WO2020197074A1 - 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치 - Google Patents

지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치 Download PDF

Info

Publication number
WO2020197074A1
WO2020197074A1 PCT/KR2020/001320 KR2020001320W WO2020197074A1 WO 2020197074 A1 WO2020197074 A1 WO 2020197074A1 KR 2020001320 W KR2020001320 W KR 2020001320W WO 2020197074 A1 WO2020197074 A1 WO 2020197074A1
Authority
WO
WIPO (PCT)
Prior art keywords
knowledge
conversation
user
query
necessary
Prior art date
Application number
PCT/KR2020/001320
Other languages
English (en)
French (fr)
Inventor
최기선
안상민
김건태
이민호
Original Assignee
한국과학기술원
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
Priority claimed from KR1020190042901A external-priority patent/KR102192796B1/ko
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Publication of WO2020197074A1 publication Critical patent/WO2020197074A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Definitions

  • the following embodiments relate to a conversation-driven method and apparatus of a conversation agent for knowledge learning.
  • the dialog agent refers to a system that communicates in natural language similar to humans.
  • the conversation agent can be broadly divided into a purpose-oriented conversation agent and a non-purpose-oriented conversation agent.
  • the purpose-oriented conversation agent is a conversation agent for achieving a specific purpose.
  • chatbot services such as Kookmin Bank's "Rev Smart Tek", Shinhan Bank's “Sol” chatbot, and Woori Bank's "WeBite Talk”.
  • the non-purpose-oriented conversation agent is an agent that conducts conversation without a specific purpose, for example, "SimSimi".
  • the limitation of the current conversation agent is that the knowledge base (KB) that the goal-oriented conversation agent refers to to achieve its purpose is fixed or needs periodic updates.
  • KB knowledge base
  • a non-purpose oriented conversation agent must have a knowledge base on common sense in order to continue a natural conversation.
  • Conversation in the real world can be learned by mutual information exchange, but the conversation agent requires only the information necessary to achieve the user's purpose (movie ticket reservation, weather search, restaurant reservation, etc.). It's just that. That is, the current conversation agent performs only passive conversations that designate the system's speech according to the user's speech.
  • Korean Patent Laid-Open Publication No. 10-2016-0149488 discloses a technique for a conversation sequence management apparatus and method according to such conversation situations and topics.
  • the embodiments describe a conversation-leading method and apparatus of a conversation agent for knowledge learning, and more specifically, in the process of acquiring knowledge through a conversation with a user by the system, a topic is changed proactively for efficient knowledge acquisition of the system. Suggest a conversation agent.
  • a conversation agent in a natural conversation with a user, can actively acquire the knowledge required through subject change, direct question, etc., and learn it by itself to expand the knowledge base. Methods and apparatus are provided.
  • a conversation driving apparatus of a conversation agent for learning knowledge includes: a necessary knowledge search unit that searches for necessary knowledge to be additionally acquired in a knowledge base for a conversation topic identified in a user's speech; And a knowledge acquisition unit that learns new knowledge from the user's answer as a query to the user based on the necessary knowledge through the system query generation unit, and expands the knowledge base with the learned knowledge. Knowledge can be extracted from the user's response.
  • a dialogue subject conversion unit further includes a dialogue subject conversion unit that leads to change the subject of the dialogue subject according to a query for obtaining the necessary knowledge based on the knowledge of the knowledge base. can do.
  • the knowledge base may be stored to refer to the necessary knowledge, and may further include a knowledge base that is expanded by adding new knowledge, which is a general knowledge acquired through a conversation with the user.
  • the user speech analysis unit may further include a user speech analysis unit that analyzes the conversation topic of the user’s utterance and delivers it to the necessary knowledge search unit.
  • a system query generator for generating a natural language query based on the necessary knowledge to query the user may be further included.
  • the system may further include a system query generator for generating a natural language query according to the topic of the conversation topic converted by the conversation subject conversion unit to query the user.
  • It may further include a user answer analysis unit for extracting knowledge from the user's answer to the query of the system query generator.
  • the conversation topic conversion unit may generate sentences for acquiring the necessary knowledge by proposing a new conversation topic or a new context according to a current conversation topic or a current context, and transmit it to the system query generator.
  • a conversation-driven method of a conversation agent for knowledge learning includes: the necessary knowledge search unit searching for necessary knowledge to be additionally acquired in a knowledge base for a conversation topic identified in a user's speech; And as a query to the user based on the necessary knowledge through a system query generator, the knowledge acquisition unit learns new knowledge from the user's answer, and expands the knowledge base with the learned knowledge, wherein the Knowledge can be extracted from the user's answer to the query.
  • the dialogue subject conversion unit may perform the step of leading a topic change of the dialogue subject according to a query for obtaining the necessary knowledge based on the knowledge of the knowledge base. It may contain more.
  • the knowledge base stores knowledge to refer to the necessary knowledge, and may be expanded by adding new knowledge, which is a general knowledge acquired through a conversation with the user.
  • the user speech analysis unit may further include analyzing the conversation topic of the user's speech and transmitting it to the necessary knowledge search unit.
  • the system query generator may further include generating a natural language query based on the necessary knowledge and querying the user.
  • the system query generating unit may further include generating a natural language query according to the topic of the conversation topic converted by the conversation subject conversion unit and querying the user.
  • the user answer analyzing unit may further include extracting knowledge from the user's answer to the query of the system query generating unit.
  • a conversation agent for knowledge learning that can actively acquire required knowledge through subject change, direct question, etc. in a natural conversation with a user, and learns it by itself, can expand the knowledge base.
  • a conversation-driven method and apparatus may be provided.
  • the system rather than the one-sided conversation led by the user, has its own purpose and attempts to achieve this lead, so that it can be developed into a more user-friendly interface. Accurate service is possible.
  • FIG. 1 is a diagram for explaining a chat agent that communicates with a user according to an exemplary embodiment.
  • FIG. 2 is a flowchart illustrating a method of leading a conversation by a conversation agent for knowledge learning according to an exemplary embodiment.
  • FIG. 3 is a diagram illustrating a device for initiating a conversation of a conversation agent for knowledge learning according to an exemplary embodiment.
  • FIG. 4 is a diagram illustrating an example of a necessary knowledge search unit and a conversation subject conversion unit according to an embodiment.
  • FIG. 5 is a diagram for explaining a conversation driving apparatus of a conversation agent for knowledge learning according to another embodiment.
