WO2022097816A1 - 대화 상대와 사용자의 성격 정보를 고려한 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법 - Google Patents

대화 상대와 사용자의 성격 정보를 고려한 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법 Download PDF

Info

Publication number
WO2022097816A1
WO2022097816A1 PCT/KR2020/017087 KR2020017087W WO2022097816A1 WO 2022097816 A1 WO2022097816 A1 WO 2022097816A1 KR 2020017087 W KR2020017087 W KR 2020017087W WO 2022097816 A1 WO2022097816 A1 WO 2022097816A1
Authority
WO
WIPO (PCT)
Prior art keywords
conversation
subjects
trust
dialogue
personality
Prior art date
Application number
PCT/KR2020/017087
Other languages
English (en)
French (fr)
Inventor
박종철
송호윤
이희제
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Publication of WO2022097816A1 publication Critical patent/WO2022097816A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/167—Personality evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Definitions

  • the present invention relates to a technology for predicting the level of trust in natural language texts in a conversational situation, and more specifically, by applying a personality model based on psychological theory to determine the level of trust in the other speaker in a conversation, the speaker To a system and method for predicting the level of trust with respect to a conversation partner that can predict the level of trust in the other party by analyzing the personality expressed based on the artificial neural network model and referring to this.
  • Embodiments of the present invention apply a personality model based on psychological theory to determine the level of trust in the other speaker in a conversation, analyze the personality expressed by the speaker from the conversation based on the artificial neural network model, and refer to this
  • Provided are a system and method for predicting the level of trust for a conversation partner capable of predicting the level of trust.
  • a conversation partner trust level prediction system includes: a pre-processing unit for pre-processing an input conversation text to classify a conversation partner and a system user, and providing a conversation text of each of the divided conversation subjects; a personality information extraction unit for extracting personality information of each of the conversation subjects based on the separated dialogue texts of each of the conversation subjects; and a confidence level prediction unit for predicting the level of trust of the conversation partner based on the separated dialogue text of each of the conversation subjects and the extracted personality information of each of the conversation subjects.
  • the personality information extraction unit extracts personality information of each of the conversation subjects by inputting the dialogue text of each of the divided conversation subjects in an artificial neural network-based personality information prediction model learned in advance by data stored in the personality information annotation corpus can do.
  • the dialogue text of each of the divided dialogue subjects may be converted into an embedding vector, and the converted embedding vector may be combined with a preset delimiter and provided.
  • the extraction step is to extract personality information of each of the conversation subjects by inputting the dialogue text of each of the divided conversation subjects in an artificial neural network-based personality information prediction model previously learned by data stored in the personality information annotation corpus.
  • information corresponding to the personality dimension of each of the conversation subjects may be extracted from the personality information prediction model, and information corresponding to the extracted personality dimension may be integrated to provide a comprehensive personality information characteristic.
  • the trust level of the conversation partner may be predicted by inputting information in which the conversation text of each of the divided conversation subjects and the personality information of each of the extracted conversation subjects are integrated in the confidence level prediction model.
  • information on the relationship between personality information (or personality characteristic information) and personality information of the utterance subjects included in the utterances in the dialogue is analyzed to help accurately predict the level of trust of the conversation partner.
  • Embodiments of the present invention may help to solve various problems that may occur in a conversation situation, such as voice phishing, fraud, etc., by determining the level of trustworthiness of the conversation partner.
  • FIG. 2 shows the configuration of an embodiment of the personality information extracting unit shown in FIG. 1 .
  • FIG. 3 shows the configuration of an embodiment of the confidence level predictor shown in FIG. 1 .
  • Embodiments of the present invention apply a personality model based on psychological theory to determine the level of trust in the other speaker in a conversation, analyze the personality expressed by the speaker from the conversation based on the artificial neural network model, and refer to this The point is to predict the level of trust.
  • FIG. 1 shows the configuration of a system for predicting a level of trust for a conversation partner according to an embodiment of the present invention.
  • a system for predicting a level of trust for a conversation partner includes a pre-processing unit 110 , a personality information extracting unit 120 , and a confidence level prediction unit 130 .
  • the pre-processing unit 110 receives the dialogue text 140 made of text through the trust level prediction system 100, and in the received dialogue text, the conversation partner and the system user are the utterance subjects (or dialogue subjects), for example, A and B. Alternatively, A and B are distinguished, and the dialogue text of each dialogue subject is converted into an embedding combination to be transmitted as an input value of an artificial neural network.
  • the pre-processing unit 110 pre-processes the input dialogue text to classify the dialogue text into dialogue subjects, and performs a function of providing or embedding communication text or sentence information of each dialogue subject.
  • the dialogue text in the present invention is a text including conversation content in which two speakers participate, and this is based on the assumption that the speaker's personality characteristics may appear differently depending on the personality and disposition of the conversation partner.
  • the pre-processing unit 110 converts the dialogue text divided for each dialogue subject into an embedding vector with respect to the input dialogue text, combines the embedding vectors with the separator, and the personality information extraction unit 120 and the confidence level prediction unit 130. forward to
  • the result After being converted into an embedding vector, the result includes an embedding vector for a language element (token) in each text.
  • the language element is a unit representing a sentence, and word division through spaces, subword units of Byte-pair Encoding (BPE), or subwords divided by Unigram Language Model can be used.
  • the input dialog is a delimiter indicating the starting utterance (eg ⁇ CLS>, ⁇ SEP>), a delimiter indicating the current utterance (eg ⁇ p>), and a delimiter indicating the speaker (eg, ⁇ CLS>, ⁇ SEP>).
  • ⁇ CLS>, ⁇ SEP> a delimiter indicating the starting utterance
  • ⁇ p> a delimiter indicating the current utterance
  • a delimiter indicating the speaker eg, ⁇ CLS>, ⁇ SEP>
  • ⁇ A>, ⁇ B> may be included.
  • the personality information extraction unit 120 predicts or extracts personality information of each of the conversation subjects based on the embedding vector (or information in which the embedding vector and the identifier are combined) received from the preprocessor 110 .
  • the personality information extraction unit 120 predicts or extracts personality information of each of the conversation subjects using a pre-learned artificial neural network-based personality information prediction model to which the embedding vector transmitted from the preprocessor 110 is input. do.
  • the artificial neural network-based personality information prediction model may include a dialogue embedding coupling layer, self-attention layer, linear layer, and active layer, and by training the artificial neural network using data stored in the personality information annotation corpus, of personality information prediction model can be trained.
  • models including Big-Five and Myers-Briggs Type Indicator (MBTI) may be used.
  • the personality information extraction unit 120 may include multi-task learning and self-concentration processes.
  • a Transformer Encoder that effectively analyzes the dependency relationship between linguistic elements in a text having a long length, such as a dialogue sentence, may be used, and a Feed-forward layer and a Softmax function may be used for the linear layer and the active layer, respectively.
  • the result After the self is transmitted to the attention layer, the result includes an embedding vector converted into context information for each language element.
  • the result value can effectively detect the meaning of the current utterance in consideration of the linguistic elements of the surrounding utterance due to the characteristic of the self-attention layer.
