WO2024117316A1 - 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법 - Google Patents

기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법 Download PDF

Info

Publication number
WO2024117316A1
WO2024117316A1 PCT/KR2022/019307 KR2022019307W WO2024117316A1 WO 2024117316 A1 WO2024117316 A1 WO 2024117316A1 KR 2022019307 W KR2022019307 W KR 2022019307W WO 2024117316 A1 WO2024117316 A1 WO 2024117316A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
pattern
user terminal
sentence
language
Prior art date
Application number
PCT/KR2022/019307
Other languages
English (en)
French (fr)
Inventor
유환수
웨인라이트존
Original Assignee
주식회사 미리내테크놀로지스
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 미리내테크놀로지스 filed Critical 주식회사 미리내테크놀로지스
Publication of WO2024117316A1 publication Critical patent/WO2024117316A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9532—Query formulation
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/06—Foreign languages

Definitions

  • the present invention relates to an interest field learning method in a search language learning system based on machine learning, natural language processing, and pattern-based reference libraries, and more specifically, to a computer designed as a learning aid for individuals learning a foreign language or students using their native language.
  • a base system it enables navigation and a self-learning mode in which instances generated for the target language are analyzed by artificial intelligence (AI) and natural language processing components and then automatically mapped to appropriate items in the associated reference library.
  • AI artificial intelligence
  • a language learning system based on machine learning, natural language processing, and pattern-based reference libraries that allows users to explore parts of speech, word meanings, syntactic structures, grammar, and idiom patterns used in the language instance.
  • translators such as Google Translate and Papago have developed beyond simply interpreting words or sentences to the point where they recognize context and even recognize polysemy or idiomatic phrases.
  • the present invention was proposed in consideration of the above-described conventional situation, and the purpose of the present invention is to provide a computer-based system designed as a learning aid for individuals learning a foreign language or students using their native language, enabling navigation and learning the target language.
  • a self-learning mode in which instances generated for a language are analyzed by artificial intelligence (AI) and natural language processing components and then automatically mapped to appropriate items in a linked reference library, allowing the user to identify parts of speech and words used in the language instance.
  • AI artificial intelligence
  • a new form that allows users to learn sentences based on their desired language using a search language learning system based on machine learning, natural language processing, and pattern-based reference libraries that enable exploration of meaning, syntactic structure, grammar, and idiom patterns.
  • General users select sentences based on their interests or areas of interest as a learning area and select sentences transmitted from the system through them.
  • the goal is to provide a new type of machine learning, natural language processing, and pattern-based reference library-based search language learning system's interest area learning method that improves learning effectiveness through voluntary learning by learning the learning content and conducting quizzes. .
  • an interest-based learning target recommendation message is sent through the system and the learning target is received
  • the system decomposes the received sentence and transmits the decomposed sentence to the user terminal in a third step;
  • the user learns sentences through the user terminal, and if examples similar to the learning sentences are needed, they are sent through a request signal;
  • the system automatically searches for patterns, GLR grammar, and real-time news, songs, and dialogue through the example search bot (BOT), and provides data so that examples can be displayed and learned on the user terminal.
  • BOT example search bot
  • a method for learning areas of interest through a machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system including the fifth step is provided.
  • a computer-based system that enables navigation and a self-learning mode in which instances generated for the target language are analyzed by artificial intelligence (AI) and natural language processing components and then automatically mapped to appropriate entries in the associated reference library. This has the effect of allowing users to explore parts of speech, word meanings, syntactic structures, grammar, and idiom patterns used in the corresponding language instance.
  • AI artificial intelligence
  • Figure 1 is a functional diagram schematically explaining the learning process in the machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system according to the present invention.
  • Figures 2 and 3 are flowcharts showing an example of a field of interest learning method using the machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system of Figure 1.
  • an interest-based learning target recommendation message is sent through the system and the learning target is received
  • the system decomposes the received sentence and transmits the decomposed sentence to the user terminal in a third step;
  • the user learns sentences through the user terminal, and if examples similar to the learning sentences are needed, they are sent through a request signal;
  • the system automatically searches for patterns, GLR grammar, and real-time news, songs, and dialogue through the example search bot (BOT), and provides data so that examples can be displayed and learned on the user terminal.
  • BOT example search bot
  • a method for learning areas of interest through a machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system including the fifth step is provided.
  • the user can send a quiz progress request signal in the example display and learning stages. If a quiz progress request is sent, the quiz request signal is sent to the system, and the system checks the learning history again and creates a quiz.
  • the bot creates a quiz by searching the Internet and transmits the quiz to the user terminal, so the user receives the quiz through the user terminal and then proceeds to learn the quiz.
  • the third step is characterized by decomposing the sentence through the pattern DB, morpheme DB, grammar GLR DB, and reference DB and transmitting the result as a learnable decomposed sentence to the user terminal.
  • exploratory language learning system based on machine learning, natural language processing, and pattern-based reference libraries is
  • a morphological analyzer that generates linguistic units, words, stems, affixes, and pronunciation symbols from sentences input through the above input means, as well as morphological reductions and parts of speech;
  • a lexical pattern matcher that processes the content processed by the word form analyzer with reference to a reference library
  • a phrase-structure parser that recognizes larger phrases and clause structures by processing the word structure processed by the vocabulary pattern matcher into a syntactic structure
  • a library pattern-matcher that processes the syntax structure processed through the syntax structure parser by referring to the reference library
  • a method for learning areas of interest is provided through a machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system, which includes a reference explorer that allows users to view and explore related reference materials.
  • the applicant of the present invention helps foreigners learn Korean through machine translation, etc. through self-developed sentence analysis tools, Korean lessons by level, and Q&A when foreigners study Korean using machine translation.
  • the translation function in current conventional technology is the result of combining machine learning and natural language processing.
  • the present invention uses machine learning, natural language processing, and the Jeongum language engine, a proprietary Korean compiler, to not only translate sentences but also decompose them by up to 95%.
  • the Korean compiler is a tool used to convert the rules that make up Korean grammar into other languages. As the structure becomes more sophisticated, translation is done based on rules.
  • Mirinae's technology combines over 600 sentence patterns used in the Korean language to analyze the syntax of sentences in an in-depth and ecological way.
  • a strategy to increase accessibility is to provide services not only based on web browsers but also by introducing browser extensions.
  • Figure 1 is a functional diagram schematically explaining the learning process in the machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system according to the present invention.
  • the present invention is a computer-based system designed as a learning aid for individuals learning a foreign language or students using their native language.
  • a self-learning mode that enables navigation and where instances generated for the target language are analyzed by artificial intelligence (AI) and natural language processing components and then automatically mapped to appropriate items in the associated reference library. It allows users to explore the parts of speech, word meanings, syntactic structures, grammar, and idiom patterns used in that language instance.
  • AI artificial intelligence
  • a reference library can contain extensive material on each element of the target language, including usage notes, alternative example uses, links to external reference sites, and book citations. It is indexed by morphological and syntactic patterns found by Machine Learning (ML) and Natural Language Processing (NLP) components, enabling a form of bottom-up learning, where organically generated text drives the learning and discovery process, creating structured It is structured as an extension of the typical top-down approach of courseware and class curriculum.
  • ML Machine Learning
  • NLP Natural Language Processing
  • the invention presented herein can be applied to any combination of target and learner languages by covering multiple learner languages in a particular target language simply by replicating appropriately trained analyzers, parsers and library items, and reference material in each learner language. It can be applied. Versions of the reference material in the target language itself can be used by native speakers of the target language in schools and other educational contexts.
  • One embodiment of the invention includes the following components; Other embodiments are possible, as described in the Examples section below.
  • An input system for collecting or inputting instances occurring in a language.
  • a morphological analyzer that reduces the form of input characters such as linguistic units, words, stems, affixes, and phonetic symbols and generates parts of speech.
  • a phrase-structure parser that recognizes larger phrase and clause structures from the above word reductions.
  • Pattern-matching system that finds reference library items in which patterns exist through analysis and parsing of searched instances.
  • a presentation system that allows users to view and navigate related reference material.
  • a machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system includes an input means for collecting or inputting instances generated in a language, and sentences input through the input means into linguistic units, words, and stems. , a morphological analyzer (10) that reduces the morphological form of input characters with affixes and phonetic symbols and generates parts of speech;
  • a lexical pattern matcher (20) that processes the content processed by the lexical analyzer with reference to a reference library
  • a phrase-structure parser (30) that recognizes larger phrases and clause structures by processing the word structure processed by the word pattern matcher (20) into a syntactic structure
