KR102371447B1 - 딥 러닝 모델을 이용한 효율적인 토픽 작성 방법 및 장치 - Google Patents
딥 러닝 모델을 이용한 효율적인 토픽 작성 방법 및 장치 Download PDFInfo
- Publication number
- KR102371447B1 KR102371447B1 KR1020200121438A KR20200121438A KR102371447B1 KR 102371447 B1 KR102371447 B1 KR 102371447B1 KR 1020200121438 A KR1020200121438 A KR 1020200121438A KR 20200121438 A KR20200121438 A KR 20200121438A KR 102371447 B1 KR102371447 B1 KR 102371447B1
- Authority
- KR
- South Korea
- Prior art keywords
- text
- electronic device
- personal information
- topic
- level
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명의 일 실시예에 따르면, 딥 러닝 모델을 이용하여 효율적으로 토픽을 작성 및 분석하는 방법 및 장치가 제공된다.
Description
본 출원은 딥 러닝 모델을 이용한 효율적인 토픽 작성 방법 및 장치에 관한 것으로, 구체적으로는 학습자에 대한 딥 러닝 모델을 이용하여 입력되는 텍스트에 대응하는 추천 문장을 제공하여, 효율적인 토픽 작성 방법을 제공하는 전자 장치 및 그 동작 방법에 관한 것이다.
업무자들은 다양한 종류의 토픽(또는, 전자적 문서)을 작성하고 작성된 토픽들을 공유하는 방식으로, 업무자들 간에 비대면 방식으로 업무를 수행할 수 있다.
최근 비대면 방식의 업무의 수행이 빈번해짐에 따라 업무자들의 토픽 작성 양이 종래에 비하여 기하 급수적으로 증가되고 있다. 이에 따른, 토픽 작성에 소요되는 업무자들의 업무 량이 증가하고 있는 실정이다.
따라서, 토픽의 작성 시 토픽 작성에 소요되는 업무 량을 감소시키기 위한 토픽 작성의 효율성을 향상시키기 위한 기술 및 작성된 방대한 양의 토픽들을 효율적으로 관리하기 위한 기술의 구현이 요구되는 시점이다.
본 출원의 일 실시예에 따르면, 일 과제는 토픽의 작성 시 수신되는 자연어 처리 및 딥 러닝 모델에 기반하여 적어도 하나의 추천 문장을 제공하여 사용자로 하여금 효율적으로 토픽을 작성 가능 하게하는 전자 장치 및 동작 방법을 제공하는 것에 있다.
본 출원의 일 실시예에 따르면, 다른 과제는 추천 문장의 제공 시 생성된 추천 문장 내의 개인 정보와 연관된 부분을 기설정된 수준의 개인 정보 레벨의 텍스트로 대체하여, 사용자에 대한 개인 정보를 보호하는 전자 장치 및 동작 방법을 제공하는 것에 있다.
본 출원의 일 실시예에 따르면, 또 다른 과제는 추천 문장을 기반으로 작성된 토픽을 자동으로 특정 업무로 분류하고, 토픽으로부터 식별된 업무를 연관된 사용자에게 배정하여 효율적으로 업무를 관리하는 전자 장치 및 동작 방법을 제공하는 것에 있다.
본 출원이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 일 실시예에 따르면, 전자 장치의 동작 방법으로서, 서버로부터 상기 서버에 축적된 복수의 토픽들로부터 분석된 복수의 토픽들의 특성들에 대한 정보 및 상기 복수의 토픽들에 포함된 문장들을 트레이닝 데이터로하여 딥 러닝을 수행하여 생성된 딥 러닝 모델을 포함하는 문서 작성 프로그램을 수신하는 단계;를 포함하고, 상기 딥 러닝 모델은 토픽의 상기 특성들에 대한 정보가 입력되는 경우 적어도 하나의 추천 문장을 출력하도록 설정되고, 상기 특성들은 상기 토픽의 제목, 및 키워드를 포함하고, 상기 문서 작성 프로그램을 실행하고, 실행된 문서 작성 프로그램의 실행 화면 상에서 사용자로부터 적어도 하나의 텍스트를 수신하는 단계; 상기 문서 작성 프로그램에 포함된 상기 딥 러닝 모델을 이용하여, 적어도 하나의 텍스트에 대응하는 제 1 추천 문장을 생성하는 단계; 상기 생성된 제 1 추천 문장 내의 개인 정보와 연관된 부분을 식별하고, 식별된 부분을 제 1 텍스트로 대체하여 제 2 추천 문장을 생성하는 단계;를 포함하고, 상기 제 1 텍스트는 상기 식별된 부분 보다 더 적은 양의 상기 개인 정보를 포함하고, 상기 생성된 제 2 추천 문장을 제공하고, 상기 제공된 제 2 추천 문장을 포함하는 토픽을 생성하는 단계; 및 상기 생성된 토픽을 상기 서버로 송신하는 단계;를 포함하는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 전자 장치로서, 통신 회로; 및 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는: 상기 통신 회로를 이용하여 서버로부터 상기 서버에 축적된 복수의 토픽들로부터 분석된 복수의 토픽들의 특성들에 대한 정보 및 상기 복수의 토픽들에 포함된 문장들을 트레이닝 데이터로하여 딥 러닝을 수행하여 생성된 딥 러닝 모델을 포함하는 문서 작성 프로그램을 수신하고, 상기 딥 러닝 모델은 토픽의 상기 특성들에 대한 정보가 입력되는 경우 적어도 하나의 추천 문장을 출력하도록 설정되고, 상기 특성들은 상기 토픽의 제목, 및 키워드를 포함하고, 상기 문서 작성 프로그램을 실행하고, 실행된 문서 작성 프로그램의 실행 화면 상에서 사용자로부터 적어도 하나의 텍스트를 수신하고, 상기 문서 작성 프로그램에 포함된 상기 딥 러닝 모델을 이용하여, 적어도 하나의 텍스트에 대응하는 제 1 추천 문장을 생성하고, 상기 생성된 제 1 추천 문장 내의 개인 정보와 연관된 부분을 식별하고, 식별된 부분을 제 1 텍스트로 대체하여 제 2 추천 문장을 생성하고, 상기 제 1 텍스트는 상기 식별된 부분 보다 더 적은 양의 상기 개인 정보를 포함하고, 상기 생성된 제 2 추천 문장을 제공하고, 상기 제공된 제 2 추천 문장을 포함하는 토픽을 생성하고, 상기 통신 회로를 이용하여 상기 생성된 토픽을 상기 서버로 송신하도록 설정된, 전자 장치가 제공될 수 있다.
과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 일 실시예에 따르면, 토픽의 작성 시 수신되는 텍스트 및 딥 러닝 모델에 기반하여 적어도 하나의 추천 문장을 제공하여 사용자로 하여금 효율적으로 토픽을 작성 가능 하게하는 전자 장치 및 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 추천 문장의 제공 시 생성된 추천 문장 내의 개인 정보와 연관된 부분을 기설정된 수준의 개인 정보 레벨의 텍스트로 대체하여, 사용자에 대한 개인 정보를 보호하는 전자 장치 및 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 추천 문장을 기반으로 작성된 토픽을 자동으로 특정 업무로 분류하고, 토픽으로부터 식별된 업무를 연관된 사용자에게 배정하여 효율적으로 업무를 관리하는 전자 장치 및 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 효과가 상술한 효과로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템에 포함된 장치들의 일 예를 설명하기 위한 도면이다.
도 2는 본 출원의 일 실시예에 따른 서버 및 전자 장치의 일 예를 나타내는 블록도이다.
도 3은 본 출원의 일 실시예에 따른 서버의 문장 추천을 위한 딥 러닝(machine-learning) 모델(model)을 생성하는 동작의 일 예를 설명하기 위한 도면이다.
도 4는 본 출원의 일 실시예에 따른 토픽 분석 및 이에 기반한 서비스를 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 5는 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 일 예를 설명하기 위한 흐름도이다.
도 6은 본 출원의 일 실시예에 따른 서버의 프로그램(예: 문서 작성 프로그램)의 제공 및 전자 장치의 프로그램에 기반한 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 7은 본 출원의 일 실시예에 따른 딥 러닝 모델에 기반한 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 8은 본 출원의 일 실시예에 따른 전자 장치의 토픽 작성 완료 및 서버의 토픽 분류 동작의 일 예를 설명하기 위한 도면이다.
도 9은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 10은 본 출원의 일 실시예에 따른 전자 장치의 개인 정보 레벨에 기반한 추천 문장 재구성 동작의 일 예를 설명하기 위한 도면이다.
도 11은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 12는 본 출원의 일 실시예에 따른 전자 장치의 연속적으로 추천 문장의 제공 시 추천 문장 내의 개인 정보와 연관된 부분을 선택된 개인 정보 레벨의 텍스트로 구성하여 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 13은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 14는 본 출원의 일 실시예에 따른 서버의 토픽 분석에 기반한 토픽과 연관된 업무 식별, 및 토픽 업무 분배 동작의 일 예를 설명하기 위한 도면이다.
도 2는 본 출원의 일 실시예에 따른 서버 및 전자 장치의 일 예를 나타내는 블록도이다.
도 3은 본 출원의 일 실시예에 따른 서버의 문장 추천을 위한 딥 러닝(machine-learning) 모델(model)을 생성하는 동작의 일 예를 설명하기 위한 도면이다.
도 4는 본 출원의 일 실시예에 따른 토픽 분석 및 이에 기반한 서비스를 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 5는 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 일 예를 설명하기 위한 흐름도이다.
도 6은 본 출원의 일 실시예에 따른 서버의 프로그램(예: 문서 작성 프로그램)의 제공 및 전자 장치의 프로그램에 기반한 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 7은 본 출원의 일 실시예에 따른 딥 러닝 모델에 기반한 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 8은 본 출원의 일 실시예에 따른 전자 장치의 토픽 작성 완료 및 서버의 토픽 분류 동작의 일 예를 설명하기 위한 도면이다.
도 9은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 10은 본 출원의 일 실시예에 따른 전자 장치의 개인 정보 레벨에 기반한 추천 문장 재구성 동작의 일 예를 설명하기 위한 도면이다.