  • FIG. 1 is a diagram for explaining a chat agent that communicates with a user according to an exemplary embodiment.
  • a conversation agent 120 communicating with a user 110 may lead a conversation flow according to necessary knowledge to be proactively known in order to learn new knowledge.
  • the conversation agent 120 can continuously augment a knowledge base (KB) for general knowledge through conversation with the user 110 and can conduct an active conversation with the user 110.
  • KB knowledge base
  • the conversation agent 120 may include a conversation driving device of the conversation agent 120 for knowledge learning described below.
  • the conversation driving apparatus of the conversation agent 120 for learning knowledge may include a necessary knowledge search unit, a conversation topic conversion unit, and a knowledge acquisition unit, and may further include a knowledge base.
  • the conversation driving apparatus of the conversation agent for knowledge learning according to the embodiment may further include a user speech analysis unit, a system query generation unit, and a user response analysis unit.
  • the knowledge base is a knowledge base held and referenced by the conversation initiating device (system) of the conversation agent 120.
  • the user utterance analysis unit can analyze the conversation topic of the utterance initiated by the user 110, and the necessary knowledge search unit obtains additional knowledge to be acquired from the current knowledge base for the conversation topic identified in the utterance of the user 110. You can check if there are any and search for what knowledge needs to be acquired.
  • the system query generation unit may generate a natural language question based on necessary knowledge, and the conversation subject conversion unit may generate a utterance that proposes a new topic or context to the user 110 according to the question to be asked.
  • the user answer analysis unit may extract knowledge from the user 110's answer to the system question.
  • the knowledge acquisition unit can expand the actual knowledge base with the extracted knowledge.
  • the system can actively acquire knowledge through subject change and direct questioning in a natural conversation with the user 110.
  • An apparatus and a method for initiating conversation of a conversation agent for learning such knowledge will be described in detail below.
  • FIG. 2 is a flowchart illustrating a method of leading a conversation by a conversation agent for knowledge learning according to an exemplary embodiment.
  • the necessary knowledge search unit searches for necessary knowledge to be additionally acquired in the knowledge base for the conversation topic identified in the user's speech (220). And a step (260) of expanding the knowledge base to the learned knowledge by learning new knowledge from the user's answer, as a query is made to the user based on the necessary knowledge through the system query generator. And, it is possible to extract knowledge from the user's answer to the query.
  • the conversation topic conversion unit leads the topic conversion of the conversation topic in accordance with a query for acquiring the necessary knowledge based on the knowledge of the knowledge base in order to query the user for the necessary knowledge retrieved by the necessary knowledge search unit.
  • Step 230 may be further included.
  • the conversation-directing method of a conversation agent for knowledge learning further comprises a step 210 of analyzing the conversation topic of the user's speech, and transferring the user speech analysis unit to the necessary knowledge search unit. I can.
  • system query generation unit may further include a step 240 of generating a natural language query based on the necessary knowledge and querying the user. Meanwhile, the system query generation unit may further include generating a natural language query according to the topic of the conversation topic converted by the conversation topic conversion unit and querying the user.
  • the user answer analysis unit may further include a step 250 of extracting knowledge from the user's answer to the query of the system query generation unit.
  • FIG. 3 is a diagram illustrating a device for initiating a conversation of a conversation agent for knowledge learning according to an exemplary embodiment.
  • a conversation driving apparatus 300 of a conversation agent for learning knowledge may include a necessary knowledge search unit 320 and a knowledge acquisition unit 370, and a conversation subject conversion unit ( 350) may be further included.
  • the conversation driving apparatus 300 of the conversation agent for knowledge learning according to the embodiment includes a user speech analysis unit 310, a knowledge base 330, a system query generation unit 340, and a user answer analysis unit 360. It may be further included.
  • a conversation driving apparatus 300 of a conversation agent for knowledge learning according to an embodiment will be described in more detail with an example through the conversation lead method of a conversation agent for knowledge learning according to the embodiment described in FIG. 2 To
  • step 210 the user utterance analysis unit 310 analyzes the topic of conversation about the utterance initiated by the user, and analyzes the topic of the conversation about the user's utterance and transmits it to the necessary knowledge search unit 320. .
  • the necessary knowledge search unit 320 may search for necessary knowledge to be additionally acquired in the knowledge base 330 for the conversation topic identified in the user's speech. That is, the necessary knowledge search unit 320 checks whether there is knowledge to be additionally acquired from the current knowledge base 330 for the conversation topic identified in the user utterance, and if there is no other knowledge to be acquired can do.
  • the necessary knowledge search unit 320 queries the user for necessary knowledge through the system query generation unit 340 without going through the dialogue subject conversion unit 350 when there is additional knowledge to be acquired from the current dialogue topic. can do.
  • the necessary knowledge search unit 320 may search for any other knowledge to be acquired when there is no additional knowledge to be acquired in the current conversation topic, and switch the topic of the conversation topic through the conversation topic conversion unit 350 can do.
  • the knowledge base 330 refers to the knowledge base 330 that the system holds and refers to, and stores the knowledge to refer to the necessary knowledge, and expands by adding new knowledge, which is a general knowledge acquired through a conversation with a user. I can.
  • step 230 the conversation topic conversion unit 350 in accordance with a query for acquiring necessary knowledge based on the knowledge of the knowledge base 330 in order to query the user for the necessary knowledge retrieved by the necessary knowledge search unit 320 You can lead the topic change of conversation topics.
  • the conversation topic conversion unit 350 may generate sentences for acquiring necessary knowledge by proposing a new conversation topic or new context in accordance with the current conversation topic or the current context, and transmit them to the system query generator 340. Therefore, for the purpose of the system, the dialogue flow itself can be proactively changed and presented.
  • the system query generation unit 340 may query a user by generating a natural language query based on necessary knowledge.
  • the system query generation unit 340 may query the user by generating a natural language query according to the topic of the conversation topic converted by the conversation topic conversion unit 350.
  • the user answer analysis unit 360 may extract knowledge from the user's answer to the query of the system query generation unit 340.
  • step 260 as the system query generator 340 makes a query to the user based on the necessary knowledge, the knowledge acquisition unit 370 learns new knowledge from the user's answer, 330 can be expanded.
