WO2025150613A1 - 연대기적 역학 기반의 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법 - Google Patents

연대기적 역학 기반의 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법

Info

Publication number
WO2025150613A1
WO2025150613A1 PCT/KR2024/004149 KR2024004149W WO2025150613A1 WO 2025150613 A1 WO2025150613 A1 WO 2025150613A1 KR 2024004149 W KR2024004149 W KR 2024004149W WO 2025150613 A1 WO2025150613 A1 WO 2025150613A1
Authority
WO
WIPO (PCT)
Prior art keywords
conversation
session
event
events
speakers
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/KR2024/004149
Other languages
English (en)
French (fr)
Inventor
김형훈
장지형
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
UNIST Academy Industry Research Corp
Original Assignee
UNIST Academy Industry Research Corp
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 UNIST Academy Industry Research Corp filed Critical UNIST Academy Industry Research Corp
Publication of WO2025150613A1 publication Critical patent/WO2025150613A1/ko
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G06F16/345—Summarisation for human users
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3349—Reuse of stored results of previous queries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages

Definitions

  • the background technology described above is technology that the inventor possessed or acquired in the process of deriving the disclosure content of the present application, and cannot necessarily be said to be a publicly known technology disclosed to the general public prior to the present application.
  • An electronic device and method for providing a chatbot service using a multi-session conversation model can provide a chatbot service based on multiple sessions with a multi-session conversation model.
  • An electronic device and method for providing a chatbot service using a multi-session conversation model may include a summary module.
  • An electronic device providing a chatbot service using a multi-session conversation model may include a memory in which the multi-session conversation model is stored, which is trained with conversation chronicles to respond to an input query and includes a summarization module and a response generation module, and a processor connected to the memory to generate a conversation summary for each session in chronological order using the summarization module based on one or more previous sessions and a current session, and to generate a response in a current session using the response generation module based on the conversation summary of one or more previous sessions generated, a relationship between conversation speakers, a time interval between sessions, and a last query of the current session.
  • the above processor can form an event list including a plurality of events, select event pairs based on their mutual relationships from the event list, and construct a directed event graph in which the order of premises and hypotheses of the selected event pairs is specified, thereby filtering the final events used in the conversation chronicle.
  • the processor may select one of Classmates, Neighbors, Co-workers, Mentee and Mentor, Husband and Wife, Patient and Doctor, Parent and Child, Student and Teacher, Employee and Boss, and Athlete and Coach as the relationship between the speakers based on the events of the selected one event sequence.
  • the above processor can retrieve social common sense from common sense data including any two elements and relationships between the elements, and form an event in the form of a sentence for one session based on the retrieved social common sense and include it in an event list.
  • the above processor can delete an episode that includes at least one of a session in which two or more speakers participated, a session in which there is inconsistency or ambiguity between utterances and speakers, a session in which speakers other than those in a predetermined relationship appear, and a session with unnecessary information among the generated conversation chronicles.
  • a method for providing a chatbot service using a multi-session conversation model may include a step of generating a conversation summary for each session in chronological order based on one or more previous sessions and a current session by a summary module among the multi-session conversation models, and a step of generating a response in a current session based on a conversation summary of one or more previous sessions generated by a response generation module among the multi-session conversation models, a relationship between conversation speakers, a time interval between sessions, and a last query of the current session.
  • the step of generating the above conversation chronicle may include the steps of forming an event list including a plurality of events, selecting event pairs based on their interrelationships from the event list, and constructing a directed event graph in which the order of premises and hypotheses of the selected event pairs is specified to filter final events used in the conversation chronicle.
  • the step of selecting the above event pair may include the step of calculating relationships between events in the event list and the step of selecting an event pair in an entailment relationship among the entailment, neutrality, and contradiction relationships between the events.
  • the step of filtering the above final events may include the step of connecting each event of the selected event pair as a node based on the order of the premise and hypothesis, the step of extracting a plurality of event sequences of a predetermined length, and the step of selecting one event sequence from the plurality of extracted event sequences.
  • An electronic device and method for providing a chatbot service using a multi-session conversation model generates a conversation chronicle including consistent but diverse conversations according to various time intervals and speaker relationships, and trains the multi-session conversation model using the conversation chronicle, thereby generating responses that are consistent with previous sessions.
  • the memory (110) may be implemented as a volatile memory device or a nonvolatile memory device.
  • the volatile memory device may be implemented as a dynamic random access memory (DRAM), a static random access memory (SRAM), a thyristor RAM (T-RAM), a zero capacitor RAM (Z-RAM), or a twin transistor RAM (TTRAM).
  • DRAM dynamic random access memory
  • SRAM static random access memory
  • T-RAM thyristor RAM
  • Z-RAM zero capacitor RAM
  • TTRAM twin transistor RAM

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)

Abstract

일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 입력된 질의에 응답하기 위하여 대화 크로니클(CONVERSATION CHRONICLES)로 트레이닝되고, 요약 모듈(summarization module) 및 응답 생성 모듈(response generation module)을 포함하는 상기 멀티 세션 대화 모델이 저장된 메모리 및 상기 메모리와 연결되어, 하나 이상의 이전 세션과 현재 세션에 기초하여 상기 요약 모듈로 시간순으로 각 세션에 대한 대화 요약을 생성하고 생성된 하나 이상의 이전 세션의 대화 요약, 대화 화자 간의 관계(relationship), 세션 간의 시간 간격(time interval) 및 현재 세션의 마지막 질의에 기초하여 상기 응답 생성 모듈로 현재 세션에서의 응답을 생성하는 프로세서를 포함할 수 있다.