  • the personality information extraction unit 120 transmits personality information of each of the predicted conversation subjects to the confidence level prediction unit 130 when personality information of all conversation subjects in the conversation text, that is, the conversation partner and the system user is predicted.
  • the confidence level prediction unit 130 predicts the confidence level based on a pre-learned artificial neural network using the embedding vector transmitted from the preprocessor 110 and the personality information of each conversation subject received from the personality information extraction unit 120 as inputs. Using the model, the level of trust 150 for the interlocutor is predicted.
  • the artificial neural network-based confidence level prediction model may also include a dialog embedding coupling layer, self-attention layer, linear layer, and active layer.
  • a dialog embedding coupling layer By training the artificial neural network using the data stored in the confidence level annotation corpus, An artificial neural network-based trust level prediction model can be trained.
  • the confidence level prediction unit 130 receives the conversation content of the conversation partner received from the preprocessing unit 110 and the personality information of all conversation subjects received from the personality information extraction unit 120 as input to the confidence level prediction model. , output the degree of trustworthiness for the interlocutor as the final result.
  • the system of the present invention grasps context information in order to determine the personality of the system user and the conversation partner in the conversation, analyzes various personality categories that may appear using the self-focusing technique, and based on this, The degree of trust can be predicted.
  • FIG. 2 shows the configuration of an embodiment of the personality information extraction unit shown in FIG. 1 , and shows a process in which the personality information extraction unit 120 extracts personality information of each conversational subject from an input dialogue text embedding vector. .
  • the personality information prediction model 121 may be composed of five artificial neural networks that analyze each of the five personalities (eg, openness, conscientiousness) when using the five personalities (OCEAN) of Big-Five as an example,
  • the artificial neural network may consist of the above-mentioned dialogue embedding coupling layer, self-attention layer, linear layer and active layer, etc.
  • the five artificial neural networks may have the same structure, but by having independent parameters, it is possible to determine whether or not there are five independent characteristics of the current dialogue.
  • the information 122 corresponding to each personality dimension may be configured as a vector including information corresponding to each of the five personalities when using the five personalities (OCEAN) of Big-Five as an example.
  • the comprehensive personality information characteristic 123 may be synthesized by combining the information 122 corresponding to each personality dimension described above or using a linear layer.
  • FIG. 3 shows the configuration of an embodiment of the confidence level predicting unit shown in FIG. 1, and the level of trust is obtained from the conversation text embedding vector of the conversation partner inputted by the trust level prediction unit 130 and the personality information of each of the conversation subjects. It shows the prediction process.
  • the confidence level predicting unit 130 is a dialogue between the user 131 and the conversation partner 132 received from the conversation partner’s conversation text and personality information extraction unit 120 received from the pre-processing unit 110 .
  • Personality information is input into the pre-learned confidence level prediction model 133 to extract the confidence level 134 for the conversation partner's conversational text as a final result.
  • the degree of trust 134 for the dialogue may be output as categorical data such as 'can be trusted/not reliable', or numerical data indicating the degree of trust in numbers.
  • the conversation text of the conversation partner received from the pre-processing unit 110 and the personality information of the user 131 and the conversation partner 132 received from the personality information extraction unit 120 are integrated into the integrated information, and the confidence level prediction model (133) can be entered.
  • the result vector of the confidence level prediction model identifies the personality information between the two dialogue subjects and the dependency, information, etc. between the given conversation contents, and finally predicts the reliability level of the other interlocutor in the current conversation.
  • the trust level prediction system applies a personality model based on psychological theory to determine the level of trust in the counterpart speaker, that is, the conversation partner in the dialogue text, and displays the personality expressed by the speaker from the dialogue text using an artificial neural network. It is possible to predict the level of trust in the other party by analyzing it based on the model and referring to it.
  • the confidence level prediction system grasps context information to determine the personality of a system user and a conversation partner in a conversation, and analyzes personality categories that may appear in various ways using self-focusing techniques, Based on this, the level of trust in the interlocutor can be predicted.
  • the trust level prediction system analyzes the information on the relationship between the personality information (or personality characteristic information) of the utterance subjects included in the utterances in the conversation and the personality information to accurately determine the trust level of the conversation partner. It can help you make predictions.
  • the trust level prediction system can help solve various problems that may occur in a conversation situation, such as voice phishing, fraud, etc., by identifying the reliability level of the conversation partner.
  • the method for predicting the degree of trust of a conversation partner includes a pre-processing step of pre-processing an input conversation text to classify a conversation partner and a system user, and providing a dialog text for each of the divided conversation subjects; An extraction step of extracting the personality information of each of the conversation subjects based on the dialogue text of each of the conversation subjects, and the conversation partner's It may include a prediction step of predicting the degree of confidence.
  • the pre-processing step may convert the dialogue text of each of the divided dialogue subjects into an embedding vector, and combine the converted embedding vector with a preset delimiter to provide it.
  • the personality information of each of the conversation subjects by inputting the dialogue text of each of the divided conversation subjects can be extracted.
  • the extraction step may provide a comprehensive personality information characteristic by extracting information corresponding to the personality dimension of each of the conversation subjects from the personality information prediction model, and integrating information corresponding to the extracted personality dimension. there is.
  • the predicting step includes the dialogue text of each of the divided conversation subjects and the personality information of each of the extracted conversation subjects in the artificial neural network-based confidence level prediction model learned in advance by the data stored in the confidence level annotation corpus.
  • the degree of trust of the conversation partner can be predicted.
  • the predicting step predicts the level of trust of the conversation partner by inputting information in which the conversation text of each of the divided conversation subjects and the personality information of each of the extracted conversation subjects are integrated in the confidence level prediction model.
  • each step constituting the method of the present invention may include all the contents described in FIGS. 1 to 3 , which is apparent to those skilled in the art. .
  • the device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component.
  • devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions.
  • the processing device may execute an operating system (OS) and one or more software applications running on the operating system.
  • a processing device may also access, store, manipulate, process, and generate data in response to execution of the software.
  • the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
  • Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device.
  • the software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Child & Adolescent Psychology (AREA)
  • Operations Research (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Hospice & Palliative Care (AREA)
  • General Business, Economics & Management (AREA)
  • Developmental Disabilities (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Social Psychology (AREA)
  • Pathology (AREA)

