KR20210115234A - 신경망을 이용한 기술 유사도 판단 방법 - Google Patents
신경망을 이용한 기술 유사도 판단 방법 Download PDFInfo
- Publication number
- KR20210115234A KR20210115234A KR1020200030710A KR20200030710A KR20210115234A KR 20210115234 A KR20210115234 A KR 20210115234A KR 1020200030710 A KR1020200030710 A KR 1020200030710A KR 20200030710 A KR20200030710 A KR 20200030710A KR 20210115234 A KR20210115234 A KR 20210115234A
- Authority
- KR
- South Korea
- Prior art keywords
- document
- comparison target
- partial
- similarity
- partial document
- Prior art date
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 193
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims description 83
- 230000036961 partial effect Effects 0.000 claims abstract description 344
- 238000003860 storage Methods 0.000 claims abstract description 49
- 238000004590 computer program Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 23
- 238000012549 training Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 13
- 230000000306 recurrent effect Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000013145 classification model Methods 0.000 description 10
- 230000006403 short-term memory Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 230000007774 longterm Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 230000007123 defense Effects 0.000 description 6
- 239000004318 erythorbic acid Substances 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000009193 crawling Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/182—Alternative dispute resolution
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/912—Applications of a database
- Y10S707/923—Intellectual property
- Y10S707/93—Intellectual property intellectual property analysis
- Y10S707/931—Patent comparison
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 신경망을 이용하여 기술 분야를 추출하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키는 동작; 및 상기 기술 유사도 판단 모델을 이용하여 상기 제 1 부분 문서의 적어도 일부와 상기 비교 대상 문서의 기술 유사도를 획득하는 동작을 포함할 수 있다
Description
본 개시는 컴퓨팅 장치를 이용한 데이터 처리에 관한 것으로써, 보다 구체적으로는 신경망을 이용하여 기술 유사도를 판단하는 방법에 관한 것이다.
컴퓨터 및 인터넷 기술이 발전함에 따라, 많은 양의 데이터가 축적되고 있다. 많은 양의 데이터를 효율적으로 저장하고 원하는 검색 조건으로 쉽고 빠르게 데이터를 찾기 위한 기술의 중요도가 증가하고 있다. 현재 저장 매체는 수많은 정보를 저장 및 검색하는 것을 허용한다.
많은 양의 데이터 중 상당 수는 기술 관련 내용을 포함하고 있을 수 있다. 컴퓨터 및 인터넷 기술이 발전함에 따라, 기술 내용이 포함된 논문, 기업의 기술 내부 문서, 특허 문서 등과 같이 기술 내용을 포함하는 문서들이 전자화 되어 축적되고 있다.
저장 매체가 수많은 양의 기술 내용을 포함하고 있는 경우, 사용자가 관심있어 하는 기술 내용을 획득하는 데 어려움이 존재할 수 있다. 또한 컴퓨팅 장치가 사용자가 관심 있어 하는 기술 내용을 검색하는데 있어서 상대적으로 긴 시간이 소요될 수 있다.
인공지능 기술에서도 특히 딥 러닝 분야는 데이터 자동화 처리에 대해 놀라운 발전을 이루었다. 그리고 딥 러닝을 이용하여 문서 간 유사도를 비교하는 기술도 발전하고 있다. 따라서 문서 간 유사도를 판단하는 기술이 발달하면서 기술 문서 검색에 딥 러닝을 사용하는 추세이다.
대한민국 공개특허공보 제 2012-0108124호에서는 특허 분쟁 예측 모델 생성 방법, 그 방법을 실시하는 시스템 및 그 방법이 기록된 기록 매체를 개시하고 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 신경망을 이용하여 기술 유사도를 판단하는 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, 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키는 동작; 및 기술 유사도 판단 모델을 이용하여 제 1 부분 문서의 적어도 일부와 비교 대상 문서의 기술 유사도를 획득하는 동작을 포함할 수 있다.
대안적 실시예에서, 문서는 권리 주장을 위한 제 1 부분 문서 또는 권리 주장 내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 기술 유사도 판단 모델은 제 1 부분 문서와 상기 제 2 부분 문서를 기술 유사도 판단 모델에 입력시켜, 제 1 부분 문서의 내용과 제 2 부분 문서의 내용 간의 상관 관계를 학습시킨 제 1 모델을 포함할 수 있다.
대안적 실시예에서, 기술 유사도 판단 모델은 제 1 부분 문서와 비교 대상 문서를 제 1 모델에 입력시켜, 제 1 부분 문서의 내용과 비교 대상 문서의 내용 간의 상관 관계를 학습시킨 제 2 모델을 포함할 수 있다.
대안적 실시예에서, 비교 대상 문서는, 원시 비교 대상 문서인 제 1 비교 대상 문서 또는 원시 비교 대상 문서를 가공한 문서인 제 2 비교 대상 문서 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 제 1 비교 대상 문서는, 기술 관련 내용을 포함한 문서로서, 지식재산권 관련 문서, 논문 또는 기술 문서 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 제 2 비교 대상 문서는, 제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부를 포함하며, 제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부는 핵심 문장 산출 알고리즘에 기초하여 결정된 문장을 포함할 수 있다.
대안적 실시예에서, 핵심 문장 산출 알고리즘은, 제 1 비교 대상 문서에 포함된 문장 내의 기술 용어 각각에 대하여 기술 용어 출현 빈도에 기초하여 기술 용어 중요도를 산출하는 단계; 산출된 기술 용어 중요도 각각을 행렬의 요소로 하는 제 1 행렬과 상기 제 1 행렬의 전치행렬을 연산하여 문장 간 가중치 행렬을 획득하는 단계; 문장 간 가중치 행렬을 기초로 상기 제 1 비교 대상 문서에 포함된 문장의 랭크(Rank)를 산출하는 단계; 및 산출된 랭크가 사전 결정된 랭크 이상인 문장을 핵심 문장으로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 비교 대상 문서는, 시간의 경과에 따라 공개되는 비교 대상 문서에 대하여 기술 유사도를 판단하기 위하여 특정 시점을 기준으로 사전 결정된 주기마다 업데이트된 문서를 포함할 수 있다.
대안적 실시예에서, 기술 유사도 판단 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델; 제 2 부분 문서의 피처 또는 상기 비교 대상 문서의 피처를 추출하기 위한 제 2 서브모델; 제 1 서브모델의 출력 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 상기 비교 대상 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및 상관관계에 기초하여 상기 기술 유사도를 획득하기 위한 제 4 서브모델을 포함할 수 있다.
대안적 실시예에서, 기술 유사도는, 제 1 부분 문서에 포함된 문장과 상관관계가 사전 결정된 기준 이상인 비교 대상 문서에 포함된 문장의 개수에 기초하여 결정된 점수 또는 제 1 부분 문서에 포함된 문장과 비교 대상 문서에 포함된 적어도 하나의 문장 각각의 상관관계 점수에 기초하여 결정된 점수 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 기술 모니터링을 수행하는 동작; 및 기술 관련 분쟁 해결을 위한 분쟁 해결 근거 문서를 결정하는 동작을 더 포함할 수 있다.
대안적 실시예에서, 기술 모니터링을 수행하는 동작은, 사전 결정된 권리 침해 판단 기준에 기초하여 비교 대상 문서를 권리 침해 문서로 결정하는 동작을 포함할 수 있다.
대안적 실시예에서, 기술 모니터링을 수행하는 동작은, 결정된 권리 침해 문서와 관련된 정보를 제 1 부분 문서에 대한 권리를 가진 권리자의 단말 또는 상기 제 1 부분 문서에 대한 권리자의 대리인 단말 중 적어도 하나에게 전송하는 동작을 포함할 수 있다.
대안적 실시예에서, 기술 관련 분쟁은, 기술과 관련된 개인 간, 개인과 단체 간 또는 단체와 단체 간 분쟁으로서, 지식재산권 관련 심판, 지식재산권 관련 민사 소송, 지식재산 관련 형사 소송 또는 지식재산권 관련 행정 소송 중 적어도 하나를 포함하 다른 일 실시예에 따라 신경망을 이용하여 기술 유사도를 판단하기 위한 방법이 개시된다.
대안적 실시예에서, 분쟁 해결 근거 문서는, 분쟁의 상대방 또는 분쟁 해결 기관 중 적어도 하나에 송부하여 분쟁을 해결하는 과정에서 도움이 되는 문서로서, 지식재산권 관련 경고장, 지식재산권 무효 심판 증거 문서, 지식재산권 취소 심판 증거 문서 또는 지식재산권 관련 소송 증거 문서 중 적어도 하나를 포함할 수 있다.
본 개시의 다른 일 실시예에 따라 신경망을 이용하여 기술 유사도를 판단하기 위한 방법이 개시된다. 상기 방법은 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키는 단계; 및 상기 기술 유사도 판단 모델을 이용하여 상기 제 1 부분 문서의 적어도 일부와 상기 비교 대상 문서의 기술 유사도를 획득하는 단계를 포함할 수 있다.
본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키고, 그리고 상기 기술 유사도 판단 모델을 이용하여 상기 제 1 부분 문서의 적어도 일부와 상기 비교 대상 문서의 기술 유사도를 획득할 수 있다.
본 개시의 다른 일 실시예에 따라 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체가 개시된다. 학습 과정에서 적어도 일부가 업데이트 되는 신경망의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 신경망의 동작은 상기 파라미터에 적어도 부분적으로 기초할 수 있다. 상기 학습 과정은 상기 제 1 부분 문서의 내용과 상기 제 2 부분 문서의 내용 간의 상관 관계를 학습시키는 단계; 및 제 1 부분 문서의 내용과 상기 비교 대상 문서의 내용 간의 상관 관계를 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 신경망을 이용한 기술 유사도를 판단하기 위한 컴퓨팅 장치를 제공할 수 있다.
상기 언급된 본 개시내용의 피처들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 개시의 일 실시예에 따른 데이터 처리를 하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 데이터 처리를 위한 네트워크 함수를 나타낸 개략도이다.
도 3은 제 1 부분 문서와 제 2 부분 문서의 상관 관계를 학습시킨 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 4는 제 1 부분 문서와 비교 대상 문서의 상관 관계를 학습시킨 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 5는 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 6은 기술 모니터링 및 분쟁 해결 근거 문서 결정 과정을 예시적으로 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따라, 기술 유사도를 판단하기 위한 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라, 기술 유사도를 판단하기 위한 모듈을 도시한 블록 구성도이다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
도 1은 본 개시의 일 실시예에 따른 데이터 처리를 하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 데이터 처리를 위한 네트워크 함수를 나타낸 개략도이다.
도 3은 제 1 부분 문서와 제 2 부분 문서의 상관 관계를 학습시킨 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 4는 제 1 부분 문서와 비교 대상 문서의 상관 관계를 학습시킨 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 5는 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 6은 기술 모니터링 및 분쟁 해결 근거 문서 결정 과정을 예시적으로 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따라, 기술 유사도를 판단하기 위한 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라, 기술 유사도를 판단하기 위한 모듈을 도시한 블록 구성도이다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 데이터 처리를 하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1은 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 구성을 나타낸다. 도 1에 도시된 컴퓨팅 장치(100)는 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 간략화된 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 신경망을 이용하여 기술 유사도를 판단할 수 있다. 신경망을 이용하여 기술 유사도를 판단하기 위하여 프로세서(110)는 이하의 동작을 수행할 수 있다. 프로세서(110)는 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시킬 수 있다.
본 개시의 일 실시예에 따라, 문서는 권리 주장을 위한 제 1 부분 문서 또는 권리 주장 내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 문서는 의사소통을 위해 고안된 정보를 물리적으로 통합해 놓은 것을 포함할 수 있다. 문서는 사람의 생각을 상징적인 기호로 정보를 제공하여 텍스트로 표현한 것을 포함할 수 있다. 문서는 컴퓨터의 발달에 따라 특정 형식의 디지털 파일을 포함할 수 있다. 특정 형식의 디지털 파일은 예를 들어, 음악 파일, 이미지 파일, 텍스트 파일 등과 같은 파일을 포함할 수 있다. 전술한 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 발명의 일 실시예에 따른 문서는 둘 이상의 임의의 부분 문서를 포함할 수 있다. 둘 이상의 임의의 합집합은 통합하여 본 발명의 일 실시예에 따른 문서를 모두 포함할 수 있다. 다른 실시예에서, 둘 이상의 임의의 부분 문서의 합집합은 본 발명의 일 실시예에 따른 문서의 일 부분만을 포함할 수 있다. 둘 이상의 임의의 부분 문서는 공통되는 부분을 공유할 수 있다. 전술한 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 발명의 일 실시예에서, 문서에 포함된 둘 이상의 임의의 부분 문서를 제 1 부분 문서 및 제 2 부분 문서로 정의할 수 있다. 제 1 부분 문서와 제 2 부분 문서는 문서의 컨텐츠에 기초한 상관관계를 가질 수 있다. 예를 들어, 제 1 부분 문서의 적어도 일부는 제 2 부분 문서의 임의의 부분과 동일하거나 실질적으로 대응될 수 있다. 본 발명의 일 실시예에서, 제 1 부분 문서는 문서 또는 제 2 부분 문서의 전체 또는 일부에 기초하여 작성된 것일 수 있다. 예를 들어, 제 1 부분 문서는 특허 명세서의 청구항, 논문의 요약, 서적의 목차, 서적의 서평, 서적의 줄거리 요약 등일 수 있다.
