WO2021040354A1 - 신경망을 이용한 데이터 처리 방법 - Google Patents

신경망을 이용한 데이터 처리 방법 Download PDF

Info

Publication number
WO2021040354A1
WO2021040354A1 PCT/KR2020/011252 KR2020011252W WO2021040354A1 WO 2021040354 A1 WO2021040354 A1 WO 2021040354A1 KR 2020011252 W KR2020011252 W KR 2020011252W WO 2021040354 A1 WO2021040354 A1 WO 2021040354A1
Authority
WO
WIPO (PCT)
Prior art keywords
document
model
data
classification
present disclosure
Prior art date
Application number
PCT/KR2020/011252
Other languages
English (en)
French (fr)
Inventor
이대호
박건홍
Original Assignee
주식회사 세진마인드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 세진마인드 filed Critical 주식회사 세진마인드
Publication of WO2021040354A1 publication Critical patent/WO2021040354A1/ko

Links

Images

Classifications

    • 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
    • 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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/93—Document management systems
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the present disclosure relates to data processing using a computing device, and more specifically, to a technology for processing data using a neural network.
  • the storage medium contains a large amount of data, it may be difficult to obtain data that the user is interested in. In addition, it may take a relatively long time for the computing device to search for data of interest to the user.
  • the present disclosure is conceived in response to the above-described background technology, and is to provide a computing device for processing data.
  • a computer program including instructions stored in a computer-readable storage medium to cause a computer to perform the following operations. Inputting a document into a first model for natural language processing; Obtaining classification target data from the output of the first model; Inputting the classification target data into a second model for classification; And obtaining a classification for the document from the output of the second model.
  • the document may include at least one of a first partial document for claiming a right or a second partial document for explaining the content of the claim.
  • the operation of analyzing the document and dividing the document into the first partial document and the second partial document may be included.
  • the second element may include at least one of text or an image having a correlation with the first element of a predetermined level or higher.
  • the classification target data may include a portion previously selected according to a predetermined criterion of the second partial document.
  • the first model may include a recurrent neural network for natural language processing.
  • the first model comprises: a first submodel for extracting features of a first partial document; A second submodel for extracting features of the second partial document; A third submodel for deriving a correlation between a first partial document and a second partial document based on outputs of the first submodel and the second submodel; And a fourth sub-model for extracting the second element having the highest correlation with the first element based on the correlation.
  • the operation of performing pre-processing on the classification object data may be included.
  • the second model may include at least one of a plurality of convolutional blocks, a plurality of pooling layers, or a plurality of fully connected layers. .
  • the operation of obtaining the classification for the document from the output of the second model includes: inputting an output of a convolutional block to a pooling layer; Inputting the output of the pooling layer to a fully connected layer; And obtaining a classification for the document from the output of the fully connected layer.
  • the convolutional block includes a plurality of convolutional layers, the plurality of convolutional layers have the same size, and the size is a size for forming a deep structure of the convolutional layer It may include.
  • a computing device for processing data using a neural network may be provided.
  • FIG. 1 is a block diagram of a computing device for processing data according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram illustrating a network function for processing data according to an embodiment of the present disclosure.
  • FIG. 3 is an exemplary diagram for describing an operation of processing data using a neural network according to an embodiment of the present disclosure.
  • FIG. 4 is an exemplary diagram for describing a document according to an embodiment of the present disclosure.
  • FIG. 5 is an exemplary diagram for describing data to be classified according to an embodiment of the present disclosure.
  • FIG. 6 is a flowchart of a method of processing data using a neural network according to an embodiment of the present disclosure.
  • FIG. 7 is a block diagram illustrating a module for processing data using a neural network according to an embodiment of the present disclosure.
  • FIG. 8 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • a component may be, but is not limited to, a process executed on a processor, a processor, an object, a thread of execution, a program, and/or a computer.
  • an application running on a computing device and a computing device may be components.
  • One or more components may reside within a processor and/or thread of execution.
  • a component can be localized within a single computer.
  • a component can be distributed between two or more computers.
  • these components can execute from a variety of computer readable media having various data structures stored therein.
  • Components can be, for example, through a signal with one or more data packets (e.g., data from one component interacting with another component in a local system, a distributed system and/or a signal through another system and a network such as the Internet Depending on the data being transmitted), it may communicate via local and/or remote processes.
  • data packets e.g., data from one component interacting with another component in a local system, a distributed system and/or a signal through another system and a network such as the Internet Depending on the data being transmitted.
  • FIG. 1 shows a configuration of a computing device 100 according to an embodiment of the present invention.
  • the computing device 100 shown in FIG. 1 is only a simplified example of the computing device 100 according to an embodiment of the present invention.
  • the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may configure the computing device 100.
  • the computing device 100 may include a processor 110, a memory 130, and a network unit 150.
  • the processor 110 may be composed of one or more cores, a central processing unit (CPU) of a computing device, a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU). unit) may include a processor for data analysis and deep learning.
  • the processor 110 may read a computer program stored in the memory 130 to process data for machine learning according to an embodiment of the present disclosure.
  • the processor 110 may perform an operation for learning a neural network.
  • the processor 110 performs learning of a neural network such as processing input data for learning in deep learning (DL), extracting features from the input data, calculating errors, and updating the weights of the neural network using backpropagation. Can perform calculations for.
  • DL deep learning
  • a document may include a physical integration of information designed for communication.
  • the document may include a textual representation of a person's thoughts by providing information with symbolic symbols.
  • Documents may include digital files in a specific format according to the development of computers.
  • a digital file of a specific format may include, for example, a file such as a music file, an image file, or a text file.
  • a document according to an embodiment of the present invention may include two or more arbitrary partial documents. Any union of two or more may be combined to include all documents according to an embodiment of the present invention. In another embodiment, the union of two or more arbitrary partial documents may include only a portion of a document according to an embodiment of the present invention. Two or more arbitrary partial documents may share a common portion.
  • the above-described partial document is only an example, and the present disclosure is not limited thereto.
  • the document may include a first partial document including the core information of the document and a second partial document having a substantial correspondence relationship with the first partial document including the core information of the document.
  • the core information of the document may include information that compresses the content to be delivered by the document.
  • the core information of the document may include information that enables a person or a computing device to know what the document is intended to convey even if they do not read the entire document.
  • the core information of the document is, for example, a partial document including the content of abstract or introduction in the thesis, a decision in the judgment, a partial document including the summary of the judgment, a partial document including the content of claims in the patent specification, and design registration. It may include drawings in the application, trademarks and designated products in the trademark registration application, and a table of contents or a summary of a plot in books (eg, magazines, poems, novels, workbooks, textbooks).
  • the second partial document may substantially correspond to the first partial document.
  • the second partial document may have a correlation with the first partial document.
  • the second partial document may have a correlation of a certain level or more with the first partial document.
  • the second sub-document may contain content supporting or specifically explaining the first sub-document.
  • the second sub-document is, for example, experimental method in thesis, experimental result, reason for judgment in judgment, invention in patent specification. It may include a detailed description for carrying out a detailed description, a partial document explaining the design in the design registration application, a partial document explaining the trademark in the trademark registration application, the contents corresponding to the table of contents in the book, or all parts of the book.
  • the document may include at least one of a first partial document for claiming a right or a second partial document for explaining the content of the claim.
  • the first partial document for claiming rights may include at least a portion of a document describing a portion to be legally protected according to laws and regulations of each country.
  • Rights may include patent rights, utility model rights, design rights, trademark rights, and copyrights.
  • the first part of the document for claiming the right may include the matters described in the claims.
  • the above-described first partial document is only an example, and the present disclosure is not limited thereto.
  • the second partial document for explaining the content of the claim may include at least a part of the document for specifically explaining the part to be legally protected according to the laws of each country.
  • the second partial document for explaining the content of the claim is the name of the invention, the technical field, the technology behind the invention, the content of the invention, a brief description of the drawings, and It may include specific content, description of symbols, drawings, summaries, and representative diagrams.
  • the name of the invention may include a name that allows the category of the invention to be classified in consideration of the content of the invention.
  • the technical field may include a clear and concise description of the technical field of the invention to be patented.
  • the technology that serves as the background of the invention may include a description of the prior art that is considered useful for understanding and researching the invention.
  • the content of the invention may include a problem to be solved, a means for solving the problem, and an effect of the invention.
  • the brief description of the drawings may include a description of the city state, type, and part of the accompanying drawings so that it is easy to grasp what the drawings are intended to represent in detail.
  • Specific details for carrying out the invention may include at least one specific description for carrying out the invention so that a person skilled in the art can easily see how the invention is implemented.
  • the description of the reference numerals may include a description of reference numerals representing main parts of the drawings.
  • the drawings may include images for explaining specific details for carrying out the invention.
  • the summary may include a simple description of the invention content within a certain number of characters (for example, within 300 characters).
  • the representative diagram may include drawing numbers representing the contents of the invention in at least one drawing.
  • the second partial document described above is only an example, and the present disclosure is not limited thereto.
  • the processor 110 may analyze a document and divide it into a first partial document and a second partial document.
  • the processor 110 may divide the first partial document and the second partial document based on a predetermined criterion.
  • Schedule criteria can be included based on subtitles included in the document. For example, if the document is a patent document, the processor 110 recognizes the subtitle [claims] and the contents included in the [claims] are the first partial documents, and the subtitles [contents of the invention], [simple drawings of the drawings] The contents included in [Description] and [Specific Content for Carrying out the Invention] can be divided into a second partial document.
  • the foregoing is only an example, and the present disclosure is not limited thereto.
  • the classification target data may include at least one of a first element including at least a portion of the first partial document or a second element including at least a portion of the second partial document.
  • the first element may be a part of the first partial document selected according to a predetermined criterion.
  • the predetermined criterion may include, for example, a criterion determined based on whether the document is a patent document and is a patent document published to persons with no obligation to maintain confidentiality, or whether it is a registered patent document. If the document is a patent document and is a patent document published to people who have no obligation to maintain confidentiality, the processor 110 may include the dependent claims of the independent claim 1 and the independent claim 1 in the first element.
  • the processor 110 may include the claims 1 to 4 in the first element.
  • the processor 110 may include only the independent port in the first element.
  • the processor 110 may include only claims 1, 5, and 7 in the first element. If the document is a patent document, it is unlikely that the patent document disclosed to those who do not have a duty to maintain confidentiality will have the core content of the invention concentrated in the independent claim (that is, the possibility that the key content of the invention is described in the dependent claim).
  • the registered patent document has a high possibility that the core contents of the invention have been collected and registered in the independent claim, so that the processor 110 can select the contents included in the first element based on the predetermined criteria as described above.
  • the processor 110 can select the contents included in the first element based on the predetermined criteria as described above.
  • Classification target data will be described later with reference to FIG. 5.
  • the second element may include at least one of text or an image having a correlation with the first element of a predetermined level or higher.
  • the correlation between the second element and the first element may include a correlation determined based on a result obtained by the processor 110 using the first model. (A specific process by which the processor 110 derives the correlation between the first element and the second element using the first model will be described later.)
  • the result obtained by the processor 110 using the first model is 0. It can be expressed as a probability value between and 1. For example, the processor 110 may obtain a greater probability value as the correlation between the first element and the second element increases.
  • the second element will be described later with reference to FIG. 5.
  • the classification target data may include a portion previously selected according to a predetermined criterion of the second partial document.
  • the predetermined criterion of the second partial document may include a criterion determined based on whether the processor 110 can obtain an accurate classification using the second model.
  • the technical field and the technology that is the background of the invention may include content that can help the processor 110 to obtain an accurate classification result of the patent document.
  • the technical field may include content or technical classification in which the technical field of the invention to be patented is clearly and concisely described, so that the processor 110 can obtain an accurate classification result based on the contents described in the technical field.
  • a portion selected in advance according to a predetermined criterion of the second partial document may include a technical field and a technology that is a background of the invention in order to obtain an accurate classification result.
  • the processor 110 includes a pre-selected portion (for example, a technical field, a technology that is the background of the invention) in the data to be classified, regardless of the correlation with the first element, so that the classification result with higher accuracy is obtained. Can be obtained.
  • the above-described classification target data is only an example, and the present disclosure is not limited thereto.
  • the first model may include a recurrent neural network for natural language processing.
  • the recurrent neural network may include a neural network that takes time series data as input data.
  • the time series data may include a sequence of data arranged at a predetermined time interval.
  • the recurrent neural network may also include a neural network using natural language as input data.
  • the processor 110 divides the natural language into a predetermined interval (for example, a word can be determined at a predetermined interval) and inputs it into a recurrent neural network.
  • a predetermined interval for example, a word can be determined at a predetermined interval
  • the aforementioned recurrent neural network is only an example, and the present disclosure is not limited thereto.
  • the recurrent neural network may include a Long Short Term Memory Network.
  • the long-term memory network may include a neural network including an input gate to output the influence of data received at the current time, and a Forget gate to output the influence of data received before the current time. .
  • the processor 110 may output a predicted value in consideration of data prior to the current time by using a short-term memory network.
  • the aforementioned recurrent neural network is only an example, and the present disclosure is not limited thereto.
  • the first model includes a first submodel for extracting a feature of a first partial document, a second submodel for extracting a feature of a second partial document, a first submodel, and a second submodel. 2 Based on the output of the sub-model, extracting a third sub-model for deriving a correlation between the first sub-document and the second sub-document, and a second element having the highest correlation with the first element based on the correlation It may include a fourth sub-model for.
  • the above-described first model is only an example, and the present disclosure is not limited thereto.
  • the first submodel may include a recurrent neural network.
  • the recurrent neural network may include a long and short-term memory network.
  • the processor 110 may extract the features of the first partial document by inputting the first partial document into the short-term storage network.
  • the features of the first partial document may include the first submodel encoding matrix.
  • the first sub-model encoding matrix may include a vector obtained by inputting a document to a short-term storage network.
  • the obtained vector may include a vector having a probability value of each word appearing as an element of the vector.
  • the processor 110 may obtain the first submodel encoding matrix by using the vector obtained from the first submodel.
  • the first submodel encoding matrix can be expressed as [v1, v2, v3, v4, ... ,vn]. have.
  • the above-described first sub-model is only an example, and the present disclosure is not limited thereto.
  • the second submodel may include a recurrent neural network.
  • the recurrent neural network may include a long and short-term memory network.
  • the long and short-term storage network of the second sub-model may include the same network as the long- and short-term storage network of the first sub-model. That is, the parameters of the long and short-term storage network of the second sub-model may be the same as those of the long- and short-term storage network of the first sub-model.
  • the processor 110 inputs the same word sequence (eg, sentence) to the first submodel and the second submodel to express the same or similar vector. Can be obtained.
  • the second sub-model described above is only an example, and the present disclosure is not limited thereto.
  • the processor 110 may extract a feature of the second partial document by inputting the second partial document into a short-term storage network.
  • the feature of the second partial document may include a second submodel encoding matrix.
  • the second sub-model encoding matrix may include a vector obtained by inputting a document to a short-term storage network.
  • the obtained vector may include a vector having a probability value of each word appearing as a component of the vector.
  • the processor 110 may obtain a second sub-model encoding matrix by using the vector obtained from the second sub-model.
  • the set of words included in the second sub-document is (y1, y2, y3, y4, ..., yn), and a vector corresponding to each word (the processor inputs the word into the second submodel and obtains it If one vector) is (v'1, v'2, v'3, v'4, ... ,v'n), the second submodel encoding matrix is [v'1, v'2, v' 3, v'4, ... ,v'n].
  • the above-described first sub-model is only an example, and the present disclosure is not limited thereto.
  • the processor 110 derives a correlation between the first partial document and the second partial document based on the output of the first submodel and the second submodel using the third submodel. can do.
  • the processor 110 may derive a correlation between the first partial document and the second partial document based on the first submodel encoding matrix and the second submodel encoding matrix.
  • the processor 110 inputs a result obtained by calculating a transpose of the second sub-model encoding matrix and the first sub-model encoding matrix into a softmax function, and the words included in the first partial document and the second partial document. It is possible to obtain the correlation of the words included in.
  • the above-described third sub-model is only an example, and the present disclosure is not limited thereto.
  • the processor 110 may extract the second element having the highest correlation with the first element by using the fourth submodel.
  • the processor 110 may obtain a correlation between the first element and at least one or more second elements by using the third submodel.
  • the processor 110 may select one second element having the highest correlation with the first element and add it to the classification target data.
  • the processor 110 may select the second elements of the upper 3% having the highest correlation with the first element and add them to the classification target data.
  • the processor 110 may acquire location information of the second element selected by using the fourth sub-model. When the second element is in the tenth paragraph of the document, the processor 110 may obtain location information of the tenth paragraph.
  • the processor 110 may obtain a start position and an end position of the second element.
  • the processor 110 may efficiently search for the second element in the document using the location information and add it to the classification target data.
  • the above-described fourth sub-model is only an example, and the present disclosure is not limited thereto.
  • the processor 110 may convert the classification target data into a TFRecord format in order to input the classification target data into the second model. Through this, the processor 110 may improve the prediction accuracy of the second model and reduce the learning time through pre-processing.
  • the above-described pre-processing is only an example, and the present disclosure is not limited thereto.
