KR102204740B1 - 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 - Google Patents
대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR102204740B1 KR102204740B1 KR1020190024309A KR20190024309A KR102204740B1 KR 102204740 B1 KR102204740 B1 KR 102204740B1 KR 1020190024309 A KR1020190024309 A KR 1020190024309A KR 20190024309 A KR20190024309 A KR 20190024309A KR 102204740 B1 KR102204740 B1 KR 102204740B1
- Authority
- KR
- South Korea
- Prior art keywords
- intention
- user
- query
- conversation
- state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 title abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000003672 processing method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 48
- 230000014509 gene expression Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- 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
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템을 개시한다. 일실시예에 따른 질의 처리 방법은, 사용자의 발화에 기초한 쿼리 및 상기 사용자와 연관된 컨텍스트를 입력받는 단계; 상기 쿼리에 대한 자연 언어 이해(Natural Language Understanding, NLU)에 기반하여 상기 쿼리에 대한 상기 사용자의 의도를 분석하는 단계; 및 상기 분석을 통해 사용자의 의도가 결정되지 않는 경우, 상기 쿼리 및 상기 컨텍스트를 입력으로 갖는 딥러닝 기반 확률 모델을 이용하여 상기 사용자의 의도를 예측하는 단계를 포함할 수 있다.
Description
아래의 설명은 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템에 관한 것이다.
음성 인식에 기반한 대화 시스템이 존재한다. 예를 들어, 한국등록특허 제10-0918644호는 대화 시스템 및 대화 문장 생성 방법에 관한 것으로, 음성 인식에 기반하여 실제 사용된 문장 및 단어의 수집과 상호 연결을 통하여 대화문장을 생성하고, 단어의 정의 수정 및 확대 과정을 거쳐 자신의 입장과 대화 상대자의 상황에 적당한 문장을 출력할 수 있도록 한 대화 시스템을 개시하고 있다.
한편, 이러한 대화 시스템에서 응답하지 못하는 의도 불분명 질의들이 존재한다. 여기서 의도 불분명 질의는 인식된 질의의 내용을 사람이 봐도 해석하기 어려운 질의들을 의미할 수 있으며, 보다 구체적으로는 인식된 질의의 내용을 통해 질의자의 의도를 파악할 수 없는 질의들을 의미할 수 있다. 예를 들어, 사용자의 발화에 대응하는 문장이나 단어가 인식되지 않는 경우나, 사용자 발화 외의 환경으로 인해 발생되는 노이즈에 의한 음성 오인식 등의 경우에 의도 불분명 질의가 발생될 수 있다.
기존의 대화 시스템에 대한 연구들은 대화 시스템이 구비하지 못한 어휘들을 처리하기 위한 솔루션들을 제시하고 있을 뿐, 음성 미인식이나 오인식 등에 대응하기 위한 솔루션을 제공하지 못하기 때문에 이러한 의도 불분명 질의를 처리할 수 없다는 문제점이 있다.
의도 불분명 질의에 대해 딥러닝 기반 확률 모델을 이용하여 질의자의 의도를 예측할 수 있는 질의 처리 방법 및 시스템을 제공한다.
의도 불분명 질의에 대해 예측된 의도 및 자연 언어 이해(Natural Language Understanding, NLU)의 부분 분석 결과를 이용하여 가이드 및 확인받기(confirmation) 등의 응답을 제공할 수 있는 질의 처리 방법 및 시스템을 제공한다.
적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 질의 처리 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 사용자의 발화에 기초한 쿼리 및 상기 사용자와 연관된 컨텍스트를 입력받는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 쿼리에 대한 자연 언어 이해(Natural Language Understanding, NLU)에 기반하여 상기 쿼리에 대한 상기 사용자의 의도를 분석하는 단계; 및 상기 분석을 통해 사용자의 의도가 결정되지 않는 경우, 상기 적어도 하나의 프로세서에 의해, 상기 쿼리 및 상기 컨텍스트를 입력으로 갖는 딥러닝 기반 확률 모델을 이용하여 상기 사용자의 의도를 예측하는 단계를 포함하는 질의 처리 방법을 제공한다.
컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.
상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.
컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 사용자의 발화에 기초한 쿼리 및 상기 사용자와 연관된 컨텍스트를 입력받고, 상기 쿼리에 대한 자연 언어 이해(Natural Language Understanding, NLU)에 기반하여 상기 쿼리에 대한 상기 사용자의 의도를 분석하고, 상기 분석을 통해 사용자의 의도가 결정되지 않는 경우, 상기 쿼리 및 상기 컨텍스트를 입력으로 갖는 딥러닝 기반 확률 모델을 이용하여 상기 사용자의 의도를 예측하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.
의도 불분명 질의에 대해 딥러닝 기반 확률 모델을 이용하여 질의자의 의도를 예측할 수 있다.
의도 불분명 질의에 대해 예측된 의도 및 자연 언어 이해(Natural Language Understanding, NLU)의 부분 분석 결과를 이용하여 가이드 및 확인받기(confirmation) 등의 응답을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 질의 처리 시스템의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 의도 예측 과정의 예를 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 있어서, 의도 불분명 질의를 처리하는 예를 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 질의 처리 방법의 예를 도시한 흐름도이다.
도 7은 본 발명의 일실시예에 있어서, 질의 의도 분류기의 대표 모델의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 질의 처리 시스템의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 의도 예측 과정의 예를 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 있어서, 의도 불분명 질의를 처리하는 예를 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 질의 처리 방법의 예를 도시한 흐름도이다.
도 7은 본 발명의 일실시예에 있어서, 질의 의도 분류기의 대표 모델의 예를 도시한 도면이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
본 발명의 실시예들에 따른 질의 처리 시스템은 이후 설명될 컴퓨터 장치를 통해 구현될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 질의 처리 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 질의 처리 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다. 실시예에 따라 질의 처리 시스템은 둘 이상의 컴퓨터 장치들간의 연계를 통해 구현될 수도 있다.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.
복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 도 1에서는 전자 기기 1(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기 1(110)은 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.