본 발명의 일 실시예에서, 문서는 문서의 핵심 정보를 포함하는 제 1 부분 문서와 문서의 핵심 정보를 포함하는 제 1 부분 문서와 실질적 대응 관계가 있는 제 2 부분 문서를 포함할 수 있다. 문서의 핵심 정보는 문서가 전달하고자 하는 내용을 압축적으로 표현한 정보를 포함할 수 있다. 문서의 핵심 정보는 사람 또는 컴퓨팅 장치가 문서 전체를 판독하지 않더라도 문서가 전달하고자 하는 내용을 알 수 있도록 하는 정보를 포함할 수 있다. 문서의 핵심 정보는 예를 들어, 논문에서 abstract 또는 introduction의 내용을 포함하는 부분 문서, 판결문에서 판시사항, 판결 요지를 포함하는 부분 문서, 특허 명세서에서 청구범위의 내용을 포함하는 부분 문서, 디자인 등록 출원서에서 도면, 상표 등록 출원서에서 상표 및 지정상품, 서적(예를 들어, 잡지, 시, 소설, 학습지, 교재)에서의 목차 또는 줄거리 요약 등을 포함할 수 있다.
본 개시의 일 실시예에 있어서 제 2 부분 문서는 제 1 부분 문서와 실질적으로 대응될 수 있다. 제 2 부분 문서는 제 1 부분 문서와 상관관계를 가질 수 있다. 제 2 부분 문서는 제 1 부분 문서와 일정 수준 이상의 상관관계를 가질 수 있다. 제 2 부분 문서는 제 1 부분 문서를 뒷받침하는 내용 또는 구체적으로 설명하는 내용을 포함할 수 있다. 제 2 부분 문서는 예를 들어 논문에서 실험 방법, 실험 결과, 판결문에서 판결 이유, 특허 명세서에서 발명을 실시하기 위한 구체적인 설명, 디자인 등록 출원서에서 디자인을 설명하는 부분 문서, 상표 등록 출원서에서 상표를 설명하는 부분 문서, 서적에서 목차에 대응되는 내용, 또는 서적의 전부 일부를 포함할 수 있다. 전술한 제 2 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 권리주장을 위한 제 1 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 기재한 문서의 적어도 일부분을 포함할 수 있다. 권리는 특허권, 실용신안권, 디자인권, 상표권, 저작권을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장을 위한 제 1 부분 문서는 청구범위에 기재된 사항을 포함할 수 있다. 전술한 제 1 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 권리주장내용을 설명하기 위한 제 2 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 구체적으로 설명하기 위한 문서의 적어도 일부분을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장내용을 설명하기 위한 제 2 부분 문서는 발명의 명칭, 기술분야, 발명의 배경이 되는 기술, 발명의 내용, 도면의 간단한 설명, 발명을 실시하기 위한 구체적인 내용, 부호의 설명, 도면, 요약, 대표도를 포함할 수 있다. 발명의 명칭은 발명 내용을 고려하여 발명의 카테고리가 구분되도록 하는 명칭을 포함할 수 있다. 기술분야는 특허를 받으려는 발명의 기술 분야를 명확하고 간결하게 기재한 내용을 포함할 수 있다. 발명의 배경이 되는 기술은 발명의 이해, 조사에 유용하다고 생각되는 종래 기술을 기재한 내용을 포함할 수 있다. 발명의 내용은 해결하고자 하는 과제, 과제의 해결 수단, 발명의 효과를 포함할 수 있다. 도면의 간단한 설명은 도면이 구체적으로 나타내려는 것이 무엇인지를 쉽게 파악할 수 있도록 첨부도면의 도시상태, 종류 및 도시 부분에 대한 설명을 포함할 수 있다. 발명을 실시하기 위한 구체적인 내용은 통상의 기술자가 그 발명이 어떻게 실시되는지 쉽게 알 수 있도록 그 발명의 실시를 위한 구체적인 적어도 하나 이상 기재한 내용을 포함할 수 있다. 부호의 설명은 도면의 주요 부분을 나타내는 부호들에 대한 설명을 포함할 수 있다. 도면은 발명을 실시하기 위한 구체적인 내용을 설명하기 위한 이미지를 포함할 수 있다. 요약은 발명 내용을 간단하게 일정 글자 수 이내(예를 들어, 300자 이내)로 설명한 내용을 포함할 수 있다. 대표도는 적어도 하나 이상의 도면에서 발명의 내용을 대표하는 도면 번호를 포함할 수 있다. 전술한 제 2 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
이하에서는 기술 유사도 판단 모델에 대하여 도 3을 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델(250)은 제 1 부분 문서(210)와 제 2 부분 문서(230) 사이의 유사도를 판단하도록 학습된 모델을 포함할 수 있다. 제 1 부분 문서(210)와 제 2 부분 문서(230) 사이의 유사도를 판단하도록 학습된 모델은 머신 러닝 모델로서, 예를 들어, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), FCN(Fully Connected Layer), Activation Layer 등을 포함할 수 있다. 전술한 기술 유사도 판단 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델(250)은, 제 1 부분 문서(210)와 제 2 부분 문서(230)를 기술 유사도 판단 모델(250)에 입력시켜, 제 1 부분 문서(210)의 내용과 제 2 부분 문서(230)의 내용 간의 상관 관계를 학습시킨 제 1 모델을 포함할 수 있다. 프로세서(110)는 제 1 부분 문서(210)와 제 2 부분 문서(230)를 기술 유사도 판단 모델(250)에 입력시키기 위한 형태로 변환하기 위한 전처리(preprocessing)를 수행할 수 있다. 예를 들어, 프로세서(110)는 제 1 부분 문서(210) 및 제 2 부분 문서(230)에 포함된 문장을 일정 기준에 따라 토큰(token)으로 분할하는 토크나이즈(tokenize) 과정을 수행할 수 있다. 또 다른 예시로, 프로세서(110)는 제 1 부분 문서 및 제 2 부분 문서에 포함된 문장을 테이블 형태(예를 들어, 문장 내의 각 단어는 테이블의 행이고, 각 단어의 벡터는 테이블의 열로 표현되는 테이블)로 변환하는 전처리를 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 1 모델은 제 1 부분 문서(210)의 내용과 제 2 부분 문서(230)의 내용 간의 상관 관계를 학습시킨 모델을 포함할 수 있다. 따라서, 프로세서(110)가 제 1 부분 문서(210)와 제 2 부분 문서를 제 1 모델에 입력시켜 유사도를 획득할 수 있다. 예를 들어, 제 1 모델은 특허 명세서를 학습 데이터 세트로 하여 학습된 모델을 포함할 수 있다. 학습 데이터 세트는 제 1 부분 문서(예를 들어, 청구항)를 포함하는 제 1 서브 학습 데이터 세트 및 제 2 부분 문서(예를 들어, 발명의 구체적인 설명)를 포함하는 제 2 서브 학습 데이터 세트를 포함할 수 있다. 따라서 제 1 모델은 제 1 서브 학습 데이터 세트 및 제 2 서브 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다. 본 개시의 일 실시예에 따라, 기술 유사도 판단 모델은 제 1 모델을 포함할 수 있다. 따라서, 프로세서(110)는 기술 유사도 판단 모델을 이용하여 제 1 부분 문서와 제 2 부분 문서 내용 간의 상관 관계에 기초하여 유사도(270)를 획득할 수 있다. 예를 들어, 제 1 부분 문서와 제 2 부분 문서 내용 간의 상관 관계가 높을 경우, 프로세서(110)가 획득한 유사도(270)는 높을 수 있다. 전술한 제 1 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 제 1 모델은 제 1 부분 문서(210)의 내용과 제 2 부분 문서(230)의 내용 간의 상관 관계에 기초하여 제 1 모델에 입력된 문서를 요약하기 위한 모델을 포함할 수 있다. 그리고 제 3 모델은 제 1 모델의 출력 데이터인 요약 문서에 대하여 기술 분류를 수행하는 모델을 포함할 수 있다. 제 3 모델은 분류 대상 데이터(예를 들어, 특허 명세서)를 학습 입력 데이터로 하고, 분류 대상 데이터에 대응되는 분류(예를 들어, 인공지능, 반도체, 철강, 통신 등)를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다. 따라서 기술 분류 모델은 제 1 모델 및/또는 제 3 모델을 포함할 수 있다. 예를 들어, 기술 분류 모델은 제 1 모델과 제 3 모델을 연결한 모델을 포함할 수 있다. 프로세서(110)는 제 1 모델에 문서를 입력하여 문서의 요약을 획득한 후, 획득한 문서의 요약을 제 3 모델에 입력시켜 문서에 대한 분류 결과를 획득할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(110)는 기술 분류 모델을 이용하여 기술 분류 모델에 입력된 문서의 기술 분류 결과를 획득할 수 있다. 예를 들어, 프로세서(110)는 인공지능 기술이 포함된 특허 명세서를 기술 분류 모델에 입력시켜 '인공지능'이라는 기술 분류를 획득할 수 있다. 앞서 설명된 바와 같이 기술 분류 모델은 제 1 모델 및/또는 제 3 모델을 포함할 수 있다. 프로세서(110)는 기술 분류 모델을 종단 간 학습(End to End Learning)시킬 수 있다. 즉, 제 1 모델은 기술 분류 모델을 종단 간 학습시켜 획득한 제 1 모델을 포함할 수 있다. 종단 간 학습은 신경망의 한쪽 끝에서 입력 데이터를 받고 다른 쪽 끝에서 출력 데이터를 생성하는 과정에서, 입력 데이터 및 출력 데이터를 고려하여 신경망의 가중치를 최적화하는 학습을 의미할 수 있다. 프로세서(110)는 문서의 기술 분류 정확도가 높아질수록 기술 분류 모델을 종단 간 학습시킴으로써, 문서의 핵심 내용만 포함하여 문서를 요약시킬 수 있는 제 1 모델을 획득할 확률이 높아질 수 있다. 따라서 기술 분류 모델의 기술 분류 정확도를 높이는 학습 과정을 통해, 문서의 요약 능력이 뛰어난 제 1 모델을 획득할 수 있다. 본 개시에서, 문서의 요약 능력이 뛰어나다는 의미는 제 1 부분 문서(예를 들어, 청구항)와 상관관계가 높은 제 2 부분 문서(예를 들어, 청구항의 내용을 뒷받침하는 발명의 상세한 설명)를 높은 정확도로 추출할 수 있다는 의미일 수 있다. 따라서, 프로세서(110)는 종단 간 학습을 통해 획득한 제 1 모델을 이용하여 제 1 부분 문서와 상관관계가 높은 제 2 부분 문서를 획득할 수 있다. 다시 말해, 프로세서(110)는 제 1 모델을 이용하여 문서의 특정 부분과 상관관계가 높은 내용을 다른 문서에서 높은 정확도로 찾아낼 수도 있다. 더 구체적으로 설명하면, 프로세서(110)는 제 1 모델을 이용하여 문서에 포함된 기술적 사상과 동일하거나 유사한 기술적 내용을 다른 문서에서 높은 정확도로 찾아낼 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 부분 문서(210)와 제 2 부분 문서(230)를 기술 유사도 판단 모델(250)에 입력시켜 유사도(270)를 획득할 수 있다. 유사도(270)는 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 포함할 수 있다. 예를 들어, 제 1 부분 문서가 특허 출원서의 청구항이고, 제 2 부분 문서가 해당 특허 출원서에 포함된 발명의 구체적인 설명인 경우, 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도는 높을 수 있다. 특허 출원서에 포함된 발명의 구체적인 설명은 청구항에 포함된 내용을 뒷받침하기 위한 내용을 포함하고 있으므로 제 1 부분 문서와 제 2 부분 문서의 유사도는 높을 수도 있다. 본 개시의 일 실시예에 따라, 유사도(270)는 확률의 형태로 표현될 수 있다. 예를 들어, 제 1 부분 문서(210)와 제 2 부분 문서 사이의 기술 유사도가 높은 경우, 유사도(270)는 0.96일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
이하에서는 기술 유사도 판단 모델의 또 다른 예시에 대하여 도 4를 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델(250)은 제 1 부분 문서(210)와 비교 대상 문서(310)를 제 1 모델에 입력시켜, 제 1 부분 문서(210)의 내용과 비교 대상 문서(310)의 내용 간의 상관 관계를 학습시킨 제 2 모델을 포함할 수 있다.
