KR20240039363A - 전자 장치 및 그의 제어 방법 - Google Patents
전자 장치 및 그의 제어 방법 Download PDFInfo
- Publication number
- KR20240039363A KR20240039363A KR1020220117824A KR20220117824A KR20240039363A KR 20240039363 A KR20240039363 A KR 20240039363A KR 1020220117824 A KR1020220117824 A KR 1020220117824A KR 20220117824 A KR20220117824 A KR 20220117824A KR 20240039363 A KR20240039363 A KR 20240039363A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- keywords
- user
- electronic device
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 35
- 238000013473 artificial intelligence Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 235000013305 food Nutrition 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 7
- 235000013405 beer Nutrition 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 235000013529 tequila Nutrition 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 235000019997 soju Nutrition 0.000 description 2
- 235000013522 vodka Nutrition 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/55—Rule-based translation
- G06F40/56—Natural language generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Strategic Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
전자 장치가 개시된다. 본 개시에 따른 문장을 생성할 수 있는 전자 장치는적어도 하나의 센서, 적어도 하나의 인스트럭션(instructions)을 저장하는 메모리, 적어도 하나의 인스트럭션을 실행하여, 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득하고, 복수의 데이터의 유사도에 기초하여 복수의 데이터 중 적어도 하나의 데이터에 대응되는 사용자와 관련된 이벤트를 판단하고, 복수의 데이터로부터 판단된 이벤트와 관련된 복수의 키워드를 결정하고, 복수의 키워드에 기초하여, 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 적어도 하나의 프로세서를 포함한다.
Description
본 개시는 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 복수의 데이터를 획득하여 사용자와 관련된 이벤트에 대응되는 문장을 생성하는 전자 장치에 관한 것이다.
사용자와 관련된 이벤트에 대응되는 문장을 생성하는 전자 장치는 컴퓨터, 스마트폰, 태블릿 PC, 노트북 등 다양하게 적용되어 이용될 수 있다. 특히, 전자 장치는 사용자와 관련된 이벤트, 이와 대응되는 키워드 및 문장을 디스플레이에 표시하도록 제어할 수 있다.
본 개시의 일 실시 예에 따른 문장을 생성할 수 있는 전자 장치에 있어서, 적어도 하나의 센서, 적어도 하나의 인스트럭션(instructions)을 저장하는 메모리 및 상기 적어도 하나의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함한다. 상기 적어도 하나의 프로세서는, 상기 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득하고, 상기 복수의 데이터의 유사도에 기초하여 상기 복수의 데이터 중 적어도 하나의 데이터에 대응되는 상기 사용자와 관련된 이벤트를 판단하고, 상기 복수의 데이터로부터 상기 판단된 이벤트와 관련된 복수의 키워드를 결정하고, 상기 복수의 키워드에 기초하여, 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성한다.
본 개시의 일 실시 예에 따른 문장을 생성할 수 있는 전자 장치의 제어 방법에 있어서, 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득하는 단계, 상기 복수의 데이터의 유사도에 기초하여 상기 복수의 데이터 중 적어도 하나의 데이터에 대응되는 상기 사용자와 관련된 이벤트를 판단하는 단계, 상기 복수의 데이터로부터 상기 판단된 이벤트와 관련된 복수의 키워드를 결정하는 단계 및 상기 복수의 키워드에 기초하여, 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 단계를 포함한다.
본 개시의 일 실시 예에 따른 전자 장치에 있어서, 적어도 하나의 센서, 적어도 하나의 인스트럭션(instructions)을 저장하는 메모리 및 상기 적어도 하나의 인스트럭션을 실행하는 적어도 하나의 프로세서에 의해 실행되는 경우 포함하는 전자 장치의 동작을 수행하도록하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득하는 단계, 상기 복수의 데이터의 유사도에 기초하여 상기 복수의 데이터 중 적어도 하나의 데이터에 대응되는 상기 사용자와 관련된 이벤트를 판단하는 단계, 상기 복수의 데이터로부터 상기 판단된 이벤트와 관련된 복수의 키워드를 결정하는 단계 및 상기 복수의 키워드에 기초하여, 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 단계를 포함한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도,
도 2는 본 개시의 일 실시 예에 따른 복수의 데이터를 사용자와 관련된 이벤트로 판단하는 과정을 설명하기 위한 흐름도,
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델에 기초하여 복수의 데이터의 유사도를 산출하는 과정을 설명하기 위한 흐름도,
도 4는 본 개시의 일 실시 예에 따른 위치 데이터에 기초하여 복수의 데이터의 유사도를 산출하는 과정을 설명하기 위한 도면, 도 5는 본 개시의 일 실시 예에 따른 사용자 입력이 수신된 경우 문장을 생성하고 디스플레이에 표시하는 과정을 설명하기 위한 흐름도,
도 6 내지 7은 본 개시의 일 실시 예에 따른 사용자와 관련된 이벤트를 디스플레이에 표시하는 과정을 설명하기 위한 도면,
도 8은 본 개시의 일 실시 예에 따른 키워드 통계를 획득하는 과정을 설명하기 위한 흐름도,
도 9은 본 개시의 일 실시 예에 따른 전자 장치의 세부 구성을 설명하기 위한 블록도,
도 10은 본 개시의 일 실시 예에 따른 문장을 생성하는 과정을 설명하기 위한 흐름도이다.
도 2는 본 개시의 일 실시 예에 따른 복수의 데이터를 사용자와 관련된 이벤트로 판단하는 과정을 설명하기 위한 흐름도,
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델에 기초하여 복수의 데이터의 유사도를 산출하는 과정을 설명하기 위한 흐름도,
도 4는 본 개시의 일 실시 예에 따른 위치 데이터에 기초하여 복수의 데이터의 유사도를 산출하는 과정을 설명하기 위한 도면, 도 5는 본 개시의 일 실시 예에 따른 사용자 입력이 수신된 경우 문장을 생성하고 디스플레이에 표시하는 과정을 설명하기 위한 흐름도,
도 6 내지 7은 본 개시의 일 실시 예에 따른 사용자와 관련된 이벤트를 디스플레이에 표시하는 과정을 설명하기 위한 도면,
도 8은 본 개시의 일 실시 예에 따른 키워드 통계를 획득하는 과정을 설명하기 위한 흐름도,
도 9은 본 개시의 일 실시 예에 따른 전자 장치의 세부 구성을 설명하기 위한 블록도,
도 10은 본 개시의 일 실시 예에 따른 문장을 생성하는 과정을 설명하기 위한 흐름도이다.
본 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, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.
덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.
대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 적어도 하나의 프로세서"는 해당 동작을 수행하기 위한 전용 적어도 하나의 프로세서(예: 임베디드 적어도 하나의 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 적어도 하나의 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.
이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
오늘날 전세계적으로 스마트 디바이스와 같은 전자 장치가 보편화되고, 특히 우리나라는 스마트폰 보급률 95%로 높은 사용률을 보이고 있다. 이러한 스마트 디바이스를 통해 위치 데이터, 이동 데이터, 사진 데이터 등 사용자의 일상 생활과 관련된 복수의 데이터를 자동으로 수집할 수 있다.
또한 여러 소셜 네트워크 서비스(SNS)를 통해 자신의 일상을 기록하고 공유하는 것이 보편화되었으며, 일상 중 공개하고 싶지 않은 부분을 기록하기 위해 아날로그 다이어리 혹은 메모 어플리케이션, 일기 어플리케이션도 병행 사용되고 있다.
종래의 스마트 디바이스는 사용자의 일상 생활과 관련된 복수의 데이터를 자동으로 수집하고, 데이터를 단순 관리만 이루어지고 있다. 예를 들어 날씨 데이터, 사진 데이터 및 위치 데이터는 각각 날씨 그래프, 갤러리, 날짜 별 이동 경로 등 각각의 서비스에 별개의 정보로 저장 및 표시될 뿐, 복수의 데이터가 유기적으로 결합되어 기록되지 않고 있다.