  • the pre-processing of the classification target data may include processing of converting the classification target data into image data.
  • the data in the form of an image may include a data form expressed in the form of a table.
  • Data in the form of an image may include information on at least one or more pixels included in the image.
  • data in the form of an image may include a data form expressed in the form of a table.
  • the processor 110 may make the text in the form of a table in order to input the text into the second model.
  • a row may include words included in the text
  • a column may include each component of a word vector corresponding to each word.
  • the processor 110 may generate classification target data within 500 words. For example, if the classification target data is 600 words and there are 3 second elements having a relatively high correlation with the first element, two of the second elements having a relatively low correlation are excluded, so that the classification target data You can make the number of words less than 500 words.
  • the processor 110 may obtain a classification result by inputting text as well as an image to the CNN through pre-processing of converting the text into a table form.
  • the above-described preprocessing is only an example, and the present disclosure is not limited thereto.
  • the second model may include a model trained using a training data set using classification target data as training input data and a classification corresponding to the classification target data as a label.
  • the training data set may include a data set generated by labeling a classification matching the data to be classified by the processor 110.
  • the processor 110 may generate a training data set by labeling the classification obtained by inputting the classification target data into the second model.
  • Classification target data that is incorrectly classified by the processor 110 by using the second model may be excluded from the training data set.
  • the training data set includes an operator labeling the classification target data. It may include a data set obtained through the process. The above-described training data set is only an example, and the present disclosure is not limited thereto.
  • the second model may include at least one of a plurality of convolutional blocks, a plurality of pooling layers, or a plurality of fully connected layers.
  • the pooling layer may include a layer that extracts only strong features of an image by reducing the dimension of the input data.
  • the fully connected layer may include a layer for obtaining a classification.
  • the plurality of convolutional layers may have the same size, and the size may include a size for forming a deep structure of the convolutional layer.
  • the convolutional layer may include a kernel.
  • the kernel size may be 3.
  • the processor 110 uses a neural network having a deep structure (for example, a structure having 26 convolutional layers) with high accuracy. Classification can be obtained.
  • the processor 110 may input preprocessed classification target data into the convolutional block.
  • the processor 110 may obtain a feature corresponding to the classification target data by inputting the preprocessed classification target data into the convolutional block.
  • the convolutional block may include at least one or more convolutional layers.
  • the processor 110 may acquire a feature by inputting the preprocessed classification target data into the convolutional layer. After a feature obtained by using the convolutional layer undergoes a batch normalization process, an output of the convolutional block may be finally obtained using an activation function (eg, ReLU activation function).
  • the processor 110 may extract only strong features by inputting the output obtained from the convolutional block to the pooling layer.
  • the pooling layer may include a max pooling layer. The processor 110 may obtain the classification by inputting the output of the max pooling layer to the fully connected layer.
  • the processor 110 may obtain a classification for a document from the output of the fully connected layer.
  • the processor 110 may obtain a classification labeled with a feature of the classification target data by using the fully connected layer.
  • the processor 110 may obtain the electric/electronic classification using a fully connected layer.
  • the classification may be divided into a large classification, a medium classification, and a small classification based on industrial technology classification.
  • Major categories may include machinery, materials, electrical and electronic devices, information and communications, chemistry, bio, medical, energy resources, knowledge services, ceramics, and the like.
  • Major Classification The middle classification of information and communication may include, for example, mobile communication, digital broadcasting, satellite radio, home network, broadband integrated network, software, U-computing, digital contents, knowledge and information security, information and communication modules and parts, and RFID. have.
  • Sub-class software may include, for example, embedded software, software solutions, system integration, and Internet software. The above classification is only an example, and the present disclosure is not limited thereto.
  • the field of artificial intelligence application may include those classified on the basis of tasks that artificial intelligence intends to perform using artificial intelligence technology in the industry. For example, it may include medical care, security, management, gaming, autonomous driving, translation, smart factory, and general (for example, when the use of artificial intelligence is not disclosed).
  • the above classification is only an example, and the present disclosure is not limited thereto.
  • FIG. 2 is a schematic diagram illustrating a network function for processing data according to an embodiment of the present disclosure.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • the neural network is composed of at least one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may relatively form a relationship between an input node and an output node.
  • the concepts of an input node and an output node are relative, and any node in an output node relationship with respect to one node may have an input node relationship in a relationship with another node, and vice versa.
  • the input node to output node relationship can be created around the link.
  • One or more output nodes may be connected to one input node through a link, and vice versa.
  • the value of the output node may be determined based on data input to the input node.
  • a node interconnecting the input node and the output node may have a weight.
  • the weight may be variable and may be changed by a user or an algorithm in order for a neural network to perform a desired function.
  • the output node includes values input to input nodes connected to the output node and a link corresponding to each input node.
  • the output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and an output node relationship in the neural network.
  • the characteristics of the neural network may be determined according to the number of nodes and links in the neural network, the association relationship between the nodes and the links, and a weight value assigned to each of the links. For example, when there are the same number of nodes and links, and two neural networks having different weight values between the links exist, the two neural networks may be recognized as being different from each other.
  • a neural network may be configured including one or more nodes. Some of the nodes constituting the neural network may configure one layer based on distances from the initial input node. For example, a set of nodes having a distance n from an initial input node may constitute n layers. The distance from the first input node may be defined by the minimum number of links that must be traversed to reach the node from the first input node. However, the definition of such a layer is arbitrary for explanation, and the order of the layer in the neural network may be defined in a different way than that described above. For example, the layer of nodes may be defined by the distance from the last output node.
  • the first input node may mean one or more nodes to which data is directly input without going through a link in a relationship with other nodes among nodes in the neural network.
  • it may mean nodes that do not have other input nodes connected by a link.
  • the final output node may mean one or more nodes that do not have an output node in a relationship with other nodes among nodes in the neural network.
  • the hidden node may refer to nodes constituting a neural network other than the first input node and the last output node.
  • the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the input layer proceeds to the hidden layer. I can.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of an input layer is less than the number of nodes of an output layer, and the number of nodes decreases as the number of nodes progresses from the input layer to the hidden layer. have.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of an input layer may be greater than the number of nodes of an output layer, and the number of nodes increases as the number of nodes progresses from the input layer to the hidden layer. I can.
  • the neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.
  • a deep neural network may mean a neural network including a plurality of hidden layers in addition to an input layer and an output layer.
  • Deep neural networks can be used to identify potential structures in data. In other words, it is possible to understand the potential structures of photos, texts, videos, voices, and music (for example, what objects are in photos, what are the content and emotions of the text, what are the contents and emotions of the voice, etc.).
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, Generative Adversarial Networks (GANs), and restricted Boltzmann machines (RBMs). boltzmann machine), deep belief network (DBN), Q network, U network, and Siam network.
  • CNNs convolutional neural networks
  • RNNs recurrent neural networks
  • GANs Generative Adversarial Networks
  • RBMs restricted Boltzmann machines
  • the network function may include an auto encoder.
  • the auto encoder may be a kind of artificial neural network for outputting output data similar to input data.
  • the auto encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between input/output layers.
  • the number of nodes of each layer may be reduced from the number of nodes of the input layer to an intermediate layer called a bottleneck layer (encoding), and then reduced and expanded symmetrically from the bottleneck layer to an output layer (symmetric with the input layer).
  • a bottleneck layer encoding
  • Auto encoders can perform nonlinear dimensionality reduction.
  • the number of input layers and output layers may correspond to the number of sensors remaining after pre-processing of input data.
  • the number of nodes of the hidden layer included in the encoder may decrease as the distance from the input layer increases.
  • the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and the decoder) is too small, a sufficient amount of information may not be delivered, so more than a certain number (e.g., more than half of the input layer, etc.) ) May be maintained.
  • the neural network may be learned in at least one of supervised learning, unsupervised learning, and semi supervised learning. Learning of neural networks is to minimize output errors.
  • learning of a neural network iteratively inputs training data to the neural network, calculates the output of the neural network for the training data and the error of the target, and reduces the error from the output layer of the neural network to the input layer. This is a process of updating the weight of each node of the neural network by backpropagation in the direction.
  • teacher learning learning data in which the correct answer is labeled in each learning data is used (ie, labeled learning data), and in the case of non-satellite learning, the correct answer may not be labeled in each learning data.
  • the learning data may be data in which a category is labeled with each learning data.
  • Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network with a label of the training data.
  • an error may be calculated by comparing the input training data with the neural network output. The calculated error is backpropagated in the neural network in the reverse direction (ie, from the output layer to the input layer), and the connection weight of each node of each layer of the neural network may be updated according to the backpropagation.
  • a change amount may be determined according to a learning rate in the connection weight of each node to be updated.
  • the computation of the neural network for the input data and the backpropagation of the error can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, a high learning rate is used in the early stages of training of a neural network, so that the neural network quickly secures a certain level of performance to increase efficiency, and a low learning rate can be used in the later stages of training to increase accuracy.
  • the training data may be a subset of actual data (that is, data to be processed using the learned neural network), and thus, errors in the training data decrease, but errors in the actual data occur.
  • Overfitting is a phenomenon in which errors in actual data increase due to over-learning on learning data. For example, a neural network learning a cat by showing a yellow cat may not recognize that it is a cat when it sees a cat other than yellow, which may be a kind of overfitting. Overfitting can cause an increase in errors in machine learning algorithms.
  • Various optimization methods can be used to prevent such overfitting. In order to prevent overfitting, methods such as increasing training data, regularization, and dropout in which some nodes of the network are omitted during the training process may be applied.
  • a computer-readable medium storing a data structure according to an embodiment of the present disclosure is disclosed.
  • the stack can be a data listing structure that allows limited access to data.
  • the stack may be a linear data structure that can process (eg, insert or delete) data only at one end of the data structure.
  • the data stored in the stack may be a data structure (LIFO-Last in First Out) that comes out sooner as it enters the stack.
  • a queue is a data arrangement structure that allows limited access to data, and unlike a stack, a queue may be a data structure (FIFO-First in First Out) that comes out later as data stored later.
  • a deck can be a data structure that can process data at both ends of the data structure.
  • the nonlinear data structure may be a structure in which a plurality of data is connected behind one data.
  • the nonlinear data structure may include a graph data structure.
  • the graph data structure may be defined as a vertex and an edge, and the edge may include a line connecting two different vertices.
  • the graph data structure may include a tree data structure.
  • the tree data structure may be a data structure in which a path connecting two different vertices among a plurality of vertices included in the tree is one. That is, it may be a data structure that does not form a loop in the graph data structure.
  • the data structure may include a neural network.
  • the data structure including the neural network may be stored in a computer-readable medium.
  • the data structure including the neural network may also include data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, an active function associated with each node or layer of the neural network, and a loss function for learning the neural network. have.
  • the data structure including the neural network may include any of the components disclosed above.
  • the data structure including the neural network is the data input to the neural network, the weight of the neural network, the hyper parameter of the neural network, the data obtained from the neural network, the active function associated with each node or layer of the neural network, the loss function for training the neural network, etc. It may be configured to include any combination of.
  • the data structure including the neural network may include any other information that determines the characteristics of the neural network.
  • the data structure may include all types of data that are used or generated in a neural network operation process, and is not limited to the above-described matters.
  • Computer-readable media may include computer-readable recording media and/or computer-readable transmission media.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • the neural network is composed of at least one or more nodes.
  • the data structure may include data input to the neural network.
  • a data structure including data input to the neural network may be stored in a computer-readable medium.
  • the data input to the neural network may include training data input during the neural network training process and/or input data input to the neural network on which the training has been completed.
  • Data input to the neural network may include data that has undergone pre-processing and/or data to be pre-processed.
  • Pre-processing may include a data processing process for inputting data into a neural network.
  • the data structure may include data to be pre-processed and data generated by pre-processing.
  • the above-described data structure is only an example, and the present disclosure is not limited thereto.
  • the data structure may include weights of the neural network.
  • weights and parameters may have the same meaning.
  • a data structure including a weight of a neural network may be stored in a computer-readable medium.
  • the neural network may include a plurality of weights.
  • the weight may be variable and may be changed by a user or an algorithm in order for a neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node includes values input to input nodes connected to the output node and a link corresponding to each input node. The output node value may be determined based on the parameter.
  • the above-described data structure is only an example, and the present disclosure is not limited thereto.
  • the weight may include a weight variable in a neural network training process and/or a weight on which neural network training has been completed.
  • the variable weight in the neural network learning process may include a weight at a time point at which the learning cycle starts and/or a weight variable during the learning cycle.
  • the weight at which the neural network training is completed may include the weight at which the learning cycle is completed.
  • the data structure including the weight of the neural network may include a data structure including a weight variable during the neural network training process and/or a weight on which the neural network training has been completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network.
  • the above-described data structure is only an example, and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be serialized and then stored in a computer-readable storage medium (eg, memory, hard disk). Serialization may be a process of storing data structures on the same or different computing devices and converting them into a form that can be reconstructed and used later.
  • the computing device serializes the data structure to transmit and receive data through a network.
  • the data structure including the weights of the serialized neural network can be reconstructed in the same or different computing devices through deserialization.
  • the data structure including the weights of the neural network is not limited to serialization.
  • the data structure including the weight of the neural network is a data structure to increase the efficiency of operation while using the resources of the computing device to a minimum (e.g., B-Tree, Trie, m-way search tree, AVL tree, in nonlinear data structure, Red-Black Tree).
  • a minimum e.g., B-Tree, Trie, m-way search tree, AVL tree, in nonlinear data structure, Red-Black Tree.
  • FIG. 3 is an exemplary diagram for describing an operation of processing data using a neural network according to an embodiment of the present disclosure.
  • the computing device 100 may extract a feature of the first partial document by inputting the first partial document into the first submodel.
  • the features of the first partial document may include the first submodel encoding matrix.
  • the first sub-model encoding matrix may include a vector obtained by inputting a document to a short-term storage network.
  • the obtained vector may include a vector having a probability value of each word appearing as a component of the vector.
  • the computing device 100 may obtain the first submodel encoding matrix by using the vector obtained from the first submodel.
  • the set of words included in the first sub-document is (x1, x2, x3, x4, ..., xn), and a vector corresponding to each word (the processor inputs the word into the first sub-model and obtains it
  • the first submodel encoding matrix may be expressed as [v1, v2, v3, v4, ..., vn].
  • the computing device 100 may extract a feature of the second partial document by inputting the second partial document into the second submodel.
  • the feature of the second partial document may include a second submodel encoding matrix.
  • the second sub-model encoding matrix may include a vector obtained by inputting a document to a short-term storage network.
  • the obtained vector may include a vector having a probability value of each word appearing as an element of the vector.
  • the computing device 100 may obtain the second submodel encoding matrix by using the vector obtained from the second submodel.
  • the set of words included in the second sub-document is (y1, y2, y3, y4, ..., yn), and a vector corresponding to each word (the processor inputs the word into the second submodel and obtains it If one vector) is (v'1, v'2, v'3, v'4, ... ,v'n), the second submodel encoding matrix is [v'1, v'2, v' 3, v'4, ... ,v'n].
  • the above-described first sub-model is only an example, and the present disclosure is not limited thereto.
  • the computing device 100 calculates a correlation between the first partial document and the second partial document based on outputs of the first submodel and the second submodel using the third submodel. Can be derived.
  • the computing device 100 may derive a correlation between the first partial document and the second partial document based on the first submodel encoding matrix and the second submodel encoding matrix.
  • the computing device 100 may calculate a transpose of the second submodel encoding matrix and a first submodel encoding matrix.
  • the computing device 100 inputs the result of calculating the transpose of the second sub-model encoding matrix and the first sub-model encoding matrix into the softmax function, and includes the words included in the first partial document and the second partial document. It is possible to obtain the correlation of the words.
  • the above-described third sub-model is only an example, and the present disclosure is not limited thereto.
  • the computing device 100 may extract the second element having the highest correlation with the first element by using the fourth submodel.
  • the computing device 100 may obtain a correlation between the first element and at least one or more second elements by using the third submodel.
  • the computing device 100 may select one second element having the highest correlation with the first element and add it to the classification target data.
  • the computing device 100 may select the second elements of the top 3% having the highest correlation with the first element and add them to the classification target data.
  • the computing device 100 may obtain location information of the second element selected by using the fourth sub-model. When the second element is in the tenth paragraph of the document, the computing device 100 may obtain location information of the tenth paragraph.
  • the computing device 100 may obtain a start position and an end position of the second element.
  • the computing device 100 may efficiently search for the second element in the document using the location information and add it to the classification target data.
  • the above-described fourth sub-model is only an example, and the present disclosure is not limited thereto.
  • the computing device 100 may pre-process 360 the classification target data 350.
  • the pre-processing 360 for the data to be classified 350 may include a process for inputting the data to the second model 370.
  • the pre-processing 360 of the classification target data 350 may include a process of converting the classification target data 350 into image data.
  • the data in the form of an image may include a data form expressed in the form of a table.
  • a row may include words included in the text, and a column may include a vector component corresponding to each word.
  • the computing device 100 may input the preprocessed 360 pre-classified data 350 into the second model 370.
  • the second model 370 may include at least one of a plurality of convolutional blocks, a plurality of pooling layers, or a plurality of fully connected layers.
  • the computing device 100 may input preprocessed classification target data into a convolutional block.