본 개시의 일 실시예에 따라, 제 2 모델은 제 1 부분 문서(210)의 내용과 비교 대상 문서(310) 내용 간의 상관 관계를 학습시킨 모델을 포함할 수 있다. 제 2 모델은 제 1 부분 문서의 내용과 제 2 부분 문서의 내용 간의 상관 관계를 학습시킨 제 1 모델을 재학습(re-training)시킨 모델을 포함할 수 있다. 프로세서(110)는 제 1 부분 문서(210)와 비교 대상 문서(310)를 제 1 모델에 입력시켜 제 1 모델을 학습시킴으로써, 제 1 부분 문서(210)의 내용과 제 2 부분 문서의 내용 간의 상관 관계 뿐만 아니라, 제 1 부분 문서(210)의 내용과 비교 대상 문서(310)의 내용 간의 상관 관계 모두가 학습된 모델을 획득할 수 있다. 프로세서(110)는 제 1 모델에 포함된 파라미터의 적어도 일부는 고정시키고, 나머지 파라미터를 업데이트 하는 학습 방법으로 제 1 부분 문서(210)의 내용과 비교 대상 문서(310) 내용 간의 상관 관계를 학습시킬 수 있다. 전술한 제 2 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 기술 유사도 판단 모델(250)은 제 2 모델을 포함할 수 있다. 따라서, 프로세서(110)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)와 비교 대상 문서(310)의 내용 간의 상관 관계에 기초하여 유사도(270)를 획득할 수 있다. 예를 들어, 제 1 부분 문서(210)와 비교 대상 문서(310)의 내용 간의 상관 관계가 높을 경우, 유사도(270)는 높을 수 있다. 즉, 프로세서(110)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)에 포함된 기술적 사상과 비교 대상 문서(310)에 포함된 기술적 사상이 유사할수록 높은 유사도(270)를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 비교 대상 문서(310)는 제 1 부분 문서와 비교 대상이 되는 문서를 포함할 수 있다. 비교 대상 문서(310)는 제 1 부분 문서에 포함된 기술적 사상도 동일 또는 유사한 기술적 사상이 있는지 확인하기 위하여 판단 대상이 되는 문서를 포함할 수 있다.
본 개시의 일 실시예에 따라, 비교 대상 문서(310)는, 원시 비교 대상 문서인 제 1 비교 대상 문서 또는 원시 비교 대상 문서를 가공한 문서인 제 2 비교 대상 문서 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 제 1 비교 대상 문서는 원시 비교 대상 문서를 포함할 수 있다. 원시 비교 대상 문서는 데이터 형태로 변환된 모든 문서를 포함할 수 있다. 따라서, 프로세서(110)는 웹 크롤링을 통해 인터넷으로부터 원시 비교 대상 문서를 획득할 수 있다. 웹 크롤링은 인터넷 상의 웹 페이지를 프로세서(110)가 방문하여 각종 정보를 수집하는 동작을 포함할 수 있다. 원시 비교 대상 문서는 프로세서(110)가 웹 크롤링을 통해 획득한 문서를 가공(예를 들어, 문서 요약, 핵심 단어 추출)하지 않은 문서를 포함할 수 있다. 전술한 제 1 비교 대상 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 1 비교 대상 문서는 기술 관련 내용을 포함한 문서를 포함할 수 있다. 제 1 비교 대상 문서는 지식재산권 관련 문서, 논문 또는 기술 문서 중 적어도 하나를 포함할 수 있다. 본 개시의 일 실시예에 따라, 지식재산권 관련 문서는 지식재산권을 법적으로 보호받기 위하여 필요한 문서를 포함할 수 있다. 지식재산권을 법적으로 보호받기 위하여 필요한 문서는 지식재산권을 행정청에 등록 받기 위하여 사인과 행정청 간 주고받는 문서로서, 예를 들어, 출원서, 의견서, 의견제출통지서, 보정서, 심판청구서 등을 포함할 수 있다. 본 개시의 일 실시예에 따라, 논문은 어떠한 주제에 대해 저자가 자신의 학문적 연구결과나 의견, 주장을 논리에 맞게 풀어 써서 일관성 있고 일정한 형식에 맞추어 체계적으로 작성한 문서를 포함할 수 있다. 논문은 논문의 제목, 초록, 실험 방법, 결과, 고찰, 시사 또는 참고 문헌 중 적어도 하나를 포함할 수 있다. 본 개시의 일 실시예에 따라, 기술 문서는 기술의 구조, 사용, 기능, 생성 등을 설명하는 모든 문서를 포함할 수 있다. 예를 들어, 기술 문서는 기업에서 작성한 기술 개요서, 발명자가 작성한 발명 신고서 등을 포함할 수 있다. 기술문서는 또 다른 예로 기술보고서, 기술개발 사업계획서, 기술 평가서, 기술 개발 사업 신청 계획서, 직무 기술서. 기술현황 분석표, 신기술 제안서, 인터넷 블로그에 작성된 기술 관련 문서, 인터넷 홈페이지에 작성된 기술 관련 문서 등을 포함할 수 있다. 전술한 제 1 비교 대상 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 비교 대상 문서는 제 1 비교 대상 문서의 적어도 일부를 포함할 수 있다. 제 2 비교 대상 문서는 제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부를 포함할 수 있다. 문장은 적어도 하나의 단어로 구성될 수도 있다. 따라서 제 2 비교 대상 문서는 제 1 비교 대상 문서에 포함된 복수개의 단어 중 적어도 일부를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 비교 대상 문서는 제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부는 핵심 문장 산출 알고리즘에 기초하여 결정된 문장을 포함할 수 있다. 프로세서(110)는 핵심 문장 산출 알고리즘을 이용하여 제 1 비교 대상 문서로부터 제 2 비교 대상 문서를 획득할 수 있다. 프로세서(110)는 제 2 비교 대상 문서를 획득함으로써 제 1 부분 문서와의 유사도를 높은 정확도로 획득할 수 있다. 즉, 비교 대상 문서에서 핵심 내용을 포함한 부분만 추출하여 제 1 부분 문서와 유사도를 획득함으로써 프로세서(110)는 높은 정확도의 유사도를 획득할 수 있다. 높은 정확도의 유사도를 획득할 수 있는 이유는 전통적인 유사도 판단 방법 또한 각 문서의 핵심 내용만 추출하여 각 문서의 핵심 내용 비교를 통해 유사도를 판단하였고, 해당 방법이 경험칙으로 정확도가 높다는 것이 증명되었기 때문이다. 또한 프로세서(110)는 제 1 비교 대상 문서의 핵심 내용만 포함하는 제 2 비교 대상 문서를 이용함으로써, 제 2 비교 대상 문서와 제 1 부분 문서를 기술 유사도 획득 모델에 입력시켜 유사도를 연산하는 과정이 경량화되고 빨라질 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 핵심 문장 산출 알고리즘은 문서를 요약하는 방법으로서 핵심 문장 및/또는 핵심 단어를 산출하는 방법을 포함할 수 있다. 핵심 문장 산출 알고리즘은 TextRank 알고리즘을 포함할 수 있다. TextRank 알고리즘은 워드 그래프 또는 문장 그래프를 구축한 후, 그래프 랭킹 알고리즘인 PageRank를 이용하여 각각의 핵심 문장 및/또는 핵심 단어를 산출할 수 있다. 전술한 핵심 문장 산출 알고리즘은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 핵심 문장 산출 알고리즘은, 제 1 비교 대상 문서에 포함된 문장 내의 기술 용어 각각에 대하여 기술 용어 출현 빈도에 기초하여 기술 용어 중요도를 산출하는 단계; 산출된 기술 용어 중요도 각각을 행렬의 요소로 하는 제 1 행렬과 제 1 행렬의 전치행렬을 연산하여 문장 간 가중치 행렬을 획득하는 단계; 문장 간 가중치 행렬을 기초로 제 1 비교 대상 문서에 포함된 문장의 랭크(Rank)를 산출하는 단계; 및 산출된 랭크가 사전 결정된 랭크 이상인 문장을 핵심 문장으로 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 비교 대상 문서에 포함된 문장 내의 기술 용어 각각에 대하여 기술 용어 출현 빈도에 기초하여 기술 용어 중요도를 산출할 수 있다. 프로세서(110)는 TF-IDF(Term Frequency - Inverse Document Frequency) 알고리즘을 사용하여 기술 용어 중요도를 산출할 수 있다. TF(Term Frequency)는 단어 빈도, 특정 단어가 문서 내에서 출현하는 빈도를 나타내는 척도를 포함할 수 있다. IDF(Inverse Document Frequency)는 전체 문서 개수를 특정 단어가 포함된 문서의 개수로 나눈 것을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 산출된 기술 용어 중요도 각각을 행렬의 요소로 하는 제 1 행렬과 제 1 행렬의 전치행렬을 연산하여 문장 간 가중치 행렬을 획득할 수 있다. 제 1 행렬의 행은 문장에 대응되고, 제 1 행렬의 열은 단어에 대응될 수 있다. 프로세서(110)는 제 1 행렬과 제 1 행렬의 전치행렬은 연산(곱셈)하여 문장 간 가중치 행렬을 획득할 수 있다. 이 때 문장 간 가중치 행렬의 행과 열은 각각 문장에 대응될 수 있다. 따라서 프로세서(110)는 문장 간 가중치 행렬을 기초로 문장 간 가중치 그래프를 생성할 수도 있다. 문장 간 가중치 그래프는 정점이 문장이고 간선은 문장 간 상관관계에 대한 정보를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 문장 간 가중치 행렬을 기초로 제 1 비교 대상 문서에 포함된 문장의 랭크(Rank)를 산출할 수 있다. 랭크는 PageRank 알고리즘에서 복수개의 웹 페이지가 서로 다른 웹페이지를 인용하고 참조하는 비중에 기초하여 결정될 수 있다. 예를 들어, 다른 웹 사이트가 특정 웹 사이트를 많이 참조할수록 특정 웹사이트의 랭크는 높을 수 있다. 랭크가 높다는 의미는 사용자가 원하는 정보가 특정 웹 사이트에 존재할 확률이 높다는 것을 의미할 수도 있다. 본 개시에서, 문장의 랭크는 복수개의 문장 간의 관계에 기초하여 문장의 중요도를 의미할 수 있다. 따라서 특정 문장의 랭크가 높을수록 특정 문장의 중요도는 높을 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 산출된 랭크가 사전 결정된 랭크 이상인 문장을 핵심 문장으로 결정할 수 있다. 사전 결정된 랭크는 문서에서 핵심 문장을 높은 정확도로 산출하기 위한 기준을 포함할 수 있다. 사전 결정된 랭크는 오퍼레이터에 의하여 설정될 수도 있다. 이를 통해, 프로세서(110)는 오퍼레이터의 정성 및/또는 정량 분석이 포함된 기준을 적용하여 필터링을 수행함으로써, 높은 정확도로 핵심 문장을 추출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
핵심 문장 산출 알고리즘에 관련된 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 TextRank: Bringing Order into Texts (공개일: 2004, 작성자: Rada Mihalcea, Paul Tarau)에서 구체적으로 논의된다.
본 개시의 일 실시예에 따라, 비교 대상 문서는, 시간의 경과에 따라 공개되는 비교 대상 문서에 대하여 기술 유사도를 판단하기 위하여 특정 시점을 기준으로 사전 결정된 주기마다 업데이트된 문서를 포함할 수 있다. 사전 결정된 주기는 오퍼레이터에 의하여 결정된 주기 및/또는 컴퓨팅 장치의 데이터 분석 결과에 기초하여 결정된 주기를 포함할 수 있다. 사전 결정된 주기는 예를 들어, 1주일, 1달, 1년일 수 있다. 사전 결정된 주기는 예를 들어, 학회에서 논문이 발표되는 평균적인 주기를 포함할 수도 있다. 이를 통해, 특정 기술에 대하여 지식재산권을 보유한 자는 지속적으로 자신의 기술과 유사한 기술이 공개되는지 최신 자료를 업데이트함으로써 모니터링할 수 있다. 비교 대상 문서에 포함되는 문서들이 자동으로 업데이트되어 특정 기술에 대하여 지식재산권을 보유한 자는 자신의 기술을 모방하거나 자신의 지식재산권을 침해하는 타인을 색출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
이하에서는 기술 유사도 판단 모델의 구체적인 구성은 도 5를 참조하여 구체적으로 설명된다. 기술 유사도 판단 모델의 구체적인 구성은 일부를 생략하거나, 추가적인 구성을 포함할 수도 있다.