Abstract

대화 상대와 사용자의 성격 정보를 고려한 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법이 개시된다. 본 발명의 일 실시예에 따른 대화 상대 신뢰 정도 예측 시스템은 입력 받은 대화문을 전처리하여 대화 상대방과 시스템 사용자를 구분하고, 상기 구분된 대화 주체들 각각의 대화문을 제공하는 전처리부; 상기 구분된 대화 주체들 각각의 대화문에 기초하여 상기 대화 주체들 각각의 성격 정보를 추출하는 성격 정보 추출부; 및 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보에 기초하여 상기 대화 상대방의 신뢰 정도를 예측하는 신뢰 정도 예측부를 포함한다.

Description

대화 상대와 사용자의 성격 정보를 고려한 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법
본 발명은 대화 상황에서 자연어 텍스트에 대한 신뢰 정도를 예측하는 기술에 관한 것으로, 보다 구체적으로는 대화문에서 상대 발화자에 대한 신뢰 정도를 판단하기 위해 심리학 이론에 기반한 성격 모델을 적용하여, 대화로부터 발화자가 나타내는 성격을 인공신경망 모델을 기반으로 분석하고 이를 참고하여 상대방에 대한 신뢰 정도를 예측할 수 있는 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법에 관한 것이다.
인공신경망 기반의 성격 범주 예측 분야에서는 Big-Five나 심리유형검사(MBTI; Myers-Briggs Type Indicator)와 같이 심리학 분야에서 사용하는 성격 모델을 적용하여 발화자의 성격을 예측하는 연구가 매우 활발히 진행되고 있다. 또한 인공신경망 모델을 사용하여 특정 텍스트에 대한 신뢰 정도를 예측하는 연구 또한 활발히 진행되고 있다.
하지만, 성격 범주 예측 모델을 이용하여 대화문 내에서 대화 주체 간의 성격을 분석하고, 분석한 내용을 참고하여 대화 상대에 대한 신뢰 정도를 예측하는 방법은 아직 진행된 연구가 부족하다. 예를 들어, Big-Five 모델에서 '성실성(conscientiousness)'의 성향이 강하게 나타나는 사람은 반대 성향인 '충동성(impulsive)'의 성향이 강한 사람과 의견이 일치하지 않은 경우가 많은데 이러한 성격 특성을 참고하여 상대방에 대한 신뢰도를 예측하는 기술 도입 사례는 보고된 바 없다.
본 발명의 실시예들은, 대화문에서 상대 발화자에 대한 신뢰 정도를 판단하기 위해 심리학 이론에 기반한 성격 모델을 적용하여, 대화로부터 발화자가 나타내는 성격을 인공신경망 모델을 기반으로 분석하고 이를 참고하여 상대방에 대한 신뢰 정도를 예측할 수 있는 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법을 제공한다.
본 발명의 실시예들은, 대화문내 시스템 사용자와 대화 상대의 성격을 판단하기 위해 문맥 정보를 파악하고, 다양하게 나타날 수 있는 성격 범주들을 자가 주의집중 기법을 사용하여 분석하고 이를 바탕으로 대화 상대에 대한 신뢰 정도를 예측할 수 있는 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법을 제공한다.
본 발명의 일 실시예에 따른 대화 상대 신뢰 정도 예측 시스템은 입력 받은 대화문을 전처리하여 대화 상대방과 시스템 사용자를 구분하고, 상기 구분된 대화 주체들 각각의 대화문을 제공하는 전처리부; 상기 구분된 대화 주체들 각각의 대화문에 기초하여 상기 대화 주체들 각각의 성격 정보를 추출하는 성격 정보 추출부; 및 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보에 기초하여 상기 대화 상대방의 신뢰 정도를 예측하는 신뢰 정도 예측부를 포함한다.
상기 전처리부는 상기 구분된 대화 주체들 각각의 대화문을 임베딩 벡터로 변환하고, 상기 변환된 임베딩 벡터와 미리 설정된 구분자를 결합하여 제공할 수 있다.
상기 성격 정보 추출부는 성격 정보 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 성격 정보 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문을 입력으로 하여 상기 대화 주체들 각각의 성격 정보를 추출할 수 있다.
상기 성격 정보 추출부는 상기 성격 정보 예측 모델에서, 상기 대화 주체들 각각의 성격 차원에 해당하는 정보를 추출하고, 상기 추출된 성격 차원에 해당하는 정보를 통합한 종합 성격 정보 특성을 제공할 수 있다.
상기 신뢰 정도 예측부는 신뢰 정도 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측할 수 있다.
상기 신뢰 정도 예측부는 상기 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보가 통합된 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측할 수 있다.