이와 같은 복수의 데이터에 대해 사용자들은 스마트 디바이스의 일기 어플리케이션 혹은 SNS를 통해 쉽게 일상을 기록할 수 있지만, 이러한 기록들은 쉽게 휘발되며 유기적으로 관리하기 어렵다. 예를 들어 40년 전 인화한 사진 앨범은 남아 있으나, 오히려 20년 전 사용하던 휴대폰으로 촬영한 사진들은 남아있지 않은 경우가 많다. 또 유행에 민감한 SNS 특성 상 여러 소셜 서비스 중 각 시대에 유행하는 서비스를 선택해 이용하므로, 서비스 간 기록이 유기적으로 연결되지 않는다. 예로 싸이월드, 페이스북, 인스타그램에 각각 작성한 일상 기록을 한 번에 확인하기는 어렵다.
따라서, 본 개시의 일 실시 예에 따른 전자 장치(100)는 사용자의 일상 생활과 관련된 복수의 데이터를 획득하여 사용자와 관련된 이벤트를 판단하고, 사용자와 관련된 복수의 키워드를 결정하여 문장을 생성하고, 이를 이용해 사용자의 일상을 자동으로 기록할 수 있다. 나아가, 전자 장치(100)는 SNS 포스트와 같이 사용자와 관련된 이벤트를 카드 형태의 타임라인으로 제공할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 1을 참조하면 전자 장치(100)는 적어도 하나의 센서(110), 메모리(120) 및 적어도 하나의 프로세서(130)을 포함할 수 있다.
적어도 하나의 센서(110)은 전자 장치(100)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 즉, 적어도 하나의 센서(110)는 전자 장치(100)의 사용자와 관련된 다양한 복수의 데이터를 획득할 수 있다. 일 실시 예에 따르면, 적어도 하나의 센서(110)는, 전자 장치(100)의 위치 데이터를 획득할 수 있는 GPS, 전자 장치(100)의 이동 데이터를 얻을 수 있는 가속도/자이로 적어도 하나의 센서 적어도 하나의 센서, 온도 적어도 하나의 센서, 습도 적어도 하나의 센서, 사진을 촬영할 수 있는 이미지 적어도 하나의 센서 외에도, 그립 적어도 하나의 센서, 근접 적어도 하나의 센서, 컬러 적어도 하나의 센서, IR(infrared) 적어도 하나의 센서, 생체 적어도 하나의 센서, 조도 적어도 하나의 센서, 제스처 적어도 하나의 센서, 기압 적어도 하나의 센서 또는 마그네틱 적어도 하나의 센서를 포함할 수 있다.
메모리(120)는 각종 프로그램이나 데이터를 일시적 또는 비일시적으로 저장하고, 적어도 하나의 프로세서(130)의 호출에 따라서 저장된 정보를 적어도 하나의 프로세서(130)에 전달한다. 또한, 메모리(120)는, 적어도 하나의 프로세서(130)의 연산, 처리 또는 제어 동작 등에 필요한 각종 정보를 전자적 포맷으로 저장할 수 있다.
메모리(120)는, 예를 들어, 주기억장치 및 보조기억장치 중 적어도 하나를 포함할 수 있다. 주기억장치는 롬(ROM) 및/또는 램(RAM)과 같은 반도체 저장 매체를 이용하여 구현된 것일 수 있다. 롬은, 예를 들어, 통상적인 롬, 이피롬(EPROM), 이이피롬(EEPROM) 및/또는 마스크롬(MASK-ROM) 등을 포함할 수 있다. 램은 예를 들어, 디램(DRAM) 및/또는 에스램(SRAM) 등을 포함할 수 있다. 보조기억장치는, 플래시 메모리 장치, SD(Secure Digital) 카드, 솔리드 스테이트 드라이브(SSD, Solid State Drive), 하드 디스크 드라이브(HDD, Hard Disc Drive), 자기 드럼, 컴팩트 디스크(CD), 디브이디(DVD) 또는 레이저 디스크 등과 같은 광 기록 매체(optical media), 자기테이프, 광자기 디스크 및/또는 플로피 디스크 등과 같이 데이터를 영구적 또는 반영구적으로 저장 가능한 적어도 하나의 저장 매체를 이용하여 구현될 수 있다.
메모리(120)는 전자 장치(100)에 관한 적어도 하나의 인스트럭션(instruction)을 저장할 수 있다. 그리고, 메모리(120)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(120)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)이 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(120)는 프레임 버퍼와 같은 휘발성 메모리, 플래시 메모리 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.
메모리(120)는 적어도 하나의 인스트럭션(instructions)을 저장할 수 있다.
메모리(120)는 사용자의 일상 생활과 관련된 복수의 데이터를 저장할 수 있다. 구체적으로, 메모리(120)는 위치 데이터, 이동 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터 중 적어도 하나를 포함하는 복수의 데이터를 저장할 수 있다. 또한, 메모리(120)는 복수의 데이터로부터 결정된 복수의 키워드와 복수의 키워드로부터 생성된 적어도 하나의 문장을 저장할 수 있다. 그리고, 메모리(120)는 복수의 데이터의 유사도를 판단하기 위한 인공지능 모델을 저장할 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서(130)는 적어도 하나의 센서(110)로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득할 수 있다. 여기에서 복수의 데이터는 사용자의 일상생활과 관련된 컨텍스트 정보를 포함할 수 있다. 여기에서 컨텍스트 정보는 위치, 이동, 날씨, 온도, 날짜, 요일, 시간 및 사진 등을 포함할 수 있다.
그리고, 적어도 하나의 프로세서(130)는 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득할 수 있다.
이후, 복수의 데이터의 유사도에 기초하여 복수의 데이터 중 적어도 하나의 데이터에 대응되는 사용자와 관련된 이벤트를 판단할 수 있다.
다음으로, 복수의 데이터로부터 판단된 이벤트와 관련된 복수의 키워드를 결정하고, 결정된 복수의 키워드에 기초하여, 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다.
여기에서 적어도 하나의 프로세서(130)는 복수의 데이터 및 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 포함하는 인공지능 모델에 기초하여 복수의 데이터 유사도를 산출할 수 있다.
또는, 적어도 하나의 프로세서(130)는 복수의 위치 데이터 중 처음으로 획득한 제1 위치 데이터를 판단하고, 제1 위치 데이터와 제1 위치 데이터 다음으로 획득한 제2 위치 데이터간 거리값에 기초하여 복수의 데이터의 유사도를 산출할 수 있다.
또는, 적어도 하나의 프로세서(130)는 복수의 이동 데이터가 지속되는 시간에 기초하여 복수의 데이터의 유사도를 산출할 수 있다.
여기에서, 이벤트와 대응되는 복수의 데이터는 위치 데이터, 이동 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터 중 적어도 하나를 포함할 수 있다. 그리고, 적어도 하나의 프로세서(130)는 위치 데이터, 이동 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터와 대응되는 위치 키워드, 이동 키워드, 날씨 키워드, 온도 키워드, 날짜 키워드, 요일 키워드, 시간 키워드 및 사진 키워드 중 적어도 하나를 포함하는 복수의 키워드를 결정할 수 있다.
그리고, 적어도 하나의 프로세서(130)는, 사용자로부터 복수의 키워드 중 적어도 하나에 대응되는 사용자 입력을 수신하고, 사용자 입력에 기초하여 복수의 키워드 중 적어도 하나를 변경할 수 있다. 즉, 적어도 하나의 프로세서(130)는 변경된 복수의 키워드에 기초하여 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다.
또한, 적어도 하나의 프로세서(130)는 사용자로부터 적어도 하나의 문장에 대응되는 사용자 입력을 수신하고, 사용자 입력에 기초하여 적어도 하나의 문장을 변경할 수 있다. 여기에서, 적어도 하나의 프로세서(130)는 사용자 입력이 수신되면, 사용자 입력과 대응되는 적어도 하나의 문장의 성분을 분석하고, 분석된 성분 및 복수의 키워드에 기초하여 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다.