본 개시의 일 실시예에 따라, 제 1 서브모델(410)은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 프로세서(110)는 제 1 부분 문서를 장단기 기억 네트워크에 입력하여 제 1 부분 문서(210)의 피처를 추출할 수 있다. 제 1 부분 문서의 피처는 제 1 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 1 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 요소로 하는 벡터를 포함할 수 있다. 프로세서(110)는 제 1 서브모델(410)로부터 획득한 벡터를 이용하여 제 1 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 1 부분 문서에 포함된 단어의 집합이 (x1, x2, x3, x4, ... , xn)이고 각 단어에 대응되는 벡터(프로세서가 제 1 서브모델(410)에 단어를 입력하여 획득한 벡터)가 (v1, v2, v3, v4, ... ,vn)인 경우, 제 1 서브모델 인코딩 매트릭스는 [v1, v2, v3, v4, ... ,vn]로 표현될 수 있다. 전술한 제 1 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 서브모델(430)은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 제 2 서브모델(430)의 장단기 기억 네트워크는 제 1 서브모델(410)의 장단기 기억 네트워크와 동일한 네트워크를 포함할 수 있다. 즉, 제 2 서브모델(430)의 장단기 기억 네트워크의 파라미터는 제 1 서브모델(410)의 장단기 기억 네트워크의 파라미터와 동일할 수 있다. 제 1 서브모델(410) 및 제 2 서브모델(430)이 네트워크의 파라미터를 공유함으로써, 프로세서(110)는 동일한 단어 시퀀스(예를 들어, 문장)를 제 1 서브모델(410) 및 제 2 서브모델(430)에 입력하여 동일하거나 유사한 벡터 표현을 획득할 수 있다. 전술한 제 2 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 부분 문서(230)를 장단기 기억 네트워크에 입력하여 제 2 부분 문서(230)의 피처를 추출할 수 있다. 제 2 부분 문서(230)의 피처는 제 2 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 2 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 성분으로 하는 벡터를 포함할 수 있다. 프로세서(110)는 제 2 서브모델로부터 획득한 벡터를 이용하여 제 2 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 2 부분 문서에 포함된 단어의 집합이 (y1, y2, y3, y4, ... , yn)이고 각 단어에 대응되는 벡터(프로세서가 제 2 서브모델에 단어를 입력하여 획득한 벡터)가 (v'1, v'2, v'3, v'4, ... ,v'n)인 경우, 제 2 서브모델 인코딩 매트릭스는 [v'1, v'2, v'3, v'4, ... ,v'n]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 3 서브모델(450)은 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있는 모델을 포함할 수 있다. 프로세서(110)는 제 3 서브모델(450)을 이용하여 제 1 서브모델(410) 및 제 2 서브모델(430)의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 프로세서(110)는 제 1 서브모델 인코딩 매트릭스 및 제 2 서브모델 인코딩 매트릭스에 기초하여 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 프로세서(110)는 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산하여 획득한 결과를 softmax 함수에 입력하여, 제 1 부분 문서에 포함된 단어와 제 2 부분 문서에 포함된 단어의 상관관계를 획득할 수 있다. 전술한 제 3 서브모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
기술 유사도 판단 모델에 대한 구체적인 구성에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 특허 “신경망을 이용한 데이터 처리방법”(출원번호: KR10-2019-0103499)에서 구체적으로 논의된다.
본 개시의 일 실시예에 따라, 제 4 서브모델(470)은 제 1 부분 문서(210)와 제 2 부분 문서(230)의 유사도를 획득하기 위한 모델을 포함할 수 있다. 제 4 서브모델은 유사도를 획득하기 위한 기계학습 모델 및/또는 규칙 기반 모델을 포함할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(110)는 제 4 서브모델(470)을 이용하여 제 1 부분 문서(210)와 상관 관계가 높은 제 2 부분 문서(230)에 포함된 문장 및/또는 단어를 획득할 수 있다. 본 개시의 다른 일 실시예에서, 프로세서(110)는 제 1 부분 문서(210)와 상관 관계가 사전 결정된 기준 이상인 문장 및/또는 단어 각각에 대한 상관관계 점수에 기초하여 유사도를 획득할 수 있다. 유사도는 이하에서 구체적으로 설명된다. 전술한 제 4 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 유사도(270)는 특정 문서와 다른 문서 사이의 유사도를 포함할 수 있다. 유사도(270)는 특정 문서에 포함된 기술적 사상과 다른 문서에 포함된 기술적 사상의 유사도를 포함할 수 있다. 따라서 기술적 사상이 유사하여, 특정 문서에 포함된 기술적 사상을 모방하거나 침해하는 경우 유사도는 높을 수도 있다. 유사도(270)는 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 포함할 수 있다. 또한 유사도(270)는 제 1 부분 문서와 비교 대상 문서 사이의 유사도를 포함할 수 있다. 전술한 유사도는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 유사도(270)는, 제 1 부분 문서(210)에 포함된 단어 또는 문장 중 적어도 하나와 상관관계가 사전 결정된 기준 이상인 비교 대상 문서(310)에 포함된 단어 또는 문장 중 적어도 하나의 개수에 기초하여 결정된 점수를 포함할 수 있다. 사전 결정된 기준은 제 1 부분 문서(210)에 포함된 문장과 비교 대상 문서에 포함된 문장의 내용이 서로 유사한지 여부에 기초하여 결정된 기준일 수 있다. 따라서, 프로세서(110)는 상관관계가 사전 결정된 기준 이상인 비교 대상 문서(310)에 포함된 단어 또는 문장 중 적어도 하나의 개수에 기초하여 유사도를 결정할 수 있다. 예를 들어, 상관관계가 사전 결정된 기준 이상(예를 들어, 기술적 사상이 서로 동일하거나 유사하다고 판단될 정도)인 문장의 개수가 10개인 경우, 제 1 부분 문서와 비교 대상 문서의 유사도는 10일 수도 있다. 전술한 유사도는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 유사도(270)는 제 1 부분 문서(210)에 포함된 단어 또는 문장 중 적어도 하나와 비교 대상 문서(310)에 포함된 적어도 하나의 단어 또는 문장 중 적어도 하나 각각의 상관관계 점수에 기초하여 결정된 점수를 포함할 수 있다. 상관관계 점수는 프로세서(110)가 제 3 서브모델(450)을 이용하여 획득한 점수일 수 있다. 상관관계 점수는 특정 문장 및/또는 단어와 다른 문장 및/또는 단어 간 상관관계에 기초하여 결정된 점수를 포함할 수 있다. 따라서 상관관계 점수가 높을수록 특정 문장 및/또는 단어와 다른 문장 및/또는 단어 간 의미 유사도는 높을 수 있다. 예를 들어, 상관관계 점수는 프로세서(110)가 제 3 서브모델(450)을 이용하여 획득한 확률일 수 있다. 확률은 제 1 부분 문서에 포함된 단어 또는 문장과 비교 대상 문서에 포함된 단어 또는 문장이 의미적으로 유사할 확률을 나타낼 수 있다. 예를 들어, 제 1 부분 문서에 포함된 단어가 RNN이고 비교 대상 문서에 포함된 단어가 RNN인 경우, 의미가 유사할 확률은 100%일 수 있다. 또 다른 예로, 제 1 부분 문서에 포함된 단어가 RNN이고 비교 대상 문서에 포함된 단어가 CNN인 경우, 의미가 유사할 확률은 80%일 수도 있다. 또 다른 예로 제 1 부분 문서에 포함된 단어가 RNN이고 비교 대상 문서에 포함된 단어가 용광로인 경우, 의미가 유사할 확률은 1%일 수 있다. 따라서 프로세서(110)는 제 1 부분 문서에서 핵심 문장 및/또는 단어와 비교 대상 문서에 포함된 문장 및/또는 단어에 대한 상관관계 점수를 제 3 서브모델을 이용하여 획득할 수 있다. 프로세서(110)는 비교대상 문서에 포함된 문장 및/또는 단어에 대한 상관관계 점수를 합산하여 유사도(270)산출할 수 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(110)는 비교대상 문서에 포함된 문장 및/또는 단어에 가중치를 부여하여 상관관계 점수를 합산할 수도 있다. 예를 들어, 비교 대상 문서가 논문인 경우, 논문의 introduction, abstract에 포함된 문장 및/또는 단어에 대해서는 높은 가중치를 부여하고, 이전 연구에 포함된 문장 및/또는 단어에 대해서는 낮은 가중치를 부여하여 상관관계 점수를 합산할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 유사도(270)는 제 1 부분 문서(210)에 포함된 단어 또는 문장 중 적어도 하나와 상관관계가 사전 결정된 기준 이상인 비교 대상 문서(310)에 포함된 단어 또는 문장 중 적어도 하나의 상관관계 점수에 기초하여 결정된 점수를 포함할 수 있다. 즉, 비교 대상 문서에 포함된 모든 문장 및/또는 단어에 대하여 상관관계 점수를 산출하여 합산하는 방식이 아니라, 비교 대상 문서에 포함된 일부의 문장 및/또는 단어에 대하여 상관관계 점수를 산출하여 합산하는 방법일 수 있다. 비교 대상 문서에는 핵심적인 기술적 사상이 아닌 부분이 다수 포함될 수 있고, 해당 부분에 대하여 상관관계 점수를 도출하여 합산하는 경우, 실제 유사한 기술적 사상에 포함된 비교 대상 문서의 유사도가 낮게 산출될 수도 있다. 따라서, 프로세서(110)는 사전 결정된 기준 이상인 상관관계 점수만을 합산하여, 유사도 판단의 정확도를 높일 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
이하에서는 산출된 유사도를 활용하는 방법에 대하여 도 6을 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 기술 모니터링(510)을 수행할 수 있다. 기술 모니터링(510)은 사용자가 보유한 기술과 유사한 후행 기술이 공개되는지 여부를 모니터링하는 동작을 포함할 수 있다. 사용자는 매일매일 인터넷 검색을 통하여 자신이 보유한 기술을 누가 모방하고 무단으로 사용하는지 판단할 시간 및 비용이 부족할 수 있다. 따라서 프로세서(110)는 기술 유사도 판단 모델(250)을 이용하여 공개되는 비교 대상 문서들을 사용자의 기술이 포함된 제 1 부분 문서와 자동으로 판단하여 유사도 판단 결과를 사용자에게 전송함으로써, 사용자는 편리하게 자신의 권리를 침해하는 타인을 쉽게 색출할 수 있다. 전술한 기술 모니터링은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 부분 문서의 법적 보호 개시일(예를 들어, 특허가 등록된 경우 특허출원일) 기준으로 제 1 부분 문서의 법적 보호 개시일 이후에 공개된 문서에 대하여 기술 모니터링을 수행할 수 있다. 제 1 부분 문서의 법적 보호 개시일 이후에 공개된 문서는 비교 대상 문서D(314), 비교 대상 문서E(315), 비교 대상 문서F(316)를 포함할 수 있다. 프로세서(110)는 제 1 부분 문서(210)와 비교 대상 문서D(314), 비교 대상 문서E(315) 또는 비교 대상 문서F(316) 사이 각각의 유사도를 산출할 수 있다. 예를 들어, 프로세서(110)는 제 1 부분 문서(210)와 비교 대상 문서D(314)의 유사도는 0.97(640), 제 1 부분 문서(210)와 비교 대상 문서E(315)의 유사도는 0.13(650), 제 1 부분 문서(210)와 비교 대상 문서F(316)의 유사도는 0.92(660)인 결과를 획득 수 있다. 이 경우, 비교 대상 문서D(314) 및 비교 대상 문서F(316)는 유사도가 높으므로 제 1 부분 문서(210)와 동일하거나 유사한 기술적 사상을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 모니터링을 수행하는 동작은, 사전 결정된 권리 침해 판단 기준에 기초하여 비교 대상 문서를 권리 침해 문서로 결정하는 동작을 포함할 수 있다. 사전 결정된 권리 침해 판단 기준은 비교 대상 문서에 제 1 부분 문서와 동일하거나 유사한 기술적 사상이 포함되어 있는지 여부에 기초하여 결정된 기준을 포함할 수 있다. 예를 들어, 사전 결정된 권리 침해 판단 기준은 유사도 0.7이상인 경우, 권리 침해 문서로 결정하는 기준을 포함할 수 있다. 사전 결정된 권리 침해 판단 기준은 오퍼레이터, 또는 유사도를 판단하기 위한 데이터 분석에 기초하여 결정된 기준을 포함할 수 있다. 따라서, 사전 결정된 권리 침해 판단 기준은 유사도 0.7이상인 비교 대상 문서를 권리 침해 문서로 결정하는 기준일 수 있다. 이 경우, 프로세서(110)는 비교 대상 문서D(314), 비교 대상 문서F(316)를 권리 침해 문서로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 모니터링을 수행하는 동작은, 결정된 권리 침해 문서와 관련된 정보를 제 1 부분 문서에 대한 권리를 가진 권리자의 단말 또는 제 1 부분 문서에 대한 권리자의 대리인 단말 중 적어도 하나에게 전송하는 동작을 포함할 수 있다. 프로세서(110)는 권리 침해 문서로 판단된 비교 대상 문서를 제 1 부분 문서에 대한 권리를 가진 권리자의 단말 또는 제 1 부분 문서에 대한 권리자의 대리인 단말 중 적어도 하나에게 전송할 수 있다. 