  • the computing device 100 may acquire features corresponding to the classification target data by inputting the preprocessed classification target data into the convolutional block.
  • the convolutional block may include at least one or more convolutional layers.
  • the computing device 100 may acquire a feature by inputting the preprocessed classification target data into the convolutional layer. After a feature obtained by using the convolutional layer undergoes a batch normalization process, an output of the convolutional block may be finally obtained using an activation function (eg, ReLU activation function).
  • the computing device 100 may extract only strong features by inputting the output obtained from the convolutional block to the pooling layer.
  • the pooling layer may include a max pooling layer. The computing device 100 may obtain the classification by inputting the output of the max pooling layer to the fully connected layer.
  • the computing device 100 may acquire an artificial intelligence learning method classification.
  • the document is a patent document and the first element includes "learning content using data including labels”
  • the computing device 100 may acquire an artificial intelligence learning method classification called "teacher learning”.
  • the computing device 100 does not find the content for classifying the artificial intelligence learning method in the first element (for example, when there is no basis for judging as teacher learning, comparative history learning, or reinforcement learning in the first element)
  • the second element having a high correlation with the first element it is possible to search for contents for classifying an artificial intelligence learning method. Therefore, when "learning content using data including labels” is included in the second element having a high correlation with the first element, the computing device 100 may acquire an artificial intelligence learning method classification called "teacher learning”.
  • the foregoing is only an example, and the present disclosure is not limited thereto.
  • the computing device 100 may output an artificial intelligence research field.
  • the document is a patent document and the first element includes "detailed method content for network learning" (for example, when the process of updating the parameters of the network function in the learning process is specifically described)
  • the computing device ( 100) can obtain a classification called "training method".
  • the computing device 100 may output an artificial intelligence domain.
  • the document is a patent document and the first element includes the content “input data is an image”
  • the computing device 100 may obtain a classification of the artificial intelligence domain as “image”.
  • the computing device 100 may output an artificial intelligence application field.
  • the document is a patent document and the first element includes "contents related to vehicle autonomous driving, drone autonomous flight, and unmanned moving object”
  • the computing device 100 may obtain a classification of "autonomous driving”.
  • the process of obtaining the classification of the patent document may consume a lot of manpower, time, and cost.
  • time and cost are saved, and the manpower input thereto is also reduced, so that the work can be performed in a short time.
  • classification is performed according to a uniform criterion, so that the accuracy of the classification and the reliability of the classification result can be improved.
  • a uniform criterion so that the accuracy of the classification and the reliability of the classification result can be improved.
  • the document 310 may include at least one of the first partial document 410 and the second partial document 430. If the document 310 is a patent document, the first partial document 410 may include the claims. Claims may include at least one or more claims. Claim 1 (411) may be an independent claim because no other terms are cited. Claim 2 (413) cites claim 1 and thus may be a dependent claim. The foregoing is only an example, and the present disclosure is not limited thereto.
  • the second partial document 430 is the name of the invention, the technical field 431, the technology 433 that is the background of the invention, and the content of the invention.
  • a brief description 435 of the drawings, specific content 437 for carrying out the invention, a description of symbols, drawings, a summary, and a representative diagram may be included.
  • the foregoing is only an example, and the present disclosure is not limited thereto.
  • the computing device 100 may analyze a document and divide it into the first partial document and the second partial document.
  • the computing device 100 may divide the first partial document and the second partial document based on the subtitle of the document.
  • the computing device may recognize the claim, which is the subtitle, and determine claims 1 (411) and 2 (413) included in the claims as contents included in the first partial document. If the document subtitle is a technical field 431, a technology that is the background of the invention (433), a task, a brief description of the drawings (435), and specific contents for carrying out the invention (437), the computing device 100 is the subtitle.
  • the computing device 100 may include the core content in the classification target data in the process of generating the classification target data using the first model. By including the core content in the classification target data, the computing device 100 may obtain a classification result with higher accuracy using the second model.
  • the computing device 100 may obtain a classification of “invention to which artificial intelligence is applied” from among the fields of artificial intelligence research by using the first model and the second model.
  • the invention to which artificial intelligence is applied may include, for example, an invention that achieves a special purpose by using artificial intelligence.
  • the foregoing is only an example, and the present disclosure is not limited thereto.
  • the technology 433 that is the background of the invention says “In artificial intelligence technology, especially in the field of deep learning, a remarkable development has been made in data automation processing. Recently, as deep learning technology has developed, data classification has also been achieved.
  • the computing device 100 may acquire a classification of "artificial intelligence" for the document 310 by using the first model and the second model. The computing device 100 may obtain a detailed artificial intelligence classification based on the contents described in the first partial document 310 or the second partial document 310 in order to obtain a detailed artificial intelligence classification.
  • the foregoing is only an example, and the present disclosure is not limited thereto.
  • FIG. 5 is an exemplary diagram for describing data to be classified according to an embodiment of the present disclosure.
  • 5 exemplarily shows detailed items of the classification target data 350.
  • the classification target data may include a portion previously selected according to a predetermined criterion of the second partial document 430.
  • the predetermined portion may include a technology 550 that is a background of the technical field and the invention.
  • the technical field may include a clear and concise description of the technical field of the invention to be patented.
  • the technology that serves as the background of the invention may include a description of the prior art that is considered useful for understanding and researching the invention. Therefore, regardless of the correlation with the first element, the technology 550 that is the background of the technical field and the invention may be helpful in obtaining a classification with little information. Therefore, it may be helpful for the computing device 100 to perform classification with high accuracy using the second model.
  • the data to be classified may be labeled in a short time using the technology 550 that is the background of the technical field and the invention.
  • the technology 550 that is the background of the technical field and the invention.
  • reference numeral 510 may include a first element 1 511 and a second element 1 513 having a correlation with the first element 1 511 or higher at a predetermined level.
  • the classification target data may include a first element 1 511 and a second element 1 513 having a correlation with the first element 1 511 or higher at a predetermined level.
  • the first element 1 511 may include claim 1 411.
  • Claim 1 (411) is "an operation of inputting a document into a first model for natural language processing; an operation of obtaining classification object data from an output of the first model; inputting the classification object data into a second model for classification. And an operation of obtaining a classification for the document from the output of the second model.
  • Detailed description 515 for carrying out the invention may include a description of "According to an embodiment of the present disclosure, the processor 110 may acquire data to be classified by using the first model."
  • the computing device 100 may obtain a correlation between the first element 1 511 and the content included in the specific content 515 for carrying out the invention by using the first model.
  • the second element 1 513 may include a drawing 517. Since the computing device 100 discloses the contents included in the specific contents 515 for carrying out the invention, the contents included in the specific contents 515 for carrying out the invention are disclosed. It can be determined that it has a high correlation with the content included in claim 1 (411). The foregoing is only an example, and the present disclosure is not limited thereto.
  • FIG. 3 is an exemplary diagram for explaining an operation of processing data using a neural network according to an embodiment of the present disclosure. It may include a description of "is”.
  • the computing device 100 calculates the correlation between the content described in the simple description 435 of the drawing and the first element 1 511 using the first model, thereby calculating the correlation between the drawing and the first element 1 511. Can be obtained. Therefore, when the correlation between the content described in the simple description 435 of the drawing and the first element 1 511 is high, the computing device 100 is provided with a high correlation in FIG. 3 included in the claim 1 411 and the drawing 517. It can be judged as having a relationship.
  • the foregoing is only an example, and the present disclosure is not limited thereto.
  • reference numeral 530 may include a first element 2 531 and a second element 2 533 having a correlation with the first element 2 531 and a predetermined level or higher.
  • the classification target data may include a first element 2 531 and a second element 2 533 having a correlation with the first element 2 531 and a predetermined level or higher.
  • the first element 2 (531) may include claim 2 (413).
  • Claim 2 (413) is "The computer stored in a computer-readable storage medium according to claim 1, wherein the document includes at least one of a first partial document for claiming a right or a second partial document for explaining the content of the claim. Program.”
  • the second element 2 533 may include specific details 151 for carrying out the invention.
  • the specific content 535 for carrying out the invention is "according to an embodiment of the present disclosure, the document may include at least one of a first part document for claiming a right or a second part document for explaining the claim content.
  • the first part document for claiming rights may contain at least a part of the document describing the part to be legally protected in accordance with the laws and regulations of each country, for example, if the right is a patent right, a claim for claiming rights is provided.
  • a one-part document may include the statement "".
  • the computing device 100 may determine that the second element 2 533 and the first element 2 531 have a high correlation using the first model 330.
  • FIG. 6 is a flowchart of a method of processing data using a neural network according to an embodiment of the present disclosure.
  • the computing device 100 may input 610 a document into a first model for natural language processing in an embodiment of the present disclosure.
  • the document may include at least one of a first partial document for claiming a right or a second partial document for explaining the content of the claim.
  • the computing device 100 may obtain 620 data to be classified from the output of the first model.
  • the classification target data may include at least one of a first element including at least a portion of the first partial document or a second element including at least a portion of the second partial document. have.
  • the second element may include at least one of text or an image having a correlation with the first element of a predetermined level or higher.
  • the classification target data may include a portion previously selected according to a predetermined criterion of the second partial document.
  • the first model may include a recurrent neural network for natural language processing.
  • the first model includes: a first submodel for extracting a feature of a first partial document; A second submodel for extracting features of the second partial document; A third submodel for deriving a correlation between a first partial document and a second partial document based on outputs of the first submodel and the second submodel; And a fourth sub-model for extracting a second element having the highest correlation with the first element based on the correlation. It may include.
  • the computing device 100 may input 630 the classification target data into a second model for classification.
  • the second model may include a model trained using a training data set using the classification target data as training input data and a classification corresponding to the classification target data as a label. have.
  • the convolutional block includes a plurality of convolutional layers, the plurality of convolutional layers have the same size, and the size forms a deep structure of a convolutional layer. You can include a size for it.
  • the computing device 100 may obtain 640 a classification for the document from the output of the second model.
  • the computing device 100 obtains the classification according to a uniform criterion of the artificial intelligence, so that reliability and consistency of the classification result may be high. (If multiple operators perform classification, there may be cases where it is difficult to classify clearly even if they classify with the same criteria. Therefore, if it is difficult to classify clearly, several people may perform classification according to different criteria. In addition, by using artificial intelligence, excessive manpower waste can be reduced, and cost and time savings can be expected in terms of cost and time.
  • FIG. 7 is a block diagram illustrating a module for processing data using a neural network according to an embodiment of the present disclosure.
  • a data processing method using a neural network may be implemented by the following modules.
  • a module for analyzing the document and dividing it into the first partial document and the second partial document may be included.
  • a module for performing pre-processing on the classification target data may be included.
  • the pre-processing of the classification target data may include processing of converting the classification target data into image data.
  • the module 740 for obtaining the classification for the document from the output of the second model is a module for inputting the output of the convolutional block to the pooling layer ; A module for inputting the output of the pooling layer to a fully connected layer; And a module for obtaining a classification for a document from the output of the fully connected layer.
  • a module for processing data using a neural network may be implemented by means, circuits, or logic for implementing a computing device.
  • Those of skill in the art would further describe the various illustrative logical blocks, configurations, modules, circuits, means, logics and algorithm steps described in connection with the embodiments disclosed herein, in electronic hardware, computer software, or combinations of both. It should be recognized that it can be implemented as To clearly illustrate the interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented in hardware or as software depends on the specific application and design restrictions imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.
  • FIG. 8 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types.
  • the method of the present disclosure is not limited to single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable household appliances, etc. (each of which is It will be appreciated that other computer system configurations may be implemented, including one that may operate in connection with one or more associated devices.
  • the described embodiments of the present disclosure may also be practiced in a distributed computing environment where certain tasks are performed by remote processing devices that are connected through a communication network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer-readable media.
  • Computer-readable media can be any computer-readable media, including volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer-readable media may include computer-readable storage media and computer-readable transmission media.
  • Computer-readable storage media include volatile and nonvolatile media, temporary and non-transitory media, removable and non-removable media implemented in any method or technology for storing information such as computer readable instructions, data structures, program modules or other data. Includes the medium.
  • Computer-readable storage media include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage, magnetic cassette, magnetic tape, magnetic disk storage, or other magnetic storage. Devices, or any other medium that can be accessed by a computer and used to store desired information.
  • Computer-readable transmission media typically implement computer-readable instructions, data structures, program modules, or other data on a modulated data signal such as a carrier wave or other transport mechanism. Includes all information delivery media.
  • modulated data signal refers to a signal in which one or more of the characteristics of the signal is set or changed so as to encode information in the signal.
  • computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above-described media are also intended to be included within the scope of computer-readable transmission media.
  • System bus 1108 couples system components, including but not limited to, system memory 1106 to processing device 1104.
  • the processing unit 1104 may be any of a variety of commercially available processors. Dual processors and other multiprocessor architectures may also be used as processing unit 1104.
  • the system bus 1108 may be any of several types of bus structures that may be additionally interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read-only memory (ROM) 1110 and random access memory (RAM) 1112.
  • the basic input/output system (BIOS) is stored in non-volatile memory 1110 such as ROM, EPROM, EEPROM, etc. This BIOS is a basic input/output system that helps transfer information between components in the computer 1102, such as during startup. Includes routines.
  • RAM 1112 may also include high speed RAM such as static RAM for caching data.
  • the computer 1102 also includes an internal hard disk drive (HDD) 1114 (e.g., EIDE, SATA)-this internal hard disk drive 1114 can also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 for example, a CD-ROM
  • the hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are each connected to the system bus 1108 by a hard disk drive interface 1124, a magnetic disk drive interface 1126, and an optical drive interface 1128.
  • the interface 1124 for implementing an external drive includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.
  • drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like.
  • drives and media correspond to storing any data in a suitable digital format.
  • the description of the computer-readable medium above refers to a removable optical medium such as a HDD, a removable magnetic disk, and a CD or DVD, those skilled in the art may use a zip drive, a magnetic cassette, a flash memory card, a cartridge, etc. It will be appreciated that other types of computer-readable media, such as the ones, may also be used in the exemplary operating environment and that any such media may contain computer-executable instructions for performing the methods of the present disclosure.
  • a number of program modules including the operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136, may be stored in the drive and RAM 1112. All or part of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented on several commercially available operating systems or combinations of operating systems.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148, via wired and/or wireless communication.
  • the remote computer(s) 1148 may be a workstation, a computing device computer, a router, a personal computer, a portable computer, a microprocessor-based entertainment device, a peer device, or other common network node, and is generally connected to the computer 1102. Although it includes many or all of the components described for simplicity, only memory storage device 1150 is shown.
  • the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or to a larger network, eg, a wide area network (WAN) 1154.
  • LAN and WAN networking environments are common in offices and companies, and facilitate enterprise-wide computer networks such as intranets, all of which can be connected to worldwide computer networks, for example the Internet.
  • the computer 1102 When used in a LAN networking environment, the computer 1102 is connected to the local network 1152 via a wired and/or wireless communication network interface or adapter 1156. Adapter 1156 may facilitate wired or wireless communication to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156.
  • the computer 1102 When used in a WAN networking environment, the computer 1102 may include a modem 1158, connected to a communication computing device on the WAN 1154, or through the Internet, to establish communication over the WAN 1154. Have other means. Modem 1158, which may be an internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142.
  • program modules described for the computer 1102 or portions thereof may be stored in the remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing communication links between computers may be used.
  • Computer 1102 is associated with any wireless device or entity deployed and operated in wireless communication, e.g., a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communication satellite, wireless detectable tag. It operates to communicate with any device or place, and a phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
  • wireless communication e.g., a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communication satellite, wireless detectable tag. It operates to communicate with any device or place, and a phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology such as a cell phone that allows such devices, for example computers, to transmit and receive data indoors and outdoors, that is, anywhere within the coverage area of a base station.
  • Wi-Fi networks use a wireless technology called IEEE 802.11 (a, b, g, etc.) to provide a secure, reliable and high-speed wireless connection.
  • Wi-Fi can be used to connect computers to each other, to the Internet, and to a wired network (using IEEE 802.3 or Ethernet).
  • the Wi-Fi network can operate in an unlicensed 2.4 and 5 GHz radio band, for example, at a data rate of 11 Mbps (802.11a) or 54 Mbps (802.11b), or in a product including both bands (dual band). .
  • a person of ordinary skill in the art of the present disclosure includes various exemplary logical blocks, modules, processors, means, circuits and algorithm steps described in connection with the embodiments disclosed herein, electronic hardware, (convenience). For the sake of clarity, it will be appreciated that it may be implemented by various types of programs or design code or a combination of both (referred to herein as software). To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends on the particular application and design constraints imposed on the overall system. A person of ordinary skill in the art of the present disclosure may implement the described functions in various ways for each specific application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.
  • the various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CD, DVD, etc.), smart cards, and flash devices.
  • Memory devices eg, EEPROM, cards, sticks, key drives, etc.
  • the various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
  • the present invention can be used in a database server, a database management computing device, and 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)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 신경망을 이용하여 기술 분야를 추출하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작을 포함할 수 있다. 대표도 도 1

