KR102047385B1 - 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 - Google Patents
챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 Download PDFInfo
- Publication number
- KR102047385B1 KR102047385B1 KR1020180113522A KR20180113522A KR102047385B1 KR 102047385 B1 KR102047385 B1 KR 102047385B1 KR 1020180113522 A KR1020180113522 A KR 1020180113522A KR 20180113522 A KR20180113522 A KR 20180113522A KR 102047385 B1 KR102047385 B1 KR 102047385B1
- Authority
- KR
- South Korea
- Prior art keywords
- feedback
- sentence
- user terminal
- similarity
- answer
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3347—Query execution using vector based model
-
- G06F17/2705—
-
- G06F17/2765—
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계, 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계, 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계 및 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계를 포함할 수 있다.
Description
본 개시는 챗봇을 구동하는 기술에 관한 것으로서, 보다 구체적으로 챗봇에 대한 사용자의 부정적인 피드백에 대응하는 방법에 관한 것이다.
최근 들어, 사회가 복잡해지고, 미래에 대한 불안감이 고조됨에 따라, 보험을 가입하는 사람이 크게 늘어가고 있다. 이와 같은 수요에 맞춰 다양한 금융 상품이 개발되고 있으며, 주5일제 근무 등 여가 활동 시간이 늘어나면서 보험가입자의 여가 활동이나 레저 활동 등을 타겟으로 하는 금융 상품들이 제시되고 있다.
이와 관련하여, 여러 보험사에서 다양한 종류의 보험 상품이 제공되고 있어서, 보험가입자는 자신에게 유리한 조건을 제시하는 보험사 및 상품을 선택해서 계약을 맺을 수 있다. 또한, 보험사는 보험가입자에게 맞는 상품을 추천할 수도 있다.
대한민국 특허공개 공보 KR20000030728A에는 양음, 사주, 팔자 및 오행에 따른 보험 상품을 사용자에게 권유할 수 있는 보험 추천 및 제공 방법을 개시하고 있다.
한편, 보험 회사는 보험 설계사 및 상담사를 통해 고객의 상담 및 문의를 접수 받고, 그에 따라 대응하고 있다. 예컨대, 자동차 보험에 관심있는 잠재 고객의 경우, 보험 가입을 위해 보험 회사의 상담사, 또는 보험 설계사에게 연락을 한 뒤, 상담을 통해 잠재 고객에게 알맞은 보험을 추천하는 시스템으로 이루어져 있다.
하지만, 설계사, 또는 상담사를 통한 보험 문의는 인력 문제 및 상담 시간의 제약 때문에 고객이 원하는 시간에 바로 처리되기 어려운 문제가 있다. 또한, 이를 전문적으로 하는 보험 설계사 및 상담사 역시 간단한 업무 조차도 일일이 대응해야 하여 업무가 불필요하게 늘어나는 불편함이 있었다.
또한, 챗봇을 통해 고객의 상담에 대응하는 경우에도 제공하는 답변이 마음에 들지 않거나, 질문의 의도와 동떨어진 답변으로 사용자가 부정적인 반응을 보여도, 융통성 없는 답변만 제공할 수밖에 없는 한계가 있다.
따라서, 챗봇을 통해 고객이 원하는 시간에 언제든지 상담을 제공할 수 있고, 답변에 대한 피드백을 평가하여 다음 답변에 반영하기 위한 방법에 대한 당업계의 수요가 있을 수 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 챗봇에 대한 사용자의 부정적인 피드백에 대응하는 방법을 제공하기 위함이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계, 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계, 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계 및 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계를 포함할 수 있다.
대안적으로, 상기 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계는 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계 및 상기 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 상기 유사도가 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 단계를 포함할 수 있다.
대안적으로, 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계는 상기 입력 문장을 상기 전처리 모델을 통해 연산함으로써 입력 문장 벡터 형태로 환산하는 단계 및 상기 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출하는 단계를 포함할 수 있다.
대안적으로, 상기 피드백 평가 정보는 감성 평가 점수를 포함하고, 그리고 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계는 상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력하는 단계를 포함할 수 있다.
대안적으로, 상기 피드백 평가 모델은 하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성될 수 있다.
대안적으로, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계는 상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우, 또는, 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정할 수 있다.
대안적으로, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계는 상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다.
대안적으로, 상기 사용자 단말로부터 추가 입력 문장을 수신하는 단계, 상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계 및 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계를 더 포함할 수 있다.
대안적으로, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계는 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 단계를 더 포함할 수 있다.
대안적으로, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계는 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 상기 답변 문장에 대한 사과 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하거나, 또는 전문 상담자에게 상기 사용자 단말에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다.
대안적으로, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계는 상기 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하거나, 또는 상기 사용자 단말로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 상기 사용자 단말로 송신할 수 있다.
본 개시의 다른 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 방법이 개시될 수 있다. 상기 방법은 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계, 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계, 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계 및 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계를 포함할 수 있다.
또한, 본 개시의 다른 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 컴퓨팅 장치가 개시될 수 있다. 상기 컴퓨팅 장치는 하나 이상의 코어를 포함하는 프로세서 및 메모리를 포함하고, 상기 프로세서는 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하고, 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하고, 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하고, 그리고 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정할 수 있다.
본 개시는 챗봇에 대한 사용자의 부정적인 피드백에 대응하는 방법을 제공할 수 있다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다.
도 1은 본 개시의 일 실시예에 따른 서버의 블록 구성도(Block diagram)를 도시한다.
도 2는 본 개시의 일 실시예에 따른 서버와 사용자 단말 간의 흐름도를 도시한다.
도 3은 본 개시의 일 실시예에 따른 피드백 수신 이후의 서버와 사용자 단말 간의 흐름도를 도시한다.
도 4는 본 개시의 일 실시예에 따른 서버와 사용자 단말 간의 전체적인 흐름도를 도시한다.
도 5는 본 개시의 일 실시예에 따른 챗봇의 동작 인터페이스다.
도 6은 본 개시의 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법의 순서도(flow-chart)다.
도 7은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 8은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 9는 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 10은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 1은 본 개시의 일 실시예에 따른 서버의 블록 구성도(Block diagram)를 도시한다.
도 2는 본 개시의 일 실시예에 따른 서버와 사용자 단말 간의 흐름도를 도시한다.
도 3은 본 개시의 일 실시예에 따른 피드백 수신 이후의 서버와 사용자 단말 간의 흐름도를 도시한다.
도 4는 본 개시의 일 실시예에 따른 서버와 사용자 단말 간의 전체적인 흐름도를 도시한다.
도 5는 본 개시의 일 실시예에 따른 챗봇의 동작 인터페이스다.
도 6은 본 개시의 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법의 순서도(flow-chart)다.
도 7은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 8은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 9는 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 10은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정, 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
본 명세서에 걸쳐, 모델은 하나 이상의 네트워크 함수를 포함하는 의미로 사용될 수 있다. 모델은 다른 모델과 함께 데이터의 처리를 수행할 수 있다. 모델은 다른 모델과 직렬 또는 병렬로 상호 연결될 수 있다.
도 1은 본 개시의 일 실시예에 따른 서버의 블록 구성도(Block diagram)를 도시한다.
본 개시의 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 컴퓨팅 장치(100)는 개인 금융상품에 관련한 상담, 문의, 또는 고객 서비스 중 하나에 대한 사용자와의 일대일 대화에서 고객의 의도를 분류하기 위해 사용될 수 있다. 여기서 개인 금융상품은 보험, 대출, 연금, 펀드 등의 일반적인 상품을 의미할 수 있다.
본 개시의 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.
네트워크부(110)는 사용자 단말(200)로부터 하나 이상의 단어를 포함하는 입력 문장을 수신할 수 있다. 여기서 입력 문장은 컴퓨팅 장치(100)가 사용자 단말(200)로부터 수신하는 첫 문장을 포함할 수 있다. 또한, 상기 입력 문장은 컴퓨팅 장치(100)가 사용자 단말(200)에 대해 임의의 동작을 수행하기 전까지 수신되는 하나 이상의 문장일 수 있다. 예를 들어, 네트워크부(110)는 사용자 단말(200)을 통해 수신되는 첫 입력 문장으로 "안녕 챗봇아"를 수신할 수 있고, 이후 "보험 상담을 하고 싶어"라는 두번째 입력 문장을 수신할 수 있다. 여기서 컴퓨팅 장치(100)가 상기 첫 입력 문장 및 두번째 입력 문장에 대한 답변, 또는 결과값 출력 동작을 수행하지 않은 경우, 상기 첫 입력 문장 및 두번째 입력 문장을 하나의 입력 문장으로 판단할 수 있다. 전술한 입력 문장의 자세한 기재는 예시일뿐, 본 개시는 이에 제한되지 않는다.
또한, 네트워크부(110)는 사용자 단말(200)로부터 추가 입력 문장을 수신할 수 있다. 여기서 추가 입력 문장은 컴퓨팅 장치(100)가 입력 문장에 대해서 답변 문장 송신과 같은 임의의 동작(예컨대, 결과값 출력, 또는 상품 추천 등)을 수행한 이 후, 사용자 단말(200)로부터 입력되는 문장을 의미할 수 있다. 그리고 추가 입력 문장은 하나 이상의 문장 그룹일 수 있다. 예를 들어, 컴퓨팅 장치(100)가 수행하는 제 1 동작 이후, 제 2 동작 이전까지 수신되는 입력 문장 3개를 그룹화하여 제 1 추가 입력 문장으로 판단할 수 있다. 또한, 제 2 동작 이후, 제 3 동작 이전까지 수신되는 입력 문장 2개를 그룹화하여 제 2 추가 입력 문장으로 판단할 수 있다. 전술한 추가 입력 문장의 자세한 기재는 예시일뿐, 본 개시는 이에 제한되지 않는다.
네트워크부(110)는 답변 문장을 사용자 단말(200)로 송신할 수 있다. 보다 구체적으로, 네트워크부(110)는 프로세서(120)가 생성한 답변 문장을 획득할 수 있다. 추가적으로, 네트워크부(110)는 금융사 컴퓨팅 장치 그룹 중 적어도 하나로부터 답변 문장을 획득할 수도 있다. 그리고 네트워크부(110)는 답변 문장을 사용자 단말(200)과 연결되어 있는 챗봇을 통해 인터페이스와 함께 사용자 단말(200)로 송신할 수 있다. 상기 과정에서 네트워크부(110)는 유/무선 네트워크를 통하여 사용자 단말(200)과 통신할 수 있다.
또한, 네트워크부(110)는 사용자 단말(200)로부터 답변 문장에 대한 피드백을 수신할 수 있다. 추가적으로, 네트워크부(110)는 서브 그룹 컴퓨팅 장치(미도시)로부터 송신된 답변 문장에 대한 피드백을 수신할 수 있다. 여기서 서브 그룹 컴퓨팅 장치(미도시)는 금융사 컴퓨팅 장치 그룹이 포함하는 하나 이상의 서브 그룹으로, 업무별로 분류되어 구성될 수 있다.
보다 구체적으로, 네트워크부(110)는 답변 문장을 송신한 후, 사용자 단말(200)로부터 답변 문장에 대한 피드백(예켠대, "그 뜻이 아닌데", "그거 말고" 등)을 수신할 수 있다. 그리고, 네트워크부(110)는 답변 문장을 송신한 후, 서브 그룹 컴퓨팅 장치(미도시)로부터 입력 문장과 기준 질문 간의 유사도 판단 및 입력 문장에 대한 답변 문장의 적절성과 관련된 긍정적/부정적 피드백(예컨대, "유사", "전혀 다름" 등)을 수신할 수 있다. 여기서 답변 문장은 입력 문장에 대응하기 위하여 프로세서(120)에서 생성되거나, 또는 메모리(130) 상에 저장된 답변일 수 있다.