통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 대화 서비스, 지도 서비스, 번역 서비스, 금융 서비스, 결제 서비스, 소셜 네트워크 서비스, 메시징 서비스, 검색 서비스, 메일 서비스, 컨텐츠 제공 서비스 등)를 제공하는 시스템일 수 있다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.
이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 인터페이스(230)은 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
도 3은 본 발명의 일실시예에 따른 질의 처리 시스템의 예를 도시한 도면이다. 본 실시예에 따른 질의 처리 시스템(300)은 대화 관리자(310), 대화 시스템(320), 질의 의도 분류기(330) 및 응답 생성기(340)를 포함할 수 있다. 여기서, 대화 관리자(310), 대화 시스템(320), 질의 의도 분류기(330) 및 응답 생성기(340)는 하나의 물리적인 장치에 의해 구현될 수도 있으나, 둘 이상의 물리적인 장치에 분산되어 구현될 수도 있다. 예를 들어, 컴퓨터 장치(200)로 구현되는 사용자 디바이스(350)로서 인공지능 스피커나 스마트폰에 대화 관리자(310)와 응답 생성기(340)가 구현되고, 인공지능 스피커 또는 스마트폰과 네트워크(170)를 통해 통신하는 서버(150)에 대화 시스템(320) 및 질의 의도 분류기(330)가 구현될 수 있다. 다른 예로, 인공지능 스피커나 스마트폰에 대화 관리자(310)가 구현되고, 대화 시스템(320), 질의 의도 분류기(330) 및 응답 생성기(340)가 서버(150)에 구현될 수도 있다. 이 경우, 대화 관리자(310)는 사용자 디바이스(350)를 제어하여 네트워크를 통해 서버(150)에 구현된 대화 시스템(320), 질의 의도 분류기(330) 및 응답 생성기(340) 각각과 통신할 수 있다. 물리적으로는 사용자 디바이스(350)와 서버(150)간의 통신이 이루어질 수 있다.
대화 관리자(310)는 사용자 디바이스(350)와 질의 처리 시스템(300)의 다른 모듈들(대화 시스템(320), 질의 의도 분류기(330) 및 응답 생성기(340)) 사이에 위치하여 입출력 프로토콜을 관리할 수 있으며, 컨텍스트(context)를 관리할 수 있다. 여기서, 컨텍스트는 사용자 디바이스(350)의 상태에 대한 정보와 대화 히스토리에 대한 정보 등을 포함하는 메타 정보를 포함할 수 있다. 이러한 대화 관리자(310)는 사용자 디바이스(350)로부터 전달되는 쿼리(query)를 입력받을 수 있다. 여기서, 대화 관리자(310)가 전달받는 쿼리는, 사용자의 발화를 사용자 디바이스(350)가 포함하는 마이크를 통해 입력받은 소리신호를 포함할 수 있다. 일례로, 대화 관리자(310)가 사용자 디바이스(350)에 구현된 경우, 대화 관리자(310)는 사용자 디바이스(350)의 마이크를 관리하는 모듈로부터 마이크를 통해 입력되는 소리신호를 내부적으로 전달받을 수 있다. 만약, 대화 관리자(310)가 사용자 디바이스(350)와는 다른 물리적인 장치에 구현된 경우, 대화 관리자(310)는 사용자 디바이스(350)로부터 네트워크(170)를 통해 소리신호를 수신할 수 있다.
한편, 소리신호에 대한 음성인식은 대화 관리자(310) 또는 대화 시스템(320) 중 어느 하나를 통해 이루어질 수 있다. 이후에서는 음성인식을 통해 인식된 문장이나 단어 역시 "쿼리"로서 설명한다. 대화 관리자(310)는 전달받은 쿼리와 관리중인 컨텍스트 중 적어도 일부(일례로, 현재 디바이스의 상태에 대한 정보와 최근 일정 기간의 대화 히스토리에 대한 정보)를 대화 시스템(320)으로 전달할 수 있다. 대화 관리자(310)와 대화 시스템(320)이 서로 다른 물리적인 장치에 구현된 경우, 쿼리와 컨텍스트는 서로 다른 물리적인 장치들간의 네트워크(170)를 통한 통신에 의해 전달될 수 있다.
대화 시스템(320)은 전달받은 쿼리에 대한 자연 언어 이해(Natural Language Understanding, NLU) 및 컨텍스트에 기반한 대화 상태 관리에 기반하여 사용자의 의도를 결정할 수 있다. 여기서 "의도(intent)"는 쿼리에서 분석된 사용자의 의도를 의미할 수 있으며, 하나의 의도는 하나의 응답 기능과 매핑될 수 있다. 또한, 슬롯(slot)은 쿼리에서 의도와 함께 분석된 정보로서 의도에 대한 타겟과 같은 정보를 포함할 수 있다. 예를 들어, 쿼리 "오전 7시로 알람 설정해"에서 의도는 "set_alarm"과 같이 알람을 설정하라는 사용자의 요구 행위를 포함할 수 있으며, 슬롯은 {time: 오전 7시}와 같이 의도에 대한 타겟을 포함할 수 있다. 다른 예로, 쿼리 "가수 A의 노래 B 틀어줘"에서 의도는 "play_music"과 같이 음악을 재생하라는 사용자의 요구 행위를 포함할 수 있으며, 슬롯은 {artist: 가수 A}, {track_name: 노래 B}와 같이 의도에 대한 타겟을 포함할 수 있다. 대화 시스템(320)은 분석된 의도와 슬롯을 대화 관리자(310)로 전달할 수 있다. 한편, 슬롯은 부가적인 정보로서 쿼리를 통해 슬롯이 얻어지지 않을 수도 있다. 예를 들어, 쿼리 "음악 틀워줘"는 사용자의 의도만을 분석할 수 있을 뿐, 그 타겟에 대한 정보는 포함하고 있지 않다.
또한, 이미 설명한 바와 같이, 의도 불분명 질의가 존재할 수 있다. 이러한 의도 불분명 질의의 경우, 대화 시스템(320)이 의도를 결정하지 못할 수 있다. 이러한 경우에 대비하여 질의 의도 분류기(330)가 활용될 수 있다.