본 발명의 일 실시예에 따른 대화 상대 신뢰 정도 예측 방법은 입력 받은 대화문을 전처리하여 대화 상대방과 시스템 사용자를 구분하고, 상기 구분된 대화 주체들 각각의 대화문을 제공하는 전처리 단계; 상기 구분된 대화 주체들 각각의 대화문에 기초하여 상기 대화 주체들 각각의 성격 정보를 추출하는 추출 단계; 및 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보에 기초하여 상기 대화 상대방의 신뢰 정도를 예측하는 예측 단계를 포함한다.
상기 전처리 단계는 상기 구분된 대화 주체들 각각의 대화문을 임베딩 벡터로 변환하고, 상기 변환된 임베딩 벡터와 미리 설정된 구분자를 결합하여 제공할 수 있다.
상기 추출 단계는 성격 정보 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 성격 정보 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문을 입력으로 하여 상기 대화 주체들 각각의 성격 정보를 추출할 수 있다.
상기 추출 단계는 상기 성격 정보 예측 모델에서, 상기 대화 주체들 각각의 성격 차원에 해당하는 정보를 추출하고, 상기 추출된 성격 차원에 해당하는 정보를 통합한 종합 성격 정보 특성을 제공할 수 있다.
상기 예측 단계는 신뢰 정도 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측할 수 있다.
상기 예측 단계는 상기 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보가 통합된 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측할 수 있다.
본 발명의 실시예들에 따르면, 대화문에서 상대 발화자에 대한 신뢰 정도를 판단하기 위해 심리학 이론에 기반한 성격 모델을 적용하여, 대화로부터 발화자가 나타내는 성격을 인공신경망 모델을 기반으로 분석하고 이를 참고하여 상대방에 대한 신뢰 정도를 예측할 수 있다.
본 발명의 실시예들에 따르면, 대화문내 시스템 사용자와 대화 상대의 성격을 판단하기 위해 문맥 정보를 파악하고, 다양하게 나타날 수 있는 성격 범주들을 자가 주의집중 기법을 사용하여 분석하고 이를 바탕으로 대화 상대에 대한 신뢰 정도를 예측할 수 있다.
또한 대화 상대에 대한 신뢰 정도는 사용자의 성격 특성 정보와 대화 상대의 성격 특성 정보 간의 관계에 따라 다르게 나타날 수 있다는 것을 고려하여 인공신경망 모델을 학습할 때 성격 인식 모델의 결과를 자질로 사용하여 신뢰 정도 예측에 도움을 줄 수 있다.
본 발명의 실시예들에 따르면, 대화문 내 발화들이 포함하고 있는 발화 주체들의 성격 정보(또는 성격 특성 정보)와 성격 정보 간의 관계에 관한 정보를 분석하여 대화 상대의 신뢰 정도를 정확하게 예측하는 데 도움을 줄 수 있다.
본 발명의 실시예들은, 대화 상대에 대한 신뢰할 수 있는 정도를 파악함으로써, 보이스피싱, 사기 등과 같이 대화 상황에서 발생할 수 있는 각종 문제들을 해결하는데 도움을 줄 수 있다.
본 발명의 효과는 상기한 실시 예들로 제한되지 않으며, 언급하지 않은 다른 효과들은 청구범위의 기재로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 대화 상대에 대한 신뢰 정도 예측 시스템에 대한 구성을 나타낸 것이다.
도 2는 도 1에 도시된 성격 정보 추출부에 대한 일 실시예의 구성을 나타낸 것이다.
도 3은 도 1에 도시된 신뢰 정도 예측부에 대한 일 실시예의 구성을 나타낸 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명하고자 한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조 부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
본 발명의 실시예들은, 대화문에서 상대 발화자에 대한 신뢰 정도를 판단하기 위해 심리학 이론에 기반한 성격 모델을 적용하여, 대화로부터 발화자가 나타내는 성격을 인공신경망 모델을 기반으로 분석하고 이를 참고하여 상대방에 대한 신뢰 정도를 예측하는 것을 그 요지로 한다.
도 1은 본 발명의 일 실시예에 따른 대화 상대에 대한 신뢰 정도 예측 시스템에 대한 구성을 나타낸 것이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 대화 상대에 대한 신뢰 정도 예측 시스템은 전처리부(110), 성격 정보 추출부(120)와 신뢰 정도 예측부(130)를 포함한다.
전처리부(110)는 신뢰 정도 예측 시스템 (100)을 통해 텍스트로 이루어진 대화문(140)을 입력받고, 입력받은 대화문에서 대화 상대방과 시스템 사용자로 발화 주체(또는 대화 주체) 예를 들어, A와 B 또는 갑과 을을 구분하고, 인공신경망의 입력값으로 전달하기 위해 각 대화 주체의 대화문을 임베딩 결합으로 변환한다.
즉, 전처리부(110)는 입력된 대화문을 텍스트 전처리하여 대화 주체들로 대화문을 구분하고, 대화 주체들 각각의 대화문 또는 문장 정보를 제공하거나 임베딩 결합하는 기능을 수행한다.
본 발명에서의 대화문은 두 명의 발화자가 참여하는 대화 내용이 포함된 텍스트이며, 이는 발화자의 성격 특성이 대화 상대의 성격 및 성향에 따라 다르게 나타날 수 있다는 가정을 기반으로 한다.