도 11은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 12는 본 출원의 일 실시예에 따른 전자 장치의 연속적으로 추천 문장의 제공 시 추천 문장 내의 개인 정보와 연관된 부분을 선택된 개인 정보 레벨의 텍스트로 구성하여 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다.
도 13은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 14는 본 출원의 일 실시예에 따른 서버의 토픽 분석에 기반한 토픽과 연관된 업무 식별, 및 토픽 업무 분배 동작의 일 예를 설명하기 위한 도면이다.
본 출원의 일 실시예에 따르면, 전자 장치의 동작 방법으로서, 서버로부터 상기 서버에 축적된 복수의 토픽들로부터 분석된 복수의 토픽들의 특성들에 대한 정보 및 상기 복수의 토픽들에 포함된 문장들을 트레이닝 데이터로하여 딥 러닝을 수행하여 생성된 딥 러닝 모델을 포함하는 문서 작성 프로그램을 수신하는 단계;를 포함하고, 상기 딥 러닝 모델은 토픽의 상기 특성들에 대한 정보가 입력되는 경우 적어도 하나의 추천 문장을 출력하도록 설정되고, 상기 특성들은 상기 토픽의 제목, 및 키워드를 포함하고, 상기 문서 작성 프로그램을 실행하고, 실행된 문서 작성 프로그램의 실행 화면 상에서 사용자로부터 적어도 하나의 텍스트를 수신하는 단계; 상기 문서 작성 프로그램에 포함된 상기 딥 러닝 모델을 이용하여, 적어도 하나의 텍스트에 대응하는 제 1 추천 문장을 생성하는 단계; 상기 생성된 제 1 추천 문장 내의 개인 정보와 연관된 부분을 식별하고, 식별된 부분을 제 1 텍스트로 대체하여 제 2 추천 문장을 생성하는 단계;를 포함하고, 상기 제 1 텍스트는 상기 식별된 부분 보다 더 적은 양의 상기 개인 정보를 포함하고, 상기 생성된 제 2 추천 문장을 제공하고, 상기 제공된 제 2 추천 문장을 포함하는 토픽을 생성하는 단계; 및 상기 생성된 토픽을 상기 서버로 송신하는 단계;를 포함하는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 딥 러닝 모델을 이용하여, 상기 적어도 하나의 텍스트에 대응하는 복수의 추천 문장들을 생성하는 단계; 상기 제 2 추천 문장과 상기 복수의 추천 문장들 중 상기 제 2 추천 문장과 다른 나머지 추천 문장들을 비교하여, 상기 나머지 추천 문장들로부터 상기 제 2 추천 문장의 제 1 부분에 대응하는 제 2 부분을 식별하는 단계; 상기 생성된 제 2 추천 문장 중 상기 제 1 부분을 나머지 부분과 시각적으로 상이하게 표시하는 단계; 상기 제 1 부분이 선택되는 경우, 상기 제 2 부분을 포함하는 리스트를 제공하는 단계; 및 상기 제 2 부분이 선택되는 경우, 상기 제 1 부분을 상기 제 2 부분으로 대체하는 단계;를 포함하는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 제 2 추천 문장의 제공 이후, 적어도 하나의 제 1 텍스트를 수신하는 단계;를 포함하고, 상기 제 2 추천 문장과 상기 적어도 하나의 제 1 텍스트는 시각적으로 상이하게 표시되고, 상기 딥 러닝 모델을 이용하여 상기 적어도 하나의 제 1 텍스트에 대응하는 제 3 추천 문장을 생성하여 제공하는 단계;를 포함하는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 생성된 제 1 추천 문장 내의 상기 개인 정보와 연관된 부분에 포함된 개인 정보를 나타내는 텍스트들의 개수를 식별하는 단계; 상기 식별된 개수에 대응하는 개인 정보 레벨을 식별하는 단계;를 포함하고, 상기 개인 정보 레벨은 상기 식별된 개수에 비례하고, 기설정된 개인 정보 레벨 보다 상기 식별된 개인 정보 레벨이 높은 경우, 상기 식별된 정보와 연관된 부분을 기반으로 상기 식별된 개인 정보 레벨 보다 낮은 제 1 개인 정보 레벨을 갖는 복수 개의 텍스트들을 생성하는 단계; 및 상기 생성된 복수 개의 텍스트들 중 상기 기설정된 개인 정보 레벨을 갖는 상기 제 1 텍스트를 식별하고, 식별된 제 1 텍스트로 상기 식별된 부분을 대체하는 단계;를 더 포함하는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 기설정된 개인 정보 레벨은 0 레벨이며, 상기 제 1 텍스트는 상기 개인 정보를 나타내는 상기 텍스트들을 포함하지 않는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 제 2 추천 문장 내의 상기 제 1 텍스트를 시각적으로 다른 부분과 다르게 표시하는 단계; 상기 제 1 텍스트가 선택된 경우, 상기 제 1 개인 정보 레벨을 갖는 상기 복수 개의 텍스트들 중 상기 제 1 텍스트와는 다른 텍스트들을 포함하는 리스트를 제공하는 단계; 및 상기 제 1 텍스트와는 다른 텍스트들 중 제 2 텍스트가 선택되는 경우, 상기 제 2 텍스트로 상기 제 1 텍스트를 대체하는 단계;를 더 포함하는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 제 2 텍스트로 상기 제 1 텍스트를 대체한 이후, 적어도 하나의 제 1 텍스트를 수신하는 단계; 상기 적어도 하나의 제 1 텍스트에 대응하는 제 3 추천 문장을 생성하는 단계; 및 상기 제 3 추천 문장 내에서 상기 개인 정보와 연관된 제 1 부분을 식별하고, 상기 식별된 제 1 부분을 상기 제 2 텍스트에 대응하는 개인 정보 레벨을 갖는 제 3 텍스트로 대체하는 단계;를 포함하는, 동작 방법이 제공될 수 있다.
본 출원의 일 실시예에 따르면, 전자 장치로서, 통신 회로; 및 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는: 상기 통신 회로를 이용하여 서버로부터 상기 서버에 축적된 복수의 토픽들로부터 분석된 복수의 토픽들의 특성들에 대한 정보 및 상기 복수의 토픽들에 포함된 문장들을 트레이닝 데이터로하여 딥 러닝을 수행하여 생성된 딥 러닝 모델을 포함하는 문서 작성 프로그램을 수신하고, 상기 딥 러닝 모델은 토픽의 상기 특성들에 대한 정보가 입력되는 경우 적어도 하나의 추천 문장을 출력하도록 설정되고, 상기 특성들은 상기 토픽의 제목, 및 키워드를 포함하고, 상기 문서 작성 프로그램을 실행하고, 실행된 문서 작성 프로그램의 실행 화면 상에서 사용자로부터 적어도 하나의 텍스트를 수신하고, 상기 문서 작성 프로그램에 포함된 상기 딥 러닝 모델을 이용하여, 적어도 하나의 텍스트에 대응하는 제 1 추천 문장을 생성하고, 상기 생성된 제 1 추천 문장 내의 개인 정보와 연관된 부분을 식별하고, 식별된 부분을 제 1 텍스트로 대체하여 제 2 추천 문장을 생성하고, 상기 제 1 텍스트는 상기 식별된 부분 보다 더 적은 양의 상기 개인 정보를 포함하고, 상기 생성된 제 2 추천 문장을 제공하고, 상기 제공된 제 2 추천 문장을 포함하는 토픽을 생성하고, 상기 통신 회로를 이용하여 상기 생성된 토픽을 상기 서버로 송신하도록 설정된, 전자 장치가 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 적어도 하나의 프로세서는: 상기 딥 러닝 모델을 이용하여, 상기 적어도 하나의 텍스트에 대응하는 복수의 추천 문장들을 생성하고, 상기 제 2 추천 문장과 상기 복수의 추천 문장들 중 상기 제 2 추천 문장과 다른 나머지 추천 문장들을 비교하여, 상기 나머지 추천 문장들로부터 상기 제 2 추천 문장의 제 1 부분에 대응하는 제 2 부분을 식별하고, 상기 생성된 제 2 추천 문장 중 상기 제 1 부분을 나머지 부분과 시각적으로 상이하게 표시하고, 상기 제 1 부분이 선택되는 경우, 상기 제 2 부분을 포함하는 리스트를 제공하고, 상기 제 2 부분이 선택되는 경우, 상기 제 1 부분을 상기 제 2 부분으로 대체하도록 설정된, 전자 장치가 제공될 수 있다.
본 출원의 일 실시예에 따르면, 상기 적어도 하나의 프로세서는: 상기 제 2 추천 문장의 제공 이후, 적어도 하나의 제 1 텍스트를 수신하고, 상기 제 2 추천 문장과 상기 적어도 하나의 제 1 텍스트는 시각적으로 상이하게 표시되고, 상기 딥 러닝 모델을 이용하여 상기 적어도 하나의 제 1 텍스트에 대응하는 제 3 추천 문장을 생성하여 제공하도록 설정된, 전자 장치가 제공될 수 있다.
1. 딥 러닝 모델에 기반한 지능형 토픽 관리 시스템
이하에서는 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템에 대해서 설명한다.
본 명세서에서 지능형 토픽 관리 시스템은 시스템을 이용하는 사용자들로부터 입력되는 토픽들을 관리 및 분석하는 시스템으로 정의될 수 있다. 상기 토픽들은 상기 사용자들에 의해 입력되는 전자적 문서를 의미하며, 다양한 형태로 작성될 수 있는 전자적인 문서들을 포함할 수 있다. 따라서, 이하에서 기술되는 토픽들은 일종의 전자적인 문서로 이해될 수 있다. 상기 지능형 토픽 관리 시스템은 시스템에 축적된 토픽들을 분석하여 토픽들을 관리하고 관리되는 토픽들에 기반하여 여러 서비스를 제공할 수 있다. 예를 들어, 상기 지능형 토픽 관리 시스템은 토픽들로부터 획득되는 정보들(예: 토픽의 제목, 토픽의 키워드 등) 및 토픽들에 포함되는 문장들에 대한 딥 러닝(Deep learing)을 수행하여 토픽 작성 시 문장을 추천할 수 있다. 또 예를 들어, 상기 지능형 토픽 관리 시스템은 토픽들을 분류하여 관리(예: 토픽 분류 관리)하고, 토픽들로부터 업무를 분석하여 업무와 관련된 사용자를 할당하고, 사용자에게 이를 알리는 서비스(예: 토픽 별 업무 분장)를 수행할 수 있다.
이하에서는 지능형 토픽 관리 시스템에 대해서 더 구체적으로 설명한다.
2. 지능형 토픽 관리 시스템의 구성
도 1은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템에 포함된 장치들의 일 예를 설명하기 위한 도면이다.
도 1을 참조하면, 지능형 토픽 관리 시스템은 서버(100), 및 전자 장치(200)를 포함할 수 있다. 한편, 지능형 토픽 관리 시스템은 적절하게 시스템 타입(system type) 또는 온 디바이스 타입(on-device type)으로 구현될 수 있으므로, 이에 대해서는 "2.2 목차"에서 후술한다.
본 출원의 일 실시예에 따르면, 서버(100)는 방대한 양의 토픽들을 축적하고, 축적된 토픽들을 분석 및/또는 관리하며, 이를 기반으로 서비스를 제공할 수 있다. 예를 들어, 서버(100)는 여러 토픽들을 다양한 외부 장치들(예: 웹 서버, 사용자들의 전자 장치(200))로부터 복수의 토픽들을 획득하고, 축적할 수 있다. 서버(100)는 축적된 복수의 토픽들에 대한 분석 및 관리를 수행하며, 복수의 토픽들과 연관된 다양한 종류의 서비스를 제공할 수 있다. 상술한 바와 같이, 상기 다양한 종류의 서비스는 토픽 작성 시 문장 추천, 토픽 분류 관리, 및 토픽 별 업무 분장 등을 포함할 수 있다.
본 출원의 일 실시예에 따르면, 전자 장치(200)는 상기 서버(100)와 통신 가능하며, 사용자가 이용 가능한 다양한 종류의 전자 장치(201, 202, 203)를 포함할 수 있다. 예를 들어, 상기 전자 장치(200)는 개인용 단말들(예: 스마트 폰(201) 등), 고정된 위치에 구비되는 전자 장치들(예: PC(202) 등), 이동 가능한 개인용 노트 북(203)을 포함할 수 있다. 상기 전자 장치(200)는
한편, 도 1에 도시된 지능형 토픽 관리 시스템에 포함된 장치들에 국한되지 않고, 지능형 토픽 관리 시스템은 더 많은 장치들 또는 더 적은 장치를 포함하도록 구현될 수도 있다.
2.1. 서버(100), 및 전자 장치(200)의 구성들의 일 예
이하에서는 서버(100) 및 전자 장치(200)의 동작을 수행하기 위한 구성들의 일 예에 대해서 설명한다.
도 2는 본 출원의 일 실시예에 따른 서버(100) 및 전자 장치(200)의 일 예를 나타내는 블록도이다. 한편 도 2에 도시된 바에 국한되지 않고, 서버(100), 전자 장치(200)는 도시된 구성들 보다 더 적은 구성 또는 더 많은 구성들을 포함할 수 있다. 예를 들어, 전자 장치(200)가 후술될 서버(100)에 포함된 적어도 하나의 구성(예: 딥 러닝 모델 모듈(124))를 더 포함하여, 서버(100)로부터 제공되는 정보를 기반으로 인터페이스를 구성하는 동작을 수행하도록 구현될 수 있다. 이하에서는 도 3 내지 도 4를 참조하여 도 2에 대해서 더 설명한다.
도 3은 본 출원의 일 실시예에 따른 서버(100)의 문장 추천을 위한 딥 러닝(machine-learning) 모델(model)을 생성하는 동작의 일 예를 설명하기 위한 도면이다. 도 4는 본 출원의 일 실시예에 따른 토픽 분석 및 이에 기반한 서비스를 제공하는 동작의 일 예를 설명하기 위한 도면이다.
한편, 이하에서 설명되는 서버(100)의 제 1 제어 회로(120)에 포함되는 모듈들(예: 인테페이스 제공 모듈(121) 등)은 상기 제 1 제어 회로(120)가 모듈과 연관된 동작을 수행하도록 제어할 수 있다. 다시 말해, 상기 모듈들은 상기 모듈과 연관된 동작을 수행하도록 제어하기 위한 프로그램, 컴퓨터 판독 가능한 코드, 프로세스 내지는 인스트럭션(instructions)들로 구현되며, 상기 모듈들이 상기 제 1 제어 회로(120)에 의해 실행되는 경우, 상기 제어 회로(120)가 상기 모듈과 연관된 동작을 수행하도록 제어할 수 있다.
2.1.1 서버(100)의 구성의 일 예
이하에서는 먼저, 서버(100)의 구성의 일 예에 대해서 설명한다.
도 2를 참조하면, 일 실시예에 따르면 서버(100)는 제 1 통신 회로(110), 인터페이스 제공 모듈(121), 정보 획득 모듈(122), 딥 러닝 모델 모듈(123), 및 정보 분석 모듈(124)을 포함하는 제 1 제어 회로(120), 데이터 베이스(125)를 포함할 수 있다.
상기 제 1 통신 회로(120)는 외부 기기와 통신할 수 있다. 예를 들면, 제 1 통신 회로(120)는 무선 통신 또는 유선 통신을 통해서 네트워크에 연결되어 외부 장치(예: 전자 장치(200))와 통신을 설정하여, 설정된 통신을 통해 토픽에 대한 정보를 수신할 수 있다. 상기 무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 한 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 한실시예에 따르면, 무선 통신은 GNSS를 포함할 수 있다. GNSS는, 예를 들면, GPS(Global Positioning System), Glonass(Global Navigation Satellite System), Beidou Navigation Satellite System(이하 "Beidou") 또는 Galileo, the European global satellite-based navigation system일 수 있다. 이하, 본 문서에서는, "GPS"는 "GNSS"와 상호 호환적으로 사용될 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 네트워크(162)는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.
상기 제 1 제어 회로(120)는 서버(100)의 전반적인 동작을 제어할 수 있다. 이를 위해 제 1 제어 회로(120)는 각종 정보의 연산 및 처리를 수행하고 서버(100)의 구성 요소들(예: 제 1 통신 회로(110))의 동작을 제어할 수 있다. 제 1 제어 회로(120)는 하드웨어, 소프트웨어, 또는 이들의 조합에 따라 컴퓨터나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 상기 제 1 제어 회로(120)는 전기적인 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태(예: CPU 등)로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적인 상기 제 1 제어 회로(120)를 구동시키는 프로그램 형태로 제공될 수 있다. 한편, 이하의 설명에서 특별한 언급이 없는 경우에는 서버(100)의 동작은 상기 제 1 제어 회로(120)의 제어에 의해 수행되는 것으로 해석될 수 있다.
상기 제 1 제어 회로(120)는 인터페이스 제공 모듈(121)을 포함하며, 인터페이스 제공 모듈(121)은 상기 서버(100)로 접속되는 전자 장치들(예: 200)로 서버(100)를 이용하기 위한 인터페이스를 제공할 수 있다. 이에 따라 전자 장치들(예: 200)은 인터페이스를 표시하고, 표시된 인터페이스를 통해서 토픽들을 업로드하거나 서버(100)에 저장된 후술될 딥 러닝 모델을 포함하는 프로그램(예: 토픽 작성 프로그램)를 제공받을 수 있다.
상기 제 1 제어 회로(101)는 정보 획득 모듈(122)을 포함하며, 정보 획득 모듈(122)은 상기 서버(100)에 축적된 토픽들, 토픽들에 대한 정보를 추출하여 획득할 수 있다. 상기 토픽들에 대한 정보는 토픽들 별 특성들에 대한 정보 및 토픽들 별로 포함된 문장에 대한 정보를 포함할 수 있다. 상기 특성들은 토픽의 제목, 토픽의 키워드 등을 포함할 수 있다. 예를 들어, 정보 획득 모듈(122)은 도 3에 도시된 바와 같이 토픽들에 대한 정보를 분석하고 토픽들에 포함된 문장들을 획득함으로써, 토픽 별 제목, 토픽 별 키워드, 및 토픽 별 문장들을 추출할 수 있다. 상기 키워드를 추출하는 동작은 토픽들 내에 기재된 텍스트들에 대한 키워드를 추출하는 알고리즘(예: word rank 또는 LDA(Latent Dirichlet Allocation) 등)을 이용하여 수행될 수 있다. 또 정보 획득 모듈(122)은 도 4에 도시된 바와 같이 데이터베이스(125)에 저장된 사용자에 대한 정보를 획득할 수 있다. 사용자에 대한 정보는 인적 자원에 대한 정보로서, 해당 사용자의 직무에 대한 정보, 사용자의 개인 정보 등을 포함하는 인사 관리에 대한 정보를 포함할 수 있다.