Description

연대기적 역학 기반의 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법
이하, 연대기적 역학을 구현한 멀티 세션 대화 환경에 관한 기술이 제공된다.
챗봇은 목소리, 글과 같은 사람의 언어를 이해하고 대화를 이어나가게 해주는 채팅 로봇이다. 사용자가 챗봇에게 질문을 하면, 챗봇은 질문의 의도를 이해하고 그에 맞는 적절한 답변을 제공할 수 있다. 챗봇은 사용자에게 답변을 제공하기에 정보가 부족한 경우, 주도적으로 사용자와의 질문-답변 과정을 반복하여 부족한 정보를 보완할 수 있다. 이를 통해 사용자는 해당 분야에 지식이 없어도 챗봇의 가이드에 따라 원하는 정보에 빠르고 쉽게 접근할 수 있다. 이와 같은 특성 때문에 챗봇은 기술 지원, 마케팅, 쇼핑몰, 그리고 법과 같은 다양한 분야에서 활용되고 있다.
위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 멀티 세션 대화 모델로 복수의 세션에 기초하여 챗봇 서비스를 제공할 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 다양한 시간 간격과 화자 관계에 따라 일관되지만 다양한 대화를 포함하는 대화 크로니클을 생성하고 이를 이용하여 멀티 세션 대화 모델을 트레이닝시킬 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 대화 크로니클을 생성하기 위하여 방향성을 가진 이벤트 그래프를 구축하여 이벤트를 수집하고 수집된 이벤트에 시 단위부터 년 단위까지 다양한 시간 간격을 적용시키며 경과된 시간에 따라 달라질 수 있는 응답과 화자들 간의 관계를 고려할 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 멀티 세션 대화 모델이 요약 모듈을 포함할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치는 입력된 질의에 응답하기 위하여 대화 크로니클(CONVERSATION CHRONICLES)로 트레이닝되고, 요약 모듈(summarization module) 및 응답 생성 모듈(response generation module)을 포함하는 상기 멀티 세션 대화 모델이 저장된 메모리 및 상기 메모리와 연결되어, 하나 이상의 이전 세션과 현재 세션에 기초하여 상기 요약 모듈로 시간순으로 각 세션에 대한 대화 요약을 생성하고 생성된 하나 이상의 이전 세션의 대화 요약, 대화 화자 간의 관계(relationship), 세션 간의 시간 간격(time interval) 및 현재 세션의 마지막 질의에 기초하여 상기 응답 생성 모듈로 현재 세션에서의 응답을 생성하는 프로세서를 포함할 수 있다.
상기 프로세서는, 에피소드 별 복수의 이벤트들에 해당 에피소드 내 화자들의 관계 및 각 이벤트들 간의 시간 간격을 부여(assign)하여 복수의 세션들로 구성된 복수의 에피소드들을 구성하는 상기 대화 크로니클을 생성할 수 있다.
상기 프로세서는, 복수의 이벤트들을 포함하는 이벤트 리스트를 형성하고, 상기 이벤트 리스트에서 상호 관계에 기초한 이벤트 쌍을 선정하고 상기 선정된 이벤트 쌍의 전제와 가설의 순서가 지정되는 방향성 이벤트 그래프를 구축하여 상기 대화 크로니클에 사용되는 최종 이벤트를 필터링할 수 있다.
상기 프로세서는, 상기 이벤트 리스트에서 이벤트들 간의 관계들을 계산하고, 상기 이벤트들 간의 관계들인 수반(entailment), 중립(neutral) 및 모순(contradiction) 관계 중 수반 관계에 있는 이벤트 쌍을 선정할 수 있다.
상기 프로세서는, 상기 선정된 이벤트 쌍의 각 이벤트들을 노드로 전제와 가설의 순서에 기초하여 연결하고, 미리 결정된 길이의 복수의 이벤트 시퀀스들(event sequences)을 추출하고, 상기 추출된 복수의 이벤트 시퀀스들 중 하나의 이벤트 시퀀스를 선정할 수 있다.
상기 프로세서는, 상기 선정된 하나의 이벤트 시퀀스의 이벤트들에 각각 시(hour), 일(day), 주(week), 월(month), 년(year) 중 어느 하나의 시간 간격을 부여할 수 있다.
상기 프로세서는, 상기 선정된 하나의 이벤트 시퀀스의 이벤트들에 기초하여 동급생(Classmates), 이웃(Neighbors), 동료(Co-workers), 멘티와 멘토(Mentee and Mentor), 남편과 아내(Husband and Wife), 환자와 의사(Patient and Doctor), 부모와 자식(Parent and Child), 학생과 선생(Student and Teacher), 부하와 상사(Employee and Boss) 및 선수와 코치(Athlete and Coach) 중 하나를 화자들의 관계로 선택할 수 있다.
상기 프로세서는, 임의의 두 개의 요소와 요소 사이의 관계를 포함하는 상식 데이터로부터 사회적 상식을 검색하고, 검색된 사회적 상식에 기초하여 하나의 세션에 대한 문장 형태의 이벤트를 형성하여 이벤트 리스트에 포함시킬 수 있다.
상기 프로세서는, 상기 생성된 대화 크로니클 중 2인 이상의 화자가 참여한 세션, 발화와 화자 간에 일관성이 없거나 모호한 세션, 미리 결정된 화자들의 관계가 아닌 화자가 등장하는 세션 및 불필요한 정보를 가진 세션 중 적어도 하나가 포함된 에피소드를 삭제할 수 있다.
상기 프로세서는, 상기 대화 크로니클의 텍스트를 임의로 노이징시켜 원본 텍스트를 재구성하는 방식으로 상기 응답 생성 모듈을 트레이닝시키고, 트레이닝된 상기 응답 생성 모듈이 조건부 확률을 계산하여 현재 세션에서의 응답을 생성할 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법은 멀티 세션 대화 모델 중 요약 모듈로 하나 이상의 이전 세션과 현재 세션에 기초하여 시간순으로 각 세션에 대한 대화 요약을 생성하는 단계 및 멀티 세션 대화 모델 중 응답 생성 모듈로 생성된 하나 이상의 이전 세션의 대화 요약, 대화 화자 간의 관계, 세션 간의 시간 간격 및 현재 세션의 마지막 질의에 기초하여 현재 세션에서의 응답을 생성하는 단계를 포함할 수 있다.
상기 방법은 상기 대화 요약을 생성하기 전, 에피소드 별 복수의 이벤트들에 해당 에피소드 내 화자들의 관계 및 각 이벤트들 간의 시간 간격을 부여하여 복수의 세션들로 구성된 복수의 에피소드들을 구성하는 대화 크로니클을 생성하는 단계 및 상기 생성된 대화 크로니클 중 2인 이상의 화자가 참여한 세션, 발화와 화자 간에 일관성이 없거나 모호한 세션, 미리 결정된 화자들의 관계가 아닌 화자가 등장하는 세션 및 불필요한 정보를 가진 세션 중 적어도 하나가 포함된 에피소드를 삭제하는 단계를 더 포함할 수 있다.
상기 대화 크로니클을 생성하는 단계는, 복수의 이벤트들을 포함하는 이벤트 리스트를 형성하는 단계, 상기 이벤트 리스트에서 상호 관계에 기초한 이벤트 쌍을 선정하는 단계 및 상기 선정된 이벤트 쌍의 전제와 가설의 순서가 지정되는 방향성 이벤트 그래프를 구축하여 상기 대화 크로니클에 사용되는 최종 이벤트를 필터링하는 단계를 포함할 수 있다.
상기 이벤트 쌍을 선정하는 단계는, 상기 이벤트 리스트에서 이벤트들 간의 관계들을 계산하는 단계 및 상기 이벤트들 간의 관계들인 수반, 중립, 모순 관계 중 수반 관계에 있는 이벤트 쌍을 선정하는 단계를 포함할 수 있다.