이 때, 전처리부(110)는 입력된 대화문에 대하여 각 대화 주체별로 구분된 대화문을 임베딩 벡터로 변환하고 구분자와 함께 임베딩 벡터들을 결합하여 성격 정보 추출부(120)와 신뢰 정도 예측부(130)로 전달한다.
임베딩 벡터로 변환된 후 결과값은 각 텍스트 내 언어요소(token)에 대한 임베딩 벡터를 포함한다. 이 때, 언어요소는 문장을 나타내는 단위이며 띄어쓰기를 통한 단어 구분 혹은, Byte-pair Encoding(BPE)의 subword units, Unigram Language Model에 의해 나누어진 subwords가 사용될 수 있다.
입력된 대화문은 모델을 효과적으로 훈련시키기 위해서 시작 발화임을 알리는 구분자(예를 들어, <CLS>, <SEP>), 현재 발화임을 나타내는 구분자(예를 들어, <p>), 발화자를 나타내는 구분자(예를 들어, <A>, <B>)를 포함할 수 있다.
성격 정보 추출부(120)는 전처리부(110)로부터 전달받은 임베딩 벡터(또는 임베딩 벡터와 구분자가 결합된 정보)에 기초하여 대화 주체들 각각의 성격 정보를 예측 또는 추출한다.
이 때, 성격 정보 추출부(120)는 전처리부(110)로부터 전달받은 임베딩 벡터를 입력으로 하는 미리 학습된 인공신경망 기반의 성격 정보 예측 모델을 이용하여 대화 주체들 각각의 성격 정보를 예측 또는 추출한다.
인공신경망 기반의 성격 정보 예측 모델은 대화문 임베딩 결합 층, 자가 주의집중 층, 선형 층 및 활성 층 등을 포함할 수 있으며, 성격 정보 주석 말뭉치에 저장된 데이터를 이용하여 인공신경망을 훈련시킴으로써, 인공신경망 기반의 성격 정보 예측 모델을 학습시킬 수 있다. 그리고, 성격 정보 예측 모델은 Big-Five와 심리유형검사(MBTI; Myers-Briggs Type Indicator)를 포함하는 모델들이 사용될 수 있다.
이러한 성격 정보 추출부(120)는 다중 작업 학습과 자가 주의집중 과정을 포함할 수 있다.
상기 자가 주의집중 층은 대화문과 같이 긴 길이를 가진 텍스트 내 언어요소 간의 의존관계를 효과적으로 분석하는 Transformer Encoder가 사용될 수 있고, 상기 선형 층 및 활성 층은 각각 Feed-forward layer와 Softmax function이 사용될 수 있다.
상기 자가 주의집중 층에 전달된 후 결과값은 각 언어요소에 대한 문맥 정보로 변환된 임베딩 벡터를 포함한다. 상기 결과값은 자가 주의집중 층의 특성으로 인해 주변 발화의 언어요소를 고려하여 현재 발화의 의미를 효과적으로 탐지할 수 있다.
성격 정보 추출부(120)는 대화문 내의 모든 대화 주체 즉, 대화 상대와 시스템 사용자의 성격 정보가 예측되면, 예측된 대화 주체들 각각의 성격 정보를 신뢰 정도 예측부(130)로 전달한다.
신뢰 정도 예측부(130)는 전처리부(110)로부터 전달받은 임베딩 벡터와 성격 정보 추출부(120)로부터 전달받은 대화 주체들 각각의 성격 정보를 입력으로 하는 미리 학습된 인공신경망 기반의 신뢰 정도 예측 모델을 이용하여 대화 상대에 대한 신뢰 정도(150)를 예측한다.
이 때, 인공신경망 기반의 신뢰 정도 예측 모델 또한 대화문 임베딩 결합 층, 자가 주의집중 층, 선형 층 및 활성 층 등을 포함할 수 있으며, 신뢰 정도 주석 말뭉치에 저장된 데이터를 이용하여 인공신경망을 훈련시킴으로써, 인공신경망 기반의 신뢰 정도 예측 모델을 학습시킬 수 있다.
즉, 신뢰 정도 예측부(130)는 전처리부(110)로부터 전달받은 대화 상대의 대화 내용과 성격 정보 추출부(120)로부터 전달받은 모든 대화 주체의 성격 정보를 신뢰 정도 예측 모델에 대한 입력으로 받고, 대화 상대에 대한 신뢰할 수 있는 정도를 최종 결과로 출력한다.
이러한 신뢰 정도 예측부(130) 또한 다중 작업 학습과 자가 주의집중 과정을 포함할 수 있다.
즉, 본 발명의 시스템은 대화문내 시스템 사용자와 대화 상대의 성격을 판단하기 위해 문맥 정보를 파악하고, 다양하게 나타날 수 있는 성격 범주들을 자가 주의집중 기법을 사용하여 분석하고 이를 바탕으로 대화 상대에 대한 신뢰 정도를 예측할 수 있다.
도 2는 도 1에 도시된 성격 정보 추출부에 대한 일 실시예의 구성을 나타낸 것으로, 성격 정보 추출부(120)가 입력된 대화문 임베딩 벡터로부터 대화 주체들 각가의 성격 정보를 추출하는 과정을 나타낸 것이다.
도 2에 도시된 바와 같이, 성격 정보 추출부(120)는 전처리부(110)로부터 전달받은 대화문을 미리 학습된 성격 정보 예측 모델(121)에 입력하여 대화 주체들 각각의 성격 차원(또는 성격 범주 차원)에 해당하는 정보(122)를 결과값으로 추출한다. 그리고, 성격 정보 추출부(120)는 상기 각각의 성격 차원에 해당하는 정보(122)를 종합하거나 통합한 종합 성격 정보 특성(123)을 최종 결과로 출력한다.
성격 정보 예측 모델(121)은 Big-Five의 5가지 성격(OCEAN)을 예로 사용하였을 때 5가지 성격(예를 들어, openness, conscientiousness)을 각각 분석하는 5개의 인공신경망으로 구성될 수 있으며, 상기 인공신경망은 앞서 서술한 대화문 임베딩 결합 층, 자가 주의집중 층, 선형층과 활성 층 등으로 이루어질 수 있다. 상기 5개의 인공신경망은 같은 구조로 구성될 수 있으나 독립된 파라미터를 가짐으로써, 현재 대화문에 대해 5가지 성격의 독립적 존재 여부를 파악할 수 있다.
상기 각각의 성격 차원에 해당하는 정보(122)는 Big-Five의 5가지 성격(OCEAN)을 예로 사용하였을 때 5가지 성격에 해당하는 정보를 각각 포함하는 벡터로 구성될 수 있다. 상기 종합 성격 정보 특성(123)은 앞서 설명한 각각의 성격차원에 해당하는 정보(122)를 결합하거나 선형층을 이용하여 종합할 수 있다.
도 3은 도 1에 도시된 신뢰 정도 예측부에 대한 일 실시예의 구성을 나타낸 것으로, 신뢰 정도 예측부(130)가 입력된 대화 상대의 대화문 임베딩 벡터와 대화 주체들 각각의 성격 정보로부터 신뢰 정도를 예측하는 과정을 나타낸 것이다.
도 3에 도시된 바와 같이, 신뢰 정도 예측부(130)는 전처리부(110)로부터 전달받은 대화 상대의 대화문과 성격 정보 추출부(120)로부터 전달받은 사용자(131)와 대화 상대(132)의 성격 정보를 미리 학습된 신뢰 정도 예측 모델(133)에 입력하여 대화 상대의 대화문에 대한 신뢰 정도(134)를 최종 결과로 추출한다. 상기 대화문에 대한 신뢰 정도(134)는 '신뢰할 수 있다/없다'와 같은 범주형 데이터이거나, 신뢰할 수 있는 정도를 숫자로 표기한 수치형 데이터 등으로 출력될 수 있다.
이 때, 전처리부(110)로부터 전달받은 대화 상대의 대화문과 성격 정보 추출부(120)로부터 전달받은 사용자(131)와 대화 상대(132)의 성격 정보는 통합되어 통합된 정보로 신뢰 정도 예측 모델(133)에 입력될 수 있다.
상기 신뢰 정도 예측 모델의 결과 벡터는 두 대화 주체 간의 성격 정보와 주어진 대화 내용 간의 의존성, 정보 등을 파악하고 최종적으로 현재 대화에서 상대 대화자에 대한 신뢰할 수 있는 정도를 예측한다.
이와 같이, 본 발명의 실시예에 따른 신뢰 정도 예측 시스템은 대화문에서 상대 발화자 즉, 대화 상대에 대한 신뢰 정도를 판단하기 위해 심리학 이론에 기반한 성격 모델을 적용하여, 대화문으로부터 발화자가 나타내는 성격을 인공신경망 모델을 기반으로 분석하고 이를 참고하여 상대방에 대한 신뢰 정도를 예측할 수 있다.
또한, 본 발명의 실시예에 따른 신뢰 정도 예측 시스템은 대화문내 시스템 사용자와 대화 상대의 성격을 판단하기 위해 문맥 정보를 파악하고, 다양하게 나타날 수 있는 성격 범주들을 자가 주의집중 기법을 사용하여 분석하고 이를 바탕으로 대화 상대에 대한 신뢰 정도를 예측할 수 있다.
또한, 본 발명의 실시예에 따른 신뢰 정도 예측 시스템은 대화문 내 발화들이 포함하고 있는 발화 주체들의 성격 정보(또는 성격 특성 정보)와 성격 정보 간의 관계에 관한 정보를 분석하여 대화 상대의 신뢰 정도를 정확하게 예측하는 데 도움을 줄 수 있다.
따라서, 본 발명의 실시예에 따른 신뢰 정도 예측 시스템은 대화 상대에 대한 신뢰할 수 있는 정도를 파악함으로써, 보이스피싱, 사기 등과 같이 대화 상황에서 발생할 수 있는 각종 문제들을 해결하는데 도움을 줄 수 있다.
이러한 본 발명의 시스템은 소프트웨어적으로 구현될 수 있다. 즉, 본 발명의 일 실시예에 따른 대화 상대 신뢰 정도 예측 방법은 입력 받은 대화문을 전처리하여 대화 상대방과 시스템 사용자를 구분하고, 상기 구분된 대화 주체들 각각의 대화문을 제공하는 전처리 단계, 상기 구분된 대화 주체들 각각의 대화문에 기초하여 상기 대화 주체들 각각의 성격 정보를 추출하는 추출 단계 및 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보에 기초하여 상기 대화 상대방의 신뢰 정도를 예측하는 예측 단계를 포함할 수 있다.
이 때, 상기 전처리 단계는 상기 구분된 대화 주체들 각각의 대화문을 임베딩 벡터로 변환하고, 상기 변환된 임베딩 벡터와 미리 설정된 구분자를 결합하여 제공할 수 있다.
이 때, 상기 추출 단계는 성격 정보 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 성격 정보 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문을 입력으로 하여 상기 대화 주체들 각각의 성격 정보를 추출할 수 있다.
이 때, 상기 추출 단계는 상기 성격 정보 예측 모델에서, 상기 대화 주체들 각각의 성격 차원에 해당하는 정보를 추출하고, 상기 추출된 성격 차원에 해당하는 정보를 통합한 종합 성격 정보 특성을 제공할 수 있다.
이 때, 상기 예측 단계는 신뢰 정도 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측할 수 있다.
이 때, 상기 예측 단계는 상기 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보가 통합된 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측할 수 있다.
비록, 본 발명의 방법에서 그 설명이 생략되었더라도, 본 발명의 방법을 구성하는 각 단계는 도 1 내지 도 3에서 설명한 모든 내용을 포함할 수 있으며, 이는 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 입력 받은 대화문을 전처리하여 대화 상대방과 시스템 사용자를 구분하고, 상기 구분된 대화 주체들 각각의 대화문을 제공하는 전처리부;
    상기 구분된 대화 주체들 각각의 대화문에 기초하여 상기 대화 주체들 각각의 성격 정보를 추출하는 성격 정보 추출부; 및
    상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보에 기초하여 상기 대화 상대방의 신뢰 정도를 예측하는 신뢰 정도 예측부
    를 포함하는 대화 상대 신뢰 정도 예측 시스템.
  2. 제1항에 있어서,
    상기 전처리부는
    상기 구분된 대화 주체들 각각의 대화문을 임베딩 벡터로 변환하고, 상기 변환된 임베딩 벡터와 미리 설정된 구분자를 결합하여 제공하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 시스템.
  3. 제1항에 있어서,
    상기 성격 정보 추출부는
    성격 정보 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 성격 정보 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문을 입력으로 하여 상기 대화 주체들 각각의 성격 정보를 추출하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 시스템.
  4. 제3항에 있어서,
    상기 성격 정보 추출부는
    상기 성격 정보 예측 모델에서, 상기 대화 주체들 각각의 성격 차원에 해당하는 정보를 추출하고, 상기 추출된 성격 차원에 해당하는 정보를 통합한 종합 성격 정보 특성을 제공하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 시스템.
  5. 제1항에 있어서,
    상기 신뢰 정도 예측부는
    신뢰 정도 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 시스템.
  6. 제5항에 있어서,
    상기 신뢰 정도 예측부는
    상기 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보가 통합된 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 시스템.
  7. 입력 받은 대화문을 전처리하여 대화 상대방과 시스템 사용자를 구분하고, 상기 구분된 대화 주체들 각각의 대화문을 제공하는 전처리 단계;
    상기 구분된 대화 주체들 각각의 대화문에 기초하여 상기 대화 주체들 각각의 성격 정보를 추출하는 추출 단계; 및
    상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보에 기초하여 상기 대화 상대방의 신뢰 정도를 예측하는 예측 단계
    를 포함하는 대화 상대 신뢰 정도 예측 방법.
  8. 제7항에 있어서,
    상기 전처리 단계는
    상기 구분된 대화 주체들 각각의 대화문을 임베딩 벡터로 변환하고, 상기 변환된 임베딩 벡터와 미리 설정된 구분자를 결합하여 제공하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 방법.
  9. 제7항에 있어서,
    상기 추출 단계는
    성격 정보 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 성격 정보 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문을 입력으로 하여 상기 대화 주체들 각각의 성격 정보를 추출하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 방법.
  10. 제9항에 있어서,
    상기 추출 단계는
    상기 성격 정보 예측 모델에서, 상기 대화 주체들 각각의 성격 차원에 해당하는 정보를 추출하고, 상기 추출된 성격 차원에 해당하는 정보를 통합한 종합 성격 정보 특성을 제공하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 방법.
  11. 제7항에 있어서,
    상기 예측 단계는
    신뢰 정도 주석 말뭉치에 저장된 데이터에 의해 미리 학습된 인공신경망 기반의 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 방법.
  12. 제11항에 있어서,
    상기 예측 단계는
    상기 신뢰 정도 예측 모델에서, 상기 구분된 대화 주체들 각각의 대화문과 상기 추출된 대화 주체들 각각의 성격 정보가 통합된 정보를 입력으로 하여 상기 대화 상대방의 신뢰 정도를 예측하는 것을 특징으로 하는 대화 상대 신뢰 정도 예측 방법.
PCT/KR2020/017087 2020-11-05 2020-11-27 대화 상대와 사용자의 성격 정보를 고려한 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법 WO2022097816A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200146569 2020-11-05
KR10-2020-0146569 2020-11-05

Publications (1)

Publication Number Publication Date
WO2022097816A1 true WO2022097816A1 (ko) 2022-05-12

Family

ID=81457948

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/017087 WO2022097816A1 (ko) 2020-11-05 2020-11-27 대화 상대와 사용자의 성격 정보를 고려한 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR102464190B1 (ko)
WO (1) WO2022097816A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011065403A (ja) * 2009-09-17 2011-03-31 Nippon Telegr & Teleph Corp <Ntt> 対話型性格特徴判定装置とその方法と、プログラム
KR20160060335A (ko) * 2014-11-20 2016-05-30 에스케이텔레콤 주식회사 대화 분리 장치 및 이에서의 대화 분리 방법
KR20180001155A (ko) * 2016-06-27 2018-01-04 (주)휴먼웍스 빅 데이터를 이용한 인공지능의 온라인 채팅 대화상대 자동맞춤 방법과 이를 위한 자동맞춤 시스템
KR102086604B1 (ko) * 2018-09-10 2020-03-09 서울대학교산학협력단 문맥 정보를 활용한 딥 러닝 기반의 대화체 문장 띄어쓰기 방법 및 시스템
KR20200039407A (ko) * 2018-10-05 2020-04-16 삼성전자주식회사 메신저 피싱 또는 보이스 피싱을 감지하는 전자 장치 및 그 동작 방법
JP6763103B1 (ja) * 2020-05-19 2020-09-30 株式会社ｅＶＯＩＣＥ 話者間相性判定装置、話者間相性判定方法およびプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101243766B1 (ko) * 2011-07-20 2013-03-15 세종대학교산학협력단 음성 신호를 이용하여 사용자의 성격을 판단하는 시스템 및 방법
KR101892736B1 (ko) * 2015-03-13 2018-08-28 한국전자통신연구원 실시간 단어별 지속시간 모델링을 이용한 발화검증 장치 및 방법
KR20190123362A (ko) * 2018-04-06 2019-11-01 삼성전자주식회사 인공지능을 이용한 음성 대화 분석 방법 및 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011065403A (ja) * 2009-09-17 2011-03-31 Nippon Telegr & Teleph Corp <Ntt> 対話型性格特徴判定装置とその方法と、プログラム
KR20160060335A (ko) * 2014-11-20 2016-05-30 에스케이텔레콤 주식회사 대화 분리 장치 및 이에서의 대화 분리 방법
KR20180001155A (ko) * 2016-06-27 2018-01-04 (주)휴먼웍스 빅 데이터를 이용한 인공지능의 온라인 채팅 대화상대 자동맞춤 방법과 이를 위한 자동맞춤 시스템
KR102086604B1 (ko) * 2018-09-10 2020-03-09 서울대학교산학협력단 문맥 정보를 활용한 딥 러닝 기반의 대화체 문장 띄어쓰기 방법 및 시스템
KR20200039407A (ko) * 2018-10-05 2020-04-16 삼성전자주식회사 메신저 피싱 또는 보이스 피싱을 감지하는 전자 장치 및 그 동작 방법
JP6763103B1 (ja) * 2020-05-19 2020-09-30 株式会社ｅＶＯＩＣＥ 話者間相性判定装置、話者間相性判定方法およびプログラム

Also Published As

Publication number Publication date
KR20220060963A (ko) 2022-05-12
KR102464190B1 (ko) 2022-11-09

Similar Documents

Publication Publication Date Title
Yeh et al. An interaction-aware attention network for speech emotion recognition in spoken dialogs
WO2011074771A2 (ko) 외국어 학습 장치 및 그 제공 방법.
WO2021132797A1 (ko) 반지도 학습 기반 단어 단위 감정 임베딩과 장단기 기억 모델을 이용한 대화 내에서 발화의 감정 분류 방법
WO2009145508A2 (ko) 실시간 호출명령어 인식을 이용한 잡음환경에서의 음성구간검출과 연속음성인식 시스템
WO2018128238A1 (ko) 디스플레이 장치를 이용한 가상 상담 시스템 및 방법
WO2019225801A1 (ko) 사용자의 음성 신호를 기반으로 감정, 나이 및 성별을 동시에 인식하는 방법 및 시스템
JP2019101064A (ja) 応答文生成装置、方法及びプログラム並びに音声対話システム
CN110047481A (zh) 用于语音识别的方法和装置
EP3545487A1 (en) Electronic apparatus, controlling method of thereof and non-transitory computer readable recording medium
WO2018174443A1 (en) Electronic apparatus, controlling method of thereof and non-transitory computer readable recording medium
WO2017104875A1 (ko) 음성의 톤, 템포 정보를 이용한 감정인식 방법 및 그 장치
WO2021162362A1 (ko) 음성 인식 모델을 학습시키는 방법 및 상기 방법을 이용하여 학습된 음성 인식 장치
CN112151015A (zh) 关键词检测方法、装置、电子设备以及存储介质
US11895272B2 (en) Systems and methods for prioritizing emergency calls
WO2019031621A1 (ko) 통화 중 감정을 인식하여 인식된 감정을 활용하는 방법 및 시스템
WO2018169276A1 (ko) 언어 정보를 처리하기 위한 방법 및 그 전자 장치
CN108831212B (zh) 一种口语教学辅助装置及方法
WO2022097816A1 (ko) 대화 상대와 사용자의 성격 정보를 고려한 대화 상대에 대한 신뢰 정도 예측 시스템 및 그 방법
WO2023163383A1 (ko) 멀티모달 기반 실시간 감정인식 방법 및 장치
KR20190133579A (ko) 사용자와 대화하며 내면 상태를 이해하고 긴밀한 관계를 맺을 수 있는 감성지능형 개인비서 시스템
WO2023095988A1 (ko) 대화 상대방의 성격정보를 고려하여 신뢰도 증강을 위한 맞춤형 대화 생성 시스템 및 그 방법
CN113724693B (zh) 语音判别方法、装置、电子设备及存储介质
CN115547345A (zh) 声纹识别模型训练及相关识别方法、电子设备和存储介质
WO2021153830A1 (ko) 대화문 발화 성격 인식 방법 및 시스템
WO2023113448A1 (ko) 엣지 컴퓨터 환경에서의 감정 인식 장치 및 그 방법

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: 20960914

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: 20960914

Country of ref document: EP

Kind code of ref document: A1