상기 제 1 제어 회로(101)는 딥 러닝 모델 모듈(124)을 포함하며, 딥 러닝 모델 모듈(124)은 도 3에 도시된 바와 같이 축적된 토픽들에 대한 정보로부터 식별되는 정보들(예: 토픽 별 제목, 토픽 별 키워드, 토픽 별 문장들)(320)을 기반으로 딥 러닝 모델(330)을 생성할 수 있다. 예를 들어, 데이터베이스(125)는 다양한 외부 장치들(예: 웹 서버, 사용자들의 전자 장치(200))로부터 수신된 토픽들을 축적할 수 있다. 상기 토픽들은 도 3에 도시된 바와 같이 복수 개의 그룹(예: 310)으로 분류될 수 있음, 각각의 토픽들은 제목(312) 및 문장들(313)을 포함할 수 있다. 상술한 바와 같이, 정보 획득 모듈(122)은 토픽들로부터 획득된 토픽 별 제목, 토픽 별 키워드, 및 토픽 별 문장들에 대한 정보(320)를 딥 러닝 모델 모듈(124)로 전달할 수 있다. 딥 러닝 모델 모듈(124)은 수신된 문장들에 대한 자연어 이해 분석(natural language understanding analysis)을 수행(331)하고, 수행된 자연어 이해 분석을 기반으로 가상 문장(332)을 생성할 수 있다. 예를 들어, 딥 러닝 모델 모듈(124)은 문장들을 전처리(예: 기설정된 단위들로 분리, 및 의미 없는 단어 제거)하고, 전처리된 문장들의 부분들(예: 단어들)을 의미론적(semantic)으로 분석하여 각 부분들에 대한 값을 계산하고, 계산된 값 간들 사이의 연관도(또는, 가중치)를 분석할 수 있다. 딥 러닝 모델 모듈(124)은 상기 분석된 연관도에 기반하여, 상기 연관도에 대응하는 다른 대체 가능한 부분들로 상기 문장들을 재구성하여, 토픽들 별로 입력된 문장에 대응하는 가상의 문장을 생성할 수 있다. 상기 딥 러닝 모델 모듈(124)의 의미론적 분석 및 가상의 문장의 생성은 GAN(Generative Adversarial Network) 및/또는 트랜스포머 모델(Transformer model)을 이용할 수 있으므로 구체적인 설명은 생략한다. 딥 러닝 모델 모듈(124)은 생성된 가상의 문장에 대한 피드백(333)을 수행하여, 입력된 문장에 대응하는 더 연관도(또는, 정확도)가 높은 문장을 가상의 문장을 생성(예: 연관도가 낮은 경우, 다시 자연어 분석(331) 및 가상 문장 생성 동작(332)을 수행)할 수 있다. 딥 러닝 모델 모듈(124)은 생성된 가상의 문장들(334)에 대해서 토픽들로부터 추출된 특성들(예: 제목 및/또는 키워드)에 가중치를 부여할 수 있다. 예를 들어, 딥 러닝 모델 모듈(124)은 생성된 가상의 문장들(334)에 대응하는 입력된 문장의 토픽으로부터 추출된 제목 및/또는 키워드인 경우 더 높은 가중치를 부여하고, 나머지 연관도가 낮은 제목 및/또는 키워드에 대해서는 낮은 가중치를 부여할 수 있다. 상기와 같은 딥러닝 수행 동작을 반복하여 결과적으로 생성된 딥 러닝 모델(330)은, 토픽들로부터 식별되는 특성들(예: 키워드 및/또는 제목) 별로 생성된 가상 문장들에 대한 가중치에 대한 정보를 포함할 수 있다. 이에 따라 생성된 머신 러닝 모델(330)은 도 3에 도시된 바와 같이 토픽들 별 특성들(예: 키워드 및/또는 제목)에 대한 정보가 입력되는 경우(Input), 특성들에 기반하여 생성된 가상 문장들에 가중치를 부여하고 가장 높은 가중치를 갖는 가상 문장을 추천 문장으로 출력(Output)하여 추천할 수 있다. 또는, 기재된 바에 국한되지 않고 머신 러닝 모델(330)은 가장 높은 가중치로부터 내림 차순으로 기설정된 수만큼의 가상 문장들을 추천 문장으로 출력할 수도 있다.
상기 제 1 제어 회로(101)는 정보 분석 모듈(123)을 포함하며, 정보 분석 모듈(123)은 토픽들에 대한 정보를 분석하고, 토픽들을 분류하고 토픽들에 대한 업무를 식별하여 식별된 업무에 대응하는 사용자의 전자 장치(예: 200)으로 알릴 수 있다. 예를 들어, 정보 분석 모듈(420)은 정보 획득 모듈(122)에 의해 획득된 토픽 별 제목, 토픽 별 키워드, 토픽 별 댓글, 토픽 별 문장들 및 사용자 정보를 획득할 수 있다. 정보 분석 모듈(122)은 획득된 정보를 기반으로, 토픽들을 분석하여 토픽들에 대응하는 업무 분야로 분류하고, 토픽별 업무 내용을 식별할 수 있다. 이후, 정보 분석 모듈은(123)은 식별된 토픽 별 업무 및 사용자 정보에 기반하여, 해당 업무를 처리할 사용자를 식별하고 식별된 사용자에게 업무를 할당하고 업무 내용에 포함된 업무 수행을 위한 기일 도래 시 식별된 사용자의 전자 장치(예: 200)로 알림을 전달할 수 있다.
상기 데이터베이스(125)는 각종 정보(예: 딥 러닝 모델, 토픽 빅 데이터(big data), 사용자 정보 등의 다양한 부가 정보 등)를 저장할 수 있다. 데이터베이스는 데이터를 임시적으로 또는 반영구적으로 저장할 수 있다. 예를 들어, 서버(100)의 데이터베이스(125)에는 서버(100)를 구동하기 위한 운용 프로그램(OS: Operating System), 웹 사이트를 호스팅하기 위한 데이터나 프로그램 내지는 어플리케이션(예를 들어, 웹 어플리케이션)에 관한 데이터 등이 저장될 수 있다. 상기 데이터베이스(125)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 이러한 데이터베이스는 내장 타입 또는 탈부착 가능한 타입으로 제공될 수 있다.
2.1.2 전자 장치(200)의 구성의 일 예
이하에서는 전자 장치(200)의 구성의 일 예에 대해서 설명한다.
도 2를 참조하면, 일 실시예에 따르면 전자 장치(200)는 제 2 통신 회로(220), 제 2 제어 회로(210), 입력 장치(230), 및 디스 플레이(240)를 포함할 수 있다.
상기 제 2 통신 회로(210)는 외부 장치들(예: 서버(100))과 통신을 설정할 수 있다. 상기 제 2 통신 회로(220)는 서버(100)와 통신 연결을 설정하여 접속하고, 상기 서버(100)로부터 인터페이스에 대한 정보를 수신하고 상기 서버(100)로 작성된 토픽들을 업로드할 수 있다.. 상기 제 2 통신 회로(220)는 상술한 서버(100)의 제 1 통신 회로(110)와 같이 구현될 수 있으므로 중복되는 설명은 생략한다.
상기 제 2 제어 회로(220)는 전자 장치(200)의 전반적인 동작을 제어할 수 있다. 상기 제 2 제어 회로(220)는 상기 전자 장치(200)의 제 1 제어 회로(120)와 같이 구현될 수 있으므로, 중복되는 설명은 생략한다.
상기 입력 장치(230)는 사용자로부터 정보(예: 토픽 작성 시, 텍스트들)를 입력 받을 수 있다. 상기 입력 장치(230)는 사용자 입력을 받거나 또는 사용자에게 정보를 출력하는 각종 인터페이스나 연결 포트 등일 수 있다. 상기 입력 장치(230)는 입력 모듈과 출력 모듈로 구분될 수 있는데, 입력 모듈은 사용자로부터 사용자 입력을 수신한다. 사용자 입력은 키 입력, 터치 입력, 음성 입력을 비롯한 다양한 형태로 이루어질 수 있다. 이러한 사용자 입력을 받을 수 있는 입력 모듈의 예로는 전통적인 형태의 키패드나 키보드, 마우스는 물론, 사용자의 터치를 감지하는 터치 센서, 음성 신호를 입력받는 마이크, 영상 인식을 통해 제스처 등을 인식하는 카메라, 사용자 접근을 감지하는 조도 센서나 적외선 센서 등으로 구성되는 근접 센서, 가속도 센서나 자이로 센서 등을 통해 사용자 동작을 인식하는 모션 센서 및 그 외의 다양한 형태의 사용자 입력을 감지하거나 입력받는 다양한 형태의 입력 수단을 모두 포함하는 포괄적인 개념이다. 여기서, 터치 센서는 디스플레이 패널에 부착되는 터치 패널이나 터치 필름을 통해 터치를 감지하는 압전식 또는 정전식 터치 센서, 광학적인 방식에 의해 터치를 감지하는 광학식 터치 센서 등으로 구현될 수 있다. 이 경우, 상기 입력 장치(230)는 후술할 디스플레이(240) 내에 구현되어 사용자의 터치 입력을 수신할 수 있다. 다시 말해, 디스플레이(240)는, 상기 입력 장치(230)로서 터치 스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스쳐, 근접, 또는 호버링 입력을 수신할 수 있다. 이외에도 상기 입력 장치(230)는 자체적으로 사용자 입력을 감지하는 장치 대신 사용자 입력을 입력받는 외부의 입력 장치를 연결시키는 입력 인터페이스(USB 포트, PS/2 포트 등)의 형태로 구현될 수도 있다.
상기 디스플레이(240)는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 유기 발광 다이오드(OLED) 디스플레이, 또는 마이크로 전자기계 시스템 (MEMS) 디스플레이, 또는 전자종이(electronic paper) 디스플레이를 포함할 수 있다. 상기 디스플레이(240)는, 토픽 작성을 위한 인터페이스를 표시하고, 인터페이스 상에 추천 문장을 표시할 수 있다.
2.2. 지능형 토픽 관리 시스템의 구현 예
지능형 토픽 관리 시스템은 상술한 바와 같이 시스템 타입 또는 온 디바이스 타입으로 구현될 수 있다.
일 실시예에 따르면 상술한 바와 같이 지능형 토픽 관리 시스템이 서버(100) 및 전자 장치(200)로 구성되는 경우, 지능형 토픽 관리 시스템은 시스템 타입으로 정의될 수 있다. 다시 말해, 시스템 타입의 시스템은 데이터의 축적 및 딥 러닝 모델(330)의 생성이 일 구성(예: 서버(100))에서 수행되고, 이를 이용한 서비스의 수행(예: 문장 추천)은 다른 구성(예: 전자 장치(200))에서 수행되는 타입의 시스템일 수 있다. 이 경우, 서버(100)는 생성된 딥 러닝 모델을 포함하는 프로그램을 전자 장치(200)로 제공하고, 전자 장치(200)는 프로그램을 실행하여 딥 러닝 모델을 이용할 수 있다.
또 일 실시예에 따르면, 상술한 구성들이 하나의 물리적 장치에 구현되는 경우, 지능형 토픽 관리 시스템은 온 디바이스(On-device) 타입으로 정의될 수 있다. 예를 들어, 서버(100)의 구성들이 전자 장치(200)에 구현 가능하며, 이 경우 지능형 토픽 관리 시스템은 온 디바이스(On-device)타입으로 정의될 수 있다. 이 경우, 전자 장치(200)가 딥 러닝 모델 생성을 자체적으로 수행하며, 이에 기반한 서비스의 수행(예: 문장 추천)을 수행할 수 있다.
또 기재된 바에 국한되지 않고, 지능형 토픽 관리 시스템은 바와 같이 시스템 타입 및 온 디바이스 타입의 하이브리드 타입으로 구현될 수 있다. 예를 들어, 서버(100)의 적어도 하나의 구성(예: 딥 러닝 생성 모듈(123))이 전자 장치(200)에 구현되되 다른 구성(예: 데이터 베이스(125))은 서버(100)에 구현되는 형태는, 하이브리드 타입으로 정의될 수 있다.
3. 지능형 토픽 관리 시스템의 동작
이하에서는 지능형 토픽 관리 시스템을 구성하는 장치들(예: 서버(100), 및 전자 장치(200))의 동작의 다양한 예들에 대해서 설명한다.
3.1. 제 1 실시예 <추천 문장 제공 동작>
일 실시예에 따르면, 서버(100)는 사용자의 전자 장치(200)로 추천 문장을 제공하기 위한 딥 러닝 모델(330)을 포함하는 프로그램(예: 문서 작성 프로그램)을 제공할 수 있다. 전자 장치(200)는 프로그램의 실행에 따라서 사용자로부터 텍스트를 수신하고, 수신된 텍스트에 대응하는 추천 문장을 제공할 수 있다.
도 5는 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 일 예를 설명하기 위한 흐름도이다. 다양한 실시예들에 따르면 지능형 토픽 관리 시스템의 동작은 도 5에 도시되는 동작의 순서에 국한되지 않고, 도시되는 순서와 다른 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면, 도 5에 도시되는 지능형 토픽 관리 시스템의 동작 보다 더 많은 동작들이 수행되거나, 또는 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는 도 6 내지 8을 참조하여 도 5에 대해서 설명한다.
도 6은 본 출원의 일 실시예에 따른 서버(100)의 프로그램(예: 문서 작성 프로그램)의 제공 및 전자 장치(200)의 프로그램에 기반한 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다. 도 7은 본 출원의 일 실시예에 따른 딥 러닝 모델(330)에 기반한 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다. 도 8은 본 출원의 일 실시예에 따른 전자 장치(200)의 토픽 작성 완료 및 서버(100)의 토픽 분류 동작의 일 예를 설명하기 위한 도면이다.
일 실시예에 따르면, 서버(100)는 501 동작에서 복수의 토픽들에 대한 정보를 획득하고, 502 동작에서 딥 러닝 모델을 생성할 수 있다. 상술한 바와 같이, 서버(100)는 다양한 종류의 외부 장치들(예: 웹 서버, 사용자들의 전자 장치(200))로부터 작성된 토픽들을 수신하고 축적할 수 있다. 딥 러닝 모델 모듈(123)은 정보 획득 모듈(122)에 의해 상기 축적된 토픽들로부터 획득된 토픽들 별 특성들(예: 제목, 키워드 등)에 대한 정보 및 토픽들에 포함된 문장들을 기반으로 딥 러닝을 수행하여, 딥 러닝 모델(330)을 생성할 수 있다. 상술한 바와 같이, 상기 딥 러닝 모델(330)은 토픽들 별 특성들에 대한 정보를 입력 받는 것에 대한 응답으로, 추천 문장들을 출력할 수 있다.
일 실시예에 따르면, 서버(100)는 503 동작에서 딥 러닝 모델(330)을 포함하는 토픽 작성 프로그램을 전자 장치(200)로 전송할 수 있다. 다시 말해, 전자 장치(200)는, 도 6의 601에 도시된 바와 같이 딥 러닝 모델(330)을 포함하는 토픽 작성 프로그램(611)을 서버(100)로부터 수신할 수 있다. 예를 들어, 상기 전자 장치(200)의 사용자는 지능형 토픽 관리 시스템의 상기 서버(100)에 접속할 수 있다. 상기 사용자는 다양한 이유로(예: 업무 참여를 위하여), 토픽 작성을 해야 하는 상황에서 접속된 서버(100)로부터 전자 장치(200)를 이용하여 토픽 작성 프로그램을 전자 장치(200)로 다운로드 할 수 있다. 상기 토픽 작성 프로그램은 상기 토픽을 작성하기 위한 인터페이스를 제공하며, 상기 인터페이스를 통해 사용자로부터 토픽을 구성하기 위한 텍스트를 수신할 수 있다. 또 상기 토픽 작성 프로그램은 상기 인터페이스를 통해 상기 사용자로부터 토픽을 구성하기 위한 텍스트를 수신하는 경우, 문서 작성 프로그램에 내장된 딥 러닝 모델(330)을 이용하여 텍스트에 대응하는 추천 문장을 제공할 수 있다. 한편, 기재된 바에 국한되지 않고, 문서 작성 프로그램과 딥 러닝 모델(330)이 전자 장치(200)로 별도로 제공될 수 있으며, 문서 작성 프로그램의 실행 시 딥 러닝 모델(330)이 같이 실행될 수 있다. 이하에서는 설명의 편의를 위하여, 문서 작성 프로그램 내에 딥 러닝 모델(330)이 포함되는 것으로 설명한다.
일 실시예에 따르면, 전자 장치(200)는 504 동작에서 토픽 작성 프로그램을 실행하고, 505 동작에서 실행된 토픽 작성 프로그램의 실행 화면 상에서 사용자로부터 텍스트를 수신할 수 있다. 예를 들어, 전자 장치(200)는 도 6의 601에 도시된 바와 같이 토픽 작성 프로그램이 실행되는 경우, 토픽의 작성을 위한 인터페이스(612)(또는, 토픽 작성 프로그램의 실행 화면)를 제공할 수 있다. 사용자는 상기 토픽 작성 시, 전자 장치(200)에 구비된 입력 장치(230)를 이용하여 상기 인터페이스 상에 텍스트를 입력할 수 있다. 상기 토픽의 작성을 위한 인터페이스는 토픽에 대한 다양한 종류(예: 제목(title), 및 내용(content))의 텍스트를 수신하기 위한 입력 영역들(예: 613, 및 614)을 포함할 수 있다. 상기 전자 장치(200)는 상기 다양한 종류의 텍스트를 수신하기 위한 입력 영역들(예: 613, 및 614)을 통해서, 사용자로부터 텍스트들을 수신할 수 있다. 일 예로, 전자 장치(100)는 상기 인터페이스(612) 중 제목(title)에 대한 텍스트를 수신하기 위한 입력 영역(613)을 통해서, 텍스트(예: "실내 환기")(615)를 수신할 수 있다.
일 실시예에 따르면, 전자 장치(200)는 506 동작에서 수신된 텍스트를 기반으로 적어도 하나의 추천 문장을 제공할 수 있다. 예를 들어, 전자 장치(200)는 사용자에 의해 토픽 작성을 위해 수신된 텍스트(예: "실내 환기")에 대한 분석을 수행하여, 텍스트에 대응하는 적어도 하나의 추천 문장을 제공할 수 있다. 전자 장치(200)는 도 6의 602에 도시된 바와 같이, 문서 작성 프로그램을 이용하여 수신된 텍스트를 분석하여, 텍스트의 특성(예: 종류, 및 키워드)에 대한 정보(621)를 획득할 수 있다. 일 예로, 전자 장치(200)는 인터페이스(612) 상에 텍스트(예: "실내 환기")가 수신된 입력 영역을 식별하고, 상기 텍스트의 특성에 대한 정보로서 식별된 입력 영역을 기반으로 텍스트의 종류가 제목(title)에 대한 것임을 식별할 수 있다. 다른 예로, 전자 장치(200)는 인터페이스(612) 상에 수신된 텍스트를 키워드를 추출하기 위한 알고리즘(예: word ranking 또는 LDA(Latent Dirichlet Allocation) 등)을 이용하여, 텍스트의 특성에 대한 정보로서 텍스트로부터 키워드(예: "환기")를 추출할 수 있다. 전자 장치(200)는 추출된 텍스트에 대한 특성에 대한 정보(621)를, 토픽 작성 프로그램에 포함된 딥 러닝 모델(330)로 제공할 수 있다. 딥 러닝 모델(330)은 입력된 텍스트에 대한 특성에 대한 정보(621)를 기반으로 상술한 도 3에서 미리 생성된 가상의 문장들에 대한 가중치를 계산하고, 계산된 가중치를 기반으로 가중치가 가장 높은 가상의 문장을 추천 문장으로 반환할 수 있다. 전자 장치(200)에서 실행 중인 문서 작성 프로그램은, 상기 반환된 추천 문장 내의 개인 정보를 포함하는 일 부분을 식별하고, 식별된 일 부분을 다른 텍스트로 치환(예: 개인 정보 제거)하여 추천 문장을 제공할 수 있다. 상기 개인 정보를 포함하는 일 부분은, 지능형 토픽 관리 시스템을 이용하는 사용자들에 대한 개인적인 정보들(예: 사용자의 직무, 사용자의 신상 정보, 등)을 포함하는 여러 정보들을 나타내는 텍스트를 의미할 수 있다. 예를 들어, 전자 장치(200)는 상기 반환된 추천 문장 내에 특정 사용자의 이름(예: "홍길동")을 나타내는 텍스트가 식별되는 경우, 상기 식별된 텍스트를 제거하고 다른 개인 정보의 양이 적은 텍스트(예: "출근자" )로 대체할 수 있다. 전자 장치(200)는 도 6의 602에 도시된 바와 같이, 컨텐트를 수신하기 위한 입력 영역(614) 내에 추천 문장(예: "아침 8시 출근자들은 환기 부탁드립니다")을 출력할 수 있다.
일 실시예에 따르면, 전자 장치(200)는 토픽 작성 시 사용자로부터 수신되는 텍스트에 기반하여, 복수 개의 가상 문장들을 식별하고, 식별된 복수 개의 가상 문장들 중 일 가상 문장을 추천 문장으로 제공할 수 있다. 예를 들어, 문서 작성 프로그램에 포함된 딥 러닝 모델(330)은 상술한 바와 같이 텍스트에 대한 특성 정보를 기반으로 자연어 이해 분석을 수행하여 생성된 복수 개의 가상의 문장들 각각에 대해서 가중치를 부여하고, 가중치가 가장 높은 일 가상의 문장을 추천 문장으로 제공할 수 있다. 일 예로, 도 6의 601에 도시된 바와 같이, 딥 러닝 모델(330)은 "실내 환기"라는 텍스트의 특성에 대한 정보에 기반하여, 서로 다른 복수 개의 가상 문장들(711, 712, 713)에 대해서 가중치를 부여하고 가중치가 가장 높은 가상 문장(예: "아침 8시 출근자들을 환기 부탁드립니다")을 출력할 수 있다.