추가적으로, 네트워크부(110)는 입력 문장 및 답변 문장을 포함하는 대화 로그에 대한 검토, 또는 평가를 포함하는 피드백을 수신할 수 있다. 보다 구체적으로, 네트워크부(110) 입력 문장 및 답변 문장으로 구성된 대화 로그를 메모리(130)에 저장할 수 있다. 그리고, 네트워크부(110)는 상기 대화 로그에 관한 검토, 또는 평가 정보를 포함하는 피드백을 외부 서버(예컨대, 보험사 전산팀 서버 등)로부터 수신할 수 있다. 이에 따라, 프로세서(120)는 대화 로그 전반에 관한 검토 및 평가를 반영하여 전처리 모델(300) 및 피드백 평가 모델(400) 중 적어도 하나의 인공 신경망에서 포함하는 연결 가중치를 수정할 수 있다.
사용자 단말(200)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc), VR(Virtual Reality) 기기 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 네트워크부(110)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.
그리고, 네트워크부(110)는 근거리 통신 모듈을 포함하여, 비교적 근거리에 위치하고 근거리 통신 모듈을 포함한 전자 장치(예컨대, 외부 단말)와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.
프로세서(120)는 사용자 단말(200)로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다.
보다 구체적으로, 프로세서(120)는 사용자 단말(200)로부터 수신한 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델(300)을 통해 연산함으로써 하나 이상의 기준 질문 문장 각각에 대한 유사도를 산출할 수 있다.
본 개시의 일 실시예에 따른 전처리 모델(300)은 RNN(Recurrent Neural Network)을 이용하여 자연어 처리를 수행할 수 있다. 여기서 RNN은 하나 이상의 단어를 포함하는 문장의 데이터에 기초하여 패턴을 학습하기 위한 딥 러닝 모델을 의미할 수 있다. 즉, 프로세서(120)는 RNN에 기초하여 입력 문장을 입력 데이터, 그리고 상기 입력 문장에 대한 입력 문장 벡터를 출력 데이터로써 반복 학습할 수 있다. 이에 따라, 프로세서(120)는 네트워크부(110)를 통해 수신되는 입력 문장이 축적되고, 상기 입력 문장에 대한 입력 문장 벡터 정보가 축적될수록 보다 정확한 입력 문장의 벡터화를 수행할 수 있다.
그리고, 본 개시의 일 실시예에 따른 RNN은 LSTM(Long Short-Term Memory Units) 방식 및 GRU(Gated Recurrent Units) 방식 중 적어도 하나를 통해 연속 학습으로 인한 그라디언트 소실(Vanishing Gradient) 문제를 해결할 수 있다. 보다 구체적으로, 프로세서(120)는 기본적인 RNN 구조에 각각의 가중치를 지니고 있는 입력, 출력 및 망각 게이트를 추가하는 LSTM 방식을 사용하여 그라디언트 소실을 방지할 수 있다. 또한, 다른 일 실시예에서 프로세서(120)는 RNN 구조에 입력 및 망각 게이트만 추가적으로 포함하는 GRU 방식(예컨대, 다이나믹 GRU(Dynamic Gated Recurrent Units) 방식)으로 그라디언트 소실을 방지할 수 있다. 전술한 RNN의 구조에 대한 자세한 기재는 예시일뿐, 본 개시는 이에 제한되지 않는다.
보다 구체적으로, 프로세서(120)는 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델(300)을 통해 연산함으로써 입력 문장 벡터 형태로 환산할 수 있다. 여기서 전처리 모델(300)은 형태소 분석을 통해 입력 문장을 하나 이상의 형태소들의 집합으로 변환하기 위한 함수를 포함할 수 있다. 그리고, 전처리 모델(300)은 하나 이상의 형태소 각각을 사전 설정된 수의 차원(예컨대, 100차원)의 벡터로 환산하기 위한 함수를 포함할 수 있다. 예를 들어, 전처리 모델은 "Word2Vec"함수를 포함할 수 있다. 그리고, 전처리 모델(300)은 형태소 단위로 환산된 벡터 간의 거리를 산출하기 위한 함수하여 가중치 행렬의 형태로 산출할 수 있다. 그리고, 전처리 모델(300)은 입력 문장에 대한 가중치에 기초하여 입력 문장 자체의 벡터를 산출하기 위한 함수를 포함할 수 있다. 전술한 전처리 모델(300)에 대한 자세한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
그리고, 프로세서(120)는 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출할 수 있다. 여기서 기준 질문 문장은 사용자의 입력 문장을 분류하기 위한 카테고리 및 속성 중 적어도 하나를 대표하는 문장일 수 있다. 그리고, 기준 질문 문장은 데이터베이스, 또는 메모리(130) 상에 사전 저장될 수 있다. 그리고, 각각의 기준 질문 문장은 카테고리 및 하나 이상의 속성을 포함하고 있을 수 있다. 예를 들어, "약관 대출은 무엇인가요?"라는 기준 질문은 "약관 대출" 카테고리의 "정의"라는 속성으로 메모리(130) 상에 사전에 저장될 수 있다. 또한, "약관 대출은 무엇인가요?"라는 기준 질문 문장은 기준 질문 문장 벡터와 연관되어 저장될 수 있다. 또한, "보험" 카테고리에 대한 "문의" 속성을 가진 기준 질문 문장은 "보험에 대해 물어보고 싶어", "보험 좀 알아보고 싶습니다" 및 "보험 관련 문의드립니다"를 각각 포함할 수도 있다. 전술한 기준 질문의 자세한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 그리고, 프로세서(120)는 입력 문장과 기준 질문 문장이 포함하고 있는 하나 이상의 단어의 의미, 배열 및 각 단어 간의 관계에 기초한 분석을 수행하여 유사도를 산출할 수 있다. 프로세서(120)는 전처리 모델(300)에서 입력 문장 벡터 형태로 환산된 입력 문장과, 사전에 저장된 기준 질문 문장 벡터의 산의 유사도를 산출할 수 있다. 여기서 유사도는 문장 단위로 스코어링 된 점수 형태일 수 있다.
예를 들어, 프로세서(120)는 입력 문장 "약관 대출 문의를 하고 싶다"와 "약관 대출"카테고리의 "문의"속성에 대한 기준 질문 문장인 "약관 대출을 원합니다"의 유사도를 분석할 수 있다. 그리고, 프로세서(120)는 입력 문장과 기준 질문 문장이 포함하는 "약관" 및 "대출"이라는 단어의 일치, 그리고 "문의"와 "원합니다"의 의미 유사도에 기초하여, 입력 문장 벡터와 기준 질문 문장 벡터와의 유사도가 "80" 이라고 산출할 수 있다. 또한, 프로세서(120)는 상기 입력 문장 "약관 대출 문의를 하고 싶다"와 "보험 상품"카테고리의 "추천"속성에 대한 기준 질문 문장인 "보험 상품을 추천해줘"의 유사도를 분석할 수도 있다. 그리고, 프로세서(120)는 상기 입력 문장이 포함하는 "약관 대출"과 "문의"의 관계가 기준 질문 문장이 포함하는 "보험"과 "추천"의 관계와 일치하는 정도를 분석하여, 입력 문장 벡터와 기준 질문 문장 벡터와의 유사도가 "35"라고 산출할 수 있다. 전술한 프로세서(120)의 자세한 동작 기재와 수치는 예시일뿐, 본 개시는 이에 제한되지 않는다.
다른 예시에 있어서, 입력 문장이 "내가 든 상품에서 골절이 보장될까?"이고, "보험 상품"카테고리의 "보장 범위" 속성에 대한 제 1 기준 질문 문장이 "가입한 보험 상품의 보장 정보는?", 그리고 제 2 기준 질문 문장이 "이것도 보험금 청구할 수 있어?"일 수 있다. 이러한 경우, 프로세서(120)는 입력 문장 벡터와 제 1 및 2 기준 질문 문장 벡터와의 유사도를 각각 산출하여 제 1 및 2 유사도를 생성할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장의 "내가 든 상품" 및 "보장"과 제 1 기준 질문 문장의 "가입한 보험 상품" 및 "보장 정보"의 의미 유사도에 기초하여, 입력 문장 벡터와 제 1 기준 질문 문장 벡터의 제 1 유사도를 "95"라고 산출할 수 있다. 그리고 프로세서(120)는 입력 문장의 "가입한 상품" 및 "보장 정보"와 제 2 기준 질문 문장의 "보험금 청구"의 의미 유사도에 기초하여, 입력 문장 벡터와 제 2 기준 질문 문장 벡터의 제 2 유사도를 "61"라고 산출할 수 있다. 이에 따라, 프로세서(120)는 제 1 유사도가 제 2 유사도 보다 크다는 점에 기초하여, 이를 유사도로 정할 수 있다. 전술한 프로세서(120)의 동작은 예시일뿐, 본 개시는 이에 제한되지 않는다.
그리고, 프로세서(120)는 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 유사도가 문턱값(threshold) 이상인 경우, 기준 질문 문장에 해당하는 답변 문장을 사용자 단말(200)로 송신할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장 벡터와 하나 이상의 기준 질문 문장 벡터 간의 유사도를 각각 산출할 수 있다. 그리고, 프로세서(120)는 사전 설정된 문턱값과 상기 하나 이상의 유사도를 각각 비교할 수 있다. 이에 따라, 프로세서(120)는 유사도가 문턱값 이상인 기준 질문을 선별할 수 있다. 그리고, 프로세서(120)는 문턱값 이상의 유사도의 기준 질문 중 하나를 선정하여, 해당 기준 질문에 연결되어 저장된 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다. 여기서 프로세서(120)가 문턱값 이상의 유사도가 산출된 기준 질문 중 하나를 선정하는 방식은 실시예에 따라 최고 유사도 선정 방식 등일 수 있다.
또한, 본 개시의 일 실시예에 따른 프로세서(120)는 유사도가 문턱값 이상인 기준 질문 문장이 두 개 이상인 경우, 문턱값 대비 유사도의 초과치가 가장 큰 기준 질문 문장으로 입력 문장을 매칭할 수 있다. 예를 들어, 제 1 기준 질문 문장에 대한 유사도가 "70"이고, 제 2 기준 질문 문장에 대한 유사도가 "80"일 수 있다. 또한, 프로세서(120)가 산정한 문턱값은 "68"일 수 있다. 이러한 경우, 프로세서(120)는 제 2 기준 질문 문장의 문턱값 대비 유사도의 초과치가 제 1 기준 질문 문장보다 크다는 점에 기초하여, 입력 문장을 제 2 기준 질문 문장으로 분류할 수 있다. 전술한 프로세서(120)의 동작 및 수치는 예시일뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 프로세서(120)는 하나 이상의 기준 질문 문장에 대한 유사도와 문턱값을 비교하여, 모든 유사도가 문턱값 미만인 경우, 상기 입력 문장이 기준 질문 문장으로 분류되지 않는다고 판단할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장 벡터(또는, 추가 입력 문장)와 각각의 기준 질문 문장 벡터를 비교하여 유사도를 산출할 수 있다. 그리고, 프로세서(120)는 입력 문장 벡터와 모든 기준 질문 문장 벡터가 문턱값 미만임을 판단할 수 있다. 이에 따라, 프로세서(120)는 입력 문장이 기준 질문 문장으로 분류되지 않는다고 판단하고, 사과 메시지(예컨대, "죄송하지만 질문하신 내용은 아직 학습 중입니다")를 포함하는 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다.
예를 들어, 프로세서(120)가 사전 설정한 문턱값이 "65"이고, 네트워크부(110)가 "너는 심심이니?"라는 입력 문장을 수신할 수 있다. 이러한 경우, 프로세서(120)는 입력 문장을 입력 문장 벡터로 환산하고, 모든 기준 질문 문장 벡터와 유사도를 "14", "16", "22" 및 "20"라고 산출할 수 있다. 그리고, 프로세서(120)는 모든 유사도가 문턱값 "65" 미만인 점에 기초하여 입력 문장은 기준 질문 문장으로 분류되지 않는 다고 판단할 수 있다. 전술한 프로세서(120)의 동작은 예시일뿐, 본 개시는 이에 제한되지 않는다.