Description

신경망을 이용한 데이터 처리 방법
본 개시는 컴퓨팅 장치를 이용한 데이터 처리에 관한 것으로써, 보다 구체적으로는 신경망을 이용하여 데이터를 처리하는 기술에 관한 것이다.
컴퓨터 및 인터넷 기술이 발전함에 따라, 많은 양의 데이터가 축적되고 있다. 많은 양의 데이터를 효율적으로 저장하고 원하는 검색 조건으로 쉽고 빠르게 데이터를 찾기 위한 기술의 중요도가 증가하고 있다. 현재 저장 매체는 수많은 정보를 저장 및 검색하는 것을 허용한다.
저장 매체가 수많은 양의 데이터를 포함하고 있는 경우, 사용자가 관심있어 하는 데이터를 획득하는 데 어려움이 존재할 수 있다. 또한 컴퓨팅 장치가 사용자가 관심 있어 하는 데이터를 검색하는데 있어서 상대적으로 긴 시간이 소요될 수 있다.
인공지능 기술에서도 특히 딥 러닝 분야는 데이터 자동화 처리에 대해 놀라운 발전을 이루었다. 최근 딥 러닝 기술이 발달하면서 데이터의 분류도 딥 러닝을 사용하는 추세이다.
대한민국 공개특허공보 제 2019-0061984호에서는 딥러닝을 이용한　분류코드 추천 시스템을 개시하고 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 데이터 처리를 위한 컴퓨팅 장치를 제공하기 위함이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작 이전에, 상기 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 분류 대상 데이터는, 상기 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 상기 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 엘리먼트는, 상기 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 분류 대상 데이터는, 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다.
대안적 실시예에서, 상기 제 1 모델은, 자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함할 수 있다.
대안적 실시예에서, 상기 제 1 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델; 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델; 상기 제 1 서브모델 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및 상기 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델을 포함할 수 있다.
대안적 실시예에서, 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력하는 동작 이전에, 상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 분류 대상 데이터에 대한 전처리는 상기 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 모델은, 상기 분류 대상 데이터를 학습 입력 데이터로 하고, 상기 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다.
대안적 실시예에서, 상기 제 2 모델은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작은, 컨볼루셔널 블록의 출력을 풀링 레이어에 입력하는 동작; 상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하는 동작; 및 상기 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 컨볼루셔널 블록은, 복수개의 컨볼루셔널 레이어를 포함하고, 상기 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고, 상기 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈를 포함할 수 있다.
다른 일 실시예에 따라 신경망을 이용한 데이터 처리 방법이 개시된다. 신경망을 이용하여 데이터를 처리하는 방법은, 문서를 자연어 처리를 위한 제 1 모델에 입력시키는 단계; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 단계; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 단계; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 단계를 포함할 수 있다.
본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 문서를 자연어 처리를 위한 제 1 모델에 입력시키고, 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하고, 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키고, 그리고 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득할 수 있다.
본 개시의 일 실시예에 따라, 신경망을 이용하여 데이터를 처리하기 위한 컴퓨팅 장치를 제공할 수 있다.
상기 언급된 본 개시내용의 피처들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 개시의 일 실시예에 따른 데이터 처리를 하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 데이터 처리를 위한 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 동작을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 문서를 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 분류 대상 데이터를 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 방법의 순서도이다.
도 7은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 데이터 처리를 하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1은 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 구성을 나타낸다. 도 1에 도시된 컴퓨팅 장치(100)는 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 간략화된 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 문서를 자연어 처리를 위한 제 1 모델에 입력시킬 수 있다.
본 개시의 일 실시예에 따라, 문서는 의사소통을 위해 고안된 정보를 물리적으로 통합해 놓은 것을 포함할 수 있다. 문서는 사람의 생각을 상징적인 기호로 정보를 제공하여 텍스트로 표현한 것을 포함할 수 있다. 문서는 컴퓨터의 발달에 따라 특정 형식의 디지털 파일을 포함할 수 있다. 특정 형식의 디지털 파일은 예를 들어, 음악 파일, 이미지 파일, 텍스트 파일 등과 같은 파일을 포함할 수 있다. 전술한 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 발명의 일 실시예에 따른 문서는 둘 이상의 임의의 부분 문서를 포함할 수 있다. 둘 이상의 임의의 합집합은 통합하여 본 발명의 일 실시예에 따른 문서를 모두 포함할 수 있다. 다른 실시예에서, 둘 이상의 임의의 부분 문서의 합집합은 본 발명의 일 실시예에 따른 문서의 일 부분만을 포함할 수 있다. 둘 이상의 임의의 부분 문서는 공통되는 부분을 공유할 수 있다. 전술한 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 발명의 일 실시예에서, 문서에 포함된 둘 이상의 임의의 부분 문서를 제 1 부분 문서 및 제 2 부분 문서로 정의할 수 있다. 제 1 부분 문서와 제 2 부분 문서는 문서의 컨텐츠에 기초한 상관관계를 가질 수 있다. 예를 들어, 제 1 부분 문서의 적어도 일부는 제 2 부분 문서의 임의의 부분과 동일하거나 실질적으로 대응될 수 있다. 본 발명의 일 실시예에서, 제 1 부분 문서는 문서 또는 제 2 부분 문서의 전체 또는 일부에 기초하여 작성된 것일 수 있다. 예를 들어, 제 1 부분 문서는 특허 명세서의 청구항, 논문의 요약, 서적의 목차, 서적의 서평, 서적의 줄거리 요약 등일 수 있다.
본 발명의 일 실시예에서, 문서는 문서의 핵심 정보를 포함하는 제 1 부분 문서와 문서의 핵심 정보를 포함하는 제 1 부분 문서와 실질적 대응 관계가 있는 제 2 부분 문서를 포함할 수 있다. 문서의 핵심 정보는 문서가 전달하고자 하는 내용을 압축적으로 표현한 정보를 포함할 수 있다. 문서의 핵심 정보는 사람 또는 컴퓨팅 장치가 문서 전체를 판독하지 않더라도 문서가 전달하고자 하는 내용을 알 수 있도록 하는 정보를 포함할 수 있다. 문서의 핵심 정보는 예를 들어, 논문에서 abstract 또는 introduction의 내용을 포함하는 부분 문서, 판결문에서 판시사항, 판결 요지를 포함하는 부분 문서, 특허 명세서에서 청구범위의 내용을 포함하는 부분 문서, 디자인 등록 출원서에서 도면, 상표 등록 출원서에서 상표 및 지정상품, 서적(예를 들어, 잡지, 시, 소설, 학습지, 교재)에서의 목차 또는 줄거리 요약 등을 포함할 수 있다.
본 개시의 일 실시예에 있어서 제 2 부분 문서는 제 1 부분 문서와 실질적으로 대응될 수 있다. 제 2 부분 문서는 제 1 부분 문서와 상관관계를 가질 수 있다. 제 2 부분 문서는 제 1 부분 문서와 일정 수준 이상의 상관관계를 가질 수 있다. 제 2 부분 문서는 제 1 부분 문서를 뒷받침하는 내용 또는 구체적으로 설명하는 내용을 포함할 수 있다, 제 2 부분 문서는 예를 들어 논문에서 실험 방법, 실험 결과, 판결문에서 판결 이유, 특허 명세서에서 발명을 실시하기 위한 구체적인 설명, 디자인 등록 출원서에서 디자인을 설명하는 부분 문서, 상표 등록 출원서에서 상표를 설명하는 부분 문서, 서적에서 목차에 대응되는 내용, 또는 서적의 전부 일부를 포함할 수 있다.
문서는 구체적으로 도 4를 참조하여 후술하여 설명된다.
본 개시의 일 실시예에 따라, 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 권리주장을 위한 제 1 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 기재한 문서의 적어도 일부분을 포함할 수 있다. 권리는 특허권, 실용신안권, 디자인권, 상표권, 저작권을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장을 위한 제 1 부분 문서는 청구범위에 기재된 사항을 포함할 수 있다. 전술한 제 1 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 권리주장내용을 설명하기 위한 제 2 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 구체적으로 설명하기 위한 문서의 적어도 일부분을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장내용을 설명하기 위한 제 2 부분 문서는 발명의 명칭, 기술분야, 발명의 배경이 되는 기술, 발명의 내용, 도면의 간단한 설명, 발명을 실시하기 위한 구체적인 내용, 부호의 설명, 도면, 요약, 대표도를 포함할 수 있다. 발명의 명칭은 발명 내용을 고려하여 발명의 카테고리가 구분되도록 하는 명칭을 포함할 수 있다. 기술분야는 특허를 받으려는 발명의 기술 분야를 명확하고 간결하게 기재한 내용을 포함할 수 있다. 발명의 배경이 되는 기술은 발명의 이해, 조사에 유용하다고 생각되는 종래 기술을 기재한 내용을 포함할 수 있다. 발명의 내용은 해결하고자 하는 과제, 과제의 해결 수단, 발명의 효과를 포함할 수 있다. 도면의 간단한 설명은 도면이 구체적으로 나타내려는 것이 무엇인지를 쉽게 파악할 수 있도록 첨부도면의 도시상태, 종류 및 도시 부분에 대한 설명을 포함할 수 있다. 발명을 실시하기 위한 구체적인 내용은 통상의 기술자가 그 발명이 어떻게 실시되는지 쉽게 알 수 있도록 그 발명의 실시를 위한 구체적인 적어도 하나 이상 기재한 내용을 포함할 수 있다. 부호의 설명은 도면의 주요 부분을 나타내는 부호들에 대한 설명을 포함할 수 있다. 도면은 발명을 실시하기 위한 구체적인 내용을 설명하기 위한 이미지를 포함할 수 있다. 요약은 발명 내용을 간단하게 일정 글자 수 이내(예를 들어, 300자 이내)로 설명한 내용을 포함할 수 있다. 대표도는 적어도 하나 이상의 도면에서 발명의 내용을 대표하는 도면 번호를 포함할 수 있다. 전술한 제 2 부분 문서는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 문서를 분석하여 제 1 부분 문서와 제 2 부분 문서로 분할할 수 있다. 프로세서(110)는 제 1 부분 문서와 제 2 부분 문서를 일정 기준에 기초하여 분할할 수 있다. 일정 기준은 문서에 포함된 소제목을 기준으로 포함할 수 있다. 예를 들어, 문서가 특허 문서인 경우, 프로세서(110)는 소제목 [청구범위]를 인식하여 [청구범위]에 포함된 내용은 제 1 부분 문서로, 소제목 [발명의 내용], [도면의 간단한 설명], [발명을 실시하기 위한 구체적인 내용]에 포함된 내용은 제 2 부분 문서로 분할할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
문서를 분석하여 제 1 부분 문서와 제 2 부분 문서로 분할하는 동작은 도 4를 참조하여 후술하여 설명된다.
본 개시의 일 실시예에 따라, 분류 대상 데이터는 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함할 수 있다. 제 1 엘리먼트는 사전 결정된 기준에 따라 선택된 제 1 부분 문서의 일부일 수 있다. 사전 결정된 기준은 예를 들어, 문서가 특허 문서고 비밀유지의무가 없는 사람들에게 공개된 특허 문서인지 여부, 등록된 특허 문서인지 여부에 기초하여 결정된 기준을 포함할 수 있다. 문서가 특허 문서이고 비밀유지의무가 없는 사람들에게 공개된 특허 문서인 경우, 프로세서(110)는 독립항 1항 및 독립항 1항의 종속항을 제 1 엘리먼트에 포함시킬 수 있다. 예를 들어, 제 1 부분 문서에 독립항 1항, 독립항 1항의 종속항이 2항 내지 4항인 경우, 프로세서(110)는 청구항 1항 내지 4항을 제 1 엘리먼트에 포함시킬 수 있다. 문서가 특허 문서이고 등록된 특허 문서인 경우, 프로세서(110)는 독립항만 제 1 엘리먼트에 포함시킬 수 있다. 예를 들어 제 1 부분 문서에 독립항이 1항, 5항, 7항인 경우, 프로세서(110)는 청구항 1항, 5항, 7항만 제 1 엘리먼트에 포함시킬 수 있다. 문서가 특허 문서인 경우, 비밀유지의무가 없는 사람들에게 공개된 특허 문서는 발명의 핵심 내용이 독립항에 집약되어 있을 가능성이 높지 않은 반면(다시 말해, 발명의 핵심 내용이 종속항에 기재되어 있을 가능성이 높다), 등록된 특허 문서는 발명의 핵심 내용이 독립항에 집약되어 등록 받았을 가능성이 높아 프로세서(110)는 상기와 같은 사전 결정된 기준에 기초하여 제 1 엘리먼트에 포함되는 내용을 선택할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
분류 대상 데이터는 도 5를 참조하여 후술하여 설명된다.
본 개시의 일 실시예에 따라, 제 2 엘리먼트는, 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함할 수 있다. 제 2 엘리먼트와 제 1 엘리먼트의 상관관계는 프로세서(110)가 제 1 모델을 이용하여 획득한 결과를 기초로 결정된 상관관계를 포함할 수 있다. (프로세서(110)가 제 1 모델을 이용하여 제 1 엘리먼트와 제 2 엘리먼트의 상관관계를 도출하는 구체적인 과정은 후술하여 설명된다.) 프로세서(110)가 제 1 모델을 이용하여 획득한 결과는 0과 1 사이의 확률값으로 표현될 수 있다. 예를 들어, 프로세서(110)는 제 1 엘리먼트와 제 2 엘리먼트의 상관관계가 높을수록 큰 확률값을 획득할 수 있다. 따라서 제 1 엘리먼트와 제 2 엘리먼트1의 상관관계는 0.9, 제 1 엘리먼트와 제 2 엘리먼트2의 상관 관계는 0.8, 제 1 엘리먼트와 제 2 엘리먼트3의 상관 관계는 0.5인 경우, 프로세서(110)는 0.7 이상인 제 2 엘리먼트만 선택할 수 있으며, 최종적으로 분류 대상 데이터는 제 1 엘리먼트와 상관관계 높은 제 2 엘리먼트1 및 제 2 엘리먼트2를 포함할 수 있다. 텍스트는 예를 들어, 문서가 특허 문서인 경우, 발명을 실시하기 위한 구체적인 설명을 포함할 수 있다. 텍스트는 예를 들어, 문서가 특허 문서인 경우, 발명의 설명하기 위한 수식을 포함할 수 있다. 이미지는 예를 들어, 문서가 특허 문서인 경우, 도면을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