상기 최종 이벤트를 필터링하는 단계는, 상기 선정된 이벤트 쌍의 각 이벤트들을 노드로 전제와 가설의 순서에 기초하여 연결하는 단계, 미리 결정된 길이의 복수의 이벤트 시퀀스들을 추출하는 단계 및 상기 추출된 복수의 이벤트 시퀀스들 중 하나의 이벤트 시퀀스를 선정하는 단계를 포함할 수 있다.
상기 대화 크로니클을 생성하는 단계는, 선정된 하나의 이벤트 시퀀스의 이벤트들에 각각 시, 일, 주, 월 및 년 중 어느 하나의 시간 간격을 부여하는 단계 및 상기 선정된 하나의 이벤트 시퀀스의 이벤트들에 기초하여 동급생, 이웃), 동료, 멘티와 멘토, 남편과 아내, 환자와 의사, 부모와 자식, 학생과 선생, 부하와 상사 및 선수와 코치 중 하나를 화자들의 관계로 선택하는 단계를 더 포함할 수 있다.
상기 이벤트 리스트를 형성하는 단계는, 임의의 두 개의 요소와 요소 사이의 관계를 포함하는 상식 데이터로부터 사회적 상식을 검색하는 단계 및 검색된 사회적 상식에 기초하여 하나의 세션에 대한 문장 형태의 이벤트를 형성하여 상기 이벤트 리스트에 포함시키는 단계를 포함할 수 있다.
상기 방법은 상기 대화 요약을 생성하기 전, 대화 크로니클의 텍스트를 임의로 노이징시켜 원본 텍스트를 재구성하는 방식으로 상기 응답 생성 모듈을 트레이닝시키는 단계를 더 포함할 수 있다.
상기 응답을 생성하는 단계는, 트레이닝된 상기 응답 생성 모듈이 조건부 확률을 계산하여 현재 세션에서의 응답을 생성하는 단계를 포함할 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 멀티 세션 대화 모델로 복수의 세션에 기초하여 챗봇 서비스를 제공함에 따라 풍부하고 실제적인 대화를 제공할 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 다양한 시간 간격과 화자 관계에 따라 일관되지만 다양한 대화를 포함하는 대화 크로니클을 생성하고 이를 이용하여 멀티 세션 대화 모델을 트레이닝시킴에 따라 이전 세션들과 모순이 없는 응답을 생성할 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 대화 크로니클을 생성하기 위하여 방향성을 가진 이벤트 그래프를 구축하여 이벤트를 수집하고 수집된 이벤트에 시 단위부터 년 단위까지 다양한 시간 간격을 적용시키며 경과된 시간에 따라 달라질 수 있는 응답과 화자들 간의 관계를 고려함에 따라 시간적 모순을 방지하고 다양성이 허용되며 역동적인 상호 작용이 반영되어 실제 시나리오와 유사한 대화가 생성될 수 있다.
일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법은 멀티 세션 대화 모델이 요약 모듈을 포함하여 정보 손실을 최소화하면서 이전 세션의 전체 대화를 효율적으로 저장할 수 있다.
도 1은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치의 블록도를 도시한다.
도 2는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치의 응답을 생성하는 경우를 예시적으로 도시한다.
도 3은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치의 대화 크로니클을 생성하는 경우를 예시적으로 도시한다.
도 4는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법의 흐름도를 도시한다.
도 5는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법과 다른 방법 간의 성능 평가 결과 그래프를 예시적으로 나타낸다.
도 6은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법으로부터 생성된 대화 크로니클 중 임의의 하나를 예시적으로 나타낸다.
도 7은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법에서 요약 모듈을 이용하여 생성된 해당 시나리오에서의 화자들 간의 관계, 이전 세션과 현재 세션과의 시간 간격과 각 세션의 요약을 예시적으로 나타낸다.
도 8은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법에서 응답 생성 모듈을 이용하여 생성된 화자들 간의 관계에 따라 다양한 흐름을 가지는 대화를 예시적으로 나타낸다.
도 9는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법에서 응답 생성 모듈을 이용하여 생성된 시간 간격을 반영한 대화를 예시적으로 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
자연어 처리(Natural Language Processing, NLP)는 사람이 의사소통에 사용하는 언어인 자연어를 분석, 이해 또는 생성하는 것을 의미할 수 있다. 또한, 자연어 처리는 인공 지능의 주요한 개발 분야 중 하나로 머신 러닝(Machine Learning, ML) 및/또는 딥 러닝(Deep learning) 기술 등을 이용하여 수행될 수 있다. 이러한 자연어 처리는 대화형 인공지능인 챗봇(Chat Bot)의 기반이 되는 기술로서, 챗봇이 사용자의 질의를 대신 응답해주므로 금융, 의료, 교육 등 다양한 분야에 적용되고 있으며 이에 따른 기술의 발전 또한 빠르게 이루어지고 있다.
챗봇은 각기 사용되는 분야 및/또는 목적에 따라 규칙 기반 챗봇(Rule-based Chatbot), 기계 학습 챗봇(Machine Learning Chatbot), 하이브리드 챗봇(Hybrid Chatbot), 사용자 정의 챗봇(Custom Chatbot), 가상 비서(Virtual Assistant), 도메인 특화 챗봇(Domain-Specific Chatbot) 및 소셜 미디어 챗봇(Social Media Chatbot) 등으로 구분될 수 있다. 이 중 규칙 기반 챗봇은 미리 정의된 규칙과 패턴에 따라 동작하는 특징을 가지므로 간단한 작업에는 적합하지만 그 이상의 복잡한 대화에는 적합하지 않은 단점이 있다. 이러한 단점을 개선한 챗봇 중 하나인 도메인 특화 챗봇은 클로즈드 도메인 챗봇(Closed-Domain Chatbot)이라고도 하며, 특정 업종 또는 도메인에 특화되어 해당 분야의 전문 지식에 기초한 대화 데이터로 챗봇 모델이 트레이닝됨에 따라 사용자의 질의에 대한 패턴을 파악하고 이를 기반으로 응답을 생성할 수 있다.
이와 반대되는 개념인 오픈-도메인 챗봇(Open-Domain Chatbot)은 클로즈드 도메인 챗봇보다 더 개선된 형태로, 특정 도메인에 한정되지 않고 사람과 대화하는 것처럼 유저와 소통할 수 있다. 이에 오픈-도메인 챗봇은 자연스러운 대화를 통해 단순히 정보를 제공하는 서비스뿐만 아니라 이외의 다양한 종류의 서비스 또한 제공할 수 있는 이점이 있어 관련된 기술들이 활발하게 연구되고 있다. 예를 들어, 오픈-도메인 챗봇은 감정 지원 및 정신 건강 증진을 위하여 상담 또는 언어 지도 등 다양한 감성 서비스에 적용될 수 있다. 다만, 오픈-도메인 챗봇은 인간과 같은 유창한 응답을 생성할 수 있지만 현재 진행 중인 대화만을 포함하는 단기적인 대화 세션(예: 싱글 세션)을 기반으로 응답을 생성하므로 장기적인 대화에 기초한 응답이 필요한 감성 서비스에 실제로 적용하는 점에 있어서 한계점이 있을 수 있다.
이에 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치(100)는 멀티 세션 대화 모델로 복수의 세션에 기초하여 챗봇 서비스를 제공함에 따라 풍부하고 실제적인 대화를 제공할 수 있다.