  • the acquired new knowledge is knowledge based on general facts, and conversation topics can be actively presented in order to learn such general knowledge.
  • the conversation driving apparatus 300 of a conversation agent for knowledge learning may learn by himself or herself by asking a question about required knowledge and answering it.
  • the conversation driving apparatus 300 of a conversation agent for knowledge learning may actively ask a question according to required knowledge and perform knowledge learning. This may have a goal that the active action of the conversation driving device 300 is to expand the knowledge base 330.
  • FIG. 4 is a diagram illustrating an example of a necessary knowledge search unit and a conversation subject conversion unit according to an embodiment.
  • a conversation topic received from a necessary knowledge search unit 320 of a conversation driving apparatus 300 of a conversation agent for knowledge learning is converted to a conversation topic through a conversation topic conversion unit 350.
  • It shows an example of converting and generating a query through the system query generator, and the operation method is as follows.
  • the behavior when given the topic of conversation for example'Paris', is explained.
  • the necessary knowledge search unit 320 may receive from the user speech analysis unit 310 that the current conversation topic is “Paris”.
  • the necessary knowledge search unit 320 may confirm that there is no knowledge desired to know about'Paris' in the current knowledge base 330.
  • the necessary knowledge search unit 320 may find that there is a city called Marseille that is related to Paris, and it is necessary to know who is the manager of the soccer team Olympique detruction, which is related to Marseille.
  • the conversation topic conversion unit 350 may generate sentences that can convert the current conversation topic from'Paris' to a soccer team called'Olympique de Marseille' based on the knowledge of the knowledge base 330.
  • the system query generation unit 340 may generate a query asking the manager of the Olympic detruction soccer team, who is an knowledgeable knowledgeable player.
  • the conversation agent that learns knowledge from the user does not acquire knowledge by being limited to conversation topics that can be grasped by the conversation leading device 300 (system) from the knowledge base 330 and grasping the current user's utterance. , It is possible to lead the conversation flow according to the knowledge that the conversation leading device 300 wants to know.
  • the following shows a comparison between a case of converting a conversation subject through a conversation subject conversion unit in a conversation driving apparatus of a conversation agent for knowledge learning and a case in which the conversation subject is not converted.
  • the necessary knowledge search unit determines that the knowledge of PSY's debut year is necessary, generates a query according to the question to be asked through the conversation topic conversion unit, and converts it into natural language through the system query generation unit to query the user. .
  • the knowledge acquisition unit stores the knowledge about the debut year of the new intellectual, Psy, in the knowledge base, and this knowledge can be used later.
  • the conversation driving apparatus may find knowledge to be expanded in the currently possessed knowledge base.
  • the knowledge to be expanded can be learned through subject conversion and questioning in a natural conversation with the user, and the knowledge base can be expanded by adding the learned knowledge to the knowledge base.
  • FIG. 5 is a diagram for explaining a conversation driving apparatus of a conversation agent for knowledge learning according to another embodiment.
  • a conversation driving apparatus 510 of a conversation agent for knowledge learning includes a necessary knowledge search unit 511, a conversation topic conversion unit 512, and a knowledge acquisition unit 513.
  • a knowledge base 520 may be further included.
  • the conversation driving apparatus 510 of a conversation agent for knowledge learning according to another embodiment includes a user speech analysis unit 530, a system query generation unit 540, and a user answer analysis.
  • a portion 550 may be further included.
  • the conversation driving apparatus 510 of the conversation agent for knowledge learning may include a necessary knowledge search unit 511, a conversation topic conversion unit 512, and a knowledge acquisition unit 513, and A user speech analysis unit 530, a system query generation unit 540, and a user response analysis unit 550, which are external devices separately configured in, may be further included or may be connected to an external device.
  • the conversation driving device 510 of a conversation agent for knowledge learning is a necessary knowledge search unit that searches for necessary knowledge to be additionally acquired in the knowledge base 520 for a conversation topic identified in a user's speech.
  • the knowledge learned by learning new knowledge from the user's response by querying the user based on the necessary knowledge through the conversation topic conversion unit 512 leading the topic change and the system query generation unit 540 As a result, it may include a knowledge acquisition unit 513 that expands the knowledge base 520. Accordingly, knowledge can be extracted from the user's answer to the query.
  • Each configuration of the conversation driving apparatus 510 of a conversation agent for knowledge learning according to another embodiment is the configuration of the conversation leading apparatus of a conversation agent for knowledge learning according to an embodiment described with reference to FIGS. 2 to 4. Some of the same and duplicate descriptions will be omitted.
  • the conversation-leading device and method of a conversation agent for knowledge learning can be applied to a question answering system, an artificial intelligence assistant system, an IoT service, and the like, and a knowledge base may play a very important role in an artificial intelligence service.
  • this knowledge base can be expanded and the possibility of development into personalization, it can be used in various fields that provide artificial intelligence services.
  • it is highly versatile in AI speaker and assistant systems that are provided interactively.
  • the voice interface is the most commonly used user interface in the IoT (Internet of Things) field, and this voice interface is built based on a conversation system.
  • the apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component.
  • the devices and components described in the embodiments include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It can be implemented using one or more general purpose computers or special purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions.
  • the processing device may execute an operating system (OS) and one or more software applications executed on the operating system.
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • OS operating system
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • the processing device is a plurality of processing elements and/or multiple types of processing elements. It can be seen that it may include.
  • the processing device may include a plurality of processors or one processor and one controller.
  • other processing configurations are possible, such as a parallel processor.
  • the software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device.
  • Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. Can be embodyed in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of the program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치가 제시된다. 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치는, 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스 내에서 추가로 획득되어야 하는 필요한 지식을 검색하는 필요 지식 검색부; 및 시스템 질의 생성부를 통해 상기 필요한 지식을 기반으로 상기 사용자에게 질의를 함에 따라 상기 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 상기 지식베이스를 확장시키는 지식 습득부를 포함하고, 상기 질의에 대한 상기 사용자의 답변으로부터 지식을 추출할 수 있다.