제 2 엘리먼트는 도 5를 참조하여 후술하여 설명된다.
본 개시의 일 실시예에 따라, 분류 대상 데이터는, 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다. 제 2 부분 문서의 사전 결정된 기준은 프로세서(110)가 제 2 모델을 이용하여 정확한 분류를 획득할 수 있는지 여부에 기초하여 결정된 기준을 포함할 수 있다. 예를 들어, 문서가 특허 문서인 경우, 기술 분야 및 발명의 배경이 되는 기술은 프로세서(110)가 특허 문서의 정확한 분류 결과를 획득할 수 있도록 도움을 줄 수 있는 내용을 포함할 수 있다. 기술 분야는 특허를 받으려는 발명의 기술분야가 명확하고 간결하게 기재된 내용 또는 기술 분류를 포함할 수 있으므로 프로세서(110)는 기술분야에 기재된 내용을 기초로 정확한 분류 결과를 획득할 수 있다. 따라서 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분은 정확한 분류 결과를 획득하기 위해 기술 분야 및 발명의 배경이 되는 기술을 포함할 수 있다. 프로세서(110)는 제 1 엘리먼트와의 상관관계와 무관하게 미리 선정된 일부분(예를 들어, 기술 분야, 발명의 배경이 되는 기술)을 분류 대상 데이터에 포함시킴으로써, 더 높은 정확도를 가지는 분류 결과를 획득할 수 있다. 전술한 분류 대상 데이터는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 1 모델은, 자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함할 수 있다. 순환 신경망은 시계열 데이터를 입력 데이터로 하는 신경망을 포함할 수 있다. 시계열 데이터는 일정 시간 간격으로 배치된 데이터들의 수열을 포함할 수 있다. 순환 신경망은 또한 자연어를 입력 데이터로 하는 신경망을 포함할 수 있다. 프로세서(110)는 자연어를 일정 간격으로 분할하여(예를 들어, 단어를 하나의 일정 간격으로 정할 수 있다.) 순환 신경망에 입력할 수 있다. 전술한 순환 신경망은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 순환 신경망은 장단기 기억 네트워크(Long Short Term Memory Network)를 포함할 수 있다. 장단기 기억 네트워크는 현재 시간에서 입력 받은 데이터의 영향력이 출력되는 입력 게이트(Input Gate), 및 현재 시간 이전에 입력 받은 데이터의 영향력이 출력되는 포겟 게이트(Forget Gate)를 포함하는 신경망을 포함할 수 있다. 이를 통해 현재 시간보다 먼 과거에 입력 받은 데이터의 정보가 시간이 경과함에 따라 잊지 않고 기억될 수 있으며, 먼 과거로 갈수록 데이터의 정보의 망각을 반영할 수 있다. 프로세서(110)는 장단기 기억 네트워크를 이용하여 현재 시간보다 이전의 데이터를 고려하여 예측 값을 출력할 수 있다. 전술한 순환 신경망은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 1 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델, 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델, 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델 및 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델을 포함할 수 있다. 전술한 제 1 모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 1 서브모델은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 프로세서(110)는 제 1 부분 문서를 장단기 기억 네트워크에 입력하여 제 1 부분 문서의 피처를 추출할 수 있다. 제 1 부분 문서의 피처는 제 1 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 1 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 요소로 하는 벡터를 포함할 수 있다. 프로세서(110)는 제 1 서브모델로부터 획득한 벡터를 이용하여 제 1 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 1 부분 문서에 포함된 단어의 집합이 (x1, x2, x3, x4, .... , xn)이고 각 단어에 대응되는 벡터(프로세서가 제 1 서브모델에 단어를 입력하여 획득한 벡터)가 (v1, v2, v3, v4, .... ,vn)인 경우, 제 1 서브모델 인코딩 매트릭스는 [v1, v2, v3, v4, ... ,vn]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 서브모델은 순환 신경망을 포함할 수 있다. 순환 신경망은 장단기 기억 네트워크를 포함할 수 있다. 제 2 서브모델의 장단기 기억 네트워크는 제 1 서브모델의 장단기 기억 네트워크와 동일한 네트워크를 포함할 수 있다. 즉, 제 2 서브모델의 장단기 기억 네트워크의 파라미터는 제 1 서브모델의 장단기 기억 네트워크의 파라미터와 동일할 수 있다. 제 1 서브모델 및 제 2 서브모델이 네트워크의 파라미터를 공유함으로써, 프로세서(110)는 동일한 단어 시퀀스(예를 들어, 문장)를 제 1 서브모델 및 제 2 서브모델에 입력하여 동일하거나 유사한 벡터 표현을 획득할 수 있다. 전술한 제 2 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 부분 문서를 장단기 기억 네트워크에 입력하여 제 2 부분 문서의 피처를 추출할 수 있다. 제 2 부분 문서의 피처는 제 2 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 2 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 성분으로 하는 벡터를 포함할 수 있다. 프로세서(110)는 제 2 서브모델로부터 획득한 벡터를 이용하여 제 2 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 2 부분 문서에 포함된 단어의 집합이 (y1, y2, y3, y4, ... , yn)이고 각 단어에 대응되는 벡터(프로세서가 제 2 서브모델에 단어를 입력하여 획득한 벡터)가 (v'1, v'2, v'3, v'4, ... ,v'n)인 경우, 제 2 서브모델 인코딩 매트릭스는 [v'1, v'2, v'3, v'4, ... ,v'n]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 3 서브모델을 이용하여 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 프로세서(110)는 제 1 서브모델 인코딩 매트릭스 및 제 2 서브모델 인코딩 매트릭스에 기초하여 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 프로세서(110)는 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산하여 획득한 결과를 softmax 함수에 입력하여, 제 1 부분 문서에 포함된 단어와 제 2 부분 문서에 포함된 단어의 상관관계를 획득할 수 있다. 전술한 제 3 서브모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 4 서브모델을 이용하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출할 수 있다. 프로세서(110)는 제 3 서브모델을 이용하여 제 1 엘리먼트와 적어도 하나 이상의 제 2 엘리먼트들 간의 상관관계를 획득할 수 있다. 프로세서(110)는 제 1 엘리먼트와 상관관계가 가장 높은 하나의 제 2 엘리먼트를 선택하여 분류 대상 데이터에 추가할 수 있다. 프로세서(110)는 제 1 엘리먼트와 상관관계가 가장 높은 상위 3%의 제 2 엘리먼트들을 선택하여 분류 대상 데이터에 추가할 수 있다. 프로세서(110)는 제 4 서브모델을 이용하여 선택한 제 2 엘리먼트의 위치 정보를 획득할 수 있다. 프로세서(110)는 제 2 엘리먼트가 문서의 10번째 문단에 있는 경우, 10번째 문단의 위치 정보를 획득할 수 있다. 프로세서(110)는 제 2 엘리먼트의 시작 위치 및 종료 위치를 획득할 수 있다. 예를 들어, 제 2 엘리먼트의 시작 위치는 10번이고 종료 위치는 20번인 경우, (시작 위치=10, 종료 위치=20) 정보를 획득할 수 있다. 프로세서(110)는 위치 정보를 이용하여 문서 내에서 제 2 엘리먼트를 효율적으로 탐색하여 분류 대상 데이터에 추가할 수 있다. 전술한 제 4 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
전술한 제 1 모델을 이용하여 분류 대상 데이터를 획득하는 방법에 관련한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 Dynamic Coattention Networks for using Question Answering (공개일: 2018.03.06, 작성자: Caiming Xiong, Victoor Zhong, Richard Socher)에서 구체적으로 논의된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행할 수 있다. 분류 대상 데이터에 대한 전처리는 제 2 모델에 분류 대상 데이터를 입력하기 위한 과정을 포함할 수 있다. 예를 들어 제 2 모델이 CNN(Convolutional Neural Network)인 경우, 입력 데이터의 크기는 제한되므로, 전처리는 입력 데이터의 크기를 CNN에 입력하기 위한 크기로 만드는 과정을 포함할 수 있다. 또한 제 2 모델이 텐서플로우(Tensorflow)를 기초로 구현된 경우, 제 2 모델에 입력되는 데이터는 TFRecord 형태로 입력될 수 있다. TFRecord 데이터 형태는, 텐서 플로우의 학습 데이터를 저장하기 위한 바이너리(Binary) 데이터 형태일 수 있다. 따라서 프로세서(110)는 제 2 모델에 분류 대상 데이터를 입력하기 위해 분류 대상 데이터를 TFRecord 형태로 변환할 수 있다. 이를 통해, 프로세서(110)는 전처리를 통하여 제 2 모델의 예측 정확도를 향상시키고 학습 시간을 감소시킬 수 있다. 전술한 전처리는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 분류 대상 데이터에 대한 전처리는 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다. 이미지 형태의 데이터는 테이블 형태로 표현된 데이터 형태를 포함할 수 있다. 이미지 형태의 데이터는 이미지에 포함된 적어도 하나 이상의 픽셀 정보를 포함할 수 있다. 전술한 전처리는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 이미지 형태의 데이터는 테이블 형태로 표현된 데이터 형태를 포함할 수 있다. 분류 대상 데이터가 텍스트인 경우, 프로세서(110)는 텍스트를 제 2 모델에 입력하기 위해 텍스트를 테이블 형태로 만들 수 있다. 테이블 형태에서 행은 텍스트에 포함된 단어를 포함할 수 있고, 열은 각 단어에 대응되는 워드 벡터의 각 성분을 포함할 수 있다. 프로세서(110)는 제 2 모델에 입력되는 입력 데이터의 크기가 500 단어인 경우, 분류 대상 데이터를 500 단어 이내로 생성할 수 있다. 예를 들어, 분류 대상 데이터가 600 단어이고, 제 1 엘리먼트와 상관관계가 상대적으로 높은 제 2 엘리먼트가 3개인 경우, 이 중 상관관계가 상대적으로 낮은 제 2 엘리먼트 2개를 제외시킴으로써, 분류대상 데이터의 단어 수를 500단어 이하로 만들 수 있다. 분류 대상 데이터가 460 단어 이하인 경우, 프로세서(110)는 500-460=40 단어의 벡터 성분을 0으로 표현하여 테이블 형태로 만들 수 있다. 프로세서(110)는 텍스트를 테이블 형태로 만드는 전처리를 통해 CNN에 이미지 뿐만 아니라 텍스트를 입력하여 분류 결과를 획득할 수 있다. 전술한 전처리는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 모델은, 분류 대상 데이터를 학습 입력 데이터로 하고, 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다. 학습 데이터 세트는 프로세서(110)가 분류 대상 데이터와 매칭되는 분류를 라벨링하여 생성된 데이터 세트를 포함할 수 있다. 프로세서(110)는 분류 대상 데이터를 제 2 모델에 입력하여 획득한 분류를 라벨링하여 학습데이터 세트를 생성할 수 있다. 프로세서(110)가 제 2 모델을 이용하여 잘못 분류된 분류 대상 데이터는 학습 데이터 세트에서 제외시킬 수 있다. (예를 들어 데이터 드롭 아웃 방식을 사용하여 잘못 라벨링된 분류 대상 데이터를 학습 데이터 세트에서 제외시킬 수 있다.) 본 개시의 다른 일 실시예에 따라, 학습 데이터 세트는 오퍼레이터가 분류 대상 데이터를 라벨링하는 과정을 통해 획득된 데이터 세트를 포함할 수 있다. 전술한 학습 데이터 세트는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 모델은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다. 풀링 레이어는 입력 데이터의 차원을 축소하여 이미지의 강한 특징만 추출하는 레이어를 포함할 수 있다. 완전 연결 레이어는 분류를 획득하기 위한 레이어를 포함할 수 있다. 전술한 제 2 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컨볼루셔널 블록은, 복수개의 컨볼루셔널 레이어를 포함할 수 있다. 컨볼루셔널 레이어는 합성곱 연산을 통해 입력 데이터의 피처를 추출하는 레이어를 포함할 수 있다. 컨볼루셔널 블록은, 예를 들어 2개의 컨볼루셔널 레이어를 포함할 수 있다. 프로세서(110)는 컨볼루셔널 레이어로부터 획득한 결과를 배치 정규화(batch normalization)할 수 있다. 프로세서(110)는 배치 정규화된 결과를 활성화 함수(activation function)에 입력하여 획득한 결과값을 다음 컨볼루셔널 레이어에 입력할 수 있다. 활성화 함수(activation function)는 ReLU activation function을 포함할 수 있다. 전술한 컨볼루셔널 블록은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고, 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈를 포함할 수 있다. 컨볼루셔널 레이어는 커널을 포함할 수 있다. 커널 사이즈는 3일 수 있다. 제 2 모델에 포함된 컨볼루셔널 레이어의 커널이 동일한 커널 사이즈 3을 가지는 경우, 프로세서(110)는 심층 구조(예를 들어, 컨볼루셔널 레이어가 26개인 구조)를 가지는 신경망을 이용하여 정확도 높은 분류를 획득할 수 있다. 본 개시의 다른 일 실시예에 따라, 컨볼루셔널 레이어의 커널 사이즈가 큰 경우(예를 들어 사이즈가 7인 경우), 프로세서(110)는 컨볼루셔널 레이어를 이용하여 얕은 층 구조(예를 들어, 컨볼루셔널 레이어가 5개인 구조)를 가지는 신경망을 이용하여 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 전처리된 분류 대상 데이터를 컨볼루셔널 블록에 입력할 수 있다. 프로세서(110)는 컨볼루셔널 블록에 전처리된 분류 대상 데이터를 입력하여 분류 대상 데이터에 대응되는 피처를 획득할 수 있다. 컨볼루셔널 블록은 적어도 하나 이상의 컨볼루셔널 레이어를 포함할 수 있다. 프로세서(110)는 전처리된 분류 대상 데이터를 컨볼루셔널 레이어에 입력하여 피처를 획득할 수 있다. 컨볼루셔널 레이어를 이용하여 획득한 피처를 배치 정규화(Batch Normalization) 과정을 거친 후 활성 함수(예를 들어, ReLU activation function)를 이용하여 컨볼루셔널 블록의 출력을 최종적으로 획득할 수 있다. 프로세서(110)는 컨볼루셔널 블록으로부터 획득한 출력을 풀링 레이어에 입력하여 강한 특징만을 추출할 수 있다. 풀링 레이어는 맥스 풀링 레이어를 포함할 수 있다. 프로세서(110)는 맥스 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
전술한 제 2 모델을 이용하여 분류를 획득하는 방법에 관련한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 Very Deep Convolutional Neural Networks for Text Classification(공개일: 2017.01.27, 작성자: Alexis Conneau, Holger Schwenk, Yann Le Cun, Loic Barrault)에서 구체적으로 논의된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득할 수 있다. 프로세서(110)는 완전 연결 레이어를 이용하여 분류 대상 데이터의 특징에 라벨된 분류를 획득할 수 있다. 예를 들어, 문서가 특허 문서이고, 특허 문서가 전기전자 발명을 포함하고 있는 경우, 프로세서(110)는 완전 연결 레이어를 이용하여 전기전자 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 분류는 산업기술 분류에 기초하여 대분류, 중분류, 소분류로 나누어 질 수 있다. 대분류는 기계, 소재, 전기전자, 정보통신, 화학, 바이오, 의료, 에너지 자원, 지식 서비스, 세라믹 등을 포함할 수 있다. 대분류 정보통신의 중분류는 예를 들어, 이동통신, 디지털 방송, 위성전파, 홈 네트워크, 광대역 통합망, 소프트웨어, U-컴퓨팅, 디지털 콘텐츠, 지식정보보안, 정보통신모듈 및 부품, RFID를 포함할 수 있다. 중분류 소프트웨어는 예를 들어, 임베디드 소프트웨어, 소프트웨어 솔루션, 시스템 통합, 인터넷 소프트웨어를 포함할 수 있다. 전술한 분류는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 분류는 인공지능 분류를 포함할 수 있다. 인공지능 분류는 예를 들어, 인공지능 학습법, 인공지능 연구분야, 인공지능 도메인, 인공지능 적용분야를 포함할 수 있다. 인공지능 학습법은 교사학습, 비교사학습, 강화학습, 학습법에 제한이 없는 경우를 포함할 수 있다. 인공지능 연구 분야는 전처리, 트레이닝 방법, 네트워크 구조, 인공지능을 응용한 발명(예를 들어, 인공지능을 이용하여 특수한 목적을 달성하는 발명)을 포함할 수 있다. 인공지능 도메인은 인공지능을 이용하여 처리하고자 하는 데이터의 형태를 포함할 수 있다. 예를 들어, 이미지, 자연어, 시계열 데이터(예를 들어, 센서 데이터), 도메인 한정 없는 경우를 포함할 수 있다. 인공지능 적용 분야는 인공지능이 산업에서 인공지능 기술을 이용하여 수행하고자 하는 작업을 기준으로 분류한 것을 포함할 수 있다. 예를 들어, 의료, 보안, 경영, 게임, 자율주행, 번역, 스마트팩토리, 일반(예를 들어, 인공지능 활용 용도가 개시되어 있지 않는 경우)을 포함할 수 있다. 전술한 분류는 예시일 뿐 본 개시는 이에 제한되지 않는다.
최근에 산업이 발전함에 따라 다양한 분야의 기술들이 개발되고, 새로운 기술들을 법적으로 보호받고자 특허 출원하는 경우가 증가하는 추세이다. 이러한 수많은 특허들 중에서 관심 기술 분야에 해당하는 특허를 찾는 작업은 많은 비용과 인력 및 시간이 소모될 수 있다.
본 개시에 따라, 신경망을 이용하여 문서의 분류를 획득함으로써, 수많은 문서들 중에서 관심 기술 분야에 해당하는 문서를 적은 비용과 시간으로 획득할 수 있다. 관심 기술 분야에 해당하는 문서를 적은 비용으로 빠른 시간 내에 획득함으로써, 특허 동향 조사 관련 문서, 관심 기술 분야에 종사하는 기업들의 기술 개발 방향 조사 관련 문서, 연구 방향과 유사한 선행 기술 내용을 포함하는 문서 등을 단시간 내에 작성하여 개인 및/또는 기업이 자신이 활용하고자 하는 방향으로 방대한 양의 데이터를 유용하게 사용할 수 있다.
도 2는 본 개시의 일 실시예에 따라 데이터 처리를 위한 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 3은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 동작을 설명하기 위한 예시도이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 문서(310)를 제 1 모델(330)에 입력시킬 수 있다. 본 개시의 일 실시예에 따라, 문서(310)는 권리 주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다. 권리주장을 위한 제 1 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 기재한 문서의 적어도 일부분을 포함할 수 있다. 권리주장내용을 설명하기 위한 제 2 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 구제적으로 설명하기 위한 문서의 적어도 일부분을 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 1 모델(330)을 이용하여 분류 대상 데이터(350)를 획득할 수 있다. 제 1 모델(330)은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델, 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델, 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델 및 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델을 포함할 수 있다. 전술한 제 1 모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 1 부분 문서를 제 1 서브모델에 입력하여 제 1 부분 문서의 피처를 추출할 수 있다. 제 1 부분 문서의 피처는 제 1 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 1 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 성분으로 하는 벡터를 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 서브모델로부터 획득한 벡터를 이용하여 제 1 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 1 부분 문서에 포함된 단어의 집합이 (x1, x2, x3, x4, ... , xn)이고 각 단어에 대응되는 벡터(프로세서가 제 1 서브모델에 단어를 입력하여 획득한 벡터)가 (v1, v2, v3, v4, ... ,vn)인 경우, 제 1 서브모델 인코딩 매트릭스는 [v1, v2, v3, v4, ... ,vn]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 부분 문서를 제 2 서브모델에 입력하여 제 2 부분 문서의 피처를 추출할 수 있다. 제 2 부분 문서의 피처는 제 2 서브모델 인코딩 매트릭스를 포함할 수 있다. 제 2 서브모델 인코딩 매트릭스는 문서를 장단기 기억 네트워크에 입력하여 획득한 벡터를 포함할 수 있다. 획득한 벡터는 각 단어가 나올 확률 값을 벡터의 요소로 하는 벡터를 포함할 수 있다. 컴퓨팅 장치(100)는 제 2 서브모델로부터 획득한 벡터를 이용하여 제 2 서브모델 인코딩 매트릭스를 획득할 수 있다. 예를 들어, 제 2 부분 문서에 포함된 단어의 집합이 (y1, y2, y3, y4, ... , yn)이고 각 단어에 대응되는 벡터(프로세서가 제 2 서브모델에 단어를 입력하여 획득한 벡터)가 (v'1, v'2, v'3, v'4, ... ,v'n)인 경우, 제 2 서브모델 인코딩 매트릭스는 [v'1, v'2, v'3, v'4, ... ,v'n]로 표현될 수 있다. 전술한 제 1 서브 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 3 서브모델을 이용하여 제 1 서브모델 및 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 컴퓨팅 장치(100)는 제 1 서브모델 인코딩 매트릭스 및 제 2 서브모델 인코딩 매트릭스에 기초하여 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출할 수 있다. 컴퓨팅 장치(100)는 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산할 수 있다. 컴퓨팅 장치(100) 제 2 서브모델 인코딩 매트릭스의 전치행렬(Transpose)과 제 1 서브모델 인코딩 매트릭스를 연산한 결과를 softmax 함수에 입력하여, 제 1 부분 문서에 포함된 단어와 제 2 부분 문서에 포함된 단어의 상관관계를 획득할 수 있다. 전술한 제 3 서브모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 4 서브모델을 이용하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출할 수 있다. 컴퓨팅 장치(100)는 제 3 서브모델을 이용하여 제 1 엘리먼트와 적어도 하나 이상의 제 2 엘리먼트들 간의 상관관계를 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 엘리먼트와 상관관계가 가장 높은 하나의 제 2 엘리먼트를 선택하여 분류 대상 데이터에 추가할 수 있다. 컴퓨팅 장치(100)는 제 1 엘리먼트와 상관관계가 가장 높은 상위 3%의 제 2 엘리먼트들을 선택하여 분류 대상 데이터에 추가할 수 있다. 컴퓨팅 장치(100)는 제 4 서브모델을 이용하여 선택한 제 2 엘리먼트의 위치 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 엘리먼트가 문서의 10번째 문단에 있는 경우, 10번째 문단의 위치 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 엘리먼트의 시작 위치 및 종료 위치를 획득할 수 있다. 예를 들어, 제 2 엘리먼트의 시작 위치는 10번이고 종료 위치는 20번인 경우, (시작 위치=10, 종료 위치=20) 정보를 획득할 수 있다. 컴퓨팅 장치(100)는 위치 정보를 이용하여 문서 내에서 제 2 엘리먼트를 효율적으로 탐색하여 분류 대상 데이터에 추가할 수 있다. 전술한 제 4 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 분류 대상 데이터(350)를 전처리(360)할 수 있다. 분류 대상 데이터(350)에 대한 전처리(360)는 제 2 모델(370)에 입력하기 위한 과정을 포함할 수 있다. 분류 대상 데이터(350)에 대한 전처리(360)는 분류 대상 데이터(350)를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다. 이미지 형태의 데이터는 테이블 형태로 표현된 데이터 형태를 포함할 수 있다. 테이블 형태에서 행은 텍스트에 포함된 단어를 포함할 수 있고, 열은 각 단어에 대응되는 벡터의 성분을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 전처리(360)된 분류 대상 데이터(350)를 제 2 모델(370)에 입력시킬 수 있다. 제 2 모델(370)은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 전처리된 분류 대상 데이터를 컨볼루셔널 블록에 입력할 수 있다. 컴퓨팅 장치(100)는 컨볼루셔널 블록에 전처리된 분류 대상 데이터를 입력하여 분류 대상 데이터에 대응되는 피처를 획득할 수 있다. 컨볼루셔널 블록은 적어도 하나 이상의 컨볼루셔널 레이어를 포함할 수 있다. 컴퓨팅 장치(100)는 전처리된 분류 대상 데이터를 컨볼루셔널 레이어에 입력하여 피처를 획득할 수 있다. 컨볼루셔널 레이어를 이용하여 획득한 피처를 배치 정규화(Batch Normalization) 과정을 거친 후 활성 함수(예를 들어, ReLU activation function)를 이용하여 컨볼루셔널 블록의 출력을 최종적으로 획득할 수 있다. 컴퓨팅 장치(100)는 컨볼루셔널 블록으로부터 획득한 출력을 풀링 레이어에 입력하여 강한 특징만을 추출할 수 있다. 풀링 레이어는 맥스 풀링 레이어를 포함할 수 있다. 컴퓨팅 장치(100)는 맥스 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 분류(390)를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 반도체인 경우, "전기전자"라는 분류를 출력할 수 있다. 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 내연기관인 경우, "기계"라는 분류를 출력할 수 있다. 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 비료 제조 방법인 경우, "화학"이라는 분류를 출력할 수 있다. 컴퓨팅 장치(100)는 문서가 특허 문서이고, 특허 문서에 기재된 내용이 태양광 에너지 생성 방법인 경우, "에너지 자원"이라는 분류를 출력할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 분류(390)를 획득할 수 있다. 예를 들어, 문서가 특허 문서이고 제 1 엘리먼트에 "컴퓨터 프로그램" 또는 "computer program"이라는 단어가 포함되어 있고, 제 1 엘리먼트에 기재된 내용이 "소프트웨어" 관련 발명인 경우, 컴퓨팅 장치(100)는 "소프트웨어"라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 문서가 특허 문서이고 기술 분야 및 발명의 배경에 관한 기술에 소프트웨어 관련 종래 기술(예를 들어, 소프트웨어 기술 개발 연혁, 과거 소프트웨어 기술)이 기재되어 있는 경우, 컴퓨팅 장치(100)는 "소프트웨어"라는 분류를 획득할 수 있다. 분류의 정확도를 향상시키기 위해 컴퓨팅 장치(100)는 제 1 부분 문서에 기재된 내용을 고려하여 최종적으로 "소프트웨어"라는 분류가 정확한지 검증하는 과정을 수행할 수 있다. 나아가 분류의 정확도를 향상시키기 위해 컴퓨팅 장치(100)는 제 1 엘리먼트와 상관관계가 높은 제 2 엘리먼트에 기재된 내용을 고려하여 최종적으로 "소프트웨어"라는 분류가 정확한지 검증하는 과정을 추가적으로 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 분류를 획득할 수 있다. 인공지능 분류는 예를 들어, 인공지능 학습법, 인공지능 연구분야, 인공지능 도메인, 인공지능 적용분야를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 학습법 분류를 획득할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "라벨을 포함하는 데이터를 이용한 학습 내용"이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "교사학습"이라는 인공지능 학습법 분류를 획득할 수 있다. 컴퓨팅 장치(100)는 제 1 엘리먼트에서 인공지능 학습법 분류를 위한 내용을 찾지 못한 경우(예를 들어, 제 1 엘리먼트에서 교사학습, 비교사학습, 강화학습으로 판단될 근거가 존재하지 않는 경우), 제 1 엘리먼트와 상관관계가 높은 제 2 엘리먼트에서 인공지능 학습법 분류를 위한 내용을 탐색할 수 있다. 따라서 제 1 엘리먼트와 상관관계가 높은 제 2 엘리먼트에서 "라벨을 포함하는 데이터를 이용한 학습 내용"이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "교사학습"이라는 인공지능 학습법 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 연구분야를 출력할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "네트워크 학습에 관한 구체적인 방법 내용"(예를 들어, 학습 과정에서 네트워크 함수의 파라미터 업데이트하는 과정이 구체적으로 기재되어 있는 경우)이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "트레이닝 방법"이라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 도메인을 출력할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "입력 데이터가 이미지"라는 내용이 포함되어 있는 경우, 컴퓨팅 장치(100)는 인공지능 도메인이 "이미지"라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 인공지능 적용분야를 출력할 수 있다. 문서가 특허 문서이고 제 1 엘리먼트에 "차량 자율 주행, 드론 자율 비행, 무인 이동체 관련 내용"이 포함되어 있는 경우, 컴퓨팅 장치(100)는 "자율주행"이라는 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
문서가 특허 문서인 경우, 특허 문서의 분류를 획득하는 과정은 많은 인력과 시간 및 비용이 소모될 수 있다. 특허 문서의 분류를 획득하기 위해서는 방대한 텍스트 및 이미지를 포함하고 있는 특허 문서를 판독해야 할 수 있다. 하지만 본 개시에 따라 인공지능을 이용하여 특허 문서의 분류를 획득하는 경우, 시간 및 비용이 절감되고 이에 투입되는 인력도 감소시켜 빠른 시간 내에 작업을 수행할 수 있다. 빠른 시간 내에 특허 문서의 분류를 획득함으로써, 특허맵, 특허 동향 조사 보고서, 기술 발전 흐름도를 보다 많은 특허 문서를 기초로 하여 작성함으로써, 신뢰도 높은 데이터 분석 자료를 획득할 수 있다. 또한 인공지능을 이용함으로써 획일된 기준에 따라 분류를 수행하여 분류에 대한 정확도 및 분류 결과에 대한 신뢰도가 향상될 수 있다. 결과적으로 빠른 시간 내에 높은 정확도로 많은 문서를 분류함으로써, 방대한 양의 문서를 효율적으로 이용하여 원하는 데이터 분석 결과를 획득할 수 있다.
도 4는 본 개시의 일 실시예에 따라 문서를 설명하기 위한 예시도이다.
본 개시의 일 실시예에 따라, 문서(310)는 제 1 부분 문서(410) 또는 제 2 부분 문서(430) 중 적어도 하나를 포함할 수 있다. 문서(310)가 특허 문서인 경우, 제 1 부분 문서(410)는 청구범위를 포함할 수 있다. 청구범위는 적어도 하나 이상의 청구항을 포함할 수 있다. 청구항 1(411)은 다른 항을 인용하고 있지 않으므로 독립항일 수 있다. 청구항 2(413)는 청구항 1항을 인용하고 있으므로 종속항일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 문서(310)가 특허 문서인 경우, 제 2 부분 문서(430)는 발명의 명칭, 기술 분야(431), 발명의 배경이 되는 기술(433), 발명의 내용, 도면의 간단한 설명(435), 발명을 실시하기 위한 구체적인 내용(437), 부호의 설명, 도면, 요약, 대표도를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할할 수 있다. 컴퓨팅 장치(100)는 문서의 소제목을 기준으로 제 1 부분 문서와 제 2 부분 문서를 분할할 수 있다. 문서 소제목이 청구범위인 경우, 컴퓨팅 장치는 소제목인 청구범위를 인식하여 청구범위에 포함된 청구항 1(411), 청구항 2(413)를 제 1 부분 문서에 포함되는 내용으로 결정할 수 있다. 문서 소제목이 기술 분야(431), 발명의 배경이 되는 기술(433), 해결과제, 도면의 간단한 설명(435), 발명을 실시하기 위한 구체적인 내용(437)인 경우, 컴퓨팅 장치(100)는 소제목 기술 분야(431), 발명의 배경이 되는 기술(433), 해결과제, 도면의 간단한 설명(435), 발명을 실시하기 위한 구체적인 내용(437) 각각에 포함되는 내용이 제 2 부분 문서에 포함되는 내용으로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시에 따라, 권리주장을 위한 제 1 부분 문서(410)와 권리주장내용을 설명하기 위한 제 2 부분 문서(430)를 분할함으로써, 문서가 포함하는 내용에서 어떤 부분에 중요도를 부여할지 결정할 수 있다. 문서가 특허 문서인 경우, 제 1 부분 문서는 권리주장을 위한 내용을 포함하고 있으므로 권리범위를 결정함에 있어 핵심 부분(예를 들어, 발명이 선행 기술들과 차별화되는 부분)이 될 수 있다. 따라서 특허 문서를 제 1 부분 문서와 제 2 부분 문서로 분할함으로써, 컴퓨팅 장치(100)가 제 1 모델을 이용하여 분류 대상 데이터를 생성하는 과정에서 핵심 내용을 분류 대상 데이터에 포함시킬 수 있다. 핵심 내용을 분류 대상 데이터에 포함시킴으로써 컴퓨팅 장치(100)는 제 2 모델을 이용하여 더 높은 정확도의 분류 결과를 획득할 수 있다.
본 개시의 일 실시예에 따라, 기술 분야(431)에 "본 개시는 컴퓨팅 장치를 이용한 데이터 처리에 관한 것으로써, 보다 구체적으로는 신경망을 이용하여 데이터를 처리하는 기술에 관한 것이다"라는 기재가 있는 경우, 컴퓨팅 장치(100)는 제 1 모델 및 제 2 모델을 이용하여 인공지능 연구분야 중에서 "인공지능을 응용한 발명"이라는 분류를 획득할 수 있다. 인공지능을 응용한 발명은 예를 들어, 인공지능을 이용하여 특수한 목적을 달성하는 발명을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 발명의 배경이 되는 기술(433)에 "인공지능 기술에서도 특히 딥 러닝 분야는 데이터 자동화 처리에 대해 놀라운 발전을 이루었다. 최근 딥 러닝 기술이 발달하면서 데이터의 분류도 딥 러닝을 사용하는 추세이다."라는 기재가 있는 경우, 컴퓨팅 장치(100)는 제 1 모델 및 제 2 모델을 이용하여 문서(310)에 대해 "인공지능"이라는 분류를 획득할 수 있다. 컴퓨팅 장치(100)는 세부적인 인공지능 분류를 획득하기 위해 제 1 부분 문서(310) 또는 제 2 부분 문서(310)에 기재된 내용을 기초로 세부적인 인공지능 분류를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 5는 본 개시의 일 실시예에 따라 분류 대상 데이터를 설명하기 위한 예시도이다.
도 5는 분류 대상 데이터(350)의 세부적인 항목을 예시적으로 도시하고 있다.
본 개시의 일 실시예에 따라, 분류 대상 데이터는, 제 2 부분 문서(430)의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다. 미리 선정된 일부분은 기술분야 및 발명의 배경이 되는 기술(550)을 포함할 수 있다. 기술분야는 특허를 받으려는 발명의 기술 분야를 명확하고 간결하게 기재한 내용을 포함할 수 있다. 발명의 배경이 되는 기술은 발명의 이해, 조사에 유용하다고 생각되는 종래 기술을 기재한 내용을 포함할 수 있다. 따라서 제 1 엘리먼트와의 상관관계와 무관하게 기술 분야 및 발명의 배경이 되는 기술(550)은 적은 정보로 분류를 획득하는데 도움이 될 수 있다. 따라서 컴퓨팅 장치(100)가 제 2 모델을 이용하여 정확도 높은 분류를 수행함에 있어 도움이 될 수 있다. 또한 오퍼레이터가 제 2 모델의 학습 데이터 세트를 생성하기 위해 분류 대상 데이터를 라벨링하는 경우, 기술 분야 및 발명의 배경이 되는 기술(550)을 이용하여 빠른 시간 내에 분류 대상 데이터를 라벨링할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 참조번호 510은 제 1 엘리먼트1(511) 및 제 1 엘리먼트1(511)과 상관관계가 일정수준 이상인 제 2 엘리먼트1(513)을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 분류 대상 데이터는 제 1 엘리먼트1(511) 및 제 1 엘리먼트1(511)과 상관관계가 일정수준 이상인 제 2 엘리먼트1(513)을 포함할 수 있다. 제 1 엘리먼트1(511)은 청구항 1(411)을 포함할 수 있다. 청구항 1(411)은 "문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작; 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작; 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작; "이라는 기재를 포함하고 있다. 발명을 실시하기 위한 구체적인 내용(515)은 "본 개시의 일 실시예에 따라, 프로세서(110)는 제 1 모델을 이용하여 분류 대상 데이터를 획득할 수 있다."라는 기재를 포함할 수 있다. 컴퓨팅 장치(100)는 제 1 모델을 이용하여 제 1 엘리먼트1(511)과 발명을 실시하기 위한 구체적인 내용(515)에 포함된 내용의 상관관계를 획득할 수 있다. 본 개시의 다른 일 실시예에 따라, 제 2 엘리먼트1(513)은 도면(517)을 포함할 수 있다. 컴퓨팅 장치(100)는 발명을 실시하기 위한 구체적인 내용(515)에 포함된 내용이 청구항 1(411)에 포함된 내용을 개시하고 있으므로, 발명을 실시하기 위한 구체적인 내용(515)에 포함된 내용이 청구항 1(411)에 포함된 내용과 높은 상관관계를 가지는 것으로 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 도면의 간단한 설명(435)은 도 3과 관련하여 "도 3은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 동작을 설명하기 위한 예시도이다"라는 기재를 포함할 수 있다. 컴퓨팅 장치(100)는 도면의 간단한 설명(435)에 기재된 내용과 제 1 엘리먼트1(511)의 상관관계를 제 1 모델을 이용하여 산출함으로써, 도면과 제 1 엘리먼트1(511)의 상관관계를 획득할 수 있다. 따라서 도면의 간단한 설명(435)에 기재된 내용과 제 1 엘리먼트1(511)의 상관관계가 높은 경우, 컴퓨팅 장치(100)는 청구항 1(411)과 도면(517)에 포함된 도 3은 높은 상관관계를 가지는 것으로 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 참조번호 530은 제 1 엘리먼트2(531) 및 제 1 엘리먼트2(531)과 상관관계가 일정수준 이상인 제 2 엘리먼트2(533)을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 분류 대상 데이터는 제 1 엘리먼트2(531) 및 제 1 엘리먼트2(531)와 상관관계가 일정수준 이상인 제 2 엘리먼트2(533)를 포함할 수 있다. 제 1 엘리먼트2(531)는 청구항 2(413)를 포함할 수 있다. 청구항 2(413)는 "제 1 항에 있어서, 상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함하는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램."이라는 기재를 포함할 수 있다. 제 2 엘리먼트2(533)는 발명을 실시하기 위한 구체적인 내용(151)을 포함할 수 있다. 발명을 실시하기 위한 구체적인 내용(535)은 "본 개시의 일 실시예에 따라, 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다. 권리주장을 위한 제 1 부분 문서는 각국의 법령에 따라 법적으로 보호받고자 하는 부분을 기재한 문서의 적어도 일부분을 포함할 수 있다. 예를 들어, 권리가 특허권인 경우, 권리주장을 위한 제 1 부분 문서는 청구범위에 기재된 사항을 포함할 수 있다."라는 기재를 포함할 수 있다. 제 2 엘리먼트2(533)는 제 1 엘리먼트2(531)에 기재된 문장 "문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서"을 그대로 포함하고 있으므로, 컴퓨팅 장치(100)는 제 1 모델(330)을 이용하여 제 2 엘리먼트2(533)와 제 1 엘리먼트2(531)는 높은 상관관계를 가지는 것으로 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하는 방법의 순서도이다.
컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 문서를 자연어 처리를 위한 제 1 모델에 입력(610)할 수 있다.
본 개시의 일 실시예에서, 상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득(620)할 수 있다.
본 개시의 일 실시예에서, 상기 분류 대상 데이터는, 상기 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 상기 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에서, 상기 제 2 엘리먼트는, 상기 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에서, 상기 분류 대상 데이터는, 제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 제 1 모델은, 자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 제 1 모델은, 제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델; 제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델; 상기 제 1 서브모델 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및 상기 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델; 을 포함할 수 있다.
컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력(630)할 수 있다.
본 개시의 일 실시예에서, 상기 제 2 모델은, 상기 분류 대상 데이터를 학습 입력 데이터로 하고, 상기 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 제 2 모델은, 복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에서, 상기 컨볼루셔널 블록은, 복수개의 컨볼루셔널 레이어를 포함하고, 상기 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고, 상기 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈를 포함할 수 있다.
컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득(640)할 수 있다.
본 개시에 따라, 인공지능을 이용하여 문서의 분류를 획득함으로써, 컴퓨팅 장치(100)는 인공지능이 가진 획일적인 기준에 따라 분류를 획득하므로 분류 결과에 대한 신뢰성 및 일관성이 높을 수 있다. (여러명의 오퍼레이터가 분류를 수행하는 경우, 동일한 기준을 가지고 분류하여도, 명확하게 분류하기 애매한 경우가 존재할 수 있다. 따라서 명확하게 분류하기 애매한 경우 여러명의 사람이 각기 다른 기준에 의하여 분류를 수행할 수 있으므로 분류의 일관성이 결여될 수 있다.) 또한 인공지능을 이용함으로써 과도한 인력 낭비를 줄일 수 있고, 비용 및 시간 면에서 비용 및 시간을 절약하는 효과를 기대할 수 있다.
도 7은 본 개시의 일 실시예에 따라 신경망을 이용하여 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.
본 개시의 일 실시예에 신경망을 이용한 데이터 처리 방법은 다음과 같은 모듈에 의해 구현될 수 있다. 문서를 자연어 처리를 위한 제 1 모델에 입력시키기 위한 모듈(710); 상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하기 위한 모듈(720); 상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키기 위한 모듈(730); 및 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하기 위한 모듈(740)을 포함할 수 있다.
신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할하기 위한 모듈을 포함할 수 있다.
신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행하기 위한 모듈을 포함할 수 있다.
신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 분류 대상 데이터에 대한 전처리는 상기 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다.
신경망을 이용하여 데이터를 처리하기 위한 대안적인 실시예에서, 상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하기 위한 모듈(740)은 컨볼루셔널 블록의 출력을 풀링 레이어에 입력하기 위한 모듈; 상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하기 위한 모듈; 및 상기 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득하기 위한 모듈을 포함할 수 있다.
본 개시의 일 실시예에 따르면 신경망을 이용하여 데이터를 처리하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
상기와 같이 발명의 실시를 위한 최선의 형태에서 관련 내용을 기술하였다.
본 발명은 데이터 베이스 서버, 데이터 베이스 관리 컴퓨팅 장치 등에 사용될 수 있다.

Claims (17)

  1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 신경망을 이용하여 기술 분야를 추출하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은:
    문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작;
    상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 동작;
    상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 동작; 및
    상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  2. 제 1 항에 있어서,
    상기 문서는 문서의 핵심 정보를 포함하는 제 1 부분 문서 또는 제 1 부분 문서와 실질적 대응 관계가 있는 제 2 부분 문서 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  3. 제 1 항에 있어서,
    상기 문서는 권리주장을 위한 제 1 부분 문서 또는 권리주장내용을 설명하기 위한 제 2 부분 문서 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  4. 제 3 항에 있어서,
    문서를 자연어 처리를 위한 제 1 모델에 입력시키는 동작 이전에,
    상기 문서를 분석하여 상기 제 1 부분 문서와 상기 제 2 부분 문서로 분할하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  5. 제 3 항에 있어서,
    상기 분류 대상 데이터는,
    상기 제 1 부분 문서 중 적어도 일부를 포함하는 제 1 엘리먼트 또는 상기 제 2 부분 문서 중 적어도 일부를 포함하는 제 2 엘리먼트 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  6. 제 5 항에 있어서,
    상기 제 2 엘리먼트는,
    상기 제 1 엘리먼트와 상관관계가 일정 수준 이상인 텍스트 또는 이미지 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  7. 제 1 항에 있어서,
    상기 분류 대상 데이터는,
    제 2 부분 문서의 사전 결정된 기준에 따라 미리 선정된 일부분을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  8. 제 1 항에 있어서,
    상기 제 1 모델은,
    자연어 처리를 위한 순환 신경망(Recurrent Neural Network)을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  9. 제 1 항에 있어서,
    상기 제 1 모델은,
    제 1 부분 문서의 피처를 추출하기 위한 제 1 서브모델;
    제 2 부분 문서의 피처를 추출하기 위한 제 2 서브모델;
    상기 제 1 서브모델 및 상기 제 2 서브모델의 출력에 기초하여, 제 1 부분 문서와 제 2 부분 문서의 상관관계를 도출하기 위한 제 3 서브모델; 및
    상기 상관관계에 기초하여 제 1 엘리먼트와 가장 상관관계가 높은 제 2 엘리먼트를 추출하기 위한 제 4 서브모델;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  10. 제 1 항에 있어서,
    상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력하는 동작 이전에,
    상기 분류 대상 데이터에 대한 전처리(pre-processing)를 수행하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  11. 제 10 항에 있어서,
    상기 분류 대상 데이터에 대한 전처리는
    상기 분류 대상 데이터를 이미지 형태의 데이터로 변환하는 처리를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  12. 제 1 항에 있어서,
    상기 제 2 모델은,
    상기 분류 대상 데이터를 학습 입력 데이터로 하고, 상기 분류 대상 데이터에 대응되는 분류를 라벨로 하는 학습 데이터 세트를 이용하여 학습된 모델을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  13. 제 1 항에 있어서,
    상기 제 2 모델은,
    복수개의 컨볼루셔널 블록(Convolutional Block), 복수개의 풀링 레이어(Pooling Layer) 또는 복수개의 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  14. 제 1 항에 있어서,
    상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 동작은,
    컨볼루셔널 블록의 출력을 풀링 레이어에 입력하는 동작;
    상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하는 동작; 및
    상기 완전 연결 레이어의 출력으로부터 문서에 대한 분류를 획득하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  15. 제 14 항에 있어서,
    상기 컨볼루셔널 블록은,
    복수개의 컨볼루셔널 레이어를 포함하고,
    상기 복수개의 컨볼루셔널 레이어는 동일한 사이즈 가지고,
    상기 사이즈는 컨볼루셔널 레이어의 심층 구조를 형성하기 위한 사이즈인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  16. 신경망을 이용하여 기술 분야를 추출하는 방법은,
    문서를 자연어 처리를 위한 제 1 모델에 입력시키는 단계;
    상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하는 단계;
    상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키는 단계; 및
    상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는 단계;
    를 포함하는,
    신경망을 이용하여 기술 분야를 추출하는 방법.
  17. 신경망을 이용하여 기술 분야를 추출하기 위한 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    문서를 자연어 처리를 위한 제 1 모델에 입력시키고,
    상기 제 1 모델의 출력으로부터 분류 대상 데이터를 획득하고,
    상기 분류 대상 데이터를 분류를 위한 제 2 모델에 입력시키고, 그리고
    상기 제 2 모델의 출력으로부터 상기 문서에 대한 분류를 획득하는,
    신경망을 이용하여 기술 분야를 추출하기 위한 컴퓨팅 장치.
PCT/KR2020/011252 2019-08-23 2020-08-24 신경망을 이용한 데이터 처리 방법 WO2021040354A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0103499 2019-08-23
KR1020190103499A KR20210023385A (ko) 2019-08-23 2019-08-23 신경망을 이용한 데이터 처리 방법

Publications (1)

Publication Number Publication Date
WO2021040354A1 true WO2021040354A1 (ko) 2021-03-04

Family

ID=74685673

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/011252 WO2021040354A1 (ko) 2019-08-23 2020-08-24 신경망을 이용한 데이터 처리 방법

Country Status (2)

Country Link
KR (1) KR20210023385A (ko)
WO (1) WO2021040354A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757259A (zh) * 2022-09-26 2023-09-15 荣耀终端有限公司 网络模型处理方法、设备、存储介质和程序产品

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102601804B1 (ko) * 2021-03-15 2023-11-15 주식회사 원티드랩 신경망 모델 기반의 채용 추천 서비스 제공 전자 장치 및 방법
WO2022197033A1 (ko) * 2021-03-15 2022-09-22 주식회사 원티드랩 채용 중개 서비스에서 구직자 및 구인자의 매칭 확률 예측을 위한 신경망 모델 제공 전자 장치 및 방법
KR102601803B1 (ko) * 2021-03-15 2023-11-14 주식회사 원티드랩 채용 중개 서비스에서 구직자 및 구인자의 매칭 확률 예측을 위한 신경망 모델 제공 전자 장치 및 방법
KR102635525B1 (ko) * 2021-12-08 2024-02-07 고려대학교 산학협력단 기술 이전 사례 분석 및 기술 특허 정보, 사용 이력을 고려한 양방향 기술 특허 추천 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170017635A1 (en) * 2015-07-17 2017-01-19 Fido Labs Inc. Natural language processing system and method
KR20170039951A (ko) * 2015-10-02 2017-04-12 네이버 주식회사 딥러닝을 이용하여 텍스트 단어 및 기호 시퀀스를 값으로 하는 복수 개의 인자들로 표현된 데이터를 자동으로 분류하는 방법 및 시스템
KR20190061984A (ko) * 2017-11-28 2019-06-05 김영진 딥러닝을 이용한 분류코드 추천 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170017635A1 (en) * 2015-07-17 2017-01-19 Fido Labs Inc. Natural language processing system and method
KR20170039951A (ko) * 2015-10-02 2017-04-12 네이버 주식회사 딥러닝을 이용하여 텍스트 단어 및 기호 시퀀스를 값으로 하는 복수 개의 인자들로 표현된 데이터를 자동으로 분류하는 방법 및 시스템
KR20190061984A (ko) * 2017-11-28 2019-06-05 김영진 딥러닝을 이용한 분류코드 추천 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI SHAOBO; HU JIE; CUI YUXIN; HU JIANJUN: "DeepPatent: patent classification with convolutional neural networks and word embedding", SCIENTOMETRICS, AKADEMIAI, BUDAPEST,, HU, vol. 117, no. 2, 6 September 2018 (2018-09-06), HU, pages 721 - 744, XP036649416, ISSN: 0138-9130, DOI: 10.1007/s11192-018-2905-5 *
MAHINOVS AIGARS, TIWARI ASHUTOSH: "Decision Engineering Report Series TEXT CLASSIFICATION METHOD REVIEW", CRANFIELD UNIVERSITY, 1 April 2007 (2007-04-01), XP055786174, ISBN: 978-1-86194-128-2 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757259A (zh) * 2022-09-26 2023-09-15 荣耀终端有限公司 网络模型处理方法、设备、存储介质和程序产品

Also Published As

Publication number Publication date
KR20210023385A (ko) 2021-03-04

Similar Documents

Publication Publication Date Title
WO2021040354A1 (ko) 신경망을 이용한 데이터 처리 방법
WO2019074195A1 (ko) 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
WO2019098449A1 (ko) 메트릭 학습 기반의 데이터 분류와 관련된 장치 및 그 방법
WO2021261825A1 (ko) 기계 학습 기반 기상 자료 생성 장치 및 방법
WO2022005090A1 (ko) 진단 결과를 제공하기 위한 방법 및 장치
WO2020204535A1 (ko) 머신 러닝 기반의 사용자 맞춤형 특허 문헌 자동 분류 방법, 장치 및 시스템
WO2021080175A1 (ko) 컨텐츠 처리 방법
WO2022255564A1 (ko) 생체신호 분석 방법
WO2019107674A1 (en) Computing apparatus and information input method of the computing apparatus
WO2019098454A1 (ko) 텍스트 데이터를 표현하는 가상 핑거프린트를 생성 및 활용하기 위한 기법
WO2024117708A1 (ko) 확산 모델을 이용한 얼굴 이미지 변환 방법
WO2022075678A2 (ko) 의사 정상 데이터를 이용한 자가 감독 학습 기반의 차량 이상징후 탐지 장치 및 방법
WO2024080791A1 (ko) 데이터셋을 생성하기 위한 방법
WO2024058465A1 (ko) 연합 학습을 위한 지역 신경망 모델 학습 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
WO2023128349A1 (ko) 협력 학습을 이용한 초해상도 이미징 방법
WO2021251691A1 (ko) 앵커-프리 rpn 기반의 물체 검출 방법
KR20220057268A (ko) 신경망을 이용한 특허 문서 분류 방법, 장치 및 컴퓨터 프로그램
WO2022086063A1 (ko) 소셜 네트워크 서비스 계정의 스타일 정보를 산출하는 방법 및 장치
WO2023224457A1 (ko) 깊이 맵의 특징점을 획득하기 위한 방법
WO2023027280A1 (ko) 항원 결정기 후보 도출 방법
WO2023224456A1 (ko) 데이터셋을 생성하기 위한 방법
WO2023101364A1 (ko) 신경망의 학습 방법
WO2024096683A1 (ko) 가상 객체의 폐색을 구현하기 위한 방법
CN114385808A (zh) 文本分类模型构建方法与文本分类方法

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: 20856879

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: 20856879

Country of ref document: EP

Kind code of ref document: A1