  • a library pattern-matcher (40) that processes the syntax structure processed through the syntax structure parser (30) by referring to the reference library
  • the input means is a means that allows a specific language to be displayed programmatically or hardware-wise within a specific video (streaming or not limited thereto) (device), or a video input device that provides a service for outputting movies, plays, and various videos. It may be an input device that can be operated in connection with the output of the text screen. However, it is not limited to this, and may be an input device that is connected to a separate video output device as an external input device and operates by overlaying text on the video or displaying it at a specific location on the screen. This input device can be operated in conjunction with the language learning system according to the present invention.
  • Step 1 the user enters the text they want to search for.
  • the student is learning Korean and types the sentence “I can ride a bicycle” in Korean.
  • Step 2 the morpheme analyzer processes the input sentence and generates a breakdown of the sentence.
  • Step 3 separate and label various types of affixes, separate verb stems, and assign appropriate parts of speech to all morphemes.
  • Current morphological analyzers are typically deep neural networks, and the present invention allows the use of existing analyzers or new analyzers specifically trained for this purpose. This is covered in more detail in the word form analyzer section below.
  • Step 4 an initial “lexical” pass of the pattern-matcher is formed over the morpheme-based patterns of the library.
  • These annotations and translations are passed on to the reference explorer, but can also be of great help in the next syntactic parser step.
  • step 6 syntactic structure parsing (parsing) is applied to the annotated modified word structures, and larger and possibly overlapping phrase and clause structures are identified, as shown in step 7.
  • This parsing step is performed using standard NLP or computer language parsing methods such as chunking grammars or recursive-descent parsers.
  • the present invention allows the use of such parsing techniques.
  • step 4 or step 6 can be omitted without loss of generality, but both cannot be omitted.
  • Step 8 another pass of the pattern-matcher is applied, which includes patterns referencing syntactic structures and morphological structures. It attaches a different set of annotations to morphemes and parsing structures, and links that set of annotations back to every referenced item in the library, ready for display and navigation in the reference explorer.
  • results are presented graphically and in a progressively interactive format, allowing the user to drill-down to the parts of the analysis that are most interesting (such as related text or icons to find more information). Click to search as if you were penetrating.
  • the presentation system can save the analysis and navigation status of some or all of the input text so that the user can continue learning at a later time.
  • some elements of the analysis may incur long latencies (translation and word lookup from external services), in which case the entire analysis may be passed in parts to the 9 stage display system for immediate display.
  • low-latency elements are provided, and longer-latency elements are provided asynchronously so that they can be displayed when they are available.
  • Form analyzers perform a well-known task in the field of natural language processing, and there are several implementations of them.
  • the most popular approach is to use deep neural-net models trained on a corpus of existing word-form parsing.
  • the present invention uses state-of-the-art analyzers in a new approach to language learning.
  • syntactic parsing is a well-known element of natural language processing and computer language implementations, as well as chunking grammars, declarative parser generators or ad-hoc recursive descent.
  • hoc recursive-descent can be used as a general approach to implementing such components, such as parsers.
  • Ad-hoc recursive-descent parsers have the advantage of accommodating context-sensitive parsing, which may be necessary for some grammars, in the context of natural language parsing.
  • a neural network-based analyzer can be trained to recognize and output both word-form destructuring and syntactic structuring.
  • parsing has primarily an educational purpose, and often simpler, coarse-grained structures are easier for students to understand. Another purpose is to help recognize grammar or idiom patterns, so only syntactic structures essential for that purpose are needed so that the parser can recognize them.
  • the pattern-based reference library is a core component of the present invention and has many aspects and possible embodiments that are novel and worthy of development within the present invention.
  • the structure of the text being studied is linked to the transformation or explanation items in the library by distinguishing patterns in the word morphology and syntactic structure of the text.
  • This pattern definition and matching is the core mechanism of the present invention, and it accommodates all schemas that perform this reliably and efficiently.
  • One embodiment encodes the morphological structure of some text into a single string, and the patterns of library items are expressed as regular-expressions for tokens of the string.
  • a generalized pattern that recognizes the ‘ ⁇ /may’ form can be a regular expression:
  • the patterns that distinguish each construct of pedagogical value in the target language can be constructed in several ways.
  • the patterns are hand-coded by a grammar and education expert in the target language.
  • an expert uses examples from text that contain instances of a particular pattern and guides the learning of that pattern.
  • many examples of text containing instances of a pattern are used to train a neural network-based regular expression generator for the pattern.
  • the pedagogical structure of the original sentence may also be discovered directly by a specially trained neural network in another embodiment of the reference library indexing scheme.
  • the training data is a corpus of text component sentences labeled with direct links to reference library items.
  • a two-step approach is also possible, in which a guided set of patterns or a manual set of patterns are exploited to generate a large corpus labeled with an index of library items, resulting in a trained neural network that performs significantly better than bulk regular expression searches. This method is possible.
  • the morphological analyzer, syntactic parser, and pattern set are specific to each target language (the language being studied) and are developed once for that language.
  • An example of a reference library where all descriptions, labeling, and translations are organized as vectors, split by learner language (student's native language or fluent language) so that the same library and target language component can easily support multiple learner languages. .
  • the reference library will contain most or all of the useful standard vocabulary, syntax, and grammatical structures of the target language.
  • the library could be expanded to include patterns and descriptions for idioms or slang phrases, since the presence of these forms in instances created from a language is a common source of difficulty for language learners.
  • the same mechanisms used to define, recognize, and describe grammatical patterns can be used for idiomatic forms.
  • sentence-level patterns that are generally well-known equivalents of common expressions between the two languages.
  • the general form “I hope” can also be defined and recognized by the mechanism of the present invention, and thus will also be added to the reference library in some embodiments.
  • a particularly useful pedagogical element of a learning tool is to provide many examples of the use of the constructs (words) being studied.
  • One embodiment of this system uses pattern definitions to automatically discover such examples in existing corpora of the target language.
  • Another useful element in networked embodiments of the present invention is to provide links within reference library items to external sources of additional training or background information. This includes links to relevant pages on traditional learning sites, YouTube videos, online reference books, or cultural or historical sites. Embodiments of the invention that support external references may include these types of links and other citations that may be deemed useful.
  • Possible embodiments of the invention include a crowdsourcing system that invites contributions to the library from all users, with typical crowdsourcing control over quality and content found in other crowdsourcing content services such as Wikipedia or Widictionary.
  • An intermediate embodiment of this idea involves a generic open-text-feedback system, reviewed and curated by the service's language-teaching experts, to extract and enter the library.
  • Crowdsourcing techniques may also be used in embodiments of the present invention to source translations of learner language reference material as mentioned in the Multiple Learner Languages section above.
  • Figures 2 and 3 are flowcharts showing an example of a method for learning a field of interest using the machine learning, natural language processing, and pattern-based reference library-based exploratory language learning system of Figure 1.
  • the content is saved in the user DB.
  • a message recommending interest-based learning subjects is sent through the system, and learning subjects are also selected. is received (S4).
  • the user selects a learning target and requests sentence selection and sentence decomposition through the user terminal (not shown).
  • the system receives the sentence and decomposes the received sentence.
  • the pattern DB and morpheme DB the sentence is decomposed through the grammar GLR DB and reference DB, and the result is sent to the user terminal as a learnable decomposed sentence (S6).
  • the user learns sentences through the user terminal, and the learning sentences are transmitted to the system, saved as learning history, and stored in the learning history database for ML.
  • step S6 it is determined through a request signal from the user terminal whether an example similar to the learning sentence is needed, that is, whether an example is needed, and if an example is needed, an example request message requesting an example (S12) is sent to the system. .
  • the system searches automatic, pattern, and GLR grammars through an example search bot (BOT), and searches real-time news, songs, and dialogues, and provides data to enable example display and learning (S14) on the user terminal.
  • BOT example search bot
  • the user can send a quiz progress request signal during the example display and learning stages. If a quiz progress request is sent (S16), the quiz request signal is sent to the system, and the system checks the learning history again and the quiz creation bot searches the Internet.
  • the user By creating a quiz and transmitting the quiz to the user terminal, the user receives the quiz through the user terminal (S20), and then proceeds with the quiz study (S22), saves the learning history, and then decides whether to continue the quiz. If the judgment is made (S26) and the process continues, the sentence selection and sentence decomposition request steps are performed again, or if the quiz is not completed, the process ends.
  • a computer-based system that enables navigation and a self-learning mode in which instances generated for the target language are analyzed by artificial intelligence (AI) and natural language processing components and then automatically mapped to appropriate entries in the associated reference library. This has the effect of allowing users to explore parts of speech, word meanings, syntactic structures, grammar, and idiom patterns used in the corresponding language instance.
  • AI artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Computer Security & Cryptography (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