도 1은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치의 블록도를 도시한다.
전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 예를 들어, 전자 장치(100)는 서버, 스마트 폰, AI 스피커 등일 수 있으나, 이에 한정되지 않는다.
메모리(110)는 입력된 질의에 응답하기 위하여 대화 크로니클(CONVERSATION CHRONICLES)로 트레이닝되고, 요약 모듈(summarization module) 및 응답 생성 모듈(response generation module)을 포함하는 멀티 세션 대화 모델이 저장될 수 있다. 멀티 세션 대화 모델이 적용되는 챗봇은 채팅-로봇(chatting-robot)으로서, 사용자와의 의사소통을 기반으로 전자 장치(100)를 통해 적어도 하나의 서비스를 제공하기 위한 에이전트 내지는 해당 에이전트를 구성하는 데이터 전반을 포함할 수 있다.
메모리(110)는 프로세서(120)에 의해 실행가능한 인스트럭션들(예: 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(120)의 동작 및/또는 프로세서(120)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
다양한 실시예에 따르면, 메모리(110)는 휘발성 메모리 장치 또는 불휘발성 메모리 장치로 구현될 수 있다. 휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(Twin Transistor RAM)으로 구현될 수 있다. 불휘발성 메모리 장치는 EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시(flash) 메모리, MRAM(Magnetic RAM), 스핀전달토크 MRAM(Spin-Transfer Torque(STT)-MRAM), Conductive Bridging RAM(CBRAM), FeRAM(Ferroelectric RAM), PRAM(Phase change RAM), 저항 메모리(Resistive RAM(RRAM)), 나노 튜브 RRAM(Nanotube RRAM), 폴리머 RAM(Polymer RAM(PoRAM)), 나노 부유 게이트 메모리(Nano Floating Gate Memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(Molecular Electronic Memory Device), 및/또는 절연 저항 변화 메모리(Insulator Resistance Change Memory)로 구현될 수 있다.
도 2는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치의 응답을 생성하는 경우를 예시적으로 도시한다.
프로세서(120)는 메모리(110)와 연결되어, 하나 이상의 이전 세션과 현재 세션에 기초하여 요약 모듈(210)로 시간순으로 각 세션에 대한 대화 요약을 생성하고 생성된 하나 이상의 이전 세션(예: 세션 1에서 세션 N-1)의 대화 요약(213), 대화 화자 간의 관계(relationship)(211), 세션 간의 시간 간격(time interval)(212) 및 현재 세션(예: 세션 N)의 마지막 질의(예: 현재 대화 컨텍스트)에 기초하여 응답 생성 모듈(220)로 현재 세션(예: 세션 N)에서의 응답(221)을 생성할 수 있다. 응답 생성 시 프로세서(120)는 하나 이상의 이전 세션과 현재 세션 간의 시간순 연결을 고려하는 것이 필요함에 따라 메모리(110)에 하나 이상의 이전 세션의 전체 대화 기록을 컨텍스트로 저장하여 활용해야 한다. 그러나 단순히 이전 세션의 전체 대화 기록을 저장하고 활용하는 것은 저장 용량 확보 및 데이터 처리에 있어서 비효율적인 문제가 있다. 이에 정보 손실을 최소화하면서 하나 이상의 이전 세션의 전체 대화 기록을 간략하게 요약하는 요약 모듈(210)을 이용하여 전술한 문제를 해소할 수 있다. 이에 프로세서(120)는 트레이닝된 요약 모듈(210)을 이용하여 이전 세션을 포함한 현재 세션의 전체 대화를 시간순의 이벤트(213)로 요약할 수 있다.
요약 모듈(210) 및 응답 생성 모듈(220)을 이용하기 전에, 프로세서(120)는 요약 모듈(210) 및 응답 생성 모듈(220)을 트레이닝시킬 수 있다. 프로세서(120)는 조건을 지정하고 조건에 기초하여 원본 텍스트의 내용을 요약한 새로운 텍스트를 출력하도록 요약 모듈(210)을 트레이닝시킬 수 있다. 프로세서(120)는 대화 크로니클의 텍스트를 임의로 노이징시켜 원본 텍스트를 재구성하는 방식으로 응답 생성 모듈(220)을 트레이닝시킬 수 있다. 이후, 트레이닝된 응답 생성 모듈(220)은 조건부 확률을 계산하여 현재 세션에서의 응답을 생성할 수 있다. 조건부 확률은 P(c|r,t,s,h)로 나타낼 수 있으며, c는 챗봇의 다음 발화(예: 응답)를 나타낼 수 있다. r은 화자들의 관계(예: 학생과 선생님, 환자와 의사 등)를 나타낼 수 있다. t는 각 이벤트들의 시간 간격을 나타내는데, 하나 이상의 세션이 진행된 상황에서 챗봇은 이전 세션과 진행 중인 세션의 시간 간격을 고려해야 하기 때문에 t를 응답을 생성하는 입력으로 고려할 수 있다. s는 요약 모듈로부터 생성된 이전 세션에서의 대화 내용에 대한 요약을 나타내며, h는 현재 대화 컨텍스트(예: 현재 세션에서 진행 중인 모든 대화 발화)를 나타낼 수 있다.
우선, 프로세서(120)는 멀티 세션 대화 모델을 트레이닝하기 위하여 대화 크로니클을 생성할 수 있다. 대화 크로니클은 다양한 시간 간격(예: 멀티 세션)과 화자 관계에 따라 일관되지만 다양한 대화를 포함할 수 있다. 이에 프로세서(120)는 대화 크로니클을 이용하여 멀티 세션 대화 모델을 트레이닝시킴에 따라 이전 세션들과 모순이 없는 응답을 생성할 수 있다. 만일 프로세서(120)가 일반적인 챗봇 데이터(예: 싱글 세션을 가진 데이터)를 이용하여 멀티 세션 대화 모델을 트레이닝시키면, 싱글 세션을 가진 데이터로 인해 멀티 세션 대화 모델은 화자 간의 과거의 맥락이 무시된 채 특정 사건들을 중심으로 대화에 참여할 수 있다. 이는 멀티 세션 대화 모델이 하나의 주제와 관련된 하나의 에피소드에서 복수의 세션이 시간순으로 이어진 경우, 이전 세션에 이어서 현재 세션의 응답을 적절하게 생성하지 못하는 것을 의미할 수 있다. 또한, 단순히 멀티 세션을 가진 데이터를 이용하여 멀티 세션 대화 모델을 트레이닝시키는 경우에도, 짧은 시간 간격을 가진 멀티 세션을 가진 데이터를 이용하는 정도일 것이므로 이전 세션에서 경과된 시간에 따라 달라질 수 있는 응답에 대하여 고려되지 않아 대화 상호 작용에 역동성이 저해되며 실제적인 시나리오와 유사하지 않은 단점이 있을 수 있다.
도 3은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치의 대화 크로니클을 생성하는 경우를 예시적으로 도시한다.
프로세서(120)는 에피소드 별 복수의 이벤트들(333)에 해당 에피소드 내 화자들의 관계(331) 및 각 이벤트들 간의 시간 간격(332)을 부여(assign)하여 복수의 세션들로 구성된 복수의 에피소드들을 구성하는 대화 크로니클(340)을 생성할 수 있다. 프로세서(120)는 대화 크로니클 생성 모델(예: ChatGPT)을 이용하여 대화 크로니클(340)을 생성할 수 있다.
대화 크로니클(340) 생성에 앞서, 프로세서(120)는 우선 복수의 이벤트들을 포함하는 이벤트 리스트(310)를 형성할 수 있다. 프로세서(120)는 임의의 두 개의 요소와 요소 사이의 관계를 포함하는 상식 데이터로부터 사회적 상식을 검색하고, 검색된 사회적 상식에 기초하여 하나의 세션에 대한 문장 형태의 이벤트를 형성하여 이벤트 리스트에 포함시킬 수 있다.
상식 데이터는, 예를 들어, 상식 지식 그래프(Commonsense Knowledge Graph)일 수 있고, 상식 지식 그래프는 임의의 두 개의 요소와 요소 사이의 관계로 표현될 수 있다. 예를 들어, 관계는 인과적인 xAttr, xReact, xEffect, xIntent, xWant 및 xNeed 등으로 나뉘어, 첫번째 요소인 X가 각각 인식, 반응, 효과, 의도, 원하는 것 및 필요로 하는 것을 의미할 수 있다. 상식 지식 그래프는 사회적(예: 의도, 욕구, 반응) 상식과 사건 중심(예: 사건 순서) 상식을 포함하나, 프로세서(120)는 사회적 상호 작용을 필터링하는 것이 필요하므로, 사회적 상식을 검색할 수 있다. 검색된 사회적 상식은 사회적 상식에 기초한 상식 지식 그래프일 수 있다. 이에 프로세서(120)는 두 개의 요소와 요소 사이의 관계에 기초하여 문장을 형성할 수 있다. 그런 후, 프로세서(120)는 형성된 문장에 짧은 예시를 추가하여 하나의 이벤트를 완성할 수 있다.
프로세서(120)는 이벤트 리스트(310)에서 상호 관계에 기초한 이벤트 쌍을 선정하고 선정된 이벤트 쌍의 전제와 가설의 순서가 지정되는 방향성 이벤트 그래프(320)를 구축하여 대화 크로니클에 사용되는 최종 이벤트를 필터링할 수 있다. 프로세서(120)는 두 개의 관련 이벤트를 연결하도록 자연어 추론(Natural Langauge Inference, NLI) 방식을 이용할 수 있다. 이에 프로세서(120)는 이벤트 리스트에서 이벤트들 간의 관계들을 계산하고, 이벤트들 간의 관계들인 수반(entailment), 중립(neutral) 및 모순(contradiction) 관계 중 수반 관계(예: 참)에 있는 이벤트 쌍을 선정할 수 있다. 프로세서(120)는 선정된 이벤트 쌍의 각 이벤트들을 노드로 전제와 가설의 순서에 기초하여 연결할 수 있다. 이를 통해 방향성을 가진 이벤트 그래프(320)가 구축될 수 있고, 방향성으로 인하여 시간적 모순이 방지될 수 있다. 프로세서(120)는 미리 결정된 길이(예: 다섯개의 이벤트가 연결)의 복수의 이벤트 시퀀스들(event sequences)을 추출하고, 추출된 복수의 이벤트 시퀀스들 중 하나의 이벤트 시퀀스를 선정할 수 있다. 선정 방식에 있어서, 프로세서(120)는 복수의 이벤트 시퀀스들 중에서 미리 결정된 길이(예: 세개의 이벤트가 연결)의 겹치는 경로가 있는 경우, 경로가 겹치는 이벤트 시퀀스들 중 랜덤하게 하나만이 남는 것으로 선정할 수 있다. 예를 들어, 5-6-7-9-10 경로, 4-8-5-9-10 경로, 1-2-3-4-5 경로 및 1-2-3-8-5 경로의 이벤트 쌍을 가진 복수의 이벤트 시퀀스들이 있는 경우, 1-2-3-4-5 경로 및 1-2-3-8-5 경로에서 1-2-3의 경로가 겹칠 수 있다. 프로세서(120)는 이렇게 겹친 경로 중 임의로 1-2-3-4-5 경로를 선정할 수 있다.
프로세서(120)는 선정된 이벤트 시퀀스의 이벤트 그래프 형태를 시간의 흐름에 따른 이벤트(333)로 분리하여 하나의 에피소드(330)로 구분할 수 있다. 하나의 에피소드(330)는 하나의 화자들의 관계(331) 및 각 이벤트들(333) 간의 시간 간격(332)을 부여할 수 있다. 프로세서(120)는 하나의 세션의 이전 세션의 마지막 대화와 하나의 세션의 첫번째 대화 간의 시간적인 간격을 개략적으로 랜덤하게 부여할 수 있다. 예를 들어, 프로세서(120)는 선정된 하나의 이벤트 시퀀스의 이벤트들(333)에 각각 시(hour), 일(day), 주(week), 월(month), 년(year) 중 어느 하나의 시간 간격(332)을 부여할 수 있다. 이에 프로세서(120)는 총 다섯 개의 시간 간격 중 랜덤하게 한 개를 선택하여 부여하는 것을 의미할 수 있다. 시간 간격(332)은 수치적인 시간(예: 3일)을 의미하는 것 보다 대략적인 시간 단위(예: 3일 내지 6일)를 의미할 수 있다.
프로세서(120)는 복수의 관계 목록을 미리 정의하여 할당될 수 있도록 할 수 있다. 프로세서(120)는 관계 결정 모델(예: ChatGPT)을 이용하여 화자들의 관계(331)를 생성할 수 있다. 프로세서(120)는 선정된 하나의 이벤트 시퀀스의 이벤트들(333)에 기초하여 동급생(Classmates), 이웃(Neighbors), 동료(Co-workers), 멘티와 멘토(Mentee and Mentor), 남편과 아내(Husband and Wife), 환자와 의사(Patient and Doctor), 부모와 자식(Parent and Child), 학생과 선생(Student and Teacher), 부하와 상사(Employee and Boss) 및 선수와 코치(Athlete and Coach) 중 하나를 화자들의 관계(331)로 선택할 수 있다. 이에 프로세서(120)는 시 단위부터 년 단위까지 다양한 시간 간격(332)을 적용시키고 경과된 시간에 따라 달라질 수 있는 응답과 화자들 간의 관계를 고려함에 따라 시간적 모순을 방지하고 다양성이 허용되며 역동적인 상호 작용이 반영되어 실제 시나리오와 유사한 대화가 생성될 수 있다.
또한, 프로세서(120)는 생성된 대화 크로니클 중 2인 이상의 화자가 참여한 세션, 발화와 화자 간에 일관성이 없거나 모호한 세션, 미리 결정된 화자들의 관계가 아닌 화자가 등장하는 세션 및 불필요한 정보(예: 동작이나 상황에 대한 정보)를 가진 세션 중 적어도 하나가 포함된 에피소드를 삭제할 수 있다. 이를 통해 대화 크로니클은 균일한 품질이 보장될 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 메모리(110)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(120)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다. 프로세서(120)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 목적하는 동작들은 예를 들어, 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 하드웨어로 구현된 데이터 처리 장치는 예를 들어, 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
도 4는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법의 흐름도를 도시한다.
방법(410)에 있어서, 프로세서는 멀티 세션 대화 모델 중 요약 모듈로 하나 이상의 이전 세션과 현재 세션에 기초하여 시간순으로 각 세션에 대한 대화 요약을 생성할 수 있다. 대화 요약을 생성하기 전, 프로세서는 대화 크로니클의 텍스트를 임의로 노이징시켜 원본 텍스트를 재구성하는 방식으로 응답 생성 모듈을 트레이닝시킬 수 있다.
방법(420)에 있어서, 프로세서는 멀티 세션 대화 모델 중 응답 생성 모듈로 생성된 하나 이상의 이전 세션의 대화 요약, 대화 화자 간의 관계, 세션 간의 시간 간격 및 현재 세션의 마지막 질의에 기초하여 현재 세션에서의 응답을 생성할 수 있다. 응답 생성에 있어서, 프로세서는 트레이닝된 응답 생성 모듈이 조건부 확률을 계산하여 현재 세션에서의 응답을 생성할 수 있다.
방법(410)에서의 대화 요약을 생성하기 전, 프로세서는 에피소드 별 복수의 이벤트들에 해당 에피소드 내 화자들의 관계 및 각 이벤트들 간의 시간 간격을 부여하여 복수의 세션들로 구성된 복수의 에피소드들을 구성하는 대화 크로니클을 생성할 수 있다. 또한, 프로세서는 생성된 대화 크로니클 중 2인 이상의 화자가 참여한 세션, 발화와 화자 간에 일관성이 없거나 모호한 세션, 미리 결정된 화자들의 관계가 아닌 화자가 등장하는 세션 및 불필요한 정보를 가진 세션 중 적어도 하나가 포함된 에피소드를 삭제할 수 있다.
대화 크로니클을 생성하는 구체적인 방법에 있어서, 우선, 프로세서는 복수의 이벤트들을 포함하는 이벤트 리스트를 형성할 수 있다. 이벤트 리스트를 형성함에 있어서, 우선 프로세서는 임의의 두 개의 요소와 요소 사이의 관계를 포함하는 상식 데이터로부터 사회적 상식을 검색하고, 검색된 사회적 상식에 기초하여 하나의 세션에 대한 문장 형태의 이벤트를 형성하여 이벤트 리스트에 포함시킬 수 있다. 그런 후, 프로세서는 이벤트 리스트에서 상호 관계에 기초한 이벤트 쌍을 선정하며, 선정된 이벤트 쌍의 전제와 가설의 순서가 지정되는 방향성 이벤트 그래프를 구축하여 대화 크로니클에 사용되는 최종 이벤트를 필터링할 수 있다. 이벤트 쌍을 선정함에 있어서, 프로세서는 이벤트 리스트에서 이벤트들 간의 관계들을 계산하고, 계산된 이벤트들 간의 관계들인 수반, 중립, 모순 관계 중 수반 관계에 있는 이벤트 쌍을 선정할 수 있다. 최종 이벤트를 필터링함에 있어서, 프로세서는 선정된 이벤트 쌍의 각 이벤트들을 노드로 전제와 가설의 순서에 기초하여 연결하고, 미리 결정된 길이의 복수의 이벤트 시퀀스들을 추출하며, 추출된 복수의 이벤트 시퀀스들 중 하나의 이벤트 시퀀스를 선정할 수 있다.
이후, 프로세서는 선정된 하나의 이벤트 시퀀스의 이벤트들에 각각 시, 일, 주, 월 및 년 중 어느 하나의 시간 간격을 부여하고, 선정된 하나의 이벤트 시퀀스의 이벤트들에 기초하여 동급생, 이웃, 동료, 멘티와 멘토, 남편과 아내, 환자와 의사, 부모와 자식, 학생과 선생, 부하와 상사 및 선수와 코치 중 하나를 화자들의 관계로 선택하며, 이를 통해 대화 크로니클을 생성할 수 있다.
도 5는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법과 다른 방법 간의 성능 평가 결과 그래프를 예시적으로 나타낸다.
멀티 세션 대화 모델(520)과 다른 모델(510) 간의 성능 평가는 휴먼 평가(human evaluations)를 수행하며, 일관성(consistency), 일관성(coherence), 시간 간격 및 화자들 간의 관계들에 기초하여 이루어질 수 있다. 일관성(consistency)은 두 화자들이 지난 세션들로부터 모순되는 발언을 하지 않는 점을 의미하고, 일관성(coherence)은 두 화자들 간의 대화가 사건 전환 측면에서 자연스러운 흐름을 가지는 점을 의미할 수 있다. 해당 그래프에서는 일관성(consistency), 일관성(coherence), 시간 간격 및 전체의 평균적인 수치를 기준으로 성능 평가 결과를 보여주고 있다. 도 5에서, 멀티 세션 대화 모델(520)의 성능은 다른 모델(510)의 성능보다 뛰어난 것을 볼 수 있다.
도 6은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법으로부터 생성된 대화 크로니클 중 임의의 하나를 예시적으로 나타낸다.
대화 크로니클 중 어느 하나의 에피소드는 화자들 간의 관계가 동료이고 시간 간격이 년 단위로 생성된 대화이다. N-1 세션에서 대화는 '더위 속에서 하루 종일 일한 후' 구문과 '맥주 한잔' 구문을 포함할 수 있다. 몇 년 후, 세션 N 대화는 세션 N-1에서의 대화를 고려하여 '하루 종일 태양 아래에서 일한 후 맥주 몇 잔과 함께 편안한 순간을 보냈던 때를 기억해?' 구문을 포함할 수 있다. 이러한 대화 크로니클을 이용하여 학습된 멀티 세션 대화 모델 또한 이전 세션을 반영한 응답을 생성할 수 있다.
도 7은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법에서 요약 모듈을 이용하여 생성된 해당 시나리오에서의 화자들 간의 관계, 이전 세션과 현재 세션과의 시간 간격과 각 세션의 요약을 예시적으로 나타낸다.
프로세서는 요약 모듈을 이용하여 해당 시나리오에서의 화자들 간의 관계, 이전 세션과 현재 세션과의 시간 간격과 각 세션의 요약(예: 이벤트)을 생성할 수 있다. 프로세서는 요약 모듈을 이용하여 해당 에피소드에서의 운동선수 및 코치인 화자들 간의 관계와, 몇 시간 후인 시간 간격을 생성할 수 있다. 프로세서는 요약 모듈을 이용하여 코치와 선수가 아침에 훈련을 시작할 예정인 이전 세션 요약과 선수의 수업 일정으로 인해 훈련 일정을 변경하기로 결정한 현재 세션 요약을 생성할 수 있다. 요약 모듈은 이러한 이전 세션과 현재 세션 간의 상태 변화를 효과적으로 포착하여 아침부터 오후까지 훈련 일정의 변화를 자세히 설명할 수 있다.
도 8은 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법에서 응답 생성 모듈을 이용하여 생성된 화자들 간의 관계에 따라 다양한 흐름을 가지는 대화를 예시적으로 나타낸다.
프로세서(예: 챗봇)는 동일한 대화 주제에서 화자들 간의 관계에 따라 다양한 대화의 흐름을 가질 수 있으며, 응답 생성 모듈을 이용하여 화자들 간의 관계에 기초한 응답을 생성할 수 있다. 예를 들어, 사용자가 '업무량에 비해 급여가 너무 적은 것 같다' 질의하면 이에 대한 응답이 관계에 따라 달라질 수 있다. 챗봇과 사용자의 관계가 남편과 아내인 경우, 챗봇은 사용자에게 상사와의 대화라는 해결 방안과 관련된 응답을 제공할 수 있다. 또한, 챗봇과 사용자의 관계가 부하와 상사인 경우, 챗봇은 사용자에게 감성적으로 회사에 대한 의견을 수용하는 응답을 제공할 수 있다.
도 9는 일 실시예에 따른 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법에서 응답 생성 모듈을 이용하여 생성된 시간 간격을 반영한 대화를 예시적으로 나타낸다.
프로세서(예: 챗봇)는 응답 생성 모듈을 이용하여 관계와 시간 간격에 기초한 응답을 생성할 수 있다. 해당 예시에서 프로세서는 직전 세션이 아니더라도 과거 세션(첫번째 대화와 두번째 대화)에 기초한 응답을 생성할 수 있다. 또한, 챗봇은 응답 시 지나간 시간에 누적 또한 정확하게 반영하여 표현할 수 있다. 예를 들어, 챗봇은 몇 년 전 해변에 함께 간 사건을 현재 세션의 응답에 포함시킬 수 있다. 또한, 챗봇은 해변에 함께 간 사건에서 몇 주가 흐른 뒤에 대화했던 방학과 관련된 사건을 현재 세션에서 몇 년 전 방학에 관련된 응답으로 제공할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 저장될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 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.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 (19)