그리고, 전자 장치(100)는 디스플레이(140)을 더 포함하고, 적어도 하나의 프로세서(130)는 사용자와 관련된 이벤트와 대응되는 복수의 데이터, 복수의 키워드 및 적어도 하나의 문장 중 적어도 하나를 디스플레이에 표시할 수 있다.
또한, 적어도 하나의 프로세서(130)는 복수의 키워드에 기초하여 동일한 키워드 수를 산출하고, 산출된 키워드의 수를 기초로 키워드 통계를 획득할 수 있다.
이와 같은 적어도 하나의 프로세서(130)의 동작은 이하에서 상세히 설명하도록 한다.
도 2는 본 개시의 일 실시 예에 따른 복수의 데이터를 사용자와 관련된 이벤트로 판단하는 과정을 설명하기 위한 흐름이다.
도 2를 참조하면, 적어도 하나의 프로세서(130)는 복수의 데이터의 유사도에 기초하여 복수의 데이터 중 적어도 하나의 데이터에 대응되는 사용자와 관련된 이벤트를 판단할 수 있다.
구체적으로, 적어도 하나의 프로세서(130)는 임계값, 경과 시간 및 임계 시간을 기초로 복수의 데이터를 사용자와 관련된 이벤트로 판단할 수 있다. 여기에서 임계값은 복수의 데이터 중 유사도가 낮다고 판단하기 위한 기준에 해당한다. 그리고, 경과 시간은 임계값 미만의 데이터가 획득된 다음부터 경과된 시간에 해당한다. 또한, 임계 시간은 임계값과 비교하여 복수의 데이터를 사용자와 관련된 이벤트로 판단하기 위한 기준에 해당한다.
사용자와 관련된 이벤트를 판단하기 위하여, 먼저 적어도 하나의 프로세서(130)는 복수의 데이터를 획득할 수 있다(S201).
그리고, 적어도 하나의 프로세서(130)는 복수의 데이터에 대한 판단을 보류할 수 있다(S202). 유사도를 산출한 다음 복수의 데이터에 대한 판단을 보류하는 것은, 유사도가 낮은 하나의 데이터만으로 사용자와 관련된 이벤트를 판단하는 것이 부정확할 수 있다는 점을 고려한 것이다. 즉, 데이터의 노이즈를 고려하여 사용자와 관련된 이벤트를 판단할 수 있다.
그리고, 적어도 하나의 프로세서(130)는 복수의 데이터의 유사도를 산출할 수 있다(S203).
여기에서 복수의 데이터의 유사도는 적어도 하나의 프로세서(130)에 의해 획득한 복수의 데이터 중 적어도 하나의 데이터가 대응되는 사용자와 관련된 이벤트로 판단되는 정도를 수치적으로 산출한 것이다. 이하에서는 도 3과 도 4를 참조하여 유사도를 산출하는 과정에 대해 설명한다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델에 기초하여 복수의 데이터의 유사도를 산출하는 과정을 설명하기 위한 흐름도이다.
도 3을 참조하면, 적어도 하나의 프로세서(130)는 복수의 데이터 및 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 포함하는 인공지능 모델에 기초하여 복수의 데이터의 유사도를 산출할 수 있다.
여기에서 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
적어도 하나의 프로세서(130)는 인공지능 모델에 기초하여 사용자의 일상 생활과 관련된 지식 그래프를 생성할 수 있다. 그리고, 적어도 하나의 프로세서(130)는 지식 그래프에 기초하여 복수의 데이터의 유사도를 산출할 수 있다. 지식 그래프는 특정 개념들 사이의 관련성을 표현한 그래프로, 하나의 넓은 범주에서 시작하는 개념에서 세부적인 개념으로 연결된 그래프에 해당한다. 이러한 지식 그래프를 활용하면 두 개념 사이의 유사도 또한 정량적으로 측정하는 것이 가능하다. 구체적으로, 지식 그래프는 사용자의 일상 생활과 관련된 개념을 정점(vertex)로, 각 정점을 연결하는 간선(edge)으로 표현될 수 있다. 여기에서, 각 개념 사이의 유사도는 각 개념에 대응되는 정점까지 연결된 간선의 수로 산출될 수 있다. 여기에서, 간선에 가중치가 정의된 경우, 해당 가중치를 고려하여 개념 사이의 유사도를 산출할 수 있다.
일 예로, 현재 위치 데이터가 '공원'으로 식별된 상태에서 이동 데이터 '걷기'가 식별되면, 적어도 하나의 프로세서(130)는 지식 그래프를 통해 '공원'과 '걷기' 사이의 유사도를 산출할 수 있다.
다른 예로, 현재 위치 데이터 및 시간 데이터에 의해'저녁 식사(300)'가 식별된 상태에서 사진 데이터에 의해 '멕시코 음식(310)' 중 '퀘사디아(320)'가 식별된 경우, 적어도 하나의 프로세서(130)는 '저녁식사(300)','멕시코 음식(310)', '퀘사디아(320)'로 식별할 수 있었던 위치 데이터, 시간 데이터 및 사진 데이터 사이의 유사도를 산출할 수 있다.
한편 복수의 데이터는 복수의 위치 데이터를 포함할 수 있다. 적어도 하나의 프로세서(130)는 복수의 위치 데이터 중 처음으로 획득한 제1 위치 데이터를 판단하고, 제1 위치 데이터와 제1 위치 데이터 다음으로 획득한 제2 위치 데이터간 거리값에 기초하여 상기 복수의 데이터의 유사도를 산출할 수 있다.
일 예로, 적어도 하나의 프로세서(130)는 제1 위치 데이터가 (0 m, 0 m)이고, 제2 위치 데이터가 (1500 m, 1700 m)로 판단되면, 제1 위치 데이터와 제2 위치 데이터 사이의 거리는 800 m로 판단할 수 있다. 즉, 적어도 하나의 프로세서(130)는 제1 위치 데이터에서의 사용자와 관련된 이벤트와 제2 위치에서의 사용자와 관련된 이벤트는 별개의 이벤트로 판단하는 것이 일반적이므로, 제1 위치 데이터와 제2 위치 데이터의 유사도는 낮다고 산출할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 위치 데이터에 기초하여 복수의 데이터의 유사도를 산출하는 과정을 설명하기 위한 도면이다.
도 4를 참조하면, 적어도 하나의 프로세서(130)는 제1 위치와 제2 위치 사이의 거리가 멀수록 복수의 데이터의 유사도를 선형적으로 낮게 산출할 수 있다. 한편, 적어도 하나의 프로세서(130)는 제1 위치와 제2 위치 사이의 거리가 멀수록 복수의 데이터의 유사도를 비선형적으로 낮게 산출할 수 있다. 그리고, 일정한 거리(T) 이상으로 판단된 경우, 적어도 하나의 프로세서(130)는 복수의 데이터의 유사도를 0으로 산출할 수 있다. 이와 같이 위치 데이터에 따라 복수의 데이터의 유사도를 산출하는 과정은 일 실시예에 해당하며, 이에 한정하지 않는다.
한편, 복수의 데이터는 복수의 이동 데이터를 포함할 수 있다. 여기에서, 이동 데이터는 정지, 걷기 이동, 달리기 이동, 자전거 이동, 차량 이동 등 이동 상태와 관련된 데이터를 포함할 수 있다. 적어도 하나의 프로세서(130)는 복수의 이동 데이터가 지속되는 시간에 기초하여 복수의 데이터의 유사도를 산출할 수 있다. 일 예로, 음식점에서의 '정지'상태의 이동 데이터가 30분 지속된 것으로 식별되었고, '걷기 이동'상태의 이동 데이터가 5분 지속된 다음, '정지' 상태의 이동 데이터가 20분 지속된 것으로 식별된 경우, 적어도 하나의 프로세서(130)는 관련성이 높은 복수의 데이터로 판단하여 유사도를 높게 산출할 수 있다.