본 발명은 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법에 있어서, 사용자가 사용자 단말을 통해 로그인 과정을 거친후에, 시스템을 통해 관심사 기반 학습대상 추천 메시지를 전송받게 되고 아울러 학습대상을 수신하게 되는 제1 단계, 사용자는 사용자 단말을 통해 문장 선택 및 문장 분해를 요청하는 제2 단계, 이후 시스템은 수신된 문장을 분해하여 분해된 문장을 사용자 단말로 전송하는 제3 단계, 사용자는 사용자단말을 통해 문장을 학습하고, 학습문장과 유사한 예제가 필요한 경우 요청신호를 통해 전송하는 제4 단계, 시스템은 사용자단말로부터의 예제요청 신호에 따라 예제탐색 봇(BOT)을 통해 자동 및 패턴, GLR 문법을 조회하여 그리고 실시간 뉴스,노래, 대사를 검색하여 사용자 단말로 예제표시 및 학습이 가능하도록 자료를 제공하는 제5 단계를 포함한다.

Description

기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법
본 발명은 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템의 관심분야학습방법에 관한 것으로, 더욱 상세하게는, 외국어를 배우는 개인이나 모국어를 사용하는 학생을 위한 학습 보조도구로 설계된 컴퓨터기반 시스템으로서, 탐색을 가능하게 하고, 타겟 언어에 대해 발생된 인스턴스가 인공지능(AI)과 자연어 처리 컴포넌트에 의하여 분석되고, 그리고나서 연계되는 참조 라이브러리의 적절한 항목에 자동으로 매핑하는 자가 학습 모드로서, 사용자가 해당 언어 인스턴스에서 사용되는 품사, 단어 의미, 구문 구조, 문법 및 관용구 패턴을 탐색할 수 있도록 하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용하여 사용자가 원하는 언어를 기반으로 한 문장을 학습할 수 있도록 하는 새로운 형태의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야 학습방법으로서, 일반 사용자가 자신의 관심사 혹은 관심분야에 대하여 학습영역으로 선택하여 문장을 선택하고 그를 통해 시스템에서 전송된 학습내용을 학습하고 퀴즈를 진행하도록 함으로써 자발적인 학습으로 인해 학습효과를 증진시킬 수 있도록 하는 새로운 형태의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템의 관심분야학습방법에 관한 것이다.
인터넷 서비스의 발달로 다른 나라의 동영상 컨텐츠를 개인 단말기기 혹은 전자장치를 이용하여 즐기는 인구가 늘고 있다.
특히 K-POP의 영향으로 영어권 국가에서 한국어 가요영상 뿐만 아니라고 영화등 다양한 영상컨텐츠를 시청하는 경우가 늘고 있다.
그런데, 예를 들어 영어를 사용하는 Viki등의 동영상 시청프로그램을 사용하여 한국어 영상을 시청하면서 자막을 통해 서비스되는 한국어를 학습하거나 해당 한국어의 영어를 찾아보고자 할 때 그에 대응하는 즉각적인 서비스가 되지 않고 있는 실정이다.
2016년 이전의 기계번역은 단어와 구절을 나눈 후 사전적으로 번역하는 수준에 불과했다.
하지만 사람의 뇌 속 뉴런 작용을 본떠 만든 ‘인공신경망’ 기술을 번역 기술에 조합하면서 기계번역의 품질이 비약적으로 향상됐다.
현재 구글 번역, 파파고 등의 번역기는 단순히 단어나 문장을 해석하는 수준을 넘어서, 문맥을 인지해 다의어나 관용 어구까지 인식할 정도로 발달했다.
하지만 기술 전반이 영어나 프랑스어 등 라틴어 기반의 문자에 집중돼있다 보니 한국어의 번역 품질은 여전히 떨어지는 편이다.
[선행기술문헌]
대한민국 특허 등록번호 제10-1578991호(2015년12월14일 등록)(발명의 명칭:
ＤＯＭ기반 동형을 이용하여 웹브라우징 연산을 메모라이징)
본 발명은 상술한 종래의 실정을 감안하여 제안된 것으로서, 본 발명의 목적은 외국어를 배우는 개인이나 모국어를 사용하는 학생을 위한 학습 보조도구로 설계된 컴퓨터기반 시스템으로서, 탐색을 가능하게 하고, 타겟 언어에 대해 발생된 인스턴스가 인공지능(AI)과 자연어 처리 컴포넌트에 의하여 분석되고, 그리고나서 연계되는 참조 라이브러리의 적절한 항목에 자동으로 매핑하는 자가 학습 모드로서, 사용자가 해당 언어 인스턴스에서 사용되는 품사, 단어 의미, 구문 구조, 문법 및 관용구 패턴을 탐색할 수 있도록 하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용하여 사용자가 원하는 언어를 기반으로 한 문장을 학습할 수 있도록 하는 새로운 형태의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야 학습 방법으로서, 일반 사용자가 자신의 관심사 혹은 관심분야에 대하여 학습영역으로 선택하여 문장을 선택하고 그를 통해 시스템에서 전송된 학습내용을 학습하고 퀴즈를 진행하도록 함으로써 자발적인 학습으로 인해 학습효과를 증진시킬 수 있도록 하는 새로운 형태의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템의 관심분야학습방법을 제공하고자 하는 것이다.
본 발명에 따른 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습 방법에 있어서,
기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법에 있어서,
사용자가 사용자 단말을 통해 로그인 과정을 거친후에, 시스템을 통해 관심사 기반 학습대상 추천 메시지를 전송받게 되고 아울러 학습대상을 수신하게 되는 제1 단계,
사용자는 사용자 단말을 통해 문장 선택 및 문장 분해를 요청하는 제2 단계,
이후 시스템은 수신된 문장을 분해하여 분해된 문장을 사용자 단말로 전송하는 제3 단계,
사용자는 사용자단말을 통해 문장을 학습하고, 학습문장과 유사한 예제가 필요한 경우 요청신호를 통해 전송하는 제4 단계,
시스템은 사용자단말로부터의 예제요청 신호에 따라 예제탐색 봇(BOT)을 통해 자동 및 패턴, GLR 문법을 조회하여 그리고 실시간 뉴스,노래, 대사를 검색하여 사용자 단말로 예제표시 및 학습이 가능하도록 자료를 제공하는 제5 단계를 포함하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법이 제공된다.
상술한 바와 같이, 본 발명에 따른 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야 학습방법에 의하면, 외국어를 배우는 개인이나 모국어를 사용하는 학생을 위한 학습 보조도구로 설계된 컴퓨터기반 시스템으로서, 탐색을 가능하게 하고, 타겟 언어에 대해 발생된 인스턴스가 인공지능(AI)과 자연어 처리 컴포넌트에 의하여 분석되고, 그리고나서 연계되는 참조 라이브러리의 적절한 항목에 자동으로 매핑하는 자가 학습 모드로서, 사용자가 해당 언어 인스턴스에서 사용되는 품사, 단어 의미, 구문 구조, 문법 및 관용구 패턴을 탐색할 수 있도록 하는 효과가 있다.
또한, 일반 사용자가 자신의 관심사 혹은 관심분야에 대하여 학습영역으로 선택하여 문장을 선택하고 그를 통해 시스템에서 전송된 학습내용을 학습하고 퀴즈를 진행하도록 함으로써 자발적인 학습으로 인해 학습효과를 증진시킬 수 있도록 하는 새로운 형태의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템의 관심분야학습방법에 관한 것이다.
도 1은 본 발명에 따른 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템에서의 학습 과정을 개략적으로 설명하는 기능 설명도이다.
도 2 및 도 3은 도 1의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법의 일예를 나타낸 흐름도이다.
본 발명에 따른 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습 방법에 있어서,
기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법에 있어서,
사용자가 사용자 단말을 통해 로그인 과정을 거친후에, 시스템을 통해 관심사 기반 학습대상 추천 메시지를 전송받게 되고 아울러 학습대상을 수신하게 되는 제1 단계,
사용자는 사용자 단말을 통해 문장 선택 및 문장 분해를 요청하는 제2 단계,
이후 시스템은 수신된 문장을 분해하여 분해된 문장을 사용자 단말로 전송하는 제3 단계,
사용자는 사용자단말을 통해 문장을 학습하고, 학습문장과 유사한 예제가 필요한 경우 요청신호를 통해 전송하는 제4 단계,