  1. 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치에 있어서,
    입력된 질의에 응답하기 위하여 대화 크로니클(CONVERSATION CHRONICLES)로 트레이닝되고, 요약 모듈(summarization module) 및 응답 생성 모듈(response generation module)을 포함하는 상기 멀티 세션 대화 모델이 저장된 메모리; 및
    상기 메모리와 연결되어, 하나 이상의 이전 세션과 현재 세션에 기초하여 상기 요약 모듈로 시간순으로 각 세션에 대한 대화 요약을 생성하고 생성된 하나 이상의 이전 세션의 대화 요약, 대화 화자 간의 관계(relationship), 세션 간의 시간 간격(time interval) 및 현재 세션의 마지막 질의에 기초하여 상기 응답 생성 모듈로 현재 세션에서의 응답을 생성하는 프로세서
    를 포함하는 전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    에피소드 별 복수의 이벤트들에 해당 에피소드 내 화자들의 관계 및 각 이벤트들 간의 시간 간격을 부여(assign)하여 복수의 세션들로 구성된 복수의 에피소드들을 구성하는 상기 대화 크로니클을 생성하는,
    전자 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    복수의 이벤트들을 포함하는 이벤트 리스트를 형성하고, 상기 이벤트 리스트에서 상호 관계에 기초한 이벤트 쌍을 선정하고 상기 선정된 이벤트 쌍의 전제와 가설의 순서가 지정되는 방향성 이벤트 그래프를 구축하여 상기 대화 크로니클에 사용되는 최종 이벤트를 필터링하는,
    전자 장치.
  4. 제3항에 있어서,
    상기 프로세서는,
    상기 이벤트 리스트에서 이벤트들 간의 관계들을 계산하고, 상기 계산된 이벤트들 간의 관계들인 수반(entailment), 중립(neutral) 및 모순(contradiction) 관계 중 수반 관계에 있는 이벤트 쌍을 선정하는,
    전자 장치.
  5. 제3항에 있어서,
    상기 프로세서는,
    상기 선정된 이벤트 쌍의 각 이벤트들을 노드로 전제와 가설의 순서에 기초하여 연결하고, 미리 결정된 길이의 복수의 이벤트 시퀀스들(event sequences)을 추출하고, 상기 추출된 복수의 이벤트 시퀀스들 중 하나의 이벤트 시퀀스를 선정하는,
    전자 장치.
  6. 제5항에 있어서,
    상기 프로세서는,
    상기 선정된 하나의 이벤트 시퀀스의 이벤트들에 각각 시(hour), 일(day), 주(week), 월(month), 년(year) 중 어느 하나의 시간 간격을 부여하는,
    전자 장치.
  7. 제5항에 있어서,
    상기 프로세서는,
    상기 선정된 하나의 이벤트 시퀀스의 이벤트들에 기초하여 동급생(Classmates), 이웃(Neighbors), 동료(Co-workers), 멘티와 멘토(Mentee and Mentor), 남편과 아내(Husband and Wife), 환자와 의사(Patient and Doctor), 부모와 자식(Parent and Child), 학생과 선생(Student and Teacher), 부하와 상사(Employee and Boss) 및 선수와 코치(Athlete and Coach) 중 하나를 화자들의 관계로 선택하는,
    전자 장치.
  8. 제2항에 있어서,
    상기 프로세서는,
    임의의 두 개의 요소와 요소 사이의 관계를 포함하는 상식 데이터로부터 사회적 상식을 검색하고, 검색된 사회적 상식에 기초하여 하나의 세션에 대한 문장 형태의 이벤트를 형성하여 이벤트 리스트에 포함시키는,
    전자 장치.
  9. 제2항에 있어서,
    상기 프로세서는,
    상기 생성된 대화 크로니클 중 2인 이상의 화자가 참여한 세션, 발화와 화자 간에 일관성이 없거나 모호한 세션, 미리 결정된 화자들의 관계가 아닌 화자가 등장하는 세션 및 불필요한 정보를 가진 세션 중 적어도 하나가 포함된 에피소드를 삭제하는,
    전자 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 대화 크로니클의 텍스트를 임의로 노이징시켜 원본 텍스트를 재구성하는 방식으로 상기 응답 생성 모듈을 트레이닝시키고,
    트레이닝된 상기 응답 생성 모듈이 조건부 확률을 계산하여 현재 세션에서의 응답을 생성하는,
    전자 장치.
  11. 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 방법에 있어서,
    멀티 세션 대화 모델 중 요약 모듈로 하나 이상의 이전 세션과 현재 세션에 기초하여 시간순으로 각 세션에 대한 대화 요약을 생성하는 단계; 및
    멀티 세션 대화 모델 중 응답 생성 모듈로 생성된 하나 이상의 이전 세션의 대화 요약, 대화 화자 간의 관계, 세션 간의 시간 간격 및 현재 세션의 마지막 질의에 기초하여 현재 세션에서의 응답을 생성하는 단계
    를 포함하는 방법.
  12. 제11항에 있어서,
    상기 대화 요약을 생성하기 전, 에피소드 별 복수의 이벤트들에 해당 에피소드 내 화자들의 관계 및 각 이벤트들 간의 시간 간격을 부여하여 복수의 세션들로 구성된 복수의 에피소드들을 구성하는 대화 크로니클을 생성하는 단계; 및
    상기 생성된 대화 크로니클 중 2인 이상의 화자가 참여한 세션, 발화와 화자 간에 일관성이 없거나 모호한 세션, 미리 결정된 화자들의 관계가 아닌 화자가 등장하는 세션 및 불필요한 정보를 가진 세션 중 적어도 하나가 포함된 에피소드를 삭제하는 단계
    를 더 포함하는 방법.
  13. 제12항에 있어서,
    상기 대화 크로니클을 생성하는 단계는,
    복수의 이벤트들을 포함하는 이벤트 리스트를 형성하는 단계;
    상기 이벤트 리스트에서 상호 관계에 기초한 이벤트 쌍을 선정하는 단계; 및
    상기 선정된 이벤트 쌍의 전제와 가설의 순서가 지정되는 방향성 이벤트 그래프를 구축하여 상기 대화 크로니클에 사용되는 최종 이벤트를 필터링하는 단계
    를 포함하는 방법.
  14. 제13항에 있어서,
    상기 이벤트 쌍을 선정하는 단계는,
    상기 이벤트 리스트에서 이벤트들 간의 관계들을 계산하는 단계; 및
    상기 계산된 이벤트들 간의 관계들인 수반, 중립, 모순 관계 중 수반 관계에 있는 이벤트 쌍을 선정하는 단계
    를 포함하는 방법.
  15. 제13항에 있어서,
    상기 최종 이벤트를 필터링하는 단계는,
    상기 선정된 이벤트 쌍의 각 이벤트들을 노드로 전제와 가설의 순서에 기초하여 연결하는 단계;
    미리 결정된 길이의 복수의 이벤트 시퀀스들을 추출하는 단계; 및
    상기 추출된 복수의 이벤트 시퀀스들 중 하나의 이벤트 시퀀스를 선정하는 단계
    를 포함하는 방법.
  16. 제13항에 있어서,
    상기 대화 크로니클을 생성하는 단계는,
    선정된 하나의 이벤트 시퀀스의 이벤트들에 각각 시, 일, 주, 월 및 년 중 어느 하나의 시간 간격을 부여하는 단계; 및
    상기 선정된 하나의 이벤트 시퀀스의 이벤트들에 기초하여 동급생, 이웃, 동료, 멘티와 멘토, 남편과 아내, 환자와 의사, 부모와 자식, 학생과 선생, 부하와 상사 및 선수와 코치 중 하나를 화자들의 관계로 선택하는 단계
    를 더 포함하는 방법.
  17. 제13항에 있어서,
    상기 이벤트 리스트를 형성하는 단계는,
    임의의 두 개의 요소와 요소 사이의 관계를 포함하는 상식 데이터로부터 사회적 상식을 검색하는 단계; 및
    검색된 사회적 상식에 기초하여 하나의 세션에 대한 문장 형태의 이벤트를 형성하여 상기 이벤트 리스트에 포함시키는 단계
    를 포함하는 방법.
  18. 제11항에 있어서,
    상기 대화 요약을 생성하기 전, 대화 크로니클의 텍스트를 임의로 노이징시켜 원본 텍스트를 재구성하는 방식으로 상기 응답 생성 모듈을 트레이닝시키는 단계
    를 더 포함하는 방법.
  19. 제11항에 있어서,
    상기 응답을 생성하는 단계는,
    트레이닝된 상기 응답 생성 모듈이 조건부 확률을 계산하여 현재 세션에서의 응답을 생성하는 단계
    를 포함하는 방법.
PCT/KR2024/004149 2024-01-10 2024-04-01 연대기적 역학 기반의 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법 Pending WO2025150613A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020240004118A KR20250109393A (ko) 2024-01-10 2024-01-10 연대기적 역학 기반의 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법
KR10-2024-0004118 2024-01-10

Publications (1)

Publication Number Publication Date
WO2025150613A1 true WO2025150613A1 (ko) 2025-07-17

Family

ID=96387209

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/004149 Pending WO2025150613A1 (ko) 2024-01-10 2024-04-01 연대기적 역학 기반의 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법

Country Status (2)

Country Link
KR (1) KR20250109393A (ko)
WO (1) WO2025150613A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170099917A (ko) * 2014-12-30 2017-09-01 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 모호한 표현의 판별을 통한 사용자 경험 개선 기법
KR20190093624A (ko) * 2016-12-06 2019-08-09 돈 엠. 구룰 연대기-기반 검색 엔진을 위한 시스템 및 방법
US20210247957A1 (en) * 2018-09-24 2021-08-12 Salesforce.Com, Inc. Database systems and methods for conversation-driven dynamic updates
KR20220109895A (ko) * 2021-01-29 2022-08-05 삼성전자주식회사 챗봇의 세션을 유지하는 시간을 결정하는 전자 장치 및 그 동작 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3770133A1 (en) 2018-03-19 2021-01-27 Tokuyama Corporation Fly ash modification method
KR102287577B1 (ko) 2020-11-19 2021-08-09 주식회사 두유비 전문 지식의 학습과 전문가의 피드백이 반영된 전문 지식 상담용 챗봇 시스템 및 상담 서비스 제공 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170099917A (ko) * 2014-12-30 2017-09-01 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 모호한 표현의 판별을 통한 사용자 경험 개선 기법
KR20190093624A (ko) * 2016-12-06 2019-08-09 돈 엠. 구룰 연대기-기반 검색 엔진을 위한 시스템 및 방법
US20210247957A1 (en) * 2018-09-24 2021-08-12 Salesforce.Com, Inc. Database systems and methods for conversation-driven dynamic updates
KR20220109895A (ko) * 2021-01-29 2022-08-05 삼성전자주식회사 챗봇의 세션을 유지하는 시간을 결정하는 전자 장치 및 그 동작 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JANG JIHYOUNG, BOO MINSEONG, KIM HYOUNGHUN: "Conversation Chronicles: Towards Diverse Temporal and Relational Dynamics in Multi-Session Conversations", ARXIV: 2310.13420V1., 20 October 2023 (2023-10-20), pages 1 - 23, XP093335375, DOI: 10.18653/v1/2023.emnlp-main.838 *
LEE JUNGSEOB , SON SUHYUNE, SHIM MIDAN, KIM YUJIN, PARK CHANJUN, SO ARAM, PARK JEONGBAE, LIM HEUISEOK, : "Empirical study on BlenderBot 2.0`s errors analysis in terms of model, data and dialogue", JOURNAL OF THE KOREA CONVERGENCE SOCIETY, ͕œÊΜ­ÌœΜ͕©Í•™ÍšŒ, vol. 12, no. 12, 28 December 2021 (2021-12-28), pages 93 - 106, XP093335361, ISSN: 2233-4890, DOI: 10.15207/JKCS.2021.12.12.093 *

Also Published As

Publication number Publication date
KR20250109393A (ko) 2025-07-17

Similar Documents

Publication Publication Date Title
CN112131366B (zh) 训练文本分类模型及文本分类的方法、装置及存储介质
Singer Psychology of language (PLE: Psycholinguistics): An introduction to sentence and discourse processes
Stella Cognitive network science for understanding online social cognitions: A brief review
US20220068462A1 (en) Artificial Memory for use in Cognitive Behavioral Therapy Chatbot
WO2021049706A1 (ko) 앙상블 질의 응답을 위한 시스템 및 방법
Ndumu Linkages between information overload and acculturative stress: The case of Black diasporic immigrants in the US
Clarà Building on each other’s ideas: A social mechanism of progressiveness in whole-class collective inquiry
Thill et al. On the importance of a rich embodiment in the grounding of concepts: Perspectives from embodied cognitive science and computational linguistics
WO2025116681A1 (ko) 생성형 인공지능을 이용한 가상 환경 기반의 다종 분야 종합 상담 서비스 제공 시스템 및 방법
Mustafa et al. Effectiveness of ontology-based learning content generation for preschool cognitive skills learning
Bullock et al. Learning about learning in the primary school
Schumaker et al. Evaluating mass knowledge acquisition using the alice chatterbot: The az-alice dialog system
Verheijden et al. Developing skilled communication: The power of self‐monitoring
Hidalgo‐Céspedes et al. Effects of oral metaphors and allegories on programming problem solving
Badreddine et al. Discursive reconstruction of the scientific story in a teaching sequence
Missaoui et al. Towards an Ontology for Representing a Student's Profile in Adaptive Gamified Learning System.
Parker et al. The cognitive science basis for context
Limberg et al. A phenomenological investigation of altruism from the perspective of counsellors in Scotland
Qi Application of Production‐Oriented Approach and Deep Learning Model in English Translation Teaching Model
Hu [Retracted] Study of the Effectiveness of 5G Mobile Internet Technology to Promote the Reform of English Teaching in the Universities and Colleges
Khullar et al. Vocal-friend: internet of social-things framework to aid verbal communication
KR20250109393A (ko) 연대기적 역학 기반의 멀티 세션 대화 모델을 이용하여 챗봇 서비스를 제공하는 전자 장치 및 방법
De Giacomo et al. Information processing
Bouchard Towards an Etiological Model of Self-Directed Professional Development.
Zhou Mental models

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: 24917376

Country of ref document: EP

Kind code of ref document: A1