KR20220105036A - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20220105036A
KR20220105036A KR1020210007580A KR20210007580A KR20220105036A KR 20220105036 A KR20220105036 A KR 20220105036A KR 1020210007580 A KR1020210007580 A KR 1020210007580A KR 20210007580 A KR20210007580 A KR 20210007580A KR 20220105036 A KR20220105036 A KR 20220105036A
Authority
KR
South Korea
Prior art keywords
external device
information
response
external
user
Prior art date
Application number
KR1020210007580A
Other languages
English (en)
Inventor
권다영
고현목
김종구
송서하
이경훈
이호정
장새봄
정푸름
편창호
홍지연
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210007580A priority Critical patent/KR20220105036A/ko
Priority to PCT/KR2021/009276 priority patent/WO2022158665A1/ko
Priority to US17/510,454 priority patent/US11915691B2/en
Publication of KR20220105036A publication Critical patent/KR20220105036A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/225—Feedback of the input speech

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Machine Translation (AREA)
  • User Interface Of Digital Computer (AREA)
  • Telephone Function (AREA)
  • Electrotherapy Devices (AREA)

Abstract

전자 장치가 개시된다. 본 개시에 따른 전자 장치는 프로세서를 포함하고, 프로세서는, 제1 외부 장치로부터 사용자 발화에 대응되는 텍스트 및 제1 외부 장치에 대한 정보를 수신하고, 사용자 발화에 대응되는 텍스트를 제1 신경망 모델에 입력하여 제1 외부 장치와 관련된 복수의 요소 각각에 대한 가중치를 획득하고, 제1 외부 장치에 대한 정보 및 획득된 가중치를 바탕으로 제2 외부 장치를 식별하고, 제2 외부 장치로 사용자 발화를 전송하고, 제2 외부 장치로부터 사용자 발화에 대한 제1 응답 정보를 수신하고, 제1 응답 정보 및 제1 외부 장치에 대한 정보를 제2 신경망 모델에 입력하여 제2 응답 정보를 획득하고, 제2 응답 정보를 제1 외부 장치로 전송할 수 있다.

Description

전자 장치 및 그 제어 방법{ELECTRONIC APPARATUS AND METHOD FOR CONTROLLING THEREOF}
본 개시는 전자 장치 및 그 제어 방법으로, 보다 상세하게는, 사용자 발화에 대응되는 응답을 획득하는 전자 장치 및 그 제어 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
근래에는, 인공지능을 이용한 대화 시스템이 활발히 이용되고 있다. 사용자는 대화 시스템을 구성하는 장치에 설치된 개인 비서 에이전트(예로, 빅스비)와 대화를 하며 장치 내 기능을 실행시키거나 다양한 서비스를 제공받을 수 있다. 최근에는 사용자의 개인화된 발화에 대해서도 응답을 제공받고자 하는 사용자의 니즈가 증대되고 있다. 한편, 기존의 사용자 단말은 사용자에 의해 설정된 발화에 대해서만 응답을 출력할 수 있었으며, 사용자에 의해 설정되지 않은 발화가 입력되면 응답을 출력할 수 없었다. 따라서, 사용자는 개인화된 발화에 대한 응답을 제공받기 위해서는 먼저 각 발화 별 응답을 직접 설정해야하는 번거로움이 있었다. 이에 따라, 사용자에 의해 미리 설정되지 않은 발화에 대해서도 응답을 출력할 수 있는 기술의 필요성이 대두된다.
본 발명이 해결하고자 하는 일 기술적 과제는, 사용자의 개인화된 발화에 대한 응답 정보를 획득할 수 있는 전자 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 전자 장치에 있어서, 통신 인터페이스; 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 통신 인터페이스를 통해 제1 외부 장치로부터 사용자 발화에 대응되는 텍스트 및 상기 제1 외부 장치에 대한 정보를 수신하고, 상기 사용자 발화에 대응되는 텍스트를 제1 신경망 모델에 입력하여 상기 제1 외부 장치와 관련된 복수의 요소 각각에 대한 가중치를 획득하고, 상기 제1 외부 장치에 대한 정보, 상기 메모리에 저장된 상기 전자 장치 주변에 존재하는 다른 외부 장치들에 대한 정보 및 상기 획득된 가중치를 바탕으로 상기 다른 외부 장치들 중 상기 사용자 발화에 대응되는 응답 정보를 획득하기 위한 제2 외부 장치를 식별하고, 상기 제2 외부 장치로 상기 사용자 발화를 전송하도록 상기 통신 인터페이스를 제어하고, 상기 통신 인터페이스를 통해 상기 제2 외부 장치로부터 상기 사용자 발화에 대한 제1 응답 정보를 수신하고, 상기 제1 응답 정보 및 상기 제1 외부 장치에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 외부 장치에 대응되는 제2 응답 정보를 획득하고, 상기 제2 응답 정보를 상기 제1 외부 장치로 전송하도록 상기 통신 인터페이스를 제어하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 다른 일 실시 예에 따르면, 전자 장치의 제어 방법에 있어서, 제1 외부 장치로부터 사용자 발화에 대응되는 텍스트 및 상기 제1 외부 장치에 대한 정보를 수신하는 단계; 상기 사용자 발화에 대응되는 텍스트를 제1 신경망 모델에 입력하여 상기 제1 외부 장치와 관련된 복수의 요소 각각에 대한 가중치를 획득하는 단계; 상기 제1 외부 장치에 대한 정보, 상기 전자 장치 주변에 존재하는 다른 외부 장치들에 대한 정보 및 상기 획득된 가중치를 바탕으로 상기 다른 외부 장치들 중 상기 사용자 발화에 대응되는 응답 정보를 획득하기 위한 제2 외부 장치를 식별하고, 상기 제2 외부 장치로 상기 사용자 발화를 전송하는 단계; 상기 제2 외부 장치로부터 상기 사용자 발화에 대한 제1 응답 정보를 수신하는 단계; 상기 제1 응답 정보 및 상기 제1 외부 장치에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 외부 장치에 대응되는 제2 응답 정보를 획득하는 단계; 및 상기 제2 응답 정보를 상기 제1 외부 장치로 전송하는 단계;를 포함하는 제어 방법이 제공될 수 있다.
본 개시의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 사용자의 개인화된 발화에 대한 응답 정보를 획득할 수 있다. 이에 따라, 사용자의 만족감 및 편의성이 향상될 수 있다.
그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.
도 1은 본 개시의 일 실시 예에 따른 대화 시스템의 컨셉을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 대화 시스템의 구성을 도시한 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 응답 생성 장치를 식별하는 방법을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 가중치 획득 모델의 학습 방법을 설명하기 위한 도면이다.
도 5a는 본 개시의 일 실시 예에 따른 응답 생성 방법을 설명하기 위한 도면이다.
도 5b는 본 개시의 일 실시 예에 따른 응답 변환 필요 여부를 판단하기 위한 방법을 설명하기 위한 도면이다.
도 5c는 본 개시의 일 실시 예에 따른 응답 변환 방법을 설명하기 위한 도면이다.
도 5d는 본 개시의 다른 일 실시 예에 따른 응답 변환 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 응답 변환 모델의 학습 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 동작을 도시한 순서도이다.
도 8은 본 개시의 일 실시 예에 따른 대화 시스템을 설명하기 위한 시퀀스도이다.
도 9는 본 개시의 다른 일 실시 예에 따른 대화 시스템을 설명하기 위한 시퀀스도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 개시의 일 실시 예에 따른 대화 시스템의 컨셉을 설명하기 위한 도면이다. 대화 시스템은 전자 장치(100), 제1 외부 장치(210) 및 제2 외부 장치(220)를 포함할 수 있다. 여기서, 제1 외부 장치(210)는 개인화가 완료되지 않은 장치이며, 제2 외부 장치(220)는 개인화가 완료된 장치이다. 따라서, 사용자 발화가 동일하더라도, 제1 외부 장치(210)는 사용자가 의도한 응답을 생성할 수 없는 반면, 제2 외부 장치(220)는 사용자가 의도한 응답을 생성할 수 있다. 여기서, 개인화란 장치가 사용자(1)에 대응되게 학습되는 과정을 의미할 수 있다.
제1 외부 장치(210)는 사용자(1)로부터 사용자 발화(11)를 획득할 수 있다. 사용자 발화(11)가 획득되면, 제1 외부 장치(210)는 사용자 발화(11)에 대한 응답을 생성할 수 있는지 여부를 판단할 수 있다. 사용자 발화(11)가 제1 전자 장치(210)가 기본적으로 제공할 수 있는 일반적인 발화라면, 제1 전자 장치(210)는 사용자 발화(11)에 대한 응답을 생성하여 출력할 수 있다. 그러나, 사용자 발화(11)가 일반적인 발화가 아니라면, 제1 외부 장치(210)는 전자 장치(100)로 사용자 발화(11) 및 제1 외부 장치(210)에 대한 정보(12)를 전송할 수 있다. 제1 외부 장치(210)에 대한 정보(12)는, 사용자(1)와 제1 외부 장치의 사용자(또는 소유자)의 관련성에 대한 정보, 제1 외부 장치(210)의 스펙에 대한 정보 및 제1 외부 장치(210)와 다른 외부 장치들 사이의 거리에 대한 정보 중 적어도 하나를 포함할 수 있다.
전자 장치(100)는 사용자 발화(11) 및 제1 외부 장치(210)에 대한 정보(12)를 바탕으로 전자 장치(100)와 통신 가능한 다수의 다른 외부 장치들 중 제2 외부 장치(220)를 식별할 수 있다. 이 때, 전자 장치(100)는 사용자 발화(11) 및 제1 외부 장치(210)에 대한 정보(12)를 바탕으로 제1 외부 장치(210)와의 관련성이 가장 높은 장치를 제2 외부 장치(220)로 식별할 수 있다.
전자 장치(100)는 제2 외부 장치(220)로 사용자 발화(11)를 전송할 수 있다. 개인화가 완료된 제2 외부 장치(220)는 사용자 발화(11)를 바탕으로 제1 응답 정보(21)를 획득할 수 있다. 그리고, 제2 외부 장치(220)는 제1 응답 정보(21)를 전자 장치(100)로 전송할 수 있다. 제1 응답 정보(21)는 제1 응답 유형 및 제1 응답 내용을 포함할 수 있다.
한편, 제1 외부 장치(210)와 제2 외부 장치(220)는 하드웨어 스펙이 상이할 수 있으며, 이에 따라, 제2 외부 장치(220)에 의해 생성된 제1 응답 정보(21)가 변환될 필요가 있을 수 있다. 예로, 제2 외부 장치(220)의 디스플레이의 크기는 기설정된 값보다 작아서 다수의 텍스트를 포함하는 메시지 표시가 불가능할 수 있다. 따라서, 제2 외부 장치(220)에 의해 생성된 제1 응답 정보(21)에는 메시지를 표시하는 응답에 관한 정보가 포함되지 않을 수 있다. 이에 반해, 제1 외부 장치(210)의 디스플레이의 크기는 기설정된 값보다 커서 메시지 표시가 가능할 수 있다. 이 같은 상황에서는, 제1 외부 장치(210)가 메시지 표시를 포함하는 피드백을 제공할 때 사용자(1)의 만족감이나 편의성이 향상될 수 있다.
따라서, 전자 장치(100)는 제1 응답 정보(21)를 변환하여 제2 응답 정보(22)를 획득할 수 있다. 이 때, 제2 응답 정보(22)는 메시지를 표시하는 응답에 관한 정보를 포함할 수 있다. 전자 장치(100)는 제2 응답 정보(22)를 제1 외부 장치(210)로 전송할 수 있다. 제1 외부 장치(210)는 제2 응답 정보(22)를 바탕으로 응답을 생성하여 출력할 수 있다. 예로, 제1 외부 장치(210)는 응답 메시지(23)를 표시하면서 음성 피드백(24)을 출력할 수 있다. 즉, 제1 외부 장치(210)는 사용자 발화(11)에 대응되는 개인화된 응답을 출력할 수 있게 된다.
도 2는 본 개시의 일 실시 예에 따른 대화 시스템의 구성을 도시한 블록도이다. 대화 시스템(1000)은 전자 장치(100), 제1 외부 장치(210) 및 제2 외부 장치(220)를 포함할 수 있다. 전자 장치(100), 제1 외부 장치(210) 및 제2 외부 장치(220) 각각은 스마트폰, 스마트 스피커, 태블릿 PC 또는 스마트 TV일 수 있다. 다만, 각 장치가 상술한 예시로 한정되지 않음을 밝혀둔다
제1 외부 장치(210)는 사용자 발화를 획득할 수 있다. 제1 외부 장치(210)는 사용자 발화에 대해 자연어 처리(NLP: Natural Language Processing)를 수행하여 사용자 발화에 대응되는 기능을 수행하며 응답을 출력할 수 있다. 이를 위해, 제1 외부 장치(210)는 자연어 처리 모듈(211)을 포함할 수 있다. 자연어 처리 모듈(211)은 음성 인식 모듈(Speech Recognition module), 언어 이해 모듈(Natural Language Understanding module), 대화 관리 모듈(Dialog Management module), 언어 생성 모듈(Natural Language Generation module) 및 음성 합성 모듈(Speech Synthesis module)을 포함할 수 있다.
한편, 제1 외부 장치(210)는 개인화 판단 모듈(212)을 이용하여 제1 외부 장치(210)를 개인화 할 필요가 있는지 여부를 판단할 수 있다. 여기서, 개인화란, 제1 외부 장치(210)가 사용자에 대응되게 학습되는 과정을 의미할 수 있다. 개인화 판단 모듈(212)은 자연어 처리 모듈(211)이 사용자 발화를 처리할 수 있는 지 여부를 바탕으로 제1 외부 장치(210)의 개인화 필요 여부를 판단할 수 있다. 예를 들어, 자연어 처리 모듈(211)에 포함된 언어 이해 모듈이 개인화가 완료되지 않아 사용자 발화를 처리(또는 이해)할 수 없는 경우, 개인화 판단 모듈(212)은 제1 외부 장치(210)의 개인화가 필요하다고 판단할 수 있다.
개인화가 필요하다고 판단되면, 제1 외부 장치(210)는 응답 요청 모듈(213)을 이용하여 전자 장치(100)로 사용자 발화에 대응되는 응답 정보를 요청할 수 있다. 응답 요청 모듈(213)은 자연어 처리 모듈(211)을 통해 획득된 사용자 발화에 대응되는 텍스트 및 제1 외부 장치(210)에 대한 정보를 전자 장치(100)로 전송할 수 있다. 여기서, 제1 외부 장치(210)에 대한 정보는, 제1 외부 장치(210)의 유형 또는 스펙에 대한 정보(예로, 디스플레이 유무 등), 제1 외부 장치(210)의 사용자와 다른 외부 장치들의 사용자들과의 관련성에 대한 정보(예로, 친밀도) 및 제1 외부 장치(210)와 다른 외부 장치들 사이의 거리에 대한 정보를 포함할 수 있다.
제1 외부 장치(210)에 대한 정보는 정보 획득 모듈(214)에 의해 획득될 수 있다. 정보 획득 모듈(214)은 다양한 방법으로 제1 외부 장치(210)에 대한 정보를 획득할 수 있다. 일 예로, 정보 획득 모듈(214)은 제1 외부 장치(210)에 미리 저장된 제1 외부 장치(210)의 스펙에 대한 정보를 식별할 수 있다. 다른 일 예로, 정보 획득 모듈(214)은 사용자 인증을 수행하여 사용자를 식별하고, 식별된 사용자와 다른 외부 장치들의 소유자(또는 등록된 사용자)들과의 관련성에 대한 정보를 획득할 수 있다. 식별된 사용자와 다른 외부 장치의 소유자가 동일할 때 관련성이 가장 높을 수 있다. 사용자 인증을 수행하기 위해, 정보 획득 모듈(214)은 사용자 인증 모듈을 포함할 수 있다. 또 다른 일 예로, 정보 획득 모듈(214)은 거리 측정 센서를 이용하여 제1 외부 장치(210)와 다른 외부 장치들 사이의 거리에 대한 정보를 획득할 수 있다. 한편, 이하에서, 제1 외부 장치(210)는 응답 요청 장치로 지칭될 수 있다.
응답 출력 모듈(215)은 전자 장치(100)로부터 사용자 발화에 대응되는 응답 정보를 수신할 수 있다. 여기서, 응답 정보는, 응답의 유형이나 형태, 응답 내용 및 제1 외부 장치(210)를 제어하기 위한 제어 명령을 포함할 수 있다. 응답 출력 모듈(215)은 응답 정보를 바탕으로 응답을 획득하여 출력할 수 있다.
학습 모듈(216)은 획득된 응답과 사용자 발화를 바탕으로 제1 외부 장치(210)를 학습시키기 위한 동작을 수행할 수 있다. 특히, 학습 모듈(216)은 사용자 발화와 사용자 발화에 대응되는 응답을 학습 데이터로 하여 자연어 처리 모듈(211)을 학습시킬 수 있다. 이 때, 자연어 처리 모듈(211)의 파라미터나 가중치는 업데이트될 수 있다. 따라서, 학습이 완료된(즉, 개인화가 완료된) 제1 외부 장치(210)는 사용자 발화에 대응되는 응답을 생성할 수 있다.
한편, 개인화가 완료되지 않은 상태에서 제1 외부 장치(210)는 전자 장치(100)로부터 사용자 발화에 대응되는 응답을 획득할 수 있다. 전자 장치(100)는 제1 외부 장치(210)로부터 수신된 사용자 발화 및 제1 외부 장치(210)에 대한 정보를 바탕으로 사용자 발화에 대응되는 응답을 획득할 수 있다. 이하에서는, 전자 장치(100)의 동작에 대해 설명하도록 한다.
전자 장치(100)는 통신 인터페이스(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 예를 들어, 전자 장치(100)는 스마트 스피커, 스마트 TV, 태블릿 PC 또는 스마트 폰일 수 있다. 한편, 이하에서 전자 장치(100)는 허브(hub) 장치로 지칭될 수 있다. 이하 전자 장치(100)의 각 구성에 대하여 설명하도록 한다.
통신 인터페이스(110)는 적어도 하나의 회로를 포함하며, 다양한 유형의 외부 기기 또는 외부 서버와 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(110)는 제1 외부 장치(210)로부터 사용자 발화를 수신할 수 있다. 또한, 통신 인터페이스(110)는 사용자 발화를 제2 외부 장치(220)로 전송할 수 있다.
통신 인터페이스(110)는 무선 혹은 유선으로 데이터 통신을 수행할 수 있다. 무선 통신 방식으로 제1 외부 장치(210) 또는 제2 외부 장치(220)와 통신을 수행할 경우, 통신 인터페이스(110)는 와이파이 통신 모듈, 셀룰러 통신모듈, 3G(3세대) 이동통신 모듈, 4G(4세대) 이동통신 모듈, 4세대 LTE(Long Term Evolution) 통신 모듈, 5G(5세대) 이동통신 모듈 중 적어도 하나를 포함할 수 있다. 한편, 통신 인터페이스(110)는 제1 외부 장치(210) 및 제2 외부 장치(220) 각각과 상이한 방식으로 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(110)는 제1 외부 장치(210)와 제1 통신 방식(예로, 와이파이)으로 통신을 수행하고, 제2 외부 장치(220)와 제2 통신 방식(예로, 블루투스)로 통신을 수행할 수 있다.
메모리(120)는 전자 장치(100)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(100)의 구성요소와 관련된 명령 또는 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 제1 외부 장치(210) 및 제2 외부 장치(220)에 대한 정보를 저장할 수 있다. 제1 외부 장치(210) 및 제2 외부 장치(220)에 대한 정보 각각은 제1 외부 장치(210) 및 제2 외부 장치(220) 각각의 스펙에 대한 정보나 사용자에 대한 정보를 포함할 수 있다. 또한, 메모리(120)는 전자 장치(100) 주변의 다른 외부 장치들 각각의 위치 정보를 저장할 수 있다. 또한, 메모리(120)는 각종 응답 유형에 대응되는 기능을 수행하기 위한 모듈에 대한 정보를 저장할 수 있다. 여기서, 모듈은 하드웨어적 모듈(예로, 자연어 처리 모듈)과 소프트웨어적 모듈(예로, 터치 디스플레이)을 포함할 수 있다. 한편, 메모리(120)는 비휘발성 메모리(ex: 하드 디스크, SSD(Solid state drive), 플래시 메모리), 휘발성 메모리 등으로 구현될 수 있다.
프로세서(130)는 전자 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(130)는 자연어 처리 모듈(131), 관련성 획득 모듈(132), 응답 생성 장치 식별 모듈(133), 응답 요청 모듈(134), 응답 획득 모듈(135), 가중치 획득 모델(M1) 및 응답 변환 모델(M2)을 포함할 수 있다. 자연어 처리 모듈(131)은 제1 외부 장치(210)의 자연어 처리 모듈(211)과 마찬가지로 사용자 발화에 대한 자연어 처리를 수행할 수 있다. 자연어 처리 모듈(131)은 자연어 처리 모듈(211)에 대응되는 바, 그 상세한 설명은 생략하도록 한다.
한편, 전자 장치(100)와 통신 가능한 복수의 외부 장치가 존재할 수 있다. 이 때, 전자 장치(100)는 복수의 외부 장치 중 제1 외부 장치(210)와의 관련성(또는, 유사성)이 가장 높은 외부 장치(예로, 제2 외부 장치(220))를 식별하고, 식별된 외부 장치로부터 사용자 발화에 대응되는 응답 정보를 획득할 수 있다. 이를 위해, 전자 장치(100)는 관련성 획득 모듈(132)을 이용하여 제1 외부 장치(210)와 다른 외부 장치들과의 관련성을 획득할 수 있다.
관련성 획득 모듈(132)은 가중치 획득 모델(M1)에 사용자 발화를 입력하여 제1 외부 장치(210)와 관련된 복수의 요소 각각에 대한 가중치를 획득할 수 있다. 여기서, 제1 외부 장치(210)와 관련된 복수의 요소는, 제1 외부 장치의 특성(예로, 유형이나 스펙) 및 다른 외부 장치들의 특성의 유사성과 관련된 제1 요소, 제1 외부 장치(210)와 다른 외부 장치들 사이의 거리에 관한 제2 요소, 및 제1 외부 장치(210)의 소유자(또는 등록된 사용자)와 사용자의 관계에 관한 제3 요소를 포함할 수 있다. 가중치 획득 모델(M1)은 학습된 신경망 모델로서, 사용자 발화를 입력 받아 관련성을 나타내는 복수의 요소 각각에 대한 가중치를 출력하도록 학습될 수 있다.
관련성 획득 모듈(132)은 제1 외부 장치(210)와 다른 외부 장치들에 대한 정보 및 가중치를 바탕으로 관련성 점수를 산출할 수 있다. 예를 들어, 제1 외부 장치(210) 및 제2 외부 장치(220)는 스피커이며, 제3 외부 장치(미도시)는 TV일 수 있다. 이 때, 관련성을 나타내는 복수의 요소 각각에 대한 가중치 중 제1 요소에 대한 가중치가 가장 크면, 제2 외부 장치(220)에 대한 관련성 점수는 제3 외부 장치에 대한 관련성 점수보다 클 수 있다.
응답 생성 장치 식별 모듈(133)은 관련성 점수를 바탕으로 복수의 외부 장치들 중 응답 생성 장치를 식별할 수 있다. 예를 들어, 응답 생성 장치 식별 모듈(133)은 제1 외부 장치(210)와의 관련성 점수가 가장 큰 제2 외부 장치(220)를 식별할 수 있다. 그리고, 응답 요청 모듈(134)은 제2 외부 장치(220)로 사용자 발화에 대응되는 응답 요청을 전송하도록 통신 인터페이스(110)를 제어할 수 있다. 이 때, 통신 인터페이스(110)는 제1 외부 장치(210)로부터 수신된 사용자 발화를 제2 외부 장치(220)로 전송할 수 있다.
제2 외부 장치(220)는 사용자 개인화가 완료된 장치로서, 자연어 처리 모듈(221)을 이용하여 사용자 발화에 대응되는 응답 정보를 획득할 수 있다. 여기서, 음성 인식 모듈(221)은 제1 외부 장치(210)의 자연어 처리 모듈(211)과 마찬가지로 음성 인식 모듈(Speech Recognition module), 언어 이해 모듈(Natural Language Understanding module), 대화 관리 모듈(Dialog Management module), 언어 생성 모듈(Natural Language Generation module) 및 음성 합성 모듈(Speech Synthesis module)을 포함할 수 있다. 다만, 제2 외부 장치(220)는 개인화가 완료된 상태이므로 제2 외부 장치(220)의 언어 이해 모듈의 파라미터 값은 제1 외부 장치(210)의 언어 이해 모듈의 파리미터 값과 상이할 수 있다.
응답 획득 모듈(135)은 통신 인터페이스(110)를 통해 제2 외부 장치(220)로부터 사용자 발화에 대응되는 응답 정보를 수신할 수 있다. 예를 들어, 응답 정보는, 선택 가능한 UI 엘리먼트를 디스플레이하는 제1 응답 유형(또는, '선택 이벤트') 및 제1 응답 유형에 대응되는 응답 내용(예로, "알람1: 7:00", "알람2: 7:30")을 포함할 수 있다. 또한, 응답 정보는, 제2 응답 유형(예로, 음성 피드백) 및 제2 응답 유형에 대응되는 응답 메시지(예로, "어떤 알람을 켤까요?)를 포함할 수 있다. 그리고, 응답 획득 모듈(135)은 수신된 응답 정보를 제1 외부 장치(210)로 전송하도록 통신 인터페이스(110)를 제어할 수 있다. 제1 외부 장치(210)는 전자 장치(100)로부터 수신된 응답 정보를 사용자 발화에 대응되는 기능을 수행할 수 있다.
한편, 제1 외부 장치(210)와 제2 외부 장치(220)는 서로 상이한 종류의 디바이스일 수 있다. 일 예로, 제1 외부 장치(210)는 디스플레이를 포함하지 않는 스피커이며, 제2 외부 장치(220)는 TV일 수 있다. 이 때, 제1 외부 장치(210)는 제2 외부 장치(220)에 의해 획득된 응답 정보에 대응되는 기능을 수행하지 못할 수 있다. 구체적으로, 제2 외부 장치(220)에 의해 획득된 응답 정보가 선택 가능한 UI 엘리먼트를 디스플레이하는 응답 유형을 포함하는 경우, 제1 외부 장치(210)는 디스플레이를 포함하지 않으므로 응답 정보에 대응되는 기능을 수행하지 못할 수 있다.
다른 일 예로, 제1 외부 장치(210)가 TV이며, 제2 외부 장치(220)는 디스플레이를 포함하지 않는 스피커일 수 있다. 이 때, 제1 외부 장치(210)는 전자 장치(100)를 통해 제2 외부 장치(220)에 의해 획득된 음성 피드백을 포함하는 응답 정보를 수신할 수 있다. 제1 외부 장치(210)는 스피커를 포함하므로 제2 외부 장치(220)에 의해 획득된 응답 정보에 대응되는 기능(즉, 음성 메시지 출력)을 수행할 수 있다. 그러나, 제1 외부 장치(210)가 디스플레이를 활용하여 사용자에게 응답을 출력할 수 있다면, 사용자의 만족감이나 편의성이 보다 향상될 수 있다. 예를 들어, 제1 외부 장치(210)는 선택 가능한 UI 엘리먼트(예로, "알람1: 7:00", "알람2: 7:30")를 디스플레이하면서, 음성 메시지(예로, "어떤 알람을 켤까요?)를 출력할 수 있다.
이와 같이, 경우에 따라 제2 외부 장치(220)에 의해 수신된 응답 정보를 변환하여 응답을 출력할 필요가 있을 수 있다. 이에 따라, 응답 획득 모듈(135)은 제2 외부 장치(220)로부터 수신된 응답 정보를 변환하여 새로운 응답 정보를 획득할 수 있다. 예를 들어, 응답 획득 모듈(135)은 제2 외부 장치(220)로부터 수신된 응답 정보와 제1 외부 장치(210)에 대한 정보(예로, 스펙 정보)를 바탕으로 응답 유형 및 응답 내용을 변환할 수 있다. 구체적으로, 응답 획득 모듈(135)은 제2 외부 장치(220)로부터 수신된 제1 응답 정보와 제1 외부 장치(210)에 대한 정보를 응답 변환 모델(M2)에 입력하여 제1 외부 장치(210)에 대응되는 제2 응답 정보를 획득할 수 있다. 여기서, 응답 변환 모델(M2)은 학습된 신경망 모델로서, 특정 장치에 대한 정보와 응답 정보를 입력 받아 특정 장치에 대응되는 응답 정보를 출력하도록 학습될 수 있다.
한편, 응답 획득 모듈(135)은 제2 외부 장치(220)로부터 수신된 응답 정보 중 일부 정보만을 선별하여 응답 변환 모델(M2)에 입력할 수도 있다. 예를 들어, 응답 획득 모듈(135)은 수신된 응답 정보 중 제1 외부 장치(210)가 수행할 수 없는 응답 유형과 응답 유형에 대응되는 응답 내용을 식별할 수 있다. 그리고, 응답 획득 모듈(135)은 식별된 응답 유형 및 응답 내용과 제1 외부 장치(210)에 대한 정보를 응답 변환 모델(M2)에 입력하여 새로운 응답 정보를 획득할 수 있다. 응답 획득 모듈(135)은 새로운 응답 정보를 제1 외부 장치(210)로 전송하도록 통신 인터페이스(110)를 제어할 수 있다.
한편, 응답 획득 모듈(135)은 제1 응답 정보를 변환할 필요가 있는 지 여부를 판단할 수 있다. 일 예로, 응답 획득 모듈(135)은 제1 외부 장치(210)의 스펙 정보와 제2 외부 장치(220)의 스펙 정보를 비교하여 제1 응답 정보를 변환할 필요가 있는 지 여부를 판단할 수 있다. 가령, 제1 외부 장치(210)는 디스플레이를 포함하고 제2 외부 장치(220)는 디스플레이를 포함하지 않는 경우, 응답 획득 모듈(135)은 제1 응답 정보를 변환할 필요가 있다고 판단할 수 있다.
다른 일 예로, 응답 획득 모듈(135)은 제1 외부 장치(210)에 대한 정보와 제1 응답 정보를 바탕으로 제1 응답 정보를 변환할 필요가 있는 지 여부를 판단할 수 있다. 구체적으로, 응답 획득 모듈(135)은 메모리(120)에 저장된 각종 응답 유형 별 모듈에 대한 정보를 바탕으로, 제1 응답 정보에 포함된 제1 응답 유형에 대응되는 기능을 수행하기 위한 모듈을 식별할 수 있다. 그리고, 응답 획득 모듈(135)은 제1 외부 장치(210)에 대한 정보를 바탕으로 식별된 모듈이 제1 외부 장치(210)에 포함되는 지 여부를 판단할 수 있다. 이 때, 식별된 모듈이 제1 외부 장치(210)에 포함되지 않으면, 응답 획득 모듈(135)은 제1 응답 정보를 변환할 필요가 있다고 판단할 수 있다.
한편, 본 개시의 일 실시 예에 따른, 가중치 획득 모델(M1)은 랜덤 포레스트(Random Forest, RF)로 구현될 수 있으며, 응답 변환 모델(M2)은 합성곱 신경망(Convolution Neural Network, CNN) 모델로 구현될 수 있다. 다만, 이는 일 실시 예에 불과할 뿐, 가중치 획득 모델(M1)과 응답 변환 모델(M2)은 심층 신경망(Deep Neural Network, DNN), 순환 신경망(Recurrent Neural Network, RNN) 및 생성적 적대 신경망(Generative Adversarial Networks, GAN) 중 적어도 하나의 인공 신경망 모델로 구현될 수 있다.
한편, 도 2에서는 전자 장치(100)의 각 모듈(131 내지 135) 및 모델(M1, M2)를 프로세서(130)의 구성으로 설명하였으나, 이는 일 실시 예에 불과하며, 모듈(131 내지 135) 및 모델(M1, M2)은 메모리(120)에 저장될 수 있다. 이 때, 프로세서(130)는 메모리(120)에 저장된 모듈(131 내지 135) 및 모델(M1, M2)을 비휘발성 메모리에서 휘발성 메모리로 로딩(loading)하여 복수의 모듈(131 내지 135)의 각 기능들을 실행할 수 있다. 또한, 프로세서(130)의 각 모듈들은 소프트웨어(software)로 구현되거나, 소프트웨어와 하드웨어(hardware)가 결합된 형태로 구현될 수 있다.
도 3은 본 개시의 일 실시 예에 따른 응답 생성 장치를 식별하는 방법을 설명하기 위한 도면이다. 전자 장치(100)는 응답 요청 장치(310)로부터 수신한 사용자 발화(31)를 가중치 획득 모델(M1)에 입력하여 응답 요청 장치(310)와 관련된 복수의 요소 각각에 대한 가중치(32)를 획득할 수 있다. 그리고, 전자 장치(100)는 가중치(32)를 바탕으로 복수의 외부 장치(321, 322) 중 사용자 발화(31)에 대한 응답을 생성할 응답 생성 장치를 식별할 수 있다.
전자 장치(100)는 응답 요청 장치(310)에 대한 정보와 외부 장치들(321, 322)에 대한 정보를 비교하여 각 요소별 응답 요청 장치(310)와 외부 장치들(321, 322) 간의 관련성을 획득할 수 있다. 예를 들어, 전자 장치(100)는 응답 요청 장치(310)의 유형과 외부 장치들(321, 322)의 유형을 비교하여 제1 요소에 관한 관련성을 획득할 수 있다. 제1 장치(321)는 디스플레이를 포함하지 않는 스마트 스피커이고, 제2 장치(322)는 디스플레이를 포함하는 태블릿 PC인 경우, 응답 요청 장치(310)와 제2 장치(322)의 제1 요소에 관한 관련성은 응답 요청 장치(310)와 제1 장치(321)의 제1 요소에 관한 관련성 보다 클 수 있다.
또한, 전자 장치(100)는 응답 요청 장치(310)와 외부 장치들(321, 322) 사이의 거리를 바탕으로 제2 요소에 관한 관련성을 획득할 수 있다. 응답 요청 장치(310)와 제1 장치(321) 사이의 제1 거리(d1)가 응답 요청 장치(310)와 제2 장치(322) 사이의 제2 거리(d2)보다 작은 경우, 제2 요소에 관한 관련성은 제1 장치(321)가 제2 장치(322)보다 클 수 있다.
전자 장치(100)는 각 요소별 관련성과 각 요소별 가중치(32)를 바탕으로 외부 장치들(321, 322) 각각에 대한 관련성 점수를 산출할 수 있다. 그리고, 전자 장치(100)는 외부 장치들(321, 322) 중 관련성 점수가 가장 큰 장치를 응답 생성 장치로 식별할 수 있다. 예를 들어, 제1 요소의 가중치가 제2 요소의 가중치보다 큰 경우, 제2 장치(322)의 관련성 점수가 제1 장치(321)의 관련성 점수보다 클 수 있다. 이 때, 전자 장치(100)는 제2 장치(322)를 응답 생성 장치로 식별할 수 있다.
한편, 사용자 발화(31)는 오디오 신호에 대응되는 텍스트일 수 있으나, 이에 한정되는 것은 아니며, 오디오 신호 또는 텍스트를 바탕으로 생성된 벡터일 수 있다. 사용자 발화(31)가 오디오 신호인 경우, 전자 장치(100)는 자연어 처리 모듈을 이용하여 사용자 발화(31)에 대응되는 텍스트를 획득하고, 획득된 텍스트를 가중치 획득 모델(M1)에 입력할 수 있다.
한편, 전자 장치(100)가 사용자 발화(31)에 대한 정확한 응답을 획득하기 위해서는, 응답 요청 장치(310)와 외부 장치들(321, 322) 간의 관련성이 정확히 획득될 필요가 있다. 이를 위해서는 학습된 가중치 획득 모델(M1)의 성능이 중요하다. 이하에서는, 가중치 획득 모델(M1)의 학습 방법에 대하여 살펴본다.
도 4는 본 개시의 일 실시 예에 따른 가중치 획득 모델의 학습 방법을 설명하기 위한 도면이다. 가중치 획득 모델(M1)의 학습 데이터(40)는 사용자 발화(41), 제1 관련성 피처(41-1), 제2 관련성 피처(41-2), 제3 관련성 피처(41-3) 및 사용자 발화(41)에 대응되는 응답(41-4)으로 구성될 수 있다. 제1 관련성 피처(41-1)는 응답 요청 장치의 유형이나 스펙에 대한 정보와 관련될 수 있다. 제2 관련성 피처(41-2)는 응답 요청 장치와 응답 생성 장치 사이의 거리에 대한 정보와 관련될 수 있다. 제3 관련성 피처(41-3)는 응답 요청 장치의 사용자에 대한 정보와 관련될 수 있다.
가중치 획득 모델(M1)은 랜덤 포레스트 모델(410) 및 통계 베이스(420)를 포함할 수 있다. 여기서, 랜덤 포레스트 모델(410)은 각종 정보가 응답 생성에 얼마나 영향을 주는지를 나타내는 피처 중요도를 획득하기 위한 중간 모델이다. 통계 베이스(420)는 랜덤 포레스트 모델(410)의 학습 과정에서 획득되는 각 요소별 가중치를 저장하기 위한 공간이다.
랜덤 포레스트 모델(410)은 사용자 발화(41)에 대응되는 제1 내지 제3 관련성 피처(41-1, 41-2, 41-3)를 각각 포함하는 복수의 데이터 셋(dataset 1, dataset 2, dataset 3)을 바탕으로 응답(41-4)을 예측하도록 학습될 수 있다. 그리고, 전자 장치(100)는 랜덤 포레스트 모델(410)의 학습 과정에서 각각의 데이터 셋에 포함된 각각의 관련성 피처 별 피처 중요도(42)를 획득할 수 있다. 예로, 전자 장치(100)는 교차 엔트로피 및 지니 중요도를 바탕으로 피처 중요도(42)를 산출할 수 있다. 전자 장치(100)는 피처 중요도(42)에 대응되는 정규화된 값을 산출할 수 있으며, 산출된 정규화된 값은 각 요소별 가중치(43)가 될 수 있다. 전자 장치(100)는 가중치(43)를 통계 베이스(420)에 저장하여 통계 베이스(420)를 업데이트할 수 있다.
전자 장치(100)는 학습이 완료된 가중치 획득 모델(M1)에 사용자 발화를 입력할 수 있다. 이 때, 학습이 완료된 가중치 획득 모델(M1)은 통계 베이스(420)에서 사용자 발화에 대응되는 가중치를 식별하여 출력할 수 있다.
도 5a는 본 개시의 일 실시 예에 따른 응답 생성 방법을 설명하기 위한 도면이다. 전자 장치(100)는 응답 요청 장치의 스펙에 대한 정보를 획득하고(S510), 응답 생성 장치로부터 제1 응답 정보를 수신할 수 있다(S520).
전자 장치(100)는 제1 응답 정보에 포함된 제1 응답 유형에 대응되는 기능을 수행하기 위한 모듈을 식별할 수 있다(S530). 도 5b를 참조하면, 제1 응답 정보(51)는 제1 응답 유형(52) 및 제1 응답 내용(53)을 포함할 수 있다. 전자 장치(100)는 응답 유형(52)과 디바이스 피처 데이터 베이스(50)를 비교하여 제1 응답 유형(52)에 대응되는 기능을 수행하기 위한 모듈(54)을 식별할 수 있다. 예로, 전자 장치(100)는 제1-1 응답 유형('selection')에 대응되는 기능을 수행하기 위한 디스플레이 모듈을 식별할 수 있다. 또한, 전자 장치(100)는 제1-2 응답 유형('speech')에 대응되는 기능을 수행하기 위한 TTS(Text To Speech) 모듈을 식별할 수 있다. 한편, 디바이스 피처 데이터 베이스(50)에는 응답 유형과 응답 유형에 대응되는 기능을 수행하기 위해 필요한 모듈이나 디바이스 스펙에 대한 정보가 저장되어 있을 수 있다. 예로, 제1-1 응답 유형('selection')과 디스플레이 모듈은 서로 매칭되어 디바이스 피처 데이터 베이스(50)에 저장되어 있을 수 있다. 또한, 제1-2 응답 유형('speech')과 TTS(Text To Speech) 모듈은 서로 매칭되어 디바이스 피처 데이터 베이스(50)에 저장되어 있을 수 있다. 한편, 디바이스 피처 데이터 베이스(50)는 메모리(120)에 미리 저장되어 있을 수 있다.
전자 장치(100)는 응답 요청 장치가 식별된 모듈을 포함하는지 판단할 수 있다(S540). 그리고, 전자 장치(100)는 응답 요청 장치가 식별된 모듈을 포함하는지 여부를 바탕으로, 응답 요청 장치가 각 응답 유형에 대응되는 기능을 수행할 수 있는지 여부를 판단할 수 있다. 도 5b에서, 응답 요청 장치가 디스플레이 모듈을 포함하지 않는 경우, 전자 장치(100)는 응답 요청 장치가 제1-1 응답 유형('selection')에 대응되는 기능을 수행할 수 없다고 판단할 수 있다. 반면에, 응답 요청 장치가 TTS 모듈을 포함하는 경우, 전자 장치(100)는 응답 요청 장치가 제1-2 응답 유형('speech')에 대응되는 기능을 수행할 수 있다고 판단할 수 있다.
응답 요청 장치가 식별된 모듈을 포함하지 않는다고 판단되면, 전자 장치(100)는 제1 응답 정보 및 응답 요청 장치의 스펙에 대한 정보를 제2 신경망 모델에 입력하여 제2 응답 정보를 획득할 수 있다(S550). 그리고, 전자 장치(100)는 제2 응답 정보를 바탕으로 응답을 생성할 수 있다(S560). 도 5c를 참조하면, 전자 장치(100)는 제1 응답 정보(51) 및 응답 요청 장치의 스펙에 대한 정보(55)를 응답 변환 모델(M2)에 입력하여 제2 응답 정보(56)를 획득할 수 있다. 한편, 전자 장치(100)는 제1 응답 정보(51) 중 일부 응답 유형에 대한 정보를 선별하고, 선별된 일부 응답 유형에 대한 정보를 응답 변환 모델(M2)에 입력할 수도 있다. 예를 들어, 전자 장치(100)는 응답 요청 장치가 출력할 수 없는 제1-1 응답 유형('selection')에 대한 정보를 응답 변환 모델(M2)에 입력할 수 있다.
응답 요청 장치가 식별된 모듈을 포함한다고 판단되면, 전자 장치(100)는 제1 응답 정보를 바탕으로 응답을 생성할 수 있다(S570).
한편, 전자 장치(100)는 응답 요청 장치가 식별된 모듈을 포함하더라도 응답 정보를 변환하여 새로운 응답 정보를 획득할 수 있다. 예로, 제1 응답 정보가 음성 피드백을 포함하며 전자 장치(100)가 디스플레이 모듈과 자연어 처리 모듈을 포함하는 경우에도, 전자 장치(100)는 디스플레이 모듈에 대응되는 응답 유형을 갖는 새로운 응답 정보를 획득할 수 있다. 도 5c를 참조하면, 전자 장치(100)는 제1 응답 정보(51) 및 응답 요청 장치의 스펙에 대한 정보(55)를 응답 변환 모델(M2)에 입력하여 제2 응답 정보(56)를 획득할 수 있다. 이 때, 전자 장치(100)는 제1 응답 정보(52)에 포함된 응답 유형(즉, 'speech')에 대응되는 기능을 수행하기 위한 모듈을 포함하고 있더라도, 제2 응답 정보(56)를 획득할 수 있다. 이에 따라, 사용자의 만족감이나 편의성이 향상될 수 있다.
도 6은 본 개시의 일 실시 예에 따른 응답 변환 모델의 학습 방법을 설명하기 위한 도면이다. 응답 변환 모델(M2)의 학습 데이터는 제1 응답 유형(61-1)에 대한 정보, 제2 응답 유형(61-2)에 대한 정보 및 비 공통 모듈 (62)에 대한 정보를 포함할 수 있다. 비 공통 모듈(62)은 임의의 두 장치에 공통으로는 포함되지 않는 모듈을 의미한다. 예로, 제1 장치가 디스플레이를 포함하지 않는 스피커이고 제2 장치가 디스플레이인 경우, 비 공통 모듈(62)은 디스플레이 모듈을 의미할 수 있다. 응답 변환 모델(M2)은 제1 응답 유형(61-1)에 대한 정보 및 비 공통 모듈 (62)에 대한 정보를 바탕으로 제2 응답 유형(61-2)에 대한 정보를 출력하도록 학습될 수 있다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 동작을 도시한 순서도이다. 전자 장치(100)는 사용자 발화 및 응답 요청을 수신할 수 있다(S810). 전자 장치(100)는 응답 요청 장치(예로, 도 1의 제1 외부 장치(210))로부터 사용자 발화 및 응답 요청을 수신할 수 있다.
전자 장치(100)는 응답 요청 장치 및 외부 장치의 관련성을 획득할 수 있다(S820). 전자 장치(100)는 제1 신경망 모델(예로, 도 1의 가중치 획득 모델(M1))에 사용자 발화를 입력하여 응답 요청 장치와 외부 장치의 관련성을 나타내는 요소에 대한 가중치를 획득할 수 있다. 그리고, 전자 장치(100)는 응답 요청 장치에 대한 정보와 가중치를 바탕으로 관련성 점수를 산출할 수 있다. 응답 요청 장치에 대한 정보는, 전자 장치(100)의 메모리에 저장되어 있거나, 응답 요청 장치로부터 응답 요청이 수신될 때 함께 수신될 수 있다.
전자 장치(100)는 응답 요청 장치 및 외부 장치의 관련성을 바탕으로 응답 생성 장치를 식별할 수 있다(S830). 전자 장치(100)는 통신 가능한 복수의 외부 장치 중 응답 요청 장치와의 관련성 점수가 가장 높은 외부 장치를 응답 생성 장치(예로, 도 1의 제2 외부 장치(220))로 식별할 수 있다. 그리고, 전자 장치(100)는 응답 생성 장치로 응답 정보를 요청할 수 있다(S840). 이 때, 전자 장치(100)는 응답 요청 장치로부터 수신된 사용자 발화를 응답 생성 장치로 전송할 수 있다.
전자 장치(100)는 응답 생성 장치로부터 응답 정보를 수신할 수 있다(S850). 예를 들어, 응답 정보는 응답 유형 및 응답 내용을 포함할 수 있다. 전자 장치(100)는 응답 변환 필요 여부를 판단할 수 있다(S860). 예를 들어, 전자 장치(100)는 수신된 응답 정보에 포함된 응답 유형을 식별할 수 있다. 그리고, 전자 장치(100)는 응답 요청 장치에 대한 정보를 바탕으로 식별된 응답 유형에 대응되는 기능을 수행할 수 있는 구성요소(또는 모듈)가 응답 요청 장치에 포함되어 있는 지 여부를 판단할 수 있다. 이 때, 응답 유형에 대응되는 기능을 수행할 수 있는 구성요소가 응답 요청 장치에 포함되어 있지 않으면, 응답 획득 모듈(135)은 응답 변환이 필요하다고 판단할 수 있다. 반면에, 응답 유형에 대응되는 기능을 수행할 수 있는 구성요소가 응답 요청 장치에 포함되어 있으면, 응답 획득 모듈(135)은 응답 변환이 필요하지 않다고 판단할 수 있다.
한편, 전자 장치(100)는 응답 요청 장치의 스펙에 대한 정보와 응답 생성 장치의 스펙에 대한 정보를 비교하여 응답 변환의 필요 여부를 판단할 수 있다. 예로, 응답 요청 장치는 디스플레이를 포함하고 응답 생성 장치는 디스플레이를 포함하지 않는 경우, 전자 장치(100)는 응답 변환이 필요하다고 판단할 수 있다. 또는, 응답 요청 장치는 디스플레이를 포함하지 않고 응답 생성 장치는 디스플레이를 포함하는 경우에도, 전자 장치(100)는 응답 변환이 필요하다고 판단할 수 있다.
응답 변환이 필요하지 않다고 판단되면, 전자 장치(100)는 수신된 응답 정보를 응답 요청 장치로 전송할 수 있다(S870). 반면에, 응답 변환이 필요하다고 판단되면, 전자 장치(100)는 응답 정보를 변환하여 새로운 응답 정보를 획득할 수 있다(S880). 예를 들어, 전자 장치(100)는 응답 요청 장치에 대한 정보와 응답 생성 장치로부터 수신된 제1 응답 정보를 제2 신경망 모델(예로, 도 1의 응답 변환 모델(M2))에 입력하여 응답 요청 장치에 대응되는 제2 응답 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제2 응답 정보를 응답 요청 장치로 전송할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 대화 시스템을 설명하기 위한 시퀀스도이다. 응답 요청 장치(210)는 사용자 발화를 획득할 수 있다(S811). 응답 요청 장치(210)는 음성 인식 모듈을 이용하여 사용자 발화에 대응되는 텍스트를 획득할 수 있다. 그리고, 응답 요청 장치(210)는 개인화 필요 여부를 판단할 수 있다(S812). 응답 요청 장치(210)가 획득된 텍스트를 이해하여 처리할 수 있는 경우, 응답 요청 장치(210)는 개인화가 필요 없다고 판단하고 사용자 발화에 대응되는 응답 정보를 생성할 수 있다(S843). 이 때, 응답 요청 장치(210)는 자연어 처리 모듈을 이용하여 응답 정보를 생성할 수 있다. 응답 요청 장치(210)가 획득된 텍스트를 이해하여 처리할 수 없는 경우, 응답 요청 장치(210)는 개인화가 필요하다고 판단하고, 허브 장치(100)로 응답을 요청할 수 있다(S813). 이 때, 응답 요청 장치(210)는 사용자 발화에 대응되는 텍스트와 응답 요청 장치(210)에 대한 정보를 허브 장치(100)로 전송할 수 있다.
허브 장치(100)는 수신된 텍스트와 응답 요청 장치(210)에 대한 정보를 바탕으로 응답 생성 장치를 식별할 수 있다(S821). 전술한 바와 같이, 허브 장치(100)는 가중치 획득 모델(M1)을 이용하여 응답 생성 장치(220)를 식별할 수 있다. 그리고, 허브 장치(100)는 응답 생성 장치(220)로 응답을 요청할 수 있다(S822). 이 때, 허브 장치(100)는 사용자 발화에 대응되는 텍스트를 응답 생성 장치(220)로 전송할 수 있다.
응답 생성 장치(220)는 수신된 텍스트를 바탕으로 응답 정보를 생성할 수 있다(S831). 응답 생성 장치(220)는 자연어 처리 모듈에 기초하여 수신된 텍스트를 이해하고, 수신된 텍스트에 대한 응답 정보를 생성할 수 있다. 그리고, 응답 생성 장치(220)는 생성된 응답 정보를 허브 장치(100)로 전송할 수 있다(S832).
허브 장치(100)는 수신된 응답 정보를 응답 요청 장치(210)가 출력할 수 있는 형태로 변환할 수 있다(S841). 전술한 바와 같이, 허브 장치(100)는 응답 변환 모델(M2)을 이용하여 응답 정보를 변환할 수 있다. 그리고, 허브 장치(100)는 변환된 응답 정보를 응답 요청 장치(210)로 전송할 수 있다(S842). 한편, 허브 장치(100)는 응답 정보 변환의 필요성을 판단하고, 응답 정보 변환이 불필요하다고 판단되면 응답 정보를 변환하지 않고 그대로 응답 요청 장치(210)로 전송할 수도 있다.
응답 요청 장치(210)는 허브 장치(100)로부터 수신된 응답 정보를 바탕으로 응답을 생성하고, 출력할 수 있다(S851). 그리고, 응답 요청 장치(210)는 응답 요청 장치(210)에 저장된 자연어 처리 모듈을 학습시키는 개인화 학습 동작을 수행할 수 있다(S861). 특히, 응답 요청 장치(210)는 사용자 발화에 대응되는 텍스트와 응답 정보를 바탕으로 언어 이해 모듈을 학습시킬 수 있다. 이에 따라 언어 이해 모듈이 학습이 완료된 후 사용자 발화가 획득되면, 응답 요청 장치(210)는 허브 장치(100) 및 응답 생성 장치(220) 없이도 응답 정보를 획득할 수 있다.
도 9는 본 개시의 다른 일 실시 예에 따른 대화 시스템을 설명하기 위한 시퀀스도이다. 대화 시스템(1000)의 각 동작들은 도 8을 참조하여 상술한 동작들과 대응될 수 있으므로, 중복되는 설명은 생략하고 도 8과의 차이점을 중심으로 설명하도록 한다. 응답 정보 변환 동작(S951)은 응답 요청 장치(210)에 의해 수행될 수 있다. 응답 요청 장치(210)는 허브 장치(100)로부터 수신된 응답 정보를 변환하여 새로운 응답 정보를 획득할 수 있다. 이 때, 응답 변환 모델(M2)은 응답 요청 장치(210)에 저장되어 있을 수 있다. 응답 요청 장치(210)는 수신된 응답 정보와 응답 요청 장치(210)의 스펙에 대한 정보를 응답 변환 모델(M2)에 입력하여 새로운 응답 정보를 획득할 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 처리 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
한편, 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
1000: 대화 시스템 100: 전자 장치
110: 통신 인터페이스 120: 메모리
130: 프로세서 210: 제1 외부 장치
220: 제2 외부 장치

Claims (20)

  1. 전자 장치에 있어서,
    통신 인터페이스;
    적어도 하나의 인스트럭션을 저장하는 메모리; 및
    프로세서;를 포함하고,
    상기 프로세서는,
    상기 통신 인터페이스를 통해 제1 외부 장치로부터 사용자 발화에 대응되는 텍스트 및 상기 제1 외부 장치에 대한 정보를 수신하고,
    상기 사용자 발화에 대응되는 텍스트를 제1 신경망 모델에 입력하여 상기 제1 외부 장치와 관련된 복수의 요소 각각에 대한 가중치를 획득하고,
    상기 제1 외부 장치에 대한 정보, 상기 메모리에 저장된 상기 전자 장치 주변에 존재하는 다른 외부 장치들에 대한 정보 및 상기 획득된 가중치를 바탕으로 상기 다른 외부 장치들 중 상기 사용자 발화에 대한 응답 정보를 획득하기 위한 제2 외부 장치를 식별하고, 상기 제2 외부 장치로 상기 사용자 발화에 대응되는 텍스트를 전송하도록 상기 통신 인터페이스를 제어하고,
    상기 통신 인터페이스를 통해 상기 제2 외부 장치로부터 상기 사용자 발화에 대한 제1 응답 정보를 수신하고,
    상기 제1 응답 정보 및 상기 제1 외부 장치에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 외부 장치에 대응되는 제2 응답 정보를 획득하고,
    상기 제2 응답 정보를 상기 제1 외부 장치로 전송하도록 상기 통신 인터페이스를 제어하는
    전자 장치.
  2. 제1 항에 있어서,
    상기 제1 외부 장치와 관련된 상기 복수의 요소는,
    상기 제1 외부 장치의 유형과 및 상기 다른 외부 장치들의 유형의 유사성과 관련된 제1 요소,
    상기 제1 외부 장치와 상기 다른 외부 장치들 사이의 거리에 관한 제2 요소, 및
    상기 제1 외부 장치의 소유자와 상기 사용자의 관계에 관한 제3 요소를 포함하는
    전자 장치.
  3. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 외부 장치에 대한 정보, 상기 다른 외부 장치들에 대한 정보 및 상기 획득된 가중치를 바탕으로 상기 제1 외부 장치와 상기 다른 외부 장치들 각각의 관련성에 대한 점수를 산출하고,
    상기 다른 외부 장치들 중 상기 산출된 점수가 가장 높은 장치를 상기 제2 외부 장치로 식별하는
    전자 장치.
  4. 제1 항에 있어서,
    상기 제1 신경망 모델은,
    텍스트와 외부 장치에 대한 정보를 바탕으로 상기 텍스트에 대한 응답을 예측하도록 학습되는 중간 모델을 포함하며,
    상기 예측된 응답에 영향을 주는 복수의 요소 각각에 대한 가중치를 출력하도록 학습되는
    전자 장치.
  5. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 응답 정보에 포함된 제1 응답 유형에 대응되는 기능을 수행하기 위한 모듈을 식별하고,
    상기 식별된 모듈이 상기 제1 외부 장치에 포함되는지 판단하고,
    상기 판단 결과를 바탕으로 상기 제1 응답 정보를 상기 제2 응답 정보로 변환할 지 여부를 판단하는
    전자 장치.
  6. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 외부 장치의 유형과 상기 제2 외부 장치의 유형이 상이하면, 상기 제1 응답 정보의 변환이 필요하다고 판단하는
    전자 장치.
  7. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 응답 정보에서 상기 제1 외부 장치가 출력할 수 없는 제1 응답 유형을 식별하고,
    상기 식별된 제1 응답 유형과 상기 제1 외부 장치의 스펙에 대한 정보를 상기 제2 신경망 모델이 입력하여 제2 응답 유형을 획득하는
    전자 장치.
  8. 제1 항에 있어서,
    상기 제2 신경망 모델은,
    상기 제1 응답 정보의 제1 응답 유형과 상기 제1 외부 장치 및 상기 제2 외부 장치 각각에 포함된 모듈 중 서로 공통되지 않는 모듈을 바탕으로 상기 제2 응답 정보의 제2 응답 유형을 출력하도록 학습되는
    전자 장치.
  9. 제1 항에 있어서,
    상기 다른 외부 장치들에 대한 정보는,
    상기 다른 외부 장치의 유형에 대한 정보, 스펙에 대한 정보 및 위치에 대한 정보 중 적어도 하나를 포함하는
    전자 장치.
  10. 제1 항에 있어서,
    상기 제1 외부 장치에 대한 정보는,
    상기 사용자와 상기 제1 외부 장치의 소유자의 관계에 대한 정보, 상기 제1 외부 장치의 유형에 대한 정보, 상기 제1 외부 장치의 스펙에 대한 정보 및 상기 제1 외부 장치와 상기 다른 외부 장치들 사이의 거리에 대한 정보 중 적어도 하나를 포함하는
    전자 장치.
  11. 전자 장치의 제어 방법에 있어서,
    제1 외부 장치로부터 사용자 발화에 대응되는 텍스트 및 상기 제1 외부 장치에 대한 정보를 수신하는 단계;
    상기 사용자 발화에 대응되는 텍스트를 제1 신경망 모델에 입력하여 상기 제1 외부 장치와 관련된 복수의 요소 각각에 대한 가중치를 획득하는 단계;
    상기 제1 외부 장치에 대한 정보, 상기 전자 장치 주변에 존재하는 다른 외부 장치들에 대한 정보 및 상기 획득된 가중치를 바탕으로 상기 다른 외부 장치들 중 상기 사용자 발화에 대응되는 응답 정보를 획득하기 위한 제2 외부 장치를 식별하고, 상기 제2 외부 장치로 상기 사용자 발화를 전송하는 단계;
    상기 제2 외부 장치로부터 상기 사용자 발화에 대한 제1 응답 정보를 수신하는 단계;
    상기 제1 응답 정보 및 상기 제1 외부 장치에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 외부 장치에 대응되는 제2 응답 정보를 획득하는 단계; 및
    상기 제2 응답 정보를 상기 제1 외부 장치로 전송하는 단계;를 포함하는
    제어 방법.
  12. 제11 항에 있어서,
    상기 제1 외부 장치와 관련된 상기 복수의 요소는,
    상기 제1 외부 장치의 유형과 및 상기 다른 외부 장치들의 유형의 유사성과 관련된 제1 요소,
    상기 제1 외부 장치와 상기 다른 외부 장치들 사이의 거리에 관한 제2 요소, 및
    상기 제1 외부 장치의 소유자와 상기 사용자의 관계에 관한 제3 요소를 포함하는
    전자 장치.
  13. 제11 항에 있어서,
    상기 제2 외부 장치를 식별하는 단계는,
    상기 제1 외부 장치에 대한 정보, 상기 다른 외부 장치들에 대한 정보 및 상기 획득된 가중치를 바탕으로 상기 제1 외부 장치와 상기 다른 외부 장치들 각각의 관련성에 대한 점수를 산출하는 단계, 및
    상기 다른 외부 장치들 중 상기 산출된 점수가 가장 높은 장치를 상기 제2 외부 장치로 식별하는 단계를 포함하는
    제어 방법.
  14. 제11 항에 있어서,
    상기 제1 신경망 모델은,
    텍스트와 외부 장치에 대한 정보를 바탕으로 상기 텍스트에 대한 응답을 예측하도록 학습되는 중간 모델을 포함하며,
    상기 예측된 응답에 영향을 주는 복수의 요소 각각에 대한 가중치를 출력하도록 학습되는
    제어 방법.
  15. 제11 항에 있어서,
    상기 제1 응답 정보에 포함된 상기 제1 응답 유형에 대응되는 기능을 수행하기 위한 모듈을 식별하는 단계;
    상기 식별된 모듈이 상기 제1 외부 장치에 포함되는지 판단하는 단계; 및
    상기 판단 결과를 바탕으로 상기 제1 응답 정보를 상기 제2 응답 정보로 변환할 지 여부를 판단하는 단계;를 더 포함하는
    제어 방법.
  16. 제11 항에 있어서,
    상기 제1 외부 장치의 유형과 상기 제2 외부 장치의 유형을 비교하여 상기 제1 응답 정보의 변환이 필요한 지 여부를 판단하는 단계;를 더 포함하는
    제어 방법.
  17. 제11 항에 있어서,
    상기 제2 응답 정보를 획득하는 단계는,
    상기 제1 응답 정보에서 상기 제1 외부 장치가 출력할 수 없는 제1 응답 유형을 식별하는 단계, 및
    상기 식별된 제1 응답 유형과 상기 제1 외부 장치의 스펙에 대한 정보를 상기 제2 신경망 모델이 입력하여 제2 응답 유형을 획득하는 단계를 포함하는
    제어 방법.
  18. 제11 항에 있어서,
    상기 제2 신경망 모델은,
    상기 제1 응답 정보의 제1 응답 유형과 상기 제1 외부 장치 및 상기 제2 외부 장치 각각에 포함된 모듈 중 서로 공통되지 않는 모듈을 바탕으로 상기 제2 응답 정보의 제2 응답 유형을 출력하도록 학습되는
    제어 방법.
  19. 제11 항에 있어서,
    상기 다른 외부 장치들에 대한 정보는,
    상기 다른 외부 장치의 유형에 대한 정보, 스펙에 대한 정보 및 위치에 대한 정보 중 적어도 하나를 포함하는
    제어 방법.
  20. 제11 항에 있어서,
    상기 제1 외부 장치에 대한 정보는,
    상기 사용자와 상기 제1 외부 장치의 소유자의 관계에 대한 정보, 상기 제1 외부 장치의 유형에 대한 정보, 상기 제1 외부 장치의 스펙에 대한 정보 및 상기 제1 외부 장치와 상기 다른 외부 장치들 사이의 거리에 대한 정보 중 적어도 하나를 포함하는
    제어 방법.
KR1020210007580A 2021-01-19 2021-01-19 전자 장치 및 그 제어 방법 KR20220105036A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210007580A KR20220105036A (ko) 2021-01-19 2021-01-19 전자 장치 및 그 제어 방법
PCT/KR2021/009276 WO2022158665A1 (ko) 2021-01-19 2021-07-19 전자 장치 및 그 제어 방법
US17/510,454 US11915691B2 (en) 2021-01-19 2021-10-26 Electronic apparatus and controlling method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210007580A KR20220105036A (ko) 2021-01-19 2021-01-19 전자 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20220105036A true KR20220105036A (ko) 2022-07-26

Family

ID=82549117

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210007580A KR20220105036A (ko) 2021-01-19 2021-01-19 전자 장치 및 그 제어 방법

Country Status (2)

Country Link
KR (1) KR20220105036A (ko)
WO (1) WO2022158665A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024063508A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 전자 장치 및 복수의 장치들의 동작 상태를 제공하는 방법
WO2024063507A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 전자 장치 및 전자 장치의 사용자 발화 처리 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6365197B2 (ja) * 2014-10-03 2018-08-01 株式会社デンソー 遠隔操作支援プログラム、遠隔操作支援方法、情報処理装置
KR20170101052A (ko) * 2016-02-26 2017-09-05 삼성전자주식회사 전자 장치 및 전자 장치에서 사용자 입력을 처리하는 방법
JP6199517B1 (ja) * 2017-03-14 2017-09-20 ヤフー株式会社 決定装置、決定方法および決定プログラム
KR102384643B1 (ko) * 2017-08-17 2022-04-08 엘지전자 주식회사 전자 장치 및 그 제어 방법
CN112136102B (zh) * 2018-05-25 2024-04-02 索尼公司 信息处理装置、信息处理方法以及信息处理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024063508A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 전자 장치 및 복수의 장치들의 동작 상태를 제공하는 방법
WO2024063507A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 전자 장치 및 전자 장치의 사용자 발화 처리 방법

Also Published As

Publication number Publication date
WO2022158665A1 (ko) 2022-07-28

Similar Documents

Publication Publication Date Title
JP6828001B2 (ja) 音声ウェイクアップ方法及び装置
KR20210066647A (ko) 전자 장치 및 이의 제어 방법
US11238871B2 (en) Electronic device and control method thereof
US11575783B2 (en) Electronic apparatus and control method thereof
EP3608906B1 (en) System for processing user voice utterance and method for operating same
KR20220105036A (ko) 전자 장치 및 그 제어 방법
CN107077845A (zh) 一种语音输出方法及装置
US11575957B2 (en) Display device and controlling method of display device
EP3627502A1 (en) System and method for providing voice assistant service
KR102656521B1 (ko) 디스플레이 장치 및 디스플레이 장치의 제어 방법
KR20230169016A (ko) 전자 장치 및 그의 제어방법
US20200175985A1 (en) Electronic device and method of controlling thereof
US11705110B2 (en) Electronic device and controlling the electronic device
KR20220109238A (ko) 사용자의 발화 입력에 관련된 추천 문장을 제공하는 디바이스 및 방법
KR20220023211A (ko) 대화 텍스트에 대한 요약 정보를 생성하는 전자 장치 및 그 동작 방법
KR20200033140A (ko) 보이스 어시스턴트 서비스를 제공하는 시스템 및 방법
US11915691B2 (en) Electronic apparatus and controlling method thereof
KR20220086265A (ko) 전자 장치 및 전자 장치의 동작 방법
KR20210065698A (ko) 전자 장치 및 이의 제어 방법
KR102677052B1 (ko) 보이스 어시스턴트 서비스를 제공하는 시스템 및 방법
US20220028385A1 (en) Electronic device for processing user utterance and method for operating thereof
US20230359836A1 (en) Electronic device and controlling method of electronic device
US20230297786A1 (en) Method and electronic device for processing user utterance based on augmented sentence candidates
KR20200021402A (ko) 전자 장치 및 그의 제어방법
KR20200129346A (ko) 디스플레이 장치 및 이의 제어 방법