질의 의도 분류기(330)는 대화 시스템(320)이 응답하지 못하는 질의들인 의도 불분명 질의들에 대해 통계적, 뉴럴넷 기반 모델을 이용하여 의도를 예측할 수 있다. 다시 말해, 대화 시스템(320)에서 자연 언어 이해를 통해 사용자의 의도를 분석할 수 없는 의도 불분명 질의에 대해서는 질의 의도 분류기(330)가 최근 대화 상태, 활성화되어 있는 디바이스의 상태 및 토큰화된(tokenized) 입력 문장에 기반한 의도 분류를 통해 의도를 예측할 수 있다. 이러한 질의 의도 분류기(330)의 의도 예측에 대해서는 이후 더욱 자세히 설명한다. 한편, 질의 의도 분류기(330)는 예측된 의도와 슬롯을 대화 관리자(310)로 전달할 수 있다.
이 경우, 대화 관리자(310)는 일반적인 쿼리뿐만 아니라, 의도 불분명 질의에 대해서도 의도 및/또는 슬롯을 얻을 수 있게 되며, 얻어진 의도 및/또는 슬롯을 응답 생성기(340)로 전달하여 쿼리에 대한 응답을 생성할 수 있다.
응답 생성기(340)는 대화 시스템(320) 및/또는 질의 의도 분류기(330)에서 결정 및/또는 예측된 의도 및/또는 슬롯을 대화 관리자(310)를 통해 전달받아 매칭되는 기능을 실행할 수 있으며, 쿼리에 대한 응답을 생성하여 대화 관리자(310)로 전달할 수 있다. 이 경우, 대화 관리자(310)는 전달된 응답을 사용자 디바이스(350)로 전달할 수 있다. 응답 생성기(340)가 매칭되는 기능을 실행하는 것은, 매칭되는 기능이 실행되도록 하기 위한 명령을 제공하는 것을 포함할 수 있다.
이때, 응답 생성기(340)는 대화 시스템(320)에서 결정된 의도에 대해서는 대응하는 기능을 바로 실행할 수 있다. 일례로, 쿼리 "음악 틀어줘"에 대해 "음악을 재생하겠습니다."라는 응답과 함께 음악 재생 기능이 바로 실행될 수 있다. 반면, 응답 생성기(340)는 질의 의도 분류기(330)에서 예측된 의도에 대해서는 대응하는 기능을 바로 실행할 수도 있으나, 가이드 응답 또는 확인받기(confirmation) 응답을 생성하여 예측된 의도가 적절한가를 사용자에게 확인받을 수 있다. 여기서, 가이드 응답은 사용자의 예측된 의도로 사용자가 실행시키고자 하는 기능을 특정하고, 해당 기능의 사용 방법에 대한 가이드를 제공하기 위한 응답을 의미할 수 있다. 또한, 확인받기 응답은 사용자의 예측된 의도로 사용자가 실행시키고자 하는 기능을 특정하고, 특정된 기능의 실행 여부에 대해 사용자에게 확인을 받기 위한 응답을 의미할 수 있다. 예를 들어, 대화 시스템(320)에서 의도를 결정하지 못한 의도 불분명 질의에 대해 질의 의도 분류기(330)가 "play_music"이라는 의도를 예측한 경우, 응답 생성기(340)는 바로 음악 재생 기능을 실행하기보다 "음악을 재생할까요?"와 같이 사용자에게 확인받기 응답이나, "음악을 들으시려면, '음악 틀어줘'라고 이야기해 보세요."와 같이 사용자에게 기능의 사용 방법에 대한 가이드를 제공하기 위한 가이드 응답을 생성하여 전달할 수 있다.
이처럼, 기존의 대화 시스템들이 의도 불분명 질의에 대해 단순히 사용자의 발화를 재요청하는 것이 아니라, 딥러닝 기반 확률 모델을 활용하여 통계적으로 가장 그럴듯한(공산(likelihood)이 높은) 의도를 예측하여 예측된 의도에 대한 가이드나 확인받기 응답을 제공함으로써, 의도 불분명 질의를 처리할 수 있게 된다.
도 4는 본 발명의 일실시예에 있어서, 의도 예측 과정의 예를 설명하기 위한 도면이다. 도 3을 통해 설명한 질의 의도 분류기(330)는 도 4에 도시된 바와 같이, 대화 상태 인코더(410), 디바이스 상태 인코더(420), 문장 인코더(430) 및 의도 분류기(440)를 포함할 수 있다. 실시예에 따라 질의 의도 분류기(330)는 의도 분류기(440)를 포함하고, 대화 상태 인코더(410), 디바이스 상태 인코더(420) 및 문장 인코더(430) 중 적어도 하나를 포함하는 형태로 구현될 수도 있다.
대화 상태 인코더(410)는 대화 관리자(310)로부터 전달된 컨텍스트가 포함하는 대화 히스토리를 분석하여 최근 대화들에 대한 상태 변화 시퀀스를 포함하는 대화 흐름 표현(Dialog Flow Representation)을 생성할 수 있다. 일례로, 자연 언어 처리(Natural Language Processing, NLP) 문제에 주로 사용되는 인공신경망 구조인 RNN(Recurrent Neural Networks)이 대화 히스토리의 개별 대화들 각각에 대한 상태를 결정하기 위해 활용될 수 있다. 보다 구체적인 예로, 대화 상태 인코더(410)는 입력되는 대화에 대한 상태를 출력하도록 학습된 RNN에 최근 대화 히스토리를 입력하여 최근 대화 상태의 변화(transition) 시퀀스를 포함하는 대화 흐름 표현을 얻을 수 있다. 발명의 이해를 돕기 위해 RNN의 활용 예를 설명하고 있으나, 다른 뉴럴넷(neural net) 기반 분류모델이 활용될 수도 있음을 통상의 기술자가 쉽게 이해할 수 있을 것이다.