일 실시예에 따르면, 전자 장치(200)는 제공된 가상 문장의 부분들을 대체하기 위한 대체 텍스트를 제공할 수 있다. 예를 들어, 전자 장치는 입력된 텍스트에 대응하는 복수 개의 가상 문장들 중에서 제공된 가상 문장(711)을 제외한 나머지 가상 문장들(712, 713)을 기반으로, 상기 가상 문장(711)을 구성하는 부분들을 대체하기 위한 텍스트를 제공할 수 있다. 예를 들어, 상기 전자 장치(200)(예: 실행 중인 문서 작성 프로그램)는 현재 제공 중인 가상 문장(711)과 나머지 가상 문장들(712, 713)의 비교 결과에 기반하여, 가상 문장을 구성하는 부분들에 대응하는 나머지 가상 문장들의 부분을 식별할 수 있다. 상기 비교에는 자연어 이해 분석이 이용될 수 있다. 일 예로서, 전자 장치(200)는 도 7의 701을 참조하면 현재 제공중인 가상 문장(711)의 "8시"라는 부분에 대응하여, 다른 가상 문장들(712, 713)로부터"9시"라는 대체 단어를 식별할 수 있다. 전자 장치는 도 7의 702에 도시된 바와 같이 상기 비교 결과에 기반하여, 가상 문장의 대체 가능한 부분들(예: 8시(721))을 다른 나머지 부분과 시각적으로 상이하게 표시(예: ""와 같은 기호를 이용, 또는 하이라이트하여 표시)할 수 있다. 전자 장치는 상기 가상 문장의 대체 가능한 부분 상에서 사용자의 입력을 수신하는 경우, 상기 부분을 대체하기 위한 단어들(예: 9시)을 포함하는 리스트(722)를 표시할 수 있다. 전자 장치(200)는 상기 리스트(722)에서 단어(예: 9시)가 선택되는 경우, 도 7의 703에 도시된 바와 같이 상기 선택된 부분(721)을 대체 단어(예: "9시"(731))로 대체하여 표시하고, 대체되었음을 나타내기 위해 상기 대체 단어에 대해서 시각적으로 표시(예: ""와 같은 기호를 이용, 또는 하이라이트하여 표시)할 수 있다.
일 실시예에 따르면, 전자 장치(200)는 507 동작에서 토픽 작성을 완료하고, 508 동작에서 작성된 토픽을 서버(100)로 전송할 수 있다. 예를 들어, 전자 장치(200)는 문서 작성 프로그램의 인터페이스(612) 상에서, 도 8의 801에 도시된 바와 같이 특정 입력 영역(예: 내용 입력을 위한 영역)에 토픽 작성을 위한 텍스트들(예: 그리고)(811)을 입력 받을 수 있다. 전자 장치(200)는 이때 사용자에 의해 직접 입력된 텍스트(811)와 나머지 추천된 가상 문장에 의해 구성된 텍스트들을 시각적으로 다르게(예: 색을 다르게) 표시할 수 있다. 전자 장치(200)는 입력된 텍스트들(811)에 기반하여, 계속해서 추천 문장(예: "출근자들이 마스크 착용 전파해주세요")(821)을 제공할 수 있다. 506 동작에서 상술한 바와 같이, 추천 문장의 제공 및 편집(예: 대체 단어를 텍스트 대체)이 수행될 수 있으므로 중복되는 설명은 생략한다. 사용자는 상기와 같은 텍스트의 입력 및 추천 문장들의 제공을 반복하여, 토픽 작성을 완료할 수 있다. 전자 장치(200)는 사용자로부터 토픽 작성 완료(예: 토픽 작성을 완료하기 위한 버튼을 누름)를 수신하는 경우, 완성된 토픽(822)을 서버(100)로 전송할 수 있다.
일 실시예에 따르면, 서버(100)는 509 동작에서 수신된 토픽을 저장하고 분류하고, 510 동작에서 딥 러닝 모델을 갱신할 수 있다. 예를 들어, 도 4에서 상술한 바와 같이, 서버(100)의 정보 분석 모듈(124)은 수신된 토픽(822)에 대한 정보들을 분석하여, 상기 분석된 정보(예: 토픽)에 대응하는 특정 업무 분야(예: 아침 출근자의 업무)로 토픽을 할당하여 토픽 빅 데이터를 갱신할 수 있다. 또 서버(100)는 도 3에서 상술한 바와 같이, 딥 러닝 모델 모듈(123)이 수신된 토픽(822)에 대한 정보를 분석하여 딥 러닝 모델을 갱신할 수 있다.
3.2 제 2 실시예 <개인 정보 레벨에 기반한, 추천 문장 처리 동작>
전술한 지능형 토픽 관리 시스템의 동작들은 제 2 실시예에 준용될 수 있으므로, 중복되는 설명은 생략한다.
일 실시예에 따르면, 전자 장치(200)는 추천 문장에 포함된 개인 정보(예: (예: 사용자의 직무, 사용자의 신상 정보, 등)에 해당하는 부분을 식별하고, 식별된 개인 정보의 레벨에 기반하여 상기 식별된 부분을 처리함으로써 추천 문장을 재구성하고 재구성된 추천 문장을 제공할 수 있다.
도 9은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다. 다양한 실시예들에 따르면 지능형 토픽 관리 시스템의 동작은 도 9에 도시되는 동작의 순서에 국한되지 않고, 도시되는 순서와 다른 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면, 도 9에 도시되는 지능형 토픽 관리 시스템의 동작 보다 더 많은 동작들이 수행되거나, 또는 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는 도 10을 참조하여 도 9에 대해서 설명한다.
도 10은 본 출원의 일 실시예에 따른 전자 장치(200)의 개인 정보 레벨에 기반한 추천 문장 재구성 동작의 일 예를 설명하기 위한 도면이다.
일 실시예에 따르면, 서버(100)는 901 동작에서 전자 장치(200)로 딥 러닝 모델(330)을 포함하는 토픽 작성 프로그램을 전송할 수 있다. 상기 전자 장치(200)는 상기 토픽 작성 프로그램을 실행하여, 토픽 작성을 위한 텍스트를 수신하기 위한 인터페이스를 제공할 수 있다. 상기 전자 장치(200)의 토픽 작성 프로그램의 실행 및 텍스트를 수신하는 동작은 상술하였으므로, 중복되는 설명은 생략한다.
일 실시예에 따르면, 전자 장치(200)는 902 동작에서 토픽 작성 프로그램의 실행 화면 상에서 텍스트를 수신하고, 903 동작에서 수신된 텍스트를 기반으로, 적어도 하나의 추천 문장을 생성할 수 있다. 예를 들어, 전자 장치(200)(예: 딥 러닝 모델(330))는 도 10의 1001에 도시된 바와 같이 토픽 작성 시"실내 환기"라는 텍스트(1011)가 입력된 것에 대한 응답으로, 추천 문장(예: "아침 8시에 A부서 홍길동님 환기 부탁드립니다")(1013)을 반환할 수 있다. 상기 전자 장치(200)의 추천 문장을 제공하는 동작은 상술한 전자 장치(200)의 506 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
일 실시예에 따르면, 전자 장치(200)는 904 동작에서 적어도 하나의 추천 문장에 포함된 텍스트들 중 개인 정보와 연관된 텍스트를 식별하고, 905 동작에서 식별된 텍스트의 개인 정보 레벨에 기반하여, 식별된 텍스트를 처리할 수 있다. 상기 개인 정보 레벨은 상기 텍스트가 개인 정보를 나타내는 정도를 의미할 수 있다. 예를 들어, 상기 추천 문장의 일 텍스트의 개인 정보 레벨이 높을수록 상기 부분이 많은 양의 개인 정보를 포함함을 의미하고, 개인 정보 레벨이 낮을수록 상기 부분이 적은 양의 개인 정보를 포함함을 의미할 수 있다.
일 실시예에 따르면, 상기 개인 정보 레벨은 상기 텍스트에 포함된 개인 정보(예: 사용자의 직무, 사용자의 신상 정보, 등)와 연관된 부분들(예: 단어들)의 개수로 판단될 수 있다. 일 예로, 텍스트에 포함된 개인 정보(예: 사용자의 직무, 사용자의 신상 정보, 등)와 연관된 부분들의 개수가 많을수록 더 높은 개인 정보 레벨로 판단될 수 있다. 다시 말해, 개인 정보와 연관된 부분들이 많을수록, 상기 텍스트의 개인 정보 레벨은 높으며 상기 텍스트가 많은 양의 개인 정보를 포함하는 것으로 판단될 수 있다.
일 실시예에 따르면, 전자 장치(200)는 추천 문장(712)에 포함된 개인 정보와 연관된 부분들을 식별하고, 식별된 개인 정보와 연관된 부분들을 기설정된 수준(예: 가장 낮은 수준)의 개인 정보 레벨(예: 레벨 0)의 텍스트로 대체할 수 있다. 예를 들어, 전자 장치(200)는 추천 문장(712) 내에서 개인 정보와 연관된 부분(예: A부서 홍길동)을 식별할 수 있다. 전자 장치(200)는 상기 식별된 부분(예: A부서 홍길동)의 개인 정보 레벨을 식별할 수 있다. 예를 들어, 전자 장치(200)는 상기 부분 내에 사용자의 직무를 유추하게 하는 "A 부서"와 이름을 나타내는 "홍길동"을 식별한 것에 기반하여, 상기 부분의 개인 정보 레벨을 2로 식별(1014)할 수 있다. 전자 장치(200)는 상기 부분의 개인 정보 레벨이 기 설정된 수준(예: 가장 낮은 수준) 보다 높은 것을 식별한 것에 기반하여, 상기 부분에 대해서 다양한 수준(예: 낮은 수준)의 개인 정보 레벨(예: 레벨 1, 및 레벨 0)의 텍스트(예: 레벨 1의 홍길동(1015), 레벨 0의 출근자(1016))를 생성할 수 있다. 예를 들어, 전자 장치(200)는 상기 식별된 개인 정보와 연관된 부분(예: A부서 홍길동)을 기반으로, 개인 정보의 양을 감소시키는 방식으로 상기 텍스트들을 생성할 수 있다. 전자 장치(200)는 기실정된 수준을 바람직하게 가장 낮은 수준인 것으로 결정하고, 도 10의 1002에 도시된 바와 같이 상기 식별된 부분(예: A 부서 홍길동)(1013)을 생성된 다양한 수준의 개인 정보 레벨의 텍스트들 중 가장 낮은 레벨의 텍스트(예: 출근자)(1015)로 대체하여 재구성된 추천 문장(예: 아침 8시에 출근자들은 환기 부탁드립니다)를 제공할 수 있다. 이때, 재구성된 텍스트에 기반하여, 전자 장치(200)는 다른 문장들의 부분들을 어법에 부합하도록 수정할 수 있다.