프로세서(120)는 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델(400)을 통해 연산함으로써 피드백에 대한 피드백 평가 정보를 생성할 수 있다. 여기서 피드백은 사용자의 입력 문장에 대한 답변 문장을 사용자 단말(200)로 송신한 이후, 사용자 단말(200)로부터 수신되는 입력 문장을 의미할 수 있다. 따라서, 프로세서(120)는 사용자 단말(200)로부터 입력되는 첫 입력 문장을 제외한 입력 문장, 즉, 두 번째 입력 문장부터를 피드백으로써 피드백 평가 모델(400)에 입력할 수 있다. 또한, 프로세서(120)는 두 번째 이후의 입력 문장에 대해서도 전처리 모델(300)에 입력하여 기준 질문 문장과의 유사도 산출, 답변 문장 송신 등의 동작을 동일하게 수행할 수 있다. 또한, 피드백 평가 정보는 사용자에게 송신한 답변 문장에 대한 사용자의 반응을 평가한 감성 평가 점수를 포함할 수 있다.
프로세서(120)는 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 피드백 평가 모델(400)에 입력하여 사용자의 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 감성 평가 점수를 출력할 수 있다. 보다 구체적으로, 프로세서(120)는 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델(400)을 통해 연산함으로써 감성 평가 점수를 출력할 수 있다. 여기서 피드백 평가 모델(400)은 피드백이 포함하는 언어적 정보(문자 등)를 형태소 분석을 통해 하나 이상의 형태소들의 집합으로 변환하기 위한 함수를 포함할 수 있다. 그리고, 피드백 평가 모델(400)은 하나 이상의 형태소 각각을 감정의 종류를 나타내기 위한 벡터로 환산하기 위한 함수를 포함할 수 있다. 그리고, 피드백 평가 모델(400)은 형태소 단위로 환산된 벡터 간의 거리를 산출하여 가중치 행렬의 형태로 산출할 수 있다. 그리고, 피드백 평가 모델(400)은 가중치에 기초하여 피드백을 긍정과 부정으로 구성되는 1차원 값으로 평가하기 위한 감성 평가 점수를 산출할 수 있다. 예컨대, 프로세서(120)는 피드백 평가 모델(400)에 "아 이건 별론데"라는 피드백을 입력함으로써, "짜증"이라는 감정에 인접한 벡터값으로 환산할 수 있다. 그리고, 프로세서(120)는 상기 벡터값에 기초하여 "-2"라는 감정 평가 점수를 산출할 수 있다. 전술한 피드백 평가 모델(400)에 대한 자세한 기재 및 수치 한정은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(120)는 피드백에 포함된 비언어적 정보를 피드백 평가 모델(400)에 입력하여 사용자의 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 감성 평가 점수를 출력할 수 있다. 프로세서(120)는 피드백이 포함하는 단어의 의미, 또는 둘 이상의 단어 간의 관계에 기초하여 단어 중 의미가 없다고 판단되는 단어를 삭제하거나, 또는 단어 중 일부를 변경하여 피드백을 의미 단위로 구성할 수 있다.
보다 구체적으로, 프로세서(120)는 피드백이 포함하는 단어 중 의미가 없다고 판단되는 단어를 삭제할 수 있다. 예를 들어, 프로세서(120)는 사전 설정된 횟수 이상 연속적으로 반복되는 단어, 또는 "ㅋ", "ㅎ" 및 "예예예예예예"등 사전 설정된 무의미 단어 목록이 포함하는 단어를 피드백에서 삭제할 수 있다. 그리고, 프로세서(120)는 삭제 뒤에 피드백 상에 단어가 남지 않을 경우, "-1"의 감성 평가 점수를 포함하는 피드백 평가 점수를 생성할 수 있다. 전술한 프로세서(120)의 피드백 평가 동작은 예시일뿐, 본 개시는 이에 제한되지 않는다.
여기서 피드백 평가 모델(400)은 하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성될 수 있다.
본 개시의 일 실시예에 따른 피드백 평가 모델(400)은 학습 데이터를 포함하는 학습 데이터 세트를 통해 학습되어 생성될 수 있다. 보다 구체적으로, 프로세서(120)는 네트워크부(110)를 이용하여 학습 데이터 세트를 획득할 수 있다. 학습 데이터 세트는 전체 사용자의 학습 피드백 데이터 및 학습 감성 평가 점수를 포함할 수 있다. 학습 피드백 데이터는 모든 사용자의 채팅 상담 로그를 포함하는 데이터일 수 있다. 또한, 학습 피드백 데이터는 각각의 항목 값을 가지는 하나 이상의 항목을 포함할 수 있다. 또한, 학습 감성 평가 점수는 학습 채팅 상담 로그에 포함되는 각각의 피드백에 대해 입력된 감성 평가 점수일 수 있다. 예를 들어, 학습 채팅 상담 로그는 100개의 피드백을 포함하는 채팅일 수 있다. 그리고, 학습 감성 평가 점수는 100개의 피드백 각각에 채점된 감성 평가 점수 일 수 있다. 여기서 학습 감성 평가 점수는 외부의 컴퓨팅 장치(예컨대, 전문 상담사)로부터 입력될 수 있다.
프로세서(120)는 학습 데이터 세트에 포함된 사용자의 학습 피드백 데이터에 상기 학습 감성 평가 점수를 라벨링하여 학습 데이터를 생성할 수 있다. 프로세서(120)는 사용자의 학습 피드백 데이터를 학습 데이터의 입력으로 하고, 학습 감성 평가 점수를 학습 데이터의 라벨로 하여 학습 데이터를 생성할 수 있다. 예를 들어, 사용자의 학습 피드백 데이터가 "오호 이거 잘 인식하네"를 학습 데이터의 입력으로 하고, 상기 피드백에 대해서 입력된 학습 감성 평가 점수 "+2"를 학습 데이터의 라벨로 하여 학습 데이터를 생성할 수 있다. 전술한 학습 데이터의 생성에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
프로세서(120)는 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델(400)을 생성할 수 있다. 프로세서(120) 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하는 하나 이상의 네트워크 함수로 이루어진 피드백 평가 모델(400)을 생성할 수 있다. 프로세서(120)는 하나 이상의 입력 노드를 포함하는 입력 레이어로 구성된 네트워크 함수를 생성할 수 있다. 프로세서(120)는 네트워크 함수에 포함된 히든 레이어는 하나 이상의 히든 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(120)는 네트워크 함수에 포함된 출력 레이어는 하나 이상의 출력 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(120)는 네트워크 함수의 레이어에 포함된 각각의 노드는 다른 레이어의 하나 이상의 노드와 링크를 통해 각각 연결되도록 생성할 수 있다. 각각의 링크에는 각각의 가중치가 설정될 수 있다.
프로세서(120)는 피드백 평가 모델(400)의 입력으로 학습 데이터의 학습 피드백 데이터를 입력할 수 있다. 프로세서(120)는 피드백 평가 모델(400)의 입력 레이어에 포함된 하나 이상의 입력 노드에 학습 피드백 데이터를 입력할 수 있다. 학습 피드백 데이터는 하나 이상의 항목을 포함할 수 있다. 학습 피드백 데이터는 모든 사용자의 채팅 상담 로그를 포함하는 데이터를 의미할 수 있다. 프로세서(120)는 피드백 평가 모델(400)의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 학습 피드백 데이터의 항목들을 각각 입력할 수 있다.
프로세서(120)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 피드백 평가 모델(400)을 생성할 수 있다. 레이어는 하나 이상의 노드를 포함할 수 있다. 노드는 다른 노드와 링크를 통해 연결될 수 있다. 프로세서(120)는 피드백 평가 모델(400)의 입력 레이어의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 히든 레이어로 전파할 수 있다. 연산은 임의의 수학적 연산을 포함할 수 있다. 예를 들어, 연산은 곱 또는 합성 곱일 수 있으나, 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(120)는 피드백 평가 모델(400)의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 하나 이상의 히든 레이어를 거쳐 출력 레이어로 전파할 수 있다. 프로세서(120)는 피드백 평가 모델(400)의 출력 레이어로 전파된 값에 기초하여 감성 평가 점수를 생성할 수 있다.
프로세서(120)는 피드백 평가 모델(400)의 제 1 노드의 제 1 노드 값을, 상기 제 1 노드와 연결된 이전 레이어에 포함된 제 2 노드의 제 2 노드 값과 상기 이전 레이어에 포함된 제 2 노드와 상기 제 1 노드를 연결하는 링크에 설정된 링크의 제 1 링크 가중치로 연산하여 도출할 수 있다. 프로세서(120)는 피드백 평가 모델(400)의 제 1 노드의 제 1 노드 값을, 제 1 노드와 연결된 다음 레이어에 포함된 제 3 노드를 연결하는 링크에 설정된 제 2 링크 가중치로 연산하여 제 3 노드에 전파할 수 있다.
프로세서(120)는 피드백 평가 모델(400)을 생성하기 위하여 학습 데이터의 학습 피드백 데이터에 포함된 항목의 항목 값 각각을 피드백 평가 모델(400)의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 피드백 평가 모델(400)의 출력 레이어에서 연산한 감성 평가 점수(즉, 출력값)와 학습 감성 평가 점수(즉, 정답)을 비교하여 오차를 계산할 수 있다. 프로세서(120)는 오차에 기초하여 피드백 평가 모델(400)의 가중치를 조정할 수 있다. 프로세서(120)는 상기 오차에 기초하여 피드백 평가 모델(400)의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다. 또한, 프로세서(120)는 피드백 평가 모델(400)을 생성하는데 있어, 과적합(overfitting)을 방지하기 위하여 히든 노드의 출력 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃을 설정할 수 있다.
학습 에폭(epoch)은, 학습 데이터 세트에 포함된 모든 학습 데이터에 관하여 학습 피드백 데이터를 피드백 평가 모델(400)의 하나 이상의 네트워크 함수의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 입력하고, 학습 피드백 데이터에 라벨링 된 학습 감성 평가 점수(즉, 정답)와 피드백 평가 모델(400)의 감성 평가 점수(즉, 출력값)을 비교하여 오차를 도출하고, 상기 도출된 오차를 피드백 평가 모델(400)의 하나 이상의 네트워크 함수의 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트하는 동작일 수 있다. 즉, 학습 데이터 세트에 포함된 모든 학습 데이터에 대하여 피드백 평가 모델(400)을 이용한 연산과 피드백 평가 모델(400)에 대한 가중치 업데이트 과정을 수행한 경우 1 에폭일 수 있다.
프로세서(120)는 피드백 평가 모델(400)을 생성하는데 있어, 상기 피드백 평가 모델(400)을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이하인 경우, 상기 피드백 평가 모델(400)의 학습률을 사전 결정된 수치 이상으로 설정할 수 있다. 프로세서(120)는 피드백 평가 모델(400)을 생성하는데 있어, 상기 피드백 평가 모델(400)을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이상인 경우, 상기 피드백 평가 모델(400)의 학습률을 사전 결정된 수치 이하로 설정할 수 있다. 상기 학습률은, 가중치의 업데이트 정도를 의미할 수 있다. 예를 들어, 학습 초반에는 학습률을 빠르게 하여(즉, 가중치의 업데이트 정도를 큰 폭으로 하여), 학습 데이터(정답으로 라벨링 된 학습 경험 서비스)와 출력 데이터(모델에서 출력되는 경험 서비스)가 동일한 값에 수렴하도록 할 수 있다. 예를 들어, 학습 후반에는 학습률을 낮게 하여(즉, 가중치의 업데이트 정도를 작은 폭으로 하여), 학습 데이터와 출력 데이터의 오차를 줄이도록(즉, 정확성을 높이도록)할 수 있다. 전술한 학습률에 대한 개시는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
프로세서(120)는 피드백 평가 모델(400)의 학습을 사전결정된 에폭 이상 수행한 후, 검증 데이터 세트를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 프로세서(120)는 학습 데이터 세트의 일부를 검증 데이터 세트로 할 수 있다. 검증 데이터는 학습 데이터에 대응되는 데이터로, 학습의 중단 여부를 결정하기 위한 데이터일 수 있다. 프로세서(120)는 피드백 평가 모델(400)의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 피드백 평가 모델(400)의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 프로세서(120)는 100만개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10만회인 학습을 수행하는 경우, 사전결정된 에폭인 10000회의 반복 학습을 수행한 후, 1000개의 검증 데이터를 이용하여 10회의 반복 학습(즉, 10 에폭)을 수행하여, 10회의 반복 학습 동안 신경망 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 신경망의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 학습 데이터 세트 중 적어도 일부를 테스트 데이터 세트로 할 수 있다. 테스트 데이터는 학습 데이터에 대응되는 데이터로, 모델의 학습이 완료된 이후 성능을 검증하기 위해 이용되는 데이터일 수 있다. 프로세서(120)는 하나 이상의 피드백 데이터 및 상기 피드백 데이터에 라벨링된 감성 평가 점수를 테스트 데이터 세트로 할 수 있다. 프로세서(120)는 테스트 데이터 세트에 포함된 피드백 데이터를 피드백 평가 모델(400)에 입력하고 상기 피드백 평가 모델(400)에서 출력된 출력과 상기 라벨링된 감성 평가 점수를 비교하여 상기 테스트 데이터 세트에 대한 상기 피드백 평가 모델(400)의 정답률을 판단할 수 있다. 프로세서(120)는 테스트 데이터에 포함된 학습 피드백 데이터를 상기 피드백 평가 모델(400)에 입력하고, 상기 피드백 평가 모델(400)에서 출력된 감성 평가 점수(즉, 출력값)와 상기 테스트 데이터에 포함된 상기 학습 감성 평가 점수(즉, 정답)를 각각 비교하여, 오차가 사전 결정된 값 이하인 경우, 상기 피드백 평가 모델(400)의 활성화를 결정할 수 있다. 프로세서(120)는 피드백 평가 모델(400)에서 출력된 감성 평가 점수(즉, 출력값)와 상기 테스트 데이터에 포함된 상기 학습 감성 평가 점수(즉, 정답) 를 각각 비교하여 상기 오차가 사전 결정된 값 이상인 경우, 상기 피드백 평가 모델(400)의 학습을 사전 결정된 에폭 이상 더 수행하거나 상기 피드백 평가 모델(400)을 비활성화할 수 있다. 프로세서(120)는 상기 피드백 평가 모델(400)을 비활성화하는 경우, 상기 피드백 평가 모델(400)을 폐기할 수 있다. 프로세서(120)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 피드백 평가 모델(400)의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(120)는 각각의 피드백 평가 모델(400)에 포함되는 하나 이상의 네트워크 함수들을 독립적으로 학습시켜 복수의 피드백 평가 모델(400)을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 피드백의 감성 평가를 위해 사용할 수 있다. 전술한 바와 같이 프로세서(120)는 교사 학습 방식으로 생성된 피드백 평가 모델(400)을 이용하여 피드백 마다 포함되는 감성 평가 점수를 산출할 수 있다.
본 개시의 일 실시예에 따른 프로세서(120)는 피드백 평가 정보에 기초하여 문턱값을 보정할 수 있다. 보다 구체적으로, 프로세서(120)는 하나 이상의 답변 문장에 대하여 수신된 하나 이상의 피드백을 수신할 수 있다. 프로세서(120)는 하나 이상의 피드백을 피드백 평가 모델(400)에 입력함으로써, 하나 이상의 피드백 평가 정보를 생성할 수 있다. 그리고, 프로세서(120)는 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 문턱값을 상향 조정할 수 있다. 프로세서(120)는 피드백 평가 정보가 포함하는 감성 평가 점수에 기초하여 문턱값을 보정할 수 있다. 여기서 감성 평가 점수는 1차원적인 수치(예컨대, -1, +2.99 등)의 형식이거나, 또는 Yes/No의 형식으로 구성될 수 있다. 그리고, 프로세서(120)는 상기 감성 평가 점수가 음수이거나, 부정을 의미하는 No 및 Off인 경우, 문턱값을 상향할 수 있다.
예를 들어, 네트워크부(110)는 사용자 단말(200)로 답변 문장을 송신하고, 사용자 단말(200)로부터 "이해를 못해?"라는 피드백을 수신할 수 있다. 그리고, 프로세서(120)는 상기 피드백을 피드백 평가 모델(400)에 입력함으로써, "-3"이라는 감성 평가 점수를 출력할 수 있다. 그리고, 프로세서(0는 상기 피드백에 대한 감성 평가 점수가 음수라는 것에 기초하여 기존의 문턱값 "80"을 "95"로 상향 조정할 수 있다. 그리고, 프로세서(120)는 유사한 입력 문장이 재 수신되는 경우, 기존에 제공된 답변 문장을 제외한 다른 답변 문장이 송신되도록 할 수 있다. 전술한 피드백 평가 모델(400)의 구조 및 동작의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 프로세서(120)는 하나 이상의 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우, 또는, 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 문턱값을 상향 조정할 수 있다. 보다 구체적으로, 네트워크부(110)는 하나의 사용자 단말(200)로부터 하나 이상의 피드백을 수신할 수 있다. 그리고 프로세서(120)는 각각의 피드백을 피드백 평가 모델(400)에 입력함으로써 각각의 피드백에 대한 피드백 평가 정보를 산출할 수 있다. 그리고, 프로세서(120)는 모든 피드백 평가 정보 중 부정적인 결과(예컨대, 음수의 감성 평가 점수)를 포함하는 피드백 평가 정보의 비율을 산출할 수 있다. 예를 들어, 프로세서(120)는 피드백 100개에 대한 100개의 피드백 평가 정보를 출력할 수 있다. 그리고, 피드백 평가 정보 중 부정적인 감성 평가 점수를 포함하는 80개의 피드백 평가 정보에 기초하여 문턱값을 상향 조정할 수 있다. 또한, 프로세서(120)는 연속되어 입력되는 피드백에 대한 피드백 평가 정보가 사전 설정된 횟수 이상 부정적인 결과를 포함하는 것을 반영하여 문턱값을 보정할 수 있다. 예를 들어, 프로세서(120)는 부정적인 감성 평가 점수를 포함하는 피드백 평가 정보가 3개 출력되는 경우, 해당 사용자 단말(200)에 대한 문턱값을 상향 조정할 수 있다. 또한, 프로세서(120)는 하나 이상의 피드백 평가 정보를 합산한 누적 피드백 평가 점수를 산출하고, 이에 기초하여 문턱값을 보정할 수 있다. 예를 들어, 프로세서(120)는 피드백 5개에 대한 5개의 피드백 평가 정보를 출력할 수 있다. 그리고, 프로세서(120)는 피드백 평가 정보가 포함하는 감성 평가 점수 5개를 모두 합산하여 "-1"의 감성 평가 점수를 포함하는 누적 피드백 평가 정보를 출력할 수 있다. 그리고, 프로세서(120)는 "-1"이라는 감성 평가 점수에 기초하여 문턱값을 상향할 수 있다. 전술한 문턱값의 보정 동작에 대한 자세한 기재 및 수치 한정은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 본 개시의 일 실시예에 따른 프로세서(120)는 입력 문장과 기준 문장에 대해 산출된 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다. 예를 들어, 프로세서(120)는 입력 문장 A 벡터와 기준 질문 문장 A 벡터와의 유사도를 "75"로 산출할 수 있다. 그리고, 프로세서(120)는 문턱값 "60"과 기준 질문 문장 A의 유사도 "75"를 비교하여, 답변 문장 A를 사용자 단말(200)로 송신할 것을 결정할 수 있다. 그리고, 프로세서(120)는 사용자 단말(200)로부터 답변 문장 A에 대한 부정적인 피드백을 수신할 수 있다. 이러한 경우, 프로세서(120)는 부정적인 피드백 평가 정보에 기초하여 문턱값을 "75"로 상향시킬 수 있다. 전술한 유사도와 문턱값의 수치 한정은 예시일 뿐, 본 개시는 이에 제한되지 않는다. 이에 따라, 프로세서(120)는 이후에 동일한 입력 문장 A가 입력되더라도 사용자 단말(200)에게 답변 문장 A가 송신되는 결과를 방지할 수 있다.
그리고, 프로세서(120)는 유사도 및 보정된 문턱값에 기초하여 답변 문장과 상이한 비상 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장 A에 대하여 결정된 답변 문장 A를 사용자 단말(200)로 송신할 수 있다. 그리고, 프로세서(120)는 답변 문장 A에 대하여 피드백을 수신하고, 상기 피드백을 피드백 평가 모델(400)에 입력함으로써 부정적인 결과를 포함하는 피드백 평가 정보를 출력할 수 있다. 이에 따라, 프로세서(120)는 문턱값을 상향할 것을 결정할 수 있다. 그리고, 프로세서(120)는 사용자 단말(200)로부터 수신되는 입력 문장과 기준 질문 문장과의 유사도가 문턱값 미만인 경우, 비상 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다. 여기서 비상 답변 문장은 답변 문장 A와 상이한 답변 문장일 수 있다. 또한 비상 답변 문장은 답변 문장으로 인한 사용자의 부정적인 감성을 해소시키기 위한 문장일 수 있다. 예컨대, 비상 답변 문장은 "죄송하지만 질문하신 내용은 아직 학습 중입니다." 또는 "죄송합니다. 앞으로 발전하는 모습 보여드리도록 하겠습니다" 등일 수 있으나, 본 개시는 이에 제한되지 않는다.
추가적으로, 프로세서(120)는 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 문턱값 이상인 경우, 기준 질문 문장에 해당하는 답변 문장을 사용자 단말(200)로 송신할 수 있다. 프로세서(120)는 입력 문장 A에 대하여 결정된 답변 문장 A를 사용자 단말(200)로 송신할 수 있다. 그리고, 프로세서(120)는 답변 문장 A에 대하여 피드백을 수신하고, 상기 피드백을 피드백 평가 모델(400)에 입력함으로써 부정적인 결과를 포함하는 피드백 평가 정보를 출력할 수 있다. 이에 따라, 프로세서(120)는 문턱값을 상향할 것을 결정할 수 있다. 그리고, 프로세서(120)는 사용자 단말(200)로부터 수신한 입력 문장 B와 기준 질문 문장 A의 유사도가 보정된 문턱값 이상인 경우, 기준 질문 문장 A와 대응되어 저장된 답변 문장 A를 사용자 단말(200)로 송신할 것을 결정할 수 있다. 이에 따라, 프로세서(120)는 사용자가 부정적인 피드백 이후, 정확한 단어를 통해 입력한 입력 문장에 대해서 신뢰도 높은 답변 문장을 제공할 수 있다.
본 개시의 일 실시예에 따른 프로세서(120)는 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 답변 문장에 대한 사과 메시지를 포함하는 비상 답변 문장을 사용자 단말(200)로 송신할 수 있다. 예를 들어, 프로세서(120)는 3회 수신한 피드백에 대한 누적 감성 평가 점수가 최하점인 "-3"에 해당하는 경우, 사용자 단말(200)로 "죄송합니다만 보다 정확한 상담을 위해 열심히 학습하겠습니다"라는 사과 메시지를 포함하는 비상 답변 문장을 송신할 것을 결정할 수 있다. 전술한 사과 메시지 및 비상 답변 문장의 기재는 예시일 뿐, 본 개시의 실시예에 따른 사과 메시지는 사용자의 부정적인 감성을 해소시키기 위한 메시지를 의미할 수 있다.