Description

지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치
아래의 실시예들은 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치에 관한 것이다.
대화 에이전트(dialog agent)는 인간과 유사하게 자연언어로 소통하는 시스템을 의미한다. 대화 에이전트는 크게 목적 지향적 대화 에이전트와 비목적 지향적 대화 에이전트로 나눌 수 있다. 목적 지향적 대화 에이전트는 특정 목적을 달성하기 위한 대화 에이전트이며, 예컨대 국민은행의 "리브똑똑", 신한은행 "쏠"의 챗봇, 우리은행의 "위비톡" 등의 챗봇 서비스가 있다. 비목적 지향적 대화 에이전트는 특정 목적을 가지지 않고 대화를 진행하는 에이전트로, 예를 들어 "심심이"가 있다.
현재 대화 에이전트의 한계는 목적 지향적 대화 에이전트가 목적 달성을 위해 참고하는 지식베이스(Knowledge Base, KB)는 고정되어 있거나 주기적인 업데이트를 필요로 하는 것이다. 또한, 비목적 지향적 대화 에이전트도 일반 상식에 대한 지식베이스를 갖추어야 자연스러운 대화를 이어 나갈 수 있다.
현실 세계에서의 대화는 상호간의 정보 교류에 의한 학습이 가능하지만, 대화 에이전트는 사용자의 목적(영화 티켓 예매, 날씨 검색, 식당 예약 등) 달성에 필요한 정보만을 요구하여 채워 넣는 수동적인 방식의 대화에 불과하다. 즉, 현재 대화 에이전트는 사용자의 발화에 맞추어 시스템의 발화를 지정하는 수동적인 대화만을 수행한다.
한국공개특허 10-2016-0149488호는 이러한 대화 상황 및 주제에 따른 대화 순서 관리 장치 및 방법에 관한 기술을 기재하고 있다.
실시예들은 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치에 관하여 기술하며, 보다 구체적으로 시스템이 사용자와의 대화를 통해 지식을 습득하는 과정에 있어서 시스템의 효율적 지식 습득을 위해 주도적으로 화제를 전환하는 대화 에이전트를 제안한다.
실시예들은 사용자와의 자연스러운 대화 속에서 주제 변환, 직접적인 질문 등을 통해 능동적으로 필요로 하는 지식을 습득할 수 있고, 이를 스스로 학습하여 지식베이스를 확장시킬 수 있는 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치를 제공한다.
일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치는, 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스 내에서 추가로 획득되어야 하는 필요한 지식을 검색하는 필요 지식 검색부; 및 시스템 질의 생성부를 통해 상기 필요한 지식을 기반으로 상기 사용자에게 질의를 함에 따라 상기 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 상기 지식베이스를 확장시키는 지식 습득부를 포함하고, 상기 질의에 대한 상기 사용자의 답변으로부터 지식을 추출할 수 있다.
상기 필요 지식 검색부에서 검색된 상기 필요한 지식을 상기 사용자에게 질의하기 위해 상기 지식베이스의 지식들을 기반으로 상기 필요한 지식을 획득하기 위한 질의에 맞춰 상기 대화 주제의 화제 전환을 주도하는 대화 주제 변환부를 더 포함할 수 있다.
상기 필요한 지식을 참조하도록 지식을 저장하며, 상기 사용자와의 대화를 통해 획득한 일반적인 지식인 새로운 지식을 추가하여 확장되는 지식베이스를 더 포함할 수 있다.
상기 사용자가의 발화에 대한 상기 대화 주제를 분석하고, 상기 필요 지식 검색부에 전달하는 사용자 발화 분석부를 더 포함할 수 있다.
상기 필요한 지식을 기반으로 자연언어 질의를 생성하여 상기 사용자에게 질의하는 시스템 질의 생성부를 더 포함할 수 있다.
상기 대화 주제 변환부에서 전환된 상기 대화 주제의 화제에 따른 자연언어 질의를 생성하여 상기 사용자에게 질의하는 시스템 질의 생성부를 더 포함할 수 있다.
상기 시스템 질의 생성부의 질의에 대한 상기 사용자의 답변으로부터 지식을 추출하는 사용자 답변 해석부를 더 포함할 수 있다.
상기 대화 주제 변환부는, 현재 대화 주제 또는 현재 문맥에 맞춰 새로운 대화 주제 또는 새로운 문맥을 제안하여 상기 필요한 지식을 획득하기 위한 문장들을 생성하여 상기 시스템 질의 생성부에 전달할 수 있다.
다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 방법은, 필요 지식 검색부는 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스 내에서 추가로 획득되어야 하는 필요한 지식을 검색하는 단계; 및 시스템 질의 생성부를 통해 상기 필요한 지식을 기반으로 상기 사용자에게 질의를 함에 따라, 지식 습득부는 상기 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 상기 지식베이스를 확장시키는 단계를 포함하고, 상기 질의에 대한 상기 사용자의 답변으로부터 지식을 추출할 수 있다.
대화 주제 변환부는 상기 필요 지식 검색부에서 검색된 상기 필요한 지식을 상기 사용자에게 질의하기 위해 상기 지식베이스의 지식들을 기반으로 상기 필요한 지식을 획득하기 위한 질의에 맞춰 상기 대화 주제의 화제 전환을 주도하는 단계를 더 포함할 수 있다.
상기 지식베이스는, 상기 필요한 지식을 참조하도록 지식을 저장하며, 상기 사용자와의 대화를 통해 획득한 일반적인 지식인 새로운 지식을 추가하여 확장될 수 있다.
사용자 발화 분석부는 상기 사용자가의 발화에 대한 상기 대화 주제를 분석하고, 상기 필요 지식 검색부에 전달하는 단계를 더 포함할 수 있다.
시스템 질의 생성부는 상기 필요한 지식을 기반으로 자연언어 질의를 생성하여 상기 사용자에게 질의하는 단계를 더 포함할 수 있다.
시스템 질의 생성부는 상기 대화 주제 변환부에서 전환된 상기 대화 주제의 화제에 따른 자연언어 질의를 생성하여 상기 사용자에게 질의하는 단계를 더 포함할 수 있다.
사용자 답변 해석부는 상기 시스템 질의 생성부의 질의에 대한 상기 사용자의 답변으로부터 지식을 추출하는 단계를 더 포함할 수 있다.
실시예들에 따르면 사용자와의 자연스러운 대화 속에서 주제 변환, 직접적인 질문 등을 통해 능동적으로 필요로 하는 지식을 습득할 수 있고, 이를 스스로 학습하여 지식베이스를 확장시킬 수 있는 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치를 제공할 수 있다.
실시예들에 따르면 사용자가 주도하는 일방적인 대화가 아닌 시스템이 자체적으로 목적을 가지고 이를 주도적으로 달성하려는 점에서 한 층 더 유저 친화적인 인터페이스로 발전할 수 있고, 지식베이스의 지속적인 확장으로 더 다양하고 정확한 서비스가 가능하다.
도 1은 일 실시예에 따른 사용자와 대화하는 대화 에이전트를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 필요 지식 검색부와 대화 주제 변환부의 예시를 나타내는 도면이다.
도 5는 다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 일 실시예에 따른 사용자와 대화하는 대화 에이전트를 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 사용자(110)와 대화하는 대화 에이전트(120)는 새로운 지식을 학습하기 위해 주도적으로 알고자 하는 필요한 지식에 맞춰 대화 흐름을 이끌어 나갈 수 있다. 이러한 대화 에이전트(120)는 사용자(110)와의 대화를 통해 지속적으로 일반적인 지식에 대한 지식베이스(Knowledge Base, KB)를 증강시킬 수 있고, 사용자(110)와 능동적인 대화를 진행할 수 있다.
이러한 대화 에이전트(120)는 아래에서 설명되는 지식 학습을 위한 대화 에이전트(120)의 대화 주도 장치를 포함할 수 있다.
일 실시예에 따른 지식 학습을 위한 대화 에이전트(120)의 대화 주도 장치는 필요 지식 검색부, 대화 주제 변환부 및 지식 습득부를 포함할 수 있으며, 지식베이스를 더 포함하여 이루어질 수 있다. 또한, 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치는 사용자 발화 분석부, 시스템 질의 생성부 및 사용자 답변 해석부를 더 포함할 수 있다.
먼저, 지식베이스는 대화 에이전트(120)의 대화 주도 장치(시스템)가 보유하고 참조하는 지식베이스다. 사용자 발화 분석부는 사용자(110)가 시작한 발화에 대한 대화 주제 등을 분석할 수 있고, 필요 지식 검색부는 사용자(110)의 발화에서 파악된 대화 주제에 대해 현재 지식베이스에서 추가로 획득되어야 하는 지식이 있는지를 확인하고 어떤 지식이 획득되어야 되는지 검색할 수 있다. 또한, 시스템 질의 생성부는 필요한 지식을 토대로 자연언어 질문을 생성할 수 있으며, 대화 주제 변환부는 묻고자 하는 질문에 맞춰 사용자(110)에게 새로운 주제나 문맥을 제안하는 발화를 생성할 수 있다. 그리고 사용자 답변 해석부는 시스템의 질문에 대한 사용자(110)의 답변으로부터 지식을 추출할 수 있다. 마지막으로, 지식 습득부는 추출된 지식으로 실제 지식베이스를 확장시킬 수 있다.
따라서 일 실시예들에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치는 시스템이 사용자(110)와의 자연스러운 대화 속에서 주제 변환, 직접적 질문 등을 통해 능동적으로 지식을 습득할 수 있다. 이러한 지식 학습을 위한 대화 에이전트의 대화 주도 장치 및 방법을 아래에서 구체적으로 설명한다.
도 2는 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 방법을 나타내는 흐름도이다.
도 2를 참조하면, 지식 학습을 위한 대화 에이전트의 대화 주도 방법은, 필요 지식 검색부는 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스 내에서 추가로 획득되어야 하는 필요한 지식을 검색하는 단계(220) 및 시스템 질의 생성부를 통해 상기 필요한 지식을 기반으로 상기 사용자에게 질의를 함에 따라, 지식 습득부는 상기 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 상기 지식베이스를 확장시키는 단계(260)를 포함하고, 상기 질의에 대한 상기 사용자의 답변으로부터 지식을 추출할 수 있다.
또한, 대화 주제 변환부는 상기 필요 지식 검색부에서 검색된 상기 필요한 지식을 상기 사용자에게 질의하기 위해 상기 지식베이스의 지식들을 기반으로 상기 필요한 지식을 획득하기 위한 질의에 맞춰 상기 대화 주제의 화제 전환을 주도하는 단계(230)를 더 포함할 수 있다.
실시예에 따라 지식 학습을 위한 대화 에이전트의 대화 주도 방법은, 사용자 발화 분석부는 상기 사용자가의 발화에 대한 상기 대화 주제를 분석하고, 상기 필요 지식 검색부에 전달하는 단계(210)를 더 포함할 수 있다.
또한, 시스템 질의 생성부는 상기 필요한 지식을 기반으로 자연언어 질의를 생성하여 상기 사용자에게 질의하는 단계(240)를 더 포함할 수 있다. 한편, 시스템 질의 생성부는 상기 대화 주제 변환부에서 전환된 상기 대화 주제의 화제에 따른 자연언어 질의를 생성하여 상기 사용자에게 질의하는 단계를 더 포함할 수 있다.
또한, 사용자 답변 해석부는 상기 시스템 질의 생성부의 질의에 대한 상기 사용자의 답변으로부터 지식을 추출하는 단계(250)를 더 포함할 수 있다.
아래에서 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 방법을 보다 상세히 설명하기로 한다.
도 3은 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치를 설명하기 위한 도면이다.
도 3을 참조하면, 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(300)는 필요 지식 검색부(320) 및 지식 습득부(370)를 포함할 수 있으며, 대화 주제 변환부(350)를 더 포함하여 이루어질 수 있다. 또한, 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(300)는 사용자 발화 분석부(310), 지식베이스(330), 시스템 질의 생성부(340) 및 사용자 답변 해석부(360)를 더 포함하여 이루어질 수 있다.
일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(300)를 도 2에서 설명한 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 방법을 통해 하나의 예를 들어 보다 구체적으로 설명하기로 한다.
단계(210)에서, 사용자 발화 분석부(310)는 사용자가 시작한 발화에 대한 대화 주제 등을 분석하는 것으로, 사용자가의 발화에 대한 대화 주제를 분석하고 필요 지식 검색부(320)에 전달할 수 있다.
단계(220)에서, 필요 지식 검색부(320)는 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스(330) 내에서 추가로 획득되어야 하는 필요한 지식을 검색할 수 있다. 즉, 필요 지식 검색부(320)는 사용자 발화에서 파악된 대화 주제에 대해 현재의 지식베이스(330)에서 추가로 획득되어야 하는 지식이 있는지 여부를 확인하고, 없는 경우 다른 어떤 지식이 획득되어야 되는지 검색할 수 있다.
다시 말하면, 필요 지식 검색부(320)는 현재의 대화 주제에서 추가로 획득되어야 하는 지식이 있는 경우 대화 주제 변환부(350)를 거치지 않고 시스템 질의 생성부(340)를 통해 필요한 지식을 사용자에게 질의할 수 있다. 또한 필요 지식 검색부(320)는 현재의 대화 주제에서 추가로 획득되어야 하는 지식이 없는 경우 다른 어떤 지식이 획득되어야 되는지 검색할 수 있으며, 대화 주제 변환부(350)를 통해 대화 주제의 화제를 전환할 수 있다.
여기서, 지식베이스(330)는 시스템이 보유하고 참조하는 지식베이스(330)를 의미하며, 필요한 지식을 참조하도록 지식을 저장하고, 사용자와의 대화를 통해 획득한 일반적인 지식인 새로운 지식을 추가하여 확장될 수 있다.
단계(230)에서, 대화 주제 변환부(350)는 필요 지식 검색부(320)에서 검색된 필요한 지식을 사용자에게 질의하기 위해 지식베이스(330)의 지식들을 기반으로 필요한 지식을 획득하기 위한 질의에 맞춰 대화 주제의 화제 전환을 주도할 수 있다.
특히, 대화 주제 변환부(350)는 현재 대화 주제 또는 현재 문맥에 맞춰 새로운 대화 주제 또는 새로운 문맥을 제안하여 필요한 지식을 획득하기 위한 문장들을 생성하여 시스템 질의 생성부(340)에 전달할 수 있다. 따라서 시스템의 목적을 위해 대화 흐름 자체를 주도적으로 바꾸어 제시할 수 있다.
단계(240)에서, 시스템 질의 생성부(340)는 필요한 지식을 기반으로 자연언어 질의를 생성하여 사용자에게 질의할 수 있다. 특히, 시스템 질의 생성부(340)는 대화 주제 변환부(350)에서 전환된 대화 주제의 화제에 따른 자연언어 질의를 생성하여 사용자에게 질의할 수 있다.