시스템은 사용자단말로부터의 예제요청 신호에 따라 예제탐색 봇(BOT)을 통해 자동 및 패턴, GLR 문법을 조회하여 그리고 실시간 뉴스,노래, 대사를 검색하여 사용자 단말로 예제표시 및 학습이 가능하도록 자료를 제공하는 제5 단계를 포함하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법이 제공된다.
또한, 제 5 단계후에, 사용자는 예제표시 및 학습단계에서 퀴즈 진행 요청신호를 보낼 수 있고, 퀴즈진행요청을 보낸 경우에는, 퀴즈요청 신호를 시스템에 전송하여 시스템은 다시 학습이력을 조회하여 퀴즈생성봇이 인터넷 조회하여 퀴즈를 생성하고 사용자 단말로 퀴즈를 전송하게되어 사용자는 사용자단말을 통해 퀴즈를 수신하게 되고, 이후 퀴즈학습을 진행하는 것을 특징으로 한다.
또한, 제 3 단계는, 패턴 DB, 형태소 DB, 문법 GLR DB, 참조 DB를 통해 문장을 분해하고 그 결과를 학습 가능하게 분해된 문장으로 사용자 단말로 전송하는 것을 특징으로 한다.
또한, 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템은
언어에서 발생된 인스턴스를 수집하거나 입력하기 위한 입력수단,
상기 입력수단을 통해 입력된 문장을 언어적 단위, 단어, 어간, 접사 및 발음기호 입력문자의 어형 축소와 품사를 생성하는 어형 분석기(morphological analyzer),
어형 및 구문구조 패턴에 의해 색인된 참조 라이브러리(reference library),
상기 어형 분석기에 의해 처리된 내용을 참조 라이브러리를 참조로 하여 처리하는 어휘 패턴 매칭기(lexical pattern match),
상기 어휘 패턴 매칭기에서 처리된 어형 구조를 구문 구조를 처리하여 더 큰 구문 및 절 구조를 인식하는 구문구조 파서(phrase-structure parser),
상기 구문구조 파서를 통해 처리된 구문 구조를 상기 참조 라이브러리를 참조로 하여 처리하는 라이브러리 패턴매칭기(library pattern-match), 및
사용자가 관련 참조 자료를 보고 탐색할 수 있는 참조 익스플로러(reference explorer)를 포함하는 것을 특징으로 하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습 방법이 제공된다.
이하, 본 발명에 따른 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야 학습 방법을 첨부도면을 참조로 상세히 설명한다.
본 발명의 출원인(미리내테크놀로지)은 외국인이 기계 번역 등을 활용해 한국어를 공부할 때, 자체 개발한 문장 분석 도구와 수준별 한국어 레슨, 질의응답 등을 통해 학습을 돕는다.
최근 K팝, K드라마 등을 통해 한국 문화를 접한 외국인들이 구글, 파파고 번역 등을 활용해 한국어 공부를 시작하는 경우가 많은데, 기존 번역기로는 파악하기 어려운 한국어 고유의 특징과 문장 구성까지 세세하게 짚어내 학습을 돕는다.
현재의 종랙기술에서의 번역 기능은 기계학습과 자연어 처리를 합친 결과물이다.
이 방식은 라틴어 계열 간의 번역에는 문제가 없지만 문법과 규칙이 다른 한글과는 호환되지 않는다.
그래서 본 발명에서는 기계학습과 자연어 처리에 독자 개발한 한국어 컴파일러인 정음 언어 엔진까지 활용해 문장을 번역하는 걸 넘어 95%까지 분해한다.
한국어 컴파일러는 한글 문법을 구성하는 규칙을 다른 언어로 변환할 때 사용하는 도구로, 그 구성이 고도화할수록 규칙 기반으로 번역이 이뤄진다.
기존의 기계학습과 인공신경망은 번역돼있는 문장을 토대로 분석하는데, 컴파일러는 고유한 규칙을 기반으로 분석한다.
기존 한국어 번역 기술은 가까운 단어 중 가능한 의미를 가져와 제공하는 수준이며, 내포된 뜻까지 설명하지 못한다.
학습자에게 필요한 문장의 통사적, 문법적 구조 등을 이해하기엔 부족하다.
미리내의 기술은 한국어에서 사용되는 600여 가지의 문장 패턴을 조합해 문장의 구문을 심층적, 생태학적으로 분석한다.
현재 업계에서 이 분석 방식은 유일하다”며 본 발명의 출원인(미리내테크놀로지)의 한글 정음 엔진에 대해 소개했다.
특히 컴퓨터 언어를 만들 수 있는 능력, 한국어를 학습하는 사람의 시각으로 만들다 보니 독보적일 수밖에 없다.
가령 ‘저는 한국어를 할 수 있어요’를 분석하면, 저는, 한국어, 를, 하ㄹ수있,어요로 나눈 뒤 각 문장의 주제문과 목적어, 동사 등을 따로 분석한 다음 문법 규칙까지 낱낱히 구분한다. 또 뜻 하나하나가 어떻게 변하는지, 어떤 의미를 담고 있는지까지 해석해낸다.
덕분에 K팝 가사나 영화 대사 등의 숨은 뜻까지도 파악하며 학습할 수 있고, 별도의 레슨과 라이브러리를 통해서도 심화학습을 들을 수 있다.
또한 기존의 교육 방식은 신조어가 반영되기까지 몇 년 이상 걸리지만, 본 발명의 출원인(미리내 테크놀로지스)의 학습 방법은 곧바로 신조어를 반영하는 등 최신 트렌드에도 빠르게 대응할 수 있다.
웹 브라우저 기반은 물론 브라우저 확장 프로그램 방식까지 도입해 서비스를 제공하는 것도 접근성을 높이기 위한 전략이다.
도 1은 본 발명에 따른 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템에서의 학습 과정을 개략적으로 설명하는 기능 설명도이다.
도 1을 참조하면, 본 발명은 외국어를 배우는 개인이나 모국어를 사용하는 학생을 위한 학습 보조도구로 설계된 컴퓨터기반 시스템이다. 본 발명에 따르면, 탐색을 가능하게 하고, 타겟 언어에 대해 발생된 인스턴스가 인공지능(AI)과 자연어 처리 컴포넌트에 의하여 분석되고, 그리고 나서 연계되는 참조 라이브러리의 적절한 항목에 자동으로 매핑하는 자가 학습 모드로서, 사용자가 해당 언어 인스턴스에서 사용되는 품사, 단어 의미, 구문 구조, 문법 및 관용구 패턴을 탐색할 수 있도록 한다.
참조 라이브러리에는 타겟 언어의 각 요소에 대한 광범위한 자료가 포함될 수 있는데, 이용 노트, 대체 예제 사용, 외부 참조 사이트 링크, 도서 인용 등이 이에 포함된다. 그것은 ML(Machine Learning) 및 NLP(Natural Language Processing) 컴포넌트가 찾은 어형 및 구문 패턴에 의해 색인되고, 상향식 학습의 한 형태가 가능하게 하며, 유기적으로 생성된 텍스트가 학습 및 디스커버리 프로세스를 구동하여, 구조화된 교육용 프로그램(courseware) 및 수업 커리큘럼의 일반적인 하향식 접근 방식을 확장하는 방식으로 구성된다.
여기에 제시된 발명은 적절하게 학습된 분석기, 파서(parser) 및 라이브러리 항목, 각 학습자 언어로 참조 자료를 복제하는 것만으로 특정 타겟 언어의 여러 학습자 언어를 포함함으로써, 타겟 언어와 학습자 언어의 모든 조합에 적용될 수 있다. 타겟 언어 자체의 참고 자료 버전은 학교 및 기타 교육적인 컨텍스트에서 타겟 언어 원어민이 사용할 수 있다.
작동 원리
본 발명의 일 실시 예는 다음 컴포넌트를 포함한다; 아래의 실시 예 부분에서 설명된 바와 같이 다른 실시 예가 가능하다.
1. 언어에서 발생된 인스턴스를 수집하거나 입력하기 위한 입력시스템(input system)
2. 언어적 단위, 단어, 어간, 접사, 발음기호 등 입력문자의 어형 축소와 품사를 생성하는 어형 분석기(morphological analyzer)
3. 상기 어형 축소에서 더 큰 구문 및 절 구조를 인식하는 구문구조 파서(phrase-structure parser)
4. 어형 및 구문구조 패턴에 의해 색인된 참조 라이브러리(reference library)
5. 탐색한 인스턴스의 분석 및 파싱(구문분석)에서 패턴이 존재하고 있는 참조 라이브러리 항목을 찾아 주는 패턴매칭 시스템(pattern-matching system)
6. 사용자가 관련 참조 자료를 보고 탐색할 수 있는 프레젠테이션 시스템(presentation system).
도 1에서, 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템은 언어에서 발생된 인스턴스를 수집하거나 입력하기 위한 입력수단, 상기 입력수단을 통해 입력된 문장을 언어적 단위, 단어, 어간, 접사 및 발음기호 입력문자의 어형 축소와 품사를 생성하는 어형 분석기(morphological analyzer)(10),
어형 및 구문구조 패턴에 의해 색인된 참조 라이브러리(reference library)(50),
상기 어형 분석기에 의해 처리된 내용을 참조 라이브러리를 참조로 하여 처리하는 어형 패턴 매칭기(lexical pattern match)(20),
상기 어형 패턴 매칭기(20)에서 처리된 어형 구조를 구문 구조를 처리하여 더 큰 구문 및 절 구조를 인식하는 구문구조 파서(phrase-structure parser)(30),
상기 구문구조 파서(30)를 통해 처리된 구문 구조를 상기 참조 라이브러리를 참조로 하여 처리하는 라이브러리 패턴매칭기(library pattern-match)(40), 및