또한, 프로세서(120)는 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 전문 상담자에게 사용자 단말(200)에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 비상 답변 문장을 사용자 단말(200)로 송신할 수 있다. 예를 들어, 프로세서(120)는 사용자 단말(200)로 "지금부터는 사용자님에 대한 보다 정확한 상담을 위하여 전화 상담원이 연결됩니다" 또는 "전화 상담원이 바로 연락 드리겠습니다" 라는 안내 메시지를 포함하는 비상 답변 문장을 송신할 것을 결정할 수 있다. 추가적으로, 프로세서(120)는 외부의 컴퓨팅 장치(예컨대, 전문 상담사)로 상기 사용자 단말(200)에 대한 채팅 상담의 대리를 요청할 수 있다. 또는, 프로세서(120)가 외부의 컴퓨팅 장치로 상기 사용자 단말(200)로 상담 전화가 필요함을 안내할 수 있다.
추가적으로, 프로세서(120)는 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 사용자 단말(200)로 송신할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장을 전처리 모델(300)에 입력함으로써 입력 문장 벡터로 변환할 수 있다. 그리고, 메모리(130)는 각각의 기준 질문 문장에 대한 기준 질문 문장 벡터를 저장할 수 있고, 기준 질문 문장은 카테고리 및 속성을 포함할 수 있다. 이에 따라, 프로세서(120)는 입력 문장 벡터와 각각의 기준 질문 문장 벡터의 유사도를 판단하여 가장 높은 유사도가 산출되는 기준 질문 문장을 선별할 수 있다. 프로세서(120)는 입력 문장 중 “불평불만” 카테고리에 포함되는 기준 질문으로 분류되는 입력 문장을 파악할 수 있다. 그리고, 상기 입력 문장에 대한 답변 문장을 송신하고, 그 이후 사용자 단말(200)로부터 수신된 피드백을 피드백 평가 모델(400)에 입력함으로써 피드백 평가 정보를 산출할 수 있다. 그리고, 여기서 피드백 평가 정보가 부정적인 결과(예컨대, 음수의 감성 평가 점수)를 포함하는 경우, 블랙리스트 전용 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다. 여기서 블랙리스트 전용 답변 문장은 사용자 단말(200)로부터 지속적으로 부정적인 입력(예컨대, 욕설, 비하, 비방 등)을 수신하는 경우, 사용자를 진정시키거나, 직접적인 충동을 회피하기 위한 답변 문장일 수 있다. 예를 들어, 프로세서(120)는 사용자 단말(200)로 "불평불만"카테고리 및 "대응"속성의 기준 질문 문장에 기초하여 "어떤게 불편하셨나요?"라는 답변 문장을 송신할 수 있다. 그리고, 프로세서(120)는 사용자 단말(200)로부터 "너는 할 줄 아는게 뭐니?", "바보" 및 "사용자 평가 최하로 매길거야!" 등의 부정적인 피드백을 연속적으로 수신할 수 있다. 이에 따라, 프로세서(120)는 사용자 단말(200)에게 블랙리스트 전용 답변 문장 "진정하시구 상담 받고 싶으신 내용을 한번만 다시 입력해주세요", "그런 말을 하시면 저는 속상해요ㅠㅜ", 또는 "담당자가 바로 전화 드리겠습니다"를 송신할 것을 결정할 수 있다. 전술한 블랙리스트 전용 답변 문장의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(120)는 사용자 단말(200)로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 사용자 단말(200)로 송신할 수 있다. 보다 구체적으로, 프로세서(120)는 사용자 단말(200)로부터 사용자 식별정보를 수신할 수 있다. 그리고, 프로세서(120)는 블랙리스트 목록에 저장된 블랙리스트 식별정보와 상기 사용자 식별정보를 비교하여 사용자 단말(200)을 사용하는 사용자가 블랙리스트인지 여부를 판단할 수 있다. 그리고, 프로세서(120)는 사용자 식별정보와 블랙리스트 식별정보가 일치하고, 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 사용자 단말(200)로 송신할 수 있다. 이에 따라, 프로세서(120)는 한 번의 부정적인 결과를 포함하는 피드백 평가 정보로도 블랙리스트 전용 답변을 제공함으로써, 블랙리스트에 포함된 사용자가 여러 번의 피드백 과정에서 감정적으로 격해지는 것을 방지할 수 있다. 추가적으로, 프로세서(120)는 상기 사용자 단말(200)에 대한 문턱값을 상향 조정하거나, 또는 외부 컴퓨팅 장치(예컨대, 전문 상담가, 또는 블랙리스크 전담팀 등)으로 상담의 대리를 요청할 수 있다.
메모리(130)는 본 개시의 일 실시예에 따른 사용자의 부정적인 피드백에 대응하기 위한 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.
본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 입력 문장, 답변 문장, 피드백, 사용자 단말의 식별정보 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.
이에 따라, 본 개시의 일 실시예에 따른 사용자의 부정적인 피드백 대응 방법은 제공된 답변 문장에 대해서 부정적인 감성을 포함하는 피드백을 수신할 때, 사용자에게 보다 상향된 문턱값을 적용함으로써, 이후에 입력되는 문장에 대해서 높은 기준으로 답변 문장을 제공할 수 있다. 즉, 사용자가 원하는 답변 문장이 확실한 경우에 사용자 단말(200)로 답변 문장을 제공할 수 있어 사용자의 부정적인 감정을 해소하도록 유도할 수 있다. 또한, 제공된 답변 문장과 상이한 비상 답변 문장을 통해 사용자가 챗봇이 아닌 상담자와 채팅을 수행하고 있다고 느낄 수 있어 만족도가 향상될 수 있다.
도 2는 본 개시의 일 실시예에 따른 서버와 사용자 단말 간의 흐름도를 도시한다.
네트워크부(110)는 사용자 단말(200)로부터 하나 이상의 단어를 포함하는 입력 문장(201)을 수신할 수 있다. 여기서 입력 문장은 컴퓨팅 장치(100)가 사용자 단말(200)로부터 수신하는 첫 문장을 포함할 수 있다. 또한, 상기 입력 문장은 컴퓨팅 장치(100)가 사용자 단말(200)에 대해 임의의 동작을 수행하기 전까지 수신되는 하나 이상의 문장일 수 있다. 예를 들어, 네트워크부(110)는 사용자 단말(200)을 통해 수신되는 첫 입력 문장으로 "안녕 챗봇아"를 수신할 수 있고, 이후 "보험 상담을 하고 싶어"라는 두번째 입력 문장을 수신할 수 있다. 여기서 컴퓨팅 장치(100)가 상기 첫 입력 문장 및 두번째 입력 문장에 대한 답변, 또는 결과값 출력 동작을 수행하지 않은 경우, 상기 첫 입력 문장 및 두번째 입력 문장을 하나의 입력 문장으로 판단할 수 있다. 전술한 입력 문장의 자세한 기재는 예시일뿐, 본 개시는 이에 제한되지 않는다.
프로세서(120)는 사용자 단말(200)로부터 수신한 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델(300)을 통해 연산함으로써 하나 이상의 기준 질문 문장 각각에 대한 유사도를 산출할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델(300)을 통해 연산함으로써 입력 문장 벡터 형태로 환산할 수 있다. 여기서 전처리 모델(300)은 형태소 분석을 통해 입력 문장을 하나 이상의 형태소들의 집합으로 변환하기 위한 함수를 포함할 수 있다. 그리고, 전처리 모델(300)은 하나 이상의 형태소 각각을 사전 설정된 수의 차원(예컨대, 100차원)의 벡터로 환산하기 위한 함수를 포함할 수 있다. 예를 들어, 전처리 모델은 "Word2Vec"함수를 포함할 수 있다. 그리고, 전처리 모델(300)은 형태소 단위로 환산된 벡터 간의 거리를 산출하기 위한 함수하여 가중치 행렬의 형태로 산출할 수 있다. 그리고, 전처리 모델(300)은 입력 문장에 대한 가중치에 기초하여 입력 문장 자체의 벡터를 산출하기 위한 함수를 포함할 수 있다. 전술한 전처리 모델(300)에 대한 자세한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 그리고, 프로세서(120)는 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출할 수 있다. 여기서 기준 질문 문장은 사용자의 입력 문장을 분류하기 위한 카테고리 및 속성 중 적어도 하나를 대표하는 문장일 수 있다. 그리고, 기준 질문 문장은 데이터베이스, 또는 메모리(130) 상에 사전 저장될 수 있다. 그리고, 각각의 기준 질문 문장은 카테고리 및 하나 이상의 속성을 포함하고 있을 수 있다.
그리고, 프로세서(120)는 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 유사도가 문턱값(threshold) 이상인 경우, 기준 질문 문장에 해당하는 답변 문장(101)을 사용자 단말(200)로 송신할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장 벡터와 하나 이상의 기준 질문 문장 벡터 간의 유사도를 각각 산출할 수 있다. 그리고, 프로세서(120)는 사전 설정된 문턱값과 상기 하나 이상의 유사도를 각각 비교할 수 있다. 이에 따라, 프로세서(120)는 유사도가 문턱값 이상인 기준 질문을 선별할 수 있다. 그리고, 프로세서(120)는 문턱값 이상의 유사도의 기준 질문 중 하나를 선정하여, 해당 기준 질문에 연결되어 저장된 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다. 여기서 프로세서(120)가 문턱값 이상의 유사도가 산출된 기준 질문 중 하나를 선정하는 방식은 실시예에 따라 최고 유사도 선정 방식 등일 수 있다.
본 개시의 일 실시예에 따른 프로세서(120)는 하나 이상의 기준 질문 문장에 대한 유사도와 문턱값을 비교하여, 모든 유사도가 문턱값 미만인 경우, 상기 입력 문장이 기준 질문 문장으로 분류되지 않는다고 판단할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장 벡터(또는, 추가 입력 문장)와 각각의 기준 질문 문장 벡터를 비교하여 유사도를 산출할 수 있다. 그리고, 프로세서(120)는 입력 문장 벡터와 모든 기준 질문 문장 벡터가 문턱값 미만임을 판단할 수 있다. 이에 따라, 프로세서(120)는 입력 문장이 기준 질문 문장으로 분류되지 않는다고 판단하고, 사과 메시지(예컨대, "죄송하지만 질문하신 내용은 아직 학습 중입니다")를 포함하는 답변 문장(102)을 사용자 단말(200)로 송신할 것을 결정할 수 있다.
또한, 네트워크부(110)는 사용자 단말(200)로부터 답변 문장에 대한 피드백(202)을 수신할 수 있다. 추가적으로, 네트워크부(110)는 서브 그룹 컴퓨팅 장치(미도시)로부터 송신된 답변 문장에 대한 피드백을 수신할 수 있다. 여기서 서브 그룹 컴퓨팅 장치(미도시)는 금융사 컴퓨팅 장치 그룹이 포함하는 하나 이상의 서브 그룹으로, 업무별로 분류되어 구성될 수 있다.
보다 구체적으로, 네트워크부(110)는 답변 문장을 송신한 후, 사용자 단말(200)로부터 답변 문장에 대한 피드백(예켠대, "그 뜻이 아닌데", "그거 말고" 등)을 수신할 수 있다. 그리고, 네트워크부(110)는 답변 문장을 송신한 후, 서브 그룹 컴퓨팅 장치(미도시)로부터 입력 문장과 기준 질문 간의 유사도 판단 및 입력 문장에 대한 답변 문장의 적절성과 관련된 긍정적/부정적 피드백(예컨대, "유사", "전혀 다름" 등)을 수신할 수 있다. 여기서 답변 문장은 입력 문장에 대응하기 위하여 프로세서(120)에서 생성되거나, 또는 메모리(130) 상에 저장된 답변일 수 있다.