단계(250)에서, 사용자 답변 해석부(360)는 시스템 질의 생성부(340)의 질의에 대한 사용자의 답변으로부터 지식을 추출할 수 있다.
단계(260)에서, 시스템 질의 생성부(340)를 통해 필요한 지식을 기반으로 사용자에게 질의를 함에 따라, 지식 습득부(370)는 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 지식베이스(330)를 확장시킬 수 있다. 여기서, 획득되는 새로운 지식은 일반적인 사실에 근거한 지식이며, 이러한 일반적인 지식을 학습하기 위하여 능동적으로 대화 주제를 제시할 수 있다.
이에 따라 질의에 대한 사용자의 답변으로부터 지식을 추출할 수 있다. 다시 말하면, 일 실시예들에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(300)는 필요로 하는 지식에 대해 질문을 하고 사용자는 이에 대한 답변을 해주는 것을 통해 스스로 학습을 할 수 있다.
이러한 일 실시예들에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(300)는 필요로 하는 지식에 따라 능동적으로 질문을 하며 지식 학습을 진행할 수 있다. 이는 대화 주도 장치(300)의 능동적 행동이 지식베이스(330)의 확장이라는 목표를 가질 수 있다.
도 4는 일 실시예에 따른 필요 지식 검색부와 대화 주제 변환부의 예시를 나타내는 도면이다.
도 4를 참조하면, 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(300)의 필요 지식 검색부(320)에서 전달 받은 대화 주제를 대화 주제 변환부(350)를 통해 대화 주제를 변환하고, 시스템 질의 생성기를 통해 질의를 생성하는 하나의 예시를 나타내며 그 동작 방법은 다음과 같다. 여기에서는 대화 주제로, 예를 들어 '파리'가 주어졌을 때의 동작을 설명한다.
먼저, 필요 지식 검색부(320)는 사용자 발화 분석부(310)로부터 현재 대화 주제가 '파리'임을 전달 받을 수 있다.
필요 지식 검색부(320)는 지식베이스(330)를 조사한 결과, 현재 지식베이스(330)에서는 '파리'에 대해서 알고자 하는 지식이 없다는 것을 확인할 수 있다. 필요 지식 검색부(320)는 파리와 관련 있는 마르세유라는 도시가 있고, 마르세유를 연고지를 하는 올랭피크 드 마르세유라는 축구팀의 감독이 누구인지 필요하다는 것을 발견할 수 있다.
이에 맞춰 대화 주제 변환부(350)는 지식베이스(330)의 지식들을 기반으로 현재 대화 주제를 '파리'에서 '올랭피크 드 마르세유'라는 축구팀으로 변환할 수 있는 문장들을 생성해 낼 수 있다.
시스템 질의 생성부(340)는 알고자 하는 지식인 올랭피크 드 마르세유 축구팀의 감독을 물어보는 질의를 생성할 수 있다.
사용자로부터 지식을 학습하는 대화 에이전트는 대화 주도 장치(300)(시스템)가 지식베이스(330)에서 필요한 지식을 검색하고, 현재 사용자의 발화에서 파악할 수 있는 대화 주제에 한정되어 지식을 습득하는 것이 아니라, 대화 주도 장치(300)가 주도적으로 알고자 하는 지식에 맞춰 대화 흐름을 이끌어 나갈 수 있다.
이에 따라 실제 사람과 같이 대화를 통해 지속적으로 일반 지식에 대한 지식베이스(330)를 증강시킬 수 있고, 사용자에 맞추어 작동하는 수동적 대화 에이전트를 넘어 적극적으로 대화에 나서는 능동적 대화 에이전트 개발에 기여할 수 있다.
아래에서는 지식 학습을 위한 대화 에이전트의 대화 주도 장치에서 대화 주제 변환부를 통해 대화 주제를 변환하는 경우와 대화 주제를 변환하지 않는 경우를 비교하여 나타낸다.
먼저, 지식 학습을 위한 대화 에이전트의 대화 주도 장치의 화제 전환을 거치지 않는 경우의 대화 예시를 나타낸다.
[표 1]
Figure PCTKR2020001320-appb-img-000001
표 1을 참조하면, 지식 학습을 위한 대화 에이전트의 대화 주도 장치의 필요 지식 검색부는 현재 대화 주제인 '아이유'에서 데뷔년도에 대한 지식이 필요하므로, 대화 주제 변환부를 거치지 않고 시스템 질의 생성부를 통해 사용자에게 질의를 할 수 있다.
그리고, 질의에 대한 사용자의 답변을 사용자 답변 해석부를 통해 인식한 후, 지식 습득부에서 새로운 지식인 아이유의 데뷔년도에 대한 지식을 지식베이스에 저장하고, 추후에 이 지식을 활용할 수 있다.
다음으로, 지식 학습을 위한 대화 에이전트의 대화 주도 장치의 대화 주제 변환부를 통해 화제 전환을 거치는 경우의 대화 예시를 나타낸다.
[표 2]
Figure PCTKR2020001320-appb-img-000002
표 2를 참조하면, 지식 학습을 위한 대화 에이전트의 대화 주도 장치의 필요 지식 검색부는 현재 대화 주제인 '아이유'에서 필요한 지식을 없다고 판단하고, 대화 주제 변환부를 통해 대화의 맥락에 맞도록 다른 가수인 '싸이'로 대화 주제를 변환할 수 있다. 필요 지식 검색부는 싸이의 데뷔년도에 대한 지식이 필요하다고 판단하고, 대화 주제 변환부를 통해 묻고자 하는 질문에 맞춰 질의를 생성하고, 시스템 질의 생성부를 통해 자연언어로 변환하여 사용자에게 질의를 할 수 있다.
그리고, 질의에 대한 사용자의 답변을 사용자 답변 해석부를 통해 인식한 후, 지식 습득부에서 새로운 지식인 싸이의 데뷔년도에 대한 지식을 지식베이스에 저장하고, 추후에 이 지식을 활용할 수 있다.
이와 같이, 실시예들에 따르면 대화 주도 장치가 현재 보유 지식베이스에서 확장되어야 할 지식을 찾아낼 수 있다. 확장하고자 하는 지식을 사용자와의 자연스러운 대화 안에서 주제 변환, 질문을 통해 학습하고, 학습된 지식이 지식베이스에 추가되어 지식베이스가 확장될 수 있다.
따라서, 사용자의 목적 달성을 위한 수단으로만 사용되는 대화 에이전트가 아닌, 대화 주도 장치의 자가 발전을 목적으로 이를 달성하고자 하는 대화 에이전트를 제공할 수 있다. 즉, 수동적 대화 참여자가 아닌 능동적으로 대화를 이끌어 나가는 대화 에이전트를 제공할 수 있다.
도 5는 다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치를 설명하기 위한 도면이다.
도 5를 참조하면, 다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(510)는 필요 지식 검색부(511), 대화 주제 변환부(512) 및 지식 습득부(513)를 포함할 수 있으며, 실시예에 따라 지식베이스(520)를 더 포함하여 이루어질 수 있다. 한편, 도 1 내지 도 4에서 설명한 바와 같이, 다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(510)는 사용자 발화 분석부(530), 시스템 질의 생성부(540) 및 사용자 답변 해석부(550)를 더 포함할 수 있다.
여기서, 다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(510)는 필요 지식 검색부(511), 대화 주제 변환부(512) 및 지식 습득부(513)를 포함할 수 있으며, 외부에 별도로 구성된 외부 장치인 사용자 발화 분석부(530), 시스템 질의 생성부(540) 및 사용자 답변 해석부(550)를 더 포함하거나 외부 장치와 연결될 수 있다.
다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(510)는 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스(520) 내에서 추가로 획득되어야 하는 필요한 지식을 검색하는 필요 지식 검색부(511)와, 상기 필요 지식 검색부(511)에서 검색된 상기 필요한 지식을 상기 사용자에게 질의하기 위해 상기 지식베이스(520)의 지식들을 기반으로 상기 필요한 지식을 획득하기 위한 질의에 맞춰 상기 대화 주제의 화제 전환을 주도하는 대화 주제 변환부(512)와, 시스템 질의 생성부(540)를 통해 상기 필요한 지식을 기반으로 상기 사용자에게 질의를 함에 따라 상기 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 상기 지식베이스(520)를 확장시키는 지식 습득부(513)를 포함하여 이루어질 수 있다. 이에 질의에 대한 상기 사용자의 답변으로부터 지식을 추출할 수 있다.
다른 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치(510)의 각 구성은 도 2 내지 도 4를 참조하여 설명한 일 실시예에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치의 그 구성과 일부 동일하여 중복되는 설명은 생략하기로 한다.
실시예들에 따른 지식 학습을 위한 대화 에이전트의 대화 주도 장치 및 방법은 질의응답 시스템, 인공지능 비서 시스템, IoT 서비스 등에 적용 가능하며, 인공지능 서비스에서 지식베이스는 매우 중요한 역할을 할 수 있다. 이러한 지식베이스를 확장할 수 있다는 점과 개인화로의 발전 가능성을 생각했을 때, 인공지능 서비스를 제공하는 다양한 분야에서 활용될 수 있다. 특히, 대화형으로 제공되는 AI 스피커 및 비서 시스템에서 활용성이 높다. 또한, 음성 인터페이스는 IoT(사물인터넷) 분야에서 가장 보편적으로 사용되는 유저 인터페이스이며, 이러한 음성 인터페이스는 대화 시스템을 기반으로 구축된다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스 내에서 추가로 획득되어야 하는 필요한 지식을 검색하는 필요 지식 검색부; 및
    시스템 질의 생성부를 통해 상기 필요한 지식을 기반으로 상기 사용자에게 질의를 함에 따라 상기 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 상기 지식베이스를 확장시키는 지식 습득부
    를 포함하고,
    상기 질의에 대한 상기 사용자의 답변으로부터 지식을 추출하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  2. 제1항에 있어서,
    상기 필요 지식 검색부에서 검색된 상기 필요한 지식을 상기 사용자에게 질의하기 위해 상기 지식베이스의 지식들을 기반으로 상기 필요한 지식을 획득하기 위한 질의에 맞춰 상기 대화 주제의 화제 전환을 주도하는 대화 주제 변환부
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  3. 제1항에 있어서,
    상기 필요한 지식을 참조하도록 지식을 저장하며, 상기 사용자와의 대화를 통해 획득한 일반적인 지식인 새로운 지식을 추가하여 확장되는 지식베이스
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  4. 제1항에 있어서,
    상기 사용자가의 발화에 대한 상기 대화 주제를 분석하고, 상기 필요 지식 검색부에 전달하는 사용자 발화 분석부
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  5. 제1항에 있어서,
    상기 필요한 지식을 기반으로 자연언어 질의를 생성하여 상기 사용자에게 질의하는 시스템 질의 생성부
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  6. 제2항에 있어서,
    상기 대화 주제 변환부에서 전환된 상기 대화 주제의 화제에 따른 자연언어 질의를 생성하여 상기 사용자에게 질의하는 시스템 질의 생성부
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  7. 제5항 또는 제6항에 있어서,
    상기 시스템 질의 생성부의 질의에 대한 상기 사용자의 답변으로부터 지식을 추출하는 사용자 답변 해석부
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  8. 제2항에 있어서,
    상기 대화 주제 변환부는,
    현재 대화 주제 또는 현재 문맥에 맞춰 새로운 대화 주제 또는 새로운 문맥을 제안하여 상기 필요한 지식을 획득하기 위한 문장들을 생성하여 상기 시스템 질의 생성부에 전달하는 것
    을 특징으로 하는, 지식 학습을 위한 대화 에이전트의 대화 주도 장치.
  9. 필요 지식 검색부는 사용자의 발화에서 파악된 대화 주제에 대해 지식베이스 내에서 추가로 획득되어야 하는 필요한 지식을 검색하는 단계; 및
    시스템 질의 생성부를 통해 상기 필요한 지식을 기반으로 상기 사용자에게 질의를 함에 따라, 지식 습득부는 상기 사용자의 답변으로부터 새로운 지식을 학습하여, 학습한 지식으로 상기 지식베이스를 확장시키는 단계
    를 포함하고,
    상기 질의에 대한 상기 사용자의 답변으로부터 지식을 추출하는, 지식 학습을 위한 대화 에이전트의 대화 주도 방법.
  10. 제9항에 있어서,
    대화 주제 변환부는 상기 필요 지식 검색부에서 검색된 상기 필요한 지식을 상기 사용자에게 질의하기 위해 상기 지식베이스의 지식들을 기반으로 상기 필요한 지식을 획득하기 위한 질의에 맞춰 상기 대화 주제의 화제 전환을 주도하는 단계
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 방법.
  11. 제9항에 있어서,
    상기 지식베이스는,
    상기 필요한 지식을 참조하도록 지식을 저장하며, 상기 사용자와의 대화를 통해 획득한 일반적인 지식인 새로운 지식을 추가하여 확장되는 것
    을 특징으로 하는, 지식 학습을 위한 대화 에이전트의 대화 주도 방법.
  12. 제9항에 있어서,
    사용자 발화 분석부는 상기 사용자가의 발화에 대한 상기 대화 주제를 분석하고, 상기 필요 지식 검색부에 전달하는 단계
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 방법.
  13. 제9항에 있어서,
    시스템 질의 생성부는 상기 필요한 지식을 기반으로 자연언어 질의를 생성하여 상기 사용자에게 질의하는 단계
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 방법.
  14. 제10항에 있어서,
    시스템 질의 생성부는 상기 대화 주제 변환부에서 전환된 상기 대화 주제의 화제에 따른 자연언어 질의를 생성하여 상기 사용자에게 질의하는 단계
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 방법.
  15. 제13항 또는 제14항에 있어서,
    사용자 답변 해석부는 상기 시스템 질의 생성부의 질의에 대한 상기 사용자의 답변으로부터 지식을 추출하는 단계
    를 더 포함하는, 지식 학습을 위한 대화 에이전트의 대화 주도 방법.
PCT/KR2020/001320 2019-03-27 2020-01-29 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치 WO2020197074A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20190034895 2019-03-27
KR10-2019-0034895 2019-03-27
KR1020190042901A KR102192796B1 (ko) 2019-03-27 2019-04-12 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치
KR10-2019-0042901 2019-04-12

Publications (1)

Publication Number Publication Date
WO2020197074A1 true WO2020197074A1 (ko) 2020-10-01

Family

ID=72609957

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/001320 WO2020197074A1 (ko) 2019-03-27 2020-01-29 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치

Country Status (1)

Country Link
WO (1) WO2020197074A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140280307A1 (en) * 2013-03-15 2014-09-18 Google Inc. Question answering to populate knowledge base
JP2017067850A (ja) * 2015-09-28 2017-04-06 株式会社デンソー 対話装置及び対話制御方法
US20170113353A1 (en) * 2014-04-17 2017-04-27 Softbank Robotics Europe Methods and systems for managing dialogs of a robot
KR101940928B1 (ko) * 2017-11-15 2019-01-21 휴먼식스 주식회사 자연어 인공지능 데이터베이스 구축방법과 그 거래방법
KR20190023316A (ko) * 2017-08-28 2019-03-08 주식회사 솔트룩스 대화 모델 기반의 질의응답 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140280307A1 (en) * 2013-03-15 2014-09-18 Google Inc. Question answering to populate knowledge base
US20170113353A1 (en) * 2014-04-17 2017-04-27 Softbank Robotics Europe Methods and systems for managing dialogs of a robot
JP2017067850A (ja) * 2015-09-28 2017-04-06 株式会社デンソー 対話装置及び対話制御方法
KR20190023316A (ko) * 2017-08-28 2019-03-08 주식회사 솔트룩스 대화 모델 기반의 질의응답 시스템
KR101940928B1 (ko) * 2017-11-15 2019-01-21 휴먼식스 주식회사 자연어 인공지능 데이터베이스 구축방법과 그 거래방법

Similar Documents

Publication Publication Date Title
WO2020111314A1 (ko) 개념 그래프 기반 질의응답 장치 및 방법
WO2018128238A1 (ko) 디스플레이 장치를 이용한 가상 상담 시스템 및 방법
WO2021034038A1 (en) Method and system for context association and personalization using a wake-word in virtual personal assistants
WO2017032187A1 (zh) 自动捕捉目标物的方法、装置及存储介质
WO2020204655A1 (en) System and method for context-enriched attentive memory network with global and local encoding for dialogue breakdown detection
WO2021049706A1 (ko) 앙상블 질의 응답을 위한 시스템 및 방법
WO2021095987A1 (ko) 다중타입 엔티티에 기반한 지식 보완 방법 및 장치
WO2021162362A1 (ko) 음성 인식 모델을 학습시키는 방법 및 상기 방법을 이용하여 학습된 음성 인식 장치
WO2022097927A1 (en) Method of live video event detection based on natural language queries, and an apparatus for the same
US20070016420A1 (en) Dictionary lookup for mobile devices using spelling recognition
WO2018212584A2 (ko) 딥 뉴럴 네트워크를 이용하여 문장이 속하는 클래스를 분류하는 방법 및 장치
WO2018169276A1 (ko) 언어 정보를 처리하기 위한 방법 및 그 전자 장치
WO2020197074A1 (ko) 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치
WO2021107208A1 (ko) 챗봇 채널연계 통합을 위한 챗봇 통합 에이전트 플랫폼 시스템 및 그 서비스 방법
KR102192796B1 (ko) 지식 학습을 위한 대화 에이전트의 대화 주도 방법 및 장치
WO2020138608A1 (ko) 복수의 챗봇을 이용한 질의 응답 방법 및 장치
WO2020242086A1 (ko) 다중 지식의 비교 우위를 추론하는 서버, 방법 및 컴퓨터 프로그램
WO2021118072A1 (ko) 음성 및 영상 정보를 활용한 의미있는 구간을 검출하기 위한 방법 및 이를 위한 장치
WO2020067666A1 (ko) 버추얼 상담 시스템 및 이를 이용한 상담방법
WO2019098539A1 (ko) 음성 대화 제어 방법 및 장치
WO2020138588A1 (ko) 신약 후보 물질 발굴을 위한 데이터 처리 장치 및 방법
WO2023163265A1 (ko) Ai 기반의 질의 응답 챗봇을 이용한 언어 학습 시스템
WO2019189951A1 (ko) 고객의 소리 데이터로부터 주요 자질 추출 방법 및 이를 이용한 데이터 유형 분류 방법
WO2020141620A1 (ko) 음성인식 교감형 로봇, 교감형 로봇 음성인식 시스템 및 그 방법
WO2024048854A1 (ko) 지식 기반 질의 응답을 위한 구조적 주의 집중 기제 기반의 추론 방법 및 이를 수행하기 위한 컴퓨팅 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20777181

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20777181

Country of ref document: EP

Kind code of ref document: A1