사용자가 관련 참조 자료를 보고 탐색할 수 있는 참조 익스플로러(reference explorer)(60)를 포함한다.
상기 입력수단은 특정한 영상(스트리밍 혹은 이에 제한되지 않음)(장치)내에 프로그래밍적으로 혹은 하드웨어적으로 특정언어의 표시가 가능하도록 하는 수단 혹은 영화나 연극 및 각종 영상을 출력하는 서비스를 제공하는 영상속에서 문자화면의 출력과 연관되어 작동가능한 입력장치 일 수 있다. 그러나 이에 제한되지 않으며, 별도로 영상을 출력하는 장치에 외부 입력장치로 연결되어 영상에 문자를 오버레이 방식 혹은 화면내 특정위치에 표시하는 방식으로 작동되는 입력장치일 수도 있다. 이 입력장치는 본 발명에 따른 언어학습시스템과 연동되어 작동될 수 있다.
이러한 컴포넌트는 도 1과 같이 작동한다.
①단계, 사용자는 탐색하려는 텍스트를 입력한다. 위의 예에서 학생은 한국어를 학습 중이고, 한국어로 “나는 자전거를 탈 수 있다(I can ride a bicycle)”이라는 문장을 입력한다.
② 단계, 형태소 분석기는 입력된 문장을 처리하고 문장의 어형 분류(breakdown) 생성한다. ③ 단계, 다양한 종류의 접사(affixes)들을 분리하고 라벨을 붙이며, 동사의 어간을 분리하고, 모든 형태소에 적절한 품사를 할당한다. 현재 형태소 분석기는 일반적으로 심층(deep) 신경망(neural network)이며, 본 발명은 기존 분석기 또는 이러한 목적을 위해 특별히 학습된 새 분석기의 사용을 허용한다. 이것은 아래의 어형 분석기 부분에서 더 자세히 다룬다.
④ 단계, 패턴 일치장치(pattern-matcher)의 초기 "어휘(lexical)" 패스(pass)는 라이브러리의 형태소기반 패턴에 대하여 형성된다. 일치된 패턴은 형태소 구조에 주석을 달고 변형할 수 있으며, ⑤에서의 “ㄹ 수있”(= 할 수 있(can do)) 조동사 패턴과 같은 잠재적인 복합 형태소 구조를 생성한다. 이러한 주석 및 변환은 참조 탐색기로 전달되지만, 다음 구문구조 파서(Parser) 단계에 중요한 도움이 될 수도 있다.
⑥ 단계, 주석이 달린 변형된 어형 구조에 구문구조 파싱(구문분석)이 적용되고, ⑦ 단계에서 보이는 것처럼, 보다 크고 중첩될 수 있는 구문 및 절 구조를 식별한다. 이 파싱 단계는 표준 NLP 또는 청킹(chunking) 문법 또는 재귀하강(recursive-descent) 파서와 같은 컴퓨터언어 파싱 방법을 이용하여 수행한다. 본 발명은 이러한 파싱 기술의 사용을 허용한다. 본 발명의 일부 실시 예는, 일반성을 잃지 않고, ④ 단계 또는 ⑥ 단계를 생략할 수 있지만 둘 다 모두 생략할 수는 없다.
⑧ 단계, 패턴 일치장치(pattern-matcher)의 다른 패스가 적용되는데, 이때 구문 구조와 형태소 구조를 참조하는 패턴을 포함한다. 이는 형태소와 파싱 구조에 다른 주석 세트를 첨부하고, 참조 탐색기에서 표시와 탐색을 대비하여, 라이브러리의 모든 참조 항목에 그 주석세트를 다시 연결한다.
⑨ 단계, 모든 분석 및 패턴 매칭 결과를 사용자가 검토할 수 있다. 본 발명의 일 실시 예에서, 결과는 그래픽으로, 점차적인 대화형 형태로 제공되어, 사용자가 가장 관심있는 분석의 부분으로 드릴 다운(drill-down)(더 많은 정보를 찾기 위해 관련 텍스트나 아이콘등을 클릭하여 마치 뚫고 들어가듯이 검색하는 것) 되도록 한다. 프리젠테이션 시스템은 사용자가 추후에 계속 학습할 수 있도록, 입력된 텍스트의 일부 또는 전부의 분석 및 탐색 상태를 저장할 수 있다.
다른 실시 예에서, 분석의 일부 요소는 긴 대기시간이 발생할 수 있고(외부 서비스에서 번역 및 단어 조회), 이 경우 전체 분석은 ⑨ 단계 디스플레이 시스템에 부분적으로 전달될 수 있으며, 즉각적인 디스플레이(표시)를 위해 대기시간이 짧은 요소가 제공되고, 대기시간이 보다 긴 요소(longer-latency)는 비동기식으로 제공되는데, 그 요소들이 이용가능할 때 디스플레이될 수 있다.
실시 예
본 발명의 다양한 요소는 다수의 실시 예에 존재할 수 있다. 아래는 그 중 일부를 더 자세히 제시한 것이다.
어형 분석기(The morphological analyzer)
어형 분석기는 자연어처리 분야에서 잘 알려진 작업을 수행하며, 이는 여러 구현 방식이 있다. 현재 가장 인기있는 접근 방식은 기존 어형 파싱의 말뭉치(corpuse)에 대해 학습된 심층(deep) 신경망(neural-net) 모델을 사용하는 것이다. 다양한 언어로 사용할 수 있는 기존 모델이 있거나, 새로운 모델을 학습시킬 수 있다.
대부분의 어형 분석기는 완벽하지 않다. CNN(Convolutional Neural Network)기반 분석기의 최신 기술은 97%~98%범위로, 일반적으로 오류 수정(error-correction) 또는 조정 스키마(accommodation schemes)를 사용해야 한다. 본 발명에서 발생되는 어형 분석 오류는 패턴 라이브러리에서 변형 패턴으로 캡처될 수 있으므로(captured), 이러한 종류의 오류 수정은 상기 작동 개요의 ④ 단계에서 다루어진 어형구조 변환에서 일부분이 된다.
본 발명은 기존의 어형 분석기 구성 기술을 추가하는 것이 아니라, 언어 학습에 대한 새로운 접근 방식에서 최첨단(state-of-the-art) 분석기를 사용한다.
구문구조 파서(Phrase-structure parser)
어형 분석기 컴포넌트와 유사한 방식으로, 구문구조 파싱(parsing)은 자연어 처리 및 컴퓨터 언어 구현의 잘 알려진 요소이며, 청킹 문법, 평서문의(/선언적) 파서 생성기(declarative parser generators) 또는 애드혹 재귀하강(ad-hoc recursive-descent) 파서와 같은 이러한 컴포넌트를 구현하는데 일반적 접근 방식으로 사용할 수 있다.
애드혹 재귀하강(ad-hoc recursive-descent) 파서는 자연어 파싱의 컨텍스트에서, 일부 문법에 필요할 수 있는 컨텍스트(context-sensitive)에 민감한 파싱을 수용하는 이점이 있다.
또한, 인코딩한 학습 데이터가 주어지면, 어형 구조분해 및 구문 구조화를 모두 인식하고 출력하기 위한 신경망 기반 분석기를 학습시킬 수 있다.
광범위하고 완전한 구문구조 파싱은 이 응용프로그램(application)에서 필수적인 것은 아니며, 파싱은 주로 교육적 목적을 가지고 있고, 종종 더 간단하며, 거친 구조는 학생들이 이해하기 더 쉽다. 다른 목적은 문법 또는 관용구 패턴인식을 돕는 것이므로, 파서가 인식할 수 있게 해당 목적에 필수적인 구문구조만 필요하다.
패턴 기반 참조 라이브러리(Pattern-based reference library)
패턴기반 참조 라이브러리는 본 발명의 핵심 컴포넌트이며, 본 발명 내에서 새로우며 전개할 만한 가치가 있는 여러 측면 및 가능한 실시 예를 갖는다.
패턴 스키마(Pattern schemes)
학습중인 텍스트의 구조는 해당 텍스트의 어형과 구문 구조에서 패턴을 구별하는 방식으로 라이브러리내 변형 또는 설명하는 항목과 연계된다. 이러한 패턴 정의 및 매칭은 본 발명의 핵심 메커니즘이며, 이를 안정적이고 효율적으로 수행하는 모든 스키마를 수용한다.
일 실시 예는 일부 텍스트의 어형구조를 단일 문자열로 인코딩하고, 라이브러리 항목의 패턴은 해당 문자열의 토큰에 대한 정규식(regular-expressions)으로 표현된다. 예를 들면, 위 다이어그램의 샘플 한국어 문장의 형태소 구조(=“나는 자전거를 탈 수있 다”)는 다음과 같이 나타낼 수 있다.:
;저: NP;는: J X;자전거: NNG;를: J KO;타: VV;ㄹ: ETM;수: NNB;있: VV;어요: EF;
형태소 + 품사의 쌍으로 구성되어 세미콜론으로 분리된 시퀀스(sequence), 품사는 NLP에서 사용되는 공통 태그 코드로, NP = 고유 명사, NNG = 일반 명사, VV = 동사 등.
그리고 나서, ‘ㄹ /을 수 있다’ 형식을 인식하는 일반화된 패턴은 정규식이 될 수 있다:
( ( [ ^: ] +) : V[ A- Z] +) (ㄹ|을) : ETM;수: NNB;있: VV
의존명사 ‘수’ 앞에 ‘ㄹ’ 또는 ‘을’ 파티클(particles)(불변화사)이 앞에 오는 모든 동사와 조동사 ‘있다’의 모든 활용동사(conjugation)를 일치시킨다.
패턴 라이브러리 수가 증가함에 따라, 모든 패턴의 순차적인 테스트는 계산상 거부될 수 있으므로 검색 최적화가 필요하다. 최적화의 간단한 실시 예는 공통 접두사(prefixes)에 대한 모든 패턴의 트리 코딩(trie-coding)이 될 수 있다.(트리는 명령 트리 데이터 구조(ordered tree data structure)를 말한다.)
안내 및 샘플학습된 패턴 (Guided- and sample-trained patterns)