일 실시예에 따르면, 서버(100)는 906 동작에서 처리된 텍스트를 포함하는 추천 문장을 제공할 수 있다. 예를 들어, 전자 장치(200)는 도 10의 1002에 도시된 바와 같이 가장 낮은 레벨의 텍스트(예: 출근자)(1015)로 대체하여 재구성된 추천 문장(예: 아침 8시에 출근자들은 환기 부탁드립니다)를 제공할 수 있다. 전자 장치(200)는 상기 대체된 개인 정보와 연관된 부분(예: 출근자)를 문장의 다른 부분들과 시각적으로 다르게 표시(예: ""와 같은 기호를 이용, 또는 하이라이트하여 표시)할 수 있다. 전자 장치(200)는 상기 개인 정보와 연관된 부분(예: 출근자들)(1021)이 선택되는 경우, 상기 개인 정보와 연관된 부분을 대체하기 위한 다양한 수준의 개인 정보 레벨의 텍스트들(예: 홍길동 및 A부서 홍길동)을 포함하는 리스트(1022)를 제공할 수 있다. 상기 리스트(1022)는 905 동작에서 생성된 다양한 수준의 개인 정보 레벨의 텍스트들 중 상기 제공된 텍스트(1021)를 제외한 나머지 텍스트들 중 개인 정보 레벨이 낮은 순서대로 개인 정보 레벨의 텍스트들(예: 홍길동 및 A부서 홍길동)을 제공할 수 있다. 상기 전자 장치(200)는 도 10의 1003에 도시된 바와 같이 다른 개인 정보 레벨의 텍스트(예: 홍길동)(1031)이 선택되는 경우, 선택된 텍스트(1031)로 대체하여 추천 문장을 표시할 수 있다. 이때, 대체된 텍스트는 다른 부분들과 시각적으로 다르게(예: 색이 다름, 밑줄 등) 표시될 수 있다.
3.3. 제 3 실시예 <선택된 개인 정보 레벨로 다음 추천 문장도 구성하여 제공하는 동작>
전술한 지능형 토픽 관리 시스템의 동작들은 제 3 실시예에 준용될 수 있으므로, 중복되는 설명은 생략한다.
일 실시예에 따르면, 전자 장치(200)는 추천 문장 내에서 특정 부분에 대한 개인 정보 레벨이 선택되는 경우, 그 이후에 추천 문장의 제공 시 추천 문장 내의 개인 정보와 연관된 부분을 선택된 개인 정보 레벨의 텍스트로 구성하여 추천 문장을 제공할 수 있다.
도 11은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다. 다양한 실시예들에 따르면 지능형 토픽 관리 시스템의 동작은 도 11에 도시되는 동작의 순서에 국한되지 않고, 도시되는 순서와 다른 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면, 도 11에 도시되는 지능형 토픽 관리 시스템의 동작 보다 더 많은 동작들이 수행되거나, 또는 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는 도 12를 참조하여 도 11에 대해서 설명한다.
도 12는 본 출원의 일 실시예에 따른 전자 장치(200)의 연속적으로 추천 문장의 제공 시 추천 문장 내의 개인 정보와 연관된 부분을 선택된 개인 정보 레벨의 텍스트로 구성하여 추천 문장을 제공하는 동작의 일 예를 설명하기 위한 도면이다.
일 실시예에 따르면, 전자 장치(200)는 1101 동작에서 텍스트를 계속하여 수신하고, 수신된 텍스트에 대응하는 추천 문장을 생성할 수 있다. 예를 들어, 전자 장치(200)는 도 12의 1201에 도시된 바와 같이, 추천 문장을 제공(예: 아침 8시 홍길동님은 환기 부탁드립니다)한 이후, 계속해서 문서 작성 프로그램의 인터페이스 상에서 텍스트(예: 그리고)를 수신할 수 있다. 전자 장치(200)는 계속해서 수신되는 텍스트에 기반하여 추천 문장을 생성할 수 있다. 상기 전자 장치(200)의 계속해서 수신되는 텍스트에 기반하여 추천 문장을 생성하는 동작은, 상술한 전자 장치의 507 동작에서와 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
일 실시예에 따르면, 전자 장치(200)는 1102 동작에서 생성된 추천 문장 내에서 개인 정보와 연관된 부분을 식별하고, 1103 동작에서 식별된 부분을 기 선택된 개인 정보 레벨에 기반하여 처리할 수 있다. 예를 들어, 전자 장치(200)는 생성된 추천 문장(예: 그리고, 출근자들이 마스크 착용 전파해주세요.) 내에서 개인 정보와 연관된 부분(예: 출근자들)을 식별할 수 있다. 전자 장치(200)는 이전에 제공된 추천 문장 내에서 선택된 개인 정보 레벨(예: 레벨 1)에 기반하여, 상기 식별된 부분을 선택된 개인 정보 레벨의 텍스트(예: 홍길동님)로 구성하여 재구성된 추천 문장을 자동으로 제공할 수 있다. 이때, 이전에 선택된 개인 정보 레벨이 복수 개인 경우, 전자 장치(200)는 복수 개의 개인 정보 레벨의 평균 값을 산출하고, 산출된 평균 값의 개인 레벨의 텍스트로 상기 식별된 부분을 대체할 수 있다.
3.4. 제 4 실시예 <토픽에 관련된 업무 분석 동작>
전술한 지능형 토픽 관리 시스템의 동작들은 제 4 실시예에 준용될 수 있으므로, 중복되는 설명은 생략한다.
일 실시예에 따르면, 서버(100)는 작성된 토픽을 분석하여, 토픽의 업무를 분류하고, 분류된 업무에 대응하는 사용자에게 상기 토픽의 업무를 분배할 수 있다. 또, 서버(100)는 토픽에서 식별된 업무의 기일이 도래되는 경우, 상기 업무를 분배 받은 사용자의 전자 장치(200)로 알림을 제공할 수 있다.
도 13은 본 출원의 일 실시예에 따른 지능형 토픽 관리 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다. 다양한 실시예들에 따르면 지능형 토픽 관리 시스템의 동작은 도 13에 도시되는 동작의 순서에 국한되지 않고, 도시되는 순서와 다른 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면, 도 13에 도시되는 지능형 토픽 관리 시스템의 동작 보다 더 많은 동작들이 수행되거나, 또는 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는 도 14를 참조하여 도 13에 대해서 설명한다.
도 14는 본 출원의 일 실시예에 따른 서버(100)의 토픽 분석에 기반한 토픽과 연관된 업무 식별, 및 토픽 업무 분배 동작의 일 예를 설명하기 위한 도면이다.
일 실시예에 따르면, 제 1 전자 장치(1301)는 1301 동작에서 토픽 작성 프로그램에 기반한 토픽 작성을 완료하고, 1302 동작에서 작성된 토픽을 서버(100)로 전송할 수 있다. 예를 들어, 제 1 전자 장치(1301)는 도 14의 1401에 도시된 바와 같이 실행된 토픽 작성 프로그램의 인터페이스 상에서 사용자로부터 텍스트를 수신하고, 추천 문장을 제공하는 동작을 수행함으로써 사용자로 하여금 토픽을 완성하도록 할 수 있다. 상기 제 1 전자 장치(1301)는 완성된 토픽(1411)을 서버(100)로 전송할 수 있다. 상기 제 1 전자 장치(1301)의 동작은, 상술한 전자 장치(200)의 504 동작 내지 507 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
일 실시예에 따르면, 서버(200)는 1303 동작에서 수신된 토픽을 분석하고, 1304 동작에서 토픽에 대한 업무 분류 및 토픽에 대한 업무 담당자에 대응하는 계정을 선택할 수 있다. 예를 들어, 서버(200)는 도 4에서 상술한 바와 같이 정보 분석 모듈(124)을 이용하여 수신된 토픽에 대한 정보를 분석하여, 도 14의 1402에 도시된 바와 같이 분석된 정보를 기반으로 토픽에 대응하는 업무(예: A 업무(1421))를 식별하고 식별된 업무로 상기 토픽을 분류하여 관리할 수 있다. 서버(200)는 서버(200)에 저장된 인적 정보에 기반하여 서버(200)를 이용하는 사용자의 계정들을 식별하고, 식별된 계정들 중 상기 토픽이 분류된 업무에 대응하는 계정의 사용자(1422)를 식별할 수 있다. 예를 들어, 서버(200)는 상기 계정에 대한 정보로부터 사용자의 직무를 식별하고, 상기 업무와 연관도가 높은 직무를 가지는 계정을 식별할 수 있다. 서버(200)는, 식별된 계정으로 상기 업무를 분배(예: 계정의 전자 장치로 업무에 대한 정보를 제공 및 서버(200)에 업무 담당자로서 상기 계정을 등록)하여, 상기 계정의 사용자가 상기 분배된 업무를 수행하도록 할 수 있다.
일 실시예에 따르면, 서버(200)는 1305 동작에서 업무 기일 도래를 식별하고, 1306 동작에서 업무 기일 알림을 제공할 수 있다. 예를 들어, 서버(200)는 특정 업무에 분류된 토픽으로부터 업무에 대한 내용을 식별할 수 있다. 상기 서버(200)는 식별된 내용 중 업무의 기일에 대한 내용을 식별하고, 도 14의 1403에 도시된 바와 같이 기일 도래 시 자동으로 업무에 분배된 계정의 제 2 전자 장치(1302)로 업무 도래를 알리기 위한 메시지(1431)를 전송할 수 있다. 상기 서버(200)는 식별된 내용으로부터 업무의 기일에 대한 내용을 식별하지 못하는 경우, 자동으로 지정된 기일을 상기 업무에 부여하고 업무의 기일 도래 여부를 식별할 수도 있다.
Claims (1)
- 전자 장치의 동작 방법으로서,
상기 전자 장치가 서버로부터 딥 러닝 모델에 기반한 문서 작성 프로그램을 수신하는 단계;를 포함하고,
상기 딥 러닝 모델은 트레이닝 데이터를 기반으로 딥 러닝을 수행하여 생성되고, 상기 트레이닝 데이터는 상기 서버에 축적된 복수의 토픽들로부터 분석된 복수의 토픽들의 특성들에 대한 정보 및 상기 복수의 토픽들에 포함된 문장들을 포함하고,
상기 딥 러닝 모델은 토픽의 상기 특성들에 대한 정보가 입력되는 경우 적어도 하나의 추천 문장을 출력하도록 설정되고, 상기 특성들은 상기 토픽의 제목 및 키워드를 포함하고,
상기 전자 장치가 상기 문서 작성 프로그램을 실행하고, 실행된 문서 작성 프로그램의 실행 화면 상에서 사용자로부터 적어도 하나의 텍스트를 수신하는 단계;
상기 전자 장치가 상기 문서 작성 프로그램을 이용하여, 적어도 하나의 텍스트에 대응하는 제 1 추천 문장을 생성하는 단계; 및
상기 전자 장치가 상기 생성된 제 1 추천 문장 내의 개인 정보와 연관된 부분을 식별하고, 식별된 부분을 제 1 텍스트로 대체하여 제 2 추천 문장을 생성하는 단계;를 더 포함하고, 상기 제 1 텍스트는 상기 식별된 부분 보다 더 적은 양의 상기 개인 정보를 포함하고,
상기 전자 장치가 상기 생성된 제 2 추천 문장을 제공하고, 상기 제공된 제 2 추천 문장을 포함하는 토픽을 생성하는 단계; 및
상기 전자 장치가 상기 생성된 토픽을 상기 서버로 송신하는 단계;를 더 포함하고,
상기 전자 장치가 상기 생성된 제 1 추천 문장 내의 상기 개인 정보와 연관된 부분에 포함된 개인 정보를 나타내는 텍스트들의 개수를 식별하는 단계; 및
상기 식별된 개수에 대응하는 개인 정보 레벨을 식별하는 단계;를 더 포함하고, 상기 개인 정보 레벨은 상기 식별된 개수에 비례하고,
상기 전자 장치가 기설정된 개인 정보 레벨 보다 상기 식별된 개인 정보 레벨이 높은 경우, 상기 식별된 정보와 연관된 부분을 기반으로 상기 식별된 개인 정보 레벨 보다 낮은 제 1 개인 정보 레벨을 갖는 복수 개의 텍스트들을 생성하는 단계; 및
상기 전자 장치가 상기 생성된 복수 개의 텍스트들 중 상기 기설정된 개인 정보 레벨을 갖는 상기 제 1 텍스트를 식별하고, 식별된 제 1 텍스트로 상기 식별된 부분을 대체하는 단계;를 더 포함하고,
상기 전자 장치가 상기 제 2 추천 문장 내의 상기 제 1 텍스트를 시각적으로 다른 부분과 다르게 표시하는 단계;
상기 전자 장치가 상기 제 1 텍스트가 선택된 경우, 상기 제 1 개인 정보 레벨을 갖는 상기 복수 개의 텍스트들 중 상기 제 1 텍스트와는 다른 텍스트들을 포함하는 리스트를 제공하는 단계; 및
상기 전자 장치가 상기 제 1 텍스트와는 다른 텍스트들 중 제 2 텍스트가 선택되는 경우, 상기 제 2 텍스트로 상기 제 1 텍스트를 대체하는 단계;를 더 포함하고,
상기 전자 장치가 상기 제 2 텍스트로 상기 제 1 텍스트를 대체한 이후, 적어도 하나의 제 1 텍스트를 수신하는 단계;
상기 전자 장치가 상기 적어도 하나의 제 1 텍스트에 대응하는 제 3 추천 문장을 생성하는 단계; 및
상기 전자 장치가 상기 제 3 추천 문장 내에서 상기 개인 정보와 연관된 제 1 부분을 식별하고, 상기 식별된 제 1 부분을 상기 제 2 텍스트에 대응하는 개인 정보 레벨을 갖는 제 3 텍스트로 대체하는 단계;를 더 포함하고,
상기 기설정된 개인 정보 레벨은 0 레벨 및 1 레벨 중 하나이며, 상기 기설정된 개인 정보 레벨이 0 레벨인 경우, 상기 제 1 텍스트는 상기 개인 정보를 나타내는 상기 텍스트들을 포함하지 않고, 상기 기설정된 개인 정보 레벨이 1 레벨인 경우, 상기 제1 텍스트는 직무 정보 및 신상 정보 중 하나를 포함하는 상기 개인 정보를 나타내는 상기 텍스트들을 포함하는, 동작 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200121438A KR102371447B1 (ko) | 2020-07-17 | 2020-09-21 | 딥 러닝 모델을 이용한 효율적인 토픽 작성 방법 및 장치 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200088681A KR102160143B1 (ko) | 2020-07-17 | 2020-07-17 | 딥 러닝 모델을 이용한 토픽의 분석을 수행하는 전자 장치 및 그 동작 방법 |
KR1020200121438A KR102371447B1 (ko) | 2020-07-17 | 2020-09-21 | 딥 러닝 모델을 이용한 효율적인 토픽 작성 방법 및 장치 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200088681A Division KR102160143B1 (ko) | 2020-07-17 | 2020-07-17 | 딥 러닝 모델을 이용한 토픽의 분석을 수행하는 전자 장치 및 그 동작 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220010396A KR20220010396A (ko) | 2022-01-25 |
KR102371447B1 true KR102371447B1 (ko) | 2022-03-07 |
Family
ID=72707682
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200088681A KR102160143B1 (ko) | 2020-07-17 | 2020-07-17 | 딥 러닝 모델을 이용한 토픽의 분석을 수행하는 전자 장치 및 그 동작 방법 |
KR1020200121438A KR102371447B1 (ko) | 2020-07-17 | 2020-09-21 | 딥 러닝 모델을 이용한 효율적인 토픽 작성 방법 및 장치 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200088681A KR102160143B1 (ko) | 2020-07-17 | 2020-07-17 | 딥 러닝 모델을 이용한 토픽의 분석을 수행하는 전자 장치 및 그 동작 방법 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102160143B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232594B (zh) * | 2020-11-06 | 2024-06-28 | 中国人民解放军国防科技大学 | 一种多星应急观测任务规划方法、装置和计算机设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101584332B1 (ko) * | 2014-05-13 | 2016-01-13 | (주)케이사인 | 문자 패턴에 대한 개인정보대체 값 생성 방법 |
KR102325724B1 (ko) * | 2015-02-28 | 2021-11-15 | 삼성전자주식회사 | 다수의 기기에서 텍스트 데이터 동기화 |
US10268747B2 (en) * | 2015-06-07 | 2019-04-23 | Apple Inc. | Reader application with a personalized feed and method of providing recommendations while maintaining user privacy |
KR102008668B1 (ko) * | 2017-04-06 | 2019-08-08 | 주식회사 한류에이아이센터 | 외부 저장 장치에 저장되는 파일의 개인정보를 보호하는 보안 시스템 및 방법 |
KR102369083B1 (ko) * | 2017-04-17 | 2022-03-02 | 삼성전자주식회사 | 음성 데이터 처리 방법 및 이를 지원하는 전자 장치 |
-
2020
- 2020-07-17 KR KR1020200088681A patent/KR102160143B1/ko active IP Right Grant
- 2020-09-21 KR KR1020200121438A patent/KR102371447B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR102160143B1 (ko) | 2020-09-25 |
KR20220010396A (ko) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230015606A1 (en) | Named entity recognition method and apparatus, device, and storage medium | |
CN109196496B (zh) | 未知词预测器和内容整合的翻译器 | |
York et al. | Human–computer interaction issues for mobile computing in a variable work context | |
WO2020253503A1 (zh) | 人才画像的生成方法、装置、设备及存储介质 | |
US8145474B1 (en) | Computer mediated natural language based communication augmented by arbitrary and flexibly assigned personality classification systems | |
US11972360B2 (en) | Utilizing machine learning models to automatically generate contextual insights and actions based on legal regulations | |
US20170034107A1 (en) | Annotating content with contextually relevant comments | |
KR102179890B1 (ko) | 텍스트 데이터 수집 및 분석을 위한 시스템 | |
US10089297B2 (en) | Word order suggestion processing | |
US11522924B2 (en) | Notifications regarding updates to collaborative content | |
CN112384907A (zh) | 与文本挖掘集成的规范编辑*** | |
US11526681B2 (en) | Dynamic multilingual speech recognition | |
US20200285636A1 (en) | Context-sensitive cross-lingual searches | |
RU2643466C1 (ru) | Способ и система формирования результатов поисковой выдачи | |
Khan et al. | A mechanism for blind-friendly user interface adaptation of mobile apps: A case study for improving the user experience of the blind people | |
CN114328852A (zh) | 一种文本处理的方法、相关装置及设备 | |
CN114817755A (zh) | 一种用户互动内容管理方法、装置和存储介质 | |
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 | |
US11275777B2 (en) | Methods and systems for generating timelines for entities | |
KR102371447B1 (ko) | 딥 러닝 모델을 이용한 효율적인 토픽 작성 방법 및 장치 | |
CN114625699A (zh) | 对先前呈现的材料的识别和重构 | |
US20230359932A1 (en) | Classification process systems and methods | |
CN111931034A (zh) | 数据搜索方法、装置、设备及存储介质 | |
Sanchez et al. | A systematic mapping study for intelligent user interfaces-IUI | |
KR20130091197A (ko) | 일정 정보 완성 방법과 시스템 및 기록 매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |