는 계약을 구두가 아닌 문서로 작성한 것을 포함할 수 있다. 계약서는 계약서의 제목, 당사자의 표시, 전문, 약인 표시, 정의 조항, 실질 조항, 일반 조항, 말미 문언, 서명란, 부록 등을 포함할 수 있다. 전문은 계약 당사자에 대한 언급과 계약 체결 경위를 포함할 수 있다. 본문은 통상적 본문 규정과 유형별 본문 규정을 포함할 수 있다. 통상적 본문 규정은 목적물과 계약 대금 관련 규정을 포함할 수 있다. 유형별 본문 규정은 통상적 본문 규정을 보충하는 내용을 포함할 수 있다. 말미는 해제, 계약기간, 관할, 유효확인, 작성일, 서명날인, 기명날인 등을 포함할 수 있다. 본 개시의 일 실시예에 따라, 국가 기관에 제출되는 문서는 국가 기관에 특정 사항을 요청하기 위하여 제출되는 문서를 포함할 수 있다. 예를 들어, 국가 기관에 제출되는 문서는 법원에 제출되는 소장, 위임장, 행정청에 제출되는 의견서, 법원에 제출되는 준비서면, 진술서 등을 포함할 수 있다. 본 개시의 일 실시예에 따라, 국가 기관으로부터 발부되는 문서는 국가 기관이 개인, 단체 또는 다른 국가 기관으로 발부하는 문서를 포함할 수 있다. 국가 기관으로부터 발부되는 문서는 법원이 발부하는 구속영장, 특허청이 발부하는 의견 제출 통지서, 거절결정 통지서, 특허결정서, 법원이 발부하는 체포영장 등을 포함할 수 있다. 전술한 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 사용자 단말로부터 제 1 사용자 입력 데이터를 수신할 수 있다. 제 1 사용자 입력 데이터는 문서 템플릿을 추천하기 위하여 필요한 정보를 포함하는 데이터를 의미할 수 있다. 제 1 사용자 입력 데이터는 사용자가 입력한 임의의 형태의 데이터일 수 있다. 사용자 입력 데이터는 텍스트 데이터, 증거 사진과 같은 이미지 데이터, 녹취 파일과 같은 음성 데이터 등을 포함할 수 있다. 프로세서(110)는 제 1 질의를 전송하기 전에 선결적으로 제 1 사용자 입력 데이터를 수신할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 제 1 사용자 입력 데이터는 문서 템플릿 추천 모델의 추론을 위하여 필요한 데이터로서, 사실 관계 정보, 또는 법률 관계 정보 중 적어도 하나를 포함할 수 있다. 사실 관계 정보는 사용자 입력 데이터 중 비 법률적인 정보를 포함할 수 있다. 사실 관계는 특정 사건에서 해당 사건의 처음부터 끝까지 사건 관계인들이 관여한 시간 순서의 사실을 포함할 수 있다. 사실 관계는 또한 시간 순서의 사실에서 법률적으로 의미 있는 부분만 추려서 권리의무 관계 판단에 필요한 것을 선별한 사실을 포함할 수 있다. 더 좁은 의미의 사실 관계는 민사에서는 요건사실, 형사에서는 공소사실을 포함할 수 있다. 사실 관계는 예를 들어, "나는 내 친구A에게 돈 5000만원을 빌려 주었다"를 포함할 수 있다. 법률 관계 정보는 사용자 입력 데이터 중 법률적인 정보를 포함할 수 있다. 법률 관계는 법률이 규율하는 사람 간의 행위 관계를 포함할 수 있다. 법률 관계는 행위 관계의 종류에 따라 자연적인 친자, 부부관계와 인위적인 재산 관계를 포함할 수 있다. 예를 들어, 사실 관계인 "나는 내 친구A에게 돈 5000만원을 빌려주었다"인 경우, 법률 관계는 "나는 내 친구A와의 관계에서 채권 5000만원을 가지고 있다."일 수 있다. 예를 들어, 사용자 입력 데이터가 "제가 개발한 제품을 다른 업체가 모방해서 출시했는데 완전히 똑같거든요. 이거 제 저작권 침해 아닌가요? 못하게 하고 싶은데 방법이 있나요?" 인 경우, 법률 관계 정보는 법률적 진술인 저작권 침해이고, 이외의 서술들은 사실 관계 정보에 해당할 수 있다. 따라서 프로세서(110)는 특정 사건에 대한 사실 관계 정보 또는 법률 관계 정보를 수신할 수 있다. 그리고 프로세서(110)는 특정 사건에 대한 사실 관계 정보 또는 법률 관계 정보를 기초로 적어도 하나의 후보 문서 템플릿을 추천할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 사용자 단말로부터 제 1 사용자 입력 데이터를 수신할 수 있다. 프로세서(110)는 사용자 단말에 제 1 질의를 전송(S2100)할 수 있다. 프로세서(110)가 사용자 단말에 제 1 질의를 전송하고 제 1 질의에 대응되는 제 1 사용자 입력 데이터를 수신(S2200)하는 동작은 1회 이상 수행될 수도 있다. 즉, 문서 템플릿을 추천하기 위한 데이터가 부족한 경우 사용자에게 질의를 추가적으로 전송함으로써 부족한 데이터를 보충할 수 있기 때문이다. 프로세서(110)는 추가 질의 여부(S2300)를 결정하여 추가적으로 제 1 질의를 사용자 단말로 전송할 수 있다. 프로세서(110)는 문서 템플릿 추천을 위해 필요한 정보가 부족하거나 모순되는 정보가 존재하는 경우, 추가 질의를 사용자 단말에 전송할 수 있다. 본 개시의 일 실시예에 따라, 제 1 질의는 사용자 단말로부터 제 1 사용자 입력 데이터를 획득하기 위한 질의를 포함할 수 있다. 제 1 질의는 제 1 사용자 입력 데이터를 획득하기 위한 요청에 쓰이는 컴퓨터 프로그램 언어를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 1 질의는, 적어도 하나의 후보 문서 템플릿을 획득하기 위하여 필요한 정보를 사용자 단말로부터 획득하기 위한 질의를 포함할 수 있다. 제 1 질의는 사건에 대한 사실 관계 정보 또는 법률 관계 정보 중 적어도 하나에 대한 질의, 제 1 사용자 입력 데이터에 잘못된 법률 관계 정보가 포함된 경우, 잘못된 법률 관계 정보에 대한 수정 질의 또는 제 1 사용자 입력 데이터에 포함된 사실 관계 정보에 기초하여 추가 사실 관계 정보를 요청하는 질의 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사실 관계 정보 또는 법률 관계 정보 중 적어도 하나에 대한 질의는 사용자에게 법률 문서 생성 서비스를 제공하기 위하여 사용자 단말로 전송되는 질의를 포함할 수 있다. 제 1 질의는 예를 들어, 사용자 단말로 하여금 "무엇을 도와 드릴까요"라는 문구를 출력하도록 야기할 수 있다. 사용자는 "무엇을 도와 드릴까요"에 대응되는 입력란에 상대방과 계약서를 작성하기 위하여 필요한 정보를 입력할 수 있다. 계약서를 작성하기 위하여 필요한 정보는 예를 들어, 계약을 체결하게 된 경위, 계약 당사자 간 정보 등을 포함할 수 있다. 제 1 질의는 선택지 형태의 질의(객관식) 또는 자연어 입력을 수신하기 위한 형태의 질의(주관식)를 포함할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 1 사용자 입력 데이터에 잘못된 법률 관계 정보가 포함된 경우, 잘못된 법률 관계 정보에 대한 수정 질의는 제 1 사용자 입력 데이터에 포함된 사실 관계와 법률 관계가 다르거나 모순이 존재하는 경우에 법률 관계를 기재하기 위하여 제 1 사용자 입력 데이터에 포함된 내용을 올바르게 수정하기 위한 질의를 포함할 수 있다. 프로세서(110)는 잘못 사용된 단어에 대하여 사용자 단말로 단어 수정 방향 제시를 포함하는 제 1 질의를 사용자 단말로 전송할 수 있다. 또한 프로세서(110)는 제시된 수정 방향이 사용자 의도와 다른 경우, 새로운 사실 관계 또는 법률 관계 정보 요청하는 제 1 질의를 사용자 단말로 전송할 수도 있다. 예를 들어, 사용자 입력 데이터가 "제가 개발한 제품을 다른 업체가 모방해서 출시했는데 완전히 똑같거든요. 이거 제 저작권 침해 아닌가요? 못하게 하고 싶은데 방법이 있나요?" 인 경우, 프로세서(110)는 사실 관계 정보와 법률 관계 정보가 상호 모순되는 것으로 판단할 수 있다. 이 경우 프로세서(110)는 사실 관계 정보 또는 법률 관계 정보에 대한 확인을 위한 질의를 전송할 것을 결정할 수 있다. 즉 상기 예시에서, 프로세서(110)는 식별된 법률 관계 정보에 기초하여 사실 관계 정보를 확인하는 질의를 전송할 수 있다. 전술한 예시에서 프로세서(110)는 산업 제품은 저작권 보호대상이 아니므로 “제품”의 의미가 무엇인지(예를 들어, 저작권 보호 대상이 되는 그림, 프로그램 소스코드 등)확인하는 질의를 사용자 단말에 전송할 수 있다. 또한 프로세서(110)는 식별된 사실 관계 정보에 기초하여 법률 관계 정보를 확인하는 질의를 전송할 수 있다. 전술한 예시에서, 프로세서(110)는 이 경우, 특허권 등의 지식재산권에 의한 보호를 의미하는지 또는 부정경쟁방지법 상의 보호가 가능한지 판단하여 사용자가 서술한 법률 관계 정보를 확인하기 위한 질의를 전송할 수 있다. 이와 같은 사실 관계 정보와 법률 관계 정보의 상호 검증을 통해 사용자의 법률적 정보에 사실 관계 정보 보다 가중치를 두어 판단하는 경우에도 사용자가 잘못된 법률 지식을 가짐으로 인하여 발생하는 오판을 방지할 수 있다.

예를 들어, 프로세서(110)는 사용자가 디자인 등록 출원하고자 하는 발명에 대한 설명 및 디자인 출원서 작성을 하고 싶다는 내용을 포함하는 제 1 사용자 입력 데이터를 수신할 수 있다. 하지만 발명의 설명에는 기술적인 내용이 핵심이므로 디자인보다 특허 출원하는 것이 더 바람직한 경우가 존재할 수 있다. 이 경우, 프로세서(110)는 디자인 등록 출원서 작성이 아닌 특허 출원서 작성을 추천하는 제 1 질의를 사용자 단말에 전송할 수 있다. 또 다른 실시예로서 프로세서(110)는 발명의 설명이 소프트웨어 기술에 대한 것이나 디자인 출원서 작성 진행을 요청하는 내용이 포함된 제 1 사용자 입력 데이터를 수신할 수 있다. 이 경우, 프로세서(110)는 사용자 단말에 해당 발명은 특허 출원이 바람직하다는 제 1 질의를 전송할 수 있다. 따라서 프로세서(110)가 디자인 출원서 작성 요청을 특허 출원서 작성으로 변경하는 수정 질의를 전송하는 경우, 사용자는 자신의 발명을 다시 한 번 더 검토하고 자신의 발명을 디자인 등록 출원할지 또는 특허 출원할지 결정할 수 있다. 이 경우, 프로세서(110)는 사용자 단말로부터 수정 질의에 대한 답변에 기초하여 제 1 사용자 입력 데이터에 포함된 단어를 디자인에서 특허로 수정하거나, 디자인이라는 단어를 그대로 유지할 수도 있다. 이를 통해, 프로세서(110)가 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시킨 경우에도, 디자인 출원서가 아닌 특허 출원서를 사용자에게 추천할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 1 사용자 입력 데이터에 포함된 사실 관계 정보에 기초하여 추가 사실 관계 정보를 요청하는 질의는 프로세서(110)가 수신한 제 1 사용자 입력 데이터가 사전 결정된 기준을 충족하지 못하여 문서 템플릿을 추천하지 못하는 경우 전송하는 질의를 포함할 수 있다. 사전 결정된 기준은 제 1 사용자 데이터가 문서 템플릿을 추천할 수 있을 정도로 충분한 사실 관계 및/또는 법률 관계 정보를 포함하는지 여부에 기초하여 결정될 수도 있다. 추가 사실 관계 정보를 요청하는 질의에 대하여 다음과 같은 예시가 존재할 수 있다. 예를 들어, 제 1 사용자 입력 데이터는 도급 공사 계약 관련 내용을 포함할 수 있다. 하지만 제 1 사용자 입력 데이터만으로는 도급 공사 계약이 하도급 공사 계약인지 도급 공사 계약인지 불분명할 수 있다. 이 경우, 프로세서(110)는 도급 계약 관련하여 원도급 공사 계약이 존재하는지 여부에 대한 추가 사실 관계 정보를 요청하는 질의를 사용자 단말로 전송할 수 있다. 이를 통해, 프로세서(110)는 문서 템플릿 추천 모델을 이용하여 정확도 높은 후보 문서 템플릿을 도출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득할 수 있다. 문서 템플릿 추천 모델은 입력 데이터에 대응되는 문서 템플릿을 추천하기 위한 모델을 포함할 수 있다. 프로세서(110)는 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하기 위하여 이하의 동작을 수행할 수 있다. 프로세서(110)는 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿(S2400)을 획득할 수 있다. 후보 문서 템플릿은 제 1 사용자 입력 데이터에 대응되는 적어도 하나 이상의 문서 템플릿을 포함할 수 있다. 예를 들어, 제 1 사용자 입력 데이터는 "호프집을 조그맣게 운영하고 있는데, 장사가 안되어 다른 사람에게 넘기려고 합니다. 그런데 아직 임대차계약기간이 6개월 정도 남아 있고, 권리금을 받기로 했으며, 인테리어도 그대로 그 사람이 인수하기로 했습니다"라는 텍스트 데이터를 포함할 수 있다. 이 경우, 프로세서(110)는 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿(S2400)을 획득할 수 있다. 프로세서(110)는 후보 문서 템플릿으로서 "영업 양수도 계약서", "점포 양도 계약서", "담보물 양도 계약서", "매출채권 양도 계약서"를 획득할 수 있다. 프로세서(110)는 문서 템플릿 추천 모델을 이용하여 제 1 사용자 입력 데이터와 후보 문서 템플릿이 대응되는 확률을 획득할 수 있다. 예를 들어, 프로세서(110)는 문서 템플릿 추천 모델을 이용하여 제 1 사용자 입력 데이터와 영업 양수도 계약서(331)가 97%의 확률로 대응되는 결과를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 적어도 하나의 후보 문서 템플릿에 대한 제 1 사용자 추가 입력 데이터를 수신(S2500)할 수 있다. 제 1 사용자 추가 입력 데이터는 적어도 하나의 후보 문서 템플릿과 관련된 정보를 포함하는 데이터를 포함할 수 있다. 제 1 사용자 추가 입력 데이터는 사용자가 적어도 하나의 후보 문서 템플릿 중에서 선택한 문서 템플릿 정보를 포함할 수 있다. 제 1 사용자 추가 입력 데이터는 또한, 프로세서(110)가 추천한 후보 문서 템플릿을 선택할지 여부에 대한 정보를 포함할 수 있다. 따라서 프로세서(110)는 제 1 사용자 추가 입력 데이터에 기초하여 적어도 하나의 후보 문서 템플릿 중에서 문서 템플릿을 결정할 수 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(110)는 제 1 사용자 추가 입력 데이터에 잘못된 문서 템플릿 선택이 포함된 경우, 사용자에게 질의를 전송하여 추가 확인 절차를 거칠 수도 있다. 즉, 사용자가 입력을 잘못 누르거나 사용자의 오판으로 발생한 상황일 수 있기 때문이다. 프로세서(110)는 추가 확인 절차를 통해 최종적으로 제 1 사용자 입력 데이터와 대응도가 높은 문서 템플릿을 결정할 수 있다. 프로세서(110)는 문서 템플릿을 결정함으로써, 문서에 포함된 모든 내용을 새롭게 작성할 필요가 없을 수 있다. 프로세서(110)는 문서 템플릿에 포함된 내용을 기초로 사용자 입력 데이터에 기초하여 내용을 추가하거나 변경함으로써 새로운 문서를 생성할 수 있다. 프로세서(110)가 문서 템플릿에 포함된 내용을 활용하여 문서를 생성하는 경우, 양질의 문서를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 사용자 추가 입력 데이터를 기초로 문서 템플릿을 결정(S2600)할 수 있다.

이하에서는 문서 템플릿 추천 모델에 대하여 도 3을 참조하여 구체적으로 설명된다.

본 개시의 일 실시예에 따라, 문서 템플릿 추천 모델은 입력 데이터에 대응되는 문서 템플릿을 추천하기 위한 모델을 포함할 수 있다. 문서 템플릿 추천 모델은 기계 학습 모델, 딥러닝 모델을 포함할 수 있다. 프로세서(110)는 문서 템플릿 추천 모델을 이용하여 제 1 사용자 입력 데이터에 포함된 사용자의 의도를 파악할 수도 있다. 사용자 입력 데이터에 포함된 사용자의 의도는 사용자가 어떤 문서를 작성하고자 하는 의도를 포함할 수 있다. 예를 들어, 사용자는 계약서를 작성하기 위한 의도를 가질 수 있다. 사용자는 또한 소장을 작성하기 위한 의도를 가질 수도 있다. 프로세서(110)는 문서 템플릿 추천 모델을 이용하여 사용자가 작성하고자 하는 문서를 파악하여, 입력된 제 1 사용자 입력 데이터와 대응되는 문서 템플릿을 추천할 수 있다. 예를 들어, 제 1 사용자 입력 데이터는 A와 B가 매매 계약을 맺는 내용을 포함할 수 있다. 그리고 사용자는 A와 B가 매매 계약을 맺는 매매 계약서 작성 의도를 가질 수 있다. 프로세서(110)는 제 1 사용자 입력 데이터로부터 문서 템플릿 추천 모델을 이용하여 계약서를 작성하고자 하는 사용자 의도를 파악할 수 있다. 따라서 프로세서(110)는 사용자에게 계약서 템플릿을 사용자에게 추천해 줄 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 문서 템플릿 추천 모델은, 제 1 사용자 입력 데이터에 대응되는 적어도 하나의 후보 문서 템플릿을 획득하기 위한 자연어 처리 딥러닝 모델을 포함할 수 있다. 자연어 처리 딥러닝 모델은 자연어를 입력 데이터로 하여 태스크를 수행하는 딥러닝 모델을 포함할 수 있다. 프로세서(110)는 자연어 처리 딥러닝 모델을 이용하여 자연어로부터 사용자 의도 분석, 문서 요약, 질문에 대한 답변, 문서 분류 등의 태스크를 수행할 수 있다. 전술한 문서 템플릿 추천 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 사용자 입력 데이터(410)를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득할 수 있다. 프로세서(110)는 제 1 사용자 입력 데이터(410)에 포함된 단어들의 중요도를 포함하는 제 1 중요도 벡터(430)를 산출할 수 있다. 본 개시의 제 1 실시예에 따라, 제 1 중요도 벡터(430)는 제 1 사용자 입력 데이터에 포함된 단어 각각의 중요도를 벡터의 엘리먼트로 하는 벡터를 포함할 수 있다. 제 1 중요도 벡터의 엘리먼트 각각은 (아파트, 연립주택, 다세대주택, 단독 주택, 매매, 전세, 월세, 산다, 판다, 매입한다)일 수 있다. 이 경우, 제 1 중요도 벡터는 (0.9, 0.1, 0.2, 0.1, 0.8, 0.1, 0.1, 0.8, 0.1, 0.3)일 수 있다. 따라서, 프로세서(110)는 제 1 사용자 입력 데이터의 핵심 내용은 "아파트 매매 매물을 산다"라고 결정할 수도 있다. 따라서 프로세서(110)는 제 1 사용자 입력 데이터로부터 추출된 핵심 내용을 기초로 아파트 매매 계약서 템플릿을 추천할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 문서에 포함된 법률 용어와 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도 행렬(450)을 산출할 수 있다. 의미 유사도 행렬(450)은 문서에 포함된 단어 간의 유사도를 포함하는 행렬을 포함할 수 있다. 의미 유사도 행렬(450)의 각 요소는 단어 간의 의미 유사도를 포함할 수 있다. 예를 들어, 10*10 행렬에서 (2,4)는 2번째 단어와 4번째 단어의 의미 유사도를 포함할 수 있다. 단어 간의 의미 유사도가 높을수록 의미 유사도 행렬(450)의 각 요소는 큰 값을 가질 수 있다. 문서에는 일반 용어와 법률 용어가 모두 포함될 수 있다. 프로세서(110)는 의미 유사도 행렬을 이용하여 일반 용어와 의미가 유사한 법률 용어를 획득할 수도 있다. 예를 들어, "~에게 돈을 빌려준다"라는 일반 용어는 "~에 대하여 채권을 갖는다"와 의미 유사도가 높을 수도 있다. 또 다른 예를 들어, "영업장을 팔아 넘긴다"라는 일반 용어는 "영업장을 양도한다"라는 법률 용어와 의미 유사도가 높을 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 의미 유사도 행렬(450)은 문서에 포함된 법률 용어와 제 1 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도를 획득하기 위한 단어 유사도 모델(440)을 이용하여 획득한 행렬을 포함할 수 있다. 단어 유사도 모델(440)은 의미 유사도 행렬을 산출하기 위한 머신 러닝 모델을 포함할 수 있다. 단어 유사도 모델(440)은 워드투벡터(Word2Vec) 모델을 포함할 수도 있다. 프로세서(110)는 워드투벡터 모델을 이용하여 의미 유사도 행렬을 획득할 수 있다. 프로세서(110)는 워드투벡터 모델에 문서를 입력시켜 단어들 간 의미 유사도를 산출하도록 학습시킬 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 중요도 벡터(430) 및 의미 유사도 행렬(450)의 연산을 통해 제 2 중요도 벡터(470)를 산출할 수 있다. 프로세서(110)는 제 1 중요도 벡터(430) 및 의미 유사도 행렬(450)의 행렬곱을 통해 제 2 중요도 벡터(470)를 산출할 수 있다. 제 2 중요도 벡터(470)는 제 1 사용자 입력 데이터(410)에 포함된 단어의 의미가 확장된 벡터를 포함할 수 있다. 다시 말해, 제 2 중요도 벡터(470)는 제 1 중요도 벡터에서 중요도가 높은 단어와 의미가 유사한 단어들의 중요도가 높아진 벡터를 포함할 수 있다. 예를 들어, 제 1 중요도 벡터(430)에서 '발명'이라는 단어의 중요도가 가장 높을 수 있다. 이 경우, 프로세서(110)는 '발명'과 의미 유사도가 높은 특허, 특허권, 특허 출원, 실용신안권 등과 같은 법률 용어의 중요도가 높은 제 2 중요도 벡터(470)를 획득할 수 있다. 제 2 중요도 벡터(470)는 제 1 중요도 벡터 및 의미 유사도 행렬의 연산을 통해 획득한 벡터를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 적어도 하나의 문서 템플릿에 대응되는 문서 각각에 포함된 단어들의 중요도를 포함하는 제 3 중요도 벡터(490)를 산출할 수 있다. 제 3 중요도 벡터(490)는 문서 템플릿에 대응되는 문서 각각에 포함된 단어들의 중요도를 포함하는 벡터를 포함할 수 있다. 각각의 문서 템플릿은 다른 문서 템플릿에서는 드물게 나타나지만 특정 템플릿에서만 빈번하게 출현되는 단어를 포함하고 있을 수 있다. 이러한 단어는 특정 문서 템플릿과 다른 문서 템플릿을 구분하는 중요한 기준이 될 수도 있다. 본 개시의 일 실시예에 따라, 제 3 중요도 벡터(490)는 문서 템플릿에 대응되는 문서 각각에 포함된 단어의 중요도를 벡터의 엘리먼트로 하는 벡터를 포함할 수 있다. 제 3 중요도 벡터(490)는 예를 들어, 문서 템플릿이 임대차 계약서인 경우, 임대차 계약서에서 중요도가 높은 단어들에 대해서는 상대적으로 큰 값을 가지는 벡터를 포함할 수 있다. 보증금, 월세와 같이 임대차 계약서에서 주로 사용되는 단어는 제 3 중요도 벡터(490)에서 큰 값을 가질 수도 있다. 프로세서(110)는 TF-IDF 방법을 통해 제 3 중요도 벡터를 산출할 수 있다. TF-IDF는 다른 문서에는 빈번하게 출현하지 않고 해당 문서에서 자주 등장하는 단어는 높은 값을 가지도록 하는 알고리즘일 수 있다. 즉 TF-IDF는 특정 문서를 다른 문서와 구분하기 위해 각 문서별 핵심 단어를 추출하는 알고리즘일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490)를 비교할 수 있다. 프로세서(110)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이의 거리를 산출할 수 있다. 프로세서(110)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이의 거리를 유클리디안 거리, 코사인 유사도 방법 등을 통해 산출할 수 있다. 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이의 거리가 가까울수록, 제 1 사용자 입력 데이터(410)와 특정 문서 템플릿 간에 대응될 확률이 높을 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 비교에 기초하여 사용자 입력 텍스트에 대응되는 적어도 하나의 후보 문서 템플릿을 획득할 수 있다. 프로세서(110)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이 거리를 기초로 제 1 사용자 입력 데이터(410)에 대응되는 적어도 하나의 후보 문서 템플릿을 획득할 수 있다. 프로세서(110)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이 거리를 기초로 제 1 사용자 입력 데이터(410)와 후보 문서 템플릿 간의 대응도(또는 문서간 유사도)를 산출할 수 있다. 프로세서(110)는 사용자 단말로 하여금 산출된 대응도를 기초로 내림차순으로 정렬하여 후보 문서 템플릿을 디스플레이 하도록 야기할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

이하에서는 결정된 문서 템플릿을 기초로 문서를 생성하는 과정을 도 4를 참조하여 구체적으로 설명된다.

본 개시의 일 실시예에 따라, 프로세서(110)는 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득할 수 있다.

본 개시의 일 실시예에 따라, 제 2 사용자 입력 데이터는 특정 문서 템플릿에 대응되는 문서를 생성하기 위하여 필요한 데이터로서, 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터 또는 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터는 프로세서(110)가 수신한 사용자 수정 요청과 관련된 데이터를 포함할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(110)는 문서 템플릿에 포함된 내용을 수정하는 사용자 요청과 관련된 제 2 사용자 입력 데이터를 수신할 수도 있다. 사용자는 결정된 문서 템플릿을 전송받은 후, 문서 템플릿에 포함된 내용에 대하여 변경하고 싶은 부분이 존재할 수 있다. 예를 들면, 계약서에서의 일반 조항 내용을 변경하고 싶을 수도 있다. 따라서 제 2 사용자 데이터는 문서 템플릿에 포함된 내용(예를 들면, 일반 조항)을 어떤 내용으로 변경하는지에 대한 정보를 포함할 수도 있다. 따라서 프로세서(110)는 제 2 사용자 데이터를 기초로 문서 템플릿에 포함된 내용을 변경할 수도 있다.

본 개시의 다른 일 실시예에 따라, 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터는 프로세서(110)가 수행한 수정 작업과 관련된 데이터를 포함할 수 있다. 프로세서(110)는 제 1 사용자 입력 데이터, 제 2 사용자 입력 데이터 및/또는 제 1 사용자 추가 입력 데이터 중 적어도 하나에 기초하여 문서를 생성할 수 있다. 이 과정에서 제 1 사용자 입력 데이터와 제 2 사용자 입력 데이터 사이에 모순되거나 잘못된 데이터가 존재할 수도 있다. 예를 들어, 제 1 사용자 입력 데이터는 보증금=5000만원이라는 정보를 포함하고 있으나, 제 2 사용자 입력 데이터는 동일 매물에 대하여 보증금=7000만원이라는 정보를 포함할 수도 있다. 따라서 프로세서(110)는 사용자에게 정확한 보증금을 확인해야할 필요성이 존재할 수 있다. 이 경우, 프로세서(110)는 사용자 단말에 질의를 전송하여 보증금을 어느 액수를 수정할지 확인을 받을 수도 있다. 따라서 프로세서(110)는 예를 들어, "보증금=7000만원이 정확한 금액이다"라는 제 2 사용자 입력 데이터를 수신하여 보증금액을 기재하는 작업을 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터는 문서 템플릿 내용에서 빠진 부분과 관련된 데이터를 포함할 수도 있다. 문서 템플릿에는 빈 칸이 존재할 수도 있다. 프로세서(110)는 문서 생성을 위하여 문서 템플릿에 존재하는 빈 칸을 채울 필요가 있을 수 있다. 따라서 제 2 사용자 입력 데이터는 빈 칸을 보충하기 위한 내용을 포함하는 데이터를 포함할 수 있다. 예를 들어, 계약 당사자 명칭, 직원 들의 고용 승계 여부, 권리금액은 문서 템플릿에서 빈 칸일 수 있다. 프로세서(110)는 제 2 사용자 템플릿에 포함된 "직원들의 고용 승계 여부=Y, 권리금액=5000만원" 정보에 기초하여 문서 템플릿의 빈 칸을 채울 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터는 문서 템플릿 내용에서 빠진 부분과 관련된 데이터를 포함할 수도 있다 예를 들어, 문서 템플릿이 임대차 계약서일 수 있다. 프로세서(110)는 보증금, 월세, 계약 기간 등에 해당하는 내용을 포함하는 제 2 질의를 사용자 단말로 전송할 수 있다. 이 경우, 제 2 사용자 입력 데이터는 월세=300만원/월, 보증금=2억원, 계약 기간= 2019-01-01~2021-01-01 이라는 데이터를 포함할 수 있다. 제 1 사용자 입력 데이터에도 문서 템플릿에 포함된 내용을 보충하기 위한 데이터를 포함할 수도 있다. 예를 들어, 제 1 사용자 입력 데이터는 "월세 월 100만원, 보증금 1억원에 임대차 계약을 체결하려고 합니다. "라는 데이터를 포함할 수 있다. 프로세서(110)는 제 1 사용자 입력 데이터를 기초로 임대차 계약서 템플릿에 빈칸인 월세란, 보증금란을 채울 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터는 문서 템플릿에 포함되지 않은 새로운 내용과 관련된 데이터를 포함할 수 있다. 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터는 당사자들 간의 특약 조항을 포함할 수도 있다. 사용자는 일반 조항에 없는 특약 조항을 새롭게 작성하여 새롭게 생성된 문서에 포함시키고 싶어할 수 있다. 이 경우, 프로세서(110)는 특약 조항을 포함하는 제 2 사용자 입력 데이터를 수신함으로써 특약 조항을 생성된 문서에 추가할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득(S2800)할 수 있다. 프로세서(110)는 사용자 단말에 문서 템플릿에 대한 제 2 질의를 전송(S2700)할 수 있다. 프로세서(110)는 사용자 단말로부터 제 2 질의에 대한 제 2 사용자 입력 데이터를 획득(S2800)할 수 있다. 프로세서(110)가 사용자 단말에 제 2 질의를 전송(S2700)하고 제 2 질의에 대응되는 제 2 사용자 입력 데이터를 수신하는 동작은 한 번으로 제한되는 것이 아니라, 복수 회에 걸쳐 수행될 수도 있다. 즉, 프로세서(110)는 제 2 사용자 입력 데이터 수신 후, 추가 질의 여부(S2800)를 결정함으로써 제 2 질의를 다시 전송할 수도 있다. 프로세서(110)는 관리자 입력 데이터에 기초하여 추가 질의 여부를 결정할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 2 질의는, 문서 템플릿에 대응되는 문서를 생성하기 위하여 필요한 정보를 획득하기 위한 질의로서, 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터를 획득하기 위한 질의, 문서 템플릿의 항목을 채우기 위하여 필요한 데이터를 획득하기 위한 질의, 또는 사용자 정보에 기초하여 결정된 추가 내용에 대한 질의 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터를 획득하기 위한 질의는 프로세서(110)가 수행한 수정 작업과 관련된 질의를 포함할 수 있다. 예를 들어, 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터를 획득하기 위한 질의는 프로세서(110)가 수행한 수정 작업에 대한 정보, 사용자가 프로세서(110)가 수행한 수행 작업을 승낙할지 여부에 대한 질의 등을 포함할 수도 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(110)는 사용자 입력 데이터에서 주의해야할 용어(중의적인 용어, 여러 방면으로 해석될 수 있는 용어, 의미가 불분명한 용어)를 어떻게 변경할지에 대한 방법을 제시할 수도 있다. 프로세서(110)가 해당 과정을 통해 중의적인 용어, 여러 방면으로 해석될 수 있는 용어, 의미가 불분명한 용어를 제거 및/또는 변경함으로써 생성된 문서의 질을 높일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 문서 템플릿의 항목을 채우기 위하여 필요한 데이터를 획득하기 위한 질의는 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터를 획득하기 위한 질의를 포함할 수 있다. 예를 들어, 직원들의 고용 승계 여부, 권리금액은 문서 템플릿에서 빈 칸일 수 있다. 프로세서(110)는 제 2 사용자 템플릿에 포함된 "직원들의 고용 승계 여부, 권리금액"에 대한 정보를 요청하는 질의를 사용자 단말에 전송할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다

본 개시의 일 실시예에 따라, 제 2 질의는 사용자 정보에 기초하여 결정된 추가 내용에 대한 질의를 포함할 수 있다. 프로세서(110)는 사용자 정보에 기초하여 결정된 추가 내용의 질의를 사용자 단말로 전송할 수 있다. 추가 내용은 문서 템플릿에 포함된 내용을 보충하기 위한 데이터를 포함할 수 있다. 또한 추가 내용은 문서 템플릿에 포함되지 않은 새로운 내용과 관련된 데이터를 포함할 수도 있다. 더 구체적으로 추가 내용은 문서 템플릿에 추가되면 더 강력한 법률적 효력을 발생시키거나 권리의무관계의 명확성을 증가시키는 내용을 포함할 수 있다. 예를 들어, 추가 내용은 특약 사항을 포함할 수 있다. 프로세서(110)는 사용자 정보에 기초하여 특약 사항 추천하는 질의를 사용자 단말에 전송할 수 있다. 사용자 정보는 사용자 과거 기록으로부터 추출된 사용자 패턴 정보를 포함할 수 있다. 프로세서(110)는 사용자 정보를 기초로 사용자가 입력한 사건과 유사한 사건에서 사용된 특약 조항을 사용자에게 추천해줄 수 있다. 또한 프로세서(110)는 과거 사례들에 기초하여 해당 법률 관계 문서와 관련하여 다른 사용자들이 사용한 추가 특약 조항들에 대한 정보를 사용자 단말에 제공할 수 있다. 예를 들어, 프로세서는 영업권 양수계약과 관련하여 다른 사용자가 사용한 특약조항들을 사용자에게 제공할 수 있다. 또한, 이 경우, 이러한 특약 조항들의 채택율이 높은 경우, 해당 특약조항들은 템플릿에 추가될 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 2 질의는 사용자 정보에 기초하여 결정된 추가 내용에 대한 질의를 포함할 수 있다. 본 개시의 다른 일 실시예에 따라, 사용자 정보에 기초하여 결정된 추가 내용에 대한 질의는 사용자 정보에 기초하여 문서 템플릿에 추가될 내용을 사용자에게 추천해주는 질의를 포함할 수 있다. 본 개시의 일 실시예에 의하여 학습된 모델은 사용자보다 풍부한 법률적 지식을 가지고 있을 수 있다. 따라서 프로세서(110)는 풍부한 법률적 지식을 바탕으로 문서 템플릿에 추가될 내용을 사용자에게 추천해줄 수 있다. 본 개시의 일 실시예에 따라, 과거 사례에 기초하여 결정된 특약 사항은 과거 사례들에 기초하여 해당 법률 관계 문서와 관련하여 다른 사용자들이 사용한 추가 특약 사항을 포함할 수 있다. 이를 통해, 프로세서(110)는 사소한 부분에서 분쟁이 발생한 경우에도 당사자간의 권리의무 관계를 규율할 수 있는 문서(예를 들어, 계약서)를 생성할 수 있다. 본 개시의 일 실시예에 따라, 사용자 패턴 정보에 기초하여 사용자가 선호하는 특약 사항은 사용자가 해당 법률 관계와 관련된 문서 작성시 선호하는 특약 사항을 포함할 수 있다. 예를 들어, 임대차 계약서 생성시, "을은 아트월을 제외한 벽면에 대한 통상적인 못질에 대해서는 원상복구의무가 없다"라는 특약 조항을 선호할 수 있다. 사용자 패턴 정보는 사용자 로그 데이터를 기초로 산출하여 사용자가 어떤 특약 사항을 선호하는지에 대한 정보를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 문서 템플릿, 제 1 사용자 입력 데이터 또는 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 문서 템플릿에 대응되는 문서를 생성할 수 있다. 문서 생성 모델은 입력 데이터에 기초하여 사용자가 요청한 문서를 생성하기 위한 모델을 포함할 수 있다. 문서 생성 모델은 문서 템플릿, 제 1 사용자 입력 데이터, 제 2 사용자 입력 데이터에 기초하여 문서를 생성하기 위한 모델을 포함할 수 있다. 프로세서(110)는 문서 생성 모델을 이용하여 문서 템플릿의 내용을 제 1 사용자 입력 데이터, 제 2 사용자 입력 데이터를 기초로 보충, 변경, 추가할 수 있다. 예를 들어, 문서 템플릿이 임대차 계약서일 수 있다. 프로세서(110)는 임대차 계약서의 빈칸인 계약 당사자 이름, 보증금, 월세 등을 제 1 사용자 입력 데이터, 제 2 사용자 입력 데이터에 기초하여 채울 수 있다. 또한 프로세서(110)는 특약 조항 등을 사용자 정보, 제 1 사용자 입력 데이터 및/또는 제 2 사용자 입력 데이터에 기초하여 산출한 후, 임대차 계약서에 추가할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 문서 생성 모델을 이용하여 문서 템플릿에 대응되는 문서를 생성(S3000)할 수 있다. 생성된 문서는 문서 템플릿에 포함된 내용 또는 제 2 사용자 입력 데이터 또는 사용 기록 데이터 중 적어도 하나에 기초하여 추가된 내용 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 문서 템플릿에 포함된 내용은 복수개의 사건에 공통적으로 적용될 수 있는 내용을 포함할 수 있다. 예를 들어, 문서 템플릿이 매매 계약서인 경우, 문서 템플릿에 포함되는 내용은 제목, 서명 날인란, 매매 계약서에 포함되는 일반 조항 등을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제 2 사용자 입력 데이터 또는 사용 기록 데이터 중 적어도 하나에 기초하여 추가된 내용은 문서 템플릿에 포함된 내용에서 추가된 내용을 포함할 수 있다. 본 개시의 일 실시예에 따라, 추가된 내용은 문서 템플릿 내용에서 빠진 부분에 대한 내용을 포함할 수 있다. 문서 템플릿에는 빈 칸이 존재할 수도 있다. 프로세서(110)는 문서 생성을 위하여 문서 템플릿에 존재하는 빈 칸을 채울 필요가 있을 수 있다. 본 개시의 다른 일 실시예에 따라, 추가된 내용은 문서 템플릿에 포함되지 않은 새로운 내용을 포함할 수 있다. 사용자는 일반 조항에 없는 특약 조항을 새롭게 작성하여 새롭게 생성된 문서에 포함시키고 싶어할 수 있다. 이 경우, 추가된 내용은 특약 조항을 포함할 수 있다. 본 개시의 다른 일 실시예에 따라, 추가된 내용은 문서 템플릿에 포함되지 않은 새로운 내용을 포함할 수 있다. 프로세서(110)는 사용 기록 데이터에 기초하여 문서 템플릿에 포함되지 않은 새로운 내용을 사용자에게 추천해 줄 수 있다. 사용 기록 데이터를 기초로, 프로세서(110)는 제 1 사용자 입력 데이터 및/또는 제 2 사용자 입력 데이터에 포함된 사건과 유사한 사건들에서 사용된 특약 조항을 추천할 수 있다. 예를 들어, 프로세서(110)는 영업 양수양도 계약서를 생성할 수 있다. 이 과정에서 프로세서(110)는 제 1 사용자 입력 데이터에 포함된 영업 양수 사건과 유사한 사건을 분석하여 "인테리어 공사는 을이 건물주의 동의를 얻고 진행할 수 있다."라는 특약 조항을 추천할 수 있다. 이를 통해, 사용자는 법률 문서 작성 과정에서 누락될 수 있는 내용을 추가함으로써, 권리의무 관계가 더 명확해진 법률 문서를 작성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

이하에서는 수정 작업에 대한 설명이 도 4를 참조하여 구체적으로 개시된다.

본 개시의 일 실시예에 따라, 프로세서(110)는 생성된 문서에 포함된 텍스트에 대하여 수정 작업(S3100)을 수행할 수 있다. 프로세서(110)가 문서 생성 모델을 이용하여 생성한 문서는 오탈자, 맞춤법, 용어가 제대로 사용되었는지, 모순되는 내용이 없는지 확인해야할 필요가 있을 수 있다. 따라서, 프로세서(110)가 해당 사항을 점검하여 수정 작업을 수행할 수 있다. 또한 법률 전문가가 해당 사항을 점검하여 수정 작업을 진행할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 수정 작업은, 문서에 포함된 텍스트에 대하여 수정하는 작업을 포함할 수 있다. 수정 작업은 법률 문서에 포함된 텍스트에서 틀린 부분을 발견하여 수정하는 작업을 포함할 수 있다. 수정 작업은 생성된 문서에 포함된 텍스트를 교정하는 작업 또는 생성된 문서에 포함된 내용을 제 2 사용자 입력 데이터 또는 관리자 입력 데이터에 중 적어도 하나에 기초하여 변경하는 작업중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 수정 작업은 텍스트를 교정하는 작업을 포함할 수 있다. 텍스트를 교정하는 작업은 생성된 문서에 포함된 오탈자, 문법을 검토하여 수정하는 작업을 포함할 수 있다. 프로세서(110)는 오탈자가 존재하는 경우, 오탈자를 수정할 수 있다. 프로세서(110)는 오탈자가 발생한 단어와 의미 및/또는 형태가 유사한 단어를 자연어 처리 기술을 이용하여 획득할 수 있다. 따라서 프로세서(110)는 오탈자가 발생한 단어를 올바른 단어로 수정할 있다. 또한 프로세서(110)는 조사를 교정할 수도 있다. 프로세서(110)가 문서를 생성하는 과정에서 조사가 틀릴 수도 있다. 예를 들어, 프로세서(110)가 문서 생성 모델을 이용하여 생성한 문장이 "갑는 을에 대해"일 수 있다. 이 경우, 프로세서(110)는 "갑은 을에 대해"라고 조사를 수정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 수정 작업은 생성된 문서에 포함된 내용을 제 2 사용자 입력 데이터 또는 관리자 입력 데이터에 중 적어도 하나에 기초하여 변경하는 작업중 적어도 하나를 포함할 수 있다. 프로세서(110)는 생성된 문서에 포함된 내용을 제 2 사용자 입력 데이터에 기초하여 변경할 수 있다. 프로세서(110)는 제 2 사용자 입력 데이터에 포함된 내용과 생성된 문서에 포함된 내용을 비교하면서, 불일치하는 부분, 모순되는 부분을 추출하여 수정할 수 있다. 예를 들어, 제 2 사용자 입력 데이터는 인테리어 전체 비용이 5000만원이라는 내용을 포함할 수 있다. 하지만 생성된 문서는 인테리어 전체 비용이 5000만원이나 인테리어 항목 합산 금액(예를 들어, 가구=500만원, 벽지=300만원 등등)이 4500만원일 수 있다. 따라서 프로세서(110)는 500만원에 해당하는 항목을 제 2 사용자 입력 데이터에서 다시 검색하여 찾은 후, 생성된 문서에 추가할 수 있다.

본 개시의 다른 일 실시예에 따라, 프로세서(110)는 생성된 문서에 포함된 내용을 관리자 입력 데이터에 기초하여 변경할 수 있다. 관리자는 서버 관리자를 포함할 수 있다. 또한 관리자는 법률적 지식이 있는 법률 전문가를 포함할 수도 있다. 프로세서(110)는 관리자로부터 관리자 입력 데이터를 수신할 수 있다. 관리자 입력 데이터는 생성된 문서 초안에 대하여 최종 검토를 한 내용을 포함할 수 있다. 따라서 관리자 입력 데이터는 법률 용어가 잘못 사용된 경우 수정할 수 있다. 예를 들어, 프로세서(110)가 채권/채무 관계를 혼동하여 단어를 기재한 경우, 관리자 입력 데이터는 이를 올바르게 수정한 데이터를 포함할 수 있다. 또 다른 예를 들어, 관리자 입력 데이터는 제 2 사용자 입력 데이터에 포함된 내용과 생성된 문서에 포함된 내용을 비교한 결과에 대한 데이터를 포함할 수 있다. 따라서 프로세서(110)는 비교 결과가 관리자 입력 데이터를 기초로 제 2 사용자 입력 데이터와 다른 부분을 생성된 문서에서 찾아내어 수정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시에 따라, 문서를 생성하는 경우, 문서 작성에 드는 시간 및 비용을 아낄 수 있다. 특히 법률 문서 작성의 경우, 법률적 지식이 없는 일반인은 법률 문서를 혼자서 제대로 작성하기 힘들 수 있다. 따라서 법률 문서는 법률 전문가의 도움을 받아 작성하는 것이 일반적이다. 하지만 법률 전문가의 도움을 받는 것에 큰 비용이 지출되고, 이는 일반인들에게 부담이 될 수 있다. 따라서 일반인들은 자신의 권리 주장을 하기 위해 법률 문서 작성이 필요한 경우에도 높은 법률 전문가 수임 비용으로 인해 자신의 권리를 제대로 주장하지 못할 수도 있다. 따라서 인공지능 기술을 이용하여 자동으로 법률 문서를 작성하여 이를 일반인에게 상대적으로 저렴한 비용으로 제공한다면, 억울하게 비용 문제로 자신의 권리를 주장하지 못하는 경우는 줄어들 수 있다. 즉 법률 문서 작성에 드는 비용을 낮춤으로써, 폭넓은 범위의 다양한 계층의 사람들이 법률 문서를 작성할 수 있게 될 수 있다.

본 개시에 따라, 문서 템플릿 추천 모델을 사용하는 경우, 템플릿 추천 모델의 규칙 기반 학습을 위해 라벨링에 소요되는 시간을 줄일 수도 있다. 규칙 기반 학습을 수행하는 경우, 모든 법률 문서에 대해 법률 전문가가 특정 사건들을 맵핑해야할 필요성이 존재할 수 있다. 즉, 특정 사건A에 대해서는 법률 문서A를 라벨링하고 특정 사건B에 대해서는 법률 문서B를 라벨링할 수 있다. 하지만 이러한 라벨링 과정은 고연봉 근로자인 법률 전문가들의 생산성 및 효율성을 떨어뜨릴 수 있다. 따라서 라벨링이 필요 없는 워드투벡터 모델을 사용할 수 있다. 워드투벡터 모델은 문서를 입력 받아 문서 내에 포함된 단어들 간의 의미 유사도를 산출할 수 있다. 따라서 사용자로부터 입력된 텍스트의 핵심 키워드 및 핵심 키워드와 유사한 단어를 문서 템플릿 각각의 핵심 키워드와 비교함으로써 최적의 문서 템플릿을 사용자에게 추천해줄 수 있다.

도 2는 본 개시의 일 실시예에 따라, 문서를 생성하기 위한 방법에서의 신경망을 예시적으로 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 노드들이 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 라벨을 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 신경망에 입력되거나, 신경망에서 출력되는 데이터를 포함할 수 있다. 신경망에 입력되거나, 출력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 컴퓨터 판독가능 매체에 저장된 데이터 구조는 신경망의 추론 과정에서 입력되는 데이터, 또는 신경망의 추론 결과 출력되는 출력 데이터를 포함할 수 있다. 또한, 데이터 구조는 특정한 데이터 가공 방법에 의하여 가공되는 데이터를 포함할 수 있으므로, 가공 전 후의 데이터를 포함할 수 있다. 따라서, 데이터 구조는 가공의 대상이 되는 데이터 및 데이터 가공 방법을 통해 가공된 데이터를 포함할 수 있다.

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 문서 간 유사도를 산출하는 과정을 설명하기 위한 예시도이다.

도 3에서는 제 1 사용자 입력 데이터(410), 제 1 중요도 벡터(430), 의미 유사도 행렬(450), 단어 유사도 모델(440), 제 2 중요도 벡터(470), 제 3 중요도 벡터(490)가 도시되어 있다.

본 개시의 일 실시예에 따라, 문서 템플릿 추천 모델은 입력 데이터에 대응되는 문서 템플릿을 추천하기 위한 모델을 포함할 수 있다. 문서 템플릿 추천 모델은 기계 학습 모델, 딥러닝 모델을 포함할 수 있다. 서버(100)는 문서 템플릿 추천 모델을 이용하여 제 1 사용자 입력 데이터에 포함된 사용자의 의도를 파악할 수도 있다. 사용자 입력 데이터에 포함된 사용자의 의도는 사용자가 어떤 문서를 작성하고자 하는 의도를 포함할 수 있다. 예를 들어, 사용자는 계약서를 작성하기 위한 의도를 가질 수 있다. 사용자는 또한 소장을 작성하기 위한 의도를 가질 수도 있다. 서버(100)는 문서 템플릿 추천 모델을 이용하여 사용자가 작성하고자 하는 문서를 파악하여, 입력된 제 1 사용자 입력 데이터와 대응되는 문서 템플릿을 추천할 수 있다. 예를 들어, 제 1 사용자 입력 데이터는 A와 B가 매매 계약을 맺는 내용을 포함할 수 있다. 그리고 사용자는 A와 B가 매매 계약을 맺는 매매 계약서 작성 의도를 가질 수 있다. 서버(100)는 제 1 사용자 입력 데이터로부터 문서 템플릿 추천 모델을 이용하여 계약서를 작성하고자 하는 사용자 의도를 파악할 수 있다. 따라서 서버(100)는 사용자에게 계약서 템플릿을 사용자에게 추천해 줄 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 문서 템플릿 추천 모델은, 제 1 사용자 입력 데이터에 대응되는 적어도 하나의 후보 문서 템플릿을 획득하기 위한 자연어 처리 딥러닝 모델을 포함할 수 있다. 자연어 처리 딥러닝 모델은 자연어를 입력 데이터로 하여 태스크를 수행하는 딥러닝 모델을 포함할 수 있다. 서버(100)는 자연어 처리 딥러닝 모델을 이용하여 자연어로부터 사용자 의도 분석, 문서 요약, 질문에 대한 답변, 문서 분류 등의 태스크를 수행할 수 있다. 전술한 문서 템플릿 추천 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 제 1 사용자 입력 데이터(410)를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득할 수 있다. 서버(100)는 제 1 사용자 입력 데이터(410)에 포함된 단어들의 중요도를 포함하는 제 1 중요도 벡터(430)를 산출할 수 있다. 본 개시의 제 1 실시예에 따라, 제 1 중요도 벡터(430)는 제 1 사용자 입력 데이터에 포함된 단어 각각의 중요도를 벡터의 엘리먼트로 하는 벡터를 포함할 수 있다. 제 1 중요도 벡터의 엘리먼트 각각은 (아파트, 연립주택, 다세대주택, 단독 주택, 매매, 전세, 월세, 산다, 판다, 매입한다)일 수 있다. 이 경우, 제 1 중요도 벡터는 (0.9, 0.1, 0.2, 0.1, 0.8, 0.1, 0.1, 0.8, 0.1, 0.3)일 수 있다. 따라서, 프로세서(110)는 제 1 사용자 입력 데이터의 핵심 내용은 "아파트 매매 매물을 산다"라고 결정할 수도 있다. 따라서 프로세서(110)는 제 1 사용자 입력 데이터로부터 추출된 핵심 내용을 기초로 아파트 매매 계약서 템플릿을 추천할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 문서에 포함된 법률 용어와 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도 행렬(450)을 산출할 수 있다. 의미 유사도 행렬(450)은 문서에 포함된 단어 간의 유사도를 포함하는 행렬을 포함할 수 있다. 의미 유사도 행렬(450)의 각 요소는 단어 간의 의미 유사도를 포함할 수 있다. 예를 들어, 10*10 행렬에서 (2,4)는 2번째 단어와 4번째 단어의 의미 유사도를 포함할 수 있다. 단어 간의 의미 유사도가 높을수록 의미 유사도 행렬(450)의 각 요소는 큰 값을 가질 수 있다. 문서에는 일반 용어와 법률 용어가 모두 포함될 수 있다. 서버(100)는 의미 유사도 행렬을 이용하여 일반 용어와 의미가 유사한 법률 용어를 획득할 수도 있다. 예를 들어, "~에게 돈을 빌려준다"라는 일반 용어는 "~에 대하여 채권을 갖는다"와 의미 유사도가 높을 수도 있다. 또 다른 예를 들어, "영업장을 팔아 넘긴다"라는 일반 용어는 "영업장을 양도한다"라는 법률 용어와 의미 유사도가 높을 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 의미 유사도 행렬(450)은 문서에 포함된 법률 용어와 제 1 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도를 획득하기 위한 단어 유사도 모델(440)을 이용하여 획득한 행렬을 포함할 수 있다. 단어 유사도 모델(440)은 의미 유사도 행렬을 산출하기 위한 머신 러닝 모델을 포함할 수 있다. 단어 유사도 모델(440)은 워드투벡터(Word2Vec) 모델을 포함할 수도 있다. 서버(100)는 워드투벡터 모델을 이용하여 의미 유사도 행렬을 획득할 수 있다. 서버(100)는 워드투벡터 모델에 문서를 입력시켜 단어들 간 의미 유사도를 산출하도록 학습시킬 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 제 1 중요도 벡터(430) 및 의미 유사도 행렬(450)의 연산을 통해 제 2 중요도 벡터(470)를 산출할 수 있다. 서버(100)는 제 1 중요도 벡터(430) 및 의미 유사도 행렬(450)의 행렬곱을 통해 제 2 중요도 벡터(470)를 산출할 수 있다. 제 2 중요도 벡터(470)는 제 1 사용자 입력 데이터(410)에 포함된 단어의 의미가 확장된 벡터를 포함할 수 있다. 다시 말해, 제 2 중요도 벡터(470)는 제 1 중요도 벡터에서 중요도가 높은 단어와 의미가 유사한 단어들의 중요도가 높아진 벡터를 포함할 수 있다. 예를 들어, 제 1 중요도 벡터(430)에서 '발명'이라는 단어의 중요도가 가장 높을 수 있다. 이 경우, 서버(100)는 '발명'과 의미 유사도가 높은 특허, 특허권, 특허 출원, 실용신안권 등과 같은 법률 용어의 중요도가 높은 제 2 중요도 벡터(470)를 획득할 수 있다. 제 2 중요도 벡터(470)는 제 1 중요도 벡터 및 의미 유사도 행렬의 연산을 통해 획득한 벡터를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 적어도 하나의 문서 템플릿에 대응되는 문서 각각에 포함된 단어들의 중요도를 포함하는 제 3 중요도 벡터(490)를 산출할 수 있다. 제 3 중요도 벡터(490)는 문서 템플릿에 대응되는 문서 각각에 포함된 단어들의 중요도를 포함하는 벡터를 포함할 수 있다. 각각의 문서 템플릿은 다른 문서 템플릿에서는 드물게 나타나지만 특정 템플릿에서만 빈번하게 출현되는 단어를 포함하고 있을 수 있다. 이러한 단어는 특정 문서 템플릿과 다른 문서 템플릿을 구분하는 중요한 기준이 될 수도 있다. 본 개시의 일 실시예에 따라, 제 3 중요도 벡터(490)는 문서 템플릿에 대응되는 문서 각각에 포함된 단어의 중요도를 벡터의 엘리먼트로 하는 벡터를 포함할 수 있다. 제 3 중요도 벡터(490)는 예를 들어, 문서 템플릿이 임대차 계약서인 경우, 임대차 계약서에서 중요도가 높은 단어들에 대해서는 상대적으로 큰 값을 가지는 벡터를 포함할 수 있다. 보증금, 월세와 같이 임대차 계약서에서 주로 사용되는 단어는 제 3 중요도 벡터(490)에서 큰 값을 가질 수도 있다. 서버(100)는 TF-IDF 방법을 통해 제 3 중요도 벡터를 산출할 수 있다. TF-IDF는 다른 문서에는 빈번하게 출현하지 않고 해당 문서에서 자주 등장하는 단어는 높은 값을 가지도록 하는 알고리즘일 수 있다. 즉 TF-IDF는 특정 문서를 다른 문서와 구분하기 위해 각 문서별 핵심 단어를 추출하는 알고리즘일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490)를 비교할 수 있다. 서버(100)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이의 거리를 산출할 수 있다. 서버(100)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이의 거리를 유클리디안 거리, 코사인 유사도 방법 등을 통해 산출할 수 있다. 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이의 거리가 가까울수록, 제 1 사용자 입력 데이터(410)와 특정 문서 템플릿 간에 대응될 확률이 높을 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 비교에 기초하여 사용자 입력 텍스트에 대응되는 적어도 하나의 후보 문서 템플릿을 획득할 수 있다. 서버(100)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이 거리를 기초로 제 1 사용자 입력 데이터(410)에 대응되는 적어도 하나의 후보 문서 템플릿을 획득할 수 있다. 프로세서(110)는 제 2 중요도 벡터(470)와 제 3 중요도 벡터(490) 사이 거리를 기초로 제 1 사용자 입력 데이터(410)와 후보 문서 템플릿 간의 대응도(또는 문서간 유사도)를 산출할 수 있다. 서버(100)는 사용자 단말로 하여금 산출된 대응도를 기초로 내림차순으로 정렬하여 후보 문서 템플릿을 디스플레이 하도록 야기할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 4는 문서를 생성하기 위한 순서도이다.

본 개시의 일 실시예에 따라, 서버(100)는 사용자 단말로부터 제 1 사용자 입력 데이터를 수신할 수 있다. 서버(100)는 사용자 단말에 제 1 질의를 전송(S2100)할 수 있다. 서버(100)가 사용자 단말에 제 1 질의를 전송하고 제 1 질의에 대응되는 제 1 사용자 입력 데이터를 수신(S2200)하는 동작은 한 번으로 제한되는 것이 아니라, 복수 회에 걸쳐 수행될 수도 있다. 즉, 문서 템플릿을 추천하기 위한 데이터가 부족한 경우 사용자에게 질의를 추가적으로 전송함으로써 부족한 데이터를 보충할 수 있기 때문이다. 서버(100)는 추가 질의 여부(S2300)를 결정하여 추가적으로 제 1 질의를 사용자 단말로 전송할 수 있다. 서버(100)는 문서 템플릿 추천을 위해 필요한 정보가 부족하거나 모순되는 정보가 존재하는 경우, 추가 질의를 사용자 단말에 전송할 수 있다.

본 개시의 일 실시예에 따라, 서버(100)는 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿(S2400)을 획득할 수 있다. 후보 문서 템플릿은 제 1 사용자 입력 데이터에 대응되는 적어도 하나 이상의 문서 템플릿을 포함할 수 있다. 예를 들어, 제 1 사용자 입력 데이터는 "호프집을 조그맣게 운영하고 있는데, 장사가 안되어 다른 사람에게 넘기려고 합니다. 그런데 아직 임대차계약기간이 6개월 정도 남아 있고, 권리금을 받기로 했으며, 인테리어도 그대로 그 사람이 인수하기로 했습니다"라는 텍스트 데이터를 포함할 수 있다. 이 경우, 서버(100)는 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿(S2400)을 획득할 수 있다. 서버(100)는 후보 문서 템플릿으로서 "영업 양수도 계약서", "점포 양도 계약서", "담보물 양도 계약서", "매출채권 양도 계약서"를 획득할 수 있다. 서버(100)는 문서 템플릿 추천 모델을 이용하여 제 1 사용자 입력 데이터와 후보 문서 템플릿이 대응되는 확률을 획득할 수 있다. 예를 들어, 서버(100)는 문서 템플릿 추천 모델을 이용하여 제 1 사용자 입력 데이터와 영업 양수도 계약서(331)가 97%의 확률로 대응되는 결과를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 적어도 하나의 후보 문서 템플릿에 대한 제 1 사용자 추가 입력 데이터를 수신(S2500)할 수 있다. 제 1 사용자 추가 입력 데이터는 적어도 하나의 후보 문서 템플릿과 관련된 정보를 포함하는 데이터를 포함할 수 있다. 제 1 사용자 추가 입력 데이터는 사용자가 적어도 하나의 후보 문서 템플릿 중에서 선택한 문서 템플릿 정보를 포함할 수 있다. 제 1 사용자 추가 입력 데이터는 또한, 서버(100)가 추천한 후보 문서 템플릿을 선택할지 여부에 대한 정보를 포함할 수 있다. 따라서 서버(100)는 제 1 사용자 추가 입력 데이터에 기초하여 적어도 하나의 후보 문서 템플릿 중에서 문서 템플릿을 결정할 수 있다. 본 개시의 다른 일 실시예에 따라, 서버(100)는 제 1 사용자 추가 입력 데이터에 잘못된 문서 템플릿 선택이 포함된 경우, 사용자에게 질의를 전송하여 추가 확인 절차를 거칠 수 있다. 즉, 사용자가 입력을 잘못 누르거나 사용자의 오판으로 발생한 상황일 수 있기 때문이다. 프로세서(110)는 추가 확인 절차를 통해 최종적으로 제 1 사용자 입력 데이터와 대응도가 높은 문서 템플릿을 결정할 수 있다. 서버(100)는 문서 템플릿을 결정함으로써, 문서에 포함된 모든 내용을 새롭게 작성할 필요가 없을 수 있다. 서버(100)는 문서 템플릿에 포함된 내용을 기초로 사용자 입력 데이터에 기초하여 내용을 추가하거나 변경함으로써 새로운 문서를 생성할 수 있다. 서버(100)가 문서 템플릿에 포함된 내용을 활용하여 문서를 생성하는 경우, 양질의 문서를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 제 1 사용자 추가 입력 데이터를 기초로 문서 템플릿을 결정(S2600)할 수 있다.

본 개시의 일 실시예에 따라, 서버(100)는 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득(S2800)할 수 있다. 서버(100)는 사용자 단말에 문서 템플릿에 대한 제 2 질의를 전송(S2700)할 수 있다. 서버(100)는 사용자 단말로부터 제 2 질의에 대한 제 2 사용자 입력 데이터를 획득(S2800)할 수 있다. 서버(100)가 사용자 단말에 제 2 질의를 전송(S2700)하고 제 2 질의에 대응되는 제 2 사용자 입력 데이터를 수신하는 동작은 한 번으로 제한되는 것이 아니라, 복수 회에 걸쳐 수행될 수도 있다. 즉, 서버(100)는 제 2 사용자 입력 데이터 수신 후, 추가 질의 여부(S2800)를 결정함으로써 제 2 질의를 다시 전송할 수도 있다. 서버(100)는 관리자 입력 데이터에 기초하여 추가 질의 여부를 결정할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 서버(100)는 문서 생성 모델을 이용하여 문서 템플릿에 대응되는 문서를 생성(S3000)할 수 있다. 생성된 문서는 문서 템플릿에 포함된 내용 또는 제 2 사용자 입력 데이터 또는 사용 기록 데이터 중 적어도 하나에 기초하여 추가된 내용 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 서버(100)는 생성된 문서에 포함된 텍스트에 대하여 수정 작업(S3100)을 수행할 수 있다. 서버(100)가 문서 생성 모델을 이용하여 생성한 문서는 오탈자, 맞춤법, 용어가 제대로 사용되었는지, 모순되는 내용이 없는지 확인해야할 필요가 있을 수 있다. 따라서, 서버(100)가 해당 사항을 점검하여 수정 작업을 수행할 수 있다. 또한 법률 전문가가 해당 사항을 점검하여 수정 작업을 진행할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 5는 문서를 생성하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 문서를 생성하기 위한 방법은 다음과 같은 모듈에 의해 구현될 수 있다. 상기 모듈은 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하기 위한 모듈(610); 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하기 위한 모듈(620); 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하기 위한 모듈(630); 및 문서 템플릿, 제 1 사용자 입력 데이터 또는 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 상기 문서 템플릿에 대응되는 문서를 생성하기 위한 모듈(640)을 포함할 수 있다.

문서를 생성하기 위한 대안적인 실시예에서, 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하기 위한 모듈(610)은, 사용자 단말에 제 1 질의를 전송하기 위한 모듈; 및 사용자 단말로부터 제 1 질의에 대응되는 제 1 사용자 입력 데이터를 수신하기 위한 모듈을 포함할 수 있다.

문서를 생성하기 위한 대안적인 실시예에서, 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하기 위한 모듈(620)은, 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득하기 위한 모듈; 적어도 하나의 후보 문서 템플릿에 대한 제 1 사용자 추가 입력 데이터를 수신하기 위한 모듈; 및 제 1 사용자 추가 입력 데이터에 기초하여 적어도 하나의 후보 문서 템플릿 중에서 문서 템플릿을 결정하기 위한 모듈을 포함할 수 있다.

문서를 생성하기 위한 대안적인 실시예에서, 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득하기 위한 모듈은, 제 1 사용자 입력 데이터에 포함된 단어들의 중요도를 포함하는 제 1 중요도 벡터를 산출하기 위한 모듈; 문서에 포함된 법률 용어와 제 1 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도 행렬을 산출하기 위한 모듈; 제 1 중요도 벡터 및 의미 유사도 행렬의 연산을 통해 제 2 중요도 벡터를 산출하기 위한 모듈; 적어도 하나의 문서 템플릿에 대응되는 문서 각각에 포함된 단어들의 중요도를 포함하는 제 3 중요도 벡터를 산출하기 위한 모듈; 제 2 중요도 벡터와 제 3 중요도 벡터를 비교하기 위한 모듈; 및 비교에 기초하여 제 1 사용자 입력 데이터에 대응되는 적어도 하나의 후보 문서 템플릿을 획득하기 위한 모듈을 포함할 수 있다.

문서를 생성하기 위한 대안적인 실시예에서, 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하기 위한 모듈(640)은, 사용자 단말에 문서 템플릿에 대한 제 2 질의를 전송하기 위한 모듈; 및 사용자 단말로부터 제 2 질의에 대한 제 2 사용자 입력 데이터를 획득하기 위한 모듈을 포함할 수 있다.

문서를 생성하기 위한 대안적인 실시예에서, 생성된 문서에 포함된 텍스트에 대하여 수정 작업을 수행하기 위한 모듈을 더 포함할 수 있다.

본 개시의 일 실시예에 따르면 문서를 생성하기 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 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 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 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 문서를 생성하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
   사용자 단말로부터 제 1 사용자 입력 데이터를 수신하는 동작;
   상기 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 상기 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하는 동작;
   상기 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하는 동작; 및
   상기 문서 템플릿, 상기 제 1 사용자 입력 데이터 또는 상기 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 상기 문서 템플릿에 대응되는 문서를 생성하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 문서는,
   법률 행위와 관련된 문서인 법률 문서를 포함하고,
   상기 법률 문서는,
   당사자 간의 합의된 내용을 포함하는 문서, 국가 기관에 제출되는 문서 또는 국가 기관으로부터 발부되는 문서
   중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 제 1 사용자 입력 데이터는,
   문서 템플릿 추천 모델의 추론을 위하여 필요한 데이터로서,
   사실 관계 정보, 또는 법률 관계 정보 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   상기 사용자 단말로부터 제 1 사용자 입력 데이터를 수신하는 동작은,
   상기 사용자 단말에 제 1 질의를 전송하는 동작; 및
   상기 사용자 단말로부터 상기 제 1 질의에 대응되는 상기 제 1 사용자 입력 데이터를 수신하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
5. 제 4 항에 있어서,
   상기 제 1 질의는,
   적어도 하나의 후보 문서 템플릿을 획득하기 위하여 필요한 정보를 상기 사용자 단말로부터 획득하기 위한 질의로서,
   사건에 대한 사실 관계 정보 또는 법률 관계 정보 중 적어도 하나에 대한 질의,
   상기 제 1 사용자 입력 데이터에 잘못된 법률 관계 정보가 포함된 경우, 상기 잘못된 법률 관계 정보에 대한 수정 질의 또는
   상기 제 1 사용자 입력 데이터에 포함된 사실 관계 정보에 기초하여 추가 사실 관계 정보를 요청하는 질의
   중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 상기 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하는 동작은,
   상기 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득하는 동작;
   상기 적어도 하나의 후보 문서 템플릿에 대한 제 1 사용자 추가 입력 데이터를 수신하는 동작; 및
   상기 제 1 사용자 추가 입력 데이터에 기초하여 상기 적어도 하나의 후보 문서 템플릿 중에서 문서 템플릿을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 문서 템플릿 추천 모델은,
   상기 제 1 사용자 입력 데이터에 대응되는 적어도 하나의 후보 문서 템플릿을 획득하기 위한 자연어 처리 딥러닝 모델을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
8. 제 6 항에 있어서,
   상기 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 적어도 하나의 후보 문서 템플릿을 획득하는 동작은,
   상기 제 1 사용자 입력 데이터에 포함된 단어들의 중요도를 포함하는 제 1 중요도 벡터를 산출하는 동작;
   문서에 포함된 법률 용어와 상기 제 1 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도 행렬을 산출하는 동작;
   상기 제 1 중요도 벡터 및 상기 의미 유사도 행렬의 연산을 통해 제 2 중요도 벡터를 산출하는 동작;
   적어도 하나의 문서 템플릿에 대응되는 문서 각각에 포함된 단어들의 중요도를 포함하는 제 3 중요도 벡터를 산출하는 동작;
   상기 제 2 중요도 벡터와 제 3 중요도 벡터를 비교하는 동작; 및
   상기 비교에 기초하여 제 1 사용자 입력 데이터에 대응되는 적어도 하나의 후보 문서 템플릿을 획득하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
9. 제 8 항에 있어서,
   상기 의미 유사도 행렬은,
   문서에 포함된 법률 용어와 상기 제 1 사용자 입력 데이터에 포함된 단어 사이의 의미 유사도를 획득하기 위한 단어 유사도 모델을 이용하여 획득한 행렬을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    상기 제 2 사용자 입력 데이터는,
    특정 문서 템플릿에 대응되는 문서를 생성하기 위하여 필요한 데이터로서,
    상기 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터 또는
    상기 문서 템플릿에 내용을 추가하기 위하여 필요한 데이터
    중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하는 동작은,
    상기 사용자 단말에 상기 문서 템플릿에 대한 제 2 질의를 전송하는 동작; 및
    상기 사용자 단말로부터 상기 제 2 질의에 대한 제 2 사용자 입력 데이터를 획득하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
12. 제 11 항에 있어서,
    상기 제 2 질의는,
    상기 문서 템플릿에 대응되는 문서를 생성하기 위하여 필요한 정보를 획득하기 위한 질의로서,
    상기 문서 템플릿에 포함된 내용을 수정하기 위하여 필요한 데이터를 획득하기 위한 질의,
    상기 문서 템플릿의 항목을 채우기 위하여 필요한 데이터를 획득하기 위한 질의,
    또는
    사용자 정보에 기초하여 결정된 추가 내용에 대한 질의
    중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
13. 제 12 항에 있어서,
    상기 사용자 정보에 기초하여 결정된 추가 내용에 대한 질의는,
    사용자 정보에 기초하여 상기 문서 템플릿에 추가될 내용을 사용자에게 추천해주는 질의로서,
    과거 사례에 기초하여 결정된 특약 사항 선택에 대한 질의 또는
    사용자 패턴 정보에 기초하여 사용자가 선호하는 특약 사항 선택에 대한 질의
    중 적어도 하나를 포함하는
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
14. 제 1 항에 있어서,
    상기 생성된 문서는,
    상기 문서 템플릿에 포함된 내용 또는
    상기 제 2 사용자 입력 데이터 또는 사용 기록 데이터 중 적어도 하나에 기초하여 추가된 내용
    중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
15. 제 1 항에 있어서,
    상기 생성된 문서에 포함된 텍스트에 대하여 수정 작업을 수행하는 동작;
    을 더 포함하고,
    상기 수정 작업은,
    상기 생성된 문서에 포함된 텍스트를 교정하는 작업 또는
    상기 생성된 문서에 포함된 내용을 상기 제 2 사용자 입력 데이터 또는 관리자 입력 데이터에 중 적어도 하나에 기초하여 변경하는 작업
    중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
16. 문서를 생성하기 위한 방법에 있어서,
    사용자 단말로부터 제 1 사용자 입력 데이터를 수신하는 단계;
    상기 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 상기 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하는 단계;
    상기 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하는 단계; 및
    상기 문서 템플릿, 상기 제 1 사용자 입력 데이터 또는 상기 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 상기 문서 템플릿에 대응되는 문서를 생성하는 단계;
    를 포함하는,
    문서를 생성하기 위한 방법.
    
17. 문서를 생성하기 위한 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    사용자 단말로부터 제 1 사용자 입력 데이터를 수신하고,
    상기 제 1 사용자 입력 데이터를 문서 템플릿 추천 모델에 입력시켜 상기 제 1 사용자 입력 데이터에 대응되는 문서 템플릿을 획득하고,
    상기 문서 템플릿에 대한 제 2 사용자 입력 데이터를 획득하고, 그리고
    상기 문서 템플릿, 상기 제 1 사용자 입력 데이터 또는 상기 제 2 사용자 입력 데이터 중 적어도 하나를 문서 생성 모델에 입력시켜 상기 문서 템플릿에 대응되는 문서를 생성하는,
    컴퓨팅 장치.
    
    

Images