이를 통해, 제 1 부분 문서에 대한 권리자 또는 대리인은 지속적으로 권리 침해 문서에 대한 정보를 사용자 단말을 통해 수신할 수 있다. 따라서 제 1 부분 문서에 대한 권리자 또는 대리인은 지속적으로 인터넷 검색을 통한 침해 기술 검색을 수행할 필요 없이 수신된 정보에 기초하여 선별적으로 기술 침해 여부를 판단할 수 있어 비용 및 시간을 모두 절약할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 기술 관련 분쟁 해결을 위한 분쟁 해결 근거 문서를 결정할 수 있다. 제 1 부분 문서에 대한 권리를 가진 권리자가 특정 기술을 실시하고 있는 사람에게 침해 경고장을 송부하거나 침해 소송 제기할 수도 있다. 이 경우, 특정 기술을 실시하고 있는 사람은 자신의 사업을 영위하고 방어하기 위하여 제 1 부분 문서에 대한 권리를 무효화시키거나 제 1 부분 문서에 포함된 기술은 공지공용의 기술이라는 항변을 할 수도 있다. 이 경우, 특정 기술을 실시하고 있는 사람은 제 1 부분 문서(210) 법적 보호 개시일 이전에 공개된 문서를 찾아야할 필요성이 존재할 수 있다. 제 1 부분 문서(210) 법적 보호 개시일 이전에 공개된 문서에 제 1 부분 문서에 포함된 기술적 사상이 존재하는 경우, 제 1 부분 문서에 대한 권리는 무효화될 수 있으며 나아가 공지공용의 기술로서 권리자는 타인에게 권리 주장을 못할 수도 있다. 이를 통해, 권리자와 실시자 간의 분쟁이 해결될 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 관련 분쟁은, 기술과 관련된 개인 간, 개인과 단체 간 또는 단체와 단체 간 분쟁을 포함할 수 있다. 구체적으로 기술 관련 분쟁은 지식재산권 관련 심판, 지식재산권 관련 민사 소송, 지식재산 관련 형사 소송 또는 지식재산권 관련 행정 소송 중 적어도 하나를 포함할 수 있다. 지식재산권 관련 심판은 지식재산권 관련 거절결정불복심판, 취소심판 또는 무효심판을 포함할 수 있다. 예를 들어, 지식재산권 관련 심판은 특허 거절 결정 불복 심판, 상표 거절 결정 불복 심판, 특허 취소 신청, 상표 취소 심판, 특허 무효 심판, 상표 무효 심판 등을 포함할 수 있다. 지식재산권 관련 민사 소송은 지식재산권 관련 침해 소송을 포함할 수 있다. 권리자는 지식재산권 관련 침해 소송을 통하여 침해자에게 손해배상을 청구할 수 있다. 지식재산권 관련 민사 소송은 예를 들어, 특허 침해 소송, 상표 침해 소송, 디자인 침해 소송, 저작권 침해 소송 등이 포함될 수 있다. 지식재산권 관련 형사 소송은 지식재산권 관련 침해 소송을 포함하며, 권리자는 침해자를 고소할 수 있으며, 검사는 공소를 제기하여 침해자에게 형사벌을 구형할 수 있다. 지식재산권 관련 행정 소송은 지식재산권 관련 행정처분에 대한 소송을 포함할 수 있다. 지식재산권 관련 행정 소송은 예를 들어, 심결이라는 행정처분에 대하여 법원에 제기하는 심결취소소송을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 분쟁 해결 근거 문서는 기술 관련 분쟁을 해결하는데 도움이 될 수 있는 문서를 포함할 수 있다. 분쟁 해결 근거 문서는, 분쟁의 상대방 또는 분쟁 해결 기관 중 적어도 하나에 송부하여 분쟁을 해결하는 과정에서 도움이 되는 문서를 포함할 수 있다. 분쟁 해결 근거 문서는 지식재산권 관련 경고장, 지식재산권 무효 심판 증거 문서, 지식재산권 취소 심판 증거 문서 또는 지식재산권 관련 소송 증거 문서 중 적어도 하나를 포함할 수 있다. 지식재산권 관련 경고장은 타인이 지식재산권을 침해하거나 침해할 염려가 있는 경우, 타인에게 발송하는 경고장을 포함할 수 있다. 지식재산권 관련 경고장은 예를 들어, 특허권에 기초한 경고장, 상표권에 기초한 경고장, 디자인보호법에 기초한 경고장, 저작권에 기초한 경고장 등을 포함할 수 있다. 지식재산권 무효 심판 증거 문서는 지식재산권을 무효화하기 위하여 필요한 문서를 포함할 수 있다. 지식재산권 무효 심판 증거 문서는 특정 지식재산권의 법적 보호 개시일 이전에 공개된 문서를 포함할 수 있다. 지식재산권 무효 심판 증거 문서는 예를 들어, 특허 출원일 이전에 공개된 문서를 포함할 수 있다. 지식재산권 취소 심판 증거는 지식재산권을 취소시키기 위하여 필요한 문서를 포함할 수 있다. 지식재산권 취소 심판 증거는 예를 들어, 특허 출원일 이전에 공개된 문서를 포함할 수 있다. 지식재산권 관련 소송 증거 문서는 침해 소송, 무효 심판, 심결 취소소송에서 특정 지식재산권의 권리 행사를 제한시킬 수 있는 문서를 포함할 수 있다. 지식재산권 관련 소송 증거 문서는 예를 들어, 무효의 항변, 자유기술의 항변을 위하여 사용될 수 있는 문서를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 분쟁 해결 근거 문서를 결정할 수 있다. 제 1 부분 문서(210)에 대한 법적 보호 개시일(예를 들어, 특허가 등록된 경우 특허출원일) 이전에 공개된 비교 대상 문서A(311), 비교 대상 문서B(312), 비교 대상 문서C(313)가 존재할 수 있다. 프로세서(110)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)와 비교 대상 문서A(311), 비교 대상 문서B(312), 비교 대상 문서C(313) 각각에 대하여 유사도를 획득할 수 있다. 예를 들어, 프로세서(110)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)와 비교 대상 문서A(311)의 유사도는 0.98(610), 제 1 부분 문서(210)와 비교 대상 문서B(312)의 유사도는 0.95(620), 제 1 부분 문서(210)와 비교 대상 문서C(313)의 유사도는 0.31(630)이라는 결과를 획득할 수 있다. 이 경우, 프로세서(110)는 제 1 부분 문서(210)와 유사도가 높은 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 분쟁 해결 근거 문서로 결정할 수 있다. 프로세서(110)는 분쟁 해결 근거 문서로 결정된 문서를 사용자 단말에 전송할 수 있다. 따라서 사용자는 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 분쟁 해결 근거 문서로 사용할 수 있다. 예를 들어, 사용자는 제 1 부분 문서(210)의 권리자에 대하여 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 근거로 특허 무효 심판을 제기하여 해당 권리자의 특허권을 무효화시킬 수 있다. 또한 사용자는 제 1 부분 문서(210)의 권리자에 대하여 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 특허청에 제출하여 특허 취소 신청을 할 수 있다. 또 다른 예로 사용자는 제 1 부분 문서(210)에 대하여 특허 등록을 받은 권리자가 제기한 침해 소송에서 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 근거로 권리 남용의 항변 또는 무효의 항변을 할 수 있다. 따라서 사용자는 분쟁 해결 근거 문서를 딥러닝 기술을 이용하여 빠르고 쉽게 찾아내서, 자신의 권익을 보호할 수 있고, 지식재산권 관련 분쟁을 조기에 종결시킬 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 2는 본 개시의 일 실시예에 따라 데이터 처리를 위한 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 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, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 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 노드들을 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 컨볼루션 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, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 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. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 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), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 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 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 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 제 1 부분 문서와 제 2 부분 문서의 상관 관계를 학습시킨 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 3에서는 제 1 부분 문서(210), 제 2 부분 문서(230), 기술 유사도 판단 모델(250) 및 유사도(270)가 도시되어 있다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델(250)은 제 1 부분 문서(210)와 제 2 부분 문서(230) 사이의 유사도를 판단하도록 학습된 모델을 포함할 수 있다. 제 1 부분 문서(210)와 제 2 부분 문서(230) 사이의 유사도를 판단하도록 학습된 모델은 머신 러닝 모델로서, 예를 들어, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), FCN(Fully Connected Layer), Activation Layer 등을 포함할 수 있다. 전술한 기술 유사도 판단 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델(250)은, 제 1 부분 문서(210)와 제 2 부분 문서(230)를 기술 유사도 판단 모델(250)에 입력시켜, 제 1 부분 문서(210)의 내용과 제 2 부분 문서(230)의 내용 간의 상관 관계를 학습시킨 제 1 모델을 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 부분 문서(210)와 제 2 부분 문서(230)를 기술 유사도 판단 모델(250)에 입력시키기 위한 형태로 변환하기 위한 전처리(preprocessing)를 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 부분 문서(210) 및 제 2 부분 문서(230)에 포함된 문장을 일정 기준에 따라 토큰(token)으로 분할하는 토크나이즈(tokenize) 과정을 수행할 수 있다. 또 다른 예시로, 컴퓨팅 장치(100)는 제 1 부분 문서 및 제 2 부분 문서에 포함된 문장을 테이블 형태(예를 들어, 문장 내의 각 단어는 테이블의 행이고, 각 단어의 벡터는 테이블의 열로 표현되는 테이블)로 변환하는 전처리를 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 1 모델은 제 1 부분 문서(210)의 내용과 제 2 부분 문서(230)의 내용 간의 상관 관계를 학습시킨 모델을 포함할 수 있다. 따라서, 컴퓨팅 장치(100)가 제 1 부분 문서(210)와 제 2 부분 문서를 제 1 모델에 입력시켜 유사도를 획득할 수 있다. 예를 들어, 제 1 모델은 특허 명세서를 학습 데이터 세트로 하여 학습된 모델을 포함할 수 있다. 학습 데이터 세트는 제 1 부분 문서(예를 들어, 청구항)를 포함하는 제 1 서브 학습 데이터 세트 및 제 2 부분 문서(예를 들어, 발명의 구체적인 설명)를 포함하는 제 2 서브 학습 데이터 세트를 포함할 수 있다. 따라서 제 1 모델은 제 1 서브 학습 데이터 세트 및 제 2 서브 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다. 본 개시의 일 실시예에 따라, 기술 유사도 판단 모델은 제 1 모델을 포함할 수 있다. 따라서, 컴퓨팅 장치(100)는 기술 유사도 판단 모델을 이용하여 제 1 부분 문서와 제 2 부분 문서 내용 간의 상관 관계에 기초하여 유사도(270)를 획득할 수 있다. 예를 들어, 제 1 부분 문서와 제 2 부분 문서 내용 간의 상관 관계가 높을 경우, 컴퓨팅 장치(100)가 획득한 유사도(270)는 높을 수 있다. 전술한 제 1 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 1 부분 문서(210)와 제 2 부분 문서(230)를 기술 유사도 판단 모델(250)에 입력시켜 유사도(270)를 획득할 수 있다. 유사도(270)는 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 포함할 수 있다. 예를 들어, 제 1 부분 문서가 특허 출원서의 청구항이고, 제 2 부분 문서가 해당 특허 출원서에 포함된 발명의 구체적인 설명인 경우, 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도는 높을 수 있다. 특허 출원서에 포함된 발명의 구체적인 설명은 청구항에 포함된 내용을 뒷받침하기 위한 내용을 포함하고 있으므로 제 1 부분 문서와 제 2 부분 문서의 유사도는 높을 수도 있다. 본 개시의 일 실시예에 따라, 유사도(270)는 확률의 형태로 표현될 수 있다. 예를 들어, 제 1 부분 문서(210)와 제 2 부분 문서 사이의 기술 유사도가 높은 경우, 유사도(270)는 0.96일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 4는 제 1 부분 문서와 비교 대상 문서의 상관 관계를 학습시킨 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 4에서는 제 1 부분 문서(210), 비교 대상 문서(310), 기술 유사도 판단 모델(250) 및 유사도(270)가 도시되어 있다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델(250)은 제 1 부분 문서(210)와 비교 대상 문서(310)를 제 1 모델에 입력시켜, 제 1 부분 문서(210)의 내용과 비교 대상 문서(310)의 내용 간의 상관 관계를 학습시킨 제 2 모델을 포함할 수 있다.
본 개시의 일 실시예에 따라, 제 2 모델은 제 1 부분 문서(210)의 내용과 비교 대상 문서(310) 내용 간의 상관 관계를 학습시킨 모델을 포함할 수 있다. 제 2 모델은 제 1 부분 문서의 내용과 제 2 부분 문서의 내용 간의 상관 관계를 학습시킨 제 1 모델을 재학습(re-training)시킨 모델을 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 부분 문서(210)와 비교 대상 문서(310)를 제 1 모델에 입력시켜 제 1 모델을 학습시킴으로써, 제 1 부분 문서(210)의 내용과 제 2 부분 문서의 내용 간의 상관 관계 뿐만 아니라, 제 1 부분 문서(210)의 내용과 비교 대상 문서(310)의 내용 간의 상관 관계 모두가 학습된 모델을 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 모델에 포함된 파라미터의 적어도 일부는 고정시키고, 나머지 파라미터를 업데이트 하는 학습 방법으로 제 1 부분 문서(210)의 내용과 비교 대상 문서(310) 내용 간의 상관 관계를 학습시킬 수 있다. 전술한 제 2 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 기술 유사도 판단 모델(250)은 제 2 모델을 포함할 수 있다. 따라서, 컴퓨팅 장치(100)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)와 비교 대상 문서(310)의 내용 간의 상관 관계에 기초하여 유사도(270)를 획득할 수 있다. 예를 들어, 제 1 부분 문서(210)와 비교 대상 문서(310)의 내용 간의 상관 관계가 높을 경우, 유사도(270)는 높을 수 있다. 즉, 컴퓨팅 장치(100)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)에 포함된 기술적 사상과 비교 대상 문서(310)에 포함된 기술적 사상이 유사할수록 높은 유사도(270)를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 5는 기술 유사도 판단 모델을 예시적으로 나타낸 예시도이다.
도 5에서는 제 1 부분 문서(210), 제 2 부분 문서(230), 제 1 서브모델(410), 제 2 서브모델(430), 제 3 서브모델(450) 및 제 4 서브모델(470), 유사도(270)가 도시되어 있다.
본 개시의 일 실시예에 따라, 제 1 서브모델(410)은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 부분 문서를 장단기 기억 네트워크에 입력하여 제 1 부분 문서(210)의 피처를 추출할 수 있다. 제 1 부분 문서의 피처는 제 1 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 1 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 요소로 하는 벡터를 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 서브모델(410)로부터 획득한 벡터를 이용하여 제 1 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 1 부분 문서에 포함된 단어의 집합이 (x1, x2, x3, x4, ... , xn)이고 각 단어에 대응되는 벡터(프로세서가 제 1 서브모델(410)에 단어를 입력하여 획득한 벡터)가 (v1, v2, v3, v4, ... ,vn)인 경우, 제 1 서브모델 인코딩 매트릭스는 [v1, v2, v3, v4, ... ,vn]로 표현될 수 있다. 전술한 제 1 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 서브모델(430)은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 제 2 서브모델(430)의 장단기 기억 네트워크는 제 1 서브모델(410)의 장단기 기억 네트워크와 동일한 네트워크를 포함할 수 있다. 즉, 제 2 서브모델(430)의 장단기 기억 네트워크의 파라미터는 제 1 서브모델(410)의 장단기 기억 네트워크의 파라미터와 동일할 수 있다. 제 1 서브모델(410) 및 제 2 서브모델(430)이 네트워크의 파라미터를 공유함으로써, 컴퓨팅 장치(100)는 동일한 단어 시퀀스(예를 들어, 문장)를 제 1 서브모델(410) 및 제 2 서브모델(430)에 입력하여 동일하거나 유사한 벡터 표현을 획득할 수 있다. 전술한 제 2 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 부분 문서(230)를 장단기 기억 네트워크에 입력하여 제 2 부분 문서(230)의 피처를 추출할 수 있다. 제 2 부분 문서(230)의 피처는 제 2 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 2 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 성분으로 하는 벡터를 포함할 수 있다. 컴퓨팅 장치(100)는 제 2 서브모델로부터 획득한 벡터를 이용하여 제 2 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 2 부분 문서에 포함된 단어의 집합이 (y1, y2, y3, y4, ... , yn)이고 각 단어에 대응되는 벡터(프로세서가 제 2 서브모델에 단어를 입력하여 획득한 벡터)가 (v'1, v'2, v'3, v'4, ... ,v'n)인 경우, 제 2 서브모델 인코딩 매트릭스는 [v'1, v'2, v'3, v'4, ... ,v'n]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 3 서브모델(450)은 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있는 모델을 포함할 수 있다. 컴퓨팅 장치(100)는 제 3 서브모델(450)을 이용하여 제 1 서브모델(410) 및 제 2 서브모델(430)의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 컴퓨팅 장치(100)는 제 1 서브모델 인코딩 매트릭스 및 제 2 서브모델 인코딩 매트릭스에 기초하여 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 컴퓨팅 장치(100)는 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산하여 획득한 결과를 softmax 함수에 입력하여, 제 1 부분 문서에 포함된 단어와 제 2 부분 문서에 포함된 단어의 상관관계를 획득할 수 있다. 전술한 제 3 서브모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
기술 유사도 판단 모델에 대한 구체적인 구성에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 특허 “신경망을 이용한 데이터 처리방법”(출원번호: KR10-2019-0103499)에서 구체적으로 논의된다.
본 개시의 일 실시예에 따라, 제 4 서브모델(470)은 제 1 부분 문서(210)와 제 2 부분 문서(230)의 유사도를 획득하기 위한 모델을 포함할 수 있다. 제 4 서브모델은 유사도를 획득하기 위한 기계학습 모델 및/또는 규칙 기반 모델을 포함할 수 있다. 본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 4 서브모델(470)을 이용하여 제 1 부분 문서(210)와 상관 관계가 높은 제 2 부분 문서(230)에 포함된 문장 및/또는 단어를 획득할 수 있다. 본 개시의 다른 일 실시예에서, 컴퓨팅 장치(100)는 제 1 부분 문서(210)와 상관 관계가 사전 결정된 기준 이상인 문장 및/또는 단어 각각에 대한 상관관계 점수에 기초하여 유사도를 획득할 수 있다. 유사도는 이하에서 구체적으로 설명된다. 전술한 제 4 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 유사도(270)는 특정 문서와 다른 문서 사이의 유사도를 포함할 수 있다. 유사도(270)는 특정 문서에 포함된 기술적 사상과 다른 문서에 포함된 기술적 사상의 유사도를 포함할 수 있다. 따라서 기술적 사상이 유사하여, 특정 문서에 포함된 기술적 사상을 모방하거나 침해하는 경우 유사도는 높을 수도 있다. 유사도(270)는 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 포함할 수 있다. 또한 유사도(270)는 제 1 부분 문서와 비교 대상 문서 사이의 유사도를 포함할 수 있다. 전술한 유사도는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 기술 모니터링 및 분쟁 해결 근거 문서 결정 과정을 예시적으로 설명하기 위한 예시도이다.
도 6에서는 제 1 부분 문서(210), 분쟁 해결 근거 문서 결정(520), 기술 모니터링(510), 비교 대상 문서와 제 1 부분 문서 각각의 유사도(610, 620, 630, 640, 650, 660)이 도시되어 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 기술 모니터링(510)을 수행할 수 있다. 기술 모니터링(510)은 사용자가 보유한 기술과 유사한 후행 기술이 공개되는지 여부를 모니터링하는 동작을 포함할 수 있다. 사용자는 매일매일 인터넷 검색을 통하여 자신이 보유한 기술을 누가 모방하고 무단으로 사용하는지 판단할 시간 및 비용이 부족할 수 있다. 따라서 컴퓨팅 장치(100)는 기술 유사도 판단 모델(250)을 이용하여 공개되는 비교 대상 문서들을 사용자의 기술이 포함된 제 1 부분 문서와 자동으로 판단하여 유사도 판단 결과를 사용자에게 전송함으로써, 사용자는 편리하게 자신의 권리를 침해하는 타인을 쉽게 색출할 수 있다. 전술한 기술 모니터링은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 1 부분 문서의 법적 보호 개시일(예를 들어, 특허가 등록된 경우 특허출원일) 기준으로 제 1 부분 문서의 법적 보호 개시일 이후에 공개된 문서에 대하여 기술 모니터링을 수행할 수 있다. 제 1 부분 문서의 법적 보호 개시일 이후에 공개된 문서는 비교 대상 문서D(314), 비교 대상 문서E(315), 비교 대상 문서F(316)를 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 부분 문서(210)와 비교 대상 문서D(314), 비교 대상 문서E(315) 또는 비교 대상 문서F(316) 사이 각각의 유사도를 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 부분 문서(210)와 비교 대상 문서D(314)의 유사도는 0.97(640), 제 1 부분 문서(210)와 비교 대상 문서E(315)의 유사도는 0.13(650), 제 1 부분 문서(210)와 비교 대상 문서F(316)의 유사도는 0.92(660)인 결과를 획득 수 있다. 이 경우, 비교 대상 문서D(314) 및 비교 대상 문서F(316)는 유사도가 높으므로 제 1 부분 문서(210)와 동일하거나 유사한 기술적 사상을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 모니터링을 수행하는 동작은, 사전 결정된 권리 침해 판단 기준에 기초하여 비교 대상 문서를 권리 침해 문서로 결정하는 동작을 포함할 수 있다. 사전 결정된 권리 침해 판단 기준은 비교 대상 문서에 제 1 부분 문서와 동일하거나 유사한 기술적 사상이 포함되어 있는지 여부에 기초하여 결정된 기준을 포함할 수 있다. 예를 들어, 사전 결정된 권리 침해 판단 기준은 유사도 0.7이상인 경우, 권리 침해 문서로 결정하는 기준을 포함할 수 있다. 사전 결정된 권리 침해 판단 기준은 오퍼레이터, 또는 유사도를 판단하기 위한 데이터 분석에 기초하여 결정된 기준을 포함할 수 있다. 따라서, 사전 결정된 권리 침해 판단 기준은 유사도 0.7이상인 비교 대상 문서를 권리 침해 문서로 결정하는 기준일 수 있다. 이 경우, 컴퓨팅 장치(100)는 비교 대상 문서D(314), 비교 대상 문서F(316)를 권리 침해 문서로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 모니터링을 수행하는 동작은, 결정된 권리 침해 문서와 관련된 정보를 제 1 부분 문서에 대한 권리를 가진 권리자의 단말 또는 제 1 부분 문서에 대한 권리자의 대리인 단말 중 적어도 하나에게 전송하는 동작을 포함할 수 있다. 컴퓨팅 장치(100)는 권리 침해 문서로 판단된 비교 대상 문서를 제 1 부분 문서에 대한 권리를 가진 권리자의 단말 또는 제 1 부분 문서에 대한 권리자의 대리인 단말 중 적어도 하나에게 전송할 수 있다. 이를 통해, 제 1 부분 문서에 대한 권리자 또는 대리인은 지속적으로 권리 침해 문서에 대한 정보를 사용자 단말을 통해 수신할 수 있다. 따라서 제 1 부분 문서에 대한 권리자 또는 대리인은 지속적으로 인터넷 검색을 통한 침해 기술 검색을 수행할 필요 없이 수신된 정보에 기초하여 선별적으로 기술 침해 여부를 판단할 수 있어 비용 및 시간을 모두 절약할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 기술 관련 분쟁 해결을 위한 분쟁 해결 근거 문서를 결정할 수 있다. 제 1 부분 문서에 대한 권리를 가진 권리자가 특정 기술을 실시하고 있는 사람에게 침해 경고장을 송부하거나 침해 소송 제기할 수도 있다. 이 경우, 특정 기술을 실시하고 있는 사람은 자신의 사업을 영위하고 방어하기 위하여 제 1 부분 문서에 대한 권리를 무효화시키거나 제 1 부분 문서에 포함된 기술은 공지공용의 기술이라는 항변을 할 수도 있다. 이 경우, 특정 기술을 실시하고 있는 사람은 제 1 부분 문서(210) 법적 보호 개시일 이전에 공개된 문서를 찾아야할 필요성이 존재할 수 있다. 제 1 부분 문서(210) 법적 보호 개시일 이전에 공개된 문서에 제 1 부분 문서에 포함된 기술적 사상이 존재하는 경우, 제 1 부분 문서에 대한 권리는 무효화될 수 있으며 나아가 공지공용의 기술로서 권리자는 타인에게 권리 주장을 못할 수도 있다. 이를 통해, 권리자와 실시자 간의 분쟁이 해결될 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 기술 관련 분쟁은, 기술과 관련된 개인 간, 개인과 단체 간 또는 단체와 단체 간 분쟁을 포함할 수 있다. 구체적으로 기술 관련 분쟁은 지식재산권 관련 심판, 지식재산권 관련 민사 소송, 지식재산 관련 형사 소송 또는 지식재산권 관련 행정 소송 중 적어도 하나를 포함할 수 있다. 지식재산권 관련 심판은 지식재산권 관련 거절결정불복심판, 취소심판 또는 무효심판을 포함할 수 있다. 예를 들어, 지식재산권 관련 심판은 특허 거절 결정 불복 심판, 상표 거절 결정 불복 심판, 특허 취소 신청, 상표 취소 심판, 특허 무효 심판, 상표 무효 심판 등을 포함할 수 있다. 지식재산권 관련 민사 소송은 지식재산권 관련 침해 소송을 포함할 수 있다. 권리자는 지식재산권 관련 침해 소송을 통하여 침해자에게 손해배상을 청구할 수 있다. 지식재산권 관련 민사 소송은 예를 들어, 특허 침해 소송, 상표 침해 소송, 디자인 침해 소송, 저작권 침해 소송 등이 포함될 수 있다. 지식재산권 관련 형사 소송은 지식재산권 관련 침해 소송을 포함하며, 권리자는 침해자를 고소할 수 있으며, 검사는 공소를 제기하여 침해자에게 형사벌을 구형할 수 있다. 지식재산권 관련 행정 소송은 지식재산권 관련 행정처분에 대한 소송을 포함할 수 있다. 지식재산권 관련 행정 소송은 예를 들어, 심결이라는 행정처분에 대하여 법원에 제기하는 심결취소소송을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 분쟁 해결 근거 문서는 기술 관련 분쟁을 해결하는데 도움이 될 수 있는 문서를 포함할 수 있다. 분쟁 해결 근거 문서는, 분쟁의 상대방 또는 분쟁 해결 기관 중 적어도 하나에 송부하여 분쟁을 해결하는 과정에서 도움이 되는 문서를 포함할 수 있다. 분쟁 해결 근거 문서는 지식재산권 관련 경고장, 지식재산권 무효 심판 증거 문서, 지식재산권 취소 심판 증거 문서 또는 지식재산권 관련 소송 증거 문서 중 적어도 하나를 포함할 수 있다. 지식재산권 관련 경고장은 타인이 지식재산권을 침해하거나 침해할 염려가 있는 경우, 타인에게 발송하는 경고장을 포함할 수 있다. 지식재산권 관련 경고장은 예를 들어, 특허권에 기초한 경고장, 상표권에 기초한 경고장, 디자인보호법에 기초한 경고장, 저작권에 기초한 경고장 등을 포함할 수 있다. 지식재산권 무효 심판 증거 문서는 지식재산권을 무효화하기 위하여 필요한 문서를 포함할 수 있다. 지식재산권 무효 심판 증거 문서는 특정 지식재산권의 법적 보호 개시일 이전에 공개된 문서를 포함할 수 있다. 지식재산권 무효 심판 증거 문서는 예를 들어, 특허 출원일 이전에 공개된 문서를 포함할 수 있다. 지식재산권 취소 심판 증거는 지식재산권을 취소시키기 위하여 필요한 문서를 포함할 수 있다. 지식재산권 취소 심판 증거는 예를 들어, 특허 출원일 이전에 공개된 문서를 포함할 수 있다. 지식재산권 관련 소송 증거 문서는 침해 소송, 무효 심판, 심결 취소소송에서 특정 지식재산권의 권리 행사를 제한시킬 수 있는 문서를 포함할 수 있다. 지식재산권 관련 소송 증거 문서는 예를 들어, 무효의 항변, 자유기술의 항변을 위하여 사용될 수 있는 문서를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 분쟁 해결 근거 문서를 결정할 수 있다. 제 1 부분 문서(210)에 대한 법적 보호 개시일(예를 들어, 특허가 등록된 경우 특허출원일) 이전에 공개된 비교 대상 문서A(311), 비교 대상 문서B(312), 비교 대상 문서C(313)가 존재할 수 있다. 컴퓨팅 장치(100)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)와 비교 대상 문서A(311), 비교 대상 문서B(312), 비교 대상 문서C(313) 각각에 대하여 유사도를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 기술 유사도 판단 모델(250)을 이용하여 제 1 부분 문서(210)와 비교 대상 문서A(311)의 유사도는 0.98(610), 제 1 부분 문서(210)와 비교 대상 문서B(312)의 유사도는 0.95(620), 제 1 부분 문서(210)와 비교 대상 문서C(313)의 유사도는 0.31(630)이라는 결과를 획득할 수 있다. 이 경우, 컴퓨팅 장치(100)는 제 1 부분 문서(210)와 유사도가 높은 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 분쟁 해결 근거 문서로 결정할 수 있다. 컴퓨팅 장치(100)는 분쟁 해결 근거 문서로 결정된 문서를 사용자 단말에 전송할 수 있다. 따라서 사용자는 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 분쟁 해결 근거 문서로 사용할 수 있다. 예를 들어, 사용자는 제 1 부분 문서(210)의 권리자에 대하여 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 근거로 특허 무효 심판을 제기하여 해당 권리자의 특허권을 무효화시킬 수 있다. 또한 사용자는 제 1 부분 문서(210)의 권리자에 대하여 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 특허청에 제출하여 특허 취소 신청을 할 수 있다. 또 다른 예로 사용자는 제 1 부분 문서(210)에 대하여 특허 등록을 받은 권리자가 제기한 침해 소송에서 비교 대상 문서A(311) 및 비교 대상 문서B(312)를 근거로 권리 남용의 항변 또는 무효의 항변을 할 수 있다. 따라서 사용자는 분쟁 해결 근거 문서를 딥러닝 기술을 이용하여 빠르고 쉽게 찾아내서, 자신의 권익을 보호할 수 있고, 지식재산권 관련 분쟁을 조기에 종결시킬 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 7은 본 개시의 일 실시예에 따라, 기술 유사도를 판단하기 위한 방법의 순서도이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시킬(710) 수 있다.
본 개시의 일 실시예에 따라, 문서는 권리 주장을 위한 제 1 부분 문서 또는 권리 주장 내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델은 제 1 부분 문서와 상기 제 2 부분 문서를 기술 유사도 판단 모델에 입력시켜, 제 1 부분 문서의 내용과 제 2 부분 문서의 내용 간의 상관 관계를 학습시킨 제 1 모델을 포함할 수 있다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델은 제 1 부분 문서와 비교 대상 문서를 제 1 모델에 입력시켜, 제 1 부분 문서의 내용과 비교 대상 문서의 내용 간의 상관 관계를 학습시킨 제 2 모델을 포함할 수 있다.
본 개시의 일 실시예에 따라, 비교 대상 문서는, 원시 비교 대상 문서인 제 1 비교 대상 문서 또는 원시 비교 대상 문서를 가공한 문서인 제 2 비교 대상 문서 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 제 1 비교 대상 문서는, 기술 관련 내용을 포함한 문서로서, 지식재산권 관련 문서, 논문 또는 기술 문서 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 제 2 비교 대상 문서는, 제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부를 포함하며, 제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부는 핵심 문장 산출 알고리즘에 기초하여 결정된 문장을 포함할 수 있다.
본 개시의 일 실시예에 따라, 핵심 문장 산출 알고리즘은, 제 1 비교 대상 문서에 포함된 문장 내의 기술 용어 각각에 대하여 기술 용어 출현 빈도에 기초하여 기술 용어 중요도를 산출하는 단계; 산출된 기술 용어 중요도 각각을 행렬의 요소로 하는 제 1 행렬과 상기 제 1 행렬의 전치행렬을 연산하여 문장 간 가중치 행렬을 획득하는 단계; 문장 간 가중치 행렬을 기초로 상기 제 1 비교 대상 문서에 포함된 문장의 랭크(Rank)를 산출하는 단계; 및 산출된 랭크가 사전 결정된 랭크 이상인 문장을 핵심 문장으로 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 비교 대상 문서는, 시간의 경과에 따라 공개되는 비교 대상 문서에 대하여 기술 유사도를 판단하기 위하여 특정 시점을 기준으로 사전 결정된 주기마다 업데이트된 문서를 포함할 수 있다.
본 개시의 일 실시예에 따라, 기술 유사도 판단 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델; 제 2 부분 문서의 피처 또는 상기 비교 대상 문서의 피처를 추출하기 위한 제 2 서브모델; 제 1 서브모델의 출력 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 상기 비교 대상 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및 상관관계에 기초하여 상기 기술 유사도를 획득하기 위한 제 4 서브모델을 포함할 수 있다.
본 개시의 일 실시예에 따라, 기술 유사도는, 제 1 부분 문서에 포함된 문장과 상관관계가 사전 결정된 기준 이상인 비교 대상 문서에 포함된 문장의 개수에 기초하여 결정된 점수 또는 제 1 부분 문서에 포함된 문장과 비교 대상 문서에 포함된 적어도 하나의 문장 각각의 상관관계 점수에 기초하여 결정된 점수 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 기술 유사도 판단 모델을 이용하여 제 1 부분 문서의 적어도 일부와 비교 대상 문서의 기술 유사도를 획득(720)할 수 있다.
본 개시의 일 실시예에 따라, 기술 관련 분쟁은, 기술과 관련된 개인 간, 개인과 단체 간 또는 단체와 단체 간 분쟁으로서, 지식재산권 관련 심판, 지식재산권 관련 민사 소송, 지식재산 관련 형사 소송 또는 지식재산권 관련 행정 소송 중 적어도 하나를 포함하 다른 일 실시예에 따라 신경망을 이용하여 기술 유사도를 판단하기 위한 방법이 개시된다.
본 개시의 일 실시예에 따라, 분쟁 해결 근거 문서는, 분쟁의 상대방 또는 분쟁 해결 기관 중 적어도 하나에 송부하여 분쟁을 해결하는 과정에서 도움이 되는 문서로서, 지식재산권 관련 경고장, 지식재산권 무효 심판 증거 문서, 지식재산권 취소 심판 증거 문서 또는 지식재산권 관련 소송 증거 문서 중 적어도 하나를 포함할 수 있다.
도 8은 본 개시의 일 실시예에 따라, 기술 유사도를 판단하기 위한 모듈을 도시한 블록 구성도이다.
본 개시의 일 실시예에 기술 유사도를 판단하기 위한 방법은 다음과 같은 모듈에 의해 구현될 수 있다. 제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키기 위한 모듈(810); 및 기술 유사도 판단 모델을 이용하여 제 1 부분 문서의 적어도 일부와 비교 대상 문서의 기술 유사도를 획득하기 위한 모듈(820)을 포함할 수 있다.
기술 유사도를 판단하기 위한 대안적인 실시예에서, 기술 모니터링을 수행하기 위한 모듈; 및 기술 관련 분쟁 해결을 위한 분쟁 해결 근거 문서를 결정하기 위한 모듈을 더 포함할 수 있다.
기술 유사도를 판단하기 위한 대안적인 실시예에서, 기술 모니터링을 수행하기 위한 모듈은 사전 결정된 권리 침해 판단 기준에 기초하여 비교 대상 문서를 권리 침해 문서로 결정하기 위한 모듈을 포함할 수 있다.
기술 유사도를 판단하기 위한 대안적인 실시예에서, 기술 모니터링을 수행하기 위한 모듈은 결정된 권리 침해 문서와 관련된 정보를 제 1 부분 문서에 대한 권리를 가진 권리자의 단말 또는 상기 제 1 부분 문서에 대한 권리자의 대리인 단말 중 적어도 하나에게 전송하기 위한 모듈을 포함할 수 있다.
본 개시의 일 실시예에 따르면 기술 유사도를 판단하기 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 9은 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 (19)
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 신경망을 이용하여 기술 유사도를 판단하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키는 동작; 및
상기 기술 유사도 판단 모델을 이용하여 상기 제 1 부분 문서의 적어도 일부와 상기 비교 대상 문서의 기술 유사도를 획득하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
문서는 권리 주장을 위한 제 1 부분 문서 또는 권리 주장 내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 기술 유사도 판단 모델은,
상기 제 1 부분 문서와 상기 제 2 부분 문서를 기술 유사도 판단 모델에 입력시켜, 상기 제 1 부분 문서의 내용과 상기 제 2 부분 문서의 내용 간의 상관 관계를 학습시킨 제 1 모델을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 3 항에 있어서,
상기 기술 유사도 판단 모델은
상기 제 1 부분 문서와 상기 비교 대상 문서를 상기 제 1 모델에 입력시켜, 상기 제 1 부분 문서의 내용과 상기 비교 대상 문서의 내용 간의 상관 관계를 학습시킨 제 2 모델을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 비교 대상 문서는,
원시 비교 대상 문서인 제 1 비교 대상 문서 또는 원시 비교 대상 문서를 가공한 문서인 제 2 비교 대상 문서 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 5 항에 있어서,
상기 제 1 비교 대상 문서는,
기술 관련 내용을 포함한 문서로서,
지식재산권 관련 문서, 논문 또는 기술 문서 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 5 항에 있어서,
상기 제 2 비교 대상 문서는,
제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부를 포함하며,
상기 제 1 비교 대상 문서에 포함된 복수개의 문장 중 적어도 일부는 핵심 문장 산출 알고리즘에 기초하여 결정된 문장을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 7 항에 있어서,
상기 핵심 문장 산출 알고리즘은,
상기 제 1 비교 대상 문서에 포함된 문장 내의 기술 용어 각각에 대하여 기술 용어 출현 빈도에 기초하여 기술 용어 중요도를 산출하는 단계;
상기 산출된 기술 용어 중요도 각각을 행렬의 요소로 하는 제 1 행렬과 상기 제 1 행렬의 전치행렬을 연산하여 문장 간 가중치 행렬을 획득하는 단계;
상기 문장 간 가중치 행렬을 기초로 상기 제 1 비교 대상 문서에 포함된 문장의 랭크(Rank)를 산출하는 단계; 및
상기 산출된 랭크가 사전 결정된 랭크 이상인 문장을 핵심 문장으로 결정하는 단계;
를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 비교 대상 문서는,
시간의 경과에 따라 공개되는 비교 대상 문서에 대하여 기술 유사도를 판단하기 위하여 특정 시점을 기준으로 사전 결정된 주기마다 업데이트된 문서를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 기술 유사도 판단 모델은,
제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델;
제 2 부분 문서의 피처 또는 상기 비교 대상 문서의 피처를 추출하기 위한 제 2 서브모델;
상기 제 1 서브모델의 출력 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 상기 비교 대상 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및
상기 상관관계에 기초하여 상기 유사도를 획득하기 위한 제 4 서브모델;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 유사도는,
상기 제 1 부분 문서에 포함된 단어 또는 문장 중 적어도 하나와 상관관계가 사전 결정된 기준 이상인 상기 비교 대상 문서에 포함된 단어 또는 문장 중 적어도 하나의 개수에 기초하여 결정된 점수
또는
상기 제 1 부분 문서에 포함된 단어 또는 문장 중 적어도 하나와 상기 비교 대상 문서에 포함된 적어도 하나의 단어 또는 문장 중 적어도 하나 각각의 상관관계 점수에 기초하여 결정된 점수
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
기술 모니터링을 수행하는 동작; 및
기술 관련 분쟁 해결을 위한 분쟁 해결 근거 문서를 결정하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 12 항에 있어서,
상기 기술 모니터링을 수행하는 동작은,
사전 결정된 권리 침해 판단 기준에 기초하여 비교 대상 문서를 권리 침해 문서로 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 12 항에 있어서,
상기 기술 모니터링을 수행하는 동작은,
상기 결정된 권리 침해 문서와 관련된 정보를 제 1 부분 문서에 대한 권리를 가진 권리자의 단말 또는 상기 제 1 부분 문서에 대한 권리자의 대리인 단말 중 적어도 하나에게 전송하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 12 항에 있어서,
상기 기술 관련 분쟁은,
기술과 관련된 개인 간, 개인과 단체 간 또는 단체와 단체 간 분쟁으로서,
지식재산권 관련 심판, 지식재산권 관련 민사 소송, 지식재산 관련 형사 소송 또는 지식재산권 관련 행정 소송 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 12 항에 있어서,
상기 분쟁 해결 근거 문서는,
분쟁의 상대방 또는 분쟁 해결 기관 중 적어도 하나에 송부하여 분쟁을 해결하는 과정에서 도움이 되는 문서로서,
지식재산권 관련 경고장, 지식재산권 무효 심판 증거 문서, 지식재산권 취소 심판 증거 문서 또는 지식재산권 관련 소송 증거 문서 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 신경망을 이용하여 기술 유사도를 판단하기 위한 방법은,
제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키는 단계; 및
상기 기술 유사도 판단 모델을 이용하여 상기 제 1 부분 문서의 적어도 일부와 상기 비교 대상 문서의 기술 유사도를 획득하는 단계;
를 포함하는,
신경망을 이용하여 기술 유사도를 판단하기 위한 방법.
- 신경망을 이용하여 기술 유사도를 판단하기 위한 컴퓨팅 장치로서,
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
를 포함하고,
상기 하나 이상의 프로세서는,
제 1 부분 문서와 제 2 부분 문서 또는 비교 대상 문서 중 적어도 하나 사이의 유사도를 판단하도록 학습된 기술 유사도 판단 모델에 상기 제 1 부분 문서의 적어도 일부 또는 비교 대상 문서 중 적어도 하나를 입력시키고, 그리고
상기 기술 유사도 판단 모델을 이용하여 상기 제 1 부분 문서의 적어도 일부와 상기 비교 대상 문서의 기술 유사도를 획득하는,
신경망을 이용하여 기술 유사도를 판단하기 위한 컴퓨팅 장치.
- 학습 과정에서 적어도 일부가 업데이트 되는 신경망의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 신경망의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은,
제 1 부분 문서의 내용과 제 2 부분 문서의 내용 간의 상관 관계를 학습시키는 단계; 및
제 1 부분 문서의 내용과 상기 비교 대상 문서의 내용 간의 상관 관계를 학습시키는 단계;
을 포함하는,
데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200030710A KR20210115234A (ko) | 2020-03-12 | 2020-03-12 | 신경망을 이용한 기술 유사도 판단 방법 |
| PCT/KR2021/003117 WO2021182921A1 (ko) | 2020-03-12 | 2021-03-12 | 신경망을 이용한 기술 유사도 판단 방법 |
| KR1020230022041A KR20230029738A (ko) | 2020-03-12 | 2023-02-20 | 신경망을 이용한 기술 유사도 판단 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200030710A KR20210115234A (ko) | 2020-03-12 | 2020-03-12 | 신경망을 이용한 기술 유사도 판단 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230022041A Division KR20230029738A (ko) | 2020-03-12 | 2023-02-20 | 신경망을 이용한 기술 유사도 판단 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210115234A true KR20210115234A (ko) | 2021-09-27 |
Family
ID=77671859
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200030710A KR20210115234A (ko) | 2020-03-12 | 2020-03-12 | 신경망을 이용한 기술 유사도 판단 방법 |
| KR1020230022041A KR20230029738A (ko) | 2020-03-12 | 2023-02-20 | 신경망을 이용한 기술 유사도 판단 방법 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230022041A KR20230029738A (ko) | 2020-03-12 | 2023-02-20 | 신경망을 이용한 기술 유사도 판단 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR20210115234A (ko) |
| WO (1) | WO2021182921A1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102475316B1 (ko) * | 2021-12-03 | 2022-12-08 | (주)대교씨엔에스 | 복수의 은닉층들로 구성되는 딥러닝 기반의 인공지능을 이용한 학습량 추천 방법 및 장치 |
| KR102545575B1 (ko) * | 2022-07-21 | 2023-06-21 | (주)시큐레이어 | 고객군별 특성에 따른 이중화 서비스 플로우를 적용한 플랫폼을 통한 ai모델 자동추천 구독 서비스 방법 및 서버 |
| KR102650207B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 시각적 효과를 제공하는 투고 저널 추천 서버, 방법 및 프로그램 |
| KR102650209B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 뷰어 기능을 제공하는 투고 저널 추천 서버, 방법 및 프로그램 |
| KR102650206B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 논문 유사도가 높은 투고 저널을 추천하는 서버, 방법 및 프로그램 |
| KR102650202B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 인공지능 기반의 투고 저널 추천 서버, 방법 및 프로그램 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101040734B1 (ko) * | 2008-11-25 | 2011-06-13 | 한국과학기술정보연구원 | 지적재산 가이던스 시스템 및 방법 |
| KR101160995B1 (ko) * | 2009-08-17 | 2012-07-02 | 사단법인 한국전자정보통신산업진흥회 | 특허 분쟁 예측 장치 및 방법 |
| KR102209577B1 (ko) * | 2015-12-24 | 2021-01-29 | 주식회사 포스코 | 특허 침해 리스크 분석 시스템 및 방법 |
| KR102123974B1 (ko) * | 2018-07-24 | 2020-06-17 | 배재대학교 산학협력단 | 유사 특허 검색 서비스 시스템 및 방법 |
| KR102085217B1 (ko) * | 2019-10-14 | 2020-03-04 | (주)디앤아이파비스 | 특허문서의 유사도 판단 방법, 장치 및 시스템 |
-
2020
- 2020-03-12 KR KR1020200030710A patent/KR20210115234A/ko active Application Filing
-
2021
- 2021-03-12 WO PCT/KR2021/003117 patent/WO2021182921A1/ko active Application Filing
-
2023
- 2023-02-20 KR KR1020230022041A patent/KR20230029738A/ko not_active Application Discontinuation
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102475316B1 (ko) * | 2021-12-03 | 2022-12-08 | (주)대교씨엔에스 | 복수의 은닉층들로 구성되는 딥러닝 기반의 인공지능을 이용한 학습량 추천 방법 및 장치 |
| KR102509367B1 (ko) * | 2021-12-03 | 2023-03-14 | (주)대교씨엔에스 | 드랍아웃을 통해 과적합 경향을 보상하는 복수의 은닉층들로 구성되는 딥러닝 기반의 인공지능을 이용한 학습량 추천 방법 및 장치 |
| KR102545575B1 (ko) * | 2022-07-21 | 2023-06-21 | (주)시큐레이어 | 고객군별 특성에 따른 이중화 서비스 플로우를 적용한 플랫폼을 통한 ai모델 자동추천 구독 서비스 방법 및 서버 |
| KR102650207B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 시각적 효과를 제공하는 투고 저널 추천 서버, 방법 및 프로그램 |
| KR102650209B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 뷰어 기능을 제공하는 투고 저널 추천 서버, 방법 및 프로그램 |
| KR102650206B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 논문 유사도가 높은 투고 저널을 추천하는 서버, 방법 및 프로그램 |
| KR102650202B1 (ko) * | 2024-01-24 | 2024-03-21 | (주)누리미디어 | 인공지능 기반의 투고 저널 추천 서버, 방법 및 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230029738A (ko) | 2023-03-03 |
| WO2021182921A1 (ko) | 2021-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lakshmanan et al. | Machine learning design patterns | |
| Ozdemir et al. | Feature Engineering Made Easy: Identify unique features from your dataset in order to build powerful machine learning systems | |
| KR20210115234A (ko) | 신경망을 이용한 기술 유사도 판단 방법 | |
| Goyal et al. | Deep learning for natural language processing | |
| Kulkarni et al. | Deep learning for NLP | |
| KR102458457B1 (ko) | 문서 데이터 검색 기법 | |
| Aralikatte et al. | Fault in your stars: an analysis of android app reviews | |
| Kansara et al. | Comparison of traditional machine learning and deep learning approaches for sentiment analysis | |
| Jia et al. | Attention enhanced capsule network for text classification by encoding syntactic dependency trees with graph convolutional neural network | |
| CN112148776A (zh) | 基于引入语义信息的神经网络的学术关系预测方法和装置 | |
| Brenon et al. | Classifying encyclopedia articles: Comparing machine and deep learning methods and exploring their predictions | |
| Al Imran et al. | Bnnet: A deep neural network for the identification of satire and fake bangla news | |
| Buscaldi et al. | Citation prediction by leveraging transformers and natural language processing heuristics | |
| KR20220057267A (ko) | 신경망을 이용한 기술문서 검색 방법, 장치 및 컴퓨터 프로그램 | |
| Bi et al. | Judicial knowledge-enhanced magnitude-aware reasoning for numerical legal judgment prediction | |
| Nottamkandath et al. | Automated evaluation of crowdsourced annotations in the cultural heritage domain | |
| Salami et al. | Recurrent convolutional neural networks for poet identification | |
| KR20220108923A (ko) | 신경망을 이용한 기술문서 검색 방법, 장치 및 컴퓨터 프로그램 | |
| Dhal et al. | A fine-tuning deep learning with multi-objective-based feature selection approach for the classification of text | |
| Parmentier et al. | Learning reddit user reputation using graphical attention networks | |
| KR20220057268A (ko) | 신경망을 이용한 특허 문서 분류 방법, 장치 및 컴퓨터 프로그램 | |
| Ochoa-Luna et al. | Word embeddings and deep learning for spanish twitter sentiment analysis | |
| Danyal et al. | Sentiment analysis of movie reviews based on NB approaches using TF–IDF and count vectorizer | |
| Zhu et al. | Semisupervised learning-based sensor ontology matching | |
| KR20210138893A (ko) | 아이템 추천 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| A107 | Divisional application of patent |