디바이스 상태 인코더(420)는 대화 관리자(310)로부터 전달된 컨텍스트가 포함하는 디바이스의 복수의 항목별 상태들에 대한 정보를 이용하여 상태 벡터를 포함하는 디바이스 상태 표현(Device Status Representation)을 생성할 수 있다. 이러한 디바이스 상태 표현 역시 임의의 뉴럴넷 기반 분류모델에 기반하여 얻어질 수 있다. 예를 들어, 디바이스 상태 인코더(420)를 위한 뉴럴넷 기반 분류모델은 디바이스의 특정 항목의 상태에 대한 정보를 통해 해당 항목에 대해 기설정된 상태들 중 하나를 출력하도록 학습될 수 있다. 이때, 다수의 항목별 상태들에 대해 출력된 상태들이 연결되어 하나의 상태 벡터가 구성될 수 있다.
문장 인코더(430)는 쿼리를 임의의 뉴럴넷 기반 분류모델(일례로, 양방향 RNN(Bidirectional RNN))에 입력하여 토큰화된(tokenized) 입력 문장을 포함하는 문장 표현(Sentence Representation)을 생성할 수 있다. 예를 들어, 문장 인코더(430)를 위한 뉴럴넷 기반 분류모델은 입력된 쿼리에 포함된 입력 문장을 토큰화하여 토큰화된 텍스들의 시퀀스를 출력하도록 학습될 수 있다.
이때, 의도 분류기(440)는 대화 상태 인코더(410), 디바이스 상태 인코더(420) 및 문장 인코더(430)에서 생성된 대화 흐름 표현, 디바이스 상태 표현 및 문장 표현을 연결시켜(concatenate) 전체 표현을 생성할 수 있다. 이때, 의도 분류기(440)는 딥러닝 기반 확률 모델을 통해 연결된 전체 표현에 대응하는 의도를 통계적 확률에 따라 결정하여 출력하도록 구현될 수 있다.
다시 말해, 질의 의도 분류기(330)는 최근 대화 흐름과, 현재의 디바이스 상태, 그리고 쿼리 각각에 대해 얻어지는 표현들을 결합하고, 결합된 표현들에 대응하는 의도를 예측하기 위한 딥러닝 기반 확률 모델을 활용할 수 있으며, 이러한 딥러닝 기반 확률 모델을 통해 쿼리 자체를 통해 의도를 분석할 수 없는 의도 불분명 질의에 대응하는 의도를 통계적으로 예측할 수 있다.
한편, 대화 시스템(320)에서 의도 불분명 질의에 대한 자연 언어 이해를 통해 의도는 결정하지 못하였으나, 슬롯은 추출이 가능한 경우가 존재할 수 있다.
도 5는 본 발명의 일실시예에 있어서, 의도 불분명 질의를 처리하는 예를 도시한 도면이다. 도 5는 들어, "가수 A의 노래 틀어줘"라는 사용자 발화에 대한 음성인식을 통해 쿼리 "가수 A 노라 트르그아"가 인식된 상황의 예를 나타내고 있다. 대화 시스템(320)은 자연 언어 이해를 통해 쿼리에서 슬롯 {artist : 가수 A}는 인식하였으나, 그 의도를 인식하지 못하였고, 이에 질의 의도 분류기(330)가 동작하여 딥러닝 기반 확률 모델을 통해 쿼리뿐만 아니라, 대화 히스토리, 디바이스 상태 등을 분석하여 의도 "intent : play_music"를 예측할 수 있다. 이 경우, 응답 생성기(340)는 대화 관리자(310)를 통해 대화 시스템(320)과 질의 의도 분류기(330)를 통해 수신된 예측된 의도 "intent : play_music"와 슬롯 {artist : 가수 A}을 이용하여 확인받기 응답 "가수 A의 노래를 틀어드릴까요?"를 생성하여 제공할 수 있다. 다시 말해, 쿼리 "가수 A 노라 트르그아"에 대해 사용자에게 다시 발화할 것을 요청하여 처음부터 다시 발화를 입력받는 것이 아니라, 인식된 슬롯 {artist : 가수 A}에 대해 예측된 의도 "intent : play_music"를 사용자에게 확인받음으로써, 사용자와 보다 적절한 대화를 이어나갈 수 있게 된다.
다른 예로, "불을 꺼"라는 사용자 발화에 대한 음성인식을 통해 쿼리 "부르 꺼"가 인식된 상황에서, 대화 시스템(320)은 자연 언어 이해를 통해 쿼리에서 그 의도를 인식하지 못할 수 있다. 이때, 질의 의도 분류기(330)는 딥러닝 기반 확률 모델을 통해 쿼리 "부르 꺼"뿐만 아니라, 대화 히스토리, 디바이스 상태 등을 분석하여 의도 "intent : turn_off"를 예측할 수 있다. 이 경우, 응답 생성기(340)는 대화 관리자(310)를 통해 질의 의도 분류기(330)를 통해 수신된 예측된 의도 "intent : turn_off"를 이용하여 확인받기 응답 "불을 꺼 드릴까요?"를 생성하여 제공할 수 있다.
도 6은 본 발명의 일실시예에 따른 질의 처리 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 질의 처리 방법은 도 2를 통해 설명한 컴퓨터 장치(200)에 의해 수행될 수 있다. 예를 들어, 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(200)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 6의 방법이 포함하는 단계들(610 내지 660)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.
단계(610)에서 컴퓨터 장치(200)는 사용자의 발화에 기초한 쿼리 및 사용자와 연관된 컨텍스트를 입력받을 수 있다. 여기서, 쿼리는 사용자 발화를 입력받은 사용자 디바이스가 전달하는 쿼리일 수 있으며, 컨텍스트는 사용자와 연관된 대화 히스토리 중 적어도 일부 및 사용자의 발화를 입력받은 사용자의 디바이스의 복수의 항목별 상태에 대한 정보를 포함할 수 있다. 일례로, 쿼리 및 컨텍스트는 도 3에서 설명한 대화 관리자(310)로부터 전달되는 쿼리 및 컨텍스트에 대응할 수 있다. 이미 설명한 바와 같이 대화 관리자(310)는 사용자 디바이스(350)로부터 제공되는 쿼리와 대화 관리자(310)가 관리하는 컨텍스트를 제공할 수 있다. 일실시예로, 컴퓨터 장치(200)는 대화 시스템(320)과 질의 의도 분류기(330)가 구현된 물리적인 장치일 수 있다.
단계(620)에서 컴퓨터 장치(200)는 쿼리에 대한 자연 언어 이해에 기반하여 쿼리에 대한 사용자의 의도를 분석할 수 있다. 실시예에 따라 컴퓨터 장치(200)는 컨텍스트에 기반한 대화 상태 관리에 더 기반하여 사용자의 의도를 분석할 수도 있다. 앞서 대화 시스템(320)은 쿼리와 컨텍스트를 모두 활용하여 사용자의 의도를 분석 및 결정하는 실시예로서 설명되었다.
단계(630)에서 컴퓨터 장치(200)는 사용자의 의도가 결정되었는지 여부를 확인할 수 있다. 단계(620)의 분석을 통해 사용자의 의도가 결정된 경우 컴퓨터 장치(200)는 단계(640)를 수행할 수 있으며, 단계(620)의 분석을 통해 사용자의 의도가 결정되지 않은 경우 컴퓨터 장치(200)는 단계(650)를 수행할 수 있다.
단계(640)에서 컴퓨터 장치(200)는 결정된 의도에 기반하여 응답을 제공할 수 있다. 쿼리에 대한 자연 언어 이해에 기반하여 혹은 컨텍스트에 기반한 대화 상태 관리에 더 기반하여 사용자의 의도가 결정되면, 컴퓨터 장치(200)는 결정된 의도에 따라 응답을 제공할 수 있다. 이 경우, 컴퓨터 장치(200)는 도 3을 통해 설명한 응답 생성기(340)를 더 포함할 수 있다. 만약, 컴퓨터 장치(200)가 대화 시스템(320)과 질의 의도 분류기(330)만을 포함하도록 구현된 경우, 컴퓨터 장치(200)는 결정된 의도 또는 이후 설명하는 예측된 의도를 제공하도록 구현될 수 있다.
단계(650)에서 컴퓨터 장치(200)는 쿼리 및 컨텍스트를 입력으로 갖는 딥러닝 기반 확률 모델을 이용하여 사용자의 의도를 예측할 수 있다. 예를 들어, 컴퓨터 장치(200)는 컨텍스트가 포함하는 대화 히스토리에 기반하여 얻어지는 대화 상태의 변화 시퀀스를 포함하는 대화 흐름 표현, 컨텍스트가 더 포함하는 디바이스의 상태들에 대한 상태 벡터를 포함하는 디바이스 상태 표현 및 쿼리에 대한 토큰화된 입력 문장을 포함하는 문장 표현 중 둘 이상을 연결시켜 의도 예측을 위한 전체 표현을 생성하고, 딥러닝 기반 확률 모델을 통해 전체 표현에 대응하여 통계적 확률에 따라 결정되는 의도를 사용자의 의도로서 예측할 수 있다. 일실시예에서, 대화 흐름 표현은, 입력되는 대화에 대한 상태를 결정하도록 학습된 뉴럴넷 기반 분류모델을 통해 얻어지는 대화 히스토리의 상태 변화 시퀀스를 포함할 수 있으며, 디바이스 상태 표현은, 특정 항목의 상태에 대한 정보를 통해 해당 항목에 대해 기설정된 상태들 중 하나를 출력하도록 학습된 뉴럴넷 기반 분류모델을 이용하여 얻어지는 디바이스의 상태 벡터를 포함할 수 있다. 또한, 문장 표현은, 입력 문장을 토큰화하여 토큰화된 텍스트의 시퀀스를 출력하도록 학습된 뉴럴넷 기반 분류모델을 이용하여 얻어지는 쿼리에 대한 토큰화된(tokenized) 입력 문장을 포함할 수 있다.
단계(660)에서 컴퓨터 장치(200)는 예측된 의도에 기반하여 응답을 제공할 수 있다. 예를 들어, 컴퓨터 장치(200)는 예측된 의도에 기반하여 기능을 특정하고, 특정된 기능의 실행 여부에 대해 사용자에게 확인을 받기 위한 확인받기 응답 또는 특정된 기능의 사용 방법에 대한 가이드를 제공하기 위한 가이드 응답을 생성하여 전달할 수 있다. 이때, 실시예에 따라 컴퓨터 장치(200)는 쿼리에 대한 자연 언어 이해에 기반하여 얻어지는 부분 분석 결과에 더 기반하여 응답을 생성할 수 있다. 일례로, 부분 분석 결과는 예측된 의도에 대한 타겟에 대한 정보(일례로, 앞서 설명한 슬롯)를 포함할 수 있다.
도 7은 본 발명의 일실시예에 있어서, 질의 의도 분류기의 대표 모델의 예를 도시한 도면이다. 도 7은 도 3을 통해 설명한 질의 의도 분류기(330)에서 활용 가능한 대표 모델의 예를 나타내고 있다. 도 7은 도 4에서 설명한 대화 상태 인코더(410), 디바이스 상태 인코더(420), 문장 인코더(430) 및 의도 분류기(440)를 나타내고 있다. 이때, 도 7에서 대화 상태 인코더(410)는 뉴럴넷 기반 분류모델로서 RNN을 문장 인코더(430)는 뉴럴넷 기반 분류모델로서 Bidirectional RNN을 사용하는 예를 나타내고 있다. 한편, 디바이스 상태 인코더(420)는 뉴럴넷 기반 분류모델 대신, 상태에 대한 값들의 평균값을 이용하는 예를 나타내고 있다. 얻어진 표현들(Representations)은 의도 분류기(440)에 의해 연결될 수 있으며, 연결된 전체 표현에 따라 딥러닝 기반 확률 모델을 이용한 통계적 확률에 의해 의도 불분명 질의에 대해서도 사용자의 의도가 예측될 수 있다.
이처럼 본 발명의 실시예들에 따르면, 의도 불분명 질의에 대해 딥러닝 기반 확률 모델을 이용하여 질의자의 의도를 예측할 수 있다. 또한, 의도 불분명 질의에 대해 예측된 의도 및 자연 언어 이해(Natural Language Understanding, NLU)의 부분 분석 결과를 이용하여 가이드 및 확인받기(confirmation) 등의 응답을 제공할 수 있다.
이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (20)
- 적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 질의 처리 방법에 있어서,
상기 적어도 하나의 프로세서에 의해, 사용자의 발화에 기초한 쿼리 및 상기 사용자와 연관된 컨텍스트를 입력받는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 쿼리에 대한 자연 언어 이해(Natural Language Understanding, NLU)에 기반하여 상기 쿼리에 대한 상기 사용자의 의도를 분석하는 단계; 및
상기 분석을 통해 사용자의 의도가 결정되지 않는 경우, 상기 적어도 하나의 프로세서에 의해, 상기 쿼리 및 상기 컨텍스트가 포함하는 디바이스의 상태들에 대한 상태 벡터를 포함하는 디바이스 상태 표현(Device Status Representation)을 적어도 입력으로 갖는 딥러닝 기반 확률 모델을 이용하여 상기 사용자의 의도를 예측하는 단계
를 포함하고,
상기 컨텍스트는, 상기 사용자와 연관된 대화 히스토리 중 적어도 일부 및 상기 사용자의 발화를 입력받은 상기 사용자의 디바이스의 복수의 항목별 상태에 대한 정보를 포함하고,
상기 사용자의 의도를 예측하는 단계는,
(1) 상기 대화 히스토리와 관련하여, 대화에 대한 상태를 결정하도록 학습된 뉴럴넷(neural net) 기반 분류모델을 통해 얻어지는 상기 대화 히스토리의 상태 변화 시퀀스를 포함하는 대화 흐름 표현과 (2) 상기 복수의 항목별 상태에 대한 정보와 관련하여, 특정 항목의 상태에 대한 정보를 통해 해당 항목에 대해 기설정된 상태들 중 하나를 출력하도록 학습된 뉴럴넷 기반 분류모델을 이용하여 얻어지는 상기 디바이스의 상태 벡터를 포함하는 상기 디바이스 상태 표현을 연결시켜 의도 예측을 위한 전체 표현을 생성하고, 상기 딥러닝 기반 확률 모델을 통해 상기 전체 표현에 대응하여 통계적 확률에 따라 결정되는 의도를 상기 사용자의 의도로서 예측하는 것
을 특징으로 하는 질의 처리 방법. - 삭제
- 제1항에 있어서,
상기 사용자의 의도를 예측하는 단계는,
상기 쿼리에 대한 토큰화된(tokenized) 입력 문장을 포함하는 문장 표현(Sentence Representation)을 더 연결시켜 상기 의도 예측을 위한 전체 표현을 생성하는 것을 특징으로 하는 질의 처리 방법. - 삭제
- 삭제
- 제3항에 있어서,
상기 문장 표현은, 입력 문장을 토큰화하여 토큰화된 텍스트의 시퀀스를 출력하도록 학습된 뉴럴넷 기반 분류모델을 이용하여 얻어지는 상기 쿼리에 대한 토큰화된(tokenized) 입력 문장을 포함하는 것을 특징으로 하는 질의 처리 방법. - 제1항에 있어서,
상기 적어도 하나의 프로세서에 의해, 상기 예측된 의도에 기반하여 응답을 제공하는 단계
를 더 포함하는 질의 처리 방법. - 제7항에 있어서,
상기 응답을 제공하는 단계는,
상기 예측된 의도에 기반하여 기능을 특정하고, 상기 특정된 기능의 실행 여부에 대해 사용자에게 확인을 받기 위한 확인받기 응답 또는 상기 특정된 기능의 사용 방법에 대한 가이드를 제공하기 위한 가이드 응답을 생성하여 전달하는 것을 특징으로 하는 질의 처리 방법. - 제7항에 있어서,
상기 응답을 제공하는 단계는,
상기 쿼리에 대한 자연 언어 이해(Natural Language Understanding, NLU)에 기반하여 얻어지는 부분 분석 결과에 더 기반하여 응답을 생성하는 것을 특징으로 하는 질의 처리 방법. - 제9항에 있어서,
상기 부분 분석 결과는 상기 예측된 의도에 대한 타겟에 대한 정보를 포함하는 것을 특징으로 하는 질의 처리 방법. - 제1항에 있어서,
상기 사용자의 의도를 분석하는 단계는,
상기 컨텍스트에 기반한 대화 상태 관리에 더 기반하여 상기 사용자의 의도를 분석하는 것을 특징으로 하는 질의 처리 방법. - 제1항에 있어서,
상기 분석을 통해 사용자의 의도가 결정된 경우, 상기 적어도 하나의 프로세서에 의해, 상기 결정된 의도에 기반하여 응답을 제공하는 단계
를 더 포함하는 것을 특징으로 하는 질의 처리 방법. - 컴퓨터 장치와 결합되어 제1항, 제3항 또는 제6항 내지 제12항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 제1항, 제3항 또는 제6항 내지 제12항 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.
- 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서에 의해,
사용자의 발화에 기초한 쿼리 및 상기 사용자와 연관된 컨텍스트를 입력받고,
상기 쿼리에 대한 자연 언어 이해(Natural Language Understanding, NLU)에 기반하여 상기 쿼리에 대한 상기 사용자의 의도를 분석하고,
상기 분석을 통해 사용자의 의도가 결정되지 않는 경우, 상기 쿼리 및 상기 컨텍스트가 포함하는 디바이스의 상태들에 대한 상태 벡터를 포함하는 디바이스 상태 표현(Device Status Representation)을 적어도 입력으로 갖는 딥러닝 기반 확률 모델을 이용하여 상기 사용자의 의도를 예측하고,
상기 컨텍스트는, 상기 사용자와 연관된 대화 히스토리 중 적어도 일부 및 상기 사용자의 발화를 입력받은 상기 사용자의 디바이스의 복수의 항목별 상태에 대한 정보를 포함하고,
상기 사용자의 의도를 예측하기 위해, 상기 적어도 하나의 프로세서에 의해,
(1) 상기 대화 히스토리와 관련하여, 대화에 대한 상태를 결정하도록 학습된 뉴럴넷(neural net) 기반 분류모델을 통해 얻어지는 상기 대화 히스토리의 상태 변화 시퀀스를 포함하는 대화 흐름 표현과 (2) 상기 복수의 항목별 상태에 대한 정보와 관련하여, 특정 항목의 상태에 대한 정보를 통해 해당 항목에 대해 기설정된 상태들 중 하나를 출력하도록 학습된 뉴럴넷 기반 분류모델을 이용하여 얻어지는 상기 디바이스의 상태 벡터를 포함하는 상기 디바이스 상태 표현을 연결시켜 의도 예측을 위한 전체 표현을 생성하고, 상기 딥러닝 기반 확률 모델을 통해 상기 전체 표현에 대응하여 통계적 확률에 따라 결정되는 의도를 상기 사용자의 의도로서 예측하는 것
을 특징으로 하는 컴퓨터 장치. - 삭제
- 제15항에 있어서,
상기 적어도 하나의 프로세서에 의해,
상기 쿼리에 대한 토큰화된(tokenized) 입력 문장을 포함하는 문장 표현(Sentence Representation)을 더 연결시켜 상기 의도 예측을 위한 전체 표현을 생성하는 것
을 특징으로 하는 컴퓨터 장치. - 삭제
- 삭제
- 제17항에 있어서,
상기 문장 표현은, 입력 문장을 토큰화하여 토큰화된 텍스트의 시퀀스를 출력하도록 학습된 뉴럴넷 기반 분류모델을 이용하여 얻어지는 상기 쿼리에 대한 토큰화된(tokenized) 입력 문장을 포함하는 것
을 특징으로 하는 컴퓨터 장치.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190024309A KR102204740B1 (ko) | 2019-02-28 | 2019-02-28 | 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 |
JP2020031802A JP6960006B2 (ja) | 2019-02-28 | 2020-02-27 | 会話システムにおいて意図が不明確なクエリを処理する方法およびシステム |
US16/804,276 US11403345B2 (en) | 2019-02-28 | 2020-02-28 | Method and system for processing unclear intent query in conversation system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190024309A KR102204740B1 (ko) | 2019-02-28 | 2019-02-28 | 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200106126A KR20200106126A (ko) | 2020-09-11 |
KR102204740B1 true KR102204740B1 (ko) | 2021-01-19 |
Family
ID=72236697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190024309A KR102204740B1 (ko) | 2019-02-28 | 2019-02-28 | 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11403345B2 (ko) |
JP (1) | JP6960006B2 (ko) |
KR (1) | KR102204740B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023177079A1 (ko) * | 2022-03-18 | 2023-09-21 | 삼성전자주식회사 | 합성 벡터에 기반하여 사용자 발화를 처리하는 서버, 전자 장치, 및 이의 동작 방법 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7448350B2 (ja) * | 2019-12-18 | 2024-03-12 | トヨタ自動車株式会社 | エージェント装置、エージェントシステム、及びエージェントプログラム |
US11657810B2 (en) * | 2020-07-27 | 2023-05-23 | International Business Machines Corporation | Query routing for bot-based query response |
CN114238066A (zh) * | 2020-09-09 | 2022-03-25 | 华为技术有限公司 | 基于人机对话的任务测试方法、相关设备及存储介质 |
CN114531334A (zh) * | 2020-11-04 | 2022-05-24 | 南京中兴新软件有限责任公司 | 意图处理方法、装置、电子设备和可读存储介质 |
KR102441854B1 (ko) * | 2020-11-20 | 2022-09-13 | 네이버 주식회사 | 범용적인 감정 분석 서비스를 위한 방법 및 장치 |
KR102446294B1 (ko) * | 2020-11-23 | 2022-09-22 | 주식회사 와이즈넛 | 검색 기반의 대화 시스템에서 다음 발화의 응답 선택을 위한 발화 조작 장치 및 그 방법 |
CN112382279B (zh) * | 2020-11-24 | 2021-09-14 | 北京百度网讯科技有限公司 | 语音识别方法、装置、电子设备和存储介质 |
CN112579758A (zh) * | 2020-12-25 | 2021-03-30 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备、存储介质和程序产品 |
CN112732911B (zh) * | 2020-12-30 | 2023-10-10 | 平安科技(深圳)有限公司 | 基于语义识别的话术推荐方法、装置、设备及存储介质 |
CN112766990B (zh) * | 2021-02-01 | 2023-07-28 | 北京邮电大学 | 基于多轮对话改进的智能客服辅助***和方法 |
US11875121B2 (en) * | 2021-05-28 | 2024-01-16 | International Business Machines Corporation | Generating responses for live-streamed questions |
US20230088601A1 (en) * | 2021-09-15 | 2023-03-23 | Samsung Electronics Co., Ltd. | Method for processing incomplete continuous utterance and server and electronic device for performing the method |
KR20230039909A (ko) * | 2021-09-15 | 2023-03-22 | 삼성전자주식회사 | 불완전 연속 발화를 처리하는 서버, 전자 장치 및 그의 동작 방법 |
KR20230060719A (ko) * | 2021-10-28 | 2023-05-08 | 주식회사 스켈터랩스 | 대화 시스템에서, 슬롯을 추출하기 위한 장치, 방법, 시스템 및 컴퓨터 판독가능 저장 매체 |
US20230230584A1 (en) * | 2022-01-18 | 2023-07-20 | Samsung Electronics Co., Ltd. | System and method for simultaneously identifying intent and slots in voice assistant commands |
US20230350928A1 (en) * | 2022-04-28 | 2023-11-02 | Knowbl LLC | Systems and methods for implementing a virtual agent performing context and query transformations using unsupervised machine learning models |
WO2024085592A1 (ko) * | 2022-10-19 | 2024-04-25 | 삼성전자 주식회사 | 전자 장치 및 전자 장치의 음성 어시스턴트 서비스 제공 방법 |
US11822894B1 (en) * | 2022-12-30 | 2023-11-21 | Fmr Llc | Integrating common and context-specific natural language understanding processing in a virtual assistant application |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014038150A (ja) * | 2012-08-13 | 2014-02-27 | Toshiba Corp | 音声対話システム及び音声対話方法 |
JP2017021523A (ja) * | 2015-07-09 | 2017-01-26 | 日本電信電話株式会社 | 用語意味コード判定装置、方法、及びプログラム |
US20180253638A1 (en) | 2017-03-02 | 2018-09-06 | Accenture Global Solutions Limited | Artificial Intelligence Digital Agent |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100918644B1 (ko) | 2009-06-17 | 2009-09-25 | 김정중 | 대화 시스템 및 대화 문장 생성 방법 |
US9171541B2 (en) * | 2009-11-10 | 2015-10-27 | Voicebox Technologies Corporation | System and method for hybrid processing in a natural language voice services environment |
WO2015079575A1 (ja) * | 2013-11-29 | 2015-06-04 | 株式会社 東芝 | 対話支援システム、方法、及びプログラム |
US9715875B2 (en) * | 2014-05-30 | 2017-07-25 | Apple Inc. | Reducing the need for manual start/end-pointing and trigger phrases |
CN105094315B (zh) * | 2015-06-25 | 2018-03-06 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机智能聊天的方法和装置 |
DK201670540A1 (en) * | 2016-06-11 | 2018-01-08 | Apple Inc | Application integration with a digital assistant |
US10762892B2 (en) * | 2017-02-23 | 2020-09-01 | Semantic Machines, Inc. | Rapid deployment of dialogue system |
JP2018169494A (ja) * | 2017-03-30 | 2018-11-01 | トヨタ自動車株式会社 | 発話意図推定装置および発話意図推定方法 |
CN107562816B (zh) * | 2017-08-16 | 2021-02-09 | 苏州狗尾草智能科技有限公司 | 用户意图自动识别方法及装置 |
EP3495771A1 (en) * | 2017-12-11 | 2019-06-12 | Hexagon Technology Center GmbH | Automated surveying of real world objects |
US11954613B2 (en) * | 2018-02-01 | 2024-04-09 | International Business Machines Corporation | Establishing a logical connection between an indirect utterance and a transaction |
US11404058B2 (en) * | 2018-10-31 | 2022-08-02 | Walmart Apollo, Llc | System and method for handling multi-turn conversations and context management for voice enabled ecommerce transactions |
US11036724B2 (en) * | 2019-09-04 | 2021-06-15 | Microsoft Technology Licensing, Llc | Interactive visual search engine |
JP7272293B2 (ja) * | 2020-01-29 | 2023-05-12 | トヨタ自動車株式会社 | エージェント装置、エージェントシステム及びプログラム |
-
2019
- 2019-02-28 KR KR1020190024309A patent/KR102204740B1/ko active IP Right Grant
-
2020
- 2020-02-27 JP JP2020031802A patent/JP6960006B2/ja active Active
- 2020-02-28 US US16/804,276 patent/US11403345B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014038150A (ja) * | 2012-08-13 | 2014-02-27 | Toshiba Corp | 音声対話システム及び音声対話方法 |
JP2017021523A (ja) * | 2015-07-09 | 2017-01-26 | 日本電信電話株式会社 | 用語意味コード判定装置、方法、及びプログラム |
US20180253638A1 (en) | 2017-03-02 | 2018-09-06 | Accenture Global Solutions Limited | Artificial Intelligence Digital Agent |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023177079A1 (ko) * | 2022-03-18 | 2023-09-21 | 삼성전자주식회사 | 합성 벡터에 기반하여 사용자 발화를 처리하는 서버, 전자 장치, 및 이의 동작 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20200106126A (ko) | 2020-09-11 |
US20200279002A1 (en) | 2020-09-03 |
JP6960006B2 (ja) | 2021-11-05 |
JP2020140210A (ja) | 2020-09-03 |
US11403345B2 (en) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102204740B1 (ko) | 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 | |
JP6942841B2 (ja) | ダイアログ・システムにおけるパラメータ収集および自動ダイアログ生成 | |
US11037572B1 (en) | Outcome-oriented dialogs on a speech recognition platform | |
CN111837116B (zh) | 自动构建或更新对话式ai***的对话流管理模型的方法 | |
JP2019502944A (ja) | 対話補助 | |
JP2019503526A5 (ko) | ||
KR102120751B1 (ko) | 대화 이해 ai 시스템에 의하여, 머신러닝을 대화 관리 기술에 적용한 하이브리드 계층적 대화 흐름 모델을 기초로 답변을 제공하는 방법 및 컴퓨터 판독가능 기록 매체 | |
CN107112009B (zh) | 用于生成混淆网络的方法、***和计算机可读存储设备 | |
CN115398436A (zh) | 用于自然语言处理的噪声数据扩充 | |
CN110268472B (zh) | 用于自动化对话***的检测机构 | |
CN116547676A (zh) | 用于自然语言处理的增强型logit | |
JP2024521024A (ja) | コンテキストに応じた音声テキスト変換 | |
US11756538B1 (en) | Lower latency speech processing | |
CN116235246A (zh) | 基于个性化词汇和用户简档的语音响应***-个性化语言学ai引擎 | |
US20240185846A1 (en) | Multi-session context | |
US20220075960A1 (en) | Interactive Communication System with Natural Language Adaptive Components | |
CN112837683B (zh) | 语音服务方法及装置 | |
US10706086B1 (en) | Collaborative-filtering based user simulation for dialog systems | |
US20220180865A1 (en) | Runtime topic change analyses in spoken dialog contexts | |
US11907676B1 (en) | Processing orchestration for systems including distributed components | |
JP2022121386A (ja) | テキストベースの話者変更検出を活用した話者ダイアライゼーション補正方法およびシステム | |
CN114761944A (zh) | 域结构知识上的会话代理 | |
KR20210085182A (ko) | 사용자 발화 의도 인식을 위한 시스템, 서버 및 방법 | |
RU2759090C1 (ru) | Способ управления диалогом и система понимания естественного языка в платформе виртуальных ассистентов | |
US11966663B1 (en) | Speech processing and multi-modal widgets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
E90F | Notification of reason for final refusal | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |