KR20230065339A

KR20230065339A - 모델 데이터 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 매체

Info

Publication number: KR20230065339A
Application number: KR1020237012388A
Authority: KR
Inventors: 난 자오; 요우정 우
Original assignee: 베이징 워동 티안준 인포메이션 테크놀로지 컴퍼니 리미티드; 베이징 징동 센츄리 트레이딩 씨오., 엘티디.
Priority date: 2021-01-21
Filing date: 2021-12-21
Publication date: 2023-05-11
Also published as: US20230367972A1; JP2023542665A; CN113821652A; WO2022156468A1

Abstract

본 개시는 모델 데이터 처리 방법 및 장치를 개시하며, 인공지능 기술 분야에 관한것이다. 해당 방법의 일 구체적인 실시예는, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하는 단계; 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 단계; 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계; 및 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득하는 단계를 포함한다. 해당 실시예는 모델 입력 데이터의 정보량의 다양성을 향상시킨다.

Description

모델 데이터 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 매체

본 특허 출원은 2021년 1월 21일에 제출한 출원번호가 202110080903.5이고 발명의 명칭이 "모델 데이터 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 매체"인 중국 특허 출원의 우선권을 주장하는 바, 상기 출원의 모든 내용은 통합되어 본원에 원용된다.

본 개시는 컴퓨터 기술 분야에 관한 것으로, 구체적으로 인공지능 기술 분야에 관한 것이며, 특히 모델 데이터 처리 방법, 장치, 전자 기기, 컴퓨터 판독 가능 매체 및 컴퓨터 프로그램에 관한 것이다.

기존의 대화 시스템 데이터 세트는 대부분 단일모달 데이터 세트이며, 이에 따라 대화 생성 시스템의 연구는 데이터 세트의 국한성에 제한받고 있으므로 연구하는 모델이 모두 단일 모달리티에 관한 것이다. 그러나, 실제 응용 시나리오에 있어서, 대화 시스템 중 고객이 제출한 질문은 텍스트 정보+사진 정보와 같은 멀티모달 데이터를 포함하는 경우가 종종 있다. 이는 스마트폰의 보편화에 따라 고객들이 사진을 찍어 고객센터로 송신하는 것을 선호하기 때문이다. 천 마디의 말보다 한 번 보는 것이 더 낫다. 질문은 사진을 통해 보다 상세히 설명하게 된다. 그러나, 기존의 기술에 있어서, 멀티모달 데이트 세트와 사전 훈련된 단일모달 언어 모델을 결합한 적이 없다.

본 개시의 실시예는 모델 데이터 처리 방법, 장치, 전자 기기, 컴퓨터 판독 가능 매체 및 컴퓨터 프로그램을 제안한다.

제1 방면에 따르면, 본 개시의 실시예는 모델 데이터 처리 방법을 제공하며, 해당 방법은, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하는 단계; 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 단계; 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계; 및 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득하는 단계를 포함한다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함한다. 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 상기 단계는, 지식 그래프 데이터에 대응되는 삼중 텍스트 데이터를 수집하는 단계; 및 삼중 텍스트 데이터 및 처리하고자 하는 텍스트 데이터에 대해 각각 단어 세그멘트화 처리를 수행하고 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 특징 시퀀스를 취득하는 단계를 포함한다.

일부 실시예에 있어서, 상기 방법은, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하는 단계; 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하는 단계; 및 데이터 특징 벡터와 총 위치 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

일부 실시예에 있어서, 상기 방법은, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하는 단계; 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하는 단계; 및 데이터 특징 벡터와 총 분류 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 이미지 데이터를 더 포함한다. 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 상기 단계는, 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하는 단계; 및 취득된 특징 시퀀스에 이미지 특징을 더 오버레이하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 스티칭된 모든 단어 세그먼트화 결과에 대응되는 데이터 특징 벡터를 취득하는 단계; 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하는 단계; 및 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

일부 실시예에 있어서, 상기 방법은, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하는 단계; 및 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하는 단계; 및 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하는 단계를 더 포함한다. 취득되고 자기회귀 모델에 적합한 멀티모달 입력 데이터는 총 위치 벡터와 총 분류 벡터를 더 포함한다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함한다. 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 상기 단계는, 처리하고자 하는 텍스트 데이터에 대해 단어 세그멘트화 처리를 수행하고 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 세그멘트화된 단어 시퀀스를 취득하는 단계; 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하는 단계; 및 세그멘트화된 단어 시퀀스와 이미지 특징을 오버레이하여 특징 시퀀스를 취득하는 단계를 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 특징 시퀀스 중의 세그먼트화된 단어 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 세그먼트화된 단어 시퀀스의 데이터 특징 벡터를 취득하는 단계; 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하는 단계; 및 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

일부 실시예에 있어서, 상기 방법은, 세그먼트화된 단어 시퀀스 중 각 단어의 단어 위치 데이터를 확정하는 단계; 및 세그먼트화된 단어 시퀀스 중 각 단어에 대해 분류 처리를 수행하여 단어 분류 데이터를 취득하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 단어 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 위치 벡터를 취득하는 단계; 및 단어 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 분류 벡터를 취득하는 단계를 더 포함한다. 취득되고 자기회귀 모델에 적합한 멀티모달 입력 데이터는 단어 위치 벡터와 단어 분류 벡터를 더 포함한다.

제2 방면에 따르면, 본 개시의 실시예는 모델 데이터 처리 장치를 제공하며, 해당 장치는, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하도록 구성된 획득 유닛; 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하도록 구성된 추출 유닛; 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성된 취득 유닛; 및 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득하도록 구성된 처리 유닛을 포함한다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함한다. 상기 추출 유닛은, 지식 그래프 데이터에 대응되는 삼중 텍스트 데이터를 수집하도록 구성된 수집 모듈; 삼중 텍스트 데이터 및 처리하고자 하는 텍스트 데이터에 대해 각각 단어 세그멘트화 처리를 수행하도록 구성된 총 단어 세그멘트화 모듈; 및 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 특징 시퀀스를 취득하도록 구성된 총 스티칭 모듈을 포함한다.

일부 실시예에 있어서, 상기 장치는, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하도록 구성된 총 위치 확인 유닛을 더 포함한다. 상기 취득 유닛은, 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하도록 구성된 데이터 매핑 모듈; 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하도록 구성된 총 위치 매핑 모듈; 및 데이터 특징 벡터와 총 위치 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성된 데이터-위치 취득 모듈을 포함한다.

일부 실시예에 있어서, 상기 장치는, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하도록 구성된 총 분류 유닛을 더 포함한다. 상기 취득 유닛은, 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하도록 구성된 데이터 매핑 모듈; 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하도록 구성된 총 분류 매핑 모듈; 및 데이터 특징 벡터와 총 분류 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성된 데이터-분류 취득 모듈을 포함한다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 이미지 데이터를 더 포함한다. 상기 추출 유닛은 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하고, 취득된 특징 시퀀스에 이미지 특징을 더 오버레이하도록 더 구성된다. 상기 취득 유닛은, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 스티칭된 모든 단어 세그먼트화 결과에 대응되는 데이터 특징 벡터를 취득하도록 구성된 데이터 매핑 모듈; 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하도록 구성된 이미지 매핑 모듈; 및 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성된 데이터-이미지 취득 모듈을 포함한다.

일부 실시예에 있어서, 상기 장치는, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하도록 구성된 총 위치 확인 유닛; 및 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하도록 구성된 총 분류 유닛을 더 포함한다. 상기 취득 유닛은, 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하도록 구성된 총 위치 매핑 모듈; 및 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하도록 구성된 총 분류 매핑 모듈을 더 포함한다. 취득되고 자기회귀 모델에 적합한 멀티모달 입력 데이터는 총 위치 벡터와 총 분류 벡터를 더 포함한다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함한다. 상기 추출 유닛은, 처리하고자 하는 텍스트 데이터에 대해 단어 세그멘트화 처리를 수행하도록 구성된 단어 세그멘트화 모듈; 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 세그멘트화된 단어 시퀀스를 취득하도록 구성된 스티칭 모듈; 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하도록 구성된 추출 모듈; 및 세그멘트화된 단어 시퀀스와 이미지 특징을 오버레이하여 특징 시퀀스를 취득하도록 구성된 오버레이 모듈을 포함한다. 상기 취득 유닛은, 특징 시퀀스 중의 세그먼트화된 단어 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 세그먼트화된 단어 시퀀스의 데이터 특징 벡터를 취득하도록 구성된 세그먼트화된 단어 매핑 모듈; 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하도록 구성된 이미지 매핑 모듈; 및 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성된 단어-이미지 취득 모듈을 포함한다.

일부 실시예에 있어서, 상기 장치는, 세그먼트화된 단어 시퀀스 중 각 단어의 단어 위치 데이터를 확정하도록 구성된 단어 위치 확인 유닛; 및 세그먼트화된 단어 시퀀스 중 각 단어에 대해 분류 처리를 수행하여 단어 분류 데이터를 취득하도록 구성된 단어 분류 유닛을 더 포함한다. 상기 취득 유닛은, 단어 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 위치 벡터를 취득하도록 구성된 단어 위치 매핑 모듈; 및 단어 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 분류 벡터를 취득하도록 구성된 단어 분류 매핑 모듈을 더 포함한다. 취득되고 자기회귀 모델에 적합한 멀티모달 입력 데이터는 단어 위치 벡터와 단어 분류 벡터를 더 포함한다.

제3 방면에 따르면, 본 개시의 실시예는 전자 기기를 제공하며, 해당 전자 기기는, 하나 또는 다수의 프로세서; 및 하나 또는 다수의 프로그램이 저장되어 있는 저장 장치를 포함한다. 하나 또는 다수의 프로그램은 하나 또는 다수의 프로세서에 의해 실행될 경우, 하나 또는 다수의 프로세서가 제1 방면에서의 어느 한 구현 방식에 따른 방법을 구현하도록 한다.

제4 방면에 따르면, 본 개시의 실시예는 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독 가능 매체를 제공하며, 해당 컴퓨터 프로그램은 프로세서에 의해 실행될 경우, 제1 방면에서의 어느 한 구현 방식에 따른 방법을 구현한다.

제5 방면에 따르면, 본 개시의 실시예는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 제공하며, 해당 컴퓨터 프로그램은 프로세서에 의해 실행될 경우, 제1 방면에서의 어느 한 구현 방식에 따른 방법을 구현한다.

본 개시의 실시예에 의해 제공되는 모델 데이터 처리 방법 및 장치에 따라, 먼저, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하고, 다음, 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하고, 그 다음, 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하고, 마지막으로, 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득한다. 따라서, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 모달리티의 데이터를 처리하여 취득된 멀티모달 입력 데이터를 자기회귀 모델에 입력함으로써, 자기회귀 모델이 단일모드 데이터 처리 외에 멀티모달 데이터 처리를 수행할 수 있도록 하고 모델 전체가 출력한 단일모달 결과가 보다 정확하도록 할 수 있고, 따라서, 모델의 데이터 처리 능력을 향상시킨다.

이하 첨부된 도면들을 참조하여 진행한 비 한정적인 실시예에 대한 상세한 설명으로부터, 본 출원의 기타 특징, 목적 및 장점들은 더욱 명확해질 것이다.
도 1은 본 개시의 일 실시예가 응용될 수 있는 예시적 시스템 아키텍처의 도면이다.
도 2는 본 개시에 따른 모델 데이터 처리 방법의 일 실시예의 흐름도이다.
도 3은 본 개시에 따른 모델 데이터 처리 방법의 다른 일 실시예의 흐름도이다.
도 4는 본 개시의 일 실제 시나리오에서의 데이터 구조도이다.
도 5는 본 개시에 따른 모델 데이터 처리 장치의 실시예의 구조적 개략도이다.
도 6은 본 개시의 실시예를 실현하기에 적합한 전자 기기의 구조적 개략도이다.

이하, 첨부된 도면 및 실시예들을 결부하여 본 개시를 더 상세히 설명하기로 한다. 본 명세서에서 설명된 구체적인 실시예들은 오직 해당 발명을 설명하기 위한 것일 뿐, 해당 발명을 한정하기 위한 것이 아님을 이해할 수 있다. 또한, 설명의 편의를 위하여, 도면에는 오직 해당 발명에 관련된 부분만이 도시되어 있음을 설명하여야 한다.

본 개시의 실시예 및 실시예의 특징들은 서로 모순되지 않는 한 상호 조합할 수 있음을 설명하여야 한다. 이하, 첨부된 도면을 참조하고 실시예들을 결부하여 본 개시를 상세히 설명하기로 한다.

도 1은 본 개시의 모델 데이터 처리 방법이 응용될 수 있는 예시적 시스템 아키텍처(100)를 나타낸다.

도 1에 도시된 바와 같이, 시스템 아키텍처(100)는 단말 기기(101, 102, 103), 네트워크(104) 및 서버(105)를 포함할 수 있다. 네트워크(104)는 단말 기기(101, 102, 103)와 서버(105) 사이에 통신 링크를 제공하는 매체로 사용된다. 네트워크(104)는 여러 가지 연결 유형을 포함할 수 있고, 일반적으로 무선 통신 링크 등을 포함할 수 있다.

단말 기기(101, 102, 103)는 네트워크(104)를 통해 서버(105)와 인터랙션하여 메시지 등을 수신하거나 송신한다. 단말 기기(101, 102, 103)에는 인스턴트 메신저, 이메일 클라이언트 등과 같은 다양한 통신 클라이언트 애플리케이션이 설치될 수 있다.

단말 기기(101, 102, 103)는 하드웨어일 수도 있고 소프트웨어일 수도 있다. 단말 기기(101, 102, 103)는 하드웨어일 경우, 통신 및 제어 기능을 가지는 사용자 기기일 수고, 상기 사용자 기기는 서버(105)와 통신할 수 있도록 설정된다. 단말 기기(101, 102, 103)는 소프트웨어일 경우, 상기 사용자 기기에 설치될 수 있다. 단말 기기(101, 102, 103)는 다수의 소프트웨어 또는 소프트웨어 모듈(예를 들어, 분산 서비스를 제공하기 위한 소프트웨어 또는 소프트웨어 모듈)로 구현될 수도 있고, 단일 소프트웨어 또는 소프트웨어 모듈로 구현될 수도 있다. 여기서 이에 대해 구체적으로 한정하지 않는다.

서버(105)는 다양한 서비스를 제공하는 서버일 수 있고, 예를 들어, 단말 기기(101, 102, 103)의 고객 문답 시스템 중 처리하고자 하는 데이터 세트에 대한 모델 데이터 처리에 지원을 제공하는 백엔드 서버일 수 있다. 백엔드 서버는 네트워크 중 자기회귀 모델에 입력될 관련 정보에 대해 분석 처리를 수행하고, 처리 결과(예를 들어, 자기회귀 모델이 출력한 단일모달 결과)를 단말 기기에 피드백할 수 있다.

서버는 하드웨어일 수도 있고 소프트웨어일 수도 있음을 설명하여야 한다. 서버는 하드웨어일 경우, 다수의 서버로 구성되는 분산 서버 클러스터로 구현될 수도 있고, 단일 서버로 구현될 수도 있다. 서버는 소프트웨어일 경우, 다수의 소프트웨어 또는 소프트웨어 모듈(예를 들어, 분산 서비스를 제공하기 위한 소프트웨어 또는 소프트웨어 모듈)로 구현될 수도 있고, 단일 소프트웨어 또는 소프트웨어 모듈로 구현될 수도 있다. 여기서 이에 대해 구체적으로 한정하지 않는다.

본 개시의 실시예에 의해 제공되는 모델 데이터 처리 방법은 일반적으로 서버(105)에 의해 수행되는 것을 설명하여야 한다.

도 1에서의 단말 기기, 네트워크 및 서버의 수량은 단지 예시적인 것일 뿐이라는 것을 이해하여야 한다. 구현 수요에 따라, 임의 수량의 단말 기기, 네트워크 및 서버를 구비할 수 있다.

도 2에 도시된 바와 같이, 도 2는 본 개시에 따른 모델 데이터 처리 방법의 일 실시예의 흐름(200)을 도시한다. 해당 모델 데이터 처리 방법은 하기 단계를 포함한다.

단계(201)에서, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득한다.

본 실시예에 있어서, 처리하고자 하는 데이터 세트는 다수의 다른 모달리티의 데이터를 포함하며, 다수의 다른 모달리티의 데이터는 다수의 다른 소스를 갖는 단일모달 데이터 또는 다른 표현 형식의 단일모달 데이터일 수 있다. 실천에 있어서, 다수의 다른 소스를 갖는 단일모달 데이터는, 다른 센서가 수집한 동일한 사물에 대한 설명 데이터, 예를 들어, 비디오 검색 시 수집된 동일한 시각의 동일한 동물의 오디오 데이터와 이미지 데이터를 가리킨다. 여기서, 오디오 데이터와 이미지 데이터는 두 가지 다른 단일모달 데이터이다. 다른 표현 형식의 단일모달 데이터는 데이터를 통해 데이터의 표현 내용을 알 수 있는 과정에서, 예를 들어, 태스크 유형의 대화 교류 과정에서, 사용자가 대화 로봇에 송신하는 이미지 데이터, 텍스트 데이터 등을 가리킨다.

본 실시예에 있어서, 처리하고자 하는 데이터 세트는 자기회귀 모델의 구축 또는 훈련을 위해 미리 설정된 데이터 세트를 포함할 수 있다. 처리하고자 하는 데이터 세트는 자기회귀 모델의 훈련이 완료된 후에 자기회귀 모델이 처리하여야 할 모든 단일모달 데이터의 집합을 더 포함할 수 있다.

자기회귀 모델은 통계상으로 시간 시퀀스를 처리하는 방법으로서, 동일한 변수의 이전의 각 시기의 표현 상황을 이용하여 이번에 변수의 표현 상황을 예측하고 이들이 선형 관계라고 가정한다. 예를 들어, 자기회귀 언어 모델은 윗글의 내용에 따라 다음에 따라올 수 있는 단어를 예측하고, 또는 그 대신에 뒷글의 내용에 따라 앞의 단어를 예측한다.

실제 응용 시나리오에 있어서, 태스크 유형의 대화 교류 과정에서, 질문에 효과적으로 답변하기 위해 일부 지식 라이브러리의 도움이 필요하는 경우가 종종 있다. 예를 들어, 어느 쇼핑몰의 온라인 고객 서비스 시스템에 있어서, 고객은 자주 상품의 어떤 속성에 대한 문의를 필요로 한다. 지식 그래프 정보의 구동에 의해 생성된 대화는, 내용이 보다 정확하고, 포함된 정보의 양이 보다 충분하고, 따라서 실제 응용 시나리오에서 고객들의 욕구를 만족시킬 수 있다. 상기 시나리오에 대해, 적어도 두 가지 다른 모달리티의 데이터는, 처리하고자 하는 텍스트 데이터, 이미지 데이터 및 지식 그래프 데이터 중 임의의 둘 이상의 데이터를 포함할 수 있다.

본 실시예에 있어서, 모델 데이터 처리 방법의 수행 주체(예를 들어, 도 1에 도시된 서버(105))는 다양한 수단으로 처리하고자 하는 데이터 세트를 획득하고, 예를 들어, 사용자 단말기(예를 들어, 도 1에 도시된 단말 기기(101, 102, 103))에서 처리하고자 하는 데이터 세트를 실시간으로 수집하고, 처리하고자 하는 데이터 세트에서 적어도 두 가지 다른 모달리티의 데이터를 추출할 수 있다. 또는, 로컬 메모리에서 처리하고자 하는 데이터 세트를 획득하고, 처리하고자 하는 데이터 세트에서 적어도 두 가지 다른 모달리티의 데이터를 추출한다.

단계(202)에서, 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득한다.

본 실시예에 있어서, 취득된 적어도 두 가지 다른 모달리티의 데이터는 각각의 표준을 가지고 있다. 데이터 변환 후 일치한 형식을 가질 수 있는 각 단일모달 데이터에 대해, 특징 추출 후 추출된 특징을 스티칭하여 스티칭된 시퀀스를 취득할 수 있다. 예를 들어, 지식 라이브러리 중의 지식 그래프 데이터에 대해, 지식 그래프 데이터는 헤더 엔티티, 관계 엔티티 및 꼬리 엔티티의 삼원조 형식으로 존재하고, 데이터 처리 과정에서 대화에 관여되는 삼원조 중 헤더 엔티티, 관계 엔티티 및 꼬리 엔티티에 대응되는 텍스트 내용을 추출하여 삼중 텍스트 데이터를 취득할 수 있으며, 삼중 텍스트 데이터는 텍스트 데이터와 일치한 형식을 가진다. 따라서, 추출된 처리하고자 하는 텍스트 데이터와 삼중 텍스트 데이터에 대해 스티칭을 수행할 수 있다.

상응적으로, 데이터 변환 후 일치한 데이터 형식을 가지지 못하는 각 단일모달 데이터에 대해, 특징 추출 후 추출된 특징을 오버레이할 수 있다. 본 실시예에서의 오버레이는 단지 하나의 정보 오버레이 방법인데, 둘은 여전히 다른 특징 벡터 공간내에 독립적으로 존재한다. 예를 들어, 이미지 데이터와 처리하고자 하는 텍스트 데이터는 일치한 형식으로 변환되지 못한다. 그러나, 그 둘이 동일한 사물을 나타내므로, 이미지 데이터 형식을 통해 텍스트 데이터 중 동일한 사물에 대한 설명을 보다 생동적으로 풍부하게 할 수 있다.

본 실시예의 일부 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함한다. 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 상기 단계는, 지식 그래프 데이터에 대응되는 삼중 텍스트 데이터를 수집하는 단계; 및 삼중 텍스트 데이터 및 처리하고자 하는 텍스트 데이터에 대해 각각 단어 세그멘트화 처리를 수행하고 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 특징 시퀀스를 취득하는 단계를 포함한다.

구체적으로, 도 4에 도시된 실시예에서 삼중 텍스트 데이터 및 처리하고자 하는 텍스트 데이터에 대한 단어 세그멘트화 처리의 과정을 상세히 설명한다.

본 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함하는 경우, 이 둘에서 추출된 특징을 스티칭함으로써, 데이터 정보를 효과적으로 풍부하게 할 수 있다.

선택적으로, 상기 선택 가능한 구현방식에 대해, 적어도 두 가지 다른 모달리티의 데이터는 이미지 데이터를 더 포함할 수 있다. 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 상기 단계는, 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하고 취득된 특징 시퀀스에 이미지 특징을 더 오버레이하는 단계를 포함하다.

본 선택 가능한 구현방식에 있어서, 모든 단어 세그멘트화 결과에 대해 스티칭을 수행한 후 이미지 특징을 오버레이하여 특징 시퀀스를 취득함으로써, 지식 그래프 및 텍스트 이외의 형식으로 데이터 정보를 풍부하게 할 수 있다.

본 실시예의 일부 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함한다. 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 상기 단계는,

처리하고자 하는 텍스트 데이터에 대해 단어 세그멘트화 처리를 수행하고 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 세그멘트화된 단어 시퀀스를 취득하는 단계; 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하는 단계; 및 세그멘트화된 단어 시퀀스와 이미지 특징을 오버레이하여 특징 시퀀스를 취득하는 단계를 포함하다.

본 실시예에 있어서, 세그멘트화된 단어 시퀀스와 이미지 특징은 두 다른 차원 공간 중의 다른 데이터이므로, 상기 둘의 오버레이는 단순히 일 오버레이 방식이다. 해당 오버레이 방식을 통해, 해당 특징 시퀀스를 취득한 후 세그멘트화된 단어 시퀀스와 이미지 특징을 빠르게 분리할 수 있다.

본 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함하는 경우, 이 둘에서 추출된 특징을 오버레이함으로써, 데이터 정보를 효과적으로 풍부하게 할 수 있다.

단계(203)에서, 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득한다.

본 실시예에 있어서, 특징 시퀀스를 자기회귀 모델이 수신받은 데이터로 변환하도록(즉, 변환된 데이터의 차원이 자기회귀 모델의 입력층의 차원과 동일하도록) 특징 시퀀스에 대해 모델 매핑 처리를 수행함으로써, 변환된 데이터는 자기회귀 모델에 입력될 수 있고 자기회귀 모델의 훈련 과정 중 파라미터의 변화에 따라 조정될 수 있다.

본 실시예에 있어서, 취득된 특징 시퀀스의 내용은 적어도 두 가지 다른 모달리티의 데이터의 내용에 따라 달라지고, 따라서, 멀티모달 입력 데이터의 내용도 달라진다.

본 실시예의 일부 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함하는 경우, 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는,

특징 시퀀스 중의 세그먼트화된 단어 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 세그먼트화된 단어 시퀀스의 데이터 특징 벡터를 취득하는 단계; 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하는 단계; 및 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

본 실시예에 있어서, 다른 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하는 것은 자기회귀 모델의 입력층이 변환 후의 다른 벡터를 수신할 수 있도록 다른 데이터를 자기회귀 모델의 입력층과 동일한 차원의 벡터로 변환하는 것을 의미한다. 물론, 다른 형식의 데이터를 자기회귀 모델의 입력층과 동일한 차원의 벡터로 변환하는 수단은 달라질 수 있다.

본 선택 가능한 구현방식에 있어서는, 적어도 두 가지 다른 모달리티의 데이터가 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함하는 경우, 처리하고자 하는 텍스트 데이터 및 이미지 데이터에 대해 벡터 매핑을 각각 수행함으로써 멀티모달 입력 데이터의 내용을 풍부하게 한다.

선택적으로, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함하는 경우, 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는,

특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하되, 해당 데이터 특징 벡터는 취득되고 자기회귀 모델에 적합한 멀티모달 입력 데이터인 단계를 포함한다. 본 선택 가능한 구현방식에 있어서, 상기 특징 시퀀스는 모든 단어 세그멘트화 결과를 스티칭하여 획득된 것임을 설명하여야 한다.

본 실시예의 일부 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터, 지식 그래프 데이터 및 이미지 데이터를 포함하는 경우, 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는,

특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 스티칭된 모든 단어 세그먼트화 결과에 대응되는 데이터 특징 벡터를 취득하는 단계; 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하는 단계; 및 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

본 선택 가능한 구현방식에 있어서는, 적어도 두 가지 다른 모달리티의 데이터가 처리하고자 하는 텍스트 데이터, 지식 그래프 데이터 및 이미지 데이터를 포함하는 경우, 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터에 대해 단어 세그멘트화 처리를 수행하여 다수의 단어 세그멘트화 결과를 취득하고, 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 스티칭된 단어 세그멘트화 결과를 취득하고, 스티칭된 단어 세그멘트화 결과 및 이미지 특징에 대해 각각 벡터 매핑을 수행함으로써, 다양한 모달리티의 데이터를 통해 멀티모달 입력 데이터의 내용을 풍부하게 한다.

나아가, 특징 시퀀스 중의 각 특징은 위치 및 유형 특징을 가지고, 따라서, 상기 취득된 특징 시퀀스에 대해 위치 주석 및 유형 주석을 수행할 수 있다.

본 실시예의 일부 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함하는 경우, 상기 방법은, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하는 단계를 더 포함한다.

특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하는 단계; 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하는 단계; 및 데이터 특징 벡터와 총 위치 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

본 선택 가능한 구현방식에 있어서, 스티칭된 모든 단어 세그먼트화 결과 중 각 단어 세그먼트화 결과의 위치 순서를 기반으로 각 단어 세그먼트화 결과에 위치 데이터(예를 들어, 코드)를 할당할 수 있다. 총 위치 데이터는 모든 단어 세그먼트화 결과 중 각 단어 세그먼트화 결과의 위치 데이터를 포함하는 집합이다. 위치 데이터를 통해 스티칭된 모든 단어 세그먼트화 결과 중 각 단어 세그먼트화 결과의 순서치 또는 각 단어 세그먼트화 결과가 나타내는 정보를 편리하고 빠르게 확정할 수 있다.

본 선택 가능한 구현방식에 있어서, 단어 세그먼트화 결과의 총 위치 데이터를 확정하여 특징 시퀀스 중 각 단어 세그먼트화 결과에 대해 위치 확인을 효과적으로 수행할 수 있음으로써, 멀티모달 입력 데이터의 위치 특징을 풍부하게 한다.

본 실시예의 일부 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함하는 경우, 상기 방법은, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하는 단계; 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하는 단계; 및 데이터 특징 벡터와 총 분류 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

본 선택 가능한 구현방식에 있어서, 스티칭된 모든 단어 세그먼트화 결과 중 각 단어 세그먼트화 결과의 유형을 기반으로 각 단어 세그먼트화 결과에 분류 데이터(예를 들어, 코드)를 할당할 수 있다. 총 분류 데이터는 모든 단어 세그먼트화 결과 중 각 단어 세그먼트화 결과의 분류 데이터를 포함하는 집합이다. 분류 데이터를 통해 스티칭된 모든 단어 세그먼트화 결과 중 각 단어 세그먼트화 결과의 유형을 편리하고 빠르게 확정할 수 있다.

본 선택 가능한 구현방식에 있어서, 단어 세그먼트화 결과의 총 분류 데이터를 확정하여 특징 시퀀스 중 각 단어 세그먼트화 결과가 속하는 유형을 효과적으로 확정할 수 있음으로써, 멀티모달 입력 데이터의 유형 특징을 풍부하게 한다.

선택적으로, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함하는 경우, 상기 방법은, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하는 단계; 및 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 상기 단계는, 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하는 단계; 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하는 단계; 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하는 단계; 및 데이터 특징 벡터, 총 위치 벡터와 총 분류 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 더 포함한다.

본 실시예의 일부 선택 가능한 구현방식에 있어서, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함하는 경우, 상기 방법은, 세그먼트화된 단어 시퀀스 중 각 단어의 단어 위치 데이터를 확정하는 단계; 및 세그먼트화된 단어 시퀀스 중 각 단어에 대해 분류 처리를 수행하여 단어 분류 데이터를 취득하는 단계를 더 포함한다. 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계는,

특징 시퀀스 중의 세그먼트화된 단어 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 세그먼트화된 단어 시퀀스의 데이터 특징 벡터를 취득하는 단계; 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하는 단계; 단어 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 위치 벡터를 취득하는 단계; 단어 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 분류 벡터를 취득하는 단계; 및 데이터 특징 벡터, 단어 위치 벡터, 단어 분류 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계를 포함한다.

본 선택 가능한 구현방식에 있어서, 본 선택 가능한 구현방식에 있어서, 세그먼트화된 단어 시퀀스 중 각 단어의 단어 위치 데이터 및 분류 데이터를 확정하여, 세그먼트화된 단어 시퀀스 중 각 단어가 속하는 유형 및 각 단어의 위치를 효과적으로 확정할 수 있음으로써, 멀티모달 입력 데이터의 위치 특징 및 유형 특징을 풍부하게 한다.

단계(204)에서, 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득한다.

본 실시예에 있어서, 자기회귀 모델은 출력 데이터가 단일모달 데이터인 자기회귀 모델일 수 있으며, 예를 들어, UniLM (Unified Language Model Pre-training for Natural Language Understanding and Generation, 자연어 이해 및 생성 모델), GPT (Generative Pre-Training, 생성적 사전학습 모델) 등일 수 있다. 자기회귀 모델은 새롭게 구축된 모델(예를 들어, 입력측은 멀티모달 데이터이고, 출력측은 단일모달 데이터임)일 수 있다.

선택적으로, 자기회귀 모델은 사전 훈련이 완료된 자기회귀 모델일 수도 있고, 해당 자기회귀 모델의 입력 및 출력은 모두 단일 모달리티의 데이터이다. 예를 들어, 자기회귀 모델은 언어 모델이고, 그의 입력 및 출력은 모두 텍스트 데이터이다. 해당 언어 모델에 대해, 그에 적용되는 처리하고자 하는 데이터 세트는 대화 기록일 수도 있고, 글의 문장이나 단락 등 데이터일 수도 있다.

상기 멀티모달 입력 데이터를 자기회귀 모델에 입력한 후, 해당 자기회귀 모델에 대한 모델 훈련을 통해 훈련이 완료된 자기회귀 모델을 취득한다.

문답형 자기회귀 모델에 대해, 훈련이 완료된 자기회귀 모델에 사용자의 질문(사진, 지식 라이브러리 등의 멀티모달 데이터를 가지고 있음)을 입력하여 사용자의 질문에 대한 답변을 취득할 수 있다.

일 실제 응용 시나리오에 있어서, 자기회귀 모델은 Transformer 자기회귀 모델 구조를 채택할 수 있으며, 예를 들어, 자기회귀 모델은 UniLM 또는 DialoGPT 모델이다. 본 개시의 방법을 통해, 자기회귀 모델은 재래적 텍스트 데이터 외에, 사진, 지식 그래프, 텍스트 등의 정보를 포함하는 멀티모달 데이터를 처리할 수 있고, 따라서, 자기회귀 모델 전체는 다수의 모달리티를 가지는 처리하고자 하는 데이터 세트에 대한 비교적 우수한 처리 효과를 가질 수 있다.

본 개시의 실시예에 의해 제공되는 모델 데이터 처리 방법에 따라, 먼저, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하고, 다음, 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하고, 그 다음, 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하고, 마지막으로, 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득한다. 따라서, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 모달리티의 데이터를 처리하여 취득된 멀티모달 입력 데이터를 자기회귀 모델에 입력함으로써, 자기회귀 모델이 단일모달 데이터 처리 외에 멀티모달 데이터 처리를 수행할 수 있도록 하고 모델 전체가 출력한 단일모달 결과가 보다 정확하도록 할 수 있고, 따라서, 모델의 데이터 처리 능력을 향상시킨다.

본 개시의 다른 일 실시예에 있어서, 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터, 지식 그래프 데이터 및 이미지 데이터를 포함한다. 도 3에 도시된 바와 같이, 도 3은 본 개시에 따른 모델 데이터 처리 방법의 다른 일 실시예의 흐름(300)을 도시한다. 해당 모델 데이터 처리 방법은 하기 단계를 포함한다.

단계(301)에서, 처리하고자 하는 데이터 세트 중의 처리하고자 하는 텍스트 데이터, 지식 그래프 데이터 및 이미지 데이터를 획득한다.

도 4에 도시된 바와 같이, 처리하고자 하는 데이터 세트는 하나의 대화 시스템(예를 들어, 어떤 쇼핑몰의 고객 서비스 시스템)에서 절취되고 처리하여 취득된 대화 데이터일 수 있고, 해당 대화 데이터는 텍스트 데이터 및 이미지 데이터를 포함한다. 그리고, 사전 구축된 지식 그래프에서 대화 내용 중의 지식 그래프 데이터가 취득될 수 있다. 처리하고자 하는 텍스트 데이터에 대응되는 텍스트는 적어도 하나의 문장으로 구성되고 각 문장은 부호를 통해 분할될 수 있음을 설명하여야 한다.

도 4에서, 처리하고자 하는 텍스트 데이터에 대응되는 처리하고자 하는 텍스트는 "보드화가 있나요?"라는 하나의 질문 및 "이 보드화인가요?"라는 하나의 응답을 포함한다. 여기서, 질문 중의 보드화가 사용자가 임의로 송신한 하나의 사진이고, 응답 중의 보드화가 수행 주체가 송신한 다른 하나의 사진이다.

단계(302)에서, 지식 그래프 데이터에 대응되는 삼중 텍스트 데이터를 수집한다.

본 실시예에 있어서, 지식 그래프 데이터는 헤더 엔티티, 관계 엔티티 및 꼬리 엔티티의 삼원조 형식으로 저장된다. 지식 그래프 데이터를 추출한 후, 지식 그래프 데이터 중의 헤더 엔티티, 관계 엔티티 및 꼬리 엔티티를 용이하게 취득할 수 있게 된다.

도 4에 있어서, 지식 그래프를 검색하여 취득된 지식 그래프 데이터는 보드화-재질-캔버스, 보드화-닫힘-끈, 및 보드화-갑피-로우를 포함한다. 삼중 텍스트 데이터에 대응되는 삼중 텍스트는 각각 보드화, 재질 및 캔버스; 보드화, 닫힘 및 끈; 및 보드화, 갑피 및 로우이다.

단계(303)에서, 삼중 텍스트 데이터 및 처리하고자 하는 텍스트 데이터에 대해 각각 단어 세그멘트화 처리를 수행한다.

본 실시예에 있어서, 재래적 단어 세그멘트화 툴을 통해, 처리하고자 하는 텍스트 데이터에 대응되는 처리하고자 하는 텍스트 및 삼중 텍스트 데이터에 대응되는 삼중 텍스트에 대해 각각 단어 세그멘트화를 수행할 수 있다.

구체적으로, 삼중 텍스트에 대해 단어 세그멘트화를 수행하면 다음과 같은 세그멘트화된 지식 표현을 취득할 수 있고, 예를 들어, S11, S12, …, S1n, P11, P12, …, P1n, O11, O12, …, O1n, S21, S22, …, S2n, P21, P22, …, P2n, O21, O22, …, O2n, …, Sn1, Sn2, …, Snm, Pn1, Pn2, …, Pnm, On1, On2, …, Onm을 취득할 수 있다. 여기서, Snm은 제n(n>0, m>0) 삼원조 중의 헤더 엔티티를 세그멘트화하여 생성된 제m 마크를 나타내고, Pnm은 제n 삼원조 중의 관계 엔티티를 세그멘트화하여 생성된 제m 마크를 나타내고, Onm은 제n 삼원조 중의 꼬리 엔티티를 세그멘트화하여 생성된 제m 마크를 나타낸다.

구체적으로, 본 실시예에 있어서, 처리하고자 하는 텍스트 데이터에 대응되는 문맥 텍스트 중의 각 문장에 대해 단어 세그멘트화를 수행하여 Wn1, Wn2, Wn3, …, Wnm을 취득한다. 여기서, Wnm은 제n(n>0, m>0) 문장에 대한 단어 세그멘트화 후의 제m 마크를 나타낸다. 실제 단어 세그멘트화에 있어서, 특별한 의미의 문자 부호(예를 들어, URL(Uniform Resource Location, 통합 자원　위치 지정) 링크, 이모티콘 텍스트 표현 등과 같은 특별한 의미의 텍스트)를 특별한 마크로 대체할 수 있고, 따라서, 문장의 의미를 최대한 유지할 수 있다.

단계(304)에서, 모든 단어 세그먼트화 결과에 대해 스티칭을 수행하여 스티칭된 모든 단어 세그먼트화 결과를 취득한다.

도 4에 도시된 바와 같이, 특수 부호 [CLS]를 문장의 시작으로 하여, 상기 지식 그래프 데이터의 마크(지식 마크로 약칭함)와 처리하고자 하는 텍스트의 각 문장의 단어 세그먼트화 마크를 순차적으로 스티칭한다. 여기서, 지식 그래프 데이터와 처리하고자 하는 텍스트 사이 및 문장과 문장 사이에는, 다른 내용의 마크의 간격을 나타내도록 특수 부호 [SEP]가 첨가될 필요가 있다.

단계(305)에서, 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득한다.

본 실시예에 있어서, 처리하고자 하는 데이터 세트에 나타나는 사진에 대해, 사전 훈련이 완료된 특징 수집 모델(예를 들어, ResNet50)을 이용하여 사진에 대해 특징 추출을 수행할 수 있다.

단계(306)에서, 스티칭된 모든 단어 세그먼트화 결과와 이미지 특징을 오버레이하여 특징 시퀀스를 취득한다.

본 실시예에 있어서, 스티칭된 모든 단어 세그먼트화 결과와 이미지 특징을 오버레이하는 것은 전체가 통일된 특징 시퀀스를 취득하여 특징 시퀀스 전체에 대해 후속 처리를 수행하는 것에 목적이 있다.

단계(307)에서, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정한다.

본 실시예에 있어서, 총 위치 데이터를 확정하는 것은 특징 시퀀스 중 각 단어 세그먼트화 결과에 대해 위치 코드 할당을 수행하는 것을 의미한다. 도 4에 도시된 바와 같이, 문장 시작으로 하는 [CLS]의 위치 데이터가 0이고, 모든 지식 마크의 위치 데이터가 0이다. 나머지 비지식 마크는 순서에 따라 2부터 순차적으로 증가되고, 도 4에 도시된 바와 같이, 취득된 총 위치 데이터는 각각 0, 1, 1, 1, 1, 1, 11, 1, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12.

단계(308)에서, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득한다.

본 실시예에 있어서, 스티칭 마크에서의 다른 그룹을 구별하기 위하여, 도 4에 도시된 바와 같이, 특히 여러 분류를 사용하여 다른 마크의 유별을 나타낸다. [CLS] 유별은 해당 마크가 문장의 시작 마크임을 나타내고, [SEP] 유별은 해당 마크가 지식과 문장 사이 또는 문장과 문장 사이에 사용되는 간격임을 나타내고, [SUB] 유별은 해당 마크가 지식 삼원조 중의 헤더 엔티티에 속하는 것임을 나타내고, [PRE] 유별은 해당 마크가 지식 삼원조 중의 관계 엔티티에 속하는 것임을 나타내고, [OBJ] 유별은 해당 마크가 지식 삼원조 중의 꼬리 엔티티에 속하는 것임을 나타낸다. [SP1] 유별은 해당 마크가 대화 중 캐릭터 1의 대화 내용에 속하는 것임을 나타내고, [SP2] 유별은 해당 마크가 대화 중 캐릭터 2의 대화 내용에 속하는 것임을 나타낸다.

단계(309)에서, 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 스티칭된 모든 단어 세그먼트화 결과에 대응되는 데이터 특징 벡터를 취득한다.

본 실시예에서의 벡터 매핑은 하나의 특징 데이터를 자기회귀 모델에 적합한 특징 벡터에 매핑하고 융합하는 것을 의미한다.

본 실시예에 있어서, 단계(303)에서 생성된 지식 마크(Snm, Pnm, Onm)와 텍스트 마크(Wnm), 및 단계(304)에서 생성된 [CLS]와 [SEP]는 의미상 서로 일치하므로, 이들에 대해 동일한 단어 테이블과 그에 대응되는 벡터 매핑을 이용하여 데이터 특징 벡터를 취득한다. 그리고, 취득된 데이터 특징 벡터의 차원은 자기회귀 모델의 입력층의 차원과 동일하다.

실천에 있어서, tf.nn.embedding_lookup(params, ids) 함수를 통해 데이터 특징 벡터를 취득할 수 있다. 해당 함수는 주로 텐서에서의 인덱스에 대응되는 요소를 선택하기 위한 것이다. 여기서, params는 텐서 또는 어레이 등일 수 있고, ids는 대응되는 인덱스 값이자 자기회귀 모델에 대응되는 벡터이다.

단계(310)에서, 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득한다.

본 실시예에 있어서, 특징 시퀀스 중의 이미지 특징에 대해, 하나의 선형회귀 모델(Linear)을 통해 이미지 특징을 처리하여 이미지 특징을 지정된 차원으로 매핑할 수 있고, 해당 지정된 차원은 자기회귀 모델의 입력층의 차원과 동일하다.

자기회귀 모델은 문답 모델과 같은 언어 모델일 수 있으며, 자기회귀 모델의 입력층의 차원은 그 중의 embedding(임베딩 층)의 차원에 의해 결정되고, embedding의 차원은 하이퍼파라미터에 속하며, 예를 들어, 300 또는 512 차원일 수 있음을 설명하여야 한다.

단계(311)에서, 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득한다.

본 실시예에 있어서, 총 위치 벡터는 재래적 Transformer 삼각함수를 이용한 위치 코딩 방법을 통해 취득될 수 있고, 따라서, 대응되는 총 위치 데이터를 지정된 차원의 연속 공간에 매핑한다.

단계(312)에서, 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득한다.

본 실시예에 있어서, 단계(308)에서 취득된 7 가지 다른 유별 마크에 대해, 하나의 단어 테이블과 그에 대응되는 벡터를 이용하여 매핑을 수행하여, 7 가지 다른 유별 마크를 지정된 차원의 연속 공간에 매핑한다.

단계(313), 데이터 특징 벡터, 이미지 특징 벡터, 총 위치 벡터와 총 분류 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득한다.

본 실시예에 있어서, 위의 처리에서 볼 수 있듯이, 데이터 특징 벡터, 이미지 특징 벡터, 총 위치 벡터 및 총 분류 벡터는 모두 지정된 차원으로 매핑되므로, 이러한 4개의 벡터를 합산하면 자기회귀 모델의 입력 데이터를 취득할 수 있다.

단계(314)에서, 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득한다.

본 실시예에 있어서, 자기회귀 모델은 Transformer(코더 및 디코더로 구성된 모델 구조)를 기반한 자기회귀 언어 모델일 수 있다. 도 4에 도시된 바와 같이, 대화 문맥 텍스트, 사진, 지식 정보에 대해 데이터 처리를 수행하여 멀티모달 입력 데이터를 취득하고 자기회귀 언어 모델에 입력한다. 훈련된 모델은 사용자의 질문에 대한 응답을 생성할 때 멀티모달 정보와 지식 정보를 이용할 수 있다. 이렇게 생성된 응답은 더욱 매끄럽고 정확하게 된다.

본 실시예에 있어서, 지식 그래프 데이터, 이미지 데이터 및 텍스트 데이터의 정보를 효과적으로 융합함으로써 대화 문맥 정보를 충분히 표현하고, 자기회귀 구조를 기반한 모델을 통해 종단간 훈련을 수행함으로써 매끄럽고 정보량이 풍부한 대화 응답을 생성한다.

본 실시예에 의해 제공되는 모델 데이터 처리 방법에 따라, 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터, 지식 그래프 데이터 및 이미지 데이터를 포함하는 경우, 처리하고자 하는 텍스트 데이터와 지식 그래프 데이터로 형성된 스티칭된 모든 단어 세그먼트화 결과에 이미지 데이터에 대한 특징 추출 후의 이미지 특징을 오버레이하여 특징 시퀀스르 취득한다. 스티칭된 모든 단어 세그먼트화 결과 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하고, 스티칭된 모든 단어 세그먼트화 결과 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득한다. 총 위치 데이터, 총 분류 데이터 및 스티칭된 모든 단어 세그먼트화 결과에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 데이터 특징 벡터, 이미지 특징 벡터, 총 위치 벡터 및 총 분류 벡터를 각각 취득한다. 이미지 데이터에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하고, 데이터 특징 벡터, 이미지 특징 벡터, 총 위치 벡터와 총 분류 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득한다. 이리하여, 지식 그래프, 텍스트, 이미지 등 다른 모달리티의 데이터를 오버레이할 수 있고, 다른 모달리티의 지식 데이터에 대해 효과적으로 위치 확인 및 분류를 수행할 수 있음으로써, 취득된 멀티모달 입력 데이터의 정확성을 향상시키고, 따라서, 자기회귀 모델이 출력한 단일모달 결과를 보다 매끄럽고 정확하게 한다.

계속하여 도 5를 참조하면, 상술한 각 도면에 도시된 방법에 대한 구현으로, 본 개시는 모델 데이터 처리 장치의 일 실시예를 제공한다. 해당 장치의 실시예는 도 2에 도시된 방법의 실시예와 서로 대응되고, 해당 장치는 구체적으로 여러 가지 전자 기기에 응용될 수 있다.

도 5에 도시된 바와 같이, 본 개시의 실시예는 모델 데이터 처리 장치(500)를 제공한다. 해당 장치(500)는 획득 유닛(501), 추출 유닛(502), 취득 유닛(503) 및 처리 유닛(504)을 포함한다. 여기서, 획득 유닛(501)은 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하도록 구성될 수 있다. 추출 유닛(502)은 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하도록 구성될 수 있다. 취득 유닛(503)은 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성될 수 있다. 처리 유닛(504)은 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득하도록 구성될 수 있다.

본 실시예에 있어서, 모델 데이터 처리 장치(500)의 획득 유닛(501), 추출 유닛(502), 취득 유닛(503) 및 처리 유닛(504)에 대한 구체적인 처리 및 이에 따른 기술 효과는 도 2에 대응되는 실시예에서의 단계(201), 단계(202), 단계(203) 및 단계(204)를 각각 참조할 수 있다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함한다. 상기 추출 유닛(502)은, 수집 모듈(미도시), 총 단어 세그멘트화 모듈(미도시) 및 총 스티칭 모듈(미도시)을 포함한다. 여기서, 수집 모듈은 지식 그래프 데이터에 대응되는 삼중 텍스트 데이터를 수집하도록 구성될 수 있다. 총 단어 세그멘트화 모듈은 삼중 텍스트 데이터 및 처리하고자 하는 텍스트 데이터에 대해 각각 단어 세그멘트화 처리를 수행하도록 구성될 수 있다. 총 스티칭 모듈은 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 특징 시퀀스를 취득하도록 구성될 수 있다.

일부 실시예에 있어서, 상기 장치(500)는 총 위치 확인 유닛(미도시)을 더 포함한다. 총 위치 확인 유닛은 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하도록 구성될 수 있다. 상기 취득 유닛(503)은 데이터 매핑 모듈(미도시), 총 위치 매핑 모듈(미도시) 및 데이터-위치 취득 모듈(미도시)을 포함한다. 여기서, 데이터 매핑 모듈은 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하도록 구성될 수 있다. 총 위치 매핑 모듈은 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하도록 구성될 수 있다. 데이터-위치 취득 모듈은 데이터 특징 벡터와 총 위치 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성될 수 있다.

일부 실시예에 있어서, 상기 장치(500)는 총 분류 유닛(미도시)을 더 포함한다. 총 분류 유닛은 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하도록 구성될 수 있다. 상기 취득 유닛(503)은 데이터 매핑 모듈(미도시), 총 분류 매핑 모듈(미도시) 및 데이터-분류 취득 모듈(미도시)을 포함한다. 여기서, 데이터 매핑 모듈은 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하도록 구성될 수 있다. 총 분류 매핑 모듈은 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하도록 구성될 수 있다. 데이터-분류 취득 모듈은 데이터 특징 벡터와 총 분류 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성될 수 있다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 이미지 데이터를 더 포함한다. 상기 추출 유닛(502)은 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하도록 구성된다. 실시예에 있어서, 취득된 특징 시퀀스에 이미지 특징이 더 오버레이된다. 상기 취득 유닛(503)은 데이터 매핑 모듈(미도시), 이미지 매핑 모듈(미도시) 및 데이터-이미지 취득 모듈(미도시)을 포함한다. 여기서, 데이터 매핑 모듈은 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 스티칭된 모든 단어 세그먼트화 결과에 대응되는 데이터 특징 벡터를 취득하도록 구성될 수 있다. 이미지 매핑 모듈은 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하도록 구성될 수 있다. 데이터-이미지 취득 모듈은 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성될 수 있다.

일부 실시예에 있어서, 상기 장치(500)는 총 위치 확인 유닛(미도시) 및 총 분류 유닛(미도시)을 더 포함한다. 여기서, 총 위치 확인 유닛은 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하도록 구성될 수 있다. 총 분류 유닛은 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하도록 구성될 수 있다. 상기 취득 유닛(503)은 총 위치 매핑 모듈(미도시) 및 총 분류 매핑 모듈(미도시)을 더 포함한다. 여기서, 총 위치 매핑 모듈은 총 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하도록 구성된다. 총 분류 매핑 모듈은 총 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하도록 구성된다. 본 실시예에 있어서, 취득되고 자기회귀 모델에 적합한 멀티모달 입력 데이터는 총 위치 벡터와 총 분류 벡터를 더 포함한다.

일부 실시예에 있어서, 상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함한다. 상기 추출 유닛(502)은 단어 세그멘트화 모듈(미도시), 스티칭 모듈(미도시), 추출 모듈(미도시) 및 오버레이 모듈(미도시)을 포함한다. 여기서, 단어 세그멘트화 모듈은 처리하고자 하는 텍스트 데이터에 대해 단어 세그멘트화 처리를 수행하도록 구성될 수 있다. 스티칭 모듈은 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 세그멘트화된 단어 시퀀스를 취득하도록 구성될 수 있다. 추출 모듈은 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하도록 구성될 수 있다. 오버레이 모듈은 세그멘트화된 단어 시퀀스와 이미지 특징을 오버레이하여 특징 시퀀스를 취득하도록 구성될 수 있다. 상기 취득 유닛(503)은 세그먼트화된 단어 매핑 모듈(미도시), 이미지 매핑 모듈(미도시) 및 단어-이미지 취득 모듈(미도시)을 포함한다. 여기서, 세그먼트화된 단어 매핑 모듈은 특징 시퀀스 중의 세그먼트화된 단어 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 세그먼트화된 단어 시퀀스의 데이터 특징 벡터를 취득하도록 구성될 수 있다. 이미지 매핑 모듈은 특징 시퀀스 중의 이미지 특징에 대해 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하도록 구성될 수 있다. 단어-이미지 취득 모듈은 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성될 수 있다.

일부 실시예에 있어서, 상기 장치(500)는 단어 위치 확인 유닛(미도시) 및 단어 분류 유닛(미도시)을 더 포함한다. 여기서, 단어 위치 확인 유닛은 세그먼트화된 단어 시퀀스 중 각 단어의 단어 위치 데이터를 확정하도록 구성된다. 단어 분류 유닛은 세그먼트화된 단어 시퀀스 중 각 단어에 대해 분류 처리를 수행하여 단어 분류 데이터를 취득하도록 구성된다. 상기 취득 유닛(503)은 단어 위치 매핑 모듈(미도시) 및 단어 분류 매핑 모듈(미도시)을 더 포함한다. 여기서, 단어 위치 매핑 모듈은 단어 위치 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 위치 벡터를 취득하도록 구성될 수 있다. 단어 분류 매핑 모듈은 단어 분류 데이터에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 분류 벡터를 취득하도록 구성될 수 있다. 본 실시예에 있어서, 취득되고 자기회귀 모델에 적합한 멀티모달 입력 데이터는 단어 위치 벡터와 단어 분류 벡터를 더 포함한다.

계속하여 도 6을 참조하면, 도 6은 본 개시의 실시예를 실현하기에 적합한 전자 기기(600)의 구조적 개략도이다.

도 6에 도시된 바와 같이, 전자 기기(600)는 처리 장치(예를 들어, 중앙 처리 장치, 그래픽 처리 장치 등)(601)를 포함하고, 이는 읽기전용 메모리(ROM)(602)에 저장된 프로그램 또는 저장 장치(608)으로부터 랜덤 액세스 메모리(RAM)(603)에 로딩된 프로그램에 따라 여러 가지 적당한 동작과 처리를 수행할 수 있다. RAM(603)은 전자 기기(600)의 조작에 필요한 여러 가지 프로그램 및 데이터를 더 저장한다. 처리 장치 (601), ROM(602) 및 RAM(603)은 버스(604)에 의해 서로 연결된다. 입력/출력(I/O) 인터페이스(605)도 버스(604)에 연결된다.

일반적으로, 하기 장치가 I/O 인터페이스(605)에 연결되는데, 입력 장치(606)(예를 들면, 터치 스크린, 터치 패드, 키보드, 마우스 등), 출력 장치(607)(예를 들면, 액정 디스플레이(LCD, Liquid Crystal Display), 스피커, 바이브레이터 등), 저장 장치(608)(예를 들면, 테이프, 하드디스크 등) 및 통신 장치(609)를 포함한다. 통신 장치(609)는 전자 기기(600)가 기타 기기와 무선 또는 유선으로 통신하여 데이터를 교환하도록 허용한다. 도 6은 다양한 장치를 구비하는 전자 기기(600)를 도시하지만, 전자 기기(600)는 도시된 모든 장치를 실시하거나 구비할 필요가 없음을 해해야 한다. 더 많거나 더 적은 장치를 선택적으로 구현하거나 구비할 수 있다. 도 6에 도시된 각 블록은 하나의 장치를 나타낼 수도 있고 필요에 따라 다수의 장치를 나타낼 수도 있다.

특히, 본 개시의 실시예에 따르면, 흐름도를 참조하여 설명한 상기 과정들은 컴퓨터 소프트웨어 프로그램으로 구현될 수 있다. 예를 들어, 본 개시의 실시예는 컴퓨터 프로그램을 포함하고, 해당 컴퓨터 프로그램은 흐름도에 도시된 방법을 실행하기 위한 컴퓨터 코드를 포함한다. 이러한 실시예에 있어서, 해당 컴퓨터 프로그램은 통신 장치(609)를 경유하여 네트워크로부터 다운로드되어 설치될 수도 있고, 저장 장치(608)로부터 설치될 수도 있고, ROM(602)으로부터 설치될 수도 있다. 해당 컴퓨터 프로그램이 처리 장치(601)에 의해 실행될 경우, 본 개시의 실시예에 따른 방법에 한정된 상기 기능들을 실행한다.

본 개시의 실시예에서의 컴퓨터 판독 가능 매체는 컴퓨터 판독 가능 신호 매체, 컴퓨터 판독 가능 저장 매체 또는 상기 양자의 임의의 조합일 수 있음을 설명하여야 한다. 컴퓨터 판독 가능 저장 매체는 전기, 자기, 광학, 전자기, 적외선 또는 반도체의 시스템, 장치, 소자 또는 상기의 임의의 조합일 수 있으나, 이에 한정되지 않는다. 컴퓨터 판독 가능 저장 매체의 더욱 구체적인 예시는 하나 또는 다수의 와이어를 구비하는 전기적 연결, 휴대용 컴퓨터 자기 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 소거 및 프로그램 가능한 읽기 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 읽기 전용 메모리(CD-ROM), 광 메모리 소자, 자기 메모리 소자 또는 상기의 임의의 적합한 조합을 포함할 수 있으나, 이에 한정되지 않는다. 본 개시의 실시예에 있어서, 컴퓨터 판독 가능 저장 매체는 프로그램을 포함하거나 저장하는 임의의 유형 매체일 수 있으며, 해당 프로그램은 명령어 실행 시스템, 장치 또는 소자에 의해 사용되거나 이와 결합하여 사용될 수 있다. 본 개시의 실시예에 있어서, 컴퓨터 판독 가능 신호 매체는 베이스 밴드에서 전파되거나 캐리어의 일부분으로서 전파되는 데이터 신호를 포함할 수 있으며, 여기서, 데이터 신호에는 컴퓨터 판독 가능한 프로그램 코드가 탑재된다. 이와 같이 전파되는 데이터 신호는 여러가지 형식으로 구현될 수 있으며, 전자기 신호, 광 신호 또는 상기의 임의의 적합한 조합을 포함하나, 이에 한정되지 않는다. 컴퓨터 판독 가능 신호 매체는 컴퓨터 판독 가능 저장 매체를 제외한 임의의 컴퓨터 판독 가능 매체일 수도 있으며, 해당 컴퓨터 판독 가능 매체는 명령어 실행 시스템, 장치 또는 소자에 의해 사용되거나 이와 결합하여 사용되는 프로그램을 송신, 전파 또는 전송할 수 있다. 컴퓨터 판독 가능 매체에 포함된 프로그램 코드는 임의의 적당한 매체를 이용하여 전송될 수 있으며, 전선, 케이블, RF(Radio Frequency, 주파수) 등 또는 상기의 임의의 적합한 조합을 포함하나, 이에 한정되지 않는다.

상기 컴퓨터 판독 가능 매체는 상기 서버에 포함되는 컴퓨터 판독 가능 매체일 수도 있고, 해당 서버에 설치되지 않은 독립적으로 존재하는 컴퓨터 판독 가능 매체일 수도 있다. 상기 컴퓨터 판독 가능 매체에는 하나 또는 다수의 프로그램이 저장되어 있을 수 있고, 상기 하나 또는 다수의 프로그램이 해당 서버에 의해 실행될 경우, 해당 서버는, 처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하고; 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하고; 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하고; 멀티모달 입력 데이터를 자기회귀 모델에 입력하여 자기회귀 모델이 출력한 단일모달 결과를 취득하도록 한다.

본 개시의 실기예에서의 동작을 수행하기 위한 컴퓨터 프로그램 코드는 하나 또는 다수의 프로그래밍 언어 또는 그들의 조합으로 작성될 수 있으며, 프로그래밍 언어는 개체 지향적 프로그래밍 언어(예컨대, Java, Smalltalk, 및 C++)를 포함하고, 통상적인 프로세스형 프로그래밍 언어(예컨대, C 언어 또는 유사한 프로그래밍 언어)를 더 포함한다. 프로그램 코드는 전부 사용자 컴퓨터에서 실행되거나 부분적으로 실행되며, 또는 하나의 독립형 소프트웨어 패키지로서 실행되거나 일부분이 사용자 컴퓨터에서 실행되고 다른 일부분이 원격 컴퓨터에서 실행되거나, 전부 원격 컴퓨터 또는 서버에서 실행될 수 있다. 원격 컴퓨터의 경우, 근거리 통신망(LAN) 또는 광역 통신망(WAN)을 포함하는 임의 종류의 네트워크를 통해 사용자 컴퓨터에 연결될 수도 있고, 외부 컴퓨터에 연결될 수도 있다(예컨대, 인터넷 서비스 공급자를 이용하여 인터넷을 통해 연결이 진행된다).

첨부된 도면 중의 흐름도 및 블록도는 본 개시의 각 실시예에 따른 시스템, 방법 및 컴퓨터 프로그램의 구현 가능한 체계구조, 기능 및 동작을 도시하였다. 이러한 방면에 있어서, 흐름도 또는 블록도 중의 각 블록은 하나의 모듈, 프로그램 세그먼트 또는 코드의 일부분을 대표할 수 있고, 해당 모듈, 프로그램 세그먼트 또는 코드의 일부분은 규정된 로직 기능을 구현하기 위한 하나 또는 다수의 실행 가능한 명령어를 포함한다. 일부 대체 구현에 있어서, 블록에 표기된 기능들은 첨부된 도면에 표기된 순서와 다른 순서로 수행될 수도 있음을 유의하여야 한다. 예를 들어, 순차적으로 표시된 두개의 블록은 실제적으로 거의 동시에 실행될 수 있고, 경우에 따라 반대된 순서에 따라 실행될 수도 있으며, 이는 관련된 기능에 따라 결정된다. 블록도 및/또는 흐름도 중의 각 블록 및 블록도 및/또는 흐름도 중의 블록들의 조합은 규정된 기능 또는 동작을 실행하는 하드웨어 기반의 전용 시스템으로 구현되거나, 전용 하드웨어와 컴퓨터 명령어의 조합으로 구현될 수 있음을 유의하여야 한다.

본 개시의 실시예에 설명된 관련 유닛들은 소프트웨어의 방식으로 구현될 수도 있고, 하드웨어의 방식으로 구현될 수도 있다. 설명된 유닛들은 프로세서에 설치될 수도 있으며, 예를 들어, 프로세서가 획득 유닛, 추출 유닛, 취득 유닛 및 처리 유닛을 포함한다고 설명될 수 있다. 여기서, 이러한 유닛들의 명칭은 일부의 경우에 있어서 해당 유닛 자체에 대한 한정을 구성하지 않으며, 예를 들어, 획득 유닛은 "처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하는 유닛"으로 설명될 수도 있다.

이상의 설명은 단지 본 개시의 비교적 바람직한 실시예 및 운용한 기술적 원리에 대한 설명이다. 본 개시의 실시예에 관련된 발명의 범위가 상기 기술적 특징들의 특정 조합으로 이루어진 기술적 방안들에 한정되는 것이 아니라, 상기 발명 구상을 벗어나지 않는 한 상기 기술적 특징들 또는 그들의 균등한 특징들의 임의의 조합으로 이루어진 기타 기술적 방안들도 포함하여야 함을 해당 기술분야의 당업자는 이해할 것이다. 예를 들어, 상기 특징들과 본 개시의 실시예에 개시되어 있으나 이에 한정되지 않는 유사한 기능을 구비한 기술적 특징을 서로 대체하여 이루어진 기술적 방안도 포함된다.

Claims

모델 데이터 처리 방법으로서,
처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하는 단계;
상기 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 단계;
상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계; 및
상기 멀티모달 입력 데이터를 상기 자기회귀 모델에 입력하여 상기 자기회귀 모델이 출력한 단일모달 결과를 취득하는 단계
를 포함하는, 모델 데이터 처리 방법.
제1항에 있어서,
상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 지식 그래프 데이터를 포함하고,
상기 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 단계는,
상기 지식 그래프 데이터에 대응되는 삼중 텍스트 데이터를 수집하는 단계; 및
상기 삼중 텍스트 데이터 및 상기 처리하고자 하는 텍스트 데이터에 대해 각각 단어 세그멘트화 처리를 수행하고 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 특징 시퀀스를 취득하는 단계
를 포함하는, 모델 데이터 처리 방법.
제2항에 있어서,
상기 방법은,
상기 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하는 단계를 더 포함하고,
상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계는,
상기 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 상기 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하는 단계;
상기 총 위치 데이터에 대해 상기 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하는 단계; 및
상기 데이터 특징 벡터와 상기 총 위치 벡터를 합산하여 상기 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계
를 포함하는, 모델 데이터 처리 방법.
제2항에 있어서,
상기 방법은,
상기 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하는 단계를 더 포함하고,
상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계는,
상기 특징 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 상기 특징 시퀀스에 대응되는 데이터 특징 벡터를 취득하는 단계;
상기 총 분류 데이터에 대해 상기 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하는 단계; 및
상기 데이터 특징 벡터와 상기 총 분류 벡터를 합산하여 상기 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계
를 포함하는, 모델 데이터 처리 방법.
제2항에 있어서,
상기 적어도 두 가지 다른 모달리티의 데이터는 이미지 데이터를 더 포함하고,
상기 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 단계는,
상기 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하는 단계; 및
취득된 특징 시퀀스에 상기 이미지 특징을 더 오버레이하는 단계
를 더 포함하고, 상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계는,
상기 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 스티칭된 모든 단어 세그먼트화 결과에 대응되는 데이터 특징 벡터를 취득하는 단계;
상기 특징 시퀀스 중의 이미지 특징에 대해 상기 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하는 단계; 및
상기 데이터 특징 벡터와 이미지 특징 벡터를 합산하여 상기 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계
를 포함하는, 모델 데이터 처리 방법.
제5항에 있어서,
상기 방법은,
상기 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과의 총 위치 데이터를 확정하는 단계; 및
상기 특징 시퀀스 중 스티칭된 모든 단어 세그먼트화 결과 중의 각 단어 세그먼트화 결과에 대해 분류 처리를 수행하여 총 분류 데이터를 취득하는 단계
를 더 포함하고, 상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계는,
상기 총 위치 데이터에 대해 상기 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 위치 벡터를 취득하는 단계; 및
상기 총 분류 데이터에 대해 상기 자기회귀 모델에 적합한 벡터 매핑을 수행하여 총 분류 벡터를 취득하는 단계
를 더 포함하고, 취득되고 상기 자기회귀 모델에 적합한 멀티모달 입력 데이터는 상기 총 위치 벡터와 상기 총 분류 벡터를 더 포함하는, 모델 데이터 처리 방법.
제1항에 있어서,
상기 적어도 두 가지 다른 모달리티의 데이터는 처리하고자 하는 텍스트 데이터 및 이미지 데이터를 포함하고,
상기 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하는 단계는,
상기 처리하고자 하는 텍스트 데이터에 대해 단어 세그멘트화 처리를 수행하고 모든 단어 세그멘트화 결과에 대해 스티칭을 수행하여 세그멘트화된 단어 시퀀스를 취득하는 단계;
상기 이미지 데이터에 대해 특징 추출을 수행하여 이미지 특징을 취득하는 단계; 및
상기 세그멘트화된 단어 시퀀스와 상기 이미지 특징을 오버레이하여 특징 시퀀스를 취득하는 단계
를 포함하고, 상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계는,
상기 특징 시퀀스 중의 세그먼트화된 단어 시퀀스에 대해 자기회귀 모델에 적합한 벡터 매핑을 수행하여 상기 세그먼트화된 단어 시퀀스의 데이터 특징 벡터를 취득하는 단계;
상기 특징 시퀀스 중의 이미지 특징에 대해 상기 자기회귀 모델의 입력층과 동일한 차원의 벡터 매핑을 수행하여 이미지 특징 벡터를 취득하는 단계; 및
상기 데이터 특징 벡터와 상기 이미지 특징 벡터를 합산하여 상기 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계
를 포함하는, 모델 데이터 처리 방법.
제7항에 있어서,
상기 방법은,
상기 세그먼트화된 단어 시퀀스 중 각 단어의 단어 위치 데이터를 확정하는 단계; 및
상기 세그먼트화된 단어 시퀀스 중 각 단어에 대해 분류 처리를 수행하여 단어 분류 데이터를 취득하는 단계
를 더 포함하고, 상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하는 단계는,
상기 단어 위치 데이터에 대해 상기 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 위치 벡터를 취득하는 단계; 및
상기 단어 분류 데이터에 대해 상기 자기회귀 모델에 적합한 벡터 매핑을 수행하여 단어 분류 벡터를 취득하는 단계
를 더 포함하고, 취득되고 상기 자기회귀 모델에 적합한 멀티모달 입력 데이터는 상기 단어 위치 벡터와 상기 단어 분류 벡터를 더 포함하는, 모델 데이터 처리 방법.
모델 데이터 처리 장치로서,
처리하고자 하는 데이터 세트 중의 적어도 두 가지 다른 모달리티의 데이터를 획득하도록 구성된 획득 유닛;
상기 적어도 두 가지 다른 모달리티의 데이터에 대해 특징 추출을 수행하여 스티칭 및/또는 오버레이하여 특징 시퀀스를 취득하도록 구성된 추출 유닛;
상기 특징 시퀀스에 대해 모델 매핑 처리를 수행하여 자기회귀 모델에 적합한 멀티모달 입력 데이터를 취득하도록 구성된 취득 유닛; 및
상기 멀티모달 입력 데이터를 상기 자기회귀 모델에 입력하여 상기 자기회귀 모델이 출력한 단일모달 결과를 취득하도록 구성된 처리 유닛
을 포함하는, 모델 데이터 처리 장치.
전자 기기로서,
하나 또는 다수의 프로세서; 및
하나 또는 다수의 프로그램이 저장되어 있는 저장 장치
를 포함하되, 상기 하나 또는 다수의 프로그램은 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서가 제1항 내지 제8항 중 어느 한 항의 방법을 구현하도록 하는, 전자 기기.
컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독 가능 매체로서,
해당 프로그램은 프로세서에 의해 실행될 경우, 제1항 내지 제8항 중 어느 한 항의 방법을 구현하는, 컴퓨터 판독 가능 매체.
컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 프로세서에 의해 실행되는 경우, 제1항 내지 제8항 중 어느 한 항의 방법을 구현하는, 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.