KR20220158573A - 페르소나 챗봇 제어 방법 및 시스템 - Google Patents

페르소나 챗봇 제어 방법 및 시스템 Download PDF

Info

Publication number
KR20220158573A
KR20220158573A KR1020210099849A KR20210099849A KR20220158573A KR 20220158573 A KR20220158573 A KR 20220158573A KR 1020210099849 A KR1020210099849 A KR 1020210099849A KR 20210099849 A KR20210099849 A KR 20210099849A KR 20220158573 A KR20220158573 A KR 20220158573A
Authority
KR
South Korea
Prior art keywords
character
chatbot
dialogue
persona
utterance
Prior art date
Application number
KR1020210099849A
Other languages
English (en)
Inventor
강재욱
이민영
이수미
Original Assignee
네이버 주식회사
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 네이버 주식회사 filed Critical 네이버 주식회사
Priority to JP2021210522A priority Critical patent/JP7329585B2/ja
Publication of KR20220158573A publication Critical patent/KR20220158573A/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/332Query formulation
    • G06F16/3329Natural language query formulation or dialogue systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/3331Query processing
    • G06F16/334Query execution
    • G06F16/3344Query execution using natural language analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/30Semantic analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/005Language recognition
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/22Procedures used during a speech recognition process, e.g. man-machine dialogue

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

본 개시의 페르소나 챗봇 제어 방법에 관한 것이다. 페르소나 챗봇 제어 방법은, 사용자 발화를 수신하는 단계, 사용자 발화를 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가하는 단계, 프롬프트를 인코딩하는 단계, 인코딩된 프롬프트를 언어 모델에 입력하여, 사용자 발화에 응답하는 챗봇 발화를 생성하는 단계를 포함한다.

Description

페르소나 챗봇 제어 방법 및 시스템{METHOD AND SYSTEM FOR CONTROLLING FOR PERSONA CHATBOT}
본 개시는 페르소나 챗봇 제어 방법 및 시스템에 관한 것으로, 구체적으로 일관성 있는 대화체 및 대화 흐름을 유지하는 페르소나 챗봇 제어 방법 및 시스템에 관한 것이다.
특정 서비스와 연관된 정보를 제공받기를 원하는 경우, 사용자는 전문 상담사를 통해 질문과 답변을 주고받으면서 원하는 정보를 얻을 수 있다. 하지만 최근 인건비 상승 및 상담 대기 시간 단축 니즈 등의 이유로, 전문 상담사의 역할을 대신하여 사용자의 질문에 대한 답변을 제공하는 인공 지능 챗봇(chatbot) 서비스가 늘어나고 있다. 한편, 기계가 아닌 사람과 대화하는 것과 같은 경험을 제공하기 위하여, 페르소나 챗봇 서비스를 개발하기 위한 노력이 계속되고 있다.
상기와 같은 문제를 해결하기 위하여, 본 개시의 다양한 실시예들은 페르소나 챗봇 제어 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 페르소나 챗봇 제어 방법이 제공된다. 페르소나 챗봇 제어 방법은 사용자 발화를 수신하는 단계, 사용자 발화를 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가하는 단계, 프롬프트를 인코딩하는 단계 및 인코딩된 프롬프트를 언어 모델에 입력하여, 사용자 발화에 응답하는 챗봇 발화를 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 페르소나 챗봇 제어 방법이 제공된다. 페르소나 챗봇 제어 방법은 사용자 발화를 수신하는 단계, 대화 주제 탐지기를 이용하여, 사용자 발화와 연관된 대화 주제를 결정하는 단계, 대화씬 검색 모델을 이용하여, 결정된 대화 주제와 연관된 적어도 하나의 대화씬을 획득하는 단계, 사용자 발화, 대화 주제 및 적어도 하나의 대화씬을 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가하는 단계, 프롬프트를 인코딩하는 단계, 인코딩된 프롬프트를 언어 모델에 입력하여, 사용자 발화에 응답하는 챗봇 발화를 생성하는 단계 및 생성된 챗봇 발화를 캐릭터 페르소나 탐지기에 입력하여 챗봇의 캐릭터 대화체가 유지되는지 여부를 모니터링하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 페르소나 챗봇 제어 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따르면, 페르소나 챗봇 제어 시스템이 제공된다. 페르소나 챗봇 제어 시스템은 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 적어도 하나의 프로그램은, 사용자 발화를 수신하고, 사용자 발화를 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가하고, 프롬프트를 인코딩하고, 인코딩된 프롬프트를 언어 모델에 입력하여, 사용자 발화에 응답하는 챗봇 발화를 생성하기 위한 명령어들을 포함한다.
본 개시의 다양한 실시예에 따르면, 사용자와의 대화가 계속적으로 지속되더라도, 챗봇의 페르소나를 지닌 대화체를 유지할 수 있다.
본 개시의 다양한 실시예에 따르면, 사용자와의 대화가 계속적으로 지속되더라도, 주제를 가진 대화와 주제가 없는 대화를 구분하고 특정 주제를 가진 대화와 연관된 대화씬을 검색함으로써, 캐릭터의 특성 및 배경과 일관되는 답변을 제공할 수 있다.
본 개시의 다양한 실시예에 따르면, 챗봇의 페르소나 훼손을 방지하기 위해, 페르소나 챗봇의 발화의 언어적 특징을 모니터링하고, 페르소나가 유지되지 않는 경우, 생성되는 챗봇의 발화를 캐릭터 대화체에 맞게 수정할 수 있다.
본 개시의 다양한 실시예에 따르면, 페르소나 챗봇은 일관된 세계관을 유지하고, 특정 쿼리에 대한 일관적인 답변을 하고, 특정 주제에 대한 일관적인 대화 흐름을 유지할 수 있다.
본 개시의 다양한 실시예에 따르면, 일관적인 캐릭터 대화체를 유지하기 위해 캐릭터 대화체 변환기를 효율적으로 학습할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따라 사용자가 사용자 단말을 이용하여 페르소나 챗봇 서비스를 이용하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 페르소나 챗봇 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성과 초대형 언어 모델을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 기능적인 블록도이다.
도 5는 본 개시의 일 실시예에 따라, 챗봇의 캐릭터 대화체를 유지하면서 페르소나 챗봇 서비스를 사용자에게 제공하는 구성의 예시이다.
도 6은 본 개시의 일 실시예에 따라, 일관적인 캐릭터 대화체를 유지하기 위해 캐릭터 대화체 변환기가 챗봇의 응답을 수정하는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라, 일관적인 캐릭터 대화체를 유지하기 위해 캐릭터 대화체 변환기가 학습되는 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라, 캐릭터 대화체 변환기가 학습되는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따라, 초대형 언어 모델을 이용하여 대화체 변환기를 학습하는 방법을 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라, 챗봇의 대화 흐름을 유지하면서 페르소나 챗봇 서비스를 사용자에게 제공하는 구성의 예시이다.
도 11은 본 개시의 일 실시예에 따라, 프롬프트 인코더의 예시를 나타내는 도면이다.
도 12는 본 개시의 일 실시예에 따라, 챗봇의 대화체 및 대화 흐름을 유지하면서 페르소나 챗봇 서비스를 제공하는 구성의 예시이다.
도 13은 본 개시의 일 실시예에 따라, 사용자에게 일관성이 있는 페르소나 챗봇 서비스를 제어하기 위한 방법을 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 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 발명의 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 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '페르소나(persona)'는 특정 어휘, 추임새, 어투 등의 사용으로 인해 고유의 언어적인 특징이 발현되어 다른 캐릭터 또는 인물과 구별되는 특징을 가진 캐릭터를 지칭할 수 있다. 일 실시예에서, 페르소나는 특정 연령, 성별, 지역, 언어적인 성격(예: 발랄한 성격, 정중한 성격, 긍정적인 성격 등)을 반영하는 캐릭터를 지칭할 수 있다.
본 개시에서, '챗봇'은, 특정 서비스와 연관된 정보를 제공하거나, 사용자의 발화에 포함된 질문에 대응하는 답변을 제공하는 인공지능(Artificial Intelligence, AI) 기반의 커뮤니케이션 소프트웨어를 지칭할 수 있다.
본 개시에서, '발화'는 소리를 내어 말을 하는 언어 행위 또는 해당 언어 행위를 문자 형태로 기술한 것(예를 들어, 텍스트)을 지칭할 수 있다.
본 개시에서, '초대형 언어 모델'은 퓨샷 러닝(few-shot learning) 등과 같은 방식을 이용하여 파인 튜닝(fine-tuning) 없이 추론이 가능한 언어 모델을 지칭할 수 있으며, 기존의 일반 언어 모델에 비해 10배 이상 많은 매개 변수(예를 들어, 1000억 개 이상의 매개 변수 등)를 가질 수 있다. 예를 들어, 초대형 언어 모델은 하이퍼클로바(HyperCLOVA), GPT 3(Generative Pretrained Transformer 3)일 수 있다.
본 개시에서, '대화씬(dialogue scene)'은 적어도 한 명 이상의 대화자가 참여하여, 하나 이상의 발화를 구성으로 하는 대화 장면을 지칭할 수 있으며, 특정 질문 또는 문장에 대응하는 일관성 있는 대화체의 답변으로 구성될 수 있다. 특정 질문 또는 문장에 대응하는 일관성 있는 대화체의 답변은 이전 대화 또는 대화의 주제에 영향을 받을 수 있다.
도 1은 본 개시의 일 실시예에 따라 사용자(110)가 사용자 단말을 이용하여 페르소나 챗봇 서비스를 이용하는 예시를 나타내는 도면이다. 도시된 바와 같이, 사용자(110)는 사용자 단말을 이용하여 챗봇에게 특정 정보를 요청하는 질문 또는 대화를 개시하는 발화를 입력할 수 있다. 챗봇은 사용자의 발화에 대응하여 페르소나를 유지한 캐릭터 발화를 제공할 수 있다. 초대형 언어 모델을 기반으로 한 페르소나 챗봇의 경우, 사용자 발화를 누적하여 학습함으로 인하여, 시간이 경과하면 사용자 발화에 포함된 언어적 특징이 페르소나 챗봇의 언어적 특징(또는 캐릭터 대화체)에 영향을 미쳐, 챗봇의 언어적 특징의 고유성이 훼손될 수 있다. 따라서 챗봇의 페르소나 훼손을 방지하기 위해, 페르소나 챗봇의 발화의 언어적 특징을 모니터링하고, 페르소나가 유지되지 않는 경우, 생성되는 챗봇의 발화를 캐릭터 대화체에 맞게 수정할 필요가 있다. 또한, 페르소나 챗봇은 일관된 세계관을 유지하고, 특정 쿼리에 대한 일관적인 답변을 하고, 특정 주제에 대한 일관적인 대화 흐름을 유지하는 것이 필요하다.
도시된 바와 같이, 사용자(110)는 사용자 단말의 사용자 인터페이스(120)를 통해 사용자 발화를 입력하고, 페르소나 챗봇으로부터 일관된 캐릭터 대화체의 응답 메시지를 수신할 수 있다. 예를 들어, 사용자(110)가 "다음 달에 온앤오프 컴백한대!!"라는 발화를 입력하는 경우, 페르소나 챗봇은 감탄사, 어휘의 자음의 변형, 어미 처리의 변형 및 특수 문자를 이용하여, 발랄한 성격의 페르소나를 지닌 "꺄아아아!! 쏘리 질러~ 안나 공주님 잠시 기절하고 오실게여~"라는 캐릭터 발화를 제공할 수 있다. 이어서, 사용자(110)가 "한 달 만에 컴백하잖아. 컴백 텀 돌았어. 대박 소식 또 있어!"의 사용자 발화를 입력하는 경우, 페르소나 챗봇이 "뭔데? 빨리 알랴줘! 궁금해서 또 기절하기 전에!"라는 캐릭터 발화를 제공하여, 발랄한 성격을 가진 챗봇의 페르소나를 유지함과 동시에 이전 대화의 주제에 대한 일관적인 대화 흐름을 유지하는 것을 확인할 수 있다.
도 2는 본 개시의 일 실시예에 따른 페르소나 챗봇 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 정보 처리 시스템(230)은 페르소나 챗봇 서비스를 제공할 수 있는 시스템을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 페르소나 챗봇 서비스와 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 예를 들어, 정보 처리 시스템(230)은 페르소나 챗봇 서비스를 위한 별도의 시스템(예를 들어, 서버)들을 포함할 수 있다. 정보 처리 시스템(230)에 의해 제공되는 페르소나 챗봇 서비스 등은, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 인스턴트 메시징 애플리케이션, 인공지능 기반 커뮤니케이션 소프트웨어, 웹 브라우저 등을 통해 사용자에게 제공될 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 초대형 언어 모델(240)을 이용하여 사용자 단말에 페르소나 챗봇 서비스를 제공할 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말(210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능한 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
일 실시예에서, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터 사용자 발화(예를 들어, 텍스트, 음성 등)를 수신할 수 있다. 이 경우, 정보 처리 시스템(230)은 수신된 사용자 발화 정보에 응답하는 챗봇 페르소나가 유지된 캐릭터 발화를 제공할 수 있다. 도 2에서 초대형 언어 모델(240)이 정보 처리 시스템(230) 외부에 존재하는 것으로 도시되었으나, 이에 한정되지 않으며, 정보 처리 시스템(230) 내부에 초대형 언어 모델(240)이 저장되어 사용될 수 있다. 또한, 도 2에서는 정보 처리 시스템(230)이 사용자 단말로부터 사용자 발화를 수신한 후, 캐릭터 발화를 생성하여 사용자 단말에 제공하는 것으로 도시되었으나, 이에 한정되지 않으며, 페르소나 챗봇 서비스를 제공하기 위한 하드웨어/소프트웨어가 사용자 단말에 구비될 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성과 초대형 언어 모델(240)을 나타내는 블록도이다. 사용자 단말(210)은 인스턴트 메시징 애플리케이션, 인공지능 기반 커뮤니케이션 소프트웨어, 웹 브라우저 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 텍스트 또는 음성 등 사용자 발화가 포함된 데이터 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 사용자 발화에 응답하는 캐릭터 발화를 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 마이크 모듈, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서(400)의 내부 구성을 나타내는 기능적인 블록도이다. 도시된 바와 같이, 프로세서(400)는 대화 주제 탐지기(410), 대화씬 검색 모델(420), 프롬프트 인코더(430), 초대형 언어 모델(440), 캐릭터 페르소나 탐지기(450), 캐릭터 대화체 변환기(460)를 포함할 수 있다. 도 4에서는 하나의 프로세서가 도시되었으나, 이에 한정되지 않으며, 정보 처리 시스템은 복수의 프로세서를 포함하여 프로세서(400)와 동일한 기능을 수행하도록 구성될 수 있다.
일 실시예에 따르면, 대화 주제 탐지기(410)는 사용자의 발화를 수신하여 사용자 발화와 연관된 대화 주제를 결정/추출할 수 있다. 결정된 대화 주제는 대화씬 검색 모델(420)과 프롬프트 인코더(430)에 입력될 수 있다. 다른 실시예에서, 대화 주제 탐지기(410)는 사용자 발화 및/또는 챗봇 발화를 수신하여 대화 주제를 결정할 수 있다.
일 실시예에 따르면, 대화씬 검색 모델(420)은 사용자의 발화 및/또는 대화 주제 탐지기(410)에 의해 결정된 대화 주제와 연관된 대화씬을 획득할 수 있다. 예를 들어, 대화씬 검색 모델(420)은 대화 저장 데이터베이스(미도시)로부터 특정 대화 주제와 연관된 대화씬을 획득할 수 있다. 여기서, 대화 저장 데이터베이스는 대화씬 검색 모델의 내부 및/또는 외부의 저장 장치에 포함될 수 있다. 대화씬 검색 모델(420)에 의해 획득된 대화 주제와 연관된 대화씬은 프롬프트 인코더(430)에 입력될 수 있다.
일 실시예에 따르면, 프롬프트 인코더(430)는 지시문, 캐릭터 대화 샘플, 사용자 발화와 연관된 대화 주제, 대화 주제와 연관된 대화씬, 사용자 발화 등을 포함하는 프롬프트를 수신할 수 있다. 여기서, 지시문은 챗봇의 캐릭터에 대한 설명을 포함하고, 캐릭터 대화 샘플은 질문 및 질문에 대응하는 캐릭터 대화체의 답변을 포함할 수 있다. 그 후, 프롬프트 인코더(430)는 프롬프트를 인코딩하고 인코딩된 프롬프트를 초대형 언어 모델(440)에 입력할 수 있다.
일 실시예에 따르면, 초대형 언어 모델(440)은 수신한 인코딩된 프롬프트에 기초하여 사용자 발화에 응답하는 챗봇 발화를 생성할 수 있다. 초대형 언어 모델(440)에 의해 생성된 챗봇 발화는 캐릭터 페르소나 탐지기(450)에 입력되어, 챗봇의 캐릭터 대화체가 유지되는지 여부가 모니터링될 수 있다. 여기서, 캐릭터 대화체는 캐릭터 대화 샘플, 지시문, 대화씬 등에 기초하여 결정될 수 있다. 챗봇의 캐릭터 대화체가 유지되는지 여부에 대한 결과는 캐릭터 대화체 변환기(460)에 제공될 수 있다.
일 실시예에 따르면, 캐릭터 대화체가 유지되지 않는 것으로 판정되는 경우, 캐릭터 대화체 변환기(460)가 챗봇 발화를 캐릭터 대화체와 유사도가 높도록 수정할 수 있다. 캐릭터 대화체 변환기(460)는 수정된 챗봇 발화를 사용자에게 제공함과 동시에 수정된 챗봇 발화를 프롬프트에 추가할 수 있다. 반면, 캐릭터 대화체가 유지되는 것으로 판정되는 경우, 캐릭터 대화체 변환기(460)는 챗봇 발화를 수정하지 않고 사용자에게 제공함과 동시에 챗봇 발화를 프롬프트에 추가할 수 있다.
도 5는 본 개시의 일 실시예에 따라, 챗봇의 캐릭터 대화체를 유지하면서 페르소나 챗봇 서비스를 사용자에게 제공하는 구성의 예시이다. 도시된 바와 같이, 프롬프트 인코더(520)는 사용자 발화(510)를 수신할 수 있다. 여기서, 사용자 발화는 사용자 단말을 통해 입력된 텍스트 또는 입력된 음성이 음성 인식기에 의해 변환된 텍스트 등일 수 있다. 일 실시예에 따르면, 프롬프트 인코더(520)는 미리 입력된 지시문(522), 챗봇의 대화체를 학습시키기 위한 캐릭터 대화 샘플(524), 그리고 수신한 사용자 발화(510)를 포함하는 프롬프트를 인코딩할 수 있다.
인코딩된 프롬프트는 초대형 언어 모델(530)에 입력되어 사용자 발화(510)에 응답하는 챗봇 발화(532)가 생성될 수 있다. 초대형 언어 모델(530)에 의해 생성된 챗봇 발화(532)는 캐릭터 페르소나 탐지기(540)에 입력되어, 챗봇의 페르소나(즉, 챗봇의 캐릭터 대화체)가 유지되는지 여부가 모니터링될 수 있다. 즉, 챗봇의 대화체를 일정하게 유지하기 위해, 챗봇의 답변의 대화체(즉 페르소나)를 모니터링하는 탐지 모델을 별도로 훈련시켜서 초대형 언어 모델을 보조할 수 있다.
일 실시예에서, 캐릭터 페르소나 탐지기(540)는 뉴럴 네트워크(neural network) 기반 분류기 등을 이용하여 챗봇의 페르소나가 유지되는지 여부를 모니터링 할 수 있다. 예를 들어, 캐릭터 페르소나 탐지기(540)는 챗봇 발화(532)와 챗봇의 캐릭터 대화체를 비교하여 챗봇 발화(532)와 캐릭터 대화체 사이의 매칭 스코어(542)를 생성할 수 있다. 그 후, 캐릭터 페르소나 탐지기(540)는 매칭 스코어(542)에 기초하여, 챗봇의 캐릭터 대화체가 유지되는지 여부를 판정할 수 있다. 캐릭터 페르소나 탐지기(540)가 생성한 매칭 스코어(542)는 캐릭터 대화체 변환기(550)로 제공될 수 있다.
매칭 스코어(542)가 미리 정의된 임계값 이하인 경우, 캐릭터 대화체가 유지되지 않는 것으로 판정하고, 캐릭터 대화체 변환기(550)는 챗봇 발화(532)를 캐릭터 대화체와 유사도가 높아지도록 수정할 수 있다. 후술하는 것과 같이, 캐릭터 대화체 변환기(550)는 별도의 인공지능 모델로 구현될 수 있다. 반면, 매칭 스코어(542)가 미리 정의된 임계값을 초과하는 경우, 캐릭터 대화체가 유지되는 것으로 판정하고, 캐릭터 대화체 변환기(550)는 챗봇 발화(532)를 수정하지 않을 수 있다. 그 후, 캐릭터 대화체 변환기(550)는 챗봇 발화(552)를 사용자에게 제공함과 동시에 프롬프트에 추가할 수 있다. 이와 같이, 캐릭터 페르소나 탐지기(540)가 챗봇의 캐릭터 대화체가 유지되는지 모니터링하고, 챗봇의 캐릭터 대화체가 유지되지 않는 경우, 캐릭터 대화체 변환기(550)가 응답을 챗봇의 캐릭터 대화 대화체에 맞도록 수정함으로써 초대형 언어 모델(530)을 사용하는 경우에도 일관적인 캐릭터 대화체를 유지할 수 있다.
도 6은 본 개시의 일 실시예에 따라, 일관적인 캐릭터 대화체를 유지하기 위해 캐릭터 대화체 변환기(예를 들어, 도 5의 550)가 챗봇의 응답을 수정하는 예시를 나타내는 도면이다. 도시된 것과 같이, 프롬프트(600)는 캐릭터에 대한 설명이 포함된 지시문(610), 캐릭터 대화 샘플(620) 및 사용자 발화(630)로 구성될 수 있다. 예를 들어, 지시문(610)은 "안나는 매사가 행복하고 기운이 넘친다. 공감 능력이 뛰어나고 긍정적이며 리액션이 좋은 편이다."라는 캐릭터에 대한 설명을 포함할 수 있다. 또한, 캐릭터 대화 샘플(620)은 "다음 달에 온앤오프 컴백한대!!"라는 질문과 "꺄아아아!! 쏘리 질러~ 안나 공주님 잠시 기절하고 오실게요~"라는 캐릭터 대화체의 답변 등과 같은 질문-답변 쌍을 복수 개 포함할 수 있다.
그 후, 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)는 프롬프트(600)를 인코딩하고, 인코딩된 프롬프트를 초대형 언어 모델에 입력하여 챗봇 발화(640)를 생성할 수 있다. 예를 들어, 사용자 발화(630)에 응답한 발화로 "그래? 요즘 무슨일이 많네~"라는 챗봇 발화가 생성될 수 있다. 캐릭터 대화체가 유지되지 않는다고 판정된 경우, 프로세서는 챗봇 발화(640)를 캐릭터 발화(650)로 수정할 수 있다. 예를 들어, "그래? 요즘 무슨일이 많네~"라는 챗봇 발화(640)를 "뭔데? 빨리 알려줘! 궁금해서 또 기절하기 전에!"라는 캐릭터 발화(650)로 수정할 수 있다. 이 경우, 프로세서는 수정된 캐릭터 발화(650)를 프롬프트(600)에 추가할 수 있다.
도 7은 본 개시의 일 실시예에 따라, 일관적인 캐릭터 대화체를 유지하기 위해 캐릭터 대화체 변환기(예를 들어, 도 5의 550)가 학습되는 예시를 나타내는 도면이다. 도시된 것과 같이, 제1 대화체 변환기(710)는 캐릭터 발화를 일반 발화로 변환하도록 학습된 모델일 수 있다. 유사하게, 제2 대화체 변환기(720)는 일반 발화를 캐릭터 발화로 변환하도록 학습된 모델일 수 있다. 예를 들어, 제1 대화체 변환기(710)는 후술하는 정제(refinement) 방식과 유사하게, 일반 발화 초기 데이터 세트 내의 일반 발화를 나타내는 단어들의 집합(
Figure pat00001
)을 제거하고 가장 동일/유사한 의미를 가지는 캐릭터 발화를 나타내는 단어들(
Figure pat00002
)로 대체하여 초기 대화체 변환기를 임시로 생성한 후 반복적으로 업데이트될 수 있다. 제2 대화체 변환기(720)도 유사하게 초기 모델을 생성하고 반복적으로 업데이트될 수 있다. 예를 들어, 제1 대화체 변환기(710) 및 제2 대화체 변환기(720)는 GPT-2와 같은 언어 생성 모델(generative language model)을 사용할 수 있다.
일 실시예에서, 제1 세트의 캐릭터 발화(712,
Figure pat00003
)를 제1 대화체 변환기(710)에 입력하여, 제1 세트의 일반 발화(714,
Figure pat00004
)를 생성할 수 있다. 그리고, 제1 세트의 일반 발화(714,
Figure pat00005
) 내에 캐릭터 발화를 나타내는 단어(
Figure pat00006
)가 존재하는 경우,
Figure pat00007
내에서 무작위로 균일하게(uniformly at random) 선택된
Figure pat00008
로 대체/정제(refine)될 수 있다. 여기서,
Figure pat00009
Figure pat00010
와 가장 비슷한 일반 발화를 나타내는 단어들의 집합(
Figure pat00011
)에 있는 상위 k개의 단어를 나타낼 수 있다. 그 후, 정제된 제1 세트의 일반 발화(714,
Figure pat00012
) 및 제1 세트의 캐릭터 발화(712,
Figure pat00013
)에 기초하여 제2 대화체 변환기(720)를 학습/업데이트할 수 있다. 그리고, 제2 세트의 일반 발화(722,
Figure pat00014
)를 제2 대화체 변환기(720)에 입력하여, 제2 세트의 캐릭터 발화(724,
Figure pat00015
)를 생성하고, 유사하게 제2 세트의 캐릭터 발화(724,
Figure pat00016
) 내에 일반 발화를 나타내는 단어(
Figure pat00017
)가 존재하는 경우,
Figure pat00018
내에서 무작위로 균일하게 선택된
Figure pat00019
로 대체/정제(refine)될 수 있다. 그 후, 정제된 제2 세트의 캐릭터 발화(724,
Figure pat00020
) 및 제2 세트의 일반 발화(722,
Figure pat00021
)에 기초하여 제1 대화체 변환기(710)를 학습/업데이트할 수 있다. 제1 세트의 새로운 캐릭터 발화 데이터 세트와 새로운 일반 발화 데이터 세트에 대해서 위의 절차를 복수회 반복함으로써, 제1 대화체 변환기(710)와 제2 대화체 변환기(720)를 교차 학습시킬 수 있다. 이하에서 이를 보다 상세히 설명한다.
일 실시예에서, 캐릭터 대화체 변환기는 비지도 학습(unsupervised learning) 기반의 인공지능 모델일 수 있다. 지도 학습(supervised learning) 기반의 인공지능 모델에서 문장을 의역, 번역, 스타일 트랜스퍼(style transfer) 등을 하는 경우,
Figure pat00022
,
Figure pat00023
로 표시되는 소스-타겟 문장(source-target sentence) 쌍의 병렬 데이터 셋(parallel data set)이 필요할 수 있다. 반면, 비지도 학습 기반의 인공지능 모델의 경우, 이런 병렬 데이터 셋
Figure pat00024
,
Figure pat00025
이 제공되지 않을 수 있다. 병렬 데이터 셋
Figure pat00026
,
Figure pat00027
이 제공되지 않은 경우, 캐릭터 대화체 변환기는 제1 대화체 변환기(710) 및/또는 제2 대화체 변환기(720)를 이용하여, 자기 지도 학습(self-supervised learning)을 기반으로 한 교차 번역 프레임워크(Cross-paraphrase framework)를 통해 미리 정의된 캐릭터 대화체(또는 문체)와 일반 대화체(또는 문체)를 가진 문장 사이에 양 방향으로 대화체를 변환하도록 학습할 수 있다.
구체적으로, 제1 대화체 변환기(710)는 캐릭터 대화체를 일반 대화체로 변환하는 모델(
Figure pat00028
)을 의미할 수 있고, 제2 대화체 변환기(720)는 일반 대화체를 캐릭터 대화체로 변환하는 모델(
Figure pat00029
)을 의미할 수 있다. 이 경우, 캐릭터 대화체에 해당하는 비평형 데이터 집합인 제1 세트의 캐릭터 발화(712,
Figure pat00030
)가 주어진 경우, 제1 대화체 변환기(710,
Figure pat00031
)는 제1 세트의 일반 발화(714,
Figure pat00032
)와 제1 세트의 캐릭터 발화(712,
Figure pat00033
)를 집합으로 하는 가상 병렬(pseudo parallel) 데이터 셋(
Figure pat00034
)을 생성하는 역할을 할 수 있다. 일 실시예에서, 제1 세트의 캐릭터 발화(712,
Figure pat00035
)는 제2 대화체 변환기(720)를 훈련하는 것에 사용되는 병렬이 아닌(non-parallel) 데이터 집합일 수 있다. 이는 제1 세트의 캐릭터 발화(712,
Figure pat00036
)와 제2 세트의 일반 발화(722,
Figure pat00037
)는 병렬 데이터 셋을 구성하지 않는 독립적인 데이터 셋임을 의미할 수 있다.
대화체 변환 모델을 학습하는 경우, 손실 함수(loss function)를 고려할 수 있다. 예를 들어, 가상 병렬(pseudo parallel) 데이터 셋(
Figure pat00038
)에 대하여 손실 함수(loss function)를 고려할 수 있다. 가상 일반 발화인 제1 세트의 일반 발화(714,
Figure pat00039
)가 주어진 경우, 이로부터 제1 세트 캐릭터 발화(712,
Figure pat00040
)로 변환하기 위해 발생하는 손실을 아래 수학식 1에 따라 산출할 수 있다.
Figure pat00041
여기서, 가상 일반 발화인 제1 세트의 일반 발화(714,
Figure pat00042
)는 아래 수학식 2와 같이 상대 모델에 의해 추론될 수 있다.
Figure pat00043
일 실시예에서, 제1 대화체 변환기(710)의 학습과 제2 대화체 변환기(720)의 학습은 교차로 발생할 수 있다. 각 대화체 변환기(710, 720)는 학습을 위한 가상 병렬(pseudo parallel) 데이터 셋을 구성하기 위해 각 대화체 변환기(710, 720)에서 추론된 대화체를 다른 대화체 변환기로 제공할 수 있다. 예를 들어, 제1 대화체 변환기(710)를 통해 추론된 제1 세트의 일반 발화(714)는 제2 대화체 변환기(720)에서 학습을 위한 데이터 셋의 구성 집합으로 제공될 수 있음과 동시에, 제2 대화체 변환기(720)를 통해 추론된 제2 세트의 캐릭터 발화(724)는 제1 대화체 변환기(710)에서 학습을 위한 데이터 셋의 구성 집합으로 제공될 수 있다. 이를 통해. 각 대화체 변환기(710, 720)는 교차 번역(Cross-paraphrase)을 이용하여 일반 발화로부터 캐릭터 발화로의 대화체 변환 및 캐릭터 발화로부터 일반 발화로의 대화체 변환 등 두 개의 대화체 변환 모델을 제공할 수 있다. 이는 아래 표 1에 나타난 알고리즘으로 요약할 수 있다.
Inputs: PLMs
Figure pat00044
,
Figure pat00045
, Style-independent datasets,
Figure pat00046
,
Figure pat00047
, Indicative sets
Figure pat00048
,
Figure pat00049
, Alteration number
Figure pat00050
, Loss functions
Figure pat00051
,
Figure pat00052
(수학식 1)
Outputs: Trained models
Figure pat00053
,
Figure pat00054

Set
Figure pat00055

while
Figure pat00056
do
Generate
Figure pat00057

Figure pat00058
foreach
Figure pat00059
do
if
Figure pat00060
then
Replace
Figure pat00061
with
Figure pat00062

end
Train
Figure pat00063


Generate
Figure pat00064

Figure pat00065
foreach
Figure pat00066
do
if
Figure pat00067
then
Replace
Figure pat00068
with
Figure pat00069

end
Train
Figure pat00070


if
Figure pat00071
and
Figure pat00072
then
break
Figure pat00073

end
일 실시예에서, 제2 대화체 변환기(720) 학습 이전에, 제1 대화체 변환기(710)로부터 생성된 제1 세트의 일반 발화(714,
Figure pat00074
) 내에 캐릭터 대화체와 연관된 단어가 포함된 것으로 판정하는 경우, 이에 응답하여 캐릭터 대화체와 연관된 단어(
Figure pat00075
)가 일반 대화체의 단어(
Figure pat00076
)로 대체될 수 있다. 반면, 제1 세트의 일반 발화(714,
Figure pat00077
) 내에 캐릭터 대화체와 연관된 단어(
Figure pat00078
)가 포함되지 않은 것으로 판정하는 경우, 제1 세트의 일반 발화(714,
Figure pat00079
)는 수정되지 않을 수 있다. 구체적으로, 제1 세트의 캐릭터 발화(712,
Figure pat00080
)를 제1 대화체 변환기(710)에 입력하여, 제1 세트의 일반 발화(714,
Figure pat00081
)를 생성하는 경우, 제1 세트의 일반 발화(714,
Figure pat00082
) 내에 캐릭터 대화체의 언어적 특징을 나타내는 단어(
Figure pat00083
)는 일반 대화체의 단어(
Figure pat00084
)로 교체될 수 있다. 일반 대화체의 단어(
Figure pat00085
)의 집합은 아래 수학식 3과 같이 산출할 수 있다.
Figure pat00086
여기서,
Figure pat00087
Figure pat00088
의 어휘(vocabulary),
Figure pat00089
Figure pat00090
를 나타내는 단어(word)들의 집합이라고 할 수 있다.
Figure pat00091
Figure pat00092
에서
Figure pat00093
가 나타난 개수,
Figure pat00094
는 임계값(threshold),
Figure pat00095
는 평활인자(smoothing factor)를 나타낼 수 있다.
Figure pat00096
는 수학식 3에서
Figure pat00097
Figure pat00098
를 서로 바꿔서 정의할 수 있다. 일 실시예에서,
Figure pat00099
Figure pat00100
는 최초 한 번 생성할 수 있다. 일 실시예에서, 캐릭터 대화체와 연관된 단어의 집합(
Figure pat00101
)에 속하는 단어(
Figure pat00102
)에 대하여
Figure pat00103
는, 캐릭터 대화체와 연관된 단어의 집합(
Figure pat00104
)에 속하는 단어(
Figure pat00105
)와 가장 유사한 일반 대화체 단어 집합(
Figure pat00106
)에 있는 상위
Figure pat00107
개의 단어로 나타낼 수 있다. 바람직하게, k는 10일 수 있다. 일 실시예에서, 캐릭터 대화체와 연관된 단어(
Figure pat00108
)와 유사한 의미를 가지는 일반 대화체의 단어는 제1 세트의 캐릭터 발화(712,
Figure pat00109
) 및 제2 세트의 일반 발화(722,
Figure pat00110
)에 기초하여 학습된 Word2Vec 모델을 이용하여 결정될 수 있다.
도 8은 본 개시의 일 실시예에 따라, 캐릭터 대화체 변환기가 학습되는 예시를 나타내는 도면이다. 도시된 바와 같이, 캐릭터 발화를 일반 발화로 변환하도록 구성된 제1 대화체 변환기(810)에 캐릭터 발화인 "빼앰~ 당신은 이시대의 진정한 효자? 부모님이 옴총 자랑스러우셨겠다 ㅎㅎ"(812)를 입력하여 가상 일반 발화인 "너 진정한 효자구나? 부모님이 정말 자랑스러우셨겠다."(814)를 생성하고, 가상 일반 발화(814) 및 캐릭터 발화(812)에 기초하여 일반 발화를 캐릭터 발화로 변환하도록 구성된 제2 대화체 변환기(820)를 학습할 수 있다. 또한, 일반 발화를 캐릭터 발화로 변환하도록 구성된 제2 대화체 변환기(820)에 일반 발화인 "정말로 비트코인 가치가 상승했네? 가격 정말 많이 올랐다!"(822)를 입력하여 가상 캐릭터 발화인 "와 찐으로 비트코인이 떡상했네? 가격 겁나 올랐다! 완전 씐나!!!"(824)를 생성하고, 가상 캐릭터 발화(824) 및 일반 발화(822)에 기초하여 캐릭터 발화를 일반 발화로 변환하도록 구성된 제1 대화체 변환기(810)를 학습/업데이트할 수 있다.
도 9는 본 개시의 일 실시예에 따라, 초대형 언어 모델(910)을 이용하여 대화체 변환기(930)를 학습하는 방법을 나타내는 도면이다. 도시된 바와 같이, 적어도 하나의 프로세서는 캐릭터 발화 세트(922)를 초대형 언어 모델(910)에 입력하여, 일반 발화 세트(924)를 생성할 수 있다. 일 실시예에서, 일반 발화 세트(924) 내의 캐릭터 발화를 나타내는 단어들의 집합(
Figure pat00111
)을 제거하고 가장 동일/유사한 의미를 가지는 일반 발화를 나타내는 단어들(
Figure pat00112
)로 대체할 수 있다. 그 후, 프로세서는 일반 발화 세트(924)와 캐릭터 발화 세트(922)를 학습 데이터(920)로 하여 대화체 변환기(930)를 학습할 수 있다. 프로세서는 새로운 캐릭터 발화 데이터 세트에 대해 위의 학습을 반복하여 수행할 수 있다.
도 7 내지 9를 참조하여 설명한 본 개시의 대화체 변환기 학습 방법에 대한 평가를 위하여, 네 개의 데이터 셋을 테스트 데이터 셋으로 사용하였다. 데이터 셋은 GYAFC의 격식 문체 변환(formal style transfer)과 비격식 문체 변환(informal style transfer) 및 셰익스피어(Shakespeare)의 원어(original) 문체 변환과 현대(modern) 문체 변환으로 4개의 문체 변환 방향으로 분류될 수 있다. 아래의 표 2는 비지도 스타일 트랜스퍼(unsupervised style transfer) 기술인 UNMT, DLSM 및 STRAP과 본 개시의 대화체 변환기 학습 방법의 스타일 정확도(ACC), 콘텐츠 유사도(SIM), 유창성(FL) 성능을 보여준다. 여기서, STRAP은 핵심 추출(nucleus sampling)에 관한 p값에 대해 0.0, 0.6, 0.9의 세 가지 값을 적용하여 평가하였다.
  GYAFC Shakespeare
  Formal Informal Original Modern
Model ACC SIM FL ACC SIM FL ACC SIM FL ACC SIM FL
UNMT 80.79 46.97 57.56 72.92 40.23 59.33 79.34 35.3 53.63 61.42 33.91 54.31
DLSM 77.05 43.88 56.92 76.99 43.62 54.71 79.75 42.2 54.99 63.82 39.35 52.94
STRAP(0.0) 76.69 72.83 90.4 58.23 66.7 90.78 59.23 55.04 83.38 84.61 57.77 87.07
STRAP(0.6) 76.99 70.23 89.3 64.17 64.42 88.28 67.74 51.84 77.06 84.32 55.82 87.73
STRAP(0.9) 78.38 63.45 81.53 75.51 57.41 74.03 78.32 45.44 61.77 81.92 49.83 82.39
PROPOSED 73.94 71.16 69.28 69.96 63.58 80.5 62.31 54.68 69.7 56.98 52.67 60.67
REFERENCE 93.33 100 94.18 79.2 100 83.99 86.87 100 61.63 93.84 100 96.51
본 개시의 대화체 변환기 학습 방법의 경우, GYAFC 격식 문체 변환에서 UNMT 및 DLSM과 비교하였을 때, 콘텐츠 유사도(SIM), 유창성(FL) 측면에서 좋은 성능을 보여주며, STRAP과 비교하였을 때, 약간 낮거나 비슷한 성능을 보여준다. 또한, 본 개시의 대화체 변환기 학습 방법은 GYAFC 비격식 문체 변환에서 UNMT 및 DLSM과 비교하였을 때, 콘텐츠 유사도(SIM), 유창성(FL)에서 좋은 성능을 보여주고, 스타일 정확도(ACC)에서 일반적으로 낮은 성능을 보이며, 셰익스피어 데이터 세트에 대한 평가에서 GYAFC의 데이터 세트에 대한 평가와 비슷한 결과를 보인다. 결과적으로, 본 개시의 대화체 변환기 학습 방법은 ACC 점수를 대가로 4가지 변환 방향 모두에 대하여 콘텐츠 유사도(SIM), 유창성(FL) 측면에서 좋은 성능을 보여준다. 이는 본 개시의 대화체 변환기 학습 방법을 사용하는 것이 의미론적으로 정확하고 유창한 문장을 생성하는 것에 효과적이라는 것을 보여준다. 아래의 표 3는 생성된 문장의 품질을 평가하기 위해, 각 데이터 세트의 J 점수를 보여준다.
GYAFC Shakespeare
Formal Informal Original Modern
UNMT 22.12 16.94 12.49 15.52
DLSM 17.69 17.19 15.07 17.71
STRAP(0.0) 53.19 34.48 24.68 45.15
STRAP(0.6) 50.49 35.83 24.18 43.58
STRAP(0.9) 42.79 30.69 19.36 36.24
PROPOSED 37.08 34.95 19.64 23.54
REFERENCE 88.3 65.62 49.32 91.72
본 개시의 대화체 변환기 학습 방법은 UNMT 및 DLSM과 비교하였을 때, 4가지 변환 방향 모두에서 좋은 성능을 보여준다. 이는 본 개시의 대화체 변환기 학습 방법이 자동 인코더를 사용하는 경우와 비교하여, 효과적으로 높은 품질의 문체 변환을 생성할 수 있음을 보여준다. 본 개시의 대화체 변환기 학습 방법을 STRAP과 비교하였을 때, 비격식 문체와 셰익스피어의 원어 문체 변환에서 비슷한 J 점수를 보였지만, 격식 문체 변환과 현대 문체 변환에서 낮은 성능을 보여준다. 다만, 본 개시의 대화체 변환기 학습 방법은 STRAP 훈련과 비교하여, 데이터 세트가 충분하지 않은 경우, 대화체 변환 학습의 단순함과 효율성을 제공하는 이점이 있다.
도 10은 본 개시의 일 실시예에 따라, 챗봇의 대화 흐름을 유지하면서 페르소나 챗봇 서비스를 사용자에게 제공하는 구성의 예시이다. 도시된 바와 같이, 대화 주제 탐지기(1020)는 사용자 발화(1010)를 수신할 수 있다. 대화 주제 탐지기(1020)는 수신한 사용자 발화(1010)와 연관된 대화 주제(1022)를 결정/추출할 수 있다. 다른 실시예에서, 대화 주제 탐지기(1020)는 사용자 발화 및/또는 챗봇 발화를 수신하여 대화 주제를 결정할 수 있다. 일 실시예에서, 대화 주제 탐지기(1020)는 대화 내역에서 특정 주제를 결정할 수 있도록 학습된 인공 지능 모델로 구현될 수 있다. 결정된 대화 주제(1022)는 대화씬 검색 모델(1030)과 프롬프트 인코더(1040)에 입력될 수 있다.
대화씬 검색 모델(1030)은 사용자 발화(1010) 및/또는 대화 주제 탐지기(1020)에 의해 결정된 대화 주제(1022)에 기초하여, 대화 주제(1022)와 연관된 적어도 하나의 대화씬을 획득할 수 있다. 여기서, 대화씬은 대화 주제(1022)와 관련된 복수의 질문 및 이에 대응하는 복수의 캐릭터 대화체의 답변을 포함할 수 있다. 대화씬 검색 모델(1030)에 의해 획득된 대화씬(1032)은 프롬프트 인코더(1040)에 입력될 수 있다. 일 실시예에서, 대화씬 검색 모델(1030)은 대화 저장 데이터베이스(미도시)로부터 특정 대화 주제와 연관된 대화씬을 획득할 수 있으며, 인공 지능 모델로 구현될 수 있다.
프롬프트 인코더(1040)는 지시문(1042), 사용자 발화(1010), 대화 주제(1022) 및 대화씬(1032)을 수신하여 프롬프트에 추가할 수 있다. 여기서, 지시문은 챗봇의 캐릭터에 대한 설명을 포함하고, 캐릭터 대화 샘플은 질문 및 질문에 대응하는 캐릭터 대화체의 답변을 포함할 수 있다. 그 후, 프롬프트 인코더(1040)는 프롬프트를 인코딩할 수 있다. 인코딩된 프롬프트는 초대형 언어 모델(1050)에 입력되어 사용자 발화(1010)에 응답하는 챗봇 발화(1052)가 생성될 수 있다.
도 11은 본 개시의 일 실시예에 따라, 프롬프트 인코더(1160)의 예시를 나타내는 도면이다. 프롬프트 인코더(1160)는 대화 지시문 인코더(1162), 대화씬 인코더(1166, 1168) 및 결합부(concatenator)(1170)를 포함할 수 있다. 도시된 바와 같이, 프롬프트는 지시문(1110), 대화 주제(1120, 1140) 및 대화씬(1130, 1150)을 포함할 수 있다. 여기서, 지시문(1110)은 챗봇의 캐릭터에 대한 설명을 포함할 수 있다.
대화 지시문 인코더(1162)는 챗봇의 캐릭터에 대한 설명을 포함하는 지시문(1110)을 인코딩할 수 있다. 대화 주제 임베딩(1164)은 대화 주제 탐지기에 의해 결정된 대화 주제(예를 들어, "쇼미더머니10" 및 "취업 및 진로")에 대한 임베딩일 수 있다. 대화씬 인코더(1166, 1168)은 각 대화 주제와 연관된 대화씬들을 인코딩할 수 있다. 예를 들어, 제1 대화씬 인코더(1166)는 제1 대화 주제인 "쇼미더머니10"(1120)와 연관된 대화씬(1130)을 인코딩하고, 제2 대화씬 인코더(1168)는 제2 대화 주제인 "취업 및 진로"(1140)과 연관된 대화씬(1150)을 인코딩할 수 있다. 결합부(1170)는 대화 지시문 인코더(1162)의 출력, 대화 주제 임베딩(1164) 및 대화씬 인코더(1166, 1168)의 출력을 결합하고, 이를 디코더(1180)에 제공할 수 있다.
도 12는 본 개시의 일 실시예에 따라, 챗봇의 대화체 및 대화 흐름을 유지하면서 페르소나 챗봇 서비스를 제공하는 구성의 예시이다. 도시된 바와 같이, 대화 주제 탐지기(1220)는 사용자 발화(1210)를 수신하여 사용자 발화(1210)와 연관된 대화 주제(1222)를 결정/추출할 수 있다. 결정된 대화 주제(1222)는 대화씬 검색 모델(1230)과 프롬프트 인코더(1240)에 입력될 수 있다.
대화씬 검색 모델(1230)은 사용자 발화(1210) 및/또는 대화 주제(1222)에 기초하여, 대화 주제(1222)와 연관된 대화씬(1232)을 획득하고, 프롬프트 인코더(1240)으로 제공할 수 있다. 프롬프트 인코더(1240)는 지시문(1242), 퓨샷 예제(또는 캐릭터 대화 샘플)(1244), 사용자 발화(1210), 대화 주제(1222) 및 대화씬(1232)을 수신하여 인코딩할 수 있다. 인코딩된 프롬프트는 초대형 언어 모델(1250)에 입력되어 사용자 발화(1210)에 응답하는 챗봇 발화(1252)가 생성될 수 있다.
생성된 챗봇 발화(1252)는 캐릭터 페르소나 탐지기(1260)에 입력되어, 챗봇의 페르소나(즉, 챗봇의 캐릭터 대화체)가 유지되는지 여부가 모니터링될 수 있다. 예를 들어, 캐릭터 페르소나 탐지기(1260)는 챗봇 발화(1252)와 챗봇의 캐릭터 대화체를 비교하여 챗봇 발화(1252)와 캐릭터 대화체 사이의 매칭 스코어(1262)를 생성하고, 캐릭터 대화체 변환기(1270)로 제공할 수 있다. 매칭 스코어(1262)가 미리 정의된 임계값 이하인 경우, 캐릭터 대화체가 유지되지 않는 것으로 판정하고, 캐릭터 대화체 변환기(1270)는 챗봇 발화(1252)를 캐릭터 대화체와 유사도가 높아지도록 수정할 수 있다. 반면, 매칭 스코어(1262)가 미리 정의된 임계값을 초과하는 경우, 캐릭터 대화체가 유지되는 것으로 판정하고, 캐릭터 대화체 변환기(1270)는 챗봇 발화(1252)를 수정하지 않을 수 있다. 그 후, 캐릭터 대화체 변환기(1270)는 챗봇 발화(1272)를 사용자에게 제공함과 동시에 프롬프트에 추가할 수 있다.
도 13은 본 개시의 일 실시예에 따라, 사용자에게 일관성이 있는 페르소나 챗봇 서비스를 제어하기 위한 방법(1300)을 나타내는 흐름도이다. 일 실시예에서, 페르소나 챗봇 제어 방법(1300)은 프로세서(예를 들어, 사용자 단말 또는 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 다른 실시예에서, 정보 처리 시스템과 사용자 단말이 페르소나 챗봇 제어 방법(1300)의 단계들을 나누어 수행할 수 있다.
일 실시예에서, 페르소나 챗봇 제어 방법(1300)은 사용자 발화를 수신함으로써 개시될 수 있다(S1310). 그 후, 프로세서는 대화 주제 탐지기를 이용하여, 사용자 발화와 연관된 대화 주제를 결정할 수 있다(S1320). 대화 주제를 결정한 후, 프로세서는 대화씬 검색 모델을 이용하여, 결정된 대화 주제와 연관된 적어도 하나의 대화씬을 획득할 수 있다(S1330). 여기서 적어도 하나의 대화씬은 대화 주제와 관련된 복수의 질문 및 복수의 질문 각각에 대응하는 복수의 캐릭터 대화체의 답변을 포함할 수 있다.
프로세서는 사용자 발화, 캐릭터 대화 샘플, 대화 주제 및 적어도 하나의 대화씬을 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가할 수 있다(S1340). 여기서, 지시문은 챗봇의 캐릭터에 대한 설명을 포함하고, 캐릭터 대화 샘플은 질문 및 질문에 대응하는 캐릭터 대화체의 답변을 포함할 수 있다. 그 후, 프로세서는 프롬프트를 인코딩하고(S1350), 인코딩된 프롬프트를 언어 모델(예를 들어, 초대형 언어 모델)에 입력하여, 사용자 발화에 응답하는 챗봇 발화를 생성할 수 있다(S1360).
프로세서는 생성된 챗봇 발화를 캐릭터 페르소나 탐지기에 입력하여 챗봇의 캐릭터 대화체가 유지되는지 여부를 모니터링할 수 있다(S1370). 여기서, 캐릭터 대화체는 캐릭터 대화 샘플, 지시문, 대화씬 등에 기초하여 결정될 수 있다. 예를 들어, 캐릭터 페르소나 탐지기는 챗봇 발화와 챗봇의 캐릭터 대화체를 비교하여 챗봇 발화와 캐릭터 대화체 사이의 매칭 스코어를 생성하고, 매칭 스코어가 미리 정의된 임계값 이하인 경우, 캐릭터 대화체가 유지되지 않는 것으로 판정할 수 있다. 캐릭터 페르소나 탐지기가 상기 챗봇의 캐릭터 대화체가 유지되지 않는 것으로 판정하는 경우, 프로세서는 캐릭터 대화체 변환기를 이용하여 챗봇 발화를 챗봇의 캐릭터 대화체로 수정할 수 있다. 그 후, 프로세서는 수정된 챗봇 발화를 프롬프트에 추가할 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
110: 사용자 120: 사용자 단말
210: 사용자 단말 220: 네트워크
230: 정보 처리 시스템 240: 초대형 언어 모델

Claims (16)

  1. 적어도 하나의 프로세서에 의해 수행되는, 페르소나 챗봇 제어 방법에 있어서,
    사용자 발화를 수신하는 단계;
    상기 사용자 발화를 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가하는 단계;
    상기 프롬프트를 인코딩하는 단계; 및
    상기 인코딩된 프롬프트를 언어 모델에 입력하여, 상기 사용자 발화에 응답하는 챗봇 발화를 생성하는 단계
    를 포함하는, 페르소나 챗봇 제어 방법.
  2. 제1항에 있어서,
    상기 생성된 챗봇 발화를 캐릭터 페르소나 탐지기에 입력하여 상기 챗봇의 캐릭터 대화체가 유지되는지 여부를 모니터링하는 단계
    를 더 포함하는, 페르소나 챗봇 제어 방법.
  3. 제2항에 있어서,
    상기 프롬프트는 캐릭터 대화 샘플을 더 포함하고,
    상기 캐릭터 대화 샘플은 적어도 하나의 질문 및 상기 적어도 하나의 질문에 대응하는 적어도 하나의 캐릭터 대화체의 답변을 포함하고,
    상기 챗봇의 캐릭터 대화체는 상기 프롬프트에 포함된 상기 캐릭터 대화 샘플에 기초하여 결정되는, 페르소나 챗봇 제어 방법.
  4. 제2항에 있어서,
    상기 프롬프트는 캐릭터 대화 샘플을 더 포함하고,
    상기 캐릭터 대화 샘플은 적어도 하나의 질문 및 상기 적어도 하나의 질문에 대응하는 적어도 하나의 캐릭터 대화체의 답변을 포함하고,
    상기 챗봇의 캐릭터 대화체는 상기 프롬프트에 포함된 상기 지시문 및 상기 캐릭터 대화 샘플에 기초하여 결정되는, 페르소나 챗봇 제어 방법.
  5. 제3항에 있어서,
    상기 챗봇의 캐릭터 대화체가 유지되는지 여부를 모니터링하는 단계는,
    상기 생성된 챗봇 발화와 상기 캐릭터 대화체 사이의 매칭 스코어를 생성하는 단계; 및
    상기 매칭 스코어가 미리 정의된 임계값 이하인 경우, 상기 챗봇의 캐릭터 대화체가 유지되지 않는 것으로 판정하는 단계
    를 포함하는, 페르소나 챗봇 제어 방법.
  6. 제2항에 있어서,
    상기 캐릭터 페르소나 탐지기가 상기 챗봇의 캐릭터 대화체가 유지되지 않는 것으로 판정하는 것에 응답하여, 캐릭터 대화체 변환기를 이용하여 상기 챗봇 발화를 상기 챗봇의 캐릭터 대화체로 수정하는 단계
    를 더 포함하는, 페르소나 챗봇 제어 방법.
  7. 제6항에 있어서,
    상기 수정된 챗봇 발화를 상기 프롬프트에 추가하는 단계
    를 포함하는, 페르소나 챗봇 제어 방법.
  8. 제6항에 있어서,
    상기 캐릭터 대화체 변환기는,
    캐릭터 발화를 일반 발화로 변환하도록 구성된 제1 대화체 변환기에 제1 세트의 캐릭터 발화를 입력하여 제1 세트의 일반 발화를 생성하고,
    상기 제1 세트의 일반 발화 및 상기 제1 세트의 캐릭터 발화에 기초하여 일반 발화를 캐릭터 발화로 변환하도록 구성된 제2 대화체 변환기를 학습하고,
    제2 세트의 일반 발화를 상기 제2 대화체 변환기에 입력하여 제2 세트의 캐릭터 발화를 생성하고,
    상기 제2 세트의 캐릭터 발화 및 상기 제2 세트의 일반 발화에 기초하여 상기 제1 대화체 변환기를 학습하여 생성되는, 페르소나 챗봇 제어 방법.
  9. 제8항에 있어서,
    상기 제2 대화체 변환기의 학습 이전에, 상기 생성된 제1 세트의 일반 발화 내에 상기 캐릭터 대화체와 연관된 단어가 포함된 것으로 판정하는 것에 응답하여, 상기 캐릭터 대화체와 연관된 단어가 일반 대화체의 단어로 대체되는, 페르소나 챗봇 제어 방법.
  10. 제9항에 있어서,
    상기 캐릭터 대화체와 연관된 단어와 유사한 의미를 가지는 상기 일반 대화체의 단어는 제1 세트의 캐릭터 발화 및 제2 세트의 일반 발화에 기초하여 학습된 Word2Vec 모델을 이용하여 결정하는, 페르소나 챗봇 제어 방법.
  11. 제6항에 있어서,
    상기 캐릭터 대화체 변환기는,
    캐릭터 발화 세트를 상기 언어 모델에 입력하여, 일반 발화 세트를 생성하고,
    상기 일반 발화 세트와 상기 캐릭터 발화 세트에 기초하여 학습되어 일반 발화를 캐릭터 발화로 변환하도록 구성되는, 페르소나 챗봇 제어 방법.
  12. 제1항에 있어서,
    대화 주제 탐지기를 이용하여, 상기 사용자 발화와 연관된 대화 주제를 결정하는 단계;
    대화씬 검색 모델을 이용하여, 상기 결정된 대화 주제와 연관된 적어도 하나의 대화씬을 획득하는 단계 - 상기 적어도 하나의 대화씬은 상기 대화 주제와 관련된 복수의 질문 및 상기 복수의 질문 각각에 대응하는 복수의 캐릭터 대화체의 답변을 포함함 -; 및
    상기 대화 주제 및 상기 적어도 하나의 대화씬을 상기 프롬프트에 추가하는 단계;
    를 더 포함하는, 페르소나 챗봇 제어 방법.
  13. 제12항에 있어서,
    상기 프롬프트는 프롬프트 인코더를 이용하여 인코딩되고,
    상기 프롬프트 인코더는 지시문 인코더, 복수의 대화 주제와 연관된 복수의 대화씬 인코더 및 결합부(concatenator)를 포함하는, 페르소나 챗봇 제어 방법.
  14. 적어도 하나의 프로세서에 의해 수행되는, 페르소나 챗봇 제어 방법에 있어서,
    사용자 발화를 수신하는 단계;
    대화 주제 탐지기를 이용하여, 상기 사용자 발화와 연관된 대화 주제를 결정하는 단계;
    대화씬 검색 모델을 이용하여, 상기 결정된 대화 주제와 연관된 적어도 하나의 대화씬을 획득하는 단계 - 상기 적어도 하나의 대화씬은 상기 대화 주제와 관련된 복수의 질문 및 상기 복수의 질문 각각에 대응하는 복수의 캐릭터 대화체의 답변을 포함함 -; 및
    상기 사용자 발화, 상기 대화 주제 및 상기 적어도 하나의 대화씬을 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가하는 단계;
    상기 프롬프트를 인코딩하는 단계;
    상기 인코딩된 프롬프트를 언어 모델에 입력하여, 상기 사용자 발화에 응답하는 챗봇 발화를 생성하는 단계; 및
    상기 생성된 챗봇 발화를 캐릭터 페르소나 탐지기에 입력하여 상기 챗봇의 캐릭터 대화체가 유지되는지 여부를 모니터링하는 단계
    를 포함하는, 페르소나 챗봇 제어 방법.
  15. 제1항 내지 제14항 중 어느 한 항에 따른 페르소나 챗봇 제어 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  16. 페르소나 챗봇 제어 시스템으로서,
    통신 모듈;
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    사용자 발화를 수신하고,
    상기 사용자 발화를 챗봇의 캐릭터에 대한 설명과 연관된 지시문을 포함하는 프롬프트에 추가하고,
    상기 프롬프트를 인코딩하고,
    상기 인코딩된 프롬프트를 언어 모델에 입력하여, 상기 사용자 발화에 응답하는 챗봇 발화를 생성하기 위한 명령어들을 포함하는, 페르소나 챗봇 제어 시스템.
KR1020210099849A 2021-05-24 2021-07-29 페르소나 챗봇 제어 방법 및 시스템 KR20220158573A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021210522A JP7329585B2 (ja) 2021-05-24 2021-12-24 ペルソナチャットボット制御方法及びシステム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210066521 2021-05-24
KR20210066521 2021-05-24

Publications (1)

Publication Number Publication Date
KR20220158573A true KR20220158573A (ko) 2022-12-01

Family

ID=84440674

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210099849A KR20220158573A (ko) 2021-05-24 2021-07-29 페르소나 챗봇 제어 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20220158573A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739004A (zh) * 2023-08-14 2023-09-12 北京中关村科金技术有限公司 一种意图识别方法、装置、设备及可读存储介质
KR102593609B1 (ko) 2022-12-07 2023-10-25 (주)에이엘아이 페르소나가 반영된 응답을 출력하는 방법 및 챗봇 장치
CN117524192A (zh) * 2023-11-08 2024-02-06 北京中科深智科技有限公司 一种语音识别中说话人停顿处理的方法
KR102642981B1 (ko) * 2023-12-11 2024-03-05 주식회사 미니레코드 챗봇 서비스를 제공하는 방법 및 이를 위한 사용자 단말
KR102668872B1 (ko) * 2023-05-18 2024-05-23 주식회사 유나이티드어소시에이츠 초개인화 페르소나 생성 장치 및 방법
KR102702261B1 (ko) * 2023-05-18 2024-09-04 주식회사 유나이티드어소시에이츠 페르소나 검증 장치 및 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102593609B1 (ko) 2022-12-07 2023-10-25 (주)에이엘아이 페르소나가 반영된 응답을 출력하는 방법 및 챗봇 장치
KR102668872B1 (ko) * 2023-05-18 2024-05-23 주식회사 유나이티드어소시에이츠 초개인화 페르소나 생성 장치 및 방법
KR102702261B1 (ko) * 2023-05-18 2024-09-04 주식회사 유나이티드어소시에이츠 페르소나 검증 장치 및 방법
CN116739004A (zh) * 2023-08-14 2023-09-12 北京中关村科金技术有限公司 一种意图识别方法、装置、设备及可读存储介质
CN116739004B (zh) * 2023-08-14 2023-11-17 北京中关村科金技术有限公司 一种意图识别方法、装置、设备及可读存储介质
CN117524192A (zh) * 2023-11-08 2024-02-06 北京中科深智科技有限公司 一种语音识别中说话人停顿处理的方法
KR102642981B1 (ko) * 2023-12-11 2024-03-05 주식회사 미니레코드 챗봇 서비스를 제공하는 방법 및 이를 위한 사용자 단말

Similar Documents

Publication Publication Date Title
JP7329585B2 (ja) ペルソナチャットボット制御方法及びシステム
US11580964B2 (en) Electronic apparatus and control method thereof
KR20220158573A (ko) 페르소나 챗봇 제어 방법 및 시스템
CN110782870B (zh) 语音合成方法、装置、电子设备及存储介质
US10496364B2 (en) System and method for controlling colors of smart lights based on user intent using natural language processing
JP7524296B2 (ja) 作成者が提供したコンテンツに基づいて対話型ダイアログアプリケーションを調整すること
US11093813B2 (en) Answer to question neural networks
CN106469552B (zh) 语音识别设备和方法
US9805718B2 (en) Clarifying natural language input using targeted questions
JP2020170200A (ja) エンドツーエンドのテキスト音声変換
US8589163B2 (en) Adapting language models with a bit mask for a subset of related words
CN107134279A (zh) 一种语音唤醒方法、装置、终端和存储介质
KR20200056261A (ko) 전자 장치 및 이의 제어 방법
US9613141B2 (en) Real-time audio dictionary updating system
US11468892B2 (en) Electronic apparatus and method for controlling electronic apparatus
JP2020154076A (ja) 推論器、学習方法および学習プログラム
US20230316950A1 (en) Self- adapting and autonomous methods for analysis of textual and verbal communication
EP3550449A1 (en) Search method and electronic device using the method
US20230273944A1 (en) Natural language response generation to knowledge queries
KR20210028041A (ko) 전자 장치 및 그 제어 방법
WO2017159207A1 (ja) 処理実行装置、処理実行装置の制御方法、および制御プログラム
KR102663162B1 (ko) 음성 합성 방법 및 시스템
KR102714913B1 (ko) 초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템
KR102519725B1 (ko) 사용자의 인지 기능 상태를 식별하는 기법
US20240071368A1 (en) System and Method for Adapting Natural Language Understanding (NLU) Engines Optimized on Text to Audio Input

Legal Events

Date Code Title Description
E902 Notification of reason for refusal