프로세서(120)는 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델(400)을 통해 연산함으로써 피드백에 대한 피드백 평가 정보를 생성할 수 있다. 여기서 피드백은 사용자의 입력 문장에 대한 답변 문장을 사용자 단말(200)로 송신한 이후, 사용자 단말(200)로부터 수신되는 입력 문장을 의미할 수 있다. 따라서, 프로세서(120)는 사용자 단말(200)로부터 입력되는 첫 입력 문장을 제외한 입력 문장, 즉, 두 번째 입력 문장부터를 피드백으로써 피드백 평가 모델(400)에 입력할 수 있다. 또한, 프로세서(120)는 두 번째 이후의 입력 문장에 대해서도 전처리 모델(300)에 입력하여 기준 질문 문장과의 유사도 산출, 답변 문장 송신 등의 동작을 동일하게 수행할 수 있다. 또한, 피드백 평가 정보는 사용자에게 송신한 답변 문장에 대한 사용자의 반응을 평가한 감성 평가 점수를 포함할 수 있다.
프로세서(120)는 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 피드백 평가 모델(400)에 입력하여 사용자의 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 감성 평가 점수를 출력할 수 있다. 보다 구체적으로, 프로세서(120)는 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델(400)을 통해 연산함으로써 감성 평가 점수를 출력할 수 있다. 여기서 피드백 평가 모델(400)은 피드백이 포함하는 언어적 정보(문자 등)를 형태소 분석을 통해 하나 이상의 형태소들의 집합으로 변환하기 위한 함수를 포함할 수 있다. 그리고, 피드백 평가 모델(400)은 하나 이상의 형태소 각각을 감정의 종류를 나타내기 위한 벡터로 환산하기 위한 함수를 포함할 수 있다. 그리고, 피드백 평가 모델(400)은 형태소 단위로 환산된 벡터 간의 거리를 산출하여 가중치 행렬의 형태로 산출할 수 있다. 그리고, 피드백 평가 모델(400)은 가중치에 기초하여 피드백을 긍정과 부정으로 구성되는 1차원 값으로 평가하기 위한 감성 평가 점수를 산출할 수 있다. 예컨대, 프로세서(120)는 피드백 평가 모델(400)에 "아 이건 별론데"라는 피드백을 입력함으로써, "짜증"이라는 감정에 인접한 벡터값으로 환산할 수 있다. 그리고, 프로세서(120)는 상기 벡터값에 기초하여 "-2"라는 감정 평가 점수를 산출할 수 있다. 전술한 피드백 평가 모델(400)에 대한 자세한 기재 및 수치 한정은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(120)는 피드백에 포함된 비언어적 정보를 피드백 평가 모델(400)에 입력하여 사용자의 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 감성 평가 점수를 출력할 수 있다. 프로세서(120)는 피드백이 포함하는 단어의 의미, 또는 둘 이상의 단어 간의 관계에 기초하여 단어 중 의미가 없다고 판단되는 단어를 삭제하거나, 또는 단어 중 일부를 변경하여 피드백을 의미 단위로 구성할 수 있다.
본 개시의 일 실시예에 따른 프로세서(120)는 피드백 평가 정보(401)에 기초하여 문턱값을 보정할 수 있다. 보다 구체적으로, 프로세서(120)는 하나 이상의 답변 문장에 대하여 수신된 하나 이상의 피드백을 수신할 수 있다. 프로세서(120)는 하나 이상의 피드백을 피드백 평가 모델(400)에 입력함으로써, 하나 이상의 피드백 평가 정보를 생성할 수 있다. 그리고, 프로세서(120)는 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 문턱값을 상향 조정할 수 있다. 프로세서(120)는 피드백 평가 정보가 포함하는 감성 평가 점수에 기초하여 문턱값을 보정할 수 있다. 여기서 감성 평가 점수는 1차원적인 수치(예컨대, -1, +2.99 등)의 형식이거나, 또는 Yes/No의 형식으로 구성될 수 있다. 그리고, 프로세서(120)는 상기 감성 평가 점수가 음수이거나, 부정을 의미하는 No 및 Off인 경우, 문턱값을 상향할 수 있다.
도 3은 본 개시의 일 실시예에 따른 피드백 수신 이후의 서버와 사용자 단말 간의 흐름도를 도시한다.
네트워크부(110)는 사용자 단말(200)로부터 추가 입력 문장(203)을 수신할 수 있다. 여기서 추가 입력 문장(203)은 컴퓨팅 장치(100)가 입력 문장에 대해서 답변 문장 송신과 같은 임의의 동작(예컨대, 결과값 출력, 또는 상품 추천 등)을 수행한 이 후, 사용자 단말(200)로부터 입력되는 문장을 의미할 수 있다. 그리고 추가 입력 문장은 하나 이상의 문장 그룹일 수 있다. 예를 들어, 컴퓨팅 장치(100)가 수행하는 제 1 동작 이후, 제 2 동작 이전까지 수신되는 입력 문장 3개를 그룹화하여 제 1 추가 입력 문장으로 판단할 수 있다. 또한, 제 2 동작 이후, 제 3 동작 이전까지 수신되는 입력 문장 2개를 그룹화하여 제 2 추가 입력 문장으로 판단할 수 있다. 전술한 추가 입력 문장의 자세한 기재는 예시일뿐, 본 개시는 이에 제한되지 않는다.
프로세서(120)는 추가 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출할 수 있다. 여기서 기준 질문 문장은 사용자의 입력 문장을 분류하기 위한 카테고리 및 속성 중 적어도 하나를 대표하는 문장일 수 있다. 그리고, 기준 질문 문장은 데이터베이스, 또는 메모리(130) 상에 사전 저장될 수 있다. 그리고, 각각의 기준 질문 문장은 카테고리 및 하나 이상의 속성을 포함하고 있을 수 있다.
그리고, 프로세서(120)는 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 문턱값 이상인 경우, 기준 질문 문장에 해당하는 답변 문장(101)을 사용자 단말(200)로 송신할 수 있다. 프로세서(120)는 입력 문장 A에 대하여 결정된 답변 문장 A를 사용자 단말(200)로 송신할 수 있다. 그리고, 프로세서(120)는 답변 문장 A에 대하여 피드백을 수신하고, 상기 피드백을 피드백 평가 모델(400)에 입력함으로써 부정적인 결과를 포함하는 피드백 평가 정보를 출력할 수 있다. 이에 따라, 프로세서(120)는 문턱값을 상향할 것을 결정할 수 있다. 그리고, 프로세서(120)는 사용자 단말(200)로부터 수신한 입력 문장 B와 기준 질문 문장 A의 유사도가 보정된 문턱값 이상인 경우, 기준 질문 문장 A와 대응되어 저장된 답변 문장 A를 사용자 단말(200)로 송신할 것을 결정할 수 있다. 이에 따라, 프로세서(120)는 사용자가 부정적인 피드백 이후, 정확한 단어를 통해 입력한 입력 문장에 대해서 신뢰도 높은 답변 문장을 제공할 수 있다.
또한, 프로세서(120)는 유사도 및 보정된 문턱값에 기초하여 답변 문장과 상이한 비상 답변 문장(111)을 사용자 단말(200)로 송신할 것을 결정할 수 있다. 보다 구체적으로, 프로세서(120)는 입력 문장 A에 대하여 결정된 답변 문장 A를 사용자 단말(200)로 송신할 수 있다. 그리고, 프로세서(120)는 답변 문장 A에 대하여 피드백을 수신하고, 상기 피드백을 피드백 평가 모델(400)에 입력함으로써 부정적인 결과를 포함하는 피드백 평가 정보를 출력할 수 있다. 이에 따라, 프로세서(120)는 문턱값을 상향할 것을 결정할 수 있다. 그리고, 프로세서(120)는 사용자 단말(200)로부터 수신되는 입력 문장과 기준 질문 문장과의 유사도가 문턱값 미만인 경우, 비상 답변 문장을 사용자 단말(200)로 송신할 것을 결정할 수 있다. 여기서 비상 답변 문장은 답변 문장 A와 상이한 답변 문장일 수 있다. 또한 비상 답변 문장은 답변 문장으로 인한 사용자의 부정적인 감성을 해소시키기 위한 문장일 수 있다. 예컨대, 비상 답변 문장은 "죄송하지만 질문하신 내용은 아직 학습 중입니다." 또는 "죄송합니다. 앞으로 발전하는 모습 보여드리도록 하겠습니다" 등일 수 있으나, 본 개시는 이에 제한되지 않는다.
도 4는 본 개시의 일 실시예에 따른 서버와 사용자 단말 간의 전체적인 흐름도를 도시한다.
또한, 도 5는 본 개시의 일 실시예에 따른 챗봇의 동작 인터페이스(500)다.
이하에서는, 도 4 및 5를 참조하여 사용자의 부정적인 피드백에 대응하기 위한 방법의 전체적인 단계를 서술한다.
먼저, 네트워크부(110)가 사용자 단말(200)로부터 챗봇에 관련된 세션을 개설하기 위한 요청을 수신할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 요청에 기초하여 사용자 단말(200) 간의 채팅 세션을 개설할 수 있다. 또한, 네트워크부(110)는 사용자 단말(200)로 입력 문장을 입력하거나, 답변 문장을 출력하기 위한 인터페이스(500)를 전송할 수 있다.
그리고, 네트워크부(110)는 사용자 단말(200)로부터 입력 문장(511) "계약자 본인이 약대를 받으려면 어떻게?"를 수신할 수 있다. 여기서 입력 문장(511)은 인터페이스(500)의 일 측(예컨대, 도 4에 도시된 바와 같이 좌측)에 인접하게 배치되고, 사용자 단말(200)을 식별할 수 있는 사용자 단말 아이콘(510)이 태그 될 수 있다. 그리고, 프로세서(120)는 수신된 입력 문장 "계약자 본인이 약대를 받으려면 어떻게?"를 전처리 모델(300)에 입력하여"약관 대출" 카테고리의 "계약자" 속성으로 분류할 수 있다. 또한, 프로세서(120)는 카테고리 및 속성 분류에 기초하여 제 1 답변 문장(521)인 "원칙적으로 계약자 본인만 보험계약대출을 신청할 수 있습니다."를 생성할 수 있다. 프로세서(120)의 동작에 관련된 자세한 설명은 도 1을 참조하여 전술하였기 때문에 생략한다.
네트워크부(110)는 프로세서(120)가 생성한 제 1 답변 문장(521) "원칙적으로 계약자 본인만 보험계약대출을 신청할 수 있습니다."를 사용자 단말(200)로 전송한다. 여기서 제 1 답변 문장(521)은 인터페이스(500)의 반대편 일 측(예컨대, 도 5에 도시된 바와 같이 우측)에 인접하게 배치되고, 챗봇을 식별할 수 있는 챗봇 아이콘(520)이 태그 될 수 있다.
그리고, 네트워크부(110)는 사용자 단말(200)로부터 제 1 피드백(512) "아니 그러니까 뭐를 해야 하냐고"을 수신할 수 있다. 여기서 제 1 피드백(512)은 입력 문장(511)과 동일한 측면에 일렬로 배치될 수 있다. 또한, 프로세서(120)는 제 1 피드백(512)을 피드백 평가 모델(400)에 입력하여 "-2"의 감성 평가 점수를 포함하는 제 1 피드백 평가 정보(401)를 생성할 수 있다. 또한, 프로세서(120)는 "아니 그러니까 뭐를 해야 하냐고"를 추가 입력 문장으로 판단하고, 전처리 모델(300)에 입력함으로써 제 1 피드백(512)을 "자유 대화"카테고리의 "하고 싶은 일"속성으로 분류할 수 있다. 그리고, 프로세서(120)는 카테고리 및 속성 분류에 기초하여 제 2 답변 문장(522) "무엇이 하고 싶으신가요?"를 생성할 수 있다. 또한, 네트워크부(110)는 제 2 답변 문장(522)을 사용자 단말(200)로 전송할 수 있다.
또한, 네트워크부(110)는 사용자 단말(200)로부터 제 2 피드백(513) "이거 아직 미완성인거지?"를 수신할 수 있다. 이에 따라, 프로세서(120)는 제 2 피드백(513)을 피드백 평가 모델(400)에 입력하여 "-1"의 감정 평가 점수를 포함하는 제 2 피드백 평가 정보(402)를 생성할 수 있다. 또한, 프로세서(120)는 "이거 아직 미완성인거지?"를 추가 입력 문장으로 판단하고, 전처리 모델(300)에 입력함으로써, 제 2 피드백(513)의 카테고리 및 속성 분류를 시도할 수 있다. 하지만, 프로세서(120)는 제 2 피드백(513)과 기준 질문과의 유사도가 모두 문턱값 미만인 경우, 제 2 피드백(513)에 대하여 "죄송하지만 질문 하신 내용은 아직 학습 중입니다."라는 제 3 답변 문장(523)을 생성할 수 있다. 또한, 네트워크부(110)는 제 3 답변 문장(523)을 사용자 단말(200)로 전송할 수 있다.
또한, 네트워크부(110)는 사용자 단말(200)로부터 제 3 피드백(514) "예예예예예예"를 수신할 수 있다. 이에 따라, 프로세서(120)는 제 3 피드백(514)을 피드백 평가 모델(400)에 입력하여 "-1"의 감정 평가 점수를 포함하는 제 3 피드백 평가 정보(403)를 생성할 수 있다. 그리고, 프로세서(120)는 제 1, 2, 3 피드백 평가 정보(401, 402, 403)가 모두 부정적인 감성 평가 점수를 포함하고 있다는 것에 기초하여, 문턱값을 상향 시킬 수 있다. 또한, 프로세서(120)는 상향된 문턱값 미만의 유사도가 산출된 입력 문장에 대해서 비상 답변 문장을 생성할 것을 결정할 수 있다. 또한, 프로세서(120)는 "예예예예예예"를 추가 입력 문장으로 판단하고, 전처리 모델(300)에 입력함으로써, 제 3 피드백(514)의 카테고리 및 속성 분류를 시도할 수 있다. 하지만, 프로세서(120)는 제 3 피드백(514)과 기준 질문과의 유사도가 모두 상향된 문턱값 미만인 경우, 제 3 피드백(514)에 대하여 "전문 상담사에게 연결하도록 하겠습니다"라는 제 4 답변 문장(524)을 생성할 수 있다. 여기서 제 4 답변 문장(524)은 비상 답변 문장일 수 있다. 또한, 네트워크부(110)는 제 4 답변 문장(524)을 사용자 단말(200)로 전송할 수 있다. 추가적으로, 프로세서(120)는 서브 그룹 컴퓨팅 장치(예컨대, 고객센터의 전문 상담가 단말)에게 사용자 단말(200)에 대한 고객 상담을 요청할 수 있다.
도 5를 참조하여 전술한 챗봇을 이용하여 사용자의 부정적인 피드백에 대응하는 서버의 동작 인터페이스(500)는 자세한 예시의 기재일 뿐, 본 개시는 이에 제한되지 않는다.
이에 따라, 본 개시의 일 실시예에 따른 사용자의 부정적인 피드백 대응 방법은 제공된 답변 문장에 대해서 부정적인 감성을 포함하는 피드백을 수신할 때, 사용자에게 보다 상향된 문턱값을 적용함으로써, 이후에 입력되는 문장에 대해서 높은 기준으로 답변 문장을 제공할 수 있다. 즉, 사용자가 원하는 답변 문장이 확실한 경우에 사용자 단말(200)로 답변 문장을 제공할 수 있어 사용자의 부정적인 감정을 해소하도록 유도할 수 있다. 또한, 제공된 답변 문장과 상이한 비상 답변 문장을 통해 사용자가 챗봇이 아닌 상담자와 채팅을 수행하고 있다고 느낄 수 있어 만족도가 향상될 수 있다.
도 6은 본 개시의 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법의 순서도(flow-chart)다.
컴퓨팅 장치(100)는 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신(601)할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 상기 입력 문장을 상기 전처리 모델을 통해 연산함으로써 입력 문장 벡터 형태로 환산할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 상기 유사도가 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신할 수 있다.
컴퓨팅 장치(100)는 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신(602)할 수 있다.
컴퓨팅 장치(100)는 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성(603)할 수 있다. 여기서 피드백 평가 정보는 감성 평가 점수를 포함할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력할 수 있다.
여기서 상기 피드백 평가 모델은 하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성될 수 있다.
컴퓨팅 장치(100)는 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정(604)할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우, 또는, 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다.
컴퓨팅 장치(100)는 상기 사용자 단말로부터 추가 입력 문장을 수신할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출할 수 있다.
컴퓨팅 장치(100)는 상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출할 수 있다.
컴퓨팅 장치(100)는 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 상기 답변 문장에 대한 사과 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하거나, 또는 전문 상담자에게 상기 사용자 단말에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다. 그리고, 컴퓨팅 장치(100)는 상기 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하거나, 또는 상기 사용자 단말로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 상기 사용자 단말로 송신할 수 있다.
이에 따라, 본 개시의 일 실시예에 따른 사용자의 부정적인 피드백 대응 방법은 제공된 답변 문장에 대해서 부정적인 감성을 포함하는 피드백을 수신할 때, 사용자에게 보다 상향된 문턱값을 적용함으로써, 이후에 입력되는 문장에 대해서 높은 기준으로 답변 문장을 제공할 수 있다. 즉, 사용자가 원하는 답변 문장이 확실한 경우에 사용자 단말(200)로 답변 문장을 제공할 수 있어 사용자의 부정적인 감정을 해소하도록 유도할 수 있다. 또한, 제공된 답변 문장과 상이한 비상 답변 문장을 통해 사용자가 챗봇이 아닌 상담자와 채팅을 수행하고 있다고 느낄 수 있어 만족도가 향상될 수 있다.
도 7은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)에서 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법은 다음과 같은 수단에 의해 구현될 수 있다.
본 개시의 다른 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 방법은 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 수단(701), 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 수단(702), 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 수단(703) 및 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 수단(704)을 포함할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 수단은 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 수단 및 상기 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 상기 유사도가 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 수단을 포함할 수 있다.
본 발명의 실시예에서, 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 수단은 상기 입력 문장을 상기 전처리 모델을 통해 연산함으로써 입력 문장 벡터 형태로 환산하는 수단 및 상기 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출하는 수단을 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보는 감성 평가 점수를 포함하고, 그리고 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 수단은 상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력하는 수단을 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 모델은 하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성될 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 수단은 상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우, 또는, 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 수단은 상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 추가 입력 문장을 수신하는 수단, 상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 수단 및 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 수단을 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 수단은 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 수단을 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 수단은 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 상기 답변 문장에 대한 사과 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하거나, 또는 전문 상담자에게 상기 사용자 단말에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 수단은 상기 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하거나, 또는 상기 사용자 단말로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 상기 사용자 단말로 송신할 수 있다.
도 8은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)에서 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법은 다음과 같은 모듈에 의해 구현될 수 있다.
본 개시의 다른 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 방법은 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 모듈(801), 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 모듈(802), 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 모듈(803) 및 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 모듈(804)을 포함할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 모듈은 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 모듈 및 상기 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 상기 유사도가 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 모듈을 포함할 수 있다.
본 발명의 실시예에서, 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 모듈은 상기 입력 문장을 상기 전처리 모델을 통해 연산함으로써 입력 문장 벡터 형태로 환산하는 모듈 및 상기 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출하는 모듈을 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보는 감성 평가 점수를 포함하고, 그리고 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 모듈은 상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력하는 모듈을 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 모델은 하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성될 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 모듈은 상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우, 또는, 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 모듈은 상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 추가 입력 문장을 수신하는 모듈, 상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 모듈 및 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 모듈을 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 모듈은 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 모듈을 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 모듈은 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 상기 답변 문장에 대한 사과 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하거나, 또는 전문 상담자에게 상기 사용자 단말에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 모듈은 상기 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하거나, 또는 상기 사용자 단말로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 상기 사용자 단말로 송신할 수 있다.
도 9는 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)에서 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법은 다음과 같은 로직에 의해 구현될 수 있다.
본 개시의 다른 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 방법은 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 로직(901), 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 로직(902), 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 로직(903) 및 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 로직(904)을 포함할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 로직은 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 로직 및 상기 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 상기 유사도가 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 로직을 포함할 수 있다.
본 발명의 실시예에서, 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 로직은 상기 입력 문장을 상기 전처리 모델을 통해 연산함으로써 입력 문장 벡터 형태로 환산하는 로직 및 상기 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출하는 로직을 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보는 감성 평가 점수를 포함하고, 그리고 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 로직은 상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력하는 로직을 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 모델은 하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성될 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 로직은 상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우, 또는, 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 로직은 상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 추가 입력 문장을 수신하는 로직, 상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 로직 및 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 로직을 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 로직은 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 로직을 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 로직은 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 상기 답변 문장에 대한 사과 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하거나, 또는 전문 상담자에게 상기 사용자 단말에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 로직은 상기 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하거나, 또는 상기 사용자 단말로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 상기 사용자 단말로 송신할 수 있다.
도 10은 본 개시의 일 실시예에 따라 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)에서 챗봇을 통해 사용자의 부정적인 피드백에 대응하는 방법은 다음과 같은 회로에 의해 구현될 수 있다.
본 개시의 다른 일 실시예에 따른 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 방법은 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 회로(1001), 상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 회로(1002), 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 회로(1003) 및 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 회로(1004)를 포함할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 회로는 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 회로 및 상기 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 상기 유사도가 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 회로를 포함할 수 있다.
본 발명의 실시예에서, 상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 회로는 상기 입력 문장을 상기 전처리 모델을 통해 연산함으로써 입력 문장 벡터 형태로 환산하는 회로 및 상기 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출하는 회로를 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보는 감성 평가 점수를 포함하고, 그리고 상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 회로는 상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력하는 회로를 포함할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 모델은 하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성될 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 회로는 상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우, 또는, 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 회로는 상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정할 수 있다.
본 발명의 실시예에서, 상기 사용자 단말로부터 추가 입력 문장을 수신하는 회로, 상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 회로 및 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 회로를 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 회로는 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 회로를 더 포함할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 회로는 상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우, 상기 답변 문장에 대한 사과 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하거나, 또는 전문 상담자에게 상기 사용자 단말에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신할 수 있다.