타겟 언어에서 교육학적인 가치의 각 구성을 구별하는 패턴은 여러 가지 방법으로 구성될 수 있다. 일 실시 예에서, 패턴은 타겟 언어의 문법 및 교육 전문가에 의해 수작업으로 코딩된다(hand-coded). 또 다른 경우에는, 전문가가 특정 패턴의 사례를 포함하는 텍스트의 예를 사용하고 해당 패턴의 학습을 가이드한다. 또 다른 실시 예에서, 패턴의 인스턴스를 포함하는 텍스트의 많은 예시들이 패턴에 대한 신경망기반 정규식 생성기를 학습시키는 데 사용된다.
직접 신경망 구조 인식(Direct neural-net structure recognition)
원본 문장의 교육학적 구조는 참조 라이브러리 인덱싱 스키마의 또 다른 실시 예에서 특별히 학습된 신경망에 의해 직접 발견될 수도 있다. 이 경우, 학습 데이터는 참조 라이브러리 항목에 대하여 직접 링크로 레이블이 지정된 텍스트 컴포넌트 문장을 구성하는 하나의 말뭉치(corpus)이다. 두 단계 접근 방식도 가능하여, 가이드된 세트의 패턴 또는 수동 세트의 패턴이 라이브러리 항목 인덱스로 레이블이 지정된 큰 말뭉치를 생성하기 위해 이용되는 방식, 대량의 정규식 검색보다 훨씬 성능이 좋은 훈련된 신경망을 생성하는 방식이 가능하다.
다중 학습자 언어(Multiple learner languages)
형태소 분석기, 구문 파서 및 패턴세트는 각 타겟언어(학습중인 언어)에 따라 다르며 해당 언어에 대해 한 번 개발된다. 모든 설명, 라벨링 및 번역이 벡터(vectors)의 식으로 구성된 참조 라이브러리의 일 실시 예로, 학습자 언어(학생의 모국어 또는 유창한 언어)별로 분할됨으로써 동일한 라이브러리 및 타겟언어 컴포넌트가 다중 학습자 언어를 쉽게 지원할 수 있다.
관용구 및 문장 패턴 및 형식 문법(Idiom and sentence patterns as well as formal grammar)
본 발명의 일부 실시 예에서 참조 라이브러리는 타겟 언어의 유용한 표준 어휘, 구문 및 문법 구조의 대부분 또는 전부를 포함할 것이다. 다른 실시 예에서, 라이브러리는 관용구 또는 속어 구문에 대한 패턴 및 설명을 포함하도록 확장될 수 있는데, 언어로부터 생성된 인스턴스에서 이러한 형태의 존재는 언어 학습자에게 공통적인 어려움의 근원이 되기 때문이다. 문법 패턴을 정의, 인식 및 설명하는데 이용하는 동일한 메커니즘은 관용적 형식에 사용될 수 있다.
또한, 두 언어 사이의 일반적인 표현 중 일반적으로 잘 알려진 등가물(equivalent)인 문장레벨의 패턴들이 있다. 예를 들어, "I hope X"라는 일반적인 형식은, "I hope you can come” 처럼, 영어에서는 한국어로 "만약 X이면 좋을 것이다"(“If X, it will be good”)에 상당하는 공통 문자 형식을 가진다. 이러한 문장레벨 패턴은 또한 본 발명의 메커니즘에 의해 정의되고 인식될 수 있으며, 따라서 일부 실시 예에서 참조 라이브러리에도 추가될 것이다.
NLP에서 발견된 예제 사용(NLP-discovered example uses)
여기 설명한 것처럼 학습 도구에서 특히 유용한 교육적 요소는 학습중인 구성체(construct,단어들)의 사용에 대한 많은 예제를 제공하는 것이다. 이 시스템의 일 실시 예는 패턴 정의를 사용하여 타겟 언어의 기존 말뭉치에서 이러한 예제를 자동으로 발견한다.
외부 참조 (External references)
본 발명의 네트워크 연결 실시 예에서 다른 유용한 요소는 추가 교육 또는 배경 정보의 외부 소스에 대하여 참조 라이브러리 항목 내에 링크를 제공하는 것이다. 여기에는 전통적 학습 사이트의 관련 페이지 링크가 포함되며, 또는 Youtube 비디오 또는 온라인 참고 서적 또는 문화적 또는 역사적 사이트도 포함된다. 외부 참조를 지원하는 본 발명의 실시 예는 유용한 것으로 간주 될 수 있는 이러한 종류의 링크 및 다른 인용을 포함할 수 있다.
크라우드 소싱(Crowd-sourcing)
언어의 표준 어휘, 구문 및 문법 구조를 포함하는 참조 라이브러리의 구성은 상대적으로 제한된 훈련이며, 언어에 대한 문법 교과서를 만드는 데 필요한 것과 유사하다. 관용구, 속어, 문장 패턴, 광범위한 예제 및 외부 참조 링크와 같은 다른 자료를 포함하도록 라이브러리를 확장하는 것은 시간이 지남에 따라 점진적으로 구현될 수 있는 보다 많은 작업이 된다.
본 발명의 가능한 실시 예는 Wikipedia 또는 Wiktionary와 같은 다른 크라우드 소싱 콘텐츠 서비스에서 발견되는 품질 및 콘텐츠에 대한 전형적인 크라우드 소싱 제어와 함께 모든 사용자로부터 라이브러리에 대한 기여를 초대하는 크라우드 소싱 시스템을 포함한다. 이러한 아이디어의 중간적인(intermediate) 실시예는 라이브러리를 추출하고(extract) 라이브러리에 진입하기 위해(enter) 서비스의 언어-교육 전문가들에 의해 검토되고 준비된(curated) 일반적인 오픈-텍스트-피드백 시스템을 포함한다
크라우드 소싱 기술은 또한, 위의 다중 학습자 언어 섹션에서 언급된 학습자 언어 참조 자료 번역을 소싱하기 위해 본 발명의 실시 예에 사용될 수 있다.
도 2 및 도 3은 도 1의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야 학습방법의 일예를 나타낸 흐름도이다.
도 2 및 도 3을 참조하면,
먼저, 사용자가 회원가입을 하고, 관심사 선택하게 되면(S2),그 내용이 사용자 DB에 저장되게 되고, 이후 로그인 과정을 거친후에, 시스템을 통해 관심사 기반 학습대상 추천 메시지를 전송받게 되고 아울러 학습대상을 수신하게 된다(S4). 이후 사용자는 학습대상을 선택한 후에(미도시) 사용자 단말을 통해 문장 선택 및 문장 분해를 요청하게 되며, 이후 시스템은 문장을 수신하게 되고, 수신된 문장을 분해하게 되는데, 이때, 패턴 DB, 형태소 DB, 문법 GLR DB, 참조 DB를 통해 문장을 분해하고 그 결과를 학습 가능하게 분해된 문장으로 사용자 단말로 전송하게 된다(S6). 사용자는 사용자단말을 통해 문장을 학습하게 되고 학습문장은 시스템에 전송되게 되고, 학습이력으로 저장되고 ML 용 학습이력 데이터베이스에 저장되게 된다.
상기 단계 S6이후에, 학습문장과 유사한 예제가 필요한지를 즉, 예제가 필요한지를 사용자 단말로부터의 요청신호를 통해 판단하여 예제가 필요하면, 예제요청(S12)하는 예제요청메시지를 시스템에 전송하게 된다. 이후 시스템은 예제탐색 봇(BOT)을 통해 자동 및 패턴, GLR 문법을 조회하여 그리고 실시간 뉴스,노래, 대사를 검색하여 사용자 단말로 예제표시 및 학습(S14)이 가능하도록 자료를 제공하게 된다. 사용자는 예제표시 및 학습단계에서 퀴즈 진행 요청신호를 보낼 수 있고, 퀴즈진행요청을 보낸 경우에는(S16), 퀴즈요청 신호를 시스템에 전송하여 시스템은 다시 학습이력을 조회하여 퀴즈생성봇이 인터넷 조회하여 퀴즈를 생성하고 사용자 단말로 퀴즈를 전송하게되어 사용자는 사용자단말을 통해 퀴즈를 수신하게 되고(S20), 이후 퀴즈학습(S22)을 진행한 후 학습이력을 저장하게 되고, 이후 퀴즈계속여부를 판단하고(S26), 계속하는 경우에는 문장선택 및 문장 분해 요청단계를 다시 진행하게 되거나 혹은 퀴즈 미진행시 종료하게 된다.
본 발명의 기술 사상은 상기 바람직한 실시 예에 따라 구체적으로 기술되었으나, 상기한 실시 예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술 분야의 통상의 전문가라면 본 발명의 기술 사상의 범위 내에서 다양한 실시 예가 가능함을 이해할 수 있을 것이다.
상술한 바와 같이, 본 발명에 따른 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야 학습방법에 의하면, 외국어를 배우는 개인이나 모국어를 사용하는 학생을 위한 학습 보조도구로 설계된 컴퓨터기반 시스템으로서, 탐색을 가능하게 하고, 타겟 언어에 대해 발생된 인스턴스가 인공지능(AI)과 자연어 처리 컴포넌트에 의하여 분석되고, 그리고나서 연계되는 참조 라이브러리의 적절한 항목에 자동으로 매핑하는 자가 학습 모드로서, 사용자가 해당 언어 인스턴스에서 사용되는 품사, 단어 의미, 구문 구조, 문법 및 관용구 패턴을 탐색할 수 있도록 하는 효과가 있다.
또한, 일반 사용자가 자신의 관심사 혹은 관심분야에 대하여 학습영역으로 선택하여 문장을 선택하고 그를 통해 시스템에서 전송된 학습내용을 학습하고 퀴즈를 진행하도록 함으로써 자발적인 학습으로 인해 학습효과를 증진시킬 수 있도록 하는 새로운 형태의 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템의 관심분야학습방법에 관한 것이다.

Claims (4)

  1. 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법에 있어서,
    사용자가 사용자 단말을 통해 로그인 과정을 거친후에, 시스템을 통해 관심사 기반 학습대상 추천 메시지를 전송받게 되고 아울러 학습대상을 수신하게 되는 제1 단계,
    사용자는 사용자 단말을 통해 문장 선택 및 문장 분해를 요청하는 제2 단계,
    이후 시스템은 수신된 문장을 분해하여 분해된 문장을 사용자 단말로 전송하는 제3 단계,
    사용자는 사용자단말을 통해 문장을 학습하고, 학습문장과 유사한 예제가 필요한 경우 요청신호를 통해 전송하는 제4 단계,
    시스템은 사용자단말로부터의 예제요청 신호에 따라 예제탐색 봇(BOT)을 통해 자동 및 패턴, GLR 문법을 조회하여 그리고 실시간 뉴스,노래, 대사를 검색하여 사용자 단말로 예제표시 및 학습이 가능하도록 자료를 제공하는 제5 단계를 포함하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법.
  2. 제 1 항에 있어서,
    제 5 단계후에, 사용자는 예제표시 및 학습단계에서 퀴즈 진행 요청신호를 보낼 수 있고, 퀴즈진행요청을 보낸 경우에는, 퀴즈요청 신호를 시스템에 전송하여 시스템은 다시 학습이력을 조회하여 퀴즈생성봇이 인터넷 조회하여 퀴즈를 생성하고 사용자 단말로 퀴즈를 전송하게되어 사용자는 사용자단말을 통해 퀴즈를 수신하게 되고, 이후 퀴즈학습을 진행하는 것을 특징으로 하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법.
  3. 제 1 항에 있어서,
    제 3 단계는, 패턴 DB, 형태소 DB, 문법 GLR DB, 참조 DB를 통해 문장을 분해하고 그 결과를 학습 가능하게 분해된 문장으로 사용자 단말로 전송하는 것을 특징으로 하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습방법.
  4. 제 1 항에 있어서, 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템은
    언어에서 발생된 인스턴스를 수집하거나 입력하기 위한 입력수단,
    상기 입력수단을 통해 입력된 문장을 언어적 단위, 단어, 어간, 접사 및 발음기호 입력문자의 어형 축소와 품사를 생성하는 어형 분석기(morphological analyzer),
    어형 및 구문구조 패턴에 의해 색인된 참조 라이브러리(reference library),
    상기 어형 분석기에 의해 처리된 내용을 참조 라이브러리를 참조로 하여 처리하는 어휘 패턴 매칭기(lexical pattern match),
    상기 어휘 패턴 매칭기에서 처리된 어형 구조를 구문 구조를 처리하여 더 큰 구문 및 절 구조를 인식하는 구문구조 파서(phrase-structure parser),
    상기 구문구조 파서를 통해 처리된 구문 구조를 상기 참조 라이브러리를 참조로 하여 처리하는 라이브러리 패턴매칭기(library pattern-match), 및
    사용자가 관련 참조 자료를 보고 탐색할 수 있는 참조 익스플로러(reference explorer)를 포함하는 것을 특징으로 하는 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 통한 관심분야 학습 방법.
PCT/KR2022/019307 2022-11-30 2022-11-30 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법 WO2024117316A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220165232A KR20240081206A (ko) 2022-11-30 2022-11-30 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법
KR10-2022-0165232 2022-11-30

Publications (1)

Publication Number Publication Date
WO2024117316A1 true WO2024117316A1 (ko) 2024-06-06

Family

ID=91323907

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/019307 WO2024117316A1 (ko) 2022-11-30 2022-11-30 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법

Country Status (2)

Country Link
KR (1) KR20240081206A (ko)
WO (1) WO2024117316A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5796926A (en) * 1995-06-06 1998-08-18 Price Waterhouse Llp Method and apparatus for learning information extraction patterns from examples
KR20160039505A (ko) * 2014-10-01 2016-04-11 주식회사 삼성경제연구소 학습 컨텐츠 구성 장치 및 그 방법
KR20210110550A (ko) * 2019-08-13 2021-09-08 연세대학교 원주산학협력단 난청환자를 위한 청능 훈련시스템
KR20210113551A (ko) * 2020-03-08 2021-09-16 주식회사 미리내 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템 및 방법
KR102370729B1 (ko) * 2021-06-03 2022-03-07 최연 문장 작성 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5796926A (en) * 1995-06-06 1998-08-18 Price Waterhouse Llp Method and apparatus for learning information extraction patterns from examples
KR20160039505A (ko) * 2014-10-01 2016-04-11 주식회사 삼성경제연구소 학습 컨텐츠 구성 장치 및 그 방법
KR20210110550A (ko) * 2019-08-13 2021-09-08 연세대학교 원주산학협력단 난청환자를 위한 청능 훈련시스템
KR20210113551A (ko) * 2020-03-08 2021-09-16 주식회사 미리내 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템 및 방법
KR102370729B1 (ko) * 2021-06-03 2022-03-07 최연 문장 작성 시스템

Also Published As

Publication number Publication date
KR20240081206A (ko) 2024-06-07

Similar Documents

Publication Publication Date Title
Brill Some advances in transformation-based part of speech tagging
KR20210113551A (ko) 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템 및 방법
KR100653862B1 (ko) 언어 독립적 음성-기반 검색 시스템
Davydov et al. Mathematical method of translation into Ukrainian sign language based on ontologies
Power et al. Learning to count: A computational model of language acquisition
Sarveswaran et al. Building a Part of Speech tagger for the Tamil Language
WO2024117316A1 (ko) 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 관심분야학습방법
WO2024117314A1 (ko) 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 정음엔진구축방법
WO2024117313A1 (ko) 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 언어학습방법
WO2024117315A1 (ko) 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템을 이용한 지식엔진구축방법
WO2024117317A1 (ko) 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템기반 컴파일기능이 구비된 바벨분석기
WO2021182828A1 (ko) 기계학습, 자연어처리 및 패턴기반 참조 라이브러리 기반 탐색 언어학습 시스템 및 방법
Bhagat et al. Wordprep: Word-based preposition prediction tool
US20230112674A1 (en) Exploratory language-learning system based on ml, nlp and pattern-based reference library
WO2024025184A1 (ko) 동사의 문형별 및 단어의 품사별 영어 해석편 제공시스템 및 그것을 기록한 매체
Hurskainen Sustainable language technology for African languages
Pretorius et al. Finite-state computational morphology-treatment of the zulu noun
JP4007630B2 (ja) 対訳例文登録装置
Cruz-Lara et al. Immersive 3D environments and multilinguality: Some non-intrusive and dynamic e-learning-oriented scenarios based on textual information
KR940022312A (ko) 기계번역장치 및 방법
Tukeyev et al. Computational Model of Morphology and Stemming of Karakalpak Words on a Complete Set of Inflectional Endings
KR20220082678A (ko) 텍스트 말뭉치에서 문법 및 단어의 사용 예제를 추출하는 방법
Kasse et al. English Learning Assistant Application with a Translation Approach Using Rule Based System
Hidayat et al. Idiomatic Phrase Processing in Arabic" A Psycholinguistic Study"
Jing Research on the Translation Strategies of Onomatopoetic and Hieroglyphic Characters in Literary Works