한편, 복수의 데이터는 사진 데이터를 포함할 수 있다. 적어도 하나의 프로세서(130)는 사진 데이터에 포함된 물체를 식별하고, 식별된 물체를 기초로 복수의 데이터의 유사도를 산출할 수 있다. 일 예로, '식당'으로 식별된 위치 데이터에서 촬영된 사진 데이터가 '퀘사디아'로 식별된 경우, 적어도 하나의 프로세서(130)는 위치 데이터와 사진 데이터의 유사도를 높게 산출할 수 있다.
이와 같이 복수의 데이터의 유사가 산출된 다음, 적어도 하나의 프로세서(130)는 복수의 데이터의 유사도가 임계값보다 큰지 판단할 수 있다(S204).
마지막으로 획득된 데이터의 유사도가 임계값보다 작은 경우, 적어도 하나의 프로세서(130)는 경과 시간을 초기화하고 경과 시간의 산출을 시작할 수 있다(S204). 경과 시간은 복수의 데이터 중 유사도가 낮은 마지막 복수의 데이터가 획득된 다음부터 경과된 시간에 해당한다. 예를 들면, 경과 시간은 이전에 획득한 복수의 제1 데이터와 유사도가 낮은 복수의 제2 데이터가 획득된 경우, 제2 복수의 데이터가 획득되는 경과 시간에 해당된다.
복수의 데이터 중 마지막으로 획득된 데이터의 유사도가 임계값보다 큰 경우, 적어도 하나의 프로세서(130)는 경과 시간의 산출이 시작되었는지 판단할 수 있다(S206). 이 때, 경과 시간의 산출이 시작되지 않은 경우, 적어도 하나의 프로세서(130)는 복수의 데이터 획득을 계속 진행한다.
경과 시간의 산출이 시작된 경우, 적어도 하나의 프로세서(130)는 경과 시간이 임계 시간보다 큰지 판단할 수 있다(S207). 여기에서, 경과 시간이 임계시간보다 큰 경우, 마지막으로 획득된 데이터가 노이즈가 아니라고 보아 적어도 하나의 프로세서(130)는 복수의 데이터 중 적어도 하나의 데이터에 대응되는 사용자와 관련된 이벤트를 판단할 수 있다(S208). 일 예로, '식당'과 유사도가 높은 복수의 제1 데이터가 획득된 다음, '식당'과 유사도가 낮은 '카페'와 유사도가 높은 복수의 제2 데이터가 획득된 경우, 적어도 하나의 프로세서(130)는 경과 시간을 초기화 하고 복수의 제2 데이터가 획득되는 경과 시간인 경과 시간의 산출을 시작 할 수 있다. 이와 같은 경과 시간이 일정시간 이상(임계 시간) 경과된 경우, 적어도 하나의 프로세서(130)는 '식당'과 유사도가 높은 복수의 제1 데이터를 사용자와 관련된 이벤트로 판단할 수 있다.
그리고, 적어도 하나의 프로세서(130)는 경과 시간의 산출을 종료할 수 있다(S209).
이와 같이 사용자와 관련된 이벤트를 판단하는 과정은 반복하여 이루어질 수 있으며, 적어도 하나의 프로세서(130)는 이러한 과정을 반복하여 복수의 이벤트를 판단할 수 있다.
적어도 하나의 프로세서(130)는 복수의 데이터로부터 판단된 이벤트와 관련된 복수의 키워드를 결정할 수 있다. 즉, 적어도 하나의 프로세서(130)는 위치 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터와 대응되는 위치 키워드, 날씨 키워드, 온도 키워드, 날짜 키워드, 요일 키워드, 시간 키워드 및 사진 키워드 중 적어도 하나를 포함하는 복수의 키워드를 결정할 수 있다.
일 예로, 이벤트와 대응되는 복수의 데이터로, '위도: 37.5581, 경도: 126.9346, 이동: 정지, 시작 시간: 2022-03-07 18:27:41, 종료 시간: 2022-03-07 20:10:30, 온도: 11 도, 습도: 20, 날씨: 흐림'이 포함된 경우, 적어도 하나의 프로세서(130)는 복수의 데이터로부터 '멕시코 음식점, 퀘사디아 전문점, 저녁 식사, 구름낀 밤, 봄, 월요일, 평일, 1~2시간'등의 키워드를 결정할 수 있다.
또한, 복수의 데이터 중 사진 데이터가 포함된 경우, 적어도 하나의 프로세서(130)는 사진 데이터에 포함된 물체를 인식하여 '퀘사디아, 멕시코 음식, 맥주, 데낄라'등의 추가 키워드를 결정할 수 있다.
적어도 하나의 프로세서(130)는 적어도 하나의 센서로부터 획득된 센싱값에 기초한 복수의 데이터 외에도, 사용자로부터 입력된 키워드를 포함할 수 있다. 일 예로, 사용자와 관련된 이벤트가 영화관과 관련된 것으로 판단된 경우, 적어도 하나의 프로세서(130)는 사용자로부터 입력된 영화 종류, 영화 장르 등을 키워드로 결정할 수 있다.
다른 예로, '저녁 식사'로 판단된 이벤트의 경우, 적어도 하나의 프로세서(130)는 사용자로부터 입력된 '퀘사디아, 맥주, 데낄라'등을 키워드로 결정할 수 있다.
적어도 하나의 프로세서(130)는 복수의 키워드에 기초하여, 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다. 복수의 키워드가 결정된 경우, 적어도 하나의 프로세서(130)는 인공지능 모델에 기초하여 적어도 하나의 문장을 생성할 수 있다. 구체적인 인공지능 모델에 대해서는 상술한 바 있다.
일 예로, '멕시코 음식, 저녁식사, 흐림, 퀘사디아, 행복'등의 키워드가 결정된 경우, '멕시코 음식을 파는 곳에서 저녁식사를 하였다. 흐린 날이었지만 퀘사디아를 먹으니 행복했다.'와 같이 적어도 하나의 프로세서(130)는 적어도 하나의 문장을 생성할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 사용자 입력이 수신된 경우 문장을 생성하고 디스플레이에 표시하는 과정을 설명하기 위한 흐름도이다. 이하에서는, 도 2에서의 설명과 중복되는 부분에 대한 자세한 설명은 생략하기로 한다.
도 5를 참조하면, 적어도 하나의 프로세서(130)는 사용자로부터 복수의 키워드 중 적어도 하나에 대응되는 사용자 입력을 수신할 수 있다(S504). 즉, 적어도 하나의 프로세서(130)는 사용자로부터 복수의 키워드 중 적어도 하나를 변경, 추가, 삭제하는 입력 중 적어도 하나의 입력 수신할 수 있다. 이와 같이 복수의 키워드의 변경, 추가, 삭제 중 적어도 하나가 입력된 경우, 적어도 하나의 프로세서(130)는 복수의 키워드 중 적어도 하나를 변경할 수 있다(S505).
이와 같이 사용자가 직접 키워드를 변경, 추가, 삭제하는 입력을 수신한 경우 외에도, 적어도 하나의 프로세서(130)가 키워드와 관련된 질의를 전달하여 복수의 키워드 중 적어도 하나를 변경할 수 있다. 즉, 적어도 하나의 프로세서(130)는 푸시 알림, 서비스 내 상시 메시지 노출 등의 수단으로 사용자에게 키워드와 관련된 질의를 전달하고, 이에 대한 사용자 입력을 수신하여 키워드를 변경, 추가, 삭제할 수 있다.
일 예로, 위치 키워드로 '동수원 CGV 영화관'이 결정된 경우, 적어도 하나의 프로세서(130)는 '동수원 CGV 영화관이 맞나요?'라는 질의를 전달할 수 있다. 이에 대해 '네'라는 사용자 입력이 수신되면, 적어도 하나의 프로세서(130)는 위치 키워드를 '영화관'으로 결정한다. 반면, '아니오'라는 사용자 입력이 수신되면, 적어도 하나의 프로세서(130)는 위치 데이터에 기초하여 위치 키워드를 다시 결정하여 질의를 전달하거나, 사용자 입력을 통해 위치 키워드를 변경할 수 있다. 이와 같이 센싱값에 기초하여 결정될 수 있는 키워드뿐 아니라, 사용자의 감정, 사용자의 휴가 상태 등 센싱값에 기초하여 결정될 수 없는 키워드도 사용자 입력을 통해 추가될 수 있다.
그리고, 이와 같은 질의를 통해 '영화관'으로 위치 키워드가 결정된 경우, 적어도 하나의 프로세서(30)는 위치 키워드와 관련된 파생 질의를 전달할 수 있다. 일 예로, 위치 키워드가 '영화관'으로 결정되고, 시간 키워드가'2~4시간'로 결정된 경우, 적어도 하나의 프로세서(130)는 사용자가 영화를 관람한 것인지, 어떤 영화를 관람하였는지 여부에 대한 질의를 전달할 수 있다. 반면, 시간 키워드가 '1시간 이하'로 결정된 경우, 적어도 하나의 프로세서(130)는 영화관 단순 방문으로 간주하여 파생 질의를 전달하지 않을 수 있다. 다른 예로, 위치 키워드가 '식당'으로 결정된 경우 적어도 하나의 프로세서(130)는 어떤 음식을 먹었는지 여부에 대한 파생 질의를 전달하거나, 위치 키워드가 '집'으로 결정된 경우, 적어도 하나의 프로세서(130)는 집에서 어떤 활동을 했는지에 대한 파생 질의를 전달할 수 있다.
그리고, 적어도 하나의 프로세서(130)는 변경된 복수의 키워드에 기초하여 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다(S506). 일 예로, '멕시코 음식, 저녁식사, 흐림, 퀘사디아, 행복'등의 키워드가 결정되었으나, '흐림'을 '맑음'으로 변경하는 사용자 입력을 수신한 경우, 적어도 하나의 프로세서(130)는 '멕시코 음식을 파는 곳에서 저녁식사를 하였다. 맑은 날 퀘사디아를 먹으니 더 행복했다.'와 같이 적어도 하나의 문장을 생성할 수 있다.
또한, 적어도 하나의 프로세서(130)는 사용자로부터 적어도 하나의 문장에 대응되는 사용자 입력을 수신할 수 있다(S507). 즉, 적어도 하나의 프로세서(130)는 생성된 문장을 변경, 추가, 삭제하는 사용자 입력 중 적어도 하나의 사용자 입력을 수신할 수 있다.
일 예로, '멕시코 음식, 저녁식사, 흐림, 퀘사디아, 행복'등의 키워드가 결정되어, '멕시코 음식을 파는 곳에서 저녁식사를 하였다. 흐린 날이었지만 퀘사디아를 먹으니 행복했다.' 와 같이 생성된 문장에 대해 '흐린날 멕시코 음식인 퀘사디아를 먹으니 행복했다.'와 같이 문장을 변경하는 사용자 입력이 수신된 경우, 적어도 하나의 프로세서(130)는 생성한 문장을 '흐린날 멕시코 음식인 퀘사디아를 먹으니 행복했다.'와 같이 문장을 변경할 수 있다.
여기에서, 적어도 하나의 프로세서(130)는 사용자 입력이 수신되면, 사용자 입력과 대응되는 적어도 하나의 문장의 성분을 분석하고, 분석된 성분 및 복수의 키워드에 기초하여 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다. 즉, 적어도 하나의 프로세서(130)는 딥러닝 등 인공지능 모델로 사용자 입력과 대응되는 문장 성분을 학습할 수 있다. 그 결과, 복수의 테이터로부터 복수의 키워드가 결정되면, 적어도 하나의 프로세서(130)는 학습한 문장 성분과 대응되는 문장을 생성할 수 있다. 일 예로, '멕시코 음식을 파는 곳에서 저녁식사를 하였다. 흐린 날이었지만 퀘사디아를 먹으니 행복했다.' 와 같이 생성된 문장에 대해 '흐린날 멕시코 음식인 퀘사디아를 먹으니 행복했다.'와 같이 문장을 변경하는 사용자 입력이 수신된 경우, 적어도 하나의 프로세서(130)는 날씨 키워드를 먼저 배치하고, 위치 키워드 '멕시코 음식을 파는 곳'에서 파생된 '멕시코 음식'으로 변경하여 문장을 생성하도록 학습할 수 있다.
이와 같이 문장이 생성되면, 적어도 하나의 프로세서(130)는 사용자와 관련된 이벤트와 대응되는 복수의 데이터, 복수의 키워드 및 적어도 하나의 문장 중 적어도 하나를 디스플레이에 표시할 수 있다(S509).
도 6 내지 7은 본 개시의 일 실시 예에 따른 사용자와 관련된 이벤트를 디스플레이에 표시하는 과정을 설명하기 위한 도면이다.
도 6을 참조하면, 적어도 하나의 프로세서(130)는 타임라인 형식으로 복수의 데이터, 복수의 키워드 및 문장 중 적어도 하나를 디스플레이(140)에 표시할 수 있다. 구체적으로, 적어도 하나의 프로세서(130)는 타임라인 상단에 날짜와 요일을 디스플레이(140)에 표시하고, 결정된 위치 키워드와 관련된 복수의 데이터를 하나의 이벤트로 보아 디스플레이(140)에 표시할 수 있다. 일 예로, 위치 키워드가'A맥주집'으로 결정되면, 적어도 하나의 프로세서(130)는 'A맥주집(610)'을 제목으로 표시하고, 하단에 위치 데이터와 시간 데이터를 표시할 수 있다. 여기에서 사진 데이터(620)가 획득된 경우, 적어도 하나의 프로세서(130)는 위치 데이터 하단에 사진 데이터(620)를 표시할 수 있다. 그리고, 적어도 하나의 프로세서(130)는 생성된 문장(630)을 사진 데이터(620) 하단에 표시할 수 있다.
또한, 적어도 하나의 프로세서(130)는 결정된 이동 키워드와 관련된 복수의 데이터를 하나의 이벤트로 보아 디스플레이(140)에 표시할 수 있다. 일 예로, 적어도 하나의 프로세서(130)는 '걷기'에 해당하는 이동 데이터(640)를 타임라인에 표시하고, 그 하단에 시간 데이터를 표시할 수 있다.
도 7을 참조하면, 적어도 하나의 프로세서(130)는 하루 동안 획득된 복수의 위치 데이터와 복수의 이동 데이터를 디스플레이(140)에 표시할 수 있다. 적어도 하나의 프로세서(130)는 획득된 복수의 위치 데이터와 복수의 이동 데이터를 지도(710)에 표시하고, 복수의 위치 데이터와 복수의 이동 데이터가 표시된 지도(710)를 타임라인에 표시할 수 있다.
이와 같이 사용자와 관련된 이벤트가 표시된 다음, 적어도 하나의 프로세서(130)는 사용자 입력을 수신하여 이벤트와 대응되는 복수의 데이터, 복수의 키워드 및 적어도 하나의 문장 중 적어도 하나를 변경할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 키워드 통계를 획득하는 과정을 설명하기 위한 흐름도이다.
도 8을 참조하면, 적어도 하나의 프로세서(130)는 복수의 키워드에 기초하여 동일한 키워드 수를 산출할 수 있다(S801). 즉, 하나의 사용자와 관련된 이벤트가 판단된 경우, 적어도 하나의 프로세서(130)는 하나의 사용자와 관련된 이벤트와 대응되는 복수의 키워드에 기초하여 동일한 키워드의 수를 산출할 수 있다. 그리고, 하나 이상의 사용자와 관련된 이벤트가 판단된 경우, 적어도 하나의 프로세서(130)는 하나 이상의 사용자와 관련된 이벤트와 대응되는 복수의 키워드에 기초하여 동일한 키워드의 수를 산출할 수 있다. 일 예로, 오후 7시~8시의 이벤트와 대응되는 키워드로 '맥주', '소주', '음식' 가 결정되고, 오후 9시~11시의 이벤트와 대응되는 키워드로 '맥주', '보드카', '데낄라'가 결정된 경우, 적어도 하나의 프로세서(130)는 '맥주'의 수를 2, '소주'의 수를 1, '음식'의 수를 1, '보드카'의 수를 1, '데낄라'의 수를 1로 산출할 수 있다.
그리고, 적어도 하나의 프로세서(130)는 산출된 키워드의 수를 기초로, 키워드 통계를 획득할 수 있다(S802). 즉, 적어도 하나의 프로세서(130)는 산출된 키워드의 수를 기초로, 히스토그램, 막대 차트, 모자이크 그림, 트리맵, 파이 차트, 선 그래프, 파레토 차트, 누적 막대 차트 등의 방법으로 키워드 통계를 획득할 수 있다. 단, 이는 예시적인 것으로, 키워드 통계를 획득하는 방법은 이에 한정하지 않는다.
도 9은 본 개시의 일 실시 예에 따른 전자 장치의 세부 구성을 설명하기 위한 블록도,
도 9를 참조하면, 전자 장치(100)는 적어도 하나의 센서(110), 메모리(120), 적어도 하나의 프로세서(130), 디스플레이(140), 마이크(150), 입력 인터페이스(160), 스피커(170), 통신 인터페이스(180)를 포함할 수 있다. 이하에서는 도 1에서의 설명과 중복되는 부분에 대한 자세한 설명은 생략하기로 한다.
디스플레이(140)는 LCD(Liquid Crystal Display) 패널, OLED(Organic Light Emitting Diodes) 패널, AM-OLED(Active-Matrix Organic Light-Emitting Diode), LcoS(Liquid Crystal on Silicon), QLED(Quantum dot Light-Emitting Diode) 및 DLP(Digital Light Processing), PDP(Plasma Display Panel) 패널, 무기 LED 패널, 마이크로 LED 패널 등 다양한 종류의 디스플레이 패널을 포함할 수 있으나, 이에 한정되는 것은 아니다. 한편, 디스플레이(140)는 터치 패널과 함께 터치스크린을 구성할 수도 있으며, 플렉서블(flexible) 패널로 이루어질 수도 있다. 구체적으로, 디스플레이(140)는 사용자와 관련된 이벤트와 대응되는 복수의 데이터, 복수의 키워드 및 적어도 하나의 문장을 표시할 수 있다. 일 예로, 디스플레이(140)는 타임라인 형식으로 사용자와 관련된 이벤트와 대응되는 복수의 데이터, 복수의 키워드 및 적어도 하나의 문장을 표시할 수 있다.
마이크(150)는 소리를 획득하여 전기 신호로 변환하는 모듈을 의미할 수 있으며, 콘덴서 마이크, 리본 마이크, 무빙코일 마이크, 압전소자 마이크, 카본 마이크, MEMS(Micro Electro Mechanical System) 마이크일 수 있다. 또한, 무지향성, 양지향성, 단일지향성, 서브 카디오이드(Sub Cardioid), 슈퍼 카디오이드(Super Cardioid), 하이퍼 카디오이드(Hyper Cardioid)의 방식으로 구현될 수 있다. 즉, 마이크(150)를 통해 획득된 소리 데이터가 복수의 데이터에 포함될 수 있다. 또한, 전자 장치(100)는 마이크(150)를 통해 복수의 키워드 또는 적어도 하나의 문장을 변경하는 사용자 입력을 수신할 수 있다.
입력 인터페이스(160)는 회로를 포함하며, 전자 장치(100)에서 지원하는 각종 기능을 설정 또는 선택하기 위한 사용자 명령을 입력받을 수 있다. 이를 위해, 입력 인터페이스(160)는 복수의 버튼을 포함할 수 있고, 디스플레이의 기능을 동시에 수행할 수 있는 터치 스크린으로 구현될 수도 있다.
이 경우, 적어도 하나의 프로세서(130)는 입력 인터페이스(160)를 통해 입력된 사용자 명령에 기초하여 전자 장치(100)의 동작을 제어할 수 있다. 예를 들어, 적어도 하나의 프로세서(130)는 입력 인터페이스(160)를 통해 입력된 전자 장치(100)의 온/오프 명령, 전자 장치(100)의 기능의 온/오프 명령 등에 기초하여, 전자 장치(100)를 제어할 수 있다.
스피커(170)는 오디오를 출력할 수 있다. 구체적으로, 적어도 하나의 프로세서(130)는 전자 장치 (100)의 동작과 관련된 다양한 알림음 또는 음성 안내 메시지를 스피커(170)를 통해 출력할 수 있다. 즉, 적어도 하나의 프로세서(130)는 사용자로부터 키워드와 관련된 질의 및 이와 관련된 파생 질의에 대해 스피커(170)를 통해 알림음을 출력하거나, 질의 문장을 직접 출력할 수 있다.
도 10은 본 개시의 일 실시 예에 따른 문장을 생성하는 과정을 설명하기 위한 흐름도이다.
도 10을 참조하면, 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득할 수 있다(S1001). 여기에서, 복수의 데이터는 위치 데이터, 이동 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터 중 적어도 하나를 포함할 수 있다.
그리고, 복수의 데이터의 유사도에 기초하여 복수의 데이터 중 적어도 하나의 데이터에 대응되는 사용자와 관련된 이벤트를 판단할 수 있다(S1002).
이후, 복수의 데이터로부터 판단된 이벤트와 관련된 복수의 키워드를 결정할 수 있다(S1003).
다음으로, 복수의 키워드에 기초하여, 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다(S1004).
S1002 단계에서 복수의 데이터 및 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 포함하는 인공지능 모델에 기초하여 복수의 데이터의 유사도를 산출할 수 있다.
또는, S1002 단계에서 복수의 위치 데이터 중 처음으로 획득한 제1 위치 데이터를 판단하고, 제1 위치 데이터와 제1 위치 데이터 다음으로 획득한 제2 위치 데이터간 거리값에 기초하여 복수의 데이터의 유사도를 산출할 수 있다.
또는, S1002 단계에서 복수의 이동 데이터가 지속되는 시간에 기초하여 복수의 데이터의 유사도를 산출할 수 있다.
S1003 단계에서 위치 데이터, 이동 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터와 대응되는 위치 키워드, 이동 키워드, 날씨 키워드, 온도 키워드, 날짜 키워드, 요일 키워드, 시간 키워드 및 사진 키워드 중 적어도 하나를 포함하는 복수의 키워드를 결정할 수 있다.
S1004 단계는 사용자로부터 복수의 키워드 중 적어도 하나에 대응되는 사용자 입력을 수신할 수 있다. 이때, 사용자 입력에 기초하여 상기 복수의 키워드 중 적어도 하나를 변경할 수 있다. 그리고, 변경된 복수의 키워드에 기초하여 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다.
S1004 단계는 사용자로부터 적어도 하나의 문장에 대응되는 사용자 입력을 수신하고, 사용자 입력에 기초하여 적어도 하나의 문장을 변경할 수 있다.
그리고, S1004 단계는, 사용자 입력이 수신되면, 사용자 입력과 대응되는 적어도 하나의 문장의 성분을 분석할 수 있다. 이 때, 분석된 성분 및 복수의 키워드에 기초하여 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성할 수 있다.
한편, 사용자와 관련된 이벤트와 대응되는 복수의 데이터, 상기 복수의 키워드 및 적어도 하나의 문장 중 적어도 하나를 디스플레이에 표시할 수 있다.
그리고, 복수의 키워드에 기초하여 동일한 키워드 수를 산출하고, 산출된 키워드의 수를 기초로 키워드 통계를 획득할 수 있다.
본 개시에 따른 인공지능과 관련된 기능은 전자 장치의 프로세서와 메모리를 통해 동작된다.
프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 중 적어도 하나를 포함할 수 있으나 전술한 프로세서의 예시에 한정되지 않는다.
CPU는 일반 연산뿐만 아니라 인공지능 연산을 수행할 수 있는 범용 프로세서로서, 다계층 캐시(Cache) 구조를 통해 복잡한 프로그램을 효율적으로 실행할 수 있다. CPU는 순차적인 계산을 통해 이전 계산 결과와 다음 계산 결과의 유기적인 연계가 가능하도록 하는 직렬 처리 방식에 유리하다. 범용 프로세서는 전술한 CPU로 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
GPU는 그래픽 처리에 이용되는 부동 소수점 연산 등과 같은 대량 연산을 위한 프로세서로서, 코어를 대량으로 집적하여 대규모 연산을 병렬로 수행할 수 있다. 특히, GPU는 CPU에 비해 컨볼루션(Convolution) 연산 등과 같은 병렬 처리 방식에 유리할 수 있다. 또한, GPU는 CPU의 기능을 보완하기 위한 보조 프로세서(co-processor)로 이용될 수 있다. 대량 연산을 위한 프로세서는 전술한 GPU로 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
NPU는 인공 신경망을 이용한 인공지능 연산에 특화된 프로세서로서, 인공 신경망을 구성하는 각 레이어를 하드웨어(예로, 실리콘)로 구현할 수 있다. 이때, NPU는 업체의 요구 사양에 따라 특화되어 설계되므로, CPU나 GPU에 비해 자유도가 낮으나, 업체가 요구하기 위한 인공지능 연산을 효율적으로 처리할 수 있다. 한편, 인공지능 연산에 특화된 프로세서로, NPU 는 TPU(Tensor Processing Unit), IPU(Intelligence Processing Unit), VPU(Vision processing unit) 등과 같은 다양한 형태로 구현 될 수 있다. 인공 지능 프로세서는 전술한 NPU로 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
또한, 하나 또는 복수의 프로세서는 SoC(System on Chip)으로 구현될 수 있다. 이때, SoC에는 하나 또는 복수의 프로세서 이외에 메모리, 및 프로세서와 메모리 사이의 데이터 통신을 위한 버스(Bus)등과 같은 네트워크 인터페이스를 더 포함할 수 있다.
전자 장치에 포함된 SoC(System on Chip)에 복수의 프로세서가 포함된 경우, 전자 장치는 복수의 프로세서 중 일부 프로세서를 이용하여 인공지능과 관련된 연산(예를 들어, 인공지능 모델의 학습(learning)이나 추론(inference)에 관련된 연산)을 수행할 수 있다. 예를 들어, 전자 장치는 복수의 프로세서 중 컨볼루션 연산, 행렬 곱 연산 등과 같은 인공지능 연산에 특화된 GPU, NPU, VPU, TPU, 하드웨어 가속기 중 적어도 하나를 이용하여 인공지능과 관련된 연산을 수행할 수 있다. 다만, 이는 일 실시예에 불과할 뿐, CPU 등과 범용 프로세서를 이용하여 인공지능과 관련된 연산을 처리할 수 있음은 물론이다.
또한, 전자 장치는 하나의 프로세서에 포함된 멀티 코어(예를 들어, 듀얼 코어, 쿼드 코어 등)를 이용하여 인공지능과 관련된 기능에 대한 연산을 수행할 수 있다. 특히, 전자 장치는 프로세서에 포함된 멀티 코어를 이용하여 병렬적으로 컨볼루션 연산, 행렬 곱 연산 등과 같은 인공 지능 연산을 수행할 수 있다.
하나 또는 복수의 프로세서는, 메모리에 저장된 기정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 적어도 하나의 레이어는 적어도 하나의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 적어도 하나의 정의된 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks), Transformer가 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 기기를 포함할 수 있다. 명령이 적어도 하나의 프로세서에 의해 실행될 경우, 적어도 하나의 프로세서가 직접, 또는 적어도 하나의 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 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 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 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 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 적어도 하나의 센서
120 : 메모리
130 : 적어도 하나의 프로세서
130 : 적어도 하나의 프로세서
Claims (20)
- 문장을 생성할 수 있는 전자 장치에 있어서,
적어도 하나의 센서;
적어도 하나의 인스트럭션(instructions)을 저장하는 메모리;
상기 적어도 하나의 인스트럭션을 실행하는 적어도 하나의 프로세서;를 포함하고,
상기 적어도 하나의 프로세서는,
상기 적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득하고,
상기 복수의 데이터의 유사도에 기초하여 상기 복수의 데이터 중 적어도 하나의 데이터에 대응되는 상기 사용자와 관련된 이벤트를 판단하고,
상기 복수의 데이터로부터 상기 판단된 이벤트와 관련된 복수의 키워드를 결정하고,
상기 복수의 키워드에 기초하여, 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 전자 장치. - 제1항에 있어서,
상기 복수의 데이터 및 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 포함하는 인공지능 모델에 기초하여 상기 복수의 데이터의 유사도를 산출하고,
상기 유사도에 기초하여 상기 사용자와 관련된 이벤트를 판단하는 전자 장치. - 제1항에 있어서,
상기 복수의 데이터는 복수의 위치 데이터를 포함하고,
상기 적어도 하나의 프로세서는,
상기 복수의 위치 데이터 중 처음으로 획득한 제1 위치 데이터를 판단하고,
상기 제1 위치 데이터와 상기 제1 위치 데이터 다음으로 획득한 제2 위치 데이터간 거리값에 기초하여 상기 복수의 데이터의 유사도를 산출하고,
상기 유사도에 기초하여 상기 사용자와 관련된 이벤트를 판단하는 전자 장치. - 제1항에 있어서,
상기 복수의 데이터는 복수의 이동 데이터를 포함하고,
상기 적어도 하나의 프로세서는,
상기 복수의 이동 데이터가 지속되는 시간에 기초하여 상기 복수의 데이터의 유사도를 산출하고,
상기 유사도에 기초하여 상기 사용자와 관련된 이벤트를 판단하는 전자 장치. - 제1항에 있어서,
상기 이벤트와 대응되는 복수의 데이터는 위치 데이터, 이동 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터 중 적어도 하나를 포함하고,
상기 적어도 하나의 프로세서는,
상기 위치 데이터, 상기 이동 데이터, 상기 날씨 데이터, 상기 온도 데이터, 상기 날짜 데이터, 상기 요일 데이터, 상기 시간 데이터 및 상기 사진 데이터와 대응되는 위치 키워드, 이동 키워드, 날씨 키워드, 온도 키워드, 날짜 키워드, 요일 키워드, 시간 키워드 및 사진 키워드 중 적어도 하나를 포함하는 복수의 키워드를 결정하는 전자 장치. - 제1항에 있어서,
상기 적어도 하나의 프로세서는,
상기 사용자로부터 상기 복수의 키워드 중 적어도 하나에 대응되는 사용자 입력을 수신하고,
상기 사용자 입력에 기초하여 상기 복수의 키워드 중 적어도 하나를 변경하고,
상기 변경된 복수의 키워드에 기초하여 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 전자 장치. - 제1항에 있어서,
상기 적어도 하나의 프로세서는,
상기 사용자로부터 상기 적어도 하나의 문장에 대응되는 사용자 입력을 수신하고,
상기 사용자 입력에 기초하여 상기 적어도 하나의 문장을 변경하는 전자 장치. - 제7항에 있어서,
상기 적어도 하나의 프로세서는,
상기 사용자 입력이 수신되면, 상기 사용자 입력과 대응되는 적어도 하나의 문장의 성분을 분석하고,
상기 분석된 성분 및 상기 복수의 키워드에 기초하여 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 전자 장치. - 제1항에 있어서,
디스플레이;를 더 포함하고,
상기 적어도 하나의 프로세서는,
상기 사용자와 관련된 이벤트와 대응되는 상기 복수의 데이터, 상기 복수의 키워드 및 상기 적어도 하나의 문장 중 적어도 하나를 디스플레이에 표시하는 전자 장치. - 제1항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수의 키워드에 기초하여 동일한 키워드 수를 산출하고,
상기 산출된 키워드의 수를 기초로 키워드 통계를 획득하는 전자 장치. - 문장을 생성할 수 있는 전자 장치의 제어 방법에 있어서,
적어도 하나의 센서로부터 획득된 센싱값에 기초하여 사용자의 일상 생활과 관련된 복수의 데이터를 획득하는 단계;
상기 복수의 데이터의 유사도에 기초하여 상기 복수의 데이터 중 적어도 하나의 데이터에 대응되는 상기 사용자와 관련된 이벤트를 판단하는 단계;
상기 복수의 데이터로부터 상기 판단된 이벤트와 관련된 복수의 키워드를 결정하는 단계; 및
상기 복수의 키워드에 기초하여, 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
상기 사용자와 관련된 이벤트를 판단하는 단계는,
상기 복수의 데이터 및 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 포함하는 인공지능 모델에 기초하여 상기 복수의 데이터의 유사도를 산출하는 단계; 및
상기 유사도에 기초하여 상기 사용자와 관련된 이벤트를 판단하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
상기 복수의 데이터는 복수의 위치 데이터를 포함하고,
상기 사용자와 관련된 이벤트를 판단하는 단계는,
상기 복수의 위치 데이터 중 처음으로 획득한 제1 위치 데이터를 판단하는 단계;
상기 제1 위치 데이터와 상기 제1 위치 데이터 다음으로 획득한 제2 위치 데이터간 거리값에 기초하여 상기 복수의 데이터의 유사도를 산출하는 단계; 및
상기 유사도에 기초하여 상기 사용자와 관련된 이벤트를 판단하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
상기 복수의 데이터는 복수의 이동 데이터를 포함하고,
상기 사용자와 관련된 이벤트를 판단하는 단계는,
상기 복수의 이동 데이터가 지속되는 시간에 기초하여 상기 복수의 데이터의 유사도를 산출하는 단계 및
상기 유사도에 기초하여 상기 사용자와 관련된 이벤트를 판단하는 단계를포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
상기 이벤트와 대응되는 복수의 데이터는 위치 데이터, 이동 데이터, 날씨 데이터, 온도 데이터, 날짜 데이터, 요일 데이터, 시간 데이터 및 사진 데이터 중 적어도 하나를 포함하고,
상기 복수의 키워드를 결정하는 단계는,
상기 위치 데이터, 상기 이동 데이터, 상기 날씨 데이터, 상기 온도 데이터, 상기 날짜 데이터, 상기 요일 데이터, 상기 시간 데이터 및 상기 사진 데이터와 대응되는 위치 키워드, 이동 키워드, 날씨 키워드, 온도 키워드, 날짜 키워드, 요일 키워드, 시간 키워드 및 사진 키워드 중 적어도 하나를 포함하는 복수의 키워드를 결정하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
상기 적어도 하나의 문장을 생성하는 단계는,
상기 사용자로부터 복수의 키워드 중 적어도 하나에 대응되는 사용자 입력을 수신하는 단계;
상기 사용자 입력에 기초하여 상기 복수의 키워드 중 적어도 하나를 변경하는 단계; 및
상기 변경된 복수의 키워드에 기초하여 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
적어도 하나의 문장을 생성하는 단계는,
상기 사용자로부터 상기 적어도 하나의 문장에 대응되는 사용자 입력을 수신하는 단계; 및
상기 사용자 입력에 기초하여 상기 적어도 하나의 문장을 변경하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
적어도 하나의 문장을 생성하는 단계는,
상기 사용자 입력이 수신되면, 상기 사용자 입력과 대응되는 적어도 하나의 문장의 성분을 분석하는 단계;
상기 분석된 성분 및 상기 복수의 키워드에 기초하여 상기 사용자와 관련된 이벤트에 대응되는 적어도 하나의 문장을 생성하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
상기 사용자와 관련된 이벤트와 대응되는 상기 복수의 데이터, 상기 복수의 키워드 및 상기 적어도 하나의 문장 중 적어도 하나를 디스플레이에 표시하는 단계를 포함하는 전자 장치의 제어 방법. - 제11항에 있어서,
상기 복수의 키워드에 기초하여 동일한 키워드 수를 산출하는 단계; 및
상기 산출된 키워드의 수를 기초로 키워드 통계를 획득하는 단계를 포함하는 전자 장치의 제어 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220117824A KR20240039363A (ko) | 2022-09-19 | 2022-09-19 | 전자 장치 및 그의 제어 방법 |
| PCT/KR2023/013496 WO2024063417A1 (ko) | 2022-09-19 | 2023-09-08 | 전자 장치 및 그의 제어 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220117824A KR20240039363A (ko) | 2022-09-19 | 2022-09-19 | 전자 장치 및 그의 제어 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240039363A true KR20240039363A (ko) | 2024-03-26 |
Family
ID=90454731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220117824A KR20240039363A (ko) | 2022-09-19 | 2022-09-19 | 전자 장치 및 그의 제어 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240039363A (ko) |
| WO (1) | WO2024063417A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100058833A (ko) * | 2008-11-25 | 2010-06-04 | 삼성전자주식회사 | 모바일 기기에서 감지 가능한 사용자의 행위 기반의 사용자기호 마이닝 방법 |
| US8494852B2 (en) * | 2010-01-05 | 2013-07-23 | Google Inc. | Word-level correction of speech input |
| JP2011232871A (ja) * | 2010-04-26 | 2011-11-17 | Sony Corp | 情報処理装置、テキスト選択方法及びプログラム |
| KR101265062B1 (ko) * | 2011-11-16 | 2013-05-16 | 주식회사 보나비젼 | 유사도 결정 방법 및 유사도 결정 장치 |
| KR102476383B1 (ko) * | 2020-05-12 | 2022-12-09 | 인하대학교 산학협력단 | 딥러닝 기반 키워드 추출 방법 및 장치 |
-
2022
- 2022-09-19 KR KR1020220117824A patent/KR20240039363A/ko unknown
-
2023
- 2023-09-08 WO PCT/KR2023/013496 patent/WO2024063417A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024063417A1 (ko) | 2024-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111901638B (zh) | 媒体资产的行为策展 | |
| US20230105027A1 (en) | Adapting a virtual reality experience for a user based on a mood improvement score | |
| CN112189229B (zh) | 针对计算机化个人助手的技能发现 | |
| US10732799B2 (en) | Electronic device for playing-playing contents and method thereof | |
| US11762952B2 (en) | Artificial reality application lifecycle | |
| US9927949B2 (en) | Recognition interfaces for computing devices | |
| KR20230058641A (ko) | 증강 현실 환경에서의 콘텐츠 아이템 관리 | |
| CN110168571B (zh) | 用于人工智能界面生成、演进和/或调节的系统和方法 | |
| US20210217409A1 (en) | Electronic device and control method therefor | |
| US10652614B2 (en) | System and method for content delivery optimization based on a combined captured facial landmarks and external datasets | |
| US20180107638A1 (en) | Displaying supplemental information about selected e-book objects | |
| CN108241520A (zh) | 提供用户的待办事项列表的系统和方法 | |
| KR20200046188A (ko) | 인공 지능 모델을 재구성하기 위한 전자 장치 및 그의 제어 방법 | |
| CN111512617B (zh) | 推荐联系人信息的装置和方法 | |
| US20220292346A1 (en) | System and method for intelligent service intermediation | |
| KR20230021144A (ko) | 사용자 선호도를 반영한 기계 학습 기반 이미지 압축 세팅 | |
| US20190251355A1 (en) | Method and electronic device for generating text comment about content | |
| EP4327212A1 (en) | Automated memory creation and retrieval from moment content items | |
| US20240346823A1 (en) | Automatic generation of events using a machine-learning model | |
| CN107667383B (zh) | 推断用于与数字助理一起使用的提示 | |
| US12079884B2 (en) | Automated memory creation and retrieval from moment content items | |
| JP7047656B2 (ja) | 情報出力装置、方法およびプログラム | |
| KR20240039363A (ko) | 전자 장치 및 그의 제어 방법 | |
| US20220335026A1 (en) | Automated memory creation and retrieval from moment content items | |
| CN105635434A (zh) | 移动终端及其控制方法 |