본 발명의 실시예에서, 상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 회로는 상기 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하거나, 또는 상기 사용자 단말로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 상기 사용자 단말로 송신할 수 있다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 11은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 여기서 매체는 저장 매체 및 전송 매체를 포함할 수 있다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 또한, 전송 매체는 명령(들) 및/또는 데이터를 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (13)
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은,
사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계;
상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계;
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계; 및
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계;
를 포함하고, 그리고
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계는,
상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우 및 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은,
사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계;
상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계;
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계; 및
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계;
를 포함하고, 그리고
상기 피드백 평가 정보는,
감성 평가 점수를 포함하고, 그리고
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계는,
상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력하는 단계;
를 포함하고, 그리고
상기 피드백 평가 모델은,
하나 이상의 단어로 구성된 학습 피드백 데이터 및 상기 학습 피드백 데이터와 매칭된 평가 테이블의 학습 감성 평가 점수를 포함하는 학습 데이터 세트에 기초하여, 상기 학습 피드백 데이터를 입력하는 경우 상기 학습 감성 평가 점수를 출력하도록 학습된 하나 이상의 네트워크 함수로 구성되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은,
사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계;
상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계;
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계;
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계;
상기 사용자 단말로부터 추가 입력 문장을 수신하는 단계;
상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계; 및
상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 포함하고, 그리고
상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계는,
상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은,
사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계;
상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계;
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계;
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계;
상기 사용자 단말로부터 추가 입력 문장을 수신하는 단계;
상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계; 및
상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 포함하고, 그리고
상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계는,
상기 하나 이상의 기준 질문 문장에 대한 하나 이상의 유사도가 보정된 상기 문턱값 미만인 경우,
상기 답변 문장에 대한 사과 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하거나, 또는 전문 상담자에게 상기 사용자 단말에 대한 답변이 이관됨을 알리는 안내 메시지를 포함하는 상기 비상 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 이하의 방법을 수행하도록 하며, 상기 방법은,
사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계;
상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계;
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계;
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계;
상기 사용자 단말로부터 추가 입력 문장을 수신하는 단계;
상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계; 및
상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 포함하고, 그리고
상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계는,
상기 하나 이상의 기준 문장들 각각에 대한 유사도 중 사용자의 불만 대응 관련 기준 질문 문장에 대한 유사도가 가장 높고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하거나, 또는
상기 사용자 단말로부터 수신한 사용자 식별정보가 블랙리스트 식별정보 중 하나와 일치하고, 그리고 상기 피드백 평가 정보가 부정적인 결과를 포함하는 경우, 블랙리스트 전용 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항 내지 제 5항 중 어느 한 항에 있어서,
상기 사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계는,
상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계; 및
상기 하나 이상의 기준 질문 문장 중 적어도 하나에 대한 상기 유사도가 상기 문턱값 이상인 경우, 상기 기준 질문 문장에 해당하는 상기 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 6 항에 있어서,
상기 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계는,
상기 입력 문장을 상기 전처리 모델을 통해 연산함으로써 입력 문장 벡터 형태로 환산하는 단계; 및
상기 입력 문장 벡터와 상기 하나 이상의 기준 질문 문장 각각에 대한 기준 질문 문장 벡터 간의 상기 유사도를 산출하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 피드백 평가 정보는,
감성 평가 점수를 포함하고, 그리고
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 피드백에 대한 피드백 평가 정보를 생성하는 단계는,
상기 피드백에 포함된 언어적 정보 및 비언어적 정보 중 적어도 하나를 상기 피드백 평가 모델에 입력하여 사용자의 상기 답변 문장에 대한 반응이 긍정적인지, 또는 부정적인지를 평가한 상기 감성 평가 점수를 출력하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1항 또는 제 2항 중 어느 한 항에 있어서,
상기 사용자 단말로부터 추가 입력 문장을 수신하는 단계;
상기 추가 입력 문장을 하나 이상의 네트워크 함수를 포함하는 전처리 모델을 통해 연산함으로써 상기 하나 이상의 기준 질문 문장 각각에 대한 상기 유사도를 산출하는 단계; 및
상기 유사도 및 보정된 상기 문턱값에 기초하여 상기 답변 문장과 상이한 비상 답변 문장을 상기 사용자 단말로 송신하는 단계;
를 더 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1항 내지 제 5항 중 어느 한 항에 있어서,
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계는,
상기 입력 문장과 상기 기준 문장에 대해 산출된 상기 유사도 이상으로 상기 문턱값을 상향 조정하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 방법에 있어서,
사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하는 단계;
상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하는 단계;
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 답변 문장에 대한 피드백 평가 정보를 생성하는 단계; 및
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계;
를 포함하고, 그리고
상기 피드백 평가 정보에 기초하여 상기 문턱값을 보정하는 단계는,
상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우 및 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정하는 단계;
를 포함하는,
챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 방법.
- 챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 컴퓨팅 장치에 있어서,
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
사용자 단말로부터 수신된 입력 문장과의 유사도가 문턱값(threshold) 이상인 기준 문장에 기초하여 결정된 답변 문장을 상기 사용자 단말로 송신하고,
상기 사용자 단말로부터 상기 답변 문장에 대한 피드백을 수신하고,
상기 피드백을 하나 이상의 네트워크 함수를 포함하는 피드백 평가 모델을 통해 연산함으로써 상기 답변 문장에 대한 피드백 평가 정보를 생성하고, 그리고
상기 하나 이상의 답변 문장에 대하여 수신된 상기 하나 이상의 피드백의 상기 피드백 평가 정보가 사전 설정된 비율 이상으로 부정적인 결과를 포함하는 경우, 상기 하나 이상의 피드백 평가 정보가 사전 설정된 횟수 이상 연속적으로 부정적인 결과를 포함하는 경우 및 상기 하나 이상의 피드백 평가 정보를 누적 합산한 누적 피드백 평가 정보가 부정적인 결과를 포함하는 경우 중 적어도 하나의 경우에 대하여 상기 문턱값을 상향 조정하는 보정을 수행하는,
챗봇을 통해 사용자의 부정적인 피드백에 대응하기 위한 컴퓨팅 장치. - 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180113522A KR102047385B1 (ko) | 2018-09-21 | 2018-09-21 | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180113522A KR102047385B1 (ko) | 2018-09-21 | 2018-09-21 | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102047385B1 true KR102047385B1 (ko) | 2019-11-21 |
Family
ID=68692141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180113522A KR102047385B1 (ko) | 2018-09-21 | 2018-09-21 | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102047385B1 (ko) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177307A (zh) * | 2019-11-22 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 一种基于语义理解相似度阀值配置的测试方案及*** |
CN112905765A (zh) * | 2021-02-09 | 2021-06-04 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
WO2021129262A1 (zh) * | 2019-12-26 | 2021-07-01 | 思必驰科技股份有限公司 | 用于主动发起对话的服务端处理方法及服务器、能够主动发起对话的语音交互*** |
CN113095724A (zh) * | 2021-04-30 | 2021-07-09 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
KR102280489B1 (ko) * | 2020-11-19 | 2021-07-22 | 주식회사 두유비 | 대규모 사전학습 모델을 학습하여 지성을 기반으로 대화하는 대화 지능 획득 방법 |
KR20210099739A (ko) * | 2020-02-05 | 2021-08-13 | 정동윤 | 사용자 리뷰 기반 평점 재산정 장치 및 방법 |
CN113707177A (zh) * | 2021-09-18 | 2021-11-26 | 杭银消费金融股份有限公司 | 基于语音分析识别的服务处理方法及*** |
WO2022040547A1 (en) * | 2020-08-21 | 2022-02-24 | Oracle International Corporation | Techniques for providing explanations for text classification |
WO2023120861A1 (ko) * | 2021-12-20 | 2023-06-29 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
CN116610964A (zh) * | 2023-07-20 | 2023-08-18 | 之江实验室 | 一种文本相似度匹配方法、装置和计算机设备 |
CN117114475A (zh) * | 2023-08-21 | 2023-11-24 | 广州红海云计算股份有限公司 | 基于多维度人才评估策略的综合能力测评*** |
CN117708298A (zh) * | 2023-12-25 | 2024-03-15 | 浙江大学 | 一种用于产品展示的人机交互管理***及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101858206B1 (ko) * | 2017-12-07 | 2018-05-15 | 디비손해보험 주식회사 | 지능형 챗봇 기반 대화형 현장 지원 서비스 제공 방법 |
-
2018
- 2018-09-21 KR KR1020180113522A patent/KR102047385B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101858206B1 (ko) * | 2017-12-07 | 2018-05-15 | 디비손해보험 주식회사 | 지능형 챗봇 기반 대화형 현장 지원 서비스 제공 방법 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177307A (zh) * | 2019-11-22 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 一种基于语义理解相似度阀值配置的测试方案及*** |
WO2021129262A1 (zh) * | 2019-12-26 | 2021-07-01 | 思必驰科技股份有限公司 | 用于主动发起对话的服务端处理方法及服务器、能够主动发起对话的语音交互*** |
KR20210099739A (ko) * | 2020-02-05 | 2021-08-13 | 정동윤 | 사용자 리뷰 기반 평점 재산정 장치 및 방법 |
KR102351745B1 (ko) | 2020-02-05 | 2022-01-17 | 정동윤 | 사용자 리뷰 기반 평점 재산정 장치 및 방법 |
WO2022040547A1 (en) * | 2020-08-21 | 2022-02-24 | Oracle International Corporation | Techniques for providing explanations for text classification |
KR102280489B1 (ko) * | 2020-11-19 | 2021-07-22 | 주식회사 두유비 | 대규모 사전학습 모델을 학습하여 지성을 기반으로 대화하는 대화 지능 획득 방법 |
CN112905765A (zh) * | 2021-02-09 | 2021-06-04 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
CN113095724A (zh) * | 2021-04-30 | 2021-07-09 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
CN113095724B (zh) * | 2021-04-30 | 2024-03-01 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
CN113707177A (zh) * | 2021-09-18 | 2021-11-26 | 杭银消费金融股份有限公司 | 基于语音分析识别的服务处理方法及*** |
CN113707177B (zh) * | 2021-09-18 | 2024-03-26 | 杭银消费金融股份有限公司 | 基于语音分析识别的服务处理方法及*** |
WO2023120861A1 (ko) * | 2021-12-20 | 2023-06-29 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
CN116610964A (zh) * | 2023-07-20 | 2023-08-18 | 之江实验室 | 一种文本相似度匹配方法、装置和计算机设备 |
CN116610964B (zh) * | 2023-07-20 | 2023-09-26 | 之江实验室 | 一种文本相似度匹配方法、装置和计算机设备 |
CN117114475A (zh) * | 2023-08-21 | 2023-11-24 | 广州红海云计算股份有限公司 | 基于多维度人才评估策略的综合能力测评*** |
CN117708298A (zh) * | 2023-12-25 | 2024-03-15 | 浙江大学 | 一种用于产品展示的人机交互管理***及方法 |
CN117708298B (zh) * | 2023-12-25 | 2024-05-28 | 浙江大学 | 一种用于产品展示的人机交互管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102047385B1 (ko) | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 | |
US11710136B2 (en) | Multi-client service system platform | |
US11775494B2 (en) | Multi-service business platform system having entity resolution systems and methods | |
US11249774B2 (en) | Realtime bandwidth-based communication for assistant systems | |
US11010555B2 (en) | Systems and methods for automated question response | |
US20220206993A1 (en) | Multi-service business platform system having custom object systems and methods | |
US20210201144A1 (en) | Systems and methods for artificial intelligence enhancements in automated conversations | |
US11641330B2 (en) | Communication content tailoring | |
US10970471B2 (en) | Phased collaborative editing | |
US20190286711A1 (en) | Systems and methods for message building for machine learning conversations | |
CN112732911A (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
KR102008169B1 (ko) | 고객 질의 대응 서버, 방법 및 판독 가능 저장매체에 저장된 컴퓨터 프로그램 | |
US20190286712A1 (en) | Systems and methods for phrase selection for machine learning conversations | |
AlZu'bi et al. | Exploring the capabilities and limitations of chatgpt and alternative big language models | |
US11657402B2 (en) | Dynamic claims submission system | |
US20190286713A1 (en) | Systems and methods for enhanced natural language processing for machine learning conversations | |
US20190295098A1 (en) | Performing Real-Time Analytics for Customer Care Interactions | |
US20230137209A1 (en) | Counterfactual Text Stylization | |
US20220156460A1 (en) | Tool for categorizing and extracting data from audio conversations | |
KR20200041199A (ko) | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 | |
US20230418793A1 (en) | Multi-service business platform system having entity resolution systems and methods | |
KR102098003B1 (ko) | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 | |
US11714967B1 (en) | College admissions and career mentorship platform | |
US20230316186A1 (en) | Multi-service business platform system having entity resolution systems and methods | |
US20190130360A1 (en) | Model-based